JP5991317B2 - 情報処理システム、ネットワーク構造学習装置、リンク強度予測装置、リンク強度予測方法およびプログラム - Google Patents

Description

［関連出願についての記載］
本発明は、日本国特許出願：特願２０１１−１４０１１２号（２０１１年６月２４日出願）の優先権主張に基づくものであり、同出願の全記載内容は引用をもって本書に組み込み記載されているものとする。
本発明は、情報処理システム、ネットワーク構造学習装置、リンク強度予測装置、リンク強度予測方法およびプログラムに関し、特に、データマイニングの分野において、ネットワーク構造学習、リンク予測の問題を取り扱う情報処理システム、ネットワーク構造学習装置、リンク強度予測装置、リンク強度予測方法およびプログラムに関する。

ソーシャルネットワークサービスにおけるユーザ間の結びつきの強さや、オンラインショッピングにおけるユーザの商品に関する好みの予測をネットワークの構造とそのリンクの強度の問題として解析する方法が提案されている。非特許文献１では、あるネットワークのノード間に複数種類のリンクが存在する場合に、それらのリンク予測を同時に行なう分析手法が提案されている。

また、非特許文献２では、上で述べたネットワーク間での構造の違いがどの程度存在するのかを確率モデルとして表わす柔軟な分析手法を提案している。この分析手法の応用例として、オンラインショッピングにおける異なる商品カテゴリーのデータを同時に分析した結果、個々の商品カテゴリー単独のデータを個別に分析するよりもユーザの好みを精度良く予測することが可能であることが示されている。

非特許文献３や非特許文献４は、階層モデルに関する参考文献である。

Ｈｉｓａｓｈｉ Ｋａｓｈｉｍａ， Ｔｓｕｙｏｓｈｉ Ｋａｔｏ， Ｙｏｓｈｉｈｉｒｏ Ｙａｍａｎｉｓｈｉ， Ｍａｓａｓｈｉ Ｓｕｇｉｙａｍａ ａｎｄ Ｋｏｊｉ Ｔｓｕｄａ， 「Ｌｉｎｋ ｐｒｏｐａｇａｔｉｏｎ： ａ ｆａｓｔ ｓｅｍｉ−ｓｕｐｅｒｖｉｓｅｄ ｌｅａｒｎｉｎｇ ａｌｇｏｒｉｔｈｍ ｆｏｒ ｌｉｎｋ ｐｒｅｄｉｃｔｉｏｎ」， Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ９ｔｈ ＳＩＡＭ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｄａｔａ Ｍｉｎｉｎｇ （ＳＤＭ ２００９）， ｐｐ． １０９９−１１１０． Ｙｕ Ｚｈａｎｇ，Ｂｉｎ Ｃａｏ， ａｎｄ Ｄｉｔ−Ｙａｎ Ｙｅｕｎｇ， 「Ｍｕｌｔｉ−Ｄｏｍａｉｎ Ｃｏｌｌａｂｏｒａｔｉｖｅ Ｆｉｌｔｅｒｉｎｇ」， Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ２６ｔｈ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｕｎｃｅｒｔａｉｎｔｙ ｉｎ Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ （ＵＡＩ ２０１０）． Ｐｅｔｅｒ Ｄ．Ｈｏｆｆ， 「Ｂｉｌｉｎｅａｒ ｍｉｘｅｄ−ｅｆｆｅｃｔｓ ｍｏｄｅｌｓ ｆｏｒ ｄｙａｄｉｃ ｄａｔａ」， Ｊｏｕｒｎａｌ ｏｆ ｔｈｅ Ａｍｅｒｉｃａｎ Ｓｔａｔｉｓｔｉｃａｌ Ａｓｓｏｃｉａｔｉｏｎ， １００， ４６９， ｐｐ． ２８６−２９５． Ｐｅｔｅｒ Ｄ．Ｈｏｆｆ， 「Ｍｏｄｅｌｉｎｇ ｈｏｍｏｐｈｉｌｙ ａｎｄ ｓｔｏｃｈａｓｔｉｃ ｅｑｕｉｖａｌｅｎｃｅ ｉｎ ｓｙｍｍｅｔｒｉｃ ｒｅｌａｔｉｏｎａｌ ｄａｔａ」， Ａｄｖａｎｃｅｓ ｉｎ Ｎｅｕｒａｌ Ｉｎｆｏｒｍａｔｉｏｎ Ｐｒｏｃｅｓｓｉｎｇ Ｓｙｓｔｅｍｓ， ２０， ｐｐ． ６５７−６６４．

