JP7041299B1 - Information processing equipment, information processing methods and information processing programs - Google Patents
Information processing equipment, information processing methods and information processing programs Download PDFInfo
- Publication number
- JP7041299B1 JP7041299B1 JP2021044734A JP2021044734A JP7041299B1 JP 7041299 B1 JP7041299 B1 JP 7041299B1 JP 2021044734 A JP2021044734 A JP 2021044734A JP 2021044734 A JP2021044734 A JP 2021044734A JP 7041299 B1 JP7041299 B1 JP 7041299B1
- Authority
- JP
- Japan
- Prior art keywords
- user
- model
- information processing
- behavior
- information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000010365 information processing Effects 0.000 title claims abstract description 183
- 238000003672 processing method Methods 0.000 title claims abstract description 8
- 239000013598 vector Substances 0.000 claims abstract description 105
- 238000004364 calculation method Methods 0.000 claims abstract description 23
- 230000009471 action Effects 0.000 claims description 116
- 230000008859 change Effects 0.000 claims description 44
- 238000000034 method Methods 0.000 claims description 31
- 230000008569 process Effects 0.000 claims description 19
- 230000006399 behavior Effects 0.000 abstract description 271
- 238000010586 diagram Methods 0.000 abstract description 19
- 238000012545 processing Methods 0.000 description 84
- 230000007704 transition Effects 0.000 description 74
- 238000004891 communication Methods 0.000 description 7
- 230000015654 memory Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000008685 targeting Effects 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 230000009194 climbing Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 208000005346 nocturnal enuresis Diseases 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
【課題】ユーザに対してより有用な情報を提供することができる情報処理装置、情報処理方法および情報処理プログラムを提供すること。
【解決手段】本願に係る情報処理装置は、取得部と、算出部と、生成部とを備える。取得部は、基準行動を行った複数の基準利用者により行われた利用者行動を要素とするモデルであって、基準行動に対する利用者行動の関連度を出力するモデルを取得する。算出部は、モデルの要素である利用者行動に基づいてモデルのベクトル情報を算出する。生成部は、ベクトル情報の時間経過に伴う変化に基づくコンテンツをする。
【選択図】図7
PROBLEM TO BE SOLVED: To provide an information processing device, an information processing method and an information processing program capable of providing more useful information to a user.
An information processing apparatus according to the present application includes an acquisition unit, a calculation unit, and a generation unit. The acquisition unit acquires a model that has user behaviors performed by a plurality of standard users who have performed standard behaviors as elements, and outputs a model that outputs the degree of relevance of user behaviors to standard behaviors. The calculation unit calculates the vector information of the model based on the user behavior which is an element of the model. The generation unit creates content based on changes in vector information over time.
[Selection diagram] FIG. 7
Description
本発明は、情報処理装置、情報処理方法および情報処理プログラムに関する。 The present invention relates to an information processing apparatus, an information processing method and an information processing program.
インターネットの普及により、様々な情報分析技術が提案されている。例えば、ユーザから収集した検索ログ等の行動ログに基づいて、ユーザが行う所定の事柄との関係性を予測し、予測結果に基づく各種コンテンツを提供する技術が提案されている。 With the spread of the Internet, various information analysis techniques have been proposed. For example, there has been proposed a technique of predicting a relationship with a predetermined matter performed by a user based on an action log such as a search log collected from the user and providing various contents based on the prediction result.
しかしながら、従来技術では、ユーザに対してより有用な情報を提供する点で更なる改善の余地があった。 However, there is room for further improvement in the prior art in providing more useful information to the user.
本願は、上記に鑑みてなされたものであって、ユーザに対してより有用な情報を提供することができる情報処理装置、情報処理方法および情報処理プログラムを提供することを目的とする。 The present application has been made in view of the above, and an object of the present application is to provide an information processing apparatus, an information processing method, and an information processing program capable of providing more useful information to a user.
本願に係る情報処理装置は、取得部と、算出部と、生成部とを備える。前記取得部は、基準行動を行った複数の基準利用者により行われた利用者行動を要素とするモデルであって、前記基準行動に対する前記利用者行動の関連度を出力するモデルを取得する。前記算出部は、前記モデルの要素である前記利用者行動に基づいて前記モデルのベクトル情報を算出する。前記生成部は、前記ベクトル情報の時間経過に伴う変化に基づくコンテンツをする。 The information processing apparatus according to the present application includes an acquisition unit, a calculation unit, and a generation unit. The acquisition unit acquires a model that has user behaviors performed by a plurality of reference users who have performed reference behaviors as elements, and outputs a model that outputs the degree of relevance of the user behaviors to the reference behaviors. The calculation unit calculates the vector information of the model based on the user behavior which is an element of the model. The generation unit creates content based on changes in the vector information over time.
実施形態の一態様によれば、ユーザに対してより有用な情報を提供することができるという効果を奏する。 According to one aspect of the embodiment, there is an effect that more useful information can be provided to the user.
以下に、本願に係る情報処理装置、情報処理方法および情報処理プログラムを実施するための形態(以下、「実施形態」と記載する)について図面を参照しつつ詳細に説明する。なお、この実施形態により本願に係る情報処理装置、情報処理方法および情報処理プログラムが限定されるものではない。また、以下の各実施形態において同一の部位には同一の符号を付し、重複する説明は省略される。 Hereinafter, an information processing apparatus, an information processing method, and an embodiment for implementing an information processing program (hereinafter referred to as “embodiment”) according to the present application will be described in detail with reference to the drawings. Note that this embodiment does not limit the information processing apparatus, information processing method, and information processing program according to the present application. Further, in each of the following embodiments, the same parts are designated by the same reference numerals, and duplicate description is omitted.
(実施形態)
〔情報処理の概要〕
まず、図1~図3を参照して、本開示の例示的な実施形態について詳細に説明する。例示的な実施形態に係る情報処理装置は、時系列の利用者行動から、特定のニーズを持つユーザを発見するために、以下に説明される情報処理を実行する。以下では、図1~図3を参照して、例示的な実施形態に係る情報処理について説明する。
(Embodiment)
[Overview of information processing]
First, exemplary embodiments of the present disclosure will be described in detail with reference to FIGS. 1 to 3. The information processing apparatus according to the exemplary embodiment executes the information processing described below in order to discover a user having a specific need from the user behavior in a time series. Hereinafter, information processing according to an exemplary embodiment will be described with reference to FIGS. 1 to 3.
〔図1に示す情報処理〕
図1は、実施形態に係る情報処理装置によって実行される利用者行動の時系列データを提供する時系列データ提供処理の一例を示す説明図である。例示的な実施形態では、情報処理が、図1に示された情報処理装置100によって行われる。図1に示されていないが、インターネット等のネットワーク(例えば、図4を参照して後述するネットワークN)が、図1に示された情報処理装置100、ユーザ装置5001~500n(nは任意の自然数)、ログサーバ600および操作者装置700を接続する。
[Information processing shown in FIG. 1]
FIG. 1 is an explanatory diagram showing an example of a time-series data providing process that provides time-series data of user behavior executed by the information processing apparatus according to the embodiment. In an exemplary embodiment, information processing is performed by the
図1の例では、情報処理装置100は、サーバとして示されている。この例では、情報処理装置100は、操作者(Operator)OPが利用者行動の履歴からユーザ(「利用者」とも呼ばれる)のニーズを特定できるように、利用者行動の履歴のリストを、操作者装置700に提供する。利用者行動の履歴のリストは、例えば、ターゲットユーザ(「対象利用者」とも呼ばれる)によって各期間に入力された検索クエリを含む。なお、利用者行動は、検索クエリに限らず、各種サービスにおいて行う行動であればよく、例えば、電子商取引における購買行動や、検索クエリに基づく位置情報、各種サイトの閲覧行動、広告等の電子媒体への選択行動等を含む。ターゲットユーザは、ある日時に所定の利用者行動を行ったユーザである。本明細書では、ある日時に行われた所定の利用者行動は、「基準行動」と呼ばれる場合があり、基準行動を行ったユーザは、基準利用者と呼ばれる場合がある。
In the example of FIG. 1, the
図1の例では、ユーザ装置5001~500nは、スマートフォンとして示されている。例えば、ユーザ装置5001は、ユーザU1によって利用され、ユーザ装置5002は、ユーザU2によって利用される。本明細書では、ユーザ装置5001~500nを区別する必要がない場合は、「ユーザ装置500」と総称する。この例では、ユーザU1やユーザU2は、インターネットにおける各種サービス(例えば、検索サービスや、電子商取引サービス等)を利用する者である。例えば、検索サービスの場合、ユーザ装置500は、各種情報についての検索を、ログサーバ600に要求する。例えば、ユーザ装置500は、検索クエリを含む検索要求等のように、利用者行動を含む各種要求を、ログサーバ600に送信する。
In the example of FIG. 1, the
図1の例では、ログサーバ600は、サーバとして示されている。この例では、ログサーバ600は、ポータルアプリ、ポータルサイト等の各種サービスを、ユーザに提供する。ログサーバ600は、ユーザ装置500からの各種要求に応じて、利用者行動に対する結果を、ユーザ装置500に提供する。ログサーバ600は、各種要求に含まれる利用者行動を、行動ログとして蓄積することができる。ログサーバ600は、情報処理装置100に、行動ログを提供することができる。
In the example of FIG. 1, the
図1の例では、操作者装置700は、ノート型PC(Personal Computer)として示されている。操作者装置700は、操作者OPによって利用される。操作者OPは、例えば、特定のインターネット企業の人物である。この例では、操作者OPは、利用者行動の履歴からユーザのニーズを特定するために、所定の利用者行動である上述の「基準行動」を、情報処理装置100に提供する。例えば、基準利用者であるターゲットユーザがある日時に購買行動「ランニングシューズ購入」を行ったユーザである場合に、操作者装置700は、利用者行動「ランニングシューズ購入」を、情報処理装置100に、基準行動として提供する。このことは、操作者OPがある日時に購買行動「ランニングシューズ購入」を行ったユーザの利用者行動の履歴から、このようなユーザのニーズを特定したいことを意味し得る。例えば、操作者OPが、基準日時(例えば、2020/03/19)に購買行動「ランニングシューズ購入」を行ったユーザが基準日時以前(あるいは、基準日時の前後)にどのような利用者行動を行ったかを知りたいこと、が考えられる。
In the example of FIG. 1, the
図1に示されるように、はじめに、ユーザ装置500は、ログサーバ600に、利用者行動を送信する(ステップS1)。
As shown in FIG. 1, first, the
次いで、ログサーバ600は、ユーザ装置500に、利用者行動の結果を提供する(ステップS2)。
Next, the
次いで、情報処理装置100は、ログサーバ600から、行動ログを取得する(ステップS3)。例えば、情報処理装置100は、ログサーバ600から、利用者行動の履歴を収集する。
Next, the
次いで、情報処理装置100は、操作者装置700から、基準行動を取得する(ステップS4)。上述のように、基準行動は、ある日時に行われた所定の利用者行動である。図1の例では、基準行動は、ある日時(例えば、ある基準日時)に行われた購買行動である「ランニングシューズ購入」である。なお、基準日時は、基準タイミングの一例である。
Next, the
次いで、情報処理装置100は、取得された基準行動を行った基準利用者を特定する(ステップS5)。例えば、情報処理装置100は、取得された行動ログから、基準行動を行った基準利用者を特定する。図1の例では、情報処理装置100は、ある日時に購買行動「ランニングシューズ購入」を行ったユーザを、基準利用者として特定する。
Next, the
次いで、情報処理装置100は、基準日時を基準とした各期間において基準利用者が行った利用者行動を特定する(ステップS6)。基準日時を基準とした各期間は、基準日時の前後の期間である。一例として、期間の間隔は、1カ月であってもよい。例えば、基準日時が「2020/03/19」である場合に、基準日時の前後の期間は、「2020/03/19~2020/04/19」、「2020/04/19~2020/05/19」等の、基準日時より後の期間や、「2020/02/19~2020/03/19」、「2020/01/19~2020/02/19」等の、基準日時より前の期間である。本明細書では、基準日時より後の期間および基準日時より前の期間は、それぞれ「正の期間」および「負の期間」と呼ばれる場合がある。このように、情報処理装置100は、取得された行動ログから、基準日時を基準とした利用者行動の行動日時(行動タイミングの一例)を特定する。
Next, the
次いで、情報処理装置100は、基準行動と関連性が高い利用者行動を特定する(ステップS7)。基準行動と他の利用者行動との間の関連性は、利用者行動間の関連度に基づいて決定され得る。例えば、利用者行動間の関連度は、同一のユーザがどのくらいこれらの利用者行動を同時に行うかを示すことを示し得る。例えば、多くのユーザが基準行動「ランニングシューズ購入」および利用者行動「ランニングポータル検索」を同時に行う場合に、基準行動「ランニングシューズ購入」と利用者行動「ランニングポータル検索」との関連度のスコアは、高く設定する。このように、情報処理装置100は、利用者行動および関連度の組を蓄積することで、基準行動に対する利用者行動の関連度を示すスコアを出力するモデルを学習する。そして、情報処理装置100は、このようにして学習したモデルに利用者行動を入力することで、基準行動に対する関連度を取得する。
Next, the
いくつかの実装形態では、情報処理装置100は、単語埋め込み(Word Embedding)を使用して、利用者行動間の関連性を決定してもよい。情報処理装置100が、単語列を含む訓練データを使用して言語モデルを訓練することによって、埋め込みベクトルを獲得してもよい。例えば、行動ログに含まれる利用者行動に対応するキーワードが、単語列を含む訓練データとして使用されてもよい。利用者行動間の関連性は、利用者行動に対応する埋め込みベクトル間のコサイン類似度であってもよい。
In some embodiments, the
その後、情報処理装置100は、ステップS6で特定された利用者行動の行動日時と、ステップS7で取得された関連度とに基づいたコンテンツを生成する(ステップS8)。図1の例では、生成されたコンテンツとして、縦軸を関連度、横軸を行動日時とするグラフを示す。図1の例に示すグラフでは、基準行動「ランニングシューズ購入」を基準日時(ゼロ)として、基準日時の前の期間では、利用者行動として、「アウトドアブランド検索」や、「マラソン大会A検索」、「ランニングポータル検索」等が行われていることを示している。また、基準日時の後の期間では、利用者行動として、「ランニングポーチ検索」や、「ランニングウォッチ検索」、「ランニング登山検索」等が行われていることを示している。
After that, the
なお、図1に示す例では、関連度および行動日時のグラフを生成する場合を示したが、例えば、関連度および行動日時が紐づいた項目のリストを生成してもよい。また、図1に示す例では、基準日時前後の行動日時を示したが、例えば、基準日時の前の期間のみの利用者行動や、基準日時の後の期間のみの利用者行動の情報を含むグラフやリストを生成してもよい。また、情報処理装置100は、関連度が閾値以上の利用者行動の情報のみを含む情報を生成してもよい。
In the example shown in FIG. 1, a case where a graph of the degree of relevance and the date and time of action is generated is shown, but for example, a list of items linked with the degree of relevance and the date and time of action may be generated. Further, in the example shown in FIG. 1, the action date and time before and after the reference date and time are shown, but for example, information on the user behavior only in the period before the reference date and time and the user behavior only in the period after the reference date and time are included. You may generate graphs and lists. Further, the
次いで、情報処理装置100は、生成した情報を操作者装置700に提供する(ステップS9)。なお、情報処理装置100は、生成したグラフの情報をそのまま提供してもよく、グラフからリストへ変換(あるいは、リストからグラフへ変換)して提供してもよい。あるいは、情報処理装置100は、生成したグラフに基づく広告等のサービスを提供してもよい。
Next, the
これにより、ランニングシューズを購入したユーザが購入前後にどのような利用者行動をとる傾向にあるかを把握できるため、操作者OPはより正確なマーケティング戦略を立てることができる。また、このような情報を提供することで、他のユーザが行った利用者行動により基準行動(例えば、ランニングシューズ購入)を取り得る可能性を把握できたり、他のユーザが行った利用者行動を基に、基準行動を行わせるための広告戦略をより高精度に行うことができる。このように、情報処理装置100は、関連度および行動日時に基づく情報を生成することで、ユーザ(操作者OP)に対してより有用な情報を提供することができる。
As a result, it is possible to grasp what kind of user behavior the user who purchased the running shoes tends to take before and after the purchase, so that the operator OP can formulate a more accurate marketing strategy. In addition, by providing such information, it is possible to grasp the possibility of taking a standard behavior (for example, purchasing running shoes) by the user behavior performed by another user, or the user behavior performed by another user. Based on this, it is possible to carry out an advertising strategy for performing standard behavior with higher accuracy. In this way, the
〔図2に示す情報処理〕
次に、図2を用いて、上記の関連度を出力するモデルの更新予測処理について説明する。図2は、実施形態に係る情報処理装置100によって実行されるモデルの更新予測処理を示す説明図である。について説明する。
[Information processing shown in FIG. 2]
Next, the update prediction process of the model that outputs the above-mentioned degree of relevance will be described with reference to FIG. FIG. 2 is an explanatory diagram showing update prediction processing of a model executed by the
上述したように、基準行動に対応するモデルは、基準利用者の利用者行動に基づいて生成される。また、利用者行動は、時間経過に伴って変化する場合が多々あるため、その変化に伴ってモデルを更新する必要がある。しかしながら、基準行動は、時間変化に伴う変化が様々である。一例を挙げると、ランニングシューズを購入する場合等は一過性の流行等に影響され難く、言い換えれば、基準行動である「ランニングシューズ購入」に対応するモデルに含まれる利用者行動は時間経過に伴う変化が比較的小さい。一方で、服装等のファッションは、一過性の流行に影響を受けやすく、言い換えれば、基準行動である「服装購入」に対応するモデルに含まれる利用者行動は時間経過に伴う変化が比較的大きい。このため、操作者OPは、モデルの更新日を適切に設定して更新することが難しい場合がある。言い換えれば、操作者OPにとって現行のモデルがどの程度有効か(どの程度息が長いか)を把握することは難しい。 As described above, the model corresponding to the reference behavior is generated based on the user behavior of the reference user. In addition, since user behavior often changes with the passage of time, it is necessary to update the model with the change. However, the reference behavior varies with time. For example, when purchasing running shoes, it is not easily affected by transient trends, in other words, the user behavior included in the model corresponding to the standard behavior "purchasing running shoes" is over time. The accompanying changes are relatively small. On the other hand, fashion such as clothing is easily affected by a transient fashion, in other words, the user behavior included in the model corresponding to the standard behavior "purchase of clothing" changes relatively over time. big. Therefore, it may be difficult for the operator OP to appropriately set and update the model update date. In other words, it is difficult to know how effective the current model is (how long it is) for the operator OP.
そこで、実施形態に係る情報処理装置100は、モデルに含まれる利用者行動の期間毎の変化からモデルの更新日や有効期間を高精度に予測する。例えば、情報処理装置100は、モデルの要素である利用者行動に基づいてモデルのベクトル情報を生成し、ベクトル情報の時間経過に伴う変化に基づいてモデルの更新日予測や有効期間等のコンテンツを生成して提供する。
Therefore, the
図2に示すように、まず、情報処理装置100は、基準行動を操作者装置700から取得する(ステップS11)。上述したように、基準行動は、ある日時に行われた所定の利用者行動である。
As shown in FIG. 2, first, the
つづいて、情報処理装置100は、取得した基準行動に対応するモデルを取得(あるいは生成)する(ステップS12)。上述したように、モデルは、利用者行動および関連度が紐付いた情報である。
Subsequently, the
つづいて、情報処理装置100は、行動ログから、期間毎に、モデルの要素である利用者行動を取得する(ステップS13)。例えば、情報処理装置100は、期間毎に、基準利用者がモデルに含まれる利用者行動を行った回数を計測する。なお、図2に示す第1期間、第2期間および第3期間は、それぞれ年単位であってもよく、月単位、日単位、時間単位であってもよい。また、第1期間、第2期間および第3期間それぞれの期間の長さが同じであってもよく、異なってもよい。
Subsequently, the
つづいて、情報処理装置100は、期間毎に、利用者行動に基づいてモデルのベクトル情報を生成し、ベクトルの時間経過に伴う変化を算出する(ステップS14)。具体的には、まず、情報処理装置100は、期間毎の利用者行動に基づいて、期間毎のモデルのベクトルを生成する。図2に示す例では、第1期間の利用者行動#1-1、#1-2、・・・に基づいてベクトル#1を生成し、第2期間の利用者行動#2-1、#2-2、・・・に基づいてベクトル#2を生成し、第3期間の利用者行動#3-1、#3-2、・・・に基づいてベクトル#3を生成する。より具体的には、情報処理装置100は、利用者行動の計測回数や利用者行動の単語列等に基づいて、利用者行動それぞれをベクトル化する。そして、情報処理装置100は、利用者行動それぞれの行動ベクトルに基づいて、モデルのベクトルを生成する。なお、モデルのベクトルは、例えば、行動ベクトルの平均値や、結合、和等により生成可能である。
Subsequently, the
そして、情報処理装置100は、期間のベクトル間での類似度を算出することで、ベクトルの時間経過に伴う変化を算出する。類似度は、例えば、コサイン類似度を用いることができる。図2に示す例では、ベクトル#1およびベクトル#2は類似しており(類似度が閾値以上)、ベクトル#2およびベクトル#3は類似しており、ベクトル#1およびベクトル#3は類似していない(非類似)こととする。つまり、図2に示す例では、第1期間から第2期間の間や、第2期間から第3期間の間ではモデルに含まれる利用者行動の変化が比較的小さく、第1期間から第3期間の間ではモデルに含まれる利用者行動の変化が比較的大きいことを示している。
Then, the
そして、情報処理装置100は、算出したベクトルの変化に基づく各種コンテンツを提供する(ステップS15)。例えば、情報処理装置100は、モデルの更新日予測やモデルの有効期間予測に関するコンテンツを提供する。図2に示す例では、モデルが第1期間の利用者行動に基づいて生成されている場合には、第3期間の時の利用者行動に基づいてモデルを更新をする旨の情報を提供する。すなわち、第1期間から第3期間の間隔でモデルを更新すべき旨の情報を提供する。換言すれば、モデルの有効期間は、第1期間から第3期間の間隔である旨の情報を提供してもよい。なお、モデルが第2期間の利用者行動に基づいて生成されている場合には、第2期間から所定期間後(第1期間から第3期間の間隔に相当する期間)に更新すべき旨の情報を提供する。また、情報処理装置100は、予測したモデルの更新間隔で自動でモデルを更新することとしてもよい。
Then, the
なお、情報処理装置100は、例えば、第1期間のベクトル#1および第2期間のベクトル#2の変化量に応じてモデルの更新間隔を予測してもよい。具体的には、かかる変化量が大きい場合には、更新間隔を短くし、変化量が小さい場合には、更新間隔を長くしてもよい。
The
これにより、モデルを管理する管理者がモデルの更新時期を高精度に把握して更新できるとともに、現行のモデルの有効期間を高精度に把握することができる。このように、情報処理装置100は、ベクトルの時間経過に伴う変化に基づくコンテンツを提供することで、ユーザに対してより有用な情報を提供することができる。
As a result, the administrator who manages the model can grasp and update the model update time with high accuracy, and can grasp the validity period of the current model with high accuracy. As described above, the
なお、情報処理装置100は、更新時期の予測が完了したモデルの情報に基づいて、他のモデルの更新時期を予測してもよい。例えば、情報処理装置100は、更新時期の予測が完了した第1のモデルと類似するカテゴリの第2のモデルの更新時期を、第1のモデルの更新時期に基づいて予測してもよい。例えば、第2のモデルについて、第1のモデルの更新時期と同じ更新時期としてもよい。また、情報処理装置100は、所定のイベントが発生した場合に、かかるイベントと関連度が高いベクトルを有するモデルの更新時期を予測するようにしてもよい。
The
〔図3に示す情報処理〕
次に、図3を用いて、基準行動を行うまでの利用者行動の変遷に基づくコンテンツ提供処理について説明する。図3は、実施形態に係る情報処理装置100によって実行される利用者行動の変遷に基づくコンテンツ提供処理を示す図である。
[Information processing shown in FIG. 3]
Next, with reference to FIG. 3, the content provision process based on the transition of the user behavior until the standard behavior is performed will be described. FIG. 3 is a diagram showing a content providing process based on a transition of user behavior executed by the
操作者OPは、基準行動が行われるまでに至る利用者行動を把握したい場合がある。例えば、基準行動である「ランニングシューズ購入」を行ったユーザが、ランニングシューズを購入する数日前に何を検索したのか、何を購入したのか、どんなコンテンツを閲覧したのか等を把握したい場合がある。操作者OPは、このような利用者行動の経路を把握することで、利用者行動からランニングシューズの購入可能性や、どのような広告戦略をすべきか等をより高精度行うことができる。 The operator OP may want to grasp the user behavior until the standard behavior is performed. For example, a user who has performed the standard behavior of "purchasing running shoes" may want to know what he / she searched for, what he / she purchased, what kind of content he / she viewed, etc. a few days before purchasing the running shoes. .. By grasping the route of such user behavior, the operator OP can perform more accurately the possibility of purchasing running shoes and what kind of advertising strategy should be taken from the user behavior.
そこで、情報処理装置100は、利用者行動を用いた機械学習を行うことによって、将来基準行動を起こす可能性や、基準行動に至るまでの利用者行動の経路等を予測する。より具体的には、情報処理装置100は、上述の基準行動に至る経路の特徴を、機械学習モデルに学習させる。例えば、情報処理装置100は、利用者行動に対応するカテゴリ(例えば、指定カテゴリ)の変遷の態様を、機械学習モデルに学習させる。情報処理装置100は、ユーザの利用者行動を学習済みモデルに入力することによって、このユーザが将来基準行動を行うか否かの可能性や、基準行動に至るまでにとり得る利用者行動を予測する。例えば、学習済みモデルは、カテゴリの変遷の態様を示すベクトルを出力することができる。あるいは、学習済みモデルは、基準クエリを示すベクトルを出力することができる。情報処理装置100は、このようなベクトルに基づいて、各種予測を行うことができる。
Therefore, the
図3に示されるように、はじめに、情報処理装置100は、基準利用者が各期間に行った利用者行動が属するカテゴリを特定する(ステップS21)。図3の例では、基準利用者IU1は、例えば、利用者行動#1-1、#1-2、#1-3等の利用者行動を行ったとする。情報処理装置100は、操作者装置700から受け付けた指定カテゴリに従って、時系列(例えば、基準日時の前後の期間)ごとに、利用者行動をグループ化する。指定カテゴリは、時系列の検索クエリをグループ化するためのカテゴリである。指定カテゴリは、例えば、購入、検索、位置、選択、閲覧等のカテゴリであり、利用者行動を抽象化したカテゴリである。利用者行動#1-1、利用者行動#1-2および利用者行動#1-3が指定カテゴリ#1-1、指定カテゴリ#1-2および指定カテゴリ#1-3にそれぞれ対応する場合に、情報処理装置100は、基準利用者IU1が、指定カテゴリ#1-1、指定カテゴリ#1-2および指定カテゴリ#1-3の順番で、利用者行動を行ったと決定する。このように、情報処理装置100は、基準利用者が各期間に入力した利用者行動を、カテゴリ分類する。さらに、情報処理装置100は、カテゴリ(例えば、指定カテゴリ)の遷移態様(指定カテゴリの順番)を特定する。
As shown in FIG. 3, first, the
次いで、情報処理装置100は、各基準利用者のカテゴリの遷移態様を複数のカテゴリに分類する(ステップS22)。図3の例では、情報処理装置100は、例えば、基準利用者IU1によって行われた複数の利用者行動にそれぞれ対応する複数の指定カテゴリの遷移態様を、カテゴリ分類する。例えば、カテゴリの遷移が指定カテゴリ#1-1、指定カテゴリ#1-2および指定カテゴリ#1-3の順番で起こる場合に、このカテゴリの遷移は、遷移カテゴリ#1に分類される。すなわち、情報処理装置100は、基準利用者のカテゴリの遷移態様を、基準行動に至る経路に対応する遷移カテゴリに分類する。
Next, the
次いで、情報処理装置100は、遷移カテゴリが類似する利用者の利用者行動の履歴が入力された場合に、類似するベクトルを生成し、遷移カテゴリが類似しない利用者の利用者行動の履歴が入力された場合に、類似しないベクトルを生成するように、モデルを学習する(ステップS23)。例えば、情報処理装置100は、基準行動を行ったユーザによって過去に行われた利用者行動に基づいて、ユーザをグループ化する。図3の例では、例えば、グループは、遷移カテゴリ#1、遷移カテゴリ#2、遷移カテゴリ#3等の遷移カテゴリのグループである。そして、情報処理装置100は、グループごとに、入力された利用者行動の変遷の特徴を、モデルに学習させる。より具体的には、情報処理装置100は、利用者行動が属するカテゴリの変遷の特徴を、モデルに学習させる。言い換えると、情報処理装置100は、カテゴリの変遷のカテゴリごとに、ユーザをグループ化し、このユーザの利用者行動の変遷を、モデルに学習させる。
Next, the
図3の例では、基準利用者IU1は、遷移カテゴリ#1に分類される。また、基準利用者IU2は、遷移カテゴリ#2に分類される。情報処理装置100は、所定の辞書を参照することによって、ある遷移カテゴリに類似する他の遷移カテゴリを特定することができる。例えば、遷移カテゴリ#1が辞書において遷移カテゴリ#2に関連付けられている場合に、情報処理装置100は、遷移カテゴリ#2を、遷移カテゴリ#1に類似するカテゴリとして特定することができる。
In the example of FIG. 3, the reference user IU1 is classified into the
図3の例では、行動履歴#1は、遷移カテゴリ#1に分類された基準利用者によって行われた利用者行動の履歴である。同様に、行動履歴#2は、遷移カテゴリ#2に分類された基準利用者によって行われた利用者行動の履歴である。
In the example of FIG. 3, the
図3の例では、ベクトル#1は、カテゴリの遷移態様を示すベクトルである。例えば、ベクトル#1は、遷移カテゴリ#1の遷移態様を示す。言い換えると、ベクトル#1は、カテゴリの変遷の特徴を示す。
In the example of FIG. 3, the
情報処理装置100は、複数のユーザが同一の基準行動を行った場合であっても、モデルがカテゴリの変遷が異なる場合に異なるベクトルを出力するように、機械学習を行う。このため、情報処理装置100は、ユーザの利用者行動やこの利用者行動のカテゴリを使用することによって、ユーザが基準行動に至るユーザであるか、またはあるユーザによって行われる将来の利用者行動の特徴を、モデルに精度良く学習させることができる。上述のように、情報処理装置100は、ユーザが過去に行った利用者行動が属するカテゴリを特定し、特定されたカテゴリの変遷の種別ごとに、モデルの学習を行う。このように、情報処理装置100は、利用者行動のカテゴリの上位概念(例えば、遷移態様)を、モデルに学習させることができる。
The
その後、情報処理装置100は、モデルを用いて、対象ユーザの利用者行動の履歴から
対象ユーザTU1が基準行動をとり得る可能性を予測する(ステップS24)。具体的には、図3に示すように、モデルを用いて、対象ユーザが将来行う利用者行動を予測したり、対象ユーザTU1のニーズ(例えば、ランニングシューズを購入する可能性があるか否か等)を予測して対象ユーザTU1へのターゲティングを行ったりする。図3の例では、情報処理装置100は、対象ユーザTU1の利用者行動の履歴(例えば、利用者行動#4-1、#4-2)を学習済みモデルに入力することによって、ベクトル#4を生成する。ベクトル#4は、対象ユーザTU1のカテゴリの遷移態様を示す。例えば、情報処理装置100は、生成されたベクトル#4に類似するベクトルに対応する他の対象ユーザを特定し、特定された他の対象ユーザのユーザ情報に基づいて、強調フィルタリングを行うことができる。このようにして、情報処理装置100は、対象ユーザTU1のニーズの予測や、対象ユーザTU1へのターゲティングを可能にすることができる。上述のグループ(例えば、指定カテゴリ)は、特定のマーケティングに対応してもよい。このように、情報処理装置100によれば、カテゴリの変遷に基づいたコンテンツを生成することで、ユーザに対してより有用な情報を提供することができる。
After that, the
なお、図3のステップS21では、利用者行動#1-1、利用者行動#1-2および利用者行動#1-3が指定カテゴリ#1-1、指定カテゴリ#1-2および指定カテゴリ#1-3にそれぞれ対応する場合を示した。つまり、図3では、1つの利用者行動は、1つの指定カテゴリに分類されるようにしたが、例えば、ある2つの利用者行動間に強い関連性がある場合には、かかる2つの利用者行動を1つの指定カテゴリに分類するようにしてもよい。例示を挙げると、利用者行動として、「おねしょ検索」、「おむつ検索」、「おむつ購入」があったとする。かかる場合において、「おむつ検索」および「おむつ購入」は関連性が強いとする。なお、関連性が強いとは、所定の割合以上の基準利用者が「おむつ検索」および「おむつ購入」を同時に行うことを示す。かかる場合には、「おむつ検索」および「おむつ購入」を同一の指定カテゴリ(例えば、購入)にまとめることとする。これにより、遷移カテゴリにおける指定カテゴリ数が減るため、後段のモデル学習処理における処理を減らすことができる。 In step S21 of FIG. 3, user behavior # 1-1, user behavior # 1-2, and user behavior # 1-3 are designated category # 1-1, designated category # 1-2, and designated category #. The cases corresponding to 1-3 are shown. That is, in FIG. 3, one user behavior is classified into one designated category, but for example, when there is a strong relationship between two user behaviors, the two users Behaviors may be classified into one designated category. To give an example, it is assumed that there are "bedwetting search", "diaper search", and "diaper purchase" as user behavior. In such cases, "diaper search" and "diaper purchase" are considered to be strongly related. “Strongly relevant” means that a predetermined percentage or more of the standard users perform “diaper search” and “diaper purchase” at the same time. In such a case, "diaper search" and "diaper purchase" shall be grouped into the same designated category (for example, purchase). As a result, the number of designated categories in the transition category is reduced, so that the processing in the model learning process in the subsequent stage can be reduced.
以下、このような情報処理を行う情報処理装置100について詳細に説明する。
Hereinafter, the
〔情報提供システム〕
次に、図5を参照して、情報処理装置100を含むシステムの構成例について説明する。
[Information provision system]
Next, a configuration example of a system including the
〔情報提供システムの構成要素〕
図4は、実施形態に係る情報処理システム1の一例を示す図である。図4に示されるように、情報処理システム1は、情報処理装置100、ユーザ装置500、ログサーバ600および操作者装置700等の構成要素を含む。図1中では図示していないが、情報処理システム1は、複数台の情報処理装置100や、複数台のユーザ装置500や、複数台のログサーバ600や、複数台の操作者装置700を含んでもよい。また、情報処理システム1は、情報処理装置100に関係するエンティティ(例えば、業者、エンドユーザ)の装置等の、他の構成要素を含んでもよい。
[Components of the information provision system]
FIG. 4 is a diagram showing an example of the
情報処理システム1において、情報処理装置100、ユーザ装置500、ログサーバ600および操作者装置700は、それぞれネットワークNと有線又は無線により接続される。ネットワークNは、例えば、インターネット、WAN(Wide Area Network)、LAN(Local Area Network)等のネットワークである。情報処理システム1の構成要素は、ネットワークNを介して互いに通信を行うことができる。
In the
情報処理装置100は、利用者行動の時系列データを評価するための処理を実行する情報処理装置である。情報処理装置100は、利用者行動の時系列データから、特定のニーズを持つユーザを発見することができる。また、情報処理装置100は、利用者行動の時系列データから、ユーザのニーズを予測することができる。情報処理装置100は、サーバを含む、任意のタイプの情報処理装置であってもよい。複数台の情報処理装置100が、ウェブサーバ、アプリケーションサーバ、データベースサーバ等の各種サーバの機能をそれぞれ提供してもよい。情報処理装置100の構成例の詳細については、後述する。
The
ユーザ装置500は、ユーザによって利用される情報処理装置である。ユーザ装置500は、インターネット上の各種サービス(例えば、ポータルサイト、ポータルアプリ)を介して、利用者行動に関する情報を送信することができる。また、ユーザ装置500は、この各種サービスを介して、検索クエリに対する検索結果等の利用者行動に応じた結果を受信することができる。ユーザ装置500は、スマートフォン、デスクトップ型PC、ノート型PC、タブレット型PC等のクライアント装置を含む、任意のタイプの情報処理装置であってもよい。
The
ログサーバ600は、インターネット上の各種サービス(例えば、ポータルサイト、ポータルアプリ)を提供する情報処理装置である。ログサーバ600は、この各種サービスを介して、ユーザ装置500から、利用者行動を受信することができる。また、ログサーバ600は、受信された利用者行動を、行動ログとして蓄積することができる。ログサーバ600は、サーバを含む、任意のタイプの情報処理装置であってもよい。
The
操作者装置700は、操作者よって利用される情報処理装置である。操作者は、例えば、情報処理装置100やログサーバ600に関係する特定のインターネット企業に関連する人物である。操作者装置700は、操作者が情報処理装置100に情報を入力することを可能にする。例えば、操作者が時系列データを分析したい場合に、操作者は、分析対象のキーワードやカテゴリを、情報処理装置100に対して設定することができる。ユーザ装置500の場合と同様に、操作者装置700は、クライアント装置を含む、任意のタイプの情報処理装置であってもよい。
The
〔情報処理装置の構成〕
図4に示されるように、情報処理装置100は、通信部200と、記憶部300と、制御部400とを有する。なお、情報処理装置100は、情報処理装置100を利用する管理者等から各種操作を受け付ける入力部(例えば、キーボードやマウス等)や、各種情報を表示するための表示部(液晶ディスプレイ等)を有してもよい。
[Configuration of information processing equipment]
As shown in FIG. 4, the
(通信部200)
通信部200は、例えば、NIC(Network Interface Card)等によって実現される。通信部200は、有線または無線によりネットワーク網と接続される。通信部200は、ユーザ装置500、ログサーバ600、および操作者装置700に、ネットワークNを介して、通信可能に接続されてもよい。通信部200は、ユーザ装置500、ログサーバ600、および操作者装置700との間で、ネットワーク網を介して、情報の送受信を行うことができる。
(Communication unit 200)
The
(記憶部300)
記憶部300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。図4に示されるように、記憶部300は、利用者行動データベース310を有する。
(Memory unit 300)
The
(利用者行動データベース310)
図5は、実施形態に係る利用者行動データベース310の一例を示す図である。利用者行動データベース310は、ユーザが行った利用者行動を記憶する。
(User behavior database 310)
FIG. 5 is a diagram showing an example of the
図5の例では、利用者行動データベース310は、「利用者ID」、「利用者行動」、「行動日時」等の項目を有する。利用者行動データベース310は、利用者行動の履歴(例えば、行動ログ)等の、構造化されたデータセットとして実装されてもよい。
In the example of FIG. 5, the
「利用者ID」は、ユーザ(「利用者」とも呼ばれる)を識別するための識別子を示す。「利用者行動」は、ユーザが行った利用者行動を示す。「行動日時」は、利用者行動が行われた日時を示す。 The "user ID" indicates an identifier for identifying a user (also referred to as a "user"). "User behavior" indicates the user behavior performed by the user. The "action date and time" indicates the date and time when the user action was performed.
例えば、図5は、利用者ID「UID#1」で識別されるユーザが、利用者行動「利用者行動#1-1」を行ったことを示している。利用者ID「UID#1」は、例えば、所定の文字列である。利用者行動「利用者行動#1-1」は、例えば、「アウトドアブランド検索」、「ランニングポータル検索」、「ランニングシューズ購入」等の文字列である。なお、利用者行動は、例えば、検索タグや購買タグ等の分類タグがさらに付されてもよい。
For example, FIG. 5 shows that the user identified by the user ID “
また、例えば、図5は、利用者行動「利用者行動#1-1」が、行動日時「行動日時#1」に行われたことを示している。行動日時「行動日時#1」は、例えば、「2020/03/19 12:00:00」等のタイムスタンプである。
Further, for example, FIG. 5 shows that the user action "user action # 1-1" was performed on the action date and time "action date and
(制御部400)
制御部400は、コントローラ(controller)であり、例えば、CPU(Central Processing Unit)、MPU(Micro Processing Unit)等のプロセッサによって、情報処理装置100内部の記憶装置に記憶されている各種プログラム(判定プログラムの一例に相当)がRAM等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400は、コントローラ(controller)であり、例えば、ASIC(Application Specific Integrated Circuit)、FPGA(Field Programmable Gate Array)、GPGPU(General Purpose Graphic Processing Unit)等の集積回路により実現されてもよい。
(Control unit 400)
The
制御部400は、図4に示されるように、第1処理部410と、第2処理部420と、第3処理部430とを有し、以下に説明する情報処理の機能や作用を実現又は実行する。また、制御部400は、図1~図3を参照して上述した情報提供処理を実現することができる。情報処理装置100の1つまたは複数のプロセッサは、情報処理装置100の1つまたは複数のメモリに記憶された命令を実行することによって、制御部400内の各制御部の機能を実現することができる。なお、制御部400の内部構成は、図4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、第1処理部410は、第1処理部410以外の部に関して後述する情報処理の全部または一部を行ってもよい。
As shown in FIG. 4, the
(第1処理部410)
図6は、実施形態に係る第1処理部410の構成の一例を示す図である。第1処理部410は、図1に示した情報処理を行う処理部であり、上述した関連度を示すスコアと、利用者行動の行動日時とに基づくコンテンツを提供することができる。
(1st processing unit 410)
FIG. 6 is a diagram showing an example of the configuration of the first processing unit 410 according to the embodiment. The first processing unit 410 is a processing unit that performs information processing shown in FIG. 1, and can provide content based on the above-mentioned score indicating the degree of relevance and the action date and time of the user behavior.
第1処理部410は、図6に示されるように、取得部411と、特定部412と、生成部413と、提供部414とを有する。なお、第1処理部410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。例えば、生成部413は、生成部413以外の部に関して後述する情報処理の全部または一部を行ってもよい。 As shown in FIG. 6, the first processing unit 410 includes an acquisition unit 411, a specific unit 412, a generation unit 413, and a provision unit 414. The internal configuration of the first processing unit 410 is not limited to the configuration shown in FIG. 6, and may be any other configuration as long as it is configured to perform information processing described later. For example, the generation unit 413 may perform all or part of the information processing described later with respect to the units other than the generation unit 413.
取得部411は、各種情報を取得する。取得部411は、基準行動を行った複数の基準利用者が行った利用者行動を取得する。例えば、取得部411は、ログサーバ600から行動ログを取得し、行動ログの中から、基準利用者が行った利用者行動を取得する。
The acquisition unit 411 acquires various information. The acquisition unit 411 acquires the user behavior performed by the plurality of standard users who have performed the standard behavior. For example, the acquisition unit 411 acquires the action log from the
また、取得部411は、取得した利用者行動の基準行動に対する関連度を取得する。例えば、取得部411は、関連度を示すスコアを出力するモデルに利用者行動を入力して得られたスコアを関連度として取得する。なお、モデルは、利用者行動を説明変数とし、関連度を目的変数として学習することで生成可能である。なお、モデルは、情報処理装置100によって生成されてもよく、他の外部装置によって生成されたモデルを取得することとしてもよい。
In addition, the acquisition unit 411 acquires the degree of relevance to the acquired reference behavior of the user behavior. For example, the acquisition unit 411 acquires the score obtained by inputting the user behavior into the model that outputs the score indicating the relevance degree as the relevance degree. The model can be generated by learning the user behavior as an explanatory variable and the degree of relevance as an objective variable. The model may be generated by the
特定部412は、基準行動が行われたタイミングを基準タイミングとした利用者行動の行動タイミングを特定する。具体的には、特定部412は、基準タイミングをゼロ(日、月、年)として、利用者行動が何日前(あるいは、何日後)、何か月前(あるいは、何か月後)、何年前(あるいは、何年後)に行われたかを特定する。より具体的には、特定部412は、基準タイミングを基準とする前後の各期間に行われた利用者行動の回数を計測し、利用者行動の回数が正規分布となる場合に、かかる利用者行動の行動タイミングを特定する。 The specifying unit 412 specifies the action timing of the user action with the timing at which the reference action is performed as the reference timing. Specifically, the specific unit 412 sets the reference timing to zero (day, month, year), and the user behavior is how many days ago (or days later), months ago (or months later), and what. Identify how many years ago (or years later) it took place. More specifically, the specific unit 412 measures the number of user actions performed in each period before and after the reference timing as a reference, and when the number of user actions has a normal distribution, such a user. Identify the action timing of the action.
例えば、特定部412は、かかる正規分布に基づく要約値の期間を行動タイミングとして特定する。要約値は、例えば、正規分布における中央値である。つまり、特定部412は、正規分布となる回数の中央値に対応する期間(日、月、年)を行動タイミングとして特定する。 For example, the identification unit 412 specifies the period of the summary value based on such a normal distribution as the action timing. The summary value is, for example, the median in the normal distribution. That is, the specific unit 412 specifies the period (day, month, year) corresponding to the median number of times of normal distribution as the action timing.
なお、特定部412は、正規分布の山(最頻値)が2つ以上存在する場合には、各最頻値を行動タイミングとして特定してもよい。また、要約値は、中央値に限らず、最頻値や平均値等であってもよい。また、利用者行動の分布は、正規分布に限定されず、正規分布に従わない分布形状であってもよい。 When there are two or more peaks (modes) of the normal distribution, the specific unit 412 may specify each mode as an action timing. Further, the summary value is not limited to the median value, and may be a mode value, an average value, or the like. Further, the distribution of user behavior is not limited to the normal distribution, and may have a distribution shape that does not follow the normal distribution.
生成部413は、取得部411によって取得された関連度および特定部412によって特定された行動タイミングに基づく情報を生成する。例えば、生成部413は、関連度よび行動タイミングを紐付けたグラフ、すなわち、縦軸を関連度、横軸を行動タイミングとするグラフ(図1に示すグラフ)を生成する。 The generation unit 413 generates information based on the degree of relevance acquired by the acquisition unit 411 and the action timing specified by the specific unit 412. For example, the generation unit 413 generates a graph in which the degree of relevance and the action timing are linked, that is, a graph in which the vertical axis is the degree of relevance and the horizontal axis is the action timing (graph shown in FIG. 1).
なお、生成部413は、グラフに限らず、例えば、関連度および行動タイミングが紐ついた項目のリストを生成してもよい。また、生成部413は、基準タイミング前後の行動タイミングを含む情報を生成してもよく、あるいは、基準タイミングの前の期間のみの利用者行動や、基準タイミングの後の期間のみの利用者行動の情報を含むグラフやリストを生成してもよい。また、生成部413は、関連度が閾値以上の利用者行動の情報のみを含む情報を生成してもよい。 The generation unit 413 is not limited to the graph, and may generate, for example, a list of items associated with the degree of relevance and the action timing. Further, the generation unit 413 may generate information including the action timing before and after the reference timing, or the user behavior only in the period before the reference timing or the user behavior only in the period after the reference timing. You may generate a graph or list that contains information. Further, the generation unit 413 may generate information including only the information of the user behavior whose relevance is equal to or higher than the threshold value.
提供部414は、生成部413によって生成された情報を操作者装置700へ提供する。例えば、提供部414は、生成部413によって生成されたグラフやリストの情報をそのまま提供する。また、提供部414は、生成部413によって生成されたグラフやリストの情報を加工してから提供してもよい。例えば、提供部414は、生成されたグラフからリストへ変換(あるいは、リストからグラフへ変換)して提供してもよい。あるいは、提供部414は、生成部413によって生成された情報に基づく広告等のサービスや、基準行動または利用者の行動分析を行った結果を提供してもよい。
The providing unit 414 provides the information generated by the generating unit 413 to the
(第2処理部420)
図7は、実施形態に係る第2処理部420の構成の一例を示す図である。第2処理部420は、図2に示した情報処理を行う処理部であり、所定の期間毎の利用者行動に基づいて、モデルのベクトル情報を生成し、ベクトル情報の変化に基づいた各種コンテンツを提供することができる。
(Second processing unit 420)
FIG. 7 is a diagram showing an example of the configuration of the
第2処理部420は、図7に示されるように、取得部421と、算出部422と、生成部423と、提供部424とを有する。なお、第2処理部420の内部構成は、図7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、算出部422は、算出部422以外の部に関して後述する情報処理の全部または一部を行ってもよい。
As shown in FIG. 7, the
取得部421は、各種情報を取得する。取得部421は、基準行動に対する利用者行動の関連度を出力するモデルを取得する。具体的には、取得部421は、操作者OPによって指定された基準行動に対応するモデルを取得(生成)する。かかるモデルは、上述したように、利用者行動を要素とし、利用者行動および関連度が紐付いたモデルである。
The
また、取得部421は、ログサーバ600から提供される行動ログから、期間毎に、モデルに対応する利用者行動を取得する。かかる期間は、日、月、年等の任意の期間を設定可能である。
Further, the
算出部422は、取得部421によって取得された利用者行動に基づいて、期間毎に、モデルのベクトル情報(図2に示したベクトル)を算出する。具体的には、まず、取得部421は、期間毎に、利用者行動それぞれを行動ベクトルに変換する。行動ベクトルは、例えば、利用者行動が期間中に行われた回数や、利用者行動の単語列等に基づいて行動ベクトルに変換する。そして、算出部422は、変換した行動ベクトルに基づいて、期間毎に、モデルのベクトル情報を生成する。ベクトル情報は、例えば、行動ベクトルの平均値、結合、和の少なくとも1つに基づいて算出される。このように、算出部422は、期間毎に1つのベクトル情報を生成する。
The calculation unit 422 calculates the vector information (vector shown in FIG. 2) of the model for each period based on the user behavior acquired by the
生成部423は、算出部422によって算出されたベクトル情報の時間経過に伴う変化に基づくコンテンツを生成する。具体的には、まず、生成部423は、期間毎にベクトル情報を比較することで、ベクトル情報間の類似度を算出する。そして、生成部423は、かかる類似度が所定の閾値以上である場合、比較した2つのベクトル情報の期間において、モデルの利用者行動の変化が大きいと判定する。モデルの利用者行動の変化が大きいとは、モデルの有効期間が過ぎた、または、モデルの更新タイミングであることを意味する。一方、生成部423は、類似度が所定の閾値未満である場合、比較した2つのベクトル情報の期間において、モデルの利用者行動の変化が小さいと判定する。モデルの利用者行動の変化が小さいとは、モデルの有効期間が過ぎていない、または、モデルの更新タイミングではないことを意味する。つまり、生成部423は、ベクトル情報の時間経過に伴う変化に基づいて、モデルの更新タイミングまたはモデルの有効期間を予測し、予測結果を示す情報を操作者装置700へ提供する。なお、生成部423は、予測結果に基づいて、モデルを自動更新してもよい。
The
また、生成部423は、ベクトル情報の所定期間における変化量に基づいて、モデルの更新タイミングや有効期間を予測してもよい。具体的には、生成部423は、予め定められた期間の最初のベクトル情報と最後のベクトル情報とを生成し、生成したベクトル情報の類似度(変化量の一例)の大きさに応じて更新タイミングや有効期間を予測する。例えば、生成部423は、変化量が大きい程(類似度が高い程)、更新タイミングや有効期間を短くし、変化量が小さい程、更新タイミングや有効期間を長くする。
Further, the
提供部424は、生成部423によって生成された情報を操作者装置700へ提供する。例えば、提供部424は、生成部423に生成された更新タイミングや有効期間の情報を提供する。あるいは、提供部424は、生成部423によって予測された更新タイミングが到来した場合や、有効期間が過ぎた場合に、かかる旨を示す情報を提供する。あるいは、提供部424は、更新タイミングに沿って自動更新する場合には、自動更新が完了した旨を示す情報を提供してもよい。
The providing unit 424 provides the information generated by the generating
(第3処理部430)
図8は、実施形態に係る第3処理部430の構成の一例を示す図である。第3処理部430は、図3に示した情報処理を行う処理部であり、利用者行動をカテゴリ分類し、分類したカテゴリの変遷に基づいたコンテンツを生成して提供することができる。
(Third processing unit 430)
FIG. 8 is a diagram showing an example of the configuration of the
第3処理部430は、図8に示されるように、取得部431と、特定部432と、生成部433と、提供部434とを有する。なお、第3処理部430の内部構成は、図8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、生成部433は、生成部433以外の部に関して後述する情報処理の全部または一部を行ってもよい。
As shown in FIG. 8, the
取得部431は、基準行動を行った複数の基準利用者により各期間に行われた利用者行動を取得する。例えば、取得部431は、ログサーバ600から行動ログを取得し、行動ログの中から、基準利用者が行った利用者行動を取得する。なお、各期間とは、基準行動を基準した前後の期間を指す。取得部431が取得する利用者行動は、複数の行動種別を含む。例えば、行動種別は、少なくとも、検索行動、位置行動、購買行動および閲覧行動のいずれかを含む。
The acquisition unit 431 acquires the user behavior performed in each period by the plurality of standard users who have performed the standard behavior. For example, the acquisition unit 431 acquires an action log from the
検索行動とは、検索クエリを送信して検索結果を受信する行動である。購買行動とは、電子商取引において商品やサービスを購入する際に行う行動である。購買行動は、電子商取引の店舗における商品検索や、商品説明の閲覧、注文等を含む。位置行動とは、検索クエリの送信元の位置情報を変遷を示す。閲覧行動は、所定のサイトを閲覧する行動である。 A search action is an action that sends a search query and receives search results. Purchasing behavior is an behavior performed when purchasing goods or services in electronic commerce. Purchasing behavior includes product search in e-commerce stores, browsing of product descriptions, orders, and the like. The position behavior indicates the transition of the position information of the sender of the search query. Browsing behavior is the behavior of browsing a predetermined site.
特定部432は、基準利用者毎に、各期間の利用者行動が属するカテゴリを特定する。例えば、特定部432は、操作者OPによって指定されたカテゴリである指定カテゴリのうち、利用者行動がどの指定カテゴリに属するかを特定する。 The specific unit 432 specifies the category to which the user behavior of each period belongs for each reference user. For example, the specifying unit 432 specifies to which designated category the user behavior belongs among the designated categories that are the categories designated by the operator OP.
なお、特定部432は、2つ以上の利用者行動の間の関連性が高い場合には、かかる2つ以上の利用者行動を1つの指定カテゴリに分類(特定)してもよい。 If the specific unit 432 has a high relationship between the two or more user behaviors, the specific unit 432 may classify (specify) the two or more user behaviors into one designated category.
つづいて、特定部432は、利用者行動が行われた期間に基づいて、指定カテゴリの遷移態様を特定する。具体的には、特定部432は、利用者行動が行われた順番で遷移するように、指定カテゴリの遷移態様と特定する。 Subsequently, the specifying unit 432 specifies the transition mode of the designated category based on the period during which the user behavior is performed. Specifically, the specific unit 432 specifies the transition mode of the designated category so that the transitions are made in the order in which the user actions are performed.
つづいて、特定部432は、各基準利用者のカテゴリの遷移態様を複数の遷移カテゴリに分類する。すなわち、特定部432は、基準利用者のカテゴリの遷移態様を、基準行動に至る経路に対応する遷移カテゴリに分類する。 Subsequently, the specific unit 432 classifies the transition mode of each reference user's category into a plurality of transition categories. That is, the specific unit 432 classifies the transition mode of the category of the reference user into the transition category corresponding to the route leading to the reference behavior.
生成部433は、特定部432によって特定されたカテゴリの変遷に基づいたコンテンツを生成する。例えば、生成部433は、カテゴリの遷移の特徴を学習したモデルを生成し、かかるモデルの出力に基づいてコンテンツを生成する。具体的には、生成部433は、利用者行動が属するカテゴリの変遷を入力した際に、目的利用者行動を出力するように、モデルを学習させる。つまり、生成部433は、対象ユーザのカテゴリの変遷を入力することで、対象ユーザが将来どのような利用者行動を行うかをモデルの出力により予測する。また、生成部433は、類似するカテゴリの変遷と対応する利用者行動が入力された場合に、類似するベクトルを出力し、類似しないカテゴリの変遷と対応する利用者行動が入力された場合に、類似しないベクトルを出力するようにモデルの学習を行う。つまり、モデルの出力は、カテゴリの遷移態様を示すベクトルである。これにより、基準行動を行った基準利用者のカテゴリ遷移態様と類似するカテゴリの遷移態様であるか否かを、モデルの出力であるベクトルにより予測する。つまり、生成部433は、対象ユーザのカテゴリの遷移を予測する。
The
また、生成部433は、基準行動と対応する対象へと至るまでに基準利用者が行った利用者行動のカテゴリの変遷が有する特徴をモデルに学習させる。このモデルでは、対象ユーザのカテゴリの変遷を入力することで、基準利用者のカテゴリの変遷の特徴とどの程度類似しているかを示すスコアを出力する。つまり、生成部433は、このモデルの出力に基づいて、対象ユーザの利用者行動から基準行動をとり得る可能性を予測する。
In addition, the
また、生成部433は、遷移カテゴリが類似する利用者の利用者行動の履歴が入力された場合に、類似するベクトルを生成し、遷移カテゴリが類似しない利用者の利用者行動の履歴が入力された場合に、類似しないベクトルを生成するように、モデルを学習する。つまり、モデルの出力は、カテゴリの遷移態様を示すベクトルである。
Further, the
提供部434は、生成部433によって生成されたコンテンツを提供する。例えば
提供部434は、生成部433による対象ユーザのカテゴリの遷移の予測結果を操作者装置700へ提供する。また、提供部434は、生成部433による対象ユーザが基準行動をとり得る可能性の予測結果を操作者装置700へ提供する。
The providing
〔第1処理部の処理フロー〕
次に、図9を参照して、実施形態に係る情報処理装置100の第1処理部410による処理の手順について説明する。図9は、実施形態に係る第1処理部410によって実行される処理の一例を示すフローチャートである。
[Processing flow of the first processing unit]
Next, with reference to FIG. 9, a procedure for processing by the first processing unit 410 of the
図9に示すように、第1処理部410は、まず、ログサーバ600から利用者の行動ログを取得する(ステップS101)。 As shown in FIG. 9, the first processing unit 410 first acquires the user's action log from the log server 600 (step S101).
つづいて、第1処理部410は、基準行動を行った基準利用者を特定する(ステップS102)。 Subsequently, the first processing unit 410 identifies the reference user who has performed the reference action (step S102).
つづいて、第1処理部410は、基準利用者の利用者行動および利用者行動毎の基準行動に対する関連度を取得する(ステップS103)。 Subsequently, the first processing unit 410 acquires the user behavior of the reference user and the degree of relevance to the reference behavior for each user behavior (step S103).
つづいて、第1処理部410は、基準行動の行動日時である基準日時を基準とした利用者行動の行動日時を特定する(ステップS104)。 Subsequently, the first processing unit 410 specifies the action date and time of the user action based on the reference date and time, which is the action date and time of the reference action (step S104).
つづいて、第1処理部410は、特定した行動日時および関連度に基づく情報を生成して提供する(ステップS105)。 Subsequently, the first processing unit 410 generates and provides information based on the specified action date and time and the degree of relevance (step S105).
〔第2処理部の処理フロー〕
次に、図10を参照して、実施形態に係る情報処理装置100の第2処理部420による処理の手順について説明する。図10は、実施形態に係る第2処理部420によって実行される処理の一例を示すフローチャートである。
[Processing flow of the second processing unit]
Next, with reference to FIG. 10, the procedure of processing by the
図10に示すように、第2処理部420は、まず、ログサーバ600から利用者の行動ログを取得する(ステップS201)。
As shown in FIG. 10, the
つづいて、第2処理部420は、基準行動を行った基準利用者を特定する(ステップS202)。
Subsequently, the
つづいて、第2処理部420は、基準行動に対応するモデルを取得する(ステップS203)。
Subsequently, the
つづいて、第2処理部420は、モデルに対応する利用者行動を期間毎に取得する(ステップS204)。
Subsequently, the
つづいて、第2処理部420は、期間毎に、利用者行動に基づいてモデルのベクトルを生成する(ステップS205)。
Subsequently, the
つづいて、第2処理部420は、期間毎のベクトルの変化を算出する(ステップS206)。
Subsequently, the
つづいて、第2処理部420は、ベクトルの変化に基づくコンテンツを生成して提供する(ステップS207)。
Subsequently, the
〔第3処理部の処理フロー〕
次に、図11を参照して、実施形態に係る情報処理装置100の第3処理部430による処理の手順について説明する。図11は、実施形態に係る第3処理部430によって実行される処理の一例を示すフローチャートである。
[Processing flow of the third processing unit]
Next, with reference to FIG. 11, the procedure of processing by the
図11に示すように、第3処理部430は、まず、ログサーバ600から利用者の行動ログを取得する(ステップS301)。
As shown in FIG. 11, the
つづいて、第3処理部430は、基準行動を行った基準利用者を特定する(ステップS302)。
Subsequently, the
つづいて、第3処理部430は、基準利用者が各期間に行った利用者行動を取得する(ステップS303)。
Subsequently, the
つづいて、第3処理部430は、基準利用者毎に、各期間の利用者行動をカテゴリ分類する(ステップS304)。
Subsequently, the
つづいて、第3処理部430は、カテゴリの変遷に基づいたコンテンツを生成して提供する(ステップS305)。
Subsequently, the
〔その他〕
また、上記実施形態において説明した各処理のうち、自動的に行われるものとして説明した処理の一部を手動的に行うこともできる。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。
〔others〕
Further, among the processes described in the above-described embodiment, a part of the processes described as being automatically performed can also be performed manually. Alternatively, all or part of the process described as being performed manually can be automatically performed by a known method. In addition, information including processing procedures, specific names, various data and parameters shown in the above documents and drawings can be arbitrarily changed unless otherwise specified. For example, the various information shown in each figure is not limited to the information shown in the figure.
また、図示した各装置の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、各装置の分散・統合の具体的形態は図示のものに限られず、その全部または一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。 Further, each component of each of the illustrated devices is a functional concept, and does not necessarily have to be physically configured as shown in the figure. That is, the specific form of distribution / integration of each device is not limited to the one shown in the figure, and all or part of them may be functionally or physically distributed / physically in any unit according to various loads and usage conditions. Can be integrated and configured.
例えば、図4に示した記憶部300の一部又は全部は、情報処理装置100によって保持されるのではなく、ストレージサーバ等に保持されてもよい。この場合、情報処理装置100は、ストレージサーバにアクセスすることで、利用者行動等の各種情報を取得する。
For example, a part or all of the
〔ハードウェア構成〕
また、上述してきた実施形態に係る情報処理装置100は、例えば図12に示すような構成のコンピュータ1000によって実現される。図12は、ハードウェア構成の一例を示す図である。コンピュータ1000は、出力装置1010、入力装置1020と接続され、演算装置1030、一次記憶装置1040、二次記憶装置1050、出力IF(Interface)1060、入力IF1070、ネットワークIF1080がバス1090により接続された形態を有する。
[Hardware configuration]
Further, the
演算装置1030は、一次記憶装置1040や二次記憶装置1050に格納されたプログラムや入力装置1020から読み出したプログラム等に基づいて動作し、各種の処理を実行する。一次記憶装置1040は、RAM等、演算装置1030が各種の演算に用いるデータを一時的に記憶するメモリ装置である。また、二次記憶装置1050は、演算装置1030が各種の演算に用いるデータや、各種のデータベースが登録される記憶装置であり、ROM(Read Only Memory)、HDD(Hard Disk Drive)、フラッシュメモリ等により実現される。
The
出力IF1060は、モニタやプリンタといった各種の情報を出力する出力装置1010に対し、出力対象となる情報を送信するためのインタフェースであり、例えば、USB(Universal Serial Bus)やDVI(Digital Visual Interface)、HDMI(登録商標)(High Definition Multimedia Interface)といった規格のコネクタにより実現される。また、入力IF1070は、マウス、キーボード、およびスキャナ等といった各種の入力装置1020から情報を受信するためのインタフェースであり、例えば、USB等により実現される。
The output IF 1060 is an interface for transmitting information to be output to an
なお、入力装置1020は、例えば、CD(Compact Disc)、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から情報を読み出す装置であってもよい。また、入力装置1020は、USBメモリ等の外付け記憶媒体であってもよい。
The
ネットワークIF1080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演算装置1030へ送り、また、ネットワークNを介して演算装置1030が生成したデータを他の機器へ送信する。
The network IF 1080 receives data from another device via the network N and sends it to the
演算装置1030は、出力IF1060や入力IF1070を介して、出力装置1010や入力装置1020の制御を行う。例えば、演算装置1030は、入力装置1020や二次記憶装置1050からプログラムを一次記憶装置1040上にロードし、ロードしたプログラムを実行する。
The
例えば、コンピュータ1000が情報処理装置100として機能する場合、コンピュータ1000の演算装置1030は、一次記憶装置1040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400の機能を実現する。
For example, when the
〔効果〕
上述してきたように、実施形態に係る情報処理装置100は、取得部411と、特定部412と、生成部413とを備える。取得部411は、基準行動を行った複数の基準利用者により行われた利用者行動と、利用者行動および基準行動の関連度とを取得する。特定部412は、基準行動が行われたタイミングを基準タイミングとした利用者行動の行動タイミングを特定する。生成部413は、関連度および行動タイミングに基づく情報を生成する。また、取得部411は、利用者行動を説明変数とし、関連度を目的変数として学習したモデルへ取得した利用者行動を入力することで出力されるスコアを関連度として取得する。また、特定部412は、基準タイミングを基準とする前後の各期間に行われた利用者行動の回数を計測し、回数が正規分布となる場合に行動タイミングを特定する。また、特定部412は、正規分布に基づく要約値の期間を行動タイミングとして特定する。また、要約値は、正規分布における中央値である。また、生成部413は、関連度および行動タイミングを紐付けたグラフを生成する。また、生成部413は、基準タイミング以前の行動タイミングで行われた利用者行動に関する情報を生成する。このような構成により、ユーザに対してより有用な情報を提供することができる。
〔effect〕
As described above, the
また、上述してきたように、実施形態に係る情報処理装置100は、取得部421と、算出部422と、生成部423とを備える。取得部421は、基準行動を行った複数の基準利用者により行われた利用者行動を要素とするモデルであって、基準行動に対する利用者行動の関連度を出力するモデルを取得する。算出部422は、モデルの要素である利用者行動に基づいてモデルのベクトル情報を算出する。生成部423は、ベクトル情報の時間経過に伴う変化に基づくコンテンツをする。また、生成部423は、ベクトル情報の時間経過に伴う変化に基づいて、モデルの更新タイミングを予測する。また、生成部423は、ベクトル情報の所定期間における変化量に基づいて、モデルの更新タイミングを予測する。また、生成部423は、変化量が大きい程、更新タイミングを短くし、変化量が小さい程、更新タイミングを長くする。また、生成部423は、ベクトル情報の時間経過に伴う変化に基づいて、モデルの有効期間を予測する。また、生成部423は、ベクトル情報の所定期間における変化量に基づいて、モデルの有効期間を予測する。また、生成部423は、変化量が大きい程、有効期間を短くし、変化量が小さい程、有効期間を長くする。また、算出部422は、利用者行動それぞれを行動ベクトルに変換し、変換した行動ベクトルに基づいてモデルのベクトル情報を算出する。また、算出部422は、行動ベクトルの平均値、結合および和の少なくとも1つに基づいてモデルのベクトル情報を算出する。このような構成により、ユーザに対してより有用な情報を提供することができる。
Further, as described above, the
また、上述してきたように、実施形態に係る情報処理装置100は、取得部431と、特定部432と、生成部433と備える。取得部431は、基準行動を行った複数の基準利用者により各期間に行われた利用者行動を取得する。特定部432は、基準利用者毎に、各期間の利用者行動が属するカテゴリを特定する。生成部433は、特定部432によって特定されたカテゴリの変遷に基づいたコンテンツを生成する。また、取得部431は、複数の行動種別を含む利用者行動を取得する。また、行動種別は、少なくとも、検索行動、位置行動、購買行動および閲覧行動のいずれかを含む。また、生成部433は、カテゴリの遷移の特徴を学習したモデルを生成し、モデルの出力に基づくコンテンツを生成する。また、生成部433は、モデルの出力に基づいて、対象ユーザのカテゴリの遷移を予測する。また、生成部433は、モデルの出力に基づいて、対象ユーザが基準行動をとり得る可能性を予測する。また、モデルの出力は、カテゴリの遷移態様を示すベクトルである。また、特定部432は、2つ以上の利用者行動の間の関連性が高い場合に、2つ以上の利用者行動を1つのカテゴリとして特定する。
Further, as described above, the
以上、本願の実施形態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、発明の開示の欄に記載の態様を始めとして、当業者の知識に基づいて種々の変形、改良を施した他の形態で本発明を実施することが可能である。 Although some of the embodiments of the present application have been described in detail with reference to the drawings, these are examples, and various modifications are made based on the knowledge of those skilled in the art, including the embodiments described in the disclosure column of the invention. It is possible to carry out the present invention in other modified forms.
〔その他〕
また、上記実施形態において説明した各処理のうち、自動的に行われるものとして説明した処理の全部または一部を手動的に行うこともでき、あるいは、手動的に行われるものとして説明した処理の全部または一部を公知の方法で自動的に行うこともできる。この他、上記文書中や図面中で示した処理手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。例えば、各図に示した各種情報は、図示した情報に限られない。
〔others〕
Further, among the processes described in the above-described embodiment, all or a part of the processes described as being automatically performed can be manually performed, or the processes described as being manually performed can be performed. All or part of it can be done automatically by a known method. In addition, information including processing procedures, specific names, various data and parameters shown in the above documents and drawings can be arbitrarily changed unless otherwise specified. For example, the various information shown in each figure is not limited to the information shown in the figure.
また、図示した各装置の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、各装置の分散・統合の具体的形態は図示のものに限られず、その全部または一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。 Further, each component of each of the illustrated devices is a functional concept, and does not necessarily have to be physically configured as shown in the figure. That is, the specific form of distribution / integration of each device is not limited to the one shown in the figure, and all or part of them may be functionally or physically distributed / physically in any unit according to various loads and usage conditions. Can be integrated and configured.
また、上述してきた実施形態に記載した各処理は、処理内容を矛盾させない範囲で適宜組み合わせることが可能である。 In addition, the processes described in the above-described embodiments can be appropriately combined as long as the processing contents do not contradict each other.
また、上記してきた「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、第1処理部410は、第1処理手段や第1処理処理回路に読み替えることができる。 Further, the above-mentioned "section, module, unit" can be read as "means" or "circuit". For example, the first processing unit 410 can be read as a first processing means or a first processing processing circuit.
1 情報処理システム
100 情報処理装置
200 通信部
300 記憶部
310 利用者行動データベース
400 制御部
410 第1処理部
411、421、431 取得部
412、432 特定部
413、423、433 生成部
414、424、434 提供部
420 第2処理部
422 算出部
430 第3処理部
500 ユーザ装置
600 ログサーバ
700 操作者装置
1000 コンピュータ
1010 出力装置
1020 入力装置
1030 演算装置
1040 一次記憶装置
1050 二次記憶装置
1080 ネットワークIF
1090 バス
N ネットワーク
1
1090 Bus N Network
Claims (11)
前記モデルの要素である前記利用者行動に基づいて前記モデルのベクトル情報を算出する算出部と、
前記ベクトル情報の時間経過に伴う変化に基づいて、前記モデルの更新に関するコンテンツを生成する生成部と
を備えることを特徴とする情報処理装置。 An acquisition unit that acquires a model that outputs the degree of relevance of the user behavior to the standard behavior, which is a model that has the user behavior performed by a plurality of standard users who performed the standard behavior as an element.
A calculation unit that calculates vector information of the model based on the user behavior that is an element of the model.
An information processing apparatus including a generation unit that generates content related to an update of the model based on a change in the vector information over time.
前記ベクトル情報の時間経過に伴う変化に基づいて、前記モデルの更新タイミングを予測すること
を特徴とする請求項1に記載の情報処理装置。 The generator is
The information processing apparatus according to claim 1, wherein the update timing of the model is predicted based on the change of the vector information with the passage of time.
前記ベクトル情報の所定期間における変化量に基づいて、前記モデルの更新タイミングを予測すること
を特徴とする請求項2に記載の情報処理装置。 The generator is
The information processing apparatus according to claim 2, wherein the update timing of the model is predicted based on the amount of change of the vector information in a predetermined period.
前記変化量が大きい程、前記更新タイミングを短くし、前記変化量が小さい程、前記更新タイミングを長くすること
を特徴とする請求項3に記載の情報処理装置。 The generator is
The information processing apparatus according to claim 3, wherein the larger the amount of change, the shorter the update timing, and the smaller the amount of change, the longer the update timing.
前記ベクトル情報の時間経過に伴う変化に基づいて、前記モデルの有効期間を予測すること
を特徴とする請求項1~4のいずれか1つに記載の情報処理装置。 The generator is
The information processing apparatus according to any one of claims 1 to 4, wherein the validity period of the model is predicted based on the change of the vector information with the passage of time.
前記ベクトル情報の所定期間における変化量に基づいて、前記モデルの有効期間を予測すること
を特徴とする請求項2に記載の情報処理装置。 The generator is
The information processing apparatus according to claim 2, wherein the validity period of the model is predicted based on the amount of change in the vector information in a predetermined period.
前記変化量が大きい程、前記有効期間を短くし、前記変化量が小さい程、前記有効期間を長くすること
を特徴とする請求項6に記載の情報処理装置。 The generator is
The information processing apparatus according to claim 6, wherein the larger the amount of change, the shorter the effective period, and the smaller the amount of change, the longer the effective period.
前記利用者行動それぞれを行動ベクトルに変換し、変換した前記行動ベクトルに基づいて前記モデルのベクトル情報を算出すること
を特徴とする請求項1~7のいずれか1つに記載の情報処理装置。 The calculation unit
The information processing apparatus according to any one of claims 1 to 7, wherein each user action is converted into an action vector, and vector information of the model is calculated based on the converted action vector.
前記行動ベクトルの平均値、結合および和の少なくとも1つに基づいて前記モデルのベクトル情報を算出すること
を特徴とする請求項8に記載の情報処理装置。 The calculation unit
The information processing apparatus according to claim 8, wherein the vector information of the model is calculated based on at least one of an average value, a combination, and a sum of the action vectors.
基準行動を行った複数の基準利用者により行われた利用者行動を要素とするモデルであって、前記基準行動に対する前記利用者行動の関連度を出力するモデルを取得する取得工程と、
前記モデルの要素である前記利用者行動に基づいて前記モデルのベクトル情報を算出する算出工程と、
前記ベクトル情報の時間経過に伴う変化に基づいて、前記モデルの更新に関するコンテンツを生成する生成工程と
を含むことを特徴とする情報処理方法。 An information processing method executed by a computer
An acquisition process for acquiring a model that outputs a model that outputs the degree of relevance of the user behavior to the standard behavior, which is a model that has the user behavior performed by a plurality of standard users who performed the standard behavior as an element.
A calculation process for calculating vector information of the model based on the user behavior, which is an element of the model, and
An information processing method comprising a generation step of generating content related to an update of the model based on a change in the vector information over time.
前記モデルの要素である前記利用者行動に基づいて前記モデルのベクトル情報を算出する算出手順と、
前記ベクトル情報の時間経過に伴う変化に基づいて、前記モデルの更新に関するコンテンツを生成する生成手順と
をコンピュータに実行させることを特徴とする情報処理プログラム。 An acquisition procedure for acquiring a model that outputs a model that outputs the degree of relevance of the user behavior to the standard behavior, which is a model that has the user behavior performed by a plurality of standard users who performed the standard behavior as an element.
A calculation procedure for calculating vector information of the model based on the user behavior, which is an element of the model, and
An information processing program comprising causing a computer to execute a generation procedure for generating content related to an update of the model based on a change in the vector information over time.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021044734A JP7041299B1 (en) | 2021-03-18 | 2021-03-18 | Information processing equipment, information processing methods and information processing programs |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021044734A JP7041299B1 (en) | 2021-03-18 | 2021-03-18 | Information processing equipment, information processing methods and information processing programs |
Publications (2)
Publication Number | Publication Date |
---|---|
JP7041299B1 true JP7041299B1 (en) | 2022-03-23 |
JP2022143937A JP2022143937A (en) | 2022-10-03 |
Family
ID=81214326
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021044734A Active JP7041299B1 (en) | 2021-03-18 | 2021-03-18 | Information processing equipment, information processing methods and information processing programs |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7041299B1 (en) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023203601A1 (en) * | 2022-04-18 | 2023-10-26 | 日本電信電話株式会社 | Timing calculation device, timing calculation method, and program |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7396762B1 (en) | 2023-09-12 | 2023-12-12 | 株式会社Godot | Information processing system, information processing method, and program |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008287550A (en) | 2007-05-18 | 2008-11-27 | Nippon Telegr & Teleph Corp <Ntt> | Recommendation device in consideration of order of purchase, recommendation method, recommendation program and recording medium with the program recorded thereon |
US20090192878A1 (en) | 2008-01-24 | 2009-07-30 | Market Force Information, Inc. | Method and apparatus for utilizing shopping survey data |
WO2016151618A1 (en) | 2015-03-23 | 2016-09-29 | 日本電気株式会社 | Predictive model updating system, predictive model updating method, and predictive model updating program |
JP2017151867A (en) | 2016-02-26 | 2017-08-31 | ヤフー株式会社 | Update device, update method, and update program |
JP2019211969A (en) | 2018-06-04 | 2019-12-12 | オリンパス株式会社 | Learning management device, learning management server, and learning management method |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05189450A (en) * | 1991-07-05 | 1993-07-30 | Hitachi Ltd | Plan analysis supporting method and its system |
-
2021
- 2021-03-18 JP JP2021044734A patent/JP7041299B1/en active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008287550A (en) | 2007-05-18 | 2008-11-27 | Nippon Telegr & Teleph Corp <Ntt> | Recommendation device in consideration of order of purchase, recommendation method, recommendation program and recording medium with the program recorded thereon |
US20090192878A1 (en) | 2008-01-24 | 2009-07-30 | Market Force Information, Inc. | Method and apparatus for utilizing shopping survey data |
WO2016151618A1 (en) | 2015-03-23 | 2016-09-29 | 日本電気株式会社 | Predictive model updating system, predictive model updating method, and predictive model updating program |
JP2017151867A (en) | 2016-02-26 | 2017-08-31 | ヤフー株式会社 | Update device, update method, and update program |
JP2019211969A (en) | 2018-06-04 | 2019-12-12 | オリンパス株式会社 | Learning management device, learning management server, and learning management method |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023203601A1 (en) * | 2022-04-18 | 2023-10-26 | 日本電信電話株式会社 | Timing calculation device, timing calculation method, and program |
Also Published As
Publication number | Publication date |
---|---|
JP2022143937A (en) | 2022-10-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107908740B (en) | Information output method and device | |
WO2017190610A1 (en) | Target user orientation method and device, and computer storage medium | |
EP3168795A1 (en) | Method and apparatus for evaluating relevance of keyword to asset price | |
JP2023533475A (en) | Artificial intelligence for keyword recommendation | |
CN115002200B (en) | Message pushing method, device, equipment and storage medium based on user portrait | |
JP7041299B1 (en) | Information processing equipment, information processing methods and information processing programs | |
CN111400613A (en) | Article recommendation method, device, medium and computer equipment | |
CN110717597A (en) | Method and device for acquiring time sequence characteristics by using machine learning model | |
US20220188876A1 (en) | Advertising method and apparatus for generating advertising strategy | |
US11556547B2 (en) | Determination apparatus, determination method, and non-transitory computer readable storage medium | |
JP7231585B2 (en) | Evaluation device, evaluation method and evaluation program | |
Diwandari et al. | Research Methodology for Analysis of E-Commerce User Activity Based on User Interest using Web Usage Mining. | |
JP7043648B1 (en) | Information processing equipment, information processing methods and information processing programs | |
JP7044922B1 (en) | Information processing equipment, information processing methods and information processing programs | |
US20210397623A1 (en) | Learning apparatus, learning method, and non-transitory computer readable storage medium | |
KR102405503B1 (en) | Method for creating predictive market growth index using transaction data and social data, system for creating predictive market growth index using the same and computer program for the same | |
CN113159877B (en) | Data processing method, device, system and computer readable storage medium | |
JP7139270B2 (en) | Estimation device, estimation method and estimation program | |
JP7354199B2 (en) | Judgment device, judgment method and judgment program | |
JP7044821B2 (en) | Information processing system and information processing method | |
JP7128236B2 (en) | Specific device, specific method and specific program | |
Sato et al. | Analysis of the characteristics of repeat customer in a golf EC site | |
JP2020035072A (en) | Device, method, and program for processing information | |
JP7260439B2 (en) | Extraction device, extraction method and extraction program | |
JP6835759B2 (en) | Forecasting device, forecasting method and forecasting program |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210719 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20210719 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20211112 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20211124 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220124 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20220208 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220310 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7041299 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313111 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |