JP4164670B2 - モデル作成装置、情報分析装置、モデル作成方法、情報分析方法およびプログラム - Google Patents

Description

本発明は、確率的推論に適用されるベイジアンネットのモデルを作成する装置および方法と、作成されたモデルに基づいて情報を分析する装置および方法、ならびにプログラムに関する。

情報処理技術の適用領域が拡大し、さまざまな状況や多様なユーザに適応して動作することができる情報処理メカニズムが重要になってきている。その場合に従来のプログラミングのように事前に規定したとおりに処理を進める方式だけでは対応できないことも多く、不確実な情報(たとえば、真か偽か断定できないような予測や不完全な観測情報)のもとでもできるだけ正しく状況を理解し、ユーザの意図を汲んで適切な処理を行う知的情報処理の仕組みが必要になってきている。

これまでの知的情報処理ではできるだけ情報を明示化した記号として扱うアプローチを中心に発達してきたとも言える。コンピュータに入力された情報は比較的早い段階で記号化され内部的には記号のまま推論などの処理を行う仕組みであり、これは限られた計算機能力を効率的に利用するための必然だったとも考えられる。このアプローチは論理プログラミング、知的工学、エキスパートシステムといった狭義の人工知能研究の流れに沿って発展してきた。しかし知識を記号的に記述するにあたって必要とされる記述量の増大と、完全な記述が実際問題としてかなり困難であるといった問題を抱えていた。

一方、あいまいで不確実な情報を確率論に基づいて取り扱い、内部的にもそのまま計算するアプローチがある。対象となる変数を、そのすべてのとり得る実現値に対する確信度すなわち確率分布として計算し、推論を行う確率的推論もその一つである。人工知能分野においては、１９７０年代にDempster-Shaffer理論、エキスパートシステムMYCINなどに先駆的な研究例をみることができる。

確率論的推論は事後確率を最大化するパターン識別器などではごく自然に用いられてきたものでもある。しかし、意思決定理論に基づいてシステムを制御したり、有用な知識で表現し、複雑な処理を行うためには、比較的複雑な構造を持った確率モデルが必要になる。このような構造をもつ確率モデルの一つが、変数間の依存関係や因果関係を有向グラフで表すベイジアンネットである（非特許文献１）。

ベイジアンネットは、不確実な事象の起こる確率の予測や期待効用を最大化する意思決定、障害診断などに利用することのできる確率モデルである。最近、リスク管理や予測などの不確実性を含む領域の拡大から多方面で注目されている。また、確率推論アルゴリズムの進歩やソフトウェアの普及も進みつつある。

しかし、一方でベイジアンネットを導入する際の難しさもまだ残されている。ベイジアンネット自体は古くから知られ、確率推論を実行するソフトウェアも登場していたが、実際のモデルに適用するうえでは、適切なベイジアンネットモデルを構築することが容易ではないという問題があった。モデル構築の際には、変数、条件付確率、グラフ構造を適切に決定する必要があるが、これまでの実用化例の多くは、問題領域に精通したエキスパートの経験や知識を必要としている（非特許文献２）。

また、適切なベイジアンネットモデルの構築が容易ではないという問題を解決するため、最近では、統計データからモデルを学習するアルゴリズムが提案されている。現在良く知られているベイジアンネットモデル構築のためのアルゴリズムは、１）統計データに含まれる一の変数を子変数とし、２）その変数に対して親変数の候補を一つずつ加えてモデルを作り、３）評価が高くなったときだけ親変数として採用する、というものである。手順１）〜３）を統計データ内のすべての変数について行うことにより、統計データからモデルを作成することができる。
本村陽一「ベイジアンネットによる確率的推論技術」、計測と制御、Vol.42 No.8 2003 社団法人計測自動制御学会、p649-654 本村陽一「ベイジアンネットソフトウェアBayoNet」、計測と制御、Vol.42 No.8 2003 社団法人計測自動制御学会、P693-694

しかし、上記アルゴリズムに代表される従来のベイジアンネットのモデル構築アルゴリズムでは、モデルが表現できる依存関係がモデルの元になる統計データに含まれる変数間の依存関係に限られていた。これにより、統計データに現れない変数が関係する依存関係が成立しており、しかもそのような依存関係によって確率的推論を行うのに適したモデルを作成できるとしても、その依存関係をモデル化できなかった。

本発明は、上記課題を解決し、変数間に成立している隠れた依存関係を説明する変数を組み込んで適切なモデルを作成可能なモデル作成装置、モデル作成方法と、作成されたモデルを用いて情報分析を行う情報分析装置および情報分析方法と、これらを実行するプログラムを提供することを目的とする。

本発明のモデル作成装置は、モデルの元になる元統計データに含まれる複数の変数とそれらの条件付確率に基づく依存関係で構成されるベイジアンネットのモデルを作成する装置であって、前記モデル内の子変数と少なくとも一の親変数との組合せに関連づけられるべき新たな変数であって、前記元統計データには含まれていない変数を隠れ説明変数として受け付ける受付手段と、前記少なくとも一の親変数と前記子変数との依存関係および前記少なくとも一の親変数と前記隠れ説明変数との依存関係に基づいて、前記隠れ説明変数と前記子変数との依存関係を求める隠れ依存関係算出手段と、前記少なくとも一の親変数と前記隠れ説明変数と前記子変数との依存関係により前記少なくとも一の親変数、前記隠れ説明変数および前記子変数が順次接続されるように、前記隠れ説明変数を前記モデルに組み込む組込手段とを備える。

この構成により、モデル内の子変数を説明するために、その元統計データには存在しない変数を隠れ説明変数として組み込むことができる。従って、モデル内の変数を適切に説明する隠れ説明変数を選択してモデルに組み込むことにより、適切なモデルを作成できる。適切な隠れ説明変数を導入することにより、隠れ説明変数によって説明される子変数がとる状態のばらつきが小さくなり、子変数の状態を容易に推論できるモデルを作成できる。ここで、隠れ依存関係算出手段によって隠れ依存関係を求める実現例の一つを説明する。まず、元統計データが記憶された元統計データ記憶手段から、親変数および子変数に関するデータを読み出す。受付手段により受け付けられてモデル作成装置の記憶領域に記憶された隠れ説明変数と親変数との依存関係と、元統計データから読み出した親変数および子変数のデータから求められる依存関係とに基づいて、隠れ説明変数と子変数との依存関係を算出する。また、組込手段の実現例の一つを説明する。モデル記憶手段には、それぞれの変数を識別子により記憶すると共に各変数に関連づけて各変数の親変数の識別子を親情報として記憶する。組込手段は、隠れ説明変数が接続された子変数の親情報として隠れ説明変数の識別子を記憶し、隠れ説明変数の親情報として接続先の親変数の識別子を記憶する。

