JP6158464B1 - 予測システム - Google Patents
予測システム Download PDFInfo
- Publication number
- JP6158464B1 JP6158464B1 JP2017516189A JP2017516189A JP6158464B1 JP 6158464 B1 JP6158464 B1 JP 6158464B1 JP 2017516189 A JP2017516189 A JP 2017516189A JP 2017516189 A JP2017516189 A JP 2017516189A JP 6158464 B1 JP6158464 B1 JP 6158464B1
- Authority
- JP
- Japan
- Prior art keywords
- data
- target specifying
- objects
- specifying data
- targets
- 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
- 238000011156 evaluation Methods 0.000 claims abstract description 37
- 238000012545 processing Methods 0.000 claims description 19
- 230000014509 gene expression Effects 0.000 claims description 2
- 239000000284 extract Substances 0.000 abstract description 6
- 238000000034 method Methods 0.000 description 61
- 230000008569 process Effects 0.000 description 57
- 230000006870 function Effects 0.000 description 31
- 238000004519 manufacturing process Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 5
- 239000003814 drug Substances 0.000 description 5
- 230000036541 health Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 230000007721 medicinal effect Effects 0.000 description 3
- 230000008520 organization Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 206010020751 Hypersensitivity Diseases 0.000 description 1
- 230000000172 allergic effect Effects 0.000 description 1
- 230000007815 allergy Effects 0.000 description 1
- 208000010668 atopic eczema Diseases 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 238000001647 drug administration Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N99/00—Subject matter not provided for in other groups of this subclass
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Software Systems (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Physics (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
予測システムは、第１の複数の対象のそれぞれについて、第１の対象特定データと属性データとを第１の主体から受付ける。予測システムは、第２の複数の対象のそれぞれについて、第２の対象特定データと評価データとを第２の主体から受付ける。予測システムは、前記第１の複数の対象に含まれ且つ前記第２の複数の対象に含まれる第３の複数の対象を抽出する。予測システムは、前記第３の複数の対象それぞれの前記属性データと前記評価データとに基づいて、所定事象を予測するための関数のパラメータを算出する。予測システムは、前記第１の複数の対象に含まれ且つ前記第２の複数の対象に含まれない第４の複数の対象それぞれについての前記所定事象を予測する。
Description
本発明は予測システムに関する。
既知の入力データとその入力データに対する既知の応答との組み合わせを教師データとして収集しておき、この教師データに基づいて機械学習を行い、新しい入力データに対する応答を予測するシステムが研究されている。このような予測システムは、医療や検索エンジンなど幅広い技術分野での利用が期待されている。
本発明の１つの観点に係る予測システムは、
第１の複数の対象をそれぞれ特定する第１の対象特定データと、前記第１の複数の対象それぞれの属性を示す属性データと、を対応付けた第１のリストの入力を第１の主体から受付け、
第２の複数の対象をそれぞれ特定する第２の対象特定データと、前記第２の複数の対象それぞれについての所定事象の評価値を示す評価データと、を対応付けた第２のリストの入力を第２の主体から受付ける
第１のモジュールと、
前記第１の対象特定データと前記第２の対象特定データとに基づいて、前記第１の複数の対象に含まれ且つ前記第２の複数の対象に含まれる第３の複数の対象を抽出する第２のモジュールと、
前記第１のリストに含まれる前記第３の複数の対象それぞれの前記属性データと、前記第２のリストに含まれる前記第３の複数の対象それぞれについての前記評価データと、に基づいて、前記評価データが未知である対象について前記属性データから前記所定事象を予測するための関数のパラメータを算出する第３のモジュールと、
前記第１の複数の対象に含まれ且つ前記第２の複数の対象に含まれない第４の複数の対象それぞれの前記属性データと、前記パラメータと、に基づいて、前記第４の複数の対象それぞれについての前記所定事象を予測する第４のモジュールと、
を含む。
第１の複数の対象をそれぞれ特定する第１の対象特定データと、前記第１の複数の対象それぞれの属性を示す属性データと、を対応付けた第１のリストの入力を第１の主体から受付け、
第２の複数の対象をそれぞれ特定する第２の対象特定データと、前記第２の複数の対象それぞれについての所定事象の評価値を示す評価データと、を対応付けた第２のリストの入力を第２の主体から受付ける
第１のモジュールと、
前記第１の対象特定データと前記第２の対象特定データとに基づいて、前記第１の複数の対象に含まれ且つ前記第２の複数の対象に含まれる第３の複数の対象を抽出する第２のモジュールと、
前記第１のリストに含まれる前記第３の複数の対象それぞれの前記属性データと、前記第２のリストに含まれる前記第３の複数の対象それぞれについての前記評価データと、に基づいて、前記評価データが未知である対象について前記属性データから前記所定事象を予測するための関数のパラメータを算出する第３のモジュールと、
前記第１の複数の対象に含まれ且つ前記第２の複数の対象に含まれない第４の複数の対象それぞれの前記属性データと、前記パラメータと、に基づいて、前記第４の複数の対象それぞれについての前記所定事象を予測する第４のモジュールと、
を含む。
以下、本発明の実施形態を、図面を参照しながら詳細に説明する。以下に説明される各実施形態は、本発明の一例を示すものであって、本発明の内容を限定するものではない。また、各実施形態で説明される構成及び動作のすべてが本発明の構成及び動作として必須であるとは限らない。なお、同一の構成要素には同一の参照符号を付して、重複する説明を省略する。
＜１．構成＞
図１に、本発明の実施形態に係る予測システム３と、予測システム３に接続される装置とを示す。予測システム３は、インターネット等のネットワークを介して、コンピュータ１及びコンピュータ２に対して接続されている。
コンピュータ１は、第１の主体によって管理される。以下の説明において、第１の主体を、Ａ社、Ａ機関などと称することがある。
コンピュータ２は、第１の主体とは異なる第２の主体によって管理される。以下の説明において、第２の主体を、Ｂ社、Ｂ病院などと称することがある。
予測システム３も、コンピュータで構成される。予測システム３は、第１の主体とも第２の主体とも異なる第３の主体によって管理される。以下の説明において、第３の主体を、Ｃ社と称することがある。
図１に、本発明の実施形態に係る予測システム３と、予測システム３に接続される装置とを示す。予測システム３は、インターネット等のネットワークを介して、コンピュータ１及びコンピュータ２に対して接続されている。
コンピュータ１は、第１の主体によって管理される。以下の説明において、第１の主体を、Ａ社、Ａ機関などと称することがある。
コンピュータ２は、第１の主体とは異なる第２の主体によって管理される。以下の説明において、第２の主体を、Ｂ社、Ｂ病院などと称することがある。
予測システム３も、コンピュータで構成される。予測システム３は、第１の主体とも第２の主体とも異なる第３の主体によって管理される。以下の説明において、第３の主体を、Ｃ社と称することがある。
コンピュータ１、コンピュータ２、及び予測システム３を構成するコンピュータは、いずれも、図示しないプロセッサ、メモリ、ストレージ、入力装置、出力装置、通信装置等を備えている。各々のコンピュータは、１台の装置で構成されていてもよいし、各々のコンピュータが、複数の装置で構成されていてもよい。
＜２．解析のためのデータ＞
図２Ａに、第１の主体が持っているデータの例を示す。
第１の主体は、第１の複数の対象Ａについての生データＲＤａを持っている。生データＲＤａは、対象特定情報Ｄ（Ａ，Ｐ）と、属性データＤ（Ａ，Ｅ）と、を対応付けたものである。
対象特定情報Ｄ（Ａ，Ｐ）は、第１の複数の対象Ａの各々を特定するデータである。
属性データＤ（Ａ，Ｅ）は、第１の複数の対象Ａの各々の属性を示すデータである。
図２Ａに、第１の主体が持っているデータの例を示す。
第１の主体は、第１の複数の対象Ａについての生データＲＤａを持っている。生データＲＤａは、対象特定情報Ｄ（Ａ，Ｐ）と、属性データＤ（Ａ，Ｅ）と、を対応付けたものである。
対象特定情報Ｄ（Ａ，Ｐ）は、第１の複数の対象Ａの各々を特定するデータである。
属性データＤ（Ａ，Ｅ）は、第１の複数の対象Ａの各々の属性を示すデータである。
図２Ｂに、第２の主体が持っているデータの例を示す。
第２の主体は、第２の複数の対象Ｂについての生データＲＤｂを持っている。生データＲＤｂは、対象特定情報Ｄ（Ｂ，Ｐ）と、評価データＤ（Ｂ，Ｌ）と、を対応付けたものである。
対象特定情報Ｄ（Ｂ，Ｐ）は、第２の複数の対象Ｂの各々を特定するデータである。
評価データＤ（Ｂ，Ｌ）は、第２の複数の対象Ｂの各々についての所定事象の評価値を示すデータである。
第２の主体は、第２の複数の対象Ｂについての生データＲＤｂを持っている。生データＲＤｂは、対象特定情報Ｄ（Ｂ，Ｐ）と、評価データＤ（Ｂ，Ｌ）と、を対応付けたものである。
対象特定情報Ｄ（Ｂ，Ｐ）は、第２の複数の対象Ｂの各々を特定するデータである。
評価データＤ（Ｂ，Ｌ）は、第２の複数の対象Ｂの各々についての所定事象の評価値を示すデータである。
対象特定情報Ｄ（Ａ，Ｐ）は、第１の複数の対象Ａの各々の電子メールアドレスでもよいし（図２Ａ参照）、第１の複数の対象Ａの各々の住所と氏名との組み合わせでもよい。対象特定情報Ｄ（Ａ，Ｐ）は、個人を特定する情報であればよい。
対象特定情報Ｄ（Ｂ，Ｐ）は、第２の複数の対象Ｂの各々の電子メールアドレスでもよいし（図２Ｂ参照）、第２の複数の対象Ｂの各々の住所と氏名との組み合わせでもよい。対象特定情報Ｄ（Ｂ，Ｐ）は、個人を特定する情報であればよい。
対象特定情報Ｄ（Ｂ，Ｐ）は、第２の複数の対象Ｂの各々の電子メールアドレスでもよいし（図２Ｂ参照）、第２の複数の対象Ｂの各々の住所と氏名との組み合わせでもよい。対象特定情報Ｄ（Ｂ，Ｐ）は、個人を特定する情報であればよい。
図２Ｃに、図２Ａ及び図２Ｂに示されるデータから生成可能な教師データの例を示す。
図２Ｄに、図２Ａ及び図２Ｂに示されるデータから生成可能な予測用データの例を示す。
図２Ｄに、図２Ａ及び図２Ｂに示されるデータから生成可能な予測用データの例を示す。
対象特定情報Ｄ（Ａ，Ｐ）と対象特定情報Ｄ（Ｂ，Ｐ）とを照合することにより、次の（１）〜（３）が可能である。
（１）第１の複数の対象Ａに含まれ、且つ第２の複数の対象Ｂに含まれる第３の複数の対象Ａ∩Ｂを抽出し得る。図２Ｃに示されるように、第３の複数の対象Ａ∩Ｂの各々について、属性データＤ（Ａ∩Ｂ，Ｅ）と評価データＤ（Ａ∩Ｂ，Ｌ）とを対応付けることもできる。
（２）第１の複数の対象Ａに含まれ、且つ第２の複数の対象Ｂに含まれない第４の複数の対象Ａ−Ａ∩Ｂを抽出し得る。図２Ｄに示されるように、第４の複数の対象Ａ−Ａ∩Ｂの各々については、属性データＤ（Ａ−Ａ∩Ｂ，Ｅ）を抽出することもできる。但し、第４の複数の対象Ａ−Ａ∩Ｂについて、評価データは存在しない。
（３）第２の複数の対象Ｂに含まれ、且つ第１の複数の対象Ａに含まれない第５の複数の対象Ｂ−Ａ∩Ｂも抽出し得る。
（１）第１の複数の対象Ａに含まれ、且つ第２の複数の対象Ｂに含まれる第３の複数の対象Ａ∩Ｂを抽出し得る。図２Ｃに示されるように、第３の複数の対象Ａ∩Ｂの各々について、属性データＤ（Ａ∩Ｂ，Ｅ）と評価データＤ（Ａ∩Ｂ，Ｌ）とを対応付けることもできる。
（２）第１の複数の対象Ａに含まれ、且つ第２の複数の対象Ｂに含まれない第４の複数の対象Ａ−Ａ∩Ｂを抽出し得る。図２Ｄに示されるように、第４の複数の対象Ａ−Ａ∩Ｂの各々については、属性データＤ（Ａ−Ａ∩Ｂ，Ｅ）を抽出することもできる。但し、第４の複数の対象Ａ−Ａ∩Ｂについて、評価データは存在しない。
（３）第２の複数の対象Ｂに含まれ、且つ第１の複数の対象Ａに含まれない第５の複数の対象Ｂ−Ａ∩Ｂも抽出し得る。
本発明の第１の形態において、第１の主体は、営利企業であるＡ社であり得る。第１の複数の対象Ａは、Ａ社の複数の顧客であり得る。属性データＤ（Ａ，Ｅ）は、第１の複数の対象Ａそれぞれの消費行動に関係するデータであり得る。消費行動に関係するデータとして、例えば、性別、年齢、会員区分（例えば、有料会員（有）か無料会員（無）か）、利用回数などを挙げることができる。第１の形態において、図２ＡのカテゴリーＸａの欄に記載されたものが性別に相当し、カテゴリーＸｂの欄に記載されたものが年齢に相当し、カテゴリーＸｃの欄に記載されたものが会員区分に相当し、カテゴリーＸｄの欄に記載されたものが利用回数に相当する。
この第１の形態において、第２の主体は、Ａ社とは別の営利企業であるＢ社であり得る。第２の複数の対象Ｂは、Ｂ社の複数の顧客であり得る。評価データＤ（Ｂ，Ｌ）は、第２の複数の対象Ｂの各々がＢ社の特定商品を購入したか否かを示す情報であり得る（図２Ｂ参照）。
この第１の形態において、第２の主体は、Ａ社とは別の営利企業であるＢ社であり得る。第２の複数の対象Ｂは、Ｂ社の複数の顧客であり得る。評価データＤ（Ｂ，Ｌ）は、第２の複数の対象Ｂの各々がＢ社の特定商品を購入したか否かを示す情報であり得る（図２Ｂ参照）。
第１の形態においては、Ａ社の複数の顧客とＢ社の複数の顧客とに共通する第３の複数の対象Ａ∩Ｂのそれぞれについて、属性データＤ（Ａ∩Ｂ，Ｅ）と評価データＤ（Ａ∩Ｂ，Ｌ）との組み合わせを、教師データとして抽出し得る（図２Ｃ参照）。この教師データを用いれば、どのような属性の顧客がＢ社の上記特定商品を購入しやすい傾向にあるかを示す予測モデルを構築できる。
この予測モデルを、Ａ社の複数の顧客に含まれ且つＢ社の複数の顧客に含まれない第４の複数の対象Ａ−Ａ∩Ｂの各々についての属性データＤ（Ａ−Ａ∩Ｂ，Ｅ）に適用する（図２Ｄ参照）。これにより、第４の複数の対象Ａ−Ａ∩Ｂの各々がＢ社の上記特定商品を購入しそうか否かを予測し得る。従って、Ａ社はＢ社と提携し、Ａ社の顧客の内の購入可能性の高い顧客のみを対象にしてＢ社の上記特定商品を勧めるようにすれば、Ａ社及びＢ社の双方にとって新たなビジネスチャンスが生まれ得る。
この予測モデルを、Ａ社の複数の顧客に含まれ且つＢ社の複数の顧客に含まれない第４の複数の対象Ａ−Ａ∩Ｂの各々についての属性データＤ（Ａ−Ａ∩Ｂ，Ｅ）に適用する（図２Ｄ参照）。これにより、第４の複数の対象Ａ−Ａ∩Ｂの各々がＢ社の上記特定商品を購入しそうか否かを予測し得る。従って、Ａ社はＢ社と提携し、Ａ社の顧客の内の購入可能性の高い顧客のみを対象にしてＢ社の上記特定商品を勧めるようにすれば、Ａ社及びＢ社の双方にとって新たなビジネスチャンスが生まれ得る。
本発明の第２の形態において、第１の主体は、健康保険組合などのＡ機関であり得る。第１の複数の対象Ａは、Ａ機関の複数の加入者であり得る。属性データＤ（Ａ，Ｅ）は、第１の複数の対象Ａそれぞれの健康に関係するデータであり得る。健康に関係するデータとして、性別、年齢、アレルギーの有無、薬の投与回数などを挙げることができる。第２の形態において、図２ＡのカテゴリーＸａの欄に記載されたものが性別に相当し、カテゴリーＸｂの欄に記載されたものが年齢に相当し、カテゴリーＸｃの欄に記載されたものがアレルギーの有無に相当し、カテゴリーＸｄの欄に記載されたものが薬の投与回数に相当する。
この第２の形態において、第２の主体は、Ｂ病院であり得る。第２の複数の対象Ｂは、Ｂ病院の複数の患者であり得る。評価データＤ（Ｂ，Ｌ）は、第２の複数の対象Ｂそれぞれに対して特定薬品が薬効を有したか否かを示す情報であり得る（図２Ｂ参照）。
この第２の形態において、第２の主体は、Ｂ病院であり得る。第２の複数の対象Ｂは、Ｂ病院の複数の患者であり得る。評価データＤ（Ｂ，Ｌ）は、第２の複数の対象Ｂそれぞれに対して特定薬品が薬効を有したか否かを示す情報であり得る（図２Ｂ参照）。
この第２の形態においては、Ａ機関の複数の加入者とＢ病院の複数の患者とに共通する第３の複数の対象Ａ∩Ｂのそれぞれについて、属性データＤ（Ａ∩Ｂ，Ｅ）と評価データＤ（Ａ∩Ｂ，Ｌ）との組み合わせを、教師データとして抽出し得る（図２Ｃ参照）。この教師データを用いれば、どのような属性の加入者に対して上記特定薬品が薬効を有するかを示す予測モデルを構築できる。
この予測モデルを、Ａ機関の複数の加入者に含まれ且つＢ病院の複数の患者に含まれない第４の複数の対象Ａ−Ａ∩Ｂそれぞれについての属性データＤ（Ａ−Ａ∩Ｂ，Ｅ）に適用する（図２Ｄ参照）。これにより、第４の複数の対象Ａ−Ａ∩Ｂの各々に対して、上記特定薬品が薬効を有するか否かを予測し得る。従って、Ａ機関は、Ａ機関の加入者の内の薬効を有する可能性の高い加入者のみを対象にして上記特定薬品を勧めることができ、治療効果の向上及び健康の増進に寄与し得る。
この予測モデルを、Ａ機関の複数の加入者に含まれ且つＢ病院の複数の患者に含まれない第４の複数の対象Ａ−Ａ∩Ｂそれぞれについての属性データＤ（Ａ−Ａ∩Ｂ，Ｅ）に適用する（図２Ｄ参照）。これにより、第４の複数の対象Ａ−Ａ∩Ｂの各々に対して、上記特定薬品が薬効を有するか否かを予測し得る。従って、Ａ機関は、Ａ機関の加入者の内の薬効を有する可能性の高い加入者のみを対象にして上記特定薬品を勧めることができ、治療効果の向上及び健康の増進に寄与し得る。
しかしながら、以上のように第１の主体と第２の主体とが提供する情報を組み合わせて予測を行うためには、第１の主体と第２の主体とが、それぞれ自分が持っている情報を誰かに開示しなければならない。
例えば、上述の第３の複数の対象Ａ∩Ｂを特定し、抽出するためには、対象特定情報Ｄ（Ａ，Ｐ）と対象特定情報Ｄ（Ｂ，Ｐ）とを照合する作業が必要である。少なくともこの作業をする者は、対象特定情報Ｄ（Ａ，Ｐ）と対象特定情報Ｄ（Ｂ，Ｐ）との両方を知ってしまうことになる。
また、例えば、上述の予測モデルを構築するためには、共通する第３の複数の対象Ａ∩Ｂのそれぞれについて、属性データＤ（Ａ∩Ｂ，Ｅ）と評価データＤ（Ａ∩Ｂ，Ｌ）との組み合わせを教師データとして用いる必要がある。少なくとも予測モデルを構築する者は、属性データＤ（Ａ∩Ｂ，Ｅ）と評価データＤ（Ａ∩Ｂ，Ｌ）との組み合わせを知るだけでなく、第１の複数の対象Ａに含まれ且つ第２の複数の対象Ｂに含まれる第３の複数の対象Ａ∩Ｂがどれなのかも知ってしまう。
例えば、上述の第３の複数の対象Ａ∩Ｂを特定し、抽出するためには、対象特定情報Ｄ（Ａ，Ｐ）と対象特定情報Ｄ（Ｂ，Ｐ）とを照合する作業が必要である。少なくともこの作業をする者は、対象特定情報Ｄ（Ａ，Ｐ）と対象特定情報Ｄ（Ｂ，Ｐ）との両方を知ってしまうことになる。
また、例えば、上述の予測モデルを構築するためには、共通する第３の複数の対象Ａ∩Ｂのそれぞれについて、属性データＤ（Ａ∩Ｂ，Ｅ）と評価データＤ（Ａ∩Ｂ，Ｌ）との組み合わせを教師データとして用いる必要がある。少なくとも予測モデルを構築する者は、属性データＤ（Ａ∩Ｂ，Ｅ）と評価データＤ（Ａ∩Ｂ，Ｌ）との組み合わせを知るだけでなく、第１の複数の対象Ａに含まれ且つ第２の複数の対象Ｂに含まれる第３の複数の対象Ａ∩Ｂがどれなのかも知ってしまう。
以下では、情報を既に持っている者以外の者には、なるべく情報を知られないようにしつつ、第１の主体と第２の主体とが提供する情報を組み合わせて、予測を行うシステムについて説明する。
＜３．手順の概要＞
図３は、図１に示される予測システム３による処理手順を示すフローチャートである。
Ｓ１において、第３の主体によって管理される予測システム３は、第１の主体によって管理されるコンピュータ１から、対象特定情報Ｄ（Ａ，Ｐ）を受付ける。予測システム３は、第２の主体によって管理されるコンピュータ２から、対象特定情報Ｄ（Ｂ，Ｐ）を受付ける。Ｓ１の処理を行うモジュールは、本開示の第５のモジュールに相当し得る。
Ｓ２において、予測システム３は、対象特定情報Ｄ（Ａ，Ｐ）及び対象特定情報Ｄ（Ｂ，Ｐ）に基づいて名寄せの処理を行う。Ｓ２の処理を行うモジュールは、本開示の第６のモジュールに相当し得る。
