特許 7664585 機械学習装置、データ処理装置、推論装置、機械学習方法、データ処理方法、及び、推論方法

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】

(24)【登録日】2025-04-10

(45)【発行日】2025-04-18

(54)【発明の名称】機械学習装置、データ処理装置、推論装置、機械学習方法、データ処理方法、及び、推論方法

(51)【国際特許分類】

   G06N 20/00 20190101AFI20250411BHJP

   G06N 3/0895 20230101ALI20250411BHJP

   G06Q 50/10 20120101ALI20250411BHJP

【ＦＩ】

G06N20/00 130

G06N3/0895

G06Q50/10

【請求項の数】 12

(21)【出願番号】P 2021213643

(22)【出願日】2021-12-28

(65)【公開番号】P2023097496

(43)【公開日】2023-07-10

【審査請求日】2024-11-28

【早期審査対象出願】

(73)【特許権者】

【識別番号】512035815

【氏名又は名称】ＳＥＮＳＹ株式会社

(74)【代理人】

【識別番号】100214248

【弁理士】

【氏名又は名称】青山 純

(74)【代理人】

【識別番号】100214260

【弁理士】

【氏名又は名称】相羽 昌孝

(72)【発明者】

【氏名】渡辺 祐樹

(72)【発明者】

【氏名】渡辺 淳也

(72)【発明者】

【氏名】鈴木 直人

(72)【発明者】

【氏名】岡本 卓

【審査官】新井 則和

(56)【参考文献】

【文献】特開２０２０－０３５４０９（ＪＰ，Ａ）

【文献】国際公開第２０２０／１８３９７９（ＷＯ，Ａ１）

【文献】特開２０２１－１２１８８８（ＪＰ，Ａ）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ０６Ｎ ２０／００

Ｇ０６Ｎ ３／０８９５

Ｇ０６Ｑ ５０／１０

(57)【特許請求の範囲】

【請求項1】

１又は複数の観点に基づいて人物の行動を記録した人物データと、前記人物が前記行動を起こす動機となる要因を示す行動要因指標とで構成される学習用データを学習モデルに複数組入力することで、前記人物データと前記行動要因指標との相関関係を機械学習により前記学習モデルに学習させる機械学習部と、
前記機械学習部により前記相関関係を学習させた前記学習モデルを記憶する学習済みモデル記憶部と、を備え、
前記機械学習部は、
前記人物が前記行動要因指標に適合するか否かを、前記観点の少なくとも一部に基づく前記人物データに対して規定された判定規則に従って前記人物毎に判定し、その判定結果に基づいて前記人物データに前記行動要因指標を付与することで前記学習用データを生成する第１の生成処理部と、
前記第１の生成処理部により生成された前記学習用データを用いて、前記相関関係を前記学習モデルに学習させる第１の学習処理部と、
前記第１の学習処理部により前記相関関係を学習させた前記学習モデルに前記人物データを入力することで前記学習モデルから出力された前記行動要因指標に対して修正指示を受け付けて、その受付結果に基づいて前記人物データに前記行動要因指標を付与することで前記学習用データを生成する第２の生成処理部と、
少なくとも前記第２の生成処理部により生成された前記学習用データを用いて、前記相関関係を前記学習モデルに学習させる第２の学習処理部と、を備える、
機械学習装置。

【請求項2】

前記第２の生成処理部は、
前記第１の学習処理部により前記相関関係を学習させた前記学習モデルに前記人物データを入力することで前記学習モデルから出力された前記行動要因指標を前記人物データと対応付けて前記人物毎に表示させるとともに、その表示させた前記行動要因指標に対して前記修正指示を受け付ける、
請求項１に記載の機械学習装置。

【請求項3】

前記第２の生成処理部は、
前記第１の学習処理部により前記相関関係を学習させた前記学習モデルに前記人物デ
ータを入力することで前記学習モデルから出力された前記行動要因指標を前記人物データに対して所定の統計処理が行われた情報と対応付けて前記人物毎に表示させるとともに、その表示させた前記行動要因指標に対して前記修正指示を受け付ける、
請求項１に記載の機械学習装置。

【請求項4】

前記第２の生成処理部は、
前記第１の生成処理部により前記判定結果に基づいて前記人物データに付与された前記行動要因指標と、前記第１の学習処理部により前記相関関係を学習させた前記学習モデルに前記人物データを入力することで前記学習モデルから出力された前記行動要因指標とを前記人物データと対応付けて前記人物毎に表示させるとともに、その表示させた前記行動要因指標に対して前記修正指示を受け付ける、
請求項１に記載の機械学習装置。

【請求項5】

前記機械学習部は、
前記第２の学習処理部が前記相関関係を前記学習モデルに学習させたときに、所定の学習終了条件を満たさない場合には、
前記第２の生成処理部が、前記第１の学習処理部に代えて前記第２の学習処理部により前記相関関係を学習させた前記学習モデルに前記人物データを入力することで前記学習モデルから出力された前記行動要因指標に対して前記修正指示を受け付けて、その受付結果に基づいて前記人物データに前記行動要因指標を付与することで前記学習用データを生成する処理と、前記第２の学習処理部が、少なくとも前記第２の生成処理部により生成された前記学習用データを用いて、前記相関関係を前記学習モデルに学習させる処理とを前記学習終了条件を満たすまで繰り返し実行する、
請求項１乃至請求項４のいずれか一項に記載の機械学習装置。

【請求項6】

１又は複数の観点に基づいて人物の行動を記録した人物データと、前記人物が前記行動を起こす動機となる要因を示す行動要因指標とで構成される学習用データを学習モデルに複数組入力することで、前記人物データと前記行動要因指標との相関関係を機械学習により前記学習モデルに学習させる機械学習部と、
前記機械学習部により前記相関関係を学習させた前記学習モデルを記憶する学習済みモデル記憶部と、を備え、
前記人物データは、
前記行動の特徴を示す指標であって前記行動要因指標に対応する行動特徴指標が付与された特徴データに関連付けて記録したものであり、
前記機械学習部は、
前記人物データに含まれる前記特徴データに付与された前記行動特徴指標に基づいて、前記人物データを前記学習モデルに入力するための特徴量に変換する前処理を行い、その前処理にて前記人物データから変換された前記特徴量と、前記人物データに含まれる前記行動要因指標とで構成される前記前処理後の学習用データを前記学習モデルに複数組入力することで、前記相関関係を前記学習モデルに学習させるものであり、
前記機械学習部は、
前記人物が前記行動要因指標に適合するか否かを、前記観点の少なくとも一部に基づく前記人物データに対して規定された判定規則に従って前記人物毎に判定し、その判定結果に基づいて前記人物データに前記行動要因指標を付与することで前記学習用データを生成する第１の生成処理部と、
前記第１の生成処理部により生成された前記学習用データであって前記前処理後の学習用データを用いて、前記相関関係を前記学習モデルに学習させる第１の学習処理部と、
前記第１の学習処理部により前記相関関係を学習させた前記学習モデルに、前記前処理にて前記人物データから変換された前記特徴量を入力することで前記学習モデルから出力された前記行動要因指標と、前記人物データに含まれる前記特徴データに付与された前
記行動特徴指標との少なくとも一方に対して修正指示を受け付けて、その受付結果に基づいて前記人物データに前記行動要因指標を付与することで前記学習用データを生成するとともに、前記特徴データに付与された前記行動特徴指標を修正する第２の生成処理部と、
少なくとも前記第２の生成処理部により生成された前記学習用データであって前記前処理後の学習用データを用いて、前記相関関係を前記学習モデルに学習させる第２の学習処理部と、を備える、
機械学習装置。

【請求項7】

前記第２の生成処理部は、
前記第１の学習処理部により前記相関関係を学習させた前記学習モデルに、前記前処理にて前記人物データから変換された前記特徴量を入力することで前記学習モデルから出力された前記行動要因指標と、前記人物データに含まれる前記特徴データに付与された前記行動特徴指標とを前記人物データと対応付けて前記人物毎に表示させるとともに、その表示させた前記行動要因指標と、前記行動特徴指標との少なくとも一方に対して前記修正指示を受け付ける、
請求項６に記載の機械学習装置。

【請求項8】

前記第２の生成処理部は、
前記第１の学習処理部により前記相関関係を学習させた前記学習モデルに、前記前処理にて前記人物データから変換された前記特徴量を入力することで前記学習モデルから出力された前記行動要因指標と、前記人物データに含まれる前記特徴データに付与された前記行動特徴指標とを前記人物データに対して所定の統計処理が行われた情報と対応付けて前記人物毎に表示させるとともに、その表示させた前記行動要因指標と、前記行動特徴指標との少なくとも一方に対して前記修正指示を受け付ける、
請求項６に記載の機械学習装置。

【請求項9】

前記第２の生成処理部は、
前記第１の生成処理部により前記判定結果に基づいて前記人物データに付与された前記行動要因指標と、前記第１の学習処理部により前記相関関係を学習させた前記学習モデルに、前記前処理にて前記人物データから変換された前記特徴量を入力することで前記学習モデルから出力された前記行動要因指標と、前記人物データに含まれる前記特徴データに付与された前記行動特徴指標とを前記人物データと対応付けて前記人物毎に表示させるとともに、その表示させた前記行動要因指標と、前記行動特徴指標との少なくとも一方に対して前記修正指示を受け付ける、
請求項６に記載の機械学習装置。

【請求項10】

前記機械学習部は、
前記第２の学習処理部が前記相関関係を前記学習モデルに学習させたときに、所定の学習終了条件を満たさない場合には、
前記第２の生成処理部が、前記第１の学習処理部に代えて前記第２の学習処理部により前記相関関係を学習させた前記学習モデルに、前記前処理にて前記人物データから変換された前記特徴量を入力することで前記学習モデルから出力された前記行動要因指標と、前記人物データに含まれる前記特徴データに付与された前記行動特徴指標との少なくとも一方に対して前記修正指示を受け付けて、その受付結果に基づいて前記人物データに前記行動要因指標を付与することで前記学習用データを生成するとともに、前記特徴データに付与された前記行動特徴指標を修正する処理と、前記第２の学習処理部が、少なくとも前記第２の生成処理部により生成された前記学習用データであって前記前処理後の学習用データを用いて、前記相関関係を前記学習モデルに学習させる処理とを前記学習終了条件を満たすまで繰り返し実行する、
請求項６乃至請求項９のいずれか一項に記載の機械学習装置。

【請求項11】

１又は複数の観点に基づいて人物の行動を記録した人物データと、前記人物が前記行動を起こす動機となる要因を示す行動要因指標とで構成される学習用データを学習モデルに複数組入力することで、前記人物データと前記行動要因指標との相関関係を機械学習により前記学習モデルに学習させる機械学習工程と、
前記機械学習工程により前記相関関係を学習させた前記学習モデルを学習済みモデル記憶部に記憶する学習済みモデル記憶工程と、を備え、
前記機械学習工程は、
前記人物が前記行動要因指標に適合するか否かを、前記観点の少なくとも一部に基づく前記人物データに対して規定された判定規則に従って前記人物毎に判定し、その判定結果に基づいて前記人物データに前記行動要因指標を付与することで前記学習用データを生成する第１の生成処理工程と、
前記第１の生成処理工程により生成された前記学習用データを用いて、前記相関関係を前記学習モデルに学習させる第１の学習処理工程と、
前記第１の学習処理工程により前記相関関係を学習させた前記学習モデルに前記人物データを入力することで前記学習モデルから出力された前記行動要因指標に対して修正指示を受け付けて、その受付結果に基づいて前記人物データに前記行動要因指標を付与することで前記学習用データを生成する第２の生成処理工程と、
少なくとも前記第２の生成処理工程により生成された前記学習用データを用いて、前記相関関係を前記学習モデルに学習させる第２の学習処理工程と、を備える、
機械学習方法。

【請求項12】

１又は複数の観点に基づいて人物の行動を記録した人物データと、前記人物が前記行動を起こす動機となる要因を示す行動要因指標とで構成される学習用データを学習モデルに複数組入力することで、前記人物データと前記行動要因指標との相関関係を機械学習により前記学習モデルに学習させる機械学習工程と、
前記機械学習工程により前記相関関係を学習させた前記学習モデルを学習済みモデル記憶部に記憶する学習済みモデル記憶工程と、を備え、
前記人物データは、
前記行動の特徴を示す指標であって前記行動要因指標に対応する行動特徴指標が付与された特徴データに関連付けて記録したものであり、
前記機械学習工程は、
前記人物データに含まれる前記特徴データに付与された前記行動特徴指標に基づいて、前記人物データを前記学習モデルに入力するための特徴量に変換する前処理を行い、その前処理にて前記人物データから変換された前記特徴量と、前記人物データに含まれる前記行動要因指標とで構成される前記前処理後の学習用データを前記学習モデルに複数組入力することで、前記相関関係を前記学習モデルに学習させるものであり、
前記機械学習工程は、
前記人物が前記行動要因指標に適合するか否かを、前記観点の少なくとも一部に基づく前記人物データに対して規定された判定規則に従って前記人物毎に判定し、その判定結果に基づいて前記人物データに前記行動要因指標を付与することで前記学習用データを生成する第１の生成処理工程と、
前記第１の生成処理工程により生成された前記学習用データであって前記前処理後の学習用データを用いて、前記相関関係を前記学習モデルに学習させる第１の学習処理工程と、
前記第１の学習処理工程により前記相関関係を学習させた前記学習モデルに、前記前処理にて前記人物データから変換された前記特徴量を入力することで前記学習モデルから出力された前記行動要因指標と、前記人物データに含まれる前記特徴データに付与された前記行動特徴指標との少なくとも一方に対して修正指示を受け付けて、その受付結果に基づいて前記人物データに前記行動要因指標を付与することで前記学習用データを生成する
とともに、前記特徴データに付与された前記行動特徴指標を修正する第２の生成処理工程と、
少なくとも前記第２の生成処理工程により生成された前記学習用データであって前記前処理後の学習用データを用いて、前記相関関係を前記学習モデルに学習させる第２の学習処理工程と、を備える、
機械学習方法。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、機械学習装置、データ処理装置、推論装置、機械学習方法、データ処理方法、及び、推論方法に関する。

【背景技術】

【0002】

従来、ユーザの個人情報を利用して、そのユーザに合わせた情報を提供することで、ユーザの利便性や情報提供者の有益性を向上させることが行われている。例えば、特許文献１及び特許文献２には、ユーザの名前、性別、年齢等を含む個人情報に基づいて、ユーザの端末に広告情報を配信するシステムが開示されている。

【先行技術文献】

【特許文献】

【0003】

【文献】特開２０１９－２１１８５１号公報

【文献】特開２００２－３６６８４３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及び特許文献２に開示されたシステムでは、個人情報が、各ユーザにより入力されることを前提としているため、個人情報が入力されていないユーザに対して適切な情報を提供することができなかった。また、ユーザが何かしらの行動を起こす場合、その行動を起こす動機となる要因を示す行動要因指標（例えば、感性等）が、そのユーザに内在していると考えられる。しかしながら、特許文献１及び特許文献２に開示されたシステムでは、そのような行動要因指標は個人情報として入力されるものではないため、各ユーザに内在する行動要因指標に応じた適切な情報を提供することができなかった。

【0005】

本発明は、上述した課題に鑑みてなされたものであって、人物の行動からその人物が行動を起こす動機となる要因を適切に把握するための機械学習装置、データ処理装置、推論装置、機械学習方法、データ処理方法、及び、推論方法を提供することを目的とする。

【課題を解決するための手段】

【0006】

上記目的を達成するために、本発明の一態様に係る機械学習装置は、
１又は複数の観点に基づいて人物の行動を記録した人物データと、前記人物が前記行動を起こす動機となる要因を示す行動要因指標とで構成される学習用データを学習モデルに複数組入力することで、前記人物データと前記行動要因指標との相関関係を機械学習により前記学習モデルに学習させる機械学習部と、
前記機械学習部により前記相関関係を学習させた前記学習モデルを記憶する学習済みモデル記憶部と、を備える。

【発明の効果】

【0007】

本発明の一態様に係る機械学習装置によれば、１又は複数の観点に基づいて人物の行動を記録した人物データに基づいて、その人物が行動を起こす動機となる要因を示す行動要因指標を推定可能な学習モデルを提供することができる。よって、この学習モデルを利用することにより、例えば、人物（ユーザ）に対して個人情報の入力を要求することなく、その人物に内在する行動要因指標を適切に付与（推論）することできる。

【0008】

上記以外の課題、構成及び効果は、後述する発明を実施するための形態にて明らかにさ
れる。

【図面の簡単な説明】

【0009】

【図1】人物情報管理システム１の一例を示す全体構成図である。

【図2】コンピュータ９００の一例を示すハードウエア構成図である。

【図3】人物データベース２０の一例を示すデータ構成図である。

【図4】機械学習装置３の一例を示すブロック図である。

【図5】判定規則データ３１０の一例を示す図である。

【図6】学習用データ１１及び学習モデル１２の一例を示す図である。

【図7】機械学習部３０１の一例を示す機能説明図である。

【図8】データ処理装置４の一例を示すブロック図である。

【図9】データ処理装置４の一例を示す機能説明図である。

【図10】機械学習装置３による機械学習方法の一例を示すフローチャートである。

【図11】機械学習装置３による機械学習方法の一例を示すフローチャート（図１０の続き）である。

【図12】データ処理装置４によるデータ処理方法の一例を示すフローチャートである。

【発明を実施するための形態】

【0010】

以下、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説明する。以下では、本発明の目的を達成するための説明に必要な範囲を模式的に示し、本発明の該当部分の説明に必要な範囲を主に説明することとし、説明を省略する箇所については公知技術によるものとする。

【0011】

（人物情報管理システム１）
図１は、人物情報管理システム１の一例を示す全体構成図である。人物情報管理システム１は、人物の行動を記録した人物データに対してその人物が行動を起こす動機となる要因を示す行動要因指標（タグ）を付与することで、各人物の行動要因指標を各種のサービス（商品企画、商品開発、生産管理、仕入れ・発注管理、販売戦略策定、マーケティング、広告等）に提供可能なシステムとして機能する。

【0012】

人物データは、１又は複数の観点に基づいて人物の行動を記録したデータである。人物の行動を記録するときの観点としては、例えば、人物が店舗や電子商取引サイトで商品やサービスを購入したときの購買行動、人物がウェブサイトを閲覧したときのウェブ閲覧行動、人物がウェブサイトで検索したときのウェブ検索行動、人物が任意の移動手段（徒歩、電車、車等）で移動したときの移動行動、人物がウェブサイトや紙面にてアンケートに回答したときのアンケート回答行動等が挙げられる。そのため、人物データには、例えば、購買行動を記録した購買履歴、ウェブ閲覧行動を記録したウェブ閲覧履歴、ウェブ検索行動を記録したウェブ検索履歴、移動行動を記録した移動履歴、アンケート回答行動を記録したアンケート回答履歴等が含まれる。

【0013】

行動要因指標は、人物が特定の行動を起こすときの動機となる要因を示すものである。行動要因指標は、例えば、感性、嗜好性、属性等で分類される複数の種類を有する。感性、及び、嗜好性としては、例えば、健康志向、オーガニック、産地こだわり派、価格（節約）志向、高級志向、安心・安全、美容感度高め、綺麗好き、和食派、洋食派、甘い物好き（甘党）、辛い物好き（辛党）、濃い味好き、酸味好き、炭酸好き、インドア系、アウトドア系等が挙げられる。属性としては、デモグラフィック、ライフスタイル等に関するものとして、年代、性別、独身、既婚、子供あり、持ち家、賃貸、車所有、ペット飼育、ダイエット中等が挙げられる。

【0014】

行動要因指標は、人物データに対して変数の値により付与されるものであり、行動要因指標の種類毎に変数の値がそれぞれ付与される。本実施形態では、「健康志向」の行動要因指標が、２クラスの分類（０又は１の二値分類）で定義される場合を中心に説明するため、「健康志向」の行動要因指標の変数の値は、「０：健康志向でない」及び「１：健康志向である」により付与される。なお、行動要因指標は、多クラスの分類（多値分類）で定義されてもよく、例えば、３クラスの分類で定義される場合には、「健康志向」の行動要因指標の変数の値は、「－１：健康志向でない」、「０：どちらでもない」及び「１：健康志向である」により付与されてもよい。また、行動要因指標の定義は、行動要因指標の種類毎に異なるものでもよい。

【0015】

人物情報管理システム１は、その主要な構成要素として、データベース装置２と、機械学習装置３と、データ処理装置４と、作業者端末装置５とを備える。各装置２～５は、例えば、汎用又は専用のコンピュータ（後述の図２参照）で構成されるとともに、有線又は無線のネットワーク６に接続されて、各種のデータを相互に送受信可能に構成される。なお、各装置２～５の数やネットワーク６の接続構成は、図１の例に限られず、適宜変更してもよい。

【0016】

データベース装置２は、各人物の日々の行動を１又は複数の観点に基づいて行動履歴として記録する外部システム（不図示）と連携し、１又は複数の観点に基づく行動履歴を人物データとして人物別に登録可能な人物データベース２０を備える。外部システムは、例えば、販売時点情報管理システム（ＰＯＳシステム）、コンピュータ操作ログ収集システム、ナビゲーションシステム、アンケートシステム等で構成される。外部システムは、各人物の日々の行動に応じて、購買履歴、ウェブ閲覧履歴、ウェブ検索履歴、移動履歴、アンケート回答履歴等を行動履歴として記録し、例えば、データベース装置２からの要求に応じてデータベース装置２に提供する。

【0017】

機械学習装置３は、機械学習の学習フェーズの主体として動作し、人物データベース２０に登録された人物データを学習用データ１１として用いることで、学習モデル１２の機械学習を行う。学習済みの学習モデル１２は、ネットワーク６や記録媒体等を介してデータ処理装置４に提供される。機械学習の手法としては、教師あり学習を採用する。

【0018】

データ処理装置４は、機械学習の推論フェーズの主体として動作し、機械学習装置３により生成された学習済みの学習モデル１２を用いて、人物データに対して行動要因指標を付与し、その付与結果（本実施形態では、行動要因指標の種類毎の変数の値）をデータベース装置２や作業者端末装置５等に提供する。

【0019】

作業者端末装置５は、学習モデル１２の機械学習を行う際に、学習用データ１１のアノテーション作業を行う作業者１０により使用される端末装置である。作業者端末装置５は、アプリケーションプログラム、ウェブブラウザ等の表示画面を介して各種の入力操作を受け付けるとともに、表示画面を介して各種の情報（例えば、人物データ、行動要因指標等）を表示する。

【0020】

（コンピュータ９００）
図２は、コンピュータ９００の一例を示すハードウエア構成図である。人物情報管理システム１の各装置２～５は、汎用又は専用のコンピュータ９００により構成される。

【0021】

コンピュータ９００は、図２に示すように、その主要な構成要素として、バス９１０、プロセッサ９１２、メモリ９１４、入力デバイス９１６、出力デバイス９１７、表示デバイス９１８、ストレージ装置９２０、通信Ｉ／Ｆ（インターフェース）部９２２、外部機器Ｉ／Ｆ部９２４、Ｉ／Ｏ（入出力）デバイスＩ／Ｆ部９２６、及び、メディア入出力部
９２８を備える。なお、上記の構成要素は、コンピュータ９００が使用される用途に応じて適宜省略されてもよい。

【0022】

プロセッサ９１２は、１つ又は複数の演算処理装置（ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＭＰＵ（Ｍｉｃｒｏ－ｐｒｏｃｅｓｓｉｎｇ ｕｎｉｔ）、ＤＳＰ（ｄｉｇｉｔａｌ ｓｉｇｎａｌ ｐｒｏｃｅｓｓｏｒ）、ＧＰＵ（Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）等）で構成され、コンピュータ９００全体を統括する制御部として動作する。メモリ９１４は、各種のデータ及びプログラム９３０を記憶し、例えば、メインメモリとして機能する揮発性メモリ（ＤＲＡＭ、ＳＲＡＭ等）と、不揮発性メモリ（ＲＯＭ）、フラッシュメモリ等とで構成される。

【0023】

入力デバイス９１６は、例えば、キーボード、マウス、テンキー、電子ペン等で構成され、入力部として機能する。出力デバイス９１７は、例えば、音（音声）出力装置、バイブレーション装置等で構成され、出力部として機能する。表示デバイス９１８は、例えば、液晶ディスプレイ、有機ＥＬディスプレイ、電子ペーパー、プロジェクタ等で構成され、出力部として機能する。入力デバイス９１６及び表示デバイス９１８は、タッチパネルディスプレイのように、一体的に構成されていてもよい。ストレージ装置９２０は、例えば、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）等で構成され、記憶部として機能する。ストレージ装置９２０は、オペレーティングシステムやプログラム９３０の実行に必要な各種のデータを記憶する。

【0024】

通信Ｉ／Ｆ部９２２は、インターネットやイントラネット等のネットワーク９４０（図１のネットワーク６と同じであってもよい）に有線又は無線により接続され、所定の通信規格に従って他のコンピュータとの間でデータの送受信を行う通信部として機能する。外部機器Ｉ／Ｆ部９２４は、カメラ、プリンタ、スキャナ、リーダライタ等の外部機器９５０に有線又は無線により接続され、所定の通信規格に従って外部機器９５０との間でデータの送受信を行う通信部として機能する。Ｉ／ＯデバイスＩ／Ｆ部９２６は、各種のセンサ、アクチュエータ等のＩ／Ｏデバイス９６０に接続され、Ｉ／Ｏデバイス９６０との間で、例えば、センサによる検出信号やアクチュエータへの制御信号等の各種の信号やデータの送受信を行う通信部として機能する。メディア入出力部９２８は、例えば、ＤＶＤ（Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｃ）ドライブ、ＣＤ（Ｃｏｍｐａｃｔ Ｄｉｓｃ）ドライブ等のドライブ装置で構成され、ＤＶＤ、ＣＤ等のメディア（非一時的な記憶媒体）９７０に対してデータの読み書きを行う。

【0025】

上記構成を有するコンピュータ９００において、プロセッサ９１２は、ストレージ装置９２０に記憶されたプログラム９３０をメモリ９１４に呼び出して実行し、バス９１０を介してコンピュータ９００の各部を制御する。なお、プログラム９３０は、ストレージ装置９２０に代えて、メモリ９１４に記憶されていてもよい。プログラム９３０は、インストール可能なファイル形式又は実行可能なファイル形式でメディア９７０に記録され、メディア入出力部９２８を介してコンピュータ９００に提供されてもよい。プログラム９３０は、通信Ｉ／Ｆ部９２２を介してネットワーク９４０経由でダウンロードすることによりコンピュータ９００に提供されてもよい。また、コンピュータ９００は、プロセッサ９１２がプログラム９３０を実行することで実現する各種の機能を、例えば、ＦＰＧＡ（ｆｉｅｌｄ－ｐｒｏｇｒａｍｍａｂｌｅ ｇａｔｅ ａｒｒａｙ）、ＡＳＩＣ（ａｐｐｌｉｃａｔｉｏｎ ｓｐｅｃｉｆｉｃ ｉｎｔｅｇｒａｔｅｄ ｃｉｒｃｕｉｔ）等のハードウエアで実現するものでもよい。

【0026】

コンピュータ９００は、例えば、据置型コンピュータや携帯型コンピュータで構成され、任意の形態の電子機器である。コンピュータ９００は、クライアント型コンピュータでもよいし、サーバ型コンピュータやクラウド型コンピュータでもよい。

【0027】

（人物データベース２０）
図３は、人物データベース２０の一例を示すデータ構成図である。人物データベース２０は、各人物にそれぞれ付与された人物識別情報（ユーザＩＤ）に基づいて、人物データを管理するためのデータベースである。人物データベース２０は、例えば、購買履歴テーブル、ウェブ閲覧履歴テーブル、ウェブ検索履歴テーブル、移動履歴テーブル、アンケート回答履歴テーブル、行動要因指標テーブル、商品マスタ情報、店舗マスタ情報、ウェブサイトマスタ情報、及び、地図情報から構成される。

【0028】

購買履歴テーブルは、購買行動を記録するための複数のレコードを有し、各レコードには、日時、商品、価格、店舗（電子商取引サイトでもよい）等が登録される。商品には、商品ＩＤが登録されるとともに、その商品ＩＤにより商品マスタ情報と紐付けされることで、商品マスタ情報に登録された商品属性（商品名、商品カテゴリー等）が関連付けられる。店舗には、店舗ＩＤが登録されるとともに、その店舗品ＩＤにより店舗マスタ情報と紐付けされることで、店舗マスタ情報に登録された店舗属性（店舗名、店舗カテゴリー等）が関連付けられる。なお、商品には、行動要因指標に対応する商品指標（行動特徴指標）が付与されていてもよく、例えば、商品属性の一部として商品マスタ情報に登録されていてもよい。また、店舗には、行動要因指標に対応する店舗指標（行動特徴指標）が付与されていてもよく、例えば、店舗属性の一部として店舗マスタ情報に登録されていてもよい。

【0029】

ウェブ閲覧履歴テーブルは、ウェブ閲覧行動を記録するための複数のレコードを有し、各レコードには、日時、ウェブサイト、閲覧時間等が登録される。ウェブ検索履歴テーブルは、ウェブ検索行動を記録するための複数のレコードを有し、各レコードには、日時、検索ワード等が登録される。ウェブサイトには、そのウェブサイトにアクセスするためのＵＲＬが登録されるとともに、そのＵＲＬによりウェブサイトマスタ情報と紐付けされることで、ウェブサイトマスタ情報に登録されたウェブサイト属性（管理者名、ウェブサイトカテゴリー等）が関連付けられる。なお、ウェブサイトには、行動要因指標に対応するウェブサイト指標（行動特徴指標）が付与されていてもよく、例えば、ウェブサイト属性の一部としてウェブサイトマスタ情報に登録されていてもよい。

【0030】

移動履歴テーブルは、移動行動を記録するための複数のレコードを有し、各レコードには、日時、位置、移動手段等が登録される。位置には、例えば、所定の時間以上滞在したときの滞在地点や滞在地域が登録されるとともに、その滞在地点や滞在地域により地図情報と紐付けされることで、地図情報に登録された地点属性（地点名、地点カテゴリー等）や地域属性（地域名、地域カテゴリー等）が関連付けられる。なお、地点や地域には、行動要因指標に対応する地点指標（行動特徴指標）や地域指標（行動特徴指標）が付与されていてもよく、例えば、地点属性や地域属性の一部として地図情報に登録されていてもよい。

【0031】

アンケート回答履歴テーブルは、アンケート回答行動を記録するための複数のレコードを有し、各レコードには、日時、質問内容、回答内容等が登録される。

【0032】

行動要因指標テーブルは、データ処理装置４により付与された行動要因指標を記憶するための複数のレコードを有し、各レコードには、日時、行動要因指標の変数の値等が登録される。図３の例では、「健康志向」、「甘党」及び「車所有」という３つの行動要因指標に対応する３つのフィールドが示されているが、他の行動要因指標についても同様に、フィールドがそれぞれ設けられる。

【0033】

人物データベース２０では、各テーブルの情報がユーザＩＤにより関連付けられること
で、複数の観点に基づいて人物の行動を記録した人物データと、行動要因指標とが人物毎に管理される。そして、人物データベース２０に登録された情報は、各種の統計処理が実行可能に構成される。なお、人物データは、行動の特徴を示す指標であって行動要因指標に対応する行動特徴指標（本実施形態では、商品指標、店舗指標、ウェブサイト指標、地点指標、地域指標）が付与された特徴データ（本実施形態では、商品、店舗、ウェブサイト、地点、地域）に関連付けて記録したものでもよい。行動特徴指標は、上記以外にも、例えば、時間帯、曜日、季節等の特徴に対しても付与されてもよい。また、人物データベース２０のデータ構成は適宜変更してもよく、上記以外のデータが登録可能であってもよいし、上記のデータの一部が省略されていてもよい。

【0034】

（機械学習装置３）
図４は、機械学習装置３の一例を示すブロック図である。機械学習装置３は、プロセッサ等により構成される制御部３０と、ＨＤＤ、ＳＳＤ、メモリ等により構成される記憶部３１と、ネットワーク６との通信インターフェースである通信部３２と、キーボード、マウス等により構成される入力部３３と、ディスプレイ等により構成される表示部３４とを備える。なお、入力部３３及び表示部３４は省略されてもよい。

【0035】

記憶部３１は、学習用データ１１、学習モデル１２、判定規則データ３１０、及び、機械学習プログラム３１１を記憶するとともに、オペレーティングシステム、他のプログラム、各種のデータ等を記憶する。記憶部３１は、学習用データ１１を記憶する学習用データ記憶部、及び、学習モデル１２を記憶する学習済みモデル記憶部として機能する。

【0036】

図５は、判定規則データ３１０の一例を示す図である。判定規則データ３１０には、人物が行動要因指標に適合するか否かを判定するための判定規則が、行動要因指標の種類毎に登録される。判定規則データ３１０は、作業者１０が作業者端末装置５を介して編集可能な情報である。

【0037】

判定規則は、観点の少なくとも一部に基づく人物データに対して規定され、例えば、比較、割合、頻度、期間、カテゴリー、行動特徴指標（商品指標、店舗指標、ウェブサイト指標、地点指標、地域指標）等に各種の数値演算を適宜組み合わせることで規定される。また、判定規則は、行動要因指標の種類毎に規定され、図５の例では、「健康志向」、「甘党」及び「車所有」という３つの行動要因指標の判定規則が、「購買行動」という観点に基づく「購買履歴」に対して規定されている。例えば、「健康志向」の行動要因指標の判定規則では、各ユーザが、過去１年間に「健康食品」の商品カテゴリーが付与された商品や「健康志向」の商品指標が付与された商品を購入したときの購入額を集計し、その集計した購入額がＸ円以上の場合に、そのユーザに対して「１：健康志向である」という行動要因指標が付与される。

【0038】

図５には、判定規則による判定結果として、「ユーザＡ」の人物データには、「１：健康志向である」、「０：甘党でない」、「１：車所有である」という行動要因指標が付与され、「ユーザＢ」の人物データには、「０：健康志向でない」、「０：甘党でない」、「１：車所有である」という行動要因指標が付与され、「ユーザＣ」の人物データには、「１：甘党である」、「０：車所有でない」という行動要因指標が付与されている。また、「ユーザＣ」の人物データには、「健康志向」の判定規則に従って判定するための購買履歴が十分に記録されていない等の理由により、「健康志向」の判定規則による判定結果として、「Ｎ／Ａ：判定不可」が記録されている。

【0039】

なお、判定規則は、複数の観点に基づく人物データに対して規定されてもよく、例えば、「購買行動」、「移動行動」及び「アンケート回答行動」という複数の観点に基づく「購買履歴」、「移動行動」及び「アンケート回答履歴」に対して規定されてもよい。また
、判定規則は、行動要因指標の種類毎に、異なる観点に基づく人物データに対して規定されてもよく、例えば、「健康志向」の判定規則は、「購買行動」に基づく「購買履歴」に対して規定されて、「車所有」の判定規則は、「移動行動」に基づく「移動履歴」に対して規定されてもよい。

【0040】

制御部３０は、図４に示すように、記憶部４１に記憶された機械学習プログラム３１１を実行することにより、データ取得部３００、及び、機械学習部３０１として機能する。

【0041】

データ取得部３００は、例えば、機械学習部３０１や作業者端末装置５からの要求を受け付けて、通信部３２及びネットワーク６を介して人物データベース２０にアクセスする。データ取得部３００は、人物データベース２０から、複数の人物の行動をそれぞれ記録した人物データを人物毎に取得し、機械学習部３０１に提供したり、記憶部３１に記憶したりする。

【0042】

機械学習部３０１は、人物データと行動要因指標とで構成される学習用データ１１を生成し、学習モデル１２に複数組入力することで、人物データと行動要因指標との相関関係を機械学習により学習モデル１２に学習させる。そして、機械学習部３０１は、学習済みの学習モデル１２（具体的には、調整済みのパラメータ群）を記憶部３１に記憶する。

【0043】

なお、機械学習部３０１は、学習用データ１１ａを構成する人物データを学習モデル１２ａの入力層１２０に入力する際、ワンホットエンコーディングやラベルエンコーディング等の任意の変換手法により、人物データを学習モデル１２に入力するための所定の特徴量に変換する前処理を行うようにしてもよい。その場合の前処理としては、例えば、人物データに含まれる購買履歴、ウェブ閲覧履歴、ウェブ検索履歴、移動履歴及びアンケート回答履歴に対して、比較、割合、頻度、期間、カテゴリー、行動特徴指標（商品指標、店舗指標、ウェブサイト指標、地点指標、地域指標）等に各種の数値演算を適宜組み合わせることで、人物データを特徴量に変換するようにすればよい。

【0044】

特に、人物データが、図３に示すように、行動特徴指標（商品指標、店舗指標、ウェブサイト指標、地点指標、地域指標）が付与された特徴データ（商品、店舗、ウェブサイト、地点、地域）に関連付けて記録したものである場合には、機械学習部３０１は、人物データに含まれる特徴データに付与された行動特徴指標に基づいて、人物データを特徴量に変換する前処理を行い、その前処理にて人物データから変換された特徴量と、人物データに含まれる行動要因指標とで構成される前処理後の学習用データ１１を学習モデル１２に複数組入力することで、人物データと行動要因指標との相関関係を学習モデル１２に学習させるようにしてもよい。その場合の前処理としては、例えば、購買履歴の一部として記録されている、ユーザが過去に購入した商品に付与された商品指標に基づいて、「健康志向」の行動要因指標が付与された商品の購入額、「甘党」の行動要因指標が付与された商品の購入額、「車所有」の行動要因指標が付与された商品の購入額等をそれぞれ集計し、その集計した各購入額を０～１の範囲の値にそれぞれ正規化することで、特徴量に変換するようにすればよい。

【0045】

図６は、学習用データ１１及び学習モデル１２の一例を示す図である。学習モデル１２の機械学習に用いられる学習用データ１１は、人物データと行動要因指標とで構成される。学習用データ１１は、教師あり学習における教師データ（トレーニングデータ）、検証データ及びテストデータとして用いられるデータである。また、行動要因指標は、教師あり学習における正解ラベルとして用いられるデータである。

【0046】

学習用データ１１を構成する人物データは、人物データベース２０から取得される。学習用データ１１を構成する行動要因指標は、判定規則データ３１０に登録された判定規則
による判定結果に基づいて付与されたり、作業者１０によるアノテーション作業により付与されたりする。

【0047】

学習モデル１２は、例えば、ニューラルネットワークの構造を採用したものであり、入力層１２０、中間層１２１、及び、出力層１２２を備える。各層の間には、各ニューロンをそれぞれ接続するシナプス（不図示）が張られており、各シナプスには、重みがそれぞれ対応付けられている。

【0048】

入力層１２０は、入力データとしての人物データ（前処理にて人物データから変換された特徴量でもよい）に対応する数のニューロンを有し、人物データの各値が各ニューロンにそれぞれ入力される。出力層１２２は、出力データとしての行動要因指標に対応するニューロンを有し、人物データに対する行動要因指標の付与結果（推論結果）が、出力データ（本実施形態では、０～１の範囲の値）として出力される。学習用データ１１を構成する行動要因指標（正解ラベル）と、出力層１２２から出力された行動要因指標（推論結果）とを比較し、各シナプスの重み等のパラメータ群を調整する処理（バックプロパゲーション等）を実施することで、学習モデル１２の機械学習が行われる。

【0049】

本実施形態では、機械学習部３０１が、行動要因指標の種類毎に学習モデル１２の機械学習を行う場合について説明するため、記憶部３１には、行動要因指標の各種類に対応する複数の学習モデル１２が記憶されている。図６に示す学習モデル１２は、人物データに対して「健康志向」の行動要因指標を出力するものであり、人物データと、「健康志向」の行動要因指標とで構成される学習用データ１１を用いて機械学習が行われる。なお、学習モデル１２は、人物データに対して複数の行動要因指標を出力するものでもよく、例えば、人物データに対して「健康志向」、「甘党」及び「車所有」という３つの行動要因指標を出力するものでもよい。その場合には、人物データと、「健康志向」、「甘党」及び「車所有」の行動要因指標とで構成される学習用データ１１を用いて機械学習が行われるようにすればよい。

【0050】

なお、機械学習部３０１により機械学習が行われて記憶部３１に記憶される学習モデル１２の数や種類は適宜変更してもよく、例えば、機械学習の手法、人物データに含まれるデータの種類、行動要因指標に含まれるデータの種類、人物データに対する前処理の手法等のように、条件が異なる複数の学習モデル１２が記憶されてもよい。その場合には、条件が異なる複数の学習モデル１２にそれぞれ対応するデータ構成を有する複数の種類の学習用データ１１を用いるようにすればよい。

【0051】

機械学習部３０１は、図４に示すように、学習モデル１２の機械学習を行う各部として、第１の生成処理部３０１ａと、第１の学習処理部３０１ｂと、第２の生成処理部３０１ｃと、第２の学習処理部３０１ｄとを備える。

【0052】

図７は、機械学習部３０１の一例を示す機能説明図である。以下では、機械学習部３０１の詳細について、図７とともに、図５に示す判定規則データ３１０、図６に示す学習用データ１１及び学習モデル１２を参照しながら説明する。

【0053】

第１の生成処理部３０１ａは、データ取得部３００により取得された人物データにて行動が記録された人物が行動要因指標に適合するか否かを判定規則データ３１０に登録された判定規則に従って人物毎に判定する。第１の生成処理部３０１ａは、その判定結果に基づいて人物データに行動要因指標を付与することで学習用データ１１ａを生成する。

【0054】

図７の例では、第１の生成処理部３０１ａが、各人物（ユーザＡ～Ｃ）が購買記録に対して規定された判定規則（図５参照）に従って「健康志向」に適合するか否かを判定し、
その判定結果に基づいて、「ユーザＡ」の人物データに対して「１：健康志向である」、「ユーザＢ」の人物データに対して「０：健康志向でない」を行動要因指標（仮の正解ラベル）としてそれぞれ付与することで、学習用データ１１ａが生成される。なお、購買履歴が十分に記録されていない等の理由により、「健康志向」の判定規則による判定が不可能な「ユーザＣ」の人物データに対しては、行動要因指標（仮の正解ラベル）が付与されないため、「ユーザＣ」の人物データに基づく学習用データ１１ａは生成されない。

【0055】

第１の学習処理部３０１ｂは、第１の生成処理部３０１ａにより生成された学習用データ１１ａを用いて、人物データと行動要因指標との相関関係を学習モデル１２ａに学習させる。その際、学習用データ１１ａを構成する人物データには、図６に示すように、購買履歴だけでなく、ウェブ閲覧履歴、ウェブ検索履歴、移動履歴及びアンケート回答履歴が含まれる。なお、第１の学習処理部３０１ｂは、前処理後の学習用データ１１ａを用いて、人物データ（特徴量）と行動要因指標との相関関係を学習モデル１２ａに学習させてもよい。

【0056】

第２の生成処理部３０１ｃは、第１の学習処理部３０１ｂにより相関関係を学習させた学習モデル１２ａに人物データ（前処理にて人物データから変換された特徴量でもよい）を入力することで学習モデル１２ａから出力された行動要因指標に対して修正指示を受け付ける。具体的には、第２の生成処理部３０１ｃは、上記のように、学習モデル１２ａから出力された行動要因指標を人物データと対応付けて人物毎に表示させるとともに、作業者１０が作業者端末装置５を用いてアノテーション作業を行うことで、その表示させた行動要因指標に対して修正指示を受け付ける。そして、第２の生成処理部３０１ｃは、その受付結果に基づいて人物データに行動要因指標を付与することで学習用データ１１ｂを生成する。

【0057】

図７の例では、第２の生成処理部３０１ｃが、各人物（ユーザＡ～Ｃ）の人物データを学習モデル１２ａに入力することで、行動要因指標（推論結果）として、「ユーザＡ」に対して「０．９」、「ユーザＢ」に対して「０．６」、「ユーザＣ」に対して「０．８」が出力されている。第２の生成処理部３０１ｃが、学習モデル１２ａから出力された行動要因指標（推論結果）を人物データに対応付けた評価リストを作業者端末装置５に表示させると、その評価リストを目視した作業者１０が、「ユーザＢ」の人物データを確認し、第１の生成処理部３０１ａにより仮の正解ラベルとして付与された「０：健康志向でない」よりも「１：健康志向である」が適切である判断した場合には、「ユーザＢ」に対して「１：健康志向である」を付与するように修正指示を行う。また、作業者１０が、「ユーザＣ」の人物データを確認し、「１：健康志向である」よりも「０：健康志向でない」が適切である判断した場合には、「ユーザＣ」に対して「０：健康志向でない」を付与するように修正指示を行う。そして、第２の生成処理部３０１ｃは、それらの修正指示を受け付けて、その受付結果に基づいて、「ユーザＢ」の人物データに対して「１：健康志向である」、「ユーザＣ」の人物データに対して「０：健康志向でない」を行動要因指標（修正後の正解ラベル）としてそれぞれ付与することで、学習用データ１１ｂが生成される。

【0058】

なお、前処理後の学習用データ１１ａに対応する学習モデル１２ａの機械学習を行う際、第２の生成処理部３０１ｃは、第１の学習処理部３０１ｂにより相関関係を学習させた学習モデル１２ａに、前処理にて人物データから変換された特徴量（前処理後の人物データ）を入力することで学習モデル１２ａから出力された行動要因指標と、人物データに含まれる特徴データに付与された行動特徴指標との少なくとも一方に対して修正指示を受け付けるようにしてもよい。具体的には、第２の生成処理部３０１ｃは、上記のように、学習モデル１２ａから出力された行動要因指標と、人物データに含まれる特徴データに付与された行動特徴指標とを人物データと対応付けて人物毎に表示させるとともに、作業者１０が作業者端末装置５を用いてアノテーション作業を行うことで、その表示させた行動要
因指標と、行動特徴指標との少なくとも一方に対して修正指示を受け付ける。そして、第２の生成処理部３０１ｃは、その受付結果に基づいて人物データに行動要因指標を付与することで学習用データ１１ｂを生成するとともに、特徴データに付与された行動特徴指標を修正するようにしてもよい。

【0059】

第２の学習処理部３０１ｄは、少なくとも第２の生成処理部３０１ｃにより生成された学習用データ１１ｂを用いて、人物データと行動要因指標との相関関係を学習モデル１２ｂに学習させる。その際、第２の学習処理部３０１ｄは、第２の生成処理部３０１ｃにより生成された学習用データ１１ｂだけでなく、第１の生成処理部３０１ａにより生成された学習用データ１１ａ（図７の例では、「ユーザＡ」の人物データに基づく学習用データ１１ａ）をさらに用いてもよい。なお、第２の学習処理部３０１ｄは、前処理後の学習用データ１１ｂを用いて、人物データ（特徴量）と行動要因指標との相関関係を学習モデル１２ｂに学習させてもよい。

【0060】

機械学習部３０１は、第２の学習処理部３０１ｄが人物データと行動要因指標との相関関係を学習モデル１２ｂに学習させたときに、所定の学習終了条件を満たさない場合には、第２の生成処理部３０１ｃが、第１の学習処理部３０１ｂに代えて第２の学習処理部３０１ｄにより学習させた学習モデル１２ｂに人物データを入力することで学習モデル１２ｂから出力された行動要因指標に対して修正指示を受け付けて、その受付結果に基づいて人物データに行動要因指標を付与することで学習用データ１１ｂを生成する処理と、第２の学習処理部３０１ｄが、少なくとも第２の生成処理部３０１ｃにより生成された学習用データ１１ｂを用いて学習モデル１２ｂに学習させる処理とを、学習終了条件を満たすまで繰り返し実行するようにしてもよい。学習終了条件を満たすか否かは、例えば、学習モデル１２の精度が所定の精度に達したか否か、又は、学習用データ１１の数が所定の上限数に達したか否かに応じて判定される。

【0061】

なお、前処理後の学習用データ１１ｂに対応する学習モデル１２ｂの機械学習を行う際、機械学習部３０１は、第２の学習処理部３０１ｄが人物データ（特徴量）と行動要因指標との相関関係を学習モデル１２ｂに学習させたときに、所定の学習終了条件を満たさない場合には、第２の生成処理部３０１ｃが、第１の学習処理部３０１ｂに代えて第２の学習処理部３０１ｄにより学習させた学習モデル１２ｂに、前処理にて人物データから変換された特徴量（前処理後の人物データ）を入力することで学習モデル１２ｂから出力された行動要因指標と、人物データに含まれる特徴データに付与された行動特徴指標との少なくとも一方に対して修正指示を受け付けて、その受付結果に基づいて人物データに行動要因指標を付与することで学習用データ１１ｂを生成するとともに、特徴データに付与された行動特徴指標を修正する処理と、第２の学習処理部３０１ｄが、少なくとも第２の生成処理部３０１ｃにより生成された学習用データ１１ｂであって前処理後の学習用データ１１ｂを用いて学習モデル１２ｂに学習させる処理とを、学習終了条件を満たすまで繰り返し実行するようにしてもよい。

【0062】

（データ処理装置４）
図８は、データ処理装置４の一例を示すブロック図である。図９は、データ処理装置４の一例を示す機能説明図である。データ処理装置４は、プロセッサ等により構成される制御部４０と、ＨＤＤ、ＳＳＤ、メモリ等により構成される記憶部４１と、ネットワーク６との通信インターフェースである通信部４２と、キーボード、マウス等により構成される入力部４３と、ディスプレイ等により構成される表示部４４とを備える。なお、入力部４３及び表示部４４は省略されてもよい。

【0063】

記憶部４１は、学習モデル１２、及び、データ処理プログラム４１０を記憶するとともに、オペレーティングシステム、他のプログラム、各種のデータ等を記憶する。記憶部４
１は、学習済みの学習モデル１２を記憶する学習済みモデル記憶部として機能する。

【0064】

制御部４０は、記憶部４１に記憶されたデータ処理プログラム４１０を実行することにより、データ取得部４００、指標付与部４０１、及び、出力処理部４０２として機能する。

【0065】

データ取得部４００は、例えば、指標付与部４０１や作業者端末装置５からの要求を受け付けて、通信部４２及びネットワーク６を介して人物データベース２０にアクセスする。データ取得部４００は、人物データベース２０から人物データを取得し、指標付与部４０１に提供したり、記憶部４１に記憶したりする。

【0066】

指標付与部４０１は、記憶部４１に記憶された学習済みの学習モデル１２に、データ取得部４００により取得された人物データ（前処理にて人物データから変換された特徴量でもよい）を入力することで学習モデル１２から出力された行動要因指標（推論結果）を人物データに付与する。その際、指標付与部４０１は、学習モデル１２から出力データ（本実施形態では、０～１の範囲の値）として出力された行動要因指標（推論結果）に対する後処理として、行動要因指標の変数の値（図９では、「０．９」）と、所定の閾値（例えば、「０．５」）とを比較し、閾値以上である場合には、「１：健康志向である」の行動要因指標を人物データに付与し、閾値未満である場合には、「０：健康志向でない」の行動要因指標を人物データに付与する。なお、指標付与部４０１は、人物データを学習モデル１２の入力層１２０に入力する際、機械学習部３０１と同様の前処理を行うことで、前処理後の人物データ、すなわち、前処理にて人物データから変換された特徴量を学習モデル１２に入力するようにしてもよい。

【0067】

本実施形態では、学習モデル１２は、機械学習装置３により行動要因指標の種類毎に生成される場合について説明するため、記憶部４１には、行動要因指標の各種類に対応する複数の学習モデル１２が記憶されている。図９に示す学習モデル１２は、人物データに対いて「健康志向」の行動要因指標を出力するものである。従って、指標付与部４０１は、行動要因指標の各種類に対応する複数の学習モデル１２に、図９と同様に、人物データをそれぞれ入力することで出力された「健康志向」以外の行動要因指標についても人物データに付与する。

【0068】

出力処理部４０２は、指標付与部４０１により付与された行動要因指標を出力するための出力処理を行う。出力処理部４０２は、その行動要因指標を、例えば、データベース装置２に提供することで、人物データベース２０の行動要因指標テーブルに登録されてもよいし、作業者端末装置５に提供することで、作業者に提示されてもよい。その際、出力処理部４０２は、指標付与部４０１による後処理が行われた後の行動要因指標（０又は１）に加えて又は代えて、後処理が行われる前の行動要因指標（０～１の範囲の値）を出力してもよい。

【0069】

なお、記憶部４１に記憶される学習モデル１２の数は１つに限定されず、例えば、機械学習の手法、人物データに含まれるデータの種類、行動要因指標に含まれるデータの種類、人物データに対する前処理の手法等のように、条件が異なる複数の学習モデル１２が記憶され、選択的に利用可能としてもよい。また、学習モデル１２は、外部コンピュータ（例えば、サーバ型コンピュータやクラウド型コンピュータ）の記憶部に記憶されていてもよく、その場合には、データ処理装置４は、その外部コンピュータにアクセスすればよい。

【0070】

（機械学習方法）
図１０及び図１１は、機械学習装置３による機械学習方法の一例を示すフローチャート
である。以下では、作業者１０が、作業者端末装置５を用いてアノテーション作業を含む一連の学習指示操作を行うことで、機械学習装置３が、人物データベース２０及び判定規則データ３１０を参照し、学習モデル１２の機械学習を行う場合について説明する。

【0071】

まず、ステップＳ１００にて、作業者端末装置５が、学習モデル１２の機械学習を行う学習条件を含む学習指示を作業者１０から受け付けると、ステップＳ１０１にて、その学習指示を機械学習装置３に送信する。学習条件としては、例えば、学習用データ１１を生成するための人物データを人物データベース２０から取得するときの人物データ取得条件や学習終了条件が指定される。

【0072】

次に、ステップＳ１１０にて、機械学習装置３が、ステップＳ１０１で送信された学習モデル１２の学習指示を受信すると、データ取得部３００が、その学習指示に含まれる学習モデル１２の学習条件を満たす人物データを取得するために、人物データベース２０にアクセスし、複数人の人物に対応する複数の人物データを取得する。

【0073】

次に、ステップＳ１２０にて、第１の生成処理部３０１ａが、ステップＳ１１０で取得された複数の人物データに対して、各人物の行動が行動要因指標に適合するか否かを判定規則データ３１０に登録された判定規則に従って人物毎に判定する。そして、ステップＳ１２１にて、第１の生成処理部３０１ａが、その判定結果に基づいて、人物データに行動要因指標を人物毎に付与することで、複数組の学習用データ１１ａを生成する。

【0074】

次に、ステップＳ１３０にて、第１の学習処理部３０１ｂが、ステップＳ１２１で生成された複数組の学習用データ１１ａ（前処理後の学習用データ１１ａでもよい）を用いて、人物データと行動要因指標との相関関係を学習モデル１２ａに学習させる。

【0075】

次に、ステップＳ１４０にて、第２の生成処理部３０１ｃは、ステップＳ１１０で取得された複数の人物データを、ステップＳ１３０で学習させた学習モデル１２ａにそれぞれ入力し、その推論結果として学習モデル１２ａからそれぞれ出力された行動要因指標を人物データと対応付けて、人物データと行動要因指標とからなる評価リストを作成する。そして、ステップＳ１４１にて、第２の生成処理部３０１ｃは、その評価リストを作業者端末装置５に送信する。

【0076】

次に、ステップＳ１４２にて、作業者端末装置５が、ステップＳ１４１で送信された評価リストを受信すると、その評価リストを作業者端末装置５の表示画面に表示させる。その際、作業者端末装置５は、作業者１０がアノテーション作業を行うための参考情報として、評価リストに表示された人物に対応する人物データを作業者端末装置５の表示画面に表示させる。

【0077】

なお、表示画面には、例えば、人物データに含まれる購買履歴、ウェブ閲覧履歴、ウェブ検索履歴、移動履歴及びアンケート回答履歴が表示されてもよく、さらに、各履歴に関連付けられた特徴データ（本実施形態では、商品、店舗、ウェブサイト、地点、地域）と、その特徴データに付与された行動特徴指標（本実施形態では、商品指標、店舗指標、ウェブサイト指標、地点指標、地域指標）とが表示されてもよい。例えば、各人物が購入した商品の一覧や各商品の商品属性が表示され、商品属性の一部として、その商品に現在付与されている商品指標（例えば、「高級志向」等）が表示されてもよい。また、表示画面には、人物データの生データだけでなく、人物データに対して所定の統計処理が行われた情報が表示されてもよいし、作業者１０の操作に基づいて表示の内容や統計処理の内容が変更可能であってもよい。また、表示画面の評価リストには、ステップＳ１４０での学習モデル１２ａによる推論結果だけでなく、ステップＳ１２０での判定規則による判定結果が表示されてもよい。

【0078】

そして、ステップＳ１４３にて、作業者端末装置５が、その表示画面において行動要因指標に対する修正指示を作業者１０から受け付けると、ステップＳ１４４にて、その修正指示を機械学習装置３に送信する。図１１の例では、作業者１０のアノテーション作業として、図７と同様に、「ユーザＢ」に対して「１：健康志向である」を付与する修正指示と、「ユーザＣ」に対して「０：健康志向でない」を付与する修正指示とが、作業者端末装置５により受け付けられた場合が示されている。

【0079】

次に、ステップＳ１４５にて、第２の生成処理部３０１ｃが、ステップＳ１４４で送信された修正指示を受信することにより、ステップＳ１４０で出力された行動要因指標に対して修正指示を受け付けると、その受付結果に基づいて人物データに行動要因指標を付与することで、複数組の学習用データ１１ｂを生成する。なお、作業者端末装置５は、表示画面において、行動特徴指標に対する修正指示を作業者１０から受け付けてもよく、その場合には、第２の生成処理部３０１ｃは、その受付結果に基づいて、人物データベース２０に登録された特徴データにおける行動特徴指標を修正することで、人物データベース２０を更新（修正）すればよい。行動特徴指標（ここでは、商品指標）に対する修正指示は、例えば、「高級志向」の行動特徴指標が現在付与されている商品に対して、「健康使用」の商品指標を追加で付与するものでもよいし、「高級志向」の商品指標を削除したりするものでもよい。

【0080】

次に、ステップＳ１５０にて、第２の学習処理部３０１ｄは、ステップＳ１４５で生成された学習用データ１１ｂ（前処理後の学習用データ１１ｂでもよい）を用いて、人物データと行動要因指標との相関関係を学習モデル１２ｂに学習させる。その際、第２の学習処理部３０１ｄは、ステップＳ１４５で生成された学習用データ１１ｂだけでなく、ステップＳ１２１で生成された学習用データ１１ａをさらに用いてもよい。なお、人物データベース２０が、行動特徴指標に対する修正指示に基づいて更新された場合には、更新後の人物データベース２０が反映された状態で、学習用データ１１ｂに対する前処理が行われる。

【0081】

次に、ステップＳ１６０にて、機械学習部３０１が、第２の学習処理部３０１ｄが人物データと行動要因指標との相関関係を学習モデル１２ｂに学習させたときに、所定の学習終了条件を満たすか否かを判定する。

【0082】

そして、機械学習部３０１が、所定の学習終了条件を満たさないと判定した場合には（ステップＳ１６０で「Ｎｏ」）、ステップＳ１４０に戻る。その際、ステップＳ１４０にて、第２の生成処理部３０１ｃは、ステップＳ１１０で取得された複数の人物データを、ステップＳ１３０で第１の学習処理部３０１ｂにより学習させた学習モデル１２ａに代えて、ステップＳ１５０で第２の学習処理部３０１ｄにより学習させた学習モデル１２ｂにそれぞれ入力することで、機械学習部３０１は、以降の処理（ステップＳ１４０～Ｓ１５０）を、ステップＳ１６０にて学習終了条件を満たすと判定するまで繰り返し実行する。

【0083】

一方、機械学習部３０１が、所定の学習終了条件を満たすと判定した場合には（ステップＳ１６０で「Ｙｅｓ」）、ステップＳ１７０にて、そのときの学習モデル１２ｂを、学習済みの学習モデル１２として、記憶部３１に記憶する。これにより、図１０及び図１１に示す一連の処理が終了する。機械学習方法において、ステップＳ１１０がデータ取得工程、ステップＳ１２０～Ｓ１６０が機械学習工程、ステップＳ１７０が学習済みモデル記憶工程に相当する。

【0084】

なお、上記では、作業者端末装置５が、作業者１０から学習指示を受け付けたときに、図１０及び図１１に示す一連の処理が実行されるものとして説明したが、機械学習装置３
が、所定の実行条件（例えば、前回の実行時から一定時間経過時や人物データベース２０の更新時等）を満たすときと判断したときに、図１０及び図１１に示す一連の処理を実行するようにしてもよい。また、上記では、機械学習部３０１が、所定の学習終了条件を満たさないと判定した場合には（ステップＳ１６０で「Ｎｏ」）、ステップＳ１４０に戻るものとして説明したが、ステップＳ１２０に戻るようにしてもよいし、作業者１０の指示や機械学習部３０１の判断に基づいて、ステップＳ１２０に戻るか、ステップＳ１４０に戻るかを切り替えるようにしてもよい。そして、ステップＳ１２０に戻る場合には、作業者１０が、例えば、行動要因指標の判定規則を変更してもよく、機械学習部３０１は、変更後の判定規則に基づいて、ステップＳ１２０以降の処理を実行すればよい。

【0085】

以上のように、本実施形態に係る機械学習装置３及び機械学習方法によれば、１又は複数の観点に基づいて人物の行動を記録した人物データに基づいて、その人物が行動を起こす動機となる要因を示す行動要因指標を推定可能な学習モデル１２を提供することができる。よって、この学習モデル１２をデータ処理装置４が利用することにより、人物（ユーザ）に対して個人情報の入力を要求することなく、その人物に内在する行動要因指標を適切に付与（推論）することできる。

【0086】

また、機械学習部３０１が、判定規則による判定結果に基づいて生成された学習用データ１１ａを用いて機械学習を行い、行動要因指標に対する修正指示の受付結果に基づいて生成された学習用データ１１ｂを用いて機械学習を段階的に行うことで、人物データと行動要因指標との相関関係を学習モデル１２に学習させる。そのため、判定規則による学習用データ１１ａの自動生成と、作業者１０のアノテーション作業による学習用データ１１ｂの修正とを介して、学習モデル１２の機械学習が段階的に行われるので、作業者１０のアノテーション作業の作業負担を軽減しながら、高精度な学習モデル１２を生成することができる。

【0087】

さらに、機械学習部３０１が、行動特徴指標に対する修正指示の受付結果に基づいて、人物データベース２０における特徴データに付与された行動特徴指標の更新を行うことで、更新後の人物データベース２０が反映された状態で機械学習を行う。そのため、作業者１０のアノテーション作業による行動特徴指標の修正を介して、人物データに含まれる特徴データに付与された行動特徴指標の正確性が向上されるので、より高精度な学習モデル１２を生成することができる。

【0088】

（データ処理方法）
図１２は、データ処理装置４によるデータ処理方法の一例を示すフローチャートである。以下では、作業者１０が、作業者端末装置５を用いてタグ付与指示操作を行うことで、データ処理装置４が、人物データベース２０及び学習済みの学習モデル１２を参照し、人物データに対して行動要因指標を付与する場合について説明する。

【0089】

まず、ステップＳ２００にて、作業者端末装置５が、行動要因指標を付与する際の付与条件を含む付与指示を作業者１０から受け付けると、ステップＳ２０１にて、その付与指示を機械学習装置３に送信する。付与条件としては、例えば、行動要因指標を付与する対象となる人物データを人物データベース２０から取得するときの人物データ取得条件が指定される。

【0090】

次に、ステップＳ２１０にて、データ処理装置４が、ステップＳ２０１で送信された行動要因指標の付与指示を受信すると、データ取得部４００が、その付与指示に含まれる行動要因指標の付与条件を満たす人物データを取得するために、人物データベース２０にアクセスし、例えば、複数人の人物に対応する複数の人物データを取得する。

【0091】

次に、ステップＳ２２０にて、指標付与部４０１が、ステップＳ１１０で取得された複数の人物データを学習モデル１２にそれぞれ入力し、その推論結果として学習モデル１２からそれぞれ出力された行動要因指標を人物データにそれぞれ付与する。図１２の例では、指標付与部４０１により、行動要因指標の変数の値と、所定の閾値との比較に基づく後処理が行われた「健康志向」の行動要因指標として、「ユーザＰ」及び「ユーザＲ」に対して「１：健康志向である」が付与され、「ユーザＱ」に対して「０：健康志向でない」が付与された場合の付与リストが示されている。なお、付与リストには、指標付与部４０１による後処理が行われた後の行動要因指標（０又は１）に加えて又は代えて、後処理が行われる前の行動要因指標（０～１の範囲の値）が含まれていてもよい。

【0092】

次に、ステップＳ２３０にて、出力処理部４０２が、ステップＳ２２０で人物データに付与された行動要因指標（図１２の付与リスト）を、例えば、データベース装置２に提供することで、人物データベース２０の行動要因指標テーブルに登録される。これにより、図１２に示す一連の処理が終了する。データ処理方法において、ステップＳ２１０がデータ取得工程、ステップＳ２２０が指標付与工程、ステップＳ２３０が出力処理工程に相当する。

【0093】

なお、上記では、作業者端末装置５が、作業者１０から付与指示を受け付けたときに、図１２に示す一連の処理が実行されるものとして説明したが、データ処理装置４が、所定の実行条件（例えば、前回の実行時から一定時間経過時や人物データベース２０の更新時等）を満たすときと判断したときに、図１２に示す一連の処理を実行するようにしてもよい。

【0094】

以上のように、本実施形態に係るデータ処理装置４及びデータ処理方法によれば、人物（ユーザ）に対して個人情報の入力を要求することなく、その人物に内在する行動要因指標を適切に付与（推論）することできる。そして、各人物に対してそれぞれ付与された行動要因指標は、所定の統計処理や可視化処理等により加工されることで、各種のサービス（商品企画、商品開発、生産管理、仕入れ・発注管理、販売戦略策定、マーケティング、広告等）にて利用することができる。

【0095】

（他の実施形態）
本発明は上述した実施形態に制約されるものではなく、本発明の主旨を逸脱しない範囲内で種々変更して実施することが可能である。そして、それらはすべて、本発明の技術思想に含まれるものである。

【0096】

上記実施形態では、データベース装置２、機械学習装置３及びデータ処理装置４は、別々の装置で構成されたものとして説明したが、それら３つの装置が、単一の装置で構成されていてもよいし、それら３つの装置のうち任意の２つの装置が、単一の装置で構成されていてもよい。また、機械学習装置３及びデータ処理装置４の少なくとも一方は、作業者端末装置５に組み込まれていてもよい。

【0097】

上記実施形態では、機械学習部３０１による機械学習を実現する学習モデルとして、ニューラルネットワークを採用した場合について説明したが、他の機械学習のモデルを採用してもよい。他の機械学習のモデルとしては、例えば、決定木、回帰木等のツリーモデル、バギング、ブースティング等のアンサンブル学習モデル、再帰型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、ＬＳＴＭ等のニューラルネットモデル(ディープ
ラーニングを含む)、階層型クラスタリング、非階層型クラスタリング、ｋ近傍法、ｋ平
均法等のクラスタリングモデル、主成分分析、因子分析、ロジスティク回帰等の多変量解析モデル、サポートベクターマシン等が挙げられる。

【0098】

（推論装置、推論方法又は推論プログラム）
本発明は、上記実施形態に係るデータ処理装置４（データ処理方法又はデータ処理プログラム）の態様によるもののみならず、推論装置（推論方法又は推論プログラム）の態様で提供することもできる。その場合、推論装置（推論方法又は推論プログラム）としては、メモリと、プロセッサとを含み、このうちのプロセッサが、一連の処理を実行するものとすることができる。当該一連の処理とは、人物データを取得するデータ取得処理（データ取得工程）と、データ取得処理にて人物データを取得すると、当該人物データに対して行動要因指標を推論する推論処理（推論工程）とを含む。

【0099】

推論装置（推論方法又は推論プログラム）の態様で提供することで、データ処理装置４を実装する場合に比して簡単に種々の装置への適用が可能となる。推論装置（推論方法又は推論プログラム）が行動要因指標を推論する際、上記実施形態に係る機械学習装置３及び機械学習方法により生成された学習済みの学習モデルを用いて、指標付与部が実施する推論手法を適用してもよいことは、当業者にとって当然に理解され得るものである。

【符号の説明】

【0100】

１…人物情報管理システム、２…データベース装置、３…機械学習装置、
４…データ処理装置、５…作業者端末装置、６…ネットワーク、
１０…作業者、１１、１１ａ、１１ｂ…学習用データ、
１２、１２ａ、１２ｂ…学習モデル、２０…人物データベース、
３０…制御部、３１…記憶部、３２…通信部、３３…入力部、３４…表示部、
４０…制御部、４１…記憶部、４２…通信部、４３…入力部、４４…表示部、
１２０…入力層、１２１…中間層、１２２…出力層、
３００…データ取得部、３０１…機械学習部、
３０１ａ…第１の生成処理部、３０１ｂ…第１の学習処理部、
３０１ｃ…第２の生成処理部、３０１ｄ…第２の学習処理部、
３１０…判定規則データ、３１１…機械学習プログラム、
４００…データ取得部、４０１…指標付与部、４０２…出力処理部、
４１０…データ処理プログラム

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】