WO2022054548A1 - 情報処理装置、情報処理方法、およびプログラム - Google Patents

情報処理装置、情報処理方法、およびプログラム Download PDF

Info

Publication number
WO2022054548A1
WO2022054548A1 PCT/JP2021/030721 JP2021030721W WO2022054548A1 WO 2022054548 A1 WO2022054548 A1 WO 2022054548A1 JP 2021030721 W JP2021030721 W JP 2021030721W WO 2022054548 A1 WO2022054548 A1 WO 2022054548A1
Authority
WO
WIPO (PCT)
Prior art keywords
behavior
information processing
analysis unit
map
similarity
Prior art date
Application number
PCT/JP2021/030721
Other languages
English (en)
French (fr)
Inventor
貴夫 田尻
貴大 石川
公則 橋戸
匠 森田
Original Assignee
ソニーグループ株式会社
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by ソニーグループ株式会社 filed Critical ソニーグループ株式会社
Priority to CN202180053607.4A priority Critical patent/CN116057560A/zh
Priority to US18/024,189 priority patent/US20230281545A1/en
Priority to JP2022547472A priority patent/JPWO2022054548A1/ja
Publication of WO2022054548A1 publication Critical patent/WO2022054548A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/06—Asset management; Financial planning or analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange

Definitions

  • This disclosure relates to information processing devices, information processing methods, and programs.
  • Patent Document 1 proposes a mechanism for analyzing investment behavior by an investment trust fund and performing a rating based on the result of the analysis.
  • a similarity map expressing the similarity between the actions by each of a plurality of task performers on a two-dimensional plane based on the action performance data showing the performance of the action related to a predetermined task.
  • the analysis unit is provided with an analysis unit for generating information processing, which outputs behavior reproduction data having the same data structure as the behavior performance data based on coordinate data representing the position of the plot in the similarity map.
  • Equipment is provided.
  • the processor displays the similarity between the actions by each of the plurality of task performers on a two-dimensional plane based on the action performance data showing the performance of the action related to a predetermined task.
  • the computer is used to show the similarity between the actions by each of the plurality of task performers on a two-dimensional plane based on the action record data showing the results of the actions related to a predetermined task.
  • the analysis unit includes an analysis unit that generates a similarity map represented by the above, and the analysis unit has an action reproduction data having the same data structure as the action performance data based on the coordinate data representing the position of the plot in the similarity map.
  • an investment fund (hereinafter, simply referred to as a fund) analyzes the behavior of a certain fund.
  • An analyst who belongs to a fund shall analyze the behavior of the analyzed person, for example, with a contracted fund or a new fund that is a candidate for a contract in the future as the person to be analyzed.
  • the technical idea according to the first embodiment of the present disclosure is conceived by paying attention to the above points, and it is possible to intuitively grasp the difference between the behavior of the person to be analyzed and the behavior of another task executor. It realizes the analysis.
  • the analyzer 20 includes an analysis unit 210 that analyzes the tendency of preference related to the behavior based on the behavior performance data showing the performance of the behavior related to the predetermined task. ..
  • the analysis unit 210 creates a similarity map expressing the similarity of the above actions by each of the plurality of task performers including the analysis target person on a two-dimensional plane based on the action record data.
  • One of the features is that the intensity of preference related to the generated and selected action type is expressed in the form of a heat map in the similarity map.
  • the task executor including the person to be analyzed may be a fund.
  • FIG. 1 is a diagram showing an example of a similarity map according to the present embodiment.
  • the analysis unit 210 can generate the similarity map M1 as shown in FIG. 1 based on the weight (active weight) information of the financial instrument that changes due to the transaction behavior. be.
  • the characteristics of the trading behavior by the fund A are plotted using round symbols, and the characteristics of the trading behavior by the fund B are plotted using the pentagonal symbols.
  • the similarity of the characteristics of each transaction behavior is expressed as the distance on the map.
  • both fund A and fund B may be funds that carry out trading behavior with an emphasis on value strategy.
  • the plots that characterize the trading behavior of Fund A and Fund B may be placed close together in the similarity map M1.
  • the similarity related to the characteristics of the transaction behavior of the fund can be visually expressed using the distance.
  • an analyst who refers to a similarity map can intuitively grasp a fund having similar characteristics of trading behavior and a fund having similar characteristics of trading behavior, and evaluate the fund. It will be possible to utilize it.
  • analysis unit 210 may represent changes in the time series of actions by each of the plurality of task performers in the similarity map.
  • each plot in the similarity map M1 shown in FIG. 1 shows the characteristics of the trading behavior of the fund in a certain month.
  • the characteristics of Fund A in a month are described by black or white circles in the similarity map M1.
  • the white circles may indicate the characteristics of the trading behavior of the fund A in the latest month
  • each black circle may indicate the characteristics of the trading behavior of the fund A in the past month.
  • the analysis unit 210 connects the plots related to the same fund in chronological order and distinguishes the plots related to the latest month from the past months, so that the characteristics of the transaction behavior of the fund are in chronological order. You may express how it is changing with.
  • the distance in the similarity map M1 is wide and vacant.
  • the analyst can infer that there was a significant change in the trading behavior of Fund C between the month corresponding to the sixth plot and the month corresponding to the seventh plot.
  • the plots related to Fund A and Fund B which emphasize the value strategy, are arranged at approximately close distances even in the time series.
  • the analyst can infer that Fund A and Fund B have adopted similar trading strategies in response to past market changes and the like.
  • the similarity map according to this embodiment has been described above with an example. According to the similarity map as described above, it is possible to visually and intuitively analyze the similarity of transaction behavior between funds and the change over time in the transaction behavior of a certain fund.
  • the analysis unit 210 may express the intensity of preference related to the selected action type in a heat map in the similarity map as described above.
  • the type of action described above can be appropriately set according to the target task.
  • the types of actions according to this embodiment include holding a financial product of a predetermined brand, holding a financial product corresponding to a predetermined industry, and holding a financial product corresponding to a predetermined factor. Possession etc. can be mentioned.
  • the analysis unit 210 when analyzing transaction behavior by a fund, maps the strength of preference of financial products corresponding to a predetermined brand, a predetermined industry, and a predetermined factor by each type fund to a similarity map. May be expressed in the form of a heat map.
  • FIG. 2 is a diagram showing an example of a similarity map expressing the intensity of preference according to the present embodiment in a heat map form.
  • FIG. 2 exemplifies a similarity map M2 (hereinafter, also referred to as a mining map M2) that expresses the strength of preference for holding financial products corresponding to the mining industry in a heat map.
  • a similarity map M2 hereinafter, also referred to as a mining map M2
  • the strength of preference for holding financial products corresponding to the mining industry is expressed using dots and diagonal lines.
  • the similarity in transaction behavior between funds is expressed by using the distance on the two-dimensional plane, and then the strength of preference for holding a predetermined financial product is expressed. It can be expressed in the form of a heat map.
  • the outline of the analysis by the analysis unit 210 according to the present embodiment has been described above.
  • the case where the predetermined task is asset management and the action related to the predetermined task is the transaction of buying and selling financial products has been described as an example.
  • the predetermined task and the action related to the predetermined task according to the present embodiment are not limited to the above example.
  • the predetermined task according to the present embodiment may be expanding sales of products.
  • marketing may be mentioned as an action related to a predetermined task.
  • the analysis unit 210 may analyze the similarity and preference of the existing channel and the newly hired channel based on the behavioral performance data regarding the channel used for selling or promoting the product, for example. It is possible. The results of such analysis are expected to be used for new recruitment of marketers, cancellation of contracts, optimization of marketing costs, and the like.
  • the predetermined task according to the present embodiment may be the acquisition of a contract.
  • various sales activities can be mentioned as actions related to a predetermined task.
  • the analysis unit 210 analyzes the similarity and preferences of various sales activities (for example, visits, telephone calls, emails, presentations, etc.) based on, for example, behavioral performance data related to sales activities. It is possible. The results of such analysis are expected to be used for evaluation of the similarity between existing employees and recruitment candidates, and for evaluation of the similarity between human resources who are candidates for movement and human resources at the destination. As described above, the analysis method according to the present embodiment can also be applied to personnel evaluation in a company or the like.
  • the system according to the present embodiment includes a learning device 10 that performs learning using a machine learning algorithm, and an analyzer 20 that performs analysis using an encoder and a decoder generated by learning by the learning device 10.
  • FIG. 3 is a block diagram showing a functional configuration example of the learning device 10 according to the present embodiment.
  • the learning device 10 may include a learning unit 110 and a storage unit 120.
  • the learning unit 110 performs learning using a machine learning algorithm.
  • the learning unit 110 learns about a variational autoencoder (VAE: Variational Auto-Encoder).
  • VAE Variational Auto-Encoder
  • a variational autoencoder is a neural network-based generative model that learns using an autoencoding variational Bayes algorithm.
  • the learning unit 110 inputs the action performance data into the neural network (encoder) and performs learning to generate a similarity map.
  • the learning unit 110 inputs a latent variable at an arbitrary point on the similarity map to the neural network (decoder) and performs learning to reproduce the action performance data.
  • the function of the learning unit 110 according to the present embodiment is realized by a processor such as a GPU.
  • the storage unit 120 stores various information related to learning executed by the learning unit 110.
  • the storage unit 120 stores the structure of the network used for learning by the learning unit 110, various parameters related to the network, learning data, and the like.
  • the functional configuration example of the learning device 10 according to the present embodiment has been described above.
  • the above functional configuration described with reference to FIG. 3 is merely an example, and the functional configuration of the learning device 10 according to the present embodiment is not limited to such an example.
  • the learning device 10 may further include an operation unit that accepts operations by the user, a display unit that displays various information, and the like.
  • the functional configuration of the learning device 10 according to this embodiment can be flexibly modified according to specifications and operations.
  • the analysis device 20 is an example of an information processing device that analyzes a tendency of preference related to behavior based on behavior performance data.
  • FIG. 4 is a block diagram showing a functional configuration example of the analyzer 20 according to the present embodiment.
  • the analyzer 20 according to the present embodiment may include an analysis unit 210, a storage unit 220, a display unit 230, and an operation unit 240.
  • the analysis unit 210 analyzes the tendency of preference related to the behavior based on the behavior performance data showing the performance of the behavior related to the predetermined task.
  • the analysis unit 210 expresses the similarity between actions by each of the plurality of task performers including the analysis target person on a two-dimensional plane based on the action performance data. Is generated, and one of the features is that the intensity of preference related to the selected action type is expressed in a heat map in a similarity map.
  • the analysis unit 210 generates and selects a similarity map that expresses at least the similarity between the behavior by the analysis target person and the behavior by the designated comparison target person on a two-dimensional plane.
  • the strength of the preference of the analysis target person and the strength of the preference of the comparison target person related to the type of behavior may be expressed in a heat map form in the similarity map.
  • the details of the analysis by the analysis unit 210 according to this embodiment will be described separately.
  • the function of the analysis unit 210 according to the present embodiment is realized by a processor such as a GPU.
  • the storage unit 220 stores various information used by the analyzer 20.
  • the storage unit 220 stores, for example, behavior record data, structures and parameters of encoders and decoders used by the analysis unit 210, analysis results, and the like.
  • the display unit 230 displays various visual information.
  • the display unit 230 according to the present embodiment includes a display.
  • the display unit 230 displays the result of analysis by the analysis unit 210 under the control of the analysis unit 210.
  • the results of the above analysis include similarity maps and the like.
  • the operation unit 240 accepts operations by the user.
  • the operation unit 240 includes various input devices such as a keyboard and a mouse.
  • the functional configuration of the analyzer 20 according to the present embodiment has been described above.
  • the above functional configuration described with reference to FIG. 4 is merely an example, and the functional configuration of the analyzer 20 according to the present embodiment is not limited to such an example.
  • the analysis unit 210 and the storage unit 220, and the display unit 230 and the operation unit 240 according to the present embodiment may be provided in separate devices.
  • the analysis unit 210 and the storage unit 220 may be provided in the information processing device arranged on the cloud, and the display unit 230 and the operation unit 240 may be provided in the information processing device arranged locally.
  • the functional configuration of the analyzer 20 according to this embodiment can be flexibly modified according to the specifications and operation.
  • FIG. 5 is a diagram for explaining analysis by the analysis unit 210 according to the present embodiment.
  • the analysis unit 210 inputs the behavior record data RD into the encoder 212 generated by the learning related to the variational autoencoder by the learning device 10, and thereby the similarity map M01. To generate.
  • the content of the behavior record data RD according to this embodiment can be designed according to the task to be analyzed.
  • the behavior performance data RD may include weight information related to financial products for each fund.
  • 6 and 7 are diagrams for explaining an example of the behavior record data RD according to the present embodiment.
  • the action performance data RD1 includes weight information or active weight information regarding a stock held by a certain fund in a certain month.
  • the behavior record data RD1 may include the absolute value of the holding amount for each issue.
  • the action performance data RD1 may include information on the difference between the holding amount of the stock held by the fund and the benchmark.
  • the behavior record data RD1 may include the weight information or active weight information for each fund as described above for the period for which the analysis is performed.
  • the action performance data RD2 contains information on the ratio of stocks held by a certain fund for each industry in a certain month.
  • the behavior record data RD does not necessarily have to include information on the particle size of the brand. For example, even when the behavior record data RD2 shown in FIG. 7 is used, it is possible to analyze the preference regarding a predetermined industry as shown in FIG.
  • the information included in the behavior record data RD according to the present embodiment may be selected according to the type of behavior by analyzing the preference.
  • the information included in the action performance data RD includes, for example, the number of stocks held, the number of newly incorporated stocks, the number of stocks sold, the turnover rate, and the return. And so on.
  • the analysis unit 210 After generating the similarity map M01, the analysis unit 210 according to the present embodiment creates a latent variable at an arbitrary point on the similarity map M01 by learning the variation autoencoder by the learning device 10. And get the output data OD.
  • the output data OD output by the decoder 214 may be data that reproduces the action record data input to the encoder 212.
  • the output data OD includes weight information related to each brand for each coordinate on the similarity map M01.
  • the output data OD includes information on the ratio of each industry for each coordinate on the similarity map M01.
  • the decoder 214 it is possible to obtain the output data OD by interpolating the unknown data not included in the action record data RD.
  • the analysis unit 210 generates a similarity map M02 expressing the intensity of preference related to the type of action in a heat map form based on the output data OD as described above.
  • the analysis unit 210 automatically selects the type of action having a large difference in the intensity of preference between the analysis target person and the comparison target person, and determines the preference intensity related to the selected action type.
  • the similarity map M02 expressed in the form of a heat map may be generated.
  • the projector 218 included in the analysis unit 210 in the present embodiment automatically selects an action type having a large difference in preference intensity between the analysis target person and the comparison target person, and also heat maps related to the action type. It is a configuration that generates an expression.
  • the behavior of the difference in the intensity of preference between the analysis target person and the comparison target person is based on the contribution of each element included in the behavior performance data RD to the generation of the similarity map M01. You may select the type.
  • SHAP SHapley Additive exPlanations
  • SHAP is a model that calculates the contribution of each data to the predicted value, that is, the value indicating how each element in the input data affected the predicted value of the model in the trained model.
  • the SHAP 216 calculates the contribution (SHAP value) of each element included in the action record data RD to the generation of the similarity map M01 by the encoder 212.
  • FIGS. 8 and 9 are diagrams showing an example of visually expressing the contribution degree calculated by SHAP216 according to the present embodiment.
  • each element included in the behavioral performance data in descending order of contribution to the X-axis or Y-axis of the similarity map (Fig. 8).
  • each brand is shown in the ranking.
  • each element included in the behavioral performance data in descending order of contribution to the X-axis or Y-axis of the similarity map (Fig. 9).
  • each brand is shown in the ranking.
  • the stock corresponding to the company J has the highest contribution to the X-axis and the stock corresponding to the company I has the highest contribution to the Y-axis.
  • the projector 218 may automatically select the type of action to be expressed in a heat map based on the contribution calculated as described above.
  • FIG. 10 is a diagram for explaining automatic selection of action types based on the degree of contribution according to the present embodiment.
  • the projector 218 according to the present embodiment may calculate the difference in the degree of contribution (SHAP value) for each brand between the analysis target person and the comparison target person.
  • the projector 218 calculates, for example, the difference in contribution of each brand between the analysis target person and the comparison target person on the X-axis and the Y-axis, respectively, and further averages the difference between the X-axis and the Y-axis. It may be calculated.
  • the projector 218 can determine that the higher the average of the difference on the X-axis and the difference on the Y-axis, the greater the difference in the intensity of preference.
  • the projector 218 selects a brand having a high average of the difference on the X-axis and the difference on the Y-axis from the top, and prefers the brand, the industry related to the brand, the factor related to the brand, and the like.
  • a similarity map M02 may be generated in which the intensity is expressed in a heat map.
  • the projector 218 performs clustering of brands based on the difference in contribution as shown in FIG. 10, identifies a group having a large weighted average value of the difference average, and heat-maps the preference intensity of the group. You may generate the similarity map M02 expressed in.
  • the projector 218 may accumulate user feedback on the similarity map expressed in the form of a heat map, and automatically select the type of action to be heat-mapped based on the feedback. ..
  • FIG. 11 is a diagram for explaining automatic selection of an action type based on feedback by a user according to the present embodiment.
  • the user confirms a similarity map in which the strength of preference for each issue is expressed in a heat map, and as shown in the upper part of FIG. 11, is the preference of the corresponding issue characteristic of the corresponding fund?
  • the evaluation value expressed in 5 stages is fed back.
  • the projector 218 performs matrix factorization based on the value given as feedback by the user, and predicts the evaluation value of the brand to which feedback is not performed.
  • the evaluation value predicted by the projector 218 is highlighted by dots.
  • the projector 218 automatically selects a brand based on the evaluation value fed back by the user and the predicted evaluation value, and creates a similarity map that expresses the preference intensity of the selected brand in a heat map form. Present to.
  • the projector 218 repeatedly executes the presentation of the similarity map as described above, the feedback of the evaluation value by the user, the prediction of the evaluation value based on the feedback, and the like, and thereby, the selection accuracy of the stock having the preference tendency characteristic of the fund. It is possible to increase.
  • FIGS. 12 to 16 are diagrams showing an example of the user interface UI 1 that presents the results of analysis by the analysis unit 210 according to the present embodiment.
  • the analysis unit 210 according to the present embodiment may control the user interface UI 1 by the display unit 230.
  • FIG. 12 shows an example of the "similarity map" tab of the user interface UI1.
  • the similarity map M1 generated by the analysis unit 210 may be displayed.
  • the user may be able to select a fund for displaying information on the similarity map M1 by using, for example, a field as shown in the lower left side of FIG.
  • the user may arbitrarily select a fund to be analyzed and a fund to be compared with the analysis target by using a field as shown in the lower left side of FIG. ..
  • the above-mentioned setting of analysis target and comparison target is particularly effective when it is desired to compare behavioral similarities between specific funds.
  • the user may set a fund under contract (for example, fund A) as a comparison target and a candidate fund (for example, fund G) as an analysis target.
  • a fund under contract for example, fund A
  • a candidate fund for example, fund G
  • the analysis unit 210 may display information indicating the distance of each fund on the similarity map M1 based on the fund set as the comparison target person on the user interface UI1.
  • the analysis unit 210 displays the distance of each fund on the similarity map M1 with respect to the fund A set as the comparison target, and causes the fund G set as the analysis target to display the distance. The relevant distance is highlighted and displayed.
  • FIGS. 13 to 15 show an example of the "difference" tab of the user interface UI1.
  • the analysis unit 210 may present to a plurality of users the types of actions in which there is a large difference in the intensity of preference between the analysis target person and the comparison target person.
  • the analysis unit 210 may display a similarity map expressing the intensity of preference related to the type of action selected by the user in a heat map form.
  • the analysis unit 210 sets the behavior type having a large difference in the intensity of preference between the fund G set as the analysis target person and the fund A set as the comparison target person. , "Industry: Mining”, “Industry: Transportation Equipment”, “Bargain” are presented.
  • the analysis unit 210 can automatically select the type of action as described above based on the contribution degree calculated by using the above-mentioned SHAP216.
  • the similarity map M3 expressed in the form of a heat map (hereinafter, also referred to as a transportation equipment map M3) may be displayed on the user interface UI1.
  • the fund A set as the comparison target has a strong preference for holding financial products corresponding to the transportation equipment, while the fund set as the analysis target. G can visually and intuitively grasp that the degree of preference for possession of financial products for transportation equipment is weak.
  • the user can infer that if the fund A is replaced with the fund G, the holding amount of financial products corresponding to the transportation equipment will be significantly reduced.
  • the analysis unit 210 may display the mining map M2 as shown in FIG. 2 on the user interface UI1.
  • the analysis unit 210 may present individual stocks having a particular difference in preference in "industry: mining” as in "company L" shown in FIG.
  • Map M4 (hereinafter, company L). Map M4, also referred to as) may be displayed on the user interface UI1.
  • the fund A set as the comparison target does not have a strong preference for holding financial products corresponding to the mining industry, whereas the analysis It is possible for the user to visually and intuitively grasp that the fund G set as the target person has a strong preference for holding financial products for the mining industry.
  • the user speculates that if the fund A is replaced with the fund G, the holding amount of financial products corresponding to the mining industry will increase significantly, and whether or not the risk can be tolerated. Can be considered.
  • the analysis unit 210 expresses the strength of preference for holding a financial product corresponding to the factor “cheap” in a heat map form M5. (Hereinafter, also referred to as a bargain map M5) may be displayed on the user interface UI1.
  • the analysis unit 210 can also express the strength of preference for holding a financial product corresponding to a predetermined factor in a heat map on the similarity map.
  • the fund A set as the comparison target has a strong preference for holding financial products corresponding to the factor “bargain”, while the fund G set as the analysis target. Allows the user to visually and intuitively understand that the degree of preference for holding financial products with respect to the factor "cheap" is weak.
  • the user can infer that if the fund A is replaced with the fund G, the holding amount of the financial product corresponding to the factor "cheap" will be significantly reduced.
  • the above is an example of information presentation in the "difference" tab according to this embodiment.
  • the user simply selects the items automatically listed by the analysis unit 210, and the user has a behavior with a large difference in preference between the analysis target person and the comparison target person. It is possible to visually and intuitively grasp the information related to the type of.
  • the user can display a similarity map expressing the degree of preference related to the action type selected by himself / herself in a heat map on the user interface. You may.
  • FIG. 16 shows an example of the "details" tab of the user interface UI1.
  • the analysis unit 210 may present a graph visually expressing the contribution degree of each brand as shown in FIGS. 8 and 9.
  • the analysis unit 210 may express the intensity of preference related to the type of action corresponding to the element selected by the user based on the presented contribution degree in a heat map form in the similarity map. good.
  • the analysis unit 210 uses the company L map M4 as a user interface based on the user selecting "company L” in the graph visually expressing the contribution of each brand. It is displayed on UI1.
  • the analysis unit 210 may further display a similarity map that expresses the strength of preferences related to the industry and factors supported by the "company L" in a heat map form.
  • the user can visually and intuitively grasp the difference in transaction behavior between funds by focusing on the preference for holding any financial product.
  • FIG. 17 is a flowchart showing an example of the flow of processing by the analyzer 20 according to the present embodiment.
  • the analysis unit 210 inputs the action performance data to the encoder 212 and generates a similarity map (S102).
  • the analysis unit 210 inputs the latent variable at an arbitrary point on the similarity map generated in step S102 to the decoder 214, and acquires the output data (S104).
  • the analysis unit 210 uses SHAP216 to calculate the contribution of each element included in the action performance data to the generation of the similarity map in step S102 (S106).
  • the analysis unit 210 selects the type of action having a large difference in the intensity of preference between the analysis target person and the comparison target person based on the contribution degree calculated in step S106 (S108).
  • the analysis unit 210 presents the type of action selected in step S108 to the user via the user interface UI1 (S110).
  • the analysis unit 210 displays on the user interface UI 1 a similarity map that expresses the intensity of preference related to the type of action selected by the user in the user interface UI 1 in the form of a heat map (S112).
  • the processing flow by the analyzer 20 according to this embodiment can be flexibly modified according to the specifications and operation.
  • the analyzer 20 analyzes the difference (similarity) between the behavior by the analysis target person and the behavior by another task executor using the similarity map will be described as a main example. did.
  • the use of similarity maps is not limited to the above analysis.
  • the analyzer 20 can also use the similarity map to reproduce a task that has already been performed or a task that can be performed by a third party.
  • the predetermined task is asset management and the action related to the predetermined task is a transaction for buying and selling financial products will be described as a main example.
  • the task executor shall be a fund.
  • risk diversification can be realized by adopting a fund whose assets under management and method characteristics are different from those of the contracted fund.
  • the analyzer 20 is an action that reproduces a task that can be performed by a third party having characteristics different from those of the contracted fund by using the generated similarity map. It is possible to output reproduction data.
  • 18 and 19 are diagrams for explaining the generation of behavior reproduction data according to the second embodiment of the present disclosure.
  • FIG. 18 shows the similarity map M02 generated by the analysis unit 210.
  • each plot in the similarity map M02 represents the characteristics of the asset management of the predetermined fund in the predetermined period. That is, the closer the distance between the plots, the more similar the characteristics of asset management, and the longer the distance between the plots, the different the characteristics of asset management.
  • this area is an area that cannot be covered by the asset management by the existing fund, and a new management method. It can be considered that it is likely to include the portfolio of.
  • the technical idea according to the second embodiment of the present disclosure was conceived by paying attention to the above points, and makes it possible to accurately reproduce the task corresponding to the coordinates specified in the similarity map.
  • the analysis unit 210 of the analysis device 20 outputs behavior reproduction data having the same data structure as the behavior performance data based on the coordinate data representing the position of the plot in the similarity map. Is one of the features.
  • the analysis unit 210 when expressing the change in the time series of the behavior by each of the plurality of task performers in the similarity map, expresses the change in the time series based on the coordinate data. Data may be output.
  • Each plot related to fund Z is sufficiently distant from each plot based on the behavioral performance data of existing funds A to G used to generate the similarity map M02, and the existing funds A to G are sufficiently separated from each other. It can be said that it expresses asset management with different characteristics.
  • the analysis unit 210 inputs coordinate data (x z , yz ) indicating the position of each plot related to the fund Z as shown in the figure into the trained decoder 214 shown in FIG. It is possible to output behavior reproduction data having the same data structure as the behavior performance data.
  • the behavioral performance data used to generate the similarity map M02 includes weight information or active weight information regarding stocks 1 to n held by a certain fund in a certain period. do.
  • the behavior reproduction data may also include weight information or active weight information regarding brand 1 to brand n for each period.
  • the action performance data used for generating the similarity map M02 includes information on the ratio of the stocks held by a certain fund for each industry 1 to n in a certain period. Is assumed.
  • the behavior reproduction data may also include weight information or active weight information relating to industry 1 to industry n for each period.
  • the coordinate data used to generate the behavior reproduction data may be given by the analyst using an external file or the like.
  • the analysis unit 210 may convert the points and lines drawn by the analyst on the similarity map M02 into coordinate data and use them to generate behavior reproduction data.
