WO2019188101A1

WO2019188101A1 - 顧客の属性情報を解析する装置、方法、およびプログラム

Info

Publication number: WO2019188101A1
Application number: PCT/JP2019/009183
Authority: WO
Inventors: 増田　宗昭
Original assignee: カルチュア・コンビニエンス・クラブ株式会社
Priority date: 2018-03-27
Filing date: 2019-03-07
Publication date: 2019-10-03
Also published as: EP3779836A1; EP3779836A4; EP3779835A4; EP3779835A1; US20210012359A1; CN111902836A; WO2019188102A1; CN111902837A; US20210012363A1; TW201945959A; TW201946010A

Abstract

複数の対象者のそれぞれについて、複数の属性に対応する複数の属性値を記憶するための属性データベースに接続される属性データベース接続部と、属性データベースを用いて、予測対象である第１予測対象属性の属性値を、複数の属性のうち第１予測対象属性以外の少なくとも１つの属性の属性値に基づいてそれぞれ予測する第１の複数の属性予測モデルを生成する属性予測モデル生成部と、第１の複数の属性予測モデルのそれぞれの予測誤差に基づいて、第１予測対象属性の属性値の予測に用いる第１属性予測モデルを選択する属性予測モデル選択部とを備える装置を提供する。

Description

顧客の属性情報を解析する装置、方法、およびプログラム

　本発明は、顧客の属性情報を解析する装置、方法、およびプログラムに関する。

　従来、顧客に関するデータを蒐集して解析するシステムが知られている（例えば、特許文献１参照）。このようなシステムで解析されたデータは、顧客へのレコメンド、および市場調査等に用いられる。
　特許文献１　特開２０１５－７６０７６号公報

解決しようとする課題

　近年、顧客に関するデータを解析して活用することへの期待は益々高まっており、データ解析の精度・効率を更に高めていくことが望まれている。

一般的開示

　本発明の第１の態様においては、装置を提供する。装置は、複数の対象者のそれぞれについて、複数の属性に対応する複数の属性値を記憶するための属性データベースに接続される属性データベース接続部を備えてよい。装置は、属性データベースを用いて、予測対象である第１予測対象属性の属性値を、複数の属性のうち第１予測対象属性以外の少なくとも１つの属性の属性値に基づいてそれぞれ予測する第１の複数の属性予測モデルを生成する属性予測モデル生成部を備えてよい。装置は、第１の複数の属性予測モデルのそれぞれの予測誤差に基づいて、第１予測対象属性の属性値の予測に用いる第１属性予測モデルを選択する属性予測モデル選択部を備えてよい。

　装置は、属性データベースから、複数の対象者のうち一部の対象者をサンプリングするサンプリング部を更に備えてよい。属性予測モデル生成部は、サンプリングされた一部の対象者に対応付けられた属性値を用いて、第１の複数の属性予測モデルを生成してよい。

　装置は、属性データベースに記憶された、複数の対象者のそれぞれの複数の属性値に基づいて、複数の属性の次元を縮約する次元縮約部を備えてよい。属性予測モデル生成部は、次元縮約された複数の属性のうち少なくとも１つの属性の属性値から第１予測対象属性の属性値を予測してよい。

　属性予測モデル選択部は、第１予測対象属性の属性値の予測に用いる第１属性予測モデル、および第２予測対象属性の属性値の予測に用いる第２属性予測モデルとして、異なる属性予測モデルを選択可能としてよい。

　属性予測モデル生成部は、第１の複数の属性予測モデルのそれぞれにおける学習可能なパラメータを学習させてよい。

　第１の複数の属性予測モデルのそれぞれは、学習によって更新されないハイパーパラメータおよび予測アルゴリズムの少なくとも１つが他の属性予測モデルと異なってよい。

　装置は、第１属性予測モデルを用いて、複数の対象者のそれぞれについて第１予測対象属性の属性値を予測する属性予測部を備えてよい。

　装置は、複数の対象者のうち一の対象者について第１予測対象属性の属性値が既知である場合において、第１予測対象属性の予測値が既知の属性値から基準以上乖離していることに応じて、第１予測対象属性の予測値を既知の属性値に基づいて更新する属性予測値更新部を備えてよい。

　属性予測モデル生成部は、予測対象である第２予測対象属性の属性値を、第１予測対象属性の予測値を用いて予測する第２の複数の属性予測モデルを生成してよい。属性予測モデル選択部は、第２の複数の属性予測モデルのそれぞれの予測誤差に基づいて、第２予測対象属性の属性値の予測に用いる第２属性予測モデルを更に選択してよい。属性予測部は、第２属性予測モデルを用いて、複数の対象者のそれぞれについて第２予測対象属性を更に予測してよい。

　属性予測部は、複数の対象者のそれぞれについて、第１予測対象属性の属性値が既知であることを条件として既知の属性値を用いて対象者の第２予測対象属性の予測値を予測し、第１予測対象属性の属性値が未知であることを条件として第１予測対象属性の属性値を用いて対象者の第２予測対象属性の予測値を予測してよい。

　装置は、第１予測対象属性の予測値の予測の確からしさが閾値以上であることを条件として第１予測対象属性の予測値に基づいて第１予測対象属性の属性値を更新する属性値更新部を備えてよい。

　２以上の予測対象属性の間に循環依存が存在することに応じて、属性予測部は、２以上の予測対象属性のそれぞれの予測に用いる他の予測対象属性の予測の確からしさ、および２以上の予測対象属性のそれぞれに対する他の予測対象属性の寄与度の少なくとも１つに基づいて、２以上の予測対象属性の予測順序を決定してよい。

　属性予測部は、２以上の予測対象属性のそれぞれについて、他の予測対象属性の予測の不確からしさおよび他の予測対象属性の寄与度の積和に基づいて、２以上の予測対象属性の予測値の予測順序を決定してよい。

　第１予測対象属性は、第１予測対象属性に対応付けられた商品またはサービスに対する対象者の嗜好性を示す嗜好属性であってよい。

　装置は、第１予測対象属性の属性値に基づいて、第１予測対象属性に対応付けられた商品またはサービスを対象者にレコメンドするか否かを選択するレコメンド処理部を備えてよい。

　装置は、予め定められた期間が経過したことに応じて、第１属性予測モデルの更新を指示するモデル更新指示部を備えてよい。

　装置は、複数の対象者の少なくとも一部について、属性データベースに追加すべき追加属性の既知の属性値を示す既知情報を取得する既知情報取得部を備えてよい。装置は、属性データベースの複数の属性に、追加属性を追加する属性追加部を備えてよい。属性予測モデル生成部は、追加属性を予測対象属性として複数の属性予測モデルを生成してよい。属性予測モデル選択部は、複数の属性予測モデルのそれぞれの予測誤差に基づいて、予測対象属性の属性値の予測に用いる属性予測モデルを選択してよい。

　既知情報は、複数の対象者の少なくとも一部のそれぞれについて、追加属性の有無を示してよい。

　本発明の第２の態様においては、方法を提供する。方法においては、コンピュータが、複数の対象者のそれぞれについて、複数の属性に対応する複数の属性値を記憶するための属性データベースを用いて、予測対象である第１予測対象属性の属性値を、複数の属性のうち第１予測対象属性以外の少なくとも１つの属性の属性値に基づいてそれぞれ予測する第１の複数の属性予測モデルを生成してよい。方法においては、コンピュータが、第１の複数の属性予測モデルのそれぞれの予測誤差に基づいて、第１予測対象属性の属性値の予測に用いる第１属性予測モデルを選択してよい。

　方法においては、コンピュータが、属性データベースから、複数の対象者のうち一部の対象者をサンプリングしてよい。属性予測モデルの生成において、コンピュータが、サンプリングされた一部の対象者に対応付けられた属性値を用いて、第１の複数の属性予測モデルを生成してよい。

　方法においては、コンピュータが、属性データベースに記憶された、複数の対象者のそれぞれの複数の属性値に基づいて、複数の属性の次元を縮約してよい。属性予測モデルの生成において、コンピュータが、次元縮約された複数の属性のうち少なくとも１つの属性の属性値から第１予測対象属性の属性値を予測してよい。

　属性予測モデルの選択において、コンピュータが、第１予測対象属性の属性値の予測に用いる第１属性予測モデル、および第２予測対象属性の属性値の予測に用いる第２属性予測モデルとして、異なる属性予測モデルを選択可能としてよい。

　属性予測モデルの生成において、コンピュータが、第１の複数の属性予測モデルのそれぞれにおける学習可能なパラメータを学習させてよい。

　方法においては、コンピュータが、第１属性予測モデルを用いて、複数の対象者のそれぞれについて第１予測対象属性の属性値を予測してよい。

　方法においては、コンピュータが、複数の対象者のうち一の対象者について第１予測対象属性の属性値が既知である場合において、第１予測対象属性の予測値が既知の属性値から基準以上乖離していることに応じて、第１予測対象属性の予測値を既知の属性値に基づいて更新してもよい。

　属性予測モデルの生成において、コンピュータが、予測対象である第２予測対象属性の属性値を、第１予測対象属性の予測値を用いて予測する第２の複数の属性予測モデルを生成してよい。属性予測モデルの選択において、コンピュータが、第２の複数の属性予測モデルのそれぞれの予測誤差に基づいて、第２予測対象属性の属性値の予測に用いる第２属性予測モデルを更に選択してよい。属性値の予測において、コンピュータが、第２属性予測モデルを用いて、複数の対象者のそれぞれについて第２予測対象属性を更に予測してよい。

　属性値の予測において、コンピュータが、複数の対象者のそれぞれについて、第１予測対象属性の属性値が既知であることを条件として既知の属性値を用いて対象者の第２予測対象属性の予測値を予測し、第１予測対象属性の属性値が未知であることを条件として第１予測対象属性の属性値を用いて対象者の第２予測対象属性の予測値を予測してよい。

　方法においては、コンピュータが、第１予測対象属性の予測値の予測の確からしさが閾値以上であることを条件として第１予測対象属性の予測値に基づいて第１予測対象属性の属性値を更新してよい。

　属性値の予測において、コンピュータが、２以上の予測対象属性の間に循環依存が存在することに応じて、２以上の予測対象属性のそれぞれの予測に用いる他の予測対象属性の予測の確からしさ、および２以上の予測対象属性のそれぞれに対する他の予測対象属性の寄与度の少なくとも１つに基づいて、２以上の予測対象属性の予測順序を決定してもよい。

　属性値の予測において、コンピュータが、２以上の予測対象属性のそれぞれについて、他の予測対象属性の予測の不確からしさおよび他の予測対象属性の寄与度の積和に基づいて、２以上の予測対象属性の予測値の予測順序を決定してよい。

　方法においては、コンピュータが、第１予測対象属性の属性値に基づいて、第１予測対象属性に対応付けられた商品またはサービスを対象者にレコメンドするか否かを選択してよい。

　方法においては、コンピュータが、予め定められた期間が経過したことに応じて、第１属性予測モデルの更新を指示してよい。

　方法においては、コンピュータが、複数の対象者の少なくとも一部について、属性データベースに追加すべき追加属性の既知の属性値を示す既知情報を取得してよい。方法においては、コンピュータが、属性データベースの複数の属性に、追加属性を追加してよい。属性予測モデルの生成において、コンピュータが、追加属性を予測対象属性として複数の属性予測モデルを生成してよい。記属性予測モデルの選択において、コンピュータが、複数の属性予測モデルのそれぞれの予測誤差に基づいて、予測対象属性の属性値の予測に用いる属性予測モデルを選択してよい。

　本発明の第３の態様においては、コンピュータにより実行されるプログラムを提供する。プログラムは、コンピュータを、複数の対象者のそれぞれについて、複数の属性に対応する複数の属性値を記憶するための属性データベースに接続される属性データベース接続部として機能させてよい。プログラムは、コンピュータを、属性データベースを用いて、予測対象である第１予測対象属性の属性値を、複数の属性のうち第１予測対象属性以外の少なくとも１つの属性の属性値に基づいてそれぞれ予測する第１の複数の属性予測モデルを生成する属性予測モデル生成部として機能させてよい。プログラムは、コンピュータを、第１の複数の属性予測モデルのそれぞれの予測誤差に基づいて、第１予測対象属性の属性値の予測に用いる第１属性予測モデルを選択する属性予測モデル選択部として機能させてよい。

　プログラムは、コンピュータを、属性データベースから、複数の対象者のうち一部の対象者をサンプリングするサンプリング部として機能させてよい。属性予測モデル生成部は、サンプリングされた一部の対象者に対応付けられた属性値を用いて、第１の複数の属性予測モデルを生成してよい。

　プログラムは、コンピュータを、属性データベースに記憶された、複数の対象者のそれぞれの複数の属性値に基づいて、複数の属性の次元を縮約する次元縮約部として機能させてよい。属性予測モデル生成部は、次元縮約された複数の属性のうち少なくとも１つの属性の属性値から第１予測対象属性の属性値を予測してよい。

　プログラムは、コンピュータを、第１属性予測モデルを用いて、複数の対象者のそれぞれについて第１予測対象属性の属性値を予測する属性予測部として機能させてよい。

　プログラムは、コンピュータを、複数の対象者のうち一の対象者について第１予測対象属性の属性値が既知である場合において、第１予測対象属性の予測値が既知の属性値から基準以上乖離していることに応じて、第１予測対象属性の予測値を既知の属性値に基づいて更新する属性予測値更新部として機能させてよい。

　プログラムは、コンピュータを、第１予測対象属性の予測値の予測の確からしさが閾値以上であることを条件として第１予測対象属性の予測値に基づいて第１予測対象属性の属性値を更新する属性値更新部として機能させてよい。

　プログラムは、コンピュータを、第１予測対象属性の属性値に基づいて、第１予測対象属性に対応付けられた商品またはサービスを対象者にレコメンドするか否かを選択するレコメンド処理部として機能させてよい。

　プログラムは、コンピュータを、予め定められた期間が経過したことに応じて、第１属性予測モデルの更新を指示するモデル更新指示部として機能させてよい。

　プログラムは、コンピュータを、複数の対象者の少なくとも一部について、属性データベースに追加すべき追加属性の既知の属性値を示す既知情報を取得する既知情報取得部として機能させてよい。プログラムは、コンピュータを、属性データベースの複数の属性に、追加属性を追加する属性追加部として機能させてよい。属性予測モデル生成部は、追加属性を予測対象属性として複数の属性予測モデルを生成してよい。属性予測モデル選択部は、複数の属性予測モデルのそれぞれの予測誤差に基づいて、予測対象属性の属性値の予測に用いる属性予測モデルを選択してよい。

　なお、上記の発明の概要は、本発明の必要な特徴の全てを列挙したものではない。また、これらの特徴群のサブコンビネーションもまた、発明となりうる。

本実施形態に係るシステム１００の構成を端末１１２、端末１５２、および端末１９２と共に示す。本実施形態に係る属性ＤＢ１２２および属性ＤＢ１６７に格納されるデータ構造の一例を示す。本実施形態に係る予測モデル生成装置１５０の動作フローを示す。本実施形態に係る属性予測モデル生成部１８０が生成する属性予測モデルの評価結果の一例を示す。本実施形態に係る属性予測モデル選択部１８５が生成する属性予測モデルの選択結果の一例を示す。本実施形態に係る属性予測装置１１０における属性情報取得フローを示す。本実施形態に係る属性予測装置１１０における属性予測フローを示す。予測対象属性の依存関係の一例を示す。本実施形態に係るシステム１００における属性追加フローを示す。本実施形態に係るコンピュータ１９００の構成の一例を示す。

　以下、発明の実施の形態を通じて本発明を説明するが、以下の実施形態は請求の範囲にかかる発明を限定するものではない。また、実施形態の中で説明されている特徴の組み合わせの全てが発明の解決手段に必須であるとは限らない。

　図１は、本実施形態に係るシステム１００の構成を端末１１２、端末１５２、および端末１９２と共に示す。システム１００は、ポイントサービス等の加入者または会員等である各対象者の属性データ（「属性情報」とも示す。）を属性データベース（属性ＤＢ）に登録して管理する。システム１００は、属性ＤＢにおける、属性データを取得していない属性を主に予測する属性予測モデルを生成して、属性値を予測する。そして、システム１００は、予測した属性値を含む属性ＤＢを、商品またはサービス（以下「商品等」と総称する。）のレコメンドおよび市場調査等に活用可能とする。

　システム１００は、属性予測装置１１０と、予測モデル生成装置１５０と、レコメンド処理装置１９０とを備える。システム１００は、サーバ・コンピュータ等のコンピュータにより実現されてもよく、複数のコンピュータで実現されたシステムであってもよく、地域的に分散された複数のコンピュータで実現された分散システムであってもよい。システム１００は、１事業者が提供するポイントシステム、複数の事業者にわたる共通の共通ポイントシステム、クレジットカード、電子マネー、およびその他の任意の会員サービスにおける各会員等の対象者の属性情報を管理する。

　属性予測装置１１０は、対象者の属性情報を入力して登録し、登録された属性情報に基づいて主に未知の属性情報を予測する。本実施形態に係る属性予測装置１１０は、複数の対象者間の属性値を、属性情報が既知であるか未知であるかに関わらず比較可能とするために、属性情報が既知の対象者についてもその属性情報を予測する。属性予測装置１１０は、属性情報取得部１１５と、属性ＤＢ接続部１２０と、属性ＤＢ１２２と、次元縮約部１２５と、縮約ＤＢ接続部１３０と、縮約ＤＢ１３２と、属性予測部１３５と、属性値更新部１４０と、属性予測値更新部１４２とを有する。

　属性情報取得部１１５は、対象者の属性情報を取得して、属性ＤＢ接続部１２０を介して属性ＤＢ１２２に格納する。対象者の属性情報のソースは、一例として、新規会員登録の際に対象者が必須または任意で記入または入力する情報、会員アンケートに対する対象者の回答、店舗等において対象者が商品等を購入したことに応じた決済情報、電子商取引サイトにおいて対象者が商品等を購入したことに応じた決済情報、対象者がアクセスしたＷｅｂサイトの情報、対象者がＷｅｂサイト上でクリックしたインターネット広告（Ｗｅｂ広告）の情報、および、対象者が視聴したテレビ番組の情報等の少なくとも１つであってよく、対象者の同意を受けて提供される。属性情報取得部１１５は、定期的等の任意のタイミングで属性ＤＢ接続部１２０を介して属性ＤＢ１２２をアクセスし、少なくとも１つの属性に対する属性値が未知の対象者を検索して、Ｗｅｂサイト等を介して会員アンケートを行うこと等によって、能動的に未知の属性値を蒐集してもよい。

　属性ＤＢ接続部１２０は、属性ＤＢ１２２に接続され、システム１００内の各部から属性ＤＢ１２２に対するアクセスを処理する。属性ＤＢ１２２は、複数の対象者のそれぞれについて、複数の属性に対応する複数の属性値を含む属性情報を記憶する。属性ＤＢ１２２は、システム１００の処理を行うコンピュータに接続されたハードディスクドライブ等の外部記憶装置の少なくとも一部の記憶領域によって実現されてもよく、例えばクラウドストレージサービス等によって提供されるシステム１００の外部の記憶装置によって実現されてもよい。

　次元縮約部１２５は、属性ＤＢ１２２に記憶された、複数の対象者のそれぞれの複数の属性値に基づいて、複数の属性の次元を縮約する。一例として次元縮約部１２５は、トピックモデルを用いて、属性ＤＢ１２２に含まれる各対象者の属性情報が、複数のトピックのそれぞれに該当する程度または確率を表す複数の値を算出する。そして、次元縮約部１２５は、算出した複数の値を、各対象者の属性情報に対して次元縮約用の複数の属性として追加する。これにより、次元縮約部１２５は、対象者の属性情報を構成する多数の属性を、より少ない数となるトピック毎の属性に縮約することができる。これに伴い、次元縮約部１２５は、次元縮約用に追加した複数の属性以外の属性の少なくとも一部または全部を、属性予測モデルの説明変数から除いてもよい。次元縮約部１２５は、属性ＤＢ１２２に対し上記の次元縮約処理を適用して、縮約ＤＢ１３２に変換する。

　縮約ＤＢ接続部１３０は、縮約ＤＢ１３２に接続され、次元縮約部１２５から縮約ＤＢ１３２への書込アクセスおよび属性予測部１３５からの縮約ＤＢ１３２の読出アクセスを処理する。縮約ＤＢ１３２は、複数の対象者のそれぞれについて、次元縮約部１２５により縮約された属性を少なくとも一部に含む、複数の属性に対応する複数の属性値を属性情報として記憶する。縮約ＤＢ１３２も、属性ＤＢ１２２と同様に、システム１００の処理を行うコンピュータに接続された外部記憶装置により実現されてもよく、システム１００の外部のクラウドストレージサービス等により提供される記憶装置によって実現されてもよい。

　属性予測部１３５は、属性ＤＢ１２２における予測対象の１または２以上の属性（「予測対象属性」と示す。）のそれぞれに対して選択された属性予測モデルを予測モデル生成装置１５０から受け取る。そして、属性予測部１３５は、受け取った属性予測モデルを用いて、複数の対象者のそれぞれについて予測対象属性の属性値を予測する。より具体的には、属性予測部１３５は、全対象者または少なくとも一部の対象者のそれぞれについて、予測対象属性毎に、選択された属性予測モデルを実行し、縮約ＤＢ１３２に格納された各対象者の属性情報に基づいて予測対象属性の予測値を算出する。属性予測部１３５は、算出した予測値を属性ＤＢ接続部１２０を介して属性ＤＢ１２２に格納する。

　なお、本実施形態に係る属性ＤＢ１２２は、複数の属性のそれぞれに対応付けて、属性情報取得部１１５が取得した属性情報に基づく既知の属性値、および属性予測部１３５により予測された予測値の両方を広義の属性値として格納する。本実施形態においては、説明の便宜上、属性ＤＢ１２２は、既知の属性値と予測値とを、同じ表現形式を用いて格納するものとする。この場合、属性情報取得部１１５は、取得した属性情報の生データの表現形式を変換し、属性ＤＢ１２２は、表現形式が変換された属性値を、既知の属性値として格納する。例えば、属性情報取得部１１５は、属性情報の生データとして取得した絶対評価の属性値を相対評価の属性値に変換し、属性ＤＢ１２２は、相対評価に変換された属性値を格納してよい。このような例としては、属性ＤＢ１２２が、３５歳等の絶対評価で表された対象者の年齢に代えて、年齢が既知である全対象者の中での相対値（例えば偏差値またはパーセンタイルランキング等）に変換された属性値を格納する場合が挙げられる。別の例としては、属性ＤＢ１２２が、対象者の性別について、男性である確率、または男性である可能性の偏差値等に変換された属性値を格納する場合が挙げられる。ここで、属性ＤＢ１２２が、属性の予測値も変換後の既知の属性値と同様に偏差値、パーセンタイルランキング、または確率等の表現形式で格納することで、既知の属性値と予測値との間で互換性を得ることができる。これにより、システム１００は、属性予測モデルの生成においては既知の属性値を説明変数として使用し、属性予測モデルの使用時においては予測値を説明変数として使用することも可能となる。この結果、属性予測モデルの説明変数となる少なくとも一部の属性について既知の属性値が得られていない対象者についても、属性予測装置１１０は、その属性予測モデルを用いて予測対象属性の属性値を予測することが可能となる。

　なお、属性ＤＢ１２２は、変換前の表現形式で既知の属性値を格納し、変換後の表現形式で予測値を格納する形態等、他の様々な形態で実現し得る。このような場合であっても、システム１００は、既知の属性値に代えて予測値を参照する度に、予測値の表現形式から既知の属性値の表現形式へと変換することで、既知の属性値および予測値を同じ表現形式で格納する場合と同様の動作を実現することが可能となる。また、属性ＤＢ１２２は、表現形式を変換した既知の属性値に加え、属性情報取得部１１５が取得した属性情報の生データも別途格納してもよい。

　属性値更新部１４０は、属性ＤＢ１２２に格納されているある属性の予測値の確からしさが閾値以上であることを条件として、予測値に基づいてその属性の属性値を更新する。これにより、予測値の確度が十分に高い場合には、未取得の属性値を予測値に基づいて設定することができる。

