特開2024-171912 | 知財ポータル「IP Force」

知財求人 - 知財ポータルサイト「IP Force」

▶ 富士通株式会社の特許一覧

特開2024-171912情報処理方法および情報処理プログラム

書誌要約請求の範囲詳細な説明課題実施例実施するための形態図面の説明

目に優しい文字サイズ小中大 PDF Top

< >

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22

(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】P2024171912

(43)【公開日】2024-12-12

(54)【発明の名称】情報処理方法および情報処理プログラム

(51)【国際特許分類】

G06Q 10/04 20230101AFI20241205BHJP

【ＦＩ】

G06Q10/04

【審査請求】未請求

【請求項の数】8

【出願形態】ＯＬ

(21)【出願番号】P 2023089269

(22)【出願日】2023-05-30

(71)【出願人】

【識別番号】000005223

【氏名又は名称】富士通株式会社

(74)【代理人】

【識別番号】100104190

【弁理士】

【氏名又は名称】酒井昭徳

(72)【発明者】

【氏名】牧原史弥

【テーマコード（参考）】

5L010

5L049

【Ｆターム（参考）】

5L010AA04

5L049AA04

(57)【要約】

【課題】選択主体が複数の選択肢の中からいずれの選択肢を選択するのかを精度よく推定可能な離散選択モデルを学習し易くすること。
【解決手段】情報処理装置は、過去に選択肢Ｊを選択したことがある選択主体が、クラス５０１に確定的に所属するよう、クラス５０１に所属する確率の期待値を設定する。情報処理装置は、過去に選択肢Ｊを選択したことがない選択主体が、クラス５０１と、クラス５０２とに確率的に所属し、選択肢Ｊの効果が大きいほど、クラス５０１に所属する確率が小さくなるよう、クラス５０１に所属する確率の期待値を設定する。情報処理装置は、それぞれの選択主体が過去に選択した選択肢を表す記録と、設定したそれぞれの期待値とに基づいて、選択モデル５１１と選択モデル５１２とのパラメータを推定する。
【選択図】図５

【特許請求の範囲】

【請求項1】

複数の選択肢のうち、過去に選択された選択肢をそれぞれ表す複数の記録を取得し、
取得した前記複数の記録のうち、第１の選択肢を認知済みの選択主体に対応する１以上の記録のそれぞれの記録に対して、前記第１の選択肢を認知済みの第１のクラスに選択主体が所属する確率の期待値として、確定的に所属することを表す第１の値を設定し、
前記第１のクラスに選択主体が所属する確率の基準値と、前記複数の選択肢のそれぞれの選択肢の効果を表す数式とに基づいて、取得した前記複数の記録のうち、前記１以上の記録とは異なる残余の記録のそれぞれの記録に対して、前記期待値として、確率的に所属することを表す第２の値を設定し、
取得した前記複数の記録のそれぞれの記録と、取得した前記複数の記録のそれぞれの記録に対して設定した前記期待値とに基づいて、前記基準値と、前記数式に含まれるパラメータとを学習する、
処理をコンピュータが実行することを特徴とする情報処理方法。

【請求項2】

前記学習する処理は、
前記基準値と、前記数式のパラメータとを学習することにより、前記複数の選択肢のそれぞれの選択肢に関する特徴量が入力されたことに応じて前記数式を利用して前記複数の選択肢のそれぞれの選択肢が選択される確率を推定するモデルを学習する、ことを特徴とする請求項１に記載の情報処理方法。

【請求項3】

前記学習する処理は、
前記基準値と、前記数式のパラメータとを学習することにより、選択主体が前記第１のクラスに所属する場合に対して、前記複数の選択肢のそれぞれの選択肢に関する特徴量が入力されたことに応じて前記数式を利用して前記複数の選択肢のそれぞれの選択肢が選択される確率を推定する第１のモデルと、選択主体が前記第１のクラスに所属しない場合に対して、前記複数の選択肢のうち、前記第１の選択肢とは異なる残余の選択肢のそれぞれの選択肢に関する特徴量が入力されたことに応じて前記数式を利用して前記残余の選択肢のそれぞれの選択肢が選択される確率を推定する第２のモデルとを学習する、ことを特徴とする請求項２に記載の情報処理方法。

【請求項4】

前記第１の値を設定する処理は、
前記第１の選択肢を表す１以上の記録のそれぞれの記録に対して、前記期待値として、確定的に所属することを表す第１の値を設定する、ことを特徴とする請求項１または２に記載の情報処理方法。

【請求項5】

前記複数の記録は、それぞれ、選択主体の属性値を含み、
前記第１の値を設定する処理は、
前記第１の選択肢を表す記録と同一または類似の属性値を有する１以上の記録のそれぞれの記録に対して、前記期待値として、確定的に所属することを表す第１の値を設定する、ことを特徴とする請求項１または２に記載の情報処理方法。

【請求項6】

前記第２の値を設定する処理は、
前記基準値と、選択主体が前記第１のクラスに所属する場合における、前記複数の選択肢のそれぞれの選択肢の効果を表す数式と、選択主体が前記第１のクラスに所属しない場合における、前記複数の選択肢のうち、前記第１の選択肢とは異なる残余の選択肢のそれぞれの選択肢の効果を表す数式とに基づいて、前記残余の記録のそれぞれの記録に対して、前記期待値として、確率的に所属することを表す第２の値を設定する、ことを特徴とする請求項１または２に記載の情報処理方法。

【請求項7】

前記第２の値を設定する処理は、
前記基準値と、前記複数の選択肢のそれぞれの選択肢の効果を表す数式と、前記残余の記録のそれぞれの記録と前記第１の選択肢を表す記録との類似度とに基づいて、前記残余の記録のそれぞれの記録に対して、前記第１の選択肢を表す記録との類似度が大きいほど、前記期待値が大きくなるよう、前記期待値として、確率的に所属することを表す第２の値を設定する、ことを特徴とする請求項１または２に記載の情報処理方法。

【請求項8】

複数の選択肢のうち、過去に選択された選択肢をそれぞれ表す複数の記録を取得し、
取得した前記複数の記録のうち、第１の選択肢を認知済みの選択主体に対応する１以上の記録のそれぞれの記録に対して、前記第１の選択肢を認知済みの第１のクラスに選択主体が所属する確率の期待値として、確定的に所属することを表す第１の値を設定し、
前記第１のクラスに選択主体が所属する確率の基準値と、前記複数の選択肢のそれぞれの選択肢の効果を表す数式とに基づいて、取得した前記複数の記録のうち、前記１以上の記録とは異なる残余の記録のそれぞれの記録に対して、前記期待値として、確率的に所属することを表す第２の値を設定し、
取得した前記複数の記録のそれぞれの記録と、取得した前記複数の記録のそれぞれの記録に対して設定した前記期待値とに基づいて、前記基準値と、前記数式に含まれるパラメータとを学習する、
処理をコンピュータに実行させることを特徴とする情報処理プログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、情報処理方法および情報処理プログラムに関する。

【背景技術】

【0002】

従来、選択主体が複数の選択肢の中からいずれの選択肢を選択するのかを推定する離散選択モデルが存在する。離散選択モデルは、具体的には、それぞれの選択肢の効果を表す数式を利用して、選択主体がいずれの選択肢を選択するのかを推定する機能を有する。それぞれ異なる選択主体が過去に複数の選択肢の中から選択した選択肢を表す複数の記録に基づいて、離散選択モデルを学習する技術がある。

【0003】

先行技術としては、例えば、ユーザが希望するテーマに合致または近いカテゴリに分類された画像の集合の中から、よい評価のコメントが付いた画像と、よい評価のコメントが付いた画像以外とを分類するものがある。

【先行技術文献】

【特許文献】

【0004】

【特許文献1】特開２０１９－１１４２４３号公報

【発明の概要】

【発明が解決しようとする課題】

【0005】

しかしながら、従来技術では、選択主体が複数の選択肢の中からいずれの選択肢を選択するのかを精度よく推定可能な離散選択モデルを学習することが難しい。具体的には、複数の選択主体のうち、いずれかの選択肢を認知する第１の選択主体と、いずれかの選択肢を認知しない第２の選択主体とが混在する場合が考えられる。この場合、第１の選択主体が過去に選択した選択肢を表す第１の記録と、第２の選択主体が過去に選択した選択肢を表す第２の記録とを同列に扱ってしまうと、離散選択モデルを適切に学習することが難しくなってしまう。

【0006】

１つの側面では、本発明は、選択主体が複数の選択肢の中からいずれの選択肢を選択するのかを精度よく推定可能な離散選択モデルを学習し易くすることを目的とする。

【課題を解決するための手段】

【0007】

１つの実施態様によれば、複数の選択肢のうち、過去に選択された選択肢をそれぞれ表す複数の記録を取得し、取得した前記複数の記録のうち、第１の選択肢を認知済みの選択主体に対応する１以上の記録のそれぞれの記録に対して、前記第１の選択肢を認知済みの第１のクラスに選択主体が所属する確率の期待値として、確定的に所属することを表す第１の値を設定し、前記第１のクラスに選択主体が所属する確率の基準値と、前記複数の選択肢のそれぞれの選択肢の効果を表す数式とに基づいて、取得した前記複数の記録のうち、前記１以上の記録とは異なる残余の記録のそれぞれの記録に対して、前記期待値として、確率的に所属することを表す第２の値を設定し、取得した前記複数の記録のそれぞれの記録と、取得した前記複数の記録のそれぞれの記録に対して設定した前記期待値とに基づいて、前記基準値と、前記数式に含まれるパラメータとを学習する情報処理方法および情報処理プログラムが提案される。

【発明の効果】

【0008】

一態様によれば、選択主体が複数の選択肢の中からいずれの選択肢を選択するのかを精度よく推定可能な離散選択モデルを学習し易くすることが可能になる。

【図面の簡単な説明】

【0009】

【図1】図１は、実施の形態にかかる情報処理方法の一実施例を示す説明図である。

【図2】図２は、情報処理システム２００の一例を示す説明図である。

【図3】図３は、情報処理装置１００のハードウェア構成例を示すブロック図である。

【図4】図４は、情報処理装置１００の機能的構成の一例を示すブロック図である。

【図5】図５は、情報処理装置１００の動作の流れを示す説明図である。

【図6】図６は、情報処理装置１００の第１の動作例を示す説明図（その１）である。

【図7】図７は、情報処理装置１００の第１の動作例を示す説明図（その２）である。

【図8】図８は、情報処理装置１００の第１の動作例を示す説明図（その３）である。

【図9】図９は、情報処理装置１００の第１の動作例を示す説明図（その４）である。

【図10】図１０は、情報処理装置１００の第１の動作例を示す説明図（その５）である。

【図11】図１１は、情報処理装置１００の第１の動作例を示す説明図（その６）である。

【図12】図１２は、情報処理装置１００の第１の動作例を示す説明図（その７）である。

【図13】図１３は、情報処理装置１００の第１の動作例を示す説明図（その８）である。

【図14】図１４は、第１学習処理手順の一例を示すフローチャートである。

【図15】図１５は、第１予測処理手順の一例を示すフローチャートである。

【図16】図１６は、情報処理装置１００の第２の動作例を示す説明図（その１）である。

【図17】図１７は、情報処理装置１００の第２の動作例を示す説明図（その２）である。

【図18】図１８は、情報処理装置１００の第２の動作例を示す説明図（その３）である。

【図19】図１９は、情報処理装置１００の第２の動作例を示す説明図（その４）である。

【図20】図２０は、情報処理装置１００の第２の動作例を示す説明図（その５）である。

【図21】図２１は、情報処理装置１００の第２の動作例を示す説明図（その６）である。

【図22】図２２は、第２予測処理手順の一例を示すフローチャートである。

【発明を実施するための形態】

【0010】

以下に、図面を参照して、本発明にかかる情報処理方法および情報処理プログラムの実施の形態を詳細に説明する。

【0011】

（実施の形態にかかる情報処理方法の一実施例）
図１は、実施の形態にかかる情報処理方法の一実施例を示す説明図である。情報処理装置１００は、離散選択モデルを学習するためのコンピュータである。情報処理装置１００は、例えば、サーバまたはＰＣ（ＰｅｒｓｏｎａｌＣｏｍｐｕｔｅｒ）などである。

【0012】

離散選択モデルは、選択主体が、複数の選択肢のそれぞれの選択肢を選択する確率を推定するモデルである。離散選択モデルは、例えば、それぞれの選択肢に関する特徴量が入力されたことに応じて、それぞれの選択肢の効果を表す数式を利用して、選択主体がそれぞれの選択肢を選択する確率を推定する機能を有する。離散選択モデルは、具体的には、多項ロジットモデル、ネストロジットモデル、または、混合ロジットモデルなどである。

【0013】

例えば、それぞれ異なる選択主体が過去に複数の選択肢の中から選択した選択肢を表す複数の記録に基づいて、離散選択モデルを学習することがある。記録は、例えば、選択主体が、過去に複数の選択肢の中からいずれかの選択肢を選択した際における、それぞれの選択肢に関する特徴量を含んでいてもよい。ここで、選択主体が複数の選択肢の中からいずれの選択肢を選択するのかを精度よく推定可能な離散選択モデルを学習することが望まれる。

【0014】

しかしながら、選択主体が複数の選択肢の中からいずれの選択肢を選択するのかを精度よく推定可能な離散選択モデルを学習することが難しい場合がある。例えば、複数の選択主体のうち、いずれかの選択肢を認知する第１の選択主体と、いずれかの選択肢を認知しない第２の選択主体とが混在する場合が考えられる。この場合、第１の選択主体が過去に選択した選択肢を表す第１の記録と、第２の選択主体が過去に選択した選択肢を表す第２の記録とを同列に扱ってしまうと、離散選択モデルを適切に学習することが難しくなる。

【0015】

例えば、第１の選択肢を認知する第１の選択主体が過去に選択した第２の選択肢を表す記録は、第１の選択主体にとって、第１の選択肢の効果が第２の選択肢の効果よりも相対的に小さいことを表す記録として扱われてもよいと考えられる。一方で、第１の選択肢を認知しない第２の選択主体が過去に選択した第２の選択肢を表す記録は、第２の選択主体にとって、第１の選択肢の効果が第２の選択肢の効果よりも相対的に小さいことを表す記録として扱われることは好ましくないと考えられる。

【0016】

例えば、従来では、すべての選択主体がすべての選択肢を認知することを前提に、それぞれの選択肢に関して、どのような特徴量が現れる場合に、選択主体が、いずれの選択肢を選択する傾向があるのかを、学習する離散選択モデルに反映することになる。従って、選択主体が、いずれかの選択肢を認知しないため、当該いずれかの選択肢に関する特徴量に拘らず、当該いずれかの選択肢を選択することができなかったことを、学習する離散選択モデルに反映することができない。第１の選択肢を認知しない選択主体が過去に選択した第２の選択肢を表す記録に基づいて、離散選択モデルに、選択主体にとって、第１の選択肢の効果が第２の選択肢の効果よりも相対的に小さいという、誤った認定が反映されてしまうことがある。このため、選択主体が複数の選択肢の中からいずれの選択肢を選択するのかを精度よく推定可能な離散選択モデルを学習することが難しい。例えば、学習した離散選択モデルが、いずれかの選択肢の効果を実体よりも小さく見積もった誤った状態になってしまうことがある。

【0017】

具体的には、複数の選択肢が、それぞれ、移動手段を表す選択肢であることが考えられる。複数の選択肢は、例えば、徒歩、自転車、自動車、および、電動キックボードなどである。自転車は、例えば、レンタル可能であるとする。自動車は、例えば、タクシーであるとする。電動キックボードは、例えば、レンタル可能であるとする。

【0018】

ここで、選択主体となる移動者が、移動手段を選択しようとする事例に関して、すべての移動者が、徒歩、自転車、自動車、および、電動キックボードを、利用可能な移動手段として認知していることを前提として、離散選択モデルを学習することが考えられる。ここで、いずれかの選択主体が、電動キックボードを利用可能な移動手段として認知していないことがある。この場合、電動キックボードの効果を実体よりも小さく見積もった誤った状態の離散選択モデルを学習してしまうことがある。

【0019】

そこで、本実施の形態では、選択主体が複数の選択肢の中からいずれの選択肢を選択するのかを精度よく推定可能な離散選択モデルを学習し易くすることができる情報処理方法について説明する。

【0020】

図１において、複数の選択肢１１０が存在する。選択肢１１０は、例えば、移動手段を表す。過去に、複数の選択主体のそれぞれの選択主体が、複数の選択肢１１０のいずれかの選択肢１１０を選択したとする。選択主体は、例えば、移動者である。複数の選択肢１１０は、例えば、第１の選択肢１１１を含むとする。

【0021】

ここで、複数の選択肢１１０のうち、過去に選択された選択肢１１０をそれぞれ表す複数の記録１２０が存在するとする。複数の記録１２０は、例えば、同一の選択主体が過去に選択した選択肢１１０を表す２以上の記録１２０を含んでいてもよい。複数の記録１２０は、例えば、異なる選択主体が過去に選択した選択肢１１０を表す２以上の記録１２０を含んでいてもよい。

【0022】

情報処理装置１００は、例えば、第１の選択肢１１１を認知済みの第１のクラス１３０に選択主体が所属する確率の基準値を有する。情報処理装置１００は、例えば、複数の選択肢１１０のそれぞれの選択肢１１０の効果を表す数式を有する。数式は、例えば、選択主体が、複数の選択肢のそれぞれの選択肢を選択する確率を推定するモデルを形成する要素となる。数式は、具体的には、それぞれの選択肢に関する特徴量が入力されたことに応じて、選択主体が、それぞれの選択肢を選択する確率を推定するモデルを形成する要素となる。

【0023】

（１－１）情報処理装置１００は、複数の記録１２０を取得する。情報処理装置１００は、例えば、複数の記録１２０を、他のコンピュータから受信することにより取得する。情報処理装置１００は、例えば、利用者の操作入力に基づき、複数の記録１２０の入力を受け付けることにより、複数の記録１２０を取得してもよい。

【0024】

（１－２）情報処理装置１００は、取得した複数の記録１２０のうち、第１の選択肢１１１を認知済みの選択主体に対応する１以上の記録１２１を特定する。情報処理装置１００は、例えば、複数の記録１２０のうち、第１の選択肢１１１を選択したことがある選択主体が選択した選択肢をそれぞれ表す１以上の記録１２１を特定する。情報処理装置１００は、特定した１以上の記録１２１のそれぞれの記録１２１に対して、第１のクラス１３０に選択主体が所属する確率の期待値として、確定的に所属することを表す第１の値を設定する。

【0025】

（１－３）情報処理装置１００は、取得した複数の記録１２０のうち、１以上の記録１２１とは異なる残余の記録１２２を特定する。情報処理装置１００は、基準値と数式とに基づいて、特定した残余の記録１２２のそれぞれの記録１２２に対して、期待値として、確率的に所属することを表す第２の値を設定する。

【0026】

これにより、情報処理装置１００は、選択主体が、第１の選択肢１１１を認知済みであるか否かに応じて、記録１２１と、記録１２２とを区別して扱うことができる。情報処理装置１００は、記録１２２に関して、選択主体が、第１の選択肢１１１を認知済みである場合と、第１の選択肢１１１を認知済みではない場合とを両方とも考慮することができる。

【0027】

（１－４）情報処理装置１００は、取得した複数の記録１２０のそれぞれの記録１２０と、期待値とに基づいて、基準値と、数式に含まれるパラメータとを学習する。情報処理装置１００は、設定した数式のパラメータに基づいて、複数の選択肢のそれぞれの選択肢を選択する確率を推定するモデルを学習する。モデルは、例えば、離散選択モデルである。

【0028】

これにより、情報処理装置１００は、基準値と、数式に含まれるパラメータとを、選択主体が、第１の選択肢１１１を認知済みである場合と、第１の選択肢１１１を認知済みではない場合とを考慮した適切な値に設定することができる。情報処理装置１００は、設定した数式のパラメータに基づいて、選択主体が、複数の選択肢のそれぞれの選択肢を選択する確率を推定するモデルを形成する要素となる数式を適切に設定することができる。このため、情報処理装置１００は、選択主体が、複数の選択肢のそれぞれの選択肢を選択する確率を精度よく推定するモデルを学習し易くすることができる。情報処理装置１００は、例えば、選択行為を実施する選択主体の状況または事情などの実体に沿ったモデルを学習し易くすることができる。

【0029】

ここでは、情報処理装置１００が、モデルを学習する場合について説明したが、これに限らない。例えば、他のコンピュータが、モデルを学習する場合があってもよい。この場合、情報処理装置１００は、設定した数式のパラメータを、他のコンピュータに送信する。

【0030】

ここでは、情報処理装置１００が、単独のコンピュータによって実現される場合について説明したが、これに限らない。例えば、情報処理装置１００としての機能が、複数のコンピュータによって実現される場合があってもよい。具体的には、クラウド上に、情報処理装置１００としての機能が実現される場合があってもよい。

【0031】

（情報処理システム２００の一例）
次に、図２を用いて、図１に示した情報処理装置１００を適用した、情報処理システム２００の一例について説明する。

【0032】

図２は、情報処理システム２００の一例を示す説明図である。図２において、情報処理システム２００は、情報処理装置１００と、クライアント装置２０１とを含む。

【0033】

情報処理システム２００において、情報処理装置１００とクライアント装置２０１とは、有線または無線のネットワーク２１０を介して接続される。ネットワーク２１０は、例えば、ＬＡＮ（ＬｏｃａｌＡｒｅａＮｅｔｗｏｒｋ）、ＷＡＮ（ＷｉｄｅＡｒｅａＮｅｔｗｏｒｋ）、インターネットなどである。

【0034】

情報処理装置１００は、選択主体が、複数の選択肢のそれぞれの選択肢を選択する確率を推定するモデルを学習し易くするためのコンピュータである。モデルは、例えば、離散選択モデルである。選択主体は、例えば、移動者である。選択肢は、例えば、移動手段である。

【0035】

モデルは、例えば、複数の選択肢のそれぞれの選択肢の効果を表す数式を含む。効果は、選択肢が移動手段であれば、移動手段にかかるコストに対応する。コストは、金銭的、時間的、または、体力的なコストである。数式は、例えば、それぞれの選択肢に関する特徴量に基づいて、複数の選択肢のそれぞれの選択肢の効果の大きさを表す指標値を算出する機能を有する。指標値は、例えば、コストが小さいほど値が大きくなる。

【0036】

情報処理装置１００は、複数の選択肢のうち、第１の選択肢を認知済みの第１のクラスに所属する確率の基準値を有する。基準値は、例えば、事前確率である。情報処理装置１００は、複数の選択肢のそれぞれの選択肢の効果を表す数式を有する。情報処理装置１００は、複数の選択肢のうち、選択主体が過去に選択した選択肢をそれぞれ表す複数の記録を有する。

【0037】

情報処理装置１００は、複数の記録のうち、第１の選択肢を認知済みの選択主体に対応する１以上の記録のそれぞれの記録に対して、第１のクラスに選択主体が所属する確率の期待値として、確定的に所属することを表す第１の値を設定する。情報処理装置１００は、基準値と数式とに基づいて、残余の記録のそれぞれの記録に対して、第１のクラスに選択主体が所属する確率の期待値として、確率的に所属することを表す第２の値を設定する。情報処理装置１００は、複数の記録のそれぞれの記録と、期待値とに基づいて、基準値と、数式に含まれるパラメータとを学習する。情報処理装置１００は、設定した数式のパラメータに基づいて、複数の選択肢のそれぞれの選択肢を選択する確率を推定するモデルを学習する。

【0038】

情報処理装置１００は、それぞれの選択肢に関する特徴量を含む処理依頼を、クライアント装置２０１から受信する。情報処理装置１００は、処理依頼に含まれるそれぞれの選択肢に関する特徴量に基づいて、学習したモデルを利用して、選択主体がそれぞれの選択肢を選択する確率を推定する。情報処理装置１００は、推定したそれぞれの選択肢を選択する確率に基づいて、通知情報を生成する。通知情報は、例えば、推定したそれぞれの選択肢を選択する確率に応じて順序付けた複数の選択肢を示す情報である。情報処理装置１００は、生成した通知情報を、クライアント装置２０１に送信する。情報処理装置１００は、例えば、サーバまたはＰＣなどである。

【0039】

クライアント装置２０１は、選択主体によって利用されるコンピュータである。クライアント装置２０１は、選択主体の操作入力に基づき、それぞれの選択肢に関する特徴量を取得する。クライアント装置２０１は、それぞれの選択肢に関する特徴量を含む処理依頼を生成し、情報処理装置１００に送信する。クライアント装置２０１は、通知情報を、情報処理装置１００から受信する。クライアント装置２０１は、受信した通知情報を、選択主体が参照可能に出力する。クライアント装置２０１は、例えば、ＰＣ、タブレット端末、または、スマートフォンなどである。

【0040】

ここでは、情報処理装置１００が、クライアント装置２０１とは異なるコンピュータである場合について説明したが、これに限らない。例えば、情報処理装置１００が、クライアント装置２０１としての機能を有し、クライアント装置２０１としても動作する場合があってもよい。

【0041】

（情報処理装置１００のハードウェア構成例）
次に、図３を用いて、情報処理装置１００のハードウェア構成例について説明する。

【0042】

図３は、情報処理装置１００のハードウェア構成例を示すブロック図である。図３において、情報処理装置１００は、ＣＰＵ（ＣｅｎｔｒａｌＰｒｏｃｅｓｓｉｎｇＵｎｉｔ）３０１と、メモリ３０２と、ネットワークＩ／Ｆ（Ｉｎｔｅｒｆａｃｅ）３０３と、記録媒体Ｉ／Ｆ３０４と、記録媒体３０５とを有する。また、各構成部は、バス３００によってそれぞれ接続される。

【0043】

ここで、ＣＰＵ３０１は、情報処理装置１００の全体の制御を司る。メモリ３０２は、例えば、ＲＯＭ（ＲｅａｄＯｎｌｙＭｅｍｏｒｙ）、ＲＡＭ（ＲａｎｄｏｍＡｃｃｅｓｓＭｅｍｏｒｙ）およびフラッシュＲＯＭなどを有する。具体的には、例えば、フラッシュＲＯＭやＲＯＭが各種プログラムを記憶し、ＲＡＭがＣＰＵ３０１のワークエリアとして使用される。メモリ３０２に記憶されるプログラムは、ＣＰＵ３０１にロードされることにより、コーディングされている処理をＣＰＵ３０１に実行させる。

【0044】

ネットワークＩ／Ｆ３０３は、通信回線を通じてネットワーク２１０に接続され、ネットワーク２１０を介して他のコンピュータに接続される。そして、ネットワークＩ／Ｆ３０３は、ネットワーク２１０と内部のインターフェースを司り、他のコンピュータからのデータの入出力を制御する。ネットワークＩ／Ｆ３０３は、例えば、モデムやＬＡＮアダプタなどである。

【0045】

記録媒体Ｉ／Ｆ３０４は、ＣＰＵ３０１の制御に従って記録媒体３０５に対するデータのリード／ライトを制御する。記録媒体Ｉ／Ｆ３０４は、例えば、ディスクドライブ、ＳＳＤ（ＳｏｌｉｄＳｔａｔｅＤｒｉｖｅ）、ＵＳＢ（ＵｎｉｖｅｒｓａｌＳｅｒｉａｌＢｕｓ）ポートなどである。記録媒体３０５は、記録媒体Ｉ／Ｆ３０４の制御で書き込まれたデータを記憶する不揮発メモリである。記録媒体３０５は、例えば、ディスク、半導体メモリ、ＵＳＢメモリなどである。記録媒体３０５は、情報処理装置１００から着脱可能であってもよい。

【0046】

情報処理装置１００は、上述した構成部の他、例えば、キーボード、マウス、ディスプレイ、プリンタ、スキャナ、マイク、スピーカーなどを有してもよい。また、情報処理装置１００は、記録媒体Ｉ／Ｆ３０４や記録媒体３０５を複数有していてもよい。また、情報処理装置１００は、記録媒体Ｉ／Ｆ３０４や記録媒体３０５を有していなくてもよい。

【0047】

（クライアント装置２０１のハードウェア構成例）
クライアント装置２０１のハードウェア構成例は、具体的には、図３に示した情報処理装置１００のハードウェア構成例と同様であるため、説明を省略する。

【0048】

（情報処理装置１００の機能的構成の一例）
次に、図４を用いて、情報処理装置１００の機能的構成の一例について説明する。

【0049】

図４は、情報処理装置１００の機能的構成の一例を示すブロック図である。情報処理装置１００は、記憶部４００と、取得部４０１と、第１設定部４０２と、第２設定部４０３と、学習部４０４と、予測部４０５と、出力部４０６とを含む。

【0050】

記憶部４００は、例えば、図３に示したメモリ３０２や記録媒体３０５などの記憶領域によって実現される。以下では、記憶部４００が、情報処理装置１００に含まれる場合について説明するが、これに限らない。例えば、記憶部４００が、情報処理装置１００とは異なる装置に含まれ、記憶部４００の記憶内容が情報処理装置１００から参照可能である場合があってもよい。

【0051】

取得部４０１～出力部４０６は、制御部の一例として機能する。取得部４０１～出力部４０６は、具体的には、例えば、図３に示したメモリ３０２や記録媒体３０５などの記憶領域に記憶されたプログラムをＣＰＵ３０１に実行させることにより、または、ネットワークＩ／Ｆ３０３により、その機能を実現する。各機能部の処理結果は、例えば、図３に示したメモリ３０２や記録媒体３０５などの記憶領域に記憶される。

【0052】

記憶部４００は、各機能部の処理において参照され、または更新される各種情報を記憶する。記憶部４００は、例えば、複数の記録を記憶する。記録は、例えば、複数の選択肢のうち、選択主体が過去に選択した選択肢を表す情報である。選択肢は、例えば、移動手段を表す。複数の選択肢は、例えば、第１の選択肢を含む。

【0053】

記録は、例えば、選択主体の属性値を含んでいてもよい。属性値は、例えば、選択主体を識別する識別子である。属性値は、例えば、選択主体の年齢、性別、または、所属などであってもよい。属性値は、例えば、選択主体の所在、または、現在の時刻などであってもよい。記録は、例えば、取得部４０１によって取得される。記録は、例えば、予め利用者によって設定されていてもよい。

【0054】

記憶部４００は、例えば、第１のクラスに選択主体が所属する確率の基準値を記憶する。第１のクラスは、例えば、第１の選択肢を認知済みであることを表す。第１のクラスは、第１の選択肢を認知済みの選択主体を分類するクラスである。基準値は、例えば、取得部４０１によって取得される。基準値は、例えば、予め利用者によって設定されていてもよい。

【0055】

記憶部４００は、例えば、複数の選択肢のそれぞれの選択肢の効果を表す数式を記憶する。数式は、例えば、選択主体が、複数の選択肢のそれぞれの選択肢を選択する確率を推定するモデルを形成する要素となる。モデルは、例えば、離散選択モデルである。数式は、複数の選択肢のそれぞれの選択肢の効果を示す指標値を算出する機能を有する。数式は、より具体的には、それぞれの選択肢に関する特徴量に基づいて、複数の選択肢のそれぞれの選択肢の効果を示す指標値を算出する機能を有する。数式は、より具体的には、それぞれの選択肢に関する特徴量と、選択主体の属性値とに基づいて、複数の選択肢のそれぞれの選択肢の効果を示す指標値を算出する機能を有していてもよい。

【0056】

記憶部４００は、具体的には、選択主体が第１のクラスに所属する場合における、複数の選択肢のそれぞれの選択肢の効果を表す第１の数式を記憶する。記憶部４００は、具体的には、選択主体が第１のクラスに所属しない場合における、複数の選択肢のうち、第１の選択肢とは異なる残余の選択肢のそれぞれの選択肢の効果を表す第２の数式を記憶する。数式は、例えば、取得部４０１によって取得される。数式は、例えば、予め利用者によって設定されていてもよい。

【0057】

記憶部４００は、例えば、それぞれの選択肢に関する特徴量を記憶する。特徴量は、例えば、取得部４０１によって取得される。特徴量は、例えば、予め利用者によって設定されていてもよい。

【0058】

記憶部４００は、例えば、選択主体の属性値を記憶する。属性値は、例えば、取得部４０１によって取得される。属性値は、例えば、予め利用者によって設定されていてもよい。属性値は、例えば、記録に含まれていてもよい。

【0059】

記憶部４００は、例えば、選択主体が、複数の選択肢のそれぞれの選択肢を選択する確率を推定するモデルを記憶する。モデルは、例えば、学習部４０４によって生成される。

【0060】

取得部４０１は、各機能部の処理に用いられる各種情報を取得する。取得部４０１は、取得した各種情報を、記憶部４００に記憶し、または、各機能部に出力する。また、取得部４０１は、記憶部４００に記憶しておいた各種情報を、各機能部に出力してもよい。取得部４０１は、例えば、利用者の操作入力に基づき、各種情報を取得する。取得部４０１は、例えば、情報処理装置１００とは異なる装置から、各種情報を受信してもよい。

【0061】

取得部４０１は、例えば、複数の記録を取得する。取得部４０１は、具体的には、複数の記録を、他のコンピュータから受信することにより取得する。取得部４０１は、具体的には、利用者の操作入力に基づき、複数の記録の入力を受け付けることにより、複数の記録を取得してもよい。

【0062】

取得部４０１は、例えば、第１のクラスに選択主体が所属する確率の基準値を取得する。取得部４０１は、具体的には、基準値を、他のコンピュータから受信することにより取得する。取得部４０１は、具体的には、利用者の操作入力に基づき、基準値の入力を受け付けることにより、基準値を取得してもよい。

【0063】

取得部４０１は、例えば、複数の選択肢のそれぞれの選択肢の効果を表す数式を取得する。取得部４０１は、具体的には、数式を、他のコンピュータから受信することにより取得する。取得部４０１は、具体的には、利用者の操作入力に基づき、数式の入力を受け付けることにより、数式を取得してもよい。

【0064】

取得部４０１は、例えば、それぞれの選択肢に関する特徴量を記憶する。取得部４０１は、具体的には、特徴量を、他のコンピュータから受信することにより取得する。取得部４０１は、具体的には、利用者の操作入力に基づき、特徴量の入力を受け付けることにより、特徴量を取得してもよい。

【0065】

取得部４０１は、例えば、選択主体の属性値を記憶する。取得部４０１は、具体的には、属性値を、他のコンピュータから受信することにより取得する。取得部４０１は、具体的には、利用者の操作入力に基づき、属性値の入力を受け付けることにより、属性値を取得してもよい。

【0066】

取得部４０１は、モデルを学習することを要求する学習依頼を取得する。取得部４０１は、具体的には、学習依頼を、他のコンピュータから受信することにより取得する。取得部４０１は、具体的には、利用者の操作入力に基づき、学習依頼の入力を受け付けることにより、学習依頼を取得してもよい。

【0067】

取得部４０１は、モデルを利用することを要求する予測依頼を取得する。予測依頼は、例えば、選択主体がそれぞれの選択肢を選択する確率を推定することを要求する。予測依頼は、例えば、選択主体の属性値を含んでいてもよい。予測依頼は、それぞれの選択肢に関する特徴量を含んでいてもよい。取得部４０１は、具体的には、予測依頼を、他のコンピュータから受信することにより取得する。取得部４０１は、具体的には、利用者の操作入力に基づき、予測依頼の入力を受け付けることにより、予測依頼を取得してもよい。

【0068】

取得部４０１は、例えば、予測依頼に含まれる選択主体の属性値を抽出することにより、選択主体の属性値を取得してもよい。取得部４０１は、例えば、予測依頼に含まれるそれぞれの選択肢の特徴量を抽出することにより、それぞれの選択肢の特徴量を取得してもよい。

【0069】

取得部４０１は、いずれかの機能部の処理を開始する開始トリガーを受け付けてもよい。開始トリガーは、例えば、利用者による所定の操作入力があったことである。開始トリガーは、例えば、他のコンピュータから、所定の情報を受信したことであってもよい。開始トリガーは、例えば、いずれかの機能部が所定の情報を出力したことであってもよい。取得部４０１は、具体的には、学習依頼を取得したことを、第１設定部４０２と、第２設定部４０３と、学習部４０４との処理を開始する開始トリガーとして受け付けてもよい。取得部４０１は、具体的には、予測依頼を取得したことを、予測部４０５の処理を開始する開始トリガーとして受け付けてもよい。

【0070】

第１設定部４０２は、取得部４０１で取得した複数の記録のうち、第１の選択肢を認知済みの選択主体に対応する１以上の記録を特定する。１以上の記録は、例えば、第１の選択肢を表す記録の集まりである。１以上の記録は、例えば、少なくとも過去に１回以上第１の選択肢を選択したことがあるそれぞれの選択主体が選択した、第１の選択肢とは異なる他の選択肢を表す記録を含んでいてもよい。１以上の記録は、例えば、少なくとも過去に１回以上第１の選択肢を選択したことがあるそれぞれの選択主体と属性値が同一または類似する他の選択主体が選択した、第１の選択肢とは異なる他の選択肢を表す記録を含んでいてもよい。これにより、第１設定部４０２は、選択主体が第１の選択肢を認知済みの状況の記録として扱うことが好ましい１以上の記録を特定することができる。

【0071】

第１設定部４０２は、特定した１以上の記録のそれぞれの記録に対して、第１のクラスに選択主体が所属する確率の期待値として、確定的に所属することを表す第１の値を設定する。例えば、確率が０～１の値であれば、第１の値は、１である。これにより、第１設定部４０２は、特定した１以上の記録に基づいて、選択主体が第１の選択肢を認知済みである場合に選択主体がいずれの選択肢を選択する傾向があるのかを、数式のパラメータを学習する際に適切に考慮可能にすることができる。

【0072】

第２設定部４０３は、取得部４０１で取得した複数の記録のうち、第１の選択肢を認知済みの選択主体に対応する１以上の記録とは異なる残余の記録を特定する。これにより、第２設定部４０３は、選択主体が第１の選択肢を認知済みである可能性と、選択主体が第１の選択肢を認知済みではない可能性とが混在する状況の記録として扱うことが好ましい残余の記録を特定することができる。

【0073】

第２設定部４０３は、基準値と数式とに基づいて、特定した残余の記録のそれぞれの記録に対して、第１のクラスに選択主体が所属する確率の期待値として、確率的に所属することを表す第２の値を設定する。例えば、確率が０～１であれば、第２の値は、０以上１未満である。第２の値は、０以上１以下であってもよい。これにより、第１設定部４０２は、特定した残余の記録に基づいて、選択主体が第１の選択肢を認知済みではない可能性がある場合に選択主体がいずれの選択肢を選択する傾向があるのかを、数式のパラメータを学習する際に適切に考慮可能にすることができる。

【0074】

第２設定部４０３は、例えば、残余の記録のそれぞれの記録と第１の選択肢を表す記録との類似度を算出してもよい。第２設定部４０３は、例えば、基準値と数式とに基づいて、残余の記録のそれぞれの記録に対して、算出した類似度が大きいほど期待値が大きくなるよう、期待値として、確率的に所属することを表す第２の値を設定する。これにより、第１設定部４０２は、特定した残余の記録に基づいて、選択主体が第１の選択肢を認知済みではない可能性がある場合に選択主体がいずれの選択肢を選択する傾向があるのかを、数式のパラメータを学習する際に適切に考慮可能にすることができる。

【0075】

学習部４０４は、取得部４０１で取得したそれぞれの記録と、期待値とに基づいて、基準値と、数式に含まれるパラメータとを学習する。学習部４０４は、例えば、取得部４０１で取得したそれぞれの記録と、期待値とに基づいて、基準値と、第１の数式に含まれるパラメータと、第２の数式に含まれるパラメータとを学習する。これにより、学習部４０４は、選択主体が第１の選択肢を認知済みではない可能性があることを考慮して、基準値と、数式に含まれるパラメータとを精度よく学習することができる。

【0076】

学習部４０４は、基準値と、数式のパラメータとを学習することにより、複数の選択肢のそれぞれの選択肢に関する特徴量が入力されたことに応じて数式を利用して複数の選択肢のそれぞれの選択肢が選択される確率を推定するモデルを学習する。これにより、学習部４０４は、選択主体が第１の選択肢を認知済みではない可能性があることを考慮して、モデルを精度よく学習することができる。

【0077】

学習部４０４は、例えば、基準値と、第１の数式のパラメータとを学習することにより、選択主体が第１のクラスに所属する場合に対して、第１のモデルを学習する。第１のモデルは、例えば、複数の選択肢のそれぞれの選択肢に関する特徴量が入力されたことに応じて、第１の数式を利用して複数の選択肢のそれぞれの選択肢が選択される確率を推定する。これにより、学習部４０４は、選択主体が第１の選択肢を認知済みである場合について、第１のモデルを精度よく学習することができる。

【0078】

学習部４０４は、例えば、基準値と、第２の数式のパラメータとを学習することにより、選択主体が第１のクラスに所属しない場合に対して、第２のモデルを学習する。第２のモデルは、例えば、複数の選択肢のうち、第１の選択肢とは異なる残余の選択肢のそれぞれの選択肢に関する特徴量が入力されたことに応じて、第２の数式を利用して残余の選択肢のそれぞれの選択肢が選択される確率を推定する。これにより、学習部４０４は、選択主体が第１の選択肢を認知済みであるか否かが明確ではない場合について、第２のモデルを精度よく学習することができる。

【0079】

予測部４０５は、予測依頼に基づいて、選択主体の属性値と、それぞれの選択肢に関する特徴量とを取得する。予測部４０５は、例えば、選択主体の属性値と、それぞれの選択肢に関する特徴量とに基づいて、学習部４０４で学習したモデルを利用して、それぞれの選択肢が選択される確率を推定する。これにより、予測部４０５は、それぞれの選択肢が選択される確率を精度よく推定することができる。

【0080】

予測部４０５は、具体的には、選択主体の属性値と、それぞれの選択肢に関する特徴量とに基づいて、学習部４０４で学習した第１のモデルを利用して、それぞれの選択肢が選択される第１の確率を推定してもよい。予測部４０５は、具体的には、選択主体の属性値と、それぞれの選択肢に関する特徴量とに基づいて、学習部４０４で学習した第２のモデルを利用して、それぞれの選択肢が選択される第２の確率を推定してもよい。これにより、予測部４０５は、それぞれの選択肢が選択される確率を精度よく推定することができる。

【0081】

出力部４０６は、少なくともいずれかの機能部の処理結果を出力する。出力形式は、例えば、ディスプレイへの表示、プリンタへの印刷出力、ネットワークＩ／Ｆ３０３による外部装置への送信、または、メモリ３０２や記録媒体３０５などの記憶領域への記憶である。これにより、出力部４０６は、各機能部の処理結果を利用者に通知可能にし、情報処理装置１００の管理や運用、例えば、情報処理装置１００の設定値の更新などを支援することができ、情報処理装置１００の利便性の向上を図ることができる。

【0082】

出力部４０６は、例えば、学習部４０４で学習したモデルを出力する。出力部４０６は、具体的には、モデルを、他のコンピュータに送信する。出力部４０６は、具体的には、モデルを、利用者が参照可能に出力する。これにより、出力部４０６は、モデルを外部で利用可能にすることができる。

【0083】

出力部４０６は、例えば、予測部４０５で推定した確率を出力する。出力部４０６は、具体的には、確率を、他のコンピュータに送信する。出力部４０６は、具体的には、確率を、利用者が参照可能に出力する。これにより、出力部４０６は、確率を外部で利用可能にすることができる。

【0084】

（情報処理装置１００の動作の流れ）
次に、図５を用いて、情報処理装置１００の動作の流れについて説明する。

【0085】

図５は、情報処理装置１００の動作の流れを示す説明図である。図５において、情報処理装置１００は、複数の選択肢のうち、選択主体が認知しないことがある選択肢Ｊを記憶する。選択肢Ｊは、例えば、予め利用者によって設定される。情報処理装置１００は、過去に選択肢Ｊを選択したことがある選択主体が、選択肢Ｊを認知するクラス５０１に確定的に所属するよう、当該選択主体が、クラス５０１に所属する確率の期待値を設定する。

【0086】

情報処理装置１００は、過去に選択肢Ｊを選択したことがない選択主体が、選択肢Ｊを認知するクラス５０１と、選択肢Ｊを認知しないクラス５０２とに確率的に所属するよう、当該選択主体が、クラス５０１に所属する確率の期待値を設定する。情報処理装置１００は、例えば、選択肢Ｊの効果が大きいほど、過去に選択肢Ｊを選択したことがない選択主体が、クラス５０１に所属する確率が小さくなるよう、当該選択主体が、クラス５０１に所属する確率の期待値を設定する。

【0087】

情報処理装置１００は、それぞれの選択主体が過去に選択した選択肢を表す記録と、設定したそれぞれの期待値とに基づいて、選択モデル５１１と選択モデル５１２とのパラメータを推定する。選択モデル５１１は、例えば、選択肢Ｊを、選択可能な選択肢集合に含む場合に対応する。選択モデル５１２は、例えば、選択肢Ｊを、選択可能な選択肢集合に含まない場合に対応する。選択モデル５１１と選択モデル５１２とのパラメータを推定する一例については、図６～図１３を用いて後述する第１動作例、または、図１６～図２１を用いて後述する第２動作例に示す。

【0088】

（情報処理装置１００の第１動作例）
次に、図６～図１３を用いて、情報処理装置１００の第１動作例について説明する。

【0089】

図６～図１３は、情報処理装置１００の第１の動作例を示す説明図である。図６は、第１動作例における情報処理装置１００が選択モデルを学習する第１学習処理を実現する機能的構成の具体例を示す。図６において、情報処理装置１００は、取得部６０１と、記録部６０２と、モデル設定部６０３と、認知フラグ付与部６０４と、学習用データ生成部６０５と、学習処理部６０６とを含む。

【0090】

取得部６０１は、いずれかの選択主体の１回の選択行為を識別する観測番号と、当該選択行為の状況におけるそれぞれの選択肢の選択肢属性と、当該選択行為において選択された選択肢とを含む選択履歴データを取得する。選択肢属性は、例えば、時間的または金銭的なコストなどである。選択履歴データは、選択主体に関する個人情報を含んでいてもよい。個人情報は、例えば、選択主体を識別する個人番号を含んでいてもよい。個人情報は、例えば、選択主体の特徴を表す個人属性を含んでいてもよい。個人属性は、例えば、年齢、性別、所在、または、所属などである。取得部６０１は、選択履歴データを、記録部６０２に送信する。

【0091】

記録部６０２は、選択履歴データを、取得部６０１から受信する。記録部６０２は、受信した選択履歴データを、図７を用いて後述する選択履歴データ管理テーブル７００に記録する。ここで、図７の説明に移行し、選択履歴データ管理テーブル７００の記憶内容の一例について説明する。選択履歴データ管理テーブル７００は、例えば、図３に示した情報処理装置１００のメモリ３０２や記録媒体３０５などの記憶領域により実現される。

【0092】

図７は、選択履歴データ管理テーブル７００の記憶内容の一例を示す。図７に示すように、選択履歴データ管理テーブル７００は、観測番号と、個人番号と、選択肢属性と、選択とのフィールドを有する。選択履歴データ管理テーブル７００は、選択行為ごとに各フィールドに情報を設定することにより、選択履歴データがレコード７００－ａとして記憶される。ａは、任意の整数である。

【0093】

観測番号のフィールドには、いずれかの選択主体の１回の選択行為を識別する観測番号が設定される。個人番号のフィールドには、上記選択行為を実施した上記いずれかの選択主体を識別する個人番号が設定される。選択肢属性のフィールドには、選択肢属性が設定される。選択肢属性は、例えば、時間的または金銭的なコストなどである。

【0094】

選択肢属性のフィールドは、例えば、徒歩と、自動車と、ｅスクーターとのフィールドを有する。徒歩のフィールドは、例えば、コストと、所要時間とのフィールドを有する。当該コストのフィールドには、具体的には、選択主体が移動手段として徒歩を選択した場合に発生する金銭的なコストを表す指標値が設定される。当該所要時間のフィールドには、具体的には、選択主体が移動手段として徒歩を選択した場合に発生する時間的なコストを表す所要時間が設定される。

【0095】

自動車のフィールドは、例えば、コストと、所要時間とのフィールドを有する。当該コストのフィールドには、具体的には、選択主体が移動手段として自動車を選択した場合に発生する金銭的なコストを表す指標値が設定される。当該所要時間のフィールドには、具体的には、選択主体が移動手段として自動車を選択した場合に発生する時間的なコストを表す所要時間が設定される。

【0096】

ｅスクーターのフィールドは、例えば、コストと、所要時間とのフィールドを有する。当該コストのフィールドには、具体的には、選択主体が移動手段としてｅスクーターを選択した場合に発生する金銭的なコストを表す指標値が設定される。当該所要時間のフィールドには、具体的には、選択主体が移動手段としてｅスクーターを選択した場合に発生する時間的なコストを表す所要時間が設定される。選択のフィールドには、上記選択行為において選択された選択肢が設定される。

【0097】

図６の説明に戻り、モデル設定部６０３は、複数の選択肢のいずれかの選択肢を、選択主体が認知済みとは限らない特定の選択肢Ｊとして設定する。特定の選択肢Ｊは、例えば、ｅスクーターである。モデル設定部６０３は、学習処理部６０６で学習する選択モデルが参照する、効用関数のパラメータの初期値と、クラス確率の事前確率とを設定する。初期値は、例えば、０である。初期値は、例えば、ランダムな実数であってもよい。クラス確率は、例えば、特定の選択肢Ｊを認知済みであることを表すクラスに、選択主体が所属する確率である。クラス確率は、例えば、０～１の値である。事前確率は、例えば、ランダムな実数であってもよい。

【0098】

情報処理装置１００は、具体的には、選択主体を識別する個人番号ｎを、下記式（１）に示すように定義する。

【0099】

【数1】

【0100】

情報処理装置１００は、具体的には、選択主体ｎを分類する潜在クラスを識別する潜在クラスインデックスｋを、下記式（２）に示すように定義する。ｋは、値が１である場合、特定の選択肢Ｊを認知済みであることを表す潜在クラスを示す。ｋは、値が２である場合、特定の選択肢Ｊを認知済みではないことを表す潜在クラスを示す。

【0101】

【数2】

【0102】

情報処理装置１００は、具体的には、ｋ＝１の場合におけるそれぞれの選択肢を識別する選択肢インデックスを、下記式（３）に示すように定義する。

【0103】

【数3】

【0104】

情報処理装置１００は、具体的には、ｋ＝２の場合におけるそれぞれの選択肢を識別する選択肢インデックスを、下記式（４）に示すように定義する。

【0105】

【数4】

【0106】

情報処理装置１００は、具体的には、それぞれの選択主体ｎの選択回数ｔを、下記式（５）に示すように定義する。

【0107】

【数5】

【0108】

情報処理装置１００は、選択主体ｎが潜在クラスｋに所属するか否かを示す指示変数ｑ_nkを、下記式（６）および下記式（７）に示すように定義する。

【0109】

【数6】

【0110】

【数7】

【0111】

情報処理装置１００は、選択主体ｎが選択回数ｔで選択した選択肢ｊを示す指示変数ｙ_njtを、下記式（８）および下記式（９）に示すように定義する。

【0112】

【数8】

【0113】

【数9】

【0114】

情報処理装置１００は、選択肢属性ベクトルを、Ｘ_njtと定義する。情報処理装置１００は、潜在クラスｋのクラス確率の事前確率を、π_kと定義する。情報処理装置１００は、π_kを、下記式（１０）および下記式（１１）に示すように定義する。

【0115】

【数10】

【0116】

【数11】

【0117】

情報処理装置１００は、潜在クラスｋにおける選択主体ｎの選択回数ｔに対する選択肢ｊの確率効用Ｕ_njt|kを、下記式（１２）に示すように定義する。δ_njt|kは、ランダム項である。情報処理装置１００は、下記式（１２）のうち、確定効用Ｖ_njt|kを、下記式（１３）に示すように定義する。β_jkは、潜在クラスｋにおける選択肢ｊの効用関数のパラメータである。効用関数は、例えば、潜在クラスｋ＝１，２で共通であってもよい。

【0118】

【数12】

【0119】

【数13】

【0120】

情報処理装置１００は、クラスｋ＝１における選択主体ｎが選択回数ｔで選択肢ｊを選択する確率ｐ（・）を算出する選択モデルであるクラス１固有選択モデルを、下記式（１４）に示すように定義する。ここでは、潜在クラスｋ＝１の場合のｑ_nkを、「ｑ_nk|k=1」と表記する。

【0121】

【数14】

【0122】

情報処理装置１００は、クラスｋ＝２における選択主体ｎが選択回数ｔで選択肢ｊを選択する確率ｐ（・）を算出する選択モデルであるクラス２固有選択モデルを、下記式（１５）に示すように定義する。ここでは、潜在クラスｋ＝２の場合のｑ_nkを、「ｑ_nk|k=2」と表記する。

【0123】

【数15】

【0124】

次に、図８の説明に移行し、クラス１固有選択モデルおよびクラス２固有選択モデルに対応するグラフィカルモデル８００の一例について説明する。グラフィカルモデル８００は、例えば、π_kによって定まるｑ_nkを算出するノードと、Ｘ_njtを算出するノードと、ｑ_nkとβ_jkとＸ_njtとによって定まるｙ_njtを算出するノードとによって形成される。

【0125】

図６の説明に戻り、情報処理装置１００は、具体的には、徒歩に関する確定効用Ｖ_njt|k＝Ｖ_walkを、下記式（１６）に示すように定義する。Ｖ_walkは、例えば、潜在クラスｋ＝１，２で共通である。

【0126】

【数16】

【0127】

情報処理装置１００は、具体的には、自動車に関する確定効用Ｖ_njt|k＝Ｖ_autoを、下記式（１７）に示すように定義する。Ｖ_autoは、例えば、潜在クラスｋ＝１，２で共通である。

【0128】

【数17】

【0129】

情報処理装置１００は、具体的には、ｅスクーターに関する確定効用Ｖ_njt|k＝Ｖ_e-scooterを、下記式（１８）に示すように定義する。Ｖ_e-scooterは、例えば、潜在クラスｋ＝１，２で共通である。

【0130】

【数18】

【0131】

認知フラグ付与部６０４は、選択履歴データ管理テーブル７００を参照して、特定の選択肢Ｊを選択した選択履歴データに対して、認知フラグ＝１を付与する。認知フラグ付与部６０４は、選択履歴データ管理テーブル７００を参照して、特定の選択肢Ｊを選択していない選択履歴データに対して、認知フラグ＝０を付与する。認知フラグ付与部６０４は、選択履歴データ管理テーブル７００を参照して、特定の選択肢Ｊを選択したことがある選択主体を識別する個人番号を含む選択履歴データに対して、認知フラグ＝１を付与してもよい。認知フラグ付与部６０４は、認知フラグを付与した選択履歴データを、学習用データ生成部６０５に送信する。

【0132】

学習用データ生成部６０５は、学習処理部６０６で利用する学習用データを生成する。学習用データ生成部６０５は、認知フラグが付与された選択履歴データを、認知フラグ付与部６０４から受信する。学習用データ生成部６０５は、受信した選択履歴データのうち、移動手段を表す文字列を当該移動手段に対応する番号に置換した、学習用データを生成する。

【0133】

学習用データ生成部６０５は、生成した学習用データを、図９を用いて後述する学習用データ管理テーブル９００に記録する。ここで、図９の説明に移行し、学習用データ管理テーブル９００の記憶内容の一例について説明する。学習用データ管理テーブル９００は、例えば、図３に示した情報処理装置１００のメモリ３０２や記録媒体３０５などの記憶領域により実現される。

【0134】

図９は、学習用データ管理テーブル９００の記憶内容の一例を示す。図９に示すように、学習用データ管理テーブル９００は、観測番号と、個人番号と、選択肢属性と、選択と、認知フラグとのフィールドを有する。学習用データ管理テーブル９００は、選択行為ごとに各フィールドに情報を設定することにより、学習用データがレコード９００－ｂとして記憶される。ｂは、任意の整数である。

【0135】

【0136】

選択肢属性のフィールドは、例えば、徒歩を示す番号１と、自動車を示す番号２と、ｅスクーターを示す番号３とのフィールドを有する。１のフィールドは、例えば、コストと、所要時間とのフィールドを有する。当該コストのフィールドには、具体的には、選択主体が移動手段として徒歩を選択した場合に発生する金銭的なコストを表す指標値が設定される。当該所要時間のフィールドには、具体的には、選択主体が移動手段として徒歩を選択した場合に発生する時間的なコストを表す所要時間が設定される。

【0137】

２のフィールドは、例えば、コストと、所要時間とのフィールドを有する。当該コストのフィールドには、具体的には、選択主体が移動手段として自動車を選択した場合に発生する金銭的なコストを表す指標値が設定される。当該所要時間のフィールドには、具体的には、選択主体が移動手段として自動車を選択した場合に発生する時間的なコストを表す所要時間が設定される。

【0138】

３のフィールドは、例えば、コストと、所要時間とのフィールドを有する。当該コストのフィールドには、具体的には、選択主体が移動手段としてｅスクーターを選択した場合に発生する金銭的なコストを表す指標値が設定される。当該所要時間のフィールドには、具体的には、選択主体が移動手段としてｅスクーターを選択した場合に発生する時間的なコストを表す所要時間が設定される。選択のフィールドには、上記選択行為において選択された選択肢を示す番号が設定される。認知フラグのフィールドには、認知フラグが設定される。

【0139】

図６の説明に戻り、学習処理部６０６は、収束条件を取得する。収束条件は、例えば、対数尤度の差分値が閾値未満であることである。収束条件は、例えば、効用関数のパラメータβ_jkを所定回数学習したことであってもよい。学習処理部６０６は、学習用データ管理テーブル９００を参照して、学習用データを取得する。学習処理部６０６は、取得した学習用データに基づいて、収束条件を満たすまで、クラス１固有選択モデルおよびクラス２固有選択モデルを規定するパラメータを学習する。学習処理部６０６は、例えば、収束条件を満たすまで、クラス１固有選択モデルおよびクラス２固有選択モデルを規定する、効用関数のパラメータβ_jkを学習する。

【0140】

学習処理部６０６は、具体的には、効用関数のパラメータβ_jkを初期化する。初期化は、例えば、０を設定することである。初期化は、例えば、ランダムな実数を設定することであってもよい。学習処理部６０６は、具体的には、いずれかのパラメータβ_jkが既知であれば、当該いずれかのパラメータβ_jkに定数を設定してもよい。学習処理部６０６は、具体的には、それぞれの学習用データに対応するクラス確率の期待値を設定する。この際、学習処理部６０６は、具体的には、認知フラグ＝１の学習用データに対応するクラス確率の期待値を１に固定する。

【0141】

（６－１）学習処理部６０６は、より具体的には、下記式（１９）に従って、特定の選択肢Ｊを選択したことがない選択主体を識別する個人番号を含むそれぞれの学習用データに対応するクラス確率の期待値を設定する。学習処理部６０６は、より具体的には、下記式（２０）に従って、特定の選択肢Ｊを選択したことがある選択主体を識別する個人番号を含むそれぞれの学習用データに対応するクラス確率の期待値を設定する。

【0142】

【数19】

【0143】

【数20】

【0144】

（６－２）学習処理部６０６は、より具体的には、下記式（２１）に従って、対数尤度の期待値を算出する。ローマ数字２の記号は、指示関数を表す。学習処理部６０６は、より具体的には、対数尤度の期待値に基づいて、下記式（２２）に従って、効用関数のパラメータβ_kを更新する。学習処理部６０６は、より具体的には、下記式（２３）および下記式（２４）に従って、クラス確率を更新する。

【0145】

【数21】

【0146】

【数22】

【0147】

【数23】

【0148】

【数24】

【0149】

（６－３）学習処理部６０６は、より具体的には、収束条件を満たすまで、（６－１）および（６－２）に示した処理を繰り返し実施する。これにより、学習処理部６０６は、効用関数のパラメータβ_kと、クラス確率とを適切に更新することができる。このため、学習処理部６０６は、効用関数のパラメータβ_kを参照する選択モデルを適切に学習することができる。学習処理部６０６は、効用関数のパラメータβ_kと、クラス確率とを、記録部６０２に送信する。

【0150】

記録部６０２は、学習処理部６０６で学習した選択モデルのパラメータとなる効用関数のパラメータβ_kを記録する。記録部６０２は、いずれかの選択主体に対して、学習処理部６０６で学習したクラス確率を、事後確率として、当該いずれかの選択主体を識別する個人番号に対応付けて記録する。これにより、記録部６０２は、選択モデルと、事後確率とを利用可能にすることができる。次に、図１０の説明に移行する。

【0151】

図１０は、第１動作例における情報処理装置１００が選択モデルを利用する第１予測処理を実現する機能的構成の具体例を示す。図１０において、情報処理装置１００は、取得部１００１と、記録部１００２と、予測用データ生成部１００３と、予測処理部１００４とを含む。

【0152】

取得部１００１は、いずれかの選択主体の１回の選択行為を識別する予測番号と、当該選択行為の状況におけるそれぞれの選択肢の選択肢属性とを含む予測対象データを取得する。選択行為は、例えば、実施する予定がある選択行為であって、まだ実施されていなくてもよい。予測対象データは、選択主体を識別する個人番号を含んでいてもよい。予測対象データにおける個人番号は、予測対象データにおける個人番号と共通する。予測対象データは、選択主体の特徴を表す個人属性を含んでいてもよい。取得部１００１は、予測対象データを、記録部１００２に送信する。

【0153】

記録部１００２は、予測対象データを、取得部１００１から受信する。記録部１００２は、受信した予測対象データを、図１１を用いて後述する予測対象データ管理テーブル１１００に記録する。ここで、図１１の説明に移行し、予測対象データ管理テーブル１１００の記憶内容の一例について説明する。予測対象データ管理テーブル１１００は、例えば、図３に示した情報処理装置１００のメモリ３０２や記録媒体３０５などの記憶領域により実現される。

【0154】

図１１は、予測対象データ管理テーブル１１００の記憶内容の一例を示す。図１１に示すように、予測対象データ管理テーブル１１００は、予測番号と、個人番号と、選択肢属性とのフィールドを有する。予測対象データ管理テーブル１１００は、実施する予定がある選択行為ごとに各フィールドに情報を設定することにより、予測対象データがレコード１１００－ｃとして記憶される。ｃは、任意の整数である。

【0155】

予測番号のフィールドには、いずれかの選択主体の１回の選択行為を識別する予測番号が設定される。個人番号のフィールドには、上記選択行為を実施した上記いずれかの選択主体を識別する個人番号が設定される。選択肢属性のフィールドには、選択肢属性が設定される。選択肢属性は、例えば、時間的または金銭的なコストなどである。

【0156】

【0157】

【0158】

【0159】

図１０の説明に戻り、予測用データ生成部１００３は、予測対象データ管理テーブル１１００を参照して、予測対象データに基づいて、予測処理部１００４で参照する予測用データを生成する。予測用データ生成部１００３は、受信した選択履歴データのうち、移動手段を表す文字列を当該移動手段に対応する番号に置換した、予測用データを生成する。

【0160】

予測用データ生成部１００３は、予測用データに、クラス確率を付与する。予測用データ生成部１００３は、予測用データに、個人番号が含まれる場合、記録部１００２を利用して、予測用データに、クラス確率として、個人番号に対応する事後確率を付与する。予測用データ生成部１００３は、記録部１００２を利用して、個人番号に対応する事後確率が存在しないと判定した場合、予測用データに、クラス確率として、事前確率を付与する。予測用データ生成部１００３は、予測用データの値を正規化する場合があってもよい。

【0161】

予測用データ生成部１００３は、生成した予測用データを、図１２を用いて後述する予測用データ管理テーブル１２００に記録する。ここで、図１２の説明に移行し、予測用データ管理テーブル１２００の記憶内容の一例について説明する。予測用データ管理テーブル１２００は、例えば、図３に示した情報処理装置１００のメモリ３０２や記録媒体３０５などの記憶領域により実現される。

【0162】

図１２は、予測用データ管理テーブル１２００の記憶内容の一例を示す。図１２に示すように、予測用データ管理テーブル１２００は、予測番号と、個人番号と、選択肢属性と、クラス確率とのフィールドを有する。予測用データ管理テーブル１２００は、選択行為ごとに各フィールドに情報を設定することにより、予測用データがレコード１２００－ｄとして記憶される。ｄは、任意の整数である。

【0163】

【0164】

【0165】

【0166】

３のフィールドは、例えば、コストと、所要時間とのフィールドを有する。当該コストのフィールドには、具体的には、選択主体が移動手段としてｅスクーターを選択した場合に発生する金銭的なコストを表す指標値が設定される。当該所要時間のフィールドには、具体的には、選択主体が移動手段としてｅスクーターを選択した場合に発生する時間的なコストを表す所要時間が設定される。クラス確率のフィールドには、クラス確率が設定される。

【0167】

図１０の説明に戻り、予測処理部１００４は、記録部１００２から選択モデルのパラメータを取得する。予測処理部１００４は、予測用データ管理テーブル１２００を参照して、それぞれの予測用データについて、それぞれの選択肢が選択される選択確率を算出する。

【0168】

予測処理部１００４は、例えば、予測用データについて、モデル１固有選択モデルを利用して、それぞれの選択肢が選択される第１選択確率を算出する。予測処理部１００４は、例えば、予測用データについて、モデル２固有選択モデルを利用して、それぞれの選択肢が選択される第２選択確率を算出する。予測処理部１００４は、例えば、選択肢ごとに、算出した第１選択確率にクラス確率を重みとして乗算した値と、算出した第２選択確率に（１－クラス確率）を重みとして乗算した値との和を、選択確率として算出する。これにより、予測処理部１００４は、それぞれの選択肢が選択される選択確率を、精度よく算出することができる。

【0169】

予測処理部１００４は、例えば、算出した選択確率を、記録部１００２に送信する。記録部１００２は、予測用データに対応付けて、受信したそれぞれの選択肢が選択される選択確率を記録する。これにより、記録部１００２は、それぞれの選択肢が選択される選択確率を利用可能にすることができる。次に、図１３の説明に移行する。

【0170】

図１３は、第１動作例における情報処理装置１００が選択モデルを学習する第１学習処理を実現し、かつ、選択モデルを利用する第１予測処理を実現する機能的構成の具体例を示す。図１３において、情報処理装置１００は、取得部１３０１と、記録部１３０２と、モデル設定部１３０３と、認知フラグ付与部１３０４と、学習用データ生成部１３０５と、学習処理部１３０６と、予測用データ生成部１３０７と、予測処理部１３０８とを含む。

【0171】

取得部１３０１は、取得部６０１および取得部１００１に対応する。記録部１３０２は、記録部６０２および記録部１００２に対応する。モデル設定部１３０３は、モデル設定部６０３に対応する。認知フラグ付与部１３０４は、認知フラグ付与部６０４に対応する。学習用データ生成部１３０５は、学習用データ生成部６０５に対応する。学習処理部１３０６は、学習処理部６０６に対応する。予測用データ生成部１３０７は、予測用データ生成部１００３に対応する。予測処理部１３０８は、予測処理部１００４に対応する。

【0172】

以上により、情報処理装置１００は、選択主体の特定の選択肢Ｊの認知を考慮した、それぞれの選択肢が選択される選択確率を精度よく推定可能な選択モデルを学習することができる。情報処理装置１００は、選択モデルを利用したシミュレーションを実施可能にすることができる。シミュレーションは、例えば、人流、または、購買などに関する。

【0173】

（情報処理装置１００の適用例）
情報処理装置１００は、例えば、交通シミュレーションの分野に適用することができる。情報処理装置１００は、例えば、選択主体となる移動者が、どのような移動手段を選択するのかを模擬するシミュレーションを実施することができる。情報処理装置１００は、例えば、シミュレーションにより、渋滞状況、道路課金、移動手段のコストなどの環境の変化により、移動者が選択する移動手段がどのように変化するのかを解析することができる。このため、情報処理装置１００は、例えば、都市政策の検討に資する情報を得ることができる。また、情報処理装置１００は、例えば、経済の分野に適用することができる。情報処理装置１００は、例えば、選択主体となる顧客が、どのような商品を選択するのかを模擬するシミュレーションを実施することができる。

【0174】

（第１学習処理手順）
次に、図１４を用いて、第１動作例における情報処理装置１００が実行する、第１学習処理手順の一例について説明する。第１学習処理は、例えば、図３に示したＣＰＵ３０１と、メモリ３０２や記録媒体３０５などの記憶領域と、ネットワークＩ／Ｆ３０３とによって実現される。

【0175】

図１４は、第１学習処理手順の一例を示すフローチャートである。図１４において、情報処理装置１００は、複数の選択履歴データを取得する（ステップＳ１４０１）。情報処理装置１００は、選択モデルのパラメータを初期化する（ステップＳ１４０２）。

【0176】

情報処理装置１００は、取得した複数の選択履歴データのそれぞれの選択履歴データに対応するクラス確率の期待値を算出する（ステップＳ１４０３）。情報処理装置１００は、取得した複数の選択履歴データのうち認知フラグが認知を表す１以上の選択履歴データに対応するクラス確率の期待値を補正する（ステップＳ１４０４）。

【0177】

情報処理装置１００は、対数尤度の期待値を算出する（ステップＳ１４０５）。情報処理装置１００は、選択モデルのパラメータを更新する（ステップＳ１４０６）。情報処理装置１００は、収束条件を満たすか否かを判定する（ステップＳ１４０７）。ここで、収束条件を満たさない場合（ステップＳ１４０７：Ｎｏ）、情報処理装置１００は、ステップＳ１４０３の処理に戻る。一方で、収束条件を満たす場合（ステップＳ１４０７：Ｙｅｓ）、情報処理装置１００は、第１学習処理を終了する。

【0178】

（第１予測処理手順）
次に、図１５を用いて、第１動作例における情報処理装置１００が実行する、第１予測処理手順の一例について説明する。第１予測処理は、例えば、図３に示したＣＰＵ３０１と、メモリ３０２や記録媒体３０５などの記憶領域と、ネットワークＩ／Ｆ３０３とによって実現される。

【0179】

図１５は、第１予測処理手順の一例を示すフローチャートである。図１５において、情報処理装置１００は、予測対象データを取得する（ステップＳ１５０１）。

【0180】

情報処理装置１００は、取得した予測対象データに含まれる個人番号が、クラス確率を算出済みである既存の個人番号であるか否かを判定する（ステップＳ１５０２）。ここで、既存の個人番号である場合（ステップＳ１５０２：Ｙｅｓ）、情報処理装置１００は、ステップＳ１５０３の処理に移行する。一方で、既存の個人番号ではない場合（ステップＳ１５０２：Ｎｏ）、情報処理装置１００は、ステップＳ１５０４の処理に移行する。

【0181】

ステップＳ１５０３では、情報処理装置１００は、対象に対応するクラス確率に算出済みのクラス確率を設定する（ステップＳ１５０３）。そして、情報処理装置１００は、ステップＳ１５０５の処理に移行する。

【0182】

ステップＳ１５０４では、情報処理装置１００は、対象に対応するクラス確率に事前確率を設定する（ステップＳ１５０４）。そして、情報処理装置１００は、ステップＳ１５０５の処理に移行する。

【0183】

ステップＳ１５０５では、情報処理装置１００は、設定したクラス確率に基づいて、それぞれの選択肢の選択確率を算出する（ステップＳ１５０５）。情報処理装置１００は、第１予測処理を終了する。

【0184】

（情報処理装置１００の第２動作例）
次に、図１６～図２１を用いて、情報処理装置１００の第２動作例について説明する。第２動作例は、例えば、第１動作例とは異なり、情報処理装置１００が、個人属性を利用する場合に対応する。

【0185】

図１６～図２１は、情報処理装置１００の第２の動作例を示す説明図である。第２動作例における情報処理装置１００が選択モデルを学習する第２学習処理を実現する機能的構成の具体例は、図６に示した機能的構成の具体例と同様である。情報処理装置１００は、取得部６０１と、記録部６０２と、モデル設定部６０３と、認知フラグ付与部６０４と、学習用データ生成部６０５と、学習処理部６０６とを含む。

【0186】

取得部６０１は、いずれかの選択主体の１回の選択行為を識別する観測番号と、当該選択行為の状況におけるそれぞれの選択肢の選択肢属性と、当該選択行為において選択された選択肢とを含む選択履歴データを取得する。選択肢属性は、例えば、時間的または金銭的なコストなどである。選択履歴データは、選択主体に関する個人情報を含む。個人情報は、例えば、選択主体を識別する個人番号を含む。個人情報は、例えば、選択主体の特徴を表す個人属性を含む。個人属性は、例えば、年齢および性別である。取得部６０１は、選択履歴データを、記録部６０２に送信する。

【0187】

記録部６０２は、選択履歴データを、取得部６０１から受信する。記録部６０２は、受信した選択履歴データを、図１６を用いて後述する選択履歴データ管理テーブル１６００に記録する。ここで、図１６の説明に移行し、選択履歴データ管理テーブル１６００の記憶内容の一例について説明する。選択履歴データ管理テーブル１６００は、例えば、図３に示した情報処理装置１００のメモリ３０２や記録媒体３０５などの記憶領域により実現される。

【0188】

図１６は、選択履歴データ管理テーブル１６００の記憶内容の一例を示す。図１６に示すように、選択履歴データ管理テーブル１６００は、観測番号と、個人番号と、個人属性と、選択肢属性と、選択とのフィールドを有する。選択履歴データ管理テーブル１６００は、選択行為ごとに各フィールドに情報を設定することにより、選択履歴データがレコード１６００－ｅとして記憶される。ｅは、任意の整数である。

【0189】

観測番号のフィールドには、いずれかの選択主体の１回の選択行為を識別する観測番号が設定される。個人番号のフィールドには、上記選択行為を実施した上記いずれかの選択主体を識別する個人番号が設定される。個人属性のフィールドは、例えば、性別と、年齢とのフィールドを有する。性別のフィールドには、上記選択行為を実施した上記いずれかの選択主体の性別が設定される。年齢のフィールドには、上記選択行為を実施した上記いずれかの選択主体の年齢が設定される。

【0190】

選択肢属性のフィールドには、選択肢属性が設定される。選択肢属性は、例えば、時間的または金銭的なコストなどである。選択肢属性のフィールドは、例えば、徒歩と、自動車と、ｅスクーターとのフィールドを有する。徒歩のフィールドは、例えば、コストと、所要時間とのフィールドを有する。当該コストのフィールドには、具体的には、選択主体が移動手段として徒歩を選択した場合に発生する金銭的なコストを表す指標値が設定される。当該所要時間のフィールドには、具体的には、選択主体が移動手段として徒歩を選択した場合に発生する時間的なコストを表す所要時間が設定される。

【0191】

【0192】

【0193】

モデル設定部６０３は、複数の選択肢のいずれかの選択肢を、選択主体が認知済みとは限らない特定の選択肢Ｊとして設定する。特定の選択肢Ｊは、例えば、ｅスクーターである。モデル設定部６０３は、学習処理部６０６で学習する選択モデルが参照する、効用関数のパラメータの初期値と、クラス確率の事前確率と、クラスごとの個人属性の分布を規定するパラメータとを設定する。初期値は、例えば、０である。初期値は、例えば、ランダムな実数であってもよい。クラス確率は、例えば、特定の選択肢Ｊを認知済みであることを表すクラスに、選択主体が所属する確率である。クラス確率は、例えば、０～１の値である。事前確率は、例えば、ランダムな実数であってもよい。

【0194】

情報処理装置１００は、具体的には、選択主体を識別する個人番号ｎを、下記式（２５）に示すように定義する。

【0195】

【数25】

【0196】

情報処理装置１００は、具体的には、選択主体ｎを分類する潜在クラスを識別する潜在クラスインデックスｋを、下記式（２６）に示すように定義する。ｋは、値が１である場合、特定の選択肢Ｊを認知済みであることを表す潜在クラスを示す。ｋは、値が２である場合、特定の選択肢Ｊを認知済みではないことを表す潜在クラスを示す。

【0197】

【数26】

【0198】

情報処理装置１００は、具体的には、ｋ＝１の場合におけるそれぞれの選択肢を識別する選択肢インデックスを、下記式（２７）に示すように定義する。

【0199】

【数27】

【0200】

情報処理装置１００は、具体的には、ｋ＝２の場合におけるそれぞれの選択肢を識別する選択肢インデックスを、下記式（２８）に示すように定義する。

【0201】

【数28】

【0202】

情報処理装置１００は、具体的には、それぞれの選択主体ｎの選択回数ｔを、下記式（２９）に示すように定義する。

【0203】

【数29】

【0204】

情報処理装置１００は、選択主体ｎが潜在クラスｋに所属するか否かを示す指示変数ｑ_nkを、下記式（３０）および下記式（３１）に示すように定義する。

【0205】

【数30】

【0206】

【数31】

【0207】

情報処理装置１００は、選択主体ｎが選択回数ｔで選択した選択肢ｊを示す指示変数ｙ_njtを、下記式（３２）および下記式（３３）に示すように定義する。

【0208】

【数32】

【0209】

【数33】

【0210】

情報処理装置１００は、選択肢属性ベクトルを、Ｘ_njtと定義する。情報処理装置１００は、連続値の個人属性ベクトルを、Ｓ_cnと定義する。情報処理装置１００は、離散値の個人属性ベクトルを、Ｓ_dnと定義する。情報処理装置１００は、潜在クラスｋのクラス確率の事前確率を、π_kと定義する。情報処理装置１００は、π_kを、下記式（３４）および下記式（３５）に示すように定義する。

【0211】

【数34】

【0212】

【数35】

【0213】

情報処理装置１００は、連続値の個人属性ベクトルＳ_cnの分布を、下記式（３６）に示すように定義する。

【0214】

【数36】

【0215】

情報処理装置１００は、離散値の個人属性ベクトルＳ_dnの分布を、下記式（３７）に示すように定義する。

【0216】

【数37】

【0217】

情報処理装置１００は、潜在クラスｋにおける選択主体ｎの選択回数ｔに対する選択肢ｊの確率効用Ｕ_njt|kを、下記式（３８）に示すように定義する。情報処理装置１００は、下記式（３８）のうち、確定効用Ｖ_njt|kを、下記式（３９）に示すように定義する。β_jkは、潜在クラスｋにおける選択肢ｊの効用関数のパラメータである。効用関数は、例えば、潜在クラスｋ＝１，２で共通であってもよい。

【0218】

【数38】

【0219】

【数39】

【0220】

情報処理装置１００は、クラスｋ＝１における選択主体ｎが選択回数ｔで選択肢ｊを選択する確率ｐ（・）を算出する選択モデルであるクラス１固有選択モデルを、下記式（４０）に示すように定義する。ここでは、潜在クラスｋ＝１の場合のｑ_nkを、「ｑ_nk|k=1」と表記する。

【0221】

【数40】

【0222】

情報処理装置１００は、クラスｋ＝２における選択主体ｎが選択回数ｔで選択肢ｊを選択する確率ｐ（・）を算出する選択モデルであるクラス２固有選択モデルを、下記式（４１）に示すように定義する。ここでは、潜在クラスｋ＝２の場合のｑ_nkを、「ｑ_nk|k=2」と表記する。

【0223】

【数41】

【0224】

次に、図１７の説明に移行し、クラス１固有選択モデルおよびクラス２固有選択モデルに対応するグラフィカルモデル１７００の一例について説明する。グラフィカルモデル１７００は、例えば、複数のノードによって形成される。複数のノードは、例えば、π_kによって定まるｑ_nkを算出するノードと、Ｘ_njtを算出するノードと、ｑ_nkとβ_jkとＸ_njtとによって定まるｙ_njtを算出するノードを含む。複数のノードは、例えば、ｑ_nkとμ_cとΣ_cとによって定まるＳ_cnを算出するノードと、ｑ_nkとμ_dとによって定まるＳ_dnを算出するノードとを含む。

【0225】

情報処理装置１００は、具体的には、徒歩に関する確定効用Ｖ_njt|k＝Ｖ_walkを、上記式（１６）に示すように定義する。Ｖ_walkは、例えば、潜在クラスｋ＝１，２で共通である。情報処理装置１００は、具体的には、自動車に関する確定効用Ｖ_njt|k＝Ｖ_autoを、上記式（１７）に示すように定義する。Ｖ_autoは、例えば、潜在クラスｋ＝１，２で共通である。情報処理装置１００は、具体的には、ｅスクーターに関する確定効用Ｖ_njt|k＝Ｖ_e-scooterを、上記式（１８）に示すように定義する。Ｖ_e-scooterは、例えば、潜在クラスｋ＝１，２で共通である。

【0226】

認知フラグ付与部６０４は、選択履歴データ管理テーブル１６００を参照して、特定の選択肢Ｊを選択した選択履歴データに対して、認知フラグ＝１を付与する。認知フラグ付与部６０４は、選択履歴データ管理テーブル１６００を参照して、特定の選択肢Ｊを選択していない選択履歴データに対して、認知フラグ＝０を付与する。認知フラグ付与部６０４は、選択履歴データ管理テーブル１６００を参照して、特定の選択肢Ｊを選択したことがある選択主体を識別する個人番号を含む選択履歴データに対して、認知フラグ＝１を付与してもよい。認知フラグ付与部６０４は、認知フラグを付与した選択履歴データを、学習用データ生成部６０５に送信する。

【0227】

学習用データ生成部６０５は、学習処理部６０６で利用する学習用データを生成する。学習用データ生成部６０５は、認知フラグが付与された選択履歴データを、認知フラグ付与部６０４から受信する。学習用データ生成部６０５は、受信した選択履歴データのうち、移動手段を表す文字列を当該移動手段に対応する番号に置換し、かつ、個人属性の性別を表す文字列を当該性別に対応する番号に置換した、学習用データを生成する。

【0228】

学習用データ生成部６０５は、生成した学習用データを、図１８を用いて後述する学習用データ管理テーブル１８００に記録する。ここで、図１８の説明に移行し、学習用データ管理テーブル１８００の記憶内容の一例について説明する。学習用データ管理テーブル１８００は、例えば、図３に示した情報処理装置１００のメモリ３０２や記録媒体３０５などの記憶領域により実現される。

【0229】

図１８は、学習用データ管理テーブル１８００の記憶内容の一例を示す。図１８に示すように、学習用データ管理テーブル１８００は、観測番号と、個人番号と、個人属性と、選択肢属性と、選択と、認知フラグとのフィールドを有する。学習用データ管理テーブル１８００は、選択行為ごとに各フィールドに情報を設定することにより、学習用データがレコード１８００－ｆとして記憶される。ｆは、任意の整数である。

【0230】

観測番号のフィールドには、いずれかの選択主体の１回の選択行為を識別する観測番号が設定される。個人番号のフィールドには、上記選択行為を実施した上記いずれかの選択主体を識別する個人番号が設定される。個人属性のフィールドは、例えば、性別と、年齢とのフィールドを有する。性別のフィールドには、上記選択行為を実施した上記いずれかの選択主体の性別を示す番号が設定される。年齢のフィールドには、上記選択行為を実施した上記いずれかの選択主体の年齢が設定される。

【0231】

選択肢属性のフィールドには、選択肢属性が設定される。選択肢属性は、例えば、時間的または金銭的なコストなどである。選択肢属性のフィールドは、例えば、徒歩を示す番号１と、自動車を示す番号２と、ｅスクーターを示す番号３とのフィールドを有する。

【0232】

１のフィールドは、例えば、コストと、所要時間とのフィールドを有する。当該コストのフィールドには、具体的には、選択主体が移動手段として徒歩を選択した場合に発生する金銭的なコストを表す指標値が設定される。当該所要時間のフィールドには、具体的には、選択主体が移動手段として徒歩を選択した場合に発生する時間的なコストを表す所要時間が設定される。

【0233】

【0234】

【0235】

学習処理部６０６は、収束条件を取得する。収束条件は、例えば、対数尤度の差分値が閾値未満であることである。収束条件は、例えば、効用関数のパラメータβ_jkを所定回数学習したことであってもよい。学習処理部６０６は、学習用データ管理テーブル１８００を参照して、学習用データを取得する。学習処理部６０６は、取得した学習用データに基づいて、収束条件を満たすまで、クラス１固有選択モデルおよびクラス２固有選択モデルを規定するパラメータを学習する。学習処理部６０６は、例えば、収束条件を満たすまで、クラス１固有選択モデルおよびクラス２固有選択モデルを規定する、効用関数のパラメータβ_jkを学習する。

【0236】

【0237】

（１８－１）学習処理部６０６は、より具体的には、下記式（４２）および下記式（４３）に従って、特定の選択肢Ｊを選択したことがない選択主体を識別する個人番号を含むそれぞれの学習用データに対応するクラス確率の期待値を設定する。学習処理部６０６は、より具体的には、下記式（４４）に従って、特定の選択肢Ｊを選択したことがある選択主体を識別する個人番号を含むそれぞれの学習用データに対応するクラス確率の期待値を設定する。

【0238】

【数42】

【0239】

【数43】

【0240】

【数44】

【0241】

（１８－２）学習処理部６０６は、より具体的には、下記式（４５）に従って、対数尤度の期待値を算出する。学習処理部６０６は、より具体的には、対数尤度の期待値に基づいて、下記式（４６）～下記式（５０）に従って、効用関数のパラメータβ_kを更新する。学習処理部６０６は、より具体的には、下記式（５１）に従って、クラス確率を更新する。

【0242】

【数45】

【0243】

【数46】

【0244】

【数47】

【0245】

【数48】

【0246】

【数49】

【0247】

【数50】

【0248】

【数51】

【0249】

（１８－３）学習処理部６０６は、より具体的には、収束条件を満たすまで、（１８－１）および（１８－２）に示した処理を繰り返し実施する。これにより、学習処理部６０６は、効用関数のパラメータβ_kと、クラス確率とを適切に更新することができる。このため、学習処理部６０６は、効用関数のパラメータβ_kを参照する選択モデルを適切に学習することができる。学習処理部６０６は、効用関数のパラメータβ_kと、クラス確率とを、記録部６０２に送信する。

【0250】

【0251】

図１９は、第２動作例における情報処理装置１００が選択モデルを利用する第２予測処理を実現する機能的構成の具体例を示す。図１９において、情報処理装置１００は、取得部１９０１と、記録部１９０２と、予測用データ生成部１９０３と、予測処理部１９０４とを含む。

【0252】

取得部１９０１は、いずれかの選択主体の１回の選択行為を識別する予測番号と、当該選択行為の状況におけるそれぞれの選択肢の選択肢属性とを含む予測対象データを取得する。選択行為は、例えば、実施する予定がある選択行為であって、まだ実施されていなくてもよい。予測対象データは、選択主体を識別する個人番号を含む。予測対象データにおける個人番号は、予測対象データにおける個人番号と共通する。予測対象データは、選択主体の特徴を表す個人属性を含む。取得部１９０１は、予測対象データを、記録部１９０２に送信する。

【0253】

記録部１９０２は、予測対象データを、取得部１９０１から受信する。記録部１９０２は、受信した予測対象データを、図２０を用いて後述する予測対象データ管理テーブル２０００に記録する。ここで、図２０の説明に移行し、予測対象データ管理テーブル２０００の記憶内容の一例について説明する。予測対象データ管理テーブル２０００は、例えば、図３に示した情報処理装置１００のメモリ３０２や記録媒体３０５などの記憶領域により実現される。

【0254】

図２０は、予測対象データ管理テーブル２０００の記憶内容の一例を示す。図２０に示すように、予測対象データ管理テーブル２０００は、予測番号と、個人番号と、個人属性と、選択肢属性とのフィールドを有する。予測対象データ管理テーブル２０００は、実施する予定がある選択行為ごとに各フィールドに情報を設定することにより、予測対象データがレコード２０００－ｇとして記憶される。ｇは、任意の整数である。

【0255】

予測番号のフィールドには、いずれかの選択主体の１回の選択行為を識別する予測番号が設定される。個人番号のフィールドには、上記選択行為を実施した上記いずれかの選択主体を識別する個人番号が設定される。個人属性のフィールドは、例えば、性別と、年齢とのフィールドを有する。性別のフィールドには、上記選択行為を実施した上記いずれかの選択主体の性別が設定される。年齢のフィールドには、上記選択行為を実施した上記いずれかの選択主体の年齢が設定される。

【0256】

【0257】

【0258】

【0259】

図１９の説明に戻り、予測用データ生成部１９０３は、予測対象データ管理テーブル２０００を参照して、予測対象データに基づいて、予測処理部１９０４で参照する予測用データを生成する。予測用データ生成部１９０３は、受信した選択履歴データのうち、移動手段を表す文字列を当該移動手段に対応する番号に置換し、かつ、選択主体の性別を表す文字列を当該性別に対応する番号に置換した、予測用データを生成する。

【0260】

予測用データ生成部１９０３は、予測用データに、クラス確率を付与する。予測用データ生成部１９０３は、予測用データに、個人番号が含まれる場合、記録部６０２を利用して、予測用データに、クラス確率として、個人番号に対応する事後確率を付与する。

【0261】

予測用データ生成部１９０３は、記録部６０２を利用して、個人番号に対応する事後確率が存在しないと判定した場合、ベイズの定理に従って、予測用データに、クラス確率を付与する。予測用データ生成部１９０３は、例えば、ベイズの定理に従って、事前確率と、個人属性の分布とに基づいて、事後確率を算出し、予測用データに、クラス確率として付与する。予測用データ生成部１９０３は、予測用データの値を正規化する場合があってもよい。

【0262】

予測用データ生成部１９０３は、生成した予測用データを、図２１を用いて後述する予測用データ管理テーブル２１００に記録する。ここで、図２１の説明に移行し、予測用データ管理テーブル２１００の記憶内容の一例について説明する。予測用データ管理テーブル２１００は、例えば、図３に示した情報処理装置１００のメモリ３０２や記録媒体３０５などの記憶領域により実現される。

【0263】

図２１は、予測用データ管理テーブル２１００の記憶内容の一例を示す。図２１に示すように、予測用データ管理テーブル２１００は、予測番号と、個人番号と、個人属性と、選択肢属性と、クラス確率とのフィールドを有する。予測用データ管理テーブル２１００は、選択行為ごとに各フィールドに情報を設定することにより、予測用データがレコード１２００－ｈとして記憶される。ｈは、任意の整数である。

【0264】

予測番号のフィールドには、いずれかの選択主体の１回の選択行為を識別する予測番号が設定される。個人番号のフィールドには、上記選択行為を実施した上記いずれかの選択主体を識別する個人番号が設定される。個人属性のフィールドは、例えば、性別と、年齢とのフィールドを有する。性別のフィールドには、上記選択行為を実施した上記いずれかの選択主体の性別を示す番号が設定される。年齢のフィールドには、上記選択行為を実施した上記いずれかの選択主体の年齢が設定される。

【0265】

選択肢属性のフィールドには、選択肢属性が設定される。選択肢属性は、例えば、時間的または金銭的なコストなどである。選択肢属性のフィールドは、例えば、徒歩を示す番号１と、自動車を示す番号２と、ｅスクーターを示す番号３とのフィールドを有する。１のフィールドは、例えば、コストと、所要時間とのフィールドを有する。当該コストのフィールドには、具体的には、選択主体が移動手段として徒歩を選択した場合に発生する金銭的なコストを表す指標値が設定される。当該所要時間のフィールドには、具体的には、選択主体が移動手段として徒歩を選択した場合に発生する時間的なコストを表す所要時間が設定される。

【0266】

【0267】

３のフィールドは、例えば、コストと、所要時間とのフィールドを有する。当該コストのフィールドには、具体的には、選択主体が移動手段としてｅスクーターを選択した場合に発生する金銭的なコストを表す指標値が設定される。当該所要時間のフィールドには、具体的には、選択主体が移動手段としてｅスクーターを選択した場合に発生する時間的なコストを表す所要時間が設定される。クラス確率のフィールドには、クラス確率が設定される。

【0268】

図１９の説明に戻り、予測処理部１９０４は、記録部６０２から選択モデルのパラメータを取得する。予測処理部１９０４は、予測用データ管理テーブル２１００を参照して、それぞれの予測用データについて、それぞれの選択肢が選択される選択確率を算出する。

【0269】

予測処理部１９０４は、例えば、予測用データについて、モデル１固有選択モデルを利用して、それぞれの選択肢が選択される第１選択確率を算出する。予測処理部１９０４は、例えば、予測用データについて、モデル２固有選択モデルを利用して、それぞれの選択肢が選択される第２選択確率を算出する。予測処理部１９０４は、例えば、選択肢ごとに、算出した第１選択確率にクラス確率を重みとして乗算した値と、算出した第２選択確率に（１－クラス確率）を重みとして乗算した値との和を、選択確率として算出する。これにより、予測処理部１９０４は、それぞれの選択肢が選択される選択確率を、精度よく算出することができる。

【0270】

予測処理部１９０４は、例えば、算出した選択確率を、記録部１９０２に送信する。記録部１９０２は、予測用データに対応付けて、受信したそれぞれの選択肢が選択される選択確率を記録する。これにより、記録部１９０２は、それぞれの選択肢が選択される選択確率を利用可能にすることができる。

【0271】

第２動作例における情報処理装置１００が選択モデルを学習する第２学習処理を実現し、かつ、選択モデルを利用する第２予測処理を実現する機能的構成の具体例は、図１３に示した機能的構成の具体例と同様であるため、説明を省略する。

【0272】

【0273】

（情報処理装置１００の適用例）
情報処理装置１００は、交通シミュレーションの分野に適用することができる。情報処理装置１００は、例えば、選択主体となる移動者が、どのような移動手段を選択するのかを模擬するシミュレーションを実施することができる。情報処理装置１００は、例えば、シミュレーションにより、渋滞状況、道路課金、移動手段のコストなどの環境の変化により、移動者が選択する移動手段がどのように変化するのかを解析することができる。このため、情報処理装置１００は、例えば、都市政策の検討に資する情報を得ることができる。また、情報処理装置１００は、例えば、経済の分野に適用することができる。情報処理装置１００は、例えば、選択主体となる顧客が、どのような商品を選択するのかを模擬するシミュレーションを実施することができる。

【0274】

（第２学習処理手順）
第２動作例における情報処理装置１００が実行する第２学習処理手順の一例は、具体的には、図２２に示した、第１動作例における情報処理装置１００が実行する第１学習処理手順の一例と同様であるため、説明を省略する。

【0275】

（第２予測処理手順）
次に、図２２を用いて、第２動作例における情報処理装置１００が実行する、第２予測処理手順の一例について説明する。第２予測処理は、例えば、図３に示したＣＰＵ３０１と、メモリ３０２や記録媒体３０５などの記憶領域と、ネットワークＩ／Ｆ３０３とによって実現される。

【0276】

図２２は、第２予測処理手順の一例を示すフローチャートである。図２２において、情報処理装置１００は、予測対象データを取得する（ステップＳ２２０１）。

【0277】

情報処理装置１００は、取得した予測対象データに含まれる個人番号が、クラス確率を算出済みである既存の個人番号であるか否かを判定する（ステップＳ２２０２）。ここで、既存の個人番号である場合（ステップＳ２２０２：Ｙｅｓ）、情報処理装置１００は、ステップＳ２２０３の処理に移行する。一方で、既存の個人番号ではない場合（ステップＳ２２０２：Ｎｏ）、情報処理装置１００は、ステップＳ２２０４の処理に移行する。

【0278】

ステップＳ２２０３では、情報処理装置１００は、対象に対応するクラス確率に算出済みのクラス確率を設定する（ステップＳ２２０３）。そして、情報処理装置１００は、ステップＳ２２０５の処理に移行する。

【0279】

ステップＳ２２０４では、情報処理装置１００は、事前確率と属性値とに基づいて事後確率を算出し、対象に対応するクラス確率に事後確率を設定する（ステップＳ２２０４）。そして、情報処理装置１００は、ステップＳ２２０５の処理に移行する。

【0280】

ステップＳ２２０５では、情報処理装置１００は、設定したクラス確率に基づいて、それぞれの選択肢の選択確率を算出する（ステップＳ２２０５）。情報処理装置１００は、第２予測処理を終了する。

【0281】

以上説明したように、情報処理装置１００によれば、複数の選択肢のうち、過去に選択された選択肢をそれぞれ表す複数の記録を取得することができる。情報処理装置１００によれば、複数の記録のうち、第１の選択肢を認知済みの選択主体に対応する１以上の記録を特定することができる。情報処理装置１００によれば、特定した１以上の記録のそれぞれの記録に対して、第１の選択肢を認知済みの第１のクラスに選択主体が所属する確率の期待値として、確定的に所属することを表す第１の値を設定することができる。情報処理装置１００によれば、第１のクラスに選択主体が所属する確率の基準値と、複数の選択肢のそれぞれの選択肢の効果を表す数式とを記憶することができる。情報処理装置１００によれば、基準値と、数式とに基づいて、特定した１以上の記録とは異なる残余の記録のそれぞれの記録に対して、第１のクラスに選択主体が所属する確率の期待値として、確率的に所属することを表す第２の値を設定することができる。情報処理装置１００によれば、取得した複数の記録のそれぞれの記録と、期待値とに基づいて、基準値と、数式に含まれるパラメータとを学習することができる。これにより、情報処理装置１００は、基準値と、数式に含まれるパラメータとを精度よく学習することができる。このため、情報処理装置１００は、数式を利用して、選択主体が選択する選択肢を精度よく推定するモデルを学習し易くすることができる。

【0282】

情報処理装置１００によれば、基準値と、数式のパラメータとを学習することにより、それぞれの選択肢に関する特徴量が入力されたことに応じて数式を利用して複数の選択肢のそれぞれの選択肢が選択される確率を推定するモデルを学習することができる。これにより、情報処理装置１００は、選択主体が選択する選択肢を精度よく推定するモデルを学習することができる。

【0283】

情報処理装置１００によれば、基準値と、数式のパラメータとを学習することにより、選択主体が第１のクラスに所属する場合に対して、第１のモデルを学習することができる。情報処理装置１００によれば、選択主体が第１のクラスに所属しない場合に対して、第２のモデルを学習することができる。これにより、情報処理装置１００は、選択主体が第１のクラスに所属するか否かに応じて異なるモデルを学習することができる。情報処理装置１００は、モデルを使い分けることにより、選択主体が選択する選択肢を精度よく推定可能にすることができる。

【0284】

情報処理装置１００によれば、第１の選択肢を表す１以上の記録のそれぞれの記録に対して、期待値として、確定的に所属することを表す第１の値を設定することができる。これにより、情報処理装置１００は、第１の選択肢を認知済みの選択主体に対応すると確定した記録に対して、確定的に所属することを表す第１の値を設定することができる。このため、情報処理装置１００は、第１の選択肢を認知済みの選択主体がどのような選択肢を選択するのかを、モデルに反映し易くすることができる。

【0285】

情報処理装置１００によれば、第１の選択肢を表す記録と同一または類似の属性値を有する１以上の記録のそれぞれの記録に対して、期待値として、確定的に所属することを表す第１の値を設定することができる。これにより、情報処理装置１００は、第１の選択肢を認知済みである可能性が比較的大きい選択主体に対応する記録に対して、確定的に所属することを表す第１の値を設定することができる。このため、情報処理装置１００は、第１の選択肢を認知済みの選択主体がどのような選択肢を選択するのかを、モデルに反映し易くすることができる。

【0286】

情報処理装置１００によれば、選択主体が第１のクラスに所属する場合における、複数の選択肢のそれぞれの選択肢の効果を表す数式を記憶することができる。情報処理装置１００によれば、選択主体が第１のクラスに所属しない場合における、複数の選択肢のうち、第１の選択肢とは異なる残余の選択肢のそれぞれの選択肢の効果を表す数式を記憶することができる。これにより、情報処理装置１００は、選択主体が第１の選択肢を認知済みであるか否かを考慮した数式を利用可能にすることができる。

【0287】

情報処理装置１００によれば、残余の記録のそれぞれの記録と第１の選択肢を表す記録との類似度を記憶することができる。情報処理装置１００によれば、残余の記録のそれぞれの記録に対して、第１の選択肢を表す記録との類似度が大きいほど、期待値が大きくなるよう、期待値として、確率的に所属することを表す第２の値を設定することができる。これにより、情報処理装置１００は、類似度に基づいて、期待値を調整することができ、選択主体が選択する選択肢を精度よく推定するモデルを学習し易くすることができる。

【0288】

情報処理装置１００によれば、それぞれ移動手段を表す複数の選択肢を処理対象とすることができる。これにより、情報処理装置１００は、選択主体が、どのような移動手段を選択するのかを精度よく推定し易くすることができる。

【0289】

なお、本実施の形態で説明した情報処理方法は、予め用意されたプログラムをＰＣやワークステーションなどのコンピュータで実行することにより実現することができる。本実施の形態で説明した情報処理プログラムは、コンピュータで読み取り可能な記録媒体に記録され、コンピュータによって記録媒体から読み出されることによって実行される。記録媒体は、ハードディスク、フレキシブルディスク、ＣＤ（ＣｏｍｐａｃｔＤｉｓｃ）－ＲＯＭ、ＭＯ（ＭａｇｎｅｔｏＯｐｔｉｃａｌｄｉｓｃ）、ＤＶＤ（ＤｉｇｉｔａｌＶｅｒｓａｔｉｌｅＤｉｓｃ）などである。また、本実施の形態で説明した情報処理プログラムは、インターネットなどのネットワークを介して配布してもよい。

【0290】

上述した実施の形態に関し、さらに以下の付記を開示する。

【0291】

（付記１）複数の選択肢のうち、過去に選択された選択肢をそれぞれ表す複数の記録を取得し、
取得した前記複数の記録のうち、第１の選択肢を認知済みの選択主体に対応する１以上の記録のそれぞれの記録に対して、前記第１の選択肢を認知済みの第１のクラスに選択主体が所属する確率の期待値として、確定的に所属することを表す第１の値を設定し、
前記第１のクラスに選択主体が所属する確率の基準値と、前記複数の選択肢のそれぞれの選択肢の効果を表す数式とに基づいて、取得した前記複数の記録のうち、前記１以上の記録とは異なる残余の記録のそれぞれの記録に対して、前記期待値として、確率的に所属することを表す第２の値を設定し、
取得した前記複数の記録のそれぞれの記録と、取得した前記複数の記録のそれぞれの記録に対して設定した前記期待値とに基づいて、前記基準値と、前記数式に含まれるパラメータとを学習する、
処理をコンピュータが実行することを特徴とする情報処理方法。

【0292】

（付記２）前記学習する処理は、
前記基準値と、前記数式のパラメータとを学習することにより、前記複数の選択肢のそれぞれの選択肢に関する特徴量が入力されたことに応じて前記数式を利用して前記複数の選択肢のそれぞれの選択肢が選択される確率を推定するモデルを学習する、ことを特徴とする付記１に記載の情報処理方法。

【0293】

（付記３）前記学習する処理は、
前記基準値と、前記数式のパラメータとを学習することにより、選択主体が前記第１のクラスに所属する場合に対して、前記複数の選択肢のそれぞれの選択肢に関する特徴量が入力されたことに応じて前記数式を利用して前記複数の選択肢のそれぞれの選択肢が選択される確率を推定する第１のモデルと、選択主体が前記第１のクラスに所属しない場合に対して、前記複数の選択肢のうち、前記第１の選択肢とは異なる残余の選択肢のそれぞれの選択肢に関する特徴量が入力されたことに応じて前記数式を利用して前記残余の選択肢のそれぞれの選択肢が選択される確率を推定する第２のモデルとを学習する、ことを特徴とする付記２に記載の情報処理方法。

【0294】

（付記４）前記第１の値を設定する処理は、
前記第１の選択肢を表す１以上の記録のそれぞれの記録に対して、前記期待値として、確定的に所属することを表す第１の値を設定する、ことを特徴とする付記１または２に記載の情報処理方法。

【0295】

（付記５）前記複数の記録は、それぞれ、選択主体の属性値を含み、
前記第１の値を設定する処理は、
前記第１の選択肢を表す記録と同一または類似の属性値を有する１以上の記録のそれぞれの記録に対して、前記期待値として、確定的に所属することを表す第１の値を設定する、ことを特徴とする付記１または２に記載の情報処理方法。

【0296】

（付記６）前記第２の値を設定する処理は、
前記基準値と、選択主体が前記第１のクラスに所属する場合における、前記複数の選択肢のそれぞれの選択肢の効果を表す数式と、選択主体が前記第１のクラスに所属しない場合における、前記複数の選択肢のうち、前記第１の選択肢とは異なる残余の選択肢のそれぞれの選択肢の効果を表す数式とに基づいて、前記残余の記録のそれぞれの記録に対して、前記期待値として、確率的に所属することを表す第２の値を設定する、ことを特徴とする付記１または２に記載の情報処理方法。

【0297】

（付記７）前記第２の値を設定する処理は、
前記基準値と、前記複数の選択肢のそれぞれの選択肢の効果を表す数式と、前記残余の記録のそれぞれの記録と前記第１の選択肢を表す記録との類似度とに基づいて、前記残余の記録のそれぞれの記録に対して、前記第１の選択肢を表す記録との類似度が大きいほど、前記期待値が大きくなるよう、前記期待値として、確率的に所属することを表す第２の値を設定する、ことを特徴とする付記１または２に記載の情報処理方法。

【0298】

（付記８）前記複数の選択肢は、それぞれ、移動手段を表す選択肢である、ことを特徴とする付記１～７のいずれか一つに記載の情報処理方法。

【0299】

（付記９）複数の選択肢のうち、過去に選択された選択肢をそれぞれ表す複数の記録を取得し、
取得した前記複数の記録のうち、第１の選択肢を認知済みの選択主体に対応する１以上の記録のそれぞれの記録に対して、前記第１の選択肢を認知済みの第１のクラスに選択主体が所属する確率の期待値として、確定的に所属することを表す第１の値を設定し、
前記第１のクラスに選択主体が所属する確率の基準値と、前記複数の選択肢のそれぞれの選択肢の効果を表す数式とに基づいて、取得した前記複数の記録のうち、前記１以上の記録とは異なる残余の記録のそれぞれの記録に対して、前記期待値として、確率的に所属することを表す第２の値を設定し、
取得した前記複数の記録のそれぞれの記録と、取得した前記複数の記録のそれぞれの記録に対して設定した前記期待値とに基づいて、前記基準値と、前記数式に含まれるパラメータとを学習する、
処理をコンピュータに実行させることを特徴とする情報処理プログラム。

【符号の説明】

【0300】

１００情報処理装置
１１０選択肢
１１１第１の選択肢
１２０記録
１３０第１のクラス
５０１，５０２クラス
２００情報処理システム
２０１クライアント装置
２１０ネットワーク
３００バス
３０１ＣＰＵ
３０２メモリ
３０３ネットワークＩ／Ｆ
３０４記録媒体Ｉ／Ｆ
３０５記録媒体
４００記憶部
４０１，６０１，１００１，１３０１，１９０１取得部
４０２第１設定部
４０３第２設定部
４０４学習部
４０５予測部
４０６出力部
５１１，５１２選択モデル
６０２，１００２，１３０２，１９０２記録部
６０３，１３０３モデル設定部
６０４，１３０４認知フラグ付与部
６０５，１３０５学習用データ生成部
６０６，１３０６学習処理部
７００，１６００選択履歴データ管理テーブル
８００，１７００グラフィカルモデル
９００，１８００学習用データ管理テーブル
１００３，１００３，１３０７，１９０３予測用データ生成部
１００４，１３０８，１９０４予測処理部
１１００，２０００予測対象データ管理テーブル
１２００，２１００予測用データ管理テーブル

【図1】