JPWO2010010653A1 - ユーザモデル処理装置 - Google Patents

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。

特開２００６−２０２３２０号公報

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。

本発明の第１の実施の形態のブロック図である。 本発明における操作履歴情報の例を示す図である。 本発明の第１の実施の形態の処理例を示すフローチャートである。 本発明の第１の実施の形態の動作原理の説明図である。 本発明の第２の実施の形態のブロック図である。 本発明の第２の実施の形態の処理例を示すフローチャートである。 本発明の第３の実施の形態のブロック図である。 本発明の第３の実施の形態の処理例を示すフローチャートである。 本発明の第３の実施の形態における推薦情報決定部の実施例のブロック図である。 本発明の第４の実施の形態のブロック図である。 本発明の第５の実施の形態のブロック図である。 本発明の第６の実施の形態のブロック図である。 端末装置に対するユーザの使い方の遷移例を示す図である。

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。

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。

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。

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)

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。

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。

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)

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。

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

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)

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。

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。

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。

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。

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。

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

Claims (45)

1. 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。
2. 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。
3. 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。
4. 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。
5. 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。
6. 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。
7. 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。
8. 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。
9. 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。
10. 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。
11. 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。
12. 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。
13. 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。
14. 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。
15. 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。
16. 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。
17. 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。
18. 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。
19. 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。
20. 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。
21. 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。
22. 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。
23. 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。
24. 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。
25. 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。
26. 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。
27. 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。
28. 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。
29. 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。
30. 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。
31. 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。
32. 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。
33. 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。
34. 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。
35. 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。
36. 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。
37. 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。
38. 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。
39. 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。
40. 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。
41. 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。
42. 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。
43. 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。
44. 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。
45. 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。

Images