前記隠れ依存関係算出手段は、前記元統計データと異なる隠れ変数提供用統計データであって、前記少なくとも一の親変数および前記隠れ説明変数およびそれらの依存関係を含んだ統計データを参照して前記隠れ説明変数と前記子変数の依存関係を算出してもよい。

このように親変数および親変数に依存関係を有する隠れ説明変数を含む別の統計データを導入することにより、隠れ変数と親変数との依存関係を求めることができる。例えば、隠れ変数提供用統計データから隠れ説明変数および親変数に関するデータを読み出し、読み出したデータに基づいて依存関係を求める。

上記モデル作成装置は、前記元統計データに含まれず、前記隠れ説明変数提供用統計データに含まれ、かつ、前記隠れ説明変数提供用データ内で前記親変数と依存関係を有する複数の変数を前記隠れ説明変数の候補として出力する候補出力手段を備え、前記受付手段は、出力された複数の前記候補の中から前記隠れ説明変数の選択を受け付けてもよい。

この構成により、出力された候補の中から隠れ説明変数を選択できるので、適切な隠れ説明変数を容易に見つけることができる。

本発明の別の態様のモデル作成装置は、モデルの元になる元統計データに含まれる複数の変数とそれらの条件付確率に基づく依存関係を示すリンクとによって表現されるベイジアンネットのモデルを作成する装置であって、前記モデル内のある子変数に関連づけられるべき新たな変数であって、前記元統計データには含まれていない変数を隠れ説明変数として受け付ける受付手段と、前記隠れ説明変数を経由するように、前記子変数と前記隠れ説明変数、および前記子変数の少なくとも一の親変数と前記隠れ説明変数がリンクによって接続されたモデルを出力するモデル出力手段と、を備える。

この構成により、モデル内のある子変数を説明するために、その元統計データには存在しない変数を隠れ説明変数として受け付け、受け付けた隠れ説明変数を子変数およびその親変数をリンクにより接続したモデルを出力できる。従って、モデル内の変数を適切に説明する隠れ説明変数を選択することにより、適切なモデルを作成できる。適切な隠れ説明変数を導入することにより、隠れ説明変数によって説明される子変数がとる状態のばらつきが小さくなり、子変数の状態を容易に推論できるモデルを作成できる。モデル出力手段は、モデルを記憶したモデル記憶手段からモデルを読み出し、読み出したモデルに隠れ説明変数を追加してモデルを出力することにより実現可能である。

本発明の情報分析装置は、ベイジアンネットのモデルに基づいて確率的推論を行う情報分析装置であって、モデル内の子変数と少なくとも一の親変数との組合せに関連づけられるべき新たな変数であって前記モデルの元になる元統計データには含まれていない隠れ説明変数を、前記少なくとも一の親変数、前記隠れ説明変数および前記子変数が順次接続されるように組み込んで作成されたベイジアンネットのモデルを記憶した記憶手段と、記憶された前記モデルに基づいて、観測された変数の状態から未観測の変数の状態を推論する推論手段とを備える。

この構成によれば、記憶されたベイジアンネットのモデルは、元統計データに含まれない変数をモデル内の変数を説明するための隠れ説明変数として組み込んで作成されたモデルであるので、記憶されたモデルに基づいて観測された変数の状態から未観測の変数の状態を適切に推論することができる。

本発明のモデル作成方法は、モデルの元になる元統計データに含まれる複数の変数とそれらの条件付確率に基づく依存関係で構成されるベイジアンネットのモデルを作成する方法であって、モデル記憶手段から読み出されたモデル内の子変数と少なくとも一の親変数との組合せに関連づけられるべき新たな変数であって、前記元統計データには含まれていない変数を隠れ説明変数として受け付け、コンピュータの記憶手段に記憶する受付ステップと、前記少なくとも一の親変数と前記子変数との依存関係および前記少なくとも一の親変数と前記隠れ説明変数との依存関係に基づいて、前記隠れ説明変数と前記子変数との依存関係を求める隠れ依存関係算出ステップと、前記少なくとも一の親変数と前記隠れ説明変数と前記子変数との依存関係により前記少なくとも一の親変数、前記隠れ説明変数および前記子変数が順次接続されるように、受付ステップで記憶された前記隠れ説明変数を前記モデルに組み込み、前記モデル記憶手段に記憶する組込ステップとを備える。

本発明の別の態様のモデル作成方法は、モデルの元になる元統計データに含まれる複数の変数とそれらの条件付確率に基づく依存関係を示すリンクとによって表現されるベイジアンネットのモデルをコンピュータにより作成する方法であって、前記モデル内のある子変数に関連づけられるべき新たな変数であって、前記元統計データには含まれていない変数を隠れ説明変数としてコンピュータが受け付け、受け付けた隠れ説明変数をコンピュータの記憶手段に記憶する受付ステップと、前記隠れ説明変数を経由するように、前記子変数と前記隠れ説明変数、および前記子変数の少なくとも一の親変数と前記隠れ説明変数がリンクによって接続されたモデルを、受付ステップで記憶された隠れ説明変数、およびモデル記憶手段に記憶された子変数および少なくとも一の親変数を読み出して出力するモデル出力ステップとを備える。

これにより、本発明のモデル作成装置と同様に、隠れ説明変数を組み込んだ適切なモデルを作成できるという効果がある。また、本発明のモデル作成装置と同様の特徴を本発明のモデル作成方法に適用することも可能である。

本発明の情報分析方法は、ベイジアンネットのモデルに基づいて確率的推論を行う情報分析方法であって、モデル内の子変数と少なくとも一の親変数との組合せに関連づけられるべき新たな変数であって前記モデルの元になる元統計データには含まれていない隠れ説明変数を、前記少なくとも一の親変数、前記隠れ説明変数および前記子変数が順次接続されるように組み込んで作成されたベイジアンネットのモデルをモデル記憶手段に記憶する記憶ステップと、前記モデル記憶手段に記憶されたモデルに基づいて、観測された変数の状態から未観測の変数の状態を推論する推論ステップとを備える。

これにより、本発明の情報分析装置と同様に、隠れ説明変数を組み込んで作成されたモデルに基づいて、適切に推論を行えるという効果がある。

本発明のプログラムは、コンピュータにより、モデルの元になる元統計データに含まれる複数の変数とそれらの条件付確率に基づく依存関係で構成されるベイジアンネットのモデルを作成させるプログラムであって、モデル記憶手段に記憶されたモデル内の子変数と少なくとも一の親変数との組合せに関連づけられるべき新たな変数であって、前記元統計データには含まれていない変数を隠れ説明変数として受け付け、コンピュータの記憶手段に記憶する受付ステップと、前記少なくとも一の親変数と前記子変数との依存関係および前記少なくとも一の親変数と前記隠れ説明変数との依存関係に基づいて、前記隠れ説明変数と前記子変数との依存関係を求める隠れ依存関係算出ステップと、前記少なくとも一の親変数と前記隠れ説明変数と前記子変数との依存関係により前記少なくとも一の親変数、前記隠れ説明変数および前記子変数が順次接続されるように、受付ステップで記憶された前記隠れ説明変数を前記モデルに組み込み、前記モデル記憶手段に記憶する組込ステップとを前記コンピュータに実行させる。

また、本発明の別の態様のプログラムは、コンピュータにより、モデルの元になる元統計データに含まれる複数の変数とそれらの条件付確率に基づく依存関係を示すリンクとによって表現されるベイジアンネットのモデルを作成させるプログラムであって、前記モデル内のある子変数に関連づけられるべき新たな変数であって、前記元統計データには含まれていない変数を隠れ説明変数として受け付け、受け付けた隠れ説明変数をコンピュータの記憶手段に記憶させる受付ステップと、前記隠れ説明変数を経由するように、前記子変数と前記隠れ説明変数、および前記子変数の少なくとも一の親変数と前記隠れ説明変数がリンクによって接続されたモデルを、受付ステップで記憶された隠れ説明変数、およびモデル記憶手段に記憶された子変数および少なくとも一の親変数を読み出して出力するモデル出力ステップとを前記コンピュータに実行させる。

これらのプログラムをコンピュータで実行することにより、本発明のモデル作成装置と同様に、コンピュータにより、隠れ説明変数を組み込んだ適切なモデルを作成できるという効果がある。また、本発明のモデル作成装置と同様の特徴を本発明のプログラムに適用することも可能である。

本発明の別の態様のプログラムは、コンピュータにより、ベイジアンネットのモデルに基づいて確率的推論を行う情報分析のためのプログラムであって、モデル内の子変数と少なくとも一の親変数との組合せに関連づけられるべき新たな変数であって前記モデルの元になる元統計データには含まれていない隠れ説明変数を、前記少なくとも一の親変数、前記隠れ説明変数および前記子変数が順次接続されるように組み込んで作成されたベイジアンネットのモデルをモデル記憶手段に記憶する記憶ステップと、前記モデル記憶手段に記憶されたモデルに基づいて、観測された変数の状態から未観測の変数の状態を推論する推論ステップとを前記コンピュータに実行させる。

このプログラムをコンピュータで実行させることにより、本発明の情報分析装置と同様に、コンピュータによって、隠れ説明変数を組み込んで作成されたモデルに基づいて、適切に推論を行えるという効果がある。

本発明の記録媒体は、上記のいずれかのプログラムを記録している。

上記したモデル作成のためのプログラムを記録した記録媒体は、コンピュータに読み取らせて実行することにより、本発明のモデル作成装置と同様に、隠れ説明変数を組み込んだ適切なモデルを作成できるという効果がある。上記した情報分析のためのプログラムを記録した記録媒体は、コンピュータに読み取らせて実行することにより、本発明の情報分析装置と同様に、隠れ説明変数を組み込んで作成されたモデルに基づいて、適切に推論を行えるという効果がある。

また、本発明の別の態様の記録媒体は、確率的推論に適用されるベイジアンネットのモデルを記録した記録媒体であって、複数の変数間の条件付確率に基づく依存関係を表すモデルであって、モデル内の子変数と少なくとも一の親変数との組合せに関連づけられるべき新たな変数であって前記モデルの元になる元統計データには含まれていない隠れ説明変数を、前記少なくとも一の親変数、前記隠れ説明変数および前記子変数が順次接続されるように組み込んで作成されたベイジアンネットのモデルを記録している。

この記録媒体に記録されたベイジアンネットのモデルは、隠れ説明変数の組み込みを受け付けて作成されたモデルである。従って、この記録媒体をコンピュータに読み取らせることにより、適切なベイジアンネットのモデルをコンピュータに記憶させ、そのモデルに基づく適切な推論が可能となる。

本発明は、データ内の子変数を説明するために、そのデータには存在しない変数を隠れ説明変数として組み込むことができるので、モデル内の子変数を適切に説明する隠れ説明変数を選択してモデルに組み込むことにより、隠れ説明変数によって説明される子変数がとる状態のばらつきが小さくなり、子変数の状態を容易に推論できるモデルを作成できるという効果を有する。

以下、本発明の実施形態に係るモデル作成装置および情報分析装置について説明する。以下の説明では、情報分析装置は、顧客の購買履歴から購買予測を行う顧客分析装置を例として説明する。

図１は、実施形態のモデル作成装置１０および顧客分析装置３０の構成を示す図である。モデル作成装置１０は、顧客の購買履歴の統計データに基づいてベイジアンネットのモデルを作成する機能を有する。ここでは、モデル作成装置１０によって、ある店の過去の一定期間（例えば１ヶ月）における顧客の購買履歴から、ベイジアンネットのモデルを作成する例について説明する。顧客分析装置３０は、モデル作成装置１０により作成されたモデルに基づいて購買動向を分析する機能を有し、例えば新しい商品の購買予測を行う。なお、以下に説明する例は、本発明のモデル作成装置および情報分析装置の一例にすぎず、例えばインターネットのアクセス動向を分析するモデルの作成およびその分析など、様々な分野に適用可能である。

図２は、モデル作成装置１０の構成を示す図である。モデル作成装置１０は、顧客の購買履歴に関する統計データを記憶する履歴データ記憶部１２と、事前知識に関する統計データを記憶した事前知識データ記憶部１４と、履歴データおよび事前知識データに基づいてモデルを作成するモデル作成部１６と、作成されたモデルを表示する表示部１８と、隠れ説明変数を入力するための隠れ説明変数入力部２０と、作成されたモデルを記憶するモデルデータ記憶部２２とを備える。本実施形態においては、モデル作成装置１０が履歴データおよび事前知識データを記憶することとしているが、モデル作成装置１０が必ずしも履歴データ記憶部１２および事前知識データ記憶部１４を有しなくてもよい。例えば、モデル作成装置１０をネットワークに接続し、モデル作成の際にネットワークを通じて必要な履歴データまたは事前知識データを取得する構成とすることもできる。

履歴データ記憶部１２は、顧客の購買行動の結果を示す履歴データを記憶する機能を有する。図３は履歴データ記憶部１２に記憶された履歴データの例を示す図である。この例では、ある商品を購買した顧客のデータおよび商品に関する情報が履歴として記憶されている。図３に見られるように、履歴データは、「顧客ＩＤ」「年齢」「性別」「商品情報」の各変数を有するデータである。「顧客ＩＤ」は顧客を特定するための識別子、「年齢」「性別」は顧客の属性に関する情報である。「商品」は、顧客ＩＤにより特定される顧客が購買した商品に関する情報である。この履歴データは、例えば次のようにして集めることができる。店で使用可能なサービスカードの会員を募集し、会員が商品を購買する際にはレジにてサービスカードを提示してもらうことにより、顧客が購買した商品の履歴を蓄積することができる。また、顧客の属性については、サービスカード入会時にアンケートを行うことにより取得できる。

事前知識データ記憶部１４は、事前知識データを記憶する機能を有する。事前知識データとは、直接の分析対象である顧客から得られる購買行動に関するデータとは異なるデータである。事前知識データは、別のアンケート調査などにより得られた統計データでもよいし、統計データから得られた知識、例えば「何歳以上の人は車を持っている割合が何％である」というような知識でもよい。

図４は、事前知識データ記憶部１４に記憶された事前知識データの例を示す図である。図４に見られるように、事前知識データは、「調査対象者ＩＤ」「年齢」「性別」「商品選択基準」の各変数を有するデータである。「調査対象者ＩＤ」は調査対象者を特定するための識別子であり、「年齢」「性別」は調査対象者の属性に関する情報である。「商品選択基準」は、商品を購買する際に何を重視して選択するかについての情報である。例えば、品質、値段、ブランドなどの選択基準に関する情報である。この事前知識データは、例えば、分析対象の顧客とは異なる集団に対するアンケート調査等により取得することができる。

モデル作成部１６は、履歴データ記憶部１２に記憶された履歴データからベイジアンネットのモデルを作成する機能と、事前知識データ記憶部１４に基づいて指定された隠れ説明変数をモデルに組み込む機能を有する。また、モデル作成部１６は、隠れ説明変数により説明される変数（以下、「説明対象変数」という）の親変数と隠れ説明変数との依存関係、および隠れ説明変数と説明対象変数との依存関係を求める機能を有する。

モデル作成部１６の詳しい説明に先立って、ベイジアンネットのモデルについて説明する。ベイジアンネットのモデルは複数の確率変数の間の定性的な依存関係をグラフ構造によって表し、個々の変数の間の定量的な関係を条件付確率で表した確率モデルである。変数間の依存関係は原因から結果となる変数の向きを有向リンクで図示する。例えば、変数Ｘが原因、変数Ｙが結果という関係は「変数Ｘ→変数Ｙ」と表し、変数Ｘと変数Ｙの依存関係を条件付確率で表す。このとき、リンクの元にある変数Ｘを親変数、リンクの先に来る変数Ｙを子変数という。

次に、モデル作成部１６について説明する。モデル作成部１６は、次の手順によりモデルを作成する機能を有する。すなわち、１）履歴データに含まれる変数のうちの一の変数を子変数としたときの親変数の候補の変数を選択する、２）子変数と親変数の候補の変数を含む部分モデルのうち、尤度に関するスコアの最も高い部分モデルを作成する、３）統計データ内のそれぞれの変数を子変数として作成した部分モデルを接続してベイジアンネットのモデルを作成する。なお、モデル作成部１６は、上記の手順に限らず、公知の手順によってモデルを作成してもよい。

また、モデル作成部１６は、履歴データに含まれない隠れ説明変数をモデルに組み込む機能を有する。以下、図５から図８を参照しながら、モデル作成部１６によってモデルに隠れ説明変数を組み込む手順について説明する。

図５は、履歴データから作成されたモデルの例を示す図である。図５に示すモデルは、履歴データに含まれる変数のみを含む。ここで、事前知識データに含まれる変数Ｈが、変数Ｃを説明するための隠れ説明変数として入力されたとする。隠れ説明変数の入力は、次に説明する隠れ変数入力部２０によって行われる。

事前知識データには、変数Ｃが含まれていないので、変数Ｃと変数Ｈとの依存関係は事前知識データからは明らかではない。まず、モデル作成部１６は、事前知識データに含まれる変数Ａ、変数Ｂ、変数Ｈに基づいて、変数Ｃの親変数である変数Ａ、変数Ｂと入力された変数Ｈとの依存関係を求める。

図６は、変数Ａ、変数Ｂと変数Ｈとの依存関係を示す図である。事前知識データに基づいて、変数Ｈが親変数として変数Ａ、変数Ｂを有することが求められたことが分かる。

モデル作成部１６は、変数Ａ、変数Ｂと変数Ｃとの依存関係、および変数Ａ、変数Ｂと変数Ｈとの依存関係に基づいて、変数Ｈと変数Ｃとの依存関係を求める。例えば、統計学において公知のＥＭアルゴリズムにより、変数Ｈと変数Ｃの依存関係を求めることができる。これにより、図７に示すように変数Ｈと変数Ｃとの依存関係が得られる。なお、ここで「変数Ａ、変数Ｂと変数Ｃとの依存関係」とは、変数Ｃのとる値が変数Ａ、変数Ｂのとる値に依存する依存関係を意味する。同様に、「変数Ａ、変数Ｂと変数Ｈとの依存関係」とは、変数Ｈのとる値が変数Ａ、変数Ｂのとる値に依存する依存関係を意味し、「変数Ｈと変数Ｃとの依存関係」とは、変数Ｃのとる値が変数Ｈのとる値に依存する依存関係を意味する。モデル作成部１６は、求めた依存関係に基づいて隠れ説明変数を図５に示すモデルに組み込む。これにより、図８に示すように変数Ｃの隠れ説明変数Ｈを組み込んだモデルを作成する。

再び、図２を参照して、図２中の隠れ説明変数入力部２０について説明する。隠れ説明変数入力部２０は、隠れ説明変数の入力を受け付ける機能を有する。隠れ説明変数入力部２０は、まず、モデル内の変数のうち隠れ説明変数により説明したい変数（説明対象変数）の指定を受け付け、次に、隠れ説明変数として用いる変数を受け付ける。説明対象変数の指定の受け付けは、例えば、表示されたモデル内の変数の選択により、選択された変数を説明対象変数として受け付ける。また、隠れ説明変数の受け付けは、例えば、隠れ説明変数として用いることのできる変数の候補を表示して、その中から選択させることにより隠れ説明変数を受け付ける。隠れ説明変数として用いることのできる変数の候補は、親変数と依存関係を有する変数を事前知識データベースから抽出することによって得ることができる。

次に、顧客分析装置３０について説明する。顧客分析装置３０は、モデル作成装置１０により作成されたモデルに基づいて商品の購買確率を予測する装置である。

図９は、顧客分析装置３０の構成を示す図である。顧客分析装置３０は、モデル作成装置１０により作成されたベイジアンネットのモデルを記憶するモデルデータ記憶部３２と、商品に関する情報の入力を受け付ける商品情報入力部３４と、モデルデータ記憶部３２に記憶されたモデルに基づいて商品の購買確率を推論する推論部３６と、推論部３６により推論された購買確率を表示する表示部３８とを備えている。

