JPWO2010010653A1 - ユーザモデル処理装置 - Google Patents
ユーザモデル処理装置 Download PDFInfo
- Publication number
- JPWO2010010653A1 JPWO2010010653A1 JP2010521588A JP2010521588A JPWO2010010653A1 JP WO2010010653 A1 JPWO2010010653 A1 JP WO2010010653A1 JP 2010521588 A JP2010521588 A JP 2010521588A JP 2010521588 A JP2010521588 A JP 2010521588A JP WO2010010653 A1 JPWO2010010653 A1 JP WO2010010653A1
- Authority
- JP
- Japan
- Prior art keywords
- user
- usage
- transition
- operation history
- history information
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3466—Performance evaluation by tracing or monitoring
- G06F11/3476—Data logging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3409—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment for performance assessment
- G06F11/3414—Workload generation, e.g. scripts, playback
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3447—Performance evaluation by modeling
Abstract
端末装置に対するユーザの使い方の遷移を予測するためのモデルを操作履歴から生成する。使い方クラスタ生成部111は、複数の第1のユーザの端末装置に対する操作履歴情報に基づいて、操作履歴情報から算出される使い方の特徴を表す特徴量が似ているユーザ同士からなる複数のユーザ群131を生成する。使い方遷移モデル生成部112は、複数の第2のユーザの端末装置に対する操作履歴情報のそれぞれを分割した各分割区間の操作履歴情報毎に、操作履歴情報から算出される使い方の特徴を表す特徴量が複数のユーザ群131の使い方特徴のうちの何れに類似するかを分析し、この分析結果に基づいてユーザ群131間の遷移関係を表す使い方遷移モデル141を生成する。
Description
本発明は、端末装置に対するユーザの使い方の遷移モデルを生成する装置、生成した遷移モデルを用いて任意のユーザの将来の使い方を推定する装置、推定した使い方に応じた情報をユーザに推薦する装置に関する。
携帯電話機やパーソナルコンピュータ、家電などの端末装置は、年々高機能化しており、初心者でも手軽に利用できる機能から、或る程度の熟練者でなければ使いこなせない機能まで数多くの機能が搭載されている。そのため、製品の中には、取扱説明書において、基礎編、発展編などと称して、ユーザの熟練度に応じた機能を解説しているものもある。しかし、ユーザの熟練度はユーザ自身で判断する必要があったために、客観的に正確に判断することは難しかった。このため、使いこなせない機能を試そうとして却って認知的な負荷が高まったり、エラーが発生してユーザの利便性が下がる現象などが発生しがちであった。
他方、特許文献1には、ユーザの利便性の向上を目的に、端末装置に対するユーザの操作履歴から当該ユーザの熟練度を判断して機器の表示方法を制御する技術が開示されている。特許文献1に記載の技術では、端末装置(例えば携帯電話機)の購入当初から現在までの使用履歴情報(機器の電源ONの回数、ユーザがキー入力操作を行った時間やその履歴など)に基づいて、ユーザの現在の熟練度を判定し、ユーザの熟練度に応じた表示の簡略化を行っている。
端末装置に対するユーザの操作履歴から当該ユーザの熟練度を判定する特許文献1に記載の技術によれば、ユーザの熟練度を操作履歴という客観的な事実に基づいて自動的に判定することができる。従って、この技術を、熟練度に応じた機能をユーザに推薦する技術に応用すれば、端末装置が有する多種多様な機能のうち、現在の熟練度に応じた機能をユーザに推薦するといったサービスが実現できる。しかしながら、現在ではなく近い将来の熟練度に応じた機能を推薦するサービスは実現できない。
ユーザの現在の熟練度に応じた機能を推薦することもそれなりに有効ではあるが、ユーザの熟練度の更なる向上を促進するためには、現在ではなく近い将来の熟練度に応じた機能を推薦することが望ましい場合がある。そのためには、現在の熟練度ではなく近い将来の熟練度を客観的に判定できる技術が必要になる。
一般に、携帯電話機やパーソナルコンピュータなどの多機能装置では、例えば図13に示すように、最初はみんな同じ初心者のユーザ群に属していても、個々の好みや癖、使用目的等に応じて熟練の方向に差が生じ、或るユーザはメール関連の操作に熟練したユーザ群の一員となり、別のユーザはワードプロセッサ関連の操作に熟練したユーザ群の一員となるように、使い方の特徴が相違する多数の異なるユーザ群に枝分かれしていく。ユーザが近い将来に属するユーザ群を推測するためには、どのようなユーザ群が形成されるのかをまず明らかにし、そして、これらユーザ群間の推移の仕方を明らかにする必要がある。
本発明はこのような事情に鑑みて提案されたものであり、その目的は、端末装置に対するユーザの使い方の遷移を予測するためのモデルを操作履歴から生成することのできる装置と方法を提供することにある。
本発明の第1のユーザモデル処理装置は、複数の第1のユーザの端末装置に対する操作履歴情報に基づいて、該操作履歴情報から算出される使い方の特徴を表す特徴量が似ているユーザ同士からなる複数のユーザ群を生成する使い方クラスタ生成手段と、複数の第2のユーザの端末装置に対する操作履歴情報のそれぞれを時間で分割した各分割区間の操作履歴情報毎に、該操作履歴情報から算出される使い方の特徴を表す特徴量が前記複数のユーザ群の使い方の特徴のうちの何れに類似するかを分析し、該分析結果に基づいて前記ユーザ群間の遷移関係を表す遷移モデルを生成する使い方遷移モデル生成手段とを備える。
本発明によれば、端末装置に対するユーザの使い方の遷移を予測するためのモデルを操作履歴から生成することができる。
次に、本発明の実施の形態について図面を参照して詳細に説明する。
[第1の実施の形態]
図1を参照すると、本発明の第1の実施の形態に係るユーザモデル処理装置100は、処理装置110と、これに接続された操作履歴情報記憶装置120、クラスタリング結果記憶装置130および遷移モデル記憶装置140とから構成される。
図1を参照すると、本発明の第1の実施の形態に係るユーザモデル処理装置100は、処理装置110と、これに接続された操作履歴情報記憶装置120、クラスタリング結果記憶装置130および遷移モデル記憶装置140とから構成される。
操作履歴情報記憶装置120は、使い方の分析の対象となる端末装置(例えば或る種の携帯電話機)に対する複数のユーザの操作履歴情報121を蓄積するデータベースである。或る一人のユーザの操作履歴情報には、他のユーザの操作履歴情報と区別するためのユーザ識別子が付与され、例えば図2に示すように、時刻とそのときのユーザの操作が組で保存されている。履歴として残す操作の種類は、個々のユーザの使い方(操作の習熟度や利用するアプリケーションの種類など)を推定するのに役立つものがよい。例えば、端末装置に存在する一つ一つのボタンが押されたというような詳細なレベルでも良いし、起動したアプリケーションの種類などのレベルでもよい。ここでいうアプリケーションとは、端末装置が提供する機能単位を表す。例えば携帯電話機でいえば、メール機能、電話機能、スケジューラー機能、テレビ受信機能、電子マネー等の決済機能、GPSを利用した機能、乗り換え案内などの各種Webサービスなどである。さらに細かな機能単位(装飾メール、メールへの写真添付など)でも構わない。またパーソナルコンピュータでいえば、ワードプロセッサソフト、表計算ソフト、プレゼンテーションソフト、メールソフトやその他のプログラムなどである。これもまたさらに細かな機能単位(例えば、ワードプロセッサソフトの中の、段組機能、目次生成機能、スペルコレクト機能など)でも構わない。その他の種類の端末装置においてもその端末装置から呼び出せる種々の機能が対象となる。
処理装置110は、操作履歴情報記憶装置120に記憶された操作履歴情報に基づいて、端末装置に対するユーザの使い方の遷移を予測するためのモデルを生成する装置であり、使い方クラスタ生成部111および使い方遷移モデル生成部112を備えている。
使い方クラスタ生成部111は、操作履歴情報記憶装置120に記憶された複数ユーザの操作履歴情報に基づいて、似た使い方のユーザ同士からなる複数のユーザ群を生成する手段である。具体的には、複数のユーザの操作履歴情報のそれぞれからユーザの使い方を表す特徴量を算出し、この算出した特徴量を基底とする線形空間上でクラスタリングを行う。この空間のことを使い方空間と呼ぶ。ユーザの使い方を表現する特徴量としては、起動アプリケーション数、起動したアプリケーション一覧、アプリケーション到達までの時間、ボタン操作回数、メニュー滞留時間、アプリケーションへの入力量などがある。どの種類の特徴量を幾つ使用するかは任意である。今、使用する特徴量をx1,x2,…xpのP個とすると、或るユーザの使い方の特徴量x1,x2,…xpを要素とするベクトルが考えられる。このベクトルを特徴量ベクトルと呼ぶ。ユーザの複数の特徴量x1,x2,…xpを基底とする線形空間上でクラスタリングすることは、特徴量ベクトルを使い方空間上でクラスタリングすることを意味する。使い方空間上でのクラスタリングの手法としては、k-means、分割併合法などパターン分析で用いられるクラスタリング手法を用いることができる。
使い方遷移モデル生成部112は、操作履歴情報記憶装置120に記憶された複数ユーザの操作履歴情報のそれぞれを複数の区間に分割した各分割区間の操作履歴の特徴量ベクトルが、使い方クラスタ生成部111で生成された複数のユーザ群の何れに分類されるかを分析し、この分析結果に基づいて、使い方クラスタ生成部111で生成されたユーザ群間の遷移関係を表す遷移モデルを生成する手段である。
遷移モデルとしては、具体的には、ユーザ群間の遷移を経過時間に対する条件付確率で表現したモデルを使用することができる。ここで、経過時間は、ユーザが端末装置を最初に使い始めた時点からの経過時間でもよいし、直前のユーザ群に遷移してからの経過時間でもよい。また、遷移モデルの他の例として、端末装置に対するユーザの或る種の操作を行動として捉え、ユーザ群間の遷移を行動に対する条件付確率で表現したモデルを使用することもできる。
ここで、使い方遷移モデル生成部112で用いる複数ユーザの操作履歴情報は、使い方クラスタ生成部111で用いる複数ユーザの操作履歴情報と全く同じものでもよいし、全部または一部が異なっているものでもよい。
クラスタリング結果記憶装置130は、使い方クラスタ生成部111のクラスタリング結果である複数のユーザ群の情報131を記憶する手段である。また、遷移モデル記憶装置140は、使い方遷移モデル生成部112で生成された使い方遷移モデル141を記憶する手段である。
次に図3に示すフローチャートを参照しながら本実施の形態の動作を説明する。
まず、使い方クラスタ生成部111は、操作履歴情報記憶装置120から複数のユーザの操作履歴情報121を読み出し、それぞれの操作履歴情報121からユーザの使い方の特徴量ベクトルを算出し、この算出した複数の特徴量ベクトルをクラスタリングする(ステップS101)。このクラスタリングの目的は、使い方の特徴が異なるユーザ群(クラスタ)を可能な限り全て洗い出すことにある。従って、熟練度や癖が相違する複数のユーザの操作履歴情報を使用することが望まれる。また、使用期間の経過に応じて使い方の特徴が変化するため、使用期間の長いユーザの操作履歴情報はそれ全体を一人のユーザの操作履歴情報として使用するのは好ましくなく、幾つかに分割し、その各々の期間の操作履歴情報をあたかも別人の操作履歴情報として用いるのがよい。
上記のクラスタリングによって、使い方の特徴が異なる複数のユーザ群(クラスタ)が生成されるので、使い方クラスタ生成部111は、生成された複数のユーザ群の情報をクラスタリング結果記憶装置130に保存する(ステップS102)。個々のユーザ群の情報には、ユーザ群を一意に識別するためのユーザ群識別子、そのユーザ群の生成に用いた操作履歴情報を特定する情報(ユーザ識別子、操作履歴の使用範囲など)、特徴量ベクトル、その平均値などが含まれる。
次に、使い方遷移モデル生成部112は、操作履歴情報記憶装置120から複数のユーザの操作履歴情報121を読み出し、それぞれの操作履歴情報121を複数の区間に分割する(ステップS103)。次に、各ユーザの各分割区間の操作履歴情報毎に、使い方を表す特徴量ベクトルを算出し、この特徴量ベクトルがいずれのユーザ群に分類されるかを分析する(ステップS104)。次に、分析結果に基づいて、ユーザ群間の遷移モデルを生成し、遷移モデル記憶装置140に保存する(ステップS105)。
図4(a)は、特徴量として、ボタン操作などの操作速度と起動アプリケーション数の2つを用い、複数のユーザの特徴量ベクトルを使い方空間にマッピングしたイメージを示す。ここでは操作速度と起動アプリケーション数の2つの特徴量を用いているが、使用する特徴量の種類と個数は任意である。図中の1つの丸い点が一人のユーザの特徴量ベクトルを示す。これら複数の特徴量ベクトルをクラスタリングした結果が図4(b)であり、この例では、A、B、Cという3つのユーザ群(クラスタ)が生成されている。ユーザ群Aは、操作速度が遅く、単位時間当たりの起動アプリケーション数も少ない使い方をしているユーザ群である。ユーザ群Bは、操作速度が速く、単位時間当たりの起動アプリケーション数も多いような使い方をしているユーザ群である。ユーザ群Cは、操作速度は早いが、単位時間当たりの起動アプリケーション数は少ない使い方をしているユーザ群である。
図4(c)は、或るユーザXの操作履歴情報を、使い始めから所定時刻t1までの操作履歴情報X1、時刻t1から更に所定期間経過した時刻t2までの操作履歴情報X2、時刻t2から現在までの操作履歴情報X3に3分割し、それぞれの操作履歴情報X1〜X3から算出した操作速度と起動AP(アプリケーション)数の特徴量を要素とする特徴量ベクトルU1〜U3が、ユーザ群A、B、Cの何れに分類されるかを分析した結果を示す。この例では、特徴量ベクトルU1とU2はユーザ群Aに属し、特徴量ベクトルU3はユーザ群Bに属している。
同様に、別のユーザYの操作履歴情報を操作履歴情報Y1、Y2、Y3に3分割し、それぞれの操作履歴情報Y1〜Y3から算出した操作速度と起動AP数の特徴量を要素とする特徴量ベクトルV1〜V3が、ユーザ群A、B、Cの何れに分類されるかを分析した結果も図4(c)に示されている。ユーザYの場合、特徴量ベクトルV1はユーザ群Aに属し、特徴量ベクトルV2、V3はユーザ群Bに属している。
同様に、さらに別のユーザZの操作履歴情報を操作履歴情報Z1、Z2、Z3に3分割し、それぞれの操作履歴情報Z1〜Z3から算出した操作速度と起動AP数の特徴量を要素とする特徴量ベクトルW1〜W3が、ユーザ群A、B、Cの何れに分類されるかを分析した結果も図4(c)に示されている。ユーザZの場合、特徴量ベクトルW1はユーザ群Aに属し、特徴量ベクトルW2、W3はユーザ群Cに属している。
図4(c)に示した分析結果によれば、ユーザ群間の遷移の仕方として次のようなことがいえる。まず、ほとんどのユーザは、端末装置の使い始めの時期はボタン操作などといった操作をする速度が遅く、単位時間当たりの起動アプリケーション数も少ない使い方をしているユーザ群Aに属している。しかし、時間の経過とともに操作に習熟し、一部のユーザX、Yは、操作速度が速く且つ単位時間当たりの起動アプリケーション数も多いような使い方をするユーザ群Bに遷移し、残りの一部のユーザZは、操作速度は早いが単位時間当たりの起動アプリケーション数は少ない使い方をするユーザ群Cに遷移する(図4(c)中の矢印)。また、ユーザ群間を遷移するのに、時間のかかるユーザXとそうでないユーザY、Zがいる。使い方遷移モデル生成部112は、このような分析結果に基づいて、ユーザ群間の遷移の仕方を特徴付ける使い方遷移モデルを生成する。
次に、ユーザ群間の遷移を経過時間に対する条件付確率で表現した遷移モデルについて、その具体的な生成方法について説明する。
使い方遷移モデル生成部112が用いる操作履歴情報記憶装置120中の操作履歴情報のユーザを評価対象ユーザ{u(k)}(k=1,…,K)とする。使い方遷移モデル生成部112は、評価対象ユーザ{u(k)}が、使い方クラスタ生成部111で生成された複数のユーザ群(クラスタ){Ci}(i=1,…,N)間をどのように遷移するのかを、以下のようにして算出する。
まず、使い方遷移モデル生成部112は、各ユーザ{u(k)}の操作履歴情報を所定時間毎に分割し、各分割単位の操作履歴情報から算出した特徴量ベクトルがどのユーザ群{Ci}に属するかを判定する。これは、例えば特徴量ベクトルと各ユーザ群{Ci}との距離を求め、距離の最も小さいユーザ群をその特徴量ベクトルが属するユーザ群と判定する方法がある。また、ここでの距離は、たとえば各ユーザ群を構成する要素の特徴量ベクトルの平均や重心と評価対象ユーザの特徴量ベクトルとの距離とするなどの方法がある。
次に、使い方遷移モデル生成部112は、或る一つのユーザ群Ciと別の一つのユーザ群Cjとの組に注目し、個々のユーザがユーザ群Ciに遷移してからt日後にユーザ群Cjに遷移する確率Pij(t)を以下のようにして算出する。まず、一定時間毎に各評価対象ユーザがそれぞれどのユーザ群に属しているかを算出する。ここで、ユーザu(k)が時刻tに属しているユーザ群をc(u(k),t)とする。ユーザ群の遷移が、
c(u(k),t-1)≠Ci かつ c(u(k),t)=Ci …(1)
となるtを全て探索し、そのようなtの集合をTとする。また、
c(u(k),0)=Ci …(2)
であれば、Tに0も加える。
c(u(k),t-1)≠Ci かつ c(u(k),t)=Ci …(1)
となるtを全て探索し、そのようなtの集合をTとする。また、
c(u(k),0)=Ci …(2)
であれば、Tに0も加える。
次に、集合Tに属する個々のtに対して、sを増やしていき、はじめて、
c(u(k),t+s-1)=Ci (s=1,…,S) …(3)
かつ
c(u(k),t+S)=Cj …(4)
となるSを算出する。
c(u(k),t+s-1)=Ci (s=1,…,S) …(3)
かつ
c(u(k),t+S)=Cj …(4)
となるSを算出する。
以上の計算を全ての評価対象ユーザについて行い、求められたSの分布を、ユーザ群Ciに遷移してからt日後にユーザ群Cjに遷移する確率Pij(t)とする。
以上を全てのi,jの組み合わせについて算出することで、{Pij(t)}(0<i,j<N+1,i≠j)を求める。この{Pij(t)}が、ユーザ群間の遷移を経過時間に対する条件付確率で表現した遷移モデルである。
次に、ユーザ群間の遷移を行動に対する条件付確率で表現した遷移モデルについて、その具体的な生成方法について説明する。
まず、使い方遷移モデル生成部112は、或る一つのユーザ群Ciと別の一つのユーザ群Cjとの組に注目する。次に、ユーザ群Ciからユーザ群Cjへ遷移する直前にユーザが行っていた行動を評価対象ユーザの操作履歴情報121から抽出し、この抽出した行動の集合を{Aijm}(m=1,…,M)とする。ここで、行動とは、ユーザが実行する機能または機能の列、ボタンの押し方のパターン、端末装置の電源のオン/オフのパターン、折り畳み式やスライド式の携帯電話機の場合は開け閉めのパターンなどを指す。
次に使い方遷移モデル生成部112は、{Aijm}(m=1,…,M)のそれぞれの要素について、評価対象ユーザの操作履歴情報に基づいて、以下の分析を行う。
まず、ユーザ群Ciにいる間に行動Aijmを行った評価対象ユーザ数Zijmを算出する。次に、ユーザ群Ciにいる間に行動Aijmを行った評価対象ユーザのうち、行動Aijmの実行直後(あるいは行動Aijmの実行後一定時間経過後)に、ユーザ群Ciからユーザ群Cjへ遷移した評価対象ユーザ数Yijmを算出する。次に、次式により、行動Aijmが行われた場合に、その実行直後(あるいは一定時間経過後)にユーザ群Ciからユーザ群Cjへ遷移する確率Pij(Aijm)を算出する。
Pij(Aijm)=Yijm/Zijm …(5)
Pij(Aijm)=Yijm/Zijm …(5)
使い方遷移モデル生成部112は、以上と同様の計算を、全てのi,jの組み合わせについて行うことで、{Pij(Aijm)}(0<i,j<N+1,i≠j,m=1,…,M)を求める。この{Pij(Aijm)}が、ユーザ群間の遷移を行動に対する条件付確率で表現した遷移モデルである。
次に本実施の形態の効果を説明する。
本実施の形態によれば、端末装置に対するユーザの使い方の遷移を予測するためのモデルを操作履歴情報から生成することができる。その理由は、第1に、複数のユーザの操作履歴情報から算出される使い方に関する特徴量ベクトルに着目してユーザをクラスタリングすることで、使い方の特徴が異なるユーザ群(クラスタ)を可能な限り全て洗い出していること、第2に、それぞれのユーザ群に属するユーザが時間の経過や習熟度の向上に伴ってどのようにユーザ群間を遷移していくかを、やはり複数のユーザの操作履歴情報から分析し、この分析結果に基づいて、ユーザの使い方の遷移をモデル化しているためである。
また本実施の形態によれば、端末装置に対するユーザの使い方の遷移を予測するためのモデルを高精度に生成することができる。その理由は、過去に多数のユーザが実際に端末装置を使った結果得られた操作履歴情報に基づいてモデルを生成しているためである。
また本実施の形態によれば、ユーザ群間の遷移を経過時間に対する条件付確率で表現した遷移モデルを生成することができる。この種の遷移モデルでは、ユーザが端末装置をどの程度の期間使い続けたかによってユーザ群(クラスタ)間の遷移を推定することができるため、経過時間とユーザ群遷移の相関が強い場合に、高い精度でユーザ群間の遷移を推定することができる。
また本実施の形態によれば、ユーザ群間の遷移を行動に対する条件付確率で表現した遷移モデルを生成することができる。この種の遷移モデルでは、ユーザが端末装置をどのように使ったかに関する情報をユーザ群(クラスタ)間の遷移の推定に用いることができ、時間の経過とユーザ群遷移に相関がない場合(例えば、ユーザが新しい機能を覚えたことで使い方が変わる場合など。具体的には携帯電話機において仮名漢字変換の使い方を覚えたことでメールを良く使うようになる場合など)でも、高い精度でユーザ群間の遷移を推定することができる。
[第2の実施の形態]
図5を参照すると、本発明の第2の実施の形態に係るユーザモデル処理装置200は、図1に示した第1の実施の形態に係るユーザモデル処理装置100に対して、任意のユーザの操作履歴情報からそのユーザが現在属するユーザ群(クラスタ)を判定し、さらに遷移モデルを適用して当該ユーザが次に遷移するユーザ群を推定する機能を付加した装置であり、第1の実施の形態に係るユーザモデル処理装置100と比較して、処理装置110が、使い方クラスタ生成部111および使い方遷移モデル生成部112に加えてさらに、使い方判定部113および使い方遷移先推定部114を備えている点で相違する。
図5を参照すると、本発明の第2の実施の形態に係るユーザモデル処理装置200は、図1に示した第1の実施の形態に係るユーザモデル処理装置100に対して、任意のユーザの操作履歴情報からそのユーザが現在属するユーザ群(クラスタ)を判定し、さらに遷移モデルを適用して当該ユーザが次に遷移するユーザ群を推定する機能を付加した装置であり、第1の実施の形態に係るユーザモデル処理装置100と比較して、処理装置110が、使い方クラスタ生成部111および使い方遷移モデル生成部112に加えてさらに、使い方判定部113および使い方遷移先推定部114を備えている点で相違する。
使い方判定部113は、分析対象となるユーザの操作履歴情報から算出した特徴量ベクトルが、クラスタリング結果記憶装置130に記憶された複数のユーザ群131のうちの何れに分類されるかを判定する手段である。
使い方遷移先推定部114は、使い方判定部113で判定されたユーザ群が次にどのユーザ群に遷移するかを使い方遷移モデル141から求めることにより、分析対象ユーザが次に遷移するユーザ群を推定する手段である。
次に図6のフローチャートを参照して、本実施の形態の動作を説明する。なお、使い方判定部113および使い方遷移先推定部114以外の動作は第1の実施の形態と同じであるので説明は省略し、使い方判定部113および使い方遷移先推定部114に関連する動作のみを説明する。
使い方判定部113は、分析対象ユーザの操作履歴情報が入力されると、この操作履歴情報からユーザの使い方を表す特徴量ベクトルを算出する(ステップS201)。分析対象ユーザの操作履歴情報は操作履歴情報記憶装置120に記憶されている操作履歴情報121と同様に図2に示した内容であり、特徴量ベクトルの算出方法も使い方クラスタ生成部111と同じである。なお、分析対象ユーザの現在の使い方を判定するのが目的なので、使用期間の長い分析対象ユーザの操作履歴情報はそれ全体を使用するのは好ましくなく、現在から予め定めた一定時間前までの操作履歴情報を用いるのがよい。
次に使い方判定部113は、分析対象ユーザの特徴量ベクトルが、クラスタリング結果記憶装置130に記憶された複数のユーザ群131のうちのいずれのユーザ群に属するかを判定する(ステップS202)。これは、例えば特徴量ベクトルと各ユーザ群{Ci}との距離を求め、距離の最も小さいユーザ群をその特徴量ベクトルが属するユーザ群と判定する方法がある。また、ここでの距離は、たとえば各ユーザ群を構成する要素の特徴量ベクトルの平均や重心と分析対象ユーザの特徴量ベクトルとの距離とするなどの方法がある。以下、判定されたユーザ群をCXとする。
次に、使い方遷移先推定部114は、ユーザ群CXが次に遷移するユーザ群を使い方遷移モデル141を用いて推定する(ステップS203)。ここで、推定したユーザ群をCYとする。使い方遷移先推定部114は、分析対象ユーザが次に遷移するユーザ群として、ユーザ群CYを出力する。
次に、使い方遷移先推定部114の実施例を説明する。
[使い方遷移先推定部114の実施例1]
本実施例の使い方遷移先推定部114は、使い方遷移モデルを用いて、ユーザ群CXに属する分析対象ユーザが、次に遷移する確率が最も高いユーザ群j0を、分析対象ユーザが次に遷移するユーザ群CYとして求める。
本実施例の使い方遷移先推定部114は、使い方遷移モデルを用いて、ユーザ群CXに属する分析対象ユーザが、次に遷移する確率が最も高いユーザ群j0を、分析対象ユーザが次に遷移するユーザ群CYとして求める。
例えば、使い方遷移モデルとして、ユーザ群間の遷移を経過時間に対する条件付確率で表現した遷移モデル{Pij(t)}(0<i,j<N+1,i≠j)を使う場合、次式に示すように、ユーザ群CXに属する分析対象ユーザが、予め定められた一定時間T1後に遷移する確率が最も高いユーザ群j0を、分析対象ユーザが次に遷移するユーザ群CYとして求める。
j0=argij maxPij(t) …(6)
j0=argij maxPij(t) …(6)
ここで、一定時間T1はとしては、遷移元ユーザ群にかからわない一定値であってもよいし、遷移元ユーザ群に対応して予め定められた一定値であってもよい。また、外部から変更可能な可変値であってもよい。
また、使い方遷移モデルとして、ユーザ群間の遷移を行動に対する条件付確率で表現した遷移モデル{Pij(Aijm)}(0<i,j<N+1,i≠j,m=1,…,M)を使う場合、ユーザ群CXに属する分析対象ユーザが最近行った行動Qを操作履歴情報から抽出し、Pij(Q)を最大にするjを算出し、ユーザ群Cjを分析対象ユーザが次に遷移するユーザ群CYとして求める。
[使い方遷移先推定部114の実施例2]
本実施例の使い方遷移先推定部114は、使い方遷移モデルを用いて、ユーザ群CXに属する分析対象ユーザが予め設定された閾値を超える確率以上で次に遷移する可能性のある1以上のユーザ群を求め、この1以上のユーザ群のうちから、所定の条件で1つのユーザ群を選択し、この選択したユーザ群を分析対象ユーザが次に遷移するユーザ群CYとする。
本実施例の使い方遷移先推定部114は、使い方遷移モデルを用いて、ユーザ群CXに属する分析対象ユーザが予め設定された閾値を超える確率以上で次に遷移する可能性のある1以上のユーザ群を求め、この1以上のユーザ群のうちから、所定の条件で1つのユーザ群を選択し、この選択したユーザ群を分析対象ユーザが次に遷移するユーザ群CYとする。
前記の所定の条件としては、ユーザの熟練度の更なる向上を促進するために、端末装置をよりよく使いこなしているユーザ群を選択するという条件が好ましい。端末装置をよりよく使いこなしているユーザ群かどうかを判定する方法としては、以下の2通りの方法がある。
a)習熟度を基準に判定する方法
