特開 2023-162917 情報処理方法、情報処理装置、情報処理プログラム、および、該情報処理プログラムを記憶したコンピュータ読取可能な記憶媒体

(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】P2023162917

(43)【公開日】2023-11-09

(54)【発明の名称】情報処理方法、情報処理装置、情報処理プログラム、および、該情報処理プログラムを記憶したコンピュータ読取可能な記憶媒体

(51)【国際特許分類】

   G06N 20/00 20190101AFI20231101BHJP

【ＦＩ】

G06N20/00 160

【審査請求】未請求

【請求項の数】8

【出願形態】ＯＬ

(21)【出願番号】P 2022073632

(22)【出願日】2022-04-27

(71)【出願人】

【識別番号】000003137

【氏名又は名称】マツダ株式会社

(74)【代理人】

【識別番号】110001427

【氏名又は名称】弁理士法人前田特許事務所

(72)【発明者】

【氏名】目良 貢

(57)【要約】

【課題】行列データの解析に際し、第１及び第２の目的因子の値が０と１に別れた要因を従来よりも明確に捉える。
【解決手段】情報処理方法は、行列データにＰＬＳＡ法を適用するステップＳ１と、ＰＬＳＡ法適用後の行列データにおいて特定の潜在クラスに属する対象者ｎ_ｉそれぞれを基底とし、該対象者ｎ_ｉそれぞれに割り当てられた因子ｐ_ｊの値を各基底の成分とした多次元ベクトルを生成するステップＳ２と、多次元ベクトルにｔ－ＳＮＥ法を適用することで低次元ベクトルを生成するステップＳ３と、第１及び第２の目的因子ｐ^ｆ，ｐ^ｓに対応した低次元ベクトルと比較因子に対応した低次元ベクトルとの相対的な位置関係を可視化するステップＳ４とを備え、特定の潜在クラスを変更しかつ変更前後の両方でステップＳ２－Ｓ４を実行し、その実行結果を変更前後で比較することで第１及び第２の目的因子ｐ^ｆ，ｐ^ｓの値が０又は１に別れた要因を分析する。
【選択図】図３

【特許請求の範囲】

【請求項1】

プログラムを実行する演算部を備えるコンピュータを用いることによって、複数の分析対象者と、該複数の分析対象者それぞれに割り当てられた０又は１の値からなる複数の因子とを行列化してなる行列データを解析するとともに、該解析結果を可視化する情報処理方法であって、
前記演算部が前記行列データにＰＬＳＡ法を適用することで、それぞれ異なる潜在クラスによってラベリングされたブロック行列からなるブロック対角行列に近付けるように、前記行列データをクラスタリングするＰＬＳＡステップと、
前記クラスタリング後の前記行列データにおいて、特定の潜在クラスに属する分析対象者それぞれを基底とし、該分析対象者それぞれに割り当てられた因子の値を各基底の成分とした多次元ベクトルを、前記複数の因子のうちの少なくとも一部の因子について、前記演算部が生成する分析対象抽出ステップと、
前記演算部が前記多次元ベクトルにｔ－ＳＮＥ法を適用することで、前記多次元ベクトルを２次元または３次元の低次元ベクトルに次元圧縮する次元圧縮ステップと、
前記少なくとも一部の因子のうち異なる２つの因子をそれぞれ第１および第２の目的因子とし、前記特定の潜在クラスに属する他の因子を１つ又は複数の比較因子とすると、前記第１の目的因子に対応した低次元ベクトルと、前記第２の目的因子に対応した低次元ベクトルと、前記１つ又は複数の比較因子に対応した各低次元ベクトルとの相対的な位置関係を前記演算部が可視化するベクトル可視化ステップと、
前記ベクトル可視化ステップによって可視化された前記相対的な位置関係に基づいて、前記第１及び第２の目的因子の値が０と１に別れた要因を分析する要因分析ステップと、を備え、
前記第１および第２の目的因子を固定した状態で、前記特定の潜在クラスを一の潜在クラスから他の潜在クラスに変更するとともに、変更前後の前記特定の潜在クラスの両方で、前記分析対象抽出ステップ、前記次元圧縮ステップ及び前記ベクトル可視化ステップを実行し、該ベクトル可視化ステップの実行結果を変更前後で比較することで、前記要因分析ステップを実行する
ことを特徴とする情報処理方法。

【請求項2】

請求項１に記載された情報処理方法において、
前記ベクトル可視化ステップでは、
前記第１の目的因子に対応した前記低次元ベクトルと、前記１つ又は複数の比較因子の各々に対応した前記低次元ベクトルとのユークリッド距離を示す第１の距離と、
前記第２の目的因子に対応した前記低次元ベクトルと、前記１つ又は複数の比較因子の各々に対応した前記低次元ベクトルとのユークリッド距離を示す第２の距離と、を前記演算部が判定し、
前記要因分析ステップでは、
前記第１及び第２の距離の長短に基づいて、前記１つ又は複数の比較因子の中から、前記第１及び第２の目的因子の値に寄与した因子を探索する
ことを特徴とする情報処理方法。

【請求項3】

請求項２に記載された情報処理方法において、
前記要因分析ステップでは、前記１つ又は複数の比較因子のうち、
前記第１の目的因子に対して近距離かつ前記第２の目的因子に対して遠距離となる比較因子と、
前記第１の目的因子に対して遠距離かつ前記第２の目的因子に対して近距離となる比較因子と、のうちの少なくとも一方を探索し、
前記探索結果に基づいて、前記第１及び第２の目的因子の値が０と１に別れた要因を分析する
ことを特徴とする情報処理方法。

【請求項4】

請求項３に記載された情報処理方法において、
前記特定の潜在クラスは、前記ＰＬＳＡステップによって取得された潜在クラスのうち、前記第１の目的因子および前記第２の目的因子のうちの少なくとも一方が属さない潜在クラスから選ばれる
ことを特徴とする情報処理方法。

【請求項5】

請求項１から４のいずれか１項に記載された情報処理方法において、
前記第１の目的因子は、所定の物品を所有しているか否かを示すフラグであり、
前記第２の目的因子は、前記所定の物品とは相違する別の物品を所要しているか否かを示すフラグであり、
前記所定の物品および前記別の部品は、製造者の異なる同種の物品である
ことを特徴とする情報処理方法。

【請求項6】

プログラムを実行する演算部を備えるコンピュータを備え、複数の分析対象者と、該複数の分析対象者それぞれに割り当てられた０又は１の値からなる複数の因子とを行列化してなる行列データを解析するとともに、該解析結果を可視化する情報処理装置であって、
前記演算部が前記行列データにＰＬＳＡ法を適用することで、それぞれ異なる潜在クラスによってラベリングされたブロック行列からなるブロック対角行列に近付けるように、前記行列データをクラスタリングするＰＬＳＡ手段と、
前記クラスタリング後の前記行列データにおいて、特定の潜在クラスに属する分析対象者それぞれを基底とし、該分析対象者それぞれに割り当てられた因子の値を各基底の成分とした多次元ベクトルを、前記複数の因子のうちの少なくとも一部の因子について、前記演算部が生成する分析対象抽出手段と、
前記演算部が前記多次元ベクトルにｔ－ＳＮＥ法を適用することで、前記多次元ベクトルを２次元または３次元の低次元ベクトルに次元圧縮する次元圧縮手段と、
前記少なくとも一部の因子のうち異なる２つの因子をそれぞれ第１および第２の目的因子とし、前記特定の潜在クラスに属する他の因子を１つ又は複数の比較因子とすると、前記第１の目的因子に対応した低次元ベクトルと、前記第２の目的因子に対応した低次元ベクトルと、前記１つ又は複数の比較因子に対応した各低次元ベクトルとの相対的な位置関係を前記演算部が可視化するベクトル可視化手段と、
前記ベクトル可視化手段によって可視化された前記相対的な位置関係に基づいて、前記第１及び第２の目的因子の値が０と１に別れた要因を分析する要因分析手段と、を備え、
前記第１および第２の目的因子を固定した状態で、前記特定の潜在クラスを一の潜在クラスから他の潜在クラスに変更するとともに、変更前後の前記特定の潜在クラスの両方で、前記分析対象抽出手段、前記次元圧縮手段及び前記ベクトル可視化手段による処理を実行させ、該ベクトル可視化ステップの実行結果を変更前後で比較することで、前記要因分析手段による処理を実行させる
ことを特徴とする情報処理装置。

【請求項7】

プログラムを実行する演算部を備えるコンピュータに実行させることによって、複数の分析対象者と、該複数の分析対象者それぞれに割り当てられた０又は１の値からなる複数の因子とを行列化してなる行列データを解析するとともに、該解析結果を可視化する情報処理プログラムであって、
前記コンピュータに、
前記演算部が前記行列データにＰＬＳＡ法を適用することで、それぞれ異なる潜在クラスによってラベリングされたブロック行列からなるブロック対角行列に近付けるように、前記行列データをクラスタリングするＰＬＳＡステップと、
前記クラスタリング後の前記行列データにおいて、特定の潜在クラスに属する分析対象者それぞれを基底とし、該分析対象者それぞれに割り当てられた因子の値を各基底の成分とした多次元ベクトルを、前記複数の因子のうちの少なくとも一部の因子について、前記演算部が生成する分析対象抽出ステップと、
前記演算部が前記多次元ベクトルにｔ－ＳＮＥ法を適用することで、前記多次元ベクトルを２次元または３次元の低次元ベクトルに次元圧縮する次元圧縮ステップと、
前記少なくとも一部の因子のうち異なる２つの因子をそれぞれ第１および第２の目的因子とし、前記特定の潜在クラスに属する他の因子を１つ又は複数の比較因子とすると、前記第１の目的因子に対応した低次元ベクトルと、前記第２の目的因子に対応した低次元ベクトルと、前記１つ又は複数の比較因子に対応した各低次元ベクトルとの相対的な位置関係を前記演算部が可視化するベクトル可視化ステップと、
前記ベクトル可視化ステップによって可視化された前記相対的な位置関係に基づいて、前記第１及び第２の目的因子の値が０と１に別れた要因を分析する要因分析ステップと、を実行させ、
前記コンピュータに、
前記第１および第２の目的因子を固定した状態で、前記特定の潜在クラスを一の潜在クラスから他の潜在クラスに変更するとともに、変更前後の前記特定の潜在クラスの両方で、前記分析対象抽出ステップ、前記次元圧縮ステップ及び前記ベクトル可視化ステップを実行させ、該ベクトル可視化ステップの実行結果を変更前後で比較することで、前記要因分析ステップを実行させる
ことを特徴とする情報処理プログラム。

【請求項8】

請求項７に記載された情報処理プログラムを記憶している
ことを特徴とするコンピュータ読取可能な記憶媒体。

【発明の詳細な説明】

【技術分野】

【0001】

ここに開示する技術は、情報処理方法、情報処理装置、情報処理プログラム、および、該情報処理プログラムを記憶したコンピュータ読取可能な記憶媒体に関する。

【背景技術】

【0002】

複雑なビッグデータに対する分析手法として、いわゆる確率的潜在意味解析法（ＰＬＳＡ）が広く知られている。ＰＬＳＡとは、解析対象とした行列を潜在変数毎にクラスタリングすることで、行成分および列成分のうちの少なくとも一方を低次元化する手法である。

【0003】

一例として、アンケート回答者を行成分とし、アンケート項目を列成分とし、アンケートの回答内容を値とした行列に対してＰＬＳＡを適用した場合、潜在変数によって分類された各潜在クラスには、１つまたは複数のアンケート回答者と、１つまたは複数のアンケート項目とが属することになる。

【0004】

この場合、前記行列に、「メーカＡを好むか否か」、「メーカＢを好むか否か」および「メーカＣを好むか否か」等のアンケート項目が含まれていると仮定すると、「第１の潜在クラスに属する回答者はメーカＡを好み、第２の潜在クラスに属する回答者はメーカＢを好み、第３の潜在クラスに属する回答者はメーカＣを好み、…」等、同じ潜在クラスに属するアンケート回答者に対し、アンケート項目に応じた解釈を与えることが可能になる。

【0005】

ＰＬＳＡの具体的な応用例として、例えば下記特許文献１には、目的のデータおよび／または情報を獲得、分析ならびにマイニングする方法において、マイニングされたデータをクラスタリングするためにＰＬＳＡを用いることが開示されている。

