JP6601888B1 - Information processing apparatus, information processing method, and information processing program - Google Patents
Information processing apparatus, information processing method, and information processing program Download PDFInfo
- Publication number
- JP6601888B1 JP6601888B1 JP2018159439A JP2018159439A JP6601888B1 JP 6601888 B1 JP6601888 B1 JP 6601888B1 JP 2018159439 A JP2018159439 A JP 2018159439A JP 2018159439 A JP2018159439 A JP 2018159439A JP 6601888 B1 JP6601888 B1 JP 6601888B1
- Authority
- JP
- Japan
- Prior art keywords
- information
- user
- feature
- feature information
- information processing
- 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
- 230000010365 information processing Effects 0.000 title claims abstract description 121
- 238000003672 processing method Methods 0.000 title claims abstract description 11
- 239000013598 vector Substances 0.000 claims abstract description 68
- 238000006243 chemical reaction Methods 0.000 claims abstract description 32
- 238000000034 method Methods 0.000 claims description 52
- 238000004364 calculation method Methods 0.000 claims description 34
- 230000006835 compression Effects 0.000 claims description 2
- 238000007906 compression Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 12
- 238000000605 extraction Methods 0.000 description 30
- 230000008569 process Effects 0.000 description 29
- 238000010586 diagram Methods 0.000 description 22
- 230000006870 function Effects 0.000 description 14
- 239000000284 extract Substances 0.000 description 13
- 238000004891 communication Methods 0.000 description 11
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
【課題】異なるサービスの個々の解析結果の関係性を推定することができる情報処理装置、情報処理方法および情報処理プログラムを提供する。【解決手段】本願に係る情報処理装置は、取得部と、変換部と、推定部とを備える。取得部は、ユーザの属性を用いてユーザの特徴を推定するモデル、および、上記属性を用いて推定されたユーザの特徴に関する推定結果の少なくとも一方を含む特徴情報を異なるサービスそれぞれから取得する。変換部は、取得部によって取得された特徴情報をベクトル値へ変換する。推定部は、変換部によって変換されたベクトル値に基づいて特徴情報間の関係性を推定する。【選択図】図3An information processing apparatus, an information processing method, and an information processing program capable of estimating the relationship between individual analysis results of different services are provided. An information processing apparatus according to the present application includes an acquisition unit, a conversion unit, and an estimation unit. The acquisition unit acquires feature information including at least one of a model for estimating a user feature using a user attribute and an estimation result regarding the user feature estimated using the attribute from each of different services. The conversion unit converts the feature information acquired by the acquisition unit into a vector value. The estimation unit estimates the relationship between the feature information based on the vector value converted by the conversion unit. [Selection] Figure 3
Description
本発明は、情報処理装置、情報処理方法および情報処理プログラムに関する。 The present invention relates to an information processing apparatus, an information processing method, and an information processing program.
従来、例えば、ユーザに対して各種サービスを提供し、かかるサービスの利用により得られるユーザの属性を解析することで、ユーザの特徴を推定する情報処理装置がある。この種の情報処理装置では、推定したユーザの特徴に基づき、自身が提供するサービスを最適化する場合がある。 2. Description of the Related Art Conventionally, for example, there are information processing apparatuses that provide various services to a user and estimate the user's characteristics by analyzing user attributes obtained by using the service. In this type of information processing apparatus, a service provided by the information processing apparatus may be optimized based on the estimated user characteristics.
しかしながら、上記した技術は、サービス個々で独自にユーザの特徴を解析し、その解析結果を自身のサービスの最適化に適用するものであって、他のサービスの解析結果を利用することについては考慮されていなかった。このため、異なるサービスの個々の解析結果の関係性を推定することが困難であった。 However, the technology described above analyzes the user's characteristics independently for each service and applies the analysis result to the optimization of its own service. Consideration is given to using the analysis results of other services. Was not. For this reason, it is difficult to estimate the relationship between individual analysis results of different services.
本願は、上記に鑑みてなされたものであって、異なるサービスの個々の解析結果の関係性を推定することができる情報処理装置、情報処理方法および情報処理プログラムを提供することを目的とする。 The present application has been made in view of the above, and an object thereof is to provide an information processing apparatus, an information processing method, and an information processing program capable of estimating the relationship between individual analysis results of different services.
本願に係る情報処理装置は、取得部と、変換部と、推定部とを備える。前記取得部は、ユーザの属性を用いて前記ユーザの特徴を推定するモデル、および、前記属性を用いて推定された前記ユーザの特徴に関する推定結果の少なくとも一方を含む特徴情報を異なるサービスそれぞれから取得する。前記変換部は、前記取得部によって取得された前記特徴情報をベクトル値へ変換する。前記推定部は、前記変換部によって変換された前記ベクトル値に基づいて前記特徴情報間の関係性を推定する。 An information processing apparatus according to the present application includes an acquisition unit, a conversion unit, and an estimation unit. The acquisition unit acquires feature information including at least one of a model for estimating the user's characteristics using the user's attributes and an estimation result regarding the user's characteristics estimated using the attributes from different services. To do. The conversion unit converts the feature information acquired by the acquisition unit into a vector value. The estimation unit estimates a relationship between the feature information based on the vector value converted by the conversion unit.
実施形態の一態様によれば、異なるサービスの個々の解析結果の関係性を推定することができるという効果を奏する。 According to one aspect of the embodiment, there is an effect that the relationship between individual analysis results of different services can be estimated.
以下に、本願に係る情報処理装置、情報処理方法および情報処理プログラムを実施するための形態(以下、「実施形態」と呼ぶ)について図面を参照しつつ詳細に説明する。なお、この実施形態により本願に係る情報処理装置、情報処理方法および情報処理プログラムが限定されるものではない。また、各実施形態は、処理内容を矛盾させない範囲で適宜組み合わせることが可能である。また、以下の各実施形態において同一の部位には同一の符号を付し、重複する説明は省略される。 Hereinafter, a mode for carrying out an information processing apparatus, an information processing method, and an information processing program according to the present application (hereinafter referred to as “embodiment”) will be described in detail with reference to the drawings. Note that the information processing apparatus, the information processing method, and the information processing program according to the present application are not limited by this embodiment. In addition, the embodiments can be appropriately combined within a range that does not contradict processing contents. In the following embodiments, the same portions are denoted by the same reference numerals, and redundant description is omitted.
〔1.情報処理の一例〕
まず、実施形態に係る情報処理の一例について、図1を用いて説明する。図1は、実施形態に係る情報処理の一例を示す図である。図1では、情報処理システムSに含まれる本願に係る情報処理装置1が、ユーザUの属性を用いてユーザUの特徴を推定するモデル、および、上記属性を用いて推定されたユーザUの特徴に関する推定結果の少なくとも一方を含む特徴情報を異なるサービスそれぞれから取得し、取得された特徴情報をベクトル値へ変換し、変換されたベクトル値に基づいて特徴情報間の関係性を推定する処理を実行する例を示す。
[1. Example of information processing)
First, an example of information processing according to the embodiment will be described with reference to FIG. FIG. 1 is a diagram illustrating an example of information processing according to the embodiment. In FIG. 1, a model in which the information processing apparatus 1 according to the present application included in the information processing system S estimates the characteristics of the user U using the attributes of the user U, and the characteristics of the user U estimated using the attributes described above. Obtains feature information including at least one of the estimation results for each from different services, converts the obtained feature information into vector values, and executes a process of estimating the relationship between the feature information based on the converted vector values An example is shown.
図1に示すように、実施形態に係る情報処理システムSは、情報処理装置1と、サービス提供サーバ10(10−1,10−2,10−3)と、ユーザ端末100とを含む。
As illustrated in FIG. 1, the information processing system S according to the embodiment includes an information processing apparatus 1, a service providing server 10 (10-1, 10-2, 10-3), and a
ユーザ端末100は、ユーザUが所有する端末装置である。ユーザUは、ユーザ端末100を操作してサービス提供サーバ10へアクセスすることで、各サービス提供サーバ10が提供するサービスY(Y1,Y2,Y3)を利用する(ステップS1−1,S1−2,S1−3)。
The
サービス提供サーバ10は、各種サービスYをユーザUへ提供するサーバ装置である。サービス提供サーバ10が提供するサービスYは、例えば、ユーザ端末100にインストールされた各種アプリを介して情報を配信するサービスである。このようなサービスには、例えば、ニュース提供サービスや、オークションサービス、天気予報サービス、ショッピングサービス、金融取引(株取引等)サービス、路線検索サービス、地図提供サービス、旅行サービス、飲食店紹介サービス、ブログサービス等がある。なお、サービスYは、アプリを介して情報を配信されるサービスに限らず、例えば、ユーザUにブラウザを介して情報を提供するサービスであってもよい。
The
また、各サービス提供サーバ10は、サービスYを利用したユーザUの属性を解析することでユーザUの特徴を推定する。具体的には、各サービス提供サーバ10は、ユーザUの属性を用いてユーザUの特徴を推定するモデル、および、ユーザUの属性を用いて推定されたユーザUの特徴に関する推定結果の少なくとも一方を含む特徴情報を生成する(ステップS2−1,S2−2,S2−3)。
Each
なお、ここに言う属性とは、ユーザUの確定した属性、あるいは、ユーザUの特徴であり、例えば、検索ログや購入履歴等といったサービスYを利用した際のユーザUの行動に関する行動情報や、性別、年齢、住所等といったデモグラフィック属性、ライフサイクル、価値観、個性、購買動機等といったサイコグラフィック属性等を含む概念である。 The attribute referred to here is an attribute determined by the user U or a feature of the user U. For example, action information regarding the action of the user U when using the service Y such as a search log or purchase history, It is a concept including demographic attributes such as sex, age, address, etc., and psychographic attributes such as life cycle, values, personality, purchasing motivation, and the like.
また、ユーザUの特徴とは、ユーザUの様々な属性を包括することで推定されるユーザUの性質、あるいは、推定される属性であって、例えば、ユーザUの興味や、趣味嗜好、行動パターン(検索行動や、購買行動等)等を含む。 The characteristics of the user U are properties of the user U estimated by including various attributes of the user U, or estimated attributes. For example, the user U's interests, hobbies, and behaviors Includes patterns (search behavior, purchasing behavior, etc.).
