JP7227412B1 - 情報処理システム、コンピュータプログラム、及び情報処理方法 - Google Patents

Abstract

【課題】共通変数によらずに、エンティティ間の対応付けを実現可能な技術を提供する。【解決手段】情報処理システム１では、複数の第一のエンティティに関する第一のデータセットが取得される（Ｓ１１０）。複数の第二のエンティティに関する第二のデータセットが取得される（Ｓ１２０）。第一のデータセットから特定される第一の特徴ベクトルの一群、及び、第二のデータセットから特定される第二の特徴ベクトルの一群に対する次元削減処理が実行される（Ｓ１３０，Ｓ１４０）。それにより、第一の特徴ベクトルの一群に対応する第一の低次元特徴ベクトルの一群、及び、第二の特徴ベクトルの一群に対応する第二の低次元特徴ベクトルの一群が生成される。第一の低次元特徴ベクトルの一群、及び、第二の低次元特徴ベクトルの一群に基づき、第一のエンティティのそれぞれが、第二のエンティティの少なくとも一つに対応付けられる（Ｓ１５０～Ｓ１８０）。【選択図】図２

Description

本開示は、情報処理システム及び情報処理方法に関する。

従来、商品の販売データに基づき顧客の購買行動を分析することが行われている。顧客によるマスメディアやネットワークコンテンツへの接触行動を分析することも行われている。この他、アンケート形式や対面での質問形式により、顧客に関する多様な情報を収集することが行われている。

異なる手段で収集した複数のデータを共通変数に基づいて結合するデータフュージョン技術も知られている。例えば、出願人は、第一の顧客群に関する第一の特徴を表す第一のデータセットと、第二の顧客群に関する第二の特徴を表す第二のデータセットとを、第一のデータセットと第二のデータセットとの間で共通する変数、例えば、顧客のデモグラフィック属性に基づいて、近しい顧客の第一のデータと第二のデータとを結合するように、結合する技術を既に開示している（例えば、特許文献１参照）。

特開２０１６－１２６６０９号公報

しかしながら、従来のデータフュージョン技術では、共通変数を用いて近しい顧客を判別するために、結合対象の第一のデータセットと第二のデータセットとの間に、顧客に関する共通変数が必要である。従って、従来技術では、共通変数のないデータ同士を結合することができない。

そこで、本開示の一側面によれば、共通変数によらずに、複数の第一のエンティティに関する第一のデータセットと、複数の第二のエンティティに関する第二のデータセットとに基づいて、第一のエンティティと第二のエンティティとの対応付けを実現可能な技術を提供できることが望ましい。

本開示の一側面によれば、情報処理システムが提供される。情報処理システムは、第一取得部と、第二取得部と、次元削減部と、対応付け部と、を備える。第一取得部は、複数の第一のエンティティに関する第一のデータセットを取得するように構成される。第一のデータセットは、複数の第一のエンティティのそれぞれの特徴を記述し得る。

第二取得部は、複数の第二のエンティティに関する第二のデータセットを取得するように構成される。第二のデータセットは、複数の第二のエンティティのそれぞれの特徴を記述し得る。

次元削減部は、第一のデータセットから特定される第一の特徴ベクトルの一群、及び、第二のデータセットから特定される第二の特徴ベクトルの一群に対する次元削減処理を実行することによって、第一の特徴ベクトルの一群に対応する第一の低次元特徴ベクトルの一群、及び、第二の特徴ベクトルの一群に対応する第二の低次元特徴ベクトルの一群を生成するように構成される。第二の低次元特徴ベクトルの一群は、第一の低次元特徴ベクトルの一群と同一次元数の特徴ベクトルの一群であり得る。

第一の特徴ベクトルのそれぞれは、複数の第一のエンティティのうちの対応する一つの特徴を表し得る。第二の特徴ベクトルのそれぞれは、複数の第二のエンティティのうちの対応する一つの特徴を表し得る。

対応付け部は、第一の低次元特徴ベクトルの一群、及び、第二の低次元特徴ベクトルの一群に基づき、複数の第一のエンティティのそれぞれを、複数の第二のエンティティの少なくとも一つに対応付けるように構成される。

第一のエンティティの集合及び第二のエンティティの集合が互いに共通する母集団又は互いに関係する母集団からの部分集合である場合には、第一の特徴ベクトルと第二の特徴ベクトルとの間に共通変数が存在しなくても、次元削減によって、第一のエンティティの特徴及び第二のエンティティの特徴を、互いに共通する又は関係する成分の組合せで表現することができる。

すなわち、次元削減によれば、第一の特徴ベクトル及び第二の特徴ベクトルから互いに共通する又は関係する主要な特徴成分を抽出することができる。従って、低次元特徴ベクトルの比較によれば、第一のエンティティと第二のエンティティとの間の適合度を、適切に判別することができる。

従って、本開示の一側面によれば、共通変数によらずに、複数の第一のエンティティに関する第一のデータセットと、複数の第二のエンティティに関する第二のデータセットとに基づいて、第一のエンティティと第二のエンティティとの対応付けを適切に行うことができる。

本開示の一側面によれば、対応付け部は、第一の低次元特徴ベクトルの一群から特定される第一のエンティティ間の類似度、及び、第二の低次元特徴ベクトルの一群から特定される第二のエンティティ間の類似度に基づき、類似度に関する第一のエンティティ間の相互関係が第二のエンティティ間の相互関係に適合するように、複数の第一のエンティティのそれぞれを、複数の第二のエンティティの少なくとも一つに対応付けることができる。

第一のエンティティの集合、及び、第二のエンティティの集合が共通する母集団又は互いに関係する母集団からの部分集合である場合には、エンティティ間の類似度に関する相互関係が、母集団と同様に、第一のエンティティの集合と、第二のエンティティの集合との間で、およそ互いに共通する又は関係する。

従って、類似度に関する第一のエンティティ間の相互関係が第二のエンティティ間の相互関係に適合するように、複数の第一のエンティティのそれぞれを、複数の第二のエンティティの少なくとも一つに対応付けることによれば、第一のエンティティのそれぞれを、同一性の高い又は関係性の強い適切な第二のエンティティに対応付けることができる。

本開示の一側面によれば、第一の低次元特徴ベクトルは、第一の特徴空間によって定義され得る。第二の低次元特徴ベクトルは、第二の特徴空間によって定義され得る。対応付け部は、第一の低次元特徴ベクトルの一群から特定される第一の特徴空間における複数の第一のエンティティの分布が、第二の低次元特徴ベクトルの一群から特定される第二の特徴空間における複数の第二のエンティティの分布に適合するように、第一の特徴空間上の複数の第一のエンティティを第二の特徴空間にマッピングするための写像を探索し得る。
対応付け部は、写像に基づいて、複数の第一のエンティティのそれぞれを、複数の第二のエンティティの少なくとも一つに対応付けるように構成され得る。

本開示の一側面によれば、対応付け部は、行列Ｋ、行列Ｌ、及び行列Ｈを含む式

に従う値Ｚ（Ω）を最大化する行列Ωを行列Ω^＊として探索し、行列Ω^＊に基づいて、複数の第一のエンティティのそれぞれを、複数の第二のエンティティの少なくとも一つに対応付けるように構成され得る。Ｔは、転置記号である。ｔｒａｃｅ（Ｘ）は、行列Ｘの対角和である。

行列Ｋは、Ｎ行Ｎ列の行列であり得る。第一のエンティティの数は、Ｎであり得る。第二のエンティティの数は、第一のエンティティと同じであり得る。行列Ｋは、第ｉ行第ｊ列の要素の値が、複数の第一のエンティティのうちのｉ番目のエンティティとｊ番目のエンティティとの間の類似度を表す第一の類似度行列であり得る。

行列Ｋにおける第ｉ行第ｊ列の要素の値は、複数の第一のエンティティのうちのｉ番目のエンティティの第一の低次元特徴ベクトルと、複数の第一のエンティティのうちのｊ番目のエンティティの第一の低次元特徴ベクトルと、に基づいて算出され得る。

行列Ｌは、Ｎ行Ｎ列の行列であり得る。行列Ｌは、第ｉ行第ｊ列の要素の値が、複数の第二のエンティティのうちのｉ番目のエンティティとｊ番目のエンティティとの間の類似度を表す第二の類似度行列である。

行列Ｌにおける第ｉ行第ｊ列の要素の値は、複数の第二のエンティティのうちのｉ番目のエンティティの第二の低次元特徴ベクトルと、複数の第二のエンティティのうちのｊ番目のエンティティの第二の低次元特徴ベクトルと、に基づいて算出され得る。

行列Ｈは、Ｎ行Ｎ列の行列であり得る。行列Ｈは、第ｉ行第ｊ列の要素の値が、ｉ＝ｊであるとき値１－１／Ｎを示し、ｉ≠ｊであるとき値０を示す行列であり得る。

本開示の一側面によれば、対応付け部は、行列Ω^＊に基づいて、次元削減処理での次元削減方式を変更してもよい。例えば、対応付け部は、第一の低次元特徴ベクトルの一群及び第二の低次元特徴ベクトルの一群のうち、互いに対応する第一の低次元特徴ベクトルと第二の低次元特徴ベクトルとの間の特徴空間上の距離が短くなるように、次元削減処理での次元削減方式を変更してもよい。

本開示の一側面によれば、対応付け部は、行列Ω^＊に基づいて、次元削減処理での次元削減方式を変更し、変更後の次元削減方式での次元削減処理を、次元削減部に実行させ、それにより新たに得られた第一の低次元特徴ベクトルの一群及び第二の低次元特徴ベクトルの一群に基づいて、値Ｚ（Ω）を最大化する行列Ωを行列Ω^＊として探索する再探索処理を、所定条件が満足されるまで繰返し実行することにより、行列Ω^＊を改善し、改善された行列Ω^＊に基づいて、複数の第一のエンティティのそれぞれを、複数の第二のエンティティの少なくとも一つに対応付けるように構成されてもよい。

対応付け部がこのように構成される情報処理システムによれば、第一のエンティティと第二のエンティティとの間の対応付けを、高精度に実行することができる。

本開示の一側面によれば、第一のデータセットは、複数の第一の特徴データを含み得る。複数の第一の特徴データのそれぞれは、複数の第一のエンティティのうちの対応する一つの特徴を表し得る。第二のデータセットは、複数の第二の特徴データを含み得る。複数の第二の特徴データのそれぞれは、複数の第二のエンティティのうちの対応する一つの特徴を表し得る。

本開示の一側面によれば、情報処理システムは、データフュージョン部を更に備え得る。データフュージョン部は、対応付け部による対応付けに基づき、第一のデータセットに含まれる複数の第一の特徴データのそれぞれに、第二のデータセットに含まれる複数の第二の特徴データのうちの一つを結合することによって、拡張データセットを生成するように構成され得る。拡張データセットは、複数の拡張データを備え得る。複数の拡張データのそれぞれは、対応する一つの第一の特徴データと第二の特徴データとの結合データであり得る。

こうした情報処理システムによれば、複数のデータセットを結合した情報量の多いデータセットを生成することが可能である。

本開示の一側面によれば、第一のエンティティは、人であり得る。第二のエンティティは、人であり得る。第一のデータセットは、第一の集団に属する複数の人のそれぞれの第一の特徴を記述するデータセットであり得る。第二のデータセットは、第二の集団の属する複数の人のそれぞれの第二の特徴を記述するデータセットであり得る。

人の行動や関心等に関する特徴は、デモグラフィック属性に大きく影響し、異なる人の集団の間でも、デモグラフィック属性に応じた特徴分布は、大きく変わらないと考えられる。従って、本開示の一側面に係る情報処理システムによれば、共通変数なしで、異なる集団間の人に関する対応付けを、適切に行うことが可能である。

本開示の一側面によれば、第一の特徴と第二の特徴との組合せは、購買行動に関する特徴と、オンライン空間及びオフライン空間の少なくとも一方の空間における移動に関する特徴、及び／又は、空間上の複数の地点への訪問に関する特徴と、の組合せであり得る。こうした特徴に関係するデータセットに基づいたエンティティの対応付けは、更には、データフュージョンは、人の行動分析に役立つ。

本開示の一側面によれば、第二のデータセットには、複数の第二のエンティティのそれぞれに対応する情報端末の識別情報が関連付けられていてもよい。

本開示の一側面によれば、情報処理システムは、上記識別情報に基づいて、複数の第二のエンティティのうち、情報コンテンツの配信先として選択された第二のエンティティの集合に対応する情報端末の集合に、情報コンテンツを配信するように構成される配信部を備えていてもよい。

本開示の一側面によれば、情報処理システムは、対応付け部により複数の第一のエンティティのいずれかと対応付けられた第二のエンティティの集合の少なくとも一部を、情報コンテンツの配信先に選択する選択部を備えていてもよい。

この情報処理システムは、第一のエンティティ及び第二のエンティティが人であるときに有意義に機能する。上述の配信方式によれば、第一のエンティティと情報端末との対応関係が不明であるときにも、第二のエンティティに関連付けられた情報端末の識別情報を活用して、第一のエンティティに対応する第二のエンティティの情報端末に適切に情報コンテンツを配信することができる。

本開示の一側面によれば、選択部は、対応付け部により複数の第一のエンティティのいずれかと対応付けられた第二のエンティティの集合である第一の集合と、複数の第二のエンティティのうち、第一の集合と特徴が類似する第二の集合と、を情報コンテンツの配信先に選択するように構成されてもよい。こうした配信先の選択によれば、第二のデータセットに基づいて、配信先を適切な範囲で拡張して、情報コンテンツを配信することができる。

本開示の一側面によれば、第二のデータセットは、複数の第二のエンティティのそれぞれの行動に関する特徴を記述するデータセットであってもよい。この場合、情報処理システムは、複数の第一のエンティティの少なくとも一部のエンティティに関して、エンティティ毎に、第二のデータセットから特定される対応付け部によって当該エンティティに対応付けられた複数の第二のエンティティの少なくとも一つの行動に関する特徴に基づき、当該エンティティの行動に関する推定値を算出する推定部を備えていてもよい。この場合、第一のエンティティ及び第二のエンティティは、人であり得る。

上述の推定部を備える情報処理システムによれば、第一のデータセットだけでは判別できない第一のエンティティの行動を、第二のデータセットを通じて推定することが可能である。推定は、予測であってもよい。

本開示の一側面によれば、上述した情報処理システムにおける第一取得部、第二取得部、次元削減部、及び、対応付け部の少なくとも一部として、コンピュータを機能させるためのコンピュータプログラムが提供されてもよい。

本開示の一側面によれば、上述した情報処理システムにおける第一取得部、第二取得部、次元削減部、対応付け部、配信部、及び、選択部の少なくとも一部として、コンピュータを機能させるためのコンピュータプログラムが提供されてもよい。

本開示の一側面によれば、上述した情報処理システムにおける第一取得部、第二取得部、次元削減部、対応付け部、及び、推定部の少なくとも一部として、コンピュータを機能させるためのコンピュータプログラムが提供されてもよい。これらのコンピュータプログラムは、記録媒体に記録されて、提供されてもよい。

本開示の一側面によれば、上述した情報処理システムが実行する方法に対応する情報処理方法が提供されてもよい。本開示の一側面によれば、コンピュータにより実行される情報処理方法が提供されてもよい。情報処理方法は、複数の第一のエンティティに関する第一のデータセットであって、複数の第一のエンティティのそれぞれの特徴を記述する第一のデータセットを取得することを含み得る。

情報処理方法は、複数の第二のエンティティに関する第二のデータセットであって、複数の第二のエンティティのそれぞれの特徴を記述する第二のデータセットを取得することを含み得る。

情報処理方法は、第一のデータセットから特定される第一の特徴ベクトルの一群、及び、第二のデータセットから特定される第二の特徴ベクトルの一群に対する次元削減処理を実行することによって、第一の特徴ベクトルの一群に対応する第一の低次元特徴ベクトルの一群、及び、第二の特徴ベクトルの一群に対応する第二の低次元特徴ベクトルの一群を生成することを含み得る。第二の低次元特徴ベクトルの一群は、第一の低次元特徴ベクトルの一群と同一次元数の特徴ベクトルの一群であり得る。

第一の特徴ベクトルのそれぞれは、複数の第一のエンティティのうちの対応する一つの特徴を表し得る。第二の特徴ベクトルのそれぞれは、複数の第二のエンティティのうちの対応する一つの特徴を表し得る。

情報処理方法は、第一の低次元特徴ベクトルの一群、及び、第二の低次元特徴ベクトルの一群に基づき、複数の第一のエンティティのそれぞれを、複数の第二のエンティティの少なくとも一つに対応付けることを含み得る。

本開示の一側面によれば、対応付けることは、第一の低次元特徴ベクトルの一群から特定される第一のエンティティ間の類似度、及び、第二の低次元特徴ベクトルの一群から特定される第二のエンティティ間の類似度に基づき、類似度に関する第一のエンティティ間の相互関係が第二のエンティティ間の相互関係に適合するように、複数の第一のエンティティのそれぞれを、複数の第二のエンティティの一つに対応付けることを含み得る。

こうした情報処理方法によれば、上述した情報処理システムと同様に、共通変数によらずに、複数の第一のエンティティに関する第一のデータセットと、複数の第二のエンティティに関する第二のデータセットとに基づいて、第一のエンティティと第二のエンティティとの対応付けを実現可能である。

情報処理システムの構成を表すブロック図である。 プロセッサが実行する分析処理を表すフローチャートである。 図３Ａは、第一のデータセットの構成を例示する図であり、図３Ｂは、第二のデータセットの構成を例示する図である。 図４Ａ及び図４Ｂは、行列Ωの探索手法を説明する図である。 プロセッサにより生成される対応表の構成を例示する図である。 プロセッサにより生成される拡張データセットの構成を例示する図である。 第二実施形態でプロセッサが実行する分析処理を表すフローチャートである。 第三実施形態でプロセッサが実行する評価処理を表すフローチャートである。 第三実施形態でプロセッサが実行する選択処理を表すフローチャートである。 第四実施形態の配信システムの構成を表すブロック図である。 第四実施形態における内部データセットの構成を例示する図である。 第四実施形態でプロセッサが実行する配信制御処理を表すフローチャートである。 第五実施形態でプロセッサが実行する配信制御処理を表すフローチャートである。 第六実施形態でプロセッサが実行する予測処理を表すフローチャートである。

以下に本開示の例示的実施形態を、図面を参照しながら説明する。
＜第一実施形態＞
本実施形態の情報処理システム１は、汎用コンピュータに専用のコンピュータプログラムＰｒがインストールされて構成される。情報処理システム１は、図１に示すように、プロセッサ１１と、メモリ１３と、ストレージ１５と、ユーザインタフェース１７と、通信インタフェース１９とを備える。

プロセッサ１１は、ストレージ１５に格納されたコンピュータプログラムＰｒに従う処理を実行する。メモリ１３は、ＲＡＭを備える一次記憶装置であり、プロセッサ１１による処理の実行時に作業エリアとして使用される。

ストレージ１５は、例えばハードディスクドライブ又はソリッドステートドライブを備える二次記憶装置であり、コンピュータプログラムＰｒの他、コンピュータプログラムＰｒに従う処理の実行時に供される各種データを記憶する。

ユーザインタフェース１７は、情報処理システム１を操作するユーザからの操作信号をプロセッサ１１に入力するための入力デバイスと、ユーザに対して各種情報を表示するためのディスプレイと、を備える。入力デバイスの例には、キーボード及びポインティングデバイスが含まれる。

通信インタフェース１９は、ＬＡＮ（ローカルエリアネットワーク）インタフェース及びＵＳＢ（ユニバーサル・シリアル・シリアル）インタフェースを含み、外部装置との通信に使用される。情報処理システム１は、通信インタフェース１９を通じて外部装置との間でデータ送受する。

情報処理システム１におけるプロセッサ１１は、コンピュータプログラムＰｒに従う処理の実行により、通信インタフェース１９を通じて外部装置から取得した第一のデータセット１５Ａを、第二のデータセット１５Ｂを用いて拡張した拡張データセット１５Ｃを生成する。

拡張データセット１５Ｃは、第一のデータセット１５Ａに対して、第二のデータセット１５Ｂが備える情報を付加したデータセットである。拡張により、第一のデータセット１５Ａが記述する各エンティティの情報量は増大する。エンティティは、例えば人である。情報量の増大は、拡張データセット１５Ｃに基づいた人の行動分析や広告配信のために行われる。

具体的に、情報処理システム１のプロセッサ１１は、ユーザインタフェース１７を通じてユーザからの実行指令が入力されると、図２に示す分析処理を実行する。図２に示す分析処理を開始すると、プロセッサ１１は、データフュージョン対象の第一のデータセット１５Ａと第二のデータセット１５Ｂとを取得する（Ｓ１１０，Ｓ１２０）。

Ｓ１１０，Ｓ１２０において、プロセッサ１１は、ストレージ１５に予め格納された第一のデータセット１５Ａ及び第二のデータセット１５Ｂを、ストレージ１５から読み出す。これにより、プロセッサ１１は、第一のデータセット１５Ａ及び第二のデータセット１５Ｂを取得する。

取得すべき第一のデータセット１５Ａ及び第二のデータセット１５Ｂは、ユーザから指定され得る。ユーザは、データフュージョン対象の第一のデータセット１５Ａ及び第二のデータセット１５Ｂを予め収集してストレージ１５に格納することができる。

あるいは、プロセッサ１１は、通信インタフェース１９を用いた通信により、第一の外部装置から第一のデータセット１５Ａを取得し、第二の外部装置から第二のデータセット１５Ｂを取得することができる。

具体的に、第一のデータセット１５Ａは、複数の第一のエンティティに関するデータセットであって、第一のエンティティのそれぞれの第一の特徴を記述するデータセットである。第一のデータセット１５Ａは、第一の特徴データの集合であり、第一の特徴データのそれぞれは、複数の第一のエンティティのうちの対応する一つのエンティティの第一の特徴を表す。

第二のデータセット１５Ｂは、複数の第二のエンティティに関するデータセットであって、第二のエンティティのそれぞれの第二の特徴を記述するデータセットである。第二の特徴は、第一の特徴とは異なる特徴であり得る。具体的に、第二のデータセット１５Ｂは、第二の特徴データの集合であり、第二の特徴データのそれぞれは、複数の第二のエンティティのうちの対応する一つのエンティティの第二の特徴を表す。

第一のエンティティの集合、及び、第二のエンティティの集合は、例えば、互いに共通する母集団における異なる部分集合である。母集団は、人の集合、又は、消費者の集合であり得る。例えば第一のエンティティの集合は、第一の企業の顧客に対応する人の集合であり得て、第二のエンティティの集合は、第一の企業とは異なる第二の企業の顧客に対応する人の集合であり得る。

あるいは、第一のエンティティの集合は、第一の行動の収集対象とされる人の集合であり得て、第二のエンティティの集合は、第二の行動の収集対象とされる人の集合であり得る。

図３Ａに示される第一のデータセット１５Ａは、第一の人の集合に関するデータであり、人毎の購買行動に関する特徴データを備える。各特徴データは、対応する人のＩＤに関連付けて、複数の商品Ｐ１，Ｐ２，Ｐ３，…のそれぞれを、対応する人が購入したかを１又は０の２値で表す。

図３Ｂに示される第二のデータセット１５Ｂは、第二の人の集合に関するデータであり、人毎のウェブコンテンツの閲覧行動に関する特徴データを備える。各特徴データは、対応する人のＩＤに関連付けて、複数のウェブサイトＳ１，Ｓ２，Ｓ３，…のそれぞれについて、対応するウェブサイトを、対応する人が訪問してウェブコンテンツを閲覧したか否かを１又は０の２値で表す。

プロセッサ１１は、Ｓ１１０において、取得した第一のデータセット１５Ａに含まれる第一のエンティティ毎の第一の特徴データに基づいて、第一のエンティティ毎のＭ１次元特徴ベクトルｘ＝（ｘ１，ｘ２，ｘ３，…）を生成する。一例によれば、特徴ベクトルｘの要素ｘ１，ｘ２，ｘ３，…は、それぞれ、対応する人の商品Ｐ１，Ｐ２，Ｐ３，…の購買の有無を表し得る。

同様に、プロセッサ１１は、Ｓ１２０において、取得した第二のデータセット１５Ｂに含まれる第二のエンティティ毎の第二の特徴データに基づいて、第二のエンティティ毎のＭ２次元特徴ベクトルｙ＝（ｙ１，ｙ２，ｙ３，…）を生成する。一例によれば、特徴ベクトルｙの要素ｙ１，ｙ２，ｙ３，…は、それぞれ、対応する人のウェブサイトＳ１，Ｓ２，Ｓ３，…でのウェブコンテンツの閲覧有無を表し得る。

その後、プロセッサ１１は、特徴ベクトルｘの一群に対する次元削減処理（Ｓ１３０）により、各特徴ベクトルｘを、Ｍ１次元特徴ベクトルから、それより小さいＭ次元の特徴ベクトルである低次元特徴ベクトルＤｘ＝（Ｄｘ１，Ｄｘ２，…）に変換する。これにより、プロセッサ１１は、特徴ベクトルｘの一群に対応する低次元特徴ベクトルＤｘの一群を生成する。図３Ａの右下領域は、低次元特徴ベクトルＤｘの例を、テーブルにより示す。

プロセッサ１１は更に、特徴ベクトルｙの一群に対する次元削減処理（Ｓ１４０）により、各特徴ベクトルｙを、Ｍ２次元特徴ベクトルから、それより小さいＭ次元の特徴ベクトルである低次元特徴ベクトルＤｙ＝（Ｄｙ１，Ｄｙ２，…）に変換する。これにより、プロセッサ１１は、特徴ベクトルｙの一群に対応する低次元特徴ベクトルＤｙの一群を生成する。低次元特徴ベクトルＤｙは、低次元特徴ベクトルＤｘと同一次元数Ｍの特徴ベクトルである。図３Ｂの右下領域は、低次元特徴ベクトルＤｙの例を、テーブルにより示す。

低次元空間への写像を実現するためのアルゴリズムの例としては、非負値行列分解（Ｎｏｎｎｅｇａｔｉｖｅ Ｍａｔｒｉｘ Ｆａｃｔｏｒｉｚａｔｉｏｎ）、潜在的ディリクレ分配（ｌａｔｅｎｔ ｄｉｒｉｃｈｌｅｔ ａｌｌｏｃａｔｉｏｎ ）、特異値分解（ｓｉｎｇｕｌａｒ ｖａｌｕｅ ｄｅｃｏｍｐｏｓｉｔｉｏｎ）、及び、確率的潜在意味解析（Ｐｒｏｂａｂｉｌｉｓｔｉｃ Ｌａｔｅｎｔ Ｓｅｍａｎｔｉｃ Ａｎａｌｙｓｉｓ）が知られている。Ｓ１３０，Ｓ１４０における次元削減処理は、これらのアルゴリズムの一つを用いて実行され得る。

上述したアルゴリズムによれば、特徴ベクトルは、エンティティの個々を強く特徴付ける主要な特徴成分が抽出されるように、あるいは、エンティティの個々を区別するための情報の損失が少ない形式で、低次元化される。

その後、プロセッサ１１は、低次元特徴ベクトルＤｘの一群と、低次元特徴ベクトルＤｙの一群と、に基づいて、第一のエンティティのそれぞれと、第二のエンティティのそれぞれとの対応関係を計算するアライメント処理を行う（Ｓ１５０－Ｓ１８０）。

アライメント処理は、カーネライズドソーティング（Ｋｅｒｎｅｌｉｚｅｄ Ｓｏｒｔｉｎｇ）の技術を用いて行われる。以下には、カーネライズドソーティングを用いたアライメント処理の詳細を説明するが、アライメント処理は、敵対的学習、Ｇｒｏｍｏｖ－Ｗａｓｓｅｒｓｔｅｉｎ Ａｌｉｇｎｍｅｎｔ技術、又は、不均衡最適輸送（Ｕｎｂａｌａｎｃｅｄ Ｏｐｔｉｍａｌ Ｔｒａｎｓｐｏｒｔ）技術を用いて実現されてもよい。

Ｓ１５０において、プロセッサ１１は、低次元特徴ベクトルＤｘの一群を用いて、第一のエンティティの集合に関する類似度行列Ｋを生成する。類似度行列Ｋは、Ｎ行Ｎ列の正方行列である。ここで、Ｎは、低次元特徴ベクトルＤｘの個数、換言すれば、第一のエンティティの数である。

類似度行列Ｋは、第ｉ行第ｊ列の要素の値Ｋｉｊが、第一のエンティティの集合におけるｉ番目のエンティティとｊ番目のエンティティとの間の類似度を表す行列として定義される。

すなわち、類似度行列Ｋは、第一のエンティティの集合に関して、エンティティ間の類似度の分布を説明する行列として定義される。換言すれば、類似度行列Ｋは、第一のエンティティの集合に関して、特徴空間上のエンティティの分布を、エンティティ間の近しさの尺度を用いて説明する行列として定義される。

具体的に、類似度は、ｉ番目のエンティティの低次元特徴ベクトルＤｘである低次元特徴ベクトルＤｘ［ｉ］と、ｊ番目のエンティティの低次元特徴ベクトルＤｘである低次元特徴ベクトルＤｘ［ｊ］と、をカーネル関数ｋ（ａ，ｂ）に代入した値ｋ（Ｄｘ［ｉ］，Ｄｘ［ｊ］）として算出される。すなわち、Ｋｉｊ＝ｋ（Ｄｘ［ｉ］，Ｄｘ［ｊ］）である。

カーネル関数ｋ（ａ，ｂ）の例には、次式で表されるガウシアンＲＢＦ（動径基底関数）カーネルが含まれる。このカーネル関数ｋ（ａ，ｂ）を用いて算出される類似度は、値０から値１までの範囲の値を採る。

上記カーネル関数ｋ（ａ，ｂ）によれば、類似度行列Ｋの要素の値Ｋｉｊは、０＜Ｋｉｊ≦１である。

Ｓ１６０において、プロセッサ１１は、低次元特徴ベクトルＤｙの一群を用いて、第二のエンティティの集合に関する類似度行列Ｌを生成する。類似度行列Ｌは、Ｎ行Ｎ列の正方行列である。ここで、Ｎは、低次元特徴ベクトルＤｙの個数、換言すれば、第二のエンティティの数である。すなわち、第一のエンティティの数と、第二のエンティティの数は、同一である。

類似度行列Ｌは、類似度行列Ｋと同様に、第ｉ行第ｊ列の要素の値Ｌｉｊが第二のエンティティの集合のうち、ｉ番目のエンティティとｊ番目のエンティティとの間の類似度を表す行列として定義される。すなわち、第ｉ行第ｊ列の要素の値Ｌｉｊ＝ｋ（Ｄｙ［ｉ］，Ｄｙ［ｊ］）である。

続くＳ１７０において、プロセッサ１１は、類似度行列Ｋ及び類似度行列Ｌを用いて、次式に従う値Ｚ（Ω）を最大化する行列Ωを行列Ω^＊として探索する。

ここで、行列Ｈは、Ｎ行Ｎ列の行列であって、第ｉ行第ｊ列の要素の値が、ｉ＝ｊであるとき値１－１／Ｎを示し、ｉ≠ｊであるとき値０を示す対角行列である。Ｔは、転置記号である。ｔｒａｃｅ（Ｘ）は、行列Ｘの対角和である。類似度行列Ｋ，Ｌは、対称行列である。行列Ω^ＴＬ’Ωが行列Ｋ’の転置行列となるような理想的なΩが見つかるとき、値Ｚ（Ω）は、最大化する。

行列Ω^＊を探索することは、低次元特徴ベクトルＤｘの一群から特定される第一のエンティティ間の類似度、及び、低次元特徴ベクトルＤｙの一群から特定される第二のエンティティ間の類似度に基づき、類似度に関する第一のエンティティ間の相互関係が第二のエンティティ間の相互関係に適合するように、複数の第一のエンティティのそれぞれを、複数の第二のエンティティの少なくとも一つに対応付けることに対応する。

換言すれば、行列Ω^＊を探索することは、低次元特徴ベクトルＤｘの一群から特定される第一のＭ次元特徴空間における第一のエンティティの分布であって、エンティティ間の類似度で定義される第一のエンティティの分布が、低次元特徴ベクトルＤｙの一群から特定される第二のＭ次元特徴空間における第二のエンティティの分布に適合するように、第一のＭ次元特徴空間上の複数の第一のエンティティを第二のＭ次元特徴空間にマッピングするための写像を探索することに対応する。

図４Ａの左グラフは、第一のエンティティの分布を概念的に表し、図４Ｂの左グラフは、第二のエンティティの分布を概念的に表す。図４Ａ及び図４Ｂに示す例は、技術説明のためだけに、２次元の低次元特徴ベクトルＤｘ，Ｄｙを定義している。符号Ｅ１１，Ｅ１２，Ｅ１３，Ｅ１４，Ｅ１５，Ｅ１６，Ｅ１７が付された各点は、第一のエンティティのそれぞれの特徴空間上の位置を示す。符号Ｅ２１，Ｅ２２，Ｅ２３，Ｅ２４，Ｅ２５，Ｅ２６，Ｅ２７が付された各点は、第二のエンティティのそれぞれの特徴空間上の位置を示す。

図４Ｂから理解できるように、この例によれば、低次元特徴ベクトルＤｙの成分Ｄｙ１は、低次元特徴ベクトルＤｘの成分Ｄｘ２に対応し、低次元特徴ベクトルＤｙの成分Ｄｙ２は、低次元特徴ベクトルＤｘの成分Ｄｘ１に対応する。

すなわち、図４Ａに示す例によれば、第一のエンティティの一群と、第二のエンティティの一群とは、エンティティの配列及び次元の順序が、類似度行列Ｋと類似度行列Ｌとの間で異なる形で定義されているだけであり、実質、同じエンティティの集合の類似度分布を示す。

第一のエンティティの一群と、第二のエンティティの一群とが、母集団が同じであるなどの理由により、相互に共通する又は関係する集団的性質を有するときには、特徴ベクトルｘ，ｙの低次元化により、情報源の第一のデータセット１５Ａと第二のデータセット１５Ｂとの間に共通変数がなくとも、各エンティティに本質的な共通する特徴成分を抽出することができる。

但し、このような低次元化によっても、低次元特徴ベクトルＤｘ，Ｄｙが、同じ特徴成分を有するだけで、特徴成分の配列を揃えることはできない。また、第一のデータセット１５Ａと第二のデータセット１５Ｂとの間でエンティティの配列は揃っていない。

行列Ω^＊の探索は、このようにエンティティの配列及び次元の配列の点で、不ぞろいな特徴ベクトルＤｘ，Ｄｙの対応関係を、類似度分布の同一性を手掛かりに、探索する作業に対応する。

続くＳ１８０において、プロセッサ１１は、行列Ω^＊に基づいて、第一のエンティティのそれぞれを、第二のエンティティの少なくとも一つに対応付ける。行列Ω^＊における第ｉ行第ｊ列の要素値は、類似度の分布によれば、第一のエンティティの集合のうちｉ番目のエンティティと、第二のエンティティの集合のうちのｊ番目のエンティティと、が対応する程度又は可能性の大きさを表す。

行列Ω^＊の各要素は、理想的には０又は１を採り、各行について、一行の要素値の合計が１になり、各列について、一列の要素値の合計が１になる。行列Ω^＊が、こうした理想的な行列であるときには、値が１である要素の行番号の第一のエンティティと、列番号の第二のエンティティとが、互いに対応する。

すなわち、行列Ω^＊における第ｉ行第ｊ列の要素が、値１であるとき、第一のエンティティの集合のうちｉ番目のエンティティと、第二のエンティティの集合のうちのｊ番目のエンティティと、が互いに対応することを示す。

但し、数値計算上において、行列Ω^＊が、こうした理想的な行列になることはまれである。従って、Ｓ１８０では、次のいずれかの手法で、複数の第一のエンティティのそれぞれを、第二のエンティティの少なくとも一つに対応付ける。

（手法１）行列Ω^＊の第ｉ行において、値が最大の要素を探索する。値が最大の要素が第ｃ列である場合には、第一のエンティティの集合のうちｉ番目のエンティティを、第二のエンティティの集合のうちｃ番目のエンティティに対応付ける。これを全ての行について行う。

この手法では、第二のエンティティの一つに、複数の第一のエンティティが対応付けられる可能性がある。これを緩和するために、近傍検索が行われてもよい。近傍検索の例としては、Ｃｏｎｔｅｘｔｕａｌ Ｄｉｓｓｉｍｉｌａｒｉｔｙ ｍｅａｓｕｒｅが知られている。

（手法２）厳密な一対一の対応付けを行うために、行列Ω^＊を入力とした最適割当問題を解くことにより、複数の第一のエンティティのそれぞれを、重複しない第二のエンティティの一つに対応付ける。

Ｓ１８０において、プロセッサ１１は更に、第一のエンティティと第二のエンティティの対応関係を説明するテーブルとして、図５に示す対応表を出力することができる。すなわち、第一のエンティティのそれぞれのＩＤに関連付けて、第二のエンティティのＩＤを記述する対応表を出力して、ストレージ１５に記憶することができる。

更にプロセッサ１１は、上記対応付けの結果、又は上記対応表に基づいて、第一のデータセット１５Ａと、第二のデータセット１５Ｂとを結合して、拡張データセット１５Ｃを生成するデータフュージョン処理を実行する（Ｓ１９０）。

拡張データセット１５Ｃは、複数の拡張データを備える。図６に示すように、複数の拡張データのそれぞれは、対応する一つの第一の特徴データと第二の特徴データとの結合データである。

すなわち、プロセッサ１１は、対応表が示す対応関係に基づき、第一のデータセット１５Ａに含まれる複数の第一の特徴データのそれぞれに、第二のデータセット１５Ｂに含まれる複数の第二の特徴データのうちの一つを結合することによって、拡張データセット１５Ｃを生成する。

プロセッサ１１は、対応表によれば、第一のエンティティの集合のうちのｉ番目のエンティティと、第二のエンティティの集合のうちｊ番目のエンティティとが対応付けられているとき、第一のエンティティの集合のうちのｉ番目のエンティティの特徴を説明する第一の特徴データと、第二のエンティティの集合のうちのｊ番目のエンティティの特徴を説明する第二の特徴データとを結合して、上記ｉ番目のエンティティの拡張データを生成する。

このようにして生成された拡張データセット１５Ｃは、ストレージ１５に格納される。ストレージ１５に格納された拡張データセット１５Ｃは、例えばユーザインタフェース１７を通じて入力されるユーザからの指令に基づき、通信インタフェース１９を通じて別のシステムに転送される。

別のシステムは、例えば広告配信システムであり得る。広告配信システムは、拡張データセット１５Ｃに基づき、広告配信先のエンティティを判別し、対応するエンティティに広告配信することができる。

Ｓ１９０において、データフュージョン処理を終了すると、プロセッサ１１は、図２に示す分析処理を終了する。

以上に説明したように、本実施形態の情報処理システム１によれば、第一のデータセット１５Ａと、第二のデータセット１５Ｂとの間に共通変数が存在しなくとも、第一のエンティティのそれぞれと、第二のエンティティのそれぞれと、を類似度の分布から適切に対応付けることができる。

本実施形態の技術に基づいて、類似度の分布に基づいて適切に対応付けるためには、第一のエンティティの集合と、第二のエンティティの集合との間において、その類似度分布が、相互に一致する、類似する、又は、関係するのが好ましい条件である。

第一のエンティティの集合と、第二のエンティティの集合とが、同じ母集団からの部分集合であるとき、このような好ましい条件はおよそ満足される。従って、例えば、第一のエンティティ及び第二のエンティティが人であるとき、すなわち、第一のデータセット１５Ａ及び第二のデータセット１５Ｂとして、人に関する特徴を表すデータセットが取り扱われるとき、本実施形態の技術は、有意義に機能する。

人の行動は、特にデモグラフィック属性に応じた傾向を示すことが多い。従って、第一のデータセット１５Ａ及び第二のデータセット１５Ｂが、デモグラフィック属性の分布が互いに類似すると推定される集団からの収集データに基づいたデータセットであるときには、第一のデータセット１５Ａ及び第二のデータセット１５Ｂが、共通変数の存在しない、互いに異なる集団に属する人の特徴を説明するデータセットであったり、異なる行動の特徴を説明するデータセットであったりしても、適切に、エンティティ間の対応付けを行い、拡張データセット１５Ｃとして、人の心理・行動分析に役立つデータセットを生成することができる。

上述した例によれば、第一のデータセット１５Ａは、第一の集団に属する複数の人のそれぞれの購買行動に関する特徴を記述するデータセットであり、第二のデータセット１５Ｂは、第二の集団に属する複数の人のそれぞれのウェブサイト訪問行動／ウェブコンテンツ閲覧行動に関する特徴を記述するデータセットである。

しかしながら、第一のデータセット１５Ａ及び第二のデータセット１５Ｂの一方には、テレビ視聴行動などの人のメディア接触行動に関する特徴を記述するデータセットが用いられてもよいし、スマートフォン等の携帯端末の使用状況に関する特徴を記述するデータセットが用いられてもよい。

更に言えば、第一のデータセット１５Ａ及び第二のデータセット１５Ｂの一方には、オフライン空間（すなわち現実空間）における人の移動、例えば複数の場所への訪問、移動経路、及び移動手段に関する特徴を記述するデータセットが用いられてもよいし、オンライン空間における人の移動、具体的には仮想現実（ＶＲ）空間の移動やネットサ―フィンに関する特徴を記述するデータセットが用いられてもよい。更に言えば、第一のデータセット１５Ａ及び第二のデータセット１５Ｂの一方には、アンケートにより収集されたデータに基づくデータセットが使用されてもよい。

第一のデータセット１５Ａと第二のデータセット１５Ｂとの組合せとしては、アンケートにより収集されたデータセットと、テレビ視聴行動に関するデータセットとの組合せ、移動履歴に関するデータセットと、購買に関するデータセットとの組合せなども考えられる。

この他、上述した実施形態において、低次元特徴ベクトルＤｘ，Ｄｙの一群に対しては、ＺＣＡ白色化、正規化、及び、標準化などの処理が行われてもよい。

また、上記実施形態では、低次元特徴ベクトルＤｘ，Ｄｙの次元数Ｍが、設計者又はユーザにより定められるが、最適な次元数Ｍを探索するように、情報処理システム１は構成されてもよい。例えば、情報処理システム１は、図２に示す分析処理を、同一のデータセット１５Ａ，１５Ｂについて次元数Ｍを変更しながら繰返し実行して、Ｚ（Ω）の最大値を指標に、最適な次元数Ｍを自動選定するように構成されてもよい。

＜第二実施形態＞
第二実施形態の情報処理システム１は、プロセッサ１１が図２に示す分析処理に代えて、図７に示す分析処理を実行するように構成される。以下では、第二実施形態の説明として、プロセッサ１１が実行する分析処理の詳細を選択的に説明する。本実施形態において言及されない情報処理システム１の構成は、第一実施形態と同じであると理解されてよい。

プロセッサ１１は、図７に示す分析処理を開始すると、第一実施形態と同様に、データフュージョン対象の第一のデータセット１５Ａと第二のデータセット１５Ｂとを取得する（Ｓ３１０，Ｓ３２０）。

プロセッサ１１は、Ｓ１１０での処理と同様に、第一のデータセット１５Ａに基づいて、第一のエンティティ毎の特徴ベクトルｘを生成する（Ｓ３１０）。プロセッサ１１は、Ｓ１２０での処理と同様に、第二のデータセット１５Ｂに基づいて、第二のエンティティ毎の特徴ベクトルｙを生成する（Ｓ３２０）。

更に、プロセッサ１１は、Ｓ１３０，Ｓ１４０での処理と同様に、次元削減処理によって、特徴ベクトルｘの一群に対応する低次元特徴ベクトルＤｘの一群を生成し、特徴ベクトルｙの一群に対応する低次元特徴ベクトルＤｙの一群を生成する（Ｓ３３０）。

続くＳ３４０において、プロセッサ１１は、Ｓ１５０，Ｓ１６０，Ｓ１７０での処理と同様の処理を実行する。すなわち、プロセッサ１１は、低次元特徴ベクトルＤｘの一群を用いて、第一のエンティティの集合に関する類似度行列Ｋを生成し、低次元特徴ベクトルＤｙの一群を用いて、第二のエンティティの集合に関する類似度行列Ｌを生成する。

更に、プロセッサ１１は、類似度行列Ｋ及び類似度行列Ｌを用いて、第一実施形態で説明した値Ｚ（Ω）を最大化する行列Ωを行列Ω^＊として探索する（Ｓ３４０）。ここでは、探索された行列Ω^＊のことを、対応関係行列Ω^＊と表現する。

その後、プロセッサ１１は、繰返し終了条件が満足されたか否かを判断する（Ｓ３５０）。繰返し終了条件が満足されていないと判断すると（Ｓ３５０でＮｏ）、プロセッサ１１は、Ｓ３６０の処理を実行する。

Ｓ３６０において、プロセッサ１１は、Ｓ３４０で探索された対応関係行列Ω^＊を固定した状態で、Ｇｒｏｍｏｖ－Ｗａｓｓｅｒｓｔｅｉｎ距離のコストを最小化する次元削減方式を探索する。

対応関係行列Ω^＊を固定した状態は、第一のエンティティと第二のエンティティとの間の対応関係を固定した状態に対応する。上述したように値Ｚ（Ω）を最大化する行列Ωを対応関係行列Ω^＊として探索することは、第二の特徴空間における第二のエンティティの分布に適合するように、第一の特徴空間上の複数の第一のエンティティを第二の特徴空間にマッピングするための写像を探索することに対応する。

Ｇｒｏｍｏｖ－Ｗａｓｓｅｒｓｔｅｉｎ距離のコストは、第一のエンティティの集合を、第二の特徴空間にマッピングしたときの第一のエンティティと第二のエンティティとの間の最適輸送問題における輸送コストに対応する。

Ｇｒｏｍｏｖ－Ｗａｓｓｅｒｓｔｅｉｎ距離のコストは、類似度行列Ｋ，Ｌ及び対応関係行列Ω^＊を用いて算出可能である。類似度行列Ｋは、上述の通り、次元削減後の低次元特徴ベクトルＤｘに基づいて算出された第一のエンティティ間の類似度を要素に含む行列である。類似度行列Ｌは、次元削減後の低次元特徴ベクトルＤｙに基づいて算出された第二のエンティティ間の類似度を要素に含む行列である。

Ｇｒｏｍｏｖ－Ｗａｓｓｅｒｓｔｅｉｎ距離のコストを最小化する次元削減方式を探索することは、対応関係行列Ω^＊で示される第一のエンティティと第二のエンティティとの間の対応関係を最もよく正当化する低次元特徴ベクトルＤｘ，Ｄｙを生成するための次元削減方式を探索することに対応する。

コストの最小化は、対応関係行列Ω^＊によれば、互いに対応する第一のエンティティと第二のエンティティとの間の特徴空間上の距離、換言すれば、第一のエンティティの低次元特徴ベクトルＤｘと、第二のエンティティの低次元特徴ベクトルＤｙとの間の特徴空間上の距離が短くなるように、次元削減方式を探索することに対応する。

例えば、Ｍ１次元の特徴ベクトルｘを、Ｍ次元の低次元特徴ベクトルＤｘに変換する場合には、特徴ベクトルｘにＭ行Ｍ１列の変換行列Ｔｘを作用させる。Ｍ２次元の特徴ベクトルｙを、Ｍ次元の低次元特徴ベクトルＤｙに変換する場合には、特徴ベクトルｙにＭ行Ｍ２列の変換行列Ｔｙを作用させる。このとき、変換行列Ｔｘ，Ｔｙを構成するパラメータｍの数は、（Ｍ＊Ｍ１＋Ｍ＊Ｍ２）個である。

次元削減方式の探索は、例えば変換行列Ｔｘ，Ｙｙのパラメータｍとして、上述のコストを最小化するパラメータｍを、勾配法等を用いて探索することにより実現される。

その後、プロセッサ１１は、探索された次元削減方式（例えば変換行列Ｔｘ，Ｔｙ）で特徴ベクトルｘ，ｙを低次元化し、新たな低次元特徴ベクトルＤｘ，Ｄｙを算出する（Ｓ３７０）。

プロセッサ１１は、新たな低次元特徴ベクトルＤｘに基づく類似度行列Ｋ、及び、新たな低次元特徴ベクトルＤｙに基づく類似度行列Ｌを用いて、値Ｚ（Ω）を最大化する行列Ωを、新たな対応関係行列Ω^＊として探索する（Ｓ３４０）。

プロセッサ１１は、このようにＳ３６０，Ｓ３７０，Ｓ３４０の処理を繰返し実行することによって、マッチング精度の高い対応関係行列Ω^＊を、より良い次元削減方式と共に再探索する。

プロセッサ１１は、繰返し終了条件が満足されると（Ｓ３５０でＹｅｓ）、Ｓ３８０の処理を実行する。繰返し終了条件は、例えば、Ｓ３４０の処理が所定回実行された場合に、あるいは、再探索による対応関係行列Ω^＊の変化量が一定未満になった場合に満足される。

Ｓ３８０において、プロセッサ１１は、第一実施形態におけるＳ１８０の処理と同様に、繰返し処理の最後に算出された対応関係行列Ω^＊に基づいて、第一のエンティティのそれぞれを、第二のエンティティの少なくとも一つに対応付ける。プロセッサ１１は更に、第一のエンティティと第二のエンティティの対応関係を説明する対応表を記憶及び出力することができる。

その後、プロセッサ１１は、Ｓ１９０での処理と同様に、第一のデータセット１５Ａと、第二のデータセット１５Ｂとを結合して、拡張データセット１５Ｃを生成するデータフュージョン処理を実行し、生成した拡張データセット１５Ｃをストレージ１５に格納する（Ｓ３９０）。

以上に説明した第二実施形態の情報処理システム１は、上述の繰返し処理によって、更に精度よく、第一のエンティティと第二のエンティティとの間の対応付けを行うことができる。従って、対応付けの正しい精度の良い拡張データセット１５Ｃを生成することが可能である。

＜第三実施形態＞
第三実施形態の情報処理システム１は、ユーザインタフェース１７を通じたユーザからの実行指示に基づき、プロセッサ１１が図８に示す評価処理を実行するように構成される。以下では、第三実施形態の説明として、プロセッサ１１が実行する評価処理の詳細を説明する。本実施形態において言及されない情報処理システム１の構成は、第一又は第二実施形態と同じであると理解されてよい。

評価処理は、評価対象のデータセットが、図２又は図７に示す分析処理での対応付け及びデータフュージョンを高精度に実行可能な優良なデータセットであるか否かを評価するために実行される。評価対象のデータセットは、分析処理で、第一のデータセット１５Ａ又は第二のデータセット１５Ｂとして使用され得るデータセットに対応する。

プロセッサ１１は、評価処理を開始すると、ユーザから実行指示と共に指定された評価対象のデータセットを取得する（Ｓ４１０）。プロセッサ１１は、ストレージ１５から指定された評価対象のデータセットを取得することができる。

その後、プロセッサ１１は、評価対象のデータセットに基づき、エンティティ毎に、第一の特徴ベクトルｘ＿１と、第二の特徴ベクトルｘ＿２と、を生成する（Ｓ４２０）。評価対象のデータセットは、エンティティ毎に、対応するエンティティの特徴を（Ｑ１＋Ｑ２）個の要素で表す特徴データを備えることができる。

プロセッサ１１は、（Ｑ１＋Ｑ２）個の要素を、Ｑ１個の要素からなる第一の要素群と、Ｑ２個の要素からなる第二の要素群と、に分割することができる。（Ｑ１＋Ｑ２）個の要素のそれぞれは、ランダムに、第一の要素群及び第二の要素群のいずれかに分類され得る。

プロセッサ１１は、評価対象のデータセットに基づいて、エンティティ毎に、対応するエンティティの第一の要素群に関する特徴を記述した第一の特徴ベクトルｘ＿１と、対応するエンティティの第二の要素群に関する特徴を記述した第二の特徴ベクトルｘ＿２と、を生成することができる。

例えば、評価対象のデータセットが、Ｓ１１０，Ｓ１２０，Ｓ３１０，又はＳ３２０で特徴ベクトルｖ＝（ｖ［１］，ｖ［２］，ｖ［３］，…，ｖ［Ｑ］）が生成され得る要素数Ｑ＝（Ｑ１＋Ｑ２）の特徴データをエンティティ毎に備える場合、Ｑ１個の要素を含む第一の特徴ベクトルｘ＿１＝（ｖ［１］，ｖ［２］，…，ｖ［Ｑ１］）及びＱ２個の要素を含む第二の特徴ベクトルｘ＿２＝（ｖ［Ｑ１＋１］，ｖ［Ｑ１＋２］，…，ｖ［Ｑ１＋Ｑ２］）が生成され得る。

第一の特徴ベクトルｘ＿１は、第一のエンティティの集合におけるエンティティ毎の特徴ベクトルｘに対応し、第二の特徴ベクトルｘ＿２は、第一のエンティティの集合と同一の第二のエンティティの集合におけるエンティティ毎の特徴ベクトルｙに対応する。

その後、プロセッサ１１は、Ｓ１３０～Ｓ１７０で実行される処理と同様の処理を、Ｓ４３０，Ｓ４４０において、第一の特徴ベクトルｘ＿１及び第二の特徴ベクトルｘ＿２に対して実行する。

Ｓ４３０において、プロセッサ１１は、Ｓ１３０，Ｓ１４０での処理と同様に、第一のエンティティ毎の第一の特徴ベクトルｘ＿１及び第二のエンティティ毎の第二の特徴ベクトルｘ＿２に対する次元削減処理を実行して、同次元数の低次元特徴ベクトルＤｘ＿１及び低次元特徴ベクトルＤｘ＿２を生成する。

プロセッサ１１は、第一のエンティティ毎の低次元特徴ベクトルＤｘ＿１に基づき、類似度行列Ｋに対応する第一のエンティティ間の低次元特徴ベクトルＤｘ＿１の類似度を表す類似度行列を生成する。プロセッサ１１は更に、第二のエンティティ毎の低次元特徴ベクトルＤｘ＿２に基づき、類似度行列Ｌに対応する第二のエンティティ間の低次元特徴ベクトルＤｘ＿２の類似度を表す類似度行列を生成する。

プロセッサ１１は、これらの類似度行列に基づき、値Ｚ（Ω）を最大化する行列Ωを対応関係行列Ω^＊として探索する（Ｓ４４０）。

その後、プロセッサ１１は、低次元特徴ベクトルＤｘ＿１の一群に対応する第一のエンティティの集合と、低次元特徴ベクトルＤｘ＿２の一群に対応する第二のエンティティの集合とに関して、対応関係行列Ω^＊が、第一のエンティティと第二のエンティティとの間の対応関係を正しく表している程度をスコアとして算出する（Ｓ４５０）。

これにより、プロセッサ１１は、評価対象のデータセットが分析処理による対応付け及びデータフュージョンを高精度に実行可能な優良なデータセットであるか否かを評価する（Ｓ４５０）。

プロセッサ１１は、予めＳ４２０で第一のエンティティ毎の特徴ベクトルｘ＿１及び第二のエンティティ毎の特徴ベクトルｘ＿２を生成する際に、第一のエンティティと第二のエンティティとの間の正しい対応関係を記憶しておくことができる。

プロセッサ１１は、このように対応関係の正解を記憶した環境で、Ｓ４３０，Ｓ４４０において分析処理と同様の処理を実行して対応関係行列Ω^＊を算出し、対応関係行列Ω^＊から特定される対応関係を正解と比較する。

例えば、プロセッサ１１は、対応関係行列Ω^＊に基づいて、第一のエンティティのそれぞれを、第二のエンティティの一つと対応付ける処理を、Ｓ１８０，Ｓ３８０での処理と同様に実行する。

プロセッサ１１は、対応関係行列Ω^＊に基づいて対応付けられた第一のエンティティと第二のエンティティとが、評価対象のデータセットにおいて同一のエンティティである場合には、対応付けに成功したと判別し、同一のエンティティではない場合には、対応付けに失敗したと判別する。

プロセッサ１１は、エンティティ全体のうち、対応付けに成功した割合を、評価対象のデータセットのスコアとして算出することができる（Ｓ４５０）。その後、プロセッサ１１は、算出したスコアを評価結果として出力し（Ｓ４６０）、評価処理を終了する。

一つのデータセットに基づく対応付け及びデータフュージョンを高精度に実行できない場合には、そのデータセットが、集合の特徴に関して高精度な対応付け及びデータフュージョンを実現するために十分な情報又はデータ構造を有していないと推測できる。

この情報不足は、二つの異なるデータセットに関して分析処理を実行して、対応付け及びデータフュージョンを行う場合の精度にも影響する。従って、上記評価処理によれば、評価対象のデータセットが、共通変数なしのデータフュージョンを高精度に実行可能なデータセットであるかを、事前に推測することができる。

プロセッサ１１は、Ｓ４６０において、スコアの出力により、評価対象のデータセットが優良なデータセットであるか否かを情報処理システム１のユーザに伝達することができる。これにより、ユーザは、分析処理に、適切な第一のデータセット１５Ａ及び第二のデータセット１５Ｂの組合せを採用して、信頼性の高い拡張データセット１５Ｃを得ることができる。

また、所望の拡張データセット１５Ｃを得るために、第二のデータセット１５Ｂに結合する第一のデータセット１５Ａとして、互いに類似する複数のデータセットのいずれかを採用すれば十分である環境が考えられる。

例えば、購買行動に関する第一のデータセット１５Ａと、ウェブサイト訪問行動／ウェブコンテンツ閲覧行動に関する第二のデータセット１５Ｂとを、結合して、拡張データセット１５Ｃを生成することを考える。この場合、第一のデータセット１５Ａとして、複数の流通組織のいずれか一組織の顧客の購買行動に関するデータセットを用いて、拡張データセット１５Ｃを生成すれば十分であることが考えられる。

複数の流通組織の例には、複数のコンビニエンスストアチェーンが含まれる。各コンビニストアチェーンの購買に関するデータセットには、消費者の購買行動として、同種の購買行動に関する情報が含まれ得る。

従って、第一のデータセット１５Ａとしては、複数のコンビニエンスストアチェーンのうちのいずれか一つの顧客の購買行動に関するデータセットを用いて、拡張データセット１５Ｃを生成すれば十分であることが考えられる。

上述の評価処理は、第一のデータセット１５Ａ（又は第二のデータセット１５Ｂ）の候補として、複数のデータセットが存在する場合に、これらの複数のデータセットから、対応付け及びデータフュージョンの精度の観点で最適なデータセットを、第一のデータセット１５Ａ（又は第二のデータセット１５Ｂ）として選択するために利用することができる。

例えば、プロセッサ１１は、Ｓ１１０，Ｓ１２０，Ｓ３１０，Ｓ３２０のいずれかの処理において、必要に応じて、図９に示す選択処理を実行することにより、データフュージョン対象のデータセットの複数の候補から、一つの候補を、データフュージョン対象のデータセットとして採用することができる。Ｓ１１０，Ｓ３１０におけるデータフュージョン対象のデータセットは、第一のデータセット１５Ａに対応し、Ｓ１２０，Ｓ３２０におけるデータフュージョン対象のデータセットは、第二のデータセット１５Ｂに対応する。

図９に示す選択処理を開始すると、プロセッサ１１は、データフュージョン対象のデータセットの複数の候補として、複数のデータセットを取得する（Ｓ５１０）。プロセッサ１１は、ユーザから指定された複数のデータセットを、ストレージ１５から取得することができる。

その後、プロセッサ１１は、複数のデータセットのうちの一つを、評価対象のデータセットに設定して（Ｓ５２０）、図８に示す評価処理を実行する（Ｓ５３０）。プロセッサ１１は、複数のデータセットのすべてに関する評価処理を実行するまで（Ｓ５４０でＹｅｓ）、データセット毎に、これを評価対象のデータセットに設定して（Ｓ５２０）、評価処理（Ｓ５３０）を実行する処理を繰り返す。これにより、データセット毎に、Ｓ４５０で算出されるスコアを取得する。

複数のデータセットのすべてに関して評価処理を実行し、スコアを取得すると（Ｓ５４０でＹｅｓ）、プロセッサ１１は、複数のデータセットのうち、最もスコアの高いデータセットを、データフュージョン対象のデータセットに採用する（Ｓ５５０）。その後、選択処理を終了する。Ｓ１１０，Ｓ１２０，Ｓ３１０，Ｓ３２０において、プロセッサ１１は、採用されたデータフュージョン対象のデータセットに基づく特徴ベクトル（ｘ又はｙ）を生成することができる。

このように選択処理を実行して、複数の候補の中から最適なデータセットを選択することによれば、精度の高い拡張データセット１５Ｃを生成することが可能である。

付言すると、購買行動の例において、データフュージョン対象のデータセットの複数の候補には、消費者の購買行動を異なるパラメータで表すデータセットが含まれ得る。例えば、第一の候補は、エンティティ（消費者）毎に、商品毎の購入個数を要素に含む特徴ベクトルを生成可能なデータセットであり得る。第二の候補は、エンティティ（消費者）毎に、商品毎の購入金額を要素に含む特徴ベクトルを生成可能なデータセットであり得る。

こうした同種の特徴を異なるパラメータで説明する複数のデータセットを用意して、データフュージョンに適したデータセットを選択することは、より良い拡張データセット１５Ｃの生成に繋がる。

＜第四実施形態＞
図１０に示す第四実施形態の配信システム３０は、第一実施形態又は第二実施形態のデータフュージョン技術を用いて、外部から提供されるデータセットである外部データセット３５Ａと、内部に保持するデータセットである内部データセット３５Ｂとを結合し、それにより生成される拡張データセット３５Ｃに基づいて、広告配信を行うシステムである。

配信システム３０は、図１０に示すように、プロセッサ３１と、メモリ３３と、ストレージ３５と、通信インタフェース３９とを備える。プロセッサ３１は、ストレージ３５に格納されたコンピュータプログラムＰｒ１に従う処理を実行する。ストレージ３５は、更に、内部データセット３５Ｂを備える。

内部データセット３５Ｂは、図１１に示すように、ユーザ毎に、対応するユーザの広告ＩＤに関連付けて、対応するユーザのオンライン行動の特徴を説明する特徴データを備える。広告ＩＤは、良く知られるように、広告のために使用される識別コードであって、情報端末に固有のＩＤである。

広告ＩＤに関連付けられた特徴データは、対応する広告ＩＤが割り当てられた情報端末を通じて観測されたユーザのオンライン行動の特徴を説明する。オンライン行動には、ウェブサイト訪問行動及びウェブコンテンツ閲覧行動が含まれる。

配信システム３０は、通信インタフェース３９を通じて広域ネットワークと接続され、広域ネットワークを介して、広告配信サービスを提供する。広告配信サービスを利用するサービス利用企業側システム４０は、配信システム３０に対して、配信対象の広告コンテンツと共に、配信指定情報を提供する。広告コンテンツは、広告用の情報コンテンツである。配信指定情報には、配信ターゲットを指定するターゲット指定情報、及び、配信数を指定する配信数指定情報が含まれる。

サービス利用企業側システム４０は更に、配信システム３０に対し、外部データセット３５Ａとして、配信先候補に対応する顧客の特徴を説明するデータセットである顧客データセットを提供する。

顧客データセットは、例えば、サービス利用企業が運営する店舗を利用する顧客の購買行動に関する特徴を説明するデータセットであり得る。例えば、顧客データセットは、顧客毎の特徴データとして、複数の商品に関する、対応する顧客の商品毎の購買量を説明する特徴データを備えることができる。

プロセッサ３１は、通信インタフェース３９を通じてサービス利用企業側システム４０から配信要求が入力されると、コンピュータプログラムＰｒ１に基づいて図１２に示す配信制御処理を実行する。

配信制御処理を開始すると、プロセッサ３１は、サービス利用企業側システム４０から、配信対象の広告コンテンツと共に、ターゲット指定情報及び配信数指定情報を含む配信指定情報、外部データセット３５Ａとしての顧客データセットを取得する（Ｓ６１０）。

その後、プロセッサ３１は、第一のデータセット１５Ａとして外部データセット３５Ａを用いて、更には、第二のデータセット１５Ａとして内部データセット３５Ｂを用いて、分析処理におけるＳ１１０～Ｓ１９０の処理と同様の処理を実行することにより、外部データセット３５Ａと内部データセット３５Ｂとを結合し、拡張データセット３５Ｃを生成する（Ｓ６２０）。

外部データセット３５Ａと内部データセット３５Ｂとの結合により、外部データセット３５Ａに含まれる顧客毎の特徴データには、内部データセット３５Ｂに含まれる顧客と同一人物である可能性の高いユーザの広告ＩＤが関連付けられる。

拡張データセット３５Ｃは、エンティティ毎に、対応する顧客の外部データセット３５Ａが有する特徴データと、対応するユーザの内部データセット３５Ｂが有する特徴データとが結合された拡張データを備える。各拡張データには、内部データセット３５Ｂが有する対応するユーザの広告ＩＤが関連付けられる。

ここでいうエンティティは、データフュージョンにより互いに対応付けられた顧客とユーザとの組合せのことである。データフュージョンでは、顧客とユーザとが一対一で対応付けられる。例えば、拡張データセット３５Ｃは、図６に示す拡張データセット１５Ｃにおいて図示される「ＩＤ２＿１」「ＩＤ２＿２」「ＩＤ２＿３」の列に、広告ＩＤが記述された構成にされ得る。

プロセッサ３１は、その後、拡張データセット３５Ｃ内の各エンティティが配信ターゲットである可能性に関するスコアを算出する（Ｓ６３０）。例えば、外部データセット３５Ａが顧客の購買行動に関するデータセットであり、内部データセット３５Ｂがユーザのオンライン行動に関するデータセットである場合、プロセッサ３１は、拡張データセット３５Ｃ内の各エンティティの購買行動に関する特徴データとオンライン行動に関する特徴データとを所定の関数に入力して、対応するエンティティが配信ターゲットである可能性を数値化したスコアを算出する。

配信ターゲットは、性別、年齢、購買傾向、オンライン行動傾向、興味、及び関心等の消費者を特徴付けるパラメータにより絞り込まれる配信先の消費者群であり、ターゲット指定情報を通じて指定される。

Ｓ６３０におけるスコア算出後、プロセッサ３１は、広告ＩＤが関連付けられているエンティティの一群（換言すれば顧客の一群）のうち、算出されたスコアが高い順に、サービス利用企業側システム４０から指定された配信数に対応する数のエンティティを、コンテンツ配信先に決定する（Ｓ６４０）。このようにして、プロセッサ３１は、外部データセット３５Ａに対応する複数の顧客のいずれかと対応付けられた内部データセット３５Ｂに対応する複数のユーザの少なくとも一部を、広告コンテンツの配信先に選択する。

その後、プロセッサ３１は、決定したコンテンツ配信先の情報端末に、サービス利用企業側システム４０から提供された広告コンテンツを、広域ネットワークを通じて送信する（Ｓ６５０）。広告コンテンツは、コンテンツ配信先の広告ＩＤから識別される情報端末に配信される。その後プロセッサ３１は、配信制御処理を終了する。

以上に説明した第四実施形態の配信システム３０によれば、共通変数なしのデータフォージョン技術を用いて、外部データセット３５Ａと内部データセット３５Ｂとを結合することにより、広告ＩＤが不明な顧客の特徴データに対して広告ＩＤを関連付けることができる。これにより、広告ＩＤが不明な外部データセット３５Ａの顧客に対して、広告コンテンツを適切に配信することができる。

＜第五実施形態＞
第五実施形態の配信システム３０は、プロセッサ３１が図１２に示す配信制御処理に代えて、図１３に示す配信制御処理を実行するように構成される。以下では、第五実施形態の説明として、プロセッサ３１が実行する配信制御処理の詳細を選択的に説明する。本実施形態において言及されない配信システム３０の構成は、第四実施形態と同じであると理解されてよい。

本実施形態において、プロセッサ３１は、通信インタフェース３９を通じてサービス利用企業側システム４０から、配信要求が入力されると、図１３に示す配信制御処理を実行する。

配信制御処理を開始すると、プロセッサ３１は、サービス利用企業側システム４０から、配信対象の広告コンテンツと共に、配信指定情報、外部データセット３５Ａとしての顧客データセットを取得する（Ｓ７１０）。

但し、ここで取得される配信指定情報は、ターゲット指定情報を含まず、配信数指定情報のみを含む。また、外部データセット３５Ａとして取得される顧客データセットは、サービス提供企業が絞り込んだ配信ターゲットに対応する顧客群の特徴を説明する特定顧客データセットである。

その後、プロセッサ３１は、Ｓ６２０での処理と同様に、外部データセット３５Ａと内部データセット３５Ｂとを結合し、拡張データセット３５Ｃを生成する（Ｓ７２０）。拡張データセット３５Ｃは、エンティティ毎に、対応する顧客の外部データセット３５Ａが有する特徴データと、対応するユーザの内部データセット３５Ｂが有する特徴データとが結合された拡張データを備える。

但し、本実施形態では、内部データセット３５Ｂのユーザのすべてに対して外部データセット３５Ａの顧客が対応付けられることにはならない。本実施形態の拡張データセット３５Ｃは、サービス利用企業側の顧客と対応付けられていないユーザの特徴データも、一つのエンティティの拡張データとして含む。この拡張データは、実質的には拡張されていない内部データセット３５Ｂが有する該当ユーザの特徴データである。

本実施形態では、拡張データセット３５Ｃに対応するエンティティの一群のうち、外部データセット３５Ａに対応する顧客群に対応付けられたエンティティ群のことをシードと表現し、それ以外のエンティティの一群のことを、非シードと表現する。

Ｓ７２０の処理後、プロセッサ３１は、拡張データセット３５Ｃに基づいて、非シードの各エンティティと、シードの各エンティティとの間の内部データセット３５Ｂが示す特徴の類似度を算出する（Ｓ７３０）。類似度は、非シードの各エンティティと、シードの各エンティティとの間の特徴空間上の距離によって算出され得る。

類似度の算出後、プロセッサ３１は、類似度の高い順に、配信指定情報で指定された配信数に対応する数のエンティティを配信先に決定する（Ｓ７４０）。この際、シードに対応する全てのエンティティも配信先に決定される。

このようにして、プロセッサ３１は、外部データセット３５Ａに対応する複数の顧客と対応付けられたユーザの集合であるシードの集合と、内部データセット３５Ｂに対応する複数のユーザのうち、シードと特徴が類似するユーザの集合と、を広告コンテンツの配信先に選択する。

その後、プロセッサ３１は、Ｓ６５０の処理と同様に、Ｓ７４０で決定したコンテンツ配信先の情報端末に、サービス利用企業側システム４０から提供された広告コンテンツを、広域ネットワークを通じて送信する（Ｓ７５０）。その後、配信制御処理を終了する。

以上に説明した本実施形態の配信システム３０によれば、サービス利用企業側システム４０から提供された顧客群のデータセットを基礎に、それら顧客群と共に、顧客群と類似した特徴を示すより大きな集合の消費者の情報端末に、広告コンテンツを配信することができる。従って、本実施形態によれば、多くの消費者に、効率的に広告配信を行うことが可能である。

＜第六実施形態＞
第六実施形態の配信システム３０は、第四実施形態又は第五実施形態の配信システム３０と同様の広告配信サービスと共に、予測サービスを提供するように構成される。

具体的には、本実施形態のプロセッサ３１は、サービス利用企業側システム４０からの実行要求に応じて、図１４に示す予測処理を実行するように構成される。以下では、第六実施形態の説明として、プロセッサ３１が実行する予測処理の詳細を選択的に説明する。本実施形態において言及されない配信システム３０の構成は、第四実施形態又は第五実施形態と同じであると理解されてよい。

プロセッサ３１は、予測処理を開始すると、通信インタフェース３９を通じて分析対象のデータセットを、分析条件指定情報と共に、サービス利用企業側システム４０から取得する（Ｓ８１０）。分析対象のデータセットは、分析対象の顧客毎の特徴データを備えるデータセットである。

分析条件指定情報は、顧客の購入可能性を評価する対象の商品を指定する情報であり得る。予測処理では、指定された対象商品を分析対象の各顧客が購入する可能性が、対象商品の購入数の予測値を算出することによって予測される。ここでの予測は、顧客の行動を推定することに対応し、予測値は、行動に関する推定値に対応する。

Ｓ８１０の処理実行後、プロセッサ３１は、第一のデータセット１５Ａとして分析対象のデータセットを用いて、更には、第二のデータセット１５Ｂとして内部データセット３５Ｂを用いて、分析処理におけるＳ１１０～Ｓ１７０又はＳ３１０～Ｓ３７０の処理と同様の処理を実行することにより、分析対象の各顧客と内部データセット３５Ｂに特徴データを有する各ユーザとの対応関係を示す対応関係行列Ω^＊を算出する（Ｓ８２０）。

プロセッサ３１は更に、算出された対応関係行列Ω^＊に基づき、分析対象の顧客毎に、対応する顧客に近しい所定数のユーザを抽出し、内部データセット３５Ｂから特定可能な上記抽出したユーザの対象商品の購入数の重み付け平均により、対応する顧客の対象商品の購入数の予測値を算出する（Ｓ８３０）。このようにしてプロセッサ３１は、顧客の購買行動を、対応付けられたユーザの購買行動から推定する。内部データセット３５Ｂは、各ユーザの対象商品の購入数を特定可能な情報を含む。

対応関係行列Ω^＊の各要素は、顧客とユーザとの間の類似度を０～１の値で示す。具体的には、対応関係行列Ω^＊における第ｉ行第ｊ列の要素は、内部データセット３５Ｂに対応するユーザの集合のうちｉ番目のユーザと、分析対象のデータセットに対応する顧客の集合のうちのｊ番目の顧客と、の間の類似度を値０～１で示す。

重み付け平均は、例えば、類似度を重みとして用いて算出される。重み付け平均は、顧客と近しい３人のユーザとして第一、第二、及び第三のユーザが抽出されたと仮定したとき、次のように算出され得る。

すなわち、顧客と第一のユーザとの類似度がｗ１、顧客と第二のユーザとの類似度がｗ２、顧客と第三のユーザとの類似度ｗ３であり、第一のユーザの対象商品購入数がｐ１、第二のユーザの対象商品購入数がｐ２であり、第三のユーザの対象商品購入数がｐ３であるとき、顧客の対象商品の購入数の予測値ｐｅは、ｐｅ＝（ｗ１・ｐ１＋ｗ２・ｐ２＋ｗ３・ｐ３）／３で算出され得る。

対応関係行列Ω^＊からは、顧客毎に、すべてのユーザとの類似度（換言すれば対応付けの大きさ）を特定可能である。従って、近しいユーザを抽出するプロセスなしに、すべてのユーザの対象商品の購入数の重み付け平均によって、顧客の対象商品の購入数の予測値が算出されてもよい。

Ｓ８３０の処理実行後、プロセッサ３１は、顧客毎の対応商品の購入数の予測値を記述した予測データを、予測処理の実行要求元に出力する（Ｓ８４０）。その後、プロセッサ３１は、図１４に示す予測処理を終了する。

別例によれば、プロセッサ３１は、Ｓ８３０の処理実行後、予測データを出力することに代えて又は加えて、顧客毎の対応商品の購入数の予測値に基づき、予測値が大きい順に、サービス利用企業から指定された配信数に対応する人数の顧客に対して、対象商品の購入を進める広告コンテンツを配信する処理を実行してもよい（Ｓ８４０）。

以上に、第六実施形態の配信システム３０を説明したが、本実施形態によれば、共通変数なしのデータフュージョン技術を用いて、有意義な広告配信サービスを提供でき、更には、有意義なマーケティングソリューションを提供可能である。

［その他］
本開示が上述した実施形態に限定されるものではなく、種々の態様を採り得ることは言うまでもない。上記実施形態における１つの構成要素が有する機能は、複数の構成要素に分散して設けられてもよい。複数の構成要素が有する機能は、１つの構成要素に統合されてもよい。上記実施形態の構成の一部は、省略されてもよい。上記実施形態の構成の少なくとも一部は、他の上記実施形態の構成に対して付加又は置換されてもよい。特許請求の範囲に記載の文言から特定される技術思想に含まれるあらゆる態様が本開示の実施形態である。

１…情報処理システム、１１，３１…プロセッサ、１３，３３…メモリ、１５，３５…ストレージ、１５Ａ…第一のデータセット、１５Ｂ…第二のデータセット、１５Ｃ…拡張データセット、１７…ユーザインタフェース、１９，３９…通信インタフェース、３０…配信システム、３５Ａ…外部データセット、３５Ｂ…内部データセット、３５Ｃ…拡張データセット、４０…サービス利用企業側システム、Ｐｒ，Ｐｒ１…コンピュータプログラム。

Claims (17)

1. 複数の第一のエンティティに関する第一のデータセットであって、前記複数の第一のエンティティのそれぞれの特徴を記述する第一のデータセットを取得するように構成される第一取得部と、
   複数の第二のエンティティに関する第二のデータセットであって、前記複数の第二のエンティティのそれぞれの特徴を記述する第二のデータセットを取得するように構成される第二取得部と、
   前記第一のデータセットから特定される第一の特徴ベクトルの一群であって、前記第一の特徴ベクトルのそれぞれが、前記複数の第一のエンティティのうちの対応する一つの特徴を表す第一の特徴ベクトルの一群、及び、前記第二のデータセットから特定される第二の特徴ベクトルの一群であって、前記第二の特徴ベクトルのそれぞれが、前記複数の第二のエンティティのうちの対応する一つの特徴を表す第二の特徴ベクトルの一群に対する次元削減処理を実行することによって、前記第一の特徴ベクトルの一群に対応する第一の低次元特徴ベクトルの一群、及び、前記第二の特徴ベクトルの一群に対応する第二の低次元特徴ベクトルの一群であって前記第一の低次元特徴ベクトルの一群と同一次元数の第二の低次元特徴ベクトルの一群を生成するように構成される次元削減部と、
   前記第一の低次元特徴ベクトルの一群、及び、前記第二の低次元特徴ベクトルの一群に基づき、前記複数の第一のエンティティのそれぞれを、前記複数の第二のエンティティの少なくとも一つに対応付けるように構成される対応付け部と、
   を備え、
   前記対応付け部は、前記第一の低次元特徴ベクトルの一群から特定される前記第一のエンティティ間の類似度、及び、前記第二の低次元特徴ベクトルの一群から特定される前記第二のエンティティ間の類似度に基づき、類似度に関する前記第一のエンティティ間の相互関係が前記第二のエンティティ間の相互関係に適合するように、前記複数の第一のエンティティのそれぞれを、前記複数の第二のエンティティの少なくとも一つに対応付ける情報処理システム。
2. 複数の第一のエンティティに関する第一のデータセットであって、前記複数の第一のエンティティのそれぞれの特徴を記述する第一のデータセットを取得するように構成される第一取得部と、
   複数の第二のエンティティに関する第二のデータセットであって、前記複数の第二のエンティティのそれぞれの特徴を記述する第二のデータセットを取得するように構成される第二取得部と、
   前記第一のデータセットから特定される第一の特徴ベクトルの一群であって、前記第一の特徴ベクトルのそれぞれが、前記複数の第一のエンティティのうちの対応する一つの特徴を表す第一の特徴ベクトルの一群、及び、前記第二のデータセットから特定される第二の特徴ベクトルの一群であって、前記第二の特徴ベクトルのそれぞれが、前記複数の第二のエンティティのうちの対応する一つの特徴を表す第二の特徴ベクトルの一群に対する次元削減処理を実行することによって、前記第一の特徴ベクトルの一群に対応する第一の低次元特徴ベクトルの一群、及び、前記第二の特徴ベクトルの一群に対応する第二の低次元特徴ベクトルの一群であって前記第一の低次元特徴ベクトルの一群と同一次元数の第二の低次元特徴ベクトルの一群を生成するように構成される次元削減部と、
   前記第一の低次元特徴ベクトルの一群、及び、前記第二の低次元特徴ベクトルの一群に基づき、前記複数の第一のエンティティのそれぞれを、前記複数の第二のエンティティの少なくとも一つに対応付けるように構成される対応付け部と、
   を備え、
   前記第一の低次元特徴ベクトルは、第一の特徴空間によって定義され、
   前記第二の低次元特徴ベクトルは、第二の特徴空間によって定義され、
   前記対応付け部は、前記第一の低次元特徴ベクトルの一群から特定される前記第一の特徴空間における前記複数の第一のエンティティの分布が、前記第二の低次元特徴ベクトルの一群から特定される前記第二の特徴空間における前記複数の第二のエンティティの分布に適合するように、前記第一の特徴空間上の前記複数の第一のエンティティを前記第二の特徴空間にマッピングするための写像を探索し、前記写像に基づいて、前記複数の第一のエンティティのそれぞれを、前記複数の第二のエンティティの少なくとも一つに対応付ける情報処理システム。
3. 複数の第一のエンティティに関する第一のデータセットであって、前記複数の第一のエンティティのそれぞれの特徴を記述する第一のデータセットを取得するように構成される第一取得部と、
   複数の第二のエンティティに関する第二のデータセットであって、前記複数の第二のエンティティのそれぞれの特徴を記述する第二のデータセットを取得するように構成される第二取得部と、
   前記第一のデータセットから特定される第一の特徴ベクトルの一群であって、前記第一の特徴ベクトルのそれぞれが、前記複数の第一のエンティティのうちの対応する一つの特徴を表す第一の特徴ベクトルの一群、及び、前記第二のデータセットから特定される第二の特徴ベクトルの一群であって、前記第二の特徴ベクトルのそれぞれが、前記複数の第二のエンティティのうちの対応する一つの特徴を表す第二の特徴ベクトルの一群に対する次元削減処理を実行することによって、前記第一の特徴ベクトルの一群に対応する第一の低次元特徴ベクトルの一群、及び、前記第二の特徴ベクトルの一群に対応する第二の低次元特徴ベクトルの一群であって前記第一の低次元特徴ベクトルの一群と同一次元数の第二の低次元特徴ベクトルの一群を生成するように構成される次元削減部と、
   前記第一の低次元特徴ベクトルの一群、及び、前記第二の低次元特徴ベクトルの一群に基づき、前記複数の第一のエンティティのそれぞれを、前記複数の第二のエンティティの少なくとも一つに対応付けるように構成される対応付け部と、
   を備え、
   前記対応付け部は、行列Ｋ、行列Ｌ、及び行列Ｈを含む式
   

   

   に従う値Ｚ（Ω）を最大化する行列Ωを行列Ω^＊として探索し、前記行列Ω^＊に基づいて、前記複数の第一のエンティティのそれぞれを、前記複数の第二のエンティティの少なくとも一つに対応付けるように構成され、
   前記第一のエンティティの数は、Ｎであり、前記第二のエンティティの数は、前記第一のエンティティと同じであり、
   前記行列Ｋは、Ｎ行Ｎ列の行列であって、第ｉ行第ｊ列の要素の値が、前記複数の第一のエンティティのうちのｉ番目のエンティティの第一の低次元特徴ベクトルと、前記複数の第一のエンティティのうちのｊ番目のエンティティの第一の低次元特徴ベクトルと、に基づいて算出される前記複数の第一のエンティティのうちの前記ｉ番目のエンティティと前記ｊ番目のエンティティとの間の類似度を表す第一の類似度行列であり、
   前記行列Ｌは、Ｎ行Ｎ列の行列であって、第ｉ行第ｊ列の要素の値が、前記複数の第二のエンティティのうちのｉ番目のエンティティの第二の低次元特徴ベクトルと、前記複数の第二のエンティティのうちのｊ番目のエンティティの第二の低次元特徴ベクトルと、に基づいて算出される前記複数の第二のエンティティのうちの前記ｉ番目のエンティティと前記ｊ番目のエンティティとの間の類似度を表す第二の類似度行列であり、
   前記行列Ｈは、Ｎ行Ｎ列の行列であって、第ｉ行第ｊ列の要素の値が、ｉ＝ｊであるとき値１－１／Ｎを示し、ｉ≠ｊであるとき値０を示す行列である情報処理システム。
4. 前記対応付け部は、
   前記行列Ω^＊に基づいて、前記次元削減処理での次元削減方式を変更し、変更後の前記次元削減方式での前記次元削減処理を、前記次元削減部に実行させ、それにより新たに得られた前記第一の低次元特徴ベクトルの一群及び前記第二の低次元特徴ベクトルの一群に基づいて、前記値Ｚ（Ω）を最大化する行列Ωを行列Ω^＊として探索する再探索処理を、所定条件が満足されるまで繰返し実行することにより、前記行列Ω^＊を改善し、改善された行列Ω^＊に基づいて、前記複数の第一のエンティティのそれぞれを、前記複数の第二のエンティティの少なくとも一つに対応付ける
   ように構成される請求項３記載の情報処理システム。
5. 前記対応付け部は、前記行列Ω^＊に基づいて、前記次元削減方式を、前記第一の低次元特徴ベクトルの一群及び前記第二の低次元特徴ベクトルの一群のうち、互いに対応する第一の低次元特徴ベクトルと第二の低次元特徴ベクトルとの間の特徴空間上の距離が短くなるように変更する請求項４記載の情報処理システム。
6. 前記第一のデータセットは、複数の第一の特徴データを含み、前記複数の第一の特徴データのそれぞれは、前記複数の第一のエンティティのうちの対応する一つの特徴を表し、
   前記第二のデータセットは、複数の第二の特徴データを含み、前記複数の第二の特徴データのそれぞれは、前記複数の第二のエンティティのうちの対応する一つの特徴を表し、
   前記情報処理システムは、
   前記対応付け部による対応付けに基づき、前記第一のデータセットに含まれる前記複数の第一の特徴データのそれぞれに、前記第二のデータセットに含まれる前記複数の第二の特徴データのうちの一つを結合することによって、複数の拡張データを含む拡張データセットであって、前記複数の拡張データのそれぞれが、対応する一つの第一の特徴データと第二の特徴データとの結合データである複数の拡張データを含む拡張データセットを生成するデータフュージョン部
   を更に備える請求項１～請求項５のいずれか一項記載の情報処理システム。
7. 前記第一のエンティティ及び前記第二のエンティティは、人であり、
   前記第一のデータセットは、第一の集団に属する複数の人のそれぞれの第一の特徴を記述するデータセットであり、
   前記第二のデータセットは、第二の集団の属する複数の人のそれぞれの第二の特徴を記述するデータセットである
   請求項１～請求項６のいずれか一項記載の情報処理システム。
8. 前記第一の特徴と前記第二の特徴との組合せは、購買行動に関する特徴と、オンライン空間及びオフライン空間の少なくとも一方の空間における移動に関する特徴、及び／又は、前記空間上の複数の地点への訪問に関する特徴と、の組合せである請求項７記載の情報処理システム。
9. 前記第一のエンティティ及び前記第二のエンティティは、人であり、
   前記第二のデータセットには、前記複数の第二のエンティティのそれぞれに対応する情報端末の識別情報が関連付けられており、
   前記情報処理システムは、
   前記識別情報に基づいて、前記複数の第二のエンティティのうち、情報コンテンツの配信先として選択された第二のエンティティの集合に対応する情報端末の集合に、前記情報コンテンツを配信するように構成される配信部と、
   前記対応付け部により前記複数の第一のエンティティのいずれかと対応付けられた前記第二のエンティティの集合の少なくとも一部を、前記情報コンテンツの配信先に選択する選択部と、
   を備える請求項１～請求項８のいずれか一項記載の情報処理システム。
10. 前記選択部は、前記対応付け部により前記複数の第一のエンティティのいずれかと対応付けられた前記第二のエンティティの集合である第一の集合と、前記複数の第二のエンティティのうち、前記第一の集合と特徴が類似する第二の集合と、を前記情報コンテンツの配信先に選択する請求項９記載の情報処理システム。
11. 前記第一のエンティティ及び前記第二のエンティティは、人であり、
    前記第二のデータセットは、前記複数の第二のエンティティのそれぞれの行動に関する特徴を記述し、
    前記情報処理システムは、更に、
    前記複数の第一のエンティティの少なくとも一部のエンティティに関して、エンティティ毎に、前記第二のデータセットから特定される前記対応付け部によって当該エンティティに対応付けられた前記複数の第二のエンティティの少なくとも一つの行動に関する特徴に基づき、当該エンティティの行動に関する推定値を算出する推定部
    を備える請求項１～請求項１０のいずれか一項記載の情報処理システム。
12. 請求項１～請求項８のいずれか一項記載の情報処理システムにおける前記第一取得部、前記第二取得部、前記次元削減部、及び、前記対応付け部として、コンピュータを機能させるためのコンピュータプログラム。
13. 請求項９又は請求項１０記載の情報処理システムにおける前記第一取得部、前記第二取得部、前記次元削減部、前記対応付け部、前記配信部、及び、前記選択部として、コンピュータを機能させるためのコンピュータプログラム。
14. 請求項１１記載の情報処理システムにおける前記第一取得部、前記第二取得部、前記次元削減部、前記対応付け部、及び、前記推定部として、コンピュータを機能させるためのコンピュータプログラム。
15. コンピュータにより実行される情報処理方法であって、
    複数の第一のエンティティに関する第一のデータセットであって、前記複数の第一のエンティティのそれぞれの特徴を記述する第一のデータセットを取得することと、
    複数の第二のエンティティに関する第二のデータセットであって、前記複数の第二のエンティティのそれぞれの特徴を記述する第二のデータセットを取得することと、
    前記第一のデータセットから特定される第一の特徴ベクトルの一群であって、前記第一の特徴ベクトルのそれぞれが、前記複数の第一のエンティティのうちの対応する一つの特徴を表す第一の特徴ベクトルの一群、及び、前記第二のデータセットから特定される第二の特徴ベクトルの一群であって、前記第二の特徴ベクトルのそれぞれが、前記複数の第二のエンティティのうちの対応する一つの特徴を表す第二の特徴ベクトルの一群に対する次元削減処理を実行することによって、前記第一の特徴ベクトルの一群に対応する第一の低次元特徴ベクトルの一群、及び、前記第二の特徴ベクトルの一群に対応する第二の低次元特徴ベクトルの一群であって前記第一の低次元特徴ベクトルの一群と同一次元数の第二の低次元特徴ベクトルの一群を生成することと、
    前記第一の低次元特徴ベクトルの一群、及び、前記第二の低次元特徴ベクトルの一群に基づき、前記複数の第一のエンティティのそれぞれを、前記複数の第二のエンティティの少なくとも一つに対応付けることと、
    を含み、
    前記対応付けることは、
    前記第一の低次元特徴ベクトルの一群から特定される前記第一のエンティティ間の類似度、及び、前記第二の低次元特徴ベクトルの一群から特定される前記第二のエンティティ間の類似度に基づき、類似度に関する前記第一のエンティティ間の相互関係が前記第二のエンティティ間の相互関係に適合するように、前記複数の第一のエンティティのそれぞれを、前記複数の第二のエンティティの一つに対応付けること
    を含む情報処理方法。
16. コンピュータにより実行される情報処理方法であって、
    複数の第一のエンティティに関する第一のデータセットであって、前記複数の第一のエンティティのそれぞれの特徴を記述する第一のデータセットを取得することと、
    複数の第二のエンティティに関する第二のデータセットであって、前記複数の第二のエンティティのそれぞれの特徴を記述する第二のデータセットを取得することと、
    前記第一のデータセットから特定される第一の特徴ベクトルの一群であって、前記第一の特徴ベクトルのそれぞれが、前記複数の第一のエンティティのうちの対応する一つの特徴を表す第一の特徴ベクトルの一群、及び、前記第二のデータセットから特定される第二の特徴ベクトルの一群であって、前記第二の特徴ベクトルのそれぞれが、前記複数の第二のエンティティのうちの対応する一つの特徴を表す第二の特徴ベクトルの一群に対する次元削減処理を実行することによって、前記第一の特徴ベクトルの一群に対応する第一の低次元特徴ベクトルの一群、及び、前記第二の特徴ベクトルの一群に対応する第二の低次元特徴ベクトルの一群であって前記第一の低次元特徴ベクトルの一群と同一次元数の第二の低次元特徴ベクトルの一群を生成することと、
    前記第一の低次元特徴ベクトルの一群、及び、前記第二の低次元特徴ベクトルの一群に基づき、前記複数の第一のエンティティのそれぞれを、前記複数の第二のエンティティの少なくとも一つに対応付けることと、
    を含み、
    前記第一の低次元特徴ベクトルは、第一の特徴空間によって定義され、
    前記第二の低次元特徴ベクトルは、第二の特徴空間によって定義され、
    前記対応付けることは、前記第一の低次元特徴ベクトルの一群から特定される前記第一の特徴空間における前記複数の第一のエンティティの分布が、前記第二の低次元特徴ベクトルの一群から特定される前記第二の特徴空間における前記複数の第二のエンティティの分布に適合するように、前記第一の特徴空間上の前記複数の第一のエンティティを前記第二の特徴空間にマッピングするための写像を探索し、前記写像に基づいて、前記複数の第一のエンティティのそれぞれを、前記複数の第二のエンティティの少なくとも一つに対応付けることを含む情報処理方法。
17. コンピュータにより実行される情報処理方法であって、
    複数の第一のエンティティに関する第一のデータセットであって、前記複数の第一のエンティティのそれぞれの特徴を記述する第一のデータセットを取得することと、
    複数の第二のエンティティに関する第二のデータセットであって、前記複数の第二のエンティティのそれぞれの特徴を記述する第二のデータセットを取得することと、
    前記第一のデータセットから特定される第一の特徴ベクトルの一群であって、前記第一の特徴ベクトルのそれぞれが、前記複数の第一のエンティティのうちの対応する一つの特徴を表す第一の特徴ベクトルの一群、及び、前記第二のデータセットから特定される第二の特徴ベクトルの一群であって、前記第二の特徴ベクトルのそれぞれが、前記複数の第二のエンティティのうちの対応する一つの特徴を表す第二の特徴ベクトルの一群に対する次元削減処理を実行することによって、前記第一の特徴ベクトルの一群に対応する第一の低次元特徴ベクトルの一群、及び、前記第二の特徴ベクトルの一群に対応する第二の低次元特徴ベクトルの一群であって前記第一の低次元特徴ベクトルの一群と同一次元数の第二の低次元特徴ベクトルの一群を生成することと、
    前記第一の低次元特徴ベクトルの一群、及び、前記第二の低次元特徴ベクトルの一群に基づき、前記複数の第一のエンティティのそれぞれを、前記複数の第二のエンティティの少なくとも一つに対応付けることと、
    を含み、
    前記対応付けることは、行列Ｋ、行列Ｌ、及び行列Ｈを含む式
    

    

    に従う値Ｚ（Ω）を最大化する行列Ωを行列Ω ^＊ として探索し、前記行列Ω ^＊ に基づいて、前記複数の第一のエンティティのそれぞれを、前記複数の第二のエンティティの少なくとも一つに対応付けることを含み、
    前記第一のエンティティの数は、Ｎであり、前記第二のエンティティの数は、前記第一のエンティティと同じであり、
    前記行列Ｋは、Ｎ行Ｎ列の行列であって、第ｉ行第ｊ列の要素の値が、前記複数の第一のエンティティのうちのｉ番目のエンティティの第一の低次元特徴ベクトルと、前記複数の第一のエンティティのうちのｊ番目のエンティティの第一の低次元特徴ベクトルと、に基づいて算出される前記複数の第一のエンティティのうちの前記ｉ番目のエンティティと前記ｊ番目のエンティティとの間の類似度を表す第一の類似度行列であり、
    前記行列Ｌは、Ｎ行Ｎ列の行列であって、第ｉ行第ｊ列の要素の値が、前記複数の第二のエンティティのうちのｉ番目のエンティティの第二の低次元特徴ベクトルと、前記複数の第二のエンティティのうちのｊ番目のエンティティの第二の低次元特徴ベクトルと、に基づいて算出される前記複数の第二のエンティティのうちの前記ｉ番目のエンティティと前記ｊ番目のエンティティとの間の類似度を表す第二の類似度行列であり、
    前記行列Ｈは、Ｎ行Ｎ列の行列であって、第ｉ行第ｊ列の要素の値が、ｉ＝ｊであるとき値１－１／Ｎを示し、ｉ≠ｊであるとき値０を示す行列である情報処理方法。

Images