JP7043650B1 - 推定装置、推定方法及び推定プログラム - Google Patents

Abstract

【課題】検索クエリに応じた利用者のコンテキストの変化を把握する。
【解決手段】本願に係る推定装置は、利用者が入力した検索クエリの履歴を示す履歴情報を取得する取得部と、取得部により取得された履歴情報が示す検索クエリと、所定の事象に対する検索クエリの関連性を示す関連情報とに基づいて、利用者と当該所定の事象との関連度を算出する算出部と、複数の所定の事象のうち、算出部により算出された関連度の時系列的な変化が所定の条件を満たす事象を検出する検出部と、検出部により検出された事象に基づいて、利用者のコンテキストを推定する推定部とを有することを特徴とする。
【選択図】図１

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、インターネットを介して様々な情報を利用者に提供する技術が知られている。このような技術の一例として、広告を閲覧した利用者が入力した検索キーワードのうち、入力頻度が高い検索キーワードを、検索連動型広告のキーワードとする技術が知られている。

特開２０１４－００６７５７号公報

しかしながら、上述した技術では、検索クエリに応じた利用者のコンテキストの変化を把握できるとは言えない場合がある。

例えば、上述した技術では、ログデータから対象広告の広告主の広告を閲覧したユーザを特定し、当該ユーザが入力した検索キーワードを抽出しているに過ぎず、検索クエリに応じた利用者のコンテキストの変化を把握しているとは言えない場合がある。

本願は、上記に鑑みてなされたものであって、検索クエリに応じた利用者のコンテキストの変化を把握することを目的とする。

本願に係る推定装置は、利用者が入力した検索クエリの履歴を示す履歴情報を取得する取得部と、前記取得部により取得された履歴情報が示す検索クエリと、所定の事象に対する検索クエリの関連性を示す関連情報とに基づいて、前記利用者と当該所定の事象との関連度を算出する算出部と、複数の前記所定の事象のうち、前記算出部により算出された関連度の時系列的な変化が所定の条件を満たす事象を検出する検出部と、前記検出部により検出された事象に基づいて、前記利用者のコンテキストを推定する推定部とを有することを特徴とする。

実施形態の一態様によれば、検索クエリに応じた利用者のコンテキストの変化を把握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、実施形態に係る情報処理装置の構成例を示す図である。 図３は、実施形態に係る履歴情報データベースの一例を示す図である。 図４は、実施形態に係る関連情報データベースの一例を示す図である。 図５は、実施形態に係る推定処理の手順の一例を示すフローチャートである。 図６は、情報処理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。

〔１．実施形態〕
図１を用いて、本実施形態の推定装置等により実現される推定処理を説明する。図１は、実施形態に係る推定処理の一例を示す図である。なお、図１では、本願に係る推定装置の一例である情報処理装置１０によって、実施形態に係る推定処理などが実現されるものとする。

図１に示すように、実施形態に係る推定システム１は、情報処理装置１０と、端末装置１００とを含む。情報処理装置１０及び端末装置１００は、ネットワークＮ（例えば、図２参照）を介して有線または無線により相互に通信可能に接続される。ネットワークＮは、例えば、インターネットなどのＷＡＮ（Wide Area Network）である。なお、図１に示した推定システム１には、複数台の情報処理装置１０及び複数台の端末装置１００が含まれていてもよい。

図１に示す情報処理装置１０は、推定処理を行う情報処理装置であり、例えば、サーバ装置やクラウドシステム等により実現される。例えば、情報処理装置１０は、利用者が所定の検索サービスにおいて入力した検索クエリの履歴を示す情報を取得し、取得した情報に基づいて、所定の事象に対応付けられる利用者群と、当該利用者群が各種のサービスにおいて入力した検索クエリの履歴との関連性を示す関連情報に基づき、利用者のコンテキストを推定する。

図１に示す端末装置１００は、利用者によって利用される情報処理装置である。端末装置１００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。なお、図１に示す例において、端末装置１００は、利用者によって利用されるスマートフォンである場合を示す。

以下、図１を用いて、情報処理装置１０が行う推定処理の一例について説明する。なお、以下の説明において、端末装置１００は、利用者ＩＤ「ＵＩＤ＃１」により識別される利用者（利用者Ｕ１）により使用されるものとする。

また、以下の説明において、情報処理装置１０は、所定の事象と、各検索クエリとの関連性を示す関連情報（モデル）を自装置の記憶部に管理するものとする。例えば、情報処理装置１０は、所定の事象に対応付けられる利用者（例えば、基準となる検索クエリを入力した利用者、特定の属性を有する利用者、特定の施設に行った利用者、特定の商品を購入した利用者など）をシード利用者として抽出し、シード利用者が入力した検索クエリの共通性に基づいて、所定の事象と検索クエリとの関連性を示すスコア（正の値）を算出する。また、情報処理装置１０は、シード利用者以外の対比利用者をランダムに選択し、対比利用者が入力した検索クエリのうちシード利用者が入力しなかった検索クエリを非入力クエリとして特定し、所定の事象との関連性を示すスコア（負の値）を算出する。そして、各検索クエリについて算出したスコアを検索クエリに紐付けた関連情報を生成する。

具体的な例を挙げると、情報処理装置１０は、シード利用者が入力した検索クエリごとに、シード利用者が入力した回数（若しくは、検索クエリを入力したシード利用者の数）を計数し、計数した回数が多い程より高い値のスコアを検索クエリと紐付ける。また、情報処理装置１０は、非入力クエリを対比利用者が入力した回数（若しくは、非入力クエリを入力した対比利用者の数）を計数し、計数した回数が多い程より低いスコアを非入力クエリである検索クエリを紐付ける。

なお、関連情報の生成は、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、関連情報の生成は、教師あり学習や教師なし学習などの機械学習に関する技術を用いて行われてもよい。具体的な例を挙げると、関連情報の生成は、ＳＶＭ（Support Vector Machine）等の機械学習に関する技術を用いて行われてもよく、ＤＮＮ（Deep Neural Network）や、ＲＮＮ（Recurrent Neural Network）、ＣＮＮ（Convolutional Neural Network）等の種々の深層学習（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、上記関連情報の生成に関する記載は例示であり、関連情報の生成は、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。

また、以下の説明において、情報処理装置１０は、属性「趣味：自転車」と各検索クエリとの関連性を示す関連情報Ｍ＃１、属性「趣味：料理」と各検索クエリとの関連性を示す関連情報Ｍ＃２、属性「興味の対象：保険」と各検索クエリとの関連性を示す関連情報Ｍ＃３、・・・等を自装置の記憶部に管理するものとする。

まず、情報処理装置１０は、利用者Ｕ１の各種のサービスにおける検索クエリの履歴を示す履歴情報を取得する（ステップＳ１）。例えば、情報処理装置１０は、自装置や他のサーバ装置などから提供される各種のサービスにおいて利用者Ｕ１が所定の期間内（例えば、直近の１日間）に入力した検索クエリを、端末装置１００や他のサーバ装置などから取得する。

なお、情報処理装置１０や、他のサーバ装置などが提供するサービスは、例えば、検索サービスや、ショッピングサービス、決済サービス、路線検索サービス、地図提供サービス、旅行サービス、飲食店紹介サービス、天気予報サービス、スケジュール管理サービス、ニュース提供サービス、オークションサービス、動画コンテンツ配信サービス、金融取引（株取引等）サービスなどのサービスであってもよい。

続いて、情報処理装置１０は、利用者Ｕ１と各事象との関連度を算出する（ステップＳ２）。例えば、情報処理装置１０は、履歴情報が示す検索クエリについて、関連情報Ｍ＃１が示す各スコアの合計値（言い換えると、属性「趣味：自転車」と利用者Ｕ１との関連度）を算出する。同様に、情報処理装置１０は、履歴情報が示す検索クエリについて関連情報Ｍ＃２が示す各スコアの合計値、履歴情報が示す検索クエリについて関連情報Ｍ＃３が示す各スコアの合計値、・・・等を算出する。

図１の例において、情報処理装置１０は、上記のステップＳ１及びＳ２の処理を所定の期間ごと（例えば、１日ごと）に実施することにより、所定の期間ごとの利用者Ｕ１と各事象との関連度を示す情報を蓄積する。

続いて、情報処理装置１０は、関連度の時系列的な変化が相関する複数の事象を検出する（ステップＳ３）。例えば、情報処理装置１０は、関連情報Ｍ＃１、Ｍ＃２、Ｍ＃３に基づき算出した各事象と利用者Ｕ１との関連度の時系列的な自己回帰に基づいて、関連度に変化が生じた事象を検出する。具体的な例を挙げると、情報処理装置１０は、同時期において関連度が所定の閾値以上上昇または低下した複数の事象を検出する。

より具体的な例を挙げると、情報処理装置１０は、属性「趣味：自転車」と利用者Ｕ１との関連度の時系列的な変化を示す情報Ｄ＃１、属性「趣味：料理」と利用者Ｕ１との関連度の時系列的な変化を示す情報Ｄ＃２、属性「興味の対象：保険」と利用者Ｕ１との関連度の時系列的な変化を示す情報Ｄ＃３、・・・等を出力する。そして、図１の例において、情報処理装置１０は、時点Ｔ＃１を境に利用者Ｕ１との関連度が所定の閾値以上上昇した属性「趣味：自転車」及び属性「興味の対象：保険」を検出する。

続いて、情報処理装置１０は、検出した事象に基づいて利用者Ｕ１のコンテキストを推定する（ステップＳ４）。例えば、情報処理装置１０は、属性「趣味：自転車」及び属性「興味の対象：保険」の関連度が同時期に上昇したため、利用者Ｕ１が自転車の事故に遭ったと推定する。

続いて、情報処理装置１０は、推定したコンテキストに基づき利用者Ｕ１に情報を提供する（ステップＳ５）。例えば、情報処理装置１０は、自転車保険に関するサービスの情報を利用者Ｕ１に提供する。

以上のように、実施形態に係る情報処理装置１０は、関連度の時系列的な変化が相関する複数の事象を検出し、検出した事象に基づき利用者のコンテキストを推定する。これにより、実施形態に係る情報処理装置１０は、入力した検索クエリに基づき、利用者が現時点で対応付けられる事象のみならず、利用者と事象との対応付けの時系列的な変化に基づき利用者のコンテキストの変化を把握することができる。すなわち、実施形態に係る情報処理装置１０は、検索クエリに応じた利用者のコンテキストの変化を把握することができる。

〔２．情報処理装置の構成〕
次に、図２を用いて、情報処理装置１０の構成について説明する。図２は、実施形態に係る情報処理装置の構成例を示す図である。図２に示すように、情報処理装置１０は、通信部２０と、記憶部３０と、制御部４０とを有する。

（通信部２０について）
通信部２０は、例えば、ＮＩＣ（Network Interface Card）等によって実現される。そして、通信部２０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１００等との間で情報の送受信を行う。

（記憶部３０について）
記憶部３０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２に示すように、記憶部３０は、履歴情報データベース３１と、関連情報データベース３２と有する。

（履歴情報データベース３１について）
履歴情報データベース３１は、利用者が入力した検索クエリの履歴や、検索クエリに基づいて算出される関連度に関する各種の情報を記憶する。ここで、図３を用いて、履歴情報データベース３１が記憶する情報の一例を説明する。図３は、実施形態に係る履歴情報データベースの一例を示す図である。図３の例において、履歴情報データベース３１は、「利用者ＩＤ」、「検索履歴」、「関連度情報」といった項目を有する。

「利用者ＩＤ」は、利用者を識別するための識別情報を示す。「検索履歴」は、利用者が入力した検索クエリの履歴を示す。「関連度情報」は、検索クエリと、関連情報データベース３２に格納された関連情報とに基づいて算出される関連度に関するに基づいて算出される関連度に関する情報を示し、例えば、「関連情報ＩＤ」、「関連度」、「日時」といった項目を有する。「関連情報ＩＤ」は、関連度の算出に用いられる関連情報を識別するための識別情報を示す。「関連度」は、検索履歴及び関連情報に基づき算出された関連度を示す。「日時」は、関連度が算出された日時を示す。

すなわち、図３では、利用者ＩＤ「ＵＩＤ＃１」により識別される利用者の検索履歴が「検索履歴＃１」であり、関連情報ＩＤ「ＭＩＤ＃１」により識別される関連情報に基づき日時「日時＃１」に算出された関連度が「関連度＃１」である例を示す。

（関連情報データベース３２について）
関連情報データベース３２は、関連情報に関する各種の情報を記憶する。ここで、図４を用いて、関連情報データベース３２が記憶する情報の一例を説明する。図４は、実施形態に係る関連情報データベースの一例を示す図である。図４の例において、関連情報データベース３２は、「関連情報ＩＤ」、「事象」、「検索クエリ」、「スコア」といった項目を有する。

「関連情報ＩＤ」は、関連情報を識別するための識別情報を示す。「事象」は、関連情報の生成の対象となった事象を示す。「検索クエリ」は、事象との関連性を示すスコアが算出された検索クエリを示す。「スコア」は、事象と検索クエリの関連性を示すスコアを示す。

すなわち、図４では、関連情報ＩＤ「ＭＩＤ＃１」により識別される関連情報が、事象「事象＃１」を対象として生成され、「事象＃１」と、検索クエリ「検索クエリ＃１１」との関連性を示すスコアが「５．２」である例を示す。

（制御部４０について）
制御部４０は、コントローラ（controller）であり、例えば、ＣＰＵ（Central Processing Unit）やＭＰＵ（Micro Processing Unit）等によって、情報処理装置１０内部の記憶装置に記憶されている各種プログラムが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４０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。実施形態に係る制御部４０は、図２に示すように、取得部４１と、算出部４２と、検出部４３と、推定部４４と、提供部４５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。

（取得部４１について）
取得部４１は、利用者が入力した検索クエリの履歴を示す履歴情報を取得する。例えば、図１の例において、取得部４１は、情報処理装置１０や他のサーバ装置などから提供される各種のサービスにおいて利用者Ｕ１が所定の期間内に入力した検索クエリを、端末装置１００や他のサーバ装置などから取得し、履歴情報データベース３１に格納する。

また、取得部４１は、所定の利用者群が入力した検索クエリの履歴を示す履歴情報を取得してもよい。例えば、取得部４１は、所定の属性（デモグラフィック属性やサイコグラフィック属性）を有する利用者群が入力した検索クエリの履歴を示す履歴情報を取得する。

