JP7112896B2 - 推定装置 - Google Patents

Description

本発明は、ライフイベントの推定装置に関する。

顧客の行動履歴、購買履歴等の情報に基づいて、商品及びサービスを顧客にリコメンドする技術が知られている。例えば、特許文献１には、顧客によるアンケートの回答及び商品の購入情報等に基づいてユーザの生活における出来事を推定し、推定された出来事に関連した広告情報を顧客に送付する技術が開示されている。

特開２００４－２０６１６１号公報

従来、ユーザの生涯における出来事であるライフイベントの推定は、ユーザのアンケートの回答及びユーザの商品の購入履歴等の情報に基づいて行われていた。即ち、ユーザの能動的な行動に基づく情報が用いられていたので、それらの情報の取得は容易ではなかった。また、ユーザに対して特定の情報の提供等を強いることなく、ライフイベントの推定の精度を向上させることが求められていた。

そこで、本発明は、上記問題点に鑑みてなされたものであり、ユーザのライフイベントの発生の推定を、精度向上を図りつつ容易に取得可能な情報に基づいて実施できる推定装置を提供することを目的とする。

上記課題を解決するために、本発明の一形態に係る推定装置は、ユーザのライフイベントを推定する推定装置であって、少なくとも携帯端末の契約に関する契約情報を含むユーザごとの入力情報を取得する取得部と、入力情報に基づいて、ユーザのライフイベントの推定のためのライフイベント推定モデルに入力するための特徴量を生成する特徴量生成部と、特徴量に基づいて、特徴量を入力として、所定のライフイベントの発生に関する推定値を出力とするライフイベント推定モデルを生成するモデル生成部と、生成されたライフイベント推定モデルを出力するモデル出力部と、を備える。

上記の形態によれば、携帯端末の契約に関する情報が特徴量の生成に用いられるので、容易に取得可能な情報に基づいて、ライフイベント推定モデルに入力するための特徴量を得ることができる。そして、携帯端末の契約に関する情報は、ユーザの生活の態様が反映された情報であるので、そのような情報に基づき生成された特徴量を入力としてライフイベントの発生に関する推定値を出力するモデルを生成することにより、ユーザのライフイベントを精度良く推定することが可能となる。

ユーザのライフイベントの発生の推定を、精度向上を図りつつ容易に取得可能な情報に基づいて実施できる。

本実施形態に係る推定装置の機能的構成を示す図である。 推定装置のハードブロック図である。 ライフイベント推定モデルに入力するための特徴量の例を示す図である。 ライフイベント推定モデルの生成処理を示すフローチャートである。 出力されたライフイベントの発生確率の例を示す図である。 ライフイベント推定モデルを用いた所定のライフイベントの発生確率を推定する処理を示すフローチャートである。 ライフステージを加味したライフイベントの発生確率の推定のためのモデルの生成を説明する図である。 ライフステージを加味したライフイベントの発生確率の推定の処理を説明する図である。 推定プログラムの構成を示す図である。

本発明に係る推定装置の実施形態について図面を参照して説明する。なお、可能な場合には、同一の部分には同一の符号を付して、重複する説明を省略する。

図１は、本実施形態に係る推定装置１０の機能的構成を示す図である。推定装置１０は、ユーザのライフイベントを推定する装置である。ライフイベントは、人（ユーザ）の一生涯において節目となる出来事である。また、推定装置１０は、推定されたライフイベントの発生に関する推定値に基づいて、ユーザに対して商品及びサービス等のリコメンドを実施してもよい。

図１に示す例では、推定装置１０は、取得部１１、特徴量生成部１２、モデル生成部１３、モデル出力部１４、推定部１５及び提案部１６を含む。本実施形態の推定装置１０が備える各機能部は、１つの装置に構成されてもよいし、複数の装置に分散されて構成されてもよい。

また、推定装置１０は、入力情報記憶部２０、モデル記憶部３０、提案情報記憶部４０といった記憶手段を含む。本実施形態の推定装置１０が備える各記憶部は、推定装置１０に構成されてもよいし、推定装置１０と通信可能な他の装置に構成されてもよい。

また、推定装置１０は、モデルの生成のための最小限の機能部により構成されることとしてもよい。即ち、推定装置１０は、取得部１１、特徴量生成部１２、モデル生成部１３及びモデル出力部１４を含んで構成されることとしてもよい。

また、推定装置１０は、生成済みのモデルを用いてライフイベントの発生に関する推定値を出力するための最小限の機能部により構成されることとしてもよい。即ち、推定装置１０は、取得部１１、特徴量生成部１２及び推定部１５を含んで構成されることとしてもよい。

なお、図１に示したブロック図は、機能単位のブロックを示している。これらの機能ブロック（構成部）は、ハードウェア及び／又はソフトウェアの任意の組み合わせによって実現される。また、各機能ブロックの実現手段は特に限定されない。すなわち、各機能ブロックは、物理的及び／又は論理的に結合した１つの装置により実現されてもよいし、物理的及び／又は論理的に分離した２つ以上の装置を直接的及び／又は間接的に(例えば、有線及び／又は無線)で接続し、これら複数の装置により実現されてもよい。

例えば、本発明の一実施の形態における推定装置１０は、コンピュータとして機能してもよい。図２は、本実施形態に係る推定装置１０のハードウェア構成の一例を示す図である。推定装置１０は、物理的には、プロセッサ１００１、メモリ１００２、ストレージ１００３、通信装置１００４、入力装置１００５、出力装置１００６、バス１００７などを含むコンピュータ装置として構成されてもよい。

なお、以下の説明では、「装置」という文言は、回路、デバイス、ユニットなどに読み替えることができる。推定装置１０のハードウェア構成は、図２に示した各装置を１つ又は複数含むように構成されてもよいし、一部の装置を含まずに構成されてもよい。

推定装置１０における各機能は、プロセッサ１００１、メモリ１００２などのハードウェア上に所定のソフトウェア（プログラム）を読み込ませることで、プロセッサ１００１が演算を行い、通信装置１００４による通信や、メモリ１００２及びストレージ１００３におけるデータの読み出し及び／又は書き込みを制御することで実現される。

プロセッサ１００１は、例えば、オペレーティングシステムを動作させてコンピュータ全体を制御する。プロセッサ１００１は、周辺装置とのインターフェース、制御装置、演算装置、レジスタなどを含む中央処理装置（ＣＰＵ：Central Processing Unit）で構成されてもよい。また、プロセッサ１００１は、ＧＰＵ（Graphics Processing Unit）を含んで構成されてもよい。例えば、図１に示した各機能部１１～１６などは、プロセッサ１００１で実現されてもよい。

