JP6355554B2 - Setting data storage device, method and program - Google Patents
Setting data storage device, method and program Download PDFInfo
- Publication number
- JP6355554B2 JP6355554B2 JP2014264330A JP2014264330A JP6355554B2 JP 6355554 B2 JP6355554 B2 JP 6355554B2 JP 2014264330 A JP2014264330 A JP 2014264330A JP 2014264330 A JP2014264330 A JP 2014264330A JP 6355554 B2 JP6355554 B2 JP 6355554B2
- Authority
- JP
- Japan
- Prior art keywords
- items
- setting
- item
- classifier
- value
- 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
Landscapes
- User Interface Of Digital Computer (AREA)
Description
本発明は、設定データ記憶装置、方法及びプログラムに関する。 The present invention relates to a setting data storage device, method, and program.
近年、より有用なサービスを提供するために、ビッグデータを活用する取り組みが活発に行われている。特に、個人に関わるパーソナルデータの活用に際しては、個人のプライバシーに配慮する必要がある。例えば、OECD(Organisation for Economic Co−operation and Development)のガイドラインに従えば、収集されたパーソナルデータの利用目的は被収集者に明らかにされるべきであり、また、パーソナルデータ収集者は、収集したパーソナルデータを非収集者から同意を得ている利用目的以外の目的で利用してはならない。 In recent years, in order to provide more useful services, efforts to utilize big data have been actively carried out. In particular, when using personal data related to an individual, it is necessary to consider the privacy of the individual. For example, according to the OECD (Organization for Economic Co-operation and Development) guidelines, the purpose of use of the collected personal data should be made clear to the collected person, and the collected personal data Personal data must not be used for purposes other than those for which consent has been obtained from a non-collector.
このようなパーソナルデータに関して、非特許文献1では、Webサービスに対して提供するパーソナルデータを制御する仕組みに関する規格であるP3P(Platform for Privacy Preference)が記載されている。非特許文献2では、P3Pに従って利用者がプリファレンスを設定することで、プリファレンスに違反するサービスを利用しようとした際に警告を発するようなエージェントシステムが提案されている。 Regarding such personal data, Non-Patent Document 1 describes P3P (Platform for Privacy Preferences), which is a standard relating to a mechanism for controlling personal data provided to a Web service. Non-Patent Document 2 proposes an agent system that issues a warning when a user attempts to use a service that violates the preference by setting the preference according to P3P.
また、特許文献1では、パーソナルデータのアクセスポリシに従ってパーソナルデータの提供の可否を制御するシステムが開示されている。開示されたシステムにおけるアクセスポリシは、アクセスしようとするリソース、アプリケーション事業者、アクセス用途などの組み合わせに対する条件式として実現され、事前に設定される。 Patent Document 1 discloses a system for controlling whether or not personal data can be provided according to a personal data access policy. The access policy in the disclosed system is realized as a conditional expression for a combination of a resource to be accessed, an application provider, an access use, and the like, and is set in advance.
上述の技術では、パーソナルデータへのアクセスを制御したいユーザは、アクセスの条件を設定する必要がある。
しかしながら、利用されるパーソナルデータの項目と利用目的などとの組み合わせは、膨大な量になることが予想される。このような項目の利用についての可否の設定は、ユーザにとって負担が大きい作業であり、一つ一つ設定していくことは現実的ではない。
In the above technique, a user who wants to control access to personal data needs to set access conditions.
However, it is expected that the number of combinations of personal data items to be used and the purpose of use will be enormous. Setting whether to use such items is a burdensome work for the user, and it is not realistic to set them one by one.
そこで、パーソナルデータの利用が可能か否かの設定において、設定の入力の負荷を軽減することができる装置が求められている。 Therefore, there is a demand for an apparatus that can reduce the input load of setting in setting whether or not personal data can be used.
本発明は、パーソナルデータの利用が可能か否かの設定において、設定の入力の負荷を軽減することができる設定データ記憶装置、方法及びプログラムを提供することを目的とする。 An object of the present invention is to provide a setting data storage device, method, and program capable of reducing the load of setting input when setting whether or not personal data can be used.
具体的には、以下のような解決手段を提供する。
(1) 複数のユーザのパーソナルデータに関する設定を記憶する設定データ記憶装置であって、前記パーソナルデータを構成する要素の提供を許可するか否かを設定する複数の項目について、当該項目ごとの設定値を含む設定ファイルを記憶する設定ファイル記憶部と、前記設定ファイルに基づいて、前記項目のうちの選択された所定の個数の項目を組み合わせた選択項目及び前記設定値と、前記選択項目を除いた残りの項目の前記設定値とを学習した分類器を生成する分類器生成部と、前記分類器の分類の精度を示す評価値を算出する評価値算出部と、前記選択項目を構成する前記所定の個数の項目の組み合わせを、前記評価値の比較により決定し、前記設定ファイルに記憶されていない新たなユーザの前記選択項目の前記設定値が入力された場合に、入力されていない前記残りの項目の前記設定値を推測する推測モデルを生成する推測モデル生成部と、前記新たなユーザの前記選択項目の前記設定値を取得し、前記推測モデルを用いて、前記残りの項目の前記設定値を推測する設定値推測部と、を備える設定データ記憶装置。
Specifically, the following solutions are provided.
(1) A setting data storage device for storing settings relating to personal data of a plurality of users, and for each of a plurality of items for setting whether or not to allow provision of elements constituting the personal data, settings for each item A setting file storage unit that stores a setting file that includes values; a selection item that combines a predetermined number of selected items among the items based on the setting file; the setting value; and the selection item is excluded A classifier generator that generates a classifier that learns the set values of the remaining items, an evaluation value calculator that calculates an evaluation value indicating the accuracy of classification of the classifier, and the selection items A combination of a predetermined number of items is determined by comparing the evaluation values, and the setting value of the selection item of a new user not stored in the setting file is input. A guess model generation unit that generates a guess model for guessing the set values of the remaining items that are not input, and obtains the set values of the selection items of the new user, the guess model A setting value inference unit that estimates the setting values of the remaining items.
(1)の設定データ記憶装置は、パーソナルデータを構成する項目ごとに対応付けられた、項目の利用が可能か否かを示す設定値を含む設定ファイルを記憶し、項目のうちの選択された所定の個数の項目を組み合わせた選択項目及び設定値と、選択項目を除いた残りの項目の設定値とを、設定ファイルに基づいて学習した分類器を生成する。次に、設定データ記憶装置は、分類器の精度を示す評価値を算出し、選択項目を構成する所定の個数の項目の組み合わせを、評価値の比較により決定し、設定ファイルに記憶されていない新たなユーザの選択項目の設定値が入力された場合に、入力されていない残りの項目の設定値を推測する推測モデルを生成する。そして、設定データ記憶装置は、新たなユーザの選択項目の設定値を取得し、推測モデルを用いて、残りの項目の設定値を推測する。 The setting data storage device of (1) stores a setting file associated with each item constituting personal data and including a setting value indicating whether or not the item can be used, and is selected from the items. A classifier is generated in which selection items and setting values obtained by combining a predetermined number of items and setting values of the remaining items excluding the selection items are learned based on the setting file. Next, the setting data storage device calculates an evaluation value indicating the accuracy of the classifier, determines a combination of a predetermined number of items constituting the selection item by comparing the evaluation values, and is not stored in the setting file. When a setting value of a selection item of a new user is input, an inference model that estimates the setting values of the remaining items that have not been input is generated. Then, the setting data storage device acquires the setting values of the new user's selection items, and estimates the setting values of the remaining items using the estimation model.
すなわち、(1)の設定データ記憶装置は、設定値が全て入力されなくても、所定の個数の項目を組み合わせた選択項目の設定値から、入力されていない残りの項目の設定値を精度良く推測することができる。
したがって、(1)の設定データ記憶装置は、パーソナルデータの利用が可能か否かの設定において、入力する項目数を減らしてユーザによる入力の負荷を軽減することができる。
That is, the setting data storage device (1) can accurately set the setting values of the remaining items that have not been input from the setting values of the selection items obtained by combining a predetermined number of items even if all the setting values are not input. Can be guessed.
Therefore, the setting data storage device (1) can reduce the input load by the user by reducing the number of items to be input when setting whether or not personal data can be used.
(2) 前記評価値算出部は、前記選択項目の前記設定値から、前記残りの項目のうちの一の項目の前記設定値として前記分類器によって分類された値と、前記設定ファイルにおける前記一の項目の既存の前記設定値との誤差の総和を、前記残りの項目の全てについて総和した評価値を算出し、前記推測モデル生成部は、前記選択項目を構成する組み合わせを替えて、前記所定の個数の項目からなる全ての組み合わせについて算出された前記評価値のうちで最も評価が高いことを示す前記評価値に対応する前記選択項目及び前記分類器を決定する(1)に記載の設定データ記憶装置。 (2) The evaluation value calculation unit includes a value classified by the classifier as the setting value of one of the remaining items from the setting value of the selection item, and the one in the setting file. And calculating an evaluation value obtained by summing all the remaining items with respect to a sum of errors with the existing set value of the item, and the inference model generating unit changes the combination constituting the selection item to change the predetermined item The setting data according to (1), wherein the selection item and the classifier corresponding to the evaluation value indicating the highest evaluation among the evaluation values calculated for all combinations of the number of items are determined. Storage device.
すなわち、(2)の設定データ記憶装置は、生成した分類器によって分類された値と、既存の設定値との誤差を評価して、最も評価の高い選択項目及び分類器を決定する。
したがって、(2)の設定データ記憶装置は、パーソナルデータの利用が可能か否かの設定において、適切な選択項目を決定できる。
That is, the setting data storage device (2) evaluates an error between the value classified by the generated classifier and the existing setting value, and determines the selection item and the classifier having the highest evaluation.
Accordingly, the setting data storage device (2) can determine an appropriate selection item in setting whether or not personal data can be used.
(3) 前記ユーザの前記設定値を推測するために、前記推測モデルの前記選択項目を含む質問セットを作成する質問セット作成部をさらに備え、前記設定値推測部は、前記質問セットによって前記選択項目の前記設定値を取得する(1)又は(2)に記載の設定データ記憶装置。 (3) It further includes a question set creation unit that creates a question set including the selection items of the guess model in order to guess the setting value of the user, and the setting value guessing unit performs the selection by the question set. The setting data storage device according to (1) or (2), wherein the setting value of an item is acquired.
すなわち、(3)の設定データ記憶装置は、選択項目に基づいて質問セットを作成して選択項目の設定値を取得する。
したがって、(3)の設定データ記憶装置は、パーソナルデータの利用が可能か否かの設定において、ユーザが容易に入力できるようにした質問セットによって、ユーザによる入力の負荷をさらに軽減することができる。
That is, the setting data storage device of (3) creates a question set based on the selection item and acquires the setting value of the selection item.
Therefore, the setting data storage device of (3) can further reduce the input load by the user by using a question set that can be easily input by the user when setting whether or not personal data can be used. .
(4) (1)に記載の設定データ記憶装置が実行する方法であって、前記分類器生成部が、前記設定ファイルに基づいて、前記項目のうちの選択された所定の個数の項目を組み合わせた選択項目及び前記設定値と、前記選択項目を除いた残りの項目の前記設定値とを学習した分類器を生成する分類器生成ステップと、前記評価値算出部が、前記分類器の分類の精度を示す評価値を算出する評価値算出ステップと、前記推測モデル生成部が、前記選択項目を構成する前記所定の個数の項目の組み合わせを、前記評価値の比較により決定し、前記設定ファイルに記憶されていない新たなユーザの前記選択項目の前記設定値が入力された場合に、入力されていない前記残りの項目の前記設定値を推測する推測モデルを生成する推測モデル生成ステップと、前記設定値推測部が、前記新たなユーザの前記選択項目の前記設定値を取得し、前記推測モデルを用いて、前記残りの項目の前記設定値を推測する設定値推測ステップと、を備える方法。 (4) A method executed by the setting data storage device according to (1), wherein the classifier generation unit combines a predetermined number of selected items among the items based on the setting file. A classifier generating step for generating a classifier that learns the selected items and the set values and the set values of the remaining items excluding the selected items, and the evaluation value calculating unit An evaluation value calculation step for calculating an evaluation value indicating accuracy, and the estimation model generation unit determines a combination of the predetermined number of items constituting the selection item by comparing the evaluation values, and stores the combination in the setting file. When the setting value of the selection item of a new user that is not stored is input, an estimation model generation step for generating an estimation model for estimating the setting value of the remaining item that has not been input. And a set value inference step in which the set value estimation unit obtains the set values of the selection items of the new user and estimates the set values of the remaining items using the estimation model. A method comprising:
(4)の方法は、(1)と同様に、パーソナルデータの利用が可能か否かの設定において、ユーザによる入力の負荷を軽減することができる。 As in (1), the method (4) can reduce the input load by the user in setting whether or not personal data can be used.
(5) コンピュータに、(4)に記載の方法の各ステップを実行させるためのプログラム。 (5) A program for causing a computer to execute each step of the method described in (4).
(5)のプログラムは、パーソナルデータの利用が可能か否かの設定において、ユーザによる入力の負荷を軽減させるように、コンピュータに機能させることができる。 The program of (5) can be made to function on the computer so as to reduce the input load by the user in setting whether or not personal data can be used.
本発明によれば、パーソナルデータの利用が可能か否かの設定において、設定の入力の負荷を軽減することができる。 According to the present invention, it is possible to reduce the load of setting input when setting whether or not personal data can be used.
以下、本発明の実施形態について、図を参照しながら説明する。図1は、本発明の一実施形態に係る設定データ記憶装置10の構成を示すブロック図である。
設定データ記憶装置10は、設定ファイル311を記憶する設定ファイル記憶部31と、分類器生成部11と、評価値算出部12と、推測モデル生成部13と、質問セット作成部14と、設定値推測部15とを備える。
設定データ記憶装置10は、ユーザの端末50と通信可能に接続されたサーバとし、各部について詳述する。
Hereinafter, embodiments of the present invention will be described with reference to the drawings. FIG. 1 is a block diagram showing a configuration of a setting
The setting
The setting
設定ファイル記憶部31は、パーソナルデータを構成する要素の提供を許可するか否かを設定する複数の項目について、当該項目ごとの設定値を含む設定ファイル311を記憶する。具体的には、設定ファイル311は、ユーザの識別情報と、項目の設定値とを対応付けている(後述する図2参照)。項目の設定値は、例えば、パーソナルデータの要素の利用が可能であることを示す場合に「Y」(数値1)、要素の利用が可能でないことを示す場合に「N」(数値0)である。
The setting
分類器生成部11は、設定ファイル311に基づいて、項目のうちの選択された所定の個数の項目を組み合わせた選択項目及び選択項目の設定値と、選択項目を除いた残りの項目の設定値とを学習した分類器を生成する。具体的には、設定ファイル311の項目のうちから所定の個数(例えば、n個)の項目が選択され、分類器生成部11は、選択された項目である選択項目の設定値と、選択項目を除いた残りの項目の設定値とを、分類器に学習させ、残りの項目ごとのそれぞれの分類器を生成する。
分類器は、例えば、サポートベクターマシンなどでよい。また、分類器は、例えば、懸念度を10段階で表現するようなn値分類器でもよい。生成された分類器は、学習によって、入力値を2クラスに分類するためのパラメータがそれぞれ異なる。
所定の個数は、設定値の入力の際にユーザによる入力の負荷とならない個数として、ユーザ又は管理者などによって選択されるとしてよい。
Based on the
The classifier may be, for example, a support vector machine. Further, the classifier may be an n-value classifier that expresses the degree of concern in 10 stages, for example. The generated classifiers have different parameters for classifying input values into two classes by learning.
The predetermined number may be selected by a user or an administrator as a number that does not cause an input load by the user when the set value is input.
評価値算出部12は、分類器の精度を示す評価値を算出する。具体的には、評価値算出部12は、設定ファイル311の選択項目の既存の設定値から分類器によって分類された値であって、選択項目を除いた残りの項目のうちの一の項目の設定値として分類器によって分類された値と、設定ファイル311における一の項目の既存の設定値との誤差の総和を、残りの項目の全てについて総和した評価値を算出する。
The evaluation
推測モデル生成部13は、選択項目を構成する所定の個数の項目の組み合わせを、評価値の比較により決定し、設定ファイル311に記憶されていない新たなユーザの選択項目の設定値が入力された場合に、入力されていない残りの項目の設定値を推測する推測モデルを生成する。具体的には、推測モデル生成部13は、選択項目を構成する組み合わせを替えて、所定の個数の項目からなる全ての組み合わせについて算出された評価値のうちで最も評価が高いことを示す評価値(すなわち、誤差の最小値)に対応する選択項目及び分類器を決定する。
The speculation
質問セット作成部14は、ユーザの設定値を推測するために、推測モデルの選択項目を含む質問セットを作成する。具体的には、質問セット作成部14は、推測モデル生成部によって生成された推測モデルの選択項目(例えば、「現在の位置情報をナビゲーションサービスに提供する」、「購買情報を提供する」などという項目)に基づいて、設定値を取得するためにユーザの入力を促すための、「現在の位置情報をナビゲーションサービスに提供してもよいですか?」、「購買情報を提供してもよいですか?」などを作成する。質問セット作成部14は、所定の個数の選択項目(例えば、n個の選択項目)に基づいて所定の個数(例えば、n個)の質問を作成する。
The question set
設定値推測部15は、新たなユーザの選択項目の設定値を取得し、推測モデルを用いて、選択項目を除いた残りの項目の設定値を推測する。設定値推測部15は、質問セット作成部14によって作成された質問セットによって、新たなユーザの選択項目の設定値を取得する。具体的には、設定値推測部15は、作成された質問セットをユーザの端末50に送信し、送信された質問に対しユーザによって入力された設定値をユーザの端末50から受信することによって、新たなユーザの選択項目の設定値を取得する。次に、設定値推測部15は、受信した選択項目の設定値に基づいて、推測モデルを用いて、選択項目を除いた残りの項目の設定値を推測する。
The setting
図2及び図3により、上述の推測モデルの生成方法についてさらに説明する。
図2は、本発明の一実施形態に係る設定データ記憶装置10の設定ファイル311の例を示す図である。図3は、本発明の一実施形態に係る設定データ記憶装置10による評価モデルの生成を説明するための図である。
図2のように、設定ファイル311は、ユーザのIDと、項目に対応する設定値(Y又はN)とを対応付けている。設定ファイル311の項目は、項目1、項目2、・・・、項目kとし、その項目に対応する設定値をQ1、Q2、・・・、Qkとする。選択項目の個数である所定の個数は、n個とする。例えば、選択項目のうちの一の組み合わせの設定値は、選択項目の設定値Qa1〜Qanと表され、選択項目を除いた残りの項目の設定値は、残りの項目の設定値Ra1〜Rarと表される(r=k−n)。
With reference to FIGS. 2 and 3, the method for generating the above-described estimation model will be further described.
FIG. 2 is a diagram showing an example of the
As illustrated in FIG. 2, the setting file 311 associates a user ID with a setting value (Y or N) corresponding to an item. Items of the
分類器生成部11は、選択項目のうちの一の組み合わせの設定値Qa1〜Qanのn次元のデータと、残りの項目の設定値Ra1〜Rarのうちの一の項目の設定値Ra1とを、分類器に学習させる。このようにして、一の組み合わせの設定値Qa1〜Qanのn次元のデータから、一の項目の設定値Ra1として分類する分類器a1が生成される。この分類器a1の精度は、設定ファイル311のユーザごとの設定値Qa1〜Qanの既存の値から分類器a1により分類された値と、設定ファイル311のユーザごとの設定値Ra1の既存の値との誤差の、全てのユーザについての総和である誤差da1として表される。
The
同様にして、分類器生成部11は、全ての残りの項目の設定値Ra2〜Rarについて、分類する分類器a2〜分類器arをそれぞれ生成する。これらの分類器の精度は、誤差da2〜darとして表される。
Similarly, the
次に、評価値算出部12は、それぞれの分類器の誤差da1〜darの総和Haを算出する。この総和は、選択項目のうちの一の組み合わせの設定値Qa1〜Qanから分類器a1〜分類器arによって残りの項目の設定値Ra1〜Rarを推測する精度を示す評価値である。
Next, the evaluation
次に、分類器生成部11及び評価値算出部12は、選択項目として選択されうるn個の項目の全ての組み合わせについて、選択項目を除いた残りの項目ごとにそれぞれの分類器を生成し、評価値Ha〜Hpを算出する。
Next, the
次に、推測モデル生成部13は、評価値Ha〜Hpのうち分類器による分類の精度が最も良い(すなわち、誤差が最小である)ことを示す評価値に基づいて、選択項目の組み合わせと、残りの項目ごとの分類器とを決定し、推測モデルとする。
Next, the inference
図4は、本発明の一実施形態に係る設定データ記憶装置10の推測モデル生成処理の例を示すフローチャートである。設定データ記憶装置10は、コンピュータ及びその周辺装置が備えるハードウェア並びに該ハードウェアを制御するソフトウェアによって構成される。以下の処理は、制御部(例えば、CPU)が、所定のソフトウェアに従い実行する処理である。推測モデル生成処理は、プログラムを管理するOSの下で、定期的に、又はユーザにより要求された場合に実行される。
FIG. 4 is a flowchart showing an example of the estimation model generation process of the setting
ステップS101において、CPU(推測モデル生成部13)は、選択項目の所定の個数nを取得する。より具体的には、CPUは、ユーザの端末50から入力(例えば、コンピュータ用キーボードによる入力や、所定の個数nを選択させる選択画面からマウスなどのポインティングデバイスによる選択などによる入力)された所定の個数nを取得する。なお、所定の個数nは、例えば、管理者によってサーバに入力されてもよく、固定値でもよく、項目数の一定の割合から算出されてもよい。 In step S101, the CPU (guess model generation unit 13) acquires a predetermined number n of selection items. More specifically, the CPU receives a predetermined input from the user's terminal 50 (for example, input using a computer keyboard or selection using a pointing device such as a mouse from a selection screen for selecting a predetermined number n). The number n is acquired. Note that the predetermined number n may be input to the server by an administrator, may be a fixed value, or may be calculated from a certain ratio of the number of items.
