図面 (/)

技術 生成装置、生成方法、及び、プログラム

出願人 インターナショナル・ビジネス・マシーンズ・コーポレーション
発明者 河原亮天野俊一大野正樹上條浩一
出願日 2014年12月19日 (5年3ヶ月経過) 出願番号 2014-257190
公開日 2016年6月30日 (3年8ヶ月経過) 公開番号 2016-118865
状態 特許登録済
技術分野 検索装置 学習型計算機
主要キーワード 時系列記録 モデル生成モジュール 予測対象データ 初期セグメント 周辺確率 営業施策 マルコフ決定過程 知識量
関連する未来課題
重要な関連分野

この項目の情報は公開日時点(2016年6月30日)のものです。
また、この項目は機械的に抽出しているため、正しく解析できていない場合があります

図面 (12)

課題

新規の顧客等の未知の対象の情報が少ないので、営業活動初期段階で顧客がどのセグメントに属するのか十分に特定することができなかった。

解決手段

未知の対象の属性推定する推定モデルを生成する生成装置であって、既知の対象の属性、当該既知の対象に関係する他の対象の属性、及び、当該既知の対象と他の対象との間の関係の種類の組を複数含む学習データを取得する学習データ取得部と、既知の対象の属性及び当該既知の対象に関係する未知の対象との間の関係の種類に基づいて当該未知の対象の属性を推定する推定モデルを、学習データを用いて学習する学習処理部と、を備える生成装置、当該生成装置を用いた生成方法、及び当該生成装置に用いるプログラムを提供する。

概要

背景

営業マーケティング活動において、顧客等の対象が属するセグメントを特定し、特定したセグメントに応じてマルコフ決定過程等により対象に対して最適なアプローチをする手法が知られている。しかし、新規の顧客等の未知の対象の情報は少ないので、営業活動初期段階で顧客がどのセグメントに属するのか十分に特定することができず、最適なアプローチを取ることができなかった。

特に既存顧客から新規顧客を紹介されるというケースは多く、両者は知り合いであるため新規顧客に悪いアプローチを取ることは既存顧客にも影響を与えかねないため改善が望まれる。

そこで未知の対象と関係がある既知の対象の情報に基づいて、未知の対象が属するセグメントを推定する方法が知られている(非特許文献1から4及び特許文献1参照)。しかし非特許文献2及び特許文献1は、未知の対象の記述した文章情報分析できることが前提であり、文章情報が得られない新規顧客に適用できない。非特許文献1、3及び4は、隣接する対象同士の類似性相関に基づいてセグメントを推定するが、紹介する顧客と紹介される顧客は必ずしも類似セグメントに属さないケースが多いので十分な結果が得られない。
[非特許文献1]Prithviraj Sen, Galileo Namata, Mustafa Bilgic, Lise Getoor, Brian Galligher, Tina Eliassi-Rad,AImagazine 2008
[非特許文献2]Marco Pennacchiotti and Ana-Maria Popescu, KDD2011
[非特許文献3]Belkin et al., COLT2004
[非特許文献4]Kondor and Lafferty, ICML2002
[特許文献1]特開2013−218579号公報

概要

新規の顧客等の未知の対象の情報が少ないので、営業活動の初期段階で顧客がどのセグメントに属するのか十分に特定することができなかった。未知の対象の属性を推定する推定モデルを生成する生成装置であって、既知の対象の属性、当該既知の対象に関係する他の対象の属性、及び、当該既知の対象と他の対象との間の関係の種類の組を複数含む学習データを取得する学習データ取得部と、既知の対象の属性及び当該既知の対象に関係する未知の対象との間の関係の種類に基づいて当該未知の対象の属性を推定する推定モデルを、学習データを用いて学習する学習処理部と、を備える生成装置、当該生成装置を用いた生成方法、及び当該生成装置に用いるプログラムを提供する。

目的

本発明の第1の態様においては、未知の対象の属性を推定する推定モデルを生成する生成装置であって、既知の対象の属性、当該既知の対象に関係する他の対象の属性、及び、当該既知の対象と他の対象との間の関係の種類の組を複数含む学習データを取得する学習データ取得部と、既知の対象の属性及び当該既知の対象に関係する未知の対象との間の関係の種類に基づいて当該未知の対象の属性を推定する推定モデルを、学習データを用いて学習する学習処理部と、を備える生成装置、当該生成装置を用いた生成方法、及び当該生成装置に用いるプログラムを提供する

効果

実績

技術文献被引用数
0件
牽制数
0件

この技術が所属する分野

(分野番号表示ON)※整理標準化データをもとに当社作成

ライセンス契約や譲渡などの可能性がある特許掲載中! 開放特許随時追加・更新中 詳しくはこちら

請求項1

未知の対象の属性推定する推定モデルを生成する生成装置であって、既知の対象の属性、当該既知の対象に関係する他の対象の属性、及び、当該既知の対象と他の対象との間の関係の種類の組を複数含む学習データを取得する学習データ取得部と、既知の対象の属性及び当該既知の対象に関係する未知の対象との間の関係の種類に基づいて当該未知の対象の属性を推定する前記推定モデルを、前記学習データを用いて学習する学習処理部と、を備える生成装置。

請求項2

前記学習データ取得部は、前記他の対象の属性として、複数のセグメントのうち当該他の対象が分類されるべきセグメントを取得し、前記学習処理部は、前記未知の対象が分類されるべきセグメントを推定する前記推定モデルを学習する、請求項1に記載の生成装置。

請求項3

前記学習データ取得部は、前記既知の対象の属性として、前記既知の対象のプロファイルを取得する、請求項2に記載の生成装置。

請求項4

前記既知の対象のプロファイル及び当該既知の対象に関係する未知の対象との間の関係の種類に基づいて前記未知の対象のセグメントを推定する推定部を更に備える、請求項3に記載の生成装置。

請求項5

前記推定部は、前記未知の対象が前記複数のセグメントのそれぞれに属する確率を算出する、請求項4に記載の生成装置。

請求項6

前記推定部は、算出した前記未知の対象が前記複数のセグメントのそれぞれに属する確率を初期確率とし、前記未知の対象に対してアクションがなされた後の、前記複数のセグメントのそれぞれに前記未知の対象が属する確率を推定する、請求項5に記載の生成装置。

請求項7

前記複数のセグメントのそれぞれに前記未知の対象が属する確率に応じて、前記未知の対象に対して行うべきアクションを決定する決定部を更に備える、請求項6に記載の生成装置。

請求項8

前記学習データ取得部は、前記アクションを行う行動主体の属性を更に含む前記学習データを取得し、前記学習処理部は、前記行動主体の属性に更に基づいて、前記推定モデルを学習する、請求項7に記載の生成装置。

請求項9

前記学習データ取得部は、前記アクションを行う行動主体に対する前記既知の対象の関係状態情報を更に含む前記学習データを取得し、前記学習処理部は、前記関係状態情報に更に基づいて、前記推定モデルを学習する、請求項7又は8に記載の生成装置。

請求項10

少なくとも1つのセグメントのそれぞれに対応付けて、当該セグメントに分類される対象のプロファイルが満たすべき複数の判別条件を記憶する判別条件記憶部を更に備え、前記推定部は、未知の対象の一部のプロファイルが判明して前記複数の判別条件のうちの一部の判別条件が満たされたことに応じて、当該未知の対象が各セグメントに属する確率を更新する、請求項6から9のいずれか1項に記載の生成装置。

請求項11

前記学習データ取得部は、前記既知の対象の属性として既知の顧客の属性を含み、前記他の対象の属性として前記既知の顧客と関係する他の顧客の属性を含み、前記既知の対象及び他の対象の関係の種類として、前記他の顧客が未知であった時点において当該既知の顧客が前記行動主体に開示した前記既知の顧客と前記他の顧客との関係の種類を含む学習データを取得し、前記学習処理部は、前記既知顧客の属性、前記他の顧客の属性、及び、前記既知の顧客と前記他の顧客との関係の種類に基づいて、前記既知の顧客と前記関係の種類を持つ未知の顧客が分類されるべきセグメントを推定する前記推定モデルを学習する、請求項8に記載の生成装置。

請求項12

前記学習データ取得部は、前記既知の対象及び前記他の対象の関係の種類として、人間関係の種類を含む前記学習データを取得する、請求項1から11のいずれか1項に記載の生成装置。

請求項13

コンピュータにより実行される未知の対象の属性を推定する推定モデルを生成する生成方法であって、既知の対象の属性、当該既知の対象に関係する他の対象の属性、及び、当該既知の対象と他の対象との間の関係の種類の組を複数含む学習データを取得する取得段階と、既知の対象の属性及び当該既知の対象に関係する未知の対象との間の関係の種類に基づいて当該未知の対象の属性を推定する前記推定モデルを、前記学習データを用いて学習する学習処理段階と、を備える生成方法。

請求項14

コンピュータを請求項1から12のいずれか1項に記載の生成装置として機能させるプログラム

技術分野

0001

本発明は、生成装置生成方法、及び、プログラムに関する。

背景技術

0002

営業マーケティング活動において、顧客等の対象が属するセグメントを特定し、特定したセグメントに応じてマルコフ決定過程等により対象に対して最適なアプローチをする手法が知られている。しかし、新規の顧客等の未知の対象の情報は少ないので、営業活動初期段階で顧客がどのセグメントに属するのか十分に特定することができず、最適なアプローチを取ることができなかった。

0003

特に既存顧客から新規顧客を紹介されるというケースは多く、両者は知り合いであるため新規顧客に悪いアプローチを取ることは既存顧客にも影響を与えかねないため改善が望まれる。

0004

そこで未知の対象と関係がある既知の対象の情報に基づいて、未知の対象が属するセグメントを推定する方法が知られている(非特許文献1から4及び特許文献1参照)。しかし非特許文献2及び特許文献1は、未知の対象の記述した文章情報分析できることが前提であり、文章情報が得られない新規顧客に適用できない。非特許文献1、3及び4は、隣接する対象同士の類似性相関に基づいてセグメントを推定するが、紹介する顧客と紹介される顧客は必ずしも類似セグメントに属さないケースが多いので十分な結果が得られない。
[非特許文献1]Prithviraj Sen, Galileo Namata, Mustafa Bilgic, Lise Getoor, Brian Galligher, Tina Eliassi-Rad,AImagazine 2008
[非特許文献2]Marco Pennacchiotti and Ana-Maria Popescu, KDD2011
[非特許文献3]Belkin et al., COLT2004
[非特許文献4]Kondor and Lafferty, ICML2002
[特許文献1]特開2013−218579号公報

発明が解決しようとする課題

0005

しかし、新規の顧客等の未知の対象の情報は少ないので、営業活動の初期段階で顧客がどのセグメントに属するのか十分に特定することができなかった。

課題を解決するための手段

0006

本発明の第1の態様においては、未知の対象の属性を推定する推定モデルを生成する生成装置であって、既知の対象の属性、当該既知の対象に関係する他の対象の属性、及び、当該既知の対象と他の対象との間の関係の種類の組を複数含む学習データを取得する学習データ取得部と、既知の対象の属性及び当該既知の対象に関係する未知の対象との間の関係の種類に基づいて当該未知の対象の属性を推定する推定モデルを、学習データを用いて学習する学習処理部と、を備える生成装置、当該生成装置を用いた生成方法、及び当該生成装置に用いるプログラムを提供する。

0007

なお、上記の発明の概要は、本発明の特徴の全てを列挙したものではない。また、これらの特徴群サブコンビネーションもまた、発明となりうる。

図面の簡単な説明

0008

本実施形態の生成装置10のブロック図を示す。
本実施形態における複数の対象の関係を示す。
本実施形態の生成装置10の学習時の処理フローを示す。
本実施形態の生成装置10の遷移モデル実行時の処理フローを示す。
初期のセグメントを推定しない場合の遷移モデルの一例を示す。
本実施形態による遷移モデルの一例を示す。
本実施形態における対象が属するセグメントの一例を示す。
本実施形態におけるセグメントの別の一例を示す。
本実施形態におけるセグメントの別の一例を示す。
判別条件により更新された後のセグメント確率の一例を示す。
コンピュータ1900のハードウェア構成の一例を示す。

実施例

0009

以下、発明の実施の形態を通じて本発明を説明するが、以下の実施形態は特許請求の範囲にかかる発明を限定するものではない。また、実施形態の中で説明されている特徴の組み合わせの全てが発明の解決手段に必須であるとは限らない。

0010

図1は、本実施形態の生成装置10のブロック図を示す。生成装置10は、既知の対象同士の学習データに基づいて、既知の対象と関係する未知の対象の属性を推定する推定モデルを生成する。ここで、「対象」とは、生成装置10が生成する推定モデルの推定対象であり、例えば、商品サービス等を購入/利用する顧客、消費者購読者、及び、会員等を指す。「属性」は、対象の特徴であり、例えば、対象の詳細な情報であるプロファイル、及び、対象の状態を示すセグメントを含む。

0011

また、「既知の対象」とは、例えば、商品等の以前に購入した既存の顧客、及び、サービス等に加入済みの有料会員又は無料会員等であってよい。「未知の対象」とは、潜在的な顧客であってよく、例えば、購入/契約前の顧客候補又は会員候補等であってよい。

0012

例えば、生成装置10は、既知の顧客のプロファイル等を含む学習データに基づいて、未知の顧客の購買意欲等の状態を示すセグメントを推定する推定モデルを生成する。生成装置10は、モデル生成部100、学習データ取得部110、学習処理部120、予測対象データ取得部130、プロファイル取得部150、判別条件記憶部160、推定部170、決定部180、及び、出力部190を備える。

0013

モデル生成部100は、複数の既知の対象についての状態遷移モデル、及び、当該状態遷移モデルにおける最適ポリシーを生成する。例えば、モデル生成部100は、既知の対象の取引記録(例えば、購入履歴等)に基づいて、対象が予め定められた複数のセグメントの間で遷移する遷移モデル、及び、対象から得られる報酬最大化するための最適ポリシーを生成する。一例として、モデル生成部100は、部分観測マルコフ決定過程(POMDP)に基づく遷移モデル等を生成する。モデル生成部100は、生成した遷移モデルを推定部170に供給し、最適ポリシーを決定部180に供給する。

0014

また、モデル生成部100は、既知の対象の属性を取得する。例えば、モデル生成部100は、対象の属性として、取引記録から既知の対象のプロファイル情報を取得し、及び/又は、遷移モデルにおいて複数のセグメントのうち当該対象が最初に分類されるべきセグメントを復元し、属性として復元したセグメントを取得する。モデル生成部100は、取引記録、及び、対象の属性を学習データ取得部110に供給する。

0015

学習データ取得部110は、既知の対象についての学習データを取得する。例えば、学習データ取得部110は、既知の対象の属性、当該既知の対象に関係する既知の他の対象の属性、及び、当該既知の対象と既知の他の対象との間の関係の種類の組を複数含む学習データを取得する。

0016

例えば、学習データ取得部110は、既知の対象の属性として、取引記録から既知の対象のプロファイルを取得してよく、モデル生成部100が生成した既知の他の対象が分類されるべきセグメントを取得してよい。学習データ取得部110は、既知の対象に関係する既知の他の対象の属性として、既知の対象である既知の顧客に紹介された別の顧客の属性を取得してよい。

0017

更に学習データ取得部110は、取引記録から未知の対象にアクションを行う行動主体の属性、及び/又は、行動主体に対する既知の対象の関係状態情報を更に含む学習データを取得してよい。例えば、学習データ取得部110は、未知の対象である顧客に営業活動を行う行動主体である営業担当者のプロファイル、及び/又は、既知の顧客の当該営業担当者への満足度を取得してよい。学習データ取得部110は、取得した学習データを学習処理部120に供給する。

0018

学習処理部120は、学習データを用いて、既知の対象の属性及び当該既知の対象に関係する未知の対象との間の関係の種類に基づいて当該未知の対象の属性を推定する推定モデルを学習する。例えば、学習処理部120は、既知の対象のプロファイル、及び、既知の対象と未知の対象との関係の種類に基づいて、未知の対象が分類されるべきセグメントを推定する推定モデルを学習する。

0019

学習処理部120は、更に行動主体の属性及び/又は関係状態情報に更に基づいて、推定モデルを学習してもよい。学習処理部120は、学習した推定モデルを推定部170に供給する。学習処理部120による具体的な処理の内容は後述する。

0020

予測対象データ取得部130は、未知の対象の最初の属性を推定するために用いられる、未知の対象に関して最初の段階で得られている情報を予測対象データとして取得する。例えば、予測対象データ取得部130は、未知の対象に関係する既知の対象の属性、及び、当該未知の対象と当該既知の対象との関係の種類を含む予測対象データを取得する。予測対象データ取得部130は、取得した予測対象データを推定部170に供給する。

0021

プロファイル取得部150は、未知の対象から事後的に得られた情報を取得する。例えば、プロファイル取得部150は、行動主体が未知の対象にアクションをした後に、未知の対象の少なくとも一部のプロファイルを取得する。プロファイル取得部150は、取得したプロファイルを推定部170に供給する。

0022

判別条件記憶部160は、各セグメントに分類される対象のプロファイルが満たすべき複数の判別条件を記憶する。判別条件記憶部160は、判別条件を推定部170に供給する。

0023

推定部170は、既知の対象のプロファイル及び当該既知の対象に関係する未知の対象との間の関係の種類を含む予測対象データを、推定モデルに適用することに基づいて、未知の対象のセグメントを推定する。例えば、推定部170は、未知の対象が複数のセグメントのそれぞれに属する確率を算出する。

0024

また、推定部170は、対象について遷移モデルに基づくシミュレーションを実行して、対象が属するセグメントを推定する。例えば、推定部170は、推定モデルに基づいて算出した未知の対象が各セグメントに属する確率を初期確率として、POMDPに基づく遷移モデルを実行する。推定部170は、未知の対象に対してなされたアクションを取得し、当該アクションを遷移モデルに入力して未知の対象が各セグメントに属する確率を更新してよい。

0025

推定部170は、未知の対象の一部のプロファイルが判明して対象のセグメントを判別するための判別条件が満たされたことに応じて、当該未知の対象のセグメント情報を更新してよい。例えば、推定部170は、プロファイル取得部150から取得した未知の対象のプロファイルが、判別条件記憶部160から取得した一部の判別条件が満たされたことに応じて、未知の対象が各セグメントに属する確率を更新する。推定部170は、未知の対象が属するセグメントに関するセグメント情報を決定部180及び出力部190に供給する。

0026

決定部180は、未知の対象のセグメント情報を最適ポリシーに入力して、未知の対象に対して行うべき最適なアクションを決定する。これにより、決定部180は、最適ポリシーに基づき、複数のセグメントのそれぞれに未知の対象が属する確率に応じて、未知の対象から将来までに予測される報酬の合計を最大化する最適アクションを決定する。決定部180は、決定した未知の対象に対する最適アクションを出力部190に供給する。

0027

出力部190は、生成装置10の処理結果を出力する。例えば、出力部190は、推定部170から得られた未知の対象のセグメント情報、及び/又は、決定部180から得られた未知の対象に対する最適アクションを生成装置10のディスプレイ等に表示する。

0028

このように、生成装置10は、例えば紹介関係にある複数の既知の対象を含む学習データから学習した推定モデルに基づいて、新しく紹介された未知の対象が属するセグメントを推定する。これにより、生成装置10は、未知の対象についての情報が十分にない状況であっても、既知の対象及び対象間の関係等を考慮して未知の対象のセグメントをより正確に推定することができる。

0029

また、生成装置10は、POMDP等の遷移モデルを生成し、推定した未知の対象のセグメントを遷移モデルにおける初期セグメントとして、未知の対象に行うべきアクションを決定する。これにより、生成装置10は、初期の段階から未知の対象に対してより適切なアクションを実行することができる。

0030

図2は、本実施形態における複数の対象の関係を示す。図中のノード1は、アクションを行う行動主体を示し、ノード2〜7はアクションの対象を示す。行動主体は、例えば、商品及び/又はサービスの営業担当者等であり、対象に対する販売宣伝情報提供連絡等の営業活動等をアクションとして実行する。fAは、行動主体の属性を示し、例えば、営業担当者のプロファイルである。

0031

ノード2及びノード3は、ノード1の行動主体からアクションを受ける既知の対象であり、例えば、既知の顧客である。fSは、行動主体に対する既知の対象の関係状態情報であり、例えば、既知の顧客(ノード2)の営業担当者(ノード1)に対する顧客満足度である。fEは、既知の対象の属性を示し、例えば、既知の顧客のプロファイルである。

0032

ノード4〜6は、既知の対象に関係する他の既知の対象であり、例えば、既知の顧客から紹介を受けた既知の紹介顧客である。一例として、ノード5は、ノード1の営業担当者がノード3の既知の顧客から紹介を受けた既知の紹介顧客である。SNは、既知の対象の属性を示し、例えば、既知の顧客のセグメントである。fRは、既知の対象及び他の対象の関係の種類であり、例えば、人間関係の種類である。

0033

ノード7は、既知の対象に関係する未知の対象であり、例えば、既知の顧客から紹介を受けた未知の紹介顧客である。一例として、ノード7は、ノード1の営業担当者がノード3の既知の顧客から紹介を受けた未知の紹介顧客であってよい。ここで、fR'は、既知の対象及び未知の対象の関係の種類であり、SN'は未知の顧客の属性(例えばセグメント)である。

0034

例えば、本実施形態の生成装置10は、(A)営業担当者(ノード1)の既知の顧客(ノード3)の属性fE及び(B)既知の顧客(ノード3)−既知の紹介顧客(ノード5〜6)の関係fRと(C)既知の紹介顧客(ノード5〜6)の属性SNとの関係(A及びBとCとの関係)を学習することで、未知の紹介顧客(ノード7)の関係fR'の情報が新しく得られた際に未知の紹介顧客(ノード7)が、POMDPにおいて属すべき属性SN'を推定する。

0035

図3は、本実施形態の生成装置10の学習時の処理フローを示す。本実施形態において、生成装置10は、S110からS170の処理を実行することにより、推定モデルを学習する。

0036

まず、S110において、モデル生成部100が既知の対象の状態遷移モデルを生成する。例えば、モデル生成部100は、行動主体と既知の対象との過去の取引記録を取得し、当該取引記録からマルコフ決定過程(MDP)又は部分観測マルコフ決定過程(POMDP)に基づく対象のセグメントの遷移モデル、及び、報酬を最大化するための最適ポリシーを生成する。

0037

一例として、モデル生成部100は、既知の対象である顧客のプロファイルと、行動主体である営業担当者が顧客に対して行ったアクション(例えば、電話による営業活動等)と、それに対する顧客の応答(例えば、商品等の購入又は商品等に対する興味の変化)との時系列記録を含む取引記録を取得する。

0038

そして、モデル生成部100は、取引記録から、アクションに応じて各セグメントに顧客が属する確率を遷移させるPOMDP等に基づく遷移モデルを生成する。例えば、モデル生成部100は、人により定義されたセグメントを用いて遷移モデルを生成してよい。また、例えば、モデル生成部100は、取引記録の顧客のプロファイルを説明変数とし、顧客の購買等の応答を目的変数とする回帰木モデル統計分析ツールで作成し、回帰木により生成したセグメントを用いて遷移モデルを生成してよい。モデル生成部100は、遷移モデルを生成する際に判別条件記憶部160から対象をセグメントに分類するための判別条件を取得してよい。

0039

更にモデル生成部100は、当該遷移モデルにおいて予め定められた将来時点までの顧客からの報酬(例えば、商品及び/又はサービスの購入)を最大化するための最適ポリシーを生成する。例えば、モデル生成部100は、動的計画法(Dynamic Programming)により最適ポリシーを生成する。モデル生成部100は、生成した遷移モデル及び最適ポリシーを推定部170及び決定部180に供給する。

0040

次に、S130において、モデル生成部100は、学習データにおける各対象の最初のセグメントを復元する。例えば、モデル生成部100は、生成した遷移モデルにおいて各対象が最初に属するセグメントに関する初期セグメント情報を取得する。一例として、モデル生成部100は、POMDPにおいて既知の対象が各セグメントに属する確率を初期セグメント情報として取得する。

0041

これに代えて、モデル生成部100は、POMDP等における既知の対象が属する確率が最も高いと推定されるセグメントを初期セグメント情報として取得してもよい。モデル生成部100は、対象のセグメントを学習データ取得部110に供給する。

0042

次に、S150において、学習データ取得部110は、少なくとも、既知の対象の属性fE、当該既知の対象に関係する他の対象の属性SN、及び、当該既知の対象と他の対象との間の関係の種類fRの組を複数含む学習データを取得する。学習データ取得部110は、学習データとして、行動主体の属性fA、及び/又は、行動主体に対する既知の対象の関係状態情報fSを更に取得してもよい。

0043

例えば、学習データ取得部110は、既知の対象の属性fEとして、既知の対象のプロファイルを取得する。一例として、学習データ取得部110は、既知の対象の属性fEとして、既知の顧客の年齢住所性別身長、体重、家族構成出身地、健康情報、学歴、職種収入、購買歴、趣味嗜好、及び/又は、思想を取得してよい。また、学習データ取得部110は、既知の対象の属性fEとして、既知の顧客が営業施策上どのような顧客層に分類されるのかを示すセグメント情報を取得してよい。

0044

例えば、学習データ取得部110は、既知の対象に関係する他の対象の属性SNとして、営業担当者が既知の顧客から紹介された既知の紹介顧客のセグメントを取得する。一例として、学習データ取得部110は、S130で生成した既知の対象のセグメント情報を、他の対象の属性SNとして取得する。これに代えて、学習データ取得部110は、既知の対象のプロファイルを、他の対象の属性SNとして取得してもよい。既知の対象のプロファイルを他の対象の属性SNとする場合、生成装置10はS130の処理を省略してよい。

0045

例えば、学習データ取得部110は、既知の対象及び他の対象の関係の種類fRとして、既知顧客と既知顧客から紹介された紹介顧客との関係の種類を含む学習データを取得してよい。一例として、学習データ取得部110は、関係の種類fRとして、職場関係(例えば、上司、部下、又は同僚等)、家族関係(親、兄弟、配偶者、子供、又は親戚等)、学校関係(同級生、同窓生、先輩又は恩師等)、友人関係、及び/又は、ソーシャルネットワークサービス上の関係(フレンドフォロー及びフォロワー等)等を識別する情報を取得してよい。

0046

ここで、他の対象は、既知の対象が行動主体に行動の対象として紹介したものであってよい。例えば、他の対象は、既知の対象である顧客等が行動主体である営業担当者に新しく紹介した新規の顧客であってよい。従って、学習データ取得部110は、既知の対象及び他の対象の関係の種類として既知顧客と既知顧客から紹介された紹介顧客との関係の種類(例えば、職場の同僚関係等)を取得してよい。

0047

また、例えば、学習データ取得部110は、行動主体の属性fAとして、対象に商品/サービス等を販売する営業担当者のプロファイルを取得する。一例として、学習データ取得部110は、営業担当者のプロファイルとして、営業担当者の年代、性別、勤続年数、商品取扱経験、営業成績資格の有無、及び/又は、性格を取得してよい。

0048

ここで、学習データ取得部110は、行動主体の属性fAとして、複数の営業担当者のプロファイルを取得してもよい。例えば、学習データ取得部110は、Counting処理により、複数の営業担当者のプロファイル情報を固定長ベクトルに変換し、これを属性fAとして取得してよい。

0049

例えば、学習データ取得部110は、行動主体に対する既知の対象の関係状態情報fSとして、営業担当者に対する既知顧客の満足度を表す情報を取得する。一例として、学習データ取得部110は、関係状態情報fSとして、接客の満足度、サービス/商品に対する満足度、及び/又はアフターケアの満足度等を表すベクトルを取得する。学習データ取得部110は、既知顧客へのアンケートの結果等から関係状態情報fSを取得してよい。

0050

学習データ取得部110は、これらの既知の対象の属性fE、当該既知の対象と他の対象との間の関係の種類fR、行動主体の属性fA、及び/又は、行動主体に対する既知の対象の関係状態情報fSを含む情報の組からなる特徴量g=(fE,fR,fA,fS)と、既知の対象に関係する他の対象の属性SNとの組を、既知の対象に関係する他の対象ごとに複数取得する。学習データ取得部110は、特徴量g=(fE,fR,fA,fS)を離散化してもよい。学習データ取得部110は、取得した学習データを学習処理部120に供給する。

0051

次に、S170において、学習処理部120は、既知の対象についての学習データを用いて、未知の対象の属性SN'を推定する推定モデルを学習する。例えば、学習処理部120は、既知の対象の属性fE、及び、当該既知の対象と未知の対象との間の関係の種類fR'に基づいて、当該未知の対象が分類されるべきセグメントSN'を推定する推定モデルを学習する。ここで、学習処理部120は、既知の対象となる既知顧客の属性、及び、当該既知顧客と関係する他の対象となる他の顧客の属性、他の顧客が未知であった時点において当該既知の顧客が行動主体に開示した既知の顧客と他の顧客との関係の種類の種類に基づいて、既知の顧客と同じ関係の種類を持つ未知の顧客が分類されるべきセグメントを推定する推定モデルを学習してよい。例えば、学習処理部120は、既知の顧客と既知の顧客から紹介されたかつて未知の対象であった紹介顧客との関係の種類等に基づいて、新しい紹介顧客が分類されるべきセグメントを推定する推定モデルを学習してよい。

0052

一例として、学習処理部120は、既知の対象の特徴量g=(fA,fS,fE,fR)と、既知の対象と関係する他の対象のセグメントSNとを教師として、特徴量gにおいてセグメントSNが得られる確率であるP(SN|g)を学習する。学習処理部120は、確率max{SN}P(SN|g)が予め定められた閾値Ps以上であれば、特徴量gに対応するセグメントsとしてs=argmax{SN}P(SN|g)を出力する推定モデルを学習する。学習処理部120は、既知の教師あり学習手法によりP(SN|g)を学習してよく、例えば、Naive Bayes法を用いてよい。

0053

例えば、学習処理部120は、セグメントsとして、対象の商品又はサービス等に対する興味の大きさ、対象の商品又はサービス等に対する知識量、対象の資力、対象の過去の購買頻度、対象の最近の購買の有無、対象の性別、対象の年齢層等により分類されるセグメントを用いてよい。学習処理部120は、判別条件記憶部160に格納された判別条件によりセグメントを定義してよい。学習処理部120は、学習した推定モデルを推定部170に供給する。

0054

図4は、本実施形態の生成装置10の遷移モデル実行時の処理フローを示す。本実施形態において、生成装置10は、S210からS310の処理により遷移モデルを実行し、未知の対象に対する最適なアクションを決定する。

0055

予測対象データ取得部130は、推定モデルにおいて、属性を予測する対象となる未知の対象が属するセグメントを推定するために用いる予測対象データを取得する。例えば、予測対象データ取得部130は、未知の対象に関係する既知の対象の属性fE、及び、当該未知の対象と当該既知の対象との関係fR'を含む予測対象データを取得する。

0056

一例として、予測対象データ取得部130は、属性の予測対象となる未知の顧客を紹介した既知の顧客のプロファイル、及び、既知の顧客と未知の顧客の関係(例えば、職場の同僚等)を含む予測対象データを取得する。予測対象データ取得部130は、既知の顧客のプロファイルに代えて/加えて、既知の顧客の現時点又は初期のセグメントを取得してもよい。

0057

予測対象データ取得部130は、更に行動主体の属性及び/又は関係状態情報を、予測対象データとして取得してもよい。例えば、予測対象データ取得部130は、未知の顧客に営業活動を行う営業担当者のプロファイル、及び/又は、未知の顧客を紹介した既知の顧客の営業担当者に対する顧客満足度を予測対象データとして取得してよい。

0058

予測対象データ取得部130は、学習データから予測対象データを取得してもよい。例えば、予測対象データ取得部130は、学習データから既知の対象の属性、行動主体の属性、及び/又は関係状態情報を取得してよい。予測対象データ取得部130は、取得した予測対象データを推定部170に供給する。

0059

次に、S230において、推定部170が予測対象データを、推定モデルに適用することに基づいて、未知の対象が属するセグメントを推定する。例えば、推定部170は、S210で取得した予測対象データgを、学習済みの推定モデルに入力することにより、未知の対象が複数のセグメントSNのそれぞれに属する確率P(SN|g)を算出する。推定部170は、推定した未知の対象のセグメントの情報を決定部180及び出力部190に供給する。

0060

推定部170は、算出した未知の対象が複数のセグメントのそれぞれに属する確率P(SN|g)を用いて、未知の対象についてMDP及びPOMDP等の遷移モデルを開始する。例えば、推定部170は、確率P(SN|g)をPOMDPにおいて未知の対象が各セグメントに最初に属する確率である初期確率としてよい。また、例えば、推定部170は、MDPにおいて、最も大きい確率P(SN|g)のセグメントを、未知の対象が最初に属するセグメントとしてよい。

0061

次に、S250において、未知の対象の現在のセグメント情報に応じて、未知の対象に対して行うべきアクションを決定する。例えば、決定部180は、複数のセグメントのそれぞれに未知の対象が属する確率に応じて、未知の対象から得られる次のアクションに対する報酬、又は、将来の所定の時点までに予測される報酬の合計を最大化するアクションを最適ポリシーに基づいて決定する。

0062

一例として、決定部180は、未知の顧客の現在のセグメント(1回目のS250の処理であれば初期のセグメント)をMDP又はPOMDPについての最適ポリシーに入力して、対面による営業活動、電話による営業活動、及び、メールによる商品案内等の顧客へのアクションのうち未知の顧客に対して行うべきアクションを決定する。決定部180は、決定した未知の対象に対するアクションを出力部190に供給する。

0063

次に、S270において、プロファイル取得部150が、未知の対象になされたアクションの内容を取得し、更にアクションがなされた後の未知の対象の情報を観測として取得する。例えば、プロファイル取得部150は、行動主体である営業担当者が未知の対象である顧客に行ったアクション、及び、アクションをした結果、当該顧客の反応の情報を取得する。一例として、プロファイル取得部150は、営業担当者が実際に顧客に行ったアクション、及び、当該アクションに対して顧客が購買した商品/サービスの購買、及び/又は、顧客の商品/サービスに対する反応(例えば、興味を持った/興味を持たなかった等)の情報を取得する。

0064

また、プロファイル取得部150は、未知の対象の少なくとも一部のプロファイルを取得する。例えば、プロファイル取得部150は、営業担当者が未知の対象である顧客との会話から直接的又は間接的に得た情報(例えば、顧客の年齢層、及び、職業等)を取得する。プロファイル取得部150は、未知の対象からのアクションに対する反応から抽出されたプロファイルに関する情報を、プロファイルの一部として取得してよい。プロファイル取得部150は、取得した未知の対象のプロファイルを推定部170に供給する。

0065

次に、S290において、推定部170は、未知の対象の状態遷移を推定する。例えば、推定部170は、遷移モデルに基づくシミュレーションを実行して、未知の対象に対してアクションがなされた後の、複数のセグメントのそれぞれに未知の対象が属する確率を推定する。例えば、推定部170は、MDP及びPOMDPに基づく遷移モデルにおいて、未知の対象が現在各セグメントに属する確率(1回目のS290の処理であればS230で予測した初期確率)を現在の状態とし、S270で取得した未知の対象へ実際になされたアクションを遷移モデルに入力するアクションとし、アクション後の未知の対象の反応の情報を観測として入力し、未知の対象が各セグメントに属する確率P(SN)を生成する。

0066

また、推定部170は、未知の対象の一部のプロファイルが判明して対象のセグメントを判別するための複数の判別条件のうちの一部の判別条件が満たされたことに応じて、当該未知の対象のセグメント情報を更新してよい。例えば、推定部170は、判別条件記憶部160から、少なくとも1つのセグメントのそれぞれに対応付けられ、当該セグメントに分類される対象のプロファイルが満たすべき複数の判別条件を取得する。

0067

推定部170は、S270で取得した未知の対象の少なくとも一部のプロファイルが、各セグメントに対する判別条件を満たすか否かを判定し、判定結果に応じて、未知の対象が各セグメントに属する確率を更新する。

0068

例えば、未知の対象についての特徴量gが得られたときに、判別条件C1〜CNで定義されるセグメントSに対象が属する確率は、数式1のP(S|g)で示される。

0069

ここで、判定条件C1〜CNのうち判別条件C1が満たされることが判明した場合に、対象がセグメントSに属する確率は、数式2のP(S|g,C1=true)で示される。

0070

判別条件C1〜CNのうちC1〜Cnのn個の判別条件が満たされることが判明した場合に、対象がセグメントSに属する確率は、数式3のP(S|g,C1,…,Cn)で示される(「=true」の表記は省略)。

0071

ここで、数式2、3の右辺分母周辺確率)は、数式4で計算することができる。

0072

このように、推定部170は、S290において、POMDPに基づく確率の更新に加え、未知の対象のプロファイルの判別条件による判定に基づく確率の更新を行ってよい。

0073

次に、S310において推定部170は、処理を終了するか否かを判断する。例えば、推定部170は、未知の対象が予め定められたセグメントに属しているか否か、未知の対象から得られた報酬が予め定められた閾値を超えたか否か等を判断する。推定部170は、処理を終了しない場合、S250に処理を戻す。

0074

このように、生成装置10は、既知の対象のプロファイル及び既知の対象と他の対象との関係を利用して未知の対象のセグメントを推定し、推定したセグメントを初期条件としてPOMDP等の遷移モデルを実行する。生成装置10は、対象の初期のセグメントを推定した状態で遷移モデルを実行するので、特に初期段階で対象に対して適切なアクションを提案することができる。

0075

図5は、初期のセグメントを推定しない場合の遷移モデルの一例を示す。図5では、未知の対象が最初に属するセグメントが予測されずに遷移モデルが実行されている。ここでは、遷移モデルは、対象が状態に応じていずれかに属する「セグメント1〜3」を有する。更に遷移モデルは、セグメント1〜3のいずれかに属するかべきか不明な対象が属する「セグメント不明」のセグメントを有する。

0076

対象が最初に属するセグメントが予測されない場合、対象が初期に属するべきセグメントが不明なので、図示するように、未知の対象は「セグメント不明」に暫定的に属する。その後、対象にしたアクション及び未知の対象から得られた観測に基づいて未知の対象が属するべきセグメントが決定される。図5では、対象は3ステップ目でセグメント2に属すると決定され、4ステップ目でセグメント3に属すると決定される。

0077

図5に示す場合、遷移モデルの初期において、実際に属するセグメントに関わらず未知の対象が必ず「セグメント不明」に配されるので、未知の対象に対して同じアクションがなされるべきと決定される。従って、未知の対象に対して最適なアクションを行うことができない。

0078

図6は、本実施形態による遷移モデルの一例を示す。図6では、未知の対象が最初に属するセグメントが予測された後に遷移モデルが実行されている。ここでは、対象が最初に属するのがセグメント2であると予測され、2〜3ステップ目でセグメント2に属すると決定され、4ステップ目でセグメント3に属すると決定される。

0079

図6に示す場合、遷移モデルの初期において、実際に属するセグメントが推定されているので、未知の対象に対して初期の段階から最適なアクションを行うことができる。例えば、本実施形態においては、既知の顧客から紹介された未知の顧客の状態(セグメント)が判明しているので、営業担当者は、未知の顧客に対して初期の段階から適切な営業活動を行うことができる。

0080

図7は、本実施形態における対象が属するセグメントの例を示す。図示するように、生成装置10は、既存契約の有り/無し、及び、収入が一定以上/未満かに応じて、対象をセグメントS1〜4のいずれかに分類してよい。例えば、生成装置10は、既存契約が有り収入が一定以上の対象をセグメントS1に分類し、既存契約が無く収入が一定以上の対象をセグメントS2に分類し、既存契約が有り収入が一定未満の対象をセグメントS3に分類し、既存契約が無く収入が一定未満の対象をセグメントS4に分類してよい。

0081

図8は、本実施形態における対象が属するセグメントの別の例を示す。図示するように、生成装置10は、サービス等の利用頻度が一定以上/未満か、及び、最近の利用が有り/無しに応じて、対象をセグメントS1〜4のいずれかに分類してよい。例えば、生成装置10は、一定以上の頻度かつ最近利用した対象をセグメントS1に分類し、一定未満の頻度で最近利用した対象をセグメントS2に分類し、一定以上の頻度かつ最近利用していない対象をセグメントS3に分類し、一定未満の頻度かつ最近利用していない対象をセグメントS4に分類してよい。

0082

図9は、本実施形態における対象が属するセグメントの別の例を示す。図示するように、生成装置10は、対象の年齢が40代以上/未満か、及び、収入が一定以上/未満かに応じて、対象をセグメントS1〜4のいずれかに分類してよい。例えば、生成装置10は、一定以上の頻度かつ最近利用した対象をセグメントS1に分類し、一定未満の頻度で最近利用した対象をセグメントS2に分類し、一定以上の頻度かつ最近利用していない対象をセグメントS3に分類し、一定未満の頻度かつ最近利用していない対象をセグメントS4に分類してよい。

0083

推定部170は、POMDPに基づく遷移モデルを実行する場合、対象が各セグメントS1〜S4に属する確率を推定する。例えば、図示するように、推定部170は、未知の対象がセグメントS1に属する確率が40%で、未知の対象がセグメントS2に属する確率が20%で、未知の対象がセグメントS3に属する確率が10%で、未知の対象がセグメントS4に属する確率が30%であると推定する。

0084

図7図9において、例えば、セグメントS1に近いほど有望な顧客でセグメントS4に近いほど見込みがない顧客と考えることができる。従って、例えば、S250において決定部180は、未知の対象がセグメントS1に属する確率が高いほどコストが高いが効果も見込めるアクション(例えば、対面での営業活動)を決定し、未知の対象がセグメントS4に属する確率が高いほどコストも効果も低いアクション(例えば、メールでの営業活動)を決定してよい。

0085

図7から図9では、セグメントが2個の判別条件の組み合わせで定義される場合を例に説明したが、生成装置10が用いるセグメントはこれに限られない。例えば、生成装置10は、1又は3以上の判別条件の組み合わせにより定義されたセグメントを用いてよい。

0086

図10は、判別条件により更新された後のセグメント確率の一例を示す。例えば、生成装置10が、対象を図9に示すセグメントS1〜S4に分類する場合を想定する。S270において、生成装置10は、対象をセグメントS1〜S4に分類するための判別条件を取得してよい。例えば、推定部170は、「年齢が40代以上であること」という判別条件と「収入が一定以上であること」という判別条件を判別条件記憶部160から取得する。

0087

ここで、S270において、プロファイル取得部150が、未知の対象について判別条件に関連するプロファイルを取得することがある。例えば、プロファイル取得部150が、未知の対象のプロファイルとして「顧客の年齢が少なくとも40である」という情報を取得したとする。

0088

この場合、S290において、推定部170は、取得した当該未知の対象のプロファイルにより、未知の対象が「年齢が40代以上であること」という判別条件を満たすと判定してよい。その結果、当該未知の対象が各セグメントに属する確率を図9に示す状態から図10に示す状態に変更することができる。

0089

「年齢が40代以上であること」という判別条件を満たす場合、対象は、「年齢が40代未満であること」が要件となるセグメントS2及びセグメントS4に属することはなくなる。従って、推定部170は、セグメントS2及びセグメントS4に属する確率の合計(20%+30%)を、セグメントS1及びセグメントS3の確率の比(40%:10%)に応じて分配してよい。この結果、推定部170は、対象がセグメントS1に属する確率を80%に更新し、セグメントS3に属する確率を20%に更新してよい。

0090

上記本実施形態の説明においては、行動主体である商品/サービス等の営業担当者が、既知の対象から紹介された未知の対象である顧客に最適なアクションを起こすために、商品等を購買する顧客のセグメントを推定する場合を例に説明した。具体的には、行動主体は、保険銀行美容用品自家用車不動産金融商品飲食サロン、及び/又は、ヘッドハンティング等の人材サービスを既知/未知の対象に提供するものであってよい。

0091

特に、本実施形態の生成装置10は、対象者間の紹介により購買/利用等が促進される商品/サービス等において、新規紹介顧客のセグメントを推定するために用いられてよい。このような場合、既知の対象と他の対象/未知の対象の間に一定以上の信頼関係類似関係等があることから、両対象のセグメント間により大きな相関関係があると予想される。従って、生成装置10は、より正確に対象が属するセグメントを推定することができる。

0092

本実施形態の生成装置10は、商品/サービス等が複雑で顧客のニーズを把握することが困難である場合、顧客がニーズを自覚していない場合、及び/又は、顧客のプロファイル等を取得することが困難又はリスクを伴う場合等において、顧客同士の関係等を利用して大きなリスクを負うことなく顧客のセグメントを推定することができる。

0093

図11は、生成装置10として機能するコンピュータ1900のハードウェア構成の一例を示す。本実施形態に係るコンピュータ1900は、ホスト・コントローラ2082により相互に接続されるCPU2000、RAM2020、グラフィック・コントローラ2075、及び表示装置2080を有するCPU周辺部と、入出力コントローラ2084によりホスト・コントローラ2082に接続される通信インターフェイス2030、ハードディスクドライブ2040、及びCD−ROMドライブ2060を有する入出力部と、入出力コントローラ2084に接続されるROM2010、フレキシブルディスク・ドライブ2050、及び入出力チップ2070を有するレガシー入出力部を備える。

0094

ホスト・コントローラ2082は、RAM2020と、高い転送レートでRAM2020をアクセスするCPU2000及びグラフィック・コントローラ2075とを接続する。CPU2000は、ROM2010及びRAM2020に格納されたプログラムに基づいて動作し、各部の制御を行う。グラフィック・コントローラ2075は、CPU2000等がRAM2020内に設けたフレームバッファ上に生成する画像データを取得し、表示装置2080上に表示させる。これに代えて、グラフィック・コントローラ2075は、CPU2000等が生成する画像データを格納するフレーム・バッファを、内部に含んでもよい。

0095

入出力コントローラ2084は、ホスト・コントローラ2082と、比較的高速入出力装置である通信インターフェイス2030、ハードディスクドライブ2040、CD−ROMドライブ2060を接続する。通信インターフェイス2030は、有線又は無線によりネットワークを介して他の装置と通信する。また、通信インターフェイスは、通信を行うハードウェアとして機能する。ハードディスクドライブ2040は、コンピュータ1900内のCPU2000が使用するプログラム及びデータを格納する。CD−ROMドライブ2060は、CD−ROM2095からプログラム又はデータを読み取り、RAM2020を介してハードディスクドライブ2040に提供する。

0096

また、入出力コントローラ2084には、ROM2010と、フレキシブルディスク・ドライブ2050、及び入出力チップ2070の比較的低速な入出力装置とが接続される。ROM2010は、コンピュータ1900が起動時に実行するブート・プログラム、及び/又は、コンピュータ1900のハードウェアに依存するプログラム等を格納する。フレキシブルディスク・ドライブ2050は、フレキシブルディスク2090からプログラム又はデータを読み取り、RAM2020を介してハードディスクドライブ2040に提供する。入出力チップ2070は、フレキシブルディスク・ドライブ2050を入出力コントローラ2084へと接続するとともに、例えばパラレルポートシリアル・ポート、キーボード・ポート、マウス・ポート等を介して各種の入出力装置を入出力コントローラ2084へと接続する。

0097

RAM2020を介してハードディスクドライブ2040に提供されるプログラムは、フレキシブルディスク2090、CD−ROM2095、又はICカード等の記録媒体に格納されて利用者によって提供される。プログラムは、記録媒体から読み出され、RAM2020を介してコンピュータ1900内のハードディスクドライブ2040にインストールされ、CPU2000において実行される。

0098

コンピュータ1900にインストールされ、コンピュータ1900を生成装置10として機能させるプログラムは、モデル生成モジュール、学習データ取得モジュール学習処理モジュール、予測対象データ取得モジュール、プロファイル取得モジュール、判別条件記憶モジュール推定モジュール決定モジュール、及び、出力モジュールを備える。これらのプログラム又はモジュールは、CPU2000等に働きかけて、コンピュータ1900を、モデル生成部100、学習データ取得部110、学習処理部120、予測対象データ取得部130、プロファイル取得部150、判別条件記憶部160、推定部170、決定部180、及び、出力部190としてそれぞれ機能させてよい。

0099

これらのプログラムに記述された情報処理は、コンピュータ1900に読込まれることにより、ソフトウェアと上述した各種のハードウェア資源とが協働した具体的手段である算モデル生成部100、学習データ取得部110、学習処理部120、予測対象データ取得部130、プロファイル取得部150、判別条件記憶部160、推定部170、決定部180、及び、出力部190として機能する。そして、これらの具体的手段によって、本実施形態におけるコンピュータ1900の使用目的に応じた情報の演算又は加工を実現することにより、使用目的に応じた特有の生成装置10が構築される。

0100

一例として、コンピュータ1900と外部の装置等との間で通信を行う場合には、CPU2000は、RAM2020上にロードされた通信プログラムを実行し、通信プログラムに記述された処理内容に基づいて、通信インターフェイス2030に対して通信処理を指示する。通信インターフェイス2030は、CPU2000の制御を受けて、RAM2020、ハードディスクドライブ2040、フレキシブルディスク2090、又はCD−ROM2095等の記憶装置上に設けた送信バッファ領域等に記憶された送信データ読み出してネットワークへと送信し、もしくは、ネットワークから受信した受信データを記憶装置上に設けた受信バッファ領域等へと書き込む。このように、通信インターフェイス2030は、DMA(ダイレクトメモリ・アクセス)方式により記憶装置との間で送受信データを転送してもよく、これに代えて、CPU2000が転送元の記憶装置又は通信インターフェイス2030からデータを読み出し、転送先の通信インターフェイス2030又は記憶装置へとデータを書き込むことにより送受信データを転送してもよい。

0101

また、CPU2000は、ハードディスクドライブ2040、CD−ROMドライブ2060(CD−ROM2095)、フレキシブルディスク・ドライブ2050(フレキシブルディスク2090)等の外部記憶装置に格納されたファイルまたはデータベース等の中から、全部または必要な部分をDMA転送等によりRAM2020へと読み込ませ、RAM2020上のデータに対して各種の処理を行う。そして、CPU2000は、処理を終えたデータを、DMA転送等により外部記憶装置へと書き戻す。このような処理において、RAM2020は、外部記憶装置の内容を一時的に保持するものとみなせるから、本実施形態においてはRAM2020及び外部記憶装置等をメモリ、記憶部、または記憶装置等と総称する。

0102

例えば、生成装置10の記憶部は、モデル生成部100、学習データ取得部110、学習処理部120、予測対象データ取得部130、プロファイル取得部150、判別条件記憶部160、推定部170、決定部180、及び、出力部190から受け取った/へ提供するデータを適宜記憶してよい。例えば、記憶部は、生成モデル部100が学習データ取得部110に供給した既存の対象の属性のデータを受け取って記憶してよい。また、記憶部は、学習処理部120が学習した推定モデル等を記憶してよい。

0103

本実施形態における各種のプログラム、データ、テーブル、データベース等の各種の情報は、このような記憶装置上に格納されて、情報処理の対象となる。なお、CPU2000は、RAM2020の一部をキャッシュメモリに保持し、キャッシュメモリ上で読み書きを行うこともできる。このような形態においても、キャッシュメモリはRAM2020の機能の一部を担うから、本実施形態においては、区別して示す場合を除き、キャッシュメモリもRAM2020、メモリ、及び/又は記憶装置に含まれるものとする。

0104

また、CPU2000は、RAM2020から読み出したデータに対して、プログラムの命令列により指定された、本実施形態中に記載した各種の演算、情報の加工、条件判断、情報の検索置換等を含む各種の処理を行い、RAM2020へと書き戻す。例えば、CPU2000は、条件判断を行う場合においては、本実施形態において示した各種の変数が、他の変数または定数と比較して、大きい、小さい、以上、以下、等しい等の条件を満たすか否かを判断し、条件が成立した場合(又は不成立であった場合)に、異なる命令列へと分岐し、またはサブルーチン呼び出す

0105

また、CPU2000は、記憶装置内のファイルまたはデータベース等に格納された情報を検索することができる。例えば、第1属性の属性値に対し第2属性の属性値がそれぞれ対応付けられた複数のエントリが記憶装置に格納されている場合において、CPU2000は、記憶装置に格納されている複数のエントリの中から第1属性の属性値が指定された条件と一致するエントリを検索し、そのエントリに格納されている第2属性の属性値を読み出すことにより、所定の条件を満たす第1属性に対応付けられた第2属性の属性値を得ることができる。

0106

また、実施形態の説明において複数の要素が列挙された場合には、列挙された要素以外の要素を用いてもよい。例えば、「Xは、A、B及びCを用いてYを実行する」と記載される場合、Xは、A、B及びCに加え、Dを用いてYを実行してもよい。

0107

以上、本発明を実施の形態を用いて説明したが、本発明の技術的範囲は上記実施の形態に記載の範囲には限定されない。上記実施の形態に、多様な変更または改良を加えることが可能であることが当業者に明らかである。その様な変更または改良を加えた形態も本発明の技術的範囲に含まれ得ることが、特許請求の範囲の記載から明らかである。

0108

特許請求の範囲、明細書、及び図面中において示した装置、システム、プログラム、及び方法における動作、手順、ステップ、及び段階等の各処理の実行順序は、特段「より前に」、「先立って」等と明示しておらず、また、前の処理の出力を後の処理で用いるのでない限り、任意の順序で実現しうることに留意すべきである。特許請求の範囲、明細書、及び図面中の動作フローに関して、便宜上「まず、」、「次に、」等を用いて説明したとしても、この順で実施することが必須であることを意味するものではない。

0109

10生成装置、100モデル生成部、110 学習データ取得部、120学習処理部、130予測対象データ取得部、150プロファイル取得部、160判別条件記憶部、170推定部、180 決定部、190 出力部、1900コンピュータ、2000 CPU、2010 ROM、2020 RAM、2030通信インターフェイス、2040ハードディスクドライブ、2050フレキシブルディスク・ドライブ、2060CD−ROMドライブ、2070入出力チップ、2075グラフィック・コントローラ、2080表示装置、2082 ホスト・コントローラ、2084入出力コントローラ、2090 フレキシブルディスク、2095 CD−ROM

ページトップへ

この技術を出願した法人

この技術を発明した人物

ページトップへ

関連する挑戦したい社会課題

関連する公募課題

ページトップへ

技術視点だけで見ていませんか?

この技術の活用可能性がある分野

分野別動向を把握したい方- 事業化視点で見る -

(分野番号表示ON)※整理標準化データをもとに当社作成

ページトップへ

おススメ サービス

おススメ astavisionコンテンツ

新着 最近 公開された関連が強い技術

  • 株式会社ソケッツの「 検索装置および方法」が 公開されました。( 2019/09/19)

    【課題】同一の感性ワードで加重的に絞り込み検索を行えるようにする。【解決手段】同一の感性ワードで加重的に絞り込み検索を行う場合、類似・関連ワード抽出部319が、感性ワードに類似・関連する別のワードを検... 詳細

  • TDK株式会社の「 ニューラルネットワーク装置、信号生成方法およびプログラム」が 公開されました。( 2019/09/12)

    【課題】ニューラルネットワークにおける積和演算にニューロモルフィック素子を使用する場合に、演算時間の増加を抑制する。【解決手段】入力信号の離散値を、予め定められた閾値に基づいて入力信号の量子化段階数よ... 詳細

  • ヤフー株式会社の「 情報処理装置、情報処理方法、及び情報処理プログラム」が 公開されました。( 2019/09/12)

    【課題】ユーザの移動の妨害に応じた適切な対応を可能にする。【解決手段】本願に係る情報処理装置は、取得部と、決定部とを有する。取得部は、ユーザの位置情報と、ユーザが位置するエリアにおいて発生する事象のう... 詳細

この 技術と関連性が強い人物

関連性が強い人物一覧

この 技術と関連する社会課題

関連する挑戦したい社会課題一覧

この 技術と関連する公募課題

関連する公募課題一覧

astavision 新着記事

サイト情報について

本サービスは、国が公開している情報(公開特許公報、特許整理標準化データ等)を元に構成されています。出典元のデータには一部間違いやノイズがあり、情報の正確さについては保証致しかねます。また一時的に、各データの収録範囲や更新周期によって、一部の情報が正しく表示されないことがございます。当サイトの情報を元にした諸問題、不利益等について当方は何ら責任を負いかねることを予めご承知おきのほど宜しくお願い申し上げます。

主たる情報の出典

特許情報…特許整理標準化データ(XML編)、公開特許公報、特許公報、審決公報、Patent Map Guidance System データ