  • the analysis unit 210 may extract a region having a low plot density (for example, a blank region) on the generated similarity map M02 and automatically generate coordinate data representing the position of the plot in the region. ..
  • the analysis unit 210 may generate coordinate data so that the plot is generated at a position as far as possible from the existing plot. Further, when generating time-series behavior reproduction data, coordinate data related to each plot may be generated so that a smooth line without abrupt changes is formed.
  • the analysis unit 210 it is possible to easily and accurately reproduce the data on asset management that can be executed by a new fund having characteristics different from those of the existing fund.
  • FIG. 20 is a flowchart showing an example of the flow of behavior reproduction data generation according to the present embodiment.
  • the analysis unit 210 first inputs the behavior record data into the trained encoder 212 and generates a similarity map (S202).
  • step S202 Since the similarity map generation in step S202 may be the same as the process in the first embodiment, detailed description thereof will be omitted.
  • the analysis unit 210 generates coordinate data (S204).
  • the analysis unit 210 may generate coordinate data based on points or lines drawn on the similarity map, or may automatically generate coordinate data based on the extracted blank area.
  • step S204 when the coordinate data is given using an external file or the like, the process in step S204 may be skipped.
  • the analysis unit 210 inputs the coordinate data to the trained decoder 214 and outputs the action reproduction data (S206).
  • the behavior reproduction data output in step S206 may have the same data structure as the behavior performance data used for generating the similarity map in step S202.
  • the person in charge can voluntarily search for a portfolio or management company having desirable characteristics according to his / her own situation. From this, it is expected that by using the analysis method according to the present embodiment, it is possible to reduce the personality and contingency in the development process of the new operation method, and to improve the productivity and efficiency of the development process. To.
  • the analysis unit 210 generates the behavior reproduction data by inputting the coordinate data to the trained decoder 214 has been described. According to this, for example, it is possible to easily obtain data that reproduces asset management that can be executed by a fictitious new fund having characteristics different from those of an existing fund, and it is possible to utilize it for adoption of a new fund or the like.
  • investment portfolios often have their own investment limits set by each investment entity (asset management company, etc.) from the perspective of the liquidity and investment efficiency of investment stocks. Since asset owners such as funds cannot make additional investments beyond this investment limit, there will inevitably be an upper limit on investment.
  • the analysis unit 210 may express the behavior reproduction data corresponding to the arbitrary coordinate data by using the behavior performance data of a plurality of task executors.
  • the analysis unit 210 uses behavior reproduction data corresponding to the behavior performance data of the selected existing task executor of a plurality of other task executors different from the predetermined task executor. It may be expressed using behavioral performance data.
  • the analysis unit 210 may output information regarding the synthesis ratio of the behavior performance data of a plurality of task executors used for expressing the behavior reproduction data.
  • asset management by any existing fund can be reproduced by combining asset management by other multiple existing funds, and it is possible to greatly relax the restrictions on the upper limit of investment.
  • FIG. 21 is a diagram for explaining the representation of the behavior reproduction data using the existing behavior performance data according to the present embodiment.
  • FIG. 21 shows an example of expressing the behavior reproduction data that reproduces the asset management by the existing fund C by using the behavior performance data of the existing funds B, E, and G.
  • the choice of the behavior performance data of other existing funds to be used may be arbitrary in principle, but the length of the trajectory formed by the plot based on the behavior performance data is long, and the distance between the centers of gravity of the trajectories. It is predicted that the longer the distance is, and the closer the angle of the line segment connecting the centers of gravity is to the right angle, the higher the reproduction accuracy.
  • the analysis unit may calculate the composition ratio based on the positional relationship between the plots based on the behavior performance data of each of the plurality of task performers in the similarity map.
  • the analysis unit 210 uses two position vectors obtained from three plots based on each of the action performance data of three different task performers to form a linear combination vector representing the specified coordinate data. It may be generated and the composition ratio may be calculated based on the linear combination vector.
  • the analysis unit 210 calculates the composition ratio based on the positional relationship between the plots based on the behavioral performance data of each of fund B, fund E, and fund G in the similarity map M02.
  • the coordinates of each plot are defined as in the following formula (1).
  • the position vector 1 (starting from the plot of fund G) formed by the plot of fund G and the plot of fund B in a certain period can be expressed by the following mathematical formula (2).
  • the position vector 2 (starting from the plot of fund G) formed by the plot of fund G and the plot of fund E in a certain period can be expressed by the following mathematical formula (3).
  • the analysis unit 210 uses the above position vector 1 and position vector 2 to generate a linear combination vector corresponding to the plot P of the fund C to be reproduced.
  • the linear combination vector can be calculated by the following mathematical formula (4).
  • the analysis unit 210 uses the linear combination coefficients ( ⁇ 1 , ⁇ 2 ) to plot each of the fund B, the fund E, and the fund G, as shown in the following mathematical formula (5). Back-calculate the synthesis ratio of the corresponding behavioral performance data. At this time, each plot of fund B, fund E, and fund G can be represented by the following mathematical formulas (6) to (8).
  • the analysis unit 210 it is possible to express the behavior reproduction data corresponding to the arbitrary coordinate data by using the behavior performance data of a plurality of task executors.
  • the analysis unit 210 may or may not be existing. It is possible to express the task corresponding to arbitrary coordinates by the existing action record data.
  • the analysis unit 210 may express the plot automatically generated in the blank area by using the existing plot. According to this, it is possible to realize asset management with characteristics different from those of existing funds by synthesizing existing funds.
  • the analysis unit 210 first inputs the behavior record data into the trained encoder 212 and generates a similarity map (S302).
  • step S302 Since the similarity map generation in step S302 may be the same as the process in the first embodiment, detailed description thereof will be omitted.
  • any existing fund may be specified using the user interface.
  • the coordinate data specified in step S304 is not limited to the plot related to the existing fund as described above.
  • the analysis unit 210 calculates the synthesis ratio related to the behavior record data of the plurality of task executors based on the coordinate data specified in step S304 (S306).
  • the analysis unit 210 outputs the information regarding the synthesis ratio calculated in step S306 and the behavior reproduction data generated based on the synthesis ratio (S308).
  • FIG. 23 is a block diagram showing a hardware configuration example of the information processing apparatus 90 according to the embodiment of the present disclosure.
  • the information processing device 90 may be a device having the same hardware configuration as each of the above devices.
  • the information processing unit 90 includes, for example, a processor 871, a ROM 872, a RAM 873, a host bus 874, a bridge 875, an external bus 876, an interface 877, an input device 878, and an output device. It has an 879, a storage 880, a drive 881, a connection port 882, and a communication device 883.
  • the hardware configuration shown here is an example, and some of the components may be omitted. Further, components other than the components shown here may be further included.
  • the processor 871 functions as, for example, an arithmetic processing unit or a control device, and controls all or a part of the operation of each component based on various programs recorded in the ROM 872, the RAM 873, the storage 880, or the removable storage medium 901. ..
  • the ROM 872 is a means for storing programs read into the processor 871 and data used for operations.
  • the RAM 873 temporarily or permanently stores, for example, a program read by the processor 871 and various parameters that change as appropriate when the program is executed.
  • the processors 871, ROM 872, and RAM 873 are connected to each other via, for example, a host bus 874 capable of high-speed data transmission.
  • the host bus 874 is connected to the external bus 876, which has a relatively low data transmission speed, via, for example, the bridge 875.
  • the external bus 876 is connected to various components via the interface 877.
  • Input device 8708 For the input device 878, for example, a mouse, a keyboard, a touch panel, buttons, switches, levers, and the like are used. Further, as the input device 878, a remote controller (hereinafter referred to as a remote controller) capable of transmitting a control signal using infrared rays or other radio waves may be used. Further, the input device 878 includes a voice input device such as a microphone.
  • the output device 879 for example, a display device such as a CRT (Cathode Ray Tube), an LCD, or an organic EL, an audio output device such as a speaker or a headphone, a printer, a mobile phone, a facsimile, or the like, provides the user with the acquired information. It is a device capable of visually or audibly notifying. Further, the output device 879 according to the present disclosure includes various vibration devices capable of outputting tactile stimuli.
  • the storage 880 is a device for storing various types of data.
  • a magnetic storage device such as a hard disk drive (HDD), a semiconductor storage device, an optical storage device, an optical magnetic storage device, or the like is used.
  • the drive 881 is a device for reading information recorded on a removable storage medium 901 such as a magnetic disk, an optical disk, a magneto-optical disk, or a semiconductor memory, or writing information to the removable storage medium 901.
  • a removable storage medium 901 such as a magnetic disk, an optical disk, a magneto-optical disk, or a semiconductor memory
  • the removable storage medium 901 is, for example, a DVD media, a Blu-ray (registered trademark) media, an HD DVD media, various semiconductor storage media, and the like.
  • the removable storage medium 901 may be, for example, an IC card equipped with a non-contact type IC chip, an electronic device, or the like.
  • connection port 882 is a port for connecting an external connection device 902 such as a USB (Universal General Bus) port, an IEEE1394 port, a SCSI (Small Computer System Interface), an RS-232C port, or an optical audio terminal.
  • an external connection device 902 such as a USB (Universal General Bus) port, an IEEE1394 port, a SCSI (Small Computer System Interface), an RS-232C port, or an optical audio terminal.
  • the externally connected device 902 is, for example, a printer, a portable music player, a digital camera, a digital video camera, an IC recorder, or the like.
  • the communication device 883 is a communication device for connecting to a network, and is, for example, a communication card for wired or wireless LAN, Wireless (registered trademark), or WUSB (Wireless USB), a router for optical communication, and ADSL (Asymmetric Digital). A router for Subscriber Line), a modem for various communications, and the like.
  • the analyzer 20 has similarities between actions by each of a plurality of task performers based on action record data showing the results of actions related to a predetermined task.
  • the analysis unit 210 is provided to generate a similarity map in which the above is expressed on a two-dimensional plane.
  • the analysis unit 210 outputs behavior reproduction data having the same data structure as the behavior performance data based on the coordinate data representing the position of the plot in the similarity map. It is one of the features.
  • each step related to the processing described in the present specification does not necessarily have to be processed in chronological order in the order described in the flowchart or the sequence diagram.
  • each step related to the processing of each device may be processed in an order different from the order described, or may be processed in parallel.
  • each device described in the present specification may be realized by using any of software, hardware, and a combination of software and hardware.
  • the programs constituting the software are, for example, provided inside or outside each device and are stored in advance in a non-transitory computer readable medium that can be read by a computer. Then, each program is read into RAM at the time of execution by a computer and executed by various processors, for example.
  • the storage medium is, for example, a magnetic disk, an optical disk, a magneto-optical disk, a flash memory, or the like.
  • the above computer program may be distributed, for example, via a network without using a storage medium.
  • An analysis unit that generates a similarity map that expresses the similarity between the actions by each of a plurality of task performers on a two-dimensional plane based on the action performance data showing the performance of the action related to a predetermined task. Equipped with The analysis unit outputs behavior reproduction data having the same data structure as the behavior performance data based on the coordinate data representing the position of the plot in the similarity map. Information processing equipment. (2) The analysis unit represents changes in the time series of the behavior by each of the plurality of task performers in the similarity map. Outputs the behavior reproduction data expressing changes in time series based on a plurality of the coordinate data.
  • the information processing apparatus according to (1) above.
  • the analysis unit extracts a region where the density of the plot is low on the generated similarity map, and outputs the behavior reproduction data based on the coordinate data representing the position of the plot in the region.
  • the analysis unit expresses the behavior reproduction data corresponding to the coordinate data by using the behavior performance data of a plurality of task performers.
  • the analysis unit uses the action reproduction data corresponding to the action record data of the selected predetermined task executor, and the action record data of a plurality of other task executors different from the predetermined task executor. Express The information processing apparatus according to (4) above.
  • the analysis unit outputs information regarding the synthesis ratio of the behavior performance data of a plurality of task performers used to represent the behavior reproduction data.
  • the analysis unit calculates the synthesis ratio based on the positional relationship between the plots based on the behavior performance data of each of the plurality of task performers in the similarity map.
  • the analysis unit uses two position vectors obtained from three plots based on each of the action performance data of three different task performers to generate a linear combination vector representing the specified coordinate data, and the linear combination. Calculate the composite ratio based on the combination vector, The information processing apparatus according to (7) above.
  • the analysis unit generates the similarity map by inputting the behavior performance data into the trained encoder.
  • the information processing apparatus according to (1) above. 10
  • the analysis unit inputs the coordinate data to the trained decoder and outputs the behavior reproduction data.
  • the information processing apparatus according to (9) above. (11)
  • the encoder and the decoder are generated by learning related to a variational autoencoder.
  • the predetermined task includes asset management.
  • the actions include buying and selling financial instruments.
  • the information processing apparatus according to (12) above. (14)
  • the type of action includes holding the financial instrument of a given brand.
  • the type of action includes holding the financial instrument corresponding to a given industry.
  • the information processing apparatus includes holding the financial instrument corresponding to a given factor.
  • the information processing apparatus according to (13) above.
  • the behavior performance data and the behavior reproduction data include weight information related to financial products.
  • the information processing apparatus according to (13) above.
  • a display unit that displays the similarity map, Further prepare, The information processing apparatus according to (1) above.
  • the processor generates a similarity map that expresses the similarity between the actions by each of the plurality of task performers on a two-dimensional plane based on the action performance data showing the performance of the action related to a predetermined task.
  • To output behavior reproduction data having the same data structure as the behavior performance data based on the coordinate data representing the position of the plot in the similarity map. including, Information processing method.

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Technology Law (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

【課題】分析対象者による行動と他のタスク実行者による行動との差異を直感的に把握可能な分析を実現する。 【解決手段】所定のタスクに関する行動の実績を示す行動実績データに基づいて、前記行動に係る選好の傾向を分析する分析部、を備え、前記分析部は、前記行動実績データに基づいて、分析対象者を含む複数のタスク実行者の各々による前記行動間の類似性を２次元平面上で表現した類似性マップを生成し、選択された前記行動の種別に係る選好の強度を前記類似性マップにおいてヒートマップ状に表現する、情報処理装置が提供される。

Description

情報処理装置、情報処理方法、およびプログラム
　本開示は、情報処理装置、情報処理方法、およびプログラムに関する。
　あるタスクを実行するタスク実行者に関し、当該実行者による行動を適切に分析することは非常に重要である。このために、近年においては、上記のような分析を自動化あるいは補助する仕組みが多く提案されている。例えば、特許文献１には、投信ファンドによる投資行動を分析し、当該分析の結果に基づくレーティングを行う仕組みが提案されている。
特開２００９－２４５３６８号公報
　また、上記のような分析が精度高く実現される場合、当該分析の結果を用いて、実行済みのタスクや、第三者により実行され得るタスクを再現できる場合がある。
　本開示のある観点によれば、所定のタスクに関する行動の実績を示す行動実績データに基づいて、複数のタスク実行者の各々による前記行動間の類似性を２次元平面上で表現した類似性マップを生成する分析部、を備え、前記分析部は、前記類似性マップにおけるプロットの位置を表す座標データに基づいて、前記行動実績データと同一のデータ構造を有する行動再現データを出力する、情報処理装置が提供される。
　また、本開示の別の観点によれば、プロセッサが、所定のタスクに関する行動の実績を示す行動実績データに基づいて、複数のタスク実行者の各々による前記行動間の類似性を２次元平面上で表現した類似性マップを生成することと、前記類似性マップにおけるプロットの位置を表す座標データに基づいて、前記行動実績データと同一のデータ構造を有する行動再現データを出力することと、を含む、情報処理方法が提供される。
　また、本開示の別の観点によれば、コンピュータを、所定のタスクに関する行動の実績を示す行動実績データに基づいて、複数のタスク実行者の各々による前記行動間の類似性を２次元平面上で表現した類似性マップを生成する分析部、を備え、前記分析部は、前記類似性マップにおけるプロットの位置を表す座標データに基づいて、前記行動実績データと同一のデータ構造を有する行動再現データを出力する、情報処理装置、として機能させるためのプログラムが提供される。
本開示の第１の実施形態に係る類似性マップの一例を示す図である。 同実施形態に係る選好の強度をヒートマップ状に表現した類似性マップの一例を示す図である。 同実施形態に係る学習装置１０の機能構成例を示すブロック図である。 同実施形態に係る分析装置２０の機能構成例を示すブロック図である。 同実施形態に係る分析部２１０による分析について説明するための図である。 同実施形態に係る行動実績データＲＤの一例について説明するための図である。 同実施形態に係る行動実績データＲＤの一例について説明するための図である。 同実施形態に係るＳＨＡＰ２１６が算出する寄与度を視覚的に表現した一例を示す図である。 同実施形態に係るＳＨＡＰ２１６が算出する寄与度を視覚的に表現した一例を示す図である。 同実施形態に係る寄与度に基づく行動の種別の自動選定について説明するための図である。 同実施形態に係るユーザによるフィードバックに基づく行動の種別の自動選定について説明するための図である。 同実施形態に係る分析部２１０による分析の結果を提示するユーザインタフェースＵＩ１の一例を示す図である。 同実施形態に係る分析部２１０による分析の結果を提示するユーザインタフェースＵＩ１の一例を示す図である。 同実施形態に係る分析部２１０による分析の結果を提示するユーザインタフェースＵＩ１の一例を示す図である。 同実施形態に係る分析部２１０による分析の結果を提示するユーザインタフェースＵＩ１の一例を示す図である。 同実施形態に係る分析部２１０による分析の結果を提示するユーザインタフェースＵＩ１の一例を示す図である。 同実施形態に係る分析装置２０による処理の流れの一例を示すフローチャートである。 本開示の第２の実施形態に係る行動再現データの生成について説明するための図である。 同実施形態に係る行動再現データの生成について説明するための図である。 同実施形態に係る行動再現データ生成の流れの一例を示すフローチャートである。 同実施形態に係る既存の行動実績データを用いた行動再現データの表現について説明するための図である。 同実施形態に係る既存の行動実績データを用いた行動再現データ出力の流れの一理を示すフローチャートである。 本開示の一実施形態に係る情報処理装置９０のハードウェア構成例を示すブロック図である。
　以下に添付図面を参照しながら、本開示の好適な実施の形態について詳細に説明する。なお、本明細書及び図面において、実質的に同一の機能構成を有する構成要素については、同一の符号を付することにより重複説明を省略する。
　なお、説明は以下の順序で行うものとする。
　１．第１の実施形態
　　１．１．概要
　　１．２．システム構成例
　　１．３．分析の詳細
　　１．４．ユーザインタフェースの例
　　１．５．処理の流れ
　２．第２の実施形態
　　２．１．行動再現データの生成
　　２．２．既存の行動実績データを用いた行動再現データの表現
　３．ハードウェア構成例
　４．まとめ
　＜１．実施形態＞
　＜＜１．１．概要＞＞
　まず、本開示の第１の実施形態について説明する。上述したように、所定のタスクを実行するタスク実行者による行動を適切に分析することは、業界業種を問わず非常に重要である。
　しかし、タスク実行者が実行するタスクの専門性が高い場合、かつ分析者が当該タスクに関する専門知識をタスク実行者と同等に有しない場合等においては、適切な分析を行うことが困難な場合がある。
　ここでは、一例として、ある基金においては、投資ファンド（以下、単に、ファンド、と称する）による行動の分析を行う場合を想定する。
　基金に属する分析者は、例えば、契約済みのファンドや、今後に契約を行う候補となる新規のファンドを分析対象者として当該分析対象者による行動の分析を行うものとする。
　しかし、ここで、基金に属する分析者が分析対象者と同等の専門的知識を有しない場合、分析者は、分析対象者による行動が他のファンドとどのように異なるかを把握することができず、分析対象者を適切に評価することが困難である。
　本開示の第１の実施形態に係る技術思想は上記の点に着目して発想されたものであり、分析対象者による行動と他のタスク実行者による行動との差異を直感的に把握可能な分析を実現するものである。
　このために、本開示の第１の実施形態に係る分析装置２０は、所定のタスクに関する行動の実績を示す行動実績データに基づいて、当該行動に係る選好の傾向を分析する分析部２１０を備える。
　また、本実施形態に係る分析部２１０は、前記行動実績データに基づいて、分析対象者を含む複数のタスク実行者の各々による上記行動の類似性を２次元平面上で表現した類似性マップを生成し、選択された行動の種別に係る選好の強度を上記類似性マップにおいてヒートマップ状に表現する、ことを特徴の一つとする。
　なお、以下においては、上記所定のタスクが資産運用であり、所定のタスクに関する行動が金融商品の売買取引である場合を主な例として説明する。この場合、分析対象者を含むタスク実行者は、ファンドであってよい。
　ここで、本実施形態に係る分析部２１０が生成する類似性マップについて一例を挙げて説明する。図１は、本実施形態に係る類似性マップの一例を示す図である。
　例えば、本実施形態に係る分析部２１０は、取引行動に起因して変化する金融商品のウェイト（アクティブウェイト）情報に基づいて、図１に示すような類似性マップＭ１を生成することが可能である。
　図１に例示する類似性マップＭ１では、ファンドＡ～ファンドＧの各々による取引行動の特徴がファンド毎に異なる記号を用いてプロットされている。
　例えば、図１に示す一例の場合、ファンドＡによる取引行動の特徴は丸い記号を用いてプロットされ、ファンドＢによる取引行動の特徴は五角形の記号を用いてプロットされている。
　また、本実施形態に係る類似性マップにおいては、各取引行動の特徴の類似性がマップ上の距離として表現される。
　例えば、図１の示す一例において、ファンドＡおよびファンドＢは、ともにバリュー戦略を重視した取引行動を行うファンドであってよい。この場合、ファンドＡおよびファンドＢの取引行動の特徴を示す各プロットは、類似性マップＭ１において近い距離に配置され得る。
　同様に、大型グロース戦略を重視するファンドＣおよびファンドＤの取引行動の特徴を示す各プロットは、類似性マップＭ１において近い距離に配置され得る。
　同様に、小型グロース戦略を重視するファンドＥおよびファンドＦの取引行動の特徴を示す各プロットは、類似性マップＭ１において近い距離に配置され得る。
　このように、本実施形態に係る分析部２１０が生成する類似性マップによれば、ファンドの取引行動の特徴に係る類似性を距離を用いて視覚的に表現することができる。
　これによれば、類似性マップを参照する分析者が、取引行動の特徴が似ているファンドや、反対に取引行動の特徴が似ていないファンドを直感的に把握することができ、ファンドの評価に活用することが可能となる。
　また、本実施形態に係る分析部２１０は、類似性マップにおいて複数のタスク実行者の各々による行動の時系列における変化を表現してもよい。
　例えば、図１に示す類似性マップＭ１における各プロットは、該当ファンドのある月における取引行動の特徴を示す。一例として、ファンドＡのある月における特徴は、類似性マップＭ１において黒丸または白丸で記述されている。
　なお、図１に示す一例においては、白丸がファンドＡの最新月の取引行動の特徴を示し、各黒丸がファンドＡの過去月の取引行動の特徴を示すものであってよい。
　このように、本実施形態に係る分析部２１０は、同一ファンドに係るプロットを時系列に線で繋ぎ、最新月に係るプロットを過去月と区別することで、ファンドの取引行動の特徴が時系列でどのように変化しているかを表現してもよい。
　上記のような表現によれば、あるファンドの取引行動の特徴が時系列においてどのように変化しているかを分析することが可能である。
　例えば、図１に示す一例の場合、ファンドＣの最も過去から数えて６つ目のプロットと７つ目のプロットでは、類似性マップＭ１における距離が広く空いている。この場合、分析者は、上記６つめのプロットに相当する月と上記７つ目のプロットに相当する月とで、ファンドＣが行った取引行動に大きな変化があったと推察することができる。
　また、図１に示すような時系列表現によれば、あるファンド間の取引行動の特徴が時系列においてどのように変化しているかを分析することも可能である。
　例えば、図１に示す一例の場合、バリュー戦略を重視するファンドＡおよびファンドＢに係る各プロットは、時系列においても概ね近い距離に配置されている。この場合、分析者は、ファンドＡおよびファンドＢが、過去における市場変化等に対し似たような取引戦略を採ったと推察することができる。
　一方、図１に示す一例の場合、小型グロース戦略を重視するファンドＥおよびファンドＦに係る各プロットは、経時とともに距離が広がっている。この場合、分析者は、ファンドＥおよびファンドＦが、過去における市場変化等に対し類似しない取引戦略を採ったと推察することができる。
　以上、本実施形態に係る類似性マップについて一例を挙げて説明した。上記で説明したような類似性マップによれば、ファンド間における取引行動の類似性や、あるファンドの取引行動の経時変化などに関する分析を視覚的かつ直感的に行うことが可能となる。
　また、本実施形態に係る分析部２１０は、上記で説明したような類似性マップにおいて、選択された行動の種別に係る選好の強度をヒートマップ状に表現してよい。
　ここで、上記の行動の種別とは、対象となるタスクに応じて適宜設定され得る。例えば、タスクが資産運用である場合、本実施形態に係る行動の種別には、所定の銘柄の金融商品の保有、所定の業種に対応する金融商品の保有、所定のファクターに対応する金融商品の保有などが挙げられる。
　すなわち、ファンドによる取引行動の分析を行う場合、本実施形態に係る分析部２１０は、類各ファンドによる所定の銘柄、所定の業種、所定のファクターに対応する金融商品の選好の強度を類似性マップにおいてヒートマップ状に表現してもよい。
　図２は、本実施形態に係る選好の強度をヒートマップ状に表現した類似性マップの一例を示す図である。図２には、鉱業に対応する金融商品の保有に関する選好の強度をヒートマップ状に表現した類似性マップＭ２（以下、鉱業マップＭ２、とも称する）が例示されている。
　なお、図２に示す一例においては、鉱業に対応する金融商品の保有に関する選好の強度が、ドットおよび斜線を用いて表現されている。
　具体的には、鉱業マップＭ２においてドットで表現される場合には、鉱業に対応する金融商品を保有する選好が強く、またドットの密度が高いほど選好度の度合いが強いことが表現される。
　反対に、鉱業マップＭ２において斜線で表現される場合には、鉱業に対応する金融商品を保有する選好が低く、またドットの密度が高いほど選好度の度合いが低いことが表現される。
　また、図２において例示する鉱業マップＭ２においては、各ファンドに係るプロットが、図１に示す凡例と同様の規則に従って記述されている。
　これらを踏まえて鉱業マップＭ２を参照すると、ファンドＡ～ファンドＦが、鉱業に対応する金融商品の保有に関し強い選好を有しないのに対し、ファンドＧは、鉱業に対する金融商品の保有に非常に強い選好を有することを直感的に把握可能である。
　このように、本実施形態に係る分析部２１０によれば、ファンド間の取引行動における類似性を２次元平面上の距離を用いて表現したうえで、所定の金融商品の保有に対する選好の強度をヒートマップ状に表現することが可能である。
　また、これによれば、ファンド間の取引行動の差異を、金融商品の保有に係る選好に着目して視覚的かつ直感的に把握することが可能となる。
　以上、本実施形態に係る分析部２１０による分析の概要について述べた。なお、上記では、所定のタスクが資産運用であり、所定のタスクに関する行動が金融商品の売買取引である場合を例に説明した。
　しかし、本実施形態に係る所定のタスク、所定のタスクに関する行動は係る例に限定されない。
　例えば、本実施形態に係る所定のタスクは、商品の販売拡大であってもよい。また、所定のタスクに関する行動には、マーケティングが挙げられる。
　この場合、本実施形態に係る分析部２１０は、例えば、商品の販売や宣伝に用いられたチャネルに関する行動実績データに基づいて、既存チャネルや新規採用チャネルの類似性や選好に関する分析を行うことが可能である。このような分析の結果は、マーケッターの新規採用や契約の解除、マーケティング費用の最適化等への活用が期待される。
　また、例えば、本実施形態に係る所定のタスクは、契約の獲得であってもよい。また、所定のタスクに関する行動には、各種の営業活動が挙げられる。
　この場合、本実施形態に係る分析部２１０は、例えば、営業活動に関する行動実績データに基づいて、各種の営業活動（例えば、訪問、電話、メール、プレゼンテーション等）の類似性や選好に関する分析を行うことが可能である。このような分析の結果は、既存社員と採用候補者の類似性の評価や、移動候補人材と移動先における人材との類似性の評価等への活用が期待される。このように、本実施形態に係る分析方法は、企業等における人事評価にも適用が可能である。
　以下、上記のような分析を実現するシステム構成例について詳細に説明する。
　＜＜１．２．システム構成例＞＞
　本実施形態に係るシステムは、機械学習アルゴリズムを用いた学習を行う学習装置１０と、学習装置１０による学習により生成されるエンコーダおよびデコーダを用いて分析を実施する分析装置２０とを備える。
　（学習装置１０）
　まず、本実施形態に係る学習装置１０の機能構成例について述べる。図３は、本実施形態に係る学習装置１０の機能構成例を示すブロック図である。
　図３に示すように、本実施形態に係る学習装置１０は、学習部１１０および記憶部１２０を備えてもよい。
　（学習部１１０）
　本実施形態に係る学習部１１０は、機械学習アルゴリズムを用いた学習を行う。
　例えば、本実施形態に係る学習部１１０は、変分オートエンコーダ（ＶＡＥ：Variational Auto-Encoder）に係る学習を行う。変分オートエンコーダとは、オートエンコーディング変分ベイズアルゴリズムを使って学習を行うニューラルネットワークベースの生成モデルである。
　具体的には、本実施形態に係る学習部１１０は、ニューラルネットワーク（エンコーダ）に行動実績データを入力し、類似性マップを生成する学習を行う。
　また、本実施形態に係る学習部１１０は、ニューラルネットワーク（デコーダ）に類似性マップ上の任意の点における潜在変数を入力し、行動実績データを再現する学習を行う。
　本実施形態に係る学習部１１０が有する機能は、ＧＰＵなどのプロセッサにより実現される。
　（記憶部１２０）
　本実施形態に係る記憶部１２０は、学習部１１０により実行される学習に関する各種の情報を記憶する。例えば、記憶部１２０は、学習部１１０により学習に用いられるネットワークの構造や、当該ネットワークに係る各種のパラメータ、学習用データなどを記憶する。
　以上、本実施形態に係る学習装置１０の機能構成例について述べた。なお、図３を用いて説明した上記の機能構成はあくまで一例であり、本実施形態に係る学習装置１０の機能構成は係る例に限定されない。
　例えば、本実施形態に係る学習装置１０は、ユーザによる操作を受け付ける操作部や、各種の情報を表示する表示部などをさらに備えてもよい。
　本実施形態に係る学習装置１０の機能構成は、仕様や運用に応じて柔軟に変形可能である。
　（分析装置２０）
　次に、本実施形態に係る分析装置２０の機能構成例について述べる。本実施形態に係る分析装置２０は、行動実績データに基づいて行動に係る選好の傾向を分析する情報処理装置の一例である。
　図４は、本実施形態に係る分析装置２０の機能構成例を示すブロック図である。図４に示すように、本実施形態に係る分析装置２０は、分析部２１０、記憶部２２０、表示部２３０、および操作部２４０を備えてもよい。
　（分析部２１０）
　本実施形態に係る分析部２１０は、所定のタスクに関する行動の実績を示す行動実績データに基づいて、当該行動に係る選好の傾向を分析する。
　この際、本実施形態に係る分析部２１０は、前記行動実績データに基づいて、分析対象者を含む複数のタスク実行者の各々による行動間の類似性を２次元平面上で表現した類似性マップを生成し、選択された行動の種別に係る選好の強度を類似性マップにおいてヒートマップ状に表現する、ことを特徴の一つとする。
　例えば、本実施形態に係る分析部２１０は、少なくとも分析対象者による行動と指定された比較対象者による行動との間における類似性を２次元平面上で表現した類似性マップを生成し、選択された行動の種別に係る分析対象者の選好の強度と比較対象者の選好の強度とを、類似性マップにおいてヒートマップ状に表現してもよい。
　上記のような分析によれば、分析者が、選択された行動の種別に係る分析対象者の選好の強度と比較対象者の選好の強度とを視覚的かつ直感的に把握することが可能となる。
　本実施形態に係る分析部２１０による分析の詳細については別途説明する。なお、本実施形態に係る分析部２１０が有する機能は、ＧＰＵなどのプロセッサにより実現される。
　（記憶部２２０）
　本実施形態に係る記憶部２２０は、分析装置２０により用いられる各種の情報を記憶する。記憶部２２０は、例えば、行動実績データ、分析部２１０により用いられるエンコーダおよびデコーダの構造やパラメータ、分析の結果などを記憶する。
　（表示部２３０）
　本実施形態に係る表示部２３０は、各種の視覚情報を表示する。このために、本実施形態に係る表示部２３０は、ディスプレイを備える。
　例えば、本実施形態に係る表示部２３０は、分析部２１０による制御に従って、分析部２１０による分析の結果を表示する。上記分析の結果には、類似性マップ等が含まれる。
　（操作部２４０）
　本実施形態に係る操作部２４０は、ユーザによる操作を受け付ける。このために、本実施形態に係る操作部２４０は、キーボードやマウスなどの各種の入力装置を備える。
　以上、本実施形態に係る分析装置２０の機能構成について述べた。なお、図４を用いて説明した上記の機能構成はあくまで一例であり、本実施形態に係る分析装置２０の機能構成は係る例に限定されない。
　例えば、本実施形態に係る分析部２１０および記憶部２２０と、表示部２３０および操作部２４０とは、それぞれ別途の装置に備えられてもよい。例えば、分析部２１０および記憶部２２０はクラウド上に配置される情報処理装置に備えられ、表示部２３０および操作部２４０はローカルに配置される情報処理装置に備えられてもよい。
　本実施形態に係る分析装置２０の機能構成は、仕様や運用に応じて柔軟に変形可能である。
　＜＜１．３．分析の詳細＞＞
　次に、本実施形態に係る分析部２１０による分析について詳細に説明する。図５は、本実施形態に係る分析部２１０による分析について説明するための図である。
　本実施形態に係る分析部２１０は、まず、図示するように、行動実績データＲＤを、学習装置１０による変分オートエンコーダに係る学習により生成されたエンコーダ２１２に入力することにより、類似性マップＭ０１を生成する。
　本実施形態に係る行動実績データＲＤの内容は、分析の対象とするタスクに応じて設計され得る。例えば、所定のタスクが資産運用である場合には、行動実績データＲＤは、ファンドごとの金融商品に係るウェイト情報が含まれてもよい。
　図６および図７は、本実施形態に係る行動実績データＲＤの一例について説明するための図である。
　例えば、図６に示す一例の場合、行動実績データＲＤ１には、ある月においてあるファンドが保有する銘柄に関するウェイト情報またはアクティブウェイト情報が含まれる。
　ウェイト情報を採用する場合には、行動実績データＲＤ１には、銘柄ごとの保有量の絶対値が含まれてもよい。
　一方、アクティブウェイト情報を採用する場合、行動実績データＲＤ１には、ファンドが保有する銘柄の保有量とベンチマークとの差に関する情報が含まれてもよい。
　行動実績データＲＤ１には、上記のようなファンドごとのウェイト情報またはアクティブウェイト情報が、分析を行う期間分だけ含まれてよい。
　一方、図７に示す一例の場合、行動実績データＲＤ２には、ある月においてあるファンドが保有する銘柄に関する業種ごとの比率に関する情報が含まれる。
　このように、本実施形態に係る行動実績データＲＤには、必ずしも銘柄の粒度における情報が含まれずともよい。例えば、図７に示す行動実績データＲＤ２を用いる場合であっても、図２に示したような所定の業種に関する選好の分析が可能である。
　本実施形態に係る行動実績データＲＤに含まれる情報は、選好の分析を行い行動の種別に応じて選択されればよい。
　本実施形態に係る行動実績データＲＤに含まれる情報には、図６および図７で示した例の他、例えば、保有銘柄数、新規組入銘柄数、全売却銘柄数、売買回転率、リターンなどが挙げられる。
　再び図５を参照して説明を続ける。類似性マップＭ０１を生成した後、本実施形態に係る分析部２１０は、類似性マップＭ０１上の任意の点における潜在変数を、学習装置１０による変分オートエンコーダに係る学習により生成されたデコーダ２１４に入力し、出力データＯＤを得る。
　本実施形態に係るデコーダ２１４により出力される出力データＯＤは、エンコーダ２１２に入力された行動実績データを再現したデータであってよい。
　例えば、エンコーダ２１２に、図６に示すような行動実績データＲＤ１を入力した場合、出力データＯＤには、類似性マップＭ０１上における座標ごとの各銘柄に係るウェイト情報が含まれる。
　また、エンコーダ２１２に、図７に示すような行動実績データＲＤ２を入力した場合、出力データＯＤには、類似性マップＭ０１上における座標ごとの各業種の比率に関する情報が含まれる。
　すなわち、本実施形態に係るデコーダ２１４によれば、行動実績データＲＤに含まれていない未知のデータを補間した出力データＯＤを得ることが可能である。
　また、本実施形態に係る分析部２１０は、上記のような出力データＯＤに基づいて、行動の種別に係る選好の強度をヒートマップ状に表現した類似性マップＭ０２を生成する。
　これによれば、図２に示す類似性マップＭ２のように、マップ全体に渡るヒートマップ表現を実現することが可能である。
　なお、本実施形態に係る分析部２１０は、分析対象者と比較対象者とで選好の強度における差異の大きい行動の種別を自動的に選択し、当該選択した行動の種別に係る選好の強度をヒートマップ状に表現した類似性マップＭ０２を生成してもよい。
　本実施形態に分析部２１０が備えるプロジェクタ２１８は、上記の分析対象者と比較対象者とで選好の強度における差異の大きい行動の種別を自動的に選択し、また当該行動の種別に係るヒートマップ表現を生成する構成である。
　本実施形態に係るプロジェクタ２１８は、例えば、類似性マップＭ０１の生成に対する行動実績データＲＤに含まれる各要素の寄与度に基づいて分析対象者と比較対象者とで選好の強度における差異の行動の種別を選定してもよい。
　上記の寄与度は、例えば、分析部２１０が備えるＳＨＡＰ（SHapley Additive exPlanations）２２６により算出される。
　ＳＨＡＰは、学習済みモデルにおいて、入力データにおける各々の要素がモデルの予測値に対しどのような影響を与えたかを示す値、すなわち予測値に対する各々のデータの寄与度を算出するモデルである。
　例えば、本実施形態に係るＳＨＡＰ２１６は、エンコーダ２１２による類似性マップＭ０１の生成に対する、行動実績データＲＤに含まれる各要素の寄与度（ＳＨＡＰ値）を算出する。
　図８および図９は、本実施形態に係るＳＨＡＰ２１６が算出する寄与度を視覚的に表現した一例を示す図である。
　例えば、図８に示す一例では、２０２０年３月のファンドＡに係る行動実績データにおいて、類似性マップのＸ軸またはＹ軸に対する寄与度の高い順番に当該行動実績データに含まれる各要素（図８に示す一例においては、各銘柄）がランキング状に示されている。
　例えば、図８に示す一例では、企業Ａに相当する銘柄の寄与度がＸ軸およびＹ軸ともに最も高いことを把握できる。
　一方、図９に示す一例では、２０２０年３月のファンドＧに係る行動実績データにおいて、類似性マップのＸ軸またはＹ軸に対する寄与度の高い順番に当該行動実績データに含まれる各要素（図９に示す一例においては、各銘柄）がランキング状に示されている。
　例えば、図９に示す一例では、Ｘ軸に対する寄与度については企業Ｊに相当する銘柄が最も高く、Ｙ軸に対する寄与度については企業Ｉに相当する銘柄が最も高いことが把握できる。
　本実施形態に係るプロジェクタ２１８は上記のように算出された寄与度に基づいて、ヒートマップ状に表現する行動の種別を自動的に選定してもよい。
　図１０は、本実施形態に係る寄与度に基づく行動の種別の自動選定について説明するための図である。例えば、本実施形態に係るプロジェクタ２１８は、図１０に示すように、分析対象者と比較対象者との間における銘柄ごとの寄与度（ＳＨＡＰ値）の差分を算出してもよい。
　プロジェクタ２１８は、例えば、分析対象者と比較対象者との間における銘柄ごとの寄与度の差分を、Ｘ軸、Ｙ軸でそれぞれ算出し、Ｘ軸における差分とＹ軸における差分との平均をさらに算出してもよい。
　この場合、プロジェクタ２１８は、Ｘ軸における差分とＹ軸における差分との平均が高いほど、選好の強度における差異が大きい銘柄であると判断することができる。
　このことから、プロジェクタ２１８は、Ｘ軸における差分とＹ軸における差分との平均が高い銘柄を上位から選択し、当該銘柄、当該銘柄に関連する業種、当該銘柄に関連するファクターなどに係る選好の強度をヒートマップ状に表現した類似性マップＭ０２を生成してもよい。
　また、プロジェクタ２１８は、図１０に示すような寄与度の差分に基づいて銘柄のクラスタリングを行い、差分平均の加重平均の値が大きい群を特定し、当該群に係る選好の強度をヒートマップ状に表現した類似性マップＭ０２を生成してもよい。
　また、本実施形態に係るプロジェクタ２１８は、ヒートマップ状に表現された類似性マップに対するユーザのフィードバックを蓄積し、当該フィードバックに基づいて、ヒートマップ化する行動の種別の自動選定を行ってもよい。
　図１１は、本実施形態に係るユーザによるフィードバックに基づく行動の種別の自動選定について説明するための図である。
　例えば、ユーザは、銘柄ごとの選好の強度がヒートマップ状に表現された類似性マップを確認し、図１１の上段に示すように、該当する銘柄の選好が該当するファンドに特徴的であるかを５段階で表した評価値をフィードバックする。
　その後、プロジェクタ２１８は、図１１の下段に示すように、ユーザによるフィードバックとして与えられた値に基づく行列分解を行い、フィードバックが行われていない銘柄の評価値を予測する。図１１においては、プロジェクタ２１８により予測された評価値がドットにより強調されて示されている。
　次に、プロジェクタ２１８は、ユーザによりフィードバックされた評価値、および予測した評価値に基づいて、銘柄を自動選定し、選定した銘柄に係る選好の強度をヒートマップ状に表現した類似性マップをユーザに対して提示する。
　プロジェクタ２１８は、上記のような類似性マップの提示、ユーザによる評価値のフィードバック、フィードバックに基づく評価値の予測等を繰り返し実行することで、ファンドに特徴的な選好の傾向を有する銘柄の選定精度を高めることが可能である。
　＜＜１．４．ユーザインタフェースの例＞＞
　以上、本実施形態に係る分析部２１０による分析の詳細について述べた。次に、本実施形態に係る分析部２１０による分析の結果を提示するユーザインタフェースについて一例を挙げて説明する。
　図１２～図１６は、本実施形態に係る分析部２１０による分析の結果を提示するユーザインタフェースＵＩ１の一例を示す図である。本実施形態に係る分析部２１０は、表示部２３０によるユーザインタフェースＵＩ１を制御してもよい。
　なお、図１２～図１６において例示する各類似性マップにおいては、各ファンドに係るプロットが、図１に示す凡例と同様の規則に従って記述されている。
　図１２には、ユーザインタフェースＵＩ１が有する「類似性マップ」タブの一例が示されている。
　「類似性マップ」タブには、例えば、分析部２１０が生成した類似性マップＭ１が表示されてもよい。
　また、ユーザは、例えば、図１２の左側下方に示すようなフィールドを用いて、類似性マップＭ１に情報を表示させるファンドを選択できてもよい。
　さらには、ユーザは、図１２の左側下方に示すようなフィールドを用いて、分析対象者とするファンドや、当該分析対象者と比較するための比較対象者となるファンドを任意に選択できてよい。
　上記のような分析対象者および比較対象者の設定は、ある特定のファンド間における行動の類似性を比較したい場合に特に有効である。
　例えば、ユーザが契約中のファンドの契約終了に際し、新たに契約を行う候補ファンドを探している場合を想定する。この場合、ユーザは、比較対象者として契約中のファンド（例えば、ファンドＡ）を設定し、分析対象者として候補ファンド（例えば、ファンドＧ）を設定してもよい。
　上記のような設定によれば、契約中のファンドによる行動と候補ファンドによる行動の類似性に着目した詳細な分析を行うことが可能となる。
　また、この場合、分析部２１０は、比較対象者として設定されたファンドを基準とした類似性マップＭ１上における各ファンドの距離を示す情報をユーザインタフェースＵＩ１上に表示させてもよい。
　図１２に示す一例の場合、分析部２１０は、比較対象者として設定されたファンドＡを基準とした類似性マップＭ１上における各ファンドの距離を表示させ、分析対象者として設定されたファンドＧに係る距離を強調して表示させている。
　上記のような表示制御によれば、分析対象者と比較対象者とが類似性マップＭ１においてどのくらい離れているかを、他のファンドと比較により相対的に把握することが可能となる。
　また、図１３～図１５には、ユーザインタフェースＵＩ１が有する「差異」タブの一例が示されている。当該タブにおいて、本実施形態に係る分析部２１０は、分析対象者と比較対象者とで選好の強度における差異の大きい行動の種別を複数個ユーザに提示してもよい。
　また、この場合、本実施形態に係る分析部２１０は、ユーザが選択した行動の種別に係る選好の強度をヒートマップ状に表現した類似性マップを表示させてもよい。
　例えば、図１３～図１５に示す一例の場合、分析部２１０は、分析対象者として設定されたファンドＧと比較対象者として設定されたファンドＡとで選好の強度における差異の大きい行動の種別として、「業種：鉱業」、「業種：輸送用機器」、「割安」を提示している。
　本実施形態に係る分析部２１０は、上述したＳＨＡＰ２１６を用いて算出した寄与度等に基づいて上記のような行動の種別を自動で選定することが可能である。
　ここで、例えば、図１３に示すように、ユーザが「業種：輸送用機器」を選択した場合、分析部２１０は、「業種：輸送用機器」に対応する金融商品の保有に関する選好の強度をヒートマップ状に表現した類似性マップＭ３（以下、輸送用機器マップＭ３、とも称する）をユーザインタフェースＵＩ１上に表示させてよい。