b)ユーザの満足度を基準に判定する方法
a)習熟度を基準に判定する方法
b)ユーザの満足度を基準に判定する方法
習熟度を基準に判定する方法は、端末装置をよりよく使いこなしているユーザ群は習熟度が一般的に高いという因果関係があることを利用する。習熟度が高いかどうかは、ユーザの使い方を表現する特徴量が望ましい方向に近づいているかどうかを分析して判定する。望ましい方向とは、例えば、起動アプリケーション数の場合はより多いこと、起動したアプリケーション一覧ではバリエーション数がより多いことである。またアプリケーション到達までの時間は短い方がよいし、メニュー滞留時間は短い方がよいなどである。これらの特徴量からそれぞれ望ましい方向に近づいているかどうかを表す評価値Jを計算して、評価値Jが大きくなるユーザ群を選択する。例えば、小さいほうが望ましい特徴量を{an}(n=1,…,N)、大きいほうが望ましい特徴量を{bm}(m=1,…,M)とすると、評価値Jは次式で与えられる。
J=Σ(1/an)2+Σ(bm)2 …(7)
J=Σ(1/an)2+Σ(bm)2 …(7)
使い方遷移先推定部114は、クラスタリング結果記憶装置130に記憶された各ユーザ群131の評価値Jを、そのユーザ群131に属するユーザの操作履歴情報に基づいて計算し、その結果を保持する。そして、使い方遷移先推定部114は、使い方遷移モデル{Pij(t)}あるいは{Pij(Aijm)}を用いて、ユーザ群CXに属する分析対象ユーザが、予め設定された閾値を超える確率以上の確率で次に遷移する可能性のある1以上のユーザ群を求め、この1以上のユーザ群のうちから、評価値Jの最も大きなユーザ群を、分析対象ユーザが次に遷移するユーザ群CYとして選択する。
他方、ユーザの満足度を基準に判定する方法は、満足度の高いユーザは端末装置をよりよく使いこなしているユーザが多いという因果関係があることを利用する。ユーザの満足度は、ユーザに対するアンケートなどを行って収集し、収集結果を統計処理して各ユーザ群毎のユーザの満足度の指標値を計算する。具体的には、操作履歴情報記憶装置120あるいは別の記憶装置に、各ユーザの操作履歴情報121毎のユーザ満足度を記憶しておく。このとき、どの時点で行ったアンケートによる満足度であるかを操作履歴との関係で特定しておく。
使い方遷移先推定部114は、クラスタリング結果記憶装置130に記憶されたユーザ群131毎に、そのユーザ群131の生成に用いた操作履歴情報に関連するユーザの満足度を操作履歴情報記憶装置120等から読み出し、平均をとることでユーザ群のユーザ満足度の指標値を計算し、保持する。使用するユーザ満足度は、分析対象ユーザの操作履歴情報の終了時点以降に収集されたユーザ満足度である。そして、使い方遷移先推定部114は、使い方遷移モデル{Pij(t)}あるいは{Pij(Aijm)}を用いて、ユーザ群CXに属する分析対象ユーザが、予め設定された閾値を超える確率以上の確率で次に遷移する可能性のある1以上のユーザ群を求め、この1以上のユーザ群のうちから、ユーザ満足度の評価値の最も大きなユーザ群を、分析対象ユーザが次に遷移するユーザ群CYとして選択する。
次に本実施の形態の効果を説明する。
本実施の形態によれば、第1の実施の形態と同様の効果が得られると同時に、任意のユーザが次に遷移するユーザ群を精度良く推定することができる。その理由は、任意のユーザの操作履歴情報からそのユーザが現在属するユーザ群を判定し、さらに遷移モデルを適用して当該ユーザが次に遷移するユーザ群を推定するためである。
[第3の実施の形態]
図7を参照すると、本発明の第3の実施の形態に係るユーザモデル処理装置300は、図5に示した第2の実施の形態に係るユーザモデル処理装置200に任意のユーザに対する利用アプリケーションの推薦機能を付加した装置であり、第2の実施の形態に係るユーザモデル処理装置200と比較して、処理装置110が、使い方クラスタ生成部111、使い方遷移モデル生成部112、使い方判定部113および使い方遷移先推定部114に加えてさらに、推薦情報決定部115を備えている点で相違する。
図7を参照すると、本発明の第3の実施の形態に係るユーザモデル処理装置300は、図5に示した第2の実施の形態に係るユーザモデル処理装置200に任意のユーザに対する利用アプリケーションの推薦機能を付加した装置であり、第2の実施の形態に係るユーザモデル処理装置200と比較して、処理装置110が、使い方クラスタ生成部111、使い方遷移モデル生成部112、使い方判定部113および使い方遷移先推定部114に加えてさらに、推薦情報決定部115を備えている点で相違する。
推薦情報決定部115は、使い方遷移先推定部114で推定された推薦対象ユーザの使い方遷移先のユーザ群が利用しているアプリケーションを推薦する情報を生成し、出力する手段である。本実施の形態の推薦情報決定部115は、クラスタリング結果記憶装置130に記憶されたユーザ群131毎に、そのユーザ群131の生成に用いた操作履歴情報を分析して使用されたアプリケーションの名前を抽出し、この抽出したアプリケーション名の全部または一部を含む推薦情報を生成して出力する。一部に限定して推薦する方法としては、そのユーザ群に属するより多くのユーザが利用しているアプリケーションに限定する方法、起動回数が一定値より多いアプリケーションに限定する方法、推薦対象ユーザが利用していないアプリケーションに限定する方法の何れかの方法、またはそれらを組み合わせた方法が考えられる。
次に図8のフローチャートを参照して、本実施の形態の動作を説明する。なお、推薦情報決定部115以外の動作は第2の実施の形態と同じであるので説明は省略し、推薦情報決定部115に関連する動作のみ説明する。
分析対象ユーザの操作履歴情報が処理装置110に入力されると、図8のステップS201〜S202に示すように使い方判定部113により分析対象ユーザが現在属するユーザ群CXが判定され、ステップS203に示すように使い方遷移先推定部114により次に遷移するユーザ群CYが推定される。これらの動作は第2の実施の形態と同じである。次に、制御が推薦情報決定部115に移される。
推薦情報決定部115は、ユーザ群CYに属するユーザが利用しているアプリケーション名の全部または一部を含む推薦情報を生成し、出力する(ステップS204)。
次に推薦情報決定部115の実施例について説明する。
[推薦情報決定部115の実施例1]
図9を参照すると、本実施例の推薦情報決定部115は、利用アプリケーション抽出部1151と、リスト記憶部1152と、推薦アプリケーション選択部1153とから構成される。
図9を参照すると、本実施例の推薦情報決定部115は、利用アプリケーション抽出部1151と、リスト記憶部1152と、推薦アプリケーション選択部1153とから構成される。
利用アプリケーション抽出部1151は、クラスタリング結果記憶装置130に記憶されたユーザ群131毎に、そのユーザ群がどのようなアプリケーションを利用しているかを操作履歴情報記憶装置120中の操作履歴情報121から抽出して、各ユーザ群毎の利用アプリケーションリストを作成し、リスト記憶部1152に保存する。具体的には、ユーザ群131毎に、そのユーザ群の生成に用いた操作履歴情報を操作履歴情報記憶装置120から読み込み、起動されているアプリケーション名を全て抽出してリスト化する。このとき、使われた回数が多い順や使ったユーザが多い順に順位付けしたリストを作成して保存するようにしてもよい。
リスト記憶部1152は、利用アプリケーション抽出部1151により作成された各ユーザ群毎の利用アプリケーションリスト11521を保持するデータベースである。
推薦アプリケーション選択部1153は、使い方遷移先推定部114から分析対象ユーザの遷移先ユーザ群CYを受け取ると、リスト記憶部1152からユーザ群CYの利用アプリケーションリストを検索し、この利用アプリケーションリストに記載された全部または一部のアプリケーションを推薦候補のアプリケーションとした推薦情報を作成し、出力する。このとき、分析対象ユーザの操作履歴情報から利用しているアプリケーションを抽出し、ユーザ群CYの利用アプリケーションリストに記載されたアプリケーションのうち分析対象ユーザが既に利用しているアプリケーションは推薦候補から除外してもよい。
利用アプリケーション抽出部1151によるユーザ群毎の利用アプリケーションリストの作成は、分析対象ユーザの遷移先ユーザ群が推薦情報決定部115に入力されてから開始してもよいし、その入力を待たずにクラスタリング結果記憶装置130に複数のユーザ群が生成された時点で事前に開始してもよい。後者の場合、推薦時に必要な計算量を少なくすることができる。
次に本実施の形態の効果を説明する。
本実施の形態によれば、第2の実施の形態と同様の効果が得られると同時に、分析対象ユーザの使い方の改善を促すにあたってユーザが無理なく実行できるアプリケーションを推薦することができる。その理由は、分析対象ユーザが現在属するユーザ群の次に遷移するユーザ群で使われるアプリケーションを推薦するためである。
[第4の実施の形態]
図10を参照すると、本発明の第4の実施の形態は、分析対象ユーザの端末装置400に、第3の実施の形態における使い方クラスタ生成部111、使い方遷移モデル生成部112、使い方判定部113、使い方遷移先推定部114および推薦情報決定部115を有する処理装置110と、操作履歴情報記憶装置120と、クラスタリング結果記憶装置130ならびに遷移モデル記憶装置140を設け、さらに、自端末の操作履歴情報を記憶する記憶装置150と、推薦情報を表示する表示装置160とを設けている。
図10を参照すると、本発明の第4の実施の形態は、分析対象ユーザの端末装置400に、第3の実施の形態における使い方クラスタ生成部111、使い方遷移モデル生成部112、使い方判定部113、使い方遷移先推定部114および推薦情報決定部115を有する処理装置110と、操作履歴情報記憶装置120と、クラスタリング結果記憶装置130ならびに遷移モデル記憶装置140を設け、さらに、自端末の操作履歴情報を記憶する記憶装置150と、推薦情報を表示する表示装置160とを設けている。