また、プロセッサ１００１は、プログラム（プログラムコード）、ソフトウェアモジュールやデータを、ストレージ１００３及び／又は通信装置１００４からメモリ１００２に読み出し、これらに従って各種の処理を実行する。プログラムとしては、上述の実施の形態で説明した動作の少なくとも一部をコンピュータに実行させるプログラムが用いられる。例えば、推定装置１０の各機能部１１～１６は、メモリ１００２に格納され、プロセッサ１００１で動作する制御プログラムによって実現されてもよい。上述の各種処理は、１つのプロセッサ１００１で実行される旨を説明してきたが、２以上のプロセッサ１００１により同時又は逐次に実行されてもよい。プロセッサ１００１は、１以上のチップで実装されてもよい。なお、プログラムは、電気通信回線を介してネットワークから送信されても良い。

メモリ１００２は、コンピュータ読み取り可能な記録媒体であり、例えば、ＲＯＭ（Read Only Memory）、ＥＰＲＯＭ（Erasable Programmable ＲＯＭ）、ＥＥＰＲＯＭ（Electrically Erasable Programmable ＲＯＭ）、ＲＡＭ（Random Access Memory）などの少なくとも１つで構成されてもよい。メモリ１００２は、レジスタ、キャッシュ、メインメモリ（主記憶装置）などと呼ばれてもよい。メモリ１００２は、本発明の一実施の形態に係る棚割情報生成方法を実施するために実行可能なプログラム（プログラムコード）、ソフトウェアモジュールなどを保存することができる。

ストレージ１００３は、コンピュータ読み取り可能な記録媒体であり、例えば、ＣＤ－ＲＯＭ（Compact Disc ＲＯＭ）などの光ディスク、ハードディスクドライブ、フレキシブルディスク、光磁気ディスク(例えば、コンパクトディスク、デジタル多用途ディスク、Ｂｌｕ－ｒａｙ（登録商標）ディスク)、スマートカード、フラッシュメモリ(例えば、カード、スティック、キードライブ)、フロッピー（登録商標）ディスク、磁気ストリップなどの少なくとも１つで構成されてもよい。ストレージ１００３は、補助記憶装置と呼ばれてもよい。上述の記憶媒体は、例えば、メモリ１００２及び／又はストレージ１００３を含むデータベース、サーバその他の適切な媒体であってもよい。

通信装置１００４は、有線及び／又は無線ネットワークを介してコンピュータ間の通信を行うためのハードウェア（送受信デバイス）であり、例えばネットワークデバイス、ネットワークコントローラ、ネットワークカード、通信モジュールなどともいう。

入力装置１００５は、外部からの入力を受け付ける入力デバイス（例えば、キーボード、マウス、マイクロフォン、スイッチ、ボタン、センサなど）である。出力装置１００６は、外部への出力を実施する出力デバイス（例えば、ディスプレイ、スピーカー、LEDランプなど）である。なお、入力装置１００５及び出力装置１００６は、一体となった構成（例えば、タッチパネル）であってもよい。

また、プロセッサ１００１やメモリ１００２などの各装置は、情報を通信するためのバス１００７で接続される。バス１００７は、単一のバスで構成されてもよいし、装置間で異なるバスで構成されてもよい。

また、推定装置１０は、マイクロプロセッサ、デジタル信号プロセッサ（ＤＳＰ：Digital Signal Processor）、ＡＳＩＣ（Application Specific Integrated Circuit）、ＰＬＤ（Programmable Logic Device）、ＦＰＧＡ（Field Programmable Gate Array）などのハードウェアを含んで構成されてもよく、当該ハードウェアにより、各機能ブロックの一部又は全てが実現されてもよい。例えば、プロセッサ１００１は、これらのハードウェアの少なくとも１つで実装されてもよい。

再び図１を参照して、推定装置１０の各機能部について説明する。取得部１１は、ユーザごとの入力情報を取得する。入力情報は、モデルの生成のために取得される。本実施形態の推定装置１０では、ユーザのライフイベントの推定のためのライフイベント推定モデルが生成される。ライフイベント推定モデルは、入力情報に基づいて生成された特徴量を入力として、所定のライフイベントの発生に関する推定値を出力とする。ライフイベント推定モデルにより出力される推定値は、所定のライフイベントの発生に関する値であれば限定されないが、本実施形態では、ライフイベント推定モデルが、所定のライフイベントの発生確率を出力する例を説明する。

また、ライフイベント推定モデルが教師あり学習により生成される場合には、取得部１１は、入力情報及び入力情報に関連付けられたイベント情報を取得する。イベント情報は、教師あり学習における正解の情報として用いられる。

入力情報は、あるユーザのある時点における特徴を表す情報群であって、少なくとも携帯端末の契約に関する契約情報を含む。このような契約情報は、ユーザに対して特段の情報の提供のための行動等を強いることなく、容易に取得可能な情報である。イベント情報は、ある時点において発生したユーザに関する事象であって、例えば、ライフイベント情報及びその他のライフイベントとして解釈出来る情報を含む。ライフイベント情報は、ある時点において当該ユーザにおいて発生したライフイベントを示す情報である。また、ライフイベントとして解釈できる情報は、例えば、ユーザにおける所定（携帯端末の契約情報等）の名義変更の手続き等である。本実施形態では、イベント情報がライフイベント情報である場合の例を説明する。

入力情報記憶部２０は、入力情報を記憶している記憶手段である。また、入力情報記憶部２０は、入力情報に関連付けられたライフイベント情報等の、モデルの学習に供されるデータを記憶していてもよい。

入力情報は、前述のとおり、携帯端末の契約に関する契約情報を含み、例えば、料金プラン、契約内容における顧客同士の関係性、端末の種類、請求金額及び料金の収納状況等の情報を含む。また、入力情報は、子供向けや高齢者向け等の年代に合わせたサービスや、動画像等のコンテンツを配信するサービスといった各種サービスの契約状況の情報を含んでもよい。また、入力情報は、位置情報から推定される出勤日数や旅行日数及び各種施設での滞在時間等の情報を含んでもよい。また、入力情報は、ユーザに固有の情報の他に、国勢調査等に基づく統計情報を含んでもよい。

ライフイベント情報は、関連付けられた入力情報が対応付けられる時点における、当該ユーザにおけるライフイベントの発生の有無を示す情報である。ライフイベントは、前述のとおり、人（ユーザ）の一生涯において節目となる出来事であって、例えば、結婚、子供の誕生及び住宅の購入等のイベントである。

