特許 5984144 情報処理装置、情報処理方法、及び、プログラム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】5984144

(24)【登録日】2016年8月12日

(45)【発行日】2016年9月6日

(54)【発明の名称】情報処理装置、情報処理方法、及び、プログラム

(51)【国際特許分類】

   G06Q 30/02 20120101AFI20160823BHJP

【ＦＩ】

   G06Q30/02 312

【請求項の数】12

【全頁数】19

(21)【出願番号】特願2013-246269(P2013-246269)

(22)【出願日】2013年11月28日

(65)【公開番号】特開2015-106164(P2015-106164A)

(43)【公開日】2015年6月8日

【審査請求日】2015年11月27日

【早期審査対象出願】

(73)【特許権者】

【識別番号】390009531

【氏名又は名称】インターナショナル・ビジネス・マシーンズ・コーポレーション

【氏名又は名称原語表記】ＩＮＴＥＲＮＡＴＩＯＮＡＬ ＢＵＳＩＮＥＳＳ ＭＡＣＨＩＮＥＳ ＣＯＲＰＯＲＡＴＩＯＮ

(74)【代理人】

【識別番号】100108501

【弁理士】

【氏名又は名称】上野 剛史

(74)【代理人】

【識別番号】100112690

【弁理士】

【氏名又は名称】太佐 種一

(72)【発明者】

【氏名】高橋 力矢

(72)【発明者】

【氏名】水田 秀行

【審査官】 関 博文

(56)【参考文献】

【文献】 特開２００４−２５８７９６（ＪＰ，Ａ）

【文献】 特開２００８−２９９６８４（ＪＰ，Ａ）

【文献】 特表２０１１−５１６９４７（ＪＰ，Ａ）

【文献】 斎 礼 外４名，通販業における需要予測支援のためのエキスパートシステムの開発と評価，電気学会論文誌Ｃ，日本，社団法人電気学会，１９９８年 ２月 １日，Ｖｏｌ．１１８−Ｃ Ｎｏ．２，ｐｐ．２４２−２４８

【文献】 古川 一郎 外２名，マーケティング・サイエンス入門，日本，株式会社有斐閣 江草 貞治，２０１１年 ４月２５日，第２版，ｐｐ．２９８−３００

(58)【調査した分野】（Int.Cl.，ＤＢ名）

Ｇ０６Ｑ １０／００−９９／００

(57)【特許請求の範囲】

【請求項1】

個体に対して与えられたイベント系列に対する個体の反応を示す反応系列の履歴データに基づいて、個体自身に対するイベントに応じた個体の反応を予測する第１回帰モデルを生成する第１モデル生成部と、
イベント系列に対する個体の反応を示す反応系列の履歴データと、前記第１回帰モデルにより予測した反応系列の予測データとの差分に基づき、当該個体における他の個体からの影響に応じた反応成分である影響成分系列を算出する影響算出部と、
を備える情報処理装置。

【請求項2】

前記影響算出部は、前記イベント系列に対する個体の反応を示す反応系列を平滑化したデータと、前記第１回帰モデルにより予測した反応系列の予測データとの差分に基づき、前記影響成分系列を算出する請求項１に記載の情報処理装置。

【請求項3】

複数の個体のそれぞれについて算出した前記影響成分系列に基づいて、前記複数の個体間の影響関係を検出する関係検出部を更に備える請求項１または２に記載の情報処理装置。

【請求項4】

前記関係検出部は、前記複数の個体について算出した複数の影響成分系列に基づいて、前記複数の個体を２以上のグループに分類する請求項３に記載の情報処理装置。

【請求項5】

前記関係検出部は、前記複数の影響成分系列のそれぞれの間の類似度に基づいて、前記複数の個体を２以上のグループに分類する請求項４に記載の情報処理装置。

【請求項6】

前記関係検出部は、前記複数の個体について算出した複数の影響成分系列のそれぞれの間の類似度に基づいて、各個体と当該個体に対して影響成分系列の類似度が高い順に選択した２以上の他の個体とをグループとして分類する請求項４に記載の情報処理装置。

【請求項7】

前記関係検出部は、各個体と当該個体に対して影響成分系列の類似度が高い順に選択した予め定められた数の他の個体とをグループとして分類する請求項６に記載の情報処理装置。

【請求項8】

前記グループに含まれる個体について、個体自身に対するイベント系列と、グループ内の各個体の反応数または反応量の合計値の系列とに応じた個体の反応を予測する第２回帰モデルを生成する第２モデル生成部を更に備える請求項４から７のいずれか一項に記載の情報処理装置。

【請求項9】

前記第１モデル生成部は、消費者に対して与えられたイベント系列に対する消費者の購買情報を示す反応系列の履歴データに基づいて前記第１回帰モデルを生成し、
前記第２モデル生成部は、前記グループに含まれる消費者について、消費者自身に対するイベント系列と、前記グループにおける購買量または購買額の合計値の系列とに応じた消費者の反応を予測する前記第２回帰モデルを生成する
請求項８に記載の情報処理装置。

【請求項10】

分類した複数の前記グループのうち、他の個体からの影響度が他のグループと比較してより高いグループを抽出するグループ抽出部を更に備える請求項４から９のいずれか一項に記載の情報処理装置。

【請求項11】

コンピュータにより実行される情報処理方法であって、
個体に対して与えられたイベント系列に対する個体の反応を示す反応系列の履歴データに基づいて、個体自身に対するイベントに応じた個体の反応を予測する第１回帰モデルを生成する第１モデル生成段階と、
イベント系列に対する個体の反応を示す反応系列の履歴データと、前記第１回帰モデルにより予測した反応系列の予測データとの差分に基づき、当該個体における他の個体からの影響に応じた反応成分である影響成分系列を算出する影響算出段階と、
を備える情報処理方法。

【請求項12】

コンピュータに実行されると、当該コンピュータを、
個体に対して与えられたイベント系列に対する個体の反応を示す反応系列の履歴データに基づいて、個体自身に対するイベントに応じた個体の反応を予測する第１回帰モデルを生成する第１モデル生成部と、
イベント系列に対する個体の反応を示す反応系列の履歴データと、前記第１回帰モデルにより予測した反応系列の予測データとの差分に基づき、当該個体における他の個体からの影響に応じた反応成分である影響成分系列を算出する影響算出部と、
して機能させるプログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、情報処理装置、情報処理方法、及び、プログラムに関する。

