JP2017157145A - 推定装置、推定方法、及び推定プログラム - Google Patents

Abstract

【課題】ユーザに関する情報を適切に推定すること。【解決手段】本願に係る推定装置は、取得部と、推定部とを有する。取得部は、ユーザごとの行動に関する行動情報であって、コンテキストに基づいて分割された行動情報である分割情報が、当該分割情報の各々に含まれる行動情報の傾向に基づいて組み合わされた情報であり、ユーザ間を跨ぐ組み合わせを含む情報である組合情報ごとに生成され、所定の対象を予測するモデルに関する情報を取得する。推定部は、取得部により取得されたモデルに関する情報に基づいて、ユーザに関する情報を推定する。【選択図】図５

Description

本発明は、推定装置、推定方法、及び推定プログラムに関する。

従来、ユーザの状態や状況等、いわゆるコンテキストに基づいてユーザに情報を提供する技術が提供されている。例えば、コンテキスト条件を自動的に抽出し、情報を推薦する技術が提供されている。

特開２０１３-２５７６６８号公報

しかしながら、上記の従来技術では、ユーザの関心等のユーザに関する情報を適切に推定することが難しい場合がある。例えば、コンテキスト条件を自動的に抽出する場合、各ユーザの情報量に応じてコンテキストが変動するため、ユーザの情報量が少ない場合、ユユーザの関心等のユーザに関する情報を適切に推定することが難しい。

本願は、上記に鑑みてなされたものであって、ユーザに関する情報を適切に推定する推定装置、推定方法、及び推定プログラムを提供することを目的とする。

本願に係る推定装置は、ユーザごとの行動に関する行動情報であって、コンテキストに基づいて分割された行動情報である分割情報が、当該分割情報の各々に含まれる行動情報の傾向に基づいて組み合わされた情報であり、前記ユーザ間を跨ぐ組み合わせを含む情報である組合情報ごとに生成され、所定の対象を予測するモデルに関する情報を取得する取得部と、前記取得部により取得されたモデルに関する情報に基づいて、ユーザに関する情報を推定する推定部と、を備えたことを特徴とする。

実施形態の一態様によれば、ユーザに関する情報を適切に推定することができるという効果を奏する。

図１は、実施形態に係る推定処理の一例を示す図である。 図２は、実施形態に係る生成処理の一例を示す図である。 図３は、実施形態に係る配信処理の一例を示す図である。 図４は、実施形態に係る推定したユーザの関心に基づく広告の配信処理の一例を示す図である。 図５は、実施形態に係る配信装置の構成例を示す図である。 図６は、実施形態に係るユーザ情報記憶部の一例を示す図である。 図７は、実施形態に係る行動情報記憶部の一例を示す図である。 図８は、実施形態に係る分割情報記憶部の一例を示す図である。 図９は、実施形態に係るクラスタ情報記憶部の一例を示す図である。 図１０は、実施形態に係る学習情報記憶部の一例を示す図である。 図１１は、実施形態に係るコンテンツ情報記憶部の一例を示す図である。 図１２は、実施形態に係る関心情報記憶部の一例を示す図である。 図１３は、実施形態に係る生成処理の一例を示すフローチャートである。 図１４は、実施形態に係る生成処理の一例を示すフローチャートである。 図１５は、実施形態に係る配信処理の一例を示すフローチャートである。 図１６は、実施形態に係る推定処理の一例を示すフローチャートである。 図１７は、実施形態に係る推定したユーザの関心に基づく広告の配信処理の一例を示すフローチャートである。 図１８は、実施形態に係る類似ユーザに基づくモデル割当ての一例を示す図である。 図１９は、実施形態に係る類似ユーザに基づくモデル割当ての一例を示す図である。 図２０は、配信装置の機能を実現するコンピュータの一例を示すハードウェア構成図である。

以下に、本願に係る推定装置、推定方法、及び推定プログラムを実施するための形態（以下、「実施形態」と呼ぶ）について図面を参照しつつ詳細に説明する。なお、この実施形態により本願に係る推定装置、推定方法、及び推定プログラムが限定されるものではない。また、以下の各実施形態において同一の部位には同一の符号を付し、重複する説明は省略される。

（実施形態）
〔１．推定処理〕
まず、図１を用いて、実施形態に係る推定処理の一例について説明する。図１は、実施形態に係る推定処理の一例を示す図である。具体的には、図１は、ユーザＵ３の関心を推定する推定処理を行う場合を示す。図１に示す例において、クラスタ情報記憶部１２４や学習情報記憶部１２５を含むモデル情報ＭＤ１１は、図２に示す配信システム１における生成処理により生成される。クラスタ情報記憶部１２４は、各ユーザのコンテキストにおけるコンテンツへの関心を予測するモデルが生成された場合のクラスタリングに関する情報を示す。具体的には、図１中のクラスタ情報記憶部１２４は、一のユーザと一のコンテキストとが交差する領域であるマス（以下、「マスＭＳ」とする場合がある）にモデルＭ１〜Ｍ６等のうち、どのモデルが割り当てられたかを示す。すなわち、モデル情報ＭＤ１１には、クラスタ情報記憶部１２４に示すような各マスＭＳに含まれる分割情報のクラスタリングに関する情報が含まれる。また、モデル情報ＭＤ１１には、学習情報記憶部１２５に示すようなクラスタごとに生成されたモデルＭ１〜Ｍ６に関する情報が含まれる。なお、ここでいうコンテキストとは、ユーザが置かれた環境等を含むユーザの状態や状況に対応するが、詳細は後述する。

図１中のクラスタ情報記憶部１２４は、各マスＭＳ中に図示するＭ１〜Ｍ６によって示される６つのクラスタを含むことを示す。例えば、各モデルＭ１〜Ｍ６は、分割情報記憶部１２３（図８参照）に記憶された各マスＭＳ中に図示するＭ１〜Ｍ６に対応する分割情報に基づいて生成される。なお、詳細は後述するが、ここでいう分割情報とは、ユーザの行動情報がコンテキストごとに分割された情報を意味する。例えば、行動情報は、各ユーザにコンテンツを配信し、配信したコンテンツに対する各ユーザの行動の有無を示す情報である。また、クラスタ情報記憶部１２４中のマスＭＳにおいて、Ｍ１〜Ｍ６の符号が図示されていないマスＭＳについては、所定の手法により生成されたモデルが割り当てられるが、詳細は後述する。

例えば、図１では、ユーザＵ１のコンテキストＣＴ１１に対応するマスＭＳ、ユーザＵ２のコンテキストＣＴ１５に対応するマスＭＳ、ユーザＵ２のコンテキストＣＴ１７に対応するマスＭＳ、及びユーザＵ４のコンテキストＣＴ１３に対応するマスＭＳには同じモデルＭ１が割り当てられることを示す。すなわち、上記４つのマスＭＳに含まれる分割情報を組み合わせた組合情報を用いて、モデルＭ１が生成されたことを示す。また、モデルＭ１に関するモデル情報は、学習情報記憶部１２５に示すように、素性１の重みが「０．５」、素性２の重みが「−０．４」、素性３の重みが「０．２」等であることを示す。例えば、配信システム１は、ユーザＵ１が朝に家（自宅）にいる場合に対応するコンテキストＣＴ１１においてコンテンツの配信を要求した場合、モデルＭ１を用いてユーザＵ１に配信するコンテンツを決定する。なお、素性は、配信装置１００（図５参照）の管理者等が設定してもよいし、モデル生成の処理において抽出されてもよい。例えば、素性は、「経済」や「スマホ」や「サッカー」等の文字列（キーワード）であってもよい。また、各モデルの素性は、同じであってもよいし、異なってもよい。