Ｓ３において、予測システム３は、名寄せの結果を、それぞれコンピュータ１とコンピュータ２とに送信する。Ｓ３の処理を行うモジュールは、本開示の第７のモジュールに相当し得る。
図３は、図１に示される予測システム３による処理手順を示すフローチャートである。
Ｓ１において、第３の主体によって管理される予測システム３は、第１の主体によって管理されるコンピュータ１から、対象特定情報Ｄ（Ａ，Ｐ）を受付ける。予測システム３は、第２の主体によって管理されるコンピュータ２から、対象特定情報Ｄ（Ｂ，Ｐ）を受付ける。Ｓ１の処理を行うモジュールは、本開示の第５のモジュールに相当し得る。
Ｓ２において、予測システム３は、対象特定情報Ｄ（Ａ，Ｐ）及び対象特定情報Ｄ（Ｂ，Ｐ）に基づいて名寄せの処理を行う。Ｓ２の処理を行うモジュールは、本開示の第６のモジュールに相当し得る。
Ｓ３において、予測システム３は、名寄せの結果を、それぞれコンピュータ１とコンピュータ２とに送信する。Ｓ３の処理を行うモジュールは、本開示の第７のモジュールに相当し得る。
Ｓ４において、予測システム３は、コンピュータ１から属性データＤ（Ａ，Ｅ）を受付ける。
Ｓ５において、予測システム３は、属性データＤ（Ａ，Ｅ）に基づいて、カテゴリー分割ルールFcatを生成する。
Ｓ６において、予測システム３は、カテゴリー分割ルールFcatをコンピュータ１に送信する。
Ｓ５において、予測システム３は、属性データＤ（Ａ，Ｅ）に基づいて、カテゴリー分割ルールFcatを生成する。
Ｓ６において、予測システム３は、カテゴリー分割ルールFcatをコンピュータ１に送信する。
Ｓ７は予測システム３による処理ではないが、予測システム３による処理と密接に関係するためここで説明する。
Ｓ７において、第１の主体が、コンピュータ１を用いて、属性データＤ（Ａ，Ｅ）をカテゴリー分割及びランダム化する。カテゴリー分割及びランダム化した属性データTcr(j)*Tnr(j)(Fcat[Ｄ（Ａ，Ｅ）])は、後述のように、属性が具体的にわからないように数値化されたデータである。以下の説明において、カテゴリー分割及びランダム化した属性データTcr(j)*Tnr(j)(Fcat[Ｄ（Ａ，Ｅ）])のことを、列配置ランダム化した属性データと称することがある。
Ｓ７において、第１の主体が、コンピュータ１を用いて、属性データＤ（Ａ，Ｅ）をカテゴリー分割及びランダム化する。カテゴリー分割及びランダム化した属性データTcr(j)*Tnr(j)(Fcat[Ｄ（Ａ，Ｅ）])は、後述のように、属性が具体的にわからないように数値化されたデータである。以下の説明において、カテゴリー分割及びランダム化した属性データTcr(j)*Tnr(j)(Fcat[Ｄ（Ａ，Ｅ）])のことを、列配置ランダム化した属性データと称することがある。
Ｓ８において、予測システム３は、コンピュータ１から、カテゴリー分割及びランダム化した属性データTcr(j)*Tnr(j)(Fcat[Ｄ（Ａ，Ｅ）])を受付ける。予測システム３は、コンピュータ２から、評価データＤ（Ｂ，Ｌ）を受付ける。Ｓ８の処理を行うモジュールは、本開示の第１のモジュールに相当し得る。
Ｓ９において、予測システム３は、Ｓ８で受付けたデータをマージして、教師データ及び予測用データを生成する。Ｓ９の処理を行うモジュールは、本開示の第２のモジュールに相当し得る。
Ｓ９において、予測システム３は、Ｓ８で受付けたデータをマージして、教師データ及び予測用データを生成する。Ｓ９の処理を行うモジュールは、本開示の第２のモジュールに相当し得る。
Ｓ１０において、予測システム３は、教師データに基づいて予測モデルを構築する。Ｓ１０の処理を行うモジュールは、本開示の第３のモジュールに相当し得る。
Ｓ１１において、予測システム３は、この予測モデルを予測用データに適用することによって、予測結果を算出する。Ｓ１１の処理を行うモジュールは、本開示の第４のモジュールに相当し得る。
Ｓ１２において、予測システム３は、予測結果をコンピュータ１に送信する。
以下、それぞれの処理について詳細に説明する。
Ｓ１１において、予測システム３は、この予測モデルを予測用データに適用することによって、予測結果を算出する。Ｓ１１の処理を行うモジュールは、本開示の第４のモジュールに相当し得る。
Ｓ１２において、予測システム３は、予測結果をコンピュータ１に送信する。
以下、それぞれの処理について詳細に説明する。
＜４．Ｓ１−Ｓ３：名寄せの処理＞
＜４−１．第１の例＞
図４Ａは、図３に示される名寄せの処理のために予測システム３が受付けるデータの第１の例を示す。第１の例においては、名寄せのためのデータとして、氏名と住所との組み合わせが用いられる。氏名同一の別人は存在し得るので氏名だけでは名寄せできないが、氏名と住所との組み合わせなら名寄せが可能である。但し、住所の表記にはしばしば表記ゆれがみられるので、表記ゆれを考慮して名寄せの処理をするのが望ましい。
＜４−１．第１の例＞
図４Ａは、図３に示される名寄せの処理のために予測システム３が受付けるデータの第１の例を示す。第１の例においては、名寄せのためのデータとして、氏名と住所との組み合わせが用いられる。氏名同一の別人は存在し得るので氏名だけでは名寄せできないが、氏名と住所との組み合わせなら名寄せが可能である。但し、住所の表記にはしばしば表記ゆれがみられるので、表記ゆれを考慮して名寄せの処理をするのが望ましい。
図４Ａに示されるように、予測システム３は、第１の主体によって管理されるコンピュータ１から、第１の複数の対象Ａについての対象特定情報Ｄ（Ａ，Ｐ）を受付ける。第１の例において受信する対象特定情報Ｄ（Ａ，Ｐ）は、本開示における第３の対象特定データの一例に相当し得る。
予測システム３は、第２の主体によって管理されるコンピュータ２から、第２の複数の対象Ｂについての対象特定情報Ｄ（Ｂ，Ｐ）を受付ける。第１の例において受信する対象特定情報Ｄ（Ｂ，Ｐ）は、本開示における第４の対象特定データの一例に相当し得る。
第１の例において、対象特定情報Ｄ（Ａ，Ｐ）は、例えば、住所氏名ａ１から住所氏名ａ５までの５名の住所氏名を含んでいる。対象特定情報Ｄ（Ｂ，Ｐ）は、例えば、住所氏名ｂ１から住所氏名ｂ４までの４名の住所氏名を含んでいる。
予測システム３は、第２の主体によって管理されるコンピュータ２から、第２の複数の対象Ｂについての対象特定情報Ｄ（Ｂ，Ｐ）を受付ける。第１の例において受信する対象特定情報Ｄ（Ｂ，Ｐ）は、本開示における第４の対象特定データの一例に相当し得る。
第１の例において、対象特定情報Ｄ（Ａ，Ｐ）は、例えば、住所氏名ａ１から住所氏名ａ５までの５名の住所氏名を含んでいる。対象特定情報Ｄ（Ｂ，Ｐ）は、例えば、住所氏名ｂ１から住所氏名ｂ４までの４名の住所氏名を含んでいる。
図４Ｂは、図３に示される名寄せの処理において予測システム３が生成するデータの第１の例を示す。予測システム３は、図４Ａに示される住所氏名を照合し、名寄せを行う。その結果、住所氏名ａ１と住所氏名ｂ１とが一致し、住所氏名ａ２と住所氏名ｂ２とが一致し、住所氏名ａ３と住所氏名ｂ３とが一致したとする。住所氏名ａ４、住所氏名ａ５、及び住所氏名ｂ４は、いずれも他の住所氏名と一致しなかったとする。
その場合、予測システム３は、住所氏名ａ１及び住所氏名ｂ１で特定される対象に第１の共通ＩＤ（Ｃ００１）を付与し、住所氏名ａ２及び住所氏名ｂ２で特定される対象に第２の共通ＩＤ（Ｃ００２）を付与し、住所氏名ａ３及び住所氏名ｂ３で特定される対象に第３の共通ＩＤ（Ｃ００３）を付与する。住所氏名ａ４、住所氏名ａ５、及び住所氏名ｂ４の各々で特定される対象には、別々のＩＤ（Ｃ００４〜Ｃ００６）を付与する。
第１の複数の対象Ａの各々について予測システム３が付与したＩＤ（Ｃ００１〜Ｃ００５）を、Ｄｃ（Ａ，Ｉ）とする。Ｄｃ（Ａ，Ｉ）は、第３の複数の対象Ａ∩Ｂの各々について予測システム３が付与した共通ＩＤ（Ｃ００１〜Ｃ００３）と、第４の複数の対象Ａ−Ａ∩Ｂの各々について予測システム３が付与したＩＤ（Ｃ００４、Ｃ００５）とを含む。
第２の複数の対象Ｂの各々について予測システム３が付与したＩＤ（Ｃ００１〜Ｃ００３、Ｃ００６）を、Ｄｃ（Ｂ，Ｉ）とする。Ｄｃ（Ｂ，Ｉ）は、第３の複数の対象Ａ∩Ｂの各々について予測システム３が付与した共通ＩＤ（Ｃ００１〜Ｃ００３）と、第５の複数の対象Ｂ−Ａ∩Ｂの各々について予測システム３が付与したＩＤ（Ｃ００６）とを含む。
第２の複数の対象Ｂの各々について予測システム３が付与したＩＤ（Ｃ００１〜Ｃ００３、Ｃ００６）を、Ｄｃ（Ｂ，Ｉ）とする。Ｄｃ（Ｂ，Ｉ）は、第３の複数の対象Ａ∩Ｂの各々について予測システム３が付与した共通ＩＤ（Ｃ００１〜Ｃ００３）と、第５の複数の対象Ｂ−Ａ∩Ｂの各々について予測システム３が付与したＩＤ（Ｃ００６）とを含む。
第３の複数の対象Ａ∩Ｂの各々について付与した共通ＩＤ（Ｃ００１〜Ｃ００３）を、Ｄｃ（Ａ∩Ｂ，Ｉ）とする。Ｄｃ（Ａ∩Ｂ，Ｉ）は、本開示における第５の対象特定データの一例に相当し得る。
第４の複数の対象Ａ−Ａ∩Ｂの各々について付与したＩＤ（Ｃ００４、Ｃ００５）を、Ｄｃ（Ａ−Ａ∩Ｂ，Ｉ）とする。Ｄｃ（Ａ−Ａ∩Ｂ，Ｉ）は、本開示における第６の対象特定データの一例に相当し得る。
第５の複数の対象Ｂ−Ａ∩Ｂの各々について付与したＩＤ（Ｃ００６）を、Ｄｃ（Ｂ−Ａ∩Ｂ，Ｉ）とする。Ｄｃ（Ｂ−Ａ∩Ｂ，Ｉ）は、本開示における第７の対象特定データの一例に相当し得る。
第４の複数の対象Ａ−Ａ∩Ｂの各々について付与したＩＤ（Ｃ００４、Ｃ００５）を、Ｄｃ（Ａ−Ａ∩Ｂ，Ｉ）とする。Ｄｃ（Ａ−Ａ∩Ｂ，Ｉ）は、本開示における第６の対象特定データの一例に相当し得る。
第５の複数の対象Ｂ−Ａ∩Ｂの各々について付与したＩＤ（Ｃ００６）を、Ｄｃ（Ｂ−Ａ∩Ｂ，Ｉ）とする。Ｄｃ（Ｂ−Ａ∩Ｂ，Ｉ）は、本開示における第７の対象特定データの一例に相当し得る。
名寄せ結果の送信は、以下のように行う。
予測システム３は、第１の複数の対象Ａの各々について付与したＤｃ（Ａ，Ｉ）を、対象特定情報Ｄ（Ａ，Ｐ）と対応付けて、第１の主体によって管理されるコンピュータ１に送信する。
予測システム３は、第２の複数の対象Ｂの各々について付与したＤｃ（Ｂ，Ｉ）を、対象特定情報Ｄ（Ｂ，Ｐ）と対応付けて、第２の主体によって管理されるコンピュータ２に送信する。
予測システム３は、第１の複数の対象Ａの各々について付与したＤｃ（Ａ，Ｉ）を、対象特定情報Ｄ（Ａ，Ｐ）と対応付けて、第１の主体によって管理されるコンピュータ１に送信する。
予測システム３は、第２の複数の対象Ｂの各々について付与したＤｃ（Ｂ，Ｉ）を、対象特定情報Ｄ（Ｂ，Ｐ）と対応付けて、第２の主体によって管理されるコンピュータ２に送信する。
第１の主体は、対象特定情報Ｄ（Ａ，Ｐ）と対応付けて、Ｄｃ（Ａ，Ｉ）を受信することになる。しかしながら、第１の主体は、第１の複数の対象Ａの内のどれが第３の複数の対象Ａ∩Ｂで、どれが第４の複数の対象Ａ−Ａ∩Ｂであるかを知ることができないようになっている。
第２の主体は、対象特定情報Ｄ（Ｂ，Ｐ）と対応付けて、Ｄｃ（Ｂ，Ｉ）を受信することになる。しかしながら、第２の主体は、第２の複数の対象Ｂの内のどれが第３の複数の対象Ａ∩Ｂで、どれが第５の複数の対象Ｂ−Ａ∩Ｂであるかを知ることができないようになっている。
第３の主体は、対象特定情報Ｄ（Ａ，Ｐ）及び対象特定情報Ｄ（Ｂ，Ｐ）の両方を知ることになる。しかしながら、第３の主体は、名寄せの処理においては属性データＤ（Ａ，Ｅ）及び評価データＤ（Ｂ，Ｌ）を知ることができない。このように、第３の主体が知り得る情報も、わずかで済むようになっている。
第２の主体は、対象特定情報Ｄ（Ｂ，Ｐ）と対応付けて、Ｄｃ（Ｂ，Ｉ）を受信することになる。しかしながら、第２の主体は、第２の複数の対象Ｂの内のどれが第３の複数の対象Ａ∩Ｂで、どれが第５の複数の対象Ｂ−Ａ∩Ｂであるかを知ることができないようになっている。
第３の主体は、対象特定情報Ｄ（Ａ，Ｐ）及び対象特定情報Ｄ（Ｂ，Ｐ）の両方を知ることになる。しかしながら、第３の主体は、名寄せの処理においては属性データＤ（Ａ，Ｅ）及び評価データＤ（Ｂ，Ｌ）を知ることができない。このように、第３の主体が知り得る情報も、わずかで済むようになっている。
＜４−２．第２の例＞
図５Ａは、図３に示される名寄せの処理のために予測システム３が受付けるデータの第２の例を示す。第２の例においては、名寄せのためのデータとして、電子メールアドレスが用いられる。電子メールアドレスは、表現が正規化されており、大文字と小文字の表記ゆれ以外には表記ゆれが許されていないため、名寄せの処理を行うためのユニークキーとなり得る。従って、名寄せのために、大文字と小文字の表記ゆれ以外の表記ゆれを考慮する必要はない。
図５Ａは、図３に示される名寄せの処理のために予測システム３が受付けるデータの第２の例を示す。第２の例においては、名寄せのためのデータとして、電子メールアドレスが用いられる。電子メールアドレスは、表現が正規化されており、大文字と小文字の表記ゆれ以外には表記ゆれが許されていないため、名寄せの処理を行うためのユニークキーとなり得る。従って、名寄せのために、大文字と小文字の表記ゆれ以外の表記ゆれを考慮する必要はない。
このようなユニークキーがある場合にも、図４Ａ及び図４Ｂを参照しながら説明した方法と同様の方法で名寄せの処理を行うことが可能である。さらに、ユニークキーがある場合には、以下のような処理を行うことにより、第３の主体が対象特定情報Ｄ（Ａ，Ｐ）及び対象特定情報Ｄ（Ｂ，Ｐ）を知ることのないようにすることができる。
予測システム３は、第１の主体によって管理されるコンピュータ１から第３の複数のハッシュ値Hash2(Ｄ（Ａ，Ｐ）)を受付ける。第３の複数のハッシュ値Hash2(Ｄ（Ａ，Ｐ）)は、第１の複数の対象Ａの電子メールアドレス（図２Ａ参照）を、それぞれ第２のハッシュ関数Hash2でハッシュ化した値である。第２の例において受信する第３の複数のハッシュ値Hash2(Ｄ（Ａ，Ｐ）)は、本開示における第３の対象特定データの一例に相当し得る。
予測システム３は、第２の主体によって管理されるコンピュータ２から第４の複数のハッシュ値Hash2(Ｄ（Ｂ，Ｐ）)を受付ける。第４の複数のハッシュ値Hash2(Ｄ（Ｂ，Ｐ）)は、第２の複数の対象Ｂの電子メールアドレス（図２Ｂ参照）を、それぞれ上記第２のハッシュ関数Hash2でハッシュ化した値である。第２の例において受信する第４の複数のハッシュ値Hash2(Ｄ（Ｂ，Ｐ）)は、本開示における第４の対象特定データの一例に相当し得る。
なお、第１のハッシュ関数、第１及び第２のハッシュ値については後述する。
予測システム３は、第２の主体によって管理されるコンピュータ２から第４の複数のハッシュ値Hash2(Ｄ（Ｂ，Ｐ）)を受付ける。第４の複数のハッシュ値Hash2(Ｄ（Ｂ，Ｐ）)は、第２の複数の対象Ｂの電子メールアドレス（図２Ｂ参照）を、それぞれ上記第２のハッシュ関数Hash2でハッシュ化した値である。第２の例において受信する第４の複数のハッシュ値Hash2(Ｄ（Ｂ，Ｐ）)は、本開示における第４の対象特定データの一例に相当し得る。
なお、第１のハッシュ関数、第１及び第２のハッシュ値については後述する。
図５Ｂは、図３に示される名寄せの処理において予測システム３が生成するデータの第２の例を示す。第２のハッシュ関数Hash2としては、異なる電子メールアドレスに対しては異なるハッシュ値が得られるように、１対１の写像を生成するハッシュ関数が選択されることが望ましい。これによれば、対象特定情報Ｄ（Ａ，Ｐ）に含まれる電子メールアドレスの１つと、対象特定情報Ｄ（Ｂ，Ｐ）に含まれる電子メールアドレスの１つとが一致する場合、これらを同じ第２のハッシュ関数Hash2でハッシュ化した第３のハッシュ値Hash2(Ｄ（Ａ，Ｐ）)及び第４のハッシュ値Hash2(Ｄ（Ｂ，Ｐ）)は互いに一致する。
また、第２のハッシュ関数Hash2としては、ハッシュ値に基づいて元の値を復元することが困難なハッシュ関数が選択されることが望ましい。
また、第２のハッシュ関数Hash2としては、ハッシュ値に基づいて元の値を復元することが困難なハッシュ関数が選択されることが望ましい。
予測システム３は、第３の複数のハッシュ値Hash2(Ｄ（Ａ，Ｐ）)と第４の複数のハッシュ値Hash2(Ｄ（Ｂ，Ｐ）)とを照合し、名寄せを行う。これにより、予測システム３は、第３の複数の対象Ａ∩Ｂ、第４の複数の対象Ａ−Ａ∩Ｂ、及び第５の複数の対象Ｂ−Ａ∩Ｂを特定することができる。
他の処理については、図４Ａ及び図４Ｂを参照しながら説明したものと同様である。
他の処理については、図４Ａ及び図４Ｂを参照しながら説明したものと同様である。
第１の主体は、第３の複数のハッシュ値Hash2(Ｄ（Ａ，Ｐ）)と対応付けて、Ｄｃ（Ａ，Ｉ）を受信することになる。しかしながら、第１の主体は、第１の複数の対象Ａの内のどれが第３の複数の対象Ａ∩Ｂで、どれが第４の複数の対象Ａ−Ａ∩Ｂであるかを知ることができないようになっている。
第２の主体は、第４の複数のハッシュ値Hash2(Ｄ（Ｂ，Ｐ）)と対応付けて、Ｄｃ（Ｂ，Ｉ）を受信することになる。しかしながら、第２の主体は、第２の複数の対象Ｂの内のどれが第３の複数の対象Ａ∩Ｂで、どれが第５の複数の対象Ｂ−Ａ∩Ｂであるかを知ることができないようになっている。
第３の主体は、第３の複数のハッシュ値Hash2(Ｄ（Ａ，Ｐ）)及び第４の複数のハッシュ値Hash2(Ｄ（Ｂ，Ｐ）)の両方を知ることになる。しかしながら、第３の主体は、これらのハッシュ値から対象特定情報Ｄ（Ａ，Ｐ）及び対象特定情報Ｄ（Ｂ，Ｐ）を知ることができない。また、名寄せの処理においては属性データＤ（Ａ，Ｅ）及び評価データＤ（Ｂ，Ｌ）を知ることもできない。
第２の主体は、第４の複数のハッシュ値Hash2(Ｄ（Ｂ，Ｐ）)と対応付けて、Ｄｃ（Ｂ，Ｉ）を受信することになる。しかしながら、第２の主体は、第２の複数の対象Ｂの内のどれが第３の複数の対象Ａ∩Ｂで、どれが第５の複数の対象Ｂ−Ａ∩Ｂであるかを知ることができないようになっている。
第３の主体は、第３の複数のハッシュ値Hash2(Ｄ（Ａ，Ｐ）)及び第４の複数のハッシュ値Hash2(Ｄ（Ｂ，Ｐ）)の両方を知ることになる。しかしながら、第３の主体は、これらのハッシュ値から対象特定情報Ｄ（Ａ，Ｐ）及び対象特定情報Ｄ（Ｂ，Ｐ）を知ることができない。また、名寄せの処理においては属性データＤ（Ａ，Ｅ）及び評価データＤ（Ｂ，Ｌ）を知ることもできない。
＜５．Ｓ４−Ｓ６：カテゴリー分割ルールの生成＞
図６Ａは、図３に示されるカテゴリー分割ルールの生成の処理のために予測システム３が受付けるデータの例を示す。予測システム３は、第１の主体によって管理されるコンピュータ１から属性データＤ（Ａ，Ｅ）を受付ける。
図６Ａは、図３に示されるカテゴリー分割ルールの生成の処理のために予測システム３が受付けるデータの例を示す。予測システム３は、第１の主体によって管理されるコンピュータ１から属性データＤ（Ａ，Ｅ）を受付ける。
図６Ｂは、図３に示されるカテゴリー分割ルールの生成の処理において予測システム３が生成するデータの例を示す。予測システム３は、属性データに基づいて、カテゴリー分割ルールFcatを生成する。カテゴリー分割ルールFcatは、以下のように設定されることができる。
カテゴリーＸａについては、男（Ｘａ１）と女（Ｘａ２）に分ける。
カテゴリーＸｂについては、２０才代（Ｘｂ１）、３０才代（Ｘｂ２）、４０才代（Ｘｂ３）に分ける。
カテゴリーＸｃについては、有（Ｘｃ１）と無（Ｘｃ２）に分ける。
カテゴリーＸｄについては、０回以上（Ｘｄ１）、１０回以上（Ｘｄ２）、１００回以上（Ｘｄ３）に分ける。
予測システム３は、生成されたカテゴリー分割ルールFcatを、第１の主体によって管理されるコンピュータ１に送信する。
カテゴリーＸａについては、男（Ｘａ１）と女（Ｘａ２）に分ける。
カテゴリーＸｂについては、２０才代（Ｘｂ１）、３０才代（Ｘｂ２）、４０才代（Ｘｂ３）に分ける。
カテゴリーＸｃについては、有（Ｘｃ１）と無（Ｘｃ２）に分ける。
カテゴリーＸｄについては、０回以上（Ｘｄ１）、１０回以上（Ｘｄ２）、１００回以上（Ｘｄ３）に分ける。
予測システム３は、生成されたカテゴリー分割ルールFcatを、第１の主体によって管理されるコンピュータ１に送信する。
カテゴリー分割ルールの生成処理において、第３の主体は、属性データＤ（Ａ，Ｅ）を知ることになる。しかしながら、第３の主体は、対象特定情報Ｄ（Ａ，Ｐ）と属性データＤ（Ａ，Ｅ）との対応関係を知ることができない。このように、第３の主体が知り得る情報は、わずかで済むようになっている。
カテゴリー分割ルールFcatの生成は、第１の主体が行ってもよい。カテゴリー分割ルールFcatの生成を第１の主体が行う場合には、第３の主体が属性データＤ（Ａ，Ｅ）を知ることもなくなる。
但し、データ分布の偏りに応じて、適切なカテゴリー分割ルールが異なる場合がある。適切なカテゴリー分割ルールを生成できるような専門的知見を、第１の主体が有しない場合もあることを想定し、本開示ではカテゴリー分割ルールの生成を第３の主体が行う場合でも、第３の主体が知り得る情報がわずかで済むようにしている。
但し、データ分布の偏りに応じて、適切なカテゴリー分割ルールが異なる場合がある。適切なカテゴリー分割ルールを生成できるような専門的知見を、第１の主体が有しない場合もあることを想定し、本開示ではカテゴリー分割ルールの生成を第３の主体が行う場合でも、第３の主体が知り得る情報がわずかで済むようにしている。
＜６．Ｓ７：カテゴリー分割及びランダム化＞
＜６−１．カテゴリー分割＞
図７Ａは、図３に示されるカテゴリー分割の処理においてコンピュータ１に入力されるデータの例を示す。第１の主体は、対象特定情報Ｄ（Ａ，Ｐ）と属性データＤ（Ａ，Ｅ）とを対応付けた生データＲＤａを持っている（図２Ａ参照）。また第１の主体は、名寄せの処理により、Ｄｃ（Ａ，Ｉ）と対象特定情報Ｄ（Ａ，Ｐ）との対応付けが可能となっている（図４Ｂ、図５Ｂ参照）。そこで、第１の主体は、対象特定情報Ｄ（Ａ，Ｐ）をキーとして、Ｄｃ（Ａ，Ｉ）と、属性データＤ（Ａ，Ｅ）と、を対応付けて、コンピュータ１に入力する。
＜６−１．カテゴリー分割＞
図７Ａは、図３に示されるカテゴリー分割の処理においてコンピュータ１に入力されるデータの例を示す。第１の主体は、対象特定情報Ｄ（Ａ，Ｐ）と属性データＤ（Ａ，Ｅ）とを対応付けた生データＲＤａを持っている（図２Ａ参照）。また第１の主体は、名寄せの処理により、Ｄｃ（Ａ，Ｉ）と対象特定情報Ｄ（Ａ，Ｐ）との対応付けが可能となっている（図４Ｂ、図５Ｂ参照）。そこで、第１の主体は、対象特定情報Ｄ（Ａ，Ｐ）をキーとして、Ｄｃ（Ａ，Ｉ）と、属性データＤ（Ａ，Ｅ）と、を対応付けて、コンピュータ１に入力する。
図７Ｂは、図３に示されるカテゴリー分割の処理においてコンピュータ１が生成するデータの例を示す。コンピュータ１は、属性データＤ（Ａ，Ｅ）にカテゴリー分割ルールFcatを適用することにより、カテゴリー分割した属性データFcat[Ｄ（Ａ，Ｅ）]を生成する。この処理のために、一般的に普及している表計算プログラムが用いられてもよいし、専用のプログラムが用いられてもよい。
＜６−２．数値ランダム化＞
図８Ａは、図３に示されるランダム化の処理においてコンピュータ１に設定される第１のデータの例を示す。第１の主体は、コンピュータ１において数値ランダム化ルールTnr(j)を設定する。
図８Ａは、図３に示されるランダム化の処理においてコンピュータ１に設定される第１のデータの例を示す。第１の主体は、コンピュータ１において数値ランダム化ルールTnr(j)を設定する。
数値ランダム化ルールTnr(j)は、カテゴリー分割ルールFcatで定義された上述のＸａ１、Ｘａ２、Ｘｂ１、Ｘｂ２等に対し、ランダムに選ばれた数値を割り当てるルールである。図８Ａに示される例においては、Ｘａ１に数値５が割り当てられ、Ｘａ２に数値８が割り当てられている。他のＸｂ１、Ｘｂ２等に割り当てられた数値は図示の通りである。
図８Ｂは、図３に示されるランダム化の処理においてコンピュータ１が生成する第１のデータの例を示す。コンピュータ１は、図７Ｂに示されるカテゴリー分割した属性データFcat[Ｄ（Ａ，Ｅ）]に、図８Ａに示される数値ランダム化ルールTnr(j)を適用する。これにより、コンピュータ１は、図８Ｂに示される数値ランダム化した属性データTnr(j)(Fcat[Ｄ（Ａ，Ｅ）])を生成する。この処理のために、一般的に普及している表計算プログラムが用いられてもよいし、専用のプログラムが用いられてもよい。
＜６−３．列配置ランダム化＞
図９Ａは、図３に示されるランダム化の処理においてコンピュータ１に設定される第２のデータの例を示す。第１の主体は、コンピュータ１において列配置ランダム化ルールTcr(j)を設定する。
図９Ａは、図３に示されるランダム化の処理においてコンピュータ１に設定される第２のデータの例を示す。第１の主体は、コンピュータ１において列配置ランダム化ルールTcr(j)を設定する。
列配置ランダム化ルールTcr(j)は、属性データＤ（Ａ，Ｅ）に含まれるカテゴリーＸａ、Ｘｂ等を、ランダムに並び替えるルールである。図９Ａに示される例においては、カテゴリーＸａは３番目のカテゴリーＸ３に割り当てられ、カテゴリーＸｂは１番目のカテゴリーＸ１に割り当てられ、カテゴリーＸｃは４番目のカテゴリーＸ４に割り当てられ、カテゴリーＸｄは２番目のカテゴリーＸ２に割り当てられている。
図９Ｂは、図３に示されるランダム化の処理においてコンピュータ１が生成する第２のデータの例を示す。コンピュータ１は、図８Ｂに示される数値ランダム化した属性データTnr(j)(Fcat[Ｄ（Ａ，Ｅ）])に、図９Ａに示される列配置ランダム化ルールTcr(j)を適用する。これにより、コンピュータ１は、図９Ｂに示される列配置ランダム化した属性データTcr(j)*Tnr(j)(Fcat[Ｄ（Ａ，Ｅ）])を生成する。この処理のために、一般的に普及している表計算プログラムが用いられてもよいし、専用のプログラムが用いられてもよい。なお、数値ランダム化ルールTnr(j)及び列配置ランダム化ルールTcr(j)におけるjは、ルールを識別するための番号である。１回の解析において、教師データの生成時と予測用データの生成時とでは同一のjで特定される数値ランダム化ルールTnr(j)及び列配置ランダム化ルールTcr(j)が適用される。しかし、その次に解析を行うときには、別のjで特定される数値ランダム化ルールTnr(j)及び列配置ランダム化ルールTcr(j)が適用されてもよい。
＜７．Ｓ８−Ｓ９：教師データ及び予測用データの生成＞
＜７−１．受付けるデータ＞
図１０Ａは、図３に示される教師データ及び予測用データの生成処理のために予測システム３がコンピュータ１から受付けるデータの例を示す。
＜７−１．受付けるデータ＞
図１０Ａは、図３に示される教師データ及び予測用データの生成処理のために予測システム３がコンピュータ１から受付けるデータの例を示す。
予測システム３は、第１の主体によって管理されるコンピュータ１から、第１のリストを受付ける。第１のリストは、第１の複数のハッシュ値Hash1(Ｄｃ（Ａ，Ｉ）)の各々と、列配置ランダム化した属性データTcr(j)*Tnr(j)(Fcat[Ｄ（Ａ，Ｅ）])の各々と、が対応付けられたリストである。
第１の複数のハッシュ値Hash1(Ｄｃ（Ａ，Ｉ）)は、名寄せの処理においてコンピュータ１が受信したＤｃ（Ａ，Ｉ）を、第１のハッシュ関数Hash1でハッシュ化した値である。第１の複数のハッシュ値Hash1(Ｄｃ（Ａ，Ｉ）)は、本開示における第１の対象特定データの一例に相当し得る。また、第１のハッシュ関数Hash1は、本開示における第１のルールの一例に相当し得る。
第１の複数のハッシュ値Hash1(Ｄｃ（Ａ，Ｉ）)は、名寄せの処理においてコンピュータ１が受信したＤｃ（Ａ，Ｉ）を、第１のハッシュ関数Hash1でハッシュ化した値である。第１の複数のハッシュ値Hash1(Ｄｃ（Ａ，Ｉ）)は、本開示における第１の対象特定データの一例に相当し得る。また、第１のハッシュ関数Hash1は、本開示における第１のルールの一例に相当し得る。
図１０Ｂは、図３に示される教師データ及び予測用データの生成処理のために予測システム３がコンピュータ２から受付けるデータの例を示す。
予測システム３は、第２の主体によって管理されるコンピュータ２から、第２のリストを受付ける。第２のリストは、第２の複数のハッシュ値Hash1(Ｄｃ（Ｂ，Ｉ）)の各々と、評価データＤ（Ｂ，Ｌ）の各々と、が対応付けられたリストである。
第２の複数のハッシュ値Hash1(Ｄｃ（Ｂ，Ｉ）)は、名寄せの処理においてコンピュータ２が受信したＤｃ（Ｂ，Ｉ）を、上記第１のハッシュ関数Hash1でハッシュ化した値である。第２の複数のハッシュ値Hash1(Ｄｃ（Ｂ，Ｉ）)は、本開示における第２の対象特定データの一例に相当し得る。
第２の複数のハッシュ値Hash1(Ｄｃ（Ｂ，Ｉ）)は、名寄せの処理においてコンピュータ２が受信したＤｃ（Ｂ，Ｉ）を、上記第１のハッシュ関数Hash1でハッシュ化した値である。第２の複数のハッシュ値Hash1(Ｄｃ（Ｂ，Ｉ）)は、本開示における第２の対象特定データの一例に相当し得る。
第１のハッシュ関数Hash1としては、Ｄｃ（Ａ，Ｉ）及びＤｃ（Ｂ，Ｉ）のうち異なるものに対しては異なるハッシュ値が得られるように、１対１の写像を生成するハッシュ関数が選択されることが望ましい。これによれば、Ｄｃ（Ａ，Ｉ）及びＤｃ（Ｂ，Ｉ）のうち、これらに共通するＤｃ（Ａ∩Ｂ，Ｉ）の各々については、第１のハッシュ値Hash1(Ｄｃ（Ａ，Ｉ）)及び第２のハッシュ値Hash1(Ｄｃ（Ｂ，Ｉ）)は互いに一致する。
また、第１のハッシュ関数Hash1としては、ハッシュ値に基づいて元の値を復元することが困難なハッシュ関数が選択されることが望ましい。
また、第１のハッシュ関数Hash1としては、ハッシュ値に基づいて元の値を復元することが困難なハッシュ関数が選択されることが望ましい。
上述のように第３の主体が名寄せの処理をした場合には、第３の主体がＤｃ（Ａ，Ｉ）及びＤｃ（Ｂ，Ｉ）を知っていることになる。仮に、第３の主体が第１のハッシュ関数Hash1を知っている場合には、第３の主体は、既知のＤｃ（Ａ，Ｉ）及びＤｃ（Ｂ，Ｉ）をハッシュ化することにより、第１の複数のハッシュ値Hash1(Ｄｃ（Ａ，Ｉ）)及び第２の複数のハッシュ値Hash1(Ｄｃ（Ｂ，Ｉ）)を生成できることになる。その場合、第３の主体は、第１のリストに含まれる第１の複数のハッシュ値Hash1(Ｄｃ（Ａ，Ｉ）)及び第２のリストに含まれる第２の複数のハッシュ値Hash1(Ｄｃ（Ｂ，Ｉ）)から、逆にＤｃ（Ａ，Ｉ）及びＤｃ（Ｂ，Ｉ）を特定できてしまう。Ｄｃ（Ａ，Ｉ）及びＤｃ（Ｂ，Ｉ）を特定できてしまうと、名寄せに用いられたＤ（Ａ，Ｐ）及びＤ（Ｂ，Ｐ）、或いは、Hash2(Ｄ（Ａ，Ｐ）)及びHash2(Ｄ（Ｂ，Ｐ）)を特定できてしまう。そして、第１のリストに含まれる列配置ランダム化した属性データTcr(j)*Tnr(j)(Fcat[Ｄ（Ａ，Ｅ）])との対応関係や、第２のリストに含まれる評価データＤ（Ｂ，Ｌ）との対応関係も特定できてしまう。このように、第３の主体が知り得る情報が増えてしまうのは、好ましいとは言えない。
そこで、上記第１のハッシュ関数Hash1は、第１の主体と第２の主体との間で予め取り決めた、第３の主体にとって不知のハッシュ関数であることが望ましい。
あるいは、第１のハッシュ値Hash1(Ｄｃ（Ａ，Ｉ）)及び第２のハッシュ値Hash1(Ｄｃ（Ｂ，Ｉ）)は、Ｄｃ（Ａ，Ｉ）及びＤｃ（Ｂ，Ｉ）のそれぞれに文字列ｗを付加して、上記第２のハッシュ関数Hash2でハッシュ化した値であってもよい。文字列ｗは、第１の主体と第２の主体との間で予め取り決めた、第３の主体にとって不知である共通の文字列である。第３の主体が上記第２のハッシュ関数Hash2を知っている場合でも、第３の主体が文字列ｗを知らない限り、第１の複数のハッシュ値Hash1(Ｄｃ（Ａ，Ｉ）)及び第２の複数のハッシュ値Hash1(Ｄｃ（Ｂ，Ｉ）)からＤｃ（Ａ，Ｉ）及びＤｃ（Ｂ，Ｉ）を特定することは困難となる。
また、Ｄｃ（Ａ，Ｉ）及びＤｃ（Ｂ，Ｉ）が数値部分を有する場合に、その数値部分に、第３の主体にとって不知である共通の数値を加算してもよい。第１のハッシュ値Hash1(Ｄｃ（Ａ，Ｉ）)及び第２のハッシュ値Hash1(Ｄｃ（Ｂ，Ｉ）)は、上記共通の数値が加算されたＤｃ（Ａ，Ｉ）及びＤｃ（Ｂ，Ｉ）を、上記第２のハッシュ関数Hash2でハッシュ化した値であってもよい。
あるいは、第１のハッシュ値Hash1(Ｄｃ（Ａ，Ｉ）)及び第２のハッシュ値Hash1(Ｄｃ（Ｂ，Ｉ）)は、Ｄｃ（Ａ，Ｉ）及びＤｃ（Ｂ，Ｉ）のそれぞれに文字列ｗを付加して、上記第２のハッシュ関数Hash2でハッシュ化した値であってもよい。文字列ｗは、第１の主体と第２の主体との間で予め取り決めた、第３の主体にとって不知である共通の文字列である。第３の主体が上記第２のハッシュ関数Hash2を知っている場合でも、第３の主体が文字列ｗを知らない限り、第１の複数のハッシュ値Hash1(Ｄｃ（Ａ，Ｉ）)及び第２の複数のハッシュ値Hash1(Ｄｃ（Ｂ，Ｉ）)からＤｃ（Ａ，Ｉ）及びＤｃ（Ｂ，Ｉ）を特定することは困難となる。
また、Ｄｃ（Ａ，Ｉ）及びＤｃ（Ｂ，Ｉ）が数値部分を有する場合に、その数値部分に、第３の主体にとって不知である共通の数値を加算してもよい。第１のハッシュ値Hash1(Ｄｃ（Ａ，Ｉ）)及び第２のハッシュ値Hash1(Ｄｃ（Ｂ，Ｉ）)は、上記共通の数値が加算されたＤｃ（Ａ，Ｉ）及びＤｃ（Ｂ，Ｉ）を、上記第２のハッシュ関数Hash2でハッシュ化した値であってもよい。
＜７−２．教師データの生成＞
予測システム３は、第１のリスト（図１０Ａ参照）に含まれる第１の複数のハッシュ値Hash1(Ｄｃ（Ａ，Ｉ）)と、第２のリスト（図１０Ｂ参照）に含まれる第２の複数のハッシュ値Hash1(Ｄｃ（Ｂ，Ｉ）)とを照合する。これにより、第３の複数の対象Ａ∩Ｂと、第４の複数の対象Ａ−Ａ∩Ｂと、を特定する。
予測システム３は、第１のリスト（図１０Ａ参照）に含まれる第１の複数のハッシュ値Hash1(Ｄｃ（Ａ，Ｉ）)と、第２のリスト（図１０Ｂ参照）に含まれる第２の複数のハッシュ値Hash1(Ｄｃ（Ｂ，Ｉ）)とを照合する。これにより、第３の複数の対象Ａ∩Ｂと、第４の複数の対象Ａ−Ａ∩Ｂと、を特定する。
図１１Ａは、図３に示される教師データの生成処理において予測システム３が生成する教師データの例を示す。
予測システム３は、第３の複数の対象Ａ∩Ｂについて、列配置ランダム化した属性データTcr(j)*Tnr(j)(Fcat[Ｄ（Ａ∩Ｂ，Ｅ）])と、評価データＤ（Ａ∩Ｂ，Ｌ）とを対応付けた教師データを生成する。
予測システム３は、第３の複数の対象Ａ∩Ｂについて、列配置ランダム化した属性データTcr(j)*Tnr(j)(Fcat[Ｄ（Ａ∩Ｂ，Ｅ）])と、評価データＤ（Ａ∩Ｂ，Ｌ）とを対応付けた教師データを生成する。
なお、第３の主体が、カテゴリー分割ルールFcatを生成する処理を行ったために属性データＤ（Ａ，Ｅ）を知っていたとしても、列配置ランダム化した属性データTcr(j)*Tnr(j)(Fcat[Ｄ（Ａ∩Ｂ，Ｅ）])から属性データＤ（Ａ∩Ｂ，Ｅ）を再現することは困難となっている。従って、第３の主体は、第３の複数の対象Ａ∩Ｂの具体的な属性を知ることが困難である。また、第２の複数の対象Ｂがどのような傾向を有するかを推定することも困難となっている。
＜７−３．予測用データの生成＞
図１１Ｂは、図３に示される予測用データの生成処理において予測システム３が生成する予測用データの第１の例を示す。
予測システム３は、第４の複数の対象Ａ−Ａ∩Ｂについて、第１の複数のハッシュ値Hash1(Ｄｃ（Ａ，Ｉ）)と、列配置ランダム化した属性データTcr(j)*Tnr(j)(Fcat[Ｄ（Ａ−Ａ∩Ｂ，Ｅ）])とを抽出し、予測用データ（１）として生成する。
図１１Ｂは、図３に示される予測用データの生成処理において予測システム３が生成する予測用データの第１の例を示す。
予測システム３は、第４の複数の対象Ａ−Ａ∩Ｂについて、第１の複数のハッシュ値Hash1(Ｄｃ（Ａ，Ｉ）)と、列配置ランダム化した属性データTcr(j)*Tnr(j)(Fcat[Ｄ（Ａ−Ａ∩Ｂ，Ｅ）])とを抽出し、予測用データ（１）として生成する。
図１１Ｃは、図３に示される予測用データの生成処理において予測システム３が生成する予測用データの第２の例を示す。
予測システム３は、第３の複数の対象Ａ∩Ｂ及び第４の複数の対象Ａ−Ａ∩Ｂの両方について、第１の複数のハッシュ値Hash1(Ｄｃ（Ａ，Ｉ）)と、列配置ランダム化した属性データTcr(j)*Tnr(j)(Fcat[Ｄ（Ａ，Ｅ）])とを抽出し、予測用データ（２）として生成する。
予測システム３は、第３の複数の対象Ａ∩Ｂ及び第４の複数の対象Ａ−Ａ∩Ｂの両方について、第１の複数のハッシュ値Hash1(Ｄｃ（Ａ，Ｉ）)と、列配置ランダム化した属性データTcr(j)*Tnr(j)(Fcat[Ｄ（Ａ，Ｅ）])とを抽出し、予測用データ（２）として生成する。
＜８．Ｓ１０：予測モデルの構築＞
図１２は、図３に示される予測モデルの構築の処理において予測システム３が生成するデータの例を示す。予測モデルの構築は、図１１Ａを参照しながら説明した教師データに基づいて行われる。予測モデルは、列配置ランダム化した属性データTcr(j)*Tnr(j)(Fcat[Ｄ（Ａ∩Ｂ，Ｅ）])を変数ｘｋとしたとき、関数ｆ（ｘｋ）の値が評価データＤ（Ａ∩Ｂ，Ｌ）と対応するような関数ｆ（ｘｋ）として与えられる。
図１２は、図３に示される予測モデルの構築の処理において予測システム３が生成するデータの例を示す。予測モデルの構築は、図１１Ａを参照しながら説明した教師データに基づいて行われる。予測モデルは、列配置ランダム化した属性データTcr(j)*Tnr(j)(Fcat[Ｄ（Ａ∩Ｂ，Ｅ）])を変数ｘｋとしたとき、関数ｆ（ｘｋ）の値が評価データＤ（Ａ∩Ｂ，Ｌ）と対応するような関数ｆ（ｘｋ）として与えられる。
説明を単純化するため、関数ｆ（ｘｋ）が以下の式で表されるものとする。
ｆ（ｘｋ）＝（ｐ（Ｘ１）＋ｐ（Ｘ２）＋ｐ（Ｘ３）＋ｐ（Ｘ４））／４
ｐ（Ｘ１）は、列配置ランダム化した属性データTcr(j)*Tnr(j)(Fcat[Ｄ（Ａ∩Ｂ，Ｅ）])の内のカテゴリーＸ１に関して付与されるパラメータである。このパラメータの具体例が図１２に示されており、例えば、ｐ（Ｘ１１）＝０．９、ｐ（Ｘ１２）＝０．３、ｐ（Ｘ１３）＝０．８のように設定される。
ｐ（Ｘ２）は、カテゴリーＸ２に関して付与されるパラメータである。ｐ（Ｘ３）は、カテゴリーＸ３に関して付与されるパラメータである。ｐ（Ｘ４）は、カテゴリーＸ４に関して付与されるパラメータである。これらのパラメータの具体例も図１２に示されている。
ｆ（ｘｋ）＝（ｐ（Ｘ１）＋ｐ（Ｘ２）＋ｐ（Ｘ３）＋ｐ（Ｘ４））／４
ｐ（Ｘ１）は、列配置ランダム化した属性データTcr(j)*Tnr(j)(Fcat[Ｄ（Ａ∩Ｂ，Ｅ）])の内のカテゴリーＸ１に関して付与されるパラメータである。このパラメータの具体例が図１２に示されており、例えば、ｐ（Ｘ１１）＝０．９、ｐ（Ｘ１２）＝０．３、ｐ（Ｘ１３）＝０．８のように設定される。
ｐ（Ｘ２）は、カテゴリーＸ２に関して付与されるパラメータである。ｐ（Ｘ３）は、カテゴリーＸ３に関して付与されるパラメータである。ｐ（Ｘ４）は、カテゴリーＸ４に関して付与されるパラメータである。これらのパラメータの具体例も図１２に示されている。
適切なパラメータを付与することにより、関数ｆ（ｘｋ）の値を評価データＤ（Ａ∩Ｂ，Ｌ）に対応させることができる。例えば、第３の複数の対象Ａ∩Ｂの内、評価データＤ（Ａ∩Ｂ，Ｌ）が「○」である対象については、関数ｆ（ｘｋ）の値が大きくなるようにパラメータが設定される。また、第３の複数の対象Ａ∩Ｂの内、評価データＤ（Ａ∩Ｂ，Ｌ）が「×」である対象については、関数ｆ（ｘｋ）の値が小さくなるようにパラメータが設定される。
＜９．Ｓ１１−Ｓ１２：予測結果の算出＞
図１３Ａは、図３に示される予測結果の算出処理において予測システム３が生成するデータの第１の例を示す。予測システム３は、図１１Ｂを参照しながら説明した予測用データ（１）を用いて、予測スコアを算出する。すなわち、予測システム３は、第４の複数の対象Ａ−Ａ∩Ｂについて、上述の関数ｆ（ｘｋ）を予測スコアとして算出する。予測スコアの値は、所定事象の発生確率に対応する。例えば、予測スコアの値が大きいほど、所定事象の発生確率が大きいことを示す。予測システム３は、算出された予測スコアを、第１の複数のハッシュ値Hash1(Ｄｃ（Ａ−Ａ∩Ｂ，Ｉ）)と対応付けて、第１の主体によって管理されるコンピュータ１に送信する。
図１３Ａは、図３に示される予測結果の算出処理において予測システム３が生成するデータの第１の例を示す。予測システム３は、図１１Ｂを参照しながら説明した予測用データ（１）を用いて、予測スコアを算出する。すなわち、予測システム３は、第４の複数の対象Ａ−Ａ∩Ｂについて、上述の関数ｆ（ｘｋ）を予測スコアとして算出する。予測スコアの値は、所定事象の発生確率に対応する。例えば、予測スコアの値が大きいほど、所定事象の発生確率が大きいことを示す。予測システム３は、算出された予測スコアを、第１の複数のハッシュ値Hash1(Ｄｃ（Ａ−Ａ∩Ｂ，Ｉ）)と対応付けて、第１の主体によって管理されるコンピュータ１に送信する。
第３の複数の対象Ａ∩Ｂについては、既にコンピュータ２から評価データＤ（Ａ∩Ｂ，Ｌ）が提供されている。従って、未知の事項を予測するという目的だけを考えた場合には、第３の複数の対象Ａ∩Ｂについて予測スコアを算出する必要はない場合がある。
予測システム３は、第４の複数の対象Ａ−Ａ∩Ｂの内の予測スコアが高いものを抽出し、あるいは予測スコアが低いものを抽出して、コンピュータ１に送信するようにしてもよい。すなわち、予測スコアの使用目的を達するのであれば、算出された予測スコアのすべてを漏れなくコンピュータ１に送信する必要はない場合がある。
図１３Ｂは、図３に示される予測結果の算出処理において予測システム３が生成するデータの第２の例を示す。予測システム３は、図１１Ｃを参照しながら説明した予測用データ（２）を用いて、予測スコアを算出する。すなわち、予測システム３は、第３の複数の対象Ａ∩Ｂ及び第４の複数の対象Ａ−Ａ∩Ｂの両方について、上述の関数ｆ（ｘｋ）を算出する。予測システム３は、算出された予測スコアを、第１の複数のハッシュ値Hash1(Ｄｃ（Ａ，Ｉ）)と対応付けて、第１の主体によって管理されるコンピュータ１に送信する。
第３の複数の対象Ａ∩Ｂについては、既にコンピュータ２から評価データＤ（Ａ∩Ｂ，Ｌ）が提供されている。しかしながら、予測システム３が、第４の複数の対象Ａ−Ａ∩Ｂについてだけ、予測スコアをコンピュータ１に送信する場合には、第１の主体が、第１の複数の対象Ａの内のどれが第３の複数の対象Ａ∩Ｂであるかを知ることになってしまう。そこで、第２の主体が第３の複数の対象Ａ∩Ｂを第１の主体に知られることを望まない場合には、予測システム３は、第３の複数の対象Ａ∩Ｂ及び第４の複数の対象Ａ−Ａ∩Ｂの両方について、予測スコアをコンピュータ１に送信する。
＜１０．効果＞
上述の処理によれば、第１の主体は、対象特定情報Ｄ（Ａ，Ｐ）を第３の主体に開示する場合があり（Ｓ１）、属性データＤ（Ａ，Ｅ）も第３の主体に開示する場合がある（Ｓ４、Ｓ８）。しかし、上述のように、対象特定情報Ｄ（Ａ，Ｐ）と属性データＤ（Ａ，Ｅ）との対応関係は第３の主体にもわからないようになっている。また、これらのデータは、いずれも第２の主体にはわからないようになっている。
上述の処理によれば、第１の主体は、対象特定情報Ｄ（Ａ，Ｐ）を第３の主体に開示する場合があり（Ｓ１）、属性データＤ（Ａ，Ｅ）も第３の主体に開示する場合がある（Ｓ４、Ｓ８）。しかし、上述のように、対象特定情報Ｄ（Ａ，Ｐ）と属性データＤ（Ａ，Ｅ）との対応関係は第３の主体にもわからないようになっている。また、これらのデータは、いずれも第２の主体にはわからないようになっている。
また、第２の主体は、対象特定情報Ｄ（Ｂ，Ｐ）を第３の主体に開示する場合があり（Ｓ１）、評価データＤ（Ｂ，Ｌ）も第３の主体に開示する場合がある（Ｓ８）。しかし、上述のように、対象特定情報Ｄ（Ｂ，Ｐ）と評価データＤ（Ｂ，Ｌ）との対応関係は第３の主体にもわからないようになっている。また、これらのデータは、いずれも第１の主体にはわからないようになっている。
予測システム３は、第１の主体が持っている属性データＤ（Ａ，Ｅ）と、第２の主体が持っている評価データＤ（Ｂ，Ｌ）とを組み合わせて、所定事象を予測することができる。このとき、情報を既に持っている者以外の者には、なるべく情報を知られないようにすることができる。
＜１１．その他＞
第１の主体は、生データＲＤａの中に、第１の複数の対象Ａとして架空の対象を加えておいてもよい。第２の主体は、生データＲＤｂの中に、第２の複数の対象Ｂとして架空の対象を加えておいてもよい。これにより、第３の主体が第１の複数の対象Ａの数及び第２の複数の対象Ｂの数も知らないようにすることができる。なお、このような架空の対象は、第３の複数の対象Ａ∩Ｂの中に入ったり、教師データに加わったりすることはないと考えられる。従って、このような架空の対象が予測モデルに影響する可能性は低い。
