▶ ＫＤＤＩ株式会社の特許一覧 ▶ 国立大学法人大阪大学の特許一覧 ▶ 国立大学法人名古屋大学の特許一覧
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】公開特許公報(A)
(11)【公開番号】P2023144417
(43)【公開日】2023-10-11
(54)【発明の名称】情報処理装置及び情報処理方法
(51)【国際特許分類】
G06Q 30/0202 20230101AFI20231003BHJP
【ＦＩ】
G06Q30/02 310
【審査請求】未請求
【請求項の数】8
【出願形態】ＯＬ
(21)【出願番号】P 2022051378
(22)【出願日】2022-03-28
【国等の委託研究の成果に係る記載事項】（出願人による申告）令和３年度、国立研究開発法人科学技術振興機構、戦略的創造研究推進事業「データ処理とペルソナマッチング・行動予測転移」委託研究、「実空間行動モデリングと行動予測転移」委託研究、産業技術力強化法第１７条の適用を受ける特許出願
(71)【出願人】
【識別番号】000208891
【氏名又は名称】ＫＤＤＩ株式会社
(71)【出願人】
【識別番号】504176911
【氏名又は名称】国立大学法人大阪大学
(71)【出願人】
【識別番号】504139662
【氏名又は名称】国立大学法人東海国立大学機構
(74)【代理人】
【識別番号】100166006
【弁理士】
【氏名又は名称】泉 通博
(74)【代理人】
【識別番号】100154070
【弁理士】
【氏名又は名称】久恒 京範
(74)【代理人】
【識別番号】100153280
【弁理士】
【氏名又は名称】寺川 賢祐
(72)【発明者】
【氏名】黒川 茂莉
(72)【発明者】
【氏名】米川 慧
(72)【発明者】
【氏名】春田 秀一郎
(72)【発明者】
【氏名】原 隆浩
(72)【発明者】
【氏名】河口 信夫
【テーマコード（参考）】
5L049
【Ｆターム（参考）】
5L049BB01
(57)【要約】 （修正有）
【課題】第１ドメインに対応するユーザの行動から第２ドメインに対応するユーザの行動を推定する情報処理装置及び情報処理方法を提供する。
【解決手段】情報処理装置１は、通信部１１と、記憶部１２と、制御部１３と、を有する。データ取得部１３１は情報処理装置１を使用する分析者の端末から、第１ユーザの第１関連行動データと、第２ユーザの第２関連行動データとを取得する。データ取得部１３１は、第１ユーザの第１サイトにおける購買行動に関連する、第１サイトにおける閲覧行動に対応する第１アイテムの第１アイテムＩＤと、第１ユーザの第１ユーザＩＤとを含む第１関連行動データを取得する。データ取得部１３１は、第２ユーザの第２サイトにおける購買行動に関連する、第２サイトにおける閲覧行動に対応する第２アイテムの第２アイテムＩＤと、第２ユーザの第２ユーザＩＤとを含む第２関連行動データを取得する。
【選択図】図２
【解決手段】情報処理装置１は、通信部１１と、記憶部１２と、制御部１３と、を有する。データ取得部１３１は情報処理装置１を使用する分析者の端末から、第１ユーザの第１関連行動データと、第２ユーザの第２関連行動データとを取得する。データ取得部１３１は、第１ユーザの第１サイトにおける購買行動に関連する、第１サイトにおける閲覧行動に対応する第１アイテムの第１アイテムＩＤと、第１ユーザの第１ユーザＩＤとを含む第１関連行動データを取得する。データ取得部１３１は、第２ユーザの第２サイトにおける購買行動に関連する、第２サイトにおける閲覧行動に対応する第２アイテムの第２アイテムＩＤと、第２ユーザの第２ユーザＩＤとを含む第２関連行動データを取得する。
【選択図】図２
【特許請求の範囲】
【請求項1】
第１ドメインのユーザである第１ユーザの第１行動に関連する第１関連行動に対応するアイテムである第１アイテムを識別するための第１アイテム識別情報と、前記第１ユーザを識別するための第１ユーザ識別情報とを含む第１関連行動データと、前記第１ドメインとは異なる第２ドメインのユーザである第２ユーザの第２行動に関連する第２関連行動に対応するアイテムである第２アイテムを識別するための第２アイテム識別情報と、前記第２ユーザを識別するための第２ユーザ識別情報とを含む第２関連行動データと、を取得するデータ取得部と、
前記第１関連行動データを用いて、前記第１ユーザ識別情報に対応する第１ユーザベクトル、及び前記第１アイテム識別情報に対応する第１アイテムベクトルの入力を受け付ける第１受付部、入力されたベクトルを、前記ベクトルの特徴を示す所定の次元数の第１特徴ベクトルに変換する第１変換部、及び変換された前記第１特徴ベクトルに基づいて、前記第１ユーザの前記第１関連行動に関する情報である第１コンテキスト情報を出力する第１出力部を有する第１コンテキスト推定モデルを構築する第１構築部と、
前記第２関連行動データを用いて、前記第２ユーザ識別情報に対応する第２ユーザベクトル、及び前記第２アイテム識別情報に対応するとともに前記第１アイテムベクトルと同じ特徴空間で表現される第２アイテムベクトルの入力を受け付ける第２受付部、入力されたベクトルを、前記ベクトルの特徴を示す前記所定の次元数の第２特徴ベクトルに変換する第２変換部、及び変換された前記第２特徴ベクトルに基づいて、前記第２ユーザの前記第２関連行動に関する情報であって、前記第１コンテキスト情報と同じ表現形式を有する第２コンテキスト情報を出力する第２出力部を有する第２コンテキスト推定モデルを構築する第２構築部と、
前記第１関連行動データと、前記第１関連行動に対する前記第１行動の発生結果を示すデータとを用いて、前記第１受付部、前記第１変換部、及び変換された前記第１特徴ベクトルに基づいて、前記第１ユーザの前記第１行動の発生確率を示す第１行動予測情報を出力する第３出力部を有する第１行動推定モデルを構築する第３構築部と、
前記第２構築部により構築された前記第２受付部及び前記第２変換部と、前記第３構築部により構築された前記第３出力部であって、前記第２特徴ベクトルに基づいて、前記第２ユーザの前記第２行動の発生確率を示す第２行動予測情報を出力する前記第３出力部とを有する第２行動推定モデルを構築する第４構築部と、
を有する情報処理装置。
前記第１関連行動データを用いて、前記第１ユーザ識別情報に対応する第１ユーザベクトル、及び前記第１アイテム識別情報に対応する第１アイテムベクトルの入力を受け付ける第１受付部、入力されたベクトルを、前記ベクトルの特徴を示す所定の次元数の第１特徴ベクトルに変換する第１変換部、及び変換された前記第１特徴ベクトルに基づいて、前記第１ユーザの前記第１関連行動に関する情報である第１コンテキスト情報を出力する第１出力部を有する第１コンテキスト推定モデルを構築する第１構築部と、
前記第２関連行動データを用いて、前記第２ユーザ識別情報に対応する第２ユーザベクトル、及び前記第２アイテム識別情報に対応するとともに前記第１アイテムベクトルと同じ特徴空間で表現される第２アイテムベクトルの入力を受け付ける第２受付部、入力されたベクトルを、前記ベクトルの特徴を示す前記所定の次元数の第２特徴ベクトルに変換する第２変換部、及び変換された前記第２特徴ベクトルに基づいて、前記第２ユーザの前記第２関連行動に関する情報であって、前記第１コンテキスト情報と同じ表現形式を有する第２コンテキスト情報を出力する第２出力部を有する第２コンテキスト推定モデルを構築する第２構築部と、
前記第１関連行動データと、前記第１関連行動に対する前記第１行動の発生結果を示すデータとを用いて、前記第１受付部、前記第１変換部、及び変換された前記第１特徴ベクトルに基づいて、前記第１ユーザの前記第１行動の発生確率を示す第１行動予測情報を出力する第３出力部を有する第１行動推定モデルを構築する第３構築部と、
前記第２構築部により構築された前記第２受付部及び前記第２変換部と、前記第３構築部により構築された前記第３出力部であって、前記第２特徴ベクトルに基づいて、前記第２ユーザの前記第２行動の発生確率を示す第２行動予測情報を出力する前記第３出力部とを有する第２行動推定モデルを構築する第４構築部と、
を有する情報処理装置。
【請求項2】
前記第１関連行動データは、前記第１関連行動の発生時刻を示す時刻情報を含むとともに、前記第２関連行動データは、前記第２関連行動の発生時刻を示す時刻情報を含み、
前記第１構築部は、前記第１コンテキスト情報として、前記第１ユーザの前記第１関連行動の発生時刻を示す時刻情報を出力する前記第１出力部を有する前記第１コンテキスト推定モデルを構築し、
前記第２構築部は、前記第１コンテキスト情報と同じ表現形式を有する前記第２コンテキスト情報として、前記第２ユーザの前記第２関連行動の発生時刻を示す時刻情報を出力する前記第２出力部を有する前記第２コンテキスト推定モデルを構築する、
請求項１に記載の情報処理装置。
前記第１構築部は、前記第１コンテキスト情報として、前記第１ユーザの前記第１関連行動の発生時刻を示す時刻情報を出力する前記第１出力部を有する前記第１コンテキスト推定モデルを構築し、
前記第２構築部は、前記第１コンテキスト情報と同じ表現形式を有する前記第２コンテキスト情報として、前記第２ユーザの前記第２関連行動の発生時刻を示す時刻情報を出力する前記第２出力部を有する前記第２コンテキスト推定モデルを構築する、
請求項１に記載の情報処理装置。
【請求項3】
前記第１関連行動データは、前記第１関連行動の発生場所を示す場所情報を含むとともに、前記第２関連行動データは、前記第２関連行動の発生場所を示す場所情報を含み、
前記第１構築部は、前記第１コンテキスト情報として、前記第１ユーザの前記第１関連行動の発生場所を示す場所情報を出力する前記第１出力部を有する前記第１コンテキスト推定モデルを構築し、
