WO2024089954A1 - 情報処理装置 - Google Patents

情報処理装置 Download PDF

Info

Publication number
WO2024089954A1
WO2024089954A1 PCT/JP2023/026391 JP2023026391W WO2024089954A1 WO 2024089954 A1 WO2024089954 A1 WO 2024089954A1 JP 2023026391 W JP2023026391 W JP 2023026391W WO 2024089954 A1 WO2024089954 A1 WO 2024089954A1
Authority
WO
WIPO (PCT)
Prior art keywords
user
waveform data
processing device
information processing
information
Prior art date
Application number
PCT/JP2023/026391
Other languages
English (en)
French (fr)
Inventor
邦宏 相場
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
Publication of WO2024089954A1 publication Critical patent/WO2024089954A1/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
    • G06Q30/0203—Market surveys; Market polls

Definitions

  • the present disclosure relates to an information processing device that generates two-dimensional images that represent the behavioral characteristics of a user, and the generated two-dimensional images are used, for example, as explanatory variables in machine learning.
  • Patent Document 1 discloses a technology for generating pie charts and bar graphs that show information on actions in a time series in order to easily grasp the type, duration, and quality of a user's actions in a given day.
  • the purpose of this disclosure is to appropriately acquire information on time-series changes in various user behaviors.
  • the information processing device includes a waveform data generating unit that generates waveform data for each behavior by determining the timing in a time series of events related to the behavioral characteristics of the user from behavioral data including the type of behavior and execution time information related to the acquired user behavior, and connecting adjacent timings in the time series with a predetermined waveform, and an image generating unit that generates a two-dimensional image representing the behavioral characteristics of the user by converting the generated waveform data into a power spectrum image.
  • the waveform data generating unit obtains the timing of events related to the user's behavioral characteristics on a time series from the behavioral data including the type of behavior and execution time information related to the acquired user's behavior, and generates waveform data for each behavior by connecting adjacent timings on the time series with a predetermined waveform.
  • Such waveform data for each behavior can represent information that changes over time, such as the execution frequency and execution cycle of the user behavior.
  • the image generating unit generates a two-dimensional image that represents the user's behavioral characteristics by converting the generated waveform data into a power spectrum image. This makes it possible to appropriately obtain information that changes over time regarding various user behaviors.
  • Such information can be used as an explanatory variable in machine learning, and is very effective in predicting, for example, indicators that are formed in the medium to long term (indices that are not determined immediately or in the short term), such as user satisfaction with a service, using machine learning, and is very useful in accurately estimating such indicators.
  • FIG. 2 is a functional block diagram of an information processing device according to the first and second embodiments.
  • FIG. 2 is a flow chart showing a process in the first embodiment.
  • FIG. 11 is a diagram for explaining acquisition of behavioral data.
  • FIG. 13A is a diagram showing generation of waveform data relating to application startup timing within a service
  • FIG. 13B is a diagram showing generation of waveform data relating to purchasing behavior timing within a service.
  • FIG. 13 is a diagram showing an image of actual waveform data to be generated.
  • FIG. 2 illustrates the generation of a power spectrum image of a waveform.
  • FIG. 13 is a diagram illustrating an example in which the generated power spectrum image is used as an explanatory variable.
  • FIG. 11 is a flow chart showing a process in a second embodiment.
  • FIG. 13 is a diagram for explaining waveform synthesis.
  • FIG. 1 illustrates the generation of a power spectrum image from a composite waveform.
  • FIG. 13 is a diagram showing an example in which a power spectrum image generated from a composite waveform is used as an explanatory variable.
  • FIG. 2 is a diagram illustrating an example of a hardware configuration of an information processing device.
  • waveform data for each behavior is generated from user behavior data by linking the timings of events related to the behavioral characteristics on a time series, and a two-dimensional image representing the user's behavioral characteristics is generated by converting each waveform data into a power spectrum image.
  • a process of consolidating related waveform data from among the multiple waveform data generated is further performed.
  • user behavior includes various behaviors, in the following first and second embodiments, in order to obtain an index formed in the medium to long term, such as the user's satisfaction with a target service (hereinafter abbreviated as "service"), as an example of “user behavior”, behavior related to the use of a service by the user will be described.
  • service a target service
  • the information processing device 10 in the first embodiment includes, as functional blocks for realizing the functions according to the present disclosure, a behavioral data acquisition unit 11, a waveform data generation unit 12, an image generation unit 13, and an estimation unit 14.
  • a behavioral data acquisition unit 11 a waveform data generation unit 12
  • an image generation unit 13 an estimation unit 14.
  • the functions of each unit will be outlined below. Details of the functions will be described in the explanation of the process according to Fig. 2.
  • the behavioral data acquisition unit 11 is a functional unit that acquires behavioral data including the types of behavior and execution time information regarding the behavior of various users from external devices (e.g., various users' mobile terminals 20 ( Figure 3) and the like), and stores the acquired behavioral data for each user in the built-in behavior database 11A.
  • the waveform data generating unit 12 is a functional unit that determines the timing on a time series of events related to the user's behavioral characteristics from the above behavioral data, and generates waveform data for each behavior by connecting adjacent timings on the time series with a specified waveform. Examples of events related to the above user's behavioral characteristics include launching an application (hereinafter abbreviated as "app") within a service, and making a purchase within a service. Examples of the "specified waveform" that connects adjacent timings on a time series include sine waves, cosine waves, and triangular waves.
  • the waveform data generating unit 12 may have a function of consolidating related waveform data from among the multiple waveform data generated, and this function of consolidating waveform data will be described in the second embodiment.
  • the image generation unit 13 is a functional unit that generates a two-dimensional image representing the behavioral characteristics of the user by converting the generated waveform data into a power spectrum image.
  • Examples of the power spectrum image processing include continuous Fourier transform and wavelet transform.
  • the estimation unit 14 is a functional unit that estimates the above-mentioned index by inputting the two-dimensional image (a two-dimensional image showing the behavioral characteristics related to the user's use of the service) generated by the image generation unit 13 as an explanatory variable into the learning model 14A, which has the user's behavioral characteristic information as an explanatory variable and a predetermined index (an index formed in the medium to long term (an index that is not determined instantly or in the short term), here, as an example, an index related to service satisfaction) as an objective variable.
  • the learning model 14A is assumed to have already been generated by supervised learning, which has the user's past behavioral characteristic information as an explanatory variable and an index related to service satisfaction as an objective variable, and is included in the estimation unit 14.
  • the estimation unit 14 also appropriately outputs the obtained estimation result (index). For example, the estimation result (index) may be displayed or printed out by a predetermined operation by the operator of the information processing device 10.
  • the behavioral data acquisition unit 11 acquires behavioral data including the type of behavior and execution time information related to various user behaviors from an external device (such as the user's mobile terminal 20 shown in FIG. 3), and stores the acquired behavioral data for each user in the behavior database 11A (step S1 in FIG. 2).
  • the behavioral data acquired and stored here includes, for example, as shown in FIG. 3, information such as a user ID for identifying the user, the type of behavior, and execution time, and examples of the type of behavior include information such as launching an app within the service and making a purchase within the service.
  • the waveform data generating unit 12 obtains the timing of events related to the behavioral characteristics of the target user from the behavioral data of the target user (target user) on a time series, and generates waveform data for each behavior by connecting adjacent timings on the time series with a predetermined waveform (here, a sine wave) (step S2 in FIG. 2).
  • a predetermined waveform here, a sine wave
  • FIG. 4(a) shows an example of generating waveform data related to the application startup in the service by obtaining the timing of the application startup in the service on a time series and connecting adjacent timings on the time series with a sine wave
  • FIG. 4(a) shows an example of generating waveform data related to the application startup in the service by obtaining the timing of the application startup in the service on a time series and connecting adjacent timings on the time series with a sine wave
  • FIG. 4(a) shows an example of generating waveform data related to the application startup in the service by obtaining the timing of the application startup in the service on a time series and connecting
  • FIG. 4(b) shows an example of generating waveform data related to a purchase in the service by obtaining the timing of the purchase in the service on a time series and connecting adjacent timings on the time series with a sine wave.
  • FIG. 5 shows an image of the actual data of the generated waveform data, and it can be seen that the frequency changes at a certain timing along the time series.
  • the generated waveform data is generated to grasp information that may change over time, such as the frequency of execution of the behavior and the execution period, so the amplitude of the vertical axis is not limited to a predetermined one and may be determined arbitrarily.
  • Figures 4(a), 4(b), and 5 show examples of sine wave waveform data generated so that the maximum amplitude is set to a constant value.
  • the image generating unit 13 generates a two-dimensional image representing the behavioral characteristics of the user by converting the generated waveform data into a power spectrum image (step S3 in FIG. 2).
  • FIG. 6 shows an example in which a two-dimensional image representing the behavioral characteristics of the user is generated by converting waveform data (FIG. 5) at the time of an event related to the behavioral characteristics of the target user (launching an app in a certain service) into a power spectrum image.
  • the estimation unit 14 estimates a predetermined index (here, an index related to service satisfaction) as a response variable by inputting the two-dimensional image generated in step S3 as an explanatory variable into the learning model 14A (step S4 in FIG. 2).
  • the estimation result index related to service satisfaction
  • the estimation result is displayed or printed out, for example, by a predetermined operation by the operator of the information processing device 10.
  • a two-dimensional image representing the user's behavioral characteristics is generated by converting waveform data capable of expressing information that changes over time, such as the execution frequency and execution cycle of a user's behavior, into a power spectrum image.
  • waveform data capable of expressing information that changes over time, such as the execution frequency and execution cycle of a user's behavior
  • This makes it possible to appropriately obtain information that changes over time (information on execution frequency, execution cycle, etc.) regarding various behaviors that could not be obtained from conventional table data, etc.
  • Such information can be used as an explanatory variable in machine learning, and is very effective when predicting, for example, indicators that are formed over the medium to long term, such as the user's service satisfaction (indices that are not determined immediately or in the short term), using machine learning.
  • the user's service satisfaction indices that are not determined immediately or in the short term
  • time-series information such as (a) the number of uses in a certain month, (b) the number of uses in the following month, and (c) the number of uses in the month after that, which had to be created one by one with table data, can be represented as a single feature (explanatory variable in machine learning), making it possible to perform machine learning based on overall trends from the similarities of the generated two-dimensional images.
  • features explanatory variables in machine learning
  • the configuration of the information processing device 10 in the second embodiment is similar to that of the information processing device 10 in the first embodiment (FIG. 1), and therefore a duplicated description will be omitted.
  • the waveform data generating unit 12 has a function of generating waveform data for each behavior of the target user, and then, when waveform data of mutually related behaviors (related waveform data) exists, grouping (e.g., multiplication, addition, etc.) the related waveform data.
  • the image generating unit 13 has a function of generating a two-dimensional image representing the behavioral characteristics of the user by grouping the waveform data grouped by the waveform data generating unit 12 as a power spectrum image, in addition to the power spectrum imaging of individual waveform data as in the first embodiment.
  • the behavioral data acquisition unit 11 acquires behavioral data including the type of behavior and execution time information regarding various user behaviors from an external device (such as the user's mobile terminal 20 shown in FIG. 3), and stores the acquired behavioral data for each user in the behavior database 11A (step S11 in FIG. 8).
  • the waveform data generating unit 12 obtains the timing on a time series of events (here, launching an app within the service, making a purchase within the service, etc.) related to the behavioral characteristics of the target user from the behavioral data of the target user (target user), and generates waveform data for each behavior by connecting adjacent timings on the time series with a predetermined waveform (here, a sine wave) (step S12 in FIG. 8).
  • a predetermined waveform here, a sine wave
  • step S12 the waveform data generating unit 12 determines whether or not there is waveform data of mutually related actions (related waveform data), and if there is related waveform data, it combines the related waveform data (for example, by multiplication, addition, etc.: step S13 in FIG. 8).
  • FIG. 9 shows an example in which waveform data at the timing of purchasing a product in category A within a service and waveform data at the timing of purchasing a product in category B within the same service are determined to be related waveform data, and these waveform data are combined to generate the composite waveform shown in the lower part of FIG. 9.
  • the waveform data generating unit 12 generates a two-dimensional image representing the behavioral characteristics of the user by converting the collected waveform data or the individual waveform data into a power spectrum image (step S14 in FIG. 8).
  • FIG. 10 shows an example in which a two-dimensional image representing the behavioral characteristics of the user is generated by converting the collected waveform data (composite waveform data) into a power spectrum image in step S13.
  • the estimation unit 14 estimates a predetermined index (here, an index related to service satisfaction) by inputting the two-dimensional image generated in step S14 as an explanatory variable into the learning model 14A (step S15 in FIG. 8).
  • the estimation result index related to service satisfaction
  • the estimation result is displayed or printed out, for example, by a predetermined operation by the operator of the information processing device 10.
  • a composite waveform is generated by combining (e.g., multiplying, adding, etc.) waveform data of mutually related actions, and a two-dimensional image is generated by converting the composite waveform into a power spectrum image.
  • the obtained two-dimensional image i.e., information rich in information including the associations and interactions between actions
  • the "user behavior" is described as an example of a user's behavior regarding the use of a service, and an index related to the user's satisfaction with the service is used as an "index” that can be determined in the medium to long term.
  • the "index" to be estimated can be widely applied to predictive indexes related to the use of a service, such as an index related to the user's intention to continue using the service, in addition to an index related to the user's satisfaction with the service.
  • the waveform data may employ a cosine wave or a triangular wave.
  • processing such as continuous Fourier transform and wavelet transform may be used for power spectrum imaging.
  • the gist of this disclosure lies in the following [1] to [4].
  • [1] a waveform data generation unit that calculates timings of events on a time series related to a behavioral feature of a user from behavioral data including a type of behavior and execution time information related to the acquired user's behavior, and generates waveform data for each behavior by connecting adjacent timings on the time series with a predetermined waveform;
  • an image generating unit that generates a two-dimensional image representing a behavioral characteristic of the user by converting the generated waveform data into a power spectrum image;
  • An information processing device comprising: [2] The waveform data generation unit generates waveform data for each of a plurality of types of mutually related behaviors, and generates one waveform data related to the plurality of behaviors by combining the obtained plurality of waveform data in a predetermined manner.
  • the information processing device according to [1]. [3] an estimation unit that estimates the index by inputting, as an explanatory variable, a two-dimensional image representing the behavioral feature of the user generated by the image generation unit into a learning model having user behavioral feature information as an explanatory variable and a predetermined index as a target variable;
  • the information processing device according to [1] or [2], further comprising: [4]
  • the behavior is an action related to the use of a target service
  • the estimation unit estimates an index regarding the user's use of the service by using the two-dimensional image representing a behavioral feature regarding the user's use of the service, generated by the image generation unit, as an explanatory variable.
  • the information processing device according to [3].
  • the predetermined waveform includes at least one of a sine wave, a cosine wave, and a triangular wave.
  • the information processing device according to any one of [1] to [4].
  • the power spectrum imaging includes at least one of a continuous Fourier transform and a wavelet transform.
  • the information processing device according to any one of [1] to [5].
  • each functional block may be realized using one device that is physically or logically coupled, or may be realized using two or more devices that are physically or logically separated and directly or indirectly connected (for example, using wires, wirelessly, etc.).
  • the functional blocks may be realized by combining the one device or the multiple devices with software.
  • Functions include, but are not limited to, judgement, determination, judgment, calculation, computation, processing, derivation, investigation, search, confirmation, reception, transmission, output, access, resolution, selection, election, establishment, comparison, assumption, expectation, regard, broadcasting, notifying, communicating, forwarding, configuring, reconfiguring, allocating, mapping, and assignment.
  • a functional block (component) that performs the transmission function is called a transmitting unit or transmitter.
  • the information processing device 10 in this embodiment may function as a computer that executes the processing of the present disclosure.
  • FIG. 12 is a diagram showing an example of the hardware configuration of the information processing device 10.
  • the information processing device 10 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, etc.
  • the word “apparatus” can be interpreted as a circuit, device, unit, etc.
  • the hardware configuration of the information processing device 10 may be configured to include one or more of the devices shown in the figure, or may be configured to exclude some of the devices.
  • Each function of the information processing device 10 is realized by loading a specific software (program) onto hardware such as the processor 1001 and memory 1002, causing the processor 1001 to perform calculations, control communications via the communication device 1004, and control at least one of the reading and writing of data in the memory 1002 and storage 1003.
  • a specific software program
  • the processor 1001 for example, runs an operating system to control the entire computer.
  • the processor 1001 may be configured as a central processing unit (CPU) that includes an interface with peripheral devices, a control device, an arithmetic unit, registers, etc.
  • CPU central processing unit
  • the processor 1001 also reads out programs (program codes), software modules, data, etc. from at least one of the storage 1003 and the communication device 1004 into the memory 1002, and executes various processes according to these.
  • the programs used are those that cause a computer to execute at least some of the operations described in the above-mentioned embodiments.
  • the processor 1001 may be implemented by one or more chips.
  • the programs may be transmitted from a network via a telecommunications line.
  • Memory 1002 is a computer-readable recording medium, and may be 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. Memory 1002 may also be called a register, cache, main memory (primary storage device), etc. Memory 1002 can store executable programs (program codes), software modules, etc. for implementing a wireless communication method according to one embodiment of the present disclosure.
  • ROM Read Only Memory
  • EPROM Erasable Programmable ROM
  • EEPROM Electrical Erasable Programmable ROM
  • RAM Random Access Memory
  • Memory 1002 may also be called a register, cache, main memory (primary storage device), etc.
  • Memory 1002 can store executable programs (program codes), software modules, etc. for implementing a wireless communication method according to one embodiment of the present disclosure.
  • Storage 1003 is a computer-readable recording medium, and may be composed of at least one of an optical disk such as a CD-ROM (Compact Disc ROM), a hard disk drive, a flexible disk, a magneto-optical disk (e.g., a compact disk, a digital versatile disk, a Blu-ray (registered trademark) disk), a smart card, a flash memory (e.g., a card, a stick, a key drive), a floppy (registered trademark) disk, a magnetic strip, etc.
  • Storage 1003 may also be called an auxiliary storage device.