第１の主体は、生データＲＤａの中に、第１の複数の対象Ａとして架空の対象を加えておいてもよい。第２の主体は、生データＲＤｂの中に、第２の複数の対象Ｂとして架空の対象を加えておいてもよい。これにより、第３の主体が第１の複数の対象Ａの数及び第２の複数の対象Ｂの数も知らないようにすることができる。なお、このような架空の対象は、第３の複数の対象Ａ∩Ｂの中に入ったり、教師データに加わったりすることはないと考えられる。従って、このような架空の対象が予測モデルに影響する可能性は低い。
第１の主体又は第２の主体の少なくとも一方が第３の複数の対象Ａ∩Ｂを既に知っている場合には、Ｓ１からＳ３までの名寄せの処理は行わなくてもよい。この場合に、Ｓ８において第１の主体が第３の主体に送信する第１の対象特定データは、第１の主体によって識別可能なＩＤであり、Ｓ８において第２の主体が第３の主体に送信する第２の対象特定データは、第２の主体によって識別可能なＩＤであってもよい。
第１の主体が第３の複数の対象Ａ∩Ｂを知っている場合に、第１の主体は、第１の複数の対象Ａの内の第３の複数の対象Ａ∩Ｂについて、第２の複数の対象Ｂとの対応関係を記述した対応データを作成してもよい。この対応データは、Ｓ８において第１の主体が第３の主体に送信する第１の対象特定データに含まれてもよい。これにより、第３の主体は、第１の対象特定データと第２の対象特定データとに基づいて、第３の複数の対象Ａ∩Ｂを抽出することができる。
第２の主体が第３の複数の対象Ａ∩Ｂを知っている場合に、第２の主体は、第２の複数の対象Ｂの内の第３の複数の対象Ａ∩Ｂについて、第１の複数の対象Ａとの対応関係を記述した対応データを作成してもよい。この対応データは、Ｓ８において第２の主体が第３の主体に送信する第２の対象特定データに含まれてもよい。これにより、第３の主体は、第１の対象特定データと第２の対象特定データとに基づいて、第３の複数の対象Ａ∩Ｂを抽出することができる。
第１の主体が第３の複数の対象Ａ∩Ｂを知っている場合に、第１の主体は、第１の複数の対象Ａの内の第３の複数の対象Ａ∩Ｂについて、第２の複数の対象Ｂとの対応関係を記述した対応データを作成してもよい。この対応データは、Ｓ８において第１の主体が第３の主体に送信する第１の対象特定データに含まれてもよい。これにより、第３の主体は、第１の対象特定データと第２の対象特定データとに基づいて、第３の複数の対象Ａ∩Ｂを抽出することができる。
第２の主体が第３の複数の対象Ａ∩Ｂを知っている場合に、第２の主体は、第２の複数の対象Ｂの内の第３の複数の対象Ａ∩Ｂについて、第１の複数の対象Ａとの対応関係を記述した対応データを作成してもよい。この対応データは、Ｓ８において第２の主体が第３の主体に送信する第２の対象特定データに含まれてもよい。これにより、第３の主体は、第１の対象特定データと第２の対象特定データとに基づいて、第３の複数の対象Ａ∩Ｂを抽出することができる。
１…第１の主体によって管理されるコンピュータ、
２…第２の主体によって管理されるコンピュータ、
３…第３の主体によって管理される予測システム、
Ａ…第１の複数の対象、
Ｂ…第２の複数の対象、
Ａ∩Ｂ…第３の複数の対象、
Ａ−Ａ∩Ｂ…第４の複数の対象、
Ｂ−Ａ∩Ｂ…第５の複数の対象、
Ｄ（Ａ，Ｐ）…第１の複数の対象Ａについての対象特定情報（第３の対象特定データの一例）、
Ｄ（Ｂ，Ｐ）…第２の複数の対象Ｂについての対象特定情報（第４の対象特定データの一例）、
Ｄ（Ａ，Ｅ）…第１の複数の対象Ａについての属性データ、
Ｄ（Ｂ，Ｌ）…第２の複数の対象Ｂについての評価データ、
Ｄｃ（Ａ，Ｉ）…第１の複数の対象Ａの各々について予測システム３が付与したＩＤ、
Ｄｃ（Ｂ，Ｉ）…第２の複数の対象Ｂの各々について予測システム３が付与したＩＤ、
Hash2(Ｄ（Ａ，Ｐ）)…第３の複数のハッシュ値（第３の対象特定データの一例）、
Hash2(Ｄ（Ｂ，Ｐ）)…第４の複数のハッシュ値（第４の対象特定データの一例）、
Ｄｃ（Ａ∩Ｂ，Ｉ）…第３の複数の対象Ａ∩Ｂの各々について付与した共通ＩＤ（第５の対象特定データの一例）、
Ｄｃ（Ａ−Ａ∩Ｂ，Ｉ）…第４の複数の対象Ａ−Ａ∩Ｂの各々について付与したＩＤ（第６の対象特定データの一例）、
Ｄｃ（Ｂ−Ａ∩Ｂ，Ｉ）…第５の複数の対象Ｂ−Ａ∩Ｂの各々について付与したＩＤ（第７の対象特定データの一例）、
Fcat[Ｄ（Ａ，Ｅ）]…カテゴリー分割した属性データ、
Tnr(j)(Fcat[Ｄ（Ａ，Ｅ）])…数値ランダム化した属性データ、
Tcr(j)*Tnr(j)(Fcat[Ｄ（Ａ，Ｅ）])…列配置ランダム化した属性データ（カテゴリー分割及びランダム化した属性データ）、
Hash1(Ｄｃ（Ａ，Ｉ）)…第１の複数のハッシュ値（第１の対象特定データの一例）、
Hash1(Ｄｃ（Ｂ，Ｉ）)…第２の複数のハッシュ値（第２の対象特定データの一例）
２…第２の主体によって管理されるコンピュータ、
３…第３の主体によって管理される予測システム、
Ａ…第１の複数の対象、
Ｂ…第２の複数の対象、
Ａ∩Ｂ…第３の複数の対象、
Ａ−Ａ∩Ｂ…第４の複数の対象、
Ｂ−Ａ∩Ｂ…第５の複数の対象、
Ｄ（Ａ，Ｐ）…第１の複数の対象Ａについての対象特定情報（第３の対象特定データの一例）、
Ｄ（Ｂ，Ｐ）…第２の複数の対象Ｂについての対象特定情報（第４の対象特定データの一例）、
Ｄ（Ａ，Ｅ）…第１の複数の対象Ａについての属性データ、
Ｄ（Ｂ，Ｌ）…第２の複数の対象Ｂについての評価データ、
Ｄｃ（Ａ，Ｉ）…第１の複数の対象Ａの各々について予測システム３が付与したＩＤ、
Ｄｃ（Ｂ，Ｉ）…第２の複数の対象Ｂの各々について予測システム３が付与したＩＤ、
Hash2(Ｄ（Ａ，Ｐ）)…第３の複数のハッシュ値（第３の対象特定データの一例）、
Hash2(Ｄ（Ｂ，Ｐ）)…第４の複数のハッシュ値（第４の対象特定データの一例）、
Ｄｃ（Ａ∩Ｂ，Ｉ）…第３の複数の対象Ａ∩Ｂの各々について付与した共通ＩＤ（第５の対象特定データの一例）、
Ｄｃ（Ａ−Ａ∩Ｂ，Ｉ）…第４の複数の対象Ａ−Ａ∩Ｂの各々について付与したＩＤ（第６の対象特定データの一例）、
Ｄｃ（Ｂ−Ａ∩Ｂ，Ｉ）…第５の複数の対象Ｂ−Ａ∩Ｂの各々について付与したＩＤ（第７の対象特定データの一例）、
Fcat[Ｄ（Ａ，Ｅ）]…カテゴリー分割した属性データ、
Tnr(j)(Fcat[Ｄ（Ａ，Ｅ）])…数値ランダム化した属性データ、
Tcr(j)*Tnr(j)(Fcat[Ｄ（Ａ，Ｅ）])…列配置ランダム化した属性データ（カテゴリー分割及びランダム化した属性データ）、
Hash1(Ｄｃ（Ａ，Ｉ）)…第１の複数のハッシュ値（第１の対象特定データの一例）、
Hash1(Ｄｃ（Ｂ，Ｉ）)…第２の複数のハッシュ値（第２の対象特定データの一例）
Claims (5)
- 第１の複数の対象をそれぞれ特定する第１の対象特定データと、前記第１の複数の対象それぞれの属性を示す属性データと、を対応付けた第１のリストの入力を第１の主体から受付け、
第２の複数の対象をそれぞれ特定する第２の対象特定データと、前記第２の複数の対象それぞれについての所定事象の評価値を示す評価データと、を対応付けた第２のリストの入力を第２の主体から受付ける
第１のモジュールと、
前記第１の対象特定データと前記第２の対象特定データとに基づいて、前記第１の複数の対象に含まれ且つ前記第２の複数の対象に含まれる第３の複数の対象を抽出する第２のモジュールと、
前記第１のリストに含まれる前記第３の複数の対象それぞれの前記属性データと、前記第２のリストに含まれる前記第３の複数の対象それぞれについての前記評価データと、に基づいて、前記評価データが未知である対象について前記属性データから前記所定事象を予測するための関数のパラメータを算出する第３のモジュールと、
前記第１の複数の対象に含まれ且つ前記第２の複数の対象に含まれない第４の複数の対象それぞれの前記属性データと、前記パラメータと、に基づいて、前記第４の複数の対象それぞれについての前記所定事象を予測する第４のモジュールと、
を含む、予測システム。 - 請求項１に記載された予測システムであって、
前記第１の複数の対象を前記第１の対象特定データと異なる形式でそれぞれ特定する第３の対象特定データの入力を前記第１の主体から受付け、
前記第２の複数の対象を前記第２の対象特定データと異なる形式でそれぞれ特定する第４の対象特定データの入力を前記第２の主体から受付ける
第５のモジュールと、
前記第３の対象特定データと前記第４の対象特定データとに基づいて、
前記第３の複数の対象を前記第３の対象特定データと異なる形式で且つ前記第４の対象特定データと異なる形式でそれぞれ特定する第５の対象特定データと、
前記第４の複数の対象を前記第３の対象特定データと異なる形式でそれぞれ特定する第６の対象特定データと、
前記第２の複数の対象に含まれ且つ前記第１の複数の対象に含まれない第５の複数の対象を前記第４の対象特定データと異なる形式でそれぞれ特定する第７の対象特定データと、
を生成する第６のモジュールと、
前記第５の対象特定データと、前記第６の対象特定データとを、前記第３の対象特定データと対応付けて前記第１の主体に送信し、
前記第５の対象特定データと、前記第７の対象特定データとを、前記第４の対象特定データと対応付けて前記第２の主体に送信する
第７のモジュールと、
をさらに含み、
前記第１のリストが、前記第５の対象特定データと前記第６の対象特定データとのそれぞれに基づいて第１のルールで生成された前記第１の対象特定データを含み、
前記第２のリストが、前記第５の対象特定データと前記第７の対象特定データとのそれぞれに基づいて前記第１のルールで生成された前記第２の対象特定データを含む、
予測システム。 - 請求項２に記載された予測システムであって、
前記第１の対象特定データが、前記第５の対象特定データと前記第６の対象特定データとのそれぞれを第１のハッシュ関数で処理した第１の複数のハッシュ値を含み、
前記第２の対象特定データが、前記第５の対象特定データと前記第７の対象特定データとのそれぞれを前記第１のハッシュ関数で処理した第２の複数のハッシュ値を含む、
予測システム。 - 請求項３に記載された予測システムであって、
前記第３の対象特定データは、前記第１の複数の対象それぞれを特定するための表現が正規化されたデータを第２のハッシュ関数で処理した第３の複数のハッシュ値を含み、
前記第４の対象特定データは、前記第２の複数の対象それぞれを特定するための表現が正規化されたデータを前記第２のハッシュ関数で処理した第４の複数のハッシュ値を含む、
予測システム。 - 請求項１に記載された予測システムであって、
前記第４のモジュールが、前記第３の複数の対象及び前記第４の複数の対象それぞれの前記属性データと、前記パラメータと、に基づいて、前記第３の複数の対象及び前記第４の複数の対象それぞれについての前記所定事象を予測し、予測結果を前記第１の主体に送信する、
予測システム。
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/JP2016/054935 WO2017141439A1 (ja) | 2016-02-19 | 2016-02-19 | 予測システム |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP6158464B1 true JP6158464B1 (ja) | 2017-07-05 |
| JPWO2017141439A1 JPWO2017141439A1 (ja) | 2018-02-22 |
Family
ID=59272900
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2017516189A Active JP6158464B1 (ja) | 2016-02-19 | 2016-02-19 | 予測システム |
Country Status (2)
| Country | Link |
|---|---|
| JP (1) | JP6158464B1 (ja) |
| WO (1) | WO2017141439A1 (ja) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108062970A (zh) * | 2017-12-15 | 2018-05-22 | 泰康保险集团股份有限公司 | 药品推荐方法及装置 |
| JP6934040B2 (ja) * | 2019-12-27 | 2021-09-08 | 株式会社ビデオリサーチ | 顧客推定装置及び顧客推定方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001216369A (ja) * | 2000-01-31 | 2001-08-10 | Sony Corp | 商品購入データ処理システム及び商品購入データ処理方法 |
| JP2015079331A (ja) * | 2013-10-16 | 2015-04-23 | カルチュア・コンビニエンス・クラブ株式会社 | 顧客データ分析・検証システム |
-
2016
- 2016-02-19 JP JP2017516189A patent/JP6158464B1/ja active Active
- 2016-02-19 WO PCT/JP2016/054935 patent/WO2017141439A1/ja active Application Filing
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001216369A (ja) * | 2000-01-31 | 2001-08-10 | Sony Corp | 商品購入データ処理システム及び商品購入データ処理方法 |
| JP2015079331A (ja) * | 2013-10-16 | 2015-04-23 | カルチュア・コンビニエンス・クラブ株式会社 | 顧客データ分析・検証システム |
Non-Patent Citations (1)
| Title |
|---|
| 伊藤 淳 外４名: "「ＴｗｉｔｔｅｒとＢｌｏｇの共通ユーザプロフィールを利用したＴｗｉｔｔｅｒユーザ属性推定」", 情報処理学会研究報告 ２０１２（平成２４）年度（５）［ＣＤ−ＲＯＭ］, JPN6017019635, 2013, pages 1 - 8, ISSN: 0003567803 * |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2017141439A1 (ja) | 2017-08-24 |
| JPWO2017141439A1 (ja) | 2018-02-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| DeGregory et al. | A review of machine learning in obesity | |
| US11615288B2 (en) | Secure broker-mediated data analysis and prediction | |
| CN109036545B (zh) | 医疗信息处理方法、装置、计算机设备和存储介质 | |
| Hussain et al. | Predicting treatment outcome of drug-susceptible tuberculosis patients using machine-learning models | |
| US9965519B2 (en) | Document linkage and forwarding | |
| Bean et al. | Network analysis of patient flow in two UK acute care hospitals identifies key sub-networks for A&E performance | |
| US20150081676A1 (en) | Biological data structure having multi-lateral, multi-scalar, and multi-dimensional relationships between molecular features and other data | |
| JPWO2020039871A1 (ja) | 探索システムおよび探索方法 | |
| Lin et al. | Feature selection with modified lion’s algorithms and support vector machine for high-dimensional data | |
| Stark et al. | Betterchoice: A migraine drug recommendation system based on neo4j | |
| JP6158464B1 (ja) | 予測システム | |
| Komarova et al. | Estimation of treatment effects from combined data: Identification versus data security | |
| Pinol et al. | Rare disease discovery: An optimized disease ranking system | |
| Guo et al. | Using electronic health records and claims data to identify high-risk patients likely to benefit from palliative care. | |
| Saadat et al. | Knowledge graph-based convolutional network coupled with sentiment analysis towards enhanced drug recommendation | |
| Pearce et al. | Polar diversion: using general practice data to calculate risk of emergency department presentation at the time of consultation | |
| Shams et al. | REM: An integrative rule extraction methodology for explainable data analysis in healthcare | |
| Larabi-Marie-Sainte et al. | Forecasting COVID19 parameters using time-series: KSA, USA, Spain, and Brazil comparative case study | |
| JP2024041946A (ja) | クラスタ解析方法、クラスタ解析システム、及びクラスタ解析プログラム | |
| Gräßer et al. | Application of recommender system methods for therapy decision support | |
| US20110137670A1 (en) | Methods, apparatuses, and computer program products for facilitating development and execution of a clinical care plan | |
| Lai | The social influence on the behavioral intention to use mobile electronic medical records | |
| US20180285438A1 (en) | Database system and method for identifying a subset of related reports | |
| Valmianski et al. | SmartTriage: A system for personalized patient data capture, documentation generation, and decision support | |
| Yesha et al. | A graph-based method for analyzing electronic medical records |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20170424 |
|
| A975 | Report on accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A971005 Effective date: 20170509 |
|
| 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: 20170606 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20170607 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 6158464 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| S531 | Written request for registration of change of domicile |
Free format text: JAPANESE INTERMEDIATE CODE: R313531 |
|
| R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| S531 | Written request for registration of change of domicile |
Free format text: JAPANESE INTERMEDIATE CODE: R313531 |
|
| R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |