JP6885858B2 - 推定装置、推定方法、及び推定プログラム - Google Patents

Description

本発明は、推定装置、推定方法、及び推定プログラムに関する。

従来、ユーザの種々の状態を判定したり、推定したりする技術が提供されている。例えば、ユーザの脳波や撮像されたユーザの様子等により、ユーザの気分を判定する技術が提供されている。

特開２０１３−０００３００号公報 特開２０１７−１４０４３５号公報 特開２０１７−１６８０５４号公報

しかしながら、上記の従来技術では、ユーザの状態を適切に推定することが難しい場合がある。例えば、ユーザの脳波を用いる場合、ユーザの脳波を収集するための装置等が必要になり、ユーザにとって負担が大きい。また、ユーザを撮像する場合、ユーザが常に撮像範囲に位置する必要が有り、ユーザにとって負担が大きい。このように、上記の従来技術では、ユーザにとって負担が大きく、ユーザに負担を掛けずに、ユーザの状態を推定することは難しい。また、上記の従来技術では、脳波を収集するための装置や撮像するための装置を適切な箇所に配置する必要が有り、これらの装置が適切な箇所に配置されていない場合、ユーザの状態を適切に推定することができるとは限らない。

本願は、上記に鑑みてなされたものであって、ユーザの状態を適切に推定する推定装置、推定方法、及び推定プログラムを提供することを目的とする。

本願に係る推定装置は、対象ユーザの行動情報を取得する取得部と、前記取得部により取得された前記対象ユーザの行動を示す行動情報に基づいて、前記対象ユーザの心身状態を推定する推定部と、を備えたことを特徴とする。

実施形態の一態様によれば、ユーザの状態を適切に推定することができるという効果を奏する。

図１は、実施形態に係る推定処理の一例を示す図である。 図２は、実施形態に係る推定システムの構成例を示す図である。 図３は、実施形態に係る推定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、実施形態に係るモデル情報記憶部の一例を示す図である。 図７は、実施形態に係るレベル情報記憶部の一例を示す図である。 図８は、実施形態に係るコンテンツ情報記憶部の一例を示す図である。 図９は、実施形態に係る推定処理の一例を示すフローチャートである。 図１０は、変形例に係る推定処理の一例を示す図である。 図１１は、変形例に係る推定装置の構成例を示す図である。 図１２は、変形例に係るレベル推定規則情報記憶部の一例を示す図である。 図１３は、変形例に係る不安行動リスト情報記憶部の一例を示す図である。 図１４は、変形例に係るレベル推定規則情報記憶部の他の一例を示す図である。 図１５は、推定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、本願に係る推定装置、推定方法、及び推定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推定装置、推定方法、及び推定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．推定処理のフロー〕
まず、図１を用いて、実施形態に係る推定処理の一例について説明する。図１は、実施形態に係る推定処理の一例を示す図である。図１の例では、推定装置１００は、ユーザ及びカテゴリの組合せごとに生成された学習モデル（以下、「モデル」ともいう）を用いて、ユーザの心身状態を推定する場合を一例として説明する。図１の例では、ユーザの心身状態が通常と異なる負の状態である不安な状態かどうかを推定する。また、図１の例では、ユーザの心身状態が不安かどうかを推定する場合を一例として説明するが、ユーザの心身状態は不安に限らず、安心や疾病中等の種々の心身状態であってもよい。また、図１の例では、心身状態を推定するカテゴリとして、仕事、健康、将来、不明等を示すが、カテゴリは、種々のカテゴリであってもよい。

〔推定システムの構成〕
まず、図１及び図２に示す推定システム１について説明する。図２に示すように、推定システム１は、端末装置１０と、情報提供元装置２０と、推定装置１００とが含まれる。端末装置１０と、情報提供元装置２０と、推定装置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、実施形態に係る推定システムの構成例を示す図である。なお、図２に示した推定システム１には、複数台の端末装置１０や、複数台の情報提供元装置２０や複数台の推定装置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、ＧＰＳ（Global Positioning System）センサ等の機能を有し、ユーザの位置を検知し、取得可能であるものとする。また、端末装置１０は、温度センサや気圧センサ等の種々の機能を有し、温度や気圧等のユーザの置かれている環境情報を検知し、取得可能であってもよい。また、端末装置１０は、心拍センサ等の種々の機能を有し、ユーザの生体情報を検知し、取得可能であってもよい。例えば、端末装置１０を利用するユーザは、端末装置１０と通信可能なウェアラブルデバイスを身に付けることにより、端末装置１０によりユーザ自身のコンテキスト情報を取得可能としてもよい。例えば、端末装置１０を利用するユーザは、端末装置１０と通信可能なリストバンド型のウェアラブルデバイスを身に付けることにより、端末装置１０によりユーザ自身の心拍（脈拍）に関する情報を端末装置１０が取得可能としてもよい。

また、端末装置１０は、外部装置から提供されたコンテンツを表示する。例えば、端末装置１０は、推定装置１００に種々の情報等を送信する。例えば、端末装置１０は、ユーザによる投稿等の入力情報やユーザが検索に用いた検索クエリに関する情報等の行動情報等を推定装置１００へ送信する。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。端末装置１０は、ユーザによる種々の操作を受け付ける。

推定装置１００は、対象ユーザの行動を示す行動情報に基づいて、対象ユーザの心身状態を推定する情報処理装置である。例えば、推定装置１００は、ユーザごとのモデルを用いて、対象ユーザの心身状態が不安かどうかを推定する。

推定装置１００は、外部の情報処理装置からユーザの行動情報を取得する。例えば、推定装置１００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。

例えば、推定装置１００は、端末装置１０から取得したクエリ（検索クエリ）に対する検索結果を端末装置１０に提供する検索サービスを提供してもよい。例えば、推定装置１００は、クエリに対応する所定の情報を検索結果として、クエリの送信元である端末装置１０へ提供してもよい。例えば、推定装置１００は、検索サービスや電子商取引サービスを提供する外部の情報処理装置等からユーザの行動情報を取得してもよい。

例えば、推定装置１００は、端末装置１０を利用するユーザが所定のサービスにおいて投稿した情報を端末装置１０や所定のサービスを提供する外部装置から取得してもよい。例えば、推定装置１００は、端末装置１０を利用するユーザがＴｗｉｔｔｅｒ（登録商標）やＦａｃｅｂｏｏｋ（登録商標）等のＳＮＳ（Social Networking Service）において投稿した情報を端末装置１０や所定の外部装置から取得してもよい。例えば、推定装置１００は、端末装置１０を利用するユーザが所定の検索サービスにおいて用いた検索クエリ（以下、単に「クエリ」ともいう）に関する情報を端末装置１０や検索サービスを提供する外部装置から取得してもよい。

情報提供元装置２０は、推定装置１００に種々の情報提供を行うための情報が格納された情報処理装置である。例えば、情報提供元装置２０は、ウェブサーバ等の種々の外部装置から収集した情報等が格納されてもよい。例えば、情報提供元装置２０は、モデル情報やレベル情報等の種々の情報を推定装置１００に提供する。

ここから、図１を用いて、推定装置１００がユーザＵ１を対象ユーザとして、ユーザＵ１の心理状態が不安かどうかを推定する場合を説明する。

推定装置１００は、ユーザＵ１が利用する端末装置１０からユーザＵ１の行動情報を取得する（ステップＳ１１）。例えば、推定装置１００は、端末装置１０からユーザＵ１のインターネット上における行動情報を取得する。図１の例では、推定装置１００は、ユーザＵ１がクエリ＃１１を用いた検索を行ったことを示す行動情報ＡＤＴ１１を取得する。なお、「クエリ＃１１」といった抽象的な符号で図示するが、「クエリ＃１１」は、「業績不振」や「不況」等の仕事に関するクエリであってもよい。このように、行動情報ＡＤＴ１１は、ユーザＵ１がクエリ＃１１を用いた検索（行動ＡＣ１１）を日時ｄｔ１１に行ったことを示す情報を含む。また、行動情報ＡＤＴ１１は、ユーザＵ１がクエリ＃１１を用いた検索を行った際の位置が位置ＬＣ１１であり、天候が晴れ、気温が摂氏２５度（２５℃）、湿度が６０％であったことを示す情報を含む。

図１の例では、推定装置１００は、ユーザＵ１がＳＮＳ＃１２において投稿を行ったことを示す行動情報ＡＤＴ１２を取得する。なお、「ＳＮＳ＃１２」といった抽象的な符号で図示するが、「ＳＮＳ＃１２」は、Ｔｗｉｔｔｅｒ（登録商標）やＦａｃｅｂｏｏｋ（登録商標）等のＳＮＳにおいて投稿した文字情報や画像情報等であってもよい。このように、行動情報ＡＤＴ１２は、ユーザＵ１がＳＮＳ＃１２における投稿（行動ＡＣ１２）を日時ｄｔ１２に行ったことを示す情報を含む。また、行動情報ＡＤＴ１２は、ユーザＵ１がＳＮＳ＃１２における投稿を行った際の位置が位置ＬＣ１２であり、天候が晴れ、気温が摂氏２５度（２５℃）、湿度が６０％であったことを示す情報を含む。

なお、ユーザＵ１の行動情報には、上記に限らず、例えばウェブコンテンツを閲覧したことを示す情報等のウェブ等のインターネット上での行動情報が含まれてもよい。また、例えば、推定装置１００は、ユーザＵ１のインターネット上以外の行動情報を取得してもよい。例えば、推定装置１００は、ユーザＵ１がＡコンビニでＢ商品の購入を行ったことを示す情報や、Ｂレストランで飲食を行ったことを示す情報等の種々の行動情報を取得してもよい。

そして、推定装置１００は、ユーザＵ１の行動情報を収集する。図１の例では、推定装置１００は、収集したユーザＵ１の行動情報を行動情報記憶部１２２に記憶する。例えば、推定装置１００は、ユーザＵ１の行動情報ＡＤＴ１１や行動情報ＡＤＴ１２をユーザＵ１に対応付けて行動情報記憶部１２２に記憶する。

そして、推定装置１００は、モデル情報記憶部１２３から対象ユーザに対応するモデルを選択する（ステップＳ１２）。図１中のモデル情報記憶部１２３には、モデルデータセット１２３−１やモデルデータセット１２３−２やモデルデータセット１２３−３等のように対象ユーザごとに情報（テーブル）が記憶されるが、図６で詳細は後述する。図１中のモデル情報記憶部１２３には、ユーザＵ１に対応するモデルデータセット１２３−１やユーザＵ２に対応するモデルデータセット１２３−２やユーザＵ３に対応するモデルデータセット１２３−３が記憶される。そのため、推定装置１００は、モデル情報記憶部１２３から対象ユーザであるユーザＵ１に対応するモデルデータセット１２３−１を選択する。

モデルデータセット１２３−１に示すモデルＭ１−１は、対象カテゴリが「仕事（ＣＴＧ１）」であり、対象ユーザであるユーザＵ１の仕事における心身状態が不安かどうかの推定に用いられることを示す。また、モデルＭ１−１のモデルデータは、モデルデータＭＤＴ１−１であることを示す。

上記のように、「モデルＭ＊（＊は任意の文字列）」と記載した場合、そのモデルはモデルＩＤ「Ｍ＊」により識別されるモデルであることを示す。例えば、「モデルＭ１−１」と記載した場合、そのモデルはモデルＩＤ「Ｍ１−１」により識別されるモデルである。また、図１中のモデルデータセット１２３−１に示すように、モデルＭ１−１は、対象ユーザＵ１の対象カテゴリ「仕事」における心身状態が不安であるかの推定のために用いられるモデルであり、その具体的なモデルデータが「モデルデータＭＤＴ１−１」であることを示す。例えば、推定装置１００は、モデルＭ１−１にユーザの行動情報を入力することにより、入力した行動情報に対応するユーザの対象カテゴリ「仕事」における心身状態が不安かどうかの度合い（確率）を示すスコアを、モデルＭ１−１に出力させ、モデルＭ１−１が出力するスコアに基づいて、ユーザの対象カテゴリ「仕事」における心身状態が不安の度合いを推定する。なお、モデルＭ１−１等の各モデルの生成については、過去のユーザの行動情報の履歴から生成されてもよい。例えば、モデルＭ１−１等の各モデルの生成については、各ユーザの過去の行動を示す行動情報とその行動が行われた際のユーザの心身状態が不安を示す正解情報とを含む学習データから生成されてもよい。例えば、モデルＭ１−１等の各モデルの生成については、変形例に示す推定装置１００Ａに示すような処理により生成されてもよい。過去のユーザの行動情報の履歴から生成されてもよい。また、推定装置１００は、推定に用いるモデルを情報提供元装置２０等の外部装置から取得してもよい。

そして、推定装置１００は、モデルデータセット１２３−１から推定の対象とするカテゴリのモデルを選択する（ステップＳ１３）。例えば、推定装置１００は、ユーザの属性情報やユーザの行動内容やユーザに関する種々の情報に基づいて、推定の対象とするカテゴリのモデルを選択する。図１の例では、ユーザ情報記憶部１２１に示すようにユーザＵ１の興味が「経済」であるため、推定装置１００は、ユーザＵ１の対象カテゴリ「仕事」における心身状態が不安かどうかを推定する。そのため、図１の例では、推定装置１００は、対象カテゴリ「仕事」に対応するモデルＭ１−１を選択する。なお、推定装置１００は、モデルＭ１−１に限らず、対象カテゴリ「健康」に対応するモデルＭ１−２や対象カテゴリ「将来」に対応するモデルＭ１−３等のモデルを選択してもよい。

図１の例では、推定装置１００は、処理群ＰＳ１１に示すような処理により、ユーザＵ１の対象カテゴリ「仕事」における心身状態が不安かどうかを示すスコアを算出する。推定装置１００は、行動情報ＡＤＴ１１、ＡＤＴ１２をモデルＭ１−１に入力する（ステップＳ１４）。行動情報ＡＤＴ１１、ＡＤＴ１２が入力されたモデルＭ１は、スコアを出力する（ステップＳ１５）。図１の例では、行動情報ＡＤＴ１１、ＡＤＴ１２が入力されたモデルＭ１−１は、スコアＳＣ１１に示すようなスコア「０．８５」を出力する。

なお、モデルＭ１−１が１つの行動に対応する行動情報を入力とする場合、推定装置１００は、行動情報ＡＤＴ１１をモデルＭ１−１に入力し、モデルＭ１−１が出力するスコアを、ユーザＵ１の対象カテゴリ「仕事」における心身状態が不安かどうかを示すスコア（推定用スコア）として用いてもよい。また、推定装置１００は、行動情報ＡＤＴ１１、ＡＤＴ１２ごとにモデルＭ１−１に入力し、モデルＭ１−１が出力するスコアの平均を、ユーザＵ１の対象カテゴリ「仕事」における心身状態が不安かどうかを示すスコア（推定用スコア）として用いてもよい。

そして、推定装置１００は、モデルＭ１−１が出力したスコアと、レベル情報記憶部１２４に記憶されたレベル情報とに基づいて、ユーザＵ１の不安レベルを推定する（ステップＳ１６）。

図１中のレベル情報記憶部１２４には、「レベル」と「カテゴリ」との組み合わせによる判定条件を示す。「レベル」は、対応するカテゴリにおけるユーザの心身状態が不安であるレベルを示す。図１では、「レベル」には、「低（ＬＶ１）」、「中（ＬＶ２）」、「高（ＬＶ３）」といった項目が含まれる。「カテゴリ」は、ユーザの心身状態が不安かを推定する対象となるカテゴリを示す。図７では、「カテゴリ」には、「仕事（ＣＴＧ１）」、「健康（ＣＴＧ２）」、「将来（ＣＴＧ３）」、「不明（ＣＴＧ４）」といった項目が含まれる。図１中のレベル情報記憶部１２４は、各レベルと、各カテゴリとが交差するマスには、モデルが出力したスコアに応じたそのレベルに属するかの判定条件を示す。

図１の例では、レベル「低（ＬＶ１）」と、カテゴリ「仕事（ＣＴＧ１）」とが交差するマスには、「０．２以上０．５未満」が記憶されている。すなわち、図１の例では、カテゴリ「仕事（ＣＴＧ１）」を対象カテゴリとした場合、対象ユーザの行動情報が出力したスコアが０．２以上０．５未満である場合、仕事における対象ユーザの不安は「低（ＬＶ１）」、すなわち低レベルであることを示す。また、カテゴリ「仕事（ＣＴＧ１）」を対象カテゴリとした場合、対象ユーザの行動情報が出力したスコアが０．５以上０．８未満である場合、仕事における対象ユーザの不安は「中（ＬＶ２）」、すなわち中レベルであることを示す。また、カテゴリ「仕事（ＣＴＧ１）」を対象カテゴリとした場合、対象ユーザの行動情報が出力したスコアが０．８以上である場合、仕事における対象ユーザの不安は「高（ＬＶ３）」、すなわち高レベルであることを示す。なお、レベル情報記憶部１２４に示すレベルや判定条件は一例であり、レベルの段階や各レベルの判定条件は目的や用途に応じて適宜設定されてもよい。

すなわち、図１の例では、推定装置１００は、対象ユーザの行動情報が入力されたモデルＭ１−１が出力するスコアが０．２以上である場合、その対象ユーザの心身状態が不安であると推定する。この場合、推定装置１００は、モデルＭ１−１が出力するスコアに応じて、その対象ユーザの不安のレベルを推定する。また、例えば、推定装置１００は、対象ユーザの行動情報が入力されたモデルＭ１−１が出力するスコアが０．２未満である場合、その対象ユーザの心身状態が不安ではないと推定する。

図１の例では、推定装置１００は、モデルＭ１−１が出力したスコアが「０．８５」であり、最低レベルの「低（ＬＶ１）」の下限値「０．２」以上であるため、ユーザＵ１の仕事における心身状態が不安であると推定する。また、推定装置１００は、推定一覧ＥＳ１１に示すように、モデルＭ１−１が出力したスコアが「０．８５」であり、「高（ＬＶ３）」の判定条件を満たすため、ユーザＵ１の仕事における不安レベルが高であると推定する。すなわち、推定装置１００は、ユーザＵ１が仕事での不安度が高いと推定する。

そして、推定装置１００は、推定したユーザＵ１の不安レベルに応じて、ユーザＵ１に提供するコンテンツ（提供コンテンツ）を決定する（ステップＳ１７）。図１の例では、推定装置１００は、コンテンツ情報記憶部１２５に記憶されたコンテンツから、ユーザＵ１への提供コンテンツを決定する。

図１中のコンテンツ情報記憶部１２５において、コンテンツＩＤ「ＣＴ１１」により識別されるＡコンテンツ（コンテンツＣＴ１１）は、ジャンルがスポーツであることを示す。また、コンテンツＣＴ１１は、閲覧したユーザを「楽しい」という心身状態にさせることを示す。すなわち、コンテンツＣＴ１１は、閲覧したユーザの心身状態を正の状態にさせることを示す。例えば、コンテンツＣＴ１１は、閲覧したユーザの心身状態を安心の状態にさせることを示す。

また、コンテンツＩＤ「ＣＴ１２」により識別されるＢコンテンツ（コンテンツＣＴ１２）は、ジャンルが国際であることを示す。また、コンテンツＣＴ１２は、閲覧したユーザを「悲しい」という心身状態にさせることを示す。すなわち、コンテンツＣＴ１２は、閲覧したユーザの心身状態を負の状態にさせることを示す。例えば、コンテンツＣＴ１２は、閲覧したユーザの心身状態を不安の状態にさせることを示す。

例えば、推定装置１００は、ユーザＵ１の不安レベルが高いと推定したため、コンテンツ情報記憶部１２５に記憶されたコンテンツのうち、ユーザの心身状態を正の状態にさせるコンテンツを、ユーザＵ１への提供コンテンツとして決定する。例えば、推定装置１００は、ユーザＵ１の不安レベルが高いと推定したため、ユーザの感情や気分を高揚させるコンテンツを、ユーザＵ１への提供コンテンツとして決定する。図１の例では、推定装置１００は、ユーザＵ１の不安レベルが高いと推定したため、ユーザを「楽しい」という心身状態にさせるＡコンテンツやＣコンテンツを提供コンテンツとして決定する。

そして、推定装置１００は、ユーザＵ１が利用する端末装置１０にコンテンツを提供する（ステップＳ１８）。例えば、推定装置１００は、ステップＳ１７において決定した提供コンテンツを端末装置１０に送信する。図１の例では、推定装置１００は、端末装置１０にＡコンテンツやＣコンテンツを提供コンテンツとして配信する。

上述のように、推定装置１００は、ユーザのインターネット上における行動等の種々の行動情報に基づいて、ユーザの心身状態を推定することにより、ユーザの行動からユーザの状態を適切に推定することができる。また、推定装置１００は、ユーザの行動情報を入力とするモデルを用いることにより、ユーザの行動からユーザの状態を適切に推定することができる。また、推定装置１００は、ユーザの心身状態のレベルを判定するレベル情報を用いることにより、ユーザの心身状態がどのレベルかを適切に推定することができる。また、推定装置１００は、心身状態が不安であるユーザに、ユーザの心身状態を正の状態にさせるコンテンツを提供することができる。したがって、推定装置１００は、ユーザの心身状態に応じたコンテンツをユーザに適切に提供することができる。なお、上記推定処理は、推定処理でのユーザの情報の利用を許諾したユーザ、すなわちオプトインしたユーザのみを対象としてもよい。

〔１−１．提供コンテンツ〕
上述した例では、ユーザに提供するコンテンツが、各ジャンルに対応する記事等のコンテンツである場合を示したが、ユーザに提供するコンテンツは、記事に限らず、種々のコンテンツであってもよい。例えば、ユーザに提供するコンテンツは、広告であってもよい。この場合、推定装置１００は、ユーザの心身状態に応じて、ユーザに広告を提供する。すなわち、推定装置１００は、ユーザの心身状態に応じて、ユーザに広告を配信する。例えば、推定装置１００は、ユーザの仕事における心身状態が不安である場合、ユーザに仕事の不安を和らげる広告を提供してもよい。例えば、推定装置１００は、ユーザの仕事における心身状態が不安である場合、ユーザに転職サイトの広告や自己啓発の広告等を提供してもよい。

また、例えば、推定装置１００は、ユーザの健康における心身状態が不安である場合、ユーザに健康の不安を和らげる広告を提供してもよい。例えば、推定装置１００は、ユーザの健康における心身状態が不安である場合、ユーザに保険の広告やスポーツジムの広告等を提供してもよい。また、例えば、推定装置１００は、ユーザの将来における心身状態が不安である場合、ユーザに将来の不安を和らげる広告を提供してもよい。例えば、推定装置１００は、ユーザの将来における心身状態が不安である場合、ユーザに年金の広告や資格取得の広告等を提供してもよい。なお、上記は一例であり、推定装置１００は、ユーザの心身状態に応じて種々の広告をユーザに提供してもよい。

また、推定装置１００は、推定した対象ユーザの心身状態に応じて、広告等のコンテンツのクリエイティブを最適化してもよい。例えば、推定装置１００は、推定した対象ユーザの心身状態に応じて、対象ユーザへ提供するコンテンツの内容を変更してもよい。例えば、推定装置１００は、推定した対象ユーザの不安レベルが高である場合、保険料を通常よりも高くした保険の広告を対象ユーザへ提供してもよい。図１の例では、推定装置１００は、推定した対象ユーザであるユーザＵ１の不安レベルが高であるため、Ａ生命保険の通常の保険料（例えばＸ円）も高くした保険料（例えば、ＵＸ円）に設定されたＡ生命保険の広告ＡＣＺを生成してもよい。この場合、推定装置１００は、広告を生成する生成部を有し、生成部がＡ生命保険の保険料が「ＵＸ円」であることを示すＡ生命保険の広告ＡＣＺを生成してもよい。そして、推定装置１００は、Ａ生命保険の保険料が「ＵＸ円」であることを示すＡ生命保険の広告ＡＣＺをユーザＵ１の端末装置１０へ配信してもよい。なお、推定装置１００は、ユーザの心身状態に限らず、社会（世の中）で報じられたニュース（悲報等）に応じて広告クリエイティブを最適化してもよい。例えば、推定装置１００は、対象ユーザが属する社会でテロや有名人が病気による訃報等の悲報が報じられた場合、広告の表現を抑えた（自重した）内容に変更してもよい。

〔１−２．心身状態〕
上述した例では、ユーザの心身状態が不安であるかを推定する場合を示したが、推定装置１００は、ユーザの心身状態であれば、どのようなユーザの心身状態を推定してもよい。例えば、推定装置１００は、ユーザの心身状態が安心であるかを推定してもよい。この場合、推定装置１００は、ユーザの心身状態が安心であるかを推定するモデルを用いて推定処理を行ってもよい。また、例えば、推定装置１００は、ユーザの心身状態が疾病中であるかを推定してもよい。この場合、推定装置１００は、ユーザの心身状態が疾病中であるかを推定するモデルを用いて推定処理を行ってもよい。また、推定装置１００が推定する心身状態は、喜び、怒り、悲しみ、楽しみ、無感情等の感情であってもよい。

〔１−３．カテゴリ〕
また、上述した例では、心身状態を推定する対象カテゴリが「仕事」である場合を一例として説明したが、心身状態を推定する対象カテゴリは、「健康」、「将来」、「不明」であってもよい。また、心身状態を推定する対象カテゴリは、「家庭」や「お金」等のユーザの心身状態を推定する対象となるカテゴリであれば、どのようなカテゴリであってもよい。

〔２．推定装置の構成〕
次に、図３を用いて、実施形態に係る推定装置１００の構成について説明する。図３は、実施形態に係る推定装置１００の構成例を示す図である。図３に示すように、推定装置１００は、通信部１１０と、記憶部１２０と、制御部１３０とを有する。なお、推定装置１００は、推定装置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、モデル情報記憶部１２３と、レベル情報記憶部１２４と、コンテンツ情報記憶部１２５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」、「興味」、「保険情報」といった項目が含まれる。また、図示は省略するが、ユーザ情報記憶部１２１は、「自宅」、「勤務地」といったユーザの生活圏に関する位置情報が記憶されてもよい。

「ユーザＩＤ」は、ユーザを識別するための識別情報を示す。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、「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４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。「保険情報」は、ユーザＩＤにより識別されるユーザが加入している保険に関する情報が記憶される。例えば、「保険情報」は、ユーザＩＤにより識別されるユーザが加入している保険の種別や保険料等の種々の保険に関する情報が記憶される。なお、図４に示す例では、「保険情報」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４の例では、ユーザＩＤ「Ｕ１」により識別されるユーザ（ユーザＵ１）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Ｕ１は経済に興味があることを示す。また、例えば、ユーザＵ１は、加入している保険がないことを示す。

例えば、図４の例では、ユーザＩＤ「Ｕ３」により識別されるユーザ（ユーザＵ３）の年齢は、「３０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Ｕ３はスポーツに興味があることを示す。また、例えば、ユーザＵ３は、Ｂ損害保険に加入しており、保険料はＹ円であることを示す。

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、デモグラフィック属性情報やサイコグラフィック属性情報等の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。例えば、ユーザ情報記憶部１２１は、ユーザについて最後に取得された位置情報を最新の位置情報として記憶してもよい。

（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、ユーザのインターネット上における行動等の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ＩＤ」、「日時」、「位置」、「気象（天候、気温、湿度…）」、「内容」、「行動情報」といった項目が含まれる。また、図示は省略するが、行動情報記憶部１２２は、ユーザの健康状態を示す情報（健康情報）を記憶する。例えば、行動情報記憶部１２２は、各ユーザが通常の状態であるか、または通常の状態とは異なる状態であるかを示す情報を記憶する。例えば、行動情報記憶部１２２は、各ユーザが通常の状態であるか、または疾病中や負傷中等の負の状態であるかを示す情報を記憶する。例えば、行動情報記憶部１２２は、各ユーザが通常の状態である場合は「０」を記憶し、疾病中や負傷中等の負の状態である場合は「１」を健康情報として記憶する。なお、推定装置１００は、推定してもよいし、外部の情報処理装置から各ユーザの健康状態を示す情報を取得してもよい。例えば、推定装置１００は、情報提供元装置２０から各ユーザの健康状態を示す情報を取得してもよい。

「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ＩＤ」は、ユーザの行動を識別する情報を示す。「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、「ｄｔ１１」等のように抽象的に図示するが、「２０１７年１２月５日２３時１５分４８秒」等の具体的な日時が記憶されてもよい。

また、「位置」は、行動ＩＤにより識別される行動が行われた際のユーザの位置情報を示す。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、緯度経度情報等であってもよい。「気象（天候、気温、湿度…）」は、行動ＩＤにより識別される行動が行われた際のユーザの位置に対応する気象情報を示す。なお、気象情報は、天候、気温、湿度等に限らず、種々の情報が含まれてもよい。

また、「内容」は、対応するユーザの行動の具体的な内容を示す。また、「行動情報」は、行動ＩＤにより識別される行動に対応するユーザの行動情報を示す。図５では「行動情報」に「ＡＤＴ１１」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、ユーザが行った行動に関する種々の情報、または、その格納場所を示すファイルパス名などが格納される。例えば、「行動情報」は、対応する「日時」、「位置」、「気象（天候、気温、湿度…）」、「内容」に記憶された各種情報を含んでもよい。

例えば、図５の例では、ユーザＩＤ「Ｕ１」により識別されるユーザ（ユーザＵ１）は、行動ＩＤ「ＡＣ１１」により識別される行動（行動ＡＣ１１）や行動ＩＤ「ＡＣ１２」により識別される行動（行動ＡＣ１２）等を行ったことを示す。具体的には、図５の例ではユーザＵ１は、クエリ＃１１を用いた検索（行動ＡＣ１１）を日時ｄｔ１１に行ったことを示す。また、ユーザＵ１がクエリ＃１１を用いた検索を行った際の位置が位置ＬＣ１１であり、天候が晴れ、気温が摂氏２５度（２５℃）、湿度が６０％であったことを示す。また、行動情報ＡＤＴ１１は、上記のような行動ＡＣ１１に対応する行動情報であることを示す。

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。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、例えば時刻順に記憶されてもよい。

（モデル情報記憶部１２３）
実施形態に係るモデル情報記憶部１２３は、モデルに関する情報を記憶する。例えば、モデル情報記憶部１２３は、ユーザごとに生成されたモデル情報（モデルデータ）を記憶する。図６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６の例では、モデル情報記憶部１２３は、モデルデータセット１２３−１やモデルデータセット１２３−２やモデルデータセット１２３−３等のように対象ユーザごとに情報（テーブル）を記憶する。図６に示すモデルデータセット１２３−１〜１２３−３等は、「対象ユーザ」、「モデルＩＤ」、「対象カテゴリ」、「モデルデータ」といった項目が含まれる。なお、図６では、モデルＭ１−１〜Ｍ３−４等を図示するが、Ｍ１−５、Ｍ３−５等、各ユーザとカテゴリの組合せに応じて多数のモデル情報が記憶されてもよい。

図６の例では、モデルデータセット１２３−１は、対象ユーザであるユーザＩＤ「Ｕ１」により識別されるユーザ（ユーザＵ１）に対応するモデル群が記憶される。また、モデルデータセット１２３−２は、対象ユーザであるユーザＩＤ「Ｕ２」により識別されるユーザ（ユーザＵ２）に対応するモデル群が記憶される。また、モデルデータセット１２３−３は、対象ユーザであるユーザＩＤ「Ｕ３」により識別されるユーザ（ユーザＵ３）に対応するモデル群が記憶される。

「モデルＩＤ」は、モデルを識別するための識別情報を示す。例えば、モデルＩＤ「Ｍ１−１」により識別されるモデルは、図１の例に示したモデルＭ１−１に対応する。「対象カテゴリ」は、対応するモデルの対象カテゴリを示す。また、「モデルデータ」は、対応するモデルのデータを示す。例えば、「モデルデータ」には、各層におけるノードと、各ノードが採用する関数と、ノードの接続関係と、ノード間の接続に対して設定される接続係数とを含む情報が含まれる。

例えば、図６に示す例において、モデルＩＤ「Ｍ１−１」により識別されるモデル（モデルＭ１−１）は、対象カテゴリが「仕事（ＣＴＧ１）」であり、対象ユーザの仕事における心身状態が不安かどうかの推定に用いられることを示す。また、モデルＭ１−１のモデルデータは、モデルデータＭＤＴ１−１であることを示す。

例えば、モデルＭ１−１（モデルデータＭＤＴ１−１）は、ユーザの行動情報が入力される入力層と、出力層と、入力層から出力層までのいずれかの層であって出力層以外の層に属する第１要素と、第１要素と第１要素の重みとに基づいて値が算出される第２要素と、を含み、入力層に入力された行動情報に対し、出力層以外の各層に属する各要素を第１要素として、第１要素と第１要素の重みとに基づく演算を行うことにより、ユーザの心身状態の推定に用いられるスコアの値を出力層から出力するよう、コンピュータを機能させるためのモデルである。

ここで、モデルＭ１−１〜Ｍ３−４等が「ｙ＝ａ_１＊ｘ_１＋ａ_２＊ｘ_２＋・・・＋ａ_ｉ＊ｘ_ｉ」で示す回帰モデルで実現されるとする。この場合、例えば、モデルＭ１−１が含む第１要素は、ｘ１やｘ２等といった入力データ（ｘｉ）に対応する。また、第１要素の重みは、ｘｉに対応する係数ａｉに対応する。ここで、回帰モデルは、入力層と出力層とを有する単純パーセプトロンと見做すことができる。各モデルを単純パーセプトロンと見做した場合、第１要素は、入力層が有するいずれかのノードに対応し、第２要素は、出力層が有するノードと見做すことができる。

また、モデルＭ１−１〜Ｍ３−４等がＤＮＮ（Deep Neural Network）等、１つまたは複数の中間層を有するニューラルネットワーク（Neural Network）で実現されるとする。この場合、例えば、モデルＭ１−１が含む第１要素は、入力層または中間層が有するいずれかのノードに対応する。また、第２要素は、第１要素と対応するノードから値が伝達されるノードである次段のノードに対応する。また、第１要素の重みは、第１要素と対応するノードから第２要素と対応するノードに伝達される値に対して考慮される重みである接続係数に対応する。

なお、モデル情報記憶部１２３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。例えば、モデル情報記憶部１２３は、ユーザ属性ごとに生成されたモデルであって、そのユーザ属性に対応するユーザの心身状態の推定に用いられるモデルを記憶してもよい。例えば、モデル情報記憶部１２３は、２０代男性、２０代女性、３０代男性等のユーザ属性ごとに生成されたモデルであって、そのユーザ属性に対応するユーザの心身状態の推定に用いられるモデルを記憶してもよい。

（レベル情報記憶部１２４）
実施形態に係るレベル情報記憶部１２４は、レベルに関する各種情報を記憶する。例えば、レベル情報記憶部１２４は、各カテゴリのレベルに関する各種情報を記憶する。図７は、実施形態に係るレベル情報記憶部の一例を示す図である。例えば、レベル情報記憶部１２４には、「レベル」と「カテゴリ」との組み合わせによる判定条件が記憶される。具体的には、レベル情報記憶部１２４には、行「レベル」と列「カテゴリ」とする各マスには、対応するカテゴリにおけるユーザの心身状態のレベルのスコアに基づく判定条件を示す情報が記憶される。図７の例では、レベル情報記憶部１２４には、行「レベル」と列「カテゴリ」とする各マスには、対応するカテゴリにおけるユーザの不安のレベルのスコアに基づく判定条件を示す情報が記憶される。

「レベル」は、対応するカテゴリにおけるユーザの心身状態のレベルを示す。図７では、「レベル」には、「低（ＬＶ１）」、「中（ＬＶ２）」、「高（ＬＶ３）」といった項目が含まれる。なお、上記は一例であり、「レベル」には、低、中、高の３段階に限らず、種々の段階（例えば１０段階等）であってもよい。

「カテゴリ」は、ユーザの心身状態を推定する対象となるカテゴリを示す。図７では、「カテゴリ」には、「仕事（ＣＴＧ１）」、「健康（ＣＴＧ２）」、「将来（ＣＴＧ３）」、「不明（ＣＴＧ４）」といった項目が含まれる。なお、上記は一例であり、「カテゴリ」には、「家庭」や「お金」等のユーザの心身状態を推定する対象となるカテゴリであれば、どのようなカテゴリであってもよい。

図７の例では、各レベルと、各カテゴリとが交差するマスには、モデルが出力したスコアに応じたそのレベルに属するかの判定条件を示す。

図７の例では、レベル「低（ＬＶ１）」と、カテゴリ「仕事（ＣＴＧ１）」とが交差するマスには、「０．２以上０．５未満」が記憶されている。すなわち、図７の例では、カテゴリ「仕事（ＣＴＧ１）」を対象カテゴリとした場合、対象ユーザの行動情報が出力したスコアが０．２以上０．５未満（例えば０．３５等）である場合、仕事における対象ユーザの不安は「低（ＬＶ１）」、すなわち低レベルであることを示す。また、カテゴリ「仕事（ＣＴＧ１）」を対象カテゴリとした場合、対象ユーザの行動情報が出力したスコアが０．５以上０．８未満（例えば０．７等）である場合、仕事における対象ユーザの不安は「中（ＬＶ２）」、すなわち中レベルであることを示す。また、カテゴリ「仕事（ＣＴＧ１）」を対象カテゴリとした場合、対象ユーザの行動情報が出力したスコアが０．８以上（例えば０．９等）である場合、仕事における対象ユーザの不安は「高（ＬＶ３）」、すなわち高レベルであることを示す。

なお、レベル情報記憶部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。

（コンテンツ情報記憶部１２５）
実施形態に係るコンテンツ情報記憶部１２５は、コンテンツ（記事）に関する各種情報を記憶する。図８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８に示すコンテンツ情報記憶部１２５は、「コンテンツＩＤ」、「コンテンツ」、「内容」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を示す。図８では「コンテンツ」に「Ａコンテンツ」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、「内容」は、対応するコンテンツの具体的な内容を示す。例えば、「内容」は、対応するコンテンツのジャンル（種別）を示す。また、「内容」は、そのコンテンツを閲覧したユーザに与える心理的な作用を示す情報が記憶される。図８に示す「内容」中の括弧内は、コンテンツを閲覧したユーザがどのような心身状態になるかを示す。

図８の例では、コンテンツＩＤ「ＣＴ１１」により識別されるＡコンテンツ（コンテンツＣＴ１１）は、ジャンルがスポーツであることを示す。また、コンテンツＣＴ１１は、閲覧したユーザを「楽しい」という心身状態にさせることを示す。すなわち、コンテンツＣＴ１１は、閲覧したユーザの心身状態を正の状態にさせることを示す。例えば、コンテンツＣＴ１１は、閲覧したユーザの心身状態を安心の状態にさせることを示す。

また、コンテンツＩＤ「ＣＴ１２」により識別されるＢコンテンツ（コンテンツＣＴ１２）は、ジャンルが国際であることを示す。また、コンテンツＣＴ１２は、閲覧したユーザを「悲しい」という心身状態にさせることを示す。すなわち、コンテンツＣＴ１２は、閲覧したユーザの心身状態を負の状態にさせることを示す。例えば、コンテンツＣＴ１２は、閲覧したユーザの心身状態を不安の状態にさせることを示す。

なお、コンテンツ情報記憶部１２５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１２５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１２５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１２５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。

（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、推定装置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、コントローラであり、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。制御部１３０は、モデル情報記憶部１２３に記憶されているモデルＭ１−１等に従った情報処理により、ユーザの行動情報が入力される入力層と、出力層と、入力層から出力層までのいずれかの層であって出力層以外の層に属する第１要素と、第１要素と第１要素の重みとに基づいて値が算出される第２要素と、を含み、入力層に入力された行動情報に対し、出力層以外の各層に属する各要素を第１要素として、第１要素と第１要素の重みとに基づく演算を行うことにより、ユーザの心身状態の推定に用いられるスコアの値を出力層から出力する。

図３に示すように、制御部１３０は、取得部１３１と、選択部１３２と、推定部１３３と、選定部１３４と、決定部１３５と、提供部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。例えば、制御部１３０は、推定装置１００がモデルを生成する場合、変形例に係る推定装置１００Ａの生成部１３６を有してもよい。また、この場合、記憶部１２０は、レベル推定規則情報記憶部１２３Ａや不安行動リスト情報記憶部１２４Ａを有してもよい。例えば、推定装置１００がモデルを生成する場合、推定装置１００は、変形例に係る推定装置１００Ａと一体であってもよい。

制御部１３０は、記憶部１２０に記憶されているモデルＭ１−１（モデルデータＭＤＴ１−１）に従った情報処理により、第１要素と第１要素の重みとに基づいて値が算出される第２要素と、を含み、入力層に入力された行動情報に対し、出力層以外の各層に属する各要素を第１要素として、第１要素と第１要素の重みとに基づく演算を行うことにより、ユーザの心身状態の推定に用いられるスコアの値を出力層から出力する。なお、モデルＭ１−１等のモデルは、人工知能ソフトウェアの一部であるプログラムモジュールとしての利用が想定されるものであってもよい。モデルＭ１−１等のモデルは、プログラムであってもよい。

（取得部１３１）
取得部１３１は、種々の情報を取得する。例えば、取得部１３１は、外部の情報処理装置から情報要求を取得する。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。また、取得部１３１は、記憶部１２０から各種情報を取得する。また、取得部１３１は、ユーザ情報記憶部１２１や、行動情報記憶部１２２や、モデル情報記憶部１２３や、レベル情報記憶部１２４や、コンテンツ情報記憶部１２５等から各種情報を取得する。また、取得部１３１は、選択部１３２の選択に応じた情報を取得する。また、取得部１３１は、推定部１３３の推定に応じた情報を取得する。また、取得部１３１は、対象ユーザの健康状態を示す情報を取得する。取得部１３１は、ユーザ情報記憶部１２１から対象ユーザの健康状態を示す情報を取得する。例えば、取得部１３１は、外部の情報処理装置から対象ユーザの健康状態を示す情報を取得する。また、取得部１３１は、決定部１３５の決定に応じた情報を取得する。

取得部１３１は、対象ユーザの行動情報を取得する。また、取得部１３１は、インターネット上における対象ユーザの行動情報を取得する。また、取得部１３１は、対象ユーザが検索に用いたクエリ情報を含む行動情報を取得する。また、取得部１３１は、対象ユーザの購買情報を含む行動情報を取得する。また、取得部１３１は、対象ユーザの位置情報を含む行動情報を取得する。また、取得部１３１は、対象ユーザに対応する位置における気象情報を含む行動情報を取得する。

また、取得部１３１は、ユーザの行動情報からユーザの心身状態の推定に用いるモデルを取得する。また、取得部１３１は、心身状態の複数のレベルのうち、ユーザの心身状態がいずれのレベルであるかの推定に用いるモデルを取得する。また、取得部１３１は、ユーザごとに生成される複数のモデルを取得する。また、取得部１３１は、ユーザの心身状態を推定する対象となる複数のカテゴリ毎に生成される複数のモデルを取得する。

取得部１３１は、ユーザの行動情報を取得する。例えば、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。例えば、取得部１３１は、コンテンツの提供対象となる対象ユーザの行動情報を取得する。

図１の例では、取得部１３１は、ユーザＵ１が利用する端末装置１０からユーザＵ１の行動情報を取得する。例えば、取得部１３１は、端末装置１０からユーザＵ１のインターネット上における行動情報を取得する。例えば、取得部１３１は、ユーザＵ１がクエリ＃１１を用いた検索を行ったことを示す行動情報ＡＤＴ１１を取得する。例えば、取得部１３１は、ユーザＵ１がＳＮＳ＃１２において投稿を行ったことを示す行動情報ＡＤＴ１２を取得する。

（選択部１３２）
選択部１３２は、種々の情報を選択する。例えば、選択部１３２は、心身状態の推定に用いるモデルを選択する。

選択部１３２は、所定の対象毎に生成された複数のモデルのうち、所定の条件に基づいて一のモデルを選択する。選択部１３２は、所定の対象毎に生成された複数のモデルのうち、対象ユーザに対応する一のモデルを選択する。選択部１３２は、複数のモデルのうち、推定の対象となる対象カテゴリに対応する一のモデルを選択する。

図１の例では、選択部１３２は、モデル情報記憶部１２３から対象ユーザに対応するモデルを選択する。選択部１３２は、モデル情報記憶部１２３から対象ユーザであるユーザＵ１に対応するモデルデータセット１２３−１を選択する。また、選択部１３２は、モデルデータセット１２３−１から推定の対象とするカテゴリのモデルを選択する。選択部１３２は、ユーザの属性情報やユーザの行動内容やユーザに関する種々の情報に基づいて、推定の対象とするカテゴリのモデルを選択する。図１の例では、ユーザ情報記憶部１２１に示すようにユーザＵ１の興味が「経済」であるため、選択部１３２は、ユーザＵ１の対象カテゴリ「仕事」における心身状態が不安かどうかを推定する。選択部１３２は、対象カテゴリ「仕事」に対応するモデルＭ１−１を選択する。

（推定部１３３）
推定部１３３は、種々の情報を推定する。例えば、推定部１３３は、取得部１３１に取得された情報を用いてユーザの心身状態を推定する。例えば、推定部１３３は、ユーザの心身状態を推定する。

推定部１３３は、取得部１３１により取得された対象ユーザの行動を示す行動情報に基づいて、対象ユーザの心身状態を推定する。また、推定部１３３は、対象ユーザの心身状態が通常の状態とは異なる他の状態かどうかを推定する。また、推定部１３３は、対象ユーザの心身状態が通常の状態とは異なる負の状態かどうかを推定する。また、推定部１３３は、対象ユーザの心身状態が不安かどうかを推定する。

推定部１３３は、対象ユーザの行動情報とモデルとに基づいて、対象ユーザの心身状態を推定する。推定部１３３は、対象ユーザの行動情報が入力された場合にモデルが出力するスコアに基づいて、対象ユーザの心身状態のレベルを推定する。推定部１３３は、選択部１３２により選択された一のモデルに基づいて、対象ユーザの心身状態を推定する。推定部１３３は、選択部１３２により選択された一のモデルに基づいて、対象ユーザの心身状態を推定する。推定部１３３は、選択部１３２により選択された一のモデルに基づいて、対象カテゴリにおける対象ユーザの心身状態を推定する。

図１の例では、推定部１３３は、ユーザ情報記憶部１２１に示すようにユーザＵ１の興味が「経済」であるため、ユーザＵ１の対象カテゴリ「仕事」における心身状態が不安かどうかを推定する。推定部１３３は、モデルＭ１−１が出力したスコアと、レベル情報記憶部１２４に記憶されたレベル情報とに基づいて、ユーザＵ１の不安レベルを推定する。推定部１３３は、対象ユーザの行動情報が入力されたモデルＭ１−１が出力するスコアが０．２以上である場合、その対象ユーザの心身状態が不安であると推定する。推定部１３３は、モデルＭ１−１が出力するスコアに応じて、その対象ユーザの不安のレベルを推定する。また、例えば、推定部１３３は、対象ユーザの行動情報が入力されたモデルＭ１−１が出力するスコアが０．２未満である場合、その対象ユーザの心身状態が不安ではないと推定する。

図１の例では、推定部１３３は、モデルＭ１−１が出力したスコアが「０．８５」であり、最低レベルの「低（ＬＶ１）」の下限値「０．２」以上であるため、ユーザＵ１の仕事における心身状態が不安であると推定する。また、推定部１３３は、推定一覧ＥＳ１１に示すように、モデルＭ１−１が出力したスコアが「０．８５」であり、「高（ＬＶ３）」の判定条件を満たすため、ユーザＵ１の仕事における不安レベルが高であると推定する。例えば、推定部１３３は、ユーザＵ１が仕事での不安度が高いと推定する。

（選定部１３４）
選定部１３４は、種々の情報を選定する。例えば、選定部１３４は、ユーザの心身状態を示す情報やユーザの健康状態を示す情報に基づいて、所定の処理の対象となるユーザ（処理対象ユーザ）を選定する。

例えば、選定部１３４は、ユーザの健康状態を示す情報と、推定部１３３により推定された当該ユーザの心身状態とに基づいて、所定の処理を行う対象となるユーザである処理対象ユーザを選定する。選定部１３４は、対象ユーザの健康状態と、対象ユーザの心身状態との差が所定の条件を満たす場合、対象ユーザを処理対象ユーザとして選定する。選定部１３４は、対象ユーザの健康状態が通常の状態であり、対象ユーザの心身状態が通常の状態とは異なる他の状態である場合、対象ユーザを処理対象ユーザとして選定する。

例えば、選定部１３４は、対象ユーザの健康状態が通常の状態であり、対象ユーザの心身状態が負の状態である場合、対象ユーザを処理対象ユーザとして選定する。例えば、選定部１３４は、対象ユーザの健康状態が通常の状態であり、対象ユーザの心身状態が不安な状態である場合、対象ユーザを処理対象ユーザとして選定する。

図１の例では、選定部１３４は、対象ユーザであるユーザＵ１の仕事の不安レベルが「高」であるため、ユーザＵ１の心身状態が負の状態であるとして、ユーザＵ１の健康状態に応じて、ユーザＵ１を処理対象ユーザとして選定してもよい。例えば、選定部１３４は、ユーザ情報記憶部１２１に記憶されたユーザＵ１の健康状態に基づいて、ユーザＵ１を処理対象ユーザとして選定してもよい。例えば、選定部１３４は、ユーザＵ１の健康状態が通常の状態である場合、ユーザＵ１を処理対象ユーザとして選定してもよい。また、例えば、選定部１３４は、ユーザＵ１の健康状態が通常の状態とは異なる負の状態である場合、ユーザＵ１を処理対象ユーザとして選定しなくてもよい。このように、推定装置１００は、ユーザの心理状態と健康状態とに乖離がある場合に、そのユーザを処理対象ユーザとして選定することにより、より効率的に処理対象のターゲットとなるユーザを選定することができる。

（決定部１３５）
決定部１３５は、種々の情報を決定する。例えば、決定部１３５は、端末装置１０へ配信するコンテンツを決定する。例えば、決定部１３５は、選定部１３４により選定された処理対象ユーザに対して提供するサービスを決定する。例えば、決定部１３５は、選定部１３４により選定された処理対象ユーザに対して種々のサービスを提供すると決定する。例えば、決定部１３５は、選定部１３４により選定された処理対象ユーザに対して、保険の営業サービスや保険のセールスサービス等の種々のサービスを提供すると決定する。

例えば、決定部１３５は、推定部１３３により推定された対象ユーザの心身状態に基づいて、対象ユーザに適用する保険料を決定する。決定部１３５は、推定部１３３により推定された対象ユーザの心身状態に基づいて、対象ユーザに配信するコンテンツを決定する。決定部１３５は、推定部１３３により推定された対象ユーザの心身状態に基づいて、対象ユーザに提供するコンテンツを決定する。

図１の例では、決定部１３５は、推定したユーザＵ１の不安レベルに応じて、ユーザＵ１に提供するコンテンツ（提供コンテンツ）を決定する。決定部１３５は、コンテンツ情報記憶部１２５に記憶されたコンテンツから、ユーザＵ１への提供コンテンツを決定する。決定部１３５は、推定部１３３によりユーザＵ１の不安レベルが高いと推定されたため、コンテンツ情報記憶部１２５に記憶されたコンテンツのうち、ユーザの心身状態を正の状態にさせるコンテンツを、ユーザＵ１への提供コンテンツとして決定する。決定部１３５は、推定部１３３によりユーザＵ１の不安レベルが高いと推定されたため、ユーザの感情や気分を高揚させるコンテンツを、ユーザＵ１への提供コンテンツとして決定する。決定部１３５は、推定部１３３によりユーザＵ１の不安レベルが高いと推定されたため、ユーザを「楽しい」という心身状態にさせるＡコンテンツやＣコンテンツを提供コンテンツとして決定する。

（提供部１３６）
提供部１３６は、種々の情報を提供する。例えば、提供部１３６は、端末装置１０や情報提供元装置２０等の外部装置に各種情報を提供する。例えば、提供部１３６は、端末装置１０等の外部装置に各種情報を送信する。例えば、提供部１３６は、端末装置１０等の外部装置に各種情報を配信する。例えば、提供部１３６は、決定部１３５により決定された提供コンテンツを端末装置１０に提供する。例えば、提供部１３６は、選定部１３４により選定された処理対象ユーザに対して種々のサービスを提供する。例えば、提供部１３６は、選定部１３４により選定された処理対象ユーザに対して、決定部１３５により決定されたサービスを提供する。例えば、提供部１３６は、選定部１３４により選定された処理対象ユーザに対して、保険の営業サービスや保険のセールスサービス等の種々のサービスを提供する。例えば、提供部１３６は、選定部１３４により選定された処理対象ユーザに対して、コンテンツ提供等の種々の情報提供サービスを行う。

例えば、提供部１３６は、推定部１３３により推定された対象ユーザの心身状態に基づくサービスを提供する。また、提供部１３６は、推定部１３３により推定された対象ユーザの心身状態に基づく情報提供サービスを提供する。また、提供部１３６は、推定部１３３により推定された対象ユーザの心身状態に基づく広告配信サービスを提供する。

図１の例では、提供部１３６は、ユーザＵ１が利用する端末装置１０にコンテンツを提供する。また、提供部１３６は、決定部１３５により決定された提供コンテンツを端末装置１０に送信する。図１の例では、提供部１３６は、端末装置１０にＡコンテンツやＣコンテンツを提供コンテンツとして配信する。例えば、提供部１３６は、ユーザＵ１が選定部１３４により処理対象ユーザとして選定された場合、端末装置１０−１に情報を提供してもよい。また、例えば、提供部１３６は、ユーザＵ１が選定部１３４により処理対象ユーザとして選定されなかった場合、端末装置１０−１に情報を提供しなくもよい。

〔３．推定処理のフロー〕
次に、図９を用いて、実施形態に係る推定システム１による推定処理の手順について説明する。図９は、実施形態に係る推定処理の一例を示すフローチャートである。

まず、図９を用いて、コンテンツに関連付けるタグ情報の推定処理について説明する。図９に示すように、推定装置１００は、ユーザの心身状態の推定に用いるモデルを取得する（ステップＳ１０１）。例えば、推定装置１００は、対象ユーザに対応するモデルを取得する。図１の例では、推定装置１００は、モデル情報記憶部１２３から対象ユーザに対応するモデルを選択し、取得する。

また、推定装置１００は、対象ユーザの行動情報を取得する（ステップＳ１０２）。例えば、推定装置１００は、ユーザＵ１の行動情報を取得する。図１の例では、推定装置１００は、ユーザＵ１の行動情報ＡＤＴ１１や行動情報ＡＤＴ１２等を取得する。

そして、推定装置１００は、対象ユーザの行動情報とモデルとに基づいて、対象ユーザの心身状態を推定する（ステップＳ１０３）。例えば、推定装置１００は、対象ユーザの行動情報をモデルに入力することにより、モデルが出力するスコアに基づいて、対象ユーザの心身状態を推定する。図１の例では、推定装置１００は、カテゴリ「仕事」に対応するモデルＭ１−１にユーザＵ１の行動情報ＡＤＴ１１や行動情報ＡＤＴ１２等を入力し、モデルＭ１−１が出力したスコアに応じて、カテゴリ「仕事」におけるユーザＵ１の不安レベルを推定する。

〔４．変形例〕
上述した実施形態に係る推定システム１は、上記実施形態以外にも種々の異なる態様にて実施されてもよい。例えば、所定の不安行動のリストとレベル推定規則とを用いた推定処理が行われてもよい。そこで、以下では、上記の推定システム１の他の実施形態について説明する。なお、上述した実施形態と同様の点については同様の符号を付す等して適宜説明を省略する。例えば、実施形態に係る推定システム１と変形例における推定システムとは、推定装置１００と推定装置１００Ａとの相違以外は同様の構成である。以下、推定装置１００Ａによる推定処理について説明する。

〔４−１．推定処理〕
まず、図１０を用いて、変形例に係る推定システムにおける推定処理について説明する。図１０は、変形例に係る推定処理の一例を示す図である。図１０を用いて、推定装置１００ＡがユーザＵ２を対象ユーザとして、ユーザＵ２の心理状態が不安かどうかを推定する場合を説明する。

推定装置１００Ａは、ユーザＵ２が利用する端末装置１０からユーザＵ２の行動情報を取得する（ステップＳ２１）。例えば、推定装置１００Ａは、所定の期間（例えば１週間等）におけるユーザＵ２の行動情報を取得する。例えば、推定装置１００Ａは、直近１週間のユーザＵ２の行動情報ＡＤＴ２１、ＡＤＴ２２を取得する。

例えば、推定装置１００Ａは、端末装置１０からユーザＵ２のインターネット上における行動情報を取得する。図１０の例では、推定装置１００Ａは、ユーザＵ２がコンテンツ＃２１を閲覧したことを示す行動情報ＡＤＴ２１を取得する。なお、「コンテンツ＃２１」といった抽象的な符号で図示するが、「コンテンツ＃２１」は、所定の疾病に関するサイトである「ＤＳサイト」や所定の薬に関するサイトである「ＭＳサイト」等であってもよい。このように、行動情報ＡＤＴ２１は、ユーザＵ２がコンテンツ＃２１の閲覧（行動ＡＣ２１）を日時ｄｔ２１に行ったことを示す情報を含む。また、行動情報ＡＤＴ２１は、ユーザＵ２がコンテンツ＃２１を用いた検索を行った際の位置が位置ＬＣ２１であり、天候が雨、気温が摂氏２７度（２７℃）、湿度が９０％であったことを示す情報を含む。

図１０の例では、推定装置１００Ａは、ユーザＵ２が商品＃２２を購買（購入）したことを示す行動情報ＡＤＴ２２を取得する。なお、「商品＃２２」といった抽象的な符号で図示するが、「商品＃２２」は、睡眠導入剤である「Ｐ薬」や占いの本である「Ｆ書籍」等であってもよい。このように、行動情報ＡＤＴ２２は、ユーザＵ２が商品＃２２の購入（行動ＡＣ２２）を日時ｄｔ２２に行ったことを示す情報を含む。また、行動情報ＡＤＴ２２は、ユーザＵ２が商品＃２２の購入を行った際の位置が位置ＬＣ２２であり、天候が雲り、気温が摂氏２９度（２９℃）、湿度が８０％であったことを示す情報を含む。

そして、推定装置１００Ａは、ユーザＵ２の行動情報を収集する。図１０の例では、推定装置１００Ａは、収集したユーザＵ２の行動情報を行動情報記憶部１２２に記憶する。例えば、推定装置１００Ａは、ユーザＵ２の行動情報ＡＤＴ２１や行動情報ＡＤＴ２２をユーザＵ２に対応付けて行動情報記憶部１２２に記憶する。

そして、推定装置１００Ａは、カテゴリごとにユーザＵ２の不安レベルを推定する（ステップＳ２２）。図１０の例では、推定装置１００Ａは、レベル推定規則情報記憶部１２３Ａや不安行動リスト情報記憶部１２４Ａに記憶された情報を用いて、ユーザＵ２の不安レベルを推定する。

図１０中の不安行動リスト情報記憶部１２４Ａは、カテゴリごとに対応付けられた不安行動の一覧情報が記憶される。不安行動リスト情報記憶部１２４Ａは、カテゴリごとに不安行動としてカウント（集計）される行動に関する情報が記憶される。なお、不安行動リスト情報記憶部１２４Ａの詳細は図１３で詳述する。

例えば、推定装置１００Ａは、所定の期間におけるユーザＵ２の行動情報ＡＤＴ２１、ＡＤＴ２２等に含まれる不安行動の回数をカテゴリごとにカウントする。例えば、推定装置１００Ａは、直近１週間のユーザＵ２の行動情報ＡＤＴ２１、ＡＤＴ２２等に含まれる不安行動の回数をカテゴリごとにカウントする。図１０の例では、図示を省略するが、説明を簡単にするために、直近１週間のユーザＵ２の行動情報ＡＤＴ２１、ＡＤＴ２２等に含まれるカテゴリ「健康」に対応する不安行動の回数が「１２」回であり、カテゴリ「仕事」、「将来」、「不明」に対応する不安行動の回数が「０」回である場合を説明する。

例えば、推定装置１００Ａは、カウントした各カテゴリの不安行動の回数と、レベル推定規則情報記憶部１２３Ａの情報とを用いて、各カテゴリにおけるユーザＵ２の不安レベルを推定する。

図１０中のレベル推定規則情報記憶部１２３Ａは、行「レベル」と列「カテゴリ」とする各マスには、対応するカテゴリにおけるユーザの心身状態のレベルのスコアに基づく推定規則を示す情報（ルール情報）を示す。「レベル」は、対応するカテゴリにおけるユーザの心身状態のレベルを示す。図１０では、「レベル」には、「低（ＬＶ１）」、「中（ＬＶ２）」、「高（ＬＶ３）」といった項目が含まれる。

「カテゴリ」は、ユーザの心身状態を推定する対象となるカテゴリを示す。図１０では、「カテゴリ」には、「仕事（ＣＴＧ１）」、「健康（ＣＴＧ２）」、「将来（ＣＴＧ３）」、「不明（ＣＴＧ４）」といった項目が含まれる。

例えば、各レベルと、各カテゴリとが交差するマスには、対応するカテゴリにおける各レベルにユーザの心身状態があるかを推定するレベル推定規則（レベル推定モデル）を示す。図１０の例では、各レベルと、各カテゴリとが交差するマスには、対応するカテゴリにおける各レベルにユーザの不安レベルが該当するかを推定するレベル推定規則を示す。

図１０の例では、レベル「高（ＬＶ３）」と、カテゴリ「健康（ＣＴＧ２）」とが交差するマスには、「所定期間の不安行動の回数が１０回以上」が記憶されている。すなわち、図１０の例では、カテゴリ「健康（ＣＴＧ２）」では、所定の期間（例えば１週間等）における対象ユーザの行動情報に含まれる不安行動の回数が１０回以上である場合、対象ユーザの不安は「高（ＬＶ３）」、すなわち高レベルであることを示す。

例えば、推定装置１００Ａは、直近の１週間の対象ユーザの行動情報に含まれる不安行動の回数（以下「不安回数」ともいう）と、各レベルの閾値（３回や５回や１０回等）とを比較する。例えば、推定装置１００Ａは、不安回数が、高レベルの閾値「１０」以上である場合、対象ユーザの健康における不安は高レベルであると推定する。また、例えば、推定装置１００Ａは、不安回数が、高レベルの閾値「１０」未満であり中レベルの閾値「５」以上である場合、対象ユーザの健康における不安は中レベルであると推定する。また、例えば、推定装置１００Ａは、不安回数が、中レベルの閾値「５」未満であり低レベルの閾値「３」以上である場合、対象ユーザの健康における不安は低レベルであると推定する。

図１０の例では、推定装置１００Ａは、カテゴリ「健康」に対応する不安行動の回数が「１２」回であり、カテゴリ「健康（ＣＴＧ２）」のレベル「高（ＬＶ３）」の「所定期間の不安行動の回数が１０回以上」の条件を満たすと判定する。そのため、推定装置１００Ａは、推定レベル一覧ＵＬ２１に示すように、ユーザＵ２の健康の不安レベルを高と推定する。

また、図１０の例では、推定装置１００Ａは、カテゴリ「仕事」、「将来」、「不明」に対応する不安行動の回数が「０」回であるため、ユーザＵ２の仕事、将来、及び不明の不安はないと推定する。そのため、推定装置１００Ａは、推定レベル一覧ＵＬ２１に示すように、ユーザＵ２の仕事、将来、及び不明の不安レベルを「無し（ＬＶ０）」と推定する。

そして、推定装置１００Ａは、推定したユーザＵ２の不安レベルに応じて、ユーザＵ２の保険料を決定する（ステップＳ２３）。図１０の例では、推定装置１００Ａは、ユーザ情報記憶部１２１に示すように、ユーザＵ２は保険に未加入であるため、推定したユーザＵ２の不安レベルに応じて、ユーザＵ２の加入を推奨する際に提示する保険料を決定する。

例えば、推定装置１００Ａは、ユーザＵ２の健康の不安レベルが高いと推定したため、他のユーザが支払う保険料よりも高い保険料をユーザＵ２に提示すると決定する。例えば、推定装置１００Ａは、ユーザＵ２とユーザ属性が類似するユーザが加入している保険への加入を推奨する情報提供をユーザＵ２に行うと決定する。また、推定装置１００Ａは、ユーザＵ２の健康の不安レベルが高いと推定したため、ユーザＵ２とユーザ属性が類似するユーザが支払う保険料よりも高い保険料をユーザＵ２に提示すると決定する。

図１０の例では、推定装置１００Ａは、２０代女性であるユーザＵ５が加入しているＣがん保険を、ユーザＵ５が支払う保険料よりも高い保険料でユーザＵ２に提示すると決定する。例えば、推定装置１００Ａは、ユーザＵ５が支払う保険料Ｚ円よりも高いＵＺ円を保険料としてＣがん保険をユーザＵ２に推奨すると決定する。

そして、推定装置１００Ａは、ユーザＵ２が利用する端末装置１０に情報を提供する（ステップＳ２４）。例えば、推定装置１００Ａは、ユーザＵ２が利用する端末装置１０にＣがん保険への加入を勧誘する情報を送信する。図１０の例では、推定装置１００Ａは、ユーザＵ５が支払う保険料Ｚ円よりも高いＵＺ円を保険料としてＣがん保険を勧める広告（例えば、広告ＡＣＸ）をユーザＵ２が利用する端末装置１０に配信する。例えば、推定装置１００Ａは、Ｃがん保険を示す情報と、その保険料がＵＺ円であることを示す情報を含む広告ＡＣＸをユーザＵ２が利用する端末装置１０に配信する。

上述のように、推定装置１００Ａは、ユーザのインターネット上における行動等の種々の行動情報に基づいて、ユーザの心身状態を推定することにより、ユーザの行動からユーザの状態を適切に推定することができる。また、推定装置１００Ａは、ユーザの行動情報に含まれる不安行動の回数とレベル推定規則とを用いることにより、ユーザの行動からユーザの状態を適切に推定することができる。また、推定装置１００Ａは、心身状態が不安であるユーザに、ユーザが不安に感じている対象（カテゴリ）に対応する情報を提供することができる。例えば、推定装置１００Ａは、ユーザの心身状態に応じた広告等の情報をユーザに適切に提供することができる。

〔４−２．推定装置の構成〕
次に、図１１を用いて、変形例に係る推定装置１００Ａの構成について説明する。図１１は、変形例に係る推定装置１００Ａの構成例を示す図である。図１１に示すように、推定装置１００Ａは、通信部１１０と、記憶部１２０Ａと、制御部１３０Ａとを有する。なお、推定装置１００Ａについては、実施形態に係る推定装置１００と同様の点については、適宜説明を省略する。

（記憶部１２０Ａ）
記憶部１２０Ａは、例えば、ＲＡＭ、フラッシュメモリ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。変形例に係る記憶部１２０Ａは、図１１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、レベル推定規則情報記憶部１２３Ａと、不安行動リスト情報記憶部１２４Ａとを有する。

（レベル推定規則情報記憶部１２３Ａ）
変形例に係るレベル推定規則情報記憶部１２３Ａは、レベル推定規則（レベル推定モデル）に関する各種情報を記憶する。レベル推定規則情報記憶部１２３Ａは、ユーザの心身状態のレベルの推定に用いる各種情報を記憶する。例えば、レベル推定規則情報記憶部１２３Ａは、各カテゴリのレベルの推定に用いる各種情報を記憶する。図１２は、変形例に係るレベル推定規則情報記憶部の一例を示す図である。例えば、レベル推定規則情報記憶部１２３Ａには、「レベル」と「カテゴリ」との組み合わせによる推定モデル（推定規則）が記憶される。具体的には、レベル推定規則情報記憶部１２３Ａには、行「レベル」と列「カテゴリ」とする各マスには、対応するカテゴリにおけるユーザの心身状態のレベルのスコアに基づく推定規則を示す情報（ルール情報）が記憶される。図１２の例では、レベル推定規則情報記憶部１２３Ａには、行「レベル」と列「カテゴリ」とする各マスには、ユーザの不安行動に基づくカテゴリごとの不安レベルの推定モデルを示す情報が記憶される。

「レベル」は、対応するカテゴリにおけるユーザの心身状態のレベルを示す。図１２では、「レベル」には、「低（ＬＶ１）」、「中（ＬＶ２）」、「高（ＬＶ３）」といった項目が含まれる。なお、上記は一例であり、「レベル」には、低、中、高の３段階に限らず、種々の段階（例えば１０段階等）であってもよい。

「カテゴリ」は、ユーザの心身状態を推定する対象となるカテゴリを示す。図１２では、「カテゴリ」には、「仕事（ＣＴＧ１）」、「健康（ＣＴＧ２）」、「将来（ＣＴＧ３）」、「不明（ＣＴＧ４）」といった項目が含まれる。なお、上記は一例であり、「カテゴリ」には、「家庭」や「お金」等のユーザの心身状態を推定する対象となるカテゴリであれば、どのようなカテゴリであってもよい。

例えば、各レベルと、各カテゴリとが交差するマスには、対応するカテゴリにおける各レベルにユーザの心身状態があるかを推定するレベル推定規則を示す。図１２の例では、各レベルと、各カテゴリとが交差するマスには、対応するカテゴリにおける各レベルにユーザの不安レベルが該当するかを推定するレベル推定規則を示す。

図１２の例では、レベル「低（ＬＶ１）」と、カテゴリ「仕事（ＣＴＧ１）」とが交差するマスには、「所定期間の不安行動の回数が通常時の１．２倍以上」が記憶されている。すなわち、図１２の例では、カテゴリ「仕事（ＣＴＧ１）」では、所定の期間（例えば１週間等）における対象ユーザの行動情報に含まれる不安行動の回数が通常時の１．２倍以上である場合、対象ユーザの不安は「低（ＬＶ１）」、すなわち低レベルであることを示す。

例えば、推定装置１００Ａは、直近の１週間の対象ユーザの行動情報に含まれる不安行動の回数と、過去１年間における対象ユーザの行動情報に含まれる不安行動の回数の１週間の平均回数（通常時平均）とを比較する。例えば、推定装置１００Ａは、過去１年間における対象ユーザの行動情報に含まれる不安行動の回数を所定の期間（１週間場合、「７」）で除算することにより通常時平均を算出する。そして、推定装置１００Ａは、直近の１週間の対象ユーザの行動情報に含まれる不安行動の回数が、通常時平均の１．２倍以上である場合、対象ユーザの仕事における不安は低レベルであると推定する。例えば、推定装置１００Ａは、直近の１週間の対象ユーザの不安行動の回数が１５回であり、通常時平均が１０回である場合、直近の１週間が通常時の「１．５（＝１５／１０）」倍と算出する。この場合、推定装置１００Ａは、直近の１週間が通常時の１．２倍以上であるため、対象ユーザの仕事における不安は低レベルであると推定する。なお、通常時平均の算出の基となる対象は、過去１年に限らず、過去半年や過去３年等の種々の期間であってもよい。

図１２の例では、レベル「中（ＬＶ２）」と、カテゴリ「仕事（ＣＴＧ１）」とが交差するマスには、「所定期間の不安行動の回数が通常時の２倍以上」が記憶されている。すなわち、図１２の例では、カテゴリ「仕事（ＣＴＧ１）」では、所定の期間（例えば１週間等）における対象ユーザの行動情報に含まれる不安行動の回数が通常時の２倍以上である場合、対象ユーザの不安は「中（ＬＶ２）」、すなわち中レベルであることを示す。例えば、推定装置１００Ａは、直近の１週間の対象ユーザの不安行動の回数が２５回であり、通常時平均が１０回である場合、直近の１週間が通常時の「２．５（＝２５／１０）」倍と算出する。この場合、推定装置１００Ａは、直近の１週間が通常時の２倍以上であるため、対象ユーザの仕事における不安は中レベルであると推定する。

図１２の例では、レベル「高（ＬＶ３）」と、カテゴリ「仕事（ＣＴＧ１）」とが交差するマスには、「所定期間の不安行動の回数が通常時の５倍以上」が記憶されている。すなわち、図１２の例では、カテゴリ「仕事（ＣＴＧ１）」では、所定の期間（例えば１週間等）における対象ユーザの行動情報に含まれる不安行動の回数が通常時の５倍以上である場合、対象ユーザの不安は「高（ＬＶ３）」、すなわち高レベルであることを示す。例えば、推定装置１００Ａは、直近の１週間の対象ユーザの不安行動の回数が１００回であり、通常時平均が１０回である場合、直近の１週間が通常時の「１０（＝１００／１０）」倍と算出する。この場合、推定装置１００Ａは、直近の１週間が通常時の５倍以上であるため、対象ユーザの仕事における不安は高レベルであると推定する。

このように、レベル推定規則情報記憶部１２３Ａには、通常時との相対的な比較に基づくレベル推定のモデルが記憶されてもよい。推定装置１００Ａは、通常時との相対的な比較に基づいてユーザの心身状態のレベルを推定してもよい。

また、レベル推定規則情報記憶部１２３Ａには、カテゴリ「健康（ＣＴＧ２）」の欄に示すように、不安行動の回数等の絶対値を用いて、ユーザの心身状態を推定してもよい。例えば、レベル「低（ＬＶ１）」と、カテゴリ「健康（ＣＴＧ２）」とが交差するマスには、「所定期間の不安行動の回数が３回以上」が記憶されている。この場合、推定装置１００Ａは、直近の１週間の対象ユーザの行動情報に含まれる不安行動の回数が３回以上である場合、対象ユーザの仕事における不安は低レベルであると推定する。このように、推定装置１００Ａは、対象ユーザの行動情報に含まれる不安行動の回数と所定の閾値との比較に基づいて、ユーザの心身状態のレベルを推定してもよい。

なお、レベル推定規則情報記憶部１２３Ａ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、レベル推定規則情報記憶部１２３Ａは、その行動のみでユーザが不安であると推定する特定の行動（特定行動）がある場合、その情報を記憶してもよい。例えば、レベル推定規則情報記憶部１２３Ａは、対象ユーザが特定行動を行っている場合、その対象ユーザのあるカテゴリにおける不安を高レベルと推定する規則を記憶してもよい。例えば、レベル推定規則情報記憶部１２３Ａは、対象ユーザの行動情報にクエリ「退職届」等の特定のクエリを用いた行動が含まれる場合、その対象ユーザの仕事における不安を高レベルと推定する規則を記憶してもよい。

（不安行動リスト情報記憶部１２４Ａ）
変形例に係る不安行動リスト情報記憶部１２４Ａは、不安行動に関する情報を記憶する。例えば、不安行動リスト情報記憶部１２４Ａは、カテゴリごとに対応付けられた不安行動のリスト（一覧）情報を記憶する。図１３は、変形例に係る不安行動リスト情報記憶部の一例を示す図である。図１３の例では、不安行動リスト情報記憶部１２４Ａは、行動一覧セット１２４Ａ−１や行動一覧セット１２４Ａ−２や行動一覧セット１２４Ａ−３や行動一覧セット１２４Ａ−４等のようにカテゴリごとに情報（テーブル）を記憶する。図１３に示す行動一覧セット１２４Ａ−１〜１２４Ａ−４等は、「カテゴリ」、「種別」、「不安行動リスト」といった項目が含まれる。なお、各カテゴリ及び種別の不安行動は推定装置１００Ａの管理者が設定してもよい。また、推定装置１００Ａは、全カテゴリに共通の不安行動リストを用いてもよい。

図１３の例では、行動一覧セット１２４Ａ−１は、カテゴリが「仕事（ＣＴＧ１）」に対応する不安行動リストが記憶される。また、行動一覧セット１２４Ａ−２は、カテゴリが「健康（ＣＴＧ２）」に対応する不安行動リストが記憶される。また、行動一覧セット１２４Ａ−３は、カテゴリが「将来（ＣＴＧ３）」に対応する不安行動リストが記憶される。また、行動一覧セット１２４Ａ−４は、カテゴリが「不明（ＣＴＧ４）」に対応する不安行動リストが記憶される。

「種別」は、不安行動を取得（集計）する行動の種別を示す。図１３の例では、「種別」は、「検索」、「購買」、「閲覧」、「保険加入」、「位置」を図示するが、「投稿」等の種々の種別が含まれてもよい。また、「種別」には、「天候」や「気温」等、ユーザが行動を行う際の気象条件等が含まれてもよい。すなわち、不安行動には、ユーザの行動に関連する情報であれば、どのような情報が含まれてもよい。

「不安行動リスト」には、各種別に対応する不安行動の一覧が記憶される。「不安行動リスト」には、「不安行動＃１」、「不安行動＃２」、「不安行動＃３」といった項目が含まれる。なお、図１３では、不安行動＃１〜不安行動＃３等を図示するが、カテゴリ及び種別に対応する不安行動が４つ以上ある場合は、不安行動＃４、不安行動＃５等、４つ以上の不安行動が記憶されてもよい。

例えば、図１３に示す例において、カテゴリ「仕事（ＣＴＧ１）」において、種別「検索」に対応する不安行動は、「クエリＵＱ１」や「クエリＵＱ２」や「クエリＵＱ３」等のクエリを用いた検索であることを示す。なお、図１３では、「クエリＵＱ１」といった抽象的な符号で図示するが、「クエリＵＱ１」等は、「業績不振」や「不況」等の仕事に関するクエリ（文字情報）であってもよい。なお、「クエリＵＱ１」等は、文字情報に限らず、画像等の情報であってもよい。

例えば、図１３に示す例において、カテゴリ「仕事（ＣＴＧ１）」において、種別「購買」に対応する不安行動は、「取引対象ＵＴ１」や「取引対象ＵＴ２」や「取引対象ＵＴ３」等の取引対象の購入であることを示す。例えば、取引対象は、商品またはサービス等の種々の取引対象であってもよい。なお、図１３では、「取引対象ＵＴ１」といった抽象的な符号で図示するが、「取引対象ＵＴ１」等は、睡眠導入剤である「Ｐ薬」や占いの本である「Ｆ書籍」等の取引対象であってもよい。

例えば、図１３に示す例において、カテゴリ「仕事（ＣＴＧ１）」において、種別「閲覧」に対応する不安行動は、「コンテンツＵＣ１」や「コンテンツＵＣ２」や「コンテンツＵＣ３」等のコンテンツの閲覧であることを示す。なお、図１３では、「コンテンツＵＣ１」といった抽象的な符号で図示するが、「コンテンツＵＣ１」等は、大規模災害のニュースである「Ｎニュース」や占いのサイト「Ｆサイト」等のコンテンツ（ウェブページ）であってもよい。なお、「コンテンツＵＣ１」等は、ウェブページ等に限らず、動画や音声等の種々のコンテンツであってもよい。

例えば、図１３に示す例において、カテゴリ「仕事（ＣＴＧ１）」において、種別「保険加入」に対応する不安行動は、「保険ＩＳ１」や「保険ＩＳ２」や「保険ＩＳ３」等の保険への加入であることを示す。なお、図１３では、「保険ＩＳ１」といった抽象的な符号で図示するが、「保険ＩＳ１」等は、「ＸＸ生命保険」や「ＹＹがん保険」等の保険であってもよい。

例えば、図１３に示す例において、カテゴリ「仕事（ＣＴＧ１）」において、種別「位置」に対応する不安行動は、「位置ＵＬ１」や「位置ＵＬ２」や「位置ＵＬ３」等の位置へのユーザの訪問であることを示す。なお、図１３では、「位置ＵＬ１」といった抽象的な符号で図示するが、「位置ＵＬ１」等は、職業安定所が位置する場所や病院が位置する場所等の具体的な緯度経度や住所等の情報であってもよい。

なお、不安行動リスト情報記憶部１２４Ａ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、不安行動リスト情報記憶部１２４Ａは、ユーザ属性ごとに対応付けられた不安行動リストを記憶してもよい。例えば、不安行動リスト情報記憶部１２４Ａは、２０代男性、２０代女性、３０代男性等のユーザ属性ごと対応付けられた不安行動リストを記憶してもよい。

（制御部１３０Ａ）
制御部１３０Ａは、コントローラ（controller）であり、例えば、ＣＰＵやＭＰＵ等によって、推定装置１００Ａ内部の記憶装置に記憶されている各種プログラム（推定プログラムや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１３０Ａは、コントローラ（controller）であり、例えば、ＡＳＩＣやＦＰＧＡ等の集積回路により実現される。

図１１に示すように、制御部１３０Ａは、取得部１３１と、推定部１３３Ａと、決定部１３５Ａと、提供部１３６Ａと、生成部１３６とを有し、以下に説明する推定処理の機能や作用を実現または実行する。なお、制御部１３０Ａは、図１１に示した構成に限られず、後述する推定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）
変形例に係る取得部１３１は、実施形態に係る取得部１３１と同様の処理を行う。取得部１３１は、実施形態に係る取得部１３１と同様に種々の情報を取得する。

図１０の例では、取得部１３１は、ユーザＵ２が利用する端末装置１０からユーザＵ２の行動情報を取得する。取得部１３１は、所定の期間（例えば１週間等）におけるユーザＵ２の行動情報を取得する。例えば、推定装置１００Ａは、直近１週間のユーザＵ２の行動情報ＡＤＴ２１、ＡＤＴ２２を取得する。取得部１３１は、端末装置１０からユーザＵ２のインターネット上における行動情報を取得する。取得部１３１は、ユーザＵ２がコンテンツ＃２１を閲覧したことを示す行動情報ＡＤＴ２１を取得する。取得部１３１は、ユーザＵ２が商品＃２２を購買（購入）したことを示す行動情報ＡＤＴ２２を取得する。

（推定部１３３Ａ）
変形例に係る推定部１３３Ａは、実施形態に係る推定部１３３と同様の処理を行う。推定部１３３Ａは、実施形態に係る推定部１３３と同様に種々の推定を行う。推定部１３３Ａは、実施形態に係る推定部１３３と同様に種々の情報を推定する。

図１０の例では、推定部１３３Ａは、カテゴリごとにユーザＵ２の不安レベルを推定する。推定部１３３Ａは、レベル推定規則情報記憶部１２３Ａや不安行動リスト情報記憶部１２４Ａに記憶された情報を用いて、ユーザＵ２の不安レベルを推定する。推定部１３３Ａは、カウントした各カテゴリの不安行動の回数と、レベル推定規則情報記憶部１２３Ａの情報とを用いて、各カテゴリにおけるユーザＵ２の不安レベルを推定する。

図１０の例では、推定部１３３Ａは、直近の１週間の対象ユーザの行動情報に含まれる不安行動の回数（不安回数）と、各レベルの閾値（３回や５回や１０回等）とを比較する。例えば、推定部１３３Ａは、不安回数が、高レベルの閾値「１０」以上である場合、対象ユーザの健康における不安は高レベルであると推定する。また、例えば、推定部１３３Ａは、不安回数が、高レベルの閾値「１０」未満であり中レベルの閾値「５」以上である場合、対象ユーザの健康における不安は中レベルであると推定する。また、例えば、推定部１３３Ａは、不安回数が、中レベルの閾値「５」未満であり低レベルの閾値「３」以上である場合、対象ユーザの健康における不安は低レベルであると推定する。

図１０の例では、推定部１３３Ａは、カテゴリ「健康」に対応する不安行動の回数が「１２」回であり、カテゴリ「健康（ＣＴＧ２）」のレベル「高（ＬＶ３）」の「所定期間の不安行動の回数が１０回以上」の条件を満たすと判定する。そのため、推定部１３３Ａは、推定レベル一覧ＵＬ２１に示すように、ユーザＵ２の健康の不安レベルを高と推定する。

また、図１０の例では、推定部１３３Ａは、カテゴリ「仕事」、「将来」、「不明」に対応する不安行動の回数が「０」回であるため、ユーザＵ２の仕事、将来、及び不明の不安はないと推定する。そのため、推定部１３３Ａは、推定レベル一覧ＵＬ２１に示すように、ユーザＵ２の仕事、将来、及び不明の不安レベルを「無し（ＬＶ０）」と推定する。

（決定部１３５Ａ）
変形例に係る決定部１３５Ａは、実施形態に係る決定部１３５と同様の処理を行う。決定部１３５Ａは、実施形態に係る決定部１３５と同様に種々の決定を行う。決定部１３５Ａは、実施形態に係る決定部１３５と同様に種々の情報を決定する。

図１０の例では、決定部１３５Ａは、推定部１３３Ａにより推定されたユーザＵ２の不安レベルに応じて、ユーザＵ２の保険料を決定する。決定部１３５Ａは、ユーザ情報記憶部１２１に示すように、ユーザＵ２は保険に未加入であるため、推定部１３３Ａにより推定されたユーザＵ２の不安レベルに応じて、ユーザＵ２の加入を推奨する際に提示する保険料を決定する。

例えば、決定部１３５Ａは、ユーザＵ２の健康の不安レベルが高いと推定部１３３Ａにより推定されたため、他のユーザが支払う保険料よりも高い保険料をユーザＵ２に提示すると決定する。例えば、決定部１３５Ａは、ユーザＵ２とユーザ属性が類似するユーザが加入している保険への加入を推奨する情報提供をユーザＵ２に行うと決定する。また、決定部１３５Ａは、ユーザＵ２の健康の不安レベルが高いと推定部１３３Ａにより推定されたため、ユーザＵ２とユーザ属性が類似するユーザが支払う保険料よりも高い保険料をユーザＵ２に提示すると決定する。

図１０の例では、決定部１３５Ａは、２０代女性であるユーザＵ５が加入しているＣがん保険を、ユーザＵ５が支払う保険料よりも高い保険料でユーザＵ２に提示すると決定する。例えば、決定部１３５Ａは、ユーザＵ５が支払う保険料Ｚ円よりも高いＵＺ円を保険料としてＣがん保険をユーザＵ２に推奨すると決定する。

（提供部１３６Ａ）
変形例に係る提供部１３６Ａは、実施形態に係る提供部１３６と同様の処理を行う。提供部１３６Ａは、実施形態に係る提供部１３６と同様に種々の提供を行う。提供部１３６Ａは、実施形態に係る提供部１３６と同様に種々の情報を提供する。

図１０の例では、提供部１３６Ａは、ユーザＵ２が利用する端末装置１０に情報を提供する。提供部１３６Ａは、ユーザＵ２が利用する端末装置１０にＣがん保険への加入を勧誘する情報を送信する。提供部１３６Ａは、ユーザＵ５が支払う保険料Ｚ円よりも高いＵＺ円を保険料としてＣがん保険を勧める広告（広告ＡＣＸ）をユーザＵ２が利用する端末装置１０に配信する。提供部１３６Ａは、Ｃがん保険を示す情報と、その保険料がＵＺ円であることを示す情報を含む広告ＡＣＸをユーザＵ２が利用する端末装置１０に配信する。

（生成部１３６）
生成部１３６は、種々の生成を行う。例えば、生成部１３６は、モデルを生成する。例えば、生成部１３６は、図６中のモデル情報記憶部１２３に示すような各種モデルを生成する。

例えば、生成部１３６は、図１０に示すような推定処理により収集される学習データを用いて、図６中のモデル情報記憶部１２２に示すようなモデルを生成する。例えば、生成部１３６は、図１０において推定した不安レベルを正解情報として、各ユーザや各カテゴリに対応するモデルを生成してもよい。例えば、生成部１３６は、図１０に示す対象ユーザの行動情報と推定した不安レベルとの組合せを学習データとして、モデルを生成してもよい。

例えば、生成部１３６は、図１０中の推定レベル一覧ＵＬ２１に示すような各カテゴリの不安レベルを正解情報として用いてもよい。例えば、生成部１３６は、図１０に示す所定の期間におけるユーザＵ２の行動情報ＡＴＤ２１、ＡＤＴ２２等（「入力用データ」とする）と、その入力用データに対応する各カテゴリの不安レベルを学習データとして、各ユーザや各カテゴリに対応するモデルを生成してもよい。例えば、生成部１３６は、ユーザＵ２の入力用データの場合、カテゴリ「健康」の不安レベルは高レベルと推定されるため、ユーザＵ２の入力用データが入力された場合に高いスコアを出力するモデルＭ２−２（図６参照）を生成してもよい。

このように、生成部１３６は、ユーザＵ２の入力用データが入力された場合に高いスコア（例えば「１」）を出力するユーザＵ２及びカテゴリ「健康」に対応するモデルを生成してもよい。例えば、生成部１３６は、ユーザＵ２の入力用データがモデルＭ２−２に入力された場合に、モデルＭ２−２が出力するスコアが「１」に近づくように、学習処理を行う。

また、例えば、生成部１３６は、ユーザＵ２の入力用データの場合、カテゴリ「仕事」の不安レベルは無し「ＬＶ０」と推定されるため、ユーザＵ２の入力用データが入力された場合に低いスコアを出力するモデルＭ２−１（図６参照）を生成してもよい。このように、生成部１３６は、ユーザＵ２の入力用データが入力された場合に低いスコア（例えば「０」）を出力するユーザＵ２及びカテゴリ「仕事」に対応するモデルを生成してもよい。例えば、生成部１３６は、ユーザＵ２の入力用データがモデルＭ２−１に入力された場合に、モデルＭ２−１が出力するスコアが「０」に近づくように、学習処理を行う。

また、例えば、生成部１３６は、不安レベルが低レベルや中レベルと推定される場合、その行動情報が入力された場合に、所定のレベル情報（図７中のレベル情報記憶部１２４参照）に対応するスコアを出力するようにモデルを生成してもよい。例えば、生成部１３６は、カテゴリ「仕事」の不安レベルが低レベルと推定される場合、その行動情報が入力された場合に、カテゴリ「仕事」の低レベルに対応する「０．２以上０．５未満」のスコア（例えば、「０．４」等）等を出力するカテゴリ「仕事」に対応するモデルを生成してもよい。例えば、生成部１３６は、カテゴリ「仕事」の不安レベルが低レベルと推定される行動情報がモデルに入力された場合に、そのモデルが出力するスコアが「０．４」に近づくように、学習処理を行う。

また、例えば、生成部１３６は、カテゴリ「仕事」の不安レベルが中レベルと推定される場合、その行動情報が入力された場合に、カテゴリ「仕事」の中レベルに対応する「０．５以上０．８未満」のスコア（例えば、「０．７」等）等を出力するカテゴリ「仕事」に対応するモデルを生成してもよい。例えば、生成部１３６は、カテゴリ「仕事」の不安レベルが中レベルと推定される行動情報がモデルに入力された場合に、そのモデルが出力するスコアが「０．７」に近づくように、学習処理を行う。

例えば、生成部１３６は、図６に示すようなモデルＭ１−１〜Ｍ３−４等を生成し、生成したモデルＭ１−１〜Ｍ３−４等を記憶部１２０Ａに格納する。なお、生成部１３６は、いかなる学習アルゴリズムを用いてモデルＭ１−１〜Ｍ３−４等を生成してもよい。例えば、生成部１３６は、ニューラルネットワーク、サポートベクターマシン（ＳＶＭ：Support Vector Machine）、クラスタリング、強化学習等の学習アルゴリズムを用いてモデルＭ１−１〜Ｍ３−４等を生成する。一例として、生成部１３６がニューラルネットワークを用いてモデルＭ１−１〜Ｍ３−４等を生成する場合、モデルＭ１−１〜Ｍ３−４等は、一以上のニューロンを含む入力層と、一以上のニューロンを含む中間層と、一以上のニューロンを含む出力層とを有する。

生成部１３６は、モデルを生成し、生成したモデルを記憶部１２０Ａに格納する。具体的には、生成部１３６は、ユーザの行動情報が入力される入力層と、出力層と、入力層から出力層までのいずれかの層であって出力層以外の層に属する第１要素と、第１要素と第１要素の重みとに基づいて値が算出される第２要素と、を含み、入力層に入力された行動情報に対し、出力層以外の各層に属する各要素を第１要素として、第１要素と第１要素の重みとに基づく演算を行うことにより、ユーザの心身状態の推定に用いられるスコアの値を出力層から出力するモデルを生成する。

なお、モデルの学習手法については、上述した手法に限定されるものではなく、任意の公知技術が適用可能である。なお、各モデルの生成は、機械学習に関する種々の従来技術を適宜用いて行われてもよい。例えば、モデルの生成は、サポートベクターマシン等の教師あり学習の機械学習に関する技術を用いて行われてもよい。また、例えば、モデルの生成は、教師なし学習の機械学習に関する技術を用いて行われてもよい。例えば、モデルの生成は、深層学習（ディープラーニング）の技術を用いて行われてもよい。例えば、モデルの生成は、ＤＮＮやＲＮＮ（Recurrent Neural Network）やＣＮＮ（Convolutional Neural Network）等の種々のディープラーニングの技術を適宜用いて行われてもよい。なお、上記モデルの生成に関する記載は例示であり、モデルの生成は、取得可能な情報等に応じて適宜選択された学習手法により行われてもよい。すなわち、生成部１３６は、学習データに含まれる行動情報が入力された場合に、正解情報に対応するスコアを出力するようにモデルＭ１−１〜Ｍ３−４等を学習可能であれば、どのような手法によりモデルＭ１−１〜Ｍ３−４等の生成を行ってもよい。

このように、生成部１３６は、ユーザの行動情報と各カテゴリの不安レベルとを正解情報とする学習データに基づいてモデルを生成する。例えば、生成部１３６は、行動情報に関する特徴量を用いて、モデルを生成する。例えば、生成部１３６は、ユーザの行動の内容に関する特徴量を用いて、モデルを生成する。例えば、生成部１３６は、ユーザが用いたクエリやユーザが購入した取引対象等のユーザの行動の対象に関する特徴量を用いて、モデルを生成する。また、例えば、生成部１３６は、ユーザの行動における時間情報や位置情報や気象情報に関する特徴量を用いて、モデルを生成する。例えば、生成部１３６は、図１０に示す例において収集されたユーザの行動情報に含まれるその行動に関する特徴を学習し、その行動を行っているユーザの心理状態を推定するモデルを生成する。なお、生成部１３６が学習する行動情報に含まれる特徴は、推定装置１００Ａの管理者等の人間が生成部１３６に入力してもよいし、推定装置１００Ａに自動的に学習（抽出）させてもよい。

また、推定装置１００Ａと推定装置１００とが別体である場合、推定装置１００Ａは、推定装置１００にモデル情報を提供してもよい。この場合、例えば、推定装置１００Ａは、実施形態に係る推定システム１における情報提供元装置２０であってもよい。

〔５．レベル推定規則情報について〕
また、推定装置１００Ａは、ユーザ属性ごとに対応付けられたレベル推定規則情報を用いてもよい。例えば、推定装置１００Ａは、２０代男性、２０代女性、３０代男性等のユーザ属性ごと対応付けられたレベル推定規則情報を用いてもよい。この点について図１４を用いて説明する。図１４は、変形例に係るレベル推定規則情報記憶部の他の一例を示す図である。

（レベル推定規則情報記憶部１２３Ｂ）
変形例に係るレベル推定規則情報記憶部１２３Ｂは、レベル推定規則に関する各種情報を記憶する。レベル推定規則情報記憶部１２３Ｂは、ユーザの心身状態のレベルの推定に用いる各種情報を記憶する。例えば、レベル推定規則情報記憶部１２３Ｂは、各カテゴリのレベルの推定に用いる各種情報を記憶する。図１４は、変形例に係るレベル推定規則情報記憶部の一例を示す図である。図１４の例では、レベル推定規則情報記憶部１２３Ｂは、レベル推定規則セット１２３Ｂ−１やレベル推定規則セット１２３Ｂ−２やレベル推定規則セット１２３Ｂ−３等のようにユーザ属性ごとに情報（テーブル）を記憶する。図１４に示すレベル推定規則セット１２３Ｂ−１〜１２３Ｂ−３等は、「ユーザ属性」の項目を有し、「レベル」と「カテゴリ」との組み合わせによる推定モデル（推定規則）が記憶される。具体的には、レベル推定規則セット１２３Ｂ−１〜１２３Ｂ−３等には、行「レベル」と列「カテゴリ」とする各マスには、対応するカテゴリにおけるユーザの心身状態のレベルのスコアに基づく推定規則を示す情報（ルール情報）が記憶される。図１４の例では、レベル推定規則情報記憶部１２３Ｂには、行「レベル」と列「カテゴリ」とする各マスには、ユーザの不安行動に基づくカテゴリごとの不安レベルの推定モデルを示す情報が記憶される。

図１４の例では、レベル推定規則セット１２３Ｂ−１は、ユーザ属性が「２０代男性」に対応する不安行動リストが記憶される。また、レベル推定規則セット１２３Ｂ−２は、ユーザ属性が「２０代女性」に対応する不安行動リストが記憶される。また、レベル推定規則セット１２３Ｂ−３は、ユーザ属性が「３０代男性」に対応する不安行動リストが記憶される。

「レベル」は、対応するカテゴリにおけるユーザの心身状態のレベルを示す。図１４では、「レベル」には、「低（ＬＶ１）」、「中（ＬＶ２）」、「高（ＬＶ３）」といった項目が含まれる。なお、上記は一例であり、「レベル」には、低、中、高の３段階に限らず、種々の段階（例えば１０段階等）であってもよい。

「カテゴリ」は、ユーザの心身状態を推定する対象となるカテゴリを示す。図１４では、「カテゴリ」には、「仕事（ＣＴＧ１）」、「健康（ＣＴＧ２）」、「将来（ＣＴＧ３）」、「不明（ＣＴＧ４）」といった項目が含まれる。なお、上記は一例であり、「カテゴリ」には、「家庭」や「お金」等のユーザの心身状態を推定する対象となるカテゴリであれば、どのようなカテゴリであってもよい。

例えば、各レベルと、各カテゴリとが交差するマスには、対応するカテゴリにおける各レベルにユーザの心身状態があるかを推定するレベル推定規則を示す。図１４の例では、各レベルと、各カテゴリとが交差するマスには、対応するカテゴリにおける各レベルにユーザの不安レベルが該当するかを推定するレベル推定規則を示す。

図１４のレベル推定規則情報記憶部１２３Ｂの情報を用いる場合、推定装置１００Ａは、対象ユーザのユーザ属性に対応するレベル推定規則セットを用いて、対象ユーザの心身状態を推定する。例えば、推定装置１００Ａは、対象ユーザのユーザ属性が「２０代女性」である場合、レベル推定規則セット１２３Ｂ−２に記憶されたレベル推定規則を用いて、対象ユーザの心身状態を推定する。これにより、推定装置１００Ａは、対象ユーザの属するユーザ属性に応じて、対象ユーザの心身状態を適切に推定することができる。

また、例えば、推定装置１００Ａは、ユーザ属性ごとにレベル推定規則を用いて推定した心身状態を正解情報として、ユーザ属性ごとのモデルを生成してもよい。このようなユーザ属性ごとのモデルを用いることにより、推定装置１００Ａは、対象ユーザが属するユーザ属性におけるユーザ群との比較に基づいて、対象ユーザの心身状態を推定することができる。

〔６．実施形態と変形例の組合せについて〕
例えば、推定装置１００Ａは、生成したモデルを用いた推定を行う場合、実施形態に係る推定装置１００と同様の処理を行ってもよい。また、この場合、推定装置１００Ａの記憶部１２０Ａは、モデル情報記憶部１２３やレベル情報記憶部１２４やコンテンツ情報記憶部１２５を有してもよい。また、推定装置１００Ａの制御部１３０Ａは、選択部１３２を有してもよい。例えば、推定装置１００Ａがモデルを用いた推定を行う場合、推定装置１００Ａは、実施形態に係る推定装置１００と一体であってもよい。

この場合、例えば、推定装置１００Ａは、モデルが生成前の対象ユーザや対象カテゴリについては、レベル推定規則情報記憶部１２３Ａや不安行動リスト情報記憶部１２４Ａの情報を用いて推定処理を行う。例えば、推定装置１００Ａは、ユーザＵ１がモデル生成前である場合、ユーザＵ１のカテゴリ「仕事」における心身状態をレベル推定規則情報記憶部１２３Ａや不安行動リスト情報記憶部１２４Ａの情報を用いて推定する。例えば、推定装置１００Ａは、図１０に示すように、ユーザＵ２がモデル生成前である場合、ユーザＵ２の心身状態をレベル推定規則情報記憶部１２３Ａや不安行動リスト情報記憶部１２４Ａの情報を用いて推定する。

また、推定装置１００Ａは、モデルが生成後の対象ユーザや対象カテゴリについては、モデル情報記憶部１２３やレベル情報記憶部１２４の情報を用いて推定処理を行う。例えば、推定装置１００Ａは、図１に示すように、ユーザＵ１がモデル生成後である場合、ユーザＵ１の心身状態をモデル情報記憶部１２３やレベル情報記憶部１２４の情報を用いて推定する。例えば、推定装置１００Ａは、図１に示すように、ユーザＵ１に対応するモデルＭ１−１を用いて、ユーザＵ１のカテゴリ「仕事」における心身状態が不安かどうかを推定する。例えば、推定装置１００Ａは、ユーザＵ２がモデル生成後である場合、ユーザＵ２の心身状態をモデル情報記憶部１２３やレベル情報記憶部１２４の情報を用いて推定する。例えば、推定装置１００Ａは、ユーザＵ２がモデル生成後である場合、ユーザＵ２に対応するモデルＭ２−１を用いて、ユーザＵ２のカテゴリ「仕事」における心身状態が不安かどうかを推定する。

例えば、推定装置１００Ａは、モデルを生成するための学習データが所定の閾値以上となったユーザやカテゴリから順にモデルを生成してもよい。この場合、推定装置１００Ａは、モデルを生成済みの推定対象についてはモデルを用いて推定を行い、モデルを未生成の推定対象についてはレベル推定規則情報記憶部１２３Ａや不安行動リスト情報記憶部１２４Ａの情報を用いて推定を行ってもよい。

〔７．効果〕
上述してきたように、実施形態に係る推定装置１００及び変形例に係る推定装置１００Ａは、取得部１３１と、推定部１３３、１３３Ａとを有する。取得部１３１は、対象ユーザの行動情報を取得する。また、推定部１３３、１３３Ａは、取得部１３１により取得された対象ユーザの行動を示す行動情報に基づいて、対象ユーザの心身状態を推定する。

これにより、実施形態に係る推定装置１００及び変形例に係る推定装置１００Ａは、対象ユーザの行動に基づいて、対象ユーザの心身状態を推定することができ、ユーザの状態を適切に推定することができる。

また、実施形態に係る推定装置１００及び変形例に係る推定装置１００Ａにおいて、取得部１３１は、インターネット上における対象ユーザの行動情報を取得する。

これにより、実施形態に係る推定装置１００及び変形例に係る推定装置１００Ａは、インターネット上における対象ユーザの行動に基づいて、対象ユーザの心身状態を推定することができ、ユーザの状態を適切に推定することができる。

また、実施形態に係る推定装置１００及び変形例に係る推定装置１００Ａにおいて、取得部１３１は、対象ユーザが検索に用いたクエリ情報を含む行動情報を取得する。

これにより、実施形態に係る推定装置１００及び変形例に係る推定装置１００Ａは、対象ユーザが検索に用いたクエリ情報に基づいて、対象ユーザの心身状態を推定することができ、ユーザの状態を適切に推定することができる。

また、実施形態に係る推定装置１００及び変形例に係る推定装置１００Ａにおいて、取得部１３１は、対象ユーザの購買情報を含む行動情報を取得する。

これにより、実施形態に係る推定装置１００及び変形例に係る推定装置１００Ａは、対象ユーザの購買情報に基づいて、対象ユーザの心身状態を推定することができ、ユーザの状態を適切に推定することができる。

また、実施形態に係る推定装置１００及び変形例に係る推定装置１００Ａにおいて、取得部１３１は、対象ユーザの位置情報を含む行動情報を取得する。

これにより、実施形態に係る推定装置１００及び変形例に係る推定装置１００Ａは、対象ユーザの位置情報に基づいて、対象ユーザの心身状態を推定することができ、ユーザの状態を適切に推定することができる。

また、実施形態に係る推定装置１００及び変形例に係る推定装置１００Ａにおいて、取得部１３１は、対象ユーザに対応する位置における気象情報を含む行動情報を取得する。

これにより、実施形態に係る推定装置１００及び変形例に係る推定装置１００Ａは、対象ユーザに対応する位置における気象情報に基づいて、対象ユーザの心身状態を推定することができ、ユーザの状態を適切に推定することができる。

また、実施形態に係る推定装置１００及び変形例に係る推定装置１００Ａにおいて、推定部１３３、１３３Ａは、対象ユーザの心身状態が通常の状態とは異なる他の状態かどうかを推定する。

これにより、実施形態に係る推定装置１００及び変形例に係る推定装置１００Ａは、対象ユーザの心身状態が通常の状態とは異なる他の状態かどうかを推定することができ、ユーザの状態を適切に推定することができる。

また、実施形態に係る推定装置１００及び変形例に係る推定装置１００Ａにおいて、推定部１３３、１３３Ａは、対象ユーザの心身状態が通常の状態とは異なる負の状態かどうかを推定する。

これにより、実施形態に係る推定装置１００及び変形例に係る推定装置１００Ａは、対象ユーザの心身状態が通常の状態とは異なる負の状態かどうかを推定することができ、ユーザの状態を適切に推定することができる。

また、実施形態に係る推定装置１００及び変形例に係る推定装置１００Ａにおいて、推定部１３３、１３３Ａは、対象ユーザの心身状態が不安かどうかを推定する。

これにより、実施形態に係る推定装置１００及び変形例に係る推定装置１００Ａは、対象ユーザの心身状態が不安かどうかを推定することができ、ユーザの状態を適切に推定することができる。

また、実施形態に係る推定装置１００及び変形例に係る推定装置１００Ａにおいて、取得部１３１は、ユーザの行動情報からユーザの心身状態の推定に用いるモデルを取得する。推定部１３３、１３３Ａは、対象ユーザの行動情報とモデルとに基づいて、対象ユーザの心身状態を推定する。

これにより、実施形態に係る推定装置１００及び変形例に係る推定装置１００Ａは、モデルを用いて対象ユーザの心身状態を推定することができ、ユーザの状態を適切に推定することができる。

また、実施形態に係る推定装置１００及び変形例に係る推定装置１００Ａにおいて、取得部１３１は、心身状態の複数のレベルのうち、ユーザの心身状態がいずれのレベルであるかの推定に用いるモデルを取得する。推定部１３３、１３３Ａは、対象ユーザの行動情報が入力された場合にモデルが出力するスコアに基づいて、対象ユーザの心身状態のレベルを推定する。

これにより、実施形態に係る推定装置１００及び変形例に係る推定装置１００Ａは、対象ユーザの行動情報が入力された場合にモデルが出力するスコアに基づいて、対象ユーザの心身状態のレベルを推定することができ、ユーザの状態を適切に推定することができる。

また、実施形態に係る推定装置１００及び変形例に係る推定装置１００Ａは、選択部１３２を有する。選択部１３２は、所定の対象毎に生成された複数のモデルのうち、所定の条件に基づいて一のモデルを選択する。推定部１３３、１３３Ａは、選択部１３２により選択された一のモデルに基づいて、対象ユーザの心身状態を推定する。

これにより、実施形態に係る推定装置１００及び変形例に係る推定装置１００Ａは、対象ユーザの行動情報が入力された場合にモデルが出力するスコアに基づいて、対象ユーザの心身状態のレベルを推定することができ、ユーザの状態を適切に推定することができる。

また、実施形態に係る推定装置１００及び変形例に係る推定装置１００Ａにおいて、取得部１３１は、ユーザごとに生成される複数のモデルを取得する。選択部１３２は、所定の対象毎に生成された複数のモデルのうち、対象ユーザに対応する一のモデルを選択する。推定部１３３、１３３Ａは、選択部１３２により選択された一のモデルに基づいて、対象ユーザの心身状態を推定する。

これにより、実施形態に係る推定装置１００及び変形例に係る推定装置１００Ａは、所定の対象毎に生成された複数のモデルのうち、対象ユーザに対応する一のモデルを選択し、選択した一のモデルに基づいて、一のモデルに対応する所定の対象に関する対象ユーザの心身状態のレベルを推定することができ、ユーザの状態を適切に推定することができる。

また、実施形態に係る推定装置１００及び変形例に係る推定装置１００Ａにおいて、取得部１３１は、ユーザの心身状態を推定する対象となる複数のカテゴリ毎に生成される複数のモデルを取得する。選択部１３２は、複数のモデルのうち、推定の対象となる対象カテゴリに対応する一のモデルを選択する。推定部１３３、１３３Ａは、選択部１３２により選択された一のモデルに基づいて、対象カテゴリにおける対象ユーザの心身状態を推定する。

これにより、実施形態に係る推定装置１００及び変形例に係る推定装置１００Ａは、複数のカテゴリ毎に生成された複数のモデルのうち、対象ユーザに対応する一のモデルを選択し、選択した一のモデルに基づいて、一のモデルに対応するカテゴリに関する対象ユーザの心身状態のレベルを推定することができ、ユーザの状態を適切に推定することができる。

また、実施形態に係る推定装置１００及び変形例に係る推定装置１００Ａは、選定部１３４を有する。選定部１３４は、ユーザの健康状態を示す情報と、推定部１３３、１３３Ａにより推定された当該ユーザの心身状態とに基づいて、所定の処理を行う対象となるユーザである処理対象ユーザを選定する。

これにより、実施形態に係る推定装置１００及び変形例に係る推定装置１００Ａは、ユーザの健康状態を示す情報と、推定部１３３、１３３Ａにより推定された当該ユーザの心身状態とに基づいて、所定の処理を行う対象となるユーザである処理対象ユーザを選定することにより、ユーザの健康及び心身の両方の状態に応じて適切に処理対象となるユーザを選定することができる。

また、実施形態に係る推定装置１００及び変形例に係る推定装置１００Ａにおいて、取得部１３１は、対象ユーザの健康状態を示す情報を取得する。選定部１３４は、対象ユーザの健康状態と、対象ユーザの心身状態との差が所定の条件を満たす場合、対象ユーザを処理対象ユーザとして選定する。

これにより、実施形態に係る推定装置１００及び変形例に係る推定装置１００Ａは、対象ユーザの健康状態と、対象ユーザの心身状態との差が所定の条件を満たす場合、対象ユーザを処理対象ユーザとして選定することにより、ユーザの健康及び心身の両方の状態に応じて適切に処理対象となるユーザを選定することができる。

また、実施形態に係る推定装置１００及び変形例に係る推定装置１００Ａにおいて、選定部１３４は、対象ユーザの健康状態が通常の状態であり、対象ユーザの心身状態が通常の状態とは異なる他の状態である場合、対象ユーザを処理対象ユーザとして選定する。

これにより、実施形態に係る推定装置１００及び変形例に係る推定装置１００Ａは、対象ユーザの健康状態が通常の状態であり、対象ユーザの心身状態が通常の状態とは異なる他の状態である場合、対象ユーザを処理対象ユーザとして選定することにより、ユーザの健康及び心身の両方の状態に応じて適切に処理対象となるユーザを選定することができる。

また、実施形態に係る推定装置１００及び変形例に係る推定装置１００Ａは、決定部１３５、１３５Ａを有する。決定部１３５、１３５Ａは、推定部１３３、１３３Ａにより推定された対象ユーザの心身状態に基づいて、対象ユーザに適用する保険料を決定する。

これにより、実施形態に係る推定装置１００及び変形例に係る推定装置１００Ａは、推定された対象ユーザの心身状態に基づいて、対象ユーザに適用する保険料を決定でき、ユーザの状態に応じて適切な保険サービスを提供可能にすることができる。

また、実施形態に係る推定装置１００及び変形例に係る推定装置１００Ａは、提供部１３６、１３６Ａを有する。提供部１３６、１３６Ａは、推定部１３３、１３３Ａにより推定された対象ユーザの心身状態に基づくサービスを提供する。

これにより、実施形態に係る推定装置１００及び変形例に係る推定装置１００Ａは、推定された対象ユーザの心身状態に基づいて、対象ユーザにサービスを提供でき、ユーザの状態に応じて適切なサービスを提供可能にすることができる。

また、実施形態に係る推定装置１００及び変形例に係る推定装置１００Ａにおいて、提供部１３６、１３６Ａは、推定部１３３、１３３Ａにより推定された対象ユーザの心身状態に基づく情報提供サービスを提供する。

これにより、実施形態に係る推定装置１００及び変形例に係る推定装置１００Ａは、推定された対象ユーザの心身状態に基づいて、対象ユーザに適切な情報を提供することができ、ユーザの状態に応じて適切な情報提供サービスを提供可能にすることができる。

また、実施形態に係る推定装置１００及び変形例に係る推定装置１００Ａにおいて、提供部１３６、１３６Ａは、推定部１３３、１３３Ａにより推定された対象ユーザの心身状態に基づくコンテンツ配信サービスを提供する。

これにより、実施形態に係る推定装置１００及び変形例に係る推定装置１００Ａは、推定された対象ユーザの心身状態に基づいて、対象ユーザに適切なコンテンツを配信することができ、ユーザの状態に応じて適切なコンテンツ配信サービスを提供可能にすることができる。

〔８．ハードウェア構成〕
上述してきた実施形態に係る推定装置１００及び変形例に係る推定装置１００Ａは、例えば図１５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１５は、推定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が実施形態に係る推定装置１００や変形例に係る推定装置１００Ａ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（例えば、モデルＭ１−１（モデルデータＭＤＴ１−１））を実行することにより、制御部１３０、１３０Ａ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（例えば、モデルＭ１−１（モデルデータＭＤＴ１−１））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。

〔９．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 推定システム
１００ 推定装置
１２１ ユーザ情報記憶部
１２２ 行動情報記憶部
１２３ モデル情報記憶部
１２４ レベル情報記憶部
１２５ コンテンツ情報記憶部
１３０ 制御部
１３１ 取得部
１３２ 選択部
１３３ 推定部
１３４ 選定部
１３５ 決定部
１３６ 提供部
１０ 端末装置
５０ 情報提供元装置
Ｎ ネットワーク

Claims (29)

1. 対象ユーザの行動情報を取得する取得部と、
   前記取得部により取得された前記対象ユーザの行動を示す行動情報に基づいて、ユーザの心身状態を推定する対象となり、ユーザが人生において不安を抱く対象となる複数のカテゴリのうち、前記対象ユーザの属性情報と前記対象ユーザの行動情報とに応じた対象カテゴリにおける前記対象ユーザの心身状態を推定する推定部と、
   を備えることを特徴とする推定装置。
2. 前記取得部は、
   インターネット上における前記対象ユーザの前記行動情報を取得する
   ことを特徴とする請求項１に記載の推定装置。
3. 前記取得部は、
   前記対象ユーザが検索に用いたクエリ情報を含む前記行動情報を取得する
   ことを特徴とする請求項２に記載の推定装置。
4. 前記取得部は、
   前記対象ユーザの購買情報を含む前記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項に記載の推定装置。
5. 前記取得部は、
   前記対象ユーザの位置情報を含む前記行動情報を取得する
   ことを特徴とする請求項１〜４のいずれか１項に記載の推定装置。
6. 前記取得部は、
   前記対象ユーザに対応する位置における気象情報を含む前記行動情報を取得する
   ことを特徴とする請求項１〜５のいずれか１項に記載の推定装置。
7. 前記推定部は、
   前記対象ユーザの心身状態が通常の状態とは異なる他の状態かどうかを推定する
   ことを特徴とする請求項１〜６のいずれか１項に記載の推定装置。
8. 前記推定部は、
   前記対象ユーザの心身状態が通常の状態とは異なる負の状態かどうかを推定する
   ことを特徴とする請求項７に記載の推定装置。
9. 前記推定部は、
   前記対象ユーザの心身状態が不安かどうかを推定する
   ことを特徴とする請求項８に記載の推定装置。
10. 前記取得部は、
    ユーザの行動情報から前記ユーザの心身状態の推定に用いるモデルを取得し、
    前記推定部は、
    前記対象ユーザの行動情報と前記モデルとに基づいて、前記対象ユーザの心身状態を推定する
    ことを特徴とする請求項１〜９のいずれか１項に記載の推定装置。
11. 前記取得部は、
    前記対象ユーザの心身状態の推定として、前記心身状態の複数のレベルのうち、前記ユーザの前記心身状態がいずれのレベルであるかの推定に用いる前記モデルを取得し、
    前記推定部は、
    前記対象ユーザの行動情報が入力された場合に前記モデルが出力するスコアに基づいて、前記対象ユーザの心身状態の推定として、前記対象ユーザの前記心身状態のレベルを推定する
    ことを特徴とする請求項１０に記載の推定装置。
12. 所定の対象毎に生成された複数の前記モデルのうち、所定の条件に基づいて一の前記モデルを選択する選択部、
    をさらに備え、
    前記推定部は、
    前記選択部により選択された前記一の前記モデルに基づいて、前記対象ユーザの心身状態を推定する
    ことを特徴とする請求項１０または請求項１１に記載の推定装置。
13. 前記選択部は、
    前記ユーザごとに生成される前記複数の前記モデルのうち、前記対象ユーザに対応する前記一の前記モデルを選択し、
    前記推定部は、
    前記選択部により選択された前記一の前記モデルに基づいて、前記対象ユーザの心身状態を推定する
    ことを特徴とする請求項１２に記載の推定装置。
14. 前記選択部は、
    前記ユーザの前記心身状態を推定する対象となる複数のカテゴリ毎に生成される前記複数の前記モデルのうち、推定の対象となる対象カテゴリに対応する前記一の前記モデルを選択し、
    前記推定部は、
    前記選択部により選択された前記一の前記モデルに基づいて、前記対象カテゴリにおける前記対象ユーザの心身状態を推定する
    ことを特徴とする請求項１２に記載の推定装置。
15. ユーザの健康状態を示す情報と、前記推定部により推定された当該ユーザの前記心身状態とに基づいて、所定の処理を行う対象となるユーザである処理対象ユーザを選定する選定部、
    をさらに備えることを特徴とする請求項１〜１４のいずれか１項に記載の推定装置。
16. 前記取得部は、
    前記対象ユーザの健康状態を示す情報を取得し、
    前記選定部は、
    前記対象ユーザの健康状態と、前記対象ユーザの心身状態との差が所定の条件を満たす場合、前記対象ユーザを前記処理対象ユーザとして選定する
    ことを特徴とする請求項１５に記載の推定装置。
17. 前記選定部は、
    前記対象ユーザの健康状態が通常の状態であり、前記対象ユーザの心身状態が前記通常の状態とは異なる他の状態である場合、前記対象ユーザを前記処理対象ユーザとして選定する
    ことを特徴とする請求項１６に記載の推定装置。
18. 前記推定部により推定された前記対象ユーザの前記心身状態に基づいて、前記対象ユーザに適用する保険料を決定する決定部、
    をさらに備えることを特徴とする請求項１〜１７のいずれか１項に記載の推定装置。
19. 前記推定部により推定された前記対象ユーザの前記心身状態に基づくサービスを提供する提供部、
    をさらに備えることを特徴とする請求項１〜１８のいずれか１項に記載の推定装置。
20. 前記提供部は、
    前記推定部により推定された前記対象ユーザの前記心身状態に基づく情報提供サービスを提供する
    ことを特徴とする請求項１９に記載の推定装置。
21. 前記提供部は、
    前記推定部により推定された前記対象ユーザの前記心身状態に基づくコンテンツ配信サービスを提供する
    ことを特徴とする請求項１９または請求項２０に記載の推定装置。
22. コンピュータが実行する推定方法であって、
    対象ユーザの行動情報を取得する取得工程と、
    前記取得工程により取得された前記対象ユーザの行動を示す行動情報に基づいて、ユーザの心身状態を推定する対象となり、ユーザが人生において不安を抱く対象となる複数のカテゴリのうち、前記対象ユーザの属性情報と前記対象ユーザの行動情報とに応じた対象カテゴリにおける前記対象ユーザの心身状態を推定する推定工程と、
    を含むことを特徴とする推定方法。
23. 対象ユーザの行動情報を取得する取得手順と、
    前記取得手順により取得された前記対象ユーザの行動を示す行動情報に基づいて、ユーザの心身状態を推定する対象となり、ユーザが人生において不安を抱く対象となる複数のカテゴリのうち、前記対象ユーザの属性情報と前記対象ユーザの行動情報とに応じた対象カテゴリにおける前記対象ユーザの心身状態を推定する推定手順と、
    をコンピュータに実行させることを特徴とする推定プログラム。
24. 対象ユーザの行動情報を取得する取得部と、
    前記取得部により取得された前記対象ユーザの行動を示す行動情報に基づいて、前記対象ユーザの心身状態を推定する推定部と、
    ユーザの健康状態を示す情報と、前記推定部により推定された当該ユーザの前記心身状態とに基づいて、所定の処理を行う対象となるユーザである処理対象ユーザを選定する選定部と、
    を備えることを特徴とする推定装置。
25. コンピュータが実行する推定方法であって、
    対象ユーザの行動情報を取得する取得工程と、
    前記取得工程により取得された前記対象ユーザの行動を示す行動情報に基づいて、前記対象ユーザの心身状態を推定する推定工程と、
    ユーザの健康状態を示す情報と、前記推定工程により推定された当該ユーザの前記心身状態とに基づいて、所定の処理を行う対象となるユーザである処理対象ユーザを選定する選定工程と、
    を含むことを特徴とする推定方法。
26. 対象ユーザの行動情報を取得する取得手順と、
    前記取得手順により取得された前記対象ユーザの行動を示す行動情報に基づいて、前記対象ユーザの心身状態を推定する推定手順と、
    ユーザの健康状態を示す情報と、前記推定手順により推定された当該ユーザの前記心身状態とに基づいて、所定の処理を行う対象となるユーザである処理対象ユーザを選定する選定手順と、
    をコンピュータに実行させることを特徴とする推定プログラム。
27. ユーザの心身状態を推定する対象となる複数のカテゴリ毎に生成される複数のモデルと、対象ユーザの行動情報とを取得する取得部と、
    前記複数のモデルのうち、推定の対象となる対象カテゴリに対応する一のモデルを選択する選択部と、
    前記取得部により取得された前記対象ユーザの行動を示す行動情報と、前記選択部により選択された前記一のモデルとに基づいて、前記対象カテゴリにおける前記対象ユーザの心身状態を推定する推定部と、
    を備えることを特徴とする推定装置。
28. コンピュータが実行する推定方法であって、
    ユーザの心身状態を推定する対象となる複数のカテゴリ毎に生成される複数のモデルと、対象ユーザの行動情報とを取得する取得工程と、
    前記複数のモデルのうち、推定の対象となる対象カテゴリに対応する一のモデルを選択する選択工程と、
    前記取得工程により取得された前記対象ユーザの行動を示す行動情報と、前記選択工程により選択された前記一のモデルとに基づいて、前記対象カテゴリにおける前記対象ユーザの心身状態を推定する推定工程と、
    を含むことを特徴とする推定方法。
29. ユーザの心身状態を推定する対象となる複数のカテゴリ毎に生成される複数のモデルと、対象ユーザの行動情報とを取得する取得手順と、
    前記複数のモデルのうち、推定の対象となる対象カテゴリに対応する一のモデルを選択する選択手順と、
    前記取得手順により取得された前記対象ユーザの行動を示す行動情報と、前記選択手順により選択された前記一のモデルとに基づいて、前記対象カテゴリにおける前記対象ユーザの心身状態を推定する推定手順と、
    をコンピュータに実行させることを特徴とする推定プログラム。

Images