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】特許公報(B2)
(11)【特許番号】
(24)【登録日】2023-02-06
(45)【発行日】2023-02-14
(54)【発明の名称】抽出装置、抽出方法、及び抽出プログラム
(51)【国際特許分類】
G06F 16/29 20190101AFI20230207BHJP
G06F 16/387 20190101ALI20230207BHJP
G06F 16/487 20190101ALI20230207BHJP
G06F 16/909 20190101ALI20230207BHJP
G06Q 50/10 20120101ALI20230207BHJP
【ＦＩ】
G06F16/29
G06F16/387
G06F16/487
G06F16/909
G06Q50/10
【請求項の数】
12
(21)【出願番号】P 2017143449
(22)【出願日】2017-07-25
(65)【公開番号】P2019028488
(43)【公開日】2019-02-21
【審査請求日】2020-03-09
【審判番号】
【審判請求日】2022-02-03
(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】谷口 博基
(72)【発明者】
【氏名】田島 玲
(72)【発明者】
【氏名】坪内 孝太
【合議体】
【審判長】篠原 功一
【審判官】児玉 崇晶
【審判官】山澤 宏
(56)【参考文献】
【文献】特開２０１１－１９８２９２号公報（ＪＰ，Ａ）
【文献】特開２０１１－０８１４３１号公報（ＪＰ，Ａ）
【文献】特開２００８－１２３３１７号公報（ＪＰ，Ａ）
【文献】特開２００８－０６５３８１号公報（ＪＰ，Ａ）
【文献】米国特許出願公開第２０１１／００７１８８１号明細書（ＵＳ，Ａ１）
【文献】特開２０１０－１４５９２号公報（ＪＰ，Ａ）
(58)【調査した分野】(Int.Cl.，ＤＢ名)
G06F16/29
G06F16/387
G06F16/487
G06F16/909
G06Q 50/10
(57)【特許請求の範囲】
【請求項1】
所定の期間において検知されたユーザの複数の位置情報を取得する取得部と、前記取得部により取得された複数の位置情報のうち、位置の変化に関する所定の規則性であって、前記位置の変化に基づく前記ユーザに移動速度がランニングに対応していることを示す所定の規則性を満たし、前記ユーザが所定の範囲を周回していることを示す位置情報群を抽出する抽出部と、
前記位置情報群に基づいて、前記所定の範囲を周回してランニングする前記ユーザに広告を配信するサービスを提供する提供部と、
を備えることを特徴とする抽出装置。
【請求項2】
前記抽出部は、連続して検知された複数の位置情報を前記位置情報群として抽出する
ことを特徴とする請求項１に記載の抽出装置。
【請求項3】
前記抽出部により抽出された位置情報群に基づいて、前記所定の期間の前後における前記ユーザの行動を予測する予測部、をさらに備えることを特徴とする請求項１または請求項２に記載の抽出装置。
【請求項4】
前記予測部は、所定の行動の発生有無の予測に用いられるモデルであって、前記位置情報群が入力されたモデルの出力に基づいて、前記ユーザの前記所定の行動の有無を予測する
ことを特徴とする請求項３に記載の抽出装置。
【請求項5】
前記取得部は、前記位置情報群が検知された期間である対象期間ではない期間における前記ユーザの行動情報を取得し、
前記抽出部は、
前記ユーザの行動情報のうち、所定の条件を満たす行動情報である対象行動情報を抽出する
ことを特徴とする請求項１～４のいずれか１項に記載の抽出装置。
【請求項6】
前記抽出部は、前記対象期間よりも後における前記対象行動情報を抽出する
ことを特徴とする請求項５に記載の抽出装置。
【請求項7】
前記抽出部は、前記対象期間の終了時における位置情報に対応する位置から所定の範囲内に前記対象行動情報を抽出する
ことを特徴とする請求項６に記載の抽出装置。
【請求項8】
前記抽出部は、前記対象期間よりも前における前記対象行動情報を抽出する
ことを特徴とする請求項５～７のいずれか１項に記載の抽出装置。
【請求項9】
前記抽出部は、前記対象期間の開始時における位置情報に対応する位置から所定の範囲内に前記対象行動情報を抽出する
ことを特徴とする請求項８に記載の抽出装置。
【請求項10】
前記位置情報群と、前記位置情報群に対応する前記対象行動情報とを含む学習データに基づいて、所定の行動の発生有無の予測に用いられるモデルを生成する生成部、をさらに備えることを特徴とする請求項５～９のいずれか１項に記載の抽出装置。
【請求項11】
コンピュータが実行する抽出方法であって、所定の期間において検知されたユーザの複数の位置情報を取得する取得工程と、
前記取得工程により取得された複数の位置情報のうち、位置の変化に関する所定の規則性であって、前記位置の変化に基づく前記ユーザに移動速度がランニングに対応していることを示す所定の規則性を満たし、前記ユーザが所定の範囲を周回していることを示す位置情報群を抽出する抽出工程と、
前記位置情報群に基づいて、前記所定の範囲を周回してランニングする前記ユーザに広告を配信するサービスを提供する提供工程と、
を含むことを特徴とする抽出方法。
【請求項12】
所定の期間において検知されたユーザの複数の位置情報を取得する取得手順と、前記取得手順により取得された複数の位置情報のうち、位置の変化に関する所定の規則性であって、前記位置の変化に基づく前記ユーザに移動速度がランニングに対応していることを示す所定の規則性を満たし、前記ユーザが所定の範囲を周回していることを示す位置情報群を抽出する抽出手順と、
前記位置情報群に基づいて、前記所定の範囲を周回してランニングする前記ユーザに広告を配信するサービスを提供する提供手順と、
をコンピュータに実行させることを特徴とする抽出プログラム。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、抽出装置、抽出方法、及び抽出プログラムに関する。
【背景技術】
【0002】
従来、ユーザの行動に関する情報を抽出する技術が提供されている。例えば、ユーザの行動や移動に伴って断続的に得られる履歴情報を用いながら、ユーザが立ち寄った又は滞在した施設を間接的に推定する技術が提供されている。
【先行技術文献】
【特許文献】
【0003】
【文献】特開２０１０－２４４４３３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、規則性を満たすユーザの情報を適切に抽出することが難しい場合がある。例えば、ユーザの行動や移動に伴って断続的に得られる履歴情報を用いるだけでは、例えばユーザの行動の連続による行動に関する情報等を適切に抽出することが難しい場合がある。
【0005】
本願は、上記に鑑みてなされたものであって、規則性を満たすユーザの情報を適切に抽出する抽出装置、抽出方法、及び抽出プログラムを提供することを目的とする。
【課題を解決するための手段】
【0006】
本願に係る抽出装置は、所定の期間において検知されたユーザの複数の位置情報を取得する取得部と、前記取得部により取得された複数の位置情報のうち、位置の変化に関する所定の規則性を満たす位置情報群を抽出する抽出部とを備えたことを特徴とする。
【発明の効果】
【0007】
実施形態の一態様によれば、規則性を満たすユーザの情報を適切に抽出することができるという効果を奏する。
【図面の簡単な説明】
【0008】
【発明を実施するための形態】
【0009】
以下に、本願に係る抽出装置、抽出方法、抽出プログラム、学習データ、及びモデルを実施するための形態（以下、「実施形態」と呼ぶ）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抽出装置、抽出方法、抽出プログラム、学習データ、及びモデルが限定されるものではない。また、以下の各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。
【0010】
（実施形態）
〔１．抽出処理〕
図１及び図２を用いて、実施形態に係る抽出処理の一例について説明する。図１及び図２は、実施形態に係る抽出処理の一例を示す図である。図１及び図２の例では、ユーザが利用する端末装置１０が検知したセンサ情報（位置情報）から、位置の変化に関する所定の規則性を満たす位置情報群を抽出する場合を示す。また、図１及び図２に示す抽出処理には、位置情報群とユーザの所定の行動の有無を示す情報を用いてモデルを生成する処理が含まれる。なお、抽出処理には、モデルを生成する処理が含まれなくてもよい。
〔１．抽出処理〕
図１及び図２を用いて、実施形態に係る抽出処理の一例について説明する。図１及び図２は、実施形態に係る抽出処理の一例を示す図である。図１及び図２の例では、ユーザが利用する端末装置１０が検知したセンサ情報（位置情報）から、位置の変化に関する所定の規則性を満たす位置情報群を抽出する場合を示す。また、図１及び図２に示す抽出処理には、位置情報群とユーザの所定の行動の有無を示す情報を用いてモデルを生成する処理が含まれる。なお、抽出処理には、モデルを生成する処理が含まれなくてもよい。
【0011】
〔１－１．抽出システムの構成〕
まず、図１及び図２の説明に先立って、図３に示す抽出システム１について説明する。図３に示すように、抽出システム１は、端末装置１０と、抽出装置１００とが含まれる。端末装置１０と、抽出装置１００とは所定のネットワークＮを介して、有線または無線により通信可能に接続される。図３は、実施形態に係る抽出システムの構成例を示す図である。なお、図３に示した抽出システム１には、複数台の端末装置１０や、複数台の抽出装置１００が含まれてもよい。
まず、図１及び図２の説明に先立って、図３に示す抽出システム１について説明する。図３に示すように、抽出システム１は、端末装置１０と、抽出装置１００とが含まれる。端末装置１０と、抽出装置１００とは所定のネットワークＮを介して、有線または無線により通信可能に接続される。図３は、実施形態に係る抽出システムの構成例を示す図である。なお、図３に示した抽出システム１には、複数台の端末装置１０や、複数台の抽出装置１００が含まれてもよい。
【0012】
端末装置１０は、ユーザによって利用される情報処理装置である。端末装置１０は、例えば、スマートフォンや、タブレット型端末や、ノート型ＰＣ（Personal Computer）や、デスクトップＰＣや、携帯電話機や、ＰＤＡ（Personal Digital Assistant）等により実現される。図１及び図２は、端末装置１０がスマートフォンである場合を示す。
【0013】
また、端末装置１０は、ＧＰＳ（Global Positioning System）センサ等の機能を有し、ユーザの位置情報（センサ情報）を検知し、取得するものとする。また、端末装置１０は、通信を行っている基地局の位置情報や、ＷｉＦｉ（登録商標）（Wireless Fidelity）の電波を用いてユーザの位置情報を推定し、取得してもよい。なお、以下では位置情報を単に「位置」と記載する場合がある。
【0014】
また、端末装置１０は、ＧＰＳセンサ等に限らず種々のセンサにより、各種センサ情報を検知してもよい。例えば、端末装置１０は、加速度センサの機能を有し、ユーザの移動における加速度情報（センサ情報）を検知し、取得可能であってもよい。また、端末装置１０は、温度センサや気圧センサ等の種々の機能を有し、温度や気圧等のユーザの置かれている環境情報を検知し、取得可能であってもよい。また、端末装置１０は、心拍センサ等の種々の機能を有し、ユーザの生体情報を検知し、取得可能であってもよい。例えば、端末装置１０を利用するユーザは、端末装置１０と通信可能なウェアラブルデバイスを身に付けることにより、端末装置１０によりユーザ自身のコンテキスト情報を取得可能としてもよい。例えば、端末装置１０を利用するユーザは、端末装置１０と通信可能なリストバンド型のウェアラブルデバイスを身に付けることにより、端末装置１０によりユーザ自身の心拍（脈拍）に関する情報を端末装置１０が取得可能としてもよい。
【0015】
また、端末装置１０は、ユーザによる操作を受け付ける。また、端末装置１０は、抽出装置１００に種々の情報を送信する。例えば、端末装置１０は、抽出装置１００に位置情報や行動情報等を送信する。なお、以下では、端末装置１０をユーザと表記する場合がある。すなわち、以下では、ユーザを端末装置１０と読み替えることもできる。
