JP7117835B2 - 生成装置、モデル、生成方法及び生成プログラム - Google Patents

生成装置、モデル、生成方法及び生成プログラム Download PDF

Info

Publication number
JP7117835B2
JP7117835B2 JP2017179584A JP2017179584A JP7117835B2 JP 7117835 B2 JP7117835 B2 JP 7117835B2 JP 2017179584 A JP2017179584 A JP 2017179584A JP 2017179584 A JP2017179584 A JP 2017179584A JP 7117835 B2 JP7117835 B2 JP 7117835B2
Authority
JP
Japan
Prior art keywords
posted information
user
information
posted
user group
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
Application number
JP2017179584A
Other languages
English (en)
Other versions
JP2019056979A (ja
Inventor
文彦 高橋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yahoo Japan Corp
Original Assignee
Yahoo Japan Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Yahoo Japan Corp filed Critical Yahoo Japan Corp
Priority to JP2017179584A priority Critical patent/JP7117835B2/ja
Publication of JP2019056979A publication Critical patent/JP2019056979A/ja
Application granted granted Critical
Publication of JP7117835B2 publication Critical patent/JP7117835B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Description

本発明は、生成装置、モデル、生成方法及び生成プログラムに関する。
近年、インターネットの飛躍的な普及に伴い、例えば、ソーシャル・ネットワーキング・サービス（ＳＮＳ）において、不特定多数のユーザがコメントの投稿を介して活発に情報交換を行っている。
このような情報交換時にやり取りされるコメントから話題のキーワードを抽出する方法として、例えば、インターネットの投稿者の偏りを是正して、世間の話題に合ったキーワードのランキングを作成する技術が知られている。
特開２０１６－１３９２１６号公報
しかしながら、上述の従来技術では、ユーザによって投稿された投稿情報から所定のユーザの特徴を高精度に予測することができるとは限らない。例えば、上述の従来技術では、インターネットの投稿者の偏りを是正して、世間の話題に合ったキーワードのランキングを作成しているに過ぎず、ユーザによって投稿された投稿情報から所定のユーザの特徴を高精度に予測することができるとは限らない。
本願は、上記に鑑みてなされたものであって、ユーザによって投稿された投稿情報から所定のユーザの特徴を高精度に予測することができる生成装置、モデル、生成方法及び生成プログラムを提供することを目的とする。
本願に係る生成装置は、第１ユーザ群に属するユーザが興味関心を示す第１投稿情報を取得する取得部と、前記取得部によって取得された第１投稿情報と、前記第１投稿情報以外の他の投稿情報とに基づいて、前記第１ユーザ群に属するユーザが興味関心を示す投稿情報を予測する予測モデルを生成する生成部と、を備えたことを特徴とする。
実施形態の一態様によれば、ユーザによって投稿された投稿情報から所定のユーザの特徴を高精度に予測することができるという効果を奏する。
図１は、実施形態に係る生成処理の一例を示す図である。 図２は、実施形態に係る生成装置の構成例を示す図である。 図３は、実施形態に係るプロフィール情報記憶部の一例を示す図である。 図４は、実施形態に係る投稿情報記憶部の一例を示す図である。 図５は、実施形態に係る反応情報記憶部の一例を示す図である。 図６は、実施形態に係る生成装置による生成処理手順を示すフローチャートである。 図７は、実施形態に係る生成装置による学習モデルの学習の一例を示すフローチャートである。 図８は、生成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、本願に係る生成装置、モデル、生成方法及び生成プログラムの実施形態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生成装置、生成方法及び生成プログラムが限定されるものではない。
〔１．生成装置の情報処理の一例〕
図１を用いて、実施形態に係る生成処理の一例について説明する。図１は、実施形態に係る生成処理の一例を示す図である。図１では、生成装置１００により生成処理が実行される例を示す。
図１に示すように、生成システム１は、外部装置１０と、端末装置２０と、生成装置１００とを含む。外部装置１０、端末装置２０及び生成装置１００は、図示しない所定の通信網を介して、有線又は無線により通信可能に接続される。なお、図１に示す生成システム１には、複数台の外部装置１０や、複数台の端末装置２０や、複数台の生成装置１００が含まれてもよい。
外部装置１０は、ＳＮＳサーバであり、例えば、ＳＮＳに会員登録されているユーザによって投稿された記事やプロフィール画像等である投稿情報を受け付け、受け付けた投稿情報を記憶する。また、外部装置１０は、あるユーザによって投稿された投稿情報に対する他のユーザの支持および不支持に関する情報や投稿情報に対する回覧や返信等に関する情報（以下、反応情報と表記する）を記憶する。そして、外部装置１０は、ユーザによって投稿された投稿情報と、ユーザが投稿情報を投稿した回数である投稿回数と、投稿情報にユーザが反応した反応回数とを生成装置１００へ提供する。なお、実施形態における投稿回数とは、ユーザがあらゆる投稿情報を投稿した回数の総数を示し、反応回数とは、特定の投稿情報に対してユーザが反応した回数の総数を示す。
端末装置２０は、ブラウザに表示されるウェブページやアプリに表示されるコンテンツ等のウェブコンテンツにアクセスするユーザによって利用される情報処理装置である。例えば、端末装置２０は、デスクトップ型ＰＣ（Personal Computer）や、ノート型ＰＣや、タブレット端末や、携帯電話機や、ＰＤＡ（Personal Digital Assistant）等である。
生成装置１００は、外部装置１０から取得された投稿情報のうち、特定の有名人に関心を持つファンと呼ばれるユーザ（以下、ファンユーザと表記する）が興味関心を示す投稿情報を抽出する。例えば、生成装置１００は、ファンユーザが所定の投稿情報に反応した反応回数およびファンユーザがある期間内に投稿情報を投稿した投稿回数の総数と、ファンユーザを含んだ全体のユーザ（以下、一般ユーザと表記する）が所定の投稿情報に反応した反応回数および一般ユーザがある期間内に投稿情報を投稿した投稿回数の総数（以下、投稿回数と表記する）とに基づいて、ファンユーザが興味関心を示す投稿情報を抽出する。そして、生成装置１００は、ファンユーザが興味関心を示す投稿情報と、ファンユーザが興味関心を示す投稿情報以外の投稿情報とを学習し、学習モデルを生成する。例えば、生成装置１００は、ファンユーザが興味関心を示す投稿情報を正例として学習し、ファンユーザが興味関心を示す投稿情報以外の投稿情報を負例として学習する。そして、生成装置１００は、予測対象の投稿情報が入力された場合に、予測対象の投稿情報に対するファンユーザが興味関心を示すスコアを出力する学習モデルを生成する。
