ホーム > 特許ランキング > 楽天グループ株式会社
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】P2024047940
(43)【公開日】2024-04-08
(54)【発明の名称】情報処理装置、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 10/083 20230101AFI20240401BHJP
【ＦＩ】
G06Q10/08 300
【審査請求】有
【請求項の数】12
【出願形態】ＯＬ
(21)【出願番号】P 2022153719
(22)【出願日】2022-09-27
(71)【出願人】
【識別番号】399037405
【氏名又は名称】楽天グループ株式会社
(74)【代理人】
【識別番号】100109380
【弁理士】
【氏名又は名称】小西 恵
(74)【代理人】
【識別番号】100109036
【弁理士】
【氏名又は名称】永岡 重幸
(72)【発明者】
【氏名】平手 勇宇
(72)【発明者】
【氏名】アブロール サティアン
(72)【発明者】
【氏名】ロヨラ パブロ
(72)【発明者】
【氏名】ラーマン エムディ モスタフィズ
(72)【発明者】
【氏名】蛭子 ▲たく▼磨
(72)【発明者】
【氏名】コンダパカ マノゥチ
【テーマコード（参考）】
5L049
【Ｆターム（参考）】
5L049AA16
(57)【要約】
【課題】適切な配送スケジュールを効率的に決定する。
【解決手段】情報処理装置は、複数のユーザ間の社会的関係性を示す関係性グラフに基づいて、各世帯について、同居する１以上のユーザで構成される世帯内ユーザ情報を生成し、ユーザの特徴を表すユーザ特徴、該世帯内ユーザ情報、および、複数の荷物に対する異なる宛先住所の複数の宛先ユーザの情報に基づいて、該複数の宛先ユーザそれぞれの在宅時間帯と記該複数の宛先ユーザそれぞれと同居する世帯の１以上の他のユーザの在宅時間帯を予測する予測手段と、該予測の結果に基づいて、該複数の荷物に対する配送スケジュールを決定する。
【選択図】図１３Ｂ
【解決手段】情報処理装置は、複数のユーザ間の社会的関係性を示す関係性グラフに基づいて、各世帯について、同居する１以上のユーザで構成される世帯内ユーザ情報を生成し、ユーザの特徴を表すユーザ特徴、該世帯内ユーザ情報、および、複数の荷物に対する異なる宛先住所の複数の宛先ユーザの情報に基づいて、該複数の宛先ユーザそれぞれの在宅時間帯と記該複数の宛先ユーザそれぞれと同居する世帯の１以上の他のユーザの在宅時間帯を予測する予測手段と、該予測の結果に基づいて、該複数の荷物に対する配送スケジュールを決定する。
【選択図】図１３Ｂ
【特許請求の範囲】
【請求項1】
複数のユーザ間の社会的関係性を示す関係性グラフに基づいて、各世帯について、同居する１以上のユーザで構成される世帯内ユーザ情報を生成する世帯状況取得手段と、
ユーザの特徴を表すユーザ特徴、前記世帯内ユーザ情報、および、複数の荷物に対する異なる宛先住所の複数の宛先ユーザの情報に基づいて、前記複数の宛先ユーザそれぞれの在宅時間帯と、前記複数の宛先ユーザそれぞれと同居する世帯の１以上の他のユーザの在宅時間帯を予測する予測手段と、
前記予測の結果に基づいて、前記複数の荷物に対する配送スケジュールを決定する決定手段と、
を有することを特徴とする情報処理装置。
ユーザの特徴を表すユーザ特徴、前記世帯内ユーザ情報、および、複数の荷物に対する異なる宛先住所の複数の宛先ユーザの情報に基づいて、前記複数の宛先ユーザそれぞれの在宅時間帯と、前記複数の宛先ユーザそれぞれと同居する世帯の１以上の他のユーザの在宅時間帯を予測する予測手段と、
前記予測の結果に基づいて、前記複数の荷物に対する配送スケジュールを決定する決定手段と、
を有することを特徴とする情報処理装置。
【請求項2】
前記ユーザ特徴に基づいて、前記関係性グラフを作成する作成手段を更に有する、
ことを特徴とする請求項１に記載の情報処理装置。
ことを特徴とする請求項１に記載の情報処理装置。
【請求項3】
前記ユーザ特徴は、ユーザについて事実特徴と、前記事実特徴に基づいて推定される推定ユーザ特徴を含む、
ことを特徴とする請求項１に記載の情報処理装置。
ことを特徴とする請求項１に記載の情報処理装置。
【請求項4】
前記異なる宛先住所は、所定の距離的範囲内にある住所である、
ことを特徴とする請求項１に記載の情報処理装置。
ことを特徴とする請求項１に記載の情報処理装置。
【請求項5】
前記世帯状況取得手段は、前記関係性グラフに基づいて、各世帯について、
配偶者、子ども、および親の少なくともいずれかの関係を有する事実ユーザと、
配偶者、子ども、および親の少なくともいずれかの関係を有すると予測される関連ユーザを特定し、
前記事実ユーザと前記関連ユーザの情報を含めた前記世帯内ユーザ情報を生成する、
ことを特徴とする請求項１に記載の情報処理装置。
配偶者、子ども、および親の少なくともいずれかの関係を有する事実ユーザと、
配偶者、子ども、および親の少なくともいずれかの関係を有すると予測される関連ユーザを特定し、
前記事実ユーザと前記関連ユーザの情報を含めた前記世帯内ユーザ情報を生成する、
ことを特徴とする請求項１に記載の情報処理装置。
【請求項6】
前記世帯状況取得手段は、さらに、前記ユーザ特徴から前記事実ユーザの年齢の情報を取得し、前記関連ユーザの年齢を予測する、ことを特徴とする請求項５に記載の情報処理装置。
【請求項7】
前記予測手段は、前記複数の宛先ユーザと、前記複数の宛先ユーザそれぞれと同居する世帯の１以上のユーザのうち、所定範囲の年齢のユーザそれぞれの在宅時間帯を予測する、
ことを特徴とする請求項６に記載の情報処理装置。
ことを特徴とする請求項６に記載の情報処理装置。
【請求項8】
前記予測手段は、前記複数の宛先ユーザのユーザ特徴と、前記複数の宛先ユーザそれぞれと同居する世帯の１以上のユーザそれぞれのユーザ特徴を入力として、所定の日における在宅時間帯を出力するように構成された機械学習モデルを用いて、前記在宅時間帯を予測する、
ことを特徴とする請求項１に記載の情報処理装置。
ことを特徴とする請求項１に記載の情報処理装置。
【請求項9】
前記決定手段は、前記異なる宛先住所に対応する複数の世帯の１以上のユーザに対して予測された在宅時間帯のうち、当該複数の世帯で共通の時間帯を配送時間帯として決定し、当該配送時間帯を前記配送スケジュールとして決定する、
ことを特徴とする請求項１に記載の情報処理装置。
ことを特徴とする請求項１に記載の情報処理装置。
【請求項10】
前記決定手段は、前記異なる宛先住所に基づいて、最短な配送ルートを決定し、
前記配送時間帯と配送ルートとを、前記配送スケジュールとして決定する、
ことを特徴とする請求項９に記載の情報処理装置。
前記配送時間帯と配送ルートとを、前記配送スケジュールとして決定する、
ことを特徴とする請求項９に記載の情報処理装置。
【請求項11】
複数のユーザ間の社会的関係性を示す関係性グラフに基づいて、各世帯について、同居する１以上のユーザで構成される世帯内ユーザ情報を生成する世帯状況取得工程と、
ユーザの特徴を表すユーザ特徴、前記世帯内ユーザ情報、および、複数の荷物に対する異なる宛先住所の複数の宛先ユーザの情報に基づいて、前記複数の宛先ユーザそれぞれの在宅時間帯と、前記複数の宛先ユーザそれぞれと同居する世帯の１以上の他のユーザの在宅時間帯を予測する予測工程と、
前記予測の結果に基づいて、前記複数の荷物に対する配送スケジュールを決定する決定工程と、
を含むことを特徴とする情報処理方法。
ユーザの特徴を表すユーザ特徴、前記世帯内ユーザ情報、および、複数の荷物に対する異なる宛先住所の複数の宛先ユーザの情報に基づいて、前記複数の宛先ユーザそれぞれの在宅時間帯と、前記複数の宛先ユーザそれぞれと同居する世帯の１以上の他のユーザの在宅時間帯を予測する予測工程と、
前記予測の結果に基づいて、前記複数の荷物に対する配送スケジュールを決定する決定工程と、
を含むことを特徴とする情報処理方法。
【請求項12】
情報処理をコンピュータに実行させるための情報処理プログラムであって、該情報処理プログラムは、前記コンピュータに、
複数のユーザ間の社会的関係性を示す関係性グラフに基づいて、各世帯について、同居する１以上のユーザで構成される世帯内ユーザ情報を生成する世帯状況取得処理と、
ユーザの特徴を表すユーザ特徴、前記世帯内ユーザ情報、および、複数の荷物に対する異なる宛先住所の複数の宛先ユーザの情報に基づいて、前記複数の宛先ユーザそれぞれの在宅時間帯と、前記複数の宛先ユーザそれぞれと同居する世帯の１以上の他のユーザの在宅時間帯を予測する予測処理と、
前記予測の結果に基づいて、前記複数の荷物に対する配送スケジュールを決定する決定処理と、を含む処理を実行させるためのものである、
情報処理プログラム。
複数のユーザ間の社会的関係性を示す関係性グラフに基づいて、各世帯について、同居する１以上のユーザで構成される世帯内ユーザ情報を生成する世帯状況取得処理と、
ユーザの特徴を表すユーザ特徴、前記世帯内ユーザ情報、および、複数の荷物に対する異なる宛先住所の複数の宛先ユーザの情報に基づいて、前記複数の宛先ユーザそれぞれの在宅時間帯と、前記複数の宛先ユーザそれぞれと同居する世帯の１以上の他のユーザの在宅時間帯を予測する予測処理と、
前記予測の結果に基づいて、前記複数の荷物に対する配送スケジュールを決定する決定処理と、を含む処理を実行させるためのものである、
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、情報処理装置、情報処理方法、および情報処理プログラムに関し、特に、荷物の配送に関連する技術に関する。
【背景技術】
【0002】
近年の電子商取引（Ｅｌｅｃｔｒｏｎｉｃ Ｃｏｍｍｅｒｃｅ）の普及に伴い、荷物の配送の需要が急速に増加している。受取ユーザが在宅でない場合、配送業者は荷物を再配達しなければならず、さらに、当該再発時であっても受取ユーザが在宅である保証はなく、配達業者への負担が高くなっている。このような課題に対処するための技術として、特許文献１には、荷受人が事前に同居人と連携して依頼し、同居人が連携を承認すると、配達員が荷受人または同居人の在宅を確認して荷受人の荷物の配達を行う仕組みが開示されている。
【先行技術文献】
【特許文献】
【0003】
【特許文献1】特開２０１９－０７０９１０号公報
【発明の概要】
【発明が解決しようとする課題】
【0004】
特許文献１に開示の仕組みによれば、同居人との連携により、再配達を減らすことが可能となる。しかしながら、当該仕組みでは、同居人の情報を、あらかじめ登録された情報として必要とするため、適切な配送スケジュールを効率的に決定することができなかった。
【0005】
本発明は上記課題に鑑みてなされたものであり、適切な配送スケジュールを効率的に決定するための仕組み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】
【0006】
上記課題を解決するために、本発明による情報処理装置の一態様は、複数のユーザ間の社会的関係性を示す関係性グラフに基づいて、各世帯について、同居する１以上のユーザで構成される世帯内ユーザ情報を生成する世帯状況取得手段と、ユーザの特徴を表すユーザ特徴、前記世帯内ユーザ情報、および、複数の荷物に対する異なる宛先住所の複数の宛先ユーザの情報に基づいて、前記複数の宛先ユーザそれぞれの在宅時間帯と、前記複数の宛先ユーザそれぞれと同居する世帯の１以上の他のユーザの在宅時間帯を予測する予測手段と、前記予測の結果に基づいて、前記複数の荷物に対する配送スケジュールを決定する決定手段と、を有する。
【0007】
上記課題を解決するために、本発明による情報処理方法の一態様は、複数のユーザ間の社会的関係性を示す関係性グラフに基づいて、各世帯について、同居する１以上のユーザで構成される世帯内ユーザ情報を生成する世帯状況取得工程と、ユーザの特徴を表すユーザ特徴、前記世帯内ユーザ情報、および、複数の荷物に対する異なる宛先住所の複数の宛先ユーザの情報に基づいて、前記複数の宛先ユーザそれぞれの在宅時間帯と、前記複数の宛先ユーザそれぞれと同居する世帯の１以上の他のユーザの在宅時間帯を予測する予測工程と、前記予測の結果に基づいて、前記複数の荷物に対する配送スケジュールを決定する決定工程と、を含む。
【0008】
上記課題を解決するために、本発明による情報処理プログラムの一態様は、情報処理をコンピュータに実行させるための情報処理プログラムであって、該情報処理プログラムは、前記コンピュータに、複数のユーザ間の社会的関係性を示す関係性グラフに基づいて、各世帯について、同居する１以上のユーザで構成される世帯内ユーザ情報を生成する世帯状況取得処理と、ユーザの特徴を表すユーザ特徴、前記世帯内ユーザ情報、および、複数の荷物に対する異なる宛先住所の複数の宛先ユーザの情報に基づいて、前記複数の宛先ユーザそれぞれの在宅時間帯と、前記複数の宛先ユーザそれぞれと同居する世帯の１以上の他のユーザの在宅時間帯を予測する予測処理と、前記予測の結果に基づいて、前記複数の荷物に対する配送スケジュールを決定する決定処理と、を含む処理を実行させるためのものである。
【発明の効果】
【0009】
本発明によれば、適切な配送スケジュールを効率的に決定するための仕組みが提供される。
上記した本発明の目的、態様および効果並びに上記されなかった本発明の目的、態様および効果は、当業者であれば添付図面および請求の範囲の記載を参照することにより下記の発明を実施するための形態から理解できるであろう。