【0016】
以下では、ユーザＩＤ「Ｕ１」により識別されるユーザを「ユーザＵ１」とする場合がある。このように、以下では、「ユーザＵ＊（＊は任意の数値）」と記載した場合、そのユーザはユーザＩＤ「Ｕ＊」により識別されるユーザであることを示す。例えば、「ユーザＵ２」と記載した場合、そのユーザはユーザＩＤ「Ｕ２」により識別されるユーザである。例えば、図３に示した抽出システム１には、ユーザＵ１が利用する端末装置１０や、ユーザＵ２が利用する端末装置１０等の多数の端末装置１０が含まれる。
【0017】
図１に示す端末装置１０は、ユーザＵ１によって利用される情報処理装置である。図２に示す端末装置１０は、ユーザＵ２によって利用される情報処理装置である。端末装置１０は、ユーザによる種々の操作を受け付ける。なお、端末装置１０をユーザと表記する場合がある。すなわち、ユーザを端末装置１０と読み替えることもできる。
【0018】
抽出装置１００は、所定の期間において検知されたユーザの複数の位置情報のうち、位置の変化に関する所定の規則性を満たす位置情報（位置情報群）を抽出する情報処理装置である。また、抽出装置１００は、位置情報群と、位置情報群に対応する行動情報（以下、「対象行動情報」ともいう）とを含む学習データに基づいて、所定の行動の発生有無の予測に用いられるモデルを生成する。
【0019】
〔１－２．移動（位置変化有）について〕
図１の例では、抽出装置１００がユーザＵ１について、日時ｄｔ１１～ｄｔ１８において検知されたユーザの複数の位置情報のうち、位置の変化に関する所定の規則性を満たす位置情報群を抽出する場合を示す。なお、ユーザＵ１は、端末装置１０を利用するユーザであり、抽出装置１００は端末装置１０が有するＧＰＳセンサ等の機能により端末装置１０の位置を取得する。図１に示す地図情報ＭＰ１は、ユーザＵ１の位置を模式的に示す。また、地図情報ＭＰ１において、端末装置１０（端末装置１０を所有するユーザ）の位置を位置ＬＣ１１～ＬＣ１８により示す。なお、位置ＬＣ１１～ＬＣ１８を区別しない場合は、位置ＬＣとする場合がある。また、以下では、抽出装置１００がユーザＵ１の位置やユーザＵ１の行動情報をリアルタイムに取得する場合を示すが、抽出装置１００は適宜のタイミングでユーザＵ１の位置やユーザＵ１の行動情報を取得し、抽出処理を行ってもよい。例えば、抽出装置１００は、定期的（例えば１日おき）に各ユーザの位置や行動情報を取得し、抽出処理を行ってもよい。
図１の例では、抽出装置１００がユーザＵ１について、日時ｄｔ１１～ｄｔ１８において検知されたユーザの複数の位置情報のうち、位置の変化に関する所定の規則性を満たす位置情報群を抽出する場合を示す。なお、ユーザＵ１は、端末装置１０を利用するユーザであり、抽出装置１００は端末装置１０が有するＧＰＳセンサ等の機能により端末装置１０の位置を取得する。図１に示す地図情報ＭＰ１は、ユーザＵ１の位置を模式的に示す。また、地図情報ＭＰ１において、端末装置１０（端末装置１０を所有するユーザ）の位置を位置ＬＣ１１～ＬＣ１８により示す。なお、位置ＬＣ１１～ＬＣ１８を区別しない場合は、位置ＬＣとする場合がある。また、以下では、抽出装置１００がユーザＵ１の位置やユーザＵ１の行動情報をリアルタイムに取得する場合を示すが、抽出装置１００は適宜のタイミングでユーザＵ１の位置やユーザＵ１の行動情報を取得し、抽出処理を行ってもよい。例えば、抽出装置１００は、定期的（例えば１日おき）に各ユーザの位置や行動情報を取得し、抽出処理を行ってもよい。
【0020】
まず、抽出装置１００は、日時ｄｔ１１においてユーザＵ１の位置ＬＣ１１を取得する。そして、抽出装置１００は、日時ｄｔ１１よりも後の日時ｄｔ１２においてユーザＵ１が、ＸＸ公園（関心地点ＰＯＩ１）内にいることを示す位置ＬＣ１２を取得する。例えば、抽出装置１００は、図１に示すＸＸ公園（関心地点ＰＯＩ１）や図２に示すＹＹ映画館（関心地点ＰＯＩ２）のような各種の施設等（関心地点）が所在する位置等、関心地点（ＰＯＩ：Point of Interest）に関する各種情報（以下、「ＰＯＩ情報」ともいう）を有するものとする。
【0021】
例えば、抽出装置１００は、ＰＯＩ情報と、ユーザＵ１の位置ＬＣとの比較により、ユーザＵ１がＸＸ公園に向かっていると推定する。例えば、抽出装置１００は、日時ｄｔ１１よりも後の日時ｄｔ１２においてユーザＵ１が、位置ＬＣ１１とは異なる位置であって、ＸＸ公園内にいることを示す位置ＬＣ１２を取得する。例えば、抽出装置１００は、ＰＯＩ情報と、ユーザＵ１の位置ＬＣの変化との比較により、ユーザＵ１がＸＸ公園に向かっていると推定する。図１の例では、抽出装置１００は、位置ＬＣ１１、ＬＣ１２により、ユーザＵ１がＸＸ公園に向かって（図１では下から上方向へ）移動していると推定する。なお、抽出装置１００は、端末装置１０が検知した加速度に基づいて、ユーザの移動方向を推定してもよい。また、抽出装置１００は、種々の従来技術を適宜用いることにより、端末装置１０が検知した加速度に基づいて、最後に位置情報が検知された地点からの移動を推定してもよい。
【0022】
そして、抽出装置１００は、日時ｄｔ１２よりも後の日時ｄｔ１３においてユーザＵ１が、ＸＸ公園内において、位置ＬＣ１２とは異なる位置にいることを示す位置ＬＣ１３を取得する。図１の例では、抽出装置１００は、位置ＬＣ１２、ＬＣ１３により、ユーザＵ１がＸＸ公園内を移動していると推定する。また、抽出装置１００は、位置ＬＣ１２、ＬＣ１３により、ユーザＵ１の移動速度を推定する。また、抽出装置１００は、端末装置１０が検知した加速度に基づいて、ユーザの移動速度を推定してもよい。
【0023】
そして、抽出装置１００は、日時ｄｔ１３よりも後の日時ｄｔ１４においてユーザＵ１が、ＸＸ公園内において、位置ＬＣ１３とは異なる位置にいることを示す位置ＬＣ１４を取得する。図１の例では、抽出装置１００は、位置ＬＣ１３、ＬＣ１４により、ユーザＵ１がＸＸ公園内を移動していると推定する。また、抽出装置１００は、位置ＬＣ１３、ＬＣ１４により、ユーザＵ１の移動速度を推定する。
【0024】
そして、抽出装置１００は、日時ｄｔ１４よりも後の日時ｄｔ１５においてユーザＵ１が、ＸＸ公園内において、位置ＬＣ１４とは異なる位置にいることを示す位置ＬＣ１５を取得する。図１の例では、抽出装置１００は、位置ＬＣ１４、ＬＣ１５により、ユーザＵ１がＸＸ公園内を移動していると推定する。また、抽出装置１００は、位置ＬＣ１４、ＬＣ１５により、ユーザＵ１の移動速度を推定する。
【0025】
そして、抽出装置１００は、日時ｄｔ１５よりも後の日時ｄｔ１６においてユーザＵ１が、ＸＸ公園内において、位置ＬＣ１５とは異なる位置にいることを示す位置ＬＣ１６を取得する。図１の例では、抽出装置１００は、位置ＬＣ１５、ＬＣ１６により、ユーザＵ１がＸＸ公園内を移動していると推定する。また、抽出装置１００は、位置ＬＣ１５、ＬＣ１６により、ユーザＵ１の移動速度を推定する。
【0026】
そして、抽出装置１００は、日時ｄｔ１６よりも後の日時ｄｔ１７においてユーザＵ１が、ＸＸ公園から離れたことを示す位置ＬＣ１７を取得する。そして、抽出装置１００は、日時ｄｔ１７よりも後の日時ｄｔ１８においてユーザＵ１が、Ａコンビニ（ショップＳＰ１）にいることを示す位置ＬＣ１８を取得する。また、抽出装置１００は、日時ｄｔ１８においてユーザＵ１が、ＡコンビニでＷ水を購入したことを示す行動情報ＡＣ１１を取得する。
【0027】
抽出装置１００は、日時ｄｔ１１～ｄｔ１８において検知されたユーザの複数の位置情報ＬＣ１１～ＬＣ１８のうち、位置の変化に関する所定の規則性を満たす位置情報群を抽出する（ステップＳ１１）。例えば、抽出装置１００は、モデル情報記憶部１２４（図８参照）に示すような「行動パターンＰＴ１（ランニング）」に対応する所定の規則性を満たす位置情報群を抽出する。例えば、抽出装置１００は、ユーザＵ１の位置情報の変化が例えば時速１０ｋｍ等のランニングに対応する速度で変化している位置情報群を抽出する。図１の例では、抽出装置１００は、ユーザＵ１がＸＸ公園（関心地点ＰＯＩ１）においてランニングを行っている際の位置情報群を抽出する。例えば、抽出装置１００は、ユーザＵ１の位置情報の変化が例えば時速１０ｋｍ等でＸＸ公園の周囲を移動している位置情報群を抽出する。
【0028】
図１の例では、ＸＸ公園内において、位置ＬＣ１４から位置ＬＣ１５への移動は、ユーザＵ１の周回方向（図１の例では時計回りの方向）に、位置ＬＣ１２を通過している。抽出装置１００は、上記のようなユーザＵ１の移動経過やユーザＵ１の速度に基づいて、ユーザＵ１がＸＸ公園内をランニングしていると推定する。そのため、抽出装置１００は、日時ｄｔ１２～ｄｔ１６においてユーザＵ１がＸＸ公園の周囲を移動している位置情報ＬＣ１２～ＬＣ１６を抽出する。図１の例では、抽出装置１００は、日時ｄｔ１２～ｄｔ１６においてユーザＵ１がＸＸ公園の周囲を移動している位置情報ＬＣ１２～ＬＣ１６を抽出する。
【0029】
そして、抽出装置１００は、位置情報群が検知された期間である対象期間外におけるユーザの行動のうち、所定の条件を満たす行動（以下、「対象行動」ともいう）を抽出する（ステップＳ１２）。例えば、抽出装置１００は、位置情報群（位置情報ＬＣ１２～ＬＣ１６）が検知された対象期間（日時ｄｔ１２～ｄｔ１６）外におけるユーザの行動情報のうち、所定の条件を満たす行動情報である対象行動情報を抽出する。図１の例では、抽出装置１００は、対象期間の終了時（日時ｄｔ１６）から所定の期間内（期間ＰＤ１）内におけるユーザの行動情報のうち、所定の条件を満たす行動情報である対象行動情報を抽出する。抽出装置１００は、対象期間の終了時（日時ｄｔ１６）の位置ＬＣ１６から所定の範囲内におけるユーザの行動情報のうち、所定の条件を満たす行動情報である対象行動情報を抽出してもよい。図１の例では、抽出装置１００は、対象期間の終了時（日時ｄｔ１６）から所定の期間内（期間ＰＤ１）内の日時ｄｔ１８においてユーザＵ１がＡコンビニでＷ水を購入したことを示す行動情報ＡＣ１１を対象行動情報として抽出する。また、抽出装置１００は、対象期間の終了時（日時ｄｔ１６）の位置ＬＣ１６から所定の範囲内（例えば１ｋｍ以内）においてユーザＵ１がＡコンビニでＷ水を購入したことを示す行動情報ＡＣ１１を対象行動情報として抽出する。なお、図１の例では、ユーザＵ１のみの情報を抽出する例を示したが、多数（例えば、１万人等）のユーザについても同様の情報が抽出されているものとする。
【0030】
そして、抽出装置１００は、位置情報群と対象行動情報とに基づいて、モデルを生成する（ステップＳ１３）。図１の例では、抽出装置１００は、位置情報ＬＣ１２～ＬＣ１６と、行動情報ＡＣ１１とに基づいて、モデルＭ１を生成する。例えば、抽出装置１００は、位置情報群が抽出されたユーザが飲料を購入するかを予測するモデルＭ１を生成する。例えば、抽出装置１００は、ランニング後にユーザが飲料を購入するかを予測するモデルＭ１を生成する。図１の例では、抽出装置１００は、ユーザＵ１を含む多数（例えば、１万人等）のユーザについて抽出した位置情報群を用いて、モデルＭ１を生成する。
【0031】
例えば、抽出装置１００は、行動パターンＰＴ１の規則性を満たすとして抽出された位置情報群と、その行動の前後において飲料の購入が行われたことを示す情報との組合せを正例として、モデルＭ１を生成する。例えば、抽出装置１００は、正例となる位置情報群が入力された場合に、スコア「１」を出力するように学習処理を行うことにより、モデルＭ１を生成する。例えば、抽出装置１００は、位置情報群が入力された場合に、「１」に近いスコアを出力する程、行動パターンＰＴ１の行動後に飲料の購入が行われる可能性が高いことを示すモデルＭ１を生成する。また、例えば、抽出装置１００は、飲料の購入が行われていない前後において検知されたユーザの位置情報群を負例として、モデルＭ１を生成してもよい。例えば、抽出装置１００は、負例となる位置情報群が入力された場合に、スコア「０」を出力するように学習処理を行うことにより、モデルＭ１を生成する。例えば、抽出装置１００は、位置情報群が入力された場合に、「０」に近いスコアを出力する程、飲料の購入が行われる可能性が低いことを示すモデルＭ１を生成する。例えば、抽出装置１００は、行動パターンＰＴ１の規則性を満たすとして抽出された位置情報群と、その行動の前後において飲料の購入が行われていないことを示す情報との組合せを負例として、モデルＭ１を生成してもよい。
【0032】
なお、各モデルの生成は、機械学習に関する種々の従来技術を適宜用いて行われてもよい。例えば、モデルの生成は、ＳＶＭ（Support Vector Machine）等の教師あり学習の機械学習に関する技術を用いて行われてもよい。また、例えば、モデルの生成は、教師なし学習の機械学習に関する技術を用いて行われてもよい。例えば、モデルの生成は、深層学習（ディープラーニング）の技術を用いて行われてもよい。例えば、モデルの生成は、ＤＮＮ（Deep Neural Network）やＲＮＮ（Recurrent Neural Network）やＣＮＮ（Convolutional Neural Network）等の種々のディープラーニングの技術を適宜用いて行われてもよい。なお、上記モデルの生成に関する記載は例示であり、モデルの生成は、取得可能な情報等に応じて適宜選択された学習手法により行われてもよい。
【0033】
〔１－３．滞在（位置変化無）について〕
図２の例では、抽出装置１００がユーザＵ２について、日時ｄｔ２１～ｄｔ２６において検知されたユーザの複数の位置情報のうち、位置の変化に関する所定の規則性を満たす位置情報群を抽出する場合を示す。なお、ユーザＵ２は、端末装置１０を利用するユーザであり、抽出装置１００は端末装置１０が有するＧＰＳセンサ等の機能により端末装置１０の位置を取得する。図２に示す地図情報ＭＰ２は、ユーザＵ２の位置を模式的に示す。また、地図情報ＭＰ２において、端末装置１０（端末装置１０を所有するユーザ）の位置を位置ＬＣ２１～ＬＣ２３により示す。なお、位置ＬＣ２１～ＬＣ２３を区別しない場合は、位置ＬＣとする場合がある。また、以下では、抽出装置１００がユーザＵ２の位置やユーザＵ２の行動情報をリアルタイムに取得する場合を示すが、抽出装置１００は適宜のタイミングでユーザＵ２の位置やユーザＵ２の行動情報を取得し、抽出処理を行ってもよい。例えば、抽出装置１００は、定期的（例えば１時間おき）に各ユーザの位置や行動情報を取得し、抽出処理を行ってもよい。
図２の例では、抽出装置１００がユーザＵ２について、日時ｄｔ２１～ｄｔ２６において検知されたユーザの複数の位置情報のうち、位置の変化に関する所定の規則性を満たす位置情報群を抽出する場合を示す。なお、ユーザＵ２は、端末装置１０を利用するユーザであり、抽出装置１００は端末装置１０が有するＧＰＳセンサ等の機能により端末装置１０の位置を取得する。図２に示す地図情報ＭＰ２は、ユーザＵ２の位置を模式的に示す。また、地図情報ＭＰ２において、端末装置１０（端末装置１０を所有するユーザ）の位置を位置ＬＣ２１～ＬＣ２３により示す。なお、位置ＬＣ２１～ＬＣ２３を区別しない場合は、位置ＬＣとする場合がある。また、以下では、抽出装置１００がユーザＵ２の位置やユーザＵ２の行動情報をリアルタイムに取得する場合を示すが、抽出装置１００は適宜のタイミングでユーザＵ２の位置やユーザＵ２の行動情報を取得し、抽出処理を行ってもよい。例えば、抽出装置１００は、定期的（例えば１時間おき）に各ユーザの位置や行動情報を取得し、抽出処理を行ってもよい。
【0034】
まず、抽出装置１００は、日時ｄｔ２１においてユーザＵ２の位置ＬＣ２１を取得する。そして、抽出装置１００は、日時ｄｔ２１よりも後の日時ｄｔ２２においてユーザＵ２が、ＹＹ映画館（関心地点ＰＯＩ２）内にいることを示す位置ＬＣ２２を取得する。
【0035】
例えば、抽出装置１００は、ＰＯＩ情報と、ユーザＵ２の位置ＬＣとの比較により、ユーザＵ２がＹＹ映画館に向かっていると推定する。例えば、抽出装置１００は、日時ｄｔ２１よりも後の日時ｄｔ２２においてユーザＵ２が、位置ＬＣ２１とは異なる位置であって、ＹＹ映画館内にいることを示す位置ＬＣ２２を取得する。例えば、抽出装置１００は、ＰＯＩ情報と、ユーザＵ２の位置ＬＣの変化との比較により、ユーザＵ２がＹＹ映画館に向かっていると推定する。図２の例では、抽出装置１００は、位置ＬＣ２１、ＬＣ２２により、ユーザＵ２がＹＹ映画館に向かって（図２では下から上方向へ）移動していると推定する。なお、抽出装置１００は、端末装置１０が検知した加速度に基づいて、ユーザの移動方向を推定してもよい。また、抽出装置１００は、種々の従来技術を適宜用いることにより、端末装置１０が検知した加速度に基づいて、最後に位置情報が検知された地点からの移動を推定してもよい。
【0036】
そして、抽出装置１００は、日時ｄｔ２２よりも後の日時ｄｔ２３においてユーザＵ２が、ＹＹ映画館内にいることを示す位置ＬＣ２２を取得する。図２の例では、抽出装置１００は、日時ｄｔ２２及び日時ｄｔ２３に取得した位置ＬＣ２２により、ユーザＵ２がＹＹ映画館内に滞在していると推定する。
【0037】
そして、抽出装置１００は、日時ｄｔ２３よりも後の日時ｄｔ２４においてユーザＵ２が、ＹＹ映画館内にいることを示す位置ＬＣ２２を取得する。図２の例では、抽出装置１００は、日時ｄｔ２２～日時ｄｔ２４に取得した位置ＬＣ２２により、ユーザＵ２がＹＹ映画館内に滞在していると推定する。また、抽出装置１００は、日時ｄｔ２４よりも後の日時ｄｔ２５においてユーザＵ２が、ＹＹ映画館内にいることを示す位置ＬＣ２２を取得する。図２の例では、抽出装置１００は、日時ｄｔ２２～日時ｄｔ２５に取得した位置ＬＣ２２により、ユーザＵ２がＹＹ映画館内に滞在していると推定する。また、例えば、抽出装置１００は、ユーザＵ２の位置ＬＣ２２が連続して検知された日時ｄｔ２２～日時ｄｔ２５間の時間に基づいて、ユーザＵ２がＹＹ映画館内において映画を観ていると推定してもよい。例えば、抽出装置１００は、日時ｄｔ２２～日時ｄｔ２５間の時間が所定の閾値（例えば１時間３０分等）以上である場合、ユーザＵ２がＹＹ映画館内において映画を観ていると推定してもよい。なお、日時ｄｔ２２～日時ｄｔ２５の各々において検知される位置ＬＣ２２は、ユーザＵ２がＹＹ映画館内に位置することが推定できれば位置ＬＣ２２から所定の範囲（誤差の範囲）内の位置であってもよい。
【0038】
そして、抽出装置１００は、日時ｄｔ２５よりも後の日時ｄｔ２６においてユーザＵ２が、ＹＹ映画館から離れたことを示す位置ＬＣ２３を取得する。図２の例では、抽出装置１００は、日時ｄｔ２６においてユーザＵ２が、Ｂレストラン（ショップＳＰ２）にいることを示す位置ＬＣ２３を取得する。また、抽出装置１００は、日時ｄｔ２６においてユーザＵ２が、Ｂレストランで飲食を行ったことを示す行動情報ＡＣ２１を取得する。
【0039】
抽出装置１００は、日時ｄｔ２１～ｄｔ２６において検知されたユーザの複数の位置情報ＬＣ２１～ＬＣ２３のうち、位置の変化に関する所定の規則性を満たす位置情報群を抽出する（ステップＳ２１）。例えば、抽出装置１００は、モデル情報記憶部１２４（図８参照）に示すような「行動パターンＰＴ２（滞在）」に対応する所定の規則性を満たす位置情報群を抽出する。例えば、抽出装置１００は、ユーザＵ２の位置情報の変化が例えば所定の時間に亘って変更していない位置情報群を抽出する。なお、ここでいう変更していない位置には、誤差の範囲内で変化した位置を含むものとする。図２の例では、抽出装置１００は、ユーザＵ２がＹＹ映画館（関心地点ＰＯＩ２）において滞在している際の位置情報群を抽出する。例えば、抽出装置１００は、ユーザＵ２の位置情報の変化が例えば所定の時間に亘ってＹＹ映画館内にある位置情報群を抽出する。
【0040】
図２の例では、ＹＹ映画館内において、位置ＬＣ２２は、日時ｄｔ２２～ｄｔ２５の間に亘って継続して検知されているため、ユーザＵ２がＹＹ映画館内に滞在していると推定する。そのため、抽出装置１００は、日時ｄｔ２２～ｄｔ２５においてユーザＵ２がＹＹ映画館内に滞在していることを示す日時ｄｔ２２～ｄｔ２５に各々対応する位置情報ＬＣ２２を抽出する。図２の例では、抽出装置１００は、日時ｄｔ２２～ｄｔ２５においてユーザＵ２がＹＹ映画館内に滞在していることを示す日時ｄｔ２２～ｄｔ２５に各々対応する複数の位置情報ＬＣ２２を抽出する。
【0041】
そして、抽出装置１００は、位置情報群が検知された期間である対象期間外におけるユーザの行動のうち、所定の条件を満たす対象行動を抽出する（ステップＳ２２）。例えば、抽出装置１００は、位置情報群（４つの位置情報ＬＣ２２）が検知された対象期間（日時ｄｔ２２～ｄｔ２５）外におけるユーザの行動情報のうち、所定の条件を満たす行動情報である対象行動情報を抽出する。図２の例では、抽出装置１００は、対象期間の終了時（日時ｄｔ２５）から所定の期間内（期間ＰＤ２）内におけるユーザの行動情報のうち、所定の条件を満たす行動情報である対象行動情報を抽出する。例えば、抽出装置１００は、対象期間の終了時（日時ｄｔ２５）の位置ＬＣ２２から所定の範囲内におけるユーザの行動情報のうち、所定の条件を満たす行動情報である対象行動情報を抽出してもよい。図２の例では、抽出装置１００は、対象期間の終了時（日時ｄｔ２５）から所定の期間内（期間ＰＤ２）内の日時ｄｔ２６においてユーザＵ２がＢレストランで飲食を行ったことを示す行動情報ＡＣ２１を対象行動情報として抽出する。また、抽出装置１００は、対象期間の終了時（日時ｄｔ２５）の位置ＬＣ２２から所定の範囲内（例えば２ｋｍ以内）においてユーザＵ２がＢレストランで飲食を行ったことを示す行動情報ＡＣ２１を対象行動情報として抽出する。なお、図２の例では、ユーザＵ２のみの情報を抽出する例を示したが、多数（例えば、１０万人等）のユーザについても同様の情報が抽出されているものとする。
【0042】
そして、抽出装置１００は、位置情報群と対象行動情報とに基づいて、モデルを生成する（ステップＳ２３）。図２の例では、抽出装置１００は、４つの位置情報ＬＣ２２と、行動情報ＡＣ２１とに基づいて、モデルＭ２を生成する。例えば、抽出装置１００は、位置情報群が抽出されたユーザが飲食を行うか予測するモデルＭ２を生成する。例えば、抽出装置１００は、滞在後にユーザが飲食を行うかを予測するモデルＭ２を生成する。図２の例では、抽出装置１００は、ユーザＵ２を含む多数（例えば、１０万人等）のユーザについて抽出した位置情報群を用いて、モデルＭ２を生成する。
【0043】
例えば、抽出装置１００は、行動パターンＰＴ２の規則性を満たすとして抽出された位置情報群と、その行動の前後において飲食が行われたことを示す情報との組合せを正例として、モデルＭ２を生成する。例えば、抽出装置１００は、正例となる位置情報群が入力された場合に、スコア「１」を出力するように学習処理を行うことにより、モデルＭ２を生成する。例えば、抽出装置１００は、位置情報群が入力された場合に、「１」に近いスコアを出力する程、行動パターンＰＴ２の行動後に飲食が行われる可能性が高いことを示すモデルＭ２を生成する。また、例えば、抽出装置１００は、飲食が行われていない前後において検知されたユーザの位置情報群を負例として、モデルＭ２を生成してもよい。例えば、抽出装置１００は、負例となる位置情報群が入力された場合に、スコア「０」を出力するように学習処理を行うことにより、モデルＭ２を生成する。例えば、抽出装置１００は、位置情報群が入力された場合に、「０」に近いスコアを出力する程、飲食が行われる可能性が低いことを示すモデルＭ２を生成する。例えば、抽出装置１００は、行動パターンＰＴ２の規則性を満たすとして抽出された位置情報群と、その行動の前後において飲食が行われていないことを示す情報との組合せを負例として、モデルＭ２を生成してもよい。
【0044】
上述したように、抽出装置１００は、規則性を満たすユーザの情報を適切に抽出することができる。図１の例では、抽出装置１００は、ユーザがＸＸ公園を周回するような行動を行っている場合、ユーザの位置が位置の変化に関する所定の規則性を満たすとして、その位置情報群を抽出する。また、抽出装置１００は、位置情報群が検知された期間である対象期間外における対象行動を抽出する。これにより、抽出装置１００は、ユーザがランニングをしていることを示す位置情報群と、その前後におけるユーザの対象行動とを対応付けて抽出することが可能となる。また、図２の例では、抽出装置１００は、ユーザが所定の関心地点（ＹＹ映画館等）に滞在している場合、ユーザの位置が位置の変化に関する所定の規則性を満たすとして、その位置情報群を抽出する。これにより、抽出装置１００は、ユーザが所定の位置に滞在していることを示す位置情報群と、その前後におけるユーザの対象行動とを対応付けて抽出することが可能となる。また、抽出装置１００は、このように抽出された位置情報群を用いてモデルを生成することにより、ユーザの対象行動の発生有無を適切に推定することができるモデルを生成することができる。このように、抽出装置１００は、ユーザの行動を適切に推定することができるモデルを生成することができる。
【0045】
〔１－４．対象行動（時間）及び情報提供〕
