JP6072078B2 - 分析装置、分析プログラム、分析方法、推定装置、推定プログラム、及び、推定方法。 - Google Patents
分析装置、分析プログラム、分析方法、推定装置、推定プログラム、及び、推定方法。 Download PDFInfo
- Publication number
- JP6072078B2 JP6072078B2 JP2014554237A JP2014554237A JP6072078B2 JP 6072078 B2 JP6072078 B2 JP 6072078B2 JP 2014554237 A JP2014554237 A JP 2014554237A JP 2014554237 A JP2014554237 A JP 2014554237A JP 6072078 B2 JP6072078 B2 JP 6072078B2
- Authority
- JP
- Japan
- Prior art keywords
- analysis
- event
- unit
- periods
- state
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/02—Input arrangements using manually operated switches, e.g. using keyboards or dials
- G06F3/023—Arrangements for converting discrete items of information into a coded form, e.g. arrangements for interpreting keyboard generated codes as alphanumeric codes, operand codes or instruction codes
- G06F3/0233—Character input methods
- G06F3/0237—Character input methods using prediction or retrieval techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Complex Calculations (AREA)
Description
本発明は、分析装置、分析プログラム、分析方法、推定装置、推定プログラム、及び、推定方法に関する。
イベントによる個体(例えば、顧客)への刺激とイベントに対する個体の反応との間の関係を統計的手法によりモデル化し、イベントに対する反応をシミュレーションすることが知られている(例えば、特許文献1参照)。
特表2003−524221号公報
しかし、時間軸を微小な一定の時間幅で離散化してイベントと個体の反応をモデル化すると計算量が著しく大きくなる問題が生じる。また、連続時間を直接扱う生存時間解析等の方法によると、共変量が定常であることが前提であり、動的なイベントを考慮したモデルを構築することができなかった。
本発明の第1の態様においては、インパルス状のイベント系列におけるそれぞれのイベントを複数の矩形パルスに置換する置換部と、置換により生成されたイベント系列を複数の矩形パルスの少なくとも1つの変化点の時刻で分割する分割部と、分割された複数の期間のそれぞれに対応して、複数の矩形パルスの状態に応じた状態ベクトルを生成する状態ベクトル生成部と、複数の期間に対応する複数の状態ベクトルを用いてポアソン回帰分析を行う分析部と、を備える分析装置、当該分析装置を用いる分析方法、及び、コンピュータを当該分析装置として機能させる分析プログラムを提供する。
本発明の第2の態様においては、当該分析装置による分析結果に基づいてイベント系列に対する反応を推定する推定装置であって、入力されたイベント系列におけるそれぞれのイベントを複数の矩形パルスに置換する置換部と、置換により生成されたイベント系列を複数の矩形パルスの少なくとも1つの変化点の時刻で分割する分割部と、分割された複数の期間のそれぞれに対応して、複数の矩形パルスの状態に応じた状態ベクトルを生成する状態ベクトル生成部と、分析装置による分析結果を用いて、複数の期間のそれぞれに対応する複数の状態ベクトルから、複数の期間のそれぞれに対応する反応の回数を示す反応回数を推定する推定部と、を備える推定装置、当該推定装置を用いる推定方法、及び、コンピュータを当該推定装置として機能させる推定プログラムを提供する。
なお、上記の発明の概要は、本発明の必要な特徴の全てを列挙したものではない。また、これらの特徴群のサブコンビネーションもまた、発明となりうる。
以下、発明の実施の形態を通じて本発明を説明するが、以下の実施形態は特許請求の範囲にかかる発明を限定するものではない。また、実施形態の中で説明されている特徴の組み合わせの全てが発明の解決手段に必須であるとは限らない。
図1は、本実施形態の分析装置10及び推定装置20の構成を示す。分析装置10は、個体に対するインパルス状のイベント、及び、イベントに対する個体の反応を記録したイベントの履歴を分析する。例えば、分析装置10は、数十万〜数千万人の顧客に対する商品キャンペーン情報の広告(個体に対するインパルス状のイベント)、及び、顧客の商品の購入(個体の反応)の顧客ごとの記録を含むイベントの履歴を分析する。分析装置10は、置換部102、分割部104、状態ベクトル生成部106、反応回数算出部108、分析部110、及び、記憶部116を備える。
置換部102は、インパルス状のイベント系列におけるそれぞれのイベントを複数の矩形パルスに置換する。これにより、置換部102は、インパルス状の各イベントに対するイベント及び個体に応じた応答関数を複数の矩形パルスで近似できる。
具体的には、置換部102は、外部のデータベース等に格納されたイベントの履歴から、イベントの時刻を含むイベント系列、及び、個体の反応時刻を抽出する。置換部102は、抽出したイベント系列から、当該イベントがあった時点を始点とする予め定められた時間幅の矩形パルスを生成する。ここで、置換部102は、複数の異なる予め定められた時間幅を有する複数の矩形パルスを生成する。
置換部102は、複数のチャネルの種類に応じたイベントが時系列に並んだ、複数のイベント系列(例えば、広告が記載されたダイレクトメール送信のイベントの系列、及び、ウェブ広告閲覧のイベントの系列)におけるそれぞれのイベント(例えば、ダイレクトメールの送信、又は、ウェブ広告の閲覧)を複数の矩形パルスに置換してもよい。置換部102は、個体の反応時刻、及び、複数の矩形パルスの情報を分割部104に供給する。
分割部104は、複数のイベント系列の少なくとも1つにおける複数の矩形パルスの少なくとも1つの変化点の時刻で、複数のイベント系列に含まれる期間を分割する。例えば、分割部104は、置換部102が複数のイベント系列から置換した複数の矩形パルスの少なくとも1つにおける立上がり、及び、立下りの時刻でイベント系列に含まれる期間を複数の期間に分割する。分割部104は、複数の矩形パルス及び分割された複数の期間の情報を、状態ベクトル生成部106に供給する。また、分割部104は、個体の反応時刻と分割された複数の期間の情報を、反応回数算出部108に供給する。
状態ベクトル生成部106は、分割された複数の期間のそれぞれに対応して、複数のイベント系列のそれぞれについての複数の矩形パルスの状態に応じた状態ベクトルを生成する。例えば、状態ベクトル生成部106は、分割された複数の期間ごとに、それぞれの矩形パルスの状態に対応した複数の要素を有する状態ベクトルを生成する。
一例として、状態ベクトル生成部106は、矩形パルスが1の値を有するハイレベル状態であれば、状態ベクトルの対応する要素の値を1とし、矩形パルスが0の値を有するローレベル状態であれば、状態ベクトルの対応する要素の値を0としてよい。状態ベクトル生成部106は、生成した状態ベクトルを分析部110に供給する。
反応回数算出部108は、複数の期間のそれぞれに対応して、イベント系列を受けて当該期間中に発生した反応の回数である反応回数を算出する。例えば、反応回数算出部108は、個体の反応時刻が分割された複数の期間のそれぞれに含まれるかに基づいて、当該期間中の反応回数をカウントする。反応回数算出部108は、算出された複数の期間ごとの反応回数を分析部110に供給する。
分析部110は、複数の期間に対応する複数の状態ベクトル、および、複数の期間に対応する複数の反応回数を用いてポアソン回帰分析を行う。分析部110は、変換部112及び最適化部114を有する。