以下、図１を用いて、生成装置１００による予測対象の投稿情報を入力することで、予測対象の投稿情報に対するファンユーザが興味関心を示すスコアを出力する学習モデルを生成する生成処理の一例を流れに沿って説明する。
まず、図１に示すように、生成装置１００は、一般ユーザによって投稿された投稿情報を外部装置１０から取得する（ステップＳ１）。例えば、生成装置１００は、一般ユーザによって投稿された投稿情報と、一般ユーザによって投稿された投稿情報に反応した反応回数と、一般ユーザが投稿情報を投稿した投稿回数とを外部装置１０から取得する。
続いて、生成装置１００は、特定の有名人に関連するキーワードや画像等を含むプロフィールを有するユーザをファンユーザとして特定する（ステップＳ２）。例えば、生成装置１００は、有名人「ＸＸＸＸ」に関心を有するユーザのプロフィール画像や自己紹介文を含むプロフィール情報を外部装置１０から取得する。そして、生成装置１００は、有名人「ＸＸＸＸ」とプロフィール情報を有するユーザを、有名人「ＸＸＸＸ」に関心のあるファンユーザとして特定する。
続いて、生成装置１００は、ファンユーザの反応回数および投稿回数と一般ユーザの反応回数および投稿回数とに基づいて、所定の投稿情報をファンユーザが興味関心を示す投稿情報として抽出する。具体的には、生成装置１００は、ファンユーザの投稿回数に対する所定の投稿情報に反応した反応回数の割合に関する値が一般ユーザの投稿回数に対する所定の投稿情報に反応した反応回数の割合に関する値よりも所定の閾値以上である場合に、所定の投稿情報をファンユーザが興味関心を示す投稿情報として抽出する。一方で、生成装置１００は、ファンユーザの投稿回数に対する所定の投稿情報に反応した反応回数の割合に関する値が一般ユーザの投稿回数に対する所定の投稿情報に反応した反応回数の割合に関する値よりも所定の閾値より小さい場合に、所定の投稿情報をファンユーザが興味関心を示す投稿情報として抽出しない。
例えば、投稿情報ＰＯ１に対する一般ユーザの反応回数が１００であり、一般ユーザの投稿回数が１０００であり、投稿情報ＰＯ１に対するファンユーザの反応回数が５であり、ファンユーザの投稿回数が１００であるとする。この場合、生成装置１００は、一般ユーザの投稿回数「１０００」に対する一般ユーザの投稿情報ＰＯ１に対する反応回数「１００」の割合「０．１」と、ファンユーザの投稿回数「１００」に対するファンユーザの投稿情報ＰＯ１に対する反応回数「５」の割合「０．０５」とを算出する。ここで、投稿回数に対する反応回数の割合を算出する理由は、一般ユーザとファンユーザとの人数が異なるからである。具体的には、上記の通り、一般ユーザはファンユーザを含む全体のユーザであるので、一般ユーザの方がファンユーザよりも投稿回数や反応回数は多いことが当然に考えられる。そこで、生成装置１００は、投稿回数に対する反応回数の割合を算出することで、一般ユーザとファンユーザとの人数が異なることを解消し、正味の反応回数同士を比較する。上記例の場合、一般ユーザについて割合「０．１」が算出され、ファンユーザついて割合「０．０５」が算出された。これは、一般ユーザの方がファンユーザよりも投稿情報ＰＯ１に対して興味や関心を有しているといえる。このため、生成装置１００は、ファンユーザが興味関心を示す情報として、投稿情報ＰＯ１を抽出しない。
一方、投稿情報ＰＯ２に対する一般ユーザの反応回数が１００であり、一般ユーザの投稿回数が１０００であり、投稿情報ＰＯ２に対するファンユーザの反応回数が５０であり、ファンユーザの投稿回数が１００であるとする。この場合、生成装置１００は、一般ユーザの投稿回数「１０００」に対する一般ユーザの投稿情報ＰＯ２に対する反応回数「１００」の割合「０．１」と、ファンユーザの投稿回数「１００」に対するファンユーザの投稿情報ＰＯ２に対する反応回数「５０」の割合「０．５」とを算出する。これは、ファンユーザの方が一般ユーザよりも投稿情報ＰＯ２に対して興味や関心を有しているといえる。このため、生成装置１００は、ファンユーザが興味関心を示す情報として、投稿情報ＰＯ２を抽出する。なお、図１では、説明を簡単にするために、投稿回数に対する反応回数の割合を例に挙げて説明したが、投稿回数と反応回数とのカイ二乗平均値であってもよい。この点については後述する。
続いて、生成装置１００は、ファンユーザが興味関心を示す投稿情報と、ファンユーザが興味関心を示す投稿情報以外の投稿情報とに基づいて、学習モデルＭＯ１を生成する（ステップＳ３）。例えば、生成装置１００は、ファンユーザが興味関心を示す投稿情報ＰＯ２を正例として学習し、ファンユーザが興味関心を示さない投稿情報ＰＯ１を含むファンユーザが興味関心を示す投稿情報以外の投稿情報を負例として学習する。そして、生成装置１００は、予測対象の投稿情報が入力された場合に、予測対象の投稿情報に対するファンユーザが興味関心を示す度合いであるスコアを出力する学習モデルＭＯ１を生成する。そして、生成装置１００は、学習モデルＭＯ１に所定の投稿情報を入力する（ステップＳ４）。例えば、生成装置１００は、学習モデルＭＯ１に予測対象の投稿情報を入力する。続いて、生成装置１００は、学習モデルＭＯ１に基づいて、ファンユーザが興味関心を示すスコアを算出する（ステップＳ５）。例えば、生成装置１００は、学習モデルＭＯ１に予測対象の投稿情報を入力し、正例のスコアを１として、負例のスコアを０として、予測対象の投稿情報に対するファンユーザが興味関心を示すスコアを０から１のスコアとして算出する。そして、生成装置１００は、ファンユーザが興味関心を示すスコアに基づいてファンユーザが興味関心を示す投稿情報を予測し、かかるファンユーザが興味関心を示す投稿情報をユーザに提供する（ステップＳ６）。例えば、生成装置１００は、スコアが所定の閾値以上である投稿情報を、ユーザ用のタイムライン上にファンユーザが興味関心を示す投稿情報として表示させることで、投稿情報をユーザに提供する。なお、ユーザ用のタイムラインは、リアルタイム検索等によって実現される。
このように、実施形態に係る生成装置１００は、ファンユーザが外部装置１０から取得された投稿情報に反応した反応回数およびファンユーザが投稿情報を投稿した投稿回数と一般ユーザの反応回数および投稿回数とに基づいて、ファンユーザが興味関心を示す投稿情報を外部装置１０から取得された投稿情報として抽出する。そして、生成装置１００は、ファンユーザが興味関心を示す投稿情報と、ファンユーザが興味関心を示す投稿情報以外の投稿情報とを学習して生成された学習モデルに基づいて、ファンユーザが興味関心を示す投稿情報であるか否かを予測する。すなわち、生成装置１００は、ファンユーザが興味関心を示す投稿情報の傾向を学習した学習モデルにより、新たな投稿情報がファンユーザにとって興味関心が高いか否かを予測することができる。
〔２．生成装置の構成〕
次に、図２を用いて、実施形態に係る生成装置１００の構成について説明する。図２は、実施形態に係る生成装置１００の構成例を示す図である。図２に示すように、生成装置１００は、通信部１１０と、記憶部１２０と、制御部１３０とを有する。
（通信部１１０について）
通信部１１０は、例えば、ＮＩＣ（Network Interface Card）等によって実現される。そして、通信部１１０は、ネットワークＮと有線又は無線で接続され、外部装置１０と、端末装置２０との間で情報の送受信を行う。
（記憶部１２０について）
記憶部１２０は、例えば、ＲＡＭ（Random Access Memory)、フラッシュメモリ（Flash Memory）等の半導体メモリ素子、または、ハードディスク、光ディスク等の記憶装置によって実現される。記憶部１２０は、プロフィール情報記憶部１２１、投稿情報記憶部１２２と、反応情報記憶部１２３と、学習モデル１２４とを有する。
（プロフィール情報記憶部１２１について）
実施形態に係るプロフィール情報記憶部１２１は、ＳＮＳに会員登録されているユーザのプロフィールに関する情報を記憶する。ここで、図３に、実施形態に係るプロフィール情報記憶部１２１の一例を示す。図３に示した例では、プロフィール情報記憶部１２１は、「ユーザＩＤ」、「自己紹介文」、「プロフィール画像」といった項目を有する。
「ユーザＩＤ」は、ユーザを識別するための識別情報を示す。「自己紹介文」は、ユーザによって投稿される自己紹介文を示す。「プロフィール画像」は、ユーザによって投稿されるプロフィール画像を示す。例えば、図３では、ユーザＩＤ「Ｕ１」によって識別されるユーザが、自己紹介文「ＩＮ１」と、プロフィール画像「ＰＲ１」とを投稿したことを示す。なお、自己紹介文は文字情報だけではなく、絵文字等の記号情報を含んでもよい。
（投稿情報記憶部１２２について）
実施形態に係る投稿情報記憶部１２２は、ユーザによって投稿された投稿情報を記憶する。ここで、図４に、実施形態に係る投稿情報記憶部１２２の一例を示す。図４に示した例では、投稿情報記憶部１２２は、「ユーザＩＤ」、「投稿情報ＩＤ」、「投稿情報」といった項目を有する。
「ユーザＩＤ」は、ユーザを識別するための識別情報を示す。「投稿情報ＩＤ」は、ユーザによって投稿される投稿情報を識別するための識別情報を示す。「投稿情報」は、ユーザによって投稿される投稿内容を示す。例えば、図４では、ユーザＩＤ「Ｕ１」によって識別されるユーザが、投稿情報ＩＤ「ＰＯ１」によって識別される投稿情報である「ＸＸＸＸが世界選手権でまた１位」を投稿したことを示す。なお、以下では、ユーザＩＤ「ＵＮ（Ｎは任意の数）」により識別されるユーザを「ユーザＵＮ」と表記する場合がある。また、投稿情報ＩＤ「ＰＯＮ（Ｎは任意の数）」により識別される投稿情報を「投稿情報ＰＯＮ」と表記する場合がある。
（反応情報記憶部１２３について）
実施形態に係る反応情報記憶部１２３は、ユーザによって投稿された投稿情報に対する他のユーザの反応に関する情報を記憶する。ここで、図５に、実施形態に係る反応情報記憶部１２３の一例を示す。図５に示した例では、反応情報記憶部１２３は、「反応情報ＩＤ」、「ユーザＩＤ」、「投稿情報ＩＤ」、「反応回数」といった項目を有する。
「ユーザＩＤ」は、ユーザを識別するための識別情報を示す。「反応情報ＩＤ」は、ユーザによって投稿される投稿情報に対する他のユーザの反応を識別するための識別情報を示す。「投稿情報ＩＤ」は、ユーザによって投稿される投稿情報を識別するための識別情報を示す。「反応回数」は、所定の投稿情報に対する一般ユーザが反応した回数を示す。例えば、図５では、ユーザＵ１によって投稿された投稿情報ＰＯ１に対する反応情報ＩＤ「ＲＥ１」によって識別される反応回数が、１００００であることを示す。
（学習モデル１２４について）
実施形態に係る学習モデル１２４は、予測対象の投稿情報が入力される入力層と、出力層と、入力層から出力層までのいずれかの層であって出力層以外の層に属する第１要素と、第１要素と第１要素の重みとに基づいて値が算出される第２要素と、を含み、入力層に入力された予測対象の投稿情報に応じて、第１ユーザ群（ファンユーザに相当）に属するユーザが興味関心を示すスコアを出力層から出力するよう、コンピュータを機能させるためのモデルである。
ここで、学習モデル１２４が「y=a1*x1+a2*x2+・・・+ai*xi」で示す回帰モデルで実現されるとする。この場合、学習モデル１２４が含む第１要素は、x1やx2等といった入力データ（xi）に対応する。また、第１要素の重みは、xiに対応する係数aiに対応する。ここで、回帰モデルは、入力層と出力層とを有する単純パーセプトロンと見做すことができる。各モデルを単純パーセプトロンと見做した場合、第１要素は、入力層が有するいずれかのノードに対応し、第２要素は、出力層が有するノードと見做すことができる。
また、学習モデル１２４がＤＮＮ（Deep Neural Network）等、１つまたは複数の中間層を有するニューラルネットワークで実現されるとする。この場合、学習モデル１２４が含む第１要素は、入力層または中間層が有するいずれかのノードに対応する。また、第２要素は、第１要素と対応するノードから値が伝達されるノードである次段のノードに対応する。また、第１要素の重みは、第１要素と対応するノードから第２要素と対応するノードに伝達される値に対して考慮される重みである接続係数に対応する。
また、生成装置１００は、上述した回帰モデルやニューラルネットワーク等、任意の構造を有するモデルを用いて、ファンユーザが興味関心を示すスコアの算出を行う。具体的には、学習モデル１２４は、予測対象の投稿情報（すなわち、上述したスコアの算出に用いられる各要素）が入力された場合に、ファンユーザが興味関心を示すスコアを出力するように係数が設定される。生成装置１００は、このような学習モデル１２４を用いて、ファンユーザが興味関心を示すスコアを算出する。
なお、上記例では、学習モデル１２４が、予測対象の投稿情報が入力された場合に、ファンユーザが興味関心を示すスコアを出力するモデル（モデルＸとする）である例を示した。しかし、実施形態に係る学習モデル１２４は、モデルＸにデータの入出力を繰り返すことで得られる結果に基づいて生成されるモデルであってもよい。例えば、学習モデル１２４は、予測対象の投稿情報を入力とし、モデルＸが出力するファンユーザが興味関心を示すスコアを出力とするよう学習されたモデル（モデルＹ)であってもよい。または、学習モデル１２４は、予測対象の投稿情報を入力とし、モデルＹの出力値を出力とするよう学習されたモデルであってもよい。
また、生成装置１００がＧＡＮ（Generative Adversarial Networks）を用いた生成処理を行う場合、学習モデル１２４は、ＧＡＮの一部を構成するモデルであってもよい。
（制御部１３０について）
制御部１３０は、コントローラ（Controller）であり、例えば、ＣＰＵ（Central Processing Unit）やＭＰＵ（Micro Processing Unit）等によって、生成装置１００内部の記憶装置に記憶されている各種プログラム（生成プログラムの一例に相当）がＲＡＭを作業領域として実行されることにより実現される。また、制御部１３０は、コントローラであり、例えば、ＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（Field Programmable Gate Array）等の集積回路により実現される。また、制御部１３０は、記憶部１２０に記憶されている学習モデル１２４に従った情報処理により、入力層に入力された予測対象の投稿情報に応じて、ファンユーザに属するユーザが興味関心を示すスコアを出力層から出力する。
図２に示すように、制御部１３０は、取得部１３１と、特定部１３２と、抽出部１３３と、生成部１３４と、算出部１３５と、提供部１３６とを有し、以下に説明する情報処理の機能や作用を実現または実行する。なお、制御部１３０の内部構成は、図２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。また、制御部１３０が有する各処理部の接続関係は、図２に示した接続関係に限られず、他の接続関係であってもよい。
（取得部１３１について）
取得部１３１は、第１ユーザ群（ファンユーザ群に相当）に属するユーザが興味関心を示す第１投稿情報を取得する。また、取得部１３１は、所定の投稿情報に対するユーザの反応である反応情報であって、ファンユーザ群に属するユーザの反応情報と、ファンユーザ群と異なる第２ユーザ群（一般ユーザ群に相当）に属するユーザの反応情報とを取得する。具体的には、取得部１３１は、ファンユーザ群に属するユーザの反応情報として、ファンユーザ群に属するユーザが所定の投稿情報に反応した回数である反応回数を取得し、一般ユーザ群に属するユーザの反応情報として、一般ユーザ群に属するユーザが所定の投稿情報に反応した回数である反応回数を取得する。また、取得部１３１は、ファンユーザ群に属するユーザが投稿情報を投稿した回数である投稿回数と、一般ユーザ群に属するユーザが投稿情報に投稿した回数である投稿回数とをさらに取得する。
例えば、取得部１３１は、ユーザによって投稿された投稿情報を外部装置１０から取得する。また、取得部１３１は、ユーザが所定の投稿情報に反応した回数である反応回数とユーザが投稿情報を投稿した回数である投稿回数とを外部装置１０から取得する。また、取得部１３１は、特定の人物又は特定のキャラクターに関心を有するユーザのプロフィール画像や自己紹介文を含むプロフィール情報を外部装置１０から取得する。そして、取得部１３１は、外部装置１０から取得されたプロフィール情報をプロフィール情報記憶部１２１に格納し、外部装置１０から取得された投稿情報と投稿回数とを投稿情報記憶部１２２に格納し、外部装置１０から取得された反応回数を反応情報記憶部１２３に格納する。
（特定部１３２について）
特定部１３２は、取得部１３１によって取得された投稿情報を投稿したユーザのうち、特定の有名人に関連するキーワードや画像等を含むプロフィールを有するユーザをファンユーザとして特定する。例えば、特定部１３２は、有名人「ＸＸＸＸ」とプロフィール情報記憶部１２１に記憶されている情報を検索することで、有名人「ＸＸＸＸ」に関心のあるユーザを特定する。
（抽出部１３３について）
抽出部１３３は、ファンに属するユーザの反応情報と、一般ユーザ群に属するユーザの反応情報とに基づいて、ファンユーザ群に属するユーザが興味関心を示す投稿情報を抽出する。また、抽出部１３３は、ファンユーザ群における反応回数および投稿回数と、一般ユーザ群における反応回数および投稿回数とに基づいて、ファンユーザが興味関心を示す投稿情報を抽出する。
具体的には、抽出部１３３は、ファンユーザの投稿回数に対する所定の投稿情報に反応した反応回数の割合に関する値が一般ユーザの投稿回数に対する所定の投稿情報に反応した反応回数の割合に関する値よりも所定の閾値以上である場合に、所定の投稿情報をファンユーザが興味関心を示す投稿情報として抽出する。一方で、抽出部１３３は、ファンユーザの投稿回数に対する所定の投稿情報に反応した反応回数の割合に関する値が一般ユーザの投稿回数に対する所定の投稿情報に反応した反応回数の割合に関する値よりも所定の閾値より小さい場合に、所定の投稿情報をファンユーザが興味関心を示す投稿情報として抽出しない。
より具体的には、抽出部１３３は、所定の投稿情報に反応した反応回数およびユーザが投稿情報を投稿した投稿回数を用いてカイ二乗平均値を算出することで、ファンユーザが興味関心を示す投稿情報を抽出する。例えば、投稿情報ＰＯ１に対する一般ユーザの反応回数は１００であり、一般ユーザの投稿回数は１０００であり、投稿情報ＰＯ１に対するファンユーザの反応回数は５であり、ファンユーザの投稿回数は１００であるとする。また、投稿情報ＰＯ２に対する一般ユーザの反応回数は１００であり、一般ユーザの投稿回数は１０００であり、投稿情報ＰＯ２に対するファンユーザの反応回数は５０であり、ファンユーザの投稿回数は１００であるとする。この場合、抽出部１３３は、投稿情報ＰＯ１に対するファンユーザのカイ二乗平均値が一般ユーザのカイ二乗平均値よりも小さく、投稿情報ＰＯ２に対するファンユーザのカイ二乗平均値が一般ユーザのカイ二乗平均値よりも大きいため、ファンユーザが興味関心を示す投稿情報ＰＯ２を抽出する。
（生成部１３４について）
生成部１３４は、取得部１３１によって取得された第１投稿情報と、第１投稿情報以外の他の投稿情報とに基づいて、ファンユーザ群に属するユーザが興味関心を示す投稿情報を予測する予測モデルを生成する。具体的には、生成部１３４は、抽出部１３３によって抽出されたファンユーザが興味関心を示す投稿情報と、ファンユーザが興味関心を示さない投稿情報とを学習し、学習モデルを生成する。例えば、生成部１３４は、ファンユーザが興味関心を示す投稿情報を正例として学習し、ファンユーザが興味関心を示す投稿情報以外の投稿情報を負例として学習する。例えば、生成部１３４は、予測対象の投稿情報が入力された場合に、正例のスコアを１として、負例のスコアを０として、ファンユーザが興味関心を示すスコアを０から１のスコアとして出力する学習モデルを生成する。そして、生成部１３４は、学習モデルを記憶部１２０に格納する。
なお、生成部１３４は、いかなる学習アルゴリズムを用いて学習モデル１２４を生成してもよい。例えば、生成部１３４は、ニューラルネットワーク（neural network）、サポートベクターマシン（support vector machine）、クラスタリング、強化学習等の学習アルゴリズムを用いて学習モデル１２４を生成する。一例として、生成部１３４がニューラルネットワークを用いて学習モデル１２４を生成する場合、学習モデル１２４は、一以上のニューロンを含む入力層と、一以上のニューロンを含む中間層と、一以上のニューロンを含む出力層とを有する。
（算出部１３５について）
算出部１３５は、生成部１３４によって生成された学習モデルに基づいて、ファンユーザが興味関心を示すスコアを算出する。具体的には、算出部１３５は、予測対象の投稿情報を学習モデルに入力することで、予測対象の投稿情報に対するファンユーザの興味関心を示すスコアを出力させる。例えば、算出部１３５は、学習モデル１２４に従った情報処理により、予測対象の投稿情報を入力層に入力する。そして、算出部１３５は、入力データを中間層と出力層に伝播させることで出力層からファンユーザが興味関心を示すスコアを出力させる。
（提供部１３６について）
提供部１３６は、算出部１３５によって算出されたスコアに基づいてファンユーザが興味関心を示す投稿情報をユーザに提供する。例えば、提供部１３４は、算出部１３５によって算出されたスコアが所定の閾値以上である投稿情報を、ユーザ用のタイムライン上にファンユーザが興味関心を示す投稿情報として表示させる。
〔３．生成装置による生成処理手順の一例を示すフローチャート〕
次に、図６を用いて、生成装置１００による生成処理の手順について説明する。図６は、実施形態に係る生成装置１００による生成処理手順を示すフローチャートである。
図６に示すように、取得部１３１は、外部装置１０から、一般ユーザによって投稿された投稿情報と、投稿回数と、反応回数とを取得する（ステップＳ１０１）。そして、特定部１３２は、一般ユーザから、特定の有名人に関連するキーワードや画像等を含むプロフィールを有するユーザをファンユーザとして特定する（ステップＳ１０２）。
続いて、抽出部１３３は、取得部１３１によって取得されたファンユーザの反応回数および投稿回数とユーザの反応回数および投稿回数とに基づいて、ファンユーザのカイ二乗平均値がユーザのカイ二乗平均値より大きい場合に（ステップＳ１０３；Ｙｅｓ）、ファンユーザが興味関心を示す投稿情報を抽出する（ステップＳ１０４）。例えば、抽出部１３３は、ファンユーザの反応回数および投稿情報におけるカイ二乗平均値が一般ユーザの反応回数および投稿回数におけるカイ二乗平均値よりも所定の閾値以上である場合に、所定の投稿情報をファンユーザが興味関心を示す投稿情報として抽出する。
一方、抽出部１３３は、取得部１３１によって取得されたファンユーザの反応回数および投稿回数とユーザの反応回数および投稿回数とに基づいて、ファンユーザのカイ二乗平均値がユーザのカイ二乗平均値より小さい場合に（ステップＳ１０３；Ｎｏ）、ファンユーザが興味関心を示す投稿情報を抽出しない（ステップＳ１０５）。例えば、抽出部１３３は、ファンユーザの反応回数および投稿情報におけるカイ二乗平均値が一般ユーザの反応回数および投稿回数におけるカイ二乗平均値よりも所定の閾値より小さい場合に、所定の投稿情報をファンユーザが興味関心を示す投稿情報として抽出しない。
〔４．生成装置による学習モデルの学習の一例を示すフローチャート〕
次に、図７を用いて、生成装置１００による生成処理の手順について説明する。図７は、実施形態に係る生成装置１００による学習モデルの学習の一例を示すフローチャートである。
図７に示すように、生成部１３４は、ファンユーザが興味関心を示す投稿情報と、ファンユーザが興味関心を示す投稿情報以外の投稿情報とに基づいて学習モデルを生成する。（ステップＳ２０１）。例えば、生成部１３４は、ファンユーザが興味関心を示す投稿情報を正例として学習し、ファンユーザが興味関心を示す投稿情報以外の投稿情報を負例として学習する。そして、生成部１３４は、学習モデルを生成する。そして、算出部１３５は、生成部１３４によって生成された学習モデルに基づいて、予測対象の投稿情報を入力することで、ファンユーザが興味関心を示すスコアを算出する（ステップＳ２０２）。そして、提供部１３６は、算出部１３５によって算出されたスコアに基づいて予測されたファンユーザが興味関心を示す投稿情報をユーザに提供する（ステップＳ２０３）。
