特許 7524168 特徴抽出装置及び状態推定システム

(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】2024-07-19

(45)【発行日】2024-07-29

(54)【発明の名称】特徴抽出装置及び状態推定システム

(51)【国際特許分類】

   G06Q 10/04 20230101AFI20240722BHJP

【ＦＩ】

G06Q10/04

【請求項の数】 9

(21)【出願番号】P 2021519376

(86)(22)【出願日】2020-04-30

(86)【国際出願番号】 JP2020018349

(87)【国際公開番号】W WO2020230658

(87)【国際公開日】2020-11-19

【審査請求日】2023-03-03

(31)【優先権主張番号】P 2019090579

(32)【優先日】2019-05-13

(33)【優先権主張国・地域又は機関】JP

(73)【特許権者】

【識別番号】392026693

【氏名又は名称】株式会社ＮＴＴドコモ

(74)【代理人】

【識別番号】100088155

【弁理士】

【氏名又は名称】長谷川 芳樹

(74)【代理人】

【識別番号】100113435

【弁理士】

【氏名又は名称】黒木 義樹

(74)【代理人】

【識別番号】100121980

【弁理士】

【氏名又は名称】沖山 隆

(74)【代理人】

【識別番号】100128107

【弁理士】

【氏名又は名称】深石 賢治

(72)【発明者】

【氏名】落合 桂一

(72)【発明者】

【氏名】山本 直樹

(72)【発明者】

【氏名】濱谷 尚志

(72)【発明者】

【氏名】深澤 佑介

【審査官】加内 慎也

(56)【参考文献】

【文献】特開２０１２－１３３５２０（ＪＰ，Ａ）

【文献】特開２０１２－００３４９４（ＪＰ，Ａ）

【文献】特開２０１３－２０６１３９（ＪＰ，Ａ）

【文献】特開２０１１－１９８２９２（ＪＰ，Ａ）

【文献】特表２０１６－５０８２６２（ＪＰ，Ａ）

【文献】特開２０１６－０９９７５２（ＪＰ，Ａ）

【文献】特開２０１９－０７１０６８（ＪＰ，Ａ）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ０６Ｑ １０／００－９９／００

(57)【特許請求の範囲】

【請求項1】

アクティビティの実行履歴に関する特徴を示す特徴量であって、前記アクティビティが実行された端末または該端末のユーザに関する状態を推定する状態推定モデルに入力される特徴量を、前記実行履歴に基づいて抽出する特徴抽出装置であって、
前記アクティビティの所定期間の実行履歴を示し時系列のアクティビティログを含むアクティビティ履歴情報を取得する取得部と、
前記アクティビティ履歴情報に基づいて、所定期間内のアクティビティの共起関係を示す共起関係情報を抽出する抽出部と、
各アクティビティの特徴を示すアクティビティ特徴量を前記共起関係情報に基づいて集約して、前記アクティビティ履歴情報の特徴を示すアクティビティ履歴特徴量を生成する生成部と、
前記アクティビティ履歴特徴量を、前記状態推定モデルに入力される特徴量として出力する出力部と、を備え、
前記生成部は、一のアクティビティの前記アクティビティ特徴量と、当該一のアクティビティと前記共起関係を有する１以上のアクティビティのアクティビティ特徴量とを所定の畳み込み方法により集約した特徴量を、前記一のアクティビティの畳み込み特徴量として生成し、前記アクティビティ履歴情報に含まれる全アクティビティの前記畳み込み特徴量を所定の集約方法により集約した特徴量を、前記アクティビティ履歴特徴量として生成する、
特徴抽出装置。

【請求項2】

前記共起関係情報は、所定期間内に実行された複数のアクティビティを互いに関連付ける関連情報を含む、
請求項１に記載の特徴抽出装置。

【請求項3】

前記アクティビティ履歴情報に含まれる各アクティビティログは、当該アクティビティの実行状況を示すイベントフラグを含み、
前記抽出部は、所定の前記イベントフラグが関連付けられたアクティビティログに基づいて前記共起関係情報を抽出する、
請求項１または２に記載の特徴抽出装置。

【請求項4】

前記生成部は、
前記共起関係情報に基づいて第１層から第ｋ層（ｋは１以上の所定の整数）までの所定の層数の階層的なアクティビティ特徴量の畳み込みを実施し、
前記共起関係情報により共起関係が示される複数のアクティビティのうちの各アクティビティを第ｎ層（ｎは０以上の整数）の第１のアクティビティとしたときに、前記第１のアクティビティと共起関係を有する１以上のアクティビティを第２のアクティビティとし、
前記第１層の畳み込みにおいて、第０層の前記第１のアクティビティのアクティビティ特徴量と、当該第１のアクティビティと前記共起関係を有する１以上の前記第２のアクティビティのアクティビティ特徴量とを所定の畳み込み方法により畳み込み、第１層の前記第１のアクティビティの前記畳み込み特徴量を生成し、
第ｍ層（ｍは２以上の整数）の畳み込みにおいて、第（ｍ－１）層の前記第１のアクティビティのアクティビティ特徴量と、当該第１のアクティビティと共起関係を有する１以上の前記第２のアクティビティの前記畳み込み特徴量とを所定の畳み込み方法により畳み込み、前記第ｍ層における前記第１のアクティビティの前記畳み込み特徴量を生成し、
第ｋ層の畳み込みにおける前記第ｋ層の前記第１のアクティビティの畳み込み特徴量を、ｋ層の畳み込みに基づく前記一のアクティビティの前記畳み込み特徴量として生成し、
前記アクティビティ履歴情報に含まれる全アクティビティの前記ｋ層の畳み込みに基づく前記畳み込み特徴量を所定の集約方法により集約した特徴量を、前記アクティビティ履歴特徴量として生成する、
請求項１～３のいずれか一項に記載の特徴抽出装置。

【請求項5】

前記生成部は、
前記第１のアクティビティと前記共起関係を有する１以上の前記第２のアクティビティのアクティビティ特徴量を所定の集約方法により集約して、共起アクティビティ集約特徴量を生成し、
前記共起アクティビティ集約特徴量と、前記第１のアクティビティのアクティビティ特徴量とを結合して、前記第１のアクティビティの前記畳み込み特徴量を生成する、
請求項４に記載の特徴抽出装置。

【請求項6】

前記生成部は、
前記アクティビティ履歴情報における前記第１のアクティビティと前記第２のアクティビティとの前記共起関係の出現頻度に基づいて各共起関係に重み付けをし、各第２のアクティビティのアクティビティ特徴量に前記重み付けを加えて、前記第１のアクティビティの前記畳み込み特徴量を生成する、
請求項４または５に記載の特徴抽出装置。

【請求項7】

前記生成部は、
前記アクティビティ履歴情報における前記第１のアクティビティと前記第２のアクティビティとの前記共起関係の出現頻度に基づいて各共起関係に重み付けをし、前記１以上の第２のアクティビティから前記重み付けに基づいて抽出された１以上の前記第２のアクティビティのアクティビティ特徴量に基づいて、前記第１のアクティビティの前記畳み込み特徴量を生成する、
請求項４または５に記載の特徴抽出装置。

【請求項8】

前記アクティビティログは、時刻及び位置情報のうちの少なくとも一つのコンテキストを含み、
前記抽出部は、アクティビティが同一であり前記コンテキストが異なるアクティビティログをユニークに識別して、前記共起関係情報を抽出する、
請求項１～７のいずれか一項に記載の特徴抽出装置。

【請求項9】

アクティビティが実行された端末または該端末のユーザに関する状態を推定する状態推定システムであって、
前記アクティビティの所定期間の実行履歴を示し時系列のアクティビティログを含むアクティビティ履歴情報を取得する取得部と、
前記アクティビティ履歴情報に基づいて、所定期間内のアクティビティの共起関係を示す共起関係情報を抽出する抽出部と、
各アクティビティの特徴を示すアクティビティ特徴量を前記共起関係情報に基づいて集約して、前記アクティビティ履歴情報の特徴を示すアクティビティ履歴特徴量を生成する生成部と、
前記アクティビティ履歴特徴量を入力特徴量とし、前記端末または該端末のユーザに関する状態を識別する識別情報を教師ラベルとする学習データに基づく機械学習により構築されたニューラルネットワークを含む状況推定モデルに、前記生成部により生成された前記アクティビティ履歴特徴量を入力して、端末または該端末のユーザに関する状態を推定する推定部と、
前記推定部により推定された、端末または該端末のユーザに関する状態を示す状態情報を出力する状態出力部と、を備え、
前記生成部は、一のアクティビティの前記アクティビティ特徴量と、当該一のアクティビティと前記共起関係を有する１以上のアクティビティのアクティビティ特徴量とを所定の畳み込み方法により集約した特徴量を、前記一のアクティビティの畳み込み特徴量として生成し、前記アクティビティ履歴情報に含まれる全アクティビティの前記畳み込み特徴量を所定の集約方法により集約した特徴量を、前記アクティビティ履歴特徴量として生成する、
状態推定システム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、特徴抽出装置及び状態推定システムに関する。

【背景技術】

【0002】

ユーザが所持する携帯端末におけるアプリケーションの使用履歴に基づいて、ユーザの状態を推定する技術が知られている。このような技術では、アプリケーションの起動回数等の基本的な統計量が、推定に用いられていた。また、ユーザのデバイスにおいて実施されたアクティビティまたは実施されているアクティビティに関連付けられているデータを受信し、受信したデータを解析することにより、ユーザの状態を推測する技術が知られている（例えば、特許文献１参照）。

【先行技術文献】

【特許文献】

【0003】

【文献】特開２０１６－１５４０１９号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

従来の技術では、ユーザの状態に用いられる情報は、アプリケーションの起動回数等の基本的な統計量であって、アプリケーションの利用の順番及びアプリケーション相互の関係性等の情報が含まれない。そのため、ユーザの状態の推定の精度が十分でなかった。

【0005】

そこで、本発明は、上記問題点に鑑みてなされたものであり、端末により取得される情報に基づくユーザの状態の推定精度を向上させることを目的とする。

【課題を解決するための手段】

【0006】

上記課題を解決するために、本発明の一形態に係る特徴抽出装置は、アクティビティの実行履歴に関する特徴を示す特徴量であって、アクティビティが実行された端末または該端末のユーザに関する状態を推定する状態推定モデルに入力される特徴量を、実行履歴に基づいて抽出する特徴抽出装置であって、アクティビティの所定期間の実行履歴を示し時系列のアクティビティログを含むアクティビティ履歴情報を取得する取得部と、アクティビティ履歴情報に基づいて、所定期間内のアクティビティの共起関係を示す共起関係情報を抽出する抽出部と、各アクティビティの特徴を示すアクティビティ特徴量を共起関係情報に基づいて集約して、アクティビティ履歴情報の特徴を示すアクティビティ履歴特徴量を生成する生成部と、アクティビティ履歴特徴量を、状態推定モデルに入力される特徴量として出力する出力部と、を備える。

【0007】

上記の形態によれば、アクティビティ履歴情報に基づいて所定期間に実行されたアクティビティの共起関係を示す共起関係情報が抽出される。アクティビティは、ユーザの端末において実行されたものであるので、共起関係情報には、端末または端末のユーザの状態が反映されている。そして、アクティビティ履歴情報に含まれるアクティビティのアクティビティ特徴量が、共起関係情報に基づいて集約されることにより、ユーザの状態が的確に反映され且つユーザの状態が密に表現されたアクティビティ履歴特徴量を生成できる。従って、このように生成されたアクティビティ履歴特徴量を状態推定モデルに入力する特徴量とすることにより、ユーザの状態の推定精度が向上する。

【発明の効果】

【0008】

端末により取得される情報に基づくユーザの状態の推定精度を向上させることが可能となる。

【図面の簡単な説明】

【0009】

【図1】本実施形態の特徴抽出装置を含む状態推定システムの機能的構成を示すブロック図である。

【図2】特徴抽出装置及び状態推定システムのハードブロック図である。

【図3】アクティビティ履歴情報の構成及びアクティビティ履歴情報に含まれているデータの例を示す図である。

【図4】アクティビティをノードとして、アクティビティ間の共起関係を、ノード間をつなぐエッジとする、共起関係情報を表すグラフの例を示す図である。

【図5】図５（ａ）は、ノードをアルファベットで抽象化したグラフの例を示す図である。図５（ｂ）は、アクティビティ特徴量の階層的な畳み込みを模式的に示す図である。

【図6】畳み込み特徴量の生成のためのアルゴリズムを示す図である。

【図7】畳み込み特徴量の生成処理のフローチャートを示す図である。

【図8】畳み込み特徴量の生成における重み行列の学習及び生成処理を示すフローチャートである。

【図9】図９は、グラフに含まれる各アクティビティのアクティビティ特徴量を示す図である。

【図10】各アクティビティの畳み込み特徴量の生成及びアクティビティ履歴特徴量の生成の例を示す図である。

【図11】図１１（ａ）は、各アクティビティログに時刻の情報を含むアクティビティ履歴情報の例を示す図である。図１１（ｂ）は、時刻をコンテキストとして含むアクティビティログに基づくグラフの生成の例を示す図である。

【図12】図１２（ａ）は、各アクティビティログに位置の情報を含むアクティビティ履歴情報の例を示す図である。図１２（ｂ）は、位置をコンテキストとして含むアクティビティログに基づくグラフの生成の例を示す図である。

【図13】特徴抽出装置における特徴抽出方法の処理内容を示すフローチャートである。

【図14】状態推定システムにおける状況推定方法の処理内容を示すフローチャートである。

【図15】特徴抽出プログラム及び状況推定プログラムの構成を示す図である。

【発明を実施するための形態】

【0010】

本発明に係る特徴抽出装置の実施形態について図面を参照して説明する。なお、可能な場合には、同一の部分には同一の符号を付して、重複する説明を省略する。

【0011】

図１は、本実施形態に係る特徴抽出装置を含む状態推定システムの機能的構成を示す図である。図１に示すように、状態推定システム１は、特徴抽出装置１０並びに推定部１５及び状態出力部１６を含む。

【0012】

特徴抽出装置１０は、アクティビティの実行履歴に関する特徴を示す特徴量を、実行履歴に基づいて抽出する装置である。特徴抽出装置１０により抽出される特徴量は、アクティビティが実行された端末または端末のユーザに関する状態を推定する状態推定モデルに入力されるための特徴量である。

【0013】

状態推定システム１は、アクティビティが実行された端末または該端末のユーザに関する状態を推定するシステムである。具体的には、状態推定システム１は、特徴抽出装置１０により抽出された特徴量と、端末または該端末のユーザに関する状態を示す教師ラベルとを学習データとして、ニューラルネットワークを含む状態推定モデルを深層学習により構築する。また、状態推定システム１は、特徴抽出装置１０により抽出された特徴量を、学習済みの状態推定モデルに入力して得られた端末または該端末のユーザに関する状態情報を出力する。

【0014】

状態推定モデルにより推定される端末または該端末のユーザに関する状態は、例えば、端末のユーザのストレス状態、デモグラフィック、ユーザの性格、ユーザプロファイル等である。

【0015】

従来から、ユーザにより使用される端末のアプリケーション及びアクティビティ等の履歴に基づいて、深層学習によりユーザに関する状態を推定することは行われていた。従来の状態の推定方法では、アプリケーションの起動回数等の基本統計量が特徴量として用いられていた。しかしながら、このような基本統計量は、アプリケーション等の利用順及び相互関係等の特徴を含むことは困難であった。

【0016】

一方、言語処理の分野では、いわゆるＮ－ｇｒａｍという方法により、文字列及び文章を特徴量化することが行われていた。Ｎ－ｇｒａｍは、連続するＮ個の文字または単語等で文字列及び文章を分割して特徴量として用いる手法である。

【0017】

アプリケーション等の履歴に基づくユーザの状態等を推定する技術に、言語処理分野の技術を適用して、実行された個々のアプリケーション等を、言語処理における文字または単語と見なし、さらに、続けて実行されたアプリケーションを文章等において続けて現れる単語等に相当するものとして、アプリケーション等の履歴をＮ－ｇｒａｍにより特徴量化することが考えられる。

【0018】

しかしながら、アプリケーション等の履歴をＮ－ｇｒａｍの手法により単純に特徴量化すると、アプリケーション等の種類数が膨大であるため、生成される特徴量（ベクトル）がスパースになる。そのために、深層学習を適切に実行することができない。本実施形態の特徴抽出装置１０は、アプリケーション等の履歴の情報を適切に畳み込むことにより、ユーザに関する状態を推定するためのモデルの深層学習に好適な特徴量を提供する。

【0019】

特徴抽出装置１０及び状態推定システム１に含まれる各機能部１１～１６は、アクティビティ履歴情報記憶部２０及びアクティビティ履歴特徴量記憶部３０にアクセス可能に構成されている。

【0020】

特徴抽出装置１０、状態推定システム１に含まれる各機能部１５～１６、アクティビティ履歴情報記憶部２０及びアクティビティ履歴特徴量記憶部３０は、１つの装置として構成されてもよいし、それぞれが別の装置に構成されてもよい。

【0021】

特徴抽出装置１０は、図１に示すように、機能的には、取得部１１、抽出部１２、生成部１３及び出力部１４を備える。これらの各機能部１１～１４は、一つの装置に構成されてもよいし、複数の装置に分散されて構成されてもよい。

【0022】

なお、図１に示したブロック図は、機能単位のブロックを示している。これらの機能ブロック（構成部）は、ハードウェア及びソフトウェアの少なくとも一方の任意の組み合わせによって実現される。また、各機能ブロックの実現方法は特に限定されない。すなわち、各機能ブロックは、物理的又は論理的に結合した１つの装置を用いて実現されてもよいし、物理的又は論理的に分離した２つ以上の装置を直接的又は間接的に（例えば、有線、無線などを用いて）接続し、これら複数の装置を用いて実現されてもよい。機能ブロックは、上記１つの装置又は上記複数の装置にソフトウェアを組み合わせて実現されてもよい。

【0023】

機能には、判断、決定、判定、計算、算出、処理、導出、調査、探索、確認、受信、送信、出力、アクセス、解決、選択、選定、確立、比較、想定、期待、見做し、報知（broadcasting）、通知（notifying）、通信（communicating）、転送（forwarding）、構成（configuring）、再構成（reconfiguring）、割り当て（allocating、mapping）、割り振り（assigning）などがあるが、これらに限られない。たとえば、送信を機能させる機能ブロック（構成部）は、送信部（transmitting unit）や送信機（transmitter）と呼称される。いずれも、上述したとおり、実現方法は特に限定されない。

【0024】

例えば、本発明の一実施の形態における特徴抽出装置１０及び状態推定システム１は、コンピュータとして機能してもよい。図２は、本実施形態に係る特徴抽出装置１０及び状態推定システム１のハードウェア構成の一例を示す図である。特徴抽出装置１０及び状態推定システム１は、物理的には、プロセッサ１００１、メモリ１００２、ストレージ１００３、通信装置１００４、入力装置１００５、出力装置１００６、バス１００７などを含むコンピュータ装置として構成されてもよい。