ステップS102において、CPU(推測モデル生成部13)は、選択項目として、所定の個数nからなる一の組み合わせを選択する。 In step S102, the CPU (guess model generation unit 13) selects one combination consisting of a predetermined number n as a selection item.
ステップS103において、CPU(分類器生成部11)は、選択項目の設定値と、選択項目を除いた残りの項目のうちの一の項目の設定値とを、設定ファイル311に基づいて分類器に学習させる。より具体的には、CPUは、設定ファイル311から、ユーザIDごとに記憶されている、選択項目の設定値と、残りの項目のうちの一の項目の設定値とを、全てのユーザIDについて分類器に学習させる。
In step S103, the CPU (classifier generation unit 11) sets the set value of the selected item and the set value of one of the remaining items excluding the selected item to the classifier based on the
ステップS104において、CPU(評価値算出部12)は、ステップS103において学習させた分類器により分類された値と、設定ファイル311の既存の設定値との誤差を算出する。より具体的には、CPUは、一の項目について学習させた分類器に、選択項目の既存の設定値を入力し、出力された分類結果と、一の項目の既存の設定値との誤差を、全てのユーザIDに対して求め、求めた誤差の総和を一の項目の誤差として算出する。
In step S <b> 104, the CPU (evaluation value calculation unit 12) calculates an error between the value classified by the classifier learned in step S <b> 103 and the existing setting value in the
ステップS105において、CPU(推測モデル生成部13)は、残りの項目の全てについて学習したか否かを判断する。この判断がYESの場合、CPUは、処理をステップS106に移し、この判断がNOの場合、CPUは、処理をステップS103に移す。 In step S105, the CPU (guess model generation unit 13) determines whether or not all of the remaining items have been learned. If this determination is YES, the CPU moves the process to step S106, and if this determination is NO, the CPU moves the process to step S103.
ステップS106において、CPU(評価値算出部12)は、評価値を算出する。より具体的には、CPUは、ステップS104において求めた項目ごとの誤差の総和を、選択項目のうちの一の組み合わせの評価値として算出する。 In step S106, the CPU (evaluation value calculation unit 12) calculates an evaluation value. More specifically, the CPU calculates the sum of errors for each item obtained in step S104 as an evaluation value for one combination of selection items.
ステップS107において、CPU(推測モデル生成部13)は、選択項目の全ての組み合わせについて終了か否かを判断する。この判断がYESの場合、CPUは、処理をステップS108に移し、この判断がNOの場合、CPUは、処理をステップS102に移す。 In step S <b> 107, the CPU (guess model generation unit 13) determines whether or not all combinations of selection items are complete. If this determination is YES, the CPU moves the process to step S108, and if this determination is NO, the CPU moves the process to step S102.
ステップS108において、CPU(推測モデル生成部13)は、選択項目を決定する。より具体的には、CPUは、選択項目の組み合わせごとにステップS106において算出した評価値のうち、分類器による分類の精度が最も良い(すなわち、誤差が最小である)ことを示す評価値に対応する選択項目の組み合わせ及び分類器を、設定値を推測する推測モデルの選択項目及び分類器として決定する。その後、CPUは、推測モデル生成処理を終了する。 In step S108, the CPU (guess model generation unit 13) determines a selection item. More specifically, the CPU corresponds to an evaluation value indicating that the classification accuracy by the classifier is the best (that is, the error is minimum) among the evaluation values calculated in step S106 for each combination of selection items. The selection item combination and the classifier are determined as the selection item and the classifier of the inference model for estimating the set value. Thereafter, the CPU ends the estimation model generation process.
図5は、本発明の一実施形態に係る設定データ記憶装置10の設定値推測処理の例を示すフローチャートである。質問処理は、プログラムを管理するOSの下で、例えば、ユーザにより要求された場合に実行される。
FIG. 5 is a flowchart showing an example of setting value estimation processing of the setting
ステップS201において、CPU(質問セット作成部14)は、推測モデルの選択項目に基づいて質問セットを作成する。より具体的には、CPUは、推測モデルの選択項目について設定値を取得するために、ユーザの入力を促すための質問セットを作成する。質問は、選択項目を構成する項目の個数(例えば、n個)だけ作成される。 In step S <b> 201, the CPU (question set creation unit 14) creates a question set based on the selection item of the speculation model. More specifically, the CPU creates a question set for prompting the user's input in order to obtain setting values for the selection items of the speculative model. Questions are created by the number of items (for example, n items) constituting the selection item.
ステップS202において、CPU(設定値推測部15)は、ステップS201において作成した質問セットに対する設定値を取得する。具体的には、CPUは、質問セットをユーザの端末50に送信し、ユーザによって入力された設定値と共にユーザの識別情報を、ユーザの端末50から受信する。
In step S202, the CPU (setting value estimation unit 15) acquires a setting value for the question set created in step S201. Specifically, the CPU transmits the question set to the
ステップS203において、CPU(設定値推測部15)は、選択項目と、ステップS202において取得した設定値とから、推測モデルを用いて、選択項目を除いた残りの項目の設定値を推測する。より具体的には、CPUは、選択項目の設定値(n次元データ)を、推測モデルに対し入力し、推測モデルからの出力を取得することにより、残りの項目ごとの設定値を推測する。 In step S203, the CPU (setting value estimation unit 15) estimates the setting values of the remaining items excluding the selection item from the selection items and the setting values acquired in step S202 using an estimation model. More specifically, the CPU inputs the setting value (n-dimensional data) of the selection item to the estimation model and acquires the output from the estimation model, thereby estimating the setting value for each remaining item.
ステップS204において、CPU(設定値推測部15)は、推測した設定値を設定ファイル311に記憶させる。より具体的には、CPUは、設定ファイル記憶部31に記憶されている設定ファイル311に、ステップS202において取得したユーザの識別情報に対応付けて、ステップS202において取得した選択項目の設定値と、ステップS203において推測した残りの項目の設定値とを記憶させる。その後、CPUは、設定値推測処理を終了する。
In step S <b> 204, the CPU (setting value estimation unit 15) stores the estimated setting value in the
本実施形態によれば、設定データ記憶装置10は、選択項目を構成する所定の個数の項目の組み合わせを、評価値の比較により決定し、設定ファイルに記憶されていない新たなユーザの選択項目の設定値が入力された場合に、入力されていない残りの項目の設定値を推測する推測モデルを生成する。推測モデルの生成において、設定データ記憶装置10は、選択項目を除いた残りの項目ごとに生成した分類器によって分類された値と、既存の設定値との誤差を評価して、最も評価の高い選択項目及び分類器を決定する。そして、設定データ記憶装置10は、推測モデルを用いて、設定値が全て入力されなくても、所定の個数の項目を組み合わせた選択項目の設定値から、入力されていない残りの項目の設定値を精度良く推測する。
さらに、設定データ記憶装置10は、ユーザの設定値を推測するために、推測モデルの選択項目を含む質問セットを作成し、質問セットによって、新たなユーザの選択項目の設定値を取得し、推測モデルを用いて、残りの項目の設定値を推測する。
このように、設定データ記憶装置10は、詳細なプライバシー設定を精度良く予測して、少数の質問によって自動的に設定し、ユーザによる入力の負荷を軽減する。
According to the present embodiment, the setting
Further, the setting
As described above, the setting
以上、本発明の実施形態について説明したが、本発明は上述した実施形態に限るものではない。
例えば、上述した実施形態では、設定データ記憶装置10は、新たなユーザによる選択項目の設定値の入力に対して、残りの項目の入力されていない設定値を設定するとしたが、既存の設定ファイル311におけるユーザの選択項目の入力に対して、残りの項目の既に入力されている設定値を、再設定するとしてもよい。設定データ記憶装置10は、選択項目の既存の設定値の変更に伴って、残りの項目の設定値の変更を行うことができる。
また、上述した実施形態では、設定データ記憶装置10は、推測モデルを生成するごとに分類器を学習させるとしたが、設定ファイル311の更新により学習が必要な分類器のみを学習させるとしてもよい。設定データ記憶装置10は、効率よく、推測モデルを更新することができる。
As mentioned above, although embodiment of this invention was described, this invention is not restricted to embodiment mentioned above.
For example, in the above-described embodiment, the setting
In the above-described embodiment, the setting
また、本発明の実施形態に記載された効果は、本発明から生じる最も好適な効果を列挙したに過ぎず、本発明による効果は、本発明の実施形態に記載されたものに限定されるものではない。 The effects described in the embodiments of the present invention are only the most preferable effects resulting from the present invention, and the effects of the present invention are limited to those described in the embodiments of the present invention. is not.