前記第２構築部は、前記第１コンテキスト情報と同じ表現形式を有する前記第２コンテキスト情報として、前記第２ユーザの前記第２関連行動の発生場所を示す場所情報を出力する前記第２出力部を有する前記第２コンテキスト推定モデルを構築する、
請求項１又は２に記載の情報処理装置。
前記第１構築部は、前記第１コンテキスト情報として、前記第１ユーザの前記第１関連行動の発生場所を示す場所情報を出力する前記第１出力部を有する前記第１コンテキスト推定モデルを構築し、
前記第２構築部は、前記第１コンテキスト情報と同じ表現形式を有する前記第２コンテキスト情報として、前記第２ユーザの前記第２関連行動の発生場所を示す場所情報を出力する前記第２出力部を有する前記第２コンテキスト推定モデルを構築する、
請求項１又は２に記載の情報処理装置。
【請求項4】
前記第１アイテム識別情報と、前記第２アイテム識別情報とのそれぞれには、アイテムを説明するテキスト情報が関連付けられており、
前記第１構築部は、前記第１アイテム識別情報に関連付けられている前記テキスト情報に基づく前記第１アイテムベクトルの入力を受け付ける前記第１受付部と、前記第１コンテキスト情報として、前記第１アイテムベクトルが示す前記第１アイテムに関連する他の第１アイテムに対応する前記第１アイテムベクトルを出力する前記第１出力部とを有する前記第１コンテキスト推定モデルを構築し、
前記第２構築部は、前記第２アイテム識別情報に関連付けられている前記テキスト情報に基づく前記第２アイテムベクトルの入力を受け付ける前記第２受付部と、前記第２コンテキスト情報として、前記第２アイテムベクトルが示す前記第２アイテムに関連する他の第２アイテムに対応する前記第２アイテムベクトルを出力する前記第２出力部とを有する前記第２コンテキスト推定モデルを構築する、
請求項１から３のいずれか１項に記載の情報処理装置。
前記第１構築部は、前記第１アイテム識別情報に関連付けられている前記テキスト情報に基づく前記第１アイテムベクトルの入力を受け付ける前記第１受付部と、前記第１コンテキスト情報として、前記第１アイテムベクトルが示す前記第１アイテムに関連する他の第１アイテムに対応する前記第１アイテムベクトルを出力する前記第１出力部とを有する前記第１コンテキスト推定モデルを構築し、
前記第２構築部は、前記第２アイテム識別情報に関連付けられている前記テキスト情報に基づく前記第２アイテムベクトルの入力を受け付ける前記第２受付部と、前記第２コンテキスト情報として、前記第２アイテムベクトルが示す前記第２アイテムに関連する他の第２アイテムに対応する前記第２アイテムベクトルを出力する前記第２出力部とを有する前記第２コンテキスト推定モデルを構築する、
請求項１から３のいずれか１項に記載の情報処理装置。
【請求項5】
前記データ取得部は、前記第１行動に関連する前記第１関連行動に対応する前記第１アイテム識別情報と、前記第１ユーザ識別情報とを含む前記第１関連行動データを取得するとともに、前記第１行動と所定の関係を有する前記第２行動に関連する第２関連行動に対応する前記第２アイテム識別情報と、前記第２ユーザ識別情報とを含む前記第２関連行動データを取得する、
請求項１から４のいずれか１項に記載の情報処理装置。
請求項１から４のいずれか１項に記載の情報処理装置。
【請求項6】
前記第１ユーザベクトルと前記第１アイテムベクトルとから前記第１変換部が変換した前記第１特徴ベクトル、及び前記第２ユーザベクトルと前記第２アイテムベクトルとから前記第２変換部が変換した前記第２特徴ベクトルの少なくともいずれかの入力を受け付け、入力された特徴ベクトルが前記第１特徴ベクトルであるか前記第２特徴ベクトルであるかを示す判定情報を出力する判定部をさらに有し、
前記判定部は、前記判定情報の出力結果の正解率が高くなるように学習し、
前記第１構築部及び第２構築部の少なくともいずれかは、自身が生成する特徴ベクトルを前記判定部が判定した場合における前記判定部の判定結果の正解率が５０％に近くなるように学習する、
請求項１から５のいずれか１項に記載の情報処理装置。
前記判定部は、前記判定情報の出力結果の正解率が高くなるように学習し、
前記第１構築部及び第２構築部の少なくともいずれかは、自身が生成する特徴ベクトルを前記判定部が判定した場合における前記判定部の判定結果の正解率が５０％に近くなるように学習する、
請求項１から５のいずれか１項に記載の情報処理装置。
【請求項7】
前記第１受付部は、複数の前記第１ユーザベクトルを平均化したベクトル、及び前記複数の第１ユーザベクトルに対応する前記第１アイテム識別情報に対応する第１アイテムベクトルの入力を受け付け、
前記第２受付部は、複数の前記第２ユーザベクトルを平均化したベクトル、及び前記複数の第２ユーザベクトルに対応する前記第２アイテム識別情報に対応する第２アイテムベクトルの入力を受け付ける、
請求項１から６のいずれか１項に記載の情報処理装置。
前記第２受付部は、複数の前記第２ユーザベクトルを平均化したベクトル、及び前記複数の第２ユーザベクトルに対応する前記第２アイテム識別情報に対応する第２アイテムベクトルの入力を受け付ける、
請求項１から６のいずれか１項に記載の情報処理装置。
【請求項8】
コンピュータが実行する、
第１ドメインのユーザである第１ユーザの第１行動に関連する第１関連行動に対応するアイテムである第１アイテムを識別するための第１アイテム識別情報と、前記第１ユーザを識別するための第１ユーザ識別情報とを含む第１関連行動データと、前記第１ドメインとは異なる第２ドメインのユーザである第２ユーザの第２行動に関連する第２関連行動に対応するアイテムである第２アイテムを識別するための第２アイテム識別情報と、前記第２ユーザを識別するための第２ユーザ識別情報とを含む第２関連行動データと、を取得するステップと、
前記第１関連行動データを用いて、前記第１ユーザ識別情報に対応する第１ユーザベクトル、及び前記第１アイテム識別情報に対応する第１アイテムベクトルの入力を受け付ける第１受付部、入力されたベクトルを、前記ベクトルの特徴を示す所定の次元数の第１特徴ベクトルに変換する第１変換部、及び変換された前記第１特徴ベクトルに基づいて、前記第１ユーザの前記第１関連行動に関する情報である第１コンテキスト情報を出力する第１出力部を有する第１コンテキスト推定モデルを構築するステップと、
前記第２関連行動データを用いて、前記第２ユーザ識別情報に対応する第２ユーザベクトル、及び前記第２アイテム識別情報に対応するとともに前記第１アイテムベクトルと同じ特徴空間で表現される第２アイテムベクトルの入力を受け付ける第２受付部、入力されたベクトルを、前記ベクトルの特徴を示す前記所定の次元数の第２特徴ベクトルに変換する第２変換部、及び変換された前記第２特徴ベクトルに基づいて、前記第２ユーザの前記第２関連行動に関する情報であって、前記第１コンテキスト情報と同じ表現形式を有する第２コンテキスト情報を出力する第２出力部を有する第２コンテキスト推定モデルを構築するステップと、
前記第１関連行動データと、前記第１関連行動に対する前記第１行動の発生結果を示すデータとを用いて、前記第１受付部、前記第１変換部、及び変換された前記第１特徴ベクトルに基づいて、前記第１ユーザの前記第１行動の発生確率を示す第１行動予測情報を出力する第３出力部を有する第１行動推定モデルを構築するステップと、
前記第２コンテキスト推定モデルを構築するステップにおいて構築された前記第２受付部及び前記第２変換部と、前記第１行動推定モデルを構築するステップにおいて構築された前記第３出力部であって、前記第２特徴ベクトルに基づいて、前記第２ユーザの前記第２行動の発生確率を示す第２行動予測情報を出力する前記第３出力部とを有する第２行動推定モデルを構築するステップと、
を有する情報処理方法。
第１ドメインのユーザである第１ユーザの第１行動に関連する第１関連行動に対応するアイテムである第１アイテムを識別するための第１アイテム識別情報と、前記第１ユーザを識別するための第１ユーザ識別情報とを含む第１関連行動データと、前記第１ドメインとは異なる第２ドメインのユーザである第２ユーザの第２行動に関連する第２関連行動に対応するアイテムである第２アイテムを識別するための第２アイテム識別情報と、前記第２ユーザを識別するための第２ユーザ識別情報とを含む第２関連行動データと、を取得するステップと、
前記第１関連行動データを用いて、前記第１ユーザ識別情報に対応する第１ユーザベクトル、及び前記第１アイテム識別情報に対応する第１アイテムベクトルの入力を受け付ける第１受付部、入力されたベクトルを、前記ベクトルの特徴を示す所定の次元数の第１特徴ベクトルに変換する第１変換部、及び変換された前記第１特徴ベクトルに基づいて、前記第１ユーザの前記第１関連行動に関する情報である第１コンテキスト情報を出力する第１出力部を有する第１コンテキスト推定モデルを構築するステップと、
前記第２関連行動データを用いて、前記第２ユーザ識別情報に対応する第２ユーザベクトル、及び前記第２アイテム識別情報に対応するとともに前記第１アイテムベクトルと同じ特徴空間で表現される第２アイテムベクトルの入力を受け付ける第２受付部、入力されたベクトルを、前記ベクトルの特徴を示す前記所定の次元数の第２特徴ベクトルに変換する第２変換部、及び変換された前記第２特徴ベクトルに基づいて、前記第２ユーザの前記第２関連行動に関する情報であって、前記第１コンテキスト情報と同じ表現形式を有する第２コンテキスト情報を出力する第２出力部を有する第２コンテキスト推定モデルを構築するステップと、
前記第１関連行動データと、前記第１関連行動に対する前記第１行動の発生結果を示すデータとを用いて、前記第１受付部、前記第１変換部、及び変換された前記第１特徴ベクトルに基づいて、前記第１ユーザの前記第１行動の発生確率を示す第１行動予測情報を出力する第３出力部を有する第１行動推定モデルを構築するステップと、
