知財求人 - 知財ポータルサイト「IP Force」
(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】P2024147689
(43)【公開日】2024-10-16
(54)【発明の名称】コンピュータプログラム、情報処理装置及び方法
(51)【国際特許分類】
G16H 50/30 20180101AFI20241008BHJP
【ＦＩ】
G16H50/30
【審査請求】有
【請求項の数】17
【出願形態】ＯＬ
(21)【出願番号】P 2024113448
(22)【出願日】2024-07-16
(62)【分割の表示】P 2023061286の分割
【原出願日】2022-03-23
(71)【出願人】
【識別番号】000206956
【氏名又は名称】大塚製薬株式会社
(74)【代理人】
【識別番号】100146318
【弁理士】
【氏名又は名称】岩瀬 吉和
(74)【代理人】
【識別番号】100219265
【弁理士】
【氏名又は名称】鈴木 崇大
(72)【発明者】
【氏名】中川 恭
(72)【発明者】
【氏名】出口 直幸
(72)【発明者】
【氏名】浜本 圭介
(72)【発明者】
【氏名】戸羽 正道
(72)【発明者】
【氏名】岩下 聡
(72)【発明者】
【氏名】坪内 美樹
(72)【発明者】
【氏名】郭 敬卓
(72)【発明者】
【氏名】吉江 美帆
(57)【要約】 （修正有）
【課題】行動の履歴に基づいて対象ユーザの健康の状態を推定するコンピュータプログラム、情報処理装置及び方法を提供する。
【解決手段】通信システムにおいて、情報処理装置である推定サービス等を運営する企業により管理されるサーバ装置は、対象ユーザにより実行された行動の履歴を識別する対象行動データを取得し、教師あり学習を実行することにより生成した推定モデルに対象行動データを入力することにより、対象ユーザの運動の状態、生活習慣病に関連する状態又は身体活動の不足の状態を識別するために、対象ユーザの体重を識別するデータ、対象ユーザのＢＭＩ（Ｂｏｄｙ Ｍａｓｓ Ｉｎｄｅｘ）を識別するデータ、対象ユーザの歩数を識別するデータ、対象ユーザの喫煙の有無を識別するデータ及び対象ユーザのメタボリックシンドローム診断基準値を識別するデータのうちの少なくとも１つを含む対象状態データを推定モデルから出力する。
【選択図】図１２
【解決手段】通信システムにおいて、情報処理装置である推定サービス等を運営する企業により管理されるサーバ装置は、対象ユーザにより実行された行動の履歴を識別する対象行動データを取得し、教師あり学習を実行することにより生成した推定モデルに対象行動データを入力することにより、対象ユーザの運動の状態、生活習慣病に関連する状態又は身体活動の不足の状態を識別するために、対象ユーザの体重を識別するデータ、対象ユーザのＢＭＩ（Ｂｏｄｙ Ｍａｓｓ Ｉｎｄｅｘ）を識別するデータ、対象ユーザの歩数を識別するデータ、対象ユーザの喫煙の有無を識別するデータ及び対象ユーザのメタボリックシンドローム診断基準値を識別するデータのうちの少なくとも１つを含む対象状態データを推定モデルから出力する。
【選択図】図１２
【特許請求の範囲】
【請求項1】
少なくとも１つのプロセッサにより実行されることにより、
対象ユーザにより実行された行動の履歴を識別する対象行動データを取得し、
教師あり学習を実行することにより生成された推定モデルに前記対象行動データを入力
することにより、前記対象ユーザの、運動の状態、生活習慣病に関連する状態又は身体活
動の不足の状態を識別する対象状態データであって、該対象ユーザの体重を識別するデー
タ、該対象ユーザのＢＭＩ（Ｂｏｄｙ Ｍａｓｓ Ｉｎｄｅｘ）を識別するデータ、該対象
ユーザの歩数を識別するデータ、該対象ユーザの喫煙の有無を識別するデータ、及び、該
対象ユーザのメタボリックシンドローム診断基準値を識別するデータ、のうちの少なくと
も１つを含む対象状態データを、前記推定モデルから出力させる、
ように前記少なくとも１つのプロセッサを機能させる、ことを特徴とするコンピュータプ
ログラム。
対象ユーザにより実行された行動の履歴を識別する対象行動データを取得し、
教師あり学習を実行することにより生成された推定モデルに前記対象行動データを入力
することにより、前記対象ユーザの、運動の状態、生活習慣病に関連する状態又は身体活
動の不足の状態を識別する対象状態データであって、該対象ユーザの体重を識別するデー
タ、該対象ユーザのＢＭＩ（Ｂｏｄｙ Ｍａｓｓ Ｉｎｄｅｘ）を識別するデータ、該対象
ユーザの歩数を識別するデータ、該対象ユーザの喫煙の有無を識別するデータ、及び、該
対象ユーザのメタボリックシンドローム診断基準値を識別するデータ、のうちの少なくと
も１つを含む対象状態データを、前記推定モデルから出力させる、
ように前記少なくとも１つのプロセッサを機能させる、ことを特徴とするコンピュータプ
ログラム。
【請求項2】
各組の教師データが、該組に対応する１人のサンプルユーザにより実行された行動の履
歴を識別するサンプル行動データと、該組に対応する１人のサンプルユーザの、運動の状
態、生活習慣病に関連する状態又は身体活動の不足の状態を識別するサンプル状態データ
と、を含む、複数組の教師データを、学習モデルに入力することにより生成された前記推
定モデルを、取得する、
ように前記少なくとも１つのプロセッサを機能させる、請求項１に記載のコンピュータプ
ログラム。
歴を識別するサンプル行動データと、該組に対応する１人のサンプルユーザの、運動の状
態、生活習慣病に関連する状態又は身体活動の不足の状態を識別するサンプル状態データ
と、を含む、複数組の教師データを、学習モデルに入力することにより生成された前記推
定モデルを、取得する、
ように前記少なくとも１つのプロセッサを機能させる、請求項１に記載のコンピュータプ
ログラム。
【請求項3】
各組の教師データが、該組に対応する１人のサンプルユーザにより実行された行動の履
歴を識別するサンプル行動データと、該組に対応する１人のサンプルユーザの、運動の状
態、生活習慣病に関連する状態又は身体活動の不足の状態を識別するサンプル状態データ
と、を含む、複数組の教師データを、学習モデルに入力することにより生成された前記推
定モデルに対して、通信回線を介して接続される、
ように前記少なくとも１つのプロセッサを機能させる、請求項１に記載のコンピュータプ
ログラム。
歴を識別するサンプル行動データと、該組に対応する１人のサンプルユーザの、運動の状
態、生活習慣病に関連する状態又は身体活動の不足の状態を識別するサンプル状態データ
と、を含む、複数組の教師データを、学習モデルに入力することにより生成された前記推
定モデルに対して、通信回線を介して接続される、
ように前記少なくとも１つのプロセッサを機能させる、請求項１に記載のコンピュータプ
ログラム。
【請求項4】
各組の教師データが、該組に対応する１人のサンプルユーザにより実行された行動の履
歴を識別するサンプル行動データと、該組に対応する１人のサンプルユーザの、運動の状
態、生活習慣病に関連する状態又は身体活動の不足の状態を識別するサンプル状態データ
と、を含む、複数組の教師データを取得し、
該複数組の教師データを学習モデルに入力して学習させることにより、前記推定モデル
を生成する、
ように前記少なくとも１つのプロセッサを機能させる、請求項１に記載のコンピュータプ
ログラム。
歴を識別するサンプル行動データと、該組に対応する１人のサンプルユーザの、運動の状
態、生活習慣病に関連する状態又は身体活動の不足の状態を識別するサンプル状態データ
と、を含む、複数組の教師データを取得し、
該複数組の教師データを学習モデルに入力して学習させることにより、前記推定モデル
を生成する、
ように前記少なくとも１つのプロセッサを機能させる、請求項１に記載のコンピュータプ
ログラム。
【請求項5】
複数の商品及び／又は複数のサービスのうち、前記対象状態データに対応する少なくと
も１つの対象商品及び／又は少なくとも１つの対象サービスを決定する、
ように前記少なくとも１つのプロセッサを機能させる、請求項１から請求項４のいずれか
に記載のコンピュータプログラム。
も１つの対象商品及び／又は少なくとも１つの対象サービスを決定する、
ように前記少なくとも１つのプロセッサを機能させる、請求項１から請求項４のいずれか
に記載のコンピュータプログラム。
【請求項6】
教師あり学習を実行することにより生成された別の推定モデルに前記対象状態データを
入力することにより、該別の推定モデルから、前記少なくとも１つの対象商品及び／又は
前記少なくとも１つの対象サービスを識別する提案データを出力させる、
ように前記少なくとも１つのプロセッサを機能させる、請求項５に記載のコンピュータプ
ログラム。
入力することにより、該別の推定モデルから、前記少なくとも１つの対象商品及び／又は
前記少なくとも１つの対象サービスを識別する提案データを出力させる、
ように前記少なくとも１つのプロセッサを機能させる、請求項５に記載のコンピュータプ
ログラム。
【請求項7】
対象状態データと前記複数の商品及び／又は前記複数のサービスとを対応付けた検索テ
ーブルに前記対象状態データを入力することにより、該検索テーブルから前記少なくとも
１つの対象商品及び／又は前記少なくとも１つの対象サービスを識別する提案データを取
得する、
ように前記少なくとも１つのプロセッサを機能させる、請求項５に記載のコンピュータプ
ログラム。
ーブルに前記対象状態データを入力することにより、該検索テーブルから前記少なくとも
１つの対象商品及び／又は前記少なくとも１つの対象サービスを識別する提案データを取
得する、
ように前記少なくとも１つのプロセッサを機能させる、請求項５に記載のコンピュータプ
ログラム。
【請求項8】
前記少なくとも１つのプロセッサが、中央処理装置（ＣＰＵ）、マイクロプロセッサ、
及び／又は、グラフィックスプロセッシングユニット（ＧＰＵ）を含む、請求項１から請
求項７のいずれかに記載のコンピュータプログラム。
及び／又は、グラフィックスプロセッシングユニット（ＧＰＵ）を含む、請求項１から請
求項７のいずれかに記載のコンピュータプログラム。
【請求項9】
少なくとも１つのプロセッサを具備し、
該少なくとも１つのプロセッサが、
対象ユーザにより実行された行動の履歴を識別する対象行動データを取得し、
教師あり学習を実行することにより生成された推定モデルに前記対象行動データを入力
することにより、前記対象ユーザの、運動の状態、生活習慣病に関連する状態又は身体活
動の不足の状態を識別する対象状態データであって、該対象ユーザの体重を識別するデー
タ、該対象ユーザのＢＭＩ（Ｂｏｄｙ Ｍａｓｓ Ｉｎｄｅｘ）を識別するデータ、該対象
ユーザの歩数を識別するデータ、該対象ユーザの喫煙の有無を識別するデータ、及び、該
対象ユーザのメタボリックシンドローム診断基準値を識別するデータ、のうちの少なくと
も１つを含む対象状態データを、前記推定モデルから出力させる、
ように構成される、ことを特徴とする情報処理装置。
該少なくとも１つのプロセッサが、
対象ユーザにより実行された行動の履歴を識別する対象行動データを取得し、
教師あり学習を実行することにより生成された推定モデルに前記対象行動データを入力
することにより、前記対象ユーザの、運動の状態、生活習慣病に関連する状態又は身体活
動の不足の状態を識別する対象状態データであって、該対象ユーザの体重を識別するデー
タ、該対象ユーザのＢＭＩ（Ｂｏｄｙ Ｍａｓｓ Ｉｎｄｅｘ）を識別するデータ、該対象
ユーザの歩数を識別するデータ、該対象ユーザの喫煙の有無を識別するデータ、及び、該
対象ユーザのメタボリックシンドローム診断基準値を識別するデータ、のうちの少なくと
も１つを含む対象状態データを、前記推定モデルから出力させる、
ように構成される、ことを特徴とする情報処理装置。
【請求項10】
端末装置又はサーバ装置である、請求項９に記載の情報処理装置。
【請求項11】
前記少なくとも１つのプロセッサが、中央処理装置（ＣＰＵ）、マイクロプロセッサ、
及び／又は、グラフィックスプロセッシングユニット（ＧＰＵ）を含む、請求項９又は請
求項１０に記載の情報処理装置。
及び／又は、グラフィックスプロセッシングユニット（ＧＰＵ）を含む、請求項９又は請
求項１０に記載の情報処理装置。
【請求項12】
コンピュータにより読み取り可能な命令を実行する少なくとも１つのプロセッサにより
実行される方法であって、
該少なくとも１つのプロセッサが、前記命令を実行することにより、
対象ユーザにより実行された行動の履歴を識別する対象行動データを取得する段階と、
教師あり学習を実行することにより生成された推定モデルに前記対象行動データを入力
することにより、前記対象ユーザの、運動の状態、生活習慣病に関連する状態又は身体活
動の不足の状態を識別する対象状態データであって、該対象ユーザの体重を識別するデー
タ、該対象ユーザのＢＭＩ（Ｂｏｄｙ Ｍａｓｓ Ｉｎｄｅｘ）を識別するデータ、該対象
ユーザの歩数を識別するデータ、該対象ユーザの喫煙の有無を識別するデータ、及び、該
対象ユーザのメタボリックシンドローム診断基準値を識別するデータ、のうちの少なくと
も１つを含む対象状態データを、前記推定モデルから出力させる段階と、
を含むことを特徴とする方法。
実行される方法であって、
該少なくとも１つのプロセッサが、前記命令を実行することにより、
対象ユーザにより実行された行動の履歴を識別する対象行動データを取得する段階と、
教師あり学習を実行することにより生成された推定モデルに前記対象行動データを入力
することにより、前記対象ユーザの、運動の状態、生活習慣病に関連する状態又は身体活
動の不足の状態を識別する対象状態データであって、該対象ユーザの体重を識別するデー
タ、該対象ユーザのＢＭＩ（Ｂｏｄｙ Ｍａｓｓ Ｉｎｄｅｘ）を識別するデータ、該対象
ユーザの歩数を識別するデータ、該対象ユーザの喫煙の有無を識別するデータ、及び、該
対象ユーザのメタボリックシンドローム診断基準値を識別するデータ、のうちの少なくと
も１つを含む対象状態データを、前記推定モデルから出力させる段階と、
を含むことを特徴とする方法。
【請求項13】
前記少なくとも１つのプロセッサが、中央処理装置（ＣＰＵ）、マイクロプロセッサ、
及び／又は、グラフィックスプロセッシングユニット（ＧＰＵ）を含む、請求項１２に記
載の方法。
及び／又は、グラフィックスプロセッシングユニット（ＧＰＵ）を含む、請求項１２に記
載の方法。
【請求項14】
コンピュータにより読み取り可能な命令を実行する少なくとも１つのプロセッサにより
実行される方法であって、
該少なくとも１つのプロセッサが、前記命令を実行することにより、
各組の教師データが、該組に対応する１人のサンプルユーザにより実行された行動の履
歴を識別するサンプル行動データと、該組に対応する１人のサンプルユーザの運動の状態
、生活習慣病に関連する状態又は身体活動の不足の状態を識別するサンプル状態データと
、を含む、複数組の教師データを取得する取得段階と、
該複数組の教師データを学習モデルに入力して学習させることにより、
対象ユーザにより実行された行動の履歴を識別する対象行動データを入力して、前記対
象ユーザの、運動の状態、生活習慣病に関連する状態又は身体活動の不足の状態を識別す
る対象状態データであって、該対象ユーザの体重を識別するデータ、該対象ユーザのＢＭ
Ｉ（Ｂｏｄｙ Ｍａｓｓ Ｉｎｄｅｘ）を識別するデータ、該対象ユーザの歩数を識別する
データ、該対象ユーザの喫煙の有無を識別するデータ、及び、該対象ユーザのメタボリッ
クシンドローム診断基準値を識別するデータ、のうちの少なくとも１つを含む対象状態デ
ータを、出力するように構成された推定モデル、
を生成する生成段階と、
を含むことを特徴とする方法。
実行される方法であって、
該少なくとも１つのプロセッサが、前記命令を実行することにより、
各組の教師データが、該組に対応する１人のサンプルユーザにより実行された行動の履
歴を識別するサンプル行動データと、該組に対応する１人のサンプルユーザの運動の状態
、生活習慣病に関連する状態又は身体活動の不足の状態を識別するサンプル状態データと
、を含む、複数組の教師データを取得する取得段階と、
該複数組の教師データを学習モデルに入力して学習させることにより、
対象ユーザにより実行された行動の履歴を識別する対象行動データを入力して、前記対
象ユーザの、運動の状態、生活習慣病に関連する状態又は身体活動の不足の状態を識別す
る対象状態データであって、該対象ユーザの体重を識別するデータ、該対象ユーザのＢＭ
Ｉ（Ｂｏｄｙ Ｍａｓｓ Ｉｎｄｅｘ）を識別するデータ、該対象ユーザの歩数を識別する
データ、該対象ユーザの喫煙の有無を識別するデータ、及び、該対象ユーザのメタボリッ
クシンドローム診断基準値を識別するデータ、のうちの少なくとも１つを含む対象状態デ
ータを、出力するように構成された推定モデル、
を生成する生成段階と、
を含むことを特徴とする方法。
【請求項15】
対象ユーザにより実行された行動の履歴を識別する対象行動データを前記推定モデルに
入力することにより、該推定モデルから前記対象ユーザの、運動の状態、生活習慣病に関
連する状態又は身体活動の不足の状態を識別する対象状態データを出力する推定段階、
をさらに含む、請求項１４に記載の方法。
入力することにより、該推定モデルから前記対象ユーザの、運動の状態、生活習慣病に関
連する状態又は身体活動の不足の状態を識別する対象状態データを出力する推定段階、
をさらに含む、請求項１４に記載の方法。
【請求項16】
前記少なくとも１つのプロセッサが、中央処理装置（ＣＰＵ）、マイクロプロセッサ、
及び／又は、グラフィックスプロセッシングユニット（ＧＰＵ）を含む、請求項１４又は
請求項１５に記載の方法。
及び／又は、グラフィックスプロセッシングユニット（ＧＰＵ）を含む、請求項１４又は
請求項１５に記載の方法。
【発明の詳細な説明】
【技術分野】
【0001】
本件出願に開示された技術は、推定の対象とされるユーザ（対象ユーザ）により実行さ
れた行動の履歴を識別するデータを学習モデルに入力することにより、この対象ユーザの
健康の状態を識別するデータを上記学習モデルから出力させる、コンピュータプログラム
、情報処理装置及び方法に関する。
れた行動の履歴を識別するデータを学習モデルに入力することにより、この対象ユーザの
健康の状態を識別するデータを上記学習モデルから出力させる、コンピュータプログラム
、情報処理装置及び方法に関する。
【背景技術】
【0002】
対象ユーザの購買履歴を記述するデータに基づいてこの対象ユーザの健康状態を推定す
る推定モデルを構築する手法が、特許第６９１６３６７号公報（特許文献１）に開示され
ている。なお、本特許文献は、参照により、その全体が本明細書に組み入れられる。
る推定モデルを構築する手法が、特許第６９１６３６７号公報（特許文献１）に開示され
ている。なお、本特許文献は、参照により、その全体が本明細書に組み入れられる。
【先行技術文献】
【特許文献】
【0003】
【特許文献1】特許第６９１６３６７号公報
【発明の概要】
【発明が解決しようとする課題】
【0004】
昨今、対象ユーザにより実行された行動の履歴に基づいてこの対象ユーザの健康の状態
を推定する手法として、より向上した性能を有する手法を提供することが、求められてい
る。
を推定する手法として、より向上した性能を有する手法を提供することが、求められてい
る。
【0005】
したがって、本件出願に開示された技術は、対象ユーザにより実行された行動の履歴に
基づいてこの対象ユーザの健康の状態を推定するために用いられ、少なくとも部分的に向
上した性能を有する、コンピュータプログラム、情報処理装置及び方法を提供する。
基づいてこの対象ユーザの健康の状態を推定するために用いられ、少なくとも部分的に向
上した性能を有する、コンピュータプログラム、情報処理装置及び方法を提供する。
【課題を解決するための手段】
【0006】
一態様に係るコンピュータプログラムは、「少なくとも１つのプロセッサにより実行さ
れることにより、対象ユーザにより実行された行動の履歴を識別する対象行動データを取
得し、教師あり学習を実行することにより生成された推定モデルに前記対象行動データを
入力することにより、前記対象ユーザの睡眠の状態を識別する対象睡眠状態データであっ
て、該対象ユーザの睡眠の性質を識別する対象性質データ、該対象ユーザの睡眠のリズム
を識別する対象リズムデータ、該対象ユーザの睡眠時間を識別する対象時間データ、及び
、該対象ユーザが属する睡眠カテゴリーを識別する対象カテゴリーデータ、のうちの少な
くとも１つを含む対象睡眠状態データを、前記推定モデルから出力させる、ように前記少
なくとも１つのプロセッサを機能させる」ことができる。
れることにより、対象ユーザにより実行された行動の履歴を識別する対象行動データを取
得し、教師あり学習を実行することにより生成された推定モデルに前記対象行動データを
入力することにより、前記対象ユーザの睡眠の状態を識別する対象睡眠状態データであっ
て、該対象ユーザの睡眠の性質を識別する対象性質データ、該対象ユーザの睡眠のリズム
を識別する対象リズムデータ、該対象ユーザの睡眠時間を識別する対象時間データ、及び
、該対象ユーザが属する睡眠カテゴリーを識別する対象カテゴリーデータ、のうちの少な
くとも１つを含む対象睡眠状態データを、前記推定モデルから出力させる、ように前記少
なくとも１つのプロセッサを機能させる」ことができる。
【0007】
一態様に係る情報処理装置は、「少なくとも１つのプロセッサを具備し、該少なくとも
１つのプロセッサが、対象ユーザにより実行された行動の履歴を識別する対象行動データ
を取得し、教師あり学習を実行することにより生成された推定モデルに前記対象行動デー
タを入力することにより、前記対象ユーザの睡眠の状態を識別する対象睡眠状態データで
あって、該対象ユーザの睡眠の性質を識別する対象性質データ、該対象ユーザの睡眠のリ
ズムを識別する対象リズムデータ、該対象ユーザの睡眠時間を識別する対象時間データ、
及び、該対象ユーザが属する睡眠カテゴリーを識別する対象カテゴリーデータ、のうちの
少なくとも１つを含む対象睡眠状態データを、前記推定モデルから出力させる、ように構
成され」得る。
１つのプロセッサが、対象ユーザにより実行された行動の履歴を識別する対象行動データ
を取得し、教師あり学習を実行することにより生成された推定モデルに前記対象行動デー
タを入力することにより、前記対象ユーザの睡眠の状態を識別する対象睡眠状態データで
あって、該対象ユーザの睡眠の性質を識別する対象性質データ、該対象ユーザの睡眠のリ
ズムを識別する対象リズムデータ、該対象ユーザの睡眠時間を識別する対象時間データ、
及び、該対象ユーザが属する睡眠カテゴリーを識別する対象カテゴリーデータ、のうちの
少なくとも１つを含む対象睡眠状態データを、前記推定モデルから出力させる、ように構
成され」得る。
【0008】
一態様に係る方法は、「コンピュータにより読み取り可能な命令を実行する少なくとも
１つのプロセッサにより実行される方法であって、該少なくとも１つのプロセッサが、前
記命令を実行することにより、対象ユーザにより実行された行動の履歴を識別する対象行
動データを取得する段階と、教師あり学習を実行することにより生成された推定モデルに
前記対象行動データを入力することにより、前記対象ユーザの睡眠の状態を識別する対象
睡眠状態データであって、該対象ユーザの睡眠の性質を識別する対象性質データ、該対象
ユーザの睡眠のリズムを識別する対象リズムデータ、該対象ユーザの睡眠時間を識別する
対象時間データ、及び、該対象ユーザが属する睡眠カテゴリーを識別する対象カテゴリー
データ、のうちの少なくとも１つを含む対象睡眠状態データを、前記推定モデルから出力
させる段階と、を含む」ことができる。
１つのプロセッサにより実行される方法であって、該少なくとも１つのプロセッサが、前
記命令を実行することにより、対象ユーザにより実行された行動の履歴を識別する対象行
動データを取得する段階と、教師あり学習を実行することにより生成された推定モデルに
前記対象行動データを入力することにより、前記対象ユーザの睡眠の状態を識別する対象
睡眠状態データであって、該対象ユーザの睡眠の性質を識別する対象性質データ、該対象
ユーザの睡眠のリズムを識別する対象リズムデータ、該対象ユーザの睡眠時間を識別する
対象時間データ、及び、該対象ユーザが属する睡眠カテゴリーを識別する対象カテゴリー
データ、のうちの少なくとも１つを含む対象睡眠状態データを、前記推定モデルから出力
させる段階と、を含む」ことができる。
【0009】
別の態様に係る方法は、「コンピュータにより読み取り可能な命令を実行する少なくと
も１つのプロセッサにより実行される方法であって、該少なくとも１つのプロセッサが、
前記命令を実行することにより、各組の教師データが、該組に対応する１人のサンプルユ
ーザにより実行された行動の履歴を識別するサンプル行動データと、該組に対応する１人
のサンプルユーザの睡眠の状態を識別するサンプル睡眠状態データと、を含む、複数組の
教師データを取得する取得段階と、該複数組の教師データを学習モデルに入力して学習さ
せることにより、対象ユーザにより実行された行動の履歴を識別する対象行動データを入
力して、前記対象ユーザの睡眠の状態を識別する対象睡眠状態データであって、該対象ユ
ーザの睡眠の性質を識別する対象性質データ、該対象ユーザの睡眠のリズムを識別する対
象リズムデータ、該対象ユーザの睡眠時間を識別する対象時間データ、及び、該対象ユー
ザが属する睡眠カテゴリーを識別する対象カテゴリーデータ、のうちの少なくとも１つを
含む対象睡眠状態データを、ように構成された推定モデル、
を生成する生成段階と、を含む」ことができる。
も１つのプロセッサにより実行される方法であって、該少なくとも１つのプロセッサが、
前記命令を実行することにより、各組の教師データが、該組に対応する１人のサンプルユ
ーザにより実行された行動の履歴を識別するサンプル行動データと、該組に対応する１人
のサンプルユーザの睡眠の状態を識別するサンプル睡眠状態データと、を含む、複数組の
教師データを取得する取得段階と、該複数組の教師データを学習モデルに入力して学習さ
せることにより、対象ユーザにより実行された行動の履歴を識別する対象行動データを入
力して、前記対象ユーザの睡眠の状態を識別する対象睡眠状態データであって、該対象ユ
ーザの睡眠の性質を識別する対象性質データ、該対象ユーザの睡眠のリズムを識別する対
象リズムデータ、該対象ユーザの睡眠時間を識別する対象時間データ、及び、該対象ユー
ザが属する睡眠カテゴリーを識別する対象カテゴリーデータ、のうちの少なくとも１つを
含む対象睡眠状態データを、ように構成された推定モデル、
を生成する生成段階と、を含む」ことができる。
【0010】
別の態様に係るコンピュータプログラムは、「少なくとも１つのプロセッサにより実行
されることにより、対象ユーザにより実行された行動の履歴を識別する対象行動データを
取得し、教師あり学習を実行することにより生成された推定モデルに前記対象行動データ
を入力することにより、前記対象ユーザの更年期症状の状態を識別する対象更年期状態デ
ータであって、該対象ユーザの更年期症状の総合的な状態を識別する対象総合状態データ
、該対象ユーザの第１症状の状態を識別する対象第１状態データ、該対象ユーザの第２症
状の状態を識別する対象第２状態データ、のうちの少なくとも１つを含む対象更年期状態
データを、前記推定モデルから出力させる、ように前記少なくとも１つのプロセッサを機
能させる」ことができる。
されることにより、対象ユーザにより実行された行動の履歴を識別する対象行動データを
取得し、教師あり学習を実行することにより生成された推定モデルに前記対象行動データ
を入力することにより、前記対象ユーザの更年期症状の状態を識別する対象更年期状態デ
ータであって、該対象ユーザの更年期症状の総合的な状態を識別する対象総合状態データ
、該対象ユーザの第１症状の状態を識別する対象第１状態データ、該対象ユーザの第２症
状の状態を識別する対象第２状態データ、のうちの少なくとも１つを含む対象更年期状態
データを、前記推定モデルから出力させる、ように前記少なくとも１つのプロセッサを機
能させる」ことができる。
【0011】
別の態様に係る情報処理装置は、「少なくとも１つのプロセッサを具備し、該少なくと
も１つのプロセッサが、対象ユーザにより実行された行動の履歴を識別する対象行動デー
タを取得し、教師あり学習を実行することにより生成された推定モデルに前記対象行動デ
ータを入力することにより、前記対象ユーザの更年期症状の状態を識別する対象更年期状
態データであって、該対象ユーザの更年期症状の総合的な状態を識別する対象総合状態デ
ータ、該対象ユーザの第１症状の状態を識別する対象第１状態データ、及び、該対象ユー
ザの第２症状の状態を識別する対象第２状態データ、のうちの少なくとも１つを含む対象
更年期状態データを、前記推定モデルから出力させる、ように構成され」得る。
も１つのプロセッサが、対象ユーザにより実行された行動の履歴を識別する対象行動デー
タを取得し、教師あり学習を実行することにより生成された推定モデルに前記対象行動デ
ータを入力することにより、前記対象ユーザの更年期症状の状態を識別する対象更年期状
態データであって、該対象ユーザの更年期症状の総合的な状態を識別する対象総合状態デ
ータ、該対象ユーザの第１症状の状態を識別する対象第１状態データ、及び、該対象ユー
ザの第２症状の状態を識別する対象第２状態データ、のうちの少なくとも１つを含む対象
更年期状態データを、前記推定モデルから出力させる、ように構成され」得る。
【0012】
別の態様に係る方法は、「コンピュータにより読み取り可能な命令を実行する少なくと
も１つのプロセッサにより実行される方法であって、該少なくとも１つのプロセッサが、
前記命令を実行することにより、対象ユーザにより実行された行動の履歴を識別する対象
行動データを取得する段階と、教師あり学習を実行することにより生成された推定モデル
に前記対象行動データを入力することにより、前記対象ユーザの更年期症状の状態を識別
する対象更年期状態データであって、該対象ユーザの更年期症状の総合的な状態を識別す
る対象総合状態データ、該対象ユーザの第１症状の状態を識別する対象第１状態データ、
及び、該対象ユーザの第２症状の状態を識別する対象第２状態データ、のうちの少なくと
も１つを含む対象更年期状態データを、前記推定モデルから出力させる段階と、を含む」
ことができる。
も１つのプロセッサにより実行される方法であって、該少なくとも１つのプロセッサが、
前記命令を実行することにより、対象ユーザにより実行された行動の履歴を識別する対象
行動データを取得する段階と、教師あり学習を実行することにより生成された推定モデル
に前記対象行動データを入力することにより、前記対象ユーザの更年期症状の状態を識別
する対象更年期状態データであって、該対象ユーザの更年期症状の総合的な状態を識別す
る対象総合状態データ、該対象ユーザの第１症状の状態を識別する対象第１状態データ、
及び、該対象ユーザの第２症状の状態を識別する対象第２状態データ、のうちの少なくと
も１つを含む対象更年期状態データを、前記推定モデルから出力させる段階と、を含む」
ことができる。
【0013】
別の態様に係る方法は、「コンピュータにより読み取り可能な命令を実行する少なくと
も１つのプロセッサにより実行される方法であって、該少なくとも１つのプロセッサが、
前記命令を実行することにより、各組の教師データが、該組に対応する１人のサンプルユ
ーザにより実行された行動の履歴を識別するサンプル行動データと、該組に対応する１人
のサンプルユーザの更年期症状の状態を識別するサンプル更年期状態データと、を含む、
複数組の教師データを取得する取得段階と、該複数組の教師データを学習モデルに入力し
て学習させることにより、対象ユーザにより実行された行動の履歴を識別する対象行動デ
ータを入力して、前記対象ユーザの更年期症状の状態を識別する対象更年期状態データで
あって、該対象ユーザの更年期症状の総合的な状態を識別する対象総合状態データ、該対
象ユーザの第１症状の状態を識別する対象第１状態データ、及び、該対象ユーザの第２症
状の状態を識別する対象第２状態データ、のうちの少なくとも１つを含む対象更年期状態
データを、出力するように構成された推定モデル、を生成する生成段階と、を含む」こと
ができる。
も１つのプロセッサにより実行される方法であって、該少なくとも１つのプロセッサが、
前記命令を実行することにより、各組の教師データが、該組に対応する１人のサンプルユ
ーザにより実行された行動の履歴を識別するサンプル行動データと、該組に対応する１人
のサンプルユーザの更年期症状の状態を識別するサンプル更年期状態データと、を含む、
複数組の教師データを取得する取得段階と、該複数組の教師データを学習モデルに入力し
て学習させることにより、対象ユーザにより実行された行動の履歴を識別する対象行動デ
ータを入力して、前記対象ユーザの更年期症状の状態を識別する対象更年期状態データで
あって、該対象ユーザの更年期症状の総合的な状態を識別する対象総合状態データ、該対
象ユーザの第１症状の状態を識別する対象第１状態データ、及び、該対象ユーザの第２症
状の状態を識別する対象第２状態データ、のうちの少なくとも１つを含む対象更年期状態
データを、出力するように構成された推定モデル、を生成する生成段階と、を含む」こと
ができる。
【図面の簡単な説明】
【0014】
【発明を実施するための形態】
【0015】
以下、添付図面を参照して本発明の様々な実施形態を説明する。なお、図面において共
通した構成要素には同一の参照符号が付されている。また、或る図面に表現された構成要
素が、説明の便宜上、別の図面においては省略されていることがある点に留意されたい。
さらにまた、添付した図面が必ずしも正確な縮尺で記載されている訳ではないということ
に注意されたい。
通した構成要素には同一の参照符号が付されている。また、或る図面に表現された構成要
素が、説明の便宜上、別の図面においては省略されていることがある点に留意されたい。
さらにまた、添付した図面が必ずしも正確な縮尺で記載されている訳ではないということ
に注意されたい。
【0016】
本明細書において記載される、様々なシステム、方法および装置は、いかなる方法によ
っても限定されるものとして解釈されるべきではない。実際には、本開示は、開示された
様々な実施形態の各々、これら様々な実施形態を相互に組み合わせたもの、および、これ
ら様々な実施形態の一部を相互に組み合わせたもの、のうちのあらゆる新規な特徴および
態様に向けられている。本明細書において記載される、様々なシステム、方法および装置
は、特定の態様、特定の特徴、または、このような特定の態様と特定の特徴とを組み合わ
せたものに限定されないし、本明細書に記載される物および方法は、１もしくはそれ以上
の特定の効果が存在することまたは課題が解決されることを、要求するものでもない。さ
らには、本明細書において記載された様々な実施形態のうちの様々な特徴もしくは態様、
または、そのような特徴もしくは態様の一部は、相互に組み合わせて用いられ得る。
っても限定されるものとして解釈されるべきではない。実際には、本開示は、開示された
様々な実施形態の各々、これら様々な実施形態を相互に組み合わせたもの、および、これ
ら様々な実施形態の一部を相互に組み合わせたもの、のうちのあらゆる新規な特徴および
態様に向けられている。本明細書において記載される、様々なシステム、方法および装置
は、特定の態様、特定の特徴、または、このような特定の態様と特定の特徴とを組み合わ
せたものに限定されないし、本明細書に記載される物および方法は、１もしくはそれ以上
の特定の効果が存在することまたは課題が解決されることを、要求するものでもない。さ
らには、本明細書において記載された様々な実施形態のうちの様々な特徴もしくは態様、
または、そのような特徴もしくは態様の一部は、相互に組み合わせて用いられ得る。
【0017】
本明細書において開示された様々な方法のうちの幾つかの方法の動作が、便宜上、特定
の順序に沿って記載されているが、このような手法による記載は、特定の順序が以下特定
の文章によって要求されていない限り、上記動作の順序を並び替えることを包含する、と
理解すべきである。例えば、順番に記載された複数の動作は、幾つかの場合には、並び替
えられるかまたは同時に実行される。さらには、簡略化を目的として、添付図面は、本明
細書に記載された様々な事項および方法が他の事項および方法とともに用いられ得るよう
な様々な方法を示していない。
の順序に沿って記載されているが、このような手法による記載は、特定の順序が以下特定
の文章によって要求されていない限り、上記動作の順序を並び替えることを包含する、と
理解すべきである。例えば、順番に記載された複数の動作は、幾つかの場合には、並び替
えられるかまたは同時に実行される。さらには、簡略化を目的として、添付図面は、本明
細書に記載された様々な事項および方法が他の事項および方法とともに用いられ得るよう
な様々な方法を示していない。
【0018】
本開示の装置または方法に関連して本明細書に提示される、動作理論、科学的原理また
は他の理論的な記載は、よりよい理解を目的として提供されており、技術的範囲を限定す
ることを意図していない。添付した特許請求の範囲における装置および方法は、このよう
な動作理論により記載される方法により動作する装置および方法に限定されない。
は他の理論的な記載は、よりよい理解を目的として提供されており、技術的範囲を限定す
ることを意図していない。添付した特許請求の範囲における装置および方法は、このよう
な動作理論により記載される方法により動作する装置および方法に限定されない。
【0019】
本明細書に開示された様々な方法のいずれもが、コンピュータにより読み取り可能な１
またはそれ以上の媒体に記憶された、コンピュータにより実行可能な複数の命令を用いて
実装され、さらに、コンピュータにおいて実行され得る。上記１またはそれ以上の媒体は
、例えば、少なくとも１つの光学媒体ディスク、複数の揮発性メモリ部品、または、複数
の不揮発性メモリ部品といったような、非一時的なコンピュータにより読み取り可能な記
憶媒体であり得る。ここで、上記複数の揮発性メモリ部品は、例えばＤＲＡＭまたはＳＲ
ＡＭを含む。また、上記複数の不揮発性メモリ部品は、例えばハードドライブおよびソリ
ッドステートドライブ（ＳＳＤ）を含む。さらに、上記コンピュータは、例えば、計算を
行うハードウェアを有するスマートフォンおよび他のモバイル装置を含む、市場において
入手可能な任意のコンピュータを含む。
またはそれ以上の媒体に記憶された、コンピュータにより実行可能な複数の命令を用いて
実装され、さらに、コンピュータにおいて実行され得る。上記１またはそれ以上の媒体は
、例えば、少なくとも１つの光学媒体ディスク、複数の揮発性メモリ部品、または、複数
の不揮発性メモリ部品といったような、非一時的なコンピュータにより読み取り可能な記
憶媒体であり得る。ここで、上記複数の揮発性メモリ部品は、例えばＤＲＡＭまたはＳＲ
ＡＭを含む。また、上記複数の不揮発性メモリ部品は、例えばハードドライブおよびソリ
ッドステートドライブ（ＳＳＤ）を含む。さらに、上記コンピュータは、例えば、計算を
行うハードウェアを有するスマートフォンおよび他のモバイル装置を含む、市場において
入手可能な任意のコンピュータを含む。
【0020】
本明細書において開示された技術を実装するためのこのようなコンピュータにより実行
可能な複数の命令のいずれもが、本明細書において開示された様々な実施形態の実装の間
において生成され使用される任意のデータとともに、１またはそれ以上のコンピュータに
より読み取り可能な媒体（例えば、非一時的なコンピュータにより読み取り可能な記憶媒
体）に記憶され得る。このようなコンピュータにより実行可能な複数の命令は、例えば、
個別のソフトウェアアプリケーションの一部であり得るか、または、ウェブブラウザもし
くは（リモート計算アプリケーションといったような）他のソフトウェアアプリケーショ
ンを介してアクセスまたはダウンロードされるソフトウェアアプリケーションの一部であ
り得る。このようなソフトウェアは、例えば、（例えば市場において入手可能な任意の好
適なコンピュータにおいて実行されるプロセスとしての）単一のローカルコンピュータに
おいて、または、１またはそれ以上のネットワークコンピュータを用いて、ネットワーク
環境（例えば、インターネット、ワイドエリアネットワーク、ローカルエリアネットワー
ク、（クラウド計算ネットワークといったような）クライアントサーバネットワーク、ま
たは、他のそのようなネットワーク）において、実行され得る。
可能な複数の命令のいずれもが、本明細書において開示された様々な実施形態の実装の間
において生成され使用される任意のデータとともに、１またはそれ以上のコンピュータに
より読み取り可能な媒体（例えば、非一時的なコンピュータにより読み取り可能な記憶媒
体）に記憶され得る。このようなコンピュータにより実行可能な複数の命令は、例えば、
個別のソフトウェアアプリケーションの一部であり得るか、または、ウェブブラウザもし
くは（リモート計算アプリケーションといったような）他のソフトウェアアプリケーショ
ンを介してアクセスまたはダウンロードされるソフトウェアアプリケーションの一部であ
り得る。このようなソフトウェアは、例えば、（例えば市場において入手可能な任意の好
適なコンピュータにおいて実行されるプロセスとしての）単一のローカルコンピュータに
おいて、または、１またはそれ以上のネットワークコンピュータを用いて、ネットワーク
環境（例えば、インターネット、ワイドエリアネットワーク、ローカルエリアネットワー
ク、（クラウド計算ネットワークといったような）クライアントサーバネットワーク、ま
たは、他のそのようなネットワーク）において、実行され得る。
【0021】
明確化のために、ソフトウェアをベースとした様々な実装のうちの特定の選択された様
々な態様のみが記載される。当該分野において周知である他の詳細な事項は省略される。
例えば、本明細書において開示された技術は、特定のコンピュータ言語またはプログラム
に限定されない。例えば、本明細書において開示された技術は、Ｃ、Ｃ＋＋、Ｊａｖａ（
登録商標）、または、他の任意の好適なプログラミング言語で記述されたソフトウェアに
より実行され得る。同様に、本明細書において開示された技術は、特定のコンピュータま
たは特定のタイプのハードウェアに限定されない。好適なコンピュータおよびハードウェ
アの特定の詳細な事項は、周知であって、本明細書において詳細に説明する必要はない。
々な態様のみが記載される。当該分野において周知である他の詳細な事項は省略される。
例えば、本明細書において開示された技術は、特定のコンピュータ言語またはプログラム
に限定されない。例えば、本明細書において開示された技術は、Ｃ、Ｃ＋＋、Ｊａｖａ（
登録商標）、または、他の任意の好適なプログラミング言語で記述されたソフトウェアに
より実行され得る。同様に、本明細書において開示された技術は、特定のコンピュータま
たは特定のタイプのハードウェアに限定されない。好適なコンピュータおよびハードウェ
アの特定の詳細な事項は、周知であって、本明細書において詳細に説明する必要はない。
【0022】
さらには、このようなソフトウェアをベースとした様々な実施形態（例えば、本明細書
において開示される様々な方法のいずれかをコンピュータに実行させるための、コンピュ
ータにより実行可能な複数の命令を含む）のいずれもが、好適な通信手段により、アップ
ロードされ、ダウンロードされ、または、リモート方式によりアクセスされ得る。このよ
うな好適な通信手段は、例えば、インターネット、ワールドワイドウェブ、イントラネッ
ト、ソフトウェアアプリケーション、ケーブル（光ファイバケーブルを含む）、磁気通信
、電磁気通信（ＲＦ通信、マイクロ波通信、赤外線通信を含む）、電子通信、または、他
のそのような通信手段を含む。
において開示される様々な方法のいずれかをコンピュータに実行させるための、コンピュ
ータにより実行可能な複数の命令を含む）のいずれもが、好適な通信手段により、アップ
ロードされ、ダウンロードされ、または、リモート方式によりアクセスされ得る。このよ
うな好適な通信手段は、例えば、インターネット、ワールドワイドウェブ、イントラネッ
ト、ソフトウェアアプリケーション、ケーブル（光ファイバケーブルを含む）、磁気通信
、電磁気通信（ＲＦ通信、マイクロ波通信、赤外線通信を含む）、電子通信、または、他
のそのような通信手段を含む。
【0023】
Ｉ．第１章
１．概要
本件出願に開示された技術では、簡潔にいえば、少なくとも１つの情報処理装置が、推
定の対象とされるユーザ（対象ユーザ）により実行された行動の履歴を識別する対象行動
データを取得し、この対象行動データを推定モデルに入力することにより、上記対象ユー
ザの健康の状態を識別するデータ（健康状態データ）を、上記推定モデルから出力させる
ことができる。
１．概要
本件出願に開示された技術では、簡潔にいえば、少なくとも１つの情報処理装置が、推
定の対象とされるユーザ（対象ユーザ）により実行された行動の履歴を識別する対象行動
データを取得し、この対象行動データを推定モデルに入力することにより、上記対象ユー
ザの健康の状態を識別するデータ（健康状態データ）を、上記推定モデルから出力させる
ことができる。
【0024】
また、少なくとも１つの情報処理装置が、複数の商品及び／又は複数のサービスのうち
、上記対象ユーザの健康状態データに対応する少なくとも１つの対象商品及び／又は少な
くとも１つの対象サービスを決定することもできる。さらに、少なくとも１つの情報処理
装置が、このように決定された少なくとも１つの対象サービス及び／又は少なくとも１つ
の対象サービスを識別する情報を出力することもできる。
、上記対象ユーザの健康状態データに対応する少なくとも１つの対象商品及び／又は少な
くとも１つの対象サービスを決定することもできる。さらに、少なくとも１つの情報処理
装置が、このように決定された少なくとも１つの対象サービス及び／又は少なくとも１つ
の対象サービスを識別する情報を出力することもできる。
【0025】
【0026】
図１に示すように、一実施形態に係る通信システム１は、例えば、通信網２に接続可能
な少なくとも１つのサーバ装置（情報処理装置）１０と、通信網２に接続可能な少なくと
も１つの端末装置（情報処理装置）２０と、を含むことができる。図１には、少なくとも
１つのサーバ装置１０として、２つのサーバ装置１０Ａ、１０Ｂが例示されているが、任
意の数のサーバ装置１０が用いられ得る。同様に、図１には、少なくとも１つの端末装置
２０として、２つの端末装置２０Ａ、２０Ｂが例示されているが、任意の数のサーバ装置
１０が用いられ得る。
な少なくとも１つのサーバ装置（情報処理装置）１０と、通信網２に接続可能な少なくと
も１つの端末装置（情報処理装置）２０と、を含むことができる。図１には、少なくとも
１つのサーバ装置１０として、２つのサーバ装置１０Ａ、１０Ｂが例示されているが、任
意の数のサーバ装置１０が用いられ得る。同様に、図１には、少なくとも１つの端末装置
２０として、２つの端末装置２０Ａ、２０Ｂが例示されているが、任意の数のサーバ装置
１０が用いられ得る。
【0027】
各サーバ装置１０は、他の少なくとも１つのサーバ装置１０、及び／又は、少なくとも
１つの端末装置２０に対して、通信網２を介して接続可能である。また、各端末装置２０
は、他の少なくとも１つの端末装置２０、及び／又は、少なくとも１つのサーバ装置１０
に対して、通信網２を介して接続可能である。
１つの端末装置２０に対して、通信網２を介して接続可能である。また、各端末装置２０
は、他の少なくとも１つの端末装置２０、及び／又は、少なくとも１つのサーバ装置１０
に対して、通信網２を介して接続可能である。
【0028】
各サーバ装置１０は任意の情報処理装置であり得る。このような情報処理装置は、例え
ば、パーソナルコンピュータ、ワークステーション、スーパーコンピュータ及びメインフ
レーム等を、これらに限定することなく含むことができる。各端末装置２０は任意の情報
処理装置であり得る。このような情報処理装置は、例えば、携帯電話、スマートフォン、
タブレット、パーソナルコンピュータ、ワークステーション及び携帯情報端末等を、これ
らに限定することなく含むことができる。
ば、パーソナルコンピュータ、ワークステーション、スーパーコンピュータ及びメインフ
レーム等を、これらに限定することなく含むことができる。各端末装置２０は任意の情報
処理装置であり得る。このような情報処理装置は、例えば、携帯電話、スマートフォン、
タブレット、パーソナルコンピュータ、ワークステーション及び携帯情報端末等を、これ
らに限定することなく含むことができる。
【0029】
一例では、少なくとも１つのサーバ装置１０は、任意のユーザの健康の状態を推定する
サービス（「推定サービス」）、及び／又は、任意のユーザの健康の状態に対応する少な
くとも１つの対象商品等を提案するサービス（「提案サービス」）を、運営する運営企業
により管理される情報処理装置であり得る。なお、以下、便宜上、推定サービス及び／又
は提案サービスを指す用語として、「推定サービス等」という用語を用いる場合がある。
サービス（「推定サービス」）、及び／又は、任意のユーザの健康の状態に対応する少な
くとも１つの対象商品等を提案するサービス（「提案サービス」）を、運営する運営企業
により管理される情報処理装置であり得る。なお、以下、便宜上、推定サービス及び／又
は提案サービスを指す用語として、「推定サービス等」という用語を用いる場合がある。
【0030】
一例では、少なくとも１つのサーバ装置１０及び／又は少なくとも１つの端末装置２０
は、上記運営企業から推定サービス等の提供を受ける企業ユーザ及び／又は個人ユーザに
より管理される情報処理装置であり得る。
は、上記運営企業から推定サービス等の提供を受ける企業ユーザ及び／又は個人ユーザに
より管理される情報処理装置であり得る。
【0031】
上述した対象行動データを取得する動作は、少なくとも１つのサーバ装置１０、及び／
又は、少なくとも１つの端末装置２０により実行され得る。
又は、少なくとも１つの端末装置２０により実行され得る。
【0032】
上述した推定モデルは、少なくとも１つのサーバ装置１０、及び／又は、少なくとも１
つの端末装置２０により生成され得る。このように生成された推定モデルは、少なくとも
１つのサーバ装置１０、及び／又は、少なくとも１つの端末装置２０により保持され得る
。このように保持された推定モデルは、少なくとも１つのサーバ装置１０、及び／又は、
少なくとも１つの端末装置２０により利用され得る。
つの端末装置２０により生成され得る。このように生成された推定モデルは、少なくとも
１つのサーバ装置１０、及び／又は、少なくとも１つの端末装置２０により保持され得る
。このように保持された推定モデルは、少なくとも１つのサーバ装置１０、及び／又は、
少なくとも１つの端末装置２０により利用され得る。
【0033】
上述した健康状態データを推定モデルから出力させる動作は、少なくとも１つのサーバ
装置１０、及び／又は、少なくとも１つの端末装置２０により実行され得る。
装置１０、及び／又は、少なくとも１つの端末装置２０により実行され得る。
【0034】
上述した少なくとも１つの対象商品及び／又は少なくとも１つの対象サービスを決定す
る動作は、少なくとも１つのサーバ装置１０、及び／又は、少なくとも１つの端末装置２
０により実行され得る。上述した少なくとも１つの対象サービス及び／又は少なくとも１
つの対象サービスを識別するデータを出力する動作は、少なくとも１つのサーバ装置１０
、及び／又は、少なくとも１つの端末装置２０により実行され得る。
る動作は、少なくとも１つのサーバ装置１０、及び／又は、少なくとも１つの端末装置２
０により実行され得る。上述した少なくとも１つの対象サービス及び／又は少なくとも１
つの対象サービスを識別するデータを出力する動作は、少なくとも１つのサーバ装置１０
、及び／又は、少なくとも１つの端末装置２０により実行され得る。
【0035】
なお、通信網２は、携帯電話網、無線ネットワーク、固定電話網、インターネット、イ
ントラネット、ローカルエリアネットワーク（ＬＡＮ）、ワイドエリアネットワーク（Ｗ
ＡＮ）、及び／又は、イーサネット（登録商標）ネットワークを、これらに限定すること
なく含むことができる。上記無線ネットワークは、例えば、Ｂｌｕｅｔｏｏｔｈ（登録商
標）、（ＩＥＥＥ ８０２.１１ａ／ｂ／ｎといったような）ＷｉＦｉ、ＷｉＭａｘ、セル
ラー、衛星、レーザー、赤外線、を介したＲＦ接続を、これらに限定することなく含むこ
とができる。
ントラネット、ローカルエリアネットワーク（ＬＡＮ）、ワイドエリアネットワーク（Ｗ
ＡＮ）、及び／又は、イーサネット（登録商標）ネットワークを、これらに限定すること
なく含むことができる。上記無線ネットワークは、例えば、Ｂｌｕｅｔｏｏｔｈ（登録商
標）、（ＩＥＥＥ ８０２.１１ａ／ｂ／ｎといったような）ＷｉＦｉ、ＷｉＭａｘ、セル
ラー、衛星、レーザー、赤外線、を介したＲＦ接続を、これらに限定することなく含むこ
とができる。
【0036】
３．各情報処理装置が有するハードウェア構成
次に、各情報処理装置（サーバ装置１０、端末装置２０）が有するハードウェア構成の
一例について説明する。
次に、各情報処理装置（サーバ装置１０、端末装置２０）が有するハードウェア構成の
一例について説明する。
【0037】
（１）サーバ装置１０のハードウェア構成
図２は、図１に示したサーバ装置１０が有するハードウェア構成の一例を示すブロック
図である（なお、図２において、括弧内の参照符号は、後述するように端末装置２０に関
連して記載されている）。
図２は、図１に示したサーバ装置１０が有するハードウェア構成の一例を示すブロック
図である（なお、図２において、括弧内の参照符号は、後述するように端末装置２０に関
連して記載されている）。
【0038】
図２に示すように、サーバ装置１０は、中央処理装置１１と、主記憶装置１２と、入出
力インターフェイス装置１３と、入力装置１４と、補助記憶装置１５と、出力装置１６と
、を含むことができる。これら装置同士は、データバス及び／又は制御バスにより接続さ
れている。
力インターフェイス装置１３と、入力装置１４と、補助記憶装置１５と、出力装置１６と
、を含むことができる。これら装置同士は、データバス及び／又は制御バスにより接続さ
れている。
【0039】
中央処理装置１１は、「ＣＰＵ」と称され、主記憶装置１２に記憶されている命令及び
データに対して演算を行い、その演算の結果を主記憶装置１２に記憶させることができる
。さらに、中央処理装置１１は、入出力インターフェイス装置１３を介して、入力装置１
４、補助記憶装置１５及び出力装置１６等を制御することができる。サーバ装置１０は、
１又はそれ以上のこのような中央処理装置１１を含むことが可能である。
データに対して演算を行い、その演算の結果を主記憶装置１２に記憶させることができる
。さらに、中央処理装置１１は、入出力インターフェイス装置１３を介して、入力装置１
４、補助記憶装置１５及び出力装置１６等を制御することができる。サーバ装置１０は、
１又はそれ以上のこのような中央処理装置１１を含むことが可能である。
【0040】
主記憶装置１２は、「メモリ」と称され、入力装置１４、補助記憶装置１５及び通信網
２等（端末装置２０等）から、入出力インターフェイス装置１３を介して受信した命令及
びデータ、並びに、中央処理装置１１の演算結果を記憶することができる。主記憶装置１
２は、揮発性メモリ（例えば、レジスタ、キャッシュ、ランダムアクセスメモリ（ＲＡＭ
））、不揮発性メモリ（例えば、リードオンリーメモリ（ＲＯＭ）、ＥＥＰＲＯＭ、フラ
ッシュメモリ）、及び、ストレージ（例えば、ハードディスクドライブ（ＨＤＤ）、ソリ
ッドステートドライブ（ＳＳＤ）、磁気テープ、光学媒体）、といったようなコンピュー
タにより読み取り可能な媒体を、これらに限定することなく含むことができる。容易に理
解されるように、「コンピュータにより読み取り可能な記録媒体」という用語は、変調さ
れたデータ信号すなわち一時的な信号といったような送信媒体ではなく、メモリ及びスト
レージといったようなデータストレージのための媒体を含むことができる。
２等（端末装置２０等）から、入出力インターフェイス装置１３を介して受信した命令及
びデータ、並びに、中央処理装置１１の演算結果を記憶することができる。主記憶装置１
２は、揮発性メモリ（例えば、レジスタ、キャッシュ、ランダムアクセスメモリ（ＲＡＭ
））、不揮発性メモリ（例えば、リードオンリーメモリ（ＲＯＭ）、ＥＥＰＲＯＭ、フラ
ッシュメモリ）、及び、ストレージ（例えば、ハードディスクドライブ（ＨＤＤ）、ソリ
ッドステートドライブ（ＳＳＤ）、磁気テープ、光学媒体）、といったようなコンピュー
タにより読み取り可能な媒体を、これらに限定することなく含むことができる。容易に理
解されるように、「コンピュータにより読み取り可能な記録媒体」という用語は、変調さ
れたデータ信号すなわち一時的な信号といったような送信媒体ではなく、メモリ及びスト
レージといったようなデータストレージのための媒体を含むことができる。
【0041】
補助記憶装置１５は、主記憶装置１２よりも大きな容量を有する記憶装置である。補助
記憶装置１５は、特定のアプリケーション等を構成する命令及びデータ（コンピュータプ
ログラム）を記憶しておき、中央処理装置１１により制御されることにより、これらの命
令及びデータ（コンピュータプログラム）を、入出力インターフェイス装置１３を介して
主記憶装置１２に送信することができる。補助記憶装置１５は、磁気ディスク装置及び／
又は光ディスク装置等をこれらに限定することなく含むことができる。
記憶装置１５は、特定のアプリケーション等を構成する命令及びデータ（コンピュータプ
ログラム）を記憶しておき、中央処理装置１１により制御されることにより、これらの命
令及びデータ（コンピュータプログラム）を、入出力インターフェイス装置１３を介して
主記憶装置１２に送信することができる。補助記憶装置１５は、磁気ディスク装置及び／
又は光ディスク装置等をこれらに限定することなく含むことができる。
【0042】
ここでいう特定のアプリケーションは、オペレーションシステム、様々なソフトウェア
アプリケーション（ウェブブラウザを含む）、推定サービス等を提供するために実行され
る専用のアプリケーション、推定サービス等の提供を受けるために実行される専用のアプ
リケーション等を、これらに限定することなく含むことができる。
アプリケーション（ウェブブラウザを含む）、推定サービス等を提供するために実行され
る専用のアプリケーション、推定サービス等の提供を受けるために実行される専用のアプ
リケーション等を、これらに限定することなく含むことができる。
【0043】
入力装置１４は、外部からデータを取り込む装置であり、キーボード、タッチパネル、
ボタン、マウス及び／又はセンサ（マイク、カメラ）等をこれらに限定することなく含む
ことができる。
ボタン、マウス及び／又はセンサ（マイク、カメラ）等をこれらに限定することなく含む
ことができる。
【0044】
出力装置１６は、ディスプレイ装置、タッチパネル及び／又はプリンタ装置等をこれら
に限定することなく含むことができる。
に限定することなく含むことができる。
【0045】
このようなハードウェア構成にあっては、中央処理装置１１が、補助記憶装置１５に記
憶された上記特定のアプリケーションを構成する命令及びデータ（コンピュータプログラ
ム）を順次主記憶装置１２にロードし、ロードした命令及びデータを演算することができ
る。これにより、中央処理装置１１は、入出力インターフェイス装置１３を介して出力装
置１６を制御し、或いはまた、入出力インターフェイス装置１３及び通信網２を介して、
他の装置（例えば他のサーバ装置１０及び／又は端末装置２０等）との間で様々な情報（
データ）の送受信を行うことができる。
憶された上記特定のアプリケーションを構成する命令及びデータ（コンピュータプログラ
ム）を順次主記憶装置１２にロードし、ロードした命令及びデータを演算することができ
る。これにより、中央処理装置１１は、入出力インターフェイス装置１３を介して出力装
置１６を制御し、或いはまた、入出力インターフェイス装置１３及び通信網２を介して、
他の装置（例えば他のサーバ装置１０及び／又は端末装置２０等）との間で様々な情報（
データ）の送受信を行うことができる。
【0046】
このように、サーバ装置１０は、インストールされた上記特定のアプリケーションを実
行することにより、推定サービス等を提供すること及び／又は推定サービス等の提供を受
けることに関連する動作等（図３及び図１２等を参照して後述する様々な動作等）を実行
することができる。これに加えて又はこれに代えて、サーバ装置１０は、ブラウザを実行
して他のサーバ装置１０にアクセスすることにより、推定サービス等を提供すること及び
／又は推定サービス等の提供を受けることに関連する動作等（図３及び図１２等を参照し
て後述する様々な動作等）を実行することもできる。
行することにより、推定サービス等を提供すること及び／又は推定サービス等の提供を受
けることに関連する動作等（図３及び図１２等を参照して後述する様々な動作等）を実行
することができる。これに加えて又はこれに代えて、サーバ装置１０は、ブラウザを実行
して他のサーバ装置１０にアクセスすることにより、推定サービス等を提供すること及び
／又は推定サービス等の提供を受けることに関連する動作等（図３及び図１２等を参照し
て後述する様々な動作等）を実行することもできる。
【0047】
なお、サーバ装置１０は、中央処理装置１１に代えて又は中央処理装置１１とともに、
１又はそれ以上のマイクロプロセッサ、及び／又は、グラフィックスプロセッシングユニ
ット（ＧＰＵ）を含むこともできる。
１又はそれ以上のマイクロプロセッサ、及び／又は、グラフィックスプロセッシングユニ
ット（ＧＰＵ）を含むこともできる。
【0048】
（２）端末装置２０のハードウェア構成
図２において括弧内に示すように、端末装置２０は、実質的にサーバ装置１０と同様の
ハードウェア構成を有することができる。図２に示すように、端末装置２０は、中央処理
装置２１と、主記憶装置２２と、入出力インターフェイス装置２３と、入力装置２４と、
補助記憶装置２５と、出力装置２６と、を含むことができる。これら装置同士は、データ
バス及び／又は制御バスにより接続されている。これらの装置の各々は、サーバ装置１０
に関連して説明したとおりである。
図２において括弧内に示すように、端末装置２０は、実質的にサーバ装置１０と同様の
ハードウェア構成を有することができる。図２に示すように、端末装置２０は、中央処理
装置２１と、主記憶装置２２と、入出力インターフェイス装置２３と、入力装置２４と、
補助記憶装置２５と、出力装置２６と、を含むことができる。これら装置同士は、データ
バス及び／又は制御バスにより接続されている。これらの装置の各々は、サーバ装置１０
に関連して説明したとおりである。
【0049】
補助記憶装置２５に記憶され中央処理装置２１により実行される、特定のアプリケーシ
ョンは、オペレーションシステム、様々なソフトウェアアプリケーション（ウェブブラウ
ザを含む）、推定サービス等の提供を受けるために実行される専用のアプリケーション等
を、これらに限定することなく含むことができる。また、特定のアプリケーションは、推
定サービス等を提供するために実行される専用のアプリケーションを含むこともできる。
ョンは、オペレーションシステム、様々なソフトウェアアプリケーション（ウェブブラウ
ザを含む）、推定サービス等の提供を受けるために実行される専用のアプリケーション等
を、これらに限定することなく含むことができる。また、特定のアプリケーションは、推
定サービス等を提供するために実行される専用のアプリケーションを含むこともできる。
【0050】
このようなハードウェア構成にあっては、中央処理装置２１が、補助記憶装置２５に記
憶された上記特定のアプリケーションを構成する命令及びデータ（コンピュータプログラ
ム）を順次主記憶装置２２にロードし、ロードした命令及びデータを演算することができ
る。これにより、中央処理装置２１は、入出力インターフェイス装置２３を介して出力装
置２６を制御し、或いはまた、入出力インターフェイス装置２３及び通信網２を介して、
他の装置（例えばサーバ装置１０等及び／又は他の端末装置２０等）との間で様々な情報
（データ）の送受信を行うことができる。
憶された上記特定のアプリケーションを構成する命令及びデータ（コンピュータプログラ
ム）を順次主記憶装置２２にロードし、ロードした命令及びデータを演算することができ
る。これにより、中央処理装置２１は、入出力インターフェイス装置２３を介して出力装
置２６を制御し、或いはまた、入出力インターフェイス装置２３及び通信網２を介して、
他の装置（例えばサーバ装置１０等及び／又は他の端末装置２０等）との間で様々な情報
（データ）の送受信を行うことができる。
【0051】
このように、端末装置２０は、インストールされた上記特定のアプリケーションを実行
することにより、推定サービス等の提供を受けること及び／又は推定サービス等を提供す
ることに関連する動作等（図３及び図１２等を参照して後述する様々な動作等）を実行す
ることができる。これに加えて又はこれに代えて、サーバ装置１０は、ブラウザを実行し
て他のサーバ装置１０にアクセスすることにより、推定サービス等を提供すること及び／
又は推定サービス等の提供を受けることに関連する動作等（図３及び図１２等を参照して
後述する様々な動作等）を実行することもできる。
することにより、推定サービス等の提供を受けること及び／又は推定サービス等を提供す
ることに関連する動作等（図３及び図１２等を参照して後述する様々な動作等）を実行す
ることができる。これに加えて又はこれに代えて、サーバ装置１０は、ブラウザを実行し
て他のサーバ装置１０にアクセスすることにより、推定サービス等を提供すること及び／
又は推定サービス等の提供を受けることに関連する動作等（図３及び図１２等を参照して
後述する様々な動作等）を実行することもできる。
【0052】
なお、端末装置２０は、中央処理装置２１に代えて又は中央処理装置２１とともに、１
又はそれ以上のマイクロプロセッサ、及び／又は、グラフィックスプロセッシングユニッ
ト（ＧＰＵ）を含むこともできる。
又はそれ以上のマイクロプロセッサ、及び／又は、グラフィックスプロセッシングユニッ
ト（ＧＰＵ）を含むこともできる。
【0053】
４．睡眠の状態に関する睡眠状態データを提供するために通信システム２により実行さ
れる動作
次に、睡眠の状態に関する睡眠状態データを提供するために、上述した通信システム２
により実行される動作の具体例について、さらに図３を参照して説明する。図３は、図１
に示した通信システム１により実行される動作の一例を示すフロー図である。
れる動作
次に、睡眠の状態に関する睡眠状態データを提供するために、上述した通信システム２
により実行される動作の具体例について、さらに図３を参照して説明する。図３は、図１
に示した通信システム１により実行される動作の一例を示すフロー図である。
【0054】
（１）ステップ１０００
まず、ステップ（以下「ＳＴ」という。）１０００において、情報処理装置である、例
えば、推定サービス等を運営する企業により管理されるサーバ装置１０Ａが、推定モデル
を生成するために用いられる複数組の教師データを取得して記憶することができる。
まず、ステップ（以下「ＳＴ」という。）１０００において、情報処理装置である、例
えば、推定サービス等を運営する企業により管理されるサーバ装置１０Ａが、推定モデル
を生成するために用いられる複数組の教師データを取得して記憶することができる。
【0055】
複数組の教師データを構成する各組の教師データは、この組に対応する１人のサンプル
ユーザにより実行された行動の履歴を識別するデータ（「サンプル行動データ」）と、こ
の組に対応する１人のサンプルユーザの睡眠の状態を識別するデータ（「サンプル睡眠状
態データ」）と、を含むことができる。例えば、第１組の教師データは、第１組に対応す
る１人のサンプルユーザ（Ａさん）により実行された行動の履歴を識別するサンプル行動
データと、Ａさんの睡眠の状態を識別するサンプル睡眠状態データと、を含むことができ
、第２組の教師データは、第２組に対応する１人のサンプルユーザ（Ｂさん）により実行
された行動の履歴を識別するサンプル行動データと、Ｂさんの睡眠の状態を識別するサン
プル睡眠状態データと、を含むことができる。
ユーザにより実行された行動の履歴を識別するデータ（「サンプル行動データ」）と、こ
の組に対応する１人のサンプルユーザの睡眠の状態を識別するデータ（「サンプル睡眠状
態データ」）と、を含むことができる。例えば、第１組の教師データは、第１組に対応す
る１人のサンプルユーザ（Ａさん）により実行された行動の履歴を識別するサンプル行動
データと、Ａさんの睡眠の状態を識別するサンプル睡眠状態データと、を含むことができ
、第２組の教師データは、第２組に対応する１人のサンプルユーザ（Ｂさん）により実行
された行動の履歴を識別するサンプル行動データと、Ｂさんの睡眠の状態を識別するサン
プル睡眠状態データと、を含むことができる。
【0056】
（１Ａ）サンプル行動データ
各サンプル行動データは、予め定められた複数の行動のうちの少なくとも１つの（１つ
の又は複数の）行動を識別するデータであり得る。ここで、予め定められた複数の行動の
各々は、その行動を実行した人間の睡眠の状態に少なくとも部分的に良い影響又は悪い影
響を与え得る行動であり得る。このような予め定められた複数の行動は、例えば、以下に
例示するものをこれらに限定することなく含むことができる。
（人間の睡眠の状態に少なくとも部分的に良い影響を与え得る行動の例）
・１週間に２日以上のペースで１時間以上の有酸素運動を行った。
・毎日一定の時間に起床した。
・カフェインを含む飲料を１日に２杯以下に抑えた。
・１日の勤務時間が８時間以下であった。
・コーヒーを１０本以上購入した（この行動は、例えば、コーヒーが属する商品カテゴ
リーとその購入数量とを含むデータにより識別され得る）。
（人間の睡眠の状態に少なくとも部分的に悪い影響を与え得る行動の例）
・１週間に１日以下のペースで１時間以上の有酸素運動を行った。
・毎日異なる時間に起床した。
・カフェインを含む飲料を１日に３杯以上飲んだ。
・１日の勤務時間が１３時間以上であった。
・牛乳を５本以上購入した（この行動は、例えば、牛乳が属する商品カテゴリーとその
購入数量とを含むデータにより識別され得る）。
各サンプル行動データは、予め定められた複数の行動のうちの少なくとも１つの（１つ
の又は複数の）行動を識別するデータであり得る。ここで、予め定められた複数の行動の
各々は、その行動を実行した人間の睡眠の状態に少なくとも部分的に良い影響又は悪い影
響を与え得る行動であり得る。このような予め定められた複数の行動は、例えば、以下に
例示するものをこれらに限定することなく含むことができる。
（人間の睡眠の状態に少なくとも部分的に良い影響を与え得る行動の例）
・１週間に２日以上のペースで１時間以上の有酸素運動を行った。
・毎日一定の時間に起床した。
・カフェインを含む飲料を１日に２杯以下に抑えた。
・１日の勤務時間が８時間以下であった。
・コーヒーを１０本以上購入した（この行動は、例えば、コーヒーが属する商品カテゴ
リーとその購入数量とを含むデータにより識別され得る）。
（人間の睡眠の状態に少なくとも部分的に悪い影響を与え得る行動の例）
・１週間に１日以下のペースで１時間以上の有酸素運動を行った。
・毎日異なる時間に起床した。
・カフェインを含む飲料を１日に３杯以上飲んだ。
・１日の勤務時間が１３時間以上であった。
・牛乳を５本以上購入した（この行動は、例えば、牛乳が属する商品カテゴリーとその
購入数量とを含むデータにより識別され得る）。
【0057】
各サンプル行動データは、このように例示される予め定められた複数の行動のうち少な
くとも１つの行動の各々を識別するデータであり得る。
くとも１つの行動の各々を識別するデータであり得る。
【0058】
また、一例では、ユーザが購入した商品及び／又はユーザが利用したサービスが、その
ユーザの睡眠の状態に良い影響又は悪い影響を与える傾向があり得ることから、上記予め
定められた複数の行動は、サンプルユーザが購入した商品（又はその商品が属するカテゴ
リー）、サンプルユーザが利用したサービス（又はそのサービスが属するカテゴリー）を
含むこともできる。この種の行動は、例えば、小売店舗（ドラッグストア、スーパーマー
ケット、コンビニエンスストア等）等が保有するＰＯＳ（Ｐｏｉｎｔ Ｏｆ Ｓａｌｅｓ）
データを利用して生成され得る。
ユーザの睡眠の状態に良い影響又は悪い影響を与える傾向があり得ることから、上記予め
定められた複数の行動は、サンプルユーザが購入した商品（又はその商品が属するカテゴ
リー）、サンプルユーザが利用したサービス（又はそのサービスが属するカテゴリー）を
含むこともできる。この種の行動は、例えば、小売店舗（ドラッグストア、スーパーマー
ケット、コンビニエンスストア等）等が保有するＰＯＳ（Ｐｏｉｎｔ Ｏｆ Ｓａｌｅｓ）
データを利用して生成され得る。
【0059】
一例では、予め定められた複数の行動の各々には、固有の識別データ（英字、数字又は
これらの組み合わせ等）が割り当てられており、各サンプル行動データは、このような識
別データを含むことができる。例えば、ＰＯＳデータを利用する場合には、複数のサンプ
ル行動データの各々は、購入された商品に対応する、ＪＩＣＦＳ分類（分類コード）、商
品カテゴリー、購入金額、購入数量、購入回数、性別、年齢、及び／又は、購入日等を、
これらに限定することなく含むことができる。
これらの組み合わせ等）が割り当てられており、各サンプル行動データは、このような識
別データを含むことができる。例えば、ＰＯＳデータを利用する場合には、複数のサンプ
ル行動データの各々は、購入された商品に対応する、ＪＩＣＦＳ分類（分類コード）、商
品カテゴリー、購入金額、購入数量、購入回数、性別、年齢、及び／又は、購入日等を、
これらに限定することなく含むことができる。
【0060】
情報処理装置である、例えば、推定サービス等を運営する企業により管理されるサーバ
装置１０Ａは、このようなサンプル行動データを、例えば、以下に例示する方法のうち少
なくとも１つの方法により取得することができる。
・情報処理装置が、通信網２を介して、少なくとも１つの他のサーバ装置１０（例えば
ドラッグストア等に設置されたＰＯＳデータを記憶する他のサーバ装置１０、又は、この
ＰＯＳデータにアクセス可能な他のサーバ装置１０）から、ＰＯＳデータを受信する。
・情報処理装置が、通信網２を介して、所定のアンケート（サンプルユーザにより実行
された行動に関するアンケート）に対する回答を記載したメール又はウェブページを、少
なくとも１つの端末装置２０及び／又は少なくとも１つのサーバ装置１０から受信する。
・情報処理装置が、上記所定のアンケートに対する複数のユーザによる回答を収集した
少なくとも１つのサーバ装置１０から通信網２を介してその回答の内容を受信する。
・情報処理装置が、上記所定のアンケートに対する複数のユーザによる回答を収集した
記録媒体（ＵＳＢメモリ、ＤＶＤ－ＲＯＭ等）を介して、その回答の内容を受信する。
装置１０Ａは、このようなサンプル行動データを、例えば、以下に例示する方法のうち少
なくとも１つの方法により取得することができる。
・情報処理装置が、通信網２を介して、少なくとも１つの他のサーバ装置１０（例えば
ドラッグストア等に設置されたＰＯＳデータを記憶する他のサーバ装置１０、又は、この
ＰＯＳデータにアクセス可能な他のサーバ装置１０）から、ＰＯＳデータを受信する。
・情報処理装置が、通信網２を介して、所定のアンケート（サンプルユーザにより実行
された行動に関するアンケート）に対する回答を記載したメール又はウェブページを、少
なくとも１つの端末装置２０及び／又は少なくとも１つのサーバ装置１０から受信する。
・情報処理装置が、上記所定のアンケートに対する複数のユーザによる回答を収集した
少なくとも１つのサーバ装置１０から通信網２を介してその回答の内容を受信する。
・情報処理装置が、上記所定のアンケートに対する複数のユーザによる回答を収集した
記録媒体（ＵＳＢメモリ、ＤＶＤ－ＲＯＭ等）を介して、その回答の内容を受信する。
【0061】
（１Ｂ）サンプル睡眠状態データ
各組の教師データに含まれるサンプル睡眠状態データは、以下に例示するデータのうち
の少なくとも１つを、これに限定することなく、含むことができる。
・その組に対応する１人のサンプルユーザの睡眠の性質を識別するデータ（「サンプル
性質データ」）
・その組に対応する１人のサンプルユーザの睡眠のリズムを識別するデータ（「サンプ
ルリズムデータ」）
・その組に対応する１人のサンプルユーザの睡眠時間を識別するデータ（「サンプル時
間データ」）
・その組に対応する１人のサンプルユーザ（の睡眠）が属する睡眠カテゴリーを識別す
るデータ（「サンプル睡眠カテゴリーデータ」）
各組の教師データに含まれるサンプル睡眠状態データは、以下に例示するデータのうち
の少なくとも１つを、これに限定することなく、含むことができる。
・その組に対応する１人のサンプルユーザの睡眠の性質を識別するデータ（「サンプル
性質データ」）
・その組に対応する１人のサンプルユーザの睡眠のリズムを識別するデータ（「サンプ
ルリズムデータ」）
・その組に対応する１人のサンプルユーザの睡眠時間を識別するデータ（「サンプル時
間データ」）
・その組に対応する１人のサンプルユーザ（の睡眠）が属する睡眠カテゴリーを識別す
るデータ（「サンプル睡眠カテゴリーデータ」）
【0062】
まず第１に、サンプル性質データは、そのサンプルユーザの睡眠の質が良いのか（例え
ばどの程度良いのか）悪いのか（例えばどの程度悪いのか）を識別するデータであり得る
。一例では、サンプル性質データは、そのサンプルユーザの睡眠の質を総合的に評価した
スコアを識別するデータであり得る。この場合、そのサンプルユーザの睡眠の質は、例え
ば、以下に例示するいずれかの方法で算出されたスコアを識別するデータであり得る。
ばどの程度良いのか）悪いのか（例えばどの程度悪いのか）を識別するデータであり得る
。一例では、サンプル性質データは、そのサンプルユーザの睡眠の質を総合的に評価した
スコアを識別するデータであり得る。この場合、そのサンプルユーザの睡眠の質は、例え
ば、以下に例示するいずれかの方法で算出されたスコアを識別するデータであり得る。
【0063】
・アテネ不眠尺度（ＡＩＳ）（図４参照）に記載された質問事項に対するサンプルユー
ザの回答内容に基づいて、アテネ不眠尺度に記載された方法で算出されたスコア、又は、
このスコアを任意の手法で演算（加減乗除等）することにより得られた修正スコア
・ピッツバーグ睡眠質問票（ＰＳＱＩ）（図５Ａ乃至図５Ｃ参照）に記載された質問事
項に対するサンプルユーザの回答内容に基づいて、ピッツバーグ睡眠質問票に記載された
方法で算出されたスコア、又は、このスコアを任意の手法で演算（加減乗除等）すること
により得られた修正スコア
・３次元型睡眠尺度（３ＤＳＳ）（図６Ａ及び図６Ｂ参照）に記載された質問事項に対
するサンプルユーザの回答内容に基づいて、３次元型睡眠尺度に記載された方法で算出さ
れたスコア、又は、このスコアを任意の手法で演算（加減乗除等）することにより得られ
た修正スコア
・不眠症重症度質問票（ＩＳＩ）（図７参照）に記載された質問事項に対するサンプル
ユーザの回答内容に基づいて、不眠症重症度質問票に記載された方法で算出されたスコア
、又は、このスコアを任意の手法で演算（加減乗除等）することにより得られた修正スコ
ア
・その他の任意の質問票又は尺度に記載された質問事項に対するサンプルユーザの回答
内容に基づいて、その質問票又は尺度に記載された方法で算出されたスコア、又は、この
スコアを任意の手法で演算することにより得られた修正スコア
ザの回答内容に基づいて、アテネ不眠尺度に記載された方法で算出されたスコア、又は、
このスコアを任意の手法で演算（加減乗除等）することにより得られた修正スコア
・ピッツバーグ睡眠質問票（ＰＳＱＩ）（図５Ａ乃至図５Ｃ参照）に記載された質問事
項に対するサンプルユーザの回答内容に基づいて、ピッツバーグ睡眠質問票に記載された
方法で算出されたスコア、又は、このスコアを任意の手法で演算（加減乗除等）すること
により得られた修正スコア
・３次元型睡眠尺度（３ＤＳＳ）（図６Ａ及び図６Ｂ参照）に記載された質問事項に対
するサンプルユーザの回答内容に基づいて、３次元型睡眠尺度に記載された方法で算出さ
れたスコア、又は、このスコアを任意の手法で演算（加減乗除等）することにより得られ
た修正スコア
・不眠症重症度質問票（ＩＳＩ）（図７参照）に記載された質問事項に対するサンプル
ユーザの回答内容に基づいて、不眠症重症度質問票に記載された方法で算出されたスコア
、又は、このスコアを任意の手法で演算（加減乗除等）することにより得られた修正スコ
ア
・その他の任意の質問票又は尺度に記載された質問事項に対するサンプルユーザの回答
内容に基づいて、その質問票又は尺度に記載された方法で算出されたスコア、又は、この
スコアを任意の手法で演算することにより得られた修正スコア
【0064】
第２に、サンプルリズムデータは、そのサンプルユーザのリズムの質が良いのか（例え
ばどの程度良いのか）悪いのか（例えばどの程度悪いのか）を識別するデータであり得る
。一例では、サンプルリズムデータは、そのサンプルユーザの睡眠のリズムを評価したス
コアを識別するデータであり得る。
ばどの程度良いのか）悪いのか（例えばどの程度悪いのか）を識別するデータであり得る
。一例では、サンプルリズムデータは、そのサンプルユーザの睡眠のリズムを評価したス
コアを識別するデータであり得る。
【0065】
この場合、そのサンプルユーザの睡眠のリズムは、例えば、サンプルユーザの平日の睡
眠時間帯の中央時間と休日の睡眠時間帯の中央時間との差の絶対値であるソーシャルジェ
ットラグ（又はこのソーシャルジェットラグを任意の手法で演算した値）を識別するデー
タであり得る。ここで、例えば、或るサンプルユーザの平日の睡眠時間帯が午前０時から
午前６時である場合には、その中央時間は午前３時であり、そのサンプルユーザの休日の
睡眠時間帯が午前３時から午前１１時である場合には、その中央時間は午前７時であるた
め、ソーシャルジェットラグは４時間となる。一般的には、ソーシャルジェットラグが小
さい（又は大きい）程、そのサンプルユーザの睡眠のリズムはより良い（又はより悪い）
ということができる。
眠時間帯の中央時間と休日の睡眠時間帯の中央時間との差の絶対値であるソーシャルジェ
ットラグ（又はこのソーシャルジェットラグを任意の手法で演算した値）を識別するデー
タであり得る。ここで、例えば、或るサンプルユーザの平日の睡眠時間帯が午前０時から
午前６時である場合には、その中央時間は午前３時であり、そのサンプルユーザの休日の
睡眠時間帯が午前３時から午前１１時である場合には、その中央時間は午前７時であるた
め、ソーシャルジェットラグは４時間となる。一般的には、ソーシャルジェットラグが小
さい（又は大きい）程、そのサンプルユーザの睡眠のリズムはより良い（又はより悪い）
ということができる。
【0066】
サンプルユーザの平日及び休日のそれぞれの睡眠時間帯は、一例では、ミュンヘンクロ
ノタイプ質問票（ＭＣＴＱ）（図８Ａ及び図８Ｂ参照）に記載された質問事項に対するそ
のサンプルユーザによる回答内容から抽出され得るし、別の例では、そのサンプルユーザ
から電子メール又はウェブページ等を介して取得され得る。
ノタイプ質問票（ＭＣＴＱ）（図８Ａ及び図８Ｂ参照）に記載された質問事項に対するそ
のサンプルユーザによる回答内容から抽出され得るし、別の例では、そのサンプルユーザ
から電子メール又はウェブページ等を介して取得され得る。
【0067】
第３に、サンプル時間データは、そのサンプルユーザの睡眠時間（１日の睡眠時間）を
識別するデータであり得る。サンプルユーザの睡眠時間は、一例では、ミュンヘンクロノ
タイプ質問票（ＭＣＴＱ）（図８Ａ及び図８Ｂ参照）に記載された質問事項に対するその
サンプルユーザによる回答内容から抽出され得るし、別の例では、そのサンプルユーザか
ら電子メール又はウェブページ等を介して取得され得る。
識別するデータであり得る。サンプルユーザの睡眠時間は、一例では、ミュンヘンクロノ
タイプ質問票（ＭＣＴＱ）（図８Ａ及び図８Ｂ参照）に記載された質問事項に対するその
サンプルユーザによる回答内容から抽出され得るし、別の例では、そのサンプルユーザか
ら電子メール又はウェブページ等を介して取得され得る。
【0068】
第４に、サンプル睡眠カテゴリーデータは、サンプルユーザ（の睡眠）が属する睡眠カ
テゴリーを識別するデータであり得る。一例として、サンプル睡眠カテゴリーデータは、
そのサンプルユーザのサンプル性質データと、そのサンプルユーザのサンプルリズムデー
タとに基づいて決定された、そのサンプルユーザ（の睡眠）が属するカテゴリーを識別す
るデータであり得る。この場合、睡眠カテゴリーは、例えば、以下の手法により定められ
得る。
テゴリーを識別するデータであり得る。一例として、サンプル睡眠カテゴリーデータは、
そのサンプルユーザのサンプル性質データと、そのサンプルユーザのサンプルリズムデー
タとに基づいて決定された、そのサンプルユーザ（の睡眠）が属するカテゴリーを識別す
るデータであり得る。この場合、睡眠カテゴリーは、例えば、以下の手法により定められ
得る。
【0069】
図９は、図１に示した通信システム１において用いられる睡眠カテゴリーデータの一例
を示す図である。図９に示すように、縦軸及び横軸の一方（ここでは横軸）に、サンプル
性質データにより識別されるスコアが配置され、縦軸及び横軸の他方（ここでは縦軸）に
、サンプルリズムデータにより識別される値が配置され得る。上記一方の軸には、サンプ
ル性質データにより識別されるスコアに対して、少なくとも１つの（ここでは１つの）閾
値、すなわち、閾値Ａ１（６点）が設定され得る。上記他方の軸には、サンプルリズムデ
ータにより識別される値に対して、少なくとも１つの（ここでは１つの）閾値、すなわち
、閾値Ｂ１（１時間）が設定され得る。これにより、閾値Ａ１及び閾値Ｂ１によって、睡
眠の性質及び睡眠のリズムの観点から分割された、相互に異なる４つの睡眠カテゴリー（
ここでは、睡眠カテゴリー１０、１１、２０、２１）が形成され得る。この例では、睡眠
カテゴリー１０は、睡眠に生じている障害が最も顕著である可能性の高いカテゴリーであ
り、睡眠カテゴリー２１は、睡眠に生じている障害が最も少ない可能性の高いカテゴリー
であり、睡眠カテゴリー１１、２０は、睡眠カテゴリー１０と２１との間に位置付けられ
るカテゴリーである、といえる。睡眠カテゴリーデータは、これら４つの睡眠カテゴリー
のうちのいずれかの睡眠カテゴリーを識別するデータであり得る。
を示す図である。図９に示すように、縦軸及び横軸の一方（ここでは横軸）に、サンプル
性質データにより識別されるスコアが配置され、縦軸及び横軸の他方（ここでは縦軸）に
、サンプルリズムデータにより識別される値が配置され得る。上記一方の軸には、サンプ
ル性質データにより識別されるスコアに対して、少なくとも１つの（ここでは１つの）閾
値、すなわち、閾値Ａ１（６点）が設定され得る。上記他方の軸には、サンプルリズムデ
ータにより識別される値に対して、少なくとも１つの（ここでは１つの）閾値、すなわち
、閾値Ｂ１（１時間）が設定され得る。これにより、閾値Ａ１及び閾値Ｂ１によって、睡
眠の性質及び睡眠のリズムの観点から分割された、相互に異なる４つの睡眠カテゴリー（
ここでは、睡眠カテゴリー１０、１１、２０、２１）が形成され得る。この例では、睡眠
カテゴリー１０は、睡眠に生じている障害が最も顕著である可能性の高いカテゴリーであ
り、睡眠カテゴリー２１は、睡眠に生じている障害が最も少ない可能性の高いカテゴリー
であり、睡眠カテゴリー１１、２０は、睡眠カテゴリー１０と２１との間に位置付けられ
るカテゴリーである、といえる。睡眠カテゴリーデータは、これら４つの睡眠カテゴリー
のうちのいずれかの睡眠カテゴリーを識別するデータであり得る。
【0070】
図１０は、図１に示した通信システム１において用いられる睡眠カテゴリーデータの別
の例を示す図である。図１０に示す例では、上記一方の軸には、サンプル性質データによ
り識別されるスコアに対して、例えば２つの閾値、すなわち、閾値Ａ１（６点）及び閾値
Ａ２（８点）が設定され得る。上記他方の軸には、サンプルリズムデータにより識別され
る値に対して、例えば２つの閾値、すなわち、閾値Ｂ１（１時間）及び閾値Ｂ２（３時間
）が設定され得る。これにより、閾値Ａ１、Ａ２及び閾値Ｂ１、Ｂ２によって、睡眠の性
質及び睡眠のリズムの観点から分割された、相互に異なる９つの睡眠カテゴリー（ここで
は、睡眠カテゴリー１００、１０１、１０２、２００、２０１、２０２、３００、３０１
、３０２）が形成され得る。この例では、睡眠カテゴリー３００は、睡眠に生じている障
害が最も顕著である可能性の高いカテゴリーであり、睡眠カテゴリー２０２は、睡眠に生
じている障害が最も少ない可能性の高いカテゴリーであり、残りの睡眠カテゴリーは、睡
眠カテゴリー３００と２０２との間に位置付けられるカテゴリーである、といえる。睡眠
カテゴリーデータは、これら９つの睡眠カテゴリーのうちのいずれかの睡眠カテゴリーを
識別するデータであり得る。
の例を示す図である。図１０に示す例では、上記一方の軸には、サンプル性質データによ
り識別されるスコアに対して、例えば２つの閾値、すなわち、閾値Ａ１（６点）及び閾値
Ａ２（８点）が設定され得る。上記他方の軸には、サンプルリズムデータにより識別され
る値に対して、例えば２つの閾値、すなわち、閾値Ｂ１（１時間）及び閾値Ｂ２（３時間
）が設定され得る。これにより、閾値Ａ１、Ａ２及び閾値Ｂ１、Ｂ２によって、睡眠の性
質及び睡眠のリズムの観点から分割された、相互に異なる９つの睡眠カテゴリー（ここで
は、睡眠カテゴリー１００、１０１、１０２、２００、２０１、２０２、３００、３０１
、３０２）が形成され得る。この例では、睡眠カテゴリー３００は、睡眠に生じている障
害が最も顕著である可能性の高いカテゴリーであり、睡眠カテゴリー２０２は、睡眠に生
じている障害が最も少ない可能性の高いカテゴリーであり、残りの睡眠カテゴリーは、睡
眠カテゴリー３００と２０２との間に位置付けられるカテゴリーである、といえる。睡眠
カテゴリーデータは、これら９つの睡眠カテゴリーのうちのいずれかの睡眠カテゴリーを
識別するデータであり得る。
【0071】
図９及び図１０に示した例は、便宜的に示した例に過ぎず、サンプル性質データにより
識別されるスコアに対して、任意の数の閾値が設定され、サンプルリズムデータにより識
別される値に対しても、任意の数の閾値が設定され得る。サンプル性質データ及びサンプ
ルリズムデータの各々に対して、より多くの閾値を設定することにより、睡眠の性質及び
睡眠のリズムの観点から分割された、相互に異なるより多くの睡眠カテゴリーを生成する
ことが可能である。
識別されるスコアに対して、任意の数の閾値が設定され、サンプルリズムデータにより識
別される値に対しても、任意の数の閾値が設定され得る。サンプル性質データ及びサンプ
ルリズムデータの各々に対して、より多くの閾値を設定することにより、睡眠の性質及び
睡眠のリズムの観点から分割された、相互に異なるより多くの睡眠カテゴリーを生成する
ことが可能である。
【0072】
情報処理装置である、例えば、推定サービス等を運営する企業により管理されるサーバ
装置１０Ａ（及び／又は端末装置２０）は、サンプルユーザごとに、このようなサンプル
行動データとサンプル睡眠状態データとを組み合わせて、そのサンプルユーザについて、
１組の教師データを生成して記憶することができる。これを実現するために、例えば、情
報処理装置は、取得した複数のサンプル行動データの中から、或るサンプルユーザを識別
する識別データが付されたサンプル行動データを抽出し、取得した複数のサンプル睡眠状
態データの中からこれと同一のサンプルユーザを識別する識別データが付されたサンプル
睡眠状態データを抽出し、これらを組み合わせて、このサンプルユーザについての１組の
教師データを生成して保存することができる。同様の処理を複数のサンプルユーザの各々
について実行することにより、情報処理装置は、複数組の教師データを生成して保存する
ことができる。
装置１０Ａ（及び／又は端末装置２０）は、サンプルユーザごとに、このようなサンプル
行動データとサンプル睡眠状態データとを組み合わせて、そのサンプルユーザについて、
１組の教師データを生成して記憶することができる。これを実現するために、例えば、情
報処理装置は、取得した複数のサンプル行動データの中から、或るサンプルユーザを識別
する識別データが付されたサンプル行動データを抽出し、取得した複数のサンプル睡眠状
態データの中からこれと同一のサンプルユーザを識別する識別データが付されたサンプル
睡眠状態データを抽出し、これらを組み合わせて、このサンプルユーザについての１組の
教師データを生成して保存することができる。同様の処理を複数のサンプルユーザの各々
について実行することにより、情報処理装置は、複数組の教師データを生成して保存する
ことができる。
【0073】
（２）ステップ１００２
図３に戻り、次に、ＳＴ１００２において、情報処理装置である、例えば、推定サービ
ス等を運営する企業により管理されるサーバ装置１０Ａ（及び／又は端末装置２０）は、
ＳＴ１０００において取得された複数組の教師データを用いて、学習モデルを機械学習に
より学習させることにより、推定モデルを生成することができる。ここでいう機械学習は
、任意の周知の機械学習、例えば、勾配ブースティング木（例えばＬｉｇｈｔＧＢＭ）、
ニューラルネットワーク又は線形回帰等を、これらに限定することなく含み得る。
図３に戻り、次に、ＳＴ１００２において、情報処理装置である、例えば、推定サービ
ス等を運営する企業により管理されるサーバ装置１０Ａ（及び／又は端末装置２０）は、
ＳＴ１０００において取得された複数組の教師データを用いて、学習モデルを機械学習に
より学習させることにより、推定モデルを生成することができる。ここでいう機械学習は
、任意の周知の機械学習、例えば、勾配ブースティング木（例えばＬｉｇｈｔＧＢＭ）、
ニューラルネットワーク又は線形回帰等を、これらに限定することなく含み得る。
【0074】
情報処理装置は、複数組の教師データデータを、順次、学習モデルに入力することによ
り学習を実行させることができる。ここで、各組の教師データは、上述したように、その
組に対応するサンプルユーザのサンプル行動データと、その組に対応するサンプルユーザ
のサンプル睡眠状態データと、を含むことができる。情報処理装置は、各組の教師データ
に含まれるサンプル行動データを説明変数として用い、その組の教師データに含まれるサ
ンプル睡眠状態データを目的変数として用いることができる。
り学習を実行させることができる。ここで、各組の教師データは、上述したように、その
組に対応するサンプルユーザのサンプル行動データと、その組に対応するサンプルユーザ
のサンプル睡眠状態データと、を含むことができる。情報処理装置は、各組の教師データ
に含まれるサンプル行動データを説明変数として用い、その組の教師データに含まれるサ
ンプル睡眠状態データを目的変数として用いることができる。
【0075】
（２Ａ）機械学習の例
情報処理装置は、例えば勾配ブースティング木を用いるケースでは、或る組の教師デー
タに含まれるサンプル行動データ（説明変数）を学習データに入力したときに、サンプル
睡眠状態データ（目的変数）及び推定値（すなわち、学習モデルから出力される値）から
計算される目的関数を改善するように、決定木を作成して学習モデルに追加することがで
きる。情報処理装置は、この処理を、ハイパーパラメータで定めた決定木の本数の分につ
いて繰り返すことができる。２本目以降の決定木については、目的変数とそれまでに作成
した決定木による推定値との差について学習を行うことができる。このようにして、情報
処理装置は、それぞれの決定木の分岐及び葉のウェイトを定めることができる。すなわち
、勾配ブースティング木では、各決定木は、教師データのうちの説明変数を入力データと
して決定木の各分岐を辿って到達する葉ノードの値を出力されるデータ（目的変数）とす
る。さらに、このデータ（目的変数）と、教師データのうちの目的変数との誤差が小さく
なるように、決定木の各分岐の方法及び各葉ノードの値を最適化することができる。
情報処理装置は、例えば勾配ブースティング木を用いるケースでは、或る組の教師デー
タに含まれるサンプル行動データ（説明変数）を学習データに入力したときに、サンプル
睡眠状態データ（目的変数）及び推定値（すなわち、学習モデルから出力される値）から
計算される目的関数を改善するように、決定木を作成して学習モデルに追加することがで
きる。情報処理装置は、この処理を、ハイパーパラメータで定めた決定木の本数の分につ
いて繰り返すことができる。２本目以降の決定木については、目的変数とそれまでに作成
した決定木による推定値との差について学習を行うことができる。このようにして、情報
処理装置は、それぞれの決定木の分岐及び葉のウェイトを定めることができる。すなわち
、勾配ブースティング木では、各決定木は、教師データのうちの説明変数を入力データと
して決定木の各分岐を辿って到達する葉ノードの値を出力されるデータ（目的変数）とす
る。さらに、このデータ（目的変数）と、教師データのうちの目的変数との誤差が小さく
なるように、決定木の各分岐の方法及び各葉ノードの値を最適化することができる。
【0076】
情報処理装置は、例えば、入力層、中間層及び出力層を含むニューラルネットワークを
用いるケースでは、情報処理装置は、教師データのうちの説明変数を入力層に入力するこ
とによって出力層から出力されるデータ（目的変数）と、教師データのうちの目的変数と
の誤差を小さくするように、誤差逆伝搬法を用いて、ニューラルネットワークに含まれる
各パラメータ（ウェイト）を最適化（学習）することができる。
用いるケースでは、情報処理装置は、教師データのうちの説明変数を入力層に入力するこ
とによって出力層から出力されるデータ（目的変数）と、教師データのうちの目的変数と
の誤差を小さくするように、誤差逆伝搬法を用いて、ニューラルネットワークに含まれる
各パラメータ（ウェイト）を最適化（学習）することができる。
【0077】
情報処理装置は、線形回帰を用いるケースでは、目的変数と推定値との誤差を改善する
ように、線形回帰モデルのパラメータを学習することができる。この線形回帰モデルは、
入力層及び出力層に分かれており、教師データのうち説明変数を入力データとして入力層
に入力することによって出力層から出力されるデータ（目的変数）と、教師データのうち
目的変数との誤差が小さくなるように、最小二乗法を用いて、線形回帰モデルに含まれる
パラメータを最適化することができる。
ように、線形回帰モデルのパラメータを学習することができる。この線形回帰モデルは、
入力層及び出力層に分かれており、教師データのうち説明変数を入力データとして入力層
に入力することによって出力層から出力されるデータ（目的変数）と、教師データのうち
目的変数との誤差が小さくなるように、最小二乗法を用いて、線形回帰モデルに含まれる
パラメータを最適化することができる。
【0078】
（２Ｂ）複数組の教師データに含まれる第１の複数組の教師データ
一例では、情報処理装置は、複数組の教師データに含まれる第１の複数組の教師データ
を用いて、推定モデルを生成（更新）することができる。第１の複数組の教師データに含
まれる各組の教師データは、その組に対応するサンプルユーザのサンプル行動データと、
その組に対応するサンプルユーザのサンプル睡眠状態データと、を含むことができる。こ
こで、各組の教師データにおけるサンプル睡眠状態データは、その組に対応するサンプル
ユーザのサンプル性質データと、そのサンプルユーザのサンプルリズムデータと、を含む
ことができる。
一例では、情報処理装置は、複数組の教師データに含まれる第１の複数組の教師データ
を用いて、推定モデルを生成（更新）することができる。第１の複数組の教師データに含
まれる各組の教師データは、その組に対応するサンプルユーザのサンプル行動データと、
その組に対応するサンプルユーザのサンプル睡眠状態データと、を含むことができる。こ
こで、各組の教師データにおけるサンプル睡眠状態データは、その組に対応するサンプル
ユーザのサンプル性質データと、そのサンプルユーザのサンプルリズムデータと、を含む
ことができる。
【0079】
この場合、情報処理装置は、第１の複数組の教師データに含まれる各組の教師データに
ついて、前処理を実行することができる。具体的には、情報処理装置は、各組の教師デー
タに含まれる、サンプル性質データとサンプルリズムデータとを用いて、図９及び図１０
を参照して上述した処理を行うことにより、その組について、サンプル睡眠カテゴリーデ
ータを生成する、という前処理を実行することができる。これにより、情報処理装置は、
前処理後の第１の複数組の教師データ（各組の教師データが、その組に対応するサンプル
ユーザのサンプル行動データと、そのサンプルユーザのサンプル睡眠カテゴリーデータと
、を含む）を、学習モデルに入力して推定モデルを生成（更新）することができる。この
ような推定モデルは、後述するように、説明変数として、対象ユーザにより実行された行
動の履歴を識別する対象行動データを入力することに応答して、対象ユーザが属する睡眠
カテゴリーを識別する対象睡眠カテゴリーデータを、少なくとも出力することができるよ
うになる。
ついて、前処理を実行することができる。具体的には、情報処理装置は、各組の教師デー
タに含まれる、サンプル性質データとサンプルリズムデータとを用いて、図９及び図１０
を参照して上述した処理を行うことにより、その組について、サンプル睡眠カテゴリーデ
ータを生成する、という前処理を実行することができる。これにより、情報処理装置は、
前処理後の第１の複数組の教師データ（各組の教師データが、その組に対応するサンプル
ユーザのサンプル行動データと、そのサンプルユーザのサンプル睡眠カテゴリーデータと
、を含む）を、学習モデルに入力して推定モデルを生成（更新）することができる。この
ような推定モデルは、後述するように、説明変数として、対象ユーザにより実行された行
動の履歴を識別する対象行動データを入力することに応答して、対象ユーザが属する睡眠
カテゴリーを識別する対象睡眠カテゴリーデータを、少なくとも出力することができるよ
うになる。
【0080】
（２Ｃ）複数組の教師データに含まれる第２の複数組の教師データ
一例では、情報処理装置は、複数組の教師データに含まれる第２の複数組の教師データ
を用いて、推定モデルを生成（更新）することができる。第２の複数組の教師データに含
まれる各組の教師データは、その組に対応するサンプルユーザのサンプル行動データと、
その組に対応するサンプルユーザのサンプル睡眠状態データと、を含むことができる。こ
こで、各組の教師データにおけるサンプル睡眠状態データは、その組に対応するサンプル
ユーザのサンプル睡眠カテゴリーデータを含むことができる。
一例では、情報処理装置は、複数組の教師データに含まれる第２の複数組の教師データ
を用いて、推定モデルを生成（更新）することができる。第２の複数組の教師データに含
まれる各組の教師データは、その組に対応するサンプルユーザのサンプル行動データと、
その組に対応するサンプルユーザのサンプル睡眠状態データと、を含むことができる。こ
こで、各組の教師データにおけるサンプル睡眠状態データは、その組に対応するサンプル
ユーザのサンプル睡眠カテゴリーデータを含むことができる。
【0081】
この場合、情報処理装置は、第２の複数組の教師データ（各組の教師データが、その組
に対応するサンプルユーザのサンプル行動データと、そのサンプルユーザのサンプル睡眠
カテゴリーデータと、を含む）を、学習モデルに入力して推定モデルを生成（更新）する
ことができる。このような推定モデルは、後述するように、説明変数として、対象ユーザ
により実行された行動の履歴を識別する対象行動データを入力することに応答して、対象
ユーザが属する睡眠カテゴリーを識別する対象睡眠カテゴリーデータを、少なくとも出力
することができるようになる。
に対応するサンプルユーザのサンプル行動データと、そのサンプルユーザのサンプル睡眠
カテゴリーデータと、を含む）を、学習モデルに入力して推定モデルを生成（更新）する
ことができる。このような推定モデルは、後述するように、説明変数として、対象ユーザ
により実行された行動の履歴を識別する対象行動データを入力することに応答して、対象
ユーザが属する睡眠カテゴリーを識別する対象睡眠カテゴリーデータを、少なくとも出力
することができるようになる。
【0082】
（２Ｄ）複数組の教師データに含まれる第３の複数組の教師データ
一例では、情報処理装置は、複数組の教師データに含まれる第３の複数組の教師データ
を用いて、推定モデルを生成（更新）することができる。第３の複数組の教師データに含
まれる各組の教師データは、その組に対応するサンプルユーザのサンプル行動データと、
その組に対応するサンプルユーザのサンプル睡眠状態データと、を含むことができる。こ
こで、各組の教師データにおけるサンプル睡眠状態データは、その組に対応するサンプル
ユーザのサンプル性質データと、そのサンプルユーザのサンプルリズムデータと、を含む
ことができる。
一例では、情報処理装置は、複数組の教師データに含まれる第３の複数組の教師データ
を用いて、推定モデルを生成（更新）することができる。第３の複数組の教師データに含
まれる各組の教師データは、その組に対応するサンプルユーザのサンプル行動データと、
その組に対応するサンプルユーザのサンプル睡眠状態データと、を含むことができる。こ
こで、各組の教師データにおけるサンプル睡眠状態データは、その組に対応するサンプル
ユーザのサンプル性質データと、そのサンプルユーザのサンプルリズムデータと、を含む
ことができる。
【0083】
この場合、情報処理装置は、第３の複数組の教師データ（各組の教師データが、その組
に対応するサンプルユーザのサンプル行動データと、そのサンプルユーザのサンプル性質
データと、そのサンプルユーザのサンプルリズムデータと、を含む）を、学習モデルに入
力して推定モデルを生成（更新）することができる。このような推定モデルは、後述する
ように、説明変数として、対象ユーザにより実行された行動の履歴を識別する対象行動デ
ータを入力することに応答して、対象ユーザの睡眠の性質を識別する対象性質データと、
この対象ユーザの睡眠のリズムを識別する対象リズムデータとを、少なくとも出力するこ
とができるようになる。
に対応するサンプルユーザのサンプル行動データと、そのサンプルユーザのサンプル性質
データと、そのサンプルユーザのサンプルリズムデータと、を含む）を、学習モデルに入
力して推定モデルを生成（更新）することができる。このような推定モデルは、後述する
ように、説明変数として、対象ユーザにより実行された行動の履歴を識別する対象行動デ
ータを入力することに応答して、対象ユーザの睡眠の性質を識別する対象性質データと、
この対象ユーザの睡眠のリズムを識別する対象リズムデータとを、少なくとも出力するこ
とができるようになる。
【0084】
（２Ｅ）複数組の教師データに含まれる第４の複数組の教師データ
一例では、情報処理装置は、複数組の教師データに含まれる第４の複数組の教師データ
を用いて、推定モデルを生成（更新）することができる。第４の複数組の教師データに含
まれる各組の教師データは、その組に対応するサンプルユーザのサンプル行動データと、
その組に対応するサンプルユーザのサンプル睡眠状態データと、を含むことができる。こ
こで、各組の教師データにおけるサンプル睡眠状態データは、その組に対応するサンプル
ユーザのサンプル性質データを含むことができる。
一例では、情報処理装置は、複数組の教師データに含まれる第４の複数組の教師データ
を用いて、推定モデルを生成（更新）することができる。第４の複数組の教師データに含
まれる各組の教師データは、その組に対応するサンプルユーザのサンプル行動データと、
その組に対応するサンプルユーザのサンプル睡眠状態データと、を含むことができる。こ
こで、各組の教師データにおけるサンプル睡眠状態データは、その組に対応するサンプル
ユーザのサンプル性質データを含むことができる。
【0085】
この場合、情報処理装置は、第４の複数組の教師データ（各組の教師データが、その組
に対応するサンプルユーザのサンプル行動データと、そのサンプルユーザのサンプル性質
データと、を含む）を、学習モデルに入力して推定モデルを生成（更新）することができ
る。このような推定モデルは、後述するように、説明変数として、対象ユーザにより実行
された行動の履歴を識別する対象行動データを入力することに応答して、対象ユーザの睡
眠の性質を識別する対象性質データを、少なくとも出力することができるようになる。
に対応するサンプルユーザのサンプル行動データと、そのサンプルユーザのサンプル性質
データと、を含む）を、学習モデルに入力して推定モデルを生成（更新）することができ
る。このような推定モデルは、後述するように、説明変数として、対象ユーザにより実行
された行動の履歴を識別する対象行動データを入力することに応答して、対象ユーザの睡
眠の性質を識別する対象性質データを、少なくとも出力することができるようになる。
【0086】
（２Ｆ）複数組の教師データに含まれる第５の複数組の教師データ
一例では、情報処理装置は、複数組の教師データに含まれる第５の複数組の教師データ
を用いて、推定モデルを生成（更新）することができる。第５の複数組の教師データに含
まれる各組の教師データは、その組に対応するサンプルユーザのサンプル行動データと、
その組に対応するサンプルユーザのサンプル睡眠状態データと、を含むことができる。こ
こで、各組の教師データにおけるサンプル睡眠状態データは、その組に対応するサンプル
ユーザのサンプルリズムデータを含むことができる。
一例では、情報処理装置は、複数組の教師データに含まれる第５の複数組の教師データ
を用いて、推定モデルを生成（更新）することができる。第５の複数組の教師データに含
まれる各組の教師データは、その組に対応するサンプルユーザのサンプル行動データと、
その組に対応するサンプルユーザのサンプル睡眠状態データと、を含むことができる。こ
こで、各組の教師データにおけるサンプル睡眠状態データは、その組に対応するサンプル
ユーザのサンプルリズムデータを含むことができる。
【0087】
この場合、情報処理装置は、第５の複数組の教師データ（各組の教師データが、その組
に対応するサンプルユーザのサンプル行動データと、そのサンプルユーザのサンプルリズ
ムデータと、を含む）を、学習モデルに入力して推定モデルを生成（更新）することがで
きる。このような推定モデルは、後述するように、説明変数として、対象ユーザにより実
行された行動の履歴を識別する対象行動データを入力することに応答して、対象ユーザの
睡眠のリズムを識別する対象リズムデータを、少なくとも出力することができるようにな
る。
に対応するサンプルユーザのサンプル行動データと、そのサンプルユーザのサンプルリズ
ムデータと、を含む）を、学習モデルに入力して推定モデルを生成（更新）することがで
きる。このような推定モデルは、後述するように、説明変数として、対象ユーザにより実
行された行動の履歴を識別する対象行動データを入力することに応答して、対象ユーザの
睡眠のリズムを識別する対象リズムデータを、少なくとも出力することができるようにな
る。
【0088】
（２Ｇ）複数組の教師データに含まれる第６の複数組の教師データ
一例では、情報処理装置は、複数組の教師データに含まれる第５の複数組の教師データ
を用いて、推定モデルを生成（更新）することができる。第６の複数組の教師データに含
まれる各組の教師データは、その組に対応するサンプルユーザのサンプル行動データと、
その組に対応するサンプルユーザのサンプル睡眠状態データと、を含むことができる。こ
こで、各組の教師データにおけるサンプル睡眠状態データは、その組に対応するサンプル
ユーザのサンプル時間データを含むことができる。
一例では、情報処理装置は、複数組の教師データに含まれる第５の複数組の教師データ
を用いて、推定モデルを生成（更新）することができる。第６の複数組の教師データに含
まれる各組の教師データは、その組に対応するサンプルユーザのサンプル行動データと、
その組に対応するサンプルユーザのサンプル睡眠状態データと、を含むことができる。こ
こで、各組の教師データにおけるサンプル睡眠状態データは、その組に対応するサンプル
ユーザのサンプル時間データを含むことができる。
【0089】
この場合、情報処理装置は、第６の複数組の教師データ（各組の教師データが、その組
に対応するサンプルユーザのサンプル行動データと、そのサンプルユーザのサンプル時間
データと、を含む）を、学習モデルに入力して推定モデルを生成（更新）することができ
る。このような推定モデルは、後述するように、説明変数として、対象ユーザにより実行
された行動の履歴を識別する対象行動データを入力することに応答して、対象ユーザの睡
眠時間を識別する対象時間データを、少なくとも出力することができるようになる。
に対応するサンプルユーザのサンプル行動データと、そのサンプルユーザのサンプル時間
データと、を含む）を、学習モデルに入力して推定モデルを生成（更新）することができ
る。このような推定モデルは、後述するように、説明変数として、対象ユーザにより実行
された行動の履歴を識別する対象行動データを入力することに応答して、対象ユーザの睡
眠時間を識別する対象時間データを、少なくとも出力することができるようになる。
【0090】
このような推定モデルの生成（更新）は、推定サービス等を運営する企業により管理さ
れるサーバ装置１０Ａ（及び／又は端末装置２０）に代えて、又は、推定サービス等を運
営する企業により管理されるサーバ装置１０Ａ（及び／又は端末装置２０）とともに、他
の企業により管理される他のサーバ装置１０（及び／又は端末装置２０）により実行され
得る。当該他のサーバ装置１０（端末装置２０）により生成（更新）された推定モデルは
、サーバ装置１０Ａを含む任意のサーバ装置１０に対して送信され得るし、或いはまた、
サーバ装置１０Ａを含む任意のサーバ装置１０によりアクセス及び利用され得る。
れるサーバ装置１０Ａ（及び／又は端末装置２０）に代えて、又は、推定サービス等を運
営する企業により管理されるサーバ装置１０Ａ（及び／又は端末装置２０）とともに、他
の企業により管理される他のサーバ装置１０（及び／又は端末装置２０）により実行され
得る。当該他のサーバ装置１０（端末装置２０）により生成（更新）された推定モデルは
、サーバ装置１０Ａを含む任意のサーバ装置１０に対して送信され得るし、或いはまた、
サーバ装置１０Ａを含む任意のサーバ装置１０によりアクセス及び利用され得る。
【0091】
なお、「複数組の教師データ」の直前に付された「第１の」～「第６の」という名称は
、これらの名称のうちの或る名称を付した「複数組の教師データ」と、これらの名称のう
ちの別の名称を付した「複数組の教師データ」と、を区別するために便宜上用いられたも
のであって、何らかの順序又は内容等を限定するものではない。
、これらの名称のうちの或る名称を付した「複数組の教師データ」と、これらの名称のう
ちの別の名称を付した「複数組の教師データ」と、を区別するために便宜上用いられたも
のであって、何らかの順序又は内容等を限定するものではない。
【0092】
（３）ステップ１００４
再度図３を参照すると、次に、ＳＴ１００４において、情報処理装置である、例えば、
推定サービス等を運営する企業により管理されるサーバ装置１０Ａ（及び／又は端末装置
２０）は、例えば、特定のアプリケーション（推定サービス等の提供を受けるためのアプ
リケーション等）を実行してこのサーバ装置１０Ａにアクセスしてきた端末装置２０（又
は他のサーバ装置１０）から、及び／又は、ブラウザを実行してこのサーバ装置１０Ａに
アクセスしてきた端末装置２０から、推定対象となる対象ユーザにより実行された行動の
履歴を識別する対象行動データを、取得することができる。この対象行動データは、対象
ユーザにより実行された少なくとも１つの（１つの又は複数の）行動を識別するデータで
あり得る。
再度図３を参照すると、次に、ＳＴ１００４において、情報処理装置である、例えば、
推定サービス等を運営する企業により管理されるサーバ装置１０Ａ（及び／又は端末装置
２０）は、例えば、特定のアプリケーション（推定サービス等の提供を受けるためのアプ
リケーション等）を実行してこのサーバ装置１０Ａにアクセスしてきた端末装置２０（又
は他のサーバ装置１０）から、及び／又は、ブラウザを実行してこのサーバ装置１０Ａに
アクセスしてきた端末装置２０から、推定対象となる対象ユーザにより実行された行動の
履歴を識別する対象行動データを、取得することができる。この対象行動データは、対象
ユーザにより実行された少なくとも１つの（１つの又は複数の）行動を識別するデータで
あり得る。
【0093】
このような対象行動データの取得は、推定サービス等を運営する企業により管理される
サーバ装置１０Ａ（及び／又は端末装置２０）に代えて、又は、推定サービス等を運営す
る企業により管理されるサーバ装置１０Ａ（及び／又は端末装置２０）とともに、他の企
業により管理される他のサーバ装置１０（及び／又は端末装置２０）により実行され得る
。
サーバ装置１０Ａ（及び／又は端末装置２０）に代えて、又は、推定サービス等を運営す
る企業により管理されるサーバ装置１０Ａ（及び／又は端末装置２０）とともに、他の企
業により管理される他のサーバ装置１０（及び／又は端末装置２０）により実行され得る
。
【0094】
（４）ステップ１００６
次に、ＳＴ１００６において、情報処理装置である、例えば、推定サービス等を運営す
る企業により管理されるサーバ装置１０Ａ（及び／又は端末装置２０）は、ＳＴ１００４
において取得された対象行動データ、及び、ＳＴ１００２において生成された推定モデル
を用いて、対象ユーザの睡眠の状態を識別する対象睡眠状態データを取得することができ
る。具体的には、サーバ装置１０Ａは、説明変数としての対象行動データを、推定モデル
に入力することにより、推定モデルから、目的変数としての対象睡眠状態データを出力さ
せることができる。
次に、ＳＴ１００６において、情報処理装置である、例えば、推定サービス等を運営す
る企業により管理されるサーバ装置１０Ａ（及び／又は端末装置２０）は、ＳＴ１００４
において取得された対象行動データ、及び、ＳＴ１００２において生成された推定モデル
を用いて、対象ユーザの睡眠の状態を識別する対象睡眠状態データを取得することができ
る。具体的には、サーバ装置１０Ａは、説明変数としての対象行動データを、推定モデル
に入力することにより、推定モデルから、目的変数としての対象睡眠状態データを出力さ
せることができる。
【0095】
対象睡眠状態データは、以下に示すデータのうちの少なくとも１つを含むことができる
。
・対象ユーザの睡眠の性質を識別するデータ（「対象性質データ」）
・対象ユーザの睡眠のリズムを識別するデータ（「対象リズムデータ」）
・対象ユーザの睡眠時間を識別するデータ（「対象時間データ」）
・対象ユーザ（の睡眠）が属する睡眠カテゴリーを識別するデータ（「対象睡眠カテゴ
リーデータ」）
。
・対象ユーザの睡眠の性質を識別するデータ（「対象性質データ」）
・対象ユーザの睡眠のリズムを識別するデータ（「対象リズムデータ」）
・対象ユーザの睡眠時間を識別するデータ（「対象時間データ」）
・対象ユーザ（の睡眠）が属する睡眠カテゴリーを識別するデータ（「対象睡眠カテゴ
リーデータ」）
【0096】
推定モデルが、対象睡眠状態データとしていずれのデータを出力するかは、この推定モ
デルの生成（更新）の際に、サンプル睡眠状態データとしていずれのデータが用いられた
かに依存し得る。
デルの生成（更新）の際に、サンプル睡眠状態データとしていずれのデータが用いられた
かに依存し得る。
【0097】
例えば、推定モデルの生成（更新）の際に、サンプル睡眠状態データとして、第１の複
数組の教師データが用いられた場合（上記「４（２）（２Ｂ）」項）には、推定モデルは
、対象睡眠状態データとして、対象睡眠カテゴリーデータを、少なくとも出力することが
できる。
数組の教師データが用いられた場合（上記「４（２）（２Ｂ）」項）には、推定モデルは
、対象睡眠状態データとして、対象睡眠カテゴリーデータを、少なくとも出力することが
できる。
【0098】
例えば、推定モデルの生成（更新）の際に、サンプル睡眠状態データとして、第２の複
数組の教師データが用いられた場合（上記「４（２）（２Ｃ）」項）には、推定モデルは
、対象睡眠状態データとして、対象睡眠カテゴリーデータを、少なくとも出力することが
できる。
数組の教師データが用いられた場合（上記「４（２）（２Ｃ）」項）には、推定モデルは
、対象睡眠状態データとして、対象睡眠カテゴリーデータを、少なくとも出力することが
できる。
【0099】
例えば、推定モデルの生成（更新）の際に、サンプル睡眠状態データとして、第３の複
数組の教師データが用いられた場合（上記「４（２）（２Ｄ）」項）には、推定モデルは
、対象睡眠状態データとして、対象性質データ及び対象リズムデータを、少なくとも出力
することができる。
数組の教師データが用いられた場合（上記「４（２）（２Ｄ）」項）には、推定モデルは
、対象睡眠状態データとして、対象性質データ及び対象リズムデータを、少なくとも出力
することができる。
【0100】
例えば、推定モデルの生成（更新）の際に、サンプル睡眠状態データとして、第４の複
数組の教師データが用いられた場合（上記「４（２）（２Ｅ）」項）には、推定モデルは
、対象睡眠状態データとして、対象性質データを、少なくとも出力することができる。
数組の教師データが用いられた場合（上記「４（２）（２Ｅ）」項）には、推定モデルは
、対象睡眠状態データとして、対象性質データを、少なくとも出力することができる。
【0101】
例えば、推定モデルの生成（更新）の際に、サンプル睡眠状態データとして、第５の複
数組の教師データが用いられた場合（上記「４（２）（２Ｆ）」項）には、推定モデルは
、対象睡眠状態データとして、対象リズムデータを、少なくとも出力することができる。
数組の教師データが用いられた場合（上記「４（２）（２Ｆ）」項）には、推定モデルは
、対象睡眠状態データとして、対象リズムデータを、少なくとも出力することができる。
【0102】
例えば、推定モデルの生成（更新）の際に、サンプル睡眠状態データとして、第６の複
数組の教師データが用いられた場合（上記「４（２）（２Ｇ）」項）には、推定モデルは
、対象睡眠状態データとして、対象時間データを、少なくとも出力することができる。
数組の教師データが用いられた場合（上記「４（２）（２Ｇ）」項）には、推定モデルは
、対象睡眠状態データとして、対象時間データを、少なくとも出力することができる。
【0103】
例えば、サンプル睡眠状態データとして、第１の複数組の教師データを用いて推定モデ
ルの生成（更新）が行われ（上記「４（２）（２Ｂ）」項）、その後に、サンプル睡眠状
態データとして、第６の複数組の教師データを用いて推定モデルの生成（更新）が行われ
た（上記「４（２）（２Ｇ）」項）場合には、推定モデルは、対象睡眠状態データとして
、対象睡眠カテゴリーデータ及び対象時間データを、少なくとも出力することができる。
さらにこの後に、サンプル睡眠状態データとして、第５の複数組の教師データを用いて推
定モデルの生成（更新）が行われた（上記「４（２）（２Ｆ）」項）場合には、推定モデ
ルは、対象睡眠状態データとして、対象睡眠カテゴリーデータ、対象時間データ及び対象
リズムデータを、少なくとも出力することができる。
ルの生成（更新）が行われ（上記「４（２）（２Ｂ）」項）、その後に、サンプル睡眠状
態データとして、第６の複数組の教師データを用いて推定モデルの生成（更新）が行われ
た（上記「４（２）（２Ｇ）」項）場合には、推定モデルは、対象睡眠状態データとして
、対象睡眠カテゴリーデータ及び対象時間データを、少なくとも出力することができる。
さらにこの後に、サンプル睡眠状態データとして、第５の複数組の教師データを用いて推
定モデルの生成（更新）が行われた（上記「４（２）（２Ｆ）」項）場合には、推定モデ
ルは、対象睡眠状態データとして、対象睡眠カテゴリーデータ、対象時間データ及び対象
リズムデータを、少なくとも出力することができる。
【0104】
推定モデルの利用方法としては、以下に例示する方法のうちのいずれかを用いることが
可能である。
・サーバ装置１０Ａは、ＳＴ１００４において生成された推定モデルを取得及び保持し
ており、この推定モデルに対象行動データを入力し、この推定モデルから出力される対象
睡眠状態データを取得する。
・サーバ装置１０Ａは、ＳＴ１００４において生成された推定モデルを取得及び保持す
る外部の装置（他のいずれかサーバ装置１０又はいずれかの端末装置２０）に対して、通
信網２を介して対象行動データを送信することにより、この対象行動データを説明変数と
して入力した上記推定モデルに対象睡眠状態データを出力させる。この後、サーバ装置１
０Ａは、この推定モデルにより出力された対象睡眠状態データを、上記外部の装置から通
信網２を介して受信する。
可能である。
・サーバ装置１０Ａは、ＳＴ１００４において生成された推定モデルを取得及び保持し
ており、この推定モデルに対象行動データを入力し、この推定モデルから出力される対象
睡眠状態データを取得する。
・サーバ装置１０Ａは、ＳＴ１００４において生成された推定モデルを取得及び保持す
る外部の装置（他のいずれかサーバ装置１０又はいずれかの端末装置２０）に対して、通
信網２を介して対象行動データを送信することにより、この対象行動データを説明変数と
して入力した上記推定モデルに対象睡眠状態データを出力させる。この後、サーバ装置１
０Ａは、この推定モデルにより出力された対象睡眠状態データを、上記外部の装置から通
信網２を介して受信する。
【0105】
このような対象睡眠状態データの取得は、推定サービス等を運営する企業により管理さ
れるサーバ装置１０Ａ（及び／又は端末装置２０）に代えて、又は、推定サービス等を運
営する企業により管理されるサーバ装置１０Ａ（及び／又は端末装置２０）とともに、他
の企業により管理される他のサーバ装置１０（及び／又は端末装置２０）により実行され
得る。
れるサーバ装置１０Ａ（及び／又は端末装置２０）に代えて、又は、推定サービス等を運
営する企業により管理されるサーバ装置１０Ａ（及び／又は端末装置２０）とともに、他
の企業により管理される他のサーバ装置１０（及び／又は端末装置２０）により実行され
得る。
【0106】
（５）ステップ１００８
次に、ＳＴ１００８において、情報処理装置である、例えば、推定サービス等を運営す
る企業により管理されるサーバ装置１０Ａ（及び／又は端末装置２０）は、ＳＴ１００６
において取得された対象睡眠状態データを用い、この対象睡眠状態データに対応する少な
くとも１つの対象商品／１つの対象サービスを決定することができる。このような対象商
品／対象サービスは、対象睡眠状態データにより識別される対象ユーザの現在の（推定さ
れた）睡眠の状態に適したものであり得る。
次に、ＳＴ１００８において、情報処理装置である、例えば、推定サービス等を運営す
る企業により管理されるサーバ装置１０Ａ（及び／又は端末装置２０）は、ＳＴ１００６
において取得された対象睡眠状態データを用い、この対象睡眠状態データに対応する少な
くとも１つの対象商品／１つの対象サービスを決定することができる。このような対象商
品／対象サービスは、対象睡眠状態データにより識別される対象ユーザの現在の（推定さ
れた）睡眠の状態に適したものであり得る。
【0107】
具体的には、一例では、サーバ装置１０Ａは、まず、対象睡眠状態データと複数の商品
及び／又は複数のサービスとを対応付けて記憶する検索テーブルを用意して記憶すること
ができる。次に、サーバ装置１０Ａは、ＳＴ１００６において取得された対象睡眠状態デ
ータを検索テーブルに入力することにより、この検索テーブルから少なくとも１つの対象
商品及び／又は少なくとも１つの対象サービスを識別するデータ（「提案データ」）を取
得することができる。
及び／又は複数のサービスとを対応付けて記憶する検索テーブルを用意して記憶すること
ができる。次に、サーバ装置１０Ａは、ＳＴ１００６において取得された対象睡眠状態デ
ータを検索テーブルに入力することにより、この検索テーブルから少なくとも１つの対象
商品及び／又は少なくとも１つの対象サービスを識別するデータ（「提案データ」）を取
得することができる。
【0108】
図１１は、図１に示した通信システム１において用いられる検索テーブルの一例を概念
的に示す図である。図１１に例示される検索テーブルは、対象睡眠状態データに含まれ得
る各データ（対象性質データ、対象リズムデータ、対象時間データ及び対象睡眠カテゴリ
ーデータの各々）に対応付けて、提案すべき少なくとも１つの対象商品及び／又は少なく
とも１つの対象サービスを記憶している。
的に示す図である。図１１に例示される検索テーブルは、対象睡眠状態データに含まれ得
る各データ（対象性質データ、対象リズムデータ、対象時間データ及び対象睡眠カテゴリ
ーデータの各々）に対応付けて、提案すべき少なくとも１つの対象商品及び／又は少なく
とも１つの対象サービスを記憶している。
【0109】
この例では、説明の簡略化のために、対象性質データ、対象リズムデータ、対象時間デ
ータ及び対象睡眠カテゴリーデータの各々が示す相互に異なる３つのレベルの各々に対応
付けて、提案すべき少なくとも１つの対象商品及び／又は少なくとも１つの対象サービス
が割り当てられ得る。対象性質データを例に挙げれば、対象性質データが示す、クラスＶ
１（対象ユーザの睡眠の性質が良いクラス）、クラスＶ２（対象ユーザの睡眠の性質が標
準であるクラス）、及び、クラスＶ３（対象ユーザの睡眠の性質が悪いクラス）の各々に
対応付けて、提案すべき少なくとも１つの対象商品及び／又は少なくとも１つの対象サー
ビスが割り当てられ得る。
ータ及び対象睡眠カテゴリーデータの各々が示す相互に異なる３つのレベルの各々に対応
付けて、提案すべき少なくとも１つの対象商品及び／又は少なくとも１つの対象サービス
が割り当てられ得る。対象性質データを例に挙げれば、対象性質データが示す、クラスＶ
１（対象ユーザの睡眠の性質が良いクラス）、クラスＶ２（対象ユーザの睡眠の性質が標
準であるクラス）、及び、クラスＶ３（対象ユーザの睡眠の性質が悪いクラス）の各々に
対応付けて、提案すべき少なくとも１つの対象商品及び／又は少なくとも１つの対象サー
ビスが割り当てられ得る。
【0110】
クラスＷ１～Ｗ３もまた、この順序で、対象ユーザの睡眠のリズムが「良い」、「標準
」、「悪い」を示すものであり得る。クラスＸ１～Ｘ３もまた、この順序で、対象ユーザ
の睡眠時間が「長い」、「標準」、「短い」を示すものであり得る。
」、「悪い」を示すものであり得る。クラスＸ１～Ｘ３もまた、この順序で、対象ユーザ
の睡眠時間が「長い」、「標準」、「短い」を示すものであり得る。
【0111】
クラスＹ１～Ｙ３もまた、この順序で、対象ユーザ（の睡眠）が属する睡眠カテゴリー
が、「良い」、「標準」、「悪い」を示すものであり得る。一例では、クラスＹ１が、図
９に例示された「睡眠カテゴリー２１」に対応し、クラスＹ２が同図における「睡眠カテ
ゴリー２０」又は「睡眠カテゴリー１１」に対応し、クラスＹ３が同図における「睡眠カ
テゴリー１０」に対応する、と考えることもできる。
が、「良い」、「標準」、「悪い」を示すものであり得る。一例では、クラスＹ１が、図
９に例示された「睡眠カテゴリー２１」に対応し、クラスＹ２が同図における「睡眠カテ
ゴリー２０」又は「睡眠カテゴリー１１」に対応し、クラスＹ３が同図における「睡眠カ
テゴリー１０」に対応する、と考えることもできる。
【0112】
図１１に例示された商品Ｐ１～Ｐ１１は、いずれも、ユーザの睡眠の状態を改善させる
のに適した任意の商品を示し、図１１に例示されたサービスＳ１～Ｓ８は、いずれも、ユ
ーザの睡眠の状態を改善させるのに適した任意のサービスを示す。これらの商品は、食品
、日用品、薬品、運動用具、電気製品等を、これらに限定することなく含むことができる
。また、これらのサービスは、病院、クリニック、スポーツジム等を、これらに限定する
ことなく含むことができる。
のに適した任意の商品を示し、図１１に例示されたサービスＳ１～Ｓ８は、いずれも、ユ
ーザの睡眠の状態を改善させるのに適した任意のサービスを示す。これらの商品は、食品
、日用品、薬品、運動用具、電気製品等を、これらに限定することなく含むことができる
。また、これらのサービスは、病院、クリニック、スポーツジム等を、これらに限定する
ことなく含むことができる。
【0113】
サーバ装置１０Ａは、例えば、対象睡眠状態データにおける対象性質データがクラスＶ
３を示す場合には、商品Ｐ４及びサービスＳ１をそれぞれ対象商品及び対象サービスとし
て決定することができる。また、サーバ装置１０Ａは、例えば、対象睡眠状態データが（
クラスＸ２を示す）対象時間データ及び（クラスＷ３を示す）対象リズムデータを含む場
合には、商品Ｐ８を対象商品として、サービスＳ１、Ｓ３、Ｓ４を対象サービスとして決
定することができる。
３を示す場合には、商品Ｐ４及びサービスＳ１をそれぞれ対象商品及び対象サービスとし
て決定することができる。また、サーバ装置１０Ａは、例えば、対象睡眠状態データが（
クラスＸ２を示す）対象時間データ及び（クラスＷ３を示す）対象リズムデータを含む場
合には、商品Ｐ８を対象商品として、サービスＳ１、Ｓ３、Ｓ４を対象サービスとして決
定することができる。
【0114】
なお、対象睡眠状態データに含まれる各データについて、用いられるクラスの総数、各
クラスに割り当てられる商品及び／又はサービスの総数等は、任意に定められ得る。
クラスに割り当てられる商品及び／又はサービスの総数等は、任意に定められ得る。
【0115】
別の例では、サーバ装置１０Ａは、教師あり学習（機械学習）を実行することにより生
成された別の推定モデルを用いて、少なくとも１つの対象商品及び／又は少なくとも１つ
の対象サービスを決定することも可能である。当該別の推定モデルは、対象睡眠状態デー
タに含まれる各データの各クラスを示すデータを、説明変数とし、少なくとも１つの対象
商品及び／又は少なくとも１つの対象サービスを示すデータを、目的変数として、教師あ
り学習を実行することにより、生成（更新）され得る。
成された別の推定モデルを用いて、少なくとも１つの対象商品及び／又は少なくとも１つ
の対象サービスを決定することも可能である。当該別の推定モデルは、対象睡眠状態デー
タに含まれる各データの各クラスを示すデータを、説明変数とし、少なくとも１つの対象
商品及び／又は少なくとも１つの対象サービスを示すデータを、目的変数として、教師あ
り学習を実行することにより、生成（更新）され得る。
【0116】
当該別の推定モデルを学習させるための機械学習は、例えば、上記「２Ａ」項において
述べたとおり、任意の周知の機械学習、例えば、勾配ブースティング木（例えばＬｉｇｈ
ｔＧＢＭ）、ニューラルネットワーク又は線形回帰等を、これらに限定することなく含み
得る。
述べたとおり、任意の周知の機械学習、例えば、勾配ブースティング木（例えばＬｉｇｈ
ｔＧＢＭ）、ニューラルネットワーク又は線形回帰等を、これらに限定することなく含み
得る。
【0117】
サーバ装置１０Ａは、当該別の推定モデルに対象睡眠状態データを入力することにより
、当該別の推定モデルから、少なくとも１つの対象商品及び／又は少なくとも１つの対象
サービスを識別するデータ（「提案データ」）を出力することができる。
、当該別の推定モデルから、少なくとも１つの対象商品及び／又は少なくとも１つの対象
サービスを識別するデータ（「提案データ」）を出力することができる。
【0118】
当該別の推定モデルの利用方法としては、以下に例示する方法のうちのいずれかを用い
ることが可能である。
・サーバ装置１０Ａは、生成された当該別の推定モデルを取得及び保持しており、当該
別の推定モデルに対象睡眠状態データを入力し、当該別の推定モデルから出力される提案
データを取得する。
・サーバ装置１０Ａは、生成された当該別の推定モデルを取得及び保持する外部の装置
（他のいずれかサーバ装置１０又はいずれかの端末装置２０）に対して、通信網２を介し
て対象睡眠状態データを送信することにより、この対象睡眠状態データを説明変数として
入力した当該別の推定モデルに提案データを出力させる。この後、サーバ装置１０Ａは、
当該別の推定モデルにより出力された提案データを、上記外部の装置から通信網２を介し
て受信する。
ることが可能である。
・サーバ装置１０Ａは、生成された当該別の推定モデルを取得及び保持しており、当該
別の推定モデルに対象睡眠状態データを入力し、当該別の推定モデルから出力される提案
データを取得する。
・サーバ装置１０Ａは、生成された当該別の推定モデルを取得及び保持する外部の装置
（他のいずれかサーバ装置１０又はいずれかの端末装置２０）に対して、通信網２を介し
て対象睡眠状態データを送信することにより、この対象睡眠状態データを説明変数として
入力した当該別の推定モデルに提案データを出力させる。この後、サーバ装置１０Ａは、
当該別の推定モデルにより出力された提案データを、上記外部の装置から通信網２を介し
て受信する。
【0119】
このような提案データの取得は、推定サービス等を運営する企業により管理されるサー
バ装置１０Ａ（及び／又は端末装置２０）に代えて、又は、推定サービス等を運営する企
業により管理されるサーバ装置１０Ａ（及び／又は端末装置２０）とともに、他の企業に
より管理される他のサーバ装置１０（及び／又は端末装置２０）により実行され得る。
バ装置１０Ａ（及び／又は端末装置２０）に代えて、又は、推定サービス等を運営する企
業により管理されるサーバ装置１０Ａ（及び／又は端末装置２０）とともに、他の企業に
より管理される他のサーバ装置１０（及び／又は端末装置２０）により実行され得る。
【0120】
（６）ステップ１０１０
再度図３を参照すると、次に、情報処理装置である、例えば、推定サービス等を運営す
る企業により管理されるサーバ装置１０Ａ（及び／又は端末装置２０）は、ＳＴ１００８
において取得された提案データを、企業ユーザ及び／又は個人ユーザにより管理される少
なくとも１つの端末装置２０（他のサーバ装置１０であってもよい）に対して、通信網２
を介して提供（送信）することができる。ここでいう「個人ユーザ」は「対象ユーザ」を
含み得る。
再度図３を参照すると、次に、情報処理装置である、例えば、推定サービス等を運営す
る企業により管理されるサーバ装置１０Ａ（及び／又は端末装置２０）は、ＳＴ１００８
において取得された提案データを、企業ユーザ及び／又は個人ユーザにより管理される少
なくとも１つの端末装置２０（他のサーバ装置１０であってもよい）に対して、通信網２
を介して提供（送信）することができる。ここでいう「個人ユーザ」は「対象ユーザ」を
含み得る。
【0121】
提案データの提供は、ウェブページ、電子メール、チャット、電子ファイル、記録媒体
（ＵＳＢメモリ、ＣＤ－ＲＯＭ等）、及び／又は、紙媒体等を含む任意の手段により、企
業ユーザ及び／又は個人ユーザにより管理される少なくとも１つの端末装置２０（他のサ
ーバ装置１０であってもよい）に対して提供され得る。
（ＵＳＢメモリ、ＣＤ－ＲＯＭ等）、及び／又は、紙媒体等を含む任意の手段により、企
業ユーザ及び／又は個人ユーザにより管理される少なくとも１つの端末装置２０（他のサ
ーバ装置１０であってもよい）に対して提供され得る。
【0122】
このような提案データの提供は、推定サービス等を運営する企業により管理されるサー
バ装置１０Ａ（及び／又は端末装置２０）に代えて、又は、推定サービス等を運営する企
業により管理されるサーバ装置１０Ａ（及び／又は端末装置２０）とともに、他の企業に
より管理される他のサーバ装置１０（及び／又は端末装置２０）により実行され得る。
バ装置１０Ａ（及び／又は端末装置２０）に代えて、又は、推定サービス等を運営する企
業により管理されるサーバ装置１０Ａ（及び／又は端末装置２０）とともに、他の企業に
より管理される他のサーバ装置１０（及び／又は端末装置２０）により実行され得る。
【0123】
５．変形例
上述した様々な例では、サンプル性質データ、サンプルリズムデータ、サンプル時間デ
ータ及びサンプル睡眠カテゴリーデータを、目的変数として、推定モデルを生成及び利用
する場合について説明した。別の例では、サンプル性質データ、サンプルリズムデータ、
サンプル時間データ及びサンプル睡眠カテゴリーデータのうちの少なくとも１つ（最大３
つ）を、目的変数ではなく説明変数として用いて、推定モデルを生成及び利用することも
可能である。
上述した様々な例では、サンプル性質データ、サンプルリズムデータ、サンプル時間デ
ータ及びサンプル睡眠カテゴリーデータを、目的変数として、推定モデルを生成及び利用
する場合について説明した。別の例では、サンプル性質データ、サンプルリズムデータ、
サンプル時間データ及びサンプル睡眠カテゴリーデータのうちの少なくとも１つ（最大３
つ）を、目的変数ではなく説明変数として用いて、推定モデルを生成及び利用することも
可能である。
【0124】
また、上述した様々な例では、図３に例示された様々なステップ（例えばＳＴ１０００
～ＳＴ１０１０）の実行主体を、主に、推定サービス等を運営する企業により管理される
サーバ装置１０Ａ（及び／又は端末装置２０）とした場合について、説明した。しかし、
図３に例示された様々なステップを、任意の複数のサーバ装置１０及び／又は複数の端末
装置２０に、分担して実行させることも可能である。ここで、任意の複数のサーバ装置１
０及び／又は複数の端末装置２０に、一例では、推定サービス等を運営する企業により管
理されるサーバ装置１０Ａ（及び／又は端末装置２０）が含まれ得るし、別の例では、推
定サービス等を運営する企業により管理されるサーバ装置１０Ａ（及び／又は端末装置２
０）が含まれない。
～ＳＴ１０１０）の実行主体を、主に、推定サービス等を運営する企業により管理される
サーバ装置１０Ａ（及び／又は端末装置２０）とした場合について、説明した。しかし、
図３に例示された様々なステップを、任意の複数のサーバ装置１０及び／又は複数の端末
装置２０に、分担して実行させることも可能である。ここで、任意の複数のサーバ装置１
０及び／又は複数の端末装置２０に、一例では、推定サービス等を運営する企業により管
理されるサーバ装置１０Ａ（及び／又は端末装置２０）が含まれ得るし、別の例では、推
定サービス等を運営する企業により管理されるサーバ装置１０Ａ（及び／又は端末装置２
０）が含まれない。
【0125】
なお、上記「４（４）ステップ１００６」において、対象睡眠状態データに含まれ得る
、対象性質データ、対象リズムデータ、対象時間データ及び対象睡眠カテゴリーデータの
各々の定義が示されている。別の実施形態では、対象睡眠状態データは、上記「４（４）
ステップ１００６」で示したデータに代えて、以下に示すデータのうちの少なくとも１つ
を含むことができる。
・対象ユーザの睡眠の性質を「一意に」識別するデータ（「対象性質データ」）
・対象ユーザの睡眠のリズムを「一意に」識別するデータ（「対象リズムデータ」）
・対象ユーザの睡眠時間を「一意に」識別するデータ（「対象時間データ」）
・対象ユーザ（の睡眠）が属する睡眠カテゴリーを「一意に」識別するデータ（「対象
睡眠カテゴリーデータ」）
、対象性質データ、対象リズムデータ、対象時間データ及び対象睡眠カテゴリーデータの
各々の定義が示されている。別の実施形態では、対象睡眠状態データは、上記「４（４）
ステップ１００６」で示したデータに代えて、以下に示すデータのうちの少なくとも１つ
を含むことができる。
・対象ユーザの睡眠の性質を「一意に」識別するデータ（「対象性質データ」）
・対象ユーザの睡眠のリズムを「一意に」識別するデータ（「対象リズムデータ」）
・対象ユーザの睡眠時間を「一意に」識別するデータ（「対象時間データ」）
・対象ユーザ（の睡眠）が属する睡眠カテゴリーを「一意に」識別するデータ（「対象
睡眠カテゴリーデータ」）
【0126】
ここで、「対象性質データ」が「一意に識別する」とは、この「対象性質データ」以外
の他のデータによらずとも、対象ユーザの睡眠の性質を識別することができる、というこ
とを意味する。すなわち、複数のデータが、協働して対象ユーザの睡眠の性質を識別する
ような場合には、これら複数のデータは、対象ユーザの睡眠の性質を「一意に識別する」
データには該当しない。例えば、第１のデータが、対象ユーザの睡眠の質が「低質である
」ことを示すデータとフラグ「０」とを含み、第２のデータが、対象ユーザの睡眠の質が
「標準である」ことを示すデータとフラグ「０」とを含み、第３のデータが、対象ユーザ
の睡眠の質が「高質である」ことを示すデータとフラグ「１」とを含むケースを考える。
このケースでは、第１のデータ及び第２のデータだけでは、対象ユーザの睡眠の性質を決
定することができない。フラグ「１」を有する第３のデータをチェックすることによって
はじめて、対象ユーザの睡眠の質が「高質である」ことを決定することができる。したが
って、これらのデータは、いずれも、対象ユーザの睡眠の質を「一意に」識別するデータ
ではない。
の他のデータによらずとも、対象ユーザの睡眠の性質を識別することができる、というこ
とを意味する。すなわち、複数のデータが、協働して対象ユーザの睡眠の性質を識別する
ような場合には、これら複数のデータは、対象ユーザの睡眠の性質を「一意に識別する」
データには該当しない。例えば、第１のデータが、対象ユーザの睡眠の質が「低質である
」ことを示すデータとフラグ「０」とを含み、第２のデータが、対象ユーザの睡眠の質が
「標準である」ことを示すデータとフラグ「０」とを含み、第３のデータが、対象ユーザ
の睡眠の質が「高質である」ことを示すデータとフラグ「１」とを含むケースを考える。
このケースでは、第１のデータ及び第２のデータだけでは、対象ユーザの睡眠の性質を決
定することができない。フラグ「１」を有する第３のデータをチェックすることによって
はじめて、対象ユーザの睡眠の質が「高質である」ことを決定することができる。したが
って、これらのデータは、いずれも、対象ユーザの睡眠の質を「一意に」識別するデータ
ではない。
【0127】
「対象リズムデータ」、「対象時間データ」及び「対象睡眠カテゴリーデータ」の各々
の上記定義に含まれる「一意に識別する」という用語についても、同様に考えることがで
きる。
の上記定義に含まれる「一意に識別する」という用語についても、同様に考えることがで
きる。
【0128】
以上説明したように、本件出願に開示された技術によれば、対象ユーザにより実行され
た少なくとも１つの行動の履歴を識別する対象行動データを推定モデルに入力することに
より、この推定モデルから、対象ユーザの現在の（予測された）睡眠の状態を識別する対
象睡眠状態データを取得することができる。さらに、予め用意された複数の対象商品及び
／又は複数の対象サービスのうち、このように取得された対象睡眠状態データに適した少
なくとも１つの対象商品及び／又は少なくとも１つの対象サービスを、対象ユーザの睡眠
状態を改善させるために、対象ユーザを含む任意のユーザに提案することができる。
た少なくとも１つの行動の履歴を識別する対象行動データを推定モデルに入力することに
より、この推定モデルから、対象ユーザの現在の（予測された）睡眠の状態を識別する対
象睡眠状態データを取得することができる。さらに、予め用意された複数の対象商品及び
／又は複数の対象サービスのうち、このように取得された対象睡眠状態データに適した少
なくとも１つの対象商品及び／又は少なくとも１つの対象サービスを、対象ユーザの睡眠
状態を改善させるために、対象ユーザを含む任意のユーザに提案することができる。
【0129】
これにより、対象ユーザにより実行された少なくとも１つの行動の履歴に基づいてこの
対象ユーザの睡眠の状態を推定するために用いられ、少なくとも部分的に向上した性能を
有する、コンピュータプログラム、情報処理装置及び方法を提供することができる。
対象ユーザの睡眠の状態を推定するために用いられ、少なくとも部分的に向上した性能を
有する、コンピュータプログラム、情報処理装置及び方法を提供することができる。
【0130】
６．更年期症状の状態に関する更年期状態データを提供するために通信システム２によ
り実行される動作
次に、更年期症状の状態に関する更年期状態データを提供するために、上述した通信シ
ステム２により実行される動作の具体例について、さらに図１２を参照して説明する。図
１２は、図１に示した通信システム１により実行される動作の別の例を示すフロー図であ
る。
り実行される動作
次に、更年期症状の状態に関する更年期状態データを提供するために、上述した通信シ
ステム２により実行される動作の具体例について、さらに図１２を参照して説明する。図
１２は、図１に示した通信システム１により実行される動作の別の例を示すフロー図であ
る。
【0131】
（１）ステップ１１００
まず、ＳＴ１１００において、情報処理装置である、例えば、推定サービス等を運営す
る企業により管理されるサーバ装置１０Ａが、推定モデルを生成するために用いられる複
数組の教師データを取得して記憶することができる。
まず、ＳＴ１１００において、情報処理装置である、例えば、推定サービス等を運営す
る企業により管理されるサーバ装置１０Ａが、推定モデルを生成するために用いられる複
数組の教師データを取得して記憶することができる。
【0132】
複数組の教師データを構成する各組の教師データは、この組に対応する１人のサンプル
ユーザにより実行された行動の履歴を識別するデータ（「サンプル行動データ」）と、こ
の組に対応する１人のサンプルユーザの更年期症状の状態を識別するデータ（「サンプル
更年期状態データ」）と、を含むことができる。例えば、第１組の教師データは、第１組
に対応する１人のサンプルユーザ（Ｖさん）により実行された行動の履歴を識別するサン
プル行動データと、Ｖさんの更年期症状の状態を識別するサンプル更年期状態データと、
を含むことができ、第２組の教師データは、第２組に対応する１人のサンプルユーザ（Ｗ
さん）により実行された行動の履歴を識別するサンプル行動データと、Ｗさんの更年期症
状の状態を識別するサンプル更年期状態データと、を含むことができる。
ユーザにより実行された行動の履歴を識別するデータ（「サンプル行動データ」）と、こ
の組に対応する１人のサンプルユーザの更年期症状の状態を識別するデータ（「サンプル
更年期状態データ」）と、を含むことができる。例えば、第１組の教師データは、第１組
に対応する１人のサンプルユーザ（Ｖさん）により実行された行動の履歴を識別するサン
プル行動データと、Ｖさんの更年期症状の状態を識別するサンプル更年期状態データと、
を含むことができ、第２組の教師データは、第２組に対応する１人のサンプルユーザ（Ｗ
さん）により実行された行動の履歴を識別するサンプル行動データと、Ｗさんの更年期症
状の状態を識別するサンプル更年期状態データと、を含むことができる。
【0133】
（１Ａ）サンプル行動データ
各サンプル行動データは、予め定められた複数の行動のうちの少なくとも１つの（１つ
の又は複数の）行動を識別するデータであり得る。ここで、予め定められた複数の行動の
各々は、その行動を実行した人間の更年期症状の状態に少なくとも部分的に良い影響又は
悪い影響を与え得る行動であり得る。このような予め定められた複数の行動は、例えば、
以下に例示するものをこれらに限定することなく含むことができる。
（人間の更年期症状の状態に少なくとも部分的に良い影響を与え得る行動の例）
・１週間に２日以上のペースで１時間以上の有酸素運動を行った。
・毎日一定の時間に起床した。
・毎週リラックスする時間を確保した。
・缶ビールを１０本以上購入した（この行動は、例えば、ビールが属する商品カテゴリ
ーとその購入数量とを含むデータにより識別され得る）。
（人間の更年期症状の状態に少なくとも部分的に悪い影響を与え得る行動の例）
・１週間に１日以下のペースで１時間以上の有酸素運動を行った。
・毎日異なる時間に起床した。
・１週間に１日も休まずに仕事をした。
・青汁を５本以上購入した（この行動は、例えば、青汁が属する商品カテゴリーとその
購入数量とを含むデータにより識別され得る）。
各サンプル行動データは、予め定められた複数の行動のうちの少なくとも１つの（１つ
の又は複数の）行動を識別するデータであり得る。ここで、予め定められた複数の行動の
各々は、その行動を実行した人間の更年期症状の状態に少なくとも部分的に良い影響又は
悪い影響を与え得る行動であり得る。このような予め定められた複数の行動は、例えば、
以下に例示するものをこれらに限定することなく含むことができる。
（人間の更年期症状の状態に少なくとも部分的に良い影響を与え得る行動の例）
・１週間に２日以上のペースで１時間以上の有酸素運動を行った。
・毎日一定の時間に起床した。
・毎週リラックスする時間を確保した。
・缶ビールを１０本以上購入した（この行動は、例えば、ビールが属する商品カテゴリ
ーとその購入数量とを含むデータにより識別され得る）。
（人間の更年期症状の状態に少なくとも部分的に悪い影響を与え得る行動の例）
・１週間に１日以下のペースで１時間以上の有酸素運動を行った。
・毎日異なる時間に起床した。
・１週間に１日も休まずに仕事をした。
・青汁を５本以上購入した（この行動は、例えば、青汁が属する商品カテゴリーとその
購入数量とを含むデータにより識別され得る）。
【0134】
各サンプル行動データは、このように例示される予め定められた複数の行動のうち少な
くとも１つの行動の各々を識別するデータであり得る。
くとも１つの行動の各々を識別するデータであり得る。
【0135】
また、一例では、ユーザが購入した商品及び／又はユーザが利用したサービスが、その
ユーザの更年期症状の状態に良い影響又は悪い影響を与える傾向があり得ることから、上
記予め定められた複数の行動は、サンプルユーザが購入した商品（又はその商品が属する
カテゴリー）、サンプルユーザが利用したサービス（又はそのサービスが属するカテゴリ
ー）を含むこともできる。この種の行動は、例えば、小売店舗（ドラッグストア、スーパ
ーマーケット、コンビニエンスストア等）等が保有するＰＯＳ（Ｐｏｉｎｔ Ｏｆ Ｓａｌ
ｅｓ）データを利用して生成され得る。
ユーザの更年期症状の状態に良い影響又は悪い影響を与える傾向があり得ることから、上
記予め定められた複数の行動は、サンプルユーザが購入した商品（又はその商品が属する
カテゴリー）、サンプルユーザが利用したサービス（又はそのサービスが属するカテゴリ
ー）を含むこともできる。この種の行動は、例えば、小売店舗（ドラッグストア、スーパ
ーマーケット、コンビニエンスストア等）等が保有するＰＯＳ（Ｐｏｉｎｔ Ｏｆ Ｓａｌ
ｅｓ）データを利用して生成され得る。
【0136】
一例では、予め定められた複数の行動の各々には、固有の識別データ（英字、数字又は
これらの組み合わせ等）が割り当てられており、各サンプル行動データは、このような識
別データを含むことができる。例えば、ＰＯＳデータを利用する場合には、複数のサンプ
ル行動データの各々は、購入された商品に対応する、ＪＩＣＦＳ分類（分類コード）、商
品カテゴリー、購入金額、購入数量、購入回数、及び／又は、購入日等を、これらに限定
することなく含むことができる。
これらの組み合わせ等）が割り当てられており、各サンプル行動データは、このような識
別データを含むことができる。例えば、ＰＯＳデータを利用する場合には、複数のサンプ
ル行動データの各々は、購入された商品に対応する、ＪＩＣＦＳ分類（分類コード）、商
品カテゴリー、購入金額、購入数量、購入回数、及び／又は、購入日等を、これらに限定
することなく含むことができる。
【0137】
情報処理装置である、例えば、推定サービス等を運営する企業により管理されるサーバ
装置１０Ａは、このようなサンプル行動データを、例えば、以下に例示する方法のうち少
なくとも１つの方法により取得することができる。
・情報処理装置が、通信網２を介して、少なくとも１つの他のサーバ装置１０（例えば
ドラッグストア等に設置されたＰＯＳデータを記憶する他のサーバ装置１０、又は、この
ＰＯＳデータにアクセス可能な他のサーバ装置１０）から、ＰＯＳデータを受信する。
・情報処理装置が、通信網２を介して、所定のアンケート（サンプルユーザにより実行
された行動に関するアンケート）に対する回答を記載したメール又はウェブページを、少
なくとも１つの端末装置２０及び／又は少なくとも１つのサーバ装置１０から受信する。
・情報処理装置が、上記所定のアンケートに対する複数のユーザによる回答を収集した
少なくとも１つのサーバ装置１０から通信網２を介してその回答の内容を受信する。
・情報処理装置が、上記所定のアンケートに対する複数のユーザによる回答を収集した
記録媒体（ＵＳＢメモリ、ＤＶＤ－ＲＯＭ等）を介して、その回答の内容を受信する。
装置１０Ａは、このようなサンプル行動データを、例えば、以下に例示する方法のうち少
なくとも１つの方法により取得することができる。
・情報処理装置が、通信網２を介して、少なくとも１つの他のサーバ装置１０（例えば
ドラッグストア等に設置されたＰＯＳデータを記憶する他のサーバ装置１０、又は、この
ＰＯＳデータにアクセス可能な他のサーバ装置１０）から、ＰＯＳデータを受信する。
・情報処理装置が、通信網２を介して、所定のアンケート（サンプルユーザにより実行
された行動に関するアンケート）に対する回答を記載したメール又はウェブページを、少
なくとも１つの端末装置２０及び／又は少なくとも１つのサーバ装置１０から受信する。
・情報処理装置が、上記所定のアンケートに対する複数のユーザによる回答を収集した
少なくとも１つのサーバ装置１０から通信網２を介してその回答の内容を受信する。
・情報処理装置が、上記所定のアンケートに対する複数のユーザによる回答を収集した
記録媒体（ＵＳＢメモリ、ＤＶＤ－ＲＯＭ等）を介して、その回答の内容を受信する。
【0138】
（１Ｂ）サンプル更年期状態データ
各組の教師データに含まれるサンプル更年期状態データは、以下に例示するデータのう
ちの少なくとも１つを、これに限定することなく、含むことができる。
・その組に対応する１人のサンプルユーザの総合的な状態を識別するデータ（「サンプ
ル総合状態データ」）
・その組に対応する１人のサンプルユーザの第１症状の状態を識別するデータ（「サン
プル第１状態データ」）
・その組に対応する１人のサンプルユーザの第２症状の状態を識別するデータ（「サン
プル第２状態データ」）
各組の教師データに含まれるサンプル更年期状態データは、以下に例示するデータのう
ちの少なくとも１つを、これに限定することなく、含むことができる。
・その組に対応する１人のサンプルユーザの総合的な状態を識別するデータ（「サンプ
ル総合状態データ」）
・その組に対応する１人のサンプルユーザの第１症状の状態を識別するデータ（「サン
プル第１状態データ」）
・その組に対応する１人のサンプルユーザの第２症状の状態を識別するデータ（「サン
プル第２状態データ」）
【0139】
まず第１に、サンプル総合状態データは、そのサンプルユーザの更年期症状の状態が良
いのか（例えばどの程度良いのか）悪いのか（例えばどの程度悪いのか）を識別するデー
タであり得る。一例では、サンプル総合状態データは、そのサンプルユーザの更年期症状
の状態を総合的に評価したスコアを識別するデータであり得る。この場合、そのサンプル
ユーザの更年期症状の状態は、例えば、以下に例示するいずれかの方法で算出されたスコ
アを識別するデータであり得る。
いのか（例えばどの程度良いのか）悪いのか（例えばどの程度悪いのか）を識別するデー
タであり得る。一例では、サンプル総合状態データは、そのサンプルユーザの更年期症状
の状態を総合的に評価したスコアを識別するデータであり得る。この場合、そのサンプル
ユーザの更年期症状の状態は、例えば、以下に例示するいずれかの方法で算出されたスコ
アを識別するデータであり得る。
【0140】
・簡略更年期指数（ＳＭＩ）（図１３参照）に記載された質問事項に対するサンプルユ
ーザの回答内容に基づいて、ＳＭＩに記載された方法で算出されたスコア、又は、このス
コアを任意の手法で演算（加減乗除等）することにより得られた修正スコア
・更年期障害評価尺度（Ｍｅｎｏｐａｕｓｅ Ｒａｔｉｎｇ Ｓｃａｌｅ）に記載された
質問事項に対するサンプルユーザの回答内容に基づいて、更年期障害評価尺度に記載され
た方法で算出されたスコア、又は、このスコアを任意の手法で演算（加減乗除等）するこ
とにより得られた修正スコア
・クッパーマン更年期指数（Ｋｕｐｐｅｒｍａｎ ｉｎｄｅｘ）に記載された質問事項
に対するサンプルユーザの回答内容に基づいて、クッパーマン更年期指数に記載された方
法で算出されたスコア、又は、このスコアを任意の手法で演算（加減乗除等）することに
より得られた修正スコア
・更年期障害評価（Ｇｒｅｅｎ Ｃｌｉｍａｃｔｅｒｉｃ Ｓｃａｌｅ）に記載された質
問事項に対するサンプルユーザの回答内容に基づいて、更年期障害評価に記載された方法
で算出されたスコア、又は、このスコアを任意の手法で演算（加減乗除等）することによ
り得られた修正スコア
・ＰＳＳＴ（Ｐｒｅｍｅｎｓｔｒｕａｌ Ｓｙｍｐｔｏｍｓ Ｓｃｒｅｅｎｉｎｇ Ｔｏ
ｏｌ）に記載された質問事項に対するサンプルユーザの回答内容に基づいて、ＰＳＳＴに
記載された方法で算出されたスコア、又は、このスコアを任意の手法で演算（加減乗除等
）することにより得られた修正スコア
・ＷＨＱ（Ｗｏｍｅｎ’ｓ Ｈｅａｌｔｈ Ｑｕｅｓｔｉｏｎｎａｉｒｅ）に記載された
質問事項に対するサンプルユーザの回答内容に基づいて、ＷＨＱに記載された方法で算出
されたスコア、又は、このスコアを任意の手法で演算（加減乗除等）することにより得ら
れた修正スコア
・ＶＡＳ（Ｖｉｓｕａｌ Ａｎａｌｏｇｕｅ Ｓｃａｌｅ）に記載された質問事項に対す
るサンプルユーザの回答内容に基づいて、ＶＡＳに記載された方法で算出されたスコア、
又は、このスコアを任意の手法で演算（加減乗除等）することにより得られた修正スコア
・ＨＦＲＤＩ（Ｈｏｔ Ｆｌａｓｈ Ｒｅｌａｔｅｄ Ｄａｉｌｙ Ｉｎｔｅｒｆｅｒｅｎ
ｃｅ Ｓｃａｌｅ）に記載された質問事項に対するサンプルユーザの回答内容に基づいて
、ＨＦＲＤＩに記載された方法で算出されたスコア、又は、このスコアを任意の手法で演
算（加減乗除等）することにより得られた修正スコア
・ＨＦＣＳ（Ｈｏｔ Ｆｌａｓｈ Ｃｏｍｐｏｓｉｔｅ Ｓｃｏｒｅ）に記載された質問
事項に対するサンプルユーザの回答内容に基づいて、ＨＦＣＳに記載された方法で算出さ
れたスコア、又は、このスコアを任意の手法で演算（加減乗除等）することにより得られ
た修正スコア
・ＭＥＮＱＯＬ（Ｍｅｎｏｐａｕｓｅ－Ｓｐｅｃｉｆｉｃ Ｑｕａｌｉｔｙ Ｏｆ Ｌｉ
ｆｅ）に記載された質問事項に対するサンプルユーザの回答内容に基づいて、ＭＥＮＱＯ
Ｌに記載された方法で算出されたスコア、又は、このスコアを任意の手法で演算（加減乗
除等）することにより得られた修正スコア
・日本人女性の更年期症状評価表に記載された質問事項に対するサンプルユーザの回答
内容に基づいて、日本人女性の更年期症状評価表に記載された方法で算出されたスコア、
又は、このスコアを任意の手法で演算（加減乗除等）することにより得られた修正スコア
・その他の任意の質問票又は尺度に記載された質問事項に対するサンプルユーザの回答
内容に基づいて、その質問票又は尺度に記載された方法で算出されたスコア、又は、この
スコアを任意の手法で演算することにより得られた修正スコア
ーザの回答内容に基づいて、ＳＭＩに記載された方法で算出されたスコア、又は、このス
コアを任意の手法で演算（加減乗除等）することにより得られた修正スコア
・更年期障害評価尺度（Ｍｅｎｏｐａｕｓｅ Ｒａｔｉｎｇ Ｓｃａｌｅ）に記載された
質問事項に対するサンプルユーザの回答内容に基づいて、更年期障害評価尺度に記載され
た方法で算出されたスコア、又は、このスコアを任意の手法で演算（加減乗除等）するこ
とにより得られた修正スコア
・クッパーマン更年期指数（Ｋｕｐｐｅｒｍａｎ ｉｎｄｅｘ）に記載された質問事項
に対するサンプルユーザの回答内容に基づいて、クッパーマン更年期指数に記載された方
法で算出されたスコア、又は、このスコアを任意の手法で演算（加減乗除等）することに
より得られた修正スコア
・更年期障害評価（Ｇｒｅｅｎ Ｃｌｉｍａｃｔｅｒｉｃ Ｓｃａｌｅ）に記載された質
問事項に対するサンプルユーザの回答内容に基づいて、更年期障害評価に記載された方法
で算出されたスコア、又は、このスコアを任意の手法で演算（加減乗除等）することによ
り得られた修正スコア
・ＰＳＳＴ（Ｐｒｅｍｅｎｓｔｒｕａｌ Ｓｙｍｐｔｏｍｓ Ｓｃｒｅｅｎｉｎｇ Ｔｏ
ｏｌ）に記載された質問事項に対するサンプルユーザの回答内容に基づいて、ＰＳＳＴに
記載された方法で算出されたスコア、又は、このスコアを任意の手法で演算（加減乗除等
）することにより得られた修正スコア
・ＷＨＱ（Ｗｏｍｅｎ’ｓ Ｈｅａｌｔｈ Ｑｕｅｓｔｉｏｎｎａｉｒｅ）に記載された
質問事項に対するサンプルユーザの回答内容に基づいて、ＷＨＱに記載された方法で算出
されたスコア、又は、このスコアを任意の手法で演算（加減乗除等）することにより得ら
れた修正スコア
・ＶＡＳ（Ｖｉｓｕａｌ Ａｎａｌｏｇｕｅ Ｓｃａｌｅ）に記載された質問事項に対す
るサンプルユーザの回答内容に基づいて、ＶＡＳに記載された方法で算出されたスコア、
又は、このスコアを任意の手法で演算（加減乗除等）することにより得られた修正スコア
・ＨＦＲＤＩ（Ｈｏｔ Ｆｌａｓｈ Ｒｅｌａｔｅｄ Ｄａｉｌｙ Ｉｎｔｅｒｆｅｒｅｎ
ｃｅ Ｓｃａｌｅ）に記載された質問事項に対するサンプルユーザの回答内容に基づいて
、ＨＦＲＤＩに記載された方法で算出されたスコア、又は、このスコアを任意の手法で演
算（加減乗除等）することにより得られた修正スコア
・ＨＦＣＳ（Ｈｏｔ Ｆｌａｓｈ Ｃｏｍｐｏｓｉｔｅ Ｓｃｏｒｅ）に記載された質問
事項に対するサンプルユーザの回答内容に基づいて、ＨＦＣＳに記載された方法で算出さ
れたスコア、又は、このスコアを任意の手法で演算（加減乗除等）することにより得られ
た修正スコア
・ＭＥＮＱＯＬ（Ｍｅｎｏｐａｕｓｅ－Ｓｐｅｃｉｆｉｃ Ｑｕａｌｉｔｙ Ｏｆ Ｌｉ
ｆｅ）に記載された質問事項に対するサンプルユーザの回答内容に基づいて、ＭＥＮＱＯ
Ｌに記載された方法で算出されたスコア、又は、このスコアを任意の手法で演算（加減乗
除等）することにより得られた修正スコア
・日本人女性の更年期症状評価表に記載された質問事項に対するサンプルユーザの回答
内容に基づいて、日本人女性の更年期症状評価表に記載された方法で算出されたスコア、
又は、このスコアを任意の手法で演算（加減乗除等）することにより得られた修正スコア
・その他の任意の質問票又は尺度に記載された質問事項に対するサンプルユーザの回答
内容に基づいて、その質問票又は尺度に記載された方法で算出されたスコア、又は、この
スコアを任意の手法で演算することにより得られた修正スコア
【0141】
第２に、サンプル第１状態データは、複数の更年期症状のうちそのサンプルユーザの或
る１つの症状の状態が良いのか（例えばどの程度良いのか）悪いのか（例えばどの程度悪
いのか）を識別するデータであり得る。一例では、サンプル第１状態データは、そのサン
プルユーザの上記或る１つの症状の状態を評価したスコアを識別するデータであり得る。
る１つの症状の状態が良いのか（例えばどの程度良いのか）悪いのか（例えばどの程度悪
いのか）を識別するデータであり得る。一例では、サンプル第１状態データは、そのサン
プルユーザの上記或る１つの症状の状態を評価したスコアを識別するデータであり得る。
【0142】
上記複数の更年期症状は、ＳＭＩを例にとれば、「顔がほてる」、「汗をかきやすい」
、「腰や手足が冷えやすい」といったＳＭＩに記載された複数の更年期症状であり得る。
なお、上記複数の更年期症状は、ＳＭＩ以外にも、上記のとおり列挙したいずれかの指数
等に記載された複数の更年期症状であり得る。また、上記或る１つの症状は、このような
複数の更年期症状の中から選択された任意の１つの症状であり得る。
、「腰や手足が冷えやすい」といったＳＭＩに記載された複数の更年期症状であり得る。
なお、上記複数の更年期症状は、ＳＭＩ以外にも、上記のとおり列挙したいずれかの指数
等に記載された複数の更年期症状であり得る。また、上記或る１つの症状は、このような
複数の更年期症状の中から選択された任意の１つの症状であり得る。
【0143】
ＳＭＩを例にとれば、サンプル第１状態データは、一例では、ＳＭＩ（図１３参照）に
記載された質問事項に対するそのサンプルユーザによる回答内容から抽出され得る。この
場合、サンプル第１状態データは、例えば「息切れ、動悸がする」という或る１つの症状
の状態を識別するデータであり、例えば、０、４、８又は１２というスコア（図１３参照
）を識別するデータであり得る。別の例では、サンプル第１状態データは、そのサンプル
ユーザから電子メール又はウェブページ等を介して取得され得る。
記載された質問事項に対するそのサンプルユーザによる回答内容から抽出され得る。この
場合、サンプル第１状態データは、例えば「息切れ、動悸がする」という或る１つの症状
の状態を識別するデータであり、例えば、０、４、８又は１２というスコア（図１３参照
）を識別するデータであり得る。別の例では、サンプル第１状態データは、そのサンプル
ユーザから電子メール又はウェブページ等を介して取得され得る。
【0144】
第３に、サンプル第２状態データは、複数の更年期症状のうちそのサンプルユーザの別
の１つの症状の状態が良いのか（例えばどの程度良いのか）悪いのか（例えばどの程度悪
いのか）を識別するデータであり得る。一例では、サンプル第２状態データは、そのサン
プルユーザの上記別の１つの症状の状態を評価したスコアを識別するデータであり得る。
の１つの症状の状態が良いのか（例えばどの程度良いのか）悪いのか（例えばどの程度悪
いのか）を識別するデータであり得る。一例では、サンプル第２状態データは、そのサン
プルユーザの上記別の１つの症状の状態を評価したスコアを識別するデータであり得る。
【0145】
上記複数の更年期症状は、ＳＭＩを例にとれば、「顔がほてる」、「汗をかきやすい」
、「腰や手足が冷えやすい」といったＳＭＩに記載された複数の更年期症状であり得る。
なお、上記複数の更年期症状は、ＳＭＩ以外にも、上記のとおり列挙したいずれかの指数
等に記載された複数の更年期症状であり得る。また、上記別の１つの症状は、このような
複数の更年期症状の中から選択された任意の１つの症状であり得るが、上記或る１つの症
状とは異なる症状であり得る。
、「腰や手足が冷えやすい」といったＳＭＩに記載された複数の更年期症状であり得る。
なお、上記複数の更年期症状は、ＳＭＩ以外にも、上記のとおり列挙したいずれかの指数
等に記載された複数の更年期症状であり得る。また、上記別の１つの症状は、このような
複数の更年期症状の中から選択された任意の１つの症状であり得るが、上記或る１つの症
状とは異なる症状であり得る。
【0146】
ＳＭＩを例にとれば、サンプル第２状態データは、一例では、ＳＭＩ（図１３参照）に
記載された質問事項に対するそのサンプルユーザによる回答内容から抽出され得る。この
場合、サンプル第２状態データは、例えば「疲れやすい」という別の１つの症状の状態を
識別するデータであり、例えば、０、２、４又は７というスコア（図１３参照）を識別す
るデータであり得る。別の例では、サンプル第２状態データは、そのサンプルユーザから
電子メール又はウェブページ等を介して取得され得る。
記載された質問事項に対するそのサンプルユーザによる回答内容から抽出され得る。この
場合、サンプル第２状態データは、例えば「疲れやすい」という別の１つの症状の状態を
識別するデータであり、例えば、０、２、４又は７というスコア（図１３参照）を識別す
るデータであり得る。別の例では、サンプル第２状態データは、そのサンプルユーザから
電子メール又はウェブページ等を介して取得され得る。
【0147】
情報処理装置である、例えば、推定サービス等を運営する企業により管理されるサーバ
装置１０Ａ（及び／又は端末装置２０）は、サンプルユーザごとに、このようなサンプル
行動データとサンプル更年期状態データとを組み合わせて、そのサンプルユーザについて
、１組の教師データを生成して記憶することができる。これを実現するために、例えば、
情報処理装置は、取得した複数のサンプル行動データの中から、或るサンプルユーザを識
別する識別データが付されたサンプル行動データを抽出し、取得した複数のサンプル更年
期状態データの中からこれと同一のサンプルユーザを識別する識別データが付されたサン
プル更年期状態データを抽出し、これらを組み合わせて、このサンプルユーザについての
１組の教師データを生成して保存することができる。同様の処理を複数のサンプルユーザ
の各々について実行することにより、情報処理装置は、複数組の教師データを生成して保
存することができる。
装置１０Ａ（及び／又は端末装置２０）は、サンプルユーザごとに、このようなサンプル
行動データとサンプル更年期状態データとを組み合わせて、そのサンプルユーザについて
、１組の教師データを生成して記憶することができる。これを実現するために、例えば、
情報処理装置は、取得した複数のサンプル行動データの中から、或るサンプルユーザを識
別する識別データが付されたサンプル行動データを抽出し、取得した複数のサンプル更年
期状態データの中からこれと同一のサンプルユーザを識別する識別データが付されたサン
プル更年期状態データを抽出し、これらを組み合わせて、このサンプルユーザについての
１組の教師データを生成して保存することができる。同様の処理を複数のサンプルユーザ
の各々について実行することにより、情報処理装置は、複数組の教師データを生成して保
存することができる。
【0148】
（２）ステップ１１０２
図３に戻り、次に、ＳＴ１１０２において、情報処理装置である、例えば、推定サービ
ス等を運営する企業により管理されるサーバ装置１０Ａ（及び／又は端末装置２０）は、
ＳＴ１１００において取得された複数組の教師データを用いて、学習モデルを機械学習に
より学習させることにより、推定モデルを生成することができる。ここでいう機械学習は
、任意の周知の機械学習、例えば、勾配ブースティング木（例えばＬｉｇｈｔＧＢＭ）、
ニューラルネットワーク又は線形回帰等を、これらに限定することなく含み得る。
図３に戻り、次に、ＳＴ１１０２において、情報処理装置である、例えば、推定サービ
ス等を運営する企業により管理されるサーバ装置１０Ａ（及び／又は端末装置２０）は、
ＳＴ１１００において取得された複数組の教師データを用いて、学習モデルを機械学習に
より学習させることにより、推定モデルを生成することができる。ここでいう機械学習は
、任意の周知の機械学習、例えば、勾配ブースティング木（例えばＬｉｇｈｔＧＢＭ）、
ニューラルネットワーク又は線形回帰等を、これらに限定することなく含み得る。
【0149】
（２Ａ）複数組の教師データに含まれる第１の複数組の教師データ
一例では、情報処理装置は、複数組の教師データに含まれる第１の複数組の教師データ
を用いて、推定モデルを生成（更新）することができる。第１の複数組の教師データに含
まれる各組の教師データは、その組に対応するサンプルユーザのサンプル行動データと、
その組に対応するサンプルユーザのサンプル更年期状態データと、を含むことができる。
ここで、各組の教師データにおけるサンプル更年期状態データは、その組に対応するサン
プルユーザのサンプル総合状態データを含むことができる。
一例では、情報処理装置は、複数組の教師データに含まれる第１の複数組の教師データ
を用いて、推定モデルを生成（更新）することができる。第１の複数組の教師データに含
まれる各組の教師データは、その組に対応するサンプルユーザのサンプル行動データと、
その組に対応するサンプルユーザのサンプル更年期状態データと、を含むことができる。
ここで、各組の教師データにおけるサンプル更年期状態データは、その組に対応するサン
プルユーザのサンプル総合状態データを含むことができる。
【0150】
この場合、情報処理装置は、第１の複数組の教師データ（各組の教師データが、その組
に対応するサンプルユーザのサンプル行動データと、そのサンプルユーザのサンプル総合
状態データと、を含む）を、学習モデルに入力して推定モデルを生成（更新）することが
できる。このような推定モデルは、後述するように、説明変数として、対象ユーザにより
実行された行動の履歴を識別する対象行動データを入力することに応答して、対象ユーザ
の総合的な状態を識別する対象総合状態データを、少なくとも出力することができるよう
になる。
に対応するサンプルユーザのサンプル行動データと、そのサンプルユーザのサンプル総合
状態データと、を含む）を、学習モデルに入力して推定モデルを生成（更新）することが
できる。このような推定モデルは、後述するように、説明変数として、対象ユーザにより
実行された行動の履歴を識別する対象行動データを入力することに応答して、対象ユーザ
の総合的な状態を識別する対象総合状態データを、少なくとも出力することができるよう
になる。
【0151】
なお、一実施形態では、各組の教師データにおけるサンプル更年期状態データが、該組
に対応する１人のサンプルユーザの更年期症状の総合的な状態「に対応するスコア」を識
別するものである場合を考える。
に対応する１人のサンプルユーザの更年期症状の総合的な状態「に対応するスコア」を識
別するものである場合を考える。
【0152】
この場合、情報処理装置は、第１の複数組の教師データに含まれる各組の教師データに
ついて、前処理を実行することができる。具体的には、情報処理装置は、各組の教師デー
タについて、この組に対応するサンプル総合状態データにより識別されるスコアを、少な
くとも１つの閾値を用いて、複数のカテゴリーのうちのいずれかのカテゴリーに変換する
、という前処理を実行することができる。例えば、情報処理装置は、１つの閾値（第１閾
値）を用いる場合には、各組に対応するサンプル総合状態データにより識別されるスコア
を、そのスコアが第１閾値以上であるか第１閾値未満であるかに応じて、２つのカテゴリ
ー（「Ｈｉｇｈ」及び「Ｌｏｗ」）のうちのいずれかのカテゴリーに変換することができ
る。或いはまた、例えば、情報処理装置は、２つの閾値（第１閾値、及び、第１閾値より
小さい第２閾値）を用いる場合には、各組に対応するサンプル総合状態データにより識別
されるスコアを、そのスコアが、第１閾値以上であるか、第２閾値以上第１閾値未満であ
るか、第２閾値未満であるかに応じて、３つのカテゴリー（「Ｈｉｇｈ」、「Ｍｉｄｄｌ
ｅ」及び「Ｌｏｗ」）のうちのいずれかのカテゴリーに変換することができる。
ついて、前処理を実行することができる。具体的には、情報処理装置は、各組の教師デー
タについて、この組に対応するサンプル総合状態データにより識別されるスコアを、少な
くとも１つの閾値を用いて、複数のカテゴリーのうちのいずれかのカテゴリーに変換する
、という前処理を実行することができる。例えば、情報処理装置は、１つの閾値（第１閾
値）を用いる場合には、各組に対応するサンプル総合状態データにより識別されるスコア
を、そのスコアが第１閾値以上であるか第１閾値未満であるかに応じて、２つのカテゴリ
ー（「Ｈｉｇｈ」及び「Ｌｏｗ」）のうちのいずれかのカテゴリーに変換することができ
る。或いはまた、例えば、情報処理装置は、２つの閾値（第１閾値、及び、第１閾値より
小さい第２閾値）を用いる場合には、各組に対応するサンプル総合状態データにより識別
されるスコアを、そのスコアが、第１閾値以上であるか、第２閾値以上第１閾値未満であ
るか、第２閾値未満であるかに応じて、３つのカテゴリー（「Ｈｉｇｈ」、「Ｍｉｄｄｌ
ｅ」及び「Ｌｏｗ」）のうちのいずれかのカテゴリーに変換することができる。
【0153】
このように、情報処理装置は、前記第１の複数組の教師データに含まれる各組の教師デ
ータについて、この組に対応する１人のサンプルユーザの更年期症状の総合的な状態「に
対応するスコア」を識別するサンプル総合状態データを、この組に対応する１人のサンプ
ルユーザの更年期症状の総合的な状態「に対応するカテゴリー」を識別するサンプル総合
状態データに変換する、という前処理を実行することができる。
ータについて、この組に対応する１人のサンプルユーザの更年期症状の総合的な状態「に
対応するスコア」を識別するサンプル総合状態データを、この組に対応する１人のサンプ
ルユーザの更年期症状の総合的な状態「に対応するカテゴリー」を識別するサンプル総合
状態データに変換する、という前処理を実行することができる。
【0154】
これにより、情報処理装置は、前処理後の第１の複数組の教師データ（各組の教師デー
タが、その組に対応するサンプルユーザのサンプル行動データと、そのサンプルユーザの
サンプル総合状態データと、を含む）を、学習モデルに入力して推定モデルを生成（更新
）することができる。
タが、その組に対応するサンプルユーザのサンプル行動データと、そのサンプルユーザの
サンプル総合状態データと、を含む）を、学習モデルに入力して推定モデルを生成（更新
）することができる。
【0155】
このような推定モデルは、後述するように、説明変数として、対象ユーザにより実行さ
れた行動の履歴を識別する対象行動データを入力することに応答して、対象ユーザの更年
期症状の総合的な状態に対応するカテゴリーを識別する対象総合状態データを、少なくと
も出力することができるようになる。
れた行動の履歴を識別する対象行動データを入力することに応答して、対象ユーザの更年
期症状の総合的な状態に対応するカテゴリーを識別する対象総合状態データを、少なくと
も出力することができるようになる。
【0156】
（２Ｂ）複数組の教師データに含まれる第２の複数組の教師データ
一例では、情報処理装置は、複数組の教師データに含まれる第２の複数組の教師データ
を用いて、推定モデルを生成（更新）することができる。第２の複数組の教師データに含
まれる各組の教師データは、その組に対応するサンプルユーザのサンプル行動データと、
その組に対応するサンプルユーザのサンプル更年期状態データと、を含むことができる。
ここで、各組の教師データにおけるサンプル更年期状態データは、その組に対応するサン
プルユーザのサンプル第１状態データを含むことができる。
一例では、情報処理装置は、複数組の教師データに含まれる第２の複数組の教師データ
を用いて、推定モデルを生成（更新）することができる。第２の複数組の教師データに含
まれる各組の教師データは、その組に対応するサンプルユーザのサンプル行動データと、
その組に対応するサンプルユーザのサンプル更年期状態データと、を含むことができる。
ここで、各組の教師データにおけるサンプル更年期状態データは、その組に対応するサン
プルユーザのサンプル第１状態データを含むことができる。
【0157】
この場合、情報処理装置は、第２の複数組の教師データ（各組の教師データが、その組
に対応するサンプルユーザのサンプル行動データと、そのサンプルユーザのサンプル第１
状態データと、を含む）を、学習モデルに入力して推定モデルを生成（更新）することが
できる。このような推定モデルは、後述するように、説明変数として、対象ユーザにより
実行された行動の履歴を識別する対象行動データを入力することに応答して、対象ユーザ
の第１症状の状態を識別する対象第１状態データを、少なくとも出力することができるよ
うになる。
に対応するサンプルユーザのサンプル行動データと、そのサンプルユーザのサンプル第１
状態データと、を含む）を、学習モデルに入力して推定モデルを生成（更新）することが
できる。このような推定モデルは、後述するように、説明変数として、対象ユーザにより
実行された行動の履歴を識別する対象行動データを入力することに応答して、対象ユーザ
の第１症状の状態を識別する対象第１状態データを、少なくとも出力することができるよ
うになる。
【0158】
なお、一実施形態では、各組の教師データにおけるサンプル第１状態データが、該組に
対応する１人のサンプルユーザの第１症状の状態「に対応するスコア」を識別するもので
ある場合を考える。
対応する１人のサンプルユーザの第１症状の状態「に対応するスコア」を識別するもので
ある場合を考える。
【0159】
この場合、情報処理装置は、第２の複数組の教師データに含まれる各組の教師データに
ついて、前処理を実行することができる。具体的には、情報処理装置は、各組の教師デー
タについて、この組に対応するサンプル第１状態データにより識別されるスコアを、少な
くとも１つの閾値を用いて、複数のカテゴリーのうちのいずれかのカテゴリーに変換する
、という前処理を実行することができる。例えば、情報処理装置は、１つの閾値（第１閾
値）を用いる場合には、各組に対応するサンプル第１状態データにより識別されるスコア
を、そのスコアが第１閾値以上であるか第１閾値未満であるかに応じて、２つのカテゴリ
ー（「Ｈｉｇｈ」及び「Ｌｏｗ」）のうちのいずれかのカテゴリーに変換することができ
る。或いはまた、例えば、情報処理装置は、２つの閾値（第１閾値、及び、第１閾値より
小さい第２閾値）を用いる場合には、各組に対応するサンプル第１状態データにより識別
されるスコアを、そのスコアが、第１閾値以上であるか、第２閾値以上第１閾値未満であ
るか、第２閾値未満であるかに応じて、３つのカテゴリー（「Ｈｉｇｈ」、「Ｍｉｄｄｌ
ｅ」及び「Ｌｏｗ」）のうちのいずれかのカテゴリーに変換することができる。
ついて、前処理を実行することができる。具体的には、情報処理装置は、各組の教師デー
タについて、この組に対応するサンプル第１状態データにより識別されるスコアを、少な
くとも１つの閾値を用いて、複数のカテゴリーのうちのいずれかのカテゴリーに変換する
、という前処理を実行することができる。例えば、情報処理装置は、１つの閾値（第１閾
値）を用いる場合には、各組に対応するサンプル第１状態データにより識別されるスコア
を、そのスコアが第１閾値以上であるか第１閾値未満であるかに応じて、２つのカテゴリ
ー（「Ｈｉｇｈ」及び「Ｌｏｗ」）のうちのいずれかのカテゴリーに変換することができ
る。或いはまた、例えば、情報処理装置は、２つの閾値（第１閾値、及び、第１閾値より
小さい第２閾値）を用いる場合には、各組に対応するサンプル第１状態データにより識別
されるスコアを、そのスコアが、第１閾値以上であるか、第２閾値以上第１閾値未満であ
るか、第２閾値未満であるかに応じて、３つのカテゴリー（「Ｈｉｇｈ」、「Ｍｉｄｄｌ
ｅ」及び「Ｌｏｗ」）のうちのいずれかのカテゴリーに変換することができる。
【0160】
このように、情報処理装置は、前記第２の複数組の教師データに含まれる各組の教師デ
ータについて、この組に対応する１人のサンプルユーザの第１症状の状態「に対応するス
コア」を識別するサンプル第１状態データを、この組に対応する１人のサンプルユーザの
第１症状の状態「に対応するカテゴリー」を識別するサンプル第１状態データに変換する
、という前処理を実行することができる。
ータについて、この組に対応する１人のサンプルユーザの第１症状の状態「に対応するス
コア」を識別するサンプル第１状態データを、この組に対応する１人のサンプルユーザの
第１症状の状態「に対応するカテゴリー」を識別するサンプル第１状態データに変換する
、という前処理を実行することができる。
【0161】
これにより、情報処理装置は、前処理後の第２の複数組の教師データ（各組の教師デー
タが、その組に対応するサンプルユーザのサンプル行動データと、そのサンプルユーザの
サンプル第１状態データと、を含む）を、学習モデルに入力して推定モデルを生成（更新
）することができる。
タが、その組に対応するサンプルユーザのサンプル行動データと、そのサンプルユーザの
サンプル第１状態データと、を含む）を、学習モデルに入力して推定モデルを生成（更新
）することができる。
【0162】
このような推定モデルは、後述するように、説明変数として、対象ユーザにより実行さ
れた行動の履歴を識別する対象行動データを入力することに応答して、対象ユーザの第１
症状の状態に対応するカテゴリーを識別する対象第１状態データを、少なくとも出力する
ことができるようになる。
れた行動の履歴を識別する対象行動データを入力することに応答して、対象ユーザの第１
症状の状態に対応するカテゴリーを識別する対象第１状態データを、少なくとも出力する
ことができるようになる。
【0163】
さらにまた、情報処理装置は、上記のような前処理（便宜上「前処理Ａ」）に加えて、
更なる前処理（便宜上「前処理Ｂ」）を実行することも可能である。具体的には、まず、
情報処理装置は、第２の複数組の教師データの中から、別の複数組の教師データを抽出す
る、という「前処理Ｂ」を実行することができる。当該別の複数組の教師データに含まれ
る各組の教師データは、閾値以上のスコアを識別するサンプル第１状態データを有する。
更なる前処理（便宜上「前処理Ｂ」）を実行することも可能である。具体的には、まず、
情報処理装置は、第２の複数組の教師データの中から、別の複数組の教師データを抽出す
る、という「前処理Ｂ」を実行することができる。当該別の複数組の教師データに含まれ
る各組の教師データは、閾値以上のスコアを識別するサンプル第１状態データを有する。
【0164】
例えば、第１症状がＳＭＩ（図１３参照）における「汗をかきやすい」という症状であ
るときには、上記別の複数組の教師データに含まれる各組の教師データは、５という閾値
以上のスコア（１０又は６）を識別するサンプル第１状態データであり得る。すなわち、
上記別の複数組の教師データに含まれる各組の教師データは、より強い第１症状（ここで
は「汗をかきやすい」）を有するサンプルユーザのみに関する教師データを含むものであ
る。
るときには、上記別の複数組の教師データに含まれる各組の教師データは、５という閾値
以上のスコア（１０又は６）を識別するサンプル第１状態データであり得る。すなわち、
上記別の複数組の教師データに含まれる各組の教師データは、より強い第１症状（ここで
は「汗をかきやすい」）を有するサンプルユーザのみに関する教師データを含むものであ
る。
【0165】
さらに、情報処理装置は、このように抽出した当該別の複数組の教師データを、「新た
な」第２の複数組の教師データとすることができる。この後、情報処理装置は、「新たな
」第２の複数組の教師データに対して、上述した前処理Ａを実行することができる。この
前処理Ａでは、用いるべき少なくとも１つの閾値を、前処理Ｂを実行しない上述した例に
比べて、より大きな値に設定することができる。次に、情報処理装置は、前処理Ａ後の「
新たな」第２の複数組の教師データを学習モデルに入力して推定モデルを生成（更新）す
ることができる。
な」第２の複数組の教師データとすることができる。この後、情報処理装置は、「新たな
」第２の複数組の教師データに対して、上述した前処理Ａを実行することができる。この
前処理Ａでは、用いるべき少なくとも１つの閾値を、前処理Ｂを実行しない上述した例に
比べて、より大きな値に設定することができる。次に、情報処理装置は、前処理Ａ後の「
新たな」第２の複数組の教師データを学習モデルに入力して推定モデルを生成（更新）す
ることができる。
【0166】
このような「新たな」第２の複数組の教師データは、より強い第１症状を有するサンプ
ルユーザのみについての、サンプル行動データとサンプル第１状態データとを含むもので
ある。よって、このような「新たな」第２の複数組の教師データを用いて学習を行った推
定モデルは、強い第１症状に結び付く可能性のある行動を行った対象ユーザを、強い第１
症状を有するユーザとして、より簡単に推定することができ、さらに、そのような対象ユ
ーザの第１症状の強さのレベルを細かく推定することもできる。
ルユーザのみについての、サンプル行動データとサンプル第１状態データとを含むもので
ある。よって、このような「新たな」第２の複数組の教師データを用いて学習を行った推
定モデルは、強い第１症状に結び付く可能性のある行動を行った対象ユーザを、強い第１
症状を有するユーザとして、より簡単に推定することができ、さらに、そのような対象ユ
ーザの第１症状の強さのレベルを細かく推定することもできる。
【0167】
（２Ｃ）複数組の教師データに含まれる第３の複数組の教師データ
一例では、情報処理装置は、複数組の教師データに含まれる第３の複数組の教師データ
を用いて、推定モデルを生成（更新）することができる。第３の複数組の教師データに含
まれる各組の教師データは、その組に対応するサンプルユーザのサンプル行動データと、
その組に対応するサンプルユーザのサンプル更年期状態データと、を含むことができる。
ここで、各組の教師データにおけるサンプル更年期状態データは、その組に対応するサン
プルユーザのサンプル第２状態データを含むことができる。
一例では、情報処理装置は、複数組の教師データに含まれる第３の複数組の教師データ
を用いて、推定モデルを生成（更新）することができる。第３の複数組の教師データに含
まれる各組の教師データは、その組に対応するサンプルユーザのサンプル行動データと、
その組に対応するサンプルユーザのサンプル更年期状態データと、を含むことができる。
ここで、各組の教師データにおけるサンプル更年期状態データは、その組に対応するサン
プルユーザのサンプル第２状態データを含むことができる。
【0168】
この場合、情報処理装置は、第３の複数組の教師データ（各組の教師データが、その組
に対応するサンプルユーザのサンプル行動データと、そのサンプルユーザのサンプル第２
状態データと、を含む）を、学習モデルに入力して推定モデルを生成（更新）することが
できる。このような推定モデルは、後述するように、説明変数として、対象ユーザにより
実行された行動の履歴を識別する対象行動データを入力することに応答して、対象ユーザ
の第２症状の状態を識別する対象第２状態データを、少なくとも出力することができるよ
うになる。
に対応するサンプルユーザのサンプル行動データと、そのサンプルユーザのサンプル第２
状態データと、を含む）を、学習モデルに入力して推定モデルを生成（更新）することが
できる。このような推定モデルは、後述するように、説明変数として、対象ユーザにより
実行された行動の履歴を識別する対象行動データを入力することに応答して、対象ユーザ
の第２症状の状態を識別する対象第２状態データを、少なくとも出力することができるよ
うになる。
【0169】
なお、一実施形態では、各組の教師データにおけるサンプル第２状態データが、該組に
対応する１人のサンプルユーザの第２症状の状態「に対応するスコア」を識別するもので
ある場合を考える。
対応する１人のサンプルユーザの第２症状の状態「に対応するスコア」を識別するもので
ある場合を考える。
【0170】
この場合、情報処理装置は、第３の複数組の教師データに含まれる各組の教師データに
ついて、前処理を実行することができる。具体的には、情報処理装置は、各組の教師デー
タについて、この組に対応するサンプル第２状態データにより識別されるスコアを、少な
くとも１つの閾値を用いて、複数のカテゴリーのうちのいずれかのカテゴリーに変換する
、という前処理を実行することができる。例えば、情報処理装置は、１つの閾値（第１閾
値）を用いる場合には、各組に対応するサンプル第２状態データにより識別されるスコア
を、そのスコアが第１閾値以上であるか第１閾値未満であるかに応じて、２つのカテゴリ
ー（「Ｈｉｇｈ」及び「Ｌｏｗ」）のうちのいずれかのカテゴリーに変換することができ
る。或いはまた、例えば、情報処理装置は、２つの閾値（第１閾値、及び、第１閾値より
小さい第２閾値）を用いる場合には、各組に対応するサンプル第２状態データにより識別
されるスコアを、そのスコアが、第１閾値以上であるか、第２閾値以上第１閾値未満であ
るか、第２閾値未満であるかに応じて、３つのカテゴリー（「Ｈｉｇｈ」、「Ｍｉｄｄｌ
ｅ」及び「Ｌｏｗ」）のうちのいずれかのカテゴリーに変換することができる。
ついて、前処理を実行することができる。具体的には、情報処理装置は、各組の教師デー
タについて、この組に対応するサンプル第２状態データにより識別されるスコアを、少な
くとも１つの閾値を用いて、複数のカテゴリーのうちのいずれかのカテゴリーに変換する
、という前処理を実行することができる。例えば、情報処理装置は、１つの閾値（第１閾
値）を用いる場合には、各組に対応するサンプル第２状態データにより識別されるスコア
を、そのスコアが第１閾値以上であるか第１閾値未満であるかに応じて、２つのカテゴリ
ー（「Ｈｉｇｈ」及び「Ｌｏｗ」）のうちのいずれかのカテゴリーに変換することができ
る。或いはまた、例えば、情報処理装置は、２つの閾値（第１閾値、及び、第１閾値より
小さい第２閾値）を用いる場合には、各組に対応するサンプル第２状態データにより識別
されるスコアを、そのスコアが、第１閾値以上であるか、第２閾値以上第１閾値未満であ
るか、第２閾値未満であるかに応じて、３つのカテゴリー（「Ｈｉｇｈ」、「Ｍｉｄｄｌ
ｅ」及び「Ｌｏｗ」）のうちのいずれかのカテゴリーに変換することができる。
【0171】
このように、情報処理装置は、前記第３の複数組の教師データに含まれる各組の教師デ
ータについて、この組に対応する１人のサンプルユーザの第２症状の状態「に対応するス
コア」を識別するサンプル第２状態データを、この組に対応する１人のサンプルユーザの
第２症状の状態「に対応するカテゴリー」を識別するサンプル第２状態データに変換する
、という前処理を実行することができる。
ータについて、この組に対応する１人のサンプルユーザの第２症状の状態「に対応するス
コア」を識別するサンプル第２状態データを、この組に対応する１人のサンプルユーザの
第２症状の状態「に対応するカテゴリー」を識別するサンプル第２状態データに変換する
、という前処理を実行することができる。
【0172】
これにより、情報処理装置は、前処理後の第３の複数組の教師データ（各組の教師デー
タが、その組に対応するサンプルユーザのサンプル行動データと、そのサンプルユーザの
サンプル第１状態データと、を含む）を、学習モデルに入力して推定モデルを生成（更新
）することができる。
タが、その組に対応するサンプルユーザのサンプル行動データと、そのサンプルユーザの
サンプル第１状態データと、を含む）を、学習モデルに入力して推定モデルを生成（更新
）することができる。
【0173】
このような推定モデルは、後述するように、説明変数として、対象ユーザにより実行さ
れた行動の履歴を識別する対象行動データを入力することに応答して、対象ユーザの第２
症状の状態に対応するカテゴリーを識別する対象第２状態データを、少なくとも出力する
ことができるようになる。
れた行動の履歴を識別する対象行動データを入力することに応答して、対象ユーザの第２
症状の状態に対応するカテゴリーを識別する対象第２状態データを、少なくとも出力する
ことができるようになる。
【0174】
さらにまた、情報処理装置は、上記のような前処理（便宜上「前処理Ａ」）に加えて、
更なる前処理（便宜上「前処理Ｂ」）を実行することも可能である。具体的には、まず、
情報処理装置は、第３の複数組の教師データの中から、別の複数組の教師データを抽出す
る、という「前処理Ｂ」を実行することができる。当該別の複数組の教師データに含まれ
る各組の教師データは、閾値以上のスコアを識別するサンプル第２状態データを有する。
更なる前処理（便宜上「前処理Ｂ」）を実行することも可能である。具体的には、まず、
情報処理装置は、第３の複数組の教師データの中から、別の複数組の教師データを抽出す
る、という「前処理Ｂ」を実行することができる。当該別の複数組の教師データに含まれ
る各組の教師データは、閾値以上のスコアを識別するサンプル第２状態データを有する。
【0175】
例えば、第２症状がＳＭＩ（図１３参照）における「疲れやすい」という症状であると
きには、上記別の複数組の教師データに含まれる各組の教師データは、３という閾値以上
のスコア（７又は４）を識別するサンプル第２状態データであり得る。すなわち、上記別
の複数組の教師データに含まれる各組の教師データは、より強い第２症状（ここでは「疲
れやすい」）を有するサンプルユーザのみに関する教師データを含むものである。
きには、上記別の複数組の教師データに含まれる各組の教師データは、３という閾値以上
のスコア（７又は４）を識別するサンプル第２状態データであり得る。すなわち、上記別
の複数組の教師データに含まれる各組の教師データは、より強い第２症状（ここでは「疲
れやすい」）を有するサンプルユーザのみに関する教師データを含むものである。
【0176】
さらに、情報処理装置は、このように抽出した当該別の複数組の教師データを、「新た
な」第３の複数組の教師データとすることができる。この後、情報処理装置は、「新たな
」第３の複数組の教師データに対して、上述した前処理Ａを実行することができる。この
前処理Ａでは、用いるべき少なくとも１つの閾値を、前処理Ｂを実行しない上述した例に
比べて、より大きな値に設定することができる。次に、情報処理装置は、前処理Ａ後の「
新たな」第３の複数組の教師データを学習モデルに入力して推定モデルを生成（更新）す
ることができる。
な」第３の複数組の教師データとすることができる。この後、情報処理装置は、「新たな
」第３の複数組の教師データに対して、上述した前処理Ａを実行することができる。この
前処理Ａでは、用いるべき少なくとも１つの閾値を、前処理Ｂを実行しない上述した例に
比べて、より大きな値に設定することができる。次に、情報処理装置は、前処理Ａ後の「
新たな」第３の複数組の教師データを学習モデルに入力して推定モデルを生成（更新）す
ることができる。
【0177】
このような「新たな」第３の複数組の教師データは、より強い第２症状を有するサンプ
ルユーザのみについての、サンプル行動データとサンプル第２状態データとを含むもので
ある。よって、このような「新たな」第３の複数組の教師データを用いて学習を行った推
定モデルは、強い第２症状に結び付く可能性のある行動を行った対象ユーザを、強い第２
症状を有するユーザとして、より簡単に推定することができ、さらに、そのような対象ユ
ーザの第２症状の強さのレベルを細かく推定することもできる。
ルユーザのみについての、サンプル行動データとサンプル第２状態データとを含むもので
ある。よって、このような「新たな」第３の複数組の教師データを用いて学習を行った推
定モデルは、強い第２症状に結び付く可能性のある行動を行った対象ユーザを、強い第２
症状を有するユーザとして、より簡単に推定することができ、さらに、そのような対象ユ
ーザの第２症状の強さのレベルを細かく推定することもできる。
【0178】
以上のような推定モデルの生成（更新）は、推定サービス等を運営する企業により管理
されるサーバ装置１０Ａ（及び／又は端末装置２０）に代えて、又は、推定サービス等を
運営する企業により管理されるサーバ装置１０Ａ（及び／又は端末装置２０）とともに、
他の企業により管理される他のサーバ装置１０（及び／又は端末装置２０）により実行さ
れ得る。当該他のサーバ装置１０（端末装置２０）により生成（更新）された推定モデル
は、サーバ装置１０Ａを含む任意のサーバ装置１０に対して送信され得るし、或いはまた
、サーバ装置１０Ａを含む任意のサーバ装置１０によりアクセス及び利用され得る。
されるサーバ装置１０Ａ（及び／又は端末装置２０）に代えて、又は、推定サービス等を
運営する企業により管理されるサーバ装置１０Ａ（及び／又は端末装置２０）とともに、
他の企業により管理される他のサーバ装置１０（及び／又は端末装置２０）により実行さ
れ得る。当該他のサーバ装置１０（端末装置２０）により生成（更新）された推定モデル
は、サーバ装置１０Ａを含む任意のサーバ装置１０に対して送信され得るし、或いはまた
、サーバ装置１０Ａを含む任意のサーバ装置１０によりアクセス及び利用され得る。
【0179】
なお、「複数組の教師データ」の直前に付された「第１の」～「第３の」という名称は
、これらの名称のうちの或る名称を付した「複数組の教師データ」と、これらの名称のう
ちの別の名称を付した「複数組の教師データ」と、を区別するために便宜上用いられたも
のであって、何らかの順序又は内容等を限定するものではない。
、これらの名称のうちの或る名称を付した「複数組の教師データ」と、これらの名称のう
ちの別の名称を付した「複数組の教師データ」と、を区別するために便宜上用いられたも
のであって、何らかの順序又は内容等を限定するものではない。
【0180】
（３）ステップ１１０４
再度図１２を参照すると、次に、ＳＴ１１０４において、情報処理装置である、例えば
、推定サービス等を運営する企業により管理されるサーバ装置１０Ａ（及び／又は端末装
置２０）は、例えば、特定のアプリケーション（推定サービス等の提供を受けるためのア
プリケーション等）を実行してこのサーバ装置１０Ａにアクセスしてきた端末装置２０（
又は他のサーバ装置１０）から、及び／又は、ブラウザを実行してこのサーバ装置１０Ａ
にアクセスしてきた端末装置２０から、推定対象となる対象ユーザにより実行された行動
の履歴を識別する対象行動データを、取得することができる。この対象行動データは、対
象ユーザにより実行された少なくとも１つの（１つの又は複数の）行動を識別するデータ
であり得る。
再度図１２を参照すると、次に、ＳＴ１１０４において、情報処理装置である、例えば
、推定サービス等を運営する企業により管理されるサーバ装置１０Ａ（及び／又は端末装
置２０）は、例えば、特定のアプリケーション（推定サービス等の提供を受けるためのア
プリケーション等）を実行してこのサーバ装置１０Ａにアクセスしてきた端末装置２０（
又は他のサーバ装置１０）から、及び／又は、ブラウザを実行してこのサーバ装置１０Ａ
にアクセスしてきた端末装置２０から、推定対象となる対象ユーザにより実行された行動
の履歴を識別する対象行動データを、取得することができる。この対象行動データは、対
象ユーザにより実行された少なくとも１つの（１つの又は複数の）行動を識別するデータ
であり得る。
【0181】
このような対象行動データの取得は、推定サービス等を運営する企業により管理される
サーバ装置１０Ａ（及び／又は端末装置２０）に代えて、又は、推定サービス等を運営す
る企業により管理されるサーバ装置１０Ａ（及び／又は端末装置２０）とともに、他の企
業により管理される他のサーバ装置１０（及び／又は端末装置２０）により実行され得る
。
サーバ装置１０Ａ（及び／又は端末装置２０）に代えて、又は、推定サービス等を運営す
る企業により管理されるサーバ装置１０Ａ（及び／又は端末装置２０）とともに、他の企
業により管理される他のサーバ装置１０（及び／又は端末装置２０）により実行され得る
。
【0182】
（４）ステップ１１０６
次に、ＳＴ１１０６において、情報処理装置である、例えば、推定サービス等を運営す
る企業により管理されるサーバ装置１０Ａ（及び／又は端末装置２０）は、ＳＴ１１０４
において取得された対象行動データ、及び、ＳＴ１１０２において生成された推定モデル
を用いて、対象ユーザの更年期症状の状態を識別する対象更年期状態データを取得するこ
とができる。具体的には、サーバ装置１０Ａは、説明変数としての対象行動データを、推
定モデルに入力することにより、推定モデルから、目的変数としての対象更年期状態デー
タを出力させることができる。
次に、ＳＴ１１０６において、情報処理装置である、例えば、推定サービス等を運営す
る企業により管理されるサーバ装置１０Ａ（及び／又は端末装置２０）は、ＳＴ１１０４
において取得された対象行動データ、及び、ＳＴ１１０２において生成された推定モデル
を用いて、対象ユーザの更年期症状の状態を識別する対象更年期状態データを取得するこ
とができる。具体的には、サーバ装置１０Ａは、説明変数としての対象行動データを、推
定モデルに入力することにより、推定モデルから、目的変数としての対象更年期状態デー
タを出力させることができる。
【0183】
対象更年期状態データは、以下に示すデータのうちの少なくとも１つを含むことができ
る。
・対象ユーザの更年期症状の総合的な状態を識別するデータ（「対象総合状態データ」
）
・対象ユーザの第１症状の状態を識別するデータ（「対象第１状態データ」）
・対象ユーザの第２症状の状態を識別するデータ（「対象第２状態データ」）
る。
・対象ユーザの更年期症状の総合的な状態を識別するデータ（「対象総合状態データ」
）
・対象ユーザの第１症状の状態を識別するデータ（「対象第１状態データ」）
・対象ユーザの第２症状の状態を識別するデータ（「対象第２状態データ」）
【0184】
推定モデルが、対象更年期状態データとしていずれのデータを出力するかは、この推定
モデルの生成（更新）の際に、サンプル更年期状態データとしていずれのデータが用いら
れたかに依存し得る。
モデルの生成（更新）の際に、サンプル更年期状態データとしていずれのデータが用いら
れたかに依存し得る。
【0185】
例えば、推定モデルの生成（更新）の際に、サンプル更年期状態データとして、第１の
複数組の教師データが用いられた場合（上記「６（２）（２Ａ）」項）には、推定モデル
は、対象更年期状態データとして、対象総合状態データを、少なくとも出力することがで
きる。
複数組の教師データが用いられた場合（上記「６（２）（２Ａ）」項）には、推定モデル
は、対象更年期状態データとして、対象総合状態データを、少なくとも出力することがで
きる。
【0186】
例えば、推定モデルの生成（更新）の際に、サンプル更年期状態データとして、第２の
複数組の教師データが用いられた場合（上記「６（２）（２Ｂ）」項）には、推定モデル
は、対象更年期状態データとして、対象第１状態データを、少なくとも出力することがで
きる。
複数組の教師データが用いられた場合（上記「６（２）（２Ｂ）」項）には、推定モデル
は、対象更年期状態データとして、対象第１状態データを、少なくとも出力することがで
きる。
【0187】
例えば、推定モデルの生成（更新）の際に、サンプル更年期状態データとして、第３の
複数組の教師データが用いられた場合（上記「６（２）（２Ｃ）」項）には、推定モデル
は、対象更年期状態データとして、対象第２状態データを、少なくとも出力することがで
きる。
複数組の教師データが用いられた場合（上記「６（２）（２Ｃ）」項）には、推定モデル
は、対象更年期状態データとして、対象第２状態データを、少なくとも出力することがで
きる。
【0188】
例えば、サンプル更年期状態データとして、第１の複数組の教師データを用いて推定モ
デルの生成（更新）が行われ（上記「６（２）（２Ａ）」項）、その後に、サンプル更年
期状態データとして、第２の複数組の教師データを用いて推定モデルの生成（更新）が行
われた（上記「６（２）（２Ｂ）」項）場合には、推定モデルは、対象更年期状態データ
として、対象総合状態データ及び対象第１状態データを、少なくとも出力することができ
る。さらにこの後に、サンプル更年期状態データとして、第３の複数組の教師データを用
いて推定モデルの生成（更新）が行われた（上記「６（２）（２Ｃ）」項）場合には、推
定モデルは、対象更年期状態データとして、対象総合状態データ、対象第１状態データ及
び対象第２状態データを、少なくとも出力することができる。
デルの生成（更新）が行われ（上記「６（２）（２Ａ）」項）、その後に、サンプル更年
期状態データとして、第２の複数組の教師データを用いて推定モデルの生成（更新）が行
われた（上記「６（２）（２Ｂ）」項）場合には、推定モデルは、対象更年期状態データ
として、対象総合状態データ及び対象第１状態データを、少なくとも出力することができ
る。さらにこの後に、サンプル更年期状態データとして、第３の複数組の教師データを用
いて推定モデルの生成（更新）が行われた（上記「６（２）（２Ｃ）」項）場合には、推
定モデルは、対象更年期状態データとして、対象総合状態データ、対象第１状態データ及
び対象第２状態データを、少なくとも出力することができる。
【0189】
推定モデルの利用方法としては、以下に例示する方法のうちのいずれかを用いることが
可能である。
・サーバ装置１０Ａは、ＳＴ１１０４において生成された推定モデルを取得及び保持し
ており、この推定モデルに対象行動データを入力し、この推定モデルから出力される対象
更年期状態データを取得する。
・サーバ装置１０Ａは、ＳＴ１１０４において生成された推定モデルを取得及び保持す
る外部の装置（他のいずれかサーバ装置１０又はいずれかの端末装置２０）に対して、通
信網２を介して対象行動データを送信することにより、この対象行動データを説明変数と
して入力した上記推定モデルに対象更年期状態データを出力させる。この後、サーバ装置
１０Ａは、この推定モデルにより出力された対象更年期状態データを、上記外部の装置か
ら通信網２を介して受信する。
可能である。
・サーバ装置１０Ａは、ＳＴ１１０４において生成された推定モデルを取得及び保持し
ており、この推定モデルに対象行動データを入力し、この推定モデルから出力される対象
更年期状態データを取得する。
・サーバ装置１０Ａは、ＳＴ１１０４において生成された推定モデルを取得及び保持す
る外部の装置（他のいずれかサーバ装置１０又はいずれかの端末装置２０）に対して、通
信網２を介して対象行動データを送信することにより、この対象行動データを説明変数と
して入力した上記推定モデルに対象更年期状態データを出力させる。この後、サーバ装置
１０Ａは、この推定モデルにより出力された対象更年期状態データを、上記外部の装置か
ら通信網２を介して受信する。
【0190】
このような対象更年期状態データの取得は、推定サービス等を運営する企業により管理
されるサーバ装置１０Ａ（及び／又は端末装置２０）に代えて、又は、推定サービス等を
運営する企業により管理されるサーバ装置１０Ａ（及び／又は端末装置２０）とともに、
他の企業により管理される他のサーバ装置１０（及び／又は端末装置２０）により実行さ
れ得る。
されるサーバ装置１０Ａ（及び／又は端末装置２０）に代えて、又は、推定サービス等を
運営する企業により管理されるサーバ装置１０Ａ（及び／又は端末装置２０）とともに、
他の企業により管理される他のサーバ装置１０（及び／又は端末装置２０）により実行さ
れ得る。
【0191】
（５）ステップ１１０８
次に、ＳＴ１１０８において、情報処理装置である、例えば、推定サービス等を運営す
る企業により管理されるサーバ装置１０Ａ（及び／又は端末装置２０）は、ＳＴ１１０６
において取得された対象更年期状態データを用い、この対象更年期状態データに対応する
少なくとも１つの対象商品／１つの対象サービスを決定することができる。このような対
象商品／対象サービスは、対象更年期状態データにより識別される対象ユーザの現在の（
推定された）更年期症状の状態に適したものであり得る。
次に、ＳＴ１１０８において、情報処理装置である、例えば、推定サービス等を運営す
る企業により管理されるサーバ装置１０Ａ（及び／又は端末装置２０）は、ＳＴ１１０６
において取得された対象更年期状態データを用い、この対象更年期状態データに対応する
少なくとも１つの対象商品／１つの対象サービスを決定することができる。このような対
象商品／対象サービスは、対象更年期状態データにより識別される対象ユーザの現在の（
推定された）更年期症状の状態に適したものであり得る。
【0192】
具体的には、一例では、サーバ装置１０Ａは、まず、対象更年期状態データと複数の商
品及び／又は複数のサービスとを対応付けて記憶する検索テーブルを用意して記憶するこ
とができる。次に、サーバ装置１０Ａは、ＳＴ１１０６において取得された対象更年期状
態データを検索テーブルに入力することにより、この検索テーブルから少なくとも１つの
対象商品及び／又は少なくとも１つの対象サービスを識別するデータ（「提案データ」）
を取得することができる。
品及び／又は複数のサービスとを対応付けて記憶する検索テーブルを用意して記憶するこ
とができる。次に、サーバ装置１０Ａは、ＳＴ１１０６において取得された対象更年期状
態データを検索テーブルに入力することにより、この検索テーブルから少なくとも１つの
対象商品及び／又は少なくとも１つの対象サービスを識別するデータ（「提案データ」）
を取得することができる。
【0193】
図１４は、図１に示した通信システム１において用いられる検索テーブルの別の例を概
念的に示す図である。図１４に例示される検索テーブルは、対象更年期状態データに含ま
れ得る各データ（対象総合状態データ、対象第１状態データ及び対象第２状態データの各
々）に対応付けて、提案すべき少なくとも１つの対象商品及び／又は少なくとも１つの対
象サービスを記憶している。
念的に示す図である。図１４に例示される検索テーブルは、対象更年期状態データに含ま
れ得る各データ（対象総合状態データ、対象第１状態データ及び対象第２状態データの各
々）に対応付けて、提案すべき少なくとも１つの対象商品及び／又は少なくとも１つの対
象サービスを記憶している。
【0194】
この例では、説明の簡略化のために、対象総合状態データ、対象第１状態データ及び対
象第２状態データの各々が示す相互に異なる３つのレベルの各々に対応付けて、提案すべ
き少なくとも１つの対象商品及び／又は少なくとも１つの対象サービスが割り当てられ得
る。対象総合状態データを例に挙げれば、対象総合状態データが示す、クラスＶ１（対象
ユーザの更年期症状の総合的な状態が良いクラス）、クラスＶ２（対象ユーザの更年期症
状の総合的な状態が標準であるクラス）、及び、クラスＶ３（対象ユーザの更年期症状の
総合的な状態が悪いクラス）の各々に対応付けて、提案すべき少なくとも１つの対象商品
及び／又は少なくとも１つの対象サービスが割り当てられ得る。
象第２状態データの各々が示す相互に異なる３つのレベルの各々に対応付けて、提案すべ
き少なくとも１つの対象商品及び／又は少なくとも１つの対象サービスが割り当てられ得
る。対象総合状態データを例に挙げれば、対象総合状態データが示す、クラスＶ１（対象
ユーザの更年期症状の総合的な状態が良いクラス）、クラスＶ２（対象ユーザの更年期症
状の総合的な状態が標準であるクラス）、及び、クラスＶ３（対象ユーザの更年期症状の
総合的な状態が悪いクラス）の各々に対応付けて、提案すべき少なくとも１つの対象商品
及び／又は少なくとも１つの対象サービスが割り当てられ得る。
【0195】
クラスＷ１～Ｗ３もまた、この順序で、対象ユーザの第１症状の状態が「良い」、「標
準」、「悪い」を示すものであり得る。クラスＸ１～Ｘ３もまた、この順序で、対象ユー
ザの第２症状の状態が「良い」、「標準」、「悪い」を示すものであり得る。
準」、「悪い」を示すものであり得る。クラスＸ１～Ｘ３もまた、この順序で、対象ユー
ザの第２症状の状態が「良い」、「標準」、「悪い」を示すものであり得る。
【0196】
図１４に例示された商品（Ｐ１０、Ｐ２０といったように「Ｐ」及び数字からなる参照
符号が付された商品）は、いずれも、ユーザの更年期症状の状態を改善させるのに適した
任意の商品を示し、図１４に例示されたサービス（Ｓ１０、Ｓ２０といったように「Ｓ」
及び数字からなる参照符号が付されたサービス）は、いずれも、ユーザの更年期症状の状
態を改善させるのに適した任意のサービスを示す。これらの商品は、食品、日用品、薬品
、運動用具、電気製品等を、これらに限定することなく含むことができる。また、これら
のサービスは、病院、クリニック、スポーツジム等を、これらに限定することなく含むこ
とができる。
符号が付された商品）は、いずれも、ユーザの更年期症状の状態を改善させるのに適した
任意の商品を示し、図１４に例示されたサービス（Ｓ１０、Ｓ２０といったように「Ｓ」
及び数字からなる参照符号が付されたサービス）は、いずれも、ユーザの更年期症状の状
態を改善させるのに適した任意のサービスを示す。これらの商品は、食品、日用品、薬品
、運動用具、電気製品等を、これらに限定することなく含むことができる。また、これら
のサービスは、病院、クリニック、スポーツジム等を、これらに限定することなく含むこ
とができる。
【0197】
サーバ装置１０Ａは、例えば、対象更年期状態データにおける対象総合状態データがク
ラスＶ３を示す場合には、商品Ｐ４０及びサービスＳ１０をそれぞれ対象商品及び対象サ
ービスとして決定することができる。また、サーバ装置１０Ａは、例えば、対象更年期状
態データが（クラスＸ２を示す）対象第２状態データ及び（クラスＷ３を示す）対象第１
状態データを含む場合には、商品Ｐ８０を対象商品として、サービスＳ１０、Ｓ３０、Ｓ
４０を対象サービスとして決定することができる。
ラスＶ３を示す場合には、商品Ｐ４０及びサービスＳ１０をそれぞれ対象商品及び対象サ
ービスとして決定することができる。また、サーバ装置１０Ａは、例えば、対象更年期状
態データが（クラスＸ２を示す）対象第２状態データ及び（クラスＷ３を示す）対象第１
状態データを含む場合には、商品Ｐ８０を対象商品として、サービスＳ１０、Ｓ３０、Ｓ
４０を対象サービスとして決定することができる。
【0198】
なお、対象更年期状態データに含まれる各データについて、用いられるクラスの総数、
各クラスに割り当てられる商品及び／又はサービスの総数等は、任意に定められ得る。
各クラスに割り当てられる商品及び／又はサービスの総数等は、任意に定められ得る。
【0199】
別の例では、サーバ装置１０Ａは、教師あり学習（機械学習）を実行することにより生
成された別の推定モデルを用いて、少なくとも１つの対象商品及び／又は少なくとも１つ
の対象サービスを決定することも可能である。当該別の推定モデルは、対象更年期状態デ
ータに含まれる各データの各クラスを示すデータを、説明変数とし、少なくとも１つの対
象商品及び／又は少なくとも１つの対象サービスを示すデータを、目的変数として、教師
あり学習を実行することにより、生成（更新）され得る。
成された別の推定モデルを用いて、少なくとも１つの対象商品及び／又は少なくとも１つ
の対象サービスを決定することも可能である。当該別の推定モデルは、対象更年期状態デ
ータに含まれる各データの各クラスを示すデータを、説明変数とし、少なくとも１つの対
象商品及び／又は少なくとも１つの対象サービスを示すデータを、目的変数として、教師
あり学習を実行することにより、生成（更新）され得る。
【0200】
当該別の推定モデルを学習させるための機械学習は、例えば、上述したとおり、任意の
周知の機械学習、例えば、勾配ブースティング木（例えばＬｉｇｈｔＧＢＭ）、ニューラ
ルネットワーク又は線形回帰等を、これらに限定することなく含み得る。
周知の機械学習、例えば、勾配ブースティング木（例えばＬｉｇｈｔＧＢＭ）、ニューラ
ルネットワーク又は線形回帰等を、これらに限定することなく含み得る。
【0201】
サーバ装置１０Ａは、当該別の推定モデルに対象更年期状態データを入力することによ
り、当該別の推定モデルから、少なくとも１つの対象商品及び／又は少なくとも１つの対
象サービスを識別するデータ（「提案データ」）を出力することができる。
り、当該別の推定モデルから、少なくとも１つの対象商品及び／又は少なくとも１つの対
象サービスを識別するデータ（「提案データ」）を出力することができる。
【0202】
当該別の推定モデルの利用方法としては、以下に例示する方法のうちのいずれかを用い
ることが可能である。
・サーバ装置１０Ａは、生成された当該別の推定モデルを取得及び保持しており、当該
別の推定モデルに対象更年期状態データを入力し、当該別の推定モデルから出力される提
案データを取得する。
・サーバ装置１０Ａは、生成された当該別の推定モデルを取得及び保持する外部の装置
（他のいずれかサーバ装置１０又はいずれかの端末装置２０）に対して、通信網２を介し
て対象更年期状態データを送信することにより、この対象更年期状態データを説明変数と
して入力した当該別の推定モデルに提案データを出力させる。この後、サーバ装置１０Ａ
は、当該別の推定モデルにより出力された提案データを、上記外部の装置から通信網２を
介して受信する。
ることが可能である。
・サーバ装置１０Ａは、生成された当該別の推定モデルを取得及び保持しており、当該
別の推定モデルに対象更年期状態データを入力し、当該別の推定モデルから出力される提
案データを取得する。
・サーバ装置１０Ａは、生成された当該別の推定モデルを取得及び保持する外部の装置
（他のいずれかサーバ装置１０又はいずれかの端末装置２０）に対して、通信網２を介し
て対象更年期状態データを送信することにより、この対象更年期状態データを説明変数と
して入力した当該別の推定モデルに提案データを出力させる。この後、サーバ装置１０Ａ
は、当該別の推定モデルにより出力された提案データを、上記外部の装置から通信網２を
介して受信する。
【0203】
このような提案データの取得は、推定サービス等を運営する企業により管理されるサー
バ装置１０Ａ（及び／又は端末装置２０）に代えて、又は、推定サービス等を運営する企
業により管理されるサーバ装置１０Ａ（及び／又は端末装置２０）とともに、他の企業に
より管理される他のサーバ装置１０（及び／又は端末装置２０）により実行され得る。
バ装置１０Ａ（及び／又は端末装置２０）に代えて、又は、推定サービス等を運営する企
業により管理されるサーバ装置１０Ａ（及び／又は端末装置２０）とともに、他の企業に
より管理される他のサーバ装置１０（及び／又は端末装置２０）により実行され得る。
【0204】
（６）ステップ１１１０
再度図１２を参照すると、次に、情報処理装置である、例えば、推定サービス等を運営
する企業により管理されるサーバ装置１０Ａ（及び／又は端末装置２０）は、ＳＴ１１０
８において取得された提案データを、企業ユーザ及び／又は個人ユーザにより管理される
少なくとも１つの端末装置２０（他のサーバ装置１０であってもよい）に対して、通信網
２を介して提供（送信）することができる。ここでいう「個人ユーザ」は「対象ユーザ」
を含み得る。
再度図１２を参照すると、次に、情報処理装置である、例えば、推定サービス等を運営
する企業により管理されるサーバ装置１０Ａ（及び／又は端末装置２０）は、ＳＴ１１０
８において取得された提案データを、企業ユーザ及び／又は個人ユーザにより管理される
少なくとも１つの端末装置２０（他のサーバ装置１０であってもよい）に対して、通信網
２を介して提供（送信）することができる。ここでいう「個人ユーザ」は「対象ユーザ」
を含み得る。
【0205】
提案データの提供は、ウェブページ、電子メール、チャット、電子ファイル、記録媒体
（ＵＳＢメモリ、ＣＤ－ＲＯＭ等）、及び／又は、紙媒体等を含む任意の手段により、企
業ユーザ及び／又は個人ユーザにより管理される少なくとも１つの端末装置２０（他のサ
ーバ装置１０であってもよい）に対して提供され得る。
（ＵＳＢメモリ、ＣＤ－ＲＯＭ等）、及び／又は、紙媒体等を含む任意の手段により、企
業ユーザ及び／又は個人ユーザにより管理される少なくとも１つの端末装置２０（他のサ
ーバ装置１０であってもよい）に対して提供され得る。
【0206】
このような提案データの提供は、推定サービス等を運営する企業により管理されるサー
バ装置１０Ａ（及び／又は端末装置２０）に代えて、又は、推定サービス等を運営する企
業により管理されるサーバ装置１０Ａ（及び／又は端末装置２０）とともに、他の企業に
より管理される他のサーバ装置１０（及び／又は端末装置２０）により実行され得る。
バ装置１０Ａ（及び／又は端末装置２０）に代えて、又は、推定サービス等を運営する企
業により管理されるサーバ装置１０Ａ（及び／又は端末装置２０）とともに、他の企業に
より管理される他のサーバ装置１０（及び／又は端末装置２０）により実行され得る。
【0207】
７．変形例
上述した様々な例では、サンプル総合状態データ、サンプル第１状態データ及びサンプ
ル第２状態データを、目的変数として、推定モデルを生成及び利用する場合について説明
した。別の例では、サンプル総合状態データ、サンプル第１状態データ及びサンプル第２
状態データのうちの少なくとも１つ（最大２つ）を、目的変数ではなく説明変数として用
いて、推定モデルを生成及び利用することも可能である。
上述した様々な例では、サンプル総合状態データ、サンプル第１状態データ及びサンプ
ル第２状態データを、目的変数として、推定モデルを生成及び利用する場合について説明
した。別の例では、サンプル総合状態データ、サンプル第１状態データ及びサンプル第２
状態データのうちの少なくとも１つ（最大２つ）を、目的変数ではなく説明変数として用
いて、推定モデルを生成及び利用することも可能である。
【0208】
また、上述した様々な例では、図１２に例示された様々なステップ（例えばＳＴ１１０
０～ＳＴ１１１０）の実行主体を、主に、推定サービス等を運営する企業により管理され
るサーバ装置１０Ａ（及び／又は端末装置２０）とした場合について、説明した。しかし
、図１２に例示された様々なステップを、任意の複数のサーバ装置１０及び／又は複数の
端末装置２０に、分担して実行させることも可能である。ここで、任意の複数のサーバ装
置１０及び／又は複数の端末装置２０に、一例では、推定サービス等を運営する企業によ
り管理されるサーバ装置１０Ａ（及び／又は端末装置２０）が含まれ得るし、別の例では
、推定サービス等を運営する企業により管理されるサーバ装置１０Ａ（及び／又は端末装
置２０）が含まれない。
０～ＳＴ１１１０）の実行主体を、主に、推定サービス等を運営する企業により管理され
るサーバ装置１０Ａ（及び／又は端末装置２０）とした場合について、説明した。しかし
、図１２に例示された様々なステップを、任意の複数のサーバ装置１０及び／又は複数の
端末装置２０に、分担して実行させることも可能である。ここで、任意の複数のサーバ装
置１０及び／又は複数の端末装置２０に、一例では、推定サービス等を運営する企業によ
り管理されるサーバ装置１０Ａ（及び／又は端末装置２０）が含まれ得るし、別の例では
、推定サービス等を運営する企業により管理されるサーバ装置１０Ａ（及び／又は端末装
置２０）が含まれない。
【0209】
以上説明したように、本件出願に開示された技術によれば、対象ユーザにより実行され
た少なくとも１つの行動の履歴を識別する対象行動データを推定モデルに入力することに
より、この推定モデルから、対象ユーザの現在の（予測された）更年期症状の状態を識別
する対象更年期状態データを取得することができる。さらに、予め用意された複数の対象
商品及び／又は複数の対象サービスのうち、このように取得された対象更年期状態データ
に適した少なくとも１つの対象商品及び／又は少なくとも１つの対象サービスを、対象ユ
ーザの更年期症状を改善させるために、対象ユーザを含む任意のユーザに提案することが
できる。
た少なくとも１つの行動の履歴を識別する対象行動データを推定モデルに入力することに
より、この推定モデルから、対象ユーザの現在の（予測された）更年期症状の状態を識別
する対象更年期状態データを取得することができる。さらに、予め用意された複数の対象
商品及び／又は複数の対象サービスのうち、このように取得された対象更年期状態データ
に適した少なくとも１つの対象商品及び／又は少なくとも１つの対象サービスを、対象ユ
ーザの更年期症状を改善させるために、対象ユーザを含む任意のユーザに提案することが
できる。
【0210】
これにより、対象ユーザにより実行された少なくとも１つの行動の履歴に基づいてこの
対象ユーザの更年期症状の状態を推定するために用いられ、少なくとも部分的に向上した
性能を有する、コンピュータプログラム、情報処理装置及び方法を提供することができる
。
対象ユーザの更年期症状の状態を推定するために用いられ、少なくとも部分的に向上した
性能を有する、コンピュータプログラム、情報処理装置及び方法を提供することができる
。
【0211】
８．様々な健康の状態を予測するための推定モデルについて
本件出願に開示された技術は、上述した睡眠の状態及び更年期症状の状態を予測するこ
とだけでなく、例えば、以下に例示する様々な健康の状態を予測することにも適用可能で
ある。
・運動の状態
・免疫の状態
・水分補給の状態
・栄養の状態
本件出願に開示された技術は、上述した睡眠の状態及び更年期症状の状態を予測するこ
とだけでなく、例えば、以下に例示する様々な健康の状態を予測することにも適用可能で
ある。
・運動の状態
・免疫の状態
・水分補給の状態
・栄養の状態
【0212】
（１）運動の状態について
運動の状態を予測するための推定モデルは、生活習慣病に関連する状態等を予測するた
めに用いられる。かかる推定モデルを生成するために、説明変数であるサンプル行動デー
タは、以下に例示する複数のデータのうちの少なくとも１つのデータであり得る。
・サンプルユーザが一定期間（例えば１年間等）において購入した商品（又はその商品
が属するカテゴリー）を識別するデータ
・サンプルユーザが一定期間（例えば１年間等）において利用したサービス（又はその
サービスが属するカテゴリー）を識別するデータ
・サンプルユーザが肥満の状態にあるか否かを識別するデータ
・サンプルユーザの一定期間（例えば３０歳代から現在までの期間等）における体重の
変化量を識別するデータ
・サンプルユーザの運動の量（例えば歩数等）を識別するデータ
運動の状態を予測するための推定モデルは、生活習慣病に関連する状態等を予測するた
めに用いられる。かかる推定モデルを生成するために、説明変数であるサンプル行動デー
タは、以下に例示する複数のデータのうちの少なくとも１つのデータであり得る。
・サンプルユーザが一定期間（例えば１年間等）において購入した商品（又はその商品
が属するカテゴリー）を識別するデータ
・サンプルユーザが一定期間（例えば１年間等）において利用したサービス（又はその
サービスが属するカテゴリー）を識別するデータ
・サンプルユーザが肥満の状態にあるか否かを識別するデータ
・サンプルユーザの一定期間（例えば３０歳代から現在までの期間等）における体重の
変化量を識別するデータ
・サンプルユーザの運動の量（例えば歩数等）を識別するデータ
【0213】
また、目的変数である症状を識別するデータは、以下に例示する複数のデータ（測定値
であってもよい）のうちの少なくとも１つであり得る。
・サンプルユーザの体重を識別するデータ
・サンプルユーザのＢＭＩ（Ｂｏｄｙ Ｍａｓｓ Ｉｎｄｅｘ）を識別するデータ
・サンプルユーザの歩数を識別するデータ
・サンプルユーザの喫煙の有無を識別するデータ
・サンプルユーザのメタボリックシンドローム診断基準値を識別するデータ
であってもよい）のうちの少なくとも１つであり得る。
・サンプルユーザの体重を識別するデータ
・サンプルユーザのＢＭＩ（Ｂｏｄｙ Ｍａｓｓ Ｉｎｄｅｘ）を識別するデータ
・サンプルユーザの歩数を識別するデータ
・サンプルユーザの喫煙の有無を識別するデータ
・サンプルユーザのメタボリックシンドローム診断基準値を識別するデータ
【0214】
なお、メタボリックシンドローム診断基準値は、サンプルユーザの内臓脂肪蓄積及び/
又はウエスト周囲の長さと、以下に例示する複数の値のうちの少なくとも2つの値とを含
む。
・サンプルユーザについて高グリセリド血症及び／又は低ＨＤＬコレステロール血症の
診断のために定められた閾値
・サンプルユーザの収縮期及び/又は拡張期の血圧
・サンプルユーザについて空腹時高血糖の診断のために定められた閾値
又はウエスト周囲の長さと、以下に例示する複数の値のうちの少なくとも2つの値とを含
む。
・サンプルユーザについて高グリセリド血症及び／又は低ＨＤＬコレステロール血症の
診断のために定められた閾値
・サンプルユーザの収縮期及び/又は拡張期の血圧
・サンプルユーザについて空腹時高血糖の診断のために定められた閾値
【0215】
情報処理装置は、このような説明変数及び目的変数を用いて機械学習を実行することに
より、運動の状態を予測する推定モデルを生成することができる。このような推定モデル
の生成及び利用方法等に関連して通信システム２により実行される動作は、上記更年期症
状の状態を予測する態様に関連して上記「６」項及び上記「７」項において説明した動作
と実質的に同一であり得る。上記「６」項及び上記「７」項において（特に図１２及び図
１４を参照して）述べた説明において、更年期症状の状態を予測するための推定モデルに
用いられる説明変数及び目的変数を、それぞれ、本「８（１）」項において述べた説明変
数及び目的変数で置き換えることにより、運動の状態を予測するための推定モデルの生成
及び利用方法等に関連して通信システム２により実行される動作が、当業者により理解さ
れよう。
より、運動の状態を予測する推定モデルを生成することができる。このような推定モデル
の生成及び利用方法等に関連して通信システム２により実行される動作は、上記更年期症
状の状態を予測する態様に関連して上記「６」項及び上記「７」項において説明した動作
と実質的に同一であり得る。上記「６」項及び上記「７」項において（特に図１２及び図
１４を参照して）述べた説明において、更年期症状の状態を予測するための推定モデルに
用いられる説明変数及び目的変数を、それぞれ、本「８（１）」項において述べた説明変
数及び目的変数で置き換えることにより、運動の状態を予測するための推定モデルの生成
及び利用方法等に関連して通信システム２により実行される動作が、当業者により理解さ
れよう。
【0216】
以上説明したように、本件出願に開示された技術によれば、対象ユーザにより実行され
た少なくとも１つの行動の履歴を識別する対象行動データを推定モデルに入力することに
より、この推定モデルから、対象ユーザの現在の（予測された）運動の状態を識別する対
象状態データを取得することができる。さらに、予め用意された複数の対象商品及び／又
は複数の対象サービスのうち、このように取得された対象状態データに適した少なくとも
１つの対象商品及び／又は少なくとも１つの対象サービスを、対象ユーザの運動の状態を
改善させるために、対象ユーザを含む任意のユーザに提案することができる。
た少なくとも１つの行動の履歴を識別する対象行動データを推定モデルに入力することに
より、この推定モデルから、対象ユーザの現在の（予測された）運動の状態を識別する対
象状態データを取得することができる。さらに、予め用意された複数の対象商品及び／又
は複数の対象サービスのうち、このように取得された対象状態データに適した少なくとも
１つの対象商品及び／又は少なくとも１つの対象サービスを、対象ユーザの運動の状態を
改善させるために、対象ユーザを含む任意のユーザに提案することができる。
【0217】
これにより、対象ユーザにより実行された少なくとも１つの行動の履歴に基づいてこの
対象ユーザの運動の状態を推定するために用いられ、少なくとも部分的に向上した性能を
有する、コンピュータプログラム、情報処理装置及び方法を提供することができる。
対象ユーザの運動の状態を推定するために用いられ、少なくとも部分的に向上した性能を
有する、コンピュータプログラム、情報処理装置及び方法を提供することができる。
【0218】
（２）免疫の状態について
免疫の状態を予測するための推定モデルは、身体の免疫力が低下している人の症状の程
度を予測するために用いられる。かかる推定モデルを生成するために、説明変数であるサ
ンプル行動データは、以下に例示する複数のデータのうちの少なくとも１つのデータであ
り得る。
・サンプルユーザが一定期間（例えば１年間等）において購入した商品（又はその商品
が属するカテゴリー）を識別するデータ
・サンプルユーザが一定期間（例えば１年間等）において利用したサービス（又はその
サービスが属するカテゴリー）を識別するデータ
免疫の状態を予測するための推定モデルは、身体の免疫力が低下している人の症状の程
度を予測するために用いられる。かかる推定モデルを生成するために、説明変数であるサ
ンプル行動データは、以下に例示する複数のデータのうちの少なくとも１つのデータであ
り得る。
・サンプルユーザが一定期間（例えば１年間等）において購入した商品（又はその商品
が属するカテゴリー）を識別するデータ
・サンプルユーザが一定期間（例えば１年間等）において利用したサービス（又はその
サービスが属するカテゴリー）を識別するデータ
【0219】
また、目的変数である症状を識別するデータは、以下に例示する複数のデータ（測定値
であってもよい）のうちの少なくとも１つであり得る。
・サンプルユーザの風邪の引きやすさを識別するデータ
・サンプルユーザの風邪を引き起こす頻度を識別するデータ
・サンプルユーザのＳＩｇＡ濃度を識別するデータ
・サンプルユーザのアレルギー症状を識別するデータ
・サンプルユーザの口腔環境及び／又は免疫力の状態を識別するデータ
・サンプルユーザの睡眠の状態を識別するデータ
・サンプルユーザの運動の状態を識別するデータ
・サンプルユーザのストレスの状態を識別するデータ
であってもよい）のうちの少なくとも１つであり得る。
・サンプルユーザの風邪の引きやすさを識別するデータ
・サンプルユーザの風邪を引き起こす頻度を識別するデータ
・サンプルユーザのＳＩｇＡ濃度を識別するデータ
・サンプルユーザのアレルギー症状を識別するデータ
・サンプルユーザの口腔環境及び／又は免疫力の状態を識別するデータ
・サンプルユーザの睡眠の状態を識別するデータ
・サンプルユーザの運動の状態を識別するデータ
・サンプルユーザのストレスの状態を識別するデータ
【0220】
なお、このような症状を識別するデータは、アンケート等から取得されたサンプルユー
ザの自覚症状であってもよいし、医療機関におけるサンプルユーザの受信履歴から取得さ
れたものであってもよい。かかる症状を識別するデータは、複数の（好ましくは３つ以上
の）カテゴリーのうちのいずれかを識別するものであり得る。
ザの自覚症状であってもよいし、医療機関におけるサンプルユーザの受信履歴から取得さ
れたものであってもよい。かかる症状を識別するデータは、複数の（好ましくは３つ以上
の）カテゴリーのうちのいずれかを識別するものであり得る。
【0221】
情報処理装置は、このような説明変数及び目的変数を用いて機械学習を実行することに
より、免疫の状態を予測する推定モデルを生成することができる。このような推定モデル
の生成及び利用方法等に関連して通信システム２により実行される動作は、上記更年期症
状の状態を予測する態様に関連して上記「６」項及び上記「７」項において説明した動作
と実質的に同一であり得る。上記「６」項及び上記「７」項において（特に図１２及び図
１４を参照して）述べた説明において、更年期症状の状態を予測するための推定モデルに
用いられる説明変数及び目的変数を、それぞれ、本「８（２）」項において述べた説明変
数及び目的変数で置き換えることにより、免疫の状態を予測するための推定モデルの生成
及び利用方法等に関連して通信システム２により実行される動作が、当業者により理解さ
れよう。
より、免疫の状態を予測する推定モデルを生成することができる。このような推定モデル
の生成及び利用方法等に関連して通信システム２により実行される動作は、上記更年期症
状の状態を予測する態様に関連して上記「６」項及び上記「７」項において説明した動作
と実質的に同一であり得る。上記「６」項及び上記「７」項において（特に図１２及び図
１４を参照して）述べた説明において、更年期症状の状態を予測するための推定モデルに
用いられる説明変数及び目的変数を、それぞれ、本「８（２）」項において述べた説明変
数及び目的変数で置き換えることにより、免疫の状態を予測するための推定モデルの生成
及び利用方法等に関連して通信システム２により実行される動作が、当業者により理解さ
れよう。
【0222】
以上説明したように、本件出願に開示された技術によれば、対象ユーザにより実行され
た少なくとも１つの行動の履歴を識別する対象行動データを推定モデルに入力することに
より、この推定モデルから、対象ユーザの現在の（予測された）免疫の状態を識別する対
象状態データを取得することができる。さらに、予め用意された複数の対象商品及び／又
は複数の対象サービスのうち、このように取得された対象状態データに適した少なくとも
１つの対象商品及び／又は少なくとも１つの対象サービスを、対象ユーザの免疫の状態を
改善させるために、対象ユーザを含む任意のユーザに提案することができる。
た少なくとも１つの行動の履歴を識別する対象行動データを推定モデルに入力することに
より、この推定モデルから、対象ユーザの現在の（予測された）免疫の状態を識別する対
象状態データを取得することができる。さらに、予め用意された複数の対象商品及び／又
は複数の対象サービスのうち、このように取得された対象状態データに適した少なくとも
１つの対象商品及び／又は少なくとも１つの対象サービスを、対象ユーザの免疫の状態を
改善させるために、対象ユーザを含む任意のユーザに提案することができる。
【0223】
これにより、対象ユーザにより実行された少なくとも１つの行動の履歴に基づいてこの
対象ユーザの免疫の状態を推定するために用いられ、少なくとも部分的に向上した性能を
有する、コンピュータプログラム、情報処理装置及び方法を提供することができる。
対象ユーザの免疫の状態を推定するために用いられ、少なくとも部分的に向上した性能を
有する、コンピュータプログラム、情報処理装置及び方法を提供することができる。
【0224】
（３）水分補給の状態について
水分補給の状態を予測するための推定モデルは、身体の免疫力が低下している人の症状
の程度を予測するために用いられる。かかる推定モデルを生成するために、説明変数であ
るサンプル行動データは、以下に例示する複数のデータのうちの少なくとも１つのデータ
であり得る。
・サンプルユーザが一定期間（例えば１年間等）において購入した商品（又はその商品
が属するカテゴリー）を識別するデータ
・サンプルユーザが一定期間（例えば１年間等）において利用したサービス（又はその
サービスが属するカテゴリー）を識別するデータ
水分補給の状態を予測するための推定モデルは、身体の免疫力が低下している人の症状
の程度を予測するために用いられる。かかる推定モデルを生成するために、説明変数であ
るサンプル行動データは、以下に例示する複数のデータのうちの少なくとも１つのデータ
であり得る。
・サンプルユーザが一定期間（例えば１年間等）において購入した商品（又はその商品
が属するカテゴリー）を識別するデータ
・サンプルユーザが一定期間（例えば１年間等）において利用したサービス（又はその
サービスが属するカテゴリー）を識別するデータ
【0225】
また、目的変数である症状を識別するデータは、以下に例示する複数のデータ（測定値
であってもよい）のうちの少なくとも１つであり得る。
・サンプルユーザの血清Ｎａ値を識別するデータ
・サンプルユーザの尿浸透圧を識別するデータ
・サンプルユーザの尿比重を識別するデータ
・サンプルユーザの尿カラーを識別するデータ
・サンプルユーザのＢＵＮ／クレアチニン比を識別するデータ
・サンプルユーザの脱水評価スケールを識別するデータ
・サンプルユーザの水分不足に伴う自覚症状を識別するデータ
であってもよい）のうちの少なくとも１つであり得る。
・サンプルユーザの血清Ｎａ値を識別するデータ
・サンプルユーザの尿浸透圧を識別するデータ
・サンプルユーザの尿比重を識別するデータ
・サンプルユーザの尿カラーを識別するデータ
・サンプルユーザのＢＵＮ／クレアチニン比を識別するデータ
・サンプルユーザの脱水評価スケールを識別するデータ
・サンプルユーザの水分不足に伴う自覚症状を識別するデータ
【0226】
これらのデータは、サンプルユーザが受信した健康診断若しくは人間ドックにより得ら
れる臨床検査値から、又は、健康アンケートに対するサンプルユーザの回答内容から、生
成され得る。なお、サンプルユーザの水分不足に伴う自覚症状を識別するデータは、アン
ケートに対するサンプルユーザの回答内容から生成され得る。かかる自覚症状の程度は、
血清Ｎａ値、尿浸透圧、尿比重、尿カラー、ＢＵＮ／クレアチニン比、飲水量及び／又は
身体活動量等から把握され得る。
れる臨床検査値から、又は、健康アンケートに対するサンプルユーザの回答内容から、生
成され得る。なお、サンプルユーザの水分不足に伴う自覚症状を識別するデータは、アン
ケートに対するサンプルユーザの回答内容から生成され得る。かかる自覚症状の程度は、
血清Ｎａ値、尿浸透圧、尿比重、尿カラー、ＢＵＮ／クレアチニン比、飲水量及び／又は
身体活動量等から把握され得る。
【0227】
情報処理装置は、このような説明変数及び目的変数を用いて機械学習を実行することに
より、水分補給の状態を予測する推定モデルを生成することができる。このような推定モ
デルの生成及び利用方法等に関連して通信システム２により実行される動作は、上記更年
期症状の状態を予測する態様に関連して上記「６」項及び上記「７」項において説明した
動作と実質的に同一であり得る。上記「６」項及び上記「７」項において（特に図１２及
び図１４を参照して）述べた説明において、更年期症状の状態を予測するための推定モデ
ルに用いられる説明変数及び目的変数を、それぞれ、本「８（３）」項において述べた説
明変数及び目的変数で置き換えることにより、水分補給の状態を予測するための推定モデ
ルの生成及び利用方法等に関連して通信システム２により実行される動作が、当業者によ
り理解されよう。
より、水分補給の状態を予測する推定モデルを生成することができる。このような推定モ
デルの生成及び利用方法等に関連して通信システム２により実行される動作は、上記更年
期症状の状態を予測する態様に関連して上記「６」項及び上記「７」項において説明した
動作と実質的に同一であり得る。上記「６」項及び上記「７」項において（特に図１２及
び図１４を参照して）述べた説明において、更年期症状の状態を予測するための推定モデ
ルに用いられる説明変数及び目的変数を、それぞれ、本「８（３）」項において述べた説
明変数及び目的変数で置き換えることにより、水分補給の状態を予測するための推定モデ
ルの生成及び利用方法等に関連して通信システム２により実行される動作が、当業者によ
り理解されよう。
【0228】
以上説明したように、本件出願に開示された技術によれば、対象ユーザにより実行され
た少なくとも１つの行動の履歴を識別する対象行動データを推定モデルに入力することに
より、この推定モデルから、対象ユーザの現在の（予測された）水分補給の状態を識別す
る対象状態データを取得することができる。さらに、予め用意された複数の対象商品及び
／又は複数の対象サービスのうち、このように取得された対象状態データに適した少なく
とも１つの対象商品及び／又は少なくとも１つの対象サービスを、対象ユーザの水分補給
の状態を改善させるために、対象ユーザを含む任意のユーザに提案することができる。
た少なくとも１つの行動の履歴を識別する対象行動データを推定モデルに入力することに
より、この推定モデルから、対象ユーザの現在の（予測された）水分補給の状態を識別す
る対象状態データを取得することができる。さらに、予め用意された複数の対象商品及び
／又は複数の対象サービスのうち、このように取得された対象状態データに適した少なく
とも１つの対象商品及び／又は少なくとも１つの対象サービスを、対象ユーザの水分補給
の状態を改善させるために、対象ユーザを含む任意のユーザに提案することができる。
【0229】
これにより、対象ユーザにより実行された少なくとも１つの行動の履歴に基づいてこの
対象ユーザの水分補給の状態を推定するために用いられ、少なくとも部分的に向上した性
能を有する、コンピュータプログラム、情報処理装置及び方法を提供することができる。
対象ユーザの水分補給の状態を推定するために用いられ、少なくとも部分的に向上した性
能を有する、コンピュータプログラム、情報処理装置及び方法を提供することができる。
【0230】
（４）栄養の状態について
栄養の状態を予測するための推定モデルは、栄養補給ができていない人の症状の程度を
予測するために用いられる。かかる推定モデルを生成するために、説明変数であるサンプ
ル行動データは、以下に例示する複数のデータのうちの少なくとも１つのデータであり得
る。
・サンプルユーザが一定期間（例えば１年間等）において購入した商品（又はその商品
が属するカテゴリー）を識別するデータ
・サンプルユーザが一定期間（例えば１年間等）において利用したサービス（又はその
サービスが属するカテゴリー）を識別するデータ
栄養の状態を予測するための推定モデルは、栄養補給ができていない人の症状の程度を
予測するために用いられる。かかる推定モデルを生成するために、説明変数であるサンプ
ル行動データは、以下に例示する複数のデータのうちの少なくとも１つのデータであり得
る。
・サンプルユーザが一定期間（例えば１年間等）において購入した商品（又はその商品
が属するカテゴリー）を識別するデータ
・サンプルユーザが一定期間（例えば１年間等）において利用したサービス（又はその
サービスが属するカテゴリー）を識別するデータ
【0231】
また、目的変数である症状を識別するデータは、以下に例示する複数のデータ（測定値
であってもよい）のうちの少なくとも１つであり得る。
・サンプルユーザの栄養低下に伴う自覚症状の有無を識別するデータ
・サンプルユーザの食品摂取の多様性得点（ＤＶＳ）を識別するデータ
・サンプルユーザの食欲尺度短縮版（ＳＮＡＱ：Ｓｉｍｐｌｉｆｉｅｄ Ｎｕｔｒｉｔ
ｉｏｎａｌ Ａｐｐｅｔｉｔｅ Ｑｕｅｓｔｉｏｎｎａｉｒｅ）を識別するデータ
・サンプルユーザのＢＭＩ（Ｂｏｄｙ Ｍａｓｓ Ｉｎｄｅｘ）を識別するデータ
であってもよい）のうちの少なくとも１つであり得る。
・サンプルユーザの栄養低下に伴う自覚症状の有無を識別するデータ
・サンプルユーザの食品摂取の多様性得点（ＤＶＳ）を識別するデータ
・サンプルユーザの食欲尺度短縮版（ＳＮＡＱ：Ｓｉｍｐｌｉｆｉｅｄ Ｎｕｔｒｉｔ
ｉｏｎａｌ Ａｐｐｅｔｉｔｅ Ｑｕｅｓｔｉｏｎｎａｉｒｅ）を識別するデータ
・サンプルユーザのＢＭＩ（Ｂｏｄｙ Ｍａｓｓ Ｉｎｄｅｘ）を識別するデータ
【0232】
なお、このような症状を識別するデータは、アンケート等から取得されたサンプルユー
ザの自覚症状であってもよいし、医療機関におけるサンプルユーザの受信履歴から取得さ
れたものであってもよい。かかる症状を識別するデータは、複数の（好ましくは３つ以上
の）カテゴリーのうちのいずれかを識別するものであり得る。
ザの自覚症状であってもよいし、医療機関におけるサンプルユーザの受信履歴から取得さ
れたものであってもよい。かかる症状を識別するデータは、複数の（好ましくは３つ以上
の）カテゴリーのうちのいずれかを識別するものであり得る。
【0233】
情報処理装置は、このような説明変数及び目的変数を用いて機械学習を実行することに
より、栄養の状態を予測する推定モデルを生成することができる。このような推定モデル
の生成及び利用方法等に関連して通信システム２により実行される動作は、上記更年期症
状の状態を予測する態様に関連して上記「６」項及び上記「７」項において説明した動作
と実質的に同一であり得る。上記「６」項及び上記「７」項において（特に図１２及び図
１４を参照して）述べた説明において、更年期症状の状態を予測するための推定モデルに
用いられる説明変数及び目的変数を、それぞれ、本「８（４）」項において述べた説明変
数及び目的変数で置き換えることにより、栄養の状態を予測するための推定モデルの生成
及び利用方法等に関連して通信システム２により実行される動作が、当業者により理解さ
れよう。
より、栄養の状態を予測する推定モデルを生成することができる。このような推定モデル
の生成及び利用方法等に関連して通信システム２により実行される動作は、上記更年期症
状の状態を予測する態様に関連して上記「６」項及び上記「７」項において説明した動作
と実質的に同一であり得る。上記「６」項及び上記「７」項において（特に図１２及び図
１４を参照して）述べた説明において、更年期症状の状態を予測するための推定モデルに
用いられる説明変数及び目的変数を、それぞれ、本「８（４）」項において述べた説明変
数及び目的変数で置き換えることにより、栄養の状態を予測するための推定モデルの生成
及び利用方法等に関連して通信システム２により実行される動作が、当業者により理解さ
れよう。
【0234】
以上説明したように、本件出願に開示された技術によれば、対象ユーザにより実行され
た少なくとも１つの行動の履歴を識別する対象行動データを推定モデルに入力することに
より、この推定モデルから、対象ユーザの現在の（予測された）栄養の状態を識別する対
象状態データを取得することができる。さらに、予め用意された複数の対象商品及び／又
は複数の対象サービスのうち、このように取得された対象状態データに適した少なくとも
１つの対象商品及び／又は少なくとも１つの対象サービスを、対象ユーザの栄養の状態を
改善させるために、対象ユーザを含む任意のユーザに提案することができる。
た少なくとも１つの行動の履歴を識別する対象行動データを推定モデルに入力することに
より、この推定モデルから、対象ユーザの現在の（予測された）栄養の状態を識別する対
象状態データを取得することができる。さらに、予め用意された複数の対象商品及び／又
は複数の対象サービスのうち、このように取得された対象状態データに適した少なくとも
１つの対象商品及び／又は少なくとも１つの対象サービスを、対象ユーザの栄養の状態を
改善させるために、対象ユーザを含む任意のユーザに提案することができる。
【0235】
これにより、対象ユーザにより実行された少なくとも１つの行動の履歴に基づいてこの
対象ユーザの栄養の状態を推定するために用いられ、少なくとも部分的に向上した性能を
有する、コンピュータプログラム、情報処理装置及び方法を提供することができる。
対象ユーザの栄養の状態を推定するために用いられ、少なくとも部分的に向上した性能を
有する、コンピュータプログラム、情報処理装置及び方法を提供することができる。
【0236】
９．様々な態様
第１の態様に係るコンピュータプログラムは、「少なくとも１つのプロセッサにより実
行されることにより、対象ユーザにより実行された行動の履歴を識別する対象行動データ
を取得し、教師あり学習を実行することにより生成された推定モデルに前記対象行動デー
タを入力することにより、前記対象ユーザの睡眠の状態を識別する対象睡眠状態データで
あって、該対象ユーザの睡眠の性質を識別する対象性質データ、該対象ユーザの睡眠のリ
ズムを識別する対象リズムデータ、該対象ユーザの睡眠時間を識別する対象時間データ、
及び、該対象ユーザが属する睡眠カテゴリーを識別する対象カテゴリーデータ、のうちの
少なくとも１つを含む対象睡眠状態データを、前記推定モデルから出力させる、ように前
記少なくとも１つのプロセッサを機能させる」ことができる。
第２の態様に係るコンピュータプログラムは、上記第１の態様において「各組の教師デ
ータが、該組に対応する１人のサンプルユーザにより実行された行動の履歴を識別するサ
ンプル行動データと、該組に対応する１人のサンプルユーザの睡眠の状態を識別するサン
プル睡眠状態データと、を含む、複数組の教師データを、学習モデルに入力することによ
り生成された前記推定モデルを、取得する、ように前記少なくとも１つのプロセッサを機
能させる」ことができる。
第３の態様に係るコンピュータプログラムは、上記第１の態様において「各組の教師デ
ータが、該組に対応する１人のサンプルユーザにより実行された行動の履歴を識別するサ
ンプル行動データと、該組に対応する１人のサンプルユーザの睡眠の状態を識別するサン
プル睡眠状態データと、を含む、複数組の教師データを、学習モデルに入力することによ
り生成された前記推定モデルに対して、通信回線を介して接続される、ように前記少なく
とも１つのプロセッサを機能させる」ことができる。
第４の態様に係るコンピュータプログラムは、上記第１の態様において「各組の教師デ
ータが、該組に対応する１人のサンプルユーザにより実行された行動の履歴を識別するサ
ンプル行動データと、該組に対応する１人のサンプルユーザの睡眠の状態を識別するサン
プル睡眠状態データと、を含む、複数組の教師データを取得し、該複数組の教師データを
学習モデルに入力して学習させることにより、前記推定モデルを生成する、ように前記少
なくとも１つのプロセッサを機能させる」ことができる。
第５の態様に係るコンピュータプログラムは、上記第４の態様において「取得された前
記複数組の教師データが第１の複数組の教師データを含み、該第１の複数組の教師データ
に含まれる各組の教師データが、前記サンプル睡眠状態データとして、少なくとも、該組
に対応する１人のサンプルユーザの睡眠の性質を識別するサンプル性質データと、該組に
対応する１人のサンプルユーザの睡眠のリズムを識別するサンプルリズムデータと、を含
み、取得された前記第１の複数組の教師データに含まれる各組の教師データについて、該
組に対応する１人のサンプルユーザの睡眠の性質を識別するサンプル性質データと該組に
対応する１人のサンプルユーザの睡眠のリズムを識別するサンプルリズムデータとに基づ
いて、該組に対応する１人のサンプルユーザが属する睡眠カテゴリーを識別するサンプル
睡眠カテゴリーデータを生成する、という前処理を実行し、各組の教師データが、該組に
対応する１人のサンプルユーザの前記サンプル行動データと、該組に対応する１人のサン
プルユーザの前記サンプル睡眠カテゴリーデータと、を含む、前記前処理後の前記第１の
複数組の教師データを、前記学習モデルに入力して前記推定モデルを生成し、該推定モデ
ルから、前記対象睡眠状態データとして、前記対象ユーザが属する睡眠カテゴリーを識別
する対象睡眠カテゴリーデータを、出力させる、ように前記少なくとも１つのプロセッサ
を機能させる」ことができる。
第６の態様に係るコンピュータプログラムは、上記第２の態様から上記第４の態様のい
ずれかにおいて「前記複数組の教師データが第２の複数組の教師データを含み、該第２の
複数組の教師データに含まれる各組の教師データが、前記サンプル睡眠状態データとして
、少なくとも、該組に対応する１人のサンプルユーザの睡眠の性質を識別するサンプル性
質データと該組に対応する１人のサンプルユーザの睡眠のリズムを識別するサンプルリズ
ムデータとに基づいて決定された、該組に対応する１人のサンプルユーザが属する睡眠カ
テゴリーを識別するサンプル睡眠カテゴリーデータ、を含み、該推定モデルから、前記対
象睡眠状態データとして、前記対象ユーザが属する睡眠カテゴリーを識別する対象睡眠カ
テゴリーデータを、出力させる、ように前記少なくとも１つのプロセッサを機能させる」
ことができる。
第７の態様に係るコンピュータプログラムにあっては、上記第５の態様又は上記第６の
態様において「前記組に対応する１人のサンプルユーザの睡眠の性質を識別するサンプル
性質データは、アテネ不眠尺度、ピッツバーグ睡眠質問票、３次元型睡眠尺度、又は、不
眠症重症度質問票に対する前記サンプルユーザによる回答内容に基づいて算出されたスコ
アを示し、前記組に対応する１人のサンプルユーザの睡眠のリズムを識別するサンプルリ
ズムデータは、前記サンプルユーザの平日の睡眠時間帯の中央時間と休日の睡眠時間帯の
中央時間帯との差の絶対値であるソーシャルジェットラグを示し、前記組に対応する１人
のサンプルユーザが属する睡眠カテゴリーは、横軸及び縦軸のうちの一方の軸において前
記スコアに対応付けて配置された少なくとも１つの閾値と、前記横軸及び前記縦軸のうち
の他方の軸において前記ソーシャルジェットラグに対応付けて配置された少なくとも１つ
の閾値と、により分割される複数のカテゴリーのうちのいずれかであ」り得る。
第８の態様に係るコンピュータプログラムは、上記第２の態様から上記第４の態様のい
ずれかにおいて「前記複数組の教師データが第３の複数組の教師データを含み、該第３の
複数組の教師データに含まれる各組の教師データが、前記サンプル睡眠状態データとして
、少なくとも、該組に対応する１人のサンプルユーザの睡眠の性質を識別するサンプル性
質データと、該組に対応する１人のサンプルユーザの睡眠のリズムを識別するサンプルリ
ズムデータと、を含み、前記推定モデルから、前記対象睡眠状態データとして、前記対象
ユーザの睡眠の性質を識別する対象性質データと、該対象ユーザの睡眠のリズムを識別す
る対象リズムデータとを、出力させる、ように前記少なくとも１つのプロセッサを機能さ
せる」ことができる。
第９の態様に係るコンピュータプログラムは、上記第２の態様から上記第４の態様のい
ずれかにおいて「前記複数組の教師データが第４の複数組の教師データを含み、該第４の
複数組の教師データに含まれる各組の教師データが、前記サンプル睡眠状態データとして
、少なくとも、該組に対応する１人のサンプルユーザの睡眠の性質を識別するサンプル性
質データを含み、前記推定モデルから、前記対象睡眠状態データとして、前記対象ユーザ
の睡眠の性質を識別する対象性質データを、出力させる、ように前記少なくとも１つのプ
ロセッサを機能させる」ことができる。
第１０の態様に係るコンピュータプログラムは、上記第２の態様から上記第４の態様の
いずれかにおいて「前記複数組の教師データが第５の複数組の教師データを含み、該第５
の複数組の教師データに含まれる各組の教師データが、前記サンプル睡眠状態データとし
て、少なくとも、該組に対応する１人のサンプルユーザの睡眠のリズムを識別するサンプ
ルリズムデータを含み、前記推定モデルから、前記対象睡眠状態データとして、前記対象
ユーザの睡眠のリズムを識別する対象リズムデータを、出力させる、ように前記少なくと
も１つのプロセッサを機能させる」ことができる。
第１１の態様に係るコンピュータプログラムは、上記第２の態様から上記第４の態様の
いずれかにおいて「前記複数組の教師データが第６の複数組の教師データを含み、該第６
の複数組の教師データに含まれる各組の教師データが、前記サンプル睡眠状態データとし
て、少なくとも、該組に対応する１人のサンプルユーザの睡眠時間を識別するサンプル時
間データを含み、前記推定モデルから、前記対象睡眠状態データとして、前記対象ユーザ
の睡眠時間を識別する対象時間データを、出力させる、ように前記少なくとも１つのプロ
セッサを機能させる」ことができる。
第１２の態様に係るコンピュータプログラムは、上記第１の態様から上記第１１の態様
のいずれかにおいて「複数の商品及び／又は複数のサービスのうち、前記対象睡眠状態デ
ータに対応する少なくとも１つの対象商品及び／又は少なくとも１つの対象サービスを決
定する、ように前記少なくとも１つのプロセッサを機能させる」ことができる。
第１３の態様に係るコンピュータプログラムは、上記第１２の態様において「教師あり
学習を実行することにより生成された別の推定モデルに前記対象睡眠状態データを入力す
ることにより、該別の推定モデルから、前記少なくとも１つの対象商品及び／又は前記少
なくとも１つの対象サービスを識別する提案データを出力させる、ように前記少なくとも
１つのプロセッサを機能させる」ことができる。
第１４の態様に係るコンピュータプログラムは、上記第１２の態様において「対象睡眠
状態データと前記複数の商品及び／又は前記複数のサービスとを対応付けた検索テーブル
に前記対象睡眠状態データを入力することにより、該検索テーブルから前記少なくとも１
つの対象商品及び／又は前記少なくとも１つの対象サービスを識別する提案データを取得
する、ように前記少なくとも１つのプロセッサを機能させる」ことができる。
第１５の態様に係るコンピュータプログラムにあっては、上記第１の態様から上記第１
４の態様のいずれかにおいて「前記少なくとも１つのプロセッサが、中央処理装置（ＣＰ
Ｕ）、マイクロプロセッサ、及び／又は、グラフィックスプロセッシングユニット（ＧＰ
Ｕ）を含む」ことができる。
第１６の態様に係る情報処理装置は、「少なくとも１つのプロセッサを具備し、該少な
くとも１つのプロセッサが、対象ユーザにより実行された行動の履歴を識別する対象行動
データを取得し、教師あり学習を実行することにより生成された推定モデルに前記対象行
動データを入力することにより、前記対象ユーザの睡眠の状態を識別する対象睡眠状態デ
ータであって、該対象ユーザの睡眠の性質を識別する対象性質データ、該対象ユーザの睡
眠のリズムを識別する対象リズムデータ、該対象ユーザの睡眠時間を識別する対象時間デ
ータ、及び、該対象ユーザが属する睡眠カテゴリーを識別する対象カテゴリーデータ、の
うちの少なくとも１つを含む対象睡眠状態データを、前記推定モデルから出力させる、
ように構成され」得る。
第１７の態様に係る情報処理装置は、上記第１６の態様において「端末装置又はサーバ
装置であ」り得る。
第１８の態様に係る情報処理装置にあっては、上記第１７の態様において「前記少なく
とも１つのプロセッサが、中央処理装置（ＣＰＵ）、マイクロプロセッサ、及び／又は、
グラフィックスプロセッシングユニット（ＧＰＵ）を含」み得る。
第１９の態様に係る方法は、「コンピュータにより読み取り可能な命令を実行する少な
くとも１つのプロセッサにより実行される方法であって、該少なくとも１つのプロセッサ
が、前記命令を実行することにより、対象ユーザにより実行された行動の履歴を識別する
対象行動データを取得する段階と、教師あり学習を実行することにより生成された推定モ
デルに前記対象行動データを入力することにより、前記対象ユーザの睡眠の状態を識別す
る対象睡眠状態データであって、該対象ユーザの睡眠の性質を識別する対象性質データ、
該対象ユーザの睡眠のリズムを識別する対象リズムデータ、該対象ユーザの睡眠時間を識
別する対象時間データ、及び、該対象ユーザが属する睡眠カテゴリーを識別する対象カテ
ゴリーデータ、のうちの少なくとも１つを含む対象睡眠状態データを、前記推定モデルか
ら出力させる段階と、を含む」ことができる。
第２０の態様に係る方法にあっては、上記第１９の態様において「前記少なくとも１つ
のプロセッサが、中央処理装置（ＣＰＵ）、マイクロプロセッサ、及び／又は、グラフィ
ックスプロセッシングユニット（ＧＰＵ）を含」み得る。
第２１の態様に係る方法は、「コンピュータにより読み取り可能な命令を実行する少な
くとも１つのプロセッサにより実行される方法であって、該少なくとも１つのプロセッサ
が、前記命令を実行することにより、各組の教師データが、該組に対応する１人のサンプ
ルユーザにより実行された行動の履歴を識別するサンプル行動データと、該組に対応する
１人のサンプルユーザの睡眠の状態を識別するサンプル睡眠状態データと、を含む、複数
組の教師データを取得する取得段階と、該複数組の教師データを学習モデルに入力して学
習させることにより、対象ユーザにより実行された行動の履歴を識別する対象行動データ
を入力して、前記対象ユーザの睡眠の状態を識別する対象睡眠状態データであって、該対
象ユーザの睡眠の性質を識別する対象性質データ、該対象ユーザの睡眠のリズムを識別す
る対象リズムデータ、該対象ユーザの睡眠時間を識別する対象時間データ、及び、該対象
ユーザが属する睡眠カテゴリーを識別する対象カテゴリーデータ、のうちの少なくとも１
つを含む対象睡眠状態データを、出力するように構成された推定モデル、を生成する生成
段階と、を含む」ことができる。
第２２の態様に係る方法は、上記第２１の態様において「前記取得段階が、前記複数組
の教師データに含まれる第１の複数組の教師データを取得する段階を含み、該第１の複数
組の教師データに含まれる各組の教師データは、前記サンプル睡眠状態データとして、少
なくとも、該組に対応する１人のサンプルユーザの睡眠の性質を識別するサンプル性質デ
ータと、該組に対応する１人のサンプルユーザの睡眠のリズムを識別するサンプルリズム
データと、を含み、さらに、前記生成段階が、取得された前記第１の複数組の教師データ
に含まれる各組の教師データについて、該組に対応する１人のサンプルユーザの睡眠の性
質を識別するサンプル性質データと該組に対応する１人のサンプルユーザの睡眠のリズム
を識別するサンプルリズムデータとに基づいて、該組に対応する１人のサンプルユーザが
属する睡眠カテゴリーを識別するサンプル睡眠カテゴリーデータを生成する、という前処
理を実行する段階と、各組の教師データが、該組に対応する１人のサンプルユーザの前記
サンプル行動データと、該組に対応する１人のサンプルユーザの前記サンプル睡眠カテゴ
リーデータと、を含む、前記前処理後の前記第１の複数組の教師データを、前記学習モデ
ルに入力して前記推定モデルを生成する段階と、を含む」ことができる。
第２３の態様に係る方法は、上記第２１の態様において「前記取得段階が、前記複数組
の教師データに含まれる第２の複数組の教師データを取得する段階を含み、該第２の複数
組の教師データに含まれる各組の教師データは、前記サンプル睡眠状態データとして、少
なくとも、該組に対応する１人のサンプルユーザの睡眠の性質を識別するサンプル性質デ
ータと該組に対応する１人のサンプルユーザの睡眠のリズムを識別するサンプルリズムデ
ータとに基づいて決定された、該組に対応する１人のサンプルユーザが属する睡眠カテゴ
リーを識別するサンプル睡眠カテゴリーデータ、を含み、前記第２の複数組の教師データ
を、前記学習モデルに入力して前記推定モデルを生成する段階と、を含む」ことができる
。
第２４の態様に係る方法にあっては、上記第２３の態様において「前記組に対応する１
人のサンプルユーザの睡眠の性質を識別するサンプル性質データは、アテネ不眠尺度、ピ
ッツバーグ睡眠質問票、３次元型睡眠尺度、又は、不眠症重症度質問票に対する前記サン
プルユーザによる回答内容に基づいて算出されたスコアを示し、前記組に対応する１人の
サンプルユーザの睡眠のリズムを識別するサンプルリズムデータは、前記サンプルユーザ
の平日の睡眠時間帯の中央時間と休日の睡眠時間帯の中央時間帯との差の絶対値であるソ
ーシャルジェットラグを示し、前記組に対応する１人のサンプルユーザが属する睡眠カテ
ゴリーは、横軸及び縦軸のうちの一方の軸において前記スコアに対応付けて配置された少
なくとも１つの閾値と、前記横軸及び前記縦軸のうちの他方の軸において前記ソーシャル
ジェットラグに対応付けて配置された少なくとも１つの閾値と、により分割される複数の
カテゴリーのうちのいずれかであ」り得る。
第２５の態様に係る方法は、上記第２１の態様から上記第２４の態様のいずれかにおい
て「対象ユーザにより実行された行動の履歴を識別する対象行動データを前記推定モデル
に入力することにより、該推定モデルから前記対象ユーザの睡眠の状態を識別する対象睡
眠状態データを出力する推定段階、をさらに含む」ことができる。
第２６の態様に係る方法にあっては、上記第２１の態様から上記第２５の態様のいずれ
かにおいて「前記少なくとも１つのプロセッサが、中央処理装置（ＣＰＵ）、マイクロプ
ロセッサ、及び／又は、グラフィックスプロセッシングユニット（ＧＰＵ）を含」み得る
。
第２７の態様に係るコンピュータプログラムは、「少なくとも１つのプロセッサにより
実行されることにより、対象ユーザにより実行された行動の履歴を識別する対象行動デー
タを取得し、教師あり学習を実行することにより生成された推定モデルに前記対象行動デ
ータを入力することにより、前記対象ユーザの更年期症状の状態を識別する対象更年期状
態データであって、該対象ユーザの更年期症状の総合的な状態を識別する対象総合状態デ
ータ、該対象ユーザの第１症状の状態を識別する対象第１状態データ、該対象ユーザの第
２症状の状態を識別する対象第２状態データ、のうちの少なくとも１つを含む対象更年期
状態データを、前記推定モデルから出力させる、ように前記少なくとも１つのプロセッサ
を機能させる」ことができる。
第２８の態様に係るコンピュータプログラムは、上記第２７の態様において「各組の教
師データが、該組に対応する１人のサンプルユーザにより実行された行動の履歴を識別す
るサンプル行動データと、該組に対応する１人のサンプルユーザの更年期症状の状態を識
別するサンプル更年期状態データと、を含む、複数組の教師データを、学習モデルに入力
することにより生成された前記推定モデルを、取得する、ように前記少なくとも１つのプ
ロセッサを機能させる」ことができる。
第２９の態様に係るコンピュータプログラムは、上記第２７の態様において「各組の教
師データが、該組に対応する１人のサンプルユーザにより実行された行動の履歴を識別す
るサンプル行動データと、該組に対応する１人のサンプルユーザの更年期症状の状態を識
別するサンプル更年期状態データと、を含む、複数組の教師データを、学習モデルに入力
することにより生成された前記推定モデルに対して、通信回線を介して接続される、よう
に前記少なくとも１つのプロセッサを機能させる」ことができる。
第３０の態様に係るコンピュータプログラムは、上記第２７の態様において「各組の教
師データが、該組に対応する１人のサンプルユーザにより実行された行動の履歴を識別す
るサンプル行動データと、該組に対応する１人のサンプルユーザの更年期症状の状態を識
別するサンプル更年期状態データと、を含む、複数組の教師データを取得し、該複数組の
教師データを学習モデルに入力して学習させることにより、前記推定モデルを生成する、
ように前記少なくとも１つのプロセッサを機能させる」ことができる。
第３１の態様に係るコンピュータプログラムは、上記第３０の態様において「取得され
た前記複数組の教師データが第１の複数組の教師データを含み、該第１の複数組の教師デ
ータに含まれる各組の教師データが、前記サンプル更年期状態データとして、少なくとも
、該組に対応する１人のサンプルユーザの更年期症状の総合的な状態を識別するサンプル
総合状態データ、を含み、前記推定モデルから、前記対象更年期状態データとして、前記
対象ユーザの更年期症状の総合的な状態を識別する対象総合状態データを、出力させる、
ように前記少なくとも１つのプロセッサを機能させる」ことができる。
第３２の態様に係るコンピュータプログラムは、上記第３１の態様において「前記第１
の複数組の教師データに含まれる各組の教師データが、前記サンプル更年期状態データと
して、少なくとも、該組に対応する１人のサンプルユーザの更年期症状の総合的な状態に
対応するスコアを識別するサンプル総合状態データを含み、前記第１の複数組の教師デー
タに含まれる各組の教師データについて、該組に対応する１人のサンプルユーザの更年期
症状の総合的な状態に対応するスコアを識別するサンプル総合状態データを、該組に対応
する１人のサンプルユーザの更年期症状の総合的な状態に対応するカテゴリーを識別する
サンプル総合状態データに変換する、という前処理を実行し、前記前処理後の前記第１の
複数組の教師データを、前記学習モデルに入力して前記推定モデルを生成し、該推定モデ
ルから、前記対象更年期状態データとして、前記対象ユーザの更年期症状の総合的な状態
に対応するカテゴリーを識別する対象総合状態データを、出力させる、ように前記少なく
とも１つのプロセッサを機能させる」ことができる。
第３３の態様に係るコンピュータプログラムにあっては、上記第３２の態様において「
前記組に対応する１人のサンプルユーザの更年期症状の総合的な状態に対応するスコアは
、簡略更年期指数（ＳＭＩ）、更年期障害評価尺度（Ｍｅｎｏｐａｕｓｅ Ｒａｔｉｎｇ
Ｓｃａｌｅ）、クッパーマン更年期指数（Ｋｕｐｐｅｒｍａｎ ｉｎｄｅｘ）、更年期障
害評価（Ｇｒｅｅｎ Ｃｌｉｍａｃｔｅｒｉｃ Ｓｃａｌｅ）、ＰＳＳＴ（Ｐｒｅｍｅｎｓ
ｔｒｕａｌ Ｓｙｍｐｔｏｍｓ Ｓｃｒｅｅｎｉｎｇ Ｔｏｏｌ）、ＷＨＱ（Ｗｏｍｅｎ’
ｓ Ｈｅａｌｔｈ Ｑｕｅｓｔｉｏｎｎａｉｒｅ）、ＶＡＳ（Ｖｉｓｕａｌ Ａｎａｌｏｇ
ｕｅ Ｓｃａｌｅ）、ＨＦＲＤＩ（Ｈｏｔ Ｆｌａｓｈ Ｒｅｌａｔｅｄ Ｄａｉｌｙ Ｉｎ
ｔｅｒｆｅｒｅｎｃｅ Ｓｃａｌｅ）、ＨＦＣＳ（Ｈｏｔ Ｆｌａｓｈ Ｃｏｍｐｏｓｉｔ
ｅ Ｓｃｏｒｅ）、ＭＥＮＱＯＬ（Ｍｅｎｏｐａｕｓｅ－Ｓｐｅｃｉｆｉｃ Ｑｕａｌｉｔ
ｙ Ｏｆ Ｌｉｆｅ）又は日本人女性の更年期症状評価表に対する前記サンプルユーザ回答
内容に基づいて算出されたスコアであ」り得る。
第３４の態様に係るコンピュータプログラムは、上記第３０の態様において「取得され
た前記複数組の教師データが第２の複数組の教師データを含み、該第２の複数組の教師デ
ータに含まれる各組の教師データが、前記サンプル更年期状態データとして、少なくとも
、該組に対応する１人のサンプルユーザの第１症状の状態を識別するサンプル第１状態デ
ータ、を含み、前記推定モデルから、前記対象更年期状態データとして、前記対象ユーザ
の第１症状の状態を識別する対象第１状態データを、出力させる、ように前記少なくとも
１つのプロセッサを機能させる」ことができる。
第３５の態様に係るコンピュータプログラムは、上記第３４の態様において「前記第２
の複数組の教師データに含まれる各組の教師データが、前記サンプル更年期状態データと
して、少なくとも、該組に対応する１人のサンプルユーザの第１症状の状態に対応するス
コアを識別するサンプル第１状態データを含み、前記第２の複数組の教師データに含まれ
る各組の教師データについて、該組に対応する１人のサンプルユーザの第１症状の状態に
対応するスコアを識別するサンプル第１状態データを、該組に対応する１人のサンプルユ
ーザの第１症状の状態に対応するカテゴリーを識別するサンプル第１状態データに変換す
る、という前処理を実行し、前記前処理後の前記第２の複数組の教師データを、前記学習
モデルに入力して前記推定モデルを生成し、該推定モデルから、前記対象更年期状態デー
タとして、前記対象ユーザの第１症状の状態に対応するカテゴリーを識別する対象第１状
態データを、出力させる、ように前記少なくとも１つのプロセッサを機能させる」ことが
できる。
第３６の態様に係るコンピュータプログラムは、上記第３０の態様において「取得され
た前記複数組の教師データが第３の複数組の教師データを含み、該第３の複数組の教師デ
ータに含まれる各組の教師データが、前記サンプル更年期状態データとして、少なくとも
、該組に対応する１人のサンプルユーザの第２症状の状態を識別するサンプル第２状態デ
ータ、を含み、前記推定モデルから、前記対象更年期状態データとして、前記対象ユーザ
の第２症状の状態を識別する対象第１状態データを、出力させる、ように前記少なくとも
１つのプロセッサを機能させる」ことができる。
第３７の態様に係るコンピュータプログラムは、上記第３６の態様において「前記第３
の複数組の教師データに含まれる各組の教師データが、前記サンプル更年期状態データと
して、少なくとも、該組に対応する１人のサンプルユーザの第２症状の状態に対応するス
コアを識別するサンプル第２状態データを含み、前記第３の複数組の教師データに含まれ
る各組の教師データについて、該組に対応する１人のサンプルユーザの第２症状の状態に
対応するスコアを識別するサンプル第２状態データを、該組に対応する１人のサンプルユ
ーザの第２症状の状態に対応するカテゴリーを識別するサンプル第２状態データに変換す
る、という前処理を実行し、前記前処理後の前記第３の複数組の教師データを、前記学習
モデルに入力して前記推定モデルを生成し、該推定モデルから、前記対象更年期状態デー
タとして、前記対象ユーザの第２症状の状態に対応するカテゴリーを識別する対象第２状
態データを、出力させる、ように前記少なくとも１つのプロセッサを機能させる」ことが
できる。
第３８の態様に係るコンピュータプログラムは、上記第２７の態様から上記第３７の態
様のいずれかにおいて「複数の商品及び／又は複数のサービスのうち、前記対象更年期状
態データに対応する少なくとも１つの対象商品及び／又は少なくとも１つの対象サービス
を決定する、ように前記少なくとも１つのプロセッサを機能させる」ことができる。
第３９の態様に係るコンピュータプログラムは、上記第３８の態様において「教師あり
学習を実行することにより生成された別の推定モデルに前記対象更年期状態データを入力
することにより、該別の推定モデルから、前記少なくとも１つの対象商品及び／又は前記
少なくとも１つの対象サービスを識別する提案データを出力させる、ように前記少なくと
も１つのプロセッサを機能させる」ことができる。
第４０の態様に係るコンピュータプログラムは、上記第３８の態様において「対象更年
期状態データと前記複数の商品及び／又は前記複数のサービスとを対応付けた検索テーブ
ルに前記対象更年期状態データを入力することにより、該検索テーブルから前記少なくと
も１つの対象商品及び／又は前記少なくとも１つの対象サービスを識別する提案データを
取得する、ように前記少なくとも１つのプロセッサを機能させる」ことができる。
第４１の態様に係るコンピュータプログラムにあっては、上記第２７の態様から上記第
４０の態様のいずれかにおいて「前記少なくとも１つのプロセッサが、中央処理装置（Ｃ
ＰＵ）、マイクロプロセッサ、及び／又は、グラフィックスプロセッシングユニット（Ｇ
ＰＵ）を含」み得る。
第４２の態様に係る情報処理装置は、「少なくとも１つのプロセッサを具備し、該少な
くとも１つのプロセッサが、対象ユーザにより実行された行動の履歴を識別する対象行動
データを取得し、教師あり学習を実行することにより生成された推定モデルに前記対象行
動データを入力することにより、前記対象ユーザの更年期症状の状態を識別する対象更年
期状態データであって、該対象ユーザの更年期症状の総合的な状態を識別する対象総合状
態データ、該対象ユーザの第１症状の状態を識別する対象第１状態データ、及び、該対象
ユーザの第２症状の状態を識別する対象第２状態データ、のうちの少なくとも１つを含む
対象更年期状態データを、前記推定モデルから出力させる、ように構成され」得る。
第４３の態様に係る情報処理装置は、上記第４２の態様において「端末装置又はサーバ
装置であ」り得る。
第４４の態様に係る情報処理装置にあっては、上記第４２の態様又は上記第４３の態様
において「前記少なくとも１つのプロセッサが、中央処理装置（ＣＰＵ）、マイクロプロ
セッサ、及び／又は、グラフィックスプロセッシングユニット（ＧＰＵ）を含」み得る。
第４５の態様に係る方法は、「コンピュータにより読み取り可能な命令を実行する少な
くとも１つのプロセッサにより実行される方法であって、該少なくとも１つのプロセッサ
が、前記命令を実行することにより、対象ユーザにより実行された行動の履歴を識別する
対象行動データを取得する段階と、教師あり学習を実行することにより生成された推定モ
デルに前記対象行動データを入力することにより、前記対象ユーザの更年期症状の状態を
識別する対象更年期状態データであって、該対象ユーザの更年期症状の総合的な状態を識
別する対象総合状態データ、該対象ユーザの第１症状の状態を識別する対象第１状態デー
タ、及び、該対象ユーザの第２症状の状態を識別する対象第２状態データ、のうちの少な
くとも１つを含む対象更年期状態データを、前記推定モデルから出力させる段階と、を含
む」ことができる。
第４６の態様に係る方法にあっては、上記第４５の態様において「前記少なくとも１つ
のプロセッサが、中央処理装置（ＣＰＵ）、マイクロプロセッサ、及び／又は、グラフィ
ックスプロセッシングユニット（ＧＰＵ）を含」み得る。
第４７の態様に係る方法は、「コンピュータにより読み取り可能な命令を実行する少な
くとも１つのプロセッサにより実行される方法であって、該少なくとも１つのプロセッサ
が、前記命令を実行することにより、各組の教師データが、該組に対応する１人のサンプ
ルユーザにより実行された行動の履歴を識別するサンプル行動データと、該組に対応する
１人のサンプルユーザの更年期症状の状態を識別するサンプル更年期状態データと、を含
む、複数組の教師データを取得する取得段階と、該複数組の教師データを学習モデルに入
力して学習させることにより、対象ユーザにより実行された行動の履歴を識別する対象行
動データを入力して、前記対象ユーザの更年期症状の状態を識別する対象更年期状態デー
タであって、該対象ユーザの更年期症状の総合的な状態を識別する対象総合状態データ、
該対象ユーザの第１症状の状態を識別する対象第１状態データ、及び、該対象ユーザの第
２症状の状態を識別する対象第２状態データ、のうちの少なくとも１つを含む対象更年期
状態データを、出力するように構成された推定モデル、を生成する生成段階と、を含む」
ことができる。
第４８の態様に係る方法は、上記第４７の態様において「前記取得段階が、前記複数組
の教師データに含まれる第１の複数組の教師データを取得する段階を含み、該第１の複数
組の教師データに含まれる各組の教師データは、前記サンプル更年期状態データとして、
少なくとも、該組に対応する１人のサンプルユーザの更年期症状の総合的な状態に対応す
るスコアを識別するサンプル総合状態データを含み、さらに、前記生成段階が、取得され
た前記第１の複数組の教師データに含まれる各組の教師データについて、該組に対応する
１人のサンプルユーザの更年期症状の総合的な状態に対応するスコアを識別するサンプル
総合状態データを、該組に対応する１人のサンプルユーザの更年期症状の総合的な状態に
対応するカテゴリーを識別するサンプル総合状態データに変換する、という前処理を実行
する段階と、各組の教師データが、該組に対応する１人のサンプルユーザの前記サンプル
行動データと、該組に対応する１人のサンプルユーザの前記サンプル総合状態データと、
を含む、前記前処理後の前記第１の複数組の教師データを、前記学習モデルに入力して前
記推定モデルを生成する段階と、を含む」ことができる。
第４９の態様に係る方法は、上記第４７の態様において「前記取得段階が、前記複数組
の教師データに含まれる第１の複数組の教師データを取得する段階を含み、該第２の複数
組の教師データに含まれる各組の教師データは、前記サンプル更年期状態データとして、
少なくとも、該組に対応する１人のサンプルユーザの第１症状の状態に対応するスコアを
識別するサンプル第１状態データを含み、さらに、前記生成段階が、取得された前記第２
の複数組の教師データに含まれる各組の教師データについて、該組に対応する１人のサン
プルユーザの第１症状の状態に対応するスコアを識別するサンプル第１状態データを、該
組に対応する１人のサンプルユーザの第１症状の状態に対応するカテゴリーを識別するサ
ンプル第１状態データに変換する、という前処理を実行する段階と、各組の教師データが
、該組に対応する１人のサンプルユーザの前記サンプル行動データと、該組に対応する１
人のサンプルユーザの前記サンプル第１状態データと、を含む、前記前処理後の前記第２
の複数組の教師データを、前記学習モデルに入力して前記推定モデルを生成する段階と、
を含む」ことができる。
第５０の態様に係る方法は、上記第４７の態様において「前記取得段階が、前記複数組
の教師データに含まれる第３の複数組の教師データを取得する段階を含み、該第３の複数
組の教師データに含まれる各組の教師データは、前記サンプル更年期状態データとして、
少なくとも、該組に対応する１人のサンプルユーザの第２症状の状態に対応するスコアを
識別するサンプル第２状態データを含み、さらに、前記生成段階が、取得された前記第３
の複数組の教師データに含まれる各組の教師データについて、該組に対応する１人のサン
プルユーザの第２症状の状態に対応するスコアを識別するサンプル第２状態データを、該
組に対応する１人のサンプルユーザの第２症状の状態に対応するカテゴリーを識別するサ
ンプル第２状態データに変換する、という前処理を実行する段階と、各組の教師データが
、該組に対応する１人のサンプルユーザの前記サンプル行動データと、該組に対応する１
人のサンプルユーザの前記サンプル第２状態データと、を含む、前記前処理後の前記第３
の複数組の教師データを、前記学習モデルに入力して前記推定モデルを生成する段階と、
を含む」ことができる。
第５１の態様に係る方法にあっては、上記第４７の態様から上記第５０の態様において
「前記少なくとも１つのプロセッサが、中央処理装置（ＣＰＵ）、マイクロプロセッサ、
及び／又は、グラフィックスプロセッシングユニット（ＧＰＵ）を含む」ことができる。
第１の態様に係るコンピュータプログラムは、「少なくとも１つのプロセッサにより実
行されることにより、対象ユーザにより実行された行動の履歴を識別する対象行動データ
を取得し、教師あり学習を実行することにより生成された推定モデルに前記対象行動デー
タを入力することにより、前記対象ユーザの睡眠の状態を識別する対象睡眠状態データで
あって、該対象ユーザの睡眠の性質を識別する対象性質データ、該対象ユーザの睡眠のリ
ズムを識別する対象リズムデータ、該対象ユーザの睡眠時間を識別する対象時間データ、
及び、該対象ユーザが属する睡眠カテゴリーを識別する対象カテゴリーデータ、のうちの
少なくとも１つを含む対象睡眠状態データを、前記推定モデルから出力させる、ように前
記少なくとも１つのプロセッサを機能させる」ことができる。
第２の態様に係るコンピュータプログラムは、上記第１の態様において「各組の教師デ
ータが、該組に対応する１人のサンプルユーザにより実行された行動の履歴を識別するサ
ンプル行動データと、該組に対応する１人のサンプルユーザの睡眠の状態を識別するサン
プル睡眠状態データと、を含む、複数組の教師データを、学習モデルに入力することによ
り生成された前記推定モデルを、取得する、ように前記少なくとも１つのプロセッサを機
能させる」ことができる。
第３の態様に係るコンピュータプログラムは、上記第１の態様において「各組の教師デ
ータが、該組に対応する１人のサンプルユーザにより実行された行動の履歴を識別するサ
ンプル行動データと、該組に対応する１人のサンプルユーザの睡眠の状態を識別するサン
プル睡眠状態データと、を含む、複数組の教師データを、学習モデルに入力することによ
り生成された前記推定モデルに対して、通信回線を介して接続される、ように前記少なく
とも１つのプロセッサを機能させる」ことができる。
第４の態様に係るコンピュータプログラムは、上記第１の態様において「各組の教師デ
ータが、該組に対応する１人のサンプルユーザにより実行された行動の履歴を識別するサ
ンプル行動データと、該組に対応する１人のサンプルユーザの睡眠の状態を識別するサン
プル睡眠状態データと、を含む、複数組の教師データを取得し、該複数組の教師データを
学習モデルに入力して学習させることにより、前記推定モデルを生成する、ように前記少
なくとも１つのプロセッサを機能させる」ことができる。
第５の態様に係るコンピュータプログラムは、上記第４の態様において「取得された前
記複数組の教師データが第１の複数組の教師データを含み、該第１の複数組の教師データ
に含まれる各組の教師データが、前記サンプル睡眠状態データとして、少なくとも、該組
に対応する１人のサンプルユーザの睡眠の性質を識別するサンプル性質データと、該組に
対応する１人のサンプルユーザの睡眠のリズムを識別するサンプルリズムデータと、を含
み、取得された前記第１の複数組の教師データに含まれる各組の教師データについて、該
組に対応する１人のサンプルユーザの睡眠の性質を識別するサンプル性質データと該組に
対応する１人のサンプルユーザの睡眠のリズムを識別するサンプルリズムデータとに基づ
いて、該組に対応する１人のサンプルユーザが属する睡眠カテゴリーを識別するサンプル
睡眠カテゴリーデータを生成する、という前処理を実行し、各組の教師データが、該組に
対応する１人のサンプルユーザの前記サンプル行動データと、該組に対応する１人のサン
プルユーザの前記サンプル睡眠カテゴリーデータと、を含む、前記前処理後の前記第１の
複数組の教師データを、前記学習モデルに入力して前記推定モデルを生成し、該推定モデ
ルから、前記対象睡眠状態データとして、前記対象ユーザが属する睡眠カテゴリーを識別
する対象睡眠カテゴリーデータを、出力させる、ように前記少なくとも１つのプロセッサ
を機能させる」ことができる。
第６の態様に係るコンピュータプログラムは、上記第２の態様から上記第４の態様のい
ずれかにおいて「前記複数組の教師データが第２の複数組の教師データを含み、該第２の
複数組の教師データに含まれる各組の教師データが、前記サンプル睡眠状態データとして
、少なくとも、該組に対応する１人のサンプルユーザの睡眠の性質を識別するサンプル性
質データと該組に対応する１人のサンプルユーザの睡眠のリズムを識別するサンプルリズ
ムデータとに基づいて決定された、該組に対応する１人のサンプルユーザが属する睡眠カ
テゴリーを識別するサンプル睡眠カテゴリーデータ、を含み、該推定モデルから、前記対
象睡眠状態データとして、前記対象ユーザが属する睡眠カテゴリーを識別する対象睡眠カ
テゴリーデータを、出力させる、ように前記少なくとも１つのプロセッサを機能させる」
ことができる。
第７の態様に係るコンピュータプログラムにあっては、上記第５の態様又は上記第６の
態様において「前記組に対応する１人のサンプルユーザの睡眠の性質を識別するサンプル
性質データは、アテネ不眠尺度、ピッツバーグ睡眠質問票、３次元型睡眠尺度、又は、不
眠症重症度質問票に対する前記サンプルユーザによる回答内容に基づいて算出されたスコ
アを示し、前記組に対応する１人のサンプルユーザの睡眠のリズムを識別するサンプルリ
ズムデータは、前記サンプルユーザの平日の睡眠時間帯の中央時間と休日の睡眠時間帯の
中央時間帯との差の絶対値であるソーシャルジェットラグを示し、前記組に対応する１人
のサンプルユーザが属する睡眠カテゴリーは、横軸及び縦軸のうちの一方の軸において前
記スコアに対応付けて配置された少なくとも１つの閾値と、前記横軸及び前記縦軸のうち
の他方の軸において前記ソーシャルジェットラグに対応付けて配置された少なくとも１つ
の閾値と、により分割される複数のカテゴリーのうちのいずれかであ」り得る。
第８の態様に係るコンピュータプログラムは、上記第２の態様から上記第４の態様のい
ずれかにおいて「前記複数組の教師データが第３の複数組の教師データを含み、該第３の
複数組の教師データに含まれる各組の教師データが、前記サンプル睡眠状態データとして
、少なくとも、該組に対応する１人のサンプルユーザの睡眠の性質を識別するサンプル性
質データと、該組に対応する１人のサンプルユーザの睡眠のリズムを識別するサンプルリ
ズムデータと、を含み、前記推定モデルから、前記対象睡眠状態データとして、前記対象
ユーザの睡眠の性質を識別する対象性質データと、該対象ユーザの睡眠のリズムを識別す
る対象リズムデータとを、出力させる、ように前記少なくとも１つのプロセッサを機能さ
せる」ことができる。
第９の態様に係るコンピュータプログラムは、上記第２の態様から上記第４の態様のい
ずれかにおいて「前記複数組の教師データが第４の複数組の教師データを含み、該第４の
複数組の教師データに含まれる各組の教師データが、前記サンプル睡眠状態データとして
、少なくとも、該組に対応する１人のサンプルユーザの睡眠の性質を識別するサンプル性
質データを含み、前記推定モデルから、前記対象睡眠状態データとして、前記対象ユーザ
の睡眠の性質を識別する対象性質データを、出力させる、ように前記少なくとも１つのプ
ロセッサを機能させる」ことができる。
第１０の態様に係るコンピュータプログラムは、上記第２の態様から上記第４の態様の
いずれかにおいて「前記複数組の教師データが第５の複数組の教師データを含み、該第５
の複数組の教師データに含まれる各組の教師データが、前記サンプル睡眠状態データとし
て、少なくとも、該組に対応する１人のサンプルユーザの睡眠のリズムを識別するサンプ
ルリズムデータを含み、前記推定モデルから、前記対象睡眠状態データとして、前記対象
ユーザの睡眠のリズムを識別する対象リズムデータを、出力させる、ように前記少なくと
も１つのプロセッサを機能させる」ことができる。
第１１の態様に係るコンピュータプログラムは、上記第２の態様から上記第４の態様の
いずれかにおいて「前記複数組の教師データが第６の複数組の教師データを含み、該第６
の複数組の教師データに含まれる各組の教師データが、前記サンプル睡眠状態データとし
て、少なくとも、該組に対応する１人のサンプルユーザの睡眠時間を識別するサンプル時
間データを含み、前記推定モデルから、前記対象睡眠状態データとして、前記対象ユーザ
の睡眠時間を識別する対象時間データを、出力させる、ように前記少なくとも１つのプロ
セッサを機能させる」ことができる。
第１２の態様に係るコンピュータプログラムは、上記第１の態様から上記第１１の態様
のいずれかにおいて「複数の商品及び／又は複数のサービスのうち、前記対象睡眠状態デ
ータに対応する少なくとも１つの対象商品及び／又は少なくとも１つの対象サービスを決
定する、ように前記少なくとも１つのプロセッサを機能させる」ことができる。
第１３の態様に係るコンピュータプログラムは、上記第１２の態様において「教師あり
学習を実行することにより生成された別の推定モデルに前記対象睡眠状態データを入力す
ることにより、該別の推定モデルから、前記少なくとも１つの対象商品及び／又は前記少
なくとも１つの対象サービスを識別する提案データを出力させる、ように前記少なくとも
１つのプロセッサを機能させる」ことができる。
第１４の態様に係るコンピュータプログラムは、上記第１２の態様において「対象睡眠
状態データと前記複数の商品及び／又は前記複数のサービスとを対応付けた検索テーブル
に前記対象睡眠状態データを入力することにより、該検索テーブルから前記少なくとも１
つの対象商品及び／又は前記少なくとも１つの対象サービスを識別する提案データを取得
する、ように前記少なくとも１つのプロセッサを機能させる」ことができる。
第１５の態様に係るコンピュータプログラムにあっては、上記第１の態様から上記第１
４の態様のいずれかにおいて「前記少なくとも１つのプロセッサが、中央処理装置（ＣＰ
Ｕ）、マイクロプロセッサ、及び／又は、グラフィックスプロセッシングユニット（ＧＰ
Ｕ）を含む」ことができる。
第１６の態様に係る情報処理装置は、「少なくとも１つのプロセッサを具備し、該少な
くとも１つのプロセッサが、対象ユーザにより実行された行動の履歴を識別する対象行動
データを取得し、教師あり学習を実行することにより生成された推定モデルに前記対象行
動データを入力することにより、前記対象ユーザの睡眠の状態を識別する対象睡眠状態デ
ータであって、該対象ユーザの睡眠の性質を識別する対象性質データ、該対象ユーザの睡
眠のリズムを識別する対象リズムデータ、該対象ユーザの睡眠時間を識別する対象時間デ
ータ、及び、該対象ユーザが属する睡眠カテゴリーを識別する対象カテゴリーデータ、の
うちの少なくとも１つを含む対象睡眠状態データを、前記推定モデルから出力させる、
ように構成され」得る。
第１７の態様に係る情報処理装置は、上記第１６の態様において「端末装置又はサーバ
装置であ」り得る。
第１８の態様に係る情報処理装置にあっては、上記第１７の態様において「前記少なく
とも１つのプロセッサが、中央処理装置（ＣＰＵ）、マイクロプロセッサ、及び／又は、
グラフィックスプロセッシングユニット（ＧＰＵ）を含」み得る。
第１９の態様に係る方法は、「コンピュータにより読み取り可能な命令を実行する少な
くとも１つのプロセッサにより実行される方法であって、該少なくとも１つのプロセッサ
が、前記命令を実行することにより、対象ユーザにより実行された行動の履歴を識別する
対象行動データを取得する段階と、教師あり学習を実行することにより生成された推定モ
デルに前記対象行動データを入力することにより、前記対象ユーザの睡眠の状態を識別す
る対象睡眠状態データであって、該対象ユーザの睡眠の性質を識別する対象性質データ、
該対象ユーザの睡眠のリズムを識別する対象リズムデータ、該対象ユーザの睡眠時間を識
別する対象時間データ、及び、該対象ユーザが属する睡眠カテゴリーを識別する対象カテ
ゴリーデータ、のうちの少なくとも１つを含む対象睡眠状態データを、前記推定モデルか
ら出力させる段階と、を含む」ことができる。
第２０の態様に係る方法にあっては、上記第１９の態様において「前記少なくとも１つ
のプロセッサが、中央処理装置（ＣＰＵ）、マイクロプロセッサ、及び／又は、グラフィ
ックスプロセッシングユニット（ＧＰＵ）を含」み得る。
第２１の態様に係る方法は、「コンピュータにより読み取り可能な命令を実行する少な
くとも１つのプロセッサにより実行される方法であって、該少なくとも１つのプロセッサ
が、前記命令を実行することにより、各組の教師データが、該組に対応する１人のサンプ
ルユーザにより実行された行動の履歴を識別するサンプル行動データと、該組に対応する
１人のサンプルユーザの睡眠の状態を識別するサンプル睡眠状態データと、を含む、複数
組の教師データを取得する取得段階と、該複数組の教師データを学習モデルに入力して学
習させることにより、対象ユーザにより実行された行動の履歴を識別する対象行動データ
を入力して、前記対象ユーザの睡眠の状態を識別する対象睡眠状態データであって、該対
象ユーザの睡眠の性質を識別する対象性質データ、該対象ユーザの睡眠のリズムを識別す
る対象リズムデータ、該対象ユーザの睡眠時間を識別する対象時間データ、及び、該対象
ユーザが属する睡眠カテゴリーを識別する対象カテゴリーデータ、のうちの少なくとも１
つを含む対象睡眠状態データを、出力するように構成された推定モデル、を生成する生成
段階と、を含む」ことができる。
第２２の態様に係る方法は、上記第２１の態様において「前記取得段階が、前記複数組
の教師データに含まれる第１の複数組の教師データを取得する段階を含み、該第１の複数
組の教師データに含まれる各組の教師データは、前記サンプル睡眠状態データとして、少
なくとも、該組に対応する１人のサンプルユーザの睡眠の性質を識別するサンプル性質デ
ータと、該組に対応する１人のサンプルユーザの睡眠のリズムを識別するサンプルリズム
データと、を含み、さらに、前記生成段階が、取得された前記第１の複数組の教師データ
に含まれる各組の教師データについて、該組に対応する１人のサンプルユーザの睡眠の性
質を識別するサンプル性質データと該組に対応する１人のサンプルユーザの睡眠のリズム
を識別するサンプルリズムデータとに基づいて、該組に対応する１人のサンプルユーザが
属する睡眠カテゴリーを識別するサンプル睡眠カテゴリーデータを生成する、という前処
理を実行する段階と、各組の教師データが、該組に対応する１人のサンプルユーザの前記
サンプル行動データと、該組に対応する１人のサンプルユーザの前記サンプル睡眠カテゴ
リーデータと、を含む、前記前処理後の前記第１の複数組の教師データを、前記学習モデ
ルに入力して前記推定モデルを生成する段階と、を含む」ことができる。
第２３の態様に係る方法は、上記第２１の態様において「前記取得段階が、前記複数組
の教師データに含まれる第２の複数組の教師データを取得する段階を含み、該第２の複数
組の教師データに含まれる各組の教師データは、前記サンプル睡眠状態データとして、少
なくとも、該組に対応する１人のサンプルユーザの睡眠の性質を識別するサンプル性質デ
ータと該組に対応する１人のサンプルユーザの睡眠のリズムを識別するサンプルリズムデ
ータとに基づいて決定された、該組に対応する１人のサンプルユーザが属する睡眠カテゴ
リーを識別するサンプル睡眠カテゴリーデータ、を含み、前記第２の複数組の教師データ
を、前記学習モデルに入力して前記推定モデルを生成する段階と、を含む」ことができる
。
第２４の態様に係る方法にあっては、上記第２３の態様において「前記組に対応する１
人のサンプルユーザの睡眠の性質を識別するサンプル性質データは、アテネ不眠尺度、ピ
ッツバーグ睡眠質問票、３次元型睡眠尺度、又は、不眠症重症度質問票に対する前記サン
プルユーザによる回答内容に基づいて算出されたスコアを示し、前記組に対応する１人の
サンプルユーザの睡眠のリズムを識別するサンプルリズムデータは、前記サンプルユーザ
の平日の睡眠時間帯の中央時間と休日の睡眠時間帯の中央時間帯との差の絶対値であるソ
ーシャルジェットラグを示し、前記組に対応する１人のサンプルユーザが属する睡眠カテ
ゴリーは、横軸及び縦軸のうちの一方の軸において前記スコアに対応付けて配置された少
なくとも１つの閾値と、前記横軸及び前記縦軸のうちの他方の軸において前記ソーシャル
ジェットラグに対応付けて配置された少なくとも１つの閾値と、により分割される複数の
カテゴリーのうちのいずれかであ」り得る。
第２５の態様に係る方法は、上記第２１の態様から上記第２４の態様のいずれかにおい
て「対象ユーザにより実行された行動の履歴を識別する対象行動データを前記推定モデル
に入力することにより、該推定モデルから前記対象ユーザの睡眠の状態を識別する対象睡
眠状態データを出力する推定段階、をさらに含む」ことができる。
第２６の態様に係る方法にあっては、上記第２１の態様から上記第２５の態様のいずれ
かにおいて「前記少なくとも１つのプロセッサが、中央処理装置（ＣＰＵ）、マイクロプ
ロセッサ、及び／又は、グラフィックスプロセッシングユニット（ＧＰＵ）を含」み得る
。
第２７の態様に係るコンピュータプログラムは、「少なくとも１つのプロセッサにより
実行されることにより、対象ユーザにより実行された行動の履歴を識別する対象行動デー
タを取得し、教師あり学習を実行することにより生成された推定モデルに前記対象行動デ
ータを入力することにより、前記対象ユーザの更年期症状の状態を識別する対象更年期状
態データであって、該対象ユーザの更年期症状の総合的な状態を識別する対象総合状態デ
ータ、該対象ユーザの第１症状の状態を識別する対象第１状態データ、該対象ユーザの第
２症状の状態を識別する対象第２状態データ、のうちの少なくとも１つを含む対象更年期
状態データを、前記推定モデルから出力させる、ように前記少なくとも１つのプロセッサ
を機能させる」ことができる。
第２８の態様に係るコンピュータプログラムは、上記第２７の態様において「各組の教
師データが、該組に対応する１人のサンプルユーザにより実行された行動の履歴を識別す
るサンプル行動データと、該組に対応する１人のサンプルユーザの更年期症状の状態を識
別するサンプル更年期状態データと、を含む、複数組の教師データを、学習モデルに入力
することにより生成された前記推定モデルを、取得する、ように前記少なくとも１つのプ
ロセッサを機能させる」ことができる。
第２９の態様に係るコンピュータプログラムは、上記第２７の態様において「各組の教
師データが、該組に対応する１人のサンプルユーザにより実行された行動の履歴を識別す
るサンプル行動データと、該組に対応する１人のサンプルユーザの更年期症状の状態を識
別するサンプル更年期状態データと、を含む、複数組の教師データを、学習モデルに入力
することにより生成された前記推定モデルに対して、通信回線を介して接続される、よう
に前記少なくとも１つのプロセッサを機能させる」ことができる。
第３０の態様に係るコンピュータプログラムは、上記第２７の態様において「各組の教
師データが、該組に対応する１人のサンプルユーザにより実行された行動の履歴を識別す
るサンプル行動データと、該組に対応する１人のサンプルユーザの更年期症状の状態を識
別するサンプル更年期状態データと、を含む、複数組の教師データを取得し、該複数組の
教師データを学習モデルに入力して学習させることにより、前記推定モデルを生成する、
ように前記少なくとも１つのプロセッサを機能させる」ことができる。
第３１の態様に係るコンピュータプログラムは、上記第３０の態様において「取得され
た前記複数組の教師データが第１の複数組の教師データを含み、該第１の複数組の教師デ
ータに含まれる各組の教師データが、前記サンプル更年期状態データとして、少なくとも
、該組に対応する１人のサンプルユーザの更年期症状の総合的な状態を識別するサンプル
総合状態データ、を含み、前記推定モデルから、前記対象更年期状態データとして、前記
対象ユーザの更年期症状の総合的な状態を識別する対象総合状態データを、出力させる、
ように前記少なくとも１つのプロセッサを機能させる」ことができる。
第３２の態様に係るコンピュータプログラムは、上記第３１の態様において「前記第１
の複数組の教師データに含まれる各組の教師データが、前記サンプル更年期状態データと
して、少なくとも、該組に対応する１人のサンプルユーザの更年期症状の総合的な状態に
対応するスコアを識別するサンプル総合状態データを含み、前記第１の複数組の教師デー
タに含まれる各組の教師データについて、該組に対応する１人のサンプルユーザの更年期
症状の総合的な状態に対応するスコアを識別するサンプル総合状態データを、該組に対応
する１人のサンプルユーザの更年期症状の総合的な状態に対応するカテゴリーを識別する
サンプル総合状態データに変換する、という前処理を実行し、前記前処理後の前記第１の
複数組の教師データを、前記学習モデルに入力して前記推定モデルを生成し、該推定モデ
ルから、前記対象更年期状態データとして、前記対象ユーザの更年期症状の総合的な状態
に対応するカテゴリーを識別する対象総合状態データを、出力させる、ように前記少なく
とも１つのプロセッサを機能させる」ことができる。
第３３の態様に係るコンピュータプログラムにあっては、上記第３２の態様において「
前記組に対応する１人のサンプルユーザの更年期症状の総合的な状態に対応するスコアは
、簡略更年期指数（ＳＭＩ）、更年期障害評価尺度（Ｍｅｎｏｐａｕｓｅ Ｒａｔｉｎｇ
Ｓｃａｌｅ）、クッパーマン更年期指数（Ｋｕｐｐｅｒｍａｎ ｉｎｄｅｘ）、更年期障
害評価（Ｇｒｅｅｎ Ｃｌｉｍａｃｔｅｒｉｃ Ｓｃａｌｅ）、ＰＳＳＴ（Ｐｒｅｍｅｎｓ
ｔｒｕａｌ Ｓｙｍｐｔｏｍｓ Ｓｃｒｅｅｎｉｎｇ Ｔｏｏｌ）、ＷＨＱ（Ｗｏｍｅｎ’
ｓ Ｈｅａｌｔｈ Ｑｕｅｓｔｉｏｎｎａｉｒｅ）、ＶＡＳ（Ｖｉｓｕａｌ Ａｎａｌｏｇ
ｕｅ Ｓｃａｌｅ）、ＨＦＲＤＩ（Ｈｏｔ Ｆｌａｓｈ Ｒｅｌａｔｅｄ Ｄａｉｌｙ Ｉｎ
ｔｅｒｆｅｒｅｎｃｅ Ｓｃａｌｅ）、ＨＦＣＳ（Ｈｏｔ Ｆｌａｓｈ Ｃｏｍｐｏｓｉｔ
ｅ Ｓｃｏｒｅ）、ＭＥＮＱＯＬ（Ｍｅｎｏｐａｕｓｅ－Ｓｐｅｃｉｆｉｃ Ｑｕａｌｉｔ
ｙ Ｏｆ Ｌｉｆｅ）又は日本人女性の更年期症状評価表に対する前記サンプルユーザ回答
内容に基づいて算出されたスコアであ」り得る。
第３４の態様に係るコンピュータプログラムは、上記第３０の態様において「取得され
た前記複数組の教師データが第２の複数組の教師データを含み、該第２の複数組の教師デ
ータに含まれる各組の教師データが、前記サンプル更年期状態データとして、少なくとも
、該組に対応する１人のサンプルユーザの第１症状の状態を識別するサンプル第１状態デ
ータ、を含み、前記推定モデルから、前記対象更年期状態データとして、前記対象ユーザ
の第１症状の状態を識別する対象第１状態データを、出力させる、ように前記少なくとも
１つのプロセッサを機能させる」ことができる。
第３５の態様に係るコンピュータプログラムは、上記第３４の態様において「前記第２
の複数組の教師データに含まれる各組の教師データが、前記サンプル更年期状態データと
して、少なくとも、該組に対応する１人のサンプルユーザの第１症状の状態に対応するス
コアを識別するサンプル第１状態データを含み、前記第２の複数組の教師データに含まれ
る各組の教師データについて、該組に対応する１人のサンプルユーザの第１症状の状態に
対応するスコアを識別するサンプル第１状態データを、該組に対応する１人のサンプルユ
ーザの第１症状の状態に対応するカテゴリーを識別するサンプル第１状態データに変換す
る、という前処理を実行し、前記前処理後の前記第２の複数組の教師データを、前記学習
モデルに入力して前記推定モデルを生成し、該推定モデルから、前記対象更年期状態デー
タとして、前記対象ユーザの第１症状の状態に対応するカテゴリーを識別する対象第１状
態データを、出力させる、ように前記少なくとも１つのプロセッサを機能させる」ことが
できる。
第３６の態様に係るコンピュータプログラムは、上記第３０の態様において「取得され
た前記複数組の教師データが第３の複数組の教師データを含み、該第３の複数組の教師デ
ータに含まれる各組の教師データが、前記サンプル更年期状態データとして、少なくとも
、該組に対応する１人のサンプルユーザの第２症状の状態を識別するサンプル第２状態デ
ータ、を含み、前記推定モデルから、前記対象更年期状態データとして、前記対象ユーザ
の第２症状の状態を識別する対象第１状態データを、出力させる、ように前記少なくとも
１つのプロセッサを機能させる」ことができる。
第３７の態様に係るコンピュータプログラムは、上記第３６の態様において「前記第３
の複数組の教師データに含まれる各組の教師データが、前記サンプル更年期状態データと
して、少なくとも、該組に対応する１人のサンプルユーザの第２症状の状態に対応するス
コアを識別するサンプル第２状態データを含み、前記第３の複数組の教師データに含まれ
る各組の教師データについて、該組に対応する１人のサンプルユーザの第２症状の状態に
対応するスコアを識別するサンプル第２状態データを、該組に対応する１人のサンプルユ
ーザの第２症状の状態に対応するカテゴリーを識別するサンプル第２状態データに変換す
る、という前処理を実行し、前記前処理後の前記第３の複数組の教師データを、前記学習
モデルに入力して前記推定モデルを生成し、該推定モデルから、前記対象更年期状態デー
タとして、前記対象ユーザの第２症状の状態に対応するカテゴリーを識別する対象第２状
態データを、出力させる、ように前記少なくとも１つのプロセッサを機能させる」ことが
できる。
第３８の態様に係るコンピュータプログラムは、上記第２７の態様から上記第３７の態
様のいずれかにおいて「複数の商品及び／又は複数のサービスのうち、前記対象更年期状
態データに対応する少なくとも１つの対象商品及び／又は少なくとも１つの対象サービス
を決定する、ように前記少なくとも１つのプロセッサを機能させる」ことができる。
第３９の態様に係るコンピュータプログラムは、上記第３８の態様において「教師あり
学習を実行することにより生成された別の推定モデルに前記対象更年期状態データを入力
することにより、該別の推定モデルから、前記少なくとも１つの対象商品及び／又は前記
少なくとも１つの対象サービスを識別する提案データを出力させる、ように前記少なくと
も１つのプロセッサを機能させる」ことができる。
第４０の態様に係るコンピュータプログラムは、上記第３８の態様において「対象更年
期状態データと前記複数の商品及び／又は前記複数のサービスとを対応付けた検索テーブ
ルに前記対象更年期状態データを入力することにより、該検索テーブルから前記少なくと
も１つの対象商品及び／又は前記少なくとも１つの対象サービスを識別する提案データを
取得する、ように前記少なくとも１つのプロセッサを機能させる」ことができる。
第４１の態様に係るコンピュータプログラムにあっては、上記第２７の態様から上記第
４０の態様のいずれかにおいて「前記少なくとも１つのプロセッサが、中央処理装置（Ｃ
ＰＵ）、マイクロプロセッサ、及び／又は、グラフィックスプロセッシングユニット（Ｇ
ＰＵ）を含」み得る。
第４２の態様に係る情報処理装置は、「少なくとも１つのプロセッサを具備し、該少な
くとも１つのプロセッサが、対象ユーザにより実行された行動の履歴を識別する対象行動
データを取得し、教師あり学習を実行することにより生成された推定モデルに前記対象行
動データを入力することにより、前記対象ユーザの更年期症状の状態を識別する対象更年
期状態データであって、該対象ユーザの更年期症状の総合的な状態を識別する対象総合状
態データ、該対象ユーザの第１症状の状態を識別する対象第１状態データ、及び、該対象
ユーザの第２症状の状態を識別する対象第２状態データ、のうちの少なくとも１つを含む
対象更年期状態データを、前記推定モデルから出力させる、ように構成され」得る。
第４３の態様に係る情報処理装置は、上記第４２の態様において「端末装置又はサーバ
装置であ」り得る。
第４４の態様に係る情報処理装置にあっては、上記第４２の態様又は上記第４３の態様
において「前記少なくとも１つのプロセッサが、中央処理装置（ＣＰＵ）、マイクロプロ
セッサ、及び／又は、グラフィックスプロセッシングユニット（ＧＰＵ）を含」み得る。
第４５の態様に係る方法は、「コンピュータにより読み取り可能な命令を実行する少な
くとも１つのプロセッサにより実行される方法であって、該少なくとも１つのプロセッサ
が、前記命令を実行することにより、対象ユーザにより実行された行動の履歴を識別する
対象行動データを取得する段階と、教師あり学習を実行することにより生成された推定モ
デルに前記対象行動データを入力することにより、前記対象ユーザの更年期症状の状態を
識別する対象更年期状態データであって、該対象ユーザの更年期症状の総合的な状態を識
別する対象総合状態データ、該対象ユーザの第１症状の状態を識別する対象第１状態デー
タ、及び、該対象ユーザの第２症状の状態を識別する対象第２状態データ、のうちの少な
くとも１つを含む対象更年期状態データを、前記推定モデルから出力させる段階と、を含
む」ことができる。
第４６の態様に係る方法にあっては、上記第４５の態様において「前記少なくとも１つ
のプロセッサが、中央処理装置（ＣＰＵ）、マイクロプロセッサ、及び／又は、グラフィ
ックスプロセッシングユニット（ＧＰＵ）を含」み得る。
第４７の態様に係る方法は、「コンピュータにより読み取り可能な命令を実行する少な
くとも１つのプロセッサにより実行される方法であって、該少なくとも１つのプロセッサ
が、前記命令を実行することにより、各組の教師データが、該組に対応する１人のサンプ
ルユーザにより実行された行動の履歴を識別するサンプル行動データと、該組に対応する
１人のサンプルユーザの更年期症状の状態を識別するサンプル更年期状態データと、を含
む、複数組の教師データを取得する取得段階と、該複数組の教師データを学習モデルに入
力して学習させることにより、対象ユーザにより実行された行動の履歴を識別する対象行
動データを入力して、前記対象ユーザの更年期症状の状態を識別する対象更年期状態デー
タであって、該対象ユーザの更年期症状の総合的な状態を識別する対象総合状態データ、
該対象ユーザの第１症状の状態を識別する対象第１状態データ、及び、該対象ユーザの第
２症状の状態を識別する対象第２状態データ、のうちの少なくとも１つを含む対象更年期
状態データを、出力するように構成された推定モデル、を生成する生成段階と、を含む」
ことができる。
第４８の態様に係る方法は、上記第４７の態様において「前記取得段階が、前記複数組
の教師データに含まれる第１の複数組の教師データを取得する段階を含み、該第１の複数
組の教師データに含まれる各組の教師データは、前記サンプル更年期状態データとして、
少なくとも、該組に対応する１人のサンプルユーザの更年期症状の総合的な状態に対応す
るスコアを識別するサンプル総合状態データを含み、さらに、前記生成段階が、取得され
た前記第１の複数組の教師データに含まれる各組の教師データについて、該組に対応する
１人のサンプルユーザの更年期症状の総合的な状態に対応するスコアを識別するサンプル
総合状態データを、該組に対応する１人のサンプルユーザの更年期症状の総合的な状態に
対応するカテゴリーを識別するサンプル総合状態データに変換する、という前処理を実行
する段階と、各組の教師データが、該組に対応する１人のサンプルユーザの前記サンプル
行動データと、該組に対応する１人のサンプルユーザの前記サンプル総合状態データと、
を含む、前記前処理後の前記第１の複数組の教師データを、前記学習モデルに入力して前
記推定モデルを生成する段階と、を含む」ことができる。
第４９の態様に係る方法は、上記第４７の態様において「前記取得段階が、前記複数組
の教師データに含まれる第１の複数組の教師データを取得する段階を含み、該第２の複数
組の教師データに含まれる各組の教師データは、前記サンプル更年期状態データとして、
少なくとも、該組に対応する１人のサンプルユーザの第１症状の状態に対応するスコアを
識別するサンプル第１状態データを含み、さらに、前記生成段階が、取得された前記第２
の複数組の教師データに含まれる各組の教師データについて、該組に対応する１人のサン
プルユーザの第１症状の状態に対応するスコアを識別するサンプル第１状態データを、該
組に対応する１人のサンプルユーザの第１症状の状態に対応するカテゴリーを識別するサ
ンプル第１状態データに変換する、という前処理を実行する段階と、各組の教師データが
、該組に対応する１人のサンプルユーザの前記サンプル行動データと、該組に対応する１
人のサンプルユーザの前記サンプル第１状態データと、を含む、前記前処理後の前記第２
の複数組の教師データを、前記学習モデルに入力して前記推定モデルを生成する段階と、
を含む」ことができる。
第５０の態様に係る方法は、上記第４７の態様において「前記取得段階が、前記複数組
の教師データに含まれる第３の複数組の教師データを取得する段階を含み、該第３の複数
組の教師データに含まれる各組の教師データは、前記サンプル更年期状態データとして、
少なくとも、該組に対応する１人のサンプルユーザの第２症状の状態に対応するスコアを
識別するサンプル第２状態データを含み、さらに、前記生成段階が、取得された前記第３
の複数組の教師データに含まれる各組の教師データについて、該組に対応する１人のサン
プルユーザの第２症状の状態に対応するスコアを識別するサンプル第２状態データを、該
組に対応する１人のサンプルユーザの第２症状の状態に対応するカテゴリーを識別するサ
ンプル第２状態データに変換する、という前処理を実行する段階と、各組の教師データが
、該組に対応する１人のサンプルユーザの前記サンプル行動データと、該組に対応する１
人のサンプルユーザの前記サンプル第２状態データと、を含む、前記前処理後の前記第３
の複数組の教師データを、前記学習モデルに入力して前記推定モデルを生成する段階と、
を含む」ことができる。
第５１の態様に係る方法にあっては、上記第４７の態様から上記第５０の態様において
「前記少なくとも１つのプロセッサが、中央処理装置（ＣＰＵ）、マイクロプロセッサ、
及び／又は、グラフィックスプロセッシングユニット（ＧＰＵ）を含む」ことができる。
【0237】
ＩＩ．第２章
第１章において説明した技術と第２章において以下のとおり説明する技術とを組み合わ
せて利用することが可能である。
第１章において説明した技術と第２章において以下のとおり説明する技術とを組み合わ
せて利用することが可能である。
【0238】
例えば、第１章において説明した睡眠の状態を推定する推定モデルを、以下に説明する
技術において、睡眠状態予測モデル１１０ｂとして利用することが可能である。同様に、
第１章において説明した更年期症状の状態を推定する推定モデルを、以下に説明する技術
において、女性の健康予測モデル１００ａとして利用することが可能である。さらに同様
に、第１章において説明した、運動の状態を予測する推定モデル、免疫の状態を予測する
推定モデル、水分補給の状態を予測する推定モデル、及び、栄養の状態を予測する推定モ
デルを、以下に説明する技術において、それぞれ、生活習慣病予測モデル１１０ｃ、免疫
状態予測モデル１１０ｅ、水分状態予測モデル１１０ｄ、及び、栄養状態予測モデル１１
０ｆとして利用することが可能である。
技術において、睡眠状態予測モデル１１０ｂとして利用することが可能である。同様に、
第１章において説明した更年期症状の状態を推定する推定モデルを、以下に説明する技術
において、女性の健康予測モデル１００ａとして利用することが可能である。さらに同様
に、第１章において説明した、運動の状態を予測する推定モデル、免疫の状態を予測する
推定モデル、水分補給の状態を予測する推定モデル、及び、栄養の状態を予測する推定モ
デルを、以下に説明する技術において、それぞれ、生活習慣病予測モデル１１０ｃ、免疫
状態予測モデル１１０ｅ、水分状態予測モデル１１０ｄ、及び、栄養状態予測モデル１１
０ｆとして利用することが可能である。
【0239】
これに限らず、第１章において説明した技術に含まれる少なくとも１つの特徴（又は第
２章において説明する技術に含まれる少なくとも１つの特徴）を、第２章において説明す
る技術（又は第１章において説明した技術）において利用することも可能である。
２章において説明する技術に含まれる少なくとも１つの特徴）を、第２章において説明す
る技術（又は第１章において説明した技術）において利用することも可能である。
【0240】
１ 概要
図１５乃至図２８は、実施形態を説明するための図である。以下、大きく、顧客の健康
状態（健康症状ともいう。）を予測する健康予測システムと、当該健康予測システムで利
用される、顧客の健康状態を予測するための予測モデルを生成する学習システムとに分け
て、順次、概要や機能構成、処理の流れ等を説明する。
図１５乃至図２８は、実施形態を説明するための図である。以下、大きく、顧客の健康
状態（健康症状ともいう。）を予測する健康予測システムと、当該健康予測システムで利
用される、顧客の健康状態を予測するための予測モデルを生成する学習システムとに分け
て、順次、概要や機能構成、処理の流れ等を説明する。
【0241】
２ 健康予測システム
２．１ 健康予測システムの処理の概要
まず、図１５を参照しながら、実施形態にかかる健康予測システム１Ｚの大まかな処理
の概要を説明する。図１５は、実施形態に係る健康予測システム１Ｚを利用して、顧客の
健康予測を行うためのデータの流れを模式的に示すものである。
２．１ 健康予測システムの処理の概要
まず、図１５を参照しながら、実施形態にかかる健康予測システム１Ｚの大まかな処理
の概要を説明する。図１５は、実施形態に係る健康予測システム１Ｚを利用して、顧客の
健康予測を行うためのデータの流れを模式的に示すものである。
【0242】
健康予測システム１Ｚは、個人の健康状態を、当該個人の購買行動から推定するための
ものである。この健康予測システム１Ｚを用いれば、顧客個人の健康状態を、検診データ
などの本人の健康に関するデータなしに、顧客の購買行動である購買データに基づいて推
定することができる。推定された健康状態は、例えば顧客の健康改善に役立てられ得る。
ものである。この健康予測システム１Ｚを用いれば、顧客個人の健康状態を、検診データ
などの本人の健康に関するデータなしに、顧客の購買行動である購買データに基づいて推
定することができる。推定された健康状態は、例えば顧客の健康改善に役立てられ得る。
【0243】
ここで、個人の購買行動から当該個人の健康状態を予測する統合健康予測プログラム１
００Ｚは、個人の購買行動から健康状態を予測する複数種類の学習済みの予測モデルを含
む。図１５の例では、統合健康予測プログラム１００Ｚは６つの予測モデルが統合される
ことにより構成されているが、６つに限られるものではなく、５つ以下であっても、７つ
以上であってもよい。
００Ｚは、個人の購買行動から健康状態を予測する複数種類の学習済みの予測モデルを含
む。図１５の例では、統合健康予測プログラム１００Ｚは６つの予測モデルが統合される
ことにより構成されているが、６つに限られるものではなく、５つ以下であっても、７つ
以上であってもよい。
【0244】
本実施形態にかかる統合健康予測プログラム１００Ｚは、女性の健康を予測する女性の
健康予測モデル１１０ａ、睡眠状態を予測する睡眠状態予測モデル１１０ｂ、生活習慣病
を予測する生活習慣病予測モデル１１０ｃ、水分状態を予測する水分状態予測モデル１１
０ｄ、免疫状態を予測する免疫状態予測モデル１１０ｅ、栄養状態を予測する栄養状態予
測モデル１１０ｆの６つの予測モデル（以下、総称して「予測モデル１１０Ｚ」という。
）を含む。統合健康予測プログラム１００Ｚに含まれる各予測モデルは、顧客の購買履歴
を示す購買データ１５０Ｚから、女性の健康状態（更年期症状に関するＳＭＩ等）／睡眠
状態／生活習慣病／水分状態（水分補給状況）／免疫状態／栄養状態を示す値（特定の疾
病に罹患している可能性及び／又は程度を示す値）を、顧客の健康予測値１６０Ｚとして
算出するものである。図１５の例では、６つの健康状態を示す値が％で示されている。疾
病の種類に応じて、男性のみ、女性のみ、又は、男性女性双方を対象とするようにしても
よい。これらの予測モデル１１０Ｚは、関数として記述され得る。商品の購買履歴と、健
康に関する各種状態とを含む教師データを用いた機械学習により構築される。予測モデル
の構築方法については後述する。
健康予測モデル１１０ａ、睡眠状態を予測する睡眠状態予測モデル１１０ｂ、生活習慣病
を予測する生活習慣病予測モデル１１０ｃ、水分状態を予測する水分状態予測モデル１１
０ｄ、免疫状態を予測する免疫状態予測モデル１１０ｅ、栄養状態を予測する栄養状態予
測モデル１１０ｆの６つの予測モデル（以下、総称して「予測モデル１１０Ｚ」という。
）を含む。統合健康予測プログラム１００Ｚに含まれる各予測モデルは、顧客の購買履歴
を示す購買データ１５０Ｚから、女性の健康状態（更年期症状に関するＳＭＩ等）／睡眠
状態／生活習慣病／水分状態（水分補給状況）／免疫状態／栄養状態を示す値（特定の疾
病に罹患している可能性及び／又は程度を示す値）を、顧客の健康予測値１６０Ｚとして
算出するものである。図１５の例では、６つの健康状態を示す値が％で示されている。疾
病の種類に応じて、男性のみ、女性のみ、又は、男性女性双方を対象とするようにしても
よい。これらの予測モデル１１０Ｚは、関数として記述され得る。商品の購買履歴と、健
康に関する各種状態とを含む教師データを用いた機械学習により構築される。予測モデル
の構築方法については後述する。
【0245】
より具体的には、統合健康予測プログラム１００Ｚは、顧客の購買データ１５０Ｚを受
け取る。購買データ１５０Ｚは、健康を予測したい顧客の購買履歴に関するデータであり
、統合健康予測プログラム１００Ｚに含まれる各予測モデル１１０Ｚ構築時の教師データ
の説明変数に対応するデータである。統合健康予測プログラム１００Ｚは、各予測モデル
１１０Ｚに購買データ１５０Ｚを並列的に入力し、顧客の健康予測値１６０Ｚを算出する
。なお、本実施形態では、購買データ１５０Ｚのみを予測モデル１１０Ｚへの入力として
いるが、例えば、顧客の性別や年齢などの顧客の属性情報も入力するようにしてもよい。
け取る。購買データ１５０Ｚは、健康を予測したい顧客の購買履歴に関するデータであり
、統合健康予測プログラム１００Ｚに含まれる各予測モデル１１０Ｚ構築時の教師データ
の説明変数に対応するデータである。統合健康予測プログラム１００Ｚは、各予測モデル
１１０Ｚに購買データ１５０Ｚを並列的に入力し、顧客の健康予測値１６０Ｚを算出する
。なお、本実施形態では、購買データ１５０Ｚのみを予測モデル１１０Ｚへの入力として
いるが、例えば、顧客の性別や年齢などの顧客の属性情報も入力するようにしてもよい。
【0246】
また、統合健康予測プログラム１００Ｚは、算出した健康予測値１６０Ｚに応じて、顧
客に健康改善等に関する各種提案を行うようにしてもよい。より具体的には、例えば、顧
客に健康予測値が高いカテゴリーを指摘し、顧客が気づいていない（潜在的な）症状、あ
るいは顕在化している症状が軽いうちに取り得る措置を提案することが考えられる。当該
提案方法については、図１８等を参照しながら後述する。
客に健康改善等に関する各種提案を行うようにしてもよい。より具体的には、例えば、顧
客に健康予測値が高いカテゴリーを指摘し、顧客が気づいていない（潜在的な）症状、あ
るいは顕在化している症状が軽いうちに取り得る措置を提案することが考えられる。当該
提案方法については、図１８等を参照しながら後述する。
【0247】
２．２ 統合健康予測プログラムの構成
以下、図１６を参照しながら、統合健康予測プログラム１００Ｚの機能構成を説明する
。図１６は、統合健康予測プログラム１００Ｚの機能構成を示す図である。統合健康予測
プログラム１００Ｚは、入力部１２０Ｚ、商品カテゴリー決定部１２５Ｚ、予測モデル１
１０Ｚ、出力部１３０Ｚ、提案部１３５Ｚを含む。なお、統合健康予測プログラム１００
Ｚは、単一のプログラムとして実装されてもよいし、データの入出力により連携して動作
可能な複数のプログラムとして実装されてもよい。
以下、図１６を参照しながら、統合健康予測プログラム１００Ｚの機能構成を説明する
。図１６は、統合健康予測プログラム１００Ｚの機能構成を示す図である。統合健康予測
プログラム１００Ｚは、入力部１２０Ｚ、商品カテゴリー決定部１２５Ｚ、予測モデル１
１０Ｚ、出力部１３０Ｚ、提案部１３５Ｚを含む。なお、統合健康予測プログラム１００
Ｚは、単一のプログラムとして実装されてもよいし、データの入出力により連携して動作
可能な複数のプログラムとして実装されてもよい。
【0248】
入力部１２０Ｚは、購買データ１５０Ｚの入力を受ける（取得する）。入力部１２０Ｚ
は、統合健康予測プログラム１００Ｚが実行される情報処理装置（コンピュータ）が内蔵
するＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）やＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄ
ｒｉｖｅ）等の記憶媒体から購買データ１５０Ｚを読み込んでもよいし、あるいは、ＬＡ
Ｎ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）やインターネット等を介して接続される外
部の情報処理装置等から購買データ１５０Ｚの入力を受けてもよい。
は、統合健康予測プログラム１００Ｚが実行される情報処理装置（コンピュータ）が内蔵
するＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）やＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄ
ｒｉｖｅ）等の記憶媒体から購買データ１５０Ｚを読み込んでもよいし、あるいは、ＬＡ
Ｎ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）やインターネット等を介して接続される外
部の情報処理装置等から購買データ１５０Ｚの入力を受けてもよい。
【0249】
ここで、図１７を参照しながら、入力部１２０Ｚが入力を受ける購買データ１５０Ｚの
具体例を説明する。図１７は、購買データ１５０Ｚの具体例を示す図である。ここで、購
買データ１５０Ｚは、調査会社が提供する顧客の購買履歴を蓄積したパネルデータを採用
し得る。当該パネルデータは、商品が購入された際に、購入者である顧客により当該商品
がスキャンされることにより取得されるデータである。顧客が自身のスマートフォンや貸
与されたバーコードリーダを用いて商品をスキャンすると、当該商品と、あらかじめ設定
された顧客の属性（会社員／学生／主婦等）、購入先の情報等とが関連付けられて蓄積さ
れる。これにより、どのような人が、何を、どれだけ、どのような店舗で購入したかが把
握される。
具体例を説明する。図１７は、購買データ１５０Ｚの具体例を示す図である。ここで、購
買データ１５０Ｚは、調査会社が提供する顧客の購買履歴を蓄積したパネルデータを採用
し得る。当該パネルデータは、商品が購入された際に、購入者である顧客により当該商品
がスキャンされることにより取得されるデータである。顧客が自身のスマートフォンや貸
与されたバーコードリーダを用いて商品をスキャンすると、当該商品と、あらかじめ設定
された顧客の属性（会社員／学生／主婦等）、購入先の情報等とが関連付けられて蓄積さ
れる。これにより、どのような人が、何を、どれだけ、どのような店舗で購入したかが把
握される。
【0250】
図１７の購買データ１５０Ｚの例は、顧客が一定期間（例えば一年間）にわたって購入
した食品及び／又は日用品の購入履歴を示している。顧客が購入する各商品は、それぞれ
ＪＩＣＦＳ（ＪＡＮ Ｉｔｅｍ Ｃｏｄｅ Ｆｉｌｅ Ｓｅｒｖｉｃｅ）分類において商
品カテゴリーに分類される。換言すると、各商品カテゴリーには、少なくとも１つの商品
が属する。購買データ１５０Ｚには、顧客のＩＤごとに、顧客が購入した商品が属する商
品カテゴリーに関する、ＪＩＣＦＳ分類における大カテゴリー「食品」「日用品」に含ま
れる細カテゴリーの約５００品目（例：清涼飲料水、洗口液等）の各項目１５０ａと、期
間中の購入金額や購入数量、購入回数などの数値データである実績データ１５０ｂとが対
応付けて入力されている。
した食品及び／又は日用品の購入履歴を示している。顧客が購入する各商品は、それぞれ
ＪＩＣＦＳ（ＪＡＮ Ｉｔｅｍ Ｃｏｄｅ Ｆｉｌｅ Ｓｅｒｖｉｃｅ）分類において商
品カテゴリーに分類される。換言すると、各商品カテゴリーには、少なくとも１つの商品
が属する。購買データ１５０Ｚには、顧客のＩＤごとに、顧客が購入した商品が属する商
品カテゴリーに関する、ＪＩＣＦＳ分類における大カテゴリー「食品」「日用品」に含ま
れる細カテゴリーの約５００品目（例：清涼飲料水、洗口液等）の各項目１５０ａと、期
間中の購入金額や購入数量、購入回数などの数値データである実績データ１５０ｂとが対
応付けて入力されている。
【0251】
なお、本実施形態では、購買データ１５０Ｚに含まれるのは食品及び／又は日用品の購
買履歴であるが、顧客の健康状態との関連が推定されるものであれば、これらに限られる
ものではない。例えば、例えば薬品などの他の商品や、マッサージ、鍼灸治療等の各種サ
ービス等の購買履歴を購買データ１５０Ｚに含むことも考えられる。また、購買データ１
５０Ｚは、小売店が管理する決済情報によって特定することも考えられるし、例えばクレ
ジットカードの決済情報、金融機関への支払情報等を利用して特定することも考えられる
。
買履歴であるが、顧客の健康状態との関連が推定されるものであれば、これらに限られる
ものではない。例えば、例えば薬品などの他の商品や、マッサージ、鍼灸治療等の各種サ
ービス等の購買履歴を購買データ１５０Ｚに含むことも考えられる。また、購買データ１
５０Ｚは、小売店が管理する決済情報によって特定することも考えられるし、例えばクレ
ジットカードの決済情報、金融機関への支払情報等を利用して特定することも考えられる
。
【0252】
商品カテゴリー決定部１２５Ｚは、入力部１２０Ｚから購買データ１５０Ｚを受け取る
と、各予測モデル１１０Ｚに入力する購買データ１５０Ｚから、各予測モデル１１０Ｚに
入力する分類コード（ＪＩＣＦＳ分類）及び商品カテゴリーを決定し、得られた分類コー
ド及び商品カテゴリーに関する購入金額、購入数量、及び購入回数などの数値データであ
る実績データ１５０ｂ（これらの一部のみを用いてもよい）を、各予測モデル１１０Ｚに
並列的に入力する。
と、各予測モデル１１０Ｚに入力する購買データ１５０Ｚから、各予測モデル１１０Ｚに
入力する分類コード（ＪＩＣＦＳ分類）及び商品カテゴリーを決定し、得られた分類コー
ド及び商品カテゴリーに関する購入金額、購入数量、及び購入回数などの数値データであ
る実績データ１５０ｂ（これらの一部のみを用いてもよい）を、各予測モデル１１０Ｚに
並列的に入力する。
【0253】
なお、予測モデル１１０Ｚに入力する購買データ１５０Ｚの分類コード（商品カテゴリ
ー）は、各予測モデル１１０Ｚ毎に決定することができる。予測モデル１１０Ｚの入力と
する商品カテゴリーの決定方法については、予測モデル１１０Ｚの作成に関する下記３．
４で後述する。
ー）は、各予測モデル１１０Ｚ毎に決定することができる。予測モデル１１０Ｚの入力と
する商品カテゴリーの決定方法については、予測モデル１１０Ｚの作成に関する下記３．
４で後述する。
【0254】
なお、入力部１２０Ｚから入力された購買データ１５０Ｚを、特に商品カテゴリーで絞
ることなく、その実績データ１５－ｂをそのまま予測モデル１１０Ｚに入力することも考
えられる。その場合には、商品カテゴリー決定部１２５Ｚは不要である。
ることなく、その実績データ１５－ｂをそのまま予測モデル１１０Ｚに入力することも考
えられる。その場合には、商品カテゴリー決定部１２５Ｚは不要である。
【0255】
予測モデル１１０Ｚは、商品カテゴリー決定部１２５Ｚが選択した分類コード及び商品
カテゴリーに関する購入金額、購入数量、及び購入回数などの数値データである実績デー
タ１５０ｂの入力を受け、各々、女性の健康状態（更年期症状）、睡眠状態（睡眠の乱れ
）、生活習慣病（身体活動不足）、水分状態（水分不足度／水分補給状況）、免疫状態（
免疫低下度）、及び栄養状態（栄養不足度）の健康予測値を算出する。図１５の例では、
ユーザＩＤ００１の顧客に対し、各々の予測モデル１１０Ｚが、更年期症状９０％、睡眠
の乱れ２１％、身体活動不足度４０％、水分不足度７６％、免疫低下度７２％、栄養不足
度１１％の値を算出している。
カテゴリーに関する購入金額、購入数量、及び購入回数などの数値データである実績デー
タ１５０ｂの入力を受け、各々、女性の健康状態（更年期症状）、睡眠状態（睡眠の乱れ
）、生活習慣病（身体活動不足）、水分状態（水分不足度／水分補給状況）、免疫状態（
免疫低下度）、及び栄養状態（栄養不足度）の健康予測値を算出する。図１５の例では、
ユーザＩＤ００１の顧客に対し、各々の予測モデル１１０Ｚが、更年期症状９０％、睡眠
の乱れ２１％、身体活動不足度４０％、水分不足度７６％、免疫低下度７２％、栄養不足
度１１％の値を算出している。
【0256】
予測モデル１１０Ｚは、先述のとおり、各顧客の購買履歴である購買データ１５０Ｚと
、それらの顧客の健康状態とを対応付けた教師データを用いて、前者を説明変数、後者を
目的変数として機械学習することにより構築することができる。予測モデル１１０Ｚの構
築方法については下記３で後述する。
、それらの顧客の健康状態とを対応付けた教師データを用いて、前者を説明変数、後者を
目的変数として機械学習することにより構築することができる。予測モデル１１０Ｚの構
築方法については下記３で後述する。
【0257】
出力部１３０Ｚは、各予測モデル１１０Ｚが算出した値を、当該顧客に関する健康予測
値１６０Ｚとして、提案部１３５Ｚや、内蔵する記憶媒体や、ネットワーク等を介して接
続される他の情報処理装置等に出力する。あるいは、出力部１３０Ｚは、表示装置上に算
出した健康予測値１６０Ｚを表示させてもよい。図１５の例では、出力部１４０Ｚは、顧
客ＩＤ、更年期、睡眠の乱れ、等の値を順に行方向に並べて配列し、これを顧客データの
ＩＤ毎に繰り返すことで、複数の顧客に対する健康予測値１６０Ｚを出力している。なお
、健康予測値１６０Ｚは、顕在化している顧客の健康状態のみならず、将来的に起こるこ
とが予想され得る健康状態（潜在的な健康状態）をも含み得る。
値１６０Ｚとして、提案部１３５Ｚや、内蔵する記憶媒体や、ネットワーク等を介して接
続される他の情報処理装置等に出力する。あるいは、出力部１３０Ｚは、表示装置上に算
出した健康予測値１６０Ｚを表示させてもよい。図１５の例では、出力部１４０Ｚは、顧
客ＩＤ、更年期、睡眠の乱れ、等の値を順に行方向に並べて配列し、これを顧客データの
ＩＤ毎に繰り返すことで、複数の顧客に対する健康予測値１６０Ｚを出力している。なお
、健康予測値１６０Ｚは、顕在化している顧客の健康状態のみならず、将来的に起こるこ
とが予想され得る健康状態（潜在的な健康状態）をも含み得る。
【0258】
提案部１３５Ｚは、顧客毎に、予測した健康予測値１６０Ｚに応じた食品や用品、サー
ビス等を提案する。提案方法は種々考えられるが、例えば、小売店の店員が使用する各種
端末上に表示するようにしてもよいし、メッセンジャーサービス等により直接顧客に提案
内容を送付したり、ウェブページ上に顧客向けに表示したりこと等も考えられる。
ビス等を提案する。提案方法は種々考えられるが、例えば、小売店の店員が使用する各種
端末上に表示するようにしてもよいし、メッセンジャーサービス等により直接顧客に提案
内容を送付したり、ウェブページ上に顧客向けに表示したりこと等も考えられる。
【0259】
【0260】
図１８は、顧客の健康予測値１６０Ｚに応じて、提案部１３５Ｚが提案する食品／用品
／サービス等を模式的に示す図である。例えば、更年期症状が９０％であると予測された
女性（顧客ＩＤ＝００１）には、提案部１３５Ｚは、ドラッグストア４１Ｚで販売されて
いる更年期症状を改善する商品を提案する。また、栄養不足度が９３％であると予測され
た男性（顧客ＩＤ＝００２）には、提案部１３５Ｚは、ドラッグストア４１Ｚで販売され
ている高機能栄養食品を提案する。他の例として、更年期及び睡眠の乱れの予測値がそれ
ぞれ７９％及び８９％の女性（顧客ＩＤ＝００３）には、提案部１３５Ｚは、医療機関４
３Ｚの受診を提案する。また、提案部１３５Ｚは、身体活動不足度が相対的に高い顧客に
は、スポーツジム４５Ｚに通うことを提案し、身体活動不足度が所定値よりも低い顧客に
は、保険会社４７Ｚが提供する、生活習慣病に対応する医療保険商品を提案する。
／サービス等を模式的に示す図である。例えば、更年期症状が９０％であると予測された
女性（顧客ＩＤ＝００１）には、提案部１３５Ｚは、ドラッグストア４１Ｚで販売されて
いる更年期症状を改善する商品を提案する。また、栄養不足度が９３％であると予測され
た男性（顧客ＩＤ＝００２）には、提案部１３５Ｚは、ドラッグストア４１Ｚで販売され
ている高機能栄養食品を提案する。他の例として、更年期及び睡眠の乱れの予測値がそれ
ぞれ７９％及び８９％の女性（顧客ＩＤ＝００３）には、提案部１３５Ｚは、医療機関４
３Ｚの受診を提案する。また、提案部１３５Ｚは、身体活動不足度が相対的に高い顧客に
は、スポーツジム４５Ｚに通うことを提案し、身体活動不足度が所定値よりも低い顧客に
は、保険会社４７Ｚが提供する、生活習慣病に対応する医療保険商品を提案する。
【0261】
このように、統合健康予測プログラム１００Ｚの提案部１３５Ｚは、購買データ１５０
Ｚから、複数の予測モデル１１０Ｚの各々から予測結果を得ることにより、その顧客に適
合した食品／用品／サービスを提案することができる。そのような提案を実現するには、
予測モデルの出力値である各健康症状と関連付けられた食品、用品、及び／又はサービス
のリストを予め用意しておけばよい。
Ｚから、複数の予測モデル１１０Ｚの各々から予測結果を得ることにより、その顧客に適
合した食品／用品／サービスを提案することができる。そのような提案を実現するには、
予測モデルの出力値である各健康症状と関連付けられた食品、用品、及び／又はサービス
のリストを予め用意しておけばよい。
【0262】
図１９は、更年期症状に関する提案を実現するためのテーブル５０Ｚと、参照するデー
タベース５２Ｚ、５４Ｚ及び５６Ｚを示す。
タベース５２Ｚ、５４Ｚ及び５６Ｚを示す。
【0263】
テーブル５０Ｚには、更年期予測モデル（図１６における女性の健康予測モデル１１０
ａ）の出力範囲が４０％未満のクラス５０ａ、４０％以上８０％未満のクラス５０ｂ、及
び、８０％以上のクラス５０ｃの３つのクラスが設けられている。クラス５０ａでは、ド
ラッグストアの更年期症状を予防する商品データベース５２Ｚが参照される。商品データ
ベース５２Ｚには、商品カテゴリーＰ１の商品Ｘ１、Ｘ２、商品カテゴリーＰ２の商品Ｘ
３が記述されている。提案部１３５Ｚは、商品データベース５２Ｚを参照して、このうち
の一部又は全部のカテゴリー及び／又は商品名を、該当する顧客に提案することができる
。予測モデルの出力値がクラス５０ｂに該当する場合、提案部１３５Ｚは、更年期症状を
改善するための商品データベース５４Ｚを参照して、商品カテゴリーＱ１の商品Ｙ１、Ｙ
２を提案する。予測モデルの出力値が５０ｃに該当する場合、提案部１３５Ｚは、現在地
及び／又はあらかじめ登録された顧客の居住地の情報を用いて更年期外来医療機関データ
ベース５６Ｚを参照し、医療機関を提案する。これはすなわち、顧客の健康予測結果に応
じた、予防診療及び／又は治療を行う医療機関の顧客への紹介に相当する。
ａ）の出力範囲が４０％未満のクラス５０ａ、４０％以上８０％未満のクラス５０ｂ、及
び、８０％以上のクラス５０ｃの３つのクラスが設けられている。クラス５０ａでは、ド
ラッグストアの更年期症状を予防する商品データベース５２Ｚが参照される。商品データ
ベース５２Ｚには、商品カテゴリーＰ１の商品Ｘ１、Ｘ２、商品カテゴリーＰ２の商品Ｘ
３が記述されている。提案部１３５Ｚは、商品データベース５２Ｚを参照して、このうち
の一部又は全部のカテゴリー及び／又は商品名を、該当する顧客に提案することができる
。予測モデルの出力値がクラス５０ｂに該当する場合、提案部１３５Ｚは、更年期症状を
改善するための商品データベース５４Ｚを参照して、商品カテゴリーＱ１の商品Ｙ１、Ｙ
２を提案する。予測モデルの出力値が５０ｃに該当する場合、提案部１３５Ｚは、現在地
及び／又はあらかじめ登録された顧客の居住地の情報を用いて更年期外来医療機関データ
ベース５６Ｚを参照し、医療機関を提案する。これはすなわち、顧客の健康予測結果に応
じた、予防診療及び／又は治療を行う医療機関の顧客への紹介に相当する。
【0264】
【0265】
テーブル６０Ｚには、生活習慣病予測モデル１１０ｃの出力値、換言すると、身体活動
の不足度の範囲が２０％未満のクラス６０ａ、２０％以上８０％未満のクラス６０ｂ、及
び、８０％以上のクラス６０ｃの３つのクラスが設けられている。クラス６０ａでは、身
体活動は充実していると考えられ、継続して身体活動を行わせるため、栄養指導（１）や
、Ｅ１スポーツジムの月会費プランが提案される。栄養指導（１）は、例えば毎食当たり
、１０グラム未満の脂質、３０グラム以上の蛋白質の栄養成分を取るための食事の提案で
ある。クラス６０ｂでは、身体活動は不足していないと考えられ、栄養指導（２）や定期
的に身体活動を行わせるため、Ｅ２フィットネスクラブの都度会費プランが提案される。
栄養指導（２）は、例えば毎食当たり、２０グラム未満の脂質、２０グラム以上のたんぱ
く質の栄養成分を摂るための食事の提案である。クラス６０ｃでは、身体活動は不足して
おり、将来的に生活習慣病に罹患する可能性があることを踏まえ、栄養指導（３）やＥ３
生命保険会社が提案する医療保険商品が提案される。栄養指導（３）は、例えば毎食当た
り、２０グラム未満の脂質、２０グラム以上の蛋白質、及び２０グラム未満の糖質の栄養
成分を摂るための食事の提案である。栄養指導、スポーツジム、フィットネスクラブ及び
保険商品の提案は、商品又はサービス提供の範疇である。生活習慣病予測モデル１１０ｃ
の出力値に関しても、提案部１３５Ｚは、テーブル６０Ｚを参照することにより、出力値
に応じた提案を顧客に行うことができる。
の不足度の範囲が２０％未満のクラス６０ａ、２０％以上８０％未満のクラス６０ｂ、及
び、８０％以上のクラス６０ｃの３つのクラスが設けられている。クラス６０ａでは、身
体活動は充実していると考えられ、継続して身体活動を行わせるため、栄養指導（１）や
、Ｅ１スポーツジムの月会費プランが提案される。栄養指導（１）は、例えば毎食当たり
、１０グラム未満の脂質、３０グラム以上の蛋白質の栄養成分を取るための食事の提案で
ある。クラス６０ｂでは、身体活動は不足していないと考えられ、栄養指導（２）や定期
的に身体活動を行わせるため、Ｅ２フィットネスクラブの都度会費プランが提案される。
栄養指導（２）は、例えば毎食当たり、２０グラム未満の脂質、２０グラム以上のたんぱ
く質の栄養成分を摂るための食事の提案である。クラス６０ｃでは、身体活動は不足して
おり、将来的に生活習慣病に罹患する可能性があることを踏まえ、栄養指導（３）やＥ３
生命保険会社が提案する医療保険商品が提案される。栄養指導（３）は、例えば毎食当た
り、２０グラム未満の脂質、２０グラム以上の蛋白質、及び２０グラム未満の糖質の栄養
成分を摂るための食事の提案である。栄養指導、スポーツジム、フィットネスクラブ及び
保険商品の提案は、商品又はサービス提供の範疇である。生活習慣病予測モデル１１０ｃ
の出力値に関しても、提案部１３５Ｚは、テーブル６０Ｚを参照することにより、出力値
に応じた提案を顧客に行うことができる。
【0266】
図１９及び図２０の例の他、睡眠状態、免疫状態、水分状態、栄養状態の各々について
も、同様のテーブル、さらに必要に応じたデータベースを設けることで、提案部１３５Ｚ
は顧客ごとに、各予測モデル１１０Ｚの出力値である健康予測値１６０Ｚに応じた顧客へ
の提案を行うことができる。
も、同様のテーブル、さらに必要に応じたデータベースを設けることで、提案部１３５Ｚ
は顧客ごとに、各予測モデル１１０Ｚの出力値である健康予測値１６０Ｚに応じた顧客へ
の提案を行うことができる。
【0267】
なお、統合健康予測プログラム１００Ｚ自体が、提案部１３５Ｚを必ずしも内包する必
要はない。例えば、統合健康予測プログラム１００Ｚの出力部１３０Ｚが、統合健康予測
プログラム１００Ｚを運用する事業者とは別の事業者に対し、顧客の許可のもとで健康予
測値１６０Ｚを送信し、当該別の事業者のプログラムが、提案部１３５Ｚにかかるプログ
ラムを実装して顧客に対し、上記のような提案を行うことも考えられる。例えば、統合健
康予測プログラム１００Ｚが、予測モデル１１０Ｚの出力値である健康予測値１６０Ｚを
保険会社に送信することで、その保険会社が顧客に保険商品を提案してもよい。
要はない。例えば、統合健康予測プログラム１００Ｚの出力部１３０Ｚが、統合健康予測
プログラム１００Ｚを運用する事業者とは別の事業者に対し、顧客の許可のもとで健康予
測値１６０Ｚを送信し、当該別の事業者のプログラムが、提案部１３５Ｚにかかるプログ
ラムを実装して顧客に対し、上記のような提案を行うことも考えられる。例えば、統合健
康予測プログラム１００Ｚが、予測モデル１１０Ｚの出力値である健康予測値１６０Ｚを
保険会社に送信することで、その保険会社が顧客に保険商品を提案してもよい。
【0268】
２．４ 処理の流れ
以下、図２１を参照しながら、統合健康予測プログラム１００Ｚの処理の流れを説明す
る。図２１は、統合健康予測プログラム１００Ｚによって実行される、顧客の健康予測処
理の手順を示すフローチャートである。
以下、図２１を参照しながら、統合健康予測プログラム１００Ｚの処理の流れを説明す
る。図２１は、統合健康予測プログラム１００Ｚによって実行される、顧客の健康予測処
理の手順を示すフローチャートである。
【0269】
統合健康予測プログラム１００Ｚの入力部１２０Ｚは、健康状態の予測を行いたい顧客
の購入履歴を示す購買データ１５０Ｚを取得する（Ｓ７０１）。入力部１２０Ｚは、例え
ば、小売店での商品購入時に、その顧客の会員証をＰＯＳ（Ｐｏｉｎｔ ｏｆ Ｓａｌｅ
）システムから読み取ることによって、その顧客と購入履歴とを紐づけたデータベースが
構築される。顧客の承諾のもと、そのようなデータベースから購買データ１５０Ｚを抽出
することにより、入力部１２０Ｚは統合健康予測プログラム１００Ｚに購買データ１５０
Ｚを入力することができる。先述のとおり、そのような購買データ１５０Ｚは、例えば、
ＪＩＣＦＳ分類及び商品カテゴリーを含む。
の購入履歴を示す購買データ１５０Ｚを取得する（Ｓ７０１）。入力部１２０Ｚは、例え
ば、小売店での商品購入時に、その顧客の会員証をＰＯＳ（Ｐｏｉｎｔ ｏｆ Ｓａｌｅ
）システムから読み取ることによって、その顧客と購入履歴とを紐づけたデータベースが
構築される。顧客の承諾のもと、そのようなデータベースから購買データ１５０Ｚを抽出
することにより、入力部１２０Ｚは統合健康予測プログラム１００Ｚに購買データ１５０
Ｚを入力することができる。先述のとおり、そのような購買データ１５０Ｚは、例えば、
ＪＩＣＦＳ分類及び商品カテゴリーを含む。
【0270】
商品カテゴリー決定部１２５Ｚは、購買データ１５０Ｚのうち、各予測モデル１１０Ｚ
の入力とするＪＩＣＦＳ分類（分類コード）及び商品カテゴリーを決定する（Ｓ７０３）
。なお、先述のとおり、予測モデル１１０Ｚが予測に用いる商品カテゴリーを特に絞らず
、購買データ１５０Ｚ全体を用いる場合には、Ｓ７０３の処理は不要である。
の入力とするＪＩＣＦＳ分類（分類コード）及び商品カテゴリーを決定する（Ｓ７０３）
。なお、先述のとおり、予測モデル１１０Ｚが予測に用いる商品カテゴリーを特に絞らず
、購買データ１５０Ｚ全体を用いる場合には、Ｓ７０３の処理は不要である。
【0271】
次に、各予測モデル１１０Ｚは、商品カテゴリー決定部１２５Ｚが決定した分類コード
及び商品カテゴリーの購買データ１５０Ｚを用いて、健康状態を予測する（Ｓ７０５）。
出力部１３０Ｚは、予測モデル１１０Ｚが予測した健康状態を示す健康予測値１６０Ｚを
出力し、提案部１３５Ｚは、当該健康予測値１６０Ｚに基づく提案を顧客に提供する（Ｓ
７０７）。具体的には、レシートへの印字やディスプレイへの表示、スマートフォンへの
通知等の形で健康予測値１６０Ｚ又は提案部１３５Ｚによる顧客への健康改善の提案をお
こなうこと考えられる。
及び商品カテゴリーの購買データ１５０Ｚを用いて、健康状態を予測する（Ｓ７０５）。
出力部１３０Ｚは、予測モデル１１０Ｚが予測した健康状態を示す健康予測値１６０Ｚを
出力し、提案部１３５Ｚは、当該健康予測値１６０Ｚに基づく提案を顧客に提供する（Ｓ
７０７）。具体的には、レシートへの印字やディスプレイへの表示、スマートフォンへの
通知等の形で健康予測値１６０Ｚ又は提案部１３５Ｚによる顧客への健康改善の提案をお
こなうこと考えられる。
【0272】
２．５ ハードウェア構成
図２２を参照しながら、統合健康予測プログラム１００Ｚが実行される情報処理装置８
００Ｚのハードウェア構成の具体例を説明する。図２２は、統合健康予測プログラム１０
０Ｚが実行される情報処理装置８００Ｚのハードウェア構成図である。情報処理装置８０
０Ｚは、統合健康予測プログラム１００Ｚを利用して、顧客の更年期症状や睡眠状態等に
関する予測結果を算出する。情報処理装置８００Ｚは、一般に入手可能なコンピュータシ
ステム、例えばデスクトップ型ＰＣ（Ｐｅｒｓｏｎａｌ Ｃｏｍｐｕｔｅｒ）、ノート型
ＰＣ、タブレットＰＣ、サーバコンピュータ等でありうる。当該コンピュータシステムは
、健康予測システム１Ｚを運用する事業者の事業所に設置されてもよいし、クラウドサー
ビスとして提供されてもよい。後者の場合、事業所にはクラウドサービスと相互に通信可
能なＰＣ等が設けられればよい。
図２２を参照しながら、統合健康予測プログラム１００Ｚが実行される情報処理装置８
００Ｚのハードウェア構成の具体例を説明する。図２２は、統合健康予測プログラム１０
０Ｚが実行される情報処理装置８００Ｚのハードウェア構成図である。情報処理装置８０
０Ｚは、統合健康予測プログラム１００Ｚを利用して、顧客の更年期症状や睡眠状態等に
関する予測結果を算出する。情報処理装置８００Ｚは、一般に入手可能なコンピュータシ
ステム、例えばデスクトップ型ＰＣ（Ｐｅｒｓｏｎａｌ Ｃｏｍｐｕｔｅｒ）、ノート型
ＰＣ、タブレットＰＣ、サーバコンピュータ等でありうる。当該コンピュータシステムは
、健康予測システム１Ｚを運用する事業者の事業所に設置されてもよいし、クラウドサー
ビスとして提供されてもよい。後者の場合、事業所にはクラウドサービスと相互に通信可
能なＰＣ等が設けられればよい。
【0273】
情報処理装置８００Ｚは、制御部８１０Ｚと、入力インタフェース（Ｉ／Ｆ）部８２０
Ｚと、記憶装置８３０Ｚと、出力Ｉ／Ｆ部８４０Ｚとを備える。
Ｚと、記憶装置８３０Ｚと、出力Ｉ／Ｆ部８４０Ｚとを備える。
【0274】
制御部８１０Ｚは、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ。図示
せず）、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ。図示せず）、ＲＡＭ（Ｒａｎｄｏ
ｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）等を含み得る。制御部８１０Ｚは、記憶装置８３０Ｚ
に記憶される統合健康予測プログラム１００Ｚを実行可能である。これにより、情報処理
装置８００Ｚは、一般的なコンピュータとしての機能に加え、上述した健康予測に係る各
種処理を実行可能である。なお、制御部８１０Ｚに含まれる演算回路はＣＰＵでなくとも
よく、ＭＰＵやＧＰＵ等の種々のプロセッサで実現されてもよく、また、１つのプロセッ
サでなく、複数のプロセッサにより実現されてもよい。
せず）、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ。図示せず）、ＲＡＭ（Ｒａｎｄｏ
ｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）等を含み得る。制御部８１０Ｚは、記憶装置８３０Ｚ
に記憶される統合健康予測プログラム１００Ｚを実行可能である。これにより、情報処理
装置８００Ｚは、一般的なコンピュータとしての機能に加え、上述した健康予測に係る各
種処理を実行可能である。なお、制御部８１０Ｚに含まれる演算回路はＣＰＵでなくとも
よく、ＭＰＵやＧＰＵ等の種々のプロセッサで実現されてもよく、また、１つのプロセッ
サでなく、複数のプロセッサにより実現されてもよい。
【0275】
入力Ｉ／Ｆ部８２０Ｚは、健康状態を予測したい顧客にかかる購買データ１５０Ｚを受
け取る。先述のとおり、入力Ｉ／Ｆ部８２０Ｚは、例えばインターネットやＬＡＮ等のネ
ットワークを介して接続される外部のサーバ等の情報処理装置から購買データ１５０Ｚを
受信することが可能である。入力Ｉ／Ｆ部８２０Ｚは、例えばイーサネット（登録商標）
の通信端子、ＵＳＢ（登録商標）端子、ＩＥＥＥ８０２．１１、４Ｇ、又は５Ｇ等の規格
に準拠して通信をおこなう通信回路により実現することができる。
け取る。先述のとおり、入力Ｉ／Ｆ部８２０Ｚは、例えばインターネットやＬＡＮ等のネ
ットワークを介して接続される外部のサーバ等の情報処理装置から購買データ１５０Ｚを
受信することが可能である。入力Ｉ／Ｆ部８２０Ｚは、例えばイーサネット（登録商標）
の通信端子、ＵＳＢ（登録商標）端子、ＩＥＥＥ８０２．１１、４Ｇ、又は５Ｇ等の規格
に準拠して通信をおこなう通信回路により実現することができる。
【0276】
記憶装置８３０Ｚは、情報処理装置８００Ｚを動作させるために必要なコンピュータプ
ログラム及びデータを記憶する記憶媒体である。記憶装置８３０Ｚは、例えばＨＤＤ又は
半導体記憶装置であるＳＳＤであり得る。記憶装置８３０Ｚは、例えばＤＲＡＭ又はＳＲ
ＡＭ等のＲＡＭにより構成される一時的な記憶素子を備えてもよく、制御部８１０Ｚの作
業領域として機能してもよい。記憶装置８３０Ｚは、統合健康予測プログラム１００Ｚや
、図１９のテーブル５０Ｚや図２０のテーブル６０Ｚとして具体例を示した提案用テーブ
ル８３１Ｚを格納する。
ログラム及びデータを記憶する記憶媒体である。記憶装置８３０Ｚは、例えばＨＤＤ又は
半導体記憶装置であるＳＳＤであり得る。記憶装置８３０Ｚは、例えばＤＲＡＭ又はＳＲ
ＡＭ等のＲＡＭにより構成される一時的な記憶素子を備えてもよく、制御部８１０Ｚの作
業領域として機能してもよい。記憶装置８３０Ｚは、統合健康予測プログラム１００Ｚや
、図１９のテーブル５０Ｚや図２０のテーブル６０Ｚとして具体例を示した提案用テーブ
ル８３１Ｚを格納する。
【0277】
なお、予測モデル１１０Ｚは、統合健康予測プログラム１００Ｚの一部として組み込ま
れてもよいし、統合健康予測プログラム１００Ｚとは別のデータとして設けられてもよい
。また、予測モデル１１０Ｚは、テーブルやパラメータ群として記憶装置８３０Ｚに格納
されてもよい。
れてもよいし、統合健康予測プログラム１００Ｚとは別のデータとして設けられてもよい
。また、予測モデル１１０Ｚは、テーブルやパラメータ群として記憶装置８３０Ｚに格納
されてもよい。
【0278】
また、提案用テーブル８３１Ｚは、健康状態の程度を示す予測結果、例えばＨ層／Ｍ層
／Ｌ層や、９０％／５０％／２０％と、各程度に応じて提案すべき商品・サービスを対応
付けたものとすることができる。
／Ｌ層や、９０％／５０％／２０％と、各程度に応じて提案すべき商品・サービスを対応
付けたものとすることができる。
【0279】
出力Ｉ／Ｆ部８４０Ｚは、情報処理装置８００Ｚの外部に設けられた種々の出力装置と
接続される通信回路及び／又は通信端子である。例えば出力Ｉ／Ｆ部８４０Ｚは、レシー
トプリンタＰに印字すべき内容を示す印字データを出力するＵＳＢ端子であり得る。統合
健康予測プログラム１００Ｚは、顧客の健康状態に関する予測結果を算出し、その結果、
もしくは結果に応じた顧客への提案をレシートプリンタＰへ送信してレシートに印刷させ
ることができる。
接続される通信回路及び／又は通信端子である。例えば出力Ｉ／Ｆ部８４０Ｚは、レシー
トプリンタＰに印字すべき内容を示す印字データを出力するＵＳＢ端子であり得る。統合
健康予測プログラム１００Ｚは、顧客の健康状態に関する予測結果を算出し、その結果、
もしくは結果に応じた顧客への提案をレシートプリンタＰへ送信してレシートに印刷させ
ることができる。
【0280】
出力Ｉ／Ｆ部８４０Ｚは、ディスプレイＤと接続される映像出力端子であってもよい。
統合健康予測プログラム１００Ｚは、顧客の健康状態に関する予測結果を算出し、その結
果、もしくは結果に応じた顧客への提案をディスプレイＤに表示させる。ディスプレイＤ
に表示された内容を、例えば薬剤師が確認することで、当該薬剤師は顧客の症状に応じた
１又は複数の商品を提案することができる。
統合健康予測プログラム１００Ｚは、顧客の健康状態に関する予測結果を算出し、その結
果、もしくは結果に応じた顧客への提案をディスプレイＤに表示させる。ディスプレイＤ
に表示された内容を、例えば薬剤師が確認することで、当該薬剤師は顧客の症状に応じた
１又は複数の商品を提案することができる。
【0281】
別の形態として、出力Ｉ／Ｆ部８４０Ｚは、通信ネットワークＮ等と接続されてデータ
通信することが可能な通信端子又は通信回路であってもよい。出力Ｉ／Ｆ部８４０Ｚが通
信端子又は通信回路である場合には、入力Ｉ／Ｆ部８２０Ｚ及び出力Ｉ／Ｆ部８４０Ｚの
ハードウェアは同一であってもよい。出力Ｉ／Ｆ部８４０Ｚは、例えば携帯電話回線を介
して、顧客の健康状態に関する予測結果、もしくは結果に応じた顧客への提案を、顧客の
スマートフォンＭに送信することができる。
通信することが可能な通信端子又は通信回路であってもよい。出力Ｉ／Ｆ部８４０Ｚが通
信端子又は通信回路である場合には、入力Ｉ／Ｆ部８２０Ｚ及び出力Ｉ／Ｆ部８４０Ｚの
ハードウェアは同一であってもよい。出力Ｉ／Ｆ部８４０Ｚは、例えば携帯電話回線を介
して、顧客の健康状態に関する予測結果、もしくは結果に応じた顧客への提案を、顧客の
スマートフォンＭに送信することができる。
【0282】
３ 予測モデル１１０Ｚを学習する学習システム９
３．１ 概要
続いて、統合健康予測プログラム１００Ｚに含まれる予測モデル１１０Ｚを機械学習に
より生成する方法を、図２３を参照しながら説明する。ここでは、モデル学習プログラム
９００Ｚが予測モデル１１０Ｚを生成するものとして説明する。なお、モデル学習プログ
ラム９００Ｚは、単一のプログラムとして実装されてもよいし、データの入出力により連
携して動作可能な複数のプログラムとして実装されてもよい。
３．１ 概要
続いて、統合健康予測プログラム１００Ｚに含まれる予測モデル１１０Ｚを機械学習に
より生成する方法を、図２３を参照しながら説明する。ここでは、モデル学習プログラム
９００Ｚが予測モデル１１０Ｚを生成するものとして説明する。なお、モデル学習プログ
ラム９００Ｚは、単一のプログラムとして実装されてもよいし、データの入出力により連
携して動作可能な複数のプログラムとして実装されてもよい。
【0283】
なお、図１５に例を示した統合健康予測プログラム１００Ｚは、６種類の予測モデル１
１０Ｚを含んでいるが、これらの予測モデルは、用いる教師データ９５０Ｚのうちの健康
データ９５４Ｚの違いのみで、同様に生成することができる。以下では、女性の健康にか
かる更年期予測モデル１１０ａを生成する場合を中心に説明する。
１０Ｚを含んでいるが、これらの予測モデルは、用いる教師データ９５０Ｚのうちの健康
データ９５４Ｚの違いのみで、同様に生成することができる。以下では、女性の健康にか
かる更年期予測モデル１１０ａを生成する場合を中心に説明する。
【0284】
３．２ 教師データ９５０Ｚ
モデル学習プログラム９００Ｚは、多数の被験者から収集された種々のデータを含む教
師データ９５０Ｚを利用して機械学習を行い、予測モデル１１０Ｚを構築する。教師デー
タ９５０Ｚは、被験者の各々の購買行動に関する購買データ９５２Ｚと、それらの被験者
の健康に関するデータである健康データ９５４Ｚとを含む。
モデル学習プログラム９００Ｚは、多数の被験者から収集された種々のデータを含む教
師データ９５０Ｚを利用して機械学習を行い、予測モデル１１０Ｚを構築する。教師デー
タ９５０Ｚは、被験者の各々の購買行動に関する購買データ９５２Ｚと、それらの被験者
の健康に関するデータである健康データ９５４Ｚとを含む。
【0285】
購買データ９５２Ｚは、図１７を参照して具体例を示したものと同様の情報に関するも
のである。すなわち、本実施形態においては、被験者のＩＤ毎に、ＪＩＣＦＳ分類におけ
るカテゴリーに係る項目１５０ａと、期間中の購入金額や購入数量、購入回数などの数値
データである実績データ１５０ｂとを購買データ９５２Ｚに含むことができる。なお、食
品及び／又は飲料は被験者や顧客の健康状態等を関連付ける商品として好適であることか
ら、購買データ９５２Ｚには、食品及び／又は飲料の購入履歴を含むことが好ましい。
のである。すなわち、本実施形態においては、被験者のＩＤ毎に、ＪＩＣＦＳ分類におけ
るカテゴリーに係る項目１５０ａと、期間中の購入金額や購入数量、購入回数などの数値
データである実績データ１５０ｂとを購買データ９５２Ｚに含むことができる。なお、食
品及び／又は飲料は被験者や顧客の健康状態等を関連付ける商品として好適であることか
ら、購買データ９５２Ｚには、食品及び／又は飲料の購入履歴を含むことが好ましい。
【0286】
健康データ９５４Ｚは、被験者の健康状態を記述するものである。この健康状態とは、
自覚症状に関する状態であってもよいし、測定した結果認められる状態であってもよい。
すなわち、健康意識、メンタルヘルス、認知機能、健康診断結果のうちの少なくともいず
れかを健康データ９５４Ｚに用いることが可能である。本実施形態における健康データ９
５４Ｚでは、被験者の健康状態として、被験者の状態セグメント毎の判定値を記述する。
状態セグメントでは、健康状態の種類及びレベル（換言すれば大きさ）の組合せ毎に定義
される。本実施形態でいう健康状態の種類及びレベルは、対応する個人が有する心身の不
調の種類及びレベルである。判定値は、健康状態を示す指数を、２クラスや３クラス等で
表すことができる。なお、ここでいう「健康状態の種類及びレベル」は、医学的な厳密さ
を伴うものではなく、個人が有する健康の悩みの種類及びレベルと理解することも可能で
ある。
自覚症状に関する状態であってもよいし、測定した結果認められる状態であってもよい。
すなわち、健康意識、メンタルヘルス、認知機能、健康診断結果のうちの少なくともいず
れかを健康データ９５４Ｚに用いることが可能である。本実施形態における健康データ９
５４Ｚでは、被験者の健康状態として、被験者の状態セグメント毎の判定値を記述する。
状態セグメントでは、健康状態の種類及びレベル（換言すれば大きさ）の組合せ毎に定義
される。本実施形態でいう健康状態の種類及びレベルは、対応する個人が有する心身の不
調の種類及びレベルである。判定値は、健康状態を示す指数を、２クラスや３クラス等で
表すことができる。なお、ここでいう「健康状態の種類及びレベル」は、医学的な厳密さ
を伴うものではなく、個人が有する健康の悩みの種類及びレベルと理解することも可能で
ある。
【0287】
ここで、例として、モデル学習プログラム９００Ｚが更年期予測モデル１１０ａを生成
する場合であって、更年期のレベルを判定するために、簡略更年期指数ＳＭＩの症状を利
用する場合を考える。この場合、健康データ９５４Ｚには、被験者が属する簡略更年期指
数ＳＭＩの症状を示すラベルを健康データ９５４Ｚに含むことができる。例えば、簡略更
年期指数ＳＭＩを２クラスとして表現することが可能である。具体的には、更年期症状が
相対的に大きいことを示す「Ｈ」と、「Ｈ以外」か、である。「Ｈ以外」については、相
対的に症状が中程度である「Ｍ」と、相対的に小さいことを示す「Ｌ」に細分化する（す
なわち、症状を計３クラスとして表現する）ことも可能である。以下では、「Ｈ」に該当
する被験者層を「Ｈ層」と呼ぶ。
する場合であって、更年期のレベルを判定するために、簡略更年期指数ＳＭＩの症状を利
用する場合を考える。この場合、健康データ９５４Ｚには、被験者が属する簡略更年期指
数ＳＭＩの症状を示すラベルを健康データ９５４Ｚに含むことができる。例えば、簡略更
年期指数ＳＭＩを２クラスとして表現することが可能である。具体的には、更年期症状が
相対的に大きいことを示す「Ｈ」と、「Ｈ以外」か、である。「Ｈ以外」については、相
対的に症状が中程度である「Ｍ」と、相対的に小さいことを示す「Ｌ」に細分化する（す
なわち、症状を計３クラスとして表現する）ことも可能である。以下では、「Ｈ」に該当
する被験者層を「Ｈ層」と呼ぶ。
【0288】
なお、健康データ９５４Ｚにおける症状の程度を示すラベル付けにおいて、２クラスや
３クラスではなく、さらに細分化して４クラス以上としてもよいし、あるいは、これらの
クラスに代えて、更年期症状に該当する可能性を示す数値を使用することも考えられる。
３クラスではなく、さらに細分化して４クラス以上としてもよいし、あるいは、これらの
クラスに代えて、更年期症状に該当する可能性を示す数値を使用することも考えられる。
【0289】
すなわち、教師データ９５０Ｚは、各被験者の各商品カテゴリーに関する情報と、所定
期間中の購入金額や購入数量、購入回数などにかかる情報とを含む購買データ９５２Ｚと
、健康状態を示すラベルの情報を少なくとも含む健康データ９５４Ｚとが紐づけられたも
のである。ここで、モデル学習プログラム９００Ｚが、例えば、女性の健康状態（更年期
症状）、睡眠状態（睡眠の乱れ）、生活習慣病（身体活動不足）、水分状態（水分不足度
）、免疫状態（免疫低下度）、及び栄養状態（栄養不足度）の６つの予測モデル１１０Ｚ
を生成するのであれば、これらの予測モデル１１０Ｚにそれぞれ対応する情報を、健康デ
ータ９５４Ｚに含ませるようにすればよい。教師有り学習における機械学習において、教
師データ９５０Ｚは、大きく説明変数と目的変数とに分類される。本実施形態においては
、購買データ９５２Ｚが説明変数、健康データ９５４Ｚが目的変数に相当する。なお、本
実施形態では、説明変数は購買データ９５２Ｚのみを用いているが、これに限られるもの
ではない。例えば、被験者の属性である、性別や年齢を説明変数に追加することが考えら
れる。
期間中の購入金額や購入数量、購入回数などにかかる情報とを含む購買データ９５２Ｚと
、健康状態を示すラベルの情報を少なくとも含む健康データ９５４Ｚとが紐づけられたも
のである。ここで、モデル学習プログラム９００Ｚが、例えば、女性の健康状態（更年期
症状）、睡眠状態（睡眠の乱れ）、生活習慣病（身体活動不足）、水分状態（水分不足度
）、免疫状態（免疫低下度）、及び栄養状態（栄養不足度）の６つの予測モデル１１０Ｚ
を生成するのであれば、これらの予測モデル１１０Ｚにそれぞれ対応する情報を、健康デ
ータ９５４Ｚに含ませるようにすればよい。教師有り学習における機械学習において、教
師データ９５０Ｚは、大きく説明変数と目的変数とに分類される。本実施形態においては
、購買データ９５２Ｚが説明変数、健康データ９５４Ｚが目的変数に相当する。なお、本
実施形態では、説明変数は購買データ９５２Ｚのみを用いているが、これに限られるもの
ではない。例えば、被験者の属性である、性別や年齢を説明変数に追加することが考えら
れる。
【0290】
以下、モデル学習プログラム９００Ｚは、適切な健康データ９５４Ｚを用意すれば、睡
眠状態、生活習慣病、免疫状態、水分状態、栄養状態、認知症、酸素利用、血管の健康、
頭髪の健康、腸内環境、運動効果の促進、食欲増進、目の健康、肌の健康、口腔衛生、心
の健康、うつ、ストレス、頭痛、肩こり、耳の健康、関節の健康、体温恒常性、疲労、骨
の健康、男性の更年期障害、高血圧、天気痛等、種々の症状等に関する予測モデル１１０
Ｚを生成することが可能である。以下では、特に、女性の健康状態（更年期症状）、睡眠
状態（睡眠の乱れ）、生活習慣病（身体活動不足）、水分状態（水分不足度）、免疫状態
（免疫低下度）、及び栄養状態（栄養不足度）を示す指標として利用可能な指数を例示す
る。
眠状態、生活習慣病、免疫状態、水分状態、栄養状態、認知症、酸素利用、血管の健康、
頭髪の健康、腸内環境、運動効果の促進、食欲増進、目の健康、肌の健康、口腔衛生、心
の健康、うつ、ストレス、頭痛、肩こり、耳の健康、関節の健康、体温恒常性、疲労、骨
の健康、男性の更年期障害、高血圧、天気痛等、種々の症状等に関する予測モデル１１０
Ｚを生成することが可能である。以下では、特に、女性の健康状態（更年期症状）、睡眠
状態（睡眠の乱れ）、生活習慣病（身体活動不足）、水分状態（水分不足度）、免疫状態
（免疫低下度）、及び栄養状態（栄養不足度）を示す指標として利用可能な指数を例示す
る。
【0291】
３．２．１ 女性の健康状態（更年期症状）
更年期症状の度合いを示す指標としては、例えば、上述のとおり、簡略更年期指数ＳＭ
Ｉを用いることができる。簡略更年期指数ＳＭＩは、列挙された種々の症状の程度に応じ
た該当項目を各被験者に事前にしておいてもらい、その結果を点数化することにより取得
される。簡略更年期指数ＳＭＩは日本人の更年期女性特有の症状を反映した指標であると
されている。そのため、国や地域等に応じて、更年期症状に関する他の指標、例えば、更
年期障害評価尺度（ｔｈｅ Ｍｅｎｏｐａｕｓｅ Ｒａｔｉｎｇ Ｓｃａｌｅ）、クッパ
ーマン更年期指数（Ｔｈｅ Ｋｕｐｐｅｒｍａｎ ｉｎｄｅｘ）、更年期障害評価尺度（
Ｇｒｅｅｎ Ｃｌｉｍａｃｔｅｒｉｃ Ｓｃａｌｅ）、ＰＳＳＴ（Ｔｈｅ ｐｒｅｍｅｎ
ｓｔｒｕａｌ ｓｙｍｐｔｏｍｓｓｃｒｅｅｎｉｎｇ ｔｏｏｌ）、ＭＲＳ（Ｍｅｎｏｐ
ａｕｓｅ ｒａｔｉｎｇ Ｓｃａｌｅ）、ＷＨＱ（Ｔｈｅ Ｗｏｍｅｎ’ｓ Ｈｅａｌｔ
ｈ Ｑｕｅｓｔｉｏｎｎａｉｒｅ）、ＶＡＳ（Ｖｉｓｕａｌ ａｎａｌｏｇｕｅ ｓｃａ
ｌｅ）、ＨＦＲＤＩ（Ｈｏｔ Ｆｌａｓｈ Ｒｅｌａｔｅｄ Ｄａｉｌｙ Ｉｎｔｅｒｆ
ｅｒｅｎｃｅ Ｓｃａｌｅ）、ＨＦＣＳ（Ｈｏｔ Ｆｌａｓｈ Ｃｏｍｐｏｓｉｔｅ Ｓ
ｃｏｒｅ）、及びＭＥＮＱＯＬ（Ｍｅｎｏｐａｕｓｅ－Ｓｐｅｃｉｆｉｃ Ｑｕａｌｉｔ
ｙ ｏｆ ｌｉｆｅ）、日本人女性の更年期症状評価表のいずれか１つ以上を適宜利用す
ることも考えられる。
更年期症状の度合いを示す指標としては、例えば、上述のとおり、簡略更年期指数ＳＭ
Ｉを用いることができる。簡略更年期指数ＳＭＩは、列挙された種々の症状の程度に応じ
た該当項目を各被験者に事前にしておいてもらい、その結果を点数化することにより取得
される。簡略更年期指数ＳＭＩは日本人の更年期女性特有の症状を反映した指標であると
されている。そのため、国や地域等に応じて、更年期症状に関する他の指標、例えば、更
年期障害評価尺度（ｔｈｅ Ｍｅｎｏｐａｕｓｅ Ｒａｔｉｎｇ Ｓｃａｌｅ）、クッパ
ーマン更年期指数（Ｔｈｅ Ｋｕｐｐｅｒｍａｎ ｉｎｄｅｘ）、更年期障害評価尺度（
Ｇｒｅｅｎ Ｃｌｉｍａｃｔｅｒｉｃ Ｓｃａｌｅ）、ＰＳＳＴ（Ｔｈｅ ｐｒｅｍｅｎ
ｓｔｒｕａｌ ｓｙｍｐｔｏｍｓｓｃｒｅｅｎｉｎｇ ｔｏｏｌ）、ＭＲＳ（Ｍｅｎｏｐ
ａｕｓｅ ｒａｔｉｎｇ Ｓｃａｌｅ）、ＷＨＱ（Ｔｈｅ Ｗｏｍｅｎ’ｓ Ｈｅａｌｔ
ｈ Ｑｕｅｓｔｉｏｎｎａｉｒｅ）、ＶＡＳ（Ｖｉｓｕａｌ ａｎａｌｏｇｕｅ ｓｃａ
ｌｅ）、ＨＦＲＤＩ（Ｈｏｔ Ｆｌａｓｈ Ｒｅｌａｔｅｄ Ｄａｉｌｙ Ｉｎｔｅｒｆ
ｅｒｅｎｃｅ Ｓｃａｌｅ）、ＨＦＣＳ（Ｈｏｔ Ｆｌａｓｈ Ｃｏｍｐｏｓｉｔｅ Ｓ
ｃｏｒｅ）、及びＭＥＮＱＯＬ（Ｍｅｎｏｐａｕｓｅ－Ｓｐｅｃｉｆｉｃ Ｑｕａｌｉｔ
ｙ ｏｆ ｌｉｆｅ）、日本人女性の更年期症状評価表のいずれか１つ以上を適宜利用す
ることも考えられる。
【0292】
なお女性の健康状態については、更年期症状の他、月経前症候群（ＰＭＳ、ＰＭＤＤ）
症状も考えられる。すなわち、月経前症候群を予測するためには、月経前症候群の症状の
程度を示す指標を目的変数、購買データ９５２を説明変数として機械学習することにより
健康予測モデル１１０Ｚを構築すればよい。
症状も考えられる。すなわち、月経前症候群を予測するためには、月経前症候群の症状の
程度を示す指標を目的変数、購買データ９５２を説明変数として機械学習することにより
健康予測モデル１１０Ｚを構築すればよい。
【0293】
また、健康データ９５４Ｚには、これらの指標の数値データを含ませてもよいし、これ
らの指標の数値から、症状の程度を示すラベルのみを含ませてもよい。この点については
、以降の、睡眠状態、生活習慣病等の指標についても同様である。
らの指標の数値から、症状の程度を示すラベルのみを含ませてもよい。この点については
、以降の、睡眠状態、生活習慣病等の指標についても同様である。
【0294】
３．２．２ 睡眠状態（睡眠の乱れ）
睡眠を示す指標としては、睡眠状態の悪化及び／又は睡眠リズム、不適切な睡眠時間の
いずれかを示す指標であることが考えられる。アンケート等によって取得された各対照の
自覚症状であってもよいし、各対照を測定した結果認められる測定値であってもよい。睡
眠状態には、アテネ睡眠評価尺度（ＡＩＳ）、ピッツバーグ睡眠質問票（Ｐｉｔｔｓｂｕ
ｒｇｈ Ｓｌｅｅｐ Ｑｕａｌｉｔｙ Ｉｎｄｅｘ：ＰＳＱＩ）、３次元型睡眠尺度（３
Ｄｉｍｅｎｔｉｏｎａｌ Ｓｌｅｅｐ Ｓｃａｌｅ：３ＤＳＳ）、不眠症重症度質問票
（Ｉｎｓｏｍｎｉａ Ｓｅｖｅｒｉｔｙ Ｉｎｄｅｘ：ＩＳＩ）の少なくともいずれかを
用いることができる。症状の程度は、それぞれの項目の単体及び複合的に解析され、生活
者の健康状態をカテゴリーに割り付け分類される。睡眠リズムはミュンヘンクロノタイプ
質問票（Ｍｕｎｉｃｈ ＣｈｒｏｎｏＴｙｐｅ Ｑｕｅｓｔｉｏｎｎａｉｒｅ：μＭＣＴ
Ｑ）を用い、平日と休日のそれぞれの睡眠中央時間を求め、その差からソーシャルジェッ
トラグ（Ｓｏｃｉａｌ Ｊｅｔ Ｌａｇ：ＳＪＬ）を算出することで把握することができ
る。
睡眠を示す指標としては、睡眠状態の悪化及び／又は睡眠リズム、不適切な睡眠時間の
いずれかを示す指標であることが考えられる。アンケート等によって取得された各対照の
自覚症状であってもよいし、各対照を測定した結果認められる測定値であってもよい。睡
眠状態には、アテネ睡眠評価尺度（ＡＩＳ）、ピッツバーグ睡眠質問票（Ｐｉｔｔｓｂｕ
ｒｇｈ Ｓｌｅｅｐ Ｑｕａｌｉｔｙ Ｉｎｄｅｘ：ＰＳＱＩ）、３次元型睡眠尺度（３
Ｄｉｍｅｎｔｉｏｎａｌ Ｓｌｅｅｐ Ｓｃａｌｅ：３ＤＳＳ）、不眠症重症度質問票
（Ｉｎｓｏｍｎｉａ Ｓｅｖｅｒｉｔｙ Ｉｎｄｅｘ：ＩＳＩ）の少なくともいずれかを
用いることができる。症状の程度は、それぞれの項目の単体及び複合的に解析され、生活
者の健康状態をカテゴリーに割り付け分類される。睡眠リズムはミュンヘンクロノタイプ
質問票（Ｍｕｎｉｃｈ ＣｈｒｏｎｏＴｙｐｅ Ｑｕｅｓｔｉｏｎｎａｉｒｅ：μＭＣＴ
Ｑ）を用い、平日と休日のそれぞれの睡眠中央時間を求め、その差からソーシャルジェッ
トラグ（Ｓｏｃｉａｌ Ｊｅｔ Ｌａｇ：ＳＪＬ）を算出することで把握することができ
る。
【0295】
３．２．３ 生活習慣病（身体活動不足）
運動状態を示す指標としては、運動不足、肥満、一定期間における体重の変化から選択
される１つ以上程度を含み得る。より具体的には、各被験者の体重、ＢＭＩ（Ｂｏｄｙ
Ｍａｓｓ Ｉｎｄｅｘ）、歩数及び／又はメタボリックシンドローム診断基準値のいずれ
か１つ以上を用いることが考えられる。メタボリックシンドローム診断基準値は、ウエス
ト周囲径、高グリセリド血症及び／又は低ＨＤＬコレステロール血症の診断のために定め
られた閾値、血圧の最大値及び／又は最小値、及び、空腹時高血糖の診断のために定めら
れた閾値のいずれか１以上である。
運動状態を示す指標としては、運動不足、肥満、一定期間における体重の変化から選択
される１つ以上程度を含み得る。より具体的には、各被験者の体重、ＢＭＩ（Ｂｏｄｙ
Ｍａｓｓ Ｉｎｄｅｘ）、歩数及び／又はメタボリックシンドローム診断基準値のいずれ
か１つ以上を用いることが考えられる。メタボリックシンドローム診断基準値は、ウエス
ト周囲径、高グリセリド血症及び／又は低ＨＤＬコレステロール血症の診断のために定め
られた閾値、血圧の最大値及び／又は最小値、及び、空腹時高血糖の診断のために定めら
れた閾値のいずれか１以上である。
【0296】
なお、生活習慣病や運動状態にかかる予測モデルを生成する機械学習の際に、購買デー
タ９５２Ｚに加え、被験者の喫煙の有無や座位行動の１つ以上の情報を説明変数に含めて
機械学習を行ってもよい。
タ９５２Ｚに加え、被験者の喫煙の有無や座位行動の１つ以上の情報を説明変数に含めて
機械学習を行ってもよい。
【0297】
３．２．４ 水分状態（水分不足度）
水分状態を示す指標としては、血清Ｎａ値、ＢＵＮ／クレアチニン比、及び、或いは尿
浸透圧、尿比重、尿カラー、脱水評価スケール、水分不足に伴う自覚症状であることが考
えられる。これら情報は、先の更年期症状の例と同様の方法によって取得され得る。例え
ば複数の対照の各々が一定期間、例えば一年間、経験した体の変化を健康診断や人間ドッ
クで得られる臨床検査値や別に実施される健康アンケートによって得られる。一方、水分
低下に伴う自覚症状は、アンケート等によって取得され得る。症状の程度は、血清Ｎａ値
、尿浸透圧、尿比重、ＢＵＮ／クレアチニン比、飲水量、身体活動量、尿カラーの少なく
とも１つ以上から把握され得る。
水分状態を示す指標としては、血清Ｎａ値、ＢＵＮ／クレアチニン比、及び、或いは尿
浸透圧、尿比重、尿カラー、脱水評価スケール、水分不足に伴う自覚症状であることが考
えられる。これら情報は、先の更年期症状の例と同様の方法によって取得され得る。例え
ば複数の対照の各々が一定期間、例えば一年間、経験した体の変化を健康診断や人間ドッ
クで得られる臨床検査値や別に実施される健康アンケートによって得られる。一方、水分
低下に伴う自覚症状は、アンケート等によって取得され得る。症状の程度は、血清Ｎａ値
、尿浸透圧、尿比重、ＢＵＮ／クレアチニン比、飲水量、身体活動量、尿カラーの少なく
とも１つ以上から把握され得る。
【0298】
これらの指標に基づき、悪化した健康状態を経験している、あるいは今後経験する可能
性がある状態を疫学情報から文献的に見出すことが可能である。例えば、血清Ｎａ値が１
４２ｍＥｑ／Ｌを超える生活者は血清Ｎａ値が１４２ｍＥｑ／Ｌ未満の生活者よりも認知
障害や高血圧の発症リスクが高いことが見出されており、健康リスクが高いと評価するこ
とが可能である。
性がある状態を疫学情報から文献的に見出すことが可能である。例えば、血清Ｎａ値が１
４２ｍＥｑ／Ｌを超える生活者は血清Ｎａ値が１４２ｍＥｑ／Ｌ未満の生活者よりも認知
障害や高血圧の発症リスクが高いことが見出されており、健康リスクが高いと評価するこ
とが可能である。
【0299】
なお、水分状態に係る予測モデルを生成する機械学習の際に、購買データ９５２Ｚに加
え、被験者の飲水量、飲酒量、身体活動量、尿カラー、尿浸透圧、尿比重、血清Na値、BU
N/クレアチニン比、の１つ以上の情報を説明変数に含めて機械学習を行ってもよい。
え、被験者の飲水量、飲酒量、身体活動量、尿カラー、尿浸透圧、尿比重、血清Na値、BU
N/クレアチニン比、の１つ以上の情報を説明変数に含めて機械学習を行ってもよい。
【0300】
３．２．５ 免疫状態（免疫低下度）
免疫状態を示す指標としては、例えば、風邪の引きやすさ及び／又はその頻度、風邪様
症状を用いることが可能である。この風邪の引きやすさや頻度は、アンケート等によって
取得された各対照の自覚症状であってもよいし、医療機関の受診履歴から取得されてもよ
い。症状の程度は３段階以上のカテゴリーで集計され、症状の程度は、風邪の引きやすさ
、ＳＩｇＡ濃度、アレルギー症状、口腔環境・免疫力の状態、運動の状態、ストレスの状
態、重度の睡眠症状、中程度の睡眠症状、軽度の睡眠症状、風邪様症状であり得る。
免疫状態を示す指標としては、例えば、風邪の引きやすさ及び／又はその頻度、風邪様
症状を用いることが可能である。この風邪の引きやすさや頻度は、アンケート等によって
取得された各対照の自覚症状であってもよいし、医療機関の受診履歴から取得されてもよ
い。症状の程度は３段階以上のカテゴリーで集計され、症状の程度は、風邪の引きやすさ
、ＳＩｇＡ濃度、アレルギー症状、口腔環境・免疫力の状態、運動の状態、ストレスの状
態、重度の睡眠症状、中程度の睡眠症状、軽度の睡眠症状、風邪様症状であり得る。
【0301】
３．２．６ 栄養状態（栄養不足度）
栄養状態を表す指標は、アンケート等によって取得された各対照の自覚症状であっても
よいし、各対照を測定した結果認められる測定値であってもよい。症状の程度は、栄養低
下に伴う自覚症状の有無、食品摂取の多様性得点（ＤＶＳ）、食欲尺度短縮版（ＳＮＡＱ
：Ｓｉｍｐｌｉｆｉｅｄ ｎｕｔｒｉｔｉｏｎａｌ ａｐｐｅｔｉｔｅ ｑｕｅｓｔｉｏ
ｎｎａｉｒｅ）、ＢＭＩ（Ｂｏｄｙ Ｍａｓｓ Ｉｎｄｅｘ）の少なくともいずれかであ
り得る。
栄養状態を表す指標は、アンケート等によって取得された各対照の自覚症状であっても
よいし、各対照を測定した結果認められる測定値であってもよい。症状の程度は、栄養低
下に伴う自覚症状の有無、食品摂取の多様性得点（ＤＶＳ）、食欲尺度短縮版（ＳＮＡＱ
：Ｓｉｍｐｌｉｆｉｅｄ ｎｕｔｒｉｔｉｏｎａｌ ａｐｐｅｔｉｔｅ ｑｕｅｓｔｉｏ
ｎｎａｉｒｅ）、ＢＭＩ（Ｂｏｄｙ Ｍａｓｓ Ｉｎｄｅｘ）の少なくともいずれかであ
り得る。
【0302】
３．３ 機械学習の方法
本実施形態にかかるモデル学習プログラム９００Ｚは、機械学習の手法として、ロジス
ティック回帰を用いる。しかしながら、ロジスティック回帰は一例であり、他の手法、例
えば、例えばランダムフォレスト、決定木、勾配ブースティング、サポートベクトル回帰
、線形回帰、部分的最小二乗（Ｐａｒｔｉａｌ Ｌｅａｓｔ Ｓｑｕａｒｅｓ：ＰＬＳ）
回帰、ガウス過程回帰、ニューラルネットワーク等を採用することも考えられる。また、
ロジスティック回帰を用いる際にも、Ｌ１正規化法を用いることにより精度をより向上さ
せてもよいし、Ｌ１正規化法に代えてＬ２正規化法を用いたロジスティック回帰（リッジ
回帰）を採用してもよい。Ｌ１正規化法及びＬ２正規化法を両方採用したエラスティック
ネットを利用することもできる。
本実施形態にかかるモデル学習プログラム９００Ｚは、機械学習の手法として、ロジス
ティック回帰を用いる。しかしながら、ロジスティック回帰は一例であり、他の手法、例
えば、例えばランダムフォレスト、決定木、勾配ブースティング、サポートベクトル回帰
、線形回帰、部分的最小二乗（Ｐａｒｔｉａｌ Ｌｅａｓｔ Ｓｑｕａｒｅｓ：ＰＬＳ）
回帰、ガウス過程回帰、ニューラルネットワーク等を採用することも考えられる。また、
ロジスティック回帰を用いる際にも、Ｌ１正規化法を用いることにより精度をより向上さ
せてもよいし、Ｌ１正規化法に代えてＬ２正規化法を用いたロジスティック回帰（リッジ
回帰）を採用してもよい。Ｌ１正規化法及びＬ２正規化法を両方採用したエラスティック
ネットを利用することもできる。
【0303】
ロジスティック回帰は、入力を受けて、それがある事象に該当する確率（あるいは該当
しない確率）を算出することにより、入力がある事象に該当するか否かを判定する手法で
ある。ロジスティック回帰のモデルは、一例として、ロジット関数と呼ばれる下記式（１
）のように説明される。式（１）において、左辺は自然対数である。また、ｉはｉ番目の
対象者を、ｐは目的変数の事象が発生する確率を、ｂ１、ｂ２…ｂｎは偏回帰係数を、ｂ
０は定数項を、ｘ１、ｘ２…ｘｎは説明変数を、それぞれ示す。
しない確率）を算出することにより、入力がある事象に該当するか否かを判定する手法で
ある。ロジスティック回帰のモデルは、一例として、ロジット関数と呼ばれる下記式（１
）のように説明される。式（１）において、左辺は自然対数である。また、ｉはｉ番目の
対象者を、ｐは目的変数の事象が発生する確率を、ｂ１、ｂ２…ｂｎは偏回帰係数を、ｂ
０は定数項を、ｘ１、ｘ２…ｘｎは説明変数を、それぞれ示す。
【0304】
【数1】
【0305】
式（１）の右辺をｚとすると、式（１）は、確率ｐを表す式（２）に変形することがで
きる。
きる。
【0306】
【数2】
ある。ｚの定義における偏回帰係数ｂ１、ｂ２…ｂｎは重みと呼ばれ、ｂ０はバイアス項
である。ｚをシグモイド関数に入力すると、０～１の値、すなわち確率値が算出される。
【0307】
ここで、式（２）で求めたシグモイド関数を「φ（ｚ）」と置き、その出力値に応じて
２値のいずれかを示す出力ｙに分類する。式（３）は、φ（ｚ）が０．５以上であれば１
のクラスに分類し、０．５未満であれば０のクラスに分類することを意味する。なお、０
．５は例であり、０．５以外の値を閾値としてもよい。換言すると、式（３）は、式（２
）のｚが０以上であれば１のクラスに分類し、式（２）のｚが０未満であれば０のクラス
に分類することを意味する。
２値のいずれかを示す出力ｙに分類する。式（３）は、φ（ｚ）が０．５以上であれば１
のクラスに分類し、０．５未満であれば０のクラスに分類することを意味する。なお、０
．５は例であり、０．５以外の値を閾値としてもよい。換言すると、式（３）は、式（２
）のｚが０以上であれば１のクラスに分類し、式（２）のｚが０未満であれば０のクラス
に分類することを意味する。
【数3】
【0308】
次に、ロジスティック回帰において学習に利用される「尤度」を導入する。尤度は、結
果から見たところの条件の尤もらしさを意味する。尤度を表す尤度関数Ｌは以下の式（４
）により表される。なお、Ｐは確率値を表す。
果から見たところの条件の尤もらしさを意味する。尤度を表す尤度関数Ｌは以下の式（４
）により表される。なお、Ｐは確率値を表す。
【数4】
【0309】
尤度関数Ｌは、全ての事象について正しく判定する確率を示している。尤度を最大化す
る重みを求めることにより、予測したい事象の確率を、より正確に出力できる。具体的に
は、尤度関数Ｌに（－１）を乗じて尤度関数の政府を逆転させる。この正負が逆転した尤
度関数が、ロジスティック回帰における誤差関数である。誤差関数が最小値となる重み、
すなわち偏回帰係数ｂ１、ｂ２…ｂｎを求めるため、誤差関数をｂ１、ｂ２…ｂｎのそれ
ぞれについて偏微分氏、勾配降下法を適用する。これにより、ロジスティック回帰の学習
が行われる。
る重みを求めることにより、予測したい事象の確率を、より正確に出力できる。具体的に
は、尤度関数Ｌに（－１）を乗じて尤度関数の政府を逆転させる。この正負が逆転した尤
度関数が、ロジスティック回帰における誤差関数である。誤差関数が最小値となる重み、
すなわち偏回帰係数ｂ１、ｂ２…ｂｎを求めるため、誤差関数をｂ１、ｂ２…ｂｎのそれ
ぞれについて偏微分氏、勾配降下法を適用する。これにより、ロジスティック回帰の学習
が行われる。
【0310】
なお、尤度関数として、式（４）の自然対数を用いた対数尤度関数を利用してもよい。
対数尤度関数に（－１）を乗じて正負を逆転させた関数を最小化していくことにより最適
な重みを見出すことができる。
対数尤度関数に（－１）を乗じて正負を逆転させた関数を最小化していくことにより最適
な重みを見出すことができる。
【0311】
上述のロジスティック回帰に関する演算アルゴリズムは周知であり、そのようなアルゴ
リズムにより機械学習を行うためのソフトウェアアプリケーションは容易に入手可能であ
る。原理的には上述のとおりであるが、入手可能なソフトウェアを用いれば、数式を用い
た具体的な解析手法の詳細を知らない者であっても、本実施形態に係るロジスティック回
帰を利用した機械学習を実現することは可能である。
リズムにより機械学習を行うためのソフトウェアアプリケーションは容易に入手可能であ
る。原理的には上述のとおりであるが、入手可能なソフトウェアを用いれば、数式を用い
た具体的な解析手法の詳細を知らない者であっても、本実施形態に係るロジスティック回
帰を利用した機械学習を実現することは可能である。
【0312】
３．４ 健康予測に用いる商品カテゴリーの決定方法
教師データ９５０Ｚに含まれる購買データ９５２Ｚにおける、各商品やサービスカテゴ
リーに関する購入金額、購入数量、購入回数などの数値データが、上述した式（１）の等
における説明変数ｘに対応する。
教師データ９５０Ｚに含まれる購買データ９５２Ｚにおける、各商品やサービスカテゴ
リーに関する購入金額、購入数量、購入回数などの数値データが、上述した式（１）の等
における説明変数ｘに対応する。
【0313】
先述のとおり、本実施形態における教師データ９５０Ｚに含まれる健康データ９５４Ｚ
は、更年期症状や睡眠の乱れ等の各症状について、Ｈ層に分類されるか、Ｌ層に割り当て
られるかを示す「Ｈ」や「Ｌ」（もしくは「Ｈ」「Ｍ」「Ｌ」）のラベルが各被験者に対
して割り当てられる。上記式（３）において、Ｈ層である場合に「１」を出力し、Ｈ層以
外の場合に「０」を出力するように分類させることで、尤度関数を求めることができる。
説明変数ｘを構成する要素は、上述の購買データ９５２Ｚに限られるものではない。例え
ば、年齢層を示すデータや性別を示すデータを説明変数に含むことも考えられる。
は、更年期症状や睡眠の乱れ等の各症状について、Ｈ層に分類されるか、Ｌ層に割り当て
られるかを示す「Ｈ」や「Ｌ」（もしくは「Ｈ」「Ｍ」「Ｌ」）のラベルが各被験者に対
して割り当てられる。上記式（３）において、Ｈ層である場合に「１」を出力し、Ｈ層以
外の場合に「０」を出力するように分類させることで、尤度関数を求めることができる。
説明変数ｘを構成する要素は、上述の購買データ９５２Ｚに限られるものではない。例え
ば、年齢層を示すデータや性別を示すデータを説明変数に含むことも考えられる。
【0314】
多数の被験者にかかる教師データ９５０Ｚを用いて機械学習をおこない、予測モデルを
構築することにより、Ｈ層の顧客が購入することの多い商品群（カテゴリー）を判別する
ことができる。
構築することにより、Ｈ層の顧客が購入することの多い商品群（カテゴリー）を判別する
ことができる。
【0315】
図２４は、更年期症状に関するＨ層及びＨ層以外の層の被験者の多くが選択した（購入
することの多い）商品カテゴリーを示している。図２４の上部には、Ｈ層の被験者の多く
が選択した商品カテゴリー、下部にはＨ層以外の被験者も選択した商品カテゴリーが示さ
れている。
することの多い）商品カテゴリーを示している。図２４の上部には、Ｈ層の被験者の多く
が選択した商品カテゴリー、下部にはＨ層以外の被験者も選択した商品カテゴリーが示さ
れている。
【0316】
また、図２５は、更年期症状に関するＨ層の被験者による購入品目から見出された更年
期症状と、健康課題との関係を示している。図２５最右欄の数値は、更年期症状を有する
女性による選択のされやすさを示す程度（偏差値）を示している。この数値は、「お金を
かけてでも対処したい事項症状別偏差値－女性の健康・美容ライフスタイル理解に関する
リサーチプロジェクト報告書－行動観察調査結果」からの引用である。
期症状と、健康課題との関係を示している。図２５最右欄の数値は、更年期症状を有する
女性による選択のされやすさを示す程度（偏差値）を示している。この数値は、「お金を
かけてでも対処したい事項症状別偏差値－女性の健康・美容ライフスタイル理解に関する
リサーチプロジェクト報告書－行動観察調査結果」からの引用である。
【0317】
これらの結果から、更年期症状に関するＨ層の被験者は、特定の商品を積極的に選択（
購入）していることがわかる。Ｈ層の被験者は、肌や体内の乾燥、不定愁訴に対応する商
品を購入している。
購入）していることがわかる。Ｈ層の被験者は、肌や体内の乾燥、不定愁訴に対応する商
品を購入している。
【0318】
図２６は、Ｈ層に属する更年期症状を有する女性向けの商品群（商品カテゴリー）の例
を示している。このように、Ｈ層の被験者が、Ｈ層以外の層の被験者と比較して頻繁に購
入する商品カテゴリーを決定することができるので、そのような商品の購入（数量、金額
、回数）の多い被験者は、更年期症状におけるＨ層に属する可能性が高いと推定すること
ができる。なお、同様に、Ｈ層に属さない被験者が、Ｈ層の被験者と比較して頻繁に購入
する商品カテゴリーを決定することもできるので、そのような商品カテゴリーの購入の多
い被験者は、更年期症状におけるＨ層に属さない可能性が高いと推定することができる。
を示している。このように、Ｈ層の被験者が、Ｈ層以外の層の被験者と比較して頻繁に購
入する商品カテゴリーを決定することができるので、そのような商品の購入（数量、金額
、回数）の多い被験者は、更年期症状におけるＨ層に属する可能性が高いと推定すること
ができる。なお、同様に、Ｈ層に属さない被験者が、Ｈ層の被験者と比較して頻繁に購入
する商品カテゴリーを決定することもできるので、そのような商品カテゴリーの購入の多
い被験者は、更年期症状におけるＨ層に属さない可能性が高いと推定することができる。
【0319】
よって、本実施形態におけるモデル学習プログラム９００Ｚは、購買データ９５２Ｚの
うち、Ｈ層に属する、あるいはＨ層に属さないとの推定に貢献し得る商品カテゴリーのデ
ータを用いて、予測モデル１１０Ｚを構築することで、精度よくＨ層に属する顧客を推定
できるようにしている。
うち、Ｈ層に属する、あるいはＨ層に属さないとの推定に貢献し得る商品カテゴリーのデ
ータを用いて、予測モデル１１０Ｚを構築することで、精度よくＨ層に属する顧客を推定
できるようにしている。
【0320】
３．５ モデル学習プログラム９００Ｚの構成
以下、図２３を参照しながら、モデル学習プログラム９００Ｚの機能構成を説明する。
図２３は、モデル学習プログラム９００Ｚの機能構成を示す図である。モデル学習プログ
ラム９００Ｚは、入力部９１０Ｚ、商品カテゴリー決定部９１２Ｚ、学習部９１４Ｚ、及
び出力部９１６Ｚを有する。なお、モデル学習プログラム９００Ｚは、単一のプログラム
として実現されてもよいし、協働する複数のプログラムとして実現されてもよい。
以下、図２３を参照しながら、モデル学習プログラム９００Ｚの機能構成を説明する。
図２３は、モデル学習プログラム９００Ｚの機能構成を示す図である。モデル学習プログ
ラム９００Ｚは、入力部９１０Ｚ、商品カテゴリー決定部９１２Ｚ、学習部９１４Ｚ、及
び出力部９１６Ｚを有する。なお、モデル学習プログラム９００Ｚは、単一のプログラム
として実現されてもよいし、協働する複数のプログラムとして実現されてもよい。
【0321】
入力部９１０Ｚは、教師データ９５０Ｚの入力を受ける。入力部９１０Ｚは、モデル学
習プログラム９００Ｚが実行される情報処理装置（コンピュータ）が内蔵するＨＤＤやＳ
ＳＤ等の記憶媒体から教師データ９５０Ｚを読み込んでもよいし、あるいは、ＬＡＮやイ
ンターネットなどのネットワークを介して接続される外部の情報処理装置等から教師デー
タ９５０Ｚの入力を受けてもよい。
習プログラム９００Ｚが実行される情報処理装置（コンピュータ）が内蔵するＨＤＤやＳ
ＳＤ等の記憶媒体から教師データ９５０Ｚを読み込んでもよいし、あるいは、ＬＡＮやイ
ンターネットなどのネットワークを介して接続される外部の情報処理装置等から教師デー
タ９５０Ｚの入力を受けてもよい。
【0322】
商品カテゴリー決定部９１２Ｚは、学習対象の予測モデル１１０Ｚの機械学習に用いる
購買データ９５２Ｚの商品カテゴリーを選択する。商品カテゴリーの選択方法は、上記３
．４に記載したため、ここでは詳細な説明を省略する。なお、複数の症状にそれぞれ対応
する複数の予測モデル１１０Ｚを生成する場合、商品カテゴリー決定部９１２Ｚは、それ
ぞれの予測モデル１１０Ｚに対して、異なる商品カテゴリーを選択することができる。
購買データ９５２Ｚの商品カテゴリーを選択する。商品カテゴリーの選択方法は、上記３
．４に記載したため、ここでは詳細な説明を省略する。なお、複数の症状にそれぞれ対応
する複数の予測モデル１１０Ｚを生成する場合、商品カテゴリー決定部９１２Ｚは、それ
ぞれの予測モデル１１０Ｚに対して、異なる商品カテゴリーを選択することができる。
【0323】
なお、先述のとおり、予測モデル１１０Ｚの機械学習の際に、商品カテゴリーを絞らず
に購買データ９５２Ｚ全体を用いて予測モデル１１０Ｚを作成することも考えられる。そ
の場合には、商品カテゴリー決定部９１２Ｚは不要である。
に購買データ９５２Ｚ全体を用いて予測モデル１１０Ｚを作成することも考えられる。そ
の場合には、商品カテゴリー決定部９１２Ｚは不要である。
【0324】
学習部９１４Ｚは、商品カテゴリー決定部９１２Ｚで決定した商品カテゴリーの購買デ
ータ９５２Ｚを用いて機械学習を行い、予測モデル１１０Ｚを生成する。予測モデル１１
０Ｚの生成方法については、上記３．３に記載したため、ここでは詳細な説明を省略する
。
ータ９５２Ｚを用いて機械学習を行い、予測モデル１１０Ｚを生成する。予測モデル１１
０Ｚの生成方法については、上記３．３に記載したため、ここでは詳細な説明を省略する
。
【0325】
出力部９１６Ｚは、学習部９１４Ｚが生成した予測モデル１１０Ｚを、内蔵する記憶媒
体やネットワーク等を介して接続される他の情報処理装置（例えば、図２２を参照しなが
ら説明した情報処理装置８００Ｚ）等に出力する。なお、出力方法としては、予測モデル
１１０Ｚを構成する関数そのものとして出力することも考えられるし、あるいは予測モデ
ル１１０Ｚを構成する関数のパラメータとして出力することも考えられる。
体やネットワーク等を介して接続される他の情報処理装置（例えば、図２２を参照しなが
ら説明した情報処理装置８００Ｚ）等に出力する。なお、出力方法としては、予測モデル
１１０Ｚを構成する関数そのものとして出力することも考えられるし、あるいは予測モデ
ル１１０Ｚを構成する関数のパラメータとして出力することも考えられる。
【0326】
３．６ 処理の流れ
以下、図２７を参照しながら、モデル学習プログラム９００Ｚの処理の流れを説明する
。図２７は、モデル学習プログラム９００Ｚによって実行される、予測モデル１１０Ｚ作
成にかかる手順を示すフローチャートである。
以下、図２７を参照しながら、モデル学習プログラム９００Ｚの処理の流れを説明する
。図２７は、モデル学習プログラム９００Ｚによって実行される、予測モデル１１０Ｚ作
成にかかる手順を示すフローチャートである。
【0327】
モデル学習プログラム９００Ｚの入力部９１０Ｚは、学習に用いる多数の被験者にかか
る教師データ９５０Ｚを取得する（Ｓ１３０１）。教師データ９５０Ｚには、被験者の購
買履歴を示す購買データ９５２Ｚと、健康状態（症状の程度）を示す健康データ９５４Ｚ
とを含む。先述のとおり、購買データ９５２Ｚには、例えばＪＩＣＦＳ分類（分類コード
）及び商品カテゴリー、並びに、それらに対応する購入回数、購入金額、購入数量等の数
値データを含むことができる。
る教師データ９５０Ｚを取得する（Ｓ１３０１）。教師データ９５０Ｚには、被験者の購
買履歴を示す購買データ９５２Ｚと、健康状態（症状の程度）を示す健康データ９５４Ｚ
とを含む。先述のとおり、購買データ９５２Ｚには、例えばＪＩＣＦＳ分類（分類コード
）及び商品カテゴリー、並びに、それらに対応する購入回数、購入金額、購入数量等の数
値データを含むことができる。
【0328】
次に、商品カテゴリー決定部９１２Ｚは予測モデル１１０Ｚの生成に用いるＪＩＣＦＳ
分類及び商品カテゴリーを決定する（Ｓ１３０３）。決定方法については上記３．４で説
明したとおりであるが、健康データ９５４Ｚとして得られる健康状態の推定への影響の大
きいＪＩＣＦＳ分類及び商品カテゴリーを商品カテゴリー決定部９１２Ｚは選択すればよ
い。なお、商品カテゴリーを特に絞らずに購買データ９５２Ｚ全体を使って予測モデル１
１０Ｚを作成する際には、Ｓ１３０３の処理は不要である。
分類及び商品カテゴリーを決定する（Ｓ１３０３）。決定方法については上記３．４で説
明したとおりであるが、健康データ９５４Ｚとして得られる健康状態の推定への影響の大
きいＪＩＣＦＳ分類及び商品カテゴリーを商品カテゴリー決定部９１２Ｚは選択すればよ
い。なお、商品カテゴリーを特に絞らずに購買データ９５２Ｚ全体を使って予測モデル１
１０Ｚを作成する際には、Ｓ１３０３の処理は不要である。
【0329】
学習部９１４Ｚは、購買データ９５２Ｚを説明変数とし、健康データ９５４Ｚを目的関
数として、機械学習を行う（Ｓ１３０５）。機械学習の方法については、上記３．３に具
体例を示して説明したため、ここでは説明を省略する。
数として、機械学習を行う（Ｓ１３０５）。機械学習の方法については、上記３．３に具
体例を示して説明したため、ここでは説明を省略する。
【0330】
出力部９１６Ｚは、Ｓ１３０５において学習部９１４Ｚが生成した予測モデル１１０Ｚ
を、内蔵する記憶媒体や、ネットワークを介して接続される他の情報処理装置等へ出力す
る。なお、予測モデル１１０Ｚは、予測モデル１１０Ｚを構成する関数そのものとして出
力しても、パラメータ等の形で出力してもよいことについては、前述のとおりである。
を、内蔵する記憶媒体や、ネットワークを介して接続される他の情報処理装置等へ出力す
る。なお、予測モデル１１０Ｚは、予測モデル１１０Ｚを構成する関数そのものとして出
力しても、パラメータ等の形で出力してもよいことについては、前述のとおりである。
【0331】
３．７ ハードウェア構成
図２８を参照しながら、モデル学習プログラム９００Ｚが実行される情報処理装置１４
００Ｚのハードウェア構成の具体例を説明する。図２８は、モデル学習プログラム９００
Ｚが実行される情報処理装置１４００Ｚのハードウェア構成図である。情報処理装置１４
００Ｚは、モデル学習プログラム９００Ｚを利用して、顧客の更年期症状や睡眠状態等に
関する予測を行う予測モデル１１０Ｚを生成する。
図２８を参照しながら、モデル学習プログラム９００Ｚが実行される情報処理装置１４
００Ｚのハードウェア構成の具体例を説明する。図２８は、モデル学習プログラム９００
Ｚが実行される情報処理装置１４００Ｚのハードウェア構成図である。情報処理装置１４
００Ｚは、モデル学習プログラム９００Ｚを利用して、顧客の更年期症状や睡眠状態等に
関する予測を行う予測モデル１１０Ｚを生成する。
【0332】
情報処理装置１４００Ｚは、一般に入手可能なコンピュータシステムとして実現可能な
点、健康予測システム１Ｚを運用する事業者の事業所に設置されてもクラウドサービスと
して提供されてもよい点等については、上述の情報処理装置８００Ｚと同様である。なお
、本実施形態では、健康予測を行う情報処理装置８００Ｚと、予測モデル１１０Ｚを生成
する情報処理装置１４００Ｚは別の装置である場合を中心に説明するが、両者は同一の装
置として実現されてもよい。
点、健康予測システム１Ｚを運用する事業者の事業所に設置されてもクラウドサービスと
して提供されてもよい点等については、上述の情報処理装置８００Ｚと同様である。なお
、本実施形態では、健康予測を行う情報処理装置８００Ｚと、予測モデル１１０Ｚを生成
する情報処理装置１４００Ｚは別の装置である場合を中心に説明するが、両者は同一の装
置として実現されてもよい。
【0333】
情報処理装置１４００Ｚは、制御部１４１０Ｚと、通信Ｉ／Ｆ部１４２０Ｚと、記憶装
置１４３０Ｚとを備えている。
置１４３０Ｚとを備えている。
【0334】
制御部１４１０Ｚは、ＣＰＵ、ＲＯＭ、ＲＡＭ等を含み得る。制御部１４１０Ｚは、記
憶装置１４３０Ｚに記憶されるモデル学習プログラム９００Ｚを実行可能である。これに
より、情報処理装置１４００Ｚは、一般的なコンピュータとしての機能に加え、上述した
予測モデル１１０Ｚの構築に係る各種処理を実行可能である。なお、制御部１４１０Ｚに
含まれる演算回路はＣＰＵでなくともよく、ＭＰＵやＧＰＵ等の種々のプロセッサで実現
されてもよい。また、１つのプロセッサでなく、複数のプロセッサにより実現されてもよ
い。
憶装置１４３０Ｚに記憶されるモデル学習プログラム９００Ｚを実行可能である。これに
より、情報処理装置１４００Ｚは、一般的なコンピュータとしての機能に加え、上述した
予測モデル１１０Ｚの構築に係る各種処理を実行可能である。なお、制御部１４１０Ｚに
含まれる演算回路はＣＰＵでなくともよく、ＭＰＵやＧＰＵ等の種々のプロセッサで実現
されてもよい。また、１つのプロセッサでなく、複数のプロセッサにより実現されてもよ
い。
【0335】
通信Ｉ／Ｆ部１４２０Ｚは、入力Ｉ／Ｆ部８２０Ｚは、例えばイーサネット（登録商標
）の通信端子、ＵＳＢ（登録商標）端子、ＩＥＥＥ８０２．１１、４Ｇ、又は５Ｇ等の規
格に準拠して通信をおこなう通信回路により実現することができる。通信Ｉ／Ｆ部１４２
０Ｚは、イントラネット、インターネットなどの通信ネットワークに接続可能であり、学
習システム９を運用する事業者が用意した教師データ９５０Ｚを受信する。また、情報処
理装置１４００Ｚは、通信Ｉ／Ｆ部１４２０Ｚを介して他の機器と直接通信してもよく、
アクセスポイント等を介して通信してもよい。
）の通信端子、ＵＳＢ（登録商標）端子、ＩＥＥＥ８０２．１１、４Ｇ、又は５Ｇ等の規
格に準拠して通信をおこなう通信回路により実現することができる。通信Ｉ／Ｆ部１４２
０Ｚは、イントラネット、インターネットなどの通信ネットワークに接続可能であり、学
習システム９を運用する事業者が用意した教師データ９５０Ｚを受信する。また、情報処
理装置１４００Ｚは、通信Ｉ／Ｆ部１４２０Ｚを介して他の機器と直接通信してもよく、
アクセスポイント等を介して通信してもよい。
【0336】
記憶装置１４３０Ｚは、情報処理装置１４００Ｚを動作させるために必要なコンピュー
タプログラム及びデータを記憶する記憶媒体である。記憶装置１４３０Ｚは、例えばＨＤ
ＤやＳＳＤであり得る。記憶装置１４３０Ｚは、例えばＤＲＡＭやＳＲＡＭ等のＲＡＭに
より構成される一時的な記憶素子を備えてもよく、制御部１４１０Ｚの作業領域として機
能してもよい。記憶装置１４３０Ｚは、モデル学習プログラム９００Ｚや、モデル学習プ
ログラム９００Ｚが生成する予測モデル１１０Ｚ（予測モデル１１０Ｚを定義するテーブ
ル及び／又はパラメータ群を含む）を格納する。
タプログラム及びデータを記憶する記憶媒体である。記憶装置１４３０Ｚは、例えばＨＤ
ＤやＳＳＤであり得る。記憶装置１４３０Ｚは、例えばＤＲＡＭやＳＲＡＭ等のＲＡＭに
より構成される一時的な記憶素子を備えてもよく、制御部１４１０Ｚの作業領域として機
能してもよい。記憶装置１４３０Ｚは、モデル学習プログラム９００Ｚや、モデル学習プ
ログラム９００Ｚが生成する予測モデル１１０Ｚ（予測モデル１１０Ｚを定義するテーブ
ル及び／又はパラメータ群を含む）を格納する。
【0337】
４ 本実施形態の効果
本実施形態にかかる健康予測システム１Ｚでは、統合健康予測プログラム１００Ｚにお
いて、顧客の購買データ１５０Ｚから、その顧客の複数の健康リスクを予測することが可
能である。そして、個々の予測結果を踏まえて、顧客ごとにきめ細かく、現在又は将来の
健康状態を改善し、及び／又は維持するための提案を行うことができる。
本実施形態にかかる健康予測システム１Ｚでは、統合健康予測プログラム１００Ｚにお
いて、顧客の購買データ１５０Ｚから、その顧客の複数の健康リスクを予測することが可
能である。そして、個々の予測結果を踏まえて、顧客ごとにきめ細かく、現在又は将来の
健康状態を改善し、及び／又は維持するための提案を行うことができる。
【0338】
５ 付記
なお、上述の実施形態の構成は、組み合わせたり或いは一部の構成部分を入れ替えたり
してもよい。また、本発明の構成は上述の実施形態のみに限定されるものではなく、本発
明の要旨を逸脱しない範囲内において種々変更を加えてもよい。
なお、上述の実施形態の構成は、組み合わせたり或いは一部の構成部分を入れ替えたり
してもよい。また、本発明の構成は上述の実施形態のみに限定されるものではなく、本発
明の要旨を逸脱しない範囲内において種々変更を加えてもよい。
【0339】
例えば、上述の実施形態では、統合健康予測プログラム１００Ｚは６種類の健康予測モ
デルを含むこととしたが、６種類を含むことは一例に過ぎない。２種類以上、６種類未満
でもよいし、７種以上の健康予測を含むようにしてもよい。一般的に記載すると、統合健
康予測プログラム１００Ｚは、第１種～第Ｎ種（Ｎは２以上の整数）の各健康症状に関す
る予測モデル１１０Ｚを含み得る。そして、ｋ番目の第ｋ種（１≦ｋ≦Ｎ）の健康症状に
関する健康予測モデル１１０Ｚは、少なくとも１つの商品が属する商品カテゴリーに関す
る購買データ１５０Ｚを入力とし、第ｋ種の健康症状の程度を出力とする予測モデルとし
て構築されればよい。この第ｋ種（１≦ｋ≦Ｎ）の健康症状に関する健康予測モデル１１
０Ｚは、複数の被験者の各々の購買履歴に係る購買データ９５２Ｚを説明変数とし、それ
らの被験者の各々から収集された健康状態の程度を表す健康データ９５４Ｚを目的変数と
して機械学習することにより構築され得る。
デルを含むこととしたが、６種類を含むことは一例に過ぎない。２種類以上、６種類未満
でもよいし、７種以上の健康予測を含むようにしてもよい。一般的に記載すると、統合健
康予測プログラム１００Ｚは、第１種～第Ｎ種（Ｎは２以上の整数）の各健康症状に関す
る予測モデル１１０Ｚを含み得る。そして、ｋ番目の第ｋ種（１≦ｋ≦Ｎ）の健康症状に
関する健康予測モデル１１０Ｚは、少なくとも１つの商品が属する商品カテゴリーに関す
る購買データ１５０Ｚを入力とし、第ｋ種の健康症状の程度を出力とする予測モデルとし
て構築されればよい。この第ｋ種（１≦ｋ≦Ｎ）の健康症状に関する健康予測モデル１１
０Ｚは、複数の被験者の各々の購買履歴に係る購買データ９５２Ｚを説明変数とし、それ
らの被験者の各々から収集された健康状態の程度を表す健康データ９５４Ｚを目的変数と
して機械学習することにより構築され得る。
【0340】
また、健康症状の程度を数値によって表した際の、クラスを定義する数値範囲の上限及
び下限の数値は一例であり、適宜変更し得る。定義されるクラスの数も当業者が任意に決
定し得る。
び下限の数値は一例であり、適宜変更し得る。定義されるクラスの数も当業者が任意に決
定し得る。
【0341】
本開示の利益を有する当業者により容易に理解されるように、上述した様々な例は、矛
盾の生じさせない限りにおいて、相互に様々なパターンで適切に組み合わせて用いられ得
る。
盾の生じさせない限りにおいて、相互に様々なパターンで適切に組み合わせて用いられ得
る。
【0342】
本明細書に開示された発明の原理が適用され得る多くの可能な実施形態を考慮すれば、
例示された様々な実施形態は好ましい様々な例に過ぎず、特許請求の範囲に係る発明の技
術的範囲をこれらの好ましい様々な例に限定すると考えるべきではない、と理解されたい
。実際には、特許請求の範囲に係る発明の技術的範囲は、添付した特許請求の範囲により
定められる。したがって、特許請求の範囲に記載された発明の技術的範囲に属するすべて
について、本発明者らの発明として、特許の付与を請求する。
例示された様々な実施形態は好ましい様々な例に過ぎず、特許請求の範囲に係る発明の技
術的範囲をこれらの好ましい様々な例に限定すると考えるべきではない、と理解されたい
。実際には、特許請求の範囲に係る発明の技術的範囲は、添付した特許請求の範囲により
定められる。したがって、特許請求の範囲に記載された発明の技術的範囲に属するすべて
について、本発明者らの発明として、特許の付与を請求する。
【符号の説明】
【0343】
１ 通信システム
２ 通信網（通信回線）
１０、１０Ａ、１０Ｂ サーバ装置
２０、２０Ａ、２０Ｂ 端末装置
１１、２１ 中央処理装置（ＣＰＵ）
２ 通信網（通信回線）
１０、１０Ａ、１０Ｂ サーバ装置
２０、２０Ａ、２０Ｂ 端末装置
１１、２１ 中央処理装置（ＣＰＵ）
【図1】
【図2】
【図3】
【図4】
【図5A】
【図5B】
【図5C】
【図6A】
【図6B】
【図7】
【図8A】
【図8B】
【図9】
【図10】
【図11】
【図12】
【図13】
【図14】
【図15】
【図16】
【図17】
【図18】
【図19】
【図20】
【図21】
【図22】
【図23】
【図24】
【図25】
【図26】
【図27】
【図28】
【手続補正書】
【提出日】2024-07-31
【手続補正1】
【補正対象書類名】特許請求の範囲
【補正対象項目名】全文
【補正方法】変更
【補正の内容】
【特許請求の範囲】
【請求項1】
少なくとも１つのプロセッサにより実行されることにより、
対象ユーザにより実行された行動の履歴を識別する対象行動データを取得し、
教師あり学習を実行することにより生成された推定モデルに前記対象行動データを入力することにより、前記対象ユーザの、栄養の状態を識別する対象状態データであって、該対象ユーザの栄養不足度、該対象ユーザの栄養低下に伴う自覚症状の有無を識別するデータ、該対象ユーザの食品摂取の多様性を識別するデータ、及び、該対象ユーザの食欲を識別するデータ、のうちの少なくとも１つを含む対象状態データを、前記推定モデルから出力させる、
ように前記少なくとも１つのプロセッサを機能させる、ことを特徴とするコンピュータプログラム。
対象ユーザにより実行された行動の履歴を識別する対象行動データを取得し、
教師あり学習を実行することにより生成された推定モデルに前記対象行動データを入力することにより、前記対象ユーザの、栄養の状態を識別する対象状態データであって、該対象ユーザの栄養不足度、該対象ユーザの栄養低下に伴う自覚症状の有無を識別するデータ、該対象ユーザの食品摂取の多様性を識別するデータ、及び、該対象ユーザの食欲を識別するデータ、のうちの少なくとも１つを含む対象状態データを、前記推定モデルから出力させる、
ように前記少なくとも１つのプロセッサを機能させる、ことを特徴とするコンピュータプログラム。
【請求項2】
前記栄養不足度が、栄養状態を示す値である、請求項１に記載のコンピュータプログラム。
【請求項3】
各組の教師データが、該組に対応する１人のサンプルユーザにより実行された行動の履歴を識別するサンプル行動データと、該組に対応する１人のサンプルユーザの、栄養の状態を識別するサンプル状態データと、を含む、複数組の教師データを、学習モデルに入力することにより生成された前記推定モデルを、取得する、
ように前記少なくとも１つのプロセッサを機能させる、請求項１に記載のコンピュータプログラム。
ように前記少なくとも１つのプロセッサを機能させる、請求項１に記載のコンピュータプログラム。
【請求項4】
各組の教師データが、該組に対応する１人のサンプルユーザにより実行された行動の履歴を識別するサンプル行動データと、該組に対応する１人のサンプルユーザの、栄養の状態を識別するサンプル状態データと、を含む、複数組の教師データを、学習モデルに入力することにより生成された前記推定モデルに対して、通信回線を介して接続される、
ように前記少なくとも１つのプロセッサを機能させる、請求項１に記載のコンピュータプログラム。
ように前記少なくとも１つのプロセッサを機能させる、請求項１に記載のコンピュータプログラム。
【請求項5】
各組の教師データが、該組に対応する１人のサンプルユーザにより実行された行動の履歴を識別するサンプル行動データと、該組に対応する１人のサンプルユーザの、栄養の状態を識別するサンプル状態データと、を含む、複数組の教師データを取得し、
該複数組の教師データを学習モデルに入力して学習させることにより、前記推定モデルを生成する、
ように前記少なくとも１つのプロセッサを機能させる、請求項１に記載のコンピュータプログラム。
該複数組の教師データを学習モデルに入力して学習させることにより、前記推定モデルを生成する、
ように前記少なくとも１つのプロセッサを機能させる、請求項１に記載のコンピュータプログラム。
【請求項6】
複数の商品及び／又は複数のサービスのうち、前記対象状態データに対応する少なくとも１つの対象商品及び／又は少なくとも１つの対象サービスを決定する、
ように前記少なくとも１つのプロセッサを機能させる、請求項１から請求項５のいずれかに記載のコンピュータプログラム。
ように前記少なくとも１つのプロセッサを機能させる、請求項１から請求項５のいずれかに記載のコンピュータプログラム。
【請求項7】
教師あり学習を実行することにより生成された別の推定モデルに前記対象状態データを入力することにより、該別の推定モデルから、前記少なくとも１つの対象商品及び／又は前記少なくとも１つの対象サービスを識別する提案データを出力させる、
ように前記少なくとも１つのプロセッサを機能させる、請求項６に記載のコンピュータプログラム。
ように前記少なくとも１つのプロセッサを機能させる、請求項６に記載のコンピュータプログラム。
【請求項8】
対象状態データと前記複数の商品及び／又は前記複数のサービスとを対応付けた検索テーブルに前記対象状態データを入力することにより、該検索テーブルから前記少なくとも１つの対象商品及び／又は前記少なくとも１つの対象サービスを識別する提案データを取得する、
ように前記少なくとも１つのプロセッサを機能させる、請求項６に記載のコンピュータプログラム。
ように前記少なくとも１つのプロセッサを機能させる、請求項６に記載のコンピュータプログラム。
【請求項9】
前記少なくとも１つのプロセッサが、中央処理装置（ＣＰＵ）、マイクロプロセッサ、及び／又は、グラフィックスプロセッシングユニット（ＧＰＵ）を含む、請求項１から請求項８のいずれかに記載のコンピュータプログラム。
【請求項10】
少なくとも１つのプロセッサを具備し、
該少なくとも１つのプロセッサが、
対象ユーザにより実行された行動の履歴を識別する対象行動データを取得し、
教師あり学習を実行することにより生成された推定モデルに前記対象行動データを入力することにより、前記対象ユーザの、栄養の状態を識別する対象状態データであって、該対象ユーザの栄養不足度、該対象ユーザの栄養低下に伴う自覚症状の有無を識別するデータ、該対象ユーザの食品摂取の多様性を識別するデータ、及び、該対象ユーザの食欲を識別するデータ、のうちの少なくとも１つを含む対象状態データを、前記推定モデルから出力させる、
ように構成される、ことを特徴とする情報処理装置。
該少なくとも１つのプロセッサが、
対象ユーザにより実行された行動の履歴を識別する対象行動データを取得し、
教師あり学習を実行することにより生成された推定モデルに前記対象行動データを入力することにより、前記対象ユーザの、栄養の状態を識別する対象状態データであって、該対象ユーザの栄養不足度、該対象ユーザの栄養低下に伴う自覚症状の有無を識別するデータ、該対象ユーザの食品摂取の多様性を識別するデータ、及び、該対象ユーザの食欲を識別するデータ、のうちの少なくとも１つを含む対象状態データを、前記推定モデルから出力させる、
ように構成される、ことを特徴とする情報処理装置。
【請求項11】
端末装置又はサーバ装置である、請求項１０に記載の情報処理装置。
【請求項12】
前記少なくとも１つのプロセッサが、中央処理装置（ＣＰＵ）、マイクロプロセッサ、及び／又は、グラフィックスプロセッシングユニット（ＧＰＵ）を含む、請求項１０又は請求項１１に記載の情報処理装置。
【請求項13】
コンピュータにより読み取り可能な命令を実行する少なくとも１つのプロセッサにより実行される方法であって、
該少なくとも１つのプロセッサが、前記命令を実行することにより、
対象ユーザにより実行された行動の履歴を識別する対象行動データを取得する段階と、
教師あり学習を実行することにより生成された推定モデルに前記対象行動データを入力することにより、前記対象ユーザの、栄養の状態を識別する対象状態データであって、該対象ユーザの栄養不足度、該対象ユーザの栄養低下に伴う自覚症状の有無を識別するデータ、該対象ユーザの食品摂取の多様性を識別するデータ、及び、該対象ユーザの食欲を識別するデータ、のうちの少なくとも１つを含む対象状態データを、前記推定モデルから出力させる段階と、
を含むことを特徴とする方法。
該少なくとも１つのプロセッサが、前記命令を実行することにより、
対象ユーザにより実行された行動の履歴を識別する対象行動データを取得する段階と、
教師あり学習を実行することにより生成された推定モデルに前記対象行動データを入力することにより、前記対象ユーザの、栄養の状態を識別する対象状態データであって、該対象ユーザの栄養不足度、該対象ユーザの栄養低下に伴う自覚症状の有無を識別するデータ、該対象ユーザの食品摂取の多様性を識別するデータ、及び、該対象ユーザの食欲を識別するデータ、のうちの少なくとも１つを含む対象状態データを、前記推定モデルから出力させる段階と、
を含むことを特徴とする方法。
【請求項14】
前記少なくとも１つのプロセッサが、中央処理装置（ＣＰＵ）、マイクロプロセッサ、及び／又は、グラフィックスプロセッシングユニット（ＧＰＵ）を含む、請求項１３に記載の方法。
【請求項15】
コンピュータにより読み取り可能な命令を実行する少なくとも１つのプロセッサにより実行される方法であって、
該少なくとも１つのプロセッサが、前記命令を実行することにより、
各組の教師データが、該組に対応する１人のサンプルユーザにより実行された行動の履歴を識別するサンプル行動データと、該組に対応する１人のサンプルユーザの栄養の状態を識別するサンプル状態データと、を含む、複数組の教師データを取得する取得段階と、
該複数組の教師データを学習モデルに入力して学習させることにより、
対象ユーザにより実行された行動の履歴を識別する対象行動データを入力して、前記対象ユーザの、栄養の状態を識別する対象状態データであって、該対象ユーザの栄養不足度、該対象ユーザの栄養低下に伴う自覚症状の有無を識別するデータ、該対象ユーザの食品摂取の多様性を識別するデータ、及び、該対象ユーザの食欲を識別するデータ、のうちの少なくとも１つを含む対象状態データを、出力するように構成された推定モデル、
を生成する生成段階と、
を含むことを特徴とする方法。
該少なくとも１つのプロセッサが、前記命令を実行することにより、
各組の教師データが、該組に対応する１人のサンプルユーザにより実行された行動の履歴を識別するサンプル行動データと、該組に対応する１人のサンプルユーザの栄養の状態を識別するサンプル状態データと、を含む、複数組の教師データを取得する取得段階と、
該複数組の教師データを学習モデルに入力して学習させることにより、
対象ユーザにより実行された行動の履歴を識別する対象行動データを入力して、前記対象ユーザの、栄養の状態を識別する対象状態データであって、該対象ユーザの栄養不足度、該対象ユーザの栄養低下に伴う自覚症状の有無を識別するデータ、該対象ユーザの食品摂取の多様性を識別するデータ、及び、該対象ユーザの食欲を識別するデータ、のうちの少なくとも１つを含む対象状態データを、出力するように構成された推定モデル、
を生成する生成段階と、
を含むことを特徴とする方法。
【請求項16】
対象ユーザにより実行された行動の履歴を識別する対象行動データを前記推定モデルに入力することにより、該推定モデルから前記対象ユーザの、栄養の状態を識別する対象状態データを出力する推定段階、
をさらに含む、請求項１５に記載の方法。
をさらに含む、請求項１５に記載の方法。
【請求項17】
前記少なくとも１つのプロセッサが、中央処理装置（ＣＰＵ）、マイクロプロセッサ、及び／又は、グラフィックスプロセッシングユニット（ＧＰＵ）を含む、請求項１４又は請求項１６に記載の方法。