設定データ記憶装置10による一連の処理は、ソフトウェアにより行うこともできる。一連の処理をソフトウェアによって行う場合には、そのソフトウェアを構成するプログラムが、汎用のコンピュータなどにインストールされる。また、当該プログラムは、コンピュータ読み取り可能な記録媒体(例えば、CD−ROMのようなリムーバブルメディアなど)に記録されてユーザに配布されてもよいし、ネットワークを介してユーザのコンピュータにダウンロードされることにより配布されてもよい。
A series of processing by the setting
10 設定データ記憶装置
11 分類器生成部
12 評価値算出部
13 推測モデル生成部
14 質問セット作成部
15 設定値推測部
31 設定ファイル記憶部
311 設定ファイル
50 ユーザの端末
DESCRIPTION OF
Claims (4)
前記パーソナルデータを構成する要素の提供を許可するか否かを設定する複数の項目について、前記ユーザに対応付けた前記項目ごとの設定値を含む設定ファイルを記憶する設定ファイル記憶部と、
前記設定ファイルに基づいて、前記項目のうちの所定の個数の項目の組み合わせである選択項目として選択されうる項目及び当該項目の既存の設定値と、前記選択項目として選択されうる項目を除いた残りの項目の既存の設定値とを学習した分類器を生成する分類器生成部であって、前記分類器が、前記選択項目の設定値から前記選択項目を除いた残りの項目のうちの一の項目の設定値を推測する、前記残りの項目ごとの分類器である、分類器生成部と、
前記選択項目として選択されうる項目の組み合わせの一つについて、前記設定ファイルに記憶された一のユーザに対応付けた前記選択項目として選択されうる項目の既存の設定値から当該選択項目として選択されうる項目を除いた残りの項目のうちの一の項目の設定値として前記分類器によって推測された値と前記設定ファイルにおける当該一のユーザに対応付けた当該一の項目の既存の設定値との誤差を算出する操作を、前記設定ファイルに記憶された全てのユーザについて実行し、前記誤差の全てのユーザについての総和を当該残りの項目の全ての項目についてそれぞれ算出し、当該残りの項目の全てについてそれぞれ算出した総和を、前記選択項目として選択されうる項目の組み合わせの一つについて総和した評価値を算出する評価値算出部と、
前記選択項目として選択されうる項目の組み合わせの全てについてそれぞれ算出された前記評価値のうちで最も評価が高いことを示す前記評価値に対応する項目の組み合わせを前記選択項目として決定するとともに、決定された選択項目の組み合わせに対応する残りの項目ごとの分類器を決定する推測モデル生成部と、
前記設定ファイルに記憶されていない新たなユーザの前記決定された選択項目の設定値を取得し、前記決定された分類器を用いて前記新たなユーザによって入力されていない前記残りの項目の設定値を推測する設定値推測部と、
を備える設定データ記憶装置。 A setting data storage device that stores settings related to personal data of a plurality of users,
A setting file storage unit that stores a setting file that includes setting values for each of the items associated with the user, for a plurality of items that are set to allow or not to provide an element that constitutes the personal data;
Based on the setting file, an item that can be selected as a selection item that is a combination of a predetermined number of items among the items, an existing setting value of the item, and the remaining items other than the item that can be selected as the selection item A classifier generator that generates a classifier that has learned the existing setting value of the item , wherein the classifier is one of the remaining items excluding the selection item from the setting value of the selection item A classifier generator, which is a classifier for each of the remaining items, for estimating a setting value of an item ;
One of the combinations of items that can be selected as the selection item can be selected as the selection item from the existing setting values of the item that can be selected as the selection item associated with one user stored in the setting file. An error between a value estimated by the classifier as a setting value of one of the remaining items excluding the item and an existing setting value of the one item associated with the one user in the setting file Is calculated for all users stored in the setting file, and the sum of all the errors for all users is calculated for all the remaining items, and for all the remaining items. the sum was calculated, to calculate the evaluation value sum for one of the combinations of items may be selected as the selection item evaluation value And the detection section,
The combination of items corresponding to the evaluation value indicating the highest evaluation among the evaluation values calculated for all combinations of items that can be selected as the selection item is determined as the selection item, and is determined. A speculation model generation unit that determines a classifier for each remaining item corresponding to the combination of selected items ,
A setting value of the determined selection item of a new user that is not stored in the setting file is acquired, and a setting value of the remaining item that is not input by the new user using the determined classifier A setting value estimation unit for estimating
A setting data storage device comprising:
前記設定値推測部は、前記質問セットに対し前記新たなユーザが設定値を入力することによって前記決定された選択項目の設定値を取得する請求項1に記載の設定データ記憶装置。 In order to infer the setting value of the remaining items of the new user, further comprising a question set creation unit for creating a question set including a combination of the determined selection items,
2. The setting data storage device according to claim 1, wherein the setting value estimation unit acquires a setting value of the determined selection item when the new user inputs a setting value for the question set.
前記分類器生成部が、前記設定ファイルに基づいて、前記項目のうちの所定の個数の項目の組み合わせである選択項目として選択されうる項目及び当該項目の既存の設定値と、前記選択項目として選択されうる項目を除いた残りの項目の既存の設定値とを学習した分類器を生成する分類器生成ステップであって、前記分類器が、前記選択項目の設定値から前記選択項目を除いた残りの項目のうちの一の項目の設定値を推測する、前記残りの項目ごとの分類器である、分類器生成ステップと、
前記評価値算出部が、前記選択項目として選択されうる項目の組み合わせの一つについて、前記設定ファイルに記憶された一のユーザに対応付けた前記選択項目として選択されうる項目の既存の設定値から当該選択項目として選択されうる項目を除いた残りの項目のうちの一の項目の設定値として前記分類器によって推測された値と前記設定ファイルにおける当該一のユーザに対応付けた当該一の項目の既存の設定値との誤差を算出する操作を、前記設定ファイルに記憶された全てのユーザについて実行し、前記誤差の全てのユーザについての総和を当該残りの項目の全ての項目についてそれぞれ算出し、当該残りの項目の全てについてそれぞれ算出した総和を、前記選択項目として選択されうる項目の組み合わせの一つについて総和した評価値を算出する評価値算出ステップと、
前記推測モデル生成部が、前記選択項目として選択されうる項目の組み合わせの全てについてそれぞれ算出された前記評価値のうちで最も評価が高いことを示す前記評価値に対応する項目の組み合わせを前記選択項目として決定するとともに、決定された選択項目の組み合わせに対応する残りの項目ごとの分類器を決定する推測モデル生成ステップと、
前記設定値推測部が、前記設定ファイルに記憶されていない新たなユーザの前記決定された選択項目の設定値を取得し、前記決定された分類器を用いて前記新たなユーザによって入力されていない前記残りの項目の設定値を推測する設定値推測ステップと、
を備える方法。 A method executed by the setting data storage device according to claim 1,
Based on the setting file, the classifier generation unit selects an item that can be selected as a selection item that is a combination of a predetermined number of items among the items, an existing setting value of the item , and the selection item A classifier generating step of generating a classifier that learns existing setting values of remaining items excluding items that can be performed , wherein the classifier removes the selection items from the setting values of the selection items A classifier generating step, which is a classifier for each of the remaining items, for estimating a setting value of one of the items
From the existing setting value of the item that can be selected as the selection item associated with one user stored in the setting file, for one of the combinations of items that can be selected as the selection item , the evaluation value calculation unit The value estimated by the classifier as the setting value of one of the remaining items excluding the items that can be selected as the selection item and the one item associated with the one user in the setting file An operation for calculating an error with an existing setting value is executed for all users stored in the setting file, and a sum for all users of the error is calculated for all the remaining items, respectively. commentary which the remaining sum calculated respectively for all of the items, and the sum for one of the combinations of items may be selected as the selection item An evaluation value calculation step of calculating a value,
The selection item is a combination of items corresponding to the evaluation value indicating that the estimation model generation unit has the highest evaluation among the evaluation values respectively calculated for all combinations of items that can be selected as the selection item. An inference model generation step for determining a classifier for each remaining item corresponding to the determined combination of selected items, and
The set value estimation unit acquires a set value of the determined selection item of a new user that is not stored in the setting file, and is not input by the new user using the determined classifier A setting value estimation step of estimating the setting values of the remaining items;
A method comprising:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2014264330A JP6355554B2 (en) | 2014-12-26 | 2014-12-26 | Setting data storage device, method and program |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2014264330A JP6355554B2 (en) | 2014-12-26 | 2014-12-26 | Setting data storage device, method and program |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2016126390A JP2016126390A (en) | 2016-07-11 |
JP6355554B2 true JP6355554B2 (en) | 2018-07-11 |
Family
ID=56359507
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2014264330A Active JP6355554B2 (en) | 2014-12-26 | 2014-12-26 | Setting data storage device, method and program |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6355554B2 (en) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6721484B2 (en) * | 2016-10-07 | 2020-07-15 | Kddi株式会社 | Information management device, method, and computer program |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07141322A (en) * | 1993-09-27 | 1995-06-02 | Hitachi Ltd | Automatic selection method and maintenance method for questionnaire item |
JPH1173323A (en) * | 1997-08-29 | 1999-03-16 | Nippon Telegr & Teleph Corp <Ntt> | Method for generating decision tree and recording medium recording decision tree generating program |
JP2002082979A (en) * | 2000-04-10 | 2002-03-22 | Ichi Rei Yon Kk | Automatic default setting system |
JP2008276669A (en) * | 2007-05-07 | 2008-11-13 | Victor Co Of Japan Ltd | Equipment operation setting device |
US9443210B2 (en) * | 2008-11-24 | 2016-09-13 | Oracle International Corporation | Interactive product configurator with automatic selections |
-
2014
- 2014-12-26 JP JP2014264330A patent/JP6355554B2/en active Active
Also Published As
Publication number | Publication date |
---|---|
JP2016126390A (en) | 2016-07-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108009016B (en) | Resource load balancing control method and cluster scheduler | |
Nikravesh et al. | An autonomic prediction suite for cloud resource provisioning | |
Yin et al. | Colbar: A collaborative location-based regularization framework for QoS prediction | |
CN103502899B (en) | Dynamic prediction Modeling Platform | |
US20190114672A1 (en) | Digital Content Control based on Shared Machine Learning Properties | |
US20120102417A1 (en) | Context-Aware User Input Prediction | |
JP2008225995A (en) | Policy preparation support method, policy preparation support system, and program | |
US11341429B1 (en) | Distributed machine learning for improved privacy | |
JP6718500B2 (en) | Optimization of output efficiency in production system | |
US20130096831A1 (en) | Automatic, adaptive and optimized sensor selection and virtualization | |
JP2017146888A (en) | Design support device and method and program | |
JP6645441B2 (en) | Information processing system, information processing method, and program | |
JP6516406B2 (en) | Processing device, processing method, and program | |
Samreen et al. | Transferable knowledge for low-cost decision making in cloud environments | |
JP6213552B2 (en) | Non-functional evaluation project management system, non-functional evaluation project management method, and non-functional evaluation project management program | |
Zhang et al. | Service workload patterns for Qos-driven cloud resource management | |
JP6355554B2 (en) | Setting data storage device, method and program | |
Bhardwaj et al. | Framework for quality ranking of components in cloud computing: regressive rank | |
JP2018060478A (en) | Information management device, method, and computer program | |
JP5950284B2 (en) | Processing device, processing method, and program | |
US11188834B1 (en) | Machine learning technique for recommendation of courses in a social networking service based on confidential data | |
Madi et al. | Plmwsp: Probabilistic latent model for web service qos prediction | |
Jafarpour et al. | QoS-aware Selection of Web Service Compositions using Harmony Search Algorithm. | |
JP6324124B2 (en) | Prediction system, prediction method, and prediction program | |
Jain et al. | Data-Dependent QoS-based service selection |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20170816 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20180314 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20180327 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20180521 |
|
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: 20180605 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20180612 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6355554 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |