JP6757276B2 - 生成装置、生成方法、及び生成プログラム - Google Patents

Description

本発明は、生成装置、生成方法、及び生成プログラムに関する。

従来、種々の情報に基づいてモデルを生成（学習）する技術が提供されている。例えば、滞在場所属性ごとの特徴的な行動に基づいて誤った行動ラベルを訂正した学習データ（情報）を用いて、所定のモデルを生成する技術が提供されている。

特開２０１６−１５７１９６号公報

しかしながら、上記の従来技術では、情報に応じて柔軟なモデルの生成を可能にすることが難しい場合がある。例えば、ユーザ等の対象について情報を画一的に分類（クラスタリング）してモデルを生成するだけでは、各対象に応じて取得される情報が変動する場合、情報に応じて柔軟なモデルの生成を可能にすることは難しい。

本願は、上記に鑑みてなされたものであって、情報に応じて柔軟なモデルの生成を可能にする生成装置、生成方法、及び生成プログラムを提供することを目的とする。

本願に係る生成装置は、各第１の対象に対応付けられた第２の対象に関する情報を取得する取得部と、前記各第１の対象に対応付けられた第２の対象に関する情報の各々を所定数のクラスタに分類し、前記各第１の対象に対応する各クラスタを前記各第１の対象間で所定の基準に基づいて対応付ける分類部と、前記各第１の対象間における各クラスタの対応付けに基づいて、所定のモデルを生成する生成部と、を備えたことを特徴とする。

実施形態の一態様によれば、情報に応じて柔軟なモデルの生成を可能にすることができるという効果を奏する。

図１は、実施形態に係る生成処理の一例を示す図である。 図２は、実施形態に係る生成システムの構成例を示す図である。 図３は、実施形態に係る生成装置の構成例を示す図である。 図４は、実施形態に係るユーザ情報記憶部の一例を示す図である。 図５は、実施形態に係る行動情報記憶部の一例を示す図である。 図６は、実施形態に係るクラスタ情報記憶部の一例を示す図である。 図７は、実施形態に係るモデル情報記憶部の一例を示す図である。 図８は、実施形態に係る生成処理の一例を示すフローチャートである。 図９は、実施形態に係るモデルの生成処理の一例を示す図である。 図１０は、実施形態に係るモデルの生成処理の一例を示す図である。 図１１は、実施形態に係るモデルの生成処理の一例を示す図である。 図１２は、生成装置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。

以下に、本願に係る生成装置、生成方法、及び生成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生成装置、生成方法、及び生成プログラムが限定されるものではない。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。

（実施形態）
〔１．生成処理〕
まず、図１を用いて、実施形態に係る生成処理の一例について説明する。図１は、実施形態に係る生成処理の一例を示す図である。具体的には、図１では、生成装置１００が各ユーザに関する情報（データ）を用いて所定のモデルを生成する場合を示す。なお、図１の例では、所定のモデルとして、ユーザに配信するコンテンツの決定に用いるモデルを生成する。

図１の例では、各ユーザを第１の対象とする場合を示す。具体的には、図１では、ユーザＩＤ「Ｕ１」により識別されるユーザ（以下、「ユーザＵ１」ともいう）やユーザＩＤ「Ｕ２」により識別されるユーザ（ユーザＵ２）やユーザＩＤ「Ｕ３」により識別されるユーザ（ユーザＵ３）等を対象とする場合を示す。

また、図１の例では、時間を第２の対象とする場合を示す。図１の例では、生成装置１００は、図５中の行動情報記憶部１２２に示すような、各ユーザの行動情報であって、日時（時間）に対応付けられた行動情報をクラスタリングし、モデルを生成する場合を説明する。なお、第１の対象や第２の対象は、上記に限らず、種々の対象であってもよい。

まず、図１に示す各ユーザＵ１〜Ｕ３に対応するグラフＧＲ１〜ＧＲ３について説明する。例えば、図１に示すグラフＧＲ１〜ＧＲ３は、第１の対象であるユーザＵ１〜Ｕ３の第２の対象である時間に対応する行動情報について、各時間に応じたデータ量（情報量）を示すグラフである。例えば、グラフＧＲ１〜ＧＲ３の縦軸（以下、「Ｙ軸」ともいう）が示す「データ量」は、各時間に関する行動情報のデータ量を示す。例えば、グラフＧＲ１〜ＧＲ３のＹ軸「データ量」は、各時間において取得された行動情報のデータ量を示す。なお、グラフＧＲ１〜ＧＲ３のＹ軸は、行動情報のデータ量に限らず、例えば、各時間に関する情報の相関関係を把握可能な情報であればどのような情報であってもよい。例えば、グラフＧＲ１〜ＧＲ３のＹ軸は、行動情報の数、分散、種々の他の統計量であってもよい。

また、例えば、グラフＧＲ１〜ＧＲ３の横軸（以下、「Ｘ軸」ともいう）が示す「時刻ｔ」は、時間軸を示す。図１の例では、グラフＧＲ１〜ＧＲ３のＸ軸「時刻ｔ」は、１日（２４時間）に対応するものとする。例えば、グラフＧＲ１〜ＧＲ３のＸ軸「時刻ｔ」は、Ｙ軸との交点を「０時」として、軸の先端を「２４時」としてもよい。なお、Ｘ軸は、第２の対象である時間に関する情報であれば、どのような情報であってもよい。

図１の例では、グラフＧＲ１〜ＧＲ３は、Ｙ軸との交点を「０時」であり、グラフＧＲ１〜ＧＲ３のＸ軸「時刻ｔ」における各時刻は対応するものとする。例えば、グラフＧＲ２、ＧＲ３において、グラフＧＲ１に示す時刻ｔ１１に対応する位置は、時刻ｔ１１と同じ時刻である。例えば、時刻ｔ１１が「１時１分１秒」である場合、グラフＧＲ２、ＧＲ３において、グラフＧＲ１に示す時刻ｔ１１に対応する位置の時刻も、「１時１分１秒」であるものとする。例えば、図１の例では、時刻ｔ１１は、時刻ｔ３１よりも前であり、時刻ｔ３１は、時刻ｔ２１よりも前であるものとする。また、図１の例では、時刻ｔ３１は、時刻ｔ３１と時刻ｔ２１との間の時刻であるものとする。

例えば、図１に示すグラフＧＲ１は、ユーザＵ１の時間に対応する行動情報について、各時間に応じたデータ量（情報量）を示すグラフである。例えば、グラフＧＲ１は、時刻ｔ１１において取得されたユーザＵ１の行動情報が少ないことを示す。また、例えば、グラフＧＲ１は、時刻ｔ１１以降徐々に取得されるユーザＵ１の行動情報が増加していることを示す。例えば、生成装置１００は、図５中の行動情報記憶部１２２に示す日時の情報に基づいて、各時刻におけるユーザＵ１の行動情報のデータ量を取得し、グラフＧＲ１を生成する。例えば、生成装置１００は、行動情報記憶部１２２に示す日時「ＴＭ１１」の時刻が時刻ｔ１２に対応する場合、行動ＩＤ「ＡＴ１１」により識別される行動情報は、時刻ｔ１２に関する行動情報であるとして、グラフＧＲ１を生成する。

このように、生成装置１００は、例えば行動情報記憶部１２２に記憶されたユーザＵ１の行動情報に基づいて、グラフＧＲ１を生成する。また、生成装置１００は、例えば行動情報記憶部１２２に記憶されたユーザＵ２の行動情報に基づいて、グラフＧＲ２を生成する。また、生成装置１００は、例えば行動情報記憶部１２２に記憶されたユーザＵ３の行動情報に基づいて、グラフＧＲ３を生成する。

以下、上述したグラフＧＲ１〜ＧＲ３に示すような情報を基に生成装置１００がモデルの生成を行う場合を示す。まず、生成装置１００は、各ユーザの行動情報を時間に基づいてクラスタリングする。図１に示す例においては、生成装置１００は、各ユーザの行動情報を時間に基づいて３つのクラスタに分類（クラスタリング）する。なお、クラスタの数は、生成するモデルの目的や条件等の種々の情報に基づいて決定されてもよい。例えば、生成装置１００は、ユーザごとのクラスタ数が同じであれば、どのような個数のクラスタに各ユーザの行動情報を分類（クラスタリング）してもよい。例えば、生成装置１００は、各ユーザの行動情報をＮ個（Ｎは２以上の自然数）のクラスタに分類（クラスタリング）してもよい。例えば、生成装置１００は、各ユーザの行動情報を５個のクラスタに分類（クラスタリング）してもよい。例えば、生成装置１００は、各ユーザの行動情報を１０個のクラスタに分類（クラスタリング）してもよい。また、生成装置１００は、各ユーザの行動情報を何個のクラスタに分類するかを、交差検証（クロスバリデーション）により決定してもよい。なお、この点については後述する。

まず、図１に示す例においては、生成装置１００は、ユーザＵ１のグラフＧＲ１を３つのクラスタにクラスタリングする（ステップＳ１１−１）。例えば、生成装置１００は、ユーザＵ１のグラフＧＲ１を時間軸（Ｘ軸）に沿って３つのクラスタにクラスタリングする。図１に示すグラフＧＲ１は、時刻ｔ１１、ｔ１２、ｔ１３の３つの時点において行動情報のデータ量が落ち着く（少なくなる）という周期性を有する。そのため、生成装置１００は、ユーザＵ１のグラフＧＲ１を、時刻ｔ１１−ｔ１２と、時刻ｔ１２−ｔ１３と、時刻ｔ１３−ｔ１１との３つのクラスタにクラスタリングする。言い換えると、生成装置１００は、ユーザＵ１の行動情報を、時刻ｔ１１から時刻ｔ１２間に対応する行動情報と、時刻ｔ１２から時刻ｔ１３間に対応する行動情報と、時刻ｔ１３から時刻ｔ１１間に対応する行動情報との３つのクラスタにクラスタリングする。

なお、生成装置１００は、種々のクラスタリング手法を適宜用いて、上述のようなクラスタリングを行ってもよい。生成装置１００は、ｋ−ｍｅａｎｓ法やディリクレ過程を用いたロジスティック回帰等の種々のクラスタリング手法を用いてもよい。また、例えば、生成装置１００は、グラフＧＲ１において３つの波ができるように所定の関数で近似した後、３つのクラスタにクラスタリングしてもよい。

また、図１に示す例においては、生成装置１００は、ユーザＵ２のグラフＧＲ２を３つのクラスタにクラスタリングする（ステップＳ１１−２）。例えば、生成装置１００は、ユーザＵ２のグラフＧＲ２を時間軸（Ｘ軸）に沿って３つのクラスタにクラスタリングする。図１に示すグラフＧＲ２は、時刻ｔ２１、ｔ２２、ｔ２３の３つの時点において行動情報のデータ量が落ち着く（少なくなる）という周期性を有する。そのため、生成装置１００は、ユーザＵ２のグラフＧＲ２を、時刻ｔ２１−ｔ２２と、時刻ｔ２２−ｔ２３と、時刻ｔ２３−ｔ２１との３つのクラスタにクラスタリングする。言い換えると、生成装置１００は、ユーザＵ２の行動情報を、時刻ｔ２１から時刻ｔ２２間に対応する行動情報と、時刻ｔ２２から時刻ｔ２３間に対応する行動情報と、時刻ｔ２３から時刻ｔ２１間に対応する行動情報との３つのクラスタにクラスタリングする。

また、図１に示す例においては、生成装置１００は、ユーザＵ３のグラフＧＲ３を３つのクラスタにクラスタリングする（ステップＳ１１−３）。例えば、生成装置１００は、ユーザＵ３のグラフＧＲ３を時間軸（Ｘ軸）に沿って３つのクラスタにクラスタリングする。図１に示すグラフＧＲ３は、時刻ｔ３１、ｔ３２、ｔ３３の３つの時点において行動情報のデータ量が落ち着く（少なくなる）という周期性を有する。そのため、生成装置１００は、ユーザＵ３のグラフＧＲ３を、時刻ｔ３１−ｔ３２と、時刻ｔ３２−ｔ３３と、時刻ｔ３３−ｔ３１との３つのクラスタにクラスタリングする。言い換えると、生成装置１００は、ユーザＵ３の行動情報を、時刻ｔ３１から時刻ｔ３２間に対応する行動情報と、時刻ｔ３２から時刻ｔ３３間に対応する行動情報と、時刻ｔ３３から時刻ｔ３１間に対応する行動情報との３つのクラスタにクラスタリングする。