変換部112は、写像関数により、複数の期間に対応する複数の状態ベクトルを、複数の特徴ベクトルに変換する。変換部112は、特徴ベクトルを最適化部114に供給する。
最適化部114は、複数の期間において、特徴ベクトルと重みベクトルとの内積により得られるスカラースコアに基づくポアソン分布から反応回数が得られる確率を最大化するように重みベクトルを最適化する。スカラースコアは、複数のチャネルからのイベント系列からの刺激を、ある時点において単一のインパルス状の刺激に置き換えた場合の刺激の大きさを表す。重みベクトルは、イベントによる刺激に対する個体の反応の特徴を表すベクトル量であり、個体ごとに異なってよい。
例えば、最適化部114は、特徴ベクトルと重みベクトルとの内積をスカラースコアとし、単位時間当たりの平均反応回数がスカラースコアの指数関数であるポアソン過程から履歴に記録された反応イベントの発生回数が生成される確率の対数について、その複数の期間における和が最大化されるように、重みベクトルを最適化する。最適化部114は、最適化された重みベクトルを記憶部116に記憶させる。
記憶部116は、最適化部114により得られた重みベクトルを、個体ごとに記憶する。記憶部116は、要求に応じて重みベクトルを推定装置20に供給してよい。
このように分析装置10は、イベント系列を複数の期間に分割して各期間の状態ベクトルを生成し、各期間における状態ベクトル及び重みベクトルに基づきポアソン過程により期待される反応回数が、履歴の反応回数と一致する確率を最大化するように重みベクトルを最適化する。このため、分析装置10によれば、動的なイベントを考慮したポアソン過程モデルを構築することができる。
また、分析装置10は、イベント系列をイベントに基づく矩形パルスの変化点の時刻で複数の期間に分割することにより、イベント系列を一定の長さの期間に離散化する方法よりも計算量を低減することができる。
推定装置20は、分析装置10による分析結果に基づいて得られた個体の重みベクトルにより、イベント系列に対する個体の反応を推定する。推定装置20は、置換部202、状態ベクトル生成部206、記憶部208、及び、推定部210を備える。
置換部202は、入力されたイベント系列におけるそれぞれのイベントを複数の矩形パルスに置換する。例えば、置換部202は、シミュレーションにおいて想定されるイベント系列を入力する。置換部202は、置換部102と同様に、入力されたイベント系列に含まれるイベントの時点を始点とする予め定められた時間幅の矩形パルスを生成する。置換部202は、複数のイベント系列についての複数の矩形パルスの情報を状態ベクトル生成部206に供給する。
状態ベクトル生成部206は、複数の期間のそれぞれに対応して、複数のイベント系列のそれぞれについての複数の矩形パルスの状態に応じた状態ベクトルを生成する。例えば、状態ベクトル生成部206は、複数のイベント系列に含まれる期間を予め定められた時間間隔で分割する。
状態ベクトル生成部206は、分割された期間ごとに、それぞれの矩形パルスの状態に応じた複数の要素を有する状態ベクトルを、状態ベクトル生成部106と同様に生成する。状態ベクトル生成部206は、生成した複数の期間ごとの状態ベクトルを推定部210に供給する。
記憶部208は、分析装置10の記憶部116から重みベクトルの情報を受け取り、記憶する。記憶部208は、重みベクトルを推定部210に供給する。
推定部210は、分析装置10による分析結果を用いて、複数の期間のそれぞれに対応する複数の状態ベクトルから、複数の期間のそれぞれに対応する反応の回数を示す反応回数を推定する。例えば、まず、推定部210は、変換部112と同様に、写像関数により複数の状態ベクトルを複数の特徴ベクトルに変換する。
次に、推定部210は、複数の期間のそれぞれについて、特徴ベクトルと重みベクトルとの内積により得られるスカラースコアを算出する。推定部210は、複数期間のそれぞれについて、スカラースコアの指数関数と該当期間の長さとの積を期待値とするポアソン分布からモンテカルロ法により反応回数をシミュレートする。そして推定部210は、シミュレートされた複数の反応回数の合計を算出することで、シミュレーション期間全体での合計反応イベント回数yiを計算する。さらに推定部210は、乱数のシードを変えてシミュレーションを繰り返すことで合計反応イベント回数の関する分布をも算出できる。
このように、本実施形態の推定装置20は、分析装置10により得られた重みベクトルを用いて個体ごとにイベントに対する反応を推定することができる。さらに、推定装置20は、複数の個体に対してシミュレーションを実行することで、将来のイベントに対する多数の個体の反応の大きさを定量的に予想することができる。
図2は、本実施形態の分析装置10の分析処理のフローを示す。本実施形態において、分析装置10は、S102からS114までの処理を実行することにより、履歴中のイベント系列に対する個体の反応を分析する。
まず、S102において、置換部102が、特定の個体についてのインパルス状のイベント系列におけるそれぞれのイベントを複数の矩形パルスに置換する。例えば、まず、置換部102は、データベース等に格納されたイベントの履歴を入力する。
図3は、置換部102が入力するイベントの履歴の一例を示す。図3の履歴には、個体の番号(ID(i))が含まれ、個体として複数の顧客の名前(Name)が含まれる。また、履歴には、第1〜第oまでのo個(oは自然数)のイベント系列が含まれ、個体の反応時刻が含まれている。
図3に示すように、履歴には、第1のイベント系列(チャネル1)として顧客にダイレクトメールを送信した時刻が含まれ、第2のイベント系列(チャネル2)として顧客がWeb広告を閲覧した時刻が含まれる。また、履歴は、複数のチャネルからのイベントの刺激に対する個体の反応として、顧客が商品を購買した時刻を含んでよい。
例えば、ID(i)番号1の履歴には、「山田太郎」に対し、第1のイベント系列として2012/1/24及び2012/3/20にダイレクトメールで商品の広告を送信し、第2のイベント系列として2012/2/4及び2012/3/4にWeB広告を閲覧させたことと、及び、反応として「山田太郎」が2012/2/10に広告に係る商品を購買したことが示される。
置換部102は、例えば、図3に示される履歴から、「山田太郎」に係る、第1のイベントの時刻及び第2のイベントの時刻を抽出する。置換部102は、抽出したイベントの時刻を始点とする予め定められた時間幅の矩形パルスを生成する。一例として、置換部102は、イベントの時刻を始点とする1日、1週間、2週間、及び、4週間の時間幅の矩形パルスを生成する。
図4は、複数の矩形パルスにより近似される個体の反応の関係を示す。図4において、点線で表される曲線は、個体の刺激への理想的な反応を表す。図示されるように、理想的な反応において、個体は、イベントによる刺激の直後にもっとも高い反応を示し、時間の経過とともに徐々に刺激への反応が低下する。
これは、一例として、時間の経過とともに個体がイベントを忘却することに起因する。例えば、顧客にダイレクトメール(DM)を送信する場合、DMの受信直後は顧客がDMに関連する商品を購入する可能性が高いが、顧客はDMのことを次第に忘れるので時間の経過とともに商品の購入可能性は漸減する。
また、同じイベントによる刺激に対する反応の絶対的な強さ、及び、反応の減衰の態様は、個体により異なる。図4(a)の点線曲線は刺激に対して敏感な個体の理想的な反応を示し、図4(b)の点線曲線は刺激に対して鈍感な個体の理想的な反応を示す。
図4(a)に示すように、例えば、刺激に対して敏感な個体はイベントによる刺激直後の反応は高いが刺激の後は急激に反応が低下する場合がある。一方で、図4(b)に示すように、例えば、刺激に対して鈍感な個体は、イベントによる刺激直後の反応はそれほど高くないが刺激の後は比較的長い間反応が持続する場合がある。
図4の実線は、複数の矩形パルスにより近似される個体の反応を示す。図示するように、理想的な反応曲線は、異なる時間幅の複数の矩形パルスを重ねた階段関数で近似することができる。例えば、図4(a)及び(b)に示すように、階段関数を構成する各矩形パルスの時間幅(1日、1週間、2週間、及び、4週間)は全ての個体で同一であるが、各矩形パルスの高さh1〜h4は個体ごとに異なる。このように、個体の理想的な反応曲線は、複数の予め定められた時間幅の矩形パルスの高さの組み合わせにより近似することができる。
ここで、各個体が有する複数の矩形パルスの高さの組み合わせは、後述する各個体ごとの重みベクトルwiと対応する。例えば、i=1の個体(山田太郎)の重みベクトルw1の1〜4番目の要素W1_1〜W1_4は、当該個体の刺激に対する理想的な反応を近似する時間幅1日、1週間、2週間、及び4週間の矩形パルスのそれぞれの高さh1〜h4と対応する。
図5に、図3の履歴のうち「山田太郎(ID(i)=1)」の履歴に基づいて、置換部102が生成する複数の矩形パルスの一例を示す。「チャネル1刺激」及び「チャネル2刺激」には、2つのイベント系列に含まれるイベントをインパルス状に表す。「チャネル1ウインドウ1〜4」及び「チャネル2ウインドウ1〜4」は、それぞれのチャネルのイベント系列のイベントから置換された複数の矩形パルスを示す。
例えば、「チャネル1ウインドウ1」に示される矩形パルスは、「山田太郎(i=1)」のチャネル1のイベント系列のイベントの時点(2012/1/24及び2012/3/20)を始点として、1日の時間幅を有するようにそれぞれ生成された2つの矩形パルスを示す。また、例えば、「チャネル2ウインドウ4」に示される矩形パルスは、チャネル2のイベント系列のイベントの時点(2012/2/4及び2012/3/4)を始点として、4週間の時間幅を有するようにそれぞれ生成された2つの矩形パルスを示す。
置換部102は、矩形パルスの開始時においてパルスを立ち上げて1の値を有するハイレベル状態とし、予め定められた時間幅の経過後のパルスの終了時にパルスを立ち下げて0の値を有するローレベル状態としてよい。これに代えて、置換部102は、矩形パルスのハイレベル状態及びローレベル状態の値に、他の整数または実数を割り当ててよい。さらに、同一チャネル同一ウインドウ内で複数の矩形パルスが時間的に一部重なった場合は、該当期間の各矩形パルス値を何らかの基準で統合して一つの値を計算し、これを状態値とする。この基準としては通常は合計値を用いるが、ビット表現によるOR演算等でもよい。置換部102は、特定の個体(例えば、図3の履歴における「山田太郎」)についての、反応時刻、及び、複数の矩形パルスの開始時及び終了時の時刻及び値の情報を、分割部104に供給する。
次に、S104において、分割部104は、複数のイベント系列の少なくとも1つにおける複数の矩形パルスの少なくとも1つの変化点の時刻で、複数のイベント系列に含まれる期間を分割する。
図6には、分割部104が分割するイベント系列に含まれる期間の一例を示す。図示するように、分割部104は、複数のイベント系列から生成された複数の矩形パルスの立ち上がり及び立下り等の全ての変化点の時刻t1、t2、t3…に基づいて、イベント系列に含まれる全体の期間を、隣り合う時刻間から構成される複数の期間(例えば、時刻t1からt2直前までの期間T1、時刻t2からt3直前までの期間T2、時刻t3〜t4直前までの期間T3…)に分割する。
分割部104は、複数の矩形パルス及び分割された複数の期間の情報を、状態ベクトル生成部106に供給する。また、分割部104は、反応時刻と分割された複数の期間の情報を、反応回数算出部108に供給する。
次に、S106において、状態ベクトル生成部106は、分割された複数の期間のそれぞれに対応して、複数のイベント系列のそれぞれについての複数の矩形パルスの状態に応じた状態ベクトルを生成する。例えば、状態ベクトル生成部106は、個体iについて、時刻tjから時刻t(j+1)直前までの期間Tj(jは整数)に対応する矩形パルスの状態に応じた複数の要素を有する状態ベクトルXijを生成する。
図7は、状態ベクトル生成部106が生成する状態ベクトルの一例を示す。図示するように、状態ベクトル生成部106は、期間TjにおけるID(i)=1の個体の状態ベクトルX1jとして、期間Tjにおける、チャネル1ウインドウ1の矩形パルスの値、チャネル1ウインドウ2の矩形パルスの値、チャネル1ウインドウ3の矩形パルスの値、チャネル1ウインドウ4の矩形パルスの値、チャネル2ウインドウ1の矩形パルスの値、チャネル2ウインドウ2の矩形パルスの値、チャネル2ウインドウ3の矩形パルスの値、及び、チャネル2ウインドウ4の矩形パルスの値を各要素として有するベクトルを生成する。
図8に、状態ベクトル生成部106が、生成する状態ベクトルの具体例を示す。図8(a)に、図6に示すイベント系列を示し、図8(b)に図8(a)のイベント系列の期間t7において、状態ベクトル生成部106が生成する状態ベクトルを示す。
図示されるように、状態ベクトル生成部106は、時刻t7から時刻t8直前までの期間T7におけるID(i)=1の個体の状態ベクトルX1_7として、期間T7における、チャネル1ウインドウ1の矩形パルスの値(0)、チャネル1ウインドウ2の矩形パルスの値(0)、チャネル1ウインドウ3の矩形パルスの値(0)、チャネル1ウインドウ4の矩形パルスの値(1)、チャネル2ウインドウ1の矩形パルスの値(0)、チャネル2ウインドウ2の矩形パルスの値(0)、チャネル2ウインドウ3の矩形パルスの値(1)、及び、チャネル2ウインドウ4の矩形パルスの値(1)を各要素として有するベクトルを生成する。状態ベクトル生成部106は、生成した状態ベクトルXijを分析部110に供給する。
次に、S108において、反応回数算出部108は、複数の期間のそれぞれに対応して、イベント系列を受けて当該期間Tj中に発生した反応の回数である反応回数yijを算出する。例えば、反応回数算出部108は、図6に示す分割された複数の期間Tjの各々において、個体iの反応の時刻が含まれる個数を数える。
図3に示す履歴の例において、イベントに対するID(i)=1の個体の反応時刻は2012/2/10であるので、時刻t6(2012/2/7)から時刻t7(2012/2/11)の直前(2012/2/10)までの期間T6(2012/2/7〜2012/2/10)に含まれる。従って、反応回数算出部108は、期間T1〜T5及び期間T7以降に対応する反応回数y1_1、y1_2…y1_5、及び、y1_7…を0と算出し、期間T6に対応する反応回数y1_6を1と算出する。
また、反応回数算出部108は、複数の期間の長さΔtijを算出する。例えば、反応回数算出部108は、ID(i)=1の個体の期間T6(2012/2/7〜2012/2/10)の長さΔt1_6を4日と算出する。反応回数算出部108は、複数の期間の長さΔtij及び、算出された複数の期間ごとの反応回数yijを分析部110に供給する。
次に、S110において、変換部112は、複数の状態ベクトルXijを複数の特徴ベクトルに変換する。例えば、変換部112は、予め設計された任意の写像関数Φ:Rd1→Rd2により、状態ベクトルXijを対応する特徴ベクトルΦ(Xij)に変換する。なお、d1は状態ベクトルの次元、d2は特徴ベクトルの次元である。d1及びd2は、同一であってよい。
一例として、変換部112は、状態ベクトルXijに2次の相関項を加えることにより、状態ベクトルXijを特徴ベクトルΦ(Xij)に変換してもよい。一例として、変換部112は、状態ベクトルXijの各要素に逓減的な関数(例えば、f(x)=x/(x+a)。aは定数)を適用することにより、状態ベクトルXijを特徴ベクトルΦ(Xij)に変換してもよい。これらに代えて、変換部112は、状態ベクトルXijを変換せずにそのまま特徴ベクトルΦ(Xij)としてもよい。
次に、S112において、最適化部114は、確率関数が最大となるように重みベクトルを最適化する。具体的には、まず、最適化部114は、個体iの各期間jに対して特徴ベクトルXijと重みベクトルwiとの内積によるスカラースコアを計算する。次に、最適化部114は、計算されたスカラースコアの指数関数と期間jの長さとの積が期待値となるポアソン分布から反応回数yijが生成される確率の対数を算出する。最後に、最適化部114は、全ての期間における対数確率の合計が最大化されるように重みベクトルwiを最適化する。
一例として、最適化部114は、数式1の最適化問題を解くことによって、i=1〜mとなるm個の個体の重みベクトルw1〜mを最適化する。すなわち、分析部110は、最適化部114により複数のイベント系列の入力対象となる複数の個体のそれぞれについてポアソン回帰分析を行う。最適化部114は、数式1を最適化する手法として、最尤推定、MAP推定、及び、ヘイズ推定等を使用してよい。
最適化部114は、数式1の確率関数lとして、単位時間あたりのイベント発生回数の期待値がスカラースコアの指数関数となるポアソン過程において、対象の期間の間に反応回数のイベントが発生する確率にもとづく対数確率質量関数から、反応回数に対する正規化項を除去した関数を用いる。最適化部114は、正規化項を除去することにより、時間の不可逆性を考慮した最適化を実行することができる。
また、数式1のベクトルw0は、個体に依存しない応答パラメータであり、
pen(w0,w1,w2,…wm)は、正規化項であって通常は凸な関数を用いるが非凸な関数を用いてもよい。最適化部114は、正規化項を用いることにより、重みベクトルw1〜mが入力された履歴に過剰適合し、履歴と異なるイベント系列に対して適合度が低下することを防止する。
pen(w0,w1,w2,…wm)は、正規化項であって通常は凸な関数を用いるが非凸な関数を用いてもよい。最適化部114は、正規化項を用いることにより、重みベクトルw1〜mが入力された履歴に過剰適合し、履歴と異なるイベント系列に対して適合度が低下することを防止する。
また、凸な正則化項を用いた場合、最適化部114は、数式1を凸最適化問題に帰結できるので、勾配法により大域最適解を計算することができる。これにより、最適化部114は、数式1を安定的に最適化することができる。
例えば、最適化部114は、過剰適合防止用の正規化項としてL2正規化項を用いることができる。一例として、最適化部114は、L2正規化項として、
を用いることができる。なお、c0及びcは、交叉検定等によって定めるハイパーパラメータである。最適化部114は、L2正規化項に代えて、L1正規化項を用いてもよい。また、最適化部114は、過剰適合防止用の正規化項を含まない数式を用いてもよい。
を用いることができる。なお、c0及びcは、交叉検定等によって定めるハイパーパラメータである。最適化部114は、L2正規化項に代えて、L1正規化項を用いてもよい。また、最適化部114は、過剰適合防止用の正規化項を含まない数式を用いてもよい。
分析部110の最適化部114は、数式1において、j=1〜n[i]の複数の期間Tjのうち一部を間引いて確率関数lを計算してよい。例えば、最適化部114は、複数の期間Tjと予め定められた基準とを比較し、複数の期間Tjのうち基準未満の長さの期間を間引いてよい。
例えば、最適化部114は、2つの期間Tx+期間T(x+1)に対して期間Txの状態ベクトルXixを割り当ててよい。また、最適化部114は、期間Tx+期間T(x+1)に対して、期間Txの状態ベクトルXixと、期間Txに隣接する期間T(x+1)の状態ベクトルXi(x+1)との平均から得られる状態ベクトルを割り当ててよい。
次に、S114において、最適化部114は、最適化されたm個の個体の重みベクトルw1〜mを記憶部116に記憶する。
図9は、記憶部116に記憶される重みベクトルw1〜mの一例を示す。例えば、記憶部116は、個体のID(i)ごとに重みベクトルw1〜mを構成する各要素Wieの値を記憶する。図示の例では、記憶部116は、ID(i)=1の山田太郎の重みベクトルの各要素として、W1_1、W1_2、W1_3、及び、W1_4の4個の要素を記憶する。重みベクトルを構成する要素の個数は、S102において置換部102が1つのイベントから生成する矩形パルスの数と同じであってよい。
このように、本実施形態の分析装置10において、S102からS114までの処理により、置換部102が履歴のイベント系列におけるイベントを矩形パルスに置換することで、状態ベクトル生成部106が状態ベクトルを生成する。各期間において状態ベクトルは定常であるので、分析装置10は、分析部110により、m個の個体に対応する重みベクトルw1〜mをポアソン回帰分析し、イベントに対する個体ごとの反応をモデル化することができる。
これにより、分析装置10は、m個の個体の刺激に対する反応の傾向を、複数の矩形パルスで構成される階段関数で近似できる。例えば、分析装置10は、ある個体iがどのようなイベントの種類に反応しやすいか、及び、イベントに対する反応のタイムラグ等の傾向を、重みベクトルwiを算出することにより推定することができる。
図10は、本実施形態の推定装置20の推定処理のフローを示す。本実施形態において、推定装置20は、S202からS210までの処理を実行することにより、予め定められたイベント系列に対する複数の個体の反応を推定する。
まず、S202において、置換部202が、特定の個体についてのインパルス状のイベント系列におけるそれぞれのイベントを複数の矩形パルスに置換する。例えば、まず、置換部102は、シミュレーションにおいて想定されるイベント系列を入力する。一例として置換部102は、予め作成された商品の広告キャンペーン計画から、個体iについてのイベント系列を所定のアルゴリズムで作成し、これを入力してよい。
次に、置換部202は、個体iのイベント系列に含まれるイベントの時点を始点とする予め定められた時間幅の矩形パルスを生成する。置換部202は、複数のイベント系列、及び、複数の矩形パルスの始点及び時間幅の情報を状態ベクトル生成部206に供給する。
次に、S206において、状態ベクトル生成部206は、複数の期間のそれぞれに対応して、複数のイベント系列のそれぞれについての複数の矩形パルスの状態に応じた状態ベクトルを生成する。例えば、まず、状態ベクトル生成部206は、複数のイベント系列に含まれる期間を一定の時間間隔Δtで分割し、分割された複数の期間T1〜Tnを生成する。
状態ベクトル生成部206は、分割された期間Tjごとに個体iの状態ベクトルXijを生成する。一例として、状態ベクトル生成部206は、期間Tjの期間の始点又は終点における複数の矩形パルスの状態に応じた複数の要素から、状態ベクトルXijを生成する。これに代えて、状態ベクトル生成部206は、期間Tjの期間の始点及び終点における矩形パルスの状態の平均の値から状態ベクトルXijを生成してもよい。状態ベクトル生成部206は、生成した状態ベクトルXijを推定部210に供給する。
次に、S208において、記憶部208は、分析装置10の記憶部116から個体iの重みベクトルwiを読み出して記憶する。記憶部208は、重みベクトルwiを推定部210に供給する。
次に、S210において、推定部210は、複数の期間T1〜Tnのそれぞれに対応する複数の状態ベクトルXi1〜Xinから、複数の期間T1〜Tnのそれぞれに対応する個体iの反応の回数を示す反応回数yijを推定する。例えば、まず、推定部210は、変換部112と同様の方法で、複数の状態ベクトルXijを複数の特徴ベクトルΦ(Xij)に変換する。
推定部210は、複数の期間T1〜Tnのそれぞれについて、個体iの特徴ベクトルΦ(Xij)と重みベクトルwiとの内積により得られるスカラースコアを算出する。推定部210は、スカラースコアの指数関数と時間間隔Δtとの積を期間Tjにおける平均反応回数とするポアソン分布から、モンテカルロ法によって期間Tjにおける反応回数のサンプルyijを算出する。Δtが十分に小さいと、推定部210は、期間tjの反応回数として0又は1を生成する。
推定部210は、複数の期間T1〜Tnの反応回数yijの合計を算出することにより、イベント系列の全体の期間における個体iの反応回数Yiを推定する。推定装置20は、全ての個体について反応回数Yiを推定するまでS202からS210の処理を繰り返す。
このように、本実施形態の推定装置20は、想定されるイベント系列から状態ベクトルを生成し、これと個体iごと刺激に対する反応の傾向を表す重みベクトルwiとの内積を用いることで、個体iごとにイベントに対する反応をシミュレーションすることができる。これにより、推定装置20は、複数の個体に対してシミュレーションを実行することで、将来のイベントに対する多数の個体の反応の大きさを定量的に予想することができる。
なお、本実施形態の変形例において、推定装置20の推定部210は、個体のイベントに対する反応回数を推定する代わりに、個体のイベントに対する反応の確率、又は、反応までの所要時間を求めてもよい。
また、本実施形態によれば、分析装置10は、重みベクトルwiにより個体iの応答特性を決定する。このため、推定装置20は、重みベクトルwiの値を利用することで強化学習技術及び/又はマルコフ決定過程技術を用いて、マーケティング施策を最適化することができる。
また、推定装置20において、状態ベクトル生成部206がイベント系列を一定の時間間隔で分割する。このため、推定装置20によると、イベント系列を状態ベクトルの変化点で分割する場合と比べて、反応回数を算出する際の計算量を低減することができる。