〔５．変形例〕
上述した生成装置１００は、上記実施形態以外にも種々の異なる形態にて実施されてよい。そこで、以下では、生成装置１００の他の実施形態について説明する。
〔５－１．特定処理〕
上記実施形態において、生成装置１００の特定部１３２は、特定の有名人に関連するキーワードや画像等を含むプロフィールを有する第１ユーザ群に属するユーザをファンユーザとして特定する例を示したが、特定部１３２によって特定された第１ユーザ群に属するユーザはファンユーザに限らず、ユーザの属性情報等によって第１ユーザ群に属するユーザを特定してもよい。例えば、生成装置１００の特定部１３２は、端末装置２０から予め取得された属性情報が示す居住地域に基づいて、特定の地域に居住するユーザを第１ユーザ群に属するユーザとして特定してもよい。
〔５－２．抽出処理（１）〕
上記実施形態において、生成装置１００の抽出部１３３は、ファンユーザの反応回数および投稿回数と一般ユーザの反応回数と投稿回数とに基づいて、ファンユーザが興味関心を示す投稿情報を抽出する例を示したが、ファンユーザの反応回数と一般ユーザの反応回数とに基づいて、所定の投稿情報をファンユーザが興味関心を示す投稿情報として抽出してもよい。
具体的には、生成装置１００の抽出部１３３は、ファンユーザ群における反応回数と、一般ユーザ群における反応回数とに基づいて、ファンユーザが興味関心を示す投稿情報を抽出する。例えば、投稿情報ＰＯ１に対する一般ユーザの反応回数が１００であり、投稿情報ＰＯ１に対するファンユーザの反応回数５であるとする。また、投稿情報ＰＯ２に対する一般ユーザの反応回数１００であり、投稿情報ＰＯ２に対するファンユーザの反応回数５０であるとする。この場合、生成装置１００の抽出部１３３は、投稿情報ＰＯ２のファンユーザの反応回数が投稿情報ＰＯ１のファンユーザの反応回数よりも大きいため、ファンユーザが興味関心を示す投稿情報ＰＯ２を抽出してもよい。
〔５－３．抽出処理（２）〕
上記実施形態において、生成装置１００の抽出部１３３は、ファンユーザの反応回数および投稿回数と一般ユーザの反応回数と投稿回数とに基づいて、ファンユーザが興味関心を示す投稿情報を抽出する例を示したが、ユーザによってマニュアルで選択されるファンユーザが興味関心を示す投稿情報を抽出してもよい。例えば、抽出部１３３は、ユーザによってマニュアルで選択されたファンユーザが興味関心を示す投稿情報を抽出する。そして、生成部１３４は、抽出部１３３によって抽出されたファンユーザが興味関心を示す投稿情報を正例として学習し、かかるファンユーザが興味関心を示す投稿情報以外の投稿情報を負例として学習する。そして、生成部１３４は、学習モデルを生成する。
〔５－４．生成処理（１）〕
上記実施形態において、生成装置１００の生成部１３４は、ファンユーザが興味関心を示す投稿情報と、ファンユーザが興味関心を示す投稿情報以外の投稿情報を学習させることで学習モデルを生成する例を示したが、ファンユーザが興味関心を示さない投稿情報を負例として学習させることで学習モデルを生成してもよい。例えば、生成部１３４は、ファンユーザが興味関心を示す投稿情報を正例として学習し、ファンユーザが興味関心を示さない投稿情報を負例として学習する。そして、生成部１３４は、学習モデルを生成する。これにより、生成部１３４は、予測対象の投稿情報が入力された場合に、予測対象の投稿情報に対するファンユーザの特徴を示すスコアを算出する学習モデルの算出精度を高めることができる。
〔５－５．生成処理（２）〕
上記実施形態において、生成装置１００の生成部１３４は、ファンユーザが興味関心を示すスコアを出力する学習モデルを生成する例を示したが、特定の時期や特定のニュースが配信されたときに注目される特定の人物等に関する投稿情報に基づいて、ファンユーザが興味関心を示すスコアを出力する学習モデルを生成してもよい。
具体的には、ファンユーザは、特定の時期に、特定の投稿情報に興味関心を示すことが考えられる。例えば、ファンユーザは、オリンピックの開催期間に、オリンピックに出場しているスポーツ選手に関する投稿情報に興味関心を示すことが考えられる。そこで、生成装置１００の生成部１３４は、ファンユーザが興味関心を示す投稿情報とともに、それらの投稿情報が投稿された時期のニュース等の記事を学習することで学習モデルを生成する。例えば、ファンユーザがオリンピックの開催時期に金メダル候補であるＡＡ選手に興味関心があるとする。この場合、生成部１３４は、ファンユーザが興味関心を示すＡＡ選手に関する投稿情報と、ＡＡ選手に関する投稿情報が投稿された時期に配信されたニュースやブログ等の記事と、ファンユーザが興味関心を示す投稿情報以外の投稿情報とを学習することで学習モデルを生成する。そして、算出部１３５は、生成部１３４によって生成された学習モデルに対して、予測対象の投稿情報とともに、予測対象の投稿情報が投稿された時期に配信されたニュースやブログ等の記事を入力することで、予測対象の投稿情報に対するファンユーザの興味関心を示すスコアを算出する。
これにより、生成装置１００は、特定の時期等に関するニュースやブログ等の記事と、ファンユーザが興味関心を示す投稿情報と、ファンユーザが興味関心を示す投稿情報以外の投稿情報とを学習して生成された学習モデルに基づいて、ファンユーザが興味関心を示す投稿情報であるか否かを予測する。すなわち、生成装置１００は、特定の時期や特定のニュースが配信されたときに、ファンユーザが興味関心を示す投稿情報の傾向を学習した学習モデルにより、特定の時期や特定のニュースが配信されたときに新たな投稿情報がファンユーザにとって興味関心が高いか否かを予測することができる。
〔５－６．提供方法（１）〕
上記実施形態において、生成装置１００の提供部１３６は、上述ではファンユーザが興味関心を示す投稿情報を提供すると説明してきたが、投稿情報の提供に限らず、ファンユーザが興味関心を示す投稿情報を広告としてファンユーザに提供してもよい。
〔５－７．提供方法（２）〕
上記実施形態において、生成装置１００の提供部１３６は、ファンユーザが興味関心を示す投稿情報を提供する例を示したが、ファンユーザが興味関心を示す投稿情報をランキング形式で提示してもよい。具体的には、生成装置１００の提供部１３６は、算出部１３５によって算出されたスコアに基づいて、スコアが高い順に順位付けを行ってもよい。
例えば、生成装置１００の提供部１３６は、算出部１３５によって算出されたスコアに基づいて、ファンユーザが興味関心を示す投稿情報をランキング形式で提供する。この場合、提供部１３６は、算出部１３５によって算出されたスコアに基づいて、スコアが高い順に「１位投稿情報ＰＯ１、２位投稿情報ＰＯ４、３位投稿情報ＰＯ３、４位投稿情報ＰＯ５、５位投稿情報ＰＯ２」のように順位付けを行う。そして、提供部１３６は、かかる投稿情報のランキングに関する情報を端末装置２０へ提供する。
〔５－８．提供方法（３）〕
上記実施形態において、生成装置１００の提供部１３４は、上述ではファンユーザが興味関心を示す投稿情報を提供すると説明してきたが、提供部１３４によって提供される投稿情報のうちファンユーザが興味関心を示すキーワードを提供してもよい。
〔６．ハードウェア構成〕
また、上述してきた実施形態に係る外部装置１０、端末装置２０、生成装置１００は、例えば図８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、生成装置１００を例に挙げて説明する。図８は、生成装置１００の機能を実現するコンピュータ１０００の一例を示すハードウェア構成図である。コンピュータ１０００は、ＣＰＵ１１００、ＲＡＭ１２００、ＲＯＭ（Read Only Memory）１３００、ＨＤＤ（Hard Disk Drive）１４００、通信インターフェイス（Ｉ／Ｆ）１５００、入出力インターフェイス（Ｉ／Ｆ）１６００、及びメディアインターフェイス（Ｉ／Ｆ）１７００を有する。
ＣＰＵ１１００は、ＲＯＭ１３００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。ＲＯＭ１３００は、コンピュータ１０００の起動時にＣＰＵ１１００によって実行されるブートプログラムや、コンピュータ１０００のハードウェアに依存するプログラム等を格納する。
ＨＤＤ１４００は、ＣＰＵ１１００によって実行されるプログラム、及び、かかるプログラムによって使用されるデータ等を格納する。通信インターフェイス１５００は、ネットワークＮを介して他の機器からデータを受信してＣＰＵ１１００へ送り、ＣＰＵ１１００がネットワークＮを介して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、ＲＡＭ１２００を介してＣＰＵ１１００に提供する。ＣＰＵ１１００は、かかるプログラムを、メディアインターフェイス１７００を介して記録媒体１８００からＲＡＭ１２００上にロードし、ロードしたプログラムを実行する。記録媒体１８００は、例えばＤＶＤ（Digital Versatile Disc）、ＰＤ（Phase change rewritable Disk）等の光学記録媒体、ＭＯ（Magneto-Optical disk）等の光磁気記録媒体、テープ媒体、磁気記録媒体、または半導体メモリ等である。
例えば、コンピュータ１０００が実施形態に係る生成装置１００として機能する場合、コンピュータ１０００のＣＰＵ１１００は、ＲＡＭ１２００上にロードされたプログラムまたはデータ（例えば、学習モデル１２４）を実行することにより、制御部１３０の機能を実現する。また、ＨＤＤ１４００には、記憶部１２０内の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またはデータ（例えば、学習モデル１２４）を記録媒体１８００から読み取って実行するが、他の例として、他の装置からネットワークＮを介してこれらのプログラムを取得してもよい。
〔７．その他〕
また、上記実施形態及び変形例において説明した各処理のうち、自動的に行われるものとして説明した処理の全部または一部を手動的に行うこともでき、あるいは、手動的に行われるものとして説明した処理の全部または一部を公知の方法で自動的に行うこともできる。この他、上記文書中や図面中で示した処理手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。例えば、各図に示した各種情報は、図示した情報に限られない。
また、図示した各装置の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、各装置の分散・統合の具体的形態は図示のものに限られず、その全部または一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。
また、上述してきた実施形態及び変形例は、処理内容を矛盾させない範囲で適宜組み合わせることが可能である。
また、上述してきた「部（section、module、unit）」は、「手段」や「回路」などに読み替えることができる。例えば、生成部は、生成手段や生成回路に読み替えることができる。
〔８．効果〕
上述してきたように、実施形態に係る生成装置１００は、取得部１３１と、生成部１３４とを有する。取得部１３１は、第１ユーザ群（ファンユーザ群に相当）に属するユーザが興味関心を示す第１投稿情報を取得する。生成部１３４は、取得部１３１によって取得された第１投稿情報と、第１投稿情報以外の他の投稿情報とに基づいて、第１ユーザ群に属するユーザが興味関心を示す投稿情報を予測する予測モデルを生成する。
これにより、実施形態に係る生成装置１００は、ファンユーザが興味関心を示す投稿情報の傾向を学習した学習モデルにより、新たな投稿情報がファンユーザにとって興味関心が高いか否かを予測することができる。
また、実施形態に係る生成装置１００において、取得部１３１は、所定の投稿情報に対する第１ユーザ群に属するユーザの反応情報と、第１ユーザ群と異なる第２ユーザ群（一般ユーザ群に相当）に属するユーザの所定の投稿情報に対する反応情報とに基づいて、第１ユーザ群に属するユーザが興味関心を示す投稿情報を取得する。
これにより、実施形態に係る生成装置１００は、投稿情報に対するファンユーザの反応情報と投稿情報に対する一般ユーザの反応情報とに基づいてファンユーザが興味関心を示す投稿情報を高精度に抽出することができるため、ファンユーザが興味関心を示す投稿情報を高精度に予測することができる。
また、実施形態に係る生成装置１００において、取得部１３１は、第１ユーザ群に属するユーザの反応情報として、第１ユーザ群に属するユーザが所定の投稿情報に反応した回数である反応回数と、第２ユーザ群に属するユーザの反応情報として、第２ユーザ群に属するユーザが前記所定の投稿情報に反応した回数である反応回数とに基づいて、前記第１ユーザ群に属するユーザが興味関心を示す投稿情報を取得する。
これにより、実施形態に係る生成装置１００は、ファンユーザが投稿情報に反応した回数である反応回数と一般ユーザの反応回数とに基づいてファンユーザが興味関心を示す投稿情報を高精度に抽出することができるため、ファンユーザが興味関心を示す投稿情報を高精度に予測することができる。
また、実施形態に係る生成装置１００において、取得部１３１は、第１ユーザ群における反応回数および第１ユーザ群に属するユーザが投稿情報を投稿した回数である投稿回数と、第２ユーザ群における反応回数および第２ユーザ群に属するユーザが投稿情報を投稿した回数である投稿回数とに基づいて、第１ユーザ群に属するユーザが興味関心を示す投稿情報を取得する。
これにより、実施形態に係る生成装置１００は、ファンユーザが投稿情報を投稿した回数である投稿回数および反応回数と一般ユーザの投稿回数および反応回数とに基づいてファンユーザが興味関心を示す投稿情報を高精度に抽出することができるため、ファンユーザが興味関心を示す投稿情報を高精度に予測することができる。
また、実施形態に係る生成装置１００において、生成部１３４は、取得部１３１によって取得された第１投稿情報と、第１投稿情報以外の他の投稿情報と、第１投稿情報および第１投稿情報以外の他の投稿情報に関連するニュースであるニュース情報とに基づいて、第１ユーザ群に属するユーザが興味関心を示す投稿情報を予測する予測モデルを生成する。
これにより、実施形態に係る生成装置１００は、特定の時期や特定のニュースが配信されたときに、ファンユーザが興味関心を示す投稿情報の傾向を学習した学習モデルにより、特定の時期や特定のニュースが配信されたときに新たな投稿情報がファンユーザにとって興味関心が高いか否かを予測することができる。
また、実施形態に係る生成装置１００において、取得部１３１は、前記所定の投稿情報に対するユーザの反応である反応情報であって、前記第１ユーザ群に属するユーザの反応情報と、前記第１ユーザ群と異なる第２ユーザ群に属するユーザの反応情報とを取得する。
また、実施形態に係る生成装置１００において、取得部１３１は、第２ユーザ群として第１ユーザ群を含むユーザ群に属するユーザの反応情報を取得する。
また、実施形態に係る生成装置１００において、取得部１３１は、特定の人物又は特定のキャラクターに関心を有するユーザ群である第１ユーザ群における反応情報を取得する。
また、実施形態に係る生成装置１００において、取得部１３１は、特定の人物又は特定のキャラクターが含まれるプロフィール情報を有するユーザ群である第１ユーザ群における反応情報を取得する。
これにより、実施形態に係る生成装置１００は、ファンユーザと一般ユーザとを明確に分けることでファンユーザの反応情報と一般ユーザの反応情報とをより詳細に比較できるため、ファンユーザが興味関心を示す投稿情報を高精度に予測することができる。
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。
１ 生成システム
１０ 外部装置
２０ 端末装置
１００ 生成装置
１１０ 通信部
１２０ 記憶部
１２１ プロフィール情報記憶部
１２２ 投稿情報記憶部
１２３ 反応情報記憶部
１２４ 学習モデル
１３０ 制御部
１３１ 取得部
１３２ 特定部
１３３ 抽出部
１３４ 生成部
１３５ 算出部
１３６ 提供部

Claims (12)

  1. 特定の有名人に関心を有するユーザによって構成される第１ユーザ群に属するユーザが興味関心を示す第１投稿情報を取得する取得部と、
    前記取得部によって取得された第１投稿情報と、前記第１投稿情報以外の他の投稿情報とに基づいて、前記第１ユーザ群に属するユーザが興味関心を示す投稿情報を予測する予測モデルを生成する生成部と、
    を備えることを特徴とする生成装置。
  2. 前記取得部は、
    所定の投稿情報に対する前記第１ユーザ群に属するユーザの反応情報と、前記第１ユーザ群と異なる第２ユーザ群に属するユーザの前記所定の投稿情報に対する反応情報とに基づいて、前記第１ユーザ群に属するユーザが興味関心を示す投稿情報を取得する、
    ことを特徴とする請求項１に記載の生成装置。
  3. 前記取得部は、
    前記第１ユーザ群に属するユーザの反応情報として、前記第１ユーザ群に属するユーザが前記所定の投稿情報に反応した回数である反応回数と、前記第２ユーザ群に属するユーザの反応情報として、前記第２ユーザ群に属するユーザが前記所定の投稿情報に反応した回数である反応回数とに基づいて、前記第１ユーザ群に属するユーザが興味関心を示す投稿情報を取得する、
    ことを特徴とする請求項２に記載の生成装置。
  4. 前記取得部は、
    前記第１ユーザ群における反応回数および前記第１ユーザ群に属するユーザが投稿情報を投稿した回数である投稿回数と、前記第２ユーザ群における反応回数および前記第２ユーザ群に属するユーザが投稿情報を投稿した回数である投稿回数とに基づいて、前記第１ユーザ群に属するユーザが興味関心を示す投稿情報を取得する、
    ことを特徴とする請求項２に記載の生成装置。
  5. 前記生成部は、
    前記取得部によって取得された第１投稿情報と、前記第１投稿情報以外の他の投稿情報と、前記第１投稿情報および前記第１投稿情報以外の他の投稿情報に関連するニュースであるニュース情報とに基づいて、前記第１ユーザ群に属するユーザが興味関心を示す投稿情報を予測する予測モデルを生成する、
    ことを特徴とする請求項１～４のいずれか１つに記載の生成装置。
  6. 前記取得部は、
    前記所定の投稿情報に対するユーザの反応である反応情報であって、前記第１ユーザ群に属するユーザの反応情報と、前記第１ユーザ群と異なる第２ユーザ群に属するユーザの反応情報とを取得する、
    ことを特徴とする請求項２に記載の生成装置。
  7. 前記取得部は、
    前記第１ユーザ群を含むユーザ群である前記第２ユーザ群に属するユーザの反応情報を取得する、
    ことを特徴とする請求項６に記載の生成装置。
  8. 前記取得部は、
    特定の人物又は特定のキャラクターに関心を有するユーザ群である前記第１ユーザ群における反応情報を取得する、
    ことを特徴とする請求項１～７のいずれか１つに記載の生成装置。
  9. 前記取得部は、
    前記特定の人物又は特定のキャラクターが含まれるプロフィール情報を有するユーザ群である前記第１ユーザ群における反応情報を取得する、
    ことを特徴とする請求項８に記載の生成装置。
  10. 特定の有名人に関心を有するユーザによって構成される第１ユーザ群に属するユーザが興味関心を示す第１投稿情報が入力される入力層と、
    出力層と、
    前記入力層から前記出力層までのいずれかの層であって前記出力層以外の層に属する第１要素と、
    前記第１要素と前記第１要素の重みとに基づいて値が算出される第２要素と、を含み、
    前記入力層に入力された第１投稿情報に応じて、前記第１ユーザ群に属するユーザが興味関心を示す度合いであるスコアを前記出力層から出力するよう、
    コンピュータを機能させるためのモデル。
  11. コンピュータが実行する生成方法であって、
    特定の有名人に関心を有するユーザによって構成される第１ユーザ群に属するユーザが興味関心を示す第１投稿情報を取得する取得工程と、
    前記取得工程によって取得された第１投稿情報と、前記第１投稿情報以外の他の投稿情報とに基づいて、前記第１ユーザ群に属するユーザが興味関心を示す投稿情報を予測する予測モデルを生成する生成工程と、
    を含むことを特徴とする生成方法。
  12. 特定の有名人に関心を有するユーザによって構成される第１ユーザ群に属するユーザが興味関心を示す第１投稿情報を取得する取得手順と、
    前記取得手順によって取得された第１投稿情報と、前記第１投稿情報以外の他の投稿情報とに基づいて、前記第１ユーザ群に属するユーザが興味関心を示す投稿情報を予測する予測モデル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生成プログラム。
JP2017179584A 2017-09-19 2017-09-19 生成装置、モデル、生成方法及び生成プログラム Active JP7117835B2 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2017179584A JP7117835B2 (ja) 2017-09-19 2017-09-19 生成装置、モデル、生成方法及び生成プログラム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2017179584A JP7117835B2 (ja) 2017-09-19 2017-09-19 生成装置、モデル、生成方法及び生成プログラム