上述した例では、位置情報群が検知された期間である対象期間後にユーザが対象行動を行った場合を例に説明したが、ユーザの対象行動は、対象期間よりも前に行われてもよい。例えば、図１の例において、ユーザＵ１が対象期間（日時ｄｔ１２～ｄｔ１６）よりも前の時点（例えば日時ｄｔ１０）にＺコンビニでＸ飲料を購入している場合、抽出装置１００は、ＺコンビニでＸ飲料の購入を対象行動として抽出してもよい。例えば、抽出装置１００は、対象期間の開始時（日時ｄｔ１２）の位置ＬＣ１２から所定の範囲内（例えば１ｋｍ以内）においてユーザＵ１がＺコンビニでＸ飲料を購入したことを示す行動情報を対象行動情報として抽出する。このように、抽出装置１００は、対象期間前におけるユーザの対象行動を抽出し、位置情報群と対象期間前におけるユーザの対象行動とを対応付けて記憶してもよい。また、抽出装置１００は、位置情報群と対象期間前におけるユーザの対象行動とを対応付けた情報を外部の情報処理装置へ提供してもよい。例えば、抽出装置１００は、位置情報群と対象期間前におけるユーザの対象行動とを対応付けた情報を、ＸＸ公園を含むエリア付近をリサーチしている事業者へ提供してもよい。例えば、抽出装置１００は、位置情報群と対象期間前におけるユーザの対象行動とを対応付けた情報を、ＸＸ公園を含むエリア付近に出店を計画している事業者へ提供してもよい。
上述した例では、位置情報群が検知された期間である対象期間後にユーザが対象行動を行った場合を例に説明したが、ユーザの対象行動は、対象期間よりも前に行われてもよい。例えば、図１の例において、ユーザＵ１が対象期間（日時ｄｔ１２～ｄｔ１６）よりも前の時点（例えば日時ｄｔ１０）にＺコンビニでＸ飲料を購入している場合、抽出装置１００は、ＺコンビニでＸ飲料の購入を対象行動として抽出してもよい。例えば、抽出装置１００は、対象期間の開始時（日時ｄｔ１２）の位置ＬＣ１２から所定の範囲内（例えば１ｋｍ以内）においてユーザＵ１がＺコンビニでＸ飲料を購入したことを示す行動情報を対象行動情報として抽出する。このように、抽出装置１００は、対象期間前におけるユーザの対象行動を抽出し、位置情報群と対象期間前におけるユーザの対象行動とを対応付けて記憶してもよい。また、抽出装置１００は、位置情報群と対象期間前におけるユーザの対象行動とを対応付けた情報を外部の情報処理装置へ提供してもよい。例えば、抽出装置１００は、位置情報群と対象期間前におけるユーザの対象行動とを対応付けた情報を、ＸＸ公園を含むエリア付近をリサーチしている事業者へ提供してもよい。例えば、抽出装置１００は、位置情報群と対象期間前におけるユーザの対象行動とを対応付けた情報を、ＸＸ公園を含むエリア付近に出店を計画している事業者へ提供してもよい。
【0046】
例えば、図２の例において、ユーザＵ２が対象期間（日時ｄｔ２２～ｄｔ２５）よりも前の時点（例えば日時ｄｔ２０）にＣレストランで飲食を行っている場合、抽出装置１００は、Ｃレストランでの飲食を対象行動として抽出してもよい。例えば、抽出装置１００は、対象期間の開始時（日時ｄｔ２２）の位置ＬＣ２２から所定の範囲内（例えば２ｋｍ以内）においてユーザＵ２がＣレストランで飲食を行ったことを示す行動情報を対象行動情報として抽出する。例えば、抽出装置１００は、位置情報群と対象期間前におけるユーザの対象行動とを対応付けた情報を、ＹＹ映画館を含むエリア付近をリサーチしている事業者へ提供してもよい。例えば、抽出装置１００は、位置情報群と対象期間前におけるユーザの対象行動とを対応付けた情報を、ＹＹ映画館を含むエリア付近に出店を計画している事業者へ提供してもよい。
【0047】
なお、抽出装置１００は、位置情報群と対象期間前の対象行動とに基づいて、モデルを生成してもよい。例えば、抽出装置１００は、位置情報群が抽出される前にユーザが飲食を行っていたかを推定するモデルを生成してもよい。例えば、抽出装置１００は、滞在前にユーザが飲食を行ったかを推定するモデルを生成する。
【0048】
〔１－５．対象行動（空間）及び情報提供〕
上述した例では、ユーザが対象行動を実空間において行った場合を例に説明したが、ユーザの対象行動は実空間に限らず、例えばインターネット空間（ウェブ上）において行われてもよい。
上述した例では、ユーザが対象行動を実空間において行った場合を例に説明したが、ユーザの対象行動は実空間に限らず、例えばインターネット空間（ウェブ上）において行われてもよい。
【0049】
例えば、図１の例において、ユーザＵ１が対象期間（日時ｄｔ１２～ｄｔ１６）後の日時（例えば日時ｄｔ１７）において、端末装置１０によりクエリ「コンビニ」を用いて検索を行っている場合、抽出装置１００は、ユーザＵ１によるクエリ「コンビニ」を用いた検索を対象行動として抽出してもよい。このように、抽出装置１００は、対象期間後のウェブ上におけるユーザの対象行動を抽出し、位置情報群とウェブ上におけるユーザの対象行動とを対応付けて記憶してもよい。また、抽出装置１００は、位置情報群とウェブ上におけるユーザの対象行動とを対応付けた情報を外部の情報処理装置へ提供してもよい。例えば、抽出装置１００は、位置情報群とウェブ上におけるユーザの対象行動とを対応付けた情報を、ＸＸ公園を含むエリア付近をリサーチしている事業者へ提供してもよい。例えば、抽出装置１００は、位置情報群とウェブ上におけるユーザの対象行動とを対応付けた情報を、ＸＸ公園を含むエリア付近に出店を計画している事業者へ提供してもよい。
【0050】
例えば、図２の例において、ユーザＵ２が対象期間（日時ｄｔ２２～ｄｔ２５）後の日時（例えば日時ｄｔ２６）において、端末装置１０によりクエリ「レストラン」を用いて検索を行っている場合、抽出装置１００は、ユーザＵ２によるクエリ「レストラン」を用いた検索を対象行動として抽出してもよい。例えば、抽出装置１００は、位置情報群とウェブ上におけるユーザの対象行動とを対応付けた情報を、ＹＹ映画館を含むエリア付近をリサーチしている事業者へ提供してもよい。例えば、抽出装置１００は、位置情報群とウェブ上におけるユーザの対象行動とを対応付けた情報を、ＹＹ映画館を含むエリア付近に出店を計画している事業者へ提供してもよい。このように、抽出装置１００は、位置情報群とウェブ上におけるユーザの対象行動とを対応付けた情報に基づく、需要を予測する情報を外部の情報処理装置へ提供してもよい。
【0051】
〔１－６．モデルの利用〕
抽出装置１００は、上述した例で生成したモデルＭ１、Ｍ２等を用いてユーザの所定の行動の発生有無を推定してもよい。
抽出装置１００は、上述した例で生成したモデルＭ１、Ｍ２等を用いてユーザの所定の行動の発生有無を推定してもよい。
【0052】
例えば、抽出装置１００は、ユーザＵ５について抽出した位置情報群をモデルＭ１に入力することにより、ユーザＵ５が所定の行動を行うかどうかを予測してもよい。例えば、抽出装置１００は、ＺＺ公園の周囲に位置するユーザＵ５について抽出した位置情報群をモデルＭ１に入力し、出力されたスコアが所定の閾値以上である場合、ユーザＵ５が購入行動を行うと予測してもよい。
【0053】
例えば、抽出装置１００は、ユーザＵ１０について抽出した位置情報群をモデルＭ２に入力することにより、ユーザＵ１０が所定の行動を行うかどうかを予測してもよい。例えば、抽出装置１００は、所定の期間位置が変化しないユーザＵ１０について抽出した位置情報群をモデルＭ２に入力し、出力されたスコアが所定の閾値以上である場合、ユーザＵ１０が飲食を行うと予測してもよい。
【0054】
〔１－７．端末装置側での抽出〕
なお、上述した例では、抽出装置１００が端末装置１０から取得した複数の位置情報のうち、位置の変化に関する所定の規則性を満たす位置情報群を抽出する例を示したが、各端末装置１０が検知した複数の位置情報のうち、位置の変化に関する所定の規則性を満たす位置情報群を抽出してもよい。この場合、端末装置１０が抽出装置であってもよい。この場合、抽出システムには、抽出装置としての端末装置１０と、端末装置１０が抽出した規則性に関する情報を収集してサービスを提供するサービス提供装置とが含まれてもよい。この点について、以下説明する。
なお、上述した例では、抽出装置１００が端末装置１０から取得した複数の位置情報のうち、位置の変化に関する所定の規則性を満たす位置情報群を抽出する例を示したが、各端末装置１０が検知した複数の位置情報のうち、位置の変化に関する所定の規則性を満たす位置情報群を抽出してもよい。この場合、端末装置１０が抽出装置であってもよい。この場合、抽出システムには、抽出装置としての端末装置１０と、端末装置１０が抽出した規則性に関する情報を収集してサービスを提供するサービス提供装置とが含まれてもよい。この点について、以下説明する。
【0055】
各ユーザが利用する端末装置１０は、検知した複数の位置情報のうち、各ユーザの位置の変化に関する所定の規則性を満たす位置情報群を抽出する。これにより、端末装置１０は、各ユーザ個別の規則性を満たす位置情報群を抽出する。また、端末装置１０は、その端末装置１０を利用する個別のユーザについて抽出した規則性や位置に対するコンテキスト等に関する情報を生成（計算）し、その結果（情報）をサービス提供装置に送信してもよい。
【0056】
例えば、端末装置１０は、「行動パターンＰＴ１（ランニング）」に対応する所定の規則性を満たす位置情報群を抽出し、位置情報群に基づいて生成したその規則性に関する情報（例えば周回移動）等を示す情報やランニング中を示すコンテキスト情報をサービス提供装置に送信してもよい。また、例えば、端末装置１０は、「行動パターンＰＴ２（滞在）」に対応する所定の規則性を満たす位置情報群を抽出し、位置情報群に基づいて生成したその規則性に関する情報（例えば位置変化無し）等を示す情報や一定期間滞在中を示すコンテキスト情報をサービス提供装置に送信してもよい。なお、上記は一例であり、端末装置１０は、種々の規則性を示す情報やコンテキストを示す情報を生成してもよい。そして、端末装置１０は、生成した情報を、端末装置１０を識別する情報や端末装置１０を利用するユーザを識別する情報とともに送信してもよい。端末装置１０から情報を取得したサービス提供装置は、規則性を示す情報やコンテキストを示す情報と、ユーザとを関連付けて記憶し、その情報に基づいて、各ユーザにサービスを提供してもよい。
【0057】
このような抽出システムにおいては、サーバ側（サービス提供装置）に位置情報を送信することなく、クライアント側（端末装置１０）において生成した情報を端末装置１０がサービス提供装置に送信し、サービス提供装置がサービスを提供することができる。この場合、例えば、サービス提供装置は、関心地点の一覧情報（ＰＯＩリスト）と、端末装置１０から取得した規則性に関する情報やコンテキストに関する情報に基づいてサービスを提供する。例えば、サービス提供装置は、所定のＰＯＩ付近において、同様の規則性を示す情報が取得された場合に、その規則性を示す行動の後に同様の行動を行うと予測してサービスを提供してもよい。例えば、サービス提供装置は、所定のＰＯＩ付近において、規則性ＰＴＸを示す情報が取得された場合に、その規則性ＰＴＸを示す行動の後に商品Ｘを購入するという行動パターンを示す情報が所定数以上取得されている場合、所定のＰＯＩ付近において、規則性ＰＴＸを示す情報が取得された端末装置１０に、商品Ｘの購入を促す情報を提供してもよい。なお、上記は一例であり、サービス提供装置は、ＰＯＩの情報と、ユーザの行動の規則性を示す情報やコンテキストを示す情報に基づいて、種々のサービスを提供してもよい。このように、サービス提供装置は、端末装置１０から取得した位置情報よりも抽象度が高い情報に基づいてサービスを提供することができる。これにより、抽出システムにおいては、各ユーザのプライバシーに配慮しつつ、ユーザに対してサービスを提供することができる。
【0058】
〔２．抽出装置の構成〕
次に、図４を用いて、実施形態に係る抽出装置１００の構成について説明する。図４は、実施形態に係る抽出装置の構成例を示す図である。図４に示すように、抽出装置１００は、通信部１１０と、記憶部１２０と、制御部１３０とを有する。なお、抽出装置１００は、抽出装置１００の管理者等から各種操作を受け付ける入力部（例えば、キーボードやマウス等）や、各種情報を表示するための表示部（例えば、液晶ディスプレイ等）を有してもよい。
次に、図４を用いて、実施形態に係る抽出装置１００の構成について説明する。図４は、実施形態に係る抽出装置の構成例を示す図である。図４に示すように、抽出装置１００は、通信部１１０と、記憶部１２０と、制御部１３０とを有する。なお、抽出装置１００は、抽出装置１００の管理者等から各種操作を受け付ける入力部（例えば、キーボードやマウス等）や、各種情報を表示するための表示部（例えば、液晶ディスプレイ等）を有してもよい。
【0059】
（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。そして、通信部１１０は、ネットワーク（例えば図３中のネットワークＮ）と有線または無線で接続され、端末装置１０との間で情報の送受信を行う。
通信部１１０は、例えば、ＮＩＣ（Network Interface Card）等によって実現される。そして、通信部１１０は、ネットワーク（例えば図３中のネットワークＮ）と有線または無線で接続され、端末装置１０との間で情報の送受信を行う。
【0060】
（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、または、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。実施形態に係る記憶部１２０は、図４に示すように、ユーザ情報記憶部１２１と、行動情報記憶部１２２と、位置情報記憶部１２３と、モデル情報記憶部１２４とを有する。なお、図４では、図示を省略するが、記憶部１２０には、図１に示すＸＸ公園（関心地点ＰＯＩ１）のような各種の施設等（関心地点）が所在する位置等、関心地点に関する各種情報が記憶される。
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、または、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。実施形態に係る記憶部１２０は、図４に示すように、ユーザ情報記憶部１２１と、行動情報記憶部１２２と、位置情報記憶部１２３と、モデル情報記憶部１２４とを有する。なお、図４では、図示を省略するが、記憶部１２０には、図１に示すＸＸ公園（関心地点ＰＯＩ１）のような各種の施設等（関心地点）が所在する位置等、関心地点に関する各種情報が記憶される。
【0061】
（ユーザ情報記憶部１２１）
実施形態に係るユーザ情報記憶部１２１は、ユーザに関する各種情報を記憶する。例えば、ユーザ情報記憶部１２１は、ユーザ属性に関する各種情報やユーザの行動に関する各種情報を記憶する。図５は、実施形態に係るユーザ情報記憶部の一例を示す図である。図５に示すユーザ情報記憶部１２１は、「ユーザＩＤ」、「年齢」、「性別」といった項目が含まれる。
実施形態に係るユーザ情報記憶部１２１は、ユーザに関する各種情報を記憶する。例えば、ユーザ情報記憶部１２１は、ユーザ属性に関する各種情報やユーザの行動に関する各種情報を記憶する。図５は、実施形態に係るユーザ情報記憶部の一例を示す図である。図５に示すユーザ情報記憶部１２１は、「ユーザＩＤ」、「年齢」、「性別」といった項目が含まれる。
【0062】
「ユーザＩＤ」は、ユーザを識別するための識別情報を示す。例えば、ユーザＩＤ「Ｕ１」により識別されるユーザは、図１の例に示したユーザＵ１に対応する。また、「年齢」は、ユーザＩＤにより識別されるユーザの年齢を示す。なお、「年齢」は、例えば３５歳など、ユーザＩＤにより識別されるユーザの具体的な年齢であってもよい。また、「性別」は、ユーザＩＤにより識別されるユーザの性別を示す。
【0063】
例えば、図５に示す例において、ユーザＩＤ「Ｕ１」により識別されるユーザの年齢は、「３０代」であり、性別は、「男性」であることを示す。また、例えば、図５に示す例において、ユーザＩＤ「Ｕ２」により識別されるユーザの年齢は、「２０代」であり、性別は、「女性」であることを示す。
【0064】
なお、ユーザ情報記憶部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、ユーザ情報記憶部１２１は、年齢や性別に加えて他のデモグラフィック属性情報やサイコグラフィック属性情報を記憶してもよい。例えば、ユーザ情報記憶部１２１は、氏名、自宅、勤務地、興味、家族構成、収入、ライフスタイル等の情報を記憶してもよい。
【0065】
（行動情報記憶部１２２）
実施形態に係る行動情報記憶部１２２は、ユーザの行動に関する各種情報を記憶する。図６は、実施形態に係る行動情報記憶部の一例を示す図である。例えば、行動情報記憶部１２２は、各ユーザの行動等の各種の行動情報を記憶する。図６に示す行動情報記憶部１２２には、「ユーザＩＤ」、「行動ＩＤ」、「日時」、「種別」、「内容」といった項目が含まれる。
実施形態に係る行動情報記憶部１２２は、ユーザの行動に関する各種情報を記憶する。図６は、実施形態に係る行動情報記憶部の一例を示す図である。例えば、行動情報記憶部１２２は、各ユーザの行動等の各種の行動情報を記憶する。図６に示す行動情報記憶部１２２には、「ユーザＩＤ」、「行動ＩＤ」、「日時」、「種別」、「内容」といった項目が含まれる。
【0066】
「ユーザＩＤ」は、ユーザを識別するための識別情報を示す。例えば、ユーザＩＤ「Ｕ１」により識別されるユーザは、図１の例に示したユーザＵ１に対応する。また、「行動ＩＤ」は、ユーザの行動を識別する情報を示す。「日時」は、対応するユーザの行動が行われた日時を示す。なお、図６の例では、「ｄｔ１８」等で図示するが、「日時」には、「２０１７年７月６日１９時３１分５２秒」等の具体的な日時が記憶されてもよい。また、「種別」は、対応するユーザの行動の種別に関する情報を示す。また、「内容」は、対応するユーザの行動において対象となった内容を示す。
【0067】
例えば、図６に示す例において、ユーザＩＤ「Ｕ１」により識別されるユーザ（ユーザＵ１）は、行動ＩＤ「ＡＣ１８」により識別される行動（行動ＡＣ１８）を行ったことを示す。例えば、図６に示す例においてユーザＵ１は、日時ｄｔ１８において、ＡコンビニでＷ水の購入（行動ＡＣ１８）を行ったことを示す。
【0068】
例えば、図６に示す例において、ユーザＩＤ「Ｕ２」により識別されるユーザ（ユーザＵ２）は、行動ＩＤ「ＡＣ２６」により識別される行動（行動ＡＣ２６）を行ったことを示す。例えば、図６に示す例においてユーザＵ２は、日時ｄｔ２６において、Ｂレストランでの飲食の決済（行動ＡＣ２６）を行ったことを示す。すなわち、行動ＡＣ２６は、ユーザＵ２がＢレストランで飲食を行ったことを示唆する。
【0069】
なお、行動情報記憶部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。また、図６では、ユーザＩＤごとに行動情報が行動情報記憶部１２２に記憶される場合を示したが、行動情報は、ユーザＩＤごとに限らず、例えば時刻順に記憶されてもよい。
【0070】
（位置情報記憶部１２３）
実施形態に係る位置情報記憶部１２３は、位置に関する各種情報を記憶する。例えば、位置情報記憶部１２３は、センサにより検知された位置に関する各種情報を記憶する。図７は、実施形態に係る位置情報記憶部の一例を示す図である。図７に示す位置情報記憶部１２３は、「ユーザＩＤ」、「位置情報」といった項目が含まれる。「位置情報」には、「日時」、「位置」といった項目が含まれる。
実施形態に係る位置情報記憶部１２３は、位置に関する各種情報を記憶する。例えば、位置情報記憶部１２３は、センサにより検知された位置に関する各種情報を記憶する。図７は、実施形態に係る位置情報記憶部の一例を示す図である。図７に示す位置情報記憶部１２３は、「ユーザＩＤ」、「位置情報」といった項目が含まれる。「位置情報」には、「日時」、「位置」といった項目が含まれる。
【0071】
「ユーザＩＤ」は、ユーザを識別するための識別情報を示す。「位置情報」は、ユーザの位置情報の履歴を示す。「日時」は、各位置情報が取得された日時を示す。なお、図７の例では「日時」を抽象的な符号「ｄｔ１１」等で図示するが、「日時」には、「２０１７年７月６日１８時５９分４８秒」等の具体的な日時が記憶されてもよい。また、「位置」は、対応する日時における対応するユーザの位置情報を示す。なお、図７の例では「位置」を抽象的な符号「ＬＣ１１」等で図示するが、「位置」には、具体的な緯度経度情報等が記憶されてもよい。
【0072】
例えば、図７に示す例において、ユーザＩＤ「Ｕ１」により識別されるユーザの位置「ＬＣ１１」が、日時「ｄｔ１１」に取得されたことを示す。例えば、ユーザＩＤ「Ｕ１」により識別されるユーザが利用する端末装置１０の位置「ＬＣ１１」が、日時「ｄｔ１１」に取得されたことを示す。例えば、図７に示す例において、ユーザＩＤ「Ｕ１」により識別されるユーザの位置「ＬＣ１２」が、日時「ｄｔ１２」に取得されたことを示す。例えば、ユーザＩＤ「Ｕ１」により識別されるユーザが利用する端末装置１０の位置「ＬＣ１３」が、日時「ｄｔ１３」に取得されたことを示す。
【0073】
なお、位置情報記憶部１２３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。また、位置情報記憶部１２３は、抽出処理により抽出された位置情報群であることを示す情報（フラグ）等を記憶してもよい。また、位置情報記憶部１２３は、ユーザのコンテキストに関する情報を記憶してもよい。
【0074】
（モデル情報記憶部１２４）
実施形態に係るモデル情報記憶部１２４は、モデルに関する情報を記憶する。例えば、モデル情報記憶部１２４は、生成処理により生成されたモデル情報（モデルデータ）を記憶する。図８は、実施形態に係るモデル情報記憶部の一例を示す図である。図８に示すモデル情報記憶部１２４は、「モデルＩＤ」、「行動パターン」、「モデルデータ」といった項目が含まれる。なお、図８では、モデルＭ１及びモデルＭ２のみを図示するが、各行動パターンに対応する複数のモデル情報（モデルＭ３、Ｍ４等）が記憶されてもよい。
実施形態に係るモデル情報記憶部１２４は、モデルに関する情報を記憶する。例えば、モデル情報記憶部１２４は、生成処理により生成されたモデル情報（モデルデータ）を記憶する。図８は、実施形態に係るモデル情報記憶部の一例を示す図である。図８に示すモデル情報記憶部１２４は、「モデルＩＤ」、「行動パターン」、「モデルデータ」といった項目が含まれる。なお、図８では、モデルＭ１及びモデルＭ２のみを図示するが、各行動パターンに対応する複数のモデル情報（モデルＭ３、Ｍ４等）が記憶されてもよい。
【0075】
「モデルＩＤ」は、モデルを識別するための識別情報を示す。例えば、モデルＩＤ「Ｍ１」により識別されるモデルは、図１の例に示したモデルＭ１に対応する。「行動パターン」は、対応するモデルの行動パターンを示す。また、「行動パターン」には、各行動パターンに対応する条件等が記憶される。例えば、「行動パターンＰＴ１（ランニング）」には、ユーザの行動パターンがランニングに対応するための条件（例えば時速５～３０ｋｍで移動）等が記憶される。また、「モデルデータ」は、対応付けられた対応するモデルのデータを示す。例えば、「モデルデータ」には、各層におけるノードと、各ノードが採用する関数と、ノードの接続関係と、ノード間の接続に対して設定される接続係数とを含む情報が含まれる。
【0076】
例えば、図８に示す例において、モデルＩＤ「Ｍ１」により識別されるモデル（モデルＭ１）は、行動パターンが「ＰＴ１（ランニング）」であり、行動パターンＰＴ１が行われた前後に対象行動情報が発生するかを予測するために用いられることを示す。また、モデルＭ１のモデルデータは、モデルデータＭＤＴ１であることを示す。
【0077】
モデルＭ１（モデルデータＭＤＴ１）は、ユーザの位置情報群であって、位置の変化に関する所定の規則性を満たす位置情報群が入力される入力層と、出力層と、入力層から出力層までのいずれかの層であって出力層以外の層に属する第１要素と、第１要素と第１要素の重みとに基づいて値が算出される第２要素と、を含み、入力層に入力されたセンサ情報に対し、出力層以外の各層に属する各要素を第１要素として、第１要素と第１要素の重みとに基づく演算を行うことにより、所定の行動の発生有無の予測に用いられるスコアの値を出力層から出力するよう、コンピュータを機能させるためのモデルである。
【0078】
ここで、モデルＭ１、Ｍ２等が「ｙ＝ａ１＊ｘ１＋ａ２＊ｘ２＋・・・＋ａｉ＊ｘｉ」で示す回帰モデルで実現されるとする。この場合、例えば、モデルＭ１が含む第１要素は、ｘ１やｘ２等といった入力データ（ｘｉ）に対応する。また、第１要素の重みは、ｘｉに対応する係数ａｉに対応する。ここで、回帰モデルは、入力層と出力層とを有する単純パーセプトロンと見做すことができる。各モデルを単純パーセプトロンと見做した場合、第１要素は、入力層が有するいずれかのノードに対応し、第２要素は、出力層が有するノードと見做すことができる。
【0079】
また、モデルＭ１、Ｍ２等がＤＮＮ（Deep Neural Network）等、１つまたは複数の中間層を有するニューラルネットワークで実現されるとする。この場合、例えば、モデルＭ１が含む第１要素は、入力層または中間層が有するいずれかのノードに対応する。また、第２要素は、第１要素と対応するノードから値が伝達されるノードである次段のノードに対応する。また、第１要素の重みは、第１要素と対応するノードから第２要素と対応するノードに伝達される値に対して考慮される重みである接続係数に対応する。
【0080】
なお、モデル情報記憶部１２４は、上記に限らず、目的に応じて種々のモデル情報を記憶してもよい。
【0081】
（制御部１３０）
図４の説明に戻って、制御部１３０は、コントローラ（controller）であり、例えば、ＣＰＵ（Central Processing Unit）やＭＰＵ（Micro Processing Unit）等によって、抽出装置１００内部の記憶装置に記憶されている各種プログラム（抽出プログラムや生成プログラムの一例に相当）がＲＡＭを作業領域として実行されることにより実現される。また、制御部１３０は、コントローラであり、例えば、ＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（Field Programmable Gate Array）等の集積回路により実現される。制御部１３０は、モデル情報記憶部１２４に記憶されているモデルＭ１やモデルＭ２等に従った情報処理により、ユーザの位置情報群であって、位置の変化に関する所定の規則性を満たす位置情報群が入力される入力層と、出力層と、入力層から出力層までのいずれかの層であって出力層以外の層に属する第１要素と、第１要素と第１要素の重みとに基づいて値が算出される第２要素と、を含み、入力層に入力されたセンサ情報に対し、出力層以外の各層に属する各要素を第１要素として、第１要素と第１要素の重みとに基づく演算を行うことにより、所定の行動の発生有無の予測に用いられるスコアの値を出力層から出力する。
図４の説明に戻って、制御部１３０は、コントローラ（controller）であり、例えば、ＣＰＵ（Central Processing Unit）やＭＰＵ（Micro Processing Unit）等によって、抽出装置１００内部の記憶装置に記憶されている各種プログラム（抽出プログラムや生成プログラムの一例に相当）がＲＡＭを作業領域として実行されることにより実現される。また、制御部１３０は、コントローラであり、例えば、ＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（Field Programmable Gate Array）等の集積回路により実現される。制御部１３０は、モデル情報記憶部１２４に記憶されているモデルＭ１やモデルＭ２等に従った情報処理により、ユーザの位置情報群であって、位置の変化に関する所定の規則性を満たす位置情報群が入力される入力層と、出力層と、入力層から出力層までのいずれかの層であって出力層以外の層に属する第１要素と、第１要素と第１要素の重みとに基づいて値が算出される第２要素と、を含み、入力層に入力されたセンサ情報に対し、出力層以外の各層に属する各要素を第１要素として、第１要素と第１要素の重みとに基づく演算を行うことにより、所定の行動の発生有無の予測に用いられるスコアの値を出力層から出力する。
【0082】
例えば、抽出装置１００は、上述した回帰モデルやニューラルネットワーク等、任意の構造を有するモデルを用いて、利用スコアや入札スコアの算出を行う。具体的には、モデルＭ１、Ｍ２等は、ユーザの位置情報群であって、位置の変化に関する所定の規則性を満たす位置情報群（すなわち、上述したスコアの算出に用いられる各要素）が入力された場合に、所定の行動の発生有無に関するスコア（すなわち、ユーザが所定の行動を行う可能性がどの程度であるかを示唆するスコア）を出力するように係数が設定される。情報提供装置１０は、このようなモデルＭ１、Ｍ２等を用いて、対応する行動パターンにおける各ユーザのスコアを算出する。
【0083】
なお、上記例では、モデルＭ１、Ｍ２等が、ユーザの位置情報群であって、位置の変化に関する所定の規則性を満たす位置情報群が入力された場合に、所定の行動の発生有無に関するスコアを出力するモデルである例を示した。しかし、実施形態に係るモデルＭ１、Ｍ２等は、データの入出力を繰り返すことで得られる結果に基づいて生成されるモデルであってもよい。例えば、モデルは、ユーザの位置情報群であって、位置の変化に関する所定の規則性を満たす位置情報群を入力とし、モデルＭ１が出力する利用スコアを出力とするよう学習されたモデル（モデルＭ１ｂ)であってもよい。または、モデルは、ユーザの位置情報群であって、位置の変化に関する所定の規則性を満たす位置情報群を入力とし、モデルＭ１ｂの出力値を出力とするよう学習されたモデルであってもよい。
【0084】
また、抽出装置１００がＧＡＮ（Generative Adversarial Networks）を用いた予測処理を行う場合、モデルＭ１、Ｍ２等は、ＧＡＮの一部を構成するモデルであってもよい。
【0085】
図４に示すように、制御部１３０は、取得部１３１と、抽出部１３２と、生成部１３３と、予測部１３４と、提供部１３５とを有し、以下に説明する情報処理の機能や作用を実現または実行する。なお、制御部１３０の内部構成は、図４に示した構成に限られず、後述する情報処理を行う構成であれば他の構成であってもよい。
【0086】
（取得部１３１）
取得部１３１は、各種情報を取得する。例えば、取得部１３１は、端末装置１０等の外部の情報処理装置から各種情報を取得する。例えば、取得部１３１は、ユーザ情報記憶部１２１や行動情報記憶部１２２や位置情報記憶部１２３やモデル情報記憶部１２４等の記憶部１２０から各種情報を取得する。例えば、取得部１３１は、端末装置１０が検知した各種の情報を取得する。例えば、取得部１３１は、端末装置１０が検知した位置情報や加速度情報を取得する。
取得部１３１は、各種情報を取得する。例えば、取得部１３１は、端末装置１０等の外部の情報処理装置から各種情報を取得する。例えば、取得部１３１は、ユーザ情報記憶部１２１や行動情報記憶部１２２や位置情報記憶部１２３やモデル情報記憶部１２４等の記憶部１２０から各種情報を取得する。例えば、取得部１３１は、端末装置１０が検知した各種の情報を取得する。例えば、取得部１３１は、端末装置１０が検知した位置情報や加速度情報を取得する。
【0087】
例えば、取得部１３１は、所定の期間において検知されたユーザの複数の位置情報を取得する。例えば、取得部１３１は、位置情報群が検知された期間である対象期間外におけるユーザの行動情報を取得する。
【0088】
図１の例では、取得部１３１は、日時ｄｔ１１においてユーザＵ１の位置ＬＣ１１を取得する。そして、取得部１３１は、日時ｄｔ１１よりも後の日時ｄｔ１２においてユーザＵ１が、ＸＸ公園（関心地点ＰＯＩ１）内にいることを示す位置ＬＣ１２を取得する。例えば、取得部１３１は、日時ｄｔ１１よりも後の日時ｄｔ１２においてユーザＵ１が、位置ＬＣ１１とは異なる位置であって、ＸＸ公園内にいることを示す位置ＬＣ１２を取得する。例えば、取得部１３１は、日時ｄｔ１２よりも後の日時ｄｔ１３においてユーザＵ１が、ＸＸ公園内において、位置ＬＣ１２とは異なる位置にいることを示す位置ＬＣ１３を取得する。例えば、取得部１３１は、日時ｄｔ１３よりも後の日時ｄｔ１４においてユーザＵ１が、ＸＸ公園内において、位置ＬＣ１３とは異なる位置にいることを示す位置ＬＣ１４を取得する。
【0089】
例えば、取得部１３１は、日時ｄｔ１４よりも後の日時ｄｔ１５においてユーザＵ１が、ＸＸ公園内において、位置ＬＣ１４とは異なる位置にいることを示す位置ＬＣ１５を取得する。例えば、取得部１３１は、日時ｄｔ１５よりも後の日時ｄｔ１６においてユーザＵ１が、ＸＸ公園内において、位置ＬＣ１５とは異なる位置にいることを示す位置ＬＣ１６を取得する。例えば、取得部１３１は、日時ｄｔ１６よりも後の日時ｄｔ１７においてユーザＵ１が、ＸＸ公園から離れたことを示す位置ＬＣ１７を取得する。
【0090】
図１の例では、取得部１３１は、日時ｄｔ１７よりも後の日時ｄｔ１８においてユーザＵ１が、Ａコンビニ（ショップＳＰ１）にいることを示す位置ＬＣ１８を取得する。例えば、取得部１３１は、日時ｄｔ１８においてユーザＵ１が、ＡコンビニでＷ水を購入したことを示す行動情報ＡＣ１１を取得する。
【0091】
図２の例では、取得部１３１は、日時ｄｔ２１においてユーザＵ２の位置ＬＣ２１を取得する。そして、取得部１３１は、日時ｄｔ２１よりも後の日時ｄｔ２２においてユーザＵ２が、ＹＹ映画館（関心地点ＰＯＩ２）内にいることを示す位置ＬＣ２２を取得する。例えば、取得部１３１は、日時ｄｔ２１よりも後の日時ｄｔ２２においてユーザＵ２が、位置ＬＣ２１とは異なる位置であって、ＹＹ映画館内にいることを示す位置ＬＣ２２を取得する。例えば、取得部１３１は、日時ｄｔ２２よりも後の日時ｄｔ２３においてユーザＵ２が、ＹＹ映画館内にいることを示す位置ＬＣ２２を取得する。例えば、取得部１３１は、日時ｄｔ２３よりも後の日時ｄｔ２４においてユーザＵ２が、ＹＹ映画館内にいることを示す位置ＬＣ２２を取得する。例えば、取得部１３１は、日時ｄｔ２４よりも後の日時ｄｔ２５においてユーザＵ２が、ＹＹ映画館内にいることを示す位置ＬＣ２２を取得する。例えば、取得部１３１は、日時ｄｔ２５よりも後の日時ｄｔ２６においてユーザＵ２が、ＹＹ映画館から離れたことを示す位置ＬＣ２３を取得する。
【0092】
図２の例では、取得部１３１は、日時ｄｔ２６においてユーザＵ２が、Ｂレストラン（ショップＳＰ２）にいることを示す位置ＬＣ２３を取得する。例えば、取得部１３１は、日時ｄｔ２６においてユーザＵ２が、Ｂレストランで飲食を行ったことを示す行動情報ＡＣ２１を取得する。
【0093】
（抽出部１３２）
抽出部１３２は、各種情報を抽出する。例えば、抽出部１３２は、ユーザ情報記憶部１２１や行動情報記憶部１２２や位置情報記憶部１２３やモデル情報記憶部１２４等の記憶部１２０から各種情報を抽出する。
抽出部１３２は、各種情報を抽出する。例えば、抽出部１３２は、ユーザ情報記憶部１２１や行動情報記憶部１２２や位置情報記憶部１２３やモデル情報記憶部１２４等の記憶部１２０から各種情報を抽出する。
【0094】
例えば、抽出部１３２は、取得部１３１により取得された複数の位置情報のうち、位置の変化に関する所定の規則性を満たす位置情報群を抽出する。例えば、抽出部１３２は、連続して検知された複数の位置情報を位置情報群として抽出する。
【0095】
例えば、抽出部１３２は、ユーザの行動情報のうち、所定の条件を満たす行動情報である対象行動情報を抽出する。例えば、抽出部１３２は、対象期間後における対象行動情報を抽出する。例えば、抽出部１３２は、対象期間の終了時における位置情報に対応する位置から所定の範囲内に対象行動情報を抽出する。例えば、抽出部１３２は、対象期間前における対象行動情報を抽出する。例えば、抽出部１３２は、対象期間の開始時における位置情報に対応する位置から所定の範囲内に対象行動情報を抽出する。
【0096】
図１の例では、抽出部１３２は、日時ｄｔ１１～ｄｔ１８において検知されたユーザの複数の位置情報ＬＣ１１～ＬＣ１８のうち、位置の変化に関する所定の規則性を満たす位置情報群を抽出する。例えば、抽出部１３２は、モデル情報記憶部１２４（図８参照）に示すような「行動パターンＰＴ１（ランニング）」に対応する所定の規則性を満たす位置情報群を抽出する。例えば、抽出部１３２は、ユーザＵ１の位置情報の変化が例えば時速１０ｋｍ等のランニングに対応する速度で変化している位置情報群を抽出する。例えば、抽出部１３２は、ユーザＵ１がＸＸ公園（関心地点ＰＯＩ１）においてランニングを行っている際の位置情報群を抽出する。例えば、抽出部１３２は、ユーザＵ１の位置情報の変化が例えば時速１０ｋｍ等でＸＸ公園の周囲を移動している位置情報群を抽出する。例えば、抽出部１３２は、日時ｄｔ１２～ｄｔ１６においてユーザＵ１がＸＸ公園の周囲を移動している位置情報ＬＣ１２～ＬＣ１６を抽出する。
【0097】
図１の例では、抽出部１３２は、位置情報群が検知された期間である対象期間外におけるユーザの行動情報のうち、所定の条件を満たす行動情報である対象行動情報を抽出する。例えば、抽出部１３２は、位置情報群（位置情報ＬＣ１２～ＬＣ１６）が検知された対象期間（日時ｄｔ１２～ｄｔ１６）外におけるユーザの行動情報のうち、所定の条件を満たす行動情報である対象行動情報を抽出する。例えば、抽出部１３２は、対象期間の終了時（日時ｄｔ１６）から所定の期間内（期間ＰＤ１）内におけるユーザの行動情報のうち、所定の条件を満たす行動情報である対象行動情報を抽出する。例えば、抽出部１３２は、対象期間の終了時（日時ｄｔ１６）の位置ＬＣ１６から所定の範囲内におけるユーザの行動情報のうち、所定の条件を満たす行動情報である対象行動情報を抽出してもよい。例えば、抽出部１３２は、対象期間の終了時（日時ｄｔ１６）から所定の期間内（期間ＰＤ１）内の日時ｄｔ１８においてユーザＵ１がＡコンビニでＷ水を購入したことを示す行動情報ＡＣ１１を対象行動情報として抽出する。
【0098】
図２の例では、抽出部１３２は、日時ｄｔ２１～ｄｔ２６において検知されたユーザの複数の位置情報ＬＣ２１～ＬＣ２３のうち、位置の変化に関する所定の規則性を満たす位置情報群を抽出する。例えば、抽出部１３２は、モデル情報記憶部１２４（図８参照）に示すような「行動パターンＰＴ２（滞在）」に対応する所定の規則性を満たす位置情報群を抽出する。例えば、抽出部１３２は、ユーザＵ２の位置情報の変化が例えば所定の時間に亘って変更していない位置情報群を抽出する。例えば、抽出部１３２は、ユーザＵ２がＹＹ映画館（関心地点ＰＯＩ２）において滞在している際の位置情報群を抽出する。例えば、抽出部１３２は、ユーザＵ２の位置情報の変化が例えば所定の時間に亘ってＹＹ映画館内にある位置情報群を抽出する。例えば、抽出部１３２は、日時ｄｔ２２～ｄｔ２５においてユーザＵ２がＹＹ映画館内に滞在していることを示す複数の位置情報ＬＣ２２を抽出する。
【0099】
図２の例では、抽出部１３２は、位置情報群が検知された期間である対象期間外におけるユーザの行動情報のうち、所定の条件を満たす行動情報である対象行動情報を抽出する。例えば、抽出部１３２は、位置情報群（４つの位置情報ＬＣ２２）が検知された対象期間（日時ｄｔ２２～ｄｔ２５）外におけるユーザの行動情報のうち、所定の条件を満たす行動情報である対象行動情報を抽出する。例えば、抽出部１３２は、対象期間の終了時（日時ｄｔ２５）から所定の期間内（期間ＰＤ２）内におけるユーザの行動情報のうち、所定の条件を満たす行動情報である対象行動情報を抽出する。例えば、抽出部１３２は、対象期間の終了時（日時ｄｔ２５）の位置ＬＣ２２から所定の範囲内におけるユーザの行動情報のうち、所定の条件を満たす行動情報である対象行動情報を抽出してもよい。例えば、抽出部１３２は、対象期間の終了時（日時ｄｔ２５）から所定の期間内（期間ＰＤ２）内の日時ｄｔ２６においてユーザＵ２がＢレストランで飲食を行ったことを示す行動情報ＡＣ２１を対象行動情報として抽出する。
【0100】
（生成部１３３）
生成部１３３は、各種情報を生成する。例えば、生成部１３３は、ユーザ情報記憶部１２１や行動情報記憶部１２２や位置情報記憶部１２３等に記憶された情報からモデルを生成する。例えば、生成部１３３は、位置情報群と、位置情報群に対応する対象行動情報とを含む学習データに基づいて、所定の行動の発生有無の予測に用いられるモデルを生成する。例えば、生成部１３３は、位置情報記憶部１２３に記憶された位置情報群と、行動情報記憶部１２２に記憶された対象行動情報とを含む学習データに基づいて、所定の行動の発生有無の予測に用いられるモデルを生成する。
生成部１３３は、各種情報を生成する。例えば、生成部１３３は、ユーザ情報記憶部１２１や行動情報記憶部１２２や位置情報記憶部１２３等に記憶された情報からモデルを生成する。例えば、生成部１３３は、位置情報群と、位置情報群に対応する対象行動情報とを含む学習データに基づいて、所定の行動の発生有無の予測に用いられるモデルを生成する。例えば、生成部１３３は、位置情報記憶部１２３に記憶された位置情報群と、行動情報記憶部１２２に記憶された対象行動情報とを含む学習データに基づいて、所定の行動の発生有無の予測に用いられるモデルを生成する。
【0101】
例えば、生成部１３３は、モデルＭ１、Ｍ２等を生成し、生成したモデルＭ１、Ｍ２等をモデル情報記憶部１２４に格納する。なお、生成部１３３は、いかなる学習アルゴリズムを用いてモデルＭ１、Ｍ２等を生成してもよい。例えば、生成部１３３は、ニューラルネットワーク（neural network）、サポートベクターマシン（support vector machine）、クラスタリング、強化学習等の学習アルゴリズムを用いてモデルＭ１、Ｍ２等を生成する。一例として、生成部１３３がニューラルネットワークを用いてモデルＭ１、Ｍ２等を生成する場合、モデルＭ１、Ｍ２等は、一以上のニューロンを含む入力層と、一以上のニューロンを含む中間層と、一以上のニューロンを含む出力層とを有する。
【0102】
図１の例では、生成部１３３は、位置情報群と対象行動情報とに基づいて、モデルを生成する。例えば、生成部１３３は、位置情報ＬＣ１２～ＬＣ１６と、行動情報ＡＣ１１とに基づいて、モデルＭ１を生成する。例えば、生成部１３３は、位置情報群が抽出されたユーザが飲料を購入するかを予測するモデルＭ１を生成する。例えば、生成部１３３は、ランニング後にユーザが飲料を購入するかを予測するモデルＭ１を生成する。
【0103】
図２の例では、生成部１３３は、位置情報群と対象行動情報とに基づいて、モデルを生成する。例えば、生成部１３３は、４つの位置情報ＬＣ２２と、行動情報ＡＣ２１とに基づいて、モデルＭ２を生成する。例えば、生成部１３３は、位置情報群が抽出されたユーザが飲食を行うか予測するモデルＭ２を生成する。例えば、生成部１３３は、滞在後にユーザが飲食を行うかを予測するモデルＭ２を生成する。
【0104】
（予測部１３４）
予測部１３４は、各種情報を予測する。例えば、予測部１３４は、位置情報記憶部１２３に記憶された位置情報に基づいて、ユーザの所定の行動の有無を予測する。例えば、予測部１３４は、位置情報記憶部１２３に記憶された位置情報をモデル情報記憶部１２４に記憶されたモデルに入力することにより、ユーザの所定の行動の有無を予測する。
予測部１３４は、各種情報を予測する。例えば、予測部１３４は、位置情報記憶部１２３に記憶された位置情報に基づいて、ユーザの所定の行動の有無を予測する。例えば、予測部１３４は、位置情報記憶部１２３に記憶された位置情報をモデル情報記憶部１２４に記憶されたモデルに入力することにより、ユーザの所定の行動の有無を予測する。
【0105】
例えば、予測部１３４は、抽出部１３２により抽出された位置情報群に基づいて、所定の期間の前後におけるユーザの行動を予測する。例えば、予測部１３４は、所定の行動の発生有無の予測に用いられるモデルであって、位置情報群が入力されたモデルの出力に基づいて、ユーザの所定の行動の有無を予測する。
【0106】
例えば、予測部１３４は、モデルＭ１、Ｍ２等に従った情報処理により、ユーザの位置情報群であって、位置の変化に関する所定の規則性を満たす位置情報群を入力層に入力する。そして、予測部１３４は、入力データを中間層と出力層に伝播させることで出力層から所定の行動の発生有無に関するスコアを出力させる。
【0107】
図１の例では、予測部１３４は、ＰＯＩ情報と、ユーザＵ１の位置ＬＣとの比較により、ユーザＵ１がＸＸ公園に向かっていると推定する。例えば、予測部１３４は、端末装置１０が検知した加速度に基づいて、ユーザの移動方向を推定してもよい。例えば、予測部１３４は、種々の従来技術を適宜用いることにより、端末装置１０が検知した加速度に基づいて、最後に位置情報が検知された地点からの移動を推定してもよい。
【0108】
図１の例では、予測部１３４は、ＰＯＩ情報と、ユーザＵ１の位置ＬＣの変化との比較により、ユーザＵ１がＸＸ公園に向かっていると推定する。例えば、予測部１３４は、位置ＬＣ１１、ＬＣ１２により、ユーザＵ１がＸＸ公園に向かって（図１では下から上方向へ）移動していると推定する。例えば、予測部１３４は、位置ＬＣ１２、ＬＣ１３により、ユーザＵ１がＸＸ公園内を移動していると推定する。例えば、予測部１３４は、位置ＬＣ１２、ＬＣ１３により、ユーザＵ１の移動速度を推定する。例えば、予測部１３４は、端末装置１０が検知した加速度に基づいて、ユーザの移動速度を推定してもよい。例えば、予測部１３４は、位置ＬＣ１３、ＬＣ１４により、ユーザＵ１がＸＸ公園内を移動していると推定する。例えば、予測部１３４は、位置ＬＣ１３、ＬＣ１４により、ユーザＵ１の移動速度を推定する。例えば、予測部１３４は、位置ＬＣ１４、ＬＣ１５により、ユーザＵ１がＸＸ公園内を移動していると推定する。例えば、予測部１３４は、位置ＬＣ１４、ＬＣ１５により、ユーザＵ１の移動速度を推定する。例えば、予測部１３４は、位置ＬＣ１５、ＬＣ１６により、ユーザＵ１がＸＸ公園内を移動していると推定する。例えば、予測部１３４は、位置ＬＣ１５、ＬＣ１６により、ユーザＵ１の移動速度を推定する。例えば、予測部１３４は、ユーザＵ１の移動経過やユーザＵ１の速度に基づいて、ユーザＵ１がＸＸ公園内をランニングしていると推定する。
【0109】
図２の例では、予測部１３４は、ＰＯＩ情報と、ユーザＵ２の位置ＬＣとの比較により、ユーザＵ２がＹＹ映画館に向かっていると推定する。例えば、予測部１３４は、ＰＯＩ情報と、ユーザＵ２の位置ＬＣの変化との比較により、ユーザＵ２がＹＹ映画館に向かっていると推定する。例えば、予測部１３４は、位置ＬＣ２１、ＬＣ２２により、ユーザＵ２がＹＹ映画館に向かって（図２では下から上方向へ）移動していると推定する。例えば、予測部１３４は、日時ｄｔ２２及び日時ｄｔ２３に取得した位置ＬＣ２２により、ユーザＵ２がＹＹ映画館内に滞在していると推定する。例えば、予測部１３４は、日時ｄｔ２２～日時ｄｔ２４に取得した位置ＬＣ２２により、ユーザＵ２がＹＹ映画館内に滞在していると推定する。例えば、予測部１３４は、日時ｄｔ２２～日時ｄｔ２５に取得した位置ＬＣ２２により、ユーザＵ２がＹＹ映画館内に滞在していると推定する。
【0110】
（提供部１３５）
提供部１３５は、種々の情報を提供する。例えば、提供部１３５は、端末装置１０等の外部装置に各種情報を提供する。例えば、提供部１３５は、モデル情報記憶部１２４に記憶された各モデルを外部の情報処理装置へ提供する。例えば、提供部１３５は、予測結果に基づく情報を外部の情報処理装置へ提供する。例えば、提供部１３５は、ＸＸ公園内をランニングしていると推定されたユーザＵ１の端末装置１０に、ＸＸ公園付近のコンビニに関する広告を配信してもよい。また、例えば、提供部１３５は、ＹＹ映画館内滞在していると推定されたユーザＵ２の端末装置１０に、ＹＹ映画館付近の飲食店（レストラン）に関する広告を配信してもよい。
提供部１３５は、種々の情報を提供する。例えば、提供部１３５は、端末装置１０等の外部装置に各種情報を提供する。例えば、提供部１３５は、モデル情報記憶部１２４に記憶された各モデルを外部の情報処理装置へ提供する。例えば、提供部１３５は、予測結果に基づく情報を外部の情報処理装置へ提供する。例えば、提供部１３５は、ＸＸ公園内をランニングしていると推定されたユーザＵ１の端末装置１０に、ＸＸ公園付近のコンビニに関する広告を配信してもよい。また、例えば、提供部１３５は、ＹＹ映画館内滞在していると推定されたユーザＵ２の端末装置１０に、ＹＹ映画館付近の飲食店（レストラン）に関する広告を配信してもよい。
【0111】
例えば、提供部１３５は、抽出部１３２により抽出された位置情報群に関する情報を所定のサービス提供者に提供してもよい。また、例えば、提供部１３５は、生成部１３３により生成されたモデルに関する情報を外部の情報処理装置へ提供してもよい。また、例えば、提供部１３５は、モデルが出力する情報を外部の情報処理装置へ提供してもよい。なお、上記は一例であり、提供部１３５は、抽出部１３２により抽出された位置情報群に基づく、種々の情報を外部の情報処理装置へ提供してもよい。
【0112】
〔３．抽出処理のフロー〕
次に、図９を用いて、実施形態に係る抽出システム１による抽出処理の手順について説明する。図９は、実施形態に係る抽出処理の一例を示すフローチャートである。また、図９に示す抽出処理には、対象行動情報の抽出及びモデルの生成の処理が含まれる。
次に、図９を用いて、実施形態に係る抽出システム１による抽出処理の手順について説明する。図９は、実施形態に係る抽出処理の一例を示すフローチャートである。また、図９に示す抽出処理には、対象行動情報の抽出及びモデルの生成の処理が含まれる。
【0113】
図９に示すように、抽出装置１００は、所定の期間において検知されたユーザの複数の位置情報を取得する（ステップＳ１０１）。例えば、抽出装置１００は、位置情報記憶部１２３（図７参照）に示すような位置情報の履歴を取得する。図１の例では、抽出装置１００は、端末装置１０から日時ｄｔ１１～ｄｔ１８に検知された位置情報ＬＣ１１～ＬＣ１８等を取得する。
【0114】
また、抽出装置１００は、位置の変化に関する所定の規則性を満たす位置情報群を抽出する（ステップＳ１０２）。例えば、抽出装置１００は、モデル情報記憶部１２４（図８参照）に示すような移動に関する行動パターンＰＴ１を満たすような位置情報群を抽出する。図１の例では、抽出装置１００は、位置情報ＬＣ１１～ＬＣ１８のうち、ＸＸ公園内を周回している位置に対応する位置情報群（位置情報ＬＣ１２～ＬＣ１６）を抽出する。
【0115】
また、抽出装置１００は、ユーザの行動情報のうち、所定の条件を満たす対象行動情報を抽出する（ステップＳ１０３）。例えば、抽出装置１００は、行動情報記憶部１２２（図６参照）に示すような行動履歴から、対象期間（日時ｄｔ１２～ｄｔ１６）後における対象行動情報を抽出する。図１の例では、抽出装置１００は、日時ｄｔ１８においてＡコンビニでＷ水を購入したことを示す行動情報ＡＣ１１を抽出する。
【0116】
そして、抽出装置１００は、位置情報群と、対象行動情報とに基づいて、所定の行動の発生有無の予測に用いられるモデルを生成する（ステップＳ１０４）。例えば、抽出装置１００は、モデル情報記憶部１２４（図８参照）に示すような行動パターンＰＴ１に対応するモデルＭ１を生成する。図１の例では、抽出装置１００は、位置情報ＬＣ１２～ＬＣ１６と、位置情報ＬＣ１２～ＬＣ１６に対応する行動情報ＡＣ１１を正解情報として、モデルＭ１を生成する。
【0117】
〔４．効果〕
上述してきたように、実施形態に係る抽出装置１００は、取得部１３１と、抽出部１３２とを有する。取得部１３１は、所定の期間において検知されたユーザの複数の位置情報を取得する。抽出部１３２は、取得部１３１により取得された複数の位置情報のうち、位置の変化に関する所定の規則性を満たす位置情報群を抽出する。
上述してきたように、実施形態に係る抽出装置１００は、取得部１３１と、抽出部１３２とを有する。取得部１３１は、所定の期間において検知されたユーザの複数の位置情報を取得する。抽出部１３２は、取得部１３１により取得された複数の位置情報のうち、位置の変化に関する所定の規則性を満たす位置情報群を抽出する。
【0118】
このように、実施形態に係る抽出装置１００は、ユーザの複数の位置情報のうち、位置の変化に関する所定の規則性を満たす位置情報群を抽出することにより、規則性を満たすユーザの情報を適切に抽出することができる。
【0119】
また、実施形態に係る抽出装置１００において、抽出部１３２は、連続して検知された複数の位置情報を位置情報群として抽出する。
【0120】
このように、実施形態に係る抽出装置１００は、連続して検知された複数の位置情報を位置情報群として抽出することにより、規則性を満たすユーザの情報を適切に抽出することができる。
【0121】
また、実施形態に係る抽出装置１００は、予測部１３４を有する。予測部１３４は、抽出部１３２により抽出された位置情報群に基づいて、所定の期間の前後におけるユーザの行動を予測する。
【0122】
このように、実施形態に係る抽出装置１００は、抽出した位置情報群に基づいて、所定の期間の前後におけるユーザの行動を予測することにより、ユーザの行動を適切に予測することができる。
【0123】
また、実施形態に係る抽出装置１００において、予測部１３４は、所定の行動の発生有無の予測に用いられるモデルであって、位置情報群が入力されたモデルの出力に基づいて、ユーザの所定の行動の有無を予測する。
【0124】
このように、実施形態に係る抽出装置１００は、所定の行動の発生有無の予測に用いられるモデルであって、位置情報群が入力されたモデルの出力に基づいて、ユーザの所定の行動の有無を予測することにより、ユーザの行動を適切に予測することができる。
【0125】
また、実施形態に係る抽出装置１００において、取得部１３１は、位置情報群が検知された期間である対象期間外におけるユーザの行動情報を取得する。抽出部１３２は、ユーザの行動情報のうち、所定の条件を満たす行動情報である対象行動情報を抽出する。
【0126】
このように、実施形態に係る抽出装置１００は、位置情報群が検知された期間である対象期間外におけるユーザの行動情報のうち、所定の条件を満たす行動情報である対象行動情報を抽出することにより、規則性を満たすユーザの情報を適切に抽出することができる。
【0127】
また、実施形態に係る抽出装置１００において、抽出部１３２は、対象期間後における対象行動情報を抽出する。
【0128】
このように、実施形態に係る抽出装置１００は、対象期間後における対象行動情報を抽出することにより、規則性を満たすユーザの情報を適切に抽出することができる。
【0129】
また、実施形態に係る抽出装置１００において、抽出部１３２は、対象期間の終了時における位置情報に対応する位置から所定の範囲内に対象行動情報を抽出する。
【0130】
このように、実施形態に係る抽出装置１００は、対象期間の終了時における位置情報に対応する位置から所定の範囲内に対象行動情報を抽出することにより、規則性を満たすユーザの情報を適切に抽出することができる。
【0131】
また、実施形態に係る抽出装置１００において、抽出部１３２は、対象期間前における対象行動情報を抽出する。
【0132】
このように、実施形態に係る抽出装置１００は、対象期間前における対象行動情報を抽出することにより、規則性を満たすユーザの情報を適切に抽出することができる。
【0133】
また、実施形態に係る抽出装置１００において、抽出部１３２は、対象期間の開始時における位置情報に対応する位置から所定の範囲内に対象行動情報を抽出する。
【0134】
このように、実施形態に係る抽出装置１００は、対象期間の開始時における位置情報に対応する位置から所定の範囲内に対象行動情報を抽出することにより、規則性を満たすユーザの情報を適切に抽出することができる。
【0135】
また、実施形態に係る抽出装置１００は、生成部１３３を有する。生成部１３３は、位置情報群と、位置情報群に対応する対象行動情報とを含む学習データに基づいて、所定の行動の発生有無の予測に用いられるモデルを生成する。
【0136】
このように、実施形態に係る抽出装置１００は、位置情報群と、位置情報群に対応する対象行動情報とを含む学習データに基づいて、所定の行動の発生有無の予測に用いられるモデルを生成することにより、ユーザの行動の適切な予測を可能にすることができる。
【0137】
〔５．ハードウェア構成〕
上述してきた実施形態に係る抽出装置１００は、例えば図１０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。図１０は、抽出装置の機能を実現するコンピュータの一例を示すハードウェア構成図である。コンピュータ１０００は、ＣＰＵ１１００、ＲＡＭ１２００、ＲＯＭ（Read Only Memory）１３００、ＨＤＤ（Hard Disk Drive）１４００、通信インターフェイス（Ｉ／Ｆ）１５００、入出力インターフェイス（Ｉ／Ｆ）１６００、及びメディアインターフェイス（Ｉ／Ｆ）１７００を有する。
上述してきた実施形態に係る抽出装置１００は、例えば図１０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。図１０は、抽出装置の機能を実現するコンピュータの一例を示すハードウェア構成図である。コンピュータ１０００は、ＣＰＵ１１００、ＲＡＭ１２００、ＲＯＭ（Read Only Memory）１３００、ＨＤＤ（Hard Disk Drive）１４００、通信インターフェイス（Ｉ／Ｆ）１５００、入出力インターフェイス（Ｉ／Ｆ）１６００、及びメディアインターフェイス（Ｉ／Ｆ）１７００を有する。
【0138】
ＣＰＵ１１００は、ＲＯＭ１３００またはＨＤＤ１４００に格納されたプログラムに基づいて動作し、各部の制御を行う。ＲＯＭ１３００は、コンピュータ１０００の起動時にＣＰＵ１１００によって実行されるブートプログラムや、コンピュータ１０００のハードウェアに依存するプログラム等を格納する。
【0139】
ＨＤＤ１４００は、ＣＰＵ１１００によって実行されるプログラム、及び、かかるプログラムによって使用されるデータ等を格納する。通信インターフェイス１５００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ＣＰＵ１１００へ送り、ＣＰＵ１１００が生成したデータをネットワークＮを介して他の機器へ送信する。
【0140】
ＣＰＵ１１００は、入出力インターフェイス１６００を介して、ディスプレイやプリンタ等の出力装置、及び、キーボードやマウス等の入力装置を制御する。ＣＰＵ１１００は、入出力インターフェイス１６００を介して、入力装置からデータを取得する。また、ＣＰＵ１１００は、生成したデータを入出力インターフェイス１６００を介して出力装置へ出力する。
【0141】
メディアインターフェイス１７００は、記録媒体１８００に格納されたプログラムまたはデータを読み取り、ＲＡＭ１２００を介してＣＰＵ１１００に提供する。ＣＰＵ１１００は、かかるプログラムを、メディアインターフェイス１７００を介して記録媒体１８００からＲＡＭ１２００上にロードし、ロードしたプログラムを実行する。記録媒体１８００は、例えば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、または半導体メモリ等である。
【0142】
例えば、コンピュータ１０００が実施形態に係る抽出装置１００として機能する場合、コンピュータ１０００のＣＰＵ１１００は、ＲＡＭ１２００上にロードされたプログラムまたはデータ（例えば、モデルＭ１、Ｍ２等）を実行することにより、制御部１３０の機能を実現する。コンピュータ１０００のＣＰＵ１１００は、これらのプログラムまたはデータ（例えば、モデルＭ１、Ｍ２等）を記録媒体１８００から読み取って実行するが、他の例として、他の装置からネットワークＮを介してこれらのプログラムを取得してもよい。
【0143】
以上、本願の実施形態のいくつかを図面に基づいて詳細に説明したが、これらは例示であり、発明の開示の行に記載の態様を始めとして、当業者の知識に基づいて種々の変形、改良を施した他の形態で本発明を実施することが可能である。
【0144】
〔６．その他〕
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また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また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。
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また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また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。
【0145】
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、その全部または一部を、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または物理的に分散・統合して構成することができる。
【0146】
また、上述してきた各実施形態に記載された各処理は、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。
【0147】
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】
【0148】
１ 抽出システム
１００ 抽出装置
１２１ ユーザ情報記憶部
１２２ 行動情報記憶部
１２３ 位置情報記憶部
１２４ モデル情報記憶部
１３０ 制御部
１３１ 取得部
１３２ 抽出部
１３３ 生成部
１３４ 予測部
１３５ 提供部
１０ 端末装置
Ｎ ネットワーク
１００ 抽出装置
１２１ ユーザ情報記憶部
１２２ 行動情報記憶部
１２３ 位置情報記憶部
１２４ モデル情報記憶部
１３０ 制御部
１３１ 取得部
１３２ 抽出部
１３３ 生成部
１３４ 予測部
１３５ 提供部
１０ 端末装置
Ｎ ネットワーク
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】