JP2023140854A - プログラム、情報処理装置、及び情報処理方法 - Google Patents

プログラム、情報処理装置、及び情報処理方法 Download PDF

Info

Publication number
JP2023140854A
JP2023140854A JP2022046895A JP2022046895A JP2023140854A JP 2023140854 A JP2023140854 A JP 2023140854A JP 2022046895 A JP2022046895 A JP 2022046895A JP 2022046895 A JP2022046895 A JP 2022046895A JP 2023140854 A JP2023140854 A JP 2023140854A
Authority
JP
Japan
Prior art keywords
data
health
target
sample
symptoms
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
JP2022046895A
Other languages
English (en)
Other versions
JP7220822B1 (ja
Inventor
恭 中川
Kyo Nakagawa
直幸 出口
Naoyuki Deguchi
圭介 浜本
Keisuke Hamamoto
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Otsuka Pharmaceutical Co Ltd
Original Assignee
Otsuka Pharmaceutical Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Otsuka Pharmaceutical Co Ltd filed Critical Otsuka Pharmaceutical Co Ltd
Priority to JP2022046895A priority Critical patent/JP7220822B1/ja
Priority to JP2023013219A priority patent/JP2023143727A/ja
Application granted granted Critical
Publication of JP7220822B1 publication Critical patent/JP7220822B1/ja
Priority to PCT/JP2023/010383 priority patent/WO2023182162A1/ja
Priority to TW112110641A priority patent/TW202347189A/zh
Publication of JP2023140854A publication Critical patent/JP2023140854A/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Medical Treatment And Welfare Office Work (AREA)

Abstract

【課題】好適に健康に関する情報を顧客に提供することを可能とするプログラム、情報処理装置及び情報処理方法を提供する。【解決手段】健康予測システムにおいて、統合健康予測プログラムは、対象顧客の購買履歴を表す第１購買データを取得する処理、第１購買データから、第１種～第Ｎ種（Ｎは２以上の整数）の複数種類の健康症状に関する健康予測モデルを用いて、複数種類の健康症状の程度を予測する予測処理及び予測した複数種類の健康症状の程度を示す健康情報を対象顧客に提供する処理を情報処理装置に実行させる。【選択図】図７

Description

本発明に係るいくつかの態様は、プログラム、情報処理装置、及び情報処理方法に関する。
近年、人口の減少、経済不況、自然災害の発生、感染症の蔓延など、世界中で生活環境が大きく変化しつつある。その一方で、人工知能（ＡＩ）の活用機会の増加、第５世代移動通信システムの開発・普及などが進んでいる。生活環境が変化しつつある中、社会を支えるインフラは技術を活用してデータを基につながる産業フレームに移行し始め、社会活動・行動情報が可視化され始めている。
健康への関心が高まる中、健康管理への対応も社会の動きに適応させることが求められている。これまでは、病気にかかり症状が悪化し始めてから治療を受ける「受け身的なヘルスケア」が中心であった。しかしながら今後は、健康な人が自宅で自身のデータを取得し、そのデータを収集して各人の健康状態をデータ化することで、先を見越した健康管理を行う「先回り医療」や、罹患予防を行う「予防医療」も行われるようになると考えられる。そしてその先には、将来の疾病予測、健康への注意喚起を行う「予測医療」も想定され得る。
特許文献１には、対象ユーザの購買履歴を記述するデータに基づいてこの対象ユーザの健康状態を推定する推定モデルを構築する手法が開示されている。なお、本特許文献は、参照により、その全体が本明細書に組み入れられる。
特許第６９１６３６７号
健康状態には様々な種類のリスクが存在するが、特許文献１記載の手法では、多様な健康リスクを顧客が把握することについて考慮されていなかった。
本発明のいくつかの態様は前述のいずれかの課題等に鑑みてなされたものであり、好適に健康に関する情報を顧客に提供することを可能とするプログラム、情報処理装置、及び情報処理方法を提供することにある。
本発明の例示的な実施形態にかかるプログラムは、対象顧客の購買履歴を表す第１購買データを取得する処理と、前記第１購買データから、第１種～第Ｎ種（Ｎは２以上の整数）の複数種類の健康症状に関する健康予測モデルを用いて、前記複数種類の健康症状の程度を予測する予測処理と、予測した前記複数種類の健康症状の程度を示す健康情報を前記対象顧客に提供する処理とを情報処理装置に実行させるプログラムであって、第ｋ種（１≦ｋ≦Ｎ）の健康症状に関する健康予測モデルは、前記商品カテゴリに関する前記第１購買データから、当該第ｋ種の健康症状の程度を示す数値を算出する、プログラムである。
本発明の例示的な実施形態に係る情報処理装置は、対象顧客の購買履歴を表す第１購買データを取得する入力部と、前記第１購買データから、第１種～第Ｎ種（Ｎは２以上の整数）の複数種類の健康症状に関する健康予測モデルを用いて、前記複数種類の健康症状の程度を予測する予測部と、予測した前記複数種類の健康症状の程度を示す健康情報を前記対象顧客に提供する出力部とを有する情報処理装置であって、第ｋ種（１≦ｋ≦Ｎ）の健康症状に関する健康予測モデルは、前記商品カテゴリに関する前記第１購買データから、前記第ｋ種の健康症状の程度を示す数値を算出する。
本発明の例示的な実施形態に係る情報処理方法は、対象顧客の購買履歴を表す第１購買データを取得する処理と、前記第１購買データから、第１種～第Ｎ種（Ｎは２以上の整数）の複数種類の健康症状に関する健康予測モデルを用いて、前記複数種類の健康症状の程度を予測する処理と、予測した前記複数種類の健康症状の程度を示す健康情報を前記対象顧客に提供する処理とを情報処理装置が行う情報処理方法であって、情報処理装置は、第ｋ種（１≦ｋ≦Ｎ）の健康症状に関する健康予測モデルは、前記商品カテゴリに関す前記第１購買データから、前記第ｋ種の健康症状の程度を示す数値を算出する。
なお、本発明において、「部」や「手段」、「装置」、「システム」とは、単に物理的手段を意味するものではなく、その「部」や「手段」、「装置」、「システム」が有する機能をソフトウェアによって実現する場合も含む。また、１つの「部」や「手段」、「装置」、「システム」が有する機能が２つ以上の物理的手段や装置により実現されても、２つ以上の「部」や「手段」、「装置」、「システム」の機能が１つの物理的手段や装置により実現されても良い。
本発明の例示的な実施形態によれば、好適に健康に関する情報を顧客に提供することを可能とするプログラム、情報処理装置、及び情報処理方法を提供することができる。
実施形態に係る健康予測システムを利用して、顧客の健康予測を行うためのデータの流れを模式的に示す図である。 実施形態に係る統合健康予測プログラムの機能構成の具体例を示す図である。 実施形態に係る購買データの具体例を示す図である。 実施形態に係る購買データの具体例を示す図である。 予測モデルの出力値に応じた顧客への提案を実現するためのテーブルの具体例を示す図である。 予測モデルの出力値に応じた顧客への提案を実現するためのテーブルの具体例を示す図である。 実施形態に係る統合健康予測プログラムの処理の流れを示す図である。 実施形態に係る統合健康予測プログラムが実行される情報処理装置のハードウェア構成の具体例を示す図である。 実施形態に係るモデル学習プログラムを含む学習システムの機能構成の具体例を示す図である。 商品カテゴリの具体例を示す図である。 更年期症状に関するＨ層の被験者による購入品目から見出された更年期症状と、健康課題との関係の具体例を示す図である。 Ｈ層に属する更年期症状を有する女性向けの商品カテゴリの具体例を示す図である。 実施形態に係るモデル学習プログラムの処理の流れを示す図である。 実施形態に係るモデル学習プログラムが実行される情報処理装置のハードウェア構成の具体例を示す図である。 図１５は、一実施形態に係る通信システムの構成の一例を示すブロック図である。 図１６は、図１５に示したサーバ装置１５１０が有するハードウェア構成の一例を示すブロック図である。 図１７は、図１５に示した通信システム１５００により実行される動作の一例を示すフロー図である。 図１８は、アテネ不眠尺度の一例を示す図である。 図１９Ａは、ピッツバーグ睡眠質問票の一例を示す図である。 図１９Ｂは、ピッツバーグ睡眠質問票の一例を示す図である。 図１９Ｃは、ピッツバーグ睡眠質問票の一例を示す図である。 図２０Ａは、３次元型睡眠尺度の一例を示す図である。 図２０Ｂは、３次元型睡眠尺度の一例を示す図である。 図２１は、不眠症重症度質問票の一例を示す図である。 図２２Ａは、ミュンヘンクロノタイプ質問票の一例を示す図である。 図２２Ｂは、ミュンヘンクロノタイプ質問票の一例を示す図である。 図２３は、図１５に示した通信システム１５００において用いられる睡眠カテゴリーデータの一例を示す図である。 図２４は、図１５に示した通信システム１５００において用いられる睡眠カテゴリーデータの別の例を示す図である。 図２５は、図１５に示した通信システム１５００において用いられる検索テーブルの一例を概念的に示す図である。 図２６は、図１５に示した通信システム１５００により実行される動作の別の例を示すフロー図である。 図２７は、簡略更年期指数（ＳＭＩ）の一例を示す図である。 図２８は、図１５に示した通信システム１５００において用いられる検索テーブルの別の例を概念的に示す図である。
本明細書において記載される、様々なシステム、方法および装置は、いかなる方法によっても限定されるものとして解釈されるべきではない。実際には、本開示は、開示された様々な実施形態の各々、これら様々な実施形態を相互に組み合わせたもの、および、これら様々な実施形態の一部を相互に組み合わせたもの、のうちのあらゆる新規な特徴および態様に向けられている。本明細書において記載される、様々なシステム、方法および装置は、特定の態様、特定の特徴、または、このような特定の態様と特定の特徴とを組み合わせたものに限定されないし、本明細書に記載される物および方法は、１もしくはそれ以上の特定の効果が存在することまたは課題が解決されることを、要求するものでもない。さらには、本明細書において記載された様々な実施形態のうちの様々な特徴もしくは態様、または、そのような特徴もしくは態様の一部は、相互に組み合わせて用いられ得る。
本明細書において開示された様々な方法のうちの幾つかの方法の動作が、便宜上、特定の順序に沿って記載されているが、このような手法による記載は、特定の順序が以下特定の文章によって要求されていない限り、上記動作の順序を並び替えることを包含する、と理解すべきである。例えば、順番に記載された複数の動作は、幾つかの場合には、並び替えられるかまたは同時に実行される。さらには、簡略化を目的として、添付図面は、本明細書に記載された様々な事項および方法が他の事項および方法とともに用いられ得るような様々な方法を示していない。
本開示の装置または方法に関連して本明細書に提示される、動作理論、科学的原理または他の理論的な記載は、よりよい理解を目的として提供されており、技術的範囲を限定することを意図していない。添付した特許請求の範囲における装置および方法は、このような動作理論により記載される方法により動作する装置および方法に限定されない。
本明細書に開示された様々な方法のいずれもが、コンピュータにより読み取り可能な１またはそれ以上の媒体に記憶された、コンピュータにより実行可能な複数の命令を用いて実装され、さらに、コンピュータにおいて実行され得る。上記１またはそれ以上の媒体は、例えば、少なくとも１つの光学媒体ディスク、複数の揮発性メモリ部品、または、複数の不揮発性メモリ部品といったような、非一時的なコンピュータにより読み取り可能な記憶媒体であり得る。ここで、上記複数の揮発性メモリ部品は、例えばＤＲＡＭまたはＳＲＡＭを含む。また、上記複数の不揮発性メモリ部品は、例えばハードドライブおよびソリッドステートドライブ（ＳＳＤ）を含む。さらに、上記コンピュータは、例えば、計算を行うハードウェアを有するスマートフォンおよび他のモバイル装置を含む、市場において入手可能な任意のコンピュータを含む。
本明細書において開示された技術を実装するためのこのようなコンピュータにより実行可能な複数の命令のいずれもが、本明細書において開示された様々な実施形態の実装の間において生成され使用される任意のデータとともに、１またはそれ以上のコンピュータにより読み取り可能な媒体（例えば、非一時的なコンピュータにより読み取り可能な記憶媒体）に記憶され得る。このようなコンピュータにより実行可能な複数の命令は、例えば、個別のソフトウェアアプリケーションの一部であり得るか、または、ウェブブラウザもしくは（リモート計算アプリケーションといったような）他のソフトウェアアプリケーションを介してアクセスまたはダウンロードされるソフトウェアアプリケーションの一部であり得る。このようなソフトウェアは、例えば、（例えば市場において入手可能な任意の好適なコンピュータにおいて実行されるプロセスとしての）単一のローカルコンピュータにおいて、または、１またはそれ以上のネットワークコンピュータを用いて、ネットワーク環境（例えば、インターネット、ワイドエリアネットワーク、ローカルエリアネットワーク、（クラウド計算ネットワークといったような）クライアントサーバネットワーク、または、他のそのようなネットワーク）において、実行され得る。
明確化のために、ソフトウェアをベースとした様々な実装のうちの特定の選択された様々な態様のみが記載される。当該分野において周知である他の詳細な事項は省略される。例えば、本明細書において開示された技術は、特定のコンピュータ言語またはプログラムに限定されない。例えば、本明細書において開示された技術は、Ｃ、Ｃ＋＋、Ｊａｖａ（登録商標）、または、他の任意の好適なプログラミング言語で記述されたソフトウェアにより実行され得る。同様に、本明細書において開示された技術は、特定のコンピュータまたは特定のタイプのハードウェアに限定されない。好適なコンピュータおよびハードウェアの特定の詳細な事項は、周知であって、本明細書において詳細に説明する必要はない。
さらには、このようなソフトウェアをベースとした様々な実施形態（例えば、本明細書において開示される様々な方法のいずれかをコンピュータに実行させるための、コンピュータにより実行可能な複数の命令を含む）のいずれもが、好適な通信手段により、アップロードされ、ダウンロードされ、または、リモート方式によりアクセスされ得る。このような好適な通信手段は、例えば、インターネット、ワールドワイドウェブ、イントラネット、ソフトウェアアプリケーション、ケーブル（光ファイバケーブルを含む）、磁気通信、電磁気通信（ＲＦ通信、マイクロ波通信、赤外線通信を含む）、電子通信、または、他のそのような通信手段を含む。
１．概要
図１乃至図１４は、実施形態を説明するための図である。以下、大きく、顧客の健康状態（健康症状ともいう。）を予測する健康予測システムと、当該健康予測システムで利用される、顧客の健康状態を予測するための予測モデルを生成する学習システムとに分けて、順次、概要や機能構成、処理の流れ等を説明する。
２ 健康予測システム
２．１ 健康予測システムの処理の概要
まず、図１を参照しながら、実施形態にかかる健康予測システム１の大まかな処理の概要を説明する。図１は、実施形態に係る健康予測システム１を利用して、顧客の健康予測を行うためのデータの流れを模式的に示すものである。
健康予測システム１は、個人の健康状態を、当該個人の購買行動から推定するためのものである。この健康予測システム１を用いれば、顧客個人の健康状態を、検診データなどの本人の健康に関するデータなしに、顧客の購買行動である購買データに基づいて推定することができる。推定された健康状態は、例えば顧客の健康改善に役立てられ得る。
ここで、個人の購買行動から当該個人の健康状態を予測する統合健康予測プログラム１００は、個人の購買行動から健康状態を予測する複数種類の学習済みの予測モデルを含む。図１の例では、統合健康予測プログラム１００は６つの予測モデルが統合されることにより構成されているが、６つに限られるものではなく、５つ以下であっても、７つ以上であってもよい。
本実施形態にかかる統合健康予測プログラム１００は、女性の健康を予測する女性の健康予測モデル１１０ａ、睡眠状態を予測する睡眠状態予測モデル１１０ｂ、生活習慣病を予測する生活習慣病予測モデル１１０ｃ、水分状態を予測する水分状態予測モデル１１０ｄ、免疫状態を予測する免疫状態予測モデル１１０ｅ、栄養状態を予測する栄養状態予測モデル１１０ｆの６つの予測モデル（以下、総称して「予測モデル１１０」という。）を含む。統合健康予測プログラム１００に含まれる各予測モデルは、顧客の購買履歴を示す購買データ１５０から、女性の健康状態（更年期症状に関するＳＭＩ等）／睡眠状態／生活習慣病／水分状態（水分補給状況）／免疫状態／栄養状態を示す値（特定の疾病に罹患している可能性及び／又は程度を示す値）を、顧客の健康予測値１６０として算出するものである。図１の例では、６つの健康状態を示す値が％で示されている。疾病の種類に応じて、男性のみ、女性のみ、又は、男性女性双方を対象とするようにしてもよい。これらの予測モデル１１０は、関数として記述され得る。商品の購買履歴と、健康に関する各種状態とを含む教師データを用いた機械学習により構築される。予測モデルの構築方法については後述する。
より具体的には、統合健康予測プログラム１００は、顧客の購買データ１５０を受け取る。購買データ１５０は、健康を予測したい顧客の購買履歴に関するデータであり、統合健康予測プログラム１００に含まれる各予測モデル１１０構築時の教師データの説明変数に対応するデータである。統合健康予測プログラム１００は、各予測モデル１１０に購買データ１５０を並列的に入力し、顧客の健康予測値１６０を算出する。なお、本実施形態では、購買データ１５０のみを予測モデル１１０への入力としているが、例えば、顧客の性別や年齢などの顧客の属性情報も入力するようにしてもよい。
また、統合健康予測プログラム１００は、算出した健康予測値１６０に応じて、顧客に健康改善等に関する各種提案を行うようにしてもよい。より具体的には、例えば、顧客に健康予測値が高いカテゴリを指摘し、顧客が気づいていない（潜在的な）症状、あるいは顕在化している症状が軽いうちに取り得る措置を提案することが考えられる。当該提案方法については、図４等を参照しながら後述する。
２．２ 統合健康予測プログラムの構成
以下、図２を参照しながら、統合健康予測プログラム１００の機能構成を説明する。図２は、統合健康予測プログラム１００の機能構成を示す図である。統合健康予測プログラム１００は、入力部１２０、商品カテゴリ決定部１２５、予測モデル１１０、出力部１３０、提案部１３５を含む。なお、統合健康予測プログラム１００は、単一のプログラムとして実装されてもよいし、データの入出力により連携して動作可能な複数のプログラムとして実装されてもよい。
入力部１２０は、購買データ１５０の入力を受ける（取得する）。入力部１２０は、統合健康予測プログラム１００が実行される情報処理装置（コンピュータ）が内蔵するＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）やＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）等の記憶媒体から購買データ１５０を読み込んでもよいし、あるいは、ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）やインターネット等を介して接続される外部の情報処理装置等から購買データ１５０の入力を受けてもよい。
ここで、図３を参照しながら、入力部１２０が入力を受ける購買データ１５０の具体例を説明する。図３は、購買データ１５０の具体例を示す図である。ここで、購買データ１５０は、調査会社が提供する顧客の購買履歴を蓄積したパネルデータを採用し得る。当該パネルデータは、商品が購入された際に、購入者である顧客により当該商品がスキャンされることにより取得されるデータである。顧客が自身のスマートフォンや貸与されたバーコードリーダを用いて商品をスキャンすると、当該商品と、あらかじめ設定された顧客の属性（会社員／学生／主婦等）、購入先の情報等とが関連付けられて蓄積される。これにより、どのような人が、何を、どれだけ、どのような店舗で購入したかが把握される。
図３の購買データ１５０の例は、顧客が一定期間（例えば一年間）にわたって購入した食品及び／又は日用品の購入履歴を示している。顧客が購入する各商品は、それぞれＪＩＣＦＳ（ＪＡＮ Ｉｔｅｍ Ｃｏｄｅ Ｆｉｌｅ Ｓｅｒｖｉｃｅ）分類において商品カテゴリに分類される。換言すると、各商品カテゴリには、少なくとも１つの商品が属する。購買データ１５０には、顧客のＩＤごとに、顧客が購入した商品が属する商品カテゴリに関する、ＪＩＣＦＳ分類における大カテゴリ「食品」「日用品」に含まれる細カテゴリの約５００品目（例：清涼飲料水、洗口液等）の各項目１５０ａと、期間中の購入金額や購入数量、購入回数などの数値データである実績データ１５０ｂとが対応付けて入力されている。
なお、本実施形態では、購買データ１５０に含まれるのは食品及び／又は日用品の購買履歴であるが、顧客の健康状態との関連が推定されるものであれば、これらに限られるものではない。例えば、例えば薬品などの他の商品や、マッサージ、鍼灸治療等の各種サービス等の購買履歴を購買データ１５０に含むことも考えられる。また、購買データ１５０は、小売店が管理する決済情報によって特定することも考えられるし、例えばクレジットカードの決済情報、金融機関への支払情報等を利用して特定することも考えられる。
商品カテゴリ決定部１２５は、入力部１２０から購買データ１５０を受け取ると、各予測モデル１１０に入力する購買データ１５０から、各予測モデル１１０に入力する分類コード（ＪＩＣＦＳ分類）及び商品カテゴリを決定し、得られた分類コード及び商品カテゴリに関する購入金額、購入数量、及び購入回数などの数値データである実績データ１５０ｂ（これらの一部のみを用いてもよい）を、各予測モデル１１０に並列的に入力する。
なお、予測モデル１１０に入力する購買データ１５０の分類コード（商品カテゴリ）は、各予測モデル１１０毎に決定することができる。予測モデル１１０の入力とする商品カテゴリの決定方法については、予測モデル１１０の作成に関する下記３．４で後述する。
なお、入力部１２０から入力された購買データ１５０を、特に商品カテゴリで絞ることなく、その実績データ１５－ｂをそのまま予測モデル１１０に入力することも考えられる。その場合には、商品カテゴリ決定部１２５は不要である。
予測モデル１１０は、商品カテゴリ決定部１２５が選択した分類コード及び商品カテゴリに関する購入金額、購入数量、及び購入回数などの数値データである実績データ１５０ｂの入力を受け、各々、女性の健康状態（更年期症状）、睡眠状態（睡眠の乱れ）、生活習慣病（身体活動不足）、水分状態（水分不足度／水分補給状況）、免疫状態（免疫低下度）、及び栄養状態（栄養不足度）の健康予測値を算出する。図１の例では、ユーザＩＤ００１の顧客に対し、各々の予測モデル１１０が、更年期症状９０％、睡眠の乱れ２１％、身体活動不足度４０％、水分不足度７６％、免疫低下度７２％、栄養不足度１１％の値を算出している。
予測モデル１１０は、先述のとおり、各顧客の購買履歴である購買データ１５０と、それらの顧客の健康状態とを対応付けた教師データを用いて、前者を説明変数、後者を目的変数として機械学習することにより構築することができる。予測モデル１１０の構築方法については下記３で後述する。
出力部１３０は、各予測モデル１１０が算出した値を、当該顧客に関する健康予測値１６０として、提案部１３５や、内蔵する記憶媒体や、ネットワーク等を介して接続される他の情報処理装置等に出力する。あるいは、出力部１３０は、表示装置上に算出した健康予測値１６０を表示させてもよい。図１の例では、出力部１４０は、顧客ＩＤ、更年期、睡眠の乱れ、等の値を順に行方向に並べて配列し、これを顧客データのＩＤ毎に繰り返すことで、複数の顧客に対する健康予測値１６０を出力している。なお、健康予測値１６０は、顕在化している顧客の健康状態のみならず、将来的に起こることが予想され得る健康状態（潜在的な健康状態）をも含み得る。
提案部１３５は、顧客毎に、予測した健康予測値１６０に応じた食品や用品、サービス等を提案する。提案方法は種々考えられるが、例えば、小売店の店員が使用する各種端末上に表示するようにしてもよいし、メッセンジャーサービス等により直接顧客に提案内容を送付したり、ウェブページ上に顧客向けに表示したりこと等も考えられる。
２．３ 顧客への各種提案の具体例及び処理
以下、図４乃至図６を参照しながら、統合健康予測プログラム１００が顧客に対して行う各種提案について説明する。
図４は、顧客の健康予測値１６０に応じて、提案部１３５が提案する食品／用品／サービス等を模式的に示す図である。例えば、更年期症状が９０％であると予測された女性（顧客ＩＤ＝００１）には、提案部１３５は、ドラッグストア４１で販売されている更年期症状を改善する商品を提案する。また、栄養不足度が９３％であると予測された男性（顧客ＩＤ＝００２）には、提案部１３５は、ドラッグストア４１で販売されている高機能栄養食品を提案する。他の例として、更年期及び睡眠の乱れの予測値がそれぞれ７９％及び８９％の女性（顧客ＩＤ＝００３）には、提案部１３５は、医療機関４３の受診を提案する。また、提案部１３５は、身体活動不足度が相対的に高い顧客には、スポーツジム４５に通うことを提案し、身体活動不足度が所定値よりも低い顧客には、保険会社４７が提供する、生活習慣病に対応する医療保険商品を提案する。
このように、統合健康予測プログラム１００の提案部１３５は、購買データ１５０から、複数の予測モデル１１０の各々から予測結果を得ることにより、その顧客に適合した食品／用品／サービスを提案することができる。そのような提案を実現するには、予測モデルの出力値である各健康症状と関連付けられた食品、用品、及び／又はサービスのリストを予め用意しておけばよい。
図５は、更年期症状に関する提案を実現するためのテーブル５０と、参照するデータベース５２、５４及び５６を示す。
テーブル５０には、更年期予測モデル（図２における女性の健康予測モデル１１０ａ）の出力範囲が４０％未満のクラス５０ａ、４０％以上８０％未満のクラス５０ｂ、及び、８０％以上のクラス５０ｃの３つのクラスが設けられている。クラス５０ａでは、ドラッグストアの更年期症状を予防する商品データベース５２が参照される。商品データベース５２には、商品カテゴリＰ１の商品Ｘ１、Ｘ２、商品カテゴリＰ２の商品Ｘ３が記述されている。提案部１３５は、商品データベース５２を参照して、このうちの一部又は全部のカテゴリ及び／又は商品名を、該当する顧客に提案することができる。予測モデルの出力値がクラス５０ｂに該当する場合、提案部１３５は、更年期症状を改善するための商品データベース５４を参照して、商品カテゴリＱ１の商品Ｙ１、Ｙ２を提案する。予測モデルの出力値が５０ｃに該当する場合、提案部１３５は、現在地及び／又はあらかじめ登録された顧客の居住地の情報を用いて更年期外来医療機関データベース５６を参照し、医療機関を提案する。これはすなわち、顧客の健康予測結果に応じた、予防診療及び／又は治療を行う医療機関の顧客への紹介に相当する。
他の例を、図６を参照しながら説明する。図６は、生活習慣病予測モデル１１０ｃの出力値に応じた提案を実現するためのテーブル６０を示す。
テーブル６０には、生活習慣病予測モデル１１０ｃの出力値、換言すると、身体活動の不足度の範囲が２０％未満のクラス６０ａ、２０％以上８０％未満のクラス６０ｂ、及び、８０％以上のクラス６０ｃの３つのクラスが設けられている。クラス６０ａでは、身体活動は充実していると考えられ、継続して身体活動を行わせるため、栄養指導（１）や、Ｅ１スポーツジムの月会費プランが提案される。栄養指導（１）は、例えば毎食当たり、１０グラム未満の脂質、３０グラム以上の蛋白質の栄養成分を取るための食事の提案である。クラス６０ｂでは、身体活動は不足していないと考えられ、栄養指導（２）や定期的に身体活動を行わせるため、Ｅ２フィットネスクラブの都度会費プランが提案される。栄養指導（２）は、例えば毎食当たり、２０グラム未満の脂質、２０グラム以上のたんぱく質の栄養成分を摂るための食事の提案である。クラス６０ｃでは、身体活動は不足しており、将来的に生活習慣病に罹患する可能性があることを踏まえ、栄養指導（３）やＥ３生命保険会社が提案する医療保険商品が提案される。栄養指導（３）は、例えば毎食当たり、２０グラム未満の脂質、２０グラム以上の蛋白質、及び２０グラム未満の糖質の栄養成分を摂るための食事の提案である。栄養指導、スポーツジム、フィットネスクラブ及び保険商品の提案は、商品又はサービス提供の範疇である。生活習慣病予測モデル１１０ｃの出力値に関しても、提案部１３５は、テーブル６０を参照することにより、出力値に応じた提案を顧客に行うことができる。
図５及び図６の例の他、睡眠状態、免疫状態、水分状態、栄養状態の各々についても、同様のテーブル、さらに必要に応じたデータベースを設けることで、提案部１３５は顧客ごとに、各予測モデル１１０の出力値である健康予測値１６０に応じた顧客への提案を行うことができる。
なお、統合健康予測プログラム１００自体が、提案部１３５を必ずしも内包する必要はない。例えば、統合健康予測プログラム１００の出力部１３０が、統合健康予測プログラム１００を運用する事業者とは別の事業者に対し、顧客の許可のもとで健康予測値１６０を送信し、当該別の事業者のプログラムが、提案部１３５にかかるプログラムを実装して顧客に対し、上記のような提案を行うことも考えられる。例えば、統合健康予測プログラム１００が、予測モデル１１０の出力値である健康予測値１６０を保険会社に送信することで、その保険会社が顧客に保険商品を提案してもよい。
２．４ 処理の流れ
以下、図７を参照しながら、統合健康予測プログラム１００の処理の流れを説明する。図７は、統合健康予測プログラム１００によって実行される、顧客の健康予測処理の手順を示すフローチャートである。
統合健康予測プログラム１００の入力部１２０は、健康状態の予測を行いたい顧客の購入履歴を示す購買データ１５０を取得する（Ｓ７０１）。入力部１２０は、例えば、小売店での商品購入時に、その顧客の会員証をＰＯＳ（Ｐｏｉｎｔ ｏｆ Ｓａｌｅ）システムから読み取ることによって、その顧客と購入履歴とを紐づけたデータベースが構築される。顧客の承諾のもと、そのようなデータベースから購買データ１５０を抽出することにより、入力部１２０は統合健康予測プログラム１００に購買データ１５０を入力することができる。先述のとおり、そのような購買データ１５０は、例えば、ＪＩＣＦＳ分類及び商品カテゴリを含む。
商品カテゴリ決定部１２５は、購買データ１５０のうち、各予測モデル１１０の入力とするＪＩＣＦＳ分類（分類コード）及び商品カテゴリを決定する（Ｓ７０３）。なお、先述のとおり、予測モデル１１０が予測に用いる商品カテゴリを特に絞らず、購買データ１５０全体を用いる場合には、Ｓ７０３の処理は不要である。
次に、各予測モデル１１０は、商品カテゴリ決定部１２５が決定した分類コード及び商品カテゴリの購買データ１５０を用いて、健康状態を予測する（Ｓ７０５）。出力部１３０は、予測モデル１１０が予測した健康状態を示す健康予測値１６０を出力し、提案部１３５は、当該健康予測値１６０に基づく提案を顧客に提供する（Ｓ７０７）。具体的には、レシートへの印字やディスプレイへの表示、スマートフォンへの通知等の形で健康予測値１６０又は提案部１３５による顧客への健康改善の提案をおこなうこと考えられる。
２．５ ハードウェア構成
図８を参照しながら、統合健康予測プログラム１００が実行される情報処理装置８００のハードウェア構成の具体例を説明する。図８は、統合健康予測プログラム１００が実行される情報処理装置８００のハードウェア構成図である。情報処理装置８００は、統合健康予測プログラム１００を利用して、顧客の更年期症状や睡眠状態等に関する予測結果を算出する。情報処理装置８００は、一般に入手可能なコンピュータシステム、例えばデスクトップ型ＰＣ（Ｐｅｒｓｏｎａｌ Ｃｏｍｐｕｔｅｒ）、ノート型ＰＣ、タブレットＰＣ、サーバコンピュータ等でありうる。当該コンピュータシステムは、健康予測システム１を運用する事業者の事業所に設置されてもよいし、クラウドサービスとして提供されてもよい。後者の場合、事業所にはクラウドサービスと相互に通信可能なＰＣ等が設けられれば良い。
情報処理装置８００は、制御部８１０と、入力インタフェース（Ｉ／Ｆ）部８２０と、記憶装置８３０と、出力Ｉ／Ｆ部８４０とを備える。
制御部８１０は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ。図示せず）、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ。図示せず）、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）等を含み得る。制御部８１０は、記憶装置８３０に記憶される統合健康予測プログラム１００を実行可能である。これにより、情報処理装置８００は、一般的なコンピュータとしての機能に加え、上述した健康予測に係る各種処理を実行可能である。なお、制御部８１０に含まれる演算回路はＣＰＵでなくともよく、ＭＰＵやＧＰＵ等の種々のプロセッサで実現されてもよく、また、１つのプロセッサでなく、複数のプロセッサにより実現されてもよい。
入力Ｉ／Ｆ部８２０は、健康状態を予測したい顧客にかかる購買データ１５０を受け取る。先述のとおり、入力Ｉ／Ｆ部８２０は、例えばインターネットやＬＡＮ等のネットワークを介して接続される外部のサーバ等の情報処理装置から購買データ１５０を受信することが可能である。入力Ｉ／Ｆ部８２０は、例えばイーサネット（登録商標）の通信端子、ＵＳＢ（登録商標）端子、ＩＥＥＥ８０２．１１、４Ｇ、又は５Ｇ等の規格に準拠して通信をおこなう通信回路により実現することができる。
記憶装置８３０は、情報処理装置８００を動作させるために必要なコンピュータプログラム及びデータを記憶する記憶媒体である。記憶装置８３０は、例えばＨＤＤ又は半導体記憶装置であるＳＳＤであり得る。記憶装置８３０は、例えばＤＲＡＭ又はＳＲＡＭ等のＲＡＭにより構成される一時的な記憶素子を備えてもよく、制御部８１０の作業領域として機能してもよい。記憶装置８３０は、統合健康予測プログラム１００や、図５のテーブル５０や図６のテーブル６０として具体例を示した提案用テーブル８３１を格納する。
なお、予測モデル１１０は、統合健康予測プログラム１００の一部として組み込まれてもよいし、統合健康予測プログラム１００とは別のデータとして設けられてもよい。また、予測モデル１１０は、テーブルやパラメータ群として記憶装置８３０に格納されてもよい。
また、提案用テーブル８３１は、健康状態の程度を示す予測結果、例えばＨ層／Ｍ層／Ｌ層や、９０％／５０％／２０％と、各程度に応じて提案すべき商品・サービスを対応付けたものとすることができる。
出力Ｉ／Ｆ部８４０は、情報処理装置８００の外部に設けられた種々の出力装置と接続される通信回路及び／又は通信端子である。例えば出力Ｉ／Ｆ部８４０は、レシートプリンタＰに印字すべき内容を示す印字データを出力するＵＳＢ端子であり得る。統合健康予測プログラム１００は、顧客の健康状態に関する予測結果を算出し、その結果、もしくは結果に応じた顧客への提案をレシートプリンタＰへ送信してレシートに印刷させることができる。
出力Ｉ／Ｆ部８４０は、ディスプレイＤと接続される映像出力端子であってもよい。統合健康予測プログラム１００は、顧客の健康状態に関する予測結果を算出し、その結果、もしくは結果に応じた顧客への提案をディスプレイＤに表示させる。ディスプレイＤに表示された内容を、例えば薬剤師が確認することで、当該薬剤師は顧客の症状に応じた１又は複数の商品を提案することができる。
別の形態として、出力Ｉ／Ｆ部８４０は、通信ネットワークＮ等と接続されてデータ通信することが可能な通信端子又は通信回路であってもよい。出力Ｉ／Ｆ部８４０が通信端子又は通信回路である場合には、入力Ｉ／Ｆ部８２０及び出力Ｉ／Ｆ部８４０のハードウェアは同一であってもよい。出力Ｉ／Ｆ部８４０は、例えば携帯電話回線を介して、顧客の健康状態に関する予測結果、もしくは結果に応じた顧客への提案を、顧客のスマートフォンＭに送信することができる。
３ 予測モデル１１０を学習する学習システム９
３．１ 概要
続いて、統合健康予測プログラム１００に含まれる予測モデル１１０を機械学習により生成する方法を、図９を参照しながら説明する。ここでは、モデル学習プログラム９００が予測モデル１１０を生成するものとして説明する。なお、モデル学習プログラム９００は、単一のプログラムとして実装されてもよいし、データの入出力により連携して動作可能な複数のプログラムとして実装されてもよい。
なお、図１に例を示した統合健康予測プログラム１００は、６種類の予測モデル１１０を含んでいるが、これらの予測モデルは、用いる教師データ９５０のうちの健康データ９５４の違いのみで、同様に生成することができる。以下では、女性の健康にかかる更年期予測モデル１１０ａを生成する場合を中心に説明する。
３．２ 教師データ９５０
モデル学習プログラム９００は、多数の被験者から収集された種々のデータを含む教師データ９５０を利用して機械学習を行い、予測モデル１１０を構築する。教師データ９５０は、被験者の各々の購買行動に関する購買データ９５２と、それらの被験者の健康に関するデータである健康データ９５４とを含む。
購買データ９５２は、図３を参照して具体例を示したものと同様の情報に関するものである。すなわち、本実施形態においては、被験者のＩＤ毎に、ＪＩＣＦＳ分類におけるカテゴリに係る項目１５０ａと、期間中の購入金額や購入数量、購入回数などの数値データである実績データ１５０ｂとを購買データ９５２に含むことができる。なお、食品及び／又は飲料は被験者や顧客の健康状態等を関連付ける商品として好適であることから、購買データ９５２には、食品及び／又は飲料の購入履歴を含むことが好ましい。
健康データ９５４は、被験者の健康状態を記述するものである。この健康状態とは、自覚症状に関する状態であってもよいし、測定した結果認められる状態であってもよい。すなわち、健康意識、メンタルヘルス、認知機能、健康診断結果のうちの少なくともいずれかを健康データ９５４に用いることが可能である。本実施形態における健康データ９５４では、被験者の健康状態として、被験者の状態セグメント毎の判定値を記述する。状態セグメントでは、健康状態の種類及びレベル（換言すれば大きさ）の組合せ毎に定義される。本実施形態でいう健康状態の種類及びレベルは、対応する個人が有する心身の不調の種類及びレベルである。判定値は、健康状態を示す指数を、２クラスや３クラス等で表すことができる。なお、ここでいう「健康状態の種類及びレベル」は、医学的な厳密さを伴うものではなく、個人が有する健康の悩みの種類及びレベルと理解することも可能である。
ここで、例として、モデル学習プログラム９００が更年期予測モデル１１０ａを生成する場合であって、更年期のレベルを判定するために、簡略更年期指数ＳＭＩの症状を利用する場合を考える。この場合、健康データ９５４には、被験者が属する簡略更年期指数ＳＭＩの症状を示すラベルを健康データ９５４に含むことができる。例えば、簡略更年期指数ＳＭＩを２クラスとして表現することが可能である。具体的には、更年期症状が相対的に大きいことを示す「Ｈ」と、「Ｈ以外」か、である。「Ｈ以外」については、相対的に症状が中程度である「Ｍ」と、相対的に小さいことを示す「Ｌ」に細分化する（すなわち、症状を計３クラスとして表現する）ことも可能である。以下では、「Ｈ」に該当する被験者層を「Ｈ層」と呼ぶ。
なお、健康データ９５４における症状の程度を示すラベル付けにおいて、２クラスや３クラスではなく、さらに細分化して４クラス以上としてもよいし、あるいは、これらのクラスに代えて、更年期症状に該当する可能性を示す数値を使用することも考えられる。
すなわち、教師データ９５０は、各被験者の各商品カテゴリに関する情報と、所定期間中の購入金額や購入数量、購入回数などにかかる情報とを含む購買データ９５２と、健康状態を示すラベルの情報を少なくとも含む健康データ９５４とが紐づけられたものである。ここで、モデル学習プログラム９００が、例えば、女性の健康状態（更年期症状）、睡眠状態（睡眠の乱れ）、生活習慣病（身体活動不足）、水分状態（水分不足度）、免疫状態（免疫低下度）、及び栄養状態（栄養不足度）の６つの予測モデル１１０を生成するのであれば、これらの予測モデル１１０にそれぞれ対応する情報を、健康データ９５４に含ませるようにすればよい。教師有り学習における機械学習において、教師データ９５０は、大きく説明変数と目的変数とに分類される。本実施形態においては、購買データ９５２が説明変数、健康データ９５４が目的変数に相当する。なお、本実施形態では、説明変数は購買データ９５２のみを用いているが、これに限られるものではない。例えば、被験者の属性である、性別や年齢を説明変数に追加することが考えられる。
以下、モデル学習プログラム９００は、適切な健康データ９５４を用意すれば、睡眠状態、生活習慣病、免疫状態、水分状態、栄養状態、認知症、酸素利用、血管の健康、頭髪の健康、腸内環境、運動効果の促進、食欲増進、目の健康、肌の健康、口腔衛生、心の健康、うつ、ストレス、頭痛、肩こり、耳の健康、関節の健康、体温恒常性、疲労、骨の健康、男性の更年期障害、高血圧、天気痛等、種々の症状等に関する予測モデル１１０を生成することが可能である。以下では、特に、女性の健康状態（更年期症状）、睡眠状態（睡眠の乱れ）、生活習慣病（身体活動不足）、水分状態（水分不足度）、免疫状態（免疫低下度）、及び栄養状態（栄養不足度）を示す指標として利用可能な指数を例示する。
３．２．１ 女性の健康状態（更年期症状）
更年期症状の度合いを示す指標としては、例えば、上述のとおり、簡略更年期指数ＳＭＩを用いることができる。簡略更年期指数ＳＭＩは、列挙された種々の症状の程度に応じた該当項目を各被験者に事前にしておいてもらい、その結果を点数化することにより取得される。簡略更年期指数ＳＭＩは日本人の更年期女性特有の症状を反映した指標であるとされている。そのため、国や地域等に応じて、更年期症状に関する他の指標、例えば、更年期障害評価尺度（ｔｈｅ Ｍｅｎｏｐａｕｓｅ Ｒａｔｉｎｇ Ｓｃａｌｅ）、クッパーマン更年期指数（Ｔｈｅ Ｋｕｐｐｅｒｍａｎ ｉｎｄｅｘ）、更年期障害評価尺度（Ｇｒｅｅｎ Ｃｌｉｍａｃｔｅｒｉｃ Ｓｃａｌｅ）、ＰＳＳＴ（Ｔｈｅ ｐｒｅｍｅｎｓｔｒｕａｌ ｓｙｍｐｔｏｍｓｓｃｒｅｅｎｉｎｇ ｔｏｏｌ）、ＭＲＳ（Ｍｅｎｏｐａｕｓｅ ｒａｔｉｎｇ Ｓｃａｌｅ）、ＷＨＱ（Ｔｈｅ Ｗｏｍｅｎ’ｓ Ｈｅａｌｔｈ Ｑｕｅｓｔｉｏｎｎａｉｒｅ）、ＶＡＳ（Ｖｉｓｕａｌ ａｎａｌｏｇｕｅ ｓｃａｌｅ）、ＨＦＲＤＩ（Ｈｏｔ Ｆｌａｓｈ Ｒｅｌａｔｅｄ Ｄａｉｌｙ Ｉｎｔｅｒｆｅｒｅｎｃｅ Ｓｃａｌｅ）、ＨＦＣＳ（Ｈｏｔ Ｆｌａｓｈ Ｃｏｍｐｏｓｉｔｅ Ｓｃｏｒｅ）、及びＭＥＮＱＯＬ（Ｍｅｎｏｐａｕｓｅ－Ｓｐｅｃｉｆｉｃ Ｑｕａｌｉｔｙ ｏｆ ｌｉｆｅ）、日本人女性の更年期症状評価表のいずれか１つ以上を適宜利用することも考えられる。
なお女性の健康状態については、更年期症状の他、月経前症候群（ＰＭＳ、ＰＭＤＤ）症状も考えられる。すなわち、月経前症候群を予測するためには、月経前症候群の症状の程度を示す指標を目的変数、購買データ９５２を説明変数として機械学習することにより健康予測モデル１１０を構築すればよい。
また、健康データ９５４には、これらの指標の数値データを含ませてもよいし、これらの指標の数値から、症状の程度を示すラベルのみを含ませてもよい。この点については、以降の、睡眠状態、生活習慣病等の指標についても同様である。
３．２．２ 睡眠状態（睡眠の乱れ）
