(19)【発行国】日本国特許庁(JP)
(12)【公報種別】特許公報(B2)
(11)【特許番号】
(24)【登録日】2022-12-12
(45)【発行日】2022-12-20
(54)【発明の名称】情報処理装置、情報処理方法及び情報処理プログラム
(51)【国際特許分類】
H04L 67/00 20220101AFI20221213BHJP
G06N 20/00 20190101ALI20221213BHJP
【ＦＩ】
H04L67/00
G06N20/00
【請求項の数】
20
(21)【出願番号】P 2020146246
(22)【出願日】2020-08-31
(65)【公開番号】P2022041183
(43)【公開日】2022-03-11
【審査請求日】2021-03-17
(73)【特許権者】
【識別番号】319013263
【氏名又は名称】ヤフー株式会社
(74)【代理人】
【識別番号】110002147
【氏名又は名称】弁理士法人酒井国際特許事務所
(72)【発明者】
【氏名】清水 徹
(72)【発明者】
【氏名】坪内 孝太
【審査官】木村 雅也
(56)【参考文献】
【文献】特開２０１５－１３２４４３（ＪＰ，Ａ）
【文献】国際公開第２０２０／００８８７８（ＷＯ，Ａ１）
(58)【調査した分野】(Int.Cl.，ＤＢ名)
Ｈ０４Ｌ ６７／００
Ｇ０６Ｎ ２０／００
(57)【特許請求の範囲】
【請求項1】
位置情報を取得する第１取得部と、センサからセンサデータを取得する第２取得部と、
前記位置情報と前記センサデータとをベクトルに変換する変換部と、
前記ベクトルを送信する送信部と、
を備え、
前記変換部は、複数の前記位置情報と前記センサデータとを一括して単数の前記ベクトルに変換する、
ことを特徴とする情報処理装置。
【請求項2】
前記変換部は、複数の前記位置情報と前記センサデータとを時系列に並べたシーケンスデータを多次元の前記ベクトルに変換する、
ことを特徴とする請求項１に記載の情報処理装置。
【請求項3】
位置情報を取得する第１取得部と、
センサからセンサデータを取得する第２取得部と、
前記位置情報と前記センサデータとをベクトルに変換する変換部と、
前記ベクトルを送信する送信部と、
を備え、
前記変換部は、複数の前記位置情報と前記センサデータとを時系列に並べたシーケンスデータを多次元の前記ベクトルに変換する、
ことを特徴とする情報処理装置。
【請求項4】
前記位置情報と前記センサデータとに基づいて、将来の前記位置情報と前記センサデータとを予測する予測部と、
をさらに備えることを特徴とする請求項１～３のうちいずれか１つに記載の情報処理装置。
【請求項5】
位置情報を取得する第１取得部と、
センサからセンサデータを取得する第２取得部と、
前記位置情報と前記センサデータとに基づいて、将来の前記位置情報と前記センサデータとを予測する予測部と、
前記位置情報と前記センサデータとをベクトルに変換する変換部と、
前記ベクトルを送信する送信部と、
を備えることを特徴とする情報処理装置。
【請求項6】
前記予測部は、機械学習により得られた予測モデルを用いて、将来の前記位置情報と前記センサデータとを予測する、
ことを特徴とする請求項４又は５に記載の情報処理装置。
【請求項7】
前記変換部は、複数の前記位置情報のうち、一部の前記位置情報と前記センサデータとをベクトルに変換し、
前記送信部は、一部の前記位置情報と前記センサデータとから変換された前記ベクトルと、残りの前記位置情報とを送信する、
ことを特徴とする請求項１～６のうちいずれか１つに記載の情報処理装置。
【請求項8】
位置情報を取得する第１取得部と、
センサからセンサデータを取得する第２取得部と、
前記位置情報と前記センサデータとをベクトルに変換する変換部と、
前記ベクトルを送信する送信部と、
を備え、
前記変換部は、複数の前記位置情報のうち、一部の前記位置情報と前記センサデータとをベクトルに変換し、
前記送信部は、一部の前記位置情報と前記センサデータとから変換された前記ベクトルと、残りの前記位置情報とを送信する、
ことを特徴とする情報処理装置。
【請求項9】
前記センサデータは、環境音、加速度、気圧のうち少なくとも１つを含む、ことを特徴とする請求項１～８のうちいずれか１つに記載の情報処理装置。
【請求項10】
前記変換部は、機械学習により得られたベクトル変換モデルを用いて、前記位置情報と前記センサデータとを前記ベクトルに変換する、ことを特徴とする請求項１～９のうちいずれか１つに記載の情報処理装置。
【請求項11】
前記変換部は、所定の変換規則に従って、前記位置情報と前記センサデータとを前記ベクトルに変換する、ことを特徴とする請求項１～１０のうちいずれか１つに記載の情報処理装置。
【請求項12】
前記ベクトルは、ユーザの行動を示す、ことを特徴とする請求項１～１１のうちいずれか１つに記載の情報処理装置。
【請求項13】
情報処理装置が実行する情報処理方法であって、位置情報を取得する第１取得工程と、
センサからセンサデータを取得する第２取得工程と、
前記位置情報と前記センサデータとをベクトルに変換する変換工程と、
前記ベクトルを送信する送信工程と、
を含み、
前記変換工程では、複数の前記位置情報と前記センサデータとを一括して単数の前記ベクトルに変換する、
ことを特徴とする情報処理方法。
【請求項14】
位置情報を取得する第１取得手順と、センサからセンサデータを取得する第２取得手順と、
前記位置情報と前記センサデータとをベクトルに変換する変換手順と、
前記ベクトルを送信する送信手順と、
をコンピュータに実行させ、
前記変換手順では、複数の前記位置情報と前記センサデータとを一括して単数の前記ベクトルに変換する、
ことを特徴とする情報処理プログラム。
【請求項15】
情報処理装置が実行する情報処理方法であって、
位置情報を取得する第１取得工程と、
センサからセンサデータを取得する第２取得工程と、
前記位置情報と前記センサデータとをベクトルに変換する変換工程と、
前記ベクトルを送信する送信工程と、
を含み、
前記変換工程では、複数の前記位置情報と前記センサデータとを時系列に並べたシーケンスデータを多次元の前記ベクトルに変換する、
ことを特徴とする情報処理方法。
【請求項16】
位置情報を取得する第１取得手順と、
センサからセンサデータを取得する第２取得手順と、
前記位置情報と前記センサデータとをベクトルに変換する変換手順と、
前記ベクトルを送信する送信手順と、
をコンピュータに実行させ、
前記変換手順では、複数の前記位置情報と前記センサデータとを時系列に並べたシーケンスデータを多次元の前記ベクトルに変換する、
ことを特徴とする情報処理プログラム。
【請求項17】
情報処理装置が実行する情報処理方法であって、
位置情報を取得する第１取得工程と、
センサからセンサデータを取得する第２取得工程と、
前記位置情報と前記センサデータとに基づいて、将来の前記位置情報と前記センサデータとを予測する予測工程と、
前記位置情報と前記センサデータとをベクトルに変換する変換工程と、
前記ベクトルを送信する送信工程と、
を含むことを特徴とする情報処理方法。
【請求項18】
位置情報を取得する第１取得手順と、
センサからセンサデータを取得する第２取得手順と、
前記位置情報と前記センサデータとに基づいて、将来の前記位置情報と前記センサデータとを予測する予測手順と、
前記位置情報と前記センサデータとをベクトルに変換する変換手順と、
前記ベクトルを送信する送信手順と、
をコンピュータに実行させることを特徴とする情報処理プログラム。
【請求項19】
情報処理装置が実行する情報処理方法であって、
位置情報を取得する第１取得工程と、
センサからセンサデータを取得する第２取得工程と、
前記位置情報と前記センサデータとをベクトルに変換する変換工程と、
前記ベクトルを送信する送信工程と、
を含み、
前記変換工程では、複数の前記位置情報のうち、一部の前記位置情報と前記センサデータとをベクトルに変換し、
前記送信工程では、一部の前記位置情報と前記センサデータとから変換された前記ベクトルと、残りの前記位置情報とを送信する、
ことを特徴とする情報処理方法。
【請求項20】
位置情報を取得する第１取得手順と、
センサからセンサデータを取得する第２取得手順と、
前記位置情報と前記センサデータとをベクトルに変換する変換手順と、
前記ベクトルを送信する送信手順と、
をコンピュータに実行させ、
前記変換手順では、複数の前記位置情報のうち、一部の前記位置情報と前記センサデータとをベクトルに変換し、
前記送信手順では、一部の前記位置情報と前記センサデータとから変換された前記ベクトルと、残りの前記位置情報とを送信する、
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、情報処理方法及び情報処理プログラムに関する。
【背景技術】
【0002】
通信装置の位置情報を低消費電力で送信する技術が開示されている。
【先行技術文献】
【特許文献】
【0003】
【文献】特開２０２０－０４２６８１号公報
【発明の概要】
【発明が解決しようとする課題】
【0004】
しかしながら、上記の従来技術では、手動運転車両が、低消費電力広域無線通信（ＬＰＷＡ：Low Power Wide Area）により、現在位置の情報を含む通信装置情報を、通信相手に対して、予め定められた送信間隔を開けて順次送信しているに過ぎない。通常、通信装置が位置情報を取得するだけではさほど電力を消費しないが、通信装置が外部に位置情報を送信する際（特に高速で移動中の場合）には多大な電力を消費する。例え送信一回当たりの消費電力量を小さくしても、繰り返し位置情報を送信する場合、件数に応じて消費電力量は大きくなってしまう。上記の従来技術で例示されているような手動運転車両であれば電源容量に不足はないかもしれないが、スマートフォン等の端末装置（ハンドヘルドデバイス）であれば電源容量は十分であるとは言い難い。
【0005】
また、近年は、個人情報保護の観点から、スマートフォン等の端末装置の仕様により、個人の端末装置の位置情報を外部に送信することに対して制約が厳しくなる傾向にあり、事業者が個人の端末装置の位置情報を逐一取得することが著しく困難になっている。例えば、個人の端末装置の位置情報の利用の許可について、「常に許可」する設定が選択肢からなくなりつつある。また、ＯＳ（Operating System）側の制御によりアプリケーションがバックグラウンドで稼働している際には位置情報を送信できないという問題がある。
【0006】
また、近年製造されたスマートフォン等の端末装置においては、位置情報のみならず、環境音、加速度、気圧等のセンサデータも取得することができる。これらのセンサデータを取得することで、ユーザ環境の推定が容易になり、よりユーザに適したサービスの提供が可能になる。しかし、これらのセンサデータについても、個人情報保護法等の関係で、事業者側で取得できないという課題がある。
【0007】
本願は、上記に鑑みてなされたものであって、位置情報とセンサデータとをエンベディングして送信することを目的とする。
【課題を解決するための手段】
【0008】
本願に係る情報処理装置は、位置情報を取得する第１取得部と、センサからセンサデータを取得する第２取得部と、前記位置情報と前記センサデータとをベクトルに変換する変換部と、前記ベクトルを送信する送信部と、を備え、前記変換部は、複数の前記位置情報と前記センサデータとを一括して単数の前記ベクトルに変換することを特徴とする。
【発明の効果】
【0009】
実施形態の一態様によれば、位置情報とセンサデータとをエンベディングして送信することができる。
【図面の簡単な説明】
【0010】
【発明を実施するための形態】
【0011】
以下に、本願に係る情報処理装置、情報処理方法及び情報処理プログラムを実施するための形態（以下、「実施形態」と記載する）について図面を参照しつつ詳細に説明する。なお、この実施形態により本願に係る情報処理装置、情報処理方法及び情報処理プログラムが限定されるものではない。また、以下の実施形態において同一の部位には同一の符号を付し、重複する説明は省略される。
【0012】
〔１．情報処理方法の概要〕
まず、図１を参照し、実施形態に係る情報処理装置が行う情報処理方法の概要について説明する。図１は、実施形態に係る情報処理方法の概要を示す説明図である。なお、図１では、端末装置が位置情報とセンサデータとをエンベディングして送信する場合を例に挙げて説明する。