以下の分析は、本発明によって与えられたものである。非特許文献１の分析手法は、ネットワークのノード間の複数のリンク予測を同時に行なうものであり、複数のネットワークを同時に扱う問題と同等であると考えられる。しかしながら、この分析手法では、異なるリンクの種類間に存在するかもしれない性質の違い（すなわちノード間の繋がりの構造が異なるリンクの種類間でどの程度違っているのか）は考慮されていないという問題点がある。したがって、異なるリンクの種類間において、構造の違いが一定以上存在する場合、複数種類のリンク予測を同時に行なうことにより、個々のリンク予測を個別に行なった場合よりも予測精度が落ちてしまう可能性がある。

また、非特許文献２の方法では、商品カテゴリー間で購買ユーザが一致している必要性があるため、適用対象となるデータ形式に制約があるという問題点がある。

従って、複数のネットワークから得られたデータに基づいて、リンク強度の予測等を行うには、各ネットワークの構造の類似性や、各ネットワークから得られるデータ数に大きな差がある場合も考慮する必要がある。

本発明の目的とするところは、個々のネットワークの構造が異なることを前提に、複数のネットワークの構造を精度よく学習し、リンク強度を予測することのできる情報処理システム、ネットワーク構造学習装置、リンク強度予測装置、リンク強度予測方法およびプログラムを提供することにある。

本発明の第１の視点によれば、複数のネットワークに関する学習データおよび超パラメータが入力される第１の入力部と、前記学習データおよび超パラメータを用いて、ネットワーク構造の学習対象の複数のネットワークの雛形となるテンプレートネットワークの構造を表わす確率モデルにおける各確率変数の事後分布から生成したサンプル列と、前記複数のネットワークの構造を表わす確率モデルにおける各確率変数の事後分布から生成したサンプル列と、を出力するネットワーク構造学習部と、前記各ネットワークおよびテンプレートネットワークの構造を表わす確率モデルにおける各確率変数の事後分布からのサンプル列を出力する学習結果出力部と、リンクの強さの予測対象のネットワークのノードの組み合わせに関する外的変数と、前記学習結果出力部から出力された前記テンプレートネットワークおよび各ネットワークの構造を表わす確率モデルにおける各確率変数の事後分布から生成したサンプル列とが入力される第２の入力部と、前記外的変数と前記テンプレートネットワークおよび各ネットワークの構造を表わす確率モデルにおける各確率変数の事後確率分布から生成されたサンプル列と、に基づいて、前記外的変数にて指定されたリンクの強度の予測値を求めるリンク強度予測部と、前記外的変数にて指定されたリンクの強度を出力する予測結果出力部と、を備える情報処理システムが提供される。

本発明の第２の視点によれば、上記した情報処理システムを構成するネットワーク構造学習装置と、リンク強度予測装置がそれぞれ提供される。

本発明の第３の視点によれば、複数のネットワークに関する学習データおよび超パラメータを用いて、ネットワーク構造の学習対象の複数のネットワークの雛形となるテンプレートネットワークの構造を表わす確率モデルにおける各確率変数の事後分布と、前記複数のネットワークの構造を表わす確率モデルにおける各確率変数の事後分布と、からそれぞれサンプル列を生成するステップと、リンクの強さの予測対象のネットワークのノードの組み合わせに関する外的変数と、前記テンプレートネットワークおよび各ネットワークの構造を表わす確率モデルにおける各確率変数の事後確率分布から生成したサンプル列と、に基づいて、前記外的変数にて指定されたリンクの強度の予測値を求めるステップと、を含むリンク強度予測方法が提供される。本方法は、複数のネットワークの構造を学習し、その任意のリンクの強度を予測する情報処理システムという、特定の機械に結びつけられている。