前記第２コンテキスト推定モデルを構築するステップにおいて構築された前記第２受付部及び前記第２変換部と、前記第１行動推定モデルを構築するステップにおいて構築された前記第３出力部であって、前記第２特徴ベクトルに基づいて、前記第２ユーザの前記第２行動の発生確率を示す第２行動予測情報を出力する前記第３出力部とを有する第２行動推定モデルを構築するステップと、
を有する情報処理方法。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、情報処理装置及び情報処理方法に関する。
【背景技術】
【0002】
従来、第１ドメインにおいて学習した内容を、第１ドメインとは異なる第２ドメインの学習に応用する転移学習が知られている。例えば、特許文献１には、第１ドメインに対応する特定サービスにおける購買行動履歴データと、第２ドメインに対応するウェブページ閲覧に関するオンライン行動履歴データを、第１ドメインと第２ドメインの共通ユーザを元に結合する技術が開示されている。結合された行動履歴データを用いることで、共通ユーザとは異なる第２ドメインに対応するユーザに対しても、共通ユーザのオンライン行動との類似性から第１ドメインに対応する当該ユーザの購買行動を推定することができる。
【先行技術文献】
【特許文献】
【0003】
【特許文献1】特許第６５９６６０５号公報
【発明の概要】
【発明が解決しようとする課題】
【0004】
従来の技術では、第１ドメインのデータと第２ドメインのデータとにおいてユーザの対応付けを行うことができず、共通ユーザが存在しない場合、第１ドメインに対応するユーザの行動から第２ドメインに対応する当該ユーザの行動を推定することができないという問題がある。
【0005】
そこで、本発明はこれらの点に鑑みてなされたものであり、第１ドメインのデータと第２ドメインのデータとにおいてユーザの対応付けを行うことなく、第１ドメインに対応するユーザの行動から第２ドメインに対応するユーザの行動を推定することを目的とする。
【課題を解決するための手段】
【0006】
本発明の第１の態様に係る情報処理装置は、第１ドメインのユーザである第１ユーザの第１行動に関連する第１関連行動に対応するアイテムである第１アイテムを識別するための第１アイテム識別情報と、前記第１ユーザを識別するための第１ユーザ識別情報とを含む第１関連行動データと、前記第１ドメインとは異なる第２ドメインのユーザである第２ユーザの第２行動に関連する第２関連行動に対応するアイテムである第２アイテムを識別するための第２アイテム識別情報と、前記第２ユーザを識別するための第２ユーザ識別情報とを含む第２関連行動データと、を取得するデータ取得部と、前記第１関連行動データを用いて、前記第１ユーザ識別情報に対応する第１ユーザベクトル、及び前記第１アイテム識別情報に対応する第１アイテムベクトルの入力を受け付ける第１受付部、入力されたベクトルを、前記ベクトルの特徴を示す所定の次元数の第１特徴ベクトルに変換する第１変換部、及び変換された前記第１特徴ベクトルに基づいて、前記第１ユーザの前記第１関連行動に関する情報である第１コンテキスト情報を出力する第１出力部を有する第１コンテキスト推定モデルを構築する第１構築部と、前記第２関連行動データを用いて、前記第２ユーザ識別情報に対応する第２ユーザベクトル、及び前記第２アイテム識別情報に対応するとともに前記第１アイテムベクトルと同じ特徴空間で表現される第２アイテムベクトルの入力を受け付ける第２受付部、入力されたベクトルを、前記ベクトルの特徴を示す前記所定の次元数の第２特徴ベクトルに変換する第２変換部、及び変換された前記第２特徴ベクトルに基づいて、前記第２ユーザの前記第２関連行動に関する情報であって、前記第１コンテキスト情報と同じ表現形式を有する第２コンテキスト情報を出力する第２出力部を有する第２コンテキスト推定モデルを構築する第２構築部と、前記第１関連行動データと、前記第１関連行動に対する前記第１行動の発生結果を示すデータとを用いて、前記第１受付部、前記第１変換部、及び変換された前記第１特徴ベクトルに基づいて、前記第１ユーザの前記第１行動の発生確率を示す第１行動予測情報を出力する第３出力部を有する第１行動推定モデルを構築する第３構築部と、前記第２構築部により構築された前記第２受付部及び前記第２変換部と、前記第３構築部により構築された前記第３出力部であって、前記第２特徴ベクトルに基づいて、前記第２ユーザの前記第２行動の発生確率を示す第２行動予測情報を出力する前記第３出力部とを有する第２行動推定モデルを構築する第４構築部と、を有する。
【0007】
前記第１関連行動データは、前記第１関連行動の発生時刻を示す時刻情報を含むとともに、前記第２関連行動データは、前記第２関連行動の発生時刻を示す時刻情報を含み、前記第１構築部は、前記第１コンテキスト情報として、前記第１ユーザの前記第１関連行動の発生時刻を示す時刻情報を出力する前記第１出力部を有する前記第１コンテキスト推定モデルを構築し、前記第２構築部は、前記第１コンテキスト情報と同じ表現形式を有する前記第２コンテキスト情報として、前記第２ユーザの前記第２関連行動の発生時刻を示す時刻情報を出力する前記第２出力部を有する前記第２コンテキスト推定モデルを構築してもよい。
【0008】
前記第１関連行動データは、前記第１関連行動の発生場所を示す場所情報を含むとともに、前記第２関連行動データは、前記第２関連行動の発生場所を示す場所情報を含み、前記第１構築部は、前記第１コンテキスト情報として、前記第１ユーザの前記第１関連行動の発生場所を示す場所情報を出力する前記第１出力部を有する前記第１コンテキスト推定モデルを構築し、前記第２構築部は、前記第１コンテキスト情報と同じ表現形式を有する前記第２コンテキスト情報として、前記第２ユーザの前記第２関連行動の発生場所を示す場所情報を出力する前記第２出力部を有する前記第２コンテキスト推定モデルを構築してもよい。
【0009】
前記第１アイテム識別情報と、前記第２アイテム識別情報とのそれぞれには、アイテムを説明するテキスト情報が関連付けられており、前記第１構築部は、前記第１アイテム識別情報に関連付けられている前記テキスト情報に基づく前記第１アイテムベクトルの入力を受け付ける前記第１受付部と、前記第１コンテキスト情報として、前記第１アイテムベクトルが示す前記第１アイテムに関連する他の第１アイテムに対応する前記第１アイテムベクトルを出力する前記第１出力部とを有する前記第１コンテキスト推定モデルを構築し、前記第２構築部は、前記第２アイテム識別情報に関連付けられている前記テキスト情報に基づく前記第２アイテムベクトルの入力を受け付ける前記第２受付部と、前記第２コンテキスト情報として、前記第２アイテムベクトルが示す前記第２アイテムに関連する他の第２アイテムに対応する前記第２アイテムベクトルを出力する前記第２出力部とを有する前記第２コンテキスト推定モデルを構築してもよい。
【0010】
前記データ取得部は、前記第１行動に関連する前記第１関連行動に対応する前記第１アイテム識別情報と、前記第１ユーザ識別情報とを含む前記第１関連行動データを取得するとともに、前記第１行動と所定の関係を有する前記第２行動に関連する第２関連行動に対応する前記第２アイテム識別情報と、前記第２ユーザ識別情報とを含む前記第２関連行動データを取得してもよい。
【0011】
前記情報処理装置は、前記第１ユーザベクトルと前記第１アイテムベクトルとから前記第１変換部が変換した前記第１特徴ベクトル、及び前記第２ユーザベクトルと前記第２アイテムベクトルとから前記第２変換部が変換した前記第２特徴ベクトルの少なくともいずれかの入力を受け付け、入力された特徴ベクトルが前記第１特徴ベクトルであるか前記第２特徴ベクトルであるかを示す判定情報を出力する判定部をさらに有し、前記判定部は、前記判定情報の出力結果の正解率が高くなるように学習し、前記第１構築部及び第２構築部の少なくともいずれかは、自身が生成する特徴ベクトルを前記判定部が判定した場合における前記判定部の判定結果の正解率が５０％に近くなるように学習してもよい。
【0012】
前記第１受付部は、複数の前記第１ユーザベクトルを平均化したベクトル、及び前記複数の第１ユーザベクトルに対応する前記第１アイテム識別情報に対応する第１アイテムベクトルの入力を受け付け、前記第２受付部は、複数の前記第２ユーザベクトルを平均化したベクトル、及び前記複数の第２ユーザベクトルに対応する前記第２アイテム識別情報に対応する第２アイテムベクトルの入力を受け付けてもよい。
【0013】
本発明の第２の態様に係る情報処理方法は、コンピュータが実行する、第１ドメインのユーザである第１ユーザの第１行動に関連する第１関連行動に対応するアイテムである第１アイテムを識別するための第１アイテム識別情報と、前記第１ユーザを識別するための第１ユーザ識別情報とを含む第１関連行動データと、前記第１ドメインとは異なる第２ドメインのユーザである第２ユーザの第２行動に関連する第２関連行動に対応するアイテムである第２アイテムを識別するための第２アイテム識別情報と、前記第２ユーザを識別するための第２ユーザ識別情報とを含む第２関連行動データと、を取得するステップと、前記第１関連行動データを用いて、前記第１ユーザ識別情報に対応する第１ユーザベクトル、及び前記第１アイテム識別情報に対応する第１アイテムベクトルの入力を受け付ける第１受付部、入力されたベクトルを、前記ベクトルの特徴を示す所定の次元数の第１特徴ベクトルに変換する第１変換部、及び変換された前記第１特徴ベクトルに基づいて、前記第１ユーザの前記第１関連行動に関する情報である第１コンテキスト情報を出力する第１出力部を有する第１コンテキスト推定モデルを構築するステップと、前記第２関連行動データを用いて、前記第２ユーザ識別情報に対応する第２ユーザベクトル、及び前記第２アイテム識別情報に対応するとともに前記第１アイテムベクトルと同じ特徴空間で表現される第２アイテムベクトルの入力を受け付ける第２受付部、入力されたベクトルを、前記ベクトルの特徴を示す前記所定の次元数の第２特徴ベクトルに変換する第２変換部、及び変換された前記第２特徴ベクトルに基づいて、前記第２ユーザの前記第２関連行動に関する情報であって、前記第１コンテキスト情報と同じ表現形式を有する第２コンテキスト情報を出力する第２出力部を有する第２コンテキスト推定モデルを構築するステップと、前記第１関連行動データと、前記第１関連行動に対する前記第１行動の発生結果を示すデータとを用いて、前記第１受付部、前記第１変換部、及び変換された前記第１特徴ベクトルに基づいて、前記第１ユーザの前記第１行動の発生確率を示す第１行動予測情報を出力する第３出力部を有する第１行動推定モデルを構築するステップと、前記第２コンテキスト推定モデルを構築するステップにおいて構築された前記第２受付部及び前記第２変換部と、前記第１行動推定モデルを構築するステップにおいて構築された前記第３出力部であって、前記第２特徴ベクトルに基づいて、前記第２ユーザの前記第２行動の発生確率を示す第２行動予測情報を出力する前記第３出力部とを有する第２行動推定モデルを構築するステップと、を有する。
【発明の効果】
【0014】
本発明によれば、第１ドメインのデータと第２ドメインのデータとにおいてユーザの対応付けを行うことなく、第１ドメインに対応するユーザの行動から第２ドメインに対応するユーザの行動を推定することができるという効果を奏する。
【図面の簡単な説明】
【0015】
【図1】第１の実施の形態に係る情報処理装置の概要を説明する図である。
【図2】第１の実施の形態に係る情報処理装置の構成を示す図である。
【図3】第１関連行動データ及び第２関連行動データを示す図である。
【図4】第１コンテキスト推定モデルを示す図である。
【図5】第２コンテキスト推定モデルを示す図である。
【図6】第１行動推定モデルを示す図である。
【図7】第２行動推定モデルを示す図である。
【図8】第１の実施の形態に係る情報処理装置における処理の流れの一例を示すフローチャートである。
【図9】第２の実施の形態に係る情報処理装置の構成を示す図である。
【発明を実施するための形態】
【0016】
＜第１の実施の形態＞
［情報処理装置の概要］
図１は、第１の実施の形態に係る情報処理装置１の概要を説明する図である。情報処理装置１は、ユーザの行動に関連する関連行動に基づいて、ユーザの所定の行動の発生確率を推定するためのコンピュータである。
［情報処理装置の概要］
図１は、第１の実施の形態に係る情報処理装置１の概要を説明する図である。情報処理装置１は、ユーザの行動に関連する関連行動に基づいて、ユーザの所定の行動の発生確率を推定するためのコンピュータである。
【0017】
以下の説明において、第１ドメインのユーザを第１ユーザ、第１ユーザの所定の行動を第１行動、第１行動に関連する関連行動を第１関連行動という。また、第１ドメインとは異なるドメインである第２ドメインのユーザを第２ユーザ、第２ユーザの所定の行動を第２行動、第２行動に関連する関連行動を第２関連行動という。
【0018】
第１ユーザは、例えば第１ドメインのサイトである第１サイトを利用するユーザである。第１行動は、情報処理装置１が検出可能な行動であり、例えば実店舗や仮想店舗におけるユーザの購買行動である。本実施の形態では、第１行動は、第１サイトにおける第１ユーザの購買行動であるものとする。第１関連行動は、例えば第１ユーザの第１サイトの閲覧行動である。
【0019】
第２ユーザは、例えば第２ドメインのサイトを利用するユーザである。第２行動は、第１行動と所定の関係を有する行動である。所定の関係とは、例えば、第１行動の種別と、第２行動の種別とが同じであることである。第２行動は、例えば、第１ドメインに対応するサイトとは異なる他のサイトである第２ドメインのサイトである第２サイトにおける第２ユーザの購買行動である。第２関連行動は、例えば第２ユーザの第２サイトの閲覧行動である。
【0020】
まず、情報処理装置１は、第１ドメインの第１ユーザの第１関連行動に対応する第１関連行動データと、当該第１関連行動に対する第１行動の発生結果を示すデータと、第２ドメインの第２ユーザの第２関連行動に対応する第２関連行動データを取得する。第１関連行動データには、第１ユーザを識別するための第１ユーザＩＤと、第１関連行動に対応するアイテムを識別するための第１アイテム識別情報としての第１アイテムＩＤとが含まれている。第２関連行動データには、第２ユーザを識別するための第２ユーザＩＤと、第２関連行動に対応するアイテムを識別するための第２アイテム識別情報としての第２アイテムＩＤとが含まれている。
【0021】
情報処理装置１は、取得した第１関連行動データに含まれている第１ユーザＩＤと、第１アイテムＩＤとを用いて、第１ユーザＩＤに対応する第１ユーザベクトル、及び第１アイテムＩＤに対応する第１アイテムベクトルが入力されたことに応じて、第１ユーザの第１関連行動に関する情報である第１コンテキスト情報を出力するプログラムである第１コンテキスト推定モデルを構築する。
【0022】
情報処理装置１は、取得した第２関連行動データに含まれている第２ユーザＩＤと、第２アイテムＩＤとを用いて、第２ユーザＩＤに対応する第２ユーザベクトル、及び、第２アイテムＩＤに対応し、第１アイテムベクトルと同じ特徴空間で表現される第２アイテムベクトルが入力されたことに応じて、第２ユーザの第２関連行動に関する情報であり、第１コンテキスト情報と同じ表現形式である第２コンテキスト情報を出力するプログラムである第２コンテキスト推定モデルを構築する。これにより、第１コンテキスト推定モデルと、第２コンテキスト推定モデルとは、同じ表現形式のコンテキスト情報を出力することができる。
【0023】
情報処理装置１は、第１関連行動データと、第１関連行動に対する第１行動の発生結果を示すデータとを用いて、第１ユーザＩＤに対応する第１ユーザベクトル、及び第１アイテムＩＤに対応する第１アイテムベクトルが入力されたことに応じて、第１ユーザの第１行動の発生確率を示す第１行動予測情報を出力する第１行動推定モデルを構築する。情報処理装置１は、第１行動推定モデルの入力部分、及び中間処理部分を流用することにより、第１コンテキスト推定モデルと共通の処理を行う部分を有するプログラムである第１行動推定モデルを構築する。
【0024】
第１コンテキスト推定モデルと、第１行動推定モデルとは、入力部分、及び中間処理部分が共通であり、第１コンテキスト推定モデルと、第２コンテキスト推定モデルとは、同じ表現形式のコンテキスト情報を出力することから、第２コンテキスト推定モデルの出力部分を、第１行動推定モデルの出力部分に置き換えることができる。
【0025】
このため、情報処理装置１は、第２コンテキスト推定モデルの出力部を、第１行動推定モデルの出力部に置き換えることにより、第２ユーザＩＤに対応する第２ユーザベクトル、及び第２アイテムＩＤに対応する第２アイテムベクトルが入力されたことに応じて、第２ユーザの第２行動の発生確率を示す第２行動予測情報を出力するプログラムである第２行動推定モデルを構築する。このようにすることで、情報処理装置１は、第１ドメインのデータと第２ドメインのデータとにおいてユーザの対応付けを行うことなく、第１ドメインに対応するユーザの行動から第２ドメインに対応するユーザの行動を推定することができる。
【0026】
続いて、情報処理装置１の構成を説明する。情報処理装置１の構成を説明するにあたり、第１行動が第１ドメインのサイトである第１サイトにおけるユーザの購買行動、第１関連行動が第１サイトにおけるユーザの閲覧行動、第２行動が第２ドメインのサイトである第２サイトにおけるユーザの購買行動、第２関連行動が第２サイトにおけるユーザの閲覧行動であるものとして説明を進める。
【0027】
［情報処理装置１の構成例］
続いて、情報処理装置１の構成について説明する。図２は、第１の実施の形態に係る情報処理装置１の構成を示す図である。情報処理装置１は、通信部１１と、記憶部１２と、制御部１３とを有する。制御部１３は、データ取得部１３１と、教師データ生成部１３２と、第１構築部１３３と、第２構築部１３４と、第３構築部１３５と、第４構築部１３６と、予測部１３７とを有する。
続いて、情報処理装置１の構成について説明する。図２は、第１の実施の形態に係る情報処理装置１の構成を示す図である。情報処理装置１は、通信部１１と、記憶部１２と、制御部１３とを有する。制御部１３は、データ取得部１３１と、教師データ生成部１３２と、第１構築部１３３と、第２構築部１３４と、第３構築部１３５と、第４構築部１３６と、予測部１３７とを有する。
【0028】
通信部１１は、インターネット等のネットワークを介して外部装置とデータを送受信するための通信インターフェースである。
記憶部１２は、例えば、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）及びＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）等である。記憶部１２は、情報処理装置１を機能させるための各種プログラムを記憶する。例えば、記憶部１２は、情報処理装置１の制御部１３を、データ取得部１３１、教師データ生成部１３２、第１構築部１３３、第２構築部１３４、第３構築部１３５、第４構築部１３６、及び予測部１３７として機能させるプログラムを記憶する。