（算出部４２について）
算出部４２は、取得部４１により取得された履歴情報が示す検索クエリと、所定の事象に対する検索クエリの関連性を示す関連情報とに基づいて、利用者と当該所定の事象との関連度を算出する。例えば、図１の例において、算出部４２は、履歴情報データベース３１及び関連情報データベース３２を参照し、履歴情報が示す検索クエリについて、関連情報Ｍ＃１が示す各スコアの合計値（関連度）を算出する。

また、算出部４２は、履歴情報が示す検索クエリと、関連情報とに基づいて、所定の利用者群と所定の事象との関連度を算出してもよい。例えば、算出部４２は、所定の利用者群に含まれる各利用者の履歴情報が示す検索クエリと、関連情報とに基づいて各利用者と所定の事象との関連度を算出する。具体的な例を挙げると、算出部４２は、属性が「２０代女性」である利用者群や、「趣味：カメラ」である利用者群などに含まれる各利用者の履歴情報が示す検索クエリと、関連情報とに基づいて各利用者と所定の事象との関連度を算出する。

（検出部４３について）
検出部４３は、複数の所定の事象のうち、算出部４２により算出された関連度の時系列的な変化が所定の条件を満たす事象を検出する。例えば、図１の例において、検出部４３は、履歴情報データベース３１を参照し、各事象と利用者Ｕ１との関連度の時系列的な自己回帰に基づいて、関連度に変化が生じた事象を検出する。

また、検出部４３は、所定の期間内において関連度が所定の閾値以上変動した事象を検出してもよい。例えば、検出部４３は、複数の事象のうち、一定の期間（例えば、１日、１週間、１か月）内に利用者との関連度が所定の閾値以上上昇または低下した事象を検出する。また、検出部４３は、複数の事象のうち、一定の期間内に利用者との関連度が、負の値から正の値まで上昇、または、正の値から負の値まで低下した事象を検出する。

また、検出部４３は、関連度の周期性が所定の条件を満たす事象を検出してもよい。例えば、検出部４３は、複数の事象のうち、一定の期間ごとに利用者との関連度が所定の閾値以上上昇または低下する事象を検出する。また、検出部４３は、複数の事象のうち、一定の期間ごとに利用者との関連度が、負の値から正の値まで上昇、または、正の値から負の値まで低下する事象を検出する。

また、検出部４３は、第１の期間における関連度の周期性と、第２の期間における関連度の周期性とが対応しない事象を検出してもよい。例えば、検出部４３は、複数の事象のうち、第１の期間における利用者との関連度の周期性と、当該第１の期間とは異なる第２の期間における利用者との関連度の周期性とが変化した事象を検出する。具体的な例を挙げると、検出部４３は、第１の期間において利用者との関連度が所定の閾値以上上昇する回数と、第２の期間において利用者との関連度が所定の閾値以上上昇する回数とが異なる事象を検出する。また、検出部４３は、第１の期間において利用者との関連度が所定の閾値以上低下する回数と、第２の期間において利用者との関連度が所定の閾値以上低下する回数とが異なる事象を検出する。

また、検出部４３は、関連度の時系列的な変化が相関する複数の事象を検出してもよい。例えば、図１の例において、検出部４３は、利用者Ｕ１との関連度の時系列的な変化が相関する属性「趣味：自転車」及び属性「興味の対象：保険」を検出する。

また、検出部４３は、所定の期間内において関連度が所定の閾値以上変動した複数の事象を検出してもよい。例えば、図１の例において、検出部４３は、時点Ｔ＃１を境に利用者Ｕ１との関連度が所定の閾値以上変動した属性「趣味：自転車」及び属性「興味の対象：保険」を検出する。

また、検出部４３は、所定の期間内において関連度が所定の閾値以上上昇した複数の事象を検出してもよい。例えば、図１の例において、検出部４３は、時点Ｔ＃１を境に利用者Ｕ１との関連度が所定の閾値以上上昇した属性「趣味：自転車」及び属性「興味の対象：保険」を検出する。

なお、検出部４３は、一定の期間内に利用者との関連度が負の値から正の値まで上昇した複数の事象を検出してもよい。また、検出部４３は、一定の期間内に利用者との関連度が正の値から負の値まで低下した複数の事象を検出してもよい。

また、検出部４３は、所定の期間内において関連度が所定の閾値以上上昇した事象と、当該所定の期間内において関連度が所定の閾値以上低下した事象とを検出してもよい。例えば、検出部４３は、一定の期間内において、利用者との関連度が所定の閾値以上上昇した事象と、利用者との関連度が所定の閾値以上低下した事象とを検出する。

また、検出部４３は、関連度の周期性が相関する複数の事象を検出してもよい。例えば、検出部４３は、一定の期間ごとに利用者との関連度が所定の閾値以上上昇または低下する複数の事象を検出する。また、検出部４３は、一定の期間ごとに利用者との関連度が、負の値から正の値まで上昇、または、正の値から負の値まで低下する複数の事象を検出する。

また、検出部４３は、関連度の周期性が正の相関関係を有する複数の事象、若しくは、関連度の周期性が負の相関関係を有する複数の事象を検出してもよい。例えば、検出部４３は、一方の事象の関連度が上昇する場合、他方の事象の関連度も上昇する関係性にある組み合わせの事象を検出する。また、検出部４３は、一方の事象の関連度が上昇する場合、他方の事象の関連度が低下する関係性にある組み合わせの事象を検出する。

また、検出部４３は、第１の期間における関連度の周期性が相関せず、第２の期間における関連度の周期性が相関する複数の事象を検出してもよい。例えば、検出部４３は、特定の時点まで利用者との関連度の周期性が相関せず、特定の時点を境に関連度の周期性が相関する複数の事象を検出する。

また、検出部４３は、第１の事象の関連度の周期性と、第２の事象の関連度の周期性とが第１の期間において相関し、第２の期間において相関しない場合は、当該第１の事象、若しくは、当該第２の事象のいずれかと当該第２の期間において関連度の周期性が相関する事象を検出してもよい。例えば、検出部４３は、特定の時点まで利用者との関連度の周期性が相関し、特定の時点を境に関連度の周期性が相関しない複数の事象を検出する。そして、検出部４３は、特定の時点を境に、検出した複数の事象のいずれかと関連度の周期性が相関する事象を検出する。

なお、検出部４３は、複数の所定の事象のうち、所定の利用者群に含まれる利用者の関連度の時系列的な変化が所定の条件を満たす事象を検出してもよい。例えば、検出部４３は、特定の利用者群に含まれる所定の割合以上の利用者の関連度の時系列的な変化が所定の条件を満たす事象を検出する。

（推定部４４について）
推定部４４は、検出部４３により検出された事象に基づいて、利用者のコンテキストを推定する。例えば、図１を例にして説明すると、属性「興味の対象：保険」の利用者Ｕ１との関連度が所定の閾値以上上昇（若しくは、関連度が負の値から正の値に上昇）した場合、推定部４４は、利用者Ｕ１が保険に興味を持ったと推定する。また、属性「趣味：自転車」の利用者Ｕ１との関連度が所定の閾値以上低下（若しくは、関連度が正の値から負の値に低下）した場合、推定部４４は、利用者Ｕ１が自転車に対する興味を失ったと推定する。また、属性「趣味：自転車」の利用者Ｕ１との関連度が、第１の期間において所定の閾値以上上昇する回数よりも、その後の第２の期間において所定の閾値以上上昇する回数が多い場合、推定部４４は、第２の期間において利用者Ｕ１の自転車に対する興味がより強くなったと推定する。また、属性「趣味：自転車」の利用者Ｕ１との関連度が、第１の期間において所定の閾値以上低下する回数よりも、その後の第２の期間において所定の閾値以上低下する回数が多い場合、推定部４４は、第２の期間において利用者Ｕ１の自転車に対する興味が低下したと推定する。

また、推定部４４は、検出部４３により検出された複数の事象に基づいて、利用者のコンテキストを推定してもよい。例えば、図１の例において、推定部４４は、属性「趣味：自転車」及び属性「興味の対象：保険」の関連度が同時期に上昇したため、利用者Ｕ１が自転車の事故に遭ったと推定する。

なお、例えば、同時期に属性「趣味：自転車」と利用者との関連度が所定の閾値以上低下し、属性「趣味：自動車」の関連度が上昇した場合、推定部４４は、利用者が移動手段を自転車から自動車に変更したと推定してもよい。また、属性「趣味：自転車」と利用者との関連度と、属性「趣味：釣り」の関連度の周期性が正の相関関係を有する場合、推定部４４は、自転車を移動手段として用いて釣りに行く利用者であると推定してもよい。また、属性「趣味：自転車」と利用者との関連度と、属性「趣味：釣り」の関連度の周期性が負の相関関係を有する場合、推定部４４は、自転車を移動手段として用いずに釣りに行く利用者であると推定してもよい。

また、推定部４４は、第２の期間において関連度の周期性が第１の事象と関連する事象が検出部により検出された場合は、第１の事象と、検出部により検出された事象とに基づいて利用者のコンテキストを推定し、第２の期間において関連度の周期性が第２の事象と関連する事象が検出部により検出された場合は、第２の事象と、検出部により検出された事象とに基づいて利用者のコンテキストを推定してもよい。例えば、第１の期間において、属性「趣味：自転車」との利用者の関連度の周期性と、属性「趣味：釣り」との関連度の周期性とが正の相関関係を有し、その後の第２の期間において双方の周期性が相関せず、属性「趣味：自動車」の関連度の周期性と、属性「趣味：釣り」との関連度の周期性とが正の相関関係を有する場合、推定部４４は、利用者が釣りに行く際の移動手段を、自転車から自動車に変更したと推定してもよい。

ここで、個人のコンテキストのみならず、利用者群のコンテキストの変化（例えば、流行）を把握したいといった要望が考えられる。したがって、推定部４４は、検出部４３により検出された事象に基づいて、所定の利用者群のコンテキストを推定してもよい。例えば、所定の属性を有する利用者群のうち所定の割合以上の利用者について、所定の期間内に関連度が所定の閾値以上上昇した事象が検出された場合、推定部４４は、当該所定の属性を有する利用者群において当該事象に関する流行（ブーム）が広まっていると推定する。具体的な例を挙げると、属性が「２０代女性」である利用者群のうち所定の割合以上の利用者について、所定の期間内に属性「趣味：自動車」との関連度が所定の閾値以上上昇した場合、推定部４４は、属性が「２０代女性」である利用者群において、「趣味：自動車」の流行が広まっていると推定する。また、属性が「趣味：カメラ」である利用者群のうち所定の割合以上の利用者について、所定の期間内に属性「趣味：自動車」との関連度が所定の閾値以上上昇した場合、推定部４４は、属性が「趣味：カメラ」である利用者群において、自転車を移動手段としてカメラの撮影に行くことが流行となっていると推定する。

なお、推定部４４は、所定の属性を有する利用者群に含まれる利用者について検出部４３により検出された事象に基づいて、当該利用者のコンテキストを推定してもよい。例えば、属性が「２０代女性」である利用者群に含まれる利用者と、属性「趣味：自転車」との関連度が所定の閾値以上上昇した場合、推定部４４は、当該利用者が自転車に対する興味を持った２０代女性であると推定する。また、属性が「趣味：カメラ」である利用者群に含まれる利用者と、属性「趣味：自転車」との関連度が所定の閾値以上上昇した場合、推定部４４は、当該利用者が自転車を移動手段としてカメラの撮影に行くようになった利用者であると推定する。

（提供部４５について）
提供部４５は、推定部４４により推定されたコンテキストに基づいて、利用者に所定の情報を提供する。例えば、図１の例において、利用者Ｕ１が自転車の事故に遭ったと推定される場合、提供部４５は、自転車保険に関するサービスの情報を利用者Ｕ１に提供する。

〔３．推定処理のフロー〕
図５を用いて、実施形態に係る情報処理装置１０の推定処理の手順について説明する。図５は、実施形態に係る推定処理の手順の一例を示すフローチャートである。

図５に示すように、情報処理装置１０は、利用者が入力した検索クエリの履歴を示す履歴情報を取得する（ステップＳ１０１）。続いて、情報処理装置１０は、履歴情報が示す検索クエリと、所定の事象に対する検索クエリの関連性を示す関連情報とに基づいて、利用者と当該所定の事象との関連度を算出する（ステップＳ１０２）。続いて、情報処理装置１０は、複数の所定の事象のうち、算出された関連度の時系列的な変化が所定の条件を満たす事象を検出する（ステップＳ１０３）。続いて、情報処理装置１０は、検出された事象に基づいて、利用者のコンテキストを推定し（ステップＳ１０４）、処理を終了する。

〔４．変形例〕
上述の実施形態は一例を示したものであり、種々の変更及び応用が可能である。

〔４－１．コンテキストの推定について〕
上述の実施形態において、推定部４４が、検出部４３により利用者について検出された事象に基づいてコンテキストを推定する例を示したが、推定部４４の機能はこのような例に限定されない。例えば、利用者の関連度の時系列的な変化が、所定の属性を有する利用者群の関連度の時系列的な変化と対応する場合、推定部４４が、当該所定の属性に基づき利用者のコンテキストを推定してもよい。具体的な例を挙げると、特定の時点を境として、利用者の関連度の時系列的な変化が、属性「子持ち」を有する利用者群の関連度の時系列的な変化と対応する場合、推定部４４は、当該利用者に子供が生まれたと推定する。

〔４－２．処理態様について〕
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、逆に、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、上記文章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、上記してきた各実施形態は、処理内容を矛盾させない範囲で適宜組み合わせることが可能である。

〔５．効果〕
上述してきたように、実施形態に係る情報処理装置１０は、取得部４１と、算出部４２と、検出部４３と、推定部４４と、提供部４５とを有する。取得部４１は、利用者が入力した検索クエリの履歴を示す履歴情報を取得する。また、取得部４１は、所定の利用者群が入力した検索クエリの履歴を示す履歴情報を取得する。算出部４２は、取得部４１により取得された履歴情報が示す検索クエリと、所定の事象に対する検索クエリの関連性を示す関連情報とに基づいて、利用者と当該所定の事象との関連度を算出する。また、算出部４２は、履歴情報が示す検索クエリと、関連情報とに基づいて、所定の利用者群と所定の事象との関連度を算出する。検出部４３は、複数の所定の事象のうち、算出部４２により算出された関連度の時系列的な変化が所定の条件を満たす事象を検出する。推定部４４は、検出部４３により検出された事象に基づいて、利用者のコンテキストを推定する。また、推定部４４は、検出部４３により検出された事象に基づいて、所定の利用者群のコンテキストを推定する。提供部４５は、推定部４４により推定されたコンテキストに基づいて、利用者に所定の情報を提供する。

これにより、実施形態に係る情報処理装置１０は、入力された検索クエリに基づき、利用者が現時点で対応付けられる事象のみならず、利用者と事象との対応付けの時系列的な変化に基づき利用者のコンテキストの変化を把握することができるため、検索クエリに応じた利用者のコンテキストの変化を把握することができる。

また、実施形態に係る情報処理装置１０において、例えば、検出部４３は、所定の期間内において関連度が所定の閾値以上変動した事象を検出する。また、検出部４３は、関連度の周期性が所定の条件を満たす事象を検出する。また、検出部４３は、第１の期間における関連度の周期性と、第２の期間における関連度の周期性とが対応しない事象を検出する。

これにより、実施形態に係る情報処理装置１０は、入力された検索クエリに基づき、利用者と対応付けの時系列的な変化が各種の条件を満たす事象を検出し、利用者のコンテキストを推定することができるため、コンテキスト推定の精度を向上させることができる。

また、実施形態に係る情報処理装置１０において、例えば、検出部４３は、関連度の時系列的な変化が相関する複数の事象を検出する。そして、推定部４４は、検出部４３により検出された複数の事象に基づいて、利用者のコンテキストを推定する。また、検出部４３は、所定の期間内において関連度が所定の閾値以上変動した複数の事象を検出する。また、検出部４３は、所定の期間内において関連度が所定の閾値以上上昇した複数の事象を検出する。また、検出部４３は、所定の期間内において関連度が所定の閾値以上上昇した事象と、当該所定の期間内において関連度が所定の閾値以上低下した事象とを検出する。また、検出部４３は、関連度の周期性が相関する複数の事象を検出する。また、検出部４３は、関連度の周期性が正の相関関係を有する複数の事象、若しくは、関連度の周期性が負の相関関係を有する複数の事象を検出する。また、検出部４３は、第１の期間における関連度の周期性が相関せず、第２の期間における関連度の周期性が相関する複数の事象を検出する。

これにより、実施形態に係る情報処理装置１０は、関連度の時系列的な変化が相関する複数の事象を検出し、検出した事象に基づき利用者のコンテキストを推定することができるため、コンテキスト推定の精度を向上させることができる。

また、実施形態に係る情報処理装置１０において、例えば、検出部４３は、第１の事象の関連度の周期性と、第２の事象の関連度の周期性とが第１の期間において相関し、第２の期間において相関しない場合は、当該第１の事象、若しくは、当該第２の事象のいずれかと当該第２の期間において関連度の周期性が相関する事象を検出する。そして、推定部４４は、第２の期間において関連度の周期性が第１の事象と関連する事象が検出部により検出された場合は、第１の事象と、検出部により検出された事象とに基づいて利用者のコンテキストを推定し、第２の期間において関連度の周期性が第２の事象と関連する事象が検出部により検出された場合は、第２の事象と、検出部により検出された事象とに基づいて利用者のコンテキストを推定する。

これにより、実施形態に係る情報処理装置１０は、利用者のコンテキストの変化を推定することができるため、コンテキスト推定の精度を向上させることができる。

〔６．ハードウェア構成〕
また、上述してきた各実施形態に係る情報処理装置１０は、例えば、図６に示すような構成のコンピュータ１０００によって実現される。以下、情報処理装置１０を例に挙げて説明する。図６は、情報処理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、ＲＯＭ１２００、ＲＡＭ１３００、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、ＲＯＭ１２００又は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。ＲＯＭ１２００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記憶する。通信インターフェイス１５００は、通信網５００（実施形態のネットワークＮに対応する）を介して他の機器からデータを受信してＣＰＵ１１００へ送り、また、通信網５００を介してＣＰＵ１１００が生成したデータを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、入出力インターフェイス１６００を介して生成したデータを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又はデータを読み取り、ＲＡＭ１３００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ＲＡＭ１３００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が情報処理装置１０として機能する場合、コンピュータ１０００のＣＰＵ１１００は、ＲＡＭ１３００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４０の機能を実現する。また、ＨＤＤ１４００には、情報処理装置１０の記憶装置内の各データが格納される。コンピュータ１０００のＣＰＵ１１００は、これらのプログラムを記録媒体１８００から読み取って実行するが、他の例として、他の装置から所定の通信網を介してこれらのプログラムを取得してもよい。

〔７．その他〕
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。

また、上述した情報処理装置１０は、機能によっては外部のプラットフォーム等をＡＰＩ（Application Programming Interface）やネットワークコンピューティングなどで呼び出して実現するなど、構成は柔軟に変更できる。

また、特許請求の範囲に記載した「部」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。

１０ 情報処理装置
２０ 通信部
３０ 記憶部
３１ 履歴情報データベース
３２ 関連情報データベース
４０ 制御部
４１ 取得部
４２ 算出部
４３ 検出部
４４ 推定部
４５ 提供部
１００ 端末装置

Claims (15)

1. 利用者が入力した検索クエリの履歴を示す履歴情報を取得する取得部と、
   前記取得部により取得された履歴情報が示す検索クエリと、所定の事象に対する検索クエリの関連性を示す関連情報とに基づいて、前記利用者と当該所定の事象との関連度を算出する算出部と、
   複数の前記所定の事象のうち、前記算出部により算出された関連度の時系列的な変化が所定の条件を満たす事象を検出する検出部と、
   前記検出部により検出された事象に基づいて、前記利用者のコンテキストを推定する推定部と
   を有することを特徴とする推定装置。
2. 前記検出部は、
   所定の期間内において前記関連度が所定の閾値以上変動した事象を検出する
   ことを特徴とする請求項１に記載の推定装置。
3. 前記検出部は、
   前記関連度の周期性が所定の条件を満たす事象を検出する
   ことを特徴とする請求項１または２に記載の推定装置。
4. 前記検出部は、
   第１の期間における前記関連度の周期性と、第２の期間における前記関連度の周期性とが対応しない事象を検出する
   ことを特徴とする請求項３に記載の推定装置。
5. 前記検出部は、
   前記関連度の時系列的な変化が相関する複数の事象を検出し、
   前記推定部は、
   前記検出部により検出された複数の事象に基づいて、前記利用者のコンテキストを推定する
   ことを特徴とする請求項１から４のうちいずれか１つに記載の推定装置。
6. 前記検出部は、
   所定の期間内において前記関連度が所定の閾値以上変動した複数の事象を検出する
   ことを特徴とする請求項５に記載の推定装置。
7. 前記検出部は、
   所定の期間内において前記関連度が所定の閾値以上上昇した複数の事象を検出する
   ことを特徴とする請求項６に記載の推定装置。
8. 前記検出部は、
   所定の期間内において前記関連度が所定の閾値以上上昇した事象と、当該所定の期間内において前記関連度が所定の閾値以上低下した事象とを検出する
   ことを特徴とする請求項６または７に記載の推定装置。
9. 前記検出部は、
   前記関連度の周期性が相関する複数の事象を検出する
   ことを特徴とする請求項５から８のうちいずれか１つに記載の推定装置。
10. 前記検出部は、
    前記関連度の周期性が正の相関関係を有する複数の事象、若しくは、前記関連度の周期性が負の相関関係を有する複数の事象を検出する
    ことを特徴とする請求項９に記載の推定装置。
11. 前記検出部は、
    第１の期間における前記関連度の周期性が相関せず、第２の期間における前記関連度の周期性が相関する複数の事象を検出する
    ことを特徴とする請求項９または１０に記載の推定装置。
12. 前記検出部は、
    第１の事象の前記関連度の周期性と、第２の事象の前記関連度の周期性とが第１の期間において相関し、第２の期間において相関しない場合は、当該第１の事象、若しくは、当該第２の事象のいずれかと当該第２の期間において前記関連度の周期性が相関する事象を検出し、
    前記推定部は、
    前記第２の期間において前記関連度の周期性が前記第１の事象と関連する事象が前記検出部により検出された場合は、前記第１の事象と、前記検出部により検出された事象とに基づいて前記利用者のコンテキストを推定し、前記第２の期間において前記関連度の周期性が前記第２の事象と関連する事象が前記検出部により検出された場合は、前記第２の事象と、前記検出部により検出された事象とに基づいて前記利用者のコンテキストを推定する
    ことを特徴とする請求項９から１１のうちいずれか１つに記載の推定装置。
13. 前記取得部は、
    所定の利用者群が入力した検索クエリの履歴を示す前記履歴情報を取得し、
    前記算出部は、
    前記履歴情報が示す検索クエリと、前記関連情報とに基づいて、前記所定の利用者群と前記所定の事象との関連度を算出し、
    前記検出部は、
    複数の前記所定の事象のうち、前記算出部により算出された関連度の時系列的な変化が所定の条件を満たす事象を検出し、
    前期推定部は、
    前記検出部により検出された事象に基づいて、前記所定の利用者群のコンテキストを推定する
    ことを特徴とする請求項１から１２のうちいずれか１つに記載の推定装置。
14. コンピュータが実行する推定方法であって、
    利用者が入力した検索クエリの履歴を示す履歴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履歴情報が示す検索クエリと、所定の事象に対する検索クエリの関連性を示す関連情報とに基づいて、前記利用者と当該所定の事象との関連度を算出する算出工程と、
    複数の前記所定の事象のうち、前記算出工程により算出された関連度の時系列的な変化が所定の条件を満たす事象を検出する検出工程と、
    前記検出工程により検出された事象に基づいて、前記利用者のコンテキスト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。
15. 利用者が入力した検索クエリの履歴を示す履歴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履歴情報が示す検索クエリと、所定の事象に対する検索クエリの関連性を示す関連情報とに基づいて、前記利用者と当該所定の事象との関連度を算出する算出手順と、
    複数の前記所定の事象のうち、前記算出手順により算出された関連度の時系列的な変化が所定の条件を満たす事象を検出する検出手順と、
    前記検出手順により検出された事象に基づいて、前記利用者のコンテキストを推定する推定手順と
    をコンピュータに実行させるための推定プログラム。

Images