JP7044922B1 - 情報処理装置、情報処理方法および情報処理プログラム - Google Patents

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、特定部と、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。【選択図】図６

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。

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。

特開２０１６－１７７３７７号公報

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。

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。

本願に係る情報処理装置は、取得部と、特定部と、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と、前記利用者行動および前記基準行動の関連度とを取得する。前記特定部は、前記基準行動が行われたタイミングを基準とした前記利用者行動の行動タイミングを特定する。前記生成部は、前記関連度および前記行動タイミングに基づく情報を生成する。

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。

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。 図２は、実施形態に係る情報処理装置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。 図３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変遷に基づくコンテンツ提供処理を示す説明図である。 図４は、実施形態に係る情報処理システムの一例を示す図である。 図５は、実施形態に係る利用者行動データベースの一例を示す図である。 図６は、実施形態に係る第１処理部の構成の一例を示す図である。 図７は、実施形態に係る第２処理部の構成の一例を示す図である。 図８は、実施形態に係る第３処理部の構成の一例を示す図である。 図９は、実施形態に係る第１処理部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。 図１０は、実施形態に係る第２処理部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。 図１１は、実施形態に係る第３処理部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。 図１２は、ハードウェア構成の一例を示す図である。

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。

（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。

〔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５００_１～５００_ｎ（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。

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。

図１の例では、ユーザ装置５００_１～５００_ｎ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５００_１は、ユーザＵ１によって利用され、ユーザ装置５００_２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５００_１～５００_ｎ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。

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。

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。

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）。

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）。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

〔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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

〔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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

〔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。

〔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。

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。

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。

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。

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。

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。

〔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。

（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。

（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。

（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。

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。

「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。

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。

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。

（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。

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。

（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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

（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。

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。

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。

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。

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。

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。

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。

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。

（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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

〔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。

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）。

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）。

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）。

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）。

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）。

〔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。

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）。

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）。

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）。

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）。

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）。

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）。

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）。

〔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。

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）。

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）。

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）。

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）。

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）。

〔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。

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。

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。

〔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。

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。

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。

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。

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。

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。

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。

〔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。

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。

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。

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。

〔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。

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。

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。

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

Claims (9)

1. 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、前記利用者行動および前記基準行動の関連度とを取得する取得部と、
   前記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前記利用者行動の行動タイミングを特定する特定部と、
   前記関連度および前記行動タイミングに基づく情報を生成する生成部と、
   を備え、
   前記特定部は、
   前記基準タイミングを基準とする前後の各期間に行われた前記利用者行動の回数を計測し、前記回数の分布に基づいて前記行動タイミングを特定すること
   を特徴とする情報処理装置。
2. 前記取得部は、
   前記利用者行動を説明変数とし、前記関連度を目的変数として学習したモデルへ取得した前記利用者行動を入力することで出力されるスコアを前記関連度として取得すること
   を特徴とする請求項１に記載の情報処理装置。
3. 前記特定部は、
   前記回数が正規分布となる場合に前記行動タイミングを特定すること
   を特徴とする請求項１または２に記載の情報処理装置。
4. 前記特定部は、
   前記正規分布に基づく要約値の期間を前記行動タイミングとして特定すること
   を特徴とする請求項３に記載の情報処理装置。
5. 前記要約値は、
   前記正規分布における中央値であること
   を特徴とする請求項４に記載の情報処理装置。
6. 前記生成部は、
   前記関連度および前記行動タイミングを紐付けたグラフを生成すること
   を特徴とする請求項１～５のいずれか１つに記載の情報処理装置。
7. 前記生成部は、
   前記基準タイミング以前の前記行動タイミングで行われた前記利用者行動に関する情報を生成すること
   を特徴とする請求項１～６のいずれか１つに記載の情報処理装置。
8. コンピュータが実行する情報処理方法であって、
   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、前記利用者行動および前記基準行動の関連度とを取得する取得工程と、
   前記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前記利用者行動の行動タイミングを特定する特定工程と、
   前記関連度および前記行動タイミングに基づく情報を生成する生成工程と、
   を含み、
   前記特定工程は、
   前記基準タイミングを基準とする前後の各期間に行われた前記利用者行動の回数を計測し、前記回数の分布に基づいて前記行動タイミングを特定すること
   を特徴とする情報処理方法。
9. 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、前記利用者行動および前記基準行動の関連度とを取得する取得手順と、
   前記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前記利用者行動の行動タイミングを特定する特定手順と、
   前記関連度および前記行動タイミングに基づく情報を生成する生成手順と、
   をコンピュータに実行させ、
   前記特定手順は、
   前記基準タイミングを基準とする前後の各期間に行われた前記利用者行動の回数を計測し、前記回数の分布に基づいて前記行動タイミングを特定すること
   を特徴とする情報処理プログラム。

Images