記憶部１２は、例えば、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）及びＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）等である。記憶部１２は、情報処理装置１を機能させるための各種プログラムを記憶する。例えば、記憶部１２は、情報処理装置１の制御部１３を、データ取得部１３１、教師データ生成部１３２、第１構築部１３３、第２構築部１３４、第３構築部１３５、第４構築部１３６、及び予測部１３７として機能させるプログラムを記憶する。
【0029】
制御部１３は、例えばＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）である。制御部１３は、記憶部１２に記憶されている各種プログラムを実行することにより、情報処理装置１に係る機能を制御する。制御部１３は、記憶部１２に記憶されているプログラムを実行することにより、データ取得部１３１、教師データ生成部１３２、第１構築部１３３、第２構築部１３４、第３構築部１３５、第４構築部１３６、及び予測部１３７として機能する。
【0030】
データ取得部１３１は、例えば、情報処理装置１を使用する分析者の端末（不図示）から、第１ユーザの第１行動に関連する第１関連行動に対応する第１関連行動データと、第２ユーザの第２行動に関連する第２関連行動に対応する第２関連行動データとを取得する。データ取得部１３１は、第１ユーザの第１サイトにおける購買行動（第１行動）に関連する、第１サイトにおける閲覧行動（第１関連行動）に対応する第１アイテムの第１アイテムＩＤと、第１ユーザの第１ユーザＩＤとを含む第１関連行動データを取得する。また、データ取得部１３１は、第２ユーザの第２サイトにおける購買行動（第２行動）に関連する、第２サイトにおける閲覧行動（第２関連行動）に対応する第２アイテムの第２アイテムＩＤと、第２ユーザの第２ユーザＩＤとを含む第２関連行動データを取得する。
【0031】
具体的には、データ取得部１３１は、第１ユーザＩＤと、第１サイトにおいて第１ユーザが閲覧した第１アイテムを示す第１アイテムＩＤと、第１アイテムを閲覧した時刻を示す時刻情報と、第１アイテムを閲覧した場所を示す場所情報とを関連付けた第１関連行動データを取得する。また、データ取得部１３１は、第２ユーザＩＤと、第２サイトにおいて第２ユーザが閲覧した第２アイテムを示す第２アイテムＩＤと、第２アイテムを閲覧した時刻を示す時刻情報と、第２アイテムを閲覧した場所を示す場所情報とを関連付けた第１関連行動データを取得する。
【0032】
図３は、第１関連行動データ及び第２関連行動データを示す図である。図３（ａ）は、第１関連行動データを示し、図３（ｂ）は、第２関連行動データを示している。図３（ａ）に示すように、第１関連行動データにおいて、第１ユーザＩＤと、第１アイテムＩＤと、第１アイテムを閲覧した時刻を示す時刻情報と、第１アイテムを閲覧した場所を示す場所情報とを関連付けられていることが確認できる。同様に、図３（ｂ）に示すように、第２関連行動データにおいて、第２ユーザＩＤと、第２アイテムＩＤと、第２アイテムを閲覧した時刻を示す時刻情報と、第２アイテムを閲覧した場所を示す場所情報とを関連付けられていることが確認できる。なお、図３（ａ）及び図３（ｂ）に示すように、第１ユーザＩＤと、第２ユーザＩＤとは別体系のＩＤであり、第１ユーザＩＤと第２ユーザＩＤとの関連付けができないものとする。
【0033】
また、データ取得部１３１は、第１サイトにおける第１アイテムの閲覧行動（第１関連行動）に対する当該第１アイテムの購買行動（第１行動）の発生結果を示す第１行動データを取得する。例えば、データ取得部１３１は、第１行動データとして、第１ユーザの第１ユーザＩＤと、当該第１ユーザが第１サイトにおいて購入した第１アイテムの第１アイテムＩＤと、第１アイテムを購入した時刻を示す時刻情報とを関連付けた購買履歴情報を取得する。
【0034】
教師データ生成部１３２は、第１関連行動データに基づいて、第１コンテキスト推定モデルの構築に用いる第１教師データを生成する。第１教師データは、第１コンテキスト推定モデルに入力する入力ベクトルと、当該入力ベクトルの入力に対し、第１コンテキスト推定モデルから出力させたい出力ベクトルとの組み合わせである。教師データ生成部１３２は、第１教師データを複数生成する。
【0035】
教師データ生成部１３２は、第１コンテキスト推定モデルの構築に用いる入力ベクトルとして、第１ユーザに対応する第１ユーザベクトルと、第１アイテムに対応する第１アイテムベクトルとしての第１アイテムコンテンツベクトルとを生成する。
【0036】
例えば、教師データ生成部１３２は、第１関連行動データに含まれる第１ユーザＩＤに対応する１ｈｏｔベクトルを第１ユーザベクトルとして生成する。また、教師データ生成部１３２は、第１関連行動データにおいて、当該第１ユーザＩＤに関連付けられている第１アイテムＩＤに対応する第１アイテムの特徴を示す第１アイテムコンテンツベクトルを生成する。
【0037】
例えば、記憶部１２には、第１アイテムのアイテムＩＤと、所定の言語を用いて当該第１アイテムを説明するテキスト情報としての説明文とが関連付けて記憶されている。教師データ生成部１３２は、第１アイテムのアイテムＩＤに関連付けられている説明文に含まれている語彙に基づいて、第１アイテムコンテンツベクトルを生成する。
【0038】
第１アイテムコンテンツベクトルは、例えば、ｎ個の語彙それぞれが第１アイテムの説明文に含まれるか否かを示すベクトルであり、（Ｖ１、Ｖ２、…、Ｖｎ）で示される。Ｖｉ（ただし、１≦ｉ≦ｎ）は、語彙ｉが第１アイテムの説明文に含まれている場合、１となり、語彙ｉが当該説明文に含まれていない場合、０となる。
【0039】
教師データ生成部１３２は、第１関連行動データに含まれる第１ユーザＩＤに対応する第１ユーザベクトルと、当該第１ユーザＩＤに関連付けられているアイテムＩＤに対して生成した第１アイテムコンテンツベクトルとのセットを、入力ベクトルとする。
【0040】
教師データ生成部１３２は、第１コンテキスト推定モデルの構築に用いる出力ベクトルとして、入力ベクトルに対応して、第１時刻ベクトルと、第１場所ベクトルと、第１アイテムコンテキストベクトルとを生成する。
【0041】
教師データ生成部１３２は、第１関連行動データにおいて、生成した入力ベクトルに対応する第１ユーザＩＤ及び第１アイテムＩＤに関連付けられている時刻情報及び場所情報に基づいて、第１時刻ベクトルと、第１場所ベクトルとを生成する。
【0042】
第１時刻ベクトルは、第１アイテムに関連付けられている時刻情報が示す時刻に対応するベクトルであり、例えば、アイテムＩＤと関連付けられている時刻情報が何時であるかに基づいて生成される。例えば、第１時刻ベクトルは、０時～２３時それぞれに対応して２４個の要素を有している。第１アイテムに関連付けられている時刻が１９時である場合は、１９時に対応する要素の値が１となり、それ以外の要素の値が０となる。
【0043】
第１場所ベクトルは、第１アイテムに関連付けられている場所情報が示す場所に対応するベクトルである。第１場所ベクトルは、例えば、アイテムＩＤと関連付けられている場所がどの都道府県に属しているかに基づいて生成される。例えば、第１場所ベクトルは、都道府県の数に対応して４７個の要素を有している。第１アイテムに関連付けられている場所が東京である場合は、東京に対応する要素の値が１となり、それ以外の要素の値が０となる。
【0044】
教師データ生成部１３２は、第１関連行動データを参照し、入力ベクトルに含まれる第１アイテムＩＤの前後の時間に出現する複数の第１アイテムＩＤを特定する。教師データ生成部１３２は、入力ベクトルに含まれる第１アイテムＩＤに対応する第１アイテムコンテンツベクトルと、特定した複数の第１アイテムＩＤそれぞれの第１アイテムコンテンツベクトルとを含む第１アイテムコンテキストベクトルを生成する。
【0045】
例えば、第１アイテムコンテキストベクトルは、入力ベクトルに含まれる第１アイテムＩＤに対応するアイテムコンテンツベクトルと、当該第１アイテムＩＤが示す第１アイテムの閲覧時刻の直前に閲覧された２つのアイテムコンテンツベクトルと、当該第１アイテムの閲覧時刻の直後に閲覧された２つのアイテムコンテンツベクトルとを含んでいる。
【0046】
教師データ生成部１３２は、第１コンテキスト推定モデルの構築に用いる教師データを生成するのと同様に、第２関連行動データに基づいて、第２コンテキスト推定モデルの構築に用いる教師データとしての入力ベクトルと、出力ベクトルとの組み合わせを複数生成する。
【0047】
教師データ生成部１３２は、第２コンテキスト推定モデルの構築に用いる入力ベクトルとして、第２ユーザに対応する第２ユーザベクトルと、第２アイテムに対応する第２アイテムベクトルとしての第２アイテムコンテンツベクトルとを生成する。
【0048】
教師データ生成部１３２は、第１ユーザベクトルと同様に、第２関連行動データに含まれる第２ユーザＩＤに対応する１ｈｏｔベクトルを第２ユーザベクトルとして生成する。また、記憶部１２には、第２アイテムのアイテムＩＤと、第１アイテムの説明文と同じ言語を用いて第２アイテムを説明するテキスト情報としての説明文とが関連付けて記憶されている。教師データ生成部１３２は、第２アイテムのアイテムＩＤに関連付けられている説明文に含まれている語彙に基づいて、第２アイテムコンテンツベクトルを生成する。第２アイテムコンテンツベクトルは、第１アイテムコンテンツベクトルと同様に、（Ｖ１、Ｖ２、…、Ｖｎ）で示される。これにより、第１アイテムコンテンツベクトルと第２アイテムコンテンツベクトルとは、共通の特徴空間で表現されるものとなる。