使い方クラスタ生成部111および使い方遷移モデル生成部112は、端末装置400の最初の使用開始時などの適当なタイミングで第3の実施の形態で説明した動作を実行し、操作履歴情報記憶装置120に記憶された操作履歴情報に基づいて複数のユーザ群の情報を生成し、クラスタリング結果記憶装置130に記憶する。また、使い方判定部113は、分析対象ユーザが端末装置400を使用している適当なタイミングで、記憶装置150から自端末の操作履歴情報を読み出し、第3の実施の形態で説明した動作を実行し、分析対象ユーザの属するユーザ群を判定する。続いて、使い方遷移先推定部114が次に遷移するユーザ群を第3の実施の形態で説明した方法により推定し、推薦情報決定部115が第3の実施の形態で説明した動作を実行して、推薦候補とするアプリケーションを決定する。そして、推薦情報決定部115は、推薦候補のアプリケーション名などを含む推薦情報を推薦情報表示装置160に出力する。推薦情報表示装置160は、入力された推薦情報を表示画面に表示することで、分析対象ユーザに提示する。
本実施の形態によれば、複数ユーザ群および遷移モデルの生成からそのモデルを使用した遷移先の判定、推薦情報の決定と表示まで、全て端末装置の内部で実施できる。
[第5の実施の形態]
図11を参照すると、本発明の第5の実施の形態は、分析対象ユーザの端末装置500に、第3の実施の形態における方法と同様の方法で作成された複数のユーザ群の情報および遷移モデルを記憶するクラスタリング結果記憶装置130および遷移モデル記憶装置140と、使い方判定部113、使い方遷移先推定部114および推薦情報決定部115を有する処理装置110とを設け、さらに、自端末の操作履歴情報を記憶する記憶装置150と、推薦情報を表示する表示装置160とを設けている。なお、推薦情報決定部115には、図9を参照して説明したようなユーザ群毎の利用アプリケーションリストを保持するリスト記憶部1152が内蔵されている。
図11を参照すると、本発明の第5の実施の形態は、分析対象ユーザの端末装置500に、第3の実施の形態における方法と同様の方法で作成された複数のユーザ群の情報および遷移モデルを記憶するクラスタリング結果記憶装置130および遷移モデル記憶装置140と、使い方判定部113、使い方遷移先推定部114および推薦情報決定部115を有する処理装置110とを設け、さらに、自端末の操作履歴情報を記憶する記憶装置150と、推薦情報を表示する表示装置160とを設けている。なお、推薦情報決定部115には、図9を参照して説明したようなユーザ群毎の利用アプリケーションリストを保持するリスト記憶部1152が内蔵されている。
使い方判定部113は、分析対象ユーザが端末装置500を使用している適当なタイミングで、記憶装置150から操作履歴情報を読み出し、第3の実施の形態で説明した動作を実行し、分析対象ユーザの属するユーザ群を判定する。続いて、使い方遷移先推定部114が次に遷移するユーザ群を第3の実施の形態で説明した方法により推定し、推薦情報決定部115が第3の実施の形態で説明した動作を実行して、推薦候補とするアプリケーションを決定する。そして、推薦情報決定部115は、推薦候補のアプリケーション名などを含む推薦情報を推薦情報表示装置160に出力する。推薦情報表示装置160は、入力された推薦情報を表示画面に表示することで、分析対象ユーザに提示する。
本実施の形態によれば、外部で生成した複数ユーザ群および遷移モデルを端末装置にインストールして用いるため、複数ユーザ群および遷移モデルの生成機能のない端末装置でも遷移モデルを利用した遷移先の決定とそれに応じた推薦情報の生成が可能になる。
[第6の実施の形態]
図12を参照すると、本発明の第6の実施の形態は、ネットワーク603を通じて相互に通信可能なサーバ装置601および端末装置602とで構成され、サーバ装置601に、第3の実施の形態における使い方クラスタ生成部111、使い方遷移モデル生成部112、使い方判定部113、使い方遷移先推定部114および推薦情報決定部115を有する処理装置110と、操作履歴情報記憶装置120と、クラスタリング結果記憶装置130ならびに遷移モデル記憶装置140を設け、端末装置602に、自端末の操作履歴情報を記憶する記憶装置150と、推薦情報を表示する表示装置160とを設けている。また、サーバ装置601には、ネットワーク603を通じて端末装置602とデータ通信を行う送信手段620および受信手段610が設けられ、端末装置602には、ネットワーク603を通じてサーバ装置601とデータ通信を行う送信手段630および受信手段640が設けられている。
図12を参照すると、本発明の第6の実施の形態は、ネットワーク603を通じて相互に通信可能なサーバ装置601および端末装置602とで構成され、サーバ装置601に、第3の実施の形態における使い方クラスタ生成部111、使い方遷移モデル生成部112、使い方判定部113、使い方遷移先推定部114および推薦情報決定部115を有する処理装置110と、操作履歴情報記憶装置120と、クラスタリング結果記憶装置130ならびに遷移モデル記憶装置140を設け、端末装置602に、自端末の操作履歴情報を記憶する記憶装置150と、推薦情報を表示する表示装置160とを設けている。また、サーバ装置601には、ネットワーク603を通じて端末装置602とデータ通信を行う送信手段620および受信手段610が設けられ、端末装置602には、ネットワーク603を通じてサーバ装置601とデータ通信を行う送信手段630および受信手段640が設けられている。
サーバ装置601の使い方クラスタ生成部111および使い方遷移モデル生成部112は、適当なタイミングで第3の実施の形態で説明した動作を実行し、クラスタリング結果記憶装置130に複数のユーザ群の情報を生成する。
端末装置602の送信手段630は、分析対象ユーザが端末装置602を使用している適当なタイミングで記憶装置150から操作履歴情報を読み出し、ネットワーク603を通じてサーバ装置601へ送信する。サーバ装置601では、この操作履歴情報は受信手段610で受信され、処理装置110の使い方判定部113に入力される。
サーバ装置601の使い方判定部113は、入力された分析対象ユーザの操作履歴情報に基づいて、第3の実施の形態で説明した動作を実行し、分析対象ユーザの属するユーザ群を判定する。続いて、使い方遷移先推定部114が次に遷移するユーザ群を第3の実施の形態で説明した方法により推定し、推薦情報決定部115が第3の実施の形態で説明した動作を実行して、推薦候補とするアプリケーションを決定する。そして、推薦情報決定部115は、推薦候補のアプリケーション名などを含む推薦情報を送信手段620により、ネットワーク603経由で端末装置602へ送信する。
端末装置602では、サーバ装置601から送信された推薦情報が受信手段640で受信され、推薦情報表示装置160へ出力される。推薦情報表示装置160は、入力された推薦情報を表示画面に表示することで、分析対象ユーザに提示する。
なお、本実施の形態では、分析対象ユーザの操作履歴情報を分析対象ユーザの端末装置602からサーバ装置601へ送信しているが、端末装置602がシンクライアント端末であるような場合には、その操作履歴情報は端末装置602に保存されず、シンクライアントシステムのサーバ側に保存される。従って、サーバ装置601は分析対象ユーザの操作履歴情報をシンクライアントシステムのサーバ側から取得する実施の形態も考えられる。
本実施の形態によれば、端末装置を使用するユーザが次に遷移するユーザ群を推定してそのユーザ群で使用する機能を推薦するサービスをWebサービスの一種として実現することができる。
以上本発明の実施の形態について説明したが、本発明は以上の例にのみ限定されず、その他各種の付加変更が可能である。また、本発明のユーザモデル処理装置は、その有する機能をハードウェア的に実現することは勿論、コンピュータとプログラムとで実現することができる。プログラムは、磁気ディスクや半導体メモリ等のコンピュータ可読記録媒体に記録されて提供され、コンピュータの立ち上げ時などにコンピュータに読み取られ、そのコンピュータの動作を制御することにより、そのコンピュータを前述した各実施の形態における使い方クラスタ生成部、使い方遷移モデル生成部、使い方判定部、使い方遷移先推定部、推薦情報決定部などの機能手段として機能させる。
以上、実施の形態を参照して本願発明を説明したが、本願発明は上記によって限定されるものではない。本願発明の構成や詳細には、発明のスコープ内で当業者が理解し得る様々な変更をすることができる。
この出願は、2008年7月24日に出願された日本出願特願2008−190655を基礎とする優先権を主張し、その開示の全てをここに取り込む。
本発明は、複数のユーザが存在するシステム、例えば携帯電話機、パーソナルコンピュータ、コンピュータ上の特定アプリケーション、企業内システム、ATMやキオスク端末、ハードディスクレコーダ、テレビやそれ以外の情報家電などに適用できる。
100、200、300…ユーザモデル処理装置
110…処理装置
111…使い方クラスタ生成部
112…使い方遷移モデル生成部
113…使い方判定部
114…使い方遷移先推定部
115…推薦情報決定部
120…操作履歴情報記憶装置
121…ユーザの操作履歴情報
130…クラスタリング結果記憶装置
131…ユーザ群
140…遷移モデル記憶装置
141…使い方遷移モデル
110…処理装置
111…使い方クラスタ生成部
112…使い方遷移モデル生成部
113…使い方判定部
114…使い方遷移先推定部
115…推薦情報決定部
120…操作履歴情報記憶装置
121…ユーザの操作履歴情報
130…クラスタリング結果記憶装置
131…ユーザ群
140…遷移モデル記憶装置
141…使い方遷移モデル
Claims (45)
- 複数の第1のユーザの端末装置に対する操作履歴情報に基づいて、該操作履歴情報から算出される使い方の特徴を表す特徴量が似ているユーザ同士からなる複数のユーザ群を生成する使い方クラスタ生成手段と、複数の第2のユーザの端末装置に対する操作履歴情報のそれぞれを時間で分割した各分割区間の操作履歴情報毎に、該操作履歴情報から算出される使い方の特徴を表す特徴量が前記複数のユーザ群の使い方の特徴のうちの何れに類似するかを分析し、該分析結果に基づいて前記ユーザ群間の遷移関係を表す遷移モデルを生成する使い方遷移モデル生成手段とを備えることを特徴とするユーザモデル処理装置。
- 前記使い方クラスタ生成手段は、複数の前記第1のユーザの操作履歴情報から使い方の特徴を表す特徴量ベクトルを算出し、該算出した特徴量ベクトルをクラスタリングすることにより、似た使い方のユーザ同士からなる複数のユーザ群を生成することを特徴とする請求項1に記載のユーザモデル処理装置。
- 前記使い方遷移モデル生成手段が生成する前記遷移モデルは、前記ユーザ群間の遷移を経過時間に対する条件付確率で表現したモデルであることを特徴とする請求項1または2に記載のユーザモデル処理装置。
- 前記使い方遷移モデル生成手段が生成する前記遷移モデルは、前記ユーザ群間の遷移を行動に対する条件付確率で表現したモデルであることを特徴とする請求項1または2に記載のユーザモデル処理装置。
- 分析対象ユーザの端末装置に対する操作履歴情報に現れるような使い方の特徴を持つユーザが前記複数のユーザ群の何れに分類されるかを判定する使い方判定手段と、該使い方判定手段で判定されたユーザ群が次にどのユーザ群に遷移するかを前記遷移モデルから推定する使い方遷移先推定手段とを備えることを特徴とする請求項1乃至4の何れか1項に記載のユーザモデル処理装置。
- 複数の第1のユーザの端末装置に対する操作履歴情報に基づいて生成された、該操作履歴情報から算出される使い方の特徴を表す特徴量が似ているユーザ同士からなる複数のユーザ群を記憶するクラスタリング結果記憶手段と、複数の第2のユーザの端末装置に対する操作履歴情報のそれぞれを分割した各分割区間の操作履歴情報毎に、該操作履歴情報から算出される使い方の特徴を表す特徴量が前記複数のユーザ群の使い方特徴のうちの何れに類似するかを分析した結果に基づいて生成された、前記ユーザ群間の遷移関係を表す遷移モデルを記憶する遷移モデル記憶手段と、分析対象ユーザの端末装置に対する操作履歴情報に現れるような使い方の特徴を持つユーザが前記複数のユーザ群の何れに分類されるかを判定する使い方判定手段と、該使い方判定手段で判定されたユーザ群が次にどのユーザ群に遷移するかを前記遷移モデルから推定する使い方遷移先推定手段とを備えることを特徴とするユーザモデル処理装置。
- 前記使い方判定手段は、分析対象ユーザの端末装置に対する操作履歴情報から使い方の特徴を表す特徴量ベクトルを算出し、該算出した特徴量ベクトルと前記複数のユーザ群の特徴量ベクトルとの距離を計算し、最も距離の近いユーザ群を判定結果とすることを特徴とする請求項5または6に記載のユーザモデル処理装置。
- 前記使い方遷移先推定手段は、遷移する確率が最も高い遷移先のユーザ群を推定結果とすることを特徴とする請求項5、6または7に記載のユーザモデル処理装置。
- 前記使い方遷移先推定手段は、遷移する確率が閾値以上の遷移先のユーザ群のうちから所定の条件を満足する1つのユーザ群を推定結果として選択することを特徴とする請求項5、6または7に記載のユーザモデル処理装置。
- 前記所定の条件が、前記端末装置をより良く使いこなしているという条件であることを特徴とする請求項9に記載のユーザモデル処理装置。
- 前記使い方遷移先推定手段は、前記複数のユーザ群毎に、そのユーザ群の生成に用いた操作履歴情報に基づいて習熟度の度合いを示す評価値を計算し、遷移する確率が閾値以上の遷移先のユーザ群のうち、前記評価値の最も大きなユーザ群を推定結果として選択することを特徴とする請求項10に記載のユーザモデル処理装置。
- 前記使い方遷移先推定手段は、前記複数のユーザ群毎に、そのユーザ群の生成に用いた操作履歴情報と関連付けられて記憶されたユーザからのフィードバック情報に基づいてユーザの満足度の度合いを示す評価値を計算し、遷移する確率が閾値以上の遷移先のユーザ群のうち、前記評価値の最も大きなユーザ群を推定結果として選択することを特徴とする請求項10に記載のユーザモデル処理装置。
- 前記使い方遷移先推定手段の推定結果が示す使い方遷移先のユーザ群に適する推薦情報を決定して出力する推薦情報決定手段を備えることを特徴とする請求項5乃至12の何れか1項に記載のユーザモデル処理装置。
- 前記推薦情報は、使い方遷移先のユーザ群で利用されているアプリケーションの全部または一部を推薦する情報であることを特徴とする請求項13に記載のユーザモデル処理装置。
- 前記分析対象ユーザが使用する前記端末装置に設けられ、前記推薦情報決定手段で決定された推薦情報を表示する推薦情報表示手段を備えることを特徴とする請求項13または14に記載のユーザモデル処理装置。
- a)使い方クラスタ生成手段が、複数の第1のユーザの端末装置に対する操作履歴情報に基づいて、該操作履歴情報から算出される使い方の特徴を表す特徴量が似ているユーザ同士からなる複数のユーザ群を生成する使い方クラスタ生成ステップと、
b)使い方遷移モデル生成手段が、複数の第2のユーザの端末装置に対する操作履歴情報のそれぞれを時間で分割した各分割区間の操作履歴情報毎に、該操作履歴情報から算出される使い方の特徴を表す特徴量が前記複数のユーザ群の使い方の特徴のうちの何れに類似するかを分析し、該分析結果に基づいて前記ユーザ群間の遷移関係を表す遷移モデルを生成する使い方遷移モデル生成ステップと、
を含むことを特徴とするユーザモデル処理方法。 - 前記使い方クラスタ生成ステップaでは、前記使い方クラスタ生成手段が、複数の前記第1のユーザの操作履歴情報から使い方の特徴を表す特徴量ベクトルを算出し、該算出した特徴量ベクトルをクラスタリングすることにより、似た使い方のユーザ同士からなる複数のユーザ群を生成することを特徴とする請求項16に記載のユーザモデル処理方法。
- 前記使い方遷移モデル生成ステップbで生成する前記遷移モデルは、前記ユーザ群間の遷移を経過時間に対する条件付確率で表現したモデルであることを特徴とする請求項16または17に記載のユーザモデル処理方法。
- 前記使い方遷移モデル生成ステップbで生成する前記遷移モデルは、前記ユーザ群間の遷移を行動に対する条件付確率で表現したモデルであることを特徴とする請求項16または17に記載のユーザモデル処理方法。
- c)使い方判定手段が、分析対象ユーザの端末装置に対する操作履歴情報に現れるような使い方の特徴を持つユーザが前記複数のユーザ群の何れに分類されるかを判定する使い方判定ステップと、
d)使い方遷移先推定手段が、前記使い方判定ステップaで判定されたユーザ群が次にどのユーザ群に遷移するかを前記遷移モデルから推定する使い方遷移先推定ステップと、
をさらに含むことを特徴とする請求項16乃至19の何れか1項に記載のユーザモデル処理方法。 - c)使い方判定手段が、複数の第1のユーザの端末装置に対する操作履歴情報に基づいて生成された、該操作履歴情報から算出される使い方の特徴を表す特徴量が似ているユーザ同士からなる複数のユーザ群を記憶するクラスタリング結果記憶手段を参照して、分析対象ユーザの端末装置に対する操作履歴情報に現れるような使い方の特徴を持つユーザが前記複数のユーザ群の何れに分類されるかを判定する使い方判定ステップと、
d)使い方遷移先推定手段が、前記端末装置に対する複数の第2のユーザの操作履歴情報のそれぞれを複数の区間に分割した各分割区間の操作履歴情報毎に、当該操作履歴情報に現れるような使い方の特徴を持つユーザが、前記複数のユーザ群の何れに分類されるかを分析して結果に基づいて生成された、前記ユーザ群間の遷移関係を表す遷移モデルを記憶する遷移モデル記憶手段を参照して、前記使い方判定ステップで判定されたユーザ群が次にどのユーザ群に遷移するかを前記遷移モデルから推定する使い方遷移先推定ステップとを含むことを特徴とするユーザモデル処理方法。 - 前記使い方判定ステップcでは、前記使い方判定手段が、分析対象ユーザの端末装置に対する操作履歴情報から使い方の特徴を表す特徴量ベクトルを算出し、該算出した特徴量ベクトルと前記複数のユーザ群の特徴量ベクトルとの距離を計算し、最も距離の近いユーザ群を判定結果とすることを特徴とする請求項20または21に記載のユーザモデル処理方法。
- 前記使い方遷移先推定ステップdでは、前記使い方遷移先推定手段が、遷移する確率が最も高い遷移先のユーザ群を推定結果とすることを特徴とする請求項20、21または22に記載のユーザモデル処理方法。
- 前記使い方遷移先推定ステップdでは、前記使い方遷移先推定手段が、遷移する確率が閾値以上の遷移先のユーザ群のうちから所定の条件を満足する1つのユーザ群を推定結果として選択することを特徴とする請求項20、21または22に記載のユーザモデル処理方法。
- 前記所定の条件が、前記端末装置をより良く使いこなしているという条件であることを特徴とする請求項24に記載のユーザモデル処理方法。
- 前記使い方遷移先推定ステップdでは、前記使い方遷移先推定手段が、前記複数のユーザ群毎に、そのユーザ群の生成に用いた操作履歴情報に基づいて習熟度の度合いを示す評価値を計算し、遷移する確率が閾値以上の遷移先のユーザ群のうち、前記評価値の最も大きなユーザ群を推定結果として選択することを特徴とする請求項25に記載のユーザモデル処理方法。