モデルデータ記憶部３２には、図１０に示すベイジアンネットのモデルが記憶されている。なお、このモデルは、履歴データ記憶部１２に記憶された履歴データ（図３参照）から作成されたモデルである。

図１０に示すモデルによれば、商品の購買行動は、商品情報という変数と、ブランド、品質、値段の３つの商品選択基準の変数に依存している。ここで、購買行動の変数は、購買行動を起こしたか、起こさないかの２つの値を有する変数である。購買行動を起こした割合が購買確率を表す。３つの商品選択基準は、顧客の年齢および性別という変数に依存している。すなわち、顧客の年齢および性別に応じて商品の選択基準が変化し、それによって購買確率も変化することとなる。ここで、３つの商品選択基準は、履歴データには含まれない変数であり、購買確率を説明するための隠れ説明変数として組み込まれた変数である。また、このモデルにおいては、顧客の年齢および性別には、履歴データから求められた確率分布が与えられている。例えば、履歴データを取得した集団において、男女の割合は３：７であるとか、年齢別にみると２０代が１５％、３０代が２０％・・・といった確率分布が与えられている。

なお、このモデルにおいて、購買行動の変数は、履歴データに含まれないが、次のようにして変数として求めることができる。すなわち、履歴データは、商品を購買した顧客に関するデータであり、商品を購買しなかった顧客についてのデータは含まないが、例えば、他の商品売り上げなどから推定される総来店客数から、商品を購買した顧客の数を引くことにより、商品を購買しなかった人数を概算できる。この情報に基づいて、購買行動の変数がとるそれぞれの状態（商品を購買した、または購買しなかった）の確率を求めることができ、モデル内で変数として取り扱える。

商品情報入力部３４は、購買確率を予測したい商品に関する情報の入力を受け付ける機能を有する。ここで入力される情報としては、例えば商品の開発コンセプトである。開発コンセプトの例としては、品質を重視した商品、あるいは安さを追求した商品という情報がある。

推論部３６は、ベイジアンネットのモデルに基づいて、入力された商品に関する情報から購買確率を推論する機能を有する。

ここで、ベイジアンネットに基づいて推論を行う方法について説明する。ベイジアンネットによる確率的推論は、１）観測された変数の値ｅをノードにセットする、２）親ノードも観測値も持たないノードに部分確率を与える、３）知りたい対象の変数Ｘの事後確率Ｐ（Ｘ｜ｅ）を得る、という手順で行う。３）における事後確率を求めるために、観測された情報からの確率伝搬（変数間の局所計算）によって各変数の確率分布を更新していく確率伝搬法（belief propagation）と呼ばれる計算方法を用いる。

表示部１８は、推論結果を表示する機能を有する。これにより、分析者は、商品の売れ行きを予測することができる。

次に、実施形態のモデル作成装置１０の動作について説明する。モデル作成装置１０によるモデル作成の動作を概説すると、まず、１）モデル作成部１６により履歴データからベイジアンネットのモデルを作成する。続いて、２）作成されたモデルを表示部１８に表示し、隠れ説明変数の入力を受け付け、入力された隠れ説明変数をモデルに組み込む、３）変更されたモデルを表示部１８により表示し、隠れ説明変数の入力を受け付ける、という手順で作成される。なお、手順２）手順３）は、モデルが完成するまで繰り返される。

図１１は、モデル作成装置１０の動作を示すフローチャートである。次に、図１１を参照しながら実施形態に係るモデル作成装置１０の動作について説明する。

まず、モデル作成装置１０は、履歴データからベイジアンネットのモデルを作成し、作成されたモデルを表示部１８により表示する（Ｓ１０）。

図１２は、作成したモデルを表示部１８により表示した画面の例を示す図である。図１２に示すように、図１２に示す画面右側のモデル表示画面４０に作成されたベイジアンネットのモデルが表示される。画面左側の隠れ説明変数入力画面４２は、隠れ説明変数の入力を受け付けるユーザインターフェースを提供している。

次に、モデル作成装置１０は、隠れ説明変数により説明したい変数の指定を受け付ける。ここでは、図１２に示すモデル表示画面４０に表示されたモデルにおいて、隠れ説明変数により説明する変数を指定する（Ｓ１２）。例えば、マウスなどの操作により一の変数を示すノードを選択すると、その変数が隠れ説明変数により説明される説明対象変数として指定される。図１２では、説明対象変数として購買行動の変数が選択されている。

続いて、モデル作成装置１０は、図１２に示す画面左側の隠れ説明変数入力画面４２において、隠れ説明変数の候補を表示する（Ｓ１４）。ここでは、事前知識データに含まれる変数の一覧を「隠れ説明変数選択」ボックス４４の「変数」欄５０に表示している。

この「隠れ説明変数選択」ボックス４４において、「採否」欄４６は、その候補の変数をモデル作成者が採用するか否かを選択するチェックボックスである。「親変数」欄４８は、隠れ説明変数の親変数を選択するチェックボックスである。ここで選択される親変数は、隠れ説明変数と説明対象変数との依存関係を求めるために用いる親変数である。従って、この例では、「親変数」として指定可能な変数は、説明対象変数「購買行動」の親変数である「年齢」「性別」「商品情報」のいずれかである。

図１２に示す隠れ説明変数入力画面４２の「隠れ説明変数選択」ボックス４４において、モデル作成者が隠れ説明変数および親変数を指定してＯＫボタン５２を選択すると、モデル作成装置１０は隠れ説明変数の指定を受け付ける。隠れ説明変数の指定を受け付けると、モデル作成装置１０は、親変数と隠れ説明変数との依存関係を求める（Ｓ１８）。続いて、モデル作成装置１０は、親変数と隠れ説明変数との依存関係、および親変数と説明対象変数との依存関係に基づいて、隠れ説明変数と説明対象変数との依存関係を求める（Ｓ２０）。

次に、モデル作成装置１０は、親変数と隠れ説明変数との依存関係、および隠れ説明変数と説明対象変数との依存関係に基づいてモデルに隠れ説明変数を組み込み、表示部１８に表示する（Ｓ２２）。図１３は、隠れ説明変数を組み込んだモデルを表示した画面を示す図である。

次に、隠れ説明変数によって説明する変数が他にあるか否かを判定する（Ｓ２４）。この判定は、モデル作成者によるモデル作成装置１０への入力に基いて行われる。すなわち、隠れ説明変数を組み込んだ後、図１３に示す隠れ説明変数入力画面４２において、モデル作成者が確定ボタン５４を選択した場合には、隠れ説明変数によって説明すべき変数がないと判定する。図１３に示す隠れ説明変数入力画面４２において、モデル作成者が確定ボタン５４を選択しないで、モデル表示画面４０で次の説明対象変数を指定した場合には、隠れ説明変数によって説明すべき変数が他にあると判定する。

隠れ説明変数によって説明すべき変数が他にあると判定された場合には、モデル作成装置１０は、隠れ説明変数の候補の変数を表示するステップＳ１４に遷移し、上記と同様にステップＳ１４からステップＳ２４までの処理を繰り返す。隠れ説明変数によって説明すべき変数が他にないと判定された場合には、モデル作成装置１０は、作成したベイジアンネットのモデルをモデルデータ記憶部２２に記憶する（Ｓ２６）。その後、モデルの作成の動作を終了する。

図１４は、顧客分析装置３０の動作を示すフローチャートである。図１４を参照しながら、顧客分析装置３０の動作について説明する。

まず、顧客分析装置３０は、分析対象の商品の情報の入力を受け付ける（Ｓ３０）。ここで受け付ける情報は、例えば、品質重視あるいは値段重視といった商品の開発コンセプトに関する情報である。

次に、顧客分析装置３０は、推論部３６によってモデルデータ記憶部２２に記憶されたモデルに基づいて購買確率の推論を行う（Ｓ３２）。すなわち、モデル作成装置１０は、履歴データにより確率分布が与えられている顧客の年齢および性別から、顧客がブランドで商品を選択する確率、品質で商品を選択する確率、値段で商品を選択する確率をそれぞれ求める。入力された商品の情報と、それぞれの選択基準の確率に基づいて顧客の購買行動の変数を推論する。購買行動を起こす人の割合が、商品の購買確率である。そして、顧客分析装置３０は、求められた購買確率を表示部３８により表示する（Ｓ３４）。

実施形態に係るモデル作成装置１０は、履歴データにより作成されたモデル内の変数を説明するために、履歴データに含まれていない変数を隠れ説明変数として受け付け、受け付けた隠れ説明変数をモデルに組み込むことができる。従って、隠れ説明変数として適切な変数を組み込めば、適切なベイジアンネットのモデルを作成できる。説明対象変数がとる状態のばらつきが少なくなるため、子変数の状態を容易に推論できるモデルを作成できる。

実施形態に係る顧客分析装置３０は、モデルに組み込む隠れ説明変数を受け付けて作成された適切なモデルに基づいて、購買確率の適切な推論を行うことができる。

次に、本発明の実施形態に係るプログラムについて説明する。

図１５は、実施形態に係るモデル作成のためのプログラム６０の構成を示す図である。プログラム６０は、履歴データ取得モジュール６２と、モデル作成モジュール６４と、モデル表示モジュール６６と、隠れ説明変数入力モジュール６８と、モデルデータ記憶モジュール７０とを有する。

履歴データ取得モジュール６２は、プログラム６０をコンピュータで実行することにより、コンピュータに、履歴データを取得させるモジュールである。これにより、履歴データ記憶部とのインターフェースを実現できる。

モデル作成モジュール６４は、プログラム６０をコンピュータで実行することにより、コンピュータに、モデルを作成させると共にモデルに隠れ説明変数を組み込ませるモジュールである。モデル作成モジュール６４を実行することにより、上記実施形態のモデル作成装置１０のモデル作成部１６を実現できる。

モデル表示モジュール６６は、プログラム６０をコンピュータで実行することにより、コンピュータに、作成されたモデルを表示させるモジュールである。モデル表示モジュール６６を実行することにより、上記実施形態のモデル作成装置１０の表示部１８を実現できる。

隠れ説明変数入力モジュール６８は、プログラム６０をコンピュータで実行することにより、コンピュータに、隠れ説明変数の入力を受け付けさせるモジュールである。隠れ説明変数入力モジュール６８を実行することにより、上記実施形態のモデル作成装置１０の隠れ説明変数入力部２０を実現できる。

モデルデータ記憶モジュール７０は、プログラム６０をコンピュータで実行することにより、コンピュータに、作成されたモデルを記憶させるモジュールである。モデル記憶モジュールを実行することにより、モデルデータ記憶部とのインターフェースを実現できる。

このモデル作成用のプログラム６０をコンピュータで実行することにより、上記実施形態のモデル作成装置１０を実現でき、隠れ説明変数を組み込むことにより適切なモデルを作成できるという上記実施形態のモデル作成装置１０と同様の効果を有する。

図１６は、実施形態に係る顧客分析のためのプログラム８０の構成を示す図である。プログラム８０は、モデルデータ記憶モジュール８２と、商品情報入力モジュール８４と、推論モジュール８６と、表示モジュール８８とを有する。

モデルデータ記憶モジュール８２は、プログラム８０をコンピュータで実行することにより、コンピュータに、ベイジアンネットのモデルを記憶させるモジュールである。モデルデータ記憶モジュール８２によって記憶されるモデルは、隠れ説明変数を組み込んで作成された適切なモデルである。このモデルデータ記憶モジュール８６により、コンピュータに上記実施形態の顧客分析装置３０におけるモデルデータ記憶部を構成することができる。

商品情報入力モジュール８４は、プログラム８０をコンピュータで実行することにより、コンピュータに、分析対象の商品に関する情報の入力を受け付けさせるモジュールである。商品情報入力モジュール８４を実行することにより、上記実施形態の顧客分析装置３０における商品情報入力部３４を実現できる。

推論モジュール８６は、プログラム８０をコンピュータで実行することにより、コンピュータに、ベイジアンネットのモデルに基づいて、商品に関する情報から購買確率を推論させるモジュールである。推論モジュール８６を実行することにより、上記実施形態の顧客分析装置３０における推論モジュール８６を実現できる。

表示モジュール８８は、プログラム８０をコンピュータで実行することにより、コンピュータに、推論された購買確率の結果を表示させるモジュールである。表示モジュール８８を実行することにより、上記実施形態の顧客分析装置３０における表示部３８を実現できる。

この顧客分析用のプログラム８０をコンピュータで実行することにより、上記実施形態の顧客分析装置３０を実現でき、隠れ説明変数を組み込んで作成された適切なモデルに基づいて商品の購買確率を推論できるという上記実施形態の顧客分析装置３０と同様の効果を有する。

以上、本発明のモデル作成装置１０、顧客分析装置３０、およびモデル作成方法、顧客分析方法ならびにプログラムについて、実施形態を挙げて説明したが、本発明は上記実施形態に限定されるものではない。

上記実施形態では、隠れ説明変数の候補として、事前知識データベースに含まれる変数を隠れ説明変数入力画面４２に表示し、モデル作成者に親変数と説明対象変数を選択させる構成としたが、図１７に示すように、親変数と依存関係を有する変数のみを説明対象変数の候補として表示することとしてもよい。親変数と依存関係を有する変数のみを説明対象変数の候補として表示することにより、モデル作成者が親変数と依存関係のない変数を隠れ説明変数として選択しないようにできる。これにより、モデル作成装置は、親変数と隠れ説明変数、および親変数と説明対象変数の依存関係に基づいて隠れ説明変数と説明対象変数との依存関係を必ず求めることができ、選択された隠れ説明変数をモデルに組み込むことができる。