睡眠を示す指標としては、睡眠状態の悪化及び／又は睡眠リズム、不適切な睡眠時間のいずれかを示す指標であることが考えられる。アンケート等によって取得された各対照の自覚症状であってもよいし、各対照を測定した結果認められる測定値であってもよい。睡眠状態には、アテネ睡眠評価尺度（ＡＩＳ）、ピッツバーグ睡眠質問票（Ｐｉｔｔｓｂｕｒｇｈ Ｓｌｅｅｐ Ｑｕａｌｉｔｙ Ｉｎｄｅｘ：ＰＳＱＩ）、３次元型睡眠尺度（３ Ｄｉｍｅｎｔｉｏｎａｌ Ｓｌｅｅｐ Ｓｃａｌｅ：３ＤＳＳ）、不眠症重症度質問票（Ｉｎｓｏｍｎｉａ Ｓｅｖｅｒｉｔｙ Ｉｎｄｅｘ：ＩＳＩ）の少なくともいずれかを用いることができる。症状の程度は、それぞれの項目の単体及び複合的に解析され、生活者の健康状態をカテゴリに割り付け分類される。睡眠リズムはミュンヘンクロノタイプ質問票（Ｍｕｎｉｃｈ ＣｈｒｏｎｏＴｙｐｅ Ｑｕｅｓｔｉｏｎｎａｉｒｅ：μＭＣＴＱ）を用い、平日と休日のそれぞれの睡眠中央時間を求め、その差からソーシャルジェットラグ（Ｓｏｃｉａｌ Ｊｅｔ Ｌａｇ：ＳＪＬ）を算出することで把握することができる。
３．２．３ 生活習慣病（身体活動不足）
運動状態を示す指標としては、運動不足、肥満、一定期間における体重の変化から選択される１つ以上程度を含み得る。より具体的には、各被験者の体重、ＢＭＩ（Ｂｏｄｙ Ｍａｓｓ Ｉｎｄｅｘ）、歩数及び／又はメタボリックシンドローム診断基準値のいずれか１つ以上を用いることが考えられる。メタボリックシンドローム診断基準値は、ウエスト周囲径、高グリセリド血症及び／又は低ＨＤＬコレステロール血症の診断のために定められた閾値、血圧の最大値及び／又は最小値、及び、空腹時高血糖の診断のために定められた閾値のいずれか１以上である。
なお、生活習慣病や運動状態にかかる予測モデルを生成する機械学習の際に、購買データ９５２に加え、被験者の喫煙の有無や座位行動の１つ以上の情報を説明変数に含めて機械学習を行ってもよい。
３．２．４ 水分状態（水分不足度）
水分状態を示す指標としては、血清Ｎａ値、ＢＵＮ／クレアチニン比、及び、或いは尿浸透圧、尿比重、尿カラー、脱水評価スケール、水分不足に伴う自覚症状であることが考えられる。これら情報は、先の更年期症状の例と同様の方法によって取得され得る。例えば複数の対照の各々が一定期間、例えば一年間、経験した体の変化を健康診断や人間ドックで得られる臨床検査値や別に実施される健康アンケートによって得られる。一方、水分低下に伴う自覚症状は、アンケート等によって取得され得る。症状の程度は、血清Ｎａ値、尿浸透圧、尿比重、ＢＵＮ／クレアチニン比、飲水量、身体活動量、尿カラーの少なくとも１つ以上から把握され得る。
これらの指標に基づき、悪化した健康状態を経験している、あるいは今後経験する可能性がある状態を疫学情報から文献的に見出すことが可能である。例えば、血清Ｎａ値が１４２ｍＥｑ／Ｌを超える生活者は血清Ｎａ値が１４２ｍＥｑ／Ｌ未満の生活者よりも認知障害や高血圧の発症リスクが高いことが見出されており、健康リスクが高いと評価することが可能である。
なお、水分状態に係る予測モデルを生成する機械学習の際に、購買データ９５２に加え、被験者の飲水量、飲酒量、身体活動量、尿カラー、尿浸透圧、尿比重、血清Na値、BUN/クレアチニン比、の１つ以上の情報を説明変数に含めて機械学習を行ってもよい。
３．２．５ 免疫状態（免疫低下度）
免疫状態を示す指標としては、例えば、風邪の引きやすさ及び／又はその頻度、風邪様症状を用いることが可能である。この風邪の引きやすさや頻度は、アンケート等によって取得された各対照の自覚症状であってもよいし、医療機関の受診履歴から取得されてもよい。症状の程度は３段階以上のカテゴリで集計され、症状の程度は、風邪の引きやすさ、ＳＩｇＡ濃度、アレルギー症状、口腔環境・免疫力の状態、運動の状態、ストレスの状態、重度の睡眠症状、中程度の睡眠症状、軽度の睡眠症状、風邪様症状であり得る。
３．２．６ 栄養状態（栄養不足度）
栄養状態を表す指標は、アンケート等によって取得された各対照の自覚症状であってもよいし、各対照を測定した結果認められる測定値であってもよい。症状の程度は、栄養低下に伴う自覚症状の有無、食品摂取の多様性得点（ＤＶＳ）、食欲尺度短縮版（ＳＮＡＱ：Ｓｉｍｐｌｉｆｉｅｄ ｎｕｔｒｉｔｉｏｎａｌ ａｐｐｅｔｉｔｅ ｑｕｅｓｔｉｏｎｎａｉｒｅ）、ＢＭＩ（Ｂｏｄｙ Ｍａｓｓ Ｉｎｄｅｘ）の少なくともいずれかであり得る。
３．３ 機械学習の方法
本実施形態にかかるモデル学習プログラム９００は、機械学習の手法として、ロジスティック回帰を用いる。しかしながら、ロジスティック回帰は一例であり、他の手法、例えば、例えばランダムフォレスト、決定木、勾配ブースティング、サポートベクトル回帰、線形回帰、部分的最小二乗（Ｐａｒｔｉａｌ Ｌｅａｓｔ Ｓｑｕａｒｅｓ：ＰＬＳ）回帰、ガウス過程回帰、ニューラルネットワーク等を採用することも考えられる。また、ロジスティック回帰を用いる際にも、Ｌ１正規化法を用いることにより精度をより向上させても良いし、Ｌ１正規化法に代えてＬ２正規化法を用いたロジスティック回帰（リッジ回帰）を採用してもよい。Ｌ１正規化法及びＬ２正規化法を両方採用したエラスティックネットを利用することもできる。
ロジスティック回帰は、入力を受けて、それがある事象に該当する確率（あるいは該当しない確率）を算出することにより、入力がある事象に該当するか否かを判定する手法である。ロジスティック回帰のモデルは、一例として、ロジット関数と呼ばれる下記式（１）のように説明される。式（１）において、左辺は自然対数である。また、ｉはｉ番目の対象者を、ｐは目的変数の事象が発生する確率を、ｂ１、ｂ２…ｂｎは偏回帰係数を、ｂ０は定数項を、ｘ１、ｘ２…ｘｎは説明変数を、それぞれ示す。
Figure 2023140854000002
式（１）の右辺をｚとすると、式（１）は、確率ｐを表す式（２）に変形することができる。
Figure 2023140854000003
 式（２）はシグモイド関数と呼ばれ、ロジスティック回帰モデルにおける活性化関数である。ｚの定義における偏回帰係数ｂ１、ｂ２…ｂｎは重みと呼ばれ、ｂ０はバイアス項である。ｚをシグモイド関数に入力すると、０～１の値、すなわち確率値が算出される。
ここで、式（２）で求めたシグモイド関数を「φ（ｚ）」と置き、その出力値に応じて２値のいずれかを示す出力ｙに分類する。式（３）は、φ（ｚ）が０．５以上であれば１のクラスに分類し、０．５未満であれば０のクラスに分類することを意味する。なお、０．５は例であり、０．５以外の値を閾値としてもよい。換言すると、式（３）は、式（２）のｚが０以上であれば１のクラスに分類し、式（２）のｚが０未満であれば０のクラスに分類することを意味する。
Figure 2023140854000004
次に、ロジスティック回帰において学習に利用される「尤度」を導入する。尤度は、結果から見たところの条件の尤もらしさを意味する。尤度を表す尤度関数Ｌは以下の式（４）により表される。なお、Ｐは確率値を表す。
Figure 2023140854000005
尤度関数Ｌは、全ての事象について正しく判定する確率を示している。尤度を最大化する重みを求めることにより、予測したい事象の確率を、より正確に出力できる。具体的には、尤度関数Ｌに（－１）を乗じて尤度関数の政府を逆転させる。この正負が逆転した尤度関数が、ロジスティック回帰における誤差関数である。誤差関数が最小値となる重み、すなわち偏回帰係数ｂ１、ｂ２…ｂｎを求めるため、誤差関数をｂ１、ｂ２…ｂｎのそれぞれについて偏微分氏、勾配降下法を適用する。これにより、ロジスティック回帰の学習が行われる。
なお、尤度関数として、式（４）の自然対数を用いた対数尤度関数を利用してもよい。対数尤度関数に（－１）を乗じて正負を逆転させた関数を最小化していくことにより最適な重みを見出すことができる。
上述のロジスティック回帰に関する演算アルゴリズムは周知であり、そのようなアルゴリズムにより機械学習を行うためのソフトウェアアプリケーションは容易に入手可能である。原理的には上述のとおりであるが、入手可能なソフトウェアを用いれば、数式を用いた具体的な解析手法の詳細を知らない者であっても、本実施形態に係るロジスティック回帰を利用した機械学習を実現することは可能である。
３．４ 健康予測に用いる商品カテゴリの決定方法
教師データ９５０に含まれる購買データ９５２における、各商品やサービスカテゴリに関する購入金額、購入数量、購入回数などの数値データが、上述した式（１）の等における説明変数ｘに対応する。
先述のとおり、本実施形態における教師データ９５０に含まれる健康データ９５４は、更年期症状や睡眠の乱れ等の各症状について、Ｈ層に分類されるか、Ｌ層に割り当てられるかを示す「Ｈ」や「Ｌ」（もしくは「Ｈ」「Ｍ」「Ｌ」）のラベルが各被験者に対して割り当てられる。上記式（３）において、Ｈ層である場合に「１」を出力し、Ｈ層以外の場合に「０」を出力するように分類させることで、尤度関数を求めることができる。説明変数ｘを構成する要素は、上述の購買データ９５２に限られるものではない。例えば、年齢層を示すデータや性別を示すデータを説明変数に含むことも考えられる。
多数の被験者にかかる教師データ９５０を用いて機械学習をおこない、予測モデルを構築することにより、Ｈ層の顧客が購入することの多い商品群（カテゴリ）を判別することができる。
図１０は、更年期症状に関するＨ層及びＨ層以外の層の被験者の多くが選択した（購入することの多い）商品カテゴリを示している。図１０の上部には、Ｈ層の被験者の多くが選択した商品カテゴリ、下部にはＨ層以外の被験者も選択した商品カテゴリが示されている。
また、図１１は、更年期症状に関するＨ層の被験者による購入品目から見出された更年期症状と、健康課題との関係を示している。図１１最右欄の数値は、更年期症状を有する女性による選択のされやすさを示す程度（偏差値）を示している。この数値は、「お金をかけてでも対処したい事項症状別偏差値－女性の健康・美容ライフスタイル理解に関するリサーチプロジェクト報告書－行動観察調査結果」からの引用である。
これらの結果から、更年期症状に関するＨ層の被験者は、特定の商品を積極的に選択（購入）していることがわかる。Ｈ層の被験者は、肌や体内の乾燥、不定愁訴に対応する商品を購入している。
図１２は、Ｈ層に属する更年期症状を有する女性向けの商品群（商品カテゴリ）の例を示している。このように、Ｈ層の被験者が、Ｈ層以外の層の被験者と比較して頻繁に購入する商品カテゴリを決定することができるので、そのような商品の購入（数量、金額、回数）の多い被験者は、更年期症状におけるＨ層に属する可能性が高いと推定することができる。なお、同様に、Ｈ層に属さない被験者が、Ｈ層の被験者と比較して頻繁に購入する商品カテゴリを決定することもできるので、そのような商品カテゴリの購入の多い被験者は、更年期症状におけるＨ層に属さない可能性が高いと推定することができる。
よって、本実施形態におけるモデル学習プログラム９００は、購買データ９５２のうち、Ｈ層に属する、あるいはＨ層に属さないとの推定に貢献し得る商品カテゴリのデータを用いて、予測モデル１１０を構築することで、精度よくＨ層に属する顧客を推定できるようにしている。
３．５ モデル学習プログラム９００の構成
以下、図９を参照しながら、モデル学習プログラム９００の機能構成を説明する。図９は、モデル学習プログラム９００の機能構成を示す図である。モデル学習プログラム９００は、入力部９１０、商品カテゴリ決定部９１２、学習部９１４、及び出力部９１６を有する。なお、モデル学習プログラム９００は、単一のプログラムとして実現されてもよいし、協働する複数のプログラムとして実現されてもよい。
入力部９１０は、教師データ９５０の入力を受ける。入力部９１０は、モデル学習プログラム９００が実行される情報処理装置（コンピュータ）が内蔵するＨＤＤやＳＳＤ等の記憶媒体から教師データ９５０を読み込んでもよいし、あるいは、ＬＡＮやインターネットなどのネットワークを介して接続される外部の情報処理装置等から教師データ９５０の入力を受けてもよい。
商品カテゴリ決定部９１２は、学習対象の予測モデル１１０の機械学習に用いる購買データ９５２の商品カテゴリを選択する。商品カテゴリの選択方法は、上記３．４に記載したため、ここでは詳細な説明を省略する。なお、複数の症状にそれぞれ対応する複数の予測モデル１１０を生成する場合、商品カテゴリ決定部９１２は、それぞれの予測モデル１１０に対して、異なる商品カテゴリを選択することができる。
なお、先述のとおり、予測モデル１１０の機械学習の際に、商品カテゴリを絞らずに購買データ９５２全体を用いて予測モデル１１０を作成することも考えられる。その場合には、商品カテゴリ決定部９１２は不要である。
学習部９１４は、商品カテゴリ決定部９１２で決定した商品カテゴリの購買データ９５２を用いて機械学習を行い、予測モデル１１０を生成する。予測モデル１１０の生成方法については、上記３．３に記載したため、ここでは詳細な説明を省略する。
出力部９１６は、学習部９１４が生成した予測モデル１１０を、内蔵する記憶媒体やネットワーク等を介して接続される他の情報処理装置（例えば、図８を参照しながら説明した情報処理装置８００）等に出力する。なお、出力方法としては、予測モデル１１０を構成する関数そのものとして出力することも考えられるし、あるいは予測モデル１１０を構成する関数のパラメータとして出力することも考えられる。
３．６ 処理の流れ
以下、図１３を参照しながら、モデル学習プログラム９００の処理の流れを説明する。図１３は、モデル学習プログラム９００によって実行される、予測モデル１１０作成にかかる手順を示すフローチャートである。
モデル学習プログラム９００の入力部９１０は、学習に用いる多数の被験者にかかる教師データ９５０を取得する（Ｓ１３０１）。教師データ９５０には、被験者の購買履歴を示す購買データ９５２と、健康状態（症状の程度）を示す健康データ９５４とを含む。先述のとおり、購買データ９５２には、例えばＪＩＣＦＳ分類（分類コード）及び商品カテゴリ、並びに、それらに対応する購入回数、購入金額、購入数量等の数値データを含むことができる。
次に、商品カテゴリ決定部９１２は予測モデル１１０の生成に用いるＪＩＣＦＳ分類及び商品カテゴリを決定する（Ｓ１３０３）。決定方法については上記３．４で説明したとおりであるが、健康データ９５４として得られる健康状態の推定への影響の大きいＪＩＣＦＳ分類及び商品カテゴリを商品カテゴリ決定部９１２は選択すればよい。なお、商品カテゴリを特に絞らずに購買データ９５２全体を使って予測モデル１１０を作成する際には、Ｓ１３０３の処理は不要である。
学習部９１４は、購買データ９５２を説明変数とし、健康データ９５４を目的関数として、機械学習を行う（Ｓ１３０５）。機械学習の方法については、上記３．３に具体例を示して説明したため、ここでは説明を省略する。
出力部９１６は、Ｓ１３０５において学習部９１４が生成した予測した予測モデル１１０を、内蔵する記憶媒体や、ネットワークを介して接続される他の情報処理装置等へ出力する。なお、予測モデル１１０は、予測モデル１１０を構成する関数そのものとして出力しても、パラメータ等の形で出力してもよいことについては、前述のとおりである。
３．７ ハードウェア構成
図１４を参照しながら、モデル学習プログラム９００が実行される情報処理装置１４００のハードウェア構成の具体例を説明する。図１４は、モデル学習プログラム９００が実行される情報処理装置１４００のハードウェア構成図である。情報処理装置１４００は、モデル学習プログラム９００を利用して、顧客の更年期症状や睡眠状態等に関する予測を行う予測モデル１１０を生成する。
情報処理装置１４００は、一般に入手可能なコンピュータシステムとして実現可能な点、健康予測システム１を運用する事業者の事業所に設置されてもクラウドサービスとして提供されてもよい点等については、上述の情報処理装置８００と同様である。なお、本実施形態では、健康予測を行う情報処理装置８００と、予測モデル１１０を生成する情報処理装置１４００は別の装置である場合を中心に説明するが、両者は同一の装置として実現されてもよい。
情報処理装置１４００は、制御部１４１０と、通信Ｉ／Ｆ部１４２０と、記憶装置１４３０とを備えている。
制御部１４１０は、ＣＰＵ、ＲＯＭ、ＲＡＭ等を含み得る。制御部１４１０は、記憶装置１４３０に記憶されるモデル学習プログラム９００を実行可能である。これにより、情報処理装置１４００は、一般的なコンピュータとしての機能に加え、上述した予測モデル１１０の構築に係る各種処理を実行可能である。なお、制御部１４１０に含まれる演算回路はＣＰＵでなくともよく、ＭＰＵやＧＰＵ等の種々のプロセッサで実現されてもよい。また、１つのプロセッサでなく、複数のプロセッサにより実現されてもよい。
通信Ｉ／Ｆ部１４２０は、入力Ｉ／Ｆ部８２０は、例えばイーサネット（登録商標）の通信端子、ＵＳＢ（登録商標）端子、ＩＥＥＥ８０２．１１、４Ｇ、又は５Ｇ等の規格に準拠して通信をおこなう通信回路により実現することができる。通信Ｉ／Ｆ部１４２０は、イントラネット、インターネットなどの通信ネットワークに接続可能であり、学習システム９を運用する事業者が用意した教師データ９５０を受信する。また、情報処理装置１４００は、通信Ｉ／Ｆ部１４２０を介して他の機器と直接通信してもよく、アクセスポイント等を介して通信してもよい。
記憶装置１４３０は、情報処理装置１４００を動作させるために必要なコンピュータプログラム及びデータを記憶する記憶媒体である。記憶装置１４３０は、例えばＨＤＤやＳＳＤであり得る。記憶装置１４３０は、例えばＤＲＡＭやＳＲＡＭ等のＲＡＭにより構成される一時的な記憶素子を備えてもよく、制御部１４１０の作業領域として機能してもよい。記憶装置１４３０は、モデル学習プログラム９００や、モデル学習プログラム９００が生成する予測モデル１１０（予測モデル１１０を定義するテーブル及び／又はパラメータ群を含む）を格納する。
４ 本実施形態の効果
本実施形態にかかる健康予測システム１では、統合健康予測プログラム１００において、顧客の購買データ１５０から、その顧客の複数の健康リスクを予測することが可能である。そして、個々の予測結果を踏まえて、顧客ごとにきめ細かく、現在又は将来の健康状態を改善し、及び／又は維持するための提案を行うことができる。
５ 付記
なお、上述の実施形態の構成は、組み合わせたり或いは一部の構成部分を入れ替えたりしてもよい。また、本発明の構成は上述の実施形態のみに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変更を加えてもよい。
例えば、上述の実施形態では、統合健康予測プログラム１００は６種類の健康予測モデルを含むこととしたが、６種類を含むことは一例に過ぎない。２種類以上、６種類未満でも良いし、７種以上の健康予測を含むようにしてもよい。一般的に記載すると、統合健康予測プログラム１００は、第１種～第Ｎ種（Ｎは２以上の整数）の各健康症状に関する予測モデル１１０を含み得る。そして、ｋ番目の第ｋ種（１≦ｋ≦Ｎ）の健康症状に関する健康予測モデル１１０は、少なくとも１つの商品が属する商品カテゴリに関する購買データ１５０を入力とし、第ｋ種の健康症状の程度を出力とする予測モデルとして構築されればよい。この第ｋ種（１≦ｋ≦Ｎ）の健康症状に関する健康予測モデル１１０は、複数の被験者の各々の購買履歴に係る購買データ９５２を説明変数とし、それらの被験者の各々から収集された健康状態の程度を表す健康データ９５４を目的変数として機械学習することにより構築され得る。
また、健康症状の程度を数値によって表した際の、クラスを定義する数値範囲の上限及び下限の数値は一例であり、適宜変更し得る。定義されるクラスの数も当業者が任意に決定し得る。
６．他の実施形態
なお、上述の実施形態と、以下に説明する実施形態の一部又は全部を適宜組み合わせることも考えられる。以下、詳細を説明する。
６．１．概要
本件出願に開示された技術では、簡潔にいえば、少なくとも１つの情報処理装置が、推定の対象とされるユーザ（対象ユーザ）により実行された行動の履歴を識別する対象行動データを取得し、この対象行動データを推定モデルに入力することにより、上記対象ユーザの健康の状態を識別するデータ（健康状態データ）を、上記推定モデルから出力させることができる。
また、少なくとも１つの情報処理装置が、複数の商品及び／又は複数のサービスのうち、上記対象ユーザの健康状態データに対応する少なくとも１つの対象商品及び／又は少なくとも１つの対象サービスを決定することもできる。さらに、少なくとも１つの情報処理装置が、このように決定された少なくとも１つの対象サービス及び／又は少なくとも１つの対象サービスを識別する情報を出力することもできる。
６．２ 通信システムの構成
このような技術は、図１５に例示されるような通信システムを用いて実現可能である。図１５は、一実施形態に係る通信システムの構成の一例を示すブロック図である。
図１５に示すように、一実施形態に係る通信システム１５００は、例えば、通信網２に接続可能な少なくとも１つのサーバ装置（情報処理装置）１０と、通信網２に接続可能な少なくとも１つの端末装置（情報処理装置）２０と、を含むことができる。図１５には、少なくとも１つのサーバ装置１５１０として、２つのサーバ装置１５１０Ａ、１５１０Ｂが例示されているが、任意の数のサーバ装置１５１０が用いられ得る。同様に、図１５には、少なくとも１つの端末装置１５２０として、２つの端末装置１５２０Ａ、２０Ｂが例示されているが、任意の数のサーバ装置１５１０が用いられ得る。
各サーバ装置１５１０は、他の少なくとも１つのサーバ装置１５１０、及び／又は、少なくとも１つの端末装置１５２０に対して、通信網２を介して接続可能である。また、各端末装置１５２０は、他の少なくとも１つの端末装置１５２０、及び／又は、少なくとも１つのサーバ装置１５１０に対して、通信網２を介して接続可能である。
各サーバ装置１５１０は任意の情報処理装置であり得る。このような情報処理装置は、例えば、パーソナルコンピュータ、ワークステーション、スーパーコンピュータ及びメインフレーム等を、これらに限定することなく含むことができる。各端末装置１５２０は任意の情報処理装置であり得る。このような情報処理装置は、例えば、携帯電話、スマートフォン、タブレット、パーソナルコンピュータ、ワークステーション及び携帯情報端末等を、これらに限定することなく含むことができる。
一例では、少なくとも１つのサーバ装置１５１０は、任意のユーザの健康の状態を推定するサービス（「推定サービス」）、及び／又は、任意のユーザの健康の状態に対応する少なくとも１つの対象商品等を提案するサービス（「提案サービス」）を、運営する運営企業により管理される情報処理装置であり得る。なお、以下、便宜上、推定サービス及び／又は提案サービスを指す用語として、「推定サービス等」という用語を用いる場合がある。
一例では、少なくとも１つのサーバ装置１５１０及び／又は少なくとも１つの端末装置１５２０は、上記運営企業から推定サービス等の提供を受ける企業ユーザ及び／又は個人ユーザにより管理される情報処理装置であり得る。
上述した対象行動データを取得する動作は、少なくとも１つのサーバ装置１５１０、及び／又は、少なくとも１つの端末装置１５２０により実行され得る。
上述した推定モデルは、少なくとも１つのサーバ装置１５１０、及び／又は、少なくとも１つの端末装置１５２０により生成され得る。このように生成された推定モデルは、少なくとも１つのサーバ装置１５１０、及び／又は、少なくとも１つの端末装置１５２０により保持され得る。このように保持された推定モデルは、少なくとも１つのサーバ装置１５１０、及び／又は、少なくとも１つの端末装置１５２０により利用され得る。
上述した健康状態データを推定モデルから出力させる動作は、少なくとも１つのサーバ装置１５１０、及び／又は、少なくとも１つの端末装置１５２０により実行され得る。
上述した少なくとも１つの対象商品及び／又は少なくとも１つの対象サービスを決定する動作は、少なくとも１つのサーバ装置１５１０、及び／又は、少なくとも１つの端末装置１５２０により実行され得る。上述した少なくとも１つの対象サービス及び／又は少なくとも１つの対象サービスを識別するデータを出力する動作は、少なくとも１つのサーバ装置１５１０、及び／又は、少なくとも１つの端末装置１５２０により実行され得る。
なお、通信網２は、携帯電話網、無線ネットワーク、固定電話網、インターネット、イントラネット、ローカルエリアネットワーク（ＬＡＮ）、ワイドエリアネットワーク（ＷＡＮ）、及び／又は、イーサネット（登録商標）ネットワークを、これらに限定することなく含むことができる。上記無線ネットワークは、例えば、Ｂｌｕｅｔｏｏｔｈ（登録商標）、（ＩＥＥＥ ８０２.１１ａ／ｂ／ｎといったような）ＷｉＦｉ、ＷｉＭａｘ、セルラー、衛星、レーザー、赤外線、を介したＲＦ接続を、これらに限定することなく含むことができる。
６．３ 各情報処理装置が有するハードウェア構成
次に、各情報処理装置（サーバ装置１５１０、端末装置１５２０）が有するハードウェア構成の一例について説明する。
（１）サーバ装置１５１０のハードウェア構成
図１６は、図１５に示したサーバ装置１５１０が有するハードウェア構成の一例を示すブロック図である（なお、図１６において、括弧内の参照符号は、後述するように端末装置１５２０に関連して記載されている）。
図１６に示すように、サーバ装置１５１０は、中央処理装置１１と、主記憶装置１２と、入出力インターフェイス装置１３と、入力装置１４と、補助記憶装置１５と、出力装置１６と、を含むことができる。これら装置同士は、データバス及び／又は制御バスにより接続されている。
中央処理装置１１は、「ＣＰＵ」と称され、主記憶装置１２に記憶されている命令及びデータに対して演算を行い、その演算の結果を主記憶装置１２に記憶させることができる。さらに、中央処理装置１１は、入出力インターフェイス装置１３を介して、入力装置１４、補助記憶装置１５及び出力装置１６等を制御することができる。サーバ装置１５１０は、１又はそれ以上のこのような中央処理装置１１を含むことが可能である。
主記憶装置１２は、「メモリ」と称され、入力装置１４、補助記憶装置１５及び通信網２等（端末装置１５２０等）から、入出力インターフェイス装置１３を介して受信した命令及びデータ、並びに、中央処理装置１１の演算結果を記憶することができる。主記憶装置１２は、揮発性メモリ（例えば、レジスタ、キャッシュ、ランダムアクセスメモリ（ＲＡＭ））、不揮発性メモリ（例えば、リードオンリーメモリ（ＲＯＭ）、ＥＥＰＲＯＭ、フラッシュメモリ）、及び、ストレージ（例えば、ハードディスクドライブ（ＨＤＤ）、ソリッドステートドライブ（ＳＳＤ）、磁気テープ、光学媒体）、といったようなコンピュータにより読み取り可能な媒体を、これらに限定することなく含むことができる。容易に理解されるように、「コンピュータにより読み取り可能な記録媒体」という用語は、変調されたデータ信号すなわち一時的な信号といったような送信媒体ではなく、メモリ及びストレージといったようなデータストレージのための媒体を含むことができる。
補助記憶装置１５は、主記憶装置１２よりも大きな容量を有する記憶装置である。補助記憶装置１５は、特定のアプリケーション等を構成する命令及びデータ（コンピュータプログラム）を記憶しておき、中央処理装置１１により制御されることにより、これらの命令及びデータ（コンピュータプログラム）を、入出力インターフェイス装置１３を介して主記憶装置１２に送信することができる。補助記憶装置１５は、磁気ディスク装置及び／又は光ディスク装置等をこれらに限定することなく含むことができる。
ここでいう特定のアプリケーションは、オペレーションシステム、様々なソフトウェアアプリケーション（ウェブブラウザを含む）、推定サービス等を提供するために実行される専用のアプリケーション、推定サービス等の提供を受けるために実行される専用のアプリケーション等を、これらに限定することなく含むことができる。
入力装置１４は、外部からデータを取り込む装置であり、キーボード、タッチパネル、ボタン、マウス及び／又はセンサ（マイク、カメラ）等をこれらに限定することなく含むことができる。
出力装置１６は、ディスプレイ装置、タッチパネル及び／又はプリンタ装置等をこれらに限定することなく含むことができる。
このようなハードウェア構成にあっては、中央処理装置１１が、補助記憶装置１５に記憶された上記特定のアプリケーションを構成する命令及びデータ（コンピュータプログラム）を順次主記憶装置１２にロードし、ロードした命令及びデータを演算することができる。これにより、中央処理装置１１は、入出力インターフェイス装置１３を介して出力装置１６を制御し、或いはまた、入出力インターフェイス装置１３及び通信網２を介して、他の装置（例えば他のサーバ装置１５１０及び／又は端末装置１５２０等）との間で様々な情報（データ）の送受信を行うことができる。
このように、サーバ装置１５１０は、インストールされた上記特定のアプリケーションを実行することにより、推定サービス等を提供すること及び／又は推定サービス等の提供を受けることに関連する動作等（図１７及び図２６等を参照して後述する様々な動作等）を実行することができる。これに加えて又はこれに代えて、サーバ装置１５１０は、ブラウザを実行して他のサーバ装置１５１０にアクセスすることにより、推定サービス等を提供すること及び／又は推定サービス等の提供を受けることに関連する動作等（図１７及び図２６等を参照して後述する様々な動作等）を実行することもできる。
なお、サーバ装置１５１０は、中央処理装置１１に代えて又は中央処理装置１１とともに、１又はそれ以上のマイクロプロセッサ、及び／又は、グラフィックスプロセッシングユニット（ＧＰＵ）を含むこともできる。
（２）端末装置１５２０のハードウェア構成
図１６において括弧内に示すように、端末装置１５２０は、実質的にサーバ装置１５１０と同様のハードウェア構成を有することができる。図１６に示すように、端末装置１５２０は、中央処理装置２１と、主記憶装置２２と、入出力インターフェイス装置２３と、入力装置２４と、補助記憶装置２５と、出力装置２６と、を含むことができる。これら装置同士は、データバス及び／又は制御バスにより接続されている。これらの装置の各々は、サーバ装置１５１０に関連して説明したとおりである。
補助記憶装置２５に記憶され中央処理装置２１により実行される、特定のアプリケーションは、オペレーションシステム、様々なソフトウェアアプリケーション（ウェブブラウザを含む）、推定サービス等の提供を受けるために実行される専用のアプリケーション等を、これらに限定することなく含むことができる。また、特定のアプリケーションは、推定サービス等を提供するために実行される専用のアプリケーションを含むこともできる。
このようなハードウェア構成にあっては、中央処理装置２１が、補助記憶装置２５に記憶された上記特定のアプリケーションを構成する命令及びデータ（コンピュータプログラム）を順次主記憶装置２２にロードし、ロードした命令及びデータを演算することができる。これにより、中央処理装置２１は、入出力インターフェイス装置２３を介して出力装置２６を制御し、或いはまた、入出力インターフェイス装置２３及び通信網２を介して、他の装置（例えばサーバ装置１５１０等及び／又は他の端末装置１５２０等）との間で様々な情報（データ）の送受信を行うことができる。
このように、端末装置１５２０は、インストールされた上記特定のアプリケーションを実行することにより、推定サービス等の提供を受けること及び／又は推定サービス等を提供することに関連する動作等（図１７及び図２６等を参照して後述する様々な動作等）を実行することができる。これに加えて又はこれに代えて、サーバ装置１５１０は、ブラウザを実行して他のサーバ装置１５１０にアクセスすることにより、推定サービス等を提供すること及び／又は推定サービス等の提供を受けることに関連する動作等（図１７及び図２６等を参照して後述する様々な動作等）を実行することもできる。
なお、端末装置１５２０は、中央処理装置２１に代えて又は中央処理装置２１とともに、１又はそれ以上のマイクロプロセッサ、及び／又は、グラフィックスプロセッシングユニット（ＧＰＵ）を含むこともできる。
６．４ 睡眠の状態に関する睡眠状態データを提供するために通信システム１５００により実行される動作
次に、睡眠の状態に関する睡眠状態データを提供するために、上述した通信システム１５００により実行される動作の具体例について、さらに図１７を参照して説明する。図１７は、図１５に示した通信システム１５００により実行される動作の一例を示すフロー図である。
（１）ステップ１０００
まず、ステップ（以下「ＳＴ」という。）１０００において、情報処理装置である、例えば、推定サービス等を運営する企業により管理されるサーバ装置１５１０Ａが、推定モデルを生成するために用いられる複数組の教師データを取得して記憶することができる。
複数組の教師データを構成する各組の教師データは、この組に対応する１人のサンプルユーザにより実行された行動の履歴を識別するデータ（「サンプル行動データ」）と、この組に対応する１人のサンプルユーザの睡眠の状態を識別するデータ（「サンプル睡眠状態データ」）と、を含むことができる。例えば、第１組の教師データは、第１組に対応する１人のサンプルユーザ（Ａさん）により実行された行動の履歴を識別するサンプル行動データと、Ａさんの睡眠の状態を識別するサンプル睡眠状態データと、を含むことができ、第２組の教師データは、第２組に対応する１人のサンプルユーザ（Ｂさん）により実行された行動の履歴を識別するサンプル行動データと、Ｂさんの睡眠の状態を識別するサンプル睡眠状態データと、を含むことができる。
（１Ａ）サンプル行動データ
各サンプル行動データは、予め定められた複数の行動のうちの少なくとも１つの（１つの又は複数の）行動を識別するデータであり得る。ここで、予め定められた複数の行動の各々は、その行動を実行した人間の睡眠の状態に少なくとも部分的に良い影響又は悪い影響を与え得る行動であり得る。このような予め定められた複数の行動は、例えば、以下に例示するものをこれらに限定することなく含むことができる。
（人間の睡眠の状態に少なくとも部分的に良い影響を与え得る行動の例）
・１週間に２日以上のペースで１時間以上の有酸素運動を行った。
・毎日一定の時間に起床した。
・カフェインを含む飲料を１日に２杯以下に抑えた。
・１日の勤務時間が８時間以下であった。
・コーヒーを１０本以上購入した（この行動は、例えば、コーヒーが属する商品カテゴリーとその購入数量とを含むデータにより識別され得る）。
（人間の睡眠の状態に少なくとも部分的に悪い影響を与え得る行動の例）
・１週間に１日以下のペースで１時間以上の有酸素運動を行った。
・毎日異なる時間に起床した。
・カフェインを含む飲料を１日に３杯以上飲んだ。
・１日の勤務時間が１３時間以上であった。
・牛乳を５本以上購入した（この行動は、例えば、牛乳が属する商品カテゴリーとその購入数量とを含むデータにより識別され得る）。
各サンプル行動データは、このように例示される予め定められた複数の行動のうち少なくとも１つの行動の各々を識別するデータであり得る。
また、一例では、ユーザが購入した商品及び／又はユーザが利用したサービスが、そのユーザの睡眠の状態に良い影響又は悪い影響を与える傾向があり得ることから、上記予め定められた複数の行動は、サンプルユーザが購入した商品（又はその商品が属するカテゴリー）、サンプルユーザが利用したサービス（又はそのサービスが属するカテゴリー）を含むこともできる。この種の行動は、例えば、小売店舗（ドラッグストア、スーパーマーケット、コンビニエンスストア等）等が保有するＰＯＳ（Ｐｏｉｎｔ Ｏｆ Ｓａｌｅｓ）データを利用して生成され得る。
一例では、予め定められた複数の行動の各々には、固有の識別データ（英字、数字又はこれらの組み合わせ等）が割り当てられており、各サンプル行動データは、このような識別データを含むことができる。例えば、ＰＯＳデータを利用する場合には、複数のサンプル行動データの各々は、購入された商品に対応する、ＪＩＣＦＳ分類（分類コード）、商品カテゴリー、購入金額、購入数量、購入回数、性別、年齢、及び／又は、購入日等を、これらに限定することなく含むことができる。
情報処理装置である、例えば、推定サービス等を運営する企業により管理されるサーバ装置１５１０Ａは、このようなサンプル行動データを、例えば、以下に例示する方法のうち少なくとも１つの方法により取得することができる。
・情報処理装置が、通信網２を介して、少なくとも１つの他のサーバ装置１５１０（例えばドラッグストア等に設置されたＰＯＳデータを記憶する他のサーバ装置１５１０、又は、このＰＯＳデータにアクセス可能な他のサーバ装置１５１０）から、ＰＯＳデータを受信する。
・情報処理装置が、通信網２を介して、所定のアンケート（サンプルユーザにより実行された行動に関するアンケート）に対する回答を記載したメール又はウェブページを、少なくとも１つの端末装置１５２０及び／又は少なくとも１つのサーバ装置１５１０から受信する。
・情報処理装置が、上記所定のアンケートに対する複数のユーザによる回答を収集した少なくとも１つのサーバ装置１５１０から通信網２を介してその回答の内容を受信する。
・情報処理装置が、上記所定のアンケートに対する複数のユーザによる回答を収集した記録媒体（ＵＳＢメモリ、ＤＶＤ－ＲＯＭ等）を介して、その回答の内容を受信する。
（１Ｂ）サンプル睡眠状態データ
各組の教師データに含まれるサンプル睡眠状態データは、以下に例示するデータのうちの少なくとも１つを、これに限定することなく、含むことができる。
・その組に対応する１人のサンプルユーザの睡眠の性質を識別するデータ（「サンプル性質データ」）
・その組に対応する１人のサンプルユーザの睡眠のリズムを識別するデータ（「サンプルリズムデータ」）
・その組に対応する１人のサンプルユーザの睡眠時間を識別するデータ（「サンプル時間データ」）
・その組に対応する１人のサンプルユーザ（の睡眠）が属する睡眠カテゴリーを識別するデータ（「サンプル睡眠カテゴリーデータ」）
まず第１に、サンプル性質データは、そのサンプルユーザの睡眠の質が良いのか（例えばどの程度良いのか）悪いのか（例えばどの程度悪いのか）を識別するデータであり得る。一例では、サンプル性質データは、そのサンプルユーザの睡眠の質を総合的に評価したスコアを識別するデータであり得る。この場合、そのサンプルユーザの睡眠の質は、例えば、以下に例示するいずれかの方法で算出されたスコアを識別するデータであり得る。
・アテネ不眠尺度（ＡＩＳ）（図１８参照）に記載された質問事項に対するサンプルユーザの回答内容に基づいて、アテネ不眠尺度に記載された方法で算出されたスコア、又は、このスコアを任意の手法で演算（加減乗除等）することにより得られた修正スコア
・ピッツバーグ睡眠質問票（ＰＳＱＩ）（図１９Ａ乃至図１９Ｃ参照）に記載された質問事項に対するサンプルユーザの回答内容に基づいて、ピッツバーグ睡眠質問票に記載された方法で算出されたスコア、又は、このスコアを任意の手法で演算（加減乗除等）することにより得られた修正スコア
・３次元型睡眠尺度（３ＤＳＳ）（図２０Ａ及び図２０Ｂ参照）に記載された質問事項に対するサンプルユーザの回答内容に基づいて、３次元型睡眠尺度に記載された方法で算出されたスコア、又は、このスコアを任意の手法で演算（加減乗除等）することにより得られた修正スコア
・不眠症重症度質問票（ＩＳＩ）（図２１参照）に記載された質問事項に対するサンプルユーザの回答内容に基づいて、不眠症重症度質問票に記載された方法で算出されたスコア、又は、このスコアを任意の手法で演算（加減乗除等）することにより得られた修正スコア
・その他の任意の質問票又は尺度に記載された質問事項に対するサンプルユーザの回答内容に基づいて、その質問票又は尺度に記載された方法で算出されたスコア、又は、このスコアを任意の手法で演算することにより得られた修正スコア
第２に、サンプルリズムデータは、そのサンプルユーザのリズムの質が良いのか（例えばどの程度良いのか）悪いのか（例えばどの程度悪いのか）を識別するデータであり得る。一例では、サンプルリズムデータは、そのサンプルユーザの睡眠のリズムを評価したスコアを識別するデータであり得る。
この場合、そのサンプルユーザの睡眠のリズムは、例えば、サンプルユーザの平日の睡眠時間帯の中央時間と休日の睡眠時間帯の中央時間との差の絶対値であるソーシャルジェットラグ（又はこのソーシャルジェットラグを任意の手法で演算した値）を識別するデータであり得る。ここで、例えば、或るサンプルユーザの平日の睡眠時間帯が午前０時から午前６時である場合には、その中央時間は午前３時であり、そのサンプルユーザの休日の睡眠時間帯が午前３時から午前１１時である場合には、その中央時間は午前７時であるため、ソーシャルジェットラグは４時間となる。一般的には、ソーシャルジェットラグが小さい（又は大きい）程、そのサンプルユーザの睡眠のリズムはより良い（又はより悪い）ということができる。
サンプルユーザの平日及び休日のそれぞれの睡眠時間帯は、一例では、ミュンヘンクロノタイプ質問票（ＭＣＴＱ）（図２２Ａ及び図２２Ｂ参照）に記載された質問事項に対するそのサンプルユーザによる回答内容から抽出され得るし、別の例では、そのサンプルユーザから電子メール又はウェブページ等を介して取得され得る。
第３に、サンプル時間データは、そのサンプルユーザの睡眠時間（１日の睡眠時間）を識別するデータであり得る。サンプルユーザの睡眠時間は、一例では、ミュンヘンクロノタイプ質問票（ＭＣＴＱ）（図２２Ａ及び図２２Ｂ参照）に記載された質問事項に対するそのサンプルユーザによる回答内容から抽出され得るし、別の例では、そのサンプルユーザから電子メール又はウェブページ等を介して取得され得る。
第４に、サンプル睡眠カテゴリーデータは、サンプルユーザ（の睡眠）が属する睡眠カテゴリーを識別するデータであり得る。一例として、サンプル睡眠カテゴリーデータは、そのサンプルユーザのサンプル性質データと、そのサンプルユーザのサンプルリズムデータとに基づいて決定された、そのサンプルユーザ（の睡眠）が属するカテゴリーを識別するデータであり得る。この場合、睡眠カテゴリーは、例えば、以下の手法により定められ得る。
図２３は、図１５に示した通信システム１５００において用いられる睡眠カテゴリーデータの一例を示す図である。図２３に示すように、縦軸及び横軸の一方（ここでは横軸）に、サンプル性質データにより識別されるスコアが配置され、縦軸及び横軸の他方（ここでは縦軸）に、サンプルリズムデータにより識別される値が配置され得る。上記一方の軸には、サンプル性質データにより識別されるスコアに対して、少なくとも１つの（ここでは１つの）閾値、すなわち、閾値Ａ１（６点）が設定され得る。上記他方の軸には、サンプルリズムデータにより識別される値に対して、少なくとも１つの（ここでは１つの）閾値、すなわち、閾値Ｂ１（１時間）が設定され得る。これにより、閾値Ａ１及び閾値Ｂ１によって、睡眠の性質及び睡眠のリズムの観点から分割された、相互に異なる４つの睡眠カテゴリー（ここでは、睡眠カテゴリー１０、１１、２０、２１）が形成され得る。この例では、睡眠カテゴリー１０は、睡眠に生じている障害が最も顕著である可能性の高いカテゴリーであり、睡眠カテゴリー２１は、睡眠に生じている障害が最も少ない可能性の高いカテゴリーであり、睡眠カテゴリー１１、２０は、睡眠カテゴリー１０と２１との間に位置付けられるカテゴリーである、といえる。睡眠カテゴリーデータは、これら４つの睡眠カテゴリーのうちのいずれかの睡眠カテゴリーを識別するデータであり得る。
図２４は、図１５に示した通信システム１５００において用いられる睡眠カテゴリーデータの別の例を示す図である。図２４に示す例では、上記一方の軸には、サンプル性質データにより識別されるスコアに対して、例えば２つの閾値、すなわち、閾値Ａ１（６点）及び閾値Ａ２（８点）が設定され得る。上記他方の軸には、サンプルリズムデータにより識別される値に対して、例えば２つの閾値、すなわち、閾値Ｂ１（１時間）及び閾値Ｂ２（３時間）が設定され得る。これにより、閾値Ａ１、Ａ２及び閾値Ｂ１、Ｂ２によって、睡眠の性質及び睡眠のリズムの観点から分割された、相互に異なる９つの睡眠カテゴリー（ここでは、睡眠カテゴリー１００、１０１、１０２、２００、２０１、２０２、３００、３０１、３０２）が形成され得る。この例では、睡眠カテゴリー３００は、睡眠に生じている障害が最も顕著である可能性の高いカテゴリーであり、睡眠カテゴリー２０２は、睡眠に生じている障害が最も少ない可能性の高いカテゴリーであり、残りの睡眠カテゴリーは、睡眠カテゴリー３００と２０２との間に位置付けられるカテゴリーである、といえる。睡眠カテゴリーデータは、これら９つの睡眠カテゴリーのうちのいずれかの睡眠カテゴリーを識別するデータであり得る。
図２３及び図２４に示した例は、便宜的に示した例に過ぎず、サンプル性質データにより識別されるスコアに対して、任意の数の閾値が設定され、サンプルリズムデータにより識別される値に対しても、任意の数の閾値が設定され得る。サンプル性質データ及びサンプルリズムデータの各々に対して、より多くの閾値を設定することにより、睡眠の性質及び睡眠のリズムの観点から分割された、相互に異なるより多くの睡眠カテゴリーを生成することが可能である。
情報処理装置である、例えば、推定サービス等を運営する企業により管理されるサーバ装置１５１０Ａ（及び／又は端末装置１５２０）は、サンプルユーザごとに、このようなサンプル行動データとサンプル睡眠状態データとを組み合わせて、そのサンプルユーザについて、１組の教師データを生成して記憶することができる。これを実現するために、例えば、情報処理装置は、取得した複数のサンプル行動データの中から、或るサンプルユーザを識別する識別データが付されたサンプル行動データを抽出し、取得した複数のサンプル睡眠状態データの中からこれと同一のサンプルユーザを識別する識別データが付されたサンプル睡眠状態データを抽出し、これらを組み合わせて、このサンプルユーザについての１組の教師データを生成して保存することができる。同様の処理を複数のサンプルユーザの各々について実行することにより、情報処理装置は、複数組の教師データを生成して保存することができる。
（２）ステップ１００２
図１７に戻り、次に、ＳＴ１００２において、情報処理装置である、例えば、推定サービス等を運営する企業により管理されるサーバ装置１５１０Ａ（及び／又は端末装置１５２０）は、ＳＴ１０００において取得された複数組の教師データを用いて、学習モデルを機械学習により学習させることにより、推定モデルを生成することができる。ここでいう機械学習は、任意の周知の機械学習、例えば、勾配ブースティング木（例えばＬｉｇｈｔＧＢＭ）、ニューラルネットワーク又は線形回帰等を、これらに限定することなく含み得る。
情報処理装置は、複数組の教師データデータを、順次、学習モデルに入力することにより学習を実行させることができる。ここで、各組の教師データは、上述したように、その組に対応するサンプルユーザのサンプル行動データと、その組に対応するサンプルユーザのサンプル睡眠状態データと、を含むことができる。情報処理装置は、各組の教師データに含まれるサンプル行動データを説明変数として用い、その組の教師データに含まれるサンプル睡眠状態データを目的変数として用いることができる。
（２Ａ）機械学習の例
情報処理装置は、例えば勾配ブースティング木を用いるケースでは、或る組の教師データに含まれるサンプル行動データ（説明変数）を学習データに入力したときに、サンプル睡眠状態データ（目的変数）及び推定値（すなわち、学習モデルから出力される値）から計算される目的関数を改善するように、決定木を作成して学習モデルに追加することができる。情報処理装置は、この処理を、ハイパーパラメータで定めた決定木の本数の分について繰り返すことができる。２本目以降の決定木については、目的変数とそれまでに作成した決定木による推定値との差について学習を行うことができる。このようにして、情報処理装置は、それぞれの決定木の分岐及び葉のウェイトを定めることができる。すなわち、勾配ブースティング木では、各決定木は、教師データのうちの説明変数を入力データとして決定木の各分岐を辿って到達する葉ノードの値を出力されるデータ（目的変数）とする。さらに、このデータ（目的変数）と、教師データのうちの目的変数との誤差が小さくなるように、決定木の各分岐の方法及び各葉ノードの値を最適化することができる。
情報処理装置は、例えば、入力層、中間層及び出力層を含むニューラルネットワークを用いるケースでは、情報処理装置は、教師データのうちの説明変数を入力層に入力することによって出力層から出力されるデータ（目的変数）と、教師データのうちの目的変数との誤差を小さくするように、誤差逆伝搬法を用いて、ニューラルネットワークに含まれる各パラメータ（ウェイト）を最適化（学習）することができる。
情報処理装置は、線形回帰を用いるケースでは、目的変数と推定値との誤差を改善するように、線形回帰モデルのパラメータを学習することができる。この線形回帰モデルは、入力層及び出力層に分かれており、教師データのうち説明変数を入力データとして入力層に入力することによって出力層から出力されるデータ（目的変数）と、教師データのうち目的変数との誤差が小さくなるように、最小二乗法を用いて、線形回帰モデルに含まれるパラメータを最適化することができる。
（２Ｂ）複数組の教師データに含まれる第１の複数組の教師データ
一例では、情報処理装置は、複数組の教師データに含まれる第１の複数組の教師データを用いて、推定モデルを生成（更新）することができる。第１の複数組の教師データに含まれる各組の教師データは、その組に対応するサンプルユーザのサンプル行動データと、その組に対応するサンプルユーザのサンプル睡眠状態データと、を含むことができる。ここで、各組の教師データにおけるサンプル睡眠状態データは、その組に対応するサンプルユーザのサンプル性質データと、そのサンプルユーザのサンプルリズムデータと、を含むことができる。
この場合、情報処理装置は、第１の複数組の教師データに含まれる各組の教師データについて、前処理を実行することができる。具体的には、情報処理装置は、各組の教師データに含まれる、サンプル性質データとサンプルリズムデータとを用いて、図２３及び図２４を参照して上述した処理を行うことにより、その組について、サンプル睡眠カテゴリーデータを生成する、という前処理を実行することができる。これにより、情報処理装置は、前処理後の第１の複数組の教師データ（各組の教師データが、その組に対応するサンプルユーザのサンプル行動データと、そのサンプルユーザのサンプル睡眠カテゴリーデータと、を含む）を、学習モデルに入力して推定モデルを生成（更新）することができる。このような推定モデルは、後述するように、説明変数として、対象ユーザにより実行された行動の履歴を識別する対象行動データを入力することに応答して、対象ユーザが属する睡眠カテゴリーを識別する対象睡眠カテゴリーデータを、少なくとも出力することができるようになる。
（２Ｃ）複数組の教師データに含まれる第２の複数組の教師データ
一例では、情報処理装置は、複数組の教師データに含まれる第２の複数組の教師データを用いて、推定モデルを生成（更新）することができる。第２の複数組の教師データに含まれる各組の教師データは、その組に対応するサンプルユーザのサンプル行動データと、その組に対応するサンプルユーザのサンプル睡眠状態データと、を含むことができる。ここで、各組の教師データにおけるサンプル睡眠状態データは、その組に対応するサンプルユーザのサンプル睡眠カテゴリーデータを含むことができる。
この場合、情報処理装置は、第２の複数組の教師データ（各組の教師データが、その組に対応するサンプルユーザのサンプル行動データと、そのサンプルユーザのサンプル睡眠カテゴリーデータと、を含む）を、学習モデルに入力して推定モデルを生成（更新）することができる。このような推定モデルは、後述するように、説明変数として、対象ユーザにより実行された行動の履歴を識別する対象行動データを入力することに応答して、対象ユーザが属する睡眠カテゴリーを識別する対象睡眠カテゴリーデータを、少なくとも出力することができるようになる。
（２Ｄ）複数組の教師データに含まれる第３の複数組の教師データ
一例では、情報処理装置は、複数組の教師データに含まれる第３の複数組の教師データを用いて、推定モデルを生成（更新）することができる。第３の複数組の教師データに含まれる各組の教師データは、その組に対応するサンプルユーザのサンプル行動データと、その組に対応するサンプルユーザのサンプル睡眠状態データと、を含むことができる。ここで、各組の教師データにおけるサンプル睡眠状態データは、その組に対応するサンプルユーザのサンプル性質データと、そのサンプルユーザのサンプルリズムデータと、を含むことができる。
この場合、情報処理装置は、第３の複数組の教師データ（各組の教師データが、その組に対応するサンプルユーザのサンプル行動データと、そのサンプルユーザのサンプル性質データと、そのサンプルユーザのサンプルリズムデータと、を含む）を、学習モデルに入力して推定モデルを生成（更新）することができる。このような推定モデルは、後述するように、説明変数として、対象ユーザにより実行された行動の履歴を識別する対象行動データを入力することに応答して、対象ユーザの睡眠の性質を識別する対象性質データと、この対象ユーザの睡眠のリズムを識別する対象リズムデータとを、少なくとも出力することができるようになる。
（２Ｅ）複数組の教師データに含まれる第４の複数組の教師データ
一例では、情報処理装置は、複数組の教師データに含まれる第４の複数組の教師データを用いて、推定モデルを生成（更新）することができる。第４の複数組の教師データに含まれる各組の教師データは、その組に対応するサンプルユーザのサンプル行動データと、その組に対応するサンプルユーザのサンプル睡眠状態データと、を含むことができる。ここで、各組の教師データにおけるサンプル睡眠状態データは、その組に対応するサンプルユーザのサンプル性質データを含むことができる。
この場合、情報処理装置は、第４の複数組の教師データ（各組の教師データが、その組に対応するサンプルユーザのサンプル行動データと、そのサンプルユーザのサンプル性質データと、を含む）を、学習モデルに入力して推定モデルを生成（更新）することができる。このような推定モデルは、後述するように、説明変数として、対象ユーザにより実行された行動の履歴を識別する対象行動データを入力することに応答して、対象ユーザの睡眠の性質を識別する対象性質データを、少なくとも出力することができるようになる。
（２Ｆ）複数組の教師データに含まれる第５の複数組の教師データ
一例では、情報処理装置は、複数組の教師データに含まれる第５の複数組の教師データを用いて、推定モデルを生成（更新）することができる。第５の複数組の教師データに含まれる各組の教師データは、その組に対応するサンプルユーザのサンプル行動データと、その組に対応するサンプルユーザのサンプル睡眠状態データと、を含むことができる。ここで、各組の教師データにおけるサンプル睡眠状態データは、その組に対応するサンプルユーザのサンプルリズムデータを含むことができる。
この場合、情報処理装置は、第５の複数組の教師データ（各組の教師データが、その組に対応するサンプルユーザのサンプル行動データと、そのサンプルユーザのサンプルリズムデータと、を含む）を、学習モデルに入力して推定モデルを生成（更新）することができる。このような推定モデルは、後述するように、説明変数として、対象ユーザにより実行された行動の履歴を識別する対象行動データを入力することに応答して、対象ユーザの睡眠のリズムを識別する対象リズムデータを、少なくとも出力することができるようになる。
（２Ｇ）複数組の教師データに含まれる第６の複数組の教師データ
一例では、情報処理装置は、複数組の教師データに含まれる第５の複数組の教師データを用いて、推定モデルを生成（更新）することができる。第６の複数組の教師データに含まれる各組の教師データは、その組に対応するサンプルユーザのサンプル行動データと、その組に対応するサンプルユーザのサンプル睡眠状態データと、を含むことができる。ここで、各組の教師データにおけるサンプル睡眠状態データは、その組に対応するサンプルユーザのサンプル時間データを含むことができる。
この場合、情報処理装置は、第６の複数組の教師データ（各組の教師データが、その組に対応するサンプルユーザのサンプル行動データと、そのサンプルユーザのサンプル時間データと、を含む）を、学習モデルに入力して推定モデルを生成（更新）することができる。このような推定モデルは、後述するように、説明変数として、対象ユーザにより実行された行動の履歴を識別する対象行動データを入力することに応答して、対象ユーザの睡眠時間を識別する対象時間データを、少なくとも出力することができるようになる。
このような推定モデルの生成（更新）は、推定サービス等を運営する企業により管理されるサーバ装置１５１０Ａ（及び／又は端末装置１５２０）に代えて、又は、推定サービス等を運営する企業により管理されるサーバ装置１５１０Ａ（及び／又は端末装置１５２０）とともに、他の企業により管理される他のサーバ装置１５１０（及び／又は端末装置１５２０）により実行され得る。当該他のサーバ装置１５１０（端末装置１５２０）により生成（更新）された推定モデルは、サーバ装置１５１０Ａを含む任意のサーバ装置１５１０に対して送信され得るし、或いはまた、サーバ装置１５１０Ａを含む任意のサーバ装置１５１０によりアクセス及び利用され得る。
なお、「複数組の教師データ」の直前に付された「第１の」～「第６の」という名称は、これらの名称のうちの或る名称を付した「複数組の教師データ」と、これらの名称のうちの別の名称を付した「複数組の教師データ」と、を区別するために便宜上用いられたものであって、何らかの順序又は内容等を限定するものではない。
（３）ステップ１００４
再度図１７を参照すると、次に、ＳＴ１００４において、情報処理装置である、例えば、推定サービス等を運営する企業により管理されるサーバ装置１５１０Ａ（及び／又は端末装置１５２０）は、例えば、特定のアプリケーション（推定サービス等の提供を受けるためのアプリケーション等）を実行してこのサーバ装置１５１０Ａにアクセスしてきた端末装置１５２０（又は他のサーバ装置１５１０）から、及び／又は、ブラウザを実行してこのサーバ装置１５１０Ａにアクセスしてきた端末装置１５２０から、推定対象となる対象ユーザにより実行された行動の履歴を識別する対象行動データを、取得することができる。この対象行動データは、対象ユーザにより実行された少なくとも１つの（１つの又は複数の）行動を識別するデータであり得る。
このような対象行動データの取得は、推定サービス等を運営する企業により管理されるサーバ装置１５１０Ａ（及び／又は端末装置１５２０）に代えて、又は、推定サービス等を運営する企業により管理されるサーバ装置１５１０Ａ（及び／又は端末装置１５２０）とともに、他の企業により管理される他のサーバ装置１５１０（及び／又は端末装置１５２０）により実行され得る。
（４）ステップ１００６
次に、ＳＴ１００６において、情報処理装置である、例えば、推定サービス等を運営する企業により管理されるサーバ装置１５１０Ａ（及び／又は端末装置１５２０）は、ＳＴ１００４において取得された対象行動データ、及び、ＳＴ１００２において生成された推定モデルを用いて、対象ユーザの睡眠の状態を識別する対象睡眠状態データを取得することができる。具体的には、サーバ装置１５１０Ａは、説明変数としての対象行動データを、推定モデルに入力することにより、推定モデルから、目的変数としての対象睡眠状態データを出力させることができる。
対象睡眠状態データは、以下に示すデータのうちの少なくとも１つを含むことができる。
・対象ユーザの睡眠の性質を識別するデータ（「対象性質データ」）
・対象ユーザの睡眠のリズムを識別するデータ（「対象リズムデータ」）
・対象ユーザの睡眠時間を識別するデータ（「対象時間データ」）
・対象ユーザ（の睡眠）が属する睡眠カテゴリーを識別するデータ（「対象睡眠カテゴリーデータ」）
推定モデルが、対象睡眠状態データとしていずれのデータを出力するかは、この推定モデルの生成（更新）の際に、サンプル睡眠状態データとしていずれのデータが用いられたかに依存し得る。
例えば、推定モデルの生成（更新）の際に、サンプル睡眠状態データとして、第１の複数組の教師データが用いられた場合（上記「６．４（２）（２Ｂ）」項）には、推定モデルは、対象睡眠状態データとして、対象睡眠カテゴリーデータを、少なくとも出力することができる。
例えば、推定モデルの生成（更新）の際に、サンプル睡眠状態データとして、第２の複数組の教師データが用いられた場合（上記「６．４（２）（２Ｃ）」項）には、推定モデルは、対象睡眠状態データとして、対象睡眠カテゴリーデータを、少なくとも出力することができる。
例えば、推定モデルの生成（更新）の際に、サンプル睡眠状態データとして、第３の複数組の教師データが用いられた場合（上記「６．４（２）（２Ｄ）」項）には、推定モデルは、対象睡眠状態データとして、対象性質データ及び対象リズムデータを、少なくとも出力することができる。
例えば、推定モデルの生成（更新）の際に、サンプル睡眠状態データとして、第４の複数組の教師データが用いられた場合（上記「６．４（２）（２Ｅ）」項）には、推定モデルは、対象睡眠状態データとして、対象性質データを、少なくとも出力することができる。
例えば、推定モデルの生成（更新）の際に、サンプル睡眠状態データとして、第５の複数組の教師データが用いられた場合（上記「６．４（２）（２Ｆ）」項）には、推定モデルは、対象睡眠状態データとして、対象リズムデータを、少なくとも出力することができる。
例えば、推定モデルの生成（更新）の際に、サンプル睡眠状態データとして、第６の複数組の教師データが用いられた場合（上記「６．４（２）（２Ｇ）」項）には、推定モデルは、対象睡眠状態データとして、対象時間データを、少なくとも出力することができる。
例えば、サンプル睡眠状態データとして、第１の複数組の教師データを用いて推定モデルの生成（更新）が行われ（上記「６．４（２）（２Ｂ）」項）、その後に、サンプル睡眠状態データとして、第６の複数組の教師データを用いて推定モデルの生成（更新）が行われた（上記「６．４（２）（２Ｇ）」項）場合には、推定モデルは、対象睡眠状態データとして、対象睡眠カテゴリーデータ及び対象時間データを、少なくとも出力することができる。さらにこの後に、サンプル睡眠状態データとして、第５の複数組の教師データを用いて推定モデルの生成（更新）が行われた（上記「６．４（２）（２Ｆ）」項）場合には、推定モデルは、対象睡眠状態データとして、対象睡眠カテゴリーデータ、対象時間データ及び対象リズムデータを、少なくとも出力することができる。
推定モデルの利用方法としては、以下に例示する方法のうちのいずれかを用いることが可能である。
・サーバ装置１５１０Ａは、ＳＴ１００４において生成された推定モデルを取得及び保持しており、この推定モデルに対象行動データを入力し、この推定モデルから出力される対象睡眠状態データを取得する。
・サーバ装置１５１０Ａは、ＳＴ１００４において生成された推定モデルを取得及び保持する外部の装置（他のいずれかサーバ装置１５１０又はいずれかの端末装置１５２０）に対して、通信網２を介して対象行動データを送信することにより、この対象行動データを説明変数として入力した上記推定モデルに対象睡眠状態データを出力させる。この後、サーバ装置１５１０Ａは、この推定モデルにより出力された対象睡眠状態データを、上記外部の装置から通信網２を介して受信する。
このような対象睡眠状態データの取得は、推定サービス等を運営する企業により管理されるサーバ装置１５１０Ａ（及び／又は端末装置１５２０）に代えて、又は、推定サービス等を運営する企業により管理されるサーバ装置１５１０Ａ（及び／又は端末装置１５２０）とともに、他の企業により管理される他のサーバ装置１５１０（及び／又は端末装置１５２０）により実行され得る。
（５）ステップ１００８
次に、ＳＴ１００８において、情報処理装置である、例えば、推定サービス等を運営する企業により管理されるサーバ装置１５１０Ａ（及び／又は端末装置１５２０）は、ＳＴ１００６において取得された対象睡眠状態データを用い、この対象睡眠状態データに対応する少なくとも１つの対象商品／１つの対象サービスを決定することができる。このような対象商品／対象サービスは、対象睡眠状態データにより識別される対象ユーザの現在の（推定された）睡眠の状態に適したものであり得る。
具体的には、一例では、サーバ装置１５１０Ａは、まず、対象睡眠状態データと複数の商品及び／又は複数のサービスとを対応付けて記憶する検索テーブルを用意して記憶することができる。次に、サーバ装置１５１０Ａは、ＳＴ１００６において取得された対象睡眠状態データを検索テーブルに入力することにより、この検索テーブルから少なくとも１つの対象商品及び／又は少なくとも１つの対象サービスを識別するデータ（「提案データ」）を取得することができる。
図２５は、図１５に示した通信システム１５００において用いられる検索テーブルの一例を概念的に示す図である。図２５に例示される検索テーブルは、対象睡眠状態データに含まれ得る各データ（対象性質データ、対象リズムデータ、対象時間データ及び対象睡眠カテゴリーデータの各々）に対応付けて、提案すべき少なくとも１つの対象商品及び／又は少なくとも１つの対象サービスを記憶している。
この例では、説明の簡略化のために、対象性質データ、対象リズムデータ、対象時間データ及び対象睡眠カテゴリーデータの各々が示す相互に異なる３つのレベルの各々に対応付けて、提案すべき少なくとも１つの対象商品及び／又は少なくとも１つの対象サービスが割り当てられ得る。対象性質データを例に挙げれば、対象性質データが示す、クラスＶ１（対象ユーザの睡眠の性質が良いクラス）、クラスＶ２（対象ユーザの睡眠の性質が標準であるクラス）、及び、クラスＶ３（対象ユーザの睡眠の性質が悪いクラス）の各々に対応付けて、提案すべき少なくとも１つの対象商品及び／又は少なくとも１つの対象サービスが割り当てられ得る。
クラスＷ１～Ｗ３もまた、この順序で、対象ユーザの睡眠のリズムが「良い」、「標準」、「悪い」を示すものであり得る。クラスＸ１～Ｘ３もまた、この順序で、対象ユーザの睡眠時間が「長い」、「標準」、「短い」を示すものであり得る。
クラスＹ１～Ｙ３もまた、この順序で、対象ユーザ（の睡眠）が属する睡眠カテゴリーが、「良い」、「標準」、「悪い」を示すものであり得る。一例では、クラスＹ１が、図２３に例示された「睡眠カテゴリー２１」に対応し、クラスＹ２が同図における「睡眠カテゴリー２０」又は「睡眠カテゴリー１１」に対応し、クラスＹ３が同図における「睡眠カテゴリー１０」に対応する、と考えることもできる。
図２５に例示された商品Ｐ１～Ｐ１１は、いずれも、ユーザの睡眠の状態を改善させるのに適した任意の商品を示し、図２５に例示されたサービスＳ１～Ｓ８は、いずれも、ユーザの睡眠の状態を改善させるのに適した任意のサービスを示す。これらの商品は、食品、日用品、薬品、運動用具、電気製品等を、これらに限定することなく含むことができる。また、これらのサービスは、病院、クリニック、スポーツジム等を、これらに限定することなく含むことができる。
サーバ装置１５１０Ａは、例えば、対象睡眠状態データにおける対象性質データがクラスＶ３を示す場合には、商品Ｐ４及びサービスＳ１をそれぞれ対象商品及び対象サービスとして決定することができる。また、サーバ装置１５１０Ａは、例えば、対象睡眠状態データが（クラスＸ２を示す）対象時間データ及び（クラスＷ３を示す）対象リズムデータを含む場合には、商品Ｐ８を対象商品として、サービスＳ１、Ｓ３、Ｓ４を対象サービスとして決定することができる。
なお、対象睡眠状態データに含まれる各データについて、用いられるクラスの総数、各クラスに割り当てられる商品及び／又はサービスの総数等は、任意に定められ得る。
別の例では、サーバ装置１５１０Ａは、教師あり学習（機械学習）を実行することにより生成された別の推定モデルを用いて、少なくとも１つの対象商品及び／又は少なくとも１つの対象サービスを決定することも可能である。当該別の推定モデルは、対象睡眠状態データに含まれる各データの各クラスを示すデータを、説明変数とし、少なくとも１つの対象商品及び／又は少なくとも１つの対象サービスを示すデータを、目的変数として、教師あり学習を実行することにより、生成（更新）され得る。
当該別の推定モデルを学習させるための機械学習は、例えば、上記「２Ａ」項において述べたとおり、任意の周知の機械学習、例えば、勾配ブースティング木（例えばＬｉｇｈｔＧＢＭ）、ニューラルネットワーク又は線形回帰等を、これらに限定することなく含み得る。
サーバ装置１５１０Ａは、当該別の推定モデルに対象睡眠状態データを入力することにより、当該別の推定モデルから、少なくとも１つの対象商品及び／又は少なくとも１つの対象サービスを識別するデータ（「提案データ」）を出力することができる。
当該別の推定モデルの利用方法としては、以下に例示する方法のうちのいずれかを用いることが可能である。
・サーバ装置１５１０Ａは、生成された当該別の推定モデルを取得及び保持しており、当該別の推定モデルに対象睡眠状態データを入力し、当該別の推定モデルから出力される提案データを取得する。
・サーバ装置１５１０Ａは、生成された当該別の推定モデルを取得及び保持する外部の装置（他のいずれかサーバ装置１５１０又はいずれかの端末装置１５２０）に対して、通信網２を介して対象睡眠状態データを送信することにより、この対象睡眠状態データを説明変数として入力した当該別の推定モデルに提案データを出力させる。この後、サーバ装置１５１０Ａは、当該別の推定モデルにより出力された提案データを、上記外部の装置から通信網２を介して受信する。
このような提案データの取得は、推定サービス等を運営する企業により管理されるサーバ装置１５１０Ａ（及び／又は端末装置１５２０）に代えて、又は、推定サービス等を運営する企業により管理されるサーバ装置１５１０Ａ（及び／又は端末装置１５２０）とともに、他の企業により管理される他のサーバ装置１５１０（及び／又は端末装置１５２０）により実行され得る。
（６）ステップ１０１０
再度図１７を参照すると、次に、情報処理装置である、例えば、推定サービス等を運営する企業により管理されるサーバ装置１５１０Ａ（及び／又は端末装置１５２０）は、ＳＴ１００８において取得された提案データを、企業ユーザ及び／又は個人ユーザにより管理される少なくとも１つの端末装置１５２０（他のサーバ装置１５１０であってもよい）に対して、通信網２を介して提供（送信）することができる。ここでいう「個人ユーザ」は「対象ユーザ」を含み得る。
提案データの提供は、ウェブページ、電子メール、チャット、電子ファイル、記録媒体（ＵＳＢメモリ、ＣＤ－ＲＯＭ等）、及び／又は、紙媒体等を含む任意の手段により、企業ユーザ及び／又は個人ユーザにより管理される少なくとも１つの端末装置１５２０（他のサーバ装置１５１０であってもよい）に対して提供され得る。
このような提案データの提供は、推定サービス等を運営する企業により管理されるサーバ装置１５１０Ａ（及び／又は端末装置１５２０）に代えて、又は、推定サービス等を運営する企業により管理されるサーバ装置１５１０Ａ（及び／又は端末装置１５２０）とともに、他の企業により管理される他のサーバ装置１５１０（及び／又は端末装置１５２０）により実行され得る。
６．５ 変形例
上述した様々な例では、サンプル性質データ、サンプルリズムデータ、サンプル時間データ及びサンプル睡眠カテゴリーデータを、目的変数として、推定モデルを生成及び利用する場合について説明した。別の例では、サンプル性質データ、サンプルリズムデータ、サンプル時間データ及びサンプル睡眠カテゴリーデータのうちの少なくとも１つ（最大３つ）を、目的変数ではなく説明変数として用いて、推定モデルを生成及び利用することも可能である。
また、上述した様々な例では、図１７に例示された様々なステップ（例えばＳＴ１０００～ＳＴ１０１０）の実行主体を、主に、推定サービス等を運営する企業により管理されるサーバ装置１５１０Ａ（及び／又は端末装置１５２０）とした場合について、説明した。しかし、図１７に例示された様々なステップを、任意の複数のサーバ装置１５１０及び／又は複数の端末装置１５２０に、分担して実行させることも可能である。ここで、任意の複数のサーバ装置１５１０及び／又は複数の端末装置１５２０に、一例では、推定サービス等を運営する企業により管理されるサーバ装置１５１０Ａ（及び／又は端末装置１５２０）が含まれ得るし、別の例では、推定サービス等を運営する企業により管理されるサーバ装置１５１０Ａ（及び／又は端末装置１５２０）が含まれない。
なお、上記「６．４（４）ステップ１００６」において、対象睡眠状態データに含まれ得る、対象性質データ、対象リズムデータ、対象時間データ及び対象睡眠カテゴリーデータの各々の定義が示されている。別の実施形態では、対象睡眠状態データは、上記「６．４（４）ステップ１００６」で示したデータに代えて、以下に示すデータのうちの少なくとも１つを含むことができる。
・対象ユーザの睡眠の性質を「一意に」識別するデータ（「対象性質データ」）
・対象ユーザの睡眠のリズムを「一意に」識別するデータ（「対象リズムデータ」）
・対象ユーザの睡眠時間を「一意に」識別するデータ（「対象時間データ」）
・対象ユーザ（の睡眠）が属する睡眠カテゴリーを「一意に」識別するデータ（「対象睡眠カテゴリーデータ」）
ここで、「対象性質データ」が「一意に識別する」とは、この「対象性質データ」以外の他のデータによらずとも、対象ユーザの睡眠の性質を識別することができる、ということを意味する。すなわち、複数のデータが、協働して対象ユーザの睡眠の性質を識別するような場合には、これら複数のデータは、対象ユーザの睡眠の性質を「一意に識別する」データには該当しない。例えば、第１のデータが、対象ユーザの睡眠の質が「低質である」ことを示すデータとフラグ「０」とを含み、第２のデータが、対象ユーザの睡眠の質が「標準である」ことを示すデータとフラグ「０」とを含み、第３のデータが、対象ユーザの睡眠の質が「高質である」ことを示すデータとフラグ「１」とを含むケースを考える。このケースでは、第１のデータ及び第２のデータだけでは、対象ユーザの睡眠の性質を決定することができない。フラグ「１」を有する第３のデータをチェックすることによってはじめて、対象ユーザの睡眠の質が「高質である」ことを決定することができる。したがって、これらのデータは、いずれも、対象ユーザの睡眠の質を「一意に」識別するデータではない。
「対象リズムデータ」、「対象時間データ」及び「対象睡眠カテゴリーデータ」の各々の上記定義に含まれる「一意に識別する」という用語についても、同様に考えることができる。
以上説明したように、本件出願に開示された技術によれば、対象ユーザにより実行された少なくとも１つの行動の履歴を識別する対象行動データを推定モデルに入力することにより、この推定モデルから、対象ユーザの現在の（予測された）睡眠の状態を識別する対象睡眠状態データを取得することができる。さらに、予め用意された複数の対象商品及び／又は複数の対象サービスのうち、このように取得された対象睡眠状態データに適した少なくとも１つの対象商品及び／又は少なくとも１つの対象サービスを、対象ユーザの睡眠状態を改善させるために、対象ユーザを含む任意のユーザに提案することができる。
これにより、対象ユーザにより実行された少なくとも１つの行動の履歴に基づいてこの対象ユーザの睡眠の状態を推定するために用いられ、少なくとも部分的に向上した性能を有する、コンピュータプログラム、情報処理装置及び方法を提供することができる。
６．６ 更年期症状の状態に関する更年期状態データを提供するために通信システム１５００により実行される動作
次に、更年期症状の状態に関する更年期状態データを提供するために、上述した通信システム１５００により実行される動作の具体例について、さらに図２６を参照して説明する。図２６は、図１５に示した通信システム１５００により実行される動作の別の例を示すフロー図である。
（１）ステップ１１００
まず、ＳＴ１１００において、情報処理装置である、例えば、推定サービス等を運営する企業により管理されるサーバ装置１５１０Ａが、推定モデルを生成するために用いられる複数組の教師データを取得して記憶することができる。
複数組の教師データを構成する各組の教師データは、この組に対応する１人のサンプルユーザにより実行された行動の履歴を識別するデータ（「サンプル行動データ」）と、この組に対応する１人のサンプルユーザの更年期症状の状態を識別するデータ（「サンプル更年期状態データ」）と、を含むことができる。例えば、第１組の教師データは、第１組に対応する１人のサンプルユーザ（Ｖさん）により実行された行動の履歴を識別するサンプル行動データと、Ｖさんの更年期症状の状態を識別するサンプル更年期状態データと、を含むことができ、第２組の教師データは、第２組に対応する１人のサンプルユーザ（Ｗさん）により実行された行動の履歴を識別するサンプル行動データと、Ｗさんの更年期症状の状態を識別するサンプル更年期状態データと、を含むことができる。
（１Ａ）サンプル行動データ
各サンプル行動データは、予め定められた複数の行動のうちの少なくとも１つの（１つの又は複数の）行動を識別するデータであり得る。ここで、予め定められた複数の行動の各々は、その行動を実行した人間の更年期症状の状態に少なくとも部分的に良い影響又は悪い影響を与え得る行動であり得る。このような予め定められた複数の行動は、例えば、以下に例示するものをこれらに限定することなく含むことができる。
（人間の更年期症状の状態に少なくとも部分的に良い影響を与え得る行動の例）
・１週間に２日以上のペースで１時間以上の有酸素運動を行った。
・毎日一定の時間に起床した。
・毎週リラックスする時間を確保した。
・缶ビールを１０本以上購入した（この行動は、例えば、ビールが属する商品カテゴリーとその購入数量とを含むデータにより識別され得る）。
（人間の更年期症状の状態に少なくとも部分的に悪い影響を与え得る行動の例）
・１週間に１日以下のペースで１時間以上の有酸素運動を行った。
・毎日異なる時間に起床した。
・１週間に１日も休まずに仕事をした。
・青汁を５本以上購入した（この行動は、例えば、青汁が属する商品カテゴリーとその購入数量とを含むデータにより識別され得る）。
各サンプル行動データは、このように例示される予め定められた複数の行動のうち少なくとも１つの行動の各々を識別するデータであり得る。
また、一例では、ユーザが購入した商品及び／又はユーザが利用したサービスが、そのユーザの更年期症状の状態に良い影響又は悪い影響を与える傾向があり得ることから、上記予め定められた複数の行動は、サンプルユーザが購入した商品（又はその商品が属するカテゴリー）、サンプルユーザが利用したサービス（又はそのサービスが属するカテゴリー）を含むこともできる。この種の行動は、例えば、小売店舗（ドラッグストア、スーパーマーケット、コンビニエンスストア等）等が保有するＰＯＳ（Ｐｏｉｎｔ Ｏｆ Ｓａｌｅｓ）データを利用して生成され得る。
一例では、予め定められた複数の行動の各々には、固有の識別データ（英字、数字又はこれらの組み合わせ等）が割り当てられており、各サンプル行動データは、このような識別データを含むことができる。例えば、ＰＯＳデータを利用する場合には、複数のサンプル行動データの各々は、購入された商品に対応する、ＪＩＣＦＳ分類（分類コード）、商品カテゴリー、購入金額、購入数量、購入回数、及び／又は、購入日等を、これらに限定することなく含むことができる。
情報処理装置である、例えば、推定サービス等を運営する企業により管理されるサーバ装置１５１０Ａは、このようなサンプル行動データを、例えば、以下に例示する方法のうち少なくとも１つの方法により取得することができる。
・情報処理装置が、通信網２を介して、少なくとも１つの他のサーバ装置１５１０（例えばドラッグストア等に設置されたＰＯＳデータを記憶する他のサーバ装置１５１０、又は、このＰＯＳデータにアクセス可能な他のサーバ装置１５１０）から、ＰＯＳデータを受信する。
・情報処理装置が、通信網２を介して、所定のアンケート（サンプルユーザにより実行された行動に関するアンケート）に対する回答を記載したメール又はウェブページを、少なくとも１つの端末装置１５２０及び／又は少なくとも１つのサーバ装置１５１０から受信する。
・情報処理装置が、上記所定のアンケートに対する複数のユーザによる回答を収集した少なくとも１つのサーバ装置１５１０から通信網２を介してその回答の内容を受信する。
・情報処理装置が、上記所定のアンケートに対する複数のユーザによる回答を収集した記録媒体（ＵＳＢメモリ、ＤＶＤ－ＲＯＭ等）を介して、その回答の内容を受信する。
（１Ｂ）サンプル更年期状態データ
各組の教師データに含まれるサンプル更年期状態データは、以下に例示するデータのうちの少なくとも１つを、これに限定することなく、含むことができる。
・その組に対応する１人のサンプルユーザの総合的な状態を識別するデータ（「サンプル総合状態データ」）
・その組に対応する１人のサンプルユーザの第１症状の状態を識別するデータ（「サンプル第１状態データ」）
・その組に対応する１人のサンプルユーザの第２症状の状態を識別するデータ（「サンプル第２状態データ」）
まず第１に、サンプル総合状態データは、そのサンプルユーザの更年期症状の状態が良いのか（例えばどの程度良いのか）悪いのか（例えばどの程度悪いのか）を識別するデータであり得る。一例では、サンプル総合状態データは、そのサンプルユーザの更年期症状の状態を総合的に評価したスコアを識別するデータであり得る。この場合、そのサンプルユーザの更年期症状の状態は、例えば、以下に例示するいずれかの方法で算出されたスコアを識別するデータであり得る。
・簡略更年期指数（ＳＭＩ）（図２７参照）に記載された質問事項に対するサンプルユーザの回答内容に基づいて、ＳＭＩに記載された方法で算出されたスコア、又は、このスコアを任意の手法で演算（加減乗除等）することにより得られた修正スコア
・更年期障害評価尺度（Ｍｅｎｏｐａｕｓｅ Ｒａｔｉｎｇ Ｓｃａｌｅ）に記載された質問事項に対するサンプルユーザの回答内容に基づいて、更年期障害評価尺度に記載された方法で算出されたスコア、又は、このスコアを任意の手法で演算（加減乗除等）することにより得られた修正スコア
・クッパーマン更年期指数（Ｋｕｐｐｅｒｍａｎ ｉｎｄｅｘ）に記載された質問事項に対するサンプルユーザの回答内容に基づいて、クッパーマン更年期指数に記載された方法で算出されたスコア、又は、このスコアを任意の手法で演算（加減乗除等）することにより得られた修正スコア
・更年期障害評価（Ｇｒｅｅｎ Ｃｌｉｍａｃｔｅｒｉｃ Ｓｃａｌｅ）に記載された質問事項に対するサンプルユーザの回答内容に基づいて、更年期障害評価に記載された方法で算出されたスコア、又は、このスコアを任意の手法で演算（加減乗除等）することにより得られた修正スコア
・ＰＳＳＴ（Ｐｒｅｍｅｎｓｔｒｕａｌ Ｓｙｍｐｔｏｍｓ Ｓｃｒｅｅｎｉｎｇ Ｔｏｏｌ）に記載された質問事項に対するサンプルユーザの回答内容に基づいて、ＰＳＳＴに記載された方法で算出されたスコア、又は、このスコアを任意の手法で演算（加減乗除等）することにより得られた修正スコア
・ＷＨＱ（Ｗｏｍｅｎ’ｓ Ｈｅａｌｔｈ Ｑｕｅｓｔｉｏｎｎａｉｒｅ）に記載された質問事項に対するサンプルユーザの回答内容に基づいて、ＷＨＱに記載された方法で算出されたスコア、又は、このスコアを任意の手法で演算（加減乗除等）することにより得られた修正スコア
・ＶＡＳ（Ｖｉｓｕａｌ Ａｎａｌｏｇｕｅ Ｓｃａｌｅ）に記載された質問事項に対するサンプルユーザの回答内容に基づいて、ＶＡＳに記載された方法で算出されたスコア、又は、このスコアを任意の手法で演算（加減乗除等）することにより得られた修正スコア
・ＨＦＲＤＩ（Ｈｏｔ Ｆｌａｓｈ Ｒｅｌａｔｅｄ Ｄａｉｌｙ Ｉｎｔｅｒｆｅｒｅｎｃｅ Ｓｃａｌｅ）に記載された質問事項に対するサンプルユーザの回答内容に基づいて、ＨＦＲＤＩに記載された方法で算出されたスコア、又は、このスコアを任意の手法で演算（加減乗除等）することにより得られた修正スコア
・ＨＦＣＳ（Ｈｏｔ Ｆｌａｓｈ Ｃｏｍｐｏｓｉｔｅ Ｓｃｏｒｅ）に記載された質問事項に対するサンプルユーザの回答内容に基づいて、ＨＦＣＳに記載された方法で算出されたスコア、又は、このスコアを任意の手法で演算（加減乗除等）することにより得られた修正スコア
・ＭＥＮＱＯＬ（Ｍｅｎｏｐａｕｓｅ－Ｓｐｅｃｉｆｉｃ Ｑｕａｌｉｔｙ Ｏｆ Ｌｉｆｅ）に記載された質問事項に対するサンプルユーザの回答内容に基づいて、ＭＥＮＱＯＬに記載された方法で算出されたスコア、又は、このスコアを任意の手法で演算（加減乗除等）することにより得られた修正スコア
・日本人女性の更年期症状評価表に記載された質問事項に対するサンプルユーザの回答内容に基づいて、日本人女性の更年期症状評価表に記載された方法で算出されたスコア、又は、このスコアを任意の手法で演算（加減乗除等）することにより得られた修正スコア
・その他の任意の質問票又は尺度に記載された質問事項に対するサンプルユーザの回答内容に基づいて、その質問票又は尺度に記載された方法で算出されたスコア、又は、このスコアを任意の手法で演算することにより得られた修正スコア
第２に、サンプル第１状態データは、複数の更年期症状のうちそのサンプルユーザの或る１つの症状の状態が良いのか（例えばどの程度良いのか）悪いのか（例えばどの程度悪いのか）を識別するデータであり得る。一例では、サンプル第１状態データは、そのサンプルユーザの上記或る１つの症状の状態を評価したスコアを識別するデータであり得る。
上記複数の更年期症状は、ＳＭＩを例にとれば、「顔がほてる」、「汗をかきやすい」、「腰や手足が冷えやすい」といったＳＭＩに記載された複数の更年期症状であり得る。なお、上記複数の更年期症状は、ＳＭＩ以外にも、上記のとおり列挙したいずれかの指数等に記載された複数の更年期症状であり得る。また、上記或る１つの症状は、このような複数の更年期症状の中から選択された任意の１つの症状であり得る。
ＳＭＩを例にとれば、サンプル第１状態データは、一例では、ＳＭＩ（図２７参照）に記載された質問事項に対するそのサンプルユーザによる回答内容から抽出され得る。この場合、サンプル第１状態データは、例えば「息切れ、動悸がする」という或る１つの症状の状態を識別するデータであり、例えば、０、４、８又は１２というスコア（図２７参照）を識別するデータであり得る。別の例では、サンプル第１状態データは、そのサンプルユーザから電子メール又はウェブページ等を介して取得され得る。
第３に、サンプル第２状態データは、複数の更年期症状のうちそのサンプルユーザの別の１つの症状の状態が良いのか（例えばどの程度良いのか）悪いのか（例えばどの程度悪いのか）を識別するデータであり得る。一例では、サンプル第２状態データは、そのサンプルユーザの上記別の１つの症状の状態を評価したスコアを識別するデータであり得る。
上記複数の更年期症状は、ＳＭＩを例にとれば、「顔がほてる」、「汗をかきやすい」、「腰や手足が冷えやすい」といったＳＭＩに記載された複数の更年期症状であり得る。なお、上記複数の更年期症状は、ＳＭＩ以外にも、上記のとおり列挙したいずれかの指数等に記載された複数の更年期症状であり得る。また、上記別の１つの症状は、このような複数の更年期症状の中から選択された任意の１つの症状であり得るが、上記或る１つの症状とは異なる症状であり得る。
ＳＭＩを例にとれば、サンプル第２状態データは、一例では、ＳＭＩ（図２７参照）に記載された質問事項に対するそのサンプルユーザによる回答内容から抽出され得る。この場合、サンプル第２状態データは、例えば「疲れやすい」という別の１つの症状の状態を識別するデータであり、例えば、０、２、４又は７というスコア（図２７参照）を識別するデータであり得る。別の例では、サンプル第２状態データは、そのサンプルユーザから電子メール又はウェブページ等を介して取得され得る。
情報処理装置である、例えば、推定サービス等を運営する企業により管理されるサーバ装置１５１０Ａ（及び／又は端末装置１５２０）は、サンプルユーザごとに、このようなサンプル行動データとサンプル更年期状態データとを組み合わせて、そのサンプルユーザについて、１組の教師データを生成して記憶することができる。これを実現するために、例えば、情報処理装置は、取得した複数のサンプル行動データの中から、或るサンプルユーザを識別する識別データが付されたサンプル行動データを抽出し、取得した複数のサンプル更年期状態データの中からこれと同一のサンプルユーザを識別する識別データが付されたサンプル更年期状態データを抽出し、これらを組み合わせて、このサンプルユーザについての１組の教師データを生成して保存することができる。同様の処理を複数のサンプルユーザの各々について実行することにより、情報処理装置は、複数組の教師データを生成して保存することができる。
（２）ステップ１１０２
図１７に戻り、次に、ＳＴ１１０２において、情報処理装置である、例えば、推定サービス等を運営する企業により管理されるサーバ装置１５１０Ａ（及び／又は端末装置１５２０）は、ＳＴ１１００において取得された複数組の教師データを用いて、学習モデルを機械学習により学習させることにより、推定モデルを生成することができる。ここでいう機械学習は、任意の周知の機械学習、例えば、勾配ブースティング木（例えばＬｉｇｈｔＧＢＭ）、ニューラルネットワーク又は線形回帰等を、これらに限定することなく含み得る。
（２Ａ）複数組の教師データに含まれる第１の複数組の教師データ
一例では、情報処理装置は、複数組の教師データに含まれる第１の複数組の教師データを用いて、推定モデルを生成（更新）することができる。第１の複数組の教師データに含まれる各組の教師データは、その組に対応するサンプルユーザのサンプル行動データと、その組に対応するサンプルユーザのサンプル更年期状態データと、を含むことができる。ここで、各組の教師データにおけるサンプル更年期状態データは、その組に対応するサンプルユーザのサンプル総合状態データを含むことができる。
この場合、情報処理装置は、第１の複数組の教師データ（各組の教師データが、その組に対応するサンプルユーザのサンプル行動データと、そのサンプルユーザのサンプル総合状態データと、を含む）を、学習モデルに入力して推定モデルを生成（更新）することができる。このような推定モデルは、後述するように、説明変数として、対象ユーザにより実行された行動の履歴を識別する対象行動データを入力することに応答して、対象ユーザの総合的な状態を識別する対象総合状態データを、少なくとも出力することができるようになる。
なお、一実施形態では、各組の教師データにおけるサンプル更年期状態データが、該組に対応する１人のサンプルユーザの更年期症状の総合的な状態「に対応するスコア」を識別するものである場合を考える。
この場合、情報処理装置は、第１の複数組の教師データに含まれる各組の教師データについて、前処理を実行することができる。具体的には、情報処理装置は、各組の教師データについて、この組に対応するサンプル総合状態データにより識別されるスコアを、少なくとも１つの閾値を用いて、複数のカテゴリーのうちのいずれかのカテゴリーに変換する、という前処理を実行することができる。例えば、情報処理装置は、１つの閾値（第１閾値）を用いる場合には、各組に対応するサンプル総合状態データにより識別されるスコアを、そのスコアが第１閾値以上であるか第１閾値未満であるかに応じて、２つのカテゴリー（「Ｈｉｇｈ」及び「Ｌｏｗ」）のうちのいずれかのカテゴリーに変換することができる。或いはまた、例えば、情報処理装置は、２つの閾値（第１閾値、及び、第１閾値より小さい第２閾値）を用いる場合には、各組に対応するサンプル総合状態データにより識別されるスコアを、そのスコアが、第１閾値以上であるか、第２閾値以上第１閾値未満であるか、第２閾値未満であるかに応じて、３つのカテゴリー（「Ｈｉｇｈ」、「Ｍｉｄｄｌｅ」及び「Ｌｏｗ」）のうちのいずれかのカテゴリーに変換することができる。
このように、情報処理装置は、前記第１の複数組の教師データに含まれる各組の教師データについて、この組に対応する１人のサンプルユーザの更年期症状の総合的な状態「に対応するスコア」を識別するサンプル総合状態データを、この組に対応する１人のサンプルユーザの更年期症状の総合的な状態「に対応するカテゴリー」を識別するサンプル総合状態データに変換する、という前処理を実行することができる。
これにより、情報処理装置は、前処理後の第１の複数組の教師データ（各組の教師データが、その組に対応するサンプルユーザのサンプル行動データと、そのサンプルユーザのサンプル総合状態データと、を含む）を、学習モデルに入力して推定モデルを生成（更新）することができる。
このような推定モデルは、後述するように、説明変数として、対象ユーザにより実行された行動の履歴を識別する対象行動データを入力することに応答して、対象ユーザの更年期症状の総合的な状態に対応するカテゴリーを識別する対象総合状態データを、少なくとも出力することができるようになる。
（２Ｂ）複数組の教師データに含まれる第２の複数組の教師データ
一例では、情報処理装置は、複数組の教師データに含まれる第２の複数組の教師データを用いて、推定モデルを生成（更新）することができる。第２の複数組の教師データに含まれる各組の教師データは、その組に対応するサンプルユーザのサンプル行動データと、その組に対応するサンプルユーザのサンプル更年期状態データと、を含むことができる。ここで、各組の教師データにおけるサンプル更年期状態データは、その組に対応するサンプルユーザのサンプル第１状態データを含むことができる。
この場合、情報処理装置は、第２の複数組の教師データ（各組の教師データが、その組に対応するサンプルユーザのサンプル行動データと、そのサンプルユーザのサンプル第１状態データと、を含む）を、学習モデルに入力して推定モデルを生成（更新）することができる。このような推定モデルは、後述するように、説明変数として、対象ユーザにより実行された行動の履歴を識別する対象行動データを入力することに応答して、対象ユーザの第１症状の状態を識別する対象第１状態データを、少なくとも出力することができるようになる。
なお、一実施形態では、各組の教師データにおけるサンプル第１状態データが、該組に対応する１人のサンプルユーザの第１症状の状態「に対応するスコア」を識別するものである場合を考える。
この場合、情報処理装置は、第２の複数組の教師データに含まれる各組の教師データについて、前処理を実行することができる。具体的には、情報処理装置は、各組の教師データについて、この組に対応するサンプル第１状態データにより識別されるスコアを、少なくとも１つの閾値を用いて、複数のカテゴリーのうちのいずれかのカテゴリーに変換する、という前処理を実行することができる。例えば、情報処理装置は、１つの閾値（第１閾値）を用いる場合には、各組に対応するサンプル第１状態データにより識別されるスコアを、そのスコアが第１閾値以上であるか第１閾値未満であるかに応じて、２つのカテゴリー（「Ｈｉｇｈ」及び「Ｌｏｗ」）のうちのいずれかのカテゴリーに変換することができる。或いはまた、例えば、情報処理装置は、２つの閾値（第１閾値、及び、第１閾値より小さい第２閾値）を用いる場合には、各組に対応するサンプル第１状態データにより識別されるスコアを、そのスコアが、第１閾値以上であるか、第２閾値以上第１閾値未満であるか、第２閾値未満であるかに応じて、３つのカテゴリー（「Ｈｉｇｈ」、「Ｍｉｄｄｌｅ」及び「Ｌｏｗ」）のうちのいずれかのカテゴリーに変換することができる。
このように、情報処理装置は、前記第２の複数組の教師データに含まれる各組の教師データについて、この組に対応する１人のサンプルユーザの第１症状の状態「に対応するスコア」を識別するサンプル第１状態データを、この組に対応する１人のサンプルユーザの第１症状の状態「に対応するカテゴリー」を識別するサンプル第１状態データに変換する、という前処理を実行することができる。
これにより、情報処理装置は、前処理後の第２の複数組の教師データ（各組の教師データが、その組に対応するサンプルユーザのサンプル行動データと、そのサンプルユーザのサンプル第１状態データと、を含む）を、学習モデルに入力して推定モデルを生成（更新）することができる。
このような推定モデルは、後述するように、説明変数として、対象ユーザにより実行された行動の履歴を識別する対象行動データを入力することに応答して、対象ユーザの第１症状の状態に対応するカテゴリーを識別する対象第１状態データを、少なくとも出力することができるようになる。
さらにまた、情報処理装置は、上記のような前処理（便宜上「前処理Ａ」）に加えて、更なる前処理（便宜上「前処理Ｂ」）を実行することも可能である。具体的には、まず、情報処理装置は、第２の複数組の教師データの中から、別の複数組の教師データを抽出する、という「前処理Ｂ」を実行することができる。当該別の複数組の教師データに含まれる各組の教師データは、閾値以上のスコアを識別するサンプル第１状態データを有する。
例えば、第１症状がＳＭＩ（図２７参照）における「汗をかきやすい」という症状であるときには、上記別の複数組の教師データに含まれる各組の教師データは、５という閾値以上のスコア（１０又は６）を識別するサンプル第１状態データであり得る。すなわち、上記別の複数組の教師データに含まれる各組の教師データは、より強い第１症状（ここでは「汗をかきやすい」）を有するサンプルユーザのみに関する教師データを含むものである。
さらに、情報処理装置は、このように抽出した当該別の複数組の教師データを、「新たな」第２の複数組の教師データとすることができる。この後、情報処理装置は、「新たな」第２の複数組の教師データに対して、上述した前処理Ａを実行することができる。この前処理Ａでは、用いるべき少なくとも１つの閾値を、前処理Ｂを実行しない上述した例に比べて、より大きな値に設定することができる。次に、情報処理装置は、前処理Ａ後の「新たな」第２の複数組の教師データを学習モデルに入力して推定モデルを生成（更新）することができる。
このような「新たな」第２の複数組の教師データは、より強い第１症状を有するサンプルユーザのみについての、サンプル行動データとサンプル第１状態データとを含むものである。よって、このような「新たな」第２の複数組の教師データを用いて学習を行った推定モデルは、強い第１症状に結び付く可能性のある行動を行った対象ユーザを、強い第１症状を有するユーザとして、より簡単に推定することができ、さらに、そのような対象ユーザの第１症状の強さのレベルを細かく推定することもできる。
（２Ｃ）複数組の教師データに含まれる第３の複数組の教師データ
一例では、情報処理装置は、複数組の教師データに含まれる第３の複数組の教師データを用いて、推定モデルを生成（更新）することができる。第３の複数組の教師データに含まれる各組の教師データは、その組に対応するサンプルユーザのサンプル行動データと、その組に対応するサンプルユーザのサンプル更年期状態データと、を含むことができる。ここで、各組の教師データにおけるサンプル更年期状態データは、その組に対応するサンプルユーザのサンプル第２状態データを含むことができる。
この場合、情報処理装置は、第３の複数組の教師データ（各組の教師データが、その組に対応するサンプルユーザのサンプル行動データと、そのサンプルユーザのサンプル第２状態データと、を含む）を、学習モデルに入力して推定モデルを生成（更新）することができる。このような推定モデルは、後述するように、説明変数として、対象ユーザにより実行された行動の履歴を識別する対象行動データを入力することに応答して、対象ユーザの第２症状の状態を識別する対象第２状態データを、少なくとも出力することができるようになる。
なお、一実施形態では、各組の教師データにおけるサンプル第２状態データが、該組に対応する１人のサンプルユーザの第２症状の状態「に対応するスコア」を識別するものである場合を考える。
この場合、情報処理装置は、第３の複数組の教師データに含まれる各組の教師データについて、前処理を実行することができる。具体的には、情報処理装置は、各組の教師データについて、この組に対応するサンプル第２状態データにより識別されるスコアを、少なくとも１つの閾値を用いて、複数のカテゴリーのうちのいずれかのカテゴリーに変換する、という前処理を実行することができる。例えば、情報処理装置は、１つの閾値（第１閾値）を用いる場合には、各組に対応するサンプル第２状態データにより識別されるスコアを、そのスコアが第１閾値以上であるか第１閾値未満であるかに応じて、２つのカテゴリー（「Ｈｉｇｈ」及び「Ｌｏｗ」）のうちのいずれかのカテゴリーに変換することができる。或いはまた、例えば、情報処理装置は、２つの閾値（第１閾値、及び、第１閾値より小さい第２閾値）を用いる場合には、各組に対応するサンプル第２状態データにより識別されるスコアを、そのスコアが、第１閾値以上であるか、第２閾値以上第１閾値未満であるか、第２閾値未満であるかに応じて、３つのカテゴリー（「Ｈｉｇｈ」、「Ｍｉｄｄｌｅ」及び「Ｌｏｗ」）のうちのいずれかのカテゴリーに変換することができる。
このように、情報処理装置は、前記第３の複数組の教師データに含まれる各組の教師データについて、この組に対応する１人のサンプルユーザの第２症状の状態「に対応するスコア」を識別するサンプル第２状態データを、この組に対応する１人のサンプルユーザの第２症状の状態「に対応するカテゴリー」を識別するサンプル第２状態データに変換する、という前処理を実行することができる。
これにより、情報処理装置は、前処理後の第３の複数組の教師データ（各組の教師データが、その組に対応するサンプルユーザのサンプル行動データと、そのサンプルユーザのサンプル第１状態データと、を含む）を、学習モデルに入力して推定モデルを生成（更新）することができる。
このような推定モデルは、後述するように、説明変数として、対象ユーザにより実行された行動の履歴を識別する対象行動データを入力することに応答して、対象ユーザの第２症状の状態に対応するカテゴリーを識別する対象第２状態データを、少なくとも出力することができるようになる。
さらにまた、情報処理装置は、上記のような前処理（便宜上「前処理Ａ」）に加えて、更なる前処理（便宜上「前処理Ｂ」）を実行することも可能である。具体的には、まず、情報処理装置は、第３の複数組の教師データの中から、別の複数組の教師データを抽出する、という「前処理Ｂ」を実行することができる。当該別の複数組の教師データに含まれる各組の教師データは、閾値以上のスコアを識別するサンプル第２状態データを有する。
例えば、第２症状がＳＭＩ（図２７参照）における「疲れやすい」という症状であるときには、上記別の複数組の教師データに含まれる各組の教師データは、３という閾値以上のスコア（７又は４）を識別するサンプル第２状態データであり得る。すなわち、上記別の複数組の教師データに含まれる各組の教師データは、より強い第２症状（ここでは「疲れやすい」）を有するサンプルユーザのみに関する教師データを含むものである。
さらに、情報処理装置は、このように抽出した当該別の複数組の教師データを、「新たな」第３の複数組の教師データとすることができる。この後、情報処理装置は、「新たな」第３の複数組の教師データに対して、上述した前処理Ａを実行することができる。この前処理Ａでは、用いるべき少なくとも１つの閾値を、前処理Ｂを実行しない上述した例に比べて、より大きな値に設定することができる。次に、情報処理装置は、前処理Ａ後の「新たな」第３の複数組の教師データを学習モデルに入力して推定モデルを生成（更新）することができる。
このような「新たな」第３の複数組の教師データは、より強い第２症状を有するサンプルユーザのみについての、サンプル行動データとサンプル第２状態データとを含むものである。よって、このような「新たな」第３の複数組の教師データを用いて学習を行った推定モデルは、強い第２症状に結び付く可能性のある行動を行った対象ユーザを、強い第２症状を有するユーザとして、より簡単に推定することができ、さらに、そのような対象ユーザの第２症状の強さのレベルを細かく推定することもできる。
以上のような推定モデルの生成（更新）は、推定サービス等を運営する企業により管理されるサーバ装置１５１０Ａ（及び／又は端末装置１５２０）に代えて、又は、推定サービス等を運営する企業により管理されるサーバ装置１５１０Ａ（及び／又は端末装置１５２０）とともに、他の企業により管理される他のサーバ装置１５１０（及び／又は端末装置１５２０）により実行され得る。当該他のサーバ装置１５１０（端末装置１５２０）により生成（更新）された推定モデルは、サーバ装置１５１０Ａを含む任意のサーバ装置１５１０に対して送信され得るし、或いはまた、サーバ装置１５１０Ａを含む任意のサーバ装置１５１０によりアクセス及び利用され得る。
なお、「複数組の教師データ」の直前に付された「第１の」～「第３の」という名称は、これらの名称のうちの或る名称を付した「複数組の教師データ」と、これらの名称のうちの別の名称を付した「複数組の教師データ」と、を区別するために便宜上用いられたものであって、何らかの順序又は内容等を限定するものではない。
（３）ステップ１１０４
再度図２６を参照すると、次に、ＳＴ１１０４において、情報処理装置である、例えば、推定サービス等を運営する企業により管理されるサーバ装置１５１０Ａ（及び／又は端末装置１５２０）は、例えば、特定のアプリケーション（推定サービス等の提供を受けるためのアプリケーション等）を実行してこのサーバ装置１５１０Ａにアクセスしてきた端末装置１５２０（又は他のサーバ装置１５１０）から、及び／又は、ブラウザを実行してこのサーバ装置１５１０Ａにアクセスしてきた端末装置１５２０から、推定対象となる対象ユーザにより実行された行動の履歴を識別する対象行動データを、取得することができる。この対象行動データは、対象ユーザにより実行された少なくとも１つの（１つの又は複数の）行動を識別するデータであり得る。
このような対象行動データの取得は、推定サービス等を運営する企業により管理されるサーバ装置１５１０Ａ（及び／又は端末装置１５２０）に代えて、又は、推定サービス等を運営する企業により管理されるサーバ装置１５１０Ａ（及び／又は端末装置１５２０）とともに、他の企業により管理される他のサーバ装置１５１０（及び／又は端末装置１５２０）により実行され得る。
（４）ステップ１１０６
次に、ＳＴ１１０６において、情報処理装置である、例えば、推定サービス等を運営する企業により管理されるサーバ装置１５１０Ａ（及び／又は端末装置１５２０）は、ＳＴ１１０４において取得された対象行動データ、及び、ＳＴ１１０２において生成された推定モデルを用いて、対象ユーザの更年期症状の状態を識別する対象更年期状態データを取得することができる。具体的には、サーバ装置１５１０Ａは、説明変数としての対象行動データを、推定モデルに入力することにより、推定モデルから、目的変数としての対象更年期状態データを出力させることができる。
対象更年期状態データは、以下に示すデータのうちの少なくとも１つを含むことができる。
・対象ユーザの更年期症状の総合的な状態を識別するデータ（「対象総合状態データ」）
・対象ユーザの第１症状の状態を識別するデータ（「対象第１状態データ」）
・対象ユーザの第２症状の状態を識別するデータ（「対象第２状態データ」）
推定モデルが、対象更年期状態データとしていずれのデータを出力するかは、この推定モデルの生成（更新）の際に、サンプル更年期状態データとしていずれのデータが用いられたかに依存し得る。
例えば、推定モデルの生成（更新）の際に、サンプル更年期状態データとして、第１の複数組の教師データが用いられた場合（上記「６（２）（２Ａ）」項）には、推定モデルは、対象更年期状態データとして、対象総合状態データを、少なくとも出力することができる。
例えば、推定モデルの生成（更新）の際に、サンプル更年期状態データとして、第２の複数組の教師データが用いられた場合（上記「６（２）（２Ｂ）」項）には、推定モデルは、対象更年期状態データとして、対象第１状態データを、少なくとも出力することができる。
例えば、推定モデルの生成（更新）の際に、サンプル更年期状態データとして、第３の複数組の教師データが用いられた場合（上記「６（２）（２Ｃ）」項）には、推定モデルは、対象更年期状態データとして、対象第２状態データを、少なくとも出力することができる。
例えば、サンプル更年期状態データとして、第１の複数組の教師データを用いて推定モデルの生成（更新）が行われ（上記「６（２）（２Ａ）」項）、その後に、サンプル更年期状態データとして、第２の複数組の教師データを用いて推定モデルの生成（更新）が行われた（上記「６（２）（２Ｂ）」項）場合には、推定モデルは、対象更年期状態データとして、対象総合状態データ及び対象第１状態データを、少なくとも出力することができる。さらにこの後に、サンプル更年期状態データとして、第３の複数組の教師データを用いて推定モデルの生成（更新）が行われた（上記「６（２）（２Ｃ）」項）場合には、推定モデルは、対象更年期状態データとして、対象総合状態データ、対象第１状態データ及び対象第２状態データを、少なくとも出力することができる。
推定モデルの利用方法としては、以下に例示する方法のうちのいずれかを用いることが可能である。
・サーバ装置１５１０Ａは、ＳＴ１１０４において生成された推定モデルを取得及び保持しており、この推定モデルに対象行動データを入力し、この推定モデルから出力される対象更年期状態データを取得する。
・サーバ装置１５１０Ａは、ＳＴ１１０４において生成された推定モデルを取得及び保持する外部の装置（他のいずれかサーバ装置１５１０又はいずれかの端末装置１５２０）に対して、通信網２を介して対象行動データを送信することにより、この対象行動データを説明変数として入力した上記推定モデルに対象更年期状態データを出力させる。この後、サーバ装置１５１０Ａは、この推定モデルにより出力された対象更年期状態データを、上記外部の装置から通信網２を介して受信する。
このような対象更年期状態データの取得は、推定サービス等を運営する企業により管理されるサーバ装置１５１０Ａ（及び／又は端末装置１５２０）に代えて、又は、推定サービス等を運営する企業により管理されるサーバ装置１５１０Ａ（及び／又は端末装置１５２０）とともに、他の企業により管理される他のサーバ装置１５１０（及び／又は端末装置１５２０）により実行され得る。
（５）ステップ１１０８
次に、ＳＴ１１０８において、情報処理装置である、例えば、推定サービス等を運営する企業により管理されるサーバ装置１５１０Ａ（及び／又は端末装置１５２０）は、ＳＴ１１０６において取得された対象更年期状態データを用い、この対象更年期状態データに対応する少なくとも１つの対象商品／１つの対象サービスを決定することができる。このような対象商品／対象サービスは、対象更年期状態データにより識別される対象ユーザの現在の（推定された）更年期症状の状態に適したものであり得る。
具体的には、一例では、サーバ装置１５１０Ａは、まず、対象更年期状態データと複数の商品及び／又は複数のサービスとを対応付けて記憶する検索テーブルを用意して記憶することができる。次に、サーバ装置１５１０Ａは、ＳＴ１１０６において取得された対象更年期状態データを検索テーブルに入力することにより、この検索テーブルから少なくとも１つの対象商品及び／又は少なくとも１つの対象サービスを識別するデータ（「提案データ」）を取得することができる。
図２８は、図１５に示した通信システム１５００において用いられる検索テーブルの別の例を概念的に示す図である。図２８に例示される検索テーブルは、対象更年期状態データに含まれ得る各データ（対象総合状態データ、対象第１状態データ及び対象第２状態データの各々）に対応付けて、提案すべき少なくとも１つの対象商品及び／又は少なくとも１つの対象サービスを記憶している。
この例では、説明の簡略化のために、対象総合状態データ、対象第１状態データ及び対象第２状態データの各々が示す相互に異なる３つのレベルの各々に対応付けて、提案すべき少なくとも１つの対象商品及び／又は少なくとも１つの対象サービスが割り当てられ得る。対象総合状態データを例に挙げれば、対象総合状態データが示す、クラスＶ１（対象ユーザの更年期症状の総合的な状態が良いクラス）、クラスＶ２（対象ユーザの更年期症状の総合的な状態が標準であるクラス）、及び、クラスＶ３（対象ユーザの更年期症状の総合的な状態が悪いクラス）の各々に対応付けて、提案すべき少なくとも１つの対象商品及び／又は少なくとも１つの対象サービスが割り当てられ得る。
クラスＷ１～Ｗ３もまた、この順序で、対象ユーザの第１症状の状態が「良い」、「標準」、「悪い」を示すものであり得る。クラスＸ１～Ｘ３もまた、この順序で、対象ユーザの第２症状の状態が「良い」、「標準」、「悪い」を示すものであり得る。
図２８に例示された商品（Ｐ１０、Ｐ２０といったように「Ｐ」及び数字からなる参照符号が付された商品）は、いずれも、ユーザの更年期症状の状態を改善させるのに適した任意の商品を示し、図２８に例示されたサービス（Ｓ１０、Ｓ２０といったように「Ｓ」及び数字からなる参照符号が付されたサービス）は、いずれも、ユーザの更年期症状の状態を改善させるのに適した任意のサービスを示す。これらの商品は、食品、日用品、薬品、運動用具、電気製品等を、これらに限定することなく含むことができる。また、これらのサービスは、病院、クリニック、スポーツジム等を、これらに限定することなく含むことができる。
サーバ装置１５１０Ａは、例えば、対象更年期状態データにおける対象総合状態データがクラスＶ３を示す場合には、商品Ｐ４０及びサービスＳ１０をそれぞれ対象商品及び対象サービスとして決定することができる。また、サーバ装置１５１０Ａは、例えば、対象更年期状態データが（クラスＸ２を示す）対象第２状態データ及び（クラスＷ３を示す）対象第１状態データを含む場合には、商品Ｐ８０を対象商品として、サービスＳ１０、Ｓ３０、Ｓ４０を対象サービスとして決定することができる。
なお、対象更年期状態データに含まれる各データについて、用いられるクラスの総数、各クラスに割り当てられる商品及び／又はサービスの総数等は、任意に定められ得る。
別の例では、サーバ装置１５１０Ａは、教師あり学習（機械学習）を実行することにより生成された別の推定モデルを用いて、少なくとも１つの対象商品及び／又は少なくとも１つの対象サービスを決定することも可能である。当該別の推定モデルは、対象更年期状態データに含まれる各データの各クラスを示すデータを、説明変数とし、少なくとも１つの対象商品及び／又は少なくとも１つの対象サービスを示すデータを、目的変数として、教師あり学習を実行することにより、生成（更新）され得る。
当該別の推定モデルを学習させるための機械学習は、例えば、上述したとおり、任意の周知の機械学習、例えば、勾配ブースティング木（例えばＬｉｇｈｔＧＢＭ）、ニューラルネットワーク又は線形回帰等を、これらに限定することなく含み得る。
サーバ装置１５１０Ａは、当該別の推定モデルに対象更年期状態データを入力することにより、当該別の推定モデルから、少なくとも１つの対象商品及び／又は少なくとも１つの対象サービスを識別するデータ（「提案データ」）を出力することができる。
当該別の推定モデルの利用方法としては、以下に例示する方法のうちのいずれかを用いることが可能である。
・サーバ装置１５１０Ａは、生成された当該別の推定モデルを取得及び保持しており、当該別の推定モデルに対象更年期状態データを入力し、当該別の推定モデルから出力される提案データを取得する。
・サーバ装置１５１０Ａは、生成された当該別の推定モデルを取得及び保持する外部の装置（他のいずれかサーバ装置１５１０又はいずれかの端末装置１５２０）に対して、通信網２を介して対象更年期状態データを送信することにより、この対象更年期状態データを説明変数として入力した当該別の推定モデルに提案データを出力させる。この後、サーバ装置１５１０Ａは、当該別の推定モデルにより出力された提案データを、上記外部の装置から通信網２を介して受信する。
このような提案データの取得は、推定サービス等を運営する企業により管理されるサーバ装置１５１０Ａ（及び／又は端末装置１５２０）に代えて、又は、推定サービス等を運営する企業により管理されるサーバ装置１５１０Ａ（及び／又は端末装置１５２０）とともに、他の企業により管理される他のサーバ装置１５１０（及び／又は端末装置１５２０）により実行され得る。
（６）ステップ１１１０
再度図２６を参照すると、次に、情報処理装置である、例えば、推定サービス等を運営する企業により管理されるサーバ装置１５１０Ａ（及び／又は端末装置１５２０）は、ＳＴ１１０８において取得された提案データを、企業ユーザ及び／又は個人ユーザにより管理される少なくとも１つの端末装置１５２０（他のサーバ装置１５１０であってもよい）に対して、通信網２を介して提供（送信）することができる。ここでいう「個人ユーザ」は「対象ユーザ」を含み得る。
提案データの提供は、ウェブページ、電子メール、チャット、電子ファイル、記録媒体（ＵＳＢメモリ、ＣＤ－ＲＯＭ等）、及び／又は、紙媒体等を含む任意の手段により、企業ユーザ及び／又は個人ユーザにより管理される少なくとも１つの端末装置１５２０（他のサーバ装置１５１０であってもよい）に対して提供され得る。
このような提案データの提供は、推定サービス等を運営する企業により管理されるサーバ装置１５１０Ａ（及び／又は端末装置１５２０）に代えて、又は、推定サービス等を運営する企業により管理されるサーバ装置１５１０Ａ（及び／又は端末装置１５２０）とともに、他の企業により管理される他のサーバ装置１５１０（及び／又は端末装置１５２０）により実行され得る。
６．７ 変形例
上述した様々な例では、サンプル総合状態データ、サンプル第１状態データ及びサンプル第２状態データを、目的変数として、推定モデルを生成及び利用する場合について説明した。別の例では、サンプル総合状態データ、サンプル第１状態データ及びサンプル第２状態データのうちの少なくとも１つ（最大２つ）を、目的変数ではなく説明変数として用いて、推定モデルを生成及び利用することも可能である。
また、上述した様々な例では、図２６に例示された様々なステップ（例えばＳＴ１１００～ＳＴ１１１０）の実行主体を、主に、推定サービス等を運営する企業により管理されるサーバ装置１５１０Ａ（及び／又は端末装置１５２０）とした場合について、説明した。しかし、図２６に例示された様々なステップを、任意の複数のサーバ装置１５１０及び／又は複数の端末装置１５２０に、分担して実行させることも可能である。ここで、任意の複数のサーバ装置１５１０及び／又は複数の端末装置１５２０に、一例では、推定サービス等を運営する企業により管理されるサーバ装置１５１０Ａ（及び／又は端末装置１５２０）が含まれ得るし、別の例では、推定サービス等を運営する企業により管理されるサーバ装置１５１０Ａ（及び／又は端末装置１５２０）が含まれない。
以上説明したように、本件出願に開示された技術によれば、対象ユーザにより実行された少なくとも１つの行動の履歴を識別する対象行動データを推定モデルに入力することにより、この推定モデルから、対象ユーザの現在の（予測された）更年期症状の状態を識別する対象更年期状態データを取得することができる。さらに、予め用意された複数の対象商品及び／又は複数の対象サービスのうち、このように取得された対象更年期状態データに適した少なくとも１つの対象商品及び／又は少なくとも１つの対象サービスを、対象ユーザの更年期症状を改善させるために、対象ユーザを含む任意のユーザに提案することができる。
これにより、対象ユーザにより実行された少なくとも１つの行動の履歴に基づいてこの対象ユーザの更年期症状の状態を推定するために用いられ、少なくとも部分的に向上した性能を有する、コンピュータプログラム、情報処理装置及び方法を提供することができる。
６．８ 様々な健康の状態を予測するための推定モデルについて
本件出願に開示された技術は、上述した睡眠の状態及び更年期症状の状態を予測することだけでなく、例えば、以下に例示する様々な健康の状態を予測することにも適用可能である。
・運動の状態
・免疫の状態
・水分補給の状態
・栄養の状態
（１）運動の状態について
運動の状態を予測するための推定モデルは、生活習慣病に関連する状態等を予測するために用いられる。かかる推定モデルを生成するために、説明変数であるサンプル行動データは、以下に例示する複数のデータのうちの少なくとも１つのデータであり得る。
・サンプルユーザが一定期間（例えば１年間等）において購入した商品（又はその商品が属するカテゴリー）を識別するデータ
・サンプルユーザが一定期間（例えば１年間等）において利用したサービス（又はそのサービスが属するカテゴリー）を識別するデータ
・サンプルユーザが肥満の状態にあるか否かを識別するデータ
・サンプルユーザの一定期間（例えば３０歳代から現在までの期間等）における体重の変化量を識別するデータ
・サンプルユーザの運動の量（例えば歩数等）を識別するデータ
また、目的変数である症状を識別するデータは、以下に例示する複数のデータ（測定値であってもよい）のうちの少なくとも１つであり得る。
・サンプルユーザの体重を識別するデータ
・サンプルユーザのＢＭＩ（Ｂｏｄｙ Ｍａｓｓ Ｉｎｄｅｘ）を識別するデータ
・サンプルユーザの歩数を識別するデータ
・サンプルユーザの喫煙の有無を識別するデータ
・サンプルユーザのメタボリックシンドローム診断基準値を識別するデータ
なお、メタボリックシンドローム診断基準値は、サンプルユーザの内臓脂肪蓄積及び/又はウエスト周囲の長さと、以下に例示する複数の値のうちの少なくとも2つの値とを含む。
・サンプルユーザについて高グリセリド血症及び／又は低ＨＤＬコレステロール血症の診断のために定められた閾値
・サンプルユーザの収縮期及び/又は拡張期の血圧
・サンプルユーザについて空腹時高血糖の診断のために定められた閾値
情報処理装置は、このような説明変数及び目的変数を用いて機械学習を実行することにより、運動の状態を予測する推定モデルを生成することができる。このような推定モデルの生成及び利用方法等に関連して通信システム１５００により実行される動作は、上記更年期症状の状態を予測する態様に関連して上記「６．６」項及び上記「６．７」項において説明した動作と実質的に同一であり得る。上記「６．６」項及び上記「６．７」項において（特に図２６及び図２８を参照して）述べた説明において、更年期症状の状態を予測するための推定モデルに用いられる説明変数及び目的変数を、それぞれ、本「６．８（１）」項において述べた説明変数及び目的変数で置き換えることにより、運動の状態を予測するための推定モデルの生成及び利用方法等に関連して通信システム１５００により実行される動作が、当業者により理解されよう。
以上説明したように、本件出願に開示された技術によれば、対象ユーザにより実行された少なくとも１つの行動の履歴を識別する対象行動データを推定モデルに入力することにより、この推定モデルから、対象ユーザの現在の（予測された）運動の状態を識別する対象状態データを取得することができる。さらに、予め用意された複数の対象商品及び／又は複数の対象サービスのうち、このように取得された対象状態データに適した少なくとも１つの対象商品及び／又は少なくとも１つの対象サービスを、対象ユーザの運動の状態を改善させるために、対象ユーザを含む任意のユーザに提案することができる。
これにより、対象ユーザにより実行された少なくとも１つの行動の履歴に基づいてこの対象ユーザの運動の状態を推定するために用いられ、少なくとも部分的に向上した性能を有する、コンピュータプログラム、情報処理装置及び方法を提供することができる。
（２）免疫の状態について
免疫の状態を予測するための推定モデルは、身体の免疫力が低下している人の症状の程度を予測するために用いられる。かかる推定モデルを生成するために、説明変数であるサンプル行動データは、以下に例示する複数のデータのうちの少なくとも１つのデータであり得る。
・サンプルユーザが一定期間（例えば１年間等）において購入した商品（又はその商品が属するカテゴリー）を識別するデータ
・サンプルユーザが一定期間（例えば１年間等）において利用したサービス（又はそのサービスが属するカテゴリー）を識別するデータ
また、目的変数である症状を識別するデータは、以下に例示する複数のデータ（測定値であってもよい）のうちの少なくとも１つであり得る。
・サンプルユーザの風邪の引きやすさを識別するデータ
・サンプルユーザの風邪を引き起こす頻度を識別するデータ
・サンプルユーザのＳＩｇＡ濃度を識別するデータ
・サンプルユーザのアレルギー症状を識別するデータ
・サンプルユーザの口腔環境及び／又は免疫力の状態を識別するデータ
・サンプルユーザの睡眠の状態を識別するデータ
・サンプルユーザの運動の状態を識別するデータ
・サンプルユーザのストレスの状態を識別するデータ
なお、このような症状を識別するデータは、アンケート等から取得されたサンプルユーザの自覚症状であってもよいし、医療機関におけるサンプルユーザの受信履歴から取得されたものであってもよい。かかる症状を識別するデータは、複数の（好ましくは３つ以上の）カテゴリーのうちのいずれかを識別するものであり得る。
情報処理装置は、このような説明変数及び目的変数を用いて機械学習を実行することにより、免疫の状態を予測する推定モデルを生成することができる。このような推定モデルの生成及び利用方法等に関連して通信システム１５００により実行される動作は、上記更年期症状の状態を予測する態様に関連して上記「６．６」項及び上記「６．７」項において説明した動作と実質的に同一であり得る。上記「６．６」項及び上記「６．７」項において（特に図２６及び図２８を参照して）述べた説明において、更年期症状の状態を予測するための推定モデルに用いられる説明変数及び目的変数を、それぞれ、本「６．８（２）」項において述べた説明変数及び目的変数で置き換えることにより、免疫の状態を予測するための推定モデルの生成及び利用方法等に関連して通信システム１５００により実行される動作が、当業者により理解されよう。
以上説明したように、本件出願に開示された技術によれば、対象ユーザにより実行された少なくとも１つの行動の履歴を識別する対象行動データを推定モデルに入力することにより、この推定モデルから、対象ユーザの現在の（予測された）免疫の状態を識別する対象状態データを取得することができる。さらに、予め用意された複数の対象商品及び／又は複数の対象サービスのうち、このように取得された対象状態データに適した少なくとも１つの対象商品及び／又は少なくとも１つの対象サービスを、対象ユーザの免疫の状態を改善させるために、対象ユーザを含む任意のユーザに提案することができる。
