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】P2024092162
(43)【公開日】2024-07-08
(54)【発明の名称】情報処理装置、情報処理方法およびプログラム
(51)【国際特許分類】
G06Q 30/0201 20230101AFI20240701BHJP
G06F 16/332 20190101ALI20240701BHJP
G06F 16/383 20190101ALI20240701BHJP
【ＦＩ】
G06Q30/0201
G06F16/332
G06F16/383
【審査請求】有
【請求項の数】10
【出願形態】ＯＬ
(21)【出願番号】P 2022207906
(22)【出願日】2022-12-26
(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】カヤル チャンドライ
(72)【発明者】
【氏名】チャットパディヤイ サヤンタン
(72)【発明者】
【氏名】クーガ ヒマンシュ
(72)【発明者】
【氏名】バイリ カリアン
(72)【発明者】
【氏名】リード ケード
(72)【発明者】
【氏名】アブロール サティアン
【テーマコード（参考）】
5B175
5L030
5L049
【Ｆターム（参考）】
5B175DA01
5B175FB02
5L030BB02
5L049BB02
(57)【要約】 （修正有）
【課題】ユーザの購買行動に関連する情報を容易かつ高精度に抽出する情報処理装置、情報処理方法及び情報処理プログラムを提供する。
【解決手段】属性情報抽出装置１は、店舗での取引を記述するエントリーを含むトランザクション情報を取得するトランザクション情報取得部１１と、トランザクション情報取得部１１により取得されたトランザクション情報からトランザクションテキストを分離するテキスト分離部１２と、テキスト分離部１２により分離されたトランザクションテキストを複数の自然言語処理モデルに入力して、トランザクションテキストに対応する複数の属性をそれぞれ抽出する属性抽出部１３と、属性抽出部１３により抽出された複数の属性を出力する出力部１４と、を備える。
【選択図】図１
【解決手段】属性情報抽出装置１は、店舗での取引を記述するエントリーを含むトランザクション情報を取得するトランザクション情報取得部１１と、トランザクション情報取得部１１により取得されたトランザクション情報からトランザクションテキストを分離するテキスト分離部１２と、テキスト分離部１２により分離されたトランザクションテキストを複数の自然言語処理モデルに入力して、トランザクションテキストに対応する複数の属性をそれぞれ抽出する属性抽出部１３と、属性抽出部１３により抽出された複数の属性を出力する出力部１４と、を備える。
【選択図】図１
【特許請求の範囲】
【請求項1】
店舗での取引を記述するエントリーを含むトランザクション情報を取得するトランザクション情報取得部と、
前記トランザクション情報取得部により取得された前記トランザクション情報からトランザクションテキストを分離するテキスト分離部と、
前記テキスト分離部により分離された前記トランザクションテキストを複数の自然言語処理モデルに入力して、前記トランザクションテキストに対応する複数の属性をそれぞれ抽出する属性抽出部と、
前記属性抽出部により抽出された前記複数の属性を出力する出力部と、
を備えることを特徴とする情報処理装置。
前記トランザクション情報取得部により取得された前記トランザクション情報からトランザクションテキストを分離するテキスト分離部と、
前記テキスト分離部により分離された前記トランザクションテキストを複数の自然言語処理モデルに入力して、前記トランザクションテキストに対応する複数の属性をそれぞれ抽出する属性抽出部と、
前記属性抽出部により抽出された前記複数の属性を出力する出力部と、
を備えることを特徴とする情報処理装置。
【請求項2】
前記属性抽出部は、前記トランザクションテキスト中からキーセグメントを特定し、特定された前記キーセグメントから前記複数の属性を抽出する
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】
前記属性抽出部は、前記トランザクションテキストを、前記複数の自然言語処理モデルのうちの自然言語処理ライブラリを実装する学習済み自然言語処理モデルに処理させることにより、前記キーセグメントを認識する
ことを特徴とする請求項２に記載の情報処理装置。
ことを特徴とする請求項２に記載の情報処理装置。
【請求項4】
前記属性抽出部は、前記複数の自然言語処理モデルのうちのテキスト分類器を実装する学習済み自然言語処理モデルを使用して、特定された前記キーセグメントのカテゴリを予測し、予測されたカテゴリを前記複数の属性の１つとして抽出する
ことを特徴とする請求項３に記載の情報処理装置。
ことを特徴とする請求項３に記載の情報処理装置。
【請求項5】
前記属性抽出部は、特定された前記キーセグメントをクエリとして外部情報源にアクセスすることにより、前記キーセグメントから派生する派生属性を生成する
ことを特徴とする請求項３に記載の情報処理装置。
ことを特徴とする請求項３に記載の情報処理装置。
【請求項6】
前記属性抽出部は、前記複数の自然言語処理モデルのうちの曖昧テキストマッチングアルゴリズムを実装する学習済み自然言語処理モデルを使用して、特定された前記キーセグメントに意味的に近似するテキストストリングを検索し、検索された前記テキストストリングおよび前記キーセグメントから前記複数の属性を抽出する
ことを特徴とする請求項３に記載の情報処理装置。
ことを特徴とする請求項３に記載の情報処理装置。
【請求項7】
前記属性抽出部は、前記複数の自然言語処理モデルのうちの表音解析アルゴリズムを実装する学習済み自然言語処理モデルを使用して、特定された前記キーセグメントに発音的に近似するテキストストリングを検索し、検索された前記テキストストリングおよび前記キーセグメントから前記複数の属性を導出する
ことを特徴とする請求項３に記載の情報処理装置。
ことを特徴とする請求項３に記載の情報処理装置。
【請求項8】
前記トランザクション情報取得部は、所定期間につき単一の取引明細から、前記トランザクション情報を取得する
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】
情報処理装置が実行する情報処理方法であって、
店舗での取引を記述するエントリーを含むトランザクション情報を取得するステップと、
取得された前記トランザクション情報からトランザクションテキストを分離するステップと、
分離された前記トランザクションテキストを複数の自然言語処理モデルに入力して、前記トランザクションテキストに対応する複数の属性をそれぞれ抽出するステップと、
抽出された前記複数の属性を出力するステップと、
を含むことを特徴とする情報処理方法。
店舗での取引を記述するエントリーを含むトランザクション情報を取得するステップと、
取得された前記トランザクション情報からトランザクションテキストを分離するステップと、
分離された前記トランザクションテキストを複数の自然言語処理モデルに入力して、前記トランザクションテキストに対応する複数の属性をそれぞれ抽出するステップと、
抽出された前記複数の属性を出力するステップと、
を含むことを特徴とする情報処理方法。
【請求項10】
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、該プログラムは、前記コンピュータに、
店舗での取引を記述するエントリーを含むトランザクション情報を取得するトランザクション情報取得処理と、
前記トランザクション情報取得処理により取得された前記トランザクション情報からトランザクションテキストを分離するテキスト分離処理と、
前記テキスト分離処理により分離された前記トランザクションテキストを複数の自然言語処理モデルに入力して、前記トランザクションテキストに対応する複数の属性をそれぞれ抽出する属性抽出処理と、
前記属性抽出処理により抽出された前記複数の属性を出力する出力処理と、
を含む処理を実行させるためのものであることを特徴とする情報処理プログラム。
店舗での取引を記述するエントリーを含むトランザクション情報を取得するトランザクション情報取得処理と、
前記トランザクション情報取得処理により取得された前記トランザクション情報からトランザクションテキストを分離するテキスト分離処理と、
前記テキスト分離処理により分離された前記トランザクションテキストを複数の自然言語処理モデルに入力して、前記トランザクションテキストに対応する複数の属性をそれぞれ抽出する属性抽出処理と、
前記属性抽出処理により抽出された前記複数の属性を出力する出力処理と、
を含む処理を実行させるためのものであることを特徴とする情報処理プログラム。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、情報処理装置、情報処理方法およびプログラムに関し、特に、ユーザの購買行動に関連する属性情報を抽出するための技術に関する。
【背景技術】
【0002】
近年、ユーザが商品やサービスをオンライン購入可能なウェブサイトやアプリケーションは多岐に亘る。ユーザは、これら多数のウェブサイトやアプリケーションを介して所望のオンライン店舗にアクセスし、所望の商品やサービスを、クレジットカード、デビットカード、および仮想通貨等の決済手段を使用したオンライン取引により購入する。
【0003】
このようなオンライン取引において、ユーザがどの店舗でどのようなオンライン取引を行ったかの購買行動に関する情報を分析し、それぞれのユーザをプロファイリングし、これらのプロファイリングの結果に基づいて、それぞれのユーザに向けてパーソナライズされた広告を提供することができる。これにより、コンバージョンレート（ＣＶＲ）等の指標で示される広告効果の向上が期待できる。
【0004】
しかしながら、上記のように、ユーザがオンライン取引を行うウェブサイトやアプリケーションは多岐に亘るため、あるユーザがどの店舗でどのようなオンライン取引を行ったかの情報は、多数のドメインに分散して存在しており、それらのフォーマットもドメインごとに区々である。このため、これらの情報をそれぞれのドメインから取得し、一元的に集約して分析に供することは容易ではない。
【0005】
特許文献１は、ユーザが実際に行った決済内容を示す利用明細情報と、当該決済を行った店舗を示す店舗情報とを関連付けて生成する利用明細・店舗情報リンク装置を開示する。
具体的には、特許文献１に開示される利用明細・店舗情報リンク装置は、ユーザが実際に決済を行った店舗を特定する情報を含む利用明細情報を顧客端末に送信し、顧客端末から、利用明細情報に含まれる店舗を特定する情報を受信すると、対応する店舗情報を読み出して顧客端末に送信する。
ユーザが実際に利用した店舗に関する投稿を行うため、顧客端末から、送信した店舗情報に含まれる投稿機能情報が送信されると、特許文献１に開示される利用明細・店舗情報リンク装置はさらに、当該投稿機能情報に基づいて、投稿された情報を記憶・更新する。
具体的には、特許文献１に開示される利用明細・店舗情報リンク装置は、ユーザが実際に決済を行った店舗を特定する情報を含む利用明細情報を顧客端末に送信し、顧客端末から、利用明細情報に含まれる店舗を特定する情報を受信すると、対応する店舗情報を読み出して顧客端末に送信する。
ユーザが実際に利用した店舗に関する投稿を行うため、顧客端末から、送信した店舗情報に含まれる投稿機能情報が送信されると、特許文献１に開示される利用明細・店舗情報リンク装置はさらに、当該投稿機能情報に基づいて、投稿された情報を記憶・更新する。
【先行技術文献】
【特許文献】
【0006】
【特許文献1】特開２０１８－７２９７８号
【発明の概要】
【発明が解決しようとする課題】
【0007】
特許文献１の技術によれば、ユーザが実際に決済を行った店舗を特定する情報を、利用明細情報から一元的に取得することができる。
【0008】
しかしながら、利用明細情報に含まれているのは、ユーザが投稿先の店舗を特定できれば足りるため、店舗名のテキスト情報や当該店舗の外観画像データのみであり、ユーザが実際に決済を行った店舗における購買行動を特徴付ける属性情報を利用明細情報から直接取得することができない。
また、利用明細情報のリンク先である店舗情報を参照すれば、店舗に関する属性情報を取得することが可能であるが、そのためには、サーバ装置である利用明細・店舗情報リンク装置において、多数のドメインにおいて都度発生する店舗の属性情報の更新や変更に常に追従しなければならず、煩雑であるとともに変更への柔軟性に欠ける。
また、利用明細情報のリンク先である店舗情報を参照すれば、店舗に関する属性情報を取得することが可能であるが、そのためには、サーバ装置である利用明細・店舗情報リンク装置において、多数のドメインにおいて都度発生する店舗の属性情報の更新や変更に常に追従しなければならず、煩雑であるとともに変更への柔軟性に欠ける。
【0009】
本発明は上記課題を解決するためになされたものであり、その目的は、ユーザの購買行動に関連する情報を容易かつ高精度に抽出することが可能な情報処理装置、情報処理方法およびプログラムを提供することにある。
【課題を解決するための手段】
【0010】
上記課題を解決するために、本発明に係る情報処理装置の一態様は、店舗での取引を記述するエントリーを含むトランザクション情報を取得するトランザクション情報取得部と、前記トランザクション情報取得部により取得された前記トランザクション情報からトランザクションテキストを分離するテキスト分離部と、前記テキスト分離部により分離された前記トランザクションテキストを複数の自然言語処理モデルに入力して、前記トランザクションテキストに対応する複数の属性をそれぞれ抽出する属性抽出部と、前記属性抽出部により抽出された前記複数の属性を出力する出力部と、を備える。
【0011】
本発明に係る情報処理方法の一態様は、情報処理装置が実行する情報処理方法であって、店舗での取引を記述するエントリーを含むトランザクション情報を取得するステップと、取得された前記トランザクション情報からトランザクションテキストを分離するステップと、分離された前記トランザクションテキストを複数の自然言語処理モデルに入力して、前記トランザクションテキストに対応する複数の属性をそれぞれ抽出するステップと、抽出された前記複数の属性を出力するステップと、を含む。
【0012】
本発明に係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、該プログラムは、前記コンピュータに、店舗での取引を記述するエントリーを含むトランザクション情報を取得するトランザクション情報取得処理と、前記トランザクション情報取得処理により取得された前記トランザクション情報からトランザクションテキストを分離するテキスト分離処理と、前記テキスト分離処理により分離された前記トランザクションテキストを複数の自然言語処理モデルに入力して、前記トランザクションテキストに対応する複数の属性をそれぞれ抽出する属性抽出処理と、前記属性抽出処理により抽出された前記複数の属性を出力する出力処理と、を含む処理を実行させるためのものである。
【発明の効果】
【0013】
本発明によれば、ユーザの購買行動に関連する情報を容易かつ高精度に抽出することができる。
上記した本発明の目的、態様及び効果並びに上記されなかった本発明の目的、態様及び効果は、当業者であれば添付図面及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、態様及び効果並びに上記されなかった本発明の目的、態様及び効果は、当業者であれば添付図面及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】
【0014】
【発明を実施するための形態】
【0015】
以下、添付図面を参照して、本発明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。
【0016】
本実施形態に係る属性情報抽出装置は、クレジットカード等の利用明細等に基づいて、店舗における取引を記述するエントリーを含むトランザクション情報を取得し、取得されたトランザクション情報から、トランザクションテキストを分離し、分離されたトランザクションテキストを複数の自然言語処理モデルに入力して、トランザクションテキストに対応する複数の属性をそれぞれ抽出する。
【0017】
以下では、本実施形態が、クレジットカードの利用明細を単一の入力として、クレジットカード取引が実行された店舗をトランザクションテキストからキーセグメントとして特定し、特定された店舗の各種属性を抽出する例を説明するが、本実施形態はこれに限定されない。
本実施形態は、クレジットカードのみならず、デビットカード、仮想通貨等、利用明細が記録され得る取引手段について、同様に適用可能である。また、利用明細のトランザクションテキストからキーセグメントとして特定されるのは、取引が実行された店舗に限定されず、例えば、店舗所在地、購入商品またはサービス等、ユーザの購買行動を特定可能なあらゆる情報であってよい。
本実施形態は、クレジットカードのみならず、デビットカード、仮想通貨等、利用明細が記録され得る取引手段について、同様に適用可能である。また、利用明細のトランザクションテキストからキーセグメントとして特定されるのは、取引が実行された店舗に限定されず、例えば、店舗所在地、購入商品またはサービス等、ユーザの購買行動を特定可能なあらゆる情報であってよい。
【0018】
＜属性情報抽出装置の機能構成＞
図１は、本実施形態に係る属性情報抽出装置１の機能構成の一例を示すブロック図である。
図１に示す属性情報抽出装置１は、トランザクション情報取得部１１、トランザクションテキスト分離部１２、属性抽出部１３、属性出力部１４、および後処理部１５を備える。
図１は、本実施形態に係る属性情報抽出装置１の機能構成の一例を示すブロック図である。
図１に示す属性情報抽出装置１は、トランザクション情報取得部１１、トランザクションテキスト分離部１２、属性抽出部１３、属性出力部１４、および後処理部１５を備える。
【0019】
属性情報抽出装置１は、記憶装置に格納されたカード利用明細２を読み出して、読み出されたカード利用明細２のデータからトランザクション情報を取得し、取得されたカードトランザクション情報からトランザクションテキストを分離する。
属性情報抽出装置１はさらに、分離されたトランザクションテキストを、複数の自然言語処理モデル３を使用して自然言語処理することにより、トランザクションテキストから対応する複数の属性を抽出し、抽出された複数の属性を属性情報データベース４に出力する。出力された属性は、属性情報抽出装置１により、例えば、ユーザや店舗のプロファイリング等の各種の後処理に供される。
属性情報抽出装置１はさらに、分離されたトランザクションテキストを、複数の自然言語処理モデル３を使用して自然言語処理することにより、トランザクションテキストから対応する複数の属性を抽出し、抽出された複数の属性を属性情報データベース４に出力する。出力された属性は、属性情報抽出装置１により、例えば、ユーザや店舗のプロファイリング等の各種の後処理に供される。
【0020】
属性情報抽出装置１は、ＰＣ（Ｐｅｒｓｏｎａｌ Ｃｏｍｐｕｔｅｒ）等で構成されるクライアント装置（不図示）とネットワークを介して通信可能に接続してよい。この場合、属性情報抽出装置１はサーバに実装され、クライアント装置は、属性情報抽出装置１が外部と情報の入出力を実行する際のユーザインタフェースを提供してよく、また、属性情報抽出装置１の各コンポーネント１１～１５の一部または全部を備えてもよい。
【0021】
トランザクション情報取得部１１は、記憶装置に格納されたカード利用明細２を読み出して、読み出されたカード利用明細２のデータからトランザクション情報を取得し、取得されたトランザクション情報をトランザクションテキスト分離部１２へ供給する。
【0022】
カード利用明細２は、ユーザごとに発行される、所定期間に亘るクレジットカード等のカードの利用履歴である。このカード利用明細２は、所定期間、例えば毎月、の利用明細発行の対象であるカードの店舗における取引を記述するエントリーを含む。各エントリーが、ある店舗で発生した１回のカード取引に相当する。カード利用明細２は、オンライン店舗における商品やサービスの購入であるウェブ上の取引と、実店舗における商品やサービスの購入である実取引の双方のエントリーを含んでよい。また、利用明細発行の対象であるカードの利用が国内に限定されない限り、カード利用明細２は、国内でのカード取引および国外でのカード取引の双方のエントリーを含んでよい。すなわち、カード利用明細２は、多言語（マルチリンガル）で記述されてよい。
【0023】
本実施形態では、このカード利用明細２を、属性抽出のための単一の情報源として使用する。
例えば、あるユーザに対してより高い広告効果を得るためには、ユーザの購買行動における各種属性を把握することが重要である。ここでより多くの属性を取得するために、通常は、多数の異なるドメイン、例えば、旅行ウェブサイト、電子商取引（ＥＣ）ウェブサイト、金融取引アプリケーション、健康関連アプリケーション、食品関連アプリケーション、レストラン予約ウェブサイト等、を介してそれぞれ取得された情報を収集するが、それぞれ異なるインタフェースを介してクロスドメインで属性を収集するのは煩雑であり柔軟性に欠ける。
例えば、あるユーザに対してより高い広告効果を得るためには、ユーザの購買行動における各種属性を把握することが重要である。ここでより多くの属性を取得するために、通常は、多数の異なるドメイン、例えば、旅行ウェブサイト、電子商取引（ＥＣ）ウェブサイト、金融取引アプリケーション、健康関連アプリケーション、食品関連アプリケーション、レストラン予約ウェブサイト等、を介してそれぞれ取得された情報を収集するが、それぞれ異なるインタフェースを介してクロスドメインで属性を収集するのは煩雑であり柔軟性に欠ける。
【0024】
これに対して、本実施形態では、基本的に、カード利用明細２を単一の情報源として、ユーザの購買行動における各種属性のために使用する。カード利用明細２は、カード所有者であるユーザが所定期間に亘り当該カードが利用可能な多数の店舗で行ったすべてのカード取引の集合体である。したがって、容易かつ一元的に、ユーザの購買行動における各種属性を抽出することが可能となる。
ただし、本実施形態はこれに限定されず、追加的に、他の情報、例えば、他のウェブサイトやアプリケーション等の他のドメインから取得された情報から、トランザクション情報を取得してよい。
ただし、本実施形態はこれに限定されず、追加的に、他の情報、例えば、他のウェブサイトやアプリケーション等の他のドメインから取得された情報から、トランザクション情報を取得してよい。
【0025】
カード利用明細２を格納する記憶装置は、例えば、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）等の不揮発性記憶装置で構成されてよい。
トランザクション情報取得部１１は、このような記憶装置に予め格納されたカード利用明細２を読み出すことにより、トランザクション情報を取得してもよく、あるいは、カード利用明細２を記憶する同一のまたは異なる対向装置から通信Ｉ／Ｆを介してカード利用明細２を受信してもよい。
トランザクション情報取得部１１は、このような記憶装置に予め格納されたカード利用明細２を読み出すことにより、トランザクション情報を取得してもよく、あるいは、カード利用明細２を記憶する同一のまたは異なる対向装置から通信Ｉ／Ｆを介してカード利用明細２を受信してもよい。
【0026】
トランザクション情報取得部１１はまた、属性情報抽出装置１において属性抽出処理を実行するために必要な各種パラメータの入力を受け付ける。トランザクション情報取得部１１は、属性情報抽出装置１と通信可能に接続されるクライアント装置のユーザインタフェースを介して、各種パラメータの入力を受け付けてよい。
【0027】
ここで、トランザクション情報は、カード利用明細２から抽出された、店舗でのカード取引を特定する情報であり、カード所有者のユーザＩＤ、取引が発生した日時、取引額、取引が発生した店舗名、購入商品またはサービスの記述等のフィールドを含んでよい（図２を参照して後述）。このうち、店舗名、取引額は、所定長のテキストストリングであるトランザクションテキストとして記述されてよい。トランザクション情報の各エントリーも、カード利用明細２と同様、ある店舗で発生した１回のカード取引に相当し、また、多言語（マルチリンガル）で記述されてよい。
ここで、 トランザクションテキストは、文字数が制限されたテキストストリング（文字列、テキスト情報）であり、言語種（日本語、英語等の複数の言語種のうちの１以上の言語種）の数が制限されたテキストストリングであり、文字種（カタカナ、アルファベット等の複数の文字種のうちの１以上の文字種）の数が制限されたテキストストリングである。テキストストリングの文字数は、例として、５～９、１０～１５、１６～２０、２１～２５、２６～３０等であってよい。トランザクションテキストは、その文字数がテキストストリングの文字数上限を超える場合、当該文字数上限を超える部分が削除された上で記述されトランザクション情報として扱われる。
ここで、 トランザクションテキストは、文字数が制限されたテキストストリング（文字列、テキスト情報）であり、言語種（日本語、英語等の複数の言語種のうちの１以上の言語種）の数が制限されたテキストストリングであり、文字種（カタカナ、アルファベット等の複数の文字種のうちの１以上の文字種）の数が制限されたテキストストリングである。テキストストリングの文字数は、例として、５～９、１０～１５、１６～２０、２１～２５、２６～３０等であってよい。トランザクションテキストは、その文字数がテキストストリングの文字数上限を超える場合、当該文字数上限を超える部分が削除された上で記述されトランザクション情報として扱われる。
【0028】
トランザクションテキスト分離部１２は、トランザクション情報取得部１１から供給されるトランザクション情報から、トランザクションテキストを分離し、属性抽出部１３に供給する。
トランザクションテキスト分離部１２はさらに、カード利用明細２から供給されるトランザクション情報のうち、トランザクションテキスト以外の情報、例えば、カード所有者のユーザＩＤ、取引が発生した日時、取引額等の情報を、トランザクションテキストとともに属性抽出部１３へ供給してよい。
トランザクションテキスト分離部１２はさらに、カード利用明細２から供給されるトランザクション情報のうち、トランザクションテキスト以外の情報、例えば、カード所有者のユーザＩＤ、取引が発生した日時、取引額等の情報を、トランザクションテキストとともに属性抽出部１３へ供給してよい。
【0029】
属性抽出部１３は、トランザクションテキスト分離部１２から供給されるトランザクションテキストから、属性を抽出し、抽出された属性を属性出力部１４へ供給する。
具体的には、属性抽出部１３は、複数の学習済みの自然言語処理モデル３を使用して、自然言語処理を適用して、トランザクションテキストから各種属性を抽出する。
具体的には、属性抽出部１３は、複数の学習済みの自然言語処理モデル３を使用して、自然言語処理を適用して、トランザクションテキストから各種属性を抽出する。
【0030】
本実施形態において、属性とは、カード所有者であるユーザの購買行動に関連し、当該ユーザの購買行動を特徴付けることの可能なあらゆる情報をいう。属性抽出部１３により抽出される属性は、トランザクションテキストから直接的に抽出される直接属性と、直接属性から派生した派生属性とを含む。
【0031】
属性出力部１４は、属性抽出部１３から供給される属性を、属性情報データベース４に出力する。属性情報データベース４は、例えば、ＨＤＤ、ＳＳＤ等の不揮発性記憶装置で構成されてよく、或いは、属性情報抽出装置１とネットワークを介して接続されるＮｅｔｗｏｒｋ Ａｔｔａｃｈｅｄ Ｓｔｏｒａｇｅ（ＮＡＳ）に配置されてもよい。
属性出力部１４はまた、属性情報データベース４に蓄積された属性を、表示装置等を介して任意のＧｒａｐｈｉｃ Ｕｓｅｒ Ｉｎｔｅｒｆａｃｅ（ＧＵＩ）上で外部に表示出力してよい。
属性出力部１４はまた、属性情報データベース４に蓄積された属性を、表示装置等を介して任意のＧｒａｐｈｉｃ Ｕｓｅｒ Ｉｎｔｅｒｆａｃｅ（ＧＵＩ）上で外部に表示出力してよい。
【0032】
後処理部１５は、属性情報データベース４に蓄積された属性を任意に加工する後処理を実行する。後処理部１５が属性情報データベース４を参照して実行する後処理は、例えば、ユーザのプロファイリングや店舗のプロファイリングを含んでよいが、その詳細は図９および図１０を参照して後述する。
【0033】
図２は、属性情報抽出装置１の属性抽出部１３がトランザクション情報から抽出する各種属性の一例を説明する概念図である。
図２を参照して、トランザクション情報取得部１１が取得するトランザクション情報は、トランザクション情報取得部１１に入力されるカード利用明細２と同様のエントリーを有し、各エントリーは、カード所有者を識別するユーザＩＤ２１、トランザクションテキスト２２、カード取引の額を示すトランザクション額２３、カード取引の日時を示すトランザクション日時２４の各フィールドを含む。トランザクションテキスト２２は、例えば、カード取引が発生した店舗名、およびカード取引で購入された商品またはサービスの記述を含んでよい。
図２を参照して、トランザクション情報取得部１１が取得するトランザクション情報は、トランザクション情報取得部１１に入力されるカード利用明細２と同様のエントリーを有し、各エントリーは、カード所有者を識別するユーザＩＤ２１、トランザクションテキスト２２、カード取引の額を示すトランザクション額２３、カード取引の日時を示すトランザクション日時２４の各フィールドを含む。トランザクションテキスト２２は、例えば、カード取引が発生した店舗名、およびカード取引で購入された商品またはサービスの記述を含んでよい。
【0034】
本実施形態において、属性情報抽出装置１の属性抽出部１３は、カード利用明細２から、直接属性５および派生属性６を抽出する。属性抽出部１３はさらに、カード利用明細２から、カード取引識別情報７を抽出してよい。
【0035】
直接属性５は、属性抽出部１３が、トランザクションテキスト２２に対して自然言語処理モデル３を使用した自然言語処理を適用することにより、トランザクションテキスト２２から直接的に抽出される属性である。
図２を参照して、直接属性５は、例えば、カード取引が発生した店舗名を示す事業者／ブランド５１、事業者／ブランド５１のカテゴリ５２、事業者／ブランド５１のカテゴリ５２を細分化したサブカテゴリ５３、カード取引が発生した位置ないし場所を示すトランザクション位置５４、トランザクション位置５４が属するステート／国５５、トランザクション位置５４の緯度／経度５６を含む。
図２を参照して、直接属性５は、例えば、カード取引が発生した店舗名を示す事業者／ブランド５１、事業者／ブランド５１のカテゴリ５２、事業者／ブランド５１のカテゴリ５２を細分化したサブカテゴリ５３、カード取引が発生した位置ないし場所を示すトランザクション位置５４、トランザクション位置５４が属するステート／国５５、トランザクション位置５４の緯度／経度５６を含む。
【0036】
派生属性６は、属性抽出部１３が、直接属性５に基づいて、インターネット上のウェブサイトや公開データベース等の外部の情報源から情報を抽出することにより、直接属性５から派生した属性である。
図２を参照して、派生属性６は、例えば、事業者／ブランド５１の支店６１の情報、例えば、支店の所在地、支店の規模等の情報、および、事業者／ブランド５１と競合するコンペティタ６２の情報、例えば、当該コンペティタの所在地、規模、競合する商品やサービス、および競合の程度等の情報を含む。
図２を参照して、派生属性６は、例えば、事業者／ブランド５１の支店６１の情報、例えば、支店の所在地、支店の規模等の情報、および、事業者／ブランド５１と競合するコンペティタ６２の情報、例えば、当該コンペティタの所在地、規模、競合する商品やサービス、および競合の程度等の情報を含む。
【0037】
カード取引識別情報７は、１回のカード取引を識別する情報であり、カード利用明細２のトランザクションテキスト２２以外の各フィールド、ユーザＩＤ２１、トランザクション額２３、およびトランザクション日時２４からそれぞれ取得される。カード取引識別情報７は、例えば、ユーザＩＤ７１、トランザクション額７２、およびトランザクション日時７３を含む。
属性抽出部１３により抽出された直接属性５、派生属性６、およびカード取引識別情報７は、１回のカード取引ごとに対応付けられて、属性情報データベース４に格納される。
属性抽出部１３により抽出された直接属性５、派生属性６、およびカード取引識別情報７は、１回のカード取引ごとに対応付けられて、属性情報データベース４に格納される。
【0038】
本実施形態では、多数の情報源にアクセスすることなく、カード利用明細２、特に、トランザクションテキスト２２に記述される僅かなテキストストリングから、図２に示すような多数種類の属性を、一元的かつ容易に抽出することができる。
属性抽出部１３により実行される属性抽出処理の詳細は、図５を参照して後述する。
属性抽出部１３により実行される属性抽出処理の詳細は、図５を参照して後述する。
【0039】
図３は、属性情報抽出装置１に入力されるカード利用明細２にマルチリンガルで記述されるトランザクションテキストの記述例を示す概念図である。
図３を参照して、日本語トランザクション３１は、３回のカード取引に相当するエントリー３１１～３１３を含み、英語トランザクション３２は、３回のカード取引に相当するエントリー３２１～３２３を含む。
図３を参照して、日本語トランザクション３１は、３回のカード取引に相当するエントリー３１１～３１３を含み、英語トランザクション３２は、３回のカード取引に相当するエントリー３２１～３２３を含む。
【0040】
日本語トランザクション３１のエントリー３１１は、トランザクションテキスト２２「トイストア・ベビーストア横浜い」、トランザクション額２３「￥２，６４３．００」、およびトランザクション日時２４「１５ｔｈ Ａｕｇ」を含む。同様に、日本語トランザクション３１のエントリー３１２は、トランザクションテキスト２２「トイストア・ベビーストア松戸」、トランザクション額２３「￥３，１００．００」、およびトランザクション日時２４「２２ｎｄ Ａｕｇ」を含み、日本語トランザクション３１のエントリー３１３は、トランザクションテキスト２２「ホテル シマ」、トランザクション額２３「￥２０，４００．００」、およびトランザクション日時２４「２５ｔｈ Ａｕｇ」を含む。
一方、英語トランザクション３２のエントリー３２１は、トランザクションテキスト２２「Toys Store, Baby Store Tokorozawa」、トランザクション額２３「￥２，１００．００」、およびトランザクション日時２４「２ｎｄ Ａｕｇ」を含む。同様に、英語トランザクション３２のエントリー３２２は、トランザクションテキスト２２「ABC KOREA SHOE STORE」、トランザクション額２３「￥６，５８９．００」、およびトランザクション日時２４「５ｔｈ Ａｕｇ」を含み、英語トランザクション３２のエントリー３２３は、トランザクションテキスト２２「Burger Waikiki」、トランザクション額２３「￥９５０．００」、およびトランザクション日時２４「２０ｔｈ Ａｕｇ」を含む。
一方、英語トランザクション３２のエントリー３２１は、トランザクションテキスト２２「Toys Store, Baby Store Tokorozawa」、トランザクション額２３「￥２，１００．００」、およびトランザクション日時２４「２ｎｄ Ａｕｇ」を含む。同様に、英語トランザクション３２のエントリー３２２は、トランザクションテキスト２２「ABC KOREA SHOE STORE」、トランザクション額２３「￥６，５８９．００」、およびトランザクション日時２４「５ｔｈ Ａｕｇ」を含み、英語トランザクション３２のエントリー３２３は、トランザクションテキスト２２「Burger Waikiki」、トランザクション額２３「￥９５０．００」、およびトランザクション日時２４「２０ｔｈ Ａｕｇ」を含む。
【0041】
図３のトランザクションテキスト２２から理解されるように、カード利用明細２に記述されるカード取引のテキストストリングは、限られた文字数内で記述されなければならないため、ストリングの末尾が欠けている場合があり、その内容も、略語や、全角、半角、カナ等が混在している場合がある。このため、カード利用明細２に記述されるカード取引のテキストストリングから取得されるトランザクションテキスト２２も、記述されたとおりのテキストを処理すると、直接属性５を抽出する精度が低下しかねず、また、派生属性６を派生させるためのクエリとしても不完全となりかねない。
本実施形態では、複数の自然言語処理モデル３を使用して、トランザクションテキスト２２に対して曖昧テキストマッチング等を含んだ複数の自然言語処理を実行するため、このようなトランザクションテキスト２２の不完全性を適切に補完して、属性抽出の精度を向上させることができる。
本実施形態では、複数の自然言語処理モデル３を使用して、トランザクションテキスト２２に対して曖昧テキストマッチング等を含んだ複数の自然言語処理を実行するため、このようなトランザクションテキスト２２の不完全性を適切に補完して、属性抽出の精度を向上させることができる。
【0042】
＜属性情報抽出装置１が実行する属性抽出処理＞
図４は、本実施形態に係る属性情報抽出装置１が実行する属性抽出処理の概略処理手順の一例を示すフローチャートである。
なお、図４の各ステップは、属性情報抽出装置１のＨＤＤ等の記憶装置に記憶されたプログラムをＣＰＵが読み出し、実行することで実現される。また、図４示すフローチャートの少なくとも一部をＧＰＵなどの他のハードウエアにより実現してもよい。ハードウエアにより実現する場合、例えば、所定のコンパイラを用いることで、各ステップを実現するためのプログラムからＦＰＧＡ（Ｆｉｅｌｄ Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）上に自動的に専用回路を生成すればよい。また、ＦＰＧＡと同様にしてＧａｔｅ Ａｒｒａｙ回路を形成し、ハードウエアとして実現するようにしてもよい。また、ＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）により実現するようにしてもよい。
図４は、本実施形態に係る属性情報抽出装置１が実行する属性抽出処理の概略処理手順の一例を示すフローチャートである。
なお、図４の各ステップは、属性情報抽出装置１のＨＤＤ等の記憶装置に記憶されたプログラムをＣＰＵが読み出し、実行することで実現される。また、図４示すフローチャートの少なくとも一部をＧＰＵなどの他のハードウエアにより実現してもよい。ハードウエアにより実現する場合、例えば、所定のコンパイラを用いることで、各ステップを実現するためのプログラムからＦＰＧＡ（Ｆｉｅｌｄ Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）上に自動的に専用回路を生成すればよい。また、ＦＰＧＡと同様にしてＧａｔｅ Ａｒｒａｙ回路を形成し、ハードウエアとして実現するようにしてもよい。また、ＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）により実現するようにしてもよい。
【0043】
Ｓ１で、属性情報抽出装置１のトランザクション情報取得部１１は、記憶装置に格納されたカード利用明細２から、トランザクション情報を取得する。
ここで取得されるトランザクション情報は、カード利用明細２から抽出された、店舗でのカード取引を特定する情報であり、図２を参照して、カード所有者のユーザＩＤ２１、トランザクションテキスト２２、トランザクション額２３、およびトランザクション日時２４の各フィールドを含む。
ここで取得されるトランザクション情報は、カード利用明細２から抽出された、店舗でのカード取引を特定する情報であり、図２を参照して、カード所有者のユーザＩＤ２１、トランザクションテキスト２２、トランザクション額２３、およびトランザクション日時２４の各フィールドを含む。
【0044】
Ｓ２で、属性情報抽出装置１のトランザクションテキスト分離部１２は、Ｓ１でトランザクション情報取得部１１により取得されたトランザクション情報から、トランザクションテキスト２２を分離する。トランザクションテキスト２２は、属性抽出のためのキーセグメントを含むテキストストリングであり、図２および図３を参照して、通常、カード取引が発生した店舗名、購入商品またはサービスの記述等を含むテキストストリングである。
以下では、テキストストリング中の店舗名（事業者／ブランド５１）をキーセグメントとして特定する例を説明するが、本実施形態はこれに限定されず、店舗名に替えて、商品やサービス名称や他のテキストセグメントをキーセグメントとして特定してもよい。
以下では、テキストストリング中の店舗名（事業者／ブランド５１）をキーセグメントとして特定する例を説明するが、本実施形態はこれに限定されず、店舗名に替えて、商品やサービス名称や他のテキストセグメントをキーセグメントとして特定してもよい。
【0045】
Ｓ３で、属性情報抽出装置１の属性抽出部１３は、Ｓ２で分離されたトランザクションテキスト２２に対して、複数の学習済み自然言語処理モデル３を使用し、自然言語処理を適用して、トランザクションテキスト２２から直接属性５および派生属性６を含む各種属性を抽出する。
本実施形態において、属性抽出部１３は、複数の自然言語処理モデル３を使用して、複数種類の自然言語処理を組み合わせることにより、カード利用明細２に記述された僅かなテキストストリングから、ユーザや店舗のプロファイリングに十分な多数種類の属性を抽出することができる。
属性抽出部１３が実行するこの属性抽出処理の詳細は、図５を参照して後述する。
本実施形態において、属性抽出部１３は、複数の自然言語処理モデル３を使用して、複数種類の自然言語処理を組み合わせることにより、カード利用明細２に記述された僅かなテキストストリングから、ユーザや店舗のプロファイリングに十分な多数種類の属性を抽出することができる。
属性抽出部１３が実行するこの属性抽出処理の詳細は、図５を参照して後述する。
【0046】
Ｓ４で、属性情報抽出装置１の属性出力部１４は、Ｓ３で属性抽出部１３によりトランザクションテキスト２２から抽出された属性を、属性情報データベース４へ出力する。
Ｓ５で、属性情報抽出装置１の後処理部１５は、属性情報データベース４に蓄積された属性を加工して、例えば、ユーザごとのプロファイリングや店舗（事業者／ブランド）ごとのプロファイリング等の任意の後処理を実行する。
Ｓ５で、属性情報抽出装置１の後処理部１５は、属性情報データベース４に蓄積された属性を加工して、例えば、ユーザごとのプロファイリングや店舗（事業者／ブランド）ごとのプロファイリング等の任意の後処理を実行する。
【0047】
＜属性抽出部１３が実行する属性抽出処理の詳細＞
図５は、属性情報抽出装置１の属性抽出部１３が実行する、図４のステップＳ３の自然言語処理の詳細処理手順の一例を示すフローチャートである。
なお、図５に示すＳ３１からＳ３６までの処理は、逐次的に実行させる必要はなく、同時に実行されてよく、その実行順序も任意である。
図５は、属性情報抽出装置１の属性抽出部１３が実行する、図４のステップＳ３の自然言語処理の詳細処理手順の一例を示すフローチャートである。
なお、図５に示すＳ３１からＳ３６までの処理は、逐次的に実行させる必要はなく、同時に実行されてよく、その実行順序も任意である。
【0048】
Ｓ３１で、属性抽出部１３は、トランザクションテキスト２２中のキーセグメントを特定し、特定されたキーセグメントを認識する。
具体的には、属性抽出部１３は、トランザクションテキスト２２に記述される、例えば店舗名をキーセグメントとして特定してよい。店舗名は通常、事業者／ブランド５１の名称の他、図３に示すように、店舗所在地の情報を含む。このため、Ｓ３１で属性抽出部１３は、直接属性５として、事業者／ブランド５１と、トランザクション位置５４の各属性を抽出することができる。
なお、本実施形態でキーセグメントとして特定可能なトランザクションテキスト２２のセグメントは、店舗名に限定されず、例えば、商品またはサービスの名称等、トランザクションテキスト２２の他のセグメントがキーセグメントとして特定されてもよいが、以下では、店舗名がキーセグメントとして特定される例を説明する。
具体的には、属性抽出部１３は、トランザクションテキスト２２に記述される、例えば店舗名をキーセグメントとして特定してよい。店舗名は通常、事業者／ブランド５１の名称の他、図３に示すように、店舗所在地の情報を含む。このため、Ｓ３１で属性抽出部１３は、直接属性５として、事業者／ブランド５１と、トランザクション位置５４の各属性を抽出することができる。
なお、本実施形態でキーセグメントとして特定可能なトランザクションテキスト２２のセグメントは、店舗名に限定されず、例えば、商品またはサービスの名称等、トランザクションテキスト２２の他のセグメントがキーセグメントとして特定されてもよいが、以下では、店舗名がキーセグメントとして特定される例を説明する。
【0049】
Ｓ２でトランザクションテキスト２２が分離されると、Ｓ３１で、属性抽出部１３は、例えば、Ｎａｔｕｒａｌ Ｌａｎｇｕａｇｅ ＴｏｏｌＫｉｔ（ＮＬＴＫ）を使用して、トランザクションテキスト２２中から店舗名、すなわち、事業者／ブランド５１、および場合によってはトランザクション位置５４、を固有表現（ｎａｍｅｄ ｅｎｔｉｔｙ）として特定し、特定された固有表現をキーセグメントとして認識してよい。
【0050】
ＮＬＴＫは、Ｐｙｔｈｏｎ言語で自然言語処理を実行するための自然言語処理ライブラリであり、トランザクションテキスト２２のテキスト分類、トークン化、ステミング（すなわち、語形が変化する単語の語幹でテキストマッチングすること）、品詞タグ付け、テキスト構文解析、形態素解析、意味論的推論等の機能を有する。ＮＬＴＫは言語依存性を有し、それぞれの自然言語の文章を構造化し大規模に集積した、複数の自然言語にそれぞれ対応する複数のコーパスや言語依存アドオンモジュール等へのインタフェースを持つことにより、マルチリンガルに対応することができる。ＮＬＴＫは自然言語処理モデルに実装され、テキスト分類や解析等の教師データを用いて、予め学習されていてよい。
【0051】
Ｓ３２で、属性抽出部１３は、Ｓ３１で認識されたキーセグメントに近似する名称を、曖昧（ｆｕｚｚｙ）テキストマッチングにより検索する。
具体的には、属性抽出部１３は、Ｓ３１で認識されたキーセグメントに意味的に類似するテキストストリング（名称）を、例えば、局所性鋭敏型ハッシュ（Ｌｏｃａｌｌｙ Ｓｅｎｓｉｔｉｖｅ Ｈａｓｈｉｎｇ：ＬＳＨ）アルゴリズムを実装する自然言語処理モデルを用いて検索してよい。ＬＳＨとは、高次元のデータを確率的な処理によって次元圧縮するための手法であり、テキストの類似性の測定に適用することができる。ハッシュの基本的な考え方は、類似したデータが高確率で同じバケットに入るようにデータを整理することである。多くの場合においてこのバケットの数は入力されるデータサンプルの数よりもずっと小さくなる。ＬＳＨを行うためのパラメータ集合をＬＳＨファミリと呼び、ＬＳＨファミリは、距離空間と閾値、近似因子によって定義される。
具体的には、属性抽出部１３は、Ｓ３１で認識されたキーセグメントに意味的に類似するテキストストリング（名称）を、例えば、局所性鋭敏型ハッシュ（Ｌｏｃａｌｌｙ Ｓｅｎｓｉｔｉｖｅ Ｈａｓｈｉｎｇ：ＬＳＨ）アルゴリズムを実装する自然言語処理モデルを用いて検索してよい。ＬＳＨとは、高次元のデータを確率的な処理によって次元圧縮するための手法であり、テキストの類似性の測定に適用することができる。ハッシュの基本的な考え方は、類似したデータが高確率で同じバケットに入るようにデータを整理することである。多くの場合においてこのバケットの数は入力されるデータサンプルの数よりもずっと小さくなる。ＬＳＨを行うためのパラメータ集合をＬＳＨファミリと呼び、ＬＳＨファミリは、距離空間と閾値、近似因子によって定義される。
【0052】
Ｓ３２で使用される自然言語処理モデルは、ＬＳＨファミリのパラメータ集合を予め学習していてよい。例えば、この自然言語処理モデルは、集合同士の類似度を測定するＪａｃｃａｒｄ距離（係数）を用いるＬＳHファミリであるＭｉｎＨａｓｈを実装してよい。Ｊａｃｃａｒｄ距離は、ランダムなハッシュ関数を集合の各ベクトルに適用し、ハッシュ値の最小値が一致する確率により求められる。
【0053】
あるいは、Ｓ３２で使用される自然言語処理モデルは、Ｊａｒｏ距離を用いて２つの文字列の部分的な一致を測定するＪａｒｏ類似性（Ｊａｒｏ Ｓｉｍｉｌａｒｉｔｙ）を実装してよい。Ｊａｒｏ距離は、２つの文字列の間で一致する文字数と転置（ｔｒａｎｓｐｏｓｉｔｉｏｎ）を数値化することで、２つの文字列間の類似性を測定する。
【0054】
属性抽出部１３はさらに、Ｓ３２で、表音解析アルゴリズム（Ｐｈｏｎｅｔｉｃ Ａｌｇｏｒｉｔｈｍ）を実装する自然言語処理モデルを用いて、Ｓ３１で認識されたキーセグメントに音声学的に類似する名称を検索してよい。
表音解析アルゴリズムとしては、例えば、文字列の綴りから発音の近似形を導出するアルゴリズムの１つであるＳｏｕｎｄｅｘを用いることができる。
Ｓ３２で属性抽出部１３は、上記の曖昧テキストマッチングや表音解析で得られた近似する名称を含めて、直接属性５として、事業者／ブランド５１と、トランザクション位置５４の各属性を抽出することができる。
表音解析アルゴリズムとしては、例えば、文字列の綴りから発音の近似形を導出するアルゴリズムの１つであるＳｏｕｎｄｅｘを用いることができる。
Ｓ３２で属性抽出部１３は、上記の曖昧テキストマッチングや表音解析で得られた近似する名称を含めて、直接属性５として、事業者／ブランド５１と、トランザクション位置５４の各属性を抽出することができる。
【0055】
Ｓ３３で、属性抽出部１３は、Ｓ３１で認識されたキーセグメントのカテゴリを、テキスト分類器を用いて予測する。
具体的には、属性抽出部１３は、Ｓ３１で認識されたキーセグメントである店舗名中の、特に事業者／ブランド５１をテキスト分類器に入力して、テキスト分類器に、事業者／ブランド５１のカテゴリを予測させる。或いは、属性抽出部１３は、トランザクションテキスト２２中に記述される商品名やサービス名をテキスト分類器に入力して、事業者／ブランド５１のカテゴリを予測してもよいし、事業者／ブランド５１および商品名やサービス名の双方をテキスト分類器に入力して、カテゴリを予測してもよい。
具体的には、属性抽出部１３は、Ｓ３１で認識されたキーセグメントである店舗名中の、特に事業者／ブランド５１をテキスト分類器に入力して、テキスト分類器に、事業者／ブランド５１のカテゴリを予測させる。或いは、属性抽出部１３は、トランザクションテキスト２２中に記述される商品名やサービス名をテキスト分類器に入力して、事業者／ブランド５１のカテゴリを予測してもよいし、事業者／ブランド５１および商品名やサービス名の双方をテキスト分類器に入力して、カテゴリを予測してもよい。
【0056】
属性抽出部１３は、例えば、ＴｒａｎｓｆｏｒｍｅｒやＢＥＲＴ（Ｂｉｄｉｒｅｃｔｉｏｎａｌ Ｅｎｃｏｄｅｒ Ｒｅｐｒｅｓｅｎｔａｔｉｏｎ ｆｒｏｍ Ｔｒａｎｓｆｏｒｍｅｒｓ）による埋め込みを実装する自然言語処理モデルをテキスト分類器として用いて、事業者／ブランド５１から、当該事業者／ブランド５１のカテゴリを予測してよい。ＢＥＲＴは、Ｔｒａｎｓｆｏｒｍｅｒによる双方向のエンコード表現を用いる事前学習モデルであり、ラベルが付与されていない大量のデータを用いて事前学習させることができる。
【0057】
図６は、属性情報抽出装置１の属性抽出部１３が実行する、トランザクションテキスト２２に記述される事業者／ブランド５１からテキスト分類器によって事業者／ブランド５１の属するカテゴリを予測する処理の一例を説明する概念図である。
【0058】
図６を参照して、トランザクションテキスト２２は、５つのカード取引にそれぞれ相当する、５つのトランザクションテキスト２２のエントリーを有する。各トランザクションテキスト２２は、店舗名（事業者／ブランド５１）のキーセグメントを含む。事業者／ブランド５１の各エントリーを、テキスト分類器８に入力して、テキスト分類器８にカテゴリ５２、およびサブカテゴリ５３を予測させる。１番目のエントリーで例示すると、事業者／ブランド５１「楽天トラベル国内宿泊」は、カテゴリ５２「Ｔｒａｖｅｌ」、およびサブカテゴリ５３「Ｒａｋｕｔｅｎ Ｔｒａｖｅｌ（ｄｏｍｅｓｔｉｃ）」に分類される。２番目以降のエントリーについても同様に、それぞれのカテゴリ５２およびサブカテゴリ５３に分類される。各エントリーについて、信頼度スコア（ｃｏｎｆｉｄｅｎｃｅ）５７は、予測されたカテゴリ５２およびサブカテゴリ５３の予測結果の信頼度を示す。
【0059】
４番目のエントリーのトランザクションテキスト２２「ＡＢＣ チューンズス」からは、事業者／ブランド５１のキーセグメントとして、図５のＳ３１で「チューンズ」が抽出され、この抽出された「チューンズ」が、Ｓ３３で、カテゴリ５２「Ｈｏｂｂｙ＆Ｅｎｔｅｒｔａｉｎｍｅｎｔ」、およびサブカテゴリ５３「Ｄｉｇｉｔａｌ Ｃｏｎｔｅｎｔ」に分類されていることが理解できる。
【0060】
通常、店舗名から、当該店舗が属するカテゴリを特定するには、店舗名に付与された業種コード（Ｍｅｒｃｈａｎｔ Ｃａｔｅｇｏｒｙ Ｃｏｄｅ：ＭＣＣ）を参照する必要がある。これに対して、本実施形態では、自然言語処理モデル３を実装したテキスト分類器８を使用して、トランザクションテキスト２２に含まれる店舗名のキーセグメントからカテゴリ５２およびサブカテゴリ５３を予測するので、事前に店舗名に対してＭＣＣを対応付ける必要がなく、カード利用明細２のカード取引の記述における自由度が制約されることがない。
【0061】
図５に戻り、Ｓ３４で、属性抽出部１３は、Ｓ３１で認識されたキーセグメントに対応する位置情報を特定する。
具体的には、属性抽出部１３は、トランザクションテキスト２２中の店舗名等にカード取引が発生した位置の情報が含まれている場合（例えば、図３のエントリー３１１）には、当該位置の情報を直接属性５のトランザクション位置５４として特定してよい。一方、属性抽出部１３は、トランザクションテキスト２２にカード取引が発生した位置の情報が含まれていない場合には、例えば、ＮＬＴＫによりコーパス等にアクセスすることによって、トランザクションテキスト２２から認識された店舗名から、当該店舗の位置の情報を直接属性５のトランザクション位置５４として導出してよい。
具体的には、属性抽出部１３は、トランザクションテキスト２２中の店舗名等にカード取引が発生した位置の情報が含まれている場合（例えば、図３のエントリー３１１）には、当該位置の情報を直接属性５のトランザクション位置５４として特定してよい。一方、属性抽出部１３は、トランザクションテキスト２２にカード取引が発生した位置の情報が含まれていない場合には、例えば、ＮＬＴＫによりコーパス等にアクセスすることによって、トランザクションテキスト２２から認識された店舗名から、当該店舗の位置の情報を直接属性５のトランザクション位置５４として導出してよい。
【0062】
Ｓ３４で、属性抽出部１３はさらに、直接属性５のトランザクション位置５４に対応するステート（都道府県ないし州）／国５５、および緯度／経度５６の位置情報を特定する。
具体的には、属性抽出部１３は、例えば、ＮＬＴＫを介してコーパスや地図情報等にアクセスすることによって、トランザクション位置５４に対応するステート／国５５、および緯度／経度５６を特定してよい。
具体的には、属性抽出部１３は、例えば、ＮＬＴＫを介してコーパスや地図情報等にアクセスすることによって、トランザクション位置５４に対応するステート／国５５、および緯度／経度５６を特定してよい。
【0063】
S３５で、属性抽出部１３は、Ｓ３１からＳ３４で特定ないし導出された直接属性５を抽出する。図２を参照して、Ｓ３５で抽出される直接属性５は、事業者／ブランド５１、カテゴリ５２、サブカテゴリ５３、トランザクション位置５４、ステート／国５５、および緯度／経度５６を含む。
【0064】
Ｓ３６で、属性抽出部１３は、Ｓ３１で認識されたキーセグメントから派生属性６を生成する。
具体的には、属性抽出部１３は、例えば、インターネット上のＷｅｂサイトから特定の情報を自動抽出するＷｅｂスクレイピングのソフトウエアを使用して、派生属性６を動的に生成してよい。Ｗｅｂスクレイピングは、インターネット上のＷｅｂサイトを巡回するＷｅｂクローラと、ＷｅｂサイトのＨＴＭＬ内から不要な情報を削除して必要な情報を抽出するＷｅｂスクレイパとを有し、巡回先のウェブサイトからリアルタイムで更新されている情報を取得することができる。
具体的には、属性抽出部１３は、例えば、インターネット上のＷｅｂサイトから特定の情報を自動抽出するＷｅｂスクレイピングのソフトウエアを使用して、派生属性６を動的に生成してよい。Ｗｅｂスクレイピングは、インターネット上のＷｅｂサイトを巡回するＷｅｂクローラと、ＷｅｂサイトのＨＴＭＬ内から不要な情報を削除して必要な情報を抽出するＷｅｂスクレイパとを有し、巡回先のウェブサイトからリアルタイムで更新されている情報を取得することができる。
【0065】
Ｓ３６で生成される派生属性６は、図２を参照して、支店６１、およびコンペティタ６２を含む。支店６１は、事業者／ブランド５１の支店の情報であり、例えば、支店の所在地、支店の規模等の情報を含む。コンペティタ６２は、事業者／ブランド５１と競合するコンペティタの情報、例えば、当該コンペティタの所在地、規模、競合する商品やサービス、および競合の程度等の情報を含む。これらの派生属性６は、Ｓ３５で直接属性５として抽出された、事業者／ブランド５１、カテゴリ５２、サブカテゴリ５３、トランザクション位置５４、ステート／国５５、および緯度／経度５６をＷｅｂスクレイピングのクエリに適宜含めることで、対応する情報を外部のＷｅｂサイトから取得することができる。
【0066】
【0067】
図７は、日本語のトランザクションテキスト２２からそれぞれ抽出される直接属性５および派生属性６の一例を説明する概念図である。
図７を参照して、日本語のトランザクションテキスト２２「グリーンライン新静岡店」から、直接属性５と派生属性６とが抽出されている。
直接属性５としては、事業者／ブランド５１「Ｇｒｅｅｎ Ｌｉｎｅ」、カテゴリ５２「Ｃｌｏｔｈｉｎｇ Ｓｔｏｒｅ」、サブカテゴリ５３「Ａｐｐａｒｅｌｓ」、トランザクション位置５４「Ｓｈｉｚｕｏｋａ」、ステート／国５５「Ｊａｐａｎ」、緯度／経度５６「３４．９７５６」、「１３８．３８２７」がそれぞれ抽出されている。
派生属性６としては、支店６１「同一ステート内：１０」、「同一国内：２５」、コンペティタ６２「Ｂｌｕｅ Ｌｉｎｅ」、「Ｒｅｄ Ｌｉｎｅ」、「Ｙｅｌｌｏｗ Ｌｉｎｅ」がそれぞれ抽出されている。
図７を参照して、日本語のトランザクションテキスト２２「グリーンライン新静岡店」から、直接属性５と派生属性６とが抽出されている。
直接属性５としては、事業者／ブランド５１「Ｇｒｅｅｎ Ｌｉｎｅ」、カテゴリ５２「Ｃｌｏｔｈｉｎｇ Ｓｔｏｒｅ」、サブカテゴリ５３「Ａｐｐａｒｅｌｓ」、トランザクション位置５４「Ｓｈｉｚｕｏｋａ」、ステート／国５５「Ｊａｐａｎ」、緯度／経度５６「３４．９７５６」、「１３８．３８２７」がそれぞれ抽出されている。
派生属性６としては、支店６１「同一ステート内：１０」、「同一国内：２５」、コンペティタ６２「Ｂｌｕｅ Ｌｉｎｅ」、「Ｒｅｄ Ｌｉｎｅ」、「Ｙｅｌｌｏｗ Ｌｉｎｅ」がそれぞれ抽出されている。
【0068】
一方、図８は、英語のトランザクションテキスト２２からそれぞれ抽出される直接属性５および派生属性６の一例を説明する概念図である。
図８を参照して、英語のトランザクションテキスト２２「ＤＥＦＧ ｂａｎｇａｌｏｒｅ ８」から、直接属性５と派生属性６が抽出されている。
直接属性５としては、事業者／ブランド５１「ＤＥＦＧ」、カテゴリ５２「ＴｏｙＳｔｏｒｅ」、サブカテゴリ５３「Ｃｈｉｌｄｒｅｎ Ｇａｍｅｓ」、トランザクション位置５４「Ｂａｎｇａｌｏｒｅ」、ステート／国５５「Ｋａｒｎａｔａｋａ」、「Ｉｎｄｉａ」、緯度／経度５６「１２．９７１６」、「７７．５９４６」がそれぞれ抽出されている。
派生属性６としては、支店６１「同一ステート内：１５」、「同一国内：３０」、コンペティタ６２「Ｔｏｙｓ Ｓｔｏｒｅ」、「Ｐｅａｒｌ Ｔｏｙｓ」等がそれぞれ抽出されている。
図８を参照して、英語のトランザクションテキスト２２「ＤＥＦＧ ｂａｎｇａｌｏｒｅ ８」から、直接属性５と派生属性６が抽出されている。
直接属性５としては、事業者／ブランド５１「ＤＥＦＧ」、カテゴリ５２「ＴｏｙＳｔｏｒｅ」、サブカテゴリ５３「Ｃｈｉｌｄｒｅｎ Ｇａｍｅｓ」、トランザクション位置５４「Ｂａｎｇａｌｏｒｅ」、ステート／国５５「Ｋａｒｎａｔａｋａ」、「Ｉｎｄｉａ」、緯度／経度５６「１２．９７１６」、「７７．５９４６」がそれぞれ抽出されている。
派生属性６としては、支店６１「同一ステート内：１５」、「同一国内：３０」、コンペティタ６２「Ｔｏｙｓ Ｓｔｏｒｅ」、「Ｐｅａｒｌ Ｔｏｙｓ」等がそれぞれ抽出されている。
【0069】
なお、図８では、直接属性５は、カード取引識別情報７として、トランザクション情報に含まれるトランザクション額２３フィールドから抽出されたトランザクション額７２「４２０」、およびトランザクション日時２４フィールドから抽出されたトランザクション日時７３「２０ｔｈ Ａｕｇｕｓｔ ２０２２」をそれぞれ含んでいる。
図７および図８から理解されるように本実施形態によれば、僅かなテキストストリングであるトランザクションテキスト２２に、複数の学習済み自然言語処理モデル３を使用した複数の自然言語処理を適用することにより、多数の種類の属性を容易かつ一元的に抽出することができる。
なお、図７および図８では、直接属性５および派生属性６が英語で抽出されているが、本実施形態はこれに限定されない。本実施形態において、属性抽出部１３は、マルチリンガルに対応可能な自然言語処理モデル３を使用しているので、直接属性５および派生属性６はいずれも、トランザクションテキスト２２の記述言語に依存することなく、自然言語処理モデル３が対応可能な任意の言語で出力することができる。
図７および図８から理解されるように本実施形態によれば、僅かなテキストストリングであるトランザクションテキスト２２に、複数の学習済み自然言語処理モデル３を使用した複数の自然言語処理を適用することにより、多数の種類の属性を容易かつ一元的に抽出することができる。
なお、図７および図８では、直接属性５および派生属性６が英語で抽出されているが、本実施形態はこれに限定されない。本実施形態において、属性抽出部１３は、マルチリンガルに対応可能な自然言語処理モデル３を使用しているので、直接属性５および派生属性６はいずれも、トランザクションテキスト２２の記述言語に依存することなく、自然言語処理モデル３が対応可能な任意の言語で出力することができる。
【0070】
＜属性抽出処理のユースケース＞
図９および図１０を参照して、属性情報抽出装置１の後処理部１５が実行するユースケースとしての後処理の一例を説明する。
図９は、属性情報抽出装置１の後処理部１５が実行する、属性情報データベース４に直積された属性情報に基づくユーザのプロファイリング処理の処理結果の表示出力の一例を示す図である。
後処理部１５は、属性情報データベース４に蓄積された、カード所有者である特定のユーザの所定期間に亘る属性を読み出して解析することにより、当該期間中のユーザの購買行動を可視化することができる。
図９および図１０を参照して、属性情報抽出装置１の後処理部１５が実行するユースケースとしての後処理の一例を説明する。
図９は、属性情報抽出装置１の後処理部１５が実行する、属性情報データベース４に直積された属性情報に基づくユーザのプロファイリング処理の処理結果の表示出力の一例を示す図である。
後処理部１５は、属性情報データベース４に蓄積された、カード所有者である特定のユーザの所定期間に亘る属性を読み出して解析することにより、当該期間中のユーザの購買行動を可視化することができる。
【0071】
図９を参照して、トランザクションテキスト２２から抽出された直接属性５のカテゴリ５２およびサブカテゴリ５３に基づいて分類された、所定期間内に当該ユーザがカード取引により実行した購買行動の割合が、トランザクション額７２に応じてパイチャートで示されている。
図９の右上の事業者（Ｍｅｒｃｈａｎｔｓ）タブを選択操作することにより、トランザクションテキスト２２から抽出された直接属性５の事業者／ブランド５１ごとに、トランザクション額７２に応じて購買行動の割合を可視化することもできる。
このように、本実施形態によれば、属性情報データベース４に蓄積された属性情報に基づいてユーザの購買行動をプロファイリングすることで、ユーザの購買行動における傾向や嗜好を詳細に把握することができる。したがって、例えば、当該ユーザに対してより高い訴求力を持つ事業者／ブランドや商品／サービスカテゴリをより優先的にリコメンデーション表示するなどの手法で、広告配信を最適化することができる。
図９の右上の事業者（Ｍｅｒｃｈａｎｔｓ）タブを選択操作することにより、トランザクションテキスト２２から抽出された直接属性５の事業者／ブランド５１ごとに、トランザクション額７２に応じて購買行動の割合を可視化することもできる。
このように、本実施形態によれば、属性情報データベース４に蓄積された属性情報に基づいてユーザの購買行動をプロファイリングすることで、ユーザの購買行動における傾向や嗜好を詳細に把握することができる。したがって、例えば、当該ユーザに対してより高い訴求力を持つ事業者／ブランドや商品／サービスカテゴリをより優先的にリコメンデーション表示するなどの手法で、広告配信を最適化することができる。
【0072】
図１０は、属性情報抽出装置１の後処理部１５が実行する、属性情報に基づく店舗（事業者／ブランド）のプロファイリング処理の処理結果の表示出力の一例を示す図である。
後処理部１５は、属性情報データベース４に蓄積された全ユーザの所定期間に亘る属性を読み出して解析することにより、当該期間中における複数の事業者を評価することができる。
図１０を参照して、トランザクションテキスト２２から抽出された直接属性５の事業者／ブランド５１に基づいて、所定期間内に全ユーザがカード取引により実行した購買行動の事業者ごとの額がそのカード取引回数とともに示されている。
さらに、派生属性６の支店６１やコンペティタ６２を利用して、当該事業者とそのコンペティタとを比較して表示してもよい。
後処理部１５は、属性情報データベース４に蓄積された全ユーザの所定期間に亘る属性を読み出して解析することにより、当該期間中における複数の事業者を評価することができる。
図１０を参照して、トランザクションテキスト２２から抽出された直接属性５の事業者／ブランド５１に基づいて、所定期間内に全ユーザがカード取引により実行した購買行動の事業者ごとの額がそのカード取引回数とともに示されている。
さらに、派生属性６の支店６１やコンペティタ６２を利用して、当該事業者とそのコンペティタとを比較して表示してもよい。
【0073】
このように、本実施形態によれば、属性情報データベース４に蓄積された属性情報に基づいて事業者やブランドをプロファイリングすることで、最もカード取引で利用されている事業者、ブランド、店舗名を容易に特定することができる。したがって、例えば、解析対象クレジットカードのＷｅｂサイトや関連ＥＣサイトなどに、特定されたブランド等をリコメンデーションとして表示することで、当該ブランドに関するコンバージョンレート（ＣＶＲ）の向上が期待できる。
あるいは、特定されたブランド等を、解析対象クレジットカードのＷｅｂサイト上のバナーとして表示してもよく、特定されたブランド等とコラボレーションしたクレジットカードを提供することで、カード利用者の関心を高めてもよい。
あるいは、特定されたブランド等を、解析対象クレジットカードのＷｅｂサイト上のバナーとして表示してもよく、特定されたブランド等とコラボレーションしたクレジットカードを提供することで、カード利用者の関心を高めてもよい。
【0074】
以上説明したように、本実施形態によれば、属性情報抽出装置は、記憶装置に格納されたカード利用明細を読み出して、読み出されたカード利用明細のデータからトランザクション情報を取得し、取得されたカードトランザクション情報からトランザクションテキストを分離する。
属性情報抽出装置はさらに、分離されたトランザクションテキストを、複数の自然言語処理モデルを使用して自然言語処理することにより、トランザクションテキストから対応する複数の属性を抽出し、抽出された複数の属性を属性情報データベースに出力する。出力された属性は、属性情報抽出装置により、例えば、ユーザや店舗のプロファイリング等の各種の後処理に供される。
属性情報抽出装置はさらに、分離されたトランザクションテキストを、複数の自然言語処理モデルを使用して自然言語処理することにより、トランザクションテキストから対応する複数の属性を抽出し、抽出された複数の属性を属性情報データベースに出力する。出力された属性は、属性情報抽出装置により、例えば、ユーザや店舗のプロファイリング等の各種の後処理に供される。
【0075】
これにより、ユーザの購買行動に関連する属性情報を、容易かつ高精度に抽出することができる。したがって、多様なドメインに亘って横断的に、ユーザの購買行動をより的確にプロファイリングすることが可能になる。
【0076】
＜属性情報抽出装置のハードウエア構成＞
図１１は、本実施形態に係る属性情報抽出装置１のハードウエア構成の非限定的一例を示す図である。
本実施形態に係る属性情報抽出装置１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１１を参照して、属性情報抽出装置１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、本実施形態に係る属性情報抽出装置１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１１は、本実施形態に係る属性情報抽出装置１のハードウエア構成の非限定的一例を示す図である。
本実施形態に係る属性情報抽出装置１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１１を参照して、属性情報抽出装置１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、本実施形態に係る属性情報抽出装置１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。
【0077】
図１５に示すように、属性情報抽出装置１は、ＣＰＵ１１１と、ＲＯＭ１１２と、ＲＡＭ１１３と、ＨＤＤ１１４と、入力部１１５と、表示部１１６と、通信Ｉ／Ｆ１１７と、システムバス１１８とを備えてよい。属性情報抽出装置１はまた、外部メモリを備えてよい。
ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）１１１は、属性情報抽出装置１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１１８を介して、各構成部（１１２～１１７）を制御する。なお、ＣＰＵ１１１に替えて、またはこれに加えて、属性情報抽出装置１は、ＧＰＵ（Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）を備え、このＧＰＵにより、自然言語処理モデル３等の事前学習や推論処理を実行してもよい。
ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）１１１は、属性情報抽出装置１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１１８を介して、各構成部（１１２～１１７）を制御する。なお、ＣＰＵ１１１に替えて、またはこれに加えて、属性情報抽出装置１は、ＧＰＵ（Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）を備え、このＧＰＵにより、自然言語処理モデル３等の事前学習や推論処理を実行してもよい。
【0078】
ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）１１２は、ＣＰＵ１１１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）１１４、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）１１３は、揮発性メモリであり、ＣＰＵ１１１の主メモリ、ワークエリア等として機能する。すなわち、ＣＰＵ１１１は、処理の実行に際してＲＯＭ１１２から必要なプログラム等をＲＡＭ１１３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。
ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）１１３は、揮発性メモリであり、ＣＰＵ１１１の主メモリ、ワークエリア等として機能する。すなわち、ＣＰＵ１１１は、処理の実行に際してＲＯＭ１１２から必要なプログラム等をＲＡＭ１１３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。
【0079】
ＨＤＤ１１４は、例えば、ＣＰＵ１１１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、ＨＤＤ１１４には、例えば、ＣＰＵ１１１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１１５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１１６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１１６は、機械学習処理で使用される各種パラメータや、他の装置との通信で使用される通信パラメータ等を属性情報抽出装置１へ指示入力するためのユーザインタフェースであるＧＵＩ（Ｇｒａｐｈｉｃａｌ Ｕｓｅｒ Ｉｎｔｅｒｆａｃｅ）を提供してよい。
入力部１１５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１１６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１１６は、機械学習処理で使用される各種パラメータや、他の装置との通信で使用される通信パラメータ等を属性情報抽出装置１へ指示入力するためのユーザインタフェースであるＧＵＩ（Ｇｒａｐｈｉｃａｌ Ｕｓｅｒ Ｉｎｔｅｒｆａｃｅ）を提供してよい。
【0080】
通信Ｉ／Ｆ１１７は、属性情報抽出装置１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／Ｆ１１７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／Ｆ１１７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／Ｆ１１７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／Ｆ１１７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／Ｆ１１７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／Ｆ１１７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。
【0081】
図１に示す属性情報抽出装置１の各要素のうち少なくとも一部の機能は、ＣＰＵ１１１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１に示す属性情報抽出装置１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エアとして動作するようにしてもよい。この場合、専用のハードウエアは、ＣＰＵ１１１の制御に基づいて動作する。
【0082】
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及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、置換及び変更をなすこともできる。かかる省略、置換及び変更をなした形態は、請求の範囲に記載されたもの及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。
【0083】
（本開示の実施形態）
本開示は以下の実施形態を含む。
［１］店舗での取引を記述するエントリーを含むトランザクション情報を取得するトランザクション情報取得部と、前記トランザクション情報取得部により取得された前記トランザクション情報からトランザクションテキストを分離するテキスト分離部と、前記テキスト分離部により分離された前記トランザクションテキストを複数の自然言語処理モデルに入力して、前記トランザクションテキストに対応する複数の属性をそれぞれ抽出する属性抽出部と、前記属性抽出部により抽出された前記複数の属性を出力する出力部と、を備えることを特徴とする情報処理装置。
本開示は以下の実施形態を含む。
［１］店舗での取引を記述するエントリーを含むトランザクション情報を取得するトランザクション情報取得部と、前記トランザクション情報取得部により取得された前記トランザクション情報からトランザクションテキストを分離するテキスト分離部と、前記テキスト分離部により分離された前記トランザクションテキストを複数の自然言語処理モデルに入力して、前記トランザクションテキストに対応する複数の属性をそれぞれ抽出する属性抽出部と、前記属性抽出部により抽出された前記複数の属性を出力する出力部と、を備えることを特徴とする情報処理装置。
【0084】
［２］前記属性抽出部は、前記トランザクションテキスト中からキーセグメントを特定し、特定された前記キーセグメントから前記複数の属性を抽出することを特徴とする［１］に記載の情報処理装置。
【0085】
［３］前記属性抽出部は、前記トランザクションテキストを、前記複数の自然言語処理モデルのうちの自然言語処理ライブラリを実装する学習済み自然言語処理モデルに処理させることにより、前記キーセグメントを認識することを特徴とする［２］に記載の情報処理装置。
【0086】
［４］前記属性抽出部は、前記複数の自然言語処理モデルのうちのテキスト分類器を実装する学習済み自然言語処理モデルを使用して、特定された前記キーセグメントのカテゴリを予測し、予測されたカテゴリを前記複数の属性の１つとして抽出することを特徴とする［２］または［３］に記載の情報処理装置。
【0087】
［５］前記属性抽出部は、特定された前記キーセグメントをクエリとして外部情報源にアクセスすることにより、前記キーセグメントから派生する派生属性を生成することを特徴とする［２］から［４］のいずれかに記載の情報処理装置。
【0088】
［６］前記属性抽出部は、前記複数の自然言語処理モデルのうちの曖昧テキストマッチングアルゴリズムを実装する学習済み自然言語処理モデルを使用して、特定された前記キーセグメントに意味的に近似するテキストストリングを検索し、検索された前記テキストストリングおよび前記キーセグメントから前記複数の属性を抽出することを特徴とする［２］から［５］のいずれかに記載の情報処理装置。
【0089】
［７］前記属性抽出部は、前記複数の自然言語処理モデルのうちの表音解析アルゴリズムを実装する学習済み自然言語処理モデルを使用して、特定された前記キーセグメントに発音的に近似するテキストストリングを検索し、検索された前記テキストストリングおよび前記キーセグメントから前記複数の属性を導出することを特徴とする［２］から［６］のいずれかに記載の情報処理装置。
【0090】
［８］前記トランザクション情報取得部は、所定期間につき単一の取引明細から、前記トランザクション情報を取得することを特徴とする［１］から［７］のいずれかに記載の情報処理装置。
【0091】
［９］情報処理装置が実行する情報処理方法であって、店舗での取引を記述するエントリーを含むトランザクション情報を取得するステップと、取得された前記トランザクション情報からトランザクションテキストを分離するステップと、分離された前記トランザクションテキストを複数の自然言語処理モデルに入力して、前記トランザクションテキストに対応する複数の属性をそれぞれ抽出するステップと、抽出された前記複数の属性を出力するステップと、を含むことを特徴とする情報処理方法。
【0092】
［１０］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、該プログラムは、前記コンピュータに、店舗での取引を記述するエントリーを含むトランザクション情報を取得するトランザクション情報取得処理と、前記トランザクション情報取得処理により取得された前記トランザクション情報からトランザクションテキストを分離するテキスト分離処理と、前記テキスト分離処理により分離された前記トランザクションテキストを複数の自然言語処理モデルに入力して、前記トランザクションテキストに対応する複数の属性をそれぞれ抽出する属性抽出処理と、前記属性抽出処理により抽出された前記複数の属性を出力する出力処理と、を含む処理を実行させるためのものであることを特徴とする情報処理プログラム。
【符号の説明】
【0093】
１…属性情報抽出装置、２…カード利用明細、３…自然言語処理モデル、４…属性情報データベース、１１…トランザクション情報取得部、１２…トランザクションテキスト分離部、１３…属性抽出部、１４…属性出力部、１５…後処理部、１１１…ＣＰＵ、１１２…ＲＯＭ、１１３…ＲＡＭ、１１４…ＨＤＤ、１１５…入力部、１１６…表示部、１１７…通信Ｉ／Ｆ、１１８…システムバス
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】
【図11】