なお、ステップＳ１１−１〜Ｓ１１−３は、処理を説明するためのものであり、ステップＳ１１−１〜Ｓ１１−３のいずれが先に行われてもよく、各ステップＳ１１−１〜Ｓ１１−３は、複数回行われてもよい。以下、ステップＳ１１−１〜Ｓ１１−３を区別せずに説明する場合、ステップＳ１１と総称する。このように、ステップＳ１１において、生成装置１００は、各ユーザＵ１〜Ｕ３の行動情報を、時間におけるユーザごとの取得状況に応じて適切にクラスタリングすることができる。

そして、生成装置１００は、各ユーザに対応する各クラスタを各ユーザ間で所定の基準に基づいて対応付ける。例えば、生成装置１００は、所定の基準点に基づいて、各ユーザに対応する各クラスタを各ユーザ間で対応付ける。図１の例では、生成装置１００は、基準点ＰＶ１１に基づいて、各ユーザに対応する各クラスタを各ユーザ間で対応付ける。図１の例では、基準点ＰＶ１１は、所定の時刻であり、時刻ｔ２２と時刻ｔ１２との間の時刻であるものとする。なお、所定の基準は、所定の基準点に限らず、種々の基準であってもよい。例えば、所定の基準は、クラスタに関連する基準であってもよい。また、例えば、所定の基準は、クラスタリングを行う際の基準とは異なる基準であってもよい。なお、この点についての詳細は後述する。

例えば、生成装置１００は、各ユーザに対応する各クラスタについて、基準点ＰＶ１１に対応するクラスタから順にナンバリングすることにより、各ユーザに対応する各クラスタを各ユーザ間で対応付ける。

図１の例では、生成装置１００は、基準点ＰＶ１１が時刻ｔ１１から時刻ｔ１２の間にあるため、ユーザＵ１については時刻ｔ１１−ｔ１２を１番にナンバリングする（ステップＳ１２−１）。例えば、生成装置１００は、ユーザＵ１については時刻ｔ１１−ｔ１２を「Ｔ１番」とナンバリングし、クラスタＣＬ１に対応するサブクラスタＣＬ１−１とする。

また、図１の例では、生成装置１００は、ユーザＵ１について時刻ｔ１１−ｔ１２の次の時刻ｔ１２−ｔ１３を２番にナンバリングする（ステップＳ１２−２）。例えば、生成装置１００は、ユーザＵ１については時刻ｔ１２−ｔ１３を「Ｔ２番」とナンバリングし、クラスタＣＬ２に対応するサブクラスタＣＬ２−１とする。

また、図１の例では、生成装置１００は、ユーザＵ１について時刻ｔ１２−ｔ１３の次の時刻ｔ１３−ｔ１１を３番にナンバリングする（ステップＳ１２−３）。例えば、生成装置１００は、ユーザＵ１については時刻ｔ１３−ｔ１１を「Ｔ３番」とナンバリングし、クラスタＣＬ３に対応するサブクラスタＣＬ３−１とする。

図１の例では、生成装置１００は、基準点ＰＶ１１が時刻ｔ２２から時刻ｔ２３の間にあるため、ユーザＵ２については時刻ｔ２２−ｔ２３を１番にナンバリングする（ステップＳ１３−１）。例えば、生成装置１００は、ユーザＵ２については時刻ｔ２２−ｔ２３を「Ｔ１番」とナンバリングし、クラスタＣＬ１に対応するサブクラスタＣＬ１−２とする。

また、図１の例では、生成装置１００は、ユーザＵ２について時刻ｔ２２−ｔ２３の次の時刻ｔ２３−ｔ２１を２番にナンバリングする（ステップＳ１３−２）。例えば、生成装置１００は、ユーザＵ２については時刻ｔ２３−ｔ２１を「Ｔ２番」とナンバリングし、クラスタＣＬ２に対応するサブクラスタＣＬ２−２とする。

また、図１の例では、生成装置１００は、ユーザＵ２について時刻ｔ２３−ｔ２１の次の時刻ｔ２１−ｔ２２を３番にナンバリングする（ステップＳ１３−３）。例えば、生成装置１００は、ユーザＵ２については時刻ｔ２１−ｔ２２を「Ｔ３番」とナンバリングし、クラスタＣＬ３に対応するサブクラスタＣＬ３−２とする。

図１の例では、生成装置１００は、基準点ＰＶ１１が時刻ｔ３１から時刻ｔ３２の間にあるため、ユーザＵ３については時刻ｔ３１−ｔ３２を１番にナンバリングする（ステップＳ１４−１）。例えば、生成装置１００は、ユーザＵ３については時刻ｔ３１−ｔ３２を「Ｔ１番」とナンバリングし、クラスタＣＬ１に対応するサブクラスタＣＬ１−３とする。

また、図１の例では、生成装置１００は、ユーザＵ３について時刻ｔ３１−ｔ３２の次の時刻ｔ３２−ｔ３３を２番にナンバリングする（ステップＳ１４−２）。例えば、生成装置１００は、ユーザＵ３については時刻ｔ３２−ｔ３３を「Ｔ２番」とナンバリングし、クラスタＣＬ２に対応するサブクラスタＣＬ２−３とする。

また、図１の例では、生成装置１００は、ユーザＵ３について時刻ｔ３２−ｔ３３の次の時刻ｔ３３−ｔ３１を３番にナンバリングする（ステップＳ１４−３）。例えば、生成装置１００は、ユーザＵ３については時刻ｔ３３−ｔ３１を「Ｔ３番」とナンバリングし、クラスタＣＬ３に対応するサブクラスタＣＬ３−３とする。

これにより、生成装置１００は、各ユーザの情報を適切に対応付けることができる。図１の例では、生成装置１００は、ユーザＵ１について時刻ｔ１１−ｔ１２に対応する行動情報を含むサブクラスタＣＬ１−１と、ユーザＵ２について時刻ｔ２２−ｔ２３に対応する行動情報を含むサブクラスタＣＬ１−２と、ユーザＵ３について時刻ｔ３１−ｔ３２に対応する行動情報を含むサブクラスタＣＬ１−３とをクラスタＣＬ１として対応付ける。また、図１の例では、生成装置１００は、ユーザＵ１について時刻ｔ１２−ｔ１３に対応する行動情報を含むサブクラスタＣＬ２−１と、ユーザＵ２について時刻ｔ２３−ｔ２１に対応する行動情報を含むサブクラスタＣＬ２−２と、ユーザＵ３について時刻ｔ３２−ｔ３３に対応する行動情報を含むサブクラスタＣＬ２−３とをクラスタＣＬ２として対応付ける。また、図１の例では、生成装置１００は、ユーザＵ１について時刻ｔ１３−ｔ１１に対応する行動情報を含むサブクラスタＣＬ３−１と、ユーザＵ２について時刻ｔ２１−ｔ２２に対応する行動情報を含むサブクラスタＣＬ３−２と、ユーザＵ３について時刻ｔ３３−ｔ３１に対応する行動情報を含むサブクラスタＣＬ３−３とをクラスタＣＬ３として対応付ける。

このように、生成装置１００は、各ユーザＵ１〜Ｕ３の各クラスタを、基準点ＰＶ１１に基づいて対応付けることにより、学習（モデルの生成）に用いる適切なデータ（情報）を生成することができる。

そして、生成装置１００は、クラスタリングされた情報に基づいて、モデルを生成する（ステップＳ１５）。図１の例では、生成装置１００は、クラスタＣＬ１に対応する情報やクラスタＣＬ２に対応する情報やクラスタＣＬ３に対応する情報等を用いて、所定のモデルとして、ユーザに配信するコンテンツの決定に用いるモデルを生成する。

上述したように、生成装置１００は、時間における各ユーザの行動情報の取得状況に応じて、各ユーザの行動情報をクラスタリングして、所定の基準点に基づいて、各ユーザのクラスタを対応付けることにより、情報に応じて柔軟なモデルの生成を可能にすることができる。

例えば、図１の例では、ユーザＵ１については、グラフＧＲ１に示すように、時刻ｔ１１、ｔ１２、ｔ１３の３つの時点において行動情報のデータ量が落ち着く（少なくなる）という周期性を有する。また、例えば、図１の例では、ユーザＵ２については、グラフＧＲ２に示すように、時刻ｔ２１、ｔ２２、ｔ２３の３つの時点において行動情報のデータ量が落ち着く（少なくなる）という周期性を有する。また、例えば、図１の例では、ユーザＵ３については、グラフＧＲ３に示すように、時刻ｔ３１、ｔ３２、ｔ３３の３つの時点において行動情報のデータ量が落ち着く（少なくなる）という周期性を有する。

このような場合、例えば、ユーザＵ１の周期性を基準にして時刻ｔ１１、ｔ１２、ｔ１３を基に、時間をクラスタリングした場合、ユーザＵ２やユーザＵ３については、適切な時間のクラスタリングにはなっていないこととなる。例えば、ユーザＵ３については、時刻ｔ１１、ｔ１２、ｔ１３において取得される行動情報のデータ量が多いため、適切な時間のクラスタリングにはなっていない。また、例えば、全ユーザの行動情報を基に時間をクラスタリングした場合、各ユーザに最適化されたクラスタリングではないため、どのユーザにとっても適切な時間のクラスタリングにはなっていないこととなる。例えば、全ユーザの行動情報の平均を基に時間をクラスタリングした場合、平均的なユーザにとってはある程度適合するクラスタリングとはなるが、他のユーザにとっては適切な時間のクラスタリングにはなっていないことが多い。そのため、このようなクラスタリングの結果を基にモデルの生成を行った場合、精度の良いモデルを生成することが難しい。したがって、このような場合、情報に応じて柔軟なモデルの生成を可能にすることができない。

一方で、生成装置１００は、ユーザごとに時間をクラスタリングすることによって、各ユーザに応じて適切なクラスタリングを行うことができる。したがって、生成装置１００は、第１の対象ごとに第２の対象をクラスタリングすることによって、各第１の対象に応じて適切なクラスタリングを行うことができる。そして、生成装置１００は、各ユーザのクラスタを基準点等の所定の基準を基にユーザ間で対応付けることにより、学習（モデルの生成）に用いる適切なデータ（情報）を生成することができる。これにより、生成装置１００は、適切な情報に基づいて学習（モデルの生成）を行うことができるため、精度の良いモデルを生成することができる。したがって、生成装置１００は、情報に応じて柔軟なモデルの生成を可能にすることができる。また、生成装置１００が生成するモデルは、上記に限らず、種々の用途のモデルであってもよい。例えば、生成装置１００が生成するモデルは、広告クリック率の予測やレコメンド精度予測やコンテキスト予測等の種々の用途のモデルであってもよい。

（１−１．第１の対象、第２の対象）
なお、上述した例では、第１の対象をユーザとし、第２の対象を時間とする場合を説明したが、第１の対象や第２の対象は、上記に限らず、種々の対象であってもよい。

例えば、第１の対象はユーザに限らず、時間や位置等に関する対象であってもよい。例えば、第１の対象が位置である場合、位置（例えば緯度経度やエリア等）ごとに対応する情報を用いて、モデルを生成してもよい。例えば、第１の対象が時間である場合、時間（例えば１時や２時）ごとに対応する情報を用いて、モデルを生成してもよい。また、例えば、第１の対象は、所定のサービスや端末装置１０等の所定のデバイスやデバイス等を製造するメーカ（製造元）であってもよい。また、例えば、第２の対象は、所定のサービスやデバイスやメーカ（製造元）であってもよい。例えば、生成装置１００は、第１の対象をユーザとし、第２の対象をサービスとしてもよい。例えば、生成装置１００は、第１の対象をユーザとし、第２の対象をデバイスとしてもよい。例えば、生成装置１００は、第１の対象をデバイスとし、第２の対象をメーカ（製造元）としてもよい。このように、生成装置１００は、生成処理が適用可能な対象であれば、どのような対象を第１の対象及び第２の対象としてもよい。

また、図１の例では、第１の対象を各ユーザ、すなわちユーザ単位とする場合を示した。すなわち、図１の例では、第１の対象に関する所定単位ごとの第１の対象を対象としてモデルを生成する場合を示した。しかしながら、生成装置１００は、第１の対象に関する所定単位を複数含むグループごとの第１の対象を対象としてモデルを生成してもよい。この場合、例えば、第１の対象は複数のユーザを含むユーザ群が対象であってもよい。この場合、例えば、生成装置１００は、複数のユーザ群ごとに対応する行動情報を用いて、モデルを生成してもよい。例えば、生成装置１００は、ユーザＵ１〜Ｕ５を１つのグループとし、ユーザＵ６〜Ｕ１０を１つのグループとして、一のユーザ群に含まれる全ユーザの行動情報を併せて一のユーザ群に対応する行動情報として、モデルを生成してもよい。また、第１の対象が位置や時間である場合も同様に、生成装置１００は、位置に関するグループ（エリア等）や時間に関するグループ（時間帯や朝、昼、夜等）を第１の対象として、モデルを生成してもよい。