また、上記実施形態では、隠れ説明変数入力画面４２におけるモデル作成者の変数選択に基づいてモデル作成装置１０が親変数と隠れ説明変数との依存関係を求める構成について説明したが、モデル作成者が隠れ説明変数を設定し、親変数と隠れ説明変数との依存関係を入力することとしてもよい。

図１８は、隠れ説明変数入力画面４２において、隠れ説明変数と親変数との依存関係を入力する例を示す図である。「依存関係入力」ボックス５６において、年齢（親変数）に対応する可処分所得（隠れ説明変数）の入力を受け付ける構成となっている。この構成により、入力された依存関係に基づいて、隠れ説明変数と説明対象変数との依存関係を容易に求めることができる。

なお、このようなインターフェースによって隠れ説明変数を入力する構成においては、事前知識データ記憶部１４は必ずしも必要ではなく、またモデル作成部１６も説明対象変数の親変数と隠れ説明変数との依存関係を求める機能は必ずしも必要ではない。

また、上記した実施形態においては、モデル作成装置１０と顧客分析装置３０を別々に構成した例について説明したが、モデル作成装置１０と顧客分析装置３０を同じ装置によって構成してもよい。図１９は、モデル作成と顧客分析の両方の機能を有する情報処理装置９０の構成を示す図である。構成要素のそれぞれが有する機能は、上記実施形態のモデル作成装置１０および顧客分析装置３０の対応する構成要素のそれぞれと同じ機能を有する。この情報処理装置９０により、顧客分析の分析者は、商品に応じて隠れ説明変数を変えてモデルを作成し、作成されたモデルを見て変数間の依存関係を分析することができる。これにより、商品に応じて何の変数が購買確率に影響するかを分析できる。

また、上記した実施形態においては、モデル作成装置１０はユーザインターフェース部分である表示部１８および隠れ説明変数入力部２０と、モデル作成部１６とが一体に構成されていたが、ユーザインターフェースの部分とモデル作成部１６とは必ずしも一体である必要はなく、別々の装置によって構成してもよい。図２０は、モデル作成部１６を有するモデル作成装置１００と、モデル作成の指示を行う操作装置１０４とが別々に構成されている。モデル作成装置１００と操作装置１０４はそれぞれ通信部１０２、１０６を有し、通信可能とされている。このような構成を採用することにより、ネットワーク上に設けられたモデル作成装置１００をリモートで操作して、モデルの作成を行える。また、一台のモデル作成装置１００に対して複数台の操作装置１０４を接続することにより、モデル作成装置１００を共有できる。

上記した実施形態において、顧客分析装置３０は、入力された商品の情報に基づいて、その購買確率を求める例を説明したが、モデルデータ記憶部３２に記憶されたモデルを用いて異なる顧客分析を行うこともできる。例えば、商品の購買確率を推論するのではなく、商品を購買する顧客の属性を推論してもよい。これにより、例えば、どのような顧客をターゲットに商品の宣伝を行えばよいかを知ることができる。

以上説明したように、本発明は、統計データからベイジアンネットのモデルを作成する技術、および作成されたモデルに基づく推論を行う技術に関し、ベイジアンネットによる確率的推論の分野等において有用である。

実施形態のモデル作成装置および顧客分析装置を示す図である。 実施形態のモデル作成装置の構成を示す図である。 履歴データの例を示す図である。 事前知識データの例を示す図である。 隠れ説明変数のモデルへの組み込み手順について説明する図である。 隠れ説明変数のモデルへの組み込み手順について説明する図である。 隠れ説明変数のモデルへの組み込み手順について説明する図である。 隠れ説明変数のモデルへの組み込み手順について説明する図である。 実施形態の顧客分析装置の構成を示す図である。 顧客分析装置のモデルデータ記憶部に記憶されたモデルの例である。 モデル作成装置の動作を示すフローチャートである。 隠れ説明変数入力画面の例を示す図である。 隠れ説明変数入力画面の例を示す図である。 顧客分析装置の構成を示す図である。 モデル作成のためのプログラムの構成を示す図である。 顧客分析のためのプログラムの構成を示す図である。 隠れ説明変数入力画面の他の例を示す図である。 隠れ説明変数入力画面の他の例を示す図である。 モデル作成と顧客分析の機能を有する情報処理装置の構成を示す図である。 モデル作成装置の他の構成例を示す図である。

符号の説明

１０ モデル作成装置
１２ 履歴データ記憶部
１４ 事前知識データ記憶部
１６ モデル作成部
１８ 表示部
２０ 隠れ説明変数入力部
２２ モデルデータ記憶部
３０ 顧客分析装置
３２ モデルデータ記憶部
３４ 商品情報入力部
３６ 推論部
３８ 表示部
４０ モデル表示画面
４２ 隠れ説明変数入力画面

Claims (4)