特徴量生成部１２は、入力情報に基づいて特徴量を生成する。具体的には、特徴量生成部１２は、ライフイベント推定モデルを生成するためにモデルに入力するデータであり各入力情報の特徴を示す特徴量を、入力情報の加工により生成する。

特徴量生成部１２による特徴量の生成の例を以下に示す。特徴量生成部１２は、入力情報に基づいて、時系列における一の時点または所定の期間における、入力情報に含まれる契約情報等の数値、数値を集計した集計値または属性を示す情報を特徴量として生成する。具体的には、特徴量生成部１２は、例えば、直近の所定期間における数値、集計値（平均値、最大値及び最小値等）及び属性値を特徴量として生成してもよい。

また、特徴量生成部１２は、入力情報に基づいて、時系列における第１の時点または第１の期間における入力情報に含まれる契約情報等の数値、集計値または属性を示す情報と、第１の時点より前の第２の時点または第１の期間より前の第２の期間における数値、集計値または属性を示す情報との変化を示す情報を、特徴量として生成してもよい。具体的には、特徴量生成部１２は、直近の２時点の間及び２期間の間における、数値、集計値（平均値、最大値及び最小値等）及び属性値等の変化を示す情報を特徴量として生成してもよい。

図３は、特徴量生成部１２により生成された特徴量の例を示す図である。図３にしめすように、特徴量生成部１２は、ユーザＡ，Ｂ，Ｃ，・・・，Ｍのそれぞれの特徴量Ｘ１（請求金額），Ｘ２（端末種別），Ｘ３（利用期間），・・・，Ｘｎを生成する。これらの特徴量Ｘ１～Ｘｎは、ライフイベント推定モデルに入力されるデータであって、説明変数を構成する。また、各ユーザの特徴量には、各特徴量に対応する正解情報としてのライフイベント情報Ｙが関連付けられている。ライフイベント情報Ｙは、目的変数を構成する。

また、特徴量生成部１２は、入力情報に基づいてユーザが属するグループを推定し、グループを示す情報、及び、同じグループに属する他ユーザに関する所定の入力情報のうちの少なくともいずれかを、ユーザの特徴量の一部として生成してもよい。

具体的には、特徴量生成部１２は、入力情報に基づいて、ユーザが属するグループを表す識別情報を抽出して、抽出した識別情報を特徴量の一部として生成してもよい。また、特徴量生成部１２は、一のユーザと同じグループに属する他ユーザの入力情報を、当該一のユーザの特徴量の一部として出力してもよい。

ライフイベントの発生は、ユーザが属するグループ及びグループ内の他ユーザの影響を受ける場合があるので、このように特徴量を生成することにより、グループに関する情報及び同グループ内の他ユーザに関する情報が特徴量に含められるので、ライフイベントの発生の推定精度が高いモデルの生成が可能となる。

モデル生成部１３は、特徴量生成部１２により生成された特徴量に基づいて、特徴量を入力として、所定のライフイベントの発生に関する推定値を出力とするライフイベント推定モデルを生成する。ライフイベント推定モデルが教師あり学習により生成される場合には、モデル生成部１３は、特徴量及びイベント情報に基づいて、ライフイベント推定モデルを生成する。本実施形態では、前述のとおり、モデル生成部１３が、ユーザ毎の特徴量及び各特徴量に関連付けられたライフイベント情報に基づいて、特徴量を入力（説明変数）として、所定のライフイベントの発生に関する推定値を出力するライフイベント推定モデルを教師あり学習により生成する場合について説明する。ライフイベント推定モデルは、例えば、算出式及びその他のロジックにより表され、周知のモデル生成のための学習手法により生成される。本実施形態では、モデル生成部１３は、特徴量を説明変数、ライフイベント情報を目的変数として、機械学習によりライフイベント推定モデルを生成する例を説明するが、学習の手法は機械学習に限定されない。なお、モデル生成部１３は、教師なし学習によりライフイベント推定モデルを生成してもよい。この場合には、モデル生成部１３は、特徴量生成部１２により生成された特徴量に基づいてライフイベント推定モデルを生成するので、取得部１１によりイベント情報の取得を要さない。

なお、ライフイベント推定モデルの生成は、一定の機械学習による手法に限定されない。例えば、ライフイベント推定モデルは、機械学習によらずに生成されてもよいし、教師あり及び教師なしのいずれの機械学習により生成されてもよい。例えば、教師ありの機械学習によるライフイベント推定モデルが生成される場合には、モデル生成部１３は、回帰、分類及びクラスタリング等の手法を適用してライフイベント推定モデルを生成する。より具体的には、モデル生成部１３は、図３に示される説明変数及び目的変数をそれぞれ入力及び出力として、例えば、決定木、線形回帰、ロジスティック回帰、サポートベクターマシン、ランダムフォレスト、ニューラルネットワーク及び勾配ブースティング等の手法により、ライフイベント推定モデルを生成してもよい。

モデル出力部１４は、モデル生成部１３により生成されたライフイベント推定モデルを出力する。具体的には、モデル出力部１４は、例えば、ライフイベント推定モデルをモデル記憶部３０に記憶させる。推定装置１０においてライフイベントの発生に関する推定値の出力を実施する場合には、その推定処理に供するために、モデル出力部１４は、ライフイベント推定モデルをモデル記憶部３０に記憶させる。また、モデル出力部１４は、ライフイベントの発生に関する推定値の推定を実施する装置に出力してもよい。

図４は、本実施形態のライフイベント推定モデルの生成処理を示すフローチャートである。ステップＳ１において、取得部１１は、ユーザごとの入力情報及び入力情報に関連付けられたライフイベント情報を取得する。なお、教師なし学習によりライフイベント推定モデルを生成する場合には、ステップＳ１において、取得部１１は、入力情報を取得する。

ステップＳ２において、特徴量生成部１２は、ステップ１において取得された入力情報に基づいて、モデルの生成のための特徴量を生成する。

ステップＳ３において、モデル生成部１３は、特徴量生成部１２により生成された特徴量及びユーザごとの特徴量に関連付けられたライフイベント情報に基づいて、特徴量を入力として、所定のライフイベントの発生確率を出力とするライフイベント推定モデルを機械学習により生成する。なお、教師なし学習によりライフイベント推定モデルを生成する場合には、ステップＳ３において、モデル生成部１３は、ライフイベント情報を用いずに、特徴量に基づいて、ライフイベント推定モデルを生成する。

