WO2023175883A1 - 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
WO2023175883A1
WO2023175883A1 PCT/JP2022/012558 JP2022012558W WO2023175883A1 WO 2023175883 A1 WO2023175883 A1 WO 2023175883A1 JP 2022012558 W JP2022012558 W JP 2022012558W WO 2023175883 A1 WO2023175883 A1 WO 2023175883A1
Authority
WO
WIPO (PCT)
Prior art keywords
user
information
location information
feature vector
online
Prior art date
Application number
PCT/JP2022/012558
Other languages
English (en)
French (fr)
Inventor
マヤンク バンサル
ゴーラヴ パリーク
カイル アーロン ミード
Original Assignee
楽天グループ株式会社
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 楽天グループ株式会社 filed Critical 楽天グループ株式会社
Priority to PCT/JP2022/012558 priority Critical patent/WO2023175883A1/ja
Priority to EP22932156.7A priority patent/EP4307202A1/en
Priority to JP2023515763A priority patent/JPWO2023175883A1/ja
Publication of WO2023175883A1 publication Critical patent/WO2023175883A1/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
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0204—Market segmentation
    • 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
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities

Definitions

  • the present invention relates to an information processing device, an information processing method, and a program, and particularly relates to a technology that uses information on users' online behavior.
  • Patent Document 1 discloses a technology in which an access point in a wireless LAN acquires location information of a terminal device from a terminal device and detects that a user of the terminal device has visited a predetermined store. There is.
  • Patent Document 1 With the technology disclosed in Patent Document 1, it is possible to grasp the locations visited by the user of the terminal device from the location information of the terminal device. On the other hand, the utilization of information (online information) regarding online behavior (online behavior) by users through web services is progressing. If a relationship can be established between the online information and offline information such as information on places that the user can visit, the offline information can be estimated from the online information. This makes it possible to provide effective advertisements and services related to the offline information to the user.
  • the present invention has been made in view of the above-mentioned problems, and an object of the present invention is to provide a technology for building a relationship between information on online behavior and information on offline behavior of users.
  • one aspect of the information processing device is configured to input online information of a user having location information and output an online behavior feature vector of the user having the location information.
  • the information processing device includes a generation unit that generates an offline behavior feature vector of the user having the location information from the location information, and inputs the offline behavior feature vector of the user having the location information generated by the generation unit.
  • the apparatus further includes a third learning means for training a third learning model so as to output information representing offline behavior of the user having the location information.
  • the information representing the offline behavior of the user may include information on places the user is expected to visit.
  • the information processing device includes a first estimating unit that inputs online information of a user who does not have location information into the first learning model and estimates an online behavior feature vector of the user who does not have the location information.
  • a second estimation means for inputting the online behavior feature vector of the user who does not have the location information into a second learning model to estimate the offline behavior feature vector of the user who does not have the location information;
  • the third estimating means inputs an offline behavior feature vector of a user who does not have the information into a third learning model to estimate information about the offline behavior of the user who does not have the location information.
  • the online information of the user may be information regarding the online behavior of the user through the use of a web service.
  • one aspect of the information processing method includes a step of inputting online information of a user having location information and outputting an online behavior feature vector of the user having the location information. a first learning step of learning the first learning model, and a second learning step of inputting the online behavior feature vector of the user having the location information and outputting the offline behavior feature vector of the user having the location information. and a second learning step of learning the learning model.
  • the information processing method includes a generation step of generating an offline behavior feature vector of the user having the location information from the location information, and an offline behavior feature vector of the user having the location information output from the second learning model. further comprising a third learning step of training a third learning model to input information representing the offline behavior of the user having the location information, and in the third learning step, the The third learning model may be trained using the offline behavior feature vector of the user having the position information generated in the generation step.
  • one aspect of the program according to the present invention is an information processing program for causing a computer to perform information processing, the program causing the computer to transmit online information of a user having location information.
  • a first learning process in which a first learning model is trained so as to input an online behavior feature vector of a user having the location information, and to output an online behavior feature vector of the user having the location information; and a second learning process for learning a second learning model so as to output the offline behavior feature vector of the user having the position information.
  • the program further causes the computer to perform a generation process of generating an offline behavior feature vector of the user having the position information from the position information, and a generation process of generating an offline behavior feature vector of the user having the position information output from the second learning model.
  • a third learning process for inputting an offline behavior feature vector and learning a third learning model to output information representing the offline behavior of the user having the location information;
  • the third learning process may include a process of learning the third learning model using the offline behavior feature vector of the user having the position information generated in the generation process.
  • FIG. 1 shows an example of the configuration of an information processing system.
  • FIG. 2 shows an example of the functional configuration of the information processing device 10 according to the embodiment.
  • FIG. 3 shows the procedure for generating an offline behavior feature vector.
  • FIG. 4 shows an example of a schematic architecture of the online feature estimation model 111.
  • FIG. 5 shows an example of a schematic architecture of the offline feature estimation model 112.
  • FIG. 6 shows an example of a schematic architecture of the classification model 113.
  • FIG. 7 is a schematic diagram for explaining a process for estimating offline behavior of a user without location information.
  • FIG. 8 shows an example of the hardware configuration of the information processing device 10 and the user device 11.
  • FIG. 9 shows a flowchart of processing executed by the information processing device 10.
  • FIG. 1 shows a configuration example of an information processing system according to this embodiment.
  • this information processing system includes an information processing device 10 and a plurality of user devices 11-1 to 11-N (N>1) used by arbitrary plurality of users 1 to N. ) and a user device 11-u used by user u.
  • the user devices 11-1 to 11-N and 11-u may be collectively referred to as the user device 11 unless otherwise specified.
  • the terms user device and user may be used interchangeably.
  • the user device 11 is, for example, a device such as a smartphone or a tablet, and is capable of communicating with the information processing device 10 via a public network such as LTE (Long Term Evolution) or a wireless communication network such as a wireless LAN (Local Area Network). It is composed of The user device 11 has a display unit (display surface) such as a liquid crystal display, and each user can perform various operations using a GUI (Graphic User Interface) provided on the liquid crystal display. The operation includes various operations on content such as an image displayed on the screen, such as a tap operation, a slide operation, and a scroll operation using a finger, a stylus, or the like. Note that the user device 11 is not limited to the device shown in FIG.
  • the user device 11 may be provided with a separate display screen.
  • the user device 11 can log into a web service (Internet-related service) provided from the information processing device 10 or from another device (not shown) via the information processing device 10 and use the service.
  • the web services may include Internet shopping malls, online supermarkets, or services related to communications, finance, real estate, sports, and travel provided via the Internet.
  • the user device 11 can transmit information regarding the user of the user device 11 to the information processing device 10.
  • the user device 11 can transmit information (online information) regarding online behavior (online behavior) by a user through a web service to the information processing device 10.
  • the user device 11 performs positioning calculations based on signals received from GPS (Global Positioning System) satellites (not shown), and generates information obtained by the calculation as position information of the user device 11. , and can be transmitted to the information processing device 10.
  • GPS Global Positioning System
  • the information processing device 10 acquires online information and location information from the user device 11, and estimates an arbitrary user's offline behavior (for example, information on places that the user can visit) based on the information.
  • the information processing device 10 is configured to be able to acquire the location information of the user devices 11-1 to 11-N (i.e., users 1 to N), and It is assumed that location information has not been acquired.
  • users 1 to N may be referred to as users who have location information
  • user u may be referred to as a user who does not have location information.
  • the information processing device 10 first acquires online information and location information from the user devices 11-1 to 11-N.
  • the information processing device 10 uses the online information and location information to learn various learning models for associating information on online behavior and information on offline behavior of the user.
  • the information processing device 10 estimates the offline behavior of the user u of the user device 11-u through machine learning using the online information acquired from the user device 11-u and various learned models.