1. 複数の変数について、当該複数の変数がとった値の複数の組合せを記憶した元統計データに基づいて、一の変数がとる値が他の変数がとる値に依存する依存関係を複数の変数について表したベイジアンネットの暫定的なモデルを暫定モデルとして作成するベイジアンネット暫定モデル作成手段と、
   前記元統計データに含まれていない変数であって、前記元統計データの複数の変数のうちのいずれかの変数がとる値に依存する値をとる隠れ説明変数の候補変数と、当該いずれかの変数とを含んだ隠れ説明変数提供用統計データを記憶した隠れ説明変数提供用統計データ記憶手段と、
   前記ベイジアンネット暫定モデル作成手段にて作成された前記暫定モデルを表示して、前記暫定モデルを構成する複数の変数の中からの選択により、隠れ説明変数によって説明したい変数を説明対象変数として受け付ける説明対象変数受付手段と、
   前記説明対象変数受付手段にて受け付けた説明対象変数の前記暫定モデルにおける親変数と依存関係を有する隠れ説明変数の候補変数を前記隠れ説明変数提供用統計データ記憶手段の中から検索し、検索された隠れ説明変数の候補変数を前記説明対象変数を説明する隠れ説明変数の候補として出力する候補出力手段と、
   前記候補出力手段にて出力された隠れ説明変数の候補変数の中からの選択により、隠れ説明変数の入力を受け付ける手段と、
   入力された前記隠れ説明変数のとる値が前記親変数のとる値に依存する第１の依存関係を、前記隠れ説明変数提供用統計データ記憶手段に記憶された統計データに基づいて求め、当該第１の依存関係と、前記説明対象変数のとる値が前記親変数のとる値に依存する第２の依存関係とに基づいて、前記説明対象変数のとる値が前記隠れ説明変数のとる値に依存する第３の依存関係を求める隠れ依存関係算出手段と、
   前記第１の依存関係および前記第３の依存関係に基づいて、前記説明対象変数のとる値が前記隠れ説明変数のとる値に依存し、前記隠れ説明変数のとる値が前記親変数のとる値に依存する関係を表すように、前記隠れ説明変数を前記暫定モデルに組み込む組込手段と、
   を備え、
   前記説明対象変数受付手段は、前記組込手段にて隠れ説明変数を組み込んだベイジアンネットのモデルを新たな暫定モデルとして表示し、説明対象変数の選択を受け付け、説明対象変数の選択がなされないで確定が入力された時点で、表示中の暫定モデルを最終的なベイジアンネットのモデルとして完成させることを特徴とするモデル作成装置。
2. 複数の変数について、当該複数の変数がとった値の複数の組合せを記憶した元統計データに基づいて、モデル作成装置がベイジアンネットのモデルを作成するベイジアンネットモデル作成方法であって、
   前記モデル作成装置が、前記元統計データに含まれていない変数であって、前記元統計データの複数の変数のうちのいずれかの変数がとる値に依存する値をとる隠れ説明変数の候補変数と、当該いずれかの変数とを含んだ隠れ説明変数提供用統計データを記憶した隠れ説明変数提供用統計データ記憶手段を準備するステップと、
   前記モデル作成装置が、複数の変数について、当該複数の変数がとった値の複数の組合せを記憶した元統計データに基づいて、一の変数がとる値が他の変数がとる値に依存する依存関係を複数の変数について表したベイジアンネットの暫定的なモデルを暫定モデルとして作成するベイジアンネット暫定モデル作成ステップと、
   前記モデル作成装置が、前記暫定モデルを表示して、前記暫定モデルを構成する複数の変数の中からの選択により、隠れ説明変数によって説明したい変数を説明対象変数として受け付ける説明対象変数受付ステップと、
   前記モデル作成装置が、前記説明対象変数受付ステップにて受け付けた説明対象変数の前記暫定モデルにおける親変数と依存関係を有する隠れ説明変数の候補変数を前記隠れ説明変数提供用統計データ記憶手段の中から検索し、検索された隠れ説明変数の候補変数を前記説明対象変数を説明する隠れ説明変数の候補として出力する候補出力ステップと、
   前記モデル作成装置が、前記候補出力ステップにて出力された隠れ説明変数の候補変数の中からの選択により、隠れ説明変数の入力を受け付けるステップと、
   前記モデル作成装置が、入力された前記隠れ説明変数のとる値が前記親変数のとる値に依存する第１の依存関係を、前記隠れ説明変数提供用統計データ記憶手段に記憶された統計データに基づいて求め、当該第１の依存関係と、前記説明対象変数のとる値が前記親変数のとる値に依存する第２の依存関係とに基づいて、前記説明対象変数のとる値が前記隠れ説明変数のとる値に依存する第３の依存関係を求める隠れ依存関係算出ステップと、
   前記モデル作成装置が、前記第１の依存関係および前記第３の依存関係に基づいて、前記説明対象変数のとる値が前記隠れ説明変数のとる値に依存し、前記隠れ説明変数のとる値が前記親変数のとる値に依存する関係を表すように、前記隠れ説明変数を前記暫定モデルに組み込む組込ステップと、
   を備え、
   前記説明対象変数受付ステップは、前記モデル作成装置が、前記組込ステップにて隠れ説明変数を組み込んだベイジアンネットのモデルを新たな暫定モデルとして表示し、説明対象変数の選択の受付けに応じて上記各ステップを繰り返し、説明対象変数の選択がなされないで確定が入力されたときに、表示中の暫定モデルを最終的なベイジアンネットのモデルとして完成させることを特徴とするモデル作成方法。
3. 複数の変数について、当該複数の変数がとった値の複数の組合せを記憶した元統計データに基づいて、ベイジアンネットのモデルを作成するためのプログラムであって、コンピュータに、
   複数の変数について、当該複数の変数がとった値の複数の組合せを記憶した元統計データに基づいて、一の変数がとる値が他の変数がとる値に依存する依存関係を複数の変数について表したベイジアンネットの暫定的なモデルを暫定モデルとして作成するベイジアンネット暫定モデル作成ステップと、
   前記暫定モデルを表示して、前記暫定モデルを構成する複数の変数の中からの選択により、隠れ説明変数によって説明したい変数を説明対象変数として受け付ける説明対象変数受付ステップと、
   前記説明対象変数受付ステップにて受け付けた説明対象変数の前記暫定モデルにおける親変数と依存関係を有する隠れ説明変数の候補変数を隠れ説明変数提供用統計データ記憶手段の中から検索し、検索された隠れ説明変数の候補変数を前記説明対象変数を説明する隠れ説明変数の候補として出力する候補出力ステップであって、前記隠れ説明変数提供用統計データ記憶手段は、前記元統計データに含まれていない変数であって、前記元統計データの複数の変数のうちのいずれかの変数がとる値に依存する値をとる隠れ説明変数の候補変数と、当該いずれかの変数とを含んだ隠れ説明変数提供用統計データを記憶した記憶手段であるステップと、
   前記候補出力ステップにて出力された隠れ説明変数の候補変数の中からの選択により、隠れ説明変数の入力を受け付けるステップと、
   入力された前記隠れ説明変数のとる値が前記親変数のとる値に依存する第１の依存関係を、前記隠れ説明変数提供用統計データ記憶手段に記憶された統計データに基づいて求め、当該第１の依存関係と、前記説明対象変数のとる値が前記親変数のとる値に依存する第２の依存関係とに基づいて、前記説明対象変数のとる値が前記隠れ説明変数のとる値に依存する第３の依存関係を求める隠れ依存関係算出ステップと、
   前記第１の依存関係および前記第３の依存関係に基づいて、前記説明対象変数のとる値が前記隠れ説明変数のとる値に依存し、前記隠れ説明変数のとる値が前記親変数のとる値に依存する関係を表すように、前記隠れ説明変数を前記暫定モデルに組み込む組込ステップと、
   を実行させ、
   前記説明対象変数受付ステップは、前記組込ステップにて隠れ説明変数を組み込んだベイジアンネットのモデルを新たな暫定モデルとして表示し、説明対象変数の選択の受付けに応じて上記各ステップを繰り返し、説明対象変数の選択がなされないで確定が入力されたときに、表示中の暫定モデルを最終的なベイジアンネットのモデルとして完成させることを特徴とするプログラム。
4. 請求項３に記載のプログラムを記録した記録媒体。

Images