【0006】

また、複雑な高次元データを低次元化するためのアルゴリズムとして、いわゆるｔ分布型確率的近傍埋め込み法（ｔ－ＳＮＥ）も知られている。ｔ－ＳＮＥを用いることで、データ間の局所的な関係性を維持しつつ、高次元データを２次元または３次元データに変換することが可能になる。

【0007】

ｔ－ＳＮＥの具体的な応用例として、例えば下記特許文献２には、参照データの各要素がマッピングされた２次元空間または３次元空間を生成するために、処理部がｔ－ＳＮＥを用いることが開示されている。

【先行技術文献】

【特許文献】

【0008】

【特許文献1】特表２００９－５２５５１４号公報

【特許文献2】特開２０１９－９１４５４号公報

【発明の概要】

【発明が解決しようとする課題】

【0009】

本願発明者らは、複数の分析対象者と、該複数の分析対象者それぞれに割り当てられた０又は１の値からなる複数の因子とを行列化してなる行列に対し、ＰＬＳＡを用いた分析を試みた。

【0010】

この場合、ＰＬＳＡによって得られる潜在クラスは、各潜在クラスに属する１人または複数人の分析対象者と、該分析対象者と同じ潜在クラスに属する１つまたは複数の因子とによって特徴付けられることになる。ここで、所定の潜在クラスに属する因子の値は、同じ潜在クラスに属する分析対象者の間で類似した値にはなるものの、完全に同一の値になるとは限らない。

【0011】

前述の例を用いて説明すれば、「メーカＡを好む潜在クラスに分類されたアンケート回答者には、実際にメーカＡの製品を所有している回答者（１の値が割り当てられた回答者）ばかりでなく、メーカＡの製品を所有していない回答者（０の値が割り当てられた回答者）も含まれる」ことになる。

【0012】

本願発明者らは、いずれかの潜在クラスに属する２つの因子（以下、「第１の目的因子」および「第２の目的因子」という）の値が０と１に別れた要因を、それら第１および第２の目的因子と、他の因子との関係性から分析することを検討した。

【0013】

そうした分析を行うための手法としては、ＰＬＳＡによるクラスタリング後の行列において、特定の潜在クラスに属する各因子を互いに異なるベクトルとみなすことで、その潜在クラスに属する分析対象者と同数の次元を有する多次元ベクトルを生成することが考えられる。この場合、第１の目的因子に対応したベクトルと、第２の目的因子に対応したベクトルと、他の因子に対応したベクトルとのユークリッド距離等を分析することで、第１および第２の目的因子の双方と同じ傾向を持った因子を抽出したり、それとは反対に、一方の目的因子と同傾向を有しかつ他方の目的因子と遭難する傾向を持った因子を抽出したりすることが可能になる。

【0014】

ところが、分析対象者が多数にわたる場合、前述のような多次元ベクトルは、可視化するのが容易ではなく、直感的にも把握しがたいという難点があった。そのため、特定の潜在クラスに属する各因子に対応した多次元ベクトルに対し、ｔ－ＳＮＥを適用して低次元ベクトルへと変換することが考えられる。

【0015】

しかしながら、同じ潜在クラスに属する因子の値は、前述のように、同じ潜在クラスに属する分析対象者の間で類似した値となり得る。そのため、そうした因子に対応した低次元ベクトルだけでは、第１および第２の目的因子に対応した低次元ベクトルとの傾向の差を捉えるには不十分である。

【0016】

本開示は、かかる点に鑑みてなされたものであり、その目的とするところは、複数の分析対象者と、該複数の分析対象者それぞれに割り当てられた０又は１の値からなる複数の因子とを行列化してなる行列データの解析に際し、第１及び第２の目的因子の値が０と１に別れた要因を、従来よりも明確に捉えることにある。

【課題を解決するための手段】

【0017】

本開示の第１の態様は、プログラムを実行する演算部を備えるコンピュータを用いることによって、複数の分析対象者と、該複数の分析対象者それぞれに割り当てられた０又は１の値からなる複数の因子とを行列化してなる行列データを解析するとともに、該解析結果を可視化する情報処理方法に係る。

【0018】

そして、本開示の第１の態様によれば、前記情報処理方法は、前記演算部が前記行列データにＰＬＳＡ法を適用することで、それぞれ異なる潜在クラスによってラベリングされたブロック行列からなるブロック対角行列に近付けるように、前記行列データをクラスタリングするＰＬＳＡステップと、前記クラスタリング後の前記行列データにおいて、特定の潜在クラスに属する分析対象者それぞれを基底とし、該分析対象者それぞれに割り当てられた因子の値を各基底の成分とした多次元ベクトルを、前記複数の因子のうちの少なくとも一部の因子について、前記演算部が生成する分析対象抽出ステップと、前記演算部が前記多次元ベクトルにｔ－ＳＮＥ法を適用することで、前記多次元ベクトルを２次元または３次元の低次元ベクトルに次元圧縮する次元圧縮ステップと、前記少なくとも一部の因子のうち異なる２つの因子をそれぞれ第１および第２の目的因子とし、前記特定の潜在クラスに属する他の因子を１つ又は複数の比較因子とすると、前記第１の目的因子に対応した低次元ベクトルと、前記第２の目的因子に対応した低次元ベクトルと、前記１つ又は複数の比較因子に対応した各低次元ベクトルとの相対的な位置関係を前記演算部が可視化するベクトル可視化ステップと、前記ベクトル可視化ステップによって可視化された前記相対的な位置関係に基づいて、前記第１及び第２の目的因子の値が０と１に別れた要因を分析する要因分析ステップと、を備え、前記第１および第２の目的因子を固定した状態で、前記特定の潜在クラスを一の潜在クラスから他の潜在クラスに変更するとともに、変更前後の前記特定の潜在クラスの両方で、前記分析対象抽出ステップ、前記次元圧縮ステップ及び前記ベクトル可視化ステップを実行し、該ベクトル可視化ステップの実行結果を変更前後で比較することで、前記要因分析ステップを実行する。

【0019】

ここで、前記ＰＬＳＡステップでは、ブロック対角行列に近付くように、所定の行列に対して並び替え（クラスタリング）が施されることになる。以下、クラスタリング後の行列を「準ブロック対角行列」ともいう。「準ブロック対角行列」の非ブロック対角部分は、ブロック対角行列の非ブロック対角部分とは異なり、非ゼロの値を取り得る。

【0020】

また、クラスタリング（言い換えると、ブロック対角行列に近付けるような行列の並び替え）によって得られる各ブロック行列は、それぞれ、潜在クラスに対応することになる。なお、ここでいう「ブロック行列」とは、前記準ブロック対角行列のブロック対角部分を構成する行列を指す。

【0021】

前記第１の態様によると、特定の潜在クラス（以下、単に「特定クラス」という）に属する分析対象者それぞれを基底とし、該分析対象者それぞれに割り当てられた因子の値を各基底の成分とした多次元ベクトルに対してｔ－ＳＮＥ法を適用することで、その多次元ベクトルを低次元ベクトルに次元圧縮する。

【0022】

そして、低次元ベクトルの可視化に際し、いずれかの潜在クラスに属する第１及び第２の目的因子と、前記特定クラスに属する他の比較因子との比較を行う。その際、後者の比較因子に係る特定クラスについて、一の潜在クラスから他の潜在クラスに変更し、ベクトル可視化ステップによって可視化された内容を変更前後で比較する。

【0023】

すなわち、比較因子が属する特定クラスを変更しながら、各特定クラスにおいてベクトル可視化ステップによる可視化を行うことで、第１又は第２の目的因子に対応した低次元ベクトルと、比較因子に対応した低次元ベクトルとの違いを明確化することができる。そうして違いが明確化された状態で、各目的因子に近接又は離間する比較因子を探索することで、２つの目的因子の値が０又は１に別れた契機となり得る要因を、従来よりも明確に捉えることが可能になる。

【0024】

またそもそも、比較因子が属する特定クラスを変更することは、多次元ベクトルの基底となる分析対象者を変更することに等しい。そうして特定クラスを変更しつつ、各特定クラスにおいて目的因子と強く相関するような比較因子を探索することで、第１及び第２の目的因子の値が０と１に別れた要因を、従来よりも多方面から捉えることができるようになる。

【0025】

また、本開示の第２の態様によれば、前記ベクトル可視化ステップでは、前記第１の目的因子に対応した前記低次元ベクトルと、前記１つ又は複数の比較因子の各々に対応した前記低次元ベクトルとのユークリッド距離を示す第１の距離と、前記第２の目的因子に対応した前記低次元ベクトルと、前記１つ又は複数の比較因子の各々に対応した前記低次元ベクトルとのユークリッド距離を示す第２の距離と、を前記演算部が判定し、前記要因分析ステップでは、前記第１及び第２の距離の長短に基づいて、前記１つ又は複数の比較因子の中から、前記第１及び第２の目的因子の値に寄与した因子を探索する、としてもよい。

【0026】

前記第２の態様によると、前記要因分析ステップは、各ユークリッド距離の長短に基づいて因子を探索するように構成されている。このように構成することで、より直感的に理解し易い形式で可視化及び探索することが可能になる。これにより、第１及び第２の目的因子の値が０と１に別れた要因を捉える上で有利になる。

【0027】

また、本開示の第３の態様によれば、前記要因分析ステップでは、前記１つ又は複数の比較因子のうち、前記第１の目的因子に対して近距離かつ前記第２の目的因子に対して遠距離となる比較因子と、前記第１の目的因子に対して遠距離かつ前記第２の目的因子に対して近距離となる比較因子と、のうちの少なくとも一方を探索し、前記探索結果に基づいて、前記第１及び第２の目的因子の値が０と１に別れた要因を分析する、としてもよい。

【0028】

前記第３の態様によると、第１の目的因子に近接又は離間する比較因子と、第２の目的因子に近接又は離間する比較因子とを探索することで、２つの目的因子の値が別れた要因を、より的確に分析することができる。

【0029】

また、本開示の第４の態様によれば、前記特定の潜在クラスは、前記ＰＬＳＡステップによって取得された潜在クラスのうち、前記第１の目的因子および前記第２の目的因子のうちの少なくとも一方が属さない潜在クラスから選ばれる、としてもよい。

【0030】

一般に、クラスタリングによって得られた各ブロック行列が、それぞれ潜在クラスに対応することから明らかなように、同じ潜在クラスに属する因子に対応した低次元ベクトルは、互いに類似した傾向（例えば、ベクトル長が同程度になったり、内積が１に近接したりする傾向）を示す。

【0031】

それに対し、第１及び／又は第２の目的因子が属する潜在クラスと、比較因子が属する特定クラスとを異ならせることで、各因子に対応した低次元ベクトル同士の違いを明確化することができる。そうして違いが明確化された状態で、第１及び／又は第２の目的因子に対して近接又は離間する比較因子を探索することで、その目的因子の値が０と１となった契機となり得る要因を、従来よりも明確に捉えることが可能になる。

【0032】

またそもそも、目的因子が属する潜在クラスと、比較因子が属する特定クラスとを異ならせた状態で比較因子の探索を行うことは、ＰＬＳＡ法を行った段階では異なる潜在クラスに分類されたものの、それでもなお、目的因子と強く相関するような比較因子を探索することに相当する。これは、従来のＰＬＳＡ法では知り得ない知見であり、第１及び第２の目的因子の値が０と１となった要因を、従来よりも多方面から捉えることができるようになる。

【0033】

また、本開示の第５の態様によれば、前記第１の目的因子は、所定の物品を所有しているか否かを示すフラグであり、前記第２の目的因子は、前記所定の物品とは相違する別の物品を所要しているか否かを示すフラグであり、前記所定の物品および前記別の部品は、製造者の異なる同種の物品である、としてもよい。

【0034】

前記第５の態様によると、第１又は第２目的因子に対応した多次元ベクトルを構成する基底には、前記フラグが１となった分析対象者、すなわち、前記物品を実際に所有している分析対象者が含まれることになる。そうした多次元ベクトルに基づき生成された低次元ベクトルに対して前述の可視化を行うことで、前記物品を所有する契機となった要因、或いは、所有しない契機となった要因を、従来よりも多方面から捉えることが可能になる。

【0035】

ここで、例えば、第２の目的因子が、第１の目的因子の競合商品を所有しているか否かを示すフラグだった場合、第１及び第２の目的因子が０と１に別れた要因を探索することで、前記競合商品の改良点、訴求点等を明らかにすることが可能になる。それらの知見を分析することで、第１の目的因子に対応した商品の要改良点等を明確化（見える化）することができる。

【0036】

本開示の第６の態様は、プログラムを実行する演算部を備えるコンピュータを備え、複数の分析対象者と、該複数の分析対象者それぞれに割り当てられた０又は１の値からなる複数の因子とを行列化してなる行列データを解析するとともに、該解析結果を可視化する情報処理装置に係る。

【0037】

そして、本開示の第６の態様によれば、前記情報処理装置は、前記演算部が前記行列データにＰＬＳＡ法を適用することで、それぞれ異なる潜在クラスによってラベリングされたブロック行列からなるブロック対角行列に近付けるように、前記行列データをクラスタリングするＰＬＳＡ手段と、前記クラスタリング後の前記行列データにおいて、特定の潜在クラスに属する分析対象者それぞれを基底とし、該分析対象者それぞれに割り当てられた因子の値を各基底の成分とした多次元ベクトルを、前記複数の因子のうちの少なくとも一部の因子について、前記演算部が生成する分析対象抽出手段と、前記演算部が前記多次元ベクトルにｔ－ＳＮＥ法を適用することで、前記多次元ベクトルを２次元または３次元の低次元ベクトルに次元圧縮する次元圧縮手段と、前記少なくとも一部の因子のうち異なる２つの因子をそれぞれ第１および第２の目的因子とし、前記特定の潜在クラスに属する他の因子を１つ又は複数の比較因子とすると、前記第１の目的因子に対応した低次元ベクトルと、前記第２の目的因子に対応した低次元ベクトルと、前記１つ又は複数の比較因子に対応した各低次元ベクトルとの相対的な位置関係を前記演算部が可視化するベクトル可視化手段と、前記ベクトル可視化手段によって可視化された前記相対的な位置関係に基づいて、前記第１及び第２の目的因子の値が０と１に別れた要因を分析する要因分析手段と、を備え、前記第１および第２の目的因子を固定した状態で、前記特定の潜在クラスを一の潜在クラスから他の潜在クラスに変更するとともに、変更前後の前記特定の潜在クラスの両方で、前記分析対象抽出手段、前記次元圧縮手段及び前記ベクトル可視化手段による処理を実行させ、該ベクトル可視化ステップの実行結果を変更前後で比較することで、前記要因分析手段による処理を実行させる。

【0038】

前記第６の態様によると、行列データの解析に際し、第１及び第２の目的因子の値が０と１に別れた要因を、従来よりも明確に捉えることができる。

【0039】

本開示の第７の態様は、プログラムを実行する演算部を備えるコンピュータに実行させることによって、複数の分析対象者と、該複数の分析対象者それぞれに割り当てられた０又は１の値からなる複数の因子とを行列化してなる行列データを解析するとともに、該解析結果を可視化する情報処理プログラムに係る。

【0040】

そして、本開示の第７の態様によれば、前記情報処理プログラムは、前記コンピュータに、前記演算部が前記行列データにＰＬＳＡ法を適用することで、それぞれ異なる潜在クラスによってラベリングされたブロック行列からなるブロック対角行列に近付けるように、前記行列データをクラスタリングするＰＬＳＡステップと、前記クラスタリング後の前記行列データにおいて、特定の潜在クラスに属する分析対象者それぞれを基底とし、該分析対象者それぞれに割り当てられた因子の値を各基底の成分とした多次元ベクトルを、前記複数の因子のうちの少なくとも一部の因子について、前記演算部が生成する分析対象抽出ステップと、前記演算部が前記多次元ベクトルにｔ－ＳＮＥ法を適用することで、前記多次元ベクトルを２次元または３次元の低次元ベクトルに次元圧縮する次元圧縮ステップと、前記少なくとも一部の因子のうち異なる２つの因子をそれぞれ第１および第２の目的因子とし、前記特定の潜在クラスに属する他の因子を１つ又は複数の比較因子とすると、前記第１の目的因子に対応した低次元ベクトルと、前記第２の目的因子に対応した低次元ベクトルと、前記１つ又は複数の比較因子に対応した各低次元ベクトルとの相対的な位置関係を前記演算部が可視化するベクトル可視化ステップと、前記ベクトル可視化ステップによって可視化された前記相対的な位置関係に基づいて、前記第１及び第２の目的因子の値が０と１に別れた要因を分析する要因分析ステップと、を実行させ、前記コンピュータに、前記第１および第２の目的因子を固定した状態で、前記特定の潜在クラスを一の潜在クラスから他の潜在クラスに変更するとともに、変更前後の前記特定の潜在クラスの両方で、前記分析対象抽出ステップ、前記次元圧縮ステップ及び前記ベクトル可視化ステップを実行させ、該ベクトル可視化ステップの実行結果を変更前後で比較することで、前記要因分析ステップを実行させる。

【0041】

前記第７の態様によると、行列データの解析に際し、第１及び第２の目的因子の値が０と１に別れた要因を、従来よりも明確に捉えることができる。

【0042】

また、本開示の第８の態様は、前記情報処理プログラムを記憶していることを特徴とするコンピュータ読取可能な記憶媒体に係る。

【0043】

前記第８の態様によると、行列データの解析に際し、第１及び第２の目的因子の値が０と１に別れた要因を、従来よりも明確に捉えることができる。

【発明の効果】

【0044】

以上説明したように、本開示によれば、第１及び第２の目的因子の値が０と１に別れた要因を、従来よりも明確に捉えることができる。

【図面の簡単な説明】

【0045】

【図1】図１は、情報処理装置のハードウェア構成を例示する図である。

【図2】図２は、情報処理装置のソフトウェア構成を例示する図である。

【図3】図３は、情報処理方法の手順を例示するフローチャートである。

【図4】図４は、ＰＬＳＡステップの手順を例示するフローチャートである。

【図5】図５は、行列データを例示する図である。

【図6】図６は、ＰＬＳＡステップの基本概念を説明するための図である。

【図7】図７は、クラスタリング結果を例示する図である。

【図8】図８は、分析対象抽出ステップの手順を例示するフローチャートである。

【図9A】図９Ａは、分析対象抽出ステップの基本概念を説明するための図である。

【図9B】図９Ｂは、特定クラス変更後の分析対象抽出ステップの基本概念を説明するための図である。

【図10】図１０は、次元圧縮ステップの手順を例示するフローチャートである。

【図11】図１１は、ベクトル可視化ステップの手順を例示するフローチャートである。

【図12】図１２は、要因分析ステップの手順を例示するフローチャートである。

【図13】図１３は、ベクトル可視化ステップによって可視化される内容を例示する図である。

【図14】図１４は、第２のベクトル可視化ステップによって可視化される内容を例示する図である。

【図15】図１５は、第３のベクトル可視化ステップによって可視化される内容を例示する図である。

【発明を実施するための形態】

【0046】

以下、本開示の実施形態を図面に基づいて説明する。なお、以下の説明は例示である。

【0047】

＜装置構成＞
図１は、本開示に係る情報処理装置（具体的には、情報処理装置を構成するコンピュータ１）のハードウェア構成を例示する図であり、図２は、そのソフトウェア構成を例示する図である。

【0048】

図１に例示するように、コンピュータ１は、コンピュータ１全体の制御を司る中央処理装置（Central Processing Unit：ＣＰＵ）３と、ブートプログラム等を記憶するリードオンリーメモリ（Read Only Memory：ＲＯＭ）５と、メインメモリとして機能するランダムアクセスメモリ（Random Access Memory：ＲＡＭ）７と、２次記憶装置としてのハードディスクドライブ（Hard Disk Drive：ＨＤＤ）９と、を備える。なお、２次記憶装置としては、ＨＤＤ９の代わりに、ソリッドステートドライブ（Solid State Drive：ＳＳＤ）等を用いることもできる。

【0049】

これらの要素のうち、ＣＰＵ３は、種々のプログラムを実行する。ＣＰＵ３は、本実施形態における演算部として機能する。また、ＲＡＭ７及びＨＤＤ９は、ＣＰＵ３により実行されるプログラムを一時的または継続的に記憶する。ＲＡＭ７及びＨＤＤ９は、それぞれ、本実施形態における記憶部として機能する。

【0050】

コンピュータ１はまた、ディスプレイ１１と、ディスプレイ１１上に表示される画像データを格納するグラフィックスメモリ（Video RAM：ＶＲＡＭ）１３と、マンマシンインターフェースとしてのキーボード１５及びマウス１７と、を備える。ディスプレイ１１は、ＣＰＵ３による演算結果を表示することができ、本実施形態における表示部として機能する。また、本実施形態に係るコンピュータ１は、通信用のインターフェース２１を解して外部機器との間でデータを送受することができる。

【0051】

図２に例示するように、ＨＤＤ９のプログラムメモリには、オペレーティングシステム（Operating System：ＯＳ）１９、ＰＬＳＡプログラム２９Ａ、分析対象抽出プログラム２９Ｂ、次元圧縮プログラム２９Ｃ、ベクトル可視化プログラム２９Ｄ、特定クラス変更プログラム２９Ｅ、要因分析プログラム２９Ｆ、アプリケーションプログラム３９等が格納される。

【0052】

これらの要素のうち、ＰＬＳＡプログラム２９Ａ、分析対象抽出プログラム２９Ｂ、次元圧縮プログラム２９Ｃ、ベクトル可視化プログラム２９Ｄ、特定クラス変更プログラム２９Ｅ及び要因分析プログラム２９Ｆは、本実施形態における情報処理プログラム２９を構成する。

【0053】

ここで、情報処理プログラム２９とは、後述の情報処理方法を実行するためのプログラムであって、同方法を構成する各ステップをコンピュータ１に実行させるように構成されている。情報処理プログラム２９は、コンピュータ読取可能な記憶媒体１８に予め記憶されている。

【0054】

ＨＤＤ９のプログラムメモリにおいて、ＰＬＳＡプログラム２９Ａ、分析対象抽出プログラム２９Ｂ、次元圧縮プログラム２９Ｃ、ベクトル可視化プログラム２９Ｄ、特定クラス変更プログラム２９Ｅ及び要因分析プログラム２９Ｆは、それぞれ、キーボード１５、マウス１７等から入力される指令に応じて起動される。その際、ＰＬＳＡプログラム２９Ａ等は、ＨＤＤ９からＲＡＭ７にロードされ、ＣＰＵ３によって実行されることになる。

【0055】

一方、ＨＤＤ９のデータメモリには、解析対象となる行列データ４９と、その行列データ４９をクラスタリングすることで得られるクラスタデータ５９と、が格納される。

【0056】

この他、ＰＬＳＡプログラム２９Ａ、分析対象抽出プログラム２９Ｂ、次元圧縮プログラム２９Ｃ、ベクトル可視化プログラム２９Ｄ、特定クラス変更プログラム２９Ｅ及び要因分析プログラム２９Ｆを実行することで生成される種々のデータ、並びに、アプリケーションプログラム３９の実行結果については、必要に応じて、ＨＤＤ９のデータメモリに格納されたり、メインメモリとしてのＲＡＭ７に格納されたりする。

【0057】

以下、情報処理方法の具体的な方法論について詳細に説明する。

【0058】

＜方法論＞
図３は、情報処理方法の手順を例示するフローチャートである。図３に例示した方法は、コンピュータ１を用いることによって、行列データ４９を解析するとともに、その解析結果を可視化するものである。

【0059】

図３に示すように、情報処理方法は、ＰＬＳＡステップ（ステップＳ１）と、分析対象抽出ステップ（ステップＳ２）と、次元圧縮ステップ（ステップＳ３）と、ベクトル可視化ステップ（ステップＳ４）と、特定クラス変更ステップ（ステップＳ６）と、要因分析ステップ（ステップＳ７）と、を順番に実行することで実施される。なお、ベクトル可視化ステップ及び要因分析ステップの実行結果は、いずれも、表示部としてのディスプレイ１１上に表示することができる。

【0060】

これらのステップのうち、ＰＬＳＡステップは、ＣＰＵ３が前述のＰＬＳＡプログラム２９Ａを実行することで実施される。同様に、分析対象抽出ステップは、ＣＰＵ３が分析対象抽出プログラム２９Ｂを実行することで実施され、次元圧縮ステップは、ＣＰＵ３が次元圧縮プログラム２９Ｃを実行することで実施され、ベクトル可視化ステップは、ＣＰＵ３がベクトル可視化プログラム２９Ｄを実行することで実施され、特定クラス変更ステップは、ＣＰＵ３が特定クラス変更プログラム２９Ｅを実行することで実施され、要因分析ステップは、ＣＰＵ３が要因分析プログラム２９Ｆを実行することで実施される。

【0061】

ＣＰＵ３がＰＬＳＡプログラム２９Ａ等を実行することで、コンピュータ１は、ＰＬＳＡステップを実行するＰＬＳＡ手段と、分析対象抽出ステップを実行する分析対象抽出手段と、次元圧縮ステップを実行する次元圧縮手段と、ベクトル可視化ステップを実行するベクトル可視化手段と、特定クラス変更ステップを実行する特定クラス変更手段と、要因分析ステップを実行する要因分析手段と、を備える情報処理装置として機能することになる。

【0062】

以下、情報処理方法を構成する各ステップについて順番に説明する。

【0063】

（ＰＬＳＡステップ）
図４は、ＰＬＳＡステップの手順を例示するフローチャートである。また、図５は、行列データ４９を例示する図であり、図６は、ＰＬＳＡステップの基本概念を説明するための図であり、図７は、クラスタリング結果を例示する図である。

【0064】

ここで、図４に例示するフローチャートは、図３のステップＳ１において行われる処理を示している。すなわち、図３において制御プロセスがステップＳ１に進むと、ＣＰＵ３は、図４のステップＳ１１－Ｓ１４を順番に実行することになる。

【0065】

ＰＬＳＡステップは、ＣＰＵ３が行列データ４９にＰＬＳＡ法を適用することで、それぞれ異なる潜在クラスによってラベリングされたブロック行列からなるブロック対角行列に近付けるように、前記行列データをクラスタリングするように構成されている。言い換えると、このＰＬＳＡステップは、それぞれ異なる潜在クラスによってラベリングされたブロック行列を含んだ前述の準ブロック対角行列となるように、行列データをクラスタリングするように構成されている。

【0066】

具体的に、図４のステップＳ１１において、ＣＰＵ３が行列データ４９を読み込む。

【0067】

この行列データ４９は、複数の分析対象者ｎ_ｉ（ｉ＝１，２，…，Ｎ）と、該複数の分析対象者ｎ_ｉそれぞれに割り当てられた０又は１の値からなる複数の因子ｐ_ｊ（ｊ＝１，２，…，Ｍ）とを行列化してなるものである。以下、「分析対象者」を単に「対象者」と記載する。対象者の人数（＝Ｎ）は、好ましくは１００人以上、さらに好ましくは１０００となる。また、因子の数（＝Ｍ）は、好ましくは１００個以上、さらに好ましくは２００個以上となる。

【0068】

特に本実施形態では、行列データ４９の行成分が各対象者に対応し、列成分が各因子に対応するようになっている。すなわち、行列データ４９に対応したＮ行Ｍ列の行列をＸと表すと、Ｘの（ｉ，ｊ）成分は、ｉ番目の対象者ｎ_ｉにおける、ｊ番目の因子ｐ_ｊの値を表すことになる。

【0069】

複数の因子ｐ_ｊは、それぞれ、各対象者ｎ_ｉの性質、状態等を表すフラグとしてもよい。各対象者ｎ_ｉの性質には、各対象者ｎ_ｉの性別、性格及び嗜好が含まれる。各対象者ｎ_ｉの状態には、各対象者ｎ_ｉの年齢、健康状態及び所定の物品を所有しているか否を示すフラグが含まれる。複数の因子ｐ_ｊは、それぞれ、各対象者ｎ_ｉに対するアンケートの回答結果としてもよい。仮の呼称として、各対象者ｎ_ｉの性質及び状態を「価値観」と総称する場合がある。

【0070】

特に本実施形態では、各対象者ｎ_ｉの嗜好として、複数の因子ｐ_ｊに、メーカＡによって製造された物品（例えば、Ａ社製の自動車）を所有しているか否かを示すフラグ（図５の因子ｐ_１：「ユーザＡ」）と、この物品と同じ種類の物品であってかつメーカＢによって製造された物品（例えば、Ｂ社製の自動車）を所有しているか否かを示すフラグ（図５の因子ｐ_２：「ユーザＢ」）と、この物品と同じ種類の物品であってかつメーカＣによって製造された物品（例えば、Ｃ社製の自動車）を所有しているか否かを示すフラグ（図５の因子ｐ_３：「ユーザＣ」）とが含まれているものとする。

【0071】

詳しくは、図５に示す例では、複数の因子ｐ_ｊに、対象者ｎ_ｉの性別を示すフラグ（因子ｐ_４及び因子ｐ_５）と、対象者ｎ_ｉの年齢を示すフラグ（因子ｐ_６及び因子ｐ_７：「若年層」及び「熟年層」）と、対象者ｎ_ｉの嗜好を示すフラグ（因子ｐ_８～因子ｐ_１１）と、が含まれているものとする。

【0072】

さらに詳しくは、図５に示す例では、複数の因子ｐ_ｊに、「デザイン性を追求するか否か」を示すフラグ（因子ｐ_８：「デザイン性」）と、「機能性を追求するか否か」を示すフラグ（因子ｐ_９：「機能性」）と、「高級感を求めるか否か」を示すフラグ（因子ｐ_１０：「高級感」）と、「割安感を追求するか否か」を示すフラグ（因子ｐ_１１：「デザイン性」）と、が示されている。この他、視力の良否、認知状態の高低等、対象者ｎ_ｉの健康状態を示すフラグを因子ｐ_ｊに含めたり、集団行動を好むか否か等、対象者ｎ_ｉの性格を示すフラグを因子ｐ_ｊに含めたりしてもよい。

【0073】

なお、複数の因子ｐ_ｊには、対象者ｎ_ｉの年齢のように択一的に選ばれるフラグが含まれてもよいし、対象者ｎ_ｉの嗜好のように重複を許すフラグが含まれていてもよい。例えば、図５の因子ｐ_６及び因子ｐ_７に示すように、対象者ｎ_ｉの年齢は、若年層及び熟年層のいずれか一方のフラグが１となり、他方のフラグは０となる。それに対し、同図の因子ｐ_８及び因子ｐ_９に示すように、対象者ｎ_ｉの嗜好は、「デザイン性を追求するか否か」と「機能性を追求するか否か」の両方のフラグが１であってもよいし、片方のフラグが１であってもよいし、両方のフラグが０であってもよい。

【0074】

その後、ステップＳ１１から続くステップＳ１２において、演算部としてのＣＰＵ３が、ステップＳ１１で読み込んだ行列データ４９に対してＰＬＳＡ法を適用する。ＰＬＳＡ法を適用することで、行列データ４９は、ブロック対角行列に近づくように並び替えが施されることで、複数のクラスタＣｌ_ｚ（ｚ＝１，２，…，Ｚ）にクラスタリングされることになる。ここで、ブロック行列（準ブロック対角行列のブロック対角部分）としての各クラスタＣ_ｚは、いわゆる潜在クラス（潜在変数）ｚによってラベリングされることになる。

【0075】

ＰＬＳＡは、行列データ４９における行要素ｉと列要素ｊの同時確率分布Ｐ（ｉ，ｊ）を潜在クラスｚによって展開し、下式（１）のように表したものに相当する。

【0076】

【数1】

【0077】

上式に示すように、行要素ｉと列要素ｊは、双方とも、潜在クラスｚを使って表現することができる。つまり、複数の対象者ｎ_ｉがいずれかの潜在クラスｚに分類されると同時に、複数の因子ｐ_ｊもいずれかの潜在クラスｚに分類されることになる。これらの分類は、いずれも択一的に行われるようになっている。

【0078】

具体的な計算に際しては、いわゆるＥＭアルゴリズムを用いることによって、同時確率分布Ｐ（ｉ，ｊ）の対数尤度を最大にすることでクラスタリングを実行する。これにより、図６の下段に示すように、対象者ｎ_ｉ及び因子ｐ_ｊをそれぞれ第１クラスタＣｌ_１（ｚ＝１）、第２クラスタＣｌ_２（ｚ＝２）、第３クラスタＣｌ_３（ｚ＝３）、…に分類することができる。各クラスタＣｌ_ｚの構成成分は、フラグが１である確率が高いものが集まるように構成されている。換言すると、第１クラスタＣｌ_１の（１，２）成分に示すように、各クラスタＣｌ_ｚの構成成分は、必ずしも１になるとは限らない。

【0079】

なお、図６の下段は、概略的な例示に過ぎない。前述のように対象者の人数を１００人以上に設定しかつ因子の数を１００個以上に設定した場合、各クラスタＣｌ_ｚに属する対象者ｎ_ｉ及び因子ｐ_ｊの数は、双方とも数十～百個程度に及び得る。

【0080】

その後、ステップＳ１２から続くステップＳ１３において、ＣＰＵ３は、各潜在クラスｚに顧客ＩＤ（対象者ｎ_ｉの引数ｉ）と、因子ＩＤ（因子ｐ_ｊの引数ｊ）を振り分ける。この振り分けによって、図６に示すように、行列データ４９を少なくとも２つ以上のクラスタに分類することができる。

【0081】

ここで、ＣＰＵ３は、例えば、コンピュータ１の操作者による操作入力に基づいて、各クラスタＣｌｚを構成する１つ又は複数の因子ｐ_ｊを各クラスタＣｌ_ｚの名称（看板）に設定することができる。この名称は、各クラスタＣｌ_ｚの構成因子のうち、フラグが１となる確率が最も高い因子ｐ_ｊを選択してもよいし、操作者の目的に応じて、手動で選択してもよい。

【0082】

例えば図６の場合、フラグが１となる確率が高い因子ｐ_ｊとして、第１クラスタＣｌ_１ではｐ_１６とｐ_１８が選択され、第２クラスタＣｌ_２ではｐ_７とｐ_１１が選択され、第３クラスタＣｌ_３はｐ_２とｐ_１２が選択されることになる。看板及び因子ｐ_ｊの選択については、図７も参照されたい。

【0083】

一方、例えば、「Ａ社製品を所有するか、或いは、Ｂ社製品を所有するかを分かつ要因を知りたい」という目的に基づいて本開示を実施する場合、因子ｐ_１が属する第１クラスタＣｌ_１には「Ａユーザ」、「Ａ社指向」等の名称を付し、因子ｐ_２が属する第３クラスタＣｌ_３には「Ｂユーザ」、「Ｂ社指向」等の名称を付し、因子ｐ_１～ｐ_３のいずれも属さない第２クラスタＣｌ_２には、「その他ユーザ」等の名称を付すことができる。

【0084】

なお、所定の物品を示すか否かを示すフラグ（例えば、ｐ_１）を因子ｐ_ｊに含めた場合、各潜在クラスｚに分類された対象者ｎ_ｉには、例えば第１クラスタＣｌ_１の対象者ｎ_８、ｎ_１９及びｎ_２１に示すように、実際にその物品（Ａ社製品）を所有している者（ｐ_１の値が１となった対象者）が含まれる。以下、そうした対象者ｎ_ｉを「主要Ａ社ユーザ」と呼称する場合がある。図６に示す例では、対象者ｎ_８，ｎ_１９，ｎ_２１が主要Ａ社ユーザに相当する。

【0085】

また、各潜在クラスｚに分類された対象者ｎ_ｉには、前記主要Ａ社ユーザに加え、第１クラスタＣｌ_１の対象者ｎ_１８のように、「Ａユーザ」と付された第１クラスタＣｌ_１に属しつつも、その物品を所有していない者（ｐ_１の値が０となった対象者）も含まれる。以下、そうした対象者ｎ_ｉを「潜在Ａ社ユーザ」と呼称する場合がある。図６に示す例では、対象者ｎ_１８が潜在Ａ社ユーザに相当する。

【0086】

また、各潜在クラスｚに分類された対象者ｎ_ｉには、主要Ａ社ユーザ及び潜在Ａ社ユーザに加え、第２クラスタＣｌ_２の対象者ｎ_１のように、「その他ユーザ」と付された第２クラスタＣｌ_２等、「Ａユーザ」以外のクラスタに属しつつも、Ａ社製品を所有している者も含まれる。以下、そうした対象者ｎ_ｉを「顕在Ａ社ユーザ」と呼称する場合がある。図６に示す例では、対象者ｎ_１が顕在Ａ社ユーザに相当する。

【0087】

以下、例えば、Ｂ社製品を所有しているか否かを示す因子ｐ_２が属する第３クラスタＣｌ_３に関し、同様に「主要Ｂ社ユーザ」、「潜在Ｂ社ユーザ」及び「顕在Ｂ社ユーザ」と呼称する場合がある。Ｃ社製品を所有しているか否かを示す因子ｐ_３を含んだ図外のクラスタＣｌ_ｚについても同様である。

【0088】

続いて、ステップＳ１３から続くステップＳ１４において、ＣＰＵ３は、クラスタデータ５９として、潜在クラスｚ毎に、顧客ＩＤと因子ＩＤを並び変えた行列データ４９をＲＡＭ７又はＨＤＤ９に格納する。つまり、ここでいうクラスタデータ５９とは、図６の下段に示すように、クラスタリング後の行列データ４９に他ならない。そうして格納されたクラスタデータ５９は、分析対象抽出ステップ等の後続の処理において、必要に応じて読み込まれる。ステップＳ１４が完了すると、制御プロセスは、図４に例示したフローからリターンし、図３のステップＳ２へ進む。

【0089】

（分析対象抽出ステップ）
図８は、分析対象抽出ステップの手順を例示するフローチャートである。また、図９Ａは、分析対象抽出ステップの基本概念を説明するための図である。

【0090】

ここで、図８に例示するフローチャートは、図３のステップＳ２において行われる処理を示している。すなわち、図３において制御プロセスがステップＳ２に進むと、ＣＰＵ３は、図８のステップＳ２１－Ｓ２４を順番に実行することになる。

【0091】

分析対象抽出ステップは、クラスタリング後の行列データ４９、つまりクラスタデータ５９において、特定の潜在クラス（以下、単に「特定クラス」ともいう）ｚ’に属する対象者ｎ_ｉそれぞれを基底とし、該対象者ｎ_ｉそれぞれに割り当てられた因子ｐ_ｊの値を各基底の成分とした多次元ベクトルＸ_ｚ’，ｊを、全Ｍ個の複数の因子ｐ_ｊのうちの少なくとも一部についてＣＰＵ３が生成するように構成されている。

【0092】

具体的に、図８のステップＳ２１において、ＣＰＵ３がクラスタデータ５９を読み込む。前述のように、クラスタデータ５９は、潜在クラスｚ毎に、顧客ＩＤと因子ＩＤを並び変えた行列データ４９を示す。

【0093】

続いて、ステップＳ２１から続くステップＳ２２において、ＣＰＵ３が、複数の潜在クラスｚの中から特定クラスｚ’の選択を受け付ける。この選択は、例えば、コンピュータ１の操作者による操作入力に基づいて受け付けてもよいし、事前に特定クラスｚ’が記載された設定データをＨＤＤ９等から読み込んでもよい。

【0094】

本実施形態では、特定クラスｚ’の一例として、図６及び図９Ａ等に示す第１クラスタＣｌ_１、つまりｚ＝１の「Ａユーザ」が選択されたものとする。

【0095】

続いて、ステップＳ２２から続くステップＳ２３において、ＣＰＵ３は、特定クラスｚ’に属する顧客ＩＤを基底とし、各顧客ＩＤに割り振られた因子ｐ_ｊの値を各基底の成分とした多次元ベクトルＸ_ｚ’，ｊを生成する。すなわち、多次元ベクトルＸ_ｚ’，ｊの次元数ｄは、特定クラスｚ’に属する対象者ｎ_ｉの数ｄと一致することになる。

【0096】

また、多次元ベクトルＸ_ｚ’，ｊの生成に際して考慮される因子ｐ_ｊは、少なくとも３つ以上、好ましくは４つ以上となる。以下、少なくとも３つ以上の因子ｐ_ｊのうち、異なる２つの因子ｐ_ｊをそれぞれ「第１の目的因子ｐ^ｆ」及び「第２の目的因子ｐ^ｓ」と呼称する。

【0097】

また、前記少なくとも３つ以上の因子ｐ_ｊには、第１の目的因子ｐ^ｆ及び第２の目的因子ｐ^ｓの他に、特定クラスｚ’に属する１つ又は複数の因子ｐ_ｊが含まれるようになっている。以下、特定クラスｚ’に属する１つ又は複数の因子ｐ_ｊを「比較因子ｐ_ｊ”」と呼称する。なお、特定クラスｚ’は、ＰＬＳＡステップによって取得された潜在クラスｚのうち、第１の目的因子ｐ^ｆ及び第２の目的因子ｐ^ｓのうちの少なくとも一方が属さない潜在クラスｚから選ぶことができる。

【0098】

図９Ａに示す例では、１つ又は複数の比較因子ｐ_ｊ”が属する特定クラスｚ’としてｚ’＝１の第１クラスタＣｌ_１が選択され、第１の目的因子ｐ^ｆが属する潜在クラスとしてｚ＝１の第１クラスタＣｌ_１が選択され、第２の目的因子ｐ^ｓが属する潜在クラスとしてｚ＝３の第３クラスタＣｌ_３が選択されている。これらの選択については、図７も参照されたい。

【0099】

例えば、図９Ａに示す例では、特定クラスとしての第１クラスタＣｌ_１に属する対象者ｎ_ｉであるｎ_８、ｎ_１８、ｎ_１９及びｎ_２１が多次元ベクトルＸ_１，ｊの基底となる。この場合、多次元ベクトルＸ_１，ｊは４次元（すなわちｄ＝４）となる。

【0100】

前述のように、第１クラスタＣｌ_１に属する因子ｐ_１を第１の目的因子ｐ^ｆとし、第３クラスタＣｌ_３に属する因子ｐ_３を第２の目的因子ｐ^ｓとした場合、それらに対応する多次元ベクトルＸ_１，ｊは、それぞれ、
Ｘ_１，１＝（１，０，１，１）
Ｘ_１，２＝（０，１，０，１）
と表すことができる。この場合、第１の目的因子ｐ^ｆは、所定物品としてのＡ社製品を所有しているか否かを示すフラグとなり、第２の目的因子ｐ^ｓは、所定物品とは相異する別の物品としてのＢ社製品を所有しているか否かを示すフラグとなる。

【0101】

一方、第１の目的因子ｐ^ｆ及び第２の目的因子ｐ^ｓ以外の他の因子ｐ_ｊ、例えば、第１クラスタＣｌ_１に属する各因子ｐ_ｊに対応する多次元ベクトルＸ_１，ｊは、
Ｘ_１，１６＝（１，１，１，１）
Ｘ_１，１８＝（１，１，１，１）
と表すことができる。

【0102】

続いて、ステップＳ２３から続くステップＳ２４において、ＣＰＵ３は、ステップＳ２３によって生成された多次元ベクトルＸ_ｚ’，ｊを、ＲＡＭ７又はＨＤＤ９に格納する。そうして格納された多次元ベクトルＸ_ｚ’，ｊは、次元圧縮ステップ等の後続の処理において、必要に応じて読み込まれる。ステップＳ２４が完了すると、制御プロセスは、図８に例示したフローからリターンし、図３のステップＳ３へ進む。

【0103】

（次元圧縮ステップ）
図１０は、次元圧縮ステップの手順を例示するフローチャートである。

【0104】

ここで、図１０に例示するフローチャートは、図３のステップＳ３において行われる処理を示している。すなわち、図３において制御プロセスがステップＳ３に進むと、ＣＰＵ３は、図１０のステップＳ３１－Ｓ３３を順番に実行することになる。

【0105】

次元圧縮ステップは、ＣＰＵ３が多次元ベクトルＸ_ｚ’，ｊにｔ－ＳＮＥ法を適用することで、多次元ベクトルＸ_ｚ’，ｊを２次元又は３次元の低次元ベクトルｘ_ｚ’，ｊに次元圧縮するように構成されている。

【0106】

具体的に、図１０のステップＳ３１において、ＣＰＵ３が多次元ベクトルＸ_ｚ’，ｊを読み込む。

【0107】

続いて、ステップＳ３１から続くステップＳ３２において、ＣＰＵ３が、ステップＳ３１で読み込んだ多次元ベクトルＸ_ｚ’，ｊに対し、ｔ－ＳＮＥ法を適用する。例えば、高次元空間では多変量正規分布に基づく尺度でベクトルデータ間の距離を測り、低次元空間では自由度１のｔ分布に基づく尺度でベクトルデータ間の距離を測る。そして、ＣＰＵ３が２つの分布間のカルバック・ライブラー情報量を最小化することで、次元圧縮を実行する。ｔ－ＳＮＥ法を適用することで、ｄ次元の多次元ベクトルＸ_ｚ’，ｊを、２次元又は３次元の低次元ベクトルｘ_ｚ’，ｊへと変換することができる。

【0108】

本実施形態では、２次元の低次元ベクトルｘ_ｚ’，ｊに変換されたものとする。多次元ベクトルＸ_ｚ’，ｊの本数（考慮すべき因子ｐ_ｊの数）は、低次元ベクトルｘ_ｚ’，ｊの本数と同じである。

【0109】

続いて、ステップＳ３２から続くステップＳ３３において、ＣＰＵ３は、ステップＳ３２によって生成された低次元ベクトルｘ_ｚ’，ｊを、ＲＡＭ７又はＨＤＤ９に格納する。そうして格納された低次元ベクトルｘ_ｚ’，ｊは、ベクトル可視化ステップ等の後続の処理において、必要に応じて読み込まれる。ステップＳ３３が完了すると、制御プロセスは、図１０に例示したフローからリターンし、図３のステップＳ４へ進む。

【0110】

なお、図１０に例示するフローによって得られる低次元ベクトルｘ_ｚ’，ｊには、前述の第１の目的因子ｐ^ｆに対応した低次元ベクトルｘ_ｚ’，ｊと、第２の目的因子ｐ^ｓに対応した低次元ベクトルｘ_ｚ’，ｊと、他の１つ又は複数の比較因子ｐ_ｊ”が含まれることになる。

【0111】

（ベクトル可視化ステップ）
図１１は、ベクトル可視化ステップの手順を例示するフローチャートである。また、図１３は、ベクトル可視化ステップによって可視化される内容を例示する図である。

【0112】

なお、本実施形態において可視化可能な情報は、全て、表示部としてのディスプレイ１１上に表示することができる。また、ここいう表示部は、コンピュータ１に直に接続されたディスプレイ１１には限定されない。ネットワーク等を介してコンピュータ１と間接的に接続されたディスプレイを表示部として用いてもよい。

【0113】

ここで、図１１に例示するフローチャートは、図３のステップＳ４において行われる処理を示している。すなわち、図３において制御プロセスがステップＳ４に進むと、ＣＰＵ３は、図４のステップＳ４１－Ｓ４６を順番に実行することになる。

【0114】

ベクトル可視化ステップは、第１の目的因子ｐ^ｆに対応した低次元ベクトルｘ_ｚ’，ｊと、第２の目的因子ｐ^ｓに対応した低次元ベクトルｘ_ｚ’，ｊと、１つ又は複数の比較因子ｐ_ｊ”に対応した各低次元ベクトルｘ_ｚ’，ｊと、の相対的な位置関係をＣＰＵ３が可視化するように構成されている。

【0115】

特に、本実施形態に係るベクトル可視化ステップでは、第１の目的因子ｐ^ｆに対応した低次元ベクトルｘ_ｚ’，ｊと、１つ又は複数の比較因子ｐ_ｊ”の各々に対応した低次元ベクトルｘ_ｚ’，ｊとの間のユークリッド距離を示す第１の距離と、第２の目的因子ｐ^ｓに対応した低次元ベクトルｘ_ｚ’，ｊと、１つ又は複数の比較因子ｐ_ｊ”の各々に対応した低次元ベクトルｘ_ｚ’，ｊとの間のユークリッド距離を示す第２の距離と、をＣＰＵ３が可視化して判定するように構成されている。

【0116】

具体的に、図１１のステップＳ４１において、ＣＰＵ３が各低次元ベクトルｘ_ｚ’，ｊを読み込む。

【0117】

続いて、ステップＳ４１から続くステップＳ４２において、ＣＰＵ３は、第１の目的因子ｐ^ｆと、第２の目的因子ｐ^ｓを決定する操作を受け付ける。第１及び第２の目的因子ｐ^ｆｆ，ｐ^ｓのうちの少なくとも一方は、前記ステップＳ２２に示した特定クラスｚ’の選択時に決定してもよいし、前記ステップＳ２３に示した処理の際に決定してもよい。

【0118】

具体的に、ステップＳ４２において、ＣＰＵ３は、いずれかの潜在クラスｚに属する一の因子ｐ_ｊを第１の目的因子ｐ^ｆに選択し、いずれかの潜在クラスｚに属する他の因子ｐ_ｊを第２の目的因子ｐ^ｓに選択する。第２の目的因子ｐ^ｓは、第１の目的因子ｐ^ｆとは異なる潜在クラスｚに属することが好ましい。さらに好ましくは、第２の目的因子ｐ^ｓに対応した多次元ベクトルＸ_ｚ’，ｊと、第１の目的因子ｐ^ｆに対応した前記多次元ベクトルＸ_ｚ’，ｊとは互いに直交する。

【0119】

なお、第１の目的因子ｐ^ｆとして、前述のように所定物品（Ａ社製品）を所有しているか否かを示すフラグ（因子ｐ_１）を選択した場合、第２の目的因子ｐ^ｓは、好ましくは、所定物品（Ａ社製品）とは相異する別の物品を所有しているか否かを示すフラグとなる。この場合、所定物品と別の物品は、製造者の異なる同種の物品とすることがさらに好ましい。

【0120】

図６等に示した例の場合、第２の目的因子ｐ^ｓとして、前記別の物品としてのＢ社製品を所有しているか否かを示すフラグ、つまり第３クラスタＣｌ_３に属する因子ｐ_２が選択されている。

【0121】

続いて、ステップＳ４２から続くステップＳ４３において、ＣＰＵ３は、第１の目的因子ｐ^ｆに対応した低次元ベクトルｘ_ｚ’，ｊと、第２の目的因子ｐ^ｓに対応した低次元ベクトルｘ_ｚ’，ｊと、１つ又は複数の比較因子ｐ_ｊ”に対応した低次元ベクトルｘ_ｚ’，ｊと、を表示部としてのディスプレイ１１上に表示する（マッピングする）。その表示に際しては、図１３に示すように、各低次元ベクトルｘ_ｚ’，ｊの始点を省略し、終点のみを表示することができる。

【0122】

図５、図６及び図９等を用いて例示したように、特定クラスｚ’としての第１クラスタＣｌ_１が選択され（つまり、ｚ’＝１）、第１の目的因子ｐ^ｆとして第１クラスタＣｌ_１の因子ｐ_１が選択され、第２の目的因子ｐ^ｓとして第３クラスタＣｌ_３の因子ｐ_２が選択され、特定クラスｚ’における１つ又は複数の比較因子ｐ_ｊ”として第１クラスタＣｌ_１の因子ｐ_１６及びｐ_１８が選択され、２次元の低次元ベクトルｘ_１，ｊへと次元圧縮された場合を考える。

【0123】

この場合の、比較因子ｐ_ｊ”は、前述のように、特定クラスｚ’に属する因子ｐ_ｊから選んでもよいし、特定クラスｚ’以外の他のクラスｚに属する因子ｐ_ｊから選んでもよい。

【0124】

この場合における低次元ベクトルｘ_１，ｊの表示結果は、図１３に示す通りである。同図に示す“Ｐｊ”とは、因子ｐ_ｊに対応した低次元ベクトルｘ_１，ｊの終点の位置座標を示している。すなわち、図１３の“Ｐ１”及び“Ｐ２”は、それぞれ、第１の目的因子ｐ^ｆに対応した低次元ベクトルｘ_１，１の終点の位置座標と、第２の目的因子ｐ^ｓに対応した低次元ベクトルｘ_１，２の終点の位置座標と、を示している。

【0125】

また、図１３の“Ｐ１６”及び“Ｐ１８”は、それぞれ、比較因子ｐ_ｊ”としての２つの因子ｐ_１６，ｐ_１８に対応した低次元ベクトルｘ_１，１６，ｘ_１，１８の終点の位置座標を示している。

【0126】

ステップＳ４３に示すように各低次元ベクトルｘ_１，ｊの終点の位置座標を可視化することで、それに続くステップＳ４４に示すように、低次元ベクトルｘ_１，ｊ間のユークリッド距離（距離）も、直感的な理解に堪えるレベルで可視化される。例えば、“Ｐ１”に対する“Ｐ１６”及び“Ｐ１８”のユークリッド距離が、前述の“第１の距離”に相当する。“Ｐ２”に対する“Ｐ１６”及び“Ｐ１８”のユークリッド距離が、前述の“第２の距離”に相当する。

【0127】

ステップＳ４４では、ユークリッド距離の可視化を助けるべく、図１３の破線に示すように、第１の目的因子ｐ^ｆに対応したＰ１と、第２の目的因子ｐ^ｓに対応したＰ２とをそれぞれ中心としたサークルＣ_１１，Ｃ_１２を表示してもよい。この場合、各サークルＣ_１１，Ｃ_１２の内側に位置する比較因子ｐ_ｊ”は、第１の目的因子ｐ^ｆ及び／又は第２の目的因子ｐ^ｓと近距離であると判定することができる。一方、各サークルＣ_１１，Ｃ_１２の外側に位置する比較因子ｐ_ｊ”は、第１の目的因子ｐ^ｆ及び／又は第２の目的因子ｐ^ｓと遠距離であると判定することができる。２つのサークルＣ_１１，Ｃ_１２は、互いに同径としてもよい。

【0128】

そして、ステップＳ４４から続くステップＳ４５において、ＣＰＵ３は、第１の目的因子ｐ^ｆ及び第２の目的因子ｐ^ｓに対して相対的に短距離の比較因子ｐ_ｊ”と、相対的に遠距離の比較因子ｐ_ｊ”とを抽出する。

【0129】

ここでは、相対的に近距離の比較因子ｐ_ｊ”として、前述のサークルＣ_１１，Ｃ_１２の内側に位置する比較因子ｐ_ｊ”を抽出することができる。同様に、相対的に遠距離の比較因子ｐ_ｊ”として、前述のサークルＣ_１１，Ｃ_１２の外側に位置する比較因子ｐ_ｊ”を抽出することができる。それらの抽出に際し、ＣＰＵ３は、前述のように定義された、第１の目的因子ｐ^ｆに係る第１の距離と、第２の目的因子ｐ^ｓに係る第２の距離と、を各比較因子ｐ_ｊ”について算出する。

【0130】

そして、ステップＳ４５から続くステップＳ４６において、ＣＰＵ３は、ステップＳ４５における抽出結果と、抽出された各比較因子ｐ_ｊ”に係る第１及び第２の距離と、を、ＲＡＭ７又はＨＤＤ９に格納する。そうして格納された低次元ベクトルｘ_ｚ’，ｊは、要因分析ステップ等の後続の処理において、必要に応じて読み込まれる。ステップＳ４６が完了すると、制御プロセスは、図１１に例示したフローからリターンする。

【0131】

その後、制御プロセスは、図３のステップＳ４からステップＳ５へ進む。ステップＳ５では、以下に示す特定クラス変更ステップ（ステップＳ６）を行うか否かを判定し、この判定がＹＥＳの場合はステップＳ７へ進む一方、ＮＯの場合はステップＳ６に進んで特定クラス変更ステップを実行する。

【0132】

（特定クラス変更ステップ）
図９Ｂは、特定クラスｚ’変更後の分析対象抽出ステップの基本概念を説明するための図である。また、図１４は、第２のベクトル可視化ステップによって可視化される内容を例示する図である。

【0133】

ステップＳ６に示す特定クラス変更ステップでは、第１及び第２の目的因子ｐ^ｆ，ｐ^ｓを固定した状態で、特定クラスｚ’の変更を実行する。具体的に、特定クラスｚ’を、一の潜在クラスから他の潜在クラスに変更する。

【0134】

図９Ｂ及び図１４等を用いた例示の場合、第２クラスタＣｌ_２が新たに特定クラスｚ’に設定されたものとする。以下、変更後の特定クラスを「第２の特定クラス」と呼称し、当初の特定クラスと区別する場合がある。

【0135】

そうして特定クラスｚ’の変更が完了すると、制御プロセスは、図３のステップＳ２へと戻る。その後、制御プロセスは、特定クラスｚ’の変更を反映しかつ第１及び第２の目的因子ｐ^ｆ，ｐ^ｓを固定した状態で、分析対象抽出ステップ（ステップＳ２）と、次元圧縮ステップ（ステップＳ３）と、ベクトル可視化ステップ（ステップＳ４）とを再度実行する。

【0136】

つまり本実施形態では、変更前後の２つの特定クラスｚ’の両方で、分析対象抽出ステップ（ステップＳ２）と、次元圧縮ステップ（ステップＳ３）と、ベクトル可視化ステップ（ステップＳ４）と、が実行されるようになっている。

【0137】

ここで、再度実行される各ステップを、それぞれ第２の分析対象抽出ステップ、第２の次元圧縮ステップ、及び第２のベクトル可視化ステップと呼称すると、第２の分析対象抽出ステップでは、クラスタリング後の行列データ４９において、第２の特定クラスに属する対象者それぞれを基底とし、該対象者それぞれに割り当てられた因子の値を各基底の成分とした第２の多次元ベクトルを、複数の因子のうちの少なくとも一部の因子について、ＣＰＵ３が生成する。

【0138】

図９Ｂ等を用いた例示の場合、第２の多次元ベクトルは、「Ｘ_２，ｊ」と表すことができる。この場合の第２の多次元ベクトルＸ_２，ｊは、第１クラスタＣｌ_１に属する対象者ｎ_８，ｎ_１８，ｎ_１９，ｎ_２１を基底とする代わりに、第２クラスタＣｌ_２に属する対象者ｎ_２０，…，ｎ_１を基底とすることになる。

【0139】

続いて、第２の次元圧縮ステップでは、ＣＰＵ３が第２の多次元ベクトルにｔ－ＳＮＥ法を適用することで、第２の多次元ベクトルを２次元または３次元の低次元ベクトルに次元圧縮する。

【0140】

図９Ｂ等を用いた例示の場合、低次元ベクトルは、「ｘ_２，ｊ」と表すことができる。この場合の低次元ベクトルｘ_２，ｊは、第２クラスタＣｌ_２に属する対象者ｎ_２０，…，ｎ_１を基底とした多次元ベクトルにｔ－ＳＮＥを適用することで生成されることになる。

【0141】

続いて、第２のベクトル可視化ステップでは、第２の多次元ベクトルに対応して得られた各低次元ベクトルｘ_２，ｊに基づいて、第１の目的因子に対応した低次元ベクトルと、第２の目的因子に対応した低次元ベクトルと、１つ又は複数の比較因子に対応した低次元ベクトルとの間のユークリッド距離をＣＰＵ３が可視化することになる。

【0142】

ここでいう「第１の目的因子に対応した低次元ベクトル」とは、第２の多次元ベクトルに対応して得られたものを指す。すなわち、図９Ｂ及び図１４等を用いた例示の場合、第２クラスタＣｌ_２に属する対象者ｎ_２０，…，ｎ_１を基底とし、かつ、第１の目的因子ｐ^ｆとしての因子ｐ_１の値を各基底の成分とした多次元ベクトルにｔ－ＳＮＥを適用することで生成されたものが、「第１の目的因子に対応した低次元ベクトル」に相当する。「第２の目的因子に対応した低次元ベクトル」についても同様である。

【0143】

第２のベクトル可視化ステップにおける低次元ベクトルｘ_３，ｊの表示結果は、図１４に示す通りである。同図に示す“Ｐｊ”とは、因子ｐ_ｊに対応した低次元ベクトルｘ_２，ｊの終点の位置座標を示している。すなわち、図１４の“Ｐ１”及び“Ｐ２”は、それぞれ、第１の目的因子ｐ^ｆに対応した低次元ベクトルｘ_２，１の終点の位置座標と、第２の目的因子ｐ^ｓに対応した低次元ベクトルｘ_２，２の終点の位置座標と、を示している。

【0144】

また、図１４の“Ｐ７”及び“Ｐ１１”は、それぞれ、比較因子ｐ_ｊ”としての２つの因子ｐ_７，ｐ_１１に対応した低次元ベクトルｘ_２，７，ｘ_２，１１の終点の位置座標を示している。

【0145】

各低次元ベクトルｘ_２，ｊの終点の位置座標を可視化することで、特定クラスｚ’変更後の第１及び第２の距離が、第１のベクトル可視化ステップと同様に可視化される。

【0146】

第２のベクトル可視化ステップでは、第１のベクトル可視化ステップと同様にユークリッド距離の可視化を助けるべく、図１４の破線に示すように、第１の目的因子ｐ^ｆに対応したＰ１と、第２の目的因子ｐ^ｓに対応したＰ２とをそれぞれ中心としたサークルＣ_２１，Ｃ_２２を表示してもよい。この場合、各サークルＣ_２１，Ｃ_２２の内側に位置する比較因子ｐ_ｊ”は、第１の目的因子ｐ^ｆ又は第２の目的因子ｐ^ｓのうちの一方と近距離であるとみなすことができる。同様に、各サークルＣ_２１，Ｃ_２２の外側に位置する比較因子ｐ_ｊ”は、第１の目的因子ｐ^ｆ及び第２の目的因子ｐ^ｓのうちの少なくとも一方と遠距離であるとみなすことができる。

【0147】

多次元ベクトルＸ_２，ｊの基底を変更したことにより、第１の目的因子ｐ^ｆ又は第２の目的因子ｐ^ｓに対して近距離となる比較因子ｐ_ｊ”の内訳が、図１３に示す例から変化する。

【0148】

最終的に、第１のベクトル可視化ステップと同様に、ＣＰＵ３は、第１の目的因子ｐ^ｆ及び第２の目的因子ｐ^ｓのそれぞれについて、相対的に短距離の比較因子ｐ_ｊ”と相対的に遠距離の比較因子ｐ_ｊ”とを抽出する。

【0149】

ここでは、相対的に近距離の比較因子ｐ_ｊ”として、前述のサークルＣ_２１，Ｃ_２２の内側に位置する比較因子ｐ_ｊ”を抽出することができる。同様に、相対的に遠距離の比較因子ｐ_ｊ”として、前述のサークルＣ_２１，Ｃ_２２の外側に位置する比較因子ｐ_ｊ”を抽出することができる。それらの抽出に際し、ＣＰＵ３は、前述のように定義された、第１の目的因子ｐ^ｆに係る第１の距離と、第２の目的因子ｐ^ｓに係る第２の距離と、を各比較因子ｐ_ｊ”について算出する。

【0150】

（要因分析ステップ）
図１２は、要因分析ステップの手順を例示するフローチャートである。

【0151】

図３のステップＳ７に示す要因分析ステップは、ベクトル可視化ステップによって可視化された相対的な位置関係に基づいて、第１及び第２の目的因子ｐ^ｆ，ｐ^ｓの値が０と１に別れた要因を分析するように構成されている。

【0152】

具体的に、本実施形態では、分析対象抽出ステップ（ステップＳ２）と、次元圧縮ステップ（ステップＳ３）と、ベクトル可視化ステップ（ステップＳ４）と、の実行結果のうちのベクトル可視化ステップの実行結果を、特定クラス変更ステップによる特定クラスｚ’の変更前後で比較するとともに、双方を分析することで、要因分析ステップを実行するように構成されている。

【0153】

さらに具体的には、本実施形態に係るＣＰＵ３は、まず、特定クラスｚ’の変更前に探索（抽出）された比較因子ｐ_ｊ”を、第１及び第２の目的因子ｐ^ｆ，ｐ^ｓに対して近い順に並べる（ステップＳ７１）。

【0154】

－ステップＳ７１の詳細－
まず、ＣＰＵ３は、１回目のベクトル可視化ステップで得られた可視化結果（具体的には、第１及び第２の距離の長短）に基づいて、１つ又は複数の比較因子ｐ_ｊ”の中から、第１及び第２の目的因子ｐ^ｆ，ｐ^ｓの値に寄与した因子を探索する。

【0155】

その際、ＣＰＵ３は、１つ又は複数の比較因子ｐ_ｊ”のうち、第１の目的因子ｐ^ｆに対して近距離かつ第２の目的因子ｐ^ｓに対して遠距離となる比較因子ｐ_ｊ”を探索する。

【0156】

この場合、第１の目的因子ｐ^ｆの値に寄与した因子ｐ_ｊの探索は、第１のサークルＣ_１１の内側に位置し、かつ第２のサークルＣ_１２の外側に位置する比較因子ｐ_ｊ”をリストアップするとともに、そのリストを第１の目的因子ｐ^ｆに対する距離が近い順に並べることで行われるようになっている。

【0157】

図１３に示す例では、第１の目的因子ｐ^ｆとして、第１クラスタＣｌ_１に属しかつＡ社製品を所有していることを示す因子ｐ_１が用いられている。この場合、第１の目的因子ｐ^ｆとの距離が近いということは、「因子ｐ_１との相関が高い因子（Ａ社製品を所有する契機となり得る因子）である」という仮の解釈を与えることが可能になる。

【0158】

それとは反対に、第１の目的因子ｐ^ｆとの距離が遠いということは、「Ａ社製品を所有する契機とはなり難い因子である」という仮の解釈を与えることが可能になる。

【0159】

すなわち、図１３に例示した低次元ベクトルｘ_１，ｊは、実際にＡ社製品を所有している主要Ａ社ユーザと、第１クラスタＣｌ_１に属している（つまり、主要Ａ社ユーザと同様の価値観を有する）ものの、Ａ社製品を所有していない潜在Ａ社ユーザと、を双方とも考慮した基底に基づいて生成されている。そうして生成された低次元ベクトルｘ_１，ｊと、実際にＡ社製品を所有していることを示す因子ｐ_１との距離を分析することで、第１クラスタＣｌ_１に属する因子ｐ_ｊの中から、主要Ａ社ユーザと潜在Ａ社ユーザとを分かつ因子ｐ_ｊ、すなわち、Ａ社製品を所有する契機となり得る因子ｐ_ｊを探索することが可能になる。

【0160】

具体的に、ＣＰＵ３は、１つ又は複数の比較因子ｐ_ｊ”のうち、第１の目的因子ｐ^ｆに対して遠距離かつ第２の目的因子ｐ^ｓに対して近距離となる比較因子ｐ_ｊ”を探索する。

【0161】

この場合、第２の目的因子ｐ^ｓの値に寄与した因子ｐ_ｊの探索は、第２のサークルＣ_１２の内側に位置し、かつ第１のサークルＣ_１１の外側に位置する比較因子ｐ_ｊ”をリストアップするとともに、そのリストを第２の目的因子ｐ^ｓに対する距離が近い順に並べることで行うことができる。

【0162】

図１３に示す例では、第２の目的因子ｐ^ｓとして、第３クラスタＣｌ_３に属しかつＢ社製品を所有していることを示す因子ｐ_２が用いられている。この場合、第２の目的因子ｐ^ｓとの距離が近いということは、「因子ｐ_１との相関が低く、かつ因子ｐ_２との相関が高い因子（Ｂ社製品を所有する契機となり得る因子）である」という仮の解釈を与えることが可能になる。

【0163】

また、第２の目的因子ｐ^ｓとの距離が遠いということは、「Ｂ社製品を所有する契機とはなり難い因子である」という仮の解釈を与えることが可能になる。

【0164】

すなわち、図１３に例示した低次元ベクトルｘ_１，ｊは、前述のように、主要Ａ社ユーザ及び潜在Ａ社ユーザを双方とも考慮した基底に基づいて生成されている。そうして生成された低次元ベクトルｘ_１，ｊと、Ａ社製品ではなくＢ社製品を所有していることを示す因子ｐ_２との距離を分析することで、第１クラスタＣｌ_１に属する因子ｐ_ｊの中から、主要Ａ社ユーザと、潜在Ａ社ユーザとを分かつ因子ｐ_ｊ、すなわち、Ａ社製品を指向する価値観を有しつつも、他社製品を所有するに至った因子ｐ_ｊを探索することが可能になる。

【0165】

第１の目的因子ｐ^ｆ及び第２の目的因子ｐ^ｓを双方とも設定することで、主要Ａ社ユーザと潜在Ａ社ユーザとを分かつ因子ｐ_ｊを多面的に探索することが可能になる。

【0166】

図１３の例では、比較因子ｐ_１６，ｐ_１８は、第１クラスタＣｌ_１に属しつつも、第１のサークルＣ_１１と、第２のサークルＣ_１２との両方の内側に位置している。これに対し、「第１クラスタＣｌ_１に属する比較因子ｐ_１６，ｐ_１８は、Ａ社製品を所有するか、或いは、Ｂ社製品を所有するかを分かつ契機とまでは云えない」という仮の解釈を与えることができる。

【0167】

その後、ＣＰＵ３は、特定クラスｚ’の変更後に探索（抽出）された比較因子ｐ_ｊ”を、第１及び第２の目的因子ｐ^ｆ，ｐ^ｓに対して近い順に並べる（ステップＳ７２）。

【0168】

－ステップＳ７２の詳細－
具体的に、ステップＳ７２では、まず、特定クラスｚ’変更後に可視化された内容に基づいて、サークルＣ_２１の内側又は近傍に位置する比較因子ｐ_ｊ”をリストアップするとともに、そのリストを第１の目的因子ｐ^ｆに対する距離（第１の距離）が近い順に並べる。

【0169】

すなわち、図１４に例示した低次元ベクトルｘ_２，ｊは、他社ユーザを考慮した基底に基づいて生成されている。他社ユーザには、その他社ユーザと同様の価値観を有しつつも、他社製品ではなくＡ社製品を所有するに至った顕在Ａ社ユーザと、Ｂ社製品を所有するに至った顕在Ｂ社ユーザとが含まれ得る。

【0170】

したがって、そうして生成された低次元ベクトルｘ_２，ｊと、実際にＡ社製品を所有していることを示す因子ｐ_１との距離を分析することで、第２クラスタＣｌ_２に属する因子ｐ_ｊの中から、顕在Ａ社ユーザであるか否かを分かつ因子ｐ_ｊ、すなわちＡ社製品を所有する契機となり得る因子ｐ_ｊを探索することが可能になる。

【0171】

そこで、本実施形態に係るステップＳ７２では、ＣＰＵ３は、２回目のベクトル可視化ステップによる可視化結果（特定クラスｚ’変更後に可視化された第２の距離の長短）に基づいて、特定クラスｚ’の変更前後の可視化結果を比較しつつ、複数の比較因子ｐ_ｊ”の中から、第２の目的因子ｐ^ｓの値に寄与した因子を探索する。

【0172】

例えば、特定クラスｚ’変更後に可視化された内容に基づいて、サークルＣ_３２の内側又は近傍に位置する比較因子ｐ_ｊ”をリストアップするとともに、そのリストを第２の目的因子ｐ^ｓに対する距離が近い順に並べ、特定クラスｚ’変更前の探索結果と比較る。

【0173】

すなわち、図１４に例示した低次元ベクトルｘ_２，ｊは、前述のように、他顕在Ａ社ユーザ又は顕在Ｂ社ユーザを含み得る基底に基づいて生成されている。そうして生成された低次元ベクトルｘ_２，ｊと因子ｐ_２との距離を分析することで、第２クラスタＣｌ_２に属する因子ｐ_ｊの中から、顕在Ａ社ユーザ又は顕在Ｂ社ユーザに至った契機となった因子ｐ_ｊ、すなわち、潜在Ｂ社ユーザと顕在Ａ社ユーザとを分かつ契機となり得る因子ｐ_ｊを抽出することが可能になる。

【0174】

また、ステップＳ７１と同様に、ＣＰＵ３は、１つ又は複数の比較因子ｐ_ｊ”のうち、第１の目的因子ｐ^ｆに対して近距離かつ第２の目的因子ｐ^ｓに対して遠距離ｐ^ｓとなる比較因子ｐ_ｊ”を探索する。さらに、ＣＰＵ３は、１つ又は複数の比較因子ｐ_ｊ”のうち、第１の目的因子ｐ^ｆに対して遠距離かつ第２の目的因子ｐ^ｓに対して近距離となる比較因子ｐ_ｊ”を探索する。

【0175】

図１４の例では、第２クラスタＣｌ_２に属する比較因子ｐ_７，ｐ_１１のうちの比較因子ｐ_１１は、第１のサークルＣ_１１と、第２のサークルＣ_１２との両方の外側に位置している。これに対し、「第２クラスタＣｌ_２に属する比較因子ｐ_１１は、Ａ社製品を所有する契機にならなければ、Ｂ社製品を所有する契機にもならない」という仮の解釈を与えることができる。

【0176】

それに対し、第２クラスタＣｌ_２に属するもう１つの比較因子ｐ_７は、第１のサークルＣ_１１の内側に位置しつつ、第２のサークルＣ_１２の外側に位置している。これに対し、「第２クラスタＣｌ_２に属する比較因子ｐ_７は、Ａ社製品を所有するか、或いは、Ｂ社製品を所有するかを分かつ契機となり得る」という仮の解釈を与えることができる。

【0177】

すなわち、図例の場合、比較因子ｐ_７こそが、第１及び第２の目的因子ｐ^ｆ，ｐ^ｓの値が０と１に別れた要因であるという解釈を与えることができる。こうした分析を複数（例えば３以上）の特定クラスｚ’で行うことで、第１及び第２の目的因子ｐ^ｆ，ｐ^ｓの値が０と１に別れた要因に、より確実に到達することが可能となる。

【0178】

その後、ステップＳ７２から続くステップＳ７３において、ＣＰＵ３は、ステップＳ７１の探索結果と、ステップＳ７２の探索結果とを羅列する。その際、前述の比較因子ｐ_７のように、Ａ社製品を所有するか、或いは、Ｂ社製品を所有するかを分かつ契機となり得るような因子を表示する。これにより、制御プロセスは、図１２に示すフローを完了し、図３に示すフローからリターンする。

【0179】

＜効果等＞
以上説明したように、前記実施形態によると、特定クラスｚ’に属する対象者ｎ_ｉそれぞれを基底とし、該対象者ｎ_ｉそれぞれに割り当てられた因子ｐ_ｊの値を各基底の成分とした多次元ベクトルＸ_ｚ’，ｊに対してｔ－ＳＮＥ法を適用することで、その多次元ベクトルＸ_ｚ’，ｊを低次元ベクトルｘ_ｚ’，ｊに次元圧縮する（図３のステップＳ１－Ｓ３を参照）。

【0180】

そして、図９Ａ及び図９Ｂ等を用いて説明したように、低次元ベクトルｘ_ｚ’，ｊの可視化に際し、いずれかの潜在クラスｚに属する第１及び第２の目的因子ｐ^ｆ，ｐ^ｓと、特定クラスｚ’に属する他の比較因子ｐ_ｊ”との比較を行う。その際、後者の比較因子ｐ_ｊ”に係る特定クラスｚ’について、一の潜在クラスから他の潜在クラスに変更し、ベクトル可視化ステップによって可視化された内容を変更前後で比較する。

【0181】

すなわち、図１３及び図１４を用いて説明したように、比較因子ｐ_ｊ”が属する特定クラスｚ’を変更しながら、各特定クラスｚ’においてベクトル可視化ステップによる可視化を行うことで、第１又は第２の目的因子ｐ^ｆ，ｐ^ｓに対応した低次元ベクトルｘ_ｚ’，ｊと、比較因子ｐ_ｊ”に対応した低次元ベクトルｘ_ｚ’，ｊとの違いを明確化することができる。そうして違いが明確化された状態で、各目的因子ｐ^ｆ，ｐ^ｓに近接又は離間する比較因子ｐ_ｊ”を探索することで、２つの目的因子ｐ^ｆ，ｐ^ｓの値が０又は１に別れた契機となり得る要因を、従来よりも明確に捉えることが可能になる。

【0182】

またそもそも、比較因子ｐ_ｊ”が属する特定クラスｚ’を変更することは、多次元ベクトルＸ_ｚ’，ｊの基底となる対象者ｎ_ｉを変更することに等しい。そうして特定クラスｚ’を変更しつつ、各特定クラスｚ’において目的因子ｐ^ｆ，ｐ^ｓと強く相関するような比較因子ｐ_ｊ”を探索することで、第１及び第２の目的因子ｐ^ｆ，ｐ^ｓの値が０と１に別れた要因を、従来よりも多方面から捉えることができるようになる。

【0183】

また、図１３及び図１４を用いて説明したように、前記要因分析ステップは、各ユークリッド距離の長短に基づいて因子を探索するように構成されている。このように構成することで、より直感的に理解し易い形式で可視化及び探索することが可能になる。これにより、第１及び第２の目的因子ｐ^ｆ，ｐ^ｓの値が０と１に別れた要因を捉える上で有利になる。

【0184】

また、図１３及び図１４を用いて説明したように、第１の目的因子ｐ^ｆに近接又は離間する比較因子と、第２の目的因子ｐ^ｓに近接又は離間する比較因子ｐ_ｊ”とを探索することで、２つの目的因子ｐ^ｆ，ｐ^ｓの値が別れた要因を、より的確に分析することができる。

【0185】

また、一般に、クラスタリングによって得られた各ブロック行列が、それぞれ潜在クラスｚに対応することから明らかなように、同じ潜在クラスｚに属する因子に対応した低次元ベクトルｘ_ｚ，ｊは、互いに類似した傾向を示す。

【0186】

それに対し、図１４等に例示したように、第１及び／又は第２の目的因子ｐ^ｆ，ｐ^ｓが属する潜在クラスｚと、比較因子ｐ_ｊ”が属する特定クラスｚ’とを異ならせることで、各因子に対応した低次元ベクトルｘ_ｚ’，ｊ同士の違いを明確化することができる。そうして違いが明確化された状態で、第１及び／又は第２の目的因子ｐ^ｆ，ｐ^ｓに対して近接又は離間する比較因子ｐ_ｊ”を探索することで、その目的因子ｐ^ｆ，ｐ^ｓの値が０と１となった契機となり得る要因を、従来よりも明確に捉えることが可能になる。

【0187】

またそもそも、目的因子ｐ^ｆ，ｐ^ｓが属する潜在クラスｚと、比較因子ｐ_ｊ”が属する特定クラスｚ’とを異ならせた状態で比較因子ｐ_ｊ”の探索を行うことは、ＰＬＳＡ法を行った段階では異なる潜在クラスに分類されたものの、それでもなお、目的因子ｐ^ｆ，ｐ^ｓと強く相関するような比較因子ｐ_ｊ”を探索することに相当する。これは、従来のＰＬＳＡ法では知り得ない知見であり、第１及び第２の目的因子ｐ^ｆ，ｐ^ｓの値が０または１となった要因を、従来よりも多方面から捉えることができるようになる。

【0188】

また、図９Ａ等に例示したように、第１の目的因子ｐ^ｆに対応した多次元ベクトルを構成する基底には、Ａ社製品を実際に所有している対象者（例えば、ｎ_８、ｎ_１９，ｎ_２１）が含まれることになる。そうした多次元ベクトルに基づき生成された低次元ベクトルに対して前述の可視化を行うことで、Ａ社製品を所有する契機となった要因、或いは、所有しない契機となった要因を、従来よりも多方面から捉えることが可能になる。

【0189】

ここで、例えば、第２の目的因子ｐ^ｓが、第１の目的因子ｐ^ｆの競合商品を所有しているか否かを示すフラグだった場合、第１及び第２の目的因子ｐ^ｆ，ｐ^ｓが０と１に別れた要因を探索することで、前記競合商品の改良点、訴求点等を明らかにすることが可能になる。それらの知見を分析することで、第１の目的因子ｐ^ｆに対応した商品の要改良点等を明確化することができる。

【0190】

また、図１２等を用いて説明したように、第１の目的因子ｐ^ｆの属する潜在クラス（図例ではｚ＝１）と、第２の目的因子ｐ^ｓの属する潜在クラス（図例ではｚ＝３）を固定した状態で、特定クラスをｚ’＝１からｚ’＝２へと変更した分析を行う。変更前の分析と変更後の分析は、低次元ベクトルの生成に用いる対象者ｎ_ｉの内訳が相違することになる。

【0191】

したがって、対象者ｎ_ｉの内訳を異ならせた２つの分析結果を比較することで、目的因子ｐ^ｆの値が０または１となった要因を、より多方面から捉えることができるようになる。

【0192】

＜追加処理＞
なお、前記実施形態では、第１及び第２の目的因子ｐ^ｆ，ｐ^ｓをそれぞれ、第１クラスタＣｌ_１に属するｐ_１と第３クラスタＣｌ_３に属するｐ_２に固定した状態で、一の特定クラスとしてｚ’＝１から、他の特定クラスとしてのｚ’＝２へと変更したケースについて説明したが、本開示は、そうしたケースには限定されない。他の特定クラスとしてのｚ’＝２から、さらに別の特定クラスへと変更し、その変更前後で得られた可視化内容を比較してもよい。

【0193】

例えば、ｚ’＝２から、さらに別の特定クラスとしてのｚ’＝３へと変更したケースについて考える。この場合、コンピュータ１は、第１及び第２の目的因子ｐ^ｆ，ｐ^ｓをそれぞれ固定した状態で、さらに別の特定クラスに関する第３の分析対象抽出ステップと、第３の次元圧縮ステップと、第３のベクトル可視化ステップと、を実行することになる。

【0194】

図１５は、さらに別の特定クラス（ｚ’＝３）における可視化内容（第３のベクトル可視化ステップによる可視化内容）を例示する図である。図１３及び図１４に加えて図１５を考慮することで、より多方面から捉えた分析を行うことができるようになる。

【0195】

なお、前記実施形態では、一の特定クラスとして第１の目的因子ｐ^ｆが属するｚ’＝１の潜在クラスを用いるとともに、他の特定クラスとして第１及び第２の目的因子ｐ^ｆ，ｐ^ｓが双方とも属さないｚ’＝３の潜在クラスを用いるように構成されていたが、本開示は、そうした構成には限定されない。

【0196】

例えば、一の特定クラスとして第１の目的因子ｐ^ｆが属する潜在クラスを用いる一方に、他の特定クラスとして第２の目的因子ｐ^ｓが属する潜在クラスを用いてもよい。この場合、例えば、一の特定クラス及び他の特定クラスをそれぞれ健康度の高いクラスタと、健康度の低いクラスタに設定するとともに、第１及び第２の目的因子ｐ^ｆ，ｐ^ｓを、それぞれ、健康度の高いクラスタに属する「高視力」なる因子ｐ_ｊと、健康度の低いクラスタに属する「低視力」なる因子ｐ_ｊとに設定してもよい。

【0197】

そうした設定に対して本開示を適用することで、対象者ｎ_ｉが「高視力」であるか、或いは、「低視力」であるかを分かつ要因を、従来のＰＬＳＡ法及びｔ－ＳＮＥ法では辿り付けない観点から導き出すことが可能になる。

【0198】

また、例えば図１４に示したように、一の特定クラス及び他の特定クラスを、それぞれ、第１及び第２の目的因子ｐ^ｆ，ｐ^ｓが属さない潜在クラスから選択してもよい。例えば、一の特定クラス及び他の特定クラスをそれぞれ前述の「Ａ社指向」及び「Ｂ社指向」のクラスタに設定しつつ、第１及び第２の目的因子ｐ^ｆ，ｐ^ｓをそれぞれ「Ｃ社指向」及び「その他ユーザ」に属する因子ｐ_ｊに設定してもよい。

【0199】

そうした設定に対して本開示を適用することで、対象者ｎ_ｉがＣ社製品を所有する契機となった要因を、「Ａ社指向」及び「Ｂ社指向」を構成する因子ｐ_ｊに基づいて、従来のＰＬＳＡ法及びｔ－ＳＮＥ法では辿り付けない観点から導き出すことが可能になる。

【0200】

《他の実施形態》
前記実施形態では、一のコンピュータ１によって実施されるものを例示したが、本開示は、その例には限定されない。本開示に係る情報処理方法及び情報処理プログラム２９は、複数のコンピュータ１を用いて実行してもよい。また、本開示におけるコンピュータ１には、スーパーコンピュータ、ＰＣクラスタ等の並列計算機も含まれる。

【符号の説明】

【0201】

１ コンピュータ（情報処理装置）
３ ＣＰＵ（演算部）
７ ＲＡＭ（記憶部）
９ ＨＤＤ（記憶部）
１１ ディスプレイ（表示部）
１８ 記憶媒体
２９ 情報処理プログラム
４９ 行列データ
Ｓ１ ＰＬＳＡステップ
Ｓ２ 分析対象抽出ステップ
Ｓ３ 次元圧縮ステップ
Ｓ４ ベクトル可視化ステップ
Ｓ７ 要因分析ステップ

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9A】

【図9B】

【図10】

【図11】

【図12】

【図13】

【図14】

【図15】