　図１３に示す輸送用機器マップＭ３によれば、比較対象者として設定されたファンドＡが輸送用機器に対応する金融商品の保有に関し強い選好を有するのに対し、分析対象者として設定されたファンドＧは、輸送用機器に対する金融商品の保有選好の度合いが弱いことを、ユーザが視覚的かつ直感的に把握することが可能である。
　また、これによれば、ユーザは、ファンドＡをファンドＧと入れ替えた場合、輸送用機器に対応する金融商品の保有量が大きく低減するであろうことを推測することができる。
　一方、ユーザが「業種：鉱業」を選択した場合、分析部２１０は、図２に示したような鉱業マップＭ２をユーザインタフェースＵＩ１上に表示させてもよい。
　また、この場合、分析部２１０は、図１４に示す「企業Ｌ」のように「業種：鉱業」において特に選好に差異がある個別銘柄を提示してもよい。
　ここで、ユーザが「企業Ｌ」を選択した場合、分析部２１０は、「企業Ｌ」に対応する金融商品の保有に関する選好の強度をヒートマップ状に表現した類似性マップＭ４（以下、企業ＬマップＭ４、とも称する）をユーザインタフェースＵＩ１上に表示させてよい。
　図２に示す鉱業マップＭ２や、図１４に示す企業ＬマップＭ４によれば、比較対象者として設定されたファンドＡが鉱業に対応する金融商品の保有に強い選好を有しないのに対し、分析対象者として設定されたファンドＧは、鉱業に対する金融商品の保有に強い選好を有することを、ユーザが視覚的かつ直感的に把握することが可能である。
　また、これによれば、ユーザは、ファンドＡをファンドＧと入れ替えた場合、鉱業に対応する金融商品の保有量が大きく増加するであろうことを推測し、そのリスクを許容できるか否かを考察することができる。
　他方、図１５に示すように、ユーザが「割安」を選択した場合、分析部２１０は、ファクター「割安」に対応する金融商品の保有に関する選好の強度をヒートマップ状に表現した類似性マップＭ５（以下、割安マップＭ５、とも称する）をユーザインタフェースＵＩ１上に表示させてよい。
　このように、本実施形態に係る分析部２１０は、所定のファクターに対応する金融商品の保有に関する選好の強度を類似性マップ上においてヒートマップ状に表現することも可能である。
　図１５に示す割安マップＭ５によれば、比較対象者として設定されたファンドＡがファクター「割安」に対応する金融商品の保有に関し強い選好を有するのに対し、分析対象者として設定されたファンドＧは、ファクター「割安」に対する金融商品の保有選好の度合いが弱いことを、ユーザが視覚的かつ直感的に把握することが可能である。
　また、これによれば、ユーザは、ファンドＡをファンドＧと入れ替えた場合、ファクター「割安」に対応する金融商品の保有量が大きく低減するであろうことを推測することができる。
　以上、本実施形態に係る「差異」タブにおける情報提示の一例を示した。図１３～図１５に例示したような情報提示によれば、分析部２１０により自動列挙された項目を選択するだけで、ユーザが、分析対象者と比較対象者とで選好に大きな差異のある行動の種別に係る情報を視覚的かつ直感的に把握することができる。
　一方、ユーザは、分析部２１０により列挙された行動の種別の他、自身が選択した行動の種別に係る選好の度合いをヒートマップ状に表現した類似性マップをユーザインタフェース上に表示させることができてもよい。
　図１６には、ユーザインタフェースＵＩ１が有する「詳細」タブの一例が示されている。本実施形態に係る分析部２１０は、例えば、当該タブにおいて、図８および図９に示したような、各銘柄に係る寄与度を視覚的に表現したグラフを提示してもよい。
　この場合、本実施形態に係る分析部２１０は、提示される寄与度に基づいてユーザが選択した要素に対応する行動の種別に係る選好の強度を類似性マップにおいてヒートマップ状に表現してもよい。
　例えば、図１６に示す一例の場合、分析部２１０は、各銘柄に係る寄与度を視覚的に表現したグラフにおいてユーザが「企業Ｌ」を選択したことに基づいて、企業ＬマップＭ４をユーザインタフェースＵＩ１上に表示させている。
　なお、分析部２１０は、企業ＬマップＭ４のほか、「企業Ｌ」が対応する業種やファクターに係る選好の強度をヒートマップ状に表現した類似性マップをさらに表示させてもよい。
　上記のような制御によれば、ユーザが、ファンド間の取引行動の差異を、任意の金融商品の保有に係る選好に着目して視覚的かつ直感的に把握することが可能となる。
　＜＜１．５．処理の流れ＞＞
　次に、本実施形態に係る分析装置２０による処理の流れについて一例を挙げて詳細に説明する。図１７は、本実施形態に係る分析装置２０による処理の流れの一例を示すフローチャートである。
　図１７に示す一例の場合、まず、分析部２１０が行動実績データをエンコーダ２１２に入力し、類似性マップを生成する（Ｓ１０２）。
　次に、分析部２１０は、ステップＳ１０２において生成した類似性マップ上の任意の点における潜在変数をデコーダ２１４に入力し、出力データを取得する（Ｓ１０４）。
　また、分析部２１０は、ＳＨＡＰ２１６を用いて、ステップＳ１０２における類似性マップの生成に対する、行動実績データに含まれる各要素の寄与度を算出する（Ｓ１０６）。
　次に、分析部２１０は、ステップＳ１０６において算出した寄与度等に基づいて、分析対象者と比較対象者とで選好の強度における差異の大きい行動の種別を選定する（Ｓ１０８）。
　次に、分析部２１０は、ステップＳ１０８において選定した行動の種別をユーザにユーザインタフェースＵＩ１を介してユーザに提示する（Ｓ１１０）。
　次に、分析部２１０は、ユーザインタフェースＵＩ１においてユーザにより選択された行動の種別に係る選好の強度をヒートマップ状に表現した類似性マップをユーザインタフェースＵＩ１上に表示させる（Ｓ１１２）。
　以上、本実施形態に係る分析装置２０による処理の流れについて一例を挙げて詳細に説明した。なお、図１７を用いて説明した上記の処理の流れはあくまで一例であり、本実施形態に係る分析装置２０による処理の流れは係る例に限定されない。
　本実施形態に係る分析装置２０による処理の流れは、仕様や運用に応じて柔軟に変形可能である。
　＜２．第２の実施形態＞
　＜＜２．１．行動再現データの生成＞＞
　続いて、本開示の第２の実施形態について説明する。なお、以下においては、第１の実施形態との差異に着目して説明を行い、第１の実施形態と共通する構成や効果については、詳細な説明を省略する。
　上記第１の実施形態においては、分析装置２０が、類似性マップを用いて分析対象者による行動と他のタスク実行者による行動との差異（類似性）を分析する場合を主な例として説明した。
　一方、類似性マップの活用は、上記のような分析に限定されない。例えば、分析装置２０は、類似性マップを用いて、実行済みのタスクや、第三者により実行され得るタスクを再現することも可能である。
　以下においては、第１の実施形態と同様に、所定のタスクが資産運用であり、所定のタスクに関する行動が金融商品の売買取引である場合を主な例として説明する。また、タスク実行者は、ファンドであるものとする。
　例えば、資産運用においては、リスクの分散が大きな課題となる。各資産は相場環境に応じて時価が変動することから、値動きが大きく収益が期待できる資産は、その反面損失を被る可能性も高いといえる。このようなことから、市況により異なる動きをする資産を組み合わせることによりリスクを分散させることが重要となる。
　一例として、基金等において新たなファンドと契約する場合、契約済みのファンドとは運用資産や手法の特性が異なるファンドを採用することでリスクの分散を実現することができる。
　しかし、これまでの一般的なツールでは、分析者が専門知識を有しない場合には、ファンド間の資産運用の差異を直感的に把握することが困難であったことから、契約済みのファンドとは異なる資産運用を行う新規ファンドを見つけることもまた困難であった。
　これに対し、本開示の一実施形態に係る分析装置２０が生成する類似性マップによれば、分析者が専門知識を有しない場合であっても、ファンド間の資産運用の差異を直感的に把握すること可能となる。
　さらには、本開示の第２の実施形態に係る分析装置２０は、生成した類似性マップを用いることで、契約済みのファンドとは異なる特性を有する第三者により実行され得るタスクを再現した行動再現データを出力することが可能である。
　図１８および図１９は、本開示の第２の実施形態に係る行動再現データの生成について説明するための図である。
　図１８には、分析部２１０により生成された類似性マップＭ０２が示されている。第１の実施形態の場合と同様に、類似性マップＭ０２における各プロットは、所定期間における所定ファンドの資産運用の特性を表す。すなわち、プロット間の距離が近いほど資産運用の特性が類似しており、プロット間の距離が遠いほど資産運用の特性が異なることを示す。
　ここで、図１８に示す類似性マップＭ０２において、プロットの密度が低い領域、特にプロットが存在しない空白領域ＢＳ１～空白領域ＢＳ４に着目する。
　空白領域ＢＳ１～空白領域ＢＳ４には、ファンドＡ～ファンドＧによる資産運用に基づくプロットが存在しないことから、当該領域は、既存ファンドによる資産運用ではカバーしきれていない領域であり、新たな運用手法のポートフォリオが含まれている可能性が高いと考えることができる。
　すなわち、空白領域ＢＳ１～空白領域ＢＳ４に位置するプロットに相当する資産運用を再現できる場合、既存ファンドとは異なる特性を有する資産運用に関するデータを得ることが可能となる。
　本開示の第２の実施形態に係る技術思想は上記の点に着目して発想されたものであり、類似性マップにおいて指定された座標に相当するタスクを精度高く再現することを可能とする。
　このために、本実施形態に係る分析装置２０の分析部２１０は、類似性マップにおけるプロットの位置を表す座標データに基づいて、行動実績データと同一のデータ構造を有する行動再現データを出力することを特徴の一つとする。
　また、上述したように、類似性マップにおいて複数のタスク実行者の各々による行動の時系列における変化を表現する場合、分析部２１０は、座標データに基づいて、時系列における変化を表現した行動再現データを出力してもよい。
　例えば、図１９に示す一例の場合、類似性マップＭ０２の空白領域ＢＳ１には、架空のファンドＺによる資産運用の特性を想定したプロット（六角形）が、類似性マップＭ０２の生成に用いられた行動実績データと同等の時系列で描画されている。
　ファンドＺに係る各プロットは、類似性マップＭ０２の生成に用いられた既存のファンドＡ～ファンドＧの行動実績データに基づく各プロットとは距離が十分に離れており、既存のファンドＡ～ファンドＧとは特性の異なる資産運用を表現しているといえる。
　本実施形態に係る分析部２１０は、図示するようなファンドＺに係る各プロットの位置を示す座標データ（ｘｚ，ｙｚ）を、図５に示す学習済みのデコーダ２１４に入力することにより、行動実績データと同一のデータ構造を有する行動再現データを出力することが可能である。
　例えば、図６に示すように、類似性マップＭ０２の生成に用いられた行動実績データに、ある期間においてあるファンドが保有する銘柄１～銘柄ｎに関するウェイト情報またはアクティブウェイト情報が含まれる場合を想定する。この場合、行動再現データにも期間ごとにおける銘柄１～銘柄ｎに関するウェイト情報またはアクティブウェイト情報が含まれてよい。
　また、例えば、図７に示すように、類似性マップＭ０２の生成に用いられた行動実績データに、ある期間においてあるファンドが保有する銘柄に関する業種１～業種ｎごとの比率に関する情報が含まれる場合を想定する。この場合、行動再現データにも期間ごとにおける業種１～業種ｎに関するウェイト情報またはアクティブウェイト情報が含まれてよい。
　なお、行動再現データの生成に用いられる座標データは、外部ファイル等を用いて分析者により与えられてもよい。または、分析部２１０は、分析者が類似性マップＭ０２上に描画した点や線を座標データに変換し、行動再現データの生成に用いてもよい。
　さらには、分析部２１０は、生成した類似性マップＭ０２上でプロットの密度が低い領域（例えば、空白領域）を抽出し、当該領域内におけるプロットの位置を表す座標データを自動生成してもよい。
　この場合、分析部２１０は、既存のプロットとはなるべく遠い位置にプロットが生成されるよう座標データを生成してもよい。また、時系列の行動再現データを生成する場合には、急激な変化がないなめらかな線が形成されるよう各プロットに係る座標データを生成してもよい。
　このように、本実施形態に係る分析部２１０によれば、既存のファンドとは特性の異なる新規ファンドにより実行され得る資産運用に関するデータを簡易かつ精度高く再現することが可能となる。
　また、得られた鼓動再現データを各種の分析にかけることで、ウェイトの分布、ファクターエクスポージャー、セクターエクスポージャーなどの特徴の明確化、流動性や投資コストなどの投資実現性の評価を行うことも可能である。
　なお、行動実績データや行動実績データに基づく各種分析の結果は、新規ファンドの探索や、自社資金によるＲ＆Ｄ運用の開発等に広く用いることができる。
　ここで、行動再現データの生成に係る処理の流れについてより詳細に説明する。図２０は、本実施形態に係る行動再現データ生成の流れの一例を示すフローチャートである。
　図２０に示す一例の場合、分析部２１０は、まず、行動実績データを学習済みのエンコーダ２１２に入力し、類似性マップを生成する（Ｓ２０２）。
　ステップＳ２０２における類似性マップ生成については、第１の実施形態における処理と同様であってよいため、詳細な説明は省略する。
　次に、分析部２１０は、座標データを生成する（Ｓ２０４）。
　例えば、分析部２１０は、類似性マップ上に描画された点や線に基づいて座標データを生成してもよいし、抽出した空白領域に基づいて座標データを自動生成してもよい。
　一方、外部ファイル等を用いて座標データが与えられる場合、ステップＳ２０４における処理はスキップされてよい。
　次に、分析部２１０は、座標データを学習済みのデコーダ２１４に入力し、行動再現データを出力する（Ｓ２０６）。
　上述したように、ステップＳ２０６において出力される行動再現データは、ステップＳ２０２における類似性マップの生成に用いられた行動実績データと同一のデータ構造を有してよい。
　以上、本実施形態に係る行動再現データの生成の流れについて、一例を挙げて説明した。
　これまでの新たな運用手法の探索の多くは、既存の運用手法に類似したポートフォリオの調査や、外部から持ち込まれたポートフォリオの分析が主であった。
　このため、新たに運用手法を開発する担当者の分析は外部からの情報を待つという姿勢に偏りやすく、また、外部からの情報として得られたポートフォリオが必ずしも自社の求めるポートフォリオである可能性は高くないことから、新たな運用手法の開発は非常に属人的かつ偶発的な要素に依存する傾向があった。
　一方、本実施形態に係る上述の分析手法によれば、担当者は自らの状況に合わせて望ましい特性を持つポートフォリオや運用会社を自発的に探ることが可能となる。このことから、本実施形態に係る分析手法を用いることにより、新規運用手法の開発プロセスにおける属人性・偶発性の低減を実現し、開発プロセスの生産性向上や効率化を実現する効果が期待される。
　＜＜２．２．既存の行動実績データを用いた行動再現データの表現＞＞
　次に、本実施形態に係る既存の行動実績データを用いた行動再現データの表現について説明する。
　上記では、分析部２１０が、座標データを学習済みのデコーダ２１４に入力することにより行動再現データを生成する場合について述べた。これによれば、例えば、既存ファンドとは特性が異なる架空の新規ファンドにより実行され得る資産運用を再現したデータを容易に得ることができ、新規ファンドの採用等に活用することが可能となる。
　一方、運用ポートフォリオには、投資銘柄の流動性や投資効率など観点から、各運用主体（資産運用会社等）で独自の運用上限を設けていることが多い。基金等のアセットオーナー側はこの運用上限を超えて追加投資ができないことから、必然的に運用には上限制約が生じることとなる。
　他方、運用上限の大きな複数のファンドを用いて運用上限が小さい特定のファンドの複製ができれば、運用上限の制約を緩和することが可能となる。
　上記に鑑み、本実施形態に係る分析部２１０は、任意の座標データに相当する行動再現データを、複数のタスク実行者の行動実績データを用いて表現してもよい。
　一例として、本実施形態に係る分析部２１０は、選択された既存のタスク実行者の行動実績データに相当する行動再現データを、当該所定のタスク実行者とは異なる他の複数のタスク実行者の行動実績データを用いて表現してもよい。
