特開 2024-34520 情報処理方法、情報処理装置およびプログラム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】P2024034520

(43)【公開日】2024-03-13

(54)【発明の名称】情報処理方法、情報処理装置およびプログラム

(51)【国際特許分類】

   G06Q 10/04 20230101AFI20240306BHJP

【ＦＩ】

G06Q10/04

【審査請求】未請求

【請求項の数】12

【出願形態】ＯＬ

(21)【出願番号】P 2022138787

(22)【出願日】2022-08-31

(71)【出願人】

【識別番号】306037311

【氏名又は名称】富士フイルム株式会社

(74)【代理人】

【識別番号】100083116

【弁理士】

【氏名又は名称】松浦 憲三

(74)【代理人】

【識別番号】100170069

【弁理士】

【氏名又は名称】大原 一樹

(74)【代理人】

【識別番号】100128635

【弁理士】

【氏名又は名称】松村 潔

(74)【代理人】

【識別番号】100140992

【弁理士】

【氏名又は名称】松浦 憲政

(72)【発明者】

【氏名】佐藤 政寛

(72)【発明者】

【氏名】谷口 友紀

(72)【発明者】

【氏名】大熊 智子

【テーマコード（参考）】

5L049

【Ｆターム（参考）】

5L049AA04

(57)【要約】

【課題】モデルを学習する段階において導入先の施設のドメインが不明な場合であっても、未知の導入先の施設に対して高性能なモデルを用意することができる情報処理方法、情報処理装置およびプログラムを提供する。
【解決手段】複数のユーザーと複数のアイテムとのそれぞれの組み合わせに対してユーザーのアイテムに対する行動が示されたデータセットをドメインシフトにロバストな複数のサブグループに分割することと、サブグループごとにユーザーのアイテムに対する行動予測を行うローカルモデルを生成することと、サブグループごとに生成された複数のローカルモデルを結合することと、を含む情報処理方法。
【選択図】図２０

【特許請求の範囲】

【請求項1】

１つ以上のプロセッサが実行する情報処理方法であって、
前記１つ以上の前記プロセッサが、
複数のユーザーと複数のアイテムとのそれぞれの組み合わせに対してユーザーのアイテムに対する行動が示されたデータセットをドメインシフトにロバストな複数のサブグループに分割することと、
前記サブグループごとにユーザーのアイテムに対する行動予測を行うローカルモデルを生成することと、
前記サブグループごとに生成された複数の前記ローカルモデルを結合することと、
を含む情報処理方法。

【請求項2】

前記データセットは、複数のユーザーと複数のアイテムと複数のコンテキストとのそれぞれの組み合わせに対してユーザーのアイテムに対する行動が示される、
請求項１に記載の情報処理方法。

【請求項3】

前記１つ以上の前記プロセッサが、前記ユーザーの属性データ、前記アイテムの属性データ、および前記コンテキストの属性データのうちの少なくとも１つをもとに前記データセットを分割すること、
を含む請求項２に記載の情報処理方法。

【請求項4】

前記１つ以上の前記プロセッサが、
複数の前記ローカルモデルを結合したモデルのドメインシフトに対するロバスト性を評価することと、
前記評価の結果が基準を満たしている場合に前記サブグループの分割を採用することと、
を含む請求項１に記載の情報処理方法。

【請求項5】

前記１つ以上の前記プロセッサが、前記データセットのドメインと前記評価に用いる前記データセットのドメインとの間で確率分布の相違が相対的に大きい属性データを用いて複数の前記サブグループに分割すること、
を含む請求項４に記載の情報処理方法。

【請求項6】

前記１つ以上の前記プロセッサが、各ユーザーが少なくとも１つ以上の前記サブグループに属した複数の前記サブグループに分割すること、
を含む請求項１に記載の情報処理方法。

【請求項7】

前記１つ以上の前記プロセッサが、各ユーザーが少なくとも一定数以上のアイテムを属した複数の前記サブグループに分割すること、
を含む請求項１に記載の情報処理方法。

【請求項8】

前記１つ以上の前記プロセッサが、前記サブグループごとにそれぞれ異なる種類の前記ローカルモデルを生成すること、
を含む請求項１に記載の情報処理方法。

【請求項9】

前記１つ以上の前記プロセッサが、
前記データセットのうち前記サブグループより広い範囲のデータをもとに事前学習モデルを生成することと、
前記事前学習モデルを初期パラメータとして前記ローカルモデルを生成することと、
を含む請求項１から８のいずれか１項に記載の情報処理方法。

【請求項10】

前記１つ以上の前記プロセッサが、複数の前記ローカルモデルを結合したモデルによってユーザーに対して推薦するアイテムリストを出力すること、
を含む請求項１に記載の情報処理方法。

【請求項11】

１つ以上のプロセッサと、
前記１つ以上の前記プロセッサに実行させる命令が記憶される１つ以上のメモリと、を備える情報処理装置であって、
前記１つ以上の前記プロセッサは、
複数のユーザーと複数のアイテムとのそれぞれの組み合わせに対してユーザーのアイテムに対する行動が示されたデータセットをドメインシフトにロバストな複数のサブグループに分割し、
前記サブグループごとにユーザーのアイテムに対する行動予測を行うローカルモデルを生成し、
前記サブグループごとに生成された複数の前記ローカルモデルを結合する、
情報処理装置。

【請求項12】

コンピュータに、
複数のユーザーと複数のアイテムとのそれぞれの組み合わせに対してユーザーのアイテムに対する行動が示されたデータセットをドメインシフトにロバストな複数のサブグループに分割する機能と、
前記サブグループごとにユーザーのアイテムに対する行動予測を行うローカルモデルを生成する機能と、
前記サブグループごとに生成された複数の前記ローカルモデルを結合する機能と、
を実現させるプログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本開示は、情報処理方法、情報処理装置およびプログラムに係り、特に、ドメインシフトにロバストな推薦を行う情報推薦技術に関する。

【背景技術】

【0002】

多くのアイテムの中からユーザーが自分に合ったベストなものを選ぶことは、時間的にも認知能力的にも難しい。たとえばＥＣ（Electronic Commerce）サイトのユーザーであれば、アイテムはＥＣサイトで扱っている商品であり、文書情報管理システムのユーザーであればアイテムは格納されている文書情報である。そこでユーザーの選択を補助するために、アイテムの中から選択候補を提示する技術である情報推薦技術が研究されている。

【0003】

一般に、推薦システムは導入先の施設で収集したデータをもとに学習する。しかしながら、学習データと異なる施設に推薦システムを導入すると、モデルの予測精度が低下してしまう問題がある。未知の他施設では機械学習モデルがうまく機能しない問題はドメインシフトとよばれ、ドメインシフトに対するロバスト性向上の研究であるdomain generalizationが近年画像認識を中心に研究が活発化している。しかしながら、情報推薦技術においてdomain generalizationはまだ研究事例がない。

【0004】

モデル学習時に導入先施設のデータが得られない場合も、導入時に導入先施設で収集されたデータがあれば、そのデータでモデルを評価してベストなモデルを選択することができる。しかし導入時にも導入先施設のデータがない場合、またはデータがあってもアクセスできない場合には、複数モデルから選択することはできない。

【0005】

非特許文献１には、ユーザーを複数のサブグループに分割し、サブグループごとに協調フィルタリング（部分モデル）による予測を行うことで、推薦時の計算コストを低減する技術が記載されている。

【0006】

非特許文献２には、ユーザーとアイテムのペアを複数のサブグループに分割し、サブグループごとに協調フィルタリング（部分モデル）による予測を行い、これにより計算コスト低減と予測精度向上とをする技術が記載されている。

【0007】

しかしながら、非特許文献１および非特許文献２は、いずれもドメイン汎化性を目指した手法ではないため、サブグループはドメイン汎化性を考慮せずに構築しており、各部分モデルがドメインシフトに対してロバストでない。

【0008】

特許文献１には、医療情報を想定した技術であって、各施設で疑似的なデータ（プロキシデータ）を生成してグローバルサーバーに共有する技術が記載されている。この技術によれば、秘匿性の高い実データ（プライベートデータ）を共有することなく、グローバルモデルを学習できることができる。

【0009】

特許文献２には、推薦システムを想定した技術であって、複数施設のデータを用いて特徴量選択を行う技術が記載されている。この技術は、施設間で共通のユーザーサンプルのデータをもとにツリーモデル（XGBoostなど）の特徴量重要度を用いている。

【先行技術文献】

【特許文献】

【0010】

【特許文献1】特表２０１９－５２６８５１号公報

【特許文献2】特開２０２１－１２１９２２号公報

【非特許文献】

【0011】

【非特許文献1】Badrul Sarwar, George Karypis, Joseph Konstan, and John Riedl, "Recommender Systems for Large-Scale E-Commerce Scalable Neighborhood Formation Using Clustering "(2002 ICCIT)

【非特許文献2】Bin Xu, Jiajun Bu, Chun Chen, Deng Cai, "An exploration of improving collaborative recommender systems via user-item subgroups "(2012 WWW)

【非特許文献3】Ivan Cantador, Ignacio Fenandez-Tobias, Shlomo Bwrkovsky, Paolo Cremonesi, Chapter 27:"Cross-domain Recommender System"(2015 Springer)

【発明の概要】

【発明が解決しようとする課題】

【0012】

しかしながら、特許文献１および特許文献２に記載の技術では、各施設のモデルはドメイン汎化性がなく、未知の他施設に対するロバスト性が担保できない。このように、学習ドメインと導入先ドメインとが異なる場合には、ドメインシフトにロバストな情報を推薦することができないという問題点があった。

【0013】

本発明はこのような事情に鑑みてなされたもので、モデルを学習する段階において導入先の施設のドメインが不明な場合であっても、未知の導入先の施設に対して高性能なモデルを用意することができる情報処理方法、情報処理装置およびプログラムを提供することを目的とする。