　属性予測値更新部１４２は、属性ＤＢ１２２に格納されているある属性の属性値が既知である場合において、その属性の予測値が既知の属性値から基準以上乖離していることに応じて、その属性の予測値を既知の属性値に基づいて更新する。これにより、一部の対象者について予測値が既知の属性値から大きく外れている場合に、予測値をより正確な値に書き換えることができる。

　また、属性予測装置１１０は、属性データ取得部１４４と属性追加部１４６とを有してもよい。属性データ取得部１４４は、複数の対象者の少なくとも一部について、属性データベースに追加すべき追加属性の既知の属性値を示す既知情報を取得する。例えば、属性データ取得部１４４は、システム１００または属性予測装置１１０のユーザ等から、端末１１２を介して既知情報を受け取る。

　属性追加部１４６は、属性ＤＢ１２２の複数の属性に、追加属性を追加する。属性追加部１４６は、既知情報に含まれる各対象者についての追加属性の既知の属性値を、属性データ取得部１４４が取得した既知情報において示された属性値に基づいて設定する。既知情報において既知の属性値が示されていない対象者については、属性追加部１４６は、既知の属性値を設定しない。

　追加属性が属性ＤＢ１２２に追加されると、システム１００は、追加属性を予測対象属性として処理してよい。すなわち、予測モデル生成装置１５０は、追加属性を予測対象属性として、予測対象属性の属性値を予測する１または複数の属性予測モデルを属性予測モデル生成部１８０により生成してよい。また、予測モデル生成装置１５０は、複数の属性予測モデルを生成した場合に、それぞれの予測誤差に基づいて、予測対象属性の属性値の予測に用いる属性予測モデルを属性予測モデル選択部１８５により選択してよい。

　予測モデル生成装置１５０は、属性ＤＢ１２２において予測対象とする１または２以上の属性のそれぞれを予測する属性予測モデルを生成する。予測モデル生成装置１５０は、モデル更新指示部１５５と、サンプリング部１６０と、属性ＤＢ接続部１６５と、属性ＤＢ１６７と、次元縮約部１７０と、縮約ＤＢ接続部１７５と、縮約ＤＢ１７７と、属性予測モデル生成部１８０と、属性予測モデル選択部１８５とを有する。

　モデル更新指示部１５５は、予め定められた期間が経過したことに応じて、属性予測装置１１０が使用する属性予測モデルの更新を指示する。モデル更新指示部１５５は、例えば、前回属性予測モデルを更新してから１日、１週間、または１ヶ月等といった期間が経過したことに応じて、サンプリング部１６０に対して処理の開始をトリガする等により、属性予測モデルの更新を指示する。これに代えて、モデル更新指示部１５５は、その期間の間に予測モデル生成装置１５０内で既に準備された属性予測モデルを、その期間が経過したことに応じて属性予測装置１１０へと送信することを属性予測モデル選択部１８５に指示してもよい。

　サンプリング部１６０は、属性ＤＢ１２２が属性情報を格納する複数の対象者のうち一部の対象者をサンプリングして、サンプリングした対象者に対応付けて属性ＤＢ１２２に格納されている属性情報を、属性ＤＢ接続部１６５を介して属性ＤＢ１６７に格納またはコピーする。ここで、サンプリング部１６０は、属性ＤＢ１２２に登録されている対象者のうち、予測対象属性の属性値が既知である対象者の中から、属性予測モデルの生成に使用するサンプル数分の対象者を抽出してもよい。これに代えて、サンプリング部１６０は、属性ＤＢ１２２に登録されている対象者の中から、属性予測モデルの生成に使用するサンプル数分の対象者をランダムに抽出してもよい。

　属性ＤＢ接続部１６５は、属性ＤＢ１６７に接続され、予測モデル生成装置１５０内の各部から属性ＤＢ１６７に対するアクセスを処理する。属性ＤＢ１６７は、属性ＤＢ１２２に登録された対象者のうちサンプリング部１６０によりサンプリングされた複数の対象者のそれぞれについて、複数の属性に対応する複数の属性値を含む属性情報を記憶する。属性ＤＢ１６７も、属性ＤＢ１２２と同様に、システム１００の処理を行うコンピュータに接続された外部記憶装置により実現されてもよく、システム１００の外部のクラウドストレージサービス等により提供される記憶装置によって実現されてもよい。

　次元縮約部１７０は、属性ＤＢ１６７に記憶された、複数の対象者のそれぞれの複数の属性値に基づいて、複数の属性の次元を縮約する。次元縮約部１７０は、属性ＤＢ１６７に対して次元縮約部１２５と同様の次元縮約処理を適用して、縮約ＤＢ１７７に変換してもよい。

　縮約ＤＢ接続部１７５は、縮約ＤＢ１７７に接続され、次元縮約部１７０から縮約ＤＢ１７７への書込アクセスおよび属性予測モデル生成部１８０からの縮約ＤＢ１７７の読出アクセスを処理する。縮約ＤＢ１７７は、サンプリング部１６０によりサンプリングされた複数の対象者のそれぞれについて、次元縮約部１７０により縮約された属性を少なくとも一部に含む複数の属性に対応する複数の属性値を有する属性情報を記憶する。縮約ＤＢ１７７も、属性ＤＢ１２２と同様に、システム１００の処理を行うコンピュータに接続された外部記憶装置により実現されてもよく、システム１００の外部のクラウドストレージサービス等により提供される記憶装置によって実現されてもよい。

　属性予測モデル生成部１８０は、属性ＤＢ１６７を用いて、予測対象属性の属性値を、複数の属性のうち予測対象属性以外の少なくとも１つの属性の属性値に基づいてそれぞれ予測する複数の属性予測モデルを生成する。本実施形態に係る属性予測モデル生成部１８０は、属性ＤＢ１６７を参照することにより、属性ＤＢ１２２からサンプリングされた一部の対象者に対応付けられた属性値を用いて、複数の属性予測モデルを生成する。これにより、属性予測モデル生成部１８０は、複数の属性予測モデルのそれぞれを、属性ＤＢ１２２に格納された全対象者の属性情報を用いて生成した場合に必要となる計算量および計算時間を削減することができる。なお、十分な計算能力が確保できる場合には、属性予測モデル生成部１８０は、サンプリングを用いず属性ＤＢ１２２に格納された各対象者の属性情報を用いて複数の属性予測モデルを生成してもよい。

　また、本実施形態において、属性予測モデル生成部１８０は、属性ＤＢ１６７から変換された縮約ＤＢ１７７を参照することにより、属性ＤＢ１６７を間接的に使用してよい。これにより、属性予測モデル生成部１８０は、次元縮約された複数の属性のうち少なくとも１つの属性の属性値から予測対象属性の属性値を予測することができる。ここで次元縮約部１７０が次元縮約用に追加した複数の属性以外の全ての属性または少なくとも一部の属性を属性予測モデルの説明変数から除くことで、属性予測モデル生成部１８０は、次元縮約の結果を効果的に利用して、多数の属性の中から予測対象属性の予測に影響を与えうる一部の属性のみを説明変数として属性予測モデルを生成することができる。この結果、属性予測モデル生成部１８０は、複数の属性予測モデルの生成に必要となる計算量および計算時間を削減することができる。

　以上において、属性予測モデル生成部１８０は、複数の予測対象属性のそれぞれに対して、その予測対象属性を予測する属性予測モデルを複数生成することができる。ここで、属性予測モデル生成部１８０は、第１予測対象属性の属性値の予測に用いる第１属性予測モデル、および第２予測対象属性の属性値の予測に用いる第２属性予測モデルとして、異なる属性予測モデルを選択可能とする。これら複数の属性予測モデルのそれぞれは、学習によって更新されないハイパーパラメータおよび予測アルゴリズムの少なくとも１つが他の属性予測モデルと異なるものであってよい。属性予測モデル生成部１８０は、複数の属性予測モデルのそれぞれについて、その属性予測モデルにおける学習可能なパラメータを学習させて、複数の属性予測モデルのそれぞれが予測対象属性の属性値を予測する予測誤差を最小化する処理を行う。

　属性予測モデル選択部１８５は、複数の予測対象属性のそれぞれに対して属性予測モデル生成部１８０が生成した複数の属性予測モデルのそれぞれの予測誤差に基づいて、その予測対象属性の属性値の予測に用いる属性予測モデルを選択する。例えば、属性予測モデル選択部１８５は、予測対象属性毎に、複数の属性予測モデルの中から予測誤差が最小の属性予測モデルを選択する。この際、属性予測モデル選択部１８５は、予測対象属性毎に、ハイパーパラメータおよび予測アルゴリズムの少なくとも１つが異なる属性予測モデルを選択しうる。属性予測モデル選択部１８５は、予測対象属性毎に選択された属性予測モデルを属性予測装置１１０内の属性予測部１３５へと提供する。一例として、属性予測モデル選択部１８５は、属性予測モデルに用いる予測アルゴリズムを指定する識別情報およびハイパーパラメータの値のセットを属性予測部１３５へと提供する。

　レコメンド処理装置１９０は、複数の対象者のそれぞれにおける予測対象とした予測対象属性の属性値に基づいて、予測対象属性に対応付けられた商品等を対象者にレコメンドするか否かを選択する。ここで、レコメンド処理装置１９０は、複数の対象者のそれぞれについて、特定の商品等に対する嗜好性を示す予測対象属性の属性値が閾値以上の嗜好性を示す場合に、その対象者にその商品等をレコメンドすることを決定してもよい。また、レコメンド処理装置１９０は、１または複数の基本属性、生活属性、および志向性の少なくとも一部（例えば居住地、車を所有しているか否か、高級志向か倹約志向か）を示す予測対象属性の属性値に基づいて、商品等をレコメンドすることを決定してもよい。

　そして、レコメンド処理装置１９０は、複数の対象者のうちレコメンドをすることを決定した対象者に対して、商品等をレコメンドする。一例として、レコメンド処理装置１９０は、その商品等の広告を含む電子メール、ダイレクトメール、およびインターネット広告等を対象者に提供してもよく、その商品等の広告を含むテレビＣＭをその対象者を含む視聴者向けに提供してもよく、その商品等の購入を優遇するクーポン、値引、およびポイント付与等のサービスを提供してもよい。

　端末１１２は、直接的またはネットワークを介して間接的に属性予測装置１１０に接続され、属性予測装置１１０の属性ＤＢ１２２または縮約ＤＢ１３２に格納された複数の対象者の属性情報の統計処理、属性の追加・削除、属性値の設定、および少なくとも１つの属性の組が設定した抽出条件を満たす対象者の絞り込み等のデータベース処理、並びに予測対象の各予測対象属性に対する属性予測モデルの評価等を行うためのユーザーインターフェイスを提供する。

　端末１５２は、直接的またはネットワークを介して間接的に予測モデル生成装置１５０に接続され、属性予測モデル生成部１８０が生成可能な予測アルゴリズムの追加・変更・削除、属性予測モデル生成部１８０が各属性予測モデルに与えるハイパーパラメータの範囲指定および値指定、属性予測モデル生成部１８０が生成した複数の属性予測モデルのそれぞれの学習済パラメータおよび予測結果の確認、評価、および属性モデル間の比較、属性予測モデル選択部１８５に対する手動による属性予測モデルの選択指定または選択補助、属性ＤＢ１２２のサブセットである属性ＤＢ１６７に対する属性の追加・削除、属性値の設定、および少なくとも１つの属性の組が設定した抽出条件を満たす対象者の絞り込み等のデータベース処理、ならびに予測モデル生成装置１５０の属性ＤＢ１６７または縮約ＤＢ１７７に格納した複数の対象者の属性情報の統計処理等を行うためのユーザーインターフェイスを提供する。

　端末１９２は、直接的またはネットワークを介して間接的に端末１９２に接続され、レコメンド処理装置１９０におけるレコメンド処理を管理するためのユーザーインターフェイスを提供する。一例として、端末１９２は、広告予算、および商品等の値引またはポイント付与予算に応じてレコメンドの対象者を絞り込むための条件の設定および調整、レコメンドの対象者の絞り込み結果の確認、レコメンド方法の設定、およびレコメンド実行の指示等を行うためのユーザーインターフェイスを提供する。