【0025】

なお、以下の説明では、「装置」という文言は、回路、デバイス、ユニットなどに読み替えることができる。特徴抽出装置１０及び状態推定システム１のハードウェア構成は、図に示した各装置を１つ又は複数含むように構成されてもよいし、一部の装置を含まずに構成されてもよい。

【0026】

特徴抽出装置１０及び状態推定システム１における各機能は、プロセッサ１００１、メモリ１００２などのハードウェア上に所定のソフトウェア（プログラム）を読み込ませることで、プロセッサ１００１が演算を行い、通信装置１００４による通信や、メモリ１００２及びストレージ１００３におけるデータの読み出し及び／又は書き込みを制御することで実現される。

【0027】

プロセッサ１００１は、例えば、オペレーティングシステムを動作させてコンピュータ全体を制御する。プロセッサ１００１は、周辺装置とのインターフェース、制御装置、演算装置、レジスタなどを含む中央処理装置（ＣＰＵ：Central Processing Unit）で構成されてもよい。例えば、図１に示した各機能部１１～１７などは、プロセッサ１００１で実現されてもよい。

【0028】

また、プロセッサ１００１は、プログラム（プログラムコード）、ソフトウェアモジュールやデータを、ストレージ１００３及び／又は通信装置１００４からメモリ１００２に読み出し、これらに従って各種の処理を実行する。プログラムとしては、上述の実施の形態で説明した動作の少なくとも一部をコンピュータに実行させるプログラムが用いられる。例えば、特徴抽出装置１０及び状態推定システム１の各機能部１１～１６は、メモリ１００２に格納され、プロセッサ１００１で動作する制御プログラムによって実現されてもよい。上述の各種処理は、１つのプロセッサ１００１で実行される旨を説明してきたが、２以上のプロセッサ１００１により同時又は逐次に実行されてもよい。プロセッサ１００１は、１以上のチップで実装されてもよい。なお、プログラムは、電気通信回線を介してネットワークから送信されても良い。

【0029】

メモリ１００２は、コンピュータ読み取り可能な記録媒体であり、例えば、ＲＯＭ（Read Only Memory）、ＥＰＲＯＭ（Erasable Programmable ＲＯＭ）、ＥＥＰＲＯＭ（Electrically Erasable Programmable ＲＯＭ）、ＲＡＭ（Random Access Memory）などの少なくとも１つで構成されてもよい。メモリ１００２は、レジスタ、キャッシュ、メインメモリ（主記憶装置）などと呼ばれてもよい。メモリ１００２は、本発明の一実施の形態に係る特徴抽出方法及び状態推定方法を実施するために実行可能なプログラム（プログラムコード）、ソフトウェアモジュールなどを保存することができる。

【0030】

ストレージ１００３は、コンピュータ読み取り可能な記録媒体であり、例えば、ＣＤ－ＲＯＭ（Compact Disc ＲＯＭ）などの光ディスク、ハードディスクドライブ、フレキシブルディスク、光磁気ディスク(例えば、コンパクトディスク、デジタル多用途ディスク、Ｂｌｕ－ｒａｙ（登録商標）ディスク)、スマートカード、フラッシュメモリ(例えば、カード、スティック、キードライブ)、フロッピー（登録商標）ディスク、磁気ストリップなどの少なくとも１つで構成されてもよい。ストレージ１００３は、補助記憶装置と呼ばれてもよい。上述の記憶媒体は、例えば、メモリ１００２及び／又はストレージ１００３を含むデータベース、サーバその他の適切な媒体であってもよい。

【0031】

通信装置１００４は、有線及び／又は無線ネットワークを介してコンピュータ間の通信を行うためのハードウェア（送受信デバイス）であり、例えばネットワークデバイス、ネットワークコントローラ、ネットワークカード、通信モジュールなどともいう。

【0032】

入力装置１００５は、外部からの入力を受け付ける入力デバイス（例えば、キーボード、マウス、マイクロフォン、スイッチ、ボタン、センサなど）である。出力装置１００６は、外部への出力を実施する出力デバイス（例えば、ディスプレイ、スピーカー、LEDランプなど）である。なお、入力装置１００５及び出力装置１００６は、一体となった構成（例えば、タッチパネル）であってもよい。

【0033】

また、プロセッサ１００１やメモリ１００２などの各装置は、情報を通信するためのバス１００７で接続される。バス１００７は、単一のバスで構成されてもよいし、装置間で異なるバスで構成されてもよい。

【0034】

また、特徴抽出装置１０及び状態推定システム１は、マイクロプロセッサ、デジタル信号プロセッサ（ＤＳＰ：Digital Signal Processor）、ＡＳＩＣ（Application Specific Integrated Circuit）、ＰＬＤ（Programmable Logic Device）、ＦＰＧＡ（Field Programmable Gate Array）などのハードウェアを含んで構成されてもよく、当該ハードウェアにより、各機能ブロックの一部又は全てが実現されてもよい。例えば、プロセッサ１００１は、これらのハードウェアの少なくとも１つで実装されてもよい。

【0035】

次に、特徴抽出装置１０及び状態推定システム１の各機能部について説明する。取得部１１は、アクティビティの所定期間の実行履歴を示すアクティビティ履歴情報を取得する。具体的には、取得部１１は、アクティビティ履歴情報記憶部２０に記憶されているアクティビティ履歴情報を取得する。アクティビティ履歴情報は、時系列のアクティビティログを含む。本実施形態では、アクティビティは、端末において実行された機能を示し、例えば、端末において実行されたアプリケーション、端末において実行されたアプリケーションの一機能、及び、端末において実行されたアプリケーションの一画面等であることができる。また、アクティビティは、当該アクティビティが実行されたコンテキスト（時間及び場所等の情報）を含んでもよい。さらに、アクティビティは、端末において発生したイベント（画面のＯＮまたはＯＦＦのイベント、充電状態を示すイベント、ＷｉＦｉ機能のＯＮまたはＯＦＦのイベントなど）を含んでもよい。

【0036】

図３は、アクティビティ履歴情報の構成及びアクティビティ履歴情報に含まれているデータの例を示す図である。図３に示すように、アクティビティ履歴情報は、時系列のアクティビティログからなる。アクティビティログは、ＵＩＤ、日時、イベントフラグ、アプリケーション及びアクティビティの情報を含む。

【0037】

ＵＩＤは、ユーザを識別する識別情報である。日時は、当該アクティビティが実行された時を示す情報である。イベントフラグは、アクティビティの実行時の状況を示す情報である。本実施形態では、イベントフラグ「１」は、当該アクティビティが、端末において、最前面の画面において実行されたことを示す。イベントフラグ「２」は、当該アクティビティが、端末において、最前面の画面以外に移動したことを示す。アプリケーションは、当該アクティビティに対応するアプリケーションを識別する情報である。アクティビティは、当該アクティビティを識別する情報である。本実施形態では、アクティビティは、アプリケーションの一機能を表す。

【0038】

抽出部１２は、アクティビティ履歴情報に基づいて、所定期間内のアクティビティの共起関係を示す共起関係情報を抽出する。所定期間内におけるアクティビティの共起関係とは、複数のアクティビティのそれぞれが所定期間内に実行されるか否か示す関係である。例えば、所定期間内にアクティビティＡ及びアクティビティＢが実行される場合に、アクティビティＡとアクティビティＢとの間に共起関係があると表する。本実施形態では、抽出部１２は、アクティビティをノードとして、アクティビティ間の共起関係をアクティビティのノード間をつなぐエッジとして表したグラフを共起関係情報として生成する。

【0039】

図４は、共起関係情報を表すグラフの例を示す図である。グラフｇ１は、図３に示したアクティビティ履歴情報に基づいて生成された共起関係情報である。

【0040】

抽出部１２は、アクティビティ履歴情報に含まれる全てのアクティビティログに基づいてグラフを抽出してもよい。また、抽出部１２は、所定のイベントフラグが関連付けられたアクティビティログに基づいてグラフを抽出してもよい。図４に示す例では、抽出部１２は、図３に示したアクティビティ履歴情報のアクティビティログのうち、イベントフラグ「１」が関連付けられたアクティビティログに基づいてグラフを生成する。これにより、ユーザの状態が好適に反映されたアクティビティログのみを共起関係の抽出に用いることができる。

【0041】

抽出部１２は、所定期間内に実行された複数のアクティビティを互いに関連付ける関連情報を含む共起関係情報を抽出してもよい。具体的には、抽出部１２は、一のアクティビティの実行時から予め設定された所定期間内に実行された全てのアクティビティを抽出し、抽出されたアクティビティのノードのそれぞれと、一のアクティビティのノードとの間にエッジを設定する。

【0042】

また、抽出部１２は、所定期間内に続けて実行されたアクティビティの遷移関係を表す遷移情報を含む共起関係情報を抽出してもよい。遷移情報は、実行されるアクティビティが、一のアクティビティから他のアクティビティに遷移した場合に、一のアクティビティと他のアクティビティとを関連付ける情報である。具体的には、抽出部１２は、一のアクティビティが実行された後に他のアクティビティが実行された場合に、一のアクティビティのノードと他のアクティビティのノードとの間にエッジを設定する。本実施形態の図４に示すグラフｇ１では、遷移情報に基づいてエッジが設定されている。これにより、アクティビティの実行の傾向が共起関係情報に適切に反映される。

【0043】

即ち、図３に示されるアクティビティ履歴情報のイベントフラグ「１」を有するイベントログにおいて、アクティビティ「ｈｏｍｅ．ＨｏｍｅＡｃｔｉｖｉｔｙ」と、アクティビティ「ｃａｒｒｉｅｒｍａｉｌ．ＭａｉｌＬｉｓｔＡｃｔｉｖｉｔｙ」、アクティビティ「ｉｎｃａｌｌｕｉ．ＩｎｃａｌｌＡｃｔｉｖｉｔｙ」及びアクティビティ「ｃａｌｅｎｄｅｒ．ＭａｉｎＡｃｔｉｖｉｔｙ」との間に遷移関係があるので、抽出部１２は、ノードｎ１と、ノードｎ２，ｎ３，ｎ４のそれぞれとの間にエッジを設定する。

【0044】

また、アクティビティ「ｃａｒｒｉｅｒｍａｉｌ．ＭａｉｌＬｉｓｔＡｃｔｉｖｉｔｙ」とアクティビティ「ｉｎｃａｌｌｕｉ．ＩｎｃａｌｌＡｃｔｉｖｉｔｙ」との間に遷移関係があるので、抽出部１２は、ノードｎ２とノードｎ３との間にエッジを設定する。

【0045】

なお、アクティビティ間に遷移関係があっても、それらが実行された時の間隔が所定閾値以上の馬合には、抽出部１２は、それらのアクティビティ間にエッジを設定しないこととしてもよい。これにより、実行において相互の関連がないアクティビティ間に共起関係が設定されることが防止される。

【0046】

生成部１３は、各アクティビティの特徴を示すアクティビティ特徴量を共起関係情報に基づいて集約して、アクティビティ履歴情報の特徴を示すアクティビティ履歴特徴量を生成する。本実施形態では、アクティビティをノードとするグラフによりアクティビティ履歴情報が表されるので、生成部１３は、グラフにより表現された共起関係情報に基づいて、各ノードに関連付けられたアクティビティ特徴量を集約する。

【0047】

アクティビティ特徴量は、アクティビティの特徴を示す所定数の次元の特徴ベクトルである。特徴ベクトルは、アクティビティが識別されるベクトルであれば、いかなる形式のベクトルにも限定されないが、例えば、アクティビティに関するカテゴリの種類数を次元数とするベクトルであって、当該アクティビティが該当するカテゴリの要素を１として、当該アクティビティが該当しないカテゴリの要素を０とするベクトルであってもよい。また、特徴ベクトルは、アクティビティの種類数を次元数とするベクトルであって、当該アクティビティが該当する要素のみを１とする、いわゆるＯｎｅ－Ｈｏｔベクトルであってもよい。

【0048】

具体的には、生成部１３は、一のアクティビティのアクティビティ特徴量と、当該一のアクティビティと共起関係を有する１以上のアクティビティのアクティビティ特徴量とを所定の畳み込み方法により集約した特徴量を、一のアクティビティの畳み込み特徴量として生成し、アクティビティ履歴情報に含まれる全アクティビティの畳み込み特徴量を所定の集約方法により集約した特徴量を、アクティビティ履歴特徴量として生成する。本実施形態では、生成部１３は、一のアクティビティのノードのアクティビティ特徴量と、当該一のアクティビティのノードとエッジで結ばれた１以上のノードのアクティビティ特徴量とを所定の畳み込み方法により集約して、一のアクティビティのノードの畳み込み特徴量を生成する。

【0049】

さらに、生成部１３は、共起関係情報に基づいて第１層から第ｋ層（ｋは１以上の所定の整数）までの所定の層数の階層的なアクティビティ特徴量の畳み込みを実施できる。

【0050】

即ち、生成部１３は、共起関係情報により共起関係が示される複数のアクティビティのうちの各アクティビティを第ｎ層（ｎは０以上の整数）の第１のアクティビティとしたときに、第１のアクティビティと共起関係を有するアクティビティを第ｎ層の第２のアクティビティとして定義し、第１層の畳み込み及び第ｍ層（ｍは２以上の整数）の畳み込みを実施する。

【0051】

生成部１３は、第１層の畳み込みにおいて、第０層の第１のアクティビティのアクティビティ特徴量と、１以上の第０層の第２のアクティビティのアクティビティ特徴量とを所定の畳み込み方法により畳み込むことにより生成された特徴量を、第１層の第１のアクティビティの畳み込み特徴量として生成する。

【0052】

また、生成部１３は、第ｍ層の畳み込みにおいて、第（ｍ－１）層の第１のアクティビティのアクティビティ特徴量と、１以上の第（ｍ－１）層の第２のアクティビティの畳み込み特徴量とを所定の畳み込み方法により畳み込むことにより生成された特徴量を、第ｍ層の第１のアクティビティの畳み込み特徴量として生成する。

【0053】

そして、生成部１３は、第ｋ層の畳み込みにおける、第ｋ層の第１のアクティビティの畳み込み特徴量を、ｋ層の畳み込みに基づく一のアクティビティの畳み込み特徴量として生成する。

【0054】

図５を参照して、アクティビティ特徴量の階層的な畳み込みを説明する。図５（ａ）は、ノードをアルファベットで抽象化したグラフの例を示す図である。図５（ｂ）は、アクティビティ特徴量の階層的な畳み込みを模式的に示す図である。

【0055】

図５（ａ）に示されるグラフｇｘは、ノードＡ～Ｆ（ｎａ～ｎｆ）を含み、共起関係を有するノード間にエッジが設定されている。図５（ｂ）に示されるように、生成部１３は、グラフｇｘに基づいて、ノードＢ（ｎｂ）の畳み込み特徴量ｃｆｂを生成する。具体的には、ノードＢ（ｎｂ）には、ノードＡ（ｎａ）及びノードＣ（ｎｃ）がエッジで結ばれているので、生成部１３は、ノードＢ（ｎｂ）のアクティビティ特徴量ｆｂと、ノードＡ（ｎａ）のアクティビティ特徴量ｆａ及びノードＣ（ｎｃ）のアクティビティ特徴量ｆｃとを所定の畳み込み方法ＣＶ１により畳み込んで、ノードＢ（ｎｂ）の畳み込み特徴量ｃｆｂ１を生成する。

【0056】

同様に、ノードＣ（ｎｃ）には、ノードＡ（ｎａ）、ノードＢ（ｎｂ）、ノードＥ（ｎｅ）及びノードＦ（ｎｆ）がエッジで結ばれているので、生成部１３は、ノードＣ（ｎｃ）のアクティビティ特徴量ｆｃと、ノードＡ（ｎａ）のアクティビティ特徴量ｆａ、ノードＢ（ｎｂ）のアクティビティ特徴量ｆｂ、ノードＥ（ｎｅ）のアクティビティ特徴量ｆｅ及びノードＦ（ｎｆ）のアクティビティ特徴量ｆｆとを所定の畳み込み方法ＣＶ１により畳み込んで、ノードＣ（ｎｃ）の畳み込み特徴量ｃｆｃ１を生成する。

【0057】

さらに同様に、ノードＤ（ｎｄ）には、ノードＡ（ｎａ）がエッジで結ばれているので、生成部１３は、ノードＤ（ｎｄ）のアクティビティ特徴量ｆｄと、ノードＡ（ｎａ）のアクティビティ特徴量ｆａとを所定の畳み込み方法ＣＶ１により畳み込んで、ノードＤ（ｎｄ）の畳み込み特徴量ｃｆｄ１を生成する。

【0058】

次に、生成部１３は、ノードＢ（ｎｂ）の畳み込み特徴量ｃｆｂ１、ノードＣ（ｎｃ）の畳み込み特徴量ｃｆｃ１及びノードＤ（ｎｄ）の畳み込み特徴量ｃｆｄ１の生成を１層の畳み込みとして、当該１層の畳み込みの次層の畳み込みとしての、ノードＡ（ｎａ）の畳み込み特徴量を生成する。ノードＡ（ｎａ）には、ノードＢ（ｎｂ）、ノードＣ（ｎｃ）及びノードＤ（ｎｄ）がエッジで結ばれているので、この畳み込み特徴量の生成においては、畳み込み特徴量ｃｆｂ１、畳み込み特徴量ｃｆｃ１、畳み込み特徴量ｃｆｄ１がそれぞれ、ノードＢ（ｎｂ）、ノードＣ（ｎｃ）及びノードＤ（ｎｄ）のアクティビティ特徴量として用いられる。即ち、生成部１３は、ノードＡ（ｎａ）のアクティビティ特徴量ｆａと、畳み込み特徴量ｃｆｂ１、畳み込み特徴量ｃｆｃ１及び畳み込み特徴量ｃｆｄ１とを所定の畳み込み方法ＣＶ２により畳み込んで、ノードＡ（ｎａ）の畳み込み特徴量ｃｆａ２を生成する。

【0059】

図５（ｂ）に示した例は、アクティビティ特徴量の２層の畳み込みよるノードＡ（ｎａ）の畳み込み特徴量の生成であるが、ノードＡ（ｎａ）の他の各ノードについても同様に２層の畳み込みによる畳み込み特徴量を生成できる。

【0060】

図６及び図７を参照して、畳み込み特徴量の生成処理の具体例について説明する。図６は、畳み込み特徴量の生成のためのアルゴリズムを示す図である。アルゴリズムは、ライン１～９により構成されている。

【0061】

ライン１において、ノードｖのアクティビティ特徴量ｘ_ｖをｈ^０ _ｖとする。このアクティビティ特徴量は、第０層のアクティビティ特徴量に相当する。

【0062】

ライン２において、実施される階層的なアクティビティ特徴量の畳み込みにおける層数をＫとして、変数ｋにより層数をインクリメントしながら、ライン２～８の処理を層数の分だけ繰り返す。ライン３において、ｖはノードを識別し、ライン３～６の処理がノード数Ｖの分だけ繰り返されることが示されている。

【0063】

ライン４～５において、生成部１３は、第１のアクティビティと共起関係を有する１以上の第２のアクティビティのアクティビティ特徴量を所定の集約方法により集約して、共起アクティビティ集約特徴量を生成し、共起アクティビティ集約特徴量と、第１のアクティビティのアクティビティ特徴量とを結合して、第１のアクティビティの畳み込み特徴量を生成する。

【0064】

具体的には、ライン４において、生成部１３は、第１のアクティビティに相当するノードｕに隣接する全ての隣接ノードＮ（ｖ）のアクティビティ特徴量ｈ^ｋ－１ _ｕ（２層目以降の畳み込みの場合には畳み込み特徴量）を、所定の集約関数ＡＧＧＲＥＧＡＴＥ_ｋにより集約して、第ｋ層の共起アクティビティ集約特徴量ｈ^ｋ _Ｎ（ｖ）を得る。ここで、生成部１３は、隣接ノードのアクティビティ特徴量の平均若しくは総和の算出又は最大値の取得のいずれかを所定の集約関数ＡＧＧＲＥＧＡＴＥ_ｋとして用いて、共起アクティビティ集約特徴量を生成することができる。

【0065】

ライン５において、生成部１３は、第（ｋ－１）層のノードｖのアクティビティ特徴量と第ｋ層の共起アクティビティ集約特徴量ｈ^ｋ _Ｎ（ｖ）とを、結合関数ＣＯＮＣＡＴにより結合し、重み行列Ｗ^ｋを掛けて、さらに活性化関数σを作用させて、第ｋ層のノードｖの畳み込み特徴量ｈ^ｋ _ｖを得る。

【0066】

ライン７において、生成部１３は、畳み込み特徴量ｈ^ｋ _ｖを正規化する。そして、ライン９において、生成部１３は、所定のＫ層のアクティビティ特徴量の畳み込みにより得られた全てのノードの畳み込み特徴量ｈ^ｋ _ｖを所定の集約方法により集約した特徴量を、アクティビティ履歴情報の特徴を表すアクティビティ履歴特徴量ｚ_ｖとして生成する。生成部１３は、アクティビティ履歴情報に含まれる全アクティビティのＫ層の畳み込みによる畳み込み特徴量の総和を算出して、アクティビティ履歴特徴量ｚ_ｖを生成してもよい。

【0067】

なお、生成部１３は、以下の式（１）により、図６に示されるアルゴリズムのライン４～５の処理を実施してもよい。

【数1】

【0068】

式（１）におけるＲｅＬｕは、活性化関数の一種であり、例えば、
ＲｅＬＵ（ｘ）＝ｍａｘ（ｘ，０）
として表される関数であってもよい。また、式（１）におけるＭＥＡＮは、要素ごとの平均値を算出する関数である。

【0069】

また、生成部１３は、以下の式（２）により、図６に示されるアルゴリズムのライン４～５の処理を実施してもよい。

【数2】

【0070】

図７は、畳み込み特徴量の生成処理のフローチャートを示す図である。ステップＳ２１において、生成部１３は、特徴ベクトル（畳み込み特徴量）の計算対象のノードを取得する。

【0071】

ステップＳ２２において、生成部１３は、対象ノードの特徴ベクトル（アクティビティ特徴量）の初期値ｈ^０ _ｖを取得する。ステップＳ２３において、生成部１３は、対象ノードの隣接ノードを取得する。

【0072】

ステップＳ２４において、生成部１３は、隣接ノードの特徴ベクトルを取得し、ＡＧＧＲＥＧＡＴＥ処理を行うことにより、共起アクティビティ集約特徴量ｈ^ｋ _Ｎ（ｖ）を得る。

【0073】

ステップＳ２５において、生成部１３は、共起アクティビティ集約特徴量ｈ^ｋ _Ｎ（ｖ）と対象ノードの特徴ベクトルｈ^０ _ｖとを連結し、重み行列Ｗ^ｋを掛け、さらに活性化関数σに入力して、出力ｈ^ｋ _ｖを得る。

【0074】

このフローチャートに示される処理を全てのノードに関して繰り返すことにより、１層のアクティビティ特徴量の畳み込みが実現される。そして、所定のＫ層分の処理をさらに繰り返すことにより、全てのノードのＫ層のアクティビティ特徴量の畳み込みが実現される。

【0075】

次に、図８を参照して、図６に示したアルゴリズムのライン５における重み行列Ｗ^ｋの生成（学習）方法について説明する。図８は、畳み込み特徴量の生成における重み行列の学習及び生成処理を示すフローチャートである。

【0076】

まず、学習処理に先立って、取得部１１が、重み行列Ｗ^ｋの学習のための学習データの基となるアクティビティ履歴情報を必要数取得し、抽出部１２が、図３及び図４を参照して説明したように、各アクティビティ履歴情報に基づいて、各アクティビティをノードとするグラフを生成する。

【0077】

ステップＳ３１において、生成部１３は、生成されたグラフのうちの一のグラフに基づいて、全ノードの特徴ベクトル（所定層数の畳み込み特徴量）を生成する。ステップＳ３２において、生成部１３は、グラフ中の全ノードの特徴ベクトルを集約（例えば、要素ごとの平均、総和の算出等による）するＲＥＡＤＯＵＴ処理により、当該グラフの特徴を表すアクティビティ履歴特徴量を生成する。

【0078】

ステップＳ３３において、生成部１３は、全グラフのアクティビティ履歴特徴量の生成が完了したか否かを判定する。全グラフのアクティビティ履歴特徴量の生成が完了したと判定された場合には、処理はステップＳ３４に進む。全グラフのアクティビティ履歴特徴量の生成が完了したと判定されなかった場合には、ステップＳ３１～Ｓ３３の処理が繰り返される。

【0079】

ステップＳ３４において、生成部１３は、ニューラルネットワークを含んで成るモデルに、各グラフのアクティビティ履歴特徴量と対応する教師ラベルとを入力し、予測誤差を計算する。予測誤差は、式（３）により計算される。

【数3】

におけるｎはサンプル数である。ｍは分類クラス数であって、例えば、モデルが、ユーザのストレスの高／低を推定するものであれば、ｍ＝２である。ｙ_ｉｊは、ｉ番目のサンプルのクラスｊに属することの教師ラベルであり、ｐ_ｉｊは、ニューラルネットワークにより算出されたｉ番目サンプルのクラスｊに対する所属確率である。

【0080】

ステップＳ３５において、生成部１３は、誤差逆伝搬法により、ニューラルネットワーク及びＷ^ｋのパラメータ値を更新する。

【0081】

図９及び図１０を参照して、アクティビティ履歴情報に基づくグラフの生成（共起関係情報の抽出）、各ノード（アクティビティ）の（１層の畳み込みによる）畳み込み特徴量の生成、及びアクティビティ履歴特徴量の生成の具体例を説明する。

【0082】

図９は、グラフに含まれる各アクティビティのアクティビティ特徴量の例を示す図である。図９に示されるグラフｇ１は、図４を参照して説明したように、抽出部１２により、アクティビティ履歴情報に基づいて生成された共起関係情報である。グラフｇ１に含まれるノードｎ１～ｎ４のそれぞれには、各ノードの特徴を示す特徴ベクトルであるアクティビティ特徴量ｎｘ１～ｎｘ４が関連づけられている。

【0083】

図９に示されるアクティビティ特徴量ｎｘ１～ｎｘ４の例は、アクティビティのカテゴリを示す４次元のベクトルであって、各要素は、［カスタマイズ、通信、ツール、仕事効率化］であって、該当する要素に１がセットされる。

【0084】

生成部１３は、各ノードの畳み込み特徴量を生成する。以下に、ノードｎ３の畳み込み特徴量の生成の例を説明する。生成部１３は、ノードｎ３に隣接するノードｎ１，ｎ２のアクティビティ特徴量ｎｘ１，ｎｘ２を集約して共起アクティビティ特徴量を生成する。ここでは、集約関数ＡＧＧＲＥＧＡＴＥとして平均の算出を採用することとして、生成部１３は、式（４）により、ノードｎ３の共起アクティビティ特徴量ｈ^ｋ _Ｎ（ｖ）を算出する。

【数4】

【0085】

続いて、生成部１３は、式（５）により、ノードｎ３のアクティビティ特徴量と共起アクティビティ特徴量ｈ^ｋ _Ｎ（ｖ）とを所定の結合関数により結合して、ノードｎ３の畳み込み特徴量ｈ^ｋ _ｖを算出する。

【数5】

式（５）におけるWは、図６及び図７を参照して説明した重み行列である。σは、所定の活性化関数である。

【0086】

図１０は、各ノード（アクティビティ）について生成された畳み込み特徴量及びアクティビティ履歴特徴量の生成の例を示す図である。図１０に示されるように、生成部１３は、図９及び式（４），（５）を参照して説明したように、ノードｎ１～ｎ４のそれぞれの畳み込み特徴量ｎｈ１～ｎｈ４を生成する。

【0087】

続いて、生成部１３は、アクティビティ履歴情報に含まれる全アクティビティの畳み込み特徴量を集約して、アクティビティ履歴特徴量を生成する。図１０に示す具体例では、生成部１３は、グラフｇ１に含まれる全てのノードｎ１～ｎ４の畳み込み特徴量ｎｈ１～ｎｈ４に対するＲＥＡＤＯＵＴ処理により、アクティビティ履歴特徴量ｆｇを生成する。ここでは、ＲＥＡＤＯＵＴ処理は、全ての畳み込み特徴量ｎｈ１～ｎｈ４の総和である。

【0088】

なお、生成部１３は、アクティビティ履歴情報における第１のアクティビティと第２のアクティビティとの共起関係の出現頻度に基づいて各共起関係に重み付けをし、第２のアクティビティのアクティビティ特徴量のそれぞれに重み付けを加えて、第１のアクティビティの畳み込み特徴量を生成してもよい。

【0089】

例えば、図９を参照して説明したノードｎ３の畳み込み特徴量の生成の例では、アクティビティ特徴量ｎｘ１，ｎｘ２の平均を算出することによりノードｎ３の共起アクティビティ特徴量を生成したが、ノードｎ３とノードｎ１との共起関係の出現頻度及びノードｎ３とノードｎ２との共起関係の出現頻度に応じた重みを、アクティビティ特徴量ｎｘ１，ｎｘ２のそれぞれに加えた加重平均を、ノードｎ３の共起アクティビティ特徴量として生成してもよい。このように、重み付けを加えることにより、隣接ノードのアクティビティとの共起関係の強さを各アクティビティの畳み込み特徴量に反映させることができる。

【0090】

また、生成部１３は、アクティビティ履歴情報における第１のアクティビティと第２のアクティビティとの共起関係の出現頻度に基づいて各共起関係に重み付けをし、重み付けに基づいて抽出された１以上の第２のアクティビティのアクティビティ特徴量に基づいて、第１のアクティビティの畳み込み特徴量を生成してもよい。

【0091】

例えば、図９に示したグラフｇ１の例では、ノードｎ１の畳み込み特徴量の生成において、重み付けを考慮しない場合には、ノードｎ１と共起関係を有するノードｎ２～ｎ４の全てのアクティビティ特徴量が集約される。それに対して、共起関係の出現頻度に基づく各共起関係に対する重み付けを考慮する場合には、生成部１３は、ノードｎ２～ｎ４のうちの所定の程度以上の共起関係の重みを有するノードのアクティビティ特徴量のみを集約して、畳み込み特徴量の生成を実施してもよい。このように、共起関係の重みに基づいて、畳み込み特徴量の生成において集約するアクティビティ特徴量を抽出することにより、偶発的に共起したような共起関係が弱い第２のアクティビティの特徴が畳み込み特徴量に反映されないようにすることができる。

【0092】

再び図１を参照して、出力部１４は、生成部１３により生成されたアクティビティ履歴特徴量を、状態推定モデルに入力される特徴量として出力する。具体的には、例えば、出力部１４は、アクティビティ履歴特徴量をアクティビティ履歴特徴量記憶部３０に記憶させてもよい。アクティビティ履歴特徴量記憶部３０は、アクティビティ履歴特徴量を記憶する記憶手段である。

【0093】

次に、図１１及び図１２を参照して、共起関係情報としてのグラフの生成の他の例を説明する。アクティビティログが、時刻及び位置情報等のコンテキストを含む場合には、抽出部１２は、アクティビティが同一でありコンテキストが異なるアクティビティログをユニークに識別して、共起関係情報を抽出してもよい。

【0094】

図１１（ａ）は、各アクティビティログに時刻の情報を含むアクティビティ履歴情報の例を示す図である。図１１（ｂ）は、時刻をコンテキストとして含むアクティビティログに基づくグラフの生成の例を示す図である。即ち、図１１（ａ）に示すように、アクティビティ履歴情報における各アクティビティログが時刻の情報をコンテキストとして有する場合には、抽出部１２は、図１１（ｂ）に示すグラフｇ２を共起関係情報として生成する。具体的には、各アクティビティログに含まれるアクティビティが時刻の情報に関連付けられるので、抽出部１２は、各ノードに「＿０８」、「＿０９」といった時刻を示す情報を含ませることができる。従って、抽出部１２は、「ｈｏｍｅ．ＨｏｍｅＡｃｔｉｖｉｔｙ」という同種のアクティビティであっても、関連付けられている時刻の情報がそれぞれ「８：１５」及び「９：００」であり異なっているので、それらのアクティビティログをユニークに識別して、２つの異なるノードｎ１１「ｈｏｍｅ．ＨｏｍｅＡｃｔｉｖｉｔｙ＿０８」及びノードｎ１５「ｈｏｍｅ．ＨｏｍｅＡｃｔｉｖｉｔｙ＿０９」を含むグラフｇ２を共起関係情報として生成する。

【0095】

図１２（ａ）は、各アクティビティログに位置の情報を含むアクティビティ履歴情報の例を示す図である。図１２（ｂ）は、位置をコンテキストとして含むアクティビティログに基づくグラフの生成の例を示す図である。即ち、図１２（ａ）に示すように、アクティビティ履歴情報における各アクティビティログがメッシュコードに例示される位置を識別する情報をコンテキストとして有する場合には、抽出部１２は、図１２（ｂ）に示すグラフｇ３を共起関係情報として生成する。具体的には、各アクティビティログに含まれるアクティビティが位置を識別するメッシュコードに関連付けられているので、抽出部１２は、各ノードに「＿５３３９４５０９」、「＿５３３９４５１８」といった位置を示す情報を含ませることができる。従って、抽出部１２は、「ｈｏｍｅ．ＨｏｍｅＡｃｔｉｖｉｔｙ」という同種のアクティビティであっても、関連付けられている位置（メッシュコード）の情報がそれぞれ「＿５３３９４５０９」及び「＿５３３９４５１８」であり異なっているので、それらのアクティビティログをユニークに識別して、２つの異なるノードｎ１１「ｈｏｍｅ．ＨｏｍｅＡｃｔｉｖｉｔｙ＿５３３９４５０９」及びノードｎ１５「ｈｏｍｅ．ＨｏｍｅＡｃｔｉｖｉｔｙ＿５３３９４５１８」を含むグラフｇ３を共起関係情報として生成する。

【0096】

このように、コンテキストが異なるアクティビティがユニークに識別されて共起関係情報が生成されることにより、ユーザの状態がより詳細に反映されたアクティビティ履歴特徴量を生成できる。

【0097】

再び図１を参照して、推定部１５は、生成部１３により生成されたアクティビティ履歴特徴量を状況推定モデルに入力して、端末または該端末のユーザに関する状態を推定する。具体的には、推定部１５は、アクティビティ履歴特徴量記憶部３０に記憶されたアクティビティ履歴特徴量を状況推定モデルに入力して、モデルからの出力を、端末または該端末のユーザに関する状態を示す情報として取得する。

【0098】

状況推定モデルは、アクティビティ履歴特徴量を入力特徴量とし、端末または該端末のユーザに関する状態を識別する識別情報を教師ラベルとする学習データに基づく機械学習により構築されたニューラルネットワークを含むモデルである。

【0099】

学習済みのニューラルネットワークを含むモデルである状況推定モデルは、コンピュータにより読み込まれ又は参照され、コンピュータに所定の処理を実行させ及びコンピュータに所定の機能を実現させるプログラムとして捉えることができる。

【0100】

即ち、本実施形態の学習済みの状況推定モデルは、ＣＰＵ及びメモリを備えるコンピュータにおいて用いられる。具体的には、コンピュータのＣＰＵが、メモリに記憶された学習済みの状況推定モデルからの指令に従って、ニューラルネットワークの入力層に入力された入力データ（アクティビティ履歴特徴量）に対し、各層に対応する学習済みの重み付け係数と応答関数等に基づく演算を行い、出力層から結果（各状況ラベルの尤度）を出力するよう動作する。

【0101】

状況推定モデルに含まれるニューラルネットワークは、例えば、フィードフォワードニューラルネットワーク、畳み込みニューラルネットワーク等であってもよく、用いられるニューラルネットワークの種類は限定されない。

【0102】

状態推定システム１は、特徴抽出装置１０により生成及び出力されたアクティビティ履歴特徴量、及び、あらかじめ設定された教師ラベルからなる教師データに基づいて機械学習を実施して、状況推定モデルを構築してもよい。

【0103】

状態出力部１６は、推定部１５により推定された、端末または該端末のユーザに関する状態を示す状態情報を出力する。具体的には、状態出力部１６は、状態情報を、所定の記憶手段に記憶させたり、所定の表示装置に表示させたりする。

【0104】

図１３は、特徴抽出装置１０における特徴抽出方法の処理内容を示すフローチャートである。

【0105】

ステップＳ１において、取得部１１は、アクティビティの所定期間の実行履歴を示すアクティビティ履歴情報を取得する。続いて、ステップＳ２において、抽出部１２は、アクティビティ履歴情報に基づいて、所定期間内のアクティビティの共起関係を示す共起関係情報を抽出する。本実施形態では、抽出部１２は、アクティビティをノードとして、アクティビティ間の共起関係をアクティビティのノード間をつなぐエッジとして表したグラフを共起関係情報として生成する。

【0106】

ステップＳ３において、生成部１３は、各アクティビティの特徴を示すアクティビティ特徴量を共起関係情報に基づいて集約して、アクティビティ履歴情報の特徴を示すアクティビティ履歴特徴量を生成する。本実施形態では、アクティビティをノードとするグラフによりアクティビティ履歴情報が表されるので、生成部１３は、グラフにより表現された共起関係情報に基づいて、各ノードに関連付けられたアクティビティ特徴量を集約する。

【0107】

ステップＳ４において、出力部１４は、生成部１３により生成されたアクティビティ履歴特徴量を、状態推定モデルに入力される特徴量として出力する。

【0108】

図１４は、状態推定システム１における状況推定方法の処理内容を示すフローチャートである。ステップＳ１１において、推定部１５は、アクティビティ履歴特徴量記憶部３０に記憶されたアクティビティ履歴特徴量を取得する。

【0109】

ステップＳ１２において、推定部１５は、アクティビティ履歴特徴量を状況推定モデルに入力する。

【0110】

ステップＳ１３において、推定部１５は、状況推定モデルからの出力を、端末または該端末のユーザに関する状態を示す状態情報として取得する。

【0111】

ステップＳ１４において、状態出力部１６は、ステップＳ１３において取得された状態情報を出力する。具体的には、状態出力部１６は、状態情報を、所定の記憶手段に記憶させたり、所定の表示装置に表示させたりする。

【0112】

次に、コンピュータを、本実施形態の特徴抽出装置１０として機能させるための特徴抽出プログラム及び状態推定システム１として機能させるための状態推定プログラムについて説明する。図１５は、特徴抽出プログラム及び状態推定プログラムの構成を示す図である。

【0113】

特徴抽出プログラムＰ１は、特徴抽出装置１０における特徴抽出処理を統括的に制御するメインモジュールｍ１０、取得モジュールｍ１１、抽出モジュールｍ１２、生成モジュールｍ１３及び出力モジュールｍ１４を備えて構成される。そして、各モジュールｍ１１～ｍ１４により、取得部１１、抽出部１２、生成部１３及び出力部１４のための各機能が実現される。

【0114】

また、状態推定プログラムＰ２は、コンピュータを特徴抽出装置１０として機能させるためのモジュールに加えて、推定モジュールｍ１５及び状態出力モジュールｍ１６を備えて構成される。推定モジュールｍ１５及び状態出力モジュールｍ１６により、推定部１５及び状態出力部１６のための各機能が構成される。

【0115】

なお、特徴抽出プログラムＰ１及び状態推定プログラムＰ２は、通信回線等の伝送媒体を介して伝送される態様であってもよいし、図１５に示されるように、記録媒体Ｍ１に記憶される態様であってもよい。

【0116】

以上説明した本実施形態の特徴抽出装置１０、特徴抽出方法及び特徴抽出プログラムＰ１では、アクティビティ履歴情報に基づいて所定期間に実行されたアクティビティの共起関係を示す共起関係情報が抽出される。アクティビティは、ユーザの端末において実行されたものであるので、共起関係情報には、端末または端末のユーザの状態が反映されている。そして、アクティビティ履歴情報に含まれるアクティビティのアクティビティ特徴量が、共起関係情報に基づいて集約されることにより、ユーザの状態が的確に反映され且つユーザの状態が密に表現されたアクティビティ履歴特徴量を生成できる。従って、このように生成されたアクティビティ履歴特徴量を状態推定モデルに入力する特徴量とすることにより、ユーザの状態の推定精度が向上する。

【0117】

また、別の形態に係る特徴抽出装置では、共起関係情報は、所定期間内に実行された複数のアクティビティを互いに関連付ける関連情報を含むこととしてもよい。

【0118】

上記形態によれば、実行された時が時間的に近いアクティビティが関連付けられて、共起関係情報とされる。従って、アクティビティの実行の傾向が共起関係情報に適切に反映される。

【0119】

また、別の形態に係る特徴抽出装置では、共起関係情報は、所定期間内に続けて実行されたアクティビティの遷移関係を表す遷移情報を含むこととしてもよい。

【0120】

上記形態によれば、続けて実行された２つのアクティビティが遷移情報として関連付けられて、共起関係情報に含まれることとなる。従って、アクティビティの実行の遷移関係が共起関係情報に適切に反映される。

【0121】

また、別の形態に係る特徴抽出装置では、アクティビティ履歴情報に含まれる各アクティビティログは、当該アクティビティの実行状況を示すイベントフラグを含み、抽出部は、所定のイベントフラグが関連付けられたアクティビティログに基づいて共起関係情報を抽出することとしてもよい。

【0122】

上記形態によれば、ユーザの状態が好適に反映されたアクティビティログのみを共起関係の抽出に用いることができる。

【0123】

また、別の形態に係る特徴抽出装置では、生成部は、一のアクティビティのアクティビティ特徴量と、当該一のアクティビティと共起関係を有する１以上のアクティビティのアクティビティ特徴量とを所定の畳み込み方法により集約した特徴量を、一のアクティビティの畳み込み特徴量として生成し、アクティビティ履歴情報に含まれる全アクティビティの畳み込み特徴量を所定の集約方法により集約した特徴量を、アクティビティ履歴特徴量として生成することとしてもよい。

【0124】

上記形態によれば、一のアクティビティと共起関係を有するアクティビティの特徴が反映された畳み込み特徴量が各アクティビティに対して生成され、全アクティビティの畳み込み特徴量が集約されてアクティビティ履歴特徴量が生成される。これにより、端末または端末のユーザの状態が密に表された特徴量を得ることができる。

【0125】

また、別の形態に係る特徴抽出装置では、生成部は、共起関係情報に基づいて第１層から第ｋ層（ｋは１以上の所定の整数）までの所定の層数の階層的なアクティビティ特徴量の畳み込みを実施し、共起関係情報により共起関係が示される複数のアクティビティのうちの各アクティビティを第ｎ層（ｎは０以上の整数）の第１のアクティビティとしたときに、第１のアクティビティと共起関係を有する１以上のアクティビティを第２のアクティビティとし、第１層の畳み込みにおいて、第０層の第１のアクティビティのアクティビティ特徴量と、当該第１のアクティビティと共起関係を有する１以上の第２のアクティビティのアクティビティ特徴量とを所定の畳み込み方法により畳み込み、第１層の第１のアクティビティの畳み込み特徴量を生成し、第ｍ層（ｍは２以上の整数）の畳み込みにおいて、第（ｍ－１）層の第１のアクティビティのアクティビティ特徴量と、当該第１のアクティビティと共起関係を有する１以上の第２のアクティビティの畳み込み特徴量とを所定の畳み込み方法により畳み込み、第ｍ層における第１のアクティビティの畳み込み特徴量を生成し、第ｋ層の畳み込みにおける第ｋ層の第１のアクティビティの畳み込み特徴量を、ｋ層の畳み込みに基づく一のアクティビティの畳み込み特徴量として生成し、アクティビティ履歴情報に含まれる全アクティビティのｋ層の畳み込みに基づく畳み込み特徴量を所定の集約方法により集約した特徴量を、アクティビティ履歴特徴量として生成することとしてもよい。

【0126】

上記形態によれば、畳み込みの層数を適切に設定することにより、一つのアクティビティ畳み込み特徴量に畳み込む共起関係を有する他のアクティビティの範囲を調整できる。これにより、アクティビティの共起関係を適切な程度に反映した畳み込み特徴量を生成できる。

【0127】

また、別の形態に係る特徴抽出装置では、生成部は、第１のアクティビティと共起関係を有する１以上の第２のアクティビティのアクティビティ特徴量を所定の集約方法により集約して、共起アクティビティ集約特徴量を生成し、共起アクティビティ集約特徴量と、第１のアクティビティのアクティビティ特徴量とを結合して、第１のアクティビティの畳み込み特徴量を生成することとしてもよい。

【0128】

上記形態によれば、第１のアクティビティと共起関係を有する第２のアクティビティのアクティビティ特徴量が集約された共起アクティビティ集約特徴量が生成され、共起アクティビティ集約特徴量と第１のアクティビティのアクティビティ特徴量が結合されて畳み込み特徴量が生成されるので、第１のアクティビティのアクティビティ特徴量を主としながら、第２のアクティビティのアクティビティ特徴量が適切に反映された畳み込み特徴量を得ることができる。

【0129】

また、別の形態に係る特徴抽出装置では、生成部は、１以上の第２のアクティビティのアクティビティ特徴量の平均若しくは総和の算出又は最大値の取得により集約して、共起アクティビティ集約特徴量を生成することとしてもよい。

【0130】

上記形態によれば、第２のアクティビティのアクティビティ特徴量を適切に共起アクティビティ集約特徴量に適切に反映させることができる。

【0131】

また、別の形態に係る特徴抽出装置では、生成部は、アクティビティ履歴情報における第１のアクティビティと第２のアクティビティとの共起関係の出現頻度に基づいて各共起関係に重み付けをし、各第２のアクティビティのアクティビティ特徴量に重み付けを加えて、第１のアクティビティの畳み込み特徴量を生成することとしてもよい。

【0132】

上記形態によれば、各第２のアクティビティの第１のアクティビティとの共起関係の強さを畳み込み特徴量に反映させることができる。

【0133】

また、別の形態に係る特徴抽出装置では、生成部は、アクティビティ履歴情報における第１のアクティビティと第２のアクティビティとの共起関係の出現頻度に基づいて各共起関係に重み付けをし、１以上の第２のアクティビティから重み付けに基づいて抽出された１以上の第２のアクティビティのアクティビティ特徴量に基づいて、第１のアクティビティの畳み込み特徴量を生成することとしてもよい。

【0134】

上記形態によれば、偶発的に共起したような共起関係が弱い第２のアクティビティの特徴が畳み込み特徴量に反映されないようにすることができる。

【0135】

また、別の形態に係る特徴抽出装置では、生成部は、アクティビティ履歴情報に含まれる全アクティビティの畳み込み特徴量の総和を算出して、アクティビティ履歴特徴量を生成することとしてもよい。

【0136】

上記形態によれば、アクティビティ履歴情報に含まれる全アクティビティの特徴を適切にアクティビティ履歴特徴量に適切に反映させることができる。

【0137】

また、別の形態に係る特徴抽出装置では、アクティビティログは、時刻及び位置情報のうちの少なくとも一つのコンテキストを含み、抽出部は、アクティビティが同一でありコンテキストが異なるアクティビティログをユニークに識別して、共起関係情報を抽出することとしてもよい。

【0138】

上記形態によれば、コンテキストが異なるアクティビティがユニークに識別されるので、ユーザの状態がより詳細に反映されたアクティビティ履歴特徴量を生成できる。

【0139】

また、本発明の一形態に係る状態推定システムでは、アクティビティが実行された端末または該端末のユーザに関する状態を推定する状態推定システムであって、アクティビティの所定期間の実行履歴を示し時系列のアクティビティログを含むアクティビティ履歴情報を取得する取得部と、アクティビティ履歴情報に基づいて、所定期間内のアクティビティの共起関係を示す共起関係情報を抽出する抽出部と、各アクティビティの特徴を示すアクティビティ特徴量を共起関係情報に基づいて集約して、アクティビティ履歴情報の特徴を示すアクティビティ履歴特徴量を生成する生成部と、アクティビティ履歴特徴量を入力特徴量とし、端末または該端末のユーザに関する状態を識別する識別情報を教師ラベルとする学習データに基づく機械学習により構築されたニューラルネットワークを含む状況推定モデルに、生成部により生成されたアクティビティ履歴特徴量を入力して、端末または該端末のユーザに関する状態を推定する推定部と、推定部により推定された、端末または該端末のユーザに関する状態を示す状態情報を出力する状態出力部と、を備える。

【0140】

上記形態によれば、ユーザの端末において実行されたアクティビティに実行履歴を示すアクティビティ履歴情報に基づいて所定期間に実行されたアクティビティの共起関係を示し、端末または端末のユーザの状態が反映された共起関係情報が抽出される。そして、アクティビティ履歴情報に含まれるアクティビティのアクティビティ特徴量が、共起関係情報に基づいて集約されることにより、ユーザの状態が的確に反映され且つユーザの状態が密に表現されたアクティビティ履歴特徴量を生成できる。このように生成されたアクティビティ履歴特徴量を状態推定モデルに入力することにより、精度よくユーザの状態を推定できる。

【0141】

以上、本実施形態について詳細に説明したが、当業者にとっては、本実施形態が本明細書中に説明した実施形態に限定されるものではないということは明らかである。本実施形態は、特許請求の範囲の記載により定まる本発明の趣旨及び範囲を逸脱することなく修正及び変更態様として実施することができる。したがって、本明細書の記載は、例示説明を目的とするものであり、本実施形態に対して何ら制限的な意味を有するものではない。

【0142】

本明細書で説明した各態様／実施形態は、ＬＴＥ（Long Term Evolution）、ＬＴＥ－Ａ（LTE-Advanced）、ＳＵＰＥＲ ３Ｇ、ＩＭＴ－Ａｄｖａｎｃｅｄ、４Ｇ、５Ｇ、ＦＲＡ（Future Radio Access）、Ｗ－ＣＤＭＡ（登録商標）、ＧＳＭ（登録商標）、ＣＤＭＡ２０００、ＵＭＢ（Ultra Mobile Broadband）、ＩＥＥＥ ８０２．１１（Ｗｉ－Ｆｉ）、ＩＥＥＥ ８０２．１６（ＷｉＭＡＸ）、ＩＥＥＥ ８０２．２０、ＵＷＢ（Ultra-WideBand）、Ｂｌｕｅｔｏｏｔｈ（登録商標）、その他の適切なシステムを利用するシステム及び／又はこれらに基づいて拡張された次世代システムに適用されてもよい。

【0143】

本明細書で説明した各態様／実施形態の処理手順、シーケンス、フローチャートなどは、矛盾の無い限り、順序を入れ替えてもよい。例えば、本明細書で説明した方法については、例示的な順序で様々なステップの要素を提示しており、提示した特定の順序に限定されない。

【0144】

入出力された情報等は特定の場所(例えば、メモリ)に保存されてもよいし、管理テーブルで管理してもよい。入出力される情報等は、上書き、更新、または追記され得る。出力された情報等は削除されてもよい。入力された情報等は他の装置へ送信されてもよい。

【0145】

判定は、１ビットで表される値（０か１か）によって行われてもよいし、真偽値（Boolean：trueまたはfalse）によって行われてもよいし、数値の比較（例えば、所定の値との比較）によって行われてもよい。

【0146】

本明細書で説明した各態様／実施形態は単独で用いてもよいし、組み合わせて用いてもよいし、実行に伴って切り替えて用いてもよい。また、所定の情報の通知（例えば、「Ｘであること」の通知）は、明示的に行うものに限られず、暗黙的（例えば、当該所定の情報の通知を行わない）ことによって行われてもよい。

【0147】

以上、本開示について詳細に説明したが、当業者にとっては、本開示が本開示中に説明した実施形態に限定されるものではないということは明らかである。本開示は、請求の範囲の記載により定まる本開示の趣旨及び範囲を逸脱することなく修正及び変更態様として実施することができる。したがって、本開示の記載は、例示説明を目的とするものであり、本開示に対して何ら制限的な意味を有するものではない。

【0148】

ソフトウェアは、ソフトウェア、ファームウェア、ミドルウェア、マイクロコード、ハードウェア記述言語と呼ばれるか、他の名称で呼ばれるかを問わず、命令、命令セット、コード、コードセグメント、プログラムコード、プログラム、サブプログラム、ソフトウェアモジュール、アプリケーション、ソフトウェアアプリケーション、ソフトウェアパッケージ、ルーチン、サブルーチン、オブジェクト、実行可能ファイル、実行スレッド、手順、機能などを意味するよう広く解釈されるべきである。

【0149】

また、ソフトウェア、命令などは、伝送媒体を介して送受信されてもよい。例えば、ソフトウェアが、同軸ケーブル、光ファイバケーブル、ツイストペア及びデジタル加入者回線（ＤＳＬ）などの有線技術及び／又は赤外線、無線及びマイクロ波などの無線技術を使用してウェブサイト、サーバ、又は他のリモートソースから送信される場合、これらの有線技術及び／又は無線技術は、伝送媒体の定義内に含まれる。

【0150】

本開示において説明した情報、信号などは、様々な異なる技術のいずれかを使用して表されてもよい。例えば、上記の説明全体に渡って言及され得るデータ、命令、コマンド、情報、信号、ビット、シンボル、チップなどは、電圧、電流、電磁波、磁界若しくは磁性粒子、光場若しくは光子、又はこれらの任意の組み合わせによって表されてもよい。

【0151】

なお、本開示において説明した用語及び／又は本明細書の理解に必要な用語については、同一の又は類似する意味を有する用語と置き換えてもよい。

【0152】

本明細書で使用する「システム」および「ネットワーク」という用語は、互換的に使用される。

【0153】

また、本明細書で説明した情報、パラメータなどは、絶対値で表されてもよいし、所定の値からの相対値で表されてもよいし、対応する別の情報で表されてもよい。

【0154】

本開示で使用する「判断(determining)」、「決定(determining)」という用語は、多種多様な動作を包含する場合がある。「判断」、「決定」は、例えば、判定(judging)、計算(calculating)、算出(computing)、処理(processing)、導出(deriving)、調査(investigating)、探索(looking up、search、inquiry)（例えば、テーブル、データベース又は別のデータ構造での探索）、確認(ascertaining)した事を「判断」「決定」したとみなす事などを含み得る。また、「判断」、「決定」は、受信(receiving)（例えば、情報を受信すること）、送信(transmitting)(例えば、情報を送信すること)、入力(input)、出力(output)、アクセス(accessing)（例えば、メモリ中のデータにアクセスすること）した事を「判断」「決定」したとみなす事などを含み得る。また、「判断」、「決定」は、解決(resolving)、選択(selecting)、選定(choosing)、確立(establishing)、比較(comparing)などした事を「判断」「決定」したとみなす事を含み得る。つまり、「判断」「決定」は、何らかの動作を「判断」「決定」したとみなす事を含み得る。また、「判断（決定）」は、「想定する（assuming）」、「期待する（expecting）」、「みなす（considering）」などで読み替えられてもよい。

【0155】

本開示で使用する「に基づいて」という記載は、別段に明記されていない限り、「のみに基づいて」を意味しない。言い換えれば、「に基づいて」という記載は、「のみに基づいて」と「に少なくとも基づいて」の両方を意味する。

【0156】

本明細書で「第１の」、「第２の」などの呼称を使用した場合においては、その要素へのいかなる参照も、それらの要素の量または順序を全般的に限定するものではない。これらの呼称は、２つ以上の要素間を区別する便利な方法として本明細書で使用され得る。したがって、第１および第２の要素への参照は、２つの要素のみがそこで採用され得ること、または何らかの形で第１の要素が第２の要素に先行しなければならないことを意味しない。

【0157】

「含む（include）」、「含んでいる（including）」、およびそれらの変形が、本明細書あるいは特許請求の範囲で使用されている限り、これら用語は、用語「備える(comprising)」と同様に、包括的であることが意図される。さらに、本明細書あるいは特許請求の範囲において使用されている用語「または（or）」は、排他的論理和ではないことが意図される。

【0158】

本明細書において、文脈または技術的に明らかに1つのみしか存在しない装置である場合以外は、複数の装置をも含むものとする。

【0159】

本開示の全体において、文脈から明らかに単数を示したものではなければ、複数のものを含むものとする。

【符号の説明】

【0160】

１…状態推定システム、１０…特徴抽出装置、１１…取得部、１２…抽出部、１３…生成部、１４…出力部、１５…推定部、１６…状態出力部、２０…アクティビティ履歴情報記憶部、３０…アクティビティ履歴特徴量記憶部、Ｍ１…記録媒体、ｍ１０…メインモジュール、ｍ１１…取得モジュール、ｍ１２…抽出モジュール、ｍ１３…生成モジュール、ｍ１４…出力モジュール、ｍ１５…推定モジュール、ｍ１６…状態出力モジュール、Ｐ１…特徴抽出プログラム、Ｐ２…状態推定プログラム。

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】

【図13】

【図14】

【図15】