JP2024047942A - 情報処理装置、情報処理方法、および情報処理プログラム - Google Patents

Abstract

【課題】時系列的な関係を反映した知識グラフを構成する。【解決手段】情報処理装置は、複数のユーザそれぞれについて特徴を示すユーザ特徴と、複数のアイテムそれぞれについて特徴を示すアイテム特徴を取得し、該複数のユーザと該複数のアイテムとの時系列的な相互作用を示す時系列情報を取得し、該ユーザ特徴、該アイテム特徴、および該時系列情報に基づいて、該複数のユーザを表す複数のユーザノードと該複数のアイテムを表す複数のアイテムノードと、該複数のユーザノードと該複数のアイテムノードにおける相互の関係を示すリンクとを含むグラフを構築し、該グラフから、該複数のユーザノードと該複数のアイテムノードのうち任意のノードについての該グラフにおけるノード表現を抽出する。【選択図】図８Ｂ

Description

本発明は、情報処理装置、情報処理方法、および情報処理プログラムに関する。

近年、知識グラフなどのグラフ形態のネットワーク（グラフネットワーク）を用いた顧客行動分析が注目されている。例えば、特許文献１には、複数のエンティティと当該複数エンティティの属性を含むデータセットを収集し、当該複数のエンティティ間の関係性を生成し、当該複数のエンティティ、当該属性、および当該関係性を知識グラフに格納し、当該知識グラフに基づいてユーザのためのレコメンデーションを生成することが開示されている。

特開２０１９－１２５３６４号公報

上記文献で開示されている知識グラフでは、ユーザと、商品といったアイテムの両方がエンティティに含まれている。一方で、ユーザとアイテムの関係は、時系列的に変化しうる。例えば、ユーザが半年前に商品Ａを購入し、数日前に商品Ｂを購入した場合、現時点において、ユーザと商品Ａとの関係より、ユーザと商品Ｂとの関係が強いと言うことができる。このような時系列的な関係を知識グラフに反映することにより、よりユーザの行動分析の精度が向上しうる。

本発明は上記課題に鑑みてなされたものであり、時系列的な関係を反映した知識グラフを構成するための技術を提供することを目的とする。

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について特徴を示すユーザ特徴と、複数のアイテムそれぞれについて特徴を示すアイテム特徴を取得する特徴取得手段と、前記複数のユーザと前記複数のアイテムとの時系列的な相互作用を示す時系列情報を取得する時系列情報取得手段と、前記ユーザ特徴、前記アイテム特徴、および前記時系列情報に基づいて、前記複数のユーザを表す複数のユーザノードと前記複数のアイテムを表す複数のアイテムノードと、前記複数のユーザノードと前記複数のアイテムノードにおける相互の関係を示すリンクとを含むグラフを構築する構築手段と、前記グラフから、前記複数のユーザノードと前記複数のアイテムノードのうち任意のノードについての前記グラフにおけるノード表現を抽出する抽出手段と、を有する。

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について特徴を示すユーザ特徴と、複数のアイテムそれぞれについて特徴を示すアイテム特徴を取得する特徴取得工程と、前記複数のユーザと前記複数のアイテムとの時系列的な相互作用を示す時系列情報を取得する時系列情報取得工程と、前記ユーザ特徴、前記アイテム特徴、および前記時系列情報に基づいて、前記複数のユーザを表す複数のユーザノードと前記複数のアイテムを表す複数のアイテムノードと、前記複数のユーザノードと前記複数のアイテムノードにおける相互の関係を示すリンクとを含むグラフを構築する構築工程と、前記グラフから、前記複数のユーザノードと前記複数のアイテムノードのうち任意のノードについての前記グラフにおけるノード表現を抽出する抽出工程と、を含む。

上記課題を解決するために、本発明による情報処理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について特徴を示すユーザ特徴と、複数のアイテムそれぞれについて特徴を示すアイテム特徴を取得する特徴取得処理と、前記複数のユーザと前記複数のアイテムとの時系列的な相互作用を示す時系列情報を取得する時系列情報取得処理と、前記ユーザ特徴、前記アイテム特徴、および前記時系列情報に基づいて、前記複数のユーザを表す複数のユーザノードと前記複数のアイテムを表す複数のアイテムノードと、前記複数のユーザノードと前記複数のアイテムノードにおける相互の関係を示すリンクとを含むグラフを構築する構築処理と、前記グラフから、前記複数のユーザノードと前記複数のアイテムノードのうち任意のノードについての前記グラフにおけるノード表現を抽出する抽出処理と、を含む処理を実行させるためのものである。

本発明によれば、時系列的な関係を反映した知識グラフを構成するための技術を提供することが可能となる。
上記した本発明の目的、態様および効果並びに上記されなかった本発明の目的、態様および効果は、当業者であれば添付図面およ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。

図１は、情報処理システムの構成例を示す。 図２は、情報処理装置１０の機能構成例を示す。 図３は、知識グラフの作成手順のフローチャートを示す。 図４Ａは、明示的リンクを説明するための図である。 図４Ｂは、暗示的リンクを説明するための図である。 図５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。 図６Ａは、ユーザペアの関係の近さに基づくスコア（近さスコア）の概念図を示す。 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。 図６Ｃは、ユーザ間関係グラフの概念図を示す。 図７は、アイテム間関係グラフの概念図を示す。 図８Ａは、ユーザ－アイテム間関係グラフの概念図を示す。 図８Ｂは、ユーザ－アイテム間の時系列的な関係の概念図の一例を示す。 図８Ｃは、ユーザ－アイテム間の時系列的な関係の概念図の別の例を示す。 図８Ｄは、ユーザ－アイテム間の暗示的リンクにおける時系列的な関係の概念図の一例を示す。 図８Ｅは、ユーザ－アイテム間の暗示的リンクにおける時系列的な関係の概念図の別の例を示す。 図８Ｆは、ユーザ－アイテム間の時系列的な関係の概念図において、ユーザが特定の日で購入した場合の例を示す。 図９は、知識グラフとユーザ表現の概念図を示す。 図１０は、見込みユーザ予測処理を説明するための図である。 図１１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。 図１２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。

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。

［情報処理システムの構成］
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。

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。

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。

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、知識グラフを作成する。知識グラフは、現実世界での知識（ナレッジ）を、構造化された事実（ファクト）構造で表現した有向グラフである。本実施形態では、当該知識グラフは、ユーザ間関係（インタラクション）グラフ、アイテム間関係グラフ、および、ユーザ－アイテム間関係グラフから構成される。そして、情報処理装置１０は、当該知識グラフから、任意のユーザに対するユーザ表現（知識グラフなどの有向グラフにおけるユーザの特徴ベクトル、埋め込み表現、ベクトル表現）を抽出する。

［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から各種ユーザ特徴を取得し、また、所定のデータベースから、アイテムに関する特徴を取得する。本実施形態において、アイテムとは、様々なサービスに関して提供可能な有形または無形のモノ（Ｔｈｉｎｇ）でありうる。例えば、金融（フィンテック）サービスに関しては、銀行口座、株式や投資信託や保険商品といった金融商品、暗号通貨、スマホアプリ決済等のアイテムが存在する。また、デジタルコンテンツサービスに関しては、映画やアニメといった動画コンテンツや、写真やイラストやテキストといった静止画コンテンツ等のアイテムが存在する。また、Ｅコマースサービスに関しては、ネットショッピングで扱う無形または有形の商品等のアイテムが存在する。また、トラベルサービスに関しては、ホテルやパックツアーや交通機関に関する情報や予約等のアイテムが存在する。また、モバイルサービスに関しては、モバイル機器、公衆網／インターネット接続、通信利用料金等のアイテムが存在する。また、広告およびメディアサービスに関しては、オフラインやオフラインの広告商品、ダイレクトメール、放送やインターネットを介した広告等のアイテムが存在する。また、カードサービスに関しては、クレジットカード決済やポイント取引等のアイテムが存在する。また、スポーツおよび文化サービスに関しては、スポーツイベントやコンサートといったイベントやイベントで販売される商品等のアイテムが存在する。