- 前記使い方遷移先推定ステップdでは、前記複数のユーザ群毎に、そのユーザ群の生成に用いた操作履歴情報と関連付けられて記憶されたユーザからのフィードバック情報に基づいてユーザの満足度の度合いを示す評価値を計算し、遷移する確率が閾値以上の遷移先のユーザ群のうち、前記評価値の最も大きなユーザ群を推定結果として選択することを特徴とする請求項25に記載のユーザモデル処理方法。
- e)推薦情報決定手段が、前記使い方遷移先推定ステップdの推定結果が示す使い方遷移先のユーザ群に適する推薦情報を決定して出力する推薦情報決定ステップを、
さらに含むことを特徴とする請求項20乃至27の何れか1項に記載のユーザモデル処理方法。 - 前記推薦情報は、使い方遷移先のユーザ群で利用されているアプリケーションの全部または一部を推薦する情報であることを特徴とする請求項28に記載のユーザモデル処理方法。
- f)前記分析対象ユーザが使用する前記端末装置に設けられた推薦情報表示手段が、前記推薦情報決定ステップeで決定された推薦情報を表示する推薦情報表示ステップを、さらに含むことを特徴とする請求項28または29に記載のユーザモデル処理方法。
- コンピュータを、
複数の第1のユーザの端末装置に対する操作履歴情報に基づいて、該操作履歴情報から算出される使い方の特徴を表す特徴量が似ているユーザ同士からなる複数のユーザ群を生成する使い方クラスタ生成手段と、
複数の第2のユーザの端末装置に対する操作履歴情報のそれぞれを時間で分割した各分割区間の操作履歴情報毎に、該操作履歴情報から算出される使い方の特徴を表す特徴量が前記複数のユーザ群の使い方の特徴のうちの何れに類似するかを分析し、該分析結果に基づいて前記ユーザ群間の遷移関係を表す遷移モデルを生成する使い方遷移モデル生成手段と、
して機能させるためのプログラムが格納された記録媒体。 - 前記使い方クラスタ生成手段は、複数の前記第1のユーザの操作履歴情報から使い方の特徴を表す特徴量ベクトルを算出し、該算出した特徴量ベクトルをクラスタリングすることにより、似た使い方のユーザ同士からなる複数のユーザ群を生成することを特徴とする請求項31に記載のプログラムが格納された記録媒体。
- 前記使い方遷移モデル生成手段が生成する前記遷移モデルは、前記ユーザ群間の遷移を経過時間に対する条件付確率で表現したモデルであることを特徴とする請求項31または32に記載のプログラムが格納された記録媒体。
- 前記使い方遷移モデル生成手段が生成する前記遷移モデルは、前記ユーザ群間の遷移を行動に対する条件付確率で表現したモデルであることを特徴とする請求項31または32に記載のプログラムが格納された記録媒体。
- 前記コンピュータを、さらに、
分析対象ユーザの端末装置に対する操作履歴情報に現れるような使い方の特徴を持つユーザが前記複数のユーザ群の何れに分類されるかを判定する使い方判定手段と、
該使い方判定手段で判定されたユーザ群が次にどのユーザ群に遷移するかを前記遷移モデルから推定する使い方遷移先推定手段と、
して機能させるための請求項31乃至34の何れか1項に記載のプログラムが格納された記録媒体。 - 複数の第1のユーザの端末装置に対する操作履歴情報に基づいて生成された、該操作履歴情報から算出される使い方の特徴を表す特徴量が似ているユーザ同士からなる複数のユーザ群を記憶するクラスタリング結果記憶手段と、複数の第2のユーザの端末装置に対する操作履歴情報のそれぞれを分割した各分割区間の操作履歴情報毎に、該操作履歴情報から算出される使い方の特徴を表す特徴量が前記複数のユーザ群の使い方特徴のうちの何れに類似するかを分析した結果に基づいて生成された、前記ユーザ群間の遷移関係を表す遷移モデルを記憶する遷移モデル記憶手段とを有するコンピュータを、
分析対象ユーザの端末装置に対する操作履歴情報に現れるような使い方の特徴を持つユーザが前記複数のユーザ群の何れに分類されるかを判定する使い方判定手段と、
該使い方判定手段で判定されたユーザ群が次にどのユーザ群に遷移するかを前記遷移モデルから推定する使い方遷移先推定手段と、
して機能させるためのプログラムが格納された記録媒体。 - 前記使い方判定手段は、分析対象ユーザの端末装置に対する操作履歴情報から使い方の特徴を表す特徴量ベクトルを算出し、該算出した特徴量ベクトルと前記複数のユーザ群の特徴量ベクトルとの距離を計算し、最も距離の近いユーザ群を判定結果とすることを特徴とする請求項35または36に記載のプログラムが格納された記録媒体。
- 前記使い方遷移先推定手段は、遷移する確率が最も高い遷移先のユーザ群を推定結果とすることを特徴とする請求項35、36または37に記載のプログラムが格納された記録媒体。
- 前記使い方遷移先推定手段は、遷移する確率が閾値以上の遷移先のユーザ群のうちから所定の条件を満足する1つのユーザ群を推定結果として選択することを特徴とする請求項35、36または37に記載のプログラムが格納された記録媒体。
- 前記所定の条件が、前記端末装置をより良く使いこなしているという条件であることを特徴とする請求項39に記載のプログラムが格納された記録媒体。
- 前記使い方遷移先推定手段は、前記複数のユーザ群毎に、そのユーザ群の生成に用いた操作履歴情報に基づいて習熟度の度合いを示す評価値を計算し、遷移する確率が閾値以上の遷移先のユーザ群のうち、前記評価値の最も大きなユーザ群を推定結果として選択することを特徴とする請求項40に記載のプログラムが格納された記録媒体。
- 前記使い方遷移先推定手段は、前記複数のユーザ群毎に、そのユーザ群の生成に用いた操作履歴情報と関連付けられて記憶されたユーザからのフィードバック情報に基づいてユーザの満足度の度合いを示す評価値を計算し、遷移する確率が閾値以上の遷移先のユーザ群のうち、前記評価値の最も大きなユーザ群を推定結果として選択することを特徴とする請求項40に記載のプログラムが格納された記録媒体。
- 前記コンピュータを、さらに、
前記使い方遷移先推定手段の推定結果が示す使い方遷移先のユーザ群に適する推薦情報を決定して出力する推薦情報決定手段として機能させるための請求項35乃至42の何れか1項に記載のプログラムが格納された記録媒体。 - 前記推薦情報は、使い方遷移先のユーザ群で利用されているアプリケーションの全部または一部を推薦する情報であることを特徴とする請求項43に記載のプログラムが格納された記録媒体。
- 前記コンピュータを、さらに、
前記推薦情報決定手段で決定された推薦情報を表示する推薦情報表示手段として機能させるための請求項43または44に記載のプログラムが格納された記録媒体。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2008190655 | 2008-07-24 | ||
JP2008190655 | 2008-07-24 | ||
PCT/JP2009/002548 WO2010010653A1 (ja) | 2008-07-24 | 2009-06-05 | ユーザモデル処理装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
JPWO2010010653A1 true JPWO2010010653A1 (ja) | 2012-01-05 |
Family
ID=41570129
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2010521588A Pending JPWO2010010653A1 (ja) | 2008-07-24 | 2009-06-05 | ユーザモデル処理装置 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20110125700A1 (ja) |
JP (1) | JPWO2010010653A1 (ja) |
WO (1) | WO2010010653A1 (ja) |
Families Citing this family (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8843433B2 (en) | 2011-03-29 | 2014-09-23 | Manyworlds, Inc. | Integrated search and adaptive discovery system and method |
US8645292B2 (en) | 2011-03-29 | 2014-02-04 | Manyworlds, Inc. | Serendipitous recommendations system and method |
US8600926B2 (en) | 2011-03-29 | 2013-12-03 | Manyworlds, Inc. | Integrated interest and expertise-based discovery system and method |
CN102891916B (zh) * | 2011-07-18 | 2016-01-20 | 中兴通讯股份有限公司 | 一种预测用户操作的方法及移动终端 |
WO2014068855A1 (ja) | 2012-10-31 | 2014-05-08 | パナソニック株式会社 | ユーザ管理方法、サーバ装置およびユーザ管理システム |
US9317415B2 (en) * | 2013-06-03 | 2016-04-19 | Google Inc. | Application analytics reporting |
US9448962B2 (en) | 2013-08-09 | 2016-09-20 | Facebook, Inc. | User experience/user interface based on interaction history |
US10510018B2 (en) | 2013-09-30 | 2019-12-17 | Manyworlds, Inc. | Method, system, and apparatus for selecting syntactical elements from information as a focus of attention and performing actions to reduce uncertainty |
JP6207410B2 (ja) * | 2014-01-24 | 2017-10-04 | Kddi株式会社 | 情報提示装置、情報処理方法およびコンピュータプログラム |
JP6033248B2 (ja) * | 2014-02-27 | 2016-11-30 | 三菱電機ビルテクノサービス株式会社 | ツール分析支援装置及びプログラム |
JP5973051B1 (ja) * | 2015-12-14 | 2016-08-23 | 株式会社リクルートホールディングス | 営業支援システム、その制御方法、及び営業支援用コンピュータプログラム |
US11973841B2 (en) * | 2015-12-29 | 2024-04-30 | Yahoo Ad Tech Llc | System and method for user model based on app behavior |
WO2017123195A1 (en) * | 2016-01-11 | 2017-07-20 | Entit Software Llc | Popularity-based promotion of application features |
US10592995B1 (en) | 2017-01-27 | 2020-03-17 | Intuit Inc. | Methods, systems, and computer program product for providing expense information for an electronic tax return preparation and filing software delivery model |
US11270185B1 (en) | 2017-01-27 | 2022-03-08 | Intuit Inc. | Methods, systems, and computer program product for generating a personalized flow for a software delivery model |
US20220200995A1 (en) * | 2018-06-18 | 2022-06-23 | Element Ai Inc. | Method and server for access verification in an identity and access management system |
US11403718B1 (en) * | 2019-01-23 | 2022-08-02 | Meta Platforms, Inc. | Systems and methods for sensitive data modeling |
KR102501496B1 (ko) * | 2020-06-11 | 2023-02-20 | 라인플러스 주식회사 | 개인화를 통한 연합 학습의 다중 모델 제공 방법, 시스템, 및 컴퓨터 프로그램 |
RU2764383C2 (ru) * | 2020-06-19 | 2022-01-17 | Акционерное общество "Лаборатория Касперского" | Система и способ выбора модели описания пользователя |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05274149A (ja) * | 1992-03-30 | 1993-10-22 | Toshiba Corp | ファジィ制御方法 |
JP2000066789A (ja) * | 1998-08-24 | 2000-03-03 | Sharp Corp | 表示方法、該方法に用いる情報記憶媒体及び表示装置 |
JP4581446B2 (ja) * | 2004-03-22 | 2010-11-17 | ソニー株式会社 | 情報処理装置および方法、並びにプログラム |
US7539654B2 (en) * | 2005-01-21 | 2009-05-26 | International Business Machines Corporation | User interaction management using an ongoing estimate of user interaction skills |
JP4717743B2 (ja) * | 2005-08-23 | 2011-07-06 | 株式会社リコー | 情報処理装置 |
JP2007087188A (ja) * | 2005-09-22 | 2007-04-05 | Fuji Xerox Co Ltd | 機能評価プログラムおよび装置並びに方法 |
US8078560B2 (en) * | 2006-06-13 | 2011-12-13 | Panasonic Corporation | Operation check information providing device and electronic device using the same |
JP2008243088A (ja) * | 2007-03-28 | 2008-10-09 | Toshiba Corp | 機能習得度管理装置、機能習得度計算方法及び機能推薦方法 |
JP4998214B2 (ja) * | 2007-11-02 | 2012-08-15 | ソニー株式会社 | 情報提示システム、情報信号処理装置、情報信号処理方法及び記録媒体 |
-
2009
- 2009-06-05 WO PCT/JP2009/002548 patent/WO2010010653A1/ja active Application Filing
- 2009-06-05 US US13/054,705 patent/US20110125700A1/en not_active Abandoned
- 2009-06-05 JP JP2010521588A patent/JPWO2010010653A1/ja active Pending
Also Published As
Publication number | Publication date |
---|---|
US20110125700A1 (en) | 2011-05-26 |
WO2010010653A1 (ja) | 2010-01-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2010010653A1 (ja) | ユーザモデル処理装置 | |
WO2010010654A1 (ja) | 使い方推定装置 | |
CN110297848B (zh) | 基于联邦学习的推荐模型训练方法、终端及存储介质 | |
CN109067990B (zh) | 一种应用服务执行方法及装置 | |
CN110162698B (zh) | 一种用户画像数据处理方法、装置及存储介质 | |
KR101634773B1 (ko) | 캘린더를 이용한 스케쥴 관리시스템 및 스케쥴 관리방법 | |
CN108875055B (zh) | 一种答案提供方法及设备 | |
KR101608697B1 (ko) | 애드혹, 동적 모델 구성을 갖는 추천기 시스템 | |
JP5454357B2 (ja) | 情報処理装置および方法、並びに、プログラム | |
JP4434972B2 (ja) | 情報提供システム、情報提供方法及びそのプログラム | |
CN103473291A (zh) | 一种基于隐语义概率模型的个性化服务推荐系统及方法 | |
CN110162359B (zh) | 新手引导信息的推送方法、装置及系统 | |
US20180365709A1 (en) | Personalized creator recommendations | |
CN101990668A (zh) | 推荐信息生成装置和推荐信息生成方法 | |
JP2011203991A (ja) | 情報処理装置、情報処理方法、およびプログラム | |
JP6228151B2 (ja) | 学習装置、学習方法、及び学習プログラム | |
JP5849952B2 (ja) | コミュニケーション支援装置、コミュニケーション支援方法、およびプログラム | |
CN116821475B (zh) | 基于客户数据的视频推荐方法、装置及计算机设备 | |
JP7200069B2 (ja) | 情報処理装置、ベクトル生成方法及びプログラム | |
US11119880B2 (en) | Information processor, information processing method, and non-transitory storage medium | |
JP5849953B2 (ja) | コミュニケーション支援装置、コミュニケーション支援方法、およびプログラム | |
US11093952B2 (en) | Information displaying method, information displaying system, information displaying program, and method for providing information displaying program | |
CN112905937A (zh) | 基于大数据的服务内容更新生成方法及云端计算服务系统 | |
JP5813052B2 (ja) | 情報処理装置、方法及びプログラム | |
CN111368195B (zh) | 一种模型训练方法、装置、设备及存储介质 |