上記した本発明の目的、態様および効果並びに上記されなかった本発明の目的、態様および効果は、当業者であれば添付図面および請求の範囲の記載を参照することにより下記の発明を実施するための形態から理解できるであろう。
【図面の簡単な説明】
【0010】
【発明を実施するための形態】
【0011】
以下、添付図面を参照して、本発明を実施するための実施形態について詳細に説明する。以下に開示される構成要素のうち、同一機能を有するものには同一の符号を付し、その説明を省略する。なお、以下に開示される実施形態は、本発明の実現手段としての一例であり、本発明が適用される装置の構成や各種条件によって適宜修正または変更されるべきものであり、本発明は以下の実施形態に限定されるものではない。また、本実施形態で説明されている特徴の組み合わせの全てが本発明の解決手段に必須のものとは限らない。
【0012】
［情報処理システムの構成例］
図１に、本実施形態による情報処理システムの構成例を示す。本情報処理システムは、その一例として、図１に示すように、情報処理装置１０と、任意の複数のユーザ１～Ｎにより使用される複数のユーザ装置１１－１～１１－Ｎ（Ｎ＞１）を含んで構成される。なお、以下の説明において、特に説明がない限り、ユーザ装置１１－１～１１－Ｎをユーザ装置１１と総称しうる。また、以下の説明において、ユーザ装置とユーザという語は同義に使用されうる。
図１に、本実施形態による情報処理システムの構成例を示す。本情報処理システムは、その一例として、図１に示すように、情報処理装置１０と、任意の複数のユーザ１～Ｎにより使用される複数のユーザ装置１１－１～１１－Ｎ（Ｎ＞１）を含んで構成される。なお、以下の説明において、特に説明がない限り、ユーザ装置１１－１～１１－Ｎをユーザ装置１１と総称しうる。また、以下の説明において、ユーザ装置とユーザという語は同義に使用されうる。
【0013】
ユーザ装置１１は、例えば、スマートフォンやタブレットといったデバイスであり、ＬＴＥ（Ｌｏｎｇ Ｔｅｒｍ Ｅｖｏｌｕｔｉｏｎ）等の公衆網や、無線ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）等の無線通信網を介して、情報処理装置１０と通信可能に構成されている。ユーザ装置１１は、液晶ディスプレイ等の表示部（表示面）を有し、各ユーザは、当該液晶ディスプレイに装備されたＧＵＩ（Ｇｒａｐｈｉｃ Ｕｓｅｒ Ｉｎｔｅｒｆａｃｅ）により各種操作を行うことができる。当該操作は、指やスタイラス等によりタップ操作、スライド操作、スクロール操作等、画面に表示された画像等のコンテンツに対する各種の操作を含む。
なお、ユーザ装置１１は、図１に示すような形態のデバイスに限らず、デスクトップ型のＰＣ（Ｐｅｒｓｏｎａｌ Ｃｏｍｐｕｔｅｒ）や、ノート型のＰＣといったデバイスであってもよい。その場合、各ユーザによる操作は、マウスやキーボードといった入力装置を用いて行われうる。また、ユーザ装置１１は、表示面を別に備えてもよい。
なお、ユーザ装置１１は、図１に示すような形態のデバイスに限らず、デスクトップ型のＰＣ（Ｐｅｒｓｏｎａｌ Ｃｏｍｐｕｔｅｒ）や、ノート型のＰＣといったデバイスであってもよい。その場合、各ユーザによる操作は、マウスやキーボードといった入力装置を用いて行われうる。また、ユーザ装置１１は、表示面を別に備えてもよい。
【0014】
ユーザ装置１１は、情報処理装置１０から、または、不図示の他の装置から情報処理装置１０を介して提供されるウェブサービス（インターネット関連サービス）にログインして、サービスを利用することができる。当該ウェブサービスは、インターネットを介して提供される、オンラインモールやネットスーパー、あるいは、通信、金融、不動産、スポーツ、旅行に関するサービスを含むことができる。ユーザ装置１１は、このようなウェブサービスを利用することにより、ユーザ装置１１のユーザに関する情報を情報処理装置１０に伝達することができる。
【0015】
例えば、ユーザ装置１１は、ユーザ装置１１のＩＰ（Ｉｎｔｅｒｎｅｔ Ｐｒｏｔｏｃｏｌ）アドレスや、ユーザの住所やユーザの氏名（名字と名前）といった、ユーザ装置やユーザに関する特徴の情報を、情報処理装置１０へ伝達することができる。
また、ユーザ装置１１は、ＧＰＳ（Ｇｌｏｂａｌ Ｐｏｓｉｔｉｏｎｉｎｇ Ｓｙｓｔｅｍ）衛星（不図示）から受信される信号等に基づいて測位計算を行い、当該計算により得られた情報を、ユーザ装置１１の位置情報として生成し、情報処理装置１０へ伝達することができる。
また、ユーザ装置１１は、ＧＰＳ（Ｇｌｏｂａｌ Ｐｏｓｉｔｉｏｎｉｎｇ Ｓｙｓｔｅｍ）衛星（不図示）から受信される信号等に基づいて測位計算を行い、当該計算により得られた情報を、ユーザ装置１１の位置情報として生成し、情報処理装置１０へ伝達することができる。
【0016】
情報処理装置１０は、ユーザ装置１１から各種情報を取得し、当該情報に基づいて、ユーザ間の社会的関係性を示す関係性グラフネットワーク（以下、関係性グラフ）の作成、世帯状況（世帯内のユーザの家族関係）の取得、および、配送スケジュールの決定を行う。
【0017】
［情報処理装置１０の機能構成］
本実施形態による情報処理装置１０は、まず、ユーザ装置１１－１～１１－Ｎから各種情報を取得し、ユーザ１～Ｎ間の社会的関係性を示す関係性グラフを作成する。そして、情報処理装置１０は、関係性グラフを用いて、世帯状況を取得する。すなわち、情報処理装置１０は、各ユーザが属する世帯を検出する。続いて、情報処理装置１０は、検出した世帯状況に基づいて、複数のユーザ宛ての荷物を配送するための効率的な配送スケジュールを決定する。なお、荷物は、配達（配送）可能なものであれば、あらゆるアイテムを含むことができる。
本実施形態による情報処理装置１０は、まず、ユーザ装置１１－１～１１－Ｎから各種情報を取得し、ユーザ１～Ｎ間の社会的関係性を示す関係性グラフを作成する。そして、情報処理装置１０は、関係性グラフを用いて、世帯状況を取得する。すなわち、情報処理装置１０は、各ユーザが属する世帯を検出する。続いて、情報処理装置１０は、検出した世帯状況に基づいて、複数のユーザ宛ての荷物を配送するための効率的な配送スケジュールを決定する。なお、荷物は、配達（配送）可能なものであれば、あらゆるアイテムを含むことができる。
【0018】
図２は、本実施形態による情報処理装置１０の機能構成の一例を示す。
図２に示す情報処理装置１０は、ユーザ特徴取得部１０１、グラフ作成部１０２、世帯状況取得部１０３、配送スケジュール決定部１０４、および出力部１０５、学習モデル記憶部１１０、およびユーザ特徴記憶部１２０を備える。学習モデル記憶部１１０は、在宅予測モデル１１１、スコア予測モデル１１２、配偶者存否予測モデル１１３、子存否予測モデル１１４、親存否予測モデル１１５、配偶者年齢予測モデル１１６、子年齢予測モデル１１７、親年齢予測モデル１１８、およびユーザ特徴予測モデル１１９を記憶している。当該各種学習モデルについては後述する。また、ユーザ特徴記憶部１２０はユーザ特徴１２１を記憶している。
図２に示す情報処理装置１０は、ユーザ特徴取得部１０１、グラフ作成部１０２、世帯状況取得部１０３、配送スケジュール決定部１０４、および出力部１０５、学習モデル記憶部１１０、およびユーザ特徴記憶部１２０を備える。学習モデル記憶部１１０は、在宅予測モデル１１１、スコア予測モデル１１２、配偶者存否予測モデル１１３、子存否予測モデル１１４、親存否予測モデル１１５、配偶者年齢予測モデル１１６、子年齢予測モデル１１７、親年齢予測モデル１１８、およびユーザ特徴予測モデル１１９を記憶している。当該各種学習モデルについては後述する。また、ユーザ特徴記憶部１２０はユーザ特徴１２１を記憶している。
【0019】
ユーザ特徴取得部１０１は、ユーザ装置１１－１～１１－Ｎのそれぞれから、当該ユーザ装置やユーザについての事実特徴（事実情報）を、ユーザ特徴として取得する。ユーザ特徴は、当該ユーザ装置やユーザから実際に、または、客観的に得られる、事実に基づく特徴（情報）である。ユーザ特徴取得部１０１は例えば、ユーザ装置１１から直接ユーザ特徴を取得することができる。また、ユーザ特徴取得部１０１は、ユーザ装置１１のユーザにより所定のウェブサービスに登録された情報として、ユーザ特徴を取得することができる。ユーザ特徴には、ユーザを識別するユーザＩＤが紐づけられている。
【0020】
ユーザ特徴は、ユーザ装置のＩＰアドレス、ユーザの住所やユーザの氏名、ユーザが保持するクレジットカードの番号、ユーザのデモグラフィック情報（性別、年齢、居住地域、職業、家族構成等の人口統計学的なユーザ属性）等を含む。また、ユーザ特徴は、ユーザ装置の時間帯（タイムスロット）ごとの位置情報（以下、ジオデータ（ジオグラフィックデータ）と称す）等を含む。
【0021】
また、ユーザ特徴は、所定のウェブサービス利用時における登録番号や登録名を含んでもよい。また、ユーザ特徴は、通話履歴、所定のウェブサービス利用時における商品のユーザの住所以外の配送先住所、所定のウェブサービス利用時の利用状況、利用履歴、検索履歴、サービスの利用により貯めることが可能なポイントに関する情報を含んでもよい。このように、ユーザ特徴は、ユーザ装置またはユーザ自身に関連する情報や、通信を介した所定のサービス利用に関する情報を含む、あらゆる情報を含むことができる。
【0022】
また、ユーザ特徴取得部１０１は、取得したユーザ特徴を、学習済みのユーザ特徴予測モデル１１９に適用して、当該ユーザ特徴に対して推定されたユーザ特徴（推定ユーザ特徴（属性））も取得するように構成される。ユーザ特徴予測モデル１１９は、対象のユーザのユーザ特徴（すなわち、事実特徴）を入力として、複数のユーザ特徴それぞれが当該対象のユーザに該当する（適合する）確率（該当確率）を出力するように構成される。ユーザ特徴取得部１０１は、該当確率から、最終的に、当該対象ユーザの推定ユーザ特徴を決定する。
【0023】
例えば、ユーザ特徴取得部１０１は、対象ユーザのユーザ特徴として、対象ユーザのデモグラフィック情報と過去のウェブサービスにおける購入履歴や趣向を示すデータをユーザ特徴予測モデル１１９に入力する。ユーザ特徴予測モデル１１９からは、該当確率として、当該対象ユーザが購入すると推定される複数のアイテムや当該対象ユーザが有しうる複数の趣向それぞれに対する確率が出力される。そして、ユーザ特徴取得部１０１は、所定値以上の確率を有するアイテムや趣向を、当該対象ユーザの推定ユーザ特徴として、取得することができる。
【0024】
ユーザ特徴取得部１０１は、取得および推定したユーザ特徴を、ユーザ特徴１２１としてユーザ特徴記憶部１２０に記憶させる。ユーザ特徴は、ユーザＩＤと紐づけて記憶される。
【0025】
グラフ作成部１０２は、ユーザ特徴取得部１０１により取得された各種ユーザ特徴を用いて、関係性グラフを作成する。関係性グラフの作成手順については後述する。
【0026】
世帯状況取得部１０３は、グラフ作成部１０２により作成された関係性グラフを用いて、世帯状況を取得する。世帯状況取得部１０３の内部構成および世帯状況の取得手順については後述する。
【0027】
配送スケジュール決定部１０４は、複数ユーザ宛ての荷物の配送リクエストに基づいて、当該複数のユーザへの効率的な配送スケジュールを決定する。当該配送リクエストは、操作者により入力部（図１５の入力部１５０５）を介して入力されてもよいし、通信部（図１５の通信Ｉ／Ｆ１５０７）を介して入力されてもよい。あるいは、当該配送リクエストは、予めシステムにおいて設定されていてもよいし、記憶部（図１５のＲＯＭ１５０２やＲＡＭ１５０３）に格納されている任意のプログラムによって設定されてもよい。
【0028】
配送リクエストには、複数の荷物それぞれについて配送に必要な情報が含まれ、例えば、複数の異なる宛先住所の情報と、複数の宛先ユーザの情報が含まれる。配送スケジュール決定部１０４は、当該複数の宛先ユーザのそれぞれのユーザ特徴に基づいて、各ユーザの在宅可能性を予測し、予測の結果から、配送スケジュールを決定する。配送スケジュール決定手順については後述する。
【0029】
出力部１０５は、配送スケジュール決定部１０４により決定された配送スケジュールを出力する。出力部１０７は、当該スケジュールに関する情報を生成して出力してもよい。当該出力は、あらゆる出力処理であり得、通信Ｉ／Ｆ（図１５の通信Ｉ／Ｆ１５０７）を介した外部装置への出力であってもよいし、表示部（図１５の表示部１５０６）への表示であってもよい。
【0030】
［関係性グラフの作成手順］
次に、本実施形態による関係性グラフの作成手順について説明する。なお、以下の説明においてユーザＡ～Ｅは、説明のために参照するユーザであり、ユーザ装置１１のユーザでありうる。また、関係性グラフは、図４Ａ～図４Ｄにおいて丸で囲まれた各ユーザノードの接続で構成され、以下の説明では、当該ユーザノードを単にユーザと称する。図３に、本実施形態によるグラフ作成部１０２により実行される関係性グラフの作成処理のフローチャートを示す。以下、図３の処理の各工程について説明する。
次に、本実施形態による関係性グラフの作成手順について説明する。なお、以下の説明においてユーザＡ～Ｅは、説明のために参照するユーザであり、ユーザ装置１１のユーザでありうる。また、関係性グラフは、図４Ａ～図４Ｄにおいて丸で囲まれた各ユーザノードの接続で構成され、以下の説明では、当該ユーザノードを単にユーザと称する。図３に、本実施形態によるグラフ作成部１０２により実行される関係性グラフの作成処理のフローチャートを示す。以下、図３の処理の各工程について説明する。
【0031】
＜Ｓ３１：リンクの作成＞
Ｓ３１では、グラフ作成部１０２は、複数のユーザ間のリンクを予測して作成する。
