JP6765195B2 - 更新装置、更新方法、及び更新プログラム - Google Patents

Description

本発明は、更新装置、更新方法、及び更新プログラムに関する。

従来、生成した予測モデル（以下、単に「モデル」とする）に基づいて、所定の対象を予測する技術が提供されている。例えば、モデルを用いて所定の需要を予測する技術が提供されている。

特開２００４-０８６８９６号公報 特開２００９-２３７８３２号公報

しかしながら、上記の従来技術では、モデルを用いて所定の対象を適切に予測することが難しい場合がある。例えば、生成されたモデルが適切でない場合やモデルの生成から期間が経過した場合等、モデルを用いて所定の対象を適切に予測することが難しい場合がある。

本願は、上記に鑑みてなされたものであって、モデルを用いて所定の対象を適切に予測可能にする更新装置、更新方法、及び更新プログラムを提供することを目的とする。

本願に係る更新装置は、ユーザに関する区分ごとの行動に関する行動情報であって、コンテキストに基づいて分割された行動情報である分割情報が、当該分割情報の各々に含まれる行動情報の傾向に基づいて組み合わされた情報である組合情報ごとに生成されるモデルであって、所定の対象を予測するモデルに関する情報を取得する取得部と、所定の条件を満たす場合、前記取得部により取得されたモデルを更新する更新部と、を備えたことを特徴とする。

実施形態の一態様によれば、モデルを用いて所定の対象を適切に予測可能にすることができるという効果を奏する。

図１は、実施形態に係る更新処理の一例を示す図である。 図２は、実施形態に係る更新処理の一例を示す図である。 図３は、実施形態に係る生成処理の一例を示す図である。 図４は、実施形態に係る更新処理前の配信処理の一例を示す図である。 図５は、実施形態に係る更新処理後の配信処理の一例を示す図である。 図６は、実施形態に係る配信装置の構成例を示す図である。 図７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８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９は、実施形態に係る分割情報記憶部の一例を示す図である。 図１０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１１は、実施形態に係る学習情報記憶部の一例を示す図である。 図１２は、実施形態に係るコンテンツ情報記憶部の一例を示す図である。 図１３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１４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１５は、実施形態に係る配信処理の一例を示すフローチャートである。 図１６は、実施形態に係る予測精度に応じた更新処理の一例を示すフローチャートである。 図１７は、実施形態に係る情報量の増加に応じた更新処理の一例を示すフローチャートである。 図１８は、実施形態に係る更新処理の一例を示す図である。 図１９は、実施形態に係る更新処理の一例を示す図である。 図２０は、実施形態に係る更新処理の一例を示す図である。 図２１は、配信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、本願に係る更新装置、更新方法、及び更新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更新装置、更新方法、及び更新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．更新処理〕
〔１−１．重みの更新〕
まず、図１を用いて、実施形態に係る更新処理の一例について説明する。図１は、実施形態に係る更新処理の一例を示す図である。具体的には、図１は、クラスタリングを維持したまま、モデルの重みを更新する場合を示す。図１に示す例において、クラスタ情報一覧ＭＬ１−１は、図３に示す配信システム１における生成処理により、各ユーザのコンテキストにおけるコンテンツへの関心を予測するモデルが生成された場合のクラスタリングに関する情報を示す。具体的には、図１中のクラスタ情報一覧ＭＬ１−１は、一のユーザと一のコンテキストとが交差する領域であるマス（以下、「マスＭＳ」とする場合がある）にモデルＭ１〜Ｍ６等のうち、どのモデルが割り当てられたかを示す。なお、ここでいうコンテキストとは、ユーザが置かれた環境等を含むユーザの状態や状況に対応するが、詳細は後述する。また、以下では、ユーザに関する区分をユーザとして説明する。

図１中に示すモデル情報ＭＤ１−１には、クラスタ情報一覧ＭＬ１−１に示すような各マスＭＳに含まれる分割情報のクラスタリングに関する情報が含まれる。また、モデル情報ＭＤ１−１には、重み情報一覧ＷＬ１−１に示すようなクラスタごとに生成されたモデルＭ１〜Ｍ６に関する情報が含まれる。

図１中のクラスタ情報一覧ＭＬ１−１は、クラスタ情報記憶部１２４（図１０参照）に対応し、各マスＭＳ中に図示するＭ１〜Ｍ６によって示される６つのクラスタを含むことを示す。例えば、各モデルＭ１〜Ｍ６は、分割情報記憶部１２３（図９参照）に記憶された各マスＭＳ中に図示するＭ１〜Ｍ６に対応する分割情報に基づいて生成される。なお、詳細は後述するが、ここでいう分割情報とは、ユーザの行動情報がコンテキストごとに分割された情報を意味する。例えば、行動情報は、各ユーザにコンテンツを配信し、配信したコンテンツに対する各ユーザの行動の有無を示す情報である。また、クラスタ情報一覧ＭＬ１−１中のマスＭＳにおいて、Ｍ１〜Ｍ６の符号が図示されていないマスＭＳについては、所定の手法により生成されたモデルが割り当てられるが、詳細は後述する。

例えば、図１では、ユーザＵ１のコンテキストＣＴ１１に対応するマスＭＳ、ユーザＵ２のコンテキストＣＴ１５に対応するマスＭＳ、ユーザＵ２のコンテキストＣＴ１７に対応するマスＭＳ、及びユーザＵ４のコンテキストＣＴ１３に対応するマスＭＳには同じモデルＭ１が割り当てられることを示す。すなわち、上記４つのマスＭＳに含まれる分割情報を組み合わせた組合情報を用いて、モデルＭ１が生成されたことを示す。また、重み情報一覧ＷＬ１−１は、学習情報記憶部１２５（図１１参照）に対応し、モデルＭ１の素性１の重みが「０．５」、モデルＭ１の素性２の重みが「−０．４」、モデルＭ１の素性３の重みが「０．２」等であることを示す。例えば、配信システム１は、ユーザＵ１が朝に家（自宅）にいる場合に対応するコンテキストＣＴ１１においてコンテンツの配信を要求した場合、モデルＭ１を用いてユーザＵ１に配信するコンテンツを決定する。

例えば、配信装置１００（図６参照）は、ユーザに割り当てられたモデルの予測精度に関する所定の条件を満たす場合、モデルを更新する。ここでいう予測精度とは、ユーザの行動の有無を予測できる確率をいう。図１の例では、予測精度がユーザのコンテストに対応するモデルを用いてコンテンツを配信した場合において、ユーザが配信したコンテンツを選択（クリック）する確率である場合を示す。なお、図１では、予測精度が高であったモデルの予測精度が低に低下することを、所定の条件とする。具体的には、図１では、ユーザのコンテキスト（マスＭＳ）に割り当てられた一のモデルの予測精度が、２つ以上のマスで高から低に低下することを、所定の条件とする。

なお、ここでいう予測精度が低であるとは、対応するユーザ及びコンテキストの組み合わせにおけるモデルの予測精度が所定の閾値（例えば、７５％等）未満である場合をいう。以下、所定の対象に対する予測精度が低であるモデルを低品質モデルとする場合がある。例えば、割り当てられたマスＭＳ全体における予測精度が低であるモデルを低品質モデルとする。なお、図１では、モデル情報ＭＤ１−１は、第１時点における予測精度を示す。

図１に示すように、第１時点において、クラスタ情報一覧ＭＬ１−１では、ユーザＵ１のコンテキストＣＴ１２におけるモデルＭ２の予測精度と、ユーザＵ２のコンテキストＣＴ１４におけるモデルＭ２の予測精度とが高であるとする。なお、ここでいう予測精度が高であるとは、対応するユーザ及びコンテキストの組み合わせにおけるモデルの予測精度が所定の閾値（例えば、７５％等）以上である場合をいう。すなわち、図１では、第１時点において、ユーザＵ１が朝にオフィスにいる場合に対応するコンテキストＣＴ１２においてモデルＭ２を用いて、ユーザＵ１にコンテンツを配信した場合に予測精度が高であることを示す。また、図１では、第１時点において、ユーザＵ２が昼にオフィスにいる場合に対応するコンテキストＣＴ１４においてモデルＭ２を用いて、ユーザＵ２にコンテンツを配信した場合に予測精度が高であることを示す。

そして、第１時点から所定の期間が経過した後（ステップＳ１）、配信装置１００は、クラスタ情報一覧ＭＬ１−１や重み情報一覧ＷＬ１−１を用いて予測を行う。図１中に示すモデル情報ＭＤ１−２は、モデル情報ＭＤ１−１と同様に、クラスタ情報一覧ＭＬ１−１や重み情報一覧ＷＬ１−１を含み、第１時点から所定の期間経過後の第２時点における予測精度を示す。

図１に示すように、第２時点において、クラスタ情報一覧ＭＬ１−１では、ユーザＵ１のコンテキストＣＴ１２におけるモデルＭ２の予測精度と、ユーザＵ２のコンテキストＣＴ１４におけるモデルＭ２の予測精度とが低であるとする。すなわち、図１では、第１時点から第２時点への期間経過により、ユーザＵ１が朝にオフィスにいる場合に対応するコンテキストＣＴ１２においてモデルＭ２を用いて、ユーザＵ１にコンテンツを配信した場合の予測精度が、高から低へ低下したことを示す。また、図１では、第１時点から第２時点への期間経過により、ユーザＵ２が昼にオフィスにいる場合に対応するコンテキストＣＴ１４においてモデルＭ２を用いて、ユーザＵ２にコンテンツを配信した場合の予測精度が、高から低へ低下したことを示す。なお、図１では、第１時点から第２時点への期間経過により、モデルＭ２が割り当てられた他のマスに対応するユーザのコンテキストにおける予測精度や他のモデルＭ１、Ｍ３〜Ｍ６の予測精度に変化はなかったものとする。

このように、図１においてはステップＳ１における期間経過により、モデルＭ２の予測精度が、ユーザＵ１のコンテキストＣＴ１２とユーザＵ２のコンテキストＣＴ１４とに対応する２つのマスＭＳにおいて、高から低に低下している。そのため、配信装置１００は、更新処理として重みの更新を行う（ステップＳ２）。具体的には、配信装置１００は、第１時点から第２時点において予測精度が低下したモデルＭ２の重みの更新を行う。すなわち、配信装置１００は、第１時点から第２時点において収集された行動情報を加えてモデルＭ２の重みを学習する。なお、配信装置１００は、第２時点から所定期間以内の行動情報を用いてモデルＭ２の重みを学習する。これにより、配信装置１００は、取得時期が重み学習時より前過ぎ（１年以上等）、有効性が低くなった行動情報を除いた行動情報を用いてモデルＭ２の重みを学習することができる。これにより、配信装置１００は、より適切にモデルＭ２の重みを学習することができる。

図１では、配信装置１００は、モデルＭ２の重みの更新をすることにより、重み情報一覧ＷＬ１−１を重み情報一覧ＷＬ１−２に更新する。例えば、更新処理前の重み情報一覧ＷＬ１−１において、モデルＭ２の各素性の重みは、素性１の重みが「−０．３」、素性２の重みが「２．１」、素性３の重みが「−０．２」等であることを示す。例えば、更新処理後の重み情報一覧ＷＬ１−２において、モデルＭ２の各素性の重みは、素性１の重みが「−０．７」、素性２の重みが「１．７」、素性３の重みが「０．５」等であることを示す。そして、配信装置１００は、モデルＭ２の重みを更新した情報一覧ＷＬ１−２を用いることにより、ユーザＵ１のコンテキストＣＴ１２とユーザＵ２のコンテキストＣＴ１４とにおけるモデルＭ２の予測精度が改善された場合、重み情報一覧ＷＬ１−２を用いて配信処理を行う。

また、配信装置１００は、モデルＭ２の重みを更新した情報一覧ＷＬ１−２を用いても、ユーザＵ１のコンテキストＣＴ１２とユーザＵ２のコンテキストＣＴ１４とにおけるモデルＭ２の予測精度が低のままである場合、再度モデルＭ２を更新する処理を行ってもよい。また、配信装置１００は、モデルＭ２の重みの更新を複数回行っても、ユーザＵ１のコンテキストＣＴ１２とユーザＵ２のコンテキストＣＴ１４とにおけるモデルＭ２の予測精度が低のままである場合、後述する生成処理をやり直す再生成処理を行ってもよい。すなわち、配信装置１００は、各分割情報のクラスタリングをやり直し、各クラスタリングに対してモデルを生成してもよい。

〔１−２．再生成処理〕
まず、図２を用いて、実施形態に係る更新処理の一例について説明する。図２は、実施形態に係る更新処理の一例を示す図である。具体的には、図２は、再生成処理を行う場合を示す。なお、ここでいう再生成処理は、マスＭＳ全体を対象に再度生成処理をやり直すことや予測精度が低いマスＭＳを対象に生成処理をやり直すこと等、クラスタに変更を加える処理であれば種々の処理が含まれる。

図２中に示すモデル情報ＭＤ２−１には、クラスタ情報一覧ＭＬ２−１に示すような各マスＭＳに含まれる分割情報のクラスタリングに関する情報が含まれる。また、モデル情報ＭＤ２−１には、重み情報一覧ＷＬ２−１に示すようなクラスタごとに生成されたモデルＭ１〜Ｍ６に関する情報が含まれる。図２に示す例において、クラスタ情報一覧ＭＬ２−１は、図３に示す配信システム１における生成処理により、各ユーザのコンテキストにおけるコンテンツへの関心を予測するモデルが生成された場合のクラスタリングに関する情報を示す。図２中のクラスタ情報一覧ＭＬ２−１は、クラスタ情報記憶部１２４に対応し、各マスＭＳ中に図示するＭ１〜Ｍ６によって示される６つのクラスタを含むことを示す。また、重み情報一覧ＷＬ２−１は、学習情報記憶部１２５（図１１参照）に対応し、モデルＭ１の素性１の重みが「０．５」、モデルＭ１の素性２の重みが「−０．４」、モデルＭ１の素性３の重みが「０．２」等であることを示す。

例えば、配信装置１００は、ユーザに割り当てられたモデルの予測精度に関する所定の条件を満たす場合、再生成処理を行う。なお、図２では、予測精度が低であるモデルの予測精度が低のまま所定の期間が経過することを、所定の条件とする。具体的には、図２では、ユーザのコンテキスト（マスＭＳ）に割り当てられた一のモデルの予測精度が、２つ以上のマスで低のまま所定の期間が経過することを、所定の条件とする。なお、図２では、モデル情報ＭＤ２−１は、第１時点における予測精度を示す。また、図２でいう第１時点は、生成されたモデルが用いられ始めた時点であるものとする。