これにより、対象ユーザにより実行された少なくとも１つの行動の履歴に基づいてこの対象ユーザの免疫の状態を推定するために用いられ、少なくとも部分的に向上した性能を有する、コンピュータプログラム、情報処理装置及び方法を提供することができる。
（３）水分補給の状態について
水分補給の状態を予測するための推定モデルは、身体の免疫力が低下している人の症状の程度を予測するために用いられる。かかる推定モデルを生成するために、説明変数であるサンプル行動データは、以下に例示する複数のデータのうちの少なくとも１つのデータであり得る。
・サンプルユーザが一定期間（例えば１年間等）において購入した商品（又はその商品が属するカテゴリー）を識別するデータ
・サンプルユーザが一定期間（例えば１年間等）において利用したサービス（又はそのサービスが属するカテゴリー）を識別するデータ
また、目的変数である症状を識別するデータは、以下に例示する複数のデータ（測定値であってもよい）のうちの少なくとも１つであり得る。
・サンプルユーザの血清Ｎａ値を識別するデータ
・サンプルユーザの尿浸透圧を識別するデータ
・サンプルユーザの尿比重を識別するデータ
・サンプルユーザの尿カラーを識別するデータ
・サンプルユーザのＢＵＮ／クレアチニン比を識別するデータ
・サンプルユーザの脱水評価スケールを識別するデータ
・サンプルユーザの水分不足に伴う自覚症状を識別するデータ
これらのデータは、サンプルユーザが受信した健康診断若しくは人間ドックにより得られる臨床検査値から、又は、健康アンケートに対するサンプルユーザの回答内容から、生成され得る。なお、サンプルユーザの水分不足に伴う自覚症状を識別するデータは、アンケートに対するサンプルユーザの回答内容から生成され得る。かかる自覚症状の程度は、血清Ｎａ値、尿浸透圧、尿比重、尿カラー、ＢＵＮ／クレアチニン比、飲水量及び／又は身体活動量等から把握され得る。
情報処理装置は、このような説明変数及び目的変数を用いて機械学習を実行することにより、水分補給の状態を予測する推定モデルを生成することができる。このような推定モデルの生成及び利用方法等に関連して通信システム１５００により実行される動作は、上記更年期症状の状態を予測する態様に関連して上記「６．６」項及び上記「６．７」項において説明した動作と実質的に同一であり得る。上記「６．６」項及び上記「６．７」項において（特に図２６及び図２８を参照して）述べた説明において、更年期症状の状態を予測するための推定モデルに用いられる説明変数及び目的変数を、それぞれ、本「６．８（３）」項において述べた説明変数及び目的変数で置き換えることにより、水分補給の状態を予測するための推定モデルの生成及び利用方法等に関連して通信システム１５００により実行される動作が、当業者により理解されよう。
以上説明したように、本件出願に開示された技術によれば、対象ユーザにより実行された少なくとも１つの行動の履歴を識別する対象行動データを推定モデルに入力することにより、この推定モデルから、対象ユーザの現在の（予測された）水分補給の状態を識別する対象状態データを取得することができる。さらに、予め用意された複数の対象商品及び／又は複数の対象サービスのうち、このように取得された対象状態データに適した少なくとも１つの対象商品及び／又は少なくとも１つの対象サービスを、対象ユーザの水分補給の状態を改善させるために、対象ユーザを含む任意のユーザに提案することができる。
これにより、対象ユーザにより実行された少なくとも１つの行動の履歴に基づいてこの対象ユーザの水分補給の状態を推定するために用いられ、少なくとも部分的に向上した性能を有する、コンピュータプログラム、情報処理装置及び方法を提供することができる。
（４）栄養の状態について
栄養の状態を予測するための推定モデルは、栄養補給ができていない人の症状の程度を予測するために用いられる。かかる推定モデルを生成するために、説明変数であるサンプル行動データは、以下に例示する複数のデータのうちの少なくとも１つのデータであり得る。
・サンプルユーザが一定期間（例えば１年間等）において購入した商品（又はその商品が属するカテゴリー）を識別するデータ
・サンプルユーザが一定期間（例えば１年間等）において利用したサービス（又はそのサービスが属するカテゴリー）を識別するデータ
また、目的変数である症状を識別するデータは、以下に例示する複数のデータ（測定値であってもよい）のうちの少なくとも１つであり得る。
・サンプルユーザの栄養低下に伴う自覚症状の有無を識別するデータ
・サンプルユーザの食品摂取の多様性得点（ＤＶＳ）を識別するデータ
・サンプルユーザの食欲尺度短縮版（ＳＮＡＱ：Ｓｉｍｐｌｉｆｉｅｄ Ｎｕｔｒｉｔｉｏｎａｌ Ａｐｐｅｔｉｔｅ Ｑｕｅｓｔｉｏｎｎａｉｒｅ）を識別するデータ
・サンプルユーザのＢＭＩ（Ｂｏｄｙ Ｍａｓｓ Ｉｎｄｅｘ）を識別するデータ
なお、このような症状を識別するデータは、アンケート等から取得されたサンプルユーザの自覚症状であってもよいし、医療機関におけるサンプルユーザの受信履歴から取得されたものであってもよい。かかる症状を識別するデータは、複数の（好ましくは３つ以上の）カテゴリーのうちのいずれかを識別するものであり得る。
情報処理装置は、このような説明変数及び目的変数を用いて機械学習を実行することにより、栄養の状態を予測する推定モデルを生成することができる。このような推定モデルの生成及び利用方法等に関連して通信システム１５００により実行される動作は、上記更年期症状の状態を予測する態様に関連して上記「６．６」項及び上記「６．７」項において説明した動作と実質的に同一であり得る。上記「６．６」項及び上記「６．７」項において（特に図２６及び図２８を参照して）述べた説明において、更年期症状の状態を予測するための推定モデルに用いられる説明変数及び目的変数を、それぞれ、本「６．８（４）」項において述べた説明変数及び目的変数で置き換えることにより、栄養の状態を予測するための推定モデルの生成及び利用方法等に関連して通信システム１５００により実行される動作が、当業者により理解されよう。
以上説明したように、本件出願に開示された技術によれば、対象ユーザにより実行された少なくとも１つの行動の履歴を識別する対象行動データを推定モデルに入力することにより、この推定モデルから、対象ユーザの現在の（予測された）栄養の状態を識別する対象状態データを取得することができる。さらに、予め用意された複数の対象商品及び／又は複数の対象サービスのうち、このように取得された対象状態データに適した少なくとも１つの対象商品及び／又は少なくとも１つの対象サービスを、対象ユーザの栄養の状態を改善させるために、対象ユーザを含む任意のユーザに提案することができる。
これにより、対象ユーザにより実行された少なくとも１つの行動の履歴に基づいてこの対象ユーザの栄養の状態を推定するために用いられ、少なくとも部分的に向上した性能を有する、コンピュータプログラム、情報処理装置及び方法を提供することができる。
６．１０ 様々な態様
第１の態様に係るコンピュータプログラムは、「少なくとも１つのプロセッサにより実行されることにより、対象ユーザにより実行された行動の履歴を識別する対象行動データを取得し、教師あり学習を実行することにより生成された推定モデルに前記対象行動データを入力することにより、前記対象ユーザの睡眠の状態を識別する対象睡眠状態データであって、該対象ユーザの睡眠の性質を識別する対象性質データ、該対象ユーザの睡眠のリズムを識別する対象リズムデータ、該対象ユーザの睡眠時間を識別する対象時間データ、及び、該対象ユーザが属する睡眠カテゴリーを識別する対象カテゴリーデータ、のうちの少なくとも１つを含む対象睡眠状態データを、前記推定モデルから出力させる、ように前記少なくとも１つのプロセッサを機能させる」ことができる。
第２の態様に係るコンピュータプログラムは、上記第１の態様において「各組の教師データが、該組に対応する１人のサンプルユーザにより実行された行動の履歴を識別するサンプル行動データと、該組に対応する１人のサンプルユーザの睡眠の状態を識別するサンプル睡眠状態データと、を含む、複数組の教師データを、学習モデルに入力することにより生成された前記推定モデルを、取得する、ように前記少なくとも１つのプロセッサを機能させる」ことができる。
第３の態様に係るコンピュータプログラムは、上記第１の態様において「各組の教師データが、該組に対応する１人のサンプルユーザにより実行された行動の履歴を識別するサンプル行動データと、該組に対応する１人のサンプルユーザの睡眠の状態を識別するサンプル睡眠状態データと、を含む、複数組の教師データを、学習モデルに入力することにより生成された前記推定モデルに対して、通信回線を介して接続される、ように前記少なくとも１つのプロセッサを機能させる」ことができる。
第４の態様に係るコンピュータプログラムは、上記第１の態様において「各組の教師データが、該組に対応する１人のサンプルユーザにより実行された行動の履歴を識別するサンプル行動データと、該組に対応する１人のサンプルユーザの睡眠の状態を識別するサンプル睡眠状態データと、を含む、複数組の教師データを取得し、該複数組の教師データを学習モデルに入力して学習させることにより、前記推定モデルを生成する、ように前記少なくとも１つのプロセッサを機能させる」ことができる。
第５の態様に係るコンピュータプログラムは、上記第４の態様において「取得された前記複数組の教師データが第１の複数組の教師データを含み、該第１の複数組の教師データに含まれる各組の教師データが、前記サンプル睡眠状態データとして、少なくとも、該組に対応する１人のサンプルユーザの睡眠の性質を識別するサンプル性質データと、該組に対応する１人のサンプルユーザの睡眠のリズムを識別するサンプルリズムデータと、を含み、取得された前記第１の複数組の教師データに含まれる各組の教師データについて、該組に対応する１人のサンプルユーザの睡眠の性質を識別するサンプル性質データと該組に対応する１人のサンプルユーザの睡眠のリズムを識別するサンプルリズムデータとに基づいて、該組に対応する１人のサンプルユーザが属する睡眠カテゴリーを識別するサンプル睡眠カテゴリーデータを生成する、という前処理を実行し、各組の教師データが、該組に対応する１人のサンプルユーザの前記サンプル行動データと、該組に対応する１人のサンプルユーザの前記サンプル睡眠カテゴリーデータと、を含む、前記前処理後の前記第１の複数組の教師データを、前記学習モデルに入力して前記推定モデルを生成し、該推定モデルから、前記対象睡眠状態データとして、前記対象ユーザが属する睡眠カテゴリーを識別する対象睡眠カテゴリーデータを、出力させる、ように前記少なくとも１つのプロセッサを機能させる」ことができる。
第６の態様に係るコンピュータプログラムは、上記第２の態様から上記第４の態様のいずれかにおいて「前記複数組の教師データが第２の複数組の教師データを含み、該第２の複数組の教師データに含まれる各組の教師データが、前記サンプル睡眠状態データとして、少なくとも、該組に対応する１人のサンプルユーザの睡眠の性質を識別するサンプル性質データと該組に対応する１人のサンプルユーザの睡眠のリズムを識別するサンプルリズムデータとに基づいて決定された、該組に対応する１人のサンプルユーザが属する睡眠カテゴリーを識別するサンプル睡眠カテゴリーデータ、を含み、該推定モデルから、前記対象睡眠状態データとして、前記対象ユーザが属する睡眠カテゴリーを識別する対象睡眠カテゴリーデータを、出力させる、ように前記少なくとも１つのプロセッサを機能させる」ことができる。
第７の態様に係るコンピュータプログラムにあっては、上記第５の態様又は上記第６の態様において「前記組に対応する１人のサンプルユーザの睡眠の性質を識別するサンプル性質データは、アテネ不眠尺度、ピッツバーグ睡眠質問票、３次元型睡眠尺度、又は、不眠症重症度質問票に対する前記サンプルユーザによる回答内容に基づいて算出されたスコアを示し、前記組に対応する１人のサンプルユーザの睡眠のリズムを識別するサンプルリズムデータは、前記サンプルユーザの平日の睡眠時間帯の中央時間と休日の睡眠時間帯の中央時間帯との差の絶対値であるソーシャルジェットラグを示し、前記組に対応する１人のサンプルユーザが属する睡眠カテゴリーは、横軸及び縦軸のうちの一方の軸において前記スコアに対応付けて配置された少なくとも１つの閾値と、前記横軸及び前記縦軸のうちの他方の軸において前記ソーシャルジェットラグに対応付けて配置された少なくとも１つの閾値と、により分割される複数のカテゴリーのうちのいずれかであ」り得る。
第８の態様に係るコンピュータプログラムは、上記第２の態様から上記第４の態様のいずれかにおいて「前記複数組の教師データが第３の複数組の教師データを含み、該第３の複数組の教師データに含まれる各組の教師データが、前記サンプル睡眠状態データとして、少なくとも、該組に対応する１人のサンプルユーザの睡眠の性質を識別するサンプル性質データと、該組に対応する１人のサンプルユーザの睡眠のリズムを識別するサンプルリズムデータと、を含み、前記推定モデルから、前記対象睡眠状態データとして、前記対象ユーザの睡眠の性質を識別する対象性質データと、該対象ユーザの睡眠のリズムを識別する対象リズムデータとを、出力させる、ように前記少なくとも１つのプロセッサを機能させる」ことができる。
第９の態様に係るコンピュータプログラムは、上記第２の態様から上記第４の態様のいずれかにおいて「前記複数組の教師データが第４の複数組の教師データを含み、該第４の複数組の教師データに含まれる各組の教師データが、前記サンプル睡眠状態データとして、少なくとも、該組に対応する１人のサンプルユーザの睡眠の性質を識別するサンプル性質データを含み、前記推定モデルから、前記対象睡眠状態データとして、前記対象ユーザの睡眠の性質を識別する対象性質データを、出力させる、ように前記少なくとも１つのプロセッサを機能させる」ことができる。
第１０の態様に係るコンピュータプログラムは、上記第２の態様から上記第４の態様のいずれかにおいて「前記複数組の教師データが第５の複数組の教師データを含み、該第５の複数組の教師データに含まれる各組の教師データが、前記サンプル睡眠状態データとして、少なくとも、該組に対応する１人のサンプルユーザの睡眠のリズムを識別するサンプルリズムデータを含み、前記推定モデルから、前記対象睡眠状態データとして、前記対象ユーザの睡眠のリズムを識別する対象リズムデータを、出力させる、ように前記少なくとも１つのプロセッサを機能させる」ことができる。
第１１の態様に係るコンピュータプログラムは、上記第２の態様から上記第４の態様のいずれかにおいて「前記複数組の教師データが第６の複数組の教師データを含み、該第６の複数組の教師データに含まれる各組の教師データが、前記サンプル睡眠状態データとして、少なくとも、該組に対応する１人のサンプルユーザの睡眠時間を識別するサンプル時間データを含み、前記推定モデルから、前記対象睡眠状態データとして、前記対象ユーザの睡眠時間を識別する対象時間データを、出力させる、ように前記少なくとも１つのプロセッサを機能させる」ことができる。
第１２の態様に係るコンピュータプログラムは、上記第１の態様から上記第１１の態様のいずれかにおいて「複数の商品及び／又は複数のサービスのうち、前記対象睡眠状態データに対応する少なくとも１つの対象商品及び／又は少なくとも１つの対象サービスを決定する、ように前記少なくとも１つのプロセッサを機能させる」ことができる。
第１３の態様に係るコンピュータプログラムは、上記第１２の態様において「教師あり学習を実行することにより生成された別の推定モデルに前記対象睡眠状態データを入力することにより、該別の推定モデルから、前記少なくとも１つの対象商品及び／又は前記少なくとも１つの対象サービスを識別する提案データを出力させる、ように前記少なくとも１つのプロセッサを機能させる」ことができる。
第１４の態様に係るコンピュータプログラムは、上記第１２の態様において「対象睡眠状態データと前記複数の商品及び／又は前記複数のサービスとを対応付けた検索テーブルに前記対象睡眠状態データを入力することにより、該検索テーブルから前記少なくとも１つの対象商品及び／又は前記少なくとも１つの対象サービスを識別する提案データを取得する、ように前記少なくとも１つのプロセッサを機能させる」ことができる。
第１５の態様に係るコンピュータプログラムにあっては、上記第１の態様から上記第１４の態様のいずれかにおいて「前記少なくとも１つのプロセッサが、中央処理装置（ＣＰＵ）、マイクロプロセッサ、及び／又は、グラフィックスプロセッシングユニット（ＧＰＵ）を含む」ことができる。
第１６の態様に係る情報処理装置は、「少なくとも１つのプロセッサを具備し、該少なくとも１つのプロセッサが、対象ユーザにより実行された行動の履歴を識別する対象行動データを取得し、教師あり学習を実行することにより生成された推定モデルに前記対象行動データを入力することにより、前記対象ユーザの睡眠の状態を識別する対象睡眠状態データであって、該対象ユーザの睡眠の性質を識別する対象性質データ、該対象ユーザの睡眠のリズムを識別する対象リズムデータ、該対象ユーザの睡眠時間を識別する対象時間データ、及び、該対象ユーザが属する睡眠カテゴリーを識別する対象カテゴリーデータ、のうちの少なくとも１つを含む対象睡眠状態データを、前記推定モデルから出力させる、
ように構成され」得る。
第１７の態様に係る情報処理装置は、上記第１６の態様において「端末装置又はサーバ装置であ」り得る。
第１８の態様に係る情報処理装置にあっては、上記第１７の態様において「前記少なくとも１つのプロセッサが、中央処理装置（ＣＰＵ）、マイクロプロセッサ、及び／又は、グラフィックスプロセッシングユニット（ＧＰＵ）を含」み得る。
第１９の態様に係る方法は、「コンピュータにより読み取り可能な命令を実行する少なくとも１つのプロセッサにより実行される方法であって、該少なくとも１つのプロセッサが、前記命令を実行することにより、対象ユーザにより実行された行動の履歴を識別する対象行動データを取得する段階と、教師あり学習を実行することにより生成された推定モデルに前記対象行動データを入力することにより、前記対象ユーザの睡眠の状態を識別する対象睡眠状態データであって、該対象ユーザの睡眠の性質を識別する対象性質データ、該対象ユーザの睡眠のリズムを識別する対象リズムデータ、該対象ユーザの睡眠時間を識別する対象時間データ、及び、該対象ユーザが属する睡眠カテゴリーを識別する対象カテゴリーデータ、のうちの少なくとも１つを含む対象睡眠状態データを、前記推定モデルから出力させる段階と、を含む」ことができる。
第２０の態様に係る方法にあっては、上記第１９の態様において「前記少なくとも１つのプロセッサが、中央処理装置（ＣＰＵ）、マイクロプロセッサ、及び／又は、グラフィックスプロセッシングユニット（ＧＰＵ）を含」み得る。
第２１の態様に係る方法は、「コンピュータにより読み取り可能な命令を実行する少なくとも１つのプロセッサにより実行される方法であって、該少なくとも１つのプロセッサが、前記命令を実行することにより、各組の教師データが、該組に対応する１人のサンプルユーザにより実行された行動の履歴を識別するサンプル行動データと、該組に対応する１人のサンプルユーザの睡眠の状態を識別するサンプル睡眠状態データと、を含む、複数組の教師データを取得する取得段階と、該複数組の教師データを学習モデルに入力して学習させることにより、対象ユーザにより実行された行動の履歴を識別する対象行動データを入力して、前記対象ユーザの睡眠の状態を識別する対象睡眠状態データであって、該対象ユーザの睡眠の性質を識別する対象性質データ、該対象ユーザの睡眠のリズムを識別する対象リズムデータ、該対象ユーザの睡眠時間を識別する対象時間データ、及び、該対象ユーザが属する睡眠カテゴリーを識別する対象カテゴリーデータ、のうちの少なくとも１つを含む対象睡眠状態データを、出力するように構成された推定モデル、を生成する生成段階と、を含む」ことができる。
第２２の態様に係る方法は、上記第２１の態様において「前記取得段階が、前記複数組の教師データに含まれる第１の複数組の教師データを取得する段階を含み、該第１の複数組の教師データに含まれる各組の教師データは、前記サンプル睡眠状態データとして、少なくとも、該組に対応する１人のサンプルユーザの睡眠の性質を識別するサンプル性質データと、該組に対応する１人のサンプルユーザの睡眠のリズムを識別するサンプルリズムデータと、を含み、さらに、前記生成段階が、取得された前記第１の複数組の教師データに含まれる各組の教師データについて、該組に対応する１人のサンプルユーザの睡眠の性質を識別するサンプル性質データと該組に対応する１人のサンプルユーザの睡眠のリズムを識別するサンプルリズムデータとに基づいて、該組に対応する１人のサンプルユーザが属する睡眠カテゴリーを識別するサンプル睡眠カテゴリーデータを生成する、という前処理を実行する段階と、各組の教師データが、該組に対応する１人のサンプルユーザの前記サンプル行動データと、該組に対応する１人のサンプルユーザの前記サンプル睡眠カテゴリーデータと、を含む、前記前処理後の前記第１の複数組の教師データを、前記学習モデルに入力して前記推定モデルを生成する段階と、を含む」ことができる。
第２３の態様に係る方法は、上記第２１の態様において「前記取得段階が、前記複数組の教師データに含まれる第２の複数組の教師データを取得する段階を含み、該第２の複数組の教師データに含まれる各組の教師データは、前記サンプル睡眠状態データとして、少なくとも、該組に対応する１人のサンプルユーザの睡眠の性質を識別するサンプル性質データと該組に対応する１人のサンプルユーザの睡眠のリズムを識別するサンプルリズムデータとに基づいて決定された、該組に対応する１人のサンプルユーザが属する睡眠カテゴリーを識別するサンプル睡眠カテゴリーデータ、を含み、前記第２の複数組の教師データを、前記学習モデルに入力して前記推定モデルを生成する段階と、を含む」ことができる。
第２４の態様に係る方法にあっては、上記第２３の態様において「前記組に対応する１人のサンプルユーザの睡眠の性質を識別するサンプル性質データは、アテネ不眠尺度、ピッツバーグ睡眠質問票、３次元型睡眠尺度、又は、不眠症重症度質問票に対する前記サンプルユーザによる回答内容に基づいて算出されたスコアを示し、前記組に対応する１人のサンプルユーザの睡眠のリズムを識別するサンプルリズムデータは、前記サンプルユーザの平日の睡眠時間帯の中央時間と休日の睡眠時間帯の中央時間帯との差の絶対値であるソーシャルジェットラグを示し、前記組に対応する１人のサンプルユーザが属する睡眠カテゴリーは、横軸及び縦軸のうちの一方の軸において前記スコアに対応付けて配置された少なくとも１つの閾値と、前記横軸及び前記縦軸のうちの他方の軸において前記ソーシャルジェットラグに対応付けて配置された少なくとも１つの閾値と、により分割される複数のカテゴリーのうちのいずれかであ」り得る。
第２５の態様に係る方法は、上記第２１の態様から上記第２４の態様のいずれかにおいて「対象ユーザにより実行された行動の履歴を識別する対象行動データを前記推定モデルに入力することにより、該推定モデルから前記対象ユーザの睡眠の状態を識別する対象睡眠状態データを出力する推定段階、をさらに含む」ことができる。
第２６の態様に係る方法にあっては、上記第２１の態様から上記第２５の態様のいずれかにおいて「前記少なくとも１つのプロセッサが、中央処理装置（ＣＰＵ）、マイクロプロセッサ、及び／又は、グラフィックスプロセッシングユニット（ＧＰＵ）を含」み得る。
第２７の態様に係るコンピュータプログラムは、「少なくとも１つのプロセッサにより実行されることにより、対象ユーザにより実行された行動の履歴を識別する対象行動データを取得し、教師あり学習を実行することにより生成された推定モデルに前記対象行動データを入力することにより、前記対象ユーザの更年期症状の状態を識別する対象更年期状態データであって、該対象ユーザの更年期症状の総合的な状態を識別する対象総合状態データ、該対象ユーザの第１症状の状態を識別する対象第１状態データ、該対象ユーザの第２症状の状態を識別する対象第２状態データ、のうちの少なくとも１つを含む対象更年期状態データを、前記推定モデルから出力させる、ように前記少なくとも１つのプロセッサを機能させる」ことができる。
第２８の態様に係るコンピュータプログラムは、上記第２７の態様において「各組の教師データが、該組に対応する１人のサンプルユーザにより実行された行動の履歴を識別するサンプル行動データと、該組に対応する１人のサンプルユーザの更年期症状の状態を識別するサンプル更年期状態データと、を含む、複数組の教師データを、学習モデルに入力することにより生成された前記推定モデルを、取得する、ように前記少なくとも１つのプロセッサを機能させる」ことができる。
第２９の態様に係るコンピュータプログラムは、上記第２７の態様において「各組の教師データが、該組に対応する１人のサンプルユーザにより実行された行動の履歴を識別するサンプル行動データと、該組に対応する１人のサンプルユーザの更年期症状の状態を識別するサンプル更年期状態データと、を含む、複数組の教師データを、学習モデルに入力することにより生成された前記推定モデルに対して、通信回線を介して接続される、ように前記少なくとも１つのプロセッサを機能させる」ことができる。
第３０の態様に係るコンピュータプログラムは、上記第２７の態様において「各組の教師データが、該組に対応する１人のサンプルユーザにより実行された行動の履歴を識別するサンプル行動データと、該組に対応する１人のサンプルユーザの更年期症状の状態を識別するサンプル更年期状態データと、を含む、複数組の教師データを取得し、該複数組の教師データを学習モデルに入力して学習させることにより、前記推定モデルを生成する、ように前記少なくとも１つのプロセッサを機能させる」ことができる。
第３１の態様に係るコンピュータプログラムは、上記第３０の態様において「取得された前記複数組の教師データが第１の複数組の教師データを含み、該第１の複数組の教師データに含まれる各組の教師データが、前記サンプル更年期状態データとして、少なくとも、該組に対応する１人のサンプルユーザの更年期症状の総合的な状態を識別するサンプル総合状態データ、を含み、前記推定モデルから、前記対象更年期状態データとして、前記対象ユーザの更年期症状の総合的な状態を識別する対象総合状態データを、出力させる、
ように前記少なくとも１つのプロセッサを機能させる」ことができる。
第３２の態様に係るコンピュータプログラムは、上記第３１の態様において「前記第１の複数組の教師データに含まれる各組の教師データが、前記サンプル更年期状態データとして、少なくとも、該組に対応する１人のサンプルユーザの更年期症状の総合的な状態に対応するスコアを識別するサンプル総合状態データを含み、前記第１の複数組の教師データに含まれる各組の教師データについて、該組に対応する１人のサンプルユーザの更年期症状の総合的な状態に対応するスコアを識別するサンプル総合状態データを、該組に対応する１人のサンプルユーザの更年期症状の総合的な状態に対応するカテゴリーを識別するサンプル総合状態データに変換する、という前処理を実行し、前記前処理後の前記第１の複数組の教師データを、前記学習モデルに入力して前記推定モデルを生成し、該推定モデルから、前記対象更年期状態データとして、前記対象ユーザの更年期症状の総合的な状態に対応するカテゴリーを識別する対象総合状態データを、出力させる、ように前記少なくとも１つのプロセッサを機能させる」ことができる。
第３３の態様に係るコンピュータプログラムにあっては、上記第３２の態様において「前記組に対応する１人のサンプルユーザの更年期症状の総合的な状態に対応するスコアは、簡略更年期指数（ＳＭＩ）、更年期障害評価尺度（Ｍｅｎｏｐａｕｓｅ Ｒａｔｉｎｇ Ｓｃａｌｅ）、クッパーマン更年期指数（Ｋｕｐｐｅｒｍａｎ ｉｎｄｅｘ）、更年期障害評価（Ｇｒｅｅｎ Ｃｌｉｍａｃｔｅｒｉｃ Ｓｃａｌｅ）、ＰＳＳＴ（Ｐｒｅｍｅｎｓｔｒｕａｌ Ｓｙｍｐｔｏｍｓ Ｓｃｒｅｅｎｉｎｇ Ｔｏｏｌ）、ＷＨＱ（Ｗｏｍｅｎ’ｓ Ｈｅａｌｔｈ Ｑｕｅｓｔｉｏｎｎａｉｒｅ）、ＶＡＳ（Ｖｉｓｕａｌ Ａｎａｌｏｇｕｅ Ｓｃａｌｅ）、ＨＦＲＤＩ（Ｈｏｔ Ｆｌａｓｈ Ｒｅｌａｔｅｄ Ｄａｉｌｙ Ｉｎｔｅｒｆｅｒｅｎｃｅ Ｓｃａｌｅ）、ＨＦＣＳ（Ｈｏｔ Ｆｌａｓｈ Ｃｏｍｐｏｓｉｔｅ Ｓｃｏｒｅ）、ＭＥＮＱＯＬ（Ｍｅｎｏｐａｕｓｅ－Ｓｐｅｃｉｆｉｃ Ｑｕａｌｉｔｙ Ｏｆ Ｌｉｆｅ）又は日本人女性の更年期症状評価表に対する前記サンプルユーザ回答内容に基づいて算出されたスコアであ」り得る。
第３４の態様に係るコンピュータプログラムは、上記第３０の態様において「取得された前記複数組の教師データが第２の複数組の教師データを含み、該第２の複数組の教師データに含まれる各組の教師データが、前記サンプル更年期状態データとして、少なくとも、該組に対応する１人のサンプルユーザの第１症状の状態を識別するサンプル第１状態データ、を含み、前記推定モデルから、前記対象更年期状態データとして、前記対象ユーザの第１症状の状態を識別する対象第１状態データを、出力させる、ように前記少なくとも１つのプロセッサを機能させる」ことができる。
第３５の態様に係るコンピュータプログラムは、上記第３４の態様において「前記第２の複数組の教師データに含まれる各組の教師データが、前記サンプル更年期状態データとして、少なくとも、該組に対応する１人のサンプルユーザの第１症状の状態に対応するスコアを識別するサンプル第１状態データを含み、前記第２の複数組の教師データに含まれる各組の教師データについて、該組に対応する１人のサンプルユーザの第１症状の状態に対応するスコアを識別するサンプル第１状態データを、該組に対応する１人のサンプルユーザの第１症状の状態に対応するカテゴリーを識別するサンプル第１状態データに変換する、という前処理を実行し、前記前処理後の前記第２の複数組の教師データを、前記学習モデルに入力して前記推定モデルを生成し、該推定モデルから、前記対象更年期状態データとして、前記対象ユーザの第１症状の状態に対応するカテゴリーを識別する対象第１状態データを、出力させる、ように前記少なくとも１つのプロセッサを機能させる」ことができる。
第３６の態様に係るコンピュータプログラムは、上記第３０の態様において「取得された前記複数組の教師データが第３の複数組の教師データを含み、該第３の複数組の教師データに含まれる各組の教師データが、前記サンプル更年期状態データとして、少なくとも、該組に対応する１人のサンプルユーザの第２症状の状態を識別するサンプル第２状態データ、を含み、前記推定モデルから、前記対象更年期状態データとして、前記対象ユーザの第２症状の状態を識別する対象第１状態データを、出力させる、ように前記少なくとも１つのプロセッサを機能させる」ことができる。
第３７の態様に係るコンピュータプログラムは、上記第３６の態様において「前記第３の複数組の教師データに含まれる各組の教師データが、前記サンプル更年期状態データとして、少なくとも、該組に対応する１人のサンプルユーザの第２症状の状態に対応するスコアを識別するサンプル第２状態データを含み、前記第３の複数組の教師データに含まれる各組の教師データについて、該組に対応する１人のサンプルユーザの第２症状の状態に対応するスコアを識別するサンプル第２状態データを、該組に対応する１人のサンプルユーザの第２症状の状態に対応するカテゴリーを識別するサンプル第２状態データに変換する、という前処理を実行し、前記前処理後の前記第３の複数組の教師データを、前記学習モデルに入力して前記推定モデルを生成し、該推定モデルから、前記対象更年期状態データとして、前記対象ユーザの第２症状の状態に対応するカテゴリーを識別する対象第２状態データを、出力させる、ように前記少なくとも１つのプロセッサを機能させる」ことができる。
第３８の態様に係るコンピュータプログラムは、上記第２７の態様から上記第３７の態様のいずれかにおいて「複数の商品及び／又は複数のサービスのうち、前記対象更年期状態データに対応する少なくとも１つの対象商品及び／又は少なくとも１つの対象サービスを決定する、ように前記少なくとも１つのプロセッサを機能させる」ことができる。
第３９の態様に係るコンピュータプログラムは、上記第３８の態様において「教師あり学習を実行することにより生成された別の推定モデルに前記対象更年期状態データを入力することにより、該別の推定モデルから、前記少なくとも１つの対象商品及び／又は前記少なくとも１つの対象サービスを識別する提案データを出力させる、ように前記少なくとも１つのプロセッサを機能させる」ことができる。
第４０の態様に係るコンピュータプログラムは、上記第３８の態様において「対象更年期状態データと前記複数の商品及び／又は前記複数のサービスとを対応付けた検索テーブルに前記対象更年期状態データを入力することにより、該検索テーブルから前記少なくとも１つの対象商品及び／又は前記少なくとも１つの対象サービスを識別する提案データを取得する、ように前記少なくとも１つのプロセッサを機能させる」ことができる。
第４１の態様に係るコンピュータプログラムにあっては、上記第２７の態様から上記第４０の態様のいずれかにおいて「前記少なくとも１つのプロセッサが、中央処理装置（ＣＰＵ）、マイクロプロセッサ、及び／又は、グラフィックスプロセッシングユニット（ＧＰＵ）を含」み得る。
第４２の態様に係る情報処理装置は、「少なくとも１つのプロセッサを具備し、該少なくとも１つのプロセッサが、対象ユーザにより実行された行動の履歴を識別する対象行動データを取得し、教師あり学習を実行することにより生成された推定モデルに前記対象行動データを入力することにより、前記対象ユーザの更年期症状の状態を識別する対象更年期状態データであって、該対象ユーザの更年期症状の総合的な状態を識別する対象総合状態データ、該対象ユーザの第１症状の状態を識別する対象第１状態データ、及び、該対象ユーザの第２症状の状態を識別する対象第２状態データ、のうちの少なくとも１つを含む対象更年期状態データを、前記推定モデルから出力させる、ように構成され」得る。
第４３の態様に係る情報処理装置は、上記第４２の態様において「端末装置又はサーバ装置であ」り得る。
第４４の態様に係る情報処理装置にあっては、上記第４２の態様又は上記第４３の態様において「前記少なくとも１つのプロセッサが、中央処理装置（ＣＰＵ）、マイクロプロセッサ、及び／又は、グラフィックスプロセッシングユニット（ＧＰＵ）を含」み得る。
第４５の態様に係る方法は、「コンピュータにより読み取り可能な命令を実行する少なくとも１つのプロセッサにより実行される方法であって、該少なくとも１つのプロセッサが、前記命令を実行することにより、対象ユーザにより実行された行動の履歴を識別する対象行動データを取得する段階と、教師あり学習を実行することにより生成された推定モデルに前記対象行動データを入力することにより、前記対象ユーザの更年期症状の状態を識別する対象更年期状態データであって、該対象ユーザの更年期症状の総合的な状態を識別する対象総合状態データ、該対象ユーザの第１症状の状態を識別する対象第１状態データ、及び、該対象ユーザの第２症状の状態を識別する対象第２状態データ、のうちの少なくとも１つを含む対象更年期状態データを、前記推定モデルから出力させる段階と、を含む」ことができる。
第４６の態様に係る方法にあっては、上記第４５の態様において「前記少なくとも１つのプロセッサが、中央処理装置（ＣＰＵ）、マイクロプロセッサ、及び／又は、グラフィックスプロセッシングユニット（ＧＰＵ）を含」み得る。
第４７の態様に係る方法は、「コンピュータにより読み取り可能な命令を実行する少なくとも１つのプロセッサにより実行される方法であって、該少なくとも１つのプロセッサが、前記命令を実行することにより、各組の教師データが、該組に対応する１人のサンプルユーザにより実行された行動の履歴を識別するサンプル行動データと、該組に対応する１人のサンプルユーザの更年期症状の状態を識別するサンプル更年期状態データと、を含む、複数組の教師データを取得する取得段階と、該複数組の教師データを学習モデルに入力して学習させることにより、対象ユーザにより実行された行動の履歴を識別する対象行動データを入力して、前記対象ユーザの更年期症状の状態を識別する対象更年期状態データであって、該対象ユーザの更年期症状の総合的な状態を識別する対象総合状態データ、該対象ユーザの第１症状の状態を識別する対象第１状態データ、及び、該対象ユーザの第２症状の状態を識別する対象第２状態データ、のうちの少なくとも１つを含む対象更年期状態データを、出力するように構成された推定モデル、を生成する生成段階と、を含む」ことができる。
第４８の態様に係る方法は、上記第４７の態様において「前記取得段階が、前記複数組の教師データに含まれる第１の複数組の教師データを取得する段階を含み、該第１の複数組の教師データに含まれる各組の教師データは、前記サンプル更年期状態データとして、少なくとも、該組に対応する１人のサンプルユーザの更年期症状の総合的な状態に対応するスコアを識別するサンプル総合状態データを含み、さらに、前記生成段階が、取得された前記第１の複数組の教師データに含まれる各組の教師データについて、該組に対応する１人のサンプルユーザの更年期症状の総合的な状態に対応するスコアを識別するサンプル総合状態データを、該組に対応する１人のサンプルユーザの更年期症状の総合的な状態に対応するカテゴリーを識別するサンプル総合状態データに変換する、という前処理を実行する段階と、各組の教師データが、該組に対応する１人のサンプルユーザの前記サンプル行動データと、該組に対応する１人のサンプルユーザの前記サンプル総合状態データと、を含む、前記前処理後の前記第１の複数組の教師データを、前記学習モデルに入力して前記推定モデルを生成する段階と、を含む」ことができる。
第４９の態様に係る方法は、上記第４７の態様において「前記取得段階が、前記複数組の教師データに含まれる第１の複数組の教師データを取得する段階を含み、該第２の複数組の教師データに含まれる各組の教師データは、前記サンプル更年期状態データとして、少なくとも、該組に対応する１人のサンプルユーザの第１症状の状態に対応するスコアを識別するサンプル第１状態データを含み、さらに、前記生成段階が、取得された前記第２の複数組の教師データに含まれる各組の教師データについて、該組に対応する１人のサンプルユーザの第１症状の状態に対応するスコアを識別するサンプル第１状態データを、該組に対応する１人のサンプルユーザの第１症状の状態に対応するカテゴリーを識別するサンプル第１状態データに変換する、という前処理を実行する段階と、各組の教師データが、該組に対応する１人のサンプルユーザの前記サンプル行動データと、該組に対応する１人のサンプルユーザの前記サンプル第１状態データと、を含む、前記前処理後の前記第２の複数組の教師データを、前記学習モデルに入力して前記推定モデルを生成する段階と、を含む」ことができる。
第５０の態様に係る方法は、上記第４７の態様において「前記取得段階が、前記複数組の教師データに含まれる第３の複数組の教師データを取得する段階を含み、該第３の複数組の教師データに含まれる各組の教師データは、前記サンプル更年期状態データとして、少なくとも、該組に対応する１人のサンプルユーザの第２症状の状態に対応するスコアを識別するサンプル第２状態データを含み、さらに、前記生成段階が、取得された前記第３の複数組の教師データに含まれる各組の教師データについて、該組に対応する１人のサンプルユーザの第２症状の状態に対応するスコアを識別するサンプル第２状態データを、該組に対応する１人のサンプルユーザの第２症状の状態に対応するカテゴリーを識別するサンプル第２状態データに変換する、という前処理を実行する段階と、各組の教師データが、該組に対応する１人のサンプルユーザの前記サンプル行動データと、該組に対応する１人のサンプルユーザの前記サンプル第２状態データと、を含む、前記前処理後の前記第３の複数組の教師データを、前記学習モデルに入力して前記推定モデルを生成する段階と、を含む」ことができる。
第５１の態様に係る方法にあっては、上記第４７の態様から上記第５０の態様において「前記少なくとも１つのプロセッサが、中央処理装置（ＣＰＵ）、マイクロプロセッサ、及び／又は、グラフィックスプロセッシングユニット（ＧＰＵ）を含む」ことができる。
本開示の利益を有する当業者により容易に理解されるように、上述した様々な例は、矛盾の生じさせない限りにおいて、相互に様々なパターンで適切に組み合わせて用いられ得る。
本明細書に開示された発明の原理が適用され得る多くの可能な実施形態を考慮すれば、例示された様々な実施形態は好ましい様々な例に過ぎず、特許請求の範囲に係る発明の技術的範囲をこれらの好ましい様々な例に限定すると考えるべきではない、と理解されたい。実際には、特許請求の範囲に係る発明の技術的範囲は、添付した特許請求の範囲により定められる。したがって、特許請求の範囲に記載された発明の技術的範囲に属するすべてについて、本発明者らの発明として、特許の付与を請求する。
１ ：健康予測システム
９ ：学習システム
１００ ：統合健康予測プログラム
１１０ ：健康予測モデル
１２０ ：入力部
１２５ ：商品カテゴリ決定部
１３０ ：出力部
１３５ ：提案部
１４０ ：出力部
１５０ ：購買データ
１６０ ：健康予測値
８００ ：情報処理装置
８１０ ：制御部
８２０ ：入力インタフェース（Ｉ／Ｆ）部
８３０ ：記憶装置
８３１ ：提案用テーブル
８４０ ：出力Ｉ／Ｆ部
９００ ：モデル学習プログラム
９１０ ：入力部
９１２ ：商品カテゴリ決定部
９１４ ：学習部
９１６ ：出力部
９５０ ：教師データ
９５２ ：購買データ
９５４ ：健康データ
１４００ ：情報処理装置
１４１０ ：制御部
１４２０ ：通信Ｉ／Ｆ部
１４３０ ：記憶装置
Ｄ ：ディスプレイ

Claims (26)

  1. 対象顧客の購買履歴を表す第１購買データを取得する処理と、
    前記第１購買データから、第１種～第Ｎ種（Ｎは２以上の整数）の複数種類の健康症状に関する健康予測モデルを用いて、前記複数種類の健康症状の程度を予測する予測処理と、
    予測した前記複数種類の健康症状の程度を示す健康情報を前記対象顧客に提供する処理と
    を情報処理装置に実行させるプログラムであって、
    第ｋ種（１≦ｋ≦Ｎ）の健康症状に関する健康予測モデルは、前記商品カテゴリに関する前記第１購買データから、当該第ｋ種の健康症状の程度を示す数値を算出する、プログラム。
  2. 情報処理装置に、前記第１購買データから少なくとも１つの商品が属する商品カテゴリを決定する処理を更に実行させ、
    前記予測処理は、前記商品カテゴリに関する前記第１購買データから、第１種～第Ｎ種（Ｎは２以上の整数）の複数種類の健康症状に関する健康予測モデルを用いて、前記複数種類の健康症状の程度を予測する、
    請求項１記載のプログラム。
  3. 第ｋ種（１≦ｋ≦Ｎ）の健康症状に関する健康予測モデルは、複数の被験者の各々の購買履歴を示す第２購買データを説明変数とし、前記複数の被験者の各々から収集された健康症状の程度を表す健康データを目的変数として機械学習により構築される、請求項１又は請求項２記載のプログラム。
  4. 前記機械学習はロジスティック回帰による機械学習である、請求項３記載のプログラム。
  5. 前記ロジスティック回帰は、Ｌ１正規化法及び／又はＬ２正規化法を用いる、請求項４記載のプログラム。
  6. 第ｋ種（１≦ｋ≦Ｎ）の健康症状は、健康症状の程度に応じて複数のクラスに分類され、
    前記複数のクラスの各々は、健康症状の程度に応じた数値範囲と予め対応付けられており、
    前記予測処理において、前記対象顧客の健康症状の程度を示す数値が属する数値範囲に基づいて、当該数値に対応するクラスを決定することにより、前記対象顧客の健康症状の程度を予測する、
    請求項１乃至請求項５のいずれか１項記載のプログラム。
  7. 前記複数のクラスは３以上である、請求項５記載のプログラム。
  8. 前記複数のクラスの各々と、各クラスの健康症状に適合するサービス及び／又は製品とを対応付けたテーブルを参照することにより、前記健康情報と共に、決定されたクラスの健康症状に適合するサービス及び／又は製品に関する提案を行う提案処理、
    をさらに情報処理装置に実行させる、請求項６又は請求項７記載のプログラム。
  9. 前記提案処理において、前記複数のクラスの各々と、各クラスの健康症状に適合するサービスとを対応付けたテーブルを参照することにより、前記健康情報に関連する保険商品を提案する、請求項８記載のプログラム。
  10. 前記提案処理において、前記複数のクラスの各々と、各クラスの健康症状に適合するサービスとを対応付けたテーブルを参照することにより、前記健康情報に関連する予防診療及び／又は治療を行う医療機関を前記対象顧客に紹介する、請求項８記載のプログラム。
  11. 前記第１購買データは、一定期間に購入した食品及び／又は日用品の購買履歴であり、
    第ｋ種（１≦ｋ≦Ｎ）の健康症状の程度は、簡略更年期指数（ＳＭＩ）、更年期障害評価尺度（ｔｈｅ Ｍｅｎｏｐａｕｓｅ Ｒａｔｉｎｇ Ｓｃａｌｅ）、クッパーマン更年期指数（Ｔｈｅ Ｋｕｐｐｅｒｍａｎ ｉｎｄｅｘ）、更年期障害評価尺度（Ｇｒｅｅｎ Ｃｌｉｍａｃｔｅｒｉｃ Ｓｃａｌｅ）、ＰＳＳＴ（Ｔｈｅ ｐｒｅｍｅｎｓｔｒｕａｌ ｓｙｍｐｔｏｍｓｓｃｒｅｅｎｉｎｇ ｔｏｏｌ）、ＭＲＳ（Ｍｅｎｏｐａｕｓｅ ｒａｔｉｎｇ Ｓｃａｌｅ）、ＷＨＱ（Ｔｈｅ Ｗｏｍｅｎ’ｓ Ｈｅａｌｔｈ Ｑｕｅｓｔｉｏｎｎａｉｒｅ）、ＶＡＳ（Ｖｉｓｕａｌ ａｎａｌｏｇｕｅ ｓｃａｌｅ）、ＨＦＲＤＩ（Ｈｏｔ Ｆｌａｓｈ Ｒｅｌａｔｅｄ Ｄａｉｌｙ Ｉｎｔｅｒｆｅｒｅｎｃｅ Ｓｃａｌｅ）、ＨＦＣＳ（Ｈｏｔ Ｆｌａｓｈ Ｃｏｍｐｏｓｉｔｅ Ｓｃｏｒｅ）、及びＭＥＮＱＯＬ（Ｍｅｎｏｐａｕｓｅ－Ｓｐｅｃｉｆｉｃ Ｑｕａｌｉｔｙ ｏｆ ｌｉｆｅ）、日本人女性の更年期症状評価表のいずれか１つ以上によって表される、
    請求項１乃至請求項１０のいずれか１項記載のプログラム。
  12. 前記対象顧客の健康症状は、更年期症状、月経前症候群（ＰＭＳ、ＰＭＤＤ）症状から選択される１つ以上であり、
    前記複数種類の健康症状に関する健康予測モデルは、更年期予測モデル、月経前症候群（ＰＭＳ、ＰＭＤＤ）予測モデルのうち１つ以上を含む、
    請求項１乃至請求項１１のいずれか１項記載のプログラム。
  13. 第ｋ種（１≦ｋ≦Ｎ）の健康症状の程度は、睡眠状態の悪化、睡眠リズムの乱れ、不適切な睡眠時間のいずれか１つ以上によって表される、
    請求項１乃至請求項１０のいずれか１項記載のプログラム。
  14. 前記複数種類の健康症状に関する健康予測モデルは、睡眠の状態予測モデルを含む、請求項１乃至請求項１３のいずれか１項記載のプログラム。
  15. 第ｋ種（１≦ｋ≦Ｎ）の健康症状の程度は、運動不足、肥満、一定期間における体重の変化のいずれか１つ以上によって表される、請求項１乃至請求項１０のいずれか１項記載のプログラム。
  16. 説明変数として、前記複数の被験者の各々の喫煙の有無、座位行動の１つ以上の情報を含めて前記機械学習を行う、請求項３乃至請求項５のいずれか１項記載のプログラム。
  17. 前記複数種類の健康症状に関する健康予測モデルは、運動状態に関する生活習慣病予測モデルを含む、請求項１乃至請求項１６のいずれか１項記載のプログラム。
  18. 第ｋ種（１≦ｋ≦Ｎ）の健康症状の程度は、血清Ｎａ、ＢＵＮ／クレアチニン比、尿浸透圧、尿カラー、尿比重のいずれか１つ以上によって表される、請求項１乃至請求項１０のいずれか１項記載のプログラム。
  19. 説明変数として、前記複数の被験者の各々の血清Ｎａ、ＢＵＮ／クレアチニン比、尿浸透圧、尿比重、飲水量、飲酒量、身体活動量、尿カラーの色の１つ以上の情報を含めて前記機械学習を行う、請求項３乃至請求項５のいずれか１項記載のプログラム。
  20. 前記複数種類の健康症状に関する健康予測モデルは、水分補給状況に関する水分補給状況予測モデルを含む、請求項１乃至請求項１９のいずれか１項記載のプログラム。
  21. 第ｋ種（１≦ｋ≦Ｎ）の健康症状の程度は、風邪の引きやすさ、風邪を引き起こす頻度、ＳＩｇＡ濃度、アレルギー症状、口腔環境・免疫力の状態、運動の状態、ストレスの状態、重度の睡眠症状、中程度の睡眠症状、軽度の睡眠症状、風邪様症状のいずれか１つ以上によって表される、請求項１乃至請求項１０のいずれか１項記載のプログラム。
  22. 前記複数種類の健康症状に関する健康予測モデルは、免疫状態に関する免疫状態予測モデルを含む、請求項１乃至請求項２１のいずれか１項記載のプログラム。
  23. 第ｋ種（１≦ｋ≦Ｎ）の健康症状の程度は、栄養低下に伴う自覚症状の有無、食品摂取の多様性得点（ＤＶＳ）、食欲尺度短縮版（ＳＮＡＱ：Ｓｉｍｐｌｉｆｉｅｄ ｎｕｔｒｉｔｉｏｎａｌ ａｐｐｅｔｉｔｅ ｑｕｅｓｔｉｏｎｎａｉｒｅ）、ＢＭＩ（Ｂｏｄｙ Ｍａｓｓ Ｉｎｄｅｘ）のいずれか１つ以上によって表される、請求項１乃至請求項１０のいずれか１項記載のプログラム。
  24. 前記複数種類の健康症状に関する健康予測モデルは、栄養状態に関する栄養状態予測モデルを含む、請求項１乃至請求項２３のいずれか１項記載のプログラム。
  25. 対象顧客の購買履歴を表す第１購買データを取得する入力部と、
    前記第１購買データから、第１種～第Ｎ種（Ｎは２以上の整数）の複数種類の健康症状に関する健康予測モデルを用いて、前記複数種類の健康症状の程度を予測する予測部と、
    予測した前記複数種類の健康症状の程度を示す健康情報を前記対象顧客に提供する出力部と
    を有する情報処理装置であって、
    第ｋ種（１≦ｋ≦Ｎ）の健康症状に関する健康予測モデルは、前記商品カテゴリに関する前記第１購買データから、前記第ｋ種の健康症状の程度を示す数値を算出する、情報処理装置。
  26. 対象顧客の購買履歴を表す第１購買データを取得する処理と、
    前記第１購買データから、第１種～第Ｎ種（Ｎは２以上の整数）の複数種類の健康症状に関する健康予測モデルを用いて、前記複数種類の健康症状の程度を予測する処理と、
    予測した前記複数種類の健康症状の程度を示す健康情報を前記対象顧客に提供する処理と
    を情報処理装置が行う情報処理方法であって、情報処理装置は、
    第ｋ種（１≦ｋ≦Ｎ）の健康症状に関する健康予測モデルは、前記商品カテゴリに関する前記第１購買データから、前記第ｋ種の健康症状の程度を示す数値を算出する、情報処理方法。
JP2022046895A 2022-03-23 2022-03-23 プログラム、情報処理装置、及び情報処理方法 Active JP7220822B1 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
JP2022046895A JP7220822B1 (ja) 2022-03-23 2022-03-23 プログラム、情報処理装置、及び情報処理方法
JP2023013219A JP2023143727A (ja) 2022-03-23 2023-01-31 プログラム、情報処理装置、及び情報処理方法
PCT/JP2023/010383 WO2023182162A1 (ja) 2022-03-23 2023-03-16 コンピュータプログラム、情報処理装置及び方法
TW112110641A TW202347189A (zh) 2022-03-23 2023-03-22 電腦程式、資訊處理裝置及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2022046895A JP7220822B1 (ja) 2022-03-23 2022-03-23 プログラム、情報処理装置、及び情報処理方法

Related Child Applications (1)

Application Number Title Priority Date Filing Date
JP2023013219A Division JP2023143727A (ja) 2022-03-23 2023-01-31 プログラム、情報処理装置、及び情報処理方法

Publications (2)

Publication Number Publication Date
JP7220822B1 JP7220822B1 (ja) 2023-02-10
JP2023140854A true JP2023140854A (ja) 2023-10-05

Family

ID=85174614

Family Applications (2)

Application Number Title Priority Date Filing Date
JP2022046895A Active JP7220822B1 (ja) 2022-03-23 2022-03-23 プログラム、情報処理装置、及び情報処理方法
JP2023013219A Pending JP2023143727A (ja) 2022-03-23 2023-01-31 プログラム、情報処理装置、及び情報処理方法

Family Applications After (1)

Application Number Title Priority Date Filing Date
JP2023013219A Pending JP2023143727A (ja) 2022-03-23 2023-01-31 プログラム、情報処理装置、及び情報処理方法

Country Status (1)

Country Link
JP (2) JP7220822B1 (ja)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021084695A1 (ja) * 2019-10-31 2021-05-06 日本電気株式会社 患者状態予測装置、患者状態予測方法、及びコンピュータプログラム
JP6916367B1 (ja) * 2020-11-30 2021-08-11 株式会社博報堂Ｄｙホールディングス 推定システム及び推定方法
JP7049030B1 (ja) * 2021-08-26 2022-04-06 株式会社Peco 動物健康管理システム

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021084695A1 (ja) * 2019-10-31 2021-05-06 日本電気株式会社 患者状態予測装置、患者状態予測方法、及びコンピュータプログラム
JP6916367B1 (ja) * 2020-11-30 2021-08-11 株式会社博報堂Ｄｙホールディングス 推定システム及び推定方法
JP7049030B1 (ja) * 2021-08-26 2022-04-06 株式会社Peco 動物健康管理システム

Also Published As

Publication number Publication date
JP7220822B1 (ja) 2023-02-10
JP2023143727A (ja) 2023-10-06

Similar Documents

Publication Publication Date Title
Singh et al. Machine learning approach for the early prediction of the risk of overweight and obesity in young people
KR20200116129A (ko) 개인화된 피부 관리 제품을 제형화하기 위한 시스템 및 방법
JP7003880B2 (ja) 予測装置、方法およびプログラム
Ong et al. Path analysis of atmospherics and convenience on flow: the mediation effects of brand affect and brand trust
JP2018005284A (ja) 情報処理方法、情報処理装置及び情報処理プログラム
Koklić Effect of specialty store environment on consumer’s emotional states: The moderating role of price consciousness
WO2021100880A1 (ja) 提案システム、提案方法及びプログラム
JP2003242248A (ja) 問診判定方法及び問診判定システム
Nguyen-Viet et al. Vietnamese consumer's perspective on green beauty care products: Exploring the impact of animal welfare concerns and skepticism toward green advertising
JP2011128922A (ja) 美容サポートシステム及び美容サポート方法
WO2023182162A1 (ja) コンピュータプログラム、情報処理装置及び方法
JP7048796B1 (ja) 生活者の健康状態を把握、健康予測モデルでの生活者の健康維持、増進をサポートする方法及び情報提供方法
JP7220822B1 (ja) プログラム、情報処理装置、及び情報処理方法
JP7165834B1 (ja) コンピュータプログラム、情報処理装置及び方法
JP7259126B1 (ja) コンピュータプログラム、情報処理装置及び方法
JP7523620B2 (ja) コンピュータプログラム、情報処理装置及び方法
CN113990506B (zh) 一种健康状态评估方法、装置、存储介质及计算机系统
JP6862026B1 (ja) 分析プログラム、分析方法及び分析装置
Kannan et al. Leveraging business data analytics and machine learning techniques for competitive advantage: case study evidence from small businesses
Asadi et al. Antecedents of Consumers' Intention to Adopt Wearable Healthcare Devices.
Muthiya et al. Self-monitoring and Trust as Essential Factors on Impulsive Purchase of Hand Sanitizer Products in Indonesian COVID-19 Situation.
Noor et al. Predicting obesity from grocery data: A conceptual process framework
JP7260939B1 (ja) プログラム、情報処理装置、及び方法
JP7473261B1 (ja) 女性特有の嗜好変化に伴う広告配信システムおよび広告配信方法
Sudirjo et al. The Influence of Influencer Collaboration, Augmented Reality Marketing, and Personalized Recommendations on Consumer Purchasing Decisions in the Beauty Industry in Indonesia

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20220323

A871 Explanation of circumstances concerning accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A871

Effective date: 20220323

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20220621

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20220818

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20220906

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20221018

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20221220

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230111

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20230124

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20230131

R150 Certificate of patent or registration of utility model

Ref document number: 7220822

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150