特開 2023-178599 推定装置、推定方法および推定プログラム

(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】P2023178599

(43)【公開日】2023-12-18

(54)【発明の名称】推定装置、推定方法および推定プログラム

(51)【国際特許分類】

   G06Q 30/0251 20230101AFI20231211BHJP

【ＦＩ】

G06Q30/02 398

【審査請求】未請求

【請求項の数】10

【出願形態】ＯＬ

(21)【出願番号】P 2022091377

(22)【出願日】2022-06-06

(71)【出願人】

【識別番号】500257300

【氏名又は名称】ＬＩＮＥヤフー株式会社

(74)【代理人】

【識別番号】110002147

【氏名又は名称】弁理士法人酒井国際特許事務所

(72)【発明者】

【氏名】大倉 俊平

(72)【発明者】

【氏名】足立 智

(72)【発明者】

【氏名】上野 信吾

【テーマコード（参考）】

5L049

【Ｆターム（参考）】

5L049BB08

(57)【要約】

【課題】通知を希望するユーザをターゲットとして配信することができる装置を提供する。
【解決手段】推定装置１００は、取得部１２１と、抽出部１２２と、推定部１２３と、通知部１２４とを有する。取得部１２１は、通知の開封に関する情報を取得する。抽出部１２２は、取得部により取得された通知の開封に関する情報から、特徴量を抽出する。推定部１２３は、抽出部により抽出された特徴量に基づいて、通知の開封率を推定する。通知部１２４は、推定部１２３により推定された開封率が所定値以上である場合に通知する。
【選択図】図１

【特許請求の範囲】

【請求項1】

通知の開封に関する情報を取得する取得部と、
前記取得部により取得された通知の開封に関する情報から、特徴量を抽出する抽出部と、
前記抽出部により抽出された前記特徴量に基づいて、通知の開封率を推定する推定部と、
前記推定部により推定された開封率が所定値以上である場合に通知する通知部と
を有することを特徴とする推定装置。

【請求項2】

前記抽出部は、抽出する特徴量として、他の通知の開封数を抽出することを特徴とする請求項１に記載の推定装置。

【請求項3】

前記抽出部は、抽出する特徴量として、他の通知の開封時刻を抽出することを特徴とする請求項１に記載の推定装置。

【請求項4】

前記抽出部は、抽出する特徴量として、着信数を抽出することを特徴とする請求項１に記載の推定装置。

【請求項5】

前記抽出部は、抽出する特徴量として、通知に関する情報に対するユーザの関心度を抽出することを特徴とする請求項１に記載の推定装置。

【請求項6】

前記推定部は、木構造のモデルを用いて、前記抽出部により抽出された前記特徴量に基づいて、通知の開封率を推定することを特徴とする請求項１に記載の推定装置。

【請求項7】

前記通知部は、前記他の通知の開封数が所定値以下のユーザに対して通知することを特徴とする請求項２に記載の推定装置。

【請求項8】

前記推定部は、ユーザごとに複数の通知について推定し、
前記通知部は、前記推定部により推定された通知の開封率が高い順に所定数通知することを特徴とする請求項１に記載の推定装置。

【請求項9】

通知の開封に関する情報を取得する取得工程と、
前記取得工程により取得した通知の開封に関する情報から、特徴量を抽出する抽出工程と、
前記抽出工程により抽出された前記特徴量に基づいて、通知の開封率を推定する推定工程と、
前記推定工程により推定された開封率が所定値以上である場合に通知する通知工程と
を含むことを特徴とする推定方法。

【請求項10】

通知の開封に関する情報を取得する取得ステップと、
前記取得ステップにより取得した通知の開封に関する情報から、特徴量を抽出する抽出ステップと、
前記抽出ステップにより抽出された前記特徴量に基づいて、通知の開封率を推定する推定ステップと、
前記推定ステップにより推定された開封率が所定値以上である場合に通知する通知ステップと
をコンピュータが実行することを特徴とする推定プログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、推定装置、推定方法および推定プログラムに関する。

【背景技術】

【0002】

ウェブサイトの更新や記事の公開といった新規情報をユーザに通知する技術が存在する。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】特開２０２１－１８４２１２号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

しかしながら、従来技術では、通知を行うユーザを厳選することができない。例えば、一律に通知が行われることにより、通知を希望しないユーザに対しても通知が行われ、結果としてユーザに通知が開封されない場合がある。このように、通知を希望するユーザをターゲットとして通知できないという課題が存在する。

【課題を解決するための手段】

【0005】

上述した課題を解決し、目的を達成するため、推定装置は、通知の開封に関する情報を取得する取得部と、取得部により取得した通知の開封に関する情報から、特徴量を抽出する抽出部と、抽出部により抽出された特徴量に基づいて、通知の開封率を推定する推定部と、推定部により推定された開封率が所定値以上である場合に通知する通知部とを有することを特徴とする。

【発明の効果】

【0006】

本発明によれば、通知を希望するユーザをターゲットとして通知することができる。

【図面の簡単な説明】

【0007】

【図1】図１は、実施形態に係る推定装置の構成の一例を示すブロック図である。

【図2】図２は、実施形態に係る推定装置の概要を説明する図である。

【図3】図３は、実施形態に係る推定装置による推定処理の一例を示すフローチャートである。

【図4】図４は、推定プログラムを実行するコンピュータの一例を示す図である。

【発明を実施するための形態】

【0008】

以下、図面を参照して、本願に係る推定装置、推定方法および推定プログラムの実施形態を詳細に説明する。なお、この実施の形態により本発明が限定されるものではない。また、図面の記載において、同一部分には同一の符号を付して示しており、重複する説明は、省略される。

【0009】

〔推定装置の構成〕
まず、図１を用いて、推定装置１００の構成について説明する。図１は、実施形態に係る推定装置１００の構成の一例を示す図である。図１が示すように、推定装置１００は、通信部１１０と、制御部１２０と、記憶部１３０とを備える。なお、これらの各部は、複数の装置が分散して保持してもよい。以下にこれら各部の処理を説明する。

【0010】

通信部１１０は、ＮＩＣ（Network Interface Card）等で実現され、ＬＡＮ（Local Area Network）やインターネットなどの電気通信回線を介した外部装置と制御部１２０との通信を可能とする。例えば、通信部１１０は、外部装置と制御部１２０との通信を可能とする。

【0011】

記憶部１３０は、ＲＡＭ（Random Access Memory）、フラッシュメモリ（Flash Memory）等の半導体メモリ素子、または、ハードディスク、光ディスク等の記憶装置によって実現される。記憶部１３０が記憶する情報としては、例えば、ユーザＩＤ、ユーザ属性情報、ユーザによる他の通知の開封数、ユーザによる他の通知の開封時刻、ユーザの過去の着信数、ユーザの興味関心のある分野、その他ユーザに関する情報、通知ＩＤ、通知を行う分野、その他通知の開封に関する情報、各種機械学習アルゴリズムに関するデータ、機械学習のための訓練データ、学習済みモデルなどを記憶する。ここで、他の通知とは、処理対象となる通知とは別の通知であって、所定のユーザに対してすでに配信済みの通知をいう。なお、記憶部１３０が記憶する情報は上記に記載したものに限定されない。

【0012】

制御部１２０は、ＣＰＵ（Central Processing Unit）やＮＰ（Network Processor）やＦＰＧＡ（Field Programmable Gate Array）等を用いて実現され、メモリに記憶された処理プログラムを実行する。図１に示すように、制御部１２０は、取得部１２１と、抽出部１２２と、推定部１２３と、通知部１２４とを有する。以下、制御部１２０が有する各部について説明する。

【0013】

取得部１２１は、通知の開封に関する情報を取得する。例えば、取得部１２１は、通知の開封に関する情報として、ユーザ属性情報を取得する。また、例えば、取得部１２１は、通知の開封に関する情報として、他の通知の開封数を取得する。ここで、通知の開封に関する情報には、ユーザＩＤ、ユーザ属性情報、ユーザによる他の通知の開封数、ユーザによる他の通知の開封時刻、ユーザの着信数、ユーザの興味関心のある分野、その他ユーザに関する情報、通知ＩＤ、通知を行う分野、通知のタイトル、通知が行われる時間、その他通知の開封に関する情報が含まれる。なお、通知の開封に関する情報は上記に記載したものに限定されない。

【0014】

抽出部１２２は、取得部１２１により取得された通知の開封に関する情報から、特徴量を抽出する。例えば、抽出部１２２は、取得部１２１により取得されたユーザの属性情報に含まれる年齢、性別、年収、業界、職種、住所といったカテゴリ変数をOne hot Encodingにより特徴量化する。また、抽出部１２２は、取得部１２１により取得された通知に関する情報について、分散や中央値または平均値など統計的に処理した数値を用いて、特徴量化する。