　端末１１２、端末１５２、および端末１９２は、デスクトップ・コンピュータであってよく、タブレットおよびスマートフォン等の携帯端末であってもよい。

　以上に示したシステム１００によれば、属性ＤＢ１２２または属性ＤＢ１２２のサブセットである属性ＤＢ１６７に格納された複数の対象者の属性情報に基づいて、予測対象属性毎に、属性値を予測する複数の属性予測モデルを生成し、予測対象属性毎に好適な属性予測モデルを選択することができる。したがって、システム１００によれば、予測対象属性毎の予測精度をより向上することが可能となる。

　図２は、本実施形態に係る属性ＤＢ１２２および属性ＤＢ１６７に格納されるデータ構造の一例を示す。属性ＤＢ１２２および属性ＤＢ１６７は、複数の対象者のそれぞれについて、個人を識別する個人識別情報（個人ＩＤ）、および当該個人が有する複数の属性についての属性情報を記憶する。

　「個人ＩＤ」は、システム１００において個々の対象者個人を識別するための識別子であり、例えばシステム１００が提供するサービスの会員番号またはログインＩＤ等である。これに代えて、属性ＤＢ１２２および属性ＤＢ１６７は、「個人ＩＤ」として、対象者の名前、電子メールアドレス、住所、電話番号、対象者所有の携帯端末の識別情報、またはこれらの少なくとも１つの組み合わせに基づいて生成された情報を用いてもよい。

　「属性情報」は、対象者が有する各種の属性についての属性値である。本実施形態に係る属性ＤＢ１２２および属性ＤＢ１６７が格納する各属性は、汎用属性データ、購買ポテンシャルデータ、およびレコメンドポテンシャルデータに大別される。

　「汎用属性データ」は、各対象者の特性を示す属性のセットであり、特に対象者自身の特性を汎用的に示すものである。「汎用属性データ」は、基本属性に分類される１または複数の属性、生活属性に分類される１または複数の属性、および志向性に分類される１または複数の属性のうちの少なくとも１つを含んでよい。

　「基本属性」は、各対象者の基本情報であり、基本属性に分類される１または複数の属性として、例えば名前、生年月日、年令または年代、性別、住所、電話番号等の少なくとも１つを含む。「基本属性」は、主に対象者の新規登録時または登録内容変更時等に入力される属性であるが、少なくとも一部の属性は任意登録であってよく、予測対象となってもよい。

　「生活属性」は、対象者の生活態様に関する情報であり、「生活属性」に分類される１または複数の属性として、例えば既婚／未婚、住居形態、世帯年収、個人年収、職種、自動車の所有有無、および住居の所有有無等の少なくとも１つを含みうる。「生活属性」に関する属性値は、新規登録時等に収集されてもよく、アンケート等の各種の方法によって収集されてもよく、予測対象となってもよい。

　「志向性」は、対象者の志向、傾向及び／又は嗜好を示す情報であり、「志向性」に分類される１または複数の属性として、例えば衣類に対する品質志向／チャレンジ志向／堅実志向／ブランド志向等、食に対する高級志向／倹約志向／値引志向等、住に対するコンビニ志向／都会志向／地域重視志向等、その他健康志向、キャリア志向、およびグローバル志向等の少なくとも１つを含みうる。または、志向性は、対象者の嗜好に関する属性として、例えば、ドライブ、グルメ、旅行、およびスポーツ等の各種の趣味に対する嗜好の有無または嗜好度、各種の商品等に対する嗜好の有無または嗜好度、並びに各種のウェブサイト等に対する嗜好の有無または嗜好度等の少なくとも１つを含んでよい。「志向性」に関する属性は、各種の調査において調査の目的に応じて追加されうる。「志向性」に関する属性値は、新規登録時等に収集されてもよく、アンケート等の各種の方法によって収集されてもよく、予測対象となってもよい。

　「購買ポテンシャルデータ」は、複数の商品等、あるいは複数の商品群またはサービス群のそれぞれに対する各対象者の購買可能性を示す属性のセットである。「購買ポテンシャルデータ」は、一例としてエンターテインメント、食品、および日用品といった商品等のジャンル、種別、または分類のそれぞれについて、そのジャンル等に対応する各商品または各サービスに対応付けられた属性を含んでよい。「購買ポテンシャルデータ」の各属性は、その属性に対応付けられた商品等に対する対象者の嗜好性を示す嗜好属性であってよい。

　一例として、「購買ポテンシャルデータ」は、システム１００が提供する会員サービスによる販売管理の対象とする多数の商品等のそれぞれに対する属性を含む。「購買ポテンシャルデータ」は、各商品等を識別する例えばＪＡＮコードの各コード値に対応して各属性を含んでもよく、この場合、ＪＡＮコードが割り当てられた１つ１つの商品等に対し、１または２以上の属性が割り当てられる。システム１００が提供する会員サービスが複数の事業者にわたる共通ポイントシステムを提供する場合には、購買ポテンシャルデータは、数十万～数百万、あるいはそれ以上の属性を含みうる。また、「購買ポテンシャルデータ」は、商品群またはサービス群に対応する属性を有していてもよい。例えば、「購買ポテンシャルデータ」は、例えば、ビール、酒類、及び／又は飲料といった商品群に対応する属性を有していてもよい。

　「購買ポテンシャルデータ」は、各対象者について、購買実績（購買の有無、購買量、購買時期、購買場所等）、及び／又は、商品アンケートもしくは広告に対する対象者の反応等を数値化した嗜好度等を既知の属性値として格納してもよい。また、「購買ポテンシャルデータ」は、属性予測モデルを用いて予測した予測値も属性値の少なくとも一部として格納してもよい。

　「レコメンドポテンシャルデータ」は、レコメンドに関する各対象者の特性を示す属性のセットである。「レコメンドポテンシャルデータ」は、一例としてメディア反応に関する１または複数の属性、インセンティブ反応に関する１または複数の属性、および、離反可能性に関する１または複数の属性のうちの少なくとも１つを含んでよい。

　「メディア反応」は、一例としてダイレクトメール、電子メール、レシートに印刷する広告、インターネット広告、および、ＴＶ広告等のレコメンドに用いるメディア毎に、対象者に対するそのメディアを用いたレコメンドの有効性または評価値等を示す１または複数の属性を含む。例えば、ある対象者がダイレクトメールには反応しない場合には、レコメンド処理装置１９０は、ダイレクトメールの有効性または評価値等に関する属性の属性値を減少させ、またはより低い属性値を設定してもよい。また、ある対象者がインターネット広告を基準頻度以上の頻度でクリックする場合、またはインターネット広告を経由して商品を購入した場合等には、レコメンド処理装置１９０は、インターネット広告の有効性または評価値等に関する属性の属性値を増加させ、またはより高い属性値を設定してもよい。

　「インセンティブ反応」は、一例として値引、クーポン付与、ポイント付与、ポイント増額、および、販売促進品の提供等といったインセンティブ毎に、対象者に対するそのインセンティブを用いたレコメンドの有効性または評価値等を示す１または複数の属性を含む。例えば、値引の提供をしてもある対象者が商品等の購入に至らなかった場合には、レコメンド処理装置１９０は、値引の有効性または評価値等に関する属性の属性値を減少させ、またはより低い属性値を設定してもよい。また、ある対象者がポイント付与を提供した商品等を購入した場合には、レコメンド処理装置１９０は、ポイント付与の有効性または評価値等に関する属性の属性値を増加させ、またはより高い属性値を設定してもよい。

　「離反可能性」は、一例として各販売事業者、及び／又は、各商品メーカ若しくはサービス提供者毎に、その事業者等の商品等を利用しなくなる可能性を示す１または複数の属性を含む。例えば、ある対象者がある販売事業者から最後に商品等を購入してから基準期間以上経過した場合、属性予測装置１１０は、その対象者がその販売事業者から離反したとみなし、離反した旨を示す属性値を属性ＤＢ１２２に格納する。これに代えて、属性予測装置１１０は、その対象者がその販売業者を最後に利用してからの経過期間に応じて算出した離反評価値を属性値として属性ＤＢ１２２に格納してもよい。

　図３は、本実施形態に係る予測モデル生成装置１５０の動作フローを示す。ステップＳ３１０において、モデル更新指示部１５５は、予め定められた期間が経過したことに応じて、属性予測装置１１０が使用する属性予測モデルの更新を指示する。これに代えて、またはこれに加えて、モデル更新指示部１５５は、システム１００のユーザまたは管理者等の指示を受けて、属性予測モデルの更新を指示してもよい。

　ここで予測モデル生成装置１５０は、属性ＤＢ１２２または属性ＤＢ１６７が有する全属性を予測対象としてもよく、対象者の名前等の一部の属性を除いた各属性を予測対象としてもよく、汎用属性データに含まれる基本属性を除いた各属性を予測対象としてもよく、購買ポテンシャルデータ及び／又はレコメンドポテンシャルデータを予測対象としてもよい。また、予測モデル生成装置１５０は、次元縮約部１７０が追加した次元縮約用の属性については、予測対象から除いてもよい。また、予測モデル生成装置１５０は、属性ＤＢ１２２または属性ＤＢ１６７が有する全属性のうち、システム１００のユーザまたは管理者が指定した属性のみを予測対象としてもよい。

　なお、予測モデル生成装置１５０は、予測対象属性によって異なりうるタイミングで属性予測モデルの更新を指示してもよい。例えば、予測モデル生成装置１５０は、汎用属性データに属する属性については、定期的に属性予測モデルの更新を指示し、購買ポテンシャルデータに属する属性については、一例としてその属性に対応する商品等の購買データを予め定められた数量分受け取る度に属性予測モデルの更新を指示し、レコメンドポテンシャルデータに属する属性については、一例として予め定められた回数レコメンドを行う度に属性予測モデルの更新を指示してもよい。また、予測モデル生成装置１５０は、購買ポテンシャルデータに属する属性を予測する属性予測モデルの更新頻度を、汎用属性データに属する属性を予測する属性予測モデルの更新頻度よりも低くしてもよい。購買ポテンシャルデータは、個々の商品等に対応する属性を含むことから通常は汎用属性データよりも属性数が多くなるので、予測モデル生成装置１５０は、購買ポテンシャルデータに属する属性を予測する属性予測モデルの更新頻度をより低くすることにより予測モデル生成装置１５０の計算量を大幅に低減させることが可能となる。

　Ｓ３２０において、サンプリング部１６０は、属性ＤＢ１２２から一部の対象者をサンプリングして、サンプリングした対象者に対応付けて属性ＤＢ１２２に格納されている属性情報を、属性ＤＢ接続部１６５を介して属性ＤＢ１６７に格納する。

　Ｓ３３０において、次元縮約部１７０は、一例として潜在的ディリクレ配分法（ＬＤＡ：Ｌａｔｅｎｔ　Ｄｉｒｉｃｈｌｅｔ　Ａｌｌｏｃａｔｉｏｎ）または確率的潜在意味解析法（Ｐｒｏｂａｂｉｌｉｓｔｉｃ　Ｌａｔｅｎｔ　Ｓｅｍａｎｔｉｃ　Ａｎａｌｙｓｉｓ）等のトピックモデルを用いて、属性ＤＢ１６７の次元を縮約する。トピックモデルを用いる場合、次元縮約部１７０は、トピック数を例えば１０、２０、３０、…、１００等の複数種類のそれぞれとしてモデリングし、トピック数毎に生成した複数の属性を次元縮約用の属性として縮約ＤＢ１７７に格納してもよい。これにより、属性予測モデル生成部１８０は、使用するトピック数を属性予測モデルのハイパーパラメータとすることができ、属性予測モデル選択部１８５は、最適なトピック数の属性予測モデルを選択することができる。

　ここで次元縮約部１７０は、属性ＤＢ１２２または属性ＤＢ１６７が有する全属性をトピック生成の評価対象としてもよく、これに代えて、属性ＤＢ１２２または属性ＤＢ１６７が有する属性の一部をトピック生成の評価対象としてもよい。例えば、次元縮約部１７０は、汎用属性データに含まれる属性はトピック生成の評価対象とし、購買ポテンシャルデータおよびレコメンドポテンシャルデータに含まれる属性はトピック生成には使用しなくてもよい。また例えば、次元縮約部１７０は、汎用属性データに含まれる基本属性、生活属性、および志向性のうち一部のみに含まれる属性のみをトピック生成の評価対象としてもよい。一例として、次元縮約部１７０は、基本属性および生活属性に含まれる属性のみをトピック生成の評価対象とし、志向性に含まれる属性はトピック生成に使用しなくてもよい。全属性をトピック生成の評価対象とした場合には、対象者間の小さな差異（例えば特定の商品を購入したかどうか）までも評価に含めて次元縮約後の属性値に反映できるが、次元縮約処理に要する計算量が増加する。一部の属性のみをトピック生成の評価対象とする場合には、システム１００のユーザまたは管理者等が重視する一部の属性のみを用いることで、計算量を抑えることができる。