  • the offline behavior is, for example, a place that the user is expected to visit (a place that can be visited next).
  • an offline action may be any action associated with a location that the user is expected to visit.
  • actions associated with a gas station (location) include going to a car-related store.
  • FIG. 2 shows an example of the functional configuration of the information processing device 10 according to this embodiment.
  • the information processing device 10 shown in FIG. 2 includes a location information acquisition unit 101, an online information acquisition unit 102, an online feature generation unit 103, an offline feature estimation unit 104, an online feature estimation unit 105, a classification unit 106, a learning unit 107, and a content creation unit.
  • the learning model storage unit 108 includes a unit 108, an output unit 109, and a learning model storage unit 110.
  • the learning model storage unit 110 stores an online feature estimation model 111, an offline feature estimation model 112, and a classification model 113. The various learning models will be described later.
  • the location information acquisition unit 101 acquires the location information of the user of the user device from each of the user devices 11-1 to 11-N (users having location information).
  • the position information includes a locus (track log) of the position of the user device over a certain period of time, that is, position history information.
  • the location information can include location-related information regarding locations visited (stopped by) by the user.
  • Place-related information includes information on (1) the sequence of visited places (a series of visited places), (2) the category of visited places, (3) the name of visited places, and (4) the type of visited places. It can be included.
  • Each of the place-related information corresponds to a visited place sequence 33, a visited place category 34, a visited place name 35, and a visited place type 36 in FIG. 3, which will be described later.
  • the location information acquisition unit 101 may be configured to generate the location-related information from the acquired location information.
  • a sequence of visited places 33 indicates a sequence of positions of one or more places where the user device does not move for a certain period of time and the user is considered to have stayed for a certain period of time.
  • the sequence of visited locations may be a sequence of point locations obtained from a trajectory of the user's locations.
  • the visited place category 34 is a visited place category derived from the location of one or more places obtained from the visited place sequence 33 and given map information, and is, for example, a store, a school, This shows the basic classification for classifying the nature of places, such as hospitals and parks. Moreover, the store category may be further subdivided. For example, the visited place category 34 may indicate categories such as convenience stores, gas stations, and pet-related shops.
  • the name of the visited place 35 indicates the name of the visited place derived from the location of one or more places obtained from the visited place sequence 33 and given map information. Note that if the name of the visited place cannot be acquired from map information or the like, the name 35 of the visited place may be no information.
  • the visited place type 36 is textual information about one or more place types obtained by the visited place sequence 33.
  • the type of visited place 36 can be derived, for example, from the visited place category 34 or the visited place name 35, and is a classification that is more detailed (at a lower level) than the visited place category 34. can be shown.
  • the online information acquisition unit 102 acquires online information of the user of the user device from each of the user devices 11-1 to 11-N.
  • online information indicates information regarding online actions (online actions) by users through web services.
  • the online information may include (1) web service usage history, (2) general demographic data, (3) number of logins per month, and (4) information about the user's interests.
  • Each of the online information corresponds to a web service usage history 42, demographic data 43, number of logins per month 44, and user interests 45 in FIGS. 4 and 7, which will be described later.
  • the web service usage history 42 is information on the usage history of websites by users.
  • the web service usage history 42 may include dates, purchase history and entry history in the web service, and viewing time of the web service site (corresponding to the display time on the user device 11).
  • the demographic data 43 indicates demographic user attributes such as gender, age, area of residence, occupation, and family structure of the user registered for use of the web service.
  • the number of logins per month 44 indicates the number of logins per month by the user to the web service.
  • User interests 45 indicate information regarding the interests of users who are registered or newly registered to use the web service. The user's interests 45 may be information derived by the information processing device 10 or the user device 11 based on the web service usage history 42.
  • the offline feature generation unit 103 generates an offline behavior feature vector from the location information acquired by the location information acquisition unit 101.
  • the offline behavior feature vector is a feature vector representing the characteristics of the offline behavior described above. The offline behavior feature vector generation process will be described later using FIG. 3.
  • the online feature estimation unit 104 estimates and generates an online behavior feature vector from the online information acquired by the online information acquisition unit 102.
  • the online behavior feature vector is a feature vector representing the characteristics of the online behavior described above.
  • the online feature estimation unit 104 estimates an online behavior feature vector using the learned online feature estimation model 111 stored in the learning model storage unit 110.
  • the online feature estimation model 111 will be described later using FIG. 4.
  • the offline feature estimation unit 105 estimates and obtains an offline behavior feature vector from the online behavior feature vector generated by the online feature estimation unit 104.
  • the offline feature estimation unit 105 estimates an offline behavior feature vector using the learned offline feature estimation model 112 stored in the learning model storage unit 110.
  • the offline feature estimation model 112 will be described later using FIG. 5.
  • the classification unit 106 uses the offline behavior feature vector estimated by the offline feature estimation unit 105 to estimate and classify a label corresponding to the user's offline behavior. That is, the classification unit 106 estimates the user's offline behavior. In this embodiment, the classification unit 106 estimates a label using the learned classification model 113 stored in the learning model storage unit 110. The classification model 113 will be described later using FIG. 6.
  • the learning unit 107 trains each of the online feature estimation model 111, offline feature estimation model 112, and classification model 113, and stores these trained learning models in the learning model storage unit 110.
  • the content creation unit 108 Based on the estimated offline behavior of the user corresponding to the label estimated by the classification unit 106, the content creation unit 108 creates content suitable for the offline behavior.
  • the content may be tangible content or may be intangible content such as digital content.
  • the content creation unit 108 can create an advertisement suitable for the offline behavior.
  • the output unit 109 outputs the label and offline behavior information estimated by the classification unit 106 and the content created by the content creation unit 108.
  • the output may be any output process, and may be output to an external device via a communication I/F (communication I/F 87 in FIG. 8), or may be output to a display unit (display unit 86 in FIG. 8). may be displayed.
  • the location information acquisition unit 101 and the online information acquisition unit 102 may be configured by the same module as an acquisition unit. Further, the online feature estimation section 104, the offline feature estimation section 105, and the classification section 106 may be configured as the same module as the estimation section.
  • the learning unit 107 performs learning processing based on online information and location information acquired from the user devices 11-1 to 11-N.
  • the offline feature generation unit 103 generates an offline behavior feature vector.
  • Figure 3 shows the procedure for generating offline behavior feature vectors.
  • the offline feature generation unit 103 first generates features included in the position information 31 of the user devices 11-1 to 11-N acquired by the position information acquisition unit 101 (or generated from the position information). Location related information 32 is acquired. Then, the offline feature generation unit 103 concatenates the sequence 33 of visited places, the category 34 of visited places, the name 35 of visited places, and the type 36 of visited places included in the place related information 32 ( Concatenation 37) and embedding on the feature vector space to generate an offline behavior feature vector 38.
  • the offline behavior feature vector 38 is used as correct data when the offline feature estimation model 112 is trained. Further, the offline behavior feature vector 38 is used as input data when the classification model 113 is trained.
  • FIG. 4 shows an example of a schematic architecture of the online feature estimation model 111.
  • the online feature estimation model 111 is a learning model configured to input the user's online information 41, estimate and output the online behavior feature vector 46.
  • the learning unit 107 inputs the user's online information 41 and trains the online feature estimation model 111 to output the online behavior feature vector 46.
  • the online information 41 includes information on the web service usage history 42, demographic data 43, number of logins per month 44, and user interests 45.
  • the online feature estimation model 111 is configured with multiple convolutional layers, performs processing equivalent to the encoder network (encoding part) in an autoencoder using a neural network on the online information 41, and processes the online behavior feature vector 46. Output.
  • the learning unit 107 trains the online feature estimation model 111 using the online information 41 acquired from the user devices 11-1 to 11-N, and generates a trained online feature estimation model 111.
  • the online behavior feature vector 46 is used as input data when the offline behavior estimation model 112 is trained.
  • FIG. 5 shows an example of a schematic architecture of the offline feature estimation model 112.
  • the offline feature estimation model 112 is a learning model configured to input an offline behavior feature vector and output an offline behavior feature vector.
  • the learning unit 107 inputs the offline behavior feature vector and trains the offline feature estimation model 112 to output the offline behavior feature vector.
  • the offline feature estimation model 112 may be configured with, for example, a neural network (encoder-decoder model) in which linear transformation is performed between layers.
  • the learning unit 107 trains the offline feature estimation model 112 using the online behavior feature vector 46 as input data and the offline behavior feature vector 38 (FIG. 3) as correct data, and uses the learned offline A feature estimation model 112 is generated.
  • the online behavior feature vector 46 as input data is a feature vector estimated using the online feature estimation model 111 from the online information 41 acquired from the user devices 11-1 to 11-N.
  • the learning unit 107 causes the offline feature estimation model 112 to learn the relationship between the online behavior feature vector and the offline behavior feature vector for users whose location information is known.
  • the learning procedure for the offline feature estimation model 112 is not limited to this, and the offline feature estimation model 112 may be trained using training data consisting of an online behavior feature vector and an offline behavior feature vector defined by other methods. good.
  • FIG. 6 shows an example of a schematic architecture of the classification model 113.
  • the classification model 113 is a classification model (classifier) that classifies a label corresponding to the offline behavior from the offline behavior feature vector (classifies the offline behavior).
  • the learning unit 107 inputs the offline behavior feature vector and trains the classification model 113 to classify the offline behavior and output information representing the offline behavior.
  • each label corresponds to a location that the user is expected to visit as an offline action.
  • the learning unit 107 trains the classification model 113 using the offline behavior feature vector 38 as input data and the classification label 61 indicating the offline behavior as the correct label (correct data), and uses the learned classification model. 113 is generated.
  • the classification label 61 as the correct label is indicated by the visited place category 33 and the visited place name 34 in the place-related information 32 that is included in the place-related information 32 used when generating the offline behavior feature vector 38.
  • Location information In other words, information about the location is set as the next possible location to visit.
  • the classification label 61 may be information about multiple locations or may be information about one location.
  • FIG. 7 is a schematic diagram for explaining a process for estimating offline behavior of a user without location information.
  • the information processing device 10 uses various learning models learned using location information and online information acquired from user devices 11-1 to 11-N (users having location information) to The offline behavior of user u (user without location information) is estimated based on online information obtained from device 11-u.
  • Online information 71 from the user device 11-u is acquired by the online information acquisition unit 102.
  • the online information 71 includes information about the user u's web service usage history 42, demographic data 43, number of logins per month 44, and user interests 45.
  • the online feature estimation unit 104 estimates and generates an online behavior feature vector 72 by applying the online information 71 to the online feature estimation model 111.
  • the offline feature estimation unit 105 estimates and obtains the offline behavior feature vector 73 by applying the online behavior feature vector 72 to the offline feature estimation model 112.
  • the classification unit 106 After generating the offline behavior feature vector 73, the classification unit 106 applies the offline behavior feature vector 73 to the classification model 113 to estimate and classify a label (classification label 74) corresponding to the offline behavior of the user u. Thereby, the classification unit 106 can estimate the offline behavior of the user u, that is, the places that the user u is expected to visit.
  • FIG. 8 is a block diagram showing an example of the hardware configuration of the information processing device 10 according to this embodiment.
  • the information processing apparatus 10 according to this embodiment can be implemented on any single or multiple computers, mobile devices, or any other processing platform.
  • FIG. 8 although an example is shown in which the information processing device 10 is implemented in a single computer, the information processing device 10 according to the present embodiment is implemented in a computer system including a plurality of computers. good. A plurality of computers may be connected to each other through a wired or wireless network so that they can communicate with each other.
  • the information processing device 10 may include a CPU 81, a ROM 82, a RAM 83, an HDD 84, an input section 85, a display section 86, a communication I/F 87, and a system bus 88.
  • the information processing device 10 may also include an external memory.
  • a CPU (Central Processing Unit) 81 centrally controls operations in the information processing device 10, and controls each component (82 to 87) via a system bus 88, which is a data transmission path.
  • a ROM (Read Only Memory) 82 is a nonvolatile memory that stores control programs and the like necessary for the CPU 81 to execute processing. Note that the program may be stored in a nonvolatile memory such as an HDD (Hard Disk Drive) 84 or an SSD (Solid State Drive), or an external memory such as a removable storage medium (not shown).
  • a RAM (Random Access Memory) 83 is a volatile memory and functions as the main memory, work area, etc. of the CPU 81. That is, the CPU 81 loads necessary programs and the like from the ROM 82 into the RAM 83 when executing processing, and implements various functional operations by executing the programs and the like.
  • the HDD 84 stores, for example, various data and information necessary when the CPU 81 performs processing using a program. Further, the HDD 84 stores various data, various information, etc. obtained by the CPU 81 performing processing using programs and the like.
  • the input unit 85 includes a pointing device such as a keyboard and a mouse.
  • the display section 86 is composed of a monitor such as a liquid crystal display (LCD). The display section 86 may function as a GUI (Graphical User Interface) by being configured in combination with the input section 85.
  • GUI Graphic User Interface
  • the communication I/F 87 is an interface that controls communication between the information processing device 10 and external devices.
  • the communication I/F 87 provides an interface with a network and executes communication with an external device via the network. Via the communication I/F 87, various data, various parameters, etc. are transmitted and received with external devices.
  • the communication I/F 87 may perform communication via a wired LAN (Local Area Network) or a dedicated line that complies with communication standards such as Ethernet (registered trademark).
  • the network that can be used in this embodiment is not limited to this, and may be configured as a wireless network.
  • This wireless network includes a wireless PAN (Personal Area Network) such as Bluetooth (registered trademark), ZigBee (registered trademark), and UWB (Ultra Wide Band). It also includes wireless LAN (Local Area Network) such as Wi-Fi (Wireless Fidelity) (registered trademark) and wireless MAN (Metropolitan Area Network) such as WiMAX (registered trademark). Furthermore, it includes wireless WAN (Wide Area Network) such as LTE/3G, 4G, and 5G. Note that the network only needs to connect each device so that they can communicate with each other, and the communication standard, scale, and configuration are not limited to the above.
  • each element of the information processing device 10 shown in FIG. 8 can be realized by the CPU 81 executing a program. However, at least some of the functions of each element of the information processing device 10 shown in FIG. 8 may operate as dedicated hardware. In this case, the dedicated hardware operates under the control of the CPU 81.
  • the hardware configuration of the user device 11 shown in FIG. 1 may be the same as that in FIG. 8. That is, the user device 10 may include a CPU 81 , a ROM 82 , a RAM 83 , an HDD 84 , an input section 85 , a display section 86 , a communication I/F 87 , and a system bus 88 .
  • the user device 11 displays various information provided by the information processing device 10 on the display unit 86, and performs processing corresponding to input operations received from the user via the GUI (configured by the input unit 85 and the display unit 86). be able to.
  • FIG. 9 shows a flowchart of processing executed by the information processing device 10 according to this embodiment.
  • the process shown in FIG. 9 can be realized by the CPU 81 of the information processing device 10 loading a program stored in the ROM 82 or the like into the RAM 83 and executing it.
  • FIG. 9 reference will be made to the information processing system shown in FIG. It is assumed that the online feature estimation model 111, offline feature estimation model 112, and classification model 113 that have been trained by the learning unit 107 are stored in the learning model storage unit 110 and used in the following processing.
  • the online information acquisition unit 102 acquires the target user's online information (corresponding to the online information 71 in FIG. 7).
  • the target user is user u (user device 11-u) shown in FIG.
  • the online information 71 includes information on the web service usage history 42, demographic data 43, number of logins per month 44, and user interests 45.
  • the online feature generation unit 103 applies the online information 71 acquired in S91 to the online feature estimation model 111 to generate the online behavior feature vector 72 of the user u.
  • the offline feature estimation unit 105 applies the online behavior feature vector 71 of the user u generated in S92 to the offline feature estimation model 112 to generate the offline behavior feature vector 73 of the user u.
  • the classification unit 106 applies the offline behavior feature vector 73 of the user u generated in S93 to the classification model 113 to generate a classification label 74. Further, the classification unit 106 estimates (specifies) the offline behavior of the user u that corresponds to the generated classification label 74.
  • the content creation unit 108 creates content suitable for user u based on user u's offline behavior estimated in S94. For example, the content creation unit 108 creates an advertisement suitable for user u's offline behavior. If the location estimated as the offline behavior is a gas station, the content creation unit 108 may create an advertisement for a gas station or a car-related store or service.
  • the output unit 109 outputs the information regarding the offline behavior of the user u estimated in S94 and/or the content created in S95.
  • the output unit 109 transmits information regarding the offline behavior of the user u to an external device (not shown), and the external device can be used for marketing.
  • the output unit 109 may also transmit the created content to other users who have similar characteristics (attributes) to the user u.
  • the information processing device 10 utilizes online information acquired from a plurality of users to derive the relationship between offline behavior and online behavior.
  • the information processing device 10 can then use the derived relationship to generate estimated offline behavior for a user who does not have offline information such as location information. This makes it possible to develop marketing using offline behavioral data.

Landscapes

  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (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

情報処理装置（１０）は、位置情報を有するユーザのオンライン情報を入力して、前記位置情報を有するユーザのオンライン行動特徴ベクトルを出力するように、第１の学習モデルを学習させる第１の学習手段と、前記位置情報を有するユーザのオンライン行動特徴ベクトルを入力して、前記位置情報を有するユーザのオフライン行動特徴ベクトルを出力するように、第２の学習モデルを学習させる第２の学習手段と、を有する。

Description

情報処理装置、情報処理方法、およびプログラム
　本発明は、情報処理装置、情報処理方法、およびプログラムに関し、特に、ユーザのオンライン行動の情報を用いる技術に関する。
　従来、端末装置の位置情報を取得して、当該位置情報から当該端末装置のユーザの行動を検出する技術が知られている。例えば、特許文献１には、無線ＬＡＮにおけるアクセスポイントが、端末装置から当該端末装置の位置情報を取得して、当該端末装置のユーザが所定の店舗に来店したことを検出する技術が開示されている。
特開２０１５－３７２４４号公報
　特許文献１に開示される技術では、端末装置の位置情報から、当該端末装置のユーザが訪れた場所を把握することができる。一方で、ユーザによるウェブサービスを通じたオンライン上の行動（オンライン行動）に関する情報（オンライン情報）の活用が進んでいる。当該オンライン情報と、当該ユーザが訪れうる場所の情報といったオフライン情報との関係が構築できれば、当該オンライン情報から当該オフライン情報が推定することができる。そして、これにより、当該ユーザに対して、当該オフライン情報に関する効果的な広告やサービスの提供が可能になる。
　本発明は上記課題に鑑みてなされたものであり、ユーザのオンライン行動の情報とオフライン行動の情報との関係を構築するための技術を提供することを目的とする。
　上記課題を解決するために、本発明による情報処理装置の一態様は、位置情報を有するユーザのオンライン情報を入力して、前記位置情報を有するユーザのオンライン行動特徴ベクトルを出力するように、第１の学習モデルを学習させる第１の学習手段と、前記位置情報を有するユーザのオンライン行動特徴ベクトルを入力して、前記位置情報を有するユーザのオフライン行動特徴ベクトルを出力するように、第２の学習モデルを学習させる第２の学習手段と、を有する。
　前記情報処理装置は、前記位置情報から、前記位置情報を有するユーザのオフライン行動特徴ベクトルを生成する生成手段と、前記生成手段により生成された前記位置情報を有するユーザのオフライン行動特徴ベクトルを入力して、前記位置情報を有するユーザのオフライン行動を表す情報を出力するように、第３の学習モデルを学習させる第３の学習手段を更に有する。
　前記ユーザのオフライン行動を表す情報は、前記ユーザが訪れると予測される場所の情報を含みうる。
　前記情報処理装置は、位置情報を有さないユーザのオンライン情報を前記第１の学習モデルに入力して、前記位置情報を有さないユーザのオンライン行動特徴ベクトルを推定する第１の推定手段と、前記位置情報を有さないユーザのオンライン行動特徴ベクトルを第２の学習モデルに入力して、前記位置情報を有さないユーザのオフライン行動特徴ベクトルを推定する第２の推定手段と、前記位置情報を有さないユーザのオフライン行動特徴ベクトルを第３の学習モデルに入力して、前記位置情報を有さないユーザのオフライン行動の情報を推定する第３の推定手段と、を有しうる。
　前記ユーザのオンライン情報は、前記ユーザにウェブサービスの利用を通したオンライン上の行動に関する情報でありうる。
　上記課題を解決するために、本発明による情報処理方法の一態様は、位置情報を有するユーザのオンライン情報を入力して、前記位置情報を有するユーザのオンライン行動特徴ベクトルを出力するように、第１の学習モデルを学習させる第１の学習工程と、前記位置情報を有するユーザのオンライン行動特徴ベクトルを入力して、前記位置情報を有するユーザのオフライン行動特徴ベクトルを出力するように、第２の学習モデルを学習させる第２の学習工程と、を有する。
　前記情報処理方法は、前記位置情報から、前記位置情報を有するユーザのオフライン行動特徴ベクトルを生成する生成工程と、前記第２の学習モデルから出力された前記位置情報を有するユーザのオフライン行動特徴ベクトルを入力して、前記位置情報を有するユーザのオフライン行動を表す情報を出力するように、第３の学習モデルを学習させる第３の学習工程を更に有し、前記第３の学習工程では、前記生成工程において生成された前記位置情報を有するユーザのオフライン行動特徴ベクトルを用いて、前記第３の学習モデルを学習させうる。
　上記課題を解決するために、本発明によるプログラムの一態様は、情報処理をコンピュータに実行させるための情報処理プログラムであって、該プログラムは、前記コンピュータに、位置情報を有するユーザのオンライン情報を入力して、前記位置情報を有するユーザのオンライン行動特徴ベクトルを出力するように、第１の学習モデルを学習させる第１の学習処理と、前記位置情報を有するユーザのオンライン行動特徴ベクトルを入力して、前記位置情報を有するユーザのオフライン行動特徴ベクトルを出力するように、第２の学習モデルを学習させる第２の学習処理と、を含む処理を実行させるためのものである。
　前記プログラムは、前記コンピュータに、更に、前記位置情報から、前記位置情報を有するユーザのオフライン行動特徴ベクトルを生成する生成処理と、前記第２の学習モデルから出力された前記位置情報を有するユーザのオフライン行動特徴ベクトルを入力して、前記位置情報を有するユーザのオフライン行動を表す情報を出力するように、第３の学習モデルを学習させる第３の学習処理と、を含む処理を実行させるためのものであり、前記第３の学習処理は、前記生成処理において生成された前記位置情報を有するユーザのオフライン行動特徴ベクトルを用いて、前記第３の学習モデルを学習させる処理を含みうる。
　本発明によれば、ユーザのオンライン行動の情報とオフライン行動の情報とを関係を構築することが可能となる。
　上記した本発明の目的、態様及び効果並びに上記されなかった本発明の目的、態様及び効果は、当業者であれば添付図面及び請求の範囲の記載を参照することにより下記の発明を実施するための形態から理解できるであろう。
図１は、情報処理システムの構成例を示す。 図２は、実施形態による情報処理装置１０の機能構成例を示す。 図３は、オフライン行動特徴ベクトル生成の手順を示す。 図４は、オンライン特徴推定モデル１１１の概略アーキテクチャの例を示す。 図５は、オフライン特徴推定モデル１１２の概略アーキテクチャの例を示す。 図６は、分類モデル１１３の概略アーキテクチャの例を示す。 図７は、位置情報のないユーザのオフライン行動の推定処理を説明するための模式図である。 図８は、情報処理装置１０とユーザ装置１１のハードウェア構成例を示す。 図９は、情報処理装置１０により実行される処理のフローチャートを示す。
　以下、添付図面を参照して、本発明を実施するための実施形態について詳細に説明する。以下に開示される構成要素のうち、同一機能を有するものには同一の符号を付し、その説明を省略する。なお、以下に開示される実施形態は、本発明の実現手段としての一例であり、本発明が適用される装置の構成や各種条件によって適宜修正または変更されるべきものであり、本発明は以下の実施形態に限定されるものではない。また、本実施形態で説明されている特徴の組み合わせの全てが本発明の解決手段に必須のものとは限らない。
　［情報処理システムの構成］
　図１に、本実施形態による情報処理システムの構成例を示す。本情報処理システムは、その一例として、図１に示すように、情報処理装置１０と、任意の複数のユーザ１～Ｎにより使用される複数のユーザ装置１１－１～１１－Ｎ（Ｎ＞１）と、ユーザｕにより使用されるユーザ装置１１－ｕを含んで構成される。なお、以下の説明において、特に説明がない限り、ユーザ装置１１－１～１１－Ｎ、１１－ｕをユーザ装置１１と総称しうる。また、以下の説明において、ユーザ装置とユーザという語は同義に使用されうる。
　ユーザ装置１１は、例えば、スマートフォンやタブレットといったデバイスであり、ＬＴＥ（Ｌｏｎｇ　Ｔｅｒｍ　Ｅｖｏｌｕｔｉｏｎ）等の公衆網や、無線ＬＡＮ（Ｌｏｃａｌ　Ａｒｅａ　Ｎｅｔｗｏｒｋ）等の無線通信網を介して、情報処理装置１０と通信可能に構成されている。ユーザ装置１１は、液晶ディスプレイ等の表示部（表示面）を有し、各ユーザは、当該液晶ディスプレイに装備されたＧＵＩ（Ｇｒａｐｈｉｃ　Ｕｓｅｒ　Ｉｎｔｅｒｆａｃｅ）により各種操作を行うことができる。当該操作は、指やスタイラス等によりタップ操作、スライド操作、スクロール操作等、画面に表示された画像等のコンテンツに対する各種の操作を含む。
　なお、ユーザ装置１１は、図１に示すような形態のデバイスに限らず、デスクトップ型のＰＣ（Ｐｅｒｓｏｎａｌ　Ｃｏｍｐｕｔｅｒ）や、ノート型のＰＣといったデバイスであってもよい。その場合、各ユーザによる操作は、マウスやキーボードといった入力装置を用いて行われうる。また、ユーザ装置１１は、表示面を別に備えてもよい。
　ユーザ装置１１は、情報処理装置１０から、または、不図示の他の装置から情報処理装置１０を介して提供されるウェブサービス（インターネット関連サービス）にログインして、サービスを利用することができる。当該ウェブサービスは、インターネットを介して提供される、インターネットショッピングモールやネットスーパー、あるいは、通信、金融、不動産、スポーツ、旅行に関するサービスを含むことができる。ユーザ装置１１は、このようなウェブサービスを利用することにより、ユーザ装置１１のユーザに関する情報を情報処理装置１０に伝達することができる。例えば、ユーザ装置１１は、ユーザによるウェブサービスを通じたオンライン上の行動（オンライン行動）に関する情報（オンライン情報）を、情報処理装置１０へ伝達することができる。
　また、ユーザ装置１１は、ＧＰＳ（Ｇｌｏｂａｌ　Ｐｏｓｉｔｉｏｎｉｎｇ　Ｓｙｓｔｅｍ）衛星（不図示）から受信される信号等に基づいて測位計算を行い、当該計算により得られた情報を、ユーザ装置１１の位置情報として生成し、情報処理装置１０へ伝達することができる。
　情報処理装置１０は、オンライン情報や位置情報をユーザ装置１１から取得し、当該情報に基づいて、任意のユーザのオフライン行動（例えば、当該ユーザが訪れうる場所の情報）を推定する。本実施形態では、情報処理装置１０は、ユーザ装置１１－１～１１－Ｎ（すなわち、ユーザ１～Ｎ）の位置情報を取得可能に構成され、ユーザ装置１１－ｕ（すなわち、ユーザｕ）の位置情報は取得していないものとする。本実施形態では、ユーザ１～Ｎを、位置情報を有するユーザと称し、ユーザｕを、位置情報を有さないユーザと称する場合がある。
　［情報処理装置１０の機能構成］
　本実施形態による情報処理装置１０は、まず、ユーザ装置１１－１～１１－Ｎからオンライン情報と位置情報を取得する。情報処理装置１０は、当該オンライン情報と位置情報とを利用して、ユーザのオンライン行動の情報とオフライン行動の情報とを関係づけるための各種学習モデルを学習させる。そして、情報処理装置１０は、ユーザ装置１１－ｕから取得したオンライン情報と学習済みの各種学習モデルを用いた機械学習により、ユーザ装置１１－ｕのユーザｕのオフライン行動を推定する。オフライン行動は、例えば、ユーザが訪れると予想される場所（次に訪れうる場所）である。あるいは、オフライン行動は、ユーザが訪れると予測される場所に関連付けられたあらゆる行動であってもよい。例えば、ガソリンスタンド（場所）に関連付けられる行動として、自動車関連のお店へ行くことが含まれる。
　図２は、本実施形態による情報処理装置１０の機能構成の一例を示す。
　図２に示す情報処理装置１０は、位置情報取得部１０１、オンライン情報取得部１０２、オンライン特徴生成部１０３、オフライン特徴推定部１０４、オンライン特徴推定部１０５、分類部１０６、学習部１０７、コンテンツ作成部１０８、出力部１０９、および学習モデル記憶部１１０を備える。学習モデル記憶部１１０は、オンライン特徴推定モデル１１１、オフライン特徴推定モデル１１２、分類モデル１１３を記憶している。当該各種学習モデルについては後述する。
　位置情報取得部１０１は、ユーザ装置１１－１～１１－Ｎのそれぞれのユーザ装置（位置情報を有するユーザ）から、当該ユーザ装置のユーザの位置情報を取得する。本実施形態において、当該位置情報は、一定時間の範囲におけるユーザ装置の位置の軌跡（トラックログ）、すなわち位置履歴情報を含むものとする。さらに、当該位置情報は、ユーザが訪れた（立ち寄った）場所に関する、場所関連情報を含むことができる。場所関連情報は、（１）訪れた場所のシーケンス（訪れた一連の場所）、（２）訪れた場所のカテゴリ、（３）訪れた場所の名前、（４）訪れた場所のタイプの情報を含みうる。当該場所関連情報のそれぞれは、後述する図３における、訪れた場所のシーケンス３３、訪れた場所のカテゴリ３４、訪れた場所の名前３５、訪れた場所のタイプ３６に対応する。なお、位置情報取得部１０１は、当該場所関連情報を、取得した位置情報から生成するように構成されてもよい。
　訪れた場所のシーケンス３３は、ユーザ装置の位置が一定時間動かず、ユーザが一定時間滞在したと考えられる１つ以上の場所の位置のシーケンスを示す。あるいは、訪れた場所のシーケンスは、ユーザの位置の軌跡から得られる複数のポイント位置のシーケンスであってもよい。
　訪れた場所のカテゴリ３４は、訪れた場所のシーケンス３３により得られる１つ以上の場所の位置と所与の地図情報等から導出される、訪れた場所のカテゴリであり、例えば、店舗、学校、病院、公園といった、場所の性質を区分する上での基本的な分類を示す。また、店舗のカテゴリはさらに細分化されてもよい。例えば、訪れた場所のカテゴリ３４は、コンビニエンスストア、ガソリンスタンド、ペット関連ショップといったカテゴリを示してもよい。
　訪れた場所の名前３５は、訪れた場所のシーケンス３３により得られる１つ以上の場所の位置と所与の地図情報等から導出される、訪れた場所の名前を示す。なお、訪れた場所の名前が、地図情報等から取得可能でない場合は、訪れた場所の名前３５は、無情報としてもよい。
　訪れた場所のタイプ３６は、訪れた場所のシーケンス３３により得られる１つ以上の場所のタイプに関するテキスト情報である。訪れた場所のタイプ３６は、例えば、訪れた場所のカテゴリ３４や訪れた場所の名前３５により導出することが可能であり、訪れた場所のカテゴリ３４よりも細分化された（下位層の）分類を示しうる。
　オンライン情報取得部１０２は、ユーザ装置１１－１～１１－Ｎのそれぞれのユーザ装置から、当該ユーザ装置のユーザのオンライン情報を取得する。オンライン情報は、前述のように、ユーザによるウェブサービスを通じたオンライン上の行動（オンライン行動）に関する情報を示す。本実施形態において、オンライン情報は（１）ウェブサービス利用履歴、（２）一般的なデモグラフィックデータ、（３）月当たりのログイン回数、（４）ユーザの興味の情報を含みうる。当該オンライン情報のそれぞれは、後述する図４や図７における、ウェブサービス利用履歴４２、デモグラフィックデータ４３、月当たりのログイン回数４４、ユーザの興味４５に対応する。
　ウェブサービス利用履歴４２は、ユーザによるウェブサイトの利用履歴の情報である。ウェブサービス利用履歴４２は、日付、ウェブサービスにおける購入履歴、エントリー履歴、ウェブサービスのサイトの閲覧時間（ユーザ装置１１における表示時間に対応）を含みうる。
　デモグラフィックデータ４３は、ウェブサービスの利用のために登録されている、当該ユーザの性別、年齢、居住地域、職業、家族構成等の人口統計学的なユーザ属性を示す。
　月当たりのログイン回数４４は、ウェブサービスに対する、ユーザによる月当たりのログイン回数を示す。
　ユーザの興味４５は、ウェブサービスの利用のために登録されている、または、新たに登録されたユーザの興味に関する情報を示す。ユーザの興味４５は、ウェブサービス利用履歴４２に基づいて、情報処理装置１０またはユーザ装置１１により導出された情報であってもよい。
　オフライン特徴生成部１０３は、位置情報取得部１０１により取得された位置情報から、オフライン行動特徴ベクトルを生成する。オフライン行動特徴ベクトルは、前述のオフライン行動の特徴を表す特徴ベクトルである。オフライン行動特徴ベクトルの生成処理については、図３を用いて後述する。
　オンライン特徴推定部１０４は、オンライン情報取得部１０２により取得されたオンライン情報から、オンライン行動特徴ベクトルを推定して生成する。オンライン行動特徴ベクトルは、前述のオンライン行動の特徴を表す特徴ベクトルである。本実施形態では、オンライン特徴推定部１０４は、学習モデル記憶部１１０に格納されている、学習済みのオンライン特徴推定モデル１１１を用いて、オンライン行動特徴ベクトルを推定する。オンライン特徴推定モデル１１１については、図４を用いて後述する。
　オフライン特徴推定部１０５は、オンライン特徴推定部１０４により生成されたオンライン行動特徴ベクトルから、オフライン行動特徴ベクトルを推定して取得する。本実施形態では、オフライン特徴推定部１０５は、学習モデル記憶部１１０に格納されている、学習済みのオフライン特徴推定モデル１１２を用いて、オフライン行動特徴ベクトルを推定する。オフライン特徴推定モデル１１２については、図５を用いて後述する。
　分類部１０６は、オフライン特徴推定部１０５により推定されたオフライン行動特徴ベクトルを用いて、ユーザのオフライン行動に対応するラベルを推定して分類する。すなわち、分類部１０６は、ユーザのオフライン行動を推定する。本実施形態では、分類部１０６は、学習モデル記憶部１１０に記憶されている、学習済みの分類モデル１１３を用いて、ラベルを推定する。分類モデル１１３については、図６を用いて後述する。
　学習部１０７は、オンライン特徴推定モデル１１１、オフライン特徴推定モデル１１２、分類モデル１１３それぞれを学習（トレーニング）させ、学習済みのこれらの学習モデルを、学習モデル記憶部１１０に格納する。
　コンテンツ作成部１０８は、分類部１０６により推定されたラベルに対応する、推定されたユーザのオフライン行動に基づいて、当該オフライン行動に適したコンテンツを作成する。当該コンテンツは、有形のコンテンツであってもよいし、デジタルコンテンツといった無形のコンテンツであってもよい。例えば、コンテンツ作成部１０８は、当該オフライン行動に適した広告を作成することができる。
　出力部１０９は、分類部１０６により推定されたラベルやオフライン行動の情報や、コンテンツ作成部１０８により作成されたコンテンツを、出力する。当該出力は、あらゆる出力処理であり得、通信Ｉ／Ｆ（図８の通信Ｉ／Ｆ８７）を介した外部装置への出力であってもよいし、表示部（図８の表示部８６）への表示であってもよい。
　なお、位置情報取得部１０１とオンライン情報取得部１０２は、取得部として同一のモジュールで構成されてもよい。また、オンライン特徴推定部１０４と、オフライン特徴推定部１０５、および分類部１０６は、推定部として同一のモジュールで構成されてもよい。
　［学習部１０７による学習処理］
　次に、本実施形態による学習部１０７による学習段階の処理（学習処理）について説明する。学習部１０７は、ユーザ装置１１－１～１１－Ｎから取得されたオンライン情報と位置情報に基づいて学習処理を行う。当該学習処理のためにまず、オフライン特徴生成部１０３が、オフライン行動特徴ベクトルを生成する。
　図３に、オフライン行動特徴ベクトル生成の手順を示す。図３に示すように、オフライン特徴生成部１０３は、まず、位置情報取得部１０１により取得されたユーザ装置１１－１～１１－Ｎの位置情報３１に含まれる（または位置情報から生成された）場所関連情報３２を取得する。そして、オフライン特徴生成部１０３は、場所関連情報３２に含まれる、訪れた場所のシーケンス３３、訪れた場所のカテゴリ３４、訪れた場所の名前３５、および訪れた場所のタイプ３６を連結して（連結３７）、特徴ベクトル空間上に埋め込み、オフライン行動特徴ベクトル３８を生成する。オフライン行動特徴ベクトル３８は、オフライン特徴推定モデル１１２を学習させる際の正解データとして用いられる。また、オフライン行動特徴ベクトル３８は、分類モデル１１３を学習させる際の入力データとして用いられる。
　続いて、学習部１０７は、オンライン特徴推定モデル１１１を学習させる。
　図４に、オンライン特徴推定モデル１１１の概略アーキテクチャの例を示す。オンライン特徴推定モデル１１１は、ユーザのオンライン情報４１を入力して、オンライン行動特徴ベクトル４６を推定して出力するように構成される学習モデルである。学習部１０７は、ユーザのオンライン情報４１を入力して、オンライン行動特徴ベクトル４６を出力するように、オンライン特徴推定モデル１１１を学習させる。前述したように、本実施形態では、オンライン情報４１は、ウェブサービス利用履歴４２、デモグラフィックデータ４３、月当たりのログイン回数４４、ユーザの興味４５の情報を含む。オンライン特徴推定モデル１１１は、複数の畳み込み層を有して構成され、オンライン情報４１に対してニューラルネットワークを用いたオートエンコーダにおけるエンコーダネットワーク（エンコード部分）と同等の処理を行い、オンライン行動特徴ベクトル４６を出力する。
　学習段階において、学習部１０７は、ユーザ装置１１－１～１１－Ｎから取得されたオンライン情報４１を用いてオンライン特徴推定モデル１１１を学習させ、学習済みのオンライン特徴推定モデル１１１を生成する。
　オンライン行動特徴ベクトル４６は、オフライン行動推定モデル１１２を学習させる際の入力データとして用いられる。
　次に、学習部１０７は、オフライン特徴推定モデル１１２を学習させる。
　図５に、オフライン特徴推定モデル１１２の概略アーキテクチャの例を示す。オフライン特徴推定モデル１１２は、オフライン行動特徴ベクトルを入力して、オフライン行動特徴ベクトルを出力するように構成される学習モデルである。学習部１０７は、オフライン行動特徴ベクトルを入力して、オフライン行動特徴ベクトルを出力するように、オフライン特徴推定モデル１１２を学習させる。オフライン特徴推定モデル１１２は、例えば、層と層の間で線形変換（Ｌｉｎｅａｒ　ｔｒａｎｓｆｏｒｍａｔｉｏｎ）が行われるニューラルネットワーク（エンコーダ・デコーダモデル）で構成されうる。
　学習段階において、学習部１０７は、入力データとしてのオンライン行動特徴ベクトル４６と、正解データとしてのオフライン行動特徴ベクトル３８（図３）を用いて、オフライン特徴推定モデル１１２を学習させ、学習済みのオフライン特徴推定モデル１１２を生成する。入力データとしてのオンライン行動特徴ベクトル４６は、ユーザ装置１１－１～１１－Ｎから取得されたオンライン情報４１から、オンライン特徴推定モデル１１１を用いて推定された特徴ベクトルである。このように、学習部１０７は、位置情報が既知のユーザについて、オンライン行動特徴ベクトルとオフライン行動特徴ベクトルとの関係を、オフライン特徴推定モデル１１２に学習させる。なお、オフライン特徴推定モデル１１２の学習手順はこれに限らず、他の方法によって定義されたオンライン行動特徴ベクトルとオフライン行動特徴ベクトルからなる教師データを用いて、オフライン特徴推定モデル１１２を学習させてもよい。
　次に、学習部１０７は、分類モデル１１３を学習させる。
　図６に、分類モデル１１３の概略アーキテクチャの例を示す。分類モデル１１３は、オフライン行動特徴ベクトルから、当該オフライン行動に対応するラベルを分類する（オフライン行動を分類する）分類モデル（分類器）である。学習部１０７は、オフライン行動特徴ベクトルを入力して、オフライン行動を分類してオフライン行動を表す情報を出力するように、分類モデル１１３を学習させる。本実施形態において、各ラベルは、オフライン行動として、ユーザが訪れると予測される場所に対応する。
　学習段階において、学習部１０７は、入力データとしてのオフライン行動特徴ベクトル３８と、正解ラベル（正解データ）としてのオフライン行動を示す分類ラベル６１を用いて分類モデル１１３を学習させ、学習済みの分類モデル１１３を生成する。正解ラベルとしての分類ラベル６１は、オフライン行動特徴ベクトル３８を生成する際に用いた場所関連情報３２に含まれる、場所関連情報３２における訪れた場所のカテゴリ３３や訪れた場所の名前３４で示される場所の情報とする。すなわち、当該場所の情報が、次に訪れうる場所として設定される。分類ラベル６１は、複数の場所の情報であってもよいし、１つの場所の情報であってもよい。
　［オフライン行動推定処理］
　続いて、位置情報のないユーザのオフライン行動を推定（推論）する処理について、図７を参照して説明する。図７は、位置情報のないユーザのオフライン行動の推定処理を説明するための模式図である。本実施形態では、情報処理装置１０が、ユーザ装置１１－１～１１－Ｎ（位置情報を有するユーザ）から取得された位置情報とオンライン情報を用いて学習された各種学習モデルを用いて、ユーザ装置１１－ｕから取得したオンライン情報に基づいてユーザｕ（位置情報を有さないユーザ）のオフライン行動を推定する。
　ユーザ装置１１－ｕからのオンライン情報７１は、オンライン情報取得部１０２により取得される。オンライン情報７１は、ユーザｕについてのウェブサービス利用履歴４２、デモグラフィックデータ４３、月当たりのログイン回数４４、ユーザの興味４５の情報を含む。オンライン特徴推定部１０４は、オンライン情報７１をオンライン特徴推定モデル１１１に適用することにより、オンライン行動特徴ベクトル７２を推定して生成する。
　オンライン行動特徴ベクトル７２の生成後、オフライン特徴推定部１０５は、オンライン行動特徴ベクトル７２をオフライン特徴推定モデル１１２に適用することにより、オフライン行動特徴ベクトル７３を推定して取得する。
　オフライン行動特徴ベクトル７３の生成後、分類部１０６は、オフライン行動特徴ベクトル７３を分類モデル１１３に適用して、ユーザｕのオフライン行動に対応するラベル（分類ラベル７４）を推定して分類する。これにより、分類部１０６は、ユーザｕのオフライン行動、すなわち、ユーザｕが訪れると予測される場所を推定することができる。
［情報処理装置１０のハードウェア構成］
　図８は、本実施形態による情報処理装置１０のハードウェア構成の一例を示すブロック図である。
　本実施形態による情報処理装置１０は、単一または複数の、あらゆるコンピュータ、モバイルデバイス、または他のいかなる処理プラットフォーム上にも実装することができる。
　図８を参照して、情報処理装置１０は、単一のコンピュータに実装される例が示されているが、本実施形態による情報処理装置１０は、複数のコンピュータを含むコンピュータシステムに実装されてよい。複数のコンピュータは、有線または無線のネットワークにより相互通信可能に接続されてよい。
　図８に示すように、情報処理装置１０は、ＣＰＵ８１と、ＲＯＭ８２と、ＲＡＭ８３と、ＨＤＤ８４と、入力部８５と、表示部８６と、通信Ｉ／Ｆ８７と、システムバス８８とを備えてよい。情報処理装置１０はまた、外部メモリを備えてよい。
　ＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）８１は、情報処理装置１０における動作を統括的に制御するものであり、データ伝送路であるシステムバス８８を介して、各構成部（８２～８７）を制御する。
　ＲＯＭ（Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）８２は、ＣＰＵ８１が処理を実行するために必要な制御プログラム等を記憶する不揮発性メモリである。なお、当該プログラムは、ＨＤＤ（Ｈａｒｄ　Ｄｉｓｋ　Ｄｒｉｖｅ）８４、ＳＳＤ（Ｓｏｌｉｄ　Ｓｔａｔｅ　Ｄｒｉｖｅ）等の不揮発性メモリや着脱可能な記憶媒体（不図示）等の外部メモリに記憶されていてもよい。
　ＲＡＭ（Ｒａｎｄｏｍ　Ａｃｃｅｓｓ　Ｍｅｍｏｒｙ）８３は、揮発性メモリであり、ＣＰＵ８１の主メモリ、ワークエリア等として機能する。すなわち、ＣＰＵ８１は、処理の実行に際してＲＯＭ８２から必要なプログラム等をＲＡＭ８３にロードし、当該プログラム等を実行することで各種の機能動作を実現する。
　ＨＤＤ８４は、例えば、ＣＰＵ８１がプログラムを用いた処理を行う際に必要な各種データや各種情報等を記憶している。また、ＨＤＤ８４には、例えば、ＣＰＵ８１がプログラム等を用いた処理を行うことにより得られた各種データや各種情報等が記憶される。
　入力部８５は、キーボードやマウス等のポインティングデバイスにより構成される。
　表示部８６は、液晶ディスプレイ（ＬＣＤ）等のモニターにより構成される。表示部８６は、入力部８５と組み合わせて構成されることにより、ＧＵＩ（Ｇｒａｐｈｉｃａｌ　Ｕｓｅｒ　Ｉｎｔｅｒｆａｃｅ）として機能してもよい。
　通信Ｉ／Ｆ８７は、情報処理装置１０と外部装置との通信を制御するインタフェースである。
　通信Ｉ／Ｆ８７は、ネットワークとのインタフェースを提供し、ネットワークを介して、外部装置との通信を実行する。通信Ｉ／Ｆ８７を介して、外部装置との間で各種データや各種パラメータ等が送受信される。本実施形態では、通信Ｉ／Ｆ８７は、イーサネット（登録商標）等の通信規格に準拠する有線ＬＡＮ（Ｌｏｃａｌ　Ａｒｅａ　Ｎｅｔｗｏｒｋ）や専用線を介した通信を実行してよい。ただし、本実施形態で利用可能なネットワークはこれに限定されず、無線ネットワークで構成されてもよい。この無線ネットワークは、Ｂｌｕｅｔｏｏｔｈ（登録商標）、ＺｉｇＢｅｅ（登録商標）、ＵＷＢ（Ｕｌｔｒａ　Ｗｉｄｅ　Ｂａｎｄ）等の無線ＰＡＮ（Ｐｅｒｓｏｎａｌ　Ａｒｅａ　Ｎｅｔｗｏｒｋ）を含む。また、Ｗｉ－Ｆｉ（Ｗｉｒｅｌｅｓｓ　Ｆｉｄｅｌｉｔｙ）（登録商標）等の無線ＬＡＮ（Ｌｏｃａｌ　Ａｒｅａ　Ｎｅｔｗｏｒｋ）や、ＷｉＭＡＸ（登録商標）等の無線ＭＡＮ（Ｍｅｔｒｏｐｏｌｉｔａｎ　Ａｒｅａ　Ｎｅｔｗｏｒｋ）を含む。さらに、ＬＴＥ／３Ｇ、４Ｇ、５Ｇ等の無線ＷＡＮ（Ｗｉｄｅ　Ａｒｅａ　Ｎｅｔｗｏｒｋ）を含む。なお、ネットワークは、各機器を相互に通信可能に接続し、通信が可能であればよく、通信の規格、規模、構成は上記に限定されない。
　図８に示す情報処理装置１０の各要素のうち少なくとも一部の機能は、ＣＰＵ８１がプログラムを実行することで実現することができる。ただし、図８に示す情報処理装置１０の各要素のうち少なくとも一部の機能が専用のハードウェアとして動作するようにしてもよい。この場合、専用のハードウェアは、ＣＰＵ８１の制御に基づいて動作する。
［ユーザ装置１１のハードウェア構成］
　図１に示すユーザ装置１１のハードウェア構成は、図８と同様でありうる。すなわち、ユーザ装置１０は、ＣＰＵ８１と、ＲＯＭ８２と、ＲＡＭ８３と、ＨＤＤ８４と、入力部８５と、表示部８６と、通信Ｉ／Ｆ８７と、システムバス８８とを備えうる。ユーザ装置１１は、情報処理装置１０により提供された各種情報を、表示部８６に表示し、ＧＵＩ（入力部８５と表示部８６による構成）を介してユーザから受け付ける入力操作に対応する処理を行うことができる。
　＜処理の流れ＞
　図９に、本実施形態による情報処理装置１０により実行される処理のフローチャートを示す。図９に示す処理は、情報処理装置１０のＣＰＵ８１がＲＯＭ８２等に格納されたプログラムをＲＡＭ８３にロードして実行することによって実現されうる。図９の説明のために、図１に示した情報処理システムを参照する。学習部１０７により学習済みの、オンライン特徴推定モデル１１１、オフライン特徴推定モデル１１２、および分類モデル１１３は、学習モデル記憶部１１０に格納され、以下の処理で用いられるものとする。
　Ｓ９１において、オンライン情報取得部１０２は、対象ユーザのオンライン情報（図７のオンライン情報７１に対応）を取得する。本例において、対象ユーザを、図１に示すユーザｕ（ユーザ装置１１－ｕ）とする。前述のように、本実施形態において、オンライン情報７１には、ウェブサービス利用履歴４２、デモグラフィックデータ４３、月当たりのログイン回数４４、ユーザの興味４５の情報が含まれる。
　Ｓ９２において、オンライン特徴生成部１０３は、Ｓ９１で取得されたオンライン情報７１をオンライン特徴推定モデル１１１に適用して、ユーザｕのオンライン行動特徴ベクトル７２を生成する。
　Ｓ９３において、オフライン特徴推定部１０５は、Ｓ９２で生成されたユーザｕのオンライン行動特徴ベクトル７１をオフライン特徴推定モデル１１２に適用して、ユーザｕのオフライン行動特徴ベクトル７３を生成する。
　Ｓ９４において、分類部１０６は、Ｓ９３で生成されたユーザｕのオフライン行動特徴ベクトル７３を分類モデル１１３に適用して、分類ラベル７４を生成する。さらに分類部１０６は、生成された分類ラベル７４に対応する、ユーザｕのオフライン行動を推定（特定）する。
　Ｓ９５において、コンテンツ作成部１０８は、Ｓ９４で推定されたユーザｕのオフライン行動に基づいて、ユーザｕに適したコンテンツを作成する。例えば、コンテンツ作成部１０８は、ユーザｕのオフライン行動に適した広告を作成する。オフライン行動として推定された場所が、ガソリンスタンドの場合、コンテンツ作成部１０８は、ガソリンスタンドや、車関連の店舗やサービスの広告を作成してもよい。
　Ｓ９６において、出力部１０９は、Ｓ９４で推定されたユーザｕのオフライン行動に関する情報および／またはＳ９５で作成されたコンテンツの出力を行う。例えば、出力部１０９は、ユーザｕのオフライン行動に関する情報を外部装置（不図示）へ送信し、当該外部装置は、マーケティングに活用することができる。また、出力部１０９は、ユーザｕの特徴（属性）と類似した特徴を有する他のユーザにも、作成したコンテンツを送信してもよい。
　このように、上記に述べた実施形態によれば、情報処理装置１０は、複数のユーザから取得したオンライン情報を活用して、オフライン行動とオンライン行動との関係を導出する。そして、情報処理装置１０は、当該導出した関係を用いて、位置情報といったオフライン情報を有さないユーザに対して、推測されるオフライン行動を生成することができる。これにより、オフライン行動データを利用したマーケティングを展開することが可能となる。
　なお、上記において特定の実施形態が説明されているが、当該実施形態は単なる例示であり、本発明の範囲を限定する意図はない。本明細書に記載された装置及び方法は上記した以外の形態において具現化することができる。また、本発明の範囲から離れることなく、上記した実施形態に対して適宜、省略、置換及び変更をなすこともできる。かかる省略、置換及び変更をなした形態は、請求の範囲に記載されたもの及びこれらの均等物の範疇に含まれ、本発明の技術的範囲に属する。
１～Ｎ；ｕ：ユーザ、１０：情報処理装置、１１－１～１１－Ｎ；１１－ｕ：ユーザ装置、１０１：位置情報取得部、１０２：オンライン情報取得部、１０３：オフライン特徴生成部、１０４：オンライン特徴推定部、１０５：オフライン特徴推定部、１０６：分類部、１０７：学習部、１０８：コンテンツ作成部、１０９：出力部、１１０：学習モデル記憶部、１１１：オンライン特徴推定モデル、１１２：オフライン特徴推定モデル、１１３：分類モデル

 

Claims (9)

  1. 　位置情報を有するユーザのオンライン情報を入力して、前記位置情報を有するユーザのオンライン行動特徴ベクトルを出力するように、第１の学習モデルを学習させる第１の学習手段と、
    　前記位置情報を有するユーザのオンライン行動特徴ベクトルを入力して、前記位置情報を有するユーザのオフライン行動特徴ベクトルを出力するように、第２の学習モデルを学習させる第２の学習手段と、
    を有することを特徴とする情報処理装置。
  2. 　前記位置情報から、前記位置情報を有するユーザのオフライン行動特徴ベクトルを生成する生成手段と、
    　前記生成手段により生成された前記位置情報を有するユーザのオフライン行動特徴ベクトルを入力して、前記位置情報を有するユーザのオフライン行動を表す情報を出力するように、第３の学習モデルを学習させる第３の学習手段を更に有することを特徴とする請求項１に記載の情報処理装置。
  3. 　前記ユーザのオフライン行動を表す情報は、前記ユーザが訪れると予測される場所の情報を含むことを特徴とする請求項２に記載の情報処理装置。
  4. 　位置情報を有さないユーザのオンライン情報を前記第１の学習モデルに入力して、前記位置情報を有さないユーザのオンライン行動特徴ベクトルを推定する第１の推定手段と、
    　前記位置情報を有さないユーザのオンライン行動特徴ベクトルを前記第２の学習モデルに入力して、前記位置情報を有さないユーザのオフライン行動特徴ベクトルを推定する第２の推定手段と、
    　前記位置情報を有さないユーザのオフライン行動特徴ベクトルを前記第３の学習モデルに入力して、前記位置情報を有さないユーザのオフライン行動の情報を推定する第３の推定手段と、
    を有することを特徴とする請求項２または３に記載の情報処理装置。
  5. 　前記ユーザのオンライン情報は、前記ユーザにウェブサービスの利用を通したオンライン上の行動に関する情報であることを特徴とする請求項１から４のいずれか１項に記載の情報処理装置。
  6. 　位置情報を有するユーザのオンライン情報を入力して、前記位置情報を有するユーザのオンライン行動特徴ベクトルを出力するように、第１の学習モデルを学習させる第１の学習工程と、
    　前記位置情報を有するユーザのオンライン行動特徴ベクトルを入力して、前記位置情報を有するユーザのオフライン行動特徴ベクトルを出力するように、第２の学習モデルを学習させる第２の学習工程と、
    を有することを特徴とする情報処理方法。
  7. 　前記位置情報から、前記位置情報を有するユーザのオフライン行動特徴ベクトルを生成する生成工程と、
    　前記第２の学習モデルから出力された前記位置情報を有するユーザのオフライン行動特徴ベクトルを入力して、前記位置情報を有するユーザのオフライン行動を表す情報を出力するように、第３の学習モデルを学習させる第３の学習工程を更に有し、
    　前記第３の学習工程では、前記生成工程において生成された前記位置情報を有するユーザのオフライン行動特徴ベクトルを用いて、前記第３の学習モデルを学習させることを特徴とする請求項６に記載の情報処理方法。
  8. 　情報処理をコンピュータに実行させるための情報処理プログラムであって、該プログラムは、前記コンピュータに、
    　位置情報を有するユーザのオンライン情報を入力して、前記位置情報を有するユーザのオンライン行動特徴ベクトルを出力するように、第１の学習モデルを学習させる第１の学習処理と、
    　前記位置情報を有するユーザのオンライン行動特徴ベクトルを入力して、前記位置情報を有するユーザのオフライン行動特徴ベクトルを出力するように、第２の学習モデルを学習させる第２の学習処理と、を含む処理を実行させるためのものである、
    　情報処理プログラム。
  9. 　前記プログラムは、前記コンピュータに、更に、
    　前記位置情報から、前記位置情報を有するユーザのオフライン行動特徴ベクトルを生成する生成処理と、
    　前記第２の学習モデルから出力された前記位置情報を有するユーザのオフライン行動特徴ベクトルを入力して、前記位置情報を有するユーザのオフライン行動を表す情報を出力するように、第３の学習モデルを学習させる第３の学習処理と、を含む処理を実行させるためのものであり、
    　前記第３の学習処理は、前記生成処理において生成された前記位置情報を有するユーザのオフライン行動特徴ベクトルを用いて、前記第３の学習モデルを学習させる処理を含む、情報処理プログラム。
     

     
PCT/JP2022/012558 2022-03-18 2022-03-18 情報処理装置、情報処理方法、およびプログラム WO2023175883A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
PCT/JP2022/012558 WO2023175883A1 (ja) 2022-03-18 2022-03-18 情報処理装置、情報処理方法、およびプログラム
EP22932156.7A EP4307202A1 (en) 2022-03-18 2022-03-18 Information processing device, information processing method, and program
JP2023515763A JPWO2023175883A1 (ja) 2022-03-18 2022-03-18

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2022/012558 WO2023175883A1 (ja) 2022-03-18 2022-03-18 情報処理装置、情報処理方法、およびプログラム

Publications (1)

Publication Number Publication Date
WO2023175883A1 true WO2023175883A1 (ja) 2023-09-21

Family

ID=88022926

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2022/012558 WO2023175883A1 (ja) 2022-03-18 2022-03-18 情報処理装置、情報処理方法、およびプログラム

Country Status (3)

Country Link
EP (1) EP4307202A1 (ja)
JP (1) JPWO2023175883A1 (ja)
WO (1) WO2023175883A1 (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
JP2019215862A (ja) * 2018-06-07 2019-12-19 技研商事インターナショナル株式会社 行動履歴データを用いた行動分析システム及びそのプログラム
JP2020161038A (ja) * 2019-03-28 2020-10-01 株式会社博報堂Ｄｙホールディングス 推定システム、推定方法、及びコンピュータプログラム
JP2020190964A (ja) * 2019-05-22 2020-11-26 ヤフー株式会社 情報処理装置、情報処理方法および情報処理プログラム

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090024546A1 (en) * 2007-06-23 2009-01-22 Motivepath, Inc. System, method and apparatus for predictive modeling of spatially distributed data for location based commercial services
JP6899805B2 (ja) * 2018-08-27 2021-07-07 楽天グループ株式会社 特性推定装置、特性推定方法、及び特性推定プログラム等

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
JP2019215862A (ja) * 2018-06-07 2019-12-19 技研商事インターナショナル株式会社 行動履歴データを用いた行動分析システム及びそのプログラム
JP2020161038A (ja) * 2019-03-28 2020-10-01 株式会社博報堂Ｄｙホールディングス 推定システム、推定方法、及びコンピュータプログラム
JP2020190964A (ja) * 2019-05-22 2020-11-26 ヤフー株式会社 情報処理装置、情報処理方法および情報処理プログラム

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP4307202A4

Also Published As

Publication number Publication date
JPWO2023175883A1 (ja) 2023-09-21
EP4307202A4 (en) 2024-01-17
EP4307202A1 (en) 2024-01-17

Similar Documents

Publication Publication Date Title
Workman New media and the changing face of information technology use: The importance of task pursuit, social influence, and experience
Gheisari et al. Investigating human and technological requirements for successful implementation of a BIM-based mobile augmented reality environment in facility management practices
Pinochet et al. The influence of the attributes of “Internet of Things” products on functional and emotional experiences of purchase intention
JP2018190396A (ja) ネットワークレーティング予測エンジン
US20180158163A1 (en) Inferring appropriate courses for recommendation based on member characteristics
US11803872B2 (en) Creating meta-descriptors of marketing messages to facilitate in delivery performance analysis, delivery performance prediction and offer selection
JP6986978B2 (ja) 情報処理装置、情報処理方法、及び情報処理プログラム
Valls-Donderis et al. Participatory development of decision support systems: which features of the process lead to improved uptake and better outcomes?
US10229513B2 (en) Cognitive color scheme advisor for dynamic modification of digital media in a collaborative environment with color blind individuals
Ballatore et al. Towards a usability scale for participatory GIS
Kumar The moderating factors of 3G user acceptance technology in Shimla (India) using UTAUT model
Tkacz et al. Data diaries: A situated approach to the study of data
Sia et al. Smart mobile tourism app featuring augmented reality and big data analytics: an empirical analysis using UTAUT2 and PCT models
JP2021119526A (ja) 生成装置、生成方法、及び生成プログラム
WO2023175883A1 (ja) 情報処理装置、情報処理方法、およびプログラム
Al-Nuaim Context-aware mobile interface design for M-government
US11163964B2 (en) Configurable conversational agent generator
Tarka et al. On the Unstructured Big Data Analytical Methods in Firms: Conceptual Model, Measurement, and Perception
US20210326392A1 (en) Algorithmic attribution
Goktas et al. Optimizing Customer Experience in Hospitality and Tourism with ChatGPT Plugins: A Strategic Guide
Lytras et al. Policy implications for smart healthcare: the international collaboration dimension
US11907508B1 (en) Content analytics as part of content creation
Reza et al. Towards Designing Intuitive Mobile UIs Considering Tapping Behaviour of Elderly Users
JP7514878B2 (ja) 情報処理装置、情報処理方法、およびプログラム
EP4254295A1 (en) Information processing apparatus, information processing method, and program thereof

Legal Events

Date Code Title Description
WWE Wipo information: entry into national phase

Ref document number: 2023515763

Country of ref document: JP

WWE Wipo information: entry into national phase

Ref document number: 22932156.7

Country of ref document: EP

Ref document number: 2022932156

Country of ref document: EP

ENP Entry into the national phase

Ref document number: 2022932156

Country of ref document: EP

Effective date: 20231010

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

Ref document number: 22932156

Country of ref document: EP

Kind code of ref document: A1