本実施形態の分析装置10及び推定装置20は、DM及びウェブ閲覧による商品の広告キャンペーンをイベント系列とし、顧客の購買をイベントに対する反応としたが、分析装置10及び推定装置20のイベント系列及び反応は他のものであってもよい。例えば、分析装置10及び推定装置20は、テレビ、Eメール、及び、電話等による個体への刺激をイベントとしてよい。また、例えば、分析装置10及び推定装置20は、顧客の商品のウェブページに対するアクセスを反応としてもよい。
また、分析装置10及び推定装置20は、イベントに対する反応自体をイベント系列に含めてよい。例えば、分析装置10及び推定装置20は、顧客(個体)があるDM広告(イベント)に応じてある商品を購入(反応)した場合、当該購入自体を次の購入に対するイベントとして扱う。これにより、分析装置10及び推定装置20は、購入の習慣化等など、個体による反応自体が次回の反応の原因となる場合をモデル化することができる。
本実施形態の変形例として、分析装置10及び推定装置20は、ソーシャルネットワークにおける情報の伝播を分析及び予測してもよい。例えば、分析装置10及び推定装置20は、短文投稿ウェブサイトに投稿されるテキストを予め定められたトピックの分類に分け、異なる分類のトピックの投稿を異なるチャネルによるイベントとしてよい。
また、分析装置10及び推定装置20は、投稿に続く別の投稿を、イベントに対する反応としてよい。これにより、分析装置10及び推定装置20は、ソーシャルネットワークにおける情報の伝播の様子を分析及び予想することができる。
図11は、分析装置10及び推定装置20等として機能するコンピュータ1900のハードウェア構成の一例を示す。本実施形態に係るコンピュータ1900は、ホスト・コントローラ2082により相互に接続されるCPU2000、RAM2020、グラフィック・コントローラ2075、及び表示装置2080を有するCPU周辺部と、入出力コントローラ2084によりホスト・コントローラ2082に接続される通信インターフェイス2030、ハードディスクドライブ2040、及びCD−ROMドライブ2060を有する入出力部と、入出力コントローラ2084に接続されるROM2010、フレキシブルディスク・ドライブ2050、及び入出力チップ2070を有するレガシー入出力部とを備える。
ホスト・コントローラ2082は、RAM2020と、高い転送レートでRAM2020をアクセスするCPU2000及びグラフィック・コントローラ2075とを接続する。CPU2000は、ROM2010及びRAM2020に格納されたプログラムに基づいて動作し、各部の制御を行う。グラフィック・コントローラ2075は、CPU2000等がRAM2020内に設けたフレーム・バッファ上に生成する画像データを取得し、表示装置2080上に表示させる。これに代えて、グラフィック・コントローラ2075は、CPU2000等が生成する画像データを格納するフレーム・バッファを、内部に含んでもよい。
入出力コントローラ2084は、ホスト・コントローラ2082と、比較的高速な入出力装置である通信インターフェイス2030、ハードディスクドライブ2040、CD−ROMドライブ2060を接続する。通信インターフェイス2030は、有線又は無線によりネットワークを介して他の装置と通信する。また、通信インターフェイスは、通信を行うハードウェアとして機能する。ハードディスクドライブ2040は、コンピュータ1900内のCPU2000が使用するプログラム及びデータを格納する。CD−ROMドライブ2060は、CD−ROM2095からプログラム又はデータを読み取り、RAM2020を介してハードディスクドライブ2040に提供する。
また、入出力コントローラ2084には、ROM2010と、フレキシブルディスク・ドライブ2050、及び入出力チップ2070の比較的低速な入出力装置とが接続される。ROM2010は、コンピュータ1900が起動時に実行するブート・プログラム、及び/又は、コンピュータ1900のハードウェアに依存するプログラム等を格納する。フレキシブルディスク・ドライブ2050は、フレキシブルディスク2090からプログラム又はデータを読み取り、RAM2020を介してハードディスクドライブ2040に提供する。入出力チップ2070は、フレキシブルディスク・ドライブ2050を入出力コントローラ2084へと接続するとともに、例えばパラレル・ポート、シリアル・ポート、キーボード・ポート、マウス・ポート等を介して各種の入出力装置を入出力コントローラ2084へと接続する。
RAM2020を介してハードディスクドライブ2040に提供されるプログラムは、フレキシブルディスク2090、CD−ROM2095、又はICカード等の記録媒体に格納されて利用者によって提供される。プログラムは、記録媒体から読み出され、RAM2020を介してコンピュータ1900内のハードディスクドライブ2040にインストールされ、CPU2000において実行される。
コンピュータ1900にインストールされ、コンピュータ1900を分析装置10として機能させるプログラムは、置換モジュールと、分割モジュールと、状態ベクトル生成モジュールと、反応回数算出モジュールと、分析モジュールと、変換モジュールと、最適化モジュールと、記憶モジュールとを備え、コンピュータ1900を推定装置20として機能させるプログラムは、置換モジュールと、状態ベクトル生成モジュールと、記憶モジュールと、推定モジュールとを備える。これらのプログラム又はモジュールは、CPU2000等に働きかけて、コンピュータ1900を、置換部102、分割部104、状態ベクトル生成部106、反応回数算出部108、分析部110、変換部112、最適化部114、記憶部116、置換部202、状態ベクトル生成部206、記憶部208、及び、推定部210としてそれぞれ機能させてよい。
これらのプログラムに記述された情報処理は、コンピュータ1900に読込まれることにより、ソフトウェアと上述した各種のハードウェア資源とが協働した具体的手段である置換部102、分割部104、状態ベクトル生成部106、反応回数算出部108、分析部110、変換部112、最適化部114、記憶部116、置換部202、状態ベクトル生成部206、記憶部208、及び、推定部210として機能する。そして、これらの具体的手段によって、本実施形態におけるコンピュータ1900の使用目的に応じた情報の演算又は加工を実現することにより、使用目的に応じた特有の分析装置10及び推定装置20が構築される。
一例として、コンピュータ1900と外部の装置等との間で通信を行う場合には、CPU2000は、RAM2020上にロードされた通信プログラムを実行し、通信プログラムに記述された処理内容に基づいて、通信インターフェイス2030に対して通信処理を指示する。通信インターフェイス2030は、CPU2000の制御を受けて、RAM2020、ハードディスクドライブ2040、フレキシブルディスク2090、又はCD−ROM2095等の記憶装置上に設けた送信バッファ領域等に記憶された送信データを読み出してネットワークへと送信し、もしくは、ネットワークから受信した受信データを記憶装置上に設けた受信バッファ領域等へと書き込む。このように、通信インターフェイス2030は、DMA(ダイレクト・メモリ・アクセス)方式により記憶装置との間で送受信データを転送してもよく、これに代えて、CPU2000が転送元の記憶装置又は通信インターフェイス2030からデータを読み出し、転送先の通信インターフェイス2030又は記憶装置へとデータを書き込むことにより送受信データを転送してもよい。
また、CPU2000は、ハードディスクドライブ2040、CD−ROMドライブ2060(CD−ROM2095)、フレキシブルディスク・ドライブ2050(フレキシブルディスク2090)等の外部記憶装置に格納されたファイルまたはデータベース等の中から、全部または必要な部分をDMA転送等によりRAM2020へと読み込ませ、RAM2020上のデータに対して各種の処理を行う。そして、CPU2000は、処理を終えたデータを、DMA転送等により外部記憶装置へと書き戻す。このような処理において、RAM2020は、外部記憶装置の内容を一時的に保持するものとみなせるから、本実施形態においてはRAM2020及び外部記憶装置等をメモリ、記憶部、または記憶装置等と総称し、これらは本実施形態の記憶部116及び記憶部208と対応してよい。
本実施形態における各種のプログラム、データ、テーブル、データベース等の各種の情報は、このような記憶装置上に格納されて、情報処理の対象となる。なお、CPU2000は、RAM2020の一部をキャッシュメモリに保持し、キャッシュメモリ上で読み書きを行うこともできる。このような形態においても、キャッシュメモリはRAM2020の機能の一部を担うから、本実施形態においては、区別して示す場合を除き、キャッシュメモリもRAM2020、メモリ、及び/又は記憶装置に含まれるものとする。
