WO2022230311A1 - 判定装置 - Google Patents

判定装置 Download PDF

Info

Publication number
WO2022230311A1
WO2022230311A1 PCT/JP2022/005992 JP2022005992W WO2022230311A1 WO 2022230311 A1 WO2022230311 A1 WO 2022230311A1 JP 2022005992 W JP2022005992 W JP 2022005992W WO 2022230311 A1 WO2022230311 A1 WO 2022230311A1
Authority
WO
WIPO (PCT)
Prior art keywords
user
vector
action
learning
similarity
Prior art date
Application number
PCT/JP2022/005992
Other languages
English (en)
French (fr)
Inventor
智尋 中川
いづみ 妹尾
一也 佐々木
Original Assignee
株式会社Ｎｔｔドコモ
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 株式会社Ｎｔｔドコモ filed Critical 株式会社Ｎｔｔドコモ
Priority to JP2023517078A priority Critical patent/JPWO2022230311A1/ja
Publication of WO2022230311A1 publication Critical patent/WO2022230311A1/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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising

Definitions

  • the present invention relates to a determination device that determines a user ID.
  • Patent Document 1 or Patent Document 2 describes an invention that determines whether or not users with different user IDs are the same user by comparing location information from different user databases.
  • the object of the present invention is to provide a determination device that can determine with high accuracy whether or not a user has the same user ID in different user databases.
  • a determination device of the present invention includes a position vector generation unit that generates a position vector from position information corresponding to a first user ID managed in a user management database, and another user management database that is different from the user management database. a behavior vector generation unit for generating a behavior vector from behavior information corresponding to a second user ID being managed; and a user having the first user ID and the second user ID based on the position vector and the behavior vector and a determination unit that determines the identity of the user of the user ID.
  • FIG. 4 is a conceptual diagram showing a data linkage method using the ID determination device 100 according to the present disclosure
  • FIG. 4 is an explanatory diagram showing action vectors and position vectors
  • 2 is a block diagram showing the functional configuration of the ID determination device 100
  • FIG. FIG. 4 is a diagram showing specific examples of position vectors and action vectors; It is a figure which shows the generation process and update process of a similarity matrix.
  • 4 is an explanatory diagram showing operations of a learning vector generation unit 107 and a threshold learning unit 108;
  • FIG. 4 is a flowchart showing determination processing of the ID determination device 100;
  • 4 is a flowchart showing the operation of the ID determination device 100 that performs learning processing; It is a figure showing an example of hardware constitutions of ID judgment device 100 concerning one embodiment of this indication.
  • FIG. 1 is a conceptual diagram showing a data linkage method using the ID determination device 100 of the present disclosure.
  • the ID determination device 100 inputs payment data K and location information data L.
  • the payment data K associates the time of purchase, the store of purchase, and the product purchased with each user ID.
  • the location information data L associates the time when the location information was registered and the coordinate information at that time for each user ID.
  • the payment data K indicates the store (specific point) and the time of payment based on credit card, QR code payment, IC card payment, or other cashless payment.
  • This payment data K is managed (stored) by a payment business operator (credit card company, etc.) that operates cashless payment. It should be noted that the store (position) where the user purchased the product and the time at which the user purchased the product may be used by using the data using the point card.
  • the location information data L is information based on location registration performed when mobile terminals such as mobile phones and smartphones connect to a mobile communication network for communication.
  • This location information data L is managed by a telecommunications carrier operating a mobile communication network. It should be noted that the present invention is not limited to this, and information obtained by positioning the mobile terminal using GPS may be used.
  • the payment data K and the location information data L are operated by different operators, so even the same user has a different user ID.
  • the ID determination device 100 of the present disclosure performs determination for linking different user IDs indicating the same user.
  • the ID determination device 100 extracts the matching user U and the non-matching user U1 from the payment data K and the location information data L. Then, the user ID of the matching user U is linked. Since the ID determination device 100 determines different user IDs in which the users match in this way, the advertisement distribution device (not shown) uses this to determine that the same user is addressed to different user IDs. It is possible to perform advertisement distribution etc. based on the premise. Therefore, effective advertisement distribution and customer referral can be realized.
  • FIG. 2 is an explanatory diagram showing action vectors and position vectors.
  • ID determination device 100 extracts payment data K and location information data L from payment data DB 200 and location information data DB 300, respectively, and generates an action vector and location vector for each user ID. Then, ID determination device 100 calculates cosine similarity between payment data K and location information data L.
  • FIG. The ID determination device 100 determines that a combination of user IDs whose cosine similarity is greater than or equal to a predetermined value is the same user.
  • various methods other than cosine similarity such as a method using Euclidean distance, may be used.
  • FIG. 3 is a block diagram showing the functional configuration of the ID determination device 100.
  • ID determination device 100 includes action vector generation unit 101, position vector generation unit 102, similarity matrix generation unit 103 (similarity calculation unit), ID determination unit 104, similarity matrix update unit 105, and It includes a stay time calculation unit 106, a learning vector generation unit 107 (acquisition unit), and a threshold learning unit 108 (determination unit).
  • the ID determination device 100 is configured to be communicatively connectable with the payment data DB 200, the location information data DB 300, and the learning data DB 400 (storage unit), and can acquire various data.
  • the behavior vector generation unit 101 is a part that generates behavior vectors from the payment data K.
  • the behavior vector is configured by indicating the presence/absence of purchase in a binary (or multi-valued) manner for each time period for each user ID and store ID. In FIG. 4A, the time period is shown in units of one hour. That is, the behavior vector indicates the time period during which the user made purchases at the store indicated by the store ID, in other words, indicates which time period the user was at the store.
  • the position vector generation unit 102 is a part that generates a position vector from the position information data L.
  • the position vector is configured by indicating the presence/absence of position registration in binary (or multi-valued) for each time period for each user ID and each mesh ID. In FIG. 4(b), the time period is shown in units of one hour. That is, the position vector indicates the time period during which the user stayed in the area indicated by the mesh ID.
  • the action vector generation unit 101 and the position vector generation unit 102 may reflect the presence or absence of stay based on the length of stay at each mesh and each store calculated by the stay time calculation unit 106 in the vector. For example, if the user has stayed at the mesh and the store for a predetermined time or longer, it may be indicated that the user has stayed in the position vector and the action vector.
  • the similarity matrix generation unit 103 is a part that generates a similarity matrix for each store to be determined.
  • a position vector containing mesh IDs in the vicinity of the store is used as the position vector to be compared.
  • the similarity matrix generation unit 103 acquires a behavior vector and a position vector that include the store ID to be determined and the mesh ID indicating the vicinity of the store. Then, the degree of similarity between the action vector of one user ID and the position vector of each of the other user IDs is calculated. A similarity matrix between user IDs at a certain position (store or mesh) is generated by calculating the similarity between the action vectors of all user IDs and the position vectors of other user IDs.
  • FIG. 5(a) is a schematic diagram thereof.
  • the similarity matrix generation unit 103 calculates the similarity between the action vector of one user and the position vectors of all other users, and uses them as elements (components) constituting a matrix. Further, the similarity matrix generation unit 103 calculates the similarity between the action vector of another user different from the one user and the position vectors of all the other users, and converts it to the elements ( component). The similarity matrix generation unit 103 generates a similarity matrix by performing the above processing on all user action vectors.
  • FIG. 5(a) shows a schematic diagram of a similarity matrix, and the similarity between the action vectors of user IDs 1 to 5 and the position vectors of user IDs A to E is used as an element of the matrix.
  • a matrix is constructed.
  • the degree of similarity is adjusted to a value between 0 and 100, but it is of course not limited to such processing.
  • the ID determination unit 104 is a part that selects a combination of user IDs whose respective elements of the similarity matrix have the maximum value, and determines that these user IDs are user IDs linked to the same user. For example, among the degrees of similarity between the position vector of one user ID and the action vectors of all other user IDs, the ID determination unit 104 determines that the user indicated by the other user ID with the highest degree of similarity is one. is likely to be the same as the user indicated by the user ID of .
  • the ID determination unit 104 looks at the rows of the similarity matrix of the other user IDs (behavior vectors), and if the similarity with the one user ID is the maximum, the one user ID (position vector) It is determined that the user is the same as the other user ID (behavior vector).
  • the ID determination unit 104 looks at the rows of the similarity matrix of the other user IDs (behavior vectors), and if the similarity with the one user ID is not the maximum, the one user ID (position vector ) and another user ID (behavior vector) are not the same user.
  • the degree of similarity with user ID: 2 is higher than the combination with other user IDs: 1, 3, 4, and 5, and is the maximum value.
  • the degree of similarity with user ID: B is higher than the combination with other user IDs: A, C, D, and E, and is the maximum value.
  • the ID determination unit 104 selects user ID: 2 and user ID: B, which are a combination of user IDs having such a maximum value, and determines that these user IDs are the same user.
  • the combination of user ID: 3 and user ID: C is also determined to be the same user.
  • the degree of similarity with user ID: 1 is higher than the combination with other user IDs: 2, 3, 4, and 5, and is the maximum value.
  • the degree of similarity with user ID: B is the maximum value. In such a case, the ID determination unit 104 determines that user ID: 1 and user ID: D are not the same user.
  • the combination of user IDs with the highest degree of similarity is determined to be the same user, but this is not the only option.
  • a combination of user IDs whose degree of similarity is greater than or equal to a predetermined value may be determined as a user in some cases.
  • the ID determination unit 104 determines the user ID having the maximum similarity with the position vector from the user ID of the action vector, and the user ID having the maximum similarity with the user ID of the action vector from the user ID of the position vector. If the IDs match, it is determined that the users with the combined user IDs are the same user (see FIG. 5(b)).
  • the similarity matrix update unit 105 is a part that generates a new similarity matrix excluding the user ID selected by the ID determination unit 104 .
  • the ID determination unit 104 further selects a combination of user IDs using this.
  • rows and columns determined to be the same user are deleted.
  • the vector elements of user IDs: B and C and user IDs: 2 and 3 are deleted.
  • the staying time calculation unit 106 is a part that extracts learning data from the learning data DB 400 and calculates the time spent staying in the mesh (region) indicated by the mesh ID or the store indicated by the store ID.
  • the learning data consists of location information data and payment data, and includes time information.
  • the stay time calculation unit 106 grasps the time the user stayed at the mesh or the store based on the time information. Also, the stay time calculation unit 106 may calculate the time spent in each mesh and each store based on the information in the payment data DB 200 and the location information data DB 300 .
  • the learning vector generating unit 107 acquires learning data from the learning data DB 400, generates a learning position vector from the learning data for each user ID and each mesh, and generates a learning position vector for each user ID and each store ID. Secondly, there is the part that generates the action vector for learning.
  • the learning data DB 400 stores location information and payment data with a common user ID.
  • the learning data DB 400 is managed by a company that manages location registration of mobile terminals and payment data. For example, in recent years, telecommunications carriers operate mobile communication networks as well as cashless services.
  • the learning vector generation unit 107 uses this to generate a learning position vector and a learning action vector for each user ID. These learning position vectors and learning action vectors are the same as the position vectors and action vectors described above, but have different resolutions.
  • the learning vector generation unit 107 first generates a position vector and an action vector having one time unit as a vector element. After that, based on the determination by the threshold value learning unit 108, the vector with the changed unit is recreated.
  • the learning vector generation unit 107 acquires the length of time that the user stayed in the mesh or the store from the length of stay calculation unit 106, and based on that length of time, includes the presence or absence of stay in the elements of the vector. This is because, for example, the vector is treated differently depending on whether the user has been in the mesh or the store for a long time or has passed by. Note that the learning vector generation unit 107 sets the element of the vector to 1 when the user stays for a predetermined time. However, the vector element is not limited to this. . In this case, the elements are represented by continuous values between 0 and 1.
  • the threshold learning unit 108 is a part that calculates the degree of similarity between the position vector and the action vector generated by the learning vector generation unit 107, and learns parameters (for example, time band width) for calculating appropriate vector elements. . That is, when the similarity between the position vector and the action vector is equal to or less than a predetermined value, the threshold learning unit 108 instructs the learning vector generation unit 107 to regenerate the vector and learns appropriate parameters.
  • the learning vector generation unit 107 Upon receiving the instruction, the learning vector generation unit 107 generates a position vector and an action vector by changing parameters for calculating vector elements. For example, the learning vector generation unit 107 expands the parameter (time period width) of the element of the position vector and the action vector from 1 hour to, for example, 2 hours to generate the position vector and the action vector. do.
  • the threshold learning unit 108 calculates the degree of similarity based on the regenerated position vector and action vector, and if the similarity is equal to or greater than a predetermined value, learns the parameter, which is the calculated element of the vector, as the threshold. Threshold learning unit 108 sends the threshold to action vector generation unit 101 and position vector generation unit 102 . Action vector generation section 101 and position vector generation section 102 generate action vectors and position vectors based on the learned parameters.
  • temporal resolution that indicates the width of the time slot
  • geographic resolution that defines the size of the mesh may be added. For example, by gradually increasing the size of the mesh, the vectors will have a similar configuration and their similarity will increase. Alternatively, only temporal resolution or geographic resolution may be adjusted.
  • FIG. 6 is an explanatory diagram showing the operations of the learning vector generation unit 107 and the threshold learning unit 108.
  • FIG. A user ID, location information data, and payment data are extracted as learning data G from the learning data DB 400 .
  • the user ID is an ID common to both location information data and payment data.
  • the learning vector generation unit 107 obtains a position vector from the position information data and an action vector from the payment data based on predetermined parameters (temporal resolution and geographical resolution) (S11).
  • the threshold learning unit 108 calculates the degree of similarity (S12). When threshold learning section 108 determines that the similarity is not equal to or greater than the predetermined value, threshold learning section 108 outputs to learning vector generation section 107 an instruction to generate a vector in which the parameter of the vector element is changed. For example, an instruction is given to widen the temporal width of the temporal resolution and/or widen the mesh width of the geographic resolution.
  • the learning vector generation unit 107 generates vectors with different parameters until a predetermined degree of similarity is obtained. For example, a learning position vector and a learning action vector are generated by increasing the time interval between vector elements as the temporal resolution and increasing the mesh unit as the geographical resolution (S13).
  • the threshold learning unit 108 determines the parameters (temporal resolution and geographic resolution) whose similarity satisfies a predetermined condition, notifies the action vector generating unit 101 and the position vector generating unit 102, and performs vector generation with the resolution. (S14).
  • FIG. 7 is a flow chart showing determination processing of the ID determination device 100 .
  • the position vector generator 102 generates a position vector (S101).
  • the action vector generation unit 101 generates action vectors (S102).
  • the similarity matrix generation unit 103 generates a similarity matrix indicating similarities between vectors (S103).
  • the ID determination unit 104 determines a combination of user IDs of the same user based on the degree of similarity between the position vector and the action vector (S104).
  • the similarity matrix update unit 105 updates the similarity matrix excluding the combination of user IDs (S106).
  • the ID determination unit 104 uses the updated similarity matrix to determine the user ID of the same user.
  • the end condition is, for example, until the similarity matrix is exhausted, but is not limited to this, and may be, for example, when the similarity is only equal to or less than a predetermined value. Only those with a degree of similarity equal to or less than a predetermined value indicates that it cannot be determined that the users are the same.
  • FIG. 8 is a flowchart showing the operation of the ID determination device 100 that performs learning processing.
  • the staying time calculation unit 106 acquires learning data from the learning data DB 400 and calculates the staying time of each user at each store and each mesh (S201).
  • the learning vector generation unit 107 generates a position vector based on the calculated stay time in each mesh for each user (S202). In addition, the learning vector generation unit 107 generates an action vector based on the calculated staying time at each store for each user (S203).
  • the threshold learning unit 108 learns an appropriate resolution based on the generated position vector and action vector (S204).
  • the resolution of the mesh for generating the position vector and its time unit can be set to appropriate units.
  • the ID determination device 100 of the present disclosure includes a position vector generation unit 102 that generates a position vector from position information corresponding to a user ID (first user ID) managed in a user management database, for example, a position information data DB 300;
  • a behavior vector is obtained from purchase information (behavior information) corresponding to a user ID (second user ID) managed by a payment data DB 200, which is another user management database different from the user management database (for example, location information data DB 300).
  • an action vector generation unit 101 that generates the
  • the ID determining unit 104 determines the identity of the user with the user ID (first user ID) of the position vector and the user with the user ID (second user ID) of the action vector. judge.
  • the position vector generation unit 102 generates position vectors for each of the plurality of user IDs (first user IDs).
  • the action vector generation unit 101 generates action vectors for each of a plurality of user IDs (second user IDs).
  • the position vector generation unit 102 and the action vector generation unit 101 each generate vectors at one or more specific points, i.e. meshes or stores.
  • the staying time calculation unit 106 may acquire the user's staying time at a predetermined specific point (mesh or shop) from the information in the location information data DB 300 and the payment data DB 200. Then, the action vector generation unit 101 and the position vector generation unit 102 generate a position vector or an action vector at a specific point (mesh or the like) based on the staying time at the specific point.
  • the ID determining unit 104 calculates the similarity between the position vector and the action vector calculated for each combination of one or more position vectors and one or more action vectors. , a combination of user IDs (first user ID and second user ID) that can be determined to be the same user.
  • the ID determining unit 104 removes the combination of user IDs (first user ID and second user ID) that can be determined to be the same user, and removes the position vectors of other user IDs (first user IDs) and other user IDs. Using the behavior vector of the user ID (second user ID), the similarity of the vector is calculated, and the identity of other user IDs (first user ID, second user ID) determine gender.
  • the similarity matrix generation unit 103 generates a plurality of Calculate the similarity. Then, the ID determining unit 104 determines the degree of similarity among a plurality of degrees of similarity between the position vector of one user ID (first user ID) and the action vector of each of a plurality of user IDs (second user IDs). determines one user ID (second user ID) that satisfies a predetermined condition.
  • the ID determining unit 104 determines the degree of similarity between the action vector of one user ID (second user ID) and the position vector of each of the plurality of user IDs (first user ID). If the degree of similarity with (first user ID) satisfies a predetermined condition, the user with one user ID (first user ID) in the position vector and one user ID (second user ID) in the action vector ) is determined to be the same as the user of
  • the ID determining unit 104 determines the position vector of one user ID (first user ID) managed in the position information data DB 300 and the position vector of a plurality of user IDs (second user IDs) managed in the payment data DB 200.
  • ID A user ID (second user ID) of an action vector whose similarity satisfies a predetermined condition among a plurality of degrees of similarity with each action vector is derived.
  • the degree of similarity is determined under a predetermined condition.
  • a user ID (first user ID) that satisfies is derived.
  • the ID determination unit 104 matches one user ID with a user ID whose degree of similarity satisfies a predetermined condition, and identifies the user IDs managed in the payment data DB 200. , if one user ID (second user ID) matches a user ID (second user ID) whose similarity satisfies a predetermined condition, one user managed in the location information data DB 300 It is determined that the user of the ID (first user ID) and the user of one user ID (second user ID) managed in the payment data DB 200 are the same.
  • the predetermined condition is a maximum value or a predetermined value or more, but is not limited to this.
  • the ID determining unit 104 uses the user ID of one of the position vectors as a key to search for the user ID of the action vector that satisfies a predetermined condition, and uses the user ID of the action vector as the key. Although it is determined whether or not the one user ID in the vector satisfies a predetermined condition, this is not the only option, and the reverse is also possible. That is, the ID determination unit 104 uses the user ID of one action vector as a key to search for the user ID of the position vector that satisfies a predetermined condition, and when the user ID of the position vector is used as the key, the ID determination unit 104 finds the user ID of one action vector. It may be determined whether or not the ID satisfies a predetermined condition.
  • the learning vector generation unit 107 calculates a learning position vector and a learning action vector for a common user ID (one learning user ID), and calculates vector elements. Generate multiple by changing parameters.
  • the threshold learning unit 108 calculates the degree of similarity between the learning position vector and the learning action vector that share a parameter, and determines one parameter based on the degree of similarity.
  • the position vector generation unit 102 and the action vector generation unit 101 generate a position vector and an action vector based on one parameter.
  • the learning vector generation unit 107 or the stay time calculation unit 106 acquires learning data (learning location information and learning behavior information) with a common user ID from the learning data DB 400 .
  • the learning vector generation unit 107 generates a learning position vector and a learning action vector with a common user ID from the learning position information and the learning action information.
  • the degree of similarity between the learning position vector and the learning action vector is greater than or equal to a predetermined value, indicating that they are the same user.
  • the vectors are not necessarily constructed to indicate a match.
  • the length of stay calculation unit 106 calculates the user's length of stay at a predetermined specific point included in the learning data (at least one of learning position information and learning behavior information). to get A learning vector generation unit 107 generates a learning position vector or a learning action vector at a specific point based on the staying time.
  • a threshold is set so that the element of the vector is set to 1 when the user stays for a predetermined time or more.
  • the vector element may be determined using a function based on the length of stay. .
  • the ID determination device 100 includes the stay time calculation unit 106, the threshold learning unit 108, and the threshold learning unit 108, but is not limited to this.
  • a learning device is provided separately from the ID determination device 100, and the learning device includes a staying time calculation unit 106, a threshold learning unit 108, and a threshold learning unit 108, and the learning device calculates the elements of the position vector and the action vector. You may learn the parameters for ID determination device 100 generates an action vector and a position vector using the learned parameters.
  • each functional block may be implemented using one device that is physically or logically coupled, or directly or indirectly using two or more devices that are physically or logically separated (e.g. , wired, wireless, etc.) and may be implemented using these multiple devices.
  • a functional block may be implemented by combining software in the one device or the plurality of devices.
  • Functions include judging, determining, determining, calculating, calculating, processing, deriving, investigating, searching, checking, receiving, transmitting, outputting, accessing, resolving, selecting, choosing, establishing, comparing, assuming, expecting, assuming, Broadcasting, notifying, communicating, forwarding, configuring, reconfiguring, allocating, mapping, assigning, etc. can't
  • a functional block (component) that performs transmission is called a transmitting unit or transmitter.
  • the implementation method is not particularly limited.
  • the ID determination device 100 may function as a computer that performs processing of the ID determination method of the present disclosure.
  • FIG. 9 is a diagram illustrating an example of a hardware configuration of ID determination device 100 according to an embodiment of the present disclosure.
  • the ID determination device 100 described above may be physically configured as a computer device including a processor 1001, a memory 1002, a storage 1003, a communication device 1004, an input device 1005, an output device 1006, a bus 1007, and the like.
  • ID determination device 100 can be read as a circuit, device, unit, or the like.
  • the hardware configuration of ID determination device 100 may be configured to include one or a plurality of each device shown in the figure, or may be configured without some of the devices.
  • Each function of the ID determination device 100 is performed by causing the processor 1001 to perform calculations, controlling communication by the communication device 1004, and controlling the It is realized by controlling at least one of data reading and writing in 1002 and storage 1003 .
  • the processor 1001 for example, operates an operating system and controls the entire computer.
  • the processor 1001 may be configured by a central processing unit (CPU) including an interface with peripheral devices, a control device, an arithmetic device, registers, and the like.
  • CPU central processing unit
  • the action vector generation unit 101 and the position vector generation unit 102 of the ID determination device 100 described above may be implemented by the processor 1001 .
  • the processor 1001 reads programs (program codes), software modules, data, etc. from at least one of the storage 1003 and the communication device 1004 to the memory 1002, and executes various processes according to them.
  • programs program codes
  • the action vector generation unit 101, the position vector generation unit 102, the similarity matrix generation unit 103, etc. of the ID determination device 100 may be stored in the memory 1002 and implemented by a control program operating in the processor 1001.
  • Functional blocks may be similarly implemented.
  • FIG. Processor 1001 may be implemented by one or more chips.
  • the program may be transmitted from a network via an electric communication line.
  • the memory 1002 is a computer-readable recording medium, and is composed of at least one of, for example, ROM (Read Only Memory), EPROM (Erasable Programmable ROM), EEPROM (Electrically Erasable Programmable ROM), RAM (Random Access Memory), etc. may be
  • ROM Read Only Memory
  • EPROM Erasable Programmable ROM
  • EEPROM Electrical Erasable Programmable ROM
  • RAM Random Access Memory
  • the memory 1002 may also be called a register, cache, main memory (main storage device), or the like.
  • the memory 1002 can store executable programs (program code), software modules, etc. for implementing an ID determination method according to an embodiment of the present disclosure.
  • the storage 1003 is a computer-readable recording medium, for example, an optical disc such as a CD-ROM (Compact Disc ROM), a hard disk drive, a flexible disc, a magneto-optical disc (for example, a compact disc, a digital versatile disc, a Blu-ray disk), smart card, flash memory (eg, card, stick, key drive), floppy disk, magnetic strip, and/or the like.
  • Storage 1003 may also be called an auxiliary storage device.
  • the storage medium described above may be, for example, a database, server, or other suitable medium including at least one of memory 1002 and storage 1003 .
  • the communication device 1004 is hardware (transmitting/receiving device) for communicating between computers via at least one of a wired network and a wireless network, and is also called a network device, a network controller, a network card, a communication module, or the like.
  • the communication device 1004 includes a high-frequency switch, a duplexer, a filter, a frequency synthesizer, etc., in order to realize at least one of, for example, frequency division duplex (FDD) and time division duplex (TDD). may consist of For example, communication connection of each database may be implemented by the communication device 1004 .
  • This communication device 1004 may have a physically or logically separate implementation.
  • the input device 1005 is an input device (for example, keyboard, mouse, microphone, switch, button, sensor, etc.) that receives input from the outside.
  • the output device 1006 is an output device (eg, display, speaker, LED lamp, etc.) that outputs to the outside. Note that the input device 1005 and the output device 1006 may be integrated (for example, a touch panel).
  • Each device such as the processor 1001 and the memory 1002 is connected by a bus 1007 for communicating information.
  • the bus 1007 may be configured using a single bus, or may be configured using different buses between devices.
  • notification of information is not limited to the aspects/embodiments described in the present disclosure, and may be performed using other methods.
  • notification of information includes physical layer signaling (e.g. DCI (Downlink Control Information), UCI (Uplink Control Information)), upper layer signaling (e.g. RRC (Radio Resource Control) signaling, MAC (Medium Access Control) signaling, It may be implemented by broadcast information (MIB (Master Information Block), SIB (System Information Block))), other signals, or a combination thereof.
  • RRC signaling may also be called an RRC message, and may be, for example, an RRC connection setup message, an RRC connection reconfiguration message, or the like.
  • Input/output information may be stored in a specific location (for example, memory) or managed using a management table. Input/output information and the like can be overwritten, updated, or appended. The output information and the like may be deleted. The entered information and the like may be transmitted to another device.
  • the determination may be made by a value represented by one bit (0 or 1), by a true/false value (Boolean: true or false), or by numerical comparison (for example, a predetermined value).
  • notification of predetermined information is not limited to being performed explicitly, but may be performed implicitly (for example, not notifying the predetermined information). good too.
  • Software whether referred to as software, firmware, middleware, microcode, hardware description language or otherwise, includes instructions, instruction sets, code, code segments, program code, programs, subprograms, and software modules. , applications, software applications, software packages, routines, subroutines, objects, executables, threads of execution, procedures, functions, and the like.
  • software, instructions, information, etc. may be transmitted and received via a transmission medium.
  • the software uses at least one of wired technology (coaxial cable, fiber optic cable, twisted pair, digital subscriber line (DSL), etc.) and wireless technology (infrared, microwave, etc.) to website, Wired and/or wireless technologies are included within the definition of transmission medium when sent from a server or other remote source.
  • wired technology coaxial cable, fiber optic cable, twisted pair, digital subscriber line (DSL), etc.
  • wireless technology infrared, microwave, etc.
  • data, instructions, commands, information, signals, bits, symbols, chips, etc. may refer to voltages, currents, electromagnetic waves, magnetic fields or magnetic particles, light fields or photons, or any of these. may be represented by a combination of
  • information, parameters, etc. described in the present disclosure may be expressed using absolute values, may be expressed using relative values from a predetermined value, or may be expressed using other corresponding information.
  • radio resources may be indexed.
  • MS Mobile Station
  • UE User Equipment
  • a mobile station is defined by those skilled in the art as a subscriber station, mobile unit, subscriber unit, wireless unit, remote unit, mobile device, wireless device, wireless communication device, remote device, mobile subscriber station, access terminal, mobile terminal, wireless It may also be called a terminal, remote terminal, handset, user agent, mobile client, client, or some other suitable term.
  • determining and “determining” used in this disclosure may encompass a wide variety of actions.
  • “Judgement” and “determination” are, for example, judging, calculating, computing, processing, deriving, investigating, looking up, searching, inquiring (eg, lookup in a table, database, or other data structure), ascertaining as “judged” or “determined”, and the like.
  • "judgment” and “determination” are used for receiving (e.g., receiving information), transmitting (e.g., transmitting information), input, output, access (accessing) (for example, accessing data in memory) may include deeming that a "judgement” or “decision” has been made.
  • judgment and “decision” are considered to be “judgment” and “decision” by resolving, selecting, choosing, establishing, comparing, etc. can contain.
  • judgment and “decision” may include considering that some action is “judgment” and “decision”.
  • judgment (decision) may be read as “assuming”, “expecting”, “considering”, or the like.
  • connection means any direct or indirect connection or coupling between two or more elements, It can include the presence of one or more intermediate elements between two elements being “connected” or “coupled.” Couplings or connections between elements may be physical, logical, or a combination thereof. For example, “connection” may be read as "access”.
  • two elements are defined using at least one of one or more wires, cables, and printed electrical connections and, as some non-limiting and non-exhaustive examples, in the radio frequency domain. , electromagnetic energy having wavelengths in the microwave and optical (both visible and invisible) regions, and the like.
  • any reference to elements using the "first,” “second,” etc. designations used in this disclosure does not generally limit the quantity or order of those elements. These designations may be used in this disclosure as a convenient method of distinguishing between two or more elements. Thus, reference to a first and second element does not imply that only two elements can be employed or that the first element must precede the second element in any way.
  • a and B are different may mean “A and B are different from each other.”
  • the term may also mean that "A and B are different from C”.
  • Terms such as “separate,” “coupled,” etc. may also be interpreted in the same manner as “different.”

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

異なるユーザデータベースにおけるユーザＩＤが同じユーザであるか否かを高精度で判定することができる判定装置を提供することを目的とする。　ＩＤ判定装置１００は、ユーザ管理データベース、例えば位置情報データＤＢ３００において管理されているユーザＩＤに対応する位置情報から位置ベクトルを生成する位置ベクトル生成部１０２と、上記ユーザ管理データベース（例えば位置情報ＤＢデータ３００）とは異なる他のユーザ管理データベースである決済データＤＢ２００で管理されているユーザＩＤに対応する購買情報（行動情報）から行動ベクトルを生成する行動ベクトル生成部１０１と、を備える。ＩＤ判定部１０４は、位置ベクトルと行動ベクトルとに基づいて、位置ベクトルのユーザＩＤのユーザおよび行動ベクトルのユーザＩＤのユーザの同一性を判定する。

Description

判定装置
　本発明は、ユーザＩＤの判定を行う判定装置に関する。
　特許文献１または特許文献２には、異なるユーザデータベースから位置情報同士を比較することで、異なるユーザＩＤのユーザが、同じユーザであるか否かを判定する発明が記載されている。
特開２０１３－１６８２７３号公報 特開２０１２－２３４５８９号公報
　一般的に、異なるユーザデータベースにおいては、ユーザＩＤは異なっている。従って、ユーザＩＤに紐付くユーザが、店舗等の位置情報に基づいて同じ位置にいることを滞在時間等に基づいて判定することになる。その場合、閾値を設定することでユーザがその位置に滞在しているか否かを判定することができる。しかしながら、店舗の平均的な利用時間（滞在時間）は、店舗の業態または店舗規模によって異なるため、適切な設定をすることは困難である。
　そこで、上述の課題を解決するために本発明は、異なるユーザデータベースにおけるユーザＩＤが同じユーザであるか否かを高精度で判定することができる判定装置を提供することを目的とする。
　本発明の判定装置は、ユーザ管理データベースにおいて管理されている第１のユーザＩＤに対応する位置情報から位置ベクトルを生成する位置ベクトル生成部と、前記ユーザ管理データベースとは異なる他のユーザ管理データベースで管理されている第２のユーザＩＤに対応する行動情報から行動ベクトルを生成する行動ベクトル生成部と、前記位置ベクトルと前記行動ベクトルとに基づいて、前記第１のユーザＩＤのユーザおよび前記第２のユーザＩＤのユーザの同一性を判定する判定部と、を備える。
　本発明によると、異なるデータベースで管理されているユーザＩＤにおけるユーザの同一性を高精度で判定することができる。
本開示におけるＩＤ判定装置１００を用いたデータ連携方法を示す概念図である。 行動ベクトルおよび位置ベクトルを示す説明図である。 ＩＤ判定装置１００の機能構成を示すブロック図である。 位置ベクトルおよび行動ベクトルの具体例を示す図である。 類似度行列の生成処理および更新処理を示す図である。 学習用ベクトル生成部１０７および閾値学習部１０８の動作を示す説明図である。 ＩＤ判定装置１００の判定処理を示すフローチャートである。 学習処理を行うＩＤ判定装置１００の動作を示すフローチャートである。 本開示の一実施の形態に係るＩＤ判定装置１００のハードウェア構成の一例を示す図である。
　添付図面を参照しながら本開示の実施形態を説明する。可能な場合には、同一の部分には同一の符号を付して、重複する説明を省略する。
　図１は、本開示におけるＩＤ判定装置１００を用いたデータ連携方法を示す概念図である。図に示されるとおり、ＩＤ判定装置１００は、決済データＫおよび位置情報データＬを入力する。決済データＫは、ユーザＩＤごとに購入時刻、購入店舗、および購入商品を対応付けている。位置情報データＬは、ユーザＩＤごとに、位置情報を登録した時刻およびそのときの座標情報を対応付けている。
　決済データＫは、クレジットカード、ＱＲコード決済、ＩＣカード決済、またはその他キャッシュレス決済に基づいて決済された店舗（特定地点）およびその決済時刻を示している。この決済データＫは、キャッシュレス決済を運営している決済事業者（クレジットカード会社など）によって管理（記憶）されている。なお、ポイントカードを用いたデータを利用して、ユーザが商品購入した店舗（位置）およびその時刻を利用してもよい。
　位置情報データＬは、携帯電話およびスマートフォンなどの携帯端末が移動体通信網に通信接続する際に行われる位置登録に基づいた情報である。この位置情報データＬは、移動体通信網を運営している通信事業者によって管理されている。なお、これに限らず、携帯端末がＧＰＳを利用して測位した情報を利用してもよい。
　一般的に、決済データＫと位置情報データＬとは、運営事業者が異なっているため、同じユーザであってもユーザＩＤは異なる。本開示のＩＤ判定装置１００は、同じユーザを示すそれぞれ異なるユーザＩＤを紐付けるための判定を行う。
　図１においては、ＩＤ判定装置１００は、決済データＫおよび位置情報データＬから一致するユーザＵおよび不一致ユーザＵ１を抽出する。そして、一致するユーザＵにおけるユーザＩＤを紐付ける。ＩＤ判定装置１００がこのようにユーザが一致する異なるユーザＩＤを判定することで、広告配信装置（図示せず）は、これを利用して、異なるユーザＩＤ宛に対して同一ユーザであることを前提とした広告配信等を行うことができる。したがって、効果的な広告配信および送客を実現できる。
　図２は、行動ベクトルおよび位置ベクトルを示す説明図である。図に示されるとおり、ＩＤ判定装置１００は、決済データＤＢ２００および位置情報データＤＢ３００からそれぞれ決済データＫおよび位置情報データＬを取り出し、それぞれ行動ベクトルおよび位置ベクトルを、ユーザＩＤごとに生成する。そして、ＩＤ判定装置１００は、決済データＫおよび位置情報データＬのコサイン類似度を算出する。ＩＤ判定装置１００は、コサイン類似度が所定値以上のユーザＩＤの組み合わせは、同じユーザであると判定する。なお、類似度を算出する方法として、コサイン類似度以外にも、ユークリッド距離を用いた方法など種々の方法を利用してもよい。
　つぎに、このＩＤ判定装置１００の詳細な構成について説明する。図３は、ＩＤ判定装置１００の機能構成を示すブロック図である。図に示されるとおり、ＩＤ判定装置１００は、行動ベクトル生成部１０１、位置ベクトル生成部１０２、類似度行列生成部１０３（類似度算出部）、ＩＤ判定部１０４、類似度行列更新部１０５、および滞在時間計算部１０６、学習用ベクトル生成部１０７（取得部）、および閾値学習部１０８（決定部）を含んで構成されている。また、ＩＤ判定装置１００は、決済データＤＢ２００、位置情報データＤＢ３００、および学習用データＤＢ４００（記憶部）と通信接続可能に構成されており、各種データを取得することができる。
　行動ベクトル生成部１０１は、決済データＫから行動ベクトルを生成する部分である。行動ベクトルは、ユーザＩＤごとおよび店舗ＩＤごとに、購買の有無を時間帯ごとに２値（または多値でもよい）で示して、構成される。図４（ａ）では、時間帯は、１時間単位で示されている。すなわち、行動ベクトルは、店舗ＩＤで示される店舗でユーザが購入した時間帯を示しており、言い換えると、ユーザがその店舗に、どの時間帯にいたのかを示す。
　位置ベクトル生成部１０２は、位置情報データＬから位置ベクトルを生成する部分である。位置ベクトルは、ユーザＩＤごとおよびメッシュＩＤごとに、位置登録の有無を時間帯ごとに２値（または多値でもよい）で示して、構成される。図４（ｂ）では、時間帯は、１時間単位で示されている。すなわち、位置ベクトルは、メッシュＩＤで示される地域にユーザが滞在した時間帯を示す。
　なお、行動ベクトル生成部１０１および位置ベクトル生成部１０２は、滞在時間計算部１０６が計算した各メッシュおよび各店舗に滞在していた時間に基づいた滞在の有無をベクトルに反映してもよい。例えば、所定時間以上、メッシュおよび店舗に滞在していた場合に、位置ベクトルおよび行動ベクトルにユーザが滞在していたことを示すようにしてもよい。
　類似度行列生成部１０３は、判定対象とする店舗ごとに、類渡行列を生成する部分である。なお、その比較対象となる位置ベクトルは、当該店舗付近のメッシュＩＤを含んだ位置ベクトルが利用される。
　より詳細には、類似度行列生成部１０３は、判定対象となる店舗ＩＤおよび当該店舗の近辺を示すメッシュＩＤを含んだ行動ベクトルおよち位置ベクトルを取得する。そして、一のユーザＩＤの行動ベクトルと、他のユーザＩＤそれぞれの位置ベクトルとの類似度を算出する。全てのユーザＩＤの行動ベクトルに対して、それぞれ他のユーザＩＤの位置ベクトルに対する類似度算出を行うことで、ある位置（店舗またはメッシュ）におけるユーザＩＤ同士の類似度行列を生成する。
　図５（ａ）は、その模式図である。図に示されるとおり、類似度行列生成部１０３は、一のユーザの行動ベクトルと、他の全てのユーザの位置ベクトルそれぞれとの類似度を計算し、行列を構成する要素（成分）とする。また、類似度行列生成部１０３は、一のユーザとは別の他のユーザの行動ベクトルと、他の全てのユーザの位置ベクトルそれぞれとの類似度を計算し、それを行列を構成する要素（成分）とする。類似度行列生成部１０３は、全てのユーザの行動ベクトルに対して上記処理を行うことで、類似度行列を生成する。
　図５（ａ）は、類似度行列の模式図を示し、ユーザＩＤ：１～５のそれぞれの行動ベクトルと、ユーザＩＤ：Ａ～Ｅの位置ベクトルとの類似度を行列の要素として、類似度行列が構成されている。本開示では、類似度は、０～１００の間となるよう調整された値としているが、当然にそのような処理に限定されるものではない。
　ＩＤ判定部１０４は、類似度行列の各要素が最大値であるユーザＩＤの組合せを選択して、それらユーザＩＤは、同じユーザに紐付けられたユーザＩＤであることを判定する部分である。例えば、ＩＤ判定部１０４は、一のユーザＩＤの位置ベクトルと、全ての他のユーザＩＤの行動ベクトルそれぞれとの類似度のうち、類似度が最大となる他のユーザＩＤが示すユーザは、一のユーザＩＤが示すユーザと同じである可能性が高いと判定する。
　そして、ＩＤ判定部１０４は、当該他のユーザＩＤ（行動ベクトル）の類似度行列の行をみて、上記一のユーザＩＤとの類似度が最大であれば、一のユーザＩＤ（位置ベクトル）と他のユーザＩＤ（行動ベクトル）とは同じユーザであると判定する。
　一方で、ＩＤ判定部１０４は、当該他のユーザＩＤ（行動ベクトル）の類似度行列の行をみて、上記一のユーザＩＤとの類似度が最大でないのであれば、一のユーザＩＤ（位置ベクトル）と他のユーザＩＤ（行動ベクトル）とは同じユーザではないと判定する。
　図５（ａ）を参照すると、ユーザＩＤ：Ｂの列において、ユーザＩＤ：２との類似度は、他のユーザＩＤ：１、３、４、および５との組合せより高く、最大値であるとする。また、ユーザＩＤ：２の行において、ユーザＩＤ：Ｂとの類似度は、他のユーザＩＤ：Ａ、Ｃ、Ｄ、およびＥとの組合せより高く、最大値であるとする。この場合、ＩＤ判定部１０４は、このような最大値となるユーザＩＤの組み合わせである、ユーザＩＤ：２、ユーザＩＤ：Ｂを選択して、これらユーザＩＤは、同じユーザであると判定する。図５（ａ）では、ユーザＩＤ：３、ユーザＩＤ：Ｃの組み合わせも、同じユーザであると判定する。
　また、ユーザＩＤ：Ｄの列において、ユーザＩＤ：１との類似度は、他のユーザＩＤ：２、３、４、および５との組合せより高く、最大値であるとする。しかしながら、ユーザＩＤ：１の行において、ユーザＩＤ：Ｂとの類似度が最大値である。このような場合には、ＩＤ判定部１０４は、ユーザＩＤ：１とユーザＩＤ：Ｄとは、同じユーザではないと判定する。
　上記説明では、類似度が最大ととなるユーザＩＤの組合せを同じユーザであると判定しているが、これに限るものではない。類似度が所定値以上であるユーザＩＤの組合せをユーザと判定してもよい場合がある。
　ＩＤ判定部１０４は、行動ベクトルのユーザＩＤからみた、位置ベクトルとの類似度が最大となるユーザＩＤと、位置ベクトルのユーザＩＤからみた、行動ベクトルのユーザＩＤとの類似度が最大となるユーザＩＤとが、一致する場合、その組合せとなるユーザＩＤのユーザを同一のユーザと判定する（図５（ｂ）参照）。
　類似度行列更新部１０５は、ＩＤ判定部１０４で選択されたユーザＩＤを除外した新たな類似度行列を生成する部分である。ＩＤ判定部１０４は、これを使ってさらにユーザＩＤの組合せを選択する。
　図５（ｃ）を参照すると、同一ユーザと判定された行および列が削除されている。ここでは、ユーザＩＤ：Ｂ、Ｃ、ユーザＩＤ：２、３のベクトル要素が削除される。
　滞在時間計算部１０６は、学習用データＤＢ４００から学習用データを取り出し、メッシュＩＤで示されるメッシュ（地域）または店舗ＩＤで示される店舗、に滞在する時間を計算する部分である。学習用データは、位置情報データおよび決済データからなり、時間情報を含んでいる。滞在時間計算部１０６は、その時間情報に基づいてメッシュまたは店舗にユーザが滞在した時間を把握する。また、滞在時間計算部１０６は、決済データＤＢ２００および位置情報データＤＢ３００の情報に基づいて各メッシュおよび各店舗に滞在した時間を計算してもよい。
　学習用ベクトル生成部１０７は、学習用データＤＢ４００から学習用データを取得し、当該学習用データから、ユーザＩＤごとおよびメッシュごとに、学習用位置ベクトルを生成し、また、ユーザＩＤおよび店舗ＩＤごとに、学習用行動ベクトルを生成する部分である。学習用データＤＢ４００は、ユーザＩＤを共通にして、位置情報と決済データとを記憶している。例えば、学習用データＤＢ４００は、携帯端末の位置登録の管理と、決済データを管理する事業者により管理されている。例えば、近年の通信事業者は、移動体通信網を運営するとともに、キャッシュレスサービス等も運営している。
　学習用ベクトル生成部１０７は、これを利用して、ユーザＩＤごとに、学習用位置ベクトルおよび学習用行動ベクトルを生成する。これら学習用位置ベクトルおよび学習用行動ベクトルは、上述した位置ベクトルおよび行動ベクトルと同じであるが、その解像度が変わる。
　すなわち、学習用ベクトル生成部１０７は、まずは１時間単位をベクトルの要素とする位置ベクトルおよび行動ベクトルを生成する。その後、閾値学習部１０８による判定に基づいて、その単位を変えたベクトルを作り替える。
　また、学習用ベクトル生成部１０７は、ユーザがメッシュまたは店舗に滞在した時間を、滞在時間計算部１０６から取得し、その時間に基づいて、ベクトルの要素に滞在の有無を含ませる。例えば、ユーザが、メッシュまたは店舗に長時間いた場合と、通り過ぎた場合とでは、ベクトルとしての扱いが変わるためである。なお、学習用ベクトル生成部１０７は、所定時間滞在した場合に、ベクトルの要素を１とするが、それに限るものではなく、例えば、ベクトル要素を滞在時間について関数ｆ（ｔ）であらわしてもよい。この場合、要素は、０～１の間の連続値で表される。
　閾値学習部１０８は、学習用ベクトル生成部１０７により生成された位置ベクトルおよび行動ベクトルの類似度を計算して、適切なベクトルの要素を計算するパラメータ（例えば時間帯幅）を学習する部分である。すなわち、閾値学習部１０８は、位置ベクトルおよび行動ベクトルの類似度が所定値以下である場合には、学習用ベクトル生成部１０７に対してベクトルの再生成を指示し、適切なパラメータを学習する。
　学習用ベクトル生成部１０７は、その指示を受けると、ベクトルの要素を計算するパラメータを変えて、位置ベクトルおよび行動ベクトルを生成する。例えば、学習用ベクトル生成部１０７は、位置ベクトルおよび行動ベクトルの要素のパラメータ（時間帯幅）は１時間であったが、それを拡大して、例えば２時間とした位置ベクトルおよび行動ベクトルを生成する。
　閾値学習部１０８は、再生成された位置ベクトルおよび行動ベクトルに基づいて類似度を計算し、それが所定値以上である場合に、そのベクトルの要素を計算したパラメータを閾値として学習する。閾値学習部１０８は、当該閾値を行動ベクトル生成部１０１および位置ベクトル生成部１０２に送る。行動ベクトル生成部１０１および位置ベクトル生成部１０２は、学習されたパラメータに基づいて行動ベクトルおよび位置ベクトルを生成する。
　上記パラメータは、時間帯幅を示す時間解像度を例に説明したが、これに限るものではなく、メッシュの大きさを定義した地理解像度を加えてもよい。例えば、メッシュの大きさを徐々に大きくすることにより、ベクトルは同じような構成となり、その類似度が高くなる。また、時間解像度または地理解像度のみ調整ししてもよい。
　図６は、学習用ベクトル生成部１０７および閾値学習部１０８の動作を示す説明図である。学習用データＤＢ４００から、学習用データＧとして、ユーザＩＤ、位置情報データおよび決済データが取り出される。ユーザＩＤは、位置情報データおよび決済データの両者において共通のＩＤである。
　学習用ベクトル生成部１０７は、所定のパラメータ（時間解像度および地理的解像度）に基づいて、位置情報データから位置ベクトルを求め、決済データから行動ベクトルを求める（Ｓ１１）。
　閾値学習部１０８は、類似度を算出する（Ｓ１２）。閾値学習部１０８は、類似度が所定値以上ではないと判定すると、学習用ベクトル生成部１０７に、ベクトル要素のパラメータを変えたベクトル生成の指示を出力する。例えば、時間解像度の時間幅を広げ、および／または地理解像度のメッシュ幅を広げる、などの指示を行う。
　学習用ベクトル生成部１０７は、所定の類似度を得るまでパラメータを変えたベクトルを生成する。例えば、時間解像度として、ベクトル要素の時間間隔を広げ、また地理的解像度として、メッシュ単位を大きくした学習用位置ベクトルおよび学習用行動ベクトルを生成する（Ｓ１３）。
　閾値学習部１０８は、類似度が所定の条件を満たしたパラメータ（時間解像度および地理解像度）を決定し、行動ベクトル生成部１０１および位置ベクトル生成部１０２に通知して、当該解像度によるベクトル生成を行わせる（Ｓ１４）。
　これにより、適切なパラメータで位置ベクトルおよび行動ベクトルを生成することができる。
　つぎに、本開示のＩＤ判定装置１００の動作について説明する。図７は、ＩＤ判定装置１００の判定処理を示すフローチャートである。位置ベクトル生成部１０２は、位置ベクトルを生成する（Ｓ１０１）。行動ベクトル生成部１０１は、行動ベクトルを生成する（Ｓ１０２）。類似度行列生成部１０３は、ベクトル間の類似度を示す類似度行列を生成する（Ｓ１０３）。
　ＩＤ判定部１０４は、同一ユーザのユーザＩＤの組み合わせを、位置ベクトルと行動ベクトルとの類似度に基づいて判定する（Ｓ１０４）。類似度行列更新部１０５は、ユーザＩＤの組み合わせを除外した類似度行列を更新する（Ｓ１０６）。ＩＤ判定部１０４は、更新した類似度行列を用いて同一ユーザのユーザＩＤ判定を行う。
　これら処理を終了条件を満たすまで繰り返し行う（Ｓ１０５）。終了条件とは、例えば、類似度行列がなくなるまであるが、これに限らず、類似度が所定値以下のものだけになった場合などである。類似度が所定値以下のものだけとは、ユーザが同一であると判定できないことを示す。
　つぎに、解像度の学習処理について説明する。図８は、学習処理を行うＩＤ判定装置１００の動作を示すフローチャートである。滞在時間計算部１０６は、学習用データＤＢ４００から学習用データを取得して、各ユーザの各店舗および各メッシュにおける滞在時間を計算する（Ｓ２０１）。
　学習用ベクトル生成部１０７は、計算したユーザごとの各メッシュにおける滞在時間に基づいて、位置ベクトルを生成する（Ｓ２０２）。また、学習用ベクトル生成部１０７は、計算したユーザごとの各店舗における滞在時間に基づいて、行動ベクトルを生成する（Ｓ２０３）。
　閾値学習部１０８は、生成した位置ベクトルおよび行動ベクトルに基づいて、適切な解像度を学習する（S２０４）。
　このような処理を行うことにより、位置ベクトルを生成するためのメッシュの解像度およびその時間単位を適切な単位にすることができる。
　つぎに、本開示におけるＩＤ判定装置１００の作用効果について説明する。本開示のＩＤ判定装置１００は、ユーザ管理データベース、例えば位置情報データＤＢ３００において管理されているユーザＩＤ（第１のユーザＩＤ）に対応する位置情報から位置ベクトルを生成する位置ベクトル生成部１０２と、上記ユーザ管理データベース（例えば位置情報データＤＢ３００）とは異なる他のユーザ管理データベースである決済データＤＢ２００で管理されているユーザＩＤ（第２のユーザＩＤ）に対応する購買情報（行動情報）から行動ベクトルを生成する行動ベクトル生成部１０１と、を備える。
　そして、ＩＤ判定部１０４は、位置ベクトルと行動ベクトルとに基づいて、位置ベクトルのユーザＩＤ（第１のユーザＩＤ）のユーザおよび行動ベクトルのユーザＩＤ（第２のユーザＩＤ）のユーザの同一性を判定する。
　ここで、位置ベクトル生成部１０２は、複数のユーザＩＤ（第１ユーザＩＤ）のそれぞれの位置ベクトルを生成する。行動ベクトル生成部１０１は、複数のユーザＩＤ（第２のユーザＩＤ）のそれぞれの行動ベクトルを生成する。
　さらに、ここで位置ベクトル生成部１０２および行動ベクトル生成部１０１は、それぞれ一または複数の特定地点であるメッシュまたは店舗におけるベクトルを生成する。
　また、滞在時間計算部１０６は、位置情報データＤＢ３００および決済データＤＢ２００の情報から、予め定められた特定地点（メッシュまたは店舗）におけるユーザの滞在時間を取得してもよい。そして、行動ベクトル生成部１０１および位置ベクトル生成部１０２は、特定地点における滞在時間に基づいて、特定地点（メッシュ等）における位置ベクトルまたは行動ベクトルを生成する。
　また、本開示おいて、ＩＤ判定部１０４は、一または複数の位置ベクトルと一または複数の行動ベクトルとのそれぞれの組み合わせに対して算出された、位置ベクトルと行動ベクトルとの類似度に基づいて、同じユーザと判定できるユーザＩＤ（第１のユーザＩＤおよび第２のユーザＩＤ）の組合せを判定する。
　このような構成により、異なるデータベースで管理されているユーザＩＤのそれぞれにおいて同じユーザに紐付いたユーザＩＤであるかを判定することができる。
　また、ＩＤ判定部１０４は、同じユーザと判定できるユーザＩＤ（第１のユーザＩＤ、第２のユーザＩＤ）の組合せを除外した他のユーザＩＤ（第１のユーザＩＤ）の位置ベクトルおよび他のユーザＩＤ（第２のユーザＩＤ）の行動ベクトルを用いて、さらにそのベクトルの類似度を算出して、他のユーザＩＤ（第１のユーザＩＤ、第２のユーザＩＤ）同士のユーザとの同一性を判定する。
　このような構成により、さらにベクトル同士が類似するユーザＩＤのユーザを判定することができる。
　より具体的には、類似度行列生成部１０３は、複数のユーザＩＤ（第１のユーザＩＤ）の位置ベクトルと、複数のユーザＩＤ（第２のユーザＩＤ）の行動ベクトルとの組み合わせにおける複数の類似度を算出する。そして、ＩＤ判定部１０４は、一のユーザＩＤ（第１のユーザＩＤ）の位置ベクトルと複数のユーザＩＤ（第２のユーザＩＤ）それぞれの行動ベクトルとの複数の類似度のうち、当該類似度が所定条件を満たした一のユーザＩＤ（第２のユーザＩＤ）を決定する。
　ＩＤ判定部１０４は、さらに一のユーザＩＤ（第２のユーザＩＤ）の行動ベクトルと複数のユーザＩＤ（第１のユーザＩＤ）それぞれの位置ベクトルとの複数の類似度のうち、一のユーザＩＤ（第１のユーザＩＤ）との類似度が所定条件を満たした場合、位置ベクトルにおける一のユーザＩＤ（第１のユーザＩＤ）のユーザと、行動ベクトルにおける一のユーザＩＤ（第２のユーザＩＤ）のユーザとは、同一であると判定する。
　すなわち、ＩＤ判定部１０４は、位置情報データＤＢ３００において管理されている一のユーザＩＤ（第１のユーザＩＤ）の位置ベクトルと、決済データＤＢ２００において管理されている複数のユーザＩＤ（第２のユーザＩＤ）それぞれの行動ベクトルとの複数の類似度のうち、当該類似度が所定条件を満たした行動ベクトルのユーザＩＤ（第２のユーザＩＤ）を導出する。また、同様に、一のユーザＩＤ（第２のユーザＩＤ）の行動ベクトルと複数のユーザＩＤ（第１のユーザＩＤ）それぞれの位置ベクトルとの複数の類似度のうち、当該類似度が所定条件を満たしたユーザＩＤ（第１のユーザＩＤ）を導出する。
　ＩＤ判定部１０４は、位置情報データＤＢ３００において管理されていたユーザＩＤにおいて、一のユーザＩＤと、類似度が所定条件を満たしたユーザＩＤとが一致し、決済データＤＢ２００において管理されていたユーザＩＤにおいて、一のユーザＩＤ（第２のユーザＩＤ）と、類似度が所定条件を満たしたユーザＩＤ（第２のユーザＩＤ）とが一致した場合、位置情報データＤＢ３００において管理されている一のユーザＩＤのユーザ（第１のユーザＩＤ）と、決済データＤＢ２００において管理されている一のユーザＩＤ（第２のユーザＩＤ）のユーザとは、同一であると判定する。
　ここで所定条件とは、最大値または所定値以上とするが、これに限定するものではない。
　なお、上記説明では、ＩＤ判定部１０４は、位置ベクトルの一のユーザＩＤをキーにして、所定条件を満たす行動ベクトルのユーザＩＤを探しだし、その行動ベクトルのユーザＩＤをキーにした場合、位置ベクトルの上記一のユーザＩＤが所定条件を満たしたか否かを判定しているが、これに限るものではなく、逆にしてもよい。すなわち、ＩＤ判定部１０４は、行動ベクトルの一のユーザＩＤをキーにして、所定条件を満たす位置ベクトルのユーザＩＤを探し出し、その位置ベクトルのユーザＩＤをキーにした場合、行動ベクトルの一のユーザＩＤが所定条件を満たしたか否かを判定してもよい。
　また、本開示のＩＤ判定装置１００において、学習用ベクトル生成部１０７は、共通するユーザＩＤ（一の学習用ユーザＩＤ）において、学習用位置ベクトルおよび学習用行動ベクトルを、ベクトルの要素を計算するパラメータを変えて 複数生成する。
　閾値学習部１０８は、パラメータを共通にする学習用位置ベクトルと学習用行動ベクトルと間の類似度を算出して、当該類似度に基づいて一のパラメータを決定する。
　位置ベクトル生成部１０２および行動ベクトル生成部１０１は、一のパラメータに基づいて位置ベクトルおよび行動ベクトルを生成する。
　学習用ベクトル生成部１０７または滞在時間計算部１０６は、学習用データＤＢ４００から、ユーザＩＤを共通にした学習用データ（学習用位置情報および学習用行動情報）を取得する。
　そして、学習用ベクトル生成部１０７は、学習用位置情報および学習用行動情報から、ユーザＩＤを共通にした学習用位置ベクトルおよび学習用行動ベクトルを生成する。
　この構成においては、ユーザが同一であることを前提にした学習用位置ベクトルおよび学習用行動ベクトルを生成することができる。そのため、学習用位置ベクトルおよび学習用行動ベクトルにおける類似度は、所定値以上であって、同一のユーザであることを示す。しかしながら、上記したパラメータに基づくベクトルの解像度によっては、必ずしも一致を示すようにベクトルは構成されていない。
　そのため、パラメータを調整する必要がある。本開示においては、類似度が一致を示すパラメータを探し出すことで、適切なパラメータで、ベクトルの生成を可能にする。そして、適切なパラメータ（時間解像度または地理解像度）を用いた位置ベクトルおよび行動ベクトルを生成することで、ユーザの同一性判定を正確に行うことができる。
　また、本開示においては、滞在時間計算部１０６は、学習データ（学習用位置情報および学習用行動情報のうち少なくともいずれか一方）に含まれている、予め定められた特定地点におけるユーザの滞在時間を取得する。学習用ベクトル生成部１０７は、滞在時間に基づいて、特定地点における学習用位置ベクトルまたは学習用行動ベクトルを生成する。ここでは、閾値を設けて、所定時間以上滞在していた場合に、ベクトルの要素を１とするが、これに限らず、滞在時間に基づいた関数を用いて、ベクトルの要素を定めてもよい。
　この構成により、ユーザが単に近くを通り過ぎたような状態を滞在していたと扱うことがなく、適切な位置ベクトルまたは行動ベクトルを生成することができる。
　本開示において、ＩＤ判定装置１００は、滞在時間計算部１０６、閾値学習部１０８、および閾値学習部１０８を備えているが、これに限定するものではない。ＩＤ判定装置１００とは別に学習装置があって、当該学習装置が滞在時間計算部１０６、閾値学習部１０８、および閾値学習部１０８を備え、学習装置が、位置ベクトルおよび行動ベクトルの要素を計算するためのパラメータを学習してもよい。ＩＤ判定装置１００は、学習したパラメータを用いて行動ベクトルおよび位置ベクトルを生成する。
　上記実施形態の説明に用いたブロック図は、機能単位のブロックを示している。これらの機能ブロック（構成部）は、ハードウェア及びソフトウェアの少なくとも一方の任意の組み合わせによって実現される。また、各機能ブロックの実現方法は特に限定されない。すなわち、各機能ブロックは、物理的又は論理的に結合した１つの装置を用いて実現されてもよいし、物理的又は論理的に分離した２つ以上の装置を直接的又は間接的に（例えば、有線、無線などを用いて）接続し、これら複数の装置を用いて実現されてもよい。機能ブロックは、上記１つの装置又は上記複数の装置にソフトウェアを組み合わせて実現されてもよい。
　機能には、判断、決定、判定、計算、算出、処理、導出、調査、探索、確認、受信、送信、出力、アクセス、解決、選択、選定、確立、比較、想定、期待、見做し、報知（broadcasting）、通知（notifying）、通信（communicating）、転送（forwarding）、構成（configuring）、再構成（reconfiguring）、割り当て（allocating、mapping）、割り振り（assigning）などがあるが、これらに限られない。たとえば、送信を機能させる機能ブロック（構成部）は、送信部（transmitting　unit）や送信機（transmitter）と呼称される。いずれも、上述したとおり、実現方法は特に限定されない。
　例えば、本開示の一実施の形態におけるＩＤ判定装置１００は、本開示のＩＤ判定方法の処理を行うコンピュータとして機能してもよい。図９は、本開示の一実施の形態に係るＩＤ判定装置１００のハードウェア構成の一例を示す図である。上述のＩＤ判定装置１００は、物理的には、プロセッサ１００１、メモリ１００２、ストレージ１００３、通信装置１００４、入力装置１００５、出力装置１００６、バス１００７などを含むコンピュータ装置として構成されてもよい。
　なお、以下の説明では、「装置」という文言は、回路、デバイス、ユニットなどに読み替えることができる。ＩＤ判定装置１００のハードウェア構成は、図に示した各装置を１つ又は複数含むように構成されてもよいし、一部の装置を含まずに構成されてもよい。
　ＩＤ判定装置１００における各機能は、プロセッサ１００１、メモリ１００２などのハードウェア上に所定のソフトウェア（プログラム）を読み込ませることによって、プロセッサ１００１が演算を行い、通信装置１００４による通信を制御したり、メモリ１００２及びストレージ１００３におけるデータの読み出し及び書き込みの少なくとも一方を制御したりすることによって実現される。
　プロセッサ１００１は、例えば、オペレーティングシステムを動作させてコンピュータ全体を制御する。プロセッサ１００１は、周辺装置とのインターフェース、制御装置、演算装置、レジスタなどを含む中央処理装置（ＣＰＵ：Central　Processing　Unit）によって構成されてもよい。例えば、上述のＩＤ判定装置１００の行動ベクトル生成部１０１、位置ベクトル生成部１０２などは、プロセッサ１００１によって実現されてもよい。
　また、プロセッサ１００１は、プログラム（プログラムコード）、ソフトウェアモジュール、データなどを、ストレージ１００３及び通信装置１００４の少なくとも一方からメモリ１００２に読み出し、これらに従って各種の処理を実行する。プログラムとしては、上述の実施の形態において説明した動作の少なくとも一部をコンピュータに実行させるプログラムが用いられる。例えば、ＩＤ判定装置１００の行動ベクトル生成部１０１、位置ベクトル生成部１０２、類似度行列生成部１０３などは、メモリ１００２に格納され、プロセッサ１００１において動作する制御プログラムによって実現されてもよく、他の機能ブロックについても同様に実現されてもよい。上述の各種処理は、１つのプロセッサ１００１によって実行される旨を説明してきたが、２以上のプロセッサ１００１により同時又は逐次に実行されてもよい。プロセッサ１００１は、１以上のチップによって実装されてもよい。なお、プログラムは、電気通信回線を介してネットワークから送信されても良い。
　メモリ１００２は、コンピュータ読み取り可能な記録媒体であり、例えば、ＲＯＭ（Read　Only　Memory）、ＥＰＲＯＭ（Erasable　Programmable　ＲＯＭ）、ＥＥＰＲＯＭ（Electrically　Erasable　Programmable　ＲＯＭ）、ＲＡＭ（Random　Access　Memory）などの少なくとも１つによって構成されてもよい。メモリ１００２は、レジスタ、キャッシュ、メインメモリ（主記憶装置）などと呼ばれてもよい。メモリ１００２は、本開示の一実施の形態に係るＩＤ判定方法を実施するために実行可能なプログラム（プログラムコード）、ソフトウェアモジュールなどを保存することができる。
　ストレージ１００３は、コンピュータ読み取り可能な記録媒体であり、例えば、ＣＤ－ＲＯＭ（Compact　Disc　ＲＯＭ）などの光ディスク、ハードディスクドライブ、フレキシブルディスク、光磁気ディスク(例えば、コンパクトディスク、デジタル多用途ディスク、Ｂｌｕ－ｒａｙ（登録商標）ディスク)、スマートカード、フラッシュメモリ(例えば、カード、スティック、キードライブ)、フロッピー（登録商標）ディスク、磁気ストリップなどの少なくとも１つによって構成されてもよい。ストレージ１００３は、補助記憶装置と呼ばれてもよい。上述の記憶媒体は、例えば、メモリ１００２及びストレージ１００３の少なくとも一方を含むデータベース、サーバその他の適切な媒体であってもよい。
　通信装置１００４は、有線ネットワーク及び無線ネットワークの少なくとも一方を介してコンピュータ間の通信を行うためのハードウェア（送受信デバイス）であり、例えばネットワークデバイス、ネットワークコントローラ、ネットワークカード、通信モジュールなどともいう。通信装置１００４は、例えば周波数分割複信（ＦＤＤ：Frequency　Division　Duplex）及び時分割複信（ＴＤＤ：Time　Division　Duplex）の少なくとも一方を実現するために、高周波スイッチ、デュプレクサ、フィルタ、周波数シンセサイザなどを含んで構成されてもよい。例えば、各データベースを通信接続するにあたっては、通信装置１００４によって実現されてもよい。この通信装置１００４は、物理的に、または論理的に分離された実装がなされてもよい。
　入力装置１００５は、外部からの入力を受け付ける入力デバイス（例えば、キーボード、マウス、マイクロフォン、スイッチ、ボタン、センサなど）である。出力装置１００６は、外部への出力を実施する出力デバイス（例えば、ディスプレイ、スピーカー、LEDランプなど）である。なお、入力装置１００５及び出力装置１００６は、一体となった構成（例えば、タッチパネル）であってもよい。
　また、プロセッサ１００１、メモリ１００２などの各装置は、情報を通信するためのバス１００７によって接続される。バス１００７は、単一のバスを用いて構成されてもよいし、装置間ごとに異なるバスを用いて構成されてもよい。
　情報の通知は、本開示において説明した態様／実施形態に限られず、他の方法を用いて行われてもよい。例えば、情報の通知は、物理レイヤシグナリング（例えば、ＤＣＩ（Downlink　Control　Information）、ＵＣＩ（Uplink　Control　Information））、上位レイヤシグナリング（例えば、ＲＲＣ（Radio　Resource　Control）シグナリング、ＭＡＣ（Medium　Access　Control）シグナリング、報知情報（ＭＩＢ（Master　Information　Block）、ＳＩＢ（System　Information　Block）））、その他の信号又はこれらの組み合わせによって実施されてもよい。また、ＲＲＣシグナリングは、ＲＲＣメッセージと呼ばれてもよく、例えば、ＲＲＣ接続セットアップ（RRC　Connection　Setup）メッセージ、ＲＲＣ接続再構成（RRC　Connection　Reconfiguration）メッセージなどであってもよい。
　本開示において説明した各態様／実施形態の処理手順、シーケンス、フローチャートなどは、矛盾の無い限り、順序を入れ替えてもよい。例えば、本開示において説明した方法については、例示的な順序を用いて様々なステップの要素を提示しており、提示した特定の順序に限定されない。
　入出力された情報等は特定の場所（例えば、メモリ）に保存されてもよいし、管理テーブルを用いて管理してもよい。入出力される情報等は、上書き、更新、又は追記され得る。出力された情報等は削除されてもよい。入力された情報等は他の装置へ送信されてもよい。
　判定は、１ビットで表される値（０か１か）によって行われてもよいし、真偽値（Boolean：true又はfalse）によって行われてもよいし、数値の比較（例えば、所定の値との比較）によって行われてもよい。
　本開示において説明した各態様／実施形態は単独で用いてもよいし、組み合わせて用いてもよいし、実行に伴って切り替えて用いてもよい。また、所定の情報の通知（例えば、「Ｘであること」の通知）は、明示的に行うものに限られず、暗黙的（例えば、当該所定の情報の通知を行わない）ことによって行われてもよい。
　以上、本開示について詳細に説明したが、当業者にとっては、本開示が本開示中に説明した実施形態に限定されるものではないということは明らかである。本開示は、請求の範囲の記載により定まる本開示の趣旨及び範囲を逸脱することなく修正及び変更態様として実施することができる。したがって、本開示の記載は、例示説明を目的とするものであり、本開示に対して何ら制限的な意味を有するものではない。
　ソフトウェアは、ソフトウェア、ファームウェア、ミドルウェア、マイクロコード、ハードウェア記述言語と呼ばれるか、他の名称で呼ばれるかを問わず、命令、命令セット、コード、コードセグメント、プログラムコード、プログラム、サブプログラム、ソフトウェアモジュール、アプリケーション、ソフトウェアアプリケーション、ソフトウェアパッケージ、ルーチン、サブルーチン、オブジェクト、実行可能ファイル、実行スレッド、手順、機能などを意味するよう広く解釈されるべきである。
　また、ソフトウェア、命令、情報などは、伝送媒体を介して送受信されてもよい。例えば、ソフトウェアが、有線技術（同軸ケーブル、光ファイバケーブル、ツイストペア、デジタル加入者回線（ＤＳＬ：Digital　Subscriber　Line）など）及び無線技術（赤外線、マイクロ波など）の少なくとも一方を使用してウェブサイト、サーバ、又は他のリモートソースから送信される場合、これらの有線技術及び無線技術の少なくとも一方は、伝送媒体の定義内に含まれる。
　本開示において説明した情報、信号などは、様々な異なる技術のいずれかを使用して表されてもよい。例えば、上記の説明全体に渡って言及され得るデータ、命令、コマンド、情報、信号、ビット、シンボル、チップなどは、電圧、電流、電磁波、磁界若しくは磁性粒子、光場若しくは光子、又はこれらの任意の組み合わせによって表されてもよい。
　なお、本開示において説明した用語及び本開示の理解に必要な用語については、同一の又は類似する意味を有する用語と置き換えてもよい。
　また、本開示において説明した情報、パラメータなどは、絶対値を用いて表されてもよいし、所定の値からの相対値を用いて表されてもよいし、対応する別の情報を用いて表されてもよい。例えば、無線リソースはインデックスによって指示されるものであってもよい。
　上述したパラメータに使用する名称はいかなる点においても限定的な名称ではない。さらに、これらのパラメータを使用する数式等は、本開示で明示的に開示したものと異なる場合もある。
　本開示においては、「移動局（ＭＳ：Mobile　Station）」、「ユーザ端末（user　terminal）」、「ユーザ装置（ＵＥ：User　Equipment）」、「端末」などの用語は、互換的に使用され得る。
　移動局は、当業者によって、加入者局、モバイルユニット、加入者ユニット、ワイヤレスユニット、リモートユニット、モバイルデバイス、ワイヤレスデバイス、ワイヤレス通信デバイス、リモートデバイス、モバイル加入者局、アクセス端末、モバイル端末、ワイヤレス端末、リモート端末、ハンドセット、ユーザエージェント、モバイルクライアント、クライアント、又はいくつかの他の適切な用語で呼ばれる場合もある。
　本開示で使用する「判断(determining)」、「決定(determining)」という用語は、多種多様な動作を包含する場合がある。「判断」、「決定」は、例えば、判定(judging)、計算(calculating)、算出(computing)、処理(processing)、導出(deriving)、調査(investigating)、探索(looking　up、search、inquiry)（例えば、テーブル、データベース又は別のデータ構造での探索）、確認(ascertaining)した事を「判断」「決定」したとみなす事などを含み得る。また、「判断」、「決定」は、受信(receiving)（例えば、情報を受信すること）、送信(transmitting)(例えば、情報を送信すること)、入力(input)、出力(output)、アクセス(accessing)（例えば、メモリ中のデータにアクセスすること）した事を「判断」「決定」したとみなす事などを含み得る。また、「判断」、「決定」は、解決(resolving)、選択(selecting)、選定(choosing)、確立(establishing)、比較(comparing)などした事を「判断」「決定」したとみなす事を含み得る。つまり、「判断」「決定」は、何らかの動作を「判断」「決定」したとみなす事を含み得る。また、「判断（決定）」は、「想定する（assuming）」、「期待する（expecting）」、「みなす（considering）」などで読み替えられてもよい。
　「接続された(connected)」、「結合された(coupled)」という用語、又はこれらのあらゆる変形は、２又はそれ以上の要素間の直接的又は間接的なあらゆる接続又は結合を意味し、互いに「接続」又は「結合」された２つの要素間に１又はそれ以上の中間要素が存在することを含むことができる。要素間の結合又は接続は、物理的なものであっても、論理的なものであっても、或いはこれらの組み合わせであってもよい。例えば、「接続」は「アクセス」で読み替えられてもよい。本開示で使用する場合、２つの要素は、１又はそれ以上の電線、ケーブル及びプリント電気接続の少なくとも一つを用いて、並びにいくつかの非限定的かつ非包括的な例として、無線周波数領域、マイクロ波領域及び光（可視及び不可視の両方）領域の波長を有する電磁エネルギーなどを用いて、互いに「接続」又は「結合」されると考えることができる。
　本開示において使用する「に基づいて」という記載は、別段に明記されていない限り、「のみに基づいて」を意味しない。言い換えれば、「に基づいて」という記載は、「のみに基づいて」と「に少なくとも基づいて」の両方を意味する。
　本開示において使用する「第１の」、「第２の」などの呼称を使用した要素へのいかなる参照も、それらの要素の量又は順序を全般的に限定しない。これらの呼称は、２つ以上の要素間を区別する便利な方法として本開示において使用され得る。したがって、第１及び第２の要素への参照は、２つの要素のみが採用され得ること、又は何らかの形で第１の要素が第２の要素に先行しなければならないことを意味しない。
　本開示において、「含む（include）」、「含んでいる（including）」及びそれらの変形が使用されている場合、これらの用語は、用語「備える（comprising）」と同様に、包括的であることが意図される。さらに、本開示において使用されている用語「又は（or）」は、排他的論理和ではないことが意図される。
　本開示において、例えば、英語でのa,　an及びtheのように、翻訳により冠詞が追加された場合、本開示は、これらの冠詞の後に続く名詞が複数形であることを含んでもよい。
　本開示において、「ＡとＢが異なる」という用語は、「ＡとＢが互いに異なる」ことを意味してもよい。なお、当該用語は、「ＡとＢがそれぞれＣと異なる」ことを意味してもよい。「離れる」、「結合される」などの用語も、「異なる」と同様に解釈されてもよい。
１００…ＩＤ判定装置、１０１…行動ベクトル生成部、１０２…位置ベクトル生成部、１０３…類似度行列生成部、１０４…ＩＤ判定部、１０５…類似度行列更新部、１０６…滞在時間計算部、１０７…学習用ベクトル生成部、１０８…閾値学習部。

Claims (10)

  1. 　ユーザ管理データベースにおいて管理されている第１のユーザＩＤに対応する位置情報から位置ベクトルを生成する位置ベクトル生成部と、
    　前記ユーザ管理データベースとは異なる他のユーザ管理データベースで管理されている第２のユーザＩＤに対応する行動情報から行動ベクトルを生成する行動ベクトル生成部と、
    　前記位置ベクトルと前記行動ベクトルとに基づいて、前記第１のユーザＩＤのユーザおよび前記第２のユーザＩＤのユーザの同一性を判定する判定部と、
    を備える判定装置。
  2. 　前記位置ベクトル生成部は、複数の第１のユーザＩＤのそれぞれの位置ベクトルを生成し、
    　前記行動ベクトル生成部は、複数の第２のユーザＩＤのそれぞれの行動ベクトルを生成する、
    請求項１に記載の判定装置。
  3. 　前記位置ベクトル生成部は、一または複数の特定地点ごとにおける複数の前記第１のユーザＩＤのそれぞれの位置ベクトルを生成し、
    　前記行動ベクトル生成部は、一または複数の特定地点ごとにおける複数の前記第２のユーザＩＤのそれぞれの行動ベクトルを生成する、
    請求項２に記載の判定装置。
  4. 　前記位置情報および前記行動情報から、前記特定地点におけるユーザの滞在時間を取得する滞在時間取得部をさらに備え、
    　前記位置ベクトル生成部および前記行動ベクトル生成部は、前記特定地点における前記滞在時間に基づいて、前記特定地点における位置ベクトルまたは行動ベクトルを生成する、
    請求項３に記載の判定装置。
  5. 　前記判定部は、
    　前記一または複数の位置ベクトルと前記一または複数の行動ベクトルとのそれぞれの組み合わせに対して算出された、位置ベクトルと行動ベクトルとの類似度に基づいて、同じユーザと判定できる前記第１のユーザＩＤと前記第２のユーザＩＤとの組合せを判定する、
    請求項２～４のいずれか一項に記載の判定装置。
  6. 　前記判定部は、同じユーザと判定できる前記第１のユーザＩＤと前記第２のユーザＩＤとの組合せを除外した他の第１のユーザＩＤの位置ベクトルおよび他の第２のユーザＩＤの行動ベクトルを用いて、当該位置ベクトルおよび当該行動ベクトルとの類似度を算出して、前記他の第１のユーザＩＤのユーザと前記他の第２のユーザＩＤのユーザとの同一性を判定する、
    請求項５に記載の判定装置。
  7. 　前記複数の第１のユーザＩＤの位置ベクトルと、前記複数の第２のユーザＩＤの行動ベクトルとのそれぞれの組み合わせにおける複数の類似度を算出する類似度算出部をさらに備え、
    　前記判定部は、
    　一の第１のユーザＩＤの位置ベクトルと前記複数の第２のユーザＩＤそれぞれの行動ベクトルとの複数の類似度のうち、当該類似度が所定条件を満たした第２のユーザＩＤと、
    　一の第２のユーザＩＤの行動ベクトルと前記複数の第１のユーザＩＤそれぞれの位置ベクトルとの複数の類似度のうち、当該類似度が所定条件を満たした第１のユーザＩＤと、
    を導出し、
    　前記一の第１のユーザＩＤと、前記類似度が所定条件を満たした第１のユーザＩＤとが一致し、
    　前記一の第２のユーザＩＤと、前記類似度が所定条件を満たした第２のユーザＩＤとが一致した場合、
    　前記一の第１のユーザＩＤのユーザと前記一の第２のユーザＩＤのユーザとは、同一であると判定する、
    請求項５または６に記載の判定装置。
  8. 　前記所定条件とは、最大値または所定値以上である、請求項７に記載の判定装置。
  9. 　一の学習用ユーザＩＤにおいて、ベクトルの要素を計算するパラメータを変えて、学習用位置ベクトルおよび学習用行動ベクトルを複数生成する学習用ベクトル生成部と、
    　前記パラメータを共通にする前記学習用位置ベクトルと前記学習用行動ベクトルとの類似度を算出して、当該類似度に基づいて一のパラメータを決定する決定部と、
    　に基づいて、前記一のパラメータは決定されており、
    　前記位置ベクトル生成部および前記行動ベクトル生成部は、前記一のパラメータに基づいて前記位置ベクトルおよび前記行動ベクトルを生成する、
    請求項１～７のいずれか一項に記載の判定装置。
  10. 　前記学習用ベクトル生成部は、学習用位置情報および学習用行動情報のうち少なくともいずれか一方に含まれている、予め定められた特定地点におけるユーザの滞在時間を取得し、
    　前記学習用ベクトル生成部は、前記滞在時間に基づいて、前記特定地点における学習用位置ベクトルまたは学習用行動ベクトルを生成する、
    請求項９に記載の判定装置。
     
PCT/JP2022/005992 2021-04-30 2022-02-15 判定装置 WO2022230311A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2023517078A JPWO2022230311A1 (ja) 2021-04-30 2022-02-15

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2021-077495 2021-04-30
JP2021077495 2021-04-30

Publications (1)

Publication Number Publication Date
WO2022230311A1 true WO2022230311A1 (ja) 2022-11-03

Family

ID=83846917

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2022/005992 WO2022230311A1 (ja) 2021-04-30 2022-02-15 判定装置

Country Status (2)

Country Link
JP (1) JPWO2022230311A1 (ja)
WO (1) WO2022230311A1 (ja)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015037244A (ja) * 2013-08-13 2015-02-23 ソフトバンクモバイル株式会社 情報照合装置、情報処理システム、プログラム及び照合方法
JP2016024704A (ja) * 2014-07-23 2016-02-08 Kddi株式会社 ユーザ特定装置、ユーザ特定方法、およびプログラム
JP2019144937A (ja) * 2018-02-22 2019-08-29 株式会社リクルート 利用者情報管理システム、利用者情報管理サーバ、およびプログラム
CN111309977A (zh) * 2020-02-24 2020-06-19 北京明略软件系统有限公司 一种id时空轨迹匹配方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015037244A (ja) * 2013-08-13 2015-02-23 ソフトバンクモバイル株式会社 情報照合装置、情報処理システム、プログラム及び照合方法
JP2016024704A (ja) * 2014-07-23 2016-02-08 Kddi株式会社 ユーザ特定装置、ユーザ特定方法、およびプログラム
JP2019144937A (ja) * 2018-02-22 2019-08-29 株式会社リクルート 利用者情報管理システム、利用者情報管理サーバ、およびプログラム
CN111309977A (zh) * 2020-02-24 2020-06-19 北京明略软件系统有限公司 一种id时空轨迹匹配方法及装置

Also Published As

Publication number Publication date
JPWO2022230311A1 (ja) 2022-11-03

Similar Documents

Publication Publication Date Title
US10169026B2 (en) Transferring operating environment of registered network to unregistered network
CN110352611B (zh) 信息通知方法及移动通信系统
CN110337829B (zh) 通信控制方法及通信系统
CN109041064B (zh) 一种伪基站的识别方法、装置及移动终端
CN109525629A (zh) 信息推送方法、装置和存储介质
WO2022230311A1 (ja) 判定装置
JP7430733B2 (ja) オーソリゼーション装置
JP7107671B2 (ja) リソース割当装置
CN107396319B (zh) 一种无线网络认证的方法、设备、存储介质以及终端回收设备
JP7463224B2 (ja) ポイント決定装置
CN115333753A (zh) 互联网协议地址生成方法、装置、存储介质与电子设备
CN114691734A (zh) 缓存管控方法、装置、计算机可读介质及电子设备
JP7323370B2 (ja) 審査装置
JP2020194988A (ja) 通信制御方法および通信システム
JP7016405B2 (ja) 対話サーバ
CN107026788B (zh) 终端应用的讨论组中消息屏蔽的方法及终端
JP6774890B2 (ja) 名前解決装置
JP7357061B2 (ja) オーソリゼーション装置
WO2023195264A1 (ja) ユーザ状態判断装置
WO2020075364A1 (ja) チェックイン判定装置
EP3779736B1 (en) Authentication device, individual identification device, and information processing device
JP2019020977A (ja) 情報処理装置および信用度算出方法
WO2022190839A1 (ja) オーソリゼーション装置
JP7300927B2 (ja) 情報処理装置
JP6937351B2 (ja) 情報提供システム

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: 22795234

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2023517078

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: 22795234

Country of ref document: EP

Kind code of ref document: A1