また、特徴情報における上記したモデルは、例えば、ユーザUの属性を入力して、ユーザUの特徴をスコアとして出力することができる。また、特徴情報における上記した推定結果は、例えば、モデルが出力するスコアである。なお、推定結果は、モデルによらない情報、例えば、ユーザUの属性を単に数値化した情報(例えば、検索回数に応じて増減するスコア等)であってもよい。図1に示す例では、ショッピングサービスとしてのサービスY1は、ネットショッピングで釣り竿を購入したユーザUのモデル「釣り竿」と、推定結果であるスコア「0.5」とを含む特徴情報を生成する。 Moreover, the above-described model in the feature information can input the attribute of the user U and output the feature of the user U as a score, for example. Further, the above estimation result in the feature information is, for example, a score output by the model. The estimation result may be information that does not depend on the model, for example, information obtained by simply quantifying the attribute of the user U (for example, a score that increases or decreases according to the number of searches). In the example illustrated in FIG. 1, the service Y <b> 1 as a shopping service generates feature information including a model “fishing rod” of a user U who purchased a fishing rod through online shopping and a score “0.5” as an estimation result.
また、検索サービスとしてのサービスY2は、釣りスポットを検索したユーザUのモデル「釣りスポット」と、推定結果であるスコア「0.4」とを含む特徴情報を生成する。また、カーオークションサービスとしてのサービスY3は、高級車を所有しているユーザUのモデル「高級車所有」と、推定結果であるスコア「0.9」とを含む特徴情報を生成する。なお、図1では、スコアが高いほど、モデルの示す事物に関してユーザUの特徴が強い(例えば、強い興味や嗜好性、該当性を有する)ことを示す。 In addition, the service Y2 as a search service generates feature information including the model “fishing spot” of the user U who searched for the fishing spot and the score “0.4” as an estimation result. In addition, the service Y3 as a car auction service generates feature information including a model “Luxury Car Ownership” of the user U who owns a luxury car and a score “0.9” as an estimation result. In FIG. 1, the higher the score, the stronger the characteristics of the user U with respect to the thing indicated by the model (for example, strong interest, preference, and relevance).
また、上記したスコアは、連続値である場合を示したが、例えば、離散値であってもよい。具体的には、釣りスポットを検索したことがあるかどうかを「1」(ある)または「0」(ない)のいずれかの離散値(すなわち、ブール値)のスコアで表現してもよい。あるいは、推定結果は、一例として示したスコアに限定されるものではなく、テキストの情報であってもよい。 Moreover, although the above-mentioned score showed the case where it was a continuous value, a discrete value may be sufficient, for example. Specifically, whether or not a fishing spot has been searched may be represented by a discrete value (ie, Boolean value) score of either “1” (present) or “0” (not present). Alternatively, the estimation result is not limited to the score shown as an example, and may be text information.
ここで、従来は、サービスY1,Y2,Y3が個々に生成した特徴情報を自身のサービスの最適化に役立てるのみであり、他のサービスの特徴情報を使用することについては考慮されていなかった。 Here, conventionally, the feature information individually generated by the services Y1, Y2, and Y3 is only used for the optimization of its own service, and the use of the feature information of other services is not considered.
このため、お互いに他のサービスの特徴情報を利用できないのは勿論のこと、異なるサービスの個々の解析結果の関係性を推定することもできなかった。 For this reason, the feature information of other services cannot be used with each other, and the relationship between the individual analysis results of different services cannot be estimated.
そこで、実施形態に係る情報処理装置1は、サービスYそれぞれで生成された特徴情報を他のサービスYが共有できるようにした。具体的には、実施形態に係る情報処理装置1は、上記した特徴情報を異なるサービスYそれぞれから取得し(ステップS3−1,S3−2,S3−3)、かかる特徴情報をユーザ毎に紐づけた共有情報を生成する。なお、実施形態に係る情報処理装置1は、上記したモデル、および、推定結果であるスコアを含む特徴情報を取得する場合に限らず、モデルのみを含む特徴情報、あるいは、スコアのみを含む特徴情報を取得してもよい。 Therefore, the information processing apparatus 1 according to the embodiment is configured such that the feature information generated by each service Y can be shared by other services Y. Specifically, the information processing apparatus 1 according to the embodiment acquires the above-described feature information from each different service Y (steps S3-1, S3-2, and S3-3), and associates the feature information for each user. Generate shared information. The information processing apparatus 1 according to the embodiment is not limited to acquiring feature information including the above-described model and a score that is an estimation result, and includes feature information including only the model or feature information including only the score. May be obtained.
つづいて、情報処理装置1は、取得した特徴情報をベクトル値へ変換する(ステップS4)。例えば情報処理装置1は、各特徴情報のユーザIDおよびスコアをデータセットとし、ニューラルネットワークによる機械学習の手法等を用いて、各特徴情報を多次元からなる実数値ベクトルへと変換する、いわゆるエンベディング(embedding)を行う。ここで、各特徴情報のユーザIDおよびスコアをデータセットとすることから分かるように、かかるエンベディングにおいては、「どのユーザUにどういうモデルのどういうスコアがついているか」という観点から、ユーザIDおよびスコアの組み合わせが主要な特徴の要素(機械学習における、いわゆる素性)となる。なお、無論、例えばモデル名称や、モデルの説明文といったモデルの特徴を表す情報等が、素性として付加されてもよい。 Subsequently, the information processing apparatus 1 converts the acquired feature information into a vector value (step S4). For example, the information processing apparatus 1 uses a user ID and a score of each feature information as a data set, and converts each feature information into a multi-dimensional real value vector using a machine learning method or the like using a neural network. (Embedding). Here, as can be seen from the fact that the user ID and score of each feature information are used as a data set, in such embedding, from the viewpoint of “what user U has what score of what model”, the user ID and score The combination becomes the main feature element (so-called feature in machine learning). Of course, for example, information representing the characteristics of the model such as a model name or a model description may be added as a feature.
そして、情報処理装置1は、かかるベクトル値に基づいて特徴情報間の関係性を推定する(ステップS5)。例えば情報処理装置1は、上記ベクトル値に基づいて特徴情報同士の類似度を判定する。これにより、特徴情報同士の近さを判定することが可能となる。例えば情報処理装置1は、ある2つの特徴情報に関し、これらのベクトル値のコサイン類似度を算出し、かかる類似度が所定値以上であれば、例えば一方の特徴情報には含まれていないユーザUを、かかる一方の特徴情報に該当する特徴を有するものとして取り扱うことができる。すなわち、情報処理装置1は、類似度が近いと判定される場合に、ユーザUが上記特徴情報同士のうちの一方に該当する特徴を有するならば、当該ユーザUは、他方の特徴情報についても該当する特徴を有するものとして推定する。 And the information processing apparatus 1 estimates the relationship between feature information based on this vector value (step S5). For example, the information processing apparatus 1 determines the similarity between feature information based on the vector value. This makes it possible to determine the proximity of feature information. For example, the information processing apparatus 1 calculates the cosine similarity of these vector values for two pieces of feature information, and if the similarity is equal to or greater than a predetermined value, for example, the user U not included in one feature information Can be handled as having a feature corresponding to the one feature information. That is, when the information processing apparatus 1 determines that the similarity is close, if the user U has a feature corresponding to one of the feature information, the user U also uses the other feature information. Estimated as having the relevant characteristics.
これにより、異なるサービスの個々の解析結果の関係性を推定できるとともに、かかる推定結果に基づいて異なるサービスの個々の解析結果を横断的に利用することができる。 Thereby, the relationship between the individual analysis results of different services can be estimated, and the individual analysis results of different services can be used across the basis of the estimation results.
また、例えば情報処理装置1は、ベクトル化した特徴情報同士を足し引きし、その演算結果が示す特徴情報を推定することができる。これにより、複数の特徴情報の組み合わせから人手だけではなかなか予測し得なかった特徴情報の推定が可能となる。また、かかる推定された特徴情報に含まれるユーザUを新たに抽出することによって、例えばマーケティングにおけるカバレッジの拡大を図ることができる。 For example, the information processing apparatus 1 can add and subtract vectorized feature information and estimate the feature information indicated by the calculation result. As a result, it is possible to estimate feature information that has been difficult to predict by hand alone from a combination of a plurality of feature information. Further, by newly extracting the user U included in the estimated feature information, for example, the coverage in marketing can be expanded.
そして、情報処理装置1は、各サービスY側から要求があった場合に、共有情報として共有しベクトル化された特徴情報に基づく提供情報を提供する(ステップS6−1,S6−2,S6−3)。なお、例えば、提供情報の提供方法としては、以下の2通りがある。 When there is a request from each service Y side, the information processing apparatus 1 provides the provision information based on the feature information shared as vector information and vectorized (steps S6-1, S6-2, S6-). 3). For example, there are the following two methods for providing the provision information.
1つ目は、サービス提供サーバ10側が特定のユーザUを指定し、共有情報に基づいてそのユーザUの特徴(推定結果)を提供する方法である。2つ目は、サービス提供サーバ10側が特定の特徴を指定し、共有情報およびベクトル情報に基づいてその特徴を有すると推定されるユーザUをリストとして提供する方法である。
The first is a method in which the
なお、ステップS5の推定処理、および、ステップS6−1,S6−2,S6−3の提供処理の具体例については、図7A〜図7Gを用いた説明で後述する。 A specific example of the estimation process in step S5 and the provision process in steps S6-1, S6-2, and S6-3 will be described later with reference to FIGS. 7A to 7G.
このように、実施形態に係る情報処理方法では、ユーザUの属性を用いてユーザUの特徴を推定するモデル、および、上記属性を用いて推定されたユーザUの特徴に関する推定結果の少なくとも一方を含む特徴情報を異なるサービスY1,Y2,Y3それぞれから取得し、取得された特徴情報をベクトル値へ変換し、変換されたベクトル値に基づいて特徴情報間の関係性を推定する。 As described above, in the information processing method according to the embodiment, at least one of a model for estimating the characteristics of the user U using the attributes of the user U and an estimation result regarding the characteristics of the user U estimated using the attributes is obtained. The included feature information is acquired from each of the different services Y1, Y2, and Y3, the acquired feature information is converted into a vector value, and the relationship between the feature information is estimated based on the converted vector value.
したがって、実施形態に係る情報処理方法によれば、異なるサービスの個々の解析結果の関係性を推定することができる。 Therefore, according to the information processing method according to the embodiment, it is possible to estimate the relationship between individual analysis results of different services.
以下、上記のような情報処理を行う情報処理装置1、および、かかる情報処理装置1を含む情報処理システムSについて詳細に説明する。 Hereinafter, the information processing apparatus 1 that performs the information processing as described above and the information processing system S including the information processing apparatus 1 will be described in detail.
〔2.情報処理システムSの構成〕
次に、図2を用いて、実施形態に係る情報処理システムSの構成について説明する。図2は、実施形態に係る情報処理システムSの構成例を示す図である。図2に例示するように、実施形態に係る情報処理システムSは、情報処理装置1と、複数のサービス提供サーバ10−1〜10−nと、複数の事業者端末20と、複数のユーザ端末100−1〜100−nとを含む。
[2. Configuration of information processing system S]
Next, the configuration of the information processing system S according to the embodiment will be described with reference to FIG. FIG. 2 is a diagram illustrating a configuration example of the information processing system S according to the embodiment. As illustrated in FIG. 2, the information processing system S according to the embodiment includes an information processing device 1, a plurality of service providing servers 10-1 to 10-n, a plurality of
これらの各種装置は、ネットワークNを介して、有線または無線により通信可能に接続される。ネットワークNは、LAN(Local Area Network)、WAN(Wide Area Network)、電話網(携帯電話網、固定電話網等)、地域IP(Internet Protocol)網、インターネット等の通信ネットワークである。ネットワークNには、有線ネットワークが含まれていてもよいし、無線ネットワークが含まれていてもよい。 These various devices are communicably connected via a network N by wire or wireless. The network N is a communication network such as a LAN (Local Area Network), a WAN (Wide Area Network), a telephone network (a mobile phone network, a fixed telephone network, etc.), a regional IP (Internet Protocol) network, and the Internet. The network N may include a wired network or a wireless network.
また、図2では、複数の事業者端末20は、サービス提供サーバ10−1〜10−nに直接接続されているように図示しているが、事業者端末20がサービス提供サーバ10−1〜10−nの配下にあることを模式的に示すものであって、接続形態を限定するものではない。
In FIG. 2, the plurality of
ユーザ端末100は、上記したように、ユーザUによって利用される端末装置である。ユーザ端末100は、例えば、スマートフォンを含む携帯電話機や、タブレット端末や、デスクトップ型PCや、ノート型PCや、PDA(Personal Digital Assistant)等の情報処理装置である。また、ユーザ端末100には、眼鏡型や時計型の情報処理端末であるウェアラブルデバイス(wearable device)も含まれる。
The
ユーザ端末100は、ユーザUによる操作や、ユーザ端末100が有する機能(例えば、サービスYを利用するためのアプリを実行する機能や、ブラウザ機能等)に応じて、各種情報を取得し、取得した情報に応じた情報を生成して送信する。例えば、ユーザ端末100は、ネットワークNを介して、サービス提供サーバ10が提供するサービスYのサイトへアクセスする。そして、ユーザUが例えばサービスを受けるのに必要な情報を指定することによって、ユーザ端末100は、サービス提供サーバ10に対してサービス提供の要求を送信する。
The
情報処理装置1は、サービス提供サーバ10の上位サーバとして機能するサーバ装置である。情報処理装置1は、各サービス提供サーバ10から特徴情報を取得して共有情報を生成するとともに、共有情報内の各特徴情報をベクトル化する。また、情報処理装置1は、ベクトル化された特徴情報に基づいて特徴情報間の関係性を推定し、推定結果に基づいてサービス提供サーバ10側へ各種情報を提供する。
The information processing apparatus 1 is a server apparatus that functions as an upper server of the
サービス提供サーバ10は、上記したようにサービスYをユーザUへ提供するサーバ装置である。サービス提供サーバ10は、例えば、サービスYを利用したユーザUの属性を解析して特徴情報を生成する。また、サービス提供サーバ10は、情報処理装置1に対して提供情報を要求する。提供情報の要求は、例えば、サービス提供サーバ10に接続された事業者端末20をサービスYの事業者が操作することで、サービス提供サーバ10から送信される。
The
事業者端末20は、サービスYを運営する事業者によって利用される端末装置である。事業者端末20は、例えば、デスクトップ型PCや、ノート型PC等であるが、携帯電話機や、タブレット端末や、PDAや、ウェアラブルデバイス等であってもよい。事業者端末20は、例えば情報処理装置1が提供する共有情報の利用サービス画面から、特定のユーザUまたは特定の特徴等を指定することによって、情報処理装置1に対して提供情報を要求する。
The
なお、情報処理システムSのうち、情報処理装置1、複数のサービス提供サーバ10−1〜10−nおよび複数の事業者端末20は、例えば、1つの事業者が有するように構成される。つまり、1つの事業者は、複数のサービスYを提供可能である。また、1つの事業者は、各サービスYが生成した特徴情報を共有情報として情報処理装置1に集約するとともに、共有情報に基づいた提供情報を取得して、例えば各サービスYにおけるユーザUのマーケティング調査等に利用する。
In the information processing system S, the information processing apparatus 1, the plurality of service providing servers 10-1 to 10-n, and the plurality of
なお、情報処理装置1および複数のサービス提供サーバ10−1〜10−nは、それぞれ別の事業者が有する構成であってもよい。つまり、ある事業者のあるサービスYから見た場合の他のサービスYは、同じ事業者の他のサービスYであってもよく、他の事業者のサービスYであってもよい。また、複数のサービス提供サーバ10−1〜10−nは、それぞれ別の事業者が有する構成であってもよい。また、上記した情報処理システムSに加えて、提供情報の利用のみを行う事業者のサーバが接続されてもよい。 The information processing apparatus 1 and the plurality of service providing servers 10-1 to 10-n may be configured by different operators. In other words, another service Y when viewed from a certain service Y of a certain business may be another service Y of the same business, or may be a service Y of another business. Further, the plurality of service providing servers 10-1 to 10-n may be configured by different business operators. In addition to the information processing system S described above, a server of a business operator that only uses the provided information may be connected.
なお、図2では、情報処理装置1は、サービス提供サーバ10とは別体で構成されて、共有情報の生成、ベクトル化、特徴情報間の関係性の推定、および、情報提供の機能を有する場合を示したが、例えば、いずれかのサービス提供サーバ10が情報処理装置1の機能の一部または全部を代替して行ってもよい。
In FIG. 2, the information processing apparatus 1 is configured separately from the
また、図2では、情報処理装置1は、共有情報の生成、ベクトル化、特徴情報間の関係性の推定、および、情報提供のすべての機能を兼ね備える場合を示したが、例えば、複数の情報処理装置1が、上記した機能を分担して行ってもよい。 In FIG. 2, the information processing apparatus 1 shows a case in which all functions of shared information generation, vectorization, estimation of the relationship between feature information, and information provision are combined. The processing device 1 may perform the above functions in a shared manner.
〔3.情報処理装置1〕
次に、図3を用いて、情報処理装置1の構成例について説明する。図3は、実施形態に係る情報処理装置1の構成例を示すブロック図である。なお、図3では、情報処理装置1の説明に必要となる構成要素のみを示しており、一般的な構成要素についての記載を省略している。
[3. Information processing apparatus 1]
Next, a configuration example of the information processing apparatus 1 will be described with reference to FIG. FIG. 3 is a block diagram illustrating a configuration example of the information processing apparatus 1 according to the embodiment. In FIG. 3, only components necessary for the description of the information processing apparatus 1 are shown, and descriptions of general components are omitted.
図3に示すように、情報処理装置1は、通信部2と、記憶部3と、制御部4とを有する。なお、情報処理装置1は、情報処理装置1を利用する管理者等から各種操作を受け付ける入力部(例えば、キーボードやマウス等)や、各種情報を表示するための表示部(例えば、液晶ディスプレイ等)を有してもよい。
As illustrated in FIG. 3, the information processing apparatus 1 includes a
(通信部2について)
通信部2は、例えば、NIC(Network Interface Card)等によって実現される。通信部2は、ネットワークNと有線または無線で接続され、ネットワークNを介して、サービス提供サーバ10や、サービス提供サーバ10に接続された事業者端末20、ユーザ端末100との間で情報の送受信を行う。
(About communication unit 2)
The
(記憶部3について)
記憶部3は、例えば、RAM(Random Access Memory)、フラッシュメモリ(Flash Memory)等の半導体メモリ素子、または、ハードディスク、光ディスク等の記憶装置によって実現され、図3の例では、記憶部3は、共有情報31と、サービス情報32と、モデルプログラム情報33と、ベクトル情報34とを記憶する。
(About storage unit 3)
The
(共有情報31について)
共有情報31は、サービス提供サーバ10から取得した特徴情報を含んだ情報である。図4は、共有情報31の一例を示す図である。図4に示すように、共有情報31は、例えば、列項目が「UID」であり、行項目が「特徴情報」であるテーブルである。また、列項目および行項目の各組のデータ項目には、特徴情報におけるモデルの出力であるスコアが入力される。
(About shared information 31)
The shared
「UID」は、ユーザUを識別する識別情報(ユーザID)である。「特徴情報」は、サービス提供サーバ10それぞれで生成されるモデルおよびスコアの少なくともいずれかを含む情報であって、ユーザUの特徴を示す情報である。なお、図4に示す例では、「特徴情報」の各項目には、例えば「釣り竿」等のモデル名称が入力される。
“UID” is identification information (user ID) for identifying the user U. “Characteristic information” is information including at least one of a model and a score generated by each
図4に示すように、共有情報31は、「UID」および「特徴情報」のスコアを含む情報である。図4に示す例では、UIDが「U1」であるユーザUは、特徴情報におけるモデル「釣り竿」のスコアが「0.5」であることを示している。
As shown in FIG. 4, the shared
また、UIDが「U2」であるユーザUは、特徴情報におけるモデル「釣り竿」のスコアが「未入力」となっている。これは、「U2」であるユーザUのモデル「釣り竿」のスコアをサービス提供サーバ10から取得していないことを示している。
For the user U with the UID “U2”, the score of the model “fishing rod” in the feature information is “not input”. This indicates that the score of the model “fishing rod” of the user U who is “U2” has not been acquired from the
例えば、上記スコアは、サービス提供サーバ10で算出されたスコアをそのまま共有情報31のスコアとして入力してもよく、あるいは、サービス提供サーバ10で算出されたスコアを所定の基準に従って正規化したスコアを共有情報31として入力してもよい。
For example, the score calculated by the
また、図4では、共有情報31をスコアとして示したが、共有情報31は、スコアに限定されるものではなく、「○、△および×」や、「優、良および可」等といった段階分けされた情報であってもよい。
In FIG. 4, the shared
(サービス情報32について)
次に、サービス情報32は、各サービス提供サーバ10が提供するサービスYに関する情報である。図5は、サービス情報32の一例を示す図である。図5に示すように、サービス情報32は、「サービスID」、「提供サービス」および「登録モデル数」といった項目を含む。
(About service information 32)
Next, the service information 32 is information on the service Y provided by each
「サービスID」は、サービスY(あるいは、サービス提供サーバ10)を識別する識別情報である。「提供サービス」は、サービスYの内容を示す情報である。「登録モデル数」は、共有情報31に登録されている特徴情報のモデルの数を示す情報である。
“Service ID” is identification information for identifying the service Y (or the service providing server 10). “Provided service” is information indicating the contents of the service Y. “Number of registered models” is information indicating the number of models of feature information registered in the shared
(モデルプログラム情報33について)
次に、モデルプログラム情報33は、特徴情報におけるモデルのプログラムデータを含んだ情報である。図6は、モデルプログラム情報33の一例を示す図である。モデルプログラム情報33は、後述の取得部41が取得した特徴情報におけるモデルのプログラムデータを含む情報である。図6に示すように、モデルプログラム情報33は、「モデルID」、「モデル名称」、「サービスID」および「モデルデータ」等といった項目を含む。
(About model program information 33)
Next, the
「モデルID」は、特徴情報におけるモデルを識別する識別情報である。「モデル名称」は、特徴情報におけるモデルの名称を示す識別情報である。「サービスID」は、サービスY(あるいは、サービス提供サーバ10)を識別する識別情報である。「モデルデータ」は、特徴情報におけるモデルのプログラムデータである。 “Model ID” is identification information for identifying a model in the feature information. “Model name” is identification information indicating the name of the model in the feature information. “Service ID” is identification information for identifying the service Y (or the service providing server 10). “Model data” is program data of a model in feature information.
「モデルデータ」は、例えば、ユーザUの属性を説明変数とする回帰モデルである。例えば、「モデルデータ」は、以下の式に示す回帰モデルである。すなわち、y=ω1・x1+ω2・x2+・・・+ωn・xnの回帰モデルとして表すことができる。 “Model data” is, for example, a regression model that uses the attribute of the user U as an explanatory variable. For example, “model data” is a regression model represented by the following equation. That is, it can be expressed as a regression model of y = ω1 · x1 + ω2 · x2 +... + Ωn · xn.
上記式において、「x」は、ユーザUの属性に対応する説明変数である。「y」は、ユーザUの特徴を示すスコアに対応する目的変数である。また、「ω」は、「x」の係数であり、所定の重み値を示す。具体的には、「ω1」は、「x1」の重み値であり、「ω2」は、「x2」の重み値であり、「ωn」は、「xn」の重み値である。このように、上記式は、ユーザUの属性に対応する説明変数「x」と、所定の重み値「ω」とを含む変数(例えば、「ω1・x1」)を組み合せることにより作成される。 In the above formula, “x” is an explanatory variable corresponding to the attribute of the user U. “Y” is an objective variable corresponding to a score indicating the characteristics of the user U. “Ω” is a coefficient of “x” and indicates a predetermined weight value. Specifically, “ω1” is a weight value of “x1”, “ω2” is a weight value of “x2”, and “ωn” is a weight value of “xn”. As described above, the above formula is created by combining the variable (for example, “ω1 · x1 ” ) including the explanatory variable “x” corresponding to the attribute of the user U and the predetermined weight value “ω”. .
なお、「モデルデータ」は、SVM(Support Vector Machine)やその他の機械学習法を用いて生成された特徴情報であってもよい。また、特徴情報は、深層学習(ディープラーニング)の技術を用いて生成されたものであってもよい。例えば、サービスYは、DNN(Deep Neural Network)やRNN(Recurrent Neural Network)やCNN(Convolutional Neural Network)等の種々のディープラーニングの技術を適宜用いて特徴情報を生成することができる。 The “model data” may be feature information generated using SVM (Support Vector Machine) or other machine learning methods. The feature information may be generated using a deep learning technique. For example, the service Y can generate feature information by appropriately using various deep learning techniques such as DNN (Deep Neural Network), RNN (Recurrent Neural Network), and CNN (Convolutional Neural Network).
(ベクトル情報34について)
図3の説明に戻り、つづいてベクトル情報34について説明する。ベクトル情報34は、共有情報31に登録された特徴情報のベクトル化に関する情報である。ベクトル情報34は、後述の変換部42によって生成され、例えば特徴情報毎のベクトル値を含む。
(About vector information 34)
Returning to the description of FIG. 3, the
(制御部4について)
制御部4は、コントローラ(controller)であり、例えば、CPU(Central Processing Unit)やMPU(Micro Processing Unit)等によって、情報処理装置1内部の記憶装置に記憶されている各種プログラム(情報処理プログラムの一例に相当)がRAMを作業領域として実行されることにより実現される。また、制御部4は、例えば、コントローラであり、ASIC(Application Specific Integrated Circuit)やFPGA(Field Programmable Gate Array)等の集積回路により実現される。
(About the control unit 4)
The control unit 4 is a controller, for example, various programs (information processing programs) stored in a storage device inside the information processing apparatus 1 by a CPU (Central Processing Unit), an MPU (Micro Processing Unit), or the like. (Corresponding to an example) is implemented by using the RAM as a work area. The control unit 4 is a controller, for example, and is realized by an integrated circuit such as an ASIC (Application Specific Integrated Circuit) or an FPGA (Field Programmable Gate Array).
図3に示すように、制御部4は、取得部41と、変換部42と、受付部43と、推定部44と、抽出部45と、提供部46とを有し、以下に説明する情報処理の機能や作用を実現または実行する。なお、制御部4の内部構成は、図3に示した構成に限られず、後述する情報処理を行うことができる構成であれば他の構成であってもよい。また、制御部4が有する各処理部の接続関係は、図3に示した接続関係に限られず、他の接続関係であってもよい。
As illustrated in FIG. 3, the control unit 4 includes an
制御部4は、サービス提供サーバ10から取得した特徴情報の共有情報31への登録および各特徴情報のベクトル化を行う。また、制御部4は、ベクトル化された特徴情報に基づいて特徴情報間の関係性を推定し、サービスYに対して各種情報を提供する。
The control unit 4 registers the feature information acquired from the
(取得部41について)
取得部41は、ユーザUの属性を用いてユーザUの特徴を推定するモデル、および、ユーザUの属性を用いて推定されたユーザUの特徴に関する推定結果の少なくとも一方を含む特徴情報を異なるサービスYそれぞれから取得する。例えば、取得部41は、サービスYに対して予め指定したフォーマットで生成させた特徴情報を取得する。これにより、サービスY間で特徴情報のフォーマットを揃えることができるため、統一した基準の特徴情報を取得することができる。
(About the acquisition unit 41)
The
また、取得部41は、特徴情報として、上記したモデルと、かかるモデルから出力されるスコアの初期値とを含む情報を取得する。スコアの初期値は、例えば、サービス提供サーバ10によって予め算出されてもよく、取得部41がモデルデータを取得して算出してもよい。取得部41が初期値を算出する場合、特徴情報のモデルデータのみをまず取得し、その後、サービス提供サーバ10からユーザUの属性を取得してスコアを算出する。
Moreover, the
なお、取得部41は、特徴情報を取得した際に、かかる特徴情報が指定のフォーマットに沿って生成されたか否かをチェックするチェック機能を有してもよい。
The
また、取得部41は、取得した特徴情報を共有情報31として登録するとともに、登録した特徴情報を必要に応じて更新する更新処理を行う。具体的には、取得部41は、初回時には、まず特徴情報のモデルデータとスコアの初期値とを取得して共有情報31として登録し、2回目以降については、必要に応じ、サービスYからユーザUの属性を取得して、これに基づき共有情報31のスコアを更新する。また、モデルデータが変更された場合には、サービスYから新たなモデルデータを取得して、共有情報31のモデルそのものを更新する。
The
また、取得部41は、特徴情報におけるモデルの入力となるユーザUの属性を、モデルの取得元のサービスYとは異なるサービスYから取得してもよい。つまり、共有情報31として登録されたモデルの取得元のサービスYからユーザUの属性を取得してスコアを出力してもよく、あるいは、取得元のサービスYとは異なるサービスYから取得したユーザUの属性を使ってスコアを出力してもよい。これにより、例えば、異なる事業者のサービスY間で、共有情報31に登録されたモデルを共有することができる。
In addition, the
(変換部42について)
変換部42は、共有情報31内の各特徴情報をベクトル値へ変換する。例えば変換部42は、既に述べたように、各特徴情報のユーザIDおよびスコアをデータセットとし、ニューラルネットワークによる機械学習の手法等を用いて、各特徴情報を多次元からなる実数値ベクトルへと変換する。
(About the converter 42)
The
なお、かかる場合、変換部42は、例えばユーザIDが2億件存在すればそのまま2億次元からなるベクトル値を算出するのではなく、例えば有意な次元のみを抽出して数百〜数十次元にまで次元圧縮したベクトル値を算出する。これにより、ノイズ成分等を排することができ、特徴情報を精度高くベクトル化することができる。
In such a case, for example, if there are 200 million user IDs, the
(受付部43について)
受付部43は、サービス提供サーバ10から各種要求を受け付ける。例えば、受付部43は、特定の特徴を指定する特徴指定の要求をサービスYから受け付ける。特徴指定は、共有情報31に含まれる特徴情報のモデルIDやモデル名称等を指定する。特徴指定による指定は、1つの特徴情報であってもよく、複数の特徴情報であってもよい。あるいは、特徴指定は、分野指定等といった複数の特徴情報を包含する指定であってもよい。
(About the reception unit 43)
The accepting
また、受付部43は、特定のユーザUを指定するユーザ指定の要求をサービスYから受け付ける。ユーザ指定により指定されるユーザUは、1人であってもよく、複数であってもよい。あるいは、ユーザ指定は、複数のユーザUを包含するユーザグループ指定であってもよい。
The accepting
また、受付部43は、上記した要求の中に期間指定を含ませてもよい。例えば、特徴指定の場合、期間指定により指定された期間に登録された特徴情報を特徴指定の対象としてもよい。また、ユーザ指定の場合、期間指定により指定された期間にサービスYを利用したユーザUをユーザ指定の対象としてもよい。
In addition, the
また、受付部43は、ベクトル化した特徴情報同士を足し引きする演算指定の要求をサービスYから受け付ける。
In addition, the
(推定部44について)
推定部44は、ベクトル情報34に含まれる各特徴情報のベクトル値に基づいて、特徴情報間の関係性を推定する。例えば推定部44は、各特徴情報のベクトル値からコサイン類似度を算出し、かかる類似度に基づいて各特徴情報の近さを推定する。
(About the estimation unit 44)
The
また、推定部44は、ベクトル化した特徴情報同士を足し引きし、その演算結果が示す特徴情報を推定する。このとき、推定部44は、演算結果が示す特徴情報が共有情報31に登録されていれば当該特徴情報を推定結果として導出する。また、推定部44は、該当する特徴情報が共有情報31に登録されていなければ、演算結果に最も近い特徴情報を推定結果として導出する。
Moreover, the
(抽出部45について)
抽出部45は、上記の特徴指定によって指定された特定の特徴に対応するユーザUを抽出する。例えば抽出部45は、指定された特徴に対応する特徴情報においてスコアが所定値以上のユーザUを抽出する。
(About the extraction unit 45)
The
また、抽出部45は、指定された特徴に対応する特徴情報に含まれていないユーザUであっても、かかる特徴情報に対し、推定部44によって近いと推定された他の特徴情報においてスコアが所定値以上のユーザUを抽出することもできる。
In addition, even if the user U is not included in the feature information corresponding to the specified feature, the
すなわち、抽出部45は、上記の特徴指定によって特定の特徴が指定された場合に、かかる特定の特徴に対応する特徴情報のほか、推定部44によってかかる特徴情報に近いと推定された他の特徴情報をあわせて情報の抽出対象とすることができる。
In other words, when a specific feature is specified by the above-described feature specification, the
また、抽出部45は、上記のユーザ指定によって指定された特定のユーザUの特徴を、該当する特徴情報を抽出対象として抽出する。例えば、抽出部45は、指定されたユーザUに関する各特徴情報のうち、スコアが所定値以上のものを当該ユーザUの特徴を示すとして抽出する。
In addition, the
また、このとき抽出部45は、指定された特定のユーザUが含まれていない特徴情報であっても、ユーザUの特徴を示す特徴情報に近いと推定部44によって推定されたものであれば、これもあわせて当該ユーザUの特徴を示すとして抽出することができる。
At this time, even if the feature information that does not include the specified specific user U is included in the
すなわち、抽出部45は、上記のユーザ指定によって特定のユーザUが指定された場合に、かかる特定のユーザUが含まれている特徴情報のほか、推定部44によってかかる特徴情報に近いと推定された他の特徴情報をあわせて情報の抽出対象とすることができる。
That is, when a specific user U is specified by the above user specification, the
また、抽出部45は、上記の演算指定によって指定された演算の結果、推定部44によって推定された特徴情報を抽出する。
In addition, the
(提供部46について)
提供部46は、抽出部45によって抽出された各種情報に基づく提供情報をサービスYへ提供する。例えば、提供部46は、特徴指定に基づき抽出部45によって抽出されたユーザUのリストを含む提供情報を生成し、サービスYへ提供する。リストのソートは、スコアの大小順や、五十音順、アルファベット順等といった任意の順で並べられてもよい。
(About the providing unit 46)
The providing
あるいは、提供部46は、抽出部45によって抽出されたユーザUのうち、一部のユーザUのみを提供情報としてサービスYへ提供してもよい。具体的には、提供部46は、スコアが上位のユーザU等を選抜した提供情報を提供してもよい。
Alternatively, the providing
また、提供部46は、ユーザ指定に基づき抽出部45によって抽出されたユーザUの特徴を示す情報を含む提供情報をサービスYへ提供する。例えば、提供部46は、抽出部45によって抽出されたユーザUの特徴をリストにして並べた情報を含む提供情報を提供する。
Further, the providing
また、提供部46は、抽出部45によって抽出されたユーザUの特徴のうち、一部の特徴のみを含む提供情報を提供してもよい。例えば、提供部46は、スコアが上位の特徴情報が示す特徴等を選抜した提供情報を提供してもよい。
The providing
また、提供部46は、演算指定に基づき抽出部45によって抽出された特徴情報を含む提供情報をサービスYへ提供する。
Further, the providing
(実施形態に係る情報処理の具体例)
次に、これまで説明した実施形態に係る情報処理について、図7A〜図7Gを用いてより具体的に説明する。図7A〜図7Gは、実施形態に係る情報処理の処理説明図(その1)〜(その7)である。
(Specific example of information processing according to the embodiment)
Next, information processing according to the embodiment described so far will be described more specifically with reference to FIGS. 7A to 7G. 7A to 7G are explanatory diagrams (No. 1) to (No. 7) of information processing according to the embodiment.
図7Aは、推定部44によって推定された各特徴情報の位置関係をごく模式的に示している。なお、以下では、図7Aに示すように、各特徴情報を上記したモデル名称(「高級車所有」等)で識別する場合がある。
FIG. 7A very schematically shows the positional relationship between the pieces of feature information estimated by the
図7Aに示すように、モデル「高級車所有」、「低年収」および「高年収」があったものとする。そして、これらがそれぞれ変換部42によりベクトル化され、そのベクトル値に基づき、図7Aに示すように、推定部44によってモデル「高級車所有」および「高年収」が近い関係にあると推定されたものとする。なお、図7Aに示すように、モデル「高級車所有」にはユーザU1のデータがあり、モデル「低年収」および「高年収」にはユーザU1のデータがないものとする。
As shown in FIG. 7A, it is assumed that there are models “Luxury Car Ownership”, “Low Annual Income”, and “High Annual Income”. Each of these is vectorized by the
かかる場合、ユーザU1のデータがないモデル「低年収」および「高年収」は、ユーザU1が「低年収」の特徴を有するのか、あるいは、「高年収」の特徴を有するのかを示すことはできない。 In such a case, the models “low annual income” and “high annual income” without user U1 data cannot indicate whether the user U1 has the characteristics of “low annual income” or “high annual income”. .
しかしながら、ユーザU1のデータがあるモデル「高級車所有」においてユーザU1が高スコアであり、また、上記のようにモデル「高級車所有」および「高年収」が近い関係にあるならば、ユーザU1は、モデル「高年収」においても高スコアを示す、すなわちモデル「高年収」の特徴を示すと推定することができる。 However, if the user U1 has a high score in a model “Luxury Car Owner” with data of the user U1 and the models “Luxury Car Owner” and “High Income” are close as described above, the user U1 It can be estimated that the model “high annual income” also shows a high score, that is, shows the characteristics of the model “high annual income”.
(特徴指定の具体例)
かかる例を前提として、上記した特徴指定による指定の具体例について、図7Bおよび図7Cを用いて説明する。なお、図7B〜図7D、図7Fおよび図7Gには、例えば事業者端末20に表示される「サービス間横断利用サービス」の利用画面イメージの一部を示している。
(Specific example of feature specification)
Based on such an example, a specific example of designation by the above-described feature designation will be described with reference to FIGS. 7B and 7C. 7B to 7D, FIG. 7F, and FIG. 7G show a part of the usage screen image of “inter-service usage service” displayed on the
例えば、特徴指定による指定方法は、図7Bに示すように、カテゴリとして表示された各特徴情報のモデル名称のチェックボックスをチェックすることによって行われる。例えば受付部43は、共有情報31を参照し、登録されている各特徴情報のモデル名称をチェックボックスで指定可能な利用画面を生成し、サービス提供サーバ10側へ送信して事業者端末20に表示させる。
For example, the designation method by feature designation is performed by checking the check box of the model name of each feature information displayed as a category, as shown in FIG. 7B. For example, the
図7Bの利用画面の上段には、図7Aで例示したモデル「高級車所有」および「高年収」が指定可能である例を示している。図7Bに示すように、例えば事業者端末20で、「高級車所有」のチェックボックスがチェックされ、「抽出」ボタンが押下されると、抽出部45は、モデル「高級車所有」においてスコアが所定値以上であるユーザUを抽出する。
7B shows an example in which the models “Luxury Car Ownership” and “High Annual Income” illustrated in FIG. 7A can be designated. As shown in FIG. 7B, for example, when the check box of “Luxury car ownership” is checked and the “Extract” button is pressed on the
そして、かかる抽出部45の抽出結果を受けて、提供部46が、例えば抽出されたユーザUのリストを含む提供情報「<<ユーザ抽出結果>>」を生成し、サービス提供サーバ10側へ送信して事業者端末20に表示させる(図7Bの利用画面の下段参照)。
Then, in response to the extraction result of the
ここで、図7Aの例に沿えば、モデル「高級車所有」にはユーザU1のデータが含まれるので、図7Bに示すように、提供情報のリスト中にはUID「U1」のユーザU1が含まれることとなる。なお、同図に示すように、かかるユーザU1のスコア「0.9」をあわせて表示してもよい。 Here, according to the example of FIG. 7A, since the model “owns a luxury car” includes the data of the user U1, as shown in FIG. 7B, the user U1 with the UID “U1” is included in the list of provided information. Will be included. As shown in the figure, the score “0.9” of the user U1 may be displayed together.
一方で、図7Cに示すように、例えば事業者端末20で、「高収入」のチェックボックスがチェックされ、「抽出」ボタンが押下されると、抽出部45は、モデル「高収入」においてスコアが所定値以上であるユーザUを抽出する。
On the other hand, as illustrated in FIG. 7C, for example, when the check box of “high income” is checked and the “extract” button is pressed on the
ここで、図7Aに例示したように、モデル「高収入」にはユーザU1のデータが含まれていない。ただし、推定部44によって、モデル「高年収」および「高級車所有」が近い関係にあることが推定されているので、抽出部45は、指定されたモデル「高年収」だけでなく、モデル「高級車所有」においてスコアが所定値以上であるユーザUを抽出する。
Here, as illustrated in FIG. 7A, the model “high income” does not include the data of the user U1. However, since it is estimated by the
その結果として、提供部46が、例えば図7Cに示すように、モデル「高収入」には含まれないが、「高収入」の特徴を有するとして推定されるユーザU1をリスト中に含む提供情報を生成し、サービス提供サーバ10側へ送信して事業者端末20に表示させる。なお、同図に示すように、かかるユーザU1の抽出元となったモデル名称「※高級車所有」をあわせて表示してもよい。
As a result, as shown in FIG. 7C, for example, the providing
このように、特徴指定により指定された特徴と近い別の特徴を有するユーザUをあわせて抽出することによって、例えばサービスYを運営する事業者は、マーケティング等におけるカバレッジの拡大を図ることが可能となる。 Thus, by extracting together the user U having another feature close to the feature designated by the feature designation, for example, the operator operating the service Y can increase the coverage in marketing or the like. Become.
(ユーザ指定の具体例)
つづいて、上記したユーザ指定による指定の具体例について、図7Dを用いて説明する。例えば、ユーザ指定による指定方法は、図7Dに示すように、特徴の抽出対象となるユーザUの識別情報を指定することによって行われる。
(Specific example of user designation)
Subsequently, a specific example of the designation by the user will be described with reference to FIG. 7D. For example, the designation method by user designation is performed by designating identification information of the user U as a feature extraction target, as shown in FIG. 7D.
例えば受付部43は、ユーザIDを指定可能な利用画面を生成し、サービス提供サーバ10側へ送信して事業者端末20に表示させる。図7Dに示すように、例えば事業者端末20で、ユーザID「U1」が指定され、「抽出」ボタンが押下されると、抽出部45は、かかるユーザU1のデータがある各特徴情報のうち、スコアが所定値以上のものを当該ユーザU1の特徴を示すとして抽出する。
For example, the
また、抽出部45は、かかるユーザU1のデータがない特徴情報であっても、ユーザU1の特徴を示す特徴情報に近いと推定部44によって推定された特徴情報を、あわせて当該ユーザU1の特徴を示すとして抽出する。
Further, even if the feature information has no data of the user U1, the
したがって、図7Aに示した例に沿えば、抽出部45は、ユーザU1の特徴を示すとしてモデル「高級車所有」のほか「高年収」を抽出する。
Therefore, according to the example shown in FIG. 7A, the
そして、かかる抽出部45の抽出結果を受けて、提供部46が、例えば抽出されたモデル「高級車所有」および「高年収」のモデル名称を含む提供情報「<<特徴抽出結果>>」を生成し、サービス提供サーバ10側へ送信して事業者端末20に表示させる(図7Dの利用画面の下段参照)。
Then, in response to the extraction result of the
このように、ユーザ指定により指定されたユーザUの特徴と近い別の特徴をあわせて抽出することによって、やはりマーケティング等におけるカバレッジの拡大を図ることが可能となる。 Thus, by extracting another feature close to the feature of the user U designated by the user designation, it is possible to expand the coverage in marketing or the like.
(演算指定の概要)
次に、上記した演算指定による指定の具体例について、図7E〜図7Gを用いて説明する。なお、まず演算指定の概要について図7Eを参照しつつ、自然言語処理として知られているWord2Vecを例に挙げて説明する。
(Overview of operation specification)
Next, a specific example of designation by the above calculation designation will be described with reference to FIGS. 7E to 7G. First, the outline of calculation designation will be described with reference to FIG. 7E, taking Word2Vec known as natural language processing as an example.
実施形態に係る情報処理方法と同様に情報をエンベディングする例として、Word2Vecが知られている。Word2Vecは、大量のテキストをニューラルネットワークに読み込ませ、単語を例えば数百次元のベクトル(以下、「単語ベクトル」と言う)で表現するものである。かかるWord2Vecでは、単語ベクトル同士を足し引きすることで、意味の「足し算」や「引き算」が可能となる。 Word2Vec is known as an example of embedding information as in the information processing method according to the embodiment. Word2Vec reads a large amount of text into a neural network and expresses a word by, for example, a vector of several hundred dimensions (hereinafter referred to as “word vector”). In such Word2Vec, it is possible to add and subtract meanings by adding and subtracting word vectors.
具体的には、図7Eに示すように、例えば「王」を表す単語ベクトルから「男性」を表す単語ベクトルを引き算し、「女性」を表す単語ベクトルを足し算すると、「女王」を表す単語ベクトルに近い単語ベクトルが得られることが知られている。また、「フランス」を表す単語ベクトルから「パリ」を表す単語ベクトルを引いて、「東京」を表す単語ベクトルを足すと、「日本」を表す単語ベクトルに近い単語ベクトルが得られることが知られている。 Specifically, as illustrated in FIG. 7E, for example, a word vector representing “queen” is obtained by subtracting a word vector representing “male” from a word vector representing “king” and adding a word vector representing “female”. It is known that a word vector close to can be obtained. It is also known that when a word vector representing “Paris” is subtracted from a word vector representing “France” and a word vector representing “Tokyo” is added, a word vector close to the word vector representing “Japan” is obtained. ing.
(演算指定の具体例)
実施形態に係る情報処理方法は、かかるWord2Vecと同様に特徴情報同士をベクトル化したものであるので、こうした特徴情報同士の演算指定が可能となる。
(Specific example of operation specification)
Since the information processing method according to the embodiment is obtained by vectorizing feature information as in the Word2Vec, it is possible to specify calculation between the feature information.
例えば、演算指定による指定方法は、図7Fに示すように、演算式の各項目を指定することによって行われる。例えば受付部43は、演算式の各項目を指定可能な利用画面を生成し、サービス提供サーバ10側へ送信して事業者端末20に表示させる。
For example, the designation method by calculation designation is performed by designating each item of the calculation formula as shown in FIG. 7F. For example, the
図7Fに示すように、かかる利用画面では、例えばドロップダウンリスト等のGUI(Graphical User Interface)により、演算させたい特徴情報のモデル名称および演算記号が選択指定可能になっている。なお、かかるモデル名称および演算記号の指定欄は、例えば図中の「追加」をクリックすることで追加することができる。 As shown in FIG. 7F, on such a usage screen, a model name and a calculation symbol of feature information to be calculated can be selected and specified by a GUI (Graphical User Interface) such as a drop-down list. The model name and operation symbol designation fields can be added by clicking “Add” in the figure, for example.
そして、演算式の各項目が指定されたうえで「実行」ボタンが押下されると、推定部44が、指定された演算式によるベクトル演算を実行する。そして、推定部44は、その演算結果が示す特徴情報が共有情報31に登録されていれば、当該特徴情報を提供部46へ通知する。また、推定部44は、演算結果が示す特徴情報が共有情報31に登録されていなければ、演算結果に最も近い特徴情報を提供部46へ通知する。
When each item of the arithmetic expression is specified and the “execute” button is pressed, the
提供部46は、かかる推定部44からの通知を受けて、通知された特徴情報の例えばモデル名称を含む提供情報「<<演算結果>>」を生成し、サービス提供サーバ10側へ送信して事業者端末20に表示させる(図7Fの利用画面の下段参照)。
In response to the notification from the
例えば、図7Fに示すように、「釣り好き−川釣り」の演算式が実行されたものとする。かかる場合、各特徴の意味を考慮すると、演算結果の一つとして例えば「海釣り」が予測されるが、推定部44は、演算の実行結果に最も近い特徴情報をベクトル情報34から探索し、これを提供部46へ通知する。
For example, as shown in FIG. 7F, it is assumed that an arithmetic expression “fishing lover-river fishing” is executed. In such a case, considering the meaning of each feature, for example, “sea fishing” is predicted as one of the calculation results, but the
ここで、ベクトル情報34に、演算の実行結果に最も近く、「海釣り」を表す特徴情報が存在すれば(図中の「「海釣り」あり」参照)、「<<演算結果>>」として「海釣り」が表示されることとなる。
Here, if the
一方で、図7Gに示すように、図7Fと同じ内容の演算で、ベクトル情報34に「海釣り」を表す特徴情報が存在しなければ(図中の「「海釣り」なし」参照)、「<<演算結果>>」として演算の実行結果に最も近い特徴情報(ここでは、一例として「海洋漁具購入」)が表示される。
On the other hand, as shown in FIG. 7G, if the feature information indicating “sea fishing” does not exist in the
このような演算指定により、任意の特徴情報の組み合わせから、例えば所望の予測結果に適う特徴情報を抽出することができる一方で、逆に人手では予測し得なかった特徴情報を抽出することも可能となる。したがって、このような演算指定により、マーケティング等におけるカバレッジの充実や拡大を図ることが可能となる。 By such calculation designation, for example, feature information suitable for a desired prediction result can be extracted from any combination of feature information, but on the contrary, feature information that could not be predicted manually can also be extracted. It becomes. Therefore, it is possible to enhance and expand coverage in marketing and the like by such calculation designation.
〔4.情報処理装置1の処理手順〕
次に、実施形態に係る情報処理装置1が実行する処理手順について説明する。図8は、実施形態に係る情報処理装置1が実行する処理手順を示すフローチャート(その1)である。また、図9は、実施形態に係る情報処理装置1が実行する処理手順を示すフローチャート(その2)である。なお、図8には、特徴情報が取得されて特徴情報間の関係性が推定されるまでの処理手順を示している。また、図9には、提供処理の処理手順を示している。
[4. Processing procedure of information processing apparatus 1]
Next, a processing procedure executed by the information processing apparatus 1 according to the embodiment will be described. FIG. 8 is a flowchart (part 1) illustrating a processing procedure executed by the information processing apparatus 1 according to the embodiment. FIG. 9 is a flowchart (part 2) illustrating a processing procedure executed by the information processing apparatus 1 according to the embodiment. FIG. 8 shows a processing procedure until the feature information is acquired and the relationship between the feature information is estimated. FIG. 9 shows a processing procedure of the providing process.
図8に示すように、まず、取得部41は、ユーザUの属性を用いてユーザUの特徴を推定するモデル、および、上記属性を用いて推定されたユーザUの特徴に関する推定結果の少なくとも一方を含む特徴情報を異なるサービスYそれぞれから取得する(ステップS101)。
As illustrated in FIG. 8, first, the
そして、変換部42が、取得部41によって取得された特徴情報をベクトル値へ変換する(ステップS102)。
Then, the
そして、推定部44が、変換部42によって変換されたベクトル値に基づいて特徴情報間の関係性を推定し(ステップS103)、処理を終了する。
And the
また、提供処理においては、図9に示すように、まず、受付部43は、サービスYから特徴指定の要求を受け付けたか否かを判定する(ステップS201)。ここで、受付部43が特徴指定を受け付けた場合(ステップS201,Yes)、抽出部45は、推定部44の推定結果に基づき、特徴指定により指定された特徴を有すると推定されるユーザUを抽出する(ステップS202)。
In the providing process, as illustrated in FIG. 9, first, the receiving
そして、提供部46は、抽出部45によって抽出されたユーザUのリストを含む提供情報をサービスYへ提供し(ステップS203)、処理を終了する。
Then, the providing
一方、受付部43は、特徴指定の要求を受け付けなかった場合(ステップS201,No)、ユーザ指定の要求を受け付けたか否かを判定する(ステップS204)。なお、ステップS201およびステップS204の処理は、その処理順が入れ替わってもよい。
On the other hand, if the
ここで、受付部43がユーザ指定の要求を受け付けた場合(ステップS204,Yes)、抽出部45は、推定部44の推定結果に基づき、ユーザ指定により指定されたユーザUの特徴を抽出する(ステップS205)。
Here, when the
つづいて、提供部46は、抽出部45によって抽出されたユーザUの特徴を示す情報を含む提供情報をサービスYへ提供し(ステップS206)、処理を終了する。
Subsequently, the providing
一方、受付部43は、ユーザ指定の要求を受け付けなかった場合(ステップS204,No)、処理をステップS201へ移行する。
On the other hand, when the
なお、図9では図示を略しているが、受付部43は、特徴指定およびユーザ指定の要求を受け付けなかった場合(ステップS204,No)、演算指定の要求を受け付けたか否かを判定することができる。
Although not shown in FIG. 9, when the
ここで、かかる要求を受け付けた場合、推定部44が、指定された演算式の内容でベクトル演算を実行し、その演算結果に最も近い特徴情報を提供部46へ通知する。提供部46は、通知された特徴情報を含む提供情報をサービスYへ提供し、処理を終了する。一方、演算指定の要求を受け付けなかった場合、受付部43は、処理をステップS201へ移行することとなる。
Here, when such a request is received, the
〔5.ハードウェア構成〕
上述してきた実施形態に係る情報処理装置1やサービス提供サーバ10、事業者端末20、ユーザ端末100は、例えば図10に示すような構成のコンピュータ1000によって実現される。以下、情報処理装置1を例に挙げて説明する。図10は、実施形態に係る情報処理装置1の機能を実現するコンピュータの一例を示すハードウェア構成図である。コンピュータ1000は、CPU(Central Processing Unit)1100、RAM(Random Access Memory)1200、ROM(Read Only Memory)1300、HDD(Hard Disk Drive)1400、通信インターフェイス(I/F)1500、入出力インターフェイス(I/F)1600、およびメディアインターフェイス(I/F)1700を備える。
[5. Hardware configuration)
The information processing apparatus 1, the
CPU1100は、ROM1300またはHDD1400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。ROM1300は、コンピュータ1000の起動時にCPU1100によって実行されるブートプログラムや、コンピュータ1000のハードウェアに依存するプログラム等を格納する。
The
HDD1400は、CPU1100によって実行されるプログラムおよび当該プログラムによって使用されるデータ等を格納する。通信インターフェイス1500は、通信網500(図2に示したネットワークNに対応)を介して他の機器からデータを受信してCPU1100へ送り、CPU1100が生成したデータを、通信網500を介して他の機器へ送信する。
The
CPU1100は、入出力インターフェイス1600を介して、ディスプレイやプリンタ等の出力装置、および、キーボードやマウス等の入力装置を制御する。CPU1100は、入出力インターフェイス1600を介して、入力装置からデータを取得する。また、CPU1100は、生成したデータを、入出力インターフェイス1600を介して出力装置へ出力する。
The
メディアインターフェイス1700は、記録媒体1800に格納されたプログラムまたはデータを読み取り、RAM1200を介してCPU1100に提供する。CPU1100は、当該プログラムを、メディアインターフェイス1700を介して記録媒体1800からRAM1200上にロードし、ロードしたプログラムを実行する。記録媒体1800は、例えばDVD(Digital Versatile Disc)、PD(Phase change rewritable Disk)等の光学記録媒体、MO(Magneto-Optical disk)等の光磁気記録媒体、テープ媒体、磁気記録媒体、または半導体メモリ等である。
The
例えば、コンピュータ1000が実施形態に係る情報処理装置1として機能する場合、コンピュータ1000のCPU1100は、RAM1200上にロードされたプログラムを実行することにより、制御部4の各機能を実現する。また、HDD1400には、記憶部3内のデータが記憶される。コンピュータ1000のCPU1100は、これらのプログラムを、記録媒体1800から読み取って実行するが、他の例として、他の装置から、通信網500を介してこれらのプログラムを取得してもよい。
For example, when the
〔6.その他〕
また、上記実施形態において説明した各処理のうち、自動的に行われるものとして説明した処理の全部または一部を手動的に行うこともでき、あるいは、手動的に行われるものとして説明した処理の全部または一部を公知の方法で自動的に行うこともできる。この他、上記文書中や図面中で示した処理手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。例えば、各図に示した各種情報は、図示した情報に限られない。
[6. Others]
In addition, among the processes described in the above embodiment, all or part of the processes described as being automatically performed can be performed manually, or the processes described as being performed manually can be performed. All or a part can be automatically performed by a known method. In addition, the processing procedures, specific names, and information including various data and parameters shown in the document and drawings can be arbitrarily changed unless otherwise specified. For example, the various types of information illustrated in each drawing is not limited to the illustrated information.
また、図示した各装置の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、各装置の分散・統合の具体的形態は図示のものに限られず、その全部または一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。 Further, each component of each illustrated apparatus is functionally conceptual, and does not necessarily need to be physically configured as illustrated. In other words, the specific form of distribution / integration of each device is not limited to that shown in the figure, and all or a part thereof may be functionally or physically distributed or arbitrarily distributed in arbitrary units according to various loads or usage conditions. Can be integrated and configured.
例えば、図3に示した取得部41と、受付部43とは統合されてもよい。また、例えば、記憶部3に記憶される情報は、ネットワークNを介して、外部に備えられた所定の記憶装置に記憶されてもよい。
For example, the
また、上記実施形態では、情報処理装置1が、例えば、ユーザUの属性を用いてユーザUの特徴を推定するモデル、および、上記属性を用いて推定されたユーザUの特徴に関する推定結果の少なくとも一方を含む特徴情報を異なるサービスYそれぞれから取得する取得処理と、取得処理によって取得された特徴情報をベクトル値へ変換する変換処理と、変換処理によって変換されたベクトル値に基づいて特徴情報間の関係性を推定する推定処理と、を行う例を示した。しかし、上述した情報処理装置1は、取得処理を行う取得装置と、変換処理を行う変換装置と、推定処理を行う推定装置とが分離されてもよい。この場合、取得装置は、少なくとも取得部41を有する。変換装置は、少なくとも変換部42を有する。推定装置は、少なくとも推定部44を有する。そして、上記の情報処理装置1による処理は、取得装置と、変換装置と、推定装置との各装置を有する情報処理システムSによって実現される。
Moreover, in the said embodiment, the information processing apparatus 1 is the model which estimates the characteristic of the user U using the attribute of the user U, for example, and at least the estimation result regarding the characteristic of the user U estimated using the said attribute An acquisition process for acquiring feature information including one from each of different services Y, a conversion process for converting the feature information acquired by the acquisition process into a vector value, and a feature value based on the vector value converted by the conversion process The example which performs the estimation process which estimates a relationship was shown. However, in the information processing apparatus 1 described above, an acquisition apparatus that performs an acquisition process, a conversion apparatus that performs a conversion process, and an estimation apparatus that performs an estimation process may be separated. In this case, the acquisition device includes at least the
また、上述してきた実施形態及び変形例は、処理内容を矛盾させない範囲で適宜組み合わせることが可能である。 In addition, the above-described embodiments and modifications can be combined as appropriate within a range that does not contradict processing contents.
〔7.効果〕
実施形態に係る情報処理システムSの情報処理装置1は、取得部41と、変換部42と、推定部44とを備える。取得部41は、ユーザUの属性を用いてユーザUの特徴を推定するモデル、および、上記属性を用いて推定されたユーザUの特徴に関する推定結果の少なくとも一方を含む特徴情報を異なるサービスYそれぞれから取得する。変換部42は、取得部41によって取得された特徴情報をベクトル値へ変換する。推定部44は、変換部42によって変換されたベクトル値に基づいて特徴情報間の関係性を推定する。これにより、異なるサービスの個々の解析結果の関係性を推定することができる。
[7. effect〕
The information processing apparatus 1 of the information processing system S according to the embodiment includes an
また、推定部44は、上記ベクトル値に基づいて特徴情報同士の類似度を判定する。これにより、特徴情報同士の近さを判定することが可能となる。
Moreover, the
また、推定部44は、上記類似度が近いと判定される場合に、ユーザUが上記特徴情報同士のうちの一方に該当する特徴を有するならば、当該ユーザUは他方の特徴情報についても該当する特徴を有するものとして推定する。これにより、異なるサービスの個々の解析結果を横断的に利用した推定を行うことができる。
Further, when the
また、推定部44は、ベクトル値に基づいて特徴情報同士を演算した演算結果が示す特徴情報を推定する。これにより、例えば所望の予測結果に適う特徴情報を抽出することができる一方で、逆に人手では予測し得なかった特徴情報を抽出することも可能となる。したがって、マーケティング等におけるカバレッジの充実や拡大を図ることが可能となる。
Moreover, the
また、推定部44は、上記演算結果に最も近いベクトル値を有する特徴情報を導出する。これにより、共有情報31に登録されている特徴情報のうち、上記演算結果に最も近い特徴情報を精度よくかつ容易に導出することが可能となる。
The
また、特徴情報のモデルは、上記属性を入力することで、ユーザUの特徴をスコアとして出力するものであって、変換部42は、少なくとも上記属性および上記スコアを素性とする学習に基づき、特徴情報それぞれを多次元からなるベクトル値へ変換する。これにより、ユーザUの属性およびスコアに基づいた特徴情報のベクトル化が可能となる。
Further, the feature information model outputs the feature of the user U as a score by inputting the attribute, and the
また、変換部42は、上記多次元のうち有意な次元のみを抽出した次元圧縮を行う。これにより、ノイズ成分等を排することができ、特徴情報を精度高くベクトル化することができる。
The
以上、本願の実施形態を図面に基づいて詳細に説明したが、これは例示であり、発明の開示の欄に記載の態様を始めとして、当業者の知識に基づいて種々の変形、改良を施した他の形態で本発明を実施することが可能である。 The embodiment of the present application has been described in detail with reference to the drawings. However, this is an exemplification, and various modifications and improvements are made based on the knowledge of those skilled in the art including the aspects described in the column of the disclosure of the invention. The present invention can be implemented in other forms.
また、上述してきた「部(section、module、unit)」は、「手段」や「回路」などに読み替えることができる。例えば、取得部は、取得手段や取得回路に読み替えることができる。 In addition, the “section (module, unit)” described above can be read as “means” or “circuit”. For example, the acquisition unit can be read as acquisition means or an acquisition circuit.
1 情報処理装置
2 通信部
3 記憶部
4 制御部
10 サービス提供サーバ
20 事業者端末
31 共有情報
32 サービス情報
33 モデルプログラム情報
34 ベクトル情報
41 取得部
42 変換部
43 受付部
44 推定部
45 抽出部
46 提供部
100 ユーザ端末
S 情報処理システム
DESCRIPTION OF SYMBOLS 1
Claims (9)
前記取得部によって取得された前記特徴情報をベクトル値へ変換する変換部と、
前記変換部によって変換された前記ベクトル値に基づいて前記特徴情報間の関係性を推定する推定部と
を備えることを特徴とする情報処理装置。 An acquisition unit for acquiring feature information including at least one of a model for estimating the feature of the user using the attribute of the user and an estimation result regarding the feature of the user estimated using the attribute from each of different services;
A conversion unit that converts the feature information acquired by the acquisition unit into a vector value;
An information processing apparatus comprising: an estimation unit that estimates a relationship between the feature information based on the vector value converted by the conversion unit.
前記ベクトル値に基づいて前記特徴情報同士の類似度を判定する
ことを特徴とする請求項1に記載の情報処理装置。 The estimation unit includes
The information processing apparatus according to claim 1, wherein the similarity between the feature information is determined based on the vector value.
前記類似度が近いと判定される場合に、前記ユーザが前記特徴情報同士のうちの一方に該当する特徴を有するならば、当該ユーザは他方の前記特徴情報についても該当する特徴を有するものとして推定する
ことを特徴とする請求項2に記載の情報処理装置。 The estimation unit includes
When it is determined that the similarity is close, if the user has a feature corresponding to one of the feature information, the user is estimated to have a feature corresponding to the other feature information. The information processing apparatus according to claim 2, wherein:
前記ベクトル値に基づいて前記特徴情報同士を演算した演算結果が示す前記特徴情報を推定する
ことを特徴とする請求項1、2または3に記載の情報処理装置。 The estimation unit includes
The information processing apparatus according to claim 1, wherein the feature information indicated by a calculation result obtained by calculating the feature information based on the vector value is estimated.
前記演算結果に最も近い前記ベクトル値を有する前記特徴情報を導出する
ことを特徴とする請求項4に記載の情報処理装置。 The estimation unit includes
The information processing apparatus according to claim 4, wherein the feature information having the vector value closest to the calculation result is derived.
前記属性を入力することで、前記ユーザの特徴をスコアとして出力するものであって、
前記変換部は、
少なくとも前記属性および前記スコアを素性とする学習に基づき、前記特徴情報それぞれを多次元からなる前記ベクトル値へ変換する
ことを特徴とする請求項1〜5のいずれか一つに記載の情報処理装置。 The model of the feature information is
By inputting the attribute, the feature of the user is output as a score,
The converter is
6. The information processing apparatus according to claim 1, wherein each of the feature information is converted into the multi-dimensional vector value based on at least learning using the attribute and the score as features. .
前記多次元のうち有意な次元のみを抽出した次元圧縮を行う
ことを特徴とする請求項6に記載の情報処理装置。 The converter is
The information processing apparatus according to claim 6, wherein dimension compression is performed by extracting only significant dimensions among the multi-dimensions.
ユーザの属性を用いて前記ユーザの特徴を推定するモデル、および、前記属性を用いて推定された前記ユーザの特徴に関する推定結果の少なくとも一方を含む特徴情報を異なるサービスそれぞれから取得する取得工程と、
前記取得工程によって取得された前記特徴情報をベクトル値へ変換する変換工程と、
前記変換工程によって変換された前記ベクトル値に基づいて前記特徴情報間の関係性を推定する推定工程と
を含むことを特徴とする情報処理方法。 An information processing method executed by a computer,
An acquisition step of acquiring feature information including at least one of a model for estimating the user's feature using the user's attribute and an estimation result regarding the user's feature estimated using the attribute from each of different services;
A conversion step of converting the feature information acquired by the acquisition step into a vector value;
An estimation step of estimating a relationship between the feature information based on the vector value converted by the conversion step.
前記取得手順によって取得された前記特徴情報をベクトル値へ変換する変換手順と、
前記変換手順によって変換された前記ベクトル値に基づいて前記特徴情報間の関係性を推定する推定手順と
をコンピュータに実行させることを特徴とする情報処理プログラム。 An acquisition procedure for acquiring feature information including at least one of a model for estimating the user's feature using the user's attribute and an estimation result regarding the user's feature estimated using the attribute from each of different services;
A conversion procedure for converting the feature information acquired by the acquisition procedure into a vector value;
An information processing program causing a computer to execute an estimation procedure for estimating a relationship between the feature information based on the vector value converted by the conversion procedure.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018159439A JP6601888B1 (en) | 2018-08-28 | 2018-08-28 | Information processing apparatus, information processing method, and information processing program |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018159439A JP6601888B1 (en) | 2018-08-28 | 2018-08-28 | Information processing apparatus, information processing method, and information processing program |
Publications (2)
Publication Number | Publication Date |
---|---|
JP6601888B1 true JP6601888B1 (en) | 2019-11-06 |
JP2020035072A JP2020035072A (en) | 2020-03-05 |
Family
ID=68462386
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018159439A Active JP6601888B1 (en) | 2018-08-28 | 2018-08-28 | Information processing apparatus, information processing method, and information processing program |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6601888B1 (en) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7372958B2 (en) * | 2021-09-14 | 2023-11-01 | ヤフー株式会社 | Information processing device, information processing method, and information processing program |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6271345B2 (en) * | 2014-06-06 | 2018-01-31 | ヤフー株式会社 | Extraction apparatus, extraction method, and extraction program |
JP6074524B1 (en) * | 2016-02-05 | 2017-02-01 | ヤフー株式会社 | Learning device, learning method, and learning program |
-
2018
- 2018-08-28 JP JP2018159439A patent/JP6601888B1/en active Active
Also Published As
Publication number | Publication date |
---|---|
JP2020035072A (en) | 2020-03-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6719727B2 (en) | Purchase behavior analysis device and program | |
JP6911603B2 (en) | How to generate predictive models for the categories of facilities visited by users, programs, server equipment, and processing equipment | |
JP6703572B2 (en) | Information processing apparatus, information processing method, and information processing program | |
JP6591644B1 (en) | Information processing apparatus, information processing method, and information processing program | |
US11397764B2 (en) | Machine learning for digital image selection across object variations | |
CN106447419B (en) | Visitor identification based on feature selection | |
JP6228151B2 (en) | Learning device, learning method, and learning program | |
US20190156177A1 (en) | Aspect Pre-selection using Machine Learning | |
JP2021119526A (en) | Generation device, generation method, data generation program | |
JP6591012B1 (en) | Information processing apparatus, information processing method, and information processing program | |
JP6601888B1 (en) | Information processing apparatus, information processing method, and information processing program | |
JP7231322B2 (en) | LEARNING DEVICE, LEARNING METHOD, LEARNING PROGRAM AND PROGRAM | |
US10096045B2 (en) | Tying objective ratings to online items | |
JP6591638B1 (en) | Information processing apparatus, information processing method, and information processing program | |
JP6921922B2 (en) | Information processing equipment, information processing methods, and information processing programs | |
JP6601889B1 (en) | Information processing apparatus, information processing method, and information processing program | |
JP6866266B2 (en) | Generation device, generation method, and generation program | |
JP7208286B2 (en) | Information processing device, information processing method and information processing program | |
JP7303855B2 (en) | Information processing device, information processing method and information processing program | |
JP7354191B2 (en) | Information processing device, information processing method, and information processing program | |
JP7239628B2 (en) | Information processing device, information processing method and information processing program | |
JP6703571B2 (en) | Information processing apparatus, information processing method, and information processing program | |
JP6705869B2 (en) | Information processing apparatus, information processing method, and information processing program | |
JP6203339B1 (en) | Determination device, determination method, and determination program | |
JP7008152B1 (en) | Information processing equipment, information processing methods and information processing programs |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20181213 |
|
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: 20190903 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20191003 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6601888 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
A711 | Notification of change in applicant |
Free format text: JAPANESE INTERMEDIATE CODE: A712 Effective date: 20191101 |
|
RD03 | Notification of appointment of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7423 Effective date: 20191108 |
|
S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313111 |
|
R360 | Written notification for declining of transfer of rights |
Free format text: JAPANESE INTERMEDIATE CODE: R360 |
|
R370 | Written measure of declining of transfer procedure |
Free format text: JAPANESE INTERMEDIATE CODE: R370 |
|
S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313111 |
|
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 |
|
S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313111 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |