JP7212609B2 - 予測プログラム、学習装置、予測装置、及び予測方法 - Google Patents
予測プログラム、学習装置、予測装置、及び予測方法 Download PDFInfo
- Publication number
- JP7212609B2 JP7212609B2 JP2019228265A JP2019228265A JP7212609B2 JP 7212609 B2 JP7212609 B2 JP 7212609B2 JP 2019228265 A JP2019228265 A JP 2019228265A JP 2019228265 A JP2019228265 A JP 2019228265A JP 7212609 B2 JP7212609 B2 JP 7212609B2
- Authority
- JP
- Japan
- Prior art keywords
- predetermined action
- item
- vector
- unit
- time
- 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
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
図1は、本実施形態に係る情報処理装置1の概要を説明するための図である。情報処理装置1は、ユーザの第1アイテムに対応する所定行動に連動して発生する第2アイテムに対応する所定行動を予測する予測プログラムのパラメータを学習する学習装置として機能するとともに、当該予測プログラムを用いて、第2アイテムに対応する所定行動を予測する予測装置として機能する。
以下、予測プログラム及び情報処理装置1の構成について説明する。
まず、予測プログラムの構成について説明する。予測プログラムは、コンピュータにより実行される、ニューラルネットワークとして機能するプログラムである。
第3変換レイヤは、パラメータとしての第2重み行列Woを用いて、コンテキストベクトルを、複数のアイテムの少なくともいずれかを示す出力ベクトルに変換する。出力レイヤには第3変換レイヤがコンテキストベクトルから変換された出力ベクトルが出力される。
続いて、アテンションネットワークAにおける機能について説明する。アテンションネットワークAは、複数のアイテムのそれぞれに対応する所定行動である第1所定行動の発生と、他のアイテムに対応する所定行動である第2所定行動の発生との関係の周期的な変化に基づいて、入力レイヤにおいて受け付けられた経過時間Δtに対応する影響度を算出する。また、アテンションネットワークAは、複数のアイテムのそれぞれに対応する所定行動である第1所定行動の発生と、他のアイテムに対応する所定行動である第2所定行動の発生との関係の強さの、第1所定行動が発生してからの経過時間に伴う増加傾向及び減少傾向に基づいて、入力レイヤにおいて受け付けられた経過時間Δtに対応する影響度を算出する。
続いて、本実施形態に係る情報処理装置1について説明する。図4は、本実施形態に係る情報処理装置1の構成を示す図である。情報処理装置1は、記憶部11と、制御部12とを備える。
本実施形態において、時系列データ取得部121、教師データ生成部122、及び学習部123は、協働することにより、図2に示すニューラルネットワークのパラメータの学習を行う。以下、時系列データ取得部121、教師データ生成部122、及び学習部123の機能について説明する。
本実施形態において、予測部124及び広告配信部125は、協働することにより、学習部123により学習が行われたニューラルネットワークを用いて、所定行動の発生を予測し、当該所定行動に対応するアイテムの広告をユーザに配信する。以下、予測部124及び広告配信部125の機能について説明する。
続いて、情報処理装置1における処理の流れについて説明する。図6は、本実施形態に係る情報処理装置1における処理の流れの一例を示すフローチャートである。
続いて、教師データ生成部122は、時系列データに基づいて、複数のアイテムのそれぞれに対する所定行動の発生と、他のアイテムに対する所定行動の発生との関係を示す第1教師データと、これらの所定行動の時間間隔を示す第2教師データとを生成する(S2)。
続いて、予測部124は、学習済のニューラルネットワークに、第1アイテムを示す入力ベクトル及び第1アイテムに対応する所定行動が発生した時刻からの経過時間を示す情報を入力し、当該経過時間後に発生する所定の行動に対応する第2アイテムを予測する(S4)。
続いて、広告配信部125は、ユーザの端末に、S4において予測された第2アイテムに対応する広告を配信する(S5)。
以上の通り、本実施形態に係る予測プログラムは、コンピュータを、ユーザの所定行動に対応するアイテムを示す入力ベクトルと、入力ベクトルに対応するアイテムの所定行動が発生した時刻からの経過時間との入力を受け付ける入力レイヤ、入力ベクトルを、アイテムの特徴を示す特徴ベクトルに変換する第1変換レイヤ、第1変換レイヤにより変換された特徴ベクトルを、アイテムと他のアイテムとの影響度であって、入力レイヤが受け付けた経過時間に基づいて決定される影響度に基づいて、ユーザの所定行動の発生傾向を示すコンテキストベクトルに変換する第2変換レイヤ、及び、コンテキストベクトルを、複数のアイテムの少なくともいずれかを示す出力ベクトルに変換する第3変換レイヤ、として機能させる。
Claims (7)
- コンピュータを、
ユーザの所定行動に対応するアイテムを示す入力ベクトルと、前記入力ベクトルに対応するアイテムの前記所定行動が発生した時刻からの経過時間との入力を受け付ける受付部、
前記入力ベクトルを、前記アイテムの特徴を示す特徴ベクトルに変換する第1変換部、
前記第1変換部により変換された前記特徴ベクトルを、前記アイテムと他の前記アイテムとの影響度であって、前記受付部が受け付けた前記経過時間に基づいて決定される影響度に基づいて、前記ユーザの前記所定行動の発生傾向を示すコンテキストベクトルに変換する第2変換部、及び、
前記コンテキストベクトルを、複数の前記アイテムの少なくともいずれかを示す出力ベクトルに変換する第3変換部、
として機能させる予測プログラム。 - 前記第2変換部は、複数の前記アイテムのそれぞれに対応する前記所定行動である第1所定行動の発生と、他の前記アイテムに対応する前記所定行動である第2所定行動の発生との関係の周期的な変化に基づいて、前記受付部が受け付けた経過時間に対応する前記影響度を算出し、当該影響度に基づいて、前記特徴ベクトルを前記コンテキストベクトルに変換する、
請求項1に記載の予測プログラム。 - 前記第2変換部は、複数の前記アイテムのそれぞれに対応する前記所定行動である第1所定行動の発生と、他の前記アイテムに対応する前記所定行動である第2所定行動の発生との関係の強さの、先の所定行動が発生してからの経過時間に伴う増加傾向及び減少傾向に基づいて、前記受付部が受け付けた経過時間に対応する前記影響度を算出し、当該影響度に基づいて、前記特徴ベクトルを前記コンテキストベクトルに変換する、
請求項1又は2に記載の予測プログラム。 - 請求項1から3のいずれか1項に記載の予測プログラムを学習する学習装置であって、
前記予測プログラムは、前記第1変換部、前記第2変換部、前記第3変換部として機能するニューラルネットワークを構成するパラメータとしての重みを含み、
ユーザの所定行動に対応するアイテムを識別するアイテム識別情報と、前記所定行動が発生した時刻とを含む時系列データを取得する時系列データ取得部と、
前記時系列データ取得部が取得した時系列データに基づいて、複数の前記アイテムのそれぞれが示す前記所定行動である第1所定行動の発生と、他の前記アイテムが示す前記所定行動である第2所定行動の発生との関係を示し、前記第1所定行動に対応する複数のアイテムを示す入力ベクトルと、前記第2所定行動に対応するアイテムを示す出力ベクトルとを含む第1教師データと、前記第1所定行動と前記第2所定行動との時間間隔を示すデータである第2教師データとを生成する教師データ生成部と、
前記予測プログラムが有する前記受付部に、前記教師データ生成部が生成した前記第1教師データに含まれる入力ベクトルと、前記第2教師データとを入力した場合に、当該予測プログラムが有する前記第3変換部により出力される出力ベクトルが、前記第1教師データに含まれる出力ベクトルとなるように、当該予測プログラムに含まれる前記重みを学習する学習部と、
を備える学習装置。 - 請求項1から3のいずれか1項に記載の予測プログラムが有する前記受付部に第1アイテムを示す入力ベクトル及び前記第1アイテムに対応する前記所定行動が発生した時刻からの経過時間を示す情報を入力することにより、前記予測プログラムが有する前記第3変換部から当該第1アイテムに対応する第2アイテムを示す出力ベクトルを取得し、当該第2アイテムに対応する前記所定行動を前記ユーザが行うと予測する予測部を備える、
予測装置。 - 前記所定行動は、前記アイテムの購入行動であり、
前記予測部が前記第2アイテムに対応する前記所定行動を前記ユーザが行うと予測すると、当該第2アイテムを広告する広告情報を前記ユーザの端末に配信する広告配信部をさらに備える、
請求項5に記載の予測装置。 - コンピュータが実行する、
ユーザの所定行動に対応するアイテムを示す入力ベクトルと、前記入力ベクトルに対応するアイテムの前記所定行動が発生した時刻からの経過時間との入力を受け付けるステップと、
前記入力ベクトルを、前記アイテムの特徴を示す特徴ベクトルに変換するステップと、
変換された前記特徴ベクトルを、前記アイテムと他の前記アイテムとの影響度であって、受け付けられた前記経過時間に基づいて決定される影響度に基づいて、前記ユーザの前記所定行動の発生傾向を示すコンテキストベクトルに変換するステップと、
変換された前記コンテキストベクトルを、複数の前記アイテムの少なくともいずれかを示す出力ベクトルに変換するステップと、
を備える予測方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019228265A JP7212609B2 (ja) | 2019-12-18 | 2019-12-18 | 予測プログラム、学習装置、予測装置、及び予測方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019228265A JP7212609B2 (ja) | 2019-12-18 | 2019-12-18 | 予測プログラム、学習装置、予測装置、及び予測方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021096694A JP2021096694A (ja) | 2021-06-24 |
JP7212609B2 true JP7212609B2 (ja) | 2023-01-25 |
Family
ID=76431417
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019228265A Active JP7212609B2 (ja) | 2019-12-18 | 2019-12-18 | 予測プログラム、学習装置、予測装置、及び予測方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7212609B2 (ja) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023166731A1 (ja) * | 2022-03-04 | 2023-09-07 | 日本電信電話株式会社 | 意味ベクトル学習装置、意味ベクトル推定装置、意味ベクトル学習方法、及び意味ベクトル学習プログラム |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009064365A (ja) | 2007-09-10 | 2009-03-26 | Sharp Corp | お勧め情報提供方法 |
JP2019003261A (ja) | 2017-06-12 | 2019-01-10 | パナソニックIpマネジメント株式会社 | 情報提示システム |
JP2019502212A (ja) | 2016-01-14 | 2019-01-24 | 株式会社Preferred Networks | 時系列データ適合およびセンサ融合のシステム、方法、および装置 |
-
2019
- 2019-12-18 JP JP2019228265A patent/JP7212609B2/ja active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009064365A (ja) | 2007-09-10 | 2009-03-26 | Sharp Corp | お勧め情報提供方法 |
JP2019502212A (ja) | 2016-01-14 | 2019-01-24 | 株式会社Preferred Networks | 時系列データ適合およびセンサ融合のシステム、方法、および装置 |
JP2019003261A (ja) | 2017-06-12 | 2019-01-10 | パナソニックIpマネジメント株式会社 | 情報提示システム |
Non-Patent Citations (1)
Title |
---|
WANG, Shoujin,Attention-Based Transactional Context Embedding for Next-Item Recommendation,The Thirty-Second AAAI Conference on Artificial Intelligence,2018年04月26日,[検索日:2022年09月22日]インターネット<URL:https://ojs.aaai.org/index.php/AAAI/article/view/11851> |
Also Published As
Publication number | Publication date |
---|---|
JP2021096694A (ja) | 2021-06-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Pawar et al. | Stock market price prediction using LSTM RNN | |
CN111178981B (zh) | 一种广告投放方法、装置、计算机设备及存储介质 | |
US20200074274A1 (en) | System and method for multi-horizon time series forecasting with dynamic temporal context learning | |
Zhang et al. | Daily-aware personalized recommendation based on feature-level time series analysis | |
Dissanayaka et al. | Comparing contributors to time and cost performance in building projects | |
CN110647696B (zh) | 一种业务对象的排序方法及装置 | |
Ma et al. | Continuous preference trend mining for optimal product design with multiple profit cycles | |
JP6101620B2 (ja) | 購買予測装置、方法、及びプログラム | |
JP6791151B2 (ja) | 最適化システム、最適化方法および最適化プログラム | |
KR102574865B1 (ko) | 인공지능 기반 광고 데이터 시각화 시스템 | |
Kaka et al. | Development of a company‐level dynamic cash flow forecasting model (DYCAFF) | |
Ionescu | An approach to software development effort estimation using machine learning | |
JP2019215862A (ja) | 行動履歴データを用いた行動分析システム及びそのプログラム | |
JP7212609B2 (ja) | 予測プログラム、学習装置、予測装置、及び予測方法 | |
Xie et al. | Dynamic neural modeling of fatigue crack growth process in ductile alloys | |
Ye et al. | Extended belief rule-based model for environmental investment prediction with indicator ensemble selection | |
JP7041299B1 (ja) | 情報処理装置、情報処理方法および情報処理プログラム | |
Saha et al. | Reinforcement learning based dialogue management strategy | |
Stamenkovic et al. | Warranty optimisation based on the prediction of costs to the manufacturer using neural network model and Monte Carlo simulation | |
CN116578400A (zh) | 多任务数据处理方法和装置 | |
Astachova et al. | Possibilities for predicting the state of usability web resources | |
Zhan et al. | Activity prediction for mapping contextual-temporal dynamics | |
US20230190159A1 (en) | Mood forecasting method, mood forecasting apparatus and program | |
CN110209941B (zh) | 维护推送内容池的方法、推送方法、装置、介质及服务器 | |
JP7094909B2 (ja) | 推定装置、推定方法及び推定プログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20211117 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20220914 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20221004 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20221110 |
|
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: 20230110 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230113 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7212609 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |