知財求人 - 知財ポータルサイト「IP Force」
特開2024-55650連合学習装置、サーバ装置、連合学習システム、連合学習方法、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】P2024055650
(43)【公開日】2024-04-18
(54)【発明の名称】連合学習装置、サーバ装置、連合学習システム、連合学習方法、およびプログラム
(51)【国際特許分類】
G06Q 30/0601 20230101AFI20240411BHJP
G06Q 10/04 20230101ALI20240411BHJP
【ＦＩ】
G06Q30/06 330
G06Q10/04
【審査請求】未請求
【請求項の数】10
【出願形態】ＯＬ
(21)【出願番号】P 2022162746
(22)【出願日】2022-10-07
(71)【出願人】
【識別番号】000004237
【氏名又は名称】日本電気株式会社
(74)【代理人】
【識別番号】110000338
【氏名又は名称】弁理士法人 ＨＡＲＡＫＥＮＺＯ ＷＯＲＬＤ ＰＡＴＥＮＴ ＆ ＴＲＡＤＥＭＡＲＫ
(72)【発明者】
【氏名】寺西 勇
【テーマコード（参考）】
5L010
5L030
5L049
【Ｆターム（参考）】
5L010AA04
5L030BB53
5L049AA04
5L049BB53
(57)【要約】
【課題】情報の提供を受ける側にとって適切な情報を作成する。
【解決手段】連合学習装置１は、各商品に対する各ユーザによる評価を示す評価値、及び、各対象属性に関する各評価対象の属性値、を含む第１学習データセットを用いて、評価値が得られていない評価対象およびユーザの組み合わせに対応する評価値を予測する第１予測モデルを学習させる学習部１１と、第１予測モデルの少なくとも一部を表す第１パラメータ情報をサーバ装置に送信するパラメータ情報送信部１２と、第１学習データセットと同様に構成された第２学習データセットを用いて学習された第２予測モデルの少なくとも一部を表す第２パラメータ情報と、第１パラメータ情報と、が統合された統合パラメータ情報を、サーバ装置から取得するパラメータ情報取得部１３と、第１パラメータ情報を統合パラメータ情報に置き換えることにより第１予測モデルを更新する更新部１４と、を含む。
【選択図】図１
【解決手段】連合学習装置１は、各商品に対する各ユーザによる評価を示す評価値、及び、各対象属性に関する各評価対象の属性値、を含む第１学習データセットを用いて、評価値が得られていない評価対象およびユーザの組み合わせに対応する評価値を予測する第１予測モデルを学習させる学習部１１と、第１予測モデルの少なくとも一部を表す第１パラメータ情報をサーバ装置に送信するパラメータ情報送信部１２と、第１学習データセットと同様に構成された第２学習データセットを用いて学習された第２予測モデルの少なくとも一部を表す第２パラメータ情報と、第１パラメータ情報と、が統合された統合パラメータ情報を、サーバ装置から取得するパラメータ情報取得部１３と、第１パラメータ情報を統合パラメータ情報に置き換えることにより第１予測モデルを更新する更新部１４と、を含む。
【選択図】図１
【特許請求の範囲】
【請求項1】
評価対象リスト内の一部又は全部の評価対象の各々に対する評価値であって、ユーザリスト内の各ユーザによる評価を示す評価値、及び、前記評価対象リスト内の一部又は全部の評価対象の各々が有する対象属性値であって、対象属性リスト内の各対象属性に関する対象属性値、を含む第１学習データセットを用いて、前記評価値が得られていない評価対象およびユーザの組み合わせに対応する評価値を予測する第１予測モデルを学習させる学習手段と、
前記第１予測モデルの少なくとも一部を表す第１パラメータ情報をサーバ装置に送信するパラメータ情報送信手段と、
前記第１学習データセットと同様に構成された第２学習データセットであって、前記第１学習データセットに対して前記評価対象リスト、前記ユーザリスト、前記対象属性リスト、各評価値、および各対象属性値の少なくとも一部が異なる第２学習データセットを用いて学習された第２予測モデルの少なくとも一部を表す第２パラメータ情報と、前記第１パラメータ情報と、が統合された統合パラメータ情報を、前記サーバ装置から取得するパラメータ情報取得手段と、
前記第１パラメータ情報を前記統合パラメータ情報に置き換えることにより前記第１予測モデルを更新する更新手段と、
を含む、連合学習装置。
前記第１予測モデルの少なくとも一部を表す第１パラメータ情報をサーバ装置に送信するパラメータ情報送信手段と、
前記第１学習データセットと同様に構成された第２学習データセットであって、前記第１学習データセットに対して前記評価対象リスト、前記ユーザリスト、前記対象属性リスト、各評価値、および各対象属性値の少なくとも一部が異なる第２学習データセットを用いて学習された第２予測モデルの少なくとも一部を表す第２パラメータ情報と、前記第１パラメータ情報と、が統合された統合パラメータ情報を、前記サーバ装置から取得するパラメータ情報取得手段と、
前記第１パラメータ情報を前記統合パラメータ情報に置き換えることにより前記第１予測モデルを更新する更新手段と、
を含む、連合学習装置。
【請求項2】
前記第１学習データセットは、さらに、前記ユーザリスト内の一部又は全部のユーザの各々が有するユーザ属性値であって、ユーザ属性リスト内の各ユーザ属性に関するユーザ属性値を含み、
前記学習手段は、当該第１学習データセットを用いて前記第１予測モデルを学習させる、
請求項１に記載の連合学習装置。
前記学習手段は、当該第１学習データセットを用いて前記第１予測モデルを学習させる、
請求項１に記載の連合学習装置。
【請求項3】
前記学習手段は、
前記第１学習データセットを、前記各ユーザおよび前記各評価対象の組み合わせに対応する評価値のうち一部が欠損した多次元配列として、当該多次元配列を分解した複数のベクトルを前記第１予測モデルとして求め、
前記パラメータ情報送信手段は、前記複数のベクトルの少なくとも一部を前記第１パラメータ情報として送信する、
請求項１または２に記載の連合学習装置。
前記第１学習データセットを、前記各ユーザおよび前記各評価対象の組み合わせに対応する評価値のうち一部が欠損した多次元配列として、当該多次元配列を分解した複数のベクトルを前記第１予測モデルとして求め、
前記パラメータ情報送信手段は、前記複数のベクトルの少なくとも一部を前記第１パラメータ情報として送信する、
請求項１または２に記載の連合学習装置。
【請求項4】
前記学習手段は、
前記多次元配列の欠損していない評価値に対して、前記複数のベクトルの積において当該評価値に対応する成分が近似するように、当該複数のベクトルを求める、
請求項３に記載の連合学習装置。
前記多次元配列の欠損していない評価値に対して、前記複数のベクトルの積において当該評価値に対応する成分が近似するように、当該複数のベクトルを求める、
請求項３に記載の連合学習装置。
【請求項5】
前記パラメータ情報送信手段は、前記第１予測モデルを表す情報のうち、前記第１学習データセットおよび前記第２学習データセットに共通する情報に起因して得られたパラメータ情報を、前記第１パラメータ情報として送信する、
請求項１または２に記載の連合学習装置。
請求項１または２に記載の連合学習装置。
【請求項6】
前記第１予測モデルを用いて、前記評価値が得られていない評価対象およびユーザの組み合わせに対応する評価値を予測する予測手段、
をさらに含む、請求項１または２に記載の連合学習装置。
をさらに含む、請求項１または２に記載の連合学習装置。
【請求項7】
請求項１に記載の連合学習装置としてそれぞれ機能する複数の連合学習装置の各々から前記第１パラメータ情報を取得するパラメータ情報取得手段と、
複数の前記第１パラメータ情報を統合することにより前記統合パラメータ情報を生成する統合手段と、
前記統合パラメータ情報を、前記複数の連合学習装置のそれぞれに送信するパラメータ情報送信手段と、
を含むサーバ装置。
複数の前記第１パラメータ情報を統合することにより前記統合パラメータ情報を生成する統合手段と、
前記統合パラメータ情報を、前記複数の連合学習装置のそれぞれに送信するパラメータ情報送信手段と、
を含むサーバ装置。
【請求項8】
請求項１に記載された連合学習装置としてそれぞれ機能する複数の連合学習装置と、
請求項７に記載されたサーバ装置と、
を含む、連合学習システム。
請求項７に記載されたサーバ装置と、
を含む、連合学習システム。
【請求項9】
コンピュータが、
評価対象リスト内の一部又は全部の評価対象の各々に対する評価値であって、ユーザリスト内の各ユーザによる評価を示す評価値、及び、前記評価対象リスト内の一部又は全部の評価対象の各々が有する対象属性値であって、対象属性リスト内の各対象属性に関する対象属性値、を含む第１学習データセットを用いて、前記評価値が得られていない評価対象およびユーザの組み合わせに対応する評価値を予測する第１予測モデルを学習させることと、
前記第１予測モデルの少なくとも一部を表す第１パラメータ情報をサーバ装置に送信することと、
前記第１学習データセットと同様に構成された第２学習データセットであって、前記第１学習データセットに対して前記評価対象リスト、前記ユーザリスト、前記対象属性リスト、各評価値、および各対象属性値の少なくとも一部が異なる第２学習データセットを用いて学習された第２予測モデルの少なくとも一部を表す第２パラメータ情報と、前記第１パラメータ情報と、が統合された統合パラメータ情報を、前記サーバ装置から取得することと、
前記第１パラメータ情報を前記統合パラメータ情報に置き換えることにより前記第１予測モデルを更新することと、
を含む、連合学習方法。
評価対象リスト内の一部又は全部の評価対象の各々に対する評価値であって、ユーザリスト内の各ユーザによる評価を示す評価値、及び、前記評価対象リスト内の一部又は全部の評価対象の各々が有する対象属性値であって、対象属性リスト内の各対象属性に関する対象属性値、を含む第１学習データセットを用いて、前記評価値が得られていない評価対象およびユーザの組み合わせに対応する評価値を予測する第１予測モデルを学習させることと、
前記第１予測モデルの少なくとも一部を表す第１パラメータ情報をサーバ装置に送信することと、
前記第１学習データセットと同様に構成された第２学習データセットであって、前記第１学習データセットに対して前記評価対象リスト、前記ユーザリスト、前記対象属性リスト、各評価値、および各対象属性値の少なくとも一部が異なる第２学習データセットを用いて学習された第２予測モデルの少なくとも一部を表す第２パラメータ情報と、前記第１パラメータ情報と、が統合された統合パラメータ情報を、前記サーバ装置から取得することと、
前記第１パラメータ情報を前記統合パラメータ情報に置き換えることにより前記第１予測モデルを更新することと、
を含む、連合学習方法。
【請求項10】
コンピュータを、
評価対象リスト内の一部又は全部の評価対象の各々に対する評価値であって、ユーザリスト内の各ユーザによる評価を示す評価値、及び、前記評価対象リスト内の一部又は全部の評価対象の各々が有する対象属性値であって、対象属性リスト内の各対象属性に関する対象属性値、を含む第１学習データセットを用いて、前記評価値が得られていない評価対象およびユーザの組み合わせに対応する評価値を予測する第１予測モデルを学習させる学習手段と、
前記第１予測モデルの少なくとも一部を表す第１パラメータ情報をサーバ装置に送信するパラメータ情報送信手段と、
前記第１学習データセットと同様に構成された第２学習データセットであって、前記第１学習データセットに対して前記評価対象リスト、前記ユーザリスト、前記対象属性リスト、各評価値、および各対象属性値の少なくとも一部が異なる第２学習データセットを用いて学習された第２予測モデルの少なくとも一部を表す第２パラメータ情報と、前記第１パラメータ情報と、が統合された統合パラメータ情報を、前記サーバ装置から取得するパラメータ情報取得手段と、
前記第１パラメータ情報を前記統合パラメータ情報に置き換えることにより前記第１予測モデルを更新する更新手段と、
として機能させる、プログラム。
評価対象リスト内の一部又は全部の評価対象の各々に対する評価値であって、ユーザリスト内の各ユーザによる評価を示す評価値、及び、前記評価対象リスト内の一部又は全部の評価対象の各々が有する対象属性値であって、対象属性リスト内の各対象属性に関する対象属性値、を含む第１学習データセットを用いて、前記評価値が得られていない評価対象およびユーザの組み合わせに対応する評価値を予測する第１予測モデルを学習させる学習手段と、
前記第１予測モデルの少なくとも一部を表す第１パラメータ情報をサーバ装置に送信するパラメータ情報送信手段と、
前記第１学習データセットと同様に構成された第２学習データセットであって、前記第１学習データセットに対して前記評価対象リスト、前記ユーザリスト、前記対象属性リスト、各評価値、および各対象属性値の少なくとも一部が異なる第２学習データセットを用いて学習された第２予測モデルの少なくとも一部を表す第２パラメータ情報と、前記第１パラメータ情報と、が統合された統合パラメータ情報を、前記サーバ装置から取得するパラメータ情報取得手段と、
前記第１パラメータ情報を前記統合パラメータ情報に置き換えることにより前記第１予測モデルを更新する更新手段と、
として機能させる、プログラム。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、連合学習を行う技術に関する。
【背景技術】
【0002】
ユーザに推薦する商品を決定するために、ユーザが過去に購入した商品につけたレーティング等をもとに、他の商品に対するユーザの興味を予測する技術が知られている。
【0003】
非特許文献１には、このような予測を、連合学習を用いて実現する技術が記載されている。ここで、連合学習とは、複数のクライアントがそれぞれ有する学習データセットを用いて１つの予測モデルを学習する技術である。連合学習においては、各クライアントが有する学習データセットは他のクライアントに開示されないので、情報の秘匿性が担保される。非特許文献１に記載された技術は、協調フィルタリングを連合学習で実現している。また、非特許文献２には、レーティングに加えてユーザ属性を考慮してユーザの興味を予測することで、ユーザに商品を推薦する技術が記載されている。
【先行技術文献】
【非特許文献】
【0004】
【非特許文献1】Muhammad Ammad-ud-din et. al.， "FEDERATED COLLABORATIVE FILTERING FOR PRIVACY-PRESERVING PERSONALIZED RECOMMENDATION SYSTEM", arXiv:1901.09888(cs), Submitted on 29 Jan 2019
【非特許文献2】Q. Nguyen and F. Ricci., "User preferences initialization and integration in critique based mobile recommender systems", Artificial Intelligence in Mobile Systems, pp. 71- 78, 2004.
【発明の概要】
【発明が解決しようとする課題】
【0005】
しかし、非特許文献１及び非特許文献２に開示されている技術を用いたとしても、情報の提供を受ける側にとって適切な情報を作成することができない。この理由は、非特許文献１及び非特許文献２に開示されている技術が選ぶ情報の精度が低いからである。
【0006】
そこで、本発明の目的の１つは、情報の提供を受ける側にとって適切な情報を作成することが可能な連合学習装置等を提供することである。
【課題を解決するための手段】
【0007】
本発明の一態様に係る連合学習装置は、評価対象リスト内の一部又は全部の評価対象の各々に対する評価値であって、ユーザリスト内の各ユーザによる評価を示す評価値、及び、前記評価対象リスト内の一部又は全部の評価対象の各々が有する対象属性値であって、対象属性リスト内の各対象属性に関する対象属性値、を含む第１学習データセットを用いて、前記評価値が得られていない評価対象およびユーザの組み合わせに対応する評価値を予測する第１予測モデルを学習させる学習手段と、前記第１予測モデルの少なくとも一部を表す第１パラメータ情報をサーバ装置に送信するパラメータ情報送信手段と、前記第１学習データセットと同様に構成された第２学習データセットであって、前記第１学習データセットに対して前記評価対象リスト、前記ユーザリスト、前記対象属性リスト、各評価値、および各対象属性値の少なくとも一部が異なる第２学習データセットを用いて学習された第２予測モデルの少なくとも一部を表す第２パラメータ情報と、前記第１パラメータ情報と、が統合された統合パラメータ情報を、前記サーバ装置から取得するパラメータ情報取得手段と、前記第１パラメータ情報を前記統合パラメータ情報に置き換えることにより前記第１予測モデルを更新する更新手段と、を含む。
【0008】
本発明の一態様に係るサーバ装置は、上述した連合学習装置としてそれぞれ機能する複数の連合学習装置の各々から前記第１パラメータ情報を取得するパラメータ情報取得手段と、複数の前記第１パラメータ情報を統合することにより前記統合パラメータ情報を生成する統合手段と、前記統合パラメータ情報を、前記複数の連合学習装置のそれぞれに送信するパラメータ情報送信手段と、を含む。
【0009】
本発明の一態様に係る連合学習システムは、上述した連合学習装置としてそれぞれ機能する複数の連合学習装置と、上述したサーバ装置と、を含む。
【0010】
本発明の一態様に係る連合学習方法は、コンピュータが、評価対象リスト内の一部又は全部の評価対象の各々に対する評価値であって、ユーザリスト内の各ユーザによる評価を示す評価値、及び、前記評価対象リスト内の一部又は全部の評価対象の各々が有する対象属性値であって、対象属性リスト内の各対象属性に関する対象属性値、を含む第１学習データセットを用いて、前記評価値が得られていない評価対象およびユーザの組み合わせに対応する評価値を予測する第１予測モデルを学習させることと、前記第１予測モデルの少なくとも一部を表す第１パラメータ情報をサーバ装置に送信することと、前記第１学習データセットと同様に構成された第２学習データセットであって、前記第１学習データセットに対して前記評価対象リスト、前記ユーザリスト、前記対象属性リスト、各評価値、および各対象属性値の少なくとも一部が異なる第２学習データセットを用いて学習された第２予測モデルの少なくとも一部を表す第２パラメータ情報と、前記第１パラメータ情報と、が統合された統合パラメータ情報を、前記サーバ装置から取得することと、前記第１パラメータ情報を前記統合パラメータ情報に置き換えることにより前記第１予測モデルを更新することと、を含む。
【0011】
本発明の一態様に係るプログラムは、コンピュータを、評価対象リスト内の一部又は全部の評価対象の各々に対する評価値であって、ユーザリスト内の各ユーザによる評価を示す評価値、及び、前記評価対象リスト内の一部又は全部の評価対象の各々が有する対象属性値であって、対象属性リスト内の各対象属性に関する対象属性値、を含む第１学習データセットを用いて、前記評価値が得られていない評価対象およびユーザの組み合わせに対応する評価値を予測する第１予測モデルを学習させる学習手段と、前記第１予測モデルの少なくとも一部を表す第１パラメータ情報をサーバ装置に送信するパラメータ情報送信手段と、前記第１学習データセットと同様に構成された第２学習データセットであって、前記第１学習データセットに対して前記評価対象リスト、前記ユーザリスト、前記対象属性リスト、各評価値、および各対象属性値の少なくとも一部が異なる第２学習データセットを用いて学習された第２予測モデルの少なくとも一部を表す第２パラメータ情報と、前記第１パラメータ情報と、が統合された統合パラメータ情報を、前記サーバ装置から取得するパラメータ情報取得手段と、前記第１パラメータ情報を前記統合パラメータ情報に置き換えることにより前記第１予測モデルを更新する更新手段と、として機能させる。
【0012】
本発明の一態様に係る記録媒体は、コンピュータを、評価対象リスト内の一部又は全部の評価対象の各々に対する評価値であって、ユーザリスト内の各ユーザによる評価を示す評価値、及び、前記評価対象リスト内の一部又は全部の評価対象の各々が有する対象属性値であって、対象属性リスト内の各対象属性に関する対象属性値、を含む第１学習データセットを用いて、前記評価値が得られていない評価対象およびユーザの組み合わせに対応する評価値を予測する第１予測モデルを学習させる学習手段と、前記第１予測モデルの少なくとも一部を表す第１パラメータ情報をサーバ装置に送信するパラメータ情報送信手段と、前記第１学習データセットと同様に構成された第２学習データセットであって、前記第１学習データセットに対して前記評価対象リスト、前記ユーザリスト、前記対象属性リスト、各評価値、および各対象属性値の少なくとも一部が異なる第２学習データセットを用いて学習された第２予測モデルの少なくとも一部を表す第２パラメータ情報と、前記第１パラメータ情報と、が統合された統合パラメータ情報を、前記サーバ装置から取得するパラメータ情報取得手段と、前記第１パラメータ情報を前記統合パラメータ情報に置き換えることにより前記第１予測モデルを更新する更新手段と、として機能させる、プログラムを記録している。
【発明の効果】
【0013】
本発明の一態様によれば、情報の提供を受ける側にとって適切な情報を作成することができる。
【図面の簡単な説明】
【0014】
【図1】本発明の例示的実施形態１に係る連合学習装置の構成を示すブロック図である。
【図2】本発明の例示的実施形態１に係る連合学習方法の流れを示すフロー図である。
【図3】本発明の例示的実施形態２に係るサーバ装置の構成を示すブロック図である。
【図4】本発明の例示的実施形態２に係る連合学習方法の流れを示すフロー図である。
【図5】本発明の例示的実施形態３に係る連合学習システムの構成を示すブロック図である。
【図6】本発明の例示的実施形態３に係る連合学習方法の流れを示すフロー図である。
【図7】本発明の例示的実施形態４に係る連合学習システムの全体構成を示すブロック図である。
【図8】本発明の例示的実施形態４に係る連合学習の概要を説明する模式図である。
【図9】本発明の例示的実施形態４に係るクライアント装置の機能的な構成を示すブロック図である。
【図10】本発明の例示的実施形態４に係るサーバ装置の機能的な構成を示すブロック図である。
【図11】本発明の例示的実施形態４に係るサービサー装置の機能的な構成を示すブロック図である。
【図12】本発明の例示的実施形態４に係る情報処理方法の流れを説明するフロー図である。
【図13】本発明の例示的実施形態４に係る他の情報処理方法の流れを説明するフロー図である。
【図14】本発明の例示的実施形態４に係るさらに他の情報処理方法の流れを説明するフロー図である。
【図15】本発明の例示的実施形態４に係るさらに他の情報処理方法の流れを説明するフロー図である。
【図16】本発明の例示的実施形態４に係るさらに他の情報処理方法の流れを説明するフロー図である。
【図17】本発明の例示的実施形態４に係るさらに他の情報処理方法の流れを説明するフロー図である。
【図18】本発明の例示的実施形態４に係る連合学習方法の流れを説明するフロー図である。
【図19】本発明の例示的実施形態４に係るサーバ初期化方法の流れを説明するフロー図である。
【図20】本発明の例示的実施形態４に係るクライアント初期化方法の流れを示すフロー図である。
【図21】本発明の例示的実施形態４に係るクライアント学習方法の流れを示すフロー図である。
【図22】本発明の例示的実施形態４に係るサーバ学習方法の流れを示すフロー図である。
【図23】本発明の各例示的実施形態に係る各装置を構成するハードウェア構成の一例を示す図である。
【発明を実施するための形態】
【0015】
以下の各例示的実施形態において、連合学習とは、複数のクライアントがそれぞれ有する学習データセットを用いて１つの予測モデルを学習する技術である。連合学習においては、各クライアントが有する学習データセットは他のクライアントに開示されないので、情報の秘匿性が担保される。
【0016】
〔例示的実施形態１〕
本発明の第１の例示的実施形態について、図面を参照して詳細に説明する。本例示的実施形態は、後述する例示的実施形態２～４の基本となる形態である。
本発明の第１の例示的実施形態について、図面を参照して詳細に説明する。本例示的実施形態は、後述する例示的実施形態２～４の基本となる形態である。
【0017】
（連合学習装置１の構成）
本例示的実施形態に係る連合学習装置１の構成について、図１を参照して説明する。図１は、連合学習装置１の構成を示すブロック図である。図１に示すように、連合学習装置１は、学習部１１と、パラメータ情報送信部１２と、パラメータ情報取得部１３と、更新部１４と、を含む。学習部１１は、評価対象リスト内の一部又は全部の評価対象の各々に対する評価値であって、ユーザリスト内の各ユーザによる評価を示す評価値、及び、評価対象リスト内の一部又は全部の評価対象の各々が有する対象属性値であって、対象属性リスト内の各対象属性に関する対象属性値、を含む第１学習データセットを用いて、評価値が得られていない評価対象およびユーザの組み合わせに対応する評価値を予測する第１予測モデルを学習させる。
本例示的実施形態に係る連合学習装置１の構成について、図１を参照して説明する。図１は、連合学習装置１の構成を示すブロック図である。図１に示すように、連合学習装置１は、学習部１１と、パラメータ情報送信部１２と、パラメータ情報取得部１３と、更新部１４と、を含む。学習部１１は、評価対象リスト内の一部又は全部の評価対象の各々に対する評価値であって、ユーザリスト内の各ユーザによる評価を示す評価値、及び、評価対象リスト内の一部又は全部の評価対象の各々が有する対象属性値であって、対象属性リスト内の各対象属性に関する対象属性値、を含む第１学習データセットを用いて、評価値が得られていない評価対象およびユーザの組み合わせに対応する評価値を予測する第１予測モデルを学習させる。
【0018】
パラメータ情報送信部１２は、第１予測モデルの少なくとも一部を表す第１パラメータ情報をサーバ装置に送信する。パラメータ情報取得部１３は、第１学習データセットと同様に構成された第２学習データセットであって、第１学習データセットに対して評価対象リスト、ユーザリスト、対象属性リスト、各評価値、および各対象属性値の少なくとも一部が異なる第２学習データセットを用いて学習された第２予測モデルの少なくとも一部を表す第２パラメータ情報と、第１パラメータ情報と、が統合された統合パラメータ情報を、サーバ装置から取得する。更新部１４は、第１パラメータ情報を統合パラメータ情報に置き換えることにより第１予測モデルを更新する。
【0019】
（プログラムによる実現例）
連合学習装置１をコンピュータにより構成する場合、コンピュータのメモリ（本例示的実施形態に係る記録媒体）には、本例示的実施形態に係る以下のプログラムが記憶される。当該プログラムは、コンピュータを、評価対象リスト内の一部又は全部の評価対象の各々に対する評価値であって、ユーザリスト内の各ユーザによる評価を示す評価値、及び、評価対象リスト内の一部又は全部の評価対象の各々が有する対象属性値であって、対象属性リスト内の各対象属性に関する対象属性値、を含む第１学習データセットを用いて、評価値が得られていない評価対象およびユーザの組み合わせに対応する評価値を予測する第１予測モデルを学習させる学習部１１と、第１予測モデルの少なくとも一部を表す第１パラメータ情報をサーバ装置に送信するパラメータ情報送信部１２と、第１学習データセットと同様に構成された第２学習データセットであって、第１学習データセットに対して評価対象リスト、ユーザリスト、対象属性リスト、各評価値、および各対象属性値の少なくとも一部が異なる第２学習データセットを用いて学習された第２予測モデルの少なくとも一部を表す第２パラメータ情報と、第１パラメータ情報と、が統合された統合パラメータ情報を、サーバ装置から取得するパラメータ情報取得部１３と、第１パラメータ情報を統合パラメータ情報に置き換えることにより第１予測モデルを更新する更新部１４と、として機能させる。
連合学習装置１をコンピュータにより構成する場合、コンピュータのメモリ（本例示的実施形態に係る記録媒体）には、本例示的実施形態に係る以下のプログラムが記憶される。当該プログラムは、コンピュータを、評価対象リスト内の一部又は全部の評価対象の各々に対する評価値であって、ユーザリスト内の各ユーザによる評価を示す評価値、及び、評価対象リスト内の一部又は全部の評価対象の各々が有する対象属性値であって、対象属性リスト内の各対象属性に関する対象属性値、を含む第１学習データセットを用いて、評価値が得られていない評価対象およびユーザの組み合わせに対応する評価値を予測する第１予測モデルを学習させる学習部１１と、第１予測モデルの少なくとも一部を表す第１パラメータ情報をサーバ装置に送信するパラメータ情報送信部１２と、第１学習データセットと同様に構成された第２学習データセットであって、第１学習データセットに対して評価対象リスト、ユーザリスト、対象属性リスト、各評価値、および各対象属性値の少なくとも一部が異なる第２学習データセットを用いて学習された第２予測モデルの少なくとも一部を表す第２パラメータ情報と、第１パラメータ情報と、が統合された統合パラメータ情報を、サーバ装置から取得するパラメータ情報取得部１３と、第１パラメータ情報を統合パラメータ情報に置き換えることにより第１予測モデルを更新する更新部１４と、として機能させる。
【0020】
（連合学習方法Ｓ１の流れ）
以上のように構成された連合学習装置１は、本例示的実施形態に係る連合学習方法Ｓ１を実行する。連合学習方法Ｓ１について、図２を参照して説明する。図２は、連合学習方法Ｓ１の流れを説明するフロー図である。図２に示すように、連合学習方法Ｓ１は、ステップＳ１１～Ｓ１４を含む。
以上のように構成された連合学習装置１は、本例示的実施形態に係る連合学習方法Ｓ１を実行する。連合学習方法Ｓ１について、図２を参照して説明する。図２は、連合学習方法Ｓ１の流れを説明するフロー図である。図２に示すように、連合学習方法Ｓ１は、ステップＳ１１～Ｓ１４を含む。
【0021】
ステップＳ１１において、学習部１１は、評価対象リスト内の一部又は全部の評価対象の各々に対する評価値であって、ユーザリスト内の各ユーザによる評価を示す評価値、及び、評価対象リスト内の一部又は全部の評価対象の各々が有する対象属性値であって、対象属性リスト内の各対象属性に関する対象属性値、を含む第１学習データセットを用いて、評価値が得られていない評価対象およびユーザの組み合わせに対応する評価値を予測する第１予測モデルを学習させる。
【0022】
ステップＳ１２において、パラメータ情報送信部１２は、第１予測モデルの少なくとも一部を表す第１パラメータ情報をサーバ装置に送信する。
【0023】
ステップＳ１３において、パラメータ情報取得部１３は、第１学習データセットと同様に構成された第２学習データセットであって、第１学習データセットに対して評価対象リスト、ユーザリスト、対象属性リスト、各評価値、および各対象属性値の少なくとも一部が異なる第２学習データセットを用いて学習された第２予測モデルの少なくとも一部を表す第２パラメータ情報と、第１パラメータ情報と、が統合された統合パラメータ情報を、サーバ装置から取得する。
【0024】
ステップＳ１４において、更新部１４は、第１パラメータ情報を統合パラメータ情報に置き換えることにより第１予測モデルを更新する。
【0025】
（本例示的実施形態の効果）
以上のように、本例示的実施形態においては、（ｉ）評価対象リスト内の一部又は全部の評価対象の各々に対する評価値であって、ユーザリスト内の各ユーザによる評価を示す評価値、及び、評価対象リスト内の一部又は全部の評価対象の各々が有する対象属性値であって、対象属性リスト内の各対象属性に関する対象属性値、を含む第１学習データセットを用いて、評価値が得られていない評価対象およびユーザの組み合わせに対応する評価値を予測する第１予測モデルを学習させ、（ｉｉ）第１予測モデルの少なくとも一部を表す第１パラメータ情報をサーバ装置に送信し、（ｉｉｉ）第１学習データセットと同様に構成された第２学習データセットであって、第１学習データセットに対して評価対象リスト、ユーザリスト、対象属性リスト、各評価値、および各対象属性値の少なくとも一部が異なる第２学習データセットを用いて学習された第２予測モデルの少なくとも一部を表す第２パラメータ情報と、第１パラメータ情報と、が統合された統合パラメータ情報を、サーバ装置から取得し、（ｉｖ）第１パラメータ情報を統合パラメータ情報に置き換えることにより第１予測モデルを更新する、との構成が採用されている。上記構成によって生成した第１予測モデルを用いることにより、情報の提供を受ける側にとって適切な情報を作成することができる、との効果を奏する。
以上のように、本例示的実施形態においては、（ｉ）評価対象リスト内の一部又は全部の評価対象の各々に対する評価値であって、ユーザリスト内の各ユーザによる評価を示す評価値、及び、評価対象リスト内の一部又は全部の評価対象の各々が有する対象属性値であって、対象属性リスト内の各対象属性に関する対象属性値、を含む第１学習データセットを用いて、評価値が得られていない評価対象およびユーザの組み合わせに対応する評価値を予測する第１予測モデルを学習させ、（ｉｉ）第１予測モデルの少なくとも一部を表す第１パラメータ情報をサーバ装置に送信し、（ｉｉｉ）第１学習データセットと同様に構成された第２学習データセットであって、第１学習データセットに対して評価対象リスト、ユーザリスト、対象属性リスト、各評価値、および各対象属性値の少なくとも一部が異なる第２学習データセットを用いて学習された第２予測モデルの少なくとも一部を表す第２パラメータ情報と、第１パラメータ情報と、が統合された統合パラメータ情報を、サーバ装置から取得し、（ｉｖ）第１パラメータ情報を統合パラメータ情報に置き換えることにより第１予測モデルを更新する、との構成が採用されている。上記構成によって生成した第１予測モデルを用いることにより、情報の提供を受ける側にとって適切な情報を作成することができる、との効果を奏する。
【0026】
〔例示的実施形態２〕
本発明の第２の例示的実施形態について、図面を参照して詳細に説明する。本例示的実施形態は、後述する例示的実施形態３～４の基本となる形態である。
本発明の第２の例示的実施形態について、図面を参照して詳細に説明する。本例示的実施形態は、後述する例示的実施形態３～４の基本となる形態である。
【0027】
（サーバ装置２の構成）
本例示的実施形態に係るサーバ装置２の構成について、図３を参照して説明する。図３は、サーバ装置２の構成を示すブロック図である。図３に示すように、サーバ装置２は、パラメータ情報取得部２１と、統合部２２と、パラメータ情報送信部２３と、を含む。パラメータ情報取得部２１は、例示的実施形態１に係る連合学習装置１として機能する複数の連合学習装置１の各々から第１パラメータ情報を取得する。統合部２２は、複数の第１パラメータ情報を統合することにより統合パラメータ情報を生成する。パラメータ情報送信部２３は、統合パラメータ情報を、複数の連合学習装置１のそれぞれに送信する。
本例示的実施形態に係るサーバ装置２の構成について、図３を参照して説明する。図３は、サーバ装置２の構成を示すブロック図である。図３に示すように、サーバ装置２は、パラメータ情報取得部２１と、統合部２２と、パラメータ情報送信部２３と、を含む。パラメータ情報取得部２１は、例示的実施形態１に係る連合学習装置１として機能する複数の連合学習装置１の各々から第１パラメータ情報を取得する。統合部２２は、複数の第１パラメータ情報を統合することにより統合パラメータ情報を生成する。パラメータ情報送信部２３は、統合パラメータ情報を、複数の連合学習装置１のそれぞれに送信する。
【0028】
（プログラムによる実現例）
サーバ装置２をコンピュータにより構成する場合、コンピュータのメモリ（本例示的実施形態に係る記録媒体）には、本例示的実施形態に係る以下のプログラムが記憶される。当該プログラムは、コンピュータを、例示的実施形態１に係る連合学習装置１として機能する複数の連合学習装置１の各々から第１パラメータ情報を取得するパラメータ情報取得部２１と、複数の第１パラメータ情報を統合することにより統合パラメータ情報を生成する統合部２２と、統合パラメータ情報を、複数の連合学習装置１のそれぞれに送信するパラメータ情報送信部２３と、として機能させる。
サーバ装置２をコンピュータにより構成する場合、コンピュータのメモリ（本例示的実施形態に係る記録媒体）には、本例示的実施形態に係る以下のプログラムが記憶される。当該プログラムは、コンピュータを、例示的実施形態１に係る連合学習装置１として機能する複数の連合学習装置１の各々から第１パラメータ情報を取得するパラメータ情報取得部２１と、複数の第１パラメータ情報を統合することにより統合パラメータ情報を生成する統合部２２と、統合パラメータ情報を、複数の連合学習装置１のそれぞれに送信するパラメータ情報送信部２３と、として機能させる。
【0029】
（連合学習方法Ｓ２の流れ）
以上のように構成されたサーバ装置２は、本例示的実施形態に係る連合学習方法Ｓ２を実行する。連合学習方法Ｓ２について、図４を参照して説明する。図４は、連合学習方法Ｓ２の流れを説明するフロー図である。図４に示すように、連合学習方法Ｓ２は、ステップＳ２１～Ｓ２３を含む。
以上のように構成されたサーバ装置２は、本例示的実施形態に係る連合学習方法Ｓ２を実行する。連合学習方法Ｓ２について、図４を参照して説明する。図４は、連合学習方法Ｓ２の流れを説明するフロー図である。図４に示すように、連合学習方法Ｓ２は、ステップＳ２１～Ｓ２３を含む。
【0030】
ステップＳ２１において、パラメータ情報取得部２１は、例示的実施形態１に係る連合学習装置１として機能する複数の連合学習装置１の各々から第１パラメータ情報を取得する。
【0031】
ステップＳ２２において、統合部２２は、複数の第１パラメータ情報を統合することにより統合パラメータ情報を生成する。
【0032】
ステップＳ２３において、パラメータ情報送信部２３は、統合パラメータ情報を、複数の連合学習装置１のそれぞれに送信する。
【0033】
（本例示的実施形態の効果）
以上のように、本例示的実施形態においては、例示的実施形態１に係る連合学習装置１として機能する複数の連合学習装置１の各々から第１パラメータ情報を取得し、複数の第１パラメータ情報を統合することにより統合パラメータ情報を生成し、統合パラメータ情報を、複数の連合学習装置１のそれぞれに送信する、との構成が採用されている。上記構成によって、連合学習装置において生成された第１予測モデルを用いることにより、情報の提供を受ける側にとって適切な情報を作成することができる、との効果を奏する。
以上のように、本例示的実施形態においては、例示的実施形態１に係る連合学習装置１として機能する複数の連合学習装置１の各々から第１パラメータ情報を取得し、複数の第１パラメータ情報を統合することにより統合パラメータ情報を生成し、統合パラメータ情報を、複数の連合学習装置１のそれぞれに送信する、との構成が採用されている。上記構成によって、連合学習装置において生成された第１予測モデルを用いることにより、情報の提供を受ける側にとって適切な情報を作成することができる、との効果を奏する。
【0034】
〔例示的実施形態３〕
本発明の第３の例示的実施形態について、図面を参照して詳細に説明する。なお、例示的実施形態１～２にて説明した構成要素と同じ機能を有する構成要素については、同じ符号を付記し、その説明を繰り返さない。
本発明の第３の例示的実施形態について、図面を参照して詳細に説明する。なお、例示的実施形態１～２にて説明した構成要素と同じ機能を有する構成要素については、同じ符号を付記し、その説明を繰り返さない。
【0035】
（連合学習システム１０の構成）
本例示的実施形態に係る連合学習システム１０の構成について、図５を参照して説明する。図５は、連合学習システム１０の構成を示すブロック図である。図５に示すように、連合学習システム１０は、例示的実施形態１に係る連合学習装置１として機能する複数のクライアント装置１Ａ、１Ｂと、例示的実施形態２に係るサーバ装置２と、を含む。これらのサーバ装置２は、クライアント装置１Ａおよび１Ａのそれぞれと通信可能に接続される。
本例示的実施形態に係る連合学習システム１０の構成について、図５を参照して説明する。図５は、連合学習システム１０の構成を示すブロック図である。図５に示すように、連合学習システム１０は、例示的実施形態１に係る連合学習装置１として機能する複数のクライアント装置１Ａ、１Ｂと、例示的実施形態２に係るサーバ装置２と、を含む。これらのサーバ装置２は、クライアント装置１Ａおよび１Ａのそれぞれと通信可能に接続される。
【0036】
（連合学習方法Ｓ３の流れ）
以上のように構成された連合学習システム１０は、本例示的実施形態に係る連合学習方法Ｓ３を実行する。連合学習方法Ｓ３の流れについて、図６を参照して説明する。図６は、連合学習方法Ｓ３の流れを説明するフロー図である。図６に示すように、連合学習方法Ｓ３は、ステップＳ１１～Ｓ１４を含む。
以上のように構成された連合学習システム１０は、本例示的実施形態に係る連合学習方法Ｓ３を実行する。連合学習方法Ｓ３の流れについて、図６を参照して説明する。図６は、連合学習方法Ｓ３の流れを説明するフロー図である。図６に示すように、連合学習方法Ｓ３は、ステップＳ１１～Ｓ１４を含む。
【0037】
ステップＳ１１において、クライアント装置１Ａの学習部１１は、評価対象リスト内の一部又は全部の評価対象の各々に対する評価値であって、ユーザリスト内の各ユーザによる評価を示す評価値、及び、評価対象リスト内の一部又は全部の評価対象の各々が有する対象属性値であって、対象属性リスト内の各対象属性に関する対象属性値、を含む第１学習データセットを用いて、評価値が得られていない評価対象およびユーザの組み合わせに対応する評価値を予測する第１予測モデルを学習させる。
【0038】
また、クライアント装置１Ｂの学習部１１は、第１学習データセットと同様に構成された第２学習データセットであって、第１学習データセットに対して評価対象リスト、ユーザリスト、対象属性リスト、各評価値、および各対象属性値の少なくとも一部が異なる第２学習データセットを用いて、評価値が得られていない評価対象およびユーザの組み合わせに対応する評価値を予測する第２予測モデルを学習させる。
【0039】
ステップＳ１２において、クライアント装置１Ａのパラメータ情報送信部１２は、第１予測モデルの少なくとも一部を表す第１パラメータ情報をサーバ装置２に送信する。また、クライアント装置１Ｂのパラメータ情報送信部１２は、第２予測モデルの少なくとも一部を表す第１パラメータ情報をサーバ装置２に送信する。なお、「第２予測モデルの少なくとも一部を表す第１パラメータ情報」は、特許請求の範囲に記載した第２パラメータ情報の一例である。
【0040】
ステップＳ２１において、サーバ装置２のパラメータ情報取得部２１は、複数のクライアント装置１Ａ、１Ｂの各々から第１パラメータ情報を取得する。
【0041】
ステップＳ２２において、サーバ装置２の統合部２２は、複数の第１パラメータ情報を統合することにより統合パラメータ情報を生成する。
【0042】
ステップＳ２３において、サーバ装置２のパラメータ情報送信部２３は、統合パラメータ情報を、複数のクライアント装置１Ａ、１Ｂのそれぞれに送信する。
【0043】
ステップＳ１３において、クライアント装置１Ａのパラメータ情報取得部１３は、統合パラメータ情報を、サーバ装置２から取得する。クライアント装置１Ｂのパラメータ情報取得部１３は、統合パラメータ情報を、サーバ装置２から取得する。
【0044】
ステップＳ１４において、クライアント装置１Ａの更新部１４は、第１パラメータ情報を統合パラメータ情報に置き換えることにより第１予測モデルを更新する。クライアント装置１Ｂの更新部１４は、第１パラメータ情報を統合パラメータ情報に置き換えることにより第２予測モデルを更新する。
【0045】
（本例示的実施形態の効果）
以上のように、本例示的実施形態においては、連合学習システム１０は、例示的実施形態１に係る連合学習装置１として機能する複数のクライアント装置と、例示的実施形態２に係るサーバ装置２と、を含む、との構成が採用されている。上記構成によって生成された第１予測モデルを用いることにより、情報の提供を受ける側にとって適切な情報を作成することができる、との効果を奏する。
以上のように、本例示的実施形態においては、連合学習システム１０は、例示的実施形態１に係る連合学習装置１として機能する複数のクライアント装置と、例示的実施形態２に係るサーバ装置２と、を含む、との構成が採用されている。上記構成によって生成された第１予測モデルを用いることにより、情報の提供を受ける側にとって適切な情報を作成することができる、との効果を奏する。
【0046】
〔例示的実施形態４〕
本発明の第４の例示的実施形態について、図面を参照して詳細に説明する。なお、例示的実施形態１～３にて説明した構成要素と同じ機能を有する構成要素については、同じ符号を付記し、その説明を繰り返さない。本例示的実施形態では、評価対象として商品を適用する。また、ユーザとして、商品の販売サービスを利用するユーザを適用する。
本発明の第４の例示的実施形態について、図面を参照して詳細に説明する。なお、例示的実施形態１～３にて説明した構成要素と同じ機能を有する構成要素については、同じ符号を付記し、その説明を繰り返さない。本例示的実施形態では、評価対象として商品を適用する。また、ユーザとして、商品の販売サービスを利用するユーザを適用する。
【0047】
（連合学習システム１０Ａの構成）
本例示的実施形態に係る連合学習システム１０Ａの構成について、図７を参照して説明する。図７は、連合学習システム１０Ａの全体構成を示すブロック図である。図７に示すように、連合学習システム１０Ａは、ｎ個のクライアント装置１００－ｉ（ｉ＝１、２、…ｎ、ｎは２以上の自然数）と、サーバ装置２００と、ｎ個のサービサー装置３００－ｉと、を含む。サーバ装置２００は、各クライアント装置１００－ｉと通信可能に接続される。また、各クライアント装置１００－ｉは、対応するサービサー装置３００－ｉと通信可能に接続される。
本例示的実施形態に係る連合学習システム１０Ａの構成について、図７を参照して説明する。図７は、連合学習システム１０Ａの全体構成を示すブロック図である。図７に示すように、連合学習システム１０Ａは、ｎ個のクライアント装置１００－ｉ（ｉ＝１、２、…ｎ、ｎは２以上の自然数）と、サーバ装置２００と、ｎ個のサービサー装置３００－ｉと、を含む。サーバ装置２００は、各クライアント装置１００－ｉと通信可能に接続される。また、各クライアント装置１００－ｉは、対応するサービサー装置３００－ｉと通信可能に接続される。
【0048】
サービサー装置３００－ｉは、１または複数のユーザに対して商品の販売サービスを提供する装置である。当該販売サービスを利用するユーザは、サービサー装置３００－ｉが提供する販売サービスにおいて販売される商品に評価値を付与することができる。以降、サービサー装置３００－ｉが提供する販売サービスを利用するユーザを、単に「サービサー装置３００－ｉを利用するユーザ」とも記載する。なお、図７には、サービサー装置３００－ｉを利用するユーザの数が複数である例を示しているが、これに限らず、１人であってもよい。また、同じユーザが、複数のサービサー装置３００－ｉを利用してもよい。
【0049】
クライアント装置１００－ｉおよびサーバ装置２００は、サービサー装置３００－ｉを利用するユーザが商品に対して付与するであろう評価値を予測する予測機能を有する。サービサー装置３００－ｉは、例えば、予測機能を用いて予測した評価値に基づいて、ユーザに対して推薦する商品を決定する。サービサー装置３００－ｉは、例えば、推薦すると決定した商品の広告を、当該ユーザに配信することができる。サービサー装置３００－ｉにおける予測機能を実現するために、クライアント装置１００－ｉおよびサーバ装置２００は、連合学習により予測モデルＭＬｉを生成する。
【0050】
なお、クライアント装置１００－ｉは、特許請求の範囲に記載した連合学習装置の一態様である。また、サービサー装置３００－ｉは、当該連合学習装置の一態様の一部を含む。クライアント装置１００－ｉおよびサービサー装置３００－ｉは、物理的に異なるコンピュータによって構成されてもよいし、同一のコンピュータによって構成されてもよい。
【0051】
（連合学習の概要）
連合学習システム１０Ａが実行する連合学習の概要について、図８を参照して説明する。図８は、連合学習の概要を説明する模式図である。なお、本明細書で参照する各図面および各数式において「文字列」の上部に「－」を付した記号を、本明細書では、当該文字列の末尾に「＾ｂａｒ」を付して、「文字列＾ｂａｒ」と記載することもある。例えば、図８、後述の式（３）等における以下の記号を、
本明細書では、「Ｒｉ＾ｂａｒ」、「Ｕｉ＾ｂａｒ」等と記載することもある。他の図面、他の数式におけるこれらの文字列および他の文字列についても同様である。
連合学習システム１０Ａが実行する連合学習の概要について、図８を参照して説明する。図８は、連合学習の概要を説明する模式図である。なお、本明細書で参照する各図面および各数式において「文字列」の上部に「－」を付した記号を、本明細書では、当該文字列の末尾に「＾ｂａｒ」を付して、「文字列＾ｂａｒ」と記載することもある。例えば、図８、後述の式（３）等における以下の記号を、
【数1】
【0052】
また、本明細書で参照する各図面および各数式において「文字列」の右型に「上付き文字列」を付した記号を、以降では、当該文字列の末尾に「＾上付き文字列」を付して、「文字列＾上付き文字列」と記載することもある。例えば、図８等における以下の記号を、
以降では、「Ａｉ＾ｇｌｂ」、「Ａｉ＾ｌｏｃ」等と記載することもある。他の図面、他の数式におけるこれらの文字列および他の文字列についても同様である。
また、これらを組み合わせ、式（８）等における以下の記号を、
「Ｕｉ＾ｂａｒ＾ｌｏｃ」等と記載することもある。他の図面、他の数式におけるこれらの文字列および他の文字列についても同様である。
【数2】
また、これらを組み合わせ、式（８）等における以下の記号を、
【数3】
【0053】
図８に示すＲｉ＾ｂａｒは、２次元の行列であり、行列Ｒｉ＾ｂａｒは、特許請求の範囲に記載した「多次元配列」の一例である。行列Ｒｉ＾ｂａｒは、商品に付与されたユーザの評価値を成分として含み、評価値が付与されていない商品およびユーザの組み合わせに対応する成分が欠損値となっている。行列Ｒｉ＾ｂａｒの詳細については後述する。行列Ｒｉ＾ｂａｒは、複数のベクトルＡｉ、Ｂｉに分解される。Ａｉは縦ベクトルであり、Ｂｉは横ベクトルである。したがって、ベクトルＡｉ、Ｂｉの積の行数および列数は行列Ｒｉ＾ｂａｒと同一である。行列Ｒｉ＾ｂａｒは、後述する学習セットＤＳｉに基づき生成される。各クライアント装置１００－ｉの学習の目標は、行列Ｒｉ＾ｂａｒの欠損していない評価値に対して、ベクトルＡｉ、Ｂｉの積において当該評価値に対応する成分がより近づくように、当該ベクトルＡｉ、Ｂｉを求めることである。
【0054】
クライアント装置１００－ｉは、このようなベクトルＡｉ、Ｂｉを求めるために、行列Ｒｉ＾ｂａｒの欠損していない評価値と、ベクトルＡｉ、Ｂｉの積において対応する成分との差が小さくなるように学習を行う。例えば、学習は、勾配降下法を数ステップ行うことにより実行されてもよい。
【0055】
ここで、図８に示すように、ベクトルＡｉは、公開可能なベクトルＡｉ＾ｇｌｂと、秘匿すべきベクトルＡｉ＾ｌｏｃとからなる。ベクトルＢｉは、公開可能なベクトルＢｉ＾ｇｌｂと、秘匿すべきベクトルＢｉ＾ｌｏｃからなる。「公開可能」とは、サービサー装置３００－ｉ以外およびクライアント装置１００－ｉ以外に公開してもよいことを指す。また、「秘匿すべき」とは、サービサー装置３００－ｉ以外およびクライアント装置１００－ｉ以外への公開が望ましくないことを指す。Ａｉ＾ｇｌｂおよびＢｉ＾ｇｌｂは、特許請求の範囲に記載した第１パラメータ情報の一例である。
【0056】
クライアント装置１００－ｉは、学習によりベクトルＡｉ、Ｂｉを求めると（ステップｉ）、求めたベクトルＡｉ、Ｂｉの一部であるベクトルＡｉ＾ｇｌｂ、Ｂｉ＾ｇｌｂを、サーバ装置２００に送信する（ステップｉｉ）。また、サーバ装置２００は、複数のクライアント装置１００－ｉから受信したベクトルＡｉ＾ｇｌｂ、Ｂｉ＾ｇｌｂを統合してベクトルＡ＾ｇｌｂ、Ｂ＾ｇｌｂを生成し（ステップｉｉｉ）、各クライアント装置１００－ｉに送信する（ステップｉｖ）。ここで、ベクトルＡ＾ｇｌｂ、Ｂ＾ｇｌｂは、特許請求の範囲に記載した統合パラメータ情報の一例である。クライアント装置１００－ｉは、ベクトルＡｉ、ＢｉにおけるベクトルＡｉ＾ｇｌｂ、Ｂｉ＾ｇｌｂの部分を、サーバ装置２００から受信したベクトルＡ＾ｇｌｂ、Ｂ＾ｇｌｂに置き換える（ステップｖ）。連合学習システム１０Ａは、このようなステップｉ～ステップｖを終了条件が満たされるまで繰り返すことにより、学習を完了させる。学習完了後のベクトルＡｉ、Ｂｉは、予測モデルＭＬとして機能する。
【0057】
（行列Ｒｉ＾ｂａｒの詳細）
図８に示すように、行列Ｒｉ＾ｂａｒは、ユーザリストＵｉおよび商品属性リストＱｉの各要素に対応する行を含む。また、行列Ｒｉ＾ｂａｒは、商品リストＶｉおよびユーザ属性リストＰｉの各要素に対応する列を含む。また、行列Ｒｉ＾ｂａｒは、評価値行列Ｒｉと、ユーザ属性値行列Ｓｉと、商品属性値行列Ｔｉと、関連値行列Ｅｉとによって構成される。
図８に示すように、行列Ｒｉ＾ｂａｒは、ユーザリストＵｉおよび商品属性リストＱｉの各要素に対応する行を含む。また、行列Ｒｉ＾ｂａｒは、商品リストＶｉおよびユーザ属性リストＰｉの各要素に対応する列を含む。また、行列Ｒｉ＾ｂａｒは、評価値行列Ｒｉと、ユーザ属性値行列Ｓｉと、商品属性値行列Ｔｉと、関連値行列Ｅｉとによって構成される。
【0058】
評価値行列Ｒｉは、ユーザリストＵｉの各要素に対応する行と、商品リストＶｉの各要素に対応する列とを含む。ユーザ属性値行列Ｓｉは、ユーザリストＵｉの各要素に対応する行と、ユーザ属性リストＰｉの各要素に対応する列とを含む。商品属性値行列Ｔｉは、商品属性リストＱｉの各要素に対応する行と、商品リストＶｉの各要素に対応する列とを含む。関連値行列Ｅｉは、商品属性リストＱｉの各要素に対応する行と、ユーザ属性リストＰｉの各要素に対応する列とを含む。
【0059】
（ユーザリストＵｉ）
ユーザリストＵｉは、サービサー装置３００－ｉを利用するユーザのリストを表し、当該ユーザを識別するユーザＩＤを含む。ユーザリストＵｉは、初期状態では空集合であってもよいし、あらかじめ１または複数のユーザＩＤを含んでいてもよい。ユーザリストＵｉには、当該販売サービスを利用するユーザが新たに登録されると、当該ユーザを識別するユーザＩＤが追加される。例えば、ユーザＩＤは、サービサー装置３００－ｉによる販売サービスにおいて会員登録が必須である場合は会員登録に応じて付与されたものであってもよい。また、ユーザＩＤは、販売サービスにおいて会員登録が必須でない場合、商品購入時に入力された情報のうちユーザを一意に特定可能な情報（メールアドレス、電話番号等）であってもよい。
ユーザリストＵｉは、サービサー装置３００－ｉを利用するユーザのリストを表し、当該ユーザを識別するユーザＩＤを含む。ユーザリストＵｉは、初期状態では空集合であってもよいし、あらかじめ１または複数のユーザＩＤを含んでいてもよい。ユーザリストＵｉには、当該販売サービスを利用するユーザが新たに登録されると、当該ユーザを識別するユーザＩＤが追加される。例えば、ユーザＩＤは、サービサー装置３００－ｉによる販売サービスにおいて会員登録が必須である場合は会員登録に応じて付与されたものであってもよい。また、ユーザＩＤは、販売サービスにおいて会員登録が必須でない場合、商品購入時に入力された情報のうちユーザを一意に特定可能な情報（メールアドレス、電話番号等）であってもよい。
【0060】
（共通ユーザリストＵｉ＾ｇｌｂ）
ここで、ユーザリストＵｉおよび他の各ユーザリストＵｊは、互いに共通するユーザを含む。共通ユーザリストＵｉ＾ｇｌｂは、ユーザリストＵｉにおいて他の少なくとも何れかのユーザリストＵｊとの間で共通するユーザを識別する共通ユーザＩＤを含む。共通ユーザリストＵｉ＾ｇｌｂは、初期状態では空集合であってもよいし、あらかじめ１または複数の共通ユーザＩＤを含んでいてもよい。共通ユーザリストＵｉ＾ｇｌｂには、他の何れかのユーザリストＵｊと共通することが新たに分かったユーザを識別する共通ユーザＩＤが追加されてもよい。共通ユーザＩＤは、ユーザリストＵｉにも含まれる。換言すると、ユーザリストＵｉには、共通ユーザリストＵｉ＾ｇｌｂに含まれるユーザＩＤと、共通ユーザリストＵｉ＾ｇｌｂに含まれないユーザＩＤとが含まれている。なお、ユーザリストＵｉおよび他の各ユーザリストＵｊは、互いに共通するユーザを含まない場合もあり得る。その場合、共通ユーザリストＵｉ＾ｇｌｂは空集合である。
ここで、ユーザリストＵｉおよび他の各ユーザリストＵｊは、互いに共通するユーザを含む。共通ユーザリストＵｉ＾ｇｌｂは、ユーザリストＵｉにおいて他の少なくとも何れかのユーザリストＵｊとの間で共通するユーザを識別する共通ユーザＩＤを含む。共通ユーザリストＵｉ＾ｇｌｂは、初期状態では空集合であってもよいし、あらかじめ１または複数の共通ユーザＩＤを含んでいてもよい。共通ユーザリストＵｉ＾ｇｌｂには、他の何れかのユーザリストＵｊと共通することが新たに分かったユーザを識別する共通ユーザＩＤが追加されてもよい。共通ユーザＩＤは、ユーザリストＵｉにも含まれる。換言すると、ユーザリストＵｉには、共通ユーザリストＵｉ＾ｇｌｂに含まれるユーザＩＤと、共通ユーザリストＵｉ＾ｇｌｂに含まれないユーザＩＤとが含まれている。なお、ユーザリストＵｉおよび他の各ユーザリストＵｊは、互いに共通するユーザを含まない場合もあり得る。その場合、共通ユーザリストＵｉ＾ｇｌｂは空集合である。
【0061】
（商品リストＶｉ）
商品リストＶｉは、クライアント装置１００－ｉが提供する販売サービスにおいて販売される商品のリストを表し、販売される商品を識別する商品ＩＤを含む。商品リストＶｉは、評価対象リストの一態様である。商品リストＶｉは、初期状態では空集合であってもよいし、あらかじめ１または複数の商品ＩＤを含んでいてもよい。商品リストＶｉには、当該販売サービスで販売される商品が新たに登録されると、当該商品を識別する商品ＩＤが追加される。例えば、商品ＩＤは、サービサー装置３００－ｉによる販売サービスにおいて独自に付与されたものであってもよいし、商品の製造時等に当該商品に印刷または貼り付けられた一次元コード又は二次元コードであってもよい。
商品リストＶｉは、クライアント装置１００－ｉが提供する販売サービスにおいて販売される商品のリストを表し、販売される商品を識別する商品ＩＤを含む。商品リストＶｉは、評価対象リストの一態様である。商品リストＶｉは、初期状態では空集合であってもよいし、あらかじめ１または複数の商品ＩＤを含んでいてもよい。商品リストＶｉには、当該販売サービスで販売される商品が新たに登録されると、当該商品を識別する商品ＩＤが追加される。例えば、商品ＩＤは、サービサー装置３００－ｉによる販売サービスにおいて独自に付与されたものであってもよいし、商品の製造時等に当該商品に印刷または貼り付けられた一次元コード又は二次元コードであってもよい。
【0062】
（共通商品リストＶｉ＾ｇｌｂ）
ここで、商品リストＶｉおよび他の各商品リストＶｊは、互いに共通する商品を含む。共通商品リストＶｉ＾ｇｌｂは、商品リストＶ１～Ｖｎのうち２つ以上において共通する商品を識別する共通商品ＩＤを含む。共通商品リストＶｉ＾ｇｌｂは、ｎ個のサービサー装置３００－ｉ間で同期される。共通商品リストＶｉ＾ｇｌｂは、初期状態では空集合であってもよいし、あらかじめ１または複数の商品ＩＤを含んでいてもよい。共通商品リストＶｉ＾ｇｌｂには、共通することが新たに分かった商品を識別する共通商品ＩＤが追加されてもよい。共通商品ＩＤは、商品リストＶｉにも含まれる。換言すると、商品リストＶｉには、共通商品リストＶｉ＾ｇｌｂに含まれる商品ＩＤと、共通商品リストＶｉ＾ｇｌｂにも含まれない商品ＩＤとが含まれている。なお、商品リストＶｉおよび他の各商品リストＶｊは、互いに共通する商品を含まない場合もあり得る。その場合、共通商品リストＶｉ＾ｇｌｂは空集合である。
ここで、商品リストＶｉおよび他の各商品リストＶｊは、互いに共通する商品を含む。共通商品リストＶｉ＾ｇｌｂは、商品リストＶ１～Ｖｎのうち２つ以上において共通する商品を識別する共通商品ＩＤを含む。共通商品リストＶｉ＾ｇｌｂは、ｎ個のサービサー装置３００－ｉ間で同期される。共通商品リストＶｉ＾ｇｌｂは、初期状態では空集合であってもよいし、あらかじめ１または複数の商品ＩＤを含んでいてもよい。共通商品リストＶｉ＾ｇｌｂには、共通することが新たに分かった商品を識別する共通商品ＩＤが追加されてもよい。共通商品ＩＤは、商品リストＶｉにも含まれる。換言すると、商品リストＶｉには、共通商品リストＶｉ＾ｇｌｂに含まれる商品ＩＤと、共通商品リストＶｉ＾ｇｌｂにも含まれない商品ＩＤとが含まれている。なお、商品リストＶｉおよび他の各商品リストＶｊは、互いに共通する商品を含まない場合もあり得る。その場合、共通商品リストＶｉ＾ｇｌｂは空集合である。
【0063】
（ユーザ属性リストＰｉ）
ユーザ属性リストＰｉは、クライアント装置１００－ｉによる販売サービスにおいて管理するユーザ属性を表し、当該ユーザ属性を識別するユーザ属性ＩＤを含む。ユーザ属性リストＰｉは、初期状態では空集合であってもよいし、あらかじめ１または複数のユーザ属性ＩＤを含んでいてもよい。ユーザ属性リストＰｉには、当該販売サービスにおいて新たに管理するユーザ属性が登録されると、当該ユーザ属性を識別するユーザ属性ＩＤが追加される。
ユーザ属性リストＰｉは、クライアント装置１００－ｉによる販売サービスにおいて管理するユーザ属性を表し、当該ユーザ属性を識別するユーザ属性ＩＤを含む。ユーザ属性リストＰｉは、初期状態では空集合であってもよいし、あらかじめ１または複数のユーザ属性ＩＤを含んでいてもよい。ユーザ属性リストＰｉには、当該販売サービスにおいて新たに管理するユーザ属性が登録されると、当該ユーザ属性を識別するユーザ属性ＩＤが追加される。
【0064】
ここで、ユーザ属性とは、各ユーザに関連付け可能な情報（ユーザ属性値）を項目として定めた情報である。ユーザ属性は、そのユーザ属性値によりユーザを分類可能な情報であることが望ましい。ユーザ属性は、例えば、ユーザの特徴を表す項目を定めたものであってもよい。なお、本例示的実施形態では、ユーザ属性値は数値で表される。ユーザ属性の一例として「性別」、「年齢」、「住所」、「身長」、「眼鏡の有無」、「家族構成」等が挙げられる。ユーザ属性「性別」に設定され得るユーザ属性値の一例としては、男性、女性、…等を示す数値（例えば、男性は１、女性は２、…等）が挙げられる。また、ユーザ属性「年齢」に設定され得るユーザ属性値の一例としては、年齢を示す数値、または、２０才未満、２０～４０才未満、４０～６０才未満、６０才以上、等の年代を示す数値が挙げられる。また、ユーザ属性「住所」に設定され得るユーザ属性値の一例としては、都道府県を示す数値が挙げられる。また、ユーザ属性「身長」に設定され得るユーザ属性値の一例としては、身長を示す数値、または１５０センチメートル未満、１５０～１７０センチメートル、１７０センチメートル以上、等を示す数値が挙げられる。また、ユーザ属性「眼鏡の有無」に設定され得るユーザ属性値の一例としては、有無を示す数値（例えば１または０）が挙げられる。また、ユーザ属性「家族構成」に設定され得るユーザ属性値の一例としては、「単身」、「夫婦のみ」、「親と同居」、「子供有り」、等を示す数値が挙げられる。ただし、ユーザ属性およびユーザ属性値の一例は、上述した例に限られない。
【0065】
（共通ユーザ属性リストＰｉ＾ｇｌｂ）
ここで、ユーザ属性リストＰｉおよび他の各ユーザ属性リストＰｊは、互いに共通するユーザ属性を含む。共通ユーザ属性リストＰｉ＾ｇｌｂは、ユーザ属性リストＰ１～Ｐｎのうち２つ以上において共通するユーザ属性を識別する共通ユーザ属性ＩＤを含む。共通ユーザ属性リストＰｉ＾ｇｌｂは、ｎ個のサービサー装置３００－ｉ間で同期される。共通ユーザ属性リストＰｉ＾ｇｌｂは、初期状態では空集合であってもよいし、あらかじめ１または複数のユーザ属性ＩＤを含んでいてもよい。共通ユーザ属性リストＰｉ＾ｇｌｂには、共通することが新たに分かったユーザ属性を識別する共通ユーザ属性ＩＤが追加されてもよい。共通ユーザ属性ＩＤは、ユーザ属性リストＰｉにも含まれる。換言すると、ユーザ属性リストＰｉには、共通ユーザ属性リストＰｉ＾ｇｌｂに含まれるユーザ属性ＩＤと、共通ユーザ属性リストＰｉ＾ｇｌｂに含まれないユーザ属性ＩＤとが含まれている。なお、ユーザ属性リストＰｉおよび他の各ユーザ属性リストＰｊは、互いに共通するユーザ属性を含まない場合もあり得る。その場合、共通ユーザ属性リストＰｉ＾ｇｌｂは空集合である。
ここで、ユーザ属性リストＰｉおよび他の各ユーザ属性リストＰｊは、互いに共通するユーザ属性を含む。共通ユーザ属性リストＰｉ＾ｇｌｂは、ユーザ属性リストＰ１～Ｐｎのうち２つ以上において共通するユーザ属性を識別する共通ユーザ属性ＩＤを含む。共通ユーザ属性リストＰｉ＾ｇｌｂは、ｎ個のサービサー装置３００－ｉ間で同期される。共通ユーザ属性リストＰｉ＾ｇｌｂは、初期状態では空集合であってもよいし、あらかじめ１または複数のユーザ属性ＩＤを含んでいてもよい。共通ユーザ属性リストＰｉ＾ｇｌｂには、共通することが新たに分かったユーザ属性を識別する共通ユーザ属性ＩＤが追加されてもよい。共通ユーザ属性ＩＤは、ユーザ属性リストＰｉにも含まれる。換言すると、ユーザ属性リストＰｉには、共通ユーザ属性リストＰｉ＾ｇｌｂに含まれるユーザ属性ＩＤと、共通ユーザ属性リストＰｉ＾ｇｌｂに含まれないユーザ属性ＩＤとが含まれている。なお、ユーザ属性リストＰｉおよび他の各ユーザ属性リストＰｊは、互いに共通するユーザ属性を含まない場合もあり得る。その場合、共通ユーザ属性リストＰｉ＾ｇｌｂは空集合である。
【0066】
（商品属性リストＱｉ）
商品属性リストＱｉは、クライアント装置１００－ｉによる販売サービスにおいて管理する商品属性を表し、当該商品属性を識別する商品属性ＩＤを含む。商品属性リストＱｉは、対象属性リストの一態様である。当該商品の商品属性リストＱｉは、初期状態では空集合であってもよいし、あらかじめ１または複数の商品属性ＩＤを含んでいてもよい。商品属性リストＱｉには、当該販売サービスにおいて新たに管理する商品属性の商品属性が登録されると、当該商品属性の商品属性ＩＤが追加される。商品属性の一例としては、食品カテゴリ、調理温度カテゴリ等が挙げられる。
商品属性リストＱｉは、クライアント装置１００－ｉによる販売サービスにおいて管理する商品属性を表し、当該商品属性を識別する商品属性ＩＤを含む。商品属性リストＱｉは、対象属性リストの一態様である。当該商品の商品属性リストＱｉは、初期状態では空集合であってもよいし、あらかじめ１または複数の商品属性ＩＤを含んでいてもよい。商品属性リストＱｉには、当該販売サービスにおいて新たに管理する商品属性の商品属性が登録されると、当該商品属性の商品属性ＩＤが追加される。商品属性の一例としては、食品カテゴリ、調理温度カテゴリ等が挙げられる。
【0067】
ここで、商品属性とは、各商品に関連付け可能な情報（商品属性値）を項目として定めた情報である。商品属性は、その商品属性値により商品を分類可能な情報であることが望ましい。商品属性は、例えば、商品の特徴を表す項目を定めたものであってもよい。なお、本例示的実施形態では、商品属性値は数値で表される。具体例として、商品が食品である場合、商品属性の一例として「食品分類」、「内容量」、「対象顧客」、「調理温度」、「保管方法」等が挙げられる。商品属性「食品分類」に設定され得る商品属性値の一例としては、肉類、野菜類、果物類、パン類、…等を示す数値（例えば、肉類は１、野菜類は２、…等）が挙げられる。また、商品属性「内容量」に設定され得る商品属性値の一例としては、内容量を示す数値（１００グラム、等）が挙げられる。また、商品属性「対象顧客」に設定され得る商品属性値の一例としては、女性向け、子供向け、単身向け、…等を示す数値が挙げられる。また、商品属性「調理温度」に設定され得る商品属性値の一例としては、低温、中温、高温、…等を示す数値が挙げられる。また、商品属性「保管方法」に設定され得る商品属性値の一例としては、常温可、要冷蔵、要冷凍、…等を示す数値が挙げられる。また、商品属性は、階層化されていてもよい。階層化された商品属性の一例としては、「食品大分類」および「食品小分類」がある。例えば、商品属性「食品大分類」の商品属性値が「肉類」を示す場合、商品属性「食品小分類」の商品属性値の一例としては、加工肉、生肉、調理済肉、…等を示す数値が挙げられる。ただし、商品属性および商品属性値の具体例は、上述した例に限られない。
【0068】
（共通商品属性リストＱｉ＾ｇｌｂ）
ここで、商品属性リストＱｉおよび他の各商品属性リストＱｊは、互いに共通する商品属性を含む。共通商品属性リストＱｉ＾ｇｌｂは、商品属性リストＱ１～Ｑｎのうち２つ以上において共通する商品属性を識別する共通商品属性ＩＤを含む。共通商品属性リストＱｉ＾ｇｌｂは、ｎ個のサービサー装置３００－ｉ間で同期される。共通商品属性リストＱｉ＾ｇｌｂは、初期状態では空集合であってもよいし、あらかじめ１または複数の共通商品属性ＩＤを含んでいてもよい。共通商品属性リストＱｉ＾ｇｌｂには、共通することが新たに分かった商品属性を識別する共通商品属性ＩＤが追加されてもよい。共通商品属性ＩＤは、商品属性リストＱｉにも含まれる。換言すると、商品属性リストＱｉには、共通商品属性リストＱｉ＾ｇｌｂに含まれる商品属性ＩＤと、共通商品属性リストＱｉ＾ｇｌｂに含まれない商品属性ＩＤとが含まれている。なお、商品属性リストＱｉおよび他の各商品属性リストＱｊは、互いに共通する商品属性を含まない場合もあり得る。その場合、共通商品属性リストＱｉ＾ｇｌｂは空集合である。
ここで、商品属性リストＱｉおよび他の各商品属性リストＱｊは、互いに共通する商品属性を含む。共通商品属性リストＱｉ＾ｇｌｂは、商品属性リストＱ１～Ｑｎのうち２つ以上において共通する商品属性を識別する共通商品属性ＩＤを含む。共通商品属性リストＱｉ＾ｇｌｂは、ｎ個のサービサー装置３００－ｉ間で同期される。共通商品属性リストＱｉ＾ｇｌｂは、初期状態では空集合であってもよいし、あらかじめ１または複数の共通商品属性ＩＤを含んでいてもよい。共通商品属性リストＱｉ＾ｇｌｂには、共通することが新たに分かった商品属性を識別する共通商品属性ＩＤが追加されてもよい。共通商品属性ＩＤは、商品属性リストＱｉにも含まれる。換言すると、商品属性リストＱｉには、共通商品属性リストＱｉ＾ｇｌｂに含まれる商品属性ＩＤと、共通商品属性リストＱｉ＾ｇｌｂに含まれない商品属性ＩＤとが含まれている。なお、商品属性リストＱｉおよび他の各商品属性リストＱｊは、互いに共通する商品属性を含まない場合もあり得る。その場合、共通商品属性リストＱｉ＾ｇｌｂは空集合である。
【0069】
（評価値行列Ｒｉ）
評価値行列Ｒｉは、商品リストＶｉ内の一部又は全部の商品の各々に対する評価値であって、ユーザリストＵｉ内の各ユーザによる評価値を示す。例えば、評価値は、ユーザによって入力される情報である。評価値は、複数段階のスコア（例えば、スコア１、スコア２、スコア３の３段階）であってもよいし、所定範囲に含まれる任意の数値（例えば、０以上１以下の任意の数値）であってもよい。ただし、評価値は、これらの具体例に限られない。評価値行列Ｒｉは、各ユーザおよび各商品の組み合わせに対応する評価値を各成分とする行列である。評価値行列Ｒｉは、各ユーザおよび各商品の組み合わせに対応する評価値のうち一部が欠損した行列Ｒｉ＾ｂａｒに含まれる。つまり、評価値行列Ｒｉは、評価値が付与されていない商品およびユーザの組み合わせに対応する成分が欠損している。評価値行列Ｒｉは、初期状態ではすべての成分が欠損していてもよいが、ユーザによって商品に評価値が付与されると、当該商品および当該ユーザの組み合わせに対応する成分に当該評価値が設定される。つまり、評価値が設定された成分は、欠損していない。
評価値行列Ｒｉは、商品リストＶｉ内の一部又は全部の商品の各々に対する評価値であって、ユーザリストＵｉ内の各ユーザによる評価値を示す。例えば、評価値は、ユーザによって入力される情報である。評価値は、複数段階のスコア（例えば、スコア１、スコア２、スコア３の３段階）であってもよいし、所定範囲に含まれる任意の数値（例えば、０以上１以下の任意の数値）であってもよい。ただし、評価値は、これらの具体例に限られない。評価値行列Ｒｉは、各ユーザおよび各商品の組み合わせに対応する評価値を各成分とする行列である。評価値行列Ｒｉは、各ユーザおよび各商品の組み合わせに対応する評価値のうち一部が欠損した行列Ｒｉ＾ｂａｒに含まれる。つまり、評価値行列Ｒｉは、評価値が付与されていない商品およびユーザの組み合わせに対応する成分が欠損している。評価値行列Ｒｉは、初期状態ではすべての成分が欠損していてもよいが、ユーザによって商品に評価値が付与されると、当該商品および当該ユーザの組み合わせに対応する成分に当該評価値が設定される。つまり、評価値が設定された成分は、欠損していない。
【0070】
（ユーザ属性値行列Ｓｉ）
ユーザ属性値行列Ｓｉは、ユーザリストＵｉ内の一部又は全部のユーザの各々が有するユーザ属性値であって、ユーザ属性リストＰｉ内の各ユーザ属性に関するユーザ属性値を示す。換言すると、ユーザ属性値行列Ｓｉは、各ユーザ属性および各ユーザの組み合わせに対応するユーザ属性値を各成分とする行列である。ユーザ属性値の一例については上述した通りである。ユーザ属性値行列Ｓｉは、各ユーザ属性および各ユーザの組み合わせに対応するユーザ属性値のうち一部が欠損した行列Ｒｉ＾ｂａｒに含まれる。つまり、ユーザ属性値行列Ｓｉは、ユーザ属性値が設定されていないユーザ属性およびユーザの組み合わせに対応する成分が欠損している。ユーザ属性値行列Ｓｉは、初期状態ではすべての成分が欠損していてもよいが、ユーザ属性値が取得されると、当該ユーザ属性および当該ユーザの組み合わせに対応する成分に当該ユーザ属性値が設定される。
ユーザ属性値行列Ｓｉは、ユーザリストＵｉ内の一部又は全部のユーザの各々が有するユーザ属性値であって、ユーザ属性リストＰｉ内の各ユーザ属性に関するユーザ属性値を示す。換言すると、ユーザ属性値行列Ｓｉは、各ユーザ属性および各ユーザの組み合わせに対応するユーザ属性値を各成分とする行列である。ユーザ属性値の一例については上述した通りである。ユーザ属性値行列Ｓｉは、各ユーザ属性および各ユーザの組み合わせに対応するユーザ属性値のうち一部が欠損した行列Ｒｉ＾ｂａｒに含まれる。つまり、ユーザ属性値行列Ｓｉは、ユーザ属性値が設定されていないユーザ属性およびユーザの組み合わせに対応する成分が欠損している。ユーザ属性値行列Ｓｉは、初期状態ではすべての成分が欠損していてもよいが、ユーザ属性値が取得されると、当該ユーザ属性および当該ユーザの組み合わせに対応する成分に当該ユーザ属性値が設定される。
【0071】
（商品属性値行列Ｔｉ）
商品属性値行列Ｔｉは、商品リストＶｉ内の一部又は全部の商品の各々が有する対象属性値であって、商品属性リストＱｉ内の各商品属性に関する商品属性値を示す。換言すると、商品属性値行列Ｔｉは、各商品属性および各商品の組み合わせに対応する商品属性値を各成分とする行列である。商品属性値の一例については上述した通りである。商品属性値行列Ｔｉは、各商品属性および各商品の組み合わせに対応する商品属性値のうち一部が欠損した行列Ｒｉ＾ｂａｒに含まれる。つまり、商品属性値行列Ｔｉは、商品属性値が設定されていない商品属性および商品の組み合わせに対応する成分が欠損している。商品属性値行列Ｔｉは、初期状態ではすべての成分が欠損していてもよいが、商品属性値が取得されると、当該商品属性および当該商品の組み合わせに対応する成分に当該商品属性値が設定される。
商品属性値行列Ｔｉは、商品リストＶｉ内の一部又は全部の商品の各々が有する対象属性値であって、商品属性リストＱｉ内の各商品属性に関する商品属性値を示す。換言すると、商品属性値行列Ｔｉは、各商品属性および各商品の組み合わせに対応する商品属性値を各成分とする行列である。商品属性値の一例については上述した通りである。商品属性値行列Ｔｉは、各商品属性および各商品の組み合わせに対応する商品属性値のうち一部が欠損した行列Ｒｉ＾ｂａｒに含まれる。つまり、商品属性値行列Ｔｉは、商品属性値が設定されていない商品属性および商品の組み合わせに対応する成分が欠損している。商品属性値行列Ｔｉは、初期状態ではすべての成分が欠損していてもよいが、商品属性値が取得されると、当該商品属性および当該商品の組み合わせに対応する成分に当該商品属性値が設定される。
【0072】
（関連値行列Ｅｉ）
関連値行列Ｅｉは、商品属性リストＱｉ内の各商品属性およびユーザ属性リストＰｉ内の各ユーザ属性の組み合わせに対応する当該組み合わせの関連性を示す関連値を示す。換言すると、関連値行列Ｅｉは、各商品属性および各ユーザ属性の組み合わせに対応する関連値を各成分とする行列である。関連値は、あるユーザ属性のユーザが、ある商品属性の商品に付与する傾向がある評価値を表しているともいえる。関連値行列Ｅｉは、評価値行列Ｒｉ、ユーザ属性値行列Ｓｉ、および商品属性値行列Ｔｉから算出可能である。関連値行列Ｅｉの算出手法については後述する。関連値行列Ｅｉは、商品属性リストＱｉに含まれる各商品属性およびユーザ属性リストＰｉに含まれる各ユーザ属性の組み合わせに対応する関連値のうち一部が欠損した行列Ｒｉ＾ｂａｒに含まれる。つまり、関連値行列Ｅｉは、評価値行列Ｒｉ、ユーザ属性値行列Ｓｉ、および商品属性値行列Ｔｉにおける欠損に応じて、関連値が設定されていない成分が欠損している。
関連値行列Ｅｉは、商品属性リストＱｉ内の各商品属性およびユーザ属性リストＰｉ内の各ユーザ属性の組み合わせに対応する当該組み合わせの関連性を示す関連値を示す。換言すると、関連値行列Ｅｉは、各商品属性および各ユーザ属性の組み合わせに対応する関連値を各成分とする行列である。関連値は、あるユーザ属性のユーザが、ある商品属性の商品に付与する傾向がある評価値を表しているともいえる。関連値行列Ｅｉは、評価値行列Ｒｉ、ユーザ属性値行列Ｓｉ、および商品属性値行列Ｔｉから算出可能である。関連値行列Ｅｉの算出手法については後述する。関連値行列Ｅｉは、商品属性リストＱｉに含まれる各商品属性およびユーザ属性リストＰｉに含まれる各ユーザ属性の組み合わせに対応する関連値のうち一部が欠損した行列Ｒｉ＾ｂａｒに含まれる。つまり、関連値行列Ｅｉは、評価値行列Ｒｉ、ユーザ属性値行列Ｓｉ、および商品属性値行列Ｔｉにおける欠損に応じて、関連値が設定されていない成分が欠損している。
【0073】
（クライアント装置１００－ｉの機能的な構成）
クライアント装置１００－ｉの機能的な構成について、図９を参照して説明する。図９は、クライアント装置１００－ｉの機能的な構成を示すブロック図である。図９に示すように、クライアント装置１００－ｉは、制御部１１０－ｉと、記憶部１２０－ｉと、通信部１３０－ｉと、を含む。制御部１１０－ｉは、クライアント装置１００－ｉの各部を統括して制御する。記憶部１２０－ｉは、制御部１１０－ｉが使用する各種のデータを記憶する。通信部１３０－ｉは、制御部１１０－ｉの制御のもと、他の装置との通信を行う。
クライアント装置１００－ｉの機能的な構成について、図９を参照して説明する。図９は、クライアント装置１００－ｉの機能的な構成を示すブロック図である。図９に示すように、クライアント装置１００－ｉは、制御部１１０－ｉと、記憶部１２０－ｉと、通信部１３０－ｉと、を含む。制御部１１０－ｉは、クライアント装置１００－ｉの各部を統括して制御する。記憶部１２０－ｉは、制御部１１０－ｉが使用する各種のデータを記憶する。通信部１３０－ｉは、制御部１１０－ｉの制御のもと、他の装置との通信を行う。
【0074】
（記憶部１２０－ｉに記憶される情報）
記憶部１２０－ｉは、学習データセットＤＳｉと、共通データＣＯＭと、ハイパーパラメータｋと、予測モデルＭＬｉと、を記憶する。学習データセットＤＳｉは、ユーザリストＵｉ、商品リストＶｉ、ユーザ属性リストＰｉ、ユーザ属性リストＰｉ、および商品属性リストＱｉを含む。また、学習データセットＤＳｉは、さらに、評価値行列Ｒｉ、ユーザ属性値行列Ｓｉ、商品属性値行列Ｔｉ、および予測モデルＭＬｉを含む。学習データセットＤＳｉを第１学習データセットの一態様とするとき、他のクライアント装置１００－ｊにおける学習データセットＤＳｊは第２学習データセットの一態様である。また、共通データＣＯＭは、共通ユーザリストＵｉ＾ｇｌｂ、共通商品リストＶｉ＾ｇｌｂ、共通ユーザ属性リストＰｉ＾ｇｌｂ、および共通商品属性リストＱｉ＾ｇｌｂを含む。学習データセットＤＳｉおよび共通データＣＯＭに含まれる各情報の詳細については上述した通りである。
記憶部１２０－ｉは、学習データセットＤＳｉと、共通データＣＯＭと、ハイパーパラメータｋと、予測モデルＭＬｉと、を記憶する。学習データセットＤＳｉは、ユーザリストＵｉ、商品リストＶｉ、ユーザ属性リストＰｉ、ユーザ属性リストＰｉ、および商品属性リストＱｉを含む。また、学習データセットＤＳｉは、さらに、評価値行列Ｒｉ、ユーザ属性値行列Ｓｉ、商品属性値行列Ｔｉ、および予測モデルＭＬｉを含む。学習データセットＤＳｉを第１学習データセットの一態様とするとき、他のクライアント装置１００－ｊにおける学習データセットＤＳｊは第２学習データセットの一態様である。また、共通データＣＯＭは、共通ユーザリストＵｉ＾ｇｌｂ、共通商品リストＶｉ＾ｇｌｂ、共通ユーザ属性リストＰｉ＾ｇｌｂ、および共通商品属性リストＱｉ＾ｇｌｂを含む。学習データセットＤＳｉおよび共通データＣＯＭに含まれる各情報の詳細については上述した通りである。
【0075】
予測モデルＭＬｉは、学習部１１１－ｉによって生成される。予測モデルＭＬｉは、評価値が付与されていない商品およびユーザの組み合わせに対応する評価値を予測する。予測モデルＭＬｉを第１予測モデルの一態様とするとき、他のクライアント装置１００－ｊにおける予測モデルＭＬｊは第２予測モデルの一態様である。
【0076】
ハイパーパラメータｋは、学習部１１１－ｉによって予測モデルＭＬｉを学習させるために使用される。ハイパーパラメータｋは、予め定められた自然数であり、ｎ個のクライアント装置１００－ｉおよびサーバ装置２００の間で同一の値が用いられる。
【0077】
（制御部１１０－ｉの詳細）
制御部１１０－ｉは、学習部１１１－ｉと、パラメータ情報送信部１１２－ｉと、パラメータ情報取得部１１３－ｉと、更新部１１４－ｉと、を含む。学習部１１１－ｉは、学習データセットＤＳｉを用いて予測モデルＭＬｉを学習させる。より詳細には、学習部１１１－ｉは、学習データセットＤＳｉを行列Ｒｉ＾ｂａｒとして表し、当該行列Ｒｉ＾ｂａｒを行列分解した複数のベクトルＡｉ、Ｂｉを予測モデルＭＬｉとして求める。クライアント学習処理の詳細については後述する。
制御部１１０－ｉは、学習部１１１－ｉと、パラメータ情報送信部１１２－ｉと、パラメータ情報取得部１１３－ｉと、更新部１１４－ｉと、を含む。学習部１１１－ｉは、学習データセットＤＳｉを用いて予測モデルＭＬｉを学習させる。より詳細には、学習部１１１－ｉは、学習データセットＤＳｉを行列Ｒｉ＾ｂａｒとして表し、当該行列Ｒｉ＾ｂａｒを行列分解した複数のベクトルＡｉ、Ｂｉを予測モデルＭＬｉとして求める。クライアント学習処理の詳細については後述する。
【0078】
さらに詳細には、例えば、学習部１１１－ｉは、評価値行列Ｒｉの欠損していない評価値に対して、複数のベクトルＡｉ、Ｂｉの積において対応する成分が近似するように、当該複数のベクトルＡｉ、Ｂｉを求める。また、学習部１１１－ｉは、ユーザ属性値行列Ｓｉの欠損していないユーザ属性値に対して、複数のベクトルＡｉ、Ｂｉの積において対応する成分が近似するように、当該複数のベクトルＡｉ、Ｂｉを求める。また、学習部１１１－ｉは、商品属性値行列Ｔｉの欠損していない対象属性値に対して、複数のベクトルＡｉ、Ｂｉの積において対応する成分が近似するよう、当該複数のベクトルＡｉ、Ｂｉを求める。
【0079】
また、学習部１１１－ｉは、関連値行列Ｅｉの欠損していない関連値に対して、複数のベクトルＡｉ、Ｂｉの積において対応する成分が近似するよう、当該複数のベクトルＡｉ、Ｂｉを求める。なお、学習部１１１－ｉは、関連値行列Ｅｉを構成する各関連値として、各ユーザ属性値および各対象属性値の積を、当該ユーザ属性値および当該対象属性値に対応する評価値で除した値に基づき算出する。
【0080】
パラメータ情報送信部１１２－ｉは、複数のベクトルＡｉ、Ｂｉの少なくとも一部を、第１パラメータ情報Ａｉ＾ｇｌｂ、Ｂｉ＾ｇｌｂとしてサーバ装置２００に送信する。第１パラメータ情報Ａｉ＾ｇｌｂ、Ｂｉ＾ｇｌｂは、サーバ装置２００に対して公開されるパラメータ情報である。より詳細には、パラメータ情報送信部１１２－ｉは、複数のベクトルＡｉ、Ｂｉのうち学習データセットＤＳｉおよび他の各学習データセットＤＳｊにおいて共通する情報（共通データＣＯＭ）に起因して得られたパラメータ情報を、第１パラメータ情報Ａｉ＾ｇｌｂ、Ｂｉ＾ｇｌｂとして送信する。なお、共通する情報は、共通する評価対象、共通するユーザ、共通する商品属性、または共通するユーザ属性を示す情報を含む。
【0081】
パラメータ情報取得部１１３－ｉは、サーバ装置２００から、統合パラメータ情報Ａ＾ｇｌｂ、Ｂ＾ｇｌｂを取得する。更新部１１４－ｉは、複数のベクトルＡｉ、Ｂｉにおける第１パラメータ情報Ａｉ＾ｇｌｂ、Ｂｉ＾ｇｌｂを、統合パラメータ情報Ａ＾ｇｌｂ、Ｂ＾ｇｌｂに置き換えることにより、予測モデルＭＬｉを更新する。
【0082】
（サーバ装置２００の機能的な構成）
サーバ装置２００の機能的な構成について、図１０を参照して説明する。図１０は、サーバ装置２００の機能的な構成を示すブロック図である。図１０に示すように、サーバ装置２００は、制御部２１０と、記憶部２２０と、通信部２３０と、を含む。制御部２１０は、サーバ装置２００の各部を統括して制御する。記憶部２２０は、制御部２１０が使用する各種のデータを記憶する。通信部２３０は、制御部２１０の制御のもと、他の装置との通信を行う。
サーバ装置２００の機能的な構成について、図１０を参照して説明する。図１０は、サーバ装置２００の機能的な構成を示すブロック図である。図１０に示すように、サーバ装置２００は、制御部２１０と、記憶部２２０と、通信部２３０と、を含む。制御部２１０は、サーバ装置２００の各部を統括して制御する。記憶部２２０は、制御部２１０が使用する各種のデータを記憶する。通信部２３０は、制御部２１０の制御のもと、他の装置との通信を行う。
【0083】
（記憶部２２０に記憶される情報）
記憶部２２０は、共通データＣＯＭと、ハイパーパラメータｋと、を記憶する。共通データＣＯＭは、共通ユーザリストＵ１＾ｇｌｂ～Ｕｎ＾ｇｌｂ、共通商品リストＶ１＾ｇｌｂ～Ｖｎ＾ｇｌｂ、共通ユーザ属性リストＰ１＾ｇｌｂ～Ｐｎ＾ｇｌｂ、および共通商品属性リストＱ１＾ｇｌｂ～Ｑｎ＾ｇｌｂを含む。各リストの詳細、およびハイパーパラメータｋについては、クライアント装置１００－ｉの説明に記載した通りである。
記憶部２２０は、共通データＣＯＭと、ハイパーパラメータｋと、を記憶する。共通データＣＯＭは、共通ユーザリストＵ１＾ｇｌｂ～Ｕｎ＾ｇｌｂ、共通商品リストＶ１＾ｇｌｂ～Ｖｎ＾ｇｌｂ、共通ユーザ属性リストＰ１＾ｇｌｂ～Ｐｎ＾ｇｌｂ、および共通商品属性リストＱ１＾ｇｌｂ～Ｑｎ＾ｇｌｂを含む。各リストの詳細、およびハイパーパラメータｋについては、クライアント装置１００－ｉの説明に記載した通りである。
【0084】
なお、記憶部２２０に記憶される共通ユーザリストＵｉ＾ｇｌｂの個数は、クライアント装置１００－ｉの個数（ｎ個）に等しい。また、記憶部３２０－ｉに記憶される共通商品リストＶｉ＾ｇｌｂ、共通ユーザ属性リストＰｉ＾ｇｌｂ、および共通商品属性リストＱｉ＾ｇｌｂの個数は、サービサー装置３００－ｉの間で共通であるため１つずつである。
【0085】
（制御部２１０の詳細）
制御部２１０は、パラメータ情報取得部２１１と、統合部２１２と、パラメータ情報送信部２１３と、を含む。パラメータ情報取得部２１１は、複数のクライアント装置１００－ｉの各々から第１パラメータ情報Ａｉ＾ｇｌｂ、Ｂｉ＾ｇｌｂを取得する。統合部２１２は、複数の第１パラメータ情報を統合することにより統合パラメータ情報Ａ＾ｇｌｂ、Ｂ＾ｇｌｂを生成する。統合処理の詳細については後述する。パラメータ情報送信部２１３は、統合パラメータ情報Ａ＾ｇｌｂ、Ｂ＾ｇｌｂを、複数のクライアント装置１００－ｉのそれぞれに送信する。
制御部２１０は、パラメータ情報取得部２１１と、統合部２１２と、パラメータ情報送信部２１３と、を含む。パラメータ情報取得部２１１は、複数のクライアント装置１００－ｉの各々から第１パラメータ情報Ａｉ＾ｇｌｂ、Ｂｉ＾ｇｌｂを取得する。統合部２１２は、複数の第１パラメータ情報を統合することにより統合パラメータ情報Ａ＾ｇｌｂ、Ｂ＾ｇｌｂを生成する。統合処理の詳細については後述する。パラメータ情報送信部２１３は、統合パラメータ情報Ａ＾ｇｌｂ、Ｂ＾ｇｌｂを、複数のクライアント装置１００－ｉのそれぞれに送信する。
【0086】
（サービサー装置３００－ｉの機能的な構成）
サービサー装置３００－ｉの機能的な構成について、図１１を参照して説明する。図１１は、サービサー装置３００－ｉの機能的な構成を示すブロック図である。図１１に示すように、サービサー装置３００－ｉは、制御部３１０－ｉと、記憶部３２０－ｉと、通信部３３０－ｉと、を含む。制御部３１０－ｉは、クライアント装置１００－ｉの各部を統括して制御する。記憶部３２０－ｉは、制御部３１０－ｉが使用する各種のデータを記憶する。通信部３３０－ｉは、制御部３１０－ｉの制御のもと、他の装置との通信を行う。
サービサー装置３００－ｉの機能的な構成について、図１１を参照して説明する。図１１は、サービサー装置３００－ｉの機能的な構成を示すブロック図である。図１１に示すように、サービサー装置３００－ｉは、制御部３１０－ｉと、記憶部３２０－ｉと、通信部３３０－ｉと、を含む。制御部３１０－ｉは、クライアント装置１００－ｉの各部を統括して制御する。記憶部３２０－ｉは、制御部３１０－ｉが使用する各種のデータを記憶する。通信部３３０－ｉは、制御部３１０－ｉの制御のもと、他の装置との通信を行う。
【0087】
（記憶部３２０－ｉに記憶される情報）
記憶部３２０－ｉは、学習データセットＤＳｉと、共通データＣＯＭと、予測モデルＭＬｉと、を記憶する。これらの情報については、クライアント装置１００－ｉの記憶部１２０－ｉの説明に記載した通りである。なお、詳細は後述するが、クライアント装置１００－ｉに記憶される学習データセットＤＳｉは、サービサー装置３００－ｉから転送されたものである。また、サービサー装置３００－ｉに記憶される予測モデルＭＬｉは、クライアント装置１００－ｉから転送されたものである。
記憶部３２０－ｉは、学習データセットＤＳｉと、共通データＣＯＭと、予測モデルＭＬｉと、を記憶する。これらの情報については、クライアント装置１００－ｉの記憶部１２０－ｉの説明に記載した通りである。なお、詳細は後述するが、クライアント装置１００－ｉに記憶される学習データセットＤＳｉは、サービサー装置３００－ｉから転送されたものである。また、サービサー装置３００－ｉに記憶される予測モデルＭＬｉは、クライアント装置１００－ｉから転送されたものである。
【0088】
（制御部３１０－ｉの詳細）
制御部３１０－ｉは、ユーザ登録部３１１－ｉと、商品登録部３１２－ｉと、評価値登録部３１３－ｉと、ユーザＩＤ共通化部３１４－ｉと、共通化部３１５－ｉと、連合学習依頼部３１６－ｉと、予測部３１７－ｉと、を含む。
制御部３１０－ｉは、ユーザ登録部３１１－ｉと、商品登録部３１２－ｉと、評価値登録部３１３－ｉと、ユーザＩＤ共通化部３１４－ｉと、共通化部３１５－ｉと、連合学習依頼部３１６－ｉと、予測部３１７－ｉと、を含む。
【0089】
ユーザ登録部３１１－ｉは、当該サービサー装置３００－ｉによる販売サービスを利用するユーザを登録する処理を実行し、ユーザリストＵｉを生成／更新する。商品登録部３１２－ｉは、当該販売サービスで販売する商品を登録する処理を実行し、商品リストＶｉを生成／更新する。
【0090】
評価値登録部３１３－ｉは、ユーザにより商品に付与される評価値を登録する処理を実行し、評価値行列Ｒｉを生成／更新する。ユーザＩＤ共通化部３１４－ｉは、他の各サービサー装置３００－ｊとの間でユーザＩＤを共通化する処理を実行し、共通ユーザリストＵｉ＾ｇｌｂを生成／更新する。共通化部３１５－ｉは、他の各サービサー装置３００－ｊとの間で商品、ユーザ属性、商品属性を共通化する処理を実行し、共通商品リストＶｉ＾ｇｌｂ、共通ユーザ属性リストＰｉ＾ｇｌｂ、共通商品属性リストＱｉ＾ｇｌｂを生成／更新する。
【0091】
連合学習依頼部３１６－ｉは、クライアント装置１００－ｉに連合学習処理を依頼することにより、予測モデルＭＬｉを取得する。予測部３１７－ｉは、予測モデルＭＬｉを用いて、評価値が付与されていない商品およびユーザの組み合わせに対応する評価値を予測する。
【0092】
（連合学習システム１０Ａの動作）
以上のように構成された連合学習システム１０Ａは、本例示的実施形態に係る情報処理方法Ｓ４～Ｓ９、連合学習方法Ｓ１０を実行する。情報処理方法Ｓ４～Ｓ７は、学習データセットＤＳｉを取得するための方法である。情報処理方法Ｓ８～Ｓ９は、共通データＣＯＭを生成するための方法である。
以上のように構成された連合学習システム１０Ａは、本例示的実施形態に係る情報処理方法Ｓ４～Ｓ９、連合学習方法Ｓ１０を実行する。情報処理方法Ｓ４～Ｓ７は、学習データセットＤＳｉを取得するための方法である。情報処理方法Ｓ８～Ｓ９は、共通データＣＯＭを生成するための方法である。
【0093】
（情報処理方法Ｓ４：ユーザ登録）
情報処理方法Ｓ４は、サービサー装置３００－ｉが実行するユーザ登録処理を示す。情報処理方法Ｓ４は、サービサー装置３００－ｉによる販売サービスの利用を新たなユーザが開始する際に実行される。情報処理方法Ｓ４について、図１２を参照して説明する。図１２は、情報処理方法Ｓ４の流れを説明するフロー図である。図１２に示すように、情報処理方法Ｓ４は、ステップＳ４０１～Ｓ４０３を含む。
情報処理方法Ｓ４は、サービサー装置３００－ｉが実行するユーザ登録処理を示す。情報処理方法Ｓ４は、サービサー装置３００－ｉによる販売サービスの利用を新たなユーザが開始する際に実行される。情報処理方法Ｓ４について、図１２を参照して説明する。図１２は、情報処理方法Ｓ４の流れを説明するフロー図である。図１２に示すように、情報処理方法Ｓ４は、ステップＳ４０１～Ｓ４０３を含む。
【0094】
ステップＳ４０１において、ユーザ登録部３１１－ｉは、新たなユーザに対して新規のユーザＩＤを付与し、当該ユーザＩＤをユーザリストＵｉに追加する。
【0095】
ステップＳ４０２において、ユーザ登録部３１１－ｉは、ユーザ属性リストＰｉに含まれる各ユーザ属性の全てまたは一部を読み込む。
【0096】
ステップＳ４０３において、ユーザ登録部３１１－ｉは、読み込んだ各ユーザ属性のユーザ属性値を取得する。例えば、ユーザ登録部３１１－ｉは、ユーザ属性を入力するユーザインタフェースをユーザ端末（図示せず）に表示し、当該ユーザ端末から入力される情報に基づいてユーザ属性値を取得してもよい。ユーザ登録部３１１－ｉは、取得したユーザ属性値を、ユーザ属性値行列Ｓｉに追記する。
【0097】
以降、ユーザ属性値行列Ｓｉにおいて、ユーザｕが有するユーザ属性ｖのユーザ属性値を、Ｓｉ［ｕ，ｖ］とも記載する。ｕは、ユーザリストＵｉに含まれるユーザＩＤであり、ユーザｕは、ユーザＩＤがｕのユーザを指す。また、ｖは、ユーザ属性リストＰｉに含まれるユーザ属性ＩＤであり、ユーザ属性ｖは、ユーザ属性ＩＤがｖのユーザ属性を指す。なお、Ｓｉ［ｕ，ｖ］は、必ずしも取得できない場合がある。具体例として、例えば、ユーザｕが当該ユーザ属性ｖに関する質問に対して回答を入力しなかった場合がある。また、他の具体例として、ユーザｕ（例えば、３０才）がそもそも当該ユーザ属性ｖ（４０才の年収）を有していない場合がある。この場合Ｓｉ［ｕ，ｖ］は欠損値である。欠損値を以下「ＮＵＬＬ」と記載する。よって、Ｓｉ［ｕ，ｖ］が欠損値であることは、「Ｓｉ［ｕ，ｖ］＝ＮＵＬＬ」と表記される。ユーザ属性値行列Ｓｉは、多次元配列である。ユーザ登録部３１１－ｉは、ユーザ属性値行列Ｓｉのうち欠損値の成分を記憶部３２０－ｉに記憶しなくてよい。これにより、記憶部３２０－ｉの記憶領域を節約することできる。
【0098】
また、ユーザ登録部３１１－ｉは、サービサー装置３００－ｉによる販売サービスの運用開始後に、ユーザ属性リストＰｉに新たなユーザ属性を追加してもよい。例えば、ユーザ登録部３１１－ｉは、当該販売サービスにおいて何らかのキャンペーンが行われた際に、「キャンペーン○○に応募したか否か」、「キャンペーン○○の最中に買った金額」といったユーザ属性をユーザ属性リストＰｉに追加してもよい。この場合、ユーザ登録部３１１－ｉは、追加したユーザ属性についてユーザに質問することで、入力された質問結果をユーザ属性値としてユーザ属性値行列Ｓｉに追記する。
【0099】
なお、本例示的実施形態では、サービサー装置３００－ｉが、ユーザ属性値を数値化するものとする。ただし、これに限らず、サービサー装置３００－ｉではユーザ属性値を文字列として記憶し、クライアント装置１００－ｉが該当するユーザ属性値を文字列から数値化してもよい。
【0100】
（情報処理方法Ｓ５：商品登録）
情報処理方法Ｓ５は、サービサー装置３００－ｉが実行する商品登録処理を示す。情報処理方法Ｓ５は、サービサー装置３００－ｉによる販売サービスにおいて新商品を入荷する際に実行される。情報処理方法Ｓ５について、図１３を参照して説明する。図１３は、情報処理方法Ｓ５の流れを説明するフロー図である。図１３に示すように、情報処理方法Ｓ５は、ステップＳ５０１～Ｓ５０３を含む。
情報処理方法Ｓ５は、サービサー装置３００－ｉが実行する商品登録処理を示す。情報処理方法Ｓ５は、サービサー装置３００－ｉによる販売サービスにおいて新商品を入荷する際に実行される。情報処理方法Ｓ５について、図１３を参照して説明する。図１３は、情報処理方法Ｓ５の流れを説明するフロー図である。図１３に示すように、情報処理方法Ｓ５は、ステップＳ５０１～Ｓ５０３を含む。
【0101】
ステップＳ５０１において、商品登録部３１２－ｉは、新商品に対して新規の商品ＩＤを付与し、当該商品ＩＤを商品リストＶｉに追加する。なお、商品登録部３１２－ｉは、当該サービサー装置３００－ｉにおける独自の商品ＩＤを付与してもよいし、製造時等に商品（またはその包装体等）に添付（例えば、印刷、貼り付け等）された１次元コードまたは２次元コードを商品ＩＤとして用いてもよい。
【0102】
ステップＳ５０２において、商品登録部３１２－ｉは、当該新商品に関連付けられた１または複数の商品属性、およびそれぞれの商品属性値を示す情報を取得する。また、商品登録部３１２－ｉは、取得した１または複数の商品属性のうち、商品属性リストＱｉに含まれていない新規の商品属性があれば、当該新規の商品属性を商品属性リストＱｉに追加する。
【0103】
ステップＳ５０３において、商品登録部３１２－ｉは、当該新商品に関連付けられた各商品属性の商品属性値を、商品属性値行列Ｔｉに追加する。
【0104】
以降、商品属性値行列Ｔｉにおいて、商品ｖが有する商品属性ｕの商品属性値を、Ｔｉ［ｕ，ｖ］とも記載する。ｕは、商品属性リストＱｉに含まれる商品属性ＩＤであり、商品属性ｕは、商品属性ＩＤがｕの商品属性を指す。また、ｖは、商品リストＶｉに含まれる商品ＩＤであり、商品ｖは、商品ＩＤがｖの商品を指す。なお、Ｔｉ［ｕ，ｖ］は、必ずしも取得できない場合がある。例えば、商品ｖ（例えば、車）がそもそも当該商品属性ｖ（食べたときに甘いか否か）を有していない場合がある。この場合Ｔｉ［ｕ，ｖ］は欠損値であり、「Ｔｉ［ｕ，ｖ］＝ＮＵＬＬ」と表記される。商品属性値行列Ｔｉは、多次元配列である。商品登録部３１２－ｉは、商品属性値行列Ｔｉのうち欠損値の成分を記憶部３２０－ｉに記憶しなくてよい。これにより、記憶部３２０－ｉの記憶領域を節約することができる。
【0105】
また、商品登録部３１２－ｉは、サービサー装置３００－ｉによる販売サービスの運用開始後に、商品属性リストＱｉに新たな商品属性を追加してもよい。例えば、商品登録部３１２－ｉが、商品の製造メーカから既存の商品について新たな商品属性に関する情報（例えば、「３０代女性によく売れる商品」）を取得したとする。この場合、商品登録部３１２－ｉは、新たな商品属性「３０代によく売れるか否か」を商品属性リストＱｉに追加するとともに、該当商品の当該商品属性値（よく売れる）を商品属性値行列Ｔｉに追加してもよい。
【0106】
（情報処理方法Ｓ６：評価値登録）
情報処理方法Ｓ６は、サービサー装置３００－ｉが実行する評価値登録処理を示す。情報処理方法Ｓ６は、サービサー装置３００－ｉによる販売サービスにおいてユーザが商品に評価値を付与する際に実行される。当該販売サービスにおいては、ユーザは、例えば、商品の良し悪しを５段階で評価する（５段階の評価値を付与する）ことができる。情報処理方法Ｓ６について、図１４を参照して説明する。図１４は、情報処理方法Ｓ６の流れを説明するフロー図である。図１４に示すように、情報処理方法Ｓ６は、ステップＳ６０１～Ｓ６０２を含む。
情報処理方法Ｓ６は、サービサー装置３００－ｉが実行する評価値登録処理を示す。情報処理方法Ｓ６は、サービサー装置３００－ｉによる販売サービスにおいてユーザが商品に評価値を付与する際に実行される。当該販売サービスにおいては、ユーザは、例えば、商品の良し悪しを５段階で評価する（５段階の評価値を付与する）ことができる。情報処理方法Ｓ６について、図１４を参照して説明する。図１４は、情報処理方法Ｓ６の流れを説明するフロー図である。図１４に示すように、情報処理方法Ｓ６は、ステップＳ６０１～Ｓ６０２を含む。
【0107】
ステップＳ６０１において、評価値登録部３１３－ｉは、商品ｖに対するユーザの評価値を、ユーザ端末等から取得する。例えば、評価値登録部３１３－ｉは、ユーザｕが商品ｖについて入力した評価値を取得してもよい。ステップＳ６０２において、評価値登録部３１３－ｉは、取得した評価値を、評価値行列Ｒｉに登録する。
【0108】
以降、評価値行列Ｒｉにおいて、商品ｖに対するユーザｕの評価値を、Ｒｉ［ｕ，ｖ］とも記載する。ユーザｕ、商品ｖについては前述した通りである。なお、商品ｖに対する評価値が得られない場合、Ｒｉ［ｕ，ｖ］は欠損値となり、「Ｒｉ［ｕ，ｖ］＝ＮＵＬＬ」と表記される。評価値行列Ｒｉは、多次元配列である。評価値登録部３１３－ｉは、評価値行列Ｒｉのうち欠損値の成分を記憶部３２０－ｉに記憶しなくてよい。これにより、記憶部３２０－ｉの記憶領域を節約することできる。
【0109】
（情報処理方法Ｓ７：ユーザＩＤ共通化）
情報処理方法Ｓ７は、サービサー装置３００－ｉが実行するユーザＩＤ共通化処理を示す。情報処理方法Ｓ７は、例えば、サービサー装置３００－ｉを利用するユーザから、他のサービサー装置３００－ｊを利用中であるとの情報が得られたことを契機として実行される。例えば、サービサー装置３００－ｉは、ユーザに対して、他のサービサー装置３００－ｊを利用中であるとの情報の登録に応じた報酬を付与するようにしてもよい。報酬の具体例としては、報奨金を払う、サービス料を安くする、商品の値段を割り引く等があるが、これらに限られない。これにより、ユーザリストＵｉおよびユーザリストＵｊの間で共通するユーザをより精度よく発見することができ、結果として、予測モデルＭＬｉの精度を向上させることができる。情報処理方法Ｓ７について、図１５を参照して説明する。図１５は、情報処理方法Ｓ７の流れを説明するフロー図である。図１５に示すように、情報処理方法Ｓ７は、ステップＳ７０１～Ｓ７１０を含む。
情報処理方法Ｓ７は、サービサー装置３００－ｉが実行するユーザＩＤ共通化処理を示す。情報処理方法Ｓ７は、例えば、サービサー装置３００－ｉを利用するユーザから、他のサービサー装置３００－ｊを利用中であるとの情報が得られたことを契機として実行される。例えば、サービサー装置３００－ｉは、ユーザに対して、他のサービサー装置３００－ｊを利用中であるとの情報の登録に応じた報酬を付与するようにしてもよい。報酬の具体例としては、報奨金を払う、サービス料を安くする、商品の値段を割り引く等があるが、これらに限られない。これにより、ユーザリストＵｉおよびユーザリストＵｊの間で共通するユーザをより精度よく発見することができ、結果として、予測モデルＭＬｉの精度を向上させることができる。情報処理方法Ｓ７について、図１５を参照して説明する。図１５は、情報処理方法Ｓ７の流れを説明するフロー図である。図１５に示すように、情報処理方法Ｓ７は、ステップＳ７０１～Ｓ７１０を含む。
【0110】
ステップＳ７０１において、ユーザＩＤ共通化部３１４－ｉは、ユーザｕ１から、他のサービサー装置３００－ｊを利用中であるとの情報を取得する。取得する情報には、他のサービサー装置３００－ｊにおける当該ユーザｕ１のユーザＩＤ「ｕ２」が含まれる。
【0111】
ステップＳ７０２において、ユーザＩＤ共通化部３１４－ｉは、未使用のユーザＩＤ「ｕ－ｃｏｍ」を共通のユーザＩＤの候補として決定する。未使用であるとは、ユーザリストＵｉに含まれていないことである。また、ユーザＩＤ共通化部３１４－ｉは、共通のユーザＩＤの候補「ｕ－ｃｏｍ」と、サービサー装置３００－ｊにおけるユーザＩＤ「ｕ２」と、をサービサー装置３００－ｊに送信する。
【0112】
ステップＳ７０３において、サービサー装置３００－ｊのユーザＩＤ共通化部３１４－ｊは、共通のユーザＩＤの候補「ｕ－ｃｏｍ」が未使用であるか否かを判断する。具体的には、ユーザＩＤ共通化部３１４－ｊは、ユーザリストＵｊにｕ－ｃｏｍが含まれていないかどうかを判断する。
【0113】
ステップＳ７０３においてＮｏと判断した場合、ステップＳ７０４が実行される。ステップＳ７０４において、ユーザＩＤ共通化部３１４－ｊは、サービサー装置３００－ｉに対して、「使用済み」との回答を送信する。ステップＳ７０３ｊにおいてＹｅｓと判断した場合、ステップＳ７０５が実行される。ステップＳ７０５において、ユーザＩＤ共通化部３１４－ｊは、サービサー装置３００－ｉに対して、「未使用」との回答を送信する。
【0114】
ステップＳ７０６において、サービサー装置３００－ｉのユーザＩＤ共通化部３１４－ｉは、サービサー装置３００－ｊから受信した回答が「未使用」であるか否かを判断する。ステップＳ７０６においてＮｏ（使用済み）と判断した場合、ユーザＩＤ共通化部３１４－ｉは、ステップＳ７０２からの処理を繰り返す。なお、繰り返しにおけるステップＳ７０２においては、未使用の共通のユーザＩＤの候補として、ユーザリストＵｉに含まれず、かつ、前回までの候補以外を新たな候補「ｕ－ｃｏｍ」として決定する。
【0115】
ステップＳ７０６においてＹｅｓ（未使用）と判断した場合、ステップＳ７０７が実行される。ステップＳ７０７において、ユーザＩＤ共通化部３１４－ｉは、ユーザリストＵｉにおけるｕ１をｕ－ｃｏｍに更新する。また、ステップＳ７０８において、ユーザＩＤ共通化部３１４－ｉは、共通ユーザリストＵｉｊ＾ｇｌｂに、ｕ－ｃｏｍを追加する。
【0116】
また、サービサー装置３００－ｊにおいて、ユーザＩＤ共通化部３１４－ｊは、ステップＳ７０４で「使用済み」との回答を送信後、再度新たな共通のユーザＩＤの候補をサービサー装置３００－ｉから受信すると、ステップＳ７０３からの処理を繰り返す。
【0117】
また、ユーザＩＤ共通化部３１４－ｊは、ステップＳ７０５で「未使用」との回答を送信後、ステップＳ７０９～Ｓ７１０を実行する。ステップＳ７０９において、ユーザＩＤ共通化部３１４－ｊは、ユーザリストＵｊにおけるｕ２をｕ－ｃｏｍに更新する。
【0118】
ステップＳ７０８において、ユーザＩＤ共通化部３１４－ｉは、共通ユーザリストＵｉｊ＾ｇｌｂに、ｕ－ｃｏｍを追加する。また、ユーザＩＤ共通化部３１４－ｉは、ｉ≠ｊの全てのｊについて共通ユーザリストＵｉｊ＾ｇｌｂの和集合をＵｉ＾ｇｌｂとして、記憶部３２０－ｉに記憶する。
【0119】
（情報処理方法Ｓ８：共通化）
情報処理方法Ｓ８は、サービサー装置３００－ｉが実行する共通化処理を示す。情報処理方法Ｓ８は、サービサー装置３００－ｉが他のサービサー装置３００－ｊとの間で共通する商品、ユーザ属性、および商品属性を発見するために任意の時点において実行される。例えば、サービサー装置３００－ｉは、所定間隔で情報処理方法Ｓ８を実行してもよいし、管理者による実行指示に応答して情報処理方法Ｓ８を実行してもよい。情報処理方法Ｓ８は、ｎ個のサービサー装置３００－ｉのうち少なくとも１つが実行すればよい。情報処理方法Ｓ８について、図１６を参照して説明する。図１６は、情報処理方法Ｓ８の流れを説明するフロー図である。図１６に示すように、情報処理方法Ｓ８は、ステップＳ８０１～Ｓ８０３を含む。
情報処理方法Ｓ８は、サービサー装置３００－ｉが実行する共通化処理を示す。情報処理方法Ｓ８は、サービサー装置３００－ｉが他のサービサー装置３００－ｊとの間で共通する商品、ユーザ属性、および商品属性を発見するために任意の時点において実行される。例えば、サービサー装置３００－ｉは、所定間隔で情報処理方法Ｓ８を実行してもよいし、管理者による実行指示に応答して情報処理方法Ｓ８を実行してもよい。情報処理方法Ｓ８は、ｎ個のサービサー装置３００－ｉのうち少なくとも１つが実行すればよい。情報処理方法Ｓ８について、図１６を参照して説明する。図１６は、情報処理方法Ｓ８の流れを説明するフロー図である。図１６に示すように、情報処理方法Ｓ８は、ステップＳ８０１～Ｓ８０３を含む。
【0120】
ステップＳ８０１において、共通化部３１５－ｉは、他の各サービサー装置３００－ｊから、商品リストＶｊをそれぞれ取得し、ｎ個の商品リストＶ１～Ｖｎに基づいて共通商品リストＶｉ＾ｇｌｂを生成する。共通商品リストＶｉ＾ｇｌｂを生成する処理の具体例について説明する。例えば、まず、共通化部３１５－ｉは、商品リストＶ１～Ｖｎのうち２つ以上に共通する商品を抽出する。なお、共通する商品を抽出するための所定の条件が定められていてもよい。所定の条件の一例としては、例えば、１または複数の所定の商品属性値（例えば、商品名、メーカ名等）が同一であるとの条件が挙げられるが、これに限られない。また、共通化部３１５－ｉは、抽出した商品それぞれに対して、共通商品ＩＤを付与する。共通商品ＩＤとしては、他の共通商品ＩＤとは異なるとともに、ｎ個の商品リストＶ１～Ｖｎにおいて互いに共通しない商品の商品ＩＤとも異なるＩＤが用いられる。そして、共通化部３１５－ｉは、商品リストＶ１～Ｖｎのそれぞれにおいて共通する各商品の商品ＩＤを、対応する共通商品ＩＤに変更することにより、商品リストＶ１～Ｖｎを更新する。また、共通化部３１５－ｉは、共通商品リストＶｉ＾ｇｌｂに、共通する各商品の共通商品ＩＤを追加する。そして、共通化部３１５－ｉは、他の各サービサー装置３００－ｊに対して、更新した商品リストＶｊと、生成した共通商品リストＶｉ＾ｇｌｂと、を送信して記憶部３２０－ｊに記憶させる。
【0121】
ステップＳ８０２において、共通化部３１５－ｉは、他の各サービサー装置３００－ｊから、ユーザ属性リストＰｊをそれぞれ取得し、ｎ個のユーザ属性リストＰ１～Ｐｎに基づいて共通ユーザ属性リストＰｉ＾ｇｌｂを生成する。共通ユーザ属性リストＰｉ＾ｇｌｂを生成する処理の具体例について説明する。例えば、まず、共通化部３１５－ｉは、ユーザ属性リストＰ１～Ｐｎのうち２つ以上に共通するユーザ属性を抽出する。なお、共通するユーザ属性を抽出するための所定の条件が定められていてもよい。所定の条件の一例としては、例えば、ユーザ属性の名称が同一であるとの条件が挙げられるが、これに限られない。また、共通化部３１５－ｉは、抽出したユーザ属性それぞれに対して、共通ユーザ属性ＩＤを付与する。共通ユーザ属性ＩＤは、他の共通ユーザ属性ＩＤとは異なるとともに、ｎ個のユーザ属性リストＰ１～Ｐｎにおいて互いに共通しないユーザ属性のユーザ属性ＩＤとも異なるＩＤが用いられる。そして、共通化部３１５－ｉは、ユーザ属性リストＰ１～Ｐｎのそれぞれにおいて共通する各ユーザ属性のユーザ属性ＩＤを、対応する共通ユーザ属性ＩＤに変更することにより、ユーザ属性リストＰ１～Ｐｎを更新する。また、共通化部３１５－ｉは、共通ユーザ属性リストＰｉ＾ｇｌｂに、共通する各ユーザ属性の共通ユーザ属性ＩＤを追加する。そして、共通化部３１５－ｉは、他の各サービサー装置３００－ｊに対して、更新したユーザ属性リストＰｊと、生成した共通ユーザ属性リストＰｉ＾ｇｌｂと、を送信して記憶部３２０－ｊに記憶させる。
【0122】
ステップＳ８０３において、共通化部３１５－ｉは、他の各サービサー装置３００－ｊから、商品属性リストＱｊをそれぞれ取得し、ｎ個の商品属性リストＱ１～Ｑｎに基づいて共通商品属性リストＱｉ＾ｇｌｂを生成する。共通商品属性リストＱｉ＾ｇｌｂを生成する処理の具体例について説明する。例えば、まず、共通化部３１５－ｉは、商品属性リストＱ１～Ｑｎのうち２つ以上に共通する商品属性を抽出する。なお、共通する商品属性を抽出するための所定の条件が定められていてもよい。所定の条件の一例としては、例えば、商品属性の名称が同一であるとの条件が挙げられるが、これに限られない。また、共通化部３１５－ｉは、抽出した商品属性それぞれに対して、共通商品属性ＩＤを付与する。共通商品属性ＩＤとしては、他の共通商品属性ＩＤとは異なるとともに、ｎ個の商品属性リストＱ１～Ｑｎにおいて互いに共通しない商品属性の商品属性ＩＤとも異なるＩＤが用いられる。そして、共通化部３１５－ｉは、商品属性リストＱ１～Ｑｎのそれぞれにおいて共通する各商品属性の商品属性ＩＤを、対応する共通商品属性ＩＤに変更することにより、商品属性リストＱ１～Ｑｎを更新する。また、共通化部３１５－ｉは、共通商品属性リストＱｉ＾ｇｌｂに、共通する各商品属性の共通商品属性ＩＤを追加する。そして、共通化部３１５－ｉは、他の各サービサー装置３００－ｊに対して、更新した商品リストＶｊと、生成した共通商品リストＶｉ＾ｇｌｂと、を送信して記憶部３２０－ｊに記憶させる。
【0123】
以降、共通商品リストＶｉ＾ｇｌｂ、共通ユーザ属性リストＰｉ＾ｇｌｂ、共通商品属性リストＱｉ＾ｇｌｂの要素を、それぞれ共通商品ＩＤ、共通ユーザ属性、共通商品属性と呼ぶ。また、Ｖｉに含まれＶｉ＾ｇｌｂに含まれない各要素を、それぞれ、固有商品ＩＤ、固有ユーザ属性、固有商品属性と呼ぶ。
【0124】
なお、商品ＩＤとして、製造時等に消費に付与された情報（前述の１次元コードまたは２次元コード等）を利用する場合は、全ての商品リストＶ１、Ｖ２、…Ｖｎにわたって商品が商品ＩＤにより一意に識別可能となっている。したがって、ステップＳ８０１における処理は、次のように簡略化できる。すなわち、共通化部３１５－ｉは、商品リストＶ１～Ｖｎのうち２つ以上に共通する商品ＩＤを、共通商品ＩＤとして抽出する。これにより、共通化部３１５－ｉは、新たな共通商品ＩＤを発行して各商品リストＶｉを更新する処理を省略し、共通商品ＩＤを共通商品リストＶｉ＾ｇｌｂに追加する処理のみ実行すればよい。また、商品属性に関しても、各商品属性リストＱ１～Ｑｎにおいて、あらかじめ定められた標準的な商品属性ＩＤが用いられている場合も考えられる。また、ユーザ属性に関しても、各ユーザ属性リストＰ１～Ｐｎにおいて、あらかじめ定められた標準的なユーザ属性ＩＤが使用される場合も考えられる。この場合、ステップＳ８０２、Ｓ８０３の処理も、ステップＳ８０１と同様に簡略化できる。
【0125】
また、情報処理方法Ｓ８は、１つのサービサー装置３００－ｉに対して他の各サービサー装置３００－ｊが商品リストＶｉ、ユーザ属性リストＰｉ、商品属性リストＱｉを公開することを前提としていた。ただし、各サービサー装置３００－ｊは、企業秘密等により公開できない情報については秘匿し、それ以外の商品リストＶｉ、ユーザ属性リストＰｉ、商品属性リストＱｉを公開するようにしてもよい。この場合、秘匿した情報は、固有商品ＩＤ、固有ユーザ属性、固有商品属性として扱われる。
【0126】
また、情報処理方法Ｓ８は、１つのサービサー装置３００－ｉが実行する代わりに、サーバ装置２００が実行してもよい。この場合、サービサー装置３００－ｉおよびクライアント装置１００－ｉは、商品リストＶｉ＾ｇｌｂ、ユーザ属性リストＰｉ＾ｇｌｂ、商品属性リストＱｉ＾ｇｌｂを生成／記憶する必要がないため、計算負荷および記憶領域が節約される。
【0127】
（情報処理方法Ｓ９：連合学習依頼、連合学習受諾）
情報処理方法Ｓ９は、連合学習システム１０Ａが実行する連合学習依頼処理および連合学習受諾処理を示す。情報処理方法Ｓ９は、例えば、サービサー装置３００－ｉが情報処理方法Ｓ４～Ｓ８を完了したことを契機として実行される。また、情報処理方法Ｓ９は、定期的に、または、管理者の指示によって実行されてもよい。情報処理方法Ｓ９について、図１７を参照して説明する。図１７は、情報処理方法Ｓ９の流れを説明するフロー図である。図１７に示すように、情報処理方法Ｓ９は、ステップＳ９０１～Ｓ９０５を含む。
情報処理方法Ｓ９は、連合学習システム１０Ａが実行する連合学習依頼処理および連合学習受諾処理を示す。情報処理方法Ｓ９は、例えば、サービサー装置３００－ｉが情報処理方法Ｓ４～Ｓ８を完了したことを契機として実行される。また、情報処理方法Ｓ９は、定期的に、または、管理者の指示によって実行されてもよい。情報処理方法Ｓ９について、図１７を参照して説明する。図１７は、情報処理方法Ｓ９の流れを説明するフロー図である。図１７に示すように、情報処理方法Ｓ９は、ステップＳ９０１～Ｓ９０５を含む。
【0128】
ステップＳ９０１において、連合学習依頼部３１６－ｉは、記憶部３２０－ｉに記憶した学習データセットＤＳｉをクライアント装置１００－ｉに送信する。学習データセットＤＳｉには、前述したように、ユーザリストＵｉ、商品リストＶｉ、ユーザ属性リストＰｉ、商品属性リストＱｉ、評価値行列Ｒｉ、ユーザ属性値行列Ｓｉ、商品属性値行列Ｔｉ，が含まれる。ここで、前述のように、評価値行列Ｒｉ、ユーザ属性値行列Ｓｉ、商品属性値行列Ｔｉはそれぞれ欠損値を含む。このため、連合学習依頼部３１６－ｉは、欠損値の部分を送信しないことで通信量を削減できる。
【0129】
ステップＳ９０２において、クライアント装置１００－ｉは、受信した学習データセットＤＳｉを記憶部１２０－ｉに記憶する。
【0130】
ステップＳ９０３において、サービサー装置３００－ｉの連合学習依頼部３１６－ｉは、記憶部３２０－ｉに記憶した共通データＣＯＭを、クライアント装置１００－ｉおよびサーバ装置２００にそれぞれ送信する。共通データＣＯＭには、前述したように、共通ユーザリストＵｉ＾ｇｌｂ、共通商品リストＶｉ＾ｇｌｂ、共通ユーザ属性リストＰｉ＾ｇｌｂ、共通商品属性リストＱｉ＾ｇｌｂが含まれる。
【0131】
なお、共通データＣＯＭのうち、共通商品リストＶｉ＾ｇｌｂ、共通ユーザ属性リストＰｉ＾ｇｌｂ、共通商品属性リストＱｉ＾ｇｌｂについては、ｎ個のサービサー装置３００－ｉが同一の情報を記憶している。したがって、これらをサーバ装置２００に送信する処理は、ｎ個のサービサー装置３００－ｉのうち少なくとも１つが実行すればよい。
【0132】
また、共通データＣＯＭのうち、共通ユーザリストＵｉ＾ｇｌｂについては、情報処理方法Ｓ７のステップＳ７０８、Ｓ７１０で生成するものとして説明している。ただし、共通ユーザリストＵｉ＾ｇｌｂを生成する処理は、本情報処理方法Ｓ９の本ステップＳ９０３で実行し、その上で当該共通ユーザリストＵｉ＾ｇｌｂを送信してもよい。
【0133】
ステップＳ９０４において、クライアント装置１００－ｉは、受信した共通データＣＯＭを記憶部１２０－ｉに記憶する。ステップＳ９０５において、サーバ装置２００は、受信した共通データＣＯＭを記憶部２２０に記憶する。
【0134】
（連合学習方法Ｓ１０）
連合学習方法Ｓ１０は、ｎ個のクライアント装置１００－ｉおよびサーバ装置２００が実行する方法である。ここで、連合学習方法Ｓ１０の説明にあたり、以下の記号について説明する。任意の行列Ｍと集合Ｇ、Ｈに対し、
と表すことにする。ここで、Ｍ［ｕ，ｖ］は、Ｍの（ｕ，ｖ）成分を表す。また、ｉ=１，…，ｎに対し、以下のようにＵｉ＾ｂａｒおよびＶｉ＾ｂａｒを定義する。
連合学習方法Ｓ１０は、ｎ個のクライアント装置１００－ｉおよびサーバ装置２００が実行する方法である。ここで、連合学習方法Ｓ１０の説明にあたり、以下の記号について説明する。任意の行列Ｍと集合Ｇ、Ｈに対し、
【数4】
【0135】
【数5】
【0136】
また、Ｅ［ｕ，ｖ］を、次式（１）のように定義する。
【0137】
【数6】
【0138】
【数7】
【0139】
【数8】
【0140】
【数9】
【0141】
ここで、連合学習方法Ｓ１０の目的は、Ａｉ［Ｕｉ＾ｂａｒ，Ｋ］、Ｂｉ［Ｋ，Ｖｉ＾ｂａｒ］であって、Ｕｉ＾ｂａｒ×Ｖｉ＾ｂａｒの各要素（ｕ，ｖ）に対してＡｉ［ｕ，Ｋ］Ｂｉ［Ｋ，ｖ］の積がＲｉ＾ｂａｒ［ｕ，ｖ］とほぼ等しくなるものを求めることにある。これを行列で書けば、Ｒｉ＾ｂａｒ［Ｕｉ＾ｂａｒ、Ｖｉ＾ｂａｒ］の欠損値でない各成分に対して、次式（４）を満たすＡｉ［Ｕｉ＾ｂａｒ，Ｋ］、Ｂｉ［Ｋ，Ｖｉ＾ｂａｒ］を見つけるということである。
【0142】
【数10】
【0143】
【数11】
【0144】
【数12】
【0145】
これは、次式（５）のように表すこともできる。
【0146】
【数13】
【0147】
ステップＳ１００１において、サーバ装置２００は、初期化処理を実行する。当ステップの詳細については図面を変えて後述する。
【0148】
ステップＳ１００２において、各クライアント装置１００－ｉは、初期化処理を実行する。当ステップの詳細については図面を変えて後述する。
【0149】
ステップＳ１００３において、各クライアント装置１００－ｉは、学習処理を実行することにより、ベクトルＡｉ＾ｇｌｂ、Ｂｉ＾ｇｌｂを、第１パラメータ情報としてサーバ装置２００に送信する。当ステップの詳細については図面を変えて後述する。
【0150】
ステップＳ１００４において、サーバ装置２００は、学習処理を実行することにより、ベクトルＡ＾ｇｌｂ、Ｂ＾ｇｌｂを、統合パラメータ情報として各クライアント装置１００－ｉに送信する。当ステップの詳細については図面を変えて後述する。
【0151】
ステップＳ１００５において、クライアント装置１００－ｉは、終了条件を満たすか否かを判定する。Ｙｅｓと判断した場合、クライアント装置１００－ｉは、クライアント学習処理を終了する。Ｎｏと判断した場合、クライアント装置１００－ｉは、ステップＳ１００３からの処理を繰り返す。また、この場合、サーバ装置２００は、ステップＳ１００４の処理を繰り返す。なお、終了条件は、例えば、ｎ個のクライアント装置１００－ｉの全てにおいて、次式（６）で定められる損失関数が閾値より小さい、等の条件がある。
【0152】
【数14】
【0153】
なお、終了条件における損失関数は、上述の式（６）に限られない。また、終了条件は、損失関数を用いる例に限らず、例えば、所定回数だけクライアント学習処理を繰り返すことであってもよい。
【0154】
（サーバ初期化方法Ｓ１１）
次に、サーバ初期化方法Ｓ１１について説明する。サーバ初期化方法Ｓ１１は、サーバ装置２００がステップＳ１００１において初期化処理を実行するための方法である。ここで、サーバ初期化方法Ｓ１１の説明にあたり、以下の記号について説明する。
次に、サーバ初期化方法Ｓ１１について説明する。サーバ初期化方法Ｓ１１は、サーバ装置２００がステップＳ１００１において初期化処理を実行するための方法である。ここで、サーバ初期化方法Ｓ１１の説明にあたり、以下の記号について説明する。
【0155】
【数15】
【0156】
【数16】
【0157】
【数17】
【0158】
【数18】
【0159】
【数19】
【0160】
ステップＳ１１０１において、サーバ装置２００の制御部２１０は、記憶部２２０からハイパーパラメータｋを読み込み、Ｋ＝｛１，…，ｋ｝とする。また、制御部２１０は、記憶部２２０から、共通ユーザリストＵ１＾ｂａｒ＾ｇｌｂ，…，Ｕｎ＾ｂａｒ＾ｇｌｂを読み込み、式（８）にしたがってＵ＾ｂａｒ＾ｇｌｂを算出する。
【0161】
ステップＳ１１０２において、制御部２１０は、統合パラメータ情報であるＡ［Ｕ＾ｂａｒ＾ｇｌｂ，Ｋ］、Ｂ［Ｋ，Ｖ＾ｂａｒ＾ｇｌｂ］を初期化する。初期化するとは、これらのベクトルの各成分をランダムな値に設定する、全てゼロに設定する、等であるが、これらに限られない。
【0162】
ステップＳ１１０３において、制御部２１０は、ｎ個のクライアント装置１００－ｉそれぞれに対して、初期の統合パラメータ情報としてＡ［Ｕ＾ｂａｒ＾ｇｌｂ，Ｋ］、Ｂ［Ｋ，Ｖ＾ｂａｒ＾ｇｌｂ］を送信する。クライアント装置１００－ｉに送信した統合パラメータ情報を、Ａ［Ｕｉ＾ｂａｒ＾ｇｌｂ，Ｋ］、Ｂ［Ｋ，Ｖｉ＾ｂａｒ＾ｇｌｂ］とも記載する。
【0163】
（クライアント初期化方法Ｓ１２）
次に、クライアント初期化方法Ｓ１２について説明する。クライアント初期化方法Ｓ１２は、クライアント装置１００－ｉがステップＳ１００２において初期化処理を実行するための方法である。図２０は、クライアント初期化方法Ｓ１２の流れを示すフロー図である。図２０に示すように、クライアント初期化方法Ｓ１２は、ステップＳ１２０１～Ｓ１２０４を含む。
次に、クライアント初期化方法Ｓ１２について説明する。クライアント初期化方法Ｓ１２は、クライアント装置１００－ｉがステップＳ１００２において初期化処理を実行するための方法である。図２０は、クライアント初期化方法Ｓ１２の流れを示すフロー図である。図２０に示すように、クライアント初期化方法Ｓ１２は、ステップＳ１２０１～Ｓ１２０４を含む。
【0164】
ステップＳ１２０１において、クライアント装置１００－ｉの制御部１１０－ｉは、記憶部１２０－ｉからハイパーパラメータｋを読み込み、Ｋ＝｛１，…，ｋ｝とする。
【0165】
また、記憶部１２０－ｉから、ユーザリストＵｉ、商品リストＶｉ、ユーザ属性リストＰｉ、商品属性リストＱｉを読み込む。
【0166】
また、制御部１１０－ｉは、記憶部１２０－ｉから、評価値行列Ｒｉのうち欠損値でない成分Ｒｉ［ｕ，ｖ］、ユーザ属性値行列Ｓｉのうち欠損値でない成分Ｓｉ［ｕ，ｖ］、商品属性値行列Ｔｉのうち欠損値でない成分Ｔｉ［ｕ，ｖ］を読み込む。
【0167】
また、制御部１１０－ｉは、記憶部１２０－ｉから、共通ユーザリストＵｉ＾ｇｌｂ、共通商品リストＶｉ＾ｇｌｂ、共通ユーザ属性リストＰｉ＾ｇｌｂ、共通商品属性リストＱｉ＾ｇｌｂを読み込む。また、制御部１１０－ｉは、式（７）にしたがって個別ユーザリストＵｉ＾ｌｏｃ、個別商品リストＶｉ＾ｌｏｃ、個別ユーザ属性リストＰｉ＾ｌｏｃ、個別商品属性リストＱｉ＾ｌｏｃを算出する。
【0168】
また、制御部１１０－ｉは、式（８）にしたがって、Ｖｉ＾ｂａｒ＾ｌｏｃ、Ｖｉ＾ｂａｒ＾ｇｌｂ、Ｕｉ＾ｂａｒ＾ｌｏｃ、Ｕｉ＾ｂａｒ＾ｇｌｂを算出する。
【0169】
ステップＳ１２０２において、制御部１１０－ｉは、サーバ装置２００からＡ［Ｕｉ＾ｂａｒ＾ｇｌｂ，Ｋ］、Ｂ［Ｋ，Ｖｉ＾ｂａｒ＾ｇｌｂ］を受信する。これらの情報は、ステップＳ１１０３において送信されたものである。
【0170】
ステップＳ１２０３において、制御部１１０－ｉは、関連値算出処理を実行することにより、関連値行列Ｅｉのうち欠損値でない成分Ｅｉ［ｕ，ｖ］を算出する。当ステップの詳細については後述する。
【0171】
ステップＳ１２０４において、制御部１１０－ｉは、ベクトルＡｉ［Ｕｉ＾ｂａｒ＾ｌｏｃ，Ｋ］と、Ｂｉ［Ｋ，Ｖｉ＾ｂａｒ＾ｌｏｃ］とを初期化する。初期化するとは、これらのベクトルの各成分をランダムな値に設定する、全てゼロに設定する、等であるが、これらに限られない。また、制御部１１０－ｉは、次式（１１）にしたがって、Ａｉ［Ｕｉ＾ｂａｒ，Ｋ］、Ｂｉ［Ｋ，Ｖｉ＾ｂａｒ］を算出する。
【0172】
【数20】
次に、クライアント学習方法Ｓ１３について説明する。クライアント学習方法Ｓ１３は、各クライアント装置１００－ｉがステップＳ１００３において学習処理を実行するための方法である。図２１は、クライアント学習方法Ｓ１３の流れを示すフロー図である。図２１に示すように、クライアント学習方法Ｓ１３は、ステップＳ１３０１～Ｓ１３０５を含む。
【0173】
ステップＳ１３０１において、パラメータ情報取得部１１３－ｉは、統合パラメータ情報であるＡ［Ｕ＾ｂａｒ＾ｇｌｂ，Ｋ］、Ｂ［Ｋ，Ｖ＾ｂａｒ＾ｇｌｂ］を、サーバ装置２００から受信する。ただし、クライアント学習方法Ｓ１３の初回のループでは、当該統合パラメータ情報をサーバ装置２００から受信する代わりに、サーバ初期化方法Ｓ１１において受信した統合パラメータ情報を用いる。
【0174】
ステップＳ１３０２において、更新部１１４－ｉは、複数のベクトルＡｉ［Ｕｉ＾ｂａｒ，Ｋ］、Ｂｉ［Ｋ，Ｖｉ＾ｂａｒ］に含まれる第１パラメータ情報を、統合パラメータ情報Ａ［Ｕｉ＾ｂａｒ＾ｇｌｂ，Ｋ］、Ｂ［Ｋ，Ｖｉ＾ｂａｒ＾ｇｌｂ］に置き換える。これにより、予測モデルＭＬｉとしての複数のベクトルＡｉ［Ｕｉ＾ｂａｒ，Ｋ］、Ｂｉ［Ｋ，Ｖｉ＾ｂａｒ］が更新される。具体的には、学習部１１１－ｉは、次式（１２）に従って複数のベクトルＡｉ［Ｕｉ＾ｂａｒ，Ｋ］、Ｂｉ［Ｋ，Ｖｉ＾ｂａｒ］を算出する。
【0175】
【数21】
【0176】
ステップＳ１３０４において、学習部１１１－ｉは、ローカル学習処理の結果を用いて、Ａｉ［Ｕｉ＾ｂａｒ＾ｌｏｃ，Ｋ］をＡｉ＾ｎｅｗ［Ｕｉ＾ｂａｒ＾ｌｏｃ，Ｋ］に更新する。また、学習部１１１－ｉは、Ｂｉ［Ｋ，Ｖｉ＾ｂａｒ＾ｌｏｃ］をＢｉ＾ｎｅｗ［Ｋ，Ｖｉ＾ｂａｒ＾ｌｏｃ］に更新する。
【0177】
ステップＳ１３０５において、学習部１１１－ｉは、ローカル学習処理の結果を用いて、Ａｉ＾ｎｅｗ［Ｕｉ＾ｂａｒ＾ｇｌｂ，Ｋ］、Ｂｉ＾ｎｅｗ［Ｋ，Ｖｉ＾ｂａｒ＾ｇｌｂ］を、第１パラメータ情報としてサーバ装置２００に送信する。
【0178】
（サーバ学習方法Ｓ１４）
次に、サーバ学習方法Ｓ１４について説明する。サーバ学習方法Ｓ１４は、サーバ装置２００がステップＳ１００４において学習処理を実行するための方法である。図２２は、サーバ学習方法Ｓ１４の流れを示すフロー図である。図２２に示すように、サーバ学習方法Ｓ１４は、ステップＳ１４０１～Ｓ１４０５を含む。
次に、サーバ学習方法Ｓ１４について説明する。サーバ学習方法Ｓ１４は、サーバ装置２００がステップＳ１００４において学習処理を実行するための方法である。図２２は、サーバ学習方法Ｓ１４の流れを示すフロー図である。図２２に示すように、サーバ学習方法Ｓ１４は、ステップＳ１４０１～Ｓ１４０５を含む。
【0179】
ステップＳ１４０１において、パラメータ情報取得部２１１は、各クライアント装置１００－ｉから、Ａｉ＾ｎｅｗ［Ｕｉ＾ｂａｒ＾ｇｌｂ，Ｋ］、Ｂｉ＾ｎｅｗ［Ｋ，Ｖｉ＾ｂａｒ＾ｇｌｂ］を、第１パラメータ情報として受信する。
【0180】
ステップＳ１４０２において、統合部２１２は、受信した第１パラメータ情報を、次式（１３）にしたがって統合した統合パラメータ情報を生成する。ここでは、統合手法として、受信した第１パラメータ情報の各要素の平均を算出する手法を用いているが、統合手法は、これに限られない。
【0181】
【数22】
【0182】
ステップＳ１４０３において、パラメータ情報送信部２１３は、ステップＳ１４０２の算出結果を用いて、各クライアント装置１００－ｉに対して、統合パラメータ情報であるＡ［Ｕｉ＾ｂａｒ＾ｇｌｂ，Ｋ］、Ｂ［Ｋ，Ｖｉ＾ｂａｒ＾ｇｌｂ］を送信する。
【0183】
（予測方法Ｓ１５）
次に、サービサー装置３００－ｉが、予測モデルＭＬｉを用いて実行する予測方法について説明する。
次に、サービサー装置３００－ｉが、予測モデルＭＬｉを用いて実行する予測方法について説明する。
【0184】
まず、サービサー装置３００－ｉは、クライアント装置１００－ｉから、予測モデルＭＬｉとして機能するＡ［Ｕｉ＾ｂａｒ，Ｋ］、Ｂ［Ｋ，Ｖｉ＾ｂａｒ］を受信し、記憶部３２０－ｉに記憶する。また、サービサー装置３００－ｉの予測部３１７－ｉは、ｕ，ｖを入力として、次式（１４）にしたがって予測値を計算する。
【0185】
【数23】
【0186】
また、（ｕ，ｖ）がＵｉ×Ｐｉに属する成分であれば、式（１４）が示す予測値は、ユーザｕが有するユーザ属性ｖのユーザ属性値Ｓｉ［ｕ，ｖ］の予測値を示す。
【0187】
また、（ｕ，ｖ）がＱｉ×Ｖｉに属する成分であれば、式（１４）が示す予測値は、商品ｖが有する商品属性ｕの商品属性値Ｔｉ［ｕ，ｖ］の予測値を示す。
【0188】
また、（ｕ，ｖ）がＱｉ×Ｐｉに属する成分であれば、式（１４）が示す予測値は、商品属性ｕおよびユーザ属性ｖの関連値Ｅｉ［ｕ，ｖ］の予測値を示す。
【0189】
例えば、サービサー装置３００－ｉは、以上の４種の予測値のうち何れを知りたいかい応じて、適切な（ｕ，ｖ）を入力として式（１４）に従って予測値を算出すればよい。
【0190】
例えば、ユーザリストＵｉに属するユーザｕに商品の広告を配信したい場合について説明する。この場合、サービサー装置３００－ｉは、商品リストＶｉにおいてユーザｕの評価値が得られていない商品について、当該評価値を式（１４）にしたがって予測する。また、サービサー装置３００－ｉは、予測した評価値にしたがって、ユーザｕに対して広告を配信する。例えば、サービサー装置３００－ｉは、最も評価値が高い商品について広告を配信してもよいし、評価値が高いものから順次広告を配信してもよい。
【0191】
また、例えば、ユーザリストＵｉに属するユーザｕについてユーザ属性ｖのユーザ属性値が不明である場合、サービサー装置３００－ｉは、式（１４）にしたがって当該ユーザ属性値の予測値を得ることができる。これにより、サービサー装置３００－ｉは、ユーザｕに対して提供するサービスを、当該ユーザ属性値の予測値にしたがって改善することができる。
【0192】
また、例えば、商品リストＶｉに属する商品ｖについて商品属性ｕの商品属性値が不明である場合に、サービサー装置３００－ｉは、式（１４）にしたがって当該商品属性値の予測値を得ることができる。これにより、サービサー装置３００－ｉは、商品ｖの入荷計画等を、当該商品属性値の予測値にしたがって対して提供するサービスを、当該ユーザ属性値の予測値にしたがって改善することができる。
【0193】
また、例えば、関連値Ｅｉ［ｕ，ｖ］は、ユーザ属性ｕを持つユーザが商品属性ｖの商品に付与する評価値の平均を示す。したがって、関連値Ｅｉ［ｕ，ｖ］の予測値を得ることで、ユーザ属性ｕが商品属性ｖ商品の評価にどの程度影響を与えるかを予測することができる。すなわち、どのような商品属性の商品をどのようなユーザ属性のユーザが購入するかを予測することができ、予測結果を商品戦略の立案に用いることができる。
【0194】
（関連値算出処理の具体例）
ステップＳ１２０３における関連値算出処理の具体例について説明する。Ｅｉ［ｕ，ｖ］の定義式である式（２）において、和の添字にクライアント装置１００－ｉが保有していない情報が含まれている。したがって、Ｅｉ［ｕ，ｖ］は、クライアント装置１００－ｉ単独で算出することはできず、他のクライアント装置１００－ｊの協力を必要とする。そこで、Ｅｉ［ｕ，ｖ］を計算する方法として、例えば秘密計算を使う、という方法がある。その他の方法として、例えば以下に示すように計算方法が例示される。
と定義し、ｉ＝１，…，ｎに対し、クライアント装置１００－ｉは、以下を実行する。
とする。ここで、
である。そこで、
に対し、以下を実行する。
とする。
を計算する。また、
を計算を計算する。クライアント装置１００－ｉは、
をサーバ装置２００に送信する。
次に、サーバ装置２００は、以下を実行する。
を計算する。
をクライアント装置１００－ｉに送信する。
各クライアント装置１００－ｉは、受信したＥ［ｕ，ｖ］を、Ｅｉ［ｕ，ｖ］とする。
ステップＳ１２０３における関連値算出処理の具体例について説明する。Ｅｉ［ｕ，ｖ］の定義式である式（２）において、和の添字にクライアント装置１００－ｉが保有していない情報が含まれている。したがって、Ｅｉ［ｕ，ｖ］は、クライアント装置１００－ｉ単独で算出することはできず、他のクライアント装置１００－ｊの協力を必要とする。そこで、Ｅｉ［ｕ，ｖ］を計算する方法として、例えば秘密計算を使う、という方法がある。その他の方法として、例えば以下に示すように計算方法が例示される。
【数24】
【数25】
【数26】
【数27】
【数28】
【数29】
【数30】
【数31】
次に、サーバ装置２００は、以下を実行する。
【数32】
【数33】
各クライアント装置１００－ｉは、受信したＥ［ｕ，ｖ］を、Ｅｉ［ｕ，ｖ］とする。
【0195】
（ローカル学習処理の具体例）
次に、ステップＳ１３０３におけるローカル学習処理の具体例について説明する。具体的には、ローカル学習処理の目的は、Ｒｉ＾ｂａｒと、ベクトルＡｉ、Ｂｉの積との差が小さくなるようにベクトルＡｉ、Ｂｉを更新することである。そのため、これらの差がどの程度開いているかを評価する損失関数を導入して、当該損失関数が小さくなるように学習を行う。そのような学習方法としては、例えば勾配降下法が知られている。ここでは、損失関数として２乗誤差を用い、学習手法として勾配降下法を用いた具体例について説明する。
次に、ステップＳ１３０３におけるローカル学習処理の具体例について説明する。具体的には、ローカル学習処理の目的は、Ｒｉ＾ｂａｒと、ベクトルＡｉ、Ｂｉの積との差が小さくなるようにベクトルＡｉ、Ｂｉを更新することである。そのため、これらの差がどの程度開いているかを評価する損失関数を導入して、当該損失関数が小さくなるように学習を行う。そのような学習方法としては、例えば勾配降下法が知られている。ここでは、損失関数として２乗誤差を用い、学習手法として勾配降下法を用いた具体例について説明する。
【0196】
まず、集合Ｇ、Ｈ、条件Ｉ、および数値ａ［ｕ，ｖ］に対して、次のように定義する。
このとき、例えば、以下の関数を損失関数として用いる事ができる。
ここで
は、どの項をどの程度重視するかを決めるための値であり、本具体例においては、クライアント装置１００－ｉによって事前に決定され、記憶部１２０－ｉに記憶されているものとする。また、
は、過学習を防ぐための「正則化項」と呼ばれる項で、必要がなければゼロにしてもよいが、必要があれば、例えば以下のように算出されるものを用いてもよい。
ここで、
は、どの項をどの程度重視するかを決めるための値であり、本具体例においては、クライアント装置１００－ｉによって事前に決定され、記憶部１２０－ｉに記憶されているものとする。また、
を少なくする学習方法には様々なものがあるが、例えば以下の方法を用いることができる。
クライアント装置１００－ｉは、λｉ、τｉ、ＬｏｏｐＭａｘ、αをハイパーパラメータ記憶部から読み込む。λｉ、τｉは以下のように表される。
【数34】
【数35】
【数36】
【数37】
【数38】
【数39】
【数40】
クライアント装置１００－ｉは、λｉ、τｉ、ＬｏｏｐＭａｘ、αをハイパーパラメータ記憶部から読み込む。λｉ、τｉは以下のように表される。
【0197】
【数41】
【0198】
クライアント装置１００－ｉは、Ｕｉ＾ｂａｒに属する各ｕに対して、Ａｉ［ｕ］からαＤｅｌ（Ｌｉ，Ａｉ［ｕ］）を引く。また、Ｖｉ＾ｂａｒに属する各ｖに対して、Ｖｉ［ｖ］からαＤｅｌ（Ｌｉ，Ｂｉ［ｖ］）を引く。なお、クライアント装置１００－ｉは、上記の処理を所定値ＬｏｏｐＭａｘ回繰り返す代わりに、
がある値以下になるまで繰り返してもよい。
また、上記において、αは、どの程度学習を進めるかを調整する学習率と呼ばれる値である。また、Ｄｅｌ（ｆ，Ｃ）は、関数ｆの変数Ｃによる偏微分を表す。集合Ｇ，Ｈに対し、
とするとき、前述した
の場合は、具体的には以下のようになる。
【数42】
また、上記において、αは、どの程度学習を進めるかを調整する学習率と呼ばれる値である。また、Ｄｅｌ（ｆ，Ｃ）は、関数ｆの変数Ｃによる偏微分を表す。集合Ｇ，Ｈに対し、
【数43】
【数44】
【0199】
【数45】
【数46】
本例示的実施形態に係る連合学習システム１０Ａでは、（ｉ）ユーザリストＵｉ内の各ユーザおよび商品リストＶｉ内の各商品の組み合わせに対応する評価値の一部が欠損した評価値行列Ｒｉと、商品属性リストＱｉ内の各商品属性および商品リストＶｉ内の各商品の組み合わせに対応する商品属性値の一部が欠損した商品属性値行列Ｔｉと、を含む学習データセットＤＳｉを用いて、欠損した評価値を予測する予測モデルＭＬｉを学習させ、（ｉｉ）予測モデルＭＬｉの少なくとも一部を表す第１パラメータ情報Ａｉ＾ｎｅｗ［Ｕｉ＾ｂａｒ＾ｇｌｂ，Ｋ］、Ｂｉ＾ｎｅｗ［Ｋ，Ｖｉ＾ｂａｒ＾ｇｌｂ］をサーバ装置２００に送信し、（ｉｉｉ）複数のクライアント装置１００－ｉから得られた第１パラメータ情報が統合された統合パラメータ情報Ａ［Ｕｉ＾ｂａｒ＾ｇｌｂ，Ｋ］、Ｂ［Ｋ，Ｖｉ＾ｂａｒ＾ｇｌｂ］をサーバ装置２００から受信し、（ｉｖ）第１パラメータ情報を統合パラメータ情報に置き換えることにより予測モデルＭＬｉを更新する、との構成が採用されている。上記構成によれば、複数のクライアント装置１００－ｉ間で情報の秘匿性を保ちながら、商品属性を用いることで、商品に対するユーザの評価値をより精度よく予測することができる。したがって、このような予測モデルＭＬｉを用いれば、予測した評価値に基づく情報の提供を受ける側にとって適切な情報を作成することができる。
【0200】
また、本例示的実施形態に係る連合学習システム１０Ａでは、学習データセットＤＳｉは、さらに、ユーザリストＵｉ内の各ユーザおよびユーザ属性リストＰｉ内の各ユーザ属性の組み合わせに対応するユーザ属性値の一部が欠損したユーザ属性値行列Ｓｉを含み、当該学習データセットＤＳｉを用いて予測モデルＭＬｉを学習させる、との構成が採用されている。上記構成によれば、さらにユーザ属性を用いて、商品に対するユーザの評価値をより精度よく予測する予測モデルＭＬｉを生成することができる。
【0201】
また、本例示的実施形態に係る連合学習システム１０Ａでは、クライアント装置１００－ｉおよび１００－ｊの間で、ユーザリストＵｉおよびＵｊは、互いに共通するユーザを含み、商品リストＶｉおよびＶｊは、互いに共通する商品を含み、商品属性リストＱｉおよびＱｊは、互いに共通する商品属性を含み、ユーザ属性リストＰｉおよびＰｊは、互いに共通するユーザ属性を含む、との構成が採用されている。上記構成によれば、共通のユーザ、共通の商品、共通の商品属性、および共通のユーザ属性を考慮して、商品に対するユーザの評価値をよりさらに精度よく予測することができる。また、各クライアント装置１００－ｉにおいて個別のユーザ、個別の商品、個別の商品属性、または個別のユーザ属性がある場合にも対応することができる。
【0202】
また、本例示的実施形態に係る連合学習システム１０Ａでは、学習データセットＤＳｉを、各ユーザおよび各商品の組み合わせに対応する評価値のうち一部が欠損した行列Ｒｉ＾ｂａｒとして、当該行列Ｒｉ＾ｂａｒを分解した複数のベクトルＡｉ［Ｕｉ＾ｂａｒ，Ｋ］、Ｂｉ［Ｋ，Ｖｉ＾ｂａｒ］を予測モデルＭＬｉとして求め、当該複数のベクトルの少なくとも一部であるＡｉ＾ｎｅｗ［Ｕｉ＾ｂａｒ＾ｇｌｂ，Ｋ］、Ｂｉ＾ｎｅｗ［Ｋ，Ｖｉ＾ｂａｒ＾ｇｌｂ］を、第１パラメータ情報として送信する、との構成が採用されている。上記構成によれば、ユーザの評価値が不明な商品について当該評価値を予測する予測モデルＭＬｉを生成することができる。
【0203】
また、本例示的実施形態に係る連合学習システム１０Ａでは、行列Ｒｉ＾ｂａｒの欠損していない評価値に対して、複数のベクトルＡｉ［Ｕｉ＾ｂａｒ，Ｋ］、Ｂｉ［Ｋ，Ｖｉ＾ｂａｒ］の積において当該評価値に対応する成分が近似するように、当該複数のベクトルを求める、との構成が採用されている。上記構成によれば、ユーザの評価値が不明な商品に対する当該評価値を精度よく予測する予測モデルＭＬｉを生成することができる。
【0204】
また、本例示的実施形態では、行列Ｒｉ＾ｂａｒの欠損していない商品属性値に対して、複数のベクトルＡｉ［Ｕｉ＾ｂａｒ，Ｋ］、Ｂｉ［Ｋ，Ｖｉ＾ｂａｒ］の積において当該商品属性値に対応する成分が近似するように、当該複数のベクトルを求める、との構成が採用されている。上記構成によれば、商品属性値が不明な商品に対する当該商品属性値を精度よく予測する予測モデルＭＬｉを生成することができる。
【0205】
また、本例示的実施形態に係る連合学習システム１０Ａでは、行列Ｒｉ＾ｂａｒの欠損していないユーザ属性値に対して、複数のベクトルＡｉ［Ｕｉ＾ｂａｒ，Ｋ］、Ｂｉ［Ｋ，Ｖｉ＾ｂａｒ］の積において当該ユーザ属性値に対応する成分が近似するように、当該複数のベクトルを求める、との構成が採用されている。上記構成によれば、ユーザ属性値が不明なユーザに対する当該ユーザ属性値を精度よく予測する予測モデルＭＬｉを生成することができる。
【0206】
また、本例示的実施形態に係る連合学習システム１０Ａでは、行列Ｒｉ＾ｂａｒの欠損していない関連値に対して、複数のベクトルＡｉ［Ｕｉ＾ｂａｒ，Ｋ］、Ｂｉ［Ｋ，Ｖｉ＾ｂａｒ］の積において当該関連値に対応する成分が近似するように、当該複数のベクトルを求める、との構成が採用されている。上記構成によれば、ユーザ属性および商品属性の関連性を示す関連値を精度よく予測することができる。これにより、例えば、どのような商品属性の商品をどのようなユーザ属性のユーザが購入するかを予測する予測モデルＭＬｉを生成することができる。
【0207】
また、本例示的実施形態に係る連合学習システム１０Ａでは、各関連値として、各ユーザ属性値および各対象属性値の積を、当該ユーザ属性値および当該対象属性値に対応する評価値で除した値に基づき算出する、との構成が採用されている。上記構成によれば、ユーザ属性および商品属性の関連性を予測するための学習データとして関連値を算出することができる。
【0208】
また、本例示的実施形態に係る連合学習システム１０Ａでは、各クライアント装置１００－ｉは、予測モデルＭＬｉを表す情報のうち、学習データセットＤＳｉおよびＤＳｊにおいて共通する情報に起因して得られたパラメータ情報を、第１パラメータ情報として送信する。共通する情報は、共通する評価対象、共通するユーザ、共通する商品属性、または共通するユーザ属性を示す情報を含む。上記構成によれば、各クライアント装置１００－ｉは、固有の情報に起因して得られたパラメータ情報を送信しないので、クライアント装置１００－ｉ間で情報の秘匿性を保つことができる。
【0209】
また、本例示的実施形態に係る連合学習システム１０Ａでは、各サービサー装置３００－ｉは、予測モデルＭＬｉを用いて、評価値が付与されていない評価対象およびユーザの組み合わせに対応する評価値を予測することができる。また、各サービサー装置３００－ｉは、予測モデルＭＬｉを用いて、ユーザのユーザ属性値が得られていないユーザ属性について当該ユーザ属性値を予測することができる。また、各サービサー装置３００－ｉは、予測モデルＭＬｉを用いて、商品の商品属性値が得られていないユーザ属性について当該商品属性値を予測することができる。また、各サービサー装置３００－ｉは、予測モデルＭＬｉを用いて、ユーザ属性および商品属性の関連性を予測することができる。
【0210】
また、本例示的実施形態によれば、ユーザがまだ評価値を付与していない商品の評価値の推測値を得ることができるため、推測された評価値が高い商品をユーザに推薦することができる。また、本例示的実施形態によれば、副次的効果として、（ｉ）ユーザのユーザ属性が不明である場合、そのユーザ属性値を推測することができる、（ｉｉ）商品の商品属性値が不明である場合、その商品属性値を推測することができる、（ｉｉｉ）ユーザ属性がｖであるユーザによって商品属性がｕである商品に付与された評価値の平均値が不明である場合、当該平均値を予測することができる、との効果を奏する。また、これにより、ユーザ属性および商品属性が予測できるので、サービサー装置３００－ｉのユーザおよび商品に対する理解が深まり、自社サービスの改善につなげることができる。
【0211】
また、「ユーザ属性がｖであるユーザによって商品属性がｕである商品に付与された評価値の平均値」は、ユーザ属性および商品属性の関係性を表している。したがって、このような平均値を予測することにより、どういう傾向のユーザがどういう傾向の商品を買いそうかという分析を行うことができる。また、これにより、新たな商品を入荷する際の参考にしたり、自社サービスの改善につなげたりすることができる。
【0212】
また、本例示的実施形態は、非特許文献１に記載された技術に対して、以下のケースであっても使えるというメリット（ｉ）～（ｖｉ）を有する。
（ｉ）クライアント装置１００－ｉ間で共通のユーザがいる場合にも動作する。
（ｉｉ）クライアント装置１００－ｉごとに固有の商品がある場合でも動作する。
（ｉｉｉ）ユーザ属性を評価値の予測に利用できる。
（ｉｖ）商品属性を評価値の予測に利用できる。
（ｖ）クライアント装置１００－ｉ毎に共通のユーザ属性・商品属性、クライアント１００－ｉ固有のユーザ属性・商品属性に対応できる。
（ｖｉ）クライアント装置１００－ｉ間でユーザ・商品のいずれも共通していない場合であっても連合学習による精度改善が見込める。
（ｉ）クライアント装置１００－ｉ間で共通のユーザがいる場合にも動作する。
（ｉｉ）クライアント装置１００－ｉごとに固有の商品がある場合でも動作する。
（ｉｉｉ）ユーザ属性を評価値の予測に利用できる。
（ｉｖ）商品属性を評価値の予測に利用できる。
（ｖ）クライアント装置１００－ｉ毎に共通のユーザ属性・商品属性、クライアント１００－ｉ固有のユーザ属性・商品属性に対応できる。
（ｖｉ）クライアント装置１００－ｉ間でユーザ・商品のいずれも共通していない場合であっても連合学習による精度改善が見込める。
【0213】
ここで、メリット（ｖｉ）に関して説明する。非特許文献１に記載された技術は、複数のクライアント装置間における共通ユーザ・共通商品を利用した転移学習を起こすことで、連合学習による精度改善を行っている。このため、クライアント装置間で共通ユーザ・共通商品がない場合は連合学習をしても、各クライアント装置が個別に学習した場合に対して精度が改善しない。
【0214】
これに対して、本例示的実施形態によれば、関連値行列ＥｉをＲｉ＾ｂａｒの成分に加えていることにより、ユーザ属性・商品属性の中にクライアント装置１００－ｉ間で共通しているものがあればそこから転移学習が起こり、精度が改善される。よって、本例示的実施形態は、クライアント装置１００－ｉ間でユーザ・商品のいずれも共通していない場合であっても、連合学習による精度改善が見込めるというメリットがある。
【0215】
（変形例）
なお、本例示的実施形態において、ユーザによる評価対象として商品を適用する例について説明したが、評価対象は、これに限られない。例えば、評価対象の他の例としては、商品の販売者、製造者等であってもよい。また、評価対象に対する評価を与えるユーザは、サービスを享受するエンドユーザに限らず、例えば、商品の仕入れ業者等といったように、サービスの提供過程における中間のユーザであってもよい。
なお、本例示的実施形態において、ユーザによる評価対象として商品を適用する例について説明したが、評価対象は、これに限られない。例えば、評価対象の他の例としては、商品の販売者、製造者等であってもよい。また、評価対象に対する評価を与えるユーザは、サービスを享受するエンドユーザに限らず、例えば、商品の仕入れ業者等といったように、サービスの提供過程における中間のユーザであってもよい。
【0216】
また、本例示的実施形態において、サービサー装置３００－ｉは、販売サービスを提供するサービスに限らず、その他のサービスを提供する装置であってもよい。その他のサービスの一例としては、教育サービス、医療サービス、動画配信サービス、等が挙げられる。その場合、評価対象の例としては、例えば、教育サービスにおける学校、講座、教師、医療サービスにおける病院、医師、動画配信サービスにおける動画、等であってもよい。
【0217】
また、本例示的実施形態において、サービサー装置３００－ｉおよびクライアント装置１００－ｉは、別体の装置であるものとして説明したが、ｉ＝１～ｎの一部または全部において、これらが同一の装置によって構成されていてもよい。
【0218】
また、本例示的実施形態では、商品に対する評価値はユーザが付与するものとして説明したが、商品に対するユーザの評価値は、ユーザの行動履歴（例えば、販売サイトの閲覧履歴等）等に基づきコンピュータが計算したものであってもよい。例えば、評価値登録部３１３－ｉは、ユーザが入力した評価値を取得する代わりに、ユーザの行動履歴に基づき推測した評価値を取得してもよい。行動履歴としては、販売サービスにおける閲覧履歴、購入履歴等であってもよい。例えば、評価値登録部３１３－ｉは、ユーザｕが商品ｖに関するページを閲覧したことに応じて、評価値としてスコア１を推測してもよい。また、例えば、評価値登録部３１３－ｉは、ユーザｕが商品ｖを購入したことに応じて、評価値としてスコア１０を推測してもよい。なお、この例では、数値が大きいほど高評価であることを示しているが、これに限られない。また、商品に対する評価値を取得する手法は、上述した手法に限られず、その他の手法であってもよい。
【0219】
同様に、ユーザ属性値はユーザが入力するものとして説明したが、ユーザ属性値は、ユーザの行動履歴（例えば、販売サイトの閲覧履歴等）、他の入力内容等に基づきコンピュータが計算したものであってもよい。例えば、ユーザ登録部３１１－ｉは、ユーザにより入力される情報に限らず、ユーザの閲覧履歴、購入履歴等に基づいてユーザ属性値を推測することにより取得してもよい。
【0220】
また、本例示的実施形態は、ユーザ属性リストＰｉを用いずに動作するよう変形可能である。この場合、行列Ｒｉ＾ｂａｒは、評価値行列Ｒｉ、商品属性値行列Ｔｉを含み、ユーザ属性行列Ｓｉ、関連値行列Ｅｉを含まないように変形される。学習部１１１－ｉは、このような行列Ｒｉ＾ｂａｒの欠損していない評価値および商品属性値に対して、複数のベクトルＡｉ［Ｕｉ＾ｂａｒ，Ｋ］、Ｂｉ［Ｋ，Ｖｉ＾ｂａｒ］の積において当該評価値および商品属性値に対応する各成分が近似するように、当該複数のベクトルを求める。この場合であっても、本例示的実施形態は、上述した効果と略同様の効果を奏する。
【0221】
〔ソフトウェアによる実現例〕
連合学習装置１、クライアント装置１００－ｉ、サーバ装置２、２００、サービサー装置３００－ｉ（以降、各装置と記載）の一部又は全部の機能は、集積回路（ＩＣチップ）等のハードウェアによって実現してもよいし、ソフトウェアによって実現してもよい。
連合学習装置１、クライアント装置１００－ｉ、サーバ装置２、２００、サービサー装置３００－ｉ（以降、各装置と記載）の一部又は全部の機能は、集積回路（ＩＣチップ）等のハードウェアによって実現してもよいし、ソフトウェアによって実現してもよい。
【0222】
後者の場合、各装置は、例えば、各機能を実現するソフトウェアであるプログラムの命令を実行するコンピュータによって実現される。このようなコンピュータの一例（以下、コンピュータＣと記載する）を図２３に示す。コンピュータＣは、少なくとも１つのプロセッサＣ１と、少なくとも１つのメモリＣ２と、を備えている。メモリＣ２には、コンピュータＣを各装置として動作させるためのプログラムＰが記録されている。コンピュータＣにおいて、プロセッサＣ１は、プログラムＰをメモリＣ２から読み取って実行することにより、各装置の各機能が実現される。
【0223】
プロセッサＣ１としては、例えば、ＣＰＵ（Central Processing Unit）、ＧＰＵ（Graphic Processing Unit）、ＤＳＰ（Digital Signal Processor）、ＭＰＵ（Micro Processing Unit）、ＦＰＵ（Floating point number Processing Unit）、ＰＰＵ（Physics Processing Unit）、ＴＰＵ（Tensor Processing Unit）、量子プロセッサ、マイクロコントローラ、又は、これらの組み合わせなどを用いることができる。メモリＣ２としては、例えば、フラッシュメモリ、ＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid State Drive）、又は、これらの組み合わせなどを用いることができる。
【0224】
なお、コンピュータＣは、プログラムＰを実行時に展開したり、各種データを一時的に記憶したりするためのＲＡＭ（Random Access Memory）を更に備えていてもよい。また、コンピュータＣは、他の装置との間でデータを送受信するための通信インタフェースを更に備えていてもよい。また、コンピュータＣは、キーボードやマウス、ディスプレイやプリンタなどの入出力機器を接続するための入出力インタフェースを更に備えていてもよい。
【0225】
また、プログラムＰは、コンピュータＣが読み取り可能な、一時的でない有形の記録媒体Ｍに記録することができる。このような記録媒体Ｍとしては、例えば、テープ、ディスク、カード、半導体メモリ、又はプログラマブルな論理回路などを用いることができる。コンピュータＣは、このような記録媒体Ｍを介してプログラムＰを取得することができる。また、プログラムＰは、伝送媒体を介して伝送することができる。このような伝送媒体としては、例えば、通信ネットワーク、又は放送波などを用いることができる。コンピュータＣは、このような伝送媒体を介してプログラムＰを取得することもできる。
【0226】
〔付記事項１〕
本発明は、上述した実施形態に限定されるものでなく、請求項に示した範囲で種々の変更が可能である。例えば、上述した実施形態に開示された技術的手段を適宜組み合わせて得られる実施形態についても、本発明の技術的範囲に含まれる。
本発明は、上述した実施形態に限定されるものでなく、請求項に示した範囲で種々の変更が可能である。例えば、上述した実施形態に開示された技術的手段を適宜組み合わせて得られる実施形態についても、本発明の技術的範囲に含まれる。
【0227】
〔付記事項２〕
上述した実施形態の一部又は全部は、以下のようにも記載され得る。ただし、本発明は、以下の記載する態様に限定されるものではない。
上述した実施形態の一部又は全部は、以下のようにも記載され得る。ただし、本発明は、以下の記載する態様に限定されるものではない。
【0228】
（付記１）
評価対象リスト内の一部又は全部の評価対象の各々に対する評価値であって、ユーザリスト内の各ユーザによる評価を示す評価値、及び、前記評価対象リスト内の一部又は全部の評価対象の各々が有する対象属性値であって、対象属性リスト内の各対象属性に関する対象属性値、を含む第１学習データセットを用いて、前記評価値が得られていない評価対象およびユーザの組み合わせに対応する評価値を予測する第１予測モデルを学習させる学習手段と、
前記第１予測モデルの少なくとも一部を表す第１パラメータ情報をサーバ装置に送信するパラメータ情報送信手段と、
前記第１学習データセットと同様に構成された第２学習データセットであって、前記第１学習データセットに対して前記評価対象リスト、前記ユーザリスト、前記対象属性リスト、各評価値、および各対象属性値の少なくとも一部が異なる第２学習データセットを用いて学習された第２予測モデルの少なくとも一部を表す第２パラメータ情報と、前記第１パラメータ情報と、が統合された統合パラメータ情報を、前記サーバ装置から取得するパラメータ情報取得手段と、
前記第１パラメータ情報を前記統合パラメータ情報に置き換えることにより前記第１予測モデルを更新する更新手段と、
を含む、連合学習装置。
評価対象リスト内の一部又は全部の評価対象の各々に対する評価値であって、ユーザリスト内の各ユーザによる評価を示す評価値、及び、前記評価対象リスト内の一部又は全部の評価対象の各々が有する対象属性値であって、対象属性リスト内の各対象属性に関する対象属性値、を含む第１学習データセットを用いて、前記評価値が得られていない評価対象およびユーザの組み合わせに対応する評価値を予測する第１予測モデルを学習させる学習手段と、
前記第１予測モデルの少なくとも一部を表す第１パラメータ情報をサーバ装置に送信するパラメータ情報送信手段と、
前記第１学習データセットと同様に構成された第２学習データセットであって、前記第１学習データセットに対して前記評価対象リスト、前記ユーザリスト、前記対象属性リスト、各評価値、および各対象属性値の少なくとも一部が異なる第２学習データセットを用いて学習された第２予測モデルの少なくとも一部を表す第２パラメータ情報と、前記第１パラメータ情報と、が統合された統合パラメータ情報を、前記サーバ装置から取得するパラメータ情報取得手段と、
前記第１パラメータ情報を前記統合パラメータ情報に置き換えることにより前記第１予測モデルを更新する更新手段と、
を含む、連合学習装置。
【0229】
（付記２）
前記第１学習データセットは、さらに、前記ユーザリスト内の一部又は全部のユーザの各々が有するユーザ属性値であって、ユーザ属性リスト内の各ユーザ属性に関するユーザ属性値を含み、
前記学習手段は、当該第１学習データセットを用いて前記第１予測モデルを学習させる、
付記１に記載の連合学習装置。
前記第１学習データセットは、さらに、前記ユーザリスト内の一部又は全部のユーザの各々が有するユーザ属性値であって、ユーザ属性リスト内の各ユーザ属性に関するユーザ属性値を含み、
前記学習手段は、当該第１学習データセットを用いて前記第１予測モデルを学習させる、
付記１に記載の連合学習装置。
【0230】
（付記３）
前記第１学習データセットに含まれるユーザリストおよび前記第２学習データセットに含まれるユーザリストは、互いに共通するユーザを含み、
前記第１学習データセットに含まれる評価対象リストおよび前記第２学習データセットに含まれる評価対象リストは、互いに共通する評価対象を含み、
前記第１学習データセットに含まれる対象属性リストおよび前記第２学習データセットに含まれる対象属性リストは、互いに共通する対象属性を含み、
前記第１学習データセットに含まれるユーザ属性リストおよび前記第２学習データセットに含まれるユーザ属性リストは、互いに共通するユーザ属性を含む、
付記２に記載の連合学習装置。
前記第１学習データセットに含まれるユーザリストおよび前記第２学習データセットに含まれるユーザリストは、互いに共通するユーザを含み、
前記第１学習データセットに含まれる評価対象リストおよび前記第２学習データセットに含まれる評価対象リストは、互いに共通する評価対象を含み、
前記第１学習データセットに含まれる対象属性リストおよび前記第２学習データセットに含まれる対象属性リストは、互いに共通する対象属性を含み、
前記第１学習データセットに含まれるユーザ属性リストおよび前記第２学習データセットに含まれるユーザ属性リストは、互いに共通するユーザ属性を含む、
付記２に記載の連合学習装置。
【0231】
（付記４）
前記学習手段は、
前記第１学習データセットを、前記各ユーザおよび前記各評価対象の組み合わせに対応する評価値のうち一部が欠損した多次元配列として、当該多次元配列を分解した複数のベクトルを前記第１予測モデルとして求め、
前記パラメータ情報送信手段は、前記複数のベクトルの少なくとも一部を前記第１パラメータ情報として送信する、
付記１または２に記載の連合学習装置。
前記学習手段は、
前記第１学習データセットを、前記各ユーザおよび前記各評価対象の組み合わせに対応する評価値のうち一部が欠損した多次元配列として、当該多次元配列を分解した複数のベクトルを前記第１予測モデルとして求め、
前記パラメータ情報送信手段は、前記複数のベクトルの少なくとも一部を前記第１パラメータ情報として送信する、
付記１または２に記載の連合学習装置。
【0232】
（付記５）
前記学習手段は、
前記多次元配列の欠損していない評価値に対して、前記複数のベクトルの積において当該評価値に対応する成分が近似するように、当該複数のベクトルを求める、
付記４に記載の連合学習装置。
前記学習手段は、
前記多次元配列の欠損していない評価値に対して、前記複数のベクトルの積において当該評価値に対応する成分が近似するように、当該複数のベクトルを求める、
付記４に記載の連合学習装置。
【0233】
（付記６）
前記多次元配列は、前記評価値の一部の欠損に加えて、前記各対象属性および前記各評価対象の組み合わせに対応する対象属性値のうち一部がさらに欠損しており、
前記学習手段は、
前記多次元配列の欠損していない対象属性値に対して、前記複数のベクトルの積において当該対象属性値に対応する成分が近似するように、当該複数のベクトルを求める、
付記４または５に記載の連合学習装置。
前記多次元配列は、前記評価値の一部の欠損に加えて、前記各対象属性および前記各評価対象の組み合わせに対応する対象属性値のうち一部がさらに欠損しており、
前記学習手段は、
前記多次元配列の欠損していない対象属性値に対して、前記複数のベクトルの積において当該対象属性値に対応する成分が近似するように、当該複数のベクトルを求める、
付記４または５に記載の連合学習装置。
【0234】
（付記７）
前記第１学習データセットは、さらに、前記ユーザリスト内の一部又は全部のユーザの各々に付与されたユーザ属性値であって、ユーザ属性リスト内の各ユーザ属性に関するユーザ属性値を含み、
前記多次元配列は、前記評価値の一部の欠損に加えて、前記各ユーザ属性および前記各ユーザの組み合わせに対応するユーザ属性値のうち一部がさらに欠損しており、
前記学習手段は、
前記多次元配列の欠損していないユーザ属性値に対して、前記複数のベクトルの積において当該ユーザ属性値に対応する成分が近似するように、当該複数のベクトルを求める、
付記４から６の何れか１つに記載の連合学習装置。
前記第１学習データセットは、さらに、前記ユーザリスト内の一部又は全部のユーザの各々に付与されたユーザ属性値であって、ユーザ属性リスト内の各ユーザ属性に関するユーザ属性値を含み、
前記多次元配列は、前記評価値の一部の欠損に加えて、前記各ユーザ属性および前記各ユーザの組み合わせに対応するユーザ属性値のうち一部がさらに欠損しており、
前記学習手段は、
前記多次元配列の欠損していないユーザ属性値に対して、前記複数のベクトルの積において当該ユーザ属性値に対応する成分が近似するように、当該複数のベクトルを求める、
付記４から６の何れか１つに記載の連合学習装置。
【0235】
（付記８）
前記多次元配列は、前記評価値の一部の欠損、前記対象属性値の一部の欠損、および前記ユーザ属性値の一部の欠損に加えて、前記各対象属性および前記各ユーザ属性の組み合わせに対応する当該組み合わせの関連性を示す関連値のうち一部がさらに欠損しており、
前記学習手段は、
前記多次元配列の欠損していない関連値に対して、前記複数のベクトルの積において当該関連値に対応する成分が近似するように、当該複数のベクトルを求める、
付記７に記載の連合学習装置。
前記多次元配列は、前記評価値の一部の欠損、前記対象属性値の一部の欠損、および前記ユーザ属性値の一部の欠損に加えて、前記各対象属性および前記各ユーザ属性の組み合わせに対応する当該組み合わせの関連性を示す関連値のうち一部がさらに欠損しており、
前記学習手段は、
前記多次元配列の欠損していない関連値に対して、前記複数のベクトルの積において当該関連値に対応する成分が近似するように、当該複数のベクトルを求める、
付記７に記載の連合学習装置。
【0236】
（付記９）
前記学習手段は、前記各関連値として、各ユーザ属性値および各対象属性値の積を、当該ユーザ属性値および当該対象属性値に対応する評価値で除した値に基づき算出する、
付記８に記載の連合学習装置。
前記学習手段は、前記各関連値として、各ユーザ属性値および各対象属性値の積を、当該ユーザ属性値および当該対象属性値に対応する評価値で除した値に基づき算出する、
付記８に記載の連合学習装置。
【0237】
（付記１０）
前記パラメータ情報送信手段は、前記第１予測モデルを表す情報のうち、前記第１学習データセットおよび前記第２学習データセットに共通する情報に起因して得られたパラメータ情報を、前記第１パラメータ情報として送信する、
付記１から９の何れか１つに記載の連合学習装置。
前記パラメータ情報送信手段は、前記第１予測モデルを表す情報のうち、前記第１学習データセットおよび前記第２学習データセットに共通する情報に起因して得られたパラメータ情報を、前記第１パラメータ情報として送信する、
付記１から９の何れか１つに記載の連合学習装置。
【0238】
（付記１１）
前記共通する情報は、共通する評価対象を示す情報を含む、付記１０に記載の連合学習装置。
前記共通する情報は、共通する評価対象を示す情報を含む、付記１０に記載の連合学習装置。
【0239】
（付記１２）
前記共通する情報は、共通するユーザを示す情報を含む、付記１０または１１に記載の連合学習装置。
前記共通する情報は、共通するユーザを示す情報を含む、付記１０または１１に記載の連合学習装置。
【0240】
（付記１３）
前記共通する情報は、共通する対象属性を示す情報を含む、
付記１０から１２の何れか１つに記載の連合学習装置。
前記共通する情報は、共通する対象属性を示す情報を含む、
付記１０から１２の何れか１つに記載の連合学習装置。
【0241】
（付記１４）
前記第１学習データセットは、さらに、前記ユーザリスト内の一部又は全部のユーザの各々に付与されたユーザ属性値であって、ユーザ属性リスト内の各ユーザ属性に関するユーザ属性値を含み、
前記共通する情報は、共通するユーザ属性を示す情報を含む、
付記１０から１３の何れか１つに記載の連合学習装置。
前記第１学習データセットは、さらに、前記ユーザリスト内の一部又は全部のユーザの各々に付与されたユーザ属性値であって、ユーザ属性リスト内の各ユーザ属性に関するユーザ属性値を含み、
前記共通する情報は、共通するユーザ属性を示す情報を含む、
付記１０から１３の何れか１つに記載の連合学習装置。
【0242】
（付記１５）
前記第１予測モデルを用いて、前記評価値が得られていない評価対象およびユーザの組み合わせに対応する評価値を予測する予測手段、
をさらに含む、付記１から付記１４の何れか１つに記載の連合学習装置。
前記第１予測モデルを用いて、前記評価値が得られていない評価対象およびユーザの組み合わせに対応する評価値を予測する予測手段、
をさらに含む、付記１から付記１４の何れか１つに記載の連合学習装置。
【0243】
（付記１６）
付記１から１５の何れか１つに記載の連合学習装置としてそれぞれ機能する複数の連合学習装置の各々から前記第１パラメータ情報を取得するパラメータ情報取得手段と、
複数の前記第１パラメータ情報を統合することにより前記統合パラメータ情報を生成する統合手段と、
前記統合パラメータ情報を、前記複数の連合学習装置のそれぞれに送信するパラメータ情報送信手段と、
を含むサーバ装置。
付記１から１５の何れか１つに記載の連合学習装置としてそれぞれ機能する複数の連合学習装置の各々から前記第１パラメータ情報を取得するパラメータ情報取得手段と、
複数の前記第１パラメータ情報を統合することにより前記統合パラメータ情報を生成する統合手段と、
前記統合パラメータ情報を、前記複数の連合学習装置のそれぞれに送信するパラメータ情報送信手段と、
を含むサーバ装置。
【0244】
（付記１７）
付記１から１５の何れか１つに記載された連合学習装置としてそれぞれ機能する複数の連合学習装置と、
付記１６に記載されたサーバ装置と、
を含む、連合学習システム。
付記１から１５の何れか１つに記載された連合学習装置としてそれぞれ機能する複数の連合学習装置と、
付記１６に記載されたサーバ装置と、
を含む、連合学習システム。
【0245】
（付記１８）
コンピュータが、
評価対象リスト内の一部又は全部の評価対象の各々に対する評価値であって、ユーザリスト内の各ユーザによる評価を示す評価値、及び、前記評価対象リスト内の一部又は全部の評価対象の各々が有する対象属性値であって、対象属性リスト内の各対象属性に関する対象属性値、を含む第１学習データセットを用いて、前記評価値が得られていない評価対象およびユーザの組み合わせに対応する評価値を予測する第１予測モデルを学習させることと、
前記第１予測モデルの少なくとも一部を表す第１パラメータ情報をサーバ装置に送信することと、
前記第１学習データセットと同様に構成された第２学習データセットであって、前記第１学習データセットに対して前記評価対象リスト、前記ユーザリスト、前記対象属性リスト、各評価値、および各対象属性値の少なくとも一部が異なる第２学習データセットを用いて学習された第２予測モデルの少なくとも一部を表す第２パラメータ情報と、前記第１パラメータ情報と、が統合された統合パラメータ情報を、前記サーバ装置から取得することと、
前記第１パラメータ情報を前記統合パラメータ情報に置き換えることにより前記第１予測モデルを更新することと、
を含む、連合学習方法。
コンピュータが、
評価対象リスト内の一部又は全部の評価対象の各々に対する評価値であって、ユーザリスト内の各ユーザによる評価を示す評価値、及び、前記評価対象リスト内の一部又は全部の評価対象の各々が有する対象属性値であって、対象属性リスト内の各対象属性に関する対象属性値、を含む第１学習データセットを用いて、前記評価値が得られていない評価対象およびユーザの組み合わせに対応する評価値を予測する第１予測モデルを学習させることと、
前記第１予測モデルの少なくとも一部を表す第１パラメータ情報をサーバ装置に送信することと、
前記第１学習データセットと同様に構成された第２学習データセットであって、前記第１学習データセットに対して前記評価対象リスト、前記ユーザリスト、前記対象属性リスト、各評価値、および各対象属性値の少なくとも一部が異なる第２学習データセットを用いて学習された第２予測モデルの少なくとも一部を表す第２パラメータ情報と、前記第１パラメータ情報と、が統合された統合パラメータ情報を、前記サーバ装置から取得することと、
前記第１パラメータ情報を前記統合パラメータ情報に置き換えることにより前記第１予測モデルを更新することと、
を含む、連合学習方法。
【0246】
（付記１９）
コンピュータを、
評価対象リスト内の一部又は全部の評価対象の各々に対する評価値であって、ユーザリスト内の各ユーザによる評価を示す評価値、及び、前記評価対象リスト内の一部又は全部の評価対象の各々が有する対象属性値であって、対象属性リスト内の各対象属性に関する対象属性値、を含む第１学習データセットを用いて、前記評価値が得られていない評価対象およびユーザの組み合わせに対応する評価値を予測する第１予測モデルを学習させる学習手段と、
前記第１予測モデルの少なくとも一部を表す第１パラメータ情報をサーバ装置に送信するパラメータ情報送信手段と、
前記第１学習データセットと同様に構成された第２学習データセットであって、前記第１学習データセットに対して前記評価対象リスト、前記ユーザリスト、前記対象属性リスト、各評価値、および各対象属性値の少なくとも一部が異なる第２学習データセットを用いて学習された第２予測モデルの少なくとも一部を表す第２パラメータ情報と、前記第１パラメータ情報と、が統合された統合パラメータ情報を、前記サーバ装置から取得するパラメータ情報取得手段と、
前記第１パラメータ情報を前記統合パラメータ情報に置き換えることにより前記第１予測モデルを更新する更新手段と、
として機能させる、プログラム。
コンピュータを、
評価対象リスト内の一部又は全部の評価対象の各々に対する評価値であって、ユーザリスト内の各ユーザによる評価を示す評価値、及び、前記評価対象リスト内の一部又は全部の評価対象の各々が有する対象属性値であって、対象属性リスト内の各対象属性に関する対象属性値、を含む第１学習データセットを用いて、前記評価値が得られていない評価対象およびユーザの組み合わせに対応する評価値を予測する第１予測モデルを学習させる学習手段と、
前記第１予測モデルの少なくとも一部を表す第１パラメータ情報をサーバ装置に送信するパラメータ情報送信手段と、
前記第１学習データセットと同様に構成された第２学習データセットであって、前記第１学習データセットに対して前記評価対象リスト、前記ユーザリスト、前記対象属性リスト、各評価値、および各対象属性値の少なくとも一部が異なる第２学習データセットを用いて学習された第２予測モデルの少なくとも一部を表す第２パラメータ情報と、前記第１パラメータ情報と、が統合された統合パラメータ情報を、前記サーバ装置から取得するパラメータ情報取得手段と、
前記第１パラメータ情報を前記統合パラメータ情報に置き換えることにより前記第１予測モデルを更新する更新手段と、
として機能させる、プログラム。
【0247】
（付記２０）
コンピュータを、
評価対象リスト内の一部又は全部の評価対象の各々に対する評価値であって、ユーザリスト内の各ユーザによる評価を示す評価値、及び、前記評価対象リスト内の一部又は全部の評価対象の各々が有する対象属性値であって、対象属性リスト内の各対象属性に関する対象属性値、を含む第１学習データセットを用いて、前記評価値が得られていない評価対象およびユーザの組み合わせに対応する評価値を予測する第１予測モデルを学習させる学習手段と、
前記第１予測モデルの少なくとも一部を表す第１パラメータ情報をサーバ装置に送信するパラメータ情報送信手段と、
前記第１学習データセットと同様に構成された第２学習データセットであって、前記第１学習データセットに対して前記評価対象リスト、前記ユーザリスト、前記対象属性リスト、各評価値、および各対象属性値の少なくとも一部が異なる第２学習データセットを用いて学習された第２予測モデルの少なくとも一部を表す第２パラメータ情報と、前記第１パラメータ情報と、が統合された統合パラメータ情報を、前記サーバ装置から取得するパラメータ情報取得手段と、
前記第１パラメータ情報を前記統合パラメータ情報に置き換えることにより前記第１予測モデルを更新する更新手段と、
として機能させる、プログラムを記録した記録媒体。
コンピュータを、
評価対象リスト内の一部又は全部の評価対象の各々に対する評価値であって、ユーザリスト内の各ユーザによる評価を示す評価値、及び、前記評価対象リスト内の一部又は全部の評価対象の各々が有する対象属性値であって、対象属性リスト内の各対象属性に関する対象属性値、を含む第１学習データセットを用いて、前記評価値が得られていない評価対象およびユーザの組み合わせに対応する評価値を予測する第１予測モデルを学習させる学習手段と、
前記第１予測モデルの少なくとも一部を表す第１パラメータ情報をサーバ装置に送信するパラメータ情報送信手段と、
前記第１学習データセットと同様に構成された第２学習データセットであって、前記第１学習データセットに対して前記評価対象リスト、前記ユーザリスト、前記対象属性リスト、各評価値、および各対象属性値の少なくとも一部が異なる第２学習データセットを用いて学習された第２予測モデルの少なくとも一部を表す第２パラメータ情報と、前記第１パラメータ情報と、が統合された統合パラメータ情報を、前記サーバ装置から取得するパラメータ情報取得手段と、
前記第１パラメータ情報を前記統合パラメータ情報に置き換えることにより前記第１予測モデルを更新する更新手段と、
として機能させる、プログラムを記録した記録媒体。
【0248】
（付記２１）
コンピュータが、
付記１から１５の何れか１つに記載の連合学習装置として機能する複数の連合学習装置の各々から前記第１パラメータ情報を取得することと、
複数の前記第１パラメータ情報を統合することにより前記統合パラメータ情報を生成することと、
前記統合パラメータ情報を、前記複数の連合学習装置のそれぞれに送信することと、
を含む連合学習方法。
コンピュータが、
付記１から１５の何れか１つに記載の連合学習装置として機能する複数の連合学習装置の各々から前記第１パラメータ情報を取得することと、
複数の前記第１パラメータ情報を統合することにより前記統合パラメータ情報を生成することと、
前記統合パラメータ情報を、前記複数の連合学習装置のそれぞれに送信することと、
を含む連合学習方法。
【0249】
（付記２２）
コンピュータを、
付記１から１５の何れか１つに記載の連合学習装置として機能する複数の連合学習装置の各々から前記第１パラメータ情報を取得するパラメータ情報取得手段と、
複数の前記第１パラメータ情報を統合することにより前記統合パラメータ情報を生成する統合手段と、
前記統合パラメータ情報を、前記複数の連合学習装置のそれぞれに送信するパラメータ情報送信手段と、
として機能させるプログラム。
コンピュータを、
付記１から１５の何れか１つに記載の連合学習装置として機能する複数の連合学習装置の各々から前記第１パラメータ情報を取得するパラメータ情報取得手段と、
複数の前記第１パラメータ情報を統合することにより前記統合パラメータ情報を生成する統合手段と、
前記統合パラメータ情報を、前記複数の連合学習装置のそれぞれに送信するパラメータ情報送信手段と、
として機能させるプログラム。
【0250】
（付記２３）
コンピュータを、
付記１から１５の何れか１つに記載の連合学習装置として機能する複数の連合学習装置の各々から前記第１パラメータ情報を取得するパラメータ情報取得手段と、
複数の前記第１パラメータ情報を統合することにより前記統合パラメータ情報を生成する統合手段と、
前記統合パラメータ情報を、前記複数の連合学習装置のそれぞれに送信するパラメータ情報送信手段と、
として機能させるプログラムを記録した記録媒体。
コンピュータを、
付記１から１５の何れか１つに記載の連合学習装置として機能する複数の連合学習装置の各々から前記第１パラメータ情報を取得するパラメータ情報取得手段と、
複数の前記第１パラメータ情報を統合することにより前記統合パラメータ情報を生成する統合手段と、
前記統合パラメータ情報を、前記複数の連合学習装置のそれぞれに送信するパラメータ情報送信手段と、
として機能させるプログラムを記録した記録媒体。
【0251】
（付記２４）
複数の連合学習装置の各々が、
評価対象リスト内の一部又は全部の評価対象の各々に対する評価値であって、ユーザリスト内の各ユーザによる評価を示す評価値、及び、前記評価対象リスト内の一部又は全部の評価対象の各々が有する対象属性値であって、対象属性リスト内の各対象属性に関する対象属性値、を含む第１学習データセットを用いて、前記評価値が得られていない評価対象およびユーザの組み合わせに対応する評価値を予測する第１予測モデルを学習させることと、
前記第１予測モデルの少なくとも一部を表す第１パラメータ情報をサーバ装置に送信することと、
前記第１学習データセットと同様に構成された第２学習データセットであって、前記第１学習データセットに対して前記評価対象リスト、前記ユーザリスト、前記対象属性リスト、各評価値、および各対象属性値の少なくとも一部が異なる第２学習データセットを用いて学習された第２予測モデルの少なくとも一部を表す第２パラメータ情報と、前記第１パラメータ情報と、が統合された統合パラメータ情報を、前記サーバ装置から取得することと、
前記第１パラメータ情報を前記統合パラメータ情報に置き換えることにより前記第１予測モデルを更新することと、を含み、
前記サーバ装置が、
前記複数の前記連合学習装置の各々から前記第１パラメータ情報を取得することと、
複数の前記第１パラメータ情報を統合することにより前記統合パラメータ情報を生成することと、
前記統合パラメータ情報を、前記複数の連合学習装置の各々に送信することと、
を含む、連合学習方法。
複数の連合学習装置の各々が、
評価対象リスト内の一部又は全部の評価対象の各々に対する評価値であって、ユーザリスト内の各ユーザによる評価を示す評価値、及び、前記評価対象リスト内の一部又は全部の評価対象の各々が有する対象属性値であって、対象属性リスト内の各対象属性に関する対象属性値、を含む第１学習データセットを用いて、前記評価値が得られていない評価対象およびユーザの組み合わせに対応する評価値を予測する第１予測モデルを学習させることと、
前記第１予測モデルの少なくとも一部を表す第１パラメータ情報をサーバ装置に送信することと、
前記第１学習データセットと同様に構成された第２学習データセットであって、前記第１学習データセットに対して前記評価対象リスト、前記ユーザリスト、前記対象属性リスト、各評価値、および各対象属性値の少なくとも一部が異なる第２学習データセットを用いて学習された第２予測モデルの少なくとも一部を表す第２パラメータ情報と、前記第１パラメータ情報と、が統合された統合パラメータ情報を、前記サーバ装置から取得することと、
前記第１パラメータ情報を前記統合パラメータ情報に置き換えることにより前記第１予測モデルを更新することと、を含み、
前記サーバ装置が、
前記複数の前記連合学習装置の各々から前記第１パラメータ情報を取得することと、
複数の前記第１パラメータ情報を統合することにより前記統合パラメータ情報を生成することと、
前記統合パラメータ情報を、前記複数の連合学習装置の各々に送信することと、
を含む、連合学習方法。
【0252】
（付記２５）
少なくとも１つのプロセッサを備え、前記プロセッサは、
評価対象リスト内の一部又は全部の評価対象の各々に対する評価値であって、ユーザリスト内の各ユーザによる評価を示す評価値、及び、前記評価対象リスト内の一部又は全部の評価対象の各々が有する対象属性値であって、対象属性リスト内の各対象属性に関する対象属性値、を含む第１学習データセットを用いて、前記評価値が得られていない評価対象およびユーザの組み合わせに対応する評価値を予測する第１予測モデルを学習させる学習処理と、
前記第１予測モデルの少なくとも一部を表す第１パラメータ情報をサーバ装置に送信するパラメータ情報送信処理と、
前記第１学習データセットと同様に構成された第２学習データセットであって、前記第１学習データセットに対して前記評価対象リスト、前記ユーザリスト、前記対象属性リスト、各評価値、および各対象属性値の少なくとも一部が異なる第２学習データセットを用いて学習された第２予測モデルの少なくとも一部を表す第２パラメータ情報と、前記第１パラメータ情報と、が統合された統合パラメータ情報を、前記サーバ装置から取得するパラメータ情報取得処理と、
前記第１パラメータ情報を前記統合パラメータ情報に置き換えることにより前記第１予測モデルを更新する更新処理と、
を実行する、連合学習装置。
少なくとも１つのプロセッサを備え、前記プロセッサは、
評価対象リスト内の一部又は全部の評価対象の各々に対する評価値であって、ユーザリスト内の各ユーザによる評価を示す評価値、及び、前記評価対象リスト内の一部又は全部の評価対象の各々が有する対象属性値であって、対象属性リスト内の各対象属性に関する対象属性値、を含む第１学習データセットを用いて、前記評価値が得られていない評価対象およびユーザの組み合わせに対応する評価値を予測する第１予測モデルを学習させる学習処理と、
前記第１予測モデルの少なくとも一部を表す第１パラメータ情報をサーバ装置に送信するパラメータ情報送信処理と、
前記第１学習データセットと同様に構成された第２学習データセットであって、前記第１学習データセットに対して前記評価対象リスト、前記ユーザリスト、前記対象属性リスト、各評価値、および各対象属性値の少なくとも一部が異なる第２学習データセットを用いて学習された第２予測モデルの少なくとも一部を表す第２パラメータ情報と、前記第１パラメータ情報と、が統合された統合パラメータ情報を、前記サーバ装置から取得するパラメータ情報取得処理と、
前記第１パラメータ情報を前記統合パラメータ情報に置き換えることにより前記第１予測モデルを更新する更新処理と、
を実行する、連合学習装置。
【0253】
なお、この連合学習装置は、更にメモリを備えていてもよく、このメモリには、前記学習処理と、前記パラメータ情報取得処理と、前記パラメータ情報送信処理とを前記プロセッサに実行させるためのプログラムが記憶されていてもよい。また、このプログラムは、コンピュータ読み取り可能な一時的でない有形の記録媒体に記録されていてもよい。
【0254】
（付記２６）
少なくとも１つのプロセッサを備え、前記プロセッサは、
付記２０に記載の連合学習装置として機能する複数の連合学習装置の各々から前記第１パラメータ情報を取得するパラメータ情報取得処理と、
複数の前記第１パラメータ情報を統合することにより前記統合パラメータ情報を生成する統合処理と、
前記統合パラメータ情報を、前記複数の連合学習装置のそれぞれに送信するパラメータ情報送信処理と、
を実行するサーバ装置。
少なくとも１つのプロセッサを備え、前記プロセッサは、
付記２０に記載の連合学習装置として機能する複数の連合学習装置の各々から前記第１パラメータ情報を取得するパラメータ情報取得処理と、
複数の前記第１パラメータ情報を統合することにより前記統合パラメータ情報を生成する統合処理と、
前記統合パラメータ情報を、前記複数の連合学習装置のそれぞれに送信するパラメータ情報送信処理と、
を実行するサーバ装置。
【0255】
なお、このサーバ装置は、更にメモリを備えていてもよく、このメモリには、前記パラメータ情報取得処理と、前記統合処理と、前記パラメータ情報送信処理とを前記プロセッサに実行させるためのプログラムが記憶されていてもよい。また、このプログラムは、コンピュータ読み取り可能な一時的でない有形の記録媒体に記録されていてもよい。
【符号の説明】
【0256】
１ 連合学習装置
１Ａ、１Ｂ、１００－ｉ クライアント装置
２、２００ サーバ装置
３００ サービサー装置
１０、１０Ａ 連合学習システム
１１、１１１－ｉ 学習部
１２、１１２－ｉ、２３、２１３ パラメータ情報送信部
１３、１１３－ｉ、２１、２１１ パラメータ情報取得部
１４、１１４－ｉ 更新部
２２、２１２ 統合部
１１０－ｉ、２１０、３１０－ｉ 制御部
１２０－ｉ、２２０、３２０－ｉ 記憶部
１３０－ｉ、２３０、３３０－ｉ 通信部
３１１－ｉ ユーザ登録部
３１２－ｉ 商品登録部
３１３－ｉ 評価値登録部
３１４－ｉ ユーザＩＤ共通化部
３１５－ｉ 共通化部
３１６－ｉ 連合学習依頼部
３１７－ｉ 予測部
Ｃ１ プロセッサ
Ｃ２ メモリ
１Ａ、１Ｂ、１００－ｉ クライアント装置
２、２００ サーバ装置
３００ サービサー装置
１０、１０Ａ 連合学習システム
１１、１１１－ｉ 学習部
１２、１１２－ｉ、２３、２１３ パラメータ情報送信部
１３、１１３－ｉ、２１、２１１ パラメータ情報取得部
１４、１１４－ｉ 更新部
２２、２１２ 統合部
１１０－ｉ、２１０、３１０－ｉ 制御部
１２０－ｉ、２２０、３２０－ｉ 記憶部
１３０－ｉ、２３０、３３０－ｉ 通信部
３１１－ｉ ユーザ登録部
３１２－ｉ 商品登録部
３１３－ｉ 評価値登録部
３１４－ｉ ユーザＩＤ共通化部
３１５－ｉ 共通化部
３１６－ｉ 連合学習依頼部
３１７－ｉ 予測部
Ｃ１ プロセッサ
Ｃ２ メモリ
【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】