情報処理装置１０は、取得したユーザ特徴とアイテム特徴から知識グラフを作成し、当該知識グラフから、任意のユーザに対するユーザ表現を抽出する。当該知識グラフは、後述するように、ユーザ間関係グラフ、アイテム間関係グラフ、および、ユーザ－アイテム間関係グラフから構成される。さらに、情報処理装置１０は、当該ユーザ表現を用いて、ユーザの行動分析に関する所定のタスクを行う。例えば、情報処理装置１０は、ユーザセグメンテーション（類似したユーザ特徴のユーザ群の抽出）、アイテム購入確率の予測、アイテムを介した類似ユーザの予測等のタスクを行う。本実施形態では、情報処理装置１０が、所定の（所与の）シードユーザ（対象ユーザ）と同様のユーザ特徴を有する（例えば、当該シードユーザと所定のアイテムを購入する可能性の高い）見込みユーザを予測する例を説明する。

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、アイテム特徴取得部１０２、グラフ構築部１０３、表現抽出部１０４、見込みユーザ予測部１０５、学習部１０６、出力部１０７、学習モデル記憶部１１０、および特徴記憶部１２０を備える。学習モデル記憶部１１０は、見込みユーザ予測モデル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、特徴記憶部１２０は、ユーザ特徴１２１およびアイテム特徴１２２を記憶するように構成される。

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。

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、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（購入履歴や販売履歴も含む）、検索履歴、閲覧履歴（クリック履歴を含む）、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として特徴記憶部１２０に記憶させる。

アイテム特徴取得部１０２は、所定のデータベース（不図示）から、様々なウェブサービスにおける登録情報や取引履歴に基づく、アイテムの特徴（属性）を取得する。当該アイテムの特徴には、アイテムを識別する情報（以下、アイテムＩＤ）、当該アイテムのジャンル（上位分類）を識別する情報（以下、ジャンルＩＤ）、当該アイテムが販売されているショップを識別する情報（以下、ショップＩＤ）等が含まれる。アイテム特徴は、取引履歴に応じて、アイテムＩＤとジャンルＩＤ間、アイテムＩＤとショップＩＤ間の取引情報（取引回数等）も含むことができる。アイテム特徴取得部１０２は、取得したアイテムの特徴を、アイテム特徴１２２として特徴記憶部１２０に記憶させる。

グラフ構築部１０３は、ユーザ特徴取得部１０１とアイテム特徴取得部１０２から取得した各種特徴に基づいて、知識グラフを構築する。当該知識グラフについては後述する。

表現抽出部１０４は、グラフ構築部１０３により構築された知識グラフから、任意のユーザに対するユーザ表現を抽出する。また、表現抽出部１０４は、当該知識グラフから、任意のアイテムに対するアイテム表現を抽出してもよい。ユーザ表現（またはアイテム表現）の抽出処理については後述する。また、表現抽出部１０４は、構築された知識グラフにおける任意のノードにかかる埋め込み表現（ベクトル表現）を、例としてショップ表現やジャンル表現として、抽出してよい。

見込みユーザ予測部１０５は、所定のシードユーザと同様のユーザ特徴を有し、ウェブサービスを通じて当該シードユーザと同様の（類似した）行動を行うと予測されるユーザを、見込みユーザ（類似ユーザ）として予測する。当該シードユーザは、ウェブサービスを通じて所与の商品やサービスを購入および／または利用、および／または、当該ウェブサービスを通じて当該商品やサービスをポジティブに評価した１以上のユーザである。当該シードユーザは、ユーザ装置１１－１～１１－Ｎから選択および設定された１以上のユーザである。当該シードユーザは、操作者が入力部（図１２の入力部２０５）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１１のＲＯＭ２０２やＲＡＭ２０３）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。本実施形態では、学習部１０６により学習済みの見込みユーザ予測モデル１１１を用いて、当該見込みユーザを予測する。当該見込みユーザの予測処理については後述する。

学習部１０６は、見込みユーザ予測モデル１１１とスコア予測モデル１１２を学習（トレーニング）させ、学習済みの見込みユーザ予測モデル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。

出力部１０７は、表現抽出部１０４により抽出されたユーザ表現や、見込みユーザ予測部１０５により予測された見込みユーザの情報を出力する。当該出力は、あらゆる出力処理であってよいし、通信Ｉ／Ｆ（図１１の通信Ｉ／Ｆ２０７）を介した外部装置への出力であってもよいし、表示部（図１１の表示部２０６）への表示であってもよい。

［知識グラフの構築手順］
次に、本実施形態による知識グラフの作成手順について説明する。当該知識グラフは、ユーザ間関係グラフ、アイテム間関係グラフ、および、ユーザ－アイテム間関係グラフから構成される。図３に、本実施形態によるグラフ構築部１０３により実行される知識グラフの構築手順のフローチャートを示す。以下、まず、ユーザ間関係グラフ、アイテム間関係グラフ、および、ユーザ－アイテム間関係グラフそれぞれの作成手順（図３のＳ３０の処理に対応）を説明する。

（１）ユーザ間関係グラフの作成手順
ユーザ間関係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、ユーザ間関係グラフは、図４Ａと図４Ｂにおいて丸で囲まれた各ユーザノード（ユーザの識別情報を有するノード）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。以下、ユーザ間関係グラフについての、図３のＳ３０の処理の各工程について説明する。

＜Ｓ３１：リンクの作成＞
Ｓ３１では、グラフ構築部１０３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と図４Ｂを参照して説明する。図４Ａは、明示的リンクを説明するための図であり、図４Ｂ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。

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。

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。

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、グラフ構築部１０３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の間のリンクＬ１）を相互に作成する。明示的リンクは実線で表されている。

図４Ａのほか、共通の特徴として、ユーザの住所の特徴や、ユーザが使用するクレジットカード番号の特徴等を共通な特徴として用いて、明示的リンクを作成することができる。

図４Ｂに、ユーザ間に暗示的リンクを作成する例を示す。図４Ｂ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４Ｂ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、破線で示す暗示的リンクＬ２が作成されている。なお、グラフ構築部１０３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、グラフ構築部１０３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。

＜Ｓ３２：リンク間の関係性の推論＞
Ｓ３２では、グラフ構築部１０３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５を参照して説明する。図５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。

グラフ構築部１０３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５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５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。

例えば、グラフ構築部１０３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、グラフ構築部１０３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。

＜Ｓ３３：関係の近さに基づくスコア割り当て＞
Ｓ３３では、グラフ構築部１０３は、Ｓ３２で推論されたペアに対する関係の近さ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、ユーザペアの関係の近さに基づくスコア（以下、近さスコア）の概念図を示す。

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の近さが変化する。図６Ａの上部では、ユーザＡからユーザＢの関係が、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の近さ（すなわち、近さスコア）は高くなる。一方、図６Ａの下部では、ユーザＡからユーザＢの関係が、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、という特徴６１を有する場合、当該ユーザペア間の関係の近さ（すなわち、近さスコア）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、当該ペアの関係の近さは異なるものとなる。関係の近さの高いペアは、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、関係の近さの低いペアは、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。

本実施形態では、ユーザペアに対する近さスコアを、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に対する近さスコア６４を予測する学習モデルである。

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近さスコア（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に近い近さスコアと、特徴６１に設定された０に近い近さ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１０６により実施される。

なお、本実施形態では、ユーザペアに対する近さスコアを、スコア予測モデル１１２を用いて予測したが、グラフ構築部１０３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。

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、各リンク間では近さスコアが割り当てられ、ユーザ間関係グラフが作成される。ユーザ間関係グラフの概念図を図６Ｃに示す。各ユーザのペアに対しては上記のように予測された近さスコアが割り当てられる。なお、なお、本開示において、リンク（明示的リンクまたは暗示的リンク）に割り当てられる近さスコアは、当該リンクへの重みづけと同義で理解される。例えば、高い近さスコアは、高い重みづけに対応し、低い近さスコアは、低い重みづけに対応する。

（２）アイテム間関係グラフの作成手順
次に、アイテム間関係グラフの作成手順について説明する。ユーザ間関係グラフの作成手順と同様に、グラフ構築部１０３は、図３におけるＳ３０の関係グラフの作成処理のフローチャートに従って、アイテム間関係グラフを作成する。なお、アイテム間関係グラフの作成では、Ｓ３２の工程は行われない。

＜Ｓ３１：リンクの作成＞
Ｓ３１では、グラフ構築部１０３は、特徴記憶部１２０に記憶されているアイテム特徴１２２に基づいて、複数のアイテム間のリンクを作成する。前述したように、本実施形態による当該アイテム特徴は、アイテムＩＤ、ジャンルＩＤ、およびショップＩＤを含む。すなわち、１つのアイテムＩＤに、少なくとも１つのジャンルＩＤおよび／またはショップＩＤが関連付けられている。なお、ジャンルＩＤやショップＩＤはそれぞれ、階層的に構成されてもよい。例えば、ジャンルが階層的に構成され、それぞれがジャンルＩＤを有してもよい。また、アイテム特徴は、アイテムＩＤ、ジャンルＩＤ、およびショップＩＤに限らず、アイテムのブランド、色、プロパティ、価格に関する情報といった他の情報（属性）を含んでもよい。

グラフ構築部１０３は、任意のアイテムＩＤに関連付けられるジャンルＩＤやショップＩＤを、当該アイテムＩＤとリンクさせる。図７に、アイテム間関係グラフの概念図を示す。アイテム間関係グラフは、図７において丸で囲まれたアイテムＩＤ、ジャンルＩＤ、またはショップＩＤを示す各ノードの接続で構成され、以下の説明では、当該ノードを単にアイテム、ジャンル、またはショップと称する。

図７において、アイテム特徴から接続されるリンクは明示的リンクであり、実線で示される（例えば、アイテムＡとショップＡとの間のリンクＬ１）。また、アイテム間の色やプロパティが類似している場合（類似度が所定の閾値より高い場合）、アイテム間を明示的リンクで接続することができる（例えば、アイテムＡとアイテムＢとの間のリンク）。一方、例えば、同じショップにおいて異なるアイテムが販売されている場合もある。図７において、アイテムＡとアイテムＣは、いずれもショップＡで販売されていることから、ショップＡにリンクされている。このことから、グラフ構築部１０３は、アイテムＡとアイテムＣを、破線で示す暗示的リンクで接続することができる（図７の例では、アイテムＡとアイテムＣの間のリンクＬ２）。なお、グラフ構築部１０３は、明示的リンクで接続されたノード（ユーザ）で構成されるアイテム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、アイテム間の暗示的リンクを予測し作成する。このとき、グラフ構築部１０３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。

＜Ｓ３３：関係の近さに基づくスコア割り当て＞
Ｓ３３では、グラフ構築部１０３は、Ｓ３１で作成されたリンクにおける各ペアに対する関係の近さに基づくスコア（近さスコア）を予測し、当該スコアを当該ペアに割り当てる。図７において、例えば、ジャンルＡのうち、アイテムＢよりアイテムＡがよく売れる（よく取引される）場合、アイテムＡとジャンルＡのペアに高いスコアが割り当てられる。また、アイテムＡについて、ジャンルＡに属する確率が高いと判定される場合、アイテムＡとジャンルＡのペアに当該確率に基づくスコアが高く割り当てられる。また、任意のアイテム間の類似度がより高い場合、当該アイテムのペアに高いスコアが割り当てられる。

グラフ構築部１０３は、各ペアに対する近さスコアを、前述のスコア予測モデル１１２を用いて予測してもよい。スコア予測モデル１１２を用いる場合、アイテム、ジャンル、ショップのうちの任意のペアに対する取引回数や、アイテム間の類似度の特徴に対して付された近さスコア（０～１）を教師データとして学習される（図６Ｂ参照）。例えば、学習段階では、教師データとしては、取引回数が多い、または、類似度が高いという特徴に設定された１に近い近さスコアと、取引回数が少ない、または、類似度が低いという特徴に設定された０に近い近さ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１０６により実施される。スコア割り当てにより、図６Ｃに示すユーザ間関係グラフと同様に、各ペア間に対する数値としてスコアを表すことができる。

（２）ユーザ－アイテム間関係グラフの作成手順
次に、ユーザ－アイテム間関係グラフの作成手順について説明する。ユーザ間関係グラフの作成手順と同様に、グラフ構築部１０３は、図３におけるＳ３０関係グラフの作成処理のフローチャートに従って、ユーザ－アイテム間関係グラフを作成する。なお、ユーザ－アイテム間関係グラフの作成では、Ｓ３２の工程は行われない。

＜Ｓ３１：リンクの作成＞
Ｓ３１では、グラフ構築部１０３は、特徴記憶部１２０に記憶されているユーザ特徴１２１とアイテム特徴１２２に基づいて、任意のユーザと１以上のアイテム間のリンクを作成する。まず、グラフ構築部１０３は、特徴記憶部１２０に記憶されているユーザ特徴１２１から、各ユーザの購入履歴、検索履歴、または閲覧履歴（クリック履歴を含む）といった、各ユーザに対するアイテムに関連するユーザ特徴を取得する。グラフ構築部１０３は、各ユーザに対する当該アイテムに関連するユーザ特徴を用いて、各ユーザについての、ユーザ－アイテム間関係グラフを作成する。

図８Ａに、ユーザ－アイテム間関係グラフの概念図を示す。ユーザ－アイテム間関係グラフは、図８Ａにおいて丸で囲まれたユーザノードとアイテムＩＤを示すノードの接続で構成され、以下の説明では、当該ユーザノードとアイテムＩＤを示すノードを単にユーザとアイテムと称する。また、「購入」、「クリック」、「販売」といったユーザによるアイテムへのアクションを、ユーザとアイテムとの相互作用とも称する。

図８Ａにおいて、ユーザＡによるアイテムＡのクリック履歴から、ユーザＡとアイテムＡがリンクされる。当該アイテムＡのクリック履歴は、ユーザ装置１１の表示部における、アイテムＡに関する所定の画面領域（例えば、ボタン、写真、アイコン等）をクリックしたことを含む。また、ユーザＡによるアイテムＢの購入履歴から、ユーザＡとアイテムＢがリンクされる。また、ユーザＡによるアイテムＣの販売履歴から、ユーザＡとアイテムＣがリンクされる。なお、図８Ａでは、ユーザＡと各アイテム間は明示的リンクで接続されているが、ユーザＡによる任意のアイテムへの間接的な接続を、暗示的リンクで表してもよい。また、ユーザへのアイテムに関する広告配信履歴から、ユーザとアイテムがリンクされてよい。なお、グラフ構築部１０３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－アイテム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－アイテム間の暗示的リンクを予測し作成する。このとき、グラフ構築部１０３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。

＜Ｓ３３：関係の近さに基づくスコア割り当て＞
Ｓ３３では、グラフ構築部１０３は、Ｓ３１で作成されたリンクにおける各ペアに対する関係の近さに基づくスコア（近さスコア）を当該ペアに割り当てる。
本実施形態では、グラフ構築部１０３は、時系列的な関係の変化を考慮しない近さスコア、および、ユーザとアイテム間の時系列的な関係の変化を考慮した近さスコアを、ユーザとアイテムのペアに割り当てることができる。なお、グラフ構築部１０３は、時系列的な関係の変化を考慮した近さスコアのみを、ユーザとアイテムのペアに割り当ててもよい。以下の説明では、ユーザとアイテム間の時系列的な関係の変化を考慮しない近さスコアを、「非時系列関係ベース近さスコア」と称し、ユーザとアイテム間の時系列的な関係の変化を考慮する近さスコアを、「時系列関係ベース近さスコア」と称する。

（非時系列関係ベース近さスコア）
グラフ構築部１０３は、上述のクリック履歴、購入履歴、販売履歴および広告配信履歴などのアイテムの取引に関連する履歴に基づき、ユーザとアイテムのペアに関する近さスコアを予測し、当該ペアに割り当てることができる。例えば、ユーザが任意のアイテムをクリックしたのみの場合より、当該アイテムを実際に購入した場合に、ユーザとアイテムの距離がより近いといえる。よって、図８Ａの例では、ユーザＡとアイテムＡのペアより、ユーザＡとアイテムＢのペアに高いスコアが割り当てられる。また、ユーザがアイテムを販売することは、クリック動作よりも関係が近いと考えられ、図８Ａの例では、ユーザＡとアイテムＡのペアより、ユーザＡとアイテムＣのペアに高いスコアが割り当てられる（ユーザＡとアイテムＣとのリンクに高く重みづけされる）。また、例えば、ユーザにアイテムに関する広告が複数に亘って配信されたにも関わらず、アイテムに関するクリックや購入がなされなかった場合に、ユーザとアイテムのペアに低いスコアが割り当てられてよい。

グラフ構築部１０３は、各ペアに対する近さスコアを、前述のスコア予測モデル１１２を用いて予測してもよい。スコア予測モデル１１２を用いる場合、ユーザとアイテムのペアに対する特徴に対して付された近さスコア（０～１）を教師データとして学習される（図６Ｂ参照）。例えば、学習段階では、教師データとしては、購入という特徴に設定された１に近い近さスコアと、クリックという特徴に設定された０に近い近さ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１０６により実施される。スコア割り当てにより、図６Ｃに示すユーザ間関係グラフと同様に、各ペア間に対する数値としてスコアを表すことができる。

なお、図８Ａでは、ユーザとアイテムのペアとしてユーザ－アイテム間関係グラフを定義したが、ユーザが特定のアイテムに対して、クリック、購入、または販売の履歴がある場合は、ユーザとジャンル（ジャンルＩＤ）のペアがリンクされる。そして、当該ペアで共有される特徴に対して近さスコアが割り当てられる。

（時系列関係ベース近さスコア）
次に、時系列関係ベース近さスコアについて説明する。
図８Ｂに、ユーザ－アイテム間の時系列的な関係の概念図の一例を示す。図８Ｂの例では、ユーザＡが、アイテムＡを時刻ｔ１で購入し、アイテムＢを時刻ｔ２で購入し、アイテムＣを時刻ｔ３で購入した場合を示している。なお、時刻ｔ１、ｔ２、およびｔ３は、ユーザＡが各アイテムの購入アクションを行った日時を含む表現であり、時系列にｔ３＞ｔ２＞ｔ１（すなわち、ｔ１からｔ３になるに従い、現在に近づく）である。よって、ユーザＡが、アイテムＡからＣのうち、アイテムＡを最近購入している。

ユーザＡがアイテムＣを購入した時刻ｔ３を基準時刻（基準日時）とすると、ユーザＡは、時刻ｔ３から相対的時間Ｔ１（＝ｔ３－ｔ１）前にアイテムＡを購入し、時刻ｔ３から相対的時間Ｔ２（＝ｔ３－ｔ２）前にアイテムＢを購入し、相対的時間Ｔ３にアイテムＣを購入したことになる。相対的時間が長いアイテムは、ユーザＡがより過去に購入したアイテムであり、時刻ｔ３を基準にすると、ユーザＡとの関係性がより低いアイテムとみなすことができる。よって、本実施形態では、グラフ構築部１０３は、相対的時間を算出し、ユーザとアイテムのペアに関して、相対的時間が長いほど、より低い近さスコアを割り当てる。図８Ｂの例では、近さスコアは、ユーザＡとアイテムＣのペアに対して一番高く（ユーザＡとアイテムＣとのリンクに一番高く重みづけされる）、ユーザＡとアイテムＢのペア、ユーザＡとアイテムＡのペアの順に低くなる（ユーザとアイテムとのリンクに順に低く重みづけされる）ように構成される。例えば、ユーザＡとアイテムＣのペアに対する近さスコアを１とすると、グラフ構築部１０３は、相対的時間の逆数を、ユーザＡとアイテムＢのペアおよびユーザＡとアイテムＡのペアに対する近さスコアに割り当てる（それぞれ、１／Ｔ２、１／Ｔ１）。

図８Ｃに、ユーザ－アイテム間の時系列的な関係の概念図の別の例を示す。図８Ｃの例では、ユーザＡがアイテムＡを時刻ｔ１で購入し、ユーザＢがアイテムＡを時刻ｔ２で購入し、ユーザＣがアイテムＡを時刻ｔ３で購入した場合を示している。なお、時刻ｔ１、ｔ２、およびｔ３は、ユーザＡ、ユーザＢ、ユーザＣのそれぞれがアイテムＡの購入アクションを行った日時を含む表現であり、時系列にｔ３＞ｔ２＞ｔ１（すわち、ｔ１からｔ３になるに従い、現在に近づく）である。よって、ユーザＡからＣのうち、ユーザＣがアイテムＡを最近購入している。

ユーザＣがアイテムＡを購入した時刻ｔ３を基準時刻（基準日時）とすると、ユーザＡは、時刻ｔ３から相対的時間Ｔ１（＝ｔ３－ｔ１）前にアイテムＡを購入し、ユーザＢは、時刻ｔ３から相対的時間Ｔ２（＝ｔ３－ｔ２）前にアイテムＡを購入し、ユーザＣは、相対的時間Ｔ３にアイテムＡを購入したことになる。相対的時間が長いユーザは、アイテムＡをより過去に購入したユーザであり、時刻ｔ３を基準にすると、アイテムＡとの関係性がより低いユーザとみなすことができる。よって、本実施形態では、グラフ構築部１０３は、相対的時間を算出し、ユーザとアイテムのペアに関して、相対的時間が長いほど、より低い近さスコアを割り当てる。図８Ｃの例では、近さスコアは、ユーザＣとアイテムＡのペアに対して一番高く（ユーザＣとアイテムＡとのリンクに一番高く重みづけされる）、ユーザＢとアイテムＡのペア、ユーザＡとアイテムＡのペアの順に低くなる（ユーザとアイテムとのリンクに順に低く重みづけされる）ように構成される。例えば、ユーザＣとアイテムＡのペアに対する近さスコアを１とすると、グラフ構築部１０３は、相対的時間の逆数を、ユーザＢとアイテムＡのペアおよびユーザＡとアイテムＡのペアに対する近さスコアに割り当てる（それぞれ、１／Ｔ２、１／Ｔ１）。

なお、ユーザとアイテムの関係性が存在しうる、基準時刻から過去の区間（関係性を考慮可能な区間）をあらかじめ設定してもよい。例えば、図８Ｂを参照すると、ユーザＡがアイテムＤ（不図示）を購入した時刻が、基準時刻ｔ３から１０年前である場合には、ユーザＡとアイテムＤとの関係性（特に、購入についての関係性）は低いとみなすことができる。よって、例えば、基準時刻から所定期間（例えば、１年）までの区間を、ユーザとアイテムの関係性を考慮可能な区間として設定してもよい。

また、図８Ｂと図８Ｃでは、ユーザとアイテムとの相互作用は「購入」とし、時刻ｔ１、ｔ２、およびｔ３は、当該「購入」が生じた日時としているが、当該相互作用は、図８Ａのように、「クリック」や「販売」等を含んでもよい。さらに、図８Ｂと図８Ｃにおいて、ユーザとアイテムとの相互作用が、「購入」、「クリック」、「販売」のいずれかであってもよい。ここで、「クリック」とは、例として、アイテムを商取引可能な所定のプラットフォーム上での、アイテムのウェブページへのアクセスに相当する。また、当該相互作用は、アイテムのウェブページへアクセスするためのリンクの生成や、アイテムのウェブページをＳＮＳ（ソーシャルネットワークサービス）等の外部プラットフォームへ投稿するような「紹介」であってもよい。また、当該相互作用は、アイテムのウェブページをお気に入り登録するような「登録」であってもよい。なお、当該相互作用の種別に基づいて、ユーザとアイテムとのペアの近さスコアが高くなるようリンクに重みづけを決定してもよい。例として、当該相互作用が「購入」または「販売」である場合、ユーザとアイテムとのペアの近さスコアが「クリック」より高くなるように、リンクに重みづけを決定してよい。

図８Ｂと図８Ｃでは、図８Ａに示すような、ユーザが明示的にアイテムの「購入」、「クリック」、または「販売」を行ったことによる、ユーザとアイテム間の明示的リンクにおける近さスコアについて説明した。これに加えて、グラフ構築部１０３は、ユーザとアイテム間の暗示的リンクを生成し、当該暗示的リンクにおける近さスコアを予測してもよい。例えば、ユーザ同士が類似する場合に、当該類似するユーザとアイテムを暗示的リンクでリンクしてもよい。同様に、アイテム同士が類似する場合に、当該類似するアイテムとユーザを暗示的リンクでリンクしてもよい。なお、「ユーザ同士が類似する」または「アイテム同士が類似する」とは、グラフ上のユーザ間またアイテム間（ノード間）の近さに基づくノード間の類似度が所定の条件を満たすことを指す。このとき、ノード間の近さは、グラフが構築される特徴空間におけるノード間のユークリッド距離またはコサイン類似度に基づく。

図８Ｄに、ユーザ－アイテム間の暗示的リンクにおける時系列的な関係の概念図の一例を示す。グラフ構築部１０３は、ユーザＡと類似するユーザ（例えば、ユーザＡと類似するユーザ特徴を有するユーザ）と、アイテムＡ、Ｂ、およびＣとを暗示的リンクでリンクすることができる。例えば、ユーザＢとユーザＣが、ユーザＡと同じ性別かつ、類似した職業と家族構成を有する場合、グラフ構築部１０３は、ユーザＢとユーザＣそれぞれを、アイテムＡ、Ｂ、およびＣと暗示的リンクでリンクしうる。このとき、グラフ構築部１０３は、ユーザＢとユーザＣそれぞれと、アイテムＡ、Ｂ、およびＣとの近さスコアを、ユーザＡと、アイテムＡ、Ｂ、およびＣとの近さスコアより低い値で割り当てうる。

図８Ｅに、ユーザ－アイテム間の暗示的リンクにおける時系列的な関係の概念図の別の例を示す。グラフ構築部１０３は、アイテムＡと類似するアイテム（例えば、アイテムＡと類似するアイテム特徴を有するアイテム）と、ユーザＡ、Ｂ、およびＣとを暗示的リンクでリンクすることができる。例えば、アイテムＢとアイテムＣが、アイテムＡと同じブランドと色かつ、類似した価格を有する場合、グラフ構築部１０３は、アイテムＢとアイテムＣそれぞれを、ユーザＡ、Ｂ、およびＣと暗示的リンクでリンクしうる。このとき、グラフ構築部１０３は、アイテムＢとアイテムＣそれぞれと、ユーザＡ、Ｂ、およびＣとの近さスコアを、アイテムＡと、ユーザＡ、Ｂ、およびＣとの近さスコアより低い値で割り当てうる。

さらに、ユーザ－アイテム間の暗示的リンクを、あらゆるウェブサービスにおける売れ筋ランキングの上位の１以上のアイテムを利用して生成してもよい。売れ筋ランキングの上位のアイテムは、時系列的に変化する。例えば、図８Ｂを参照すると、所定のウェブサービスにおいて、時刻ｔ１、ｔ２、ｔ３における売れ筋ランキングの上位の１以上のアイテムを、ユーザＡに暗示的リンクでリンクしてもよい。これにより、各時刻（日時）における時系列的な流行アイテムの情報が、ユーザとアイテムのペアに反映される。

また、ユーザがアイテムを購入するモチベーションは、当該ユーザにとって特定の日に高まりうる。特定の日は、ウェブサービスにおいて購入により付与されるポイントが通常より多いキャンペーン期間に含まれる日でありうる。あるいは、特定の日は、セールが行われている期間に含まれる日でありうる。あるいは、特定の日は、ユーザもしくは当該ユーザと社会的距離が近いユーザの誕生日、母の日、および、季節のイベントデー（クリスマス等）でありうる。ユーザがこのような特定の日でアイテムを購入した場合に、ユーザとアイテム間の近さスコアを高く設定してよい。

図８Ｆに、図８Ｂに示すユーザ－アイテム間の時系列的な関係の概念図において、ユーザが特定の日で購入した場合の例を示す。図８Ｆは、時刻ｔ２を含む日が特定の日であり、当該特定の日が、付与されるポイントが５倍となるキャンペーン期間に含まれる日であることを示している。ユーザＡは、あえて、ポイント５倍の日時（時刻ｔ２）に合わせて、アイテムＢを買った可能性がある。例えば、アイテムＢが高価であり、ユーザＡが、ポイントが多く付与される時刻ｔ２を、アイテムＢの購入日時に選んだ可能性がある。このことから、グラフ構築部１０３は、図８ＢにおけるユーザＡとアイテムＢのペアに対する近さスコアよりも、図８ＦにおけるユーザＡとアイテムＢのペアに対する近さスコアに高い値が割り当てることができる。さらに、グラフ構築部１０３は、ユーザＡのユーザ特徴に、ポイント５倍日における購入履歴を示す特徴を加えてもよい。

前述のように、本実施形態では、グラフ構築部１０３は、非時系列関係ベース近さスコア、および、時系列関係ベース近さスコアを、ユーザとアイテムのペアに割り当てることができる。非時系列関係ベース近さスコア、および、時系列関係ベース近さスコアを割り当てる場合、グラフ構築部１０３は、非時系列関係ベース近さスコアに時系列関係ベース近さスコアを加算したスコアを割り当てうる。あるいは、グラフ構築部１０３は、非時系列関係ベース近さスコアと時系列関係ベース近さスコアを乗算したスコアを割り当てうる。

このように、本実施形態では、グラフ構築部１０３は、ユーザとアイテムとの時系列的な関係を反映した知識グラフを構築する。具体的には、上述のように算出した相対的時間（Ｔ１、Ｔ２、およびＴ３）や、各時刻（ｔ１、ｔ２、およびｔ３）の相対的関係といった時系列情報に基づいて、ユーザとアイテム間の近さスコアを割り当てる（ユーザとアイテム間のリンクの重みづけを変える）。これにより、時系列的に変化する、ユーザによるアイテムに対する興味や意識を反映した知識グラフが生成される。なお、本実施形態では図８Ｂと図８Ｃを参照して、ユーザとアイテムとの３つの相互作用（すなわち、購入）について相対的時間または相対的関係を得たが、２つ以上（ユーザと２以上のアイテム、または２以上のユーザとアイテム）の相互作用であればよい。また、相対的時間または相対的関係を得るための基準時刻（基準日時）は、任意に設定されてよい。

（４）全体の知識グラフの構築手順
上記の（１）～（３）の手順により、ユーザ間関係グラフ、ユーザ－アイテム間関係グラフ、および、アイテム間関係グラフが作成された後、図３のＳ３４において、グラフ構築部１０３は、これらのグラフを連結して、全体の知識グラフを構築（作成）する。図９の上部に、知識グラフの概念図（知識グラフ９０）を示す。グラフ構築部１０３は、作成したユーザ間関係グラフ、ユーザ－アイテム間関係グラフ、および、アイテム間関係グラフにおいて、共通するノードを接続点として用いて、全グラフを接続する。続いて、グラフ構築部１０３は、重複するリンク等を削除するなどして整理し、知識グラフを構築する。図９には示されていないが、各ノード（ユーザ、アイテム、ジャンル等）間に、ノード間の近さを示す近さスコアが表されている。なお、当該近さスコアは、矢印の長さで表してもよい。また、図９には示されていないが、各ユーザは、ユーザ特徴を含む、または、ユーザ特徴がノードとして接続されている。なお、ユーザ、アイテム、ジャンルなどのノードは知識グラフにおけるエンティティ（ヘッドエンティティまたはテイルエンティティ）に相当し、ペアおよびリンクはリレーションに相当する。

グラフ構築部１０３は、明示的リンクで接続されたノードと明示的リンクとからなるファクトベースのユーザ間関係グラフ、アイテム間関係グラフおよびユーザ－アイテム間関係グラフを連結して全体の知識グラフを構築してよい。また、グラフ構築部１０３は、明示的リンクで接続されたノードと明示的リンクとからなるファクトベースのユーザ関係グラフ、アイテム間関係グラフおよびユーザ－アイテム間関係グラフのうち一部の関係グラフと、明示的リンクで接続されたノードと明示的リンクと暗示的リンクで接続されたノードと暗示的リンクとからなるユーザ間関係グラフ、アイテム間関係グラフおよびユーザ－アイテム間関係グラフのうち残りの関係グラフと、を連結して全体の知識グラフを構築してよい。つまり、全体の知識グラフは、ユーザ間関係グラフ、アイテム間関係グラフおよびユーザ－アイテム間関係グラフの少なくとも１つの暗示的リンクを含まなくてもよい。また、グラフ構築部１０３は、作成した知識グラフの特徴空間（ベクトル空間）への埋め込むことで、ノード間の暗示的リンクを予測し作成してもよい。すなわち、グラフ構築部１０３は、明示的リンクのみから構成された知識グラフから、暗示的リンクを予測し、作成してもよい。なお、ユーザ表現などのエンティティの埋め込み表現（ベクトル表現）の抽出（取得）は、ユーザ間関係グラフ、アイテム間関係グラフおよびユーザ－アイテム間関係グラフの少なくとも１つの暗示的リンクを含まない全体の知識グラフに基づき行われてもよい。

［ユーザ表現の抽出手順］
次に、本実施形態によるユーザ表現の抽出手順について説明する。表現抽出部１０４は、グラフ構築部１０３により構築された知識グラフから、任意のユーザについてのユーザ表現を抽出する。具体的には、表現抽出部１０４は、当該知識グラフを特徴空間（ベクトル空間）に埋め込み、当該特徴空間における各ノード（エンティティ）および各リンク（リレーション）の埋め込み表現（ベクトル表現）を学習する。表現抽出部１０４は、知識グラフの学習（表現学習、関係学習、埋込学習）を行い、任意のユーザの埋め込み表現（低次元のベクトル表現）を、ユーザ表現（ユーザの特徴ベクトル）として抽出する（取得する）。

表現抽出部１０４は、知識グラフの学習（埋め込み）に用いられる埋め込みモデルとして、ＴｒａｎｓＥ、ＴｒａｎｓＤ、ＲｏｔａｔＥなどのエンティティのベクトル表現間の距離に基づき学習を行うＴｒａｎｓｌａｔｉｏｎ－ｂａｓｅｄモデルを採用してよい。また、表現抽出部１０４は、ＴｒａｎｓＨ、ＴｒａｎｓＲ、ＳＴｒａｎｓＥなどのエンティティのベクトル表現を、リレーション毎に異なるベクトル空間へ写像し学習を行うＥｍｂｅｄｄｉｎｇ－ｐｒｏｊｅｃｔｉｏｎモデルを採用してよい。また、表現抽出部１０４は、ＣｏｍｐｌＥｘなどのベクトル表現の複素数空間への変換を利用して学習を行うモデルを採用してよい。また、表現抽出部１０４は、ＣｏｎｖＥ、ＣｏｎｖＲ、Ｒ－ＧＣＮなどの畳み込みニューラルネットワーク（ＮＮ）を含むＮＮを利用して学習を行うモデルを採用してよい。また、表現抽出部１０４は、Ｋｎｏｗｌｅｄｇｅ Ｇｒａｐｈ Ａｔｔｅｎｔｉｏｎ Ｎｅｔｗｏｒｋ（ＫＧＡＴ）などのアテンション機構を利用するモデルを採用してよく、ＴｏｒｕｓＥなど、既知のモデルまたはその拡張を適宜、採用してよい。なお、表現抽出部１０４は、知識グラフの学習に際して適宜、正則化（Ｌ１正則化やＬ２正則化等）を用いてよい。

当該ユーザ表現には、各ノードの特徴およびノード間（ペア、リンク）に割り当てられた近さスコアが反映されうる。このとき、表現抽出部１０４は、ノード間の近さスコアに基づきノード間のリンク（リレーション）にかかるベクトル表現に重み付けをしながら、各ノードおよび各リンクのベクトル表現の学習（知識グラフの埋め込み）を行ってよい。また、表現抽出部１０４は、近さスコアが所定の閾値を超える、または、下回るリンクおよび当該リンクを介して接続されるノードのそれぞれのベクトル表現を、重点的または限定的に学習し、任意のユーザなどのエンティティのベクトル表現を抽出してよい。このとき、ノードは、少なくとも任意のユーザなどのエンティティと対応するノードを含む。また、表現抽出部１０４は、任意のユーザなどのエンティティと対応するノードのＮ次近傍（Ｎ＞１）における各ノードおよび各リンクのベクトル表現を、重点的または限定的に学習し、任意のユーザなどのエンティティのベクトル表現を抽出してよい。このように、学習を行う対象を、近さスコアに応じてスクリーニングすることにより、計算負荷を低減すること可能となる。

図９の下部に、ユーザＡについて抽出されたユーザ表現（ノード表現）の概念図（ユーザ表現９１）を示す。ユーザ表現９１において、ユーザＡに暗示的または明示的リンクで接続される、１つ以上のユーザ、アイテム、ジャンル、ショップ等にかかる情報が、１つのユーザ表現に反映される。当該ユーザ表現にはまた、ユーザＡに対する各ノード（アイテム、ジャンル等）の近さスコアも表現されうる。すなわち、ユーザＡのユーザ表現は、ユーザＡと各ノードとの関係性の近さが反映された隣接表現に相当しうる。

表現抽出部１０４は、グラフ構築部１０３により構築された知識グラフから、任意のアイテムについてのアイテム表現（ノード表現）を抽出してもよい。

［ユーザ表現の変形例］
表現抽出部１０４は、前述したユーザとアイテム間の時系列的な関係を用いて、ユーザ表現やアイテム特徴を抽出（生成）してもよい。以下、図８Ｂと図８Ｃを参照して、ユーザＡとアイテムＡについて説明するが、他のユーザとアイテムについても同様の処理を適用可能である。

図８Ｂを参照して、ユーザＡのユーザ特徴について説明する。表現抽出部１０４は、図８Ｂにおける相対的時間Ｔ１、Ｔ２、およびＴ３を用いて、アイテムＡ、Ｂ、およびＣのそれぞれのアイテム特徴を符号化（重みづけ）する。ここで、表現抽出部１０４は、図８Ｂにおける時間軸上の時刻ｔ１、ｔ２、およびｔ２の相対的位置に応じて、アイテムＡ、Ｂ、およびＣのそれぞれのアイテム特徴を符号化してもよい。
続いて、表現抽出部１０４は、符号化されたアイテムＡ、Ｂ、およびＣのアイテム特徴を集約し、当該集約したアイテム特徴を、ユーザＡのユーザ特徴に連結する。

図８Ｃを参照して、アイテムＡのアイテム特徴について説明する。表現抽出部１０４は、図８Ｃにおける相対的時間Ｔ１、Ｔ２、およびＴ３を用いて、ユーザＡ、Ｂ、およびＣのそれぞれのユーザ特徴を符号化（重みづけ）する。ここで、表現抽出部１０４は、図８Ｃにおける時間軸上の時刻ｔ１、ｔ２、およびｔ２の相対的位置に応じて、ユーザＡ、Ｂ、およびＣのそれぞれのユーザ特徴を符号化してもよい。
続いて、表現抽出部１０４は、符号化されたユーザＡ、Ｂ、およびＣのユーザ特徴を集約し、当該集約したユーザ特徴を、アイテムＡのアイテム特徴に連結する。

上記の処理により、情報処理装置１０は、ユーザ表現やアイテム表現を抽出（生成）する。当該ユーザ表現や当該アイテム表現は、情報処理装置１０に行わせる所定の予測処理の入力データとして使用される。すなわち、情報処理装置１０は、知識モデルから、任意のユーザまたは任意のアイテムについての、複数のユーザおよび複数のアイテムとの関係性を表す表現であって、情報処理装置１０に行わせる所定の予測処理の入力データとして使用される当該表現を抽出可能に、当該知識モデルを構築する。なお、当該所定の予測処理は、情報処理装置１０以外の情報処理装置によって行われてもよい。以下、当該所定の予測処理の一例として、見込みユーザ予測処理について説明する。

［見込みユーザの予測処理］
次に、本実施形態による見込みユーザの予測処理について説明する。見込みユーザ予測モデル１１１は、シードユーザと同様の特徴を有するユーザを、見込みユーザとして予測する学習モデルである。シードユーザは、ウェブサービスを通じて所与の商品やサービスを購入および／または利用、および／または、当該ウェブサービスを通じて当該商品やサービスをポジティブに評価したユーザである。

見込みユーザ予測モデル１１１は、例えば、ＸＧＢｏｏｓｔをベースにした学習モデルである。学習段階では、学習部１０６は、シードユーザ（ポジティブユーザ）のユーザ特徴と、当該シードユーザ以外のユーザ（ネガティブユーザ）のユーザ特徴、およびこれらのユーザのユーザ表現を用いて、見込みユーザ予測モデル１１１を学習させる。ユーザ特徴は、ベースとなるユーザ特徴であり、当該ウェブサービスでの購買履歴（商品のジャンルやタイプの情報等）を含む。当該デモグラフィック情報と当該購買履歴はそれぞれ、複数の細分化された特徴を含みうる。なお、当該ユーザ特徴は、デモグラフィック情報や購買履歴に限らず、ポイント状況（利用可能なポイント等）、ポイント特徴（オンラインまたはオフラインショップから獲得した／使用したポイントといったポイント取引に関する情報等）等、他の特徴を含んでもよい。

学習部１０６は、グリッドサーチおよびクロスバリデーションにより、ハイパーパラメータ（見込みユーザ予測モデル１１１の挙動を制御するパラメータ）の検証およびチューニング（調整）を行う。見込みユーザ予測モデル１１１は、ＸＧＢｏｏｓｔはツリー（決定木）ベースのモデルであるため、入力データ（ユーザ特徴）がモデルの出力にどのように影響するかを示す結果を生成することができる。これにより、例えば、シードユーザは、どのユーザ特徴（細分化された特徴の組み合わせ）等に、より影響しているのかを検証することが可能となる。