Publications (2)

Publication Number Publication Date
JP2019056979A JP2019056979A (ja) 2019-04-11
JP7117835B2 true JP7117835B2 (ja) 2022-08-15

Family

ID=66106396

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2017179584A Active JP7117835B2 (ja) 2017-09-19 2017-09-19 生成装置、モデル、生成方法及び生成プログラム

Country Status (1)

Country Link
JP (1) JP7117835B2 (ja)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7182819B1 (ja) 2021-07-30 2022-12-05 株式会社Ｊｘ通信社 情報処理装置、情報処理システムおよびプログラム

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011107808A (ja) 2009-11-13 2011-06-02 Victor Co Of Japan Ltd コンテンツ推薦装置、コンテンツ推薦方法、及びコンテンツ推薦プログラム
US20150193685A1 (en) 2014-01-08 2015-07-09 Adobe Systems Incorporated Optimal time to post for maximum social engagement
JP2016502160A (ja) 2012-10-01 2016-01-21 フェイスブック，インク． モバイルデバイス関連の親和性の度合い
US20160147760A1 (en) 2014-11-26 2016-05-26 Adobe Systems Incorporated Providing alternate words to aid in drafting effective social media posts

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011107808A (ja) 2009-11-13 2011-06-02 Victor Co Of Japan Ltd コンテンツ推薦装置、コンテンツ推薦方法、及びコンテンツ推薦プログラム
JP2016502160A (ja) 2012-10-01 2016-01-21 フェイスブック，インク． モバイルデバイス関連の親和性の度合い
US20150193685A1 (en) 2014-01-08 2015-07-09 Adobe Systems Incorporated Optimal time to post for maximum social engagement
US20160147760A1 (en) 2014-11-26 2016-05-26 Adobe Systems Incorporated Providing alternate words to aid in drafting effective social media posts

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
山本 修平、外２名，コミュニケーション活動から見たＴｗｉｔｔｅｒユーザ間の関係性遷移，第８回データ工学と情報マネジメントに関するフォーラム （第１４回日本データベース学会年次大会） ［ｏｎｌｉｎｅ］ ，日本，電子情報通信学会データ工学研究専門委員会 日本データベース学会 情報処理学会データベースシステム研究会，2016年08月08日，ｐ．１－８

Also Published As

Publication number Publication date
JP2019056979A (ja) 2019-04-11

Similar Documents

Publication Publication Date Title
Wang et al. An improved density peaks-based clustering method for social circle discovery in social networks
JP5454357B2 (ja) 情報処理装置および方法、並びに、プログラム
US9218630B2 (en) Identifying influential users of a social networking service
JP6415619B2 (ja) 解析装置、解析方法、およびプログラム
JP6228151B2 (ja) 学習装置、学習方法、及び学習プログラム
CN112989169B (zh) 目标对象识别方法、信息推荐方法、装置、设备及介质
Arora et al. Business competitive analysis using promoted post detection on social media
CN111242310A (zh) 特征有效性评估方法、装置、电子设备及存储介质
WO2017027705A1 (en) Method and system for personifying a brand
Yigit et al. Extended topology based recommendation system for unidirectional social networks
Dai et al. BTR: a feature-based Bayesian task recommendation scheme for crowdsourcing system
Shabaz et al. Shabaz–urvashi link prediction (sulp): a novel approach to predict future friends in a social network
Khan et al. Comparative analysis on Facebook post interaction using DNN, ELM and LSTM
KR102263691B1 (ko) 유망 콘텐츠 선정 방법, 장치 및 컴퓨터프로그램
KR101924200B1 (ko) 감성 기반의 이미지 선택 장치 및 방법
JP7117835B2 (ja) 生成装置、モデル、生成方法及び生成プログラム
KR101423690B1 (ko) 커뮤니티 서비스 기반의 컨텐츠 추천 시스템 및 컨텐츠 추천 방법
CN111143700B (zh) 一种活动推荐方法、装置、服务器及计算机存储介质
JP6971181B2 (ja) 予測装置、予測方法、およびプログラム
CN112632275B (zh) 基于个人文本信息的人群聚类数据处理方法、装置及设备
JP6025796B2 (ja) 行動予測装置、行動予測方法及びプログラム
CN113836444A (zh) 一种线性时间好友推荐方法、系统、终端以及存储介质
Goyal Social influence and its applications: An algorithmic and data mining study
Jang et al. Design and implementation of social content recommendation system based on influential ranking algorithm management
JP6798840B2 (ja) 推定装置、および推定方法

Legal Events

Date Code Title Description
A711 Notification of change in applicant

Free format text: JAPANESE INTERMEDIATE CODE: A712

Effective date: 20191101

RD03 Notification of appointment of power of attorney

Free format text: JAPANESE INTERMEDIATE CODE: A7423

Effective date: 20191108

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20200309

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20210302

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20210511

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20210712

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20211214

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20220214

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: 20220705

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20220802

R150 Certificate of patent or registration of utility model

Ref document number: 7117835

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