　また、本実施形態に係る分析部２１０は、行動再現データを表現するために用いられる複数のタスク実行者の行動実績データの合成比率に関する情報を出力してもよい。
　これによれば、任意の既存ファンドによる資産運用を、他の複数の既存ファンドによる資産運用の組み合わせにより再現することができ、運用上限の制約を大きく緩和することなどが可能となる。
　図２１は、本実施形態に係る既存の行動実績データを用いた行動再現データの表現について説明するための図である。
　なお、図２１には、既存のファンドＣによる資産運用を再現した行動再現データを、既存のファンドＢ、ファンドＥ、ファンドＧの行動実績データを用いて表現する場合の一例が示されている。
　所定の既存ファンドによる資産運用を再現した行動再現データを生成しようとする場合、他の３つの既存ファンドの行動実績データが用いられる。
　この際、用いられる他の既存ファンドの行動実績データの選択肢としては原理的には任意であってよいが、行動実績データに基づくプロットにより形成される軌跡の長さが長いもの、軌跡の重心間の距離が遠いもの、重心同士を結ぶ線分の角度が直角に近いものほど再現精度が高まることが予測される。
　本実施形態に係る分析部は、類似性マップにおける複数のタスク実行者の各々の行動実績データに基づくプロット間の位置関係に基づいて合成比率を算出してもよい。
　より具体的には、分析部２１０は、異なる３のタスク実行者の行動実績データの各々に基づく３つのプロットから得た２つの位置ベクトルを用いて、指定された座標データを表す線形結合ベクトルを生成し、当該線形結合ベクトルに基づいて合成比率を算出してもよい。
　例えば、図２１に示す一例の場合、分析部２１０は、類似性マップＭ０２におけるファンドＢ、ファンドＥ、ファンドＧの各々の行動実績データに基づくプロット間の位置関係に基づいて合成比率を算出する。
　ここで、各プロットの座標を下記の数式（１）のように定義する。この場合、ある期間におけるファンドＧのプロットとファンドＢのプロットにより形成される位置ベクトル１（ファンドＧのプロットを起点とする）は、下記の数式（２）のように表すことができる。同様に、ある期間におけるファンドＧのプロットとファンドＥのプロットにより形成される位置ベクトル２（ファンドＧのプロットを起点とする）は、下記の数式（３）のように表すことができる。
Figure JPOXMLDOC01-appb-M000001
　本実施形態に係る分析部２１０は、上記の位置ベクトル１および位置ベクトル２を用いて、再現したいファンドＣのプロットＰに相当する線形結合ベクトルを生成する。この際、当該線形結合ベクトルは、下記の数式（４）のように算出することができる。
Figure JPOXMLDOC01-appb-M000002
　次に、本実施形態に係る分析部２１０は、下記の数式（５）に示すように、線形結合の係数（α１，α２）を用いてファンドＢ、ファンドＥ、ファンドＧの各プロットに相当する行動実績データの合成比率を逆算する。この際、ファンドＢ、ファンドＥ、ファンドＧの各プロットは、下記の数式（６）～数式（８）により表すことができる。
Figure JPOXMLDOC01-appb-M000003
　以上説明したように、本実施形態に係る分析部２１０によれば、任意の座標データに相当する行動再現データを、複数のタスク実行者の行動実績データを用いて表現することが可能である。
　なお、上記では、ある既存のファンドによる資産運用を他の複数の既存のファンドの行動実績データにより再現する場合を例示したが、本実施形態に係る分析部２１０は、既存か否かにかかわらず任意の座標に相当するタスクを既存の行動実績データにより表現することが可能である。
　例えば、分析部２１０は、上述したように、空白領域において自動生成したプロットを、既存のプロットを用いて表現してもよい。これによれば、既存ファンドとは異なる特性を有する資産運用を既存ファンドの合成により実現することも可能である。
　次に、図２２を用いて、本実施形態に係る既存の行動実績データを用いた行動再現データ出力の流れについて詳細に説明する。
　図２２に示す一例の場合、分析部２１０は、まず、行動実績データを学習済みのエンコーダ２１２に入力し、類似性マップを生成する（Ｓ３０２）。
　ステップＳ３０２における類似性マップ生成については、第１の実施形態における処理と同様であってよいため、詳細な説明は省略する。
　次に、再現される行動再現データに相当するプロットの座標データが指定される（Ｓ３０４）。
　例えば、既存ファンドに係る行動再現データを生成する場合、ユーザインタフェースを用いて任意の既存ファンドが指定されてもよい。なお、ステップＳ３０４において指定される座標データは、上述のように既存ファンドに係るプロットに限定されるものではない。
　次に、分析部２１０は、ステップＳ３０４において指定された座標データに基づき、複数のタスク実行者の行動実績データに係る合成比率を算出する（Ｓ３０６）。
　次に、分析部２１０は、ステップＳ３０６において算出した合成比率に関する情報、および当該合成比率に基づいて生成した行動再現データを出力する（Ｓ３０８）。
　＜３．ハードウェア構成例＞
　次に、本開示の一実施形態に係る学習装置１０および分析装置２０に共通するハードウェア構成例について説明する。図２３は、本開示の一実施形態に係る情報処理装置９０のハードウェア構成例を示すブロック図である。情報処理装置９０は、上記各装置と同等のハードウェア構成を有する装置であってよい。
　図２３に示すように、情報処理装置９０は、例えば、プロセッサ８７１と、ＲＯＭ８７２と、ＲＡＭ８７３と、ホストバス８７４と、ブリッジ８７５と、外部バス８７６と、インターフェース８７７と、入力装置８７８と、出力装置８７９と、ストレージ８８０と、ドライブ８８１と、接続ポート８８２と、通信装置８８３と、を有する。なお、ここで示すハードウェア構成は一例であり、構成要素の一部が省略されてもよい。また、ここで示される構成要素以外の構成要素をさらに含んでもよい。
　（プロセッサ８７１）
　プロセッサ８７１は、例えば、演算処理装置又は制御装置として機能し、ＲＯＭ８７２、ＲＡＭ８７３、ストレージ８８０、又はリムーバブル記憶媒体９０１に記録された各種プログラムに基づいて各構成要素の動作全般又はその一部を制御する。
　（ＲＯＭ８７２、ＲＡＭ８７３）
　ＲＯＭ８７２は、プロセッサ８７１に読み込まれるプログラムや演算に用いるデータ等を格納する手段である。ＲＡＭ８７３には、例えば、プロセッサ８７１に読み込まれるプログラムや、そのプログラムを実行する際に適宜変化する各種パラメータ等が一時的又は永続的に格納される。
　（ホストバス８７４、ブリッジ８７５、外部バス８７６、インターフェース８７７）
　プロセッサ８７１、ＲＯＭ８７２、ＲＡＭ８７３は、例えば、高速なデータ伝送が可能なホストバス８７４を介して相互に接続される。一方、ホストバス８７４は、例えば、ブリッジ８７５を介して比較的データ伝送速度が低速な外部バス８７６に接続される。また、外部バス８７６は、インターフェース８７７を介して種々の構成要素と接続される。
　（入力装置８７８）
　入力装置８７８には、例えば、マウス、キーボード、タッチパネル、ボタン、スイッチ、及びレバー等が用いられる。さらに、入力装置８７８としては、赤外線やその他の電波を利用して制御信号を送信することが可能なリモートコントローラ（以下、リモコン）が用いられることもある。また、入力装置８７８には、マイクロフォンなどの音声入力装置が含まれる。
　（出力装置８７９）
　出力装置８７９は、例えば、ＣＲＴ（Ｃａｔｈｏｄｅ　Ｒａｙ　Ｔｕｂｅ）、ＬＣＤ、又は有機ＥＬ等のディスプレイ装置、スピーカ、ヘッドホン等のオーディオ出力装置、プリンタ、携帯電話、又はファクシミリ等、取得した情報を利用者に対して視覚的又は聴覚的に通知することが可能な装置である。また、本開示に係る出力装置８７９は、触覚刺激を出力することが可能な種々の振動デバイスを含む。
　（ストレージ８８０）
　ストレージ８８０は、各種のデータを格納するための装置である。ストレージ８８０としては、例えば、ハードディスクドライブ（ＨＤＤ）等の磁気記憶デバイス、半導体記憶デバイス、光記憶デバイス、又は光磁気記憶デバイス等が用いられる。
　（ドライブ８８１）
　ドライブ８８１は、例えば、磁気ディスク、光ディスク、光磁気ディスク、又は半導体メモリ等のリムーバブル記憶媒体９０１に記録された情報を読み出し、又はリムーバブル記憶媒体９０１に情報を書き込む装置である。
　（リムーバブル記憶媒体９０１）
リムーバブル記憶媒体９０１は、例えば、ＤＶＤメディア、Ｂｌｕ－ｒａｙ（登録商標）メディア、ＨＤ　ＤＶＤメディア、各種の半導体記憶メディア等である。もちろん、リムーバブル記憶媒体９０１は、例えば、非接触型ＩＣチップを搭載したＩＣカード、又は電子機器等であってもよい。
　（接続ポート８８２）
　接続ポート８８２は、例えば、ＵＳＢ（Ｕｎｉｖｅｒｓａｌ　Ｓｅｒｉａｌ　Ｂｕｓ）ポート、ＩＥＥＥ１３９４ポート、ＳＣＳＩ（Ｓｍａｌｌ　Ｃｏｍｐｕｔｅｒ　Ｓｙｓｔｅｍ　Ｉｎｔｅｒｆａｃｅ）、ＲＳ－２３２Ｃポート、又は光オーディオ端子等のような外部接続機器９０２を接続するためのポートである。
　（外部接続機器９０２）
　外部接続機器９０２は、例えば、プリンタ、携帯音楽プレーヤ、デジタルカメラ、デジタルビデオカメラ、又はＩＣレコーダ等である。
　（通信装置８８３）
　通信装置８８３は、ネットワークに接続するための通信デバイスであり、例えば、有線又は無線ＬＡＮ、Ｂｌｕｅｔｏｏｔｈ（登録商標）、又はＷＵＳＢ（Ｗｉｒｅｌｅｓｓ　ＵＳＢ）用の通信カード、光通信用のルータ、ＡＤＳＬ（Ａｓｙｍｍｅｔｒｉｃ　Ｄｉｇｉｔａｌ　Ｓｕｂｓｃｒｉｂｅｒ　Ｌｉｎｅ）用のルータ、又は各種通信用のモデム等である。
　＜４．まとめ＞
　以上説明したように、本開示の第２の実施形態に係る分析装置２０は、所定のタスクに関する行動の実績を示す行動実績データに基づいて、複数のタスク実行者の各々による行動間の類似性を２次元平面上で表現した類似性マップを生成する分析部２１０を備える。
　また、本開示の第２の実施形態に係る分析部２１０は、類似性マップにおけるプロットの位置を表す座標データに基づいて、行動実績データと同一のデータ構造を有する行動再現データを出力することを特徴の一つとする。
　上記の構成によれば、実行済みのタスクや、第三者により実行され得るタスクを精度高く再現することが可能となる。
　以上、添付図面を参照しながら本開示の好適な実施形態について詳細に説明したが、本開示の技術的範囲はかかる例に限定されない。本開示の技術分野における通常の知識を有する者であれば、請求の範囲に記載された技術的思想の範疇内において、各種の変更例または修正例に想到し得ることは明らかであり、これらについても、当然に本開示の技術的範囲に属するものと了解される。
　また、本明細書において説明した処理に係る各ステップは、必ずしもフローチャートやシーケンス図に記載された順序に沿って時系列に処理される必要はない。例えば、各装置の処理に係る各ステップは、記載された順序と異なる順序で処理されても、並列的に処理されてもよい。
　また、本明細書において説明した各装置による一連の処理は、ソフトウェア、ハードウェア、及びソフトウェアとハードウェアとの組合せのいずれを用いて実現されてもよい。ソフトウェアを構成するプログラムは、例えば、各装置の内部又は外部に設けられ、コンピュータにより読み取り可能な非一過性の記憶媒体（non-transitory computer readable medium）に予め格納される。そして、各プログラムは、例えば、コンピュータによる実行時にＲＡＭに読み込まれ、各種のプロセッサにより実行される。上記記憶媒体は、例えば、磁気ディスク、光ディスク、光磁気ディスク、フラッシュメモリ等である。また、上記のコンピュータプログラムは、記憶媒体を用いずに、例えばネットワークを介して配信されてもよい。
　また、本明細書に記載された効果は、あくまで説明的または例示的なものであって限定的ではない。つまり、本開示に係る技術は、上記の効果とともに、または上記の効果に代えて、本明細書の記載から当業者には明らかな他の効果を奏し得る。
　なお、以下のような構成も本開示の技術的範囲に属する。
（１）
　所定のタスクに関する行動の実績を示す行動実績データに基づいて、複数のタスク実行者の各々による前記行動間の類似性を２次元平面上で表現した類似性マップを生成する分析部、
　を備え、
　前記分析部は、前記類似性マップにおけるプロットの位置を表す座標データに基づいて、前記行動実績データと同一のデータ構造を有する行動再現データを出力する、
情報処理装置。
（２）
　前記分析部は、前記類似性マップにおいて複数の前記タスク実行者の各々による前記行動の時系列における変化を表現し、
　複数の前記座標データに基づいて、時系列における変化を表現した前記行動再現データを出力する、
前記（１）に記載の情報処理装置。
（３）
　前記分析部は、生成した前記類似性マップ上でプロットの密度が低い領域を抽出し、当該領域内におけるプロットの位置を表す前記座標データに基づいて前記行動再現データを出力する、
前記（１）または前記（２）に記載の情報処理装置。
（４）
　前記分析部は、前記座標データに相当する前記行動再現データを、複数のタスク実行者の前記行動実績データを用いて表現する、
前記（１）または（２）に記載の情報処理装置。
（５）
　前記分析部は、選択された所定のタスク実行者の前記行動実績データに相当する前記行動再現データを、当該所定のタスク実行者とは異なる他の複数のタスク実行者の前記行動実績データを用いて表現する、
前記（４）に記載の情報処理装置。
（６）
　前記分析部は、前記行動再現データを表現するために用いられる複数のタスク実行者の前記行動実績データの合成比率に関する情報を出力する、
前記（４）または（５）に記載の情報処理装置。
（７）
　前記分析部は、前記類似性マップにおける複数のタスク実行者の各々の前記行動実績データに基づくプロット間の位置関係に基づいて前記合成比率を算出する、
前記（６）に記載の情報処理装置。
（８）
　前記分析部は、異なる３のタスク実行者の前記行動実績データの各々に基づく３つのプロットから得た２つの位置ベクトルを用いて、指定された座標データを表す線形結合ベクトルを生成し、当該線形結合ベクトルに基づいて前記合成比率を算出する、
前記（７）に記載の情報処理装置。
（９）
　前記分析部は、前記行動実績データを学習済みのエンコーダに入力することにより前記類似性マップを生成する、
前記（１）に記載の情報処理装置。
（１０）
　前記分析部は、前記座標データを学習済みのデコーダに入力し、前記行動再現データを出力する、
前記（９）に記載の情報処理装置。
（１１）
　前記エンコーダおよび前記デコーダは、変分オートエンコーダに係る学習により生成される、
前記（１０）に記載の情報処理装置。
（１２）
　前記所定のタスクは、資産運用を含む、
前記（１）に記載の情報処理装置。
（１３）
　前記行動は、金融商品の売買取引を含む、
前記（１２）に記載の情報処理装置。
（１４）
　前記行動の種別は、所定の銘柄の前記金融商品の保有を含む、
前記（１３）に記載の情報処理装置。
（１５）
　前記行動の種別は、所定の業種に対応する前記金融商品の保有を含む、
前記（１３）に記載の情報処理装置。
（１６）
　前記行動の種別は、所定のファクターに対応する前記金融商品の保有を含む、
前記（１３）に記載の情報処理装置。
（１７）
　前記行動実績データおよび前記行動再現データは、金融商品に係るウェイト情報を含む、
前記（１３）に記載の情報処理装置。
（１８）
　前記類似性マップを表示する表示部、
　をさらに備える、
前記（１）に記載の情報処理装置。
（１９）
　プロセッサが、所定のタスクに関する行動の実績を示す行動実績データに基づいて、複数のタスク実行者の各々による前記行動間の類似性を２次元平面上で表現した類似性マップを生成することと、
　前記類似性マップにおけるプロットの位置を表す座標データに基づいて、前記行動実績データと同一のデータ構造を有する行動再現データを出力することと、
　を含む、
情報処理方法。
（２０）
　コンピュータを、
　所定のタスクに関する行動の実績を示す行動実績データに基づいて、複数のタスク実行者の各々による前記行動間の類似性を２次元平面上で表現した類似性マップを生成する分析部、
　を備え、
　前記分析部は、前記類似性マップにおけるプロットの位置を表す座標データに基づいて、前記行動実績データと同一のデータ構造を有する行動再現データを出力する、
　情報処理装置、
として機能させるためのプログラム。
　１０　　　学習装置
　１１０　　学習部
　１２０　　記憶部
　２０　　　分析装置
　２１０　　分析部
　２１２　　エンコーダ
　２１４　　デコーダ
　２１６　　ＳＨＡＰ
　２１８　　プロジェクタ
　２２０　　記憶部
　２３０　　表示部
　２４０　　操作部
 