図２に示すように、第１時点において、クラスタ情報一覧ＭＬ２−１では、ユーザＵ１のコンテキストＣＴ１１におけるモデルＭ１の予測精度と、ユーザＵ２のコンテキストＣＴ１５におけるモデルＭ１の予測精度とが低であるとする。すなわち、図２では、第１時点において、ユーザＵ１が朝に家にいる場合に対応するコンテキストＣＴ１１においてモデルＭ１を用いて、ユーザＵ１にコンテンツを配信した場合に予測精度が低であることを示す。また、図２では、第１時点において、ユーザＵ２が夜に家にいる場合に対応するコンテキストＣＴ１５においてモデルＭ１を用いて、ユーザＵ２にコンテンツを配信した場合に予測精度が低であることを示す。

そして、第１時点から所定の期間が経過した後（ステップＳ５）、配信装置１００は、クラスタ情報一覧ＭＬ２−１や重み情報一覧ＷＬ２−１を用いて予測を行う。図２中に示すモデル情報ＭＤ２−２は、モデル情報ＭＤ２−１と同様に、クラスタ情報一覧ＭＬ２−１や重み情報一覧ＷＬ２−１を含み、第１時点から所定の期間経過後の第２時点における予測精度を示す。

図２に示すように、第２時点において、クラスタ情報一覧ＭＬ２−１では、ユーザＵ１のコンテキストＣＴ１１におけるモデルＭ１の予測精度と、ユーザＵ２のコンテキストＣＴ１５におけるモデルＭ１の予測精度とが低であるとする。すなわち、図２では、第２時点において、ユーザＵ１が朝に家にいる場合に対応するコンテキストＣＴ１１においてモデルＭ１を用いて、ユーザＵ１にコンテンツを配信した場合に予測精度が低であることを示す。また、図２では、第２時点において、ユーザＵ２が夜に家にいる場合に対応するコンテキストＣＴ１５においてモデルＭ１を用いて、ユーザＵ２にコンテンツを配信した場合に予測精度が低であることを示す。このように、第１時点から第２時点に亘ってモデルＭ１の予測精度が低いため、生成処理により適切なクラスタリングが行われず、予測精度が高いモデルが生成されなかった可能性があり、再度クラスタリングを行うことにより適切なクラスタに分類される可能性がある。そのため、配信装置１００は、再生成処理を行うことによりモデルを更新する（ステップＳ６）。

ステップＳ６により、配信装置１００は、モデル情報ＭＤ２−３を生成する。モデル情報ＭＤ２−３には、クラスタ情報一覧ＭＬ２−２に示すような各マスＭＳに含まれる分割情報のクラスタリングに関する情報が含まれる。また、モデル情報ＭＤ２−３には、重み情報一覧ＷＬ２−２に示すようなクラスタごとに生成されたモデルＭ１１〜Ｍ１６等に関する情報が含まれる。例えば、配信装置１００は、モデル情報ＭＤ２−３の生成が完了した第３時点から、モデル情報ＭＤ２−３を用いて予測を行った結果に応じて、コンテンツを配信する。

例えば、モデル情報ＭＤ２−３は、ユーザＵ１のコンテキストＣＴ１１に対応するマスＭＳ、ユーザＵ２のコンテキストＣＴ１７に対応するマスＭＳ、及びユーザＵ３のコンテキストＣＴ１６に対応するマスＭＳには同じモデルＭ１３が割り当てられることを示す。すなわち、上記３つのマスＭＳに含まれる分割情報を組み合わせた組合情報を用いて、モデルＭ１３が生成されたことを示す。また、重み情報一覧ＷＬ２−２は、モデルＭ１３の素性１の重みが「１．５」、モデルＭ１３の素性２の重みが「１．１」、モデルＭ１３の素性３の重みが「−０．５」等であることを示す。例えば、上記の再生成処理後において、配信システム１は、ユーザＵ１が朝に家（自宅）にいる場合に対応するコンテキストＣＴ１１においてコンテンツの配信を要求した場合、モデルＭ１３を用いてユーザＵ１に配信するコンテンツを決定する。なお、再生成処理により、素性についても更新されてもよい。

上述のように、配信装置１００は、所定の条件を満たす場合、モデルを更新する。例えば、配信装置１００は、所定の条件を満たす場合、あるモデルの重みを更新したり、再生成処理を行ったりする。これにより、配信装置１００は、モデルを用いて所定の対象を適切に予測可能にすることができる。また、配信装置１００は、モデルの更新を行う際に用いる行動情報（分割情報）について、収集された時刻等に基づいてフィルタリングを行ってもよい。例えば、配信装置１００は、モデルの更新を行う場合、モデル更新時から所定の期間（例えば、３ヶ月や１年等）内に収集された行動情報のみを用いてもよい。また、例えば、配信装置１００は、モデルの更新を行う場合、各マスＭＳに含まれる分割情報の量に応じて、各マスＭＳで用いる分割情報の取得時期を変動させてもよい。例えば、配信装置１００は、モデルの更新を行う場合、行動情報が短期間で十分収集されるマスＭＳについては、モデル更新時から１ヶ月以内に収集された行動情報のみを用い、行動情報が短期間では十分に収集できないマスＭＳについては、モデル更新時から２年以内に収集された行動情報のみを用いてもよい。このように、配信装置１００は、各マスＭＳに対応する行動情報の収集し易さに応じて、各マスＭＳで用いる分割情報の取得時期を変動させてもよい。

なお、上記の例では、説明を簡単にするために、２つのマスＭＳに対応するユーザのコンテキストにおける予測精度を所定の条件として、更新処理を行う場合を示したが、配信装置１００は、種々の条件を適宜用いて、更新処理を行ってもよい。例えば、配信装置１００は、マスＭＳ全体の予測精度の変化に応じて、更新処理を行ってもよい。例えば、配信装置１００は、マスＭＳ全体の予測精度が低い状態が所定の期間継続した場合、再生成処理を行ってもよい。また、例えば、配信装置１００は、マスＭＳ全体の予測精度は高いがあるモデルの予測精度が低い場合、そのモデルの重みの更新を行ってもよい。

また、配信装置１００は、更新処理を所定のタイミングで定期的に行ってもよい。すなわち、配信装置１００は、所定の条件をモデルの使用を開始した時点から所定の期間が経過したこととしてもよい。つまり、配信装置１００は、モデルの重みの更新を所定のタイミングで定期的に行ってもよい。例えば、配信装置１００は、所定の条件をモデルの使用を開始した時点から定期的（例えば１ヶ月おき）に更新処理を行ってもよい。これにより、配信装置１００は、適切なタイミングで生成されたモデルを用いて所定の対象を予測可能にすることができる。

また、配信装置１００は、所定のタイミング（例えば、１ヶ月や半年等）で各モデルの検証を定期的に行い、検証結果に応じて更新処理を行ってもよい。例えば、配信装置１００は、検証したモデルの予想精度が所定の閾値未満である場合に更新処理を行ってもよい。例えば、配信装置１００は、検証したモデルの予想精度が所定の閾値未満である場合に検証したモデルの重みの更新を行ってもよい。これにより、配信装置１００は、適切なタイミングで生成されたモデルを用いて所定の対象を予測可能にすることができる。

例えば、配信装置１００は、各モデルを検証するタイミングを、分割情報の収集に関する情報に基づいて決定してもよい。例えば、配信装置１００は、各マスＭＳに対応する行動情報（分割情報）の収集されやすさに応じて、各モデルを検証するタイミングを変動させてもよい。例えば、配信装置１００は、行動情報が収集されやすいマスＭＳに割り当てられたモデルを、他のモデルよりも早いタイミングで検証してもよい。例えば、配信装置１００は、所定の期間において収集される行動情報の量が他のマスＭＳよりも多いマスＭＳに割り当てられたモデルを、他のモデルよりも早いタイミングで検証してもよい。この場合、配信装置１００は、所定の期間において収集される行動情報の量が他のマスＭＳよりも多いマスＭＳに割り当てられたモデルを、そのマスＭＳに含まれる分割情報により検証してもよい。

また、例えば、配信装置１００は、各モデルを検証するタイミングを、分割情報の収集される量の増減に関する情報に基づいて決定してもよい。例えば、配信装置１００は、ある各マスＭＳに対応する行動情報（分割情報）の収集される量が急激に増大した場合、そのマスＭＳに対応するモデルを検証するタイミングを早めてもよい。例えば、配信装置１００は、一定期間において収集される行動情報の量が、所定の閾値以上増加したマスＭＳに対応するモデルを検証するタイミングを早めてもよい。例えば、配信装置１００は、朝にオフィス（勤務地）にいる場合に対応するコンテキストＣＴ１２について、通常の平日は収集される行動情報が少ないが、雪の日に収集される行動情報が急増した場合、行動情報の量が急増したコンテキストＣＴ１２に割り当てられたモデルの検証を早めてもよい。この場合、配信装置１００は、収集される行動情報の量が急増したマスＭＳに割り当てられたモデルを、そのマスＭＳに含まれる分割情報により検証してもよい。

また、例えば、配信装置１００は、各モデルを検証するタイミングを、そのモデルの生成に用いた組合情報に含まれる分割情報の数に関する情報に基づいて決定してもよい。例えば、配信装置１００は、各モデルを検証するタイミングを、モデルの生成に用いた組合情報に含まれる分割情報の数が少ない程、そのモデルを検証するタイミングを早めてもよい。また、例えば、配信装置１００は、各モデルを検証するタイミングを、クラスタリングの傾向に基づいて決定してもよい。例えば、配信装置１００は、１０個のマスＭＳの分割情報を含む組合情報から生成されたモデルは、２個のマスＭＳの分割情報を含む組合情報から生成されたモデルよりも、モデルを検証するタイミングを早めてもよい。

また、配信装置１００は、各モデルの予測精度が安定しない場合、再生成処理を行ってもよい。例えば、配信装置１００は、各モデルの予測精度が高い状態や低い状態を繰り返すような場合、再生成処理を行ってもよい。なお、上記更新処理を行うタイミングは例示であり、配信装置１００は、種々の条件を適宜用いて、所定のタイミングで更新処理を行ってもよい。図１及び図２に示すように、配信装置１００は、適宜の条件やタイミングに応じて、クラスタリングを維持した状態でモデルの重みを更新する処理や、クラスタの再構成を含む再生成処理を行う。なお、クラスタリングを維持してモデルの重みのみを更新する処理と比較して、クラスタリングからやり直す再生成処理のほうが、配信装置１００にとって高負荷である場合が多い。例えば、配信装置１００は、モデルの重みのみを更新する処理と比較して、再生成処理のほうが、処理により多くの時間を要する。そのため、配信装置１００は、モデルの重みを更新する条件と再生成処理の条件との両方を満たした場合、モデルの重みを更新する処理を優先して行ってもよい。例えば、配信装置１００は、モデルの重みを更新する処理により、再生成処理を行わずに予測精度が改善できた場合、再生成処理を行う回数を抑制できる。これにより、配信装置１００は、処理負荷を軽減することができる。

〔２−１．生成処理〕
ここから、図３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３は、実施形態に係る生成処理の一例を示す図である。図３に示す例において、配信装置１００は、所定の対象として、ユーザのコンテンツへの関心を予測するモデルを生成する。また、配信装置１００は、生成したモデルを用いてユーザにコンテンツを配信するサービスを提供するが、この点については図４で説明する。なお、図３〜図５では、ユーザＵ１〜Ｕ４が各々端末装置１０−１〜１０−４を利用する場合を示す。また、端末装置１０−１〜１０−４を区別せずに説明する場合、端末装置１０と総称する。

図３に示すように、配信システム１には、端末装置１０と、配信装置１００とが含まれる。端末装置１０と、配信装置１００とは図示しない所定の通信網を介して、有線または無線により通信可能に接続される。なお、図３に示した配信システム１には、複数台の端末装置１０や、複数台の配信装置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３は、端末装置１０がスマートフォンである場合を示す。

また、端末装置１０は、ユーザによる操作を受け付ける。図３に示す例において、端末装置１０は、所定のアプリ（例えば、ブラウザ等）に表示するコンテンツを配信装置１００へ要求する。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。

配信装置１００は、コンテキストに基づいて分割された行動情報である分割情報が組み合わされた組合情報ごとに、所定の対象を予測するモデルを生成する情報処理装置である。また、配信装置１００は、モデルの予測精度に応じて、モデルに対応するユーザのコンテキストに関する情報、またはユーザのユーザ属性に関する情報を変更するかを判定する更新装置である。また、配信装置１００は、コンテンツの配信要求に応じてコンテンツを配信する配信サービスを提供する情報処理装置である。例えば、配信装置１００は、コンテンツの配信を要求した端末装置１０を利用するユーザに応じて、端末装置１０へコンテンツを配信する情報処理装置である。

図３では、配信装置１００は、各ユーザにコンテンツを配信し、配信したコンテンツに対する各ユーザの行動の有無を示す行動情報を収集する。例えば、配信装置１００は、ユーザＵ１〜Ｕ４にコンテンツを配信し、配信したコンテンツに対する各ユーザの行動の有無を示す行動情報を収集する。例えば、配信装置１００は、行動情報として、ユーザに配信したコンテンツ（例えば、コンテンツＣＮ１１）に対するユーザの行動（例えば、コンテンツのクリック）の有無を示す情報を収集する。

まず、配信装置１００は、ユーザＵ１が利用する端末装置１０−１にコンテンツを配信する（ステップＳ１１−１）。そして、配信装置１００は、配信したコンテンツに対するユーザＵ１の行動の有無を示す行動情報を端末装置１０−１から取得する（ステップＳ１２−１）。また、配信装置１００は、ユーザＵ２が利用する端末装置１０−２にコンテンツを配信する（ステップＳ１１−２）。そして、配信装置１００は、配信したコンテンツに対するユーザＵ２の行動の有無を示す行動情報を端末装置１０−２から取得する（ステップＳ１２−２）。また、配信装置１００は、ユーザＵ３が利用する端末装置１０−３にコンテンツを配信する（ステップＳ１１−３）。そして、配信装置１００は、配信したコンテンツに対するユーザＵ３の行動の有無を示す行動情報を端末装置１０−３から取得する（ステップＳ１２−３）。また、配信装置１００は、ユーザＵ４が利用する端末装置１０−４にコンテンツを配信する（ステップＳ１１−４）。そして、配信装置１００は、配信したコンテンツに対するユーザＵ４の行動の有無を示す行動情報を端末装置１０−４から取得する（ステップＳ１２−４）。

なお、ステップＳ１１−１〜Ｓ１１−４は、処理を説明するためのものであり、ステップＳ１１−１〜Ｓ１１−４のいずれが先に行われてもよく、各ステップＳ１１−１〜Ｓ１１−４は、複数回行われてもよい。以下、ステップＳ１１−１〜Ｓ１１−４を区別せずに説明する場合、ステップＳ１１と総称する。また、ステップＳ１２−１〜Ｓ１２−４は、処理を説明するためのものであり、各々が対応するステップＳ１１よりも後であれば、ステップＳ１２−１〜Ｓ１２−４のいずれが先に行われてもよく、各ステップＳ１２−１〜Ｓ１２−４は、複数回行われてもよい。以下、ステップＳ１２−１〜Ｓ１２−４を区別せずに説明する場合、ステップＳ１２と総称する。例えば、各ステップＳ１１が行われる度にステップＳ１２を行って行動情報を取得してもよい。また、例えば、各ステップＳ１１が複数回行われて、所定のタイミングでステップＳ１２を行って、行動情報を取得してもよい。

そして、配信装置１００は、ステップＳ１１〜Ｓ１２において収集した各ユーザの行動に関する情報を分割する（ステップＳ１３）。具体的には、配信装置１００は、収集した各ユーザの行動情報をコンテキストに基づいて分割する。

ここで、コンテキストは、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）を意味する。例えば、コンテキストは、ユーザによって端末装置１０が使われている状況や、端末装置１０を所持するユーザが置かれている状態に対応する情報である。すなわち、図３〜図５におけるコンテキストは、ユーザＵ１〜Ｕ４の状況、例えばユーザＵ１〜Ｕ４がいる場所の環境に対応する。具体的には、図３〜図５におけるコンテキストは、各ユーザにコンテンツが配信（表示）された際のユーザＵ１〜Ｕ４の状況に対応する。例えば、コンテキストは、コンテンツを配信した時刻や端末装置１０から取得したユーザの位置情報に基づいて推定してもよい。なお、各コンテキストは、排他的であってもよいし、重複してもよい。

また、図３〜図５では、説明を簡単にするため、時間帯と位置とに基づくコンテキストを示す。具体的には、図３〜図５の例におけるコンテキストは、朝（４〜１０時）、昼（１０〜１６時）、夜（１６〜２２時）、深夜（２２〜４時）の４つの時間帯と、家（自宅）またはオフィス（勤務地）の２つの位置とに基づく、８つのコンテキストＣＴ１１〜ＣＴ１８を示す。

ここで、図３中の分割情報記憶部１２３は、ステップＳ１３により各ユーザの行動情報がコンテキストごとに分割された状態を示す。分割情報記憶部１２３は、ユーザを行とし、コンテキストを列とした場合を示す。なお、分割情報記憶部１２３中の一のユーザと一のコンテキストとが交差する領域をマスとする。例えば、図３では、ユーザＵ４とコンテキストＣＴ１２とが交差する領域をマスＭＳ４２とする。なお、各マスの位置を区別せずに説明する場合は、マスＭＳとする場合がある。図３に示す各マスＭＳに含まれる情報は、ユーザに関する区分ごとのユーザの行動に関する行動情報がコンテキストに基づいて分割された分割情報である。また、分割情報記憶部１２３における行については、ユーザに限らずユーザに関する区分であれば、どのような粒度であってもよい。例えば、分割情報記憶部１２３における行は、ユーザに関する区分であるユーザ属性に基づく分類であってもよい。ここでいうユーザ属性に基づく分類とは、年齢、性別、興味等のユーザ属性に関する情報の類似性に基づく分類であってもよい。

例えば、ユーザＵ１とコンテキストＣＴ１１とが交差する位置のマスＭＳ（左上のマスＭＳ）には、行動ＡＴ１１、ＡＴ１２、ＡＴ１３等の行動の有無を示す分割情報が含まれる。例えば、ユーザＵ４とコンテキストＣＴ１８とが交差する位置のマスＭＳ（右下のマスＭＳ）には、行動ＡＴ４８、ＡＴ１１等の行動の有無を示す分割情報が含まれる。

また、分割情報記憶部１２３中の各マスＭＳ中の行動ＡＴ１１等の右側に示す「○」は、ユーザが対応する行動を行ったことを示す。また、分割情報記憶部１２３中の各マスＭＳ中の行動ＡＴ１１等の右側に示す「×」は、ユーザが対応する行動を行わなかったことを示す。例えば、ユーザＵ１とコンテキストＣＴ１１とが交差する位置のマスＭＳにおいて、行動ＡＴ１１は「○」であり、ユーザＵ１は、朝の家において行動ＡＴ１１を行ったことを示す。また、例えば、ユーザＵ１とコンテキストＣＴ１１とが交差する位置のマスＭＳにおいて、行動ＡＴ１２は「×」であり、ユーザＵ１は、朝の家において行動ＡＴ１２を行わなかったことを示す。また、例えば、ユーザＵ１とコンテキストＣＴ１１とが交差する位置のマスＭＳにおいて、行動ＡＴ１３は「○」であり、ユーザＵ１は、朝の家において行動ＡＴ１３を行ったことを示す。

そして、配信装置１００は、分割情報記憶部１２３中の各マスＭＳの分割情報を用いて、モデルを生成する（ステップＳ１４）。例えば、配信装置１００は、分割情報記憶部１２３中の各マスＭＳの分割情報をクラスタリングし、クラスタごとにモデルを生成する。例えば、配信装置１００は、ユーザのコンテンツへの関心を予測するモデルを生成する。

例えば、配信装置１００は、クラスタ数を設定しないクラスタリング手法によりクラスタリングを行ってもよい。また、例えば、配信装置１００は、クラスタ数を設定するクラスタリング手法によりクラスタリングを行ってもよい。例えば、配信装置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の手法を用いて、各マスＭＳの分割情報をクラスタリングし、クラスタごとの分割情報を用いてモデルを生成する。図３では、配信装置１００は、ディリクレ過程を用いたロジスティック回帰の手法を用いて、各マスＭＳの分割情報をクラスタリングし、クラスタごとの分割情報を用いてモデルを生成するものとして、以下説明する。なお、クラスタリング手法の詳細については後述する。

なお、配信装置１００は、所定量以上の分割情報を含むマスＭＳをステップＳ１４におけるモデル生成の対象としてもよい。例えば、配信装置１００は、分割情報が含まれないユーザＵ４のコンテキストＣＴ１７に対応するマスＭＳやユーザＵ２のコンテキストＣＴ１１に対応するマスＭＳは、クラスタリングの対象としない。また、例えば、配信装置１００は、所定量（例えば２つ）未満の分割情報しか含まれないユーザＵ１のコンテキストＣＴ１３、ＣＴ１８に対応するマスＭＳは、クラスタリングの対象としなくてもよい。

ステップＳ１４により、配信装置１００は、モデル情報ＭＤ１１を生成する。モデル情報ＭＤ１１には、クラスタ情報記憶部１２４に示すような各マスＭＳに含まれる分割情報のクラスタリングに関する情報が含まれる。また、モデル情報ＭＤ１１には、学習情報記憶部１２５に示すようなクラスタごとに生成されたモデルＭ１〜Ｍ６に関する情報が含まれる。

図３では、配信装置１００は、分割情報記憶部１２３中の各マスＭＳの分割情報を６つのクラスタ（クラスタ情報記憶部１２４中のＭ１〜Ｍ６）に分類する。なお、クラスタ情報記憶部１２４中のＭ１〜Ｍ６は、各分割情報が属するクラスタを示すとともに、生成されるモデルを示す。また、クラスタ情報記憶部１２４中のマスＭＳにおいて、Ｍ１〜Ｍ６の符号が図示されていないマスＭＳについては、所定の手法により生成されたモデルが割り当てられるものとする。例えば、配信装置１００は、クラスタ情報記憶部１２４中のモデルが割り当てられていないマスＭＳには、他のマスＭＳに割り当てられたモデルに基づいて、モデルを割り当ててもよい。例えば、配信装置１００は、モデルが割り当てられていないユーザＵ４のコンテキストＣＴ１５に対応するマスＭＳには、同じ２０代男性のユーザＵ１のコンテキストＣＴ１５に対応するマスＭＳに割り当てられたモデルＭ４を割り当ててもよい。

また、例えば、配信装置１００は、モデルが割り当てられていないユーザＵ４のコンテキストＣＴ１７に対応するマスＭＳには、同じ２０代のユーザＵ１やユーザＵ２のコンテキストＣＴ１７に対応するマスＭＳに割り当てられたモデルに基づくモデルを割り当ててもよい。この場合、配信装置１００は、ユーザＵ１のコンテキストＣＴ１７に対応するマスＭＳに割り当てられたモデルＭ２とユーザＵ２のコンテキストＣＴ１７に対応するマスＭＳに割り当てられたモデルＭ１とを合成したモデルを割り当ててもよい。例えば、配信装置１００は、ユーザＵ１のコンテキストＣＴ１７に対応するマスＭＳに割り当てられたモデルＭ２の各素性の重みとユーザＵ２のコンテキストＣＴ１７に対応するマスＭＳに割り当てられたモデルＭ１の各素性の重みとを所定の割合で合成したモデルを割り当ててもよい。例えば、配信装置１００は、ユーザＵ４のコンテキストＣＴ１７に対応するマスＭＳには、２０代男性のユーザＵ１のコンテキストＣＴ１７に対応するマスＭＳに割り当てられたモデルＭ２の方の比率を大きくしたモデルを割り当ててもよい。例えば、配信装置１００は、ユーザＵ４のコンテキストＣＴ１７に対応するマスＭＳには、モデルＭ１が０．３、モデルＭ２が０．７の比率で合成されたモデルＭ１−２を割り当ててもよい。すなわち、配信装置１００は、モデルＭ１の各素性の重みに０．３を乗算した重みと、モデルＭ２の各素性の重みに０．７を乗算した重みとを合算することにより生成したモデルＭ１−２を、ユーザＵ４のコンテキストＣＴ１７に対応するマスＭＳに割り当ててもよい。

図３では、配信装置１００は、ユーザＵ１のコンテキストＣＴ１１に対応するマスＭＳ、ユーザＵ２のコンテキストＣＴ１５に対応するマスＭＳ、ユーザＵ２のコンテキストＣＴ１７に対応するマスＭＳ、及びユーザＵ４のコンテキストＣＴ１３に対応するマスＭＳに含まれる分割情報を同じクラスタに分類する。また、配信装置１００は、上記４つのマスＭＳに含まれる分割情報を組み合わせた組合情報を用いて、モデルＭ１を生成したことを示す。また、学習情報記憶部１２５に示すように、モデルＭ１に関するモデル情報は、素性１の重みが「０．５」、素性２の重みが「−０．４」、素性３の重みが「０．２」等であることを示す。なお、素性は、配信装置１００の管理者等が設定してもよいし、モデル生成の処理において抽出されてもよい。例えば、素性は、「経済」や「スマホ」や「サッカー」等の文字列（キーワード）であってもよい。また、各モデルの素性は、同じであってもよいし、異なってもよい。

また、配信装置１００は、ユーザＵ１のコンテキストＣＴ１２、ＣＴ１７に対応するマスＭＳ、ユーザＵ２のコンテキストＣＴ１４に対応するマスＭＳ、及びユーザＵ３のコンテキストＣＴ１２に対応するマスＭＳに含まれる分割情報を同じクラスタに分類する。また、配信装置１００は、上記４つのマスＭＳに含まれる分割情報を組み合わせた組合情報を用いて、モデルＭ２を生成したことを示す。また、学習情報記憶部１２５に示すように、モデルＭ２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「２．１」、素性３の重みが「−０．２」等であることを示す。

このように、図３では、配信装置１００は、分割情報記憶部１２３中の各マスＭＳの分割情報を６つのクラスタ（組合情報）に分類し、各クラスタ（組合情報）に含まれる情報を用いてモデルＭ１〜Ｍ６を生成する。

上述したように、配信装置１００は、コンテキストに基づいて各区分の行動情報を分割しても、区分間を跨ぐクラスタリングを行うことにより、各モデルの生成に用いられる情報量が不足することを抑制することができる。また、配信装置１００は、区分とコンテキストとに基づいて分割された情報をクラスタリングすることにより、各区分の各コンテキストに応じて適切なモデルを生成することができる。したがって、配信装置１００は、モデルを用いて所定の対象を適切に予測可能にすることができる。

なお、図３では、行動情報として、配信したコンテンツへのユーザの行動の有無に関する情報を用いる例を示したが、行動情報はユーザが行う行動であって、収集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、行動情報はユーザの電子商取引に関する情報であってもよいし、配信された広告に関する行動（例えば、クリックやコンバージョン等）であってもよい。また、位置は、家（自宅）やオフィス（勤務地）に限らず、通勤時の経由地やよく行く場所や移動中など種々の情報であってもよい。

〔２−２−１．配信処理（変更前）〕
次に、図４を用いて、実施形態に係る配信処理の一例について説明する。図４は、実施形態に係る更新処理前の配信処理の一例を示す図である。例えば、図４は、更新処理前の第１時点における配信処理の一例を示す図である。図４は、ユーザがユーザＵ１である場合を示す。なお、図４では、配信装置１００がユーザＵ１のユーザ属性に関するユーザ情報を取得済みであり、行動履歴等のユーザ情報を取得済みである場合を例に説明する。

まず、配信装置１００は、ユーザＵ１が利用する端末装置１０−１からコンテンツの配信要求を取得する（ステップＳ１５）。図４では、端末装置１０−１は、ステップＳ１５において、ユーザＵ１を識別する情報（例えば、ログインＩＤ等）や端末装置１０−１の場所を示す位置情報等を配信装置１００に送信する。なお、端末装置１０は、ＧＰＳ（Global Positioning System）センサ等により位置情報を取得する。図４では、ステップＳ１５は、時間が朝９時であり、端末装置１０−１の場所（位置）が位置ＬＣ１２−１である状況において行われたものとする。なお、位置を示す情報でありハイフン（“−”）が付された位置ＬＣ１２−１等は、位置ＬＣ１２から所定の範囲内の位置情報を意味する。また、位置ＬＣ１１−１、ＬＣ１１−２等（図８参照）は、位置ＬＣ１１から所定の範囲内の位置情報を意味する。すなわち、位置ＬＣ１２−１が、ユーザＵ１の位置情報を示す場合、ユーザＵ１は、位置ＬＣ１２にある勤務地にいるものと推定される。

端末装置１０−１からコンテンツの配信要求を取得した配信装置１００は、端末装置１０−１へ配信するコンテンツを決定するモデルを決定する（ステップＳ１６）。配信装置１００は、端末装置１０−１から取得したユーザＵ１を識別する情報により、配信要求元がユーザＵ１であると推定する。そして、配信装置１００は、ユーザ情報記憶部１２１に記憶されたユーザＵ１のユーザ情報と端末装置１０−１の位置ＬＣ１２−１とに基づいて、ユーザＵ１がいる場所を推定する。図４では、ユーザ情報記憶部１２１に示すようにユーザＵ１の勤務地が位置ＬＣ１２であり、端末装置１０−１の位置が位置ＬＣ１２−１であるため、配信装置１００は、ユーザＵ１がオフィス（勤務地）にいると推定する。

そして、配信装置１００は、ステップＳ１５において配信要求がされた時間が朝９時であるため、コンテキストを朝のオフィスに対応するコンテキストＣＴ１２と推定する。その後、配信装置１００は、学習情報記憶部１２５中のユーザＵ１及びコンテキストＣＴ１２に対応するマスＭＳに記憶されたモデルＭ２を示す情報に基づいて、配信するコンテンツの決定に用いるモデルをモデルＭ２に決定する。

例えば、配信装置１００は、決定したモデルＭ２を用いて、コンテンツ情報記憶部１２６（図１２参照）に記憶された各コンテンツのスコアを算出する。具体的には、配信装置１００は、コンテンツ情報記憶部１２６に記憶された各コンテンツＣＮ１１（記事Ａ）〜コンテンツＣＮ１８（記事Ｈ）等のタイトルや記事本文等の文字情報や画像情報とモデルＭ２とを用いて、各コンテンツＣＮ１１〜ＣＮ１８等のスコアを算出する。図４では、配信装置１００は、コンテンツ一覧ＣＬ１１に示すような各コンテンツＣＮ１１〜ＣＮ１８等のスコアを算出する。例えば、配信装置１００は、記事ＡであるコンテンツＣＮ１１のスコアを「３．６」と算出する。また、例えば、配信装置１００は、記事ＢであるコンテンツＣＮ１２のスコアを「２．５」と算出する。

そして、配信装置１００は、コンテンツ一覧ＣＬ１１に示すスコアに基づいて各コンテンツＣＮ１１〜ＣＮ１８等の順位を決定する（ステップＳ１７）。図４では、配信装置１００は、コンテンツ一覧ＣＬ１１に示すスコアが高い方から順に各コンテンツＣＮ１１〜ＣＮ１８等の順位を決定する。具体的には、配信装置１００は、スコアの最も高いコンテンツＣＮ１５である記事Ｅの順位を１位に決定する。また、配信装置１００は、記事Ｅの次にスコアの高いコンテンツＣＮ１７である記事Ｇの順位を２位に決定する。これにより、配信装置１００は、順位一覧ＬＬ１１に示すように、順位１位が記事Ｅであり、順位２位が記事Ｇであり、順位３位が記事Ａであり、順位４位が記事Ｆであると決定する。

その後、配信装置１００は、順位一覧ＬＬ１１に示すコンテンツを端末装置１０−１へ配信する（ステップＳ１８）。具体的には、記事Ｅ、記事Ｇ、記事Ａ、記事Ｆ、等の順で表示されるコンテンツを端末装置１０−１へ配信する。そして、順位一覧ＬＬ１１に示すコンテンツを受信した端末装置１０−１は、コンテンツを表示する（ステップＳ１９）。図４では、端末装置１０−１は、順位一覧ＬＬ１１に示すコンテンツのうち順位が上位のコンテンツである記事Ｅ、記事Ｇ、記事Ａ、記事Ｆを表示する。なお、端末装置１０−１を利用するユーザＵ１は、端末装置１０−１の画面にタッチしスクロール操作等を行うことにより、記事Ｆから下の記事Ｂ、記事Ｈ等を順次表示させる。なお、ユーザＵ１は、端末装置１０−１に表示された記事Ｅ、記事Ｇ、記事Ａ、記事Ｆを選択（クリック）しなかった、すなわち、ユーザＵ１のコンテキストＣＴ１２においてモデルＭ２を用いた予測精度が低いものとして、以下説明する。

〔２−２−２．配信処理（変更後）〕
次に、図５を用いて、実施形態に係る配信処理の一例について説明する。図５は、実施形態に係る更新処理後の配信処理の一例を示す図である。例えば、図５は、更新処理後の第２時点における配信処理の一例を示す図である。具体的には、図５は、図４に示す学習情報記憶部１２５におけるモデルＭ２の重みを更新した学習情報記憶部１２５−２を用いてコンテンツ配信を行う場合を示す。なお、図５中の学習情報記憶部１２５−１は、図１中の重み情報一覧ＷＬ１−１に対応し、モデルＭ２の重みを更新前の状態を示し、図５中の学習情報記憶部１２５−２は、図１中の重み情報一覧ＷＬ１−２に対応し、モデルＭ２の重みを更新後の状態を示す。

図５中に示すモデル情報ＭＤ１２には、クラスタ情報記憶部１２４に示すような各マスＭＳに含まれる分割情報のクラスタリングに関する情報が含まれる。また、ステップＳ２１前においては、モデル情報ＭＤ１２には、学習情報記憶部１２５−１に示すようなクラスタごとに生成されたモデルＭ１〜Ｍ６に関する情報が含まれる。

まず、配信装置１００は、モデルＭ２の重みを更新する（ステップＳ２１）。例えば、配信装置１００は、図１に示す例のように、モデルＭ２の予測精度が低下したことにより、モデルＭ２の重みを更新する。これにより、ステップＳ２１後においては、モデル情報ＭＤ１２には、学習情報記憶部１２５−２に示すようなモデルＭ２の重みが更新された情報が含まれる。

次に、配信装置１００は、ユーザＵ１が利用する端末装置１０−１からコンテンツの配信要求を取得する（ステップＳ２２）。図５では、ステップＳ２２は、時間が朝９時であり、端末装置１０−１の場所（位置）が位置ＬＣ１２−２である状況において行われたものとする。

端末装置１０−１からコンテンツの配信要求を取得した配信装置１００は、端末装置１０−１へ配信するコンテンツを決定するモデルを決定する（ステップＳ２３）。配信装置１００は、端末装置１０−１から取得したユーザＵ１を識別する情報により、配信要求元がユーザＵ１であると推定する。そして、配信装置１００は、ユーザ情報記憶部１２１に記憶されたユーザＵ１のユーザ情報と端末装置１０−１の位置ＬＣ１２−２とに基づいて、ユーザＵ１がいる場所を推定する。図５では、ユーザ情報記憶部１２１に示すようにユーザＵ１の勤務地が位置ＬＣ１２であり、端末装置１０−１の位置が位置ＬＣ１２−２であるため、配信装置１００は、ユーザＵ１がオフィス（勤務地）にいると推定する。

そして、配信装置１００は、ステップＳ２１において配信要求がされた時間が朝９時であるため、コンテキストを朝のオフィスに対応するコンテキストＣＴ１２と推定する。その後、配信装置１００は、ステップＳ２１における重み更新後の学習情報記憶部１２５−２中のユーザＵ１及びコンテキストＣＴ１２に対応するマスＭＳに記憶されたモデルＭ２を示す情報に基づいて、配信するコンテンツの決定に用いるモデルをモデルＭ２に決定する。

例えば、配信装置１００は、決定したモデルＭ２を用いて、コンテンツ情報記憶部１２６に記憶された各コンテンツのスコアを算出する。図５では、配信装置１００は、コンテンツ一覧ＣＬ１２に示すような各コンテンツＣＮ１１〜ＣＮ１８等のスコアを算出する。例えば、配信装置１００は、記事ＡであるコンテンツＣＮ１１のスコアを「１．２」と算出する。また、例えば、配信装置１００は、記事ＢであるコンテンツＣＮ１２のスコアを「３．２」と算出する。

そして、配信装置１００は、コンテンツ一覧ＣＬ１２に示すスコアに基づいて各コンテンツＣＮ１１〜ＣＮ１８等の順位を決定する（ステップＳ２４）。図５では、配信装置１００は、コンテンツ一覧ＣＬ１２に示すスコアが高い方から順に各コンテンツＣＮ１１〜ＣＮ１８等の順位を決定する。具体的には、配信装置１００は、スコアの最も高いコンテンツＣＮ１４である記事Ｄの順位を１位に決定する。また、配信装置１００は、記事Ｄの次にスコアの高いコンテンツＣＮ１６である記事Ｆの順位を２位に決定する。これにより、配信装置１００は、順位一覧ＬＬ１２に示すように、順位１位が記事Ｄであり、順位２位が記事Ｆであり、順位３位が記事Ｇであり、順位４位が記事Ｂであると決定する。

その後、配信装置１００は、順位一覧ＬＬ１２に示すコンテンツを端末装置１０−１へ配信する（ステップＳ２５）。具体的には、記事Ｄ、記事Ｆ、記事Ｇ、記事Ｂ等の順で表示されるコンテンツを端末装置１０−１へ配信する。そして、順位一覧ＬＬ１２に示すコンテンツを受信した端末装置１０−１は、コンテンツを表示する（ステップＳ２６）。図５では、端末装置１０−１は、順位一覧ＬＬ１２に示すコンテンツのうち順位が上位のコンテンツである記事Ｄ、記事Ｆ、記事Ｇ、記事Ｂを表示する。

上述したように、配信装置１００は、配信要求を取得した際のコンテキストに応じて、モデルを決定する。そして、配信装置１００は、決定したモデルを用いて算出したコンテンツのスコアに基づいて、コンテンツの順位を決定する。これにより、配信装置１００は、ユーザと配信要求時のコンテキストとに応じて適切なコンテンツを配信することができる。したがって、配信装置１００は、適切なコンテンツを抽出することができる。なお、上記の例では、配信装置１００がユーザのコンテキストに基づいて選択したモデルを用いて各コンテンツのスコアを算出し、算出した各コンテンツのスコアが高い方から順に順位付けを行う場合を示した。このように、上述した例では、配信装置１００は、ユーザが対応するコンテキストにおいて、各コンテンツを閲覧する可能性を連続的な数値（スコア）として算出するモデルを用いる場合を示した。すなわち、上記例では、配信装置１００がユーザのコンテキストに基づいて選択したモデルを用いて算出した各コンテンツのスコアが高い程、そのコンテンツが閲覧される可能性が高いと予測する場合を示したが、配信装置１００は、選択したモデルを用いてどのような予測を行ってもよい。

例えば、配信装置１００は、所定の閾値以上のスコアのコンテンツをユーザが閲覧すると予測し、所定の閾値未満のスコアのコンテンツをユーザが閲覧しないと予測してもよい。このように、配信装置１００は、コンテキストに基づいて選択したモデルを用いて算出した各コンテンツのスコアにより、ユーザがコンテンツの閲覧をする（例えば、値「１」）かしない（例えば、値「０」）かの２値の予測を行ってもよい。なお、配信装置１００は、２値の予測に限らず、連続値や離散値を予測するモデルを生成し、生成したモデルに基づいて、連続値や離散値を予測してもよい。例えば、配信装置１００は、値が「０」及び「１」の２値に限らず、３値以上の値を取り扱う、いわゆるマルチラベル問題に対応する予測を行ってもよい。例えば、配信装置１００は、ユーザのコンテンツの閲覧の有無の２段階ではなく、３以上の段階のいずれの段階にユーザがあるかを予測してもよい。例えば、配信装置１００は、複数の閾値を用いて、コンテンツをユーザが閲覧する可能性がいずれの段階であるかを予測してもよい。具体的には、予測装置１００は、第１の閾値と、第１の閾値よりも小さい第２の閾値を用いて、スコアが第１の閾値以上の場合、コンテンツをユーザが閲覧する可能性が高いと判定し、スコアが第１の閾値未満であり第２の閾値以上の場合、コンテンツをユーザが閲覧する可能性が中程度であると判定し、スコアが第２の閾値未満の場合、コンテンツをユーザが閲覧する可能性が低いと予測してもよい。また、例えば、配信装置１００は、反応回数を予測したり、所定の対象のスコアを予測したりするモデルを生成し、生成したモデルに基づいて予測を行ってもよい。すなわち、配信装置１００がユーザのコンテキストに基づいて選択したモデルを用いて、どのような予測を行ってもよい。また、配信装置１００は、上述のように予測を行う対象に応じてモデルを生成してもよい。

〔３．配信装置の構成〕
次に、図６を用いて、実施形態に係る配信装置１００の構成について説明する。図６は、実施形態に係る配信装置の構成例を示す図である。図６に示すように、配信装置１００は、通信部１１０と、記憶部１２０と、制御部１３０とを有する。なお、配信装置１００は、配信装置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６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、分割情報記憶部１２３と、クラスタ情報記憶部１２４と、学習情報記憶部１２５と、コンテンツ情報記憶部１２６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、ユーザ属性に関する各種情報を記憶する。図７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７に示すユーザ情報記憶部１２１は、「ユーザＩＤ」、「年齢」、「性別」、「自宅」、「勤務地」、「興味」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３の例に示したユーザＵ１に対応する。また、「年齢」は、ユーザＩＤにより識別され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。また、「性別」は、ユーザＩＤにより識別されるユーザの性別を示す。

また、「自宅」は、ユーザＩＤにより識別されるユーザの自宅の位置情報を示す。なお、図７に示す例では、「自宅」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、「自宅」は、地域名や住所であってもよい。

また、「勤務地」は、ユーザＩＤにより識別されるユーザの勤務地の位置情報を示す。なお、図７に示す例では、「勤務地」は、「ＬＣ１２」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、「勤務地」は、地域名や住所であってもよい。

また、「興味」は、ユーザＩＤにより識別されるユーザの興味を示す。すなわち、「興味」は、ユーザＩＤにより識別されるユーザが関心の高い対象を示す。なお、図７に示す例では、「興味」は、各ユーザに１つずつ図示するが、複数であってもよい。

例えば、図７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、性別は、「男性」であることを示す。また、例えば、ユーザＩＤ「Ｕ１」により識別されるユーザは、自宅が「ＬＣ１１」であることを示す。また、例えば、ユーザＩＤ「Ｕ１」により識別されるユーザは、勤務地が「ＬＣ１２」であることを示す。また、例えば、ユーザＩＤ「Ｕ１」により識別されるユーザは、「スポーツ」に興味があることを示す。

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、氏名、家族構成、収入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８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８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、「行動内容」、「有無」といった項目が含まれる。また、「状況」には、「時刻」、「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３の例に示したユーザＵ１に対応する。また、「行動」は、対応するユーザの行動に関する情報を示す。また、「状況」は、対応するユーザの状況に関する情報を示す。

「行動内容」は、各行動を識別するための識別情報を示す。例えば、行動内容「ＡＴ１１」により識別される行動（行動ＡＴ１１）は、ユーザに配信したコンテンツ（例えば、コンテンツＣＮ１１）に対するユーザの行動（例えば、コンテンツのクリック）に対応する。なお、「行動内容」は、識別情報に限らず、具体的な行動内容が記憶されてもよい。また、「有無」は、対応する行動内容の有無を示す。「有無」が「１」の場合、ユーザが対応する行動を行ったことを示す。また、「有無」が「０」の場合、ユーザが対応する行動を行わなかったことを示す。

「時刻」は、各行動に関する時刻を示す。時刻「ＴＭ１１」は、行動ＡＴ１１に関する時刻を示す。例えば、時刻「ＴＭ１１」は、ユーザにコンテンツ（例えば、コンテンツＣＮ１１）が配信された時刻であってもよい。また、例えば、時刻「ＴＭ１１」は、ユーザに配信したコンテンツ（例えば、コンテンツＣＮ１１）をユーザがクリックした時刻であってもよい。有無「０」である行動内容「ＡＴ１２」により識別される行動（行動ＡＴ１２）に関する時刻「ＴＭ１２」は、例えば、ユーザにコンテンツが配信された時刻であってもよい。また、例えば、時刻「ＴＭ１２」は、ユーザにコンテンツが配信されてからクリックされずに所定の時間が経過した後の時刻であってもよい。

また、「位置」は、各行動に関する位置を示す。位置「ＬＣ１１−１」は、行動ＡＴ１１に関する位置を示す。例えば、位置「ＬＣ１１−１」は、ユーザがコンテンツの配信を要求したときの位置情報であってもよい。また、例えば、位置「ＬＣ１１−１」は、ユーザが配信されたコンテンツをクリックしたときの位置情報であってもよい。

例えば、図８に示す例において、ユーザＩＤ「Ｕ１」により識別されるユーザは、行動内容「ＡＴ１３」により識別される行動（行動ＡＴ１３）が有無「１」であり、行動ＡＴ１３を行ったことを示す。また、ユーザＩＤ「Ｕ１」により識別されるユーザは、行動ＡＴ１３に関する時刻が時刻「ＴＭ１３」であり、位置が位置「ＬＣ１１−３」であることを示す。

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、コンテンツが配信されてから、ユーザが行動するまでの時間に関する情報を記憶してもよい。また、図８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、例えば時刻順に記憶されてもよい。

（分割情報記憶部１２３）
実施形態に係る分割情報記憶部１２３は、分割情報に関する各種情報を記憶する。図９は、実施形態に係る分割情報記憶部の一例を示す図である。図９に示す分割情報記憶部１２３は、「区分」と「コンテキスト」に基づいて分割された行動情報が記憶される。具体的には、ユーザの「区分」ごとに、各「コンテキスト」に対応する行動情報が記憶される。例えば、分割情報記憶部１２３に記憶される情報は、行動情報記憶部１２２に記憶された行動情報から生成される。

「区分」は、ユーザに関する区分を示す。図９では、ユーザＵ１〜Ｕ４、すなわち各ユーザが区分である場合を示す。なお、「区分」は、各ユーザに限らず抽象化されたユーザ分類等であってもよいが、この点については後述する。また、「コンテキスト」は、コンテキストを示す。図９では、説明を簡単にするため、時間帯と位置とに基づくコンテキストを示す。具体的には、「コンテキスト」は、朝（４〜１０時）、昼（１０〜１６時）、夜（１６〜２２時）、深夜（２２〜４時）の４つの時間帯と、家（自宅）またはオフィス（勤務地）の２つの位置とに基づく、８つのコンテキストＣＴ１１〜ＣＴ１８を示す。なお、図９に示す各マス中の「ＡＴ１１」等の行動内容の右側に示す「○」は、有無の「１」に対応し、「×」は、有無の「０」に対応する。すなわち、「○」の場合、ユーザが対応する行動を行ったことを示す。また、「×」の場合、ユーザが対応する行動を行わなかったことを示す。

例えば、図９に示す例において、ユーザＵ１は、コンテキストＣＴ１１において、行動ＡＴ１１が「○」であり、時間帯「朝」に家（自宅）で行動ＡＴ１１を行ったことを示す。また、ユーザＵ１は、コンテキストＣＴ１２において、行動ＡＴ１１が「×」であり、時間帯「朝」にオフィス（勤務地）で行動ＡＴ１１を行わなかったことを示す。

なお、分割情報記憶部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。また、図９では、説明のために、分割情報記憶部１２３に各行動情報の行動内容及び有無に関する情報を記憶する場合を図示したが、分割情報記憶部１２３は、行動情報記憶部１２２に記憶された行動情報がどのマスに対応するかに関する情報を記憶してもよい。

（クラスタ情報記憶部１２４）
実施形態に係るクラスタ情報記憶部１２４は、各分割情報の組合せに関する各種情報を記憶する。図１０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１０に示すクラスタ情報記憶部１２４は、図９中の分割情報記憶部１２３に示す各マスの分割情報がどのように組み合わされたかを示す情報と各組合せに対応するモデルを識別する情報が記憶される。具体的には、ユーザの「区分」と「コンテキスト」とによる各マスに対応するモデルを識別する情報が記憶される。例えば、クラスタ情報記憶部１２４に記憶される情報は、モデルを生成する処理により生成される。

「区分」は、ユーザに関する区分を示す。図１０では、図９と同様に、ユーザＵ１〜Ｕ４、すなわち各ユーザが区分である場合を示す。また、「コンテキスト」は、コンテキストを示す。図１０では、図９と同様に、時間帯と位置とに基づくコンテキストを示す。具体的には、「コンテキスト」は、朝（４〜１０時）、昼（１０〜１６時）、夜（１６〜２２時）、深夜（２２〜４時）の４つの時間帯と、家（自宅）またはオフィス（勤務地）の２つの位置とに基づく、８つのコンテキストＣＴ１１〜ＣＴ１８を示す。なお、図１０に示す各マス中の「Ｍ１」や「Ｍ２」等は、同じ符号が記憶されたマスの分割情報を組み合わせた組合情報により生成されたモデルを識別する情報を示す。

例えば、図１０に示す例において、「Ｍ１」により識別されるモデル（以下、「モデルＭ１」とする場合がある。他の「Ｍ２」〜「Ｍ６」についても同様）は、ユーザＵ１のコンテキストＣＴ１１に対応するマスＭＳ、ユーザＵ２のコンテキストＣＴ１５に対応するマスＭＳ、ユーザＵ２のコンテキストＣＴ１７に対応するマスＭＳ、及びユーザＵ４のコンテキストＣＴ１３に対応するマスＭＳに含まれる分割情報を組み合わせた組合情報から生成されたことを示す。また、例えば、モデルＭ２は、ユーザＵ１のコンテキストＣＴ１２、ＣＴ１７に対応するマスＭＳ、ユーザＵ２のコンテキストＣＴ１４に対応するマスＭＳ、及びユーザＵ３のコンテキストＣＴ１２に対応するマスＭＳに含まれる分割情報を組み合わせた組合情報から生成されたことを示す。

なお、クラスタ情報記憶部１２４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。

（学習情報記憶部１２５）
実施形態に係る学習情報記憶部１２５は、学習に関する情報を記憶する。例えば、学習情報記憶部１２５は、生成処理により生成されたモデル情報を記憶する。図１１は、実施形態に係る学習情報記憶部の一例を示す図である。図１１に示す学習情報記憶部１２５は、モデル情報として、各モデルＭ１〜Ｍ６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１１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「０．５」、素性２の重みが「−０．４」、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、学習情報記憶部１２５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。

（コンテンツ情報記憶部１２６）
実施形態に係るコンテンツ情報記憶部１２６は、コンテンツ（記事）に関する各種情報を記憶する。図１２は、実施形態に係るコンテンツ情報記憶部の一例を示す図である。図１２に示すコンテンツ情報記憶部１２６は、「コンテンツＩＤ」、「コンテンツ」、「カテゴリ」といった項目を有する。

「コンテンツＩＤ」は、コンテンツを識別するための識別情報を示す。「コンテンツ」は、いわゆるコンテンツプロバイダ等の提供元から取得したコンテンツである記事を示す。図１２では「コンテンツ」に「記事Ａ」といった概念的な情報が格納される例を示したが、実際には、文字情報や文字情報と画像との組合せ、または、これらの格納場所を示すファイルパス名などが格納される。また、「カテゴリ」は、コンテンツの内容に基づく分類情報を示す。

例えば、図１２に示す例において、コンテンツＩＤ「ＣＮ１１」により識別される記事Ａ（コンテンツＣＮ１１）は、カテゴリ「経済」に分類されることを示す。また、図１２に示す例において、コンテンツＩＤ「ＣＮ１２」により識別される記事Ｂ（コンテンツＣＮ１２）は、カテゴリ「スポーツ」に分類されることを示す。

なお、コンテンツ情報記憶部１２６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、コンテンツ情報記憶部１２６は、コンテンツを取得した日時やコンテンツが作成された日時に関する情報を記憶してもよい。コンテンツ情報記憶部１２６は、各提供元の評価値に関する情報を記憶してもよい。また、コンテンツ情報記憶部１２６は、コンテンツの提供元を識別するための識別情報を記憶してもよい。また、コンテンツ情報記憶部１２６は、各モデルにより算出されたコンテンツのスコアを記憶してもよい。

（制御部１３０）
図６の説明に戻って、制御部１３０は、例えば、ＣＰＵ（Central Processing Unit）やＭＰＵ（Micro Processing Unit）等によって、配信装置１００内部の記憶装置に記憶されている各種プログラム（配信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、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６に示すように、制御部１３０は、取得部１３１と、推定部１３２と、生成部１３３と、決定部１３４と、更新部１３５と、配信部１３６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６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。また、制御部１３０が有する各処理部の接続関係は、図６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。

（取得部１３１）
取得部１３１は、ユーザの行動情報を取得する。取得部１３１は、ユーザが利用する端末装置１０からユーザの行動情報を取得する。また、取得部１３１は、ユーザに関するユーザ情報を取得する。また、取得部１３１は、ユーザに関する区分ごとのユーザの行動に関する行動情報であって、コンテキストに基づいて分割された行動情報である分割情報を取得する。例えば、取得部１３１は、分割情報記憶部１２３から分割情報を取得する。また、取得部１３１は、区分として、ユーザ、またはユーザ属性に基づく分類ごとのユーザの行動に関する行動情報が、コンテキストに基づいて分割された分割情報を取得する。

また、取得部１３１は、端末装置１０からコンテンツの配信要求を取得する。また、取得部１３１は、ユーザを識別する情報（例えば、ログインＩＤや端末識別情報等）や端末装置１０の位置情報等を取得する。また、取得部１３１は、区分として、ユーザ、またはユーザ属性に基づく分類ごとのユーザの行動に関する行動情報が、コンテキストに基づいて分割された分割情報を取得する。また、取得部１３１は、所定の対象として、コンテンツへの関心を予測するモデルに関する情報を取得する。

また、取得部１３１は、ユーザに関する区分ごとの行動に関する行動情報であって、コンテキストに基づいて分割された行動情報である分割情報が、当該分割情報の各々に含まれる行動情報の傾向に基づいて組み合わされた情報である組合情報ごとに生成されるモデルであって、所定の対象を予測するモデルに関する情報を取得する。例えば、取得部１３１は、クラスタ情報記憶部１２４や学習情報記憶部１２５からモデルに関する情報を取得する。また、取得部１３１は、ユーザが新規ユーザである場合、新規ユーザのユーザ属性に類似する他のユーザにおけるコンテキストごとのモデルの割当てに対応して新規ユーザに割り当てられたモデルに関する情報を取得する。

（推定部１３２）
推定部１３２は、取得した各種情報から種々の情報を推定する。例えば、推定部１３２は、コンテンツを配信した時刻や端末装置１０から取得したユーザの位置情報に基づいて種々の情報を推定する。例えば、推定部１３２は、端末装置１０から取得したユーザを識別する情報により、配信要求元のユーザを推定する。例えば、推定部１３２は、ユーザ情報記憶部１２１に記憶されたユーザのユーザ情報と端末装置１０の位置とに基づいて、ユーザがいる場所を推定する。図４では、推定部１３２は、ユーザ情報記憶部１２１に示すようにユーザＵ１の勤務地が位置ＬＣ１２であり、端末装置１０−１の位置が位置ＬＣ１２−１であるため、ユーザＵ１がオフィス（勤務地）にいると推定する。また、図４では、推定部１３２は、配信要求がされた時間が朝９時であるため、コンテキストを朝のオフィスに対応するコンテキストＣＴ１２と推定する。

また、推定部１３２は、一の区分がユーザである場合において、ユーザの各分割情報が含まれる組合情報と、他の区分の各分割情報が含まれる組合情報との類似度に基づいて、ユーザのユーザ属性を推定する。

（生成部１３３）
生成部１３３は、各分割情報に含まれる行動情報の傾向に基づいて組み合わされた分割情報である組合情報ごとに、所定の対象を予測するモデルを生成する。例えば、図３では、ユーザＵ１とコンテキストＣＴ１１とが交差する位置のマスＭＳ、及びユーザＵ４とコンテキストＣＴ１３とが交差する位置のマスＭＳが同じクラスタに分類される。ユーザＵ１とコンテキストＣＴ１１とが交差する位置のマスＭＳ、及びユーザＵ４とコンテキストＣＴ１３とが交差する位置のマスＭＳは、ともに行動ＡＴ１１が「○」である分割情報が含まれる。ユーザＵ１とコンテキストＣＴ１１とが交差する位置のマスＭＳ、及びユーザＵ４とコンテキストＣＴ１３とが交差する位置のマスＭＳには、同じ傾向を示す分割情報が含まれる。そして、生成部１３３は、ユーザＵ１とコンテキストＣＴ１１とが交差する位置のマスＭＳの分割情報、及びユーザＵ４とコンテキストＣＴ１３とが交差する位置のマスＭＳの分割情報を含む組合情報を用いてモデルＭ１を生成する。

生成部１３３は、収集されたユーザの行動に関する行動情報を、コンテキストに基づいて分割することにより、分割情報を生成してもよい。また、生成部１３３は、生成した分割情報を分割情報記憶部１２３に記憶させてもよい。例えば、生成部１３３は、収集した各ユーザの行動に関する情報を分割してもよい。例えば、生成部１３３は、収集した各ユーザの行動情報を、推定部１３２により推定されたコンテキストに基づいて分割する。

また、生成部１３３は、組合情報に含まれる分割情報の各々に対応するコンテキストにおける当該分割情報に対応する区分に含まれるユーザに関する所定の対象を予測するモデルを生成する。生成部１３３は、区分間を跨ぐ組み合わせを含む組合情報ごとに、所定の対象を予測するモデルを生成する。例えば、生成部１３３は、ユーザＵ２とコンテキストＣＴ１２とが交差する位置のマスＭＳの分割情報、及びユーザＵ４とコンテキストＣＴ１４とが交差する位置のマスＭＳの分割情報を含む組合情報を用いてモデルＭ６を生成する。すなわち、生成部１３３は、ユーザＵ２とユーザＵ４との区分間を跨ぐ組合情報を用いてモデルＭ６を生成する。

例えば、生成部１３３は、組合情報に含まれる各分割情報に対応するユーザの分類及びコンテキストの組合せにおける所定の対象の予測精度が高くなるように分割情報が組み合わされた組合情報ごとに、所定の対象を予測するモデルを生成する。例えば、生成部１３３は、各分割情報に含まれる行動情報が類似する分割情報が組み合わされた組合情報ごとに、所定の対象を予測するモデルを生成する。例えば、生成部１３３は、所定の対象として、ユーザのコンテンツへの関心を予測するモデルを生成する。

例えば、生成部１３３は、組合情報の数が所定数になる手法により分割情報が組み合わされた組合情報ごとに、所定の対象を予測するモデルを生成する。例えば、生成部１３３は、ｋ−ｍｅａｎｓ法を用いて分割情報が組み合わされた組合情報ごとにモデルを生成する。この場合、生成部１３３は、決定部１３４により決定（設定）されたクラスタ数（組合情報数）になるように、分割情報を組み合わせて組合情報を生成し、組合情報ごとにモデルを生成する。

例えば、生成部１３３は、組合情報の数が変動し得る手法により分割情報が組み合わされた組合情報ごとに、所定の対象を予測するモデルを生成する。例えば、生成部１３３は、ディリクレ過程を用いたロジスティック回帰の手法を用いて分割情報が組み合わされた組合情報ごとにモデルを生成する。例えば、生成部１３３は、分割情報を順次組み合わせていくことにより、組合情報を生成し、組合情報ごとにモデルを生成する。

例えば、生成部１３３は、複数の分割情報を組み合わせた組合情報を生成し、その組合情報に対してモデルを生成する。例えば、生成部１３３は、ランダムに複数の分割情報を選択して組合情報を生成し、その組合情報に対してモデルを生成する。そして、生成部１３３は、生成したモデルの予測精度を検証する。ここでいう予測精度とは、ユーザの行動の有無を予測できる確率をいう。例えば、ここでいう予測精度とは、モデルを用いた場合において、行動情報において「○」であったコンテンツについて、所定のスコア以上が算出される確率をいう。そして、生成部１３３は、生成したモデルの予測精度が所定の閾値以上である場合、その組み合わせを維持して、さらに分割情報を組み合わせる処理を行ってもよい。また、生成部１３３は、ペナルティ項等の所定のハイパーパラメータを用いてもよい。例えば、生成部１３３は、クラスタ数が少なくなるほど値が小さくなるペナルティ項を用いてもよい。例えば、生成部１３３は、モデルの予測精度からクラスタ数に所定の係数を乗算した値を減算することにより算出される数値に基づいて、組み合わせを維持するか解除するかを判定してもよい。この場合、生成部１３３は、クラスタ数の減少とモデルの予測精度とのトレードオフに基づいて、所定のクラスタ数に分類された組合情報およびモデルを生成する。

例えば、生成部１３３は、交差検証（クロスバリデーション）により、一部をモデルの生成に用い、残りを検証用に用いて生成されたモデルの予測精度を検証してもよい。例えば、生成部１３３は、組合情報のうち８０％をモデル生成に用い、残りの２０％を検証に用いてもよい。例えば、生成部１３３は、検証した予測精度が所定の基準を満たした場合、その組み合わせを維持して、さらに分割情報を組み合わせる処理を行ってもよい。また、生成部１３３は、検証した予測精度が所定の基準を満たさない場合、その組み合わせを解除して、別の分割情報を組み合わせる処理を行ってもよい。また、生成部１３３は、分割情報を組み合わせる度に、モデル生成に用いる情報と、検証に用いる情報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、組み合わせを維持するか解除するかを判定してもよい。

例えば、生成部１３３は、一の区分がユーザである場合において、一のコンテキストにおけるユーザの分割情報が所定の条件を満たさない場合、一のコンテキストにおけるユーザのユーザ属性に類似する他の区分の分割情報を一のコンテキストにおけるユーザの分割情報に加えることにより、モデルを生成する。例えば、生成部１３３は、一のコンテキストにおけるユーザの分割情報の量が所定量に満たない場合、一のコンテキストにおける他の区分の分割情報を一のコンテキストにおけるユーザの分割情報に加えることにより、モデルを生成する。なお、これらの点についての詳細は後述する。

（決定部１３４）
決定部１３４は、端末装置１０へ配信するコンテンツを決定するモデルを決定する。図４では、決定部１３４は、クラスタ情報記憶部１２４中のユーザＵ１及びコンテキストＣＴ１２に対応するマスＭＳに記憶されたモデルＭ２を示す情報に基づいて、配信するコンテンツの決定に用いるモデルをモデルＭ２に決定する。図５では、決定部１３４は、クラスタ情報記憶部１２５−２中のユーザＵ１及びコンテキストＣＴ１２に対応するマスＭＳに記憶されたモデルＭ２を示す情報に基づいて、配信するコンテンツの決定に用いるモデルをモデルＭ２に決定する。

例えば、決定部１３４は、決定したモデルとコンテンツとに基づいて、コンテンツのスコアを算出する。また、例えば、決定部１３４は、算出したスコアに基づいて各コンテンツの順位を決定する。図４では、決定部１３４は、コンテンツ一覧ＣＬ１１に示すスコアに基づいて各コンテンツＣＮ１１〜ＣＮ１８等の順位を決定する。また、決定部１３４は、スコアの最も高いコンテンツＣＮ１５である記事Ｅの順位を１位に決定する。また、決定部１３４は、記事Ｅの次にスコアの高いコンテンツＣＮ１７である記事Ｇの順位を２位に決定する。これにより、決定部１３４は、順位一覧ＬＬ１１に示すように、順位１位が記事Ｅであり、順位２位が記事Ｇであり、順位３位が記事Ａであり、順位４位が記事Ｆであると決定する。図５では、決定部１３４は、コンテンツ一覧ＣＬ１２に示すスコアに基づいて各コンテンツＣＮ１１〜ＣＮ１８等の順位を決定する。

（更新部１３５）
更新部１３５は、所定の条件を満たす場合、取得部１３１により取得されたモデルを更新する。例えば、更新部１３５は、所定の条件を満たす場合、所定の組合情報に対応するモデルの重みを再計算することにより、当該モデルを更新する。例えば、更新部１３５は、第１時点における予測精度が所定の閾値以上である所定のモデルを含むモデルにおいて、第１時点より後の第２時点における所定のモデルの予測精度が第１時点における予測精度に基づく基準値以下である場合、所定のモデルを更新する。図１では、更新部１３５は、第１時点から第２時点への期間経過により、ユーザＵ１のコンテキストＣＴ１２とユーザＵ２のコンテキストＣＴ１４とにおける予測精度が高から低に低下したモデルＭ２の重みを更新する。

また、更新部１３５は、一の組合情報に含まれる分割情報の収集に関する情報に基づくタイミングで検証された当該一の組合情報に対応するモデルの予測精度が、所定の条件を満たす場合、当該モデルを更新する。また、更新部１３５は、一の組合情報に含まれる分割情報の収集される量の増減に関する情報に基づくタイミングで検証された当該一の組合情報に対応するモデルの予測精度が、所定の条件を満たす場合、当該モデルを更新する。また、更新部１３５は、一の組合情報に含まれる分割情報の数に関する情報に基づくタイミングで検証された当該一の組合情報に対応するモデルの予測精度が、所定の条件を満たす場合、当該モデルを更新する。

また、更新部１３５は、更新処理を所定のタイミングで定期的に行ってもよい。例えば、更新部１３５は、所定の条件をモデルの使用を開始した時点から定期的（例えば２ヶ月おき）に更新処理を行ってもよい。また、更新部１３５は、所定のタイミング（例えば、２週間や３ヶ月等）で各モデルの検証を定期的に行い、検証結果に応じて更新処理を行ってもよい。例えば、更新部１３５は、検証したモデルの予想精度が所定の閾値未満である場合に更新処理を行ってもよい。例えば、更新部１３５は、検証したモデルの予想精度が所定の閾値未満である場合に検証したモデルの重みの更新を行ってもよい。また、例えば、更新部１３５は、各モデルを検証するタイミングを、分割情報の収集に関する情報に基づいて決定してもよい。また、例えば、更新部１３５は、各モデルを検証するタイミングを、分割情報の収集される量の増減に関する情報に基づいて決定してもよい。また、例えば、更新部１３５は、各モデルを検証するタイミングを、そのモデルの生成に用いた組合情報に含まれる分割情報の数に関する情報に基づいて決定してもよい。

また、更新部１３５は、所定の条件を満たす場合、分割情報の組み合わせを変更した組合情報ごとに、所定の対象を予測するモデルを再生成する処理である再生成処理により、モデルを更新する。例えば、更新部１３５は、第１時点における予測精度が所定の閾値以下である低品質モデルを含むモデルにおいて、第１時点より後の第２時点における低品質モデルの予測精度が第１時点における予測精度に基づく基準値以下である場合、再生成処理によりモデルを更新する。

また、更新部１３５は、低品質モデルに対応する組合情報に含まれる分割情報の組み合わせを変更した組合情報ごとに、再生成処理によりモデルを更新する。また、更新部１３５は、所定の分割情報の量の増加が所定の条件を満たす場合、再生成処理によりモデルを更新する。なお、これらの点についての詳細は後述する。

（配信部１３６）
配信部１３６は、端末装置１０に各種情報を配信する。例えば、配信部１３６は、端末装置１０にコンテンツを配信する。また、配信部１３６は、決定部１３４により決定されたコンテンツを配信する。図４では、配信部１３６は、順位一覧ＬＬ１１に示すコンテンツを端末装置１０−１へ配信する。また、配信部１３６は、記事Ｅ、記事Ｇ、記事Ａ、記事Ｆ、等の順で表示されるコンテンツを端末装置１０−１へ配信する。また、図５では、配信部１３６は、順位一覧ＬＬ１２に示すコンテンツを端末装置１０−１へ配信する。

〔４．生成処理のフロー〕
〔４−１．クラスタ数を設定しない手法〕
次に、図１３を用いて、実施形態に係る配信システム１による生成処理の手順について説明する。図１３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。具体的には、図１３は、クラスタ数（組合情報数）を決定しない手法による生成処理の一例を示すフローチャートである。

図１３に示すように、配信装置１００の取得部１３１は、各ユーザの行動情報を取得する（ステップＳ１０１）。例えば、取得部１３１は、各ユーザが利用する端末装置１０からユーザの行動情報を取得する。

また、配信装置１００の生成部１３３は、コンテキストに応じて情報を分割する（ステップＳ１０２）。例えば、生成部１３３は、行動情報を取得した際のコンテキストに応じて、行動情報を分割した分割情報を生成する。なお、ステップＳ１０１とステップＳ１０２は、複数回に亘って行われてもよい。

その後、生成部１３３は、クラスタ数を決定しない手法により、分割情報のクラスタリング及びモデルの生成を行う（ステップＳ１０３）。例えば、生成部１３３は、ディリクレ過程を用いたロジスティック回帰の手法を用いて分割情報が組み合わされた組合情報ごとにモデルを生成する。

〔４−２．クラスタ数を設定する手法〕
次に、図１４を用いて、実施形態に係る配信システム１による生成処理の手順について説明する。図１４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。具体的には、図１４は、クラスタ数（組合情報数）を予め設定（決定）する手法による生成処理の一例を示すフローチャートである。

図１４に示すように、配信装置１００の取得部１３１は、各ユーザの行動情報を取得する（ステップＳ２０１）。例えば、取得部１３１は、各ユーザが利用する端末装置１０からユーザの行動情報を取得する。

また、配信装置１００の生成部１３３は、コンテキストに応じて情報を分割する（ステップＳ２０２）。例えば、生成部１３３は、行動情報を取得した際のコンテキストに応じて、行動情報を分割した分割情報を生成する。なお、ステップＳ２０１とステップＳ２０２は、複数回に亘って行われてもよい。

また、配信装置１００の決定部１３４は、クラスタ数（組合情報数）を設定（決定）する（ステップＳ２０３）。例えば、決定部１３４は、クラスタ数（組合情報数）を「６」に設定（決定）する。なお、ステップＳ２０３の処理は、ステップＳ２０４よりも前であれば、いずれのタイミングで行われてもよい。

その後、生成部１３３は、クラスタ数を決定する手法により、分割情報のクラスタリング及びモデルの生成を行う（ステップＳ２０４）。例えば、生成部１３３は、ｋ−ｍｅａｎｓ法を用いて分割情報が組み合わされた組合情報ごとにモデルを生成する。

〔５．配信処理のフロー〕
次に、図１５を用いて、実施形態に係る配信システム１による配信処理の手順について説明する。図１５は、実施形態に係る配信処理の一例を示すフローチャートである。

図１５に示すように、配信装置１００の取得部１３１は、配信要求を取得する（ステップＳ３０１）。例えば、取得部１３１は、各ユーザが利用する端末装置１０からコンテンツの配信要求を取得する。

そして、配信装置１００の推定部１３２は、ユーザ及びコンテキストを推定する（ステップＳ３０２）。例えば、推定部１３２は、端末装置１０から取得したユーザを識別する情報により、配信要求元のユーザを推定する。また、例えば、推定部１３２は、配信要求がされた時刻や端末装置１０の位置に基づいて、コンテキストを推定する。

その後、配信装置１００の決定部１３４は、モデルを決定する（ステップＳ３０３）。例えば、決定部１３４は、端末装置１０へ配信するコンテンツを決定するモデルを決定する。

そして、決定部１３４は、コンテンツの順位を決定する（ステップＳ３０４）。例えば、決定部１３４は、ステップＳ３０３において決定したモデルとコンテンツとに基づいて、コンテンツのスコアを算出する。また、例えば、決定部１３４は、算出したスコアに基づいて各コンテンツの順位を決定する。

その後、配信装置１００の配信部１３６は、順位に基づいてコンテンツを配信する（ステップＳ３０５）。例えば、配信部１３６は、ステップＳ３０４において決定した順位に基づいてコンテンツを配信する。

〔６．更新処理のフロー〕
〔６−１．予測精度に応じた更新処理のフロー〕
次に、図１６を用いて、実施形態に係る配信システム１による更新処理の手順について説明する。図１６は、実施形態に係る予測精度に応じた更新処理の一例を示すフローチャートである。

図１６に示すように、配信装置１００の配信部１３６は、コンテキストに基づくモデルを用いてコンテンツを配信する（ステップＳ４０１）。例えば、配信装置１００は、図１５に示すステップＳ３０１〜Ｓ３０５の処理によりコンテンツを配信する。

そして、配信装置１００の更新部１３５は、モデルの予測精度が再生成処理に関する所定の条件を満たすかどうかを判定する（ステップＳ４０２）。モデルの予測精度が再生成処理に関する所定の条件を満たす場合（ステップＳ４０２：Ｙｅｓ）、更新部１３５は、再生成処理によりモデルを更新する（ステップＳ４０３）。

一方、モデルの予測精度が再生成処理に関する所定の条件を満たさない場合（ステップＳ４０２：Ｎｏ）、更新部１３５は、所定のモデルの予測精度が重みの更新に関する所定の条件を満たすかどうかを判定する（ステップＳ４０４）。

所定のモデルの予測精度が重みの更新に関する所定の条件を満たす場合（ステップＳ４０４：Ｙｅｓ）、更新部１３５は、所定のモデルの重みを更新する（ステップＳ４０５）。一方、所定のモデルの予測精度が重みの更新に関する所定の条件を満たさない場合（ステップＳ４０４：Ｎｏ）、更新部１３５は、更新処理を終了する。

〔６−２．情報量の増加に応じた更新処理のフロー〕
次に、図１７を用いて、実施形態に係る配信システム１による更新処理の手順について説明する。図１７は、実施形態に係る情報量の増加に応じた更新処理の一例を示すフローチャートである。

配信装置１００の更新部１３５は、分割情報の増減が再生成処理に関する所定の条件を満たすかどうかを判定する（ステップＳ５０１）。分割情報の増減が再生成処理に関する所定の条件を満たす場合（ステップＳ５０１：Ｙｅｓ）、更新部１３５は、再生成処理によりモデルを更新する（ステップＳ５０２）。

一方、分割情報の増減が再生成処理に関する所定の条件を満たさない場合（ステップＳ５０１：Ｎｏ）、更新部１３５は、所定のモデルに対応する分割情報の増減が重みの更新に関する所定の条件を満たすかどうかを判定する（ステップＳ５０３）。

所定のモデルに対応する分割情報の増減が重みの更新に関する所定の条件を満たす場合（ステップＳ５０３：Ｙｅｓ）、更新部１３５は、所定のモデルの重みを更新する（ステップＳ５０４）。一方、所定のモデルに対応する分割情報の増減が重みの更新に関する所定の条件を満たさない場合（ステップＳ５０３：Ｎｏ）、更新部１３５は、更新処理を終了する。

〔７．更新処理について〕
上述したように、配信装置１００は、種々の条件に基づいて、再生成処理を行ったり、モデルの重みを更新したりしてもよい。この点について、図１８〜図２０を用いて説明する。図１８〜図２０は、実施形態に係る更新処理の一例を示す図である。具体的には、図１８は、分割情報の増加に基づく再生成処理の一例を示す図である。また、具体的には、図１９は、分割情報の増加に基づくモデルの重みの更新の一例を示す図である。また、具体的には、図２０は、低品質モデルを対象としてクラスタを行う再生成処理の一例を示す図である。

〔７−１．分割情報の増加に基づく再生成処理〕
まず、図１８を用いて、分割情報の増加に基づく再生成処理について説明する。図１８に示す分割情報一覧ＡＬ３１は、図９に示す分割情報記憶部１２３と同様に、各マスＭＳに対応する分割情報を示す。すなわち、分割情報一覧ＡＬ３１は、朝（４〜１０時）、昼（１０〜１６時）、夜（１６〜２２時）、深夜（２２〜４時）の４つの時間帯と、家（自宅）またはオフィス（勤務地）の２つの位置とに基づく、８つのコンテキストＣＴ１１〜ＣＴ１８に分割された場合を示す。分割情報一覧ＡＬ３１には、ユーザＵ１〜Ｕ４等が含まれる。

ここで、分割情報一覧ＡＬ３１は、コンテキストＣＴ１３におけるユーザＵ１〜Ｕ３の行動情報が収集され、図９中の分割情報記憶部１２３に示す分割情報に、ユーザＵ１〜Ｕ３のコンテキストＣＴ１３に対応するマスＭＳに分割情報が追加された状態を示す。また、クラスタ情報一覧ＭＬ３１−１は、図１０に示すクラスタ情報記憶部１２４に対応し、分割情報一覧ＡＬ３１に示すようにユーザＵ１〜Ｕ３のコンテキストＣＴ１３に対応するマスＭＳに分割情報が追加される前のクラスタリングに関する情報を示す。

図９中の分割情報記憶部１２３に示すように、ユーザＵ１〜Ｕ３のコンテキストＣＴ１３に対応するマスＭＳに分割情報が追加される前においては、ユーザＵ１〜Ｕ３のコンテキストＣＴ１３に対応するマスＭＳには、ほとんど分割情報が含まれていない。そのため、クラスタ情報一覧ＭＬ３１−１に示すクラスタリングを行った生成処理においては、ユーザＵ１〜Ｕ３のコンテキストＣＴ１３に対応するマスＭＳは対象外となっている。

一方、分割情報一覧ＡＬ３１に示す状態においては、ユーザＵ１〜Ｕ３のコンテキストＣＴ１３に対応するマスＭＳには十分な分割情報が含まれる。そのため、配信装置１００は、所定の分割情報の量の増加が所定の条件を満たすとして、再生成処理によりモデルを更新する（ステップＳ３１）。

例えば、ステップＳ３１における再生成処理により、配信装置１００は、クラスタ情報一覧ＭＬ３１−２を生成する。なお、図示することは省略するが、配信装置１００は、クラスタ情報一覧ＭＬ３１−２に含まれるモデルＭ３１〜Ｍ３６等に対応するモデルに関する情報（各素性の重み等）を生成する。

例えば、クラスタ情報一覧ＭＬ３１−２は、ユーザＵ１のコンテキストＣＴ１５に対応するマスＭＳ、ユーザＵ２のコンテキストＣＴ１２に対応するマスＭＳ、ユーザＵ３のコンテキストＣＴ１３に対応するマスＭＳ、及びユーザＵ３のコンテキストＣＴ１７に対応するマスＭＳには同じモデルＭ３４が割り当てられることを示す。すなわち、上記４つのマスＭＳに含まれる分割情報を組み合わせた組合情報を用いて、モデルＭ３４が生成されたことを示す。このように、配信装置１００は、クラスタ情報一覧ＭＬ３１−１に示すクラスタリングを行った生成処理においては、対象外となっていたユーザＵ３のコンテキストＣＴ１３に対応するマスＭＳにモデルＭ３４を割り当てる。また、配信装置１００は、クラスタ情報一覧ＭＬ３１−１に示すクラスタリングを行った生成処理においては、対象外となっていたユーザＵ１のコンテキストＣＴ１３に対応するマスＭＳにモデルＭ３３を割り当てる。また、配信装置１００は、クラスタ情報一覧ＭＬ３１−１に示すクラスタリングを行った生成処理においては、対象外となっていたユーザＵ２のコンテキストＣＴ１３に対応するマスＭＳにモデルＭ３１を割り当てる。

〔７−２．分割情報の増加に基づくモデルの重みの更新〕
次に、図１９を用いて、分割情報の増加に基づくモデルの重みの更新について説明する。図１９に示す分割情報一覧ＡＬ４１は、図９に示す分割情報記憶部１２３と同様に、各マスＭＳに対応する分割情報を示す。すなわち、分割情報一覧ＡＬ４１は、朝（４〜１０時）、昼（１０〜１６時）、夜（１６〜２２時）、深夜（２２〜４時）の４つの時間帯と、家（自宅）またはオフィス（勤務地）の２つの位置とに基づく、８つのコンテキストＣＴ１１〜ＣＴ１８に分割された場合を示す。分割情報一覧ＡＬ４１には、ユーザＵ１〜Ｕ４等が含まれる。

ここで、分割情報一覧ＡＬ４１は、コンテキストＣＴ１７におけるユーザＵ２の行動情報が収集され、図９中の分割情報記憶部１２３に示す分割情報に、ユーザＵ２のコンテキストＣＴ１７に対応するマスＭＳに分割情報が追加された状態を示す。また、クラスタ情報一覧ＭＬ４１は、図１０に示すクラスタ情報記憶部１２４に対応し、分割情報一覧ＡＬ４１に示すようにユーザＵ２のコンテキストＣＴ１７に対応するマスＭＳに分割情報が追加される前のクラスタリングに関する情報を示す。また、重み情報一覧ＷＬ４１−１は、図１１に示す学習情報記憶部１２５に対応し、モデルＭ１〜Ｍ６等に関する情報が含まれる。重み情報一覧ＷＬ４１−１は、モデルＭ１の素性１の重みが「０．５」、モデルＭ１の素性２の重みが「−０．４」、モデルＭ１の素性３の重みが「０．２」等であることを示す。

図９中の分割情報記憶部１２３に示すように、ユーザＵ２のコンテキストＣＴ１７に対応するマスＭＳに分割情報が追加される前においては、ユーザＵ２のコンテキストＣＴ１７に対応するマスＭＳには、十分な分割情報が含まれている。そのため、クラスタ情報一覧ＭＬ４１に示すクラスタリングを行った生成処理においては、ユーザＵ２のコンテキストＣＴ１７に対応するマスＭＳの分割情報は、クラスタリングやモデル生成の対象となっている。

一方、分割情報一覧ＡＬ４１に示す状態においては、ユーザＵ２のコンテキストＣＴ１７に対応するマスＭＳにはさらに分割情報が追加されている。そのため、配信装置１００は、以前にクラスタリング等の対象となったマスＭＳの分割情報の量の増加が所定の条件を満たすとして、そのマスＭＳに対応するモデルの重みを更新する（ステップＳ４１）。図１９では、配信装置１００は、ユーザＵ２のコンテキストＣＴ１７に対応するマスＭＳに割り当てられているモデルＭ１の重みを更新する。

例えば、ステップＳ４１における再生成処理により、配信装置１００は、重み情報一覧ＷＬ４１−２に示すようにモデルＭ１の重みを更新する。重み情報一覧ＷＬ４１−２は、モデルＭ１の素性１の重みが「−２．８」、モデルＭ１の素性２の重みが「４．４」、モデルＭ１の素性３の重みが「−０．１」等であることを示す。このように、配信装置１００は、以前にクラスタリング等の対象となったマスＭＳの分割情報の量の増加が所定の条件を満たす場合は、そのマスＭＳに対応するモデルの重みを更新する。

〔７−３．低品質モデルを対象にした再生成処理〕
次に、図２０を用いて、低品質モデルを対象としてクラスタリングを行う再生成処理について説明する。なお、ここでいう低品質モデルとは、割り当てられたマスＭＳ全体における予測精度が低であるモデルや、割り当てられたマスＭＳのうち、所定数のマスＭＳにおける予測精度が低であるモデルをいう。

図２０中に示すモデル情報ＭＤ５１−１には、クラスタ情報一覧ＭＬ５１−１に示すような各マスＭＳに含まれる分割情報のクラスタリングに関する情報が含まれる。また、モデル情報ＭＤ５１−１には、重み情報一覧ＷＬ５１−１に示すようなクラスタごとに生成されたモデルＭ１〜Ｍ６に関する情報が含まれる。

また、図２０においては、モデルＭ２、Ｍ５、Ｍ６の３つのモデルが、予測精度が低い、すなわち低品質モデルであるものとする。また、図２０においては、モデルＭ１、Ｍ３、Ｍ４の３つのモデルは、予測精度が高いモデル、例えば割り当てられたマスＭＳ全体で予測精度が高であるモデルであるものとする。そのため、配信装置１００は、モデルＭ１、Ｍ３、Ｍ４の３つのクラスタを維持しつつ、再生成処理を行うことにより、モデルを更新する（ステップＳ５１）。つまり、配信装置１００は、低品質モデルに対応する組合情報に含まれる分割情報の組み合わせの変更を行う再生成処理によりモデルを更新する。

