JP7194798B2 - 情報処理装置、情報処理方法、及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、及び情報処理プログラムに関する。

従来、ユーザが所定の行動を行うかどうかを示す情報を生成する技術が提供されている。例えば、コンテンツにおいてユーザにクリックされやすい箇所を視認可能に表示する技術が提供されている。

特開２０１４－１７４８０５号公報

しかしながら、上記の従来技術では、ユーザの行動に関係する要素を示す情報を適切に生成できるとは限らない。例えば、ユーザにクリックされやすい箇所を視認可能に表示するのみでは、ユーザの行動に関係する要素を示す情報を適切に生成することが難しい。

本願は、上記に鑑みてなされたものであって、ユーザの行動に関係する要素を示す情報を適切に生成する情報処理装置、情報処理方法、及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、コンテンツの配信時点とは異なる他の時点に関するコンテキストの各要素と、前記コンテンツに対する第１ユーザの所定の行動との関係度合いを示す関係度情報を取得する取得部と、前記コンテンツが配信された第２ユーザの前記所定の行動に関する行動情報と、前記関係度情報とに基づいて、前記第２ユーザの前記所定の行動に関係する要素を示す関係要素情報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、ユーザの行動に関係する要素を示す情報を適切に生成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の一例を示す図である。 図２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３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４は、実施形態に係るユーザ情報記憶部の一例を示す図である。 図５は、実施形態に係る行動情報記憶部の一例を示す図である。 図６は、実施形態に係る分布情報記憶部の一例を示す図である。 図７は、実施形態に係るモデル情報記憶部の一例を示す図である。 図８は、実施形態に係る予測情報記憶部の一例を示す図である。 図９は、実施形態に係る関係度情報記憶部の一例を示す図である。 図１０は、実施形態に係る情報処理の一例を示すフローチャートである。 図１１は、実施形態に係る情報処理の一例を示す図である。 図１２は、情報処理装置の機能を実現するコンピュータの一例を示すハードウェア構成図である。

以下に、本願に係る情報処理装置、情報処理方法、及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」と呼ぶ）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、及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）
〔１．情報処理〕
図１を用いて、実施形態に係る情報処理の一例について説明する。図１は、実施形態に係る情報処理の一例を示す図である。図１の例では、情報処理装置１００（図３参照）が所定のエリアＡＲ１１（Ａエリア）に位置する第１ユーザの行動情報に基づいて生成したモデルを用いて、他のエリアＡＲ１２（Ｘエリア）に位置する第２ユーザに関する情報を生成する場合を示す。なお、図１の例では、コンテンツ配信の一形態としてプッシュ通知を例として示すが、コンテンツ配信は種々の態様であってもよい。例えば、情報処理システム１におけるコンテンツ配信は、プッシュ通知に限らず、端末装置１０からコンテンツを要求する、いわゆるプル型のコンテンツ配信であってもよい。例えば、プッシュ通知は、ユーザによる端末装置１０の操作に依らず、端末装置１０において出力される情報であってもよい。例えば、プッシュ通知は、所定の情報を能動的にユーザに通知することであってもよい。また、以下では、プッシュ通知に対する選択や指定により、プッシュ通知に関する情報を端末装置１０に表示させる操作を開封操作とする場合がある。また、ここでいうエリアの大きさや形状は、処理の目的等に応じて適宜設定されてもよい。例えば、エリアは、「県」、「市」、「区」、「町」等の種々の大きさのエリアが適宜設定されてもよい。

〔情報処理システムの構成〕
図１の説明に先立って、図２を用いて情報処理システム１の構成について説明する。図２は、実施形態に係る情報処理システムの構成例を示す図である。図２に示すように、情報処理システム１は、端末装置１０と、情報提供装置５０と、情報処理装置１００とが含まれる。端末装置１０と、情報提供装置５０と、情報処理装置１００とは所定のネットワークＮを介して、有線または無線により通信可能に接続される。なお、図２に示した情報処理システム１には、複数台の端末装置１０や、複数台の情報提供装置５０や、複数台の情報処理装置１００が含まれてもよい。

端末装置１０は、ユーザによって利用される情報処理装置である。端末装置１０は、ユーザによる種々の操作を受け付ける。なお、以下では、端末装置１０をユーザと表記する場合がある。すなわち、以下では、ユーザを端末装置１０と読み替えることもできる。なお、上述した端末装置１０は、例えば、スマートフォンや、タブレット型端末や、ノート型ＰＣ（Personal Computer）や、デスクトップＰＣや、携帯電話機や、ＰＤＡ（Personal Digital Assistant）等により実現される。図１は、端末装置１０がスマートフォンである場合を示す。

また、端末装置１０は、ＧＰＳ（Global Positioning System）センサ等の機能を有し、位置を検知し、取得可能であるものとする。例えば、端末装置１０は、情報処理装置１００に位置情報等の行動情報を送信する。なお、端末装置１０は、上記に限らず、種々のセンサを有してもよい。例えば、端末装置１０は、音声センサ（マイク）、加速度センサ、ジャイロセンサ、温度センサ、湿度センサ、照度センサ、圧力センサ、近接センサ、ニオイや汗や心拍や脈拍や脳波等の生体情報を取得するためのセンサ等の種々のセンサを有してもよい。そして、端末装置１０は、各種センサにより検知された種々のセンサ情報を情報処理装置１００に送信してもよい。例えば、端末装置１０は、音声センサによりユーザの発話情報（センサ情報）を検知し、検知した発話情報（センサ情報）を情報処理装置１００に送信してもよい。

例えば、端末装置１０は、温度センサや気圧センサ等の種々の機能を有し、温度や気圧等のユーザの置かれている周辺情報を検知し、取得可能であってもよい。また、端末装置１０は、心拍センサ等の種々の機能を有し、ユーザの生体情報を検知し、取得可能であってもよい。例えば、端末装置１０を利用するユーザは、端末装置１０と通信可能なウェアラブルデバイスを身に付けることにより、端末装置１０によりユーザ自身の生体情報を取得可能としてもよい。例えば、端末装置１０を利用するユーザは、端末装置１０と通信可能なリストバンド型のウェアラブルデバイスを身に付けることにより、端末装置１０によりユーザ自身の心拍（脈拍）に関する情報を端末装置１０が取得可能としてもよい。

ここでいう、コンテンツの配信に関するコンテキスト情報（以下、単に「コンテキスト情報」ともいう）は、コンテンツの配信に関する種々のコンテキストを示す情報が含まれる。例えば、コンテキスト情報には、コンテンツの配信先となるユーザのコンテキストを示す情報やユーザが位置する場所のコンテキストを示す情報が含まれる。例えば、コンテキスト情報には、ユーザの属性に関する情報が含まれてもよい。例えば、コンテキスト情報には、ユーザがどのようなユーザであるかを示す情報が含まれてもよい。例えば、コンテキスト情報には、年齢、プロフィール、興味などの種々のユーザに関する情報が含まれてもよい。例えば、コンテキスト情報には、時間や場所のコンテキストに関する情報が含まれてもよい。例えば、コンテキスト情報には、プッシュ通知が行われた際の時間や場所がどのような状況であるかを示す情報が含まれてもよい。例えば、コンテキスト情報には、時間帯に関する情報が含まれてもよい。例えば、コンテキスト情報には、時間帯が０～２３時台の２４の時間帯のうちいずれに対応するかを示す情報が含まれてもよい。例えば、コンテキスト情報には、時間帯が朝（４－１０時等）、昼（１０－１６時等）、夜（１６－２２時等）、深夜（２２－４時等）の４つの時間帯のうちいずれに対応するかを示す情報が含まれてもよい。例えば、コンテキスト情報には、ユーザの位置に対応する店舗やスタジアム等の施設名を示すＰＯＩ（Point of Interest：関心地点）に関する情報が含まれてもよい。例えば、コンテキスト情報には、ユーザがその場所に位置した滞在（滞留）時間や、場所の属性（商業地や住宅地等）や時間の属性（朝や夜等）などの種々の時間や場所に関する情報が含まれてもよい。

例えば、コンテキスト情報には、環境のコンテキストに関する情報が含まれてもよい。例えば、コンテキスト情報には、プッシュ通知が行われた際のユーザの周囲がどんな環境かを示す情報が含まれてもよい。例えば、コンテキスト情報には、天気、ユーザの感情（気分）、気温、気圧などの種々の情報（周辺情報）が含まれてもよい。例えば、コンテキスト情報には、天気が晴れ、曇り、雨、雪のうちいずれに対応するかを示す情報が含まれてもよい。例えば、コンテキスト情報には、ユーザの気分がプラスの感情であるか、マイナスの感情であるかを示す情報が含まれてもよい。例えば、コンテキスト情報には、ユーザの気分が、喜びや楽しみ等のプラスの感情であるか、怒りや哀しみ等のマイナスの感情であるかを示す情報が含まれてもよい。

例えば、情報処理装置１００は、ユーザに関する種々の情報に基づいて、ユーザの感情（気分）を推定する。例えば、情報処理装置１００は、ユーザの行動情報に基づいて、ユーザの感情を推定する。情報処理装置１００は、種々の従来技術を適宜用いて、ユーザの感情を推定する。例えば、情報処理装置１００は、ユーザが閲覧したコンテンツ（閲覧コンテンツ）やユーザが検索に用いたクエリ等のユーザが入力した種々の入力情報を用いてユーザの感情を推定する。例えば、情報処理装置１００は、閲覧コンテンツ中の文字情報や入力情報を構文解析等の種々の従来技術を適宜用いて解析することにより、ユーザの感情を推定してもよい。例えば、情報処理装置１００は、種々の感情ごとにキーワードの一覧（感情キーワード一覧）を記憶部１２０（図３参照）に記憶し、閲覧コンテンツ中の文字情報や入力情報に含まれるキーワードが最も該当する感情をユーザの感情として推定してもよい。例えば、情報処理装置１００は、プラスの感情及びマイナスの感情の各々に対応するキーワードの感情キーワード一覧を用いて、プラスの感情及びマイナスの感情のうち、閲覧コンテンツ中の文字情報や入力情報に含まれるキーワードが多い方の感情をユーザの感情として推定してもよい。また、情報処理装置１００は、ユーザの発話を変換した文字情報と、上記の感情キーワード一覧とを用いて、ユーザの感情を推定してもよい。

例えば、情報処理装置１００は、ユーザが利用する端末装置により検知されたセンサ情報に基づいて、ユーザの感情を推定する。例えば、情報処理装置１００は、ユーザの歩幅や振幅等に関するセンサ情報に基づいて、ユーザの感情を推定してもよい。また、例えば、情報処理装置１００は、ユーザの心拍や血圧等の生体情報やユーザの顔を撮像した画像情報等を用いてユーザの感情を推定してもよい。なお、上記は一例であり、情報処理装置１００は、ユーザの感情を推定可能であれば、どのような手法により推定してもよい。例えば、情報処理装置１００は、ユーザの発話のトーン（音の調子）などにより、ユーザの感情を推定してもよい。例えば、情報処理装置１００は、ユーザの発話のトーン（音の調子）が高い場合、ユーザの感情を喜びや楽しみのプラスの感情であると推定してもよい。例えば、情報処理装置１００は、ユーザの発話のトーン（音の調子）が弱い場合、ユーザの感情を怒りや悲しみのマイナスの感情であると推定してもよい。例えば、情報処理装置１００は、ユーザが購買した商品の数や金額が所定の閾値以上である場合、ユーザの感情を喜びや楽しみのプラスの感情であると推定してもよい。例えば、情報処理装置１００は、ユーザが購買した商品の数や金額が所定の閾値未満である場合、ユーザの感情を怒りや悲しみのマイナスの感情であると推定してもよい。

例えば、コンテキスト情報には、気温が高、中、低のうちいずれに対応するかを示す情報が含まれてもよい。例えば、コンテキスト情報には、気温が、平均気温に対して高（＋５℃以上等）、中（±５℃未満）、低（－５℃以下等）のうちいずれに対応するかを示す情報が含まれてもよい。例えば、コンテキスト情報には、気圧が高、中、低のうちいずれに対応するかを示す情報が含まれてもよい。例えば、コンテキスト情報には、気圧が、直前（例えば１０分前や１時間前等）の気圧に対して高（＋１ヘクトパスカル以上等）、中（±１ヘクトパスカル未満）、低（－１ヘクトパスカル以下等）のうちいずれに対応するかを示す情報が含まれてもよい。例えば、コンテキスト情報には、操作内容に関する情報が含まれてもよい。例えば、コンテキスト情報には、どんな操作（プッシュ通知）かを示す情報や通知内容のカテゴリを示す情報や、アプリティザーかどうかを示す情報などの種々の情報が含まれてもよい。なお、上記は例示であり、コンテキスト情報には、上記に限らず種々の情報が含まれてもよい。

例えば、コンテキスト情報には、ユーザや端末装置１０の状況やユーザや端末装置１０の環境（背景）に基づいて推定されるユーザの状況等に関する情報が含まれてもよい。また、コンテキスト情報には、ユーザに提供されるコンテンツの内容、ユーザが反応したコンテンツの内容、ユーザの属性、ユーザの現在位置、現在時刻、ユーザが置かれた物理環境、ユーザが置かれた社会環境、ユーザの運動状態、および、推定されるユーザの感情等の種々の情報が含まれてもよい。また、コンテキスト情報には、ユーザや端末装置１０の状況やユーザや端末装置１０の環境（背景）に基づいて推定されるユーザの心理状態等の種々の情報が含まれてもよい。

情報提供装置５０は、種々のオープンデータを有する情報処理装置である。例えば、情報提供装置５０は、オープンデータを提供する。情報提供装置５０は、いわゆる広く開かれた利用が許可されているデータであるオープンデータを情報処理装置１００へ提供する情報処理装置である。例えば、情報提供装置５０は、各自治体が管理し、自治体が保有するデータをオープンデータとして外部に提供する情報処理装置であってもよい。また、例えば、情報提供装置５０は、気象庁が管理するサーバ等の種々の情報処理装置であってもよい。情報提供装置５０は、利用が許可されているデータ（情報）であれば、上記に限らず、道路情報等の交通に関するオープンデータや天気や気温等の気象に関するオープンデータや地理空間情報、防災・減災情報、調達情報、統計情報等の種々のオープンデータを提供してもよい。

例えば、情報提供装置５０は、ＡエリアやＢエリア等のオープンデータを情報処理装置１００へ提供する。例えば、情報提供装置５０は、ＡエリアやＢエリア等に関する環境情報を情報処理装置１００へ提供する。例えば、情報提供装置５０は、Ａエリアの交通情報等の種々の環境情報を情報処理装置１００へ提供する。例えば、情報提供装置５０は、Ｂエリアの交通情報や人口構成に関する情報等の種々の環境情報を情報処理装置１００へ提供する。このように、環境情報には、ユーザの周辺における道路情報や気象情報等の種々の情報が含まれてもよい。

情報処理装置１００は、コンテンツの配信時点とは異なる他の時点に関するコンテキストの各要素と、コンテンツに対する第１ユーザの所定の行動との関係度合いを示す関係度情報に基づいて、第２ユーザの所定の行動に関係する要素を示す関係要素情報を生成する情報処理装置である。情報処理装置１００は、コンテンツが配信された第２ユーザの所定の行動に関する行動情報が取得された場合に、行動情報と、関係度情報とに基づいて、第２ユーザの所定の行動に関係する要素を示す関係要素情報を生成する生成装置である。図１の例では、情報処理装置１００は、コンテンツの配信時点とは異なる他の時点に関するコンテキストの各要素に関する特徴量を含むモデルを用いて、第２ユーザの所定の行動に関係する要素を示す関係要素情報を生成する。情報処理装置１００は、コンテンツの配信における収益性を予測するモデルを用いて、第２ユーザの所定の行動に関係する要素を示す関係要素情報を生成する。なお、ここでいうコンテンツの配信における収益性とは、コンテンツの配信により所定の主体に収益（利益）をもたらす可能性があるものであれば、種々のものであってもよい。コンテンツの配信における収益性は、コンテンツの配信に関連する主体であれば、どの主体における収益性であってもよい。例えば、コンテンツの配信における収益性は、配信されたコンテンツに関する商品をユーザが購入することにより、商品の提供元が得る利益を示すものであってもよい。例えば、ユーザがコンテンツを閲覧する時間が長い程、そのコンテンツに関するユーザの購買等の所定の主体に収益（利益）をもたらす行動が起こる可能性が高いと推定されるため、コンテンツの配信における収益性は、配信されたコンテンツをユーザがどの程度の時間閲覧するかを示すものであってもよい。すなわち、情報処理装置１００は、コンテンツに対するユーザの行動を予測するモデルを用いて、第２ユーザの所定の行動に関係する要素を示す関係要素情報を生成する。また、情報処理装置１００は、図１１に示すモデルＭ１１のように、コンテンツの開封確率を予測するモデル生成し、そのモデルを用いて、第２ユーザの所定の行動に関係する要素を示す関係要素情報を生成してもよい。

情報処理装置１００は、所定のエリアに位置するユーザが利用する端末装置１０においてプッシュ通知されたコンテンツに対する、当該ユーザの所定の操作の有無を示す操作情報に基づいて、所定のエリアとは異なる他のエリアに位置するユーザが利用する端末装置１０にコンテンツがプッシュ通知される場合に、当該コンテンツに対する当該ユーザの所定の操作の有無を予測する予測情報を生成する情報処理装置である。例えば、情報処理装置１００は、端末装置１０から位置情報を含む行動情報等の種々の情報を取得する。また、例えば、情報処理装置１００は、情報提供装置５０からオープンデータ等の種々の情報を取得する。

ここから、図１を用いて、情報処理装置１００（図３参照）による情報処理の一例を説明する。まず、図１に示すマップ情報ＭＰ１について、簡単に説明する。図１に示すマップ情報ＭＰ１は、所定の範囲に含まれるエリア等を模式的に示す図である。例えば、マップ情報ＭＰ１は、ＡエリアやＸエリアへの端末装置１０へのプッシュ通知の状況を模式的に示すための図である。

図１の例では、情報処理装置１００は、あるユーザが利用する端末装置１０に所定のコンテンツがプッシュ通知され、ユーザにより開封されたことを示す情報を取得する（ステップＳ１－１）。例えば、情報処理装置１００は、Ａエリアに位置するユーザＵ１（図４参照）が利用する端末装置１０に所定のコンテンツ（例えばコンテンツＣＴ１１等）がプッシュ通知され、ユーザＵ１により開封されたことを示す情報を取得する。このように、「ユーザＵ＊（＊は任意の数値）」と記載した場合、そのユーザはユーザＩＤ「Ｕ＊」により識別されるユーザであることを示す。例えば、「ユーザＵ１」と記載した場合、そのユーザはユーザＩＤ「Ｕ１」により識別されるユーザである。

例えば、情報処理装置１００は、Ａエリアの部分エリアＬＣ１－１内に位置するユーザＵ１が利用する端末装置１０に所定のコンテンツがプッシュ通知され、ユーザＵ１により開封されたことを示す情報を取得する。なお、部分エリアＬＣ１－１は、Ａエリアにおける所定の範囲内のエリアであってもよい。部分エリアＬＣ１－１は、部分エリアＬＣ１－１の範囲内を代表する１つの位置情報であってもよい。例えば、部分エリアＬＣ１－１は、部分エリアＬＣ１－１の範囲内の中心の位置情報であってもよい。また、部分エリアＬＣ１－１は、部分エリアＬＣ１－１の範囲内の中心の位置情報とその中心からの範囲（例えば１００ｍ以内等）を示す情報の組み合わせであってもよい。また、部分エリアＬＣ１－１は、部分エリアＬＣ１－１の範囲内の位置の一覧であってもよい。また、図１の例では、情報処理装置１００は、ステップＳ１－１で通知されたコンテンツ（コンテンツＣＴ１１）が開封後に、ユーザにより時間ＲＴＭ１の間閲覧されたことを示す情報を取得する（ステップＳ２）。例えば、情報処理装置１００は、ステップＳ１－１で通知されたコンテンツが開封後に、ユーザの端末装置１０に時間ＲＴＭ１の間表示されたことを示す情報を取得してもよい。

また、情報処理装置１００は、ユーザＵ１が利用する端末装置１０からセンサ情報等の情報を取得し、各時点におけるユーザＵ１の感情を推定する。例えば、情報処理装置１００は、ユーザＵ１に所定のコンテンツが配信された日時（日時ｄｔ１１）とは異なる時点におけるセンサ情報に基づいて、日時ｄｔ１１とは異なる時点におけるユーザＵ１の感情を推定する。例えば、情報処理装置１００は、日時ｄｔ１１よりも５分前の時点において、ユーザＵ１が利用する端末装置１０から取得したセンサ情報に基づいて、日時ｄｔ１１から５分前のユーザＵ１の感情を推定する。例えば、情報処理装置１００は、日時ｄｔ１１よりも１分前の時点において、ユーザＵ１が利用する端末装置１０から取得したセンサ情報に基づいて、日時ｄｔ１１から１分前のユーザＵ１の感情を推定する。また、情報処理装置１００は、推定した各時点のユーザＵ１の感情を、ユーザＵ１に対応付けて記憶部１２０（図３参照）に記憶する。なお、情報処理装置１００は、各時点におけるユーザＵ１の感情を示す情報を外部の情報処理装置から取得してもよい。

なお、情報処理装置１００は、ユーザへ配信したコンテンツのみに限らず、そのコンテンツ配信後において、そのコンテンツと所定の関連を有するコンテンツ群全体のユーザの閲覧時間を示す情報を用いてもよい。例えば、情報処理装置１００は、ユーザＵ１へ配信したコンテンツＣＴ１１のみに限らず、そのコンテンツＣＴ１１配信後において、そのコンテンツＣＴ１１と所定の関連を有するコンテンツ群全体のユーザＵ１の閲覧時間を示す情報を用いてもよい。例えば、情報処理装置１００は、ユーザＵ１へのコンテンツＣＴ１１配信後において、そのコンテンツＣＴ１１が属するサイト（サイトＳＴＸ）のコンテンツ群全体のユーザＵ１の閲覧時間を示す情報を用いてもよい。すなわち、情報処理装置１００は、サイトＳＴＸに関連するコンテンツのユーザへの配信後に、サイトＳＴＸに関連するコンテンツ群をユーザが閲覧した時間（収益性）を、予測情報の生成の対象としてもよい。この場合、例えば、情報処理装置１００は、サイトＳＴＸに関連するコンテンツのユーザへの配信後に、ユーザの行動によりサイトＳＴＸを運営する事業者が得る利益（収益性）を、予測情報の生成の対象としてもよい。

例えば、情報処理装置１００は、端末装置１０から取得した情報を行動情報記憶部１２３（図５参照）に格納する。なお、端末装置１０へのコンテンツの提供は、情報処理装置１００が予測情報の生成に用いる情報を取得可能であれば、情報処理装置１００が行ってもよいし、他の装置が行ってもよい。例えば、端末装置１０へのコンテンツの提供は、情報処理装置１００が予測情報の生成に用いる情報を取得可能であれば、どの装置が行ってもよい。

また、図１の例では、情報処理装置１００は、あるユーザが利用する端末装置１０に所定のコンテンツがプッシュ通知され、ユーザにより開封されなかったことを示す情報を取得する（ステップＳ１－２）。例えば、情報処理装置１００は、Ａエリアに位置するユーザＵ２（図４参照）が利用する端末装置１０に所定のコンテンツがプッシュ通知され、ユーザＵ２により開封されなかったことを示す情報を取得する。例えば、情報処理装置１００は、Ａエリアの部分エリアＬＣ１－２内に位置するユーザＵ２が利用する端末装置１０に所定のコンテンツがプッシュ通知され、ユーザＵ２により開封されなかったことを示す情報を取得する。

また、情報処理装置１００は、ユーザＵ２が利用する端末装置１０からセンサ情報等の情報を取得し、各時点におけるユーザＵ２の感情を推定する。例えば、情報処理装置１００は、ユーザＵ２に所定のコンテンツが配信された日時（日時ｄｔ２１）とは異なる時点におけるセンサ情報に基づいて、日時ｄｔ２１とは異なる時点におけるユーザＵ２の感情を推定する。例えば、情報処理装置１００は、日時ｄｔ２１よりも５分前の時点において、ユーザＵ２が利用する端末装置１０から取得したセンサ情報に基づいて、日時ｄｔ２１から５分前のユーザＵ２の感情を推定する。例えば、情報処理装置１００は、日時ｄｔ２１よりも１分前の時点において、ユーザＵ２が利用する端末装置１０から取得したセンサ情報に基づいて、日時ｄｔ２１から１分前のユーザＵ２の感情を推定する。また、情報処理装置１００は、推定した各時点のユーザＵ２の感情を、ユーザＵ２に対応付けて記憶部１２０（図３参照）に記憶する。なお、情報処理装置１００は、各時点におけるユーザＵ２の感情を示す情報を外部の情報処理装置から取得してもよい。

なお、図１の例では、説明を簡単にするために、ステップＳ１－１、Ｓ１－２の２回のプッシュ通知に関するユーザの操作を図示するが、Ａエリア内に位置するユーザに対して多数（例えば１０００万回等）のプッシュ通知がされ、その通知に対するユーザの開封操作の有無を示す操作情報等の行動情報を情報処理装置１００が取得するものとする。また、ステップＳ１－１、Ｓ１－２は、処理を説明するためのものであり、ステップＳ１－１、Ｓ１－２のいずれが先に行われてもよく、各ステップＳ１－１、Ｓ１－２は、複数回行われてもよい。以下、ステップＳ１－１、Ｓ１－２を区別せずに説明する場合、ステップＳ１と総称する。

また、情報処理装置１００は、ステップＳ１において取得したプッシュ通知に関するユーザの行動情報に基づいて、予測情報を生成するために用いるモデルを生成する（ステップＳ３）。例えば、情報処理装置１００は、Ａエリアにおける第１ユーザの行動情報に基づいて、配信されたコンテンツに対するユーザの行動を予測するモデルを生成する。例えば、情報処理装置１００は、Ａエリアにおける第１ユーザの行動情報に基づいて、コンテンツが配信されたユーザによるコンテンツに対する行動を予測するモデルを生成する。例えば、情報処理装置１００は、Ａエリアにおける第１ユーザのコンテキスト情報に基づいて、配信されたコンテンツに対するユーザの行動を予測するモデルを生成する。例えば、情報処理装置１００は、コンテキスト情報に基づいて、配信されたコンテンツが開封され、どの程度閲覧されるかを予測するモデルを生成する。例えば、情報処理装置１００は、オープンデータ記憶部１２１やユーザ情報記憶部１２２や行動情報記憶部１２３等に格納された各種情報に基づいて、プッシュ通知における収益性を予測するモデルを生成する。例えば、情報処理装置１００は、オープンデータ記憶部１２１やユーザ情報記憶部１２２や行動情報記憶部１２３等に格納された各種情報に基づいて、プッシュ通知されたコンテンツに対するユーザの行動を予測するモデルを生成する。

例えば、情報処理装置１００は、オープンデータ記憶部１２１に記憶されたＡエリアの環境情報に基づいて、モデルを生成する。例えば、情報処理装置１００は、ユーザ情報記憶部１２２に記憶されたＡエリアに位置するユーザのユーザ情報に基づいて、モデルを生成する。例えば、情報処理装置１００は、行動情報記憶部１２３に記憶されたＡエリアに位置するユーザの行動情報に基づいて、モデルを生成する。また、例えば、情報処理装置１００は、ユーザにプッシュ通知されたコンテンツに関する情報を加味してモデルを生成してもよい。例えば、情報処理装置１００は、ユーザにプッシュ通知されたコンテンツのカテゴリを要素とする特徴量を含むモデルを生成してもよい。

ここで、情報処理装置１００は、各要素に対応する各特徴量を含むモデルを生成する。すなわち、情報処理装置１００は、モデルの特徴量を決定し、各特徴量の重みを学習することにより、モデルを生成する。例えば、情報処理装置１００は、クロネッカー積等の種々の従来技術により、コンテキスト情報の要素を組み合わせた特徴量を用いてモデルの生成を行ってもよい。例えば、情報処理装置１００は、２以上の要素を組み合わせた特徴量を含むモデルを生成する。例えば、情報処理装置１００は、コンテキスト情報の要素を組み合わせた特徴量を決定する。例えば、情報処理装置１００は、コンテキスト情報の各カテゴリ間の要素を組み合わせた特徴量を決定する。

例えば、情報処理装置１００は、コンテキスト情報のうち、コンテンツ配信時点とは別の時点のコンテキストの要素（「第１要素」ともいう）に対応する要素群ＥＬ１と、第１要素とは異なる要素（「第２要素」ともいう）に対応する要素群ＥＬ２との各組み合わせに基づいて、モデルの特徴量を決定する。例えば、情報処理装置１００は、要素群ＥＬ１の第１要素と、要素群ＥＬ２の第２要素との各組合せを、モデルの特徴量に決定する。例えば、情報処理装置１００は、要素群ＥＬ１の第１要素である「５分前にプラス感情」や「１分前にマイナス感情」や「３分前に雨」等と、要素群ＥＬ２の第２要素である「３０代」や「男性」や「サッカー場」等との各組合せを、モデルの特徴量に決定する。

図１の例では、情報処理装置１００は、５分前にプラス感情、３０代及び男性の組合せに対応する特徴量＃１や、５分前にプラス感情、３０代及び女性の組合せに対応する特徴量＃２や、５分前にプラス感情、２０代及び男性の組合せに対応する特徴量＃３等をモデルＭ１の特徴量に決定する。なお、図１の例では図示を省略するが、情報処理装置１００は、１分前にプラス感情、３０代及び男性の組合せに対応する特徴量＃４や、３０分前にプラス感情、３０代及び女性の組合せに対応する特徴量＃５や、３分前に晴れ及びサッカー場の組合せに対応する特徴量＃１１や、１時間前に雨及びサッカー場の組合せに対応する特徴量＃１２等の種々の特徴量を、モデルＭ１の特徴量に決定する。例えば、情報処理装置１００は、記憶部１２０（図３参照）に記憶された「５分前にプラス感情」、「１０分前にプラス感情」、「１時間前に雨」等のコンテキストに関する要素のコンテキスト要素一覧情報や、「３０代」、「２０代」、「男性」、「女性」等のユーザの属性に関する要素の属性要素一覧情報を用いて、組合せを決定してもよい。例えば、情報処理装置１００は、コンテキスト要素一覧情報から選択した第１要素と、属性要素一覧情報から選択した第２要素とを組み合せることにより、各組合せを示す情報を生成してもよい。例えば、情報処理装置１００は、数千万や数億の特徴量を、モデルＭ１に含ませる特徴量に決定してもよい。

また、モデルに含まれる特徴量は要素が組み合わされたものに限らず、情報処理装置１００は、コンテキスト情報の一の要素のみに対応する特徴量を含むモデルの生成を行ってもよい。また、情報処理装置１００は、４以上の種々の要素が組み合わされた特徴量に対応する特徴量を含むモデルの生成を行ってもよい。例えば、情報処理装置１００は、要素「５分前にプラス感情」のみに対応する特徴量や要素「３分前に雨」のみに対応する特徴量を含むモデルの生成を行ってもよい。なお、上記の要素の組合せは一例であり、例えば要素群ＥＬ１内の要素間の組合せ等、種々の組合せであってもよい。

例えば、情報処理装置１００は、プッシュ通知されたコンテンツが開封された場合の情報を正解情報（正例）として、プッシュ通知されたコンテンツに対するユーザの行動を予測するモデルを生成してもよい。例えば、情報処理装置１００は、プッシュ通知されたコンテンツが開封された場合のユーザのユーザ情報やユーザの位置情報やユーザの行動情報やユーザの環境情報等の種々のコンテキスト情報を正解情報として、プッシュ通知されたコンテンツに対するユーザの行動を予測するモデルを生成してもよい。例えば、情報処理装置１００は、ユーザＵ１が部分エリアＬＣ１－１においてプッシュ通知されたコンテンツを開封した場合、ユーザＵ１のユーザ情報やユーザＵ１の位置情報やユーザＵ１の行動情報やユーザＵ１の環境情報等の種々のコンテキスト情報を正解情報として、プッシュ通知されたコンテンツに対するユーザの行動を予測するモデルを生成してもよい。例えば、情報処理装置１００は、ユーザＵ１へのコンテンツの配信に関するコンテキスト情報を用いて、モデルＭ１を生成する。例えば、情報処理装置１００は、ユーザＵ１へのコンテンツの配信時点とは異なる他の時点に関するコンテキスト情報を用いて、モデルＭ１を生成する。例えば、情報処理装置１００は、ユーザＵ１へのコンテンツの配信時点とは異なる他の時点におけるユーザＵ１の位置の天候やユーザＵ１の感情等を含む種々のコンテキスト情報を用いて、モデルＭ１を生成する。例えば、情報処理装置１００は、ユーザＵ１へのコンテンツの配信時点よりも前の時点、すなわち過去におけるユーザＵ１の位置の天候やユーザＵ１の感情等を含む種々のコンテキスト情報を用いて、モデルＭ１を生成する。なお、過去に限らず、情報処理装置１００は、ユーザＵ１へのコンテンツの配信時点よりも後の時点、すなわち未来におけるユーザＵ１の位置の天候やユーザＵ１の感情等を含む種々のコンテキスト情報を用いて、モデルＭ１を生成してもよい。なお、情報処理装置１００は、ユーザＵ１へのコンテンツの配信時点よりも過去や未来のコンテキスト情報に限らず、ユーザＵ１へのコンテンツの配信時点におけるコンテキスト情報を用いて、モデルＭ１を生成してもよい。

図１の例では、情報処理装置１００は、コンテンツが開封された場合、コンテンツ開封後のユーザのコンテンツの閲覧時間に基づいて、収益性に関するユーザの行動の度合いを示す複数のレベルのうちいずれに該当するかで各配信におけるユーザの行動のレベルを決定する。

例えば、情報処理装置１００は、ユーザのコンテンツの閲覧時間が５秒未満である場合、その配信におけるユーザの行動のレベルをレベルＬＶ１として、スコア「１」を出力するように学習することにより、予測するモデルを生成する。例えば、情報処理装置１００は、図１に示すユーザＵ１の閲覧時間である時間ＲＴＭ１が５秒未満の所定の時間（例えば３秒）である場合、ユーザＵ１への配信におけるコンテキスト情報が入力された場合、スコア「１」を出力するように学習することにより、予測するモデルを生成する。

また、例えば、情報処理装置１００は、ユーザのコンテンツの閲覧時間が５秒以上１分未満である場合、その配信におけるユーザの行動のレベルをレベルＬＶ２として、スコア「２」を出力するように学習することにより、予測するモデルを生成する。例えば、情報処理装置１００は、図１に示すユーザＵ１の閲覧時間である時間ＲＴＭ１が５秒以上１分未満の所定の時間（例えば３０秒）である場合、ユーザＵ１への配信におけるコンテキスト情報が入力された場合、スコア「２」を出力するように学習することにより、予測するモデルを生成する。

また、例えば、情報処理装置１００は、ユーザのコンテンツの閲覧時間が１分以上５分未満である場合、その配信におけるユーザの行動のレベルをレベルＬＶ３として、スコア「３」を出力するように学習することにより、予測するモデルを生成する。例えば、情報処理装置１００は、図１に示すユーザＵ１の閲覧時間である時間ＲＴＭ１が１分以上５分未満の所定の時間（例えば２分）である場合、ユーザＵ１への配信におけるコンテキスト情報が入力された場合、スコア「３」を出力するように学習することにより、予測するモデルを生成してもよい。なお、上記は一例であり、情報処理装置１００は、種々のレベルを用いて、また、情報処理装置１００は、閲覧時間に限らず、種々の収益性を予測するモデルを生成してもよい。