まず、図１を参照し、実施形態に係る情報処理装置が行う情報処理方法の概要について説明する。図１は、実施形態に係る情報処理方法の概要を示す説明図である。なお、図１では、端末装置が位置情報とセンサデータとをエンベディングして送信する場合を例に挙げて説明する。
【0013】
図１に示すように、情報処理システム１は、端末装置１０と情報提供装置１００とを含む。端末装置１０と情報提供装置１００とは、それぞれネットワークＮ（図３参照）を介して有線又は無線で互いに通信可能に接続される。
【0014】
端末装置１０は、ユーザＵ（利用者）により利用されるスマートフォンやタブレット等のスマートデバイスであり、４Ｇ（Generation）やＬＴＥ（Long Term Evolution）等の無線通信網を介して任意のサーバ装置と通信を行うことができる携帯端末装置である。また、端末装置１０は、液晶ディスプレイ等の画面であって、タッチパネルの機能を有する画面を有し、ユーザから指やスタイラス等によりタップ操作、スライド操作、スクロール操作等、コンテンツ等の表示データに対する各種の操作を受付ける。なお、画面のうち、コンテンツが表示されている領域上で行われた操作を、コンテンツに対する操作としてもよい。また、端末装置１０は、スマートデバイスのみならず、デスクトップＰＣ（Personal Computer）やノートＰＣ等の情報処理装置であってもよい。
【0015】
ここでは、端末装置１０は、自身の位置情報とセンサデータを取得し、取得した位置情報とセンサデータとをベクトルに変換（ベクトル化）する。すなわち、端末装置１０は、いわゆるエンベディング（embedding：埋め込み）を行い、位置情報とセンサデータとに基づくエンベディングベクトル（埋め込みベクトル）を生成する。そして、端末装置１０は、位置情報とセンサデータとに基づくエンベディングベクトルを、情報提供装置１００に送信する。センサデータは、例えば、環境音、加速度、気圧等である。
【0016】
情報提供装置１００は、端末装置１０から位置情報とセンサデータとに基づくエンベディングベクトルを受信し、位置情報とセンサデータとに基づくエンベディングベクトルに基づいて、ユーザＵの行動（所在、振る舞い、移動等）を解析する情報処理装置であり、サーバ装置やクラウドシステム等により実現される。
【0017】
〔１－１．位置情報をベクトルに変換する利点〕
まず、位置情報をベクトルに変換する利点について説明する。
まず、位置情報をベクトルに変換する利点について説明する。
【0018】
従来、端末装置１０は、情報提供装置１００に対して位置情報を送信していたが、このとき、端末装置１０は、ユーザＵのプライバシー配慮やデータ通信量の削減のため、位置情報の端数処理（丸め処理）を行い、位置情報を丸めて精度の粗い位置情報に変換してから送信していた。例えば、位置情報がＧＰＳ（Global Positioning System）座標の緯度経度情報である場合、緯度と経度の１０進角度での小数点第２位以下の値の切り上げ又は切り捨て（四捨五入でも可）を行い、大まかな値の位置情報に変換していた。
【0019】
この場合、情報提供装置１００は、位置情報に基づいてユーザＵの行動を推定しようとしたとき、丸めた位置情報は大まかな値であるため、地域や大規模施設等のエリア単位の広い場所は特定できても、隣接する小規模な建物や部屋等の狭い場所（及び／又は屋内外の違い）を特定できないことがあった。そのため、ユーザＵの大まかな行動については推定可能であるが、ユーザＵの詳細な行動については推定できないこともあった。例えば、ユーザＵの丸めた位置情報が示す場所の範囲内に小規模な建物Ａと建物Ｂ（例えばコンビニエンスストアとファストフード店等）が隣接して建っている場合、ユーザＵが建物Ａと建物Ｂのどちらにいるのか、あるいは建物（又は敷地）の内側と外側のどちらにいるのかを、位置情報から特定できないこともあった。情報提供装置１００（サーバ側）が本当に知りたいのは、ユーザＵの位置情報それ自体ではなく、位置情報が示すユーザＵの行動（すなわち、ユーザＵのコンテキスト）である。
【0020】
今回、端末装置１０は、自身の位置情報をベクトルに変換（ベクトル化）するに際して、端数処理（丸め処理）を行う前の位置情報の生データをベクトルに変換する。したがって、端末装置１０は、隣接する小規模な建物や部屋等の狭い場所（及び／又は屋内外の違い）を特定した上で、エンベディングベクトルを生成することができる。そのため、情報提供装置１００は、エンベディングベクトルに基づいて、ユーザＵの詳細な行動を知ることができる。すなわち、情報提供装置１００は、端末装置１０から、従来の丸めた位置情報を受信するよりも、ユーザＵの行動に関する具体的かつ詳細な情報を取得することができる。また、エンベディングベクトルのベクトル値及びそれが意味する内容を定義するのは情報提供装置１００（サーバ側）であるため、第三者がエンベディングベクトルのベクトル値だけを見ても、そのベクトル値が何を意味しているのか理解できないので、安全である。
【0021】
〔１－２．位置情報とセンサデータとをエンベディングして送信する情報処理方法の概要〕
次に、図１を参照して、位置情報とセンサデータとをエンベディングして送信する情報処理方法の概要について説明する。
次に、図１を参照して、位置情報とセンサデータとをエンベディングして送信する情報処理方法の概要について説明する。
【0022】
図１に示すように、ユーザＵの端末装置１０は、自身の位置情報を取得する（ステップＳ１）。
【0023】
そして、端末装置１０は、位置情報とともに、センサデータを取得する（ステップＳ２）。
【0024】
そして、端末装置１０は、位置情報とセンサデータとの組を生成する（ステップＳ３）。
【0025】
そして、端末装置１０は、位置情報とセンサデータとの組に対してエンベディングを行い、複数の位置情報とセンサデータとの組を１つのベクトルに変換（ベクトル化）し、位置情報とセンサデータとに基づくエンベディングベクトル（埋め込みベクトル）を生成する（ステップＳ４）。
【0026】
そして、端末装置１０は、位置情報とセンサデータとに基づくエンベディングベクトルを情報提供装置１００に送信する（ステップＳ５）。
【0027】
そして、情報提供装置１００は、端末装置１０から、位置情報とセンサデータとに基づくエンベディングベクトルを受信する（ステップＳ６）。
【0028】
そして、情報提供装置１００は、端末装置１０から受信したエンベディングベクトルに基づいて、ユーザＵの行動（所在、振る舞い、移動等）を解析する（ステップＳ７）。
【0029】
〔１－３．実施例１〕
次に、上記の位置情報をエンベディングして送信する情報処理方法の実施例１について説明する。
次に、上記の位置情報をエンベディングして送信する情報処理方法の実施例１について説明する。
【0030】
例えば、ステップＳ１において、各地域に所在する複数のユーザＵの各々が所持する端末装置１０は、ＧＮＳＳ（Global Navigation Satellite System：全球測位衛星システム）や屋内測位技術等の位置測位技術を用いて、それぞれ自身の位置情報を取得する。このとき、端末装置１０は、自身の位置情報と共に、その位置情報を取得した時刻を示す時刻情報を取得する。
【0031】
同時に、ステップＳ２において、端末装置１０は、位置情報とともに、自身に搭載又は接続されたセンサ類を用いて、環境音、加速度、気圧等のセンサデータを取得する。
【0032】
なお、接続は、有線接続、無線接続を問わない。例えば、センサ類は、ウェアラブルデバイスやワイヤレスデバイス等、端末装置１０以外の検知装置であってもよい。
【0033】
このように、位置情報に加えて、センサデータを取得することで、ユーザ環境（ユーザＵのコンテキスト等）の推定の精度が向上する。例えば、ユーザＵの環境音、加速度、気圧等のセンサデータが、位置情報やユーザ環境の裏付けとなる。また、同じ位置におけるユーザ環境の変化（環境音、加速度、気圧等の変化）等を認識することができる。
【0034】
このとき、端末装置１０は、取得した位置情報を位置履歴（例えば、ロケーション履歴、行動履歴等）として蓄積する。また、端末装置１０は、取得した各種センサデータを種別ごとに蓄積する。なお、端末装置１０は、取得した時刻又は時間帯ごとに、位置情報とセンサデータとを紐づけして蓄積してもよい。
【0035】
続いて、ステップＳ３において、端末装置１０は、同時刻又は同じ時間帯の位置情報とセンサデータとの組を生成し、位置情報とセンサデータとの組を時系列に並べたシーケンスデータ（時系列データ）を生成する。
【0036】
続いて、ステップＳ４において、端末装置１０は、位置情報とセンサデータとの組を時系列に並べたシーケンスデータに基づいて、エンベディングベクトルを生成する。ここでは、端末装置１０は、シーケンスデータをデータセットとし、ニューラルネットワークによる機械学習の手法等を用いて、シーケンスデータを多次元からなる実数値ベクトルへと変換する。このとき、端末装置１０は、例えばＲＮＮ（Recurrent Neural Network）やＬＳＴＭ（Long short-term memory）等を用いた機械学習を経て構築されるベクトル変換モデルにシーケンスデータを入力し、出力としてエンベディングベクトルを取得する。端末装置１０は、情報提供装置１００から、ベクトル変換モデルの提供を受けてもよい。
【0037】
なお、ＲＮＮやＬＳＴＭは、アテンション（Attention）の仕組みに基づくニューラルネットワークであってもよい。アテンションは、文章のような前後の並びが重要なデータを扱うことができる。また、端末装置１０は、同様の自然言語処理モデルを用いてもよい。このようなモデルを用いて、シーケンスデータからエンベディングベクトルを生成することにより、より情報の順序に重点を置いたエンベディングベクトルの生成を実現することができる。
【0038】
あるいは、端末装置１０は、所定の変換規則（ルール）に従って（ルールベースで）、シーケンスデータをエンベディングベクトルに変換してもよい。
【0039】
但し、シーケンスデータは一例に過ぎない。実際には、例えば位置情報の生データをそのまま時系列に沿って順番にモデルに入力してもよい。
【0040】
ここでは、端末装置１０が上記のベクトル変換モデルや所定の変換規則等に従って位置情報とセンサデータとの組のデータを元にエンベディングすると、出力される値がベクトル表現になる。これらの出力されたベクトルを時系列に並べると、ユーザの移動経路が示される。例えば、具体的な緯度経度は不明であるが、ベクトル空間上のＡ点からＢ点へ移動したこと等が示される。すなわち、端末装置１０が位置情報とセンサデータとの組を使ってエンベディングした結果（出力された値）が、エンベディングベクトルである。このエンベディングベクトルは、ユーザの行動を示す値（コンテキストを示す値）である。
【0041】
なお、端末装置１０がエンベディングを行うタイミングについては任意である。例えば、端末装置１０から情報提供装置１００への位置情報の送信が許可されているタイミングで、蓄積された位置情報をエンベディングしてもよい。また、アプリケーション（アプリ）の起動時から位置情報の蓄積を開始し、当該アプリの使用を終了したタイミングで、蓄積された位置情報をエンベディングしてもよい。また、蓄積された位置情報が所定の件数（例えば１００件）に達した時に、蓄積された位置情報をエンベディングしてもよい。あるいは、それまで滞在していた場所から移動した時（位置情報が大きく変化した時）に、蓄積された位置情報をエンベディングしてもよい。
【0042】
続いて、ステップＳ５において、端末装置１０は、ネットワークＮ（図３参照）を介して、位置情報とセンサデータとの組に基づくエンベディングベクトルを情報提供装置１００に送信する。
【0043】
なお、端末装置１０が位置情報とセンサデータとの組に基づくエンベディングベクトルを情報提供装置１００に送信するタイミングは任意である。例えば、端末装置１０から情報提供装置１００への位置情報の送信が許可されているタイミングであってもよい。また、アプリケーション（アプリ）の起動時や使用中、所定の時刻、所定の周期（２時間ごと等）等であってもよい。また、情報提供装置１００側から端末装置１０に対して位置情報とセンサデータとの組に基づくエンベディングベクトルの送信を要求してもよい。
【0044】
また、端末装置１０から情報提供装置１００への位置情報の送信が許可されているタイミングである場合、端末装置１０は、位置情報とセンサデータとの組に基づくエンベディングベクトルと共に、その時点での自身の位置情報を情報提供装置１００に送信してもよい。すなわち、端末装置１０は、位置情報とセンサデータとの組に基づくエンベディングベクトルと自身の位置情報との組を、情報提供装置１００に送信してもよい。
【0045】
続いて、ステップＳ６において、情報提供装置１００は、各地域に所在する複数のユーザＵの各々が所持する端末装置１０から、ネットワークＮを介して、それぞれの位置情報とセンサデータとの組に基づくエンベディングベクトルを受信する。
【0046】
続いて、ステップＳ７において、情報提供装置１００は、エンベディングベクトルを特定空間に配置する。情報提供装置１００は、エンベディングベクトルを特定空間に配置することで、ユーザＵ自身の行動の類似性や変化、及び／又はユーザＵと他のユーザとの行動の類似性や相違性を明確に把握することができる。例えば、端末装置１０は、位置情報（緯度経度等）とセンサデータとの組に対してエンベディングを行うので、同じ位置にいる場合は同じ値のエンベディングベクトルを生成する。情報提供装置１００は、同じ値のエンベディングベクトルを特定空間上の同じ位置に配置する。
【0047】
この場合、情報提供装置１００は、地図上の位置（緯度経度等）とはマッピング（関連付け）されていないので、具体的な位置の特定はできないが、ユーザＵがこの時間帯にＡ地点からＢ地点に移動し、その後Ｃ地点に移動して再びＡ地点に戻った等のユーザＵの特定の行動を確認することが可能になる。また、情報提供装置１００は、位置情報を用いずに、ユーザＵの移動の事実を確認することができる。
【0048】
以上のように、本実施形態では、ユーザの位置情報やセンサデータを送信する際には、端末装置が取得した位置情報やセンサデータをそのまま受信側（サーバ側）に送信するのではなく、位置情報やセンサデータをエンベディングしてから受信側に送信する。エンベディングされた情報は、受信側での復元が困難なため、正確な位置情報やセンサデータの特定が困難になり個人情報の問題は解決される。すなわち、単に情報量が少なくなるだけではなく、端末側が検知した生データ（位置情報やセンサデータそのもの）をサーバ側が復元できないので、セキュア（secure：安全）である。また、エンベディングにより、位置情報やセンサデータの塊を、ユーザがとった特定の行動（出勤、買物、鉄道移動等）を示すベクトルに変換して送信することで、個々の位置情報やセンサデータを逐一送信する必要がなくなり、電池消費の課題も解決される。
【0049】
さらに、本実施形態では、環境音、加速度、加速度、気圧等の情報を位置情報と組み合わせてエンベディングして送信することで、大幅にデータ量を削減することができる。これらの情報を生データで送信すると大容量になるが、エンベディングすることで１つのベクトルとして送信することができる。
【0050】
〔１－４．実施例２〕
次に、上記の位置情報をエンベディングして送信する情報処理方法の実施例２について説明する。
次に、上記の位置情報をエンベディングして送信する情報処理方法の実施例２について説明する。
【0051】
例えば、ステップＳ５において、端末装置１０は、位置情報とセンサデータとの組に基づくエンベディングベクトルと共に、若干の自身の位置情報を情報提供装置１００に送信してもよい。すなわち、端末装置１０は、位置情報とセンサデータとの組に基づくエンベディングベクトルと、自身の位置情報との組を、情報提供装置１００に送信してもよい。
【0052】
例えば、位置情報の送信に制約が課せられていなかった時（自由に位置情報が送信できていた時）には、端末側は「常に許可」の場合には１日で平均１７点程度の位置情報をサーバ側に送信していたが、最近では制約が厳しくなり、端末側は３点程度の位置情報しかサーバ側に送信しないようになっている。そこで、端末装置１０は、例えば１７点の位置情報のうち１４点の位置情報をベクトル化したエンベディングベクトルを生成し、残りの３点の位置情報とともにサーバ側に送信するようにしてもよい。すなわち、端末装置１０は、一部の位置情報をセンサデータとともにベクトル化したエンベディング情報と、残りの位置情報それ自体とを送信するようにしてもよい。なお、残りの位置情報は、端末側が送信可能な数の位置情報である。また、端末装置１０は、残りの位置情報ととともに、組となるセンサデータを送信してもよい。
【0053】
エンベディングベクトルは、ユーザＵの行動を示すものであるが、ユーザＵの具体的な位置を示すものではない。そのため、情報提供装置１００（サーバ側）では、ユーザＵの行動がどの辺りの地域で行われたのかは知ることができない。そこで、エンベディングベクトルと、丸めた位置情報とを組み合わせることで、情報提供装置１００（サーバ側）で、ユーザＵの行動がどの辺りの地域で行われたのか、大体の場所を知ることができる。例えば、エンベディングベクトルは、「ユーザＵが昼食（ランチ）をとった」ことを示すことはできるが、ユーザＵが「どの辺りの地域で」昼食をとったかは示していない。これに大まかな場所（例えば、○○区△△町）を示す丸めた位置情報が加わることで、ユーザＵが昼食をとった大体の場所を知ることができる。
【0054】
また、上記の実施例１と組み合わせて実施してもよい。例えば、ステップＳ７において、情報提供装置１００は、エンベディングベクトルを特定空間に配置する際に、特定空間と地図とをマッピングするために３点の位置情報を使うことで、上記特定空間の位置と地図上の位置（緯度経度等）とをマッピングすることができる。これにより、情報提供装置１００は、完全ではないが、ある程度の場所を推定することが可能である。
【0055】
また、端末装置１０は、位置情報（緯度経度等）に対してエンベディングを行うので、同じ位置にいる場合は同じ値のエンベディングベクトルを生成する。したがって、情報提供装置１００は、同じ値のエンベディングベクトルに基づいて、ユーザＵが同じ場所に滞在していることを推定することも可能である。これにより、情報提供装置１００は、具体的な位置を特定しなくても、ユーザＵが日常的に夜間に同じ場所に長時間滞在している場合には「自宅にいる」、日常的に日中に夜間と異なる場所に長時間滞在している場合には「職場にいる」と推定することも可能である。
【0056】
〔１－５．実施例３〕
次に、上記の位置情報をエンベディングして送信する情報処理方法の実施例３について説明する。
次に、上記の位置情報をエンベディングして送信する情報処理方法の実施例３について説明する。
【0057】
例えば、ステップＳ３において、端末装置１０は、位置情報とセンサデータとの組を時系列に並べたシーケンスデータに基づいて、２以上の位置情報とセンサデータとの組により表されるユーザＵの行動（ユーザのコンテキスト）をベクトル値で示したエンベディングベクトルを生成してもよい。
【0058】
例えば、端末装置１０は、例えばＲＮＮやＬＳＴＭ等を用いた機械学習を経て生成されるベクトル変換モデルにシーケンスデータを入力し、出力としてエンベディングベクトルを取得する。このとき、ＲＮＮやＬＳＴＭは、同じデータであっても、入れる順番で出力が変わる。例えば、「位置１」→「位置２」→「位置３」の順で移動していたら「出勤した」（往路）と出力し、「位置３」→「位置２」→「位置１」の順で移動していたら「帰宅した」（復路）と出力する。このような情報の時系列に応じた情報を提供するモデルを用いることで、位置情報の変遷が有する特徴に基づいたエンベディングベクトルを生成することができる。
【0059】
このように、シーケンスデータからＬＳＴＭを用いてエンベディングベクトルを生成した場合、シーケンスデータが示すユーザＵの行動（ユーザＵのコンテキスト）からユーザが所定の行動を行ったか否かを示すエンベディングベクトルを生成することができる。例えば、端末装置１０は、ユーザＵが自宅のあるエリアから職場のあるエリアまで移動していた旨を、位置情報とセンサデータとの組のシーケンスデータが示す場合は、「出勤した」という行動と対応する要素が所定値を取るエンベディングベクトルを生成することができる。
【0060】
なお、ＲＮＮやＬＳＴＭは、アテンション（Attention）の仕組みに基づくニューラルネットワークであってもよい。また、端末装置１０は、同様の自然言語処理モデルを用いてもよい。
【0061】
あるいは、端末装置１０は、所定の変換規則（ルール）に従って、シーケンスデータをエンベディングベクトルに変換してもよい。例えば、端末装置１０は、最初に取得された位置情報＃１がユーザＵの自宅から所定の範囲内であり、次に取得された位置情報＃２が駅から所定の範囲内であり、最後に取得された位置情報＃３が勤務先から所定の範囲内である場合は、「出勤した」という行動と対応する要素が所定値を取るエンベディングベクトルを生成してもよい。
【0062】
但し、シーケンスデータは一例に過ぎない。実際には、例えば位置情報の生データをそのまま時系列に沿って順番にモデルに入力してもよい。
【0063】
また、端末装置１０は、例えば３０分間に取得した位置情報に大きな変化が見られない場合、その３０分間に取得した位置情報の平均値や中央値等を求め、これをその３０分間の位置情報とし、その位置情報からエンベディングベクトルを生成してもよい。
【0064】
そして、ステップＳ７において、情報提供装置１００は、位置情報とセンサデータとの組に基づくエンベディングベクトルのベクトル値により、ユーザＵが「自宅にいる」、「出勤した」、「買い物に行った」、「電車で移動している」等の行動（ユーザのコンテキスト）を判定する。このとき、情報提供装置１００は、多次元のエンベディングベクトルのうちの複数の要素が示す値により、時間帯ごとに行動を判定してもよい。例えば、情報提供装置１００は、エンベディングベクトルに、「午前中に外出した」ことを示す値と、「出勤した」ことを示す値とが含まれているとき、「午前中に出勤した」と判定してもよい。
【0065】
ここでは、エンベディングベクトルの要素の値は、ユーザＵの行動と対応している。例えば、３次元ベクトルの場合、１要素目の値が「出勤したか否か」を示し、２要素目の値が「外食したか否か」を示し、３要素目の値が「電車に乗ったか否か」を示すように規定してもよい。この場合、エンベディングベクトルは、One-hotベクトル（One Hot Vector）であってもよい。One-hotベクトルとは、(1,0,0)のように、１つの成分が１で、残りの成分が全て０であるようなベクトルである。但し、実際には、エンベディングベクトルは、One-hotベクトルに限定されない。
【0066】
また、エンベディングベクトルの要素の値は、ユーザＵの複数の行動と対応していてもよい。例えば、１要素目の値が「職場に行き、かつ、外食したか否か」を示し、２要素目の値が「職場に行かず、かつ、外食したか否か」を示すように規定してもよい。
【0067】
エンベディングベクトルのある範囲に含まれる複数の要素の値が、ユーザＵの行動と対応していてもよい。例えば、３要素目までの値（上位三桁）が、「１００」なら「出勤した」ことを示し、「１０１」なら「職場に電車で行った」ことを示すように規定してもよい。
【0068】
また、エンベディングベクトルの各要素の値は、評価値でもよい。例えば、３要素目までの値（上位三桁）が「０００」なら「移動していない」ことを示し、「１００」なら「１００キロメートル移動した」ことを示すように規定してもよい。また、エンベディングベクトルのいずれかの要素の値は、移動方向を示す値であってもよい。例えば、４要素目から７要素目までの値が「００００」なら移動方向が「北」であることを示し、「０００１」なら移動方向が「北北東」であることを示し、「００１０」なら移動方向が「北東」であることを示し、「００１１」なら移動方向が「東北東」であることを示し、「０１００」なら移動方向が「東」であることを示し、「１０００」なら移動方向が「南」であることを示し、「１１００」なら移動方向が「西」であることを示すように規定してもよい。また、エンベディングベクトルの各要素の値は、健康的な生活のスコアであってもよい。
【0069】
なお、エンベディングベクトルの要素の値は、モデルの学習時もしくは変換規則の作成時に、任意の設定が適用可能であるものとする。例えば、サーバ側が、ユーザＵ側からどのような行動に関する情報を取得して、ユーザＵに提供するサービスに使用したいかといった事情に応じて、適宜任意の設定が可能であるものとする。
【0070】
ここでは、位置情報とセンサデータとの組をエンベディングベクトルに変換するためのベクトル変換モデルや所定の変換規則等は、位置情報とセンサデータとの組のシーケンスデータを、ユーザＵが「自宅にいる」、「会社に行った」、「買い物に行った」、「電車で移動している」等の特定の行動を示すベクトル値に変換することを目的とする簡潔なげクトル変換モデルや変換規則等である。例えば、情報提供装置１００は、特定の行動をユーザＵがとったか否かを知りたいときに、当該行動に関する位置情報とセンサデータとの組をエンベディングベクトルに変換するためのベクトル変換モデルや所定の変換規則等を、ユーザＵの端末装置１０に提供する。
【0071】
〔１－６．位置情報とセンサデータとの組の将来データの予測方法の概要〕
次に、図２を参照して、位置情報とセンサデータとの組の将来データの予測方法の概要について説明する。図２は、実施形態に係る将来データの予測方法の概要を示す説明図である。
次に、図２を参照して、位置情報とセンサデータとの組の将来データの予測方法の概要について説明する。図２は、実施形態に係る将来データの予測方法の概要を示す説明図である。
【0072】
ユーザＵの端末装置１０は、必要に応じて、位置情報とセンサデータとの組の過去データに基づいて将来データを予測する。なお、位置情報とセンサデータとの組の将来データの予測は一例に過ぎない。実際には、端末装置１０は、位置情報とセンサデータとの組の将来データの予測を実施しなくてもよい。
【0073】
図２に示すように、ユーザＵの端末装置１０は、位置情報とセンサデータとの組を生成する際（図１のステップＳ３）、ニューラルネットワークによる機械学習の手法等を用いて、位置情報とセンサデータとの組について機械学習を行い、過去データに基づく将来データの予測モデルを構築する。
【0074】
図２に示す例では、時刻Ｔごとに、位置情報ＰとセンサデータＳＤ１及びＳＤ２との組を生成し、データセットＤとして分散表現の機械学習を行う。ここでは、センサデータＳＤ１は環境音を示し、センサデータＳＤ２は加速度を示す。例えば、時刻Ｔが「ｔ－２」の場合、位置情報Ｐ１とセンサデータＳＤ１１及びＳＤ２１との組を生成し、データセットＤ１とする。
【0075】
ここでは、端末装置１０は、時刻「ｔ－２」、「ｔ－１」、「ｔ」のそれぞれの時刻における位置情報とセンサデータとの組が入力された場合に、その後の時刻「ｔ＋１」、「ｔ＋２」、「ｔ＋３」のそれぞれの時刻における位置情報とセンサデータとの組が出力されるように、予測モデルに学習させる。これにより、過去及び現在の時刻における位置情報にセンサデータが組み合わされた場合に、将来の時刻における位置情報に対応するセンサデータが求められる。
【0076】
例えば、予測モデルは、エンコーダ・デコーダモデルである。これは、ＲＮＮを２つ用いたモデルであり、「（過去データ）→第１のＲＮＮ（エンコーダ）→ベクトル→第２のＲＮＮ（デコーダ）→（将来データ）」となるように学習を行うと、第１のＲＮＮが出力するベクトルが、うまくデータの特徴を捉えることとなる。うまくデータの特徴を捉えられないと、将来データの精度が低下する。逆をいうと、将来データの精度が高くなるように第１のＲＮＮを修正すると、ベクトルの精度が向上する。
【0077】
ここでは、端末装置１０は、エンコーダ・デコーダモデルのエンコーダを用いて、分散表現を生成する。そして、デコーダを用いて、生成した分散表現から将来を予測する。これにより、端末装置１０は、過去の位置情報とセンサデータとの組から、将来に取得される位置情報とセンサデータとの組を推定する。
【0078】
このように、エンコーダとデコーダとは、別個のＲＮＮになる。エンコーダの学習を行う場合は、エンコーダが出力した分散表現からデコーダが将来を適切に予測するように、エンコーダおよびデコーダを合わせて修正することで、エンコーダの性能を向上させることができる。
【0079】
これにより、ある時刻においてセンサデータが取得できない事態が発生しても、その時刻までの位置情報とセンサデータとの組を予測モデルに入力し、出力として得られた位置情報とセンサデータとの組に基づいて、その時刻に取得されるはずであったセンサデータを推測することができる。また、ユーザＵの過去又は現在の行動を示すエンベディングベクトルに限らず、ユーザＵの将来の行動を予測したエンベディングベクトルを生成することが可能になる。また、エンベディングベクトルの生成精度が向上する。
【0080】
〔２．情報処理システムの構成例〕
次に、図３を用いて、実施形態に係る情報提供装置１００が含まれる情報処理システム１の構成について説明する。図３は、実施形態に係る情報処理システム１の構成例を示す図である。図３に示すように、実施形態に係る情報処理システム１は、端末装置１０と情報提供装置１００とを含む。これらの各種装置は、ネットワークＮを介して、有線又は無線により通信可能に接続される。ネットワークＮは、例えば、ＬＡＮ（Local Area Network）や、インターネット等のＷＡＮ（Wide Area Network）である。
次に、図３を用いて、実施形態に係る情報提供装置１００が含まれる情報処理システム１の構成について説明する。図３は、実施形態に係る情報処理システム１の構成例を示す図である。図３に示すように、実施形態に係る情報処理システム１は、端末装置１０と情報提供装置１００とを含む。これらの各種装置は、ネットワークＮを介して、有線又は無線により通信可能に接続される。ネットワークＮは、例えば、ＬＡＮ（Local Area Network）や、インターネット等のＷＡＮ（Wide Area Network）である。
【0081】
また、図３に示す情報処理システム１に含まれる各装置の数は図示したものに限られない。例えば、図３では、図示の簡略化のため、端末装置１０を１台のみ示したが、これはあくまでも例示であって限定されるものではなく、２台以上であってもよい。
【0082】
端末装置１０は、ユーザＵによって使用される情報処理装置である。例えば、端末装置１０は、スマートフォンやタブレット端末等のスマートデバイス、フィーチャーフォン、ＰＣ（Personal Computer）、ＰＤＡ（Personal Digital Assistant）、カーナビゲーションシステム、スマートウォッチやヘッドマウントディスプレイ等のウェアラブルデバイス（Wearable Device）、スマートグラス等である。
【0083】
また、かかる端末装置１０は、ＬＴＥ（Long Term Evolution）、４Ｇ（4th Generation）、５Ｇ（5th Generation：第５世代移動通信システム）等の無線通信網や、Ｂｌｕｅｔｏｏｔｈ（登録商標）、無線ＬＡＮ（Local Area Network）等の近距離無線通信を介してネットワークＮに接続し、情報提供装置１００と通信することができる。
【0084】
情報提供装置１００は、例えばＰＣやサーバ装置、あるいはメインフレーム又はワークステーション等である。なお、情報提供装置１００は、クラウドコンピューティングにより実現されてもよい。
【0085】
〔３．端末装置の構成例〕
次に、図４を用いて、端末装置１０の構成について説明する。図４は、端末装置１０の構成例を示す図である。図４に示すように、端末装置１０は、通信部１１と、表示部１２と、入力部１３と、測位部１４と、センサ部２０と、制御部３０（コントローラ）と、記憶部４０とを備える。
次に、図４を用いて、端末装置１０の構成について説明する。図４は、端末装置１０の構成例を示す図である。図４に示すように、端末装置１０は、通信部１１と、表示部１２と、入力部１３と、測位部１４と、センサ部２０と、制御部３０（コントローラ）と、記憶部４０とを備える。
【0086】
（通信部１１）
通信部１１は、ネットワークＮ（図３参照）と有線又は無線で接続され、ネットワークＮを介して、情報提供装置１００との間で情報の送受信を行う。例えば、通信部１１は、ＮＩＣ（Network Interface Card）やアンテナ等によって実現される。
通信部１１は、ネットワークＮ（図３参照）と有線又は無線で接続され、ネットワークＮを介して、情報提供装置１００との間で情報の送受信を行う。例えば、通信部１１は、ＮＩＣ（Network Interface Card）やアンテナ等によって実現される。
【0087】
（表示部１２）
表示部１２は、位置情報等の各種情報を表示する表示デバイスである。例えば、表示部１２は、液晶ディスプレイ（ＬＣＤ：Liquid Crystal Display）や有機ＥＬディスプレイ（Organic Electro-Luminescent Display）である。また、表示部１２は、タッチパネル式のディスプレイであるが、これに限定されるものではない。
表示部１２は、位置情報等の各種情報を表示する表示デバイスである。例えば、表示部１２は、液晶ディスプレイ（ＬＣＤ：Liquid Crystal Display）や有機ＥＬディスプレイ（Organic Electro-Luminescent Display）である。また、表示部１２は、タッチパネル式のディスプレイであるが、これに限定されるものではない。
【0088】
（入力部１３）
入力部１３は、ユーザＵから各種操作を受け付ける入力デバイスである。入力部１３は、例えば、文字や数字等を入力するためのボタン等を有する。また、表示部１２がタッチパネル式のディスプレイである場合、表示部１２の一部が入力部１３として機能する。なお、入力部１３は、ユーザＵから音声入力を受け付けるマイク等であってもよい。マイクはワイヤレスであってもよい。
入力部１３は、ユーザＵから各種操作を受け付ける入力デバイスである。入力部１３は、例えば、文字や数字等を入力するためのボタン等を有する。また、表示部１２がタッチパネル式のディスプレイである場合、表示部１２の一部が入力部１３として機能する。なお、入力部１３は、ユーザＵから音声入力を受け付けるマイク等であってもよい。マイクはワイヤレスであってもよい。
【0089】
（測位部１４）
測位部１４は、ＧＰＳ（Global Positioning System）の衛星から送出される信号（電波）を受信し、受信した信号に基づいて、自装置である端末装置１０の現在位置を示す位置情報（例えば、緯度及び経度）を取得する。すなわち、測位部１４は、端末装置１０の位置を測位する。なお、ＧＰＳは、ＧＮＳＳ（Global Navigation Satellite System）の一例に過ぎない。
測位部１４は、ＧＰＳ（Global Positioning System）の衛星から送出される信号（電波）を受信し、受信した信号に基づいて、自装置である端末装置１０の現在位置を示す位置情報（例えば、緯度及び経度）を取得する。すなわち、測位部１４は、端末装置１０の位置を測位する。なお、ＧＰＳは、ＧＮＳＳ（Global Navigation Satellite System）の一例に過ぎない。
【0090】
また、測位部１４は、ＧＰＳ以外にも、種々の手法により位置を測位することができる。例えば、測位部１４は、位置補正等のための補助的な測位手段として、下記のように、端末装置１０の様々な通信機能を利用して位置を測位してもよい。
【0091】
（Ｗｉ－Ｆｉ測位）
例えば、測位部１４は、端末装置１０のＷｉ－Ｆｉ（登録商標）通信機能や、各通信会社が備える通信網を利用して、端末装置１０の位置を測位する。具体的には、測位部１４は、Ｗｉ－Ｆｉ通信等を行い、付近の基地局やアクセスポイントとの距離を測位することにより、端末装置１０の位置を測位する。
例えば、測位部１４は、端末装置１０のＷｉ－Ｆｉ（登録商標）通信機能や、各通信会社が備える通信網を利用して、端末装置１０の位置を測位する。具体的には、測位部１４は、Ｗｉ－Ｆｉ通信等を行い、付近の基地局やアクセスポイントとの距離を測位することにより、端末装置１０の位置を測位する。
【0092】
（ビーコン測位）
また、測位部１４は、端末装置１０のＢｌｕｅｔｏｏｔｈ（登録商標）機能を利用して位置を測位してもよい。例えば、測位部１４は、Ｂｌｕｅｔｏｏｔｈ（登録商標）機能によって接続されるビーコン（beacon）発信機と接続することにより、端末装置１０の位置を測位する。
また、測位部１４は、端末装置１０のＢｌｕｅｔｏｏｔｈ（登録商標）機能を利用して位置を測位してもよい。例えば、測位部１４は、Ｂｌｕｅｔｏｏｔｈ（登録商標）機能によって接続されるビーコン（beacon）発信機と接続することにより、端末装置１０の位置を測位する。
【0093】
（地磁気測位）
また、測位部１４は、予め測定された構造物の地磁気のパターンと、端末装置１０が備える地磁気センサとに基づいて、端末装置１０の位置を測位する。
また、測位部１４は、予め測定された構造物の地磁気のパターンと、端末装置１０が備える地磁気センサとに基づいて、端末装置１０の位置を測位する。
【0094】
（ＲＦＩＤ測位）
また、例えば、端末装置１０が駅改札や店舗等で使用される非接触型ＩＣカードと同等のＲＦＩＤ（Radio Frequency Identification）タグの機能を備えている場合、もしくはＲＦＩＤタグを読み取る機能を備えている場合、端末装置１０によって決済等が行われた情報とともに、使用された位置が記録される。測位部１４は、かかる情報を取得することで、端末装置１０の位置を測位してもよい。また、位置は、端末装置１０が備える光学式センサや、赤外線センサ等によって測位されてもよい。
また、例えば、端末装置１０が駅改札や店舗等で使用される非接触型ＩＣカードと同等のＲＦＩＤ（Radio Frequency Identification）タグの機能を備えている場合、もしくはＲＦＩＤタグを読み取る機能を備えている場合、端末装置１０によって決済等が行われた情報とともに、使用された位置が記録される。測位部１４は、かかる情報を取得することで、端末装置１０の位置を測位してもよい。また、位置は、端末装置１０が備える光学式センサや、赤外線センサ等によって測位されてもよい。
【0095】
測位部１４は、必要に応じて、上述した測位手段の一つ又は組合せを用いて、端末装置１０の位置を測位してもよい。
【0096】
（センサ部２０）
センサ部２０は、端末装置１０に搭載又は接続される各種のセンサを含む。なお、接続は、有線接続、無線接続を問わない。例えば、センサ部２０は、ウェアラブルデバイスやワイヤレスデバイス等、端末装置１０以外の検知装置であってもよい。図４に示す例では、センサ部２０は、加速度センサ２１と、ジャイロセンサ２２と、気圧センサ２３と、気温センサ２４と、音センサ２５と、光センサ２６と、磁気センサ２７と、画像センサ（カメラ）２８とを備える。
センサ部２０は、端末装置１０に搭載又は接続される各種のセンサを含む。なお、接続は、有線接続、無線接続を問わない。例えば、センサ部２０は、ウェアラブルデバイスやワイヤレスデバイス等、端末装置１０以外の検知装置であってもよい。図４に示す例では、センサ部２０は、加速度センサ２１と、ジャイロセンサ２２と、気圧センサ２３と、気温センサ２４と、音センサ２５と、光センサ２６と、磁気センサ２７と、画像センサ（カメラ）２８とを備える。
【0097】
なお、上記した各センサ２１～２８は、あくまでも例示であって限定されるものではない。すなわち、センサ部２０は、各センサ２１～２８のうちの一部を備える構成であってもよいし、各センサ２１～２８に加えてあるいは代えて、湿度センサ等その他のセンサを備えてもよい。
【0098】
加速度センサ２１は、例えば、３軸加速度センサであり、端末装置１０の移動方向、速度、及び、加速度等の端末装置１０の物理的な動きを検知する。ジャイロセンサ２２は、端末装置１０の角速度等に基づいて３軸方向の傾き等の端末装置１０の物理的な動きを検知する。気圧センサ２３は、例えば端末装置１０の周囲の気圧を検知する。
【0099】
端末装置１０は、上記した加速度センサ２１やジャイロセンサ２２、気圧センサ２３等を備えることから、これらの各センサ２１～２３等を利用した歩行者自律航法（ＰＤＲ：Pedestrian Dead-Reckoning）等の技術を用いて端末装置１０の位置を測位することが可能になる。これにより、ＧＰＳ等の測位システムでは取得することが困難な屋内での位置情報を取得することが可能になる。
【0100】
例えば、加速度センサ２１を利用した歩数計により、歩数や歩くスピード、歩いた距離を算出することができる。また、ジャイロセンサ２２を利用して、ユーザＵの進行方向や視線の方向、体の傾きを知ることができる。また、気圧センサ２３で検知した気圧から、ユーザＵの端末装置１０が存在する高度やフロアの階数を知ることもできる。
【0101】
気温センサ２４は、例えば端末装置１０の周囲の気温を検知する。音センサ２５は、例えば端末装置１０の周囲の音（環境音等）を検知する。光センサ２６は、端末装置１０の周囲の照度を検知する。磁気センサ２７は、例えば端末装置１０の周囲の地磁気を検知する。画像センサ２８は、端末装置１０の周囲の画像を撮像する。
【0102】
上記した気圧センサ２３、気温センサ２４、音センサ２５、光センサ２６及び画像センサ２８は、それぞれ気圧、気温、音、照度を検知したり、周囲の画像を撮像したりすることで、端末装置１０の周囲の環境や状況等を検知することができる。また、端末装置１０の周囲の環境や状況等から、端末装置１０の位置情報の精度を向上させることが可能になる。
【0103】
（制御部３０）
制御部３０は、例えば、ＣＰＵ（Central Processing Unit）、ＲＯＭ（Read Only Memory）、ＲＡＭ、入出力ポート等を有するマイクロコンピュータや各種の回路を含む。また、制御部３０は、例えば、ＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（Field Programmable Gate Array）等の集積回路等のハードウェアで構成されてもよい。制御部３０は、送信部３１と、受信部３２と、処理部３３と、取得部３４と、変換部３５と、予測部３６と、学習部３７とを備える。
制御部３０は、例えば、ＣＰＵ（Central Processing Unit）、ＲＯＭ（Read Only Memory）、ＲＡＭ、入出力ポート等を有するマイクロコンピュータや各種の回路を含む。また、制御部３０は、例えば、ＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（Field Programmable Gate Array）等の集積回路等のハードウェアで構成されてもよい。制御部３０は、送信部３１と、受信部３２と、処理部３３と、取得部３４と、変換部３５と、予測部３６と、学習部３７とを備える。
【0104】
（送信部３１）
送信部３１は、例えば入力部１３を用いてユーザＵにより入力された各種情報や、処理部３３により処理された各種情報等を、通信部１１を介して情報提供装置１００へ送信することができる。
送信部３１は、例えば入力部１３を用いてユーザＵにより入力された各種情報や、処理部３３により処理された各種情報等を、通信部１１を介して情報提供装置１００へ送信することができる。
【0105】
また、送信部３１は、変換部３５により位置情報から変換されたエンベディングベクトルを、通信部１１を介して情報提供装置１００へ送信する。このとき、送信部３１は、エンベディングベクトルと共に、その時点での位置情報を送信してもよい。
【0106】
（受信部３２）
受信部３２は、通信部１１を介して、情報提供装置１００から提供される各種情報を受信する。例えば、受信部３２は、通信部１１を介して、情報提供装置１００から提供されるベクトル変換モデル等を受信する。
受信部３２は、通信部１１を介して、情報提供装置１００から提供される各種情報を受信する。例えば、受信部３２は、通信部１１を介して、情報提供装置１００から提供されるベクトル変換モデル等を受信する。
【0107】
（処理部３３）
処理部３３は、表示部１２等を含め、端末装置１０全体を制御する。例えば、処理部３３は、送信部３１によって送信される各種情報や、受信部３２によって受信された情報提供装置１００からの各種情報を表示部１２へ出力して表示させることができる。
処理部３３は、表示部１２等を含め、端末装置１０全体を制御する。例えば、処理部３３は、送信部３１によって送信される各種情報や、受信部３２によって受信された情報提供装置１００からの各種情報を表示部１２へ出力して表示させることができる。
【0108】
（取得部３４）
取得部３４は、常時／周期的に／所定のタイミングで、端末装置１０の位置情報を取得する。例えば、取得部３４は、測位部１４により測位された端末装置１０の位置情報を取得する。また、取得部３４は、各センサ２１～２８によって検知されたセンサデータを取得する。また、取得部３４は、各センサ２１～２８によって検知されたセンサデータに基づいて端末装置１０の屋内位置情報を推定して取得する。
取得部３４は、常時／周期的に／所定のタイミングで、端末装置１０の位置情報を取得する。例えば、取得部３４は、測位部１４により測位された端末装置１０の位置情報を取得する。また、取得部３４は、各センサ２１～２８によって検知されたセンサデータを取得する。また、取得部３４は、各センサ２１～２８によって検知されたセンサデータに基づいて端末装置１０の屋内位置情報を推定して取得する。
【0109】
また、取得部３４は、取得した位置情報やセンサデータを記憶部４０に記憶（保存）する。例えば、取得部３４は、取得した位置情報を位置履歴（例えば、ロケーション履歴、行動履歴等）として蓄積する。また、取得部３４は、各センサ２１～２８によって検知されたセンサデータを種別ごとに蓄積する。なお、取得部３４は、取得した時刻又は時間帯ごとに、位置情報とセンサデータとを紐づけして蓄積してもよい。
【0110】
また、取得部３４は、受信部３２が情報提供装置１００から受信したベクトル変換モデルや予測モデルを取得し、記憶部４０に記憶（保存）する。
【0111】
あるいは、取得部３４は、受信部３２が情報提供装置１００から受信した所定の変換規則（ルール）を取得し、記憶部４０に記憶（保存）する。
【0112】
（変換部３５）
変換部３５は、位置情報とセンサデータとの組に対してエンベディングを行い、複数の位置情報とセンサデータとの組を１つのベクトルに変換（ベクトル化）し、位置情報とセンサデータとに基づくエンベディングベクトル（埋め込みベクトル）を生成する。
変換部３５は、位置情報とセンサデータとの組に対してエンベディングを行い、複数の位置情報とセンサデータとの組を１つのベクトルに変換（ベクトル化）し、位置情報とセンサデータとに基づくエンベディングベクトル（埋め込みベクトル）を生成する。
【0113】
例えば、変換部３５は、同時刻又は同じ時間帯の位置情報とセンサデータとの組を生成し、位置情報とセンサデータとの組を時系列に並べたシーケンスデータを生成する。そして、変換部３５は、シーケンスデータに基づいて、エンベディングベクトルを生成する。
【0114】
例えば、変換部３５は、シーケンスデータをデータセットとし、ニューラルネットワークによる機械学習の手法等を用いて、シーケンスデータを多次元からなる実数値ベクトルへと変換する。すなわち、変換部３５は、例えばＲＮＮ（Recurrent Neural Network）やＬＳＴＭ（Long short-term memory）等を用いた機械学習を経て構築されるベクトル変換モデルにシーケンスデータを入力し、出力としてエンベディングベクトルを取得する。
【0115】
なお、ＲＮＮやＬＳＴＭは、アテンション（Attention）の仕組みに基づくニューラルネットワークであってもよい。また、変換部３５は、同様の自然言語処理モデルを用いてもよい。
【0116】
あるいは、変換部３５は、所定の変換規則に従って（ルールベースで）、シーケンスデータをエンベディングベクトルに変換してもよい。
【0117】
但し、シーケンスデータは一例に過ぎない。実際には、例えば位置情報とセンサデータとの生データをそのまま時系列に沿って順番にモデルに入力してもよい。
【0118】
（予測部３６）
予測部３６は、位置情報とセンサデータとの組の過去データに基づいて将来データを予測する。例えば、予測部３６は、ある時刻においてセンサデータが取得できない事態が発生しても、その時刻までの位置情報とセンサデータとの組を予測モデルに入力し、出力として得られた位置情報とセンサデータとの組に基づいて、その時刻に取得されるはずであったセンサデータを推測する。
予測部３６は、位置情報とセンサデータとの組の過去データに基づいて将来データを予測する。例えば、予測部３６は、ある時刻においてセンサデータが取得できない事態が発生しても、その時刻までの位置情報とセンサデータとの組を予測モデルに入力し、出力として得られた位置情報とセンサデータとの組に基づいて、その時刻に取得されるはずであったセンサデータを推測する。
【0119】
（学習部３７）
学習部３７は、ニューラルネットワークによる機械学習の手法等を用いて、位置情報とセンサデータとの組について機械学習を行い、位置情報とセンサデータとの組をエンベディングベクトルに変換するためのベクトル変換モデルを構築する。
学習部３７は、ニューラルネットワークによる機械学習の手法等を用いて、位置情報とセンサデータとの組について機械学習を行い、位置情報とセンサデータとの組をエンベディングベクトルに変換するためのベクトル変換モデルを構築する。
【0120】
また、学習部３７は、ニューラルネットワークによる機械学習の手法等を用いて、位置情報とセンサデータとの組について機械学習を行い、過去データに基づく将来データの予測モデルを構築する。
【0121】
例えば、学習部３７は、ＲＮＮ（Recurrent Neural Network）やＬＳＴＭ（Long short-term memory）等を用いた機械学習により、ベクトル変換モデルや予測モデルを構築する。なお、モデルは、任意の種別及び任意の形式のモデルが採用可能である。例えば、学習部３７は、ＳＶＭ（Support Vector Machine）やＤＮＮ（Deep Neural Network）をモデルとして採用してもよい。ここで、ＤＮＮは、ＣＮＮ（Convolutional Neural Network）やＲＮＮであってもよい。また、モデルは、例えば、ＣＮＮとＲＮＮとを組み合わせたモデル等、複数のモデルを組み合わせることで実現されるモデルであってもよい。
【0122】
なお、ＲＮＮやＬＳＴＭは、アテンション（Attention）の仕組みに基づくニューラルネットワークであってもよい。また、学習部３７は、同様の自然言語処理モデルを用いてもよい。
【0123】
学習は、例えばＤＮＮを利用したディープラーニング（深層学習）等である。また、データマイニングやその他の機械学習アルゴリズムを利用してもよい。学習部３７は、上述した各種の学習手法により、モデルの学習を行う。
【0124】
（記憶部４０）
記憶部４０は、例えば、ＲＡＭ（Random Access Memory）、フラッシュメモリ（Flash Memory）等の半導体メモリ素子、又は、ＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid State Drive）、光ディスク等の記憶装置によって実現される。かかる記憶部４０には、各種プログラムや各種データ等が記憶される。ここでは、記憶部４０は、例えば入力部１３を用いてユーザＵにより入力された各種情報や、端末装置１０に搭載又は接続された各センサ２１～２８によって検知されたセンサデータ、測位部１４によって測位された端末装置１０の位置情報等を記憶する。また、処理部３３によって処理された各種情報や、受信部３２によって受信された各種情報を記憶する。また、記憶部４０は、ベクトル変換モデルや予測モデル、又は所定の変換規則等を記憶する。
記憶部４０は、例えば、ＲＡＭ（Random Access Memory）、フラッシュメモリ（Flash Memory）等の半導体メモリ素子、又は、ＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid State Drive）、光ディスク等の記憶装置によって実現される。かかる記憶部４０には、各種プログラムや各種データ等が記憶される。ここでは、記憶部４０は、例えば入力部１３を用いてユーザＵにより入力された各種情報や、端末装置１０に搭載又は接続された各センサ２１～２８によって検知されたセンサデータ、測位部１４によって測位された端末装置１０の位置情報等を記憶する。また、処理部３３によって処理された各種情報や、受信部３２によって受信された各種情報を記憶する。また、記憶部４０は、ベクトル変換モデルや予測モデル、又は所定の変換規則等を記憶する。
【0125】
〔４．情報処理装置の構成例〕
次に、図５を用いて、実施形態に係る情報提供装置１００の構成について説明する。図５は、実施形態に係る情報提供装置１００の構成例を示す図である。図５に示すように、情報提供装置１００は、通信部１１０と、記憶部１２０と、制御部１３０とを有する。
次に、図５を用いて、実施形態に係る情報提供装置１００の構成について説明する。図５は、実施形態に係る情報提供装置１００の構成例を示す図である。図５に示すように、情報提供装置１００は、通信部１１０と、記憶部１２０と、制御部１３０とを有する。
【0126】
（通信部１１０）
通信部１１０は、例えば、ＮＩＣ（Network Interface Card）等によって実現される。また、通信部１１０は、ネットワークＮ（図３参照）と有線又は無線で接続される。
通信部１１０は、例えば、ＮＩＣ（Network Interface Card）等によって実現される。また、通信部１１０は、ネットワークＮ（図３参照）と有線又は無線で接続される。
【0127】
（記憶部１２０）
記憶部１２０は、例えば、ＲＡＭ（Random Access Memory）、フラッシュメモリ（Flash Memory）等の半導体メモリ素子、又は、ハードディスク、光ディスク等の記憶装置によって実現される。図５に示すように、記憶部１２０は、変換情報データベース１２１と、ベクトル情報データベース１２２とを有する。
記憶部１２０は、例えば、ＲＡＭ（Random Access Memory）、フラッシュメモリ（Flash Memory）等の半導体メモリ素子、又は、ハードディスク、光ディスク等の記憶装置によって実現される。図５に示すように、記憶部１２０は、変換情報データベース１２１と、ベクトル情報データベース１２２とを有する。
【0128】
（変換情報データベース１２１）
変換情報データベース１２１は、ベクトル変換モデルや予測モデル、又は所定の変換規則（ルール）等に関する各種情報を記憶する。図６は、変換情報データベース１２１の一例を示す図である。図６に示した例では、変換情報データベース１２１は、「変換ＩＤ」、「変換情報」、「提供先」といった項目を有する。
変換情報データベース１２１は、ベクトル変換モデルや予測モデル、又は所定の変換規則（ルール）等に関する各種情報を記憶する。図６は、変換情報データベース１２１の一例を示す図である。図６に示した例では、変換情報データベース１２１は、「変換ＩＤ」、「変換情報」、「提供先」といった項目を有する。
【0129】
「変換ＩＤ」は、ベクトル変換モデルや予測モデル、又は所定の変換規則等を識別するための識別情報を示す。なお、共通モデルは、サーバ側で管理するモデルであって、各ユーザに共通のモデルを示す。
【0130】
また、「変換情報」は、変換ＩＤにより識別されるベクトル変換モデルや予測モデル、又は所定の変換規則等をデータ化したファイルを示す。
【0131】
また、「提供先」は、変換ＩＤにより識別されるベクトル変換モデルや予測モデル、又は所定の変換規則等の提供先となる端末装置１０を示す。例えば、「提供先」には、端末ＩＤが記憶されてもよい。提供先となる端末装置１０は、複数であってもよい。すなわち、「提供先」には、複数の端末ＩＤが記憶されてもよい。なお、提供先となる端末装置１０を特定する必要がなければ、「提供先」の項目は無くてもよい。
【0132】
例えば、図６に示す例において、変換ＩＤ「Ｔ１」により識別される変換情報「変換情報＃１」であるベクトル変換モデルや予測モデル、又は所定の変換規則等は、提供先「提供先＃１」に提供されていることを示す。
【0133】
なお、変換情報データベース１２１は、上記に限らず、目的に応じて種々の情報を記憶してもよい。例えば、変換情報データベース１２１は、変換ＩＤにより識別される共通モデルの詳細情報を記憶してもよい。
【0134】
（ベクトル情報データベース１２２）
ベクトル情報データベース１２２は、端末装置１０から受信した位置情報とセンサデータとの組に基づくエンベディングベクトルに関する各種情報を記憶する。図７は、ベクトル情報データベース１２２の一例を示す図である。図７に示した例では、ベクトル情報データベース１２２は、「端末ＩＤ」、「エンベディングベクトル」、「判定結果」といった項目を有する。
ベクトル情報データベース１２２は、端末装置１０から受信した位置情報とセンサデータとの組に基づくエンベディングベクトルに関する各種情報を記憶する。図７は、ベクトル情報データベース１２２の一例を示す図である。図７に示した例では、ベクトル情報データベース１２２は、「端末ＩＤ」、「エンベディングベクトル」、「判定結果」といった項目を有する。
【0135】
「端末ＩＤ」は、エンベディングベクトルの出所となる端末装置１０を識別するための識別情報を示す。「端末ＩＤ」は、サーバ側で割り当てた任意の番号であってもよいし、端末装置１０の連絡先情報（電話番号、メールアドレス等）であってもよい。なお、端末装置１０を識別する必要がなければ、「端末ＩＤ」の項目は無くてもよい。
【0136】
また、「エンベディングベクトル」は、端末装置１０から受信した位置情報とセンサデータとの組に基づくエンベディングベクトルを示す。なお、「エンベディングベクトル」は、１台の端末装置１０に対して、複数存在していてもよい。例えば、端末装置１０が３０分ごとにエンベディングベクトルを生成している場合には、３０分ごとのエンベディングベクトルが記憶される。
【0137】
また、「判定結果」は、位置情報とセンサデータとの組に基づくエンベディングベクトルに基づいて判定されるユーザＵの行動（所在、振る舞い、移動等）を示す。
【0138】
例えば、図７に示す例において、端末ＩＤ「端末＃１」により識別される端末装置１０から受信したエンベディングベクトル「ベクトル＃１１」は、端末装置１０のユーザＵの行動が判定結果「判定結果＃１１」により示される行動であることを示す。
【0139】
なお、ベクトル情報データベース１２２は、上記に限らず、目的に応じて種々の情報を記憶してもよい。例えば、ベクトル情報データベース１２２は、受信データ単位で、個々のエンベディングベクトルを識別するための識別情報（ベクトルＩＤ等）を記憶してもよい。また、ベクトル情報データベース１２２は、個々のエンベディングベクトルを受信した日時を示す情報を記憶してもよい。また、ベクトル情報データベース１２２は、エンベディングベクトルを解釈するためのルールに関する情報を記憶してもよい。また、ベクトル情報データベース１２２は、ベクトル変換モデルや予測モデル、又は所定の変換規則等の変換情報を記憶してもよい。
【0140】
（制御部１３０）
図５に戻り、説明を続ける。制御部１３０は、コントローラ（Controller）であり、例えば、ＣＰＵ（Central Processing Unit）、ＭＰＵ（Micro Processing Unit）、ＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（Field Programmable Gate Array）等によって、情報提供装置１００の内部の記憶装置に記憶されている各種プログラム（情報処理プログラムの一例に相当）がＲＡＭ等の記憶領域を作業領域として実行されることにより実現される。図５に示す例では、制御部１３０は、収集部１３１と、判定部１３２と、生成部１３３と、提供部１３４とを有する。
図５に戻り、説明を続ける。制御部１３０は、コントローラ（Controller）であり、例えば、ＣＰＵ（Central Processing Unit）、ＭＰＵ（Micro Processing Unit）、ＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（Field Programmable Gate Array）等によって、情報提供装置１００の内部の記憶装置に記憶されている各種プログラム（情報処理プログラムの一例に相当）がＲＡＭ等の記憶領域を作業領域として実行されることにより実現される。図５に示す例では、制御部１３０は、収集部１３１と、判定部１３２と、生成部１３３と、提供部１３４とを有する。
【0141】
（収集部１３１）
収集部１３１は、個々の端末装置１０から位置情報とセンサデータとの組に基づくエンベディングベクトルを収集する。すなわち、収集部１３１は、通信部１１０を介して、端末装置１０から位置情報とセンサデータとの組に基づくエンベディングベクトルを受信する。
収集部１３１は、個々の端末装置１０から位置情報とセンサデータとの組に基づくエンベディングベクトルを収集する。すなわち、収集部１３１は、通信部１１０を介して、端末装置１０から位置情報とセンサデータとの組に基づくエンベディングベクトルを受信する。
【0142】
（判定部１３２）
判定部１３２は、収集された位置情報とセンサデータとの組に基づくエンベディングベクトルを解析し、ユーザＵの行動（所在、振る舞い、移動等）を判定する。
判定部１３２は、収集された位置情報とセンサデータとの組に基づくエンベディングベクトルを解析し、ユーザＵの行動（所在、振る舞い、移動等）を判定する。
【0143】
また、判定部１３２は、エンベディングベクトルを特定空間に配置し、ユーザＵ自身の行動の類似性や変化、及び／又はユーザＵと他のユーザとの行動の類似性や相違性を判定する。
【0144】
（生成部１３３）
生成部１３３は、過去に収集された位置情報を蓄積した既存の位置履歴（又は仮定の位置情報）やセンサデータを蓄積した既存のセンサ履歴に基づいて、位置情報とセンサデータとをエンベディングベクトルに変換するためのベクトル変換モデルや予測モデル、又は所定の変換規則（ルール）等を生成する。
生成部１３３は、過去に収集された位置情報を蓄積した既存の位置履歴（又は仮定の位置情報）やセンサデータを蓄積した既存のセンサ履歴に基づいて、位置情報とセンサデータとをエンベディングベクトルに変換するためのベクトル変換モデルや予測モデル、又は所定の変換規則（ルール）等を生成する。
【0145】
例えば、生成部１３３は、位置情報とセンサデータとエンベディングベクトルとの組を正解データとしてモデルに学習させることで、位置情報を入力した時にエンベディングベクトルを出力するベクトル変換モデルを生成する。
【0146】
また、生成部１３３は、ニューラルネットワークによる機械学習の手法等を用いて、位置情報とセンサデータとの組について機械学習を行い、過去データに基づく将来データの予測モデルを生成する。
【0147】
ここでは、生成部１３３は、ＲＮＮ（Recurrent Neural Network）やＬＳＴＭ（Long short-term memory）を用いた機械学習により、ベクトル変換モデルを生成する。なお、モデルは、任意の種別及び任意の形式のモデルが採用可能である。例えば、生成部１３３は、ＳＶＭ（Support Vector Machine）やＤＮＮ（Deep Neural Network）をモデルとして採用してもよい。ここで、ＤＮＮは、ＣＮＮ（Convolutional Neural Network）やＲＮＮであってもよい。また、モデルは、例えば、ＣＮＮとＲＮＮとを組み合わせたモデル等、複数のモデルを組み合わせることで実現されるモデルであってもよい。
【0148】
なお、ＲＮＮやＬＳＴＭは、アテンション（Attention）の仕組みに基づくニューラルネットワークであってもよい。また、生成部１３３は、同様の自然言語処理モデルを用いてもよい。
【0149】
学習は、例えばＤＮＮを利用したディープラーニング（深層学習）等である。また、データマイニングやその他の機械学習アルゴリズムを利用してもよい。生成部１３３は、上述した各種の学習手法により、モデルの学習を行う。
【0150】
また、生成部１３３は、端末装置１０の学習部３７とベクトル変換モデルや予測モデルを共有してもよい。
【0151】
（提供部１３４）
提供部１３４は、生成されたベクトル変換モデルや所定の変換規則等をユーザＵの端末装置１０に提供する。すなわち、提供部１３４は、通信部１１０を介して、生成されたベクトル変換モデルや所定の変換規則等をユーザＵの端末装置１０に送信する。
提供部１３４は、生成されたベクトル変換モデルや所定の変換規則等をユーザＵの端末装置１０に提供する。すなわち、提供部１３４は、通信部１１０を介して、生成されたベクトル変換モデルや所定の変換規則等をユーザＵの端末装置１０に送信する。
【0152】
〔５．処理手順〕
次に、図８を用いて実施形態に係る端末装置１０及び情報提供装置１００による処理手順について説明する。図８は、実施形態に係る処理手順を示すシーケンス図である。なお、以下に示す処理手順は、端末装置１０の制御部３０、又は情報提供装置１００の制御部１３０によって繰り返し実行される。
次に、図８を用いて実施形態に係る端末装置１０及び情報提供装置１００による処理手順について説明する。図８は、実施形態に係る処理手順を示すシーケンス図である。なお、以下に示す処理手順は、端末装置１０の制御部３０、又は情報提供装置１００の制御部１３０によって繰り返し実行される。
【0153】
図８に示すように、情報提供装置１００の生成部１３３は、過去に収集された端末装置１０の位置情報を蓄積した既存の位置履歴（又は仮定の位置情報）やセンサデータに基づいて、位置情報をエンベディングベクトルに変換するためのベクトル変換モデルや所定の変換規則等を生成する（ステップＳ１０１）。例えば、生成部１３３は、位置情報とエンベディングベクトルとの組を正解データとしてモデルに学習させることで、位置情報を入力した時にエンベディングベクトルを出力するベクトル変換モデルを生成する。
【0154】
そして、情報提供装置１００の提供部１３４は、生成されたベクトル変換モデルや所定の変換規則等をユーザＵの端末装置１０に提供する（ステップＳ１０２）。すなわち、提供部１３４は、通信部１１０を介して、生成されたベクトル変換モデルや所定の変換規則等をユーザＵの端末装置１０に送信する。
【0155】
そして、端末装置１０の取得部３４は、情報提供装置１００から提供されたベクトル変換モデルや所定の変換規則等を取得する（ステップＳ１０３）。
【0156】
そして、端末装置１０の取得部３４は、常時／周期的に／所定のタイミングで、端末装置１０の位置情報を取得する（ステップＳ１０４）。
【0157】
例えば、取得部３４は、測位部１４により測位された端末装置１０の位置情報を取得する。また、取得部３４は、各センサ２１～２８によって検知されたセンサデータに基づいて端末装置１０の屋内位置情報を推定して取得する。
【0158】
また、取得部３４は、位置情報とともに、自身に搭載又は接続された各センサ２１～２８を用いて、環境音、加速度、気圧等のセンサデータを取得する（ステップＳ１０５）。
【0159】
なお、取得部３４は、取得した位置情報を位置履歴（例えば、ロケーション履歴、行動履歴等）として蓄積する。また、取得部３４は、取得した各種センサデータを種別ごとに蓄積する。なお、取得部３４は、取得した時刻又は時間帯ごとに、位置情報とセンサデータとを紐づけして蓄積してもよい。
【0160】
そして、端末装置１０の変換部３５は、同時刻又は同じ時間帯の位置情報とセンサデータとの組を生成する（ステップＳ１０６）。
【0161】
そして、変換部３５は、位置情報とセンサデータとの組を時系列に並べたシーケンスデータを生成する（ステップＳ１０７）。
【0162】
このとき、端末装置１０の予測部３６は、位置情報とセンサデータとの組の過去データに基づいて将来データを予測してもよい。例えば、予測部３６は、ある時刻においてセンサデータが取得できない事態が発生しても、その時刻までの位置情報とセンサデータとの組を予測モデルに入力し、出力として得られた位置情報とセンサデータとの組に基づいて、その時刻に取得されるはずであったセンサデータを推測する。この場合、変換部３５は、予測された将来データの位置情報とセンサデータとの組を時系列に並べたシーケンスデータを生成する。
【0163】
このとき、端末装置１０の学習部３７は、ニューラルネットワークによる機械学習の手法等を用いて、位置情報とセンサデータとの組について機械学習を行い、過去データに基づく将来データの予測モデルを再構築してもよい。
【0164】
そして、変換部３５は、シーケンスデータに基づいて、エンベディングベクトルを生成する（ステップＳ１０８）。
【0165】
例えば、変換部３５は、例えばＲＮＮ（Recurrent Neural Network）やＬＳＴＭ（Long short-term memory）等を用いた機械学習を経て構築されるベクトル変換モデルにシーケンスデータを入力し、出力としてエンベディングベクトルを取得する。なお、ＲＮＮやＬＳＴＭは、アテンション（Attention）の仕組みに基づくニューラルネットワークであってもよい。また、変換部３５は、同様の自然言語処理モデルを用いてもよい。
【0166】
このとき、端末装置１０の学習部３７は、ニューラルネットワークによる機械学習の手法等を用いて、位置情報とセンサデータとの組について機械学習を行い、位置情報とセンサデータとの組をエンベディングベクトルに変換するためのベクトル変換モデルを再構築してもよい。
【0167】
あるいは、変換部３５は、所定の変換規則に従って（ルールベースで）、シーケンスデータをエンベディングベクトルに変換してもよい。
【0168】
但し、シーケンスデータは一例に過ぎない。実際には、例えば位置情報とセンサデータとの生データをそのまま時系列に沿って順番にモデルに入力してもよい。
【0169】
そして、端末装置１０の送信部３１は、変換部３５により変換されたエンベディングベクトルを、通信部１１を介して情報提供装置１００へ送信する（ステップＳ１０９）。
【0170】
そして、情報提供装置１００の収集部１３１は、個々の端末装置１０から位置情報とセンサデータとの組に基づくエンベディングベクトルを収集する（ステップＳ１１０）。すなわち、収集部１３１は、通信部１１０を介して、端末装置１０から位置情報とセンサデータとの組に基づくエンベディングベクトルを受信する。
【0171】
そして、情報提供装置１００の判定部１３２は、収集された位置情報とセンサデータとの組に基づくエンベディングベクトルを解析し、ユーザＵの行動（所在、振る舞い、移動等）を判定する（ステップＳ１１１）。
【0172】
このとき、判定部１３２は、エンベディングベクトルを特定空間に配置し、ユーザＵ自身の行動の類似性や変化、及び／又はユーザＵと他のユーザとの行動の類似性や相違性を判定してもよい。
【0173】
また、情報提供装置１００の生成部１３３は、端末装置１０から受信した位置情報とセンサデータとの組に基づくエンベディングベクトルに基づいて、ベクトル変換モデルや所定の変換規則等を更新してもよい。
【0174】
〔６．変形例〕
上述した端末装置１０及び情報提供装置１００は、上記実施形態以外にも種々の異なる形態にて実施されてよい。そこで、以下では、実施形態の変形例について説明する。
上述した端末装置１０及び情報提供装置１００は、上記実施形態以外にも種々の異なる形態にて実施されてよい。そこで、以下では、実施形態の変形例について説明する。
【0175】
上記実施形態において、端末装置１０は、位置情報とセンサデータとの組に基づくエンベディングベクトルを生成しているが、このとき、位置情報に基づくエンベディングベクトルと、センサデータに基づくエンベディングベクトルとを別々に生成し、これらを結合して１つのエンベディングベクトルを生成してもよい。例えば、端末装置１０は、２０要素以上の多次元のエンベディングベクトルのうち、１要素目～１０要素目には位置情報に基づくエンベディングベクトルを配置し、１１要素目～２０要素目にはセンサデータに基づくエンベディングベクトルを配置してもよい。この場合、位置情報に基づくエンベディングベクトルが「ユーザの行動や所在」等を示し、センサデータに基づくエンベディングベクトルが「ユーザのおかれた環境や状況」等を示す。
【0176】
このとき、ベクトル変換モデルとして、位置情報をベクトルに変換するモデルと、センサデータをベクトルに変換するモデルとの２種類のモデルを構築してもよい。あるいは、１つのベクトル変換モデルが、入力された位置情報とセンサデータとをそれぞれ個別にベクトルに変換し、これら２種類のベクトルを結合してもよい。
【0177】
また、上記実施形態において、情報提供装置１００は、位置情報とセンサデータとの組に基づくエンベディングベクトルのベクトル値により、ユーザＵが「山に行った」、「海に行った」、「地方に行った」、「外国に行った」等の行動を判定してもよい。また、ユーザＵが「旅行に行った」、「出張した」等の行動を判定してもよい。また、ユーザＵが「日帰りした」、「宿泊した」等の行動を判定してもよい。
【0178】
また、上記実施形態において、端末装置１０は、情報提供装置１００（サーバ側）に、ユーザＵの行動に関する詳細な情報を知らせたくない場合、位置情報を蓄積する際、又はエンベディングに先立って、位置情報の端数処理（丸め処理）を行い、位置情報を丸めて精度の粗い位置情報に変換してもよい。例えば、端末装置１０は、位置情報がＧＰＳ（Global Positioning System）座標の緯度経度情報である場合、緯度と経度の１０進角度での小数点以下（度分秒法での分以下）の値の切り上げ又は切り捨て（四捨五入でも可）を行い、大まかな値の位置情報に変換する。これにより、ユーザＵの行動に関する情報について、端末装置１０から情報提供装置１００（サーバ側）に伝える情報の内容を制限することができる。また、機械学習の学習データとしての位置情報の情報量を削減し、処理の負荷を軽減することができる。
【0179】
また、上記実施形態において、エンベディングベクトルの各要素の値は、便宜上、「０」と「１」とで表現しているが、実際には、「２」以上の数値や、複数桁の数値や、整数部分と小数部分とを有する数値であってもよい。すなわち、実数であればよい。これにより、多次元のエンベディングベクトルの各要素において複数の情報や詳細な情報を表現することができる。
【0180】
また、上記実施形態において、端末装置１０は、取得した位置情報やセンサデータを蓄積しているが、ベクトル化した状態で蓄積してもよい。例えば、端末装置１０は、個々の位置情報が示す場所に基づいて、位置情報とセンサデータとの組を、「自宅にいる」、「職場にいる」、「店舗にいる」、「屋外にいる」等を示すベクトル値に変換して蓄積してもよい。そして、時系列に沿って同じベクトル値が連続している場合、それらを一括してエンベディングベクトルとしてもよい。
【0181】
また、上記実施形態において、端末装置１０又は情報提供装置１００は、ベクトル変換モデルや予測モデル、又は所定の変換規則（ルール）等を、個々のユーザＵの性質や状況に応じて個別に調整してもよい。例えば、ベクトル変換モデルや予測モデル、又は所定の変換規則等をカスタマイズしてもよい。
【0182】
また、上記実施形態において、フェデレーテッドラーニング（Federated Learning）等を用いて、位置情報とセンサデータとの組をエンベディングベクトルに変換するためのベクトル変換モデルや、過去データに基づく将来データの予測モデル等を生成してもよい。例えば、フェデレーテッドラーニングでは、個々の端末装置１０は、ベクトル変換モデルや予測モデル等に対し、それぞれ位置情報とセンサデータとの組を学習データとして機械学習を行い、元のモデルと学習後のモデルとの差分データを情報提供装置１００に送信する。情報提供装置１００は、差分データを各端末装置１０から受信し、これらを統合して学習し、モデル毎に共通モデルを生成する。そして、情報提供装置１００は、生成された共通モデルのパラメータ等を各端末装置１０に提供する。このように、フェデレーテッドラーニングを用いることで、学習データである端末の位置情報とセンサデータとの組をサーバ側に提供することなく学習を行うことが可能であるため、ユーザの個人情報やプライバシーに配慮することができる。
【0183】
〔７．効果〕
上述してきたように、本願に係る情報処理装置（端末装置１０）は、位置情報を取得する第１取得部（取得部３４）と、センサからセンサデータを取得する第２取得部（取得部３４）と、位置情報とセンサデータとをベクトルに変換する変換部３５と、ベクトルを送信する送信部と、を備える。このとき、変換部３５は、複数の位置情報とセンサデータとを一括して単数のベクトルに変換する。変換部３５は、機械学習により得られたベクトル変換モデルを用いて、又は所定の変換規則に従って、位置情報とセンサデータとをベクトルに変換する。
上述してきたように、本願に係る情報処理装置（端末装置１０）は、位置情報を取得する第１取得部（取得部３４）と、センサからセンサデータを取得する第２取得部（取得部３４）と、位置情報とセンサデータとをベクトルに変換する変換部３５と、ベクトルを送信する送信部と、を備える。このとき、変換部３５は、複数の位置情報とセンサデータとを一括して単数のベクトルに変換する。変換部３５は、機械学習により得られたベクトル変換モデルを用いて、又は所定の変換規則に従って、位置情報とセンサデータとをベクトルに変換する。
【0184】
これにより、情報処理装置は、位置情報とセンサデータとをエンベディングして送信することができる。
【0185】
〔８．ハードウェア構成〕
また、上述した実施形態に係る端末装置１０や情報提供装置１００は、例えば図９に示すような構成のコンピュータ１０００によって実現される。以下、情報提供装置１００を例に挙げて説明する。図９は、ハードウェア構成の一例を示す図である。コンピュータ１０００は、出力装置１０１０、入力装置１０２０と接続され、演算装置１０３０、一次記憶装置１０４０、二次記憶装置１０５０、出力Ｉ／Ｆ（Interface）１０６０、入力Ｉ／Ｆ１０７０、ネットワークＩ／Ｆ１０８０がバス１０９０により接続された形態を有する。
また、上述した実施形態に係る端末装置１０や情報提供装置１００は、例えば図９に示すような構成のコンピュータ１０００によって実現される。以下、情報提供装置１００を例に挙げて説明する。図９は、ハードウェア構成の一例を示す図である。コンピュータ１０００は、出力装置１０１０、入力装置１０２０と接続され、演算装置１０３０、一次記憶装置１０４０、二次記憶装置１０５０、出力Ｉ／Ｆ（Interface）１０６０、入力Ｉ／Ｆ１０７０、ネットワークＩ／Ｆ１０８０がバス１０９０により接続された形態を有する。
【0186】
演算装置１０３０は、一次記憶装置１０４０や二次記憶装置１０５０に格納されたプログラムや入力装置１０２０から読み出したプログラム等に基づいて動作し、各種の処理を実行する。演算装置１０３０は、例えばＣＰＵ（Central Processing Unit）、ＭＰＵ（Micro Processing Unit）、ＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（Field Programmable Gate Array）等により実現される。
【0187】
一次記憶装置１０４０は、ＲＡＭ（Random Access Memory）等、演算装置１０３０が各種の演算に用いるデータを一次的に記憶するメモリ装置である。また、二次記憶装置１０５０は、演算装置１０３０が各種の演算に用いるデータや、各種のデータベースが登録される記憶装置であり、ＲＯＭ（Read Only Memory）、ＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid State Drive）、フラッシュメモリ等により実現される。二次記憶装置１０５０は、内蔵ストレージであってもよいし、外付けストレージであってもよい。また、二次記憶装置１０５０は、ＵＳＢメモリやＳＤ（Secure Digital）メモリカード等の取り外し可能な記憶媒体であってもよい。また、二次記憶装置１０５０は、クラウドストレージ（オンラインストレージ）やＮＡＳ（Network Attached Storage）、ファイルサーバ等であってもよい。
【0188】
出力Ｉ／Ｆ１０６０は、ディスプレイ、プロジェクタ、及びプリンタ等といった各種の情報を出力する出力装置１０１０に対し、出力対象となる情報を送信するためのインターフェイスであり、例えば、ＵＳＢ（Universal Serial Bus）やＤＶＩ（Digital Visual Interface）、ＨＤＭＩ（登録商標）（High Definition Multimedia Interface）といった規格のコネクタにより実現される。また、入力Ｉ／Ｆ１０７０は、マウス、キーボード、キーパッド、ボタン、及びスキャナ等といった各種の入力装置１０２０から情報を受信するためのインターフェイスであり、例えば、ＵＳＢ等により実現される。
【0189】
また、出力Ｉ／Ｆ１０６０及び入力Ｉ／Ｆ１０７０はそれぞれ出力装置１０１０及び入力装置１０２０と無線で接続してもよい。すなわち、出力装置１０１０及び入力装置１０２０は、ワイヤレス機器であってもよい。
【0190】
また、出力装置１０１０及び入力装置１０２０は、タッチパネルのように一体化していてもよい。この場合、出力Ｉ／Ｆ１０６０及び入力Ｉ／Ｆ１０７０も、入出力Ｉ／Ｆとして一体化していてもよい。
【0191】
なお、入力装置１０２０は、例えば、ＣＤ（Compact Disc）、ＤＶＤ（Digital Versatile Disc）、ＰＤ（Phase change rewritable Disk）等の光学記録媒体、ＭＯ（Magneto-Optical disk）等の光磁気記録媒体、テープ媒体、磁気記録媒体、又は半導体メモリ等から情報を読み出す装置であってもよい。
【0192】
ネットワークＩ／Ｆ１０８０は、ネットワークＮを介して他の機器からデータを受信して演算装置１０３０へ送り、また、ネットワークＮを介して演算装置１０３０が生成したデータを他の機器へ送信する。
【0193】
演算装置１０３０は、出力Ｉ／Ｆ１０６０や入力Ｉ／Ｆ１０７０を介して、出力装置１０１０や入力装置１０２０の制御を行う。例えば、演算装置１０３０は、入力装置１０２０や二次記憶装置１０５０からプログラムを一次記憶装置１０４０上にロードし、ロードしたプログラムを実行する。
【0194】
例えば、コンピュータ１０００が情報提供装置１００として機能する場合、コンピュータ１０００の演算装置１０３０は、一次記憶装置１０４０上にロードされたプログラムを実行することにより、制御部１３０の機能を実現する。また、コンピュータ１０００の演算装置１０３０は、ネットワークＩ／Ｆ１０８０を介して他の機器から取得したプログラムを一次記憶装置１０４０上にロードし、ロードしたプログラムを実行してもよい。また、コンピュータ１０００の演算装置１０３０は、ネットワークＩ／Ｆ１０８０を介して他の機器と連携し、プログラムの機能やデータ等を他の機器の他のプログラムから呼び出して利用してもよい。
【0195】
〔９．その他〕
以上、本願の実施形態を説明したが、これら実施形態の内容により本発明が限定されるものではない。また、前述した構成要素には、当業者が容易に想定できるもの、実質的に同一のもの、いわゆる均等の範囲のものが含まれる。さらに、前述した構成要素は適宜組み合わせることが可能である。さらに、前述した実施形態の要旨を逸脱しない範囲で構成要素の種々の省略、置換又は変更を行うことができる。
以上、本願の実施形態を説明したが、これら実施形態の内容により本発明が限定されるものではない。また、前述した構成要素には、当業者が容易に想定できるもの、実質的に同一のもの、いわゆる均等の範囲のものが含まれる。さらに、前述した構成要素は適宜組み合わせることが可能である。さらに、前述した実施形態の要旨を逸脱しない範囲で構成要素の種々の省略、置換又は変更を行うことができる。
【0196】
また、上記実施形態において説明した各処理のうち、自動的に行われるものとして説明した処理の全部又は一部を手動的に行うこともでき、あるいは、手動的に行われるものとして説明した処理の全部又は一部を公知の方法で自動的に行うこともできる。この他、上記文書中や図面中で示した処理手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。例えば、各図に示した各種情報は、図示した情報に限られない。
【0197】
また、図示した各装置の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、各装置の分散・統合の具体的形態は図示のものに限られず、その全部又は一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的又は物理的に分散・統合して構成することができる。
【0198】
例えば、上述した情報提供装置１００は、複数のサーバコンピュータで実現してもよく、また、機能によっては外部のプラットホーム等をＡＰＩ（Application Programming Interface）やネットワークコンピューティング等で呼び出して実現するなど、構成は柔軟に変更できる。
【0199】
また、上述してきた実施形態及び変形例は、処理内容を矛盾させない範囲で適宜組み合わせることが可能である。
【0200】
また、上述してきた「部（section、module、unit）」は、「手段」や「回路」などに読み替えることができる。例えば、取得部は、取得手段や取得回路に読み替えることができる。
【符号の説明】
【0201】
１ 情報処理システム
１０ 端末装置
１４ 測位部
３０ 制御部
３１ 送信部
３２ 受信部
３３ 処理部
３４ 取得部
３５ 変換部
３６ 予測部
３７ 学習部
１００ 情報提供装置
１１０ 通信部
１２０ 記憶部
１２１ 変換情報データベース
１２２ ベクトル情報データベース
１３０ 制御部
１３１ 収集部
１３２ 判定部
１３３ 生成部
１３４ 提供部
１０ 端末装置
１４ 測位部
３０ 制御部
３１ 送信部
３２ 受信部
３３ 処理部
３４ 取得部
３５ 変換部
３６ 予測部
３７ 学習部
１００ 情報提供装置
１１０ 通信部
１２０ 記憶部
１２１ 変換情報データベース
１２２ ベクトル情報データベース
１３０ 制御部
１３１ 収集部
１３２ 判定部
１３３ 生成部
１３４ 提供部
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】