Claims (20)

  1. 　所定のタスクに関する行動の実績を示す行動実績データに基づいて、前記行動に係る選好の傾向を分析する分析部、
    　を備え、
    　前記分析部は、前記行動実績データに基づいて、分析対象者を含む複数のタスク実行者の各々による前記行動間の類似性を２次元平面上で表現した類似性マップを生成し、選択された前記行動の種別に係る選好の強度を前記類似性マップにおいてヒートマップ状に表現する、
    情報処理装置。
  2. 　前記分析部は、前記類似性マップにおいて複数の前記タスク実行者の各々による前記行動の時系列における変化を表現する、
    請求項１に記載の情報処理装置。
  3. 　前記分析部は、少なくとも前記分析対象者による前記行動と指定された比較対象者による前記行動との間における類似性を２次元平面上で表現した前記類似性マップを生成し、選択された前記行動の種別に係る前記分析対象者の選好の強度と前記比較対象者の選好の強度とを、前記類似性マップにおいてヒートマップ状に表現する、
    請求項１に記載の情報処理装置。
  4. 　前記分析部は、前記分析対象者と前記比較対象者とで選好の強度における差異の大きい前記行動の種別を選択し、当該選択した前記行動の種別に係る選好の強度を前記類似性マップにおいてヒートマップ状に表現する、
    請求項３に記載の情報処理装置。
  5. 　前記分析部は、前記分析対象者と前記比較対象者とで選好の強度における差異の大きい前記行動の種別を複数個ユーザに提示し、当該ユーザが選択した前記行動の種別に係る選好の強度を前記類似性マップにおいてヒートマップ状に表現する、
    請求項３に記載の情報処理装置。
  6. 　前記分析部は、前記類似性マップの生成に対する、前記行動実績データに含まれる各要素の寄与度に基づいて、前記分析対象者と前記比較対象者とで選好の強度における差異の大きい前記行動の種別を選定する、
    請求項４に記載の情報処理装置。
  7. 　前記分析部は、前記寄与度をユーザに提示する、
    請求項６に記載の情報処理装置。
  8. 　前記分析部は、提示される前記寄与度に基づいてユーザが選択した前記行動実績データに含まれる要素に対応する前記行動の種別に係る選好の強度を前記類似性マップにおいてヒートマップ状に表現する、
    請求項７に記載の情報処理装置。
  9. 　前記分析部は、前記行動実績データを学習済みのエンコーダに入力することにより前記類似性マップを生成する、
    請求項１に記載の情報処理装置。
  10. 　前記分析部は、前記類似性マップ上の任意の点における潜在変数を学習済みのデコーダに入力して得られた出力データに基づいて、前記行動の種別に係る選好の強度を前記類似性マップにおいてヒートマップ状に表現する、
    請求項９に記載の情報処理装置。
  11. 　前記エンコーダおよび前記デコーダは、変分オートエンコーダに係る学習により生成される、
    請求項１０に記載の情報処理装置。
  12. 　前記所定のタスクは、資産運用を含む、
    請求項１に記載の情報処理装置。
  13. 　前記行動は、金融商品の売買取引を含む、
    請求項１２に記載の情報処理装置。
  14. 　前記行動の種別は、所定の銘柄の前記金融商品の保有を含む、
    請求項１３に記載の情報処理装置。
  15. 　前記行動の種別は、所定の業種に対応する前記金融商品の保有を含む、
    請求項１３に記載の情報処理装置。
  16. 　前記行動の種別は、所定のファクターに対応する前記金融商品の保有を含む、
    請求項１３に記載の情報処理装置。
  17. 　前記行動実績データは、金融商品に係るウェイト情報を含む、
    請求項１３に記載の情報処理装置。
  18. 　前記類似性マップを表示する表示部、
    　をさらに備える、
    請求項１に記載の情報処理装置。
  19. 　プロセッサが、所定のタスクに関する行動の実績を示す行動実績データに基づいて、前記行動に係る選好の傾向を分析すること、
    　を含み、
    　前記分析することは、前記行動実績データに基づいて、分析対象者を含む複数のタスク実行者の各々による前記行動間の類似性を２次元平面上で表現した類似性マップを生成し、選択された前記行動の種別に係る選好の強度を前記類似性マップにおいてヒートマップ状に表現すること、をさらに含む、
    情報処理方法。
  20. 　コンピュータを、
    　所定のタスクに関する行動の実績を示す行動実績データに基づいて、前記行動に係る選好の傾向を分析する分析部、
    　を備え、
    　前記分析部は、前記行動実績データに基づいて、分析対象者を含む複数のタスク実行者の各々による前記行動間の類似性を２次元平面上で表現した類似性マップを生成し、選択された前記行動の種別に係る選好の強度を前記類似性マップにおいてヒートマップ状に表現する、
    　情報処理装置、
    として機能させるためのプログラム。
PCT/JP2021/030721 2020-09-08 2021-08-23 情報処理装置、情報処理方法、およびプログラム WO2022054548A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202180053607.4A CN116057560A (zh) 2020-09-08 2021-08-23 信息处理装置、信息处理方法和程序
US18/024,189 US20230281545A1 (en) 2020-09-08 2021-08-23 Information processing device, information processing method, and program
JP2022547472A JPWO2022054548A1 (ja) 2020-09-08 2021-08-23

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
JP2020-150702 2020-09-08
JP2020150702 2020-09-08
JP2020-207060 2020-12-14
JP2020207060 2020-12-14

Publications (1)

Publication Number Publication Date
WO2022054548A1 true WO2022054548A1 (ja) 2022-03-17

Family

ID=80631539

Family Applications (2)

Application Number Title Priority Date Filing Date
PCT/JP2021/030721 WO2022054548A1 (ja) 2020-09-08 2021-08-23 情報処理装置、情報処理方法、およびプログラム
PCT/JP2021/030722 WO2022054549A1 (ja) 2020-09-08 2021-08-23 情報処理装置、情報処理方法、およびプログラム

Family Applications After (1)

Application Number Title Priority Date Filing Date
PCT/JP2021/030722 WO2022054549A1 (ja) 2020-09-08 2021-08-23 情報処理装置、情報処理方法、およびプログラム

Country Status (4)

Country Link
US (1) US20230281545A1 (ja)
JP (1) JPWO2022054548A1 (ja)
CN (1) CN116057560A (ja)
WO (2) WO2022054548A1 (ja)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005044233A (ja) * 2003-07-24 2005-02-17 Daiwa Securities Group Inc ファンド選択システムおよびその方法、投資額決定システムおよびその方法、並びにプログラム
US20060253356A1 (en) * 2005-05-05 2006-11-09 Cogent Partners, Lp Methods and devices for displaying and communicating complex financial information
JP2007524163A (ja) * 2004-01-30 2007-08-23 ノムラ インターナショナル ピーエルシー 金融データ分析ツール
US10417556B1 (en) * 2017-12-07 2019-09-17 HatchB Labs, Inc. Simulation-based controls optimization using time series data forecast

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4510033B2 (ja) * 2007-01-19 2010-07-21 株式会社大和証券グループ本社 投資額決定システムおよびプログラム

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005044233A (ja) * 2003-07-24 2005-02-17 Daiwa Securities Group Inc ファンド選択システムおよびその方法、投資額決定システムおよびその方法、並びにプログラム
JP2007524163A (ja) * 2004-01-30 2007-08-23 ノムラ インターナショナル ピーエルシー 金融データ分析ツール
US20060253356A1 (en) * 2005-05-05 2006-11-09 Cogent Partners, Lp Methods and devices for displaying and communicating complex financial information
US10417556B1 (en) * 2017-12-07 2019-09-17 HatchB Labs, Inc. Simulation-based controls optimization using time series data forecast

Also Published As

Publication number Publication date
CN116057560A (zh) 2023-05-02
JPWO2022054548A1 (ja) 2022-03-17
WO2022054549A1 (ja) 2022-03-17
US20230281545A1 (en) 2023-09-07

Similar Documents

Publication Publication Date Title
US11221746B2 (en) System and method for building and managing user experience for computer software interfaces
US10140662B2 (en) Interactive graphical interface systems and methods
WO2017180671A1 (en) Universal business model scoring, classification, and decision-making engine
US20190213194A1 (en) System and method for information recommendation
CA2923749A1 (en) Systems and methods for presenting relevant data to users of a financial computer network
US10204379B2 (en) Methods, apparatus, and systems for curve trading
US10762902B2 (en) Method and apparatus for synthesizing adaptive data visualizations
WO2022026433A1 (en) Environmental, social, and governance (esg) performance trends
Kumar et al. Tech-Business Analytics–A Review Based New Model to Improve the Performances of Various Industry Sectors
WO2019024539A1 (zh) 业务流程展示方法、装置、设备及计算机可读存储介质
Rivera-Castro et al. Topological data analysis for portfolio management of cryptocurrencies
WO2022054548A1 (ja) 情報処理装置、情報処理方法、およびプログラム
US20230385936A1 (en) Information processing device, information processing method, and program
Singgalen Social Network Analysis and Sentiment Classification of Extended Reality Product Content
JP2018195236A (ja) 金融情報表示装置および金融情報表示プログラム
WO2021033620A1 (ja) 情報処理装置、情報処理方法、およびプログラム
Park et al. Extracting product design guidance from online reviews: An explainable neural network-based approach
JPWO2020008663A1 (ja) 情報処理装置、情報処理方法、およびプログラム
US20240086945A1 (en) Entity functional area and product use identification
US20240119482A1 (en) Analyzing job profile data
JP2017021448A (ja) 銘柄スコア計算システム
Globa Reflections: On architectural computing and beyond
Seo et al. Line Selection Tool for 3D Artists

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 21866508

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2022547472

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 21866508

Country of ref document: EP

Kind code of ref document: A1