また、例えば、情報処理装置１００は、プッシュ通知されたコンテンツが開封されなかった場合の情報を不正解情報（負例）として、プッシュ通知されたコンテンツに対するユーザの行動を予測するモデルを生成してもよい。例えば、情報処理装置１００は、ユーザがコンテンツの開封操作を行わなかった場合、その配信におけるユーザの行動のレベルをレベルＬＶ０として、スコア「０」を出力するように学習することにより、予測するモデルを生成する。例えば、情報処理装置１００は、プッシュ通知されたコンテンツが開封されなかった場合のコンテキスト情報が入力された場合、スコア「０」を出力するように学習することにより、予測するモデルを生成してもよい。

例えば、情報処理装置１００は、プッシュ通知されたコンテンツが開封されなかった場合のユーザのユーザ情報やユーザの位置情報やユーザの行動情報やユーザの環境情報等の種々のコンテキスト情報を不正解情報として、プッシュ通知されたコンテンツに対するユーザの行動を予測するモデルを生成してもよい。例えば、情報処理装置１００は、ユーザＵ２が部分エリアＬＣ１－２においてプッシュ通知されたコンテンツを開封しなかった場合、ユーザＵ２のユーザ情報やユーザＵ２の位置情報やユーザＵ２の行動情報やユーザＵ２の環境情報等の種々のコンテキスト情報を不正解情報として、プッシュ通知されたコンテンツに対するユーザの行動を予測するモデルを生成してもよい。例えば、情報処理装置１００は、ユーザＵ２へのコンテンツの配信に関するコンテキスト情報を用いて、モデルＭ１を生成する。例えば、情報処理装置１００は、ユーザＵ２へのコンテンツの配信時点とは異なる他の時点に関するコンテキスト情報を用いて、モデルＭ１を生成する。例えば、情報処理装置１００は、ユーザＵ２へのコンテンツの配信時点とは異なる他の時点におけるユーザＵ２の位置の天候やユーザＵ２の感情等を含む種々のコンテキスト情報を用いて、モデルＭ１を生成する。例えば、情報処理装置１００は、ユーザＵ２へのコンテンツの配信時点よりも前の時点、すなわち過去におけるユーザＵ２の位置の天候やユーザＵ２の感情等を含む種々のコンテキスト情報を用いて、モデルＭ１を生成する。なお、過去に限らず、情報処理装置１００は、ユーザＵ２へのコンテンツの配信時点よりも後の時点、すなわち未来におけるユーザＵ２の位置の天候やユーザＵ１の感情等を含む種々のコンテキスト情報を用いて、モデルＭ１を生成してもよい。

図１の例では、情報処理装置１００は、モデル情報ＭＤに示すようにモデルＭ１のモデル情報を生成する。例えば、情報処理装置１００は、モデル情報記憶部１２５（図７参照）に示すように、モデルＭ１を生成する。

図７中のモデル情報記憶部１２５に示すモデルＭ１には、「特徴量＃１（５分前にプラス感情×３０代×男性）」～「特徴量＃３（５分前にプラス感情×２０代×男性）」等の各特徴量（素性）に各重み（値）が対応付けて記憶される。例えば、図７に示す例において、モデルＭ１に関するモデル情報は、５分前にプラス感情、３０代及び男性の組合せに対応する特徴量＃１の重みが「０．５」、５分前にプラス感情、３０代及び女性の組合せに対応する特徴量＃２の重みが「－０．１」、５分前にプラス感情、２０代及び男性の組合せに対応する特徴量＃３の重みが「０．２」等であることを示す。なお、各モデルの生成は、機械学習に関する種々の従来技術を適宜用いて行われてもよい。例えば、モデルの生成は、ＳＶＭ（Support Vector Machine）等の教師あり学習の機械学習に関する技術を用いて行われてもよい。なお、上記モデルの生成に関する記載は例示であり、モデルの生成は、取得可能な情報等に応じて適宜選択された学習手法により行われてもよい。このように、情報処理装置１００は、モデルＭ１の特徴量＃１～特徴量＃３等の各特徴量の重みを学習することにより、モデルＭ１を生成する。

例えば、情報処理装置１００は、コンテンツの配信に関するコンテキスト情報を入力とし、入力に基づいてスコアを出力するモデルＭ１を生成する。例えば、情報処理装置１００は、コンテキスト情報を入力とし、入力したコンテキスト情報に対応するユーザによる配信されたコンテンツに対する行動の可能性を示すスコアを出力するモデルＭ１を生成する。例えば、情報処理装置１００は、コンテキスト情報を入力とし、入力したコンテキスト情報に対応するコンテンツの配信におけるユーザの行動（収益性）のレベルを示すスコアを出力するモデルＭ１を生成する。なお、情報処理装置１００は、図１１のモデルＭ１１に示すように、コンテンツが配信されたユーザが開封操作の行動を行う確率を示すスコアを出力するモデルをモデルＭ１として生成してもよい。

そして、情報処理装置１００は、生成したモデルＭ１に基づいて、コンテンツに対するユーザの所定の行動との関係度合いを示す関係度情報を生成する（ステップＳ４）。図１の例では、情報処理装置１００は、生成したモデルＭ１に基づいて、コンテンツに対するユーザの開封行動との関係度合いを示す関係度情報を生成する。情報処理装置１００は、生成したモデルＭ１に基づいて、コンテンツに対するユーザの閲覧行動との関係度合いを示す関係度情報を生成する。

例えば、情報処理装置１００は、モデルＭ１の各特徴量の重みに基づいて、コンテンツに対するユーザの所定の行動との関係度合いを示す関係度情報を生成する。例えば、情報処理装置１００は、モデルＭ１の特徴量のうち、重みの絶対値が大きい特徴量の順位が高くなるように、各特徴量に対応する関係情報が順位付けられた関係度情報を生成する。そして、情報処理装置１００は、生成した関係度情報を関係度情報記憶部１２７に記憶する。

図１の関係度情報記憶部１２７中の「対象行動」は、対象とするユーザの所定の行動を示す。また、図１の関係度情報記憶部１２７中の「順位」は、各関係情報の対象行動との関係の度合いの順位（ランキング）を示す。図１の関係度情報記憶部１２７中の「関係情報ＩＤ」は、関係情報を識別するための情報を示す。図１の関係度情報記憶部１２７中の「重み」は、関係情報に対応する特徴量の重みを示す。図１の関係度情報記憶部１２７中の「要素＃１」～「要素＃３」等は、関係情報に対応する特徴量の要素を示す。

図１の関係度情報記憶部１２７では、対象行動がユーザのコンテンツに対する行動であることを示す。例えば、対象行動がユーザのコンテンツ開封等の行動であることを示す。また、関係情報ＩＤ「ＳＴ１」により識別される関係情報（関係情報ＳＴ１）は、重みが「０．５」の特徴量に対応し、要素＃１が「５分前にプラス感情」であり、要素＃２が「３０代」であり、要素＃３が「男性」であることを示す。すなわち、関係情報ＳＴ１は、モデルＭ１の特徴量＃１に対応する。

このように、図１の例では、情報処理装置１００は、モデルＭ１の特徴量のうち、特徴量＃１が重みの絶対値が最も大きいため、特徴量＃１に対応する関係情報ＳＴ１の順位を１位に決定する。情報処理装置１００は、モデルＭ１の特徴量のうち、特徴量＃１の要素「５分前にプラス感情」、「３０代」及び「男性」の組合せがユーザのコンテンツ開封等の行動に関係性が有ることを示す関係度情報を生成する。情報処理装置１００は、要素「５分前にプラス感情」、「３０代」及び「男性」の組合せの関係情報ＳＴ１の重みがプラス値であるため、３０代男性のユーザがコンテンツに対する行動を行う場合、その行動の５分前のユーザの感情がプラス感情であった可能性が高いと推定することができる。

また、情報処理装置１００は、モデルＭ１の特徴量のうち、要素「１分前にマイナス感情」、「２０代」及び「女性」の組合せに対応する特徴量が重みの絶対値が特徴量＃１の次に大きいため、その特徴量に対応する関係情報ＳＴ２の順位を２位に決定する。情報処理装置１００は、要素「１分前にマイナス感情」、「２０代」及び「女性」の組合せの関係情報ＳＴ２の重みがマイナス値であるため、２０代女性のユーザがコンテンツに対する行動を行う場合、その行動の１分前のユーザの感情がマイナス感情であった可能性が低いと推定することができる。

なお、情報処理装置１００は、特徴量の重みが大きい方から順にランキングを決定してもよい。この場合、情報処理装置１００は、重みが大きい特徴量の要素がユーザのコンテンツ開封等の行動に影響することを示す関係度情報を生成する。

そして、情報処理装置１００は、生成した関係度情報に基づいて、関係要素情報を生成する。まず、情報処理装置１００は、関係要素情報を生成する対象となるユーザ（対象ユーザ）を決定する（ステップＳ５）。図１の例では、情報処理装置１００は、Ｘエリアに位置するユーザＵ３を対象ユーザに決定する。情報処理装置１００は、Ａエリア以外の他のエリアであるＸエリアに位置する第２ユーザであるユーザＵ３を対象ユーザに決定する。

そして、図１の例では、Ｘエリアに位置するユーザＵ３にコンテンツがプッシュ通知され、ユーザＵ３がコンテンツを開封する。これにより、情報処理装置１００は、ユーザＵ３が利用する端末装置１０に所定のコンテンツがプッシュ通知され、ユーザＵ３により開封されたことを示す情報を取得する（ステップＳ６）。例えば、情報処理装置１００は、Ｘエリアに位置するユーザＵ３がプッシュ通知された所定のコンテンツ（例えばコンテンツＣＴ１１等）を開封したことを示す行動情報を取得する。

そして、情報処理装置１００は、ユーザＵ３の行動が所定の基準を満たすかどうかを判定する。例えば、情報処理装置１００は、ユーザＵ３の行動情報とコンテンツを開封したことを条件とする所定の条件とを比較することにより、所定の基準を満たすかどうかを判定する。例えば、情報処理装置１００は、コンテンツが配信されたユーザの行動情報にそのコンテンツの開封の行動情報が含まれる場合、所定の基準を満たすと判定する。なお、所定の基準は、コンテンツ開封の条件に限らず、種々の条件等、適宜設定されてもよい。

情報処理装置１００は、ユーザＵ３の行動が所定の基準を満たすと判定したため、関係要素情報を生成する（ステップＳ７）。図１の例では、情報処理装置１００は、関係度情報記憶部１２７に記憶された情報を用いて、関係要素情報を生成する。情報処理装置１００は、関係度情報記憶部１２７に記憶された情報を用いて、ユーザＵ３によるコンテンツの開封に関する関係要素情報を生成する。例えば、情報処理装置１００は、ユーザ情報記憶部（図４参照）に記憶されたユーザＵ３の属性情報に基づいて、ユーザＵ３によるコンテンツの開封に関する関係要素情報を生成する。例えば、情報処理装置１００は、ユーザＵ３の属性情報である年齢「３０代」及び性別「男性」に基づいて、ユーザＵ３によるコンテンツの開封に関する関係要素情報を生成する。

情報処理装置１００は、関係度情報記憶部１２７に記憶された関係情報のうち、要素に「３０代」や「男性」が含まれる関係情報を選択する。例えば、情報処理装置１００は、要素に「３０代」や「男性」が含まれる関係情報のうち、順位が高い方から所定数（例えば５や１０）の関係情報を選択する。図１の例では、情報処理装置１００は、順位が高い方から順に、要素に「３０代」や「男性」が含まれる関係情報ＳＴ１等を選択する。

ここで、情報処理装置１００は、選択した関係情報ＳＴ１の重みがプラス値であるため、対象ユーザであるユーザＵ３の５分前の感情が「プラス」である可能性が高いと推定する。

また、図示することは省略するが、図１の例では、情報処理装置１００は、要素「６分前にプラス感情」及び「３０代」の組合せに対応する関係情報（関係情報ＳＴＸ）を選択しており、関係情報ＳＴＸの重みがマイナス値であるものとする。そのため、情報処理装置１００は、対象ユーザであるユーザＵ３の６分前の感情が「プラス」ではない、すなわち「マイナス」である可能性が高いと推定する。

これにより、情報処理装置１００は、Ｘエリアに位置する対象ユーザであるユーザＵ３の関係要素情報ＦＩＮＦ１を生成する。図１の例では、情報処理装置１００は、ユーザＵ３のコンテンツの開封操作に基づいて、Ｘエリアに位置するユーザＵ３の５分前の感情がプラスの感情であり、６分前の感情がマイナスの感情であると推定されることを示す関係要素情報ＦＩＮＦ１を生成する。このように、情報処理装置１００は、ユーザＵ３の感情が６分前にマイナス感情であり、５分前にプラス感情に変化したことを示す関係要素情報ＦＩＮＦ１を生成する。情報処理装置１００は、関係要素情報ＦＩＮＦ１に基づいて、プッシュ通知を開封したユーザＵ３について、開封の６分前から５分前の間にマイナスからプラスの感情に変化したと推定する。これにより、情報処理装置１００は、関係要素情報ＦＩＮＦ１に基づいて、ユーザＵ３が属する３０代男性のユーザについては、マイナスからプラスの感情に変化した後に、コンテンツの開封操作を行う可能性が高いと推定することができる。例えば、情報処理装置１００は、関係要素情報ＦＩＮＦ１に基づいて、ユーザＵ３が属する３０代男性のユーザについては、６分前から５分前の間にマイナスからプラスの感情に変化した場合にコンテンツの開封操作を行う可能性が高いと推定することができる。

上述のように、情報処理装置１００は、生成したモデルＭ１を用いることにより、ユーザの行動に関係する要素を示す情報を適切に生成することができる。図１の例では、情報処理装置１００は、Ａエリアの第１ユーザの情報により生成したモデルＭ１、及びＡエリアとは異なるＸエリアの第２ユーザの行動情報を用いて、第２ユーザの行動に関係する要素を示す情報を適切に生成することができる。具体的には、情報処理装置１００は、Ａエリアの第１ユーザの情報により生成したモデルＭ１、及びＸエリアの第２ユーザの行動情報を用いて、Ｘエリアのコンテキストを推定する情報を適切に生成することができる。

これにより、情報処理装置１００は、コンテキストを適切に推定することができる。つまり、情報処理装置１００は、モデルＭ１の目的変数（出力値（スコア））に対応するユーザのコンテンツの開封操作を示す情報から、モデルＭ１の従属変数（特徴量）に対応するコンテキストを逆推定することができる。すなわち、情報処理装置１００は、モデルＭ１の目的変数（出力値（スコア））から、モデルＭ１の従属変数（特徴量）に対応するコンテキストを逆推定することにより、コンテンツ配信時点とは異なる他の時点におけるコンテキストを適切に推定することができる。このように、情報処理装置１００は、コンテンツ配信時点以前や以後などにおけるコンテキストの変化を適切に推定することができる。

図１の例では、３０代男性のユーザＵ３は、配信されたコンテンツを開封する行動を行っている。そして、情報処理装置１００は、３０代男性のユーザＵ３がコンテンツの配信の数分前にマイナスからプラスの感情に変化したと推定する。そのため、情報処理装置１００は、３０代男性のユーザ群は、感情がマイナスからプラスに変化した後のタイミングでコンテンツを配信すると開封する可能性が高くなると推定ことができる。このように、情報処理装置１００は、ユーザにどのような感情の変化が有った場合に、行動を起こしやすいかを推定することができる。

〔１－１．情報の生成例〕
なお、図１は一例であり、情報処理装置１００は、上記に限らず、種々の情報を生成してもよい。この点について、図１１を用いて以下説明する。図１１は、実施形態に係る情報処理の一例を示す図である。図１１において図１と同様の点については適宜説明を省略する場合がある。図１１の例では、情報処理装置１００（図３参照）が所定のエリアＡＲ１１（Ａエリア）におけるプッシュ通知に関するユーザの操作情報等の行動情報に基づいて、他のエリアＡＲ２１（Ｂエリア）にプッシュ通知に関する予測情報を生成する場合を示す。なお、図１１の例では、コンテンツ配信の一形態としてプッシュ通知を例として示すが、コンテンツ配信は種々の態様であってもよい。例えば、情報処理システム１におけるコンテンツ配信は、プッシュ通知に限らず、端末装置１０からコンテンツを要求する、いわゆるプル型のコンテンツ配信であってもよい。

例えば、図１１の例では、Ｂエリアにおけるプッシュ通知に関する実際のユーザの操作情報等の行動情報が不足している等の理由により、Ｂエリアにおけるプッシュ通知の開封率の分布情報を精度よく生成することが難しい場合を示す。例えば、プッシュ通知は、ユーザによる端末装置１０の操作に依らず、端末装置１０において出力される情報であってもよい。例えば、プッシュ通知は、所定の情報を能動的にユーザに通知することであってもよい。また、ここでいう開封率とは、例えば、端末装置１０に表示されたプッシュ通知をユーザが開封操作を行った割合を示す。また、開封操作とは、プッシュ通知に対する選択や指定等のユーザの所定の操作であってもよい。例えば、開封操作とは、プッシュ通知に関する情報を端末装置１０に表示させるユーザの所定の操作であってもよい。例えば、図１１の例では、ステップＳ１０に示すように、Ｂエリアにおける通知回数は少ないものとする。なお、ステップＳ１０は、Ｂエリアの通知回数が少ないことを図示するためのものであり、処理手順には含まれなくてもよい。

まず、図１１に示すマップ情報ＭＰ１－１～ＭＰ１－３について、簡単に説明する。図１１に示すマップ情報ＭＰ１－１～ＭＰ１－３は、所定の範囲に含まれるエリア等を模式的に示す図である。例えば、マップ情報ＭＰ１－１は、ＡエリアやＢエリアへの端末装置１０へのプッシュ通知の状況を模式的に示すための図である。また、例えば、マップ情報ＭＰ１－２は、Ａエリアにおける端末装置１０へのプッシュ通知の開封率の分布情報を模式的に示すための図である。また、例えば、マップ情報ＭＰ１－３は、Ｂエリアにおける端末装置１０へのプッシュ通知の開封率の予測情報を模式的に示すための図である。また、マップ情報ＭＰ１－１～ＭＰ１－３に示す範囲（エリア）は、同一のエリアである。また、以下では、マップ情報ＭＰ１－１～ＭＰ１－３について、特に区別なく説明する場合には、マップ情報ＭＰ１と記載する。

図１１の例では、情報処理装置１００は、あるユーザが利用する端末装置１０に所定のコンテンツがプッシュ通知され、ユーザにより開封されたことを示す情報を取得する（ステップＳ１１－１）。例えば、情報処理装置１００は、Ａエリアに位置するユーザＵ１（図４参照）が利用する端末装置１０に所定のコンテンツ（例えばコンテンツＣＴ１１等）がプッシュ通知され、ユーザＵ１により開封されたことを示す情報を取得する。例えば、情報処理装置１００は、Ａエリアの部分エリアＬＣ１－１内に位置するユーザＵ１が利用する端末装置１０に所定のコンテンツがプッシュ通知され、ユーザＵ１により開封されたことを示す情報を取得する。なお、部分エリアＬＣ１－１は、Ａエリアにおける所定の範囲内のエリアであってもよい。また、図１１の例では、情報処理装置１００は、ステップＳ１１－１で通知されたコンテンツ（コンテンツＣＴ１１）が開封後に、ユーザにより時間ＲＴＭ１の間閲覧されたことを示す情報を取得してもよい。例えば、情報処理装置１００は、ステップＳ１１－１で通知されたコンテンツが開封後に、ユーザの端末装置１０に時間ＲＴＭ１の間表示されたことを示す情報を取得してもよい。

例えば、情報処理装置１００は、端末装置１０から取得した情報を行動情報記憶部１２３（図５参照）に格納する。なお、端末装置１０へのコンテンツの提供は、情報処理装置１００が予測情報の生成に用いる情報を取得可能であれば、情報処理装置１００が行ってもよいし、他の装置が行ってもよい。例えば、端末装置１０へのコンテンツの提供は、情報処理装置１００が予測情報の生成に用いる情報を取得可能であれば、どの装置が行ってもよい。

また、図１１の例では、情報処理装置１００は、あるユーザが利用する端末装置１０に所定のコンテンツがプッシュ通知され、ユーザにより開封されなかったことを示す情報を取得する（ステップＳ１１－２）。例えば、情報処理装置１００は、Ａエリアに位置するユーザＵ２（図４参照）が利用する端末装置１０に所定のコンテンツがプッシュ通知され、ユーザＵ２により開封されなかったことを示す情報を取得する。例えば、情報処理装置１００は、Ａエリアの部分エリアＬＣ１－２内に位置するユーザＵ２が利用する端末装置１０に所定のコンテンツがプッシュ通知され、ユーザＵ２により開封されなかったことを示す情報を取得する。

なお、図１１の例では、説明を簡単にするために、ステップＳ１１－１、Ｓ１１－２の２回のプッシュ通知に関するユーザの操作を図示するが、Ａエリア内に位置するユーザに対して多数（例えば１０００万回等）のプッシュ通知がされ、その通知に対するユーザの開封操作の有無を示す操作情報等の行動情報を情報処理装置１００が取得するものとする。また、ステップＳ１１－１、Ｓ１１－２は、処理を説明するためのものであり、ステップＳ１１－１、Ｓ１１－２のいずれが先に行われてもよく、各ステップＳ１１－１、Ｓ１１－２は、複数回行われてもよい。以下、ステップＳ１１－１、Ｓ１１－２を区別せずに説明する場合、ステップＳ１１と総称する。

そして、情報処理装置１００は、プッシュ通知に関する操作情報等の行動情報に基づいて、分布情報を生成する（ステップＳ１２）。例えば、情報処理装置１００は、プッシュ通知に関する操作情報に基づいて、コンテンツの開封率を算出することにより、分布情報を生成する。例えば、情報処理装置１００は、ステップＳ１１において取得した操作情報に基づいて生成した分布情報を分布情報記憶部１２４（図６参照）に記憶する。例えば、情報処理装置１００は、Ａエリアを集計対象エリアとする分布情報を分布情報記憶部１２４に記憶する。

図６中の分布情報記憶部１２４に示す「集計対象エリア」は、分布情報を収集する対象となったエリアを示す。また、図６中の分布情報記憶部１２４に示す「分布情報」は、集計対象エリアについて収集された分布情報を示す。図６中の分布情報記憶部１２４に示す「部分エリア」は、集計対象エリア内の部分エリアを示す。図６中の分布情報記憶部１２４に示す「プッシュ回数」は、対応する部分エリアに位置するユーザにプッシュ通知が行われた回数を示す。また、図６中の分布情報記憶部１２４に示す「開封回数」は、対応する部分エリアに位置するユーザがプッシュ通知を開封した回数を示す。また、「開封率（％）」は、対応する部分エリアに位置するユーザがプッシュ通知を開封した割合（＝開封回数／プッシュ回数×１００）を示す。例えば、「開封率（％）」は、０～１００（％）の値となる。例えば、情報処理装置１００は、開封率を算出する。

例えば、図６中の分布情報記憶部１２４に示す例において、集計対象エリア「Ａエリア」についての分布情報は、Ａエリア内の部分エリアＬＣ１－１に位置するユーザに「１００００（回）」のプッシュ通知が行われたことを示す。また、例えば、部分エリアＬＣ１－１に位置するユーザがプッシュ通知を「２０００（回）」開封したことを示す。また、例えば、部分エリアＬＣ１－１に位置するユーザの開封率が、１万回の通知のうち、２千回開封されているため、「２０（％）」であることを示す。例えば、情報処理装置１００は、部分エリアＬＣ１－１に位置するユーザの開封率を、「２０％（＝２０００／１００００＊１００）」と算出する。

なお、情報処理装置１００は、上記に限らず、種々の情報により、開封率を算出してもよい。例えば、情報処理装置１００は、モデルＭ１１が出力したスコア自体を用いて、部分エリアＬＣ１－１に位置するユーザの開封率を算出してもよい。例えば、情報処理装置１００は、部分エリアＬＣ１－１におけるコンテンツ配信のコンテキスト情報が入力されたモデルＭ１１が出力したスコアの平均値を、部分エリアＬＣ１－１に位置するユーザの開封率として算出してもよい。例えば、情報処理装置１００は、部分エリアＬＣ１－１におけるコンテンツ配信についてモデルＭ１１が出力したスコアの合計値を、出力回数で除することにより、部分エリアＬＣ１－１に位置するユーザの開封率を算出してもよい。例えば、情報処理装置１００は、部分エリアＬＣ１－１におけるコンテンツ配信についてモデルＭ１１が出力したスコアの合計値が「４５（＝０．２＋０．５＋…）」であり、出力回数が「１００」回である場合、部分エリアＬＣ１－１に位置するユーザの開封率を「４５％（＝４５／１００＊１００）」と算出してもよい。

図１１の例では、情報処理装置１００は、Ａエリアを集計対象エリアとする分布情報ＤＭ１１を生成する。図１１中のマップ情報ＭＰ１－２のＡエリアに示す分布情報ＤＭ１１は、各部分エリアにおける開封率の高低をヒートマップのような表示態様で示す。図１１の例では、ハッチングが濃い部分エリア程、開封率の高いことを示す。図１１の例では、分布情報ＤＭ１１は、Ａエリア中の部分エリアＬＣ１－１等において開封率の高いことを示す。また、図１１の例では、分布情報ＤＭ１１は、Ａエリア中の部分エリアＬＣ１－２等において開封率の低いことを示す。すなわち、Ａエリアにおいては、その中央部付近での開封率が高く、中心から離れるにつれて開封率が低下することを示す。

また、情報処理装置１００は、ステップＳ１１において取得したプッシュ通知に関する操作情報等の行動情報に基づいて、予測情報を生成するために用いるモデルを生成する（ステップＳ１３）。例えば、情報処理装置１００は、Ａエリアにおける操作情報等の行動情報に基づいて、プッシュ通知を開封するかどうかを予測するモデルを生成する。例えば、情報処理装置１００は、コンテキスト情報に基づいて、コンテンツの配信における配信におけるユーザの行動（収益性）を予測するモデルを生成する。例えば、情報処理装置１００は、コンテキスト情報に基づいて、配信されたコンテンツが開封されるかを予測するモデルを生成する。例えば、情報処理装置１００は、オープンデータ記憶部１２１やユーザ情報記憶部１２２や行動情報記憶部１２３等に格納された各種情報に基づいて、プッシュ通知を開封するかどうかを予測するモデルを生成する。例えば、情報処理装置１００は、オープンデータ記憶部１２１に記憶されたＡエリアの環境情報に基づいて、モデルを生成する。例えば、情報処理装置１００は、ユーザ情報記憶部１２２に記憶されたＡエリアに位置するユーザのユーザ情報に基づいて、モデルを生成する。例えば、情報処理装置１００は、行動情報記憶部１２３に記憶されたＡエリアに位置するユーザの行動情報に基づいて、モデルを生成する。また、例えば、情報処理装置１００は、ユーザにプッシュ通知されたコンテンツに関する情報を加味してモデルを生成してもよい。

例えば、情報処理装置１００は、プッシュ通知されたコンテンツが開封された場合の情報を正解情報（正例）として、プッシュ通知を開封するかどうかを予測するモデルを生成してもよい。例えば、情報処理装置１００は、プッシュ通知されたコンテンツが開封された場合のコンテキスト情報が入力された場合、スコア「１」を出力するように学習することにより、モデルＭ１１を生成してもよい。例えば、情報処理装置１００は、プッシュ通知されたコンテンツが開封された場合のユーザのユーザ情報やユーザの位置情報やユーザの行動情報やユーザの環境情報等の種々のコンテキスト情報を正解情報として、プッシュ通知を開封するかどうかを予測するモデルを生成してもよい。例えば、情報処理装置１００は、ユーザＵ１が部分エリアＬＣ１－１においてプッシュ通知されたコンテンツを開封した場合、ユーザＵ１のユーザ情報やユーザＵ１の位置情報やユーザＵ１の行動情報やユーザＵ１の環境情報等の種々のコンテキスト情報を正解情報として、プッシュ通知を開封するかどうかを予測するモデルを生成してもよい。

また、例えば、情報処理装置１００は、プッシュ通知されたコンテンツが開封されなかった場合の情報を不正解情報（負例）として、プッシュ通知を開封するかどうかを予測するモデルを生成してもよい。例えば、情報処理装置１００は、プッシュ通知されたコンテンツが開封されなかった場合のコンテキスト情報が入力された場合、スコア「０」を出力するように学習することにより、モデルＭ１１を生成してもよい。例えば、情報処理装置１００は、プッシュ通知されたコンテンツが開封されなかった場合のユーザのユーザ情報やユーザの位置情報やユーザの行動情報やユーザの環境情報等の種々のコンテキスト情報を不正解情報として、プッシュ通知を開封するかどうかを予測するモデルを生成してもよい。例えば、情報処理装置１００は、ユーザＵ２が部分エリアＬＣ１－２においてプッシュ通知されたコンテンツを開封しなかった場合、ユーザＵ２のユーザ情報やユーザＵ２の位置情報やユーザＵ２の行動情報やユーザＵ２の環境情報等の種々のコンテキスト情報を不正解情報として、プッシュ通知を開封するかどうかを予測するモデルを生成してもよい。

図１１の例では、情報処理装置１００は、モデル情報ＭＤに示すようにモデルＭ１１のモデル情報を生成する。例えば、情報処理装置１００は、モデル情報記憶部１２５（図７参照）に示すように、モデルＭ１１を生成する。例えば、情報処理装置１００は、コンテンツの配信に関するコンテキスト情報を入力とし、入力に基づいてスコアを出力するモデルＭ１１を生成する。例えば、情報処理装置１００は、コンテキスト情報を入力とし、入力したコンテキスト情報に対応するコンテンツの配信においてユーザが所定の行動を行う確率を示すスコアを出力するモデルＭ１１を生成する。この場合、情報処理装置１００は、モデルＭ１１が出力するスコアを、ユーザが所定の行動を行う確率を示す値として用いてもよい。例えば、情報処理装置１００は、モデルＭ１１が出力するスコアを、ユーザがコンテンツを開封する開封確率を示す値として用いてもよい。例えば、情報処理装置１００は、コンテキスト情報を入力とし、入力したコンテキスト情報に対応するコンテンツの配信においてユーザが所定の行動を行う可能性の程度を示すスコアを出力するモデルＭ１１を生成する。例えば、情報処理装置１００は、コンテキスト情報を入力とし、入力したコンテキスト情報に対応するコンテンツの配信においてユーザが所定の行動を行う度合い（レベル）を示すスコアを出力するモデルＭ１１を生成する。

例えば、情報処理装置１００は、ユーザ情報やユーザの位置する周囲の環境情報等のコンテキスト情報が入力されたモデルＭ１１が出力したスコアが「０．７」である場合、そのユーザがプッシュ通知を開封する確率が「７０％（＝０．７＊１００）」であると判定してもよい。例えば、情報処理装置１００は、モデルＭ１１が出力する０～１の値の範囲のスコアを、０％～１００％に対応付けてもよい。例えば、情報処理装置１００は、コンテキスト情報が入力されたモデルＭ１１が出力したスコアが「０」である場合、そのユーザがプッシュ通知を開封する確率が「０％（＝０＊１００）」であると判定してもよい。例えば、情報処理装置１００は、コンテキスト情報が入力されたモデルＭ１１が出力したスコアが「１」である場合、そのユーザがプッシュ通知を開封する確率が「１００％（＝１＊１００）」であると判定してもよい。

また、例えば、情報処理装置１００は、モデルＭ１１が０未満の値、すなわちマイナス値のスコアを出力する場合、マイナス値のスコアを、０％に対応付けてもよい。例えば、情報処理装置１００は、コンテキスト情報が入力されたモデルＭ１１が出力したスコアが「－１」である場合、そのユーザがプッシュ通知を開封する確率が「０％」であると判定してもよい。この場合、例えば、情報処理装置１００は、プッシュ通知されたコンテンツが開封されなかった場合のコンテキスト情報が入力された場合、０以下のスコアを出力するように学習することにより、モデルＭ１１を生成してもよい。

また、例えば、情報処理装置１００は、モデルＭ１１が１より大きい値のスコアを出力する場合、１より大きい値のスコアを、１００％に対応付けてもよい。例えば、情報処理装置１００は、コンテキスト情報が入力されたモデルＭ１１が出力したスコアが「３」である場合、そのユーザがプッシュ通知を開封する確率が「１００％」であると判定してもよい。このように、情報処理装置１００は、コンテキスト情報を入力とし、入力したコンテキスト情報に対応するコンテンツの配信においてユーザが所定の行動を行う確率（程度）を示すスコアを出力するモデルＭ１１を生成してもよい。この場合、例えば、情報処理装置１００は、プッシュ通知されたコンテンツが開封された場合のコンテキスト情報が入力された場合、１以上のスコアを出力するように学習することにより、モデルＭ１１を生成してもよい。例えば、情報処理装置１００は、開封されたコンテンツによる収益に応じて、コンテキスト情報が入力された場合、１以上のスコアを出力するように学習することにより、モデルＭ１１を生成してもよい。

例えば、情報処理装置１００は、ユーザ情報やユーザの位置する周囲の環境情報等のコンテキスト情報を入力とし、入力に基づいてスコアを出力するモデルＭ１１を生成する。例えば、情報処理装置１００は、コンテキスト情報を入力とし、入力に基づいてスコアを出力するモデルＭ１１を生成する。例えば、情報処理装置１００は、ユーザ情報やユーザの位置する周囲の環境情報等のコンテキスト情報を入力とし、入力に基づいてスコアをモデルＭ１１が出力するスコアが所定の閾値（例えば、「０．５」等）以上である場合に、そのユーザがプッシュ通知されるコンテンツを開封すると判定してもよい。例えば、情報処理装置１００は、生成したモデルＭ１１をモデル情報記憶部１２５（図７参照）に記憶してもよい。なお、図１１に示すモデルＭ１１は、図１に示すモデルＭ１と同じモデルであってもよい。なお、各モデルの生成は、機械学習に関する種々の従来技術を適宜用いて行われてもよい。例えば、モデルの生成は、ＳＶＭ（Support Vector Machine）等の教師あり学習の機械学習に関する技術を用いて行われてもよい。

そして、情報処理装置１００は、生成したモデルＭ１１に基づいて、予測情報を生成する（ステップＳ１４）。例えば、情報処理装置１００は、生成したモデルＭ１１に基づいて、コンテンツの開封率を算出することにより、予測情報を生成する。例えば、情報処理装置１００は、モデルＭ１１と、予測対象エリアであるＢエリアに関する各種情報とに基づいて、Ｂエリアに関する予測情報を生成する。

情報処理装置１００は、予測対象エリアのオープンデータを取得する。図１１の例では、情報処理装置１００は、Ｂエリアの環境情報ＥＤを取得する。例えば、情報処理装置１００は、オープンデータ記憶部１２１（図３参照）からＢエリアの環境情報等の種々の情報を取得してもよい。

また、例えば、情報処理装置１００は、予測対象エリアに位置するユーザ情報を取得する。図１１の例では、情報処理装置１００は、Ｂエリアのユーザ情報ＵＤを取得する。例えば、情報処理装置１００は、ユーザ情報記憶部１２２（図４参照）に示すようなユーザ情報や行動情報記憶部１２３（図５参照）に示すようなユーザの行動情報を取得する。

例えば、情報処理装置１００は、ユーザ情報記憶部１２２（図４参照）に格納された位置情報がＢエリアに対応するユーザを対象として、Ｂエリアの予測情報を生成してもよい。例えば、情報処理装置１００は、位置情報がＢエリア内の部分エリアＬＣ２－１であるユーザＵ３やＢエリア内の部分エリアＬＣ２－２であるユーザＵ４等を対象として、Ｂエリアの予測情報を生成してもよい。

例えば、情報処理装置１００は、ユーザＵ３のユーザ情報やユーザＵ３の環境情報等のコンテキスト情報をモデルＭ１１に入力することにより、ユーザＵ３がプッシュ通知を開封するかを予測してもよい。例えば、情報処理装置１００は、ユーザＵ３の位置情報や行動情報等を含む種々の情報をモデルＭ１１に入力し、モデルＭ１１が所定の閾値未満のスコアを出力した場合、ユーザＵ３がプッシュ通知を開封しないと判定してもよい。この場合、情報処理装置１００は、ユーザＵ３がプッシュ通知を開封しないことを示す情報を記憶部１２０（図３参照）へ格納したり、部分エリアＬＣ２－１においてプッシュ通知が１回行われることを示す情報を予測情報記憶部１２６（図８参照）に格納したりしてもよい。

また、例えば、情報処理装置１００は、ユーザＵ４のユーザ情報やユーザＵ４の環境情報等のコンテキスト情報をモデルＭ１１に入力することにより、ユーザＵ４がプッシュ通知を開封するかを予測してもよい。例えば、情報処理装置１００は、ユーザＵ４の位置情報や行動情報等を含む種々の情報をモデルＭ１１に入力し、モデルＭ１１が所定の閾値以上のスコアを出力した場合、ユーザＵ４がプッシュ通知を開封すると判定してもよい。この場合、情報処理装置１００は、ユーザＵ４がプッシュ通知を開封することを示す情報を記憶部１２０へ格納したり、部分エリアＬＣ２－２においてプッシュ通知が１回行われ、開封されることを示す情報を予測情報記憶部１２６（図８参照）に格納したりしてもよい。

例えば、情報処理装置１００は、所定の時間帯にＢエリアに位置するユーザを対象として、予測情報を生成してもよい。例えば、情報処理装置１００は、朝の時間帯（６時～１０時）にＢエリアに位置するユーザを対象として、朝のＢエリアに対応する予測情報を生成してもよい。例えば、情報処理装置１００は、夜の時間帯（１９時～２３時）にＢエリアに位置するユーザを対象として、夜のＢエリアに対応する予測情報を生成してもよい。

上述のように、情報処理装置１００は、モデルＭ１１と、種々の情報に基づいてＢエリアに関する予測情報を生成する。例えば、情報処理装置１００は、Ｂエリアを予測対象エリアとする予測情報を予測情報記憶部１２６に記憶する。

図８中の予測情報記憶部１２６に示す「予測対象エリア」は、予測情報を生成する対象となったエリアを示す。また、図８中の予測情報記憶部１２６に示す「予測情報」は、予測対象エリアについて生成された予測情報を示す。図８中の予測情報記憶部１２６に示す「部分エリア」は、予測対象エリア内の部分エリアを示す。図８中の予測情報記憶部１２６に示す「プッシュ回数」は、予測情報の生成において、対応する部分エリアに位置するユーザにプッシュ通知が行われると予測された回数を示す。また、図８中の予測情報記憶部１２６に示す「開封回数」は、予測情報の生成において、対応する部分エリアに位置するユーザによってプッシュ通知の開封が行われると予測された回数を示す。また、図８中の予測情報記憶部１２６に示す「開封率（％）」は、予測情報の生成において、対応する部分エリアに位置するユーザがプッシュ通知を開封すると予測される割合（＝開封回数／プッシュ回数×１００）を示す。例えば、「開封率（％）」は、０～１００（％）の値となる。例えば、情報処理装置１００は、ユーザの開封率を算出する。

例えば、図８中の予測情報記憶部１２６に示す例において、予測対象エリア「Ｂエリア」についての予測情報は、Ｂエリア内の部分エリアＬＣ２－１に位置するユーザに「２０００（回）」のプッシュ通知が行われると予測されることを示す。また、例えば、Ｂエリア内の部分エリアＬＣ２－１に位置するユーザがプッシュ通知を「４０（回）」開封すると予測されることを示す。また、例えば、Ｂエリア内の部分エリアＬＣ２－１に位置するユーザの開封率が、２千回の通知のうち、４０回開封されると予測されるため、「２（％）」であることを示す。例えば、情報処理装置１００は、部分エリアＬＣ２－１に位置するユーザの開封率を、「２％（＝４０／２０００＊１００）」と算出する。

図１１の例では、情報処理装置１００は、Ｂエリアを予測対象エリアとする予測情報ＰＭ１１を生成する。図１１中のマップ情報ＭＰ１－３のＢエリアに示す予測情報ＰＭ１１は、各部分エリアにおける開封率の高低をヒートマップのような表示態様で示す。図１１の例では、ハッチングが濃い部分エリア程、予測される開封率の高いことを示す。図１１の例では、予測情報ＰＭ１１は、Ｂエリア中の右下の部分エリア等において開封率の高いことを示す。図１１の例では、予測情報ＰＭ１１は、Ｂエリア中の部分エリアＬＣ２－２等において開封率のやや高いことを示す。また、図１１の例では、予測情報ＰＭ１１は、Ｂエリア中の部分エリアＬＣ２－１等において開封率の低いことを示す。すなわち、Ｂエリアにおいては、その右下部分付近での開封率が高く、右下から離れるにつれて開封率が低下することを示す。

このように、情報処理装置１００は、プッシュ通知の実績が不十分なＢエリアについてプッシュ通知の開封率を予測する予測情報を生成する。これにより、情報処理装置１００は、プッシュ通知の実績が不十分なＢエリアについてもプッシュ通知に関する種々のサービスを精度よく行うことが可能となる。例えば、情報処理装置１００は、人口が多いエリア等の情報が収集容易な地点については、そのエリアの情報を用いて分布情報を生成することが可能である。一方、情報処理装置１００は、人口が少ない等の理由により取得可能な情報量が十分でないエリアについては、そのエリアの情報を用いて分布情報を生成することが難しい。そのため、情報処理装置１００は、情報が十分なエリアの情報を用いて、情報が不十分なエリアの予測情報を生成することにより、情報が不十分なエリアについても所望の予測が可能となる。このように、情報処理装置１００は、実績が十分に取得可能な所定のエリアの情報に基づいて、実績が不十分な取得可能な他のエリアにおけるユーザの所定の操作の有無を予測可能にすることができる。また、例えば、情報処理装置１００は、特定のＰＯＩが位置する周辺は開封率が高い傾向にあることを示す予測情報を生成することができる。例えば、情報処理装置１００は、特定の属性のユーザが多いエリアは開封率が高い傾向にあることを示す予測情報等を生成することができる。また、例えば、情報処理装置１００は、同じ位置であっても、時間帯に応じて予測情報を生成することにより、所定のイベントが行われるタイミングで開封率が高くなることを示す予測情報等を生成することができる。

上述のように情報処理装置１００が生成する予測情報に基づいて、種々の予測が可能となる。例えば、情報処理装置１００が位置（エリア等）及び時間（時間帯等）に基づく予測情報を生成することにより、生成された予測情報により、あるエリアにおいて開封率が高くなるタイミングが予測可能となる。例えば、情報処理装置１００が位置（エリア等）及び時間（時間帯等）に基づく予測情報を生成することにより、生成された予測情報により、バス停付近のエリアであって、かつ、学生が集まるタイミングで、そのバス停付近での開封率が高くなること等が予測可能となる。また、情報処理装置１００が位置（エリア等）及び時間（時間帯等）に基づく予測情報を生成することにより、生成された予測情報により、バス停付近のエリアであって、かつ、学生が集まるタイミング、かつバスが来る直前で、そのバス停付近での開封率が高くなること等が予測可能となる。

また、例えば、情報処理装置１００が位置（エリア等）及び時間（時間帯等）に基づく予測情報を生成することにより、生成された予測情報により、重要なレースが開催される競馬場付近のエリアであって、かつ、重要なレースが出走するタイミングで、その競馬場付近での開封率が高くなること等が予測可能となる。また、例えば、情報処理装置１００が位置（エリア等）及び時間（時間帯等）に基づく予測情報を生成することにより、生成された予測情報により、重要なレースが開催される競馬場付近のエリアであって、かつ、重要なレースが出走前の所定のタイミング（例えば、出走前２０分等）で、その競馬場付近での開封率が高くなること等が予測可能となる。また、情報処理装置１００は、このような予測情報を用いて、エリアにおいて開封率が高くなる時間帯でのそのエリアにおける広告配信については、他の時間帯よりも料金を高くしてもよい。また、例えば、情報処理装置１００は、このような予測情報を用いて、エリアにおいて開封率が高くなる時間帯でのそのエリアに位置する端末装置１０に配信するコンテンツ中の広告枠への表示単価を、他の時間帯よりも高くしてもよい。なお、上記は一例であり、情報処理装置１００は、予測情報を種々のサービスに利用してもよい。

例えば、情報処理装置１００は、生成した予測情報に基づいて、プッシュ通知を行ってもよい。例えば、情報処理装置１００は、予測情報ＰＭ１１中のハッチングが濃い部分（Ｂエリア中の右下）に位置するユーザに対して、プッシュ通知を行ってもよい。また、例えば、情報処理装置１００は、生成した予測情報を外部の情報処理装置へ提供してもよい。例えば、情報処理装置１００は、コンテンツ提供サービスを行う外部装置へ予測情報を提供してもよい。

〔１－１－１．シミュレーションによる予測情報の生成〕
上述したように、情報処理装置１００は、予測対象エリアであるＢエリアに位置するユーザの行動情報や周囲の環境情報等のコンテキスト情報と、モデルＭ１１とに基づいて予測情報を生成する場合を示したが、所定のシミュレーションにより予測情報を生成してもよい。この場合、情報処理装置１００の記憶部１２０には、仮想空間に関する情報等の所定のシミュレータに関する各種情報が格納されたシミュレータ情報記憶部（図示省略）が含まれてもよい。例えば、情報処理装置１００は、Ｂエリアにおける人流やＢエリアの特長のコンテキスト情報を反映した仮想空間上のＢエリアに基づいて予測情報を生成してもよい。

また、情報処理装置１００のモデル情報記憶部１２５には、シミュレーションにおいてエージェントに適用されるモデル（以下、「エージェントモデル」ともいう）が格納されてもよい。例えば、情報処理装置１００は、シミュレーションにおいてエージェントに適用するモデルを生成してもよい。例えば、情報処理装置１００は、ユーザの行動情報に基づいてモデルを生成する。例えば、情報処理装置１００は、Ａエリアにおけるユーザの行動情報に基づいて、エージェントモデルを生成してもよい。例えば、情報処理装置１００は、ユーザの行動情報に基づいて、各属性に応じたエージェントモデルを生成する。例えば、情報処理装置１００は、ユーザの行動情報に基づいて、２０代男性のエージェントモデルや２０代女性のエージェントモデル等の種々のエージェントモデルを生成してもよい。例えば、情報処理装置１００は、オープンデータ等の種々の環境情報を加味して、エージェントモデルを生成してもよい。例えば、情報処理装置１００は、生成したエージェントモデルをモデル情報記憶部１２５に記憶してもよい。

例えば、情報処理装置１００がシミュレータ情報記憶部に記憶された仮想空間に関する情報等の所定のシミュレータに関する各種情報を用いて、所定のシミュレータにおけるエージェントの行動に関するシミュレーション情報（シミュレーションログ）を生成してもよい。例えば、情報処理装置１００は、モデル情報記憶部１２５に記憶されたエージェントモデルをエージェントに割り当て、プッシュ通知やその開封に関するシミュレーションを行うことによりシミュレーション情報（シミュレーションログ）を生成してもよい。また、情報処理装置１００は、生成したシミュレーション情報に基づいて、予測情報を生成してもよい。

例えば、情報処理装置１００は、予測対象エリアであるＢエリアにおけるユーザ（人間）の行動をシミュレーションしてシミュレーションログを生成してもよい。例えば、Ｂエリアにおける実際のユーザへのプッシュ通知の回数が不足している等の理由により、Ｂエリアにおけるプッシュ通知の開封率を予測するために、シミュレーションに基づいて予測情報を生成してもよい。

例えば、情報処理装置１００は、各エージェントに適用するエージェントモデルを決定する。例えば、情報処理装置１００は、Ｂエリアの環境情報ＥＤに含まれるＢエリアの人口構成等に関する情報に基づいて、各エージェントに適用するエージェントモデルを決定してもよい。例えば、情報処理装置１００は、属性情報として年齢及び性別に関するＢエリアの人口構成に基づいて、各エージェントに適用するエージェントモデルを決定してもよい。なお、人口構成に用いる属性情報は年齢や性別に限らず、種々の属性情報が用いられてもよい。

以下の例では、Ｂエリアの人口構成は２０代男性が多いものとする。例えば、情報処理装置１００は、Ｂエリアにおける人間の数（人口等）だけエージェントを生成する。図１１の例では、情報処理装置１００は、Ｂエリアにおける人口が５万人であり、５万のエージェントを生成するものとする。例えば、情報処理装置１００は、Ａエリアにおける人口構成を反映するように５万のエージェントに属性を割り当てる。例えば、情報処理装置１００は、Ｂエリアにおける２０代男性の割合が５０％である場合、２万５千のエージェントに２０代男性の属性を割り当てる。また、例えば、情報処理装置１００は、Ｂエリアにおける２０代女性の割合が２０％である場合、１万のエージェントに２０代女性の属性を割り当てる。

例えば、情報処理装置１００は、２０代男性の属性のエージェントには、２０代男性に対応するエージェントモデルを適用する。例えば、情報処理装置１００は、２０代男性の属性が割り当てられた２万５千のエージェントには、２０代男性に対応するエージェントモデルを適用する。また、例えば、情報処理装置１００は、２０代女性の属性が割り当てられた１万のエージェントには、２０代女性に対応するエージェントモデルを適用する。

例えば、情報処理装置１００は、エージェントモデルを適用したエージェントによりシミュレーションを行う。例えば、Ｂエリアに対応する仮想空間に適用された各エージェントは、各自に割り当てられたエージェントモデルに応じて行動を行う。例えば、２０代男性に対応するエージェントモデルが適用されたエージェントは、所定のタイミングでプッシュ通知がされた場合、その時点のＢエリアにおける位置や状況等のコンテキストに応じて、プッシュ通知を開封するかどうかを決定する。また、例えば、２０代女性に対応するエージェントモデルが適用されたエージェントは、所定のタイミングでプッシュ通知がされた場合、その時点のＢエリアにおける位置や状況等のコンテキストに応じて、プッシュ通知を開封するかどうかを決定する。

このように、情報処理装置１００は、Ｂエリアに対応する仮想空間において各エージェントに行動を行わせることにより、シミュレーションログを生成する。例えば、情報処理装置１００は、生成したシミュレーションログを記憶部１２０に格納してもよい。例えば、情報処理装置１００は、生成したシミュレーションログに基づいて予測情報を生成する。例えば、情報処理装置１００は、Ｂエリアに対応するシミュレーションログに基づいて、Ｂエリアを予測対象エリアとする予測情報（図１１中の予測情報ＰＭ１１等）を生成する。

〔１－２．モデルの生成について〕
情報処理装置１００は、上記に限らず種々の方法によりモデルを生成してもよい。例えば、情報処理装置１００は、生成したモデルの情報を用いて、モデルを生成（更新）してもよい。情報処理装置１００は、生成したモデルの情報をフィードバックして、モデルを生成（更新）してもよい。例えば、情報処理装置１００は、生成したモデルの情報を制約条件として用いることにより、モデルを生成（更新）してもよい。例えば、情報処理装置１００は、生成したモデルの情報のうち、所定の条件を満たす特徴量を制約条件として、モデルを生成（更新）してもよい。

例えば、情報処理装置１００は、生成したモデルの情報のうち、重みの絶対値が所定の閾値（例えば０．０１や０．００１等）以下である特徴量を除いた特徴量を含むモデルを生成（更新）してもよい。例えば、情報処理装置１００は、生成したモデルＭ１のうち、重みの絶対値が０．００００１であり、所定の閾値（０．００１）以下である特徴量（特徴量＃Ｘ）を除いてモデルＭ１を生成（更新）してもよい。例えば、情報処理装置１００は、特徴量＃Ｘが要素「サッカー場」及び「きゅうり」の組合せに対応する場合、関係性の低い要素の組合せに対応する特徴量を除外することにより、モデルＭ１をより適切に生成（更新）することができる。

〔２．情報処理装置の構成〕
次に、図３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３は、実施形態に係る情報処理装置の構成例を示す図である。図３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。なお、情報処理装置１００は、情報処理装置１００の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（例えば、液晶ディスプレイ等）を有してもよい。

（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。そして、通信部１１０は、ネットワーク（例えば図２中のネットワークＮ）と有線または無線で接続され、端末装置１０との間で情報の送受信を行う。

（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、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。実施形態に係る記憶部１２０は、図３に示すように、オープンデータ記憶部１２１と、ユーザ情報記憶部１２２と、行動情報記憶部１２３と、分布情報記憶部１２４と、モデル情報記憶部１２５と、予測情報記憶部１２６と、関係度情報記憶部１２７とを有する。

また、図示することは省略するが、オープンデータ記憶部１２１には、種々のオープンデータが記憶される。例えば、オープンデータ記憶部１２１には、工事や渋滞等の道路情報等の交通に関する情報や、天気や気温等の気象に関する情報や、家計や消費等の経済に関する情報等を含むオープンデータが記憶されてもよい。

また、図示することは省略するが、記憶部１２０には、コンテンツＣＴ１１等のコンテンツ情報を記憶するコンテンツ情報記憶部が含まれる。コンテンツ情報記憶部は、コンテンツを識別する情報（コンテンツＩＤ等）に対応付けて各コンテンツの内容に示すタグ情報（例えば、サッカー、きゅうり等）を記憶する。コンテンツ情報記憶部には、コンテンツＣＴ１１等のコンテンツ自体やコンテンツＣＴ１１等のコンテンツのカテゴリ（例えば、スポーツ、芸能等）を示す情報などの種々のコンテンツに関する情報が記憶される。また、図示することは省略するが、記憶部１２０には、店舗やスタジアム等の各ＰＯＩの施設名や施設の位置やエリア等を記憶するＰＯＩ情報記憶部が含まれる。ＰＯＩ情報記憶部は、各ＰＯＩを識別する情報（ＰＯＩのＩＤ等）に対応付けて各ＰＯＩのカテゴリ等の種々の情報を記憶する。

（ユーザ情報記憶部１２２）
実施形態に係るユーザ情報記憶部１２２は、ユーザに関する各種情報を記憶する。例えば、ユーザ情報記憶部１２２は、ユーザ属性に関する各種情報やユーザの行動に関する各種情報を記憶する。図４は、実施形態に係るユーザ情報記憶部の一例を示す図である。図４に示すユーザ情報記憶部１２２は、「ユーザＩＤ」、「年齢」、「性別」、「自宅」、「勤務地」、「興味」、「位置情報」といった項目が含まれる。

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

また、「自宅」は、ユーザＩＤにより識別されるユーザの自宅の位置情報を示す。なお、図４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、緯度や経度を示す情報であってもよい。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、ユーザＩＤにより識別されるユーザの勤務地の位置情報を示す。なお、図４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、緯度や経度を示す情報であってもよい。また、例えば、「勤務地」は、地域名や住所であってもよい。

また、「興味」は、ユーザＩＤにより識別されるユーザの興味を示す。すなわち、「興味」は、ユーザＩＤにより識別されるユーザが関心の高い対象を示す。なお、図４に示す例では、「興味」は、各ユーザに１つずつ図示するが、複数であってもよい。

また、「位置情報」は、所定の日時（例えば予測情報の生成時）におけるユーザの位置情報を示す。例えば、「位置情報」は、所定の日時（例えば予測情報の生成時）の前に取得された最新のユーザの位置情報を示す。なお、図４の例では「位置情報」を抽象的な符号「ＬＣ１－１」等で図示するが、「位置情報」には、具体的な緯度経度情報等が記憶されてもよい。

例えば、図４に示す例において、ユーザＩＤ「Ｕ１」により識別されるユーザの年齢は、「２０代」であり、性別は、「男性」であることを示す。また、例えば、ユーザＩＤ「Ｕ１」により識別されるユーザは、自宅が「ＬＣ１１」であることを示す。また、例えば、ユーザＩＤ「Ｕ１」により識別されるユーザは、勤務地が「ＬＣ１２」であることを示す。また、例えば、ユーザＩＤ「Ｕ１」により識別されるユーザは、「経済」に興味があることを示す。例えば、ユーザＵ１については、Ａエリアの部分エリアＬＣ１－１内に位置したことを示す位置情報が所定の日時の前に最後に取得された位置情報、すなわち最新の位置情報であることを示す。

なお、ユーザ情報記憶部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、ユーザ情報記憶部１２２は、ユーザの属性情報として、年齢や性別に加えて他のデモグラフィック属性情報やサイコグラフィック属性情報を記憶してもよい。例えば、ユーザ情報記憶部１２２は、氏名、家族構成、収入等の情報を記憶してもよい。

（行動情報記憶部１２３）
実施形態に係る行動情報記憶部１２３は、ユーザの行動に関する各種情報を記憶する。図５は、実施形態に係る行動情報記憶部の一例を示す図である。例えば、行動情報記憶部１２３は、各ユーザの端末装置１０に提供したコンテンツに対するユーザの行動情報を記憶する。図５に示す行動情報記憶部１２３には、「ユーザＩＤ」、「行動ＩＤ」、「種別」、「内容」、「日時」、「位置」といった項目が含まれる。なお、ユーザの行動には、ユーザが能動的に行った行動に限らず、ユーザに対して行われた行動、すなわちユーザが受動的な行動等の種々の行動が含まれてもよい。

「ユーザＩＤ」は、ユーザを識別するための識別情報を示す。例えば、ユーザＩＤ「Ｕ１」により識別されるユーザは、図１の例に示したユーザＵ１に対応する。また、「行動ＩＤ」は、ユーザの行動を識別する情報を示す。また、「種別」は、対応するユーザの行動の種別に関する情報を示す。また、「内容」は、対応するユーザの行動において対象となった内容を示す。「日時」は、対応するユーザの行動が行われた日時を示す。「日時」には、「ｄｔ１１」等のように抽象的に図示するが、「２０１８年９月１３日２２時３１分５２秒」等の具体的な日時が記憶されてもよい。

また、「位置」は、ユーザの行動に対応するユーザの位置情報を示す。例えば、「位置」は、ユーザの行動情報が取得された際のユーザの位置情報を示す。なお、図５の例では「位置」を抽象的な符号「ＬＣ１－１」等で図示するが、「位置情報」には、具体的な緯度経度情報等が記憶されてもよい。また、「位置情報」には、店舗やスタジアム等の施設名を示すＰＯＩ（関心地点）名やエリア等が含まれてもよい。

例えば、図５の例では、ユーザＩＤ「Ｕ１」により識別されるユーザ（ユーザＵ１）は、行動ＩＤ「ＡＣ１１」により識別される行動（行動ＡＣ１１）や行動ＩＤ「ＡＣ１２」により識別される行動（行動ＡＣ１２）等を行ったことを示す。具体的には、図５の例では、日時ｄｔ１１に部分エリアＬＣ１－１内に位置するユーザＵ１について、コンテンツＣＴ１１の通知（行動ＡＣ１１）が行われたことを示す。例えば、行動ＡＣ１１は、日時ｄｔ１１にコンテンツＣＴ１１がユーザＵ１が利用する端末装置１０にプッシュ通知により提供されたことを示す。また、図５の例ではユーザＵ１は、日時ｄｔ１１においてコンテンツＣＴ１１がプッシュ通知された後の日時ｄｔ１２において、部分エリアＬＣ１－１内でコンテンツＣＴ１１を開封する操作（行動ＡＣ１２）を行ったことを示す。また、図５の例ではユーザＵ１は、時間ＲＴＭ１（例えば５分や１０分等）の間、コンテンツＣＴ１１の閲覧（行動ＡＣ１３）を行ったことを示す。例えば、ユーザＵ１は、日時ｄｔ１２から日時ｄｔ１３までの間の時間ＲＴＭ１に亘って、部分エリアＬＣ１－１内でコンテンツＣＴ１１の閲覧（行動ＡＣ１３）を行ったことを示す。

なお、行動情報記憶部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、行動情報記憶部１２３は、各行動情報が取得された際のユーザの位置情報を各行動情報に対応付けて記憶してもよい。また、図５では、ユーザＩＤごとに行動情報が行動情報記憶部１２３に記憶される場合を示したが、行動情報は、ユーザＩＤごとに限らず、例えば時刻順に記憶されてもよい。

（分布情報記憶部１２４）
実施形態に係る分布情報記憶部１２４は、分布に関する各種情報を記憶する。図６は、実施形態に係る分布情報記憶部の一例を示す図である。例えば、分布情報記憶部１２４は、各集計対象エリアの分布情報を記憶する。図６に示す分布情報記憶部１２４には、「集計対象エリア」、「分布情報」といった項目が含まれる。「分布情報」には、「部分エリア」、「プッシュ回数」、「開封回数」、「開封率（％）」といった項目が含まれる。

「集計対象エリア」は、分布情報を収集する対象となったエリアを示す。また、「分布情報」は、集計対象エリアについて収集された分布情報を示す。「部分エリア」は、集計対象エリア内の部分エリアを示す。「プッシュ回数」は、対応する部分エリアに位置するユーザにプッシュ通知が行われた回数を示す。また、「開封回数」は、対応する部分エリアに位置するユーザがプッシュ通知を開封した回数を示す。また、「開封率（％）」は、対応する部分エリアに位置するユーザがプッシュ通知を開封した割合（＝開封回数／プッシュ回数×１００）を示す。例えば、「開封率（％）」は、０～１００（％）の値となる。

例えば、図６に示す例において、集計対象エリア「Ａエリア」について分布情報が収集されたことを示す。集計対象エリア「Ａエリア」は、図１１中のエリアＡＲ１１に対応する。例えば、集計対象エリア「Ａエリア」内の部分エリアＬＣ１－１に位置するユーザに「１００００（回）」のプッシュ通知が行われたことを示す。また、例えば、集計対象エリア「Ａエリア」内の部分エリアＬＣ１－１に位置するユーザがプッシュ通知を「２０００（回）」開封したことを示す。また、例えば、集計対象エリア「Ａエリア」内の部分エリアＬＣ１－１に位置するユーザの開封率が、１万回の通知のうち、２千回開封されているため、「２０（％）」であることを示す。

なお、分布情報記憶部１２４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。

（モデル情報記憶部１２５）
実施形態に係るモデル情報記憶部１２５は、モデルに関する情報を記憶する。例えば、モデル情報記憶部１２５は、予測情報の生成に用いるモデル情報を記憶する。図７は、実施形態に係るモデル情報記憶部の一例を示す図である。図７に示すモデル情報記憶部１２５は、モデル情報として、モデルＭ１等に対応させて「特徴量＃１（５分前にプラス感情×３０代×男性）」～「特徴量＃３（５分前にプラス感情×２０代×男性）」等といった項目を有する。

例えば、図７に示す例において、モデルＭ１に関するモデル情報は、５分前にプラス感情、３０代及び男性の組合せに対応する特徴量＃１の重みが「０．５」、５分前にプラス感情、３０代及び女性の組合せに対応する特徴量＃２の重みが「－０．１」、５分前にプラス感情、２０代及び男性の組合せに対応する特徴量＃３の重みが「０．２」等であることを示す。例えば、モデルの素性（特徴量）がｍ次元のベクトルで表現される場合、特徴量数（素性数）はｍ個になり、特徴量＃＃１～特徴量＃ｍの重みが記憶される。例えば、各特徴量の重みは、実数であり、マイナス値であってもよい。

なお、モデル情報記憶部１２５は、上記に限らず、目的に応じて種々のモデル情報を記憶してもよい。例えば、モデル情報記憶部１２５は、確率モデル等の種々のモデル情報が記憶されてもよい。

（予測情報記憶部１２６）
実施形態に係る予測情報記憶部１２６は、予測に関する各種情報を記憶する。例えば、予測情報記憶部１２６は、予測に関する各種情報や予測により生成される各種情報を記憶する。図８は、実施形態に係る予測情報記憶部の一例を示す図である。図８に示す予測情報記憶部１２６は、「予測対象エリア」、「予測情報」といった項目が含まれる。「予測情報」には、「部分エリア」、「プッシュ回数」、「開封回数」、「開封率（％）」といった項目が含まれる。

「予測対象エリア」は、予測情報を生成する対象となったエリアを示す。また、「予測情報」は、予測対象エリアについて生成された予測情報を示す。「部分エリア」は、予測対象エリア内の部分エリアを示す。「プッシュ回数」は、予測情報の生成において、対応する部分エリアに位置するユーザにプッシュ通知が行われると予測された回数を示す。また、「開封回数」は、予測情報の生成において、対応する部分エリアに位置するユーザによってプッシュ通知の開封が行われると予測された回数を示す。また、「開封率（％）」は、予測情報の生成において、対応する部分エリアに位置するユーザがプッシュ通知を開封すると予測される割合（＝開封回数／プッシュ回数×１００）を示す。例えば、「開封率（％）」は、０～１００（％）の値となる。

例えば、図８に示す例において、予測対象エリア「Ｂエリア」について予測情報が生成されたことを示す。予測対象エリア「Ｂエリア」は、図１１中のエリアＡＲ２１に対応する。例えば、予測対象エリア「Ｂエリア」内の部分エリアＬＣ２－１に位置するユーザに「２０００（回）」のプッシュ通知が行われると予測されることを示す。また、例えば、予測対象エリア「Ｂエリア」内の部分エリアＬＣ２－１に位置するユーザがプッシュ通知を「４０（回）」開封すると予測されることを示す。また、例えば、予測対象エリア「Ｂエリア」内の部分エリアＬＣ２－１に位置するユーザの開封率が、２千回の通知のうち、４０回開封されると予測されるため、「２（％）」であることを示す。

なお、予測情報記憶部１２６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。

（関係度情報記憶部１２７）
実施形態に係る関係度情報記憶部１２７は、ユーザの所定の行動に関係する要素に関する各種情報を記憶する。例えば、関係度情報記憶部１２７は、ユーザの所定の行動を予測するモデルの特徴量のうち、ユーザの所定の行動に関係する特徴量に関する各種情報を記憶する。図９は、実施形態に係る関係度情報記憶部の一例を示す図である。図９に示す関係度情報記憶部１２７は、「対象行動」、「順位」、「関係情報ＩＤ」、「重み」、「要素＃１」、「要素＃２」、「要素＃３」といった項目が含まれる。関係度情報記憶部１２７には、「要素＃１」～「要素＃３」に限らず、「要素＃４」、「要素＃５」等、特徴量に対応する要素の数に応じた項目が含まれる。

「対象行動」は、対象とするユーザの所定の行動を示す。また、「順位」は、各関係情報の対象行動との関係の度合いの順位（ランキング）を示す。図９の例では、「順位」は、各関係情報の重みの絶対値が大きい程、高い順位（ランキング）が割り当てられる場合を示す。「関係情報ＩＤ」は、関係情報を識別するための情報を示す。「重み」は、関係情報に対応する特徴量の重みを示す。「要素＃１」～「要素＃３」等は、関係情報に対応する特徴量の要素を示す。

図９に示す例では、対象行動がユーザのコンテンツに対する行動であることを示す。例えば、対象行動がユーザのコンテンツ開封等の行動であることを示す。また、関係情報ＩＤ「ＳＴ１」により識別される関係情報（関係情報ＳＴ１）は、重みが「０．５」の特徴量に対応し、要素＃１が「５分前にプラス感情」であり、要素＃２が「３０代」であり、要素＃３が「男性」であることを示す。すなわち、関係情報ＳＴ１は、モデルＭ１の特徴量＃１に対応する。

なお、関係度情報記憶部１２７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。

（制御部１３０）
図３の説明に戻って、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、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（決定プログラムや情報処理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。

図３に示すように、制御部１３０は、取得部１３１と、決定部１３２と、生成部１３３と、提供部１３４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３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。

（取得部１３１）
取得部１３１は、各種情報を取得する。取得部１３１は、端末装置１０等の外部装置から各種情報を取得する。取得部１３１は、記憶部１２０から各種情報を取得する。取得部１３１は、外部の情報処理装置から各種情報を取得する。取得部１３１は、オープンデータ記憶部１２１やユーザ情報記憶部１２２や行動情報記憶部１２３や分布情報記憶部１２４やモデル情報記憶部１２５や予測情報記憶部１２６や関係度情報記憶部１２７から各種情報を取得する。取得部１３１は、所定のユーザの行動情報を取得する。取得部１３１は、オープンデータに関する情報を取得する。取得部１３１は、端末装置１０から位置情報等の行動情報を取得する。

取得部１３１は、コンテンツの配信時点とは異なる他の時点に関するコンテキストの各要素と、コンテンツに対する第１ユーザの所定の行動との関係度合いを示す関係度情報を取得する。取得部１３１は、所定のエリアに位置する第１ユーザの所定の行動に関する他の行動情報に基づいて生成された関係度情報と、所定のエリア以外とは異なる他のエリアに位置する第２ユーザの行動情報を取得する。

取得部１３１は、各要素に対応する各特徴量を含むモデルであって、コンテキストのコンテキスト情報に基づいて、コンテンツに対するユーザの所定の行動の予測に用いるモデルを取得する。取得部１３１は、コンテキスト情報の入力に応じて、コンテンツに対するユーザの所定の行動に関するスコアを出力するモデルを取得する。取得部１３１は、ユーザに配信されたコンテンツに対する、ユーザの所定の行動に関する行動情報である正解情報と、コンテキスト情報に基づいて生成されたモデルを取得する。取得部１３１は、他の時点におけるユーザの感情を含む各要素と、コンテンツに対する第１ユーザの所定の行動との関係度合いを示す関係度情報を取得する。取得部１３１は、コンテンツの配信時点よりも前の時点である他の時点におけるユーザの感情を含む各要素と、コンテンツに対する第１ユーザの所定の行動との関係度合いを示す関係度情報を取得する。

取得部１３１は、所定のエリアに位置するユーザが利用する端末装置１０に配信されたコンテンツに対する、当該ユーザの所定の操作の有無を示す操作情報等の行動情報を取得する。取得部１３１は、所定のエリアに位置するユーザが利用する端末装置においてプッシュ通知されたコンテンツに対する、当該ユーザの所定の操作の有無を示す操作情報等の行動情報を取得する。取得部１３１は、所定のエリアに位置するユーザが利用する端末装置においてプッシュ通知されたコンテンツに対する、当該ユーザによる開封操作の有無を示す操作情報等の行動情報を取得する。

取得部１３１は、所定のエリア内においてプッシュ通知されたコンテンツに対して、ユーザが所定の操作を行った際の当該ユーザの位置情報が対応付けられた操作情報等の行動情報を取得する。取得部１３１は、所定のエリア内においてプッシュ通知されたコンテンツに対して、ユーザが所定の操作を行った際の時間情報が対応付けられた操作情報等の行動情報を取得する。取得部１３１は、所定のエリア内においてプッシュ通知されたコンテンツに対して、ユーザが所定の操作を行った際のコンテキスト情報が対応付けられた操作情報等の行動情報を取得する。取得部１３１は、所定のエリア内においてプッシュ通知されたコンテンツに対して、ユーザが所定の操作を行った際の所定のエリアに関する環境情報が対応付けられた操作情報等の行動情報を取得する。

図１の例では、取得部１３１は、あるユーザが利用する端末装置１０に所定のコンテンツがプッシュ通知され、ユーザにより開封されたことを示す情報を取得する。取得部１３１は、Ａエリアに位置するユーザＵ１が利用する端末装置１０に所定のコンテンツがプッシュ通知され、ユーザＵ１により開封されたことを示す情報を取得する。取得部１３１は、Ａエリアの部分エリアＬＣ１－１内に位置するユーザＵ１が利用する端末装置１０に所定のコンテンツがプッシュ通知され、ユーザＵ１により開封されたことを示す情報を取得する。

取得部１３１は、通知されたコンテンツ（コンテンツＣＴ１１）が開封後に、ユーザにより時間ＲＴＭ１の間閲覧されたことを示す情報を取得する。取得部１３１は、ステップＳ１－１で通知されたコンテンツが開封後に、ユーザの端末装置１０に時間ＲＴＭ１の間表示されたことを示す情報を取得してもよい。

取得部１３１は、あるユーザが利用する端末装置１０に所定のコンテンツがプッシュ通知され、ユーザにより開封されなかったことを示す情報を取得する。取得部１３１は、Ａエリアに位置するユーザＵ２が利用する端末装置１０に所定のコンテンツがプッシュ通知され、ユーザＵ２により開封されなかったことを示す情報を取得する。取得部１３１は、Ａエリアの部分エリアＬＣ１－２内に位置するユーザＵ２が利用する端末装置１０に所定のコンテンツがプッシュ通知され、ユーザＵ２により開封されなかったことを示す情報を取得する。

取得部１３１は、ユーザＵ３が利用する端末装置１０に所定のコンテンツがプッシュ通知され、ユーザＵ３により開封されたことを示す情報を取得する。取得部１３１は、Ｘエリアに位置するユーザＵ３がプッシュ通知された所定のコンテンツ（例えばコンテンツＣＴ１１等）を開封したことを示す行動情報を取得する。

取得部１３１は、予測対象エリアのオープンデータを取得する。図１１の例では、取得部１３１は、Ｂエリアの環境情報ＥＤを取得する。取得部１３１は、オープンデータ記憶部１２１（図３参照）からＢエリアの環境情報等の種々の情報を取得してもよい。

また、取得部１３１は、予測対象エリアに位置するユーザ情報を取得する。図１１の例では、取得部１３１は、Ｂエリアのユーザ情報ＵＤを取得する。取得部１３１は、ユーザ情報記憶部１２２（図４参照）に示すようなユーザ情報や行動情報記憶部１２３（図５参照）に示すようなユーザの行動情報を取得する。

（決定部１３２）
決定部１３２は、各種情報を決定する。決定部１３２は、各種情報を判定する。決定部１３２は、記憶部１２０に記憶された各種情報に基づいて、種々の情報を決定する。決定部１３２は、記憶部１２０に記憶された各種情報に基づいて、種々の情報を判定する。決定部１３２は、オープンデータ記憶部１２１やユーザ情報記憶部１２２や行動情報記憶部１２３や分布情報記憶部１２４やモデル情報記憶部１２５や予測情報記憶部１２６や関係度情報記憶部１２７等に基づいて、各種情報を決定する。決定部１３２は、オープンデータ記憶部１２１やユーザ情報記憶部１２２や行動情報記憶部１２３や分布情報記憶部１２４やモデル情報記憶部１２５や予測情報記憶部１２６や関係度情報記憶部１２７等に基づいて、各種情報を判定する。決定部１３２は、取得部１３１により取得された各種情報に基づいて、種々の情報を決定する。決定部１３２は、取得部１３１により取得された各種情報に基づいて、種々の情報を判定する。決定部１３２は、生成部１３３により生成された各種情報に基づいて、種々の情報を決定する。決定部１３２は、生成部１３３により生成された各種情報に基づいて、種々の情報を判定する。決定部１３２は、予測情報の生成に用いるモデルを決定する。図１１の例では、決定部１３２は、予測情報の生成に用いるモデルをモデルＭ１１に決定する。

図１の例では、決定部１３２は、２以上の要素を組み合わせた特徴量を含むモデルを生成する。例えば、決定部１３２は、コンテキスト情報の要素を組み合わせた特徴量を決定する。例えば、決定部１３２は、コンテキスト情報の各カテゴリ間の要素を組み合わせた特徴量を決定する。

例えば、決定部１３２は、コンテキスト情報のうち、コンテンツ配信時点とは別の時点のコンテキストの第１要素に対応する要素群ＥＬ１と、第１要素とは異なる第２要素に対応する要素群ＥＬ２との各組み合わせに基づいて、モデルの特徴量を決定する。例えば、決定部１３２は、要素群ＥＬ１の第１要素と、要素群ＥＬ２の第２要素との各組合せを、モデルの特徴量に決定する。例えば、決定部１３２は、要素群ＥＬ１の第１要素である「５分前にプラス感情」や「１分前にマイナス感情」や「３分前に雨」等と、要素群ＥＬ２の第２要素である「３０代」や「男性」や「サッカー場」等との各組合せを、モデルの特徴量に決定する。

決定部１３２は、５分前にプラス感情、３０代及び男性の組合せに対応する特徴量＃１や、５分前にプラス感情、３０代及び女性の組合せに対応する特徴量＃２や、５分前にプラス感情、２０代及び男性の組合せに対応する特徴量＃３等をモデルＭ１の特徴量に決定する。決定部１３２は、モデルＭ１の特徴量のうち、特徴量＃１が重みの絶対値が最も大きいため、特徴量＃１に対応する関係情報ＳＴ１の順位を１位に決定する。決定部１３２は、モデルＭ１の特徴量のうち、要素「１分前にマイナス感情」、「２０代」及び「女性」の組合せに対応する特徴量が重みの絶対値が特徴量＃１の次に大きいため、その特徴量に対応する関係情報ＳＴ２の順位を２位に決定する。

決定部１３２は、生成した関係度情報に基づいて、関係要素情報を生成する。決定部１３２は、関係要素情報を生成する対象となるユーザ（対象ユーザ）を決定する。決定部１３２は、Ｘエリアに位置するユーザＵ３を対象ユーザに決定する。決定部１３２は、Ａエリア以外の他のエリアであるＸエリアに位置する第２ユーザであるユーザＵ３を対象ユーザに決定する。

決定部１３２は、ユーザＵ３の行動が所定の基準を満たすかどうかを判定する。例えば、決定部１３２は、ユーザＵ３の行動情報とコンテンツを開封したことを条件とする所定の条件とを比較することにより、所定の基準を満たすかどうかを判定する。例えば、決定部１３２は、コンテンツが配信されたユーザの行動情報にそのコンテンツの開封の行動情報が含まれる場合、所定の基準を満たすと判定する。

決定部１３２は、ユーザ情報やユーザの位置する周囲の環境情報等を入力とし、入力に基づいてスコアをモデルＭ１１が出力するスコアが所定の閾値（例えば、「０．５」等）以上である場合に、そのユーザがプッシュ通知されるコンテンツを開封すると判定してもよい。決定部１３２は、ユーザＵ３の位置情報や行動情報等を含む種々の情報をモデルＭ１１に入力し、モデルＭ１１が所定の閾値未満のスコアを出力した場合、ユーザＵ３がプッシュ通知を開封しないと判定してもよい。決定部１３２は、ユーザＵ４の位置情報や行動情報等を含む種々の情報をモデルＭ１１に入力し、モデルＭ１１が所定の閾値以上のスコアを出力した場合、ユーザＵ４がプッシュ通知を開封すると判定してもよい。

決定部１３２は、各エージェントに適用するエージェントモデルを決定する。決定部１３２は、Ｂエリアの環境情報ＥＤに含まれるＢエリアの人口構成等に関する情報に基づいて、各エージェントに適用するエージェントモデルを決定してもよい。決定部１３２は、属性情報として年齢及び性別に関するＢエリアの人口構成に基づいて、各エージェントに適用するエージェントモデルを決定してもよい。

（生成部１３３）
生成部１３３は、各種情報を生成する。生成部１３３は、各種情報を推定する。生成部１３３は、各種情報を選択する。生成部１３３は、各種情報を抽出する。生成部１３３は、各種情報を算出する。生成部１３３は、記憶部１２０に記憶された各種情報に基づいて、種々の情報を推定する。生成部１３３は、記憶部１２０に記憶された各種情報に基づいて、種々の情報を選択する。生成部１３３は、記憶部１２０に記憶された各種情報に基づいて、種々の情報を抽出する。生成部１３３は、記憶部１２０に記憶された各種情報に基づいて、種々の情報を算出する。生成部１３３は、オープンデータ記憶部１２１やユーザ情報記憶部１２２や行動情報記憶部１２３や分布情報記憶部１２４やモデル情報記憶部１２５や予測情報記憶部１２６や関係度情報記憶部１２７等に基づいて、各種情報を推定する。生成部１３３は、オープンデータ記憶部１２１やユーザ情報記憶部１２２や行動情報記憶部１２３や分布情報記憶部１２４やモデル情報記憶部１２５や予測情報記憶部１２６や関係度情報記憶部１２７等に基づいて、各種情報を選択する。生成部１３３は、オープンデータ記憶部１２１やユーザ情報記憶部１２２や行動情報記憶部１２３や分布情報記憶部１２４やモデル情報記憶部１２５や予測情報記憶部１２６や関係度情報記憶部１２７等に基づいて、各種情報を抽出する。生成部１３３は、取得部１３１により取得された各種情報に基づいて、種々の情報を推定する。生成部１３３は、取得部１３１により取得された各種情報に基づいて、種々の情報を選択する。生成部１３３は、取得部１３１により取得された各種情報に基づいて、種々の情報を抽出する。生成部１３３は、取得部１３１により取得された情報を用いて、ユーザのコンテキストを推定する。

生成部１３３は、記憶部１２０に記憶される各種情報を生成する。生成部１３３は、分布情報記憶部１２４に記憶される分布情報を生成する。生成部１３３は、モデル情報記憶部１２５に記憶されるモデルを生成する。生成部１３３は、予測情報記憶部１２６に記憶される予測情報を生成する。

生成部１３３は、コンテンツが配信された第２ユーザの所定の行動に関する行動情報が取得された場合に、行動情報と、関係度情報とに基づいて、第２ユーザの所定の行動に関係する要素を示す関係要素情報を生成する。生成部１３３は、行動情報と、関係度情報とに基づいて、他のエリアにおける所定の行動に関係する要素を示す関係要素情報を生成する。

生成部１３３は、モデルに基づいて、関係要素情報を生成する。生成部１３３は、第２ユーザの行動情報が所定の条件を満たす場合、モデルに基づいて、関係要素情報を生成する。生成部１３３は、モデルにおける各特徴量の重みを示す関係度情報に基づいて、関係要素情報を生成する。生成部１３３は、モデルの各特徴量のうち、対応する重みが所定の条件を満たす特徴量を選択することにより、関係要素情報を生成する。生成部１３３は、モデルの各特徴量のうち、対応する重みの絶対値が所定の閾値以上である特徴量を選択することにより、関係要素情報を生成する。

図１の例では、生成部１３３は、モデル情報ＭＤに示すようにモデルＭ１のモデル情報を生成する。例えば、生成部１３３は、モデル情報記憶部１２５（図７参照）に示すように、モデルＭ１を生成する。生成部１３３は、モデルＭ１の特徴量＃１～特徴量＃３等の各特徴量の重みを学習することにより、モデルＭ１を生成する。

生成部１３３は、生成したモデルＭ１に基づいて、コンテンツに対するユーザの所定の行動との関係度合いを示す関係度情報を生成する。生成部１３３は、生成したモデルＭ１に基づいて、コンテンツに対するユーザの開封行動との関係度合いを示す関係度情報を生成する。生成部１３３は、生成したモデルＭ１に基づいて、コンテンツに対するユーザの閲覧行動との関係度合いを示す関係度情報を生成する。

例えば、生成部１３３は、モデルＭ１の各特徴量の重みに基づいて、コンテンツに対するユーザの所定の行動との関係度合いを示す関係度情報を生成する。例えば、生成部１３３は、モデルＭ１の特徴量のうち、重みの絶対値が大きい特徴量の順位が高くなるように、各特徴量に対応する関係情報が順位付けられた関係度情報を生成する。

図１の例では、生成部１３３は、モデル情報ＭＤに示すようにモデルＭ１のモデル情報を生成する。例えば、生成部１３３は、モデル情報記憶部１２５（図７参照）に示すように、モデルＭ１を生成する。生成部１３３は、モデルＭ１の特徴量＃１～特徴量＃３等の各特徴量の重みを学習することにより、モデルＭ１を生成する。

例えば、生成部１３３は、モデルＭ１の各特徴量の重みに基づいて、コンテンツに対するユーザの所定の行動との関係度合いを示す関係度情報を生成する。例えば、生成部１３３は、モデルＭ１の特徴量のうち、重みの絶対値が大きい特徴量の順位が高くなるように、各特徴量に対応する関係情報が順位付けられた関係度情報を生成する。

生成部１３３は、ユーザＵ３の行動が所定の基準を満たすと判定したため、関係要素情報を生成する。図１の例では、生成部１３３は、関係度情報記憶部１２７に記憶された情報を用いて、関係要素情報を生成する。生成部１３３は、関係度情報記憶部１２７に記憶された情報を用いて、ユーザＵ３によるコンテンツの開封に関する関係要素情報を生成する。例えば、生成部１３３は、ユーザ情報記憶部（図４参照）に記憶されたユーザＵ３の属性情報に基づいて、ユーザＵ３によるコンテンツの開封に関する関係要素情報を生成する。例えば、生成部１３３は、ユーザＵ３の属性情報である年齢「３０代」及び性別「男性」に基づいて、ユーザＵ３によるコンテンツの開封に関する関係要素情報を生成する。

生成部１３３は、関係度情報記憶部１２７に記憶された関係情報のうち、要素に「３０代」や「男性」が含まれる関係情報を選択する。例えば、生成部１３３は、要素に「３０代」や「男性」が含まれる関係情報のうち、順位が高い方から所定数（例えば５や１０）の関係情報を選択する。図１の例では、生成部１３３は、順位が高い方から順に、要素に「３０代」や「男性」が含まれる関係情報ＳＴ１等を選択する。

生成部１３３は、Ｘエリアに位置する対象ユーザであるユーザＵ３の関係要素情報ＦＩＮＦ１を生成する。図１の例では、生成部１３３は、ユーザＵ３のコンテンツの開封操作に基づいて、Ｘエリアに位置するユーザＵ３の５分前の感情がプラスの感情であり、６分前の感情がマイナスの感情であると推定されることを示す関係要素情報ＦＩＮＦ１を生成する。

生成部１３３は、取得部１３１により取得された操作情報等の行動情報に基づいて、所定のエリアとは異なる他のエリアに位置するユーザが利用する端末装置１０にコンテンツが配信される場合に、当該コンテンツに対する当該ユーザの所定の操作の有無を予測する予測情報を生成する。生成部１３３は、取得部１３１により取得された操作情報等の行動情報に基づいて、所定のエリアとは異なる他のエリアに位置するユーザが利用する端末装置にコンテンツがプッシュ通知される場合に、当該コンテンツに対する当該ユーザの所定の操作の有無を予測する予測情報を生成する。生成部１３３は、取得部１３１により取得された操作情報等の行動情報に基づいて、他のエリアに位置するユーザが利用する端末装置にコンテンツがプッシュ通知される場合に、当該コンテンツに対する当該ユーザの開封操作の有無を予測する予測情報を生成する。

生成部１３３は、操作情報等の行動情報に基づいて、他のエリア内においてプッシュ通知されるコンテンツに対してユーザが所定の操作を行う位置を予測する予測情報を生成する。生成部１３３は、操作情報等の行動情報に基づいて、他のエリア内においてプッシュ通知されるコンテンツに対してユーザが所定の操作を行う時間を予測する予測情報を生成する。

生成部１３３は、操作情報等の行動情報と、他のエリア内に位置するユーザのコンテキスト情報とに基づいて、他のエリア内においてプッシュ通知されるコンテンツに対するユーザの所定の操作の有無を予測する予測情報を生成する。生成部１３３は、操作情報等の行動情報と、他のエリア内に関する環境情報とに基づいて、他のエリア内においてプッシュ通知されるコンテンツに対するユーザの所定の操作の有無を予測する予測情報を生成する。

生成部１３３は、操作情報等の行動情報に基づいて、他のエリアにおいてプッシュ通知されるコンテンツに対して、所定の操作を行うユーザに関する分布を示す分布情報を予測情報として生成する。生成部１３３は、操作情報等の行動情報に基づいて、他のエリアにおいてプッシュ通知されるコンテンツに対して、所定の操作を行うユーザの他のエリアにおける分布を示す分布マップを予測情報として生成する。

生成部１３３は、プッシュ通知に関する操作情報等の行動情報に基づいて、分布情報を生成する。図１１の例では、生成部１３３は、Ａエリアを集計対象エリアとする分布情報ＤＭ１１を生成する。生成部１３３は、プッシュ通知に関する操作情報等の行動情報に基づいて、予測情報を生成するために用いるモデルを生成する。生成部１３３は、Ａエリアにおける操作情報等の行動情報に基づいて、プッシュ通知を開封するかどうかを予測するモデルを生成する。

生成部１３３は、オープンデータ記憶部１２１やユーザ情報記憶部１２２や行動情報記憶部１２３等に格納された各種情報に基づいて、プッシュ通知を開封するかどうかを予測するモデルを生成する。生成部１３３は、オープンデータ記憶部１２１に記憶されたＡエリアの環境情報に基づいて、モデルを生成する。生成部１３３は、行動情報記憶部１２３に記憶されたＡエリアに位置するユーザのユーザ情報に基づいて、モデルを生成する。生成部１３３は、ユーザ情報記憶部１２２に記憶されたＡエリアに位置するユーザの行動情報に基づいて、モデルを生成する。生成部１３３は、ユーザにプッシュ通知されるコンテンツに関する情報を加味してモデルを生成してもよい。

生成部１３３は、プッシュ通知されるコンテンツが開封された場合の情報を正解情報（正例）として、プッシュ通知を開封するかどうかを予測するモデルを生成してもよい。生成部１３３は、プッシュ通知されるコンテンツが開封された場合のユーザのユーザ情報やユーザの位置情報やユーザの行動情報やユーザの環境情報等の種々のコンテキスト情報を正解情報として、プッシュ通知を開封するかどうかを予測するモデルを生成してもよい。生成部１３３は、ユーザＵ１が部分エリアＬＣ１－１においてプッシュ通知されるコンテンツを開封した場合、ユーザＵ１のユーザ情報やユーザＵ１の位置情報やユーザＵ１の行動情報やユーザＵ１の環境情報等の種々のコンテキスト情報を正解情報として、プッシュ通知を開封するかどうかを予測するモデルを生成してもよい。

また、生成部１３３は、プッシュ通知されるコンテンツが開封されなかった場合の情報を不正解情報（負例）として、プッシュ通知を開封するかどうかを予測するモデルを生成してもよい。生成部１３３は、プッシュ通知されるコンテンツが開封されなかった場合のユーザのユーザ情報やユーザの位置情報やユーザの行動情報やユーザの環境情報等の種々のコンテキスト情報を不正解情報として、プッシュ通知を開封するかどうかを予測するモデルを生成してもよい。生成部１３３は、ユーザＵ２が部分エリアＬＣ１－２においてプッシュ通知されるコンテンツが開封しなかった場合、ユーザＵ２のユーザ情報やユーザＵ２の位置情報やユーザＵ２の行動情報やユーザＵ２の環境情報等の種々のコンテキスト情報を不正解情報として、プッシュ通知を開封するかどうかを予測するモデルを生成してもよい。

図１１の例では、生成部１３３は、モデル情報ＭＤに示すようにモデルＭ１１のモデル情報を生成する。生成部１３３は、モデル情報記憶部１２５（図７参照）に示すように、モデルＭ１１を生成する。生成部１３３は、ユーザ情報やユーザの位置する周囲の環境情報等を含むコンテキスト情報を入力とし、入力に基づいてスコアを出力するモデルＭ１１を生成する。生成部１３３は、コンテキスト情報を入力とし、入力に基づいてスコアを出力するモデルＭ１１を生成する。生成部１３３は、生成したモデルＭ１１に基づいて、予測情報を生成する。生成部１３３は、モデルＭ１１と、予測対象エリアであるＢエリアに関する各種情報とに基づいて、Ｂエリアに関する予測情報を生成する。

生成部１３３は、所定の時間帯にＢエリアに位置するユーザを対象として、予測情報を生成してもよい。生成部１３３は、朝の時間帯（６時～１０時）にＢエリアに位置するユーザを対象として、朝のＢエリアに対応する予測情報を生成してもよい。生成部１３３は、夜の時間帯（１９時～２３時）にＢエリアに位置するユーザを対象として、夜のＢエリアに対応する予測情報を生成してもよい。

図１１の例では、生成部１３３は、Ｂエリアを予測対象エリアとする予測情報ＰＭ１１を生成する。生成部１３３は、プッシュ通知の実績が不十分なＢエリアについてプッシュ通知の開封率を予測する予測情報を生成する。

（提供部１３４）
提供部１３４は、各種情報を提供する。提供部１３４は、外部の情報処理装置へ各種情報を提供する。提供部１３４は、端末装置１０に各種情報を提供する。提供部１３４は、端末装置１０等の外部の情報処理装置に各種情報を提供する。提供部１３４は、端末装置１０に各種情報を送信する。提供部１３４は、端末装置１０に各種情報を配信する。提供部１３４は、取得部１３１により取得された各種情報に基づいて、種々の情報を提供する。提供部１３４は、決定部１３２により決定された各種情報に基づいて、種々の情報を提供する。提供部１３４は、生成部１３３により生成された各種情報に基づいて、種々の情報を提供する。提供部１３４は、生成部１３３により生成された予測情報に基づいて、種々のサービスを提供してもよい。

提供部１３４は、生成した予測情報に基づいて、プッシュ通知を行ってもよい。図１１の例では、提供部１３４は、予測情報ＰＭ１１中のハッチングが濃い部分（Ｂエリア中の右下）に位置するユーザに対して、プッシュ通知を行ってもよい。提供部１３４は、生成した予測情報を外部の情報処理装置へ提供してもよい。提供部１３４は、コンテンツ提供サービスを行う外部装置へ予測情報を提供してもよい。

〔３．情報処理のフロー〕
次に、図１０を用いて、実施形態に係る情報処理システム１による情報処理の手順について説明する。図１０は、実施形態に係る情報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、情報処理装置１００は、コンテンツの配信時点とは異なる他の時点に関するコンテキストの各要素と、コンテンツに対する第１ユーザの所定の行動との関係度合いを示す関係度情報を取得する（ステップＳ１０１）。そして、情報処理装置１００は、コンテンツが配信された第２ユーザの所定の行動に関する行動情報が取得する（ステップＳ１０２）。そして、情報処理装置１００は、行動情報と、関係度情報とに基づいて、第２ユーザの所定の行動に関係する要素を示す関係要素情報を生成する（ステップＳ１０３）。

〔４．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１３１と、生成部１３３とを有する。取得部１３１は、コンテンツの配信時点とは異なる他の時点に関するコンテキストの各要素と、コンテンツに対する第１ユーザの所定の行動との関係度合いを示す関係度情報を取得する。生成部１３３は、コンテンツが配信された第２ユーザの所定の行動に関する行動情報が取得された場合に、行動情報と、関係度情報とに基づいて、第２ユーザの所定の行動に関係する要素を示す関係要素情報を生成する。

このように、実施形態に係る情報処理装置１００は、コンテンツが配信された第２ユーザの所定の行動に関する行動情報が取得された場合に、行動情報と、コンテンツの配信時点とは異なる他の時点に関するコンテキストの各要素と、コンテンツに対する第１ユーザの所定の行動との関係度合いを示す関係度情報とに基づいて、第２ユーザの所定の行動に関係する要素を示す関係要素情報を生成することにより、ユーザの行動に関係する要素を示す情報を適切に生成することができる。

また、実施形態に係る情報処理装置１００において、取得部１３１は、所定のエリアに位置する第１ユーザの所定の行動に関する他の行動情報に基づいて生成された関係度情報と、所定のエリア以外とは異なる他のエリアに位置する第２ユーザの行動情報を取得する。生成部１３３は、行動情報と、関係度情報とに基づいて、他のエリアにおける所定の行動に関係する要素を示す関係要素情報を生成する。

このように、実施形態に係る情報処理装置１００は、所定のエリアに位置する第１ユーザの所定の行動に関する他の行動情報に基づいて生成された関係度情報と、所定のエリア以外とは異なる他のエリアに位置する第２ユーザの行動情報に基づいて、他のエリアにおける所定の行動に関係する要素を示す関係要素情報を生成することにより、ユーザの行動に関係する要素を示す情報を適切に生成することができる。例えば、情報処理装置１００は、情報が十分な第１エリアの情報を用いて、情報が不十分な第２エリアに位置するユーザの予測情報を生成することにより、情報が不十分なエリアについても所望の予測が可能となる。

また、実施形態に係る情報処理装置１００において、取得部１３１は、各要素に対応する各特徴量を含むモデルであって、コンテキストのコンテキスト情報に基づいて、コンテンツに対するユーザの所定の行動の予測に用いるモデルを取得する。生成部１３３は、モデルに基づいて、関係要素情報を生成する。

このように、実施形態に係る情報処理装置１００は、各要素に対応する各特徴量を含むモデルであって、コンテキストのコンテキスト情報に基づいて、コンテンツに対するユーザの所定の行動の予測に用いるモデルに基づいて、関係要素情報を生成することにより、ユーザの行動に関係する要素を示す情報を適切に生成することができる。

また、実施形態に係る情報処理装置１００において、取得部１３１は、コンテキスト情報の入力に応じて、コンテンツに対するユーザの所定の行動に関するスコアを出力するモデルを取得する。

このように、実施形態に係る情報処理装置１００は、コンテキスト情報の入力に応じて、コンテンツに対するユーザの所定の行動に関するスコアを出力するモデルに基づいて、関係要素情報を生成することにより、ユーザの行動に関係する要素を示す情報を適切に生成することができる。

また、実施形態に係る情報処理装置１００において、生成部１３３は、第２ユーザの行動情報が所定の条件を満たす場合、モデルに基づいて、関係要素情報を生成する。

このように、実施形態に係る情報処理装置１００は、第２ユーザの行動情報が所定の条件を満たす場合、モデルに基づいて、関係要素情報を生成することにより、ユーザの行動に関係する要素を示す情報を適切に生成することができる。

また、実施形態に係る情報処理装置１００において、生成部１３３は、モデルにおける各特徴量の重みを示す関係度情報に基づいて、関係要素情報を生成する。

このように、実施形態に係る情報処理装置１００は、モデルにおける各特徴量の重みを示す関係度情報に基づいて、関係要素情報を生成することにより、ユーザの行動に関係する要素を示す情報を適切に生成することができる。

また、実施形態に係る情報処理装置１００において、生成部１３３は、モデルの各特徴量のうち、対応する重みが所定の条件を満たす特徴量を選択することにより、関係要素情報を生成する。

このように、実施形態に係る情報処理装置１００は、モデルの各特徴量のうち、対応する重みが所定の条件を満たす特徴量を選択することにより、関係要素情報を生成することにより、ユーザの行動に関係する要素を示す情報を適切に生成することができる。

また、実施形態に係る情報処理装置１００において、生成部１３３は、モデルの各特徴量のうち、対応する重みの絶対値が所定の閾値以上である特徴量を選択することにより、関係要素情報を生成する。

このように、実施形態に係る情報処理装置１００は、モデルの各特徴量のうち、対応する重みの絶対値が所定の閾値以上である特徴量を選択することにより、関係要素情報を生成することにより、ユーザの行動に関係する要素を示す情報を適切に生成することができる。

また、実施形態に係る情報処理装置１００において、取得部１３１は、ユーザに配信されたコンテンツに対する、ユーザの所定の行動に関する行動情報である正解情報と、コンテキスト情報に基づいて生成されたモデルを取得する。

このように、実施形態に係る情報処理装置１００は、ユーザに配信されたコンテンツに対する、ユーザの所定の行動に関する行動情報である正解情報と、コンテキスト情報に基づいて生成されたモデルに基づいて、関係要素情報を生成することにより、ユーザの行動に関係する要素を示す情報を適切に生成することができる。

また、実施形態に係る情報処理装置１００において、取得部１３１は、他の時点におけるユーザの感情を含む各要素と、コンテンツに対する第１ユーザの所定の行動との関係度合いを示す関係度情報を取得する。

このように、実施形態に係る情報処理装置１００は、他の時点におけるユーザの感情を含む各要素と、コンテンツに対する第１ユーザの所定の行動との関係度合いを示す関係度情報に基づいて、関係要素情報を生成することにより、ユーザの行動に関係する要素を示す情報を適切に生成することができる。

また、実施形態に係る情報処理装置１００において、取得部１３１は、コンテンツの配信時点よりも前の時点である他の時点におけるユーザの感情を含む各要素と、コンテンツに対する第１ユーザの所定の行動との関係度合いを示す関係度情報を取得する。

このように、実施形態に係る情報処理装置１００は、コンテンツの配信時点よりも前の時点である他の時点におけるユーザの感情を含む各要素と、コンテンツに対する第１ユーザの所定の行動との関係度合いを示す関係度情報に基づいて、関係要素情報を生成することにより、ユーザの行動に関係する要素を示す情報を適切に生成することができる。

〔５．ハードウェア構成〕
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、情報処理装置の機能を実現するコンピュータの一例を示すハードウェア構成図である。コンピュータ１０００は、ＣＰＵ１１００、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または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が生成したデータをネットワークＮを介して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、生成したデータを入出力インターフェイス１６００を介して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また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が実施形態に係る情報処理装置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を実行することにより、制御部１３０の機能を実現する。コンピュータ１０００のＣＰＵ１１００は、これらのプログラムを記録媒体１８００から読み取って実行するが、他の例として、他の装置からネットワークＮを介してこれらのプログラムを取得してもよい。

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、発明の開示の行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。

〔６．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、上述してきた各実施形態に記載された各処理は、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
１００ 情報処理装置
１２１ オープンデータ記憶部
１２２ ユーザ情報記憶部
１２３ 行動情報記憶部
１２４ 分布情報記憶部
１２５ モデル情報記憶部
１２６ 予測情報記憶部
１２７ 関係度情報記憶部
１３０ 制御部
１３１ 取得部
１３２ 決定部
１３３ 生成部
１３４ 提供部
１０ 端末装置
５０ 情報提供装置
Ｎ ネットワーク

Claims (13)

1. コンテンツの配信時点とは異なる他の時点に関するコンテキストの各要素と、前記コンテンツに対する第１ユーザの所定の行動との関係度合いを示す関係度情報を取得する取得部と、
   前記コンテンツが配信された第２ユーザの前記所定の行動に関する行動情報と、前記関係度情報とに基づいて、前記第２ユーザの前記所定の行動に関係する要素を示す関係要素情報を生成する生成部と、
   を備えることを特徴とする情報処理装置。
2. 前記取得部は、
   所定のエリアに位置する前記第１ユーザの前記所定の行動に関する行動情報に基づいて生成された前記関係度情報と、前記所定のエリアとは異なる他のエリアに位置する前記第２ユーザの前記行動情報を取得し、
   前記生成部は、
   前記第２ユーザの前記行動情報と、前記関係度情報とに基づいて、前記他のエリアにおける前記所定の行動に関係する要素を示す前記関係要素情報を生成する
   ことを特徴とする請求項１に記載の情報処理装置。
3. 前記取得部は、
   前記各要素に対応する各特徴量を含むモデルであって、前記コンテキストのコンテキスト情報に基づいて、前記コンテンツに対するユーザの前記所定の行動の予測に用いるモデルを取得し、
   前記生成部は、
   前記モデルに基づいて、前記関係要素情報を生成する
   ことを特徴とする請求項１または請求項２に記載の情報処理装置。
4. 前記取得部は、
   前記コンテキスト情報の入力に応じて、前記コンテンツに対するユーザの前記所定の行動に関するスコアを出力する前記モデルを取得する
   ことを特徴とする請求項３に記載の情報処理装置。
5. 前記生成部は、
   前記第２ユーザの前記行動情報が所定の条件を満たす場合、前記モデルに基づいて、前記関係要素情報を生成する
   ことを特徴とする請求項３または請求項４に記載の情報処理装置。
6. 前記生成部は、
   前記モデルにおける前記各特徴量の重みを示す前記関係度情報に基づいて、前記関係要素情報を生成する
   ことを特徴とする請求項３～５のいずれか１項に記載の情報処理装置。
7. 前記生成部は、
   前記モデルの前記各特徴量のうち、対応する重みが所定の条件を満たす前記特徴量を選択することにより、前記関係要素情報を生成する
   ことを特徴とする請求項３～６のいずれか１項に記載の情報処理装置。
8. 前記生成部は、
   前記モデルの前記各特徴量のうち、対応する重みの絶対値が所定の閾値以上である前記特徴量を選択することにより、前記関係要素情報を生成する
   ことを特徴とする請求項３～７のいずれか１項に記載の情報処理装置。
9. 前記取得部は、
   前記ユーザに配信された前記コンテンツに対する、前記ユーザの所定の行動に関する行動情報である正解情報と、前記コンテキスト情報に基づいて生成された前記モデルを取得する
   ことを特徴とする請求項３～８のいずれか１項に記載の情報処理装置。
10. 前記生成部は、
    前記他の時点におけるユーザの感情を含む前記各要素と、前記コンテンツに対する前記第１ユーザの前記所定の行動との関係度合いを示す前記関係度情報を取得する
    ことを特徴とする請求項１～９のいずれか１項に記載の情報処理装置。
11. 前記生成部は、
    前記コンテンツの前記配信時点よりも前の時点である前記他の時点におけるユーザの感情を含む前記各要素と、前記コンテンツに対する前記第１ユーザの前記所定の行動との関係度合いを示す前記関係度情報を取得する
    ことを特徴とする請求項１０に記載の情報処理装置。
12. コンピュータが実行する情報処理方法であって、
    コンテンツの配信時点とは異なる他の時点に関するコンテキストの各要素と、前記コンテンツに対する第１ユーザの所定の行動との関係度合いを示す関係度情報を取得する取得工程と、
    前記コンテンツが配信された第２ユーザの前記所定の行動に関する行動情報と、前記関係度情報とに基づいて、前記第２ユーザの前記所定の行動に関係する要素を示す関係要素情報を生成する生成工程と、
    を含むことを特徴とする情報処理方法。
13. コンテンツの配信時点とは異なる他の時点に関するコンテキストの各要素と、前記コンテンツに対する第１ユーザの所定の行動との関係度合いを示す関係度情報を取得する取得手順と、
    前記コンテンツが配信された第２ユーザの前記所定の行動に関する行動情報と、前記関係度情報とに基づいて、前記第２ユーザの前記所定の行動に関係する要素を示す関係要素情報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情報処理プログラム。
    

Images