ホーム > 特許ランキング > 楽天グループ株式会社
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】2024-12-09
(45)【発行日】2024-12-17
(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 30/0202 20230101AFI20241210BHJP
G06F 16/9035 20190101ALI20241210BHJP
【ＦＩ】
G06Q30/0202
G06F16/9035
【請求項の数】
6
(21)【出願番号】P 2022058400
(22)【出願日】2022-03-31
(65)【公開番号】P2023149688
(43)【公開日】2023-10-13
【審査請求日】2023-09-11
(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】平手 勇宇
(72)【発明者】
【氏名】ラーマン エムディ モスタフィズ
(72)【発明者】
【氏名】蛭子 ▲たく▼磨
(72)【発明者】
【氏名】コンダパカ マノゥチ
(72)【発明者】
【氏名】菊田 大輔
(72)【発明者】
【氏名】アブロール サティアン
(72)【発明者】
【氏名】ルメルシエ マクサンス
【審査官】谷川 智秀
(56)【参考文献】
【文献】特開２０１７－０９７７１７（ＪＰ，Ａ）
【文献】特開２０２１－１２０８７４（ＪＰ，Ａ）
【文献】特開２０１９－１９７４２２（ＪＰ，Ａ）
【文献】特開２０１０－０７３１９５（ＪＰ，Ａ）
【文献】清水 良太郎，ファッション系ＥＣサイトにおける多様な補助情報を有したグラフ構造の学習アルゴリズムに関する一考察，日本経営工学会 ２０２１年 春季大会 予稿集，日本経営工学会，2021年05月16日，pp.334-335
(58)【調査した分野】(Int.Cl.，ＤＢ名)
Ｇ０６Ｑ １０／００－９９／００
Ｇ０６Ｆ １６／９０３５
(57)【特許請求の範囲】
【請求項1】
複数のユーザにより使用される複数のユーザ装置から前記複数のユーザのユーザ特徴であって、ウェブサービスを通じた商品やサービスを含むアイテムに対する購入履歴、検索履歴、または閲覧履歴であるアイテムに関連する特徴を含むユーザ特徴を取得し、所定のデータベースから複数のアイテムのアイテム特徴を取得する取得手段と、
前記複数のユーザのユーザ特徴から、前記複数のユーザのうちのウェブサービスを通じて所与の商品やサービスの購入、利用、およびポジティブな評価のうちの少なくともいずれかを行ったユーザ群であるモデルユーザ群のユーザ特徴と、前記複数のユーザのうちの前記モデルユーザ群と異なるユーザ群である対象のユーザ群のユーザ特徴とを選択する選択手段と、
前記複数のユーザのユーザ特徴間の共通性を用いて、前記複数のユーザを表す複数のユーザノードをリンクで接続して、前記複数のユーザ間の関係を表すユーザ間関係グラフを構築するユーザ間グラフ構築手段と、
前記複数のアイテムのアイテム特徴間の関係性を用いて、前記複数のアイテムを表す複数のアイテムノードをリンクで接続して、前記複数のアイテム間の関係を表すアイテム間関係グラフを構築するアイテム間グラフ構築手段と、
前記複数のユーザのユーザ特徴のうちアイテムに関連する特徴を用いて、前記複数のユーザノードそれぞれと前記複数のアイテムノードをリンクで接続して、前記複数のユーザそれぞれと前記複数のアイテム間の関係を表すユーザ－アイテム間関係グラフを構築するユーザ－アイテム間グラフ構築手段と、
前記ユーザ間関係グラフ、前記アイテム間関係グラフ、および、前記ユーザ－アイテム間グラフにおいて、共通するユーザノードまたはアイテムノードを接続点として用いて、前記複数のユーザノードと前記複数のアイテムノードをリンクで接続することにより、前記複数のユーザノードと前記複数のアイテムノードにおける相互の関係を表すグラフを構築するグラフ構築手段と、
前記グラフを、ベクトル空間に埋め込み、前記ベクトル空間における各ノードおよび各リンクのベクトル表現を学習し、前記対象のユーザ群のそれぞれのユーザのユーザノードについての前記グラフにおけるベクトル表現を、ユーザ表現として生成する生成手段と、
前記ユーザ表現に基づいて、前記対象のユーザ群のうち、前記モデルユーザ群に含まれるユーザの特徴と類似した特徴を有する１以上のユーザを、類似ユーザ群として予測する予測手段と、を有し、
前記予測手段は、前記対象のユーザ群のユーザ特徴と前記ユーザ表現を入力とし、前記モデルユーザ群のユーザ特徴に類似したユーザ特徴を有する確率を出力するように構成された機械学習のための学習モデルを用いて、前記確率が所定の閾値より大きい１以上のユーザを前記類似ユーザ群として予測する、ことを特徴とする情報処理装置。
【請求項2】
前記アイテム特徴から、前記複数のアイテムの分類を設定する設定手段を更に有し、前記グラフ構築手段は、前記複数のユーザのユーザ特徴のうちアイテムに関連する特徴と、前記複数のアイテムのアイテム特徴と、前記複数のアイテムの分類とにおける相互の関係を表すグラフネットワークを、前記グラフとして構築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】
前記複数のアイテムの分類のそれぞれは、前記複数のアイテムそれぞれのブランド名である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】
前記類似ユーザ群に対して広告を配信する配信手段を更に有することを特徴とする請求項１から３のいずれか１項に記載の情報処理装置。
【請求項5】
情報処理装置により実行される情報処理方法であって、複数のユーザにより使用される複数のユーザ装置から前記複数のユーザのユーザ特徴であって、ウェブサービスを通じた商品やサービスを含むアイテムに対する購入履歴、検索履歴、または閲覧履歴であるアイテムに関連する特徴を含むユーザ特徴を取得し、所定のデータベースから複数のアイテムのアイテム特徴を取得する取得工程と、
前記複数のユーザのユーザ特徴から、前記複数のユーザのうちのウェブサービスを通じて所与の商品やサービスの購入、利用、およびポジティブな評価のうちの少なくともいずれかを行ったユーザ群であるモデルユーザ群のユーザ特徴と、前記複数のユーザのうちの前記モデルユーザ群と異なるユーザ群である対象のユーザ群のユーザ特徴とを選択する選択工程と、
前記複数のユーザのユーザ特徴間の共通性を用いて、前記複数のユーザを表す複数のユーザノードをリンクで接続して、前記複数のユーザ間の関係を表すユーザ間関係グラフを構築するユーザ間グラフ構築工程と、
前記複数のアイテムのアイテム特徴間の関係性を用いて、前記複数のアイテムを表す複数のアイテムノードをリンクで接続して、前記複数のアイテム間の関係を表すアイテム間関係グラフを構築するアイテム間グラフ構築工程と、
前記複数のユーザのユーザ特徴のうちアイテムに関連する特徴を用いて、前記複数のユーザノードそれぞれと前記複数のアイテムノードをリンクで接続して、前記複数のユーザそれぞれと前記複数のアイテム間の関係を表すユーザ－アイテム間関係グラフを構築するユーザ－アイテム間グラフ構築工程と、
前記ユーザ間関係グラフ、前記アイテム間関係グラフ、および、前記ユーザ－アイテム間グラフにおいて、共通するユーザノードまたはアイテムノードを接続点として用いて、前記複数のユーザノードと前記複数のアイテムノードをリンクで接続することにより、前記複数のユーザノードと前記複数のアイテムノードにおける相互の関係を表すグラフを構築するグラフ構築工程と、
前記グラフを、ベクトル空間に埋め込み、前記ベクトル空間における各ノードおよび各リンクのベクトル表現を学習し、前記対象のユーザ群のそれぞれのユーザのユーザノードについての前記グラフにおけるベクトル表現を、ユーザ表現として生成する生成工程と、
前記ユーザ表現に基づいて、前記対象のユーザ群のうち、前記モデルユーザ群に含まれるユーザの特徴と類似した特徴を有する１以上のユーザを、類似ユーザ群として予測する予測工程と、を有し、
前記予測工程では、前記対象のユーザ群のユーザ特徴と前記ユーザ表現を入力とし、前記モデルユーザ群のユーザ特徴に類似したユーザ特徴を有する確率を出力するように構成された機械学習のための学習モデルを用いて、前記確率が所定の閾値より大きい１以上のユーザを前記類似ユーザ群として予測する、ことを特徴とする情報処理方法。
【請求項6】
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、複数のユーザにより使用される複数のユーザ装置から前記複数のユーザのユーザ特徴であって、ウェブサービスを通じた商品やサービスを含むアイテムに対する購入履歴、検索履歴、または閲覧履歴であるアイテムに関連する特徴を含むユーザ特徴を取得し、所定のデータベースから複数のアイテムのアイテム特徴を取得する取得処理と、
前記複数のユーザのユーザ特徴から、前記複数のユーザのうちのウェブサービスを通じて所与の商品やサービスの購入、利用、およびポジティブな評価のうちの少なくともいずれかを行ったユーザ群であるモデルユーザ群のユーザ特徴と、前記複数のユーザのうちの前記モデルユーザ群と異なるユーザ群である対象のユーザ群のユーザ特徴とを選択する選択処理と、
前記複数のユーザのユーザ特徴間の共通性を用いて、前記複数のユーザを表す複数のユーザノードをリンクで接続して、前記複数のユーザ間の関係を表すユーザ間関係グラフを構築するユーザ間グラフ構築処理と、
前記複数のアイテムのアイテム特徴間の関係性を用いて、前記複数のアイテムを表す複数のアイテムノードをリンクで接続して、前記複数のアイテム間の関係を表すアイテム間関係グラフを構築するアイテム間グラフ構築処理と、
前記複数のユーザのユーザ特徴のうちアイテムに関連する特徴を用いて、前記複数のユーザノードそれぞれと前記複数のアイテムノードをリンクで接続して、前記複数のユーザそれぞれと前記複数のアイテム間の関係を表すユーザ－アイテム間関係グラフを構築するユーザ－アイテム間グラフ構築処理と、
前記ユーザ間関係グラフ、前記アイテム間関係グラフ、および、前記ユーザ－アイテム間グラフにおいて、共通するユーザノードまたはアイテムノードを接続点として用いて、前記複数のユーザノードと前記複数のアイテムノードをリンクで接続することにより、前記複数のユーザノードと前記複数のアイテムノードにおける相互の関係を表すグラフを構築するグラフ構築処理と、
前記グラフを、ベクトル空間に埋め込み、前記ベクトル空間における各ノードおよび各リンクのベクトル表現を学習し、前記対象のユーザ群のそれぞれのユーザのユーザノードについての前記グラフにおけるベクトル表現を、ユーザ表現として生成する生成処理と、
前記ユーザ表現に基づいて、前記対象のユーザ群のうち、前記モデルユーザ群に含まれるユーザの特徴と類似した特徴を有する１以上のユーザを、類似ユーザ群として予測する予測処理と、を含む処理を実行させるためのものであり、
前記予測処理は、前記対象のユーザ群のユーザ特徴と前記ユーザ表現を入力とし、前記モデルユーザ群のユーザ特徴に類似したユーザ特徴を有する確率を出力するように構成された機械学習のための学習モデルを用いて、前記確率が所定の閾値より大きい１以上のユーザを前記類似ユーザ群として予測することを含む、
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、広告提供に関連した技術に関する。
【背景技術】
【0002】
近年、インターネットを介した広告配信において、広告の配信対象のユーザ群の選定（ターゲティング）が行われている。ターゲティングの技術として、例えば、特許文献１に開示される技術が知られている。当該文献では、広告に対応する商品の購買履歴がない場合であっても、他の商品の購買履歴に基づき、当該広告に対応する商品を購入していると推定される消費者群を、広告配信対象として決定することが記載されている。
【先行技術文献】
【特許文献】
【0003】
【文献】特開２０１７－０９７７１７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による技術では、予め設定された複数の消費者グループに属する各消費者の消費行動に関する特徴を表すデータベースに基づいて、広告配信対象を決定している。しかしながら、当該技術では、消費者（ユーザ）の消費行動に影響を与えうる、複数のユーザおよび広告される複数のアイテムにおける関係性は考慮されておらず、効果的なターゲティングが実現されていないという課題があった。
【0005】
本発明は上記課題に鑑みてなされたものであり、複数のユーザおよび広告される複数のアイテムにおける関係性を考慮したターゲティングを実現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、複数のユーザから、モデルユーザ群と、当該モデルユーザ群と異なる対象のユーザ群とを選択する選択手段と、前記対象のユーザ群のそれぞれのユーザについて、前記複数のユーザと複数のアイテムとの関係を表すユーザ表現を生成する生成手段と、前記ユーザ表現に基づいて、前記対象のユーザ群のうち、前記モデルユーザ群に含まれるユーザと類似した特徴を有する１以上のユーザを類似ユーザ群として予測する予測手段と、を有する。
【0007】
前記情報処理装置は、前記複数のユーザそれぞれのユーザについての事実特徴をユーザ特徴として取得するユーザ特徴取得手段を更に有し、前記予測手段は、前記対象のユーザ群の前記ユーザ特徴と、前記ユーザ表現とから、前記類似ユーザ群を予測しうる。
【0008】
前記情報処理装置は、前記複数のユーザと前記複数のアイテムにおける相互の関係を表すグラフを構築する構築手段と、を更に有し、前記生成手段は、前記グラフから、前記ユーザ表現を生成しうる。
【0009】
前記情報処理装置は、複数のアイテムに関する特徴をアイテム特徴として取得するアイテム特徴取得手段と、を更に有し、前記構築手段は、前記複数のユーザの前記ユーザ特徴と、前記アイテム特徴とに基づいて、前記グラフを構築しうる。
【0010】
前記構築手段は、前記複数のユーザの前記ユーザ特徴と、前記アイテム特徴とに基づいて、前記複数のユーザ間の関係である第１関係、前記複数のアイテム間の関係である第２関係、および、前記複数のユーザと前記複数のアイテム間の関係である第３関係を構築し、前記第１関係、前記第２関係、および前記第３関係を用いて、前記グラフを構築しうる。
【0011】
前記情報処理装置は、前記アイテム特徴から、前記複数のアイテムの分類を表す複数のタスクを設定するタスク設定手段を更に有し、前記構築手段は、前記複数のユーザの前記ユーザ特徴と、前記アイテム特徴とに基づいて、前記複数のユーザ、前記複数のアイテム、および前記複数のタスクにおける相互の関係を表すグラフネットワークを、前記グラフとして構築しうる。
【0012】
前記複数のタスクのそれぞれは、前記複数のアイテムそれぞれのブランド名でありうる。
【0013】
前記予測手段は、前記対象のユーザ群の前記ユーザ特徴と前記ユーザ表現を入力とし、前記モデルユーザ群に含まれるユーザと類似した特徴を有する可能性を出力するように構成された機械学習のための学習モデルを用いて、前記類似ユーザ群を予測しうる。
【0014】
前記予測手段は、前記可能性が所定の閾値より大きい１以上のユーザを前記類似ユーザ群として予測しうる。
【0015】
前記情報処理装置は、前記類似ユーザ群に対して広告を配信する配信手段を更に有しうる。
【0016】
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、複数のユーザから、モデルユーザ群と、当該モデルユーザ群と異なる対象のユーザ群とを選択する選択工程と、前記対象のユーザ群のそれぞれのユーザについて、前記複数のユーザと複数のアイテムとの関係を表すユーザ表現を生成する生成工程と、前記ユーザ表現に基づいて、前記対象のユーザ群のうち、前記モデルユーザ群に含まれるユーザと類似した特徴を有する１以上のユーザを類似ユーザ群として予測する予測工程と、を有する。
【0017】
上記課題を解決するために、本発明によるプロプラムの一態様は、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、複数のユーザから、モデルユーザ群と、当該モデルユーザ群と異なる対象のユーザ群とを選択する選択処理と、前記対象のユーザ群のそれぞれのユーザについて、前記複数のユーザと複数のアイテムとの関係を表すユーザ表現を生成する生成処理と、前記ユーザ表現に基づいて、前記対象のユーザ群のうち、前記モデルユーザ群に含まれるユーザと類似した特徴を有する１以上のユーザを類似ユーザ群として予測する予測処理と、を含む処理を実行させるためのものである。
【発明の効果】
【0018】
本発明によれば、複数のユーザおよび広告される複数のアイテムにおける関係性を考慮したターゲティングが可能となる。
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。
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】
【0019】
【発明を実施するための形態】
【0020】
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。
【0021】
（第１実施形態）
［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）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。
［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）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。
【0022】
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。
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。
【0023】
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、オンライン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。
【0024】
例えば、ユーザ装置１１は、ユーザ装置１１のＩＰ（Ｉｎｔｅｒｎｅｔ Ｐｒｏｔｏｃｏｌ）アドレスや、ユーザの住所やユーザの氏名といった、ユーザ装置やユーザに関する特徴の情報を、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。
情報処理装置１０は、ユーザ装置１１から各種情報を取得し、所定のデータベースからアイテムに関する特徴を取得し、当該情報に基づいて、グラフネットワーク（グラフ）を作成する。本実施形態では、情報処理装置１０はグラフネットワークとして知識グラフを作成する。知識グラフは、現実世界での知識（ナレッジ）を、構造化された事実（ファクト）構造で表現した有向グラフである。本実施形態では、当該知識グラフは、ユーザ間関係（インタラクション）グラフ、アイテム間関係グラフ、および、ユーザ－アイテム間関係グラフから構成される。そして、情報処理装置１０は、当該知識グラフから、任意のユーザに対するユーザ表現（知識グラフなどの有向グラフにおけるユーザの特徴ベクトル、埋め込み表現、ベクトル表現）を抽出する。
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。
情報処理装置１０は、ユーザ装置１１から各種情報を取得し、所定のデータベースからアイテムに関する特徴を取得し、当該情報に基づいて、グラフネットワーク（グラフ）を作成する。本実施形態では、情報処理装置１０はグラフネットワークとして知識グラフを作成する。知識グラフは、現実世界での知識（ナレッジ）を、構造化された事実（ファクト）構造で表現した有向グラフである。本実施形態では、当該知識グラフは、ユーザ間関係（インタラクション）グラフ、アイテム間関係グラフ、および、ユーザ－アイテム間関係グラフから構成される。そして、情報処理装置１０は、当該知識グラフから、任意のユーザに対するユーザ表現（知識グラフなどの有向グラフにおけるユーザの特徴ベクトル、埋め込み表現、ベクトル表現）を抽出する。
【0025】
［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から各種ユーザ特徴を取得し、また、所定のデータベースから、アイテムに関する特徴を取得する。本実施形態において、アイテムとは、様々なサービスに関して提供可能な有形または無形のモノ（Ｔｈｉｎｇ）でありうる。例えば、金融（フィンテック）サービスに関しては、銀行口座、株式や投資信託や保険商品といった金融商品、暗号通貨、スマホアプリ決済等のアイテムが存在する。また、デジタルコンテンツサービスに関しては、映画やアニメといった動画コンテンツや、写真やイラストやテキストといった静止画コンテンツ等のアイテムが存在する。また、Ｅコマースサービスに関しては、ネットショッピングで扱う無形または有形の商品等のアイテムが存在する。また、トラベルサービスに関しては、ホテルやパックツアーや交通機関に関する情報や予約等のアイテムが存在する。また、モバイルサービスに関しては、モバイル機器、公衆網／インターネット接続、通信利用料金等のアイテムが存在する。また、広告およびメディアサービスに関しては、オフラインやオフラインの広告商品、ダイレクトメール、放送やインターネットを介した広告等のアイテムが存在する。また、カードサービスに関しては、クレジットカード決済やポイント取引等のアイテムが存在する。また、スポーツおよび文化サービスに関しては、スポーツイベントやコンサートといったイベントやイベントで販売される商品等のアイテムが存在する。
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から各種ユーザ特徴を取得し、また、所定のデータベースから、アイテムに関する特徴を取得する。本実施形態において、アイテムとは、様々なサービスに関して提供可能な有形または無形のモノ（Ｔｈｉｎｇ）でありうる。例えば、金融（フィンテック）サービスに関しては、銀行口座、株式や投資信託や保険商品といった金融商品、暗号通貨、スマホアプリ決済等のアイテムが存在する。また、デジタルコンテンツサービスに関しては、映画やアニメといった動画コンテンツや、写真やイラストやテキストといった静止画コンテンツ等のアイテムが存在する。また、Ｅコマースサービスに関しては、ネットショッピングで扱う無形または有形の商品等のアイテムが存在する。また、トラベルサービスに関しては、ホテルやパックツアーや交通機関に関する情報や予約等のアイテムが存在する。また、モバイルサービスに関しては、モバイル機器、公衆網／インターネット接続、通信利用料金等のアイテムが存在する。また、広告およびメディアサービスに関しては、オフラインやオフラインの広告商品、ダイレクトメール、放送やインターネットを介した広告等のアイテムが存在する。また、カードサービスに関しては、クレジットカード決済やポイント取引等のアイテムが存在する。また、スポーツおよび文化サービスに関しては、スポーツイベントやコンサートといったイベントやイベントで販売される商品等のアイテムが存在する。
【0026】
情報処理装置１０は、取得した特徴ユーザ特徴とアイテムから知識グラフを構築し、当該知識グラフから、任意のユーザに対するユーザ表現を抽出する。当該知識グラフは、後述するように、ユーザ間関係グラフ、アイテム間関係グラフ、および、ユーザ－アイテム間関係グラフから構成される。さらに、情報処理装置１０は、当該ユーザ表現を用いて、所定の（所与の）シードユーザ（モデルユーザ）と同様の特徴を有する（例えば、当該シードユーザと所定のアイテムを購入する可能性の高い）見込みユーザを予測する。
【0027】
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、ユーザ特徴取得部１０１、アイテム特徴取得部１０２、グラフ構築部１０３、表現抽出部１０４、見込みユーザ予測部１０５、学習部１０６、出力部１０７、学習モデル記憶部１１０、および特徴記憶部１２０を備える。学習モデル記憶部１１０は、見込みユーザ予測モデル１１１およびスコア予測モデル１１２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。また、特徴記憶部１２０は、ユーザ特徴１２１およびアイテム特徴１２２を記憶するように構成される。