　また、次元縮約部１７０は、トピックモデルに代えて、またはトピックモデルに加えて、他の手法により属性ＤＢ１６７の次元を縮約してもよい。例えば、次元縮約部１７０は、既知の属性値が格納されている対象者の割合が基準割合未満である属性については、属性予測モデルの説明変数から除いてもよい。

　次に、予測モデル生成装置１５０は、予測対象属性毎にＳ３４０およびＳ３８０の間の処理（Ｓ３５０～Ｓ３７０）を繰り返す。

　Ｓ３５０において、属性予測モデル生成部１８０は、予測対象属性の属性値を予測する１または複数の属性予測モデルを生成する。まず、属性予測モデル生成部１８０は、属性ＤＢ１６７に格納された各対象者の属性情報のうち、属性予測モデルの生成に用いるモデリング用の複数の対象者の属性情報を抽出する。属性予測モデル生成部１８０は、モデリング用の対象者の属性情報として、予測対象属性の属性値が既知である属性情報、すなわち予測対象属性について実際に属性値が得られている属性情報を抽出する。ここで、属性予測モデル生成部１８０は、属性予測モデルの説明変数として使用する可能性がある各属性（すなわち説明変数の候補として属性予測モデルに属性値を入力する属性）のうち属性値が既知であるものの割合がより大きい属性情報をより優先して抽出するようにしてもよい。なお、属性予測モデル生成部１８０は、モデリング用の対象者の数が予め定められた基準数以下の場合には、ブーストサンプリング等の手法を用いてサンプル数を増やしてもよい。

　次に、属性予測モデル生成部１８０は、抽出した対象者の属性情報を学習用属性情報として用いて、複数の属性予測モデルを生成する。属性予測モデル生成部１８０は、予測アルゴリズムおよび学習によって更新されないハイパーパラメータの少なくとも１つが互いに異なる複数の属性予測モデルを生成する。属性予測モデル生成部１８０は、例えばランダムフォレスト、勾配ブースティング、ロジスティック回帰、ニューラルネットワーク、およびサポートベクタマシン（ＳＶＭ）等を含む各種の機械学習アルゴリズムの中から予測アルゴリズムを選択してもよい。また、属性予測モデル生成部１８０は、次元縮約部１７０における次元縮約のトピック数、ランダムフォレストにおける決定木の深さ、勾配ブースティングにおける木の深さ、ロジスティック回帰における正規化パラメータ、およびニューラルネットワークにおけるニューロン数および層数等のような予測アルゴリズムに設定可能な１または複数のハイパーパラメータのそれぞれを、ハイパーパラメータとして設定可能な複数の設定値の組の中から独立して選択することにより、選択した予測アルゴリズム毎に互いに異なる複数のハイパーパラメータの組を得てもよい。

　属性予測モデル生成部１８０は、上記のようにして得られた予測アルゴリズムおよびハイパーパラメータの組の少なくとも一方が互いに異なる複数の属性予測モデルのそれぞれを、学習用属性情報を用いて学習により最適化する。すなわち、属性予測モデル生成部１８０は、各学習用属性情報について、その学習用属性情報のうち予測対象属性以外の属性値を属性予測モデルの入力とした場合に、その学習用属性情報における予測対象属性の既知の属性値により近い予測値を出力するように属性予測モデルの学習可能パラメータを更新していく。これにより、属性予測モデル生成部１８０は、各属性予測モデルのそれぞれについて、学習可能パラメータを学習させて最適化する。ここで、「最適化」とは、必ずしもその属性予測モデルの予測誤差を最小化すること（すなわち学習可能パラメータの全てを最適値とすること）を意味せず、その属性予測モデルの予測誤差をより低減する学習処理を属性予測モデル生成部１８０がやり終えた状態（すなわち現実的に実行可能な学習処理を完了した状態）を意味する。

　ここで、属性予測モデル生成部１８０は、属性予測モデルの説明変数を、既知の属性値のみに制限してもよい。この場合、属性予測モデル生成部１８０は、学習用属性情報として使用できるサンプル数は制限されるが、現実の属性情報に基づきより精度の高い属性予測モデルを生成することができる可能性を高めることができる。これに代えて、属性予測モデル生成部１８０は、一部または全部の説明変数として属性の予測値を用いてもよい。すなわち、属性予測モデル生成部１８０は、第２予測対象属性の属性値を、第１の属性予測モデルにより予測された第１予測対象属性の予測値を用いて予測する第２の１または複数の属性予測モデルを生成してもよい。第２の複数の属性予測モデルの生成において、既に生成された第1属性予測モデルによって予測された第1予測対象属性の予測値を説明編数として使用可能とすることにより、属性予測モデル生成部１８０は、既知の属性値が一部欠けている学習用属性情報も利用することができ、より多くの学習用属性情報を用いて属性予測モデルの精度を高めうる。

　なお、属性予測モデル生成部１８０は、予測誤差として、各属性情報から属性予測モデルによって予測された予測対象属性の予測値と期待値との差を、予測誤差の評価対象となる全属性情報について累積した値を用いてもよい。このような誤差の算出方法は、一例として予測値と期待値との差の２乗を合計するもの等を含め公知の様々な方法を適用することができる。これに代えて、属性予測モデル生成部１８０は、後述するＡＵＣ（Ａｒｅａ　Ｕｎｄｅｒ　ｔｈｅ　Ｃｕｒｖｅ）が増えるにつれて減少する値（一例として１－ＡＵＣ値）を、予測誤差を示す指標として用いてもよい。

　ここで「予測誤差」とは、「予測誤差」に応じて変化する指標も含まれる。すなわち例えば、予測精度を示す指標もまた、予測誤差を示す指標に該当し、予測精度がより高いことは、予測誤差がより低いことに相当し、予測精度がより低いことは、予測誤差がより高いことに相当する。したがって、属性予測モデル生成部１８０は、予測精度が高いほど大きくなるＡＵＣを、予測誤差を示す指標（予測誤差が高いほど小さくなる指標）として用いてもよい。この場合、予測誤差が高いとは、予測誤差を示す指標値が小さいことを意味する。

　Ｓ３６０において、属性予測モデル生成部１８０は、生成された学習済の複数の属性予測モデルをそれぞれ評価する。属性予測モデル生成部１８０は、予測誤差のみに基づいて属性予測モデルを評価してもよく、予測誤差のみでなく、例えば計算量がより小さいこと、及び／又は、参照する属性数がより少ないこと等の他の条件も評価パラメータとして含めてもよい。また、属性予測モデル生成部１８０は、予測アルゴリズムの最適化に用いる、予測誤差に関する項を含む目的関数の値を用いて、属性予測モデルを評価してもよい。ここで、属性予測モデル生成部１８０は、交叉検定を用いて複数の属性予測モデルのそれぞれの予測誤差を算出してもよい。この場合、属性予測モデル生成部１８０は、抽出したモデリング用の属性情報の一部を用いて複数の属性予測モデルを学習させ、モデリング用の属性情報のうち学習に使用していない属性情報を用いて複数の属性予測モデルのそれぞれの予測誤差を算出する。

　Ｓ３７０において、属性予測モデル選択部１８５は、複数の属性予測モデルのそれぞれの予測誤差等の評価結果に基づいて、その予測対象属性の属性値の予測に用いる属性予測モデルを選択する。一例として属性予測モデル選択部１８５は、複数の属性予測モデルのうち、予測誤差が最小（すなわち予測精度が最大）の属性予測モデルを選択する。これに代えて、属性予測モデル選択部１８５は、複数の属性予測モデルのうち、予測誤差以外の条件も評価パラメータとして含めた評価結果を用いて評価が最も高い属性予測モデルを選択してもよい。ここで、属性予測モデル選択部１８５は、上記のように他の属性予測モデルによる予測値を説明変数とする第２の１または複数の属性予測モデルのそれぞれの予測誤差等の評価結果に基づいて、第２予測対象属性の属性値の予測に用いる第２属性予測モデルを更に選択してもよい。

　予測モデル生成装置１５０は、予測対象の各予測対象属性のそれぞれに対してＳ３５０～Ｓ３７０の処理を行なうことにより、各予測対象属性に対して個別に最適化された属性予測モデルを選択することができる。これにより、予測モデル生成装置１５０は、各予測対象属性の予測精度をより高めることができる。

　図４は、本実施形態に係る属性予測モデル生成部１８０が生成する属性予測モデルの評価結果の一例を示す。属性予測モデル生成部１８０は、各予測対象属性に対して生成された１または複数の属性予測モデルのそれぞれについて、属性識別情報（属性ＩＤ）、次元縮約パラメータ、予測アルゴリズム識別情報（予測アルゴリズムＩＤ）、ハイパーパラメータ、予測誤差、およびモデル評価を含む評価結果を生成する。

　「属性ＩＤ」は、予測対象の予測対象属性の識別情報である。「次元縮約パラメータ」は、次元縮約部１２５および次元縮約部１７０が次元縮約に用いる、トピック数等のパラメータである。次元縮約パラメータが複数存在する場合、属性予測モデル生成部１８０は、パラメータ毎の設定値を記録する。次元縮約パラメータも、ハイパーパラメータの一種となりうる。

　「予測アルゴリズムＩＤ」は、当該エントリにおいて選択された予測アルゴリズムを識別する識別情報である。「ハイパーパラメータ」は、選択された予測アルゴリズムにおけるハイパーパラメータ毎の設定値を示す。「予測誤差」は、当該エントリにおいて指定された次元縮約パラメータ、予測アルゴリズム、およびハイパーパラメータを用いて生成した属性予測モデルの予測誤差を示す。「モデル評価」は、当該エントリに対応して生成された属性予測モデルの評価結果を示す。ここで、属性予測モデル生成部１８０は、属性予測モデルを予測誤差のみに基づいて評価する場合には、「モデル評価」のカラムを別途設けなくてもよい。

　図５は、本実施形態に係る属性予測モデル選択部１８５が生成する属性予測モデルの選択結果の一例を示す。属性予測モデル選択部１８５は、属性予測モデル生成部１８０による各属性予測モデルの評価結果を用いて、予測対象属性毎に、属性値の予測に用いる属性予測モデルを選択する。属性予測モデル選択部１８５は、予測対象の各予測対象属性について、属性ＩＤ、次元縮約パラメータ選択値、選択予測アルゴリズムＩＤ、ハイパーパラメータ選択値を含む選択結果を生成する。

　「属性ＩＤ」は、当該エントリに対応する予測対象属性の識別情報である。「次元縮約パラメータ選択値」は、当該エントリに対応する予測対象属性の予測に用いる１または複数の次元縮約パラメータのそれぞれの設定値を含む。「次元縮約パラメータ値」は、図４中における選択された属性予測モデルの次元縮約パラメータに対応する。「選択予測アルゴリズムＩＤ」は、当該エントリに対応する予測対象属性の予測に用いる予測アルゴリズムを識別する識別情報である。「選択予測アルゴリズムＩＤ」は、図４中における選択された属性予測モデルの予測アルゴリズムＩＤに対応する。「ハイパーパラメータ選択値」は、当該エントリに対応する予測対象属性の予測に用いる予測アルゴリズムに与えるハイパーパラメータ毎の設定値である。「ハイパーパラメータ選択値」は、図４中における選択された属性予測モデルのハイパーパラメータに対応する。

　属性予測モデル選択部１８５は、予測対象属性毎の属性予測モデルの選択結果を属性予測部１３５に供給することにより、予測対象属性毎に予測に用いる次元縮約パラメータ、予測アルゴリズム、およびハイパーパラメータを属性予測部１３５に対して設定することができる。なお、属性予測モデル選択部１８５は、選択された属性予測モデルの予測誤差及び／又は評価結果を属性予測部１３５に供給してもよい。

　図６は、本実施形態に係る属性予測装置１１０における属性情報取得フローを示す。Ｓ６１０において、属性情報取得部１１５は、対象者の属性情報を取得する。Ｓ６２０において、属性情報取得部１１５は、取得した属性情報を、属性ＤＢ接続部１２０を介して属性ＤＢ１２２に書き込む。