上述した再生成処理においては、配信装置１００は、モデルＭ２、Ｍ５、Ｍ６のクラスタに含まれていた分割情報は、モデルＭ１、Ｍ３、Ｍ４のいずれかのクラスタに追加されるか、新たに別のクラスタを構成するように、処理を行う。例えば、配信装置１００は、モデルＭ１に含まれる分割情報を１つの分割情報とし、モデルＭ３に含まれる分割情報を１つの分割情報とし、モデルＭ４に含まれる分割情報を１つの分割情報として、全分割情報を対象として再生成処理を行うことにより、上記の処理を行ってもよい。

ステップＳ５１により、配信装置１００は、モデル情報ＭＤ５１−２を生成する。モデル情報ＭＤ５１−２には、クラスタ情報一覧ＭＬ５１−２に示すような各マスＭＳに含まれる分割情報のクラスタリングに関する情報が含まれる。また、モデル情報ＭＤ５１−２には、重み情報一覧ＷＬ５１−２に示すようなクラスタごとに生成されたモデルＭ１、Ｍ３、Ｍ４、Ｍ５１〜Ｍ５２等に関する情報が含まれる。

例えば、モデル情報ＭＤ５１−２は、ユーザＵ１のコンテキストＣＴ１２に対応するマスＭＳ、ユーザＵ１のコンテキストＣＴ１５に対応するマスＭＳ、ユーザＵ３のコンテキストＣＴ１４に対応するマスＭＳ、及びユーザＵ３のコンテキストＣＴ１６に対応するマスＭＳには同じモデルＭ４が割り当てられることを示す。すなわち、上記４つのマスＭＳに含まれる分割情報を組み合わせた組合情報を用いて、モデルＭ４が生成されたことを示す。図２０では、モデルＭ４のクラスタにユーザＵ１のコンテキストＣＴ１２に対応するマスＭＳの分割情報が追加されて、モデルＭ４の重みが更新される。また、図２０では、重み情報一覧ＷＬ５１−２は、モデルＭ４の素性１の重みが「１．０」、モデルＭ４の素性２の重みが「−０．５」、モデルＭ４の素性３の重みが「−１．２」等であることを示す。

例えば、モデル情報ＭＤ５１−２は、ユーザＵ１のコンテキストＣＴ１６に対応するマスＭＳ、ユーザＵ２のコンテキストＣＴ１２に対応するマスＭＳ、及びユーザＵ３のコンテキストＣＴ１７に対応するマスＭＳには同じモデルＭ５１が割り当てられることを示す。すなわち、上記３つのマスＭＳに含まれる分割情報を組み合わせた組合情報を用いて、新たなモデルＭ５１が生成されたことを示す。また、図２０では、重み情報一覧ＷＬ５１−２は、モデルＭ５１の素性１の重みが「−１．４」、モデルＭ５１の素性２の重みが「−１．１」、モデルＭ５１の素性３の重みが「０．６」等であることを示す。

〔８．効果〕
上述してきたように、実施形態に係る配信装置１００は、取得部１３１と、更新部１３５とを有する。取得部１３１は、ユーザに関する区分ごとの行動に関する行動情報であって、コンテキストに基づいて分割された行動情報である分割情報が、当該分割情報の各々に含まれる行動情報の傾向に基づいて組み合わされた情報である組合情報ごとに生成されるモデルであって、所定の対象を予測するモデルに関する情報を取得する。また、更新部１３５は、所定の条件を満たす場合、取得部１３１により取得されたモデルを更新する。

これにより、実施形態に係る配信装置１００は、所定の条件を満たす場合に、モデルを更新することにより、モデルを用いて所定の対象を適切に予測可能にすることができる。

また、実施形態に係る配信装置１００において、更新部１３５は、所定の組合情報に対応するモデルが所定の条件を満たす場合、当該モデルの重みを再計算することにより、当該モデルを更新する。

これにより、実施形態に係る配信装置１００は、所定の組合情報に対応するモデルが所定の条件を満たす場合に、モデルの重みを更新することにより、モデルを用いて所定の対象を適切に予測可能にすることができる。

また、実施形態に係る配信装置１００において、更新部１３５は、第１時点における予測精度が所定の閾値以上である所定のモデルを含むモデルにおいて、第１時点より後の第２時点における所定のモデルの予測精度が第１時点における予測精度に基づく基準値以下である場合、所定のモデルを更新する。

これにより、実施形態に係る配信装置１００は、第１時点における予測精度が所定の閾値以上である所定のモデルを含むモデルが、第２時点において所定の基準値以下である場合に、予測精度が低下したモデルの重みを更新することにより、モデルを用いて所定の対象を適切に予測可能にすることができる。

また、実施形態に係る配信装置１００において、更新部１３５は、一の組合情報に含まれる分割情報の収集に関する情報に基づくタイミングで検証された当該一の組合情報に対応するモデルが所定の条件を満たす場合、当該モデルを更新する。

これにより、実施形態に係る配信装置１００は、分割情報の収集に関する情報に基づくタイミングで検証されたモデルが所定の条件を満たす場合に、モデルを更新することにより、モデルを用いて所定の対象を適切に予測可能にすることができる。

また、実施形態に係る配信装置１００において、更新部１３５は、一の組合情報に含まれる分割情報の収集される量の増減に関する情報に基づくタイミングで検証された当該一の組合情報に対応するモデルが所定の条件を満たす場合、当該モデルを更新する。

これにより、実施形態に係る配信装置１００は、分割情報の収集される量の増減に関する情報に基づくタイミングで検証されたモデルが所定の条件を満たす場合に、モデルを更新することにより、モデルを用いて所定の対象を適切に予測可能にすることができる。

また、実施形態に係る配信装置１００において、更新部１３５は、一の組合情報に含まれる分割情報の数に関する情報に基づくタイミングで検証された当該一の組合情報に対応するモデルが所定の条件を満たす場合、当該モデルを更新する。

これにより、実施形態に係る配信装置１００は、分割情報の数に関する情報に基づくタイミングで検証されたモデルが所定の条件を満たす場合に、モデルを更新することにより、モデルを用いて所定の対象を適切に予測可能にすることができる。

また、実施形態に係る配信装置１００において、更新部１３５は、所定の条件を満たす場合、分割情報の組み合わせを変更した組合情報ごとに、所定の対象を予測するモデルを再生成する処理である再生成処理により、モデルを更新する。

これにより、実施形態に係る配信装置１００は、所定の条件を満たす場合、分割情報の組み合わせを変更した組合情報ごとに、所定の対象を予測するモデルを再生成する処理である再生成処理を行って、モデルを更新することにより、モデルを用いて所定の対象を適切に予測可能にすることができる。

また、実施形態に係る配信装置１００において、更新部１３５は、第１時点における予測精度が所定の閾値以下である低品質モデルを含むモデルにおいて、第１時点より後の第２時点における低品質モデルの予測精度が第１時点における予測精度に基づく基準値以下である場合、再生成処理によりモデルを更新する。

また、実施形態に係る配信装置１００において、更新部１３５は、第１時点における予測精度が所定の閾値以下である低品質モデルを含むモデルにおいて、第１時点より後の第２時点における所定のモデルの予測精度が第１時点における予測精度に基づく基準値以下である場合、再生成処理を行って、モデルを更新することにより、モデルを用いて所定の対象を適切に予測可能にすることができる。

また、実施形態に係る配信装置１００において、更新部１３５は、低品質モデルに対応する組合情報に含まれる分割情報の組み合わせの変更を行う再生成処理によりモデルを更新する。

これにより、実施形態に係る配信装置１００は、低品質モデルに対応する組合情報に含まれる分割情報の組み合わせの変更を行う再生成処理によりモデルを更新することにより、予測精度が低かった分割情報を対象にモデルの更新を行うことができる。したがって、配信装置１００は、モデルを用いて所定の対象を適切に予測可能にすることができる。

また、実施形態に係る配信装置１００において、更新部１３５は、所定の分割情報の量の増加が所定の条件を満たす場合、再生成処理によりモデルを更新する。

これにより、実施形態に係る配信装置１００は、所定の分割情報の量の増加が所定の条件を満たす場合、再生成処理によりモデルを更新することにより、モデルを用いて所定の対象を適切に予測可能にすることができる。

また、実施形態に係る配信装置１００において、更新部１３５は、区分として、ユーザ、またはユーザ属性に基づく分類ごとのユーザの行動に関する行動情報が、コンテキストに基づいて分割された分割情報を取得する。

これにより、実施形態に係る配信装置１００は、区分を適宜変更して各マスに含まれる分割情報の量を調整することができる。したがって、配信装置１００は、モデルを用いて所定の対象を適切に予測可能にすることができる。

また、実施形態に係る配信装置１００において、更新部１３５は、所定の対象として、コンテンツへの関心を予測するモデルに関する情報を取得する。

これにより、実施形態に係る配信装置１００は、モデルを用いてユーザのコンテンツへの関心を適切に予測可能にすることができる。

〔９．ハードウェア構成〕
上述してきた実施形態に係る配信装置１００は、例えば図２１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２１は、配信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、かかる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が生成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、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。

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、かかるプログラムを、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が実施形態に係る配信装置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。

〔１０．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 配信システム
１００ 配信装置（更新装置）
１２１ ユーザ情報記憶部
１２２ 行動情報記憶部
１２３ 分割情報記憶部
１２４ クラスタ情報記憶部
１２５ 学習情報記憶部
１２６ コンテンツ情報記憶部
１３０ 制御部
１３１ 取得部
１３２ 推定部
１３３ 生成部
１３４ 決定部
１３５ 更新部
１３６ 配信部
１０ 端末装置
Ｎ ネットワーク

Claims (13)

1. ユーザに関する区分ごとの行動に関する行動情報であって、コンテキストに基づいて分割された行動情報である分割情報が、当該分割情報の各々に含まれる行動情報の傾向に基づいて組み合わされた情報である組合情報ごとに、所定の対象を予測するモデルの各素性の重みを学習することにより、モデルを生成する生成部と、
   一のモデルの予測精度が低下した場合、当該一のモデルの予測精度が低い状態を維持している場合、当該一のモデルの生成から所定の期間が経過した場合のいずれかにおいて、前記一のモデルの各素性の重みを再計算することにより、前記一のモデルを更新する更新部と、
   を備えたことを特徴とする更新装置。
2. 前記更新部は、
   第１時点における予測精度が所定の閾値以上である所定のモデルを含むモデルにおいて、前記第１時点より後の第２時点における前記所定のモデルの予測精度が前記第１時点における予測精度に基づく基準値以下である場合、前記所定のモデルを更新する
   ことを特徴とする請求項１に記載の更新装置。
3. 前記更新部は、
   一の組合情報に含まれる分割情報の収集に関する情報に基づくタイミングで検証された当該一の組合情報に対応するモデルが所定の条件を満たす場合、当該モデルを更新する
   ことを特徴とする請求項１または請求項２に記載の更新装置。
4. 前記更新部は、
   一の組合情報に含まれる分割情報の収集される量の増減に関する情報に基づくタイミングで検証された当該一の組合情報に対応するモデルが所定の条件を満たす場合、当該モデルを更新する
   ことを特徴とする請求項１〜３のいずれか１項に記載の更新装置。
5. 前記更新部は、
   一の組合情報に含まれる分割情報の数に関する情報に基づくタイミングで検証された当該一の組合情報に対応するモデルが所定の条件を満たす場合、当該モデルを更新する
   ことを特徴とする請求項１〜４のいずれか１項に記載の更新装置。
6. 前記更新部は、
   所定の条件を満たす場合、分割情報の組み合わせを変更した組合情報ごとに、所定の対象を予測するモデルを再生成する処理である再生成処理により、モデルを更新する
   ことを特徴とする請求項１〜５のいずれか１項に記載の更新装置。
7. 前記更新部は、
   第１時点における予測精度が所定の閾値以下である低品質モデルを含むモデルにおいて、前記第１時点より後の第２時点における前記低品質モデルの予測精度が前記第１時点における予測精度に基づく基準値以下である場合、前記再生成処理によりモデルを更新する
   ことを特徴とする請求項６に記載の更新装置。
8. 前記更新部は、
   前記低品質モデルに対応する組合情報に含まれる分割情報の組み合わせの変更を行う前記再生成処理によりモデルを更新する
   ことを特徴とする請求項７に記載の更新装置。
9. 前記更新部は、
   所定の分割情報の量の増加が所定の条件を満たす場合、前記再生成処理によりモデルを更新する
   ことを特徴とする請求項７または請求項８に記載の更新装置。
10. 前記生成部は、
    前記区分として、ユーザ、またはユーザ属性に基づく分類ごとのユーザの行動に関する行動情報が、コンテキストに基づいて分割された分割情報が組み合わされた前記組合情報ごとに、モデルを生成する
    ことを特徴とする請求項１〜９のいずれか１項に記載の更新装置。
11. 前記生成部は、
    前記所定の対象として、コンテンツへの関心を予測するモデルを生成する
    ことを特徴とする請求項１〜１０のいずれか１項に記載の更新装置。
12. コンピュータが実行する更新方法であって、
    ユーザに関する区分ごとの行動に関する行動情報であって、コンテキストに基づいて分割された行動情報である分割情報が、当該分割情報の各々に含まれる行動情報の傾向に基づいて組み合わされた情報である組合情報ごとに、所定の対象を予測するモデルの各素性の重みを学習することにより、モデルを生成する生成工程と、
    一のモデルの予測精度が低下した場合、当該一のモデルの予測精度が低い状態を維持している場合、当該一のモデルの生成から所定の期間が経過した場合のいずれかにおいて、前記一のモデルの各素性の重みを再計算することにより、前記一のモデルを更新する更新工程と、
    を含むことを特徴とする更新方法。
13. ユーザに関する区分ごとの行動に関する行動情報であって、コンテキストに基づいて分割された行動情報である分割情報が、当該分割情報の各々に含まれる行動情報の傾向に基づいて組み合わされた情報である組合情報ごとに、所定の対象を予測するモデルの各素性の重みを学習することにより、モデルを生成する生成手順と、
    一のモデルの予測精度が低下した場合、当該一のモデルの予測精度が低い状態を維持している場合、当該一のモデルの生成から所定の期間が経過した場合のいずれかにおいて、前記一のモデルの各素性の重みを再計算することにより、前記一のモデルを更新する更新手順と、
    をコンピュータに実行させることを特徴とする更新プログラム。

Images