知財求人 - 知財ポータルサイト「IP Force」
特許7496803対象間の関係の表現を生成可能な対象関係情報生成モデル、並びに対象関係推定装置及び方法
(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】2024-05-30
(45)【発行日】2024-06-07
(54)【発明の名称】対象間の関係の表現を生成可能な対象関係情報生成モデル、並びに対象関係推定装置及び方法
(51)【国際特許分類】
G06N 3/08 20230101AFI20240531BHJP
G06Q 50/10 20120101ALI20240531BHJP
G06N 3/044 20230101ALI20240531BHJP
【ＦＩ】
G06N3/08
G06Q50/10
G06N3/044
【請求項の数】
11
(21)【出願番号】P 2021144005
(22)【出願日】2021-09-03
(65)【公開番号】P2023037332
(43)【公開日】2023-03-15
【審査請求日】2023-07-14
(73)【特許権者】
【識別番号】000208891
【氏名又は名称】ＫＤＤＩ株式会社
(74)【代理人】
【識別番号】100135068
【弁理士】
【氏名又は名称】早原 茂樹
(74)【代理人】
【識別番号】100141313
【弁理士】
【氏名又は名称】辰巳 富彦
(72)【発明者】
【氏名】石川 雄一
(72)【発明者】
【氏名】小林 亮博
(72)【発明者】
【氏名】栗木 優一
【審査官】福西 章人
(56)【参考文献】
【文献】国際公開第２０１９／０４９４９１（ＷＯ，Ａ１）
【文献】特開２０１６－０９１５３５（ＪＰ，Ａ）
【文献】新崎 誠ほか，Ｌｏｎｇ ｓｈｏｒｔ－ｔｅｒｍ ｍｅｍｏｒｙを用いた人物グループ属性推定の検討，電子情報通信学会技術研究報告 Ｖｏｌ．１１７ Ｎｏ．５１４，日本，2018年03月11日，pp.195-200
(58)【調査した分野】(Int.Cl.，ＤＢ名)
Ｇ０６Ｎ ３／００－９９／００
Ｇ０６Ｑ ５０／１０
(57)【特許請求の範囲】
【請求項1】
各対象の行動に係る情報から、当該対象間の関係を推定するコンピュータを機能させる対象関係情報生成モデルであって、当該対象毎に設定された対象ユニットであって、当該対象の行動に係る情報である対象行動情報を受け取り、前の時点で自ら生成した隠れ状態情報である自隠れ状態情報に対し当該対象行動情報を反映させて、新たな自隠れ状態情報を生成する回帰ニューラルネットワーク（ＲＮＮ）セルを有する対象ユニットとしてコンピュータを機能させ、
少なくとも１つの当該対象ユニットは、
当該対象と他の対象との組を識別する識別情報から、当該組内の関係を表現する情報である対象関係表現情報であって当該関係の推定結果として捉えられる対象関係表現情報を生成する、当該ＲＮＮセルと合わせて訓練される対象関係表現生成部と、
当該他の対象に係る当該対象ユニットから前の時点で出力された隠れ状態情報である他隠れ状態情報を受け取り、当該他隠れ状態情報に対し、当該対象関係表現情報を反映させて調整を行い、調整済み他隠れ状態情報を生成する他隠れ状態調整部と
を更に有し、
前記少なくとも１つの当該対象ユニットの当該ＲＮＮセルは、当該自隠れ状態情報に対し当該調整済み他隠れ状態情報も反映させて、当該新たな自隠れ状態情報を生成する
ことを特徴とする対象関係情報生成モデル。
【請求項2】
当該識別情報は、当該他の対象から当該対象への向きの情報も含む他自識別情報であって、当該対象関係表現情報は、当該他の対象から当該対象への向きの関係性を表現する情報である、又は当該識別情報は、当該他自識別情報と、当該対象から当該他の対象への向きの情報も含む自他識別情報とを含み、当該対象関係表現情報は、当該対象と当該他の対象との相互の関係性を表現する情報である
ことを特徴とする請求項１に記載の対象関係情報生成モデル。
【請求項3】
前記他隠れ状態調整部は、自らを含む当該対象ユニットに係る当該ＲＮＮセルが当該対象行動情報を受け取った際、当該他の対象に係る当該対象ユニットに係る当該ＲＮＮセルにおいて最近に生成された又は生成された直後の当該他隠れ状態情報を受け取り、当該調整済み他隠れ状態情報を生成することを特徴とする請求項１又は２に記載の対象関係情報生成モデル。
【請求項4】
前記他隠れ状態調整部は、自らを含まない他の当該対象ユニットに係る当該ＲＮＮセルが当該対象行動情報を受け取った際、該他の当該対象ユニットに係る当該ＲＮＮセルにおいて生成された直後の当該他隠れ状態情報を受け取って、当該調整済み他隠れ状態情報を生成し、前記他隠れ状態調整部から当該調整済み他隠れ状態情報を受け取った当該ＲＮＮセルは、当該対象行動情報を受け取っていない場合に、当該行動がない状態に対応するダミー行動情報を代わりに受け取って、新たな当該自隠れ状態情報を生成する
ことを特徴とする請求項１から３のいずれか１項に記載の対象関係情報生成モデル。
【請求項5】
前記少なくとも１つの当該対象ユニットの当該ＲＮＮセルは、当該対象行動情報を受け取った際、自らを含まない他の当該対象ユニットに係る当該ＲＮＮセルから、最後に受け取った当該他隠れ状態情報よりも新しい、当該対象行動情報の反映された当該他隠れ状態情報が出力されていない場合に、当該他隠れ状態情報がない状態に対応するダミー他隠れ状態情報を代わりに入力として、新たな当該自隠れ状態情報を生成することを特徴とする請求項１から４のいずれか１項に記載の対象関係情報生成モデル。
【請求項6】
前記他隠れ状態調整部は、当該対象関係表現情報と当該他隠れ状態情報との間で次元数が異なっている場合に当該次元数を揃えた上で、当該他隠れ状態情報の各要素に対し、当該対象関係表現情報における対応する規格化された要素を積算することによって、当該調整済み他隠れ状態情報を生成することを特徴とする請求項１から５のいずれか１項に記載の対象関係情報生成モデル。
【請求項7】
当該対象行動情報は、当該対象の発話に係る発話内容表現情報であり、当該対象関係表現情報は、当該対象と他の対象との会話内容に基づく、当該対象と当該他の対象との関係の推定結果として捉えられることを特徴とする請求項１から６のいずれか１項に記載の対象関係情報生成モデル。
【請求項8】
前記対象関係表現生成部は、生成した当該対象関係表現情報を、当該行動に基づく当該対象と当該他の対象との関係の推定結果として出力することを特徴とする請求項１から７のいずれか１項に記載の対象関係情報生成モデル。
【請求項9】
当該ＲＮＮセルは、新たな当該隠れ状態情報を生成するべくセルに入力される情報に対し所定の処理を施す忘却ゲート、更新ゲート、リセットゲート、入力ゲート及び出力ゲートのうちの少なくとも１つを備えていることを特徴とする請求項１から８のいずれか１項に記載の対象関係情報生成モデル。
【請求項10】
請求項１から９のいずれか１項に記載の対象関係情報生成モデルを訓練して得られた学習済みの前記対象関係表現生成部を用いて、当該対象と当該他の対象との関係に係る情報を推定し、出力することを特徴とする対象関係推定装置。
【請求項11】
請求項１から９のいずれか１項に記載の対象関係情報生成モデルに対し訓練を行い、当該訓練によって得られた学習済みの前記対象関係表現生成部を用いて、当該対象と当該他の対象との関係に係る情報を推定し、出力する
ことを特徴とする、コンピュータによって実施される対象関係推定方法。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、人間関係といったような対象間の関係を定量化する技術に関する。
【背景技術】
【0002】
近年、各種商品・サービスの提供分野において、アイテムレコメンドや広告ターゲティング等を推進させるべく、ユーザの行動を予測する技術の開発が盛んに進められている。ここで従来、ユーザの行動予測は主に、ユーザ自身の行動ログから行動パターンを抽出し、この行動パターンを訓練済みの予測モデルへ取り込むことによって実施されてきた。
【0003】
例えば非特許文献１には、ユーザの過去の行動に係る時系列データによって再帰型ニューラルネットワーク（Recurrent Neural Network，ＲＮＮ）を訓練・構築し、ＲＮＮによってユーザの行動予測を実施する技術が開示されている。このＲＮＮを用いた技術においては、ユーザ自身の過去の行動パターンが抽出され、この行動パターンが順次、予測時点毎の行動予測に使用される。また、このＲＮＮは複数のユーザの行動ログをもって訓練されているので、結果的に、行動パターンの類似する他のユーザの行動パターンも行動予測の際に考慮されるものとなっている。
【0004】
さらに、この非特許文献１に記載された技術では、ＲＮＮの訓練課程においてユーザの特性・属性の分散表現も学習可能となっている。この特性・属性の分散表現は、ユーザの特性・属性が反映された多次元ベクトルとして取得される。ここで、互いに特性・属性が類似するユーザの分散表現は、互いに類似するものとなるのである（例えばコサイン類似度が高かったり、ユークリッド距離が短かったりする）。例えば、ＲＮＮに映画の視聴履歴ログが入力された場合、この特性・属性の分散表現にはユーザの映画の好みが反映され、また、音楽の再生履歴ログが入力された場合、そこにはユーザの音楽の好みが反映されることになる。
【先行技術文献】
【非特許文献】
【0005】
【文献】Donkers, T., Loepp, B., & Ziegler, J., "Sequential user-based recurrent neural network recommendations", RecSys'17 - Proceedings of the 11th ACM Conference on Recommender Systems, pp. 152-160, ２０１７年, ＜https://doi.org/10.1145/3109859.3109877＞
【発明の概要】
【発明が解決しようとする課題】
【0006】
以上述べたような、ユーザの過去の行動ログに基づき行動予測を実施する技術は従来、数多く検討されてきた。また上述したように、属性等の類似するユーザの行動ログも利用して予測モデルの訓練を行い、行動予測の精度を維持・向上させることも行われてきた。
【0007】
ここで現実の人間社会を鑑みると、ユーザの行動は、何らかの関係にある他のユーザの行動から影響を受けることが少なくない。例えばユーザが、身近な友人の視聴している音楽や動画の影響を受けて自ら再生・視聴する音楽や動画を選択したり、 同僚や上司の影響を受けて読む本を選んだり、著名人やいわゆるインフルエンサーが身に着けている服飾品の影響を受けてファッションアイテムを選択したりすることは、日常的にみられるのである。
【0008】
しかしながら、非特許文献１に記載された上記の技術を含め、従来の技術では、所定の人間関係にある他のユーザの行動に係る情報も用いて、予測対象のユーザの行動を予測することは何ら行われてこなかった。そもそも従来、用いるべき他のユーザの行動に係る情報を規定する（この他のユーザと予測対象のユーザとの）人間関係に係る情報を、予測モデルに取り込むこと自体何らなされておらず、想定すらされてこなかった。
【0009】
これに対し、所定の人間関係にある他のユーザの行動から受ける影響も考慮して行動予測を実施することができれば、現実の人間社会での実情が反映可能となるので、行動予測の精度が大幅に向上することが期待される。ここで本願発明者等は、そのためには、他のユーザと予測対象のユーザとの人間関係に係る情報を、予測モデル（機械学習アルゴリズム）が理解可能な表現形式にしなければならないと考えた。また、このような予測モデルが取り込み可能な人間関係に係る情報を創作できれば、その情報は、人間関係にかかわる分野における行動予測以外の用途にも利用することができるとも考えた。
【0010】
そこで、本発明は、（人間といったような）対象の間の関係の表現を生成可能な対象関係情報生成モデルを提供することを目的とする。また、生成した当該表現を用いて対象関係に係る情報を推定することの可能な対象関係推定装置及び方法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】
【0011】
本発明によれば、各対象の行動に係る情報から、当該対象間の関係を推定するコンピュータを機能させる対象関係情報生成モデルであって、
当該対象毎に設定された対象ユニットであって、当該対象の行動に係る情報である対象行動情報を受け取り、前の時点で自ら生成した隠れ状態情報である自隠れ状態情報に対し当該対象行動情報を反映させて、新たな自隠れ状態情報を生成する回帰ニューラルネットワーク（ＲＮＮ）セルを有する対象ユニットとしてコンピュータを機能させ、
少なくとも１つの当該対象ユニットは、
当該対象と他の対象との組を識別する識別情報から、当該組内の関係を表現する情報である対象関係表現情報であって当該関係の推定結果として捉えられる対象関係表現情報を生成する、当該ＲＮＮセルと合わせて訓練される対象関係表現生成部と、
当該他の対象に係る当該対象ユニットから前の時点で出力された隠れ状態情報である他隠れ状態情報を受け取り、当該他隠れ状態情報に対し、当該対象関係表現情報を反映させて調整を行い、調整済み他隠れ状態情報を生成する他隠れ状態調整部と
を更に有し、
上記の少なくとも１つの当該対象ユニットの当該ＲＮＮセルは、当該自隠れ状態情報に対し当該調整済み他隠れ状態情報も反映させて、当該新たな自隠れ状態情報を生成する
ことを特徴とする対象関係情報生成モデルが提供される。
当該対象毎に設定された対象ユニットであって、当該対象の行動に係る情報である対象行動情報を受け取り、前の時点で自ら生成した隠れ状態情報である自隠れ状態情報に対し当該対象行動情報を反映させて、新たな自隠れ状態情報を生成する回帰ニューラルネットワーク（ＲＮＮ）セルを有する対象ユニットとしてコンピュータを機能させ、
少なくとも１つの当該対象ユニットは、
当該対象と他の対象との組を識別する識別情報から、当該組内の関係を表現する情報である対象関係表現情報であって当該関係の推定結果として捉えられる対象関係表現情報を生成する、当該ＲＮＮセルと合わせて訓練される対象関係表現生成部と、
当該他の対象に係る当該対象ユニットから前の時点で出力された隠れ状態情報である他隠れ状態情報を受け取り、当該他隠れ状態情報に対し、当該対象関係表現情報を反映させて調整を行い、調整済み他隠れ状態情報を生成する他隠れ状態調整部と
を更に有し、
上記の少なくとも１つの当該対象ユニットの当該ＲＮＮセルは、当該自隠れ状態情報に対し当該調整済み他隠れ状態情報も反映させて、当該新たな自隠れ状態情報を生成する
ことを特徴とする対象関係情報生成モデルが提供される。
【0012】
この本発明による対象関係情報生成モデルにおいて、（ａ）当該識別情報は、当該他の対象から当該対象への向きの情報も含む他自識別情報であって、当該対象関係表現情報は、当該他の対象から当該対象への向きの関係性を表現する情報である、又は（ｂ）当該識別情報は、当該他自識別情報と、当該対象から当該他の対象への向きの情報も含む自他識別情報とを含み、当該対象関係表現情報は、当該対象と当該他の対象との相互の関係性を表現する情報であることも好ましい。
【0013】
また、本発明による対象関係情報生成モデルにおける他隠れ状態調整部は、自らを含む当該対象ユニットに係る当該ＲＮＮセルが当該対象行動情報を受け取った際、当該他の対象に係る当該対象ユニットに係る当該ＲＮＮセルにおいて最近に生成された又は生成された直後の当該他隠れ状態情報を受け取り、当該調整済み他隠れ状態情報を生成することも好ましい。
【0014】
さらに、本発明による対象関係情報生成モデルにおける一実施形態として、
他隠れ状態調整部は、自らを含まない他の当該対象ユニットに係る当該ＲＮＮセルが当該対象行動情報を受け取った際、該他の当該対象ユニットに係る当該ＲＮＮセルにおいて生成された直後の当該他隠れ状態情報を受け取って、当該調整済み他隠れ状態情報を生成し、
他隠れ状態調整部から当該調整済み他隠れ状態情報を受け取った当該ＲＮＮセルは、当該対象行動情報を受け取っていない場合に、当該行動がない状態に対応するダミー行動情報を代わりに受け取って、新たな当該自隠れ状態情報を生成する
ことも好ましい。
他隠れ状態調整部は、自らを含まない他の当該対象ユニットに係る当該ＲＮＮセルが当該対象行動情報を受け取った際、該他の当該対象ユニットに係る当該ＲＮＮセルにおいて生成された直後の当該他隠れ状態情報を受け取って、当該調整済み他隠れ状態情報を生成し、
他隠れ状態調整部から当該調整済み他隠れ状態情報を受け取った当該ＲＮＮセルは、当該対象行動情報を受け取っていない場合に、当該行動がない状態に対応するダミー行動情報を代わりに受け取って、新たな当該自隠れ状態情報を生成する
ことも好ましい。
【0015】
また、本発明による対象関係情報生成モデルにおける他の実施形態として、少なくとも１つの当該対象ユニットの当該ＲＮＮセルは、当該対象行動情報を受け取った際、自らを含まない他の当該対象ユニットに係る当該ＲＮＮセルから、最後に受け取った当該他隠れ状態情報よりも新しい、当該対象行動情報の反映された当該他隠れ状態情報が出力されていない場合に、当該他隠れ状態情報がない状態に対応するダミー他隠れ状態情報を代わりに入力として、新たな当該自隠れ状態情報を生成することも好ましい。
【0016】
さらに、本発明に係る他隠れ状態調整部についての一実施形態として、当該他隠れ状態調整部は、当該対象関係表現情報と当該他隠れ状態情報との間で次元数が異なっている場合に当該次元数を揃えた上で、当該他隠れ状態情報の各要素に対し、当該対象関係表現情報における対応する規格化された要素を積算することによって、当該調整済み他隠れ状態情報を生成することも好ましい。
【0017】
また、本発明による対象関係情報生成モデルの一適用例として、当該対象行動情報は、当該対象の発話に係る発話内容表現情報であり、当該対象関係表現情報は、当該対象と他の対象との会話内容に基づく、当該対象と当該他の対象との関係の推定結果として捉えられることも好ましい。
【0018】
さらに、本発明による対象関係情報生成モデルにおいて、対象関係表現生成部は、生成した当該対象関係表現情報を、当該行動に基づく当該対象と当該他の対象との関係の推定結果として出力することも好ましい。
【0019】
また、本発明に係るＲＮＮセルについての一実施形態として、当該ＲＮＮセルは、新たな当該隠れ状態情報を生成するべくセルに入力される情報に対し所定の処理を施す忘却ゲート、更新ゲート、リセットゲート、入力ゲート及び出力ゲートのうちの少なくとも１つを備えていることも好ましい。
【0020】
本発明によれば、また、以上に述べた対象関係情報生成モデルを訓練して得られた学習済みの対象関係表現生成部を用いて、当該対象と当該他の対象との関係に係る情報を推定し、出力する対象関係推定装置が提供される。
【0021】
本発明によれば、さらに、以上に述べた対象関係情報生成モデルに対し訓練を行い、
当該訓練によって得られた学習済みの対象関係表現生成部を用いて、当該対象と当該他の対象との関係に係る情報を推定し、出力する
ことを特徴とする、コンピュータによって実施される対象関係推定方法が提供される。
当該訓練によって得られた学習済みの対象関係表現生成部を用いて、当該対象と当該他の対象との関係に係る情報を推定し、出力する
ことを特徴とする、コンピュータによって実施される対象関係推定方法が提供される。
【発明の効果】
【0022】
本発明の対象関係情報生成モデルによれば、（人間といったような）対象の間の関係の表現を生成することができる。また、本発明の対象関係推定装置及び方法によれば、生成した当該表現を用いて対象関係に係る情報を推定することが可能となる。
【図面の簡単な説明】
【0023】
【図1】本発明による対象関係情報生成モデルの一実施形態を示す模式図である。
【図2】本発明に係る他隠れ状態調整部及びＲＮＮセルにおける内部構成の一実施形態を説明するための機能ブロック図である。
【図3】本発明による対象関係情報生成モデルにおける他の実施形態を示す模式図である。
【図4】本発明による対象関係情報生成モデルにおける更なる他の実施形態を示す模式図である。
【図5】本発明による人間関係推定装置の一実施形態を示す機能ブロック図である。
【発明を実施するための形態】
【0024】
以下、本発明の実施形態について、図面を用いて詳細に説明する。
【0025】
［対象関係情報生成モデル］
図１は、本発明による対象関係情報生成モデルの一実施形態を示す模式図である。
図１は、本発明による対象関係情報生成モデルの一実施形態を示す模式図である。
【0026】
図１に示した本実施形態の対象関係情報生成モデル１は、
（ａ）ある対象であるユーザｊとの人間関係（対象関係）を推定すべき対象であるユーザｉについての、ある行動ドメイン（例えば「アイテム購入」や「動画閲覧」等）での行動に係る情報である「対象行動情報」、及び相手となるユーザｊについての「対象行動情報」を用いて、
（ｂ）ユーザｉとユーザｊとの人間関係（対象関係）を推定する、具体的には当該人間関係（対象関係）を表現した「人間関係分散表現」（対象関係表現情報）を生成する
機械学習モデルである。
（ａ）ある対象であるユーザｊとの人間関係（対象関係）を推定すべき対象であるユーザｉについての、ある行動ドメイン（例えば「アイテム購入」や「動画閲覧」等）での行動に係る情報である「対象行動情報」、及び相手となるユーザｊについての「対象行動情報」を用いて、
（ｂ）ユーザｉとユーザｊとの人間関係（対象関係）を推定する、具体的には当該人間関係（対象関係）を表現した「人間関係分散表現」（対象関係表現情報）を生成する
機械学習モデルである。
【0027】
具体的に、対象関係情報生成モデル１は、
（Ａ１）対象毎に（図１ではユーザｉ及びユーザｊの各々について）設定された対象ユニット（１１，２１）であって、当該対象の「対象行動情報」veを受け取り、前の時点で自ら生成した隠れ状態情報である「自隠れ状態情報」に対しこの「対象行動情報」veを反映させて、新たな「自隠れ状態情報」を生成する回帰ニューラルネットワーク（ＲＮＮ）セル（１１ｎ，２１ｎ）を有する対象ユニット（１１，２１）
としてコンピュータを機能させる。
（Ａ１）対象毎に（図１ではユーザｉ及びユーザｊの各々について）設定された対象ユニット（１１，２１）であって、当該対象の「対象行動情報」veを受け取り、前の時点で自ら生成した隠れ状態情報である「自隠れ状態情報」に対しこの「対象行動情報」veを反映させて、新たな「自隠れ状態情報」を生成する回帰ニューラルネットワーク（ＲＮＮ）セル（１１ｎ，２１ｎ）を有する対象ユニット（１１，２１）
としてコンピュータを機能させる。
【0028】
ここで、これら複数の対象ユニット（１１，１２）のうち、少なくとも１つの対象ユニット（図１では１１）は、
（Ｂ）自らに係る対象（ユーザｉ）と他の対象（ユーザｊ）との組を識別するユーザ間識別情報ri,jから、当該組内の関係を表現する情報である「人間関係分散表現」（対象関係表現情報）rei,jであって当該関係の推定結果として捉えられる「人間関係分散表現」（対象関係表現情報）rei,jを生成する、上記のＲＮＮセル（１１ｎ）と合わせて訓練される対象関係表現生成部（１１ｒ）と、
（Ｃ）他の対象（ユーザｊ）に係る対象ユニット（２１）から前の時点（例えば時点t）で出力された隠れ状態情報である「他隠れ状態情報」（hj t）を受け取り、この「他隠れ状態情報」（hj t）に対し、「人間関係分散表現」（対象関係表現情報）rei,jを反映させて調整を行い、「調整済み他隠れ状態情報」（hrj t）を生成する他隠れ状態調整部（この場合、時点t+1での１１ａ）と
を更に有し、
（Ａ２）当該少なくとも１つの対象ユニット（図１では１１）のＲＮＮセル（例えば時刻t+1での１１ｎ）は、前の時点（図１では時点t-1）で自ら生成した「自隠れ状態情報」（hi t-1）に対し上記（Ｃ）の「調整済み他隠れ状態情報」（hrj t）も反映させて、新たな「自隠れ状態情報」（hi t+1）を生成するのである。
（Ｂ）自らに係る対象（ユーザｉ）と他の対象（ユーザｊ）との組を識別するユーザ間識別情報ri,jから、当該組内の関係を表現する情報である「人間関係分散表現」（対象関係表現情報）rei,jであって当該関係の推定結果として捉えられる「人間関係分散表現」（対象関係表現情報）rei,jを生成する、上記のＲＮＮセル（１１ｎ）と合わせて訓練される対象関係表現生成部（１１ｒ）と、
（Ｃ）他の対象（ユーザｊ）に係る対象ユニット（２１）から前の時点（例えば時点t）で出力された隠れ状態情報である「他隠れ状態情報」（hj t）を受け取り、この「他隠れ状態情報」（hj t）に対し、「人間関係分散表現」（対象関係表現情報）rei,jを反映させて調整を行い、「調整済み他隠れ状態情報」（hrj t）を生成する他隠れ状態調整部（この場合、時点t+1での１１ａ）と
を更に有し、
（Ａ２）当該少なくとも１つの対象ユニット（図１では１１）のＲＮＮセル（例えば時刻t+1での１１ｎ）は、前の時点（図１では時点t-1）で自ら生成した「自隠れ状態情報」（hi t-1）に対し上記（Ｃ）の「調整済み他隠れ状態情報」（hrj t）も反映させて、新たな「自隠れ状態情報」（hi t+1）を生成するのである。
【0029】
このように、対象関係情報生成モデル１において、当該少なくとも１つの対象ユニット（図１では１１）の対象関係表現生成部（１１ｒ）は、
・前の時点の「自隠れ状態情報」に対し、「対象行動情報」veのみならず、「人間関係分散表現」（対象関係表現情報）rei,jによって調整された「調整済み他隠れ状態情報」も反映させて新たな「自隠れ状態情報」を生成するＲＮＮセル（１１ｎ）
と合わせて（後に説明するように）訓練されることによって、ユーザｉとユーザｊとの人間関係（対象関係）の推定結果として捉えられる「人間関係分散表現」（対象関係表現情報）rei,jを生成することが可能となる。
・前の時点の「自隠れ状態情報」に対し、「対象行動情報」veのみならず、「人間関係分散表現」（対象関係表現情報）rei,jによって調整された「調整済み他隠れ状態情報」も反映させて新たな「自隠れ状態情報」を生成するＲＮＮセル（１１ｎ）
と合わせて（後に説明するように）訓練されることによって、ユーザｉとユーザｊとの人間関係（対象関係）の推定結果として捉えられる「人間関係分散表現」（対象関係表現情報）rei,jを生成することが可能となる。
【0030】
すなわち、対象関係情報生成モデル１は、従来定量化が困難であった対象間（例えばユーザ間）の対象関係（人間関係）を表現する情報を、当該対象（当該ユーザ）の「対象行動情報」veから生成することができるのである。
【0031】
また、ここで生成される「人間関係分散表現」（対象関係表現情報）rei,jは、本実施形態において、ユーザ間識別情報ri,j（例えばone-hotベクトル）を受け取った対象関係表現生成部（１１ｒ）が出力する、多次元の（例えば数～数百次元の）ユーザ表現ベクトルであり、例えば多数の数値の羅列に係る情報となっている。
【0032】
このような「人間関係分散表現」（対象関係表現情報）rei,jは、本願発明者等が、単語分散表現に代表される公知の分散表現（埋め込み(embedding)）技術にヒントを得て創作したものであり、human(object) relation embedding vectorと称することも可能な情報になっている。
【0033】
ここで、人工知能による自然言語処理において欠かせない技術となっている単語分散表現は、分布仮説：「ある使用される単語は周囲の単語によって決定される」に基づき、単語を、ベクトル空間内に埋め込まれた１つの点（ベクトル）と捉える技術である。具体的には、１つ１つの単語が、例えば数百次元の（多数の数値の羅列である）word embedding vectorで表現され、意味の近い単語同士ほどこのベクトル間の距離が小さくなる。すなわちword embedding vectorは、対応する単語の意味が埋め込まれたものとなっているのである。また、word embedding vector同士の演算も可能となっており、例えば有名な例として、"king"－"man"＋"woman"＝"queen"といったような加減算を行うことが可能である。
【0034】
これと同様にして、本発明に係るhuman(object) relation embedding vector（人間関係分散表現，対象関係表現情報）も、対応するユーザ（対象）の組における組内での人間関係（対象関係）の特徴が埋め込まれたものと捉えることができ、それ故、ベクトル間距離を人間関係（対象関係）の類似度としたり、またベクトル同士の演算を行ったりして、人間関係（対象関係）に関し、さらに有益な情報が導出・生成可能となることも期待されるのである。
【0035】
また、「人間関係分散表現」（対象関係表現情報）rei,jは、分散表現による表現情報となっているので、その情報粒度は、例えば単に人間関係を親子関係、友人関係や、師弟関係等に分類する場合と比較して、各段に高いものとすることができる。またそれ故、「人間関係分散表現」（対象関係表現情報）rei,jは通常、人間が直接に解釈できるものにはなっていないが、例えば、様々な用途の機械学習モデルにおける入力データとして利用し、人工知能が例えばユーザ間の人間関係を理解して、当該ユーザに対し種々様々な好適なサービス、例えば当該ユーザの社会生活・人間関係の実情に配慮したパーソナライズドサービスを適宜、提供するようなことも可能になると期待される。
【0036】
またさらに、後に図５を用いて詳細に説明するが、「人間関係分散表現」（対象関係表現情報）rei,jを用いることによって、ユーザの組における人間関係の種別の推定や、人間関係の質・程度の推定も可能となるのである。
【0037】
ちなみに、対象関係情報生成モデル１は本実施形態において、各対象ユニットの出力層から、当該対象ユニットに係るユーザ（対象）における、次に行われる行動の予測結果を出力するものとなっている。ここで、対象ユニット１１は結局、生成した「人間関係分散表現」（対象関係表現情報）rei,jを用いてユーザｉの行動予測を実施しているのである。すなわち、ユーザ間（ユーザｉとユーザｊの間）の人間関係も考慮して、より高い精度の行動予測を実施可能にしている。例えば、ユーザｉとユーザｊとが近しい友人関係にあって、ユーザｉはユーザｊによる行動（例えば動画閲覧）の影響を強く受け得る場合において、ユーザｉの行動予測を、このユーザｊとの人間関係の分散表現を取り入れてより高い精度で実施することもできるのである。
【0038】
また本実施形態において、上記（Ａ１）の「対象行動情報」veは、「アイテム購入」や「動画閲覧」といったようなある行動ドメインでの行動に係る情報となっているが、例えば予め設定された複数種の行動ドメインでの行動に係る情報であってもよい。また勿論、「対象行動情報」veは商品やサービスの取得に係る情報以外の情報とすることもでき、表現情報（表現ベクトル）化が可能な行動であれば種々様々な対象に係る行動が、「対象行動情報」veに係る行動として採用可能となっている。
【0039】
例えば、対象関係情報生成モデル１を用い、あるユーザ（対象）と他のユーザ（他の対象）との会話内容から、このユーザと他のユーザとの人間関係を表現した「人間関係分散表現」（対象関係表現情報）rei,jを抽出することを考える。この場合、このユーザに係るＲＮＮセル（図１では１１ｎ）へ入力される「対象行動情報」veは、このユーザの発話に係る発話内容表現情報、例えば単語分散表現情報とすることができ、一方、他のユーザに係るＲＮＮセル（図１では２１ｎ）へ入力される「対象行動情報」veは、当該他のユーザの発話に係る発話内容表現情報、例えば単語分散表現情報とすることができるのである。
【0040】
また、本発明による対象関係情報生成モデルにおいて、対象ユニットの数、すなわち考慮する対象（ユーザ）の数は、当然、以上に述べたような２つに限定されるものではなく、３つ以上とすることも可能である。例えば、図１に示したように、ユーザｋに係る対象ユニット２２を設定し、ユーザｉに係る対象ユニット１１は、この対象ユニット２２から出力される「他隠れ状態情報」も受け取って、新たな「自隠れ状態情報」を生成してもよい。
【0041】
この場合具体的に、対象ユニット１１の（時点t+6における）対象関係表現生成部１１ｒは、自らに係るユーザｉと、（時点t+5における）対象ユニット２２から受け取った「他隠れ状態情報」（hk
t+5）に係るユーザｋとの組を識別するユーザ間識別情報ri,kから、当該組内の関係を表現する情報である「人間関係分散表現」（対象関係表現情報）rei,kであって、ユーザｉとユーザｋとの人間関係の推定結果として捉えられる「人間関係分散表現」（対象関係表現情報）rei,kを生成することができるのである。
【0042】
ちなみにこの場合、時点t+6における他隠れ状態調整部１１ａは、ユーザkに係る対象ユニット２２から、直近の前の時点である時点t+5で出力された「他隠れ状態情報」（hk
t+5）を受け取り、この「他隠れ状態情報」（hk
t+5）に対し、「人間関係分散表現」（対象関係表現情報）rei,kを反映させて調整を行い、「調整済み他隠れ状態情報」（hrk
t+5）を生成することになる。
【0043】
ここで、時点t+6における他隠れ状態調整部１１ａは、対象ユニット２２から時点t+5で出力された「他隠れ状態情報」（hk
t+5）の方が、対象ユニット２１から時点t+3で出力された「他隠れ状態情報」（hj
t+3）よりも直近である（新しい）ので、「他隠れ状態情報」（hk
t+5）の方を取り込む設定となっていてもよい。または、すでに取り込んだ同一の「他隠れ状態」は再度取り込まない限定の下、対象ユニット２１からの「他隠れ状態情報」と対象ユニット２２からの「他隠れ状態情報」とを交互に取り込む、若しくは、一方を所定数だけ連続して取り込んだ後は他方を所定数だけ連続して取り込む等の設定とすることも可能である。
【0044】
またさらに、本発明の対象関係情報生成モデルにおいては、後に図４を用いて説明するように、対象関係表現生成部（１１ｒ）と、他の対象ユニットから「他隠れ状態情報」を受け取って処理する他隠れ状態調整部（１１ａ）とを備えた対象ユニットを（図１では対象ユニット１１の１つだが）複数設けて、例えば各ユーザ間の人間関係の表現情報を生成する（人間関係を推定する）ことも可能となっている。
【0045】
［モデル構成，対象関係情報生成方法］
以下、本実施形態の対象関係情報生成モデル１の構成について、より詳細に説明を行う。同じく図１によれば、対象関係情報生成モデル１は本実施形態において、
（ア）行動分散表現抽出部（行動表現生成部）１１ｖと、ユーザ分散表現抽出部（ユーザ表現生成部）１１ｕと、人間関係分散表現抽出部（対象関係表現生成部）１１ｒと、他隠れ状態調整部１１ａと、ＲＮＮセル１１ｎと、出力層１１ｏとを有する対象ユニット１１、及び
（イ）行動分散表現抽出部２１ｖと、ユーザ分散表現抽出部２１ｕと、ＲＮＮセル２１ｎと、出力層２１ｏとを有する対象ユニット２１
を（コンピュータに搭載されたプログラムによって具現される機能構成部として）備えている。
以下、本実施形態の対象関係情報生成モデル１の構成について、より詳細に説明を行う。同じく図１によれば、対象関係情報生成モデル１は本実施形態において、
（ア）行動分散表現抽出部（行動表現生成部）１１ｖと、ユーザ分散表現抽出部（ユーザ表現生成部）１１ｕと、人間関係分散表現抽出部（対象関係表現生成部）１１ｒと、他隠れ状態調整部１１ａと、ＲＮＮセル１１ｎと、出力層１１ｏとを有する対象ユニット１１、及び
（イ）行動分散表現抽出部２１ｖと、ユーザ分散表現抽出部２１ｕと、ＲＮＮセル２１ｎと、出力層２１ｏとを有する対象ユニット２１
を（コンピュータに搭載されたプログラムによって具現される機能構成部として）備えている。
【0046】
ここで図１には対象ユニット２２も示されているが、対象ユニット２２の機能構成部である行動分散表現抽出部２２ｖ、ユーザ分散表現抽出部２２ｕ、ＲＮＮセル２２ｎ、及び出力層２２ｏはそれぞれ、対象ユニット２１における同名の機能構成部と同様の構造及び機能を有しており、以下その説明を省略する。
【0047】
ちなみに、図１は、上述した（ア）及び（イ）の機能構成部（図１の左端側の機能ブロック群）が実行する処理を、時間経過の向きが右向きとなっている時間軸上で展開した様子を示している。ここで、この時間軸における時点の表記についてであるが、この時点は、いずれかの対象ユニットにおいて対象行動情報veがＲＮＮセルに取り入れられる毎に"1"だけ増分される値を示す。例えば、対象ユニット１１に係る時点t+4から見て、対象ユニット２１が対象行動情報vej
t+3をＲＮＮセル２１に取り入れる時点t+3は、１つ「前の時点」となるのである。
【0048】
また本実施形態では、異なる対象ユニットにおいて行動（対象行動情報ve）が完全に同一の時点で（すなわち全くの同時に）発生することはないとの前提の下、各時点においては、いずれか１つの対象ユニットだけが対象行動情報veをＲＮＮセルに取り入れるものとしている。
【0049】
以下、上述した各機能構成部について具体的に説明を行う。同じく図１において、対象ユニット１１の行動分散表現抽出部（行動表現生成部）１１ｖは、（例えば時点t+1において）ユーザｉが行った行動を識別する行動識別情報であるone-hotベクトル（vi
t+1）を入力として、このone-hotベクトル（vi
t+1）に対し、行動分散表現抽出演算子としての行列Wvを作用させて（積算して）、ユーザｉの行動に係る対象行動情報である行動分散表現（vei
t+1）を生成する。ここで、この行動分散表現（vei
t+1）には、例えば行動が「動画閲覧」である場合、（モデル訓練の結果として）その動画の出演者やジャンルといったような動画に係る種々様々な情報が埋め込まれていることが期待される。
【0050】
また、対象ユニット１１のユーザ分散表現抽出部（ユーザ表現生成部）１１ｕは、ユーザｉのユーザ識別情報であるone-hotベクトルuiを入力として、このone-hotベクトルuiに対し、ユーザ分散表現抽出演算子としての行列Wuを作用させて（積算して）、ユーザｉのユーザ分散表現（uei）を生成する。ここで、このユーザ分散表現（uei）には、例えば行動が「動画閲覧」である場合、（モデル訓練の結果として）ユーザｉの動画の好みといったようなユーザｉの種々様々な属性情報が埋め込まれていることが期待される。
【0051】
なお、このユーザ分散表現抽出部１１ｕは、モデル出力の精度向上を目的に設定されたものであるが、対象関係情報生成モデル１は人間関係分散表現（対象関係表現情報）rei,jによってユーザｉに係る情報をすでに取り入れているので、省略することも可能である（すなわちユーザ分散表現（uei）を取り扱わないこともできる）。
【0052】
同じく図１において、対象ユニット１１の人間関係分散表現抽出部（対象関係表現生成部）１１ｒは、ユーザｉとユーザｊ（他の対象）との組を識別するユーザ間識別情報であるone-hotベクトルri,jを入力として、このone-hotベクトルri,jに対し、人間関係分散表現抽出演算子としての行列Wrを作用させて（積算して）、当該組内の関係（ユーザｉとユーザｊ（他の対象）との人間関係）を表現する人間関係分散表現（対象関係表現情報）rei,jを生成する。ここでこの人間関係分散表現rei,jは、人間関係分散表現抽出部１１ｒを（後に説明するように）ＲＮＮセル１１ｎと合わせて訓練されたものとすることによって、ユーザｉとユーザｊ（他の対象）との人間関係の推定結果として捉えられる量となっている。
【0053】
なお本実施形態において、one-hotベクトル（ユーザ間識別情報）ri,jは、ユーザｊ（他の対象）からユーザｉへの向きの情報も含む「他自識別情報」となっている。すなわち、one-hotベクトルri,jとone-hotベクトルrj,iとは互いに一致しない異なるベクトルとなるように設定されている。またしたがって、人間関係分散表現rei,jは、ユーザｊ（他の対象）からユーザｉへの向きの関係性を表現する分散表現情報となる。例えば、ユーザｊがユーザｉの親である場合に、one-hotベクトルri,jは「親から子への向きとしてのユーザｊからユーザｉへの向き」を識別する情報となり、上記のような訓練の結果、人間関係分散表現rei,jは「親子関係における親から子への向きの関係性としてのユーザｊからユーザｉへの向きの関係性」を表現する情報となるのである。
【0054】
ここで変更態様として、人間関係分散表現抽出部１１ｒへ入力するユーザ間識別情報として、上記の「他自識別情報」と、ユーザｉからユーザｊ（他の対象）への向きの情報も含む「自他識別情報」とを含むものとすることもできる。すななち、ユーザ間識別情報として、one-hotベクトルri,jとone-hotベクトルrj,i（≠ri,j）とをともに使用してもよい（人間関係分散表現抽出部１１ｒへともに入力してもよい）。この場合、生成される人間関係分散表現rei,jは「ユーザｉとユーザｊとの相互の関係性」を表現する情報、例えば「両者は親子の関係にある旨」を表現する情報となるのである。また更なる変更態様として、ユーザ間識別情報は、向きの情報を含まないものとすることも可能である。この場合、ユーザ識別情報としてone-hotベクトルri,j（＝rj,i）を使用することになる。
【0055】
また、対象関係情報生成モデル１は本実施形態において、後に説明するように行動予測情報も出力するモデルとなっているが、主要な成果として対象関係表現情報を出力するモデルとすることもできる。この場合、人間関係分散表現抽出部（対象関係表現生成部）１１ｒは、以上に述べたように生成した人間関係分散表現（対象関係表現情報）rei,jを、ユーザｉ及びユーザｊの行動に基づく両者の人間関係の推定結果として出力する、例えばrei,j出力用の出力層を有することになる。
【0056】
同じく図１において、対象ユニット１１の他隠れ状態調整部１１ａは、（例えば時点t+1において）自らを含む対象ユニット１１に係るＲＮＮセル１１ｎが行動分散表現抽出部１１ｖから行動分散表現（vei
t+1）を受け取った際、
（ａ）ユーザｊ（他の対象）に係る対象ユニット２１において最近に生成された又は生成された直後の（図１では時点tで生成された）他隠れ状態情報（hj t）を受け取り、
（ｂ）この他隠れ状態情報（hj t）に対し、人間関係分散表現抽出部１１ｒから受け取った人間関係分散表現rei,jを反映させて調整を行い、調整済み他隠れ状態情報（hrj t）を生成する。
なお、本実施形態における他隠れ状態調整部１１ａの具体的な内部構成は、後に図２を用いて詳細に説明を行う。
（ａ）ユーザｊ（他の対象）に係る対象ユニット２１において最近に生成された又は生成された直後の（図１では時点tで生成された）他隠れ状態情報（hj t）を受け取り、
（ｂ）この他隠れ状態情報（hj t）に対し、人間関係分散表現抽出部１１ｒから受け取った人間関係分散表現rei,jを反映させて調整を行い、調整済み他隠れ状態情報（hrj t）を生成する。
なお、本実施形態における他隠れ状態調整部１１ａの具体的な内部構成は、後に図２を用いて詳細に説明を行う。
【0057】
同じく図１において、対象ユニット１１のＲＮＮセル１１ｎは、（例えば時点t+1において）行動分散表現抽出部１１ｖから行動分散表現（vei
t+1）を受け取った際、
（ａ）直近の前の時点（図１では時点t-1）で自ら生成した自隠れ状態情報（hi t-1）
に対し、
（ｂ）この受け取った行動分散表現（vei t+1）と、
（ｃ）ユーザ分散表現抽出部１１ｕから受け取ったユーザ分散表現（uei）と、
（ｄ）他隠れ状態調整部１１ａから受け取った調整済み他隠れ状態情報（hrj t）と
を反映させて、
（ｅ）新たな自隠れ状態情報（hi t+1）と、
（ｆ）出力層１１ｏを介し出力される行動予測情報であって、次にユーザｉがとると予測される行動に係る情報である行動予測情報（vpi t+2）と
を生成する。
（ａ）直近の前の時点（図１では時点t-1）で自ら生成した自隠れ状態情報（hi t-1）
に対し、
（ｂ）この受け取った行動分散表現（vei t+1）と、
（ｃ）ユーザ分散表現抽出部１１ｕから受け取ったユーザ分散表現（uei）と、
（ｄ）他隠れ状態調整部１１ａから受け取った調整済み他隠れ状態情報（hrj t）と
を反映させて、
（ｅ）新たな自隠れ状態情報（hi t+1）と、
（ｆ）出力層１１ｏを介し出力される行動予測情報であって、次にユーザｉがとると予測される行動に係る情報である行動予測情報（vpi t+2）と
を生成する。
【0058】
図２は、本発明に係る他隠れ状態調整部１１ａ及びＲＮＮセル１１ｎにおける内部構成の一実施形態を説明するための機能ブロック図である。
【0059】
最初に図２に示すように、他隠れ状態調整部１１ａは本実施形態において、次元数調整部１１ａ１と、規格化部１１ａ２と、積算部１１ａ３とを有する。このうち次元数調整部１１ａ１は、（例えば時点t+1において）入力される人間関係分散表現rei,jと他隠れ状態情報（hj
t）との間で次元数が異なっている場合に当該次元数を揃える処理を行う。具体的には、人間関係分散表現rei,jに対し次元数変換行列Wdを作用させて（積算して）、rei,jベクトルの次元数をhj
tベクトルの次元数と同一にする。次いで、規格化部１１ａ２は、次元数の調整された人間関係分散表現rei,jにおける各ベクトル要素の値を、例えばtanh関数を用いて－1から1までの値に規格化する。
【0060】
最後に、積算部１１ａ３は、（ユーザｊの行動内容が埋め込まれている）他隠れ状態情報（hj
t）の各ベクトル要素に対し、人間関係分散表現rei,jにおける対応する規格化されたベクトル要素（－1～1の値）を積算することによって、調整済み他隠れ状態情報（hrj
t）を生成する。すなわち、積算部１１ａ３は、ユーザｊに係る対象ユニット２１（図１）から受け取った他隠れ状態情報（hj
t）を、「ユーザｊとの人間関係の下でユーザｉがユーザｊの行動内容から受けた影響」が反映された形に調整するのである。ここで、他隠れ状態情報（hj
t）における（ユーザｊの行動が埋め込まれた）ベクトル要素のうち、ユーザｉの行動に大きく影響するものには、1近傍の値又は-1近傍の値が乗じられ、一方、ユーザｉの行動への影響が小さいものについては、0近傍の値が乗じられることになる。
【0061】
なお、他隠れ状態調整部１１ａはその内部構成として、図２に示した構成部以外の様々な処理ユニットを採用することが可能である。例えば、人間関係分散表現rei,jの次元数と他隠れ状態情報（hj
t）の次元数を予め同一に設定しておき、次元数調整処理を省略してもよい。また、人間関係分散表現rei,jの規格化の際、sigmoid関数等の他の関数を用いることもできる。さらに、他隠れ状態情報（hj
t）と人間関係分散表現rei,jとに対し、積算処理を行うのではなく、例えば加減算処理を行ったり連結処理を行ったりすることも可能である。すなわち、ユーザｊとの人間関係を表現した人間関係分散表現rei,jをもって、他隠れ状態情報（hj
t）を調整可能な処理ならば種々様々な処理が採用可能となっている。
【0062】
次に同じく図２において、ＲＮＮセル１１ｎは本実施形態において、ＲＮＮを構成可能な公知のＧＲＵ（Gated Recurrent Unit）を採用した構成となっており、以下に示す機能構成部（ａ）～（ｆ）を備えている。
（ａ）[Ｔ]：複数の入力ベクトルに重み行列を積算し、さらに積算結果にバイアスベクトルを加算して、得られたベクトルを出力する。なお、図２における２つの[Ｔ]はそれぞれ独立した（互いに異なる）重み行列及びバイアスベクトルを有する。
（ｂ）[σ]：入力ベクトルの各要素をsigmoid関数へ入力し、得られたベクトルを出力する。なお、図２における２つの[σ]は、それぞれリセットゲートr及び更新ゲートuとして機能する。
（ｃ）[○の中に・]：２つの入力ベクトルの対応する要素同士を乗じ、得られたベクトルを出力する。
（ｄ）[－１]：入力ベクトルの各要素に－1を乗じ、得られたベクトルを出力する。
（ｅ）[tanh]：入力ベクトルの各要素をtanh関数へ入力し、得られたベクトル（隠れ状態候補k）を出力する。
（ｆ）［＋］：２つの入力ベクトルの要素同士を足し合わせ、 得られたベクトルを出力する。
（ａ）[Ｔ]：複数の入力ベクトルに重み行列を積算し、さらに積算結果にバイアスベクトルを加算して、得られたベクトルを出力する。なお、図２における２つの[Ｔ]はそれぞれ独立した（互いに異なる）重み行列及びバイアスベクトルを有する。
（ｂ）[σ]：入力ベクトルの各要素をsigmoid関数へ入力し、得られたベクトルを出力する。なお、図２における２つの[σ]は、それぞれリセットゲートr及び更新ゲートuとして機能する。
（ｃ）[○の中に・]：２つの入力ベクトルの対応する要素同士を乗じ、得られたベクトルを出力する。
（ｄ）[－１]：入力ベクトルの各要素に－1を乗じ、得られたベクトルを出力する。
（ｅ）[tanh]：入力ベクトルの各要素をtanh関数へ入力し、得られたベクトル（隠れ状態候補k）を出力する。
（ｆ）［＋］：２つの入力ベクトルの要素同士を足し合わせ、 得られたベクトルを出力する。
【0063】
ここで、更新ゲートu（一方の[σ]）は、入力された行動分散表現（vei
t+1）、ユーザ分散表現（uei）や、調整済み他隠れ状態情報（hrj
t）を変換した情報に基づき、１つ前の（最後の）自隠れ状態情報（hi
t-1）からどれだけの情報を保持し取り込むかを決定する。また、リセットゲートr（他方の[σ]）は、１つ前の（最後の）自隠れ状態情報（hi
t-1）から捨てるべき情報を決定する。ＲＮＮセル１１ｎは、このような処理によって、ユーザｊとの人間関係によって調整された（ユーザｊの行動が反映されている）調整済み他隠れ状態情報（hrj
t）を反映させた新たな自隠れ状態情報（hi
t+1）を生成することが可能となるのである。
【0064】
なお、ＲＮＮセル１１ｎはその内部構成として、図２に示した構成部以外の様々なＲＮＮユニットを採用することが可能であり、例えば、入力ゲート、出力ゲート及び忘却ゲートを備えたＬＳＴＭ（Long-Short Term Memory）を採用してもよい。いずれにしても、ＲＮＮセル１１ｎについては、新たな隠れ状態情報を生成するべくセルに入力される情報に対し所定の処理を施す忘却ゲート、更新ゲート、リセットゲート、入力ゲート及び出力ゲートのうちの少なくとも１つを備えた構成とすることも好ましいのである。
【0065】
図１に戻って、対象ユニット２１の行動分散表現抽出部（行動表現生成部）２１ｖは（例えば時点tにおいて）ユーザｊが行った行動を識別する行動識別情報であるone-hotベクトル（vj
t）を入力として、このone-hotベクトル（vj
t）に対し、行動分散表現抽出演算子としての行列Wvを作用させて（積算して）、ユーザｊの行動に係る対象行動情報である行動分散表現（vej
t）を生成する。ちなみに当然ではあるが、ここでの行列Wvは、訓練の結果として、行動分散表現抽出部１１ｖの行列Wvとは別の演算子として生成・更新される。
【0066】
また、対象ユニット２１のユーザ分散表現抽出部（ユーザ表現生成部）２１ｕは、ユーザｊのユーザ識別情報であるone-hotベクトルujを入力として、このone-hotベクトルujに対し、ユーザ分散表現抽出演算子としての行列Wuを作用させて（積算して）、ユーザｊのユーザ分散表現（uej）を生成する。ちなみにここでの行列Wuも、訓練の結果として、ユーザ分散表現抽出部１１ｕの行列Wuとは別の演算子として生成・更新される。
【0067】
同じく図１において、対象ユニット２１のＲＮＮセル２１ｎは、「他の対象ユニットから受け取った他隠れ状態情報を（人間関係をもって）調整した結果としての調整済み他隠れ状態情報」を入力としないこと以外、対象ユニット１１のＲＮＮセル１１ｎと同様の構造・機能を有し、同様の変更態様や別実施形態をとり得るＲＮＮセルとなっている。
【0068】
具体的にＲＮＮセル２１ｎは、（例えば時点tにおいて）行動分散表現抽出部２１ｖから行動分散表現（vej
t）を受け取った際、
（ａ）直近の前の時点（図１では時点t-3）で自ら生成した自隠れ状態情報（hj t-3）
に対し、
（ｂ）この受け取った行動分散表現（vej t）と、
（ｃ）ユーザ分散表現抽出部２１ｕから受け取ったユーザ分散表現（uej）と
を反映させて、
（ｄ）新たな自隠れ状態情報（hj t）
を生成する。ちなみに、ＲＮＮセル２１ｎも出力層２１ｏを介し、次にユーザｊがとると予測される行動に係る情報である行動予測情報（vpj）を生成してもよいが、本実施形態ではこの後説明するように、ＲＮＮセル２１ｎは、すでに訓練済みのものを採用するので、行動予測情報を生成する必要はない。
（ａ）直近の前の時点（図１では時点t-3）で自ら生成した自隠れ状態情報（hj t-3）
に対し、
（ｂ）この受け取った行動分散表現（vej t）と、
（ｃ）ユーザ分散表現抽出部２１ｕから受け取ったユーザ分散表現（uej）と
を反映させて、
（ｄ）新たな自隠れ状態情報（hj t）
を生成する。ちなみに、ＲＮＮセル２１ｎも出力層２１ｏを介し、次にユーザｊがとると予測される行動に係る情報である行動予測情報（vpj）を生成してもよいが、本実施形態ではこの後説明するように、ＲＮＮセル２１ｎは、すでに訓練済みのものを採用するので、行動予測情報を生成する必要はない。
【0069】
以上、図１及び図２を用いて、対象ユニット１１及び対象ユニット２１の各機能構成部における情報処理につき、ある時点（例えば時点t+1）での処理を例にして説明を行ったが、説明した情報処理は勿論、図１に示したように、対象となるユーザの行動（行動分散表現）が発生する時点において同様に実行されるのである。
【0070】
［対象関係情報生成モデルの訓練］
以下、同じく図１を用いて、対象関係情報生成モデル１の訓練（学習）について説明を行う。最初に、対象ユニット２１、すなわちＲＮＮ２１ｎ、行動分散表現抽出部２１ｖ、及びユーザ分散表現抽出部２１ｕは、すでに訓練済みのものを使用する（対象ユニット１１とは独立して、ＲＮＮの従来手法により予め訓練を行っておく）。
以下、同じく図１を用いて、対象関係情報生成モデル１の訓練（学習）について説明を行う。最初に、対象ユニット２１、すなわちＲＮＮ２１ｎ、行動分散表現抽出部２１ｖ、及びユーザ分散表現抽出部２１ｕは、すでに訓練済みのものを使用する（対象ユニット１１とは独立して、ＲＮＮの従来手法により予め訓練を行っておく）。
【0071】
一方、対象ユニット１１については訓練を行うが具体的は、行動識別情報（one-hotベクトルvi）、ユーザ識別情報（one-hotベクトルui）、ユーザ間識別情報（one-hotベクトルri,j）、及び（訓練済みの対象ユニット２１から出力された）他隠れ状態情報（hj）を対象ユニット１１へ入力し、その出力層１１ｏから行動予測情報（vpi）を出力させる。
【0072】
次いで、この行動予測情報（vpi）と実際の行動に係る正解データ（行動識別情報（vi）若しくは行動分散表現（vei））との差異をロス（損失）とし、このロスを用いる公知のＲＮＮ訓練手法であるＢＰＴＴ（Back Propagation Through Time）法を応用することによって、ＲＮＮ１１ｎ、他隠れ状態調整部１１ａ、人間関係分散表現抽出部１１ｒ、行動分散表現抽出部１１ｖ、及びユーザ分散表現抽出部１１ｕ内における各種パラメータ（重み係数、重み行列やバイアスベクトル等）の学習を行う。なおここで、訓練済みの対象ユニット２１についても誤差逆伝播を及ぼし、各種パラメータを更新させてもよい。勿論、誤差逆伝播を及ぼさず、そのままとすることも可能である。
【0073】
以上に説明したような訓練処理によって、人間関係分散表現抽出部１１ｒ（行列Wr）は、ＲＮＮ１１ｎと合わせて訓練される中で、ユーザｊの行動がユーザｉの行動に及ぼす影響を反映した情報、言い換えると（互いの関係の詳細によって行動に及ぼす影響が決まる可能性の高いことから）ユーザｉから見てユーザｊはどのような関係にある人物であるかに係る情報であると解釈可能な「人間関係分散表現」（対象関係表現情報）rei,jを生成するようになるのである。
【0074】
ちなみにこの訓練済みの人間関係分散表現抽出部１１ｒを、外部へ取り出した上で、「指定した人物間の人間関係の分散表現を抽出する抽出器」として、独立して利用することも可能である。
【0075】
［モデルの他の実施形態］
図３は、本発明による対象関係情報生成モデルにおける他の実施形態を示す模式図である。
図３は、本発明による対象関係情報生成モデルにおける他の実施形態を示す模式図である。
【0076】
図３に示した本実施形態の対象関係情報生成モデル１は、図１に示した実施形態と同様、対象ユニット１１及び対象ユニット２１としてコンピュータを機能させ、図１に示した実施形態と同様、ユーザｉ及びユーザｊの行動識別情報（vi，vj）を入力とした上で、人間関係分散表現抽出部１１ｒにおいて人間関係分散表現rei,jを生成するモデルとなっている。
【0077】
しかしながら本実施形態の対象関係情報生成モデル１においては、図１のモデル１とは異なり、
（ａ）対象ユニット１１の他隠れ状態調整部１１ａは（例えば時点t+3において）、自らを含まない他の対象ユニット（図１では２１）に係るＲＮＮセル（２１ｎ）が（同じ時点t+3において）行動分散表現（vej t+3）を受け取った際、この他の対象ユニット（２１）に係るＲＮＮセル（２１ｎ）において生成された直後の他隠れ状態情報（hj t+3）を受け取り、（同じく時点t+3において）調整済み他隠れ状態情報（hrj t+3）を生成し、
（ｂ）（同じく時点t+3において）他隠れ状態調整部１１ａから調整済み他隠れ状態情報（hrj t+3）を受け取ったＲＮＮセル１１は、（本実施形態の設定では１時点１行動であって当然にそうなるが）ユーザｉの行動分散表現（対象行動情報）を受け取っていない場合に、（ユーザｉによる）行動がない状態に対応する「ダミー行動情報」eveを代わりに受け取って、新たな自隠れ状態情報（hi t+3）を生成する。
（ａ）対象ユニット１１の他隠れ状態調整部１１ａは（例えば時点t+3において）、自らを含まない他の対象ユニット（図１では２１）に係るＲＮＮセル（２１ｎ）が（同じ時点t+3において）行動分散表現（vej t+3）を受け取った際、この他の対象ユニット（２１）に係るＲＮＮセル（２１ｎ）において生成された直後の他隠れ状態情報（hj t+3）を受け取り、（同じく時点t+3において）調整済み他隠れ状態情報（hrj t+3）を生成し、
（ｂ）（同じく時点t+3において）他隠れ状態調整部１１ａから調整済み他隠れ状態情報（hrj t+3）を受け取ったＲＮＮセル１１は、（本実施形態の設定では１時点１行動であって当然にそうなるが）ユーザｉの行動分散表現（対象行動情報）を受け取っていない場合に、（ユーザｉによる）行動がない状態に対応する「ダミー行動情報」eveを代わりに受け取って、新たな自隠れ状態情報（hi t+3）を生成する。
【0078】
ここで、上記（ｂ）の「ダミー行動情報」eveは、ダミー行動識別情報（例えばダミーであることを示すone-hotベクトル）evを入力とした行動分散表現抽出部１１ｖが生成する情報とすることができる。または、ベクトル要素が全て同値（例えば0）である、又は特定パターンの値群となっている（例えば0と1とが交互に並んでいる又はランダムな値の連続となっている）多次元ベクトルを「ダミー行動情報」eveとして予め設定しておいてもよい。
【0079】
このように本実施形態では、対象ユニット１１のＲＮＮセル１１ｎは、図１に示した実施形態のようにユーザｉが行動した際（行動分散表現veiが生成された際）にのみ新たな自隠れ状態情報hiを生成するのではなく、他の対象ユニットのＲＮＮセルが行動分散表現vejを受け取った際、それと同時点（図３では時点t+3）においても、「ダミー行動情報」eveを用いて新たな自隠れ状態情報hiを生成する。
【0080】
その結果、対象ユニット１１のＲＮＮセル１１ｎにおいて行動予測を行う際、この予測時点よりも前の（過去となる）時点においていずれかの対象ユニットで発生した行動が全て反映された自隠れ状態情報を用いることができ、これにより、この予測時点までに発生した（ユーザｉ及びユーザｊによる）全ての行動を考慮した行動予測を行うことが可能となるのである。
【0081】
一方、図１の実施形態では、対象ユニット１１のＲＮＮセル１１ｎは、例えば時点t+2において行動分散表現vei
t+2を受け取った後、時点t+4において行動分散表現vei
t+4を受け取り、この時点t+4において、自隠れ状態情報hi
t+2を用いて行動予測を行っている（行動予測情報vpi
t+6を出力している）。ここで、この予測に用いた自隠れ状態情報hi
t+2には、時点t+3において対象ユニット２１で発生したユーザｊの行動（行動分散表現vej
t+3）は当然ながら何ら反映されていない。このように、図１の実施形態ではＲＮＮセル１１ｎは、時点t+4における行動予測において、それまでに発生した行動の一部を反映させていない自隠れ状態情報hiを用いることになっているのである。
【0082】
これに対し、図３に示した本実施形態のＲＮＮセル１１ｎは、対象ユニット２１において行動の発生した時点t+3においても、「ダミー行動情報」eveを用いて新たな自隠れ状態情報hi
t+3を生成しており、その結果、本実施形態の対象関係情報生成モデル１は、この時点t+3における行動予測や、さらには時点t+4における行動予測において、それまでに発生した行動の全てを反映させた自隠れ状態情報hi
t+2や自隠れ状態情報hi
t+3を用いてより精度の高い行動予測を行うことが可能となるのである。
【0083】
また、以上に述べたようなより精度の高い行動予測を伴う行動予測処理・自隠れ状態生成処理を訓練時に実施することによって、より精度の高い（より確実に関係の実情が埋め込まれた）人間関係分散表現rei,jを生成することも可能となるのである。なお、時点t+2における行動予測情報vpi
t+4は、この時点t+2と予測時点t+4との間となる時点t+3において（対象ユニット２１で）行動が発生していることを受け、この訓練の際には使用されず、代わりに時点t+3における行動予測情報vpi
t+4が訓練に用いられることも好ましい。
【0084】
図４は、本発明による対象関係情報生成モデルにおける更なる他の実施形態を示す模式図である。
【0085】
図４に示した本実施形態の対象関係情報生成モデル１’は、複数の（図４では３つの）対象ユニット（１２，１３，１４）としてコンピュータを機能させ、ここで各対象ユニット（１２，１３，１４）は、図１に示した対象ユニット１１と同様の内部構成及び機能を有しており、言い換えると、各対象ユニット（１２，１３，１４）における行動分散表現抽出部（１２ｖ，１３ｖ，１４ｖ）、ユーザ分散表現抽出部（１２ｕ，１３ｕ，１４ｕ）、人間関係分散表現抽出部（１２ｒ，１３ｒ，１４ｒ）、他隠れ状態調整部（１２ａ，１３ａ，１４ａ）、ＲＮＮセル（１２ｎ，１３ｎ，１４ｎ）及び出力層（１２ｏ，１３ｏ，１４ｏ）はそれぞれ、対象ユニット１１（図１）における同名の機能構成部と同様の構造及び機能を有している。
【0086】
したがって、各対象ユニット（１２，１３，１４）は、対応するユーザ（ｉ，ｊ，ｋ）の行動識別情報（vi，vj，vk）を入力とした上で、人間関係分散表現抽出部（１２ｒ，１３ｒ，１４ｒ）において人間関係分散表現reを生成することができるのである。
【0087】
なお、対象関係情報生成モデル１’においても、以上に説明してきた実施形態と同様、異なる対象ユニットにおいて行動（行動分散表現ve）が完全に同一の時点で（すなわち全くの同時に）発生することはないとの前提の下、各時点においては、いずれか１つの対象ユニットだけが行動分散表現veを取り入れるものとしている。
【0088】
ここで本実施形態の対象関係情報生成モデル１’では、より具体的に、
（ａ）自らに係るユーザの行動分散表現veを行動分散表現抽出部から受け取ったＲＮＮセル（例えば時点t+4における１４ｎ）は、自らを含まない他の対象ユニットに係るＲＮＮセル（１２ｎ，１３ｎ）から、最後に受け取った他隠れ状態情報（hi t+2，hj t+3）よりも新しい（行動分散表現veの反映された）他隠れ状態情報が出力されていない場合に、他隠れ状態情報がない状態に対応する「ダミー他隠れ状態情報」ehを代わりに入力として、新たな自隠れ状態情報（hk t+4）を生成し、
（ｂ）上記（ａ）のＲＮＮセル（１４ｎ）の属する対象ユニット（１４）以外の残りの対象ユニット（１２，１３）における人間関係分散表現抽出部（１２ｒ，１３ｒ）は、自らに係るユーザと上記（ａ）のＲＮＮセル（１４ｎ）に係るユーザとのユーザ間識別情報であるone-hotベクトル（ri,k，rj,k）を入力として人間関係分散表現（rei,k，rej,k）を生成して、他隠れ状態調整部（１２ａ，１３ａ）へ出力し、
（ｃ）上記（ｂ）の人間関係分散表現（rei,k，rej,k）を受け取った他隠れ状態調整部（１２ａ，１３ａ）は、上記（ａ）のＲＮＮセル（１４ｎ）から受け取った自隠れ状態情報（hk t+4）を、この人間関係分散表現（rei,k，rej,k）をもって調整して調整済み人間関係分散表現（hrk t+4，hrk t+4）を生成して、ＲＮＮセル（１２ｎ，１３ｎ）へ出力し、
（ｄ）上記（ｃ）の調整済み人間関係分散表現（hrk t+4，hrk t+4）を受け取ったＲＮＮセル（１２ｎ，１３ｎ）は、この調整済み人間関係分散表現（hrk t+4，hrk t+4）と、（自らに係るユーザの行動は発生していないので）代わりに準備された「ダミー行動情報」eveと、ユーザ分散表現（uei，uej）とを、前の時点（時点t+3）で生成した自隠れ状態情報（hi t+3，hj t+3）に反映させ、新たな自隠れ状態情報（hi t+4，hj t+4）を生成するのである。
（ａ）自らに係るユーザの行動分散表現veを行動分散表現抽出部から受け取ったＲＮＮセル（例えば時点t+4における１４ｎ）は、自らを含まない他の対象ユニットに係るＲＮＮセル（１２ｎ，１３ｎ）から、最後に受け取った他隠れ状態情報（hi t+2，hj t+3）よりも新しい（行動分散表現veの反映された）他隠れ状態情報が出力されていない場合に、他隠れ状態情報がない状態に対応する「ダミー他隠れ状態情報」ehを代わりに入力として、新たな自隠れ状態情報（hk t+4）を生成し、
（ｂ）上記（ａ）のＲＮＮセル（１４ｎ）の属する対象ユニット（１４）以外の残りの対象ユニット（１２，１３）における人間関係分散表現抽出部（１２ｒ，１３ｒ）は、自らに係るユーザと上記（ａ）のＲＮＮセル（１４ｎ）に係るユーザとのユーザ間識別情報であるone-hotベクトル（ri,k，rj,k）を入力として人間関係分散表現（rei,k，rej,k）を生成して、他隠れ状態調整部（１２ａ，１３ａ）へ出力し、
（ｃ）上記（ｂ）の人間関係分散表現（rei,k，rej,k）を受け取った他隠れ状態調整部（１２ａ，１３ａ）は、上記（ａ）のＲＮＮセル（１４ｎ）から受け取った自隠れ状態情報（hk t+4）を、この人間関係分散表現（rei,k，rej,k）をもって調整して調整済み人間関係分散表現（hrk t+4，hrk t+4）を生成して、ＲＮＮセル（１２ｎ，１３ｎ）へ出力し、
（ｄ）上記（ｃ）の調整済み人間関係分散表現（hrk t+4，hrk t+4）を受け取ったＲＮＮセル（１２ｎ，１３ｎ）は、この調整済み人間関係分散表現（hrk t+4，hrk t+4）と、（自らに係るユーザの行動は発生していないので）代わりに準備された「ダミー行動情報」eveと、ユーザ分散表現（uei，uej）とを、前の時点（時点t+3）で生成した自隠れ状態情報（hi t+3，hj t+3）に反映させ、新たな自隠れ状態情報（hi t+4，hj t+4）を生成するのである。
【0089】
対象関係情報生成モデル１’は、以上に説明した処理を各時点において繰り返し実施することによって、複数のユーザの間における人間関係を表現した人間関係分散表現（対象関係表現情報）を生成することができる。例えば図４において、ユーザｉに係る対象ユニット１２の人間関係分散表現抽出部１２ｒは、ユーザｉとユーザｊとの人間関係分散表現rei,j、及びユーザｉとユーザｋとの人間関係分散表現rei,kを生成することができる。また、ユーザｊに係る人間関係分散表現抽出部１３ｒはrej,i及びrej,kを、さらにユーザｋに係る人間関係分散表現抽出部１４ｒはrek,i及びrek,jを生成することが可能となっているのである。
【0090】
ここで、人間関係分散表現reは、２つの添え字を入れ替えると異なる値となる量（例えばrei,j≠rej,i）とすることもでき、２つの添え字の入れ替えについて不変な量（例えばrei,j＝rej,i）にも設定可能である。さらに他の実施形態として、いずれの人間関係分散表現抽出部（１２ｒ，１３ｒ，１４ｒ）も、ユーザｉ、ユーザｊ及びユーザｋの３人の組を識別するユーザ間識別情報ri,j,kを入力として、これら３人のユーザの人間関係分散表現rei,j,k（この場合、rei,j,kは添え字の入れ替えについて不変）を生成することもできる。
【0091】
また、上記（ａ）の「ダミー他隠れ状態情報」ehは、ベクトル要素が全て同値（例えば0）である、又は特定パターンの値群となっている（例えば0と1とが交互に並んでいる又はランダムな値の連続となっている）多次元ベクトルとして予め設定しておくことができる。ここでこのようなダミー情報を用いる理由であるが、例えば時点t+4におけるＲＮＮセル１４ｎは、他の対象ユニットに係るＲＮＮセル（１２ｎ，１３ｎ）から、他隠れ状態情報（hi
t+2，hj
t+3）をすでに受け取った状態にあり、改めて当該他隠れ状態情報（hi
t+2，hj
t+3）を取り込む必要がないので、代わりに「ダミー他隠れ状態情報」ehを取り入れるのである。さらに、上記（ｄ）の「ダミー行動情報」eveは、図３に示した実施形態のダミー行動情報と同じものであってもよい。
【0092】
また、以上に説明した対象関係情報生成モデル１’において、各対象ユニット（１２，１３，１４）は、すでに説明した対象ユニット１１（図１）と同様の手法をもって、まとめて訓練することができる。すなわち、対象関係情報生成モデル１’の訓練においては、対象ユニット２１（図１）のような予め訓練済みの対象ユニット（ＲＮＮセル）を準備しておく必要がないのである。
【0093】
ここで、行動予測情報vpを用いたロスの算出は、予測時点で行動した（行動分散表現veが生成された）ユーザに係る対象ユニット（１２，１３，１４）でのみ実施する。例えば図４において、行動の予測された時点t+1で行動したのはユーザｉであるので、行動予測情報vpを用いたロスの算出は、ユーザｉに係る対象ユニット１２で実施されるのである。
【0094】
なお、図４に示した対象関係情報生成モデル１’は、互いに隠れ状態情報をやり取りする対象ユニットを３つ備えているが、勿論これに限定されるものではない。すなわち、このような対象ユニットを２つ、又は４つ以上設定して、２人のユーザ間の、又は４人以上のユーザ間の人間関係分散表現reを生成することも可能となっている。
【0095】
［対象関係推定装置，対象関係推定プログラム］
図５は、本発明による対象関係推定装置の一実施形態を示す機能ブロック図である。
図５は、本発明による対象関係推定装置の一実施形態を示す機能ブロック図である。
【0096】
図５に示した本実施形態の人間関係推定装置（対象関係推定装置）５は、搭載した対象関係情報生成モデル１（図１，図３）又は対象関係情報生成モデル１’（図４）を訓練して得られた学習済みの人間関係分散表現抽出部（対象関係表現生成部）、本実施形態では（ユーザｉとユーザｊとの人間関係分散表現rei,jを生成する）人間関係分散表現抽出部１１ｒ（図１，図３）を用いて、関係推定対象ユーザ（本実施形態ではユーザｉ及びユーザｊ）の「人間関係に係る情報」、本実施形態では「人間関係の種別及び質（好感度や関係の強さ等）」を生成し、出力する。
【0097】
具体的に図５において、人間関係推定推定装置５の入力部５０１は、通信機能を備えていて、例えば外部に設置された行動ドメイン関連の管理サーバ（例えばウェブショッピング管理サーバや動画配信管理サーバ）から、多数のユーザにおけるある行動ドメインでの行動に係る時系列情報を取得し、訓練部５１１へ出力する。また、関係推定対象ユーザであるユーザｉ及びユーザｊの組を指定する情報を受け取り、人間関係分散表現生成部５１２へ出力する。
【0098】
また、入力部５０１は、当該多数のユーザに対して行った、他のユーザとの人間関係の種別のアンケート結果情報、及び当該他のユーザとの間で互いに相手をどのように見ているか（例えば、上司、配偶者や教師としての好ましさや好感度等)に係るアンケート結果情報を管理したアンケート結果管理サーバから、これらのアンケート結果情報を取得し、訓練部５１１へ出力する。
【0099】
訓練部５１１は、受け取った多数のユーザにおけるある行動ドメインでの行動に係る時系列情報から学習データを生成して学習データ保存部５０２に保存し、この学習データを適宜用いて対象関係情報生成モデル（１，１’）の訓練を実施する。
【0100】
人間関係分散表現生成部５１２は、受け取ったユーザｉ及びユーザｊの組を指定する情報から、（関係推定対象ユーザである）ユーザｉ及びユーザｊの組を識別するユーザ間識別情報（one-hotベクトル）ri,jを生成して、このユーザ間識別情報i,jを、上記のように対象関係情報生成モデル（１，１’）を訓練することによって得られた学習済みの人間関係分散表現抽出部１１ｒへ入力し、この人間関係分散表現抽出部１１ｒから人間関係分散表現rei,jを取得する。また、同様にして多数のユーザにおけるユーザ組の各々を指定する情報から、当該ユーザ組に係る人間関係分散表現reを取得する。
【0101】
ここで人間関係分散表現rei,jはすで説明したように、関係推定対象ユーザであるユーザｉ及びユーザｊにおける人間関係の分散表現と捉えることができ、すなわちhuman relation embedding vectorとみなすことができるものとなっている。人間関係分散表現生成部５１２は、このような人間関係分散表現rei,jを、外部の情報処理装置において利用させるべく、通信機能を有する出力部９４を介して当該外部の情報処理装置へ送信してもよい。
【0102】
また訓練部５１１は、入力部５０１から受け取ったアンケート結果情報と、人間関係分散表現生成部５１２から受け取った（当該アンケート結果情報のユーザの組に対応する）人間関係分散表現reとから学習データを生成して学習データ保存部５０２に保存し、この学習データを適宜用いて人間関係推定モデル８の訓練を実施する。ここで、人間関係推定モデル８は、説明変数を人間関係分散表現とし、目的変数を、当該人間関係分散表現で表現された人間関係の種別（例えば、親子関係、夫婦関係、上司・部下の関係等）とその質（例えば相手に対する好感度や関係の強さの度合い）とするモデルとなっている。
【0103】
人間関係推定部５１３は、人間関係分散表現生成部５１２から受け取った（ユーザｉとユーザｊの関係を表現する）人間関係分散表現rei,jを、訓練済みの人間関係推定モデル８へ入力し、この人間関係推定モデル８から、ユーザｉとユーザｊにおける人間関係の種別（友人関係や上司・部下の関係等）及び質（好感度や関係の強さ等）の推定結果を取得する。また当該推定結果を、外部の情報処理装置において利用させるべく、通信機能を有する出力部９４を介して当該外部の情報処理装置へ送信してもよい。
【0104】
ここで、訓練部５１１、人間関係分散表現生成部５１２、及び人間関係推定部５１３は、本発明による人間関係推定方法の一実施形態を実施する主要機能構成部であり、また、本発明による人間関係推定プログラムの一実施形態を保存したプロセッサ・メモリの機能と捉えることもできる。またこのことから、人間関係推定装置５は、人間関係推定の専用装置であってもよいが、本発明による人間関係推定プログラムを搭載した、例えばクラウドサーバ、非クラウドのサーバ装置、パーソナル・コンピュータ（ＰＣ）、ノート型若しくはタブレット型コンピュータ、又はスマートフォン等とすることも可能である。
【0105】
以上詳細に説明したように、本発明によれば、従来定量化が困難であった対象間（例えばユーザ間）の対象関係（人間関係）を表現する対象関係（人間関係）表現情報を、当該対象（当該ユーザ）の行動に係る情報である対象行動情報（ユーザ行動情報）から生成することが可能となる。ここで、この対象関係表現情報は、分散（埋め込み）表現とすることができ、この場合、情報粒度の格段に高い情報とすることも可能となる。
【0106】
例えば、この対象関係表現情報を、様々な用途の機械学習モデルにおける入力データとして利用し、人工知能が例えばユーザ間の人間関係を理解して、当該ユーザに対し種々様々な好適なサービス、例えば当該ユーザの社会生活・人間関係の実情に配慮したパーソナライズドサービスを適宜、提供するようなこともできると期待される。 またさらに、この対象関係表現情報を用いることによって、例えばユーザの組における人間関係の種別の推定や、人間関係の質・程度の推定も可能となる。
【0107】
また、例えば子供達に対し質の高い、且つ個々の性格に合った教育を提供するために、本発明によって生成した、当該子供達の間の、又は教師と各子供との間の人間関係情報を活用することもできる。すなわち本発明によれば、国連が主導する持続可能な開発目標（ＳＤＧｓ）の目標４「すべての人々に包摂的かつ公平で質の高い教育を提供し、生涯学習の機会を促進する」に貢献することも可能となるのである。
【0108】
さらに、例えば大人達に対し、環境に害を及ぼさないディーセント・ワーク（働きがいのある人間らしい仕事）や、質の高い、且つ個々の性格に適した仕事を提供するために、本発明によって生成した、当該大人達の間の、又は上司と各大人（社員）との間の人間関係情報を活用することもできる。すなわち本発明によれば、国連が主導するＳＤＧｓの目標８「すべての人々のための包摂的かつ持続可能な経済成長、雇用およびディーセント・ワークを推進する」に貢献することも可能となるのである。
【0109】
またさらに、例えば消費者に対し、当該消費者の家族関係や友人関係の状況に沿った、持続可能な消費とライフスタイルについての教育を提供するために、本発明によって生成した、当該消費者の家族関係情報や友人関係情報を活用することもできる。すなわち本発明によれば、国連が主導するＳＤＧｓの目標１２「持続可能な消費と生産のパターンを確保する」に貢献することも可能となるのである。
【0110】
上述した本発明の種々の実施形態について、本発明の技術思想及び見地の範囲の種々の変更、修正及び省略は、当業者によれば容易に行うことができる。上述の説明はあくまで例であって、何ら制約しようとするものではない。本発明は、特許請求の範囲及びその均等物として限定するものにのみ制約される。
【符号の説明】
【0111】
１、１’ 対象関係情報生成モデル
１１、１２、１３、１４、２１、２２ 対象ユニット
１１ａ、１２ａ、１３ａ、１４ａ 他隠れ状態調整部
１１ａ１ 次元数調整部
１１ａ２ 規格化部
１１ａ３ 積算部
１１ｎ、１２ｎ、１３ｎ、１４ｎ、２１ｎ、２２ｎ ＲＮＮセル
１１ｒ、１２ｒ、１３ｒ、１４ｒ 人間関係分散表現抽出部（対象関係表現生成部）
１１ｏ、１２ｏ、１３ｏ、１４ｏ、２１ｏ、２２ｏ 出力層
１１ｕ、１２ｕ、１３ｕ、１４ｕ、２１ｕ、２２ｕ ユーザ分散表現抽出部（ユーザ表現生成部）
１１ｖ、１２ｖ、１３ｖ、１４ｖ、２１ｖ、２２ｖ 行動分散表現抽出部（行動表現生成部）
５ 人間関係推定装置（対象関係推定装置）
５０１ 入力部
５０２ 学習データ保存部
５０３ 出力部
５１１ 訓練部
５１２ 人間関係分散表現生成部
５１３ 人間関係推定部
８ 人間関係推定モデル
１１、１２、１３、１４、２１、２２ 対象ユニット
１１ａ、１２ａ、１３ａ、１４ａ 他隠れ状態調整部
１１ａ１ 次元数調整部
１１ａ２ 規格化部
１１ａ３ 積算部
１１ｎ、１２ｎ、１３ｎ、１４ｎ、２１ｎ、２２ｎ ＲＮＮセル
１１ｒ、１２ｒ、１３ｒ、１４ｒ 人間関係分散表現抽出部（対象関係表現生成部）
１１ｏ、１２ｏ、１３ｏ、１４ｏ、２１ｏ、２２ｏ 出力層
１１ｕ、１２ｕ、１３ｕ、１４ｕ、２１ｕ、２２ｕ ユーザ分散表現抽出部（ユーザ表現生成部）
１１ｖ、１２ｖ、１３ｖ、１４ｖ、２１ｖ、２２ｖ 行動分散表現抽出部（行動表現生成部）
５ 人間関係推定装置（対象関係推定装置）
５０１ 入力部
５０２ 学習データ保存部
５０３ 出力部
５１１ 訓練部
５１２ 人間関係分散表現生成部
５１３ 人間関係推定部
８ 人間関係推定モデル
【図1】
【図2】
【図3】
【図4】
【図5】