学習された見込みユーザ予測モデル１１１は、任意のユーザに対して、シードユーザと類似したユーザ特徴を有する可能性（見込みユーザの可能性）を出力するように構成される。当該可能性は、例えば、最大可能性を１として、０～１の数値で表される。ここで、例えば閾値を０．５と設定すると、見込みユーザ予測部１０５は、０．５より大きい可能性を有するユーザを、見込みユーザ（すなわち、シードユーザと同様の特徴を有する潜在的ユーザ）と予測（決定）することができる。なお、シードユーザは複数であってもよく、その場合、見込みユーザ予測部１０５は当該複数のシードユーザ（シードユーザ群）に含まれるユーザと類似したユーザ特徴を有するユーザを、見込みユーザとして予測することができる。

本実施形態では、見込みユーザ予測部１０５は、任意のユーザについて、表現抽出部１０４により抽出されたユーザ表現と、ベースとなるユーザ特徴とを、見込みユーザ予測モデル１１１に入力して、当該任意のユーザが見込みユーザか否かを予測する。図１０に、本実施形態による、見込みユーザ予測処理を説明するための図を示す。ユーザＡを任意のユーザ（対象のユーザ）として設定されると、見込みユーザ予測部１０５は、ユーザＡのベースとなるユーザ特徴１００１と、表現抽出部１０４により抽出されたユーザ表現９１を、見込みユーザ予測モデル１１１に入力して、ユーザＡが見込みユーザか否かを予測する。具体的には、見込みユーザ予測部１０５は、ユーザＡのユーザ特徴１００１とユーザ表現９１から、ユーザＡがシードユーザと同様のユーザ特徴を有する可能性（見込みユーザの可能性１００２）を予測して出力する。

［情報処理装置１０のハードウェア構成］
図１１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１１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。

図１１に示すように、情報処理装置１０は、ＣＰＵ２０１と、ＲＯＭ２０２と、ＲＡＭ２０３と、ＨＤＤ２０４と、入力部２０５と、表示部２０６と、通信Ｉ／Ｆ２０７と、システムバス２０８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）２０１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２０８を介して、各構成部（２０２～２０７）を制御する。

ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）２０２は、ＣＰＵ２０１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）２０４、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）２０３は、揮発性メモリであり、ＣＰＵ２０１の主メモリ、ワークエリア等として機能する。すなわち、ＣＰＵ２０１は、処理の実行に際してＲＯＭ２０２から必要なプログラム等をＲＡＭ２０３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と特徴記憶部１２０は、ＲＡＭ２０３で構成されうる。

ＨＤＤ２０４は、例えば、ＣＰＵ２０１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、ＨＤＤ２０４には、例えば、ＣＰＵ２０１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２０５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２０６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２０５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。

通信Ｉ／Ｆ２０７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／Ｆ２０７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／Ｆ２０７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／Ｆ２０７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。

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、ＣＰＵ２０１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、ＣＰＵ２０１の制御に基づいて動作する。

［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１１と同様でありうる。すなわち、ユーザ装置１１は、ＣＰＵ２０１と、ＲＯＭ２０２と、ＲＡＭ２０３と、ＨＤＤ２０４と、入力部２０５と、表示部２０６と、通信Ｉ／Ｆ２０７と、システムバス２０８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２０６に表示し、ＧＵＩ（入力部２０５と表示部２０６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。

［処理の流れ］
図１２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１２に示す処理は、情報処理装置１０のＣＰＵ２０１がＲＯＭ２０２等に格納されたプログラムをＲＡＭ２０３にロードして実行することによって実現されうる。図１２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、見込みユーザ予測モデル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。

Ｓ１２０１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として特徴記憶部１２０に格納する。また、アイテム特徴取得部１０２は、所定のデータベースから、様々なウェブサービスにおける登録情報や取引履歴に基づく、アイテムの特徴（属性）を取得し、アイテム特徴１２２として特徴記憶部１２０に格納する。Ｓ１２０１の処理は、過去の一定の期間におけるユーザ特徴やアイテム特徴の取得（収集）処理であってもよい。

Ｓ１２０２において、グラフ構築部１０３は、知識ブラフを構築する。当該知識グラフの作成手順は、図３を参照して上述した通りである。

Ｓ１２０３において、表現抽出部１０４は、Ｓ１２０２で作成された知識グラフから、任意のユーザに対するユーザ表現を抽出する。当該ユーザ表現の抽出手順は、図９を参照して上述した通りである。

Ｓ１２０４において、見込みユーザ予測部１０５は、任意のユーザが、所定のシードユーザと同様の特徴を有する見込みユーザの可能性を予測する。本実施形態では、図１０に示したように、当該任意のユーザについて、当該ユーザのベースとなるユーザ特徴と、当該ユーザのユーザ表現を、見込みユーザ予測モデル１１１へ入力して、当該ユーザがシードユーザと同様の特徴を有する（見込みユーザの可能性）を予測して出力する。

見込みユーザ予測部１０５は、複数のユーザから、当該所定のシードユーザと同様の特徴を有する見込みユーザを見込みユーザ群（類似ユーザ群）として予測することができる。この場合、見込みユーザ予測部１０５は、各ユーザについて、当該ユーザのベースとなるユーザ特徴と、当該ユーザのユーザ表現を、見込みユーザ予測モデル１１１へ入力して、見込みユーザ群を予測する。また、シードユーザが複数である場合（シードユーザ群）、見込みユーザ予測部１０５は、複数のユーザから、当該シードユーザ群に含まれるユーザと類似したユーザ特徴を有するユーザを、見込みユーザ群として予測することができる。

Ｓ１２０５において、出力部１０７は、Ｓ１２０４で予測された見込みユーザの可能性についての結果を出力する。例えば、複数のユーザに対して、Ｓ１２０３とＳ１２０４の処理が行われる場合、出力部１０７は、当該複数のユーザから予測された見込みユーザ群の情報に関する情報を生成して、外部装置（不図示）へ出力することができる。

このように、本実施形態による情報処理装置は、複数のユーザのユーザ特徴と、複数のアイテムの特徴とから、ユーザ間関係グラフ、アイテム間関係グラフ、および、ユーザ－アイテム間関係グラフを作成する。さらに、情報処理装置は、ユーザとアイテムとの時系列的な相互作用（例えば、ユーザによるアイテムの購入）を示す時系列情報を取得する。情報処理装置は、当該各関係グラフと当該時系列情報を用いて、知識グラフを構築（作成）する。当該知識グラフは、任意のユーザについて、当該ユーザに関係する全ての他のユーザとアイテム（ジャンルやショップ等を含む）がリンクされており、かつ、当該時系列情報にもとづいてリンクが重みづけされている。このような知識グラフは、ユーザの行動分析に関するあらゆる予測処理に活用することが可能である。

また、本実施形態による情報処理装置は、当該知識グラフから、任意のユーザについて、当該ユーザに関係する全ての他のユーザとアイテムを表現したユーザ表現を作成する。当該ユーザ表現は、あらゆる他のユーザおよびアイテムの特徴（属性）を、１ユーザに対して紐づけた表現である。すなわち、当該ユーザ表現は、任意のユーザについて、他のユーザやアイテム毎の個別の表現ではなく、他のユーザおよびアイテムとの複合的な関係を包含して構成された表現である。また、当該ユーザ表現に、ユーザとアイテムとの時系列的な相互作用を反映することができる。これにより、任意のユーザの、他のユーザおよびアイテムとの繋がりを、１つの表現として扱うことができ、当該ユーザ表現を任意の予測処理に用いる場合に、演算処理量が減るという有利な効果が得られる。

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およ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、置換および変更をなすこともできる。かかる省略、置換および変更をなした形態は、請求の範囲に記載されたものおよ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。

本実施形態の開示は以下の構成を含む。
［１］複数のユーザそれぞれについて特徴を示すユーザ特徴と、複数のアイテムそれぞれについて特徴を示すアイテム特徴を取得する特徴取得手段と、前記複数のユーザと前記複数のアイテムとの時系列的な相互作用を示す時系列情報を取得する時系列情報取得手段と、 前記ユーザ特徴、前記アイテム特徴、および前記時系列情報に基づいて、前記複数のユーザを表す複数のユーザノードと前記複数のアイテムを表す複数のアイテムノードと、前記複数のユーザノードと前記複数のアイテムノードにおける相互の関係を示すリンクとを含むグラフを構築する構築手段と、前記グラフから、前記複数のユーザノードと前記複数のアイテムノードのうち任意のノードについての前記グラフにおけるノード表現を抽出する抽出手段と、を有する。

［２］前記構築手段は、前記時系列情報に基づいて、前記リンクの重みづけを行う、［１］に記載の情報処理装置。

［３］前記時系列情報は、前記複数のユーザのうちいずれかのユーザによる、前記複数のアイテムのうち２つ以上のアイテムそれぞれとの相互作用が生じた日時の情報を含む、［１］または［２］に記載の情報処理装置。

［４］前記構築手段は、前記ユーザを表すユーザノードと、前記２以上のアイテムのうち相互作用が生じた日時がより現在に近いアイテムを表すアイテムノードの関係を示すリンクに、より高く重みづけを行う、［３］に記載の情報処理装置。

［５］前記時系列情報は、前記複数のユーザのうち２以上のユーザによる、前記複数のアイテムのうちいずれかのアイテムとの相互作用が生じた日時の情報を含む、［１］から［４］のいずれかに記載の情報処理装置。

［６］前記構築手段は、前記アイテムを表すアイテムノードと、前記２以上のユーザのうち相互作用が生じた日時がより現在に近いユーザを表すユーザの関係を示すリンクに、より高く重みづけを行う、［５］に記載の情報処理装置。

［７］前記複数のユーザと前記複数のアイテムとの時系列的な相互作用は、前記複数のユーザのいずれかによる前記複数のアイテムのいずれかの購入を含む、［１］から［６］のいずれかに記載の情報処理装置。

［８］前記複数のユーザと前記複数のアイテムとの時系列的な相互作用は、所定の基準日時から、過去の所定期間までに生じた相互作用である、［１］から［７］のいずれかに記載の情報処理装置。

［９］前記ユーザ特徴は、前記複数のユーザそれぞれのユーザについての事実特徴である、［１］から［８］のいずれかに記載の情報処理装置。

［１０］複数のユーザそれぞれについて特徴を示すユーザ特徴と、複数のアイテムそれぞれについて特徴を示すアイテム特徴を取得する特徴取得工程と、前記複数のユーザと前記複数のアイテムとの時系列的な相互作用を示す時系列情報を取得する時系列情報取得工程と、 前記ユーザ特徴、前記アイテム特徴、および前記時系列情報に基づいて、前記複数のユーザを表す複数のユーザノードと前記複数のアイテムを表す複数のアイテムノードと、前記複数のユーザノードと前記複数のアイテムノードにおける相互の関係を示すリンクとを含むグラフを構築する構築工程と、前記グラフから、前記複数のユーザノードと前記複数のアイテムノードのうち任意のノードについての前記グラフにおけるノード表現を抽出する抽出工程と、を含む。

［１１］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について特徴を示すユーザ特徴と、複数のアイテムそれぞれについて特徴を示すアイテム特徴を取得する特徴取得処理と、 前記複数のユーザと前記複数のアイテムとの時系列的な相互作用を示す時系列情報を取得する時系列情報取得処理と、前記ユーザ特徴、前記アイテム特徴、および前記時系列情報に基づいて、前記複数のユーザを表す複数のユーザノードと前記複数のアイテムを表す複数のアイテムノードと、前記複数のユーザノードと前記複数のアイテムノードにおける相互の関係を示すリンクとを含むグラフを構築する構築処理と、前記グラフから、前記複数のユーザノードと前記複数のアイテムノードのうち任意のノードについての前記グラフにおけるノード表現を抽出する抽出処理と、を含む処理を実行させるためのものである。

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：アイテム特徴取得部、１０３：グラフ構築部、１０４：表現抽出部、１０５：見込みユーザ予測部、１０６：学習部、１０７：出力部、１１０：学習モデル記憶部、１１１：見込みユーザ予測モデル、１１２：スコア予測モデル、１２０：特徴記憶部、１２１：ユーザ特徴、１２２：アイテム特徴

Claims (11)

1. 複数のユーザそれぞれについて特徴を示すユーザ特徴と、複数のアイテムそれぞれについて特徴を示すアイテム特徴を取得する特徴取得手段と、
   前記複数のユーザと前記複数のアイテムとの時系列的な相互作用を示す時系列情報を取得する時系列情報取得手段と、
   前記ユーザ特徴、前記アイテム特徴、および前記時系列情報に基づいて、前記複数のユーザを表す複数のユーザノードと前記複数のアイテムを表す複数のアイテムノードと、前記複数のユーザノードと前記複数のアイテムノードにおける相互の関係を示すリンクとを含むグラフを構築する構築手段と、
   前記グラフから、前記複数のユーザノードと前記複数のアイテムノードのうち任意のノードについての前記グラフにおけるノード表現を抽出する抽出手段と、
   を有することを特徴とする情報処理装置。
2. 前記構築手段は、前記時系列情報に基づいて、前記リンクの重みづけを行うことを特徴とする請求項１に記載の情報処理装置。
3. 前記時系列情報は、前記複数のユーザのうちいずれかのユーザによる、前記複数のアイテムのうち２つ以上のアイテムそれぞれとの相互作用が生じた日時の情報を含む、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。
4. 前記構築手段は、前記ユーザを表すユーザノードと、前記２以上のアイテムのうち相互作用が生じた日時がより現在に近いアイテムを表すアイテムノードの関係を示すリンクに、より高く重みづけを行う、ことを特徴とする請求項３に記載の情報処理装置。
5. 前記時系列情報は、前記複数のユーザのうち２以上のユーザによる、前記複数のアイテムのうちいずれかのアイテムとの相互作用が生じた日時の情報を含む、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。
6. 前記構築手段は、前記アイテムを表すアイテムノードと、前記２以上のユーザのうち相互作用が生じた日時がより現在に近いユーザを表すユーザの関係を示すリンクに、より高く重みづけを行う、ことを特徴とする請求項５に記載の情報処理装置。
7. 前記複数のユーザと前記複数のアイテムとの時系列的な相互作用は、前記複数のユーザのいずれかによる前記複数のアイテムのいずれかの購入を含む、ことを特徴とする請求項１に記載の情報処理装置。
8. 前記複数のユーザと前記複数のアイテムとの時系列的な相互作用は、所定の基準日時から、過去の所定期間までに生じた相互作用である、ことを特徴とする請求項１に記載の情報処理装置。
9. 前記ユーザ特徴は、前記複数のユーザそれぞれのユーザについての事実特徴である、ことを特徴とする請求項１に記載の情報処理装置。
10. 複数のユーザそれぞれについて特徴を示すユーザ特徴と、複数のアイテムそれぞれについて特徴を示すアイテム特徴を取得する特徴取得工程と、
    前記複数のユーザと前記複数のアイテムとの時系列的な相互作用を示す時系列情報を取得する時系列情報取得工程と、
    前記ユーザ特徴、前記アイテム特徴、および前記時系列情報に基づいて、前記複数のユーザを表す複数のユーザノードと前記複数のアイテムを表す複数のアイテムノードと、前記複数のユーザノードと前記複数のアイテムノードにおける相互の関係を示すリンクとを含むグラフを構築する構築工程と、
    前記グラフから、前記複数のユーザノードと前記複数のアイテムノードのうち任意のノードについての前記グラフにおけるノード表現を抽出する抽出工程と、
    を含むことを特徴とする情報処理方法。
11. 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について特徴を示すユーザ特徴と、複数のアイテムそれぞれについて特徴を示すアイテム特徴を取得する特徴取得処理と、
    前記複数のユーザと前記複数のアイテムとの時系列的な相互作用を示す時系列情報を取得する時系列情報取得処理と、
    前記ユーザ特徴、前記アイテム特徴、および前記時系列情報に基づいて、前記複数のユーザを表す複数のユーザノードと前記複数のアイテムを表す複数のアイテムノードと、前記複数のユーザノードと前記複数のアイテムノードにおける相互の関係を示すリンクとを含むグラフを構築する構築処理と、
    前記グラフから、前記複数のユーザノードと前記複数のアイテムノードのうち任意のノードについての前記グラフにおけるノード表現を抽出する抽出処理と、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。

Images