【0049】
また、教師データ生成部１３２は、生成した入力ベクトルに対応して、第２コンテキスト推定モデルの構築に用いる出力ベクトルとして、第２時刻ベクトル、第２場所ベクトル、及び第２アイテムコンテキストベクトルを生成する。第２時刻ベクトル、第２場所ベクトル、及び第２アイテムコンテキストベクトルは、それぞれ、第１時刻ベクトル、第１場所ベクトル、及び第１アイテムコンテキストベクトルと同様の手法で生成される。これにより、第２時刻ベクトル、第２場所ベクトル、及び第２アイテムコンテキストベクトルは、それぞれ、第１時刻ベクトル、第１場所ベクトル、及び第１アイテムコンテキストベクトルと共通の特徴空間で表現されるものとなる。
【0050】
第１構築部１３３は、第１関連行動データを用いて、第１ユーザの閲覧行動（第１関連行動）を示す入力ベクトルが入力されると、当該閲覧行動に関する情報である第１コンテキスト情報を出力する第１コンテキスト推定モデルを構築する。
【0051】
第１ユーザの閲覧行動を示す入力ベクトルは、第１ユーザを示す第１ユーザＩＤに対応する第１ユーザベクトル、及び当該第１ユーザが閲覧した第１のアイテムを示す第１アイテムＩＤに対応する第１アイテムコンテンツベクトルである。第１コンテキスト情報は、時空間コンテキスト情報、及びアイテムコンテキスト情報である。時空間コンテキスト情報は、第１ユーザの閲覧行動の発生時刻を示す時刻情報としての第１時刻ベクトル、及び第１ユーザの閲覧行動の発生場所を示す場所情報としての第１場所ベクトルである。アイテムコンテキスト情報は、第１ユーザの閲覧行動に対応する第１アイテムの第１アイテムコンテンツベクトルと、当該第１アイテムに関連する他の第１アイテムに対応する第１アイテムコンテンツベクトルとを含むベクトルである。第１アイテムに関連する他の第１アイテムは、例えば、第１ユーザの閲覧行動の前後の閲覧行動に対応する第１アイテムである。
【0052】
図４は、第１コンテキスト推定モデルを示す図である。第１コンテキスト推定モデルは、例えばニューラルネットワークモデルであり、図４に示すように、第１受付部、第１変換部、第１出力部を有している。コンピュータが第１コンテキスト推定モデルを実行することにより、コンピュータは、第１受付部、第１変換部、第１出力部として機能する。
【0053】
第１受付部は、第１ユーザＩＤに対応する第１ユーザベクトル、及び第１アイテムＩＤに対応する第１アイテムコンテンツベクトルの入力を受け付ける。
第１変換部は、入力されたベクトル、すなわち、第１ユーザベクトル及び第１アイテムコンテンツベクトルを、これらのベクトルの特徴を示す所定の次元数の第１特徴ベクトルである第１埋込ベクトルに変換する。
第１出力部は、第１変換部により変換された第１埋込ベクトルに基づいて、第１コンテキスト情報としての出力ベクトルを出力する。
第１変換部は、入力されたベクトル、すなわち、第１ユーザベクトル及び第１アイテムコンテンツベクトルを、これらのベクトルの特徴を示す所定の次元数の第１特徴ベクトルである第１埋込ベクトルに変換する。
第１出力部は、第１変換部により変換された第１埋込ベクトルに基づいて、第１コンテキスト情報としての出力ベクトルを出力する。
【0054】
第１構築部１３３は、教師データ生成部１３２が生成した入力ベクトルと、当該入力ベクトルに対応する出力ベクトルとを教師データとする。第１構築部１３３は、教師データに含まれる入力ベクトルを第１コンテキスト推定モデルに入力すると、第１コンテキスト推定モデルから、当該入力ベクトルに対応する出力ベクトルが出力されるように第１コンテキスト推定モデルの学習を行うことにより、第１コンテキスト推定モデルを構築する。第１構築部１３３は、構築した第１コンテキスト推定モデルを記憶部１２に記憶させる。
【0055】
第２構築部１３４は、第２関連行動データを用いて、第２ユーザの閲覧行動（第２関連行動）を示す入力ベクトルが入力されると、当該閲覧行動に関する第２コンテキスト情報を出力する第２コンテキスト推定モデルを構築する。第２構築部１３４は、第１コンテキスト情報と同じ表現形式を有する第２コンテキスト情報を出力する。
【0056】
第２関連行動を示す入力ベクトルは、第２ユーザを示す第２ユーザＩＤに対応する第２ユーザベクトル、及び当該第２ユーザが閲覧した第２のアイテムを示す第２アイテムＩＤに対応する第２アイテムコンテンツベクトルである。第２アイテムコンテンツベクトルは、将来第２ユーザが閲覧する可能性があるアイテムとしての第１のアイテムを示す第１アイテムＩＤに対応するアイテムコンテンツベクトルであってもよい。第２コンテキスト情報は、時空間コンテキスト情報、及びアイテムコンテキスト情報である。時空間コンテキスト情報は、第２ユーザの閲覧行動の発生時刻を示す時刻情報としての第２時刻ベクトル、及び第２ユーザの閲覧行動の発生場所を示す場所情報としての第２場所ベクトルである。アイテムコンテキスト情報は、第２ユーザの閲覧行動に対応する第１アイテム又は第２アイテムの第２アイテムコンテンツベクトルと、当該第２アイテムに関連する他の第２アイテムに対応する第２アイテムコンテンツベクトルとを含むベクトルである。第２アイテムに関連する他の第２アイテムは、例えば、第２ユーザの閲覧行動の前後の閲覧行動に対応する第２アイテムである。
【0057】
図５は、第２コンテキスト推定モデルを示す図である。図５に示すように、第２コンテキスト推定モデルは、例えばニューラルネットワークモデルであり、第１コンテキスト推定モデルと同様の構成を有している。第２コンテキスト推定モデルは、第２受付部、第２変換部、第２出力部を有する。コンピュータが第２コンテキスト推定モデルを実行することにより、コンピュータは、第２受付部、第２変換部、第２出力部として機能する。
【0058】
第２受付部は、第２ユーザＩＤに対応する第２ユーザベクトル、及び第２アイテムＩＤに対応するとともに第１アイテムコンテンツベクトルと同じ特徴空間で表現される第２アイテムコンテンツベクトルの入力を受け付ける。
【0059】
第２変換部は、入力されたベクトル、すなわち、第２ユーザベクトル及び第２アイテムコンテンツベクトルを、これらのベクトルの特徴を示す所定の次元数の第２特徴ベクトルである第２埋込ベクトルに変換する。第２変換部は、第２ユーザベクトル及び第２アイテムコンテンツベクトルを、第１埋込ベクトルと同じ次元数を有する第２埋込ベクトルに変換する。
【0060】
第２出力部は、第２変換部により変換された第２埋込ベクトルに基づいて、第２ユーザの第２関連行動に関する情報であって、第１コンテキスト情報と同じ表現形式を有する第２コンテキスト情報を出力する。
【0061】
第２構築部１３４は、教師データ生成部１３２が第２関連行動データから生成した第２ドメインに対応する入力ベクトルを第２コンテキスト推定モデルに入力すると、第２コンテキスト推定モデルから、当該入力ベクトルに対応する出力ベクトルが出力されるように第２コンテキスト推定モデルの学習を行うことにより、第２コンテキスト推定モデルを構築する。第２構築部１３４は、構築した第２コンテキスト推定モデルを記憶部１２に記憶させる。
【0062】
第３構築部１３５は、第１関連行動データと、第１関連行動データに含まれる第１関連行動に対する第１行動の発生結果を示すデータとを用いて、第１ユーザの閲覧行動（第１関連行動）を示す入力ベクトルが入力されると、第１ユーザの購買行動（第１行動）の発生確率を示す第１行動予測情報を出力する第１行動推定モデルを構築する。
【0063】
第１関連行動を示す入力ベクトルは、第１コンテキスト推定モデルに入力される入力ベクトルと同じく、第１ユーザを示す第１ユーザＩＤに対応する第１ユーザベクトル、及び当該第１ユーザが閲覧した第１のアイテムを示す第１アイテムＩＤに対応する第１アイテムコンテンツベクトルである。
【0064】
図６は、第１行動推定モデルを示す図である。第１行動推定モデルは、例えばニューラルネットワークモデルであり、図６に示すように、第１受付部、第１変換部、第３出力部を有している。コンピュータが第１行動推定モデルを実行することにより、コンピュータは、第１受付部、第１変換部、第３出力部として機能する。
【0065】
第１受付部及び第１変換部は、第１行動推定モデルが有する第１受付部及び第１変換部と同じであるため、説明を省略する。
第３出力部は、第１変換部により変換された第１埋込ベクトルに基づいて、第１ユーザの購買行動（第１行動）の発生確率を示す第１行動予測情報を出力する。第１行動予測情報は、例えば、第１ユーザが入力ベクトルに対応する第１アイテムを購入する評価値を示すレーティング情報である。当該レーティング情報は、第１ユーザの第１アイテムに対する閲覧行動や購入行動に伴う５段階等の明示的評価値でもよく、閲覧行動や購入行動が発生したか否かを表す暗黙的評価値でもよい。
第３出力部は、第１変換部により変換された第１埋込ベクトルに基づいて、第１ユーザの購買行動（第１行動）の発生確率を示す第１行動予測情報を出力する。第１行動予測情報は、例えば、第１ユーザが入力ベクトルに対応する第１アイテムを購入する評価値を示すレーティング情報である。当該レーティング情報は、第１ユーザの第１アイテムに対する閲覧行動や購入行動に伴う５段階等の明示的評価値でもよく、閲覧行動や購入行動が発生したか否かを表す暗黙的評価値でもよい。
【0066】
第３構築部１３５は、教師データ生成部１３２が生成した入力ベクトルと、当該入力ベクトルに含まれる第１アイテムコンテンツベクトルに対応する第１アイテムの購買結果を示す購買結果情報とを教師データとする。購買結果情報は、データ取得部１３１が取得した購買履歴情報に基づいて生成され、０又は１のいずれかをとる二値情報である。例えば、第１ユーザが第１アイテムを購入した場合、購買結果情報の値は１であり、第１ユーザが第１アイテムを購入しなかった場合、購買結果情報の値は０である。なお、購買結果情報は、第１ユーザが第１アイテムを購入する確率を示す情報であってもよく、例えば分析者等が分析することにより生成されてもよい。
【0067】
第３構築部１３５は、教師データを用いて、当該教師データに含まれる入力ベクトルを第１行動推定モデルに入力すると、第１行動推定モデルから、当該入力ベクトルに対応する第１アイテムを購入する確率を示すレーティング情報が出力されるように第１行動推定モデルの学習を行うことにより、第１行動推定モデルを構築する。第３構築部１３５は、構築した第１行動推定モデルを記憶部１２に記憶させる。
【0068】
第４構築部１３６は、第２構築部１３４により構築された第２コンテキスト推定モデルと、第３構築部１３５により構築された第１行動推定モデルとを用いて、第２ユーザの閲覧行動（第２関連行動）を示す入力ベクトルが入力されると、第２ユーザの購買行動（第２行動）の発生確率を示す第２行動予測情報を出力する第２行動推定モデルを構築する。
【0069】
具体的には、第４構築部１３６は、第２構築部１３４により構築された第２受付部及び第２変換部と、第３構築部により構築された第３出力部であって、第２変換部が生成した第２埋込ベクトルに基づいて、第２ユーザの第２行動の発生確率を示す第２行動予測情報を出力する第３出力部とを有する第２行動推定モデルを構築する。
【0070】
図７は、第２行動推定モデルを示す図である。第２行動推定モデルは、例えばニューラルネットワークモデルであり、図７に示すように、第２コンテキスト推定モデルが有する第２受付部、第２変換部を有している。また、第２行動推定モデルは、第１行動推定モデルが有する第３出力部を有している。コンピュータが第２行動推定モデルを実行することにより、コンピュータは、第２受付部、第２変換部、第３出力部として機能する。第４構築部１３６は、構築した第２行動推定モデルを記憶部１２に記憶させる。
【0071】
予測部１３７は、第２ユーザの第２行動の発生確率を予測する。例えば、予測部１３７は、分析者が使用する端末から、第２ドメインの第２ユーザの第２ユーザＩＤと、当該第２ユーザの第２サイトにおける閲覧行動（第２関連行動）に対応する第２アイテムの第２アイテムＩＤとを取得する。予測部１３７は、第２アイテムの第２アイテムＩＤを取得したが、これに限らず、第１アイテムの第１アイテムＩＤを取得してもよい。
【0072】
予測部１３７は、取得した第２ユーザＩＤに対応する１ｈｏｔベクトルを第２ユーザベクトルとして生成する。予測部１３７は、取得した第１アイテムＩＤ又は第２アイテムＩＤに対応する第２アイテムコンテンツベクトルを生成する。予測部１３７は、記憶部１２に記憶されている第２行動推定モデルを実行し、生成した第２ユーザベクトルと、第２アイテムコンテンツベクトルとを、第２行動推定モデルに入力し、第２行動推定モデルから第２行動予測情報を取得する。予測部１３７は、取得した第２行動予測情報を分析者の端末に出力する。予測部１３７は、候補となる第２アイテムコンテンツベクトルを複数入力し、その中で発生確率の高い第１アイテムＩＤ又は第２アイテムＩＤを出力してもよい。
【0073】
［動作フロー］
図８は、本実施の形態に係る情報処理装置１における処理の流れの一例を示すフローチャートである。
まず、データ取得部１３１は、第１関連行動データ、第２関連行動データ、第１行動データを取得する（Ｓ１）。
続いて、教師データ生成部１３２は、Ｓ１において取得した第１関連行動データ、第２関連行動データ、第１行動データに基づいて、第１コンテキスト推定モデル、第２コンテキスト推定モデル、第１行動推定モデルの構築に用いる教師データを生成する（Ｓ２）。
図８は、本実施の形態に係る情報処理装置１における処理の流れの一例を示すフローチャートである。
まず、データ取得部１３１は、第１関連行動データ、第２関連行動データ、第１行動データを取得する（Ｓ１）。
続いて、教師データ生成部１３２は、Ｓ１において取得した第１関連行動データ、第２関連行動データ、第１行動データに基づいて、第１コンテキスト推定モデル、第２コンテキスト推定モデル、第１行動推定モデルの構築に用いる教師データを生成する（Ｓ２）。
【0074】
続いて、第１構築部１３３は、教師データ生成部１３２が生成した教師データを用いて第１コンテキスト推定モデルを構築する（Ｓ３）。
続いて、第２構築部１３４は、教師データ生成部１３２が生成した教師データを用いて第２コンテキスト推定モデルを構築する（Ｓ４）。
ここで、Ｓ３に係る処理が実行された後にＳ４に係る処理が実行されることとしたが、これに限らない。Ｓ４に係る処理が実行された後にＳ３に係る処理が実行されてもよいし、並列に非同期で実行してもよい。
続いて、第３構築部１３５は、教師データ生成部１３２が生成した教師データを用いて第１行動推定モデルを構築する（Ｓ５）。
続いて、第２構築部１３４は、教師データ生成部１３２が生成した教師データを用いて第２コンテキスト推定モデルを構築する（Ｓ４）。
ここで、Ｓ３に係る処理が実行された後にＳ４に係る処理が実行されることとしたが、これに限らない。Ｓ４に係る処理が実行された後にＳ３に係る処理が実行されてもよいし、並列に非同期で実行してもよい。
続いて、第３構築部１３５は、教師データ生成部１３２が生成した教師データを用いて第１行動推定モデルを構築する（Ｓ５）。
【0075】
続いて、第４構築部１３６は、第２コンテキストモデルが有する第２受付部及び第２変換部と、第１行動推定モデルが有する第３出力部とを組み合わせて第２行動推定モデルを構築する（Ｓ６）。
【0076】
続いて、予測部１３７は、分析者の端末から、第２ユーザＩＤと、第２アイテムＩＤとを取得する（Ｓ７）。なお、上述したように、予測部１３７は、第２アイテムＩＤを取得する代わりに、将来の行動として第１アイテムＩＤを取得してもよい。
【0077】
続いて、予測部１３７は、取得した第２ユーザＩＤに対応する第２ユーザベクトルを生成するとともに、取得した第２アイテムＩＤに対応する第２アイテムコンテンツベクトルを生成する。なお、予測部１３７は、第２アイテムＩＤに代わりに第１アイテムＩＤを取得した場合には、第１アイテムＩＤに対応する第１アイテムコンテンツベクトルを生成する。そして、予測部１３７は、生成した第２ユーザベクトルと、第２アイテムコンテンツベクトルとを、第２行動推定モデルに入力し、第２行動推定モデルから第２行動予測情報を取得する（Ｓ８）。なお、予測部１３７は、第２アイテムＩＤに代わりに第１アイテムＩＤを取得した場合には、生成した第２ユーザベクトルと、第１アイテムコンテンツベクトルとを、第２行動推定モデルに入力し、第２行動推定モデルから第２行動予測情報を取得する。
続いて、予測部１３７は、Ｓ８において取得した第２行動予測情報を分析者の端末に出力する（Ｓ９）。
続いて、予測部１３７は、Ｓ８において取得した第２行動予測情報を分析者の端末に出力する（Ｓ９）。
【0078】
［変形例］
なお、上述の実施形態において、第１コンテキスト推定モデルの第１受付部は、一人の第１ユーザに対応する第１ユーザベクトルを受け付け、第２コンテキスト推定モデルの第２受付部は、一人の第２ユーザに対応する第１ユーザベクトルを受け付けたが、これに限らない。第１受付部は、複数の第１ユーザに対応する複数の第１ユーザベクトルを平均化したベクトルと、複数の第１ユーザベクトルに対応する第１アイテムＩＤに対応する第１アイテムコンテンツベクトルの入力を受け付けてもよい。同様に、第２受付部は、複数の第２ユーザに対応する複数の第２ユーザベクトルを平均化したベクトルと、複数の第２ユーザベクトルに対応する第２アイテムＩＤに対応する第２アイテムコンテンツベクトルの入力を受け付けてもよい。
なお、上述の実施形態において、第１コンテキスト推定モデルの第１受付部は、一人の第１ユーザに対応する第１ユーザベクトルを受け付け、第２コンテキスト推定モデルの第２受付部は、一人の第２ユーザに対応する第１ユーザベクトルを受け付けたが、これに限らない。第１受付部は、複数の第１ユーザに対応する複数の第１ユーザベクトルを平均化したベクトルと、複数の第１ユーザベクトルに対応する第１アイテムＩＤに対応する第１アイテムコンテンツベクトルの入力を受け付けてもよい。同様に、第２受付部は、複数の第２ユーザに対応する複数の第２ユーザベクトルを平均化したベクトルと、複数の第２ユーザベクトルに対応する第２アイテムＩＤに対応する第２アイテムコンテンツベクトルの入力を受け付けてもよい。
【0079】
この場合、複数の第１ユーザベクトルに対応する第１アイテムＩＤは、例えば、複数の第１ユーザが第１ドメインのサイトにおいて閲覧した回数が相対的に多い第１アイテムに対応する第１アイテムＩＤである。また、複数の第２ユーザベクトルに対応する第２アイテムＩＤは、例えば、複数の第２ユーザが第２ドメインのサイトにおいて閲覧した回数が相対的に多い第１アイテムに対応する第１アイテムＩＤである。このようにすることで、情報処理装置１は、ユーザのプライバシーを考慮して、それぞれのドメインの複数のユーザに対応するコンテキスト情報を取得することができる。
【0080】
［第１の実施の形態における効果］
以上の通り、本実施の形態に係る情報処理装置１は、第１関連行動データと、第１関連行動に対する第１行動の発生結果を示すデータとを用いて、第１ユーザＩＤに対応する第１ユーザベクトル、及び第１アイテムＩＤに対応する第１アイテムコンテンツベクトルの入力を受け付ける第１受付部、入力されたベクトルを、ベクトルの特徴を示す所定の次元数の第１埋込ベクトルに変換する第１変換部、及び変換された第１埋込ベクトルに基づいて、第１ユーザの第１行動の発生確率を示す第１行動予測情報を出力する第３出力部を有する第１行動予測モデルを構築する。また、情報処理装置１は、第２関連行動データを用いて、第２ユーザＩＤに対応する第２ユーザベクトル、及び第２アイテムＩＤに対応するとともに第１アイテムコンテンツベクトルと同じ特徴空間で表現される第２アイテムコンテンツベクトルの入力を受け付ける第２受付部、入力されたベクトルを、ベクトルの特徴を示す所定の次元数の第２埋込ベクトルに変換する第２変換部、及び変換された第２埋込ベクトルに基づいて、第２ユーザの第２関連行動に関する情報であって、第１コンテキスト情報と同じ表現形式を有する第２コンテキスト情報を出力する第２出力部を有する第２コンテキスト推定モデルを構築する。そして、情報処理装置１は、第２受付部及び第２変換部と、第３構築部により構築された第３出力部であって、第２埋込ベクトルに基づいて、第２ユーザの第２行動の発生確率を示す第２行動予測情報を出力する第３出力部とを有する第２行動推定モデルを構築する。このようにすることで、第１ドメインのデータと第２ドメインのデータとにおいてユーザの対応付けを行うことなく、第１ドメインに対応するユーザの行動から第２ドメインに対応するユーザの行動を推定することができる。
以上の通り、本実施の形態に係る情報処理装置１は、第１関連行動データと、第１関連行動に対する第１行動の発生結果を示すデータとを用いて、第１ユーザＩＤに対応する第１ユーザベクトル、及び第１アイテムＩＤに対応する第１アイテムコンテンツベクトルの入力を受け付ける第１受付部、入力されたベクトルを、ベクトルの特徴を示す所定の次元数の第１埋込ベクトルに変換する第１変換部、及び変換された第１埋込ベクトルに基づいて、第１ユーザの第１行動の発生確率を示す第１行動予測情報を出力する第３出力部を有する第１行動予測モデルを構築する。また、情報処理装置１は、第２関連行動データを用いて、第２ユーザＩＤに対応する第２ユーザベクトル、及び第２アイテムＩＤに対応するとともに第１アイテムコンテンツベクトルと同じ特徴空間で表現される第２アイテムコンテンツベクトルの入力を受け付ける第２受付部、入力されたベクトルを、ベクトルの特徴を示す所定の次元数の第２埋込ベクトルに変換する第２変換部、及び変換された第２埋込ベクトルに基づいて、第２ユーザの第２関連行動に関する情報であって、第１コンテキスト情報と同じ表現形式を有する第２コンテキスト情報を出力する第２出力部を有する第２コンテキスト推定モデルを構築する。そして、情報処理装置１は、第２受付部及び第２変換部と、第３構築部により構築された第３出力部であって、第２埋込ベクトルに基づいて、第２ユーザの第２行動の発生確率を示す第２行動予測情報を出力する第３出力部とを有する第２行動推定モデルを構築する。このようにすることで、第１ドメインのデータと第２ドメインのデータとにおいてユーザの対応付けを行うことなく、第１ドメインに対応するユーザの行動から第２ドメインに対応するユーザの行動を推定することができる。
【0081】
＜第２の実施の形態＞
続いて、第２の実施の形態について説明する。第２の実施の形態に係る情報処理装置１は、第１コンテキスト推定モデル及び第２コンテキスト推定モデルにより生成される埋込ベクトルが、あたかも同一のコンテキスト推定モデルから出力された埋込ベクトルであるかのように、第１埋込ベクトル及び第２埋込ベクトルが生成されるように、第１コンテキスト推定モデル及び第２コンテキスト推定モデルの調整を行う点で第１の実施の形態と異なる。以下に、第２の実施の形態に係る情報処理装置１について説明する。なお、第１の実施の形態と同じ部分については適宜説明を省略する。
続いて、第２の実施の形態について説明する。第２の実施の形態に係る情報処理装置１は、第１コンテキスト推定モデル及び第２コンテキスト推定モデルにより生成される埋込ベクトルが、あたかも同一のコンテキスト推定モデルから出力された埋込ベクトルであるかのように、第１埋込ベクトル及び第２埋込ベクトルが生成されるように、第１コンテキスト推定モデル及び第２コンテキスト推定モデルの調整を行う点で第１の実施の形態と異なる。以下に、第２の実施の形態に係る情報処理装置１について説明する。なお、第１の実施の形態と同じ部分については適宜説明を省略する。
【0082】
【0083】
判定部１３８は、第１ユーザベクトルと第１アイテムコンテンツベクトルとから、第１コンテキスト推定モデルの第１変換部が変換した第１埋込ベクトル、及び第２ユーザベクトルと第２アイテムコンテンツベクトルとから第２コンテキスト推定モデルの第２変換部が変換した第２特徴ベクトルの少なくともいずれか入力を受け付け、入力された埋込ベクトルが第１埋込ベクトルであるか第２埋込ベクトルであるかを示す判定情報を出力する。例えば、判定部１３８は、入力された埋込ベクトルの特徴量に基づいて、入力された埋込ベクトルが第１埋込ベクトルであるか第２埋込ベクトルであるかの判定を行い、判定結果を示す判定情報を出力する。
【0084】
また、判定部１３８は、判定情報の出力結果の正解率が高くなるように学習する。例えば、判定部１３８は、埋込ベクトルの入力を受け付けるとともに、当該埋込ベクトルが第１埋込ベクトルであるか、第２埋込ベクトルであるかを示す正解情報を取得する。判定部１３８は、自身の判定結果が、正解情報が示す正解となる確率が高くなるように学習する。
【0085】
第１構築部１３３及び第２構築部１３４は、自身が生成する埋込ベクトルを判定部１３８が判定した場合における、判定部１３８の判定結果の正解率が５０％に近くなるように学習する。例えば、第１構築部１３３は、第１変換部により生成した第１埋込ベクトルを判定部１３８に入力し、判定部１３８から判定結果を取得する処理を複数回行い、判定部１３８から出力された判定結果の正解率が５０％に近くなるように学習を行う。第２構築部１３４も、第１構築部１３３と同様に、第１変換部により生成した第１埋込ベクトルを判定部１３８に入力し、判定部１３８から判定結果を取得する処理を複数回行い、判定部１３８から出力された判定結果の正解率が５０％に近くなるように学習を行う。
【0086】
なお、本実施の形態では、第１構築部１３３及び第２構築部１３４が、自身が生成する埋込ベクトルを判定部１３８が判定した場合における、判定部１３８の判定結果の正解率が５０％に近くなるように学習したが、これに限らない。第１構築部１３３及び第２構築部１３４のいずれか一方のみが、自身が生成する埋込ベクトルを判定部１３８が判定した場合における、判定部１３８の判定結果の正解率が５０％に近くなるように学習してもよい。
【0087】
［第２の実施の形態における効果］
以上の通り、本実施の形態に係る情報処理装置１において、判定部１３８は、判定情報の出力結果の正解率が高くなるように学習し、第１構築部１３３及び第２構築部１３４の少なくともいずれかは、自身が生成する特徴ベクトルを判定部１３８が判定した場合における判定結果の正解率が５０％に近くなるように学習する。このようにすることで、第１コンテキスト推定モデル及び第２コンテキスト推定モデルにより生成される埋込ベクトルが、あたかも同一のコンテキスト推定モデルから出力された埋込ベクトルであるかのように、第１コンテキスト推定モデル及び第２コンテキスト推定モデルが調整される。これにより、第１コンテキスト推定モデル及び第２コンテキスト推定モデルの中間表現である埋込ベクトルのドメイン間での差異が小さくなり、第２コンテキスト推定モデルの第２受付部及び第２変換部と、第１行動推定モデルの第３出力部とを組み合わせて生成される第２行動推定モデルの推定精度を向上させることができる。
以上の通り、本実施の形態に係る情報処理装置１において、判定部１３８は、判定情報の出力結果の正解率が高くなるように学習し、第１構築部１３３及び第２構築部１３４の少なくともいずれかは、自身が生成する特徴ベクトルを判定部１３８が判定した場合における判定結果の正解率が５０％に近くなるように学習する。このようにすることで、第１コンテキスト推定モデル及び第２コンテキスト推定モデルにより生成される埋込ベクトルが、あたかも同一のコンテキスト推定モデルから出力された埋込ベクトルであるかのように、第１コンテキスト推定モデル及び第２コンテキスト推定モデルが調整される。これにより、第１コンテキスト推定モデル及び第２コンテキスト推定モデルの中間表現である埋込ベクトルのドメイン間での差異が小さくなり、第２コンテキスト推定モデルの第２受付部及び第２変換部と、第１行動推定モデルの第３出力部とを組み合わせて生成される第２行動推定モデルの推定精度を向上させることができる。
【0088】
なお、本発明により、国連が主導する持続可能な開発目標（ＳＤＧｓ）の目標９「産業と技術革新の基盤をつくろう」に貢献することが可能となる。
【0089】
また、例えば、装置の全部又は一部は、任意の単位で機能的又は物理的に分散・統合して構成することができる。また、複数の実施の形態の任意の組み合わせによって生じる新たな実施の形態も、本発明の実施の形態に含まれる。組み合わせによって生じる新たな実施の形態の効果は、もとの実施の形態の効果を併せ持つ。
【符号の説明】
【0090】
１ 情報処理装置
１１ 通信部
１２ 記憶部
１３ 制御部
１３１ データ取得部
１３２ 教師データ生成部
１３３ 第１構築部
１３４ 第２構築部
１３５ 第３構築部
１３６ 第４構築部
１３７ 予測部
１３８ 判定部
１１ 通信部
１２ 記憶部
１３ 制御部
１３１ データ取得部
１３２ 教師データ生成部
１３３ 第１構築部
１３４ 第２構築部
１３５ 第３構築部
１３６ 第４構築部
１３７ 予測部
１３８ 判定部
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】