リンクの作成処理について、図４Ａ～図４Ｄを参照して説明する。図４Ａ～図４Ｃは、明示的リンクを説明するための図であり、図４Ｄは、暗示的リンクを説明するための図である。明示的リンクとは、２ユーザ間（ユーザペア）の明示的な共通の特徴により作成されるリンクである。暗示的リンクとは、ユーザペアの明示的な共通の特徴の存在は不明確であるものの、すでに作成されている明示的リンクを利用して、間接的な関係として作成されるリンクである。このように、ユーザ間のリンクは、明示的リンクと暗示的リンクで識別される。
Ｓ３１では、グラフ作成部１０２は、複数のユーザ間のリンクを予測して作成する。
リンクの作成処理について、図４Ａ～図４Ｄを参照して説明する。図４Ａ～図４Ｃは、明示的リンクを説明するための図であり、図４Ｄは、暗示的リンクを説明するための図である。明示的リンクとは、２ユーザ間（ユーザペア）の明示的な共通の特徴により作成されるリンクである。暗示的リンクとは、ユーザペアの明示的な共通の特徴の存在は不明確であるものの、すでに作成されている明示的リンクを利用して、間接的な関係として作成されるリンクである。このように、ユーザ間のリンクは、明示的リンクと暗示的リンクで識別される。
【0032】
図４Ａに、ユーザのユーザ装置のＩＰアドレスを共通な特徴として用いて明示的リンクを作成する例を示す。図４Ａは、ユーザＡ～Ｃが利用可能なウェブサービスとして、オンラインモール４１（電子商取引システム）、ゴルフ場予約サービス４２（ゴルフ場予約システム）、旅行関連予約サービス４３（旅行関連予約システム）、およびカード管理システム４４が存在する例を示す。図４Ａ～図４Ｃでは、これら４つのウェブサービスが示されているが、ウェブサービスの数は特定の数に限定されない。各ウェブサービスを利用するために、ユーザは、住所、名前、家族構成、およびデモグラフィック情報等を含む会員情報を登録しうる。
【0033】
オンラインモール４１は、オンラインで（インターネットを使用して）利用可能なショッピングモールである。オンラインモール４１は、例えば、ファッション、書籍、食品、コンサートチケット、不動産といった多種多様な商品やサービスを提供することができる。
ゴルフ場予約サービス４２は、オンラインでゴルフ場に関するサービスを提供するウェブサイトで運営され、例えばゴルフ場の検索および予約やレッスン情報を提供することができる。
旅行関連予約サービス４３は、オンラインで利用可能な各種旅行サービスを提供するウェブサイトで運営される。旅行関連予約サービス４３は、例えば、ホテルやトラベルツアーの予約、航空券やレンタカーの予約、観光情報、ホテル、ホテル周辺の情報を提供することができる。
カード管理システム４４は、所定のカード管理会社により発行および管理されるクレジットカードに関するサービスを提供するウェブサイトで運営される。カード管理システム４４は、オンラインモール４１、ゴルフ場予約サービス４２、および旅行関連予約サービス４３の少なくともいずれかと関連して、サービスを提供してもよい。
ゴルフ場予約サービス４２は、オンラインでゴルフ場に関するサービスを提供するウェブサイトで運営され、例えばゴルフ場の検索および予約やレッスン情報を提供することができる。
旅行関連予約サービス４３は、オンラインで利用可能な各種旅行サービスを提供するウェブサイトで運営される。旅行関連予約サービス４３は、例えば、ホテルやトラベルツアーの予約、航空券やレンタカーの予約、観光情報、ホテル、ホテル周辺の情報を提供することができる。
カード管理システム４４は、所定のカード管理会社により発行および管理されるクレジットカードに関するサービスを提供するウェブサイトで運営される。カード管理システム４４は、オンラインモール４１、ゴルフ場予約サービス４２、および旅行関連予約サービス４３の少なくともいずれかと関連して、サービスを提供してもよい。
【0034】
図４Ａの例では、ユーザＡ～Ｃはそれぞれ、同じＩＰアドレス（＝１９８．４５．６６．ｘｘ）を用いて、オンラインモール４１、ゴルフ場予約サービス４２、旅行関連予約サービス４３を利用している。ＩＰアドレスの情報は、ユーザ特徴取得部１０１により取得されうる。
このような場合、グラフ作成部１０２は、ユーザＡ～Ｃは、リンク状態４５に示すように、同じＩＰアドレスの特徴で、明示的リンク（例えば、ユーザＡとユーザＣのリンクＬ１）を相互に作成する。
このような場合、グラフ作成部１０２は、ユーザＡ～Ｃは、リンク状態４５に示すように、同じＩＰアドレスの特徴で、明示的リンク（例えば、ユーザＡとユーザＣのリンクＬ１）を相互に作成する。
【0035】
図４Ｂに、ユーザの住所の特徴を共通な特徴として用いて明示的リンクを作成する例を示す。図４Ｂは、図４Ａと同様に、ユーザＡ～Ｃが利用可能なウェブサービスとして、オンラインモール４１、ゴルフ場予約サービス４２、旅行関連予約サービス４３、およびカード管理システム４４が存在する例を示す。ここで、ユーザＡ～ユーザＣはそれぞれ、同じの住所（配送先住所）を登録して、オンラインモール４１、ゴルフ場予約サービス４２、旅行関連予約サービス４３を利用している。住所の情報は、ユーザ特徴取得部１０１により取得されうる。
このような場合、グラフ作成部１０２は、ユーザＡ～Ｃは、リンク状態４６に示すように、同じ住所の特徴で、明示的リンク（例えば、ユーザＡとユーザＣのリンクＬ１）を相互に作成する。
このような場合、グラフ作成部１０２は、ユーザＡ～Ｃは、リンク状態４６に示すように、同じ住所の特徴で、明示的リンク（例えば、ユーザＡとユーザＣのリンクＬ１）を相互に作成する。
【0036】
図４Ｃに、ユーザが使用するクレジットカード番号の特徴を共通な特徴として用いて明示的リンクを作成する例を示す。図４Ｂは、図４Ａと同様に、ユーザＡ～Ｃが利用可能なウェブサービスとして、オンラインモール４１、ゴルフ場予約サービス４２、旅行関連予約サービス４３、およびカード管理システム４４が存在する例を示す。ここで、ユーザＡ～ユーザＣはそれぞれ、同じのクレジットカードを登録して、オンラインモール４１、ゴルフ場予約サービス４２、旅行関連予約サービス４３を利用している。クレジットカードの番号を含む情報は、ユーザ特徴取得部１０１により取得されうる。
このような場合、グラフ作成部１０２は、ユーザＡ～Ｃは、リンク状態４７に示すように、同じカードの特徴で、明示的リンク（例えば、ユーザＡとユーザＣのリンクＬ１）を相互に作成する。
このような場合、グラフ作成部１０２は、ユーザＡ～Ｃは、リンク状態４７に示すように、同じカードの特徴で、明示的リンク（例えば、ユーザＡとユーザＣのリンクＬ１）を相互に作成する。
【0037】
図４Ｄに、ユーザ間に暗示的リンクを作成する例を示す。図４Ｄの例では、ユーザＡに対して、ユーザＣ、ユーザＤ、ユーザＥが明示的リンクで接続され、ユーザＢに対して、ユーザＣ、ユーザＤ、ユーザＥが明示的リンクで接続されている。このようなリンク特徴（リンク間の関係を示す特徴）を、共通の特徴空間へ埋め込み、各ユーザ（各ノード）間で暗黙的に関係性が構築されるとして推論されたリンクが、暗示的リンクとして作成（確立）される。図４Ｄの例では、ユーザＡとユーザＢは、明示的リンクで接続されていないが、共通の特徴空間で関係性を有すると推論された結果、暗示的リンクＬ２が作成されている。なお、グラフ作成部１０２は、明示的リンクで接続されたノード（ユーザ）で構成されるユーザ間関係グラフの学習（表現学習、関係学習、埋込学習、知識グラフ埋め込み）を行うことで、ユーザ間の暗示的リンクを予測し作成する。このとき、グラフ作成部１０２は、既知の埋め込みモデルまたはその拡張に適宜、基づき、当該学習を行ってよい。
【0038】
＜Ｓ３２：リンク間の関係性の推論＞
Ｓ３２では、グラフ作成部１０２は、Ｓ３１で予測および作成されたリンク間の関係性を推論する。リンク間の関係性の推論処理について、図５Ａと図５Ｂを参照して説明する。図５Ａは、リンク間の関係性の推論処理を説明するための図であり、明示的リンクで接続されたユーザＡとユーザＢ間のリンクの関係性を推論する例を示す。
Ｓ３２では、グラフ作成部１０２は、Ｓ３１で予測および作成されたリンク間の関係性を推論する。リンク間の関係性の推論処理について、図５Ａと図５Ｂを参照して説明する。図５Ａは、リンク間の関係性の推論処理を説明するための図であり、明示的リンクで接続されたユーザＡとユーザＢ間のリンクの関係性を推論する例を示す。
【0039】
グラフ作成部１０２は、Ｓ３１で作成されたリンクで接続されたユーザのペアをデータポイントとして扱い、ユーザ特徴取得部１０１により取得された各種情報を用いて、当該ペア（データポイント）を、共通のタイプを表すクラスタにグループ化する。当該各種情報は、ＩＰアドレス、住所、クレジットカード、年齢、性別、友人といった情報でありうる。また、各クラスタは、配偶者、親子、近所の人、同じ世帯、同僚、友達、同性別きょうだい、異性別きょうだい等の関係を持つクラスタでありうる。図５Ａの例では、ユーザのペアをバツ印で示し、当該ペアがグループ化されうるクラスタとして、親子クラスタ５１、配偶者クラスタ５２、同性別きょうだいクラスタ５３、友人クラスタ５４、同僚クラスタを示す。なお、図５Ａでは５つのクラスタを示すが、クラスタの数は特定の数に限定されない。
【0040】
例えば、グラフ作成部１０２は、ユーザＡとユーザＢが、同じ名字、年齢差が１０歳未満、逆の性別、同じ住所、という特徴５０を有する（共有する）場合、グラフ作成部１０２は、ユーザＡとユーザＢのペアを、夫と妻（配偶者）の関係を表すクラスタ（配偶者クラスタ５２）にグループ化することができる。
【0041】
図５Ｂに、グラフ作成部１０２により実行される、ペアをクラスタへグループ化する処理の一例のフローチャートを示す。
Ｓ５１の開始時点で、グループ化の対象のペアについて、同じ住所と同じ名字の特徴を有するものとする。Ｓ５２では、グラフ作成部１０２は、当該対象のペアについて、同じ性別の特徴を有するか否かを判定する。当該対象のペアが同じ性別の特徴を有する場合（Ｓ５２でＹｅｓ）、Ｓ５３においてグラフ作成部１０２は、当該対象のペアについて、年齢の差が所定の閾値（＝Ｘ値）以下か否かを判定する。当該対象のペアの年齢の差がＸ値より大きい場合（Ｓ５３でＮｏ）、グラフ作成部１０２は、当該対象のペアを親子クラスタ５１へグループ化する。年齢の差がＸ値以下の場合（Ｓ５３でＹｅｓ）、グラフ作成部１０２は、当該対象のペアを同性別きょうだいクラスタ５３へグループ化する。また、当該対象のペアが同じ性別の特徴を有さない場合（Ｓ５２でＮｏ）、Ｓ５４においてグラフ作成部１０２は、当該対象のペアの年齢の差が所定の閾値（＝Ｙ値）以下か否かを判定する。年齢の差がＹ値より大きい場合（Ｓ５４でＮｏ）、グラフ作成部１０２は、当該対象のペアを親子クラスタ５１へグループ化する。年齢の差がＹ値以下の場合（Ｓ５４でＹｅｓ）、グラフ作成部１０２は、当該対象のペアを配偶者クラスタ５２へグループ化する。
Ｓ５１の開始時点で、グループ化の対象のペアについて、同じ住所と同じ名字の特徴を有するものとする。Ｓ５２では、グラフ作成部１０２は、当該対象のペアについて、同じ性別の特徴を有するか否かを判定する。当該対象のペアが同じ性別の特徴を有する場合（Ｓ５２でＹｅｓ）、Ｓ５３においてグラフ作成部１０２は、当該対象のペアについて、年齢の差が所定の閾値（＝Ｘ値）以下か否かを判定する。当該対象のペアの年齢の差がＸ値より大きい場合（Ｓ５３でＮｏ）、グラフ作成部１０２は、当該対象のペアを親子クラスタ５１へグループ化する。年齢の差がＸ値以下の場合（Ｓ５３でＹｅｓ）、グラフ作成部１０２は、当該対象のペアを同性別きょうだいクラスタ５３へグループ化する。また、当該対象のペアが同じ性別の特徴を有さない場合（Ｓ５２でＮｏ）、Ｓ５４においてグラフ作成部１０２は、当該対象のペアの年齢の差が所定の閾値（＝Ｙ値）以下か否かを判定する。年齢の差がＹ値より大きい場合（Ｓ５４でＮｏ）、グラフ作成部１０２は、当該対象のペアを親子クラスタ５１へグループ化する。年齢の差がＹ値以下の場合（Ｓ５４でＹｅｓ）、グラフ作成部１０２は、当該対象のペアを配偶者クラスタ５２へグループ化する。
【0042】
＜Ｓ３３：関係性の親密度に基づくスコア割り当て＞
Ｓ３３では、グラフ作成部１０２は、Ｓ３２で推論されたペアに対する関係性の親密度に基づくスコアを予測し、当該スコアを当該ペアに割り当てる。本実施形態において、スコアは、０～１の間の数値であるが、スコアが取りうる数値に特定の限定はない。図６Ａに、ユーザペアに対する関係性の親密度に基づくスコア（以下、親密度スコア）の概念図を示す。
Ｓ３３では、グラフ作成部１０２は、Ｓ３２で推論されたペアに対する関係性の親密度に基づくスコアを予測し、当該スコアを当該ペアに割り当てる。本実施形態において、スコアは、０～１の間の数値であるが、スコアが取りうる数値に特定の限定はない。図６Ａに、ユーザペアに対する関係性の親密度に基づくスコア（以下、親密度スコア）の概念図を示す。
【0043】
図６Ａの例では、明示的リンクで接続されたユーザＡとユーザＢが有する（共有する）特徴によって、当該ユーザペア間の関係性の親密度が変化する。図６Ａの上部では、ユーザＡとユーザＢが、同性別きょうだい、同じ住所、１２００回の通話履歴、５０回のギフトのやり取り、という特徴６０を有する場合、当該ユーザペア間の関係性の親密度（すなわち、親密度スコア）は高くなる。一方、図６Ａの下部では、ユーザＡとユーザＢが、同性別きょうだい、異なる住所、３０回の通話履歴、２回のギフトのやり取り、という特徴６１を有する場合、当該ユーザペア間の関係性の親密度（すなわち、親密度スコア）は低くなる。このように、図６Ａの例のように、同性別きょうだいであるユーザＡとユーザＢであっても、当該ユーザのペアで共有される他の特徴により、当該ペアの関係性の親密度は異なるものとなる。関係性の親密度の高いペアは、互いの社会的距離が近く、高い影響を有することが観察される。一方、関係性の親密度の低いペアは、互いの社会的距離が遠く、近しい関係にないことが観察される。