【背景技術】

【0002】

消費者の購買行動にはクチコミが影響することが知られていた（例えば、非特許文献１参照）。また、消費者に対して発生する複数のイベント間の依存性をモデル化する方法が知られている（例えば、非特許文献２及び３参照）。
［非特許文献１］ J. Berger et al., "What Do People Talk About? Drivers of Immediate and Ongoing Word-of-Mouth", Journal of Marketing Research, vol.48, no.5, pp.869-880, 2011.
［非特許文献２］ S. Rajaram et al., "Poisson-networks: A model for structured point processes," in Proceedings of the 10th International Workshop on Artificial Intelligence and Statistics (AISTATS 2005), 2005.
［非特許文献３］ A. Gunawardana et al., "A model for temporal dependencies in event streams," in Advances in Neural Information Processing Systems 24, J. Shawe-Taylor, R. Zemel, P. Bartlett, F. Pereira, and K. Weinberger, Eds., 2011, pp. 1962-1970.

【発明の概要】

【発明が解決しようとする課題】

【0003】

しかし、非特許文献２及び３等の方法を用いて、多数の消費者間の依存関係によりクチコミの消費行動への影響をモデル化しようとすると、消費者数の二乗に比例する非常に多数のパラメータが必要となり、現実的に許容可能な計算時間及び予測精度が得られない。

【課題を解決するための手段】

【0004】

本発明の第１の態様においては、複数のアイテムの中からユーザに推奨するアイテムの組を選択する情報処理装置であって、複数のアイテムのそれぞれについて、アイテム自体のスコアが高い場合に高く、他に選択されるアイテムに対する類似度が高い場合に低くなる優先度を算出し、優先度に基づいて、複数のアイテムの中からアイテムの組を選択する選択部と、選択したアイテムの組に含まれる各アイテムを、ユーザに提示すべきアイテムとして出力する出力部と、を備える情報処理装置、当該情報処理装置により実行される情報処理方法、及び、当該情報処理装置に用いられるプログラムを提供する。

【0005】

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

【図面の簡単な説明】

【0006】

【図1】本実施形態の情報処理装置１０の構成を示す。

【図2】本実施形態の情報処理装置１０の処理フローを示す。

【図3】本実施形態のＳ１１０における処理フローを示す。

【図4】本実施形態のＳ１２０における処理フローを示す。

【図5】本実施形態のＳ１４０における処理フローを示す。

【図6】本実施形態のイベント系列及び反応系列の一例を示す。

【図7】本実施形態の第１回帰モデルにより予測される予測データを示す。

【図8】本実施形態の影響成分系列の一例を示す。

【図9】本実施形態における影響成分系列のパターンの一例を示す。

【図10】本実施形態におけるグループ分けの一例を示す。

【図11】本実施形態におけるグループ反応系列の一例を示す。

【図12】本実施形態における個体重みベクトル及びグループ重みベクトルを示す。

【図13】本実施形態の変形例における情報処理装置１０の処理フローを示す。

【図14】本変形例のＳ２４０における処理フローを示す。

【図15】本変形例におけるグループ生成の一例を示す。

【図16】コンピュータ１９００のハードウェア構成の一例を示す。

【発明を実施するための形態】

【0007】

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

【0008】

図１は、本実施形態の情報処理装置１０の構成を示す。情報処理装置１０は、個体に対して与えられたイベント系列及び当該イベント系列に対する反応系列から、クチコミ等の他の個体からの影響を反映した個体の反応の回帰モデルを生成する。情報処理装置１０は、履歴取得部１０２、第１モデル生成部１０４、影響算出部１０６、関係検出部１０８、第２モデル生成部１１０、及び、グループ抽出部１１２を備える。

【0009】

履歴取得部１０２は、個体に対して与えられたイベント系列、及び、当該イベント系列に対する個体の反応を示す反応系列の履歴データを取得する。履歴取得部１０２は、取得したイベント系列及び反応系列の履歴データを第１モデル生成部１０４、影響算出部１０６、及び、第２モデル生成部１１０に供給する。

【0010】

第１モデル生成部１０４は、イベント系列、及び、当該イベント系列に対する反応系列の履歴データに基づいて、個体自身に対するイベントに応じた個体の反応を予測する第１回帰モデルを学習等により生成する。第１モデル生成部１０４は、第１回帰モデルを影響算出部１０６に供給する。

【0011】

影響算出部１０６は、イベント系列の履歴データ及び第１回帰モデルから反応系列の予測データを生成し、反応系列の履歴データと、第１回帰モデル等により生成した予測データとの差分に基づき、当該個体における他の個体からの影響に応じた反応成分である影響成分系列を算出する。影響成分系列は、イベント系列を第１回帰モデルに適用して説明できない反応系列の成分であり、本実施形態の情報処理装置１０はこれをクチコミ等の他の個体からの影響により生じた成分と仮定する。影響算出部１０６は、影響成分系列を関係検出部１０８に供給する。

【0012】

関係検出部１０８は、複数の個体のそれぞれについて算出した影響成分系列に基づいて、複数の個体間の影響関係を検出する。例えば、クチコミ等の他の個体からの影響が類似する個体同士はクチコミが流通する単一のグループに属するであろうという仮定に基づき、関係検出部１０８は、影響成分系列に基づいて、影響成分系列が類似する個体同士を集めることにより、複数の個体を２以上のグループに分類する。

【0013】

関係検出部１０８は、影響成分系列及び複数の個体をグループ分けした結果をグループ抽出部１１２に供給する。また、関係検出部１０８は、複数の個体をグループ分けした結果を第２モデル生成部１１０に供給する。

【0014】

第２モデル生成部１１０は、グループ分けの結果に基づき、グループごとにグループに応じた統計量のグループ反応系列を生成し、グループに含まれる個体について、個体自身に対するイベント系列と、当該グループ反応系列とに応じた個体の反応を予測する第２回帰モデルを生成する。

【0015】

グループ抽出部１１２は、関係検出部１０８が分類した複数のグループのうち、他の個体からの影響度が他のグループと比較してより高いグループを抽出する。

【0016】

このように本実施形態の情報処理装置１０は、イベント系列から生成される第１回帰モデルにより予想される結果と実際の結果との誤差である影響成分系列を導出し、影響成分系列に基づいて個体をグループ分けし、グループごとのグループ反応系列を反映した第２回帰モデルを生成する。そして、情報処理装置１０は、第２回帰モデルに基づいて個体の反応を予測することで、個体数の二乗に応じた多数のパラメータを設定することなくクチコミ等の他の個体からの影響を反映したモデルを生成できる。

【0017】

図２は、本実施形態の情報処理装置１０の処理フローを示す。本実施形態において、情報処理装置１０は、Ｓ１００からＳ１５０までの処理を実行することにより、第２回帰モデルを生成し、クチコミの影響が大きいグループを抽出する。

【0018】

まず、Ｓ１００において、履歴取得部１０２は、個体に対して与えられたイベント系列、及び、当該イベント系列に対する個体の反応を示す反応系列の履歴データを取得する。例えば、履歴取得部１０２は、データベース等から、イベント系列の履歴データとして、消費者に対して過去に与えられた商品の広告、メール配信、及び／又は、消費者のウェブ閲覧履歴等の時系列データを取得してよい。

【0019】

また、履歴取得部１０２は、反応系列の履歴データとして、イベント系列に対する個体の反応数及び／又は反応量の時系列データを取得してよい。例えば、履歴取得部１０２は、反応系列の履歴データとして、データベース等から、消費者の購買情報を示す情報（一例として、商品の購買回数、購買量及び／又は購買金額、並びに、購買日時等）の時系列データを取得してよい。

【0020】

ここで、履歴取得部１０２は、イベント系列の履歴データの少なくとも一部として、反応系列の少なくとも一部の履歴データを含めてよい。履歴取得部１０２は、取得したイベント系列及び反応系列の履歴データを第１モデル生成部１０４、影響算出部１０６、及び、第２モデル生成部１１０に供給する。

【0021】

次に、Ｓ１１０において、第１モデル生成部１０４が、イベント系列及び反応系列の履歴データに基づいて、個体自身に対するイベントに応じた個体の反応を予測する第１回帰モデルを生成する。第１モデル生成部１０４は、イベント系列の少なくとも一部が反応系列を含む場合、第１回帰モデルとして自己回帰モデルを生成してよい。第１モデル生成部１０４は、個体自身へ入力される入力イベント（及び／又は個体が出力する反応イベント）のみを説明変数として用いて第１回帰モデルを生成する。第１モデル生成部１０４は、生成した第１回帰モデルを影響算出部１０６に供給する。なお、Ｓ１１０の具体的な処理内容は後に説明する。

【0022】

次に、Ｓ１２０において、影響算出部１０６は、影響成分系列を算出する。例えば、まず影響算出部１０６は、複数の個体について、イベント系列の履歴データ及び第１回帰モデルから反応系列の予測データを生成する。次に、影響算出部１０６は、履歴データにおける反応系列を予め定められた時間間隔を有する複数の期間により平滑化したデータと、第１回帰モデル等により生成した反応系列の予測データとの差分に基づき、個体における他の個体からの影響に応じた反応成分である影響成分系列を、複数の個体について算出する。

【0023】

一例として、影響算出部１０６は、履歴データの時系列及び第１回帰モデルによる予測データの時系列における、予め定められた間隔（例えば、１日、１週間、又は、１ヶ月）あたりの反応数（例えば、購買回数）又は反応量（例えば、購買金額）の差分の時系列を、影響成分系列として算出してよい。なお、Ｓ１２０の具体的な処理内容は後に説明する。

【0024】

次に、Ｓ１３０において、関係検出部１０８は、複数の影響成分系列のそれぞれの間の類似度に基づいて、複数の個体を２以上のグループに分類する。例えば、関係検出部１０８は、ｍ平均法等を用いて、影響成分系列から形成されるベクトル同士の距離が近い個体同士が同一のグループに属するように、複数の個体を複数のグループにクラスタリングする。

【0025】

影響成分系列は、イベント系列を第１回帰モデルに当てはめて説明できない反応系列の成分の系列である。これは、個体の反応系列が、広告配信等に対応するイベント系列及び自己の購買行動に対応する反応系列自体のみでなく、クチコミ等の他の個体からの入力系列により生じるためと考えられる。

【0026】

ここで、影響成分系列が類似する、即ち、影響成分系列のベクトルの距離が近い複数の個体には、類似するクチコミ等の入力系列が生じていると考えられる。例えば、対象期間の前半で影響成分系列の成分が大きくなり、対象期間の後半で影響成分系列の成分が小さくなる複数の個体は、いずれも比較的早い時期にクチコミから大きな影響を受けて購買行動を活発化し、対象期間の後半ではクチコミの影響をあまり受けないと考えられる。このような複数の個体は、例えば、流行に比較的敏感な単一のグループに属すると便宜的に仮定できる。

【0027】

また、例えば、対象期間の前半で影響成分系列の成分が小さく、対象期間の後半で影響成分系列の成分が大きくなる複数の個体は、いずれも早い時期にはクチコミの影響を受けずに購買行動を行い、対象期間の後半ではクチコミの影響を大きく受けると考えられる。このような複数の個体は、例えば、流行に比較的鈍感な単一のグループに属すると便宜的に仮定できる。

【0028】

従って、関係検出部１０８は、影響成分系列に基づいて複数の個体をグループ分けすることで、複数の個体をクチコミに対する影響のパターンごとに分類する。関係検出部１０８は、影響成分系列及び複数の個体をグループ分けした結果をグループ抽出部１１２に供給する。また、関係検出部１０８は、複数の個体をグループ分けした結果を第２モデル生成部１１０に供給する。

【0029】

次に、Ｓ１４０において、第２モデル生成部１１０は、グループに含まれる個体について、個体自身に対するイベント系列及び当該個体の属するグループのグループ反応系列に応じた個体の反応を予測する第２回帰モデルを生成する。すなわち、第２モデル生成部１１０は、個体自身に入力されるイベント（及び／又は個体が出力する反応イベント）に加え、グループ内の他の個体による影響を説明変数に加えた第２回帰モデルを生成する。

【0030】

例えば、第２モデル生成部１１０は、グループ反応系列として、グループ内の各個体の反応数または反応量の合計値の系列を用いて第２回帰モデルを生成してよい。一例として、第２モデル生成部１１０は、グループ反応系列として、グループ内の各個体の反応数の合計値（例えば、グループにおける購買回数の合計値）または反応量の合計値（例えば、グループにおける購買量又は購買額の合計値）の系列を用いて、消費者の反応を予測する第２回帰モデルを生成してよい。

【0031】

また、第２モデル生成部１１０は、個体自身のイベント系列としてＳ１１０において第１モデル生成部１０４が用いたイベント系列を用いて、第２回帰モデルを生成してよい。例えば、第２モデル生成部１１０は、個体自身に対するイベント系列として、グループに含まれる消費者自身に対する商品の広告等の時系列データを用いてよい。なお、Ｓ１４０の具体的な処理内容は後に説明する。

【0032】

次に、Ｓ１５０において、グループ抽出部１１２は、関係検出部１０８が分類した複数のグループのうち、他の個体からの影響度が他のグループと比較してより高いグループを抽出する。例えば、グループ抽出部１１２は、複数のグループのうち、影響成分系列の単一の期間における最大値、又は、影響成分系列の大きさの全期間の合計値が他のグループよりも大きいグループを、他の個体からの影響度が高いグループとして抽出してよい。これにより、グループ抽出部１１２は、クチコミ等の他の個体からの影響が他のグループよりも大きい個体を含むグループを抽出する。

【0033】

図３は、本実施形態のＳ１１０における処理フローを示す。第１モデル生成部１０４は、Ｓ１１２からＳ１１６までの処理を実行することにより、Ｓ１１０の処理を実行する。

【0034】

まず、Ｓ１１２において、第１モデル生成部１０４は、イベント系列の状態ベクトルを生成する。例えば、第１モデル生成部１０４は、イベント系列に係る期間を、予め定められた間隔Δｔ（例えば、１日、１週間、又は、１ヶ月）でｎ個の単位期間Ｔ_１〜ｎに分割し、各単位期間Ｔ_１〜ｎにおけるイベント系列のイベントに対応する状態ベクトルを生成する。第１モデル生成部１０４は、全ての個体に対して、イベント系列に含まれる全単位期間の状態ベクトルを生成してよい。

【0035】

一例として、ある個体ｉに対して、第１週目の期間Ｔ_１においてダイレクトメールが２回送信され、テレビＣＭが１回放送され、その結果、当該個体ｉが第１週に合計１０００円分ある商品を購買した場合、第１モデル生成部１０４は、個体ｉの第１週の状態ベクトルｘ_ｉ１＝（２，１，１０００）を生成してよい。また、個体ｉに対して、第２週目の期間Ｔ_２においてダイレクトメールが２回送信され、テレビＣＭが１回も放送されず、その結果、個体ｉが合計５００円分ある商品を購買した場合、第１モデル生成部１０４は、個体ｉの第２週の状態ベクトルｘ_ｉ２＝（２，０，５００）を生成してよい。

【0036】

次に、Ｓ１１４において、第１モデル生成部１０４は、生成した状態ベクトルを特徴ベクトルに変換する。例えば、第１モデル生成部１０４は、予め設計された任意の写像関数Φ：Ｒ^ｄ１→Ｒ^ｄ２により、状態ベクトルｘ_ｉｊを対応する特徴ベクトルΦ（ｘ_ｉｊ）に変換する。なお、ｄ１は状態ベクトルの次元、ｄ２は特徴ベクトルの次元である。ｄ１及びｄ２は、同一であってよい。

【0037】

一例として、第１モデル生成部１０４は、状態ベクトルｘ_ｉｊに２次の相関項を加えることにより、状態ベクトルｘ_ｉｊを特徴ベクトルΦ（ｘ_ｉｊ）に変換してもよい。一例として、第１モデル生成部１０４は、状態ベクトルｘ_ｉｊの各要素に逓減的な関数（例えば、ｆ（ｘ）＝ｘ／（ｘ＋ａ）。ａは定数）を適用することにより、状態ベクトルｘ_ｉｊを特徴ベクトルΦ（ｘ_ｉｊ）に変換してもよい。これらに代えて、第１モデル生成部１０４は、状態ベクトルｘ_ｉｊを変換せずにそのまま特徴ベクトルΦ（ｘ_ｉｊ）としてもよい。

【0038】

次に、Ｓ１１６において、第１モデル生成部１０４は、確率関数が最大となるように各個体に設定した重みベクトルを最適化する。具体的には、まず、第１モデル生成部１０４は、反応系列の履歴データから、各期間Ｔ_ｊにおける個体ｉの反応した回数である反応数ｙ_ｉｊを取得する。第１モデル生成部１０４は、反応数ｙ_ｉｊに代えて、個体ｉの反応した量を示す反応量ｙ_ｉｊを用いてもよい。以下では、第１モデル生成部１０４が反応数ｙ_ｉｊを用いた場合について説明する。

【0039】

次に、第１モデル生成部１０４は、個体ｉの各期間ｊに対して特徴ベクトルΦ（ｘ_ｉｊ）と重みベクトルｗ_ｉとの内積によるスカラースコアを計算する。次に、第１モデル生成部１０４は、計算されたスカラースコアの指数関数と期間Ｔ_ｊの長さΔｔとの積が期待値となるポアソン分布から反応数ｙ_ｉｊが生成される確率の対数を算出する。最後に、第１モデル生成部１０４は、全ての期間における対数確率の合計が最大化されるように重みベクトルｗ_ｉを最適化する。

【0040】

一例として、第１モデル生成部１０４は、数式１の最適化問題を解くことによって、ｉ＝１〜ｍとなるｍ個の個体のそれぞれに設定される重みベクトルｗ_ｉを最適化する。なお、ｂ_ｉはバイアス項である。すなわち、第１モデル生成部１０４は、複数の個体のそれぞれについてポアソン回帰分析を行う。第１モデル生成部１０４は、数式１を最適化する手法として、最尤推定、ＭＡＰ推定、及び、ベイズ推定等を使用してよい。ここで、第１モデル生成部１０４は、バイアス項ｂ_ｉ及び／又は重みベクトルｗ_ｉとして、個体ｉに依存しないバイアス項ｂ及び／又は重みベクトルｗを用いてもよい。

【数1】

【0041】

ここで、第１モデル生成部１０４は、数式１の確率関数ｌとして、単位時間あたりのイベント発生回数の期待値がスカラースコアの指数関数となるポアソン過程において、対象の期間の間に反応回数のイベントが発生する確率に基づく対数確率質量関数から、更に反応回数に対する正規化項を除去した関数を用いてもよい。第１モデル生成部１０４は、正規化項を除去することにより、時間の不可逆性を考慮した最適化を実行することができる。

【0042】

一例として、第１モデル生成部１０４は、確率関数ｌとして、以下の式に示す関数を用いてよい。

【数2】

ただし、ｙは反応回数、ｚはスカラースコアであり反応回数の期待値に関する対数となる値、τは対象の期間の長さを示す。

【0043】

このように、第１モデル生成部１０４は、複数の個体に対する重みベクトルｗ_ｉを最適化することで、第１回帰モデルを生成する。

【0044】

図４は、本実施形態のＳ１２０における処理フローを示す。影響算出部１０６は、Ｓ１２２からＳ１２６までの処理を実行することにより、Ｓ１２０の処理を実行する。

【0045】

まず、Ｓ１２２において、影響算出部１０６は、複数の個体についてのイベント系列の状態ベクトルを生成する。影響算出部１０６は、Ｓ１１２の処理と同様の方法で、イベント系列に係る期間を、予め定められた間隔Δｔ（例えば、１日、１週間、又は、１ヶ月）でｎ個の単位期間Ｔ_１〜ｎに分割し、各単位期間Ｔ_１〜ｎにおけるイベント系列のイベントに対応する状態ベクトルを生成する。

【0046】

ここで、影響算出部１０６が状態ベクトルの生成に用いるイベント系列は、Ｓ１１２で用いたイベント系列と同一期間における同一イベント系列であってよく、これに代えて、別の期間における別のイベント系列であってもよい。

【0047】

次に、Ｓ１２４において、影響算出部１０６は、個体ｉの複数の単位期間Ｔ_１〜ｎのそれぞれに対応する複数の状態ベクトルｘ_ｉ１〜ｘ_ｉｎから、複数の期間Ｔ_１〜ｎのそれぞれに対応する個体ｉの反応の大きさを示す反応数ｙ_ｉ１〜ｙ_ｉｎ（又は反応量ｙ_ｉ１〜ｙ_ｉｎ。合わせて単に反応数ｙ_ｉ１〜ｙ_ｉｎとする）を推定する。

【0048】

例えば、まず、影響算出部１０６は、Ｓ１１４と同様の方法で、複数の状態ベクトルｘ_ｉｊを複数の特徴ベクトルΦ（ｘ_ｉｊ）に変換する。次に、影響算出部１０６は、ｊ＝１〜ｎとなる複数の期間Ｔ_ｊのそれぞれについて、個体ｉの特徴ベクトルΦ（ｘ_ｉｊ）と第１回帰モデルに含まれる重みベクトルｗ_ｉとの内積により得られるスカラースコアを算出する。影響算出部１０６は、スカラースコアを独立変数とし、ネイピア数を底とする指数関数と時間間隔Δｔとの積から、ｊ＝１〜ｎとなる複数の期間Ｔ_ｊにおける平均反応数（又は平均反応量。合わせて単に平均反応数とする）をそれぞれ算出して反応系列の予測データとする。

【0049】

次に、Ｓ１２６において、影響算出部１０６は、履歴データにおける反応系列と、反応系列の予測データとの差分を生成する。例えば、まず、影響算出部１０６は、履歴データにおける反応系列に係る期間を、間隔Δｔを有するｎ個の期間Ｔ_１〜ｎに分割し、期間Ｔ_１〜ｎにおける反応系列の反応数を算出する。次に、影響算出部１０６は、Ｓ１２４で算出した期間Ｔ_１〜ｎにおける個体ｉの平均反応数と期間Ｔ_１〜ｎにおける個体ｉの反応系列の反応数との差分を算出することで、個体ｉの期間Ｔ_１〜ｎにおける影響成分系列を算出する。

【0050】

図５は、本実施形態のＳ１４０における処理フローを示す。第２モデル生成部１１０は、Ｓ１４２からＳ１４６までの処理を実行することにより、Ｓ１４０の処理を実行する。

【0051】

まず、Ｓ１４２において、第２モデル生成部１１０は、グループ反応系列を生成する。例えば、第２モデル生成部１１０は、Ｓ１３０で生成されたｐ個のグループについて、グループ内の個体の反応数及び／又は反応量の合計値を算出する。一例として、第２モデル生成部１１０は、期間Ｔ_ｊにおけるグループｃの反応数等の合計値を表すグループ状態ベクトルｚ_ｃｊを、ｊ＝１〜ｎの全期間について算出する。

【0052】

また、第２モデル生成部１１０は、個体ごとのイベント系列の状態ベクトルを生成する。第２モデル生成部１１０は、Ｓ１１２の処理と同様の処理により、個体ごとのイベント系列の状態ベクトルを生成してよい。

【0053】

次に、Ｓ１４４において、第２モデル生成部１１０は、グループ状態ベクトルｚ_ｃｊからグループ特徴ベクトルΨ（ｚ_ｃｊ）を算出する。第２モデル生成部１１０は、Ｓ１１４と同様の手法により、写像関数を用いてグループ特徴ベクトルΨ（ｚ_ｃｊ）を算出してよい。また、第２モデル生成部１１０は、Ｓ１１４と同様の方法で、個体ごとの状態ベクトルｘ_ｉｊから複数の個体の特徴ベクトルΦ（ｘ_ｉｊ）を生成する。

【0054】

次に、Ｓ１４６において、第２モデル生成部１１０は、確率関数が最大となるように各グループに設定したグループ重みベクトルを最適化する。具体的には、まず、第２モデル生成部１１０は、Ｓ１１６の処理と同様に、反応系列の履歴データから、各期間Ｔ_ｊにおける個体ｉの実際の反応数ｙ_ｉｊを取得する。

【0055】

次に、Ｓ１４６において、第２モデル生成部１１０は、確率関数が最大となるように各グループに設定した個体重みベクトルｗ_ｃ［ｉ］及びグループ重みベクトルθ_{ｃ［ｉ］ｃ'}を最適化する。ここで、個体重みベクトルｗ_ｃ［ｉ］は、個体ｉが属するグループｃ［ｉ］に属する個体に共通するベクトルである。また、グループ重みベクトルθ_{ｃ［ｉ］ｃ'}は、個体ｉが属するグループｃ［ｉ］がグループｃ'のグループ反応系列から影響を受ける度合いを示すベクトルであってよい。なお、グループｃ'は、グループｃ［ｉ］と同一のグループが含まれてよい。

【0056】

次に、第２モデル生成部１１０は、期間ｊに対して、個体ｉの属するグループｃ［ｉ］の個体重みベクトルｗ_ｃ［ｉ］と特徴ベクトルΦ（ｘ_ｉｊ）との内積による第１スカラースコアを計算する。また、期間ｊに対して、個体ｉの属するグループｃ［ｉ］及びグループｃ'のグループ重みベクトルθ_{ｃ［ｉ］ｃ'}と、グループｃ'のグループ反応系列から生成されたグループ特徴ベクトルΨ（ｚ_ｃ'ｊ）との内積による第２スカラースコアを、ｐ個のグループｃ'に対して生成して合算する。

【0057】

次に、第２モデル生成部１１０は、計算された第１スカラースコア及び第２スカラースコアの和の指数関数と期間Ｔ_ｊの時間間隔Δｔとの積が期待値となるポアソン分布から反応数ｙ_ｉｊが生成される確率の対数を算出する。最後に、第２モデル生成部１１０は、全ての期間における対数確率の合計が最大化されるように個体重みベクトルｗ_ｃ［ｉ］、及び、グループ重みベクトルθ_{ｃ［ｉ］ｃ'}を最適化する。

【0058】

一例として、第２モデル生成部１１０は、数式３の最適化問題を解くことによって、ｃ＝１〜ｐとなるｐ個のグループのそれぞれに設定されるバイアス項ｂ_ｃ［ｉ］、個体重みベクトルｗ_ｃ［ｉ］、及び、ｐ×ｐ個の組み合わせに対して設定されるグループ重みベクトルθ_ｃｃ'を最適化する。すなわち、第２モデル生成部１１０は、複数の個体のそれぞれについてポアソン回帰分析を行う。第２モデル生成部１１０は、数式３を最適化する手法として、最尤推定、ＭＡＰ推定、及び、ベイズ推定等を使用してよい。また、第２モデル生成部１１０は、グループごとのバイアス項ｂ_ｃ［ｉ］、個体重みベクトルｗ_ｃ［ｉ］、及び／又はグループ重みベクトルθ_ｃｃ'の代わりに、個体ｉごとのバイアス項ｂ_ｉ、重みベクトルｗ_ｉ、及び／又は、重みベクトルθ_ｉｃ'を用いてもよい。

【数3】

【0059】

第２モデル生成部１１０は、確率関数ｌとして、Ｓ１１６で用いた数式２の関数を用いてよい。

【0060】

このように、本実施形態の情報処理装置１０は、回帰モデルの説明変数としてイベント系列のみでなくグループ反応系列を含めることで、クチコミの影響を反映した第２回帰モデルを生成することができる。また、本実施形態の情報処理装置１０は、クチコミの影響を受けやすいグループを抽出することができるので、例えば、このようなグループに対して広告配信を実行することで商品の販売に正のフィードバック効果を生じさせ、効率的に販促活動を進めることができる。

【0061】

図６は、本実施形態のイベント系列及び反応系列の一例を示す。Ｓ１００において、履歴取得部１０２は、図６（ａ）に示すように第１週から第ｎ週までの複数の消費者に対してイベントとして与えられたダイレクトメールの回数、ＣＭの回数、及び、消費者の購買額（又は購買の合計額）を含むイベント系列を取得してよい。

【0062】

図６（ｂ）に示すように、履歴取得部１０２は、第１週から第ｎ週までの複数の消費者の購買額を含む反応系列を取得してよい。図６（ａ）及び（ｂ）に示すように、本実施形態においてイベント系列は反応系列を含む。これにより、第１モデル生成部１０４及び第２モデル生成部１１０は、自己回帰モデルを生成することができる。履歴取得部１０２は、購買ごとに生成され、ダイレクトメール、ＣＭ、購買の日時、及び、各購買の購買額を含む購買記録データを取得して、図６に係る１週間の間隔を有するイベント系列及び反応系列を生成してもよい。

【0063】

図７は、本実施形態の第１回帰モデルにより予測される予測データの一例を示す。Ｓ１２０において、影響算出部１０６は、図６に示すイベント系列及び反応系列に基づいて第１回帰モデルを生成し、当該第１回帰モデルにより図７に示す反応系列の予測データを生成してよい。

【0064】

図８は、本実施形態の影響成分系列の一例を示す。Ｓ１２０において、影響算出部１０６は、図６に示す反応系列及び図７に示す予測データの差分から、図８に示す影響成分系列を生成してよい。

【0065】

図９は、本実施形態における影響成分系列のパターンの一例を示す。影響算出部１０６は、一部の個体ａについて、図９の実線ａに示すように、期間の前半では成分が正に大きくなり、対象期間の後半で成分が小さくなる影響成分系列を生成する。このような個体ａは、流行に比較的敏感な単一のグループに属すると考えられる。

【0066】

また、影響算出部１０６は、一部の個体ｂについて、図９の破線ｂに示すように、期間の前半では成分がほぼ０となり、対象期間の後半で成分が正に大きくなる影響成分系列を生成する。このような個体ｂは、流行に比較的鈍感な単一のグループに属すると考えられる。

【0067】

また、影響算出部１０６は、一部の個体ｃについて、図９の点線ｃに示すように、期間の前半では成分がほぼ０となり、対象期間の後半で成分が負に大きくなる影響成分系列を生成する。このような個体ｃは、流行に対して否定的な見解を有する単一のグループに属すると考えられる。

【0068】

図１０は、本実施形態におけるグループ分けの一例を示す。図１０に示すように、本実施形態の関係検出部１０８は、全個体を影響成分系列に基づいて複数のグループ１〜３に分類する。

【0069】

図１１は、本実施形態におけるグループ反応系列の一例を示す。Ｓ１４０において、第２モデル生成部１１０は、図１１に示すように、第１週から第ｎ週までの各グループに含まれる消費者の購買額の合計を含む反応系列を取得してよい。

【0070】

図１２は、本実施形態における個体重みベクトル及びグループ重みベクトルを示す。図１２に示すように、第２モデル生成部１１０は、Ｓ１４６においてグループ１〜３に対して、個体グループベクトルｗ_１〜３及びグループ個体ベクトルθ_{１１〜３３}を算出する。

【0071】

図１３は、本実施形態の変形例に係る情報処理装置１０の処理フローを示す。本変形例において、情報処理装置１０は、複数の個体を予め定められた数のグループに分類する代わりに、個体ごとに当該個体と影響成分系列が近い別の個体を含むグループを生成することにより、第２回帰モデルを生成する。本変形例において、情報処理装置１０は、Ｓ２００、Ｓ２１０、及び、Ｓ２２０の処理を、Ｓ１００、Ｓ１１０、及び、Ｓ１２０の処理と同様に実行してよい。

【0072】

Ｓ２３０において、関係検出部１０８は、複数の個体について算出した複数の影響成分系列のそれぞれの間の類似度に基づいて、各個体と当該個体に対して影響成分系列の類似度が高い順に選択した２以上の他の個体とをグループとして分類する。例えば、関係検出部１０８は、ｋ近傍法を用いて、各個体と当該個体に対して影響成分系列の類似度が高い順に選択した予め定められた数の他の個体とをグループとして分類してよい。

【0073】

これに代えて、関係検出部１０８は、ε近傍法を用いて、各個体と当該個体に対して影響成分系列の類似度が予め定められた範囲内の他の個体とをグループとして分類してよい。また、更に関係検出部１０８は、ｋ近傍法又はε近傍法に基づきスペクトラルクラスタリングを適用して、個体と類似する他の個体とをグループとして分類してよい。これにより、本変形例の関係検出部１０８は、複数の個体に対して、各個体に固有のグループをそれぞれ生成する。

【0074】

Ｓ２４０において、第２モデル生成部１１０は、各個体について、個体自身に対するイベント系列及び当該個体を含むグループのグループ反応系列に応じた個体の反応を予測する第２回帰モデルを生成する。Ｓ２４０の処理の具体的内容は後述する。

【0075】

Ｓ２５０において、情報処理装置１０は、Ｓ１５０の処理と同様の処理を実行してよい。

【0076】

図１４は、本変形例のＳ２４０における処理フローを示す。第２モデル生成部１１０は、Ｓ２４２からＳ２４６までの処理を実行することにより、Ｓ２４０の処理を実行する。

【0077】

まず、Ｓ２４２において、第２モデル生成部１１０は、グループ反応系列を生成する。例えば、第２モデル生成部１１０は、Ｓ２３０で生成された個体ごとのグループについて、Ｓ１４２と同様にグループ内の複数の個体の反応数及び／又は反応量の合計値を表すグループ状態ベクトルｚ_ｉｊを算出することにより、個体ごとのグループ反応系列を生成する。また、第２モデル生成部１１０は、個体ごとのイベント系列の状態ベクトルも生成する。

【0078】

次に、Ｓ２４４において、第２モデル生成部１１０は、Ｓ１４４と同様の処理により、グループ状態ベクトルｚ_ｉｊからグループ特徴ベクトルΨ（ｚ_ｉｊ）を生成し、状態ベクトルｘ_ｉｊから特徴ベクトルΦ（ｘ_ｉｊ）を生成する。

【0079】

次に、Ｓ２４６において、第２モデル生成部１１０は、各個体ｉについて、ポアソン回帰分析を行い、数式４の最適化問題を解くことによって、個体重みベクトルｗ^０_ｉ及びグループ重みベクトルθ_ｉを最適化する。第２モデル生成部１１０は、数式４を最適化する手法として、最尤推定、ＭＡＰ推定、及び、ベイズ推定等を使用してよい。第２モデル生成部１１０は、確率関数ｌとして、Ｓ１１６で用いた数式２の関数を用いてよい。ここで、第２モデル生成部１１０は、バイアス項ｂ_ｉ及び／又は重みベクトルｗ^０_ｉとして、個体ｉに依存しないバイアス項ｂ及び／又は重みベクトルｗを用いてもよい。

【数4】

【0080】

このように、本変形例の情報処理装置１０は、回帰モデルの説明変数として個体ごとに生成したグループのグループ反応系列を含めることで、クチコミの影響を高い精度に反映した第２回帰モデルを生成することができる。

【0081】

図１５は、本変形例におけるグループ生成の一例を示す。図１５に示すように、本変形例の関係検出部１０８は、個体１に対して、個体１と個体１に対し１〜３番目に影響成分系列が類似する個体２〜個体４とを含む近傍数ｋ＝３のグループを形成する。関係検出部１０８は、個体２〜４に対しても、それぞれに近傍数ｋ＝３のグループを形成する。これにより、本変形例の情報処理装置１０は、個体ごとの固有のグループを生成する。

【0082】

本実施形態及び変形例の情報処理装置１０は、１つのイベント（ダイレクトメール等）に対して状態ベクトル内に１つの成分及び重みベクトル内に１つの成分を生成したが、これに代えて１つのイベントに対して状態ベクトル内に複数の成分及び重みベクトル内に複数の成分を生成してもよい。また、本実施形態及び変形例の情報処理装置１０は、予め定められた間隔Δｔにおける期間Ｔ_１〜ｎに対応する状態ベクトルを生成する代わりに、イベントが発生した間隔Δｔ'_１〜ｑ（ｑはイベントの発生数−１）における期間Ｔ_１〜ｑに対応する状態ベクトルを生成してもよい。これにより、情報処理装置１０は、イベントに対する個体の応答をより高い精度でモデル化することができる。

【0083】

また、本実施形態及び変形例の情報処理装置１０の第１モデル生成部１０４及び第２モデル生成部１１０は、ポアソン回帰分析を用いて第１回帰モデル及び第２回帰モデルを生成したが、ポアソン回帰分析以外の回帰分析、たとえば最小二乗誤差回帰や最小絶対誤差回帰、あるいは対数正規回帰により、第１回帰モデル及び第２回帰モデルを生成してもよい。

【0084】

図１６は、情報処理装置１０として機能するコンピュータ１９００のハードウェア構成の一例を示す。本実施形態に係るコンピュータ１９００は、ホスト・コントローラ２０８２により相互に接続されるＣＰＵ２０００、ＲＡＭ２０２０、グラフィック・コントローラ２０７５、及び表示装置２０８０を有するＣＰＵ周辺部と、入出力コントローラ２０８４によりホスト・コントローラ２０８２に接続される通信インターフェイス２０３０、ハードディスクドライブ２０４０、及びＣＤ−ＲＯＭドライブ２０６０を有する入出力部と、入出力コントローラ２０８４に接続されるＲＯＭ２０１０、フレキシブルディスク・ドライブ２０５０、及び入出力チップ２０７０を有するレガシー入出力部を備える。

【0085】

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

【0086】

入出力コントローラ２０８４は、ホスト・コントローラ２０８２と、比較的高速な入出力装置である通信インターフェイス２０３０、ハードディスクドライブ２０４０、ＣＤ−ＲＯＭドライブ２０６０を接続する。通信インターフェイス２０３０は、有線又は無線によりネットワークを介して他の装置と通信する。また、通信インターフェイスは、通信を行うハードウェアとして機能する。ハードディスクドライブ２０４０は、コンピュータ１９００内のＣＰＵ２０００が使用するプログラム及びデータを格納する。ＣＤ−ＲＯＭドライブ２０６０は、ＣＤ−ＲＯＭ２０９５からプログラム又はデータを読み取り、ＲＡＭ２０２０を介してハードディスクドライブ２０４０に提供する。

【0087】

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

【0088】

ＲＡＭ２０２０を介してハードディスクドライブ２０４０に提供されるプログラムは、フレキシブルディスク２０９０、ＣＤ−ＲＯＭ２０９５、又はＩＣカード等の記録媒体に格納されて利用者によって提供される。プログラムは、記録媒体から読み出され、ＲＡＭ２０２０を介してコンピュータ１９００内のハードディスクドライブ２０４０にインストールされ、ＣＰＵ２０００において実行される。

【0089】

コンピュータ１９００にインストールされ、コンピュータ１９００を情報処理装置１０として機能させるプログラムは、履歴取得モジュールと、第１モデル生成モジュールと、影響算出モジュールと、関係検出モジュールと、第２モデル生成モジュールと、グループ抽出モジュールとを備える。これらのプログラム又はモジュールは、ＣＰＵ２０００等に働きかけて、コンピュータ１９００を、履歴取得部１０２と、第１モデル生成部１０４と、影響算出部１０６と、関係検出部１０８と、第２モデル生成部１１０と、グループ抽出部１１２としてそれぞれ機能させてよい。

【0090】

これらのプログラムに記述された情報処理は、コンピュータ１９００に読込まれることにより、ソフトウェアと上述した各種のハードウェア資源とが協働した具体的手段である履歴取得部１０２と、第１モデル生成部１０４と、影響算出部１０６と、関係検出部１０８と、第２モデル生成部１１０と、グループ抽出部１１２として機能する。そして、これらの具体的手段によって、本実施形態におけるコンピュータ１９００の使用目的に応じた情報の演算又は加工を実現することにより、使用目的に応じた特有の情報処理装置１０が構築される。

【0091】

一例として、コンピュータ１９００と外部の装置等との間で通信を行う場合には、ＣＰＵ２０００は、ＲＡＭ２０２０上にロードされた通信プログラムを実行し、通信プログラムに記述された処理内容に基づいて、通信インターフェイス２０３０に対して通信処理を指示する。通信インターフェイス２０３０は、ＣＰＵ２０００の制御を受けて、ＲＡＭ２０２０、ハードディスクドライブ２０４０、フレキシブルディスク２０９０、又はＣＤ−ＲＯＭ２０９５等の記憶装置上に設けた送信バッファ領域等に記憶された送信データを読み出してネットワークへと送信し、もしくは、ネットワークから受信した受信データを記憶装置上に設けた受信バッファ領域等へと書き込む。このように、通信インターフェイス２０３０は、ＤＭＡ（ダイレクト・メモリ・アクセス）方式により記憶装置との間で送受信データを転送してもよく、これに代えて、ＣＰＵ２０００が転送元の記憶装置又は通信インターフェイス２０３０からデータを読み出し、転送先の通信インターフェイス２０３０又は記憶装置へとデータを書き込むことにより送受信データを転送してもよい。

【0092】

また、ＣＰＵ２０００は、ハードディスクドライブ２０４０、ＣＤ−ＲＯＭドライブ２０６０（ＣＤ−ＲＯＭ２０９５）、フレキシブルディスク・ドライブ２０５０（フレキシブルディスク２０９０）等の外部記憶装置に格納されたファイルまたはデータベース等の中から、全部または必要な部分をＤＭＡ転送等によりＲＡＭ２０２０へと読み込ませ、ＲＡＭ２０２０上のデータに対して各種の処理を行う。そして、ＣＰＵ２０００は、処理を終えたデータを、ＤＭＡ転送等により外部記憶装置へと書き戻す。このような処理において、ＲＡＭ２０２０は、外部記憶装置の内容を一時的に保持するものとみなせるから、本実施形態においてはＲＡＭ２０２０及び外部記憶装置等をメモリ、記憶部、または記憶装置等と総称する。

【0093】

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

【0094】

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

【0095】

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

【0096】

以上に示したプログラム又はモジュールは、外部の記録媒体に格納されてもよい。記録媒体としては、フレキシブルディスク２０９０、ＣＤ−ＲＯＭ２０９５の他に、ＤＶＤ又はＣＤ等の光学記録媒体、ＭＯ等の光磁気記録媒体、テープ媒体、ＩＣカード等の半導体メモリ等を用いることができる。また、専用通信ネットワーク又はインターネットに接続されたサーバシステムに設けたハードディスク又はＲＡＭ等の記憶装置を記録媒体として使用し、ネットワークを介してプログラムをコンピュータ１９００に提供してもよい。

【0097】

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

【0098】

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

【符号の説明】

【0099】

１０ 情報処理装置、１０２ 履歴取得部、１０４ 第１モデル生成部、１０６ 影響算出部、１０８ 関係検出部、１１０ 第２モデル生成部、１１２ グループ抽出部、１９００ コンピュータ、２０００ ＣＰＵ、２０１０ ＲＯＭ、２０２０ ＲＡＭ、２０３０ 通信インターフェイス、２０４０ ハードディスクドライブ、２０５０ フレキシブルディスク・ドライブ、２０６０ ＣＤ−ＲＯＭドライブ、２０７０ 入出力チップ、２０７５ グラフィック・コントローラ、２０８０ 表示装置、２０８２ ホスト・コントローラ、２０８４ 入出力コントローラ、２０９０ フレキシブルディスク、２０９５ ＣＤ−ＲＯＭ

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】

【図13】

【図14】

【図15】

【図16】