【0015】

また、抽出部１２２は、抽出する特徴量として、他の通知の開封数を抽出する。例えば、抽出部１２２は、他の通知の開封数について統計的に処理し、特徴量化したものを抽出する。また、抽出部１２２は、抽出する特徴量として、他の通知の開封時刻を抽出する。例えば、抽出部１２２は、他の通知の開封時刻について統計的に処理し、特徴量化したものを抽出する。このとき、抽出部１２２は、他の通知の開封時刻として、ユーザが他の通知を開封した時刻を用いて特徴量を抽出してもよいし、ユーザによる直近の開封時刻からの経過時間を用いて特徴量を抽出してもよい。

【0016】

また、抽出部１２２は、抽出する特徴量として、着信数を抽出する。例えば、抽出部１２２は、着信数について統計的に処理し、特徴量化したものを抽出する。また、抽出部１２２は、抽出する特徴量として、通知に関する情報に対するユーザの関心度を抽出する。例えば、抽出部１２２は、ユーザの興味関心のある分野と、通知を行う分野に関する情報とから、通知に関する情報に対するユーザの関心度を抽出する。

【0017】

推定部１２３は、抽出部１２２により抽出された特徴量に基づいて、通知の開封率を推定する。例えば、推定部１２３は、抽出部１２２により抽出されたユーザによる他の通知の開封数という特徴量に基づいて、ニューラルネットワークや決定木などのモデルにより、「ユーザＩＤ：００１が、通知ＩＤ：９５２を開封する確率は、７２％」と推定する。つまり、推定部１２３は、すでに配信済みの通知や配信先となるユーザの特徴と、他の通知の開封率とを学習し、処理対象となる通知の開封率を推定する。

【0018】

なお、推定部１２３は、他の通知を開封したユーザ属性や開封された他の通知の情報を入力した場合に、開封率が１００％となり、他の通知を開封しなかったユーザ属性や開封されなかった他の通知の情報を入力した場合に、開封率が０％となるように、各種モデルの学習を行う。

【0019】

また、推定部１２３は、木構造のモデルを用いて、抽出部１２２により抽出された特徴量に基づいて、通知の開封率を推定する。例えば、推定部１２３は、抽出部１２２により抽出された特徴量を入力として、勾配ブースティングの技術を用いて、通知の開封率を予測するモデルであって、通知の開封率を出力するモデルを学習し、通知の開封率を推定する。例えば、推定部１２３は、他の通知の開封数という特徴量に基づいて、勾配ブースティング技術を用いて構築された学習済みモデルにより、「ユーザＩＤ：００１が、通知ＩＤ：９５２を開封する確率は、７２％」と推定する。

【0020】

通知部１２４は、推定部１２３により推定された開封率が所定値以上である場合に通知する。例えば、通知部１２４は、推定部１２３により推定された開封率が７０％以上である場合に、ユーザに対して通知を行う。例えば、通知部１２４は、推定部１２３により、「ユーザＩＤ：００１が、通知ＩＤ：９５２を開封する確率は、７２％」と推定された結果を受けて、通知の開封率が７０％以上であるとして、ユーザＩＤ：００１に対して、通知ＩＤ：９５２を通知する。

【0021】

また、通知部１２４は、過去の開封数が所定値以下のユーザに対して通知する。例えば、通知部１２４は、過去の開封数が１０件以下のユーザに対して通知する。また、通知部１２４は、推定部１２３により推定された通知の開封率が高い順に所定数通知する。例えば、通知部１２４は、推定部１２３により、ユーザＩＤ：００１による通知ＩＤ：Ａの開封率８０％、通知ＩＤ：Ｂの開封率６０％、通知ＩＤ：Ｃの開封率７０％、通知Ｄの開封率５０％であると推定された場合、ユーザＩＤ：００１に対して、通知ＩＤ：Ａ、Ｃ、Ｂの順に３件通知を行う。

【0022】

〔推定装置が行う処理の概要〕
次に、図２を用いて、実施形態に係る推定装置１００が行う処理の一例について説明する。図２は、実施形態に係る推定装置１００が行う処理の概要を説明するための図である。まず、図２（１）は、通知の開封に関する情報である。例えば、通知に関する情報は、他の通知の開封数や、他の通知の開封時刻など、事前に集計または計測された情報をユーザごとにデータ化したものである。具体的には、通知の開封に関する情報は、「ユーザＩＤ：００１、他の通知の開封数：２４３件」のように表示される。

【0023】

次に、図２（２）は、推定装置１００である。まず、取得部１２１は、通知の開封に関する情報を取得する。次に、抽出部１２２は、取得部１２１により取得された通知に関する情報から特徴量を抽出する。それから、推定部１２３は、抽出部１２２により抽出された特徴量を入力データとして、学習および予測を行い、通知の開封率を推定する。そして、通知部１２４は、推定部１２３により推定された開封率が所定値以上である場合にターゲットとなるユーザに対して通知を行う。

【0024】

そして、図２（３）は、推定部１２３の推定結果である。推定部１２３は、特徴量に基づいて、ユーザごと、通知ごとの開封率を推定する。例えば、推定部１２３は、ユーザによる他の通知の開封数という特徴量に基づいて、「ユーザＩＤ：００１が、通知ＩＤ：９５２を開封する確率は、７２％」と推定する。また、例えば、推定部１２３は、ユーザによる他の通知の開封時刻という特徴量に基づいて、「ユーザＩＤ：００１が、通知ＩＤ：９５２を開封する確率は、３５％」と推定する。

【0025】

そして、通知部１２４は、推定部１２３により推定された通知の開封率が所定値以上である場合に通知する。例えば、通知部１２４は、推定部１２３により、「ユーザＩＤ：００１が、通知ＩＤ：９５２を開封する確率は７２％」と推定された結果を受けて、通知の開封率が７０％以上であるとして、ユーザＩＤ：００１に対して、通知ＩＤ：９５２を通知する。

【0026】

〔特徴量抽出処理〕
抽出部１２２は、年齢、性別、年収、業界、職種、住所といったカテゴリ変数については、One hot Encodingにより特徴量化する。また、抽出部１２２は、取得部１２１により取得された他の通知の開封数、他の通知の開封時刻、着信数といった通知に関する情報について、分散や中央値または平均値など統計的に処理した数値を用いて、特徴量化する。

【0027】

〔構築処理〕
推定部１２３は、推定処理に用いられる機械学習モデルを構築する処理を行ってもよい。例えば、推定部１２３は、ニューラルネットワークを用いた学習により機械学習モデルを構築する。また、例えば、推定部１２３は、ＧＢＤＴ（Gradient Boosting Decision Tree：勾配ブースティング決定木）を用いた学習により、機械学習モデルを構築する。ＧＢＤＴとは「勾配降下法（Gradient）」と「Boosting（アンサンブル）」、「決定木（Decision Tree）」を組み合わせた教師あり機械学習の一つである。

【0028】

例えば、推定部１２３は、XGBoostやLightGBM等の勾配ブースティング決定木を用いた学習により、機械学習モデルを構築する。なお、機械学習モデルの構築には、機械学習モデルの新規作成のみならず、既存の機械学習モデルの更新も含まれる。なお、推定部１２３は、外部で構築されたモデルを適用してもよい。このように、推定部１２３は、抽出部１２２により抽出された特徴量を入力データとして、構築された機械学習モデルを用いて、ユーザごとの通知に対する開封率を推定する。

【0029】

〔フローチャート〕
次に、図３を用いて、推定装置１００による推定処理の流れについて説明する。図３は、本実施形態に係る推定処理の流れの一例を示すフローチャートである。

【0030】

まず、取得部１２１は、通知の開封に関する情報を取得する（ステップＳ１１）。例えば、取得部１２１は、通知の開封に関する情報として、ユーザ属性情報を取得する。また、例えば、取得部１２１は、通知の開封に関する情報として、他の通知の開封数を取得する。

【0031】

次に、抽出部１２２は、取得部１２１により取得された通知の開封に関する情報から、特徴量を抽出する（ステップＳ１２）。例えば、抽出部１２２は、取得部１２１により取得されたユーザの属性情報に含まれる年齢、性別、年収、業界、職種、住所といったカテゴリ変数をOne hot Encodingにより特徴量化する。また、抽出部１２２は、取得部１２１により取得された通知に関する情報について、分散や中央値または平均値など統計的に処理した数値を用いて特徴量化する。

【0032】

それから、推定部１２３は、抽出部１２２により抽出された特徴量に基づいて、通知の開封率を推定する（ステップＳ１３）。例えば、推定部１２３は、抽出部１２２により抽出されたユーザによる他の通知の開封数という特徴量に基づいて、ニューラルネットワークや決定木などのモデルにより、「ユーザＩＤ：００１が、通知ＩＤ：９５２を開封する確率は、７２％」と推定する。

【0033】

ここで、通知部１２４は、推定された開封率が所定値以上であるかどうかの判定を行う（ステップＳ１４）。このとき、推定部１２３によって推定された開封率が所定値以上である場合（ステップＳ１４“肯定”）、通知部１２４は、ターゲットとなるユーザに対し通知を行う（ステップＳ１５）。例えば、通知部１２４は、推定部１２３により、「ユーザＩＤ：００１が、通知ＩＤ：９５２を開封する確率は７２％」と推定された結果を受けて、通知の開封率が７０％以上であるとして、ユーザＩＤ：００１に対して、通知ＩＤ：９５２を通知する。

【0034】

一方、推定部１２３によって推定された開封率が所定値以上でない場合（ステップＳ１４“否定”）、通知部１２４は、ターゲットとなるユーザに対して通知を行わない。例えば、通知部１２４は、推定部１２３により、「ユーザＩＤ：００１が、通知ＩＤ：９５２を開封する確率は３５％」と推定された結果を受けて、通知の開封率が７０％以上でないとして、ユーザＩＤ：００１に対して、通知ＩＤ：９５２の通知を行わない。

【0035】

〔効果〕
このように、実施形態に係る推定装置１００は、取得部１２１と、抽出部１２２と、推定部１２３と、通知部１２４とを有する。取得部１２１は、通知の開封に関する情報を取得する。抽出部１２２は、取得部１２１により取得された通知の開封に関する情報から、特徴量を抽出する。推定部１２３は、抽出部１２２により抽出された特徴量に基づいて、通知の開封率を推定する。通知部１２４は、推定部１２３により推定された開封率が所定値以上である場合に通知する。

【0036】

これにより、実施形態に係る推定装置１００は、通知を行った場合に開封される可能性の高いユーザを推定し、当該ユーザに対して通知を行うことができる。つまり、推定装置１００は、開封率が高いと推定されたユーザをターゲットとすることで、通知を希望するユーザに対して通知を行うことができる。

【0037】

また、実施形態に係る推定装置１００において、抽出部１２２は、抽出する特徴量として、他の通知の開封数を抽出する。この構成により推定装置１００は、開封率が高いと推定されたユーザをターゲットとすることで、通知を希望するユーザに対して通知を行うことができる。

【0038】

また、実施形態に係る推定装置１００において、抽出部１２２は、抽出する特徴量として、他の通知の開封時刻を抽出する。この構成により推定装置１００は、開封率が高いと推定されたユーザをターゲットとすることで、通知を希望するユーザに対して通知を行うことができる。

【0039】

また、実施形態に係る推定装置１００において、抽出部１２２は、抽出する特徴量として、着信数を抽出する。この構成により推定装置１００は、開封率が高いと推定されたユーザをターゲットとすることで、通知を希望するユーザに対して通知を行うことができる。

【0040】

また、実施形態に係る推定装置１００において、抽出部１２２は、抽出する特徴量として、通知に関する情報に対するユーザの関心度を抽出する。この構成により推定装置１００は、開封率が高いと推定されたユーザをターゲットとすることで、通知を希望するユーザに対して通知を行うことができる。

【0041】

また、実施形態に係る推定装置１００において、推定部１２３は、木構造のモデルを用いて、抽出部１２２により抽出された特徴量に基づいて、通知の開封率を推定する。この構成により推定装置１００は、木構造を用いて有力な切り口を複数階層で探すことができ、加えて、推定結果についての理解を容易にする。また、この構成により推定装置１００は、開封率が高いと推定されたユーザをターゲットとすることで、通知を希望するユーザに対して通知を行うことができる。

【0042】

また、実施形態に係る推定装置１００において、通知部１２４は、他の通知の開封数が所定値以下のユーザに対して通知する。この構成により推定装置１００は、新規ユーザや他の通知の開封数が少ないユーザに対して通知を行うことができる。

【0043】

また、実施形態に係る推定装置１００において、推定部１２３は、ユーザごとに複数の通知について推定し、通知部１２４は、推定部１２３により推定された通知の開封率が高い順に所定数通知する。この構成により推定装置１００は、開封率が高いと推定された通知に関して、もれなくターゲットのユーザに対して通知を行うことができる。また、この構成により推定装置１００は、新規ユーザに対する通知を可能とし、ユーザが興味関心を抱いている可能性のある分野について通知を行うことができる。

【0044】

〔プログラム〕
上述してきた実施形態に係る推定装置１００は、例えば図４に示すような構成のコンピュータ１０００によって実現される。図４は、推定装置の機能を実現するコンピュータの一例を示すハードウェア構成図である。コンピュータ１０００は、ＣＰＵ１１００、ＲＡＭ１２００、ＲＯＭ１３００、ＨＤＤ（Hard Disk Drive）１４００、通信インターフェイス（Ｉ／Ｆ）１５００、入出力インターフェイス（Ｉ／Ｆ）１６００、及びメディアインターフェイス（Ｉ／Ｆ）１７００を有する。

【0045】

ＣＰＵ１１００は、ＲＯＭ１３００またはＨＤＤ１４００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。ＲＯＭ１３００は、コンピュータ１０００の起動時にＣＰＵ１１００によって実行されるブートプログラムや、コンピュータ１０００のハードウェアに依存するプログラム等を格納する。

【0046】

ＨＤＤ１４００は、ＣＰＵ１１００によって実行されるプログラム、及び、かかるプログラムによって使用されるデータ等を格納する。通信インターフェイス１５００は、ネットワークＮを介して他の機器からデータを受信してＣＰＵ１１００へ送り、ＣＰＵ１１００が生成したデータをネットワークＮを介して他の機器へ送信する。

【0047】

ＣＰＵ１１００は、入出力インターフェイス１６００を介して、ディスプレイやプリンタ等の出力装置、及び、キーボードやマウス等の入力装置を制御する。ＣＰＵ１１００は、入出力インターフェイス１６００を介して、入力装置からデータを取得する。また、ＣＰＵ１１００は、生成したデータを入出力インターフェイス１６００を介して出力装置へ出力する。

【0048】

メディアインターフェイス１７００は、記録媒体１８００に格納されたプログラムまたはデータを読み取り、ＲＡＭ１２００を介してＣＰＵ１１００に提供する。ＣＰＵ１１００は、かかるプログラムを、メディアインターフェイス１７００を介して記録媒体１８００からＲＡＭ１２００上にロードし、ロードしたプログラムを実行する。記録媒体１８００は、例えばＤＶＤ（Digital Versatile Disc）、ＰＤ（Phase change rewritable Disk）等の光学記録媒体、ＭＯ（Magneto-Optical disk）等の光磁気記録媒体、テープ媒体、磁気記録媒体、または半導体メモリ等である。

【0049】

例えば、コンピュータ１０００が実施形態に係る推定装置１００として機能する場合、コンピュータ１０００のＣＰＵ１１００は、ＲＡＭ１２００上にロードされたプログラムを実行することにより、制御部１２０の機能を実現する。コンピュータ１０００のＣＰＵ１１００は、これらのプログラムを記録媒体１８００から読み取って実行するが、他の例として、他の装置からネットワークＮを介してこれらのプログラムを取得してもよい。

【0050】

〔その他〕
様々な実施形態を、図面を参照して、本明細書で詳細に説明したが、これらの複数の実施形態は例であり、本発明をこれらの複数の実施形態に限定することを意図するものではない。すなわち、本願発明は、入力として用いる特徴量を変更することによって、種々の多値分類モデルの学習、構築、更新を行い、目的とする確率を推定することが可能である。本明細書に記載された特徴は、当業者の知識に基づく様々な変形や改良を含む、様々な方法によって実現され得る。

【0051】

また、上述した「部（module、-er接尾辞、-or接尾辞）」は、ユニット、手段、回路などに読み替えることができる。例えば、通信部（communication module）、制御部（control module）および記憶部（storage module）は、それぞれ、通信ユニット、制御ユニットおよび記憶ユニットに読み替えることができる。

【符号の説明】

【0052】

１００ 推定装置
１１０ 通信部
１２０ 制御部
１２１ 取得部
１２２ 抽出部
１２３ 推定部
１２４ 通知部
１３０ 記憶部

【図1】

【図2】

【図3】

【図4】