JP7177107B2 - 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

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。

利用者の行動履歴をベクトル化する技術が開示されている。

特開２００９－１２８９３７号公報 特開２０１７－２０８０４４号公報

しかしながら、上記の従来技術は、利用者がＰＣ上で行ったＷｅｂ閲覧行動の記録から、閲覧行動をカテゴリ分けして、特徴ベクトルを求めるというものや、行動履歴データから、ターゲット変数集合と特徴ベクトル集合とを生成し特徴ベクトルに基づいてアイテムが多くの利用者が採用しているアイテムであるか否かを分類するための分類器のパラメータベクトルを学習するというものである。

本願は、上記に鑑みてなされたものであって、より効果的に利用者のサービス利用に関するベクトルを分析することを目的とする。

本願に係る情報処理装置は、各利用者のサービス利用の遷移について、利用されるサービスの遷移順序に沿って並べたシーケンスデータから、利用されるサービスの遷移順序が有する特徴に基づいて、前記シーケンスデータをベクトル表現化方式の深層学習により学習し、サービス毎のベクトルを生成する生成部と、サービス毎のベクトルを可視化する可視化部とを備え、前記サービスは、ウェブコンテンツ、アプリケーション、プログラムの機能、データ及び分析したいユーザの行動を任意の粒度でサービスとみなしたもののうち少なくとも１つを含むことを特徴とする。

実施形態の一態様によれば、より効果的に利用者のサービス利用に関するベクトルを分析することができる。

図１は、実施形態に係る情報処理方法の概要を示す説明図である。 図２Ａは、初年度の一時期におけるサービス利用目的の定量化の一例を示す図である。 図２Ｂは、次年度の同時期におけるサービス利用目的の定量化の一例を示す図である。 図２Ｃは、調査対象サービスとそれに近い利用目的のサービスとのグルーピングの一例を示す図である。 図３は、実施形態に係る情報処理システムの構成例を示す図である。 図４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５は、利用者データベースの一例を示す図である。 図６は、シーケンスデータベースの一例を示す図である。 図７は、サービス利用目的データベースの一例を示す図である。 図８は、実施形態に係る処理手順を示すフローチャートである。 図９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．情報処理方法の概要〕
まず、図１を参照し、実施形態に係る情報処理装置が行う情報処理方法の概要について説明する。図１は、実施形態に係る情報処理方法の概要を示す説明図である。なお、図１では、サービス利用目的（利用のされ方）を定量的に分析し、サービス毎のベクトルを生成する場合を例に挙げて説明する。

図１に示すように、情報処理システム１は、端末装置１０と情報処理装置１００と情報提供装置２００とを含む。端末装置１０と情報処理装置１００と情報提供装置２００とは、それぞれネットワークＮ（図３参照）を介して有線又は無線で互いに通信可能に接続される。

端末装置１０は、利用者Ｕによって使用される情報処理装置である。情報処理装置１００は、各利用者Ｕのサービス利用目的を分析する情報処理装置である。情報提供装置２００は、各利用者Ｕの端末装置１０に対して、各種サービスを提供する情報処理装置である。情報提供装置２００は、複数台であってもよい。

なお、情報処理装置１００は、情報提供装置２００の１つであってもよい。すなわち、情報処理装置１００も、サービスを提供する情報処理装置であってもよい。また、情報提供装置２００は、中継サーバ（Proxy）やリダイレクタ（redirector）等であってもよい。

例えば、利用者Ｕは、端末装置１０を用いて、各情報提供装置２００により提供される各種サービスを利用する（ステップＳ１）。

各情報提供装置２００は、各利用者Ｕの端末装置１０からのアクセスを集計して、各利用者Ｕのアクセスログを生成する（ステップＳ２）。

情報処理装置１００は、各情報提供装置２００から、各利用者Ｕのアクセスログを取得する（ステップＳ３）。

このとき、情報処理装置１００は、アクセスログの利用に予め同意した利用者Ｕのアクセスログのみを取得するようにしてもよい。例えば、情報処理装置１００は、予め登録された利用者Ｕのアクセスログのみを取得するようにしてもよい。

なお、情報処理装置１００は、自身が各利用者Ｕの端末装置１０に対してサービスを提供している場合には、自身が提供するサービスに関する各利用者Ｕのアクセスログを生成することができる。

情報処理装置１００は、各利用者Ｕのアクセスログから、同一セッションでのサービスの利用に関するサービス利用遷移シーケンスデータを作成する（ステップＳ４）。

なお、実際には、所定の期間内における利用者Ｕの一連のアクセスを、同一セッションでのサービスの利用としてもよい。また、所定の期間内に行われたアクセス以外にも、例えばリンクを辿った場合なども同一セッションでのサービスの利用としてもよい。

また、同一ブラウザや同一アプリケーションからのアクセス以外にも、異なるブラウザや異なるアプリケーションからの同一時間帯のアクセスを、同一セッションでのサービスの利用としてもよい。すなわち、同一ブラウザ等から連続してアクセスした場合以外にも、所定の期間内に連続して行われたアクセスを、同一セッションでのサービスの利用としてもよい。

また、サービスは、任意のサービスであってもよい。例えば、サービスは、ウェブコンテンツであってもよいし、アプリケーション（以下、アプリ）であってもよい。また、サービスは、ＡＰＩ（Application Programming Interface）を介して端末装置１０に提供されるプログラムの機能やデータ等であってもよい。また、サービスの単位は、ウェブコンテンツごと、アプリごと、ドメインごと、サブドメインごと等でもよい。また、情報処理装置１００は、分析したい利用者の行動を任意の粒度でサービスとみなし、サービスごとの遷移を示すサービス利用遷移シーケンスデータを作成してもよい。

ここで、情報処理装置１００は、例えばアクセスしたドメインの順番、アクセスしたアプリの順番、あるいはアクセスしたウェブコンテンツの順番等、任意の粒度でアクセスログをまとめ、利用者Ｕが利用したサービスの内容やその順序を示すサービス利用遷移シーケンスデータを作成する。

図１に示す例では、このサービス利用遷移シーケンスデータは、「第１検索サイト」、「ローカルまとめサイト」、「第１マップＷＥＢ」、「第１マップアプリ」、「第１検索サイト」、「トラベルサイト」および「宿泊予約サイト」を含み、これらの順にサービスの利用が遷移していることを示す。

「第１検索サイト」は、Ｗｅｂブラウザを介して提供される検索サービス（検索エンジン）を示す。また、「ローカルまとめサイト」は、Ｗｅｂブラウザを用いてアクセスした地域発の情報や観光情報等のまとめサイトを示す。また、「第１マップＷＥＢ」は、Ｗｅｂブラウザを介して提供されるマップサービスを示す。また、「第１マップアプリ」は、マップ専用アプリを介して提供されるマップサービスを示す。また、「トラベルサイト」は、Ｗｅｂブラウザを用いてアクセスした旅行関連サイトを示す。また、「宿泊予約サイト」は、Ｗｅｂブラウザを用いてアクセスした宿泊施設等の予約サイトを示す。

なお、このようなサービス利用遷移シーケンスデータの生成においては、各サービスを跨いで利用者Ｕが共通して用いる利用者ＩＤを利用してもよい。例えば、各サービスにおいて利用者Ｕが個別に用いる利用者ＩＤを共通する利用者ＩＤへと変換するテーブルを用いてもよい。また、この利用者ＩＤは、例えば端末装置１０の識別情報であってもよい。

情報処理装置１００は、サービス利用の遷移態様が有する特徴（サービス利用遷移シーケンスデータが示す特徴）であって、利用されるサービスの遷移順序が有する特徴をモデルに学習させることで、サービス毎のベクトルを生成する（ステップＳ５）。

例えば、情報処理装置１００は、ベクトル表現化方式（例えば、Word2Vec）等の学習手法や同様の手法を用いて、モデルにサービス利用遷移シーケンスデータが有する特徴を学習させる。そして、情報処理装置１００は、学習済のモデルを用いて、サービス毎のベクトルを生成する。

モデルは、任意の種別のモデルが採用可能である。例えば、情報処理装置１００は、ＳＶＭ（Support Vector Machine）やＤＮＮ（Deep Neural Network）をモデルとして採用してもよい。ここで、ＤＮＮは、ＣＮＮ（Convolutional Neural Network）やＲＮＮ（Recurrent Neural Network）であってもよい。また、ＲＮＮは、ＬＳＴＭ（Long short-term memory）等であってもよい。すなわち、モデルは、任意の形式のモデルが採用可能である。また、モデルは、例えば、ＣＮＮとＲＮＮとを組み合わせたモデル等、複数のモデルを組み合わせることで実現されるモデルであってもよい。

また、情報処理装置１００は、分析したい利用者の行動を任意の粒度でサービスとみなし、サービスごとの遷移を示すサービス利用遷移シーケンスデータを作成し、作成した遷移シーケンスデータにおけるサービス利用の遷移の特徴から、モデルの生成を行ってもよい。

また、ベクトル表現化方式等の学習手法では、モデルに学習データの特徴を学習させる学習フェーズと、学習済モデルを用いてベクトル化を行う測定フェーズとが存在する。学習フェーズにおいては、モデルに対して類似する複数の学習データが入力された場合には、学習データごとに類似するベクトル（例えば、コサイン距離が小さくなるベクトル）を生成するように、モデルの修正を行う。反対に、モデルに対して類似しない複数の学習データが入力された場合には、学習データごとに類似しないベクトルを生成するように、モデルの学習を行う。

具体的には、ベクトル表現化方式では、文章の中の単語のそれぞれをベクトル化する場合、以下の（ａ）～（ｃ）などのようにベクトル化する。なお、学習方式はこれだけに限定されない。

（ａ）ベクトル化対象の単語の前後の単語（前後いくつの単語にするかは任意）をモデルに入力し、モデルの出力を対象の単語を正解データとして学習させる（Word2VecのCBOW方式）。

（ｂ）ベクトル化対象の単語をモデルに入力し、モデルの出力をその前後の単語（前後いくつの単語にするかは任意）を正解データとして学習させる（Word2VecのSkipGram方式）。

（ｃ）単語のシーケンスをモデルに入力し、各単語の次の１文字を正解データとして学習させたり、入力したシーケンス全体の次の１文字を正解データとして学習させたりして、モデルに学習させる（RNNやLSTMモデル）。

そして、単語のそれぞれをベクトル化して得られたスコアが高ければ高い程、類似するベクトルを生成するように学習を行う。スコアは、類似度／関連度を示す数値である。例えば、スコアは、各サービスと対応するベクトルのコサイン類似度である。

本実施形態においても、上記の方式を利用する。例えば、情報処理装置１００は、各利用者Ｕが利用した（アクセスした）サービスをベクトル表現化方式における「単語」とみなし、アクセスログから生成したサービス利用遷移シーケンスデータを、「文章」とみなす。

そして、情報処理装置１００は、サービス利用遷移シーケンスデータにおいて、以下の（Ａ）～（Ｃ）のような概念で、ベクトル化を行うモデルを生成する。なお、学習方式はこれだけに限定されない。

（Ａ）ベクトル化対象のサービスの前後のシーケンスのサービス（前後いくつのサービスにするかは任意）をモデルに入力し、モデルの出力を対象のサービスを正解データとして学習させる（Word2VecのCBOW方式）。

（Ｂ）ベクトル化対象のサービスをモデルに入力し、モデルの出力をその前後のシーケンスのサービス（前後いくつの単語にするかは任意）を正解データとして学習させる（Word2VecのSkipGram方式）。

（Ｃ）サービスのシーケンスをモデルに入力し、各サービスの次のサービスを正解データとして学習させたり、入力したシーケンス全体の次のサービスを正解データとして学習させたりして、モデルに学習させる（RNNやLSTMモデル）。

なお、サービス毎のベクトルは、密ベクトルであってもよいし、スパースなベクトル（疎ベクトル）であってもよい。すなわち、各種任意のベクトルであってもよい。また、情報処理装置１００は、スパースなベクトルを生成した後で、スパースを解消した密ベクトルを生成してもよい。

また、サービス毎のベクトルはそれぞれ多次元のベクトルである。ここでは、情報処理装置１００は、１２８次元ベクトルを生成する。なお、ベクトルの次元数は、任意の次元数であってもよい。

情報処理装置１００は、サービス毎のベクトルを２次元に次元圧縮し可視化する（ステップＳ６）。

これにより、サービスジャンル毎（利用目的が違うもの毎）におよそ分類される。このように、サービス利用遷移シーケンスを学習することで、サービス利用目的の分析が可能となる。

〔１－１．活用事例１〕
情報処理装置１００は、サービス利用遷移シーケンスにおいて、調査対象サービスに近い利用目的（利用のされ方）のサービスを列挙し、調査対象サービスの利用目的の把握と、グルーピングを行う。

ここでは、調査対象サービスとして「第１マップ」（第１マップアプリ）を挙げ、その競合サービスとして「第２マップ」を挙げる。

例えば、情報処理装置１００は、図２Ａ、図２Ｂに示すように、調査対象サービスの利用目的を定量化し、変化を可視化する。図２Ａは、初年度の一時期におけるサービス利用目的の定量化の一例を示す図である。図２Ｂは、次年度の同時期におけるサービス利用目的の定量化の一例を示す図である。

ここでは、図２Ａは、「2018年4-6月」における「第１マップ」と「第２マップ」とのそれぞれに近いサービスをベクトル化して得られたスコアを示したものである。スコアは、類似度／関連度を示す数値である。例えば、スコアは、各サービスと対応するベクトルのコサイン類似度である。

図２Ａに示す例では、「第１マップ」の近くに「ニュースサイト」や「天気サイト」が示されている。「第１マップ」に対する「ニュースサイト」のスコアは「０．３７」である。「第１マップ」に対する「天気サイト」のスコアは「０．３５」である。

また、図２Ａに示す例では、「第２マップ」の近くに「グルメレビューサイト」や「旅行口コミサイト」が示されている。「第２マップ」に対する「グルメレビューサイト」のスコアは「０．４４」である。「第２マップ」に対する「旅行口コミサイト」のスコアは「０．４３」である。

さらに、「第１マップ」に対する「第２マップ」のスコアは「０．０７」である。「第１マップ」に対する「グルメレビューサイト」のスコアは「－０．０５」である。

このように、「第１マップ」に近いのは、「ニュースサイト」や「天気サイト」などであり、雨雲レーダのような天気予報確認目的や、ニュースのようにＰＵＳＨ通知で気になる情報（防犯マップなど）が送付されてきた際にその現場確認目的で利用していると推定される。

一方、「第２マップ」に近いのは、「グルメレビューサイト」や「旅行口コミサイト」などであり、ローカル情報調査や予約機能などの目的で利用していると推定される。

図２Ｂは、図２Ａに示す例の次年度同時期の「2019年4-6月」における「第１マップ」と「第２マップ」とのそれぞれに近いサービスをベクトル化して得られたスコアを示したものである。

ここで、図２Ａに示す例と、図２Ｂに示す例とで、学習済モデルが異なる。例えば、図２Ａに示す例のように「2018年4-6月」のデータを用いて学習を行った場合と、図２Ｂに示す例のように「2019年4-6月」のデータを用いて学習を行った場合とで、同一サービスでも、出てくるベクトルが変化するため、図２Ａと図２Ｂとで表示が異なる。

図２Ｂに示す例では、「第１マップ」の近くに「ニュースサイト」や「天気サイト」が示されている。「第１マップ」に対する「ニュースサイト」のスコアは「０．４０」である。「第１マップ」に対する「天気サイト」のスコアは「０．３７」である。すなわち、図２Ａに示す例と比べて、値が向上していると推定される。

また、図２Ｂに示す例では、「第２マップ」の近くに「グルメレビューサイト」や「旅行口コミサイト」が示されている。「第２マップ」に対する「グルメレビューサイト」のスコアは「０．４７」である。「第２マップ」に対する「旅行口コミサイト」のスコアは「０．４５」である。すなわち、図２Ａに示す例と比べて、値が向上していると推定される。

さらに、「第１マップ」に対する「第２マップ」のスコアは「０．０３」である。「第１マップ」に対する「グルメレビューサイト」のスコアは「－０．０７」である。すなわち、図２Ａに示す例と比べて、値が低下していると推定される。

そして、情報処理装置１００は、図２Ｃに示すように、調査対象サービスとそれに近い利用目的（利用のされ方）のサービスとのグルーピングを行い、調査対象サービスの利用目的（利用のされ方）に基づいて、今後の伸び代（市場ポテンシャル）を分析する。図２Ｃは、調査対象サービスとそれに近い利用目的のサービスとのグルーピングの一例を示す図である。

例えば、「第１マップ」の現在の使われ方は、「天気サイト」と「ニュースサイト」であるため、伸び代はこれらの市場の規模と成長性に依存すると推定される。また、さらなる成長を望む場合、大きな市場、成長市場へのシフトを行う必要があると推定される。

〔１－２．活用事例２〕
ベクトル表現化方式のように、ある観点（例えば、文献や論文）から類似する対象（例えば、単語）をベクトル化した際に類似するベクトルを生成し、類似しない対象をベクトル化した際に類似しないベクトルを生成した場合、モデルは、その観点における対象の概念を学習することができると考えられることが知られている。例えば、２つの単語について、出現頻度や出現順序、文章中における共起性等に基づいた類似性を用いて、モデルの学習を行うことで、モデルに各単語の概念を学習させることができると推定される。

上記のような概念を学習させた場合、単語が有する概念同士の加算あるいは減算を行うことができることが知られている。例えば、各種単語の概念を学習させたモデルを用いて、「王」、「女王」、「男」、「女」という単語をベクトル化した際に、「王」のベクトルから「男」のベクトルを減算し、さらに「女」のベクトルを加算すると、「女王」のベクトルと類似するベクトルが得られることが知られている。

一方、上述したように、同一セッションで利用した複数のサービス（換言すると、利用者が共通する意図のもとで利用した複数のサービス）の共起性をモデルに学習させた場合、利用者がどのような意図の元で各サービスを利用したかという概念をモデルに学習させることができる。その結果、各サービスのベクトルの加減算を実現できると考えられる。

そこで、情報処理装置１００は、調査対象サービスと競合サービスとのベクトルの引き算をすることにより、調査対象サービスになくて、競合サービスにあるもの（＝差分）を分析する。

例えば、「第１マップ」と「第２マップ」とのベクトルの引き算をした結果、「第２マップ」にあり、「第１マップ」にないサービス利用目的（利用のされ方）として、「ナビゲーション」、「飲食店情報（予約）」、「グルメ、旅行記事コンテンツ」、「旅行／宿泊（予約）」があるとする。

この場合、各利用者Ｕは「第２マップ」を出先の調査や予約、ナビゲーションに使っていると解釈できる。また、「第１マップ」を「第２マップ」側の市場にシフトしたい場合には、これらを強化する必要があると推測できる。

〔２．情報処理システムの構成例〕
次に、図３を用いて、実施形態に係る情報処理装置１００が含まれる情報処理システム１の構成について説明する。図３は、実施形態に係る情報処理システム１の構成例を示す図である。図３に示すように、実施形態に係る情報処理システム１は、端末装置１０と情報処理装置１００と情報提供装置２００とを含む。これらの各種装置は、ネットワークＮを介して、有線又は無線により通信可能に接続される。ネットワークＮは、例えば、ＬＡＮ（Local Area Network）や、インターネット等のＷＡＮ（Wide Area Network）である。

また、図３に示す情報処理システム１に含まれる各装置の数は図示したものに限られない。例えば、図３では、図示の簡略化のため、端末装置１０や情報提供装置２００をそれぞれ１台のみ示したが、これはあくまでも例示であって限定されるものではなく、２台以上であってもよい。

端末装置１０は、利用者Ｕによって使用される情報処理装置である。例えば、端末装置１０は、スマートフォンやタブレット端末等のスマートデバイス、フィーチャーフォン、ＰＣ（Personal Computer）、ＰＤＡ（Personal Digital Assistant）、カーナビゲーションシステム、スマートウォッチやヘッドマウントディスプレイ等のウェアラブルデバイス（Wearable Device）、スマートグラス等である。

また、かかる端末装置１０は、ＬＴＥ（Long Term Evolution）、４Ｇ（4th Generation）、５Ｇ（5th Generation：第５世代移動通信システム）等の無線通信網や、Ｂｌｕｅｔｏｏｔｈ（登録商標）、無線ＬＡＮ（Local Area Network）等の近距離無線通信を介してネットワークＮに接続し、情報処理装置１００や情報提供装置２００と通信することができる。

情報処理装置１００や情報提供装置２００は、例えばＰＣやサーバ、あるいはメインフレーム又はワークステーション等である。なお、情報処理装置１００および情報提供装置２００は、クラウドコンピューティングにより実現されてもよい。

〔３．情報処理装置の構成例〕
次に、図４を用いて、実施形態に係る情報処理装置１００の構成について説明する。図４は、実施形態に係る情報処理装置１００の構成例を示す図である。図４に示すように、情報処理装置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）
通信部１１０は、例えば、ＮＩＣ（Network Interface Card）等によって実現される。また、通信部１１０は、ネットワークＮ（図３参照）と有線又は無線で接続される。

（記憶部１２０）
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、又は、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に示すように、記憶部１２０は、利用者データベース１２１と、シーケンスデータベース１２２と、サービス利用目的データベース１２３とを有する。

（利用者データベース１２１）
利用者データベース１２１は、利用者Ｕに関する各種情報を記憶する。例えば、利用者データベース１２１は、利用者Ｕの属性等の種々の情報を記憶する。図５は、利用者データベース１２１の一例を示す図である。図５に示した例では、利用者データベース１２１は、「利用者ＩＤ（Identifier）」、「年齢」、「性別」、「自宅」、「勤務地」、「サービス」、「アクセスログ」といった項目を有する。

「利用者ＩＤ」は、利用者Ｕを識別するための識別情報を示す。また、「年齢」は、利用者ＩＤにより識別される利用者Ｕの年齢を示す。なお、「年齢」は、例えば３５歳など、利用者ＩＤにより識別される利用者Ｕの具体的な年齢であってもよい。また、「性別」は、利用者ＩＤにより識別される利用者Ｕの性別を示す。

また、「自宅」は、利用者ＩＤにより識別される利用者Ｕの自宅の位置情報を示す。なお、図５に示す例では、「自宅」は、「ＬＣ１１」といった抽象的な符号を図示するが、緯度経度情報等であってもよい。また、例えば、「自宅」は、地域名や住所であってもよい。

また、「勤務地」は、利用者ＩＤにより識別される利用者Ｕの勤務地（学生の場合は学校）の位置情報を示す。なお、図５に示す例では、「勤務地」は、「ＬＣ１２」といった抽象的な符号を図示するが、緯度経度情報等であってもよい。また、例えば、「勤務地」は、地域名や住所であってもよい。

また、「サービス」は、利用者ＩＤにより識別される利用者Ｕが現在利用しているサービスを示す。なお、「サービス」は、複数であってもよい。すなわち、１人の利用者Ｕが複数のサービスを同時に利用してもよい。

また、「アクセスログ」は、利用者ＩＤにより識別される利用者Ｕのアクセスログであって、各情報提供装置２００から取得した利用者Ｕのアクセスログを示す。

例えば、図５に示す例において、利用者ＩＤ「Ｕ１」により識別される利用者Ｕの年齢は、「２０代」であり、性別は、「男性」であることを示す。また、例えば、利用者ＩＤ「Ｕ１」により識別される利用者Ｕは、自宅が「ＬＣ１１」であることを示す。また、例えば、利用者ＩＤ「Ｕ１」により識別される利用者Ｕは、勤務地が「ＬＣ１２」であることを示す。また、例えば、利用者ＩＤ「Ｕ１」により識別される利用者Ｕは「サービス＃１１」を利用しており、そのアクセスログが「ログ＃１」に記録されていることを示す。

ここで、図５に示す例では、「Ｕ１」、「ＬＣ１１」、「ＬＣ１２」、「サービス＃１１」および「ログ＃１」といった抽象的な値を用いて図示するが、「Ｕ１」、「ＬＣ１１」、「ＬＣ１２」、「サービス＃１１」および「ログ＃１」には、具体的な文字列や数値等の情報が記憶されるものとする。以下、他の情報に関する図においても、抽象的な値を図示する場合がある。

なお、利用者データベース１２１は、上記に限らず、目的に応じて種々の情報を記憶してもよい。例えば、利用者データベース１２１は、利用者Ｕの端末装置１０に関する各種情報を記憶してもよい。また、利用者データベース１２１は、利用者Ｕのデモグラフィック（人口統計学的属性）、サイコグラフィック（心理学的属性）、ジオグラフィック（地理学的属性）、ベヘイビオラル（行動学的属性）等の属性に関する情報を記憶してもよい。例えば、利用者データベース１２１は、氏名、家族構成、職業、職位、収入、資格、居住形態（戸建、マンション等）、車の有無、通学・通勤時間、通学・通勤経路、定期券区間（駅、路線等）、利用頻度の高い駅（自宅・勤務地の最寄駅以外）、行動履歴（利用頻度の高い位置情報）、習い事（場所、時間帯等）、趣味、興味、ライフスタイル等の情報を記憶してもよい。また、利用者データベース１２１は、利用者Ｕが検索エンジン等に入力した検索クエリ（検索キーワード）に関する情報を記憶してもよい。

（シーケンスデータベース１２２）
シーケンスデータベース１２２は、利用者Ｕの同一セッションでのサービスの利用に関するアクセスログから作成したサービス利用遷移シーケンスデータに関する各種情報を記憶する。図６は、シーケンスデータベース１２２の一例を示す図である。図６に示した例では、シーケンスデータベース１２２は、「利用者ＩＤ」、「シーケンスＩＤ」、「サービス利用遷移シーケンス」といった項目を有する。

「利用者ＩＤ」は、利用者Ｕを識別するための識別情報を示す。また、「シーケンスＩＤ」は、サービス利用遷移シーケンスデータを識別するための識別情報を示す。また、「サービス利用遷移シーケンス」は、サービス利用遷移シーケンスデータに含まれる各サービスとその利用順序を示す。なお、各サービスを示す情報は、各サービスを識別するための識別情報であってもよい。

さらに、「サービス利用遷移シーケンス」は、「サービス」、「利用日時」といった項目を含む。「サービス」は、利用者Ｕにより利用されたサービスを示す。「利用日時」は、利用者Ｕがそのサービスを利用した日時を示す。なお、「利用日時」は、利用者Ｕがそのサービスを利用した順番を示す情報（例えば、「１，２，３，・・・」、「Ａ，Ｂ，Ｃ，・・・」など）であってもよい。

例えば、図６に示す例において、利用者ＩＤ「Ｕ１」により識別される利用者Ｕの同一セッションでのサービスの利用に関するアクセスログから、シーケンスＩＤ「ＳＱ１」により識別されるサービス利用遷移シーケンスデータが作成されたことを示す。また、シーケンスＩＤ「ＳＱ１」により識別されるサービス利用遷移シーケンスデータにおいて、利用者Ｕにより利用されたサービスが、「第１検索サイト」、「ローカルまとめサイト」、「第１マップＷＥＢ」、「第１マップアプリ」、「第１検索サイト」、「トラベルサイト」および「宿泊予約サイト」の順に遷移していることを示す。

なお、シーケンスデータベース１２２は、上記に限らず、目的に応じて種々の情報を記憶してもよい。例えば、シーケンスデータベース１２２は、サービス利用遷移シーケンスデータに含まれる各サービスの利用日時に関する情報を記憶してもよい。また、シーケンスデータベース１２２は、サービス利用遷移シーケンスデータに含まれる各サービスの利用場所に関する情報を記憶してもよい。

（サービス利用目的データベース１２３）
サービス利用目的データベース１２３は、調査対象サービスに関する各種情報を記憶する。図７は、サービス利用目的データベース１２３の一例を示す図である。図７に示した例では、サービス利用目的データベース１２３は、「対象サービス」、「近傍サービス」、「スコア」といった項目を有する。

「対象サービス」は、サービス利用目的分析の調査対象サービスを示す。「近傍サービス」は、調査対象サービスに近い利用目的（利用のされ方）のサービスを示す。「スコア」は、調査対象サービスに対して、調査対象サービスに近い利用目的のサービスをベクトル化して得られたスコアを示す。

例えば、図７に示す例において、調査対象サービス「第１マップ」に対し、利用目的「ニュースサイト」のスコアは、2018年4-6月において「０．３７」、2019年4-6月において「０．４０」であることを示す。また、調査対象サービス「第１マップ」に対し、利用目的「天気サイト」のスコアは、2018年4-6月において「０．３５」、2019年4-6月において「０．３７」であることを示す。

また、調査対象サービス「第２マップ」に対し、利用目的「グルメレビューサイト」のスコアは、2018年4-6月において「０．４４」、2019年4-6月において「０．４７」であることを示す。また、調査対象サービス「第２マップ」に対し、利用目的「旅行口コミサイト」のスコアは、2018年4-6月において「０．４３」、2019年4-6月において「０．４５」であることを示す。

なお、サービス利用目的データベース１２３は、上記に限らず、目的に応じて種々の情報を記憶してもよい。例えば、サービス利用目的データベース１２３は、調査対象サービスと、調査対象サービスに近い利用目的のサービスとの位置座標やベクトルの向きに関する情報を記憶してもよい。

（制御部１３０）
図４に戻り、説明を続ける。制御部１３０は、コントローラ（controller）であり、例えば、ＣＰＵ（Central Processing Unit）、ＭＰＵ（Micro Processing Unit）、ＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（Field Programmable Gate Array）等によって、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（情報処理プログラムの一例に相当）がＲＡＭ等の記憶領域を作業領域として実行されることにより実現される。図４に示す例では、制御部１３０は、受付部１３１と、取得部１３２と、作成部１３３と、学習部１３４と、可視化部１３５と、分析部１３６と、提供部１３７とを有する。

（受付部１３１）
受付部１３１は、通信部１１０を介して、各利用者Ｕの端末装置１０から、各利用者Ｕに関する各種情報の登録を受付け、利用者データベース１２１に記憶する。

（取得部１３２）
取得部１３２は、通信部１１０を介して、各情報提供装置２００から、各利用者Ｕのアクセスログを取得する。

（作成部１３３）
作成部１３３は、取得された各利用者Ｕのアクセスログから、同一セッションでのサービスの利用に関するサービス利用遷移シーケンスデータを作成する。

例えば、作成部１３３は、アクセスしたドメインの順番、アクセスしたサービスの順番、あるいはアクセスしたウェブコンテンツの順番等、任意の粒度で各利用者Ｕのアクセスログをまとめ、利用者Ｕが利用したサービスの内容やその順序を示すサービス利用遷移シーケンスデータを作成する。

また、作成部１３３は、各利用者Ｕの端末装置１０が情報処理装置１００により提供されるサービスを利用している場合には、情報処理装置１００により提供されるサービスに関するアクセスログを自動的に生成してもよい。

（学習部１３４）
学習部１３４は、ベクトル表現化方式等の学習手法や同様の手法を用いて、モデルにサービス利用遷移シーケンスデータが有する特徴を学習させる。そして、学習部１３４は、学習済のモデルを用いて、サービス毎のベクトルを生成する。なお、モデルは、任意の種別のモデルが採用可能である。

学習は、例えばディープニューラルネットワーク（ＤＮＮ：Deep Neural Network）を利用したディープラーニング（深層学習）等である。また、データマイニングやその他の機械学習アルゴリズムを利用してもよい。学習部１３４は、上述した各種の学習手法により、モデルの学習を行う。

例えば、学習部１３４は、ベクトル化対象のサービスの前後のシーケンスのサービス（前後いくつのサービスにするかは任意）をモデルに入力し、モデルの出力を対象のサービスを正解データとして学習させる（Word2VecのCBOW方式）。

もしくは、学習部１３４は、ベクトル化対象のサービスをモデルに入力し、モデルの出力をその前後のシーケンスのサービス（前後いくつの単語にするかは任意）を正解データとして学習させる（Word2VecのSkipGram方式）。

もしくは、学習部１３４は、サービスのシーケンスをモデルに入力し、各サービスの次のサービスを正解データとして学習させたり、入力したシーケンス全体の次のサービスを正解データとして学習させたりして、モデルに学習させる（RNNやLSTMモデル）。

（可視化部１３５）
可視化部１３５は、サービス毎のベクトルを２次元に次元圧縮し可視化する。

可視化とは、人の目には見えない現象・事象・関係性を、視認可能なもの（画像・グラフ・図・表など）にすることをいう。なお、２次元は一例に過ぎない。実際には３次元であってもよい。

例えば、可視化部１３５は、サービス毎のベクトルに関する情報を、ディスプレイ等の表示装置に表示させる表示制御部として機能してもよい。

また、可視化部１３５は、可視化されたサービス毎のベクトルに関する情報を生成してもよい。可視化されたサービス毎のベクトルに関する情報は、ファイル形式でもよいし、レポート形式でもよい。

（分析部１３６）
分析部１３６は、可視化されたサービス毎のベクトルに関する情報に基づいて、サービス利用目的を分析する。

また、分析部１３６は、調査対象サービスと、その調査対象サービスに近い利用目的（利用のされ方）のサービスとについてグルーピングを行う。例えば、調査対象サービスを「第１マップ」とした場合、分析部１３６は、「第１マップ」に近いのは、「ニュース系アプリ」、「天気系アプリ」等であるといった分析結果を出力してもよい。

また、分析部１３６は、調査対象サービスの利用目的に基づいて、調査対象サービスの今後の伸び代を分析する。

また、分析部１３６は、調査対象サービスと競合サービスとのベクトルの引き算をすることにより、調査対象サービスになくて、競合サービスにあるもの（＝差分）を分析する。例えば、調査対象サービスを「第１マップ」とし、競合サービスを「第２マップ」とした場合、分析部１３６は、「第２マップ」にあり、「第１マップ」にはない利用目的（利用のされ方）として、「ナビゲーション」、「飲食店情報（予約）」、「グルメ、旅行記事コンテンツ」、「旅行／宿泊（予約）」等があるといった分析結果を出力してもよい。

（提供部１３７）
提供部１３７は、通信部１１０を介して、サービス利用目的の分析結果に関する情報を外部に提供する。例えば、提供部１３７は、外部からの要求に応じて、サービス利用目的の分析結果に関するレポートを提供してもよい。なお、提供部１３７は、サービス利用目的の分析結果に関する情報を、ディスプレイ等の表示装置に表示させる表示制御部として機能してもよい。

また、提供部１３７は、通信部１１０を介して、可視化されたサービス毎のベクトルに関する情報を外部に提供してもよい。例えば、提供部１３７は、外部からの要求に応じて、可視化されたサービス毎のベクトルに関する情報を外部に提供してもよい。

また、提供部１３７は、通信部１１０を介して、各利用者Ｕの端末装置１０に対して、各種サービスを提供してもよい。

〔４．処理手順〕
次に、図８を用いて実施形態に係る情報処理装置１００による処理手順について説明する。図８は、実施形態に係る処理手順を示すフローチャートである。なお、以下に示す処理手順は、情報処理装置１００の制御部１３０によって繰り返し実行される。

情報処理装置１００の制御部１３０は、通信部１１０を介して、各情報提供装置２００から、各利用者Ｕのアクセスログを取得する（ステップＳ１０１）。

制御部１３０は、各利用者Ｕのアクセスログから、同一セッションでのサービスの利用に関するサービス利用遷移シーケンスデータを作成する（ステップＳ１０２）。

制御部１３０は、モデルに、サービス利用遷移シーケンスデータを入力し、同一セッションにおいて利用者Ｕがサービスを利用した意図（利用目的）を学習させ、その学習結果に基づいて、サービス毎のベクトルを生成する（ステップＳ１０３）。

制御部１３０は、サービス毎のベクトルを２次元に次元圧縮し可視化する（ステップＳ１０４）。

制御部１３０は、可視化されたサービス毎のベクトルに関する情報に基づいて、サービス利用目的を分析する（ステップＳ１０５）。

制御部１３０は、通信部１１０を介して、サービス利用目的の分析結果を外部に提供する（ステップＳ１０６）。

なお、実際には、制御部１３０は、通信部１１０を介して、可視化されたサービス毎のベクトルに関する情報を外部に提供してもよい。これにより、外部の機器に、可視化されたサービス毎のベクトルに関する情報が表示され、外部でサービス利用目的を分析することができる。

〔５．変形例〕
上述した端末装置１０および情報処理装置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、実施形態の変形例について説明する。

上記の実施形態において、同じ属性を持つ利用者Ｕの同一セッションでのサービスの利用に関するアクセスログから、サービス利用遷移シーケンスデータを作成してもよい。例えば、サービス利用遷移シーケンスは利用者Ｕの属性（性別／年齢層／居住地域／家族構成／趣味等）によっても異なると考えられるため、利用者Ｕの属性に応じて分類したサービス利用遷移シーケンスデータを作成してもよい。

また、属性ごとに、モデルを生成してもよい。例えば、モデルと対応する属性の利用者のサービス利用遷移シーケンスデータを抽出し、抽出したサービス利用遷移シーケンスデータから、モデルを生成する。

また、属性ごとに生成したモデルを用いて、属性ごとの提案を行ってもよい。例えば、分析の結果、男性においては、マップサービスがニュースと関連するが、女性においては、マップサービスが天気と関連する場合、サービス改善の提案の際に、男性に対するサービス改善と、女性に対するサービス改善とについて、別々の提案を行ってもよい。また、図２Ａ～図２Ｃに示す例において、男性について、第１マップを第２マップに近づけるならば、男性の場合は、旅行口コミに近づけるべきだが、女性の場合は、レビューサイトに近づけるべきである等の提案を行ってもよい。

また、上記の実施形態において、利用者Ｕのサービス利用時の状況（コンテキスト）に応じて、同一セッションでのサービスの利用に関するアクセスログから、サービス利用遷移シーケンスデータを作成してもよい。例えば、サービス利用遷移シーケンスは利用者Ｕの置かれた状況や環境の変化（転居、車購入、進学・就職、転職、結婚、出産・育児など）によっても変化すると考えられるため、利用者Ｕの置かれた状況で分類したサービス利用遷移シーケンスデータを作成してもよい。

また、利用者Ｕのサービス利用時の状況として、利用者Ｕのサービス利用時の所在（在宅／外出中、商業施設内／屋外など）や移動態様（停止中／徒歩移動中／車両移動中／鉄道移動中など）によっても変化すると考えられるため、例えばサービス利用時の位置情報に基づく所在確認（自宅内／店舗内／道路上／鉄道路線上など）、移動速度判定（時速３０ｋｍ以上か否か等）、および／又は各種センサの出力結果等に応じて、利用者Ｕの置かれた状況で分類したサービス利用遷移シーケンスデータを作成してもよい。

また、サービス利用時の状況ごとに、モデルを生成してもよい。例えば、モデルと対応する状況の利用者のサービス利用遷移シーケンスデータを抽出し、抽出したサービス利用遷移シーケンスデータから、モデルを生成する。また、サービス利用時の状況ごとに生成したモデルを用いて、属性ごとの提案を行ってもよい。

〔６．効果〕
上述してきたように、本願に係る情報処理装置１００は、生成部（学習部１３４）と、可視化部１３５とを備える。生成部は、各利用者Ｕのサービス利用の遷移を示すシーケンスデータから、サービス利用の遷移態様が有する特徴に基づいて、サービス毎のベクトルを生成する。例えば、生成部は、「サービスの遷移順序」、「同一セッションで利用されているか」等、サービス利用の遷移態様が有する特徴をモデルに学習させ、学習結果から、各サービスをベクトル化する。可視化部１３５は、サービス毎のベクトルを可視化する。これにより、より効果的に利用者のサービス利用に関するベクトルを分析することができる。

生成部は、シーケンスデータにおいて同一セッション内で出現するサービスについては類似するベクトルを生成する。また、生成部は、シーケンスデータにおいて近しいタイミングで利用されるサービスについては類似するベクトルを生成する。また、生成部は、シーケンスデータにおいて連続して利用されるサービスについては類似するベクトルを生成する。これにより、シーケンスデータにおいて同一セッション内でのサービス同士の近さに応じて、類似するベクトルを生成することができる。

生成部は、シーケンスデータをベクトル表現化方式の深層学習により学習し、サービス毎のベクトルを生成する。これにより、各サービスをベクトル表現化し、サービス毎のベクトルを生成することができる。

また、本願に係る情報処理装置１００は、取得部１３２をさらに備える。取得部１３２は、各サービスの提供元から、各利用者Ｕのサービス利用を示すアクセスログを取得する。これにより、各利用者Ｕのアクセスログを入手し、各利用者Ｕのサービス利用の遷移を示すシーケンスデータを作成することができる。

また、本願に係る情報処理装置１００は、作成部１３３をさらに備える。作成部１３３は、アクセスログから同一セッションでのサービス利用の遷移を示すシーケンスデータを作成する。これにより、情報処理装置１００側で、アクセスログを収集して、同一セッションでのサービス利用遷移シーケンスデータを作成することができる。

可視化部１３５は、調査対象サービスの利用目的を定量化し、変化を可視化する。これにより、調査対象サービスの利用目的（利用のされ方）を定量的に分析することができる。

また、本願に係る情報処理装置１００は、列挙部（制御部１３０）と、分析部１３６とをさらに備える。列挙部は、調査対象サービスに近い利用のされ方のサービスを列挙する。分析部１３６は、調査対象サービスと列挙されたサービスとから調査対象サービスの利用目的を分析する。これにより、調査対象サービスに近い利用のされ方のサービスから、調査対象サービスの利用目的を分析することができる。

分析部１３６は、調査対象サービスと列挙されたサービスとについてグルーピングを行う。これにより、サービスジャンル毎（利用目的が違うもの毎）に分類することができる。また、あるカテゴリに属する複数のサービスの類似性を判断できる。

分析部１３６は、調査対象サービスの利用目的に基づいて、調査対象サービスの今後の伸び代を分析する。これにより、調査対象サービスの利用目的に応じた市場ポテンシャル（潜在的成長性）を分析することができる

可視化部１３５は、調査対象サービスのベクトルと、競合サービスのベクトルとを可視化する。分析部１３６は、調査対象サービスと競合サービスとのベクトルの引き算をすることにより、調査対象サービスになくて、競合サービスにあるものを分析する。これにより、調査対象サービスと競合サービスとを相対比較することができる。

生成部は、多次元のベクトルを生成する。可視化部１３５は、多次元のベクトルを２次元に次元圧縮して可視化する。これにより、サービス毎のベクトルを視認し易くすることができる。

また、本願に係る情報処理装置１００は、提供部１３７をさらに備える。提供部１３７は、可視化されたサービス毎のベクトルに関する情報を提供する。これにより、外部でのサービス毎のベクトルに関する分析を可能にする。また、外部に、分析結果を報告することができる。

生成部は、各利用者の属性に応じたサービス利用の遷移を示すシーケンスデータから、サービス利用の遷移態様が有する特徴に基づいて、サービス毎のベクトルを生成する。これにより、利用者Ｕの属性に応じて分類したサービス利用遷移シーケンスデータを作成することができ、利用者Ｕの属性（性別／年齢層／居住地域／免許証・車の有無／趣味等）によるサービスの利用目的の違いに対応することができる。

生成部は、各利用者のサービス利用時の状況に応じたサービス利用の遷移を示すシーケンスデータから、サービス利用の遷移態様が有する特徴に基づいて、サービス毎のベクトルを生成する。これにより、利用者Ｕの置かれた状況に応じて分類したサービス利用遷移シーケンスデータを作成することができ、利用者Ｕの置かれた状況（コンテキスト）によるサービスの利用目的の違いに対応することができる。

〔７．ハードウェア構成〕
また、上述した実施形態に係る端末装置１０や情報処理装置１００は、例えば図９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１００を例に挙げて説明する。図９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Ｉ／Ｆ（Interface）１０６０、入力Ｉ／Ｆ１０７０、ネットワークＩ／Ｆ１０８０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。演算装置１０３０は、例えばＣＰＵ（Central Processing Unit）、ＭＰＵ（Micro Processing Unit）、ＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（Field Programmable Gate Array）等により実現される。

一次記憶装置１０４０は、ＲＡＭ（Random Access Memory）等、演算装置１０３０が各種の演算に用いるデータを一次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）、ＳＳＤ（Solid State Drive）、フラッシュメモリ等により実現される。二次記憶装置１０５０は、内蔵ストレージであってもよいし、外付けストレージであってもよい。また、二次記憶装置１０５０は、ＵＳＢメモリやＳＤ（Secure Digital）メモリカード等の取り外し可能な記憶媒体であってもよい。また、二次記憶装置１０５０は、クラウドストレージ（オンラインストレージ）やＮＡＳ（Network Attached Storage）、ファイルサーバ等であってもよい。

出力Ｉ／Ｆ１０６０は、ディスプレイ、プロジェクタ、およびプリンタ等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ーフェイスであり、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Ｉ／Ｆ１０７０は、マウス、キーボード、キーパッド、ボタン、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ーフェイスであり、例えば、ＵＳＢ等により実現される。

また、出力Ｉ／Ｆ１０６０および入力Ｉ／Ｆ１０７０はそれぞれ出力装置１０１０および入力装置１０２０と無線で接続してもよい。すなわち、出力装置１０１０および入力装置１０２０は、ワイヤレス機器であってもよい。

また、出力装置１０１０および入力装置１０２０は、タッチパネルのように一体化していてもよい。この場合、出力Ｉ／Ｆ１０６０および入力Ｉ／Ｆ１０７０も、入出力Ｉ／Ｆとして一体化していてもよい。

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、又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。

ネットワークＩ／Ｆ１０８０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Ｉ／Ｆ１０６０や入力Ｉ／Ｆ１０７０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１３０の機能を実現する。また、コンピュータ１０００の演算装置１０３０は、ネットワークＩ／Ｆ１０８０を介して他の機器から取得した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してもよい。また、コンピュータ１０００の演算装置１０３０は、ネットワークＩ／Ｆ１０８０を介して他の機器と連携し、プログラムの機能やデータ等を他の機器の他のプログラムから呼び出して利用してもよい。

〔８．その他〕
以上、本願の実施形態を説明したが、これら実施形態の内容により本発明が限定されるものではない。また、前述した構成要素には、当業者が容易に想定できるもの、実質的に同一のもの、いわゆる均等の範囲のものが含まれる。さらに、前述した構成要素は適宜組み合わせることが可能である。さらに、前述した実施形態の要旨を逸脱しない範囲で構成要素の種々の省略、置換又は変更を行うことができる。

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又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又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、その全部又は一部を、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又は物理的に分散・統合して構成することができる。

例えば、上述した情報処理装置１００は、複数のサーバコンピュータで実現してもよく、また、機能によっては外部のプラットホーム等をＡＰＩ（Application Programming Interface）やネットワークコンピューティング等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、上述してきた実施形態および変形例は、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、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。

１ 情報処理システム
１０ 端末装置
１００ 情報処理装置
１１０ 通信部
１２０ 記憶部
１２１ 利用者データベース
１２２ シーケンスデータベース
１２３ サービス利用目的データベース
１３０ 制御部
１３１ 受付部
１３２ 取得部
１３３ 作成部
１３４ 学習部
１３５ 可視化部
１３６ 分析部
１３７ 提供部
２００ 情報提供装置

Claims (18)

1. 各利用者のサービス利用の遷移について、利用されるサービスの遷移順序に沿って並べたシーケンスデータから、利用されるサービスの遷移順序が有する特徴に基づいて、前記シーケンスデータをベクトル表現化方式の深層学習により学習し、サービス毎のベクトルを生成する生成部と、
   サービス毎のベクトルを可視化する可視化部と
   を備え、
   前記サービスは、ウェブコンテンツ、アプリケーション、プログラムの機能、データ及び分析したいユーザの行動を任意の粒度でサービスとみなしたもののうち少なくとも１つを含む
   ことを特徴とする情報処理装置。
2. 前記生成部は、前記シーケンスデータにおいて同一セッション内で出現するサービスについては類似するベクトルを生成する
   ことを特徴とする請求項１に記載の情報処理装置。
3. 前記生成部は、前記シーケンスデータにおいて近しいタイミングで利用されるサービスについては類似するベクトルを生成する
   ことを特徴とする請求項１又は２に記載の情報処理装置。
4. 前記生成部は、前記シーケンスデータにおいて連続して利用されるサービスについては類似するベクトルを生成する
   ことを特徴とする請求項１～３のうちいずれか１つに記載の情報処理装置。
5. 前記シーケンスデータは、同一セッションでのサービスの利用に関するサービス利用遷移シーケンスデータであり、
   同一セッションでのサービスの単位は、ウェブコンテンツごと、アプリごと、ドメインごと、又はサブドメインごとである
   ことを特徴とする請求項１～４のうちいずれか１つに記載の情報処理装置。
6. 各サービスの提供元から、各利用者のサービス利用を示すアクセスログを取得する取得部と
   をさらに備えることを特徴とする請求項１～５のうちいずれか１つに記載の情報処理装置。
7. 前記アクセスログから同一セッションでのサービス利用の遷移を示すシーケンスデータを作成する作成部と
   をさらに備えることを特徴とする請求項６に記載の情報処理装置。
8. 前記可視化部は、調査対象サービスの利用目的を定量化し、変化を可視化する
   ことを特徴とする請求項１～７のうちいずれか１つに記載の情報処理装置。
9. 調査対象サービスに近い利用のされ方のサービスを列挙する列挙部と、
   前記調査対象サービスと前記列挙されたサービスとから前記調査対象サービスの利用目的を分析する分析部と
   をさらに備えることを特徴とする請求項１～８のうちいずれか１つに記載の情報処理装置。
10. 前記分析部は、前記調査対象サービスと前記列挙されたサービスとについてグルーピングを行う
    ことを特徴とする請求項９に記載の情報処理装置。
11. 前記分析部は、前記調査対象サービスの利用目的に基づいて、前記調査対象サービスの今後の伸び代を分析する
    ことを特徴とする請求項９又は１０に記載の情報処理装置。
12. 前記可視化部は、前記調査対象サービスのベクトルと、競合サービスのベクトルとを可視化し、
    前記分析部は、前記調査対象サービスと前記競合サービスとのベクトルの引き算をすることにより、前記調査対象サービスになくて、前記競合サービスにあるものを分析する
    ことを特徴とする請求項９～１１のうちいずれか１つに記載の情報処理装置。
13. 前記生成部は、多次元のベクトルを生成し、
    前記可視化部は、前記多次元のベクトルを２次元に次元圧縮して可視化する
    ことを特徴とする請求項１～１２のうちいずれか１つに記載の情報処理装置。
14. 可視化されたサービス毎のベクトルに関する情報を提供する提供部と
    をさらに備えることを特徴とする請求項１～１３のうちいずれか１つに記載の情報処理装置。
15. 前記生成部は、各利用者の属性に応じたサービス利用の遷移について、利用されるサービスの遷移順序に沿って並べたシーケンスデータから、利用されるサービスの遷移順序が有する特徴に基づいて、サービス毎のベクトルを生成する
    ことを特徴とする請求項１～１４のうちいずれか１つに記載の情報処理装置。
16. 前記生成部は、各利用者のサービス利用時の状況に応じたサービス利用の遷移について、利用されるサービスの遷移順序に沿って並べたシーケンスデータから、利用されるサービスの遷移順序が有する特徴に基づいて、サービス毎のベクトルを生成する
    ことを特徴とする請求項１～１５のうちいずれか１つに記載の情報処理装置。
17. 情報処理装置が実行する情報処理方法であって、
    各利用者のサービス利用の遷移について、利用されるサービスの遷移順序に沿って並べたシーケンスデータから、利用されるサービスの遷移順序が有する特徴に基づいて、前記シーケンスデータをベクトル表現化方式の深層学習により学習し、サービス毎のベクトルを生成する生成工程と、
    サービス毎のベクトルを可視化する可視化工程と
    を含み、
    前記サービスは、ウェブコンテンツ、アプリケーション、プログラムの機能、データ及び分析したいユーザの行動を任意の粒度でサービスとみなしたもののうち少なくとも１つを含む
    ことを特徴とする情報処理方法。
18. 各利用者のサービス利用の遷移について、利用されるサービスの遷移順序に沿って並べたシーケンスデータから、利用されるサービスの遷移順序が有する特徴に基づいて、前記シーケンスデータをベクトル表現化方式の深層学習により学習し、サービス毎のベクトルを生成する生成手順と、
    サービス毎のベクトルを可視化する可視化手順と
    をコンピュータに実行させ、
    前記サービスは、ウェブコンテンツ、アプリケーション、プログラムの機能、データ及び分析したいユーザの行動を任意の粒度でサービスとみなしたもののうち少なくとも１つを含む
    ことを特徴とする情報処理プログラム。

Images