JP2023146141A - Information processing device, information processing method, and program - Google Patents

Information processing device, information processing method, and program Download PDF

Info

Publication number
JP2023146141A
JP2023146141A JP2022053170A JP2022053170A JP2023146141A JP 2023146141 A JP2023146141 A JP 2023146141A JP 2022053170 A JP2022053170 A JP 2022053170A JP 2022053170 A JP2022053170 A JP 2022053170A JP 2023146141 A JP2023146141 A JP 2023146141A
Authority
JP
Japan
Prior art keywords
user
users
information processing
target user
target
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
JP2022053170A
Other languages
Japanese (ja)
Other versions
JP7514878B2 (en
Inventor
勇宇 平手
Yuu Hirate
エムディ モスタフィズ ラーマン
Mostafizur Rahman Md
▲たく▼磨 蛭子
Takuma Ebisu
マノゥチ コンダパカ
Kondapaka Manoj
大輔 菊田
Daisuke Kikuta
サティアン アブロール
Abrol Satyen
科 田
Ke Tian
翼 上嶋
Tsubasa Ueshima
ジュリアン オニヤリ
Oniyari Julian
カイル ミード
Mede Kyle
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.)
Rakuten Group Inc
Original Assignee
Rakuten Group Inc
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 Rakuten Group Inc filed Critical Rakuten Group Inc
Priority to JP2022053170A priority Critical patent/JP7514878B2/en
Publication of JP2023146141A publication Critical patent/JP2023146141A/en
Application granted granted Critical
Publication of JP7514878B2 publication Critical patent/JP7514878B2/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

To accurately predict the possibility of successful package delivery.SOLUTION: An information processing device acquires fact features about each of a plurality of users as user features, creates a relationship graph showing a social relationship between the plurality of users on the basis of the user features, sets a target user among the plurality of users, sets one or more users living with the target user as related users among the plurality of users on the basis of the relationship graph, and predicts the possibility of successful delivery of a package to the target user at a prescribed date and time on the basis of user features of the target user and user features of the related users.SELECTED DRAWING: Figure 8

Description

本発明は、情報処理装置、情報処理方法、およびプログラムに関し、特に、ユーザの在宅可能性の予測に関連する技術に関する。 The present invention relates to an information processing device, an information processing method, and a program, and particularly relates to a technique related to predicting the possibility of a user being at home.

近年の電子商取引(Electronic Commerce)の普及に伴い、荷物の配送の需要が急速に増加している。ユーザが在宅でない場合、配送業者は荷物を再配達しなければならず、さらに、当該再発時であってもユーザが在宅である保証はなく、配達業者への負担が高くなっている。このような課題に対処するための技術として、特許文献1には、ユーザによるサービスの利用状況と、ユーザが在宅であったかを示す結果情報との関係性を用いて学習された学習モデルを用いて、ユーザの在宅可能性を判定する技術が開示されている。 With the spread of electronic commerce in recent years, the demand for package delivery is rapidly increasing. If the user is not at home, the delivery company has to redeliver the package, and furthermore, there is no guarantee that the user will be at home even at the time of recurrence, increasing the burden on the delivery company. As a technology for dealing with such issues, Patent Document 1 discloses a learning model that is trained using the relationship between the user's service usage status and result information indicating whether the user is at home. , a technique for determining whether a user is likely to be at home has been disclosed.

特開2019-016411号公報JP2019-016411A

特許文献1に開示の技術では、対象となるユーザの行動に関する情報に基づいて、当該ユーザの在宅可能性を判定しているが、当該情報は局所的な情報に過ぎず、ユーザと同居しうる他のユーザの在宅可能性は判定していない。 In the technology disclosed in Patent Document 1, the possibility that the target user is home is determined based on information regarding the behavior of the target user, but this information is only local information and it is possible that the target user lives with the user. The possibility that other users are home is not determined.

本発明は上記課題に鑑みてなされたものであり、ユーザと他の複数のユーザとの網羅的な関係性に基づいて、配達成功の可能性を精度よく予測するための技術を提供することを目的とする。 The present invention has been made in view of the above problems, and aims to provide a technology for accurately predicting the possibility of successful delivery based on comprehensive relationships between a user and multiple other users. purpose.

上記課題を解決するために、本発明による情報処理装置の一態様は、複数のユーザそれぞれのユーザについての事実特徴をユーザ特徴として取得する取得手段と、前記ユーザ特徴に基づいて、前記複数のユーザ間の社会的関係性を示す関係性グラフを作成する作成手段と、前記複数のユーザのうち、対象ユーザを設定する対象ユーザ設定手段と、前記関係性グラフに基づいて、前記複数のユーザのうち、前記対象ユーザと同居する1以上のユーザを関連ユーザとして設定する関連ユーザ設定手段と、前記対象ユーザのユーザ特徴と前記関連ユーザのユーザ特徴に基づいて、前記対象ユーザ宛ての荷物の所定の日時における配達成功の可能性を予測する予測手段と、を有する。 In order to solve the above problems, one aspect of the information processing device according to the present invention includes an acquisition unit that acquires factual characteristics about each of a plurality of users as user characteristics; creating means for creating a relationship graph showing social relationships among the users; target user setting means for setting target users among the plurality of users; , a related user setting means for setting one or more users who live together with the target user as related users, and a predetermined date and time of a package addressed to the target user based on the user characteristics of the target user and the user characteristics of the related user. prediction means for predicting the probability of successful delivery at.

前記予測手段は、前記対象ユーザのユーザ特徴と前記関連ユーザのユーザ特徴を入力し、前記所定の日時における前記荷物の配達成功の可能性を出力するように構成された機械学習モデルを用いて、前記所定の日時における前記荷物の配達成功の可能性を予測しうる。 The prediction means inputs the user characteristics of the target user and the user characteristics of the related user, and uses a machine learning model configured to output the probability of successful delivery of the package at the predetermined date and time, The probability of successful delivery of the package at the predetermined date and time can be predicted.

前記所定の日時における前記荷物の配達成功の可能性は、1を最大の可能性として、0~1の数値で表されうる。 The probability of successful delivery of the package at the predetermined date and time may be expressed as a number between 0 and 1, with 1 being the maximum probability.

前記関係性グラフでは、各ユーザは各ユーザノードで表され、前記作成手段は、前記事実特徴に基づいて各ノードをリンクで接続しうる。 In the relationship graph, each user is represented by each user node, and the creation means may connect each node with a link based on the factual characteristics.

前記作成手段は、同じ事実特徴を有するユーザノードのペアを明示的なリンクで接続し、当該明示的なリンクで接続された複数のユーザノードのペアに基づいて、前記明示的なリンクで接続されていないノードのペアを暗示的なリンクで接続しうる。 The creation means connects a pair of user nodes having the same factual characteristics with an explicit link, and based on the plurality of pairs of user nodes connected by the explicit link, the pair of user nodes connected by the explicit link is Implicit links can connect pairs of nodes that are not connected.

前記作成手段は、前記接続されたペアの親密度を、当該ペアで共有される1つ以上の事実特徴に基づいて決定しうる。 The generating means may determine the closeness of the connected pair based on one or more factual characteristics shared by the pair.

前記ユーザ特徴は、ユーザのデモグラフィック情報と、ユーザのウェブサービスの利用に関する情報を含みうる。 The user characteristics may include user demographic information and information regarding the user's use of web services.

上記課題を解決するために、本発明による情報処理方法の一態様は、複数のユーザそれぞれのユーザについての事実特徴をユーザ特徴として取得する取得工程と、前記ユーザ特徴に基づいて、前記複数のユーザ間の社会的関係性を示す関係性グラフを作成する作成工程と、前記複数のユーザのうち、対象ユーザを設定する対象ユーザ設定工程と、前記関係性グラフに基づいて、前記複数のユーザのうち、前記対象ユーザと同居する1以上のユーザを関連ユーザとして設定する関連ユーザ設定工程と、前記対象ユーザのユーザ特徴と前記関連ユーザのユーザ特徴に基づいて、前記対象ユーザ宛ての荷物の所定の日時における配達成功の可能性を予測する予測工程と、を有する。 In order to solve the above problems, one aspect of the information processing method according to the present invention includes an acquisition step of acquiring factual characteristics about each of a plurality of users as user characteristics; a creation step of creating a relationship graph showing social relationships among the users; a target user setting step of setting a target user among the plurality of users; and a target user setting step of setting a target user among the plurality of users based on the relationship graph. , a related user setting step of setting one or more users who live together with the target user as related users, and a predetermined date and time for the package addressed to the target user based on the user characteristics of the target user and the user characteristics of the related user. and predicting the probability of successful delivery at.

上記課題を解決するために、本発明によるプログラムの一態様は、情報処理をコンピュータに実行させるための情報処理プログラムであって、該プログラムは、前記コンピュータに、複数のユーザそれぞれのユーザについての事実特徴をユーザ特徴として取得する取得処理と、前記ユーザ特徴に基づいて、前記複数のユーザ間の社会的関係性を示す関係性グラフを作成する作成処理と、前記複数のユーザのうち、対象ユーザを設定する対象ユーザ設定処理と、前記関係性グラフに基づいて、前記複数のユーザのうち、前記対象ユーザと同居する1以上のユーザを関連ユーザとして設定する関連ユーザ設定処理と、前記対象ユーザのユーザ特徴と前記関連ユーザのユーザ特徴に基づいて、前記対象ユーザ宛ての荷物の所定の日時における配達成功の可能性を予測する予測処理と、を含む処理を実行させるためのものである。 In order to solve the above problems, one aspect of the program according to the present invention is an information processing program for causing a computer to perform information processing, the program instructing the computer to obtain user information for each of a plurality of users. an acquisition process for acquiring features as user characteristics; a creation process for creating a relationship graph showing social relationships among the plurality of users based on the user characteristics; a related user setting process that sets one or more users who live with the target user among the plurality of users as related users based on the relationship graph; and a user of the target user. This is for executing a process including a prediction process of predicting the possibility of successful delivery of a package addressed to the target user at a predetermined date and time based on the characteristics and the user characteristics of the related user.

本発明によれば、商品荷物の配達成功の可能性を精度よく予測することが可能となる。
上記した本発明の目的、態様及び効果並びに上記されなかった本発明の目的、態様及び効果は、当業者であれば添付図面及び請求の範囲の記載を参照することにより下記の発明を実施するための形態から理解できるであろう。
According to the present invention, it is possible to accurately predict the possibility of successful delivery of a product package.
The objects, aspects, and effects of the present invention described above and the objects, aspects, and effects of the present invention not described above can be understood by those skilled in the art by referring to the accompanying drawings and claims. It can be understood from the form of

図1は、情報処理システムの構成例を示す。FIG. 1 shows an example of the configuration of an information processing system. 図2は、実施形態による情報処理装置10の機能構成例を示す。FIG. 2 shows an example of the functional configuration of the information processing device 10 according to the embodiment. 図3は、関係性グラフの作成処理のフローチャートを示す。FIG. 3 shows a flowchart of the relationship graph creation process. 図4Aは、明示的リンクを説明するための図である。FIG. 4A is a diagram for explaining explicit links. 図4Bは、明示的リンクを説明するための図である。FIG. 4B is a diagram for explaining explicit links. 図4Cは、明示的リンクを説明するための図である。FIG. 4C is a diagram for explaining explicit links. 図4Dは、暗示的リンクを説明するための図である。FIG. 4D is a diagram for explaining implicit links. 図5Aは、リンク間の関係性の推論処理を説明するための図である。FIG. 5A is a diagram for explaining inference processing of relationships between links. 図5Bは、ペアをクラスタへグループ化する処理の一例のフローチャートを示す。FIG. 5B shows a flowchart of an example process for grouping pairs into clusters. 図6Aは、ユーザペアに対する関係性の親密度に基づくスコア(親密度スコア)の概念図を示す。FIG. 6A shows a conceptual diagram of a score (familiarity score) based on the intimacy of the relationship for a user pair. 図6Bは、スコア予測モデル112の概略アーキテクチャを示す。FIG. 6B shows a schematic architecture of the score prediction model 112. 図7は、関係性グラフの概念図を示す。FIG. 7 shows a conceptual diagram of a relationship graph. 図8は、在宅予測モデル111の概略アーキテクチャを示す。FIG. 8 shows a schematic architecture of the at-home prediction model 111. 図9は、情報処理装置10とユーザ装置11のハードウェア構成例を示す。FIG. 9 shows an example of the hardware configuration of the information processing device 10 and the user device 11. 図10は、情報処理装置10により実行される処理のフローチャートを示す。FIG. 10 shows a flowchart of processing executed by the information processing device 10.

以下、添付図面を参照して、本発明を実施するための実施形態について詳細に説明する。以下に開示される構成要素のうち、同一機能を有するものには同一の符号を付し、その説明を省略する。なお、以下に開示される実施形態は、本発明の実現手段としての一例であり、本発明が適用される装置の構成や各種条件によって適宜修正または変更されるべきものであり、本発明は以下の実施形態に限定されるものではない。また、本実施形態で説明されている特徴の組み合わせの全てが本発明の解決手段に必須のものとは限らない。 DESCRIPTION OF THE PREFERRED EMBODIMENTS Hereinafter, embodiments for carrying out the present invention will be described in detail with reference to the accompanying drawings. Among the constituent elements disclosed below, those having the same functions are given the same reference numerals, and their explanations will be omitted. The embodiments disclosed below are examples of means for realizing the present invention, and should be modified or changed as appropriate depending on the configuration of the device to which the present invention is applied and various conditions. The present invention is not limited to this embodiment. Furthermore, not all combinations of features described in this embodiment are essential to the solution of the present invention.

[情報処理装置の機能構成]
図1に、本実施形態による情報処理システムの構成例を示す。本情報処理システムは、その一例として、図1に示すように、情報処理装置10と、任意の複数のユーザ1~Nにより使用される複数のユーザ装置11-1~11-N(N>1)を含んで構成される。なお、以下の説明において、特に説明がない限り、ユーザ装置11-1~11-Nをユーザ装置11と総称しうる。また、以下の説明において、ユーザ装置とユーザという語は同義に使用されうる。
[Functional configuration of information processing device]
FIG. 1 shows a configuration example of an information processing system according to this embodiment. For example, as shown in FIG. 1, this information processing system includes an information processing device 10 and a plurality of user devices 11-1 to 11-N (N>1) used by arbitrary plurality of users 1 to N. ). Note that in the following description, the user devices 11-1 to 11-N may be collectively referred to as the user devices 11 unless otherwise specified. Furthermore, in the following description, the terms user device and user may be used interchangeably.

ユーザ装置11は、例えば、スマートフォンやタブレットといったデバイスであり、LTE(Long Term Evolution)等の公衆網や、無線LAN(Local Area Network)等の無線通信網を介して、情報処理装置10と通信可能に構成されている。ユーザ装置11は、液晶ディスプレイ等の表示部(表示面)を有し、各ユーザは、当該液晶ディスプレイに装備されたGUI(Graphic User Interface)により各種操作を行うことができる。当該操作は、指やスタイラス等によりタップ操作、スライド操作、スクロール操作等、画面に表示された画像等のコンテンツに対する各種の操作を含む。
なお、ユーザ装置11は、図1に示すような形態のデバイスに限らず、デスクトップ型のPC(Personal Computer)や、ノート型のPCといったデバイスであってもよい。その場合、各ユーザによる操作は、マウスやキーボードといった入力装置を用いて行われうる。また、ユーザ装置11は、表示面を別に備えてもよい。
The user device 11 is, for example, a device such as a smartphone or a tablet, and is capable of communicating with the information processing device 10 via a public network such as LTE (Long Term Evolution) or a wireless communication network such as a wireless LAN (Local Area Network). It is composed of The user device 11 has a display unit (display surface) such as a liquid crystal display, and each user can perform various operations using a GUI (Graphic User Interface) provided on the liquid crystal display. The operation includes various operations on content such as an image displayed on the screen, such as a tap operation, a slide operation, and a scroll operation using a finger, a stylus, or the like.
Note that the user device 11 is not limited to the device shown in FIG. 1, but may be a device such as a desktop PC (Personal Computer) or a notebook PC. In that case, operations by each user may be performed using an input device such as a mouse or a keyboard. Further, the user device 11 may be provided with a separate display screen.

ユーザ装置11は、情報処理装置10から、または、不図示の他の装置から情報処理装置10を介して提供されるウェブサービス(インターネット関連サービス)にログインして、サービスを利用することができる。当該ウェブサービスは、インターネットを介して提供される、オンラインモールやネットスーパー、あるいは、通信、金融、不動産、スポーツ、旅行に関するサービスを含むことができる。ユーザ装置11は、このようなウェブサービスを利用することにより、ユーザ装置11のユーザに関する情報を情報処理装置10に伝達することができる。 The user device 11 can log into a web service (Internet-related service) provided from the information processing device 10 or from another device (not shown) via the information processing device 10 and use the service. The web services may include online malls, online supermarkets, or services related to communications, finance, real estate, sports, and travel provided via the Internet. By using such a web service, the user device 11 can transmit information regarding the user of the user device 11 to the information processing device 10.

例えば、ユーザ装置11は、ユーザ装置11のIP(Internet Protocol)アドレスや、ユーザの住所やユーザの氏名といった、ユーザ装置やユーザに関する特徴の情報を、情報処理装置10へ伝達することができる。
また、ユーザ装置11は、GPS(Global Positioning System)衛星(不図示)から受信される信号等に基づいて測位計算を行い、当該計算により得られた情報を、ユーザ装置11の位置情報として生成し、情報処理装置10へ伝達することができる。
情報処理装置10は、ユーザ装置11から各種情報を取得し、当該情報に基づいて、ユーザ間の社会的関係性を示す関係性グラフネットワーク(以下、関係性グラフ)を作成する。そして情報処理装置10は、所定の日時における対象のユーザ宛ての荷物の配達成功の可能性を、当該作成した関係性グラフを用いて予測する。
For example, the user device 11 can transmit, to the information processing device 10, information on characteristics related to the user device and the user, such as the IP (Internet Protocol) address of the user device 11, the user's address, and the user's name.
Further, the user device 11 performs positioning calculations based on signals received from GPS (Global Positioning System) satellites (not shown), and generates information obtained by the calculation as position information of the user device 11. , and can be transmitted to the information processing device 10.
The information processing device 10 acquires various information from the user device 11, and creates a relationship graph network (hereinafter referred to as a relationship graph) indicating social relationships between users based on the information. Then, the information processing device 10 uses the created relationship graph to predict the probability of successful delivery of the package addressed to the target user at a predetermined date and time.

[情報処理装置10の機能構成]
本実施形態による情報処理装置10は、まず、ユーザ装置11-1~11-Nから各種情報を取得し、ユーザ1~N間の社会的関係性を示す関係性グラフを作成する。そして、情報処理装置10は、ユーザ1~Nのうちの対象のユーザ(荷物の配達先のユーザ)を特定し、当該対象のユーザに関する情報および当該対象のユーザに関係するユーザの情報を、作成した関係性グラフに基づいて取得する。情報処理装置10は、取得した情報を、学習済みの機械学習モデルに適用することにより、所定の日時における当該対象のユーザへの荷物の配達成功の可能性を予測する。なお、荷物は、配達(配送)可能なものであれば、あらゆるアイテムを含むことができる。
[Functional configuration of information processing device 10]
The information processing device 10 according to this embodiment first acquires various information from the user devices 11-1 to 11-N, and creates a relationship graph showing the social relationships among the users 1 to N. Then, the information processing device 10 identifies the target user (the user to whom the package is delivered) among the users 1 to N, and creates information about the target user and information about users related to the target user. Retrieved based on the relationship graph obtained. The information processing device 10 applies the acquired information to a trained machine learning model to predict the possibility of successful delivery of the package to the target user at a predetermined date and time. Note that the package can include any item that can be delivered.

図2は、本実施形態による情報処理装置10の機能構成の一例を示す。
図2に示す情報処理装置10は、ユーザ特徴取得部101、グラフ作成部102、対象ユーザ特徴設定部103、関連ユーザ特徴設定部104、予測部105、学習部106、出力部107、学習モデル記憶部110、およびユーザ特徴記憶部120を備える。学習モデル記憶部110は、在宅予測モデル111およびスコア予測モデル112を記憶している。当該各種学習モデルについては後述する。また、ユーザ特徴記憶部120はユーザ特徴121を記憶している。
FIG. 2 shows an example of the functional configuration of the information processing device 10 according to this embodiment.
The information processing device 10 shown in FIG. 2 includes a user feature acquisition section 101, a graph creation section 102, a target user feature setting section 103, a related user feature setting section 104, a prediction section 105, a learning section 106, an output section 107, and a learning model storage. 110, and a user characteristic storage section 120. The learning model storage unit 110 stores an at-home prediction model 111 and a score prediction model 112. The various learning models will be described later. Further, the user characteristic storage unit 120 stores user characteristics 121.

ユーザ特徴取得部101は、ユーザ装置11-1~11-Nのそれぞれから、当該ユーザ装置やユーザについての事実特徴(事実情報)(以下、ユーザ特徴)を取得する。ユーザ特徴は、当該ユーザ装置やユーザから実際に、または、客観的に得られる、事実に基づく特徴(情報)である。ユーザ特徴取得部101は例えば、ユーザ装置11から直接ユーザ特徴を取得することができる。また、ユーザ特徴取得部101は、ユーザ装置11のユーザにより所定のウェブサービスに登録された情報として、ユーザ特徴を取得することができる。 The user characteristic acquisition unit 101 acquires factual characteristics (factual information) (hereinafter referred to as user characteristics) about the user devices and users from each of the user devices 11-1 to 11-N. A user characteristic is a fact-based characteristic (information) that is actually or objectively obtained from the user device or user. For example, the user characteristic acquisition unit 101 can acquire user characteristics directly from the user device 11. Further, the user characteristic acquisition unit 101 can acquire user characteristics as information registered in a predetermined web service by the user of the user device 11.

ユーザ特徴は、ユーザ装置のIPアドレス、ユーザの住所やユーザの氏名、ユーザが保持するクレジットカードの番号、ユーザのデモグラフィック情報(性別、年齢、居住地域、職業、家族構成等の人口統計学的なユーザ属性)等を含む。また、ユーザ特徴は、ユーザ装置の時間帯(タイムスロット)ごとの位置情報(以下、ジオデータ(ジオグラフィックデータ)と称す)等を含む。 User characteristics include the IP address of the user device, the user's address and name, the credit card number held by the user, and the user's demographic information (demographic information such as gender, age, area of residence, occupation, family structure, etc.) user attributes), etc. Further, the user characteristics include location information (hereinafter referred to as geodata (geographic data)) of the user device for each time slot (time slot).