ステップＳ４において、モデル出力部１４は、モデル生成部１３により生成されたライフイベント推定モデルを出力する。

続いて、推定装置１０における、ライフイベント推定モデルを用いたライフイベントの発生確率の推定の局面における各機能部の機能について説明する。

取得部１１は、ライフイベントの発生確率の推定の対象のユーザに関する入力情報を取得する。入力情報の内容は、モデル生成の局面において取得された入力情報と同様である。

特徴量生成部１２は、取得部１１により取得された入力情報に基づいて、ライフイベント推定モデルに入力するための特徴量を生成する。即ち、特徴量生成部１２は、入力情報をライフイベント推定モデルに入力するための形式に加工する。

推定部１５は、モデル生成部１３により生成されたライフイベント推定モデルを用いて、特徴量生成部１２により生成された特徴量に基づいて、ユーザに関する所定のライフイベントの発生に関する推定値を出力する。本実施形態では、推定部１５は、一例として、ユーザに関する所定のライフイベントの発生確率を推定する。図５は、推定部１５により推定されたライフイベントの発生確率の例を示す図である。図５に示すように、推定部１５は、ユーザＡの特徴量に基づいて、ユーザＡにおいてイベント「結婚」が発生する確率「０．２」、イベント「子供の誕生」が発生する確率「０．８」、及びイベント「住宅の購入」が発生する確率「０．１」を推定する。同様に、推定部１５は、ユーザＢの特徴量に基づいて、ユーザＢにおいてイベント「結婚」が発生する確率「０．９」、イベント「子供の誕生」が発生する確率「０．３」、及びイベント「住宅の購入」が発生する確率「０．２」を推定する。

なお、モデル生成部１３により生成されたライフイベント推定モデルがモデル記憶部３０に記憶されている場合には、推定部１５は、モデル記憶部３０を参照して、推定に用いるライフイベント推定モデルを取得する。

提案部１６は、予め記憶されたライフイベントと所定の商品またはサービスとの関連付けに基づいて、推定部１５により推定された所定のライフイベントの発生確率に応じて、ユーザに対して提案する商品またはサービスに関する情報を出力する。

本実施形態では、例えば、提案情報記憶部４０は、所定のイベント及びそのイベントの発生確率に、ユーザに対して提案する商品等に関する情報を関連付けた情報である提案情報を予め記憶している。提案部１６は、提案情報記憶部４０に記憶された提案情報を参照して、推定部１５により推定された、あるユーザの所定のライフイベントの発生確率（例えば、図５を参照）に対応する商品等に関する情報を抽出する。そして、提案部１６は、抽出した商品等に関する情報を、当該ユーザ（ユーザの端末等）にレコメンド情報として送信する。このような推定部１５の処理により、推定されたライフイベントの発生確率に応じた、ユーザに対する商品等の適切なリコメンドが可能となる。

図６は、ライフイベント推定モデルを用いたライフイベントの発生確率の推定処理を示すフローチャートである。ステップＳ１１において、取得部１１は、ライフイベントの発生確率の推定の対象のユーザに関する入力情報を取得する。

ステップＳ１２において、特徴量生成部１２は、ステップＳ１１において取得された入力情報に基づいて、モデルに入力するための特徴量を生成する。

ステップＳ１３において、推定部１５は、モデル生成部１３により生成されたライフイベント推定モデルを用いて、ステップＳ１２において生成された特徴量に基づいて、ユーザに関する所定のライフイベントの発生確率を推定する。

ステップＳ１４において、推定部１５は、ステップＳ１４において推定された、ユーザごとのライフイベントの発生確率を出力する。ライフイベントの発生確率の出力は、例えば、所定の記憶手段への記憶、所定の表示装置による表示、及び提案部１６によるリコメンド情報の出力等であってもよい。

次に、図７及び図８を参照して、ユーザが属するライフステージの情報を加味したライフイベント推定モデルの生成、及び、ライフイベントの発生確率の推定の例について説明する。ライフステージは、ライフイベントによって区分される生活環境の段階である。例えば、「結婚」というライフイベントにより区切られる前段階は、「未婚」というライフステージであり、「結婚」の後段階は、「既婚」というライフステージである。

まず、ライフステージを加味したライフイベント推定モデルの生成について説明する。図７は、ライフステージを加味したライフイベントの発生に関する推定値の出力のためのライフイベント推定モデルの生成を説明する図である。

まず、モデル生成部１３によるモデルの生成に先立って、取得部１１は、ユーザごとの入力情報と共に、入力情報に関連付けられたライフステージ情報を取得する。ライフステージ情報は、当該ライフステージ情報に対応するユーザが属するライフステージを示す情報であって、後述するライフステージ推定モデルの生成において、正解情報（目的変数）として用いられる。

ライフステージを加味したライフイベントの発生に関する推定値の出力では、モデル生成部１３は、ライフステージ推定モデル、第１の条件付きライフイベント推定モデル及び第２の条件付きライフイベント推定モデルを、ライフイベント推定モデルとして生成する。

ライフステージ推定モデルは、ユーザの特徴量を入力として、所定のライフステージにユーザが属するか否かに関する推定値を出力とするモデルである。本実施形態では、ライフステージ推定モデルは、ユーザが所定のライフステージに属する確率を出力する。なお、ライフステージにユーザが属するか否かに関する推定値は、ユーザが所定のライフステージに属する確率に限定されず、例えば、ユーザが所定のライフステージに属すること及び属さないことのそれぞれを二値で示す値であってもよい。

具体的には、モデル生成部１３は、入力情報に基づいて生成されたユーザごとの特徴量群Ｆ１を説明変数として、正解情報としてのライフステージ情報ＬＳを目的変数として、所定の手法により、ライフステージ推定モデルＭ１０を生成する。ライフステージ推定モデルＭ１０を生成する手法は限定されないが、モデル生成部１３は、例えば、所定の機械学習によりライフステージ推定モデルＭ１０を生成する。

より具体的には、例えば、モデル生成部１３は、ユーザが「未婚」であるか「既婚」であるかを示す正解情報としてのライフステージ情報ＬＳを用いることにより、ユーザが「未婚」である確率を出力する算出式からなるライフステージ推定モデルＭ１０を生成できる。

一方、第１／第２の条件付きライフイベント推定モデルＭ１１，Ｍ１２の生成においては、まず、モデル生成部１３は、ユーザごとの特徴量群Ｆ１を、ライフステージ情報ＬＳに基づいて、判定対象の所定のライフステージに属するユーザの特徴量群Ｆ１１と、判定対象の所定のライフステージに属するユーザの特徴量群Ｆ１２とのいずれかに判定する（Ｄ１）。

より具体的には、例えば、モデル生成部１３は、ユーザが「未婚」であるか「既婚」であるかを示す正解情報としてのライフステージ情報ＬＳを用いることにより、特徴量群Ｆ１を、「未婚」のユーザの特徴量群Ｆ１１と、「既婚」のユーザの特徴量群Ｆ１２とのいずれかに判別できる。

続いて、モデル生成部１３は、対象の所定のライフステージに属するユーザの特徴量群Ｆ１１を説明変数として、正解情報としてのライフイベント情報ＬＩを目的変数として、所定の機械学習等の周知の手法により、対象のライフステージに属する場合の所定のライフイベントの発生に関する推定値を出力する第１の条件付きライフイベント推定モデルＭ１１を生成する。本実施形態では、第１の条件付きライフイベント推定モデルＭ１１は、対象のライフステージに属する場合における所定のライフイベントの発生確率を出力する。

また、モデル生成部１３は、対象の所定のライフステージに属さないユーザの特徴量群Ｆ１２を説明変数として、正解情報としてのライフイベント情報ＬＩを目的変数として、所定の機械学習等の周知の手法により、対象のライフステージに属さない場合の所定のライフイベントの発生に関する推定値を出力する第２の条件付きライフイベント推定モデルＭ１２を生成する。本実施形態では、第２の条件付きライフイベント推定モデルＭ１２は、対象のライフステージに属さない場合における所定のライフイベントの発生確率を出力する。

より具体的には、例えば、モデル生成部１３は、「未婚」のユーザの特徴量群Ｆ１１、及び、ユーザにおいて「住宅購入」というライフイベントが発生したか否かを示す正解情報としてのライフイベント情報ＬＩに基づいて、「未婚」のユーザにおける「住宅購入」というライフイベントの発生確率を出力する算出式からなる第１の条件付きライフイベント推定モデルＭ１１を生成できる。また、モデル生成部１３は、「既婚」のユーザの特徴量群Ｆ１２、及び、ユーザにおいて「住宅購入」というライフイベントが発生したか否かを示す正解情報としてのライフイベント情報ＬＩに基づいて、「既婚」のユーザにおける「住宅購入」というライフイベントの発生確率を出力する算出式からなる第２の条件付きライフイベント推定モデルＭ１２を生成できる。

このように、ライフイベントの発生が、ユーザが属するライフステージに大きな影響を受けることに鑑みて、ユーザが属するライフステージが推定され、所定のライフステージに属する場合と、属さない場合のそれぞれにおけるライフイベント推定モデルが生成されるので、ユーザが属するライフステージが加味された適切なライフイベントの発生の推定が可能となる。

次に、ライフステージを加味したライフイベントの発生に関する推定値出力について説明する。図８は、ライフステージを加味したライフイベントの発生確率の算出を説明する図である。

まず、推定部１５は、ライフイベント推定の対象のユーザの入力情報に基づいて生成された特徴量群Ｆ２を取得する。そして、推定部１５は、対象のライフステージに属する確率を出力するライフステージ推定モデルＭ１０を用いて、ユーザの特徴量群Ｆ２に基づいて、ユーザが所定の対象とするライフステージに属する確率ｐ（Ｓ）を推定する（Ｐ１０）。

より具体的には、例えば、推定部１５は、対象とするユーザの特徴量群Ｆ２に基づいて、ユーザが「未婚」というライフステージに属する確率を出力する算出式からなるライフステージ推定モデルＭ１０を用いて、ユーザが「未婚」である確率ｐ（Ｓ）を推定できる。

また、推定部１５は、対象のライフステージに属する場合における所定のライフイベントの発生確率を出力する第１の条件付きライフイベント推定モデルＭ１１を用いて、ユーザの特徴量群Ｆ２に基づいて、ユーザが対象のライフステージに属する場合における所定のライフイベントの第１の発生確率ｐ（Ｅ｜Ｓ）を推定する（Ｐ１１）。

より具体的には、推定部１５は、対象とするユーザの特徴量群Ｆ２に基づいて、「未婚」のユーザにおける「住宅購入」というライフイベントの発生確率を出力する算出式からなる第１の条件付きライフイベント推定モデルＭ１１を用いて、「未婚」のユーザにおける「住宅購入」というライフイベントの発生確率ｐ（Ｅ｜Ｓ）を推定できる。

また、推定部１５は、対象のライフステージに属さない場合における所定のライフイベントの発生確率を出力する第２の条件付きライフイベント推定モデルＭ１２を用いて、ユーザの特徴量群Ｆ２に基づいて、ユーザが対象のライフステージに属する場合における所定のライフイベントの第２の発生確率ｐ（Ｅ｜￢Ｓ）を推定する（Ｐ１２）。

より具体的には、推定部１５は、対象とするユーザの特徴量群Ｆ２に基づいて、「既婚」のユーザにおける「住宅購入」というライフイベントの発生確率を出力する算出式からなる第２の条件付きライフイベント推定モデルＭ１２を用いて、「既婚」のユーザにおける「住宅購入」というライフイベントの発生確率ｐ（Ｅ｜￢Ｓ）を推定できる。

続いて、推定部１５は、ユーザが所定のライフステージに属する確率ｐ（Ｓ）、第１の発生確率ｐ（Ｅ｜Ｓ）及び第２の発生確率ｐ（Ｅ｜￢Ｓ）に基づいて、ユーザにおける所定のライフイベントの発生確率ｐ（Ｅ）を推定する（Ｐ２０）。具体的には、発生確率ｐ（Ｅ）は、以下の式（１）により算出される。
ｐ（Ｅ）＝ｐ（Ｅ｜Ｓ）＊ｐ（Ｓ）＋ｐ（Ｅ｜￢Ｓ）＊ｐ（￢Ｓ） …（１）
そして、推定部１５は、推定した発生確率ｐ（Ｅ）を出力する（Ｐ３０）。

より具体的には、推定部１５は、「未婚」のユーザにおける「住宅購入」というライフイベントの発生確率ｐ（Ｅ｜Ｓ）とユーザが「未婚」である確率ｐ（Ｓ）との積の値に、「既婚」のユーザにおける「住宅購入」というライフイベントの発生確率ｐ（Ｅ｜￢Ｓ）とユーザが「既婚」である確率ｐ（￢Ｓ）との積の値を加えた値を、対象のユーザにおける「住宅購入」というライフイベントの発生確率ｐ（Ｅ）として算出できる。

このように、ライフイベントの発生は、ユーザが属するライフステージに大きな影響を受けることに鑑みて、ユーザが所定のライフステージに属する確率が推定されると共に、所定のライフステージに属する場合と、属さない場合のそれぞれのライフイベント推定モデルに基づいて、所定のライフイベントの発生確率が推定されるので、ユーザが属するライフステージが加味された適切なライフイベントの発生確率の推定が可能となる。

なお、図７及び図８を参照して説明した例において、対象とするライフステージが推定対象のライフイベントによって区切られる物である場合には、図７における、特徴量群Ｆ１２及びライフイベント情報ＬＩに基づく第２の条件付きライフイベント推定モデルＭ１２の生成、並びに、図８における、第２の条件付きライフイベント推定モデルＭ１２を用いた第２の発生確率Ｐ１２の算出、及び、ライフイベントの発生確率の算出Ｐ２０における発生確率ｐ（Ｅ）の算出式（１）の第２項（ｐ（Ｅ｜￢Ｓ）＊ｐ（￢Ｓ））を省略することが可能である。

より具体的には、例えば、推定の対象のライフイベントが「結婚」であり、推定に用いるライフステージが「未婚」／「既婚」である場合には、ライフステージが「既婚」である場合における、「結婚」というライフイベントの発生確率をゼロに近似できるので、上記のような省略が可能となる。

次に、コンピュータを、本実施形態の推定装置１０として機能させるための推定プログラムについて説明する。図９は、推定プログラムＰ１の構成を示す図である。

推定プログラムＰ１は、推定装置１０における推定処理を統括的に制御するメインモジュールｍ１０、取得モジュールｍ１１、特徴量生成モジュールｍ１２、モデル生成モジュールｍ１３、モデル出力モジュールｍ１４、推定モジュールｍ１５及び提案モジュールｍ１６を備えて構成される。そして、各モジュールｍ１１～ｍ１６により、推定装置１０における取得部１１、特徴量生成部１２、モデル生成部１３、モデル出力部１４、推定部１５及び提案部１６のための各機能が実現される。なお、推定プログラムＰ１は、通信回線等の伝送媒体を介して伝送される態様であってもよいし、図９に示されるように、記録媒体Ｍ１に記憶される態様であってもよい。

以上説明した本実施形態の推定装置１０では、携帯端末の契約に関する情報が特徴量の生成に用いられるので、容易に取得可能な情報に基づいて、モデルに入力するための特徴量を得ることができる。そして、携帯端末の契約に関する情報は、ユーザの生活の態様が反映された情報であるので、そのような情報に基づき生成された特徴量を入力としてライフイベントの発生に関する推定値を出力するモデルを生成することにより、ユーザのライフイベントを精度良く推定することが可能となる。

また、別の形態に係る推定装置では、特徴量生成部は、特徴量生成部は、入力情報に基づいて、時系列における一の時点または所定の期間における契約情報の数値、数値を集計した集計値及び属性を示す情報のうちの少なくとも一つを含む情報、並びに、時系列における第１の時点または第１の期間における契約情報の数値、集計値または属性を示す情報と、第１の時点より前の第２の時点または第１の期間より前の第２の期間における数値、集計値または属性を示す情報との変化を示す情報、の少なくともいずれか一方を含む情報を特徴量として生成することとしてもよい。

上記形態によれば、ある時点またはある期間における契約情報に含まれる値、及び、２つの時点または２つの期間の間の契約情報に含まれる値の変化を示す情報が、モデルに入力する特徴量として用いられる。従って、ユーザの生活の態様及び態様の変化が適切に反映された特徴量を得ることができる。

また、別の形態に係る推定装置では、特徴量生成部は、入力情報に基づいてユーザが属するグループを推定し、グループを示す情報、及び、同じグループに属する他ユーザに関する所定の入力情報のうちの少なくともいずれかを、ユーザの特徴量の一部として生成することとしてもよい。

ライフイベントの発生は、ユーザが属するグループ及びグループ内の他ユーザの影響を受ける場合がある。上記形態によれば、ユーザが属するグループが推定され、グループに関する情報及び同グループ内の他ユーザに関する情報が特徴量に含められるので、ライフイベントの発生の推定精度が高いモデルの生成が可能となる。

また、別の形態に係る推定装置では、取得部は、ライフイベントにより区切られる生活環境における段階であるライフステージを示すライフステージ情報を、入力情報及びユーザに関連付けて取得し、モデル生成部は、ライフイベント推定モデルとして、特徴量及びライフステージ情報に基づいて、ユーザの特徴量を入力として、所定のライフステージにユーザが属するか否かに関する推定値を出力とする、ライフステージ推定モデルを生成し、特徴量に基づいて、所定のライフステージに属するユーザの特徴量を入力として、所定のライフイベントの発生に関する推定値を出力とする第１の条件付きライフイベント推定モデルを生成し、特徴量に基づいて、所定のライフステージに属さないユーザの特徴量を入力として、所定のライフイベントの発生に関する推定値を出力とする第２の条件付きライフイベント推定モデルを生成することとしてもよい。

ライフイベントの発生は、ユーザが属するライフステージに大きな影響を受ける。上記形態によれば、ユーザが属するライフステージが推定され、所定のライフステージに属する場合と、属さない場合のそれぞれにおけるライフイベント推定モデルが生成されるので、ユーザが属するライフステージが加味された適切なライフイベントの発生の推定が可能となる。

また、別の形態に係る推定装置では、取得部は、入力情報に関連付けられた情報であって、ある時点において発生したユーザに関する事象であるイベント情報を取得し、モデル生成部は、イベント情報を正解の情報とする教師あり学習により、特徴量及びイベント情報に基づいて、ライフイベント推定モデルを生成することとしてもよい。

上記形態によれば、ライフイベントの発生に関する的確な推定値を出力するライフイベント推定モデルを生成することができる。

また、本発明の一形態に係る推定装置は、ユーザのライフイベントを推定する推定装置であって、少なくとも携帯端末の契約に関する契約情報を含む入力情報であって、ライフイベントの推定の対象のユーザに関する入力情報を取得する取得部と、入力情報に基づいて、ユーザのライフイベントの推定のためのライフイベント推定モデルに入力するための特徴量を生成する特徴量生成部と、特徴量を入力として所定のライフイベントの発生に関する推定値を出力とするライフイベント推定モデルを用いて、特徴量生成部により生成された特徴量に基づいて、ユーザに関する所定のライフイベントの発生に関する推定値を出力する推定部と、を備える。

上記形態によれば、携帯端末の契約に関する情報が特徴量の生成に用いられるので、容易に取得可能な情報に基づいて、ライフイベント推定モデルに入力するための特徴量を得ることができる。そして、携帯端末の契約に関する情報は、ユーザの生活の態様が反映された情報であるので、そのような情報に基づき生成された特徴量を入力とするモデルを用いることにより、ユーザのライフイベントの発生確率を精度良く推定することが可能となる。

また、別の形態に係る推定装置では、ライフイベント推定モデルは、特徴量を入力として、ライフイベントにより区切られる生活環境における段階を表すライフステージにユーザが属するか否かに関する推定値を出力とするライフステージ推定モデル、所定のライフステージに属するユーザの特徴量を入力として、所定のライフイベントの発生に関する第１の推定値を出力とする第１の条件付きライフイベント推定モデル、及び、所定のライフステージに属さないユーザの特徴量を入力として、所定のライフイベントの発生に関する第２の推定値を出力とする第２の条件付きライフイベント推定モデル、を含み、推定部は、ライフステージ推定モデルを用いて、ユーザの特徴量に基づいて、ユーザが所定のライフステージに属するか否かに関する推定値を出力し、第１の条件付きライフイベント推定モデルを用いて、ユーザの特徴量に基づいて、ユーザに関する第１の推定値を算出し、第２の条件付きライフイベント推定モデルを用いて、ユーザの特徴量に基づいて、ユーザに関する第２の推定値を算出し、ユーザが所定のライフステージに属するか否かに関する推定値、ユーザに関する第１の推定値及び第２の推定値に基づいて、ユーザに関する所定のライフイベントの発生に関する推定値を出力することとしてもよい。

ライフイベントの発生は、ユーザが属するライフステージに大きな影響を受ける。上記形態によれば、ユーザが所定のライフステージに属する確率が推定されると共に、所定のライフステージに属する場合と、属さない場合のそれぞれのライフイベント推定モデルに基づいて、所定のライフイベントの発生確率が推定されるので、ユーザが属するライフステージが加味された適切なライフイベントの発生確率の推定が可能となる。

また、別の形態に係る推定装置は、予め記憶されたライフイベントと所定の商品またはサービスとの関連付けに基づいて、推定部により推定された所定のライフイベントの発生に関する推定値に応じて、ユーザに対して提案する商品またはサービスに関する情報を出力する、提案部を更に備えることとしてもよい。

上記形態によれば、推定されたライフイベントの発生確率に応じて、ユーザに対する商品等の適切なリコメンドが可能となる。

以上、本実施形態について詳細に説明したが、当業者にとっては、本実施形態が本明細書中に説明した実施形態に限定されるものではないということは明らかである。本実施形態は、特許請求の範囲の記載により定まる本発明の趣旨及び範囲を逸脱することなく修正及び変更態様として実施することができる。したがって、本明細書の記載は、例示説明を目的とするものであり、本実施形態に対して何ら制限的な意味を有するものではない。

本明細書で説明した各態様／実施形態の処理手順、シーケンス、フローチャートなどは、矛盾の無い限り、順序を入れ替えてもよい。例えば、本明細書で説明した方法については、例示的な順序で様々なステップの要素を提示しており、提示した特定の順序に限定されない。

情報等は、上位レイヤ(または下位レイヤ)から下位レイヤ(または上位レイヤ)へ出力され得る。複数のネットワークノードを介して入出力されてもよい。

入出力された情報等は特定の場所(例えば、メモリ)に保存されてもよいし、管理テーブルで管理してもよい。入出力される情報等は、上書き、更新、または追記され得る。出力された情報等は削除されてもよい。入力された情報等は他の装置へ送信されてもよい。

判定は、１ビットで表される値（０か１か）によって行われてもよいし、真偽値（Boolean：trueまたはfalse）によって行われてもよいし、数値の比較（例えば、所定の値との比較）によって行われてもよい。

本明細書で説明した各態様／実施形態は単独で用いてもよいし、組み合わせて用いてもよいし、実行に伴って切り替えて用いてもよい。また、所定の情報の通知（例えば、「Ｘであること」の通知）は、明示的に行うものに限られず、暗黙的（例えば、当該所定の情報の通知を行わない）ことによって行われてもよい。

ソフトウェアは、ソフトウェア、ファームウェア、ミドルウェア、マイクロコード、ハードウェア記述言語と呼ばれるか、他の名称で呼ばれるかを問わず、命令、命令セット、コード、コードセグメント、プログラムコード、プログラム、サブプログラム、ソフトウェアモジュール、アプリケーション、ソフトウェアアプリケーション、ソフトウェアパッケージ、ルーチン、サブルーチン、オブジェクト、実行可能ファイル、実行スレッド、手順、機能などを意味するよう広く解釈されるべきである。

また、ソフトウェア、命令などは、伝送媒体を介して送受信されてもよい。例えば、ソフトウェアが、同軸ケーブル、光ファイバケーブル、ツイストペア及びデジタル加入者回線（ＤＳＬ）などの有線技術及び／又は赤外線、無線及びマイクロ波などの無線技術を使用してウェブサイト、サーバ、又は他のリモートソースから送信される場合、これらの有線技術及び／又は無線技術は、伝送媒体の定義内に含まれる。

本明細書で説明した情報、信号などは、様々な異なる技術のいずれかを使用して表されてもよい。例えば、上記の説明全体に渡って言及され得るデータ、命令、コマンド、情報、信号、ビット、シンボル、チップなどは、電圧、電流、電磁波、磁界若しくは磁性粒子、光場若しくは光子、又はこれらの任意の組み合わせによって表されてもよい。

なお、本明細書で説明した用語及び／又は本明細書の理解に必要な用語については、同一の又は類似する意味を有する用語と置き換えてもよい。

本明細書で使用する「システム」および「ネットワーク」という用語は、互換的に使用される。

また、本明細書で説明した情報、パラメータなどは、絶対値で表されてもよいし、所定の値からの相対値で表されてもよいし、対応する別の情報で表されてもよい。

本明細書で使用する「に基づいて」という記載は、別段に明記されていない限り、「のみに基づいて」を意味しない。言い換えれば、「に基づいて」という記載は、「のみに基づいて」と「に少なくとも基づいて」の両方を意味する。

本明細書で「第１の」、「第２の」などの呼称を使用した場合においては、その要素へのいかなる参照も、それらの要素の量または順序を全般的に限定するものではない。これらの呼称は、２つ以上の要素間を区別する便利な方法として本明細書で使用され得る。したがって、第１および第２の要素への参照は、２つの要素のみがそこで採用され得ること、または何らかの形で第１の要素が第２の要素に先行しなければならないことを意味しない。

「含む（include）」、「含んでいる（including）」、およびそれらの変形が、本明細書あるいは特許請求の範囲で使用されている限り、これら用語は、用語「備える(comprising)」と同様に、包括的であることが意図される。さらに、本明細書あるいは特許請求の範囲において使用されている用語「または（or）」は、排他的論理和ではないことが意図される。

本明細書において、文脈または技術的に明らかに1つのみしか存在しない装置である場合以外は、複数の装置をも含むものとする。

本開示の全体において、文脈から明らかに単数を示したものではなければ、複数のものを含むものとする。

１０…推定装置、１１…取得部、１２…特徴量生成部、１３…モデル生成部、１４…モデル出力部、１５…推定部、１６…提案部、２０…入力情報記憶部、３０…モデル記憶部、４０…提案情報記憶部、Ｍ１…記録媒体、ｍ１０…メインモジュール、ｍ１１…取得モジュール、ｍ１２…特徴量生成モジュール、ｍ１３…モデル生成モジュール、ｍ１４…モデル出力モジュール、ｍ１５…推定モジュール、ｍ１６…提案モジュール。

Claims (6)

1. ユーザのライフイベントを推定する推定装置であって、
   少なくとも携帯端末の契約に関する契約情報を含むユーザごとの入力情報を取得する取得部と、
   前記入力情報に基づいて、ユーザのライフイベントの推定のためのライフイベント推定モデルに入力するための特徴量を生成する特徴量生成部と、
   前記特徴量に基づいて、前記特徴量を入力として、所定のライフイベントの発生に関する推定値を出力とする前記ライフイベント推定モデルを生成するモデル生成部と、
   生成された前記ライフイベント推定モデルを出力するモデル出力部と、
   を備え、
   前記取得部は、前記入力情報に関連付けられた情報であって、ある時点において発生した前記ユーザに関する事象であるイベント情報、及び、前記ライフイベントにより区切られる生活環境における段階であるライフステージを示すライフステージ情報を、前記入力情報及びユーザに関連付けて取得し、
   前記モデル生成部は、前記ライフイベント推定モデルとして、
   前記特徴量及び前記ライフステージ情報に基づいて、ユーザの前記特徴量を入力として、所定の前記ライフステージに前記ユーザが属するか否かに関する推定値を出力とするライフステージ推定モデルを、前記特徴量を説明変数とし前記ライフステージ情報を正解の情報としての目的変数とする所定の統計的手法に基づく機械学習により生成し、
   前記特徴量に基づいて、所定のライフステージに属するユーザの特徴量を入力として、所定のライフイベントの発生に関する推定値を出力とする第１の条件付きライフイベント推定モデルを、所定のライフステージに属するユーザの前記特徴量を説明変数とし該特徴量に対応する前記イベント情報を正解の情報としての目的変数とする所定の統計的手法に基づく機械学習により生成し、
   前記特徴量に基づいて、前記所定のライフステージに属さないユーザの特徴量を入力として、前記所定のライフイベントの発生に関する推定値を出力とする第２の条件付きライフイベント推定モデルを、所定のライフステージに属さないユーザの前記特徴量を説明変数とし該特徴量に対応する前記イベント情報を正解の情報としての目的変数とする所定の統計的手法に基づく機械学習により生成する、
   推定装置。
2. 前記特徴量生成部は、
   前記入力情報に基づいて、
   時系列における一の時点または所定の期間における前記契約情報の数値、前記数値を集計した集計値及び属性を示す情報のうちの少なくとも一つを含む情報、並びに、
   時系列における第１の時点または第１の期間における前記契約情報の数値、前記集計値または属性を示す情報と、前記第１の時点より前の第２の時点または前記第１の期間より前の第２の期間における前記数値、前記集計値または前記属性を示す情報との変化を示す情報、の少なくともいずれか一方を含む情報を前記特徴量として生成する、
   請求項１に記載の推定装置。
3. 前記特徴量生成部は、
   前記入力情報に基づいてユーザが属するグループを推定し、
   前記グループを示す情報、及び、同じグループに属する他ユーザに関する所定の入力情報のうちの少なくともいずれかを、前記ユーザの特徴量の一部として生成する、
   請求項１または２に記載の推定装置。
4. 前記取得部は、前記入力情報に関連付けられた情報であって、ある時点において発生した前記ユーザに関する事象であるイベント情報を取得し、
   前記モデル生成部は、前記イベント情報を正解の情報とする教師あり学習により、前記特徴量及び前記イベント情報に基づいて、前記ライフイベント推定モデルを生成する、
   請求項１～３のいずれか一項に記載の推定装置。
5. ユーザのライフイベントを推定する推定装置であって、
   少なくとも携帯端末の契約に関する契約情報を含む入力情報であって、ライフイベントの推定の対象のユーザに関する入力情報を取得する取得部と、
   前記入力情報に基づいて、ユーザのライフイベントの推定のためのライフイベント推定モデルに入力するための特徴量を生成する特徴量生成部と、
   前記特徴量を入力として所定のライフイベントの発生に関する推定値を出力とするライフイベント推定モデルを用いて、前記特徴量生成部により生成された前記特徴量に基づいて、前記ユーザに関する所定のライフイベントの発生に関する推定値を出力する推定部と、を備え、
   前記ライフイベント推定モデルは、
   前記特徴量を入力として、前記ライフイベントにより区切られる生活環境における段階を表すライフステージに前記ユーザが属するか否かに関する推定値を出力とするライフステージ推定モデル、
   所定のライフステージに属するユーザの特徴量を入力として、所定のライフイベントの発生に関する第１の推定値を出力とする第１の条件付きライフイベント推定モデル、及び、
   前記所定のライフステージに属さないユーザの特徴量を入力として、前記所定のライフイベントの発生に関する第２の推定値を出力とする第２の条件付きライフイベント推定モデル、を含み、
   前記推定部は、
   前記ライフステージ推定モデルを用いて、前記ユーザの特徴量に基づいて、前記ユーザが前記所定のライフステージに属するか否かに関する推定値を出力し、
   前記第１の条件付きライフイベント推定モデルを用いて、前記ユーザの特徴量に基づいて、前記ユーザに関する前記第１の推定値を算出し、
   前記第２の条件付きライフイベント推定モデルを用いて、前記ユーザの特徴量に基づいて、前記ユーザに関する前記第２の推定値を算出し、
   前記ユーザが前記所定のライフステージに属するか否かに関する推定値、前記ユーザに関する前記第１の推定値及び前記第２の推定値に基づいて、前記ユーザに関する前記所定のライフイベントの発生に関する推定値を出力する、
   推定装置。
6. 予め記憶されたライフイベントと所定の商品またはサービスとの関連付けに基づいて、前記推定部により推定された所定のライフイベントの発生に関する推定値に応じて、前記ユーザに対して提案する商品またはサービスに関する情報を出力する、提案部を更に備える、請求項５に記載の推定装置。
   

Images