また、例えば、第２の対象は、位置やユーザ等に関する対象であってもよい。例えば、第２の対象が位置である場合、位置（例えば緯度経度やエリア等）に応じて情報をクラスタリングして、各クラスタを対応付けることにより、モデルを生成してもよい。例えば、第２の対象がユーザである場合、ユーザ（例えばデモグラフィック属性やサイコグラフィック属性等）に応じて情報をクラスタリングして、各クラスタを対応付けることにより、モデルを生成してもよい。なお、これらの点についての詳細は後述する。

また、例えば、第１の対象や第２の対象は、コンテンツのカテゴリであってもよい。例えば、第２の対象は、政治、スポーツ、芸能等の種々のカテゴリであってもよい。また、一のコンテンツが、どのカテゴリに属するかは、ユーザに応じて変動してもよい。例えば、一のコンテンツが、ユーザＵ１にとっては政治のカテゴリに属し、ユーザＵ２にとっては芸能のカテゴリに属してもよい。例えば、一のコンテンツがユーザにとってどのカテゴリに属するかを、各ユーザのデモグラフィック属性やサイコグラフィック属性等に基づいて決定してもよい。例えば、一のコンテンツが、ユーザＵ１にとっては政治のカテゴリに属し、ユーザＵ２にとっては芸能のカテゴリに属してもよい。また、ユーザごとに異なるカテゴリを用いてもよい。例えば、ユーザごとに異なる複数のカテゴリを用い、個数（例えば５個等）だけが共通であってもよい。例えば、ユーザＵ１については、政治、経済、芸能、スポーツ等のように、コンテンツの内容に基づくカテゴリを用い、ユーザＵ２については、有名人ＦＡ、有名人ＦＢ、有名人ＦＣ、有名人ＦＤ等のように、コンテンツに関連する人物に基づくカテゴリを用いてもよい。すなわち、生成装置１００は、クラスタの個数が一致していれば、各対象についてどのような基準を用いてクラスタリングを行ってもよい。また、上述した第１の対象や第２の対象は一例であり、生成装置１００は、上述した生成処理が適用可能な対象であれば、どのような対象を第１の対象や第２の対象としてモデルの生成を行ってもよい。

（１−２．学習処理に基づく対応付け）
なお、上述した例では、所定の基準点に基づいて、各第１の対象に対応する各クラスタを各第１の対象間で対応付ける処理（以下、「対応付処理」ともいう）を示したが、対応付処理は、基準点（例えば図１中の基準点ＰＶ１１）を用いる処理に限らず、種々の処理であってもよい。例えば、生成装置１００は、各クラスタの対応付けに関する所定の学習処理に基づいて、対応付処理を行ってもよい。

例えば、生成装置１００は、交差検証（クロスバリデーション）により、各クラスタ中のデータ（情報）の一部（以下、「訓練用データ」ともいう）をモデルの生成に用い、残りのデータ（以下、「検証用データ」ともいう）を検証用に用いて生成されたモデルの精度を検証してもよい。例えば、生成装置１００は、各クラスタ中のデータのうち８０％をモデルの生成に用い、残りの２０％を検証に用いてもよい。例えば、生成装置１００は、検証した精度が所定の基準を満たした場合、そのクラスタリングを用いると決定してもよい。例えば、生成装置１００は、交差検証（クロスバリデーション）により、各クラスタの対応付けを決定したり、ハイパーパラメータを決定したりする。

一例として、生成するモデルがユーザに配信するコンテンツの決定に用いるモデルである場合を説明する。例えば、生成装置１００は、各クラスタ中の訓練用データに含まれる行動情報のうち、コンテンツの閲覧に関する行動情報を正解情報とし、そのコンテンツの閲覧以前の所定期間の行動情報が入力された場合に大きなスコアを出力するようにモデルを生成する。また、生成装置１００は、各クラスタの検証用データに含まれる行動情報のうち、コンテンツの閲覧に関する行動情報がある場合、そのコンテンツの閲覧以前の所定期間の行動情報が入力し、所定の閾値以上のスコアを出力する確率が、所定の基準を満たすかどうかを検証する。そして、生成装置１００は、検証用データを用いた検証の結果、コンテンツの閲覧に関する行動情報がある場合、そのコンテンツの閲覧以前の所定期間の行動情報が入力としてモデルが所定の閾値（例えば、０．７等）以上のスコアを出力する確率が、所定の基準（例えば、８０％以上等）を満たすかどうかを検証する。

また、生成装置１００は、検証した精度が所定の基準を満たさない場合、クラスタリングを解除して、再度クラスタリングを行った後対応付処理を行ったり、クラスタリングを維持して、精度が所定の基準を満たすまで対応付処理を行なったりしてもよい。また、生成装置１００は、クラスタリングを行う度に、モデルの生成に用いる情報（検証用データ）と、検証に用いる情報（検証用データ）とを入れ替えて交差検証（クロスバリデーション）を複数回行った平均により、クラスタリングを維持するか解除するかを判定してもよい。なお、交差検証（クロスバリデーション）に関する対応付処理の点についての詳細は後述する。

（１−３．コンテキストに基づく対応付け）
また、例えば、生成装置１００は、第２の対象に関する情報以外の情報に基づいて、各第１の対象に対応する各クラスタを各第１の対象間で対応付けてもよい。例えば、生成装置１００は、上述した図１の例において、時間に対応するサブクラスタのナンバリング（対応付処理）の際に、各サブクラスタに対応する時間においてユーザが自宅やオフィスに位置する等の種々の情報を加味してナンバリングを行ってもよい。例えば、成装置１００は、各サブクラスタに対応する時間におけるユーザに関するコンテキスト情報に基づいて、対応付処理を行ってもよい。

ここでいうユーザに関するコンテキスト情報（以下、単に「コンテキスト情報」ともいう）は、例えば、ユーザのコンテキストを示す情報である。例えば、コンテキストは、ユーザやユーザが利用する端末装置１０の状況やユーザや端末装置の環境（背景）に基づいて推定されるユーザの状況を意味する。また、コンテキストには、ユーザに提供されるコンテンツの内容、ユーザが反応したコンテンツの内容、ユーザの属性、ユーザの現在位置、現在時刻、ユーザが置かれた物理環境、ユーザが置かれた社会環境、ユーザの運動状態、および、推定されるユーザの感情等の種々の情報が含まれる。また、コンテキストには、ユーザや端末装置１０の状況やユーザや端末装置１０の環境（背景）に基づいて推定されるユーザＵ１の心理状態等であってもよい。

例えば、生成装置１００は、ユーザの行動情報等から推定したユーザのコンテキスト情報を用いてもよい。例えば、端末装置１０は、ユーザの位置情報やコンテンツの閲覧等の種々の行動情報に基づいて、ユーザがどのような状況であるかを推定してもよい。例えば、生成装置１００は、ユーザの位置履歴情報やコンテンツの閲覧等の種々の行動履歴情報に基づいて、ユーザがどのような状況であるかを推定してもよい。例えば、生成装置１００は、ユーザが夜にスポーツに関するコンテンツを閲覧する傾向がある場合、コンテキスト推定の時点が夜である場合、ユーザがスポーツに関するコンテンツを閲覧する可能性が高いコンテキストであると推定してもよい。また、例えば、生成装置１００は、ユーザの位置が過去に経済に関するコンテンツを閲覧していた位置から所定の範囲内に位置する場合、ユーザが経済に関するコンテンツを閲覧する可能性が高いコンテキストであると推定してもよい。なお、上記は一例であり、生成装置１００は、種々の情報等に基づいて種々のコンテキストを推定してもよい。

例えば、生成装置１００は、各ユーザが自宅に位置する時間に対応する各サブクラスタを１つのクラスタとしてクラスタリングしてもよい。また、例えば、生成装置１００は、各ユーザがオフィス位置する時間に対応する各サブクラスタを１つのクラスタとしてクラスタリングしてもよい。図１の例では、生成装置１００は、ユーザＵ１が時刻ｔ１１−ｔ１２の間の多くの時間に自宅に位置し、ユーザＵ２が時刻ｔ２３−ｔ２１の間の多くの時間に自宅に位置し、ユーザＵ３が時刻ｔ３２−ｔ３３の間の多くの時間に自宅に位置する場合、ユーザＵ１の時刻ｔ１１−ｔ１２に対応するサブクラスタと、ユーザＵ２の時刻ｔ２３−ｔ２１に対応するサブクラスタ、ユーザＵ３の時刻ｔ３２−ｔ３３に対応するサブクラスタとを対応付けてもよい。

〔２．生成システム〕
図２は、生成システム１の構成例を示す図である。図２は、実施形態に係る生成システムの構成例を示す図である。図２に示すように、生成システム１は、端末装置１０と、生成装置１００とが含まれる。端末装置１０と、生成装置１００とは所定のネットワーク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。図２は、実施形態に係る生成システムの構成例を示す図である。なお、図２に示した生成システム１には、複数台の端末装置１０や、複数台の生成装置１００が含まれてもよい。

端末装置１０は、ユーザによって利用される情報処理装置である。端末装置１０は、例えば、スマートフォンや、タブレット型端末や、ノート型ＰＣ（Personal Computer）や、デスクトップＰＣや、携帯電話機や、ＰＤＡ（Personal Digital Assistant）等により実現される。図１に示す例においては、端末装置１０がユーザが利用するスマートフォンである場合を示す。なお、以下では、端末装置１０をユーザと表記する場合がある。すなわち、以下では、ユーザを端末装置１０と読み替えることもできる。

生成装置１００は、各第１の対象に対応付けられた第２の対象に関する情報の各々を所定数のクラスタに分類し、各第１の対象に対応する各クラスタを各第１の対象間で所定の基準に基づいて対応付ける情報処理装置である。また、生成装置１００は、各第１の対象における各クラスタの対応付けに基づいて、所定のモデルを生成する。

〔３．生成装置の構成〕
次に、図３を用いて、実施形態に係る生成装置１００の構成について説明する。図３は、実施形態に係る生成装置の構成例を示す図である。図３に示すように、生成装置１００は、通信部１１０と、記憶部１２０と、制御部１３０とを有する。なお、生成装置１００は、生成装置１００の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。

（通信部１１０）
通信部１１０は、例えば、ＮＩＣ（Network Interface Card）等によって実現される。そして、通信部１１０は、ネットワークＮ（図２参照）と有線または無線で接続され、端末装置１０との間で情報の送受信を行う。

（記憶部１２０）
記憶部１２０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る。実施形態に係る記憶部１２０は、図３に示すように、ユーザ情報記憶部１２１と、行動情報記憶部１２２と、クラスタ情報記憶部１２３と、モデル情報記憶部１２４とを有する。

（ユーザ情報記憶部１２１）
実施形態に係るユーザ情報記憶部１２１は、ユーザに関する各種情報を記憶する。例えば、ユーザ情報記憶部１２１は、ユーザ属性情報を記憶する。図４は、実施形態に係るユーザ情報記憶部の一例を示す図である。図４に示すユーザ情報記憶部１２１は、「ユーザＩＤ」、「年齢」、「性別」といった項目が含まれる。

「ユーザＩＤ」は、ユーザを識別するための識別情報を示す。例えば、ユーザＩＤ「Ｕ１」により識別されるユーザは、図１の例に示したユーザＵ１に対応する。「年齢」は、端末装置１０を利用するユーザの年齢を示す。なお、「年齢」は、例えば３５歳など、ユーザＩＤにより識別されるユーザの具体的な年齢であってもよい。「性別」は、端末装置１０を利用するユーザの性別を示す。

例えば、図４に示す例において、ユーザＩＤ「Ｕ１」により識別されるユーザの年齢は、「２０代」であり、ユーザの性別は、「男性」であることを示す。また、例えば、図４に示す例において、ユーザＩＤ「Ｕ２」により識別されるユーザの年齢は、「２０代」であり、ユーザの性別は、「女性」であることを示す。

なお、ユーザ情報記憶部１２１は、上記に限らず、目的に応じて種々の情報を記憶してもよい。例えば、ユーザ情報記憶部１２１は、ユーザのデモグラフィック属性に関する情報やサイコグラフィック属性に関する情報を記憶してもよい。例えば、ユーザ情報記憶部１２１は、氏名、家族構成、収入、興味、ライフスタイル等の情報を記憶してもよい。

（行動情報記憶部１２２）
実施形態に係る行動情報記憶部１２２は、ユーザの行動に関する各種情報を記憶する。図５は、実施形態に係る行動情報記憶部の一例を示す図である。例えば、行動情報記憶部１２２は、各ユーザの端末装置１０に配信したコンテンツに対するユーザの行動情報を記憶する。図５に示す行動情報記憶部１２２には、「ユーザＩＤ」、「行動」、「状況」といった項目が含まれる。また、「行動」には、「行動ＩＤ」、「内容」といった項目が含まれる。また、「状況」には、「日時」、「位置」といった項目が含まれる。

「ユーザＩＤ」は、ユーザを識別するための識別情報を示す。例えば、ユーザＩＤ「Ｕ１」により識別されるユーザは、図１の例に示したユーザＵ１に対応する。また、「行動」は、ユーザの通知コンテンツに対する行動に関する情報を示す。「行動ＩＤ」は、行動を識別するための識別情報を示す。また、「内容」は、対応するユーザの行動の内容を示す。

また、「状況」は、対応するユーザが行動を行った際の状況に関する情報を示す。「日時」は、対応するユーザの行動が行われた日時を示す。「日時」には、「ＴＭ１１」等のように抽象的に図示するが、「２０１７年２月２日２３時１２分５２秒」等の具体的な日時が記憶されてもよい。また、「位置」は、対応するユーザの行動が行われた位置を示す。なお、図５に示す例では、「位置」は、「ＬＣ１１」といった抽象的な符号を図示するが、緯度や経度を示す情報であってもよい。また、例えば、「位置」は、地域名や住所であってもよい。

例えば、図５に示す例において、ユーザＩＤ「Ｕ１」により識別されるユーザＵ１は、ＩＤ「ＡＴ１１」により識別される行動（行動ＡＴ１１）や行動ＩＤ「ＡＴ１２」により識別される行動（行動ＡＴ１２）や行動ＩＤ「ＡＴ１３」により識別される行動（行動ＡＴ１３）等を行ったことを示す。

具体的には、図５に示す例においてユーザＵ１は、「クエリＡ」を用いた検索（行動ＡＴ１１）を日時ＴＭ１１に位置ＬＣ１１において行ったことを示す。また、図５に示す例においてユーザＵ１は、コンテンツＡの閲覧（行動ＡＴ１２）を日時ＴＭ１２に位置ＬＣ１２において行ったことを示す。また、図５に示す例においてユーザＵ１は、商品Ａの購入（行動ＡＴ１３）を日時ＴＭ１３に位置ＬＣ１３において行ったことを示す。また、図５に示す例においてユーザＵ２は、商品Ｂの購入（行動ＡＴ２１）を日時ＴＭ２１に位置ＬＣ２１において行ったことを示す。

なお、行動情報記憶部１２２は、上記に限らず、目的に応じて種々の情報を記憶してもよい。例えば、行動情報記憶部１２２は、ユーザが通知されたコンテンツを閲覧したか（画面に表示させたか）どうかを示す情報を記憶してもよい。また、図５では、ユーザＩＤごとに行動情報が行動情報記憶部１２２に記憶される場合を示したが、行動情報は、ユーザＩＤごとに限らず、例えば日時順に記憶されてもよい。

（クラスタ情報記憶部１２３）
実施形態に係るクラスタ情報記憶部１２３は、コンテンツの通知目的に関するクラスタに関する各種情報を記憶する。図６は、実施形態に係るクラスタ情報記憶部の一例を示す図である。例えば、クラスタ情報記憶部１２３は、各クラスタを構成する各要素の選択肢の組合せを記憶する。図６に示すクラスタ情報記憶部１２３には、「クラスタＩＤ」、「第１対象」といった項目が含まれる。また、図６の例では、「第１対象」には、「ユーザＵ１」、「ユーザＵ２」、「ユーザＵ３」等といった各第１対象に対応する項目が含まれる。

「クラスタＩＤ」は、クラスタを識別する情報を示す。「ユーザＵ１」の列は、第１対象であるユーザＵ１に対応する第２情報を示す。「ユーザＵ２」の列は、第１対象であるユーザＵ２に対応する第２情報を示す。「ユーザＵ３」の列は、第１対象であるユーザＵ３に対応する第２情報を示す。

例えば、図６に示す例において、クラスタＩＤ「ＣＬ１」により識別されるクラスタＣＬ１と、ユーザＵ１とが交差するマス目に図示する「ＣＬ１−１」は、ユーザＵ１の第２対象である時間のうち、サブクラスタＣＬ１−１に対応する情報がクラスタＣＬ１に対応付けられていることを示す。また、クラスタＣＬ１と、ユーザＵ１とが交差するマス目に図示する「（時刻ｔ１１−ｔ１２）」は、ユーザＵ１の第２対象である時間のうち、時刻ｔ１１−ｔ１２に対応する情報がクラスタＣＬ１に対応付けられていることを示す。例えば、サブクラスタＣＬ１−１に対応する情報は、ユーザＵ１の第２対象である時間のうち、時刻ｔ１１から時刻ｔ１２までの間に取得された情報であることを示す。

例えば、図６に示す例において、クラスタＩＤ「ＣＬ２」により識別されるクラスタＣＬ２と、ユーザＵ１とが交差するマス目に図示する「ＣＬ２−１」は、ユーザＵ１の第２対象である時間のうち、サブクラスタＣＬ２−１に対応する情報がクラスタＣＬ２に対応付けられていることを示す。また、クラスタＣＬ２と、ユーザＵ１とが交差するマス目に図示する「（時刻ｔ１２−ｔ１３）」は、ユーザＵ１の第２対象である時間のうち、時刻ｔ１２−ｔ１３に対応する情報がクラスタＣＬ２に対応付けられていることを示す。例えば、サブクラスタＣＬ２−１に対応する情報は、ユーザＵ１の第２対象である時間のうち、時刻ｔ１２から時刻ｔ１３までの間に取得された情報であることを示す。

例えば、図６に示す例において、クラスタＩＤ「ＣＬ３」により識別されるクラスタＣＬ３と、ユーザＵ１とが交差するマス目に図示する「ＣＬ３−１」は、ユーザＵ１の第２対象である時間のうち、サブクラスタＣＬ３−１に対応する情報がクラスタＣＬ３に対応付けられていることを示す。また、クラスタＣＬ３と、ユーザＵ１とが交差するマス目に図示する「（時刻ｔ１３−ｔ１１）」は、ユーザＵ１の第２対象である時間のうち、時刻ｔ１３−ｔ１１に対応する情報がクラスタＣＬ３に対応付けられていることを示す。例えば、サブクラスタＣＬ３−１に対応する情報は、ユーザＵ１の第２対象である時間のうち、時刻ｔ１３から時刻ｔ１１までの間に取得された情報であることを示す。

例えば、図６に示す例において、クラスタＩＤ「ＣＬ１」により識別されるクラスタＣＬ１と、ユーザＵ２とが交差するマス目に図示する「ＣＬ１−２」は、ユーザＵ２の第２対象である時間のうち、サブクラスタＣＬ１−２に対応する情報がクラスタＣＬ１に対応付けられていることを示す。また、クラスタＣＬ１と、ユーザＵ２とが交差するマス目に図示する「（時刻ｔ２２−ｔ２３）」は、ユーザＵ２の第２対象である時間のうち、時刻ｔ２２−ｔ２３に対応する情報がクラスタＣＬ１に対応付けられていることを示す。例えば、サブクラスタＣＬ１−２に対応する情報は、ユーザＵ２の第２対象である時間のうち、時刻ｔ２２から時刻ｔ２３までの間に取得された情報であることを示す。

なお、クラスタ情報記憶部１２３は、上記に限らず、目的に応じて種々の情報を記憶してもよい。

（モデル情報記憶部１２４）
実施形態に係るモデル情報記憶部１２４は、学習に関する情報を記憶する。例えば、モデル情報記憶部１２４は、モデルを記憶する。例えば、モデル情報記憶部１２４は、生成処理により生成されたモデルの情報を記憶する。図７は、実施形態に係るモデル情報記憶部の一例を示す図である。図７に示すモデル情報記憶部１２４は、モデル情報として、モデルＭ１等に対応させて「素性１」〜「素性３」等といった項目を有する。

例えば、図７に示す例において、モデルＭ１に関するモデル情報は、素性１の重みが「０．３」、素性２の重みが「−０．８」、素性３の重みが「０．２」等であることを示す。例えば、モデルの素性（特徴量）がｍ次元のベクトルで表現される場合、素性数はｍ個になり、素性１〜素性ｍの重みが記憶される。

なお、モデル情報記憶部１２４は、上記に限らず、目的に応じて種々のモデル情報を記憶してもよい。

（制御部１３０）
図３の説明に戻って、制御部１３０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、生成装置１００内部の記憶装置に記憶されている各種プログラム（生成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１３０は、コントローラ（controller）であり、例えば、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。

図３に示すように、制御部１３０は、取得部１３１と、分類部１３２と、生成部１３３と、送信部１３４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１３０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構成であれば他の構成であってもよい。

（取得部１３１）
取得部１３１は、各種情報を取得する。例えば、取得部１３１は、端末装置１０等の外部装置から各種情報を取得する。例えば、取得部１３１は、ユーザ情報記憶部１２１や、行動情報記憶部１２２や、クラスタ情報記憶部１２３や、モデル情報記憶部１２４等から各種情報を取得する。

図１の例では、取得部１３１は、行動情報記憶部１２２（図５参照）から各ユーザの行動情報を取得する。図１の例では、取得部１３１は、行動情報記憶部１２２（図５参照）から、各ユーザについて時間に関する行動情報を取得する。

例えば、取得部１３１は、各第１の対象に対応付けられた第２の対象に関する情報を取得する。例えば、取得部１３１は、第１の対象に関する所定単位ごとの各第１の対象に対応付けられた第２の対象に関する情報を取得する。例えば、取得部１３１は、第１の対象に関する所定単位を複数含むグループごとの各第１の対象に対応付けられた第２の対象に関する情報を取得する。

例えば、取得部１３１は、ユーザに関する各第１の対象ごとに対応付けられた第２の対象に関する情報を取得する。例えば、取得部１３１は、時間または位置に関する第２の対象に関する情報を取得する。例えば、取得部１３１は、時間に関する各第１の対象ごとに対応付けられた第２の対象に関する情報を取得する。例えば、取得部１３１は、ユーザまたは位置に関する前記第２の対象に関する情報を取得する。例えば、取得部１３１は、位置に関する各第１の対象ごとに対応付けられた第２の対象に関する情報を取得する。例えば、取得部１３１は、ユーザまたは時間に関する前記第２の対象に関する情報を取得する。

（分類部１３２）
分類部１３２は、種々の情報を分類する。例えば、分類部１３２は、各種情報をクラスタに分類する。例えば、分類部１３２は、分類したクラスタに関する情報を生成する。

例えば、分類部１３２は、各第１の対象に対応付けられた第２の対象に関する情報の各々を所定数のクラスタに分類し、各第１の対象に対応する各クラスタを各第１の対象間で所定の基準に基づいて対応付ける。例えば、分類部１３２は、所定の基準点に基づいて、各第１の対象に対応する各クラスタを各第１の対象間で対応付ける。例えば、分類部１３２は、各クラスタの対応付けに関する所定の学習処理に基づいて、各第１の対象に対応する各クラスタを各第１の対象間で対応付ける。例えば、分類部１３２は、第２の対象に関する情報以外の情報に基づいて、各第１の対象に対応する各クラスタを各第１の対象間で対応付ける。

図１の例では、分類部１３２は、行動情報記憶部１２２（図５参照）に示す日時「ＴＭ１１」の時刻が時刻ｔ１２に対応する場合、行動ＩＤ「ＡＴ１１」により識別される行動情報は、時刻ｔ１２に関する行動情報であるとして、グラフＧＲ１を生成する。例図１の例では、分類部１３２は、行動情報記憶部１２２に記憶されたユーザＵ１の行動情報に基づいて、グラフＧＲ１を生成する。また、図１の例では、分類部１３２は、行動情報記憶部１２２に記憶されたユーザＵ２の行動情報に基づいて、グラフＧＲ２を生成する。また、図１の例では、分類部１３２は、行動情報記憶部１２２に記憶されたユーザＵ３の行動情報に基づいて、グラフＧＲ３を生成する。

例えば、分類部１３２は、各ユーザの行動情報を時間に基づいてクラスタリングする。図１に示す例においては、生成装置１００は、各ユーザの行動情報を時間に基づいて３つのクラスタに分類（クラスタリング）する。

図１の例では、分類部１３２は、ユーザＵ１のグラフＧＲ１を３つのクラスタにクラスタリングする。図１の例では、分類部１３２は、ユーザＵ１のグラフＧＲ１を時間軸（Ｘ軸）に沿って３つのクラスタにクラスタリングする。図１の例では、分類部１３２は、ユーザＵ１のグラフＧＲ１を、時刻ｔ１１−ｔ１２と、時刻ｔ１２−ｔ１３と、時刻ｔ１３−ｔ１１との３つのクラスタにクラスタリングする。図１の例では、分類部１３２は、ユーザＵ１の行動情報を、時刻ｔ１１から時刻ｔ１２間に対応する行動情報と、時刻ｔ１２から時刻ｔ１３間に対応する行動情報と、時刻ｔ１３から時刻ｔ１１間に対応する行動情報との３つのクラスタにクラスタリングする。例えば、分類部１３２は、種々のクラスタリング手法を適宜用いて、上述のようなクラスタリングを行ってもよい。また、例えば、図１の例では、分類部１３２は、グラフＧＲ１において３つの波ができるように所定の関数で近似した後、３つのクラスタにクラスタリングしてもよい。

図１の例では、分類部１３２は、ユーザＵ２のグラフＧＲ２を３つのクラスタにクラスタリングする。図１の例では、分類部１３２は、ユーザＵ２のグラフＧＲ２を時間軸（Ｘ軸）に沿って３つのクラスタにクラスタリングする。図１の例では、分類部１３２は、ユーザＵ２のグラフＧＲ２を、時刻ｔ２１−ｔ２２と、時刻ｔ２２−ｔ２３と、時刻ｔ２３−ｔ２１との３つのクラスタにクラスタリングする。図１の例では、分類部１３２は、ユーザＵ２の行動情報を、時刻ｔ２１から時刻ｔ２２間に対応する行動情報と、時刻ｔ２２から時刻ｔ２３間に対応する行動情報と、時刻ｔ２３から時刻ｔ２１間に対応する行動情報との３つのクラスタにクラスタリングする。

図１の例では、分類部１３２は、ユーザＵ３のグラフＧＲ３を３つのクラスタにクラスタリングする。図１の例では、分類部１３２は、ユーザＵ３のグラフＧＲ３を時間軸（Ｘ軸）に沿って３つのクラスタにクラスタリングする。図１の例では、分類部１３２は、ユーザＵ３のグラフＧＲ３を、時刻ｔ３１−ｔ３２と、時刻ｔ３２−ｔ３３と、時刻ｔ３３−ｔ３１との３つのクラスタにクラスタリングする。図１の例では、分類部１３２は、ユーザＵ３の行動情報を、時刻ｔ３１から時刻ｔ３２間に対応する行動情報と、時刻ｔ３２から時刻ｔ３３間に対応する行動情報と、時刻ｔ３３から時刻ｔ３１間に対応する行動情報との３つのクラスタにクラスタリングする。

図１の例では、分類部１３２は、各ユーザに対応する各クラスタを各ユーザ間で所定の基準に基づいて対応付ける。例えば、分類部１３２は、所定の基準点に基づいて、各ユーザに対応する各クラスタを各ユーザ間で対応付ける。図１の例では、分類部１３２は、基準点ＰＶ１１に基づいて、各ユーザに対応する各クラスタを各ユーザ間で対応付ける。図１の例では、基準点ＰＶ１１は、所定の時刻であり、時刻ｔ２２と時刻ｔ１２との間の時刻であるものとする。

図１の例では、分類部１３２は、各ユーザに対応する各クラスタについて、基準点ＰＶ１１に対応するクラスタから順にナンバリングすることにより、各ユーザに対応する各クラスタを各ユーザ間で対応付ける。

図１の例では、分類部１３２は、基準点ＰＶ１１が時刻ｔ１１から時刻ｔ１２の間にあるため、ユーザＵ１については時刻ｔ１１−ｔ１２を１番にナンバリングする。図１の例では、分類部１３２は、ユーザＵ１については時刻ｔ１１−ｔ１２を「Ｔ１番」とナンバリングし、クラスタＣＬ１に対応するサブクラスタＣＬ１−１とする。

また、図１の例では、分類部１３２は、ユーザＵ１について時刻ｔ１１−ｔ１２の次の時刻ｔ１２−ｔ１３を２番にナンバリングする。図１の例では、分類部１３２は、ユーザＵ１については時刻ｔ１２−ｔ１３を「Ｔ２番」とナンバリングし、クラスタＣＬ２に対応するサブクラスタＣＬ２−１とする。

また、図１の例では、分類部１３２は、ユーザＵ１について時刻ｔ１２−ｔ１３の次の時刻ｔ１３−ｔ１１を３番にナンバリングする。図１の例では、分類部１３２は、ユーザＵ１については時刻ｔ１３−ｔ１１を「Ｔ３番」とナンバリングし、クラスタＣＬ３に対応するサブクラスタＣＬ３−１とする。図１の例では、分類部１３２は、ユーザＵ２やユーザＵ３の情報についても同様にナンバリングする。

また、図１の例では、分類部１３２は、ユーザＵ１について時刻ｔ１１−ｔ１２に対応する行動情報を含むサブクラスタＣＬ１−１と、ユーザＵ２について時刻ｔ２２−ｔ２３に対応する行動情報を含むサブクラスタＣＬ１−２と、ユーザＵ３について時刻ｔ３１−ｔ３２に対応する行動情報を含むサブクラスタＣＬ１−３とをクラスタＣＬ１として対応付ける。また、図１の例では、分類部１３２は、ユーザＵ１について時刻ｔ１２−ｔ１３に対応する行動情報を含むサブクラスタＣＬ２−１と、ユーザＵ２について時刻ｔ２３−ｔ２１に対応する行動情報を含むサブクラスタＣＬ２−２と、ユーザＵ３について時刻ｔ３２−ｔ３３に対応する行動情報を含むサブクラスタＣＬ２−３とをクラスタＣＬ２として対応付ける。また、図１の例では、分類部１３２は、ユーザＵ１について時刻ｔ１３−ｔ１１に対応する行動情報を含むサブクラスタＣＬ３−１と、ユーザＵ２について時刻ｔ２１−ｔ２２に対応する行動情報を含むサブクラスタＣＬ３−２と、ユーザＵ３について時刻ｔ３３−ｔ３１に対応する行動情報を含むサブクラスタＣＬ３−３とをクラスタＣＬ３として対応付ける。

（生成部１３３）
生成部１３３は、各種情報を生成する。生成部１３３は、各種情報を用いて学習を行う。例えば、生成部１３３は、各種情報を用いてモデルを生成する。例えば、生成部１３３は、取得部１３１により収集された情報に基づいて学習を行う。例えば、生成部１３３は、各第１の対象における各クラスタの対応付けに基づいて、所定のモデルを生成する。

図１の例では、生成部１３３は、分類部１３２によりクラスタリングされた情報に基づいて、モデルを生成する。図１の例では、生成部１３３は、クラスタＣＬ１に対応する情報やクラスタＣＬ２に対応する情報やクラスタＣＬ３に対応する情報等を用いて、所定のモデルとして、ユーザに配信するコンテンツの決定に用いるモデルを生成する。

（送信部１３４）
送信部１３４は、端末装置１０に各種情報を送信する。例えば、送信部１３４は、端末装置１０に情報の取得要求を送信する。また、送信部１３４は、生成部１３３により生成されたモデルを送信する。また、送信部１３４は、モデルを用いたサービスを提供する外部装置にモデルを送信する。

〔４．生成処理のフロー〕
次に、図８を用いて、実施形態に係る生成システム１による生成処理の手順について説明する。図８は、実施形態に係る生成処理の一例を示すフローチャートである。

図８に示すように、生成装置１００は、各第１の対象に対応付けられた第２の対象に関する情報を取得する（ステップＳ１０１）。例えば、生成装置１００は、行動情報記憶部１２２に記憶された各第１の対象（ユーザ）に対応付けられた第２の対象（時間）に関する情報（行動情報）を取得する。

その後、生成装置１００は、各第１の対象の第２の対象に関する情報の各々を所定数のクラスタに分類する（ステップＳ１０２）。例えば、生成装置１００は、各第１の対象（ユーザ）に対応付けられた第２の対象（時間）に関する情報（行動情報）を３つのクラスタに分類する。

また、生成装置１００は、各第１の対象に対応する各クラスタ間を所定の基準に基づいて対応付けする（ステップＳ１０３）。例えば、生成装置１００は、ユーザＵ１の時刻ｔ１１−ｔ１２間の行動情報と、ユーザＵ２の時刻ｔ２２−ｔ２３間の行動情報と、ユーザＵ３の時刻ｔ３１−ｔ３２間の行動情報とを対応付ける。

その後、生成装置１００は、各第１の対象における各クラスタの対応付けに基づいて、所定のモデルを生成する（ステップＳ１０４）。例えば、生成装置１００は、ユーザＵ１〜ユーザＵ３等の行動情報が対応するクラスタＣＬ１〜ＣＬ３等の情報に基づいてモデルを生成する。

〔５．生成処理の他の例〕
生成装置１００は、上述した例に限らず種々の第１の対象を対象として、処理を行ってもよい。この点について、図９〜図１１を用いて説明する。図９〜図１１は、実施形態に係るモデルの生成処理の一例を示す図である。なお、図１における生成処理と同様の点については適宜説明を省略する。

（５−１．第２の対象＝位置）
まず、図９の例について説明する。図９では、生成装置１００が各ユーザに関する情報（データ）を用いて所定のモデルを生成する場合を示す。なお、図９の例では、所定のモデルとして、ユーザに配信するコンテンツの決定に用いるモデルを生成する。

図９の例では、各ユーザを第１の対象とする場合を示す。具体的には、図１では、ユーザＩＤ「Ｕ１」により識別されるユーザ（以下、「ユーザＵ１」ともいう）やユーザＩＤ「Ｕ２」により識別されるユーザ（ユーザＵ２）等を対象とする場合を示す。例えば、ユーザＵ１やユーザＵ２等は、端末装置１０を利用するユーザであり、生成装置１００は端末装置１０が有するＧＰＳ（Global Positioning System）センサ等の機能により端末装置１０の位置を取得する。

また、図９の例では、位置を第２の対象とする場合を示す。図１の例では、生成装置１００は、図５中の行動情報記憶部１２２に示すような、各ユーザの行動情報であって、位置に対応付けられた行動情報をクラスタリングし、モデルを生成する場合を説明する。

図９に示すマップ情報ＭＰ１は、ユーザＵ１についての位置に関する情報を模式的に示す図である。例えば、マップ情報ＭＰ１中に示すエリアＡＲ１１やエリアＡＲ１２やエリアＡＲ１３は、ユーザＵ１について行動情報が多く取得されたエリア（位置）であることを示す。

また、図９に示すマップ情報ＭＰ２は、ユーザＵ２についての位置に関する情報を模式的に示す図である。例えば、マップ情報ＭＰ２中に示すエリアＡＲ２１やエリアＡＲ２２やエリアＡＲ２３は、ユーザＵ２について行動情報が多く取得されたエリア（位置）であることを示す。なお、マップ情報ＭＰ１及びマップ情報ＭＰ２は、共通のエリアを示すマップ情報であってもよいし、異なるエリアを示すマップ情報であってもよい。例えば、マップ情報ＭＰ１における各位置とマップ情報ＭＰ２における各位置とは一致してもよい。例えば、マップ情報ＭＰ１及びマップ情報ＭＰ２は、同じエリア（例えば、Ａ県やＢ市党の所定のエリア）を示すものであってもよい。

以下、上述したマップ情報ＭＰ１、ＭＰ２を基に生成装置１００がモデルの生成を行う場合を示す。まず、生成装置１００は、各ユーザの行動情報を位置に基づいてクラスタリングする。図９に示す例においては、生成装置１００は、各ユーザの行動情報を位置に基づいて３つのクラスタに分類（クラスタリング）する。なお、クラスタの数は、生成するモデルの目的や条件等の種々の情報に基づいて決定されてもよい。

まず、図９に示す例においては、生成装置１００は、ユーザＵ１の位置に対応付けられた行動情報を位置に基づいて３つのクラスタにクラスタリングする（ステップＳ２１−１）。例えば、生成装置１００は、ユーザＵ１のマップ情報ＭＰ１中の多く位置情報が取得されたエリアに基づいて３つのクラスタにクラスタリングする。図９の例では、生成装置１００は、マップ情報ＭＰ１中に示すエリアＡＲ１１と、エリアＡＲ１２と、エリアＡＲ１３との３つのクラスタにクラスタリングする。言い換えると、生成装置１００は、ユーザＵ１の行動情報を、エリアＡＲ１１に対応する行動情報と、エリアＡＲ１２に対応する行動情報と、エリアＡＲ１３に対応する行動情報との３つのクラスタにクラスタリングする。

例えば、生成装置１００は、種々のクラスタリング手法を適宜用いて、上述のようなクラスタリングを行ってもよい。生成装置１００は、ｋ−ｍｅａｎｓ法やディリクレ過程を用いたロジスティック回帰等の種々のクラスタリング手法を用いてもよい。また、例えば、生成装置１００は、マップ情報ＭＰ１において３つの集合ができるように所定の関数で近似した後、３つのクラスタにクラスタリングしてもよい。

なお、上記は説明を簡単にするために３つのエリアＡＲ１１〜ＡＲ１３を対象とする場合を示すが、生成装置１００は、例えば、マップ情報ＭＰ１全体を３つの領域に分割してもよい。例えば、生成装置１００は、例えば、ユーザＵ１について行動情報が多く取得される範囲に関する３つの中心点を特定して、マップ情報ＭＰ１全体を３つのボロノイ領域に分割してもよい。

また、図９に示す例においては、生成装置１００は、ユーザＵ２の位置に対応付けられた行動情報を位置に基づいて３つのクラスタにクラスタリングする（ステップＳ２１−２）。例えば、生成装置１００は、ユーザＵ２のマップ情報ＭＰ２中の多く位置情報が取得されたエリアに基づいて３つのクラスタにクラスタリングする。図９の例では、生成装置１００は、マップ情報ＭＰ２中に示すエリアＡＲ２１と、エリアＡＲ２２と、エリアＡＲ２３との３つのクラスタにクラスタリングする。言い換えると、生成装置１００は、ユーザＵ２の行動情報を、エリアＡＲ２１に対応する行動情報と、エリアＡＲ２２に対応する行動情報と、エリアＡＲ２３に対応する行動情報との３つのクラスタにクラスタリングする。

なお、ステップＳ２１−１、Ｓ２１−２は、処理を説明するためのものであり、ステップＳ２１−１、Ｓ２１−２のいずれが先に行われてもよく、各ステップＳ２１−１、Ｓ２１−２は、複数回行われてもよい。以下、ステップＳ２１−１、Ｓ２１−２を区別せずに説明する場合、ステップＳ２１と総称する。このように、ステップＳ２１において、生成装置１００は、各ユーザＵ１〜Ｕ３の行動情報を、位置におけるユーザごとの取得状況に応じて適切にクラスタリングすることができる。

そして、生成装置１００は、各ユーザに対応する各クラスタを各ユーザ間で所定の基準に基づいて対応付ける。例えば、生成装置１００は、所定の基準点に基づいて、各ユーザに対応する各クラスタを各ユーザ間で対応付ける。図９の例では、生成装置１００は、基準点ＰＶ２１に基づいて、各ユーザに対応する各クラスタを各ユーザ間で対応付ける。図９の例では、基準点ＰＶ２１は、各ユーザの自宅に対応する基準位置であるものとする。なお、図９の例では、ユーザＵ１の自宅に対応する基準点ＰＶ２１を基準点ＰＶ２１−１とし、ユーザＵ２の自宅に対応する基準点ＰＶ２１を基準点ＰＶ２１−２として説明する。基準点ＰＶ２１は、ユーザによって変動する基準点ではなく、全ユーザに共通の基準点であってもよい。

例えば、生成装置１００は、各ユーザに対応する各クラスタについて、基準点ＰＶ２１に対応するクラスタから順にナンバリングすることにより、各ユーザに対応する各クラスタを各ユーザ間で対応付ける。

図９の例では、生成装置１００は、マップ情報ＭＰ１に示すように、基準点ＰＶ２１−１がエリアＡＲ１２に最も近いため、ユーザＵ１についてはエリアＡＲ１２を１番にナンバリングする（ステップＳ２２−１）。例えば、生成装置１００は、ユーザＵ１についてはエリアＡＲ１２を「Ｐ１番」とナンバリングし、クラスタＣＬ１１に対応するサブクラスタＣＬ１１−１とする。

また、図９の例では、生成装置１００は、エリアＡＲ１３が基準点ＰＶ２１−１にエリアＡＲ１２の次に近いため、ユーザＵ１についてはエリアＡＲ１３を２番にナンバリングする（ステップＳ２２−２）。例えば、生成装置１００は、ユーザＵ１についてはエリアＡＲ１３を「Ｐ２番」とナンバリングし、クラスタＣＬ１２に対応するサブクラスタＣＬ１２−１とする。

また、図９の例では、生成装置１００は、エリアＡＲ１１が基準点ＰＶ２１−１にエリアＡＲ１３の次に近いため、ユーザＵ１についてはエリアＡＲ１１を３番にナンバリングする（ステップＳ２２−３）。例えば、生成装置１００は、ユーザＵ１についてはエリアＡＲ１１を「Ｐ３番」とナンバリングし、クラスタＣＬ１３に対応するサブクラスタＣＬ１３−１とする。

また、図９の例では、生成装置１００は、マップ情報ＭＰ２に示すように、基準点ＰＶ２１−２がエリアＡＲ２１に最も近いため、ユーザＵ２についてはエリアＡＲ２１を１番にナンバリングする（ステップＳ２３−１）。例えば、生成装置１００は、ユーザＵ２についてはエリアＡＲ２１を「Ｐ１番」とナンバリングし、クラスタＣＬ１１に対応するサブクラスタＣＬ１１−２とする。

また、図９の例では、生成装置１００は、エリアＡＲ２２が基準点ＰＶ２１−１にエリアＡＲ２１の次に近いため、ユーザＵ２についてはエリアＡＲ２２を２番にナンバリングする（ステップＳ２３−２）。例えば、生成装置１００は、ユーザＵ２についてはエリアＡＲ２２を「Ｐ２番」とナンバリングし、クラスタＣＬ１２に対応するサブクラスタＣＬ１２−２とする。

また、図９の例では、生成装置１００は、エリアＡＲ２３が基準点ＰＶ２１−１にエリアＡＲ２２の次に近いため、ユーザＵ２についてはエリアＡＲ２３を３番にナンバリングする（ステップＳ２３−３）。例えば、生成装置１００は、ユーザＵ２についてはエリアＡＲ２３を「Ｐ２番」とナンバリングし、クラスタＣＬ１３に対応するサブクラスタＣＬ１３−２とする。

これにより、生成装置１００は、各ユーザの情報を適切に対応付けることができる。図９の例では、生成装置１００は、ユーザＵ１についてエリアＡＲ１２に対応する行動情報を含むサブクラスタＣＬ１１−１と、ユーザＵ２についてエリアＡＲ２１に対応する行動情報を含むサブクラスタＣＬ１１−２とをクラスタＣＬ１１として対応付ける。図９の例では、生成装置１００は、ユーザＵ１についてエリアＡＲ１３に対応する行動情報を含むサブクラスタＣＬ１２−１と、ユーザＵ２についてエリアＡＲ２２に対応する行動情報を含むサブクラスタＣＬ１２−２とをクラスタＣＬ１２として対応付ける。図９の例では、生成装置１００は、ユーザＵ１についてエリアＡＲ１１に対応する行動情報を含むサブクラスタＣＬ１３−１と、ユーザＵ２についてエリアＡＲ２３に対応する行動情報を含むサブクラスタＣＬ１３−２とをクラスタＣＬ１３として対応付ける。

このように、生成装置１００は、各ユーザＵ１〜Ｕ３の各クラスタを、基準点ＰＶ２１に基づいて対応付けることにより、学習（モデルの生成）に用いる適切なデータ（情報）を生成することができる。

そして、生成装置１００は、クラスタリングされた情報に基づいて、モデルを生成する（ステップＳ２４）。図１の例では、生成装置１００は、クラスタＣＬ１１に対応する情報やクラスタＣＬ１２に対応する情報やクラスタＣＬ１３に対応する情報等を用いて、所定のモデルとして、ユーザに配信するコンテンツの決定に用いるモデルを生成する。

上述したように、生成装置１００は、第２の対象が位置である場合における各ユーザの行動情報の取得状況に応じて、各ユーザの行動情報をクラスタリングして、所定の基準点に基づいて、各ユーザのクラスタを対応付けることができる。これにより、生成装置１００は、情報に応じて柔軟なモデルの生成を可能にすることができる。

（５−２．第１の対象＝時間、第２の対象＝位置）
次に、図１０及び図１１の例について説明する。図１０及び図１１では、生成装置１００が各時間帯に関する情報（データ）を用いて所定のモデルを生成する場合を示す。なお、図１０及び図１１の例では、所定のモデルとして、ユーザに配信するコンテンツの決定に用いるモデルを生成する。なお、図９の例を同様の点については適宜説明を省略する。

図１０の例では、各時間帯を第１の対象とする場合を示す。具体的には、図１では、６〜１２時の時間帯Ａや１８〜２４時の時間帯Ｂ等を対象とする場合を示す。例えば、ユーザＵ１やユーザＵ２等は、端末装置１０を利用するユーザであり、生成装置１００は端末装置１０が有するＧＰＳセンサ等の機能により端末装置１０の位置を取得する。

また、図１０及び図１１の例では、位置を第２の対象とする場合を示す。図１の例では、生成装置１００は、図５中の行動情報記憶部１２２に示すような、各ユーザの行動情報のうち、各時間帯に対応する行動情報を１つもグループとし、その各グループの行動情報について、位置に対応付けられた行動情報をクラスタリングし、モデルを生成する場合を説明する。

図１０に示すマップ情報ＭＰ３１−１は、時間帯Ａについての位置に関する情報を模式的に示す図である。例えば、マップ情報ＭＰ３１−１中に示すエリアＡＲ３１やエリアＡＲ３２やエリアＡＲ３３は、時間帯Ａについてユーザの行動情報が多く取得されたエリア（位置）であることを示す。

また、図１０に示すマップ情報ＭＰ３１−２は、時間帯Ｂについての位置に関する情報を模式的に示す図である。例えば、マップ情報ＭＰ３１−２中に示すエリアＡＲ３４やエリアＡＲ３５やエリアＡＲ３６は、時間帯Ｂについてユーザの行動情報が多く取得されたエリア（位置）であることを示す。なお、マップ情報ＭＰ３１−１及びマップ情報ＭＰ３１−２は、共通のエリアを示すマップ情報であり、ユーザの行動情報が多く取得されたエリアＡＲ３１〜ＡＲ３６が異なることを示すマップ情報である。例えば、マップ情報ＭＰ３１−１及びマップ情報ＭＰ３１−２は、同じエリア（例えば、Ａ県やＢ市党の所定のエリア）を示すものとする。なお、以下では、マップ情報ＭＰ３１−１及びマップ情報ＭＰ３１−２を区別説に説明する場合は、マップ情報ＭＰ３１と記載する。

以下、上述したマップ情報ＭＰ３１−１、ＭＰ３１−２を基に生成装置１００がモデルの生成を行う場合を示す。このように、図１０に示すマップ情報ＭＰ３１−１、ＭＰ３１−２のように、同じエリアについて異なる時間帯の各々を第１の対象とすることにより、時間他に応じて性格が異なる（昼はオフィス街、夜は歓楽街等）エリアについても、どの時間帯にも適用可能なモデルの生成を行うことができる。また、図１０に示すマップ情報ＭＰ３１−１、ＭＰ３１−２のように、同じエリアについて異なる時間帯の各々を第１の対象とすることにより、昼の時間帯と夜の時間帯とで飲食店の人気店が異なるようなエリアであっても、昼の時間帯と夜の時間帯とを異なる対象としてクラスタリングを行うことにより、どの時間帯にも適用可能なモデルの生成を行うことができる。

まず、生成装置１００は、各ユーザの行動情報を位置に基づいてクラスタリングする。図１０に示す例においては、生成装置１００は、各時間帯におけるユーザの行動情報を位置に基づいて３つのクラスタに分類（クラスタリング）する。なお、クラスタの数は、生成するモデルの目的や条件等の種々の情報に基づいて決定されてもよい。

まず、図１０に示す例においては、生成装置１００は、時間帯Ａの位置に対応付けられた行動情報を位置に基づいて３つのクラスタにクラスタリングする（ステップＳ３１−１）。例えば、生成装置１００は、時間帯Ａのマップ情報ＭＰ３１−１中の多く位置情報が取得されたエリアに基づいて３つのクラスタにクラスタリングする。図１０の例では、生成装置１００は、マップ情報ＭＰ３１−１中に示すエリアＡＲ３１と、エリアＡＲ３２と、エリアＡＲ３３との３つのクラスタにクラスタリングする。言い換えると、生成装置１００は、時間帯Ａにおけるユーザの行動情報を、エリアＡＲ３１に対応する行動情報と、エリアＡＲ３２に対応する行動情報と、エリアＡＲ３３に対応する行動情報との３つのクラスタにクラスタリングする。

また、図１０に示す例においては、生成装置１００は、時間帯Ｂの位置に対応付けられた行動情報を位置に基づいて３つのクラスタにクラスタリングする（ステップＳ３１−２）。例えば、生成装置１００は、時間帯Ｂのマップ情報ＭＰ３１−２中の多く位置情報が取得されたエリアに基づいて３つのクラスタにクラスタリングする。図１０の例では、生成装置１００は、マップ情報ＭＰ３１−２中に示すエリアＡＲ３４と、エリアＡＲ３５と、エリアＡＲ３６との３つのクラスタにクラスタリングする。言い換えると、生成装置１００は、時間帯Ｂにおけるユーザの行動情報を、エリアＡＲ３４に対応する行動情報と、エリアＡＲ３２５対応する行動情報と、エリアＡＲ３６に対応する行動情報との３つのクラスタにクラスタリングする。

なお、ステップＳ３１−１、Ｓ３１−２は、処理を説明するためのものであり、ステップＳ３１−１、Ｓ３１−２のいずれが先に行われてもよく、各ステップＳ３１−１、Ｓ３１−２は、複数回行われてもよい。以下、ステップＳ３１−１、Ｓ３１−２を区別せずに説明する場合、ステップＳ３１と総称する。このように、ステップＳ３１において、生成装置１００は、各時間帯におけるユーザの行動情報を、エリア（位置）ごとの取得状況に応じて適切にクラスタリングすることができる。

そして、生成装置１００は、各ユーザに対応する各クラスタを各ユーザ間で所定の基準に基づいて対応付ける。例えば、生成装置１００は、各クラスタの対応付けに関する所定の学習処理に基づいて、各第１の対象に対応する各クラスタを各第１の対象間で対応付ける。図１０の例では、生成装置１００は、交差検証（クロスバリデーション）により、各時間帯に対応する各クラスタを各時間帯間で対応付ける。この点について図１１を用いて詳述する。

図１１は、交差検証（クロスバリデーション）による対応付処理を概念的に示す図である。図１１では、時間帯ＡのエリアＡＲ３１に対応するデータセットをデータセットＤＳ３１とし、時間帯ＡのエリアＡＲ３２に対応するデータセットをデータセットＤＳ３２とし、時間帯ＡのエリアＡＲ３３に対応するデータセットをデータセットＤＳ３３とする。また、図１１では、時間帯ＢのエリアＡＲ３４に対応するデータセットをデータセットＤＳ３４とし、時間帯ＢのエリアＡＲ３５に対応するデータセットをデータセットＤＳ３５とし、時間帯ＢのエリアＡＲ３６に対応するデータセットをデータセットＤＳ３６とする。

また、図１１の例は、データセットＤＳ３１について、データＤＴ３１−１〜ＤＴ３１−３等を訓練用データとし、データＤＴ３１−４、ＤＴ３１−５等を検証用データとして図示する。図１１の例は、データセットＤＳ３６について、データＤＴ３６−１〜ＤＴ３６−３等を訓練用データとし、データＤＴ３６−４、ＤＴ３６−５等を検証用データとして図示する。なお、他のデータセットＤＳ３２〜ＤＳ３５についても同様に訓練用データと検証用データとが決定される。なお、上述したように、どのデータを訓練用データや検証用データにするかは適宜決定されてもよい。

そして、生成装置１００は、各ナンバリングパターンを検証することにより、どの対応付けにするかを決定する。図１１の例では、生成装置１００は、ナンバリングパターンＰＴ５１（ナンバリングパターンＡ）に示すような対応付けに基づいて、モデルを生成し、検証する（ステップＳ５１）。例えば、ナンバリングパターンＰＴ５１は、時間帯ＡのエリアＡＲ３１に対応する行動情報と、時間帯ＢのエリアＡＲ３４に対応する行動情報をクラスタＣＬ３１として対応付けるナンバリングパターンに対応する。例えば、ナンバリングパターンＰＴ５１は、時間帯ＡのエリアＡＲ３２に対応する行動情報と、時間帯ＢのエリアＡＲ３５に対応する行動情報をクラスタＣＬ３２として対応付けるナンバリングパターンに対応する。例えば、ナンバリングパターンＰＴ５１は、時間帯ＡのエリアＡＲ３３に対応する行動情報と、時間帯ＢのエリアＡＲ３６に対応する行動情報をクラスタＣＬ３３として対応付けるナンバリングパターンに対応する。

例えば、生成装置１００は、ナンバリングパターンＰＴ５１に基づいて、各データセットＤＳ３１〜ＤＳ３６の訓練用データを用いてモデルを生成する。図１１の例では、生成装置１００は、交差検証（クロスバリデーション）の結果、結果情報ＲＳ５１に示すように、ナンバリングパターンＰＴ５１の対応付けに基づいて生成されたモデルの精度が中（例えば、６０％）であると判定する。そして、生成装置１００は、ナンバリングパターンＰＴ５１に基づいて生成されたモデルの精度が、所定の基準（例えば、８０％以上）を満たさないと判定する。

また、図１１の例では、生成装置１００は、ナンバリングパターンＰＴ５２（ナンバリングパターンＢ）に示すような対応付けに基づいて、モデルを生成し、検証する（ステップＳ５２）。

例えば、生成装置１００は、ナンバリングパターンＰＴ５２に基づいて、各データセットＤＳ３１〜ＤＳ３６の訓練用データを用いてモデルを生成する。図１１の例では、生成装置１００は、交差検証（クロスバリデーション）の結果、結果情報ＲＳ５２に示すように、ナンバリングパターンＰＴ５２の対応付けに基づいて生成されたモデルの精度が低（例えば、２０％）であると判定する。そして、生成装置１００は、ナンバリングパターンＰＴ５２に基づいて生成されたモデルの精度が、所定の基準（例えば、８０％以上）を満たさないと判定する。例えば、生成装置１００は、所定の基準を満たすナンバリンパターンが得られるまで、各ナンバリングパターンについて同様の処理を繰り返す。

図１１の例では、生成装置１００は、ナンバリングパターンＰＴ５５（ナンバリングパターンＮ）に示すような対応付けに基づいて、モデルを生成し、検証する（ステップＳ５５）。

例えば、生成装置１００は、ナンバリングパターンＰＴ５５に基づいて、各データセットＤＳ３１〜ＤＳ３６の訓練用データを用いてモデルを生成する。図１１の例では、生成装置１００は、交差検証（クロスバリデーション）の結果、結果情報ＲＳ５５に示すように、ナンバリングパターンＰＴ５５の対応付けに基づいて生成されたモデルの精度が高（例えば、９０％）であると判定する。そして、生成装置１００は、ナンバリングパターンＰＴ５５に基づいて生成されたモデルの精度が、所定の基準（例えば、８０％以上）を満たすと判定する。

そのため、図１１の例では、生成装置１００は、各クラスタ間の対応付けをナンバリングパターンＰＴ５５に決定する（ステップＳ５６）。

例えば、生成装置１００は、ナンバリングパターンＰＴ５５に基づいて、図１０に示すように、各時間帯に対応する各クラスタについて、ナンバリングすることにより、各ユーザに対応する各クラスタを各時間帯間で対応付ける。

図１０の例では、生成装置１００は、マップ情報ＭＰ３１−１に示すように、時間帯ＡについてはエリアＡＲ３２を１番にナンバリングする（ステップＳ３２−１）。例えば、生成装置１００は、時間帯ＡについてはエリアＡＲ３２を「Ｐ１番」とナンバリングし、クラスタＣＬ３１に対応するサブクラスタＣＬ３１−１とする。

また、図１０の例では、生成装置１００は、マップ情報ＭＰ３１−１に示すように、時間帯ＡについてはエリアＡＲ３３を２番にナンバリングする（ステップＳ３２−２）。例えば、生成装置１００は、時間帯ＡについてはエリアＡＲ３３を「Ｐ２番」とナンバリングし、クラスタＣＬ３２に対応するサブクラスタＣＬ３２−１とする。

また、図１０の例では、生成装置１００は、マップ情報ＭＰ３１−１に示すように、時間帯ＡについてはエリアＡＲ３１を３番にナンバリングする（ステップＳ３２−３）。例えば、生成装置１００は、時間帯ＡについてはエリアＡＲ３１を「Ｐ３番」とナンバリングし、クラスタＣＬ３３に対応するサブクラスタＣＬ３３−１とする。

図１０の例では、生成装置１００は、マップ情報ＭＰ３１−２に示すように、時間帯ＢについてはエリアＡＲ３４を１番にナンバリングする（ステップＳ３３−１）。例えば、生成装置１００は、時間帯ＢについてはエリアＡＲ３４を「Ｐ１番」とナンバリングし、クラスタＣＬ３１に対応するサブクラスタＣＬ３１−２とする。

また、図１０の例では、生成装置１００は、マップ情報ＭＰ３１−２に示すように、時間帯ＢについてはエリアＡＲ３５を２番にナンバリングする（ステップＳ３３−２）。例えば、生成装置１００は、時間帯ＢについてはエリアＡＲ３５を「Ｐ２番」とナンバリングし、クラスタＣＬ３２に対応するサブクラスタＣＬ３２−２とする。

また、図１０の例では、生成装置１００は、マップ情報ＭＰ３１−２に示すように、時間帯ＢについてはエリアＡＲ３６を３番にナンバリングする（ステップＳ３３−３）。例えば、生成装置１００は、時間帯ＢについてはエリアＡＲ３６を「Ｐ３番」とナンバリングし、クラスタＣＬ３３に対応するサブクラスタＣＬ３３−２とする。

これにより、生成装置１００は、各時間帯の情報を適切に対応付けることができる。図１０の例では、生成装置１００は、時間帯ＡについてエリアＡＲ３２に対応する行動情報を含むサブクラスタＣＬ３１−１と、時間帯ＢについてエリアＡＲ３４に対応する行動情報を含むサブクラスタＣＬ３１−２とをクラスタＣＬ３１として対応付ける。図１０の例では、生成装置１００は、時間帯ＡについてエリアＡＲ３３に対応する行動情報を含むサブクラスタＣＬ３２−１と、時間帯ＢについてエリアＡＲ３５に対応する行動情報を含むサブクラスタＣＬ３２−２とをクラスタＣＬ３２として対応付ける。図１０の例では、生成装置１００は、時間帯ＡについてエリアＡＲ３１に対応する行動情報を含むサブクラスタＣＬ３３−１と、時間帯ＢについてエリアＡＲ３６に対応する行動情報を含むサブクラスタＣＬ３３−２とをクラスタＣＬ３３として対応付ける。

このように、生成装置１００は、各時間帯Ａ、Ｂ等の各クラスタを、交差検証（クロスバリデーション）の結果に基づいて対応付けることにより、学習（モデルの生成）に用いる適切なデータ（情報）を生成することができる。

そして、生成装置１００は、クラスタリングされた情報に基づいて、モデルを生成する（ステップＳ３４）。図１の例では、生成装置１００は、クラスタＣＬ３１に対応する情報やクラスタＣＬ３２に対応する情報やクラスタＣＬ３３に対応する情報等を用いて、所定のモデルとして、ユーザに配信するコンテンツの決定に用いるモデルを生成する。

上述したように、生成装置１００は、第１の対象が時間帯であり、第２の対象が位置である場合における各時間帯の行動情報の取得状況に応じて、各時間帯の行動情報をクラスタリングして、交差検証（クロスバリデーション）の結果に基づいて、各時間帯のクラスタを対応付けることができる。これにより、生成装置１００は、情報に応じて柔軟なモデルの生成を可能にすることができる。なお、上述した例では、生成装置１００は、各第１の対象のデータのクラスタ数を３つとして、交差検証の結果に基づいて、各第１の対象のクラスタを対応付ける場合を示したが、各第１の対象のデータのクラスタ数を交差検証の結果に基づいて、決定してもよい。生成装置１００は、各第１の対象のデータのクラスタ数を３つとした場合や、各第１の対象のデータのクラスタ数を４つとした場合や、各第１の対象のデータのクラスタ数を５つとした場合等について、交差検証を行い、学習に用いるデータのクラスタリングを、最も精度が高いクラスタ数及びクラスタの対応付けに決定してもよい。例えば、生成装置１００は、各第１の対象のデータのクラスタ数を３つとした場合における、各ナンバリングパターンを検証することにより、クラスタ数を３つとした場合の最適な対応付けを決定する。また、例えば、生成装置１００は、各第１の対象のデータのクラスタ数を４つとした場合における、各ナンバリングパターンを検証することにより、クラスタ数を４つとした場合の最適な対応付けを決定する。また、例えば、生成装置１００は、各第１の対象のデータのクラスタ数を５つとした場合における、各ナンバリングパターンを検証することにより、クラスタ数を５つとした場合の最適な対応付けを決定する。そして、クラスタ数を３、４、５とした場合の各々の最適な対応付け間の精度を比較し、最も精度の高いクラスタ数（例えば、「４」等）及びクラスタの対応付けに決定してもよい。なお、上述のクラスタ数３、４、５は一例であり、クラスタ数は、所定数Ｎ（Ｎは２以上の自然数）であれば、どのような数であってもよい。

〔６．効果〕
上述してきたように、実施形態に係る生成装置１００は、取得部１３１と、分類部１３２と、生成部１３３とを有する。取得部１３１は、各第１の対象に対応付けられた第２の対象に関する情報を取得する。分類部１３２は、各第１の対象に対応付けられた第２の対象に関する情報の各々を所定数のクラスタに分類し、各第１の対象に対応する各クラスタを各第１の対象間で所定の基準に基づいて対応付ける。また、生成部１３３は、各第１の対象間における各クラスタの対応付けに基づいて、所定のモデルを生成する。

これにより、実施形態に係る生成装置１００は、各第１の対象に対応付けられた第２の対象に関する情報の各々を所定数のクラスタに分類し、各第１の対象に対応する各クラスタを各第１の対象間で所定の基準に基づいて対応付け、各第１の対象間における各クラスタの対応付けに基づいて、所定のモデルを生成することにより、情報に応じて柔軟なモデルの生成を可能にすることができる。

また、実施形態に係る生成装置１００において、取得部１３１は、第１の対象に関する所定単位ごとの各第１の対象に対応付けられた第２の対象に関する情報を取得する。

これにより、実施形態に係る生成装置１００は、第１の対象に関する所定単位ごとの各第１の対象に対応付けられた第２の対象に関する情報を取得することにより、所定単位ごとの情報に応じて柔軟なモデルの生成を可能にすることができる。

また、実施形態に係る生成装置１００において、取得部１３１は、第１の対象に関する所定単位を複数含むグループごとの各第１の対象に対応付けられた第２の対象に関する情報を取得する。

これにより、実施形態に係る生成装置１００は、第１の対象に関する所定単位を複数含むグループごとの各第１の対象に対応付けられた第２の対象に関する情報を取得することにより、グループごとの情報に応じて柔軟なモデルの生成を可能にすることができる。

また、実施形態に係る生成装置１００において、取得部１３１は、ユーザに関する各第１の対象ごとに対応付けられた第２の対象に関する情報を取得する。

これにより、実施形態に係る生成装置１００は、ユーザに関する各第１の対象ごとに対応付けられた第２の対象に関する情報を取得することにより、ユーザに関する情報に応じて柔軟なモデルの生成を可能にすることができる。

また、実施形態に係る生成装置１００において、取得部１３１は、時間または位置に関する第２の対象に関する情報を取得する。

これにより、実施形態に係る生成装置１００は、時間または位置に関する第２の対象に関する情報を取得することにより、時間または位置に関する第２の対象に応じて柔軟なモデルの生成を可能にすることができる。

また、実施形態に係る生成装置１００において、取得部１３１は、時間に関する各第１の対象ごとに対応付けられた第２の対象に関する情報を取得する。

これにより、実施形態に係る生成装置１００は、時間に関する各第１の対象ごとに対応付けられた第２の対象に関する情報を取得することにより、時間に関する情報に応じて柔軟なモデルの生成を可能にすることができる。

また、実施形態に係る生成装置１００において、取得部１３１は、ユーザまたは位置に関する第２の対象に関する情報を取得する。

これにより、実施形態に係る生成装置１００は、ユーザまたは位置に関する第２の対象に関する情報を取得することにより、ユーザまたは位置に関する第２の対象に応じて柔軟なモデルの生成を可能にすることができる。

また、実施形態に係る生成装置１００において、取得部１３１は、位置に関する各第１の対象ごとに対応付けられた第２の対象に関する情報を取得する。

これにより、実施形態に係る生成装置１００は、位置に関する各第１の対象ごとに対応付けられた第２の対象に関する情報を取得することにより、ユーザに関する情報に応じて柔軟なモデルの生成を可能にすることができる。

また、実施形態に係る生成装置１００において、取得部１３１は、ユーザまたは時間に関する前記第２の対象に関する情報を取得する。

これにより、実施形態に係る生成装置１００は、ユーザまたは時間に関する第２の対象に関する情報を取得することにより、ユーザまたは時間に関する第２の対象に応じて柔軟なモデルの生成を可能にすることができる。

また、実施形態に係る生成装置１００において、分類部１３２は、所定の基準点に基づいて、各第１の対象に対応する各クラスタを各第１の対象間で対応付ける。

これにより、実施形態に係る生成装置１００は、所定の基準点に基づいて、各第１の対象に対応する各クラスタを各第１の対象間で対応付けることにより、情報に応じて柔軟なモデルの生成を可能にすることができる。

また、実施形態に係る生成装置１００において、分類部１３２は、各クラスタの対応付けに関する所定の学習処理に基づいて、各第１の対象に対応する各クラスタを各第１の対象間で対応付ける。

これにより、実施形態に係る生成装置１００は、各クラスタの対応付けに関する所定の学習処理に基づいて、各第１の対象に対応する各クラスタを各第１の対象間で対応付けることにより、情報に応じて柔軟なモデルの生成を可能にすることができる。

また、実施形態に係る生成装置１００において、分類部１３２は、第２の対象に関する情報以外の情報に基づいて、各第１の対象に対応する各クラスタを各第１の対象間で対応付ける。

これにより、実施形態に係る生成装置１００は、第２の対象に関する情報以外の情報に基づいて、各第１の対象に対応する各クラスタを各第１の対象間で対応付けることにより、情報に応じて柔軟なモデルの生成を可能にすることができる。

〔７．ハードウェア構成〕
上述してきた実施形態に係る生成装置１００は、例えば図１２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。図１２は、生成装置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、ＣＰＵ１１００、ＲＡＭ１２００、ＲＯＭ１３００、ＨＤＤ１４００、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、及びメディアインターフェイス（Ｉ／Ｆ）１７００を有する。

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。

ＨＤＤ１４００は、ＣＰＵ１１００によって実行されるプログラム、及び、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、ネットワークＮを介して他の機器からデータを受信してＣＰＵ１１００へ送り、ＣＰＵ１１００が収集したデータをネットワークＮを介して他の機器へ送信する。

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、及び、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、収集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。

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、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。

例えば、コンピュータ１０００が実施形態に係る生成装置１００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１３０の機能を実現する。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、他の装置からネットワークＮを介してこれらのプログラムを取得してもよい。

以上、本願の実施形態及び変形例のいくつかを図面に基づいて詳細に説明したが、これらは例示であり、発明の開示の行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。

〔８．その他〕
また、上記実施形態及び変形例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。

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。

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。

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。

１ 生成システム
１００ 生成装置
１２１ ユーザ情報記憶部
１２２ 行動情報記憶部
１２３ クラスタ情報記憶部
１２４ モデル情報記憶部
１３０ 制御部
１３１ 取得部
１３２ 分類部
１３３ 生成部
１３４ 送信部
１０ 端末装置
Ｎ ネットワーク

Claims (13)

1. 各第１の対象に対応付けられた対象である第２の対象に対応する行動情報を取得する取得部と、
   前記各第１の対象に対応付けられた対象である第２の対象に対応する行動情報の各々を所定数のクラスタに分類し、前記各第１の対象に対応する各クラスタを前記各第１の対象間で所定の基準に基づいて対応付ける分類部と、
   前記各第１の対象間における各クラスタの対応付けに基づいて、所定のモデルを生成する生成部と、
   を備え、
   前記分類部は、
   前記各クラスタの対応付けのパターンごとに生成される各モデルの精度を検証し、精度が基準を満たすモデルに対応するパターンにより、前記各クラスタを前記各第１の対象間で対応付ける
   ことを特徴とする生成装置。
2. 前記取得部は、
   前記第１の対象に関する所定単位ごとの前記各第１の対象に対応付けられた対象である第２の対象に対応する行動情報を取得する
   ことを特徴とする請求項１に記載の生成装置。
3. 前記取得部は、
   前記第１の対象に関する所定単位を複数含むグループごとの前記各第１の対象に対応付けられた対象である第２の対象に対応する行動情報を取得する
   ことを特徴とする請求項１に記載の生成装置。
4. 前記取得部は、
   ユーザに関する前記各第１の対象ごとに対応付けられた対象である第２の対象に対応する行動情報を取得する
   ことを特徴とする請求項１〜３のいずれか１項に記載の生成装置。
5. 前記取得部は、
   時間または位置に関する前記第２の対象に対応する行動情報を取得する
   ことを特徴とする請求項４に記載の生成装置。
6. 前記取得部は、
   時間に関する前記各第１の対象ごとに対応付けられた対象である第２の対象に対応する行動情報を取得する
   ことを特徴とする請求項１〜３のいずれか１項に記載の生成装置。
7. 前記取得部は、
   ユーザまたは位置に関する前記第２の対象に対応する行動情報を取得する
   ことを特徴とする請求項６に記載の生成装置。
8. 前記取得部は、
   位置に関する前記各第１の対象ごとに対応付けられた対象である第２の対象に対応する行動情報を取得する
   ことを特徴とする請求項１〜３のいずれか１項に記載の生成装置。
9. 前記取得部は、
   ユーザまたは時間に関する前記第２の対象に対応する行動情報を取得する
   ことを特徴とする請求項８に記載の生成装置。
10. 前記分類部は、
    所定の基準点に基づいて、前記各第１の対象に対応する各クラスタを前記各第１の対象間で対応付ける
    ことを特徴とする請求項１〜９のいずれか１項に記載の生成装置。
11. 前記分類部は、
    前記第２の対象に対応する行動情報以外の情報に基づいて、前記各第１の対象に対応する各クラスタを前記各第１の対象間で対応付ける
    ことを特徴とする請求項１〜１０のいずれか１項に記載の生成装置。
12. コンピュータが実行する生成方法であって、
    各第１の対象に対応付けられた対象である第２の対象に対応する行動情報を取得する取得工程と、
    前記各第１の対象に対応付けられた対象である第２の対象に対応する行動情報の各々を所定数のクラスタに分類し、前記各第１の対象に対応する各クラスタを前記各第１の対象間で所定の基準に基づいて対応付ける分類工程と、
    前記各第１の対象間における各クラスタの対応付けに基づいて、所定のモデルを生成する生成工程と、
    を含み、
    前記分類工程は、
    前記各クラスタの対応付けのパターンごとに生成される各モデルの精度を検証し、精度が基準を満たすモデルに対応するパターンにより、前記各クラスタを前記各第１の対象間で対応付ける
    ことを特徴とする生成方法。
13. 各第１の対象に対応付けられた対象である第２の対象に対応する行動情報を取得する取得手順と、
    前記各第１の対象に対応付けられた対象である第２の対象に対応する行動情報の各々を所定数のクラスタに分類し、前記各第１の対象に対応する各クラスタを前記各第１の対象間で所定の基準に基づいて対応付ける分類手順と、
    前記各第１の対象間における各クラスタの対応付けに基づいて、所定のモデルを生成する生成手順と、
    をコンピュータに実行させ、
    前記分類手順は、
    前記各クラスタの対応付けのパターンごとに生成される各モデルの精度を検証し、精度が基準を満たすモデルに対応するパターンにより、前記各クラスタを前記各第１の対象間で対応付ける
    ことを特徴とする生成プログラム。

Images