また、ユーザ特徴は、所定のウェブサービス利用時における登録番号や登録名を含んでもよい。また、ユーザ特徴は、通話履歴、所定のウェブサービス利用時における商品のユーザの住所以外の配送先住所、所定のウェブサービス利用時の利用状況、利用履歴、検索履歴、サービスの利用により貯めることが可能なポイントに関する情報を含んでもよい。このように、ユーザ特徴は、ユーザ装置またはユーザ自身に関連する情報や、通信を介した所定のサービス利用に関する情報を含む、あらゆる情報を含むことができる。
ユーザ特徴取得部101は、取得したユーザ特徴を、ユーザ特徴121としてユーザ特徴記憶部120に記憶させる。
Further, the user characteristics may include a registration number and a registered name when using a predetermined web service. In addition, user characteristics can be accumulated based on call history, delivery address other than the user's address of the product when using a predetermined web service, usage status when using a predetermined web service, usage history, search history, and service usage. It may also include information regarding possible points. In this way, user characteristics can include any information, including information related to the user device or the user himself, and information related to the use of certain services via communications.
The user feature acquisition unit 101 stores the acquired user feature in the user feature storage unit 120 as the user feature 121.

グラフ作成部102は、ユーザ特徴取得部101により取得された各種ユーザ特徴を用いて、関係性グラフを作成する。関係性グラフについては後述する。 The graph creation unit 102 creates a relationship graph using the various user characteristics acquired by the user characteristic acquisition unit 101. The relationship graph will be described later.

対象ユーザ特徴設定部103は、荷物の配達先のユーザ(以下、対象ユーザ)の設定を行う。対象ユーザは、操作者が入力部(図9の入力部95)による入力操作により設定されてもよいし、予めシステムにおいて設定されていてもよいし、記憶部(図9のROM92やRAM93)に格納されている任意のプログラムによって設定されてもよい。さらに、対象ユーザ特徴設定部103は、当該対象ユーザのユーザ特徴を、ユーザ特徴121から取得して予測部105に設定する。 The target user characteristic setting unit 103 sets the user to whom the package is to be delivered (hereinafter referred to as the target user). The target user may be set by the operator through an input operation using the input unit (input unit 95 in FIG. 9), may be set in advance in the system, or may be set in the storage unit (ROM 92 or RAM 93 in FIG. 9). It may be set by any stored program. Further, the target user characteristic setting unit 103 acquires the user characteristics of the target user from the user characteristics 121 and sets them in the prediction unit 105.

関連ユーザ特徴設定部104は、対象ユーザ特徴設定部103により設定された対象ユーザに関連付けられる1以上の他のユーザを、関連ユーザとして、グラフ作成部102により作成された関係性グラフに基づいて決定する。本実施形態では、関連ユーザ特徴設定部104は、当該対象ユーザと同じ住所の他の1以上のユーザを、関連ユーザとして決定する。また、関連ユーザ特徴設定部104は、当該対象ユーザの近所に住む1以上のユーザを、関連ユーザとして決定してもよい。さらに、関連ユーザ特徴設定部104は、当該関連ユーザのユーザ特徴を、ユーザ特徴121から取得して予測部105に設定する。 The related user characteristic setting unit 104 determines one or more other users associated with the target user set by the target user characteristic setting unit 103 as related users based on the relationship graph created by the graph creation unit 102. do. In this embodiment, the related user characteristic setting unit 104 determines one or more other users having the same address as the target user as related users. Further, the related user characteristic setting unit 104 may determine one or more users who live in the vicinity of the target user as related users. Further, the related user feature setting unit 104 acquires the user feature of the related user from the user feature 121 and sets it in the prediction unit 105.

予測部105は、対象ユーザ特徴設定部10により設定された対象ユーザのユーザ特徴、および、関連ユーザ特徴設定部104により設定された関連ユーザのユーザ特徴から、当該対象ユーザ宛ての荷物の所定の日時における配達成功の可能性を予測する。本実施形態では、学習部106により学習済みの在宅予測モデル111を用いて、当該配達成功の可能性を予測する。当該配達成功の可能性の予測処理については後述する。 The prediction unit 105 calculates a predetermined date and time of the package addressed to the target user based on the user characteristics of the target user set by the target user characteristic setting unit 10 and the user characteristics of the related users set by the related user characteristic setting unit 104. Predicting the probability of successful delivery. In this embodiment, the at-home prediction model 111 trained by the learning unit 106 is used to predict the possibility of successful delivery. The process of predicting the possibility of successful delivery will be described later.

学習部106は、在宅予測モデル111とスコア予測モデル112を学習(トレーニング)させ、学習済みの在宅予測モデル111とスコア予測モデル112を、学習モデル記憶部110に格納する。各学習モデルの学習処理については後述する。 The learning unit 106 learns (trains) the at-home prediction model 111 and the score prediction model 112, and stores the learned at-home prediction model 111 and the score prediction model 112 in the learning model storage unit 110. The learning process for each learning model will be described later.

出力部107は、予測部105により予測された配達成功の可能性の予測結果を出力する。出力部107は、予測された配達成功の可能性に関する情報を生成して出力してもよい。当該出力は、あらゆる出力処理であり得、通信I/F(図9の通信I/F97)を介した外部装置への出力であってもよいし、表示部(図9の表示部96)への表示であってもよい。 The output unit 107 outputs the prediction result of the probability of successful delivery predicted by the prediction unit 105. The output unit 107 may generate and output information regarding the predicted probability of successful delivery. The output may be any output process, and may be output to an external device via a communication I/F (communication I/F 97 in FIG. 9), or may be output to a display unit (display unit 96 in FIG. 9). may be displayed.

[関係性グラフの作成手順]
次に、本実施形態による関係性グラフの作成手順について説明する。なお、以下の説明においてユーザA~Eは、説明のために参照するユーザであり、ユーザ装置11のユーザでありうる。また、関係性グラフは、図4A~図4Dにおいて丸で囲まれた各ユーザノードの接続で構成され、以下の説明では、当該ユーザノードを単にユーザと称する。図3に、本実施形態によるグラフ作成部102により実行される関係性グラフの作成処理のフローチャートを示す。以下、図3の処理の各工程について説明する。
[Steps to create a relationship graph]
Next, a procedure for creating a relationship graph according to this embodiment will be described. Note that in the following description, users A to E are users referred to for the purpose of description, and may be users of the user device 11. Further, the relationship graph is configured by connecting each user node circled in FIGS. 4A to 4D, and in the following description, the user node will be simply referred to as a user. FIG. 3 shows a flowchart of the relationship graph creation process executed by the graph creation unit 102 according to this embodiment. Each step of the process shown in FIG. 3 will be explained below.

<S31:リンクの作成>
S31では、グラフ作成部102は、複数のユーザ間のリンクを予測して作成する。
リンクの作成処理について、図4A~図4Dを参照して説明する。図4A~図4Cは、明示的リンクを説明するための図であり、図4Dは、暗示的リンクを説明するための図である。明示的リンクとは、2ユーザ間(ユーザペア)の明示的な共通の特徴により作成されるリンクである。暗示的リンクとは、ユーザペアの明示的な共通の特徴の存在は不明確であるものの、すでに作成されている明示的リンクを利用して、間接的な関係として作成されるリンクである。このように、ユーザ間のリンクは、明示的リンクと暗示的リンクで識別される。
<S31: Creating a link>
In S31, the graph creation unit 102 predicts and creates links between multiple users.
The link creation process will be explained with reference to FIGS. 4A to 4D. 4A to 4C are diagrams for explaining explicit links, and FIG. 4D is a diagram for explaining implicit links. An explicit link is a link created by an explicit common feature between two users (user pair). An implicit link is a link that is created as an indirect relationship by using an already created explicit link, although the existence of an explicit common feature between the user pair is unclear. In this way, links between users are identified as explicit links and implicit links.

図4Aに、ユーザのユーザ装置のIPアドレスを共通な特徴として用いて明示的リンクを作成する例を示す。図4Aは、ユーザA~Cが利用可能なウェブサービスとして、オンラインモール41、ゴルフ場予約サービス42、旅行関連予約サービス43、およびカード管理システム44が存在する例を示す。図4A~図4Cでは、これら4つのウェブサービスが示されているが、ウェブサービスの数は特定の数に限定されない。 FIG. 4A shows an example of creating an explicit link using the IP address of the user's user equipment as a common feature. FIG. 4A shows an example in which an online mall 41, a golf course reservation service 42, a travel-related reservation service 43, and a card management system 44 exist as web services available to users A to C. Although these four web services are shown in FIGS. 4A-4C, the number of web services is not limited to a particular number.

オンラインモール41は、オンラインで(インターネットを使用して)利用可能なショッピングモールである。オンラインモール41は、例えば、ファッション、書籍、食品、コンサートチケット、不動産といった多種多様な商品やサービスを提供することができる。
ゴルフ場予約サービス42は、オンラインでゴルフ場に関するサービスを提供するウェブサイトで運営され、例えばゴルフ場の検索および予約やレッスン情報を提供することができる。
旅行関連予約サービス43は、オンラインで利用可能な各種旅行サービスを提供するウェブサイトで運営される。旅行関連予約サービス43は、例えば、ホテルやトラベルツアーの予約、航空券やレンタカーの予約、観光情報、ホテル、ホテル周辺の情報を提供することができる。
カード管理システム44は、所定のカード管理会社により発行および管理されるクレジットカードに関するサービスを提供するウェブサイトで運営される。カード管理システム44は、オンラインモール41、ゴルフ場予約サービス42、および旅行関連予約サービス43の少なくともいずれかと関連して、サービスを提供してもよい。
The online mall 41 is a shopping mall that is available online (using the Internet). The online mall 41 can provide a wide variety of products and services, such as fashion, books, food, concert tickets, and real estate, for example.
The golf course reservation service 42 is operated by a website that provides services related to golf courses online, and can provide, for example, golf course searches, reservations, and lesson information.
The travel-related reservation service 43 is operated by a website that provides various travel services available online. The travel-related reservation service 43 can provide, for example, reservations for hotels and travel tours, reservations for airline tickets and rental cars, tourist information, hotels, and information around the hotels.
The card management system 44 is operated by a website that provides services related to credit cards issued and managed by a predetermined card management company. The card management system 44 may provide services in association with at least one of the online mall 41, the golf course reservation service 42, and the travel-related reservation service 43.

図4Aの例では、ユーザA~Cはそれぞれ、同じIPアドレス(=198.45.66.xx)を用いて、オンラインモール41、ゴルフ場予約サービス42、旅行関連予約サービス43を利用している。IPアドレスの情報は、ユーザ特徴取得部101により取得されうる。
このような場合、グラフ作成部102は、ユーザA~Cは、リンク状態45に示すように、同じIPアドレスの特徴で、明示的リンク(例えば、ユーザAとユーザCのリンクL1)を相互に作成する。
In the example of FIG. 4A, users A to C use the same IP address (=198.45.66.xx) to use the online mall 41, the golf course reservation service 42, and the travel-related reservation service 43. . Information on the IP address can be acquired by the user characteristic acquisition unit 101.
In such a case, the graph creation unit 102 creates an explicit link between users A to C (for example, link L1 between users A and C) with the same IP address characteristics, as shown in the link status 45. create.

図4Bに、ユーザの住所の特徴を共通な特徴として用いて明示的リンクを作成する例を示す。図4Bは、図4Aと同様に、ユーザA~Cが利用可能なウェブサービスとして、オンラインモール41、ゴルフ場予約サービス42、旅行関連予約サービス43、およびカード管理システム44が存在する例を示す。ここで、ユーザA~ユーザCはそれぞれ、同じの住所(配送先住所)を登録して、オンラインモール41、ゴルフ場予約サービス42、旅行関連予約サービス43を利用している。住所の情報は、ユーザ特徴取得部101により取得されうる。
このような場合、グラフ作成部102は、ユーザA~Cは、リンク状態46に示すように、同じ住所の特徴で、明示的リンク(例えば、ユーザAとユーザCのリンクL1)を相互に作成する。
FIG. 4B shows an example of creating explicit links using features of a user's address as a common feature. Similar to FIG. 4A, FIG. 4B shows an example in which an online mall 41, a golf course reservation service 42, a travel-related reservation service 43, and a card management system 44 exist as web services available to users A to C. Here, users A to C each register the same address (delivery address) and use the online mall 41, the golf course reservation service 42, and the travel-related reservation service 43. Address information can be acquired by the user characteristic acquisition unit 101.
In such a case, the graph creation unit 102 creates an explicit link between users A to C (for example, link L1 between users A and C) with the same address characteristics, as shown in link status 46. do.

図4Cに、ユーザが使用するクレジットカード番号の特徴を共通な特徴として用いて明示的リンクを作成する例を示す。図4Bは、図4Aと同様に、ユーザA~Cが利用可能なウェブサービスとして、オンラインモール41、ゴルフ場予約サービス42、旅行関連予約サービス43、およびカード管理システム44が存在する例を示す。ここで、ユーザA~ユーザCはそれぞれ、同じのクレジットカードを登録して、オンラインモール41、ゴルフ場予約サービス42、旅行関連予約サービス43を利用している。クレジットカードの番号を含む情報は、ユーザ特徴取得部101により取得されうる。
このような場合、グラフ作成部102は、ユーザA~Cは、リンク状態47に示すように、同じカードの特徴で、明示的リンク(例えば、ユーザAとユーザCのリンクL1)を相互に作成する。
FIG. 4C shows an example of creating an explicit link using characteristics of credit card numbers used by users as common characteristics. Similar to FIG. 4A, FIG. 4B shows an example in which an online mall 41, a golf course reservation service 42, a travel-related reservation service 43, and a card management system 44 exist as web services available to users A to C. Here, users A to C each register the same credit card and use the online mall 41, the golf course reservation service 42, and the travel-related reservation service 43. Information including the credit card number can be acquired by the user characteristic acquisition unit 101.
In such a case, the graph creation unit 102 allows users A to C to mutually create explicit links (for example, link L1 between users A and C) with the same card characteristics, as shown in link status 47. do.

図4Dに、ユーザ間に暗示的リンクを作成する例を示す。図4Dの例では、ユーザAに対して、ユーザC、ユーザD、ユーザEが明示的リンクで接続され、ユーザBに対して、ユーザC、ユーザD、ユーザEが明示的リンクで接続されている。このようなリンク特徴(リンク間の関係を示す特徴)を、共通の特徴空間へ埋め込み、各ユーザ(各ノード)間で暗黙的に関係性が構築されるとして推論されたリンクが、暗示的リンクとして作成(確立)される。図4Dの例では、ユーザAとユーザBは、明示的リンクで接続されていないが、共通の特徴空間で関係性を有すると推論された結果、暗示的リンクL2が作成されている。なお、グラフ作成部102は、明示的リンクで接続されたノード(ユーザ)で構成されるユーザ間関係グラフの学習(表現学習、関係学習、埋込学習、知識グラフ埋め込み)を行うことで、ユーザ間の暗示的リンクを予測し作成する。このとき、グラフ作成部102は、既知の埋め込みモデルまたはその拡張に適宜、基づき、当該学習を行ってよい。 FIG. 4D shows an example of creating implicit links between users. In the example of FIG. 4D, user A is connected to user C, user D, and user E through explicit links, and user B is connected to user C, user D, and user E through explicit links. There is. Such link features (features that indicate relationships between links) are embedded in a common feature space, and links that are inferred to implicitly establish relationships between each user (each node) are called implicit links. Created (established) as In the example of FIG. 4D, although users A and B are not connected by an explicit link, it is inferred that they have a relationship in a common feature space, and as a result, an implicit link L2 is created. Note that the graph creation unit 102 learns user relationship graphs (representation learning, relationship learning, embedding learning, knowledge graph embedding) consisting of nodes (users) connected by explicit links. Predict and create implicit links between. At this time, the graph creation unit 102 may perform the learning based on a known embedded model or its extension as appropriate.

<S32:リンク間の関係性の推論>
S32では、グラフ作成部102は、S31で予測および作成されたリンク間の関係性を推論する。リンク間の関係性の推論処理について、図5Aと図5Bを参照して説明する。図5Aは、リンク間の関係性の推論処理を説明するための図であり、明示的リンクで接続されたユーザAとユーザB間のリンクの関係性を推論する例を示す。
<S32: Inference of relationships between links>
In S32, the graph creation unit 102 infers the relationship between the links predicted and created in S31. Processing for inferring relationships between links will be described with reference to FIGS. 5A and 5B. FIG. 5A is a diagram for explaining the process of inferring the relationship between links, and shows an example of inferring the relationship between the links between user A and user B who are connected by an explicit link.

グラフ作成部102は、S31で作成されたリンクで接続されたユーザのペアをデータポイントとして扱い、ユーザ特徴取得部101により取得された各種情報を用いて、当該ペア(データポイント)を、共通のタイプを表すクラスタにグループ化する。当該各種情報は、IPアドレス、住所、クレジットカード、年齢、性別、友人といった情報でありうる。また、各クラスタは、配偶者、親子、近所の人、同じ世帯、同僚、友達、同性別きょうだい、異性別きょうだい等の関係を持つクラスタでありうる。図5Aの例では、ユーザのペアをバツ印で示し、当該ペアがグループ化されうるクラスタとして、親子クラスタ51、配偶者クラスタ52、同性別きょうだいクラスタ53、友人クラスタ54、同僚クラスタを示す。なお、図5Aでは5つのクラスタを示すが、クラスタの数は特定の数に限定されない。 The graph creation unit 102 treats the pair of users connected by the link created in S31 as a data point, and uses the various information acquired by the user characteristic acquisition unit 101 to convert the pair (data point) into a common Group into clusters representing types. The various information can be information such as an IP address, address, credit card, age, gender, and friends. Further, each cluster may be a cluster having relationships such as spouses, parents and children, neighbors, same household, colleagues, friends, same-sex siblings, different-sex siblings, and the like. In the example of FIG. 5A, pairs of users are indicated by cross marks, and the clusters in which the pairs can be grouped include a parent-child cluster 51, a spouse cluster 52, a same-sex sibling cluster 53, a friend cluster 54, and a colleague cluster. Note that although five clusters are shown in FIG. 5A, the number of clusters is not limited to a specific number.

例えば、グラフ作成部102は、ユーザAとユーザBが、同じ名字、年齢差が10歳未満、逆の性別、同じ住所、という特徴50を有する(共有する)場合、グラフ作成部102は、ユーザAとユーザBのペアを、夫と妻(配偶者)の関係を表すクラスタ(配偶者クラスタ52)にグループ化することができる。 For example, if user A and user B have (share) the characteristics 50 such as the same last name, an age difference of less than 10 years, opposite genders, and the same address, the graph creation unit 102 The pair of A and user B can be grouped into clusters (spouse clusters 52) representing the relationship between husband and wife (spouse).

図5Bに、グラフ作成部102により実行される、ペアをクラスタへグループ化する処理の一例のフローチャートを示す。
S51の開始時点で、グループ化の対象のペアについて、同じ住所と同じ名字の特徴を有するものとする。S52では、グラフ作成部102は、当該対象のペアについて、同じ性別の特徴を有するか否かを判定する。当該対象のペアが同じ性別の特徴を有する場合(S52でYes)、S53においてグラフ作成部102は、当該対象のペアについて、年齢の差が所定の閾値(=X値)以下か否かを判定する。当該対象のペアの年齢の差がX値より大きい場合(S53でNo)、グラフ作成部102は、当該対象のペアを親子クラスタ51へグループ化する。年齢の差がX値以下の場合(S53でYes)、グラフ作成部102は、当該対象のペアを同性別きょうだいクラスタ53へグループ化する。また、当該対象のペアが同じ性別の特徴を有さない場合(S52でNo)、S54においてグラフ作成部102は、当該対象のペアの年齢の差が所定の閾値(=Y値)以下か否かを判定する。年齢の差がY値より大きい場合(S54でNo)、グラフ作成部102は、当該対象のペアを親子クラスタ51へグループ化する。年齢の差がY値以下の場合(S54でYes)、グラフ作成部102は、当該対象のペアを配偶者クラスタ52へグループ化する。
FIG. 5B shows a flowchart of an example of a process of grouping pairs into clusters, which is executed by the graph creation unit 102.
At the start of S51, it is assumed that the pairs to be grouped have the same address and the same last name. In S52, the graph creation unit 102 determines whether or not the subject pair has the same gender characteristics. If the pair of subjects have the same gender characteristics (Yes in S52), the graph creation unit 102 determines in S53 whether or not the age difference between the pair of subjects is equal to or less than a predetermined threshold (=X value). do. If the difference in age between the pair of objects is greater than the X value (No in S53), the graph creation unit 102 groups the pair of objects into a parent-child cluster 51. If the age difference is less than or equal to the X value (Yes in S53), the graph creation unit 102 groups the subject pair into the same-sex sibling cluster 53. Further, if the pair of subjects do not have the same gender characteristics (No in S52), the graph creation unit 102 determines whether the age difference between the pair of subjects is less than or equal to a predetermined threshold (=Y value) in S54. Determine whether If the age difference is greater than the Y value (No in S54), the graph creation unit 102 groups the subject pair into a parent-child cluster 51. If the age difference is less than or equal to the Y value (Yes in S54), the graph creation unit 102 groups the target pair into a spouse cluster 52.

<S33:関係性の親密度に基づくスコア割り当て>
S33では、グラフ作成部102は、S32で推論されたペアに対する関係性の親密度に基づくスコアを予測し、当該スコアを当該ペアに割り当てる。本実施形態において、スコアは、0~1の間の数値であるが、スコアが取りうる数値に特定の限定はない。図6Aに、ユーザペアに対する関係性の親密度に基づくスコア(以下、親密度スコア)の概念図を示す。
<S33: Score assignment based on intimacy of relationship>
In S33, the graph creation unit 102 predicts a score based on the intimacy of the relationship for the pair inferred in S32, and assigns the score to the pair. In this embodiment, the score is a numerical value between 0 and 1, but there is no particular limitation on the numerical value that the score can take. FIG. 6A shows a conceptual diagram of a score (hereinafter referred to as an intimacy score) based on the intimacy of a relationship between a pair of users.

図6Aの例では、明示的リンクで接続されたユーザAとユーザBが有する(共有する)特徴によって、当該ユーザペア間の関係性の親密度が変化する。図6Aの上部では、ユーザAとユーザBが、同性別きょうだい、同じ住所、1200回の通話履歴、50回のギフトのやり取り、という特徴60を有する場合、当該ユーザペア間の関係性の親密度(すなわち、親密度スコア)は高くなる。一方、図6Aの下部では、ユーザAとユーザBが、同性別きょうだい、異なる住所、30回の通話履歴、2回のギフトのやり取り、というという特徴61を有する場合、当該ユーザペア間の関係性の親密度(すなわち、親密度スコア)は低くなる。このように、図6Aの例のように、同性別きょうだいであるユーザAとユーザBであっても、当該ユーザのペアで共有される他の特徴により、当該ペアの関係性の親密度は異なるものとなる。関係性の親密度の高いペアは、互いの社会的距離が近く、高い影響を有することが観察される。一方、関係性の親密度の低いペアは、互いの社会的距離が遠く、近しい関係にないことが観察される。 In the example of FIG. 6A, the intimacy of the relationship between the user pair changes depending on the characteristics that users A and B who are connected by an explicit link have (share). In the upper part of FIG. 6A, if user A and user B have the characteristics 60 of being siblings of the same gender, same address, 1200 call history, and 50 gift exchanges, the parent of the relationship between the user pair The density (ie, familiarity score) will be high. On the other hand, in the lower part of FIG. 6A, if user A and user B have the characteristics 61 of being siblings of the same gender, different addresses, 30 call history, and 2 gift exchanges, the relationship between the user pair Sexual intimacy (ie, intimacy score) is lower. In this way, as in the example of FIG. 6A, even if users A and B are siblings of the same gender, the intimacy of the relationship between the pair will be lower due to other characteristics shared by the pair of users. It will be different. It is observed that pairs with high relationship intimacy are close to each other's social distance and have high influence. On the other hand, pairs with low relationship intimacy are observed to have a long social distance from each other and are not in a close relationship.

本実施形態では、ユーザペアに対する親密度スコアを、スコア予測モデル112を用いて予測する。図6Bに、スコア予測モデル112の概略アーキテクチャを示す。スコア予測モデル112は、ユーザペアの特徴63を入力として、当該特徴63に対する親密度スコア64を予測する学習モデルである。 In this embodiment, the familiarity score for a user pair is predicted using the score prediction model 112. FIG. 6B shows a schematic architecture of the score prediction model 112. The score prediction model 112 is a learning model that receives a feature 63 of a user pair as an input and predicts a familiarity score 64 for the feature 63.

スコア予測モデル112は例えば、弱教師付き学習(Weak Supervised Learning)を行う学習モデルであり、例えば、畳み込みニューラルネットワーク(CNN)による学習モデルである。本実施形態では、スコア予測モデル112は、図6Aに示したような、ユーザペアに対する複数の特徴に対して付された親密度スコア(0~1)を教師データとして学習された学習モデルとする。例えば、学習段階では、教師データとしては、図6Aの特徴60に設定された1に近い親密度スコアと、特徴61に設定された0に近い親密度スコアといった組み合わせデータが使用される。当該学習処理は学習部108により実施される。なお、スコア予測モデル112は、ユーザペアの関係性の種別毎に異なってよく、一の関係性の種別に応じてトレーニングされた学習モデルであってよい。 The score prediction model 112 is, for example, a learning model that performs weak supervised learning, and is, for example, a learning model using a convolutional neural network (CNN). In this embodiment, the score prediction model 112 is a learning model that is trained using familiarity scores (0 to 1) assigned to multiple features for user pairs as training data, as shown in FIG. 6A. . For example, in the learning stage, combined data such as a familiarity score close to 1 set to the feature 60 in FIG. 6A and a closeness score close to 0 set to the feature 61 in FIG. 6A is used as the teacher data. The learning process is performed by the learning unit 108. Note that the score prediction model 112 may be different for each type of relationship between user pairs, and may be a learning model trained according to one type of relationship.

なお、本実施形態では、ユーザペアに対する親密度スコアを、スコア予測モデル112を用いて予測したが、グラフ作成部102は、他の手法により、当該スコアを予測するように構成されてもよい。 Note that in this embodiment, the intimacy score for the user pair is predicted using the score prediction model 112, but the graph creation unit 102 may be configured to predict the score using another method.

以上の処理により、複数のユーザ間で明示的リンクまたは暗示的リンクが形成され、各リンク間では親密度スコアが割り当てられ、関係性グラフが作成される。関係性グラフの概念図を図7に示す。各ユーザ71~73それぞれは複数の特徴を有し、ユーザのペアに対しては上記のように予測された親密度スコアが割り当てられる。 Through the above processing, explicit links or implicit links are formed between a plurality of users, a familiarity score is assigned between each link, and a relationship graph is created. A conceptual diagram of the relationship graph is shown in FIG. Each of the users 71 to 73 has a plurality of characteristics, and the predicted intimacy score is assigned to the pair of users as described above.

[ユーザ宛て荷物の配達成功の可能性の予測処理]
次に、本実施形態によるユーザ宛て荷物の配達成功の可能性の予測処理について説明する。本実施形態では、予測部105が、学習済みの在宅予測モデル111を用いて、対象のユーザ宛ての荷物の配達成功の可能性を予測する。図8に、在宅予測モデル111の概略アーキテクチャを示す。在宅予測モデル111は、例えば、畳み込みニューラルネットワーク(CNN)による学習モデルである。
[Processing to predict the possibility of successful delivery of packages addressed to users]
Next, a process for predicting the possibility of successful delivery of a package addressed to a user according to this embodiment will be described. In this embodiment, the prediction unit 105 uses the learned at-home prediction model 111 to predict the possibility of successful delivery of a package addressed to a target user. FIG. 8 shows a schematic architecture of the at-home prediction model 111. The at-home prediction model 111 is, for example, a learning model using a convolutional neural network (CNN).

学習段階では、学習部106は、ユーザ特徴取得部101により取得されたユーザ特徴と、当該ユーザ特徴の少なくともいずれかに紐づけられた過去の配達履歴(正解データ(ラベル))との組み合わせを教師データとして用いて、在宅予測モデル111を学習させる。具体的には、当該過去の配達履歴は、任意のユーザがウェブサービスを利用して過去に購入した商品の配達完了(配達成功)の際の配達日時情報を含む。当該配達日時情報は、例えば、配達された日(例えば、1週間のうちの特定の日(曜日)、祝日等)と配達された時間帯(タイムスロット)(例えば、午前中、18時~20時等)を含む。 In the learning stage, the learning unit 106 teaches combinations of the user characteristics acquired by the user characteristic acquisition unit 101 and past delivery history (correct data (label)) associated with at least one of the user characteristics. The at-home prediction model 111 is trained using the data. Specifically, the past delivery history includes delivery date and time information when delivery of a product previously purchased by an arbitrary user using a web service was completed (delivery success). The delivery date and time information includes, for example, the date of delivery (for example, a specific day of the week, a holiday, etc.) and the time slot of delivery (for example, in the morning, 18:00 to 20:00). time, etc.).

学習済みの在宅予測モデル111は、対象ユーザのユーザ特徴と、作成された関係性グラフに基づいて識別された、当該対象ユーザと同じ住所である他の1以上のユーザ(関連ユーザ)のユーザ特徴とを入力として、当該対象ユーザ宛ての荷物の配達成功の可能性を予測するように構成される。上述のように、当該対象ユーザのユーザ特徴は、対象ユーザ特徴設定部103により予測部105に設定され、関連ユーザのユーザ特徴は、関連ユーザ特徴設定部104により設定される。関連ユーザ特徴設定部104は、例えば、図5Aにおける親子クラスタ51や配偶者クラスタ52に基づいて、当該対象ユーザと同じ住所である他の1以上のユーザを関連ユーザとして決定してもよい。なお、複数のユーザの住所が異なる住所で登録されている場合であっても、各ユーザ装置のIPアドレスにより把握されるユーザ装置間のおおよその距離により、当該対象のユーザと同じ住所と認定される他の1以上のユーザを、関連ユーザとして決定してもよい。 The learned at-home prediction model 111 is based on the user characteristics of the target user and the user characteristics of one or more other users (related users) who have the same address as the target user, who are identified based on the created relationship graph. is configured to predict the probability of successful delivery of a package addressed to the target user. As described above, the user characteristics of the target user are set in the prediction unit 105 by the target user characteristic setting section 103, and the user characteristics of the related user are set by the related user characteristic setting section 104. The related user characteristic setting unit 104 may determine one or more other users having the same address as the target user as related users, for example, based on the parent-child cluster 51 and the spouse cluster 52 in FIG. 5A. Furthermore, even if the addresses of multiple users are registered as different addresses, the approximate distance between the user devices as determined by the IP address of each user device may determine that the address is the same as that of the target user. One or more other users may be determined as related users.

予測段階では、予測部105は、対象ユーザのユーザ特徴と、作成された関係性グラフに基づいて識別された関連ユーザのユーザ特徴と、対象のタイムスロットの情報を、在宅予測モデル111に入力し、当該対象ユーザおよび/または当該関連ユーザの在宅可能性を予測する。当該対象ユーザ宛ての荷物は、当該対象ユーザが不在であっても、同居している他のユーザにより受け取り可能であり、当該対象ユーザおよび/または当該関連ユーザの在宅可能性は、配達成功の可能性と同義となる、もしくは、配達成功の可能性に応用可能である。当該対象のタイムスロットの情報は、タイムスロット(時間)の情報だけでなく日にちの情報を含む(すなわち、日時の情報)である。本実施形態では、配達成功の可能性は、0~1(1が最大可能性)の数値で出力するように、在宅予測モデル111が構成される。なお、本実施形態では、タイムスロット毎に在宅予測モデル111が構成されてよい。ここで、予測部105は、タイムスロットに応じて在宅予測モデル111を用いてよい。 In the prediction stage, the prediction unit 105 inputs the user characteristics of the target user, the user characteristics of the related users identified based on the created relationship graph, and the information of the target time slot into the at-home prediction model 111. , predicts the possibility that the target user and/or the related user will be at home. Packages addressed to the target user can be received by other users who live with the target user even if the target user is absent, and the possibility of successful delivery depends on whether the target user and/or the related users are at home. synonymous with gender, or can be applied to the probability of successful delivery. The target time slot information includes not only time slot (time) information but also date information (that is, date and time information). In this embodiment, the at-home prediction model 111 is configured to output the possibility of successful delivery as a numerical value between 0 and 1 (1 being the maximum possibility). Note that in this embodiment, the at-home prediction model 111 may be configured for each time slot. Here, the prediction unit 105 may use the at-home prediction model 111 depending on the time slot.

本実施形態では、図8に示すように、対象ユーザのユーザ特徴82、当該対象ユーザと同居する(すなわち、同じ住所を有する)当該対象ユーザの配偶者のユーザ特徴83、当該対象ユーザと同居する当該対象ユーザの親のユーザ特徴84、および対象のタイムスロット85(所定の日時の情報)が在宅予測モデル111に入力され、タイムスロット85における配達成功の可能性86が予測される。なお、タイムスロット毎に在宅予測モデル111が構成されている場合、在宅予測モデル111へのタイムスロット85の入力は不要である。 In this embodiment, as shown in FIG. 8, the user characteristics 82 of the target user, the user characteristics 83 of the spouse of the target user who lives with the target user (that is, has the same address), and the user characteristics 83 of the spouse of the target user who lives with the target user The user characteristics 84 of the parent of the target user and the target time slot 85 (information on a predetermined date and time) are input to the at-home prediction model 111, and the probability 86 of successful delivery in the time slot 85 is predicted. Note that when the at-home prediction model 111 is configured for each time slot, inputting the time slot 85 to the at-home prediction model 111 is not necessary.

前述のように、本実施形態では、配達成功の可能性は、例えば、0~1の数値で表される。予測部105は、在宅予測モデル111から出力された配達成功の可能性86が、所定の閾値より高い場合、配達成功の可能性が高いと判定することができる。当該所定の閾値は例えば、0.7である。 As described above, in this embodiment, the probability of successful delivery is expressed as a value between 0 and 1, for example. The prediction unit 105 can determine that the probability of successful delivery is high when the probability of successful delivery 86 output from the at-home prediction model 111 is higher than a predetermined threshold. The predetermined threshold value is, for example, 0.7.

図8では、対象ユーザ宛ての荷物の配達成功の可能性を予測するために、各ユーザについて、デモグラフィック情報(性別、年齢、居住地域、職業、家族構成等の人口統計学的なユーザ属性)、ジオデータ(ユーザ装置の時間帯(タイムスロット)ごとの位置情報)、ユーザ装置のIPアドレス(送信元アドレス)が用いられている。なお、在宅予測モデル111への入力データは図8に示したデータ(デモグラフィック情報、ジオデータ、IPアドレス)に限定されず、ユーザのウェブサービスの利用に関する情報等、各ユーザが有しうる全ての特徴のデータが在宅予測モデル111に入力されてもよい。 In Figure 8, demographic information (demographic user attributes such as gender, age, area of residence, occupation, family structure, etc.) for each user is used to predict the probability of successful delivery of a package addressed to the target user. , geodata (location information of the user device for each time slot), and the IP address (source address) of the user device are used. Note that the input data to the at-home prediction model 111 is not limited to the data shown in FIG. 8 (demographic information, geodata, IP address), but also all information that each user may have, such as information regarding the user's use of web services. may be input to the at-home prediction model 111.

また、関連ユーザのユーザ特徴については、重みづけして用いてもよい。例えば、親密度スコアが高いユーザのユーザ特徴については高い重みづけを付与し、親密度スコアが低いユーザのユーザ特徴については低い重みづけを付与して、在宅予測モデル111に入力してもよい。 Further, user characteristics of related users may be weighted and used. For example, the user characteristics of a user with a high intimacy score may be given a high weighting, and the user characteristics of a user with a low intimacy score may be given a low weighting, and these may be input into the at-home prediction model 111.

上記の説明では、対象ユーザに関連する関連ユーザとして、当該対象ユーザの配偶者と親が選択(決定)されたが、当該対象ユーザの近所に住むユーザが選択されてもよい。例えば、対象ユーザが、ウェブサービスを通じて、自宅の代わりに、近所に住むユーザの自宅への配送を許可している場合、予測部105は、当該近所に住むユーザの在宅可能性を予測してもよい。この場合、図8では、対象ユーザの特徴の代わり/またはそれに加えて、当該近所に住むユーザの特徴が用いられ、当該近所に住むユーザの特徴と、当該近所に住むユーザと同居する1以上のユーザの特徴も用いて、当該対象ユーザ宛ての荷物の配達成功の可能性が予測されうる。 In the above description, the spouse and parents of the target user are selected (determined) as related users related to the target user, but users who live in the neighborhood of the target user may also be selected. For example, if the target user allows delivery to the home of a user who lives in the neighborhood instead of his or her home through a web service, the prediction unit 105 may predict the possibility that the user who lives in the neighborhood is home. good. In this case, in FIG. 8, instead of/in addition to the characteristics of the target user, the characteristics of the user living in the neighborhood are used, and the characteristics of the user living in the neighborhood and one or more of the users living in the neighborhood User characteristics may also be used to predict the probability of successful delivery of a package addressed to the target user.

[情報処理装置10のハードウェア構成]
図9は、本実施形態による情報処理装置10のハードウェア構成の一例を示すブロック図である。
本実施形態による情報処理装置10は、単一または複数の、あらゆるコンピュータ、モバイルデバイス、または他のいかなる処理プラットフォーム上にも実装することができる。
図9を参照して、情報処理装置10は、単一のコンピュータに実装される例が示されているが、本実施形態による情報処理装置10は、複数のコンピュータを含むコンピュータシステムに実装されてよい。複数のコンピュータは、有線または無線のネットワークにより相互通信可能に接続されてよい。
[Hardware configuration of information processing device 10]
FIG. 9 is a block diagram showing an example of the hardware configuration of the information processing device 10 according to this embodiment.
The information processing apparatus 10 according to this embodiment can be implemented on any single or multiple computers, mobile devices, or any other processing platform.
Referring to FIG. 9, an example is shown in which the information processing device 10 is implemented in a single computer, but the information processing device 10 according to the present embodiment is implemented in a computer system including a plurality of computers. good. A plurality of computers may be connected to each other through a wired or wireless network so that they can communicate with each other.

図9に示すように、情報処理装置10は、CPU91と、ROM92と、RAM93と、HDD94と、入力部95と、表示部96と、通信I/F97と、システムバス98とを備えてよい。情報処理装置10はまた、外部メモリを備えてよい。
CPU(Central Processing Unit)91は、情報処理装置10における動作を統括的に制御するものであり、データ伝送路であるシステムバス98を介して、各構成部(92~97)を制御する。
As shown in FIG. 9, the information processing device 10 may include a CPU 91, a ROM 92, a RAM 93, an HDD 94, an input section 95, a display section 96, a communication I/F 97, and a system bus 98. The information processing device 10 may also include an external memory.
A CPU (Central Processing Unit) 91 centrally controls operations in the information processing device 10, and controls each component (92 to 97) via a system bus 98, which is a data transmission path.

ROM(Read Only Memory)92は、CPU91が処理を実行するために必要な制御プログラム等を記憶する不揮発性メモリである。なお、当該プログラムは、HDD(Hard Disk Drive)94、SSD(Solid State Drive)等の不揮発性メモリや着脱可能な記憶媒体(不図示)等の外部メモリに記憶されていてもよい。
RAM(Random Access Memory)93は、揮発性メモリであり、CPU91の主メモリ、ワークエリア等として機能する。すなわち、CPU91は、処理の実行に際してROM92から必要なプログラム等をRAM93にロードし、当該プログラム等を実行することで各種の機能動作を実現する。図2に示す学習モデル記憶部110とユーザ特徴記憶部120は、RAM93で構成されうる。
A ROM (Read Only Memory) 92 is a nonvolatile memory that stores control programs and the like necessary for the CPU 91 to execute processing. Note that the program may be stored in a nonvolatile memory such as an HDD (Hard Disk Drive) 94 or an SSD (Solid State Drive), or an external memory such as a removable storage medium (not shown).
A RAM (Random Access Memory) 93 is a volatile memory and functions as the main memory, work area, etc. of the CPU 91. That is, the CPU 91 loads necessary programs and the like from the ROM 92 into the RAM 93 when executing processing, and implements various functional operations by executing the programs and the like. The learning model storage unit 110 and user characteristic storage unit 120 shown in FIG. 2 may be configured with a RAM 93.

HDD94は、例えば、CPU91がプログラムを用いた処理を行う際に必要な各種データや各種情報等を記憶している。また、HDD94には、例えば、CPU91がプログラム等を用いた処理を行うことにより得られた各種データや各種情報等が記憶される。
入力部95は、キーボードやマウス等のポインティングデバイスにより構成される。
表示部96は、液晶ディスプレイ(LCD)等のモニターにより構成される。表示部86は、入力部95と組み合わせて構成されることにより、GUI(Graphical User Interface)として機能してもよい。
The HDD 94 stores, for example, various data and information necessary when the CPU 91 performs processing using a program. Further, the HDD 94 stores, for example, various data and various information obtained by the CPU 91 performing processing using programs and the like.
The input unit 95 includes a pointing device such as a keyboard and a mouse.
The display section 96 is composed of a monitor such as a liquid crystal display (LCD). The display section 86 may function as a GUI (Graphical User Interface) by being configured in combination with the input section 95.

通信I/F97は、情報処理装置10と外部装置との通信を制御するインタフェースである。
通信I/F97は、ネットワークとのインタフェースを提供し、ネットワークを介して、外部装置との通信を実行する。通信I/F97を介して、外部装置との間で各種データや各種パラメータ等が送受信される。本実施形態では、通信I/F87は、イーサネット(登録商標)等の通信規格に準拠する有線LAN(Local Area Network)や専用線を介した通信を実行してよい。ただし、本実施形態で利用可能なネットワークはこれに限定されず、無線ネットワークで構成されてもよい。この無線ネットワークは、Bluetooth(登録商標)、ZigBee(登録商標)、UWB(Ultra Wide Band)等の無線PAN(Personal Area Network)を含む。また、Wi-Fi(Wireless Fidelity)(登録商標)等の無線LAN(Local Area Network)や、WiMAX(登録商標)等の無線MAN(Metropolitan Area Network)を含む。さらに、LTE/3G、4G、5G等の無線WAN(Wide Area Network)を含む。なお、ネットワークは、各機器を相互に通信可能に接続し、通信が可能であればよく、通信の規格、規模、構成は上記に限定されない。
The communication I/F 97 is an interface that controls communication between the information processing device 10 and external devices.
The communication I/F 97 provides an interface with a network and executes communication with an external device via the network. Via the communication I/F 97, various data, various parameters, etc. are transmitted and received with external devices. In this embodiment, the communication I/F 87 may perform communication via a wired LAN (Local Area Network) or a dedicated line that complies with communication standards such as Ethernet (registered trademark). However, the network that can be used in this embodiment is not limited to this, and may be configured as a wireless network. This wireless network includes a wireless PAN (Personal Area Network) such as Bluetooth (registered trademark), ZigBee (registered trademark), and UWB (Ultra Wide Band). It also includes wireless LAN (Local Area Network) such as Wi-Fi (Wireless Fidelity) (registered trademark) and wireless MAN (Metropolitan Area Network) such as WiMAX (registered trademark). Furthermore, it includes wireless WAN (Wide Area Network) such as LTE/3G, 4G, and 5G. Note that the network only needs to connect each device so that they can communicate with each other, and the communication standard, scale, and configuration are not limited to the above.

図2に示す情報処理装置10の各要素のうち少なくとも一部の機能は、CPU91がプログラムを実行することで実現することができる。ただし、図2に示す情報処理装置10の各要素のうち少なくとも一部の機能が専用のハードウェアとして動作するようにしてもよい。この場合、専用のハードウェアは、CPU91の制御に基づいて動作する。 At least some of the functions of each element of the information processing device 10 shown in FIG. 2 can be realized by the CPU 91 executing a program. However, at least some of the functions of each element of the information processing device 10 shown in FIG. 2 may operate as dedicated hardware. In this case, the dedicated hardware operates under the control of the CPU 91.

[ユーザ装置11のハードウェア構成]
図1に示すユーザ装置11のハードウェア構成は、図9と同様でありうる。すなわち、ユーザ装置10は、CPU91と、ROM92と、RAM93と、HDD94と、入力部95と、表示部96と、通信I/F97と、システムバス98とを備えうる。ユーザ装置11は、情報処理装置10により提供された各種情報を、表示部96に表示し、GUI(入力部95と表示部96による構成)を介してユーザから受け付ける入力操作に対応する処理を行うことができる。
[Hardware configuration of user device 11]
The hardware configuration of the user device 11 shown in FIG. 1 may be the same as that in FIG. 9. That is, the user device 10 may include a CPU 91 , a ROM 92 , a RAM 93 , an HDD 94 , an input section 95 , a display section 96 , a communication I/F 97 , and a system bus 98 . The user device 11 displays various information provided by the information processing device 10 on the display section 96, and performs processing corresponding to input operations received from the user via the GUI (configured by the input section 95 and the display section 96). be able to.

<処理の流れ>
図10に、本実施形態による情報処理装置10により実行される処理のフローチャートを示す。図9に示す処理は、情報処理装置10のCPU91がROM92等に格納されたプログラムをRAM93にロードして実行することによって実現されうる。図10の説明のために、図1に示した情報処理システムを参照する。学習部106により学習済みの、在宅予測モデル111およびスコア予測モデル112は、学習モデル記憶部110に格納されているものとする。
<Processing flow>
FIG. 10 shows a flowchart of processing executed by the information processing device 10 according to this embodiment. The process shown in FIG. 9 can be realized by the CPU 91 of the information processing device 10 loading a program stored in the ROM 92 or the like into the RAM 93 and executing it. For explanation of FIG. 10, reference will be made to the information processing system shown in FIG. It is assumed that the at-home prediction model 111 and the score prediction model 112, which have been learned by the learning unit 106, are stored in the learning model storage unit 110.

S101において、ユーザ特徴取得部101は、ユーザ装置11-1~11-Nから、各ユーザのユーザ特徴を取得し、ユーザ特徴121としてユーザ特徴記憶部120に格納する。S101の処理は、過去の一定の期間におけるユーザ特徴の取得(収集)処理であってもよい。 In S101, the user characteristic acquisition unit 101 acquires the user characteristics of each user from the user devices 11-1 to 11-N, and stores them as the user characteristics 121 in the user characteristic storage unit 120. The process of S101 may be a process of acquiring (collecting) user characteristics during a certain period in the past.

S102において、グラフ作成部102は、ユーザ特徴取得部101により取得された各種ユーザ特徴を用いて、ユーザ1~Nについての関係性グラフを作成する。関係性グラフの作成手順は、上述の通りである。 In S102, the graph creation unit 102 creates relationship graphs for users 1 to N using the various user characteristics acquired by the user characteristic acquisition unit 101. The procedure for creating the relationship graph is as described above.

S103において、対象ユーザ特徴設定部103は、ユーザ1~Nの中から、荷物の配達先となるユーザ(対象ユーザ)の設定を行う。前述のように、当該対象ユーザは、操作者が入力部95による入力操作により設定されてもよいし、予めシステムにおいて設定されていてもよいし、ROM92やRAM93に格納されている任意のプログラムによって設定されてもよい。さらに、S103において、対象ユーザ特徴設定部103は、当該対象ユーザのユーザ特徴を、ユーザ特徴121から取得して予測部105に設定する。 In S103, the target user characteristic setting unit 103 sets a user (target user) to whom the package will be delivered from among users 1 to N. As described above, the target user may be set by the operator through an input operation using the input unit 95, may be set in advance in the system, or may be set by an arbitrary program stored in the ROM 92 or RAM 93. May be set. Furthermore, in S<b>103 , the target user characteristic setting unit 103 acquires the user characteristics of the target user from the user characteristics 121 and sets them in the prediction unit 105 .

S104において、関連ユーザ特徴設定部104は、グラフ作成部102により作成された関係性グラフに基づいて、当該対象ユーザと同じ住所の他の1以上のユーザを、関連ユーザとして決定する。さらに、関連ユーザ特徴設定部104は、当該関連ユーザのユーザ特徴を、ユーザ特徴121から取得して予測部105に設定する。 In S104, the related user characteristic setting unit 104 determines one or more other users having the same address as the target user as related users based on the relationship graph created by the graph creation unit 102. Further, the related user feature setting unit 104 acquires the user feature of the related user from the user feature 121 and sets it in the prediction unit 105.

S105において、予測部105は、S103とS104で設定された、当該対象ユーザのユーザ特徴と当該関連ユーザのユーザ特徴、および、対象のタイムスロット(日時)を、在宅予測モデル111に入力し、当該対象のタイムスロットにおける当該対象ユーザ宛ての荷物の配達成功の可能性を予測する。 In S105, the prediction unit 105 inputs the user characteristics of the target user, the user characteristics of the related user, and the target time slot (date and time) set in S103 and S104 to the at-home prediction model 111, and Predict the probability of successful delivery of a package addressed to the target user in the target time slot.

S106において、出力部107は、S105で予測された配達成功の可能性の予測結果を出力する。出力部107は、予測結果に関する情報を生成して、外部装置(不図示)へ出力してもよい。 In S106, the output unit 107 outputs the prediction result of the probability of successful delivery predicted in S105. The output unit 107 may generate information regarding the prediction result and output it to an external device (not shown).

このように、情報処理装置10は、複数のユーザのユーザ特徴から、ユーザ間の社会的関係性を示す関係性グラフネットワーク(関係性グラフ)を作成し、当該関係性グラフに基づいて、対象ユーザ宛ての荷物の配達成功の可能性を予測する。これにより、対象ユーザ宛ての荷物の配達成功の可能性の予測精度が向上し、配送業者による再配達リスクが減少しうる。 In this way, the information processing device 10 creates a relationship graph network (relationship graph) indicating social relationships between users from the user characteristics of a plurality of users, and based on the relationship graph, Predict the likelihood of successful delivery of a package addressed to you. As a result, the accuracy of predicting the probability of successful delivery of a package addressed to a target user can be improved, and the risk of redelivery by a delivery company can be reduced.

なお、上記において特定の実施形態が説明されているが、当該実施形態は単なる例示であり、本発明の範囲を限定する意図はない。本明細書に記載された装置及び方法は上記した以外の形態において具現化することができる。また、本発明の範囲から離れることなく、上記した実施形態に対して適宜、省略、置換及び変更をなすこともできる。かかる省略、置換及び変更をなした形態は、請求の範囲に記載されたもの及びこれらの均等物の範疇に含まれ、本発明の技術的範囲に属する。 Note that although specific embodiments have been described above, these embodiments are merely illustrative and are not intended to limit the scope of the present invention. The apparatus and methods described herein may be embodied in forms other than those described above. In addition, appropriate omissions, substitutions, and changes may be made to the embodiments described above without departing from the scope of the present invention. Such omissions, substitutions, and modifications are included within the scope of the claims and their equivalents, and fall within the technical scope of the present invention.

1~N:ユーザ、10:情報処理装置、11-1~11-N:ユーザ装置、101:ユーザ特徴取得部、102:グラフ作成部、103:対象ユーザ特徴設定部、104:関連ユーザ特徴設定部、105:予測部、106:学習部、107:出力部、110:学習モデル記憶部、111:在宅予測モデル、112:スコア予測モデル、120:ユーザ特徴記憶部、121:ユーザ特徴 1 to N: User, 10: Information processing device, 11-1 to 11-N: User device, 101: User feature acquisition unit, 102: Graph creation unit, 103: Target user feature setting unit, 104: Related user feature setting 105: Prediction unit, 106: Learning unit, 107: Output unit, 110: Learning model storage unit, 111: At-home prediction model, 112: Score prediction model, 120: User feature storage unit, 121: User characteristics

上記課題を解決するために、本発明による情報処理装置の一態様は、複数のユーザそれぞれのユーザについての事実特徴をユーザ特徴として取得する取得手段と、記複数のユーザのうち、対象ユーザを設定する対象ユーザ設定手段と、前記複数のユーザ間の社会的関係性を示す関係性グラフに基づいて、前記複数のユーザのうち、前記対象ユーザと同居する1以上のユーザを関連ユーザとして設定する関連ユーザ設定手段と、前記対象ユーザのユーザ特徴と前記関連ユーザのユーザ特徴に基づいて、前記対象ユーザ宛ての荷物の所定の日時における配達成功の可能性を予測する予測手段と、を有する。 In order to solve the above problems, one aspect of the information processing device according to the present invention includes an acquisition unit that acquires factual characteristics about each of a plurality of users as user characteristics, and a target user among the plurality of users. One or more users who live together with the target user among the plurality of users are set as related users based on a target user setting means to be set and a relationship graph showing social relationships among the plurality of users. It has a related user setting means, and a prediction means for predicting the possibility of successful delivery of a package addressed to the target user at a predetermined date and time based on the user characteristics of the target user and the user characteristics of the related user.

前記関係性グラフにおいて、各ユーザは各ユーザノードで表され、各ユーザノードは、前記事実特徴に基づいてンクで接続されうる。 In the relationship graph, each user is represented by a respective user node, and each user node can be connected with a link based on the factual characteristics.

前記関係性グラフにおいて、同じ事実特徴を有するユーザノードのペア明示的なリンクで接続され、当該明示的なリンクで接続された複数のユーザノードのペアに基づいて、前記明示的なリンクで接続されていないユーザノードのペア暗示的なリンクで接続されうる。 In the relationship graph , a pair of user nodes having the same factual characteristics are connected by an explicit link, and based on a plurality of pairs of user nodes connected by the explicit link, the pair of user nodes are connected by the explicit link. Pairs of user nodes that are not linked may be connected with implicit links.

前記関係性グラフは、前記接続されたユーザノードのペア共有される1つ以上の事実特徴に基づいて当該ペアに割り当てられた親密度を有しうる。 The relationship graph may have a closeness assigned to the connected pair of user nodes based on one or more factual characteristics shared by the pair .

上記課題を解決するために、本発明による情報処理方法の一態様は、複数のユーザそれぞれのユーザについての事実特徴をユーザ特徴として取得する取得工程と、記複数のユーザのうち、対象ユーザを設定する対象ユーザ設定工程と、前記複数のユーザ間の社会的関係性を示す関係性グラフに基づいて、前記複数のユーザのうち、前記対象ユーザと同居する1以上のユーザを関連ユーザとして設定する関連ユーザ設定工程と、前記対象ユーザのユーザ特徴と前記関連ユーザのユーザ特徴に基づいて、前記対象ユーザ宛ての荷物の所定の日時における配達成功の可能性を予測する予測工程と、を有する。 In order to solve the above problems, one aspect of the information processing method according to the present invention includes an acquisition step of acquiring factual characteristics about each of a plurality of users as user characteristics, and a target user among the plurality of users. One or more users who live with the target user among the plurality of users are set as related users based on a target user setting step and a relationship graph showing social relationships among the plurality of users. The method includes a related user setting step, and a prediction step of predicting the possibility of successful delivery of a package addressed to the target user at a predetermined date and time based on the user characteristics of the target user and the user characteristics of the related user.

上記課題を解決するために、本発明によるプログラムの一態様は、情報処理をコンピュータに実行させるための情報処理プログラムであって、該プログラムは、前記コンピュータに、複数のユーザそれぞれのユーザについての事実特徴をユーザ特徴として取得する取得処理と、記複数のユーザのうち、対象ユーザを設定する対象ユーザ設定処理と、前記複数のユーザ間の社会的関係性を示す関係性グラフに基づいて、前記複数のユーザのうち、前記対象ユーザと同居する1以上のユーザを関連ユーザとして設定する関連ユーザ設定処理と、前記対象ユーザのユーザ特徴と前記関連ユーザのユーザ特徴に基づいて、前記対象ユーザ宛ての荷物の所定の日時における配達成功の可能性を予測する予測処理と、を含む処理を実行させるためのものである。 In order to solve the above problems, one aspect of the program according to the present invention is an information processing program for causing a computer to perform information processing, the program instructing the computer to obtain user information for each of a plurality of users. an acquisition process for acquiring features as user characteristics; a target user setting process for setting a target user among the plurality of users; and a relationship graph indicating social relationships between the plurality of users . A related user setting process that sets one or more users who live together with the target user among a plurality of users as related users, and a related user setting process that sets one or more users who live together with the target user as related users, and a process for setting a message addressed to the target user based on the user characteristics of the target user and the user characteristics of the related user. This is for executing a process including a prediction process for predicting the possibility of successful delivery of a package at a predetermined date and time.

Claims (9)

複数のユーザそれぞれのユーザについての事実特徴をユーザ特徴として取得する取得手段と、
前記ユーザ特徴に基づいて、前記複数のユーザ間の社会的関係性を示す関係性グラフを作成する作成手段と、
前記複数のユーザのうち、対象ユーザを設定する対象ユーザ設定手段と、
前記関係性グラフに基づいて、前記複数のユーザのうち、前記対象ユーザと同居する1以上のユーザを関連ユーザとして設定する関連ユーザ設定手段と、
前記対象ユーザのユーザ特徴と前記関連ユーザのユーザ特徴に基づいて、前記対象ユーザ宛ての荷物の所定の日時における配達成功の可能性を予測する予測手段と、
を有することを特徴とする情報処理装置。
acquisition means for acquiring factual characteristics about each of the plurality of users as user characteristics;
Creation means for creating a relationship graph showing social relationships between the plurality of users based on the user characteristics;
Target user setting means for setting target users among the plurality of users;
Related user setting means for setting one or more users who live together with the target user among the plurality of users as related users based on the relationship graph;
Prediction means for predicting the possibility of successful delivery of a package addressed to the target user at a predetermined date and time based on the user characteristics of the target user and the user characteristics of the related user;
An information processing device comprising:
前記予測手段は、前記対象ユーザのユーザ特徴と前記関連ユーザのユーザ特徴を入力し、前記所定の日時における前記荷物の配達成功の可能性を出力するように構成された機械学習モデルを用いて、前記所定の日時における前記荷物の配達成功の可能性を予測することを特徴とする請求項1に記載の情報処理装置。 The prediction means inputs the user characteristics of the target user and the user characteristics of the related user, and uses a machine learning model configured to output the probability of successful delivery of the package at the predetermined date and time, The information processing apparatus according to claim 1, wherein the information processing apparatus predicts the possibility of successful delivery of the package at the predetermined date and time. 前記所定の日時における前記荷物の配達成功の可能性は、1を最大の可能性として、0~1の数値で表されることを特徴とする請求項1または2に記載の情報処理装置。 3. The information processing apparatus according to claim 1, wherein the probability of successful delivery of the package at the predetermined date and time is expressed as a numerical value between 0 and 1, with 1 being the maximum probability. 前記関係性グラフでは、各ユーザは各ユーザノードで表され、前記作成手段は、前記事実特徴に基づいて各ノードをリンクで接続することを特徴とする請求項1から3のいずれか1項に記載の情報処理装置。 4. In the relationship graph, each user is represented by each user node, and the creation means connects each node with a link based on the factual characteristics. The information processing device described. 前記作成手段は、同じ事実特徴を有するユーザノードのペアを明示的なリンクで接続し、当該明示的なリンクで接続された複数のユーザノードのペアに基づいて、前記明示的なリンクで接続されていないノードのペアを暗示的なリンクで接続することを特徴とする請求項4に記載の情報処理装置。 The creation means connects a pair of user nodes having the same factual characteristics with an explicit link, and based on the plurality of pairs of user nodes connected by the explicit link, the pair of user nodes connected by the explicit link is 5. The information processing apparatus according to claim 4, wherein pairs of nodes that are not connected are connected by implicit links. 前記作成手段は、前記接続されたペアの親密度を、当該ペアで共有される1つ以上の事実特徴に基づいて決定することを特徴とする請求項4または5に記載の情報処理装置。 6. The information processing apparatus according to claim 4, wherein the creation means determines the intimacy of the connected pair based on one or more factual features shared by the pair. 前記ユーザ特徴は、ユーザのデモグラフィック情報と、ユーザのウェブサービスの利用に関する情報を含むことを特徴とする請求項1から6のいずれか1項に記載の情報処理装置。 7. The information processing apparatus according to claim 1, wherein the user characteristics include user demographic information and information regarding the user's use of a web service. 複数のユーザそれぞれのユーザについての事実特徴をユーザ特徴として取得する取得工程と、
前記ユーザ特徴に基づいて、前記複数のユーザ間の社会的関係性を示す関係性グラフを作成する作成工程と、
前記複数のユーザのうち、対象ユーザを設定する対象ユーザ設定工程と、
前記関係性グラフに基づいて、前記複数のユーザのうち、前記対象ユーザと同居する1以上のユーザを関連ユーザとして設定する関連ユーザ設定工程と、
前記対象ユーザのユーザ特徴と前記関連ユーザのユーザ特徴に基づいて、前記対象ユーザ宛ての荷物の所定の日時における配達成功の可能性を予測する予測工程と、
を有することを特徴とする情報処理方法。
an acquisition step of acquiring factual features about each of the plurality of users as user features;
a creation step of creating a relationship graph showing social relationships among the plurality of users based on the user characteristics;
a target user setting step of setting a target user among the plurality of users;
a related user setting step of setting one or more users who live together with the target user among the plurality of users as related users based on the relationship graph;
a prediction step of predicting the possibility of successful delivery of a package addressed to the target user at a predetermined date and time based on the user characteristics of the target user and the user characteristics of the related user;
An information processing method characterized by having the following.
情報処理をコンピュータに実行させるための情報処理プログラムであって、該プログラムは、前記コンピュータに、
複数のユーザそれぞれのユーザについての事実特徴をユーザ特徴として取得する取得処理と、
前記ユーザ特徴に基づいて、前記複数のユーザ間の社会的関係性を示す関係性グラフを作成する作成処理と、
前記複数のユーザのうち、対象ユーザを設定する対象ユーザ設定処理と、
前記関係性グラフに基づいて、前記複数のユーザのうち、前記対象ユーザと同居する1以上のユーザを関連ユーザとして設定する関連ユーザ設定処理と、
前記対象ユーザのユーザ特徴と前記関連ユーザのユーザ特徴に基づいて、前記対象ユーザ宛ての荷物の所定の日時における配達成功の可能性を予測する予測処理と、を含む処理を実行させるためのものである、
情報処理プログラム。
An information processing program for causing a computer to perform information processing, the program causing the computer to:
an acquisition process of acquiring factual features about each of the plurality of users as user features;
a creation process of creating a relationship graph showing social relationships between the plurality of users based on the user characteristics;
Target user setting processing for setting a target user among the plurality of users;
a related user setting process of setting one or more users who live with the target user among the plurality of users as related users based on the relationship graph;
A prediction process for predicting the possibility of successful delivery of a package addressed to the target user at a predetermined date and time based on the user characteristics of the target user and the user characteristics of the related user. be,
Information processing program.
JP2022053170A 2022-03-29 2022-03-29 Information processing device, information processing method, and program Active JP7514878B2 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2022053170A JP7514878B2 (en) 2022-03-29 2022-03-29 Information processing device, information processing method, and program

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2022053170A JP7514878B2 (en) 2022-03-29 2022-03-29 Information processing device, information processing method, and program

Publications (2)

Publication Number Publication Date
JP2023146141A true JP2023146141A (en) 2023-10-12
JP7514878B2 JP7514878B2 (en) 2024-07-11

Family

ID=88286976

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2022053170A Active JP7514878B2 (en) 2022-03-29 2022-03-29 Information processing device, information processing method, and program

Country Status (1)

Country Link
JP (1) JP7514878B2 (en)

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5205977B2 (en) 2008-01-09 2013-06-05 富士通株式会社 Delivery receipt prediction apparatus and method
US8965848B2 (en) 2011-08-24 2015-02-24 International Business Machines Corporation Entity resolution based on relationships to a common entity
JP6461230B2 (en) 2017-05-10 2019-01-30 ヤフー株式会社 Determination device, determination method, and determination program
JP7312161B2 (en) 2018-02-27 2023-07-20 株式会社Nttドコモ Home prediction device
CN113191702A (en) 2020-01-14 2021-07-30 北京京东振世信息技术有限公司 Information processing method, device, system and computer readable storage medium

Also Published As

Publication number Publication date
JP7514878B2 (en) 2024-07-11

Similar Documents

Publication Publication Date Title
US20180158097A1 (en) Network-aware Product Rollout in Online Social Networks
Stienmetz et al. Estimating value in Baltimore, Maryland: An attractions network analysis
US20190258984A1 (en) Generative adversarial networks in predicting sequential data
JP2015001888A (en) Information processing program and information processing apparatus
JP7067553B2 (en) Information processing equipment and information processing method
US20160292642A1 (en) Estimating workforce skill gaps using social networks
US12061650B2 (en) Systems, methods, computing platforms, and storage media for comparing non-adjacent data subsets
JP7514878B2 (en) Information processing device, information processing method, and program
US20210065032A1 (en) Generalized linear mixed model with destination personalization
JP7557496B2 (en) Information processing device, information processing method, and program
JP7572986B2 (en) Information processing device, information processing method, and program
JP2023146142A (en) Information processing device, information processing method, and program
JP2023146143A (en) Information processing device, information processing method, and program
US20170372266A1 (en) Context-aware map from entities to canonical forms
JP7568689B2 (en) Information processing device, information processing method, and information processing program
Chimmalee et al. The effects of community interactions and quarantine on a complex network
JP7416904B1 (en) Information processing device, information processing method, and information processing program
JP2024047941A (en) Information processing apparatus, information processing method, and information processing program
JP7530512B2 (en) Information processing device, information processing method, and program
JP7358567B1 (en) Information processing device, information processing method, and program
Zhao et al. Can Reinforcement Learning Enhance Social Capital?
JP2024073904A (en) Information processing device, information processing method, and information processing program
JP2018019970A (en) Game execution method, program, and recording medium
JP2023028173A (en) Information processing device, information processing method and information processing program
JP2023182160A (en) Information processing apparatus, information processing method, and information processing program

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20221110

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A821

Effective date: 20221110

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230913

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20230913

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20240612

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: 20240625

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20240701

R150 Certificate of patent or registration of utility model

Ref document number: 7514878

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150