本発明の第４の視点によれば、上記した情報処理システムを構成するネットワーク構造学習装置と、リンク強度予測装置を実現するコンピュータプログラムが提供される。なお、これらのプログラムは、コンピュータが読み取り可能な記憶媒体に記録することができる。即ち、本発明は、コンピュータプログラム製品として具現することも可能である。

本発明によれば、個々のネットワークの構造が異なる場合においても、これら複数のネットワークの構造を精度よく学習し、リンク強度を予測することが可能となる。

本発明の第１の実施形態の情報処理システムの構成を表したブロック図である。 本発明の第１の実施形態の情報処理システムの動作を表した流れ図である。 図２の続図である。

［第１の実施形態］
続いて、本発明の第１の実施形態について図面を参照して詳細に説明する。以下、本実施形態では、リンクの強さを実数で表わすものとする。また、個々のノードの組み合わせに対して、ノード間の性質や特徴といった情報を表わすいくつかの外的変数が観測されているものとする。

以下の実施形態では、個々のネットワークデータの雛形とも呼ぶべきテンプレートネットワークの存在を仮定し、そのテンプレートネットワークがある確率分布から生成されていると仮定する。さらに、個々のネットワークに関するデータはそのテンプレートネットワークに基づいた確率分布から生成されていると仮定する。以上の前提の下、本実施形態における階層モデルを仮定する。

ただし、ｐ（Ａ｜Ｂ，Ｃ）は、確率変数Ｂが与えられたもとでの確率変数Ａの条件付き確率分布を表わし、Ｃはその条件付き確率分布のパラメータを表わす。また、ｙは、リンクの強さを表わす。Ｘは外的変数を表わす。Ｎ_ｇは、ｇ番目のネットワークにおいて観測されたリンク（すなわちノードの組み合わせ）の数を表わす。Ｇは対象とするネットワークデータの数を表わす。Ｄは外的変数の個数を表わす。また、κ，λ，β，σ，μ，υは、超パラメータ（ハイパーパラメータ）である。

上記［数１］の右辺の確率分布として、以下を仮定する。

但し、Ｎ（＊，μ，Σ）は、平均ベクトルμ、共分散行列Σの多次元正規分布を表わす。ＩＧ（＊，φ，ψ）は、形状パラメータφ、尺度パラメータψの逆ガンマ分布を表わす。

ここで、［数１０］と［数１１］は、テンプレートネットワークの確率モデルを表わす。また［数８］と［数９］は、１からＧまでの個々のネットワークの確率モデルが、前記テンプレートネットワークから生成されることを表わしている。また、［数７］は、個々のネットワークデータが個々のネットワークの確率モデルから生成されることを表わしている。

上記の仮定の下で、［数１］の右辺における各確率変数の条件付き確率分布は、共役分布となり、条件付き事後確率分布が解析的に求められる。したがって、ギブスサンプラーにより確率変数の事後分布を予測することが可能となる。

続いて、上記階層モデルによるリンク予測を具現する本発明の第１の実施形態の情報処理システムの構成について図面を参照して詳細に説明する。図１は、本発明の第１の実施形態の情報処理システムの構成を表したブロック図である。

図１を参照すると、ネットワーク構造学習装置１０と、リンク強度予測装置２０とを含んだ情報処理システムが示されている。ネットワーク構造学習装置１０は、第１入力部１０１と、ネットワーク構造学習部１０２と、学習結果出力部１０３と、を含んで構成されている。さらに、ネットワーク構造学習部１０２は、テンプレートネットワークの構造を学習するテンプレートネットワーク構造学習部１０２−０と、個々のネットワークの構造を学習する第１ネットワーク構造学習部１０２−１〜第Ｇネットワーク構造学習部１０２−Ｇと、接続されている。