　属性ＤＢ１２２が書き込み対象の属性について既知の属性値と予測値とを別個に記憶する場合、属性情報取得部１１５は、取得した属性情報を、既知の属性値として属性ＤＢ１２２に書き込んでよい。また、属性ＤＢ１２２および属性ＤＢ１６７が書き込み対象の属性について予測値と同じ表現形式で既知の属性値を記憶する場合には、属性情報取得部１１５は、取得した属性情報の生データの表現形式を予測値と同じ表現形式に変換して属性ＤＢ１２２に格納する。

　図７は、本実施形態に係る属性予測装置１１０における属性予測フローを示す。ステップＳ７１０において、次元縮約部１２５は、サンプリング部１６０と同様に、一例として潜在的ディリクレ配分法または確率的潜在意味解析法等のトピックモデルを用いて、属性ＤＢ１２２の次元を縮約する。ここで、次元縮約部１２５は、各予測対象属性について選択された属性予測モデルに対応する次元縮約パラメータ選択値を参照し、少なくとも１つの予測対象属性に対して指定された次元縮約パラメータ選択値に応じた次元縮約用の属性を縮約ＤＢ１３２に格納する。また、次元縮約部１２５は、属性ＤＢ１２２における複数の属性のうち、属性予測モデル選択部１８５により選択された少なくとも１つの属性予測モデルにおいて説明変数として使用する属性を、縮約ＤＢ１３２の属性としてコピーする。

　属性予測装置１１０は、予測対象属性毎に、Ｓ７３０およびＳ７９０の間の処理（Ｓ７３０～Ｓ７８０）を繰り返す（Ｓ７２０、Ｓ７９０）。

　Ｓ７３０において、属性予測部１３５は、属性予測モデル選択部１８５によって予測対象属性用に選択された属性予測モデルを用いて、予測対象属性の属性値を予測する。属性予測部１３５は、各対象者について縮約ＤＢ１３２に格納された属性情報に含まれる、属性予測モデルの説明変数に対応する属性の属性値を縮約ＤＢ接続部１３０を介して取得し、これらの属性値を属性予測モデルに入力して予測対象属性の予測値を算出する。ここで、属性予測部１３５は、第１属性予測モデルによる第１予測対象属性の予測値を用いて予測対象である第２予測対象属性の予測値を予測する第２属性予測モデルについては、説明変数となる第１予測対象属性の属性値として、当該第１予測対象属性の予測値を第２属性予測モデルに入力し、第２属性予測モデルを用いて、複数の対象者のそれぞれについて第２予測対象属性を更に予測する。

　また、第１予測対象属性について既知の属性値および予測値が同じ表現形式で表されている場合、または一方から他方に変換可能な場合においては、属性予測部１３５は、複数の対象者のそれぞれについて、第１予測対象属性の属性値が既知であることを条件として既知の属性値を用いて対象者の第２予測対象属性の予測値を予測し、第１予測対象属性の属性値が未知であることを条件として第１予測対象属性の属性値を用いて対象者の第２予測対象属性の予測値を予測してもよい。これにより、属性予測部１３５は、第１属性予測モデルによる予測対象となった第１予測対象属性が既知の対象者については既知の属性値を用いてより高い精度で第２予測対象属性を予測しつつ、第１予測対象属性が未知の対象者についても予測を行うことが可能となる。

　Ｓ７４０において、属性予測部１３５は、予測対象属性の予測値を属性ＤＢ接続部１２０を介して属性ＤＢ１２２に格納する。ここで、属性予測部１３５は、予測対象属性の予測値が算出できた場合、予測対象属性の既知の属性値が属性ＤＢ１２２に格納されている場合であっても予測値を属性ＤＢ１２２に格納してもよい。

　Ｓ７５０において、属性予測値更新部１４２は、属性ＤＢ１２２に登録された複数の対象者のうち１または複数の対象者について予測対象属性の属性値が既知である場合において、予測対象属性の予測値が既知の属性値から基準以上乖離しているか否かを判断する。この基準は、システム１００の設計者、システム構築者、ユーザ、及び／又は管理者によって予め定められてもよく、属性予測値更新部１４２が、予測対象属性の既知の属性値の分散または標準偏差等を定数倍すること等により算出してもよい。

　予測対象属性の予測値が既知の属性値から基準以上乖離していることに応じて（Ｓ７５０でＹｅｓ）、属性予測値更新部１４２は、Ｓ７６０において、予測対象属性の予測値を既知の属性値に基づいて更新してもよい。すなわち、予測対象属性の既知の属性値および予測値が同じ表現形式をとる場合には、属性予測値更新部１４２は、予測対象属性の予測値を既知の属性値に書き換えてもよい。予測対象属性の既知の属性値および予測値が異なる表現形式をとる場合には、属性予測値更新部１４２は、既知の属性値の表現形式を変換して、予測対象属性の予測値を書き換えてもよい。ここで、乖離しているか否かの判断に用いる基準は、システム１００の設計者、システム構築者、ユーザ、及び／又は管理者等によって予め設定されてよい。

　これにより、属性予測値更新部１４２は、予測対象属性の属性値が既知の対象者については、当該予測対象属性を説明変数として使用する他の属性予測モデルが、大幅に誤った予測値を用いて他の予測対象属性を予測するのを防ぐことができる。例えば、属性予測値更新部１４２は、ある対象者について誤って「既婚」と予測された場合においても、その対象者が「未婚」であることが既知であれば、予測値を「未婚」に更新することができ、この属性を説明変数として用いて予測される他の属性の予測精度を高めることができる。

　また、属性値更新部１４０は、予測対象属性の予測値の予測の確からしさが閾値以上であることを条件として（Ｓ７７０でＹｅｓ）、予測対象属性の予測値に基づいて予測対象属性の属性値を更新してもよい（Ｓ７８０）。ここで、属性値更新部１４０は、予測対象属性の既知の属性値および予測値が同じ表現形式をとる場合には、属性予測値更新部１４２は、予測対象属性の既知の属性値を予測値に書き換えてもよい。予測対象属性の既知の属性値および予測値が異なる表現形式をとる場合には、属性値更新部１４０は、予測値の表現形式を変換して、予測対象属性の属性値を書き換えてもよい。ここで予測の確からしさの判断に用いる閾値は、システム１００の設計者、システム構築者、ユーザ、及び／又は管理者等によって予め設定されてよい。

　これにより、属性値更新部１４０は、予測対象属性の属性値が既知の対象者についても、属性値の入手時期が古い場合、および、対象者の状況が変化した場合等の事情に適応して、予測対象属性の予測値が十分に確からしくなったことに応じて、既知の属性値を予測値に基づいて置き換えることができる。この結果、一例としておむつを購入するようになった対象者を「子なし」属性としたまま維持すること、および、頻繁にガソリンを購入するようになった対象者を「車なし」属性としたまま維持すること等を防ぐことが可能となる。

　ここで、属性値更新部１４０は、予測の確からしさとして、予測対象属性が既知の全対象者、学習用属性情報に含まれる全対象者、または、交叉検定用の学習用属性情報に含まれる全対象者の予測値に基づくＡＵＣ（Ａｒｅａ　Ｕｎｄｅｒ　ｔｈｅＣｕｒｖｅ）を用いてよい。一例として、属性値更新部１４０は、予測対象属性が既知である各対象者を予測値が高い順に横軸に並べ、横軸上の各対象者について、その対象者以上の予測値を有する全対象者のうち予測対象属性を満たす対象者の割合をプロットしたＲＯＣ曲線（Ｒｅｃｅｉｖｅｒ　Ｏｐｅｒａｔｉｎｇ　Ｃｈａｒａｃｔｅｒｉｓｔｉｃ　Ｃｕｒｖｅ）における、ＲＯＣ曲線の下側の面積をＡＵＣとして算出する。この際、属性値更新部１４０は、ＲＯＣ曲線の横軸も１に正規化することにより、ＡＵＣの取り得る最大値を１に正規化してもよい。これに代えて、属性値更新部１４０は、予測の確からしさとして、（定数－予測誤差）のように予測誤差が減少するほど増加するパラメータの値を用いてもよい。

　図８は、予測対象属性の依存関係の一例を示す。属性予測モデルＡ８１０は、属性ａの属性値および属性ｂの属性値に基づいて、予測対象属性ｃの属性値を予測する。属性予測モデルＢ８２０は、属性ｃの属性値および属性ｄの属性値に基づいて、予測対象属性ｅの属性値を予測する。属性予測モデルＣ８３０は、属性ｅの属性値および属性ｆの属性値に基づいて、予測対象属性ｂの属性値を予測する。

　この例において、属性予測モデルＡ８１０が属性ｂの属性値を入力して属性ｃの属性値を出力し、属性予測モデルＢ８２０が属性ｃの属性値を入力して属性ｅの属性値を出力し、属性予測モデルＣ８３０が属性ｅの属性値を入力して属性ｂの属性値を出力する。したがって、複数の属性予測モデルにおける説明変数および目的変数の連鎖の中に、属性ｂ→属性ｃ→属性ｅ→属性ｂという２以上の予測対象属性の間の循環依存が存在する。

　ここで、属性予測モデル生成部１８０、属性予測モデル選択部１８５、及び／又は属性予測部１３５は、例えば属性予測モデルＢ８２０が属性ｃの既知の属性値を説明変数とし、属性ｃの予測値は説明変数としないようにすれば、属性予測モデルＡ８１０が出力する属性ｃの予測値を属性予測モデルＢ８２０が入力しなくなるので予測対象属性間の循環依存を解消することができる。すなわち、属性予測モデル生成部１８０、属性予測モデル選択部１８５、及び／又は属性予測部１３５は、２以上の予測対象属性の間に属性予測モデルへの入出力関係の循環依存が存在する場合には、循環依存を構成する少なくとも１つの属性予測モデルにおいて循環依存に含まれる属性の属性値として既知の属性値を入力するように属性予測モデルを生成または選択すればよい。

　ただし、既知の属性値を入力とする場合には、属性予測部１３５は、既知の属性値が存在しない対象者については予測対象属性の属性値を予測できなくなり、または予測精度が低下してしまう。そこで、属性予測部１３５は、２以上の予測対象属性の間の循環依存を許容する構成も取り得る。

　この場合、属性予測部１３５は、２以上の予測対象属性の間に循環依存が存在することに応じて、２以上の予測対象属性のそれぞれの予測に用いる他の予測対象属性の予測の確からしさ、および２以上の予測対象属性のそれぞれに対する他の予測対象属性の寄与度の少なくとも１つに基づいて、２以上の予測対象属性の予測順序を決定するようにしてもよい。例えば、本図の例において予測の確からしさが高い順に属性ｃ、属性ｂ、属性ｅの順序であれば、属性予測部１３５は、最も予測の確からしさが高い属性ｃを入力とする属性予測モデルＢ８２０を最も優先して先に実行するように予測順序を決定してもよい。その後属性予測部１３５は、循環依存する属性の中で予測の確からしさが高い順に、その属性を入力とする属性予測モデルを実行していってよい。これに代えて、属性予測部１３５は、属性予測モデルＢ８２０を実行した場合には、属性予測モデルＢ８２０が出力した予測値を入力する属性予測モデルＣ８３０、属性予測モデルＣ８３０が出力した予測値を入力とする属性予測モデルＡ８１０というように属性予測モデルＢ８２０以降は予測対象属性間の依存方向に沿って属性予測モデルを実行してもよい。これにより、属性予測部１３５は、予測の確からしさが高くより本来の属性値に近いと想定される予測値を優先して使用して依存先の予測対象属性の予測値を予測していくことができ、予測値の精度をより早く高めることが可能となる。

　また例えば、属性予測部１３５は、本図の例において予測対象属性ｅの予測における属性ｃの寄与度、予測対象属性ｃの予測における属性ｂの寄与度、予測対象属性ｂの予測における属性ｅの寄与度がこの順に低くなるのであれば、属性予測部１３５は、最も寄与度が低い属性ｅを入力とする属性予測モデルＣ８３０を最も優先して先に実行するように予測順序を決定してもよい。その後属性予測部１３５は、循環依存する属性の中で属性予測モデルによる次の予測対象属性の予測における寄与度が低い順に、その属性を入力とする属性予測モデルを実行していってよい。これに代えて、属性予測部１３５は、属性予測モデルＣ８３０を実行した場合には、属性予測モデルＣ８３０が出力した予測値を入力する属性予測モデルＡ８１０、属性予測モデルＡ８１０が出力した予測値を入力とする属性予測モデルＢ８２０というように属性予測モデルＣ８３０以降は予測対象属性間の依存方向に沿って属性予測モデルを実行してもよい。これにより、属性予測部１３５は、後段の属性予測モデルの予測に影響を与える寄与度が低く循環依存の影響を与えにくい予測値を優先して使用して依存先の予測対象属性の予測値を予測していくことができ、予測値の循環依存の影響をより早く減衰させることが可能となる。

　属性予測部１３５は、２以上の予測対象属性のそれぞれの予測に用いる他の予測対象属性の予測の確からしさ、および２以上の予測対象属性のそれぞれに対する他の予測対象属性の寄与度の両方に基づいて、２以上の予測対象属性の予測順序を決定するようにしてもよく、他の条件も更に加味して予測順序を決定してもよい。ここで、属性予測部１３５は、循環依存に含まれる属性に関して、予測に用いる属性の予測の確からしさがより高く、または予測における属性の寄与度がより低い場合に、その属性を入力する属性予測モデルの実行をより優先する。一例として、属性予測部１３５は、予測に用いる属性の予測の確からしさ（または予測の不確からしさ）と予測における属性の寄与度との重み付け和によって優先度を決定してよい。

　他の例として、属性予測部１３５は、２以上の予測対象属性のそれぞれについて、他の予測対象属性の予測の不確からしさおよび他の予測対象属性の寄与度の積和に基づいて、２以上の予測対象属性の予測値の予測順序を決定してもよい。すなわち例えば、属性予測部１３５は、複数の属性予測モデル（属性予測モデルＡ８１０、属性予測モデルＢ８２０、および属性予測モデルＣ８３０等）のそれぞれについて、循環依存に含まれる各入力属性の不確からしさおよび各入力属性の寄与度の積和をとり、積和値がより小さい属性予測モデルをより優先して実行する。

　なお、属性予測部１３５は、予測の不確からしさとして、予測の確からしさが増加すると値が減少するパラメータの値を用いてよい。例えば属性予測部１３５は、（１－ＡＵＣ）のように、最大１に正規化されたＡＵＣに基づく予測の確からしさを１から減じた値を用いてもよい。

　以上に示したように、循環依存に含まれる予測対象属性間の予測順序をより適切な順序とすることで、属性予測部１３５は、循環して算出される２以上の予測対象属性間の予測値の精度をより早く高め、及び／又は予測値の収束をより早めることができる。これにより、属性ＤＢ１２２および属性ＤＢ１６７が多くの属性を有することにより各属性予測モデルの実行周期が長くなる場合にも、予測値をより早く最適化することができる。

　図９は、本実施形態に係るシステム１００における属性追加フローを示す。Ｓ９００において、属性データ取得部１４４は、複数の対象者の少なくとも一部について、属性データベースに追加すべき追加属性の既知の属性値を示す既知情報を取得する。例えば、端末１１２は、マーケティング担当者等のシステム１００のエンドユーザ等が各対象者の任意の特性を簡単に予測できるようにするべく、簡単に属性ＤＢ１２２に属性を追加して各対象者のその属性の予測値を算出するユーザーインターフェイスを提供する。一例として、端末１１２は、当該ユーザーインターフェイスを提供するアプリケーションのアイコンに対して既知情報がドラッグ＆ドロップされたことに応じて、この既知情報に応じた属性の追加、既知の属性値の設定、および属性予測モデルの生成・選択の少なくとも一部を実行するユーザーインターフェイスを提供してもよい。

　属性データ取得部１４４が取得する既知情報は、複数の対象者の少なくとも一部のそれぞれについて、個人識別情報と、１または複数の追加属性の既知の属性値との組を含む情報であってよい。また、追加属性が、対象者が特定の特性を有するか否かを示す２値属性である場合（例えば「商品Ａを買ったか否か」）、既知情報は、追加属性が真である各対象者の個人識別情報のリスト、および追加属性が偽である各対象者の個人識別情報のリストの少なくとも一方を含んでよい。

　Ｓ９１０において、属性追加部１４６は、属性ＤＢ１２２の複数の属性に、追加属性を追加する。例えば、属性追加部１４６は、属性ＤＢ接続部１２０を介して属性ＤＢ１２２に追加属性のカラムを追加し、既知情報に含まれる各対象者の既知の属性値に基づいて、属性ＤＢ１２２における追加属性に格納する既知の属性値を設定する。この際、属性追加部１４６は、既知情報において示された既知の属性値を属性ＤＢ１２２における追加属性の既知の属性値として設定してもよく、既知情報において示された既知の属性値を属性ＤＢ１２２における表現形式に変換して追加属性の既知の属性値として設定してもよい。

　Ｓ９２０において、システム１００内の予測モデル生成装置１５０は、追加属性を予測対象属性として１または複数の属性予測モデルを生成する。ここで、モデル更新指示部１５５は、属性データ取得部１４４によって属性ＤＢ１２２に追加属性が追加されたことに応じて、予め定められた期間の経過を待つことなく、すみやかに追加属性の属性予測モデルの生成を指示してよい。追加属性を予測対象属性として１または複数の属性予測モデルを生成する処理は、図３の動作フローにおけるＳ３２０からＳ３５０の処理と同様であってよい。

　Ｓ９３０において、システム１００内の予測モデル生成装置１５０は、複数の属性予測モデルのそれぞれの予測誤差に基づいて、追加属性である予測対象属性の属性値の予測に用いる属性予測モデルを選択する。複数の属性予測モデルの中から追加属性の属性値の予測に用いる属性予測モデルを選択する処理は、図３のＳ３６０からＳ３７０の処理と同様であってよい。

　以上に示した処理の後、システム１００内の属性予測装置１１０は、図７に示した属性予測フローを実行して、各対象者または全対象者についての追加属性の属性値を予測してよい。これにより、システム１００は、既知情報に含まれる一部の対象者についての既知の属性値を教師データとして追加属性の属性値を予測する属性予測モデルを学習し、他の対象者または全対象者について追加属性の予測値を算出することができる。

　なお、本実施形態において、属性データ取得部１４４および属性追加部１４６は、属性予測装置１１０内に設けられ、マスターである属性ＤＢ１２２に対して追加属性を追加する。これに代えて、属性データ取得部１４４および属性追加部１４６は、予測モデル生成装置１５０内に設けられ、サブセットである属性ＤＢ１６７に対して追加属性を追加する形態を採ってもよい。

　図１０は、本発明の複数の態様が全体的または部分的に具現化されてよいコンピュータ１９００の例を示す。コンピュータ１９００にインストールされたプログラムは、コンピュータ１９００に、本発明の実施形態に係る装置に関連付けられる操作または当該装置の１または複数のセクションとして機能させることができ、または当該操作または当該１または複数のセクションを実行させることができ、および／またはコンピュータ１９００に、本発明の実施形態に係るプロセスまたは当該プロセスの段階を実行させることができる。そのようなプログラムは、コンピュータ１９００に、本明細書に記載のフローチャートおよびブロック図のブロックのうちのいくつかまたはすべてに関連付けられた特定の操作を実行させるべく、ＣＰＵ２０００によって実行されてよい。

　本実施形態に係るコンピュータ１９００は、ホスト・コントローラ２０８２により相互に接続されるＣＰＵ２０００、ＲＡＭ２０２０、グラフィック・コントローラ２０７５、及び表示装置２０８０を有するＣＰＵ周辺部と、入出力コントローラ２０８４によりホスト・コントローラ２０８２に接続される通信インターフェイス２０３０、ハードディスクドライブ２０４０、及びＤＶＤドライブ２０６０を有する入出力部と、入出力コントローラ２０８４に接続されるＲＯＭ２０１０、フラッシュメモリ・ドライブ２０５０、及び入出力チップ２０７０を有するレガシー入出力部を備える。

　ホスト・コントローラ２０８２は、ＲＡＭ２０２０と、高い転送レートでＲＡＭ２０２０をアクセスするＣＰＵ２０００及びグラフィック・コントローラ２０７５とを接続する。ＣＰＵ２０００は、ＲＯＭ２０１０及びＲＡＭ２０２０に格納されたプログラムに基づいて動作し、各部の制御を行う。グラフィック・コントローラ２０７５は、ＣＰＵ２０００等がＲＡＭ２０２０内に設けたフレーム・バッファ上に生成する画像データを取得し、表示装置２０８０上に表示させる。これに代えて、グラフィック・コントローラ２０７５は、ＣＰＵ２０００等が生成する画像データを格納するフレーム・バッファを、内部に含んでもよい。

　入出力コントローラ２０８４は、ホスト・コントローラ２０８２と、比較的高速な入出力装置である通信インターフェイス２０３０、ハードディスクドライブ２０４０、ＤＶＤドライブ２０６０を接続する。通信インターフェイス２０３０は、有線又は無線によりネットワークを介して他の装置と通信する。また、通信インターフェイスは、通信を行うハードウェアとして機能する。ハードディスクドライブ２０４０は、コンピュータ１９００内のＣＰＵ２０００が使用するプログラム及びデータを格納する。ＤＶＤドライブ２０６０は、ＤＶＤ２０９５からプログラム又はデータを読み取り、ＲＡＭ２０２０を介してハードディスクドライブ２０４０に提供する。

　また、入出力コントローラ２０８４には、ＲＯＭ２０１０と、フラッシュメモリ・ドライブ２０５０、及び入出力チップ２０７０の比較的低速な入出力装置とが接続される。ＲＯＭ２０１０は、コンピュータ１９００が起動時に実行するブート・プログラム、及び／又は、コンピュータ１９００のハードウェアに依存するプログラム等を格納する。フラッシュメモリ・ドライブ２０５０は、フラッシュメモリ２０９０からプログラム又はデータを読み取り、ＲＡＭ２０２０を介してハードディスクドライブ２０４０に提供する。入出力チップ２０７０は、フラッシュメモリ・ドライブ２０５０を入出力コントローラ２０８４へと接続するとともに、例えばパラレル・ポート、シリアル・ポート、キーボード・ポート、マウス・ポート等を介して各種の入出力装置を入出力コントローラ２０８４へと接続する。

　ＲＡＭ２０２０を介してハードディスクドライブ２０４０に提供されるプログラムは、フラッシュメモリ２０９０、ＤＶＤ２０９５、又はＩＣカード等の記録媒体に格納されて利用者によって提供される。プログラムは、記録媒体から読み出され、ＲＡＭ２０２０を介してコンピュータ１９００内のハードディスクドライブ２０４０にインストールされ、ＣＰＵ２０００において実行される。これらのプログラム内に記述される情報処理は、コンピュータ１９００に読み取られ、ソフトウェアと、上記様々なタイプのハードウェア資源との間の協働をもたらす。装置または方法が、コンピュータ１９００の使用に従い情報の操作または処理を実現することによって構成されてよい。

　一例として、コンピュータ１９００と外部の装置等との間で通信を行う場合には、ＣＰＵ２０００は、ＲＡＭ２０２０上にロードされた通信プログラムを実行し、通信プログラムに記述された処理内容に基づいて、通信インターフェイス２０３０に対して通信処理を指示する。通信インターフェイス２０３０は、ＣＰＵ２０００の制御を受けて、ＲＡＭ２０２０、ハードディスクドライブ２０４０、フラッシュメモリ２０９０、又はＤＶＤ２０９５等の記憶装置上に設けた送信バッファ領域等に記憶された送信データを読み出してネットワークへと送信し、もしくは、ネットワークから受信した受信データを記憶装置上に設けた受信バッファ領域等へと書き込む。このように、通信インターフェイス２０３０は、ＤＭＡ（ダイレクト・メモリ・アクセス）方式により記憶装置との間で送受信データを転送してもよく、これに代えて、ＣＰＵ２０００が転送元の記憶装置又は通信インターフェイス２０３０からデータを読み出し、転送先の通信インターフェイス２０３０又は記憶装置へとデータを書き込むことにより送受信データを転送してもよい。

　また、ＣＰＵ２０００は、ハードディスクドライブ２０４０、ＤＶＤドライブ２０６０（ＤＶＤ２０９５）、フラッシュメモリ・ドライブ２０５０（フラッシュメモリ２０９０）等の外部記憶装置に格納されたファイルまたはデータベース等の中から、全部または必要な部分をＤＭＡ転送等によりＲＡＭ２０２０へと読み込ませ、ＲＡＭ２０２０上のデータに対して各種の処理を行う。そして、ＣＰＵ２０００は、処理を終えたデータを、ＤＭＡ転送等により外部記憶装置へと書き戻す。このような処理において、ＲＡＭ２０２０は、外部記憶装置の内容を一時的に保持するものとみなせるから、本実施形態においてはＲＡＭ２０２０及び外部記憶装置等をメモリ、記憶部、または記憶装置等と総称する。

　本実施形態における各種のプログラム、データ、テーブル、データベース等の各種の情報は、このような記憶装置上に格納されて、情報処理の対象となる。なお、ＣＰＵ２０００は、ＲＡＭ２０２０の一部をキャッシュメモリに保持し、キャッシュメモリ上で読み書きを行うこともできる。このような形態においても、キャッシュメモリはＲＡＭ２０２０の機能の一部を担うから、本実施形態においては、区別して示す場合を除き、キャッシュメモリもＲＡＭ２０２０、メモリ、及び／又は記憶装置に含まれるものとする。

　また、ＣＰＵ２０００は、ＲＡＭ２０２０から読み出したデータに対して、プログラムの命令列により指定された、本実施形態中に記載した各種の演算、情報の加工、条件判断、情報の検索・置換等を含む各種の処理を行い、ＲＡＭ２０２０へと書き戻す。例えば、ＣＰＵ２０００は、条件判断を行う場合においては、本実施形態において示した各種の変数が、他の変数または定数と比較して、大きい、小さい、以上、以下、等しい等の条件を満たすか否かを判断し、条件が成立した場合（又は不成立であった場合）に、異なる命令列へと分岐し、またはサブルーチンを呼び出す。

　また、ＣＰＵ２０００は、記憶装置内のファイルまたはデータベース等に格納された情報を検索することができる。例えば、第１属性の属性値に対し第２属性の属性値がそれぞれ対応付けられた複数のエントリが記憶装置に格納されている場合において、ＣＰＵ２０００は、記憶装置に格納されている複数のエントリの中から第１属性の属性値が指定された条件と一致するエントリを検索し、そのエントリに格納されている第２属性の属性値を読み出すことにより、所定の条件を満たす第１属性に対応付けられた第２属性の属性値を得ることができる。

　また、実施形態の説明において複数の要素が列挙された場合には、列挙された要素以外の要素を用いてもよい。例えば、「Ｘは、Ａ、Ｂ及びＣを用いてＹを実行する」と記載される場合、Ｘは、Ａ、Ｂ及びＣに加え、Ｄを用いてＹを実行してもよい。

　以上、本発明を実施の形態を用いて説明したが、本発明の技術的範囲は上記実施の形態に記載の範囲には限定されない。上記実施の形態に、多様な変更または改良を加えることが可能であることが当業者に明らかである。その様な変更または改良を加えた形態も本発明の技術的範囲に含まれ得ることが、請求の範囲の記載から明らかである。

　請求の範囲、明細書、および図面中において示した装置、システム、プログラム、および方法における動作、手順、ステップ、および段階等の各処理の実行順序は、特段「より前に」、「先立って」等と明示しておらず、また、前の処理の出力を後の処理で用いるのでない限り、任意の順序で実現しうることに留意すべきである。請求の範囲、明細書、および図面中の動作フローに関して、便宜上「まず、」、「次に、」等を用いて説明したとしても、この順で実施することが必須であることを意味するものではない。

１００　システム
１１０　属性予測装置
１１２　端末
１１５　属性情報取得部
１２０　属性ＤＢ接続部
１２２　属性ＤＢ
１２５　次元縮約部
１３０　縮約ＤＢ接続部
１３２　縮約ＤＢ
１３５　属性予測部
１４０　属性値更新部
１４２　属性予測値更新部
１４４　属性データ取得部
１４６　属性追加部
１５０　予測モデル生成装置
１５２　端末
１５５　モデル更新指示部
１６０　サンプリング部
１６５　属性ＤＢ接続部
１６７　属性ＤＢ
１７０　次元縮約部
１７５　縮約ＤＢ接続部
１７７　縮約ＤＢ
１８０　属性予測モデル生成部
１８５　属性予測モデル選択部
１９０　レコメンド処理装置
１９２　端末
８１０　属性予測モデルＡ
８２０　属性予測モデルＢ
８３０　属性予測モデルＣ
１９００　コンピュータ
２０００　ＣＰＵ
２０１０　ＲＯＭ
２０２０　ＲＡＭ
２０３０　通信インターフェイス
２０４０　ハードディスクドライブ
２０５０　フラッシュメモリ・ドライブ
２０６０　ＤＶＤドライブ
２０７０　入出力チップ
２０７５　グラフィック・コントローラ
２０８０　表示装置
２０８２　ホスト・コントローラ
２０８４　入出力コントローラ
２０９０　フラッシュメモリ
２０９５　ＤＶＤ

Claims

　複数の対象者のそれぞれについて、複数の属性に対応する複数の属性値を記憶するための属性データベースに接続される属性データベース接続部と、
　前記属性データベースを用いて、予測対象である第１予測対象属性の属性値を、前記複数の属性のうち前記第１予測対象属性以外の少なくとも１つの属性の属性値に基づいてそれぞれ予測する第１の複数の属性予測モデルを生成する属性予測モデル生成部と、
　前記第１の複数の属性予測モデルのそれぞれの予測誤差に基づいて、前記第１予測対象属性の属性値の予測に用いる第１属性予測モデルを選択する属性予測モデル選択部と
　を備える装置。
　前記属性データベースから、前記複数の対象者のうち一部の対象者をサンプリングするサンプリング部を更に備え、
　前記属性予測モデル生成部は、サンプリングされた一部の対象者に対応付けられた属性値を用いて、前記第１の複数の属性予測モデルを生成する請求項１に記載の装置。
　前記属性データベースに記憶された、前記複数の対象者のそれぞれの前記複数の属性値に基づいて、前記複数の属性の次元を縮約する次元縮約部を更に備え、
　前記属性予測モデル生成部は、次元縮約された前記複数の属性のうち少なくとも１つの属性の属性値から前記第１予測対象属性の属性値を予測する請求項１または２に記載の装置。
　前記属性予測モデル選択部は、前記第１予測対象属性の属性値の予測に用いる前記第１属性予測モデル、および第２予測対象属性の属性値の予測に用いる第２属性予測モデルとして、異なる属性予測モデルを選択可能とする請求項１から３のいずれか一項に記載の装置。
　前記属性予測モデル生成部は、前記第１の複数の属性予測モデルのそれぞれにおける学習可能なパラメータを学習させる請求項１から４のいずれか一項に記載の装置。
　前記第１の複数の属性予測モデルのそれぞれは、学習によって更新されないハイパーパラメータおよび予測アルゴリズムの少なくとも１つが他の属性予測モデルと異なる請求項１から５のいずれか一項に記載の装置。
　前記第１属性予測モデルを用いて、前記複数の対象者のそれぞれについて前記第１予測対象属性の属性値を予測する属性予測部を更に備える請求項１から６のいずれか一項に記載の装置。
　前記複数の対象者のうち一の対象者について前記第１予測対象属性の属性値が既知である場合において、前記第１予測対象属性の予測値が既知の属性値から基準以上乖離していることに応じて、前記第１予測対象属性の予測値を前記既知の属性値に基づいて更新する属性予測値更新部を更に備える請求項７に記載の装置。
　前記属性予測モデル生成部は、予測対象である第２予測対象属性の属性値を、前記第１予測対象属性の予測値を用いて予測する第２の複数の属性予測モデルを生成し、
　前記属性予測モデル選択部は、前記第２の複数の属性予測モデルのそれぞれの予測誤差に基づいて、前記第２予測対象属性の属性値の予測に用いる第２属性予測モデルを更に選択し、
　前記属性予測部は、前記第２属性予測モデルを用いて、前記複数の対象者のそれぞれについて前記第２予測対象属性を更に予測する請求項７または８に記載の装置。
　前記属性予測部は、前記複数の対象者のそれぞれについて、前記第１予測対象属性の属性値が既知であることを条件として既知の属性値を用いて対象者の前記第２予測対象属性の予測値を予測し、前記第１予測対象属性の属性値が未知であることを条件として前記第１予測対象属性の属性値を用いて対象者の前記第２予測対象属性の予測値を予測する請求項９に記載の装置。
　前記第１予測対象属性の予測値の予測の確からしさが閾値以上であることを条件として前記第１予測対象属性の予測値に基づいて前記第１予測対象属性の属性値を更新する属性値更新部を更に備える請求項７に記載の装置。
　２以上の予測対象属性の間に循環依存が存在することに応じて、前記属性予測部は、前記２以上の予測対象属性のそれぞれの予測に用いる他の予測対象属性の予測の確からしさ、および前記２以上の予測対象属性のそれぞれに対する他の予測対象属性の寄与度の少なくとも１つに基づいて、前記２以上の予測対象属性の予測順序を決定する請求項７から１１のいずれか一項に記載の装置。
　前記属性予測部は、前記２以上の予測対象属性のそれぞれについて、他の予測対象属性の予測の不確からしさおよび他の予測対象属性の寄与度の積和に基づいて、前記２以上の予測対象属性の予測値の予測順序を決定する請求項１２に記載の装置。
　前記第１予測対象属性は、前記第１予測対象属性に対応付けられた商品またはサービスに対する対象者の嗜好性を示す嗜好属性である請求項７から１３のいずれか一項に記載の装置。
　前記第１予測対象属性の属性値に基づいて、前記第１予測対象属性に対応付けられた商品またはサービスを対象者にレコメンドするか否かを選択するレコメンド処理部を更に備える請求項１４に記載の装置。
　予め定められた期間が経過したことに応じて、前記第１属性予測モデルの更新を指示するモデル更新指示部を更に備える請求項１から１５のいずれか一項に記載の装置。
　前記複数の対象者の少なくとも一部について、前記属性データベースに追加すべき追加属性の既知の属性値を示す既知情報を取得する既知情報取得部と、
　前記属性データベースの前記複数の属性に、前記追加属性を追加する属性追加部と、
　を更に備え、
　前記属性予測モデル生成部は、前記追加属性を予測対象属性として複数の属性予測モデルを生成し、
　前記属性予測モデル選択部は、前記複数の属性予測モデルのそれぞれの予測誤差に基づいて、前記予測対象属性の属性値の予測に用いる属性予測モデルを選択する
　請求項１から１６のいずれか一項に記載の装置。
　前記既知情報は、前記複数の対象者の少なくとも一部のそれぞれについて、前記追加属性の有無を示す請求項１７に記載の装置。
　コンピュータが、複数の対象者のそれぞれについて、複数の属性に対応する複数の属性値を記憶するための属性データベースを用いて、予測対象である第１予測対象属性の属性値を、前記複数の属性のうち前記第１予測対象属性以外の少なくとも１つの属性の属性値に基づいてそれぞれ予測する第１の複数の属性予測モデルを生成する属性予測モデル生成段階と、
　前記コンピュータが、前記第１の複数の属性予測モデルのそれぞれの予測誤差に基づいて、前記第１予測対象属性の属性値の予測に用いる第１属性予測モデルを選択する属性予測モデル選択段階と
　を備える方法。
　コンピュータにより実行され、前記コンピュータを、
　複数の対象者のそれぞれについて、複数の属性に対応する複数の属性値を記憶するための属性データベースに接続される属性データベース接続部と、
　前記属性データベースを用いて、予測対象である第１予測対象属性の属性値を、前記複数の属性のうち前記第１予測対象属性以外の少なくとも１つの属性の属性値に基づいてそれぞれ予測する第１の複数の属性予測モデルを生成する属性予測モデル生成部と、
　前記第１の複数の属性予測モデルのそれぞれの予測誤差に基づいて、前記第１予測対象属性の属性値の予測に用いる第１属性予測モデルを選択する属性予測モデル選択部と
　して機能させるプログラム。