また、CPU2000は、RAM2020から読み出したデータに対して、プログラムの命令列により指定された、本実施形態中に記載した各種の演算、情報の加工、条件判断、情報の検索・置換等を含む各種の処理を行い、RAM2020へと書き戻す。例えば、CPU2000は、条件判断を行う場合においては、本実施形態において示した各種の変数が、他の変数または定数と比較して、大きい、小さい、以上、以下、等しい等の条件を満たすか否かを判断し、条件が成立した場合(又は不成立であった場合)に、異なる命令列へと分岐し、またはサブルーチンを呼び出す。
また、CPU2000は、記憶装置内のファイルまたはデータベース等に格納された情報を検索することができる。例えば、第1属性の属性値に対し第2属性の属性値がそれぞれ対応付けられた複数のエントリが記憶装置に格納されている場合において、CPU2000は、記憶装置に格納されている複数のエントリの中から第1属性の属性値が指定された条件と一致するエントリを検索し、そのエントリに格納されている第2属性の属性値を読み出すことにより、所定の条件を満たす第1属性に対応付けられた第2属性の属性値を得ることができる。
以上に示したプログラム又はモジュールは、外部の記録媒体に格納されてもよい。記録媒体としては、フレキシブルディスク2090、CD−ROM2095の他に、DVD又はCD等の光学記録媒体、MO等の光磁気記録媒体、テープ媒体、ICカード等の半導体メモリ等を用いることができる。また、専用通信ネットワーク又はインターネットに接続されたサーバシステムに設けたハードディスク又はRAM等の記憶装置を記録媒体として使用し、ネットワークを介してプログラムをコンピュータ1900に提供してもよい。
以上、本発明を実施の形態を用いて説明したが、本発明の技術的範囲は上記実施の形態に記載の範囲には限定されない。上記実施の形態に、多様な変更または改良を加えることが可能であることが当業者に明らかである。その様な変更または改良を加えた形態も本発明の技術的範囲に含まれ得ることが、特許請求の範囲の記載から明らかである。
特許請求の範囲、明細書、および図面中において示した装置、システム、プログラム、および方法における動作、手順、ステップ、および段階等の各処理の実行順序は、特段「より前に」、「先立って」等と明示しておらず、また、前の処理の出力を後の処理で用いるのでない限り、任意の順序で実現しうることに留意すべきである。特許請求の範囲、明細書、および図面中の動作フローに関して、便宜上「まず、」、「次に、」等を用いて説明したとしても、この順で実施することが必須であることを意味するものではない。
10 分析装置、20 推定装置、102 置換部、104 分割部、106 状態ベクトル生成部、108 反応回数算出部、110 分析部、112 変換部、114 最適化部、116 記憶部、202 置換部、206 状態ベクトル生成部、208 記憶部、210 推定部、1900 コンピュータ、2000 CPU、2010 ROM、2020 RAM、2030 通信インターフェイス、2040 ハードディスクドライブ、2050 フレキシブルディスク・ドライブ、2060 CD−ROMドライブ、2070 入出力チップ、2075 グラフィック・コントローラ、2080 表示装置、2082 ホスト・コントローラ、2084 入出力コントローラ、2090 フレキシブルディスク、2095 CD−ROM
Claims (20)
- インパルス状のイベント系列におけるそれぞれのイベントを複数の矩形パルスに置換する置換部と、
前記イベント系列を前記複数の矩形パルスの少なくとも1つの変化点の時刻で分割する分割部と、
分割された複数の期間のそれぞれに対応して、前記複数の矩形パルスの状態に応じた状態ベクトルを生成する状態ベクトル生成部と、
前記複数の期間に対応する複数の前記状態ベクトルを用いてポアソン回帰分析を行う分析部と、
を備える分析装置。 - 前記置換部は、複数の前記イベント系列におけるそれぞれのイベントを前記複数の矩形パルスに置換し、
前記分割部は、前記複数のイベント系列の少なくとも1つにおける前記複数の矩形パルスの少なくとも1つの変換点の時刻で分割し、
前記状態ベクトル生成部は、分割された複数の期間のそれぞれに対応して、前記複数のイベント系列のそれぞれについての前記複数の矩形パルスの状態に応じた前記状態ベクトルを生成する
請求項1に記載の分析装置。 - 前記複数の期間のそれぞれに対応して、前記イベント系列を受けて当該期間中に発生した反応の回数である反応回数を算出する反応回数算出部を更に備え、
前記分析部は、前記複数の状態ベクトル、および、前記複数の期間に対応する複数の前記反応回数を用いてポアソン回帰分析を行う
請求項2に記載の分析装置。 - 前記分析部は、
前記複数の状態ベクトルを複数の特徴ベクトルに変換する変換部と、
前記複数の期間において、前記特徴ベクトルと重みベクトルとの内積により得られるスカラースコアに基づくポアソン分布から前記反応回数が得られる確率を最大化するように重みベクトルを最適化する最適化部と、
を有する請求項3に記載の分析装置。 - 前記最適化部は、前記スカラースコアに基づいて前記反応回数の発生確率を算出する確率関数の、前記複数の期間における合計が最大化するように前記重みベクトルを最適化する請求項4に記載の分析装置。
- 前記最適化部は、前記確率関数として、単位時間あたりのイベント発生回数の平均が前記スカラースコアの指数関数となるポアソン過程において、対象の期間の間に前記反応回数のイベントが発生する確率を算出するための対数確率質量関数から前記反応回数に対する正規化項を除去した関数を用いる請求項5に記載の分析装置。
- 前記分析部は、前記複数のイベント系列の入力対象となる複数の個体のそれぞれについて前記ポアソン回帰分析を行う請求項1から7のいずれか一項に記載の分析装置。
- 前記分析部は、前記複数の期間のうち一部を間引く請求項1から8のいずれか一項に記載の分析装置。
- 前記分析部は、前記複数の期間のうち基準未満の長さの期間を間引く請求項9に記載の分析装置。
- 請求項1から10のいずれか一項に記載の分析装置による分析結果に基づいてイベント系列に対する反応を推定する推定装置であって、
入力された前記イベント系列におけるそれぞれのイベントを複数の矩形パルスに置換する置換部と、
複数の期間のそれぞれに対応して、前記複数の矩形パルスの状態に応じた状態ベクトルを生成する状態ベクトル生成部と、
前記分析装置による分析結果を用いて、前記複数の期間のそれぞれに対応する複数の前記状態ベクトルから、前記複数の期間のそれぞれに対応する反応の回数を示す反応回数を推定する推定部と、
を備える推定装置。 - コンピュータを、インパルス状のイベント系列に対するポアソン回帰分析を行う分析装置として機能させる分析プログラムであって、
前記コンピュータを、
入力された前記イベント系列におけるそれぞれのイベントを複数の矩形パルスに置換する置換部と、
前記イベント系列を前記複数の矩形パルスの少なくとも1つの変化点の時刻で分割する分割部と、
分割された複数の期間のそれぞれに対応して、前記複数の矩形パルスの状態に応じた状態ベクトルを生成する状態ベクトル生成部と、
前記複数の期間に対応する複数の前記状態ベクトルを用いてポアソン回帰分析を行う分析部と、
して機能させる分析プログラム。 - コンピュータを、請求項12に記載の分析プログラムによる分析結果に基づいてイベント系列に対する反応を推定する推定装置として機能させる推定プログラムであって、
前記コンピュータを、
入力された前記イベント系列におけるそれぞれのイベントを複数の矩形パルスに置換する置換部と、
複数の期間のそれぞれに対応して、前記複数の矩形パルスの状態に応じた状態ベクトルを生成する状態ベクトル生成部と、
前記分析装置による分析結果を用いて、前記複数の期間のそれぞれに対応する複数の前記状態ベクトルから、前記複数の期間のそれぞれに対応する反応の回数を示す反応回数を推定する推定部と、
して機能させる推定プログラム。 - コンピュータが、インパルス状のイベント系列におけるそれぞれのイベントを複数の矩形パルスに置換する段階と、
前記コンピュータが、前記イベント系列を前記複数の矩形パルスの少なくとも1つの変化点の時刻で分割する段階と、
前記コンピュータが、分割された複数の期間のそれぞれに対応して、前記複数の矩形パルスの状態に応じた状態ベクトルを生成する段階と、