リンク強度予測装置２０は、第２入力部１０４と、リンク強度予測部１０５と、予測結果出力部１０６と、を含んで構成されている。さらに、リンク強度予測部１０５は、個々のネットワークについてリンク強度を予測する第１ネットワークリンク強度予測部１０５−１〜第Ｇネットワークリンク強度予測部１０５−Ｇと接続されている。

第１入力部１０１は、ネットワーク構造を学習するための学習データ（ｙ，Ｘ）と、超パラメータκ，λ，β，σ，μ，υとの入力を受け付けて保存し、これらをネットワーク構造学習部１０２に出力する。

ネットワーク構造学習部１０２は、入力された学習データ（ｙ，Ｘ）と、超パラメータκ，λ，β，σ，μ，υとを、テンプレートネットワーク構造学習部１０２−０、第１ネットワーク構造学習部１０２−１〜第Ｇネットワーク構造学習部１０２−Ｇに入力する。このような学習データとしては、例えば企業における社員同士のメールのやりとりの回数や同じ会議に出席した回数などを用いることでき、この場合、リンク強度予測として、顕在化していない（ただし、潜在的な繋がりがある）社員同士の繋がりや・関係性を分析することができる。また、後記する外的変数としては社員同士の性別の一致・不一致、役職の一致・不一致、所属部署の一致・不一致、専門分野（スキル）の一致・不一致などが挙げられる。

テンプレートネットワーク構造学習部１０２−０および第１ネットワーク構造学習部１０２−１〜第Ｇネットワーク構造学習部１０２−Ｇは、それぞれギブスサンプラーによって各確率変数の事後確率分布からのサンプル列を生成し、保存する。さらに、前記生成されたサンプル列は、ネットワーク構造学習部１０２を介して学習結果出力部１０３に出力される。

学習結果出力部１０３は、ネットワーク構造学習部１０２から入力された各確率変数の事後確率分布からのサンプル列を装置外部に出力する。

第２入力部１０４では、リンクの強さを予測したいノードの組み合わせに関する外的変数Ｘ^＊と、各確率変数の事後確率分布からのサンプル列との入力を受け付け、これらをリンク強度予測部１０５に出力する。

リンク強度予測部１０５は、入力された外的変数Ｘ^＊と、各確率変数の事後確率分布からのサンプル列とを、第１ネットワークリンク強度予測部１０５−１〜第Ｇネットワークリンク強度予測部１０５−Ｇに入力する。

第１ネットワークリンク強度予測部１０５−１〜第Ｇネットワークリンク強度予測部１０５−Ｇのうち、ｇ番目（ｇ＝１，・・・，Ｇ）のリンク強度予測部１０５−ｇは、ｗ_ｇの事後確率分布からのサンプル列の平均値ＡＶＥ（ｗ_ｇ）を用いて、次式［数１２］により、リンク強度を予測する。但し、［数１２］の右辺のｘ^＊ _ｇｎｇはｇ番目のネットワークに関してリンクの強さを予測したいノードの組み合わせに対する外的変数を表わす。

なお、上記の例は、あくまで一例であり、他の方法として、各確率変数の事後確率分布からのサンプル列からリンクの強さの事後予測確率分布を求める方法を用いることもできる。

上記のようにして予測された［数１２］の左辺のリンク強度予測値は、リンク強度予測部１０５を介して予測結果出力部１０６に出力される。

予測結果出力部１０６は、装置外部に、リンク強度予測部１０５から入力されたリンク強度予測値を出力する。

なお、図１に示したネットワーク構造学習装置１０およびリンク強度予測装置２０の各部（処理手段）は、ネットワーク構造学習装置１０およびリンク強度予測装置２０を構成するコンピュータに、そのハードウェアを用いて、上記した各処理を実行させるコンピュータプログラムにより実現することもできる。

続いて、本実施形態の動作について図面を参照して詳細に説明する。図２、図３は、本発明の第１の実施形態の情報処理システムの動作を表した流れ図である。

図２を参照すると、まず、第１入力部１０１は装置外部から与えられたネットワーク構造を学習するための学習データ（ｙ，Ｘ）と、超パラメータκ，λ，β，σ，μ，υとの入力を受け付けて保存し、これらをネットワーク構造学習部１０２に出力する（図２のステップＳ１０１）。

ネットワーク構造学習部１０２は、入力された学習データ（ｙ，Ｘ）と、超パラメータκ，λ，β，σ，μ，υに対してギブスサンプラーによって各確率変数の事後確率分布からのサンプル列を生成し、保存する（図２のステップＳ１０２）。この際、テンプレートネットワーク構造学習部１０２−０は、ｂ，ｔに関するサンプル列を生成、保存し（［数１０］、［数１１］参照）、第１〜第Ｇネットワーク構造学習部１０２−１〜１０２−Ｇは、ｗ_ｇ，ｓ^２に関するサンプル列を生成、保存する（［数８］、［数９］参照）。

学習結果出力部１０３は、これらのサンプル列を外部装置に出力する（図２のステップＳ１０３）。

続いて、図３を参照すると、第２入力部１０４は、装置外部から与えられたリンクの強さを予測したいノードの組み合わせに関する外的変数Ｘ^＊（予測データ）と、各確率変数の事後確率分布からのサンプル列を保存した上で、これらをリンク強度予測部１０５に出力する（図３のステップＳ１０４）。

リンク強度予測部１０５は、入力された外的変数Ｘ^＊（予測データ）と、各確率変数の事後確率分布からのサンプル列をもとにリンク強度の予測値を算出し保存する（図３のステップＳ１０５）。

予測結果出力部１０６は、装置外部に、保存されたリンク強度の予測値を出力する（図３のステップＳ１０６）。

以上のように、本実施形態によれば、複数のネットワークのデータが得られている際に、これら複数のネットワークのデータを同時に学習することにより、リンク予測に代表されるネットワーク構造学習の精度を上げることができる（ここで、精度を上げるとは、個々のネットワーク構造を個別に学習したときよりも高い精度で予測を行なうことを意味する）。その理由は、統計モデルの一種である階層モデルの概念を導入したことにある。こうすることにより、あるネットワークのリンク予測をする際に、ネットワーク間の類似性を考慮した上で他のネットワークのデータの情報を適切に利用することが可能となる。例えば、ネットワーク間で得られたデータの数に大きな差がある場合に、データの数の少ないネットワークに対する学習精度の不安定さをデータの数の多いネットワークの情報を用いることにより補うといったことが可能になる。

また、本実施形態によれば、階層モデルのパラメータの値が学習によって得られ、さらに、そのパラメータの値からネットワーク間の構造がどの程度違うのかといった副次的な情報が得られる。

また、上記した説明からも明らかなように、本実施形態では、非特許文献１の手法のようにネットワーク間で全ノードが一致していることを要求しない。即ち、あるネットワークに含まれているノードが他のネットワークに含まれていないというケースがあってもよいという利点も存在するため、対象とするデータ形式の制約はない。

以上、本発明の各実施形態を説明したが、本発明は、上記した実施形態に限定されるものではなく、本発明の基本的技術的思想を逸脱しない範囲で、更なる変形・置換・調整を加えることができる。例えば、上記した実施形態では、リンクの強さが実数で表わされていて、個々のノードの性質を表わすいくつかの外的変数が観測されているものとして説明したが、リンクの強さが実数ではなく、リンクの存在の有無を表わす二値である場合や、リンクの強さが正の整数で表わされる場合についても、適切な線形モデルを仮定することにより、同様の学習・予測を行なうことが可能である。

また、外的変数が観測されていない場合であっても、例えば、非特許文献３や非特許文献４で示されている階層モデルを用いることにより同様の学習・予測を行なうことが可能である。ただし、これらの場合は本実施形態で用いたギブスサンプリングではなく適切な推移確率分布を与えた上でのＭｅｔｒｏｐｏｌｉｓ−Ｈａｓｔｉｎｇｓアルゴリズムによって学習・予測を行なうことになる。

本発明は、社員同士の繋がりの分析のほか、新たなソーシャルネットワーク（以後、「Ａ」とする）が開始された際に、既存のソーシャルネットワーク（以後、「Ｂ」とする）の情報を利用することにより、Ａの導入初期の段階からＡにおけるユーザ間の繋がりの強さを精度良く予測し、各ユーザに対して繋がりの強いユーザをレコメンドすることが可能となる。また、Ａにおけるユーザ間の繋がりの強さを予測する際に、ＡとＢの類似性が自動的に判断され、その類似性の強さに基づいた上でＢの情報が利用されることになる。
なお、前述の特許文献の開示を、本書に引用をもって繰り込むものとする。
本発明の全開示（請求の範囲および図面を含む）の枠内において、さらにその基本的技術思想に基づいて、実施形態ないし実施例の変更・調整が可能である。また、本発明の請求の範囲および図面の枠内において種々の開示要素（各請求項の各要素、各実施例の各要素、各図面の各要素等を含む）の多様な組み合わせないし選択が可能である。すなわち、本発明は、請求の範囲を含む全開示、技術的思想にしたがって当業者であればなし得るであろう各種変形、修正を含むことは勿論である。

１０ ネットワーク構造学習装置
２０ リンク強度予測装置
１０１ 第１入力部
１０２ ネットワーク構造学習部
１０２−０ テンプレートネットワーク構造学習部
１０２−１〜１０２−Ｇ 第１ネットワーク構造学習部〜第Ｇネットワーク構造学習部
１０３ 学習結果出力部
１０４ 第２入力部
１０５ リンク強度予測部
１０５−１〜１０５−Ｇ 第１ネットワークリンク強度予測部〜第Ｇネットワークリンク強度予測部
１０６ 予測結果出力部

Claims (8)

1. 複数のネットワークに関する学習データおよび超パラメータが入力される第１の入力部と、
   前記学習データおよび超パラメータを用いて、ネットワーク構造の学習対象の複数のネットワークの雛形となるテンプレートネットワークの構造を表わす確率モデルにおける各確率変数の事後分布から生成したサンプル列と、前記複数のネットワークの構造を表わす確率モデルにおける各確率変数の事後分布から生成したサンプル列と、を出力するネットワーク構造学習部と、
   前記各ネットワークおよびテンプレートネットワークの構造を表わす確率モデルにおける各確率変数の事後分布からのサンプル列を出力する学習結果出力部と、
   リンクの強さの予測対象のネットワークのノードの組み合わせに関する外的変数と、前記学習結果出力部から出力された前記テンプレートネットワークおよび各ネットワークの構造を表わす確率モデルにおける各確率変数の事後分布から生成したサンプル列とが入力される第２の入力部と、
   前記外的変数と前記テンプレートネットワークおよび各ネットワークの構造を表わす確率モデルにおける各確率変数の事後確率分布から生成されたサンプル列と、に基づいて、前記外的変数にて指定されたリンクの強度の予測値を求めるリンク強度予測部と、
   前記外的変数にて指定されたリンクの強度を出力する予測結果出力部と、
   を備える情報処理システム。
2. 前記ネットワーク構造学習部は、
   前記テンプレートネットワークの構造を表わす確率モデルにおける各確率変数の事後分布からのサンプル列を出力するテンプレートネットワーク構造学習部と、
   前記各ネットワークの構造を表わす確率モデルにおける各確率変数の事後分布からのサンプル列をそれぞれ出力する複数のネットワーク構造学習部と、
   を含む請求項１の情報処理システム。
3. 前記リンク強度予測部は、
   前記各ネットワークに対応して設けられ、任意のリンクの強度の予測値を求める複数のリンク強度予測部を含み、
   前記外的変数にて指定されたリンクに対応するリンク強度予測部が、前記リンクの強度の予測値を求める請求項１または２の情報処理システム。
4. 複数のネットワークに関する学習データおよび超パラメータが入力される第１の入力部と、
   前記学習データおよび超パラメータを用いて、ネットワーク構造の学習対象の複数のネットワークの雛形となるテンプレートネットワークの構造を表わす確率モデルにおける各確率変数の事後分布から生成したサンプル列と、前記複数のネットワークの構造を表わす確率モデルにおける各確率変数の事後分布から生成したサンプル列と、を出力するネットワーク構造学習部と、
   前記テンプレートネットワークおよび各ネットワークの構造を表わす確率モデルにおける各確率変数の事後分布から生成したサンプル列を出力する学習結果出力部と、
   を備えるネットワーク構造学習装置。
5. 請求項４のネットワーク構造学習装置と接続され、リンクの強さの予測対象のネットワークのノードの組み合わせに関する外的変数と、前記学習結果出力部から出力された前記テンプレートネットワークおよび各ネットワークの構造を表わす確率モデルにおける各確率変数の事後分布から生成したサンプル列とが入力される第２の入力部と、
   前記外的変数と前記テンプレートネットワークおよび各ネットワークの構造を表わす確率モデルにおける各確率変数の事後確率分布から生成されたサンプル列と、に基づいて、前記外的変数にて指定されたリンクの強度の予測値を求めるリンク強度予測部と、
   前記外的変数にて指定されたリンクの強度を出力する予測結果出力部と、
   を備えるリンク強度予測装置。
6. 複数のネットワークに関する学習データおよび超パラメータを入力されたコンピュータが、前記複数のネットワークに関する学習データおよび超パラメータを用いて、ネットワーク構造の学習対象の複数のネットワークの雛形となるテンプレートネットワークの構造を表わす確率モデルにおける各確率変数の事後分布と、前記複数のネットワークの構造を表わす確率モデルにおける各確率変数の事後分布と、からそれぞれサンプル列を生成するステップと、
   前記テンプレートネットワークおよび各ネットワークの構造を表わす確率モデルにおける各確率変数の事後確率分布から生成したサンプル列を入力されたコンピュータが、前記リンクの強さの予測対象のネットワークのノードの組み合わせに関する外的変数と、前記サンプル列と、に基づいて、前記外的変数にて指定されたリンクの強度の予測値を求めるステップと、
   を含むリンク強度予測方法。
7. 複数のネットワークに関する学習データおよび超パラメータを入力する処理と、
   前記学習データおよび超パラメータを用いて、ネットワーク構造の学習対象の複数のネットワークの雛形となるテンプレートネットワークの構造を表わす確率モデルにおける各確率変数の事後分布と、前記複数のネットワークの構造を表わす確率モデルにおける各確率変数の事後分布と、からそれぞれサンプル列を生成する処理と、
   前記テンプレートネットワークおよび各ネットワークの構造を表わす確率モデルにおける各確率変数の事後分布からのサンプル列を出力する処理と、
   を第１の装置を構成するコンピュータに実行させるプログラム。
8. 請求項４のネットワーク構造学習装置と接続されたリンク強度予測装置を構成するコンピュータに、
   リンクの強さの予測対象のネットワークのノードの組み合わせに関する外的変数と、前記学習結果出力部から出力された前記テンプレートネットワークおよび各ネットワークの構造を表わす確率モデルにおける各確率変数の事後分布から生成されたサンプル列とを入力する処理と、
   リンクの強さの予測対象のネットワークのノードの組み合わせに関する外的変数と、前記テンプレートネットワークおよび各ネットワークの構造を表わす確率モデルにおける各確率変数の事後確率分布から生成したサンプル列と、に基づいて、前記外的変数にて指定されたリンクの強度の予測値を求める処理と、
   前記外的変数にて指定されたリンクの強度を出力する処理と、
   を、実行させるプログラム。

Images