【0044】
本実施形態では、ユーザペアに対する親密度スコアを、スコア予測モデル１１２を用いて予測する。図６Ｂに、スコア予測モデル１１２の概略アーキテクチャを示す。スコア予測モデル１１２は、ユーザペアの特徴６３を入力として、当該特徴６３に対する親密度スコア６４を予測する学習モデルである。
【0045】
スコア予測モデル１１２は例えば、弱教師付き学習（Ｗｅａｋ Ｓｕｐｅｒｖｉｓｅｄ Ｌｅａｒｎｉｎｇ）を行う学習モデルである。本実施形態では、スコア予測モデル１１２は、図６Ａに示したような、ユーザペアに対する複数の特徴に対して付された親密度スコア（０～１）を教師データとして学習された学習モデルとする。例えば、学習段階では、教師データとしては、図６Ａの特徴６０に設定された１に近い親密度スコアと、特徴６１に設定された０に近い親密度スコアといった組み合わせデータが使用される。当該学習処理は学習部１０８により実施される。なお、スコア予測モデル１１２は、ユーザペアの関係性の種別毎に異なってよく、一の関係性の種別に応じてトレーニングされた学習モデルであってよい。
【0046】
なお、本実施形態では、ユーザペアに対する親密度スコアを、スコア予測モデル１１２を用いて予測したが、グラフ作成部１０２は、他の手法により、当該スコアを予測するように構成されてもよい。
【0047】
以上の処理により、複数のユーザ間で明示的リンクまたは暗示的リンクが形成され、各リンク間では親密度スコアが割り当てられ、関係性グラフが作成される。関係性グラフの概念図を図７に示す。各ユーザ７１～７３それぞれは複数の特徴を有し、ユーザのペアに対しては上記のように予測された親密度スコアが割り当てられる。
【0048】
［世帯状況の取得手順］
次に、世帯状況取得部１０３による世帯状況の取得処理について説明する。まず、世帯状況取得部１０３の内部構成について説明し、次に、グラフ作成部１０２により作成された関係性グラフに基づく世帯状況の取得手順について説明する。以下、説明のために、ユーザ１～Ｎのうち、任意に選択するユーザを対象ユーザと称する。
次に、世帯状況取得部１０３による世帯状況の取得処理について説明する。まず、世帯状況取得部１０３の内部構成について説明し、次に、グラフ作成部１０２により作成された関係性グラフに基づく世帯状況の取得手順について説明する。以下、説明のために、ユーザ１～Ｎのうち、任意に選択するユーザを対象ユーザと称する。
【0049】
図８に、世帯状況取得部１０３の内部構成の一例を示す。
存否特定部８１は、対象ユーザが配偶者を有するか、子どもを有するか、および、親を有するかを推定し、特定する。存否特定部８１は、対象ユーザに関するユーザ特徴１２１に基づいて、当該特定を行いうる。また、存否特定部８１は、対象ユーザが配偶者を有するか、子どもを有するか、および、親を有するかを示す情報を、存否情報（それぞれ、配偶者存否情報、子存否情報、および、親存否情報とも称する）として生成する。
存否特定部８１は、対象ユーザが配偶者を有するか、子どもを有するか、および、親を有するかを推定し、特定する。存否特定部８１は、対象ユーザに関するユーザ特徴１２１に基づいて、当該特定を行いうる。また、存否特定部８１は、対象ユーザが配偶者を有するか、子どもを有するか、および、親を有するかを示す情報を、存否情報（それぞれ、配偶者存否情報、子存否情報、および、親存否情報とも称する）として生成する。
【0050】
存否特定部８１の処理について具体的に説明する。配偶者存否情報を生成する際、存否特定部８１は、機械学習モデルである配偶者存否予測モデル１１３に、対象ユーザのユーザ特徴１２１を入力した際の出力に基づいて、対象ユーザの配偶者の存否を推定する。存否特定部８１は、当該推定の結果を示す配偶者存否情報を生成する。
同様に、子存否情報を生成する際、存否特定部８１は、機械学習モデルである子存否予測モデル１１４に、対象ユーザのユーザ特徴１２１を入力した際の出力に基づいて、対象ユーザの子どもの存否を推定する。存否特定部８１は、当該推定の結果を示す子存否情報を生成する。
同様に、親存否情報を生成する際、存否特定部８１は、機械学習モデルである親存否予測モデル１１５に、対象ユーザのユーザ特徴１２１を入力した際の出力に基づいて、対象ユーザの親の存否を推定する。存否特定部８１は、当該推定の結果を示す親存否情報を生成する。
同様に、子存否情報を生成する際、存否特定部８１は、機械学習モデルである子存否予測モデル１１４に、対象ユーザのユーザ特徴１２１を入力した際の出力に基づいて、対象ユーザの子どもの存否を推定する。存否特定部８１は、当該推定の結果を示す子存否情報を生成する。
同様に、親存否情報を生成する際、存否特定部８１は、機械学習モデルである親存否予測モデル１１５に、対象ユーザのユーザ特徴１２１を入力した際の出力に基づいて、対象ユーザの親の存否を推定する。存否特定部８１は、当該推定の結果を示す親存否情報を生成する。
【0051】
配偶者存否予測モデル１１３、子存否予測モデル１１４、および親存否予測モデル１１５は、同様の構成を有する機械学習モデルであり、存否予測モデルと総称する。図１０に、存否予測モデルの一例を示す。
存否予測モデルは、弱教師あり学習により学習されうる。存否予測モデルは、複数のラベル関数１００１ａ～１００１ｃ（特に区別しない場合はラベル関数１００１と総称する）および生成モデル１００３を含む。ラベル関数１００１ａ～１００１ｃの出力１００２ａ～１００２ｃ（特に区別しない場合は出力１００２と総称する）は、生成モデル１００３に入力され、生成モデル１００３は、配偶者、子ども、または親の存否の推定結果を示すラベル１００４を出力する。ここで、ラベル関数（ラベリング関数に相当）の数に特に制限はない。図１０に示される機械学習モデルは、例えばＳｎｏｒｋｅｌという名称で提供される公知のものであってよい。存否予測モデルにおいて決定されるラベル１００４は、各ラベル関数１００１の出力であってもよいし、その出力が所定の手法で統計処理された統計情報に基づいて推定された情報であってもよいし、各ラベル関数１００１の出力に基づく統計情報に応じ多数決等のルールベースで決定された情報であってもよい。
存否予測モデルは、弱教師あり学習により学習されうる。存否予測モデルは、複数のラベル関数１００１ａ～１００１ｃ（特に区別しない場合はラベル関数１００１と総称する）および生成モデル１００３を含む。ラベル関数１００１ａ～１００１ｃの出力１００２ａ～１００２ｃ（特に区別しない場合は出力１００２と総称する）は、生成モデル１００３に入力され、生成モデル１００３は、配偶者、子ども、または親の存否の推定結果を示すラベル１００４を出力する。ここで、ラベル関数（ラベリング関数に相当）の数に特に制限はない。図１０に示される機械学習モデルは、例えばＳｎｏｒｋｅｌという名称で提供される公知のものであってよい。存否予測モデルにおいて決定されるラベル１００４は、各ラベル関数１００１の出力であってもよいし、その出力が所定の手法で統計処理された統計情報に基づいて推定された情報であってもよいし、各ラベル関数１００１の出力に基づく統計情報に応じ多数決等のルールベースで決定された情報であってもよい。
【0052】
配偶者存否予測モデル１１３に含まれる複数のラベル関数１００１のそれぞれは、対象ユーザのユーザ特徴１２１に基づいて、対象ユーザの配偶者が存在するか否かに関するスコアを出力する。
子存否予測モデル１１４に含まれる複数のラベル関数１００１のそれぞれは、対象ユーザのユーザ特徴１２１に基づいて、対象ユーザの子どもが存在するか否かに関するスコアを出力する。
親存否予測モデル１１５に含まれる複数のラベル関数１００１のそれぞれは、対象ユーザのユーザ特徴１２１に基づいて、対象ユーザの親が存在するか否かに関するスコアを出力する。
子存否予測モデル１１４に含まれる複数のラベル関数１００１のそれぞれは、対象ユーザのユーザ特徴１２１に基づいて、対象ユーザの子どもが存在するか否かに関するスコアを出力する。
親存否予測モデル１１５に含まれる複数のラベル関数１００１のそれぞれは、対象ユーザのユーザ特徴１２１に基づいて、対象ユーザの親が存在するか否かに関するスコアを出力する。
【0053】
生成モデル１００３は、ラベル関数１００１のそれぞれの重みに応じて、出力１００２からラベル１００４のスコアを算出する。生成モデル１００３は、複数のラベル関数１００１の出力および学習により決定される複数の関数の重みに基づいて、対象ユーザの配偶者、子ども、または親の存否を推定し、推定結果を示す存否情報を決定する。
【0054】
ラベル関数１００１は、入力パラメータに対して仮のラベルとなる出力１００２を生成する関数であり、操作者等により決定されてよい。出力１００２の値は、例えば、negative(0)、positive(1)、skipの３つのうちいずれかであってよいし、何らかの値とskipであってもよい。生成モデル１００３は、複数のラベル関数１００１の複数の出力１００２について算出されるラベルの確率に基づいて、損失が最小になるように学習される。学習においては、例えば、ラベル関数１００１の出力１００２ごとの重みが決定されてよい。また、この機械学習モデルは正解としてのラベルが存在しなくても学習することができる。
【0055】
配偶者存否予測モデル１１３において、例えば、以下に示すラベル関数１００１が設けられてよい。ラベル関数１００１の１つは、旅行関連予約サービス４３に、ユーザによる大人２人の旅行予約の履歴が存在する（登録される）場合にpositiveを出力し、存在しない場合にnegativeを出力してよい。ラベル関数１００１の他の１つは、オンラインモール４１の会員情報に、ユーザの子どもに関する情報が登録されている場合にpositiveを出力し、登録されていない場合にnegativeを出力してよい。ラベル関数１００１の他の１つは、カード管理システム４４の登録情報に、既婚かつ子どもありまたは既婚と登録されている場合にpositiveを出力し、登録されていない場合にnegativeを出力してよい。
【0056】
子存否予測モデル１１４において、例えば以下に示すラベル関数１００１が設けられてよい。ラベル関数１００１の１つは、旅行関連予約サービス４３に存在する（登録される）履歴において、最も予約の頻度の多い子どもの人数を出力してよい。ラベル関数１００１の他の１つは、オンラインモール４１の会員情報に登録される、ユーザの子どもの人数を出力してよい。ラベル関数１００１の他の１つは、カード管理システム４４の登録情報に格納される子どもの人数を出力してよい。なお、子どもの人数として、「０」、「１」、「２」、「３以上」のうちいずれかが出力されてよい。
【0057】
親存否予測モデル１１５において、例えば以下に示すラベル関数１００１が設けられてよい。ラベル関数１００１の１つは、オンラインモール４１の会員情報に登録されるユーザの連絡先において、ユーザと同じ住所を有する者の人数を出力してよい。ラベル関数１００１の他の１つは、カード管理システム４４の登録情報に格納される親の人数を出力してよい。なお、親の人数として、「０」、「１」、「２」のうちいずれかが出力されてよい。
【0058】
図８の説明に戻り、世帯特定部８２は、ユーザ１～Ｎのユーザ特徴１２１に基づいて、同居する１以上のユーザを含む世帯（同一世帯）を特定し、世帯情報を生成する。具体的には、世帯特定部８２は、ユーザ１～Ｎから、ユーザ特徴１２１に含まれるユーザの住所および名字が同一の複数のユーザを選択し、当該選択した複数のユーザは、同居する同一世帯（以下、単に「世帯」と称しうる）であると特定し、当該選択した複数のユーザのユーザＩＤを含めた世帯情報を生成する。なお、住所については、完全同一ではなくとも、住所のうち建物名を覗く部分が一致し、類似性が高い場合に、同一とみなしてもよい。また、住所が同一であれば、名字が異なっていても、同居する同一世帯とみなしてもよい。また、世帯特定部８２は、関係性グラフにも基づいて、世帯を特定してもよい。例えば、世帯特定部８２は、同一住所の関係を有する１以上のユーザを含むグループを、同一世帯と特定しうる。
【0059】
家族特定部８３は、ユーザ１～Ｎから対象ユーザを選択する。また、家族特定部８３は、対象ユーザについて、存否情報と世帯情報とに基づいて、対象ユーザが配偶者（子ども、親）を有する場合に、配偶者（子ども、親）に対応するユーザが世帯情報に含まれるかを確認する。本実施形態では、家族特定部８３により、対象ユーザは配偶者（または、子どもや親）を有するが、配偶者（または、子どもや親）に対応するユーザが世帯情報に含まれないと確認された場合に、当該配偶者（または、子どもや親）に対応するユーザを、「関連ユーザ」とも称する。ここで、関連ユーザとは、関係性グラフ内のユーザ１～Ｎとして明示されていない、家族特定部６３により新たに推定されたユーザを指す。よって、関連ユーザは、前述した関係性グラフにおいて明示されない架空のユーザ（ユーザノード）に相当する。
【0060】
年齢推定部８４は、家族特定部８３により、対象ユーザは配偶者を有するが、配偶者に対応するユーザが世帯情報に含まれないと確認された場合に、当該配偶者に対応するユーザを特定し、その年齢を推定する。
同様に、年齢推定部８４は、家族特定部８３により、対象ユーザは子どもを有するが、子どもに対応するユーザが世帯情報に含まれないと確認された場合に、当該子どもに対応するユーザ特定し、その年齢を推定する。
同様に、家族特定部８３により、対象ユーザは親を有するが、親に対応するユーザが世帯情報に含まれないと確認された場合に、当該親に対応するユーザ特定し、その年齢を推定する。
同様に、年齢推定部８４は、家族特定部８３により、対象ユーザは子どもを有するが、子どもに対応するユーザが世帯情報に含まれないと確認された場合に、当該子どもに対応するユーザ特定し、その年齢を推定する。
同様に、家族特定部８３により、対象ユーザは親を有するが、親に対応するユーザが世帯情報に含まれないと確認された場合に、当該親に対応するユーザ特定し、その年齢を推定する。
【0061】
本実施形態では、年齢推定部８４による、配偶者、子、および親に対応するユーザの年齢推定は、それぞれ配偶者年齢予測モデル１１６、子年齢予測モデル１１７、および親年齢予測モデル１１８を用いて行われる。これらの年齢予測モデルは、存否予測モデルと同様の構成、例えばＳｎｏｒｋｅｌという名称で提供される公知のものであってよい。年齢予測モデルは、各入力パラメータが与えられたラベル関数（ラベリング関数に相当）出力を利用し年齢予測を行うモデルであってよい。
【0062】
配偶者の年齢推定は、配偶者年齢予測モデル１１６を用いて行われる。配偶者年齢予測モデル１１６は、図１０に示されるような弱教師ありの機械学習モデルであってよい。配偶者年齢予測モデル１１６には、例として、対象ユーザの年齢および性別、オンラインモール４１の購入および閲覧履歴などの各種利用履歴を含む入力データが入力され、配偶者の予測年齢を出力してよい。なお、配偶者年齢予測モデル１１６は、関係性グラフにより互いに配偶者であると推定されたユーザのうち一方の年齢および性別、オンラインモール４１の購入および閲覧履歴などの各種利用履歴を含む入力データと、他方の年齢の階層を正解データとする学習データにより学習されてよい。年齢の階層は、例えば各階層が５歳の範囲を含むように設定されてよい。
【0063】
子の年齢推定は、子年齢予測モデル１１７を用いて行われる。子年齢予測モデル１１７は、図１０に示されるような弱教師ありの機械学習モデルであってよい。子年齢予測モデル１１７には、例として、対象ユーザの年齢および性別、オンラインモール４１の購入および閲覧履歴、旅行関連予約サービス４３に存在する宿泊予約などの各種利用履歴を含む入力データが入力され、子の予測年齢を出力してよい。なお、子年齢予測モデル１１７は、関係性グラフにより親子と推定されたユーザのうち親の年齢および性別、オンラインモール４１の購入および閲覧履歴などの各種利用履歴を含む入力データと、子どもの年齢の階層を正解データとする学習データにより学習されてよい。年齢の階層は、例えば各階層が５歳の範囲を含むように設定されてよい。
【0064】
親の年齢推定は、親年齢予測モデル１１８を用いて行われる。親年齢予測モデル１１８は、図１０に示されるような弱教師ありの機械学習モデルであってよい。親年齢予測モデル１１８は、例として、対象ユーザの年齢および性別、オンラインモール４１で購入した商品の種類などの各種利用履歴を含む入力データが入力され、親の予測年齢を出力してよい。なお、親年齢予測モデル１１８は、関係性グラフにより親子と推定されたユーザのうち子の年齢および性別、オンラインモール４１の購入および閲覧履歴などの各種利用履歴を含む入力データと、親の年齢の階層を正解データとする学習データにより学習されてよい。年齢の階層は、例えば各階層が５歳の範囲を含むように設定されてよい。
【0065】
世帯内関係登録部８５は、世帯内関係グラフを生成し、同居する世帯内のユーザの関係を、当該世帯内関係グラフに登録（記録）する。世帯内関係グラフ（世帯内ユーザ情報）は、同居する世帯における複数ユーザの関係を示す関係グラフである。本実施形態では、世帯内関係登録部８５は、世帯内関係グラフにおいて、複数ユーザの関係（配偶者、親、または子）の関係を示し、各ユーザについて、少なくとも、ユーザＩＤとユーザの年齢を登録する。
【0066】
次に、世帯状況を取得するための処理についてより詳細に説明する。図９は、世帯状況を取得し、世帯内関係グラフを生成する処理の一例のフローチャートである。
まず、世帯特定部８２は、ユーザ１～Ｎのユーザ特徴１２１に基づいて、世帯毎に同居する１以上のユーザを特定し、世帯情報を取得する（Ｓ９１）。世帯情報には、世帯毎に１以上のユーザのユーザＩＤが含まれる。
世帯情報が取得されると、家族特定部８３は、ユーザ１～Ｎから対象ユーザを選択する（Ｓ９２）。この処理において、家族特定部８３は、世帯特定部８２により特定された、同居する世帯の１以上のユーザを順に対象ユーザを選択してもよいし、任意の順で対象ユーザを選択してもよい。
まず、世帯特定部８２は、ユーザ１～Ｎのユーザ特徴１２１に基づいて、世帯毎に同居する１以上のユーザを特定し、世帯情報を取得する（Ｓ９１）。世帯情報には、世帯毎に１以上のユーザのユーザＩＤが含まれる。
世帯情報が取得されると、家族特定部８３は、ユーザ１～Ｎから対象ユーザを選択する（Ｓ９２）。この処理において、家族特定部８３は、世帯特定部８２により特定された、同居する世帯の１以上のユーザを順に対象ユーザを選択してもよいし、任意の順で対象ユーザを選択してもよい。
【0067】
存否特定部３２は、対象ユーザの配偶者存否情報を取得し、世帯内関係登録部８５は、当該情報に基づいて、対象ユーザと配偶者のユーザとの関係を、世帯内関係グラフに登録する（Ｓ９３）。例えば、世帯内関係登録部８５は、配偶者存否情報が、対象ユーザが配偶者を有することを示す場合、世帯ＩＤを生成し、当該世帯ＩＤの世帯内関係グラフにおいて、対象ユーザのＩＤと配偶者のユーザのＩＤをリンク付けて登録する。ここで、世帯内関係登録部８５は、対象ユーザと配偶者のユーザの年齢も登録する。
【0068】
次に、家族特定部８３は、配偶者存否情報と世帯情報に基づいて、対象ユーザが配偶者を有する場合に、配偶者に対応するユーザが世帯情報に含まれるかを確認する。そして、家族特定部８３により、対象ユーザは配偶者を有するが、配偶者に対応するユーザが世帯情報に含まれないと確認された場合に、年齢推定部８４は、配偶者年齢予測モデル１１６を用いて、当該配偶者に対応するユーザ（関連ユーザ）の年齢を推定する（Ｓ９４）。推定後、世帯内関係登録部８５は、関連ユーザのユーザＩＤを生成し、当該ユーザＩＤと推定した年齢を、世帯内関係グラフに登録する。
【0069】
続いて、Ｓ９３とＳ９４における配偶者に関連する処理と同様の処理が、Ｓ９５とＳ９６における子に関連する処理で行われる。なお、世帯内関係グラフへの登録処理は、重複する場合は行われなくてもよい。
存否特定部３２は、対象ユーザの子存否情報を取得し、世帯内関係登録部８５は、当該情報に基づいて、対象ユーザと子どものユーザとの関係を、世帯内関係グラフに登録する（Ｓ９５）。例えば、世帯内関係登録部８５は、子存否情報が、対象ユーザが子どもを有することを示す場合、世帯ＩＤを生成し、当該世帯ＩＤの世帯内関係グラフにおいて、対象ユーザのＩＤと子どものユーザのＩＤをリンク付けて登録する。ここで、世帯内関係登録部８５は、対象ユーザと子どものユーザの年齢も登録する。
存否特定部３２は、対象ユーザの子存否情報を取得し、世帯内関係登録部８５は、当該情報に基づいて、対象ユーザと子どものユーザとの関係を、世帯内関係グラフに登録する（Ｓ９５）。例えば、世帯内関係登録部８５は、子存否情報が、対象ユーザが子どもを有することを示す場合、世帯ＩＤを生成し、当該世帯ＩＤの世帯内関係グラフにおいて、対象ユーザのＩＤと子どものユーザのＩＤをリンク付けて登録する。ここで、世帯内関係登録部８５は、対象ユーザと子どものユーザの年齢も登録する。
【0070】
次に、家族特定部８３は、子存否情報と世帯情報に基づいて、対象ユーザが子どもを有する場合に、子どもに対応するユーザが世帯情報に含まれるかを確認する。そして、家族特定部８３により、対象ユーザは子どもを有するが、子どもに対応するユーザが世帯情報に含まれないと確認された場合に、年齢推定部８４は、当該子どもに対応するユーザ（関連ユーザ）の年齢を推定する（Ｓ９６）。推定後、世帯内関係登録部８５は、関連ユーザのユーザＩＤを生成し、当該ユーザＩＤと推定した年齢を、世帯内関係グラフに登録する。
【0071】
続いて、Ｓ９３とＳ９４における配偶者に関連する処理と同様の処理が、Ｓ９７とＳ９８における親に関連する処理で行われる。なお、世帯内関係グラフへの登録処理は、重複する場合は行われなくてもよい。
存否特定部３２は、対象ユーザの親存否情報を取得し、世帯内関係登録部８５は、当該情報に基づいて、対象ユーザと親のユーザとの関係を、世帯内関係グラフに登録する（Ｓ９７）。例えば、世帯内関係登録部８５は、子存否情報が、対象ユーザが親を有することを示す場合、世帯ＩＤを生成し、当該世帯ＩＤの世帯内関係グラフにおいて、対象ユーザのＩＤと親のユーザのＩＤをリンク付けて登録する。ここで、世帯内関係登録部８５は、対象ユーザと親のユーザの年齢も登録する。
存否特定部３２は、対象ユーザの親存否情報を取得し、世帯内関係登録部８５は、当該情報に基づいて、対象ユーザと親のユーザとの関係を、世帯内関係グラフに登録する（Ｓ９７）。例えば、世帯内関係登録部８５は、子存否情報が、対象ユーザが親を有することを示す場合、世帯ＩＤを生成し、当該世帯ＩＤの世帯内関係グラフにおいて、対象ユーザのＩＤと親のユーザのＩＤをリンク付けて登録する。ここで、世帯内関係登録部８５は、対象ユーザと親のユーザの年齢も登録する。
【0072】
次に、家族特定部８３は、親存否情報と世帯情報に基づいて、対象ユーザが親を有する場合に、親に対応するユーザが世帯情報に含まれるかを確認する。そして、家族特定部８３により、対象ユーザは親を有するが、親に対応するユーザが世帯情報に含まれないと確認された場合に、年齢推定部８４は、当該親に対応するユーザ（関連ユーザ）の年齢を推定する（Ｓ９８）。推定後、世帯内関係登録部８５は、関連ユーザのユーザＩＤを生成し、当該ユーザＩＤと推定した年齢を、世帯内関係グラフに登録する。
【0073】
そして、家族特定部３４は、ユーザ１～Ｎのうち、まだ選択されていないユーザが存在するか判定する（Ｓ９９）。選択されていないユーザが存在する場合は（Ｓ９９でＹｅｓ）、処理はＳ９２へ戻り、それ以外の場合は（Ｓ９９でＮｏ）、図９の処理を終了する。また、世帯内関係登録部８５は、世帯ごとの世帯内関係グラフの生成を完了する。
【0074】
図９に示す処理により、世帯内関係グラフにおいて、同一世帯に含まれる複数のユーザ間の関係が明確になるだけでなく、世帯内に存在する人物であるがユーザ登録されていない人物（すなわち、関連ユーザ）を検出することが可能になる。
【0075】
図１１に、世帯内関係グラフの例を示す。図１１に示す世帯内関係グラフ１１００は、同居する世帯の関係グラフの例である。世帯内関係グラフ１１００は、世帯ＩＤが「Ｈｏｕｓｅｈｏｌｄ＿１３００」であり、ユーザ１１０１、１１０２、および関連ユーザ１１０３を含む。ユーザ１１０１、１１０２のような、存否情報にも世帯情報にも含まれるユーザを「事実ユーザ」とも称する。ユーザ１１０１とユーザ１１０２の楕円中に記載された文字列（「１３０１」、「１３０２」）は、ユーザＩＤを示し、関連ユーザ１１０３の楕円中に記載された文字列（「ａｓｓｏｃｉａｔｅｄ＿１３０３」）は、世帯内関係登録部８５が関連ユーザを記録する際に生成（付与）したユーザＩＤを示す。また、横線のみで接続されるユーザ（または関連ユーザ）は互いに配偶者であることを示し、その横線から下に延びる縦線に接続されるユーザ（または関連ユーザ）は子どもを示す。
【0076】
さらに、世帯内関係登録部８５は、生成した世帯内関係グラフに基づいて、各世帯についての世帯内データを出力する。図１２に、各世帯についての世帯内データの例を示す。図１１の世帯内関係グラフ１１００の場合、世帯ＩＤ＝「Ｈｏｕｓｅｈｏｌｄ＿１３００」の世帯内データは、複数ユーザそれぞれの、ユーザＩＤと年齢を含むように構成される。なお、図１２の例では、世帯内データは、各ユーザの年齢を含むように構成されているが、各ユーザの性別や、複数ユーザ間の関係（配偶者、子、または親）の関係、世帯の住所といった他の情報を含むように構成されてもよい。世帯内データが世帯の住所を含む場合、世帯内関係登録部８５は、住所が近い（例えば、同じ市や町、宅配便の一配送人による配送エリア等）複数の世帯をグループ化して管理してもよい。
【0077】
［配送スケジュールの決定手順］
世帯状況が取得され、世帯内関係グラフが生成されると、配送スケジュール決定部１０４は、配送スケジュール決定処理を開始する。本実施形態では、情報処理装置１０は、（１）配送リクエストを取得して配送世帯リストを生成し、（２）学習済みの在宅予測モデル１１１を用いて、複数世帯の各ユーザについての在宅時間帯を予測し、（３）予測した在宅時間帯に基づいて配送スケジュールを決定する。以下、（１）から（３）の処理について、順に説明する。
世帯状況が取得され、世帯内関係グラフが生成されると、配送スケジュール決定部１０４は、配送スケジュール決定処理を開始する。本実施形態では、情報処理装置１０は、（１）配送リクエストを取得して配送世帯リストを生成し、（２）学習済みの在宅予測モデル１１１を用いて、複数世帯の各ユーザについての在宅時間帯を予測し、（３）予測した在宅時間帯に基づいて配送スケジュールを決定する。以下、（１）から（３）の処理について、順に説明する。
【0078】
（１）配送リクエストの取得と配送世帯リストの生成
情報処理装置１０の配送スケジュール決定部１０４は、複数ユーザ宛ての荷物の配送リクエストを取得し、当該配送リクエストから配送世帯リストを生成する。配送リクエストは、操作者により入力部（図１５の入力部１５０５）を介して入力されてもよいし、通信部（図１５の通信Ｉ／Ｆ１５０７）を介して入力されてもよい。あるいは、当該配送リクエストは、予めシステムにおいて設定されていてもよいし、記憶部（図１５のＲＯＭ１５０２やＲＡＭ１５０３）に格納されている任意のプログラムによって設定されてもよい。
情報処理装置１０の配送スケジュール決定部１０４は、複数ユーザ宛ての荷物の配送リクエストを取得し、当該配送リクエストから配送世帯リストを生成する。配送リクエストは、操作者により入力部（図１５の入力部１５０５）を介して入力されてもよいし、通信部（図１５の通信Ｉ／Ｆ１５０７）を介して入力されてもよい。あるいは、当該配送リクエストは、予めシステムにおいて設定されていてもよいし、記憶部（図１５のＲＯＭ１５０２やＲＡＭ１５０３）に格納されている任意のプログラムによって設定されてもよい。
【0079】
配送リクエストには、複数の荷物それぞれについて配送に必要な情報が含まれ、少なくとも、複数の宛先ユーザの情報が含まれる。また、配送リクエストは、当該複数の宛先ユーザそれぞれの宛先住所（異なる宛先住所）の情報が含まれうる。図１３Ａに、配送リクエストの取得処理と配送世帯リストの生成処理の概念図を示す。具体的には、図１３Ａは、配送スケジュール決定部１０４が、配送リクエスト１３０を取得し、配送リクエスト１３０から配送世帯リスト１３１を生成することを示している。配送リクエスト１３０は、複数の宛先ユーザの情報として、３つのユーザＩＤを含む（ユーザＩＤ＝１３０２、１３１１、１３２３）。配送リクエスト１３０は、あらかじめユーザＩＤの情報を含んでいてもよいし、情報処理装置１０や他の装置が、宛先ユーザに関する任意の情報から、ユーザＩＤの情報を生成して、配送リクエスト１３０に含めてもよい。
また、配送リクエスト１３０に含まれる複数の宛先ユーザは、それぞれの住所が近い（例えば、同じ市や町、宅配便の一配送人による配送エリア等）ユーザとなるように構成されている。すなわち、配送リクエスト１３０に含まれる宛先住所（複数の宛先住所）の情報は、近隣に位置する（すなわち、所定の距離的範囲内にある）住所の情報を含みうる。配送リクエスト１３０は、あらかじめ住所が近い宛先ユーザを含むように構成されていてもよいし、情報処理装置１０や他の装置が、住所が近い宛先ユーザを含むように配送リクエスト１３０を生成してもよい。
また、配送リクエスト１３０に含まれる複数の宛先ユーザは、それぞれの住所が近い（例えば、同じ市や町、宅配便の一配送人による配送エリア等）ユーザとなるように構成されている。すなわち、配送リクエスト１３０に含まれる宛先住所（複数の宛先住所）の情報は、近隣に位置する（すなわち、所定の距離的範囲内にある）住所の情報を含みうる。配送リクエスト１３０は、あらかじめ住所が近い宛先ユーザを含むように構成されていてもよいし、情報処理装置１０や他の装置が、住所が近い宛先ユーザを含むように配送リクエスト１３０を生成してもよい。
【0080】
配送スケジュール決定部１０４は、配送リクエスト１３０から、世帯状況取得部１０３により生成された世帯内関係グラフおよび／または世帯データ（図１１と図１２を参照）に基づいて、配送世帯リスト１３１を生成する。配送世帯リスト１３１は、ユーザＩＤ＝１３０２、１３１１、１３２３のそれぞれのユーザと同居する世帯と識別された他のユーザを、世帯ごとに含むリストである。配送世帯リスト１３１は、世帯ユーザリスト１３００、１３１０、１３２０を含む。各世帯ユーザリストは、宛先ユーザと、世帯内関係グラフおよび／または世帯データから、同居する同一世帯と識別された１以上のユーザとを含む。
【0081】
世帯ユーザリスト１３００は、配送リクエスト１３０に含まれるユーザＩＤ＝１３０２のユーザと同居する世帯と識別された他のユーザであるユーザＩＤ＝１３０１のユーザと、ユーザＩＤ＝１３０３のユーザを含む。同様に、世帯ユーザリスト１３１０は、配送リクエスト１３０に含まれるユーザＩＤ＝１３１１のユーザと同居する世帯と識別された他のユーザであるユーザＩＤ＝１３１２のユーザと、ユーザＩＤ＝１３１３のユーザを含む。同様に、世帯ユーザリスト１３２０は、配送リクエスト１３０に含まれるユーザＩＤ＝１３２３のユーザと同居する世帯と識別された他のユーザであるユーザＩＤ＝１３２１のユーザと、ユーザＩＤ＝１３２２のユーザを含む。
【0082】
（２）複数世帯の各ユーザについての在宅時間の予測
配送世帯リスト１３１の生成後、配送スケジュール決定部１０４は、在宅予測モデル１１１を用いて、配送世帯リスト１３１に含まれる全ユーザのそれぞれの在宅時間帯を予測する。図１３Ｂに、複数世帯の各ユーザについての在宅時間の予測処理の概念図を示す。
配送世帯リスト１３１の生成後、配送スケジュール決定部１０４は、在宅予測モデル１１１を用いて、配送世帯リスト１３１に含まれる全ユーザのそれぞれの在宅時間帯を予測する。図１３Ｂに、複数世帯の各ユーザについての在宅時間の予測処理の概念図を示す。
【0083】
在宅予測モデル１１１は、例えば、ランダムフォレストモデルや勾配ブースティング決定木モデルなどの決定木モデルによる学習モデルである。在宅予測モデル１１１は、ユーザ特徴取得部１０１により取得されたユーザ特徴と、当該ユーザ特徴の少なくともいずれかに紐づけられた過去の配達履歴（正解データ（ラベル））との組み合わせを教師データとして用いて、学習済みの学習モデルである。当該過去の配達履歴は、任意のユーザがウェブサービスを利用して過去に購入した商品の配達完了（配達成功）の際の配達日時情報を含む。当該配達日時情報は、例えば、配達された日の種別（例えば、日にち、曜日、祝日、年末年始期間、夏休み期間等）と配達された時間帯（タイムスロット）（例えば、午前中、１８時～２０時等）を含む。また、配達日時は、配送サービスが配送可能な時間を含み、本実施形態では、午前９時から午後１１時とする。
【0084】
学習済みの在宅予測モデル１１１は、一世帯の任意の対象ユーザのユーザ特徴と、当該対象ユーザと同居する同一世帯と識別された１以上の他のユーザのユーザ特徴とを入力として、対象ユーザの所定の日における所定の時間帯の在宅可能性を予測（出力）するように構成される。
配送スケジュール決定部１０４は、対象ユーザのユーザ特徴と、当該対象ユーザと同一世帯と識別された１以上の他のユーザのユーザ特徴と、日の種別（例えば、日にち、曜日、祝日等）とを、在宅予測モデル１１１に入力し、当該日の種別で示される日における当該対象ユーザの在宅時間帯を予測する。具体的には、在宅予測モデル１１１は、当該入力に対して、対象ユーザが、当該日の種別で示される日における所定の時間帯（例えば１時間毎の時間帯）に在宅可能性を０から１の数値で出力する。そして、配送スケジュール決定部１０４は、当該数値が所定の閾値（例えば、０．７）以上である全時間帯を、在宅時間帯として予測（導出）する。なお、配送スケジュール決定部１０４は、当該数値が各ユーザおよび／または各時間帯の当該数値における平均値などの統計値以上である時間帯を、在宅時間帯として予測（導出）してよい。なお、配送スケジュール決定部１０４は、当該数値が各ユーザおよび／または各時間帯の当該数値における上位Ｍ（Ｍ＞０）の時間帯を、在宅時間帯として予測（導出）してよい。
配送スケジュール決定部１０４は、対象ユーザのユーザ特徴と、当該対象ユーザと同一世帯と識別された１以上の他のユーザのユーザ特徴と、日の種別（例えば、日にち、曜日、祝日等）とを、在宅予測モデル１１１に入力し、当該日の種別で示される日における当該対象ユーザの在宅時間帯を予測する。具体的には、在宅予測モデル１１１は、当該入力に対して、対象ユーザが、当該日の種別で示される日における所定の時間帯（例えば１時間毎の時間帯）に在宅可能性を０から１の数値で出力する。そして、配送スケジュール決定部１０４は、当該数値が所定の閾値（例えば、０．７）以上である全時間帯を、在宅時間帯として予測（導出）する。なお、配送スケジュール決定部１０４は、当該数値が各ユーザおよび／または各時間帯の当該数値における平均値などの統計値以上である時間帯を、在宅時間帯として予測（導出）してよい。なお、配送スケジュール決定部１０４は、当該数値が各ユーザおよび／または各時間帯の当該数値における上位Ｍ（Ｍ＞０）の時間帯を、在宅時間帯として予測（導出）してよい。
【0085】
対象ユーザがユーザＩＤ＝１３０１の場合、ユーザＩＤ＝１３０１のユーザのユーザ特徴１２１と、ユーザＩＤ＝１３０２のユーザおよび／またはユーザＩＤ＝１３０３のユーザ特徴１２１、および日の種別（例えば、日にち、曜日、祝日等）１３２が在宅予測モデル１１１に入力され、日の種別１３２で示される日において、ユーザＩＤ＝１３０１のユーザの在宅時間帯が予測される。配送スケジュール決定部１０４は、世帯ユーザリスト１３００、１３１０、１３２０の全ユーザについて、在宅時間帯の予測を行い、予測された在宅時間帯を含む予測在宅時間帯リスト１３３を生成する。荷物の依頼ユーザが配送日時を指定した場合は、日の種別１３２および予測可能な在宅時間帯は、当該指定された日時に限定されうる。
【0086】
予測在宅時間帯リスト１３３は、各ユーザＩＤついて、日の種別１３２で示される日における予測在宅時間帯を示す。例えば、世帯ユーザリスト１３００では、ユーザＩＤ＝１３０１のユーザは、午後３時から６時まで在宅、ユーザＩＤ＝１３０２のユーザは、午後５時から１１時まで在宅、ユーザＩＤ＝１３０３のユーザは、午前９時から午後１０時まで在宅、と予測される。なお、前述したように、本実施形態では、配送サービスが配送可能な時間を午前９時から午後１１時として、在宅予測モデル１１１が学習されている。そのため、在宅予測モデル１１１は、午後１１時から午前９時まで（配送不可能時間帯）の在宅可能性は予測しないように構成されている。別の実施形態として、当該配送不可能時間帯における在宅可能性が予測されてもよい。
【0087】
在宅予測モデル１１１に入力されるユーザ特徴１２１は、例えば、デモグラフィック情報（性別、年齢、居住地域、職業、家族構成等の人口統計学的なユーザ属性）、ジオデータ（ユーザ装置の時間帯（タイムスロット）ごとの位置情報）、ユーザ装置のＩＰアドレス（送信元アドレス）でありうる。さらに、ユーザのウェブサービスの利用に関する情報等、各ユーザが有しうる全ての特徴のデータが在宅予測モデル１１１に入力されてもよい。
【0088】
また、対象ユーザと同一世帯と識別された１以上の他のユーザのユーザ特徴については、重みづけして用いてもよい。例えば、親密度スコアが高いユーザのユーザ特徴については高い重みづけを付与し、親密度スコアが低いユーザのユーザ特徴については低い重みづけを付与して、在宅予測モデル１１１に入力してもよい。
【0089】
（３）予測した在宅時間帯に基づく配送スケジュールの決定
予測在宅時間帯リスト１３３の生成後、配送スケジュール決定部１０４は、当該リストに基づいて配送スケジュールを決定する。図１３Ｃに、予測した在宅時間帯に基づく配送スケジュールの決定処理の概念図を示す。配送スケジュール決定部１０４は、予測在宅時間帯リスト１３３において、複数の世帯で共通する予測在宅時間帯を抽出する。例えば、配送スケジュール決定部１０４は、宛先ユーザに関係なく、世帯ごとの予測在宅時間帯を作成し、複数の世帯で共通する予測在宅時間帯を抽出し、当該時間帯を配送時間帯として決定する。
予測在宅時間帯リスト１３３の生成後、配送スケジュール決定部１０４は、当該リストに基づいて配送スケジュールを決定する。図１３Ｃに、予測した在宅時間帯に基づく配送スケジュールの決定処理の概念図を示す。配送スケジュール決定部１０４は、予測在宅時間帯リスト１３３において、複数の世帯で共通する予測在宅時間帯を抽出する。例えば、配送スケジュール決定部１０４は、宛先ユーザに関係なく、世帯ごとの予測在宅時間帯を作成し、複数の世帯で共通する予測在宅時間帯を抽出し、当該時間帯を配送時間帯として決定する。
【0090】
図１３Ｃの例では、配送スケジュール決定部１０４は、ユーザＩＤ＝１３０３、ユーザＩＤ＝１３１１、ユーザＩＤ＝１３２２のユーザの予測在宅時間帯が、午前９時から１１時の時間帯で共通するため、当該時間帯を抽出することができる。配送スケジュール決定部１０４は、抽出した予測在宅時間帯（配送時間帯）を含めた、配送スケジュール１３４を生成する。
【0091】
また、配送スケジュール決定部１０４は、各世帯の住所に基づいて、配送順序を決定し、当該配送順序を、配送スケジュール１３４に含めてもよい。例えば、配送スケジュール１３４は、各世帯の住所に基づいて、営業所（配送開始ポイント）から全ての世帯を回って営業所に戻る効率的（例えば最短）な配送ルートを導出し、当該配送ルートもしくは、当該配送ルートに従う配送順序を、配送スケジュール１３４に含めてもよい。
【0092】
このように、事実ユーザを含み、当該事実ユーザに関連する関連ユーザを含みうる世帯における全ユーザの在宅時間帯を予測することにより、世帯毎の在宅可能性を高い精度で予測することが可能となる。また、このような在宅時間帯の予測を、近隣の複数の世帯に対して行うことにより、当該近隣の複数の世帯における在宅可能性を高い精度で予測することができ、当該複数の世帯に含まれる複数の宛先ユーザ宛ての荷物の配送成功可能性が向上する。
【0093】
なお、本実施形態では、各世帯に関連ユーザが含まれる場合に、当該関連ユーザの在宅可能性も予測したが、当該関連ユーザの年齢が所定範囲にあるか否かにより、予測の対象とするかを決定してもよい。例えば、関連ユーザの年齢が１０歳未満の場合、一般的に安全面等の観点から荷物の受取が困難と考えられるため、所定年齢（例えば、１０歳）以上や、中学生以上といった、より高い年齢の関連ユーザを、在宅可能性予測の対象としてもよい。また、例えば、関連ユーザが高齢である場合でも、一般的に安全面等の観点から荷物の受取が困難である可能性が考えられるため、所定年齢（例えば、８０歳）以下といった、より低い年齢の関連ユーザを、在宅可能性予測の対象としてもよい。すなわち、所定範囲の年齢の関連ユーザを、在宅可能性予測の対象としてもよい。
【0094】
【0095】
Ｓ１４０１において、ユーザ特徴取得部１０１は、ユーザ装置１１－１～１１－Ｎから、各ユーザのユーザ特徴を取得し、ユーザ特徴１２１としてユーザ特徴記憶部１２０に格納する。Ｓ１４０１の処理は、過去の一定の期間におけるユーザ特徴および推定したユーザ特徴の取得（収集）処理でありうる。
【0096】
Ｓ１４０２において、グラフ作成部１０２は、ユーザ特徴取得部１０１により取得されたユーザ特徴１２１を用いて、ユーザ１～Ｎについての関係性グラフを作成する。関係性グラフの作成手順は、上述の通りである。
Ｓ１４０３において、世帯状況取得部１０３は、世帯状況を取得し、世帯内関係グラフを生成する。世帯状況を取得と世帯内関係グラフを生成手順は、上述の通りである。
Ｓ１４０３において、世帯状況取得部１０３は、世帯状況を取得し、世帯内関係グラフを生成する。世帯状況を取得と世帯内関係グラフを生成手順は、上述の通りである。
【0097】
Ｓ１４０４において、配送スケジュール決定部１０４は、配送リクエストを取得し、配送世帯リストを生成する。配送リクエストには、複数の荷物それぞれについて配送に必要な情報が含まれ、少なくとも、複数の宛先ユーザの情報が含まれる。配送リクエストと配送世帯リストの例は、図１３Ａの配送リクエスト１３０と配送世帯リスト１３１である。
【0098】
Ｓ１４０５において、配送スケジュール決定部１０４は、Ｓ１４０４で生成した配送世帯リストにおける全ユーザに対して、特定の日（日の種別（例えば、日にち、曜日、祝日等）で示される日）における在宅時間帯を予測する。上述したように、本実施形態では、配送スケジュール決定部１０４は、在宅予測モデル１１１を用いて、全ユーザに対して在宅時間帯を予測する。
【0099】
Ｓ１４０６において、配送スケジュール決定部１０４は、Ｓ１４０５において予測された在宅時間帯に基づいて、複数の世帯で共通する予測在宅時間帯を抽出する。続いて、配送スケジュール決定部１０４は、抽出した予測在宅時間帯を含めた、配送スケジュールを生成する。また、配送スケジュール決定部１０４は、各世帯の住所に基づいて、配送順序を決定し、当該配送順序を、配送スケジュールに含めてもよい。
【0100】
Ｓ１４０７において、出力部１０５は、Ｓ１４０６で生成された配送スケジュールを出力する。出力部１０７は、配送スケジュールに関する情報を生成して、外部装置（不図示）へ出力してもよい。配送スケジュールに関する情報は、例えば、地図上の各世帯の位置情報や、道路の混雑状況に基づく各世帯への到着予測時刻といった情報である。
【0101】
なお、本実施形態では、配送リクエストは、あらかじめ住所が近い（例えば、同じ市や町、宅配便の一配送人による配送エリア等）宛先ユーザを含むように構成されていることを想定したが、配送リクエストに含まれる宛先ユーザの住所の範囲をより広げてもよい。この場合、例えば、情報処理装置１０は、上述の手順に従って、特定の日について宛先ユーザを含む複数の世帯について在宅時間帯を予測し、予測の結果に従って、一配送人による配送エリアにおける配送スケジュールを決定してもよい。
【0102】
［情報処理装置１０のハードウェア構成］
図１５は、本実施形態による情報処理装置１０のハードウェア構成の一例を示すブロック図である。
本実施形態による情報処理装置１０は、単一または複数の、あらゆるコンピュータ、モバイルデバイス、または他のいかなる処理プラットフォーム上にも実装することができる。
図１５を参照して、情報処理装置１０は、単一のコンピュータに実装される例が示されているが、本実施形態による情報処理装置１０は、複数のコンピュータを含むコンピュータシステムに実装されてよい。複数のコンピュータは、有線または無線のネットワークにより相互通信可能に接続されてよい。
図１５は、本実施形態による情報処理装置１０のハードウェア構成の一例を示すブロック図である。
本実施形態による情報処理装置１０は、単一または複数の、あらゆるコンピュータ、モバイルデバイス、または他のいかなる処理プラットフォーム上にも実装することができる。
図１５を参照して、情報処理装置１０は、単一のコンピュータに実装される例が示されているが、本実施形態による情報処理装置１０は、複数のコンピュータを含むコンピュータシステムに実装されてよい。複数のコンピュータは、有線または無線のネットワークにより相互通信可能に接続されてよい。
【0103】
図１５に示すように、情報処理装置１０は、ＣＰＵ１５０１と、ＲＯＭ１５０２と、ＲＡＭ１５０３と、ＨＤＤ１５０４と、入力部１５０５と、表示部１５０６と、通信Ｉ／Ｆ１５０７と、システムバス１５０８とを備えてよい。情報処理装置１０はまた、外部メモリを備えてよい。
ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）１５０１は、情報処理装置１０における動作を統括的に制御するものであり、データ伝送路であるシステムバス１５０８を介して、各構成部（１５０２～１５０７）を制御する。
ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）１５０１は、情報処理装置１０における動作を統括的に制御するものであり、データ伝送路であるシステムバス１５０８を介して、各構成部（１５０２～１５０７）を制御する。
【0104】
ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）１５０２は、ＣＰＵ１５０１が処理を実行するために必要な制御プログラム等を記憶する不揮発性メモリである。なお、当該プログラムは、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）１５０４、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）等の不揮発性メモリや着脱可能な記憶媒体（不図示）等の外部メモリに記憶されていてもよい。
ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）１５０３は、揮発性メモリであり、ＣＰＵ１５０１の主メモリ、ワークエリア等として機能する。すなわち、ＣＰＵ１５０１は、処理の実行に際してＲＯＭ１５０２から必要なプログラム等をＲＡＭ１５０３にロードし、当該プログラム等を実行することで各種の機能動作を実現する。図２に示す学習モデル記憶部１１０とユーザ特徴記憶部１２０は、ＲＡＭ１５０３で構成されうる。
ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）１５０３は、揮発性メモリであり、ＣＰＵ１５０１の主メモリ、ワークエリア等として機能する。すなわち、ＣＰＵ１５０１は、処理の実行に際してＲＯＭ１５０２から必要なプログラム等をＲＡＭ１５０３にロードし、当該プログラム等を実行することで各種の機能動作を実現する。図２に示す学習モデル記憶部１１０とユーザ特徴記憶部１２０は、ＲＡＭ１５０３で構成されうる。
【0105】
ＨＤＤ１５０４は、例えば、ＣＰＵ１５０１がプログラムを用いた処理を行う際に必要な各種データや各種情報等を記憶している。また、ＨＤＤ１５０４には、例えば、ＣＰＵ１５０１がプログラム等を用いた処理を行うことにより得られた各種データや各種情報等が記憶される。
入力部１５０５は、キーボードやマウス等のポインティングデバイスにより構成される。
表示部１５０６は、液晶ディスプレイ（ＬＣＤ）等のモニターにより構成される。表示部１５０６は、入力部１５０５と組み合わせて構成されることにより、ＧＵＩ（Ｇｒａｐｈｉｃａｌ Ｕｓｅｒ Ｉｎｔｅｒｆａｃｅ）として機能してもよい。
入力部１５０５は、キーボードやマウス等のポインティングデバイスにより構成される。
表示部１５０６は、液晶ディスプレイ（ＬＣＤ）等のモニターにより構成される。表示部１５０６は、入力部１５０５と組み合わせて構成されることにより、ＧＵＩ（Ｇｒａｐｈｉｃａｌ Ｕｓｅｒ Ｉｎｔｅｒｆａｃｅ）として機能してもよい。
【0106】
通信Ｉ／Ｆ１５０７は、情報処理装置１０と外部装置との通信を制御するインタフェースである。
通信Ｉ／Ｆ１５０７は、ネットワークとのインタフェースを提供し、ネットワークを介して、外部装置との通信を実行する。通信Ｉ／Ｆ１５０７を介して、外部装置との間で各種データや各種パラメータ等が送受信される。本実施形態では、通信Ｉ／Ｆ１５０７は、イーサネット（登録商標）等の通信規格に準拠する有線ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）や専用線を介した通信を実行してよい。ただし、本実施形態で利用可能なネットワークはこれに限定されず、無線ネットワークで構成されてもよい。この無線ネットワークは、Ｂｌｕｅｔｏｏｔｈ（登録商標）、ＺｉｇＢｅｅ（登録商標）、ＵＷＢ（Ｕｌｔｒａ Ｗｉｄｅ Ｂａｎｄ）等の無線ＰＡＮ（Ｐｅｒｓｏｎａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）を含む。また、Ｗｉ－Ｆｉ（Ｗｉｒｅｌｅｓｓ Ｆｉｄｅｌｉｔｙ）（登録商標）等の無線ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）や、ＷｉＭＡＸ（登録商標）等の無線ＭＡＮ（Ｍｅｔｒｏｐｏｌｉｔａｎ Ａｒｅａ Ｎｅｔｗｏｒｋ）を含む。さらに、ＬＴＥ／３Ｇ、４Ｇ、５Ｇ等の無線ＷＡＮ（Ｗｉｄｅ Ａｒｅａ Ｎｅｔｗｏｒｋ）を含む。なお、ネットワークは、各機器を相互に通信可能に接続し、通信が可能であればよく、通信の規格、規模、構成は上記に限定されない。
通信Ｉ／Ｆ１５０７は、ネットワークとのインタフェースを提供し、ネットワークを介して、外部装置との通信を実行する。通信Ｉ／Ｆ１５０７を介して、外部装置との間で各種データや各種パラメータ等が送受信される。本実施形態では、通信Ｉ／Ｆ１５０７は、イーサネット（登録商標）等の通信規格に準拠する有線ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）や専用線を介した通信を実行してよい。ただし、本実施形態で利用可能なネットワークはこれに限定されず、無線ネットワークで構成されてもよい。この無線ネットワークは、Ｂｌｕｅｔｏｏｔｈ（登録商標）、ＺｉｇＢｅｅ（登録商標）、ＵＷＢ（Ｕｌｔｒａ Ｗｉｄｅ Ｂａｎｄ）等の無線ＰＡＮ（Ｐｅｒｓｏｎａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）を含む。また、Ｗｉ－Ｆｉ（Ｗｉｒｅｌｅｓｓ Ｆｉｄｅｌｉｔｙ）（登録商標）等の無線ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）や、ＷｉＭＡＸ（登録商標）等の無線ＭＡＮ（Ｍｅｔｒｏｐｏｌｉｔａｎ Ａｒｅａ Ｎｅｔｗｏｒｋ）を含む。さらに、ＬＴＥ／３Ｇ、４Ｇ、５Ｇ等の無線ＷＡＮ（Ｗｉｄｅ Ａｒｅａ Ｎｅｔｗｏｒｋ）を含む。なお、ネットワークは、各機器を相互に通信可能に接続し、通信が可能であればよく、通信の規格、規模、構成は上記に限定されない。
【0107】
図２に示す情報処理装置１０の各要素のうち少なくとも一部の機能は、ＣＰＵ１５０１がプログラムを実行することで実現することができる。ただし、図２に示す情報処理装置１０の各要素のうち少なくとも一部の機能が専用のハードウェアとして動作するようにしてもよい。この場合、専用のハードウェアは、ＣＰＵ１５０１の制御に基づいて動作する。
【0108】
［ユーザ装置１１のハードウェア構成］
図１に示すユーザ装置１１のハードウェア構成は、図１５と同様でありうる。すなわち、ユーザ装置１１は、ＣＰＵ１５０１と、ＲＯＭ１５０２と、ＲＡＭ１５０３と、ＨＤＤ１５０４と、入力部１５０５と、表示部１５０６と、通信Ｉ／Ｆ１５０７と、システムバス１５０８とを備えうる。ユーザ装置１１は、情報処理装置１０により提供された各種情報を、表示部１５０６に表示し、ＧＵＩ（入力部１５０５と表示部１５０６による構成）を介してユーザから受け付ける入力操作に対応する処理を行うことができる。
図１に示すユーザ装置１１のハードウェア構成は、図１５と同様でありうる。すなわち、ユーザ装置１１は、ＣＰＵ１５０１と、ＲＯＭ１５０２と、ＲＡＭ１５０３と、ＨＤＤ１５０４と、入力部１５０５と、表示部１５０６と、通信Ｉ／Ｆ１５０７と、システムバス１５０８とを備えうる。ユーザ装置１１は、情報処理装置１０により提供された各種情報を、表示部１５０６に表示し、ＧＵＩ（入力部１５０５と表示部１５０６による構成）を介してユーザから受け付ける入力操作に対応する処理を行うことができる。
【0109】
このように、情報処理装置１０は、複数のユーザのユーザ特徴から、ユーザ間の社会的関係性を示す関係性グラフネットワーク（関係性グラフ）を作成し、当該関係性グラフを用いて、世帯状況を取得する。そして、情報処理装置１０は、世帯における全ユーザの在宅時間帯を予測し、世帯毎の在宅可能性を予測する。また、情報処理装置１０は、このような在宅時間帯の予測を、複数の世帯に対して行い、配送スケジュールを決定する。結果として、当該複数の世帯における在宅可能性を高い精度で予測した適切な配送スケジュールを、効率的、かつ、自動的に決定することができ、配送業者による再配達リスクが減少しうる。
【0110】
なお、上記において特定の実施形態が説明されているが、当該実施形態は単なる例示であり、本発明の範囲を限定する意図はない。本明細書に記載された装置および方法は上記した以外の形態において具現化することができる。また、本発明の範囲から離れることなく、上記した実施形態に対して適宜、省略、置換および変更をなすこともできる。かかる省略、置換および変更をなした形態は、請求の範囲に記載されたものおよびこれらの均等物の範疇に含まれ、本発明の技術的範囲に属する。
【0111】
本実施形態の開示は以下の構成を含む。
［１］複数のユーザ間の社会的関係性を示す関係性グラフに基づいて、各世帯について、同居する１以上のユーザで構成される世帯内ユーザ情報を生成する世帯状況取得手段と、ユーザの特徴を表すユーザ特徴、前記世帯内ユーザ情報、および、複数の荷物に対する異なる宛先住所の複数の宛先ユーザの情報に基づいて、前記複数の宛先ユーザそれぞれの在宅時間帯と、前記複数の宛先ユーザそれぞれと同居する世帯の１以上の他のユーザの在宅時間帯を予測する予測手段と、前記予測の結果に基づいて、前記複数の荷物に対する配送スケジュールを決定する決定手段と、を有する情報処理装置。
［１］複数のユーザ間の社会的関係性を示す関係性グラフに基づいて、各世帯について、同居する１以上のユーザで構成される世帯内ユーザ情報を生成する世帯状況取得手段と、ユーザの特徴を表すユーザ特徴、前記世帯内ユーザ情報、および、複数の荷物に対する異なる宛先住所の複数の宛先ユーザの情報に基づいて、前記複数の宛先ユーザそれぞれの在宅時間帯と、前記複数の宛先ユーザそれぞれと同居する世帯の１以上の他のユーザの在宅時間帯を予測する予測手段と、前記予測の結果に基づいて、前記複数の荷物に対する配送スケジュールを決定する決定手段と、を有する情報処理装置。
【0112】
［２］前記ユーザ特徴に基づいて、前記関係性グラフを作成する作成手段を更に有する、［１］に記載の情報処理装置。
【0113】
［３］前記ユーザ特徴は、ユーザについて事実特徴と、前記事実特徴に基づいて推定される推定ユーザ特徴を含む、［１］または［２］に記載の情報処理装置。
【0114】
［４］前記異なる宛先住所は、所定の距離的範囲内にある住所である、［１］から［３］のいずれかに記載の情報処理装置。
【0115】
［５］前記世帯状況取得手段は、前記関係性グラフに基づいて、各世帯について、配偶者、子ども、および親の少なくともいずれかの関係を有する事実ユーザと、配偶者、子ども、および親の少なくともいずれかの関係を有すると予測される関連ユーザを特定し、前記事実ユーザと前記関連ユーザの情報を含めた前記世帯内ユーザ情報を生成する、［１］から［４］に記載の情報処理装置。
【0116】
［６］前記世帯状況取得手段は、さらに、前記ユーザ特徴から前記事実ユーザの年齢の情報を取得し、前記関連ユーザの年齢を予測する、［５］に記載の情報処理装置。
【0117】
［７］前記予測手段は、前記複数の宛先ユーザと、前記複数の宛先ユーザそれぞれと同居する世帯の１以上のユーザのうち、所定範囲の年齢のユーザそれぞれの在宅時間帯を予測する、［５］に記載の情報処理装置。
【0118】
［８］前記予測手段は、前記複数の宛先ユーザのユーザ特徴と、前記複数の宛先ユーザそれぞれと同居する世帯の１以上のユーザそれぞれのユーザ特徴を入力として、所定の日における在宅時間帯を出力するように構成された機械学習モデルを用いて、前記在宅時間帯を予測する、［１］から［７］のいずれかに記載の情報処理装置。
【0119】
［９］前記決定手段は、前記異なる宛先住所に対応する複数の世帯の１以上のユーザに対して予測された在宅時間帯のうち、当該複数の世帯で共通の時間帯を配送時間帯として決定し、当該配送時間帯を前記配送スケジュールとして決定する、［１］から［８］のいずれかに記載の情報処理装置。
【0120】
［１０］前記決定手段は、前記異なる宛先住所に基づいて、最短な配送ルートを決定し、前記配送時間帯と配送ルートとを、前記配送スケジュールとして決定する、［９］に記載の情報処理装置。
【0121】
［１１］複数のユーザ間の社会的関係性を示す関係性グラフに基づいて、各世帯について、同居する１以上のユーザで構成される世帯内ユーザ情報を生成する世帯状況取得工程と、ユーザの特徴を表すユーザ特徴、前記世帯内ユーザ情報、および、複数の荷物に対する異なる宛先住所の複数の宛先ユーザの情報に基づいて、前記複数の宛先ユーザそれぞれの在宅時間帯と、前記複数の宛先ユーザそれぞれと同居する世帯の１以上の他のユーザの在宅時間帯を予測する予測工程と、前記予測の結果に基づいて、前記複数の荷物に対する配送スケジュールを決定する決定工程と、を含む情報処理方法。
【0122】
［１２］情報処理をコンピュータに実行させるための情報処理プログラムであって、該情報処理プログラムは、前記コンピュータに、複数のユーザ間の社会的関係性を示す関係性グラフに基づいて、各世帯について、同居する１以上のユーザで構成される世帯内ユーザ情報を生成する世帯状況取得処理と、ユーザの特徴を表すユーザ特徴、前記世帯内ユーザ情報、および、複数の荷物に対する異なる宛先住所の複数の宛先ユーザの情報に基づいて、前記複数の宛先ユーザそれぞれの在宅時間帯と、前記複数の宛先ユーザそれぞれと同居する世帯の１以上の他のユーザの在宅時間帯を予測する予測処理と、前記予測の結果に基づいて、前記複数の荷物に対する配送スケジュールを決定する決定処理と、を含む処理を実行させるためのものである。
【符号の説明】
【0123】
１～Ｎ：ユーザ、１０：情報処理装置、１１－１～１１－Ｎ：ユーザ装置、１０１：ユーザ特徴取得部、１０２：グラフ作成部、１０３：世帯状況取得部、１０４：配送スケジュール決定部、１０５：出力部、１１０：学習モデル記憶部、１１１：在宅予測モデル、１１２：スコア予測モデル、１１３：配偶者存否予測モデル、１１４：子存否予測モデル、１１５：親存否予測モデル、１１６：配偶者年齢予測モデル、１１７：子年齢予測モデル、１１８：親年齢予測モデル、１１９：ユーザ特徴予測モデル、１２０：ユーザ特徴記憶部、１２１：ユーザ特徴
【図1】
【図2】
【図3】
【図4A】
【図4B】
【図4C】
【図4D】
【図5A】
【図5B】
【図6A】
【図6B】
【図7】
【図8】
【図9】
【図10】
【図11】
【図12】
【図13A】
【図13B】
【図13C】
【図14】
【図15】
【手続補正書】
【提出日】2023-11-15
【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】
複数のユーザ間の社会的関係性を示す関係性グラフに基づいて、各世帯について、同居する１以上のユーザで構成される世帯内ユーザ情報を生成する世帯状況取得手段と、
ユーザの特徴を表すユーザ特徴、前記世帯内ユーザ情報、および、複数の荷物に対する異なる宛先住所の複数の宛先ユーザの情報に基づいて、前記複数の宛先ユーザそれぞれの在宅時間帯と、前記複数の宛先ユーザそれぞれと同居する世帯の１以上の他のユーザの在宅時間帯を予測する予測手段と、
前記予測の結果に基づいて、前記複数の荷物に対する配送スケジュールを決定する決定手段と、
を有することを特徴とする情報処理装置。
ユーザの特徴を表すユーザ特徴、前記世帯内ユーザ情報、および、複数の荷物に対する異なる宛先住所の複数の宛先ユーザの情報に基づいて、前記複数の宛先ユーザそれぞれの在宅時間帯と、前記複数の宛先ユーザそれぞれと同居する世帯の１以上の他のユーザの在宅時間帯を予測する予測手段と、
前記予測の結果に基づいて、前記複数の荷物に対する配送スケジュールを決定する決定手段と、
を有することを特徴とする情報処理装置。
【請求項2】
前記ユーザ特徴に基づいて、前記関係性グラフを作成する作成手段を更に有する、
ことを特徴とする請求項１に記載の情報処理装置。
ことを特徴とする請求項１に記載の情報処理装置。
【請求項3】
前記ユーザ特徴は、ユーザについて事実特徴と、前記事実特徴に基づいて推定される推定ユーザ特徴を含む、
ことを特徴とする請求項１に記載の情報処理装置。
ことを特徴とする請求項１に記載の情報処理装置。
【請求項4】
前記異なる宛先住所は、所定の距離的範囲内にある住所である、
ことを特徴とする請求項１に記載の情報処理装置。
ことを特徴とする請求項１に記載の情報処理装置。
【請求項5】
前記世帯状況取得手段は、前記関係性グラフに基づいて、各世帯について、
配偶者、子ども、および親の少なくともいずれかの関係を有する事実ユーザと、
配偶者、子ども、および親の少なくともいずれかの関係を有すると予測される関連ユーザを特定し、
前記事実ユーザと前記関連ユーザの情報を含めた前記世帯内ユーザ情報を生成する、
ことを特徴とする請求項１に記載の情報処理装置。
配偶者、子ども、および親の少なくともいずれかの関係を有する事実ユーザと、
配偶者、子ども、および親の少なくともいずれかの関係を有すると予測される関連ユーザを特定し、
前記事実ユーザと前記関連ユーザの情報を含めた前記世帯内ユーザ情報を生成する、
ことを特徴とする請求項１に記載の情報処理装置。
【請求項6】
前記世帯状況取得手段は、さらに、前記ユーザ特徴から前記事実ユーザの年齢の情報を取得し、前記関連ユーザの年齢を予測する、ことを特徴とする請求項５に記載の情報処理装置。
【請求項7】
前記予測手段は、前記複数の宛先ユーザと、前記複数の宛先ユーザそれぞれと同居する世帯の１以上のユーザのうち、所定範囲の年齢のユーザそれぞれの在宅時間帯を予測する、
ことを特徴とする請求項６に記載の情報処理装置。
ことを特徴とする請求項６に記載の情報処理装置。
【請求項8】
前記予測手段は、前記複数の宛先ユーザのユーザ特徴と、前記複数の宛先ユーザそれぞれと同居する世帯の１以上のユーザそれぞれのユーザ特徴を入力として、所定の日における在宅時間帯を出力するように構成された機械学習モデルを用いて、前記在宅時間帯を予測する、
ことを特徴とする請求項１に記載の情報処理装置。
ことを特徴とする請求項１に記載の情報処理装置。
【請求項9】
前記決定手段は、前記異なる宛先住所に対応する複数の世帯の１以上のユーザに対して予測された在宅時間帯のうち、当該複数の世帯で共通の時間帯を配送時間帯として決定し、当該配送時間帯を前記配送スケジュールとして決定する、
ことを特徴とする請求項１に記載の情報処理装置。
ことを特徴とする請求項１に記載の情報処理装置。
【請求項10】
前記決定手段は、前記異なる宛先住所に基づいて、最短な配送ルートを決定し、
前記配送時間帯と配送ルートとを、前記配送スケジュールとして決定する、
ことを特徴とする請求項９に記載の情報処理装置。
前記配送時間帯と配送ルートとを、前記配送スケジュールとして決定する、
ことを特徴とする請求項９に記載の情報処理装置。
【請求項11】
情報処理装置によって実行される情報処理方法であって、
複数のユーザ間の社会的関係性を示す関係性グラフに基づいて、各世帯について、同居する１以上のユーザで構成される世帯内ユーザ情報を生成する世帯状況取得工程と、
ユーザの特徴を表すユーザ特徴、前記世帯内ユーザ情報、および、複数の荷物に対する異なる宛先住所の複数の宛先ユーザの情報に基づいて、前記複数の宛先ユーザそれぞれの在宅時間帯と、前記複数の宛先ユーザそれぞれと同居する世帯の１以上の他のユーザの在宅時間帯を予測する予測工程と、
前記予測の結果に基づいて、前記複数の荷物に対する配送スケジュールを決定する決定工程と、
を含むことを特徴とする情報処理方法。
複数のユーザ間の社会的関係性を示す関係性グラフに基づいて、各世帯について、同居する１以上のユーザで構成される世帯内ユーザ情報を生成する世帯状況取得工程と、
ユーザの特徴を表すユーザ特徴、前記世帯内ユーザ情報、および、複数の荷物に対する異なる宛先住所の複数の宛先ユーザの情報に基づいて、前記複数の宛先ユーザそれぞれの在宅時間帯と、前記複数の宛先ユーザそれぞれと同居する世帯の１以上の他のユーザの在宅時間帯を予測する予測工程と、
前記予測の結果に基づいて、前記複数の荷物に対する配送スケジュールを決定する決定工程と、
を含むことを特徴とする情報処理方法。
【請求項12】
情報処理をコンピュータに実行させるための情報処理プログラムであって、該情報処理プログラムは、前記コンピュータに、
複数のユーザ間の社会的関係性を示す関係性グラフに基づいて、各世帯について、同居する１以上のユーザで構成される世帯内ユーザ情報を生成する世帯状況取得処理と、
ユーザの特徴を表すユーザ特徴、前記世帯内ユーザ情報、および、複数の荷物に対する異なる宛先住所の複数の宛先ユーザの情報に基づいて、前記複数の宛先ユーザそれぞれの在宅時間帯と、前記複数の宛先ユーザそれぞれと同居する世帯の１以上の他のユーザの在宅時間帯を予測する予測処理と、
前記予測の結果に基づいて、前記複数の荷物に対する配送スケジュールを決定する決定処理と、を含む処理を実行させるためのものである、
情報処理プログラム。
複数のユーザ間の社会的関係性を示す関係性グラフに基づいて、各世帯について、同居する１以上のユーザで構成される世帯内ユーザ情報を生成する世帯状況取得処理と、
ユーザの特徴を表すユーザ特徴、前記世帯内ユーザ情報、および、複数の荷物に対する異なる宛先住所の複数の宛先ユーザの情報に基づいて、前記複数の宛先ユーザそれぞれの在宅時間帯と、前記複数の宛先ユーザそれぞれと同居する世帯の１以上の他のユーザの在宅時間帯を予測する予測処理と、
前記予測の結果に基づいて、前記複数の荷物に対する配送スケジュールを決定する決定処理と、を含む処理を実行させるためのものである、
情報処理プログラム。