特許 7530512 情報処理装置、情報処理方法、およびプログラム

(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】2024-07-30

(45)【発行日】2024-08-07

(54)【発明の名称】情報処理装置、情報処理方法、およびプログラム

(51)【国際特許分類】

   G06Q 30/02 20230101AFI20240731BHJP

【ＦＩ】

G06Q30/02

【請求項の数】 9

(21)【出願番号】P 2023515763

(86)(22)【出願日】2022-03-18

(86)【国際出願番号】 JP2022012558

(87)【国際公開番号】W WO2023175883

(87)【国際公開日】2023-09-21

【審査請求日】2023-03-09

(73)【特許権者】

【識別番号】399037405

【氏名又は名称】楽天グループ株式会社

(74)【代理人】

【識別番号】100109380

【弁理士】

【氏名又は名称】小西 恵

(74)【代理人】

【識別番号】100109036

【弁理士】

【氏名又は名称】永岡 重幸

(72)【発明者】

【氏名】バンサル マヤンク

(72)【発明者】

【氏名】パリーク ゴーラヴ

(72)【発明者】

【氏名】ミード カイル アーロン

【審査官】上田 智志

(56)【参考文献】

【文献】特開２０２０－１９０９６４（ＪＰ，Ａ）

【文献】特開２０１９－２１５８６２（ＪＰ，Ａ）

【文献】特開２０２０－１６１０３８（ＪＰ，Ａ）

【文献】特開２０２１－１４９４７０（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】

位置情報を有するユーザのオンライン情報を入力して、前記位置情報を有するユーザのオンライン行動特徴ベクトルを出力するように、第１の学習モデルを学習させる第１の学習手段と、
前記位置情報を有するユーザのオンライン行動特徴ベクトルを入力して、前記位置情報を有するユーザのオフライン行動特徴ベクトルを出力するように、第２の学習モデルを学習させる第２の学習手段と、
を有することを特徴とする情報処理装置。

【請求項2】

前記位置情報から、前記位置情報を有するユーザのオフライン行動特徴ベクトルを生成する生成手段と、
前記生成手段により生成された前記位置情報を有するユーザのオフライン行動特徴ベクトルを入力して、前記位置情報を有するユーザのオフライン行動を表す情報を出力するように、第３の学習モデルを学習させる第３の学習手段を更に有することを特徴とする請求項１に記載の情報処理装置。

【請求項3】

前記ユーザのオフライン行動を表す情報は、前記ユーザが訪れると予測される場所の情報を含むことを特徴とする請求項２に記載の情報処理装置。

【請求項4】

位置情報を有さないユーザのオンライン情報を前記第１の学習モデルに入力して、前記位置情報を有さないユーザのオンライン行動特徴ベクトルを推定する第１の推定手段と、
前記位置情報を有さないユーザのオンライン行動特徴ベクトルを前記第２の学習モデルに入力して、前記位置情報を有さないユーザのオフライン行動特徴ベクトルを推定する第２の推定手段と、
前記位置情報を有さないユーザのオフライン行動特徴ベクトルを前記第３の学習モデルに入力して、前記位置情報を有さないユーザのオフライン行動の情報を推定する第３の推定手段と、
を有することを特徴とする請求項２または３に記載の情報処理装置。

【請求項5】

前記位置情報を有するユーザのオンライン情報と前記位置情報を有さないユーザのオンライン情報はそれぞれ、前記位置情報を有するユーザと前記位置情報を有さないユーザによるウェブサービスの利用を通したオンライン上の行動に関する情報であることを特徴とする請求項１から４のいずれか１項に記載の情報処理装置。

【請求項6】

情報処理装置によって実行される情報処理方法であって、
位置情報を有するユーザのオンライン情報を入力して、前記位置情報を有するユーザのオンライン行動特徴ベクトルを出力するように、第１の学習モデルを学習させる第１の学習工程と、
前記位置情報を有するユーザのオンライン行動特徴ベクトルを入力して、前記位置情報を有するユーザのオフライン行動特徴ベクトルを出力するように、第２の学習モデルを学習させる第２の学習工程と、
を有することを特徴とする情報処理方法。

【請求項7】

前記位置情報から、前記位置情報を有するユーザのオフライン行動特徴ベクトルを生成する生成工程と、
前記生成工程において生成された前記位置情報を有するユーザのオフライン行動特徴ベクトルを入力して、前記位置情報を有するユーザのオフライン行動を表す情報を出力するように、第３の学習モデルを学習させる第３の学習工程を更に有することを特徴とする請求項６に記載の情報処理方法。

【請求項8】

情報処理をコンピュータに実行させるための情報処理プログラムであって、該プログラムは、前記コンピュータに、
位置情報を有するユーザのオンライン情報を入力して、前記位置情報を有するユーザのオンライン行動特徴ベクトルを出力するように、第１の学習モデルを学習させる第１の学習処理と、
前記位置情報を有するユーザのオンライン行動特徴ベクトルを入力して、前記位置情報を有するユーザのオフライン行動特徴ベクトルを出力するように、第２の学習モデルを学習させる第２の学習処理と、を含む処理を実行させるためのものである、
情報処理プログラム。

【請求項9】

前記プログラムは、前記コンピュータに、更に、
前記位置情報から、前記位置情報を有するユーザのオフライン行動特徴ベクトルを生成する生成処理と、
前記生成処理において生成された前記位置情報を有するユーザのオフライン行動特徴ベクトルを入力して、前記位置情報を有するユーザのオフライン行動を表す情報を出力するように、第３の学習モデルを学習させる第３の学習処理と、を含む処理を実行させるためのものである、請求項８に記載の情報処理プログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、情報処理装置、情報処理方法、およびプログラムに関し、特に、ユーザのオンライン行動の情報を用いる技術に関する。

【背景技術】

【0002】

従来、端末装置の位置情報を取得して、当該位置情報から当該端末装置のユーザの行動を検出する技術が知られている。例えば、特許文献１には、無線ＬＡＮにおけるアクセスポイントが、端末装置から当該端末装置の位置情報を取得して、当該端末装置のユーザが所定の店舗に来店したことを検出する技術が開示されている。

【先行技術文献】

【特許文献】

【0003】

【文献】特開２０１５－３７２４４号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

特許文献１に開示される技術では、端末装置の位置情報から、当該端末装置のユーザが訪れた場所を把握することができる。一方で、ユーザによるウェブサービスを通じたオンライン上の行動（オンライン行動）に関する情報（オンライン情報）の活用が進んでいる。当該オンライン情報と、当該ユーザが訪れうる場所の情報といったオフライン情報との関係が構築できれば、当該オンライン情報から当該オフライン情報が推定することができる。そして、これにより、当該ユーザに対して、当該オフライン情報に関する効果的な広告やサービスの提供が可能になる。

【0005】

本発明は上記課題に鑑みてなされたものであり、ユーザのオンライン行動の情報とオフライン行動の情報との関係を構築するための技術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】

上記課題を解決するために、本発明による情報処理装置の一態様は、位置情報を有するユーザのオンライン情報を入力して、前記位置情報を有するユーザのオンライン行動特徴ベクトルを出力するように、第１の学習モデルを学習させる第１の学習手段と、前記位置情報を有するユーザのオンライン行動特徴ベクトルを入力して、前記位置情報を有するユーザのオフライン行動特徴ベクトルを出力するように、第２の学習モデルを学習させる第２の学習手段と、を有する。

【0007】

前記情報処理装置は、前記位置情報から、前記位置情報を有するユーザのオフライン行動特徴ベクトルを生成する生成手段と、前記生成手段により生成された前記位置情報を有するユーザのオフライン行動特徴ベクトルを入力して、前記位置情報を有するユーザのオフライン行動を表す情報を出力するように、第３の学習モデルを学習させる第３の学習手段を更に有する。

【0008】

前記ユーザのオフライン行動を表す情報は、前記ユーザが訪れると予測される場所の情報を含みうる。

【0009】

前記情報処理装置は、位置情報を有さないユーザのオンライン情報を前記第１の学習モデルに入力して、前記位置情報を有さないユーザのオンライン行動特徴ベクトルを推定する第１の推定手段と、前記位置情報を有さないユーザのオンライン行動特徴ベクトルを第２の学習モデルに入力して、前記位置情報を有さないユーザのオフライン行動特徴ベクトルを推定する第２の推定手段と、前記位置情報を有さないユーザのオフライン行動特徴ベクトルを第３の学習モデルに入力して、前記位置情報を有さないユーザのオフライン行動の情報を推定する第３の推定手段と、を有しうる。

【0010】

前記ユーザのオンライン情報は、前記ユーザにウェブサービスの利用を通したオンライン上の行動に関する情報でありうる。

【0011】

上記課題を解決するために、本発明による情報処理方法の一態様は、位置情報を有するユーザのオンライン情報を入力して、前記位置情報を有するユーザのオンライン行動特徴ベクトルを出力するように、第１の学習モデルを学習させる第１の学習工程と、前記位置情報を有するユーザのオンライン行動特徴ベクトルを入力して、前記位置情報を有するユーザのオフライン行動特徴ベクトルを出力するように、第２の学習モデルを学習させる第２の学習工程と、を有する。

【0012】

前記情報処理方法は、前記位置情報から、前記位置情報を有するユーザのオフライン行動特徴ベクトルを生成する生成工程と、前記第２の学習モデルから出力された前記位置情報を有するユーザのオフライン行動特徴ベクトルを入力して、前記位置情報を有するユーザのオフライン行動を表す情報を出力するように、第３の学習モデルを学習させる第３の学習工程を更に有し、前記第３の学習工程では、前記生成工程において生成された前記位置情報を有するユーザのオフライン行動特徴ベクトルを用いて、前記第３の学習モデルを学習させうる。

【0013】

上記課題を解決するために、本発明によるプログラムの一態様は、情報処理をコンピュータに実行させるための情報処理プログラムであって、該プログラムは、前記コンピュータに、位置情報を有するユーザのオンライン情報を入力して、前記位置情報を有するユーザのオンライン行動特徴ベクトルを出力するように、第１の学習モデルを学習させる第１の学習処理と、前記位置情報を有するユーザのオンライン行動特徴ベクトルを入力して、前記位置情報を有するユーザのオフライン行動特徴ベクトルを出力するように、第２の学習モデルを学習させる第２の学習処理と、を含む処理を実行させるためのものである。

【0014】

前記プログラムは、前記コンピュータに、更に、前記位置情報から、前記位置情報を有するユーザのオフライン行動特徴ベクトルを生成する生成処理と、前記第２の学習モデルから出力された前記位置情報を有するユーザのオフライン行動特徴ベクトルを入力して、前記位置情報を有するユーザのオフライン行動を表す情報を出力するように、第３の学習モデルを学習させる第３の学習処理と、を含む処理を実行させるためのものであり、前記第３の学習処理は、前記生成処理において生成された前記位置情報を有するユーザのオフライン行動特徴ベクトルを用いて、前記第３の学習モデルを学習させる処理を含みうる。

【発明の効果】

【0015】

本発明によれば、ユーザのオンライン行動の情報とオフライン行動の情報とを関係を構築することが可能となる。
上記した本発明の目的、態様及び効果並びに上記されなかった本発明の目的、態様及び効果は、当業者であれば添付図面及び請求の範囲の記載を参照することにより下記の発明を実施するための形態から理解できるであろう。

【図面の簡単な説明】

【0016】

【図1】図１は、情報処理システムの構成例を示す。

【図2】図２は、実施形態による情報処理装置１０の機能構成例を示す。

【図3】図３は、オフライン行動特徴ベクトル生成の手順を示す。

【図4】図４は、オンライン特徴推定モデル１１１の概略アーキテクチャの例を示す。

【図5】図５は、オフライン特徴推定モデル１１２の概略アーキテクチャの例を示す。

【図6】図６は、分類モデル１１３の概略アーキテクチャの例を示す。

【図7】図７は、位置情報のないユーザのオフライン行動の推定処理を説明するための模式図である。

【図8】図８は、情報処理装置１０とユーザ装置１１のハードウェア構成例を示す。

【図9】図９は、情報処理装置１０により実行される処理のフローチャートを示す。

【発明を実施するための形態】

【0017】

以下、添付図面を参照して、本発明を実施するための実施形態について詳細に説明する。以下に開示される構成要素のうち、同一機能を有するものには同一の符号を付し、その説明を省略する。なお、以下に開示される実施形態は、本発明の実現手段としての一例であり、本発明が適用される装置の構成や各種条件によって適宜修正または変更されるべきものであり、本発明は以下の実施形態に限定されるものではない。また、本実施形態で説明されている特徴の組み合わせの全てが本発明の解決手段に必須のものとは限らない。

【0018】

［情報処理システムの構成］
図１に、本実施形態による情報処理システムの構成例を示す。本情報処理システムは、その一例として、図１に示すように、情報処理装置１０と、任意の複数のユーザ１～Ｎにより使用される複数のユーザ装置１１－１～１１－Ｎ（Ｎ＞１）と、ユーザｕにより使用されるユーザ装置１１－ｕを含んで構成される。なお、以下の説明において、特に説明がない限り、ユーザ装置１１－１～１１－Ｎ、１１－ｕをユーザ装置１１と総称しうる。また、以下の説明において、ユーザ装置とユーザという語は同義に使用されうる。

【0019】

ユーザ装置１１は、例えば、スマートフォンやタブレットといったデバイスであり、ＬＴＥ（Ｌｏｎｇ Ｔｅｒｍ Ｅｖｏｌｕｔｉｏｎ）等の公衆網や、無線ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）等の無線通信網を介して、情報処理装置１０と通信可能に構成されている。ユーザ装置１１は、液晶ディスプレイ等の表示部（表示面）を有し、各ユーザは、当該液晶ディスプレイに装備されたＧＵＩ（Ｇｒａｐｈｉｃ Ｕｓｅｒ Ｉｎｔｅｒｆａｃｅ）により各種操作を行うことができる。当該操作は、指やスタイラス等によりタップ操作、スライド操作、スクロール操作等、画面に表示された画像等のコンテンツに対する各種の操作を含む。
なお、ユーザ装置１１は、図１に示すような形態のデバイスに限らず、デスクトップ型のＰＣ（Ｐｅｒｓｏｎａｌ Ｃｏｍｐｕｔｅｒ）や、ノート型のＰＣといったデバイスであってもよい。その場合、各ユーザによる操作は、マウスやキーボードといった入力装置を用いて行われうる。また、ユーザ装置１１は、表示面を別に備えてもよい。

【0020】

ユーザ装置１１は、情報処理装置１０から、または、不図示の他の装置から情報処理装置１０を介して提供されるウェブサービス（インターネット関連サービス）にログインして、サービスを利用することができる。当該ウェブサービスは、インターネットを介して提供される、インターネットショッピングモールやネットスーパー、あるいは、通信、金融、不動産、スポーツ、旅行に関するサービスを含むことができる。ユーザ装置１１は、このようなウェブサービスを利用することにより、ユーザ装置１１のユーザに関する情報を情報処理装置１０に伝達することができる。例えば、ユーザ装置１１は、ユーザによるウェブサービスを通じたオンライン上の行動（オンライン行動）に関する情報（オンライン情報）を、情報処理装置１０へ伝達することができる。
また、ユーザ装置１１は、ＧＰＳ（Ｇｌｏｂａｌ Ｐｏｓｉｔｉｏｎｉｎｇ Ｓｙｓｔｅｍ）衛星（不図示）から受信される信号等に基づいて測位計算を行い、当該計算により得られた情報を、ユーザ装置１１の位置情報として生成し、情報処理装置１０へ伝達することができる。

【0021】

情報処理装置１０は、オンライン情報や位置情報をユーザ装置１１から取得し、当該情報に基づいて、任意のユーザのオフライン行動（例えば、当該ユーザが訪れうる場所の情報）を推定する。本実施形態では、情報処理装置１０は、ユーザ装置１１－１～１１－Ｎ（すなわち、ユーザ１～Ｎ）の位置情報を取得可能に構成され、ユーザ装置１１－ｕ（すなわち、ユーザｕ）の位置情報は取得していないものとする。本実施形態では、ユーザ１～Ｎを、位置情報を有するユーザと称し、ユーザｕを、位置情報を有さないユーザと称する場合がある。

【0022】

［情報処理装置１０の機能構成］
本実施形態による情報処理装置１０は、まず、ユーザ装置１１－１～１１－Ｎからオンライン情報と位置情報を取得する。情報処理装置１０は、当該オンライン情報と位置情報とを利用して、ユーザのオンライン行動の情報とオフライン行動の情報とを関係づけるための各種学習モデルを学習させる。そして、情報処理装置１０は、ユーザ装置１１－ｕから取得したオンライン情報と学習済みの各種学習モデルを用いた機械学習により、ユーザ装置１１－ｕのユーザｕのオフライン行動を推定する。オフライン行動は、例えば、ユーザが訪れると予想される場所（次に訪れうる場所）である。あるいは、オフライン行動は、ユーザが訪れると予測される場所に関連付けられたあらゆる行動であってもよい。例えば、ガソリンスタンド（場所）に関連付けられる行動として、自動車関連のお店へ行くことが含まれる。

【0023】

図２は、本実施形態による情報処理装置１０の機能構成の一例を示す。
図２に示す情報処理装置１０は、位置情報取得部１０１、オンライン情報取得部１０２、オンライン特徴生成部１０３、オフライン特徴推定部１０４、オンライン特徴推定部１０５、分類部１０６、学習部１０７、コンテンツ作成部１０８、出力部１０９、および学習モデル記憶部１１０を備える。学習モデル記憶部１１０は、オンライン特徴推定モデル１１１、オフライン特徴推定モデル１１２、分類モデル１１３を記憶している。当該各種学習モデルについては後述する。

【0024】

位置情報取得部１０１は、ユーザ装置１１－１～１１－Ｎのそれぞれのユーザ装置（位置情報を有するユーザ）から、当該ユーザ装置のユーザの位置情報を取得する。本実施形態において、当該位置情報は、一定時間の範囲におけるユーザ装置の位置の軌跡（トラックログ）、すなわち位置履歴情報を含むものとする。さらに、当該位置情報は、ユーザが訪れた（立ち寄った）場所に関する、場所関連情報を含むことができる。場所関連情報は、（１）訪れた場所のシーケンス（訪れた一連の場所）、（２）訪れた場所のカテゴリ、（３）訪れた場所の名前、（４）訪れた場所のタイプの情報を含みうる。当該場所関連情報のそれぞれは、後述する図３における、訪れた場所のシーケンス３３、訪れた場所のカテゴリ３４、訪れた場所の名前３５、訪れた場所のタイプ３６に対応する。なお、位置情報取得部１０１は、当該場所関連情報を、取得した位置情報から生成するように構成されてもよい。

【0025】

訪れた場所のシーケンス３３は、ユーザ装置の位置が一定時間動かず、ユーザが一定時間滞在したと考えられる１つ以上の場所の位置のシーケンスを示す。あるいは、訪れた場所のシーケンスは、ユーザの位置の軌跡から得られる複数のポイント位置のシーケンスであってもよい。

【0026】

訪れた場所のカテゴリ３４は、訪れた場所のシーケンス３３により得られる１つ以上の場所の位置と所与の地図情報等から導出される、訪れた場所のカテゴリであり、例えば、店舗、学校、病院、公園といった、場所の性質を区分する上での基本的な分類を示す。また、店舗のカテゴリはさらに細分化されてもよい。例えば、訪れた場所のカテゴリ３４は、コンビニエンスストア、ガソリンスタンド、ペット関連ショップといったカテゴリを示してもよい。

【0027】

訪れた場所の名前３５は、訪れた場所のシーケンス３３により得られる１つ以上の場所の位置と所与の地図情報等から導出される、訪れた場所の名前を示す。なお、訪れた場所の名前が、地図情報等から取得可能でない場合は、訪れた場所の名前３５は、無情報としてもよい。

【0028】

訪れた場所のタイプ３６は、訪れた場所のシーケンス３３により得られる１つ以上の場所のタイプに関するテキスト情報である。訪れた場所のタイプ３６は、例えば、訪れた場所のカテゴリ３４や訪れた場所の名前３５により導出することが可能であり、訪れた場所のカテゴリ３４よりも細分化された（下位層の）分類を示しうる。

【0029】

オンライン情報取得部１０２は、ユーザ装置１１－１～１１－Ｎのそれぞれのユーザ装置から、当該ユーザ装置のユーザのオンライン情報を取得する。オンライン情報は、前述のように、ユーザによるウェブサービスを通じたオンライン上の行動（オンライン行動）に関する情報を示す。本実施形態において、オンライン情報は（１）ウェブサービス利用履歴、（２）一般的なデモグラフィックデータ、（３）月当たりのログイン回数、（４）ユーザの興味の情報を含みうる。当該オンライン情報のそれぞれは、後述する図４や図７における、ウェブサービス利用履歴４２、デモグラフィックデータ４３、月当たりのログイン回数４４、ユーザの興味４５に対応する。

【0030】

ウェブサービス利用履歴４２は、ユーザによるウェブサイトの利用履歴の情報である。ウェブサービス利用履歴４２は、日付、ウェブサービスにおける購入履歴、エントリー履歴、ウェブサービスのサイトの閲覧時間（ユーザ装置１１における表示時間に対応）を含みうる。
デモグラフィックデータ４３は、ウェブサービスの利用のために登録されている、当該ユーザの性別、年齢、居住地域、職業、家族構成等の人口統計学的なユーザ属性を示す。
月当たりのログイン回数４４は、ウェブサービスに対する、ユーザによる月当たりのログイン回数を示す。
ユーザの興味４５は、ウェブサービスの利用のために登録されている、または、新たに登録されたユーザの興味に関する情報を示す。ユーザの興味４５は、ウェブサービス利用履歴４２に基づいて、情報処理装置１０またはユーザ装置１１により導出された情報であってもよい。

【0031】

オフライン特徴生成部１０３は、位置情報取得部１０１により取得された位置情報から、オフライン行動特徴ベクトルを生成する。オフライン行動特徴ベクトルは、前述のオフライン行動の特徴を表す特徴ベクトルである。オフライン行動特徴ベクトルの生成処理については、図３を用いて後述する。

【0032】

オンライン特徴推定部１０４は、オンライン情報取得部１０２により取得されたオンライン情報から、オンライン行動特徴ベクトルを推定して生成する。オンライン行動特徴ベクトルは、前述のオンライン行動の特徴を表す特徴ベクトルである。本実施形態では、オンライン特徴推定部１０４は、学習モデル記憶部１１０に格納されている、学習済みのオンライン特徴推定モデル１１１を用いて、オンライン行動特徴ベクトルを推定する。オンライン特徴推定モデル１１１については、図４を用いて後述する。

【0033】

オフライン特徴推定部１０５は、オンライン特徴推定部１０４により生成されたオンライン行動特徴ベクトルから、オフライン行動特徴ベクトルを推定して取得する。本実施形態では、オフライン特徴推定部１０５は、学習モデル記憶部１１０に格納されている、学習済みのオフライン特徴推定モデル１１２を用いて、オフライン行動特徴ベクトルを推定する。オフライン特徴推定モデル１１２については、図５を用いて後述する。

【0034】

分類部１０６は、オフライン特徴推定部１０５により推定されたオフライン行動特徴ベクトルを用いて、ユーザのオフライン行動に対応するラベルを推定して分類する。すなわち、分類部１０６は、ユーザのオフライン行動を推定する。本実施形態では、分類部１０６は、学習モデル記憶部１１０に記憶されている、学習済みの分類モデル１１３を用いて、ラベルを推定する。分類モデル１１３については、図６を用いて後述する。

【0035】

学習部１０７は、オンライン特徴推定モデル１１１、オフライン特徴推定モデル１１２、分類モデル１１３それぞれを学習（トレーニング）させ、学習済みのこれらの学習モデルを、学習モデル記憶部１１０に格納する。

【0036】

コンテンツ作成部１０８は、分類部１０６により推定されたラベルに対応する、推定されたユーザのオフライン行動に基づいて、当該オフライン行動に適したコンテンツを作成する。当該コンテンツは、有形のコンテンツであってもよいし、デジタルコンテンツといった無形のコンテンツであってもよい。例えば、コンテンツ作成部１０８は、当該オフライン行動に適した広告を作成することができる。

【0037】

出力部１０９は、分類部１０６により推定されたラベルやオフライン行動の情報や、コンテンツ作成部１０８により作成されたコンテンツを、出力する。当該出力は、あらゆる出力処理であり得、通信Ｉ／Ｆ（図８の通信Ｉ／Ｆ８７）を介した外部装置への出力であってもよいし、表示部（図８の表示部８６）への表示であってもよい。

【0038】

なお、位置情報取得部１０１とオンライン情報取得部１０２は、取得部として同一のモジュールで構成されてもよい。また、オンライン特徴推定部１０４と、オフライン特徴推定部１０５、および分類部１０６は、推定部として同一のモジュールで構成されてもよい。

【0039】

［学習部１０７による学習処理］
次に、本実施形態による学習部１０７による学習段階の処理（学習処理）について説明する。学習部１０７は、ユーザ装置１１－１～１１－Ｎから取得されたオンライン情報と位置情報に基づいて学習処理を行う。当該学習処理のためにまず、オフライン特徴生成部１０３が、オフライン行動特徴ベクトルを生成する。

【0040】

図３に、オフライン行動特徴ベクトル生成の手順を示す。図３に示すように、オフライン特徴生成部１０３は、まず、位置情報取得部１０１により取得されたユーザ装置１１－１～１１－Ｎの位置情報３１に含まれる（または位置情報から生成された）場所関連情報３２を取得する。そして、オフライン特徴生成部１０３は、場所関連情報３２に含まれる、訪れた場所のシーケンス３３、訪れた場所のカテゴリ３４、訪れた場所の名前３５、および訪れた場所のタイプ３６を連結して（連結３７）、特徴ベクトル空間上に埋め込み、オフライン行動特徴ベクトル３８を生成する。オフライン行動特徴ベクトル３８は、オフライン特徴推定モデル１１２を学習させる際の正解データとして用いられる。また、オフライン行動特徴ベクトル３８は、分類モデル１１３を学習させる際の入力データとして用いられる。

【0041】

続いて、学習部１０７は、オンライン特徴推定モデル１１１を学習させる。
図４に、オンライン特徴推定モデル１１１の概略アーキテクチャの例を示す。オンライン特徴推定モデル１１１は、ユーザのオンライン情報４１を入力して、オンライン行動特徴ベクトル４６を推定して出力するように構成される学習モデルである。学習部１０７は、ユーザのオンライン情報４１を入力して、オンライン行動特徴ベクトル４６を出力するように、オンライン特徴推定モデル１１１を学習させる。前述したように、本実施形態では、オンライン情報４１は、ウェブサービス利用履歴４２、デモグラフィックデータ４３、月当たりのログイン回数４４、ユーザの興味４５の情報を含む。オンライン特徴推定モデル１１１は、複数の畳み込み層を有して構成され、オンライン情報４１に対してニューラルネットワークを用いたオートエンコーダにおけるエンコーダネットワーク（エンコード部分）と同等の処理を行い、オンライン行動特徴ベクトル４６を出力する。

【0042】

学習段階において、学習部１０７は、ユーザ装置１１－１～１１－Ｎから取得されたオンライン情報４１を用いてオンライン特徴推定モデル１１１を学習させ、学習済みのオンライン特徴推定モデル１１１を生成する。
オンライン行動特徴ベクトル４６は、オフライン行動推定モデル１１２を学習させる際の入力データとして用いられる。

【0043】

次に、学習部１０７は、オフライン特徴推定モデル１１２を学習させる。
図５に、オフライン特徴推定モデル１１２の概略アーキテクチャの例を示す。オフライン特徴推定モデル１１２は、オフライン行動特徴ベクトルを入力して、オフライン行動特徴ベクトルを出力するように構成される学習モデルである。学習部１０７は、オフライン行動特徴ベクトルを入力して、オフライン行動特徴ベクトルを出力するように、オフライン特徴推定モデル１１２を学習させる。オフライン特徴推定モデル１１２は、例えば、層と層の間で線形変換（Ｌｉｎｅａｒ ｔｒａｎｓｆｏｒｍａｔｉｏｎ）が行われるニューラルネットワーク（エンコーダ・デコーダモデル）で構成されうる。

【0044】

学習段階において、学習部１０７は、入力データとしてのオンライン行動特徴ベクトル４６と、正解データとしてのオフライン行動特徴ベクトル３８（図３）を用いて、オフライン特徴推定モデル１１２を学習させ、学習済みのオフライン特徴推定モデル１１２を生成する。入力データとしてのオンライン行動特徴ベクトル４６は、ユーザ装置１１－１～１１－Ｎから取得されたオンライン情報４１から、オンライン特徴推定モデル１１１を用いて推定された特徴ベクトルである。このように、学習部１０７は、位置情報が既知のユーザについて、オンライン行動特徴ベクトルとオフライン行動特徴ベクトルとの関係を、オフライン特徴推定モデル１１２に学習させる。なお、オフライン特徴推定モデル１１２の学習手順はこれに限らず、他の方法によって定義されたオンライン行動特徴ベクトルとオフライン行動特徴ベクトルからなる教師データを用いて、オフライン特徴推定モデル１１２を学習させてもよい。

【0045】

次に、学習部１０７は、分類モデル１１３を学習させる。
図６に、分類モデル１１３の概略アーキテクチャの例を示す。分類モデル１１３は、オフライン行動特徴ベクトルから、当該オフライン行動に対応するラベルを分類する（オフライン行動を分類する）分類モデル（分類器）である。学習部１０７は、オフライン行動特徴ベクトルを入力して、オフライン行動を分類してオフライン行動を表す情報を出力するように、分類モデル１１３を学習させる。本実施形態において、各ラベルは、オフライン行動として、ユーザが訪れると予測される場所に対応する。

【0046】

学習段階において、学習部１０７は、入力データとしてのオフライン行動特徴ベクトル３８と、正解ラベル（正解データ）としてのオフライン行動を示す分類ラベル６１を用いて分類モデル１１３を学習させ、学習済みの分類モデル１１３を生成する。正解ラベルとしての分類ラベル６１は、オフライン行動特徴ベクトル３８を生成する際に用いた場所関連情報３２に含まれる、場所関連情報３２における訪れた場所のカテゴリ３３や訪れた場所の名前３４で示される場所の情報とする。すなわち、当該場所の情報が、次に訪れうる場所として設定される。分類ラベル６１は、複数の場所の情報であってもよいし、１つの場所の情報であってもよい。

【0047】

［オフライン行動推定処理］
続いて、位置情報のないユーザのオフライン行動を推定（推論）する処理について、図７を参照して説明する。図７は、位置情報のないユーザのオフライン行動の推定処理を説明するための模式図である。本実施形態では、情報処理装置１０が、ユーザ装置１１－１～１１－Ｎ（位置情報を有するユーザ）から取得された位置情報とオンライン情報を用いて学習された各種学習モデルを用いて、ユーザ装置１１－ｕから取得したオンライン情報に基づいてユーザｕ（位置情報を有さないユーザ）のオフライン行動を推定する。

【0048】

ユーザ装置１１－ｕからのオンライン情報７１は、オンライン情報取得部１０２により取得される。オンライン情報７１は、ユーザｕについてのウェブサービス利用履歴４２、デモグラフィックデータ４３、月当たりのログイン回数４４、ユーザの興味４５の情報を含む。オンライン特徴推定部１０４は、オンライン情報７１をオンライン特徴推定モデル１１１に適用することにより、オンライン行動特徴ベクトル７２を推定して生成する。
オンライン行動特徴ベクトル７２の生成後、オフライン特徴推定部１０５は、オンライン行動特徴ベクトル７２をオフライン特徴推定モデル１１２に適用することにより、オフライン行動特徴ベクトル７３を推定して取得する。
オフライン行動特徴ベクトル７３の生成後、分類部１０６は、オフライン行動特徴ベクトル７３を分類モデル１１３に適用して、ユーザｕのオフライン行動に対応するラベル（分類ラベル７４）を推定して分類する。これにより、分類部１０６は、ユーザｕのオフライン行動、すなわち、ユーザｕが訪れると予測される場所を推定することができる。

【0049】

［情報処理装置１０のハードウェア構成］
図８は、本実施形態による情報処理装置１０のハードウェア構成の一例を示すブロック図である。
本実施形態による情報処理装置１０は、単一または複数の、あらゆるコンピュータ、モバイルデバイス、または他のいかなる処理プラットフォーム上にも実装することができる。
図８を参照して、情報処理装置１０は、単一のコンピュータに実装される例が示されているが、本実施形態による情報処理装置１０は、複数のコンピュータを含むコンピュータシステムに実装されてよい。複数のコンピュータは、有線または無線のネットワークにより相互通信可能に接続されてよい。

【0050】

図８に示すように、情報処理装置１０は、ＣＰＵ８１と、ＲＯＭ８２と、ＲＡＭ８３と、ＨＤＤ８４と、入力部８５と、表示部８６と、通信Ｉ／Ｆ８７と、システムバス８８とを備えてよい。情報処理装置１０はまた、外部メモリを備えてよい。
ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）８１は、情報処理装置１０における動作を統括的に制御するものであり、データ伝送路であるシステムバス８８を介して、各構成部（８２～８７）を制御する。

【0051】

ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）８２は、ＣＰＵ８１が処理を実行するために必要な制御プログラム等を記憶する不揮発性メモリである。なお、当該プログラムは、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）８４、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）等の不揮発性メモリや着脱可能な記憶媒体（不図示）等の外部メモリに記憶されていてもよい。
ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）８３は、揮発性メモリであり、ＣＰＵ８１の主メモリ、ワークエリア等として機能する。すなわち、ＣＰＵ８１は、処理の実行に際してＲＯＭ８２から必要なプログラム等をＲＡＭ８３にロードし、当該プログラム等を実行することで各種の機能動作を実現する。

【0052】

ＨＤＤ８４は、例えば、ＣＰＵ８１がプログラムを用いた処理を行う際に必要な各種データや各種情報等を記憶している。また、ＨＤＤ８４には、例えば、ＣＰＵ８１がプログラム等を用いた処理を行うことにより得られた各種データや各種情報等が記憶される。
入力部８５は、キーボードやマウス等のポインティングデバイスにより構成される。
表示部８６は、液晶ディスプレイ（ＬＣＤ）等のモニターにより構成される。表示部８６は、入力部８５と組み合わせて構成されることにより、ＧＵＩ（Ｇｒａｐｈｉｃａｌ Ｕｓｅｒ Ｉｎｔｅｒｆａｃｅ）として機能してもよい。

【0053】

通信Ｉ／Ｆ８７は、情報処理装置１０と外部装置との通信を制御するインタフェースである。
通信Ｉ／Ｆ８７は、ネットワークとのインタフェースを提供し、ネットワークを介して、外部装置との通信を実行する。通信Ｉ／Ｆ８７を介して、外部装置との間で各種データや各種パラメータ等が送受信される。本実施形態では、通信Ｉ／Ｆ８７は、イーサネット（登録商標）等の通信規格に準拠する有線ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）や専用線を介した通信を実行してよい。ただし、本実施形態で利用可能なネットワークはこれに限定されず、無線ネットワークで構成されてもよい。この無線ネットワークは、Ｂｌｕｅｔｏｏｔｈ（登録商標）、ＺｉｇＢｅｅ（登録商標）、ＵＷＢ（Ｕｌｔｒａ Ｗｉｄｅ Ｂａｎｄ）等の無線ＰＡＮ（Ｐｅｒｓｏｎａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）を含む。また、Ｗｉ－Ｆｉ（Ｗｉｒｅｌｅｓｓ Ｆｉｄｅｌｉｔｙ）（登録商標）等の無線ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）や、ＷｉＭＡＸ（登録商標）等の無線ＭＡＮ（Ｍｅｔｒｏｐｏｌｉｔａｎ Ａｒｅａ Ｎｅｔｗｏｒｋ）を含む。さらに、ＬＴＥ／３Ｇ、４Ｇ、５Ｇ等の無線ＷＡＮ（Ｗｉｄｅ Ａｒｅａ Ｎｅｔｗｏｒｋ）を含む。なお、ネットワークは、各機器を相互に通信可能に接続し、通信が可能であればよく、通信の規格、規模、構成は上記に限定されない。

【0054】

図８に示す情報処理装置１０の各要素のうち少なくとも一部の機能は、ＣＰＵ８１がプログラムを実行することで実現することができる。ただし、図８に示す情報処理装置１０の各要素のうち少なくとも一部の機能が専用のハードウェアとして動作するようにしてもよい。この場合、専用のハードウェアは、ＣＰＵ８１の制御に基づいて動作する。

【0055】

［ユーザ装置１１のハードウェア構成］
図１に示すユーザ装置１１のハードウェア構成は、図８と同様でありうる。すなわち、ユーザ装置１０は、ＣＰＵ８１と、ＲＯＭ８２と、ＲＡＭ８３と、ＨＤＤ８４と、入力部８５と、表示部８６と、通信Ｉ／Ｆ８７と、システムバス８８とを備えうる。ユーザ装置１１は、情報処理装置１０により提供された各種情報を、表示部８６に表示し、ＧＵＩ（入力部８５と表示部８６による構成）を介してユーザから受け付ける入力操作に対応する処理を行うことができる。

【0056】

＜処理の流れ＞
図９に、本実施形態による情報処理装置１０により実行される処理のフローチャートを示す。図９に示す処理は、情報処理装置１０のＣＰＵ８１がＲＯＭ８２等に格納されたプログラムをＲＡＭ８３にロードして実行することによって実現されうる。図９の説明のために、図１に示した情報処理システムを参照する。学習部１０７により学習済みの、オンライン特徴推定モデル１１１、オフライン特徴推定モデル１１２、および分類モデル１１３は、学習モデル記憶部１１０に格納され、以下の処理で用いられるものとする。

【0057】

Ｓ９１において、オンライン情報取得部１０２は、対象ユーザのオンライン情報（図７のオンライン情報７１に対応）を取得する。本例において、対象ユーザを、図１に示すユーザｕ（ユーザ装置１１－ｕ）とする。前述のように、本実施形態において、オンライン情報７１には、ウェブサービス利用履歴４２、デモグラフィックデータ４３、月当たりのログイン回数４４、ユーザの興味４５の情報が含まれる。

【0058】

Ｓ９２において、オンライン特徴生成部１０３は、Ｓ９１で取得されたオンライン情報７１をオンライン特徴推定モデル１１１に適用して、ユーザｕのオンライン行動特徴ベクトル７２を生成する。

【0059】

Ｓ９３において、オフライン特徴推定部１０５は、Ｓ９２で生成されたユーザｕのオンライン行動特徴ベクトル７１をオフライン特徴推定モデル１１２に適用して、ユーザｕのオフライン行動特徴ベクトル７３を生成する。

【0060】

Ｓ９４において、分類部１０６は、Ｓ９３で生成されたユーザｕのオフライン行動特徴ベクトル７３を分類モデル１１３に適用して、分類ラベル７４を生成する。さらに分類部１０６は、生成された分類ラベル７４に対応する、ユーザｕのオフライン行動を推定（特定）する。

【0061】

Ｓ９５において、コンテンツ作成部１０８は、Ｓ９４で推定されたユーザｕのオフライン行動に基づいて、ユーザｕに適したコンテンツを作成する。例えば、コンテンツ作成部１０８は、ユーザｕのオフライン行動に適した広告を作成する。オフライン行動として推定された場所が、ガソリンスタンドの場合、コンテンツ作成部１０８は、ガソリンスタンドや、車関連の店舗やサービスの広告を作成してもよい。

【0062】

Ｓ９６において、出力部１０９は、Ｓ９４で推定されたユーザｕのオフライン行動に関する情報および／またはＳ９５で作成されたコンテンツの出力を行う。例えば、出力部１０９は、ユーザｕのオフライン行動に関する情報を外部装置（不図示）へ送信し、当該外部装置は、マーケティングに活用することができる。また、出力部１０９は、ユーザｕの特徴（属性）と類似した特徴を有する他のユーザにも、作成したコンテンツを送信してもよい。

【0063】

このように、上記に述べた実施形態によれば、情報処理装置１０は、複数のユーザから取得したオンライン情報を活用して、オフライン行動とオンライン行動との関係を導出する。そして、情報処理装置１０は、当該導出した関係を用いて、位置情報といったオフライン情報を有さないユーザに対して、推測されるオフライン行動を生成することができる。これにより、オフライン行動データを利用したマーケティングを展開することが可能となる。

【0064】

なお、上記において特定の実施形態が説明されているが、当該実施形態は単なる例示であり、本発明の範囲を限定する意図はない。本明細書に記載された装置及び方法は上記した以外の形態において具現化することができる。また、本発明の範囲から離れることなく、上記した実施形態に対して適宜、省略、置換及び変更をなすこともできる。かかる省略、置換及び変更をなした形態は、請求の範囲に記載されたもの及びこれらの均等物の範疇に含まれ、本発明の技術的範囲に属する。

【符号の説明】

【0065】

１～Ｎ；ｕ：ユーザ、１０：情報処理装置、１１－１～１１－Ｎ；１１－ｕ：ユーザ装置、１０１：位置情報取得部、１０２：オンライン情報取得部、１０３：オフライン特徴生成部、１０４：オンライン特徴推定部、１０５：オフライン特徴推定部、１０６：分類部、１０７：学習部、１０８：コンテンツ作成部、１０９：出力部、１１０：学習モデル記憶部、１１１：オンライン特徴推定モデル、１１２：オフライン特徴推定モデル、１１３：分類モデル

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】