前記コンピュータが、前記複数の期間に対応する複数の前記状態ベクトルを用いてポアソン回帰分析を行う段階とを備える、
分析方法。 - 前記置換する段階において、複数の前記イベント系列におけるそれぞれのイベントを前記複数の矩形パルスに置換し、
前記分割する段階において、前記複数のイベント系列の少なくとも1つにおける前記複数の矩形パルスの少なくとも1つの変換点の時刻で分割し、
前記生成する段階において、分割された複数の期間のそれぞれに対応して、前記複数のイベント系列のそれぞれについての前記複数の矩形パルスの状態に応じた前記状態ベクトルを生成する、
請求項14に記載の分析方法。 - 前記複数の期間のそれぞれに対応して、前記イベント系列を受けて当該期間中に発生した反応の回数である反応回数を算出する反応回数算出段階を更に備え、
前記ポアソン回帰分析を行う段階において、前記複数の状態ベクトル、および、前記複数の期間に対応する複数の前記反応回数を用いてポアソン回帰分析を行う、
請求項15に記載の分析方法。 - 前記ポアソン回帰分析を行う段階は、
前記複数の状態ベクトルを複数の特徴ベクトルに変換する変換段階と、
前記複数の期間において、前記特徴ベクトルと重みベクトルとの内積により得られるスカラースコアに基づくポアソン分布から前記反応回数が得られる確率を最大化するように重みベクトルを最適化する最適化段階とを含む、
請求項16に記載の分析方法。 - 前記ポアソン回帰分析を行う段階において、複数の前記イベント系列の入力対象となる複数の個体のそれぞれについて前記ポアソン回帰分析を行う、
請求項14から17のいずれか一項に記載の分析方法。 - 前記ポアソン回帰分析を行う段階において、前記複数の期間のうち一部を間引く請求項14から18のいずれか一項に記載の分析方法。
- 請求項14に記載の分析方法による分析結果に基づいてイベント系列に対する反応を推定する推定方法であって、
コンピュータが、入力された前記イベント系列におけるそれぞれのイベントを複数の矩形パルスに置換し、
前記コンピュータが、複数の期間のそれぞれに対応して、前記複数の矩形パルスの状態に応じた状態ベクトルを生成し、
前記コンピュータが、前記分析方法による分析結果を用いて、前記複数の期間のそれぞれに対応する複数の前記状態ベクトルから、前記複数の期間のそれぞれに対応する反応の回数を示す反応回数を推定する
推定方法。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2012281789 | 2012-12-25 | ||
JP2012281789 | 2012-12-25 | ||
PCT/JP2013/081118 WO2014103560A1 (ja) | 2012-12-25 | 2013-11-19 | 分析装置、分析プログラム、分析方法、推定装置、推定プログラム、及び、推定方法。 |
Publications (2)
Publication Number | Publication Date |
---|---|
JPWO2014103560A1 JPWO2014103560A1 (ja) | 2017-01-12 |
JP6072078B2 true JP6072078B2 (ja) | 2017-02-01 |
Family
ID=51020654
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2014554237A Active JP6072078B2 (ja) | 2012-12-25 | 2013-11-19 | 分析装置、分析プログラム、分析方法、推定装置、推定プログラム、及び、推定方法。 |
Country Status (3)
Country | Link |
---|---|
US (1) | US10121156B2 (ja) |
JP (1) | JP6072078B2 (ja) |
WO (1) | WO2014103560A1 (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10287077B2 (en) | 2010-02-26 | 2019-05-14 | Intercontinental Great Brands Llc | Low-tack, UV-cured pressure sensitive adhesive suitable for reclosable packages |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104699717B (zh) * | 2013-12-10 | 2019-01-18 | 中国银联股份有限公司 | 数据挖掘方法 |
US11403531B2 (en) * | 2017-07-19 | 2022-08-02 | Disney Enterprises, Inc. | Factorized variational autoencoders |
US11423325B2 (en) | 2017-10-25 | 2022-08-23 | International Business Machines Corporation | Regression for metric dataset |
JP7074194B2 (ja) * | 2018-07-31 | 2022-05-24 | 日本電気株式会社 | 情報処理装置、制御方法、及びプログラム |
US20210311009A1 (en) * | 2018-07-31 | 2021-10-07 | Nec Corporation | Information processing apparatus, control method, and non-transitory storage medium |
CN112579920B (zh) * | 2020-12-09 | 2023-06-20 | 成都中科大旗软件股份有限公司 | 一种基于事件实现跨时空传播分析方法 |
WO2023054783A1 (ko) * | 2021-09-29 | 2023-04-06 | 주식회사 프렌트립 | 파라미터 간의 연관도를 기반으로 레저 활동 레슨에 대한 파라미터를 예측하는 전자 장치의 제어 방법 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
MXPA01007653A (es) | 1999-01-27 | 2003-06-24 | Richard Saunders Internat | Metodo para simulacion de respuesta humana a estimulo. |
US6430539B1 (en) | 1999-05-06 | 2002-08-06 | Hnc Software | Predictive modeling of consumer financial behavior |
US6904408B1 (en) * | 2000-10-19 | 2005-06-07 | Mccarthy John | Bionet method, system and personalized web content manager responsive to browser viewers' psychological preferences, behavioral responses and physiological stress indicators |
JP2002288295A (ja) | 2001-03-27 | 2002-10-04 | Digicube Co Ltd | 流通在庫シミュレーション装置、記録媒体、及びプログラム |
JP4160002B2 (ja) | 2004-02-23 | 2008-10-01 | Kddi株式会社 | ログ分析装置、ログ分析プログラムおよび記録媒体 |
WO2008131388A2 (en) * | 2007-04-22 | 2008-10-30 | Phone Through, Inc. | Methods and apparatus related to content sharing between devices |
US7519553B2 (en) * | 2007-05-02 | 2009-04-14 | International Business Machines Corporation | Method and system for debt collection optimization |