  • the above-mentioned storage medium may be, for example, a database, a 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 referred to as, for example, a network device, a network controller, a network card, a communication module, etc.
  • the communication device 1004 may be configured to include a high-frequency switch, a duplexer, a filter, a frequency synthesizer, etc., to realize, for example, at least one of Frequency Division Duplex (FDD) and Time Division Duplex (TDD).
  • FDD Frequency Division Duplex
  • TDD Time Division Duplex
  • the input device 1005 is an input device (e.g., a keyboard, a mouse, a microphone, a switch, a button, a sensor, etc.) that accepts input from the outside.
  • the output device 1006 is an output device (e.g., a display, a speaker, an LED lamp, etc.) that performs output to the outside. Note that the input device 1005 and the output device 1006 may be integrated into one structure (e.g., a touch panel).
  • each device such as the processor 1001 and 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 each device.
  • the information processing device 10 may be configured to include hardware such as a microprocessor, a digital signal processor (DSP), an application specific integrated circuit (ASIC), a programmable logic device (PLD), or a field programmable gate array (FPGA), and some or all of the functional blocks may be realized by the hardware.
  • the processor 1001 may be implemented using at least one of these pieces of hardware.
  • the notification of information is not limited to the aspects/embodiments described in this disclosure, and may be performed using other methods.
  • the notification of information may be performed by physical layer signaling (e.g., DCI (Downlink Control Information), UCI (Uplink Control Information)), higher layer signaling (e.g., RRC (Radio Resource Control) signaling, MAC (Medium Access Control) signaling, broadcast information (MIB (Master Information Block), SIB (System Information Block))), other signals, or a combination of these.
  • RRC signaling may be referred to as an RRC message, and may be, for example, an RRC Connection Setup message, an RRC Connection Reconfiguration message, etc.
  • Each aspect/embodiment described in this disclosure may be a mobile communication system (mobile communications system) for mobile communications over a wide range of networks, including LTE (Long Term Evolution), LTE-A (LTE-Advanced), SUPER 3G, IMT-Advanced, 4G (4th generation mobile communication system), 5G (5th generation mobile communication system), 6th generation mobile communication system (6G), xth generation mobile communication system (xG) (xG (x is, for example, an integer or a decimal number)), FRA (Future Ra).
  • the present invention may be applied to at least one of systems using IEEE 802.11 (Wi-Fi (registered trademark)), IEEE 802.16 (WiMAX (registered trademark)), IEEE 802.20, UWB (Ultra-WideBand), Bluetooth (registered trademark), and other appropriate systems, and next-generation systems that are expanded, modified, created, or defined based on these. It may also be applied to a combination of multiple systems (for example, a combination of at least one
  • the input and output information may be stored in a specific location (e.g., memory) or may be managed using a management table.
  • the input and output information may be overwritten, updated, or added to.
  • the output information may be deleted.
  • the input information may be sent to another device.
  • the determination may be based on a value represented by one bit (0 or 1), a Boolean value (true or false), or a numerical comparison (e.g., a comparison with a predetermined value).
  • notification of specific information is not limited to being done explicitly, but may be done implicitly (e.g., not notifying the specific information).
  • Software shall be construed broadly to mean instructions, instruction sets, code, code segments, program code, programs, subprograms, software modules, applications, software applications, software packages, routines, subroutines, objects, executable files, threads of execution, procedures, functions, etc., whether referred to as software, firmware, middleware, microcode, hardware description language, or otherwise.
  • Software, instructions, information, etc. may also be transmitted and received via a transmission medium.
  • a transmission medium For example, if the software is transmitted from a website, server, or other remote source using at least one of wired technologies (such as coaxial cable, fiber optic cable, twisted pair, Digital Subscriber Line (DSL)), and/or wireless technologies (such as infrared, microwave), then at least one of these wired and wireless technologies is included within the definition of a transmission medium.
  • wired technologies such as coaxial cable, fiber optic cable, twisted pair, Digital Subscriber Line (DSL)
  • wireless technologies such as infrared, microwave
  • the information, signals, etc. described in this disclosure may be represented using any of a variety of different technologies.
  • the data, instructions, commands, information, signals, bits, symbols, chips, etc. that may be referred to throughout the above description may be represented by voltages, currents, electromagnetic waves, magnetic fields or magnetic particles, optical fields or photons, or any combination thereof.
  • At least one of the communication channel and the symbol may be a signal (signaling).
  • the signal may be a message.
  • the component carrier (CC) may be called a carrier frequency, a cell, a frequency carrier, etc.
  • system and “network” are used interchangeably.
  • a radio resource may be indicated by an index.
  • the names used for the above-mentioned parameters are not limiting in any respect. Furthermore, the formulas etc. using these parameters may differ from those explicitly disclosed in this disclosure.
  • the various communication channels (e.g., PUCCH, PDCCH, etc.) and information elements may be identified by any suitable names, and therefore the various names assigned to these various communication channels and information elements are not limiting in any respect.
  • determining may encompass a wide variety of actions.
  • Determining and “determining” may include, for example, judging, calculating, computing, processing, deriving, investigating, looking up, search, inquiry (e.g., searching in a table, database, or other data structure), and considering ascertaining as “judging” or “determining.”
  • determining and “determining” may include receiving (e.g., receiving information), transmitting (e.g., sending information), input, output, accessing (e.g., accessing data in memory), and considering ascertaining as “judging” or “determining.”
  • judgment” and “decision” can include considering resolving, selecting, choosing, establishing, comparing, etc., to have been “judged” or “decided.” In other words, “judgment” and “decision” can include considering some action to have been “judged” or “decided.” Additionally, “judgment (decision)” can be interpreted as “assuming,” “ex
  • the phrase “based on” does not mean “based only on,” unless expressly stated otherwise. In other words, the phrase “based on” means both “based only on” and “based at least on.”
  • any reference to an element using a designation such as "first,” “second,” etc., 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, a reference to a first and a second element does not imply that only two elements may be employed or that the first element must precede the second element in some way.
  • a and B are different may mean “A and B are different from each other.”
  • the term may also mean “A and B are each different from C.”
  • Terms such as “separate” and “combined” may also be interpreted in the same way as “different.”
  • 10...information processing device 11...behavioral data acquisition unit, 11A...behavioral database, 12...waveform data generation unit, 13...image generation unit, 14...estimation unit, 14A...learning model, 20...mobile terminal, 1001...processor, 1002...memory, 1003...storage, 1004...communication device, 1005...input device, 1006...output device, 1007...bus.

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、取得されたユーザの行動に関する行動の種類および実行時間情報を含む行動データから、ユーザの行動特徴に関連する事象の時系列上のタイミングを求めて、時系列上で隣接するタイミング同士を所定の波形で結ぶことで、行動ごとの波形データを生成する波形データ生成部（１２）と、生成された波形データを対象としてパワースペクトル画像化することで、ユーザの行動特徴を表す二次元画像を生成する画像生成部（１３）と、を備える。

Description

情報処理装置
　本開示は、ユーザの行動特徴を表す二次元画像を生成する情報処理装置に関するものであり、生成された二次元画像は、例えば機械学習における説明変数として利用される。
　機械学習を用いて、ユーザ行動データ（説明変数）からユーザの行動特徴に関する情報（目的変数）を推定するに際し、目的変数を精度良く推定するには、十分な情報量の有る説明変数を生成して使用することが重要である。通常、ユーザ行動データは一定期間内における対象（例えば行動開始）のトータル数（統計値）として学習モデルに入力されることが多い。また、下記の特許文献１には、ある一日におけるユーザ行動について、その行動の種類、行動時間及び行動の質を容易に把握するために、行動に関する情報を時系列に表す円グラフおよび棒グラフを生成する技術が開示されている。
特開２０１９－１２８７３６号公報
　近年、ユーザにとってのサービスの満足度など即時又は短期的に決まるものではない指標を機械学習により予測するニーズが出てきており、このようなニーズに応えるためには、中長期的に形成される特徴を適切に捉える必要がある。ところが、特許文献１の技術では、様々なユーザ行動の実行頻度、実行周期などの時系列で推移する情報を適切に機械学習における説明変数として加えることは難しい。
　本開示は、上記のような課題を踏まえ、様々なユーザ行動に関する時系列で推移する情報を適切に取得することを目的とする。
　本開示に係る情報処理装置は、取得されたユーザの行動に関する行動の種類および実行時間情報を含む行動データから、ユーザの行動特徴に関連する事象の時系列上のタイミングを求めて、時系列上で隣接するタイミング同士を所定の波形で結ぶことで、行動ごとの波形データを生成する波形データ生成部と、生成された波形データを対象としてパワースペクトル画像化することで、ユーザの行動特徴を表す二次元画像を生成する画像生成部と、を備える。
　上記の情報処理装置では、波形データ生成部が、取得されたユーザの行動に関する行動の種類および実行時間情報を含む行動データから、ユーザの行動特徴に関連する事象の時系列上のタイミングを求めて、時系列上で隣接するタイミング同士を所定の波形で結ぶことで、行動ごとの波形データを生成する。このような行動ごとの波形データは、ユーザ行動の実行頻度、実行周期などの時系列で推移する情報を表すことができる。そして、画像生成部が、生成された波形データを対象としてパワースペクトル画像化することで、ユーザの行動特徴を表す二次元画像を生成する。これにより、様々なユーザ行動に関する時系列で推移する情報を適切に取得することができる。このような情報は、機械学習における説明変数として利用することができ、例えば、ユーザにとってのサービスの満足度などの中長期的に形成される指標（即時又は短期的に決まるものではない指標）を機械学習により予測する際に非常に有効であり、上記のような指標を精度良く推定する上で非常に役立つ。
　本開示によれば、様々なユーザ行動に関する時系列で推移する情報を適切に取得することができる。
第１、第２実施形態における情報処理装置の機能ブロック構成図である。 第１実施形態における処理を示すフロー図である。 行動データの取得を説明するための図である。 （ａ）はサービス内のアプリ起動タイミングに関する波形データ生成を示す図であり、（ｂ）はサービス内での購買行動タイミングに関する波形データ生成を示す図である。 生成される波形データの実データイメージを示す図である。 波形のパワースペクトル画像の生成を示す図である。 生成されたパワースペクトル画像を説明変数として用いる例を示す図である。 第２実施形態における処理を示すフロー図である。 波形の合成を説明するための図である。 合成波形からのパワースペクトル画像の生成を示す図である。 合成波形から生成されたパワースペクトル画像を説明変数として用いる例を示す図である。 情報処理装置のハードウェア構成例を示す図である。
　以下、図面を参照しながら、本開示に係る様々な実施形態を説明する。以下では、第１実施形態として、ユーザの行動データから、行動特徴に関連する事象の時系列上のタイミング同士を結ぶことで行動ごとの波形データを生成し、単体の波形データを対象としてパワースペクトル画像化することでユーザの行動特徴を表す二次元画像を生成する基本形の実施形態を説明し、第２実施形態として、生成された複数の波形データのうち、関連する波形データをまとめる処理をさらに実施する実施形態を説明する。なお、「ユーザの行動」には、様々な行動が含まれるが、以下の第１、第２実施形態では、ユーザにとっての対象とするサービス（以下「サービス」と略称する）の満足度など中長期的に形成される指標を得ることをねらうため、「ユーザの行動」としては、ユーザによるサービスの利用に関する行動を例にして説明する。
　（第１実施形態）
　図１に示すように、第１実施形態における情報処理装置１０は、本開示に係る機能を実現するための機能ブロックとして、行動データ取得部１１、波形データ生成部１２、画像生成部１３、および、推定部１４を備える。以下、各部の機能を概説する。なお、機能の詳細は、図２に沿った処理の説明の中で述べる。
　行動データ取得部１１は、外部装置（例えば様々なユーザの携帯端末２０（図３）等）から、様々なユーザの行動に関する行動の種類および実行時間情報を含む行動データを取得し、取得されたユーザごとの行動データを、内蔵した行動データベース１１Ａに保存する機能部である。
　波形データ生成部１２は、上記行動データから、ユーザの行動特徴に関連する事象の時系列上のタイミングを求めて、時系列上で隣接するタイミング同士を所定の波形で結ぶことで、行動ごとの波形データを生成する機能部である。上記のユーザの行動特徴に関連する事象としては、サービス内のアプリケーション（以下「アプリ」と略称する）起動、サービス内での購買などが挙げられる。また、時系列上で隣接するタイミング同士を結ぶ「所定の波形」としては、正弦波、余弦波、三角波などが挙げられる。なお、波形データ生成部１２は、生成された複数の波形データのうち、関連する波形データをまとめる機能を有してもよいが、このように波形データをまとめる機能は第２実施形態で説明する。
　画像生成部１３は、生成された波形データを対象としてパワースペクトル画像化することで、ユーザの行動特徴を表す二次元画像を生成する機能部である。上記のパワースペクトル画像化としては、連続フーリエ変換、ウェーブレット変換などの処理が挙げられる。
　推定部１４は、ユーザの行動特徴情報を説明変数とし、予め定められた指標（中長期的に形成される指標（即時又は短期的に決まるものではない指標）、ここでは、一例として、サービス満足度に関する指標）を目的変数とする学習モデル１４Ａに、画像生成部１３により生成された二次元画像（ユーザのサービスの利用に関する行動特徴を表す二次元画像）を説明変数として入力することで、上記指標を推定する機能部である。学習モデル１４Ａは、過去のユーザの行動特徴情報を説明変数とし、サービス満足度に関する指標を目的変数とする教師あり学習によって既に生成され、推定部１４に内包されているとする。また、推定部１４は、得られた推定結果（指標）を適宜に出力する。例えば、推定結果（指標）は、情報処理装置１０のオペレータによる所定操作により、表示出力されてもよいし、印刷出力されてもよい。
　次に、図２のフロー図に沿って、図３～図７を参照しながら、情報処理装置１０において実行される処理を説明する。
　まず、行動データ取得部１１が、外部装置（例えば図３に示すユーザの携帯端末２０等）から、様々なユーザの行動に関する行動の種類および実行時間情報を含む行動データを取得し、取得されたユーザごとの行動データを行動データベース１１Ａに保存する（図２のステップＳ１）。ここで取得・保存される行動データは、例えば、図３に示すように、ユーザを識別するためのユーザＩＤ、行動の種類、実行時間などの情報を含み、このうち、行動の種類としては、サービス内のアプリ起動、サービス内での購買といった情報が例示されている。
　次に、波形データ生成部１２が、対象とするユーザ（対象ユーザ）の行動データから、対象ユーザの行動特徴に関連する事象の時系列上のタイミングを求めて、時系列上で隣接するタイミング同士を所定の波形（ここでは正弦波）で結ぶことで、行動ごとの波形データを生成する（図２のステップＳ２）。例えば、図４（ａ）には、サービス内のアプリ起動をした時系列上のタイミングを求めて、時系列上で隣接するタイミング同士を正弦波で結ぶことで、当該サービス内のアプリ起動に関する波形データを生成する例を示し、図４（ｂ）には、サービス内での購買をした時系列上のタイミングを求めて、時系列上で隣接するタイミング同士を正弦波で結ぶことで、当該サービスでの購買に関する波形データを生成する例を示す。また、図５には、生成される波形データの実データイメージを示しており、時系列に沿って、あるタイミングで周波数が変化することが分かる。なお、生成される波形データは、行動の実行頻度、実行周期などの時系列で推移しうる情報を把握するために生成されるため、縦軸の振幅は所定のものに限定されることなく、任意に定めてよい。例えば、図４（ａ）、図４（ｂ）、図５には、最大振幅を一定値に揃えるように正弦波の波形データを生成した例を示す。
　次に、画像生成部１３が、生成された波形データを対象としてパワースペクトル画像化することで、ユーザの行動特徴を表す二次元画像を生成する（図２のステップＳ３）。例えば、図６には、対象ユーザの行動特徴に関連する事象（あるサービス内のアプリ起動）をしたタイミングの波形データ（図５）を対象としてパワースペクトル画像化することで、ユーザの行動特徴を表す二次元画像を生成した例を示す。
　さらに、推定部１４が、学習モデル１４Ａに、ステップＳ３で生成された二次元画像を説明変数として入力することで、目的変数としての所定の指標（ここではサービス満足度に関する指標）を推定する（図２のステップＳ４）。図７には、２つの二次元画像（即ち、１年の間に、サービスのアプリ起動をしたタイミングの波形のパワースペクトル画像、および、１年の間に、サービス内での購買をしたタイミングの波形のパワースペクトル画像）を学習モデル１４Ａに説明変数として入力する例を示しており、目的変数として、サービス満足度に関する指標（例えば、ＮＰＳ（Net　Promoter　Score）＝３）といった推定結果が得られる。なお、推定結果（サービス満足度に関する指標）は、例えば、情報処理装置１０のオペレータによる所定操作により、表示出力され又は印刷出力される。
　以上説明した第１実施形態によれば、ユーザ行動の実行頻度、実行周期などの時系列で推移する情報を表すことのできる波形データを対象としてパワースペクトル画像化することで、ユーザの行動特徴を表す二次元画像を生成する。これにより、従来のテーブルデータ等では得られなかった様々な行動に関する時系列で推移する情報（実行頻度、実行周期等に関する情報）を適切に取得することができる。このような情報は、機械学習における説明変数として利用することができ、例えば、ユーザにとってのサービス満足度などの中長期的に形成される指標（即時又は短期的に決まるものではない指標）を機械学習により予測する際に非常に有効である。これに伴い、サービス満足度などの中長期的に形成される指標を精度良く推定して、適切なサービスの改善方針等を早期に立てることができる。
　また、従来のテーブルデータ等を用いる場合と比較すると、例えばテーブルデータでは逐一作成していた、(a)ある月の利用回数、(b)翌月の利用回数、(c)翌々月の利用回数、といった時系列的な情報を１つの特徴量（機械学習における説明変数）で表すことができ、生成された二次元画像の類似性等から全体的な傾向を踏まえた機械学習が可能となる。また、従来のテーブルデータ等を用いる場合とは異なり、データ取得の周期を事前に定めることなく、特徴量（機械学習における説明変数）を求めることができるという利点もある。
　（第２実施形態）
　以下、第２実施形態として、生成された複数の波形データのうち、関連する波形データをまとめる処理をさらに実施する実施形態を説明する。
　第２実施形態における情報処理装置１０の構成は、第１実施形態における情報処理装置１０の構成（図１）と同様であるため、重複した説明は省略する。ただし、波形データ生成部１２は、対象ユーザの行動ごとの波形データを生成した後、相互に関連する行動の波形データ（関連する波形データ）が存在する場合に、関連する波形データをまとめる（例えば、掛け合わせ、足し合わせ等）機能を有する。また、画像生成部１３は、第１実施形態のように単体の波形データを対象とするパワースペクトル画像化に加え、波形データ生成部１２によりまとめられた波形データを対象としてパワースペクトル画像化することで、ユーザの行動特徴を表す二次元画像を生成する機能を有する。
　次に、図８のフロー図に沿って、図９～図１１を参照しながら、情報処理装置１０において実行される処理を説明する。
　まず、行動データ取得部１１が、第１実施形態と同様に、外部装置（例えば図３に示すユーザの携帯端末２０等）から、様々なユーザの行動に関する行動の種類および実行時間情報を含む行動データを取得し、取得されたユーザごとの行動データを行動データベース１１Ａに保存する（図８のステップＳ１１）。
　次に、波形データ生成部１２が、対象とするユーザ（対象ユーザ）の行動データから、対象ユーザの行動特徴に関連する事象（ここでは、サービス内のアプリ起動、サービス内での購買など）の時系列上のタイミングを求めて、時系列上で隣接するタイミング同士を所定の波形（ここでは正弦波）で結ぶことで、行動ごとの波形データを生成する（図８のステップＳ１２）。例えば、図９には、サービス内でＡジャンルの商品を購入したタイミングの波形データと、同サービス内でＢジャンルの商品を購入したタイミングの波形データとが、生成された例を示す。
　さらにステップＳ１２において、波形データ生成部１２は、相互に関連する行動の波形データ（関連する波形データ）が存在するか否かを判断し、関連する波形データが有れば、関連する波形データをまとめる（例えば、掛け合わせ、足し合わせ等を行う：図８のステップＳ１３）。図９には、サービス内でＡジャンルの商品を購入したタイミングの波形データと、同サービス内でＢジャンルの商品を購入したタイミングの波形データとが、関連する波形データだと判断され、これらの波形データがまとめられて、図９下段の合成波形が生成された例を示す。
　そして、波形データ生成部１２は、まとめた波形データ又は単体の波形データを対象としてパワースペクトル画像化することで、ユーザの行動特徴を表す二次元画像を生成する（図８のステップＳ１４）。図１０には、ステップＳ１３でまとめた波形データ（合成波形データ）を対象としてパワースペクトル画像化することで、ユーザの行動特徴を表す二次元画像を生成した例を示す。
　さらに、推定部１４が、第１実施形態と同様に、学習モデル１４Ａに、ステップＳ１４で生成された二次元画像を説明変数として入力することで、所定の指標（ここではサービス満足度に関する指標）を推定する（図８のステップＳ１５）。図１１には、２つの二次元画像（即ち、１年間の、ジャンル別購買の合成波形のパワースペクトル画像、および、１年の間に、サービスのアプリ起動をしたタイミングの波形のパワースペクトル画像）を学習モデル１４Ａに説明変数として入力する例を示しており、目的変数として、サービス満足度に関する指標（例えば、ＮＰＳ（Net　Promoter　Score）＝３）といった推定結果が得られる。なお、推定結果（サービス満足度に関する指標）は、例えば、情報処理装置１０のオペレータによる所定操作により、表示出力され又は印刷出力される。
　以上説明した第２実施形態によれば、第１実施形態で述べた効果に加え、相互に関連する行動の波形データをまとめる（例えば、掛け合わせ、足し合わせ等を行う）ことで合成波形を生成し、合成波形をパワースペクトル画像化することで二次元画像を生成し、得られた二次元画像（即ち、行動同士の関連性・相互作用などを含んだ情報量の豊富な情報）を、サービス満足度推定のための学習モデルに入力する説明変数として活用できる。これにより、十分な情報量の有る説明変数を用いて、サービス満足度をより精度良く推定することができる。
　なお、第１、第２実施形態では、「ユーザの行動」として、ユーザによるサービスの利用に関する行動を、中長期的に決められる「指標」として、ユーザのサービス満足度に関する指標を、それぞれ一例として説明したが、「ユーザの行動」および「指標」はこれらに限定されるものではない。推定対象となる「指標」としては、ユーザのサービス満足度に関する指標以外に、ユーザのサービスの継続意向に関する指標など、サービスの利用に関する予兆的な指標に広く適用することができる。また、波形データは、例示した正弦波以外に、余弦波、三角波を採用してもよい。また、パワースペクトル画像化としては、連続フーリエ変換、ウェーブレット変換といった処理を採用しうる。
　なお、本開示の要旨は以下の［１］～［４］に存する。
［１］　取得されたユーザの行動に関する行動の種類および実行時間情報を含む行動データから、ユーザの行動特徴に関連する事象の時系列上のタイミングを求めて、時系列上で隣接するタイミング同士を所定の波形で結ぶことで、行動ごとの波形データを生成する波形データ生成部と、
　生成された波形データを対象としてパワースペクトル画像化することで、ユーザの行動特徴を表す二次元画像を生成する画像生成部と、
　を備える情報処理装置。
［２］　前記波形データ生成部は、相互に関連する複数の行動の種類それぞれの波形データを生成し、得られた複数の波形データを所定の方法でまとめることで、前記複数の行動に関する一の波形データを生成する、
　［１］に記載の情報処理装置。
［３］　ユーザの行動特徴情報を説明変数とし、予め定められた指標を目的変数とする学習モデルに、前記画像生成部により生成された前記ユーザの行動特徴を表す二次元画像を説明変数として入力することで、前記指標を推定する推定部、
　をさらに備える［１］又は［２］に記載の情報処理装置。
［４］　前記行動は、対象とするサービスの利用に関する行動であり、
　前記推定部は、前記画像生成部により生成された前記ユーザの前記サービスの利用に関する行動特徴を表す二次元画像を説明変数として用いることで、前記ユーザの前記サービスの利用に関する指標を推定する、
　［３］に記載の情報処理装置。
［５］　前記所定の波形は、正弦波、余弦波、三角波の少なくとも１つを含む、
　［１］～［４］の何れか一項に記載の情報処理装置。
［６］　前記パワースペクトル画像化は、連続フーリエ変換およびウェーブレット変換の少なくとも１つを含む、
　［１］～［５］の何れか一項に記載の情報処理装置。
　（用語の説明、ハードウェア構成（図１２）の説明など）
　なお、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、本実施形態における情報処理装置１０は、本開示の処理を実行するコンピュータとして機能してもよい。図１２は、情報処理装置１０のハードウェア構成の一例を示す図である。上述の情報処理装置１０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。情報処理装置１０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。
　情報処理装置１０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。
　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。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無線通信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。
　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。
　また、情報処理装置１０は、マイクロプロセッサ、デジタル信号プロセッサ（ＤＳＰ：Digital　Signal　Processor）、ＡＳＩＣ（Application　Specific　Integrated　Circuit）、ＰＬＤ（Programmable　Logic　Device）、ＦＰＧＡ（Field　Programmable　Gate　Array）などのハードウェアを含んで構成されてもよく、当該ハードウェアにより、各機能ブロックの一部又は全てが実現されてもよい。例えば、プロセッサ１００１は、これらのハードウェアの少なくとも１つを用いて実装されてもよい。
　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／実施形態は、ＬＴＥ（Long　Term　Evolution）、ＬＴＥ－Ａ（LTE-Advanced）、ＳＵＰＥＲ　３Ｇ、ＩＭＴ－Ａｄｖａｎｃｅｄ、４Ｇ（4th　generation　mobile　communication　system）、５Ｇ（5th　generation　mobile　communication　system）、6th　generation　mobile　communication　system（６Ｇ）、xth　generation　mobile　communication　system（ｘＧ）（ｘＧ（ｘは、例えば整数、小数））、ＦＲＡ（Future　Radio　Access）、ＮＲ（new　Radio）、New　radio　access（ＮＸ）、Future　generation　radio　access（ＦＸ）、Ｗ－ＣＤＭＡ（登録商標）、ＧＳＭ（登録商標）、ＣＤＭＡ２０００、ＵＭＢ（Ultra　Mobile　Broadband）、ＩＥＥＥ　８０２．１１（Ｗｉ－Ｆｉ（登録商標））、ＩＥＥＥ　８０２．１６（ＷｉＭＡＸ（登録商標））、ＩＥＥＥ　８０２．２０、ＵＷＢ（Ultra-WideBand）、Ｂｌｕｅｔｏｏｔｈ（登録商標）、その他の適切なシステムを利用するシステム及びこれらに基づいて拡張、修正、作成、規定された次世代システムの少なくとも一つに適用されてもよい。また、複数のシステムが組み合わされて（例えば、ＬＴＥ及びＬＴＥ－Ａの少なくとも一方と５Ｇとの組み合わせ等）適用されてもよい。
　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。例えば、通信チャネル及びシンボルの少なくとも一方は信号（シグナリング）であってもよい。また、信号はメッセージであってもよい。また、コンポーネントキャリア（ＣＣ：Component　Carrier）は、キャリア周波数、セル、周波数キャリアなどと呼ばれてもよい。
　本開示において使用する「システム」及び「ネットワーク」という用語は、互換的に使用される。
　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。様々な通信チャネル（例えば、ＰＵＣＣＨ、ＰＤＣＣＨなど）及び情報要素は、あらゆる好適な名称によって識別できるので、これらの様々な通信チャネル及び情報要素に割り当てている様々な名称は、いかなる点においても限定的な名称ではない。
　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。
　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。
　１０…情報処理装置、１１…行動データ取得部、１１Ａ…行動データベース、１２…波形データ生成部、１３…画像生成部、１４…推定部、１４Ａ…学習モデル、２０…携帯端末、１００１…プロセッサ、１００２…メモリ、１００３…ストレージ、１００４…通信装置、１００５…入力装置、１００６…出力装置、１００７…バス。

Claims (6)

  1. 　取得されたユーザの行動に関する行動の種類および実行時間情報を含む行動データから、ユーザの行動特徴に関連する事象の時系列上のタイミングを求めて、時系列上で隣接するタイミング同士を所定の波形で結ぶことで、行動ごとの波形データを生成する波形データ生成部と、
    　生成された波形データを対象としてパワースペクトル画像化することで、ユーザの行動特徴を表す二次元画像を生成する画像生成部と、
    　を備える情報処理装置。
  2. 　前記波形データ生成部は、相互に関連する複数の行動の種類それぞれの波形データを生成し、得られた複数の波形データを所定の方法でまとめることで、前記複数の行動に関する一の波形データを生成する、
    　請求項１に記載の情報処理装置。
  3. 　ユーザの行動特徴情報を説明変数とし、予め定められた指標を目的変数とする学習モデルに、前記画像生成部により生成された前記ユーザの行動特徴を表す二次元画像を説明変数として入力することで、前記指標を推定する推定部、
    　をさらに備える請求項１に記載の情報処理装置。
  4. 　前記行動は、対象とするサービスの利用に関する行動であり、
    　前記推定部は、前記画像生成部により生成された前記ユーザの前記サービスの利用に関する行動特徴を表す二次元画像を説明変数として用いることで、前記ユーザの前記サービスの利用に関する指標を推定する、
    　請求項３に記載の情報処理装置。
  5. 　前記所定の波形は、正弦波、余弦波、三角波の少なくとも１つを含む、
    　請求項１に記載の情報処理装置。
  6. 　前記パワースペクトル画像化は、連続フーリエ変換およびウェーブレット変換の少なくとも１つを含む、
    　請求項１に記載の情報処理装置。
PCT/JP2023/026391 2022-10-27 2023-07-19 情報処理装置 WO2024089954A1 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2022172224 2022-10-27
JP2022-172224 2022-10-27

Publications (1)

Publication Number Publication Date
WO2024089954A1 true WO2024089954A1 (ja) 2024-05-02

Family

ID=90830434

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2023/026391 WO2024089954A1 (ja) 2022-10-27 2023-07-19 情報処理装置

Country Status (1)

Country Link
WO (1) WO2024089954A1 (ja)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005141708A (ja) * 2003-11-05 2005-06-02 Yoji Mukuda 需要予測プログラム、当該需要予測プログラムを記録したコンピュータ読み取り可能な記録媒体、及び需要予測装置
JP2006048319A (ja) * 2004-08-04 2006-02-16 Sony Corp 情報処理装置および方法、記録媒体、並びにプログラム
US20170345005A1 (en) * 2009-05-04 2017-11-30 Patrick Faith Pre-authorization of a transaction using predictive modeling

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005141708A (ja) * 2003-11-05 2005-06-02 Yoji Mukuda 需要予測プログラム、当該需要予測プログラムを記録したコンピュータ読み取り可能な記録媒体、及び需要予測装置
JP2006048319A (ja) * 2004-08-04 2006-02-16 Sony Corp 情報処理装置および方法、記録媒体、並びにプログラム
US20170345005A1 (en) * 2009-05-04 2017-11-30 Patrick Faith Pre-authorization of a transaction using predictive modeling

Similar Documents

Publication Publication Date Title
JP7542540B2 (ja) 需要予測装置
WO2020230658A1 (ja) 特徴抽出装置及び状態推定システム
JP7455069B2 (ja) 人口分布集計装置
US20220301004A1 (en) Click rate prediction model construction device
WO2024089954A1 (ja) 情報処理装置
JP7061201B2 (ja) 情報処理装置及びヒント提供方法
US11716508B2 (en) Information processing apparatus, server apparatus, and information processing system
US9998341B2 (en) Method of constructing data collector, server performing the same and storage medium for the same
JP2021039518A (ja) 行動変容促進装置
WO2021251187A1 (ja) 予測装置
CN113568803B (zh) 用于监控存储系统的方法、电子设备和计算机程序产品
JP2019105942A (ja) コンテンツの提示順位を制御する装置、方法、及び、プログラム
JP6775055B2 (ja) リスク推定装置
JP7548912B2 (ja) リランキング装置
JP6705038B1 (ja) 行動支援装置
WO2019187463A1 (ja) 対話サーバ
WO2024105981A1 (ja) レコメンド評価装置
WO2021251188A1 (ja) 推奨情報提供装置
WO2024180837A1 (ja) 情報処理装置
WO2024214368A1 (ja) 最適化装置及び推論器生成装置
WO2024210097A1 (ja) レコメンド配信サーバ
JP7551912B2 (ja) 判定装置
CN108459940A (zh) 应用性能管理系统的配置信息修改方法、装置及电子设备
JP2024066815A (ja) 管理装置
WO2024202259A1 (ja) モデル生成システム

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: 23882171

Country of ref document: EP

Kind code of ref document: A1