【課題を解決するための手段】

【0014】

上記目的を達成するために、本開示の第１態様に係る情報処理方法は、１つ以上のプロセッサが実行する情報処理方法であって、１つ以上のプロセッサが、複数のユーザーと複数のアイテムとのそれぞれの組み合わせに対してユーザーのアイテムに対する行動が示されたデータセットをドメインシフトにロバストな複数のサブグループに分割することと、サブグループごとにユーザーのアイテムに対する行動予測を行うローカルモデルを生成することと、サブグループごとに生成された複数のローカルモデルを結合することと、を含む。

【0015】

本態様によれば、ドメインシフトにロバストなサブグループのローカルモデルが生成されるので、複数のローカルモデルを結合することで、モデルを学習する段階において導入先の施設のドメインが不明な場合であっても、未知の導入先の施設に対して高性能なモデルを用意することが可能になる。

【0016】

第１態様に係る情報処理方法において、サブグループから生成されたローカルモデルがドメインシフトにロバストである場合、そのサブグループはドメインシフトにロバストである。第１態様に係る情報処理方法において、ドメインシフトにロバストな複数のサブグループに分割するとは、サブグループに分割する際にそのサブグループがドメインシフトにロバストであることを意図した場合に限定されず、分割したサブグループが結果としてドメインシフトにロバストであった場合を含む。

【0017】

第１態様に係る情報処理方法において、データセットは、単一の施設において収集されたユーザーのアイテムに対する行動のデータから生成されたものであってもよい。また、第１態様に係る情報処理方法において、１つ以上のプロセッサが、ユーザーの属性データ、およびアイテムの属性データのうちの少なくとも一方をもとにデータセットを分割してもよい。

【0018】

本開示の情報処理方法は、情報推薦を行うシステムに適用されるモデルを生成するための機械学習方法として理解することができる。また、本開示の情報処理方法は、モデルを生産する方法（製造方法）として理解することができる。

【0019】

本開示の第２態様に係る情報処理方法は、第１態様に係る情報処理方法において、データセットは、複数のユーザーと複数のアイテムと複数のコンテキストとのそれぞれの組み合わせに対してユーザーのアイテムに対する行動が示されてもよい。

【0020】

本開示の第３態様に係る情報処理方法は、第１態様から第２態様に係る情報処理方法において、１つ以上のプロセッサが、ユーザーの属性データ、アイテムの属性データ、およびコンテキストの属性データのうちの少なくとも１つをもとにデータセットを分割してもよい。例えば、１つ以上のプロセッサが、同一のユーザーの属性データを有するユーザーからなるサブグループに分割してもよい。１つ以上のプロセッサが、同一のユーザーの属性データを有するユーザーからなるサブグループであって、かつ同一のアイテムの属性データを有するアイテムからなるサブグループに分割してもよい。１つ以上のプロセッサが、同一のユーザーの属性データを有するユーザーからなるサブグループであり、かつ同一のアイテムの属性データを有するアイテムからなるサブグループであり、かつ同一のコンテキストの属性データを有するコンテキストからなるサブグループに分割してもよい。同一の属性データをもとにデータセットを分割する場合に限定されず、同一または近似する属性データをもとにデータセットを分割してもよい。

【0021】

本開示の第４態様に係る情報処理方法は、第１態様から第４態様のいずれか１つの態様に係る情報処理方法において、１つ以上のプロセッサが、複数のローカルモデルを結合したモデルのドメインシフトに対するロバスト性を評価することと、評価の結果が基準を満たしている場合にサブグループの分割を採用することと、を含んでもよい。モデルのドメインシフトに対するロバスト性の評価の結果が基準を満たしている場合、分割された複数のサブグループはドメインシフトにロバストである。

【0022】

本開示の第５態様に係る情報処理方法は、第４態様に係る情報処理方法において、１つ以上のプロセッサが、データセットのドメインと評価に用いるデータセットのドメインとの間で確率分布の相違が相対的に大きい属性データを用いて複数のサブグループに分割することを含んでもよい。確率分布の相違が相対的に大きい属性データを用いてデータセットを複数のサブグループに分割することで、ドメインシフトにロバストな複数のサブグループに分割することができる。

【0023】

本開示の第６態様に係る情報処理方法は、第１態様から第５態様のいずれか１つの態様に係る情報処理方法において、１つ以上のプロセッサが、各ユーザーが少なくとも１つ以上のサブグループに属した複数のサブグループに分割することを含んでもよい。

【0024】

本開示の第７態様に係る情報処理方法は、第１態様から第６態様のいずれか１つの態様に係る情報処理方法において、１つ以上のプロセッサが、各ユーザーが少なくとも一定数以上のアイテムを属した複数のサブグループに分割することを含んでもよい。一定数以上のアイテムとは、全アイテムに対して一定割合以上のアイテムという概念を含んでもよい。

【0025】

本開示の第８態様に係る情報処理方法は、第１態様から第７態様のいずれか１つの態様に係る情報処理方法において、１つ以上のプロセッサが、サブグループごとにそれぞれ異なる種類のローカルモデルを生成することを含んでもよい。

【0026】

本開示の第９態様に係る情報処理方法は、第１態様から第８態様のいずれか１つの態様に係る情報処理方法において、１つ以上のプロセッサが、データセットのうちサブグループより広い範囲のデータをもとに事前学習モデルを生成することと、事前学習モデルを初期パラメータとしてローカルモデルを生成することと、を含んでもよい。

【0027】

本開示の第１０態様に係る情報処理方法は、第１態様から第９態様のいずれか１つの態様に係る情報処理方法において、１つ以上のプロセッサが、複数のローカルモデルを結合したモデルによってユーザーに対して推薦するアイテムリストを出力することを含んでもよい。

【0028】

上記目的を達成するために、本開示の第１１態様に係る情報処理装置は、１つ以上のプロセッサと、１つ以上のプロセッサに実行させる命令が記憶される１つ以上のメモリと、を備える情報処理装置であって、１つ以上のプロセッサは、複数のユーザーと複数のアイテムとのそれぞれの組み合わせに対してユーザーのアイテムに対する行動が示されたデータセットをドメインシフトにロバストな複数のサブグループに分割し、サブグループごとにユーザーのアイテムに対する行動予測を行うローカルモデルを生成し、サブグループごとに生成された複数のローカルモデルを結合する。

【0029】

第１１態様の情報処理装置において、上述した情報処理方法と同様の具体的態様を含む構成とすることができる。

【0030】

上記目的を達成するために、本開示の第１２態様に係るプログラムは、コンピュータに、複数のユーザーと複数のアイテムとのそれぞれの組み合わせに対してユーザーのアイテムに対する行動が示されたデータセットをドメインシフトにロバストな複数のサブグループに分割する機能と、サブグループごとにユーザーのアイテムに対する行動予測を行うローカルモデルを生成する機能と、サブグループごとに生成された複数のローカルモデルを結合する機能と、を実現させる。

【0031】

第１２態様のプログラムにおいて、上述した情報処理方法と同様の具体的態様を含む構成とすることができる。

【0032】

上記目的を達成するために、本開示の他の態様に係る情報処理方法は、１つ以上のプロセッサが実行する情報処理方法であって、１つ以上のプロセッサが、複数のユーザーと複数のアイテムとのそれぞれの組み合わせに対してユーザーのアイテムに対する行動が示されたデータセットを複数のサブグループに分割することと、サブグループごとにユーザーのアイテムに対する行動予測を行うローカルモデルを生成することと、サブグループごとに生成された複数のローカルモデルを結合することと、複数のローカルモデルのドメインシフトに対するロバスト性を評価することと、評価の結果が基準を満たしている場合にサブグループの分割を採用することと、を含む。

【0033】

本態様によれば、ドメインシフトにロバストなサブグループのローカルモデルが生成されるので、複数のローカルモデルを結合することで、モデルを学習する段階において導入先の施設のドメインが不明な場合であっても、未知の導入先の施設に対して高性能なモデルを用意することが可能になる。

【発明の効果】

【0034】

本開示によれば、モデルを学習する段階において導入先の施設のドメインが不明な場合であっても、多様な施設に対応可能な複数のモデルを生成することが可能であり、未知の導入先の施設に対して高性能なモデルを用意することができる。

【図面の簡単な説明】

【0035】

【図1】図１は、典型的な推薦システムの概念図である。

【図2】図２は、推薦システムの構築に広く用いられている教師あり機械学習の例を示す概念図である。

【図3】図３は、推薦システムの典型的な導入フローを示す説明図である。

【図4】図４は、導入先の施設のデータが得られない場合における推薦システムの導入フローの説明図である。

【図5】図５は、ドメイン適応によるモデルの学習を行う場合の説明図である。

【図6】図６は、学習したモデルの性能を評価するステップを含む推薦システム導入フローの説明図である。

【図7】図７は、機械学習に用いる学習用データと評価用データの例を示す説明図である。

【図8】図８は、データセットの違いによるモデルの性能の違いを模式的に示すグラフである。

【図9】図９は、学習ドメインと導入先ドメインとが異なる場合の推薦システム導入フローの例を示す説明図である。

【図10】図１０は、導入先施設のデータがない場合の課題を示す説明図である。

【図11】図１１は、データセットを示す図である。

【図12】図１２は、連合学習におけるローカルモデルを説明するための図である。

【図13】図１３は、連合学習におけるローカルモデルを説明するための図である。

【図14】図１４は、本開示におけるローカルモデルを説明するためのデータセットの図である。

【図15】図１５は、本開示におけるローカルモデルを説明するためのデータセットの図である。

【図16】図１６は、情報処理装置のハードウェア構成の例を概略的に示すブロック図である。

【図17】図１７は、情報処理装置の機能的構成を示す機能ブロック図である。

【図18】図１８は、行動履歴のデータの例を示す図表である。

【図19】図１９は、サブグループの分割を説明するための図である。

【図20】図２０は、実施形態１に係る情報推薦フローを示す説明図である。

【図21】図２１は、ユーザーとアイテムとコンテキストとの組み合わせのデータセットを説明するための図である。

【図22】図２２は、実施形態３に係るサブグループ分割フローを示す説明図である。

【図23】図２３は、実施形態３に係るサブグループ分割フローを示す説明図である。

【図24】図２４は、サブグループ分割の一例を示す図である。

【図25】図２５は、実施形態４に係るサブグループ分割フローを示す説明図である。

【図26】図２６は、サブグループ分割する属性について説明するための図である。

【図27】図２７は、サブグループごとのローカルモデルについて説明するための図である。

【図28】図２８は、実施形態７に係る学習フローを示す説明図である。

【発明を実施するための形態】

【0036】

以下、添付図面に従って本発明の好ましい実施形態について説明する。

【0037】

《情報推薦技術の概説》
はじめに、情報推薦技術の概要と課題について具体例を示して概説する。情報推薦技術は、ユーザーに対してアイテムを推薦（サジェスト）するための技術である。

【0038】

図１は、典型的な推薦システム１０の概念図である。推薦システム１０は、ユーザーの情報と、コンテキストの情報とを入力として受け付け、コンテキストに応じて当該ユーザーに推薦するアイテムの情報を出力する。コンテキストは、様々な「状況」を意味し、例えば、曜日、時間帯、または天気などがあり得る。アイテムは、例えば、本、動画、飲食店など、様々な対象があり得る。

【0039】

推薦システム１０は、複数のアイテムを同時に推薦するのが一般的である。図１では、推薦システム１０が３つのアイテムＩＴ１、ＩＴ２、ＩＴ３を推薦する例が示されている。推薦したアイテムＩＴ１、ＩＴ２、ＩＴ３に対してユーザーがポジティブな反応をすると、一般に推薦は成功したとみなされる。ポジティブな反応とは、例えば、購入、視聴、または訪問などである。このような推薦技術は、例えば、ＥＣサイトおよび飲食店を紹介するグルメサイトなどにおいて広く活用されている。

【0040】

推薦システム１０は、機械学習の技術を用いて構築される。図２は、推薦システム１０の構築に広く用いられている教師あり機械学習の例を示す概念図である。一般には、過去のユーザーの行動履歴を基に正例および負例を用意して、ユーザーとコンテキストとの組み合わせを予測モデル１２に入力し、予測誤差が小さくなるように予測モデル１２を訓練する。例えば、ユーザーが閲覧した閲覧アイテムを正例、閲覧しなかった非閲覧アイテムを負例とする。予測誤差が収束するまで機械学習が行われ、目標とする予測性能が獲得される。

【0041】

こうして訓練された学習済み（訓練済み）の予測モデル１２を用いて、ユーザーとコンテキストの組合せに対して予測される閲覧確率が高いアイテムを推薦する。例えば、学習済みの予測モデル１２に対し、あるユーザーＡとコンテキストβとの組合せを入力すると、予測モデル１２は、ユーザーＡがコンテキストβの条件の下でアイテムＩＴ３のような文書を閲覧する確率が高いと推論し、当該ユーザーＡに対してアイテムＩＴ３に近いアイテムを推薦する。なお、推薦システム１０の構成によっては、コンテキストを考慮せずにユーザーに対してアイテムを推薦することも多い。

【0042】

〔推薦システムの開発に用いるデータの例〕
ユーザーの行動履歴は、機械学習における「正解データ」と略等しいものである。厳密には、過去の行動履歴から次の（未知の）行動を推論するというタスク設定と理解されるが、過去の行動履歴を基に潜在的な特徴量を学習するのが一般的である。

【0043】

ユーザーの行動履歴としては、例えば、本の購入履歴、動画の視聴履歴、または飲食店の訪問履歴などがあり得る。

【0044】

また、主要な特徴量としては、ユーザー属性と、アイテム属性とがある。ユーザー属性は、例えば、性別、年代、職業、家族構成、および居住エリアなど、様々な要素があり得る。アイテム属性は、例えば、本のジャンル、値段、動画のジャンル、長さ、飲食店のジャンル、場所など様々な要素があり得る。

【0045】

〔モデルの構築と運用〕
図３は、推薦システムの典型的な導入フローを示す説明図である。ここでは、ある施設に推薦システムを導入する際の典型的なフローを示す。推薦システムの導入は、まず、目的の推薦タスクを行うモデル１４を構築し（ステップ１）、その後、構築したモデル１４を導入して運用する（ステップ２）。モデル１４を「構築する」とは、機械学習モデルの場合、学習（訓練）用のデータを用いてモデル１４の学習を行い、実用レベルの推薦性能を満たす予測モデル（推薦モデル）を作成することを含む。モデル１４を「運用する」とは、例えば、ユーザーとコンテキストとの組合せの入力に対して、学習済みのモデル１４から推薦アイテムリストの出力を得ることである。

【0046】

モデル１４の構築には、学習用のデータが必要である。図３に示すように、一般に推薦システムのモデル１４は、導入先の施設で収集したデータを基に学習が行われる。導入先の施設から収集されたデータを用いて学習を行うことにより、モデル１４は導入先の施設のユーザーの振る舞いを学習し、導入先の施設のユーザーに対して精度のよい推薦アイテムの予測が可能である。

【0047】

しかし、様々な事情により、導入先の施設のデータが得られない場合がある。例えば、企業の社内システムまたは病院の院内システムにおける文書情報推薦システムなどの場合、推薦モデルを開発する企業が導入先の施設のデータにアクセスできないことが多い。導入先の施設のデータが得られない場合、代わりに、異なる施設で収集されたデータをもとに学習する必要がある。

【0048】

図４は、導入先の施設のデータが得られない場合における推薦システムの導入フローの説明図である。導入先の施設とは異なる施設で収集されたデータを用いて学習したモデル１４を導入先の施設で運用すると、施設間のユーザーの振る舞いの違いなどにより、モデル１４の予測精度が低下してしまう問題がある。

【0049】

学習した施設と異なる未知の他施設では機械学習モデルがうまく機能しない問題は、広義にはモデル１４を学習したソースドメインと、モデル１４を適用するターゲットドメインが異なるドメインシフトの問題に対するロバスト性を向上させるという技術課題として把握される。ドメイン汎化（Domain generalization）に関連する問題設定として、ドメイン適応（Domain adaptation）がある。これはソースドメインとターゲットドメインの両方のデータを用いて学習する方法である。ターゲットドメインのデータが存在するにもかかわらず異なるドメインのデータを使う目的は、ターゲットドメインのデータ量が少なく学習に不十分であるのを補うためである。

【0050】

図５は、ドメイン適応によるモデル１４の学習を行う場合の説明図である。ターゲットドメインである導入先の施設で収集されたデータのデータ量は、異なる施設で収集されたデータよりもデータ量に比べて相対的に少ないものの、両方のデータを用いて学習を行うことにより、モデル１４は、導入先の施設のユーザーの振る舞いについてもある程度の精度で予測することが可能になる。

【0051】

〔ドメインの説明〕
上記の「施設」の違いはドメインの違いの一種である。情報推薦におけるドメイン適応の研究に関する文献である非特許文献３では、ドメインの違いが以下の４つに分類されている。

【0052】

［１］アイテム属性レベル（Item attribute level）：例えば、コメディ映画とホラー映画は別ドメイン。
［２］アイテムタイプレベル（Item type level）：例えば、映画と連続テレビドラマは別ドメイン。
［３］アイテムレベル（Item level）：例えば、映画と本は別ドメイン。
［４］システムレベル（System level）：例えば、映画館の映画とテレビ放映の映画は別ドメイン。

【0053】

図５等に示す「施設」の違いは、上記の４分類のうちの［４］システムレベルのドメインに該当する。

【0054】

フォーマルにドメインを定義すると、ドメインは目的変数Ｙと説明変数Ｘの同時確率分布Ｐ（Ｘ，Ｙ）で規定され、Ｐｄ１（Ｘ，Ｙ）≠ Ｐｄ２(Ｘ，Ｙ)の場合、ｄ１とｄ２は異なるドメインである。

【0055】

同時確率分布Ｐ（Ｘ，Ｙ）は、説明変数の分布Ｐ（Ｘ）と条件付き確率分布Ｐ（Ｙ｜Ｘ）との積、または目的変数の分布Ｐ（Ｙ）と条件付き確率分布Ｐ（Ｙ｜Ｘ）との積で表すことができる。

【0056】

Ｐ（Ｘ，Ｙ）＝Ｐ（Ｙ｜Ｘ）Ｐ（Ｘ）＝Ｐ（Ｘ｜Ｙ）Ｐ（Ｙ）
したがって、Ｐ（Ｘ）、Ｐ（Ｙ）、Ｐ（Ｙ｜Ｘ）およびＰ（Ｘ｜Ｙ）のうち１つ以上が変わると異なるドメインとなる。

【0057】

〔ドメインシフトの典型パターン〕
［共変量シフト］説明変数の分布Ｐ（Ｘ）が異なる場合、共変量シフト（Covariate shift）と呼ばれる。例えば、データセット間でユーザー属性の分布が異なる場合、より具体的には男女比率が異なる場合などが共変量シフトに該当する。

【0058】

［事前確率シフト］目的変数の分布Ｐ（Ｙ）が異なる場合、事前確率シフト（Prior probability shift）と呼ばれる。例えば、データセット間で平均閲覧率および平均購入率が異なる場合などが事前確率シフトに該当する。

【0059】

［コンセプトシフト］条件付き確率分布Ｐ（Ｙ｜Ｘ）およびＰ（Ｘ｜Ｙ）が異なる場合、コンセプトシフト（Concept shift）と呼ばれる。例えば、ある企業の研究開発部門がデータ分析資料を読む確率がＰ（Ｙ｜Ｘ）にあたるが、これがデータセット間で異なる場合などがコンセプトシフトに該当する。

【0060】

ドメイン適応あるいはドメイン汎化性の研究は、上記いずれかのパターンを主要因として想定しているものと、特にどのパターンが主要因であるかを考慮せずにＰ（Ｘ，Ｙ）が変化していることへの対処を考えるものと、がある。なお、前者の場合、特に、共変量シフトを想定しているものが多い。

【0061】

〔ドメインシフトが影響する理由〕
予測あるいは分類のタスクを行う予測／分類モデルは、説明変数Ｘと目的変数Ｙの関係性に基づいて推論を行うため、Ｐ（Ｙ｜Ｘ）が変化すれば当然、予測／分類性能は低下する。また、予測／分類モデルを機械学習する際には学習データ内において予測／分類誤差の最小化を行うが、例えば、説明変数がＸ＝Ｘ_１になる頻度が、Ｘ＝Ｘ_２になる頻度より大きい場合、つまりＰ（Ｘ＝Ｘ_１）＞Ｐ（Ｘ＝Ｘ_２）である場合、Ｘ＝Ｘ_１のデータの方がＸ＝Ｘ_２のデータより多いので、Ｘ＝Ｘ_１の誤差低減はＸ＝Ｘ_２の誤差低減より優先して学習される。そのためＰ（Ｘ）が施設間で変化する場合も、予測／分類性能は低下する。

【0062】

ドメインシフトは、情報推薦に限らず、いろいろなタスクのモデルについて問題になり得る。例えば、社員の退職リスクを予測するモデルについて、ある企業のデータを用いて学習した予測モデルを別の企業で運用する場合にドメインシフトが問題になり得る。

【0063】

また、細胞の抗体生産量を予測するモデルについて、ある抗体のデータを用いて学習したモデルを、別の抗体で運用する場合にドメインシフトが問題になり得る。また、顧客の声（Voice of Customer：ＶＯＣ）を分類するモデル、例えば、ＶＯＣを「商品機能」、「サポート対応」、および「その他」に分類するモデルについて、ある商品に関するデータを用いて学習した分類モデルを別の商品で運用する場合にドメインシフトが問題になり得る。

【0064】

〔モデルの導入前評価について〕
学習したモデル１４を実際の施設等に導入する前に、モデル１４の性能評価を行うことが多い。性能評価は導入の可否判断、およびモデルあるいは学習手法などの研究開発のために必要である。

【0065】

図６は、学習したモデル１４の性能を評価するステップを含む推薦システム導入フローの説明図である。図６では、図５で説明したステップ１（モデル１４を学習するステップ）とステップ２（モデル１４を運用するステップ）との間に、「ステップ１．５」として、モデル１４の性能を評価するステップが追加されている。その他の構成は図５と同様である。図６に示すように、一般的な推薦システム導入のフローでは、導入先の施設で収集されたデータを学習用データと評価用データとに分割することが多い。評価用データを用いてモデル１４の予測性能を確認してから、モデル１４の運用が開始される。

【0066】

しかし、ドメイン汎化のモデル１４を構築する場合は、学習用データと評価用データは異なるドメインである必要がある。さらに、ドメイン汎化においては、学習用データについても複数ドメインのデータを用いることが好ましく、学習に使えるドメインが多い方がより好ましい。

【0067】

〔汎化性について〕
図７は、機械学習に用いる学習用データと評価用データの例を示す説明図である。あるドメインｄ１の同時確率分布Ｐｄ１（Ｘ，Ｙ）から得られるデータセットは、学習用データと、評価用データとに分けられる。学習用データと同一ドメインの評価用データを「第１の評価用データ」といい、図７において「評価用データ１」と表記する。また、ドメインｄ１と異なるドメインｄ２の同時確率分布Ｐｄ２（Ｘ，Ｙ）から得られるデータセットを用意し、これを評価用データとして用いる。学習用データと異なるドメインの評価用データを「第２の評価用データ」といい、図７において「評価用データ２」と表記する。

【0068】

ドメインｄ１の学習用データを用いてモデル１４の学習が行われ、ドメインｄ１の第１の評価用データと、ドメインｄ２の第２の評価用データとのそれぞれを用いて学習済みのモデル１４の性能が評価される。

【0069】

図８は、データセットの違いによるモデルの性能の違いを模式的に示すグラフである。学習用データ内でのモデル１４の性能を性能Ａ、第１の評価用データでのモデル１４の性能を性能Ｂ、第２の評価用データでのモデル１４の性能を性能Ｃとすると、通常は、図８のように、性能Ａ＞性能Ｂ＞性能Ｃのような関係になる。

【0070】

モデル１４の汎化性能の高さは一般には、性能Ｂが高いこと、または性能ＡとＢの差が小さいことを指す。つまり、学習用データに過剰適合せずに、学習していないデータに対しても予測の性能が高いことを目指している。

【0071】

本明細書におけるドメイン汎化性の文脈では、性能Ｃが高いこと、または性能Ｂと性能Ｃの差が小さいことを指す。つまり、学習に用いたドメインと異なるドメインでも、変わらずに高い性能が出ることを目指している。

【0072】

本実施形態では、モデル１４の学習を行う際に、導入先の施設のデータを用いることができないものの、導入前のモデル評価（導入前評価）の際に導入先の施設で収集された行動履歴を含むデータ（正解データ）を用意することができるという状況を想定する。

【0073】

このような場合、導入先の施設とは異なる施設で収集されたデータを用いてモデルを学習することにより複数の候補モデルを生成し、導入前に、各候補モデルについて導入先の施設で収集されたデータを用いて性能を評価することにより、評価の結果に基づいて複数の候補モデルの中から最適なモデルを選択して導入先の施設に適用することが考えられる。図９にその例を示す。

【0074】

図９は、学習ドメインと導入先ドメインとが異なる場合の推薦システム導入フローの例を示す説明図である。図９に示すように、導入先の施設とは異なる施設で収集されたデータを用いて、複数のモデルを学習し得る。ここでは、それぞれ異なる施設で収集されたデータセットＤＳ１、ＤＳ２、ＤＳ３を用いて、モデルＭ１、Ｍ２、Ｍ３の学習が行われる例を示す。例えば、モデルＭ１はデータセットＤＳ１を用いて訓練され、モデルＭ２はデータセットＤＳ２を用いて訓練され、モデルＭ３はデータセットＤＳ３を用いて訓練される。なお、各モデルＭ１、Ｍ２、Ｍ３の学習に用いるデータセットは、異なる施設で収集された複数のデータセットの組み合わせであってもよい。例えば、モデルＭ１はデータセットＤＳ１とデータセットＤＳ２とを混合したデータセットを用いて訓練されてもよい。

【0075】

こうして、複数のモデルＭ１、Ｍ２、Ｍ３を学習した後、導入先の施設で収集されたデータＤｔｇを用いて、各モデルＭ１、Ｍ２、Ｍ３の性能を評価する。図９において、各モデルＭ１、Ｍ２、Ｍ３の下に示す「Ａ」、「Ｂ」、「Ｃ」の記号は、各モデルの評価結果を表している。Ａ評価は、導入基準を満たす良好な予測性能であることを示す。Ｂ評価はＡ評価よりも劣る性能であることを示す。Ｃ評価はＢ評価よりもさらに劣る性能であり、導入に適していないことを示す。

【0076】

例えば、図９のように、モデルＭ１の評価結果が「Ａ」、モデルＭ２の評価結果が「Ｂ」、モデルＭ３の評価結果が「Ｃ」であったとすると、導入先の施設にとって最適なモデルとしてモデルＭ１が選択され、モデルＭ１を適用した推薦システム１０が導入されることになる。

【0077】

〔課題〕
図９で説明したように、モデル学習時に導入先施設のデータが得られない場合も、導入時に導入先施設で収集されたデータがあれば、そのデータでモデルを評価してベストなモデルを選択することができる。

【0078】

しかし、導入時にも導入先施設のデータがない場合、またはあってもアクセスできない場合、モデルを選択することができない。すなわち、図１０に示すように、導入先施設のデータがない場合、各モデルＭ１、Ｍ２、Ｍ３を評価することができず、ベストなモデルを選択することができない。

【0079】

このように、導入先施設のデータが、モデルの導入前評価においても利用できない場合は、導入先にベストなモデルを選択することができない。このような場合においても、導入先施設で高性能なレコメンドをすることが望まれる。学習ドメインと導入先ドメインは異なるため、ドメインシフトにロバストなレコメンドを実現することが課題である。本実施形態では、ロバストな単一モデルを作成することが可能な情報処理方法および情報処理装置を提供する。

【0080】

《ローカルモデル》
図１１は、本実施形態に係るデータセットを示す図である。データセットは、複数のユーザーと複数のアイテムとのそれぞれの組み合わせに対してユーザーのアイテムに対する行動が示された施設ごとのデータである。図１１に示す例では、データセットは縦軸がユーザー、横軸がアイテムのマトリクスとして示されており、個々のマスがユーザーのアイテムに対する行動を示す。

【0081】

〔連合学習の場合〕
連合学習の文脈では、各施設のデータから構築されたモデルをローカルモデルと呼ぶ。図１２および図１３は、連合学習におけるローカルモデルを説明するための図である。図１２は、「施設１」のデータセットから構築されたモデルが「ローカルモデル１」であり、「施設２」のデータセットから構築されたモデルが「ローカルモデル２」であることを示している。このように、「施設１」と「施設２」とでは異なるローカルモデルが構築される。

【0082】

図１３は、「施設１」のデータセットと「施設２」のデータセットとを示している。施設間で異なるローカルモデルは、ユーザーのサブグループ間では共通である。すなわち、図１３に示す例では、「施設１」において、ユーザーの年齢が２０～３０代、４０～５０代、および６０～７０代の３つのサブグループは同じ「ローカルモデル１」（図１２参照）で共通である。また、「施設２」において、ユーザーの年齢が２０～３０代、４０～５０代、および６０～７０代の３つのサブグループは同じ「ローカルモデル２」（図１２参照）で共通である。

【0083】

〔本開示の場合〕
本開示の文脈では、ユーザーおよびアイテムのサブグループごとに構築されたモデルをローカルモデルと呼ぶ。図１４および図１５は、本開示におけるローカルモデルを説明するためのデータセットの図である。図１４に示す例では、ユーザーの年齢が２０～３０代、４０～５０代、および６０～７０代の３つのサブグループにデータセットが分割されている。本開示では、このサブグループごとに構築されたモデルをローカルモデルと呼ぶ。

【0084】

ここで、サブグループ間で異なるローカルモデルは、施設間では共通である。すなわち、図１５に示すように、ユーザーの年齢が２０～３０代のサブグループによって構築されたローカルモデルは、「施設１」および「施設２」のそれぞれにおいて共通である。同様にユーザーの年齢が４０～５０代のサブグループによって構築されたローカルモデル、およびユーザーの年齢が６０～７０代のサブグループによって構築されたローカルモデルは、ともに「施設１」および「施設２」のそれぞれにおいて共通である。

【0085】

《実施形態に係る情報処理装置の概要》
図１６は、実施形態に係る情報処理装置１００のハードウェア構成の例を概略的に示すブロック図である。情報処理装置１００は、複数のユーザーと複数のアイテムとのそれぞれの組み合わせに対してユーザーのアイテムに対する行動が示されたデータセットをドメインシフトにロバストな複数のサブグループに分割する機能と、サブグループごとにユーザーのアイテムに対する行動予測を行うローカルモデルを生成する機能と、サブグループごとに生成された複数のローカルモデルを結合する機能と、を備える。

【0086】

情報処理装置１００は、コンピュータのハードウェアとソフトウェアとを用いて実現できる。情報処理装置１００の物理的形態は特に限定されず、サーバコンピュータであってもよいし、ワークステーションであってもよく、パーソナルコンピュータあるいはタブレット端末などであってもよい。ここでは、１台のコンピュータを用いて情報処理装置１００の処理機能を実現する例を述べるが、情報処理装置１００の処理機能は、複数台のコンピュータを用いて構成されるコンピュータシステムによって実現してもよい。

【0087】

情報処理装置１００は、プロセッサ１０２と、非一時的な有体物であるコンピュータ可読媒体１０４と、通信インターフェース１０６と、入出力インターフェース１０８と、バス１１０とを含む。

【0088】

プロセッサ１０２は、ＣＰＵ（Central Processing Unit）を含む。プロセッサ１０２はＧＰＵ（Graphics Processing Unit）を含んでもよい。プロセッサ１０２は、バス１１０を介してコンピュータ可読媒体１０４、通信インターフェース１０６および入出力インターフェース１０８と接続される。プロセッサ１０２は、コンピュータ可読媒体１０４に記憶された各種のプログラムおよびデータ等を読み出し、各種の処理を実行する。プログラムという用語は、プログラムモジュールの概念を含み、プログラムに準じる命令を含む。

【0089】

コンピュータ可読媒体１０４は、例えば、主記憶装置であるメモリ１１２および補助記憶装置であるストレージ１１４を含む記憶装置である。ストレージ１１４は、例えば、ハードディスク（Hard Disk Drive：ＨＤＤ）装置、ソリッドステートドライブ（Solid State Drive：ＳＳＤ）装置、光ディスク、光磁気ディスク、もしくは半導体メモリ、またはこれらの適宜の組み合わせを用いて構成される。ストレージ１１４には、各種プログラムおよびデータ等が記憶される。

【0090】

メモリ１１２は、プロセッサ１０２の作業領域として使用され、ストレージ１１４から読み出されたプログラムおよび各種のデータを一時的に記憶する記憶部として用いられる。ストレージ１１４に記憶されているプログラムがメモリ１１２にロードされ、プログラムの命令をプロセッサ１０２が実行することにより、プロセッサ１０２は、プログラムで規定される各種の処理を行う手段として機能する。

【0091】

メモリ１１２には、プロセッサ１０２によって実行される分割プログラム１３０、学習プログラム１３２、評価プログラム１３４、結合プログラム１３６、各種のプログラムおよび各種のデータ等が記憶される。

【0092】

分割プログラム１３０は、複数のユーザーと複数のアイテムとのそれぞれの組み合わせに対してユーザーのアイテムに対する行動が示されたデータセットを取得し、取得したデータセットをドメインシフトにロバストな複数のサブグループに分割する処理を実行させるプログラムである。

【0093】

学習プログラム１３２は、分割プログラム１３０によって分割されたサブグループごとにユーザーのアイテムに対する行動予測を行う予測モデルであるローカルモデルを学習する処理を実行させるプログラムである。

【0094】

評価プログラム１３４は、学習プログラム１３２によって学習された複数のローカルモデルのドメインシフトに対するロバスト性を評価する処理を実行させるプログラムである。

【0095】

結合プログラム１３６は、学習プログラム１３２によって学習された複数のローカルモデルを結合する処理を実行させるプログラムである。結合プログラム１３６は、複数のローカルモデルを結合したモデルを生成してもよいし、複数のローカルモデルのそれぞれの出力を結合してもよい。評価プログラム１３４は、複数のローカルモデルを結合したモデルのロバスト性を評価してもよい。

【0096】

メモリ１１２は、データセット記憶部１４０と、学習モデル記憶部１４２とを含む。データセット記憶部１４０は、学習施設で収集されたデータセットであって、複数のユーザーと複数のアイテムとのそれぞれの組み合わせに対してユーザーのアイテムに対する行動が示されたデータセットが記憶される記憶領域である。学習モデル記憶部１４２は、結合プログラム１３６によって結合された複数のローカルモデルが記憶される記憶領域である。

【0097】

通信インターフェース１０６は、有線または無線により外部装置との通信処理を行い、外部装置との間で情報のやり取りを行う。情報処理装置１００は、通信インターフェース１０６を介して不図示の通信回線に接続される。通信回線は、ローカルエリアネットワークであってもよいし、ワイドエリアネットワークであってもよく、これらの組み合わせであってもよい。通信インターフェース１０６は、オリジナルデータセットなど様々なデータの入力を受け付けるデータ取得部の役割を担うことができる。

【0098】

情報処理装置１００は、入力装置１５２と表示装置１５４とを備えていてもよい。入力装置１５２および表示装置１５４は入出力インターフェース１０８を介してバス１１０に接続される。入力装置１５２は、例えば、キーボード、マウス、マルチタッチパネル、もしくはその他のポインティングデバイス、もしくは、音声入力装置、またはこれらの適宜の組み合わせであってよい。表示装置１５４は、例えば、液晶ディスプレイ、有機ＥＬ（organic electro-luminescence:ＯＥＬ）ディスプレイ、もしくは、プロジェクタ、またはこれらの適宜の組み合わせであってよい。なお、タッチパネルのように入力装置１５２と表示装置１５４とが一体的に構成されてもよく、タッチパネル式のタブレット端末のように、情報処理装置１００と入力装置１５２と表示装置１５４とが一体的に構成されてもよい。

【0099】

図１７は、情報処理装置１００の機能的構成を示す機能ブロック図である。情報処理装置１００は、データセット取得部１６０と、分割部１６２と、学習部１６４と、評価部１６６と、結合部１６８とを含む。

【0100】

データセット取得部１６０は、データセット記憶部１４０から学習施設で収集されたデータセットを取得する。

【0101】

分割部１６２は、データセット取得部１６０が取得したデータセットをドメインシフトにロバストな複数のサブグループに分割する。

【0102】

学習部１６４は、分割部１６２が分割したサブグループごとにユーザーのアイテムに対する行動予測を行う予測モデルであるローカルモデルを生成する。

【0103】

評価部１６６は、学習部１６４が学習した複数のローカルモデルのドメインシフトに対するロバスト性を評価する。

【0104】

結合部１６８は、学習部１６４が学習した複数のローカルモデルを結合する。複数のローカルモデルは、学習モデルとして学習モデル記憶部１４２に格納される。

【0105】

〔行動履歴の具体例〕
図１８は、データセットのもととなる行動履歴のデータの例を示す図表である。ここでは、小売企業内の販売システムにおける行動履歴の場合を考える。図１８には、ある小売企業の販売システムから得られた商品の購買に関するユーザーの行動履歴のテーブルの例が示されている。ここでの「アイテム」は商品である。図１８に示すテーブルは、「時間」、「ユーザーＩＤ」、「アイテムＩＤ」、「ユーザー属性１」、「ユーザー属性２」、「アイテム属性１」「アイテム属性２」、「コンテキスト１」、「コンテキスト２」および「購入有無」のカラムを含む。

【0106】

「時間」は、アイテムを購入した日時である。「ユーザーＩＤ」は、ユーザーを特定する識別符号であり、各ユーザーに対して固有のＩＤ（identification）が定義されている。アイテムＩＤはアイテムを特定する識別符号であり、各アイテムに対して固有のＩＤが定義されている。「ユーザー属性１」は、例えば「家族構成」である。「ユーザー属性２」は、例えば「年代」である。「家族構成」および「年代」は、それぞれ属性データの一例である。「アイテム属性１」は、例えば「商品カテゴリ」である。「アイテム属性２」は、例えば「ブランド」である。「商品カテゴリ」および「ブランド」は、それぞれアイテムの属性データの一例である。「コンテキスト１」は、例えば「天気」である。「コンテキスト２」は、例えば「曜日」である。「天気」および「曜日」は、それぞれコンテキストの属性データの一例である。

【0107】

「購入有無」は、「ユーザーのアイテムに対する行動」の一例であり、アイテムが購入された場合（購入有り）の値が「１」となる。なお、購入していないアイテムは膨大なため、購入したアイテム（購入有無＝１）のみレコードに記録するのが一般的である。行動履歴のテーブルは、ユーザーのアイテムに対する行動として、「購入有無」に代えて、「評価値」のカラムを含んでもよい。

【0108】

図１８における「購入有無」は目的変数Ｙの一例であり、「ユーザー属性１」、「ユーザー属性２」、「アイテム属性１」、「アイテム属性２」、「コンテキスト１」、および「コンテキスト２」のそれぞれは説明変数Ｘの一例である。説明変数Ｘの種類数およびその組み合わせについては、図１８の例に限らない。説明変数Ｘとして、さらに不図示のユーザー属性３、アイテム属性３、およびコンテキスト３などを含んでもよい。説明変数Ｘは、一部はサブグループの分割に使用され、残りは目的変数の予測に用いられる。

【0109】

《情報処理方法の概要》
本開示では、複数のユーザーと複数のアイテムとのそれぞれの組み合わせに対してユーザーのアイテムに対する行動が示されたデータセットをサブグループに分割する。

【0110】

図１９は、サブグループの分割を説明するための図である。図１９のＦ１９Ａは、縦軸がユーザー、横軸がアイテムの２次元のマトリクスに表現されたデータセットＤＳを５つのサブグループＳＧ１、ＳＧ２、ＳＧ３、ＳＧ４、ＳＧ５に分割した例を示している。また、図１９のＦ１９Ｂは、データセットＤＳを３つのサブグループＳＧ１１、ＳＧ１２、ＳＧ１３に分割した例を示している。サブグループの分割において、データセットＤＳのマトリクスのうち複数のサブグループに重複して含まれる部分があってもよいし、いずれのサブグループに含まれない部分があってもよい。

【0111】

データセットＤＳにおいてユーザーを示す縦軸は、ユーザーＩＤ順ではなく、いずれかのユーザー属性データの順にユーザーが並べられている。例えば、ユーザーの年代の属性データを用いてサブグループに分割する場合、データセットＤＳはユーザーの年代順にユーザーが並べられる。

【0112】

同様に、データセットＤＳにおいてアイテムを示す縦軸は、アイテムＩＤ順ではなく、いずれかのアイテム属性データの順にアイテムが並べられている。例えば、アイテムの商品カテゴリの属性データを用いてサブグループに分割する場合、データセットＤＳはアイテムの商品カテゴリ順にアイテムが並べられる。

【0113】

サブグループは、ドメインシフトにロバストなように、すなわちロバストな部分モデルが構築可能なように分割される。すべてのユーザーとアイテムとの組合せに対してドメインシフトにロバストな単一モデルを構築するのは難しいが、適切に分割したサブグループにおいては比較的容易にロバストなモデルを構築することができる。例えば、外科医の○○疾患患者向け部分モデル、子供１人３０代夫婦向け部分モデル、などである。

【0114】

〔実施形態１〕
図２０は、実施形態１に係る情報推薦フローを示す説明図である。

【0115】

最初に、ステップ１１では、データセットをサブグループに分割する。すなわち、データセット取得部１６０が複数のユーザーと複数のアイテムとのそれぞれの組み合わせに対してユーザーのアイテムに対する行動が示されたデータセットを取得する。データセットは、ある単一の施設（ドメイン）において収集されたユーザーのアイテムに対する行動のデータから生成されている。この取得したデータセットを、分割部１６２がドメインシフトにロバストな複数のサブグループに分割する。

【0116】

分割部１６２は、ユーザーの属性データ、およびアイテムの属性データのうちの少なくとも１つをもとにデータセットを分割する。図２０に示すように、ここでは「サブグループ１」、「サブグループ２」、および「サブグループ３」の３つのサブグループに分割される。

【0117】

ステップ１２では、サブグループごとにローカルな予測モデルであるローカルモデルを構築する。図２０に示す例では、学習部１６４は、「サブグループ１」のデータを用いてローカルモデルＬＭ１を、「サブグループ２」のデータを用いてローカルモデルＬＭ２を、「サブグループ３」のデータを用いてローカルモデルＬＭ３を構築する。すなわち、ローカルモデルＬＭ１は「サブグループ１」の予測を、ローカルモデルＬＭ２は「サブグループ２」の予測を、ローカルモデルＬＭ３は「サブグループ３」の予測をそれぞれ担当する予測モデルである。

【0118】

ステップ１３では、構築した複数のローカルモデルを結合する。すなわち、結合部１６８は、ローカルモデルＬＭ１、ＬＭ２、およびＬＭ３を結合してモデルＭ１１を生成する。このモデルＭ１１によって、ユーザーごとに推薦アイテムリストを生成することができる。ユーザーごとの推薦アイテムリストは、ローカルモデルＬＭ１、ＬＭ２、およびＬＭ３のそれぞれの出力を結合して生成してもよい。結合したモデルＭ１１によって生成した推薦アイテムリストとローカルモデルＬＭ１、ＬＭ２、およびＬＭ３のそれぞれの出力を結合して生成した推薦アイテムリストとは、数学的に等価である。

【0119】

実施形態１によれば、データセットをドメインシフトにロバストな複数のサブグループに分割し、サブグループごとにローカルモデルを構築するので、ドメインシフトにロバストなローカルモデルが構築される。したがって、複数のローカルモデルを結合することで、高性能な推薦アイテムリストを提供することが可能になる。なお、サブグループから生成されたローカルモデルがドメインシフトにロバストである場合、そのサブグループはドメインシフトにロバストであるといえる。

【0120】

〔実施形態２〕
データセットは、複数のユーザーと複数のアイテムと複数のコンテキストとのそれぞれの組み合わせに対してユーザーのアイテムに対する行動が示された施設ごとのデータであってもよい。この場合、分割部１６２は、コンテキストの属性データのうちの少なくとも１つをもとにデータセットを分割してもよい。

【0121】

図２１は、ユーザーとアイテムとコンテキストとの組み合わせのデータセットを説明するための図である。Ｆ２０Ａに示すように、ユーザーとアイテムとコンテキストとの組み合わせは、３次元のマトリクスに表現することができる。コンテキストを示す軸は、コンテキストの属性データの順にコンテキストが並べられている。例えば、アイテムを購入した曜日の順にコンテキストが並べられている。

【0122】

Ｆ２０Ｂは、ユーザーとアイテムとコンテキストとの組み合わせのデータセットのサブグループ分割の例を示している。Ｆ２０Ｂに示す例では、「サブグループ１」は、ユーザー属性が「単身世帯」、アイテム属性が「食料品」、コンテキストが「金曜日」である。また、Ｆ２０Ｂに示す「サブグループ２」は、ユーザー属性が「子供あり夫婦世帯」、アイテム属性が「日用品」、コンテキストが「土曜日・日曜日」である。

【0123】

〔実施形態３〕
図２２および図２３は、実施形態３に係るサブグループ分割フローを示す説明図である。

【0124】

ステップ２１では、データセットをサブグループに分割する。すなわち、データセット取得部１６０がデータセットを取得し、この取得したデータセットを、分割部１６２がサブグループに分割する。ここではデータセット取得部１６０は、ある施設のデータセットＤＳ１１を取得し、分割部１６２は、データセットからユーザー属性が「単身世帯」である「サブグループ１（単身世帯）」を分割する。

【0125】

ステップ２２では、サブグループの予測モデルを構築する。すなわち、学習部１６４は、「サブグループ１（単身世帯）」のデータを用いてローカルモデルＬＭ１１を構築する。

【0126】

ステップ２３では、複数ドメインでサブグループ内のロバスト性を評価する。図２２に示す例では、評価部１６６は、データセットＤＳ１１の施設以外の施設であって、それぞれ異なる施設のデータセットＤＳ１２、ＤＳ１３、ＤＳ１４を用いて、ローカルモデルＬＭ１１のロバスト性を評価する。

【0127】

ローカルモデルＬＭ１１は、データセットＤＳ１１のうち、ユーザー属性が「単身世帯」である「サブグループ１（単身世帯）」から構築されている。したがって、評価部１６６は、ローカルモデルＬＭ１１のロバスト性を、データセットＤＳ１２、ＤＳ１３、ＤＳ１４のうち、それぞれユーザー属性が「単身世帯」のサブグループを用いて評価する。

【0128】

図２３において、各データセットＤＳ１２、ＤＳ１３、ＤＳ１４の下に示す「Ａ」の記号は、各データセットによる評価結果を表している。Ａ評価は、導入基準を満たす良好なロバスト性であることを示す。例えば、ローカルモデルＬＭ１１のデータセットＤＳ１１に対する予測性能とローカルモデルＬＭ１１のデータセットＤＳ１２に対する予測性能との差が相対的に小さい場合、データセットＤＳ１２による評価結果はＡ評価である。図２３には記載されていないが、「Ｂ」の記号で表されるＢ評価はＡ評価よりも劣る性能であることを示す。また、「Ｃ」の記号で表されるＣ評価はＢ評価よりもさらに劣る性能であり、導入に適していないことを示す。ここでは、データセットＤＳ１２、ＤＳ１３、ＤＳ１４を用いたローカルモデルＬＭ１１のロバスト性は、それぞれＡ評価である。

【0129】

ステップ２４では、評価結果が基準を満たしている場合にサブグループとして採用する。すなわち、評価部１６６は、評価基準とステップ２３の評価結果とを比較する。評価基準は、例えば「各データセットを用いたロバスト性がすべてＡ評価」である。評価結果が評価基準を満たしている場合、「サブグループ１（単身世帯）」は、ドメインシフトに対してロバストであるといえる。ここでは、データセットＤＳ１２、ＤＳ１３、ＤＳ１４を用いたローカルモデルＬＭ１１のロバスト性はすべてＡ評価であり、評価基準を満たす。したがって、評価部１６６は、「サブグループ１（単身世帯）」をサブグループとして採用する。

【0130】

このように、実施形態３では、ステップ２１でデータセットをサブグループに分割する際には、そのサブグループがドメインシフトにロバストであるか否かが不明である。しかしながら、ステップ２３の評価の結果、サブグループがドメインシフトに対してロバストであることがわかったので、ステップ２１ではデータセットをドメインシフトにロバストな複数のサブグループに分割していることと同義である。

【0131】

続いて、ステップ３１では、データセットをさらにサブグループに分割する。図２３に示す例では、分割部１６２は、データセットからユーザー属性が「子供あり夫婦世帯」である「サブグループ２（子供あり夫婦世帯）」を分割する。

【0132】

ステップ３２では、サブグループの予測モデルを構築する。すなわち、学習部１６４は、「サブグループ２（子供あり夫婦世帯）」のデータを用いてローカルモデルＬＭ１２を構築する。

【0133】

ステップ３３では、複数ドメインでサブグループ内のロバスト性を評価する。すなわち、ステップ２３と同様に、評価部１６６は、データセットＤＳ１２、ＤＳ１３、ＤＳ１４を用いて、ローカルモデルＬＭ１２のロバスト性を評価する。

【0134】

ローカルモデルＬＭ１２は、データセットＤＳ１１のうち、ユーザー属性が「子供あり夫婦世帯」である「サブグループ２（子供あり夫婦世帯）」から構築されている。したがって、評価部１６６は、ローカルモデルＬＭ１２のロバスト性を、データセットＤＳ１２、ＤＳ１３、ＤＳ１４のうち、それぞれユーザー属性が「子供あり夫婦世帯」のサブグループを用いて評価する。ここでは、データセットＤＳ１２、ＤＳ１３、ＤＳ１４を用いたローカルモデルＬＭ１２のロバスト性は、それぞれＡ評価、Ｂ評価、Ｃ評価である。

【0135】

ステップ３４では、評価結果が基準を満たしている場合にサブグループとして採用し、満たしていない場合にサブグループをさらに分割する。すなわち、評価部１６６は、評価基準とステップ３３の評価結果とを比較する。ここでは、評価基準を満たしていない。したがって、分割部１６２は、「サブグループ２（子供あり夫婦世帯）」からコンテキストが「日用品」である「サブグループ２Ａ（子供あり夫婦世帯×日用品）」を分割する。

【0136】

ステップ３５では、サブグループの予測モデルを構築する。すなわち、学習部１６４は、「サブグループ２Ａ（子供あり夫婦世帯×日用品）」のデータを用いてローカルモデルＬＭ１２Ａを構築する。

【0137】

ステップ３６では、複数ドメインでサブグループ内のロバスト性を評価する。すなわち、評価部１６６は、ローカルモデルＬＭ１２Ａのロバスト性を、データセットＤＳ１２、ＤＳ１３、ＤＳ１４のうち、それぞれユーザー属性が「子供あり夫婦世帯」であり、かつコンテキストが「日用品」であるサブグループを用いて評価する。ここでは、データセットＤＳ１２、ＤＳ１３、ＤＳ１４を用いたローカルモデルＬＭ１２Ａのロバスト性は、すべてＡ評価である。

【0138】

ステップ３７では、評価結果が基準を満たしている場合にサブグループとして採用する。評価結果が評価基準を満たしている場合、「サブグループ２Ａ（子供あり夫婦世帯×日用品）」は、ドメインシフトに対してロバストであるといえる。ここでは、データセットＤＳ１２、ＤＳ１３、ＤＳ１４を用いたローカルモデルＬＭ１２Ａのロバスト性はすべてＡ評価であり、評価基準を満たす。したがって、評価部１６６は、「サブグループ２Ａ（子供あり夫婦世帯×日用品）」をサブグループとして採用する。

【0139】

以上の処理を繰り返し、所望の条件を満たすようなサブグループ分割が見つかれば、サブグループ探索を終了する。所望の条件は、以下の通りである。

【0140】

条件例１は、各ユーザーが１つ以上のサブグループに属することである。実用上は、ユーザーの大半が１つ以上のサブグループに属していればよい。ユーザーの大半とは、たとえばユーザーの８割以上であり、より好ましくはユーザーの９割以上である。サブグループに属したユーザーにはパーソナライズしたレコメンドを提供し、属していないユーザーにはパーソナライズしていないレコメンドを提供してもよい。パーソナライズしていないレコメンドとは、例えば人気アイテムトップ１０のようなレコメンドである。

【0141】

図２４は、サブグループ分割の一例を示す図である。Ｆ２４Ａに示す例では、データセットが３つのサブグループであるサブグループＳＧ２１、ＳＧ２２、ＳＧ２３に分割されており、かつ各ユーザーはそれぞれサブグループＳＧ２１、ＳＧ２２、ＳＧ２３のいずれかに属しているため、条件１を満たす。

【0142】

条件例２は、各ユーザーが少なくとも一定数（例えば半数）以上のアイテムを含むことである。実用上はユーザーの大半が一定数以上のアイテムを含めばよい。ユーザーの大半とは、たとえばユーザーの８割以上であり、より好ましくはユーザーの９割以上である。一定数以上のアイテムとは、推薦アイテム数が１０個の場合、例えばその１０倍の１００個以上のアイテムであり、より好ましくは推薦アイテム数の１００倍の１０００個以上のアイテムである。候補となるアイテムがどれくらいあれば十分かは、全アイテムの数および推薦アイテムの数にも依存する。ユーザーあたりの推薦アイテムの数が相対的に多いほど候補となるアイテムは相対的に多い方が好ましい。また、全アイテムの数が相対的に少ない場合は、候補アイテムの数を相対的に多くすることはそもそも難しいので、候補アイテムの数は相対的に少なくてもよい。

【0143】

図２４のＦ２４Ｂに示す例では、５つのサブグループであるサブグループＳＧ３１、ＳＧ３２、ＳＧ３３、ＳＧ３４、ＳＧ３５に分割されており、かつ各ユーザーが少なくとも半数以上のアイテムを含んでいるため、条件２を満たす。

【0144】

〔実施形態４〕
図２５は、実施形態４に係るサブグループ分割フローを示す説明図である。

【0145】

ステップ４１では、データセットをサブグループに分割する。すなわち、データセット取得部１６０がデータセットを取得し、分割部１６２がデータセットを複数のサブグループに分割する。

【0146】

ステップ４２では、ステップ４１で分割したサブグループごとのローカルモデルを結合した予測モデルを構築する。すなわち、学習部１６４は、複数のサブグループのデータを用いてサブグループごとのローカルモデルを構築する。さらに、学習部１６４は、サブグループごとの複数のローカルモデルを結合した予測モデルであるモデルＭ２１を構築する。

【0147】

ステップ４３では、複数ドメインで予測モデルのロバスト性を評価する。図２５に示す例では、評価部１６６は、データセットＤＳ１２、ＤＳ１３、ＤＳ１４の全範囲のデータを用いて、ステップ４２で構築したモデルＭ２１のロバスト性を評価する。ここでは、データセットＤＳ１２、ＤＳ１３、ＤＳ１４を用いたモデルＭ２１のロバスト性は、それぞれＡ評価、Ｂ評価、Ｃ評価である。

【0148】

ステップ４４では、評価結果が基準を満たしている場合にサブグループとして採用し、満たしていない場合に異なるサブグループ分割を試す。すなわち、評価部１６６は、評価基準とステップ４３の評価結果とを比較する。評価基準は、例えば「各データセットを用いたロバスト性がすべてＡ評価」である。ここでは、評価基準を満たしていない。したがって、分割部１６２は、データセットをステップ４１とは異なるサブグループに分割する。なお、分割部１６２が試行するサブグループの分割は、前述の条件１または条件２を満たす場合に限定される。

【0149】

ステップ４５では、ステップ４４で分割したサブグループごとのローカルモデルを結合した予測モデルを構築する。すなわち、学習部１６４は、複数のサブグループのデータを用いてサブグループごとのローカルモデルを構築し、複数のローカルモデルを結合した予測モデルであるモデルＭ２２を構築する。

【0150】

ステップ４６では、複数ドメインで予測モデルのロバスト性を評価する。ステップ４３と同様に、評価部１６６は、データセットＤＳ１２、ＤＳ１３、ＤＳ１４を用いてモデルＭ２２のロバスト性を評価する。ここでは、データセットＤＳ１２、ＤＳ１３、ＤＳ１４を用いたモデルＭ２２のロバスト性は、すべてＡ評価である。

【0151】

ステップ４７では、評価結果が基準を満たしている場合にサブグループとして採用する。すなわち、評価部１６６は、評価基準とステップ４６の評価結果とを比較する。ここでは、モデルＭ２２のロバスト性はすべてＡ評価であり、評価基準を満たす。このため、ステップ４４で分割したサブグループはドメインシフトに対してロバストであるといえる。すなわち、ローカルモデルのドメインシフトに対するロバスト性の評価の結果が基準を満たしている場合、そのローカルモデルのサブグループはドメインシフトにロバストである。したがって、評価部１６６は、ステップ４４で分割したサブグループを採用する。

【0152】

〔実施形態５〕
サブグループの分割は、分割するデータセットのドメインと評価に用いるデータセットのドメインとの間で確率分布の相違が相対的に大きい属性データを用いることが好ましい。図２６は、サブグループ分割する属性について説明するための図である。ここでは、「施設１」のデータセットをサブグループに分割してローカルモデルを構築し、構築したローカルモデルを「施設２」のデータセットで評価する場合について説明する。

【0153】

Ｆ２６Ａは、「施設１」の世帯構成ごとの存在確率Ｐ（Ｘ）を示すグラフであり、Ｆ２６Ｂは、「施設１」とは異なる「施設２」の世帯構成ごとの存在確率Ｐ（Ｘ）を示すグラフである。Ｆ２６Ａに示すように、「施設１」は「単身世帯」の存在確率が最も大きく、次に「子供あり夫婦」の存在確率が大きく、「子供なし夫婦」の存在確率が最も小さい。一方、Ｆ２６Ｂに示すように、「施設２」は「子供あり夫婦」の存在確率が最も大きく、次に「子供なし夫婦」の存在確率が大きく、「単身世帯」の存在確率が最も小さい。

【0154】

このように、世帯構成の分布は、「施設１」および「施設２」の間で大きく異なっている。すなわち、世帯構成の属性データは確率分布の相違が相対的に大きい。したがって、ドメインシフトにロバストなローカルモデルを構築するためには、世帯構成をもとにサブグループ分割することが好ましい。

【0155】

Ｆ２６Ｃは、「施設１」の年齢ごとの存在確率Ｐ（Ｘ）を示すグラフであり、Ｆ２６Ｄは、「施設２」の年齢ごとの存在確率Ｐ（Ｘ）を示すグラフである。Ｆ２６ＣおよびＦ２６Ｄに示すように、年齢の分布は、「施設１」および「施設２」の間で大きく変わらない。すなわち、年齢の属性データは確率分布の相違が相対的に小さい。したがって、年齢をもとにサブグループ分割しても、ドメインシフトにロバストなローカルモデルを構築することはできない。

【0156】

このように、確率分布の相違が相対的に大きい属性データを用いてデータセットを複数のサブグループに分割することで、ドメインシフトにロバストな複数のサブグループに分割することができ、ドメインシフトにロバストなローカルモデルを構築することができる。

【0157】

〔実施形態６〕
サブグループごとに構築される複数のローカルモデルは、全てが同一の種類のモデルである必要はなく、サブグループごとにそれぞれ異なる種類のモデルであってもよい。図２７は、サブグループごとのローカルモデルについて説明するための図である。

【0158】

図２７に示す例では、データセットが「サブグループ１」、「サブグループ２」、および「サブグループ３」の３つのサブグループに分割されている。また、「サブグループ１」のデータを用いてローカルモデルＬＭ２１が、「サブグループ２」のデータを用いてローカルモデルＬＭ２２が、「サブグループ３」のデータを用いてローカルモデルＬＭ２３が構築されている。

【0159】

ここで、ローカルモデルＬＭ２１は、行列分解モデルである。ローカルモデルＬＭ２２は、ランダムフォレストモデルである。ローカルモデルＬＭ２３は、トランスフォーマーモデルである。構築されるローカルモデルは、行列分解モデル、ランダムフォレストモデル、およびトランスフォーマーモデル以外のモデルであってもよい。ここでは、複数のローカルモデルがそれぞれ異なる種類のモデルである例を説明したが、複数のローカルモデルのうち一部が同じ種類のモデルであり、他の一部が異なる種類のモデルであってもよい。このように、ローカルモデルの構築は、サブグループごとに適切な種類のモデルを選択することができる。

【0160】

〔実施形態７〕
複数のローカルモデルは、それぞれデータセットのうちサブグループより広い範囲のデータをもとに事前に学習された事前学習モデルを初期パラメータとして、サブグループのローカルモデルをさらに学習させたものであってもよい。図２８は、実施形態７に係る学習フローを示す説明図である。

【0161】

ステップ５１では、データセットの全データで予測モデルを学習する。すなわち、学習部１６４は、データセットの全データを用いて学習前のモデルＭ４１を学習し、事前学習モデルであるモデルＭ４２を構築する。

【0162】

ステップ５２では、各サブグループのデータのみを用いて、モデルＭ４２をさらに学習させる。すなわち、図２８に示す例では、分割部１６２はデータセットを「サブグループ１」、「サブグループ２」、および「サブグループ３」の３つのサブグループに分割する。学習部１６４は、「サブグループ１」のデータを用いてモデルＭ４２を学習させてローカルモデルＬＭ３１を構築する。同様に、学習部１６４は、「サブグループ２」のデータを用いてモデルＭ４２を学習させてローカルモデルＬＭ３２を構築し、「サブグループ３」のデータを用いてモデルＭ４２を学習させてローカルモデルＬＭ３３を構築する。この学習は、ファインチューニングと呼ばれる。

【0163】

ここでは、事前学習モデルであるモデルＭ４２は、データセットの全データを用いて構築されたが、モデルＭ４２はデータセットのうち分割されるサブグループより広い範囲のデータをもとに構築されればよい。

【0164】

〔コンピュータを動作させるプログラムについて〕
情報処理装置１００における処理機能の一部または全部をコンピュータに実現させるプログラムを、光ディスク、磁気ディスク、もしくは、半導体メモリその他の有体物たる非一時的な情報記憶媒体であるコンピュータ可読媒体に記録し、この情報記憶媒体を通じてプログラムを提供することが可能である。

【0165】

またこのような有体物たる非一時的なコンピュータ可読媒体にプログラムを記憶させて提供する態様に代えて、インターネットなどの電気通信回線を利用してプログラム信号をダウンロードサービスとして提供することも可能である。

【0166】

さらに、情報処理装置１００における処理機能の一部または全部をクラウドコンピューティングによって実現してもよく、また、ＳａａＳ（Software as a Service）として提供することも可能である。

【0167】

〔各処理部のハードウェア構成について〕
情報処理装置１００におけるデータセット取得部１６０、分割部１６２、学習部１６４、評価部１６６、および結合部１６８などの各種の処理を実行する処理部（processing unit）のハードウェア的な構造は、例えば、次に示すような各種のプロセッサ（processor）である。

【0168】

各種のプロセッサには、プログラムを実行して各種の処理部として機能する汎用的なプロセッサであるＣＰＵ、ＧＰＵ、ＦＰＧＡ（Field Programmable Gate Array）などの製造後に回路構成を変更可能なプロセッサであるプログラマブルロジックデバイス（Programmable Logic Device：ＰＬＤ）、ＡＳＩＣ（Application Specific Integrated Circuit）などの特定の処理を実行させるために専用に設計された回路構成を有するプロセッサである専用電気回路などが含まれる。

【0169】

１つの処理部は、これら各種のプロセッサのうちの１つで構成されていてもよいし、同種または異種の２つ以上のプロセッサで構成されてもよい。例えば、１つの処理部は、複数のＦＰＧＡ、あるいは、ＣＰＵとＦＰＧＡの組み合わせ、またはＣＰＵとＧＰＵの組み合わせによって構成されてもよい。また、複数の処理部を１つのプロセッサで構成してもよい。複数の処理部を１つのプロセッサで構成する例としては、第一に、クライアントおよびサーバなどのコンピュータに代表されるように、１つ以上のＣＰＵとソフトウェアの組み合わせで１つのプロセッサを構成し、このプロセッサが複数の処理部として機能する形態がある。第二に、システムオンチップ（System On Chip：ＳｏＣ）などに代表されるように、複数の処理部を含むシステム全体の機能を１つのＩＣ（Integrated Circuit）チップで実現するプロセッサを使用する形態がある。このように、各種の処理部は、ハードウェア的な構造として、上記各種のプロセッサを１つ以上用いて構成される。

【0170】

さらに、これらの各種のプロセッサのハードウェア的な構造は、より具体的には、半導体素子などの回路素子を組み合わせた電気回路（circuitry）である。

【0171】

〔実施形態による利点〕
本実施形態によれば、ドメインシフトにロバストなサブグループのローカルモデルが生成されるので、複数のローカルモデルを結合することで、モデルを学習する段階において導入先の施設のドメインが不明な場合であっても、未知の導入先の施設に対して高性能なモデルを用意することが可能になる。

【0172】

〔他の応用例〕
上述の実施形態では、商品の購買に関するユーザーの行動を例に説明したが、本開示の適用範囲は商品の購買に限らず、医用画像等の閲覧、文書閲覧、あるいは動画等のコンテンツの視聴など、用途を問わず、様々なアイテムに関するユーザーの行動予測について本開示の技術を適用できる。

【0173】

〔その他〕
本開示は上述した実施形態に限定されるものではなく、本開示の技術的思想の趣旨を逸脱しない範囲で種々の変形が可能である。

【符号の説明】

【0174】

１０ 推薦システム
１２ 予測モデル
１４ モデル
１００ 情報処理装置
１０２ プロセッサ
１０４ コンピュータ可読媒体
１０６ 通信インターフェース
１０８ 入出力インターフェース
１１０ バス
１１２ メモリ
１１４ ストレージ
１３０ 分割プログラム
１３２ 学習プログラム
１３４ 評価プログラム
１３６ 結合プログラム
１４０ データセット記憶部
１４２ 学習モデル記憶部
１５２ 入力装置
１５４ 表示装置
１６０ データセット取得部
１６２ 分割部
１６４ 学習部
１６６ 評価部
１６８ 結合部
ＤＳ データセット
ＤＳ１ データセット
ＤＳ２ データセット
ＤＳ３ データセット
ＤＳ１１ データセット
ＤＳ１２ データセット
ＤＳ１３ データセット
ＤＳ１４ データセット
Ｄｔｇ データ
ＩＴ１ アイテム
ＩＴ２ アイテム
ＩＴ３ アイテム
ＬＭ１ ローカルモデル
ＬＭ２ ローカルモデル
ＬＭ３ ローカルモデル
ＬＭ１１ ローカルモデル
ＬＭ１２ ローカルモデル
ＬＭ１２Ａ ローカルモデル
ＬＭ２１ ローカルモデル
ＬＭ２２ ローカルモデル
ＬＭ２３ ローカルモデル
ＬＭ３１ ローカルモデル
ＬＭ３２ ローカルモデル
ＬＭ３３ ローカルモデル
Ｍ１ モデル
Ｍ２ モデル
Ｍ３ モデル
Ｍ１１ モデル
Ｍ２１ モデル
Ｍ２２ モデル
Ｍ４１ モデル
Ｍ４２ モデル
ＳＧ１ サブグループ
ＳＧ２ サブグループ
ＳＧ３ サブグループ
ＳＧ４ サブグループ
ＳＧ５ サブグループ
ＳＧ１１ サブグループ
ＳＧ１２ サブグループ
ＳＧ１３ サブグループ
ＳＧ２１ サブグループ
ＳＧ２２ サブグループ
ＳＧ２３ サブグループ
ＳＧ３１ サブグループ
ＳＧ３２ サブグループ
ＳＧ３３ サブグループ
ＳＧ３４ サブグループ
ＳＧ３５ サブグループ

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【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】