JP5170537B2 (ja) | 2008-03-13 | 2013-03-27 | 富士通株式会社 | 利用者状態推定システム、利用者状態推定方法および利用者状態推定プログラム |
JP2009229899A (ja) | 2008-03-24 | 2009-10-08 | Toshiba Corp | 音声認識装置および音声認識方法 |
US20100049538A1 (en) * | 2008-08-22 | 2010-02-25 | Durban Frazer | Method and apparatus for selecting next action |
US8543445B2 (en) * | 2009-12-21 | 2013-09-24 | Hartford Fire Insurance Company | System and method for direct mailing insurance solicitations utilizing hierarchical bayesian inference for prospect selection |
JP5423512B2 (ja) | 2010-03-18 | 2014-02-19 | 日本電気株式会社 | 放送型データストリーム保護システム、方法及びユーザ端末特定プログラム |
US9047560B2 (en) * | 2011-06-29 | 2015-06-02 | Microsoft Technology Licensing, Llc | Using event stream data to create a decision graph representing a race participant where leaf nodes comprise rates defining a speed of the race participant in a race simulation |
-
2013
- 2013-11-19 WO PCT/JP2013/081118 patent/WO2014103560A1/ja active Application Filing
- 2013-11-19 JP JP2014554237A patent/JP6072078B2/ja active Active
- 2013-11-19 US US14/655,635 patent/US10121156B2/en active Active
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10287077B2 (en) | 2010-02-26 | 2019-05-14 | Intercontinental Great Brands Llc | Low-tack, UV-cured pressure sensitive adhesive suitable for reclosable packages |
Also Published As
Publication number | Publication date |
---|---|
US20150339680A1 (en) | 2015-11-26 |
JPWO2014103560A1 (ja) | 2017-01-12 |
WO2014103560A1 (ja) | 2014-07-03 |
US10121156B2 (en) | 2018-11-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6072078B2 (ja) | 分析装置、分析プログラム、分析方法、推定装置、推定プログラム、及び、推定方法。 | |
Sellers et al. | The COM‐Poisson model for count data: a survey of methods and applications | |
US7765123B2 (en) | Indicating which of forecasting models at different aggregation levels has a better forecast quality | |
US20030187767A1 (en) | Optimal allocation of budget among marketing programs | |
CN106030589A (zh) | 使用开源数据的疾病预测系统 | |
Keane et al. | A computationally practical simulation estimation algorithm for dynamic panel data models with unobserved endogenous state variables | |
US10515378B2 (en) | Extracting relevant features from electronic marketing data for training analytical models | |
WO2008042784A2 (en) | Comparing taxonomies | |
JP2008152321A (ja) | 顧客セグメント推定装置 | |
JP5984147B2 (ja) | 情報処理装置、情報処理方法、及び、プログラム | |
JP5963320B2 (ja) | 情報処理装置、情報処理方法、及び、プログラム | |
US20190080352A1 (en) | Segment Extension Based on Lookalike Selection | |
Zellner et al. | Bayesian and non-Bayesian analysis of the seemingly unrelated regression model with Student-t errors, and its application for forecasting | |
CN110543474A (zh) | 一种基于全埋点与潜在因子模型的用户行为分析方法和装置 | |
US8219673B2 (en) | Analysis apparatus, analysis method and recording medium for recording analysis program | |
JP7041299B1 (ja) | 情報処理装置、情報処理方法および情報処理プログラム | |
Kolbe et al. | Using restricted factor analysis to select anchor items and detect differential item functioning | |
JP5984144B2 (ja) | 情報処理装置、情報処理方法、及び、プログラム | |
US20110270671A1 (en) | Predicting number of selections of advertisement using hierarchical Bayesian model | |
JP2015187773A (ja) | データ解析装置、データ解析プログラム及びデータ解析方法 | |
CN112950258B (zh) | 活动分析方法、装置和电子设备 | |
JP6570501B2 (ja) | 情報提供装置、情報提供方法、および情報提供プログラム | |
JP6784000B2 (ja) | 情報処理装置、情報処理方法、及び、プログラム | |
JP2020071523A (ja) | 見積方法、課金方法、コンピュータ、及びプログラム | |
JP2014174567A (ja) | 行動確率推定装置、方法、及びプログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
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: 20161206 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20161227 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6072078 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |