JP7400965B2 - 気分予測方法、気分予測装置及びプログラム - Google Patents

Description

本発明は、気分予測方法、気分予測装置及びプログラムに関する。

スマートウォッチ、フィットネストラッカー、又はスマートフォンなどに代表されるウェアラブルセンサの普及に伴い、ユーザの生体情報や行動ログ（以下、「行動データ」という。）を容易に記録できるようになった。これらの行動データとユーザの自己評価によって得られる心理状態（気分、感情、ストレス度など）を詳細に分析することは、様々な用途に役立つ。例えば、スマートウォッチを通じて取得されたユーザの行動データの履歴を利用して、当日のストレス度を数値として推定したり、将来の気分を予測したりすることができれば、ユーザの心理状態の改善に有効な行動の推奨などの様々な用途に役立つ。

従来、このような行動データからユーザの心理状態を自動推定する技術として、得られているデータを離散化しヒストグラムに変換して、確率的生成モデルによって健康度合やストレス度を推定する技術が存在する（非特許文献１）。また、スマートフォンから取得される操作ログやスクリーンタイムの日々の系列データを用いて、翌日の心理状態を回帰する技術が存在する（非特許文献２）。

E. Nosakhare and R. Picard: Probabilistic Latent Variable Modeling for Assessing Behavioral Influences on Well-Being. In Proc. of KDD, 2019. S. Yan et al.: Estimating Individualized Daily Self-Reported Affect with Wearable Sensors. In Proc. of ICHI, 2019. D. Spathis, S. Servia-Rodriguez, K. Farrahi, C. Mascolo, and J. Rentflow: Sequence Multi-task Learning to Forecast Mental Wellbeing from Sparse Self-reported Data. In Proc. of KDD, 2019.

しかしながら、上記の従来の方法は、日単位でデータを分離し統計的に処理しているため、一定期間ごとの時系列的なユーザの気分や感情の変動を考慮できていなかった。

例えば、非特許文献２に開示された方法は、１日の中で何度も投稿される気分データを数値化し平均値に変換してから、翌日の気分の平均値を予測する。一方で、人間の気分は、１日の中でも上下するため、平均値を予測するだけでは気分の変動をユーザに提示することができない。また、非特許文献３に開示された方法は、過去の行動データの系列から将来の気分データの系列を予測するが、どうしてその気分が予測されるのかについての解釈性をユーザに提示することができない。この結果、ユーザが心理状態の改善に有効な行動は何か理解できない問題がある。

本発明は、上記の点に鑑みてなされたものであって、将来の気分を予測すると共にその予測と根拠となる行動の提示を可能とすることを目的とする。

そこで上記課題を解決するため、或る期間を複数に分割する各時間区間における行動の時系列データ及び気分の時系列データに基づいて、第１の時間区間の行動の時系列データ及び気分の時系列データを入力とし、前記第１の時間区間の次の時間区間の行動の時系列データの予測値を出力する第１のニューラルネットワークを学習する第１の学習手順と、前記或る期間を複数に分割する各時間区間における行動の時系列及び気分の時系列データに基づいて、前記次の時間区間の行動の時系列データ及び前記第１の時間区間の気分の時系列データを入力とし、前記次の時間区間の気分の時系列データの予測値を出力する第２のニューラルネットワークを学習する第２の学習手順と、をコンピュータが実行する。

将来の気分を予測すると共に、その予測と根拠となる行動の提示を可能とすることができる。

本発明の実施の形態における気分予測装置１０のハードウェア構成例を示す図である。 本発明の実施の形態における気分予測装置１０の学習フェーズにおける機能構成例を示す図である。 学習フェーズにおいて気分予測装置１０が実行する処理手順の一例を説明するためのフローチャートである。 行動系列データＤＢ１２１の構成例を示す図である。 行動特徴ベクトルデータ系列の構成例を示す図である。 気分系列データＤＢ１２２の構成例を示す図である。 行動データ系列の前処理の処理手順の一例を説明するためのフローチャートである。 行動特徴ベクトルデータ系列の生成処理の処理手順の一例を説明するためのフローチャートである。 行動系列予測モデルの構造の一例を示す図である。 気分系列予測モデルの構造の一例を示す図である。 行動系列予測モデルの学習処理の処理手順の一例を説明するためのフローチャートである。 行動系列エンコーディングモデルＤＢ１２３の構成例を示す図である。 気分系列エンコーディングモデルＤＢ１２５の構成例を示す図である。 行動系列デコーディングモデルＤＢ１２４の構成例を示す図である。 気分系列予測モデルの学習処理の処理手順の一例を説明するためのフローチャートである。 気分系列デコーディングモデルＤＢ１２６の構成例を示す図である。 本発明の実施の形態における気分予測装置１０の予測フェーズにおける機能構成例を示す図である。 予測フェーズにおいて気分予測装置１０が実行する処理手順の一例を説明するためのフローチャートである。 行動特徴ベクトル系列の予測処理の処理手順の一例を説明するためのフローチャートである。 気分系列の予測処理の処理手順の一例を説明するためのフローチャートである。

以下、図面に基づいて本発明の実施の形態を説明する。図１は、本発明の実施の形態における気分予測装置１０のハードウェア構成例を示す図である。図１の気分予測装置１０は、それぞれバスＢで相互に接続されているドライブ装置１００、補助記憶装置１０２、メモリ装置１０３、プロセッサ１０４、及びインタフェース装置１０５等を有する。

気分予測装置１０での処理を実現するプログラムは、ＣＤ－ＲＯＭ等の記録媒体１０１によって提供される。プログラムを記憶した記録媒体１０１がドライブ装置１００にセットされると、プログラムが記録媒体１０１からドライブ装置１００を介して補助記憶装置１０２にインストールされる。但し、プログラムのインストールは必ずしも記録媒体１０１より行う必要はなく、ネットワークを介して他のコンピュータよりダウンロードするようにしてもよい。補助記憶装置１０２は、インストールされたプログラムを格納すると共に、必要なファイルやデータ等を格納する。

メモリ装置１０３は、プログラムの起動指示があった場合に、補助記憶装置１０２からプログラムを読み出して格納する。プロセッサ１０４は、ＣＰＵ若しくはＧＰＵ（Graphics Processing Unit）、又はＣＰＵ及びＧＰＵであり、メモリ装置１０３に格納されたプログラムに従って気分予測装置１０に係る機能を実行する。インタフェース装置１０５は、ネットワークに接続するためのインタフェースとして用いられる。

本実施の形態において、気分予測装置１０が実行する処理は、学習フェーズ及び予測フェーズに分類される。まず、学習フェーズについて説明する。

図２は、本発明の実施の形態における気分予測装置１０の学習フェーズにおける機能構成例を示す図である。図２に示されるように、学習フェーズにおける気分予測装置１０は、行動データ前処理部１１、特徴量抽出部１２、行動系列予測モデル構築部１３、行動系列予測モデル学習部１４、気分系列予測モデル構築部１５及び気分系列予測モデル学習部１６等を有する。これら各部は、気分予測装置１０にインストールされた１以上のプログラムが、プロセッサ１０４に実行させる処理により実現される。気分予測装置１０は、また、行動系列データＤＢ１２１、気分系列データＤＢ１２２、行動系列エンコーディングモデルＤＢ１２３、行動系列デコーディングモデルＤＢ１２４、気分系列エンコーディングモデルＤＢ１２５及び気分系列デコーディングモデルＤＢ１２６等のデータベース（記憶部）を利用する。これら各データベースは、例えば、補助記憶装置１０２、又は気分予測装置１０にネットワークを介して接続可能な記憶装置等を用いて実現可能である。

学習フェーズにおける気分予測装置１０は、各ＤＢの情報を利用して、行動系列エンコーディングモデル、気分系列エンコーディングモデル、行動系列デコーディングモデル及び気分系列デコーディングモデル等のニューラルネットワークのモデルパラメータを学習データに対する固有のパラメータとして出力する。ここで、行動系列データＤＢ１２１及び気分系列データＤＢ１２２に記録された各データは、データが記録された日時情報で対応付けがとれるように予め構築されている。

図３は、学習フェーズにおいて気分予測装置１０が実行する処理手順の一例を説明するためのフローチャートである。

ステップＳ１００において、行動データ前処理部１１は、行動系列データＤＢ１２１に記憶されている行動データの系列（以下、「行動データ系列」という。）を取得し、当該行動データ系列に対して前処理を実行する。その結果、前処理済み行動データ系列が生成される。

図４は、行動系列データＤＢ１２１の構成例を示す図である。図４における１行が１つの行動データに相当する。各行動データには、各種の行動を表す項目（列）に数値や時間、文字列などの形式で値が記録されており、前述の通り気分データと紐付けるための日時情報が記録されている。具体的には、各行動データは、データＩＤ、日時、歩数、運動時間及び会話時間等を含む。本実施の形態において、行動系列データＤＢ１２１には、或る人（以下、「ユーザＡ」という。）の或る期間（以下、「期間Ｔ１」という。）における複数のタイミングにおける行動に関する行動データが時系列に記憶されている。

行動データは、例えば、一定時間間隔で記録される。本実施の形態では、１時間間隔で記録される例が示されている。データＩＤは、行動データの識別情報である。日時は、行動データが記録された日時である。歩数は、当該行動データの記録時までの直近の一定時間（以下、「対象期間」という。）における歩数である。運動時間は、対象期間において運動が行われた時間である。会話時間は、対象期間において会話が行われた時間である。なお、本実施の形態において、「歩数」、「運動時間」、「会話時間」は、行動の名称（以下、「行動名」という。）の一例である。これらの行動名を項目名とする項目を、以下「行動項目」という。

続いて、特徴量抽出部１２は、行動データ前処理部１１から前処理済み行動データ系列を受け取り、当該前処理済みデータ系列に基づいて行動特徴ベクトルデータの系列（以下、「行動特徴ベクトルデータ系列」という。）を生成する（Ｓ１１０）。行動特徴ベクトルデータ系列の生成処理の詳細は後述される。

図５は、行動特徴ベクトルデータ系列の構成例を示す図である。図５における１行が１つの行動特徴ベクトルデータに相当する。図５に示されるように、行動特徴ベクトルデータは、行動データと同じ構成を有する。但し、行動項目の値が正規化されている。

続いて、行動系列予測モデル構築部１３は、行動系列予測モデルを構築する（Ｓ１２０）。モデルの構築とは、例えば、モデルとしてのプログラムをメモリ装置１０３にロードすることをいう。なお、行動系列予測モデルの構造の詳細については後述される。

続いて、気分系列予測モデル構築部１５は、気分系列予測モデルを構築する（Ｓ１３０）。気分系列予測モデルの構造の詳細については後述される。

続いて、行動系列予測モデル学習部１４は、特徴量抽出部１２から行動特徴ベクトルデータ系列を受け取り、気分系列データＤＢ１２２から気分データの系列（以下、「気分データ系列」という。）を取得し、行動系列予測モデル構築部１３から行動系列予測モデルを受け取り、行動系列予測モデルを学習する（Ｓ１４０）。行動系列予測モデル学習部１４は、学習済みの行動系列予測モデルのモデルパラメータ群を行動系列エンコーディングモデルＤＢ１２３、行動系列デコーディングモデルＤＢ１２４及び気分系列エンコーディングモデルＤＢ１２５にそれぞれ出力する。なお、出力先の各ＤＢに学習済みのモデルパラメータ群が存在する場合、行動系列予測モデル学習部１４は、当該モデルのパラメータ群を受け取った後にモデルを再学習し、再学習後のモデルパラメータ群を各モデルパラメータに対応するＤＢにそれぞれ出力する。

図６は、気分系列データＤＢ１２２の構成例を示す図である。図６における１行が１つの気分データに相当する。本実施の形態において、気分系列データＤＢ１２２には、ユーザＡの期間Ｔ１における複数のタイミングにおける気分に関する気分データが時系列に記憶されている。

各気分データは、データＩＤ、日時及び気分等を含む。データＩＤは、気分データの識別情報である。日時は、ユーザＡの気分が評価された日時である。気分は、ユーザＡが自己報告した気分の種類を示し文字列（以下、「気分名」という。）である。気分とは、例えば、ユーザＡが都度感じた心理状態やストレス度等が想定される。図６の例において、気分の値は文字列であるが、数値によって気分が表現されてもよい。気分系列データＤＢ１２２は、例えば、ユーザＡによって気分の自己評価結果が入力され、入力された自己評価結果を「気分」に含み、入力された日時を「日時」に含む気分データをＤＢに格納することで構築されてもよい。

続いて、気分系列予測モデル学習部１６は、特徴量抽出部１２から行動特徴ベクトルデータ系列を受け取り、気分系列データＤＢ１２２から気分データ系列を取得し、気分系列予測モデル構築部１５から気分系列予測モデルを受け取り、気分系列予測モデルを学習する（Ｓ１５０）。気分系列予測モデル学習部１６は、学習済みの気分系列予測モデルのモデルパラメータ群を行動系列エンコーディングモデルＤＢ１２３、気分系列エンコーディングモデルＤＢ１２５及び気分系列デコーディングモデルＤＢ１２６にそれぞれ出力する。なお、出力先のＤＢに学習済みのモデルパラメータ群が存在する場合、気分系列予測モデル学習部１６は、当該モデルパラメータ群を受け取った後にモデルを再学習し、再学習後のモデルパラメータ群を各モデルパラメータに対応するＤＢにそれぞれ出力する。

なお、ステップＳ１４０及びＳ１５０は、システム管理者が定めた収束条件が満たされるまで繰り返される。

続いて、ステップＳ１００の詳細について説明する。図７は、行動データ系列の前処理の処理手順の一例を説明するためのフローチャートである。

ステップＳ３００において、行動データ前処理部１１は、行動系列データＤＢ１２１（図４）から行動データ系列を取得する。当該行動データ系列は、ユーザＡの時系列の行動を示す。

続いて、行動データ前処理部１１は、各行動データから、システム管理者によって事前に設定された１以上の種別の行動項目を抽出する（Ｓ３１０）。例えば、対象となる行動項目の項目名（「歩数」、「運動時間」、「会話時間」等）が設定され、その項目名と一致する行動項目が特定される。以下、特定された行動項目を「対象項目」という。なお、行動データに含まれる全ての行動項目が対象項目とされてもよい。

続いて、行動データ前処理部１１は、行動データ系列の対象項目の値を走査し、対象項目が欠損値である行動データや、対象項目に想定していない値が含まれている行動データが有れば、当該行動データの対象項目の値を別の値に置き換える（Ｓ３２０）。例えば、対象項目が数値データの場合、当該行動データの対象項目の値が、行動データ系列において有効な値の平均値又は０によって置換されてもよい。対象項目が文字列型データの場合、当該行動データの対象項目に欠損値であることを表現する文字列が挿入されてもよい。

続いて、行動データ前処理部１１は、変換前の行動データごとに、当該行動データのデータＩＤ及び日時と、変換後の対象項目とを含む前処理済み行動データの系列を特徴量抽出部１２へ出力する（Ｓ３３０）。すなわち、前処理済み行動データには、対象項目ではない行動項目は含まれない。

続いて、図３のステップＳ１１０の詳細について説明する。図８は、行動特徴ベクトルデータ系列の生成処理の処理手順の一例を説明するためのフローチャートである。

ステップＳ４００において、特徴量抽出部１２は、行動データ前処理部１１から出力された前処理済み行動データ系列を取得する。

続いて、特徴量抽出部１２は、前処理済み行動データ系列の各行動項目を走査し、当該行動項目について値の正規化を行う（Ｓ４１０）。例えば、特徴量抽出部１２は、数値データの行動項目について、平均が０、標準偏差が１となるように値を正規化する。

続いて、特徴量抽出部１２は、前処理済み行動データ系列の各行動項目を走査し、文字列型又は時刻型の項目の値を数値データに変換する（Ｓ４２０）。例えば、文字列型のデータは、文字列の種類を次元数とし、当該データが示す文字列に対応する次元が１であるｏｎｅ－ｈｏｔ表現のベクトルに変換される。

続いて、特徴量抽出部１２は、前処理済み行動データごとに、当該前処理済み行動データの日時と各行動項目とを要素とする行動特徴ベクトルデータを生成し、当該行動特徴ベクトルデータの系列を出力する（Ｓ４３０）。

続いて、図３のステップＳ１２０の詳細について説明する。図９は、行動系列予測モデルの構造の一例を示す図である。図９に示されるように、行動系列予測モデルは、ＤＮＮ（Deep Neural Network）の構造を有する。

行動系列予測モデルは、予測対象の日の前日（以下、「当日」という。）の行動特徴ベクトル系列と、当日の時系列順の気分名の系列（以下、「気分系列」という。）とを入力とし、翌日のユーザＡの行動特徴ベクトル系列を出力する。行動特徴ベクトルとは、行動特徴ベクトルデータ（図５）に含まれる行動項目の値を要素とするベクトルである。

行動系列予測モデルは、３つのコンポーネントを含む。

［１つ目のコンポーネント］
１つ目のコンポーネントは、行動系列エンコーディングモデルであり、以下の３つのユニットを含む。

１つ目のユニットは、行動特徴ベクトル系列から、より抽象的な特徴を抽出するSensor Embedding Layerである。当該ユニットは、行動特徴ベクトル系列を全結合層で変換した後、例えば、シグモイド関数やＲｅＬｕ関数などを利用して、入力の特徴量（行動特徴ベクトル系列）を非線形変換し、特徴ベクトルを得る。

２つ目のユニットは、抽象化された特徴ベクトルを更に系列データ（系列特徴ベクトル）として抽象化するRNN Encoding Layerであり、例えば、ＬＳＴＭ（Long-short term memory（ＬＳＴＭ）などの既知の技術で実装される。具体的には、当該ユニットは、抽象化された特徴ベクトルを順次受け取って抽象化し、RNN Encoding Layerにおいて過去の抽象化された情報を考慮しながら、繰り返し非線形変換を実行する。

３つ目のユニットは、抽象化された系列特徴ベクトルについて、それぞれの重要度合いを考慮した特徴ベクトルを得る、Attention（注意機構）である。例えば既知のAttentionは、２層の全結合層によって実現される。１つ目の全結合層は系列特徴ベクトルを入力にして任意のサイズのコンテキストベクトルを出力し、２つ目の全結合層はコンテキストベクトルを入力にして重要度に相当するスカラ値を出力する。コンテキストベクトルは、非線形変換処理されてもよい。重要度は、例えば、ソフトマックス関数などで確率値に該当する値に変換される。重要度を用いて系列特徴ベクトルを加重平均したものがAttentionの出力となる。

［２つ目のコンポーネント］
２つ目のコンポーネントは、気分系列エンコーディングモデルである。気分系列エンコーディングモデルは、気分系列を適切な特徴ベクトルに変換する。気分系列エンコーディングモデルは、行動系列エンコーディングモデルと同様に、３つのユニットから構成される。

１つ目のユニットは、Mood Embedding Layerであり、Sensor Embedding Layerと同等の機能を有する。

２つ目のユニットは、RNN Encoding Layerであり、行動系列エンコーディングモデルのRNN Encoding Layerと同等の機能を有する。

３つ目のユニットは、Attentionであり、行動系列エンコーディングモデルのAttentionと同等の機能を有する。

［３つ目のコンポーネント］
３つ目のコンポーネントは、行動系列デコーディングモデルである。行動系列デコーディングモデルは、行動系列エンコーディングモデルと気分系列エンコーディングモデルから出力される特徴ベクトルを入力とし、予測結果となる行動特徴ベクトル系列を出力する。行動系列デコーディングモデルは、１つのユニットを含む。

当該１つのユニットは、RNN Decoding Layerであり、例えば、ＬＳＴＭなどの既知の技術で実装される。具体的には、RNN Decoding Layerは、行動系列エンコーディングモデルと気分系列エンコーディングモデルで得られた２つの特徴ベクトルを結合し、翌日の行動の系列の始まりを意味する適当な記号を加え、ＬＳＴＭに入力する。その結果、出力として翌日の１つ目の行動特徴ベクトルを獲得する。以降は、一つ前の出力として得られている行動特徴ベクトルを、先に述べた適当な記号と置き換えて順次同じ処理をする。その結果、翌日の行動特徴ベクトル系列が得られる。

続いて、図３のステップＳ１３０の詳細について説明する。図１０は、気分系列予測モデルの構造の一例を示す図である。図１０に示されるように、気分系列予測モデルは、ＤＮＮの構造を有する。

気分系列予測モデルは、翌日の行動特徴ベクトル系列と当日の気分系列とを入力とし、翌日のユーザＡの気分系列を出力する。気分系列予測モデルは、３つのコンポーネントを含む。

１つ目及び２つ目のコンポーネントは、行動系列エンコーディングモデル及び気分系列エンコーディングモデルであり、これらは先に述べた行動系列予測モデルの行動系列エンコーディングモデル及び気分系列エンコーディングモデルをコピーして得られる。

３つ目のコンポーネントは、気分系列デコーディングモデルである。気分系列デコーディングモデルは、行動系列エンコーディングモデルと気分系列エンコーディングモデルから出力される特徴ベクトルを入力とし、予測結果となる翌日の気分系列を出力する。気分系列デコーディングモデルは、１つのユニットを含む。

当該１つのユニットは、RNN Decoding Layerであり、例えば、ＬＳＴＭなどの既知の技術で実装される。具体的には、RNN Decoding Layerは、行動系列エンコーディングモデルと気分系列エンコーディングモデルで得られた２つの特徴ベクトルを結合し、翌日の気分系列の始まりを意味する適当な記号を加え、ＬＳＴＭに入力する。その結果、出力として翌日の１つ目の気分名を獲得する。以降は、一つ前の出力として得られている気分名を、先に述べた適当な記号と置き換えて順次同じ処理をする。その結果、翌日の気分系列が得られる。

続いて、図３のステップＳ１４０の詳細について説明する。図１１は、行動系列予測モデルの学習処理の処理手順の一例を説明するためのフローチャートである。

ステップＳ５００において、行動系列予測モデル学習部１４は、受け取った行動特徴ベクトルデータ系列（図５）と受け取った気分データ系列（図６）とに基づいて、行動系列予測モデルの学習データを生成する。

具体的には、行動系列予測モデル学習部１４は、１日（年月日）ごとに、当該日に係る「日時」を含む行動特徴ベクトルデータ系列に基づく行動特徴ベクトル系列と、当該日に係る「日時」を含む気分データ系列に基づく気分系列とを入力データとし、当該日の翌日に係る「日時」を含む行動特徴ベクトルデータ系列に基づく行動特徴ベクトル系列を出力データとして含む学習データを生成する。したがって、年月日ごと（１日ごと）に学習データが生成される。

続いて、行動系列予測モデル学習部１４は、図９に示すような行動系列予測モデルを行動系列予測モデル構築部１３から受け取る（Ｓ５１０）。以下、当該行動系列予測モデルを「対象モデル」という。

続いて、行動系列予測モデル学習部１４は、対象モデルのモデルパラメータに値を設定する（Ｓ５２０）。具体的には、行動系列予測モデル学習部１４は、行動系列エンコーディングモデルＤＢ１２３、行動系列デコーディングモデルＤＢ１２４及び気分系列エンコーディングモデルＤＢ１２５等のＤＢ（以下、「対象モデルＤＢ」という。）にアクセスし、これら各ＤＢに既に学習済みのモデルのモデルパラメータの値が保存されている場合、各対象モデルＤＢに保存されている値を対象モデルの各コンポーネントのモデルパラメータに設定する。一方、これら各対象モデルＤＢに学習済みモデルのパラメータが保存されていない場合、行動系列予測モデル学習部１４は、対象モデルの各コンポーネントのモデルパラメータを、例えば、０から１の乱数で初期化する。なお、行動系列エンコーディングモデルＤＢ１２３は、学習済みの行動系列エンコーディングモデルのモデルパラメータの値が格納されるＤＢである。行動系列デコーディングモデルＤＢ１２４は、学習済みの行動系列デコーディングモデルのモデルパラメータの値が格納されるＤＢである。気分系列エンコーディングモデルＤＢ１２５は、学習済みの気分系列エンコーディングモデルのモデルパラメータの値が格納されるＤＢである。

続いて、行動系列予測モデル学習部１４は、学習データ群を用いて対象モデルを学習する（Ｓ５３０）。具体的には、行動系列予測モデル学習部１４は、学習データごとに当該学習データに入力データとして含まれる行動特徴ベクトル系列及び気分系列を対象モデルへ入力し、対象モデルから出力される行動特徴ベクトル系列と、当該学習データに出力データとして含まれる行動特徴ベクトル系列との比較に基づいて、対象モデルのモデルパラメータを更新する。

続いて、行動系列予測モデル学習部１４は、学習済みの対象モデルのモデルパラメータ群を出力し、出力された結果を各対象モデルＤＢに格納する（Ｓ５４０）。

図１２は、行動系列エンコーディングモデルＤＢ１２３の構成例を示す図である。図１２に示されるように、行動系列エンコーディングモデルＤＢ１２３には、学習済みの行動系列エンコーディングモデルの各ユニットのモデルパラメータの値が行列やベクトルとして格納される。

図１３は、気分系列エンコーディングモデルＤＢ１２５の構成例を示す図である。図１３に示されるように、気分系列エンコーディングモデルＤＢ１２５には、学習済みの気分系列エンコーディングモデルの各ユニットのモデルパラメータの値が行列やベクトルとして格納される。

図１４は、行動系列デコーディングモデルＤＢ１２４の構成例を示す図である。図１４に示されるように、行動系列デコーディングモデルＤＢ１２４には、学習済みの行動系列デコーディングモデルの各ユニットのモデルパラメータの値が行列やベクトルとして格納される。また、出力層については、入力の行動データと同じインデックスが割り当てられるように出力ベクトルのサイズが調整され、各インデックス及び対応する行動名がテキストとして格納される。

続いて、図３のステップＳ１５０の詳細について説明する。図１５は、気分系列予測モデルの学習処理の処理手順の一例を説明するためのフローチャートである。

ステップＳ６００において、気分系列予測モデル学習部１６は、受け取った行動特徴ベクトルデータ系列（図５）と受け取った気分データ系列（図６）とに基づいて、気分系列予測モデルの学習データを生成する。

具体的には、気分系列予測モデル学習部１６は、１日（年月日）ごとに、当該日の翌日に係る「日時」を含む行動特徴ベクトルデータ系列に基づく行動特徴ベクトル系列と、当該日に係る「日時」を含む気分データ系列に基づく気分系列とを入力データとし、当該日の翌日に係る「日時」を含む気分データ系列に基づく気分系列を出力データとして含む学習データを生成する。したがって、年月日ごと（１日ごと）に学習データが生成される。

続いて、気分系列予測モデル学習部１６は、図９に示すような気分系列予測モデルを気分系列予測モデル構築部１５から受け取る（Ｓ６１０）。以下、当該気分系列予測モデルを「対象モデル」という。

続いて、気分系列予測モデル学習部１６は、対象モデルのモデルパラメータに値を設定する（Ｓ６２０）。具体的には、気分系列予測モデル学習部１６は、行動系列エンコーディングモデルＤＢ１２３、気分系列エンコーディングモデルＤＢ１２５及び気分系列デコーディングモデルＤＢ１２６等のＤＢ（「対象モデルＤＢ」という。）にアクセスし、これら各ＤＢに既に学習済みのモデルのモデルパラメータの値が保存されている場合、各対象モデルＤＢに保存されている値を対象モデルの各コンポーネントのモデルパラメータに設定する。一方、これら各対象モデルＤＢに学習済みモデルのパラメータが保存されていない場合、行動系列予測モデル学習部１４は、対象モデルの各コンポーネントのモデルパラメータを、例えば、０から１の乱数で初期化する。なお、気分系列デコーディングモデルＤＢ１２６は、学習済みの気分系列デコーディングモデルのモデルパラメータの値が格納されるＤＢである。

続いて、気分系列予測モデル学習部１６は、学習データ群を用いて対象モデルを学習する（Ｓ６３０）。具体的には、気分系列予測モデル学習部１６は、学習データごとに当該学習データに入力データとして含まれる行動特徴ベクトル系列及び気分系列を対象モデルへ入力し、対象モデルから出力される気分系列と、当該学習データに出力データとして含まれる気分系列との比較に基づいて、対象モデルのモデルパラメータを更新する。

続いて、気分系列予測モデル学習部１６は、学習済みの気分系列予測モデルのモデルパラメータ群を出力し、出力された結果を各対象モデルＤＢに格納する（Ｓ６４０）。この際、既に値が記憶されている対象モデルＤＢの内容は上書きされる。対象モデルＤＢのうち、行動系列エンコーディングモデルＤＢ１２３及び気分系列エンコーディングモデルＤＢ１２５については、図１２又は図１３に示した通りである。

図１６は、気分系列デコーディングモデルＤＢ１２６の構成例を示す図である。図１６に示されるように、気分系列デコーディングモデルＤＢ１２６には、RNN Decoding Layerのモデルパラメータが行列として格納される。また、出力層については、入力の気分データと同じインデックスが割り当てられるように出力ベクトルのサイズが調整され、各インデックス及び対応する気分名がテキストとして格納される。

続いて、予測フェーズについて説明する。図１７は、本発明の実施の形態における気分予測装置１０の予測フェーズにおける機能構成例を示す図である。図１７中、図２と同一部分又は対応する部分には同一符号を付している。

図１７において、気分予測装置１０は、行動データ前処理部１１、特徴量抽出部１２、行動系列予測部１７及び気分系列予測部１８等を有する。これら各部は、気分予測装置１０にインストールされた１以上のプログラムが、プロセッサ１０４に実行させる処理により実現される。気分予測装置１０は、また、行動系列エンコーディングモデルＤＢ１２３、行動系列デコーディングモデルＤＢ１２４、気分系列エンコーディングモデルＤＢ１２５、気分系列デコーディングモデルＤＢ１２６等を利用する。

予測フェーズにおける気分予測装置１０は、予測対象の日の前日（以下、「当日」という。）のユーザＢの行動データ系列及び気分データ系列に対する予測結果として翌日（当日の次の日）の行動系列及び翌日の気分系列を出力する。なお、ユーザＢは、ユーザＡと同一人物であってもよいし、別人物であってもよい。

図１８は、予測フェーズにおいて気分予測装置１０が実行する処理手順の一例を説明するためのフローチャートである。

ステップＳ２００において、行動データ前処理部１１は、入力される当日の行動データ系列に対して、図７において説明した前処理を実行する。

続いて、特徴量抽出部１２は、行動データ前処理部１１から前処理済み行動データ系列を受け取り、当該前処理済み行動データ系列について図８において説明した処理を実行することにより、行動特徴ベクトルデータ系列を生成する（Ｓ２１０）。

続いて、行動系列予測部１７は、特徴量抽出部１２から受け取った行動特徴ベクトルデータ及び当日の気分データ系列を、行動系列エンコーディングモデルＤＢ１２３、行動系列デコーディングモデルＤＢ１２４及び気分系列エンコーディングモデルＤＢ１２５から取得される学習済み行動系列予測モデルに入力して、翌日の行動特徴ベクトル系列の予測値を計算する（Ｓ２２０）。

続いて、気分系列予測部１８は、当日の気分データ系列、及び行動系列予測部１７によって予測された翌日の行動特徴ベクトル系列を、行動系列エンコーディングモデルＤＢ１２３、気分系列エンコーディングモデルＤＢ１２５及び気分系列デコーディングモデルＤＢ１２６から取得される学習済み気分系列予測モデルに入力して、翌日の気分系列の予測値を計算する（Ｓ２３０）。気分系列予測部１８は、当該予測値と翌日の行動系列の予測値とを出力する。

続いて、図１８のステップＳ２２０の詳細について説明する。図１９は、行動特徴ベクトル系列の予測処理の処理手順の一例を説明するためのフローチャートである。

Ｓ７００において、行動系列予測部１７は、入力データである当日の行動データ系列に基づく行動特徴ベクトルデータ系列、及び入力データである当日の気分データ系列を取得する。

続いて、行動系列予測部１７は、行動系列エンコーディングモデルＤＢ１２３、行動系列デコーディングモデルＤＢ１２４及び気分系列エンコーディングモデルＤＢ１２５から学習済みの行動系列予測モデルを取得する（Ｓ７１０）。

続いて、行動系列予測部１７は、行動特徴ベクトルデータ系列に基づく行動特徴ベクトル系列と、気分データ系列に基づく気分系列とを行動系列予測モデルへ入力して、翌日の各ステップにおける行動特徴ベクトルに対する確率値を順次計算する（Ｓ７２０）。

続いて、行動系列予測部１７は、確率の最も高くなる行動特徴ベクトルの系列を気分系列予測部１８へ出力する（Ｓ７３０）。

続いて、図１８のステップＳ２３０の詳細について説明する。図２０は、気分系列の予測処理の処理手順の一例を説明するためのフローチャートである。

ステップＳ８００において、気分系列予測部１８は、行動系列予測部１７によって予測された翌日の行動特徴ベクトル系列、及び入力データである当日の気分データ系列を取得する。

続いて、気分系列予測部１８は、行動系列エンコーディングモデルＤＢ１２３、気分系列エンコーディングモデルＤＢ１２５及び気分系列デコーディングモデルＤＢ１２６から学習済みの気分系列予測モデルを取得する（Ｓ８１０）。

続いて、気分系列予測部１８は、翌日の行動特徴ベクトル系列、及び当日の気分データ系列に基づく気分系列を気分系列予測モデルへ入力して、翌日の各ステップにおける気分に対する確率値を順次計算する（Ｓ８２０）。

続いて、気分系列予測部１８は、確率の最も高くなる気分の系列と、行動系列予測部１７によって予測された行動特徴ベクトル系列とを出力する（Ｓ８３０）。

なお、本実施の形態では、期間Ｔ１及び期間Ｔ２を複数に分割する時間区間が１日単位である例を説明したが、当該時間区間は、２日以上の期間であってもよい。この場合、或る時間区間を上記の当日に当てはめて、当該或る時間区間の次の時間区間を上記の翌日に当てはめればよい。

上述したように、本実施の形態によれば、行動データ系列から抽出される行動特徴ベクトル系列と、気分データ系列と時間区間が共通する（日付が共通する）単位で対応付けて行動系列予測モデルと気分系列予測モデルを学習し、得られたモデルを利用することで、従来予測できなかったユーザの将来の気分系列を予測可能になる。この際、ユーザの将来の気分系列を予測して提示するだけでなく、将来の同時期における行動特徴ベクトル系列と合わせて提示することで、その予測結果の解釈性（気分系列の予測の根拠となる行動特徴ベクトル系列）を与えることができる。したがって、将来の気分を予測すると共にその予測と根拠となる行動の提示を可能とすることができる。

将来の気分系列と行動特徴ベクトル系列とを合わせて提示することで、ユーザが気分系列を改善したい場合に、行動から改善するための支援が可能となる。例えば、ユーザが編集した翌日の行動系列を気分系列予測部１８に入力することで、その結果を提示可能となる。

なお、翌日の気分系列と行動系列を予測するだけでなく、その予測結果を更に予測フェーズの入力データに用いることで、翌日以降の気分系列と行動系列とが予測されてもよい。

なお、本実施の形態において、行動系列予測モデル学習部１４は、第１の学習部の一例である。気分系列予測モデル学習部１６は、第２の学習部の一例である。行動系列予測部１７は、第１の予測部の一例である。気分系列予測部１８は、第２の予測部の一例である。行動データ系列又は行動特徴ベクトル系列は、行動の時系列データの一例である。気分データ系列又は気分系列は、気分の時系列データの一例である。行動系列予測モデルは、第１のニューラルネットワークの一例である。気分系列予測モデルは、第２のニューラルネットワークの一例である。当日は、第１の時間区間の一例である。

以上、本発明の実施の形態について詳述したが、本発明は斯かる特定の実施形態に限定されるものではなく、請求の範囲に記載された本発明の要旨の範囲内において、種々の変形・変更が可能である。

１０ 気分予測装置
１１ 行動データ前処理部
１２ 特徴量抽出部
１３ 行動系列予測モデル構築部
１４ 行動系列予測モデル学習部
１５ 気分系列予測モデル構築部
１６ 気分系列予測モデル学習部
１７ 行動系列予測部
１８ 気分系列予測部
１００ ドライブ装置
１０１ 記録媒体
１０２ 補助記憶装置
１０３ メモリ装置
１０４ プロセッサ
１０５ インタフェース装置
１２１ 行動系列データＤＢ
１２２ 気分系列データＤＢ
１２３ 行動系列エンコーディングモデルＤＢ
１２４ 行動系列デコーディングモデルＤＢ
１２５ 気分系列エンコーディングモデルＤＢ
１２６ 気分系列デコーディングモデルＤＢ
Ｂ バス

Claims (5)

1. 或る期間を複数に分割する各時間区間における行動の時系列データ及び気分の時系列データに基づいて、第１の時間区間の行動の時系列データ及び気分の時系列データを入力とし、前記第１の時間区間の次の時間区間の行動の時系列データの予測値を出力する第１のニューラルネットワークを学習する第１の学習手順と、
   前記或る期間を複数に分割する各時間区間における行動の時系列及び気分の時系列データに基づいて、前記次の時間区間の行動の時系列データ及び前記第１の時間区間の気分の時系列データを入力とし、前記次の時間区間の気分の時系列データの予測値を出力する第２のニューラルネットワークを学習する第２の学習手順と、
   をコンピュータが実行することを特徴とする気分予測方法。
2. 学習済みの前記第１のニューラルネットワークに、第２の時間区間の行動の時系列データ及び気分の時系列データを入力して、前記第２の時間区間の次の時間区間の行動の時系列データの予測値を計算する第１の予測手順と
   学習済みの前記第２のニューラルネットワークに、前記第１の予測手順において計算され前記第２の時間区間の次の時間区間の行動の時系列データの予測値と、前記第２の時間区間の気分の時系列データとを入力して、前記第２の時間区間の次の時間区間の気分の時系列データの予測値を計算する第２の予測手順と、
   をコンピュータが実行することを特徴とする請求項１記載の気分予測方法。
3. 或る期間を複数に分割する各時間区間における行動の時系列データ及び気分の時系列データに基づいて、第１の時間区間の行動の時系列データ及び気分の時系列データを入力とし、前記第１の時間区間の次の時間区間の行動の時系列データの予測値を出力する第１のニューラルネットワークを学習する第１の学習部と、
   前記或る期間を複数に分割する各時間区間における行動の時系列及び気分の時系列データに基づいて、前記次の時間区間の行動の時系列データ及び前記第１の時間区間の気分の時系列データを入力とし、前記次の時間区間の気分の時系列データの予測値を出力する第２のニューラルネットワークを学習する第２の学習部と、
   を有することを特徴とする気分予測装置。
4. 学習済みの前記第１のニューラルネットワークに、第２の時間区間の行動の時系列データ及び気分の時系列データを入力して、前記第２の時間区間の次の時間区間の行動の時系列データの予測値を計算する第１の予測部と
   学習済みの前記第２のニューラルネットワークに、前記第１の予測部によって計算され前記第２の時間区間の次の時間区間の行動の時系列データの予測値と、前記第２の時間区間の気分の時系列データとを入力して、前記第２の時間区間の次の時間区間の気分の時系列データの予測値を計算する第２の予測部と、
   を有することを特徴とする請求項３記載の気分予測装置。
5. 請求項１又は２いずれか一項記載の気分予測方法をコンピュータに実行させることを特徴とするプログラム。

Images