図２に示す情報処理装置１０は、ユーザ特徴取得部１０１、アイテム特徴取得部１０２、グラフ構築部１０３、表現抽出部１０４、見込みユーザ予測部１０５、学習部１０６、出力部１０７、学習モデル記憶部１１０、および特徴記憶部１２０を備える。学習モデル記憶部１１０は、見込みユーザ予測モデル１１１およびスコア予測モデル１１２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。また、特徴記憶部１２０は、ユーザ特徴１２１およびアイテム特徴１２２を記憶するように構成される。
【0028】
ユーザ特徴取得部１０１は、ユーザ装置１１－１～１１－Ｎのそれぞれから、当該ユーザ装置やユーザについての事実特徴（事実情報）（以下、ユーザ特徴）を取得する。ユーザ特徴は、当該ユーザ装置やユーザから実際に、または、客観的に得られる、事実に基づく特徴（情報）である。ユーザ特徴取得部１０１は例えば、ユーザ装置１１から直接ユーザ特徴を取得することができる。また、ユーザ特徴取得部１０１は、ユーザ装置１１のユーザにより所定のウェブサービスに登録された情報として、ユーザ特徴を取得することができる。
【0029】
ユーザ特徴は、ユーザ装置のＩＰアドレス、ユーザの住所やユーザの氏名、ユーザが保持するクレジットカードの番号、ユーザのデモグラフィック情報（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）等を含む。また、ユーザ特徴は、所定のウェブサービス利用時における登録番号や登録名を含んでもよい。また、ユーザ特徴は、通話履歴、所定のウェブサービス利用時における商品のユーザの住所以外の配送先住所、所定のウェブサービス利用時の利用状況、利用履歴（購入履歴や販売履歴も含む）、検索履歴、閲覧履歴（クリック履歴を含む）、サービスの利用により貯めることが可能なポイントに関する情報を含んでもよい。このように、ユーザ特徴は、ユーザ装置またはユーザ自身に関連する情報や、通信を介した所定のサービス利用に関する情報を含む、あらゆる情報を含むことができる。
ユーザ特徴取得部１０１は、取得したユーザ特徴を、ユーザ特徴１２１として特徴記憶部１２０に記憶させる。
ユーザ特徴取得部１０１は、取得したユーザ特徴を、ユーザ特徴１２１として特徴記憶部１２０に記憶させる。
【0030】
アイテム特徴取得部１０２は、所定のデータベース（不図示）から、様々なウェブサービスにおける登録情報や取引履歴に基づく、アイテムの特徴（属性）を取得する。当該アイテムの特徴には、アイテムを識別する情報（以下、アイテムＩＤ）、当該アイテムのジャンル（上位分類）を識別する情報（以下、ジャンルＩＤ）、当該アイテムが販売されているショップを識別する情報（以下、ショップＩＤ）等が含まれる。アイテム特徴は、取引履歴に応じて、アイテムＩＤとジャンルＩＤ間、アイテムＩＤとショップＩＤ間の取引情報（取引回数等）も含むことができる。アイテム特徴取得部１０２は、取得したアイテムの特徴を、アイテム特徴１２２として特徴記憶部１２０に記憶させる。
【0031】
グラフ構築部１０３は、ユーザ特徴取得部１０１とアイテム特徴取得部１０２から取得した各種特徴に基づいて、知識グラフを構築する。当該知識グラフについては後述する。
【0032】
表現抽出部１０４は、グラフ構築部１０３により構築された知識グラフから、任意のユーザに対するユーザ表現を抽出する。また、表現抽出部１０４は、当該知識グラフから、任意のアイテムに対するアイテム表現を抽出してもよい。ユーザ表現（またはアイテム表現）の抽出処理については後述する。また、表現抽出部１０４は、構築された知識グラフにおける任意のノードにかかる埋め込み表現（ベクトル表現）を、例としてショップ表現やジャンル表現として、抽出してよい。
【0033】
見込みユーザ予測部１０５は、所定のシードユーザと同様の特徴を有すると予測されるユーザを、見込みユーザ（類似ユーザ）として予測する。当該シードユーザは、ウェブサービスを通じて所与の商品やサービスを購入および／または利用、および／または、当該ウェブサービスを通じて当該商品やサービスをポジティブに評価した１以上のユーザである。当該シードユーザは、ユーザ装置１１－１～１１－Ｎから選択および設定された１以上のユーザである。当該シードユーザは、見込みユーザ予想部１０５により選択および設定されうる。また、当該シードユーザは、操作者が入力部（図１２の入力部２０５）による入力操作により設定されてもよいし、予めシステムにおいて設定されていてもよいし、記憶部（図１１のＲＯＭ２０２やＲＡＭ２０３）に格納されている任意のプログラムによって設定されてもよい。本実施形態では、学習部１０６により学習済みの見込みユーザ予測モデル１１１を用いて、当該見込みユーザを予測する。当該見込みユーザの予測処理については後述する。
【0034】
学習部１０６は、見込みユーザ予測モデル１１１とスコア予測モデル１１２を学習（トレーニング）させ、学習済みの見込みユーザ予測モデル１１１とスコア予測モデル１１２を、学習モデル記憶部１１０に格納する。各学習モデルの学習処理については後述する。
【0035】
出力部１０７は、表現抽出部１０４により抽出されたユーザ表現や、見込みユーザ予測部１０５により予測された見込みユーザの情報を出力する。当該出力は、あらゆる出力処理であってよいし、通信Ｉ／Ｆ（図１１の通信Ｉ／Ｆ２０７）を介した外部装置への出力であってもよいし、表示部（図１１の表示部２０６）への表示であってもよい。
【0036】
［知識グラフの構築手順］
次に、本実施形態による知識グラフの作成手順について説明する。当該知識グラフは、ユーザ間関係グラフ、アイテム間関係グラフ、および、ユーザ－アイテム間関係グラフから構成される。図３に、本実施形態によるグラフ構築部１０３により実行される知識グラフの構築手順のフローチャートを示す。以下、まず、ユーザ間関係グラフ、アイテム間関係グラフ、および、ユーザ－アイテム間関係グラフそれぞれの作成手順（図３のＳ３０の処理に対応）を説明する。
次に、本実施形態による知識グラフの作成手順について説明する。当該知識グラフは、ユーザ間関係グラフ、アイテム間関係グラフ、および、ユーザ－アイテム間関係グラフから構成される。図３に、本実施形態によるグラフ構築部１０３により実行される知識グラフの構築手順のフローチャートを示す。以下、まず、ユーザ間関係グラフ、アイテム間関係グラフ、および、ユーザ－アイテム間関係グラフそれぞれの作成手順（図３のＳ３０の処理に対応）を説明する。
【0037】
（１）ユーザ間関係グラフの作成手順
ユーザ間関係グラフの作成手順について説明する。なお、以下の説明においてユーザＡ～Ｅは、説明のために参照するユーザであり、ユーザ装置１１のユーザでありうる。また、ユーザ間関係グラフは、図４Ａと図４Ｂにおいて丸で囲まれた各ユーザノード（ユーザの識別情報を有するノード）の接続で構成され、以下の説明では、当該ユーザノードを単にユーザと称する。以下、ユーザ間関係グラフについての、図３のＳ３０の処理の各工程について説明する。
ユーザ間関係グラフの作成手順について説明する。なお、以下の説明においてユーザＡ～Ｅは、説明のために参照するユーザであり、ユーザ装置１１のユーザでありうる。また、ユーザ間関係グラフは、図４Ａと図４Ｂにおいて丸で囲まれた各ユーザノード（ユーザの識別情報を有するノード）の接続で構成され、以下の説明では、当該ユーザノードを単にユーザと称する。以下、ユーザ間関係グラフについての、図３のＳ３０の処理の各工程について説明する。
【0038】
＜Ｓ３１：リンクの作成＞
Ｓ３１では、グラフ構築部１０３は、複数のユーザ間のリンクを予測して作成する。
リンクの作成処理について、図４Ａと図４Ｂを参照して説明する。図４Ａは、明示的リンクを説明するための図であり、図４Ｂは、暗示的リンクを説明するための図である。明示的リンクとは、２ユーザ間（ユーザペア）の明示的な共通の特徴により作成されるリンクである。暗示的リンクとは、ユーザペアの明示的な共通の特徴の存在は不明確であるものの、すでに作成されている明示的リンクを利用して、間接的な関係として作成されるリンクである。このように、ユーザ間のリンクは、明示的リンクと暗示的リンクで識別される。
Ｓ３１では、グラフ構築部１０３は、複数のユーザ間のリンクを予測して作成する。
リンクの作成処理について、図４Ａと図４Ｂを参照して説明する。図４Ａは、明示的リンクを説明するための図であり、図４Ｂは、暗示的リンクを説明するための図である。明示的リンクとは、２ユーザ間（ユーザペア）の明示的な共通の特徴により作成されるリンクである。暗示的リンクとは、ユーザペアの明示的な共通の特徴の存在は不明確であるものの、すでに作成されている明示的リンクを利用して、間接的な関係として作成されるリンクである。このように、ユーザ間のリンクは、明示的リンクと暗示的リンクで識別される。
【0039】
図４Ａに、ユーザのユーザ装置のＩＰアドレスを共通な特徴として用いて明示的リンクを作成する例を示す。図４Ａは、ユーザＡ～Ｃが利用可能なウェブサービスとして、オンラインモール４１、ゴルフ場予約サービス４２、旅行関連予約サービス４３、およびカード管理システム４４が存在する例を示す。図４Ａでは、これら４つのウェブサービスが示されているが、ウェブサービスの数は特定の数に限定されない。
【0040】
オンラインモール４１は、オンラインで（インターネットを使用して）利用可能なショッピングモールである。オンラインモール４１は、例えば、ファッション、書籍、食品、コンサートチケット、不動産といった多種多様な商品やサービスを提供することができる。
ゴルフ場予約サービス４２は、オンラインでゴルフ場に関するサービスを提供するウェブサイトで運営され、例えばゴルフ場の検索および予約やレッスン情報を提供することができる。
旅行関連予約サービス４３は、オンラインで利用可能な各種旅行サービスを提供するウェブサイトで運営される。旅行関連予約サービス４３は、例えば、ホテルやトラベルツアーの予約、航空券やレンタカーの予約、観光情報、ホテル、ホテル周辺の情報を提供することができる。
カード管理システム４４は、所定のカード管理会社により発行および管理されるクレジットカードに関するサービスを提供するウェブサイトで運営される。カード管理システム４４は、オンラインモール４１、ゴルフ場予約サービス４２、および旅行関連予約サービス４３の少なくともいずれかと関連して、サービスを提供してもよい。
ゴルフ場予約サービス４２は、オンラインでゴルフ場に関するサービスを提供するウェブサイトで運営され、例えばゴルフ場の検索および予約やレッスン情報を提供することができる。
旅行関連予約サービス４３は、オンラインで利用可能な各種旅行サービスを提供するウェブサイトで運営される。旅行関連予約サービス４３は、例えば、ホテルやトラベルツアーの予約、航空券やレンタカーの予約、観光情報、ホテル、ホテル周辺の情報を提供することができる。
カード管理システム４４は、所定のカード管理会社により発行および管理されるクレジットカードに関するサービスを提供するウェブサイトで運営される。カード管理システム４４は、オンラインモール４１、ゴルフ場予約サービス４２、および旅行関連予約サービス４３の少なくともいずれかと関連して、サービスを提供してもよい。
【0041】
図４Ａの例では、ユーザＡ～Ｃはそれぞれ、同じＩＰアドレス（＝１９８．４５．６６．ｘｘ）を用いて、オンラインモール４１、ゴルフ場予約サービス４２、旅行関連予約サービス４３を利用している。ＩＰアドレスの情報は、ユーザ特徴取得部１０１により取得されうる。
このような場合、グラフ構築部１０３は、ユーザＡ～Ｃは、リンク状態４５に示すように、同じＩＰアドレスの特徴で、明示的リンク（例えば、ユーザＡとユーザＣの間のリンクＬ１）を相互に作成する。明示的リンクは実線で表されている。
このような場合、グラフ構築部１０３は、ユーザＡ～Ｃは、リンク状態４５に示すように、同じＩＰアドレスの特徴で、明示的リンク（例えば、ユーザＡとユーザＣの間のリンクＬ１）を相互に作成する。明示的リンクは実線で表されている。
【0042】
図４Ａのほか、共通の特徴として、ユーザの住所の特徴や、ユーザが使用するクレジットカード番号の特徴等を共通な特徴として用いて、明示的リンクを作成することができる。
【0043】
図４Ｂに、ユーザ間に暗示的リンクを作成する例を示す。図４Ｂの例では、ユーザＡに対して、ユーザＣ、ユーザＤ、ユーザＥが明示的リンクで接続され、ユーザＢに対して、ユーザＣ、ユーザＤ、ユーザＥが明示的リンクで接続されている。このようなリンク特徴（リンク間の関係を示す特徴）を、共通の特徴空間へ埋め込み、各ユーザ（各ノード）間で暗黙的に関係性が構築されるとして推論されたリンクが、暗示的リンクとして作成（確立）される。図４Ｂの例では、ユーザＡとユーザＢは、明示的リンクで接続されていないが、共通の特徴空間で関係性を有すると推論された結果、破線で示す暗示的リンクＬ２が作成されている。なお、グラフ構築部１０３は、明示的リンクで接続されたノード（ユーザ）で構成されるユーザ間関係グラフの学習（表現学習、関係学習、埋込学習、知識グラフ埋め込み）を行うことで、ユーザ間の暗示的リンクを予測し作成する。このとき、グラフ構築部１０３は、既知の埋め込みモデルまたはその拡張に適宜、基づき、当該学習を行ってよい。
【0044】
＜Ｓ３２：リンク間の関係性の推論＞
Ｓ３２では、グラフ構築部１０３は、Ｓ３１で予測および作成されたリンク間の関係性を推論する。リンク間の関係性の推論処理について、図５を参照して説明する。図５は、リンク間の関係性の推論処理を説明するための図であり、明示的リンクで接続されたユーザＡとユーザＢ間のリンクの関係性を推論する例を示す。
Ｓ３２では、グラフ構築部１０３は、Ｓ３１で予測および作成されたリンク間の関係性を推論する。リンク間の関係性の推論処理について、図５を参照して説明する。図５は、リンク間の関係性の推論処理を説明するための図であり、明示的リンクで接続されたユーザＡとユーザＢ間のリンクの関係性を推論する例を示す。
【0045】
グラフ構築部１０３は、Ｓ３１で作成されたリンクで接続されたユーザのペアをデータポイントとして扱い、ユーザ特徴取得部１０１により取得された各種情報を用いて、当該ペア（データポイント）を、共通のタイプを表すクラスタにグループ化する。当該各種情報は、ＩＰアドレス、住所、クレジットカード、年齢、性別、友人といった情報でありうる。また、各クラスタは、配偶者、親子、近所の人、同じ世帯、同僚、友達、同性別きょうだい、異性別きょうだい等の関係を持つクラスタでありうる。図５の例では、ユーザのペアをバツ印で示し、当該ペアがグループ化されうるクラスタとして、親子クラスタ５１、配偶者クラスタ５２、同性別きょうだいクラスタ５３、友人クラスタ５４、同僚クラスタを示す。なお、図５では５つのクラスタを示すが、クラスタの数は特定の数に限定されない。
【0046】
例えば、グラフ構築部１０３は、ユーザＡとユーザＢが、同じ名字、年齢差が１０歳未満、逆の性別、同じ住所、という特徴５０を有する（共有する）場合、グラフ構築部１０３は、ユーザＡとユーザＢのペアを、夫と妻（配偶者）の関係を表すクラスタ（配偶者クラスタ５２）にグループ化することができる。
【0047】
＜Ｓ３３：関係の近さに基づくスコア割り当て＞
Ｓ３３では、グラフ構築部１０３は、Ｓ３２で推論されたペアに対する関係の近さに基づくスコアを予測し、当該スコアを当該ペアに割り当てる。本実施形態において、スコアは、０～１の間の数値であるが、スコアが取りうる数値に特定の限定はない。図６Ａに、ユーザペアの関係の近さに基づくスコア（以下、近さスコア）の概念図を示す。
Ｓ３３では、グラフ構築部１０３は、Ｓ３２で推論されたペアに対する関係の近さに基づくスコアを予測し、当該スコアを当該ペアに割り当てる。本実施形態において、スコアは、０～１の間の数値であるが、スコアが取りうる数値に特定の限定はない。図６Ａに、ユーザペアの関係の近さに基づくスコア（以下、近さスコア）の概念図を示す。
【0048】
図６Ａの例では、明示的リンクで接続されたユーザＡとユーザＢが有する（共有する）特徴によって、当該ユーザペア間の関係の近さが変化する。図６Ａの上部では、ユーザＡからユーザＢの関係が、同性別きょうだい、同じ住所、１２００回の通話履歴、５０回のギフトのやり取り、という特徴６０を有する場合、当該ユーザペア間の関係の近さ（すなわち、近さスコア）は高くなる。一方、図６Ａの下部では、ユーザＡからユーザＢの関係が、同性別きょうだい、異なる住所、３０回の通話履歴、２回のギフトのやり取り、というという特徴６１を有する場合、当該ユーザペア間の関係の近さ（すなわち、近さスコア）は低くなる。このように、図６Ａの例のように、同性別きょうだいであるユーザＡとユーザＢであっても、当該ユーザのペアで共有される他の特徴により、当該ペアの関係の近さは異なるものとなる。関係の近さの高いペアは、互いの社会的距離が近く、高い影響を有することが観察される。一方、関係の近さの低いペアは、互いの社会的距離が遠く、近しい関係にないことが観察される。
【0049】
本実施形態では、ユーザペアに対する近さスコアを、スコア予測モデル１１２を用いて予測する。図６Ｂに、スコア予測モデル１１２の概略アーキテクチャを示す。スコア予測モデル１１２は、ユーザペアの特徴６３を入力として、当該特徴６３に対する近さスコア６４を予測する学習モデルである。
【0050】
スコア予測モデル１１２は例えば、弱教師付き学習（Ｗｅａｋ Ｓｕｐｅｒｖｉｓｅｄ Ｌｅａｒｎｉｎｇ）を行う学習モデルであり、例えば、畳み込みニューラルネットワーク（ＣＮＮ）による学習モデルである。本実施形態では、スコア予測モデル１１２は、図６Ａに示したような、ユーザペアに対する複数の特徴に対して付された近さスコア（０～１）を教師データとして学習された学習モデルとする。例えば、学習段階では、教師データとしては、図６Ａの特徴６０に設定された１に近い近さスコアと、特徴６１に設定された０に近い近さスコアといった組み合わせデータが使用される。当該学習処理は学習部１０８により実施される。
【0051】
なお、本実施形態では、ユーザペアに対する近さスコアを、スコア予測モデル１１２を用いて予測したが、グラフ構築部１０３は、他の手法により、当該スコアを予測するように構成されてもよい。
【0052】
以上の処理により、複数のユーザ間で明示的リンクまたは暗示的リンクが形成され、各リンク間では近さスコアが割り当てられ、ユーザ間関係グラフが作成される。ユーザ間関係グラフの概念図を図６Ｃに示す。各ユーザのペアに対しては上記のように予測された近さスコアが割り当てられる。
【0053】
（２）アイテム間関係グラフの作成手順
次に、アイテム間関係グラフの作成手順について説明する。ユーザ間関係グラフの作成手順と同様に、グラフ構築部１０３は、図３におけるＳ３０の関係グラフの作成処理のフローチャートに従って、アイテム間関係グラフを作成する。なお、アイテム間関係グラフの作成では、Ｓ３２の工程は行われない。
次に、アイテム間関係グラフの作成手順について説明する。ユーザ間関係グラフの作成手順と同様に、グラフ構築部１０３は、図３におけるＳ３０の関係グラフの作成処理のフローチャートに従って、アイテム間関係グラフを作成する。なお、アイテム間関係グラフの作成では、Ｓ３２の工程は行われない。
【0054】
＜Ｓ３１：リンクの作成＞
Ｓ３１では、グラフ構築部１０３は、特徴記憶部１２０に記憶されているアイテム特徴１２２に基づいて、複数のアイテム間のリンクを作成する。前述したように、本実施形態による当該アイテム特徴は、アイテムＩＤ、ジャンルＩＤ、およびショップＩＤを含む。すなわち、１つのアイテムＩＤに、少なくとも１つのジャンルＩＤおよび／またはショップＩＤが関連付けられている。なお、ジャンルＩＤやショップＩＤはそれぞれ、階層的に構成されてもよい。例えば、ジャンルが階層的に構成され、それぞれがジャンルＩＤを有してもよい。また、アイテム特徴は、アイテムＩＤ、ジャンルＩＤ、およびショップＩＤに限らず、アイテムのブランド、色、プロパティに関する情報といった他の情報（属性）を含んでもよい。
Ｓ３１では、グラフ構築部１０３は、特徴記憶部１２０に記憶されているアイテム特徴１２２に基づいて、複数のアイテム間のリンクを作成する。前述したように、本実施形態による当該アイテム特徴は、アイテムＩＤ、ジャンルＩＤ、およびショップＩＤを含む。すなわち、１つのアイテムＩＤに、少なくとも１つのジャンルＩＤおよび／またはショップＩＤが関連付けられている。なお、ジャンルＩＤやショップＩＤはそれぞれ、階層的に構成されてもよい。例えば、ジャンルが階層的に構成され、それぞれがジャンルＩＤを有してもよい。また、アイテム特徴は、アイテムＩＤ、ジャンルＩＤ、およびショップＩＤに限らず、アイテムのブランド、色、プロパティに関する情報といった他の情報（属性）を含んでもよい。
【0055】
グラフ構築部１０３は、任意のアイテムＩＤに関連付けられるジャンルＩＤやショップＩＤを、当該アイテムＩＤとリンクさせる。図７に、アイテム間関係グラフの概念図を示す。アイテム間関係グラフは、図７において丸で囲まれたアイテムＩＤ、ジャンルＩＤ、またはショップＩＤを示す各ノードの接続で構成され、以下の説明では、当該ノードを単にアイテム、ジャンル、またはショップと称する。
【0056】
図７において、アイテム特徴から接続されるリンクは明示的リンクであり、実線で示される（例えば、アイテムＡとショップＡとの間のリンクＬ１）。また、アイテム間の色やプロパティが類似している場合（類似度が所定の閾値より高い場合）、アイテム間を明示的リンクで接続することができる（例えば、アイテムＡとアイテムＢとの間のリンク）。一方、例えば、同じショップにおいて異なるアイテムが販売されている場合もある。図７において、アイテムＡとアイテムＣは、いずれもショップＡで販売されていることから、ショップＡにリンクされている。このことから、グラフ構築部１０３は、アイテムＡとアイテムＣを、破線で示す暗示的リンクで接続することができる（図７の例では、アイテムＡとアイテムＣの間のリンクＬ２）。なお、グラフ構築部１０３は、明示的リンクで接続されたノード（ユーザ）で構成されるアイテム間関係グラフの学習（表現学習、関係学習、埋込学習、知識グラフ埋め込み）を行うことで、アイテム間の暗示的リンクを予測し作成する。このとき、グラフ構築部１０３は、既知の埋め込みモデルまたはその拡張に適宜、基づき、当該学習を行ってよい。
【0057】
＜Ｓ３３：関係の近さに基づくスコア割り当て＞
Ｓ３３では、グラフ構築部１０３は、Ｓ３１で作成されたリンクにおける各ペアに対する関係の近さに基づくスコア（近さスコア）を予測し、当該スコアを当該ペアに割り当てる。図７において、例えば、ジャンルＡのうち、アイテムＢよりアイテムＡがよく売れる（よく取引される）場合、アイテムＡとジャンルＡのペアに高いスコアが割り当てられる。また、アイテムＡについて、ジャンルＡに属する確率が高いと判定される場合、アイテムＡとジャンルＡのペアに当該確率に基づくスコアが高く割り当てられる。また、任意のアイテム間の類似度がより高い場合、当該アイテムのペアに高いスコアが割り当てられる。
Ｓ３３では、グラフ構築部１０３は、Ｓ３１で作成されたリンクにおける各ペアに対する関係の近さに基づくスコア（近さスコア）を予測し、当該スコアを当該ペアに割り当てる。図７において、例えば、ジャンルＡのうち、アイテムＢよりアイテムＡがよく売れる（よく取引される）場合、アイテムＡとジャンルＡのペアに高いスコアが割り当てられる。また、アイテムＡについて、ジャンルＡに属する確率が高いと判定される場合、アイテムＡとジャンルＡのペアに当該確率に基づくスコアが高く割り当てられる。また、任意のアイテム間の類似度がより高い場合、当該アイテムのペアに高いスコアが割り当てられる。
【0058】
グラフ構築部１０３は、各ペアに対する近さスコアを、前述のスコア予測モデル１１２を用いて予測してもよい。スコア予測モデル１１２を用いる場合、アイテム、ジャンル、ショップのうちの任意のペアに対する取引回数や、アイテム間の類似度の特徴に対して付された近さスコア（０～１）を教師データとして学習される（図６Ｂ参照）。例えば、学習段階では、教師データとしては、取引回数が多い、または、類似度が高いという特徴に設定された１に近い近さスコアと、取引回数が少ない、または、類似度が低いという特徴に設定された０に近い近さスコアといった組み合わせデータが使用される。当該学習処理は学習部１０８により実施される。スコア割り当てにより、図６Ｃに示すユーザ間関係グラフと同様に、各ペア間に対する数値としてスコアを表すことができる。
【0059】
（２）ユーザ－アイテム間関係グラフの作成手順
次に、ユーザ－アイテム間関係グラフの作成手順について説明する。ユーザ間関係グラフの作成手順と同様に、グラフ構築部１０３は、図３におけるＳ３０関係グラフの作成処理のフローチャートに従って、ユーザ－アイテム間関係グラフを作成する。なお、ユーザ－アイテム間関係グラフの作成では、Ｓ３２の工程は行われない。
次に、ユーザ－アイテム間関係グラフの作成手順について説明する。ユーザ間関係グラフの作成手順と同様に、グラフ構築部１０３は、図３におけるＳ３０関係グラフの作成処理のフローチャートに従って、ユーザ－アイテム間関係グラフを作成する。なお、ユーザ－アイテム間関係グラフの作成では、Ｓ３２の工程は行われない。
【0060】
＜Ｓ３１：リンクの作成＞
Ｓ３１では、グラフ構築部１０３は、特徴記憶部１２０に記憶されているユーザ特徴１２１に基づいて、任意のユーザと１以上のアイテム間のリンクを作成する。まず、グラフ構築部１０３は、特徴記憶部１２０に記憶されているユーザ特徴１２１から、各ユーザの購入履歴、検索履歴、または閲覧履歴（クリック履歴を含む）といった、各ユーザに対するアイテムに関連するユーザ特徴を取得する。グラフ構築部１０３は、各ユーザに対する当該アイテムに関連するユーザ特徴を用いて、各ユーザについての、ユーザ－アイテム間関係グラフを作成する。
Ｓ３１では、グラフ構築部１０３は、特徴記憶部１２０に記憶されているユーザ特徴１２１に基づいて、任意のユーザと１以上のアイテム間のリンクを作成する。まず、グラフ構築部１０３は、特徴記憶部１２０に記憶されているユーザ特徴１２１から、各ユーザの購入履歴、検索履歴、または閲覧履歴（クリック履歴を含む）といった、各ユーザに対するアイテムに関連するユーザ特徴を取得する。グラフ構築部１０３は、各ユーザに対する当該アイテムに関連するユーザ特徴を用いて、各ユーザについての、ユーザ－アイテム間関係グラフを作成する。
【0061】
図８に、ユーザ－アイテム間関係グラフの概念図を示す。アイテム間関係グラフは、図７において丸で囲まれたユーザノードとアイテムＩＤを示すノードの接続で構成され、以下の説明では、当該ユーザノードとアイテムＩＤを示すノードを単にユーザとアイテムと称する。
【0062】
図８において、ユーザＡによるアイテムＡのクリック履歴から、ユーザＡとアイテムＡがリンクされる。当該アイテムＡのクリック履歴は、アイテムＡに関する所定の画面領域（例えば、ボタン、写真、アイコン等）をクリックしたことを含む。また、ユーザＡによるアイテムＢの購入履歴から、ユーザＡとアイテムＢがリンクされる。また、ユーザＡによるアイテムＣの販売履歴から、ユーザＡとアイテムＣがリンクされる。なお、図８では、ユーザＡと各アイテム間は明示的リンクで接続されているが、ユーザＡによる任意のアイテムへの間接的な接続を、暗示的リンクで表してもよい。また、ユーザへのアイテムに関する広告配信履歴から、ユーザとアイテムがリンクされてよい。なお、グラフ構築部１０３は、明示的リンクで接続されたノード（ユーザ）で構成されるユーザ－アイテム間関係グラフの学習（表現学習、関係学習、埋込学習、知識グラフ埋め込み）を行うことで、ユーザ－アイテム間の暗示的リンクを予測し作成する。このとき、グラフ構築部１０３は、既知の埋め込みモデルまたはその拡張に適宜、基づき、当該学習を行ってよい。
【0063】
＜Ｓ３３：関係の近さに基づくスコア割り当て＞
Ｓ３３では、グラフ構築部１０３は、Ｓ３１で作成されたリンクにおける各ペアに対する関係の近さに基づくスコア（近さスコア）を予測し、当該スコアを当該ペアに割り当てる。グラフ構築部１０３は、上述のクリック履歴、購入履歴、販売履歴および広告配信履歴などのアイテムの取引に関連する履歴に基づき、ユーザとアイテムのペアに関する近さスコアを予測してよい。例えば、ユーザが任意のアイテムをクリックしたのみの場合より、当該アイテムを実際に購入した場合に、ユーザとアイテムの距離がより近いといえる。よって、図８の例では、ユーザＡとアイテムＡのペアより、ユーザＡとアイテムＢのペアに高いスコアが割り当てられる。また、ユーザがアイテムを販売することは、クリック動作よりも関係が近いと考えられ、図８の例では、ユーザＡとアイテムＡのペアより、ユーザＡとアイテムＣのペアに高いスコアが割り当てられる。また、例えば、ユーザにアイテムに関する広告が複数に亘って配信されたにも関わらず、アイテムに関するクリックや購入がなされなかった場合に、ユーザとアイテムのペアに低いスコアが割り当てられてよい。
Ｓ３３では、グラフ構築部１０３は、Ｓ３１で作成されたリンクにおける各ペアに対する関係の近さに基づくスコア（近さスコア）を予測し、当該スコアを当該ペアに割り当てる。グラフ構築部１０３は、上述のクリック履歴、購入履歴、販売履歴および広告配信履歴などのアイテムの取引に関連する履歴に基づき、ユーザとアイテムのペアに関する近さスコアを予測してよい。例えば、ユーザが任意のアイテムをクリックしたのみの場合より、当該アイテムを実際に購入した場合に、ユーザとアイテムの距離がより近いといえる。よって、図８の例では、ユーザＡとアイテムＡのペアより、ユーザＡとアイテムＢのペアに高いスコアが割り当てられる。また、ユーザがアイテムを販売することは、クリック動作よりも関係が近いと考えられ、図８の例では、ユーザＡとアイテムＡのペアより、ユーザＡとアイテムＣのペアに高いスコアが割り当てられる。また、例えば、ユーザにアイテムに関する広告が複数に亘って配信されたにも関わらず、アイテムに関するクリックや購入がなされなかった場合に、ユーザとアイテムのペアに低いスコアが割り当てられてよい。
【0064】
グラフ構築部１０３は、各ペアに対する近さスコアを、前述のスコア予測モデル１１２を用いて予測してもよい。スコア予測モデル１１２を用いる場合、ユーザとアイテムのペアに対する特徴に対して付された近さスコア（０～１）を教師データとして学習される（図６Ｂ参照）。例えば、学習段階では、教師データとしては、購入という特徴に設定された１に近い近さスコアと、クリックという特徴に設定された０に近い近さスコアといった組み合わせデータが使用される。当該学習処理は学習部１０８により実施される。スコア割り当てにより、図６Ｃに示すユーザ間関係グラフと同様に、各ペア間に対する数値としてスコアを表すことができる。
【0065】
なお、図８では、ユーザとアイテムのペアとしてユーザ－アイテム間関係グラフを定義したが、ユーザが特定のアイテムに対して、クリック、購入、または販売の履歴がある場合は、ユーザとジャンル（ジャンルＩＤ）のペアがリンクされる。そして、当該ペアで共有される特徴に対して近さスコアが割り当てられる。
【0066】
（４）全体の知識グラフの構築手順
上記の（１）～（３）の手順により、ユーザ間関係グラフ、ユーザ－アイテム間関係グラフ、および、アイテム間関係グラフが作成された後、図３のＳ３４において、グラフ構築部１０３は、これらのグラフを連結して、全体の知識グラフを構築（作成）する。図９の上部に、知識グラフの概念図（知識グラフ９０）を示す。グラフ構築部１０３は、作成したユーザ間関係グラフ、ユーザ－アイテム間関係グラフ、および、アイテム間関係グラフにおいて、共通するノードを接続点として用いて、全グラフを接続する。続いて、グラフ構築部１０３は、重複するリンク等を削除するなどして整理し、知識グラフを構築する。図９には示されていないが、各ノード（ユーザ、アイテム、ジャンル等）間に、ノード間の近さを示す近さスコアが表されている。なお、当該近さスコアは、矢印の長さで表してもよい。また、図９には示されていないが、各ユーザは、ユーザ特徴を含む、または、ユーザ特徴がノードとして接続されている。なお、ユーザ、アイテム、ジャンルなどのノードは知識グラフにおけるエンティティ（ヘッドエンティティまたはテイルエンティティ）に相当し、ペアおよびリンクはリレーションに相当する。
上記の（１）～（３）の手順により、ユーザ間関係グラフ、ユーザ－アイテム間関係グラフ、および、アイテム間関係グラフが作成された後、図３のＳ３４において、グラフ構築部１０３は、これらのグラフを連結して、全体の知識グラフを構築（作成）する。図９の上部に、知識グラフの概念図（知識グラフ９０）を示す。グラフ構築部１０３は、作成したユーザ間関係グラフ、ユーザ－アイテム間関係グラフ、および、アイテム間関係グラフにおいて、共通するノードを接続点として用いて、全グラフを接続する。続いて、グラフ構築部１０３は、重複するリンク等を削除するなどして整理し、知識グラフを構築する。図９には示されていないが、各ノード（ユーザ、アイテム、ジャンル等）間に、ノード間の近さを示す近さスコアが表されている。なお、当該近さスコアは、矢印の長さで表してもよい。また、図９には示されていないが、各ユーザは、ユーザ特徴を含む、または、ユーザ特徴がノードとして接続されている。なお、ユーザ、アイテム、ジャンルなどのノードは知識グラフにおけるエンティティ（ヘッドエンティティまたはテイルエンティティ）に相当し、ペアおよびリンクはリレーションに相当する。
【0067】
グラフ構築部１０３は、明示的リンクで接続されたノードと明示的リンクとからなるファクトベースのユーザ間関係グラフ、アイテム間関係グラフおよびユーザ－アイテム間関係グラフを連結して全体の知識グラフを構築してよい。また、グラフ構築部１０３は、明示的リンクで接続されたノードと明示的リンクとからなるファクトベースのユーザ関係グラフ、アイテム間関係グラフおよびユーザ－アイテム間関係グラフのうち一部の関係グラフと、明示的リンクで接続されたノードと明示的リンクと暗示的リンクで接続されたノードと暗示的リンクとからなるユーザ間関係グラフ、アイテム間関係グラフおよびユーザ－アイテム間関係グラフのうち残りの関係グラフと、を連結して全体の知識グラフを構築してよい。つまり、全体の知識グラフは、ユーザ間関係グラフ、アイテム間関係グラフおよびユーザ－アイテム間関係グラフの少なくとも１つの暗示的リンクを含まなくてもよい。また、グラフ構築部１０３は、作成した知識グラフの特徴空間（ベクトル空間）への埋め込むことで、ノード間の暗示的リンクを予測し作成してもよい。すなわち、グラフ構築部１０３は、明示的リンクのみから構成された知識グラフから、暗示的リンクを予測し、作成してもよい。なお、ユーザ表現などのエンティティの埋め込み表現（ベクトル表現）の抽出（取得）は、ユーザ間関係グラフ、アイテム間関係グラフおよびユーザ－アイテム間関係グラフの少なくとも１つの暗示的リンクを含まない全体の知識グラフに基づき行われてもよい。
【0068】
［ユーザ表現の抽出手順］
次に、本実施形態によるユーザ表現の抽出手順について説明する。表現抽出部１０４は、グラフ構築部１０３により構築された知識グラフから、任意のユーザについてのユーザ表現を抽出する。具体的には、表現抽出部１０４は、当該知識グラフを特徴空間（ベクトル空間）に埋め込み、当該特徴空間における各ノード（エンティティ）および各リンク（リレーション）の埋め込み表現（ベクトル表現）を学習する。表現抽出部１０４は、知識グラフの学習（表現学習、関係学習、埋込学習）を行い、任意のユーザの埋め込み表現（低次元のベクトル表現）を、ユーザ表現（ユーザの特徴ベクトル）として抽出する（取得する）。
次に、本実施形態によるユーザ表現の抽出手順について説明する。表現抽出部１０４は、グラフ構築部１０３により構築された知識グラフから、任意のユーザについてのユーザ表現を抽出する。具体的には、表現抽出部１０４は、当該知識グラフを特徴空間（ベクトル空間）に埋め込み、当該特徴空間における各ノード（エンティティ）および各リンク（リレーション）の埋め込み表現（ベクトル表現）を学習する。表現抽出部１０４は、知識グラフの学習（表現学習、関係学習、埋込学習）を行い、任意のユーザの埋め込み表現（低次元のベクトル表現）を、ユーザ表現（ユーザの特徴ベクトル）として抽出する（取得する）。
【0069】
表現抽出部１０４は、知識グラフの学習（埋め込み）に用いられる埋め込みモデルとして、ＴｒａｎｓＥ、ＴｒａｎｓＤ、ＲｏｔａｔＥなどのエンティティのベクトル表現間の距離に基づき学習を行うＴｒａｎｓｌａｔｉｏｎ－ｂａｓｅｄモデルを採用してよい。また、表現抽出部１０４は、ＴｒａｎｓＨ、ＴｒａｎｓＲ、ＳＴｒａｎｓＥなどのエンティティのベクトル表現を、リレーション毎に異なるベクトル空間へ写像し学習を行うＥｍｂｅｄｄｉｎｇ－ｐｒｏｊｅｃｔｉｏｎモデルを採用してよい。また、表現抽出部１０４は、ＣｏｍｐｌＥｘなどのベクトル表現の複素数空間への変換を利用して学習を行うモデルを採用してよい。また、表現抽出部１０４は、ＣｏｎｖＥ、ＣｏｎｖＲ、Ｒ－ＧＣＮなどの畳み込みニューラルネットワーク（ＮＮ）を含むＮＮを利用して学習を行うモデルを採用してよい。また、表現抽出部１０４は、Ｋｎｏｗｌｅｄｇｅ Ｇｒａｐｈ Ａｔｔｅｎｔｉｏｎ Ｎｅｔｗｏｒｋ（ＫＧＡＴ）などのアテンション機構を利用するモデルを採用してよく、ＴｏｒｕｓＥなど、既知のモデルまたはその拡張を適宜、採用してよい。なお、表現抽出部１０４は、知識グラフの学習に際して適宜、正則化（Ｌ１正則化やＬ２正則化等）を用いてよい。
【0070】
当該ユーザ表現には、各ノードの特徴およびノード間（ペア、リンク）に割り当てられた近さスコアが反映されうる。このとき、表現抽出部１０４は、ノード間の近さスコアに基づきノード間のリンク（リレーション）にかかるベクトル表現に重み付けをしながら、各ノードおよび各リンクのベクトル表現の学習（知識グラフの埋め込み）を行ってよい。また、表現抽出部１０４は、近さスコアが所定の閾値を超える、または、下回るリンクおよび当該リンクを介して接続されるノードのそれぞれのベクトル表現を、重点的または限定的に学習し、任意のユーザなどのエンティティのベクトル表現を抽出してよい。このとき、ノードは、少なくとも任意のユーザなどのエンティティと対応するノードを含む。また、表現抽出部１０４は、任意のユーザなどのエンティティと対応するノードのＮ次近傍（Ｎ＞１）における各ノードおよび各リンクのベクトル表現を、重点的または限定的に学習し、任意のユーザなどのエンティティのベクトル表現を抽出してよい。このように、学習を行う対象を、近さスコアに応じてスクリーニングすることにより、計算負荷を低減すること可能となる。
【0071】
図９の下部に、ユーザＡについて抽出されたユーザ表現（ノード表現）の概念図（ユーザ表現９１）を示す。ユーザ表現９１において、ユーザＡに暗示的または明示的リンクで接続される、１つ以上のユーザ、アイテム、ジャンル、ショップ等にかかる情報が、１つのユーザ表現に反映される。当該ユーザ表現にはまた、ユーザＡに対する各ノード（アイテム、ジャンル等）の近さスコアも表現されうる。すなわち、ユーザＡのユーザ表現は、ユーザＡと各ノードとの関係性の近さが反映された隣接表現に相当しうる。
なお、表現抽出部１０４は、グラフ構築部１０３により構築された知識グラフから、任意のアイテムについてのアイテム表現（ノード表現）を抽出してもよい。
なお、表現抽出部１０４は、グラフ構築部１０３により構築された知識グラフから、任意のアイテムについてのアイテム表現（ノード表現）を抽出してもよい。
【0072】
［見込みユーザの予測処理］
次に、本実施形態による見込みユーザの予測処理について説明する。見込みユーザ予測モデル１１１は、シードユーザと同様の特徴を有するユーザを、見込みユーザとして予測する学習モデルである。シードユーザは、ウェブサービスを通じて所与の商品やサービスを購入および／または利用、および／または、当該ウェブサービスを通じて当該商品やサービスをポジティブに評価したユーザである。
次に、本実施形態による見込みユーザの予測処理について説明する。見込みユーザ予測モデル１１１は、シードユーザと同様の特徴を有するユーザを、見込みユーザとして予測する学習モデルである。シードユーザは、ウェブサービスを通じて所与の商品やサービスを購入および／または利用、および／または、当該ウェブサービスを通じて当該商品やサービスをポジティブに評価したユーザである。
【0073】
見込みユーザ予測モデル１１１は、例えば、ＸＧＢｏｏｓｔをベースにした機械学習のための学習モデルである。学習段階では、学習部１０６は、シードユーザ（ポジティブユーザ）のユーザ特徴と、当該シードユーザ以外のユーザ（ネガティブユーザ）のユーザ特徴、およびこれらのユーザのユーザ表現を用いて、見込みユーザ予測モデル１１１を学習させる。ユーザ特徴は、ベースとなるユーザ特徴であり、当該ウェブサービスでの購買履歴（商品のジャンルやタイプの情報等）を含む。当該デモグラフィック情報と当該購買履歴はそれぞれ、複数の細分化された特徴を含みうる。なお、当該ユーザ特徴は、デモグラフィック情報や購買履歴に限らず、ポイント状況（利用可能なポイント等）、ポイント特徴（オンラインまたはオフラインショップから獲得した／使用したポイントといったポイント取引に関する情報等）等、他の特徴を含んでもよい。
【0074】
学習部１０６は、グリッドサーチおよびクロスバリデーションにより、ハイパーパラメータ（見込みユーザ予測モデル１１１の挙動を制御するパラメータ）の検証およびチューニング（調整）を行う。見込みユーザ予測モデル１１１は、ＸＧＢｏｏｓｔはツリー（決定木）ベースのモデルであるため、入力データ（ユーザ特徴）がモデルの出力にどのように影響するかを示す結果を生成することができる。これにより、例えば、シードユーザは、どのユーザ特徴（細分化された特徴の組み合わせ）等に、より影響しているのかを検証することが可能となる。
【0075】
学習された見込みユーザ予測モデル１１１は、任意のユーザに対して、シードユーザと類似したユーザ特徴を有する可能性（見込みユーザの可能性）を出力するように構成される。当該可能性は、例えば、最大可能性を１として、０～１の数値で表される。ここで、例えば閾値を０．５と設定すると、見込みユーザ予測部１０５は、０．５より大きい可能性を有するユーザを、見込みユーザ（すなわち、シードユーザと同様の特徴を有する潜在的ユーザ）と予測（決定）することができる。なお、シードユーザは複数であってもよく、その場合、見込みユーザ予測部１０５は当該複数のシードユーザ（シードユーザ群（モデルユーザ群））に含まれるユーザと類似したユーザ特徴を有するユーザを、見込みユーザとして予測することができる。
【0076】
本実施形態では、見込みユーザ予測部１０５は、任意のユーザについて、表現抽出部１０５により抽出されたユーザ表現と、ベースとなるユーザ特徴とを、見込みユーザ予測モデル１１１に入力して、当該任意のユーザが見込みユーザか否かを予測する。図１０に、本実施形態による、見込みユーザ予測処理を説明するための図を示す。ユーザＡを任意のユーザ（対象のユーザ）として設定されると、見込みユーザ予測部１０５は、ユーザＡのベースとなるユーザ特徴１００１と、表現抽出部１０４により抽出されたユーザ表現９１を、見込みユーザ予測モデル１１１に入力して、ユーザＡが見込みユーザか否かを予測する。具体的には、見込みユーザ予測部１０５は、ユーザＡのユーザ特徴１００１とユーザ表現９１から、ユーザＡがシードユーザと同様のユーザ特徴を有する可能性（見込みユーザの可能性１００２）を予測して出力する。
【0077】
［情報処理装置１０のハードウェア構成］
図１１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１１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。
図１１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１１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。
【0078】
図１１に示すように、情報処理装置１０は、ＣＰＵ２０１と、ＲＯＭ２０２と、ＲＡＭ２０３と、ＨＤＤ２０４と、入力部２０５と、表示部２０６と、通信Ｉ／Ｆ２０７と、システムバス２０８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）２０１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２０８を介して、各構成部（２０２～２０７）を制御する。
ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）２０１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２０８を介して、各構成部（２０２～２０７）を制御する。
【0079】
ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）２０２は、ＣＰＵ２０１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）２０４、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）２０３は、揮発性メモリであり、ＣＰＵ２０１の主メモリ、ワークエリア等として機能する。すなわち、ＣＰＵ２０１は、処理の実行に際してＲＯＭ２０２から必要なプログラム等をＲＡＭ２０３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。図２に示す学習モデル記憶部１１０と特徴記憶部１０２は、ＲＡＭ２０３で構成されうる。
ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）２０３は、揮発性メモリであり、ＣＰＵ２０１の主メモリ、ワークエリア等として機能する。すなわち、ＣＰＵ２０１は、処理の実行に際してＲＯＭ２０２から必要なプログラム等をＲＡＭ２０３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。図２に示す学習モデル記憶部１１０と特徴記憶部１０２は、ＲＡＭ２０３で構成されうる。
【0080】
ＨＤＤ２０４は、例えば、ＣＰＵ２０１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、ＨＤＤ２０４には、例えば、ＣＰＵ２０１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２０５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２０６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２０５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。
入力部２０５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２０６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２０５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。
【0081】
通信Ｉ／Ｆ２０７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／Ｆ２０７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／Ｆ２０７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／Ｆ２０７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。
通信Ｉ／Ｆ２０７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／Ｆ２０７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／Ｆ２０７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。
【0082】
図２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、ＣＰＵ２０１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２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、ＣＰＵ２０１の制御に基づいて動作する。
【0083】
［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１１と同様でありうる。すなわち、ユーザ装置１０は、ＣＰＵ２０１と、ＲＯＭ２０２と、ＲＡＭ２０３と、ＨＤＤ２０４と、入力部２０５と、表示部２０６と、通信Ｉ／Ｆ２０７と、システムバス２０８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２０６に表示し、ＧＵＩ（入力部２０５と表示部２０６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。
図１に示すユーザ装置１１のハードウェア構成は、図１１と同様でありうる。すなわち、ユーザ装置１０は、ＣＰＵ２０１と、ＲＯＭ２０２と、ＲＡＭ２０３と、ＨＤＤ２０４と、入力部２０５と、表示部２０６と、通信Ｉ／Ｆ２０７と、システムバス２０８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２０６に表示し、ＧＵＩ（入力部２０５と表示部２０６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。
【0084】
［処理の流れ］
図１２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１２に示す処理は、情報処理装置１０のＣＰＵ２０１がＲＯＭ２０２等に格納されたプログラムをＲＡＭ２０３にロードして実行することによって実現されうる。図１２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１０５により学習済みの、見込みユーザ予測モデル１１１およびスコア予測モデル１１２は、学習モデル記憶部１１０に格納されているものとする。
図１２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１２に示す処理は、情報処理装置１０のＣＰＵ２０１がＲＯＭ２０２等に格納されたプログラムをＲＡＭ２０３にロードして実行することによって実現されうる。図１２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１０５により学習済みの、見込みユーザ予測モデル１１１およびスコア予測モデル１１２は、学習モデル記憶部１１０に格納されているものとする。
【0085】
Ｓ１２０１において、ユーザ特徴取得部１０１は、ユーザ装置１１－１～１１－Ｎから、各ユーザのユーザ特徴を取得し、ユーザ特徴１２１として特徴記憶部１２０に格納する。また、アイテム特徴取得部１０２は、所定のデータベースから、様々なウェブサービスにおける登録情報や取引履歴に基づく、アイテムの特徴（属性）を取得し、アイテム特徴１２２として特徴記憶部１２０に格納する。Ｓ１２０１の処理は、過去の一定の期間におけるユーザ特徴やアイテム特徴の取得（収集）処理であってもよい。
【0086】
Ｓ１２０２において、グラフ構築部１０３は、知識ブラフを構築する。当該知識グラフの構築手順は、図３を参照して上述した通りである。
【0087】
Ｓ１２０３において、表現抽出部１０４は、Ｓ１２０２で作成された知識グラフから、任意のユーザに対するユーザ表現を抽出する。当該ユーザ表現の抽出手順は、図９を参照して上述した通りである。
【0088】
Ｓ１２０４において、見込みユーザ予測部１０５は、任意のユーザが、所定のシードユーザと同様の特徴を有する見込みユーザの可能性を予測する。本実施形態では、図１０に示したように、当該任意のユーザについて、当該ユーザのベースとなるユーザ特徴と、当該ユーザのユーザ表現を、見込みユーザ予測モデル１１１へ入力して、当該ユーザがシードユーザと同様の特徴を有する（見込みユーザの可能性）を予測して出力する。
【0089】
見込みユーザ予測部１０５はまた、ユーザ装置１１－１～１１－Ｎのうち、シードユーザ（もしくはシードユーザ群）以外の複数のユーザ（対象のユーザ群）を選択および設定してもよい。そして、見込みユーザ予測部１０５は、当該対象のユーザ群から、当該シードユーザと同様の特徴を有する見込みユーザを見込みユーザ群（類似ユーザ群）として予測することができる。この場合、見込みユーザ予測部１０５は、対象のユーザ群の各ユーザについて、当該ユーザのベースとなるユーザ特徴と、当該ユーザのユーザ表現を、見込みユーザ予測モデル１１１へ入力して、見込みユーザ群を予測する。また、シードユーザが複数である場合（シードユーザ群）、見込みユーザ予測部１０５は、当該対象のユーザ群から、当該シードユーザ群に含まれるユーザと類似したユーザ特徴を有するユーザを、見込みユーザ群として予測することができる。
【0090】
Ｓ１２０５において、出力部１０７は、Ｓ１２０４で予測された見込みユーザの可能性についての結果を出力する。例えば、複数のユーザに対して、Ｓ１２０３とＳ１２０４の処理が行われる場合、出力部１０７は、当該複数のユーザから予測された見込みユーザ群の情報に関する情報を生成して、外部装置（不図示）へ出力することができる。
【0091】
このように、本実施形態による情報処理装置は、複数のユーザのユーザ特徴と、複数のアイテムの特徴とから、ユーザ間関係グラフ、アイテム間関係グラフ、および、ユーザ－アイテム間関係グラフを作成し、当該各関係グラフを用いて、知識グラフを作成する。当該知識グラフは、任意のユーザについて、当該ユーザに関係する全ての他のユーザとアイテム（ジャンルやショップ等を含む）がリンクされており、プラットフォームビジネスへの活用が期待される。
【0092】
また、本実施形態による情報処理装置は、当該知識グラフから、任意のユーザについて、当該ユーザに関係する全ての他のユーザとアイテムを表現したユーザ表現を作成する。当該ユーザ表現は、あらゆる他のユーザおよびアイテムの特徴（属性）を、１ユーザに対して紐づけた表現である。すなわち、当該ユーザ表現は、任意のユーザについて、他のユーザやアイテム毎の個別の表現ではなく、他のユーザおよびアイテムとの複合的な関係を包含して構成された表現である。これにより、任意のユーザの、他のユーザおよびアイテムとの繋がりを、１つの表現として扱うことができ、当該ユーザ表現をプラットフォームビジネスに対する任意の予測処理に用いる場合に、演算処理量が減るという有利な効果が得られる。
【0093】
さらに、本実施形態による情報処理装置は、任意のユーザについての当該ユーザ表現およびユーザ特徴を用いて、当該ユーザが、所定のシードユーザと同様の特徴を有するか否か（見込みユーザの可能性）を予測する。当該ユーザ特徴だけでなく、当該ユーザ表現を用いることにより、ユーザの嗜好をより考慮した予測が可能となり、予測の精度が向上しうる。そして、予測により得られた見込みユーザの情報により、よりターゲットを絞ったマーケティングが可能となる。
【0094】
（第２実施形態）
次に、第２実施形態について説明する。本実施形態による情報処理システムは、第１実施形態と同様に、図１に示すように構成されうる。以下、第１実施形態と異なる点について説明し、同様の構成や特徴については説明を省略する。
次に、第２実施形態について説明する。本実施形態による情報処理システムは、第１実施形態と同様に、図１に示すように構成されうる。以下、第１実施形態と異なる点について説明し、同様の構成や特徴については説明を省略する。
【0095】
［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から各種ユーザ特徴を取得し、また、所定のデータベースから、アイテムに関する特徴を取得する。そして、情報処理装置１０は、取得した特徴から、グラフネットワーク（グラフ）としてグラフニューラルネットワーク（ＧＮＮ）を作成し、当該ＧＮＮから、任意のユーザに対するユーザ表現を抽出する。さらに、情報処理装置１０は、当該ユーザ表現を用いて、所定のシードユーザと同様のユーザ特徴を有する（例えば、当該シードユーザと所定のアイテムを購入する可能性の高い）見込みユーザを予測する。
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から各種ユーザ特徴を取得し、また、所定のデータベースから、アイテムに関する特徴を取得する。そして、情報処理装置１０は、取得した特徴から、グラフネットワーク（グラフ）としてグラフニューラルネットワーク（ＧＮＮ）を作成し、当該ＧＮＮから、任意のユーザに対するユーザ表現を抽出する。さらに、情報処理装置１０は、当該ユーザ表現を用いて、所定のシードユーザと同様のユーザ特徴を有する（例えば、当該シードユーザと所定のアイテムを購入する可能性の高い）見込みユーザを予測する。
【0096】
図１３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１３に示す情報処理装置１０は、ユーザ特徴取得部１０１、アイテム特徴取得部１０２、ＧＮＮ構築部１３０１、表現抽出部１３０２、見込みユーザ予測部１３０３、学習部１３０４、出力部１０７、学習モデル記憶部１１０、および特徴記憶部１２０を備える。学習モデル記憶部１１０は、見込みユーザ予測モデル１１３およびスコア予測モデル１１２を記憶している。また、特徴記憶部１２０は、ユーザ特徴１２１およびアイテム特徴１２２を記憶するように構成される。
図１３に示す情報処理装置１０は、ユーザ特徴取得部１０１、アイテム特徴取得部１０２、ＧＮＮ構築部１３０１、表現抽出部１３０２、見込みユーザ予測部１３０３、学習部１３０４、出力部１０７、学習モデル記憶部１１０、および特徴記憶部１２０を備える。学習モデル記憶部１１０は、見込みユーザ予測モデル１１３およびスコア予測モデル１１２を記憶している。また、特徴記憶部１２０は、ユーザ特徴１２１およびアイテム特徴１２２を記憶するように構成される。
【0097】
ＧＮＮ構築部１３０１は、ユーザ特徴とアイテム特徴とタスクに基づいて、ＧＮＮを作成する。ＧＮＮの構築手順については後述する。
表現抽出部１３０２は、ＧＮＮ構築部１３０１により構築されたＧＮＮから、任意のユーザに対するユーザ表現を抽出する。また、表現抽出部１３０２は、当該ＧＮＮから、任意のアイテムに対するアイテム表現を抽出してもよい。ユーザ表現（またはアイテム表現）の抽出処理については後述する。
表現抽出部１３０２は、ＧＮＮ構築部１３０１により構築されたＧＮＮから、任意のユーザに対するユーザ表現を抽出する。また、表現抽出部１３０２は、当該ＧＮＮから、任意のアイテムに対するアイテム表現を抽出してもよい。ユーザ表現（またはアイテム表現）の抽出処理については後述する。
【0098】
見込みユーザ予測部１３０３は、所定のシードユーザと同様の特徴を有すると予測されるユーザ群を、見込みユーザとして予測する。本実施形態では、学習部１０６により学習済みの見込みユーザ予測モデル１１３を用いて、当該見込みユーザを予測する。当該見込みユーザの予測処理については後述する。
【0099】
［ＧＮＮの構築手順］
次に、本実施形態によるＧＮＮの構築手順について説明する。図１４に、本実施形態によるＧＮＮ構築部１３０１により実行される知識グラフの構築手順のフローチャートを示す。まず、Ｓ１４０１において、ＧＮＮ構築部１３０１は、第１実施形態において説明した、ユーザ間関係グラフの作成手順に従い、ユーザ間関係グラフを作成する。また、ＧＮＮ構築部１３０１は、第１実施形態において説明した、アイテム間関係グラフの作成手順に従い、アイテム間関係グラフを作成する。
次に、本実施形態によるＧＮＮの構築手順について説明する。図１４に、本実施形態によるＧＮＮ構築部１３０１により実行される知識グラフの構築手順のフローチャートを示す。まず、Ｓ１４０１において、ＧＮＮ構築部１３０１は、第１実施形態において説明した、ユーザ間関係グラフの作成手順に従い、ユーザ間関係グラフを作成する。また、ＧＮＮ構築部１３０１は、第１実施形態において説明した、アイテム間関係グラフの作成手順に従い、アイテム間関係グラフを作成する。
【0100】
Ｓ１４０２において、ＧＮＮ構築部１３０１は、特徴記憶部１２０に記憶されているユーザ特徴１２１に基づいて、複数のユーザ（ユーザノード）と複数のアイテム（アイテムノード）の関係グラフ（ユーザ－アイテム間関係グラフ）を作成する。具体的には、まず、ＧＮＮ構築部１３０１は、特徴記憶部１２０に記憶されているユーザ特徴１２１から、各ユーザの購入履歴、検索履歴、または閲覧履歴（クリック履歴を含む）といった、各ユーザに対するアイテムに関連するユーザ特徴を取得する。続いて、ＧＮＮ構築部１３０１は、各ユーザに対する当該アイテムに関連するユーザ特徴を用いて、ユーザ－アイテム間関係グラフを作成する。例えば、ＧＮＮ構築部１３０１は、任意のユーザに対して購入履歴、検索履歴、または閲覧履歴がある１以上のアイテムに対して、エッジ（ノード間の関係、リレーション）を形成する。
【0101】
続いて、Ｓ１４０３において、ＧＮＮ構築部１３０１は、ユーザ－アイテム間関係グラフに含まれる複数のアイテムの分類を表す複数のタスク（タスクノード）を設定（定義）し、当該グラフに追加する。当該タスクは、マーケットのターゲットとする１つの分類であり、例えば、アイテムのブランド名や、アイテムが販売されている地域名、アイテムを扱う代理店名を示す情報でありうる。Ｓ１４０４において、ＧＮＮ構築部１３０１は、ＧＮＮを学習させ、ノード間のエッジを整理して、ＧＮＮを構築する。
【0102】
図１５の上部に、ＧＮＮの概念図（ＧＮＮ１５０）を示す。ＧＮＮ１５０では、複数のユーザノードと複数のアイテムノード間のエッジに加えて、複数のタスクノードのエッジが追加されている。ＧＮＮ構築部１３０１は、ユーザ特徴とアイテム特徴から、前記複数のユーザノードと前記複数のタスクノードの関係および、前記複数のアイテムノードと前記複数のタスクノードとの関係を取得し、当該取得した関係を用いて、ＧＮＮを学習させる。
【0103】
［ユーザ表現の抽出手順］
次に、本実施形態によるユーザ表現の抽出手順について説明する。表現抽出部１３０２は、ＧＮＮ構築部１３０１により構築されたＧＮＮから、任意のユーザについてのユーザ表現を抽出する。具体的には、表現抽出部１３０２は、当該ＧＮＮを共通の特徴空間（ベクトル空間）に埋め込み、当該特徴空間における各ノード（エンティティ）および各エッジ（リレーション）の埋め込み表現（ベクトル表現）を学習する。ＧＮＮが示すグラフネットワークの学習（表現学習、関係学習、埋込学習）を行い、任意のユーザの埋め込み表現（低次元のベクトル表現）を、ユーザ表現（ユーザの特徴ベクトル）として抽出する（取得する）。
次に、本実施形態によるユーザ表現の抽出手順について説明する。表現抽出部１３０２は、ＧＮＮ構築部１３０１により構築されたＧＮＮから、任意のユーザについてのユーザ表現を抽出する。具体的には、表現抽出部１３０２は、当該ＧＮＮを共通の特徴空間（ベクトル空間）に埋め込み、当該特徴空間における各ノード（エンティティ）および各エッジ（リレーション）の埋め込み表現（ベクトル表現）を学習する。ＧＮＮが示すグラフネットワークの学習（表現学習、関係学習、埋込学習）を行い、任意のユーザの埋め込み表現（低次元のベクトル表現）を、ユーザ表現（ユーザの特徴ベクトル）として抽出する（取得する）。
【0104】
図１５の下部に、ユーザＡについて抽出されたユーザ表現の概念図（ユーザ表現１５１）を示す。ユーザ表現１５１において、ユーザＡと関係性を有する１つ以上のユーザ、アイテム、ジャンル、ショップ等にかかる情報に加えて、タスク（例えばブランド名）にかかる情報が、１つのユーザ表現に反映される。
なお、表現抽出部１０４は、ＧＮＮ構築部１３０１により構築されたＧＮＮから、任意のアイテムについてのアイテム表現を抽出してもよい。
なお、表現抽出部１０４は、ＧＮＮ構築部１３０１により構築されたＧＮＮから、任意のアイテムについてのアイテム表現を抽出してもよい。
【0105】
［見込みユーザの予測処理］
次に、本実施形態による見込みユーザの予測処理について説明する。見込みユーザ予測モデル１１３は、シードユーザと同様の特徴を有するユーザを、見込みユーザとして予測する学習モデルである。シードユーザは、ウェブサービスを通じて所与の商品やサービスを購入および／または利用、および／または、当該ウェブサービスを通じて当該商品やサービスをポジティブに評価したユーザである。
次に、本実施形態による見込みユーザの予測処理について説明する。見込みユーザ予測モデル１１３は、シードユーザと同様の特徴を有するユーザを、見込みユーザとして予測する学習モデルである。シードユーザは、ウェブサービスを通じて所与の商品やサービスを購入および／または利用、および／または、当該ウェブサービスを通じて当該商品やサービスをポジティブに評価したユーザである。
【0106】
見込みユーザ予測モデル１１３は、例えば、ＸＧＢｏｏｓｔをベースにした学習モデルである。学習段階では、学習部１０６は、シードユーザのユーザ特徴と、当該シードユーザ以外のユーザ（ネガティブユーザ）のユーザ特徴、およびこれらのユーザのユーザ表現を用いて、見込みユーザ予測モデル１１３を学習させる。ユーザ特徴は、第１実施形態と同様に、ベースとなるユーザ特徴（デモグラフィック情報および購買履歴）でありうる。
【0107】
学習部１０６は、グリッドサーチおよびクロスバリデーションにより、ハイパーパラメータ（見込みユーザ予測モデル１１３の挙動を制御するパラメータ）の検証およびチューニング（調整）を行う。見込みユーザ予測モデル１１３は、ＸＧＢｏｏｓｔはツリー（決定木）ベースのモデルであるため、入力データ（ユーザ特徴）がモデルの出力にどのように影響するかを示す結果を生成することができる。これにより、例えば、シードユーザは、どのユーザ特徴（細分化された特徴の組み合わせ）等に、より影響しているのかを検証することが可能となる。
【0108】
学習された見込みユーザ予測モデル１１３は、任意のユーザに対して、シードユーザと同様のユーザ特徴を有する可能性（見込みユーザの可能性）を出力するように構成される。当該可能性は、例えば、最大可能性を１として、０～１の数値で表される。ここで、例えば閾値を０．５と設定すると、見込みユーザ予測部１３０３は、０．５より大きい可能性を有するユーザを、見込みユーザ（すなわち、シードユーザと同様の特徴を有する潜在的ユーザ）と予測（決定）することができる。
【0109】
本実施形態では、見込みユーザ予測部１３０３は、任意のユーザについて、表現抽出部１３０２により抽出されたユーザ表現と、ベースとなるユーザ特徴とを、見込みユーザ予測モデル１１３に入力して、当該任意のユーザが見込みユーザか否かを予測する。図１６に、本実施形態による、見込みユーザ予測処理を説明するための図を示す。ユーザＡを任意のユーザ（対象のユーザ）として設定されると、見込みユーザ予測部１３０３は、ユーザＡのベースとなるユーザ特徴１６０１と、表現抽出部１３０２により抽出されたユーザ表現１５１を、見込みユーザ予測モデル１１３に入力して、ユーザＡが見込みユーザか否かを予測する。具体的には、見込みユーザ予測部１３０３は、ユーザＡのユーザ特徴１６０１とユーザ表現１５１から、ユーザＡがシードユーザと同様のユーザ特徴を有する可能性（見込みユーザの可能性１６０２）を予測して出力する。
【0110】
［処理の流れ］
図１７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１７に示す処理は、情報処理装置１０のＣＰＵ２０１がＲＯＭ２０２等に格納されたプログラムをＲＡＭ２０３にロードして実行することによって実現されうる。図１７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１０５により学習済みの、見込みユーザ予測モデル１１３およびスコア予測モデル１１２は、学習モデル記憶部１１０に格納されているものとする。
図１７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１７に示す処理は、情報処理装置１０のＣＰＵ２０１がＲＯＭ２０２等に格納されたプログラムをＲＡＭ２０３にロードして実行することによって実現されうる。図１７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１０５により学習済みの、見込みユーザ予測モデル１１３およびスコア予測モデル１１２は、学習モデル記憶部１１０に格納されているものとする。
【0111】
【0112】
Ｓ１７０３において、表現抽出部１３０２は、Ｓ１７０２で作成されたＧＮＮから、任意のユーザに対するユーザ表現を抽出する。当該ユーザ表現の抽出手順は、図１６を参照して上述した通りである。
【0113】
Ｓ１７０４において、見込みユーザ予測部１３０３は、任意のユーザが、所定のシードユーザと同様の特徴を有する見込みユーザの可能性を予測する。本実施形態では、図１６に示したように、当該任意のユーザについて、当該ユーザのベースとなるユーザ特徴と、当該ユーザのユーザ表現を、見込みユーザ予測モデル１１３へ入力して、当該ユーザがシードユーザと同様の特徴を有する（見込みユーザの可能性）を予測して出力する。
【0114】
見込みユーザ予測部１３０３はまた、ユーザ装置１１－１～１１－Ｎのうち、シードユーザ（もしくはシードユーザ群）以外の複数のユーザ（対象のユーザ群）を選択および設定してもよい。そして、見込みユーザ予測部１３０３は、当該対象のユーザ群から、当該シードユーザと同様の特徴を有する見込みユーザを見込みユーザ群（類似ユーザ群）として予測することができる。この場合、見込みユーザ予測部１３０３は、対象のユーザ群の各ユーザについて、当該ユーザのベースとなるユーザ特徴と、当該ユーザのユーザ表現を、見込みユーザ予測モデル１１３へ入力して、見込みユーザ群を予測する。また、シードユーザが複数である場合（シードユーザ群）、見込みユーザ予測部１３０３は、当該対象のユーザ群から、当該シードユーザ群に含まれるユーザと類似したユーザ特徴を有するユーザを、見込みユーザ群として予測することができる。
【0115】
Ｓ１７０５において、出力部１０７は、Ｓ１７０４で予測された見込みユーザの可能性についての結果を出力する。例えば、複数のユーザに対して、Ｓ１７０３とＳ１７０４の処理が行われる場合、出力部１０７は、当該複数のユーザから予測された見込みユーザ群の情報に関する情報を生成して、外部装置（不図示）へ出力することができる。
【0116】
このように、本実施形態による情報処理装置は、複数のユーザのユーザ特徴と、複数のアイテムの特徴、および、アイテムの一つの分類として定義した複数のタスクから、ＧＮＮを作成する。当該ＧＮＮは、任意のユーザについて、当該ユーザに関係する全ての他のユーザとアイテム（ジャンルやショップ等を含む）、およびタスクがエッジで接続されており、プラットフォームビジネスへの活用が期待される。
【0117】
また、本実施形態による情報処理装置は、当該ＧＮＮから、任意のユーザについて、当該ユーザに関係する全ての他のユーザ、アイテム、およびタスクを表現したユーザ表現を作成する。当該ユーザ表現は、あらゆる他のユーザ、アイテムの特徴（属性）、およびタスクを、１ユーザに対して紐づけた表現である。すなわち、当該ユーザ表現は、任意のユーザについて、他のユーザやアイテム毎の個別の表現ではなく、他のユーザ、アイテム、およびタスクとの複合的な関係を包含して構成された表現である。これにより、任意のユーザの、他のユーザ、アイテム、およびタスクとの繋がりを、１つの表現として扱うことができ、当該ユーザ表現をプラットフォームビジネスに対する任意の予測処理に用いる場合に、演算処理量が減るという有利な効果が得られる。
【0118】
さらに、本実施形態による情報処理装置は、任意のユーザについての当該ユーザ表現およびユーザ特徴を用いて、当該ユーザが、所定のシードユーザと同様の特徴を有するか否か（見込みユーザの可能性）を予測する。当該ユーザ特徴だけでなく、タスクを含めた当該ユーザ表現を用いることにより、ユーザの嗜好をより考慮した予測が可能となり、予測の精度が向上しうる。そして、予測により得られた見込みユーザの情報により、よりターゲットを絞ったマーケティングが可能となる。例えば、タスクをブランド名に設定した場合、任意のユーザによるブランドの嗜好性が明確になり、当該ユーザに対しては、当該ブラントに絞ったマーケティングを展開することが可能となる。
【0119】
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】
【0120】
１～Ｎ：ユーザ、１０：情報処理装置、１１－１～１１－Ｎ：ユーザ装置、１０１：ユーザ特徴取得部、１０２：アイテム特徴取得部、１０３：グラフ構築部、１０４；１３０２：表現抽出部、１０５；１３０３：見込みユーザ予測部、１０６：学習部、１０７：出力部、１１０：学習モデル記憶部、１１１；１１３：見込みユーザ予測モデル、１１２：スコア予測モデル、１２０：特徴記憶部、１２１：ユーザ特徴、１２２：アイテム特徴、１３０１：ＧＮＮ構築部
【図1】
【図2】
【図3】
【図4A】
【図4B】
【図5】
【図6A】
【図6B】
【図6C】
【図7】
【図8】
【図9】
【図10】
【図11】
【図12】
【図13】
【図14】
【図15】
【図16】
【図17】