また、図１に示すように、素性１〜素性３等の各素性は、各々が関連する対象（分類）に対応づけられている。例えば、素性１は、スポーツに関連するキーワード（例えば、「試合」等）であり、素性２は、経済に関連するキーワード（例えば、「為替」等）であり、素性３は、政治及び国際に関連するキーワード（例えば、「外遊」等）であってもよい。例えば、各素性は、各々と関心を推定したい対象との関連に応じて、いずれかの対象に対応付けられる。

配信装置１００は、モデル情報ＭＤ１１を用いて、ユーザごとに各コンテキストにおける関心スコアを算出する（ステップＳ１）。図１では、配信装置１００は、関心情報記憶部１２７に示すように、各ユーザについて、各対象のコンテキストごとの関心スコアを算出する。例えば、配信装置１００は、コンテキストＣＴ１１におけるユーザＵ１の各対象への関心スコアを、ユーザＵ１のコンテキストＣＴ１１に対応するマスＭＳに割り当てられたモデルＭ１の各素性の重みに基づいて算出する。例えば、配信装置１００は、コンテキストＣＴ１１におけるユーザＵ１の対象「スポーツ」への関心スコアを、ユーザＵ１のコンテキストＣＴ１１に対応するマスＭＳに割り当てられたモデルＭ１の素性のうち、スポーツに対応付けられた素性の重みを合算することにより算出する。図１では、配信装置１００は、コンテキストＣＴ１１におけるユーザＵ１の対象「スポーツ」への関心スコアを、モデルＭ１の素性１の重み「０．５」やスポーツに対応付けられた他の素性の重みを合算することにより算出する。例えば、配信装置１００は、コンテキストＣＴ１１におけるユーザＵ１の対象「スポーツ」への関心スコアを「１．２」と算出する。また、例えば、配信装置１００は、コンテキストＣＴ１１におけるユーザＵ１の対象「経済」への関心スコアを「０．２」と算出し、コンテキストＣＴ１１におけるユーザＵ１の対象「政治」への関心スコアを「０．５」と算出する。なお、関心情報記憶部１２７中の項目「合計」に示す関心スコアは、コンテキストＣＴ１１〜ＣＴ１８等の全コンテキストの関心スコアを合算した関心スコアを示す。

なお、上記では、対象に対応付けられた素性の重みを合算したが、各素性の対象との関連の強さに応じた係数を各重みに乗算した値を合算して関心スコアを算出してもよい。この場合、対象との関連の強い素性の重み程、関心スコアに与える影響が大きくなるため、より適切にユーザの関心を反映した関心スコアを算出することができる。また、各対象の比率を示す数値であってもよい。例えば、ユーザの関心が高い対象に値が大きい関心スコアが割り当てられ、対象全体の関心スコアの合計が１となるように各対象に関心スコアを割り当ててもよい。また、複数の対象に対応付けられている素性は、各対象に割り当てられる重みが異なってもよい。例えば、図１では、政治と国際の２つの対象に対応付けられている素性３は、各対象に割り当てられる重みが異なってもよい。例えば、素性３の重みに０．７を乗算した値を対象「政治」のスコアとし、素性３の重みに０．３を乗算した値を対象「国際」のスコアとしてもよい。また、例えば、素性３の重みを対象「政治」のスコアとし、素性３の重みに０．５を乗算した値を対象「国際」のスコアとしてもよい。上記の各素性への係数の割当ては一例であって、配信装置１００は、種々の方法により各素性に係数を割り当ててもよい。例えば、配信装置１００は、各ユーザのコンテキストに割り当てられたモデルを用いた場合に選択されるコンテンツ（記事）の傾向に基づいて、各素性に割り当てる係数を算出してもよい。また、例えば、配信装置１００は、モデルごとに素性の係数を割り当ててもよい。例えば、配信装置１００は、モデルＭ１により選択されるコンテンツ（記事）のうち、経済に関するコンテンツの割合が大きい場合、モデルＭ１における経済に関連する素性に割り当てられる係数が大きくなるように各素性の係数を算出してもよい。また、例えば、配信装置１００は、各素性について、モデルＭ１に対応する係数とモデルＭ２に対応する係数とを異ならせてもよい。例えば、配信装置１００は、モデルＭ１に比べてモデルＭ２のほうが政治に関するコンテンツが多く選択される傾向がある場合、政治に関連する素性について、モデルＭ１に対応する係数がモデルＭ２に対応する係数よりも小さくなるように、各モデルについて各素性の係数を算出してもよい。

配信装置１００は、ステップＳ１で算出した関心スコアを用いて、ユーザの関心を推定する（ステップＳ２）。図１では、配信装置１００は、関心情報ＥＳ１１に示すようなユーザＵ３についての関心を推定する。例えば、配信装置１００は、ユーザＵ３の全コンテキストに亘る全体的な関心を示す関心情報ＥＳ１１−１を推定する。ここで、関心情報記憶部１２７中のユーザＵ３について、項目「合計」に示す関心スコアは、対象「政治」が「−１．８」であり、対象「経済」が「８．１」であり、対象「スポーツ」が「１．４」である。そのため、図１では、配信装置１００は、ユーザＵ３が全体として、経済に関心が高いと推定する。

また、例えば、配信装置１００は、ユーザＵ３の各コンテキストにおける関心を示す関心情報ＥＳ１１−２を推定する。ここで、関心情報記憶部１２７中のユーザＵ３について、項目「ＣＴ１２」に示す関心スコアは、対象「経済」が「４．５」であり、各対象のうちで最も関心スコアが高い。また、関心情報記憶部１２７中のユーザＵ３について、項目「ＣＴ１４」、「ＣＴ１６」、「ＣＴ１８」についても、対象「経済」の関心スコアが、各対象のうちで最も高い。そのため、図１では、配信装置１００は、ユーザＵ３がコンテキストＣＴ１２、ＣＴ１４、ＣＴ１６、ＣＴ１８、すなわちオフィスにいる場合は、経済に関心が高いと推定する。また、関心情報記憶部１２７中のユーザＵ３について、項目「ＣＴ１１」に示す関心スコアは、対象「スポーツ」が「３．４」であり、各対象のうちで最も関心スコアが高い。そのため、図１では、配信装置１００は、ユーザＵ３がコンテキストＣＴ１１、すなわち朝において家（自宅）にいる場合は、スポーツに関心が高いと推定する。

上述のように、配信装置１００は、ユーザ間を跨ぐ組み合わせを含む組合情報ごとに生成されたモデルを用いることにより、各ユーザについてコンテキストごとに各対象の関心スコアを算出し、算出した各対象の関心スコアに基づいてユーザの関心を推定する。配信装置１００は、ユーザ間を跨ぐ組み合わせを含む組合情報ごとに生成されたモデルに関する情報に基づいて、ユーザに関する情報を推定することにより、他のユーザの行動情報も加味したモデルを用いてユーザに関する情報を推定することができる。これにより、配信装置１００は、ユーザに関する情報を適切に推定することができる。なお、上記の例では、配信装置１００が素性に割り当てられた重み（スコア）を合算して、関心スコアを算出する例を示したが、配信装置１００は、種々の方法により関心スコアを算出してもよい。例えば、配信装置１００は、各ユーザのコンテキストに割り当てられたモデルを用いた場合に選択されるコンテンツ（記事）の傾向に基づいて、スコア（関心スコア）を算出してもよい。例えば、配信装置１００は、ユーザＵ１のコンテキストＣＴ１１に割り当てられたモデルＭ１により選択されるコンテンツ（記事）のうち経済の割合が大きい場合、ユーザＵ１のコンテキストＣＴ１１の経済に関するスコア（関心スコア）が大きくなるようにスコア（関心スコア）を算出してもよい。また、ユーザに関する情報は、ユーザの関心が高い対象に関する情報に限らず、ユーザに関する種々の情報であってもよい。例えば、ユーザに関する情報は、ユーザに類似するユーザを推定する情報であってもよい。この点についての詳細は後述する。また、上記の関心情報ＥＳ１１を用いた配信については、図４に詳述する。

〔２−１．生成処理〕
ここから、図２を用いて、実施形態に係る生成処理の一例について説明する。図２は、実施形態に係る生成処理の一例を示す図である。図２に示す例において、配信装置１００は、所定の対象として、ユーザのコンテンツへの関心を予測するモデルを生成する。また、配信装置１００は、生成したモデルを用いてユーザにコンテンツを配信するサービスを提供するが、この点については図３で説明する。図２〜図４では、ユーザＵ１〜Ｕ４が各々端末装置１０−１〜１０−４を利用する場合を示す。なお、端末装置１０−１〜１０−４を区別せずに説明する場合、端末装置１０と総称する。

図２に示すように、配信システム１には、端末装置１０と、配信装置１００とが含まれる。端末装置１０と、配信装置１００とは図示しない所定の通信網を介して、有線または無線により通信可能に接続される。なお、図２に示した配信システム１には、複数台の端末装置１０や、複数台の配信装置１００が含まれてもよい。

端末装置１０は、ユーザによって利用される情報処理装置である。端末装置１０は、例えば、スマートフォンや、タブレット型端末や、ノート型ＰＣ（Personal Computer）や、デスクトップＰＣや、携帯電話機や、ＰＤＡ（Personal Digital Assistant）等により実現される。図２は、端末装置１０がスマートフォンである場合を示す。

また、端末装置１０は、ユーザによる操作を受け付ける。図２に示す例において、端末装置１０は、所定のアプリ（例えば、ブラウザ等）に表示するコンテンツを配信装置１００へ要求する。なお、以下では、端末装置１０をユーザと表記する場合がある。すなわち、以下では、ユーザを端末装置１０と読み替えることもできる。

配信装置１００は、コンテキストに基づいて分割された行動情報である分割情報が組み合わされた組合情報ごとに、所定の対象を予測するモデルを生成する情報処理装置である。また、配信装置１００は、生成したモデルに関する情報に基づいて、ユーザに関する情報を推定する推定装置である。また、配信装置１００は、コンテンツの配信要求に応じてコンテンツを配信する配信サービスを提供する情報処理装置である。例えば、配信装置１００は、コンテンツの配信を要求した端末装置１０を利用するユーザに応じて、端末装置１０へコンテンツを配信する情報処理装置である。

図２では、配信装置１００は、各ユーザにコンテンツを配信し、配信したコンテンツに対する各ユーザの行動の有無を示す行動情報を収集する。例えば、配信装置１００は、ユーザＵ１〜Ｕ４にコンテンツを配信し、配信したコンテンツに対する各ユーザの行動の有無を示す行動情報を収集する。例えば、配信装置１００は、行動情報として、ユーザに配信したコンテンツ（例えば、コンテンツＣＮ１１）に対するユーザの行動（例えば、コンテンツのクリック）の有無を示す情報を収集する。

まず、配信装置１００は、ユーザＵ１が利用する端末装置１０−１にコンテンツを配信する（ステップＳ１１−１）。そして、配信装置１００は、配信したコンテンツに対するユーザＵ１の行動の有無を示す行動情報を端末装置１０−１から取得する（ステップＳ１２−１）。また、配信装置１００は、ユーザＵ２が利用する端末装置１０−２にコンテンツを配信する（ステップＳ１１−２）。そして、配信装置１００は、配信したコンテンツに対するユーザＵ２の行動の有無を示す行動情報を端末装置１０−２から取得する（ステップＳ１２−２）。また、配信装置１００は、ユーザＵ３が利用する端末装置１０−３にコンテンツを配信する（ステップＳ１１−３）。そして、配信装置１００は、配信したコンテンツに対するユーザＵ３の行動の有無を示す行動情報を端末装置１０−３から取得する（ステップＳ１２−３）。また、配信装置１００は、ユーザＵ４が利用する端末装置１０−４にコンテンツを配信する（ステップＳ１１−４）。そして、配信装置１００は、配信したコンテンツに対するユーザＵ４の行動の有無を示す行動情報を端末装置１０−４から取得する（ステップＳ１２−４）。

なお、ステップＳ１１−１〜Ｓ１１−４は、処理を説明するためのものであり、ステップＳ１１−１〜Ｓ１１−４のいずれが先に行われてもよく、各ステップＳ１１−１〜Ｓ１１−４は、複数回行われてもよい。以下、ステップＳ１１−１〜Ｓ１１−４を区別せずに説明する場合、ステップＳ１１と総称する。また、ステップＳ１２−１〜Ｓ１２−４は、処理を説明するためのものであり、各々が対応するステップＳ１１よりも後であれば、ステップＳ１２−１〜Ｓ１２−４のいずれが先に行われてもよく、各ステップＳ１２−１〜Ｓ１２−４は、複数回行われてもよい。以下、ステップＳ１２−１〜Ｓ１２−４を区別せずに説明する場合、ステップＳ１２と総称する。例えば、各ステップＳ１１が行われる度にステップＳ１２を行って行動情報を取得してもよい。また、例えば、各ステップＳ１１が複数回行われて、所定のタイミングでステップＳ１２を行って、行動情報を取得してもよい。

そして、配信装置１００は、ステップＳ１１〜Ｓ１２において収集した各ユーザの行動に関する情報を分割する（ステップＳ１３）。具体的には、配信装置１００は、収集した各ユーザの行動情報をコンテキストに基づいて分割する。

ここで、コンテキストは、ユーザや端末装置１０の状況やユーザや端末装置１０の環境（背景）を意味する。例えば、コンテキストは、ユーザによって端末装置１０が使われている状況や、端末装置１０を所持するユーザが置かれている状態に対応する情報である。すなわち、図２〜図４におけるコンテキストは、ユーザＵ１〜Ｕ４の状況、例えばユーザＵ１〜Ｕ４がいる場所の環境に対応する。具体的には、図２〜図４におけるコンテキストは、各ユーザにコンテンツが配信（表示）された際のユーザＵ１〜Ｕ４の状況に対応する。例えば、コンテキストは、コンテンツを配信した時刻や端末装置１０から取得したユーザの位置情報に基づいて推定してもよい。なお、各コンテキストは、排他的であってもよいし、重複してもよい。

また、図２〜図４では、説明を簡単にするため、時間帯と位置とに基づくコンテキストを示す。具体的には、図２〜図４の例におけるコンテキストは、朝（４〜１０時）、昼（１０〜１６時）、夜（１６〜２２時）、深夜（２２〜４時）の４つの時間帯と、家（自宅）またはオフィス（勤務地）の２つの位置とに基づく、８つのコンテキストＣＴ１１〜ＣＴ１８を示す。

ここで、図２中の分割情報記憶部１２３は、ステップＳ１３により各ユーザの行動情報がコンテキストごとに分割された状態を示す。分割情報記憶部１２３は、ユーザを行とし、コンテキストを列とした場合を示す。なお、分割情報記憶部１２３中の一のユーザと一のコンテキストとが交差する領域をマスとする。例えば、図２では、ユーザＵ４とコンテキストＣＴ１２とが交差する領域をマスＭＳ４２とする。なお、各マスの位置を区別せずに説明する場合は、マスＭＳとする場合がある。図２に示す各マスＭＳに含まれる情報は、ユーザに関する区分ごとのユーザの行動に関する行動情報がコンテキストに基づいて分割された分割情報である。また、分割情報記憶部１２３における行については、ユーザに限らずユーザに関する区分であれば、どのような粒度であってもよい。例えば、分割情報記憶部１２３における行は、ユーザに関する区分であるユーザ属性に基づく分類であってもよい。ここでいうユーザ属性に基づく分類とは、年齢、性別、興味等のユーザ属性に関する情報の類似性に基づく分類であってもよい。

例えば、ユーザＵ１とコンテキストＣＴ１１とが交差する位置のマスＭＳ（左上のマスＭＳ）には、行動ＡＴ１１、ＡＴ１２、ＡＴ１３等の行動の有無を示す分割情報が含まれる。例えば、ユーザＵ４とコンテキストＣＴ１８とが交差する位置のマスＭＳ（右下のマスＭＳ）には、行動ＡＴ４８、ＡＴ１１等の行動の有無を示す分割情報が含まれる。

また、分割情報記憶部１２３中の各マスＭＳ中の行動ＡＴ１１等の右側に示す「○」は、ユーザが対応する行動を行ったことを示す。また、分割情報記憶部１２３中の各マスＭＳ中の行動ＡＴ１１等の右側に示す「×」は、ユーザが対応する行動を行わなかったことを示す。例えば、ユーザＵ１とコンテキストＣＴ１１とが交差する位置のマスＭＳにおいて、行動ＡＴ１１は「○」であり、ユーザＵ１は、朝の家において行動ＡＴ１１を行ったことを示す。また、例えば、ユーザＵ１とコンテキストＣＴ１１とが交差する位置のマスＭＳにおいて、行動ＡＴ１２は「×」であり、ユーザＵ１は、朝の家において行動ＡＴ１２を行わなかったことを示す。また、例えば、ユーザＵ１とコンテキストＣＴ１１とが交差する位置のマスＭＳにおいて、行動ＡＴ１３は「○」であり、ユーザＵ１は、朝の家において行動ＡＴ１３を行ったことを示す。

そして、配信装置１００は、分割情報記憶部１２３中の各マスＭＳの分割情報を用いて、モデルを生成する（ステップＳ１４）。例えば、配信装置１００は、分割情報記憶部１２３中の各マスＭＳの分割情報をクラスタリングし、クラスタごとにモデルを生成する。例えば、配信装置１００は、ユーザのコンテンツへの関心を予測するモデルを生成する。

例えば、配信装置１００は、クラスタ数を設定しないクラスタリング手法によりクラスタリングを行ってもよい。また、例えば、配信装置１００は、クラスタ数を設定するクラスタリング手法によりクラスタリングを行ってもよい。例えば、配信装置１００は、ｋ−ｍｅａｎｓ法やディリクレ過程を用いたロジスティック回帰の手法を用いて、各マスＭＳの分割情報をクラスタリングし、クラスタごとの分割情報を用いてモデルを生成する。図２では、配信装置１００は、ディリクレ過程を用いたロジスティック回帰の手法を用いて、各マスＭＳの分割情報をクラスタリングし、クラスタごとの分割情報を用いてモデルを生成するものとして、以下説明する。なお、クラスタリング手法の詳細については後述する。

なお、配信装置１００は、所定量以上の分割情報を含むマスＭＳをステップＳ１４におけるモデル生成の対象としてもよい。例えば、配信装置１００は、分割情報が含まれないユーザＵ４のコンテキストＣＴ１７に対応するマスＭＳやユーザＵ２のコンテキストＣＴ１１に対応するマスＭＳは、クラスタリングの対象としない。また、例えば、配信装置１００は、所定量（例えば２つ）未満の分割情報しか含まれないユーザＵ１のコンテキストＣＴ１３、ＣＴ１８に対応するマスＭＳは、クラスタリングの対象としなくてもよい。

ステップＳ１４により、配信装置１００は、モデル情報ＭＤ１１を生成する。モデル情報ＭＤ１１には、クラスタ情報記憶部１２４に示すような各マスＭＳに含まれる分割情報のクラスタリングに関する情報が含まれる。また、モデル情報ＭＤ１１には、学習情報記憶部１２５に示すようなクラスタごとに生成されたモデルＭ１〜Ｍ６に関する情報が含まれる。

図２では、配信装置１００は、分割情報記憶部１２３中の各マスＭＳの分割情報を６つのクラスタ（クラスタ情報記憶部１２４中のＭ１〜Ｍ６）に分類する。なお、クラスタ情報記憶部１２４中のＭ１〜Ｍ６は、各分割情報が属するクラスタを示すとともに、生成されるモデルを示す。また、クラスタ情報記憶部１２４中のマスＭＳにおいて、Ｍ１〜Ｍ６の符号が図示されていないマスＭＳについては、所定の手法により生成されたモデルが割り当てられるものとする。例えば、配信装置１００は、クラスタ情報記憶部１２４中のモデルが割り当てられていないマスＭＳには、他のマスＭＳに割り当てられたモデルに基づいて、モデルを割り当ててもよい。例えば、配信装置１００は、モデルが割り当てられていないユーザＵ４のコンテキストＣＴ１５に対応するマスＭＳには、同じ２０代男性のユーザＵ１のコンテキストＣＴ１５に対応するマスＭＳに割り当てられたモデルＭ４を割り当ててもよい。

また、例えば、配信装置１００は、モデルが割り当てられていないユーザＵ４のコンテキストＣＴ１７に対応するマスＭＳには、同じ２０代のユーザＵ１やユーザＵ２のコンテキストＣＴ１７に対応するマスＭＳに割り当てられたモデルに基づくモデルを割り当ててもよい。この場合、配信装置１００は、ユーザＵ１のコンテキストＣＴ１７に対応するマスＭＳに割り当てられたモデルＭ２とユーザＵ２のコンテキストＣＴ１７に対応するマスＭＳに割り当てられたモデルＭ１とを合成したモデルを割り当ててもよい。例えば、配信装置１００は、ユーザＵ１のコンテキストＣＴ１７に対応するマスＭＳに割り当てられたモデルＭ２の各素性の重みとユーザＵ２のコンテキストＣＴ１７に対応するマスＭＳに割り当てられたモデルＭ１の各素性の重みとを所定の割合で合成したモデルを割り当ててもよい。例えば、配信装置１００は、ユーザＵ４のコンテキストＣＴ１７に対応するマスＭＳには、２０代男性のユーザＵ１のコンテキストＣＴ１７に対応するマスＭＳに割り当てられたモデルＭ２の方の比率を大きくしたモデルを割り当ててもよい。例えば、配信装置１００は、ユーザＵ４のコンテキストＣＴ１７に対応するマスＭＳには、モデルＭ１が０．３、モデルＭ２が０．７の比率で合成されたモデルＭ１−２を割り当ててもよい。すなわち、配信装置１００は、モデルＭ１の各素性の重みに０．３を乗算した重みと、モデルＭ２の各素性の重みに０．７を乗算した重みとを合算することにより生成したモデルＭ１−２を、ユーザＵ４のコンテキストＣＴ１７に対応するマスＭＳに割り当ててもよい。

図２では、配信装置１００は、ユーザＵ１のコンテキストＣＴ１１に対応するマスＭＳ、ユーザＵ２のコンテキストＣＴ１５に対応するマスＭＳ、ユーザＵ２のコンテキストＣＴ１７に対応するマスＭＳ、及びユーザＵ４のコンテキストＣＴ１３に対応するマスＭＳに含まれる分割情報を同じクラスタに分類する。また、配信装置１００は、上記４つのマスＭＳに含まれる分割情報を組み合わせた組合情報を用いて、モデルＭ１を生成したことを示す。また、学習情報記憶部１２５に示すように、モデルＭ１に関するモデル情報は、素性１の重みが「０．５」、素性２の重みが「−０．４」、素性３の重みが「０．２」等であることを示す。

また、配信装置１００は、ユーザＵ１のコンテキストＣＴ１２、ＣＴ１７に対応するマスＭＳ、ユーザＵ２のコンテキストＣＴ１４に対応するマスＭＳ、及びユーザＵ３のコンテキストＣＴ１２に対応するマスＭＳに含まれる分割情報を同じクラスタに分類する。また、配信装置１００は、上記４つのマスＭＳに含まれる分割情報を組み合わせた組合情報を用いて、モデルＭ２を生成したことを示す。また、学習情報記憶部１２５に示すように、モデルＭ２に関するモデル情報は、素性１の重みが「−０．３」、素性２の重みが「２．１」、素性３の重みが「−０．２」等であることを示す。

このように、図２では、配信装置１００は、分割情報記憶部１２３中の各マスＭＳの分割情報を６つのクラスタ（組合情報）に分類し、各クラスタ（組合情報）に含まれる情報を用いてモデルＭ１〜Ｍ６を生成する。

上述したように、配信装置１００は、コンテキストに基づいて各区分の行動情報を分割しても、区分間を跨ぐクラスタリングを行うことにより、各モデルの生成に用いられる情報量が不足することを抑制することができる。また、配信装置１００は、区分とコンテキストとに基づいて分割された情報をクラスタリングすることにより、各区分の各コンテキストに応じて適切なモデルを生成することができる。したがって、配信装置１００は、ユーザに関する情報を適切に推定することができる。

なお、図２では、行動情報として、配信したコンテンツへのユーザの行動の有無に関する情報を用いる例を示したが、行動情報はユーザが行う行動であって、収集可能な情報であればどのような情報であってもよい。例えば、行動情報はユーザの電子商取引に関する情報であってもよいし、配信された広告に関する行動（例えば、クリックやコンバージョン等）であってもよい。また、位置は、家（自宅）やオフィス（勤務地）に限らず、通勤時の経由地やよく行く場所や移動中など種々の情報であってもよい。

〔２−２．配信処理〕
次に、図３を用いて、実施形態に係る配信処理の一例について説明する。図３は、実施形態に係る配信処理の一例を示す図である。図３は、ユーザがユーザＵ１である場合を示す。なお、図３では、配信装置１００がユーザＵ１のユーザ属性に関するユーザ情報を取得済みであり、行動履歴等のユーザ情報を取得済みである場合を例に説明する。

まず、配信装置１００は、ユーザＵ１が利用する端末装置１０−１からコンテンツの配信要求を取得する（ステップＳ１５）。図３では、端末装置１０−１は、ステップＳ１５において、ユーザＵ１を識別する情報（例えば、ログインＩＤ等）や端末装置１０−１の場所を示す位置情報等を配信装置１００に送信する。なお、端末装置１０は、ＧＰＳ（Global Positioning System）センサ等により位置情報を取得する。図３では、ステップＳ１５は、時間が朝９時であり、端末装置１０−１の場所（位置）が位置ＬＣ１２−１である状況において行われたものとする。なお、位置を示す情報でありハイフン（“−”）が付された位置ＬＣ１２−１等は、位置ＬＣ１２から所定の範囲内の位置情報を意味する。また、位置ＬＣ１１−１、ＬＣ１１−２等（図７参照）は、位置ＬＣ１１から所定の範囲内の位置情報を意味する。すなわち、位置ＬＣ１２−１が、ユーザＵ１の位置情報を示す場合、ユーザＵ１は、位置ＬＣ１２にある勤務地にいるものと推定される。

端末装置１０−１からコンテンツの配信要求を取得した配信装置１００は、端末装置１０−１へ配信するコンテンツを決定するモデルを決定する（ステップＳ１６）。配信装置１００は、端末装置１０−１から取得したユーザＵ１を識別する情報により、配信要求元がユーザＵ１であると推定する。そして、配信装置１００は、ユーザ情報記憶部１２１に記憶されたユーザＵ１のユーザ情報と端末装置１０−１の位置ＬＣ１２−１とに基づいて、ユーザＵ１がいる場所を推定する。図３では、ユーザ情報記憶部１２１に示すようにユーザＵ１の勤務地が位置ＬＣ１２であり、端末装置１０−１の位置が位置ＬＣ１２−１であるため、配信装置１００は、ユーザＵ１がオフィス（勤務地）にいると推定する。

そして、配信装置１００は、ステップＳ１５において配信要求がされた時間が朝９時であるため、コンテキストを朝のオフィスに対応するコンテキストＣＴ１２と推定する。その後、配信装置１００は、学習情報記憶部１２５中のユーザＵ１及びコンテキストＣＴ１２に対応するマスＭＳに記憶されたモデルＭ２を示す情報に基づいて、配信するコンテンツの決定に用いるモデルをモデルＭ２に決定する。

例えば、配信装置１００は、決定したモデルＭ２を用いて、コンテンツ情報記憶部１２６（図１１参照）に記憶された各コンテンツのスコアを算出する。具体的には、配信装置１００は、コンテンツ情報記憶部１２６に記憶された各コンテンツＣＮ１１（記事Ａ）〜コンテンツＣＮ１８（記事Ｈ）等のタイトルや記事本文等の文字情報や画像情報とモデルＭ２とを用いて、各コンテンツＣＮ１１〜ＣＮ１８等のスコアを算出する。図３では、配信装置１００は、コンテンツ一覧ＣＬ１１に示すような各コンテンツＣＮ１１〜ＣＮ１８等のスコアを算出する。例えば、配信装置１００は、記事ＡであるコンテンツＣＮ１１のスコアを「３．６」と算出する。また、例えば、配信装置１００は、記事ＢであるコンテンツＣＮ１２のスコアを「２．５」と算出する。

そして、配信装置１００は、コンテンツ一覧ＣＬ１１に示すスコアに基づいて各コンテンツＣＮ１１〜ＣＮ１８等の順位を決定する（ステップＳ１７）。図３では、配信装置１００は、コンテンツ一覧ＣＬ１１に示すスコアが高い方から順に各コンテンツＣＮ１１〜ＣＮ１８等の順位を決定する。具体的には、配信装置１００は、スコアの最も高いコンテンツＣＮ１５である記事Ｅの順位を１位に決定する。また、配信装置１００は、記事Ｅの次にスコアの高いコンテンツＣＮ１７である記事Ｇの順位を２位に決定する。これにより、配信装置１００は、順位一覧ＬＬ１１に示すように、順位１位が記事Ｅであり、順位２位が記事Ｇであり、順位３位が記事Ａであり、順位４位が記事Ｆであると決定する。

その後、配信装置１００は、順位一覧ＬＬ１１に示すコンテンツを端末装置１０−１へ配信する（ステップＳ１８）。具体的には、記事Ｅ、記事Ｇ、記事Ａ、記事Ｆ、等の順で表示されるコンテンツを端末装置１０−１へ配信する。そして、順位一覧ＬＬ１１に示すコンテンツを受信した端末装置１０−１は、コンテンツを表示する（ステップＳ１９）。図３では、端末装置１０−１は、順位一覧ＬＬ１１に示すコンテンツのうち順位が上位のコンテンツである記事Ｅ、記事Ｇ、記事Ａ、記事Ｆを表示する。なお、端末装置１０−１を利用するユーザＵ１は、端末装置１０−１の画面にタッチしスクロール操作等を行うことにより、記事Ｆから下の記事Ｂ、記事Ｈ等を順次表示させる。

上述したように、配信装置１００は、配信要求を取得した際のコンテキストに応じて、モデルを決定する。そして、配信装置１００は、決定したモデルを用いて算出したコンテンツのスコアに基づいて、コンテンツの順位を決定する。これにより、配信装置１００は、ユーザと配信要求時のコンテキストとに応じて適切なコンテンツを配信することができる。したがって、配信装置１００は、適切なコンテンツを抽出することができる。なお、上記の例では、配信装置１００がユーザのコンテキストに基づいて選択したモデルを用いて各コンテンツのスコアを算出し、算出した各コンテンツのスコアが高い方から順に順位付けを行う場合を示した。このように、上述した例では、配信装置１００は、ユーザが対応するコンテキストにおいて、各コンテンツを閲覧する可能性を連続的な数値（スコア）として算出するモデルを用いる場合を示した。すなわち、上記例では、配信装置１００がユーザのコンテキストに基づいて選択したモデルを用いて算出した各コンテンツのスコアが高い程、そのコンテンツが閲覧される可能性が高いと予測する場合を示したが、配信装置１００は、選択したモデルを用いてどのような予測を行ってもよい。

例えば、配信装置１００は、所定の閾値以上のスコアのコンテンツをユーザが閲覧すると予測し、所定の閾値未満のスコアのコンテンツをユーザが閲覧しないと予測してもよい。このように、配信装置１００は、コンテキストに基づいて選択したモデルを用いて算出した各コンテンツのスコアにより、ユーザがコンテンツの閲覧をする（例えば、値「１」）かしない（例えば、値「０」）かの２値の予測を行ってもよい。なお、配信装置１００は、２値の予測に限らず、連続値や離散値を予測するモデルを生成し、生成したモデルに基づいて、連続値や離散値を予測してもよい。例えば、配信装置１００は、値が「０」及び「１」の２値に限らず、３値以上の値を取り扱う、いわゆるマルチラベル問題に対応する予測を行ってもよい。例えば、配信装置１００は、ユーザのコンテンツの閲覧の有無の２段階ではなく、３以上の段階のいずれの段階にユーザがあるかを予測してもよい。例えば、配信装置１００は、複数の閾値を用いて、コンテンツをユーザが閲覧する可能性がいずれの段階であるかを予測してもよい。具体的には、予測装置１００は、第１の閾値と、第１の閾値よりも小さい第２の閾値を用いて、スコアが第１の閾値以上の場合、コンテンツをユーザが閲覧する可能性が高いと判定し、スコアが第１の閾値未満であり第２の閾値以上の場合、コンテンツをユーザが閲覧する可能性が中程度であると判定し、スコアが第２の閾値未満の場合、コンテンツをユーザが閲覧する可能性が低いと予測してもよい。また、例えば、配信装置１００は、反応回数を予測したり、所定の対象のスコアを予測したりするモデルを生成し、生成したモデルに基づいて予測を行ってもよい。すなわち、配信装置１００がユーザのコンテキストに基づいて選択したモデルを用いて、どのような予測を行ってもよい。また、配信装置１００は、上述のように予測を行う対象に応じてモデルを生成してもよい。

また、図３に示す例において、ユーザＵ１は、端末装置１０−１に表示された記事Ｅ、記事Ｇ、記事Ａ、記事Ｆを選択（クリック）しなかった、すなわち、ユーザＵ１のコンテキストＣＴ１２においてモデルＭ２を用いた予測精度が低いものとして、以下説明する。

〔２−３．関心情報を用いた広告配信〕
次に、図４を用いて、実施形態に係る配信処理の一例について説明する。図４は、実施形態に係る推定したユーザの関心に基づく広告の配信処理の一例を示す図である。また、図４は、配信装置１００が他サービスへ情報提供を行う場合を示す。具体的には、図４は、配信装置１００が広告配信サービスを提供する広告装置５０へ関心情報を配信し、関心情報を取得した広告装置５０が関心情報に基づいて広告を配信する場合を示す。なお、図４では、配信システム１に、広告装置５０が含まれるものとする。また、図４では、広告装置５０が配信装置１００から取得した関心情報に基づいて、ユーザＵ３の端末装置１０−３に広告を配信する場合を例に説明する。また、図４では、広告装置５０がユーザＵ３のオフィス（勤務地）が位置ＬＣ３２であることを示す情報を有している場合を示す。

まず、配信装置１００は、広告装置５０へ関心情報を配信することにより、広告装置５０へ情報の提供を行う（ステップＳ２１）。図４では、配信装置１００は、ユーザＵ３に関する関心情報ＥＳ１１を配信する。なお、図４に示す関心情報ＥＳ１１は、図１に示す関心情報ＥＳ１１と同様である。また、関心情報ＥＳ１１には、ユーザＵ３の全コンテキストに亘る全体的な関心を示す関心情報ＥＳ１１−１やユーザＵ３の各コンテキストにおける関心を示す関心情報ＥＳ１１−２が含まれる。例えば、関心情報ＥＳ１１−１は、ユーザＵ３が全体として、経済に関心が高いことを示す関心情報である。また、例えば、関心情報ＥＳ１１−２は、ユーザＵ３がオフィスにいる場合は、経済に関心が高いことや朝において家（自宅）にいる場合は、スポーツに関心が高いことを示す関心情報である。

配信装置１００から関心情報ＥＳ１１を取得した広告装置５０は、ユーザＵ３が利用する端末装置１０−３から広告の配信を要求する広告要求を取得する（ステップＳ２２）。図４では、ステップＳ２２は、時間が昼１２時であり、端末装置１０−３の場所（位置）が位置ＬＣ３２−１である状況において行われたものとする。

端末装置１０−３から広告要求を取得した広告装置５０は、端末装置１０−３へ配信する広告を選択する（ステップＳ２３）。このとき、広告装置５０は、配信装置１００から取得した関心情報ＥＳ１１を用いて、ユーザＵ３の端末装置１０−３へ配信する広告を選択する。図４に示すように、関心情報ＥＳ１１には、ユーザＵ３がオフィスにいる場合は、経済に関心が高いことを示す関心情報ＥＳ１１−２が含まれる。また、上述したように、広告装置５０は、ユーザＵ３のオフィス（勤務地）が位置ＬＣ３２であることを示す情報を有している。また、位置ＬＣ３２−１は、位置ＬＣ３２から所定の範囲内の位置情報を意味する。すなわち、広告装置５０は、位置ＬＣ３２−１が、ユーザＵ３の位置情報を示す場合、ユーザＵ３は、位置ＬＣ３２にある勤務地にいるものと推定する。

そして、広告装置５０は、ステップＳ２２において広告要求がされた時間が昼１２時であり、場所がオフィスであるため、経済に関心が高いことを示す関心情報ＥＳ１１−２に対応するとして、経済に関する広告を端末装置１０−３へ配信する広告として選択する。例えば、広告装置５０は、ＦＸ（Foreign Exchange：外国為替証拠金取引）に関する広告ＡＣ１１を端末装置１０−３へ配信する広告として選択する。

その後、広告装置５０は、広告ＡＣ１１を端末装置１０−３へ配信する（ステップＳ２４）。そして、広告ＡＣ１１を受信した端末装置１０−１は、広告ＡＣ１１を表示する（ステップＳ２５）。

上述したように、配信装置１００は、他サービスへ情報提供を行う場合を示す。例えば、配信装置１００は、広告配信サービスを提供する広告装置５０へ関心情報を配信する。そして、配信装置１００から関心情報ＥＳ１１を取得した広告装置５０は、関心情報ＥＳ１１に基づいて広告を配信する。これにより、配信システム１は、配信装置１００により推定された関心情報に基づいて適切に広告を配信することができる。なお、上述した例では、広告装置５０が広告を配信する例を示したが、配信装置１００が推定した関心情報に基づいて広告を配信してもよい。

〔３．配信装置の構成〕
次に、図５を用いて、実施形態に係る配信装置１００の構成について説明する。図５は、実施形態に係る配信装置の構成例を示す図である。図５に示すように、配信装置１００は、通信部１１０と、記憶部１２０と、制御部１３０とを有する。なお、配信装置１００は、配信装置１００の管理者等から各種操作を受け付ける入力部（例えば、キーボードやマウス等）や、各種情報を表示するための表示部（例えば、液晶ディスプレイ等）を有してもよい。

（通信部１１０）
通信部１１０は、例えば、ＮＩＣ（Network Interface Card）等によって実現される。そして、通信部１１０は、ネットワークと有線または無線で接続され、端末装置１０との間で情報の送受信を行う。

（記憶部１２０）
記憶部１２０は、例えば、ＲＡＭ（Random Access Memory）、フラッシュメモリ（Flash Memory）等の半導体メモリ素子、または、ハードディスク、光ディスク等の記憶装置によって実現される。実施形態に係る記憶部１２０は、図５に示すように、ユーザ情報記憶部１２１と、行動情報記憶部１２２と、分割情報記憶部１２３と、クラスタ情報記憶部１２４と、学習情報記憶部１２５と、コンテンツ情報記憶部１２６と、関心情報記憶部１２７とを有する。

（ユーザ情報記憶部１２１）
実施形態に係るユーザ情報記憶部１２１は、ユーザに関する各種情報を記憶する。例えば、ユーザ情報記憶部１２１は、ユーザ属性に関する各種情報を記憶する。図６は、実施形態に係るユーザ情報記憶部の一例を示す図である。図６に示すユーザ情報記憶部１２１は、「ユーザＩＤ」、「年齢」、「性別」、「自宅」、「勤務地」、「興味」といった項目が含まれる。

「ユーザＩＤ」は、ユーザを識別するための識別情報を示す。例えば、ユーザＩＤ「Ｕ１」により識別されるユーザは、図２の例に示したユーザＵ１に対応する。また、「年齢」は、ユーザＩＤにより識別されるユーザの年齢を示す。なお、「年齢」は、例えば３５歳など、ユーザＩＤにより識別されるユーザの具体的な年齢であってもよい。また、「性別」は、ユーザＩＤにより識別されるユーザの性別を示す。

また、「自宅」は、ユーザＩＤにより識別されるユーザの自宅の位置情報を示す。なお、図６に示す例では、「自宅」は、「ＬＣ１１」といった抽象的な符号を図示するが、緯度や経度を示す情報であってもよい。また、例えば、「自宅」は、地域名や住所であってもよい。

また、「勤務地」は、ユーザＩＤにより識別されるユーザの勤務地の位置情報を示す。なお、図６に示す例では、「勤務地」は、「ＬＣ１２」といった抽象的な符号を図示するが、緯度や経度を示す情報であってもよい。また、例えば、「勤務地」は、地域名や住所であってもよい。

また、「興味」は、ユーザＩＤにより識別されるユーザの興味を示す。すなわち、「興味」は、ユーザＩＤにより識別されるユーザが関心の高い対象を示す。なお、図６に示す例では、「興味」は、各ユーザに１つずつ図示するが、複数であってもよい。

例えば、図６に示す例において、ユーザＩＤ「Ｕ１」により識別されるユーザの年齢は、「２０代」であり、性別は、「男性」であることを示す。また、例えば、ユーザＩＤ「Ｕ１」により識別されるユーザは、自宅が「ＬＣ１１」であることを示す。また、例えば、ユーザＩＤ「Ｕ１」により識別されるユーザは、勤務地が「ＬＣ１２」であることを示す。また、例えば、ユーザＩＤ「Ｕ１」により識別されるユーザは、「スポーツ」に興味があることを示す。

なお、ユーザ情報記憶部１２１は、上記に限らず、目的に応じて種々の情報を記憶してもよい。例えば、ユーザ情報記憶部１２１は、氏名、家族構成、収入等の情報を記憶してもよい。

（行動情報記憶部１２２）
実施形態に係る行動情報記憶部１２２は、ユーザの行動に関する各種情報を記憶する。図７は、実施形態に係る行動情報記憶部の一例を示す図である。例えば、行動情報記憶部１２２は、各ユーザの端末装置１０に配信したコンテンツに対するユーザの行動情報を記憶する。図７に示す行動情報記憶部１２２には、「ユーザＩＤ」、「行動」、「状況」といった項目が含まれる。また、「行動」には、「行動内容」、「有無」といった項目が含まれる。また、「状況」には、「時刻」、「位置」といった項目が含まれる。

「ユーザＩＤ」は、ユーザを識別するための識別情報を示す。例えば、ユーザＩＤ「Ｕ１」により識別されるユーザは、図２の例に示したユーザＵ１に対応する。また、「行動」は、対応するユーザの行動に関する情報を示す。また、「状況」は、対応するユーザの状況に関する情報を示す。

「行動内容」は、各行動を識別するための識別情報を示す。例えば、行動内容「ＡＴ１１」により識別される行動（行動ＡＴ１１）は、ユーザに配信したコンテンツ（例えば、コンテンツＣＮ１１）に対するユーザの行動（例えば、コンテンツのクリック）に対応する。なお、「行動内容」は、識別情報に限らず、具体的な行動内容が記憶されてもよい。また、「有無」は、対応する行動内容の有無を示す。「有無」が「１」の場合、ユーザが対応する行動を行ったことを示す。また、「有無」が「０」の場合、ユーザが対応する行動を行わなかったことを示す。

「時刻」は、各行動に関する時刻を示す。時刻「ＴＭ１１」は、行動ＡＴ１１に関する時刻を示す。例えば、時刻「ＴＭ１１」は、ユーザにコンテンツ（例えば、コンテンツＣＮ１１）が配信された時刻であってもよい。また、例えば、時刻「ＴＭ１１」は、ユーザに配信したコンテンツ（例えば、コンテンツＣＮ１１）をユーザがクリックした時刻であってもよい。有無「０」である行動内容「ＡＴ１２」により識別される行動（行動ＡＴ１２）に関する時刻「ＴＭ１２」は、例えば、ユーザにコンテンツが配信された時刻であってもよい。また、例えば、時刻「ＴＭ１２」は、ユーザにコンテンツが配信されてからクリックされずに所定の時間が経過した後の時刻であってもよい。

また、「位置」は、各行動に関する位置を示す。位置「ＬＣ１１−１」は、行動ＡＴ１１に関する位置を示す。例えば、位置「ＬＣ１１−１」は、ユーザがコンテンツの配信を要求したときの位置情報であってもよい。また、例えば、位置「ＬＣ１１−１」は、ユーザが配信されたコンテンツをクリックしたときの位置情報であってもよい。

例えば、図７に示す例において、ユーザＩＤ「Ｕ１」により識別されるユーザは、行動内容「ＡＴ１３」により識別される行動（行動ＡＴ１３）が有無「１」であり、行動ＡＴ１３を行ったことを示す。また、ユーザＩＤ「Ｕ１」により識別されるユーザは、行動ＡＴ１３に関する時刻が時刻「ＴＭ１３」であり、位置が位置「ＬＣ１１−３」であることを示す。

なお、行動情報記憶部１２２は、上記に限らず、目的に応じて種々の情報を記憶してもよい。例えば、行動情報記憶部１２２は、コンテンツが配信されてから、ユーザが行動するまでの時間に関する情報を記憶してもよい。また、図７では、ユーザＩＤごとに行動情報が行動情報記憶部１２２に記憶される場合を示したが、行動情報は、ユーザＩＤごとに限らず、例えば時刻順に記憶されてもよい。

（分割情報記憶部１２３）
実施形態に係る分割情報記憶部１２３は、分割情報に関する各種情報を記憶する。図８は、実施形態に係る分割情報記憶部の一例を示す図である。図８に示す分割情報記憶部１２３は、「区分」と「コンテキスト」に基づいて分割された行動情報が記憶される。具体的には、ユーザの「区分」ごとに、各「コンテキスト」に対応する行動情報が記憶される。例えば、分割情報記憶部１２３に記憶される情報は、行動情報記憶部１２２に記憶された行動情報から生成される。

「区分」は、ユーザに関する区分を示す。図８では、ユーザＵ１〜Ｕ４、すなわち各ユーザが区分である場合を示す。なお、「区分」は、各ユーザに限らず抽象化されたユーザ分類等であってもよいが、この点については後述する。また、「コンテキスト」は、コンテキストを示す。図８では、説明を簡単にするため、時間帯と位置とに基づくコンテキストを示す。具体的には、「コンテキスト」は、朝（４〜１０時）、昼（１０〜１６時）、夜（１６〜２２時）、深夜（２２〜４時）の４つの時間帯と、家（自宅）またはオフィス（勤務地）の２つの位置とに基づく、８つのコンテキストＣＴ１１〜ＣＴ１８を示す。なお、図８に示す各マス中の「ＡＴ１１」等の行動内容の右側に示す「○」は、有無の「１」に対応し、「×」は、有無の「０」に対応する。すなわち、「○」の場合、ユーザが対応する行動を行ったことを示す。また、「×」の場合、ユーザが対応する行動を行わなかったことを示す。

例えば、図８に示す例において、ユーザＵ１は、コンテキストＣＴ１１において、行動ＡＴ１１が「○」であり、時間帯「朝」に家（自宅）で行動ＡＴ１１を行ったことを示す。また、ユーザＵ１は、コンテキストＣＴ１２において、行動ＡＴ１１が「×」であり、時間帯「朝」にオフィス（勤務地）で行動ＡＴ１１を行わなかったことを示す。

なお、分割情報記憶部１２３は、上記に限らず、目的に応じて種々の情報を記憶してもよい。また、図８では、説明のために、分割情報記憶部１２３に各行動情報の行動内容及び有無に関する情報を記憶する場合を図示したが、分割情報記憶部１２３は、行動情報記憶部１２２に記憶された行動情報がどのマスに対応するかに関する情報を記憶してもよい。

（クラスタ情報記憶部１２４）
実施形態に係るクラスタ情報記憶部１２４は、各分割情報の組合せに関する各種情報を記憶する。図９は、実施形態に係るクラスタ情報記憶部の一例を示す図である。図９に示すクラスタ情報記憶部１２４は、図８中の分割情報記憶部１２３に示す各マスの分割情報がどのように組み合わされたかを示す情報と各組合せに対応するモデルを識別する情報が記憶される。具体的には、ユーザの「区分」と「コンテキスト」とによる各マスに対応するモデルを識別する情報が記憶される。例えば、クラスタ情報記憶部１２４に記憶される情報は、モデルを生成する処理により生成される。

「区分」は、ユーザに関する区分を示す。図９では、図８と同様に、ユーザＵ１〜Ｕ４、すなわち各ユーザが区分である場合を示す。また、「コンテキスト」は、コンテキストを示す。図９では、図８と同様に、時間帯と位置とに基づくコンテキストを示す。具体的には、「コンテキスト」は、朝（４〜１０時）、昼（１０〜１６時）、夜（１６〜２２時）、深夜（２２〜４時）の４つの時間帯と、家（自宅）またはオフィス（勤務地）の２つの位置とに基づく、８つのコンテキストＣＴ１１〜ＣＴ１８を示す。なお、図９に示す各マス中の「Ｍ１」や「Ｍ２」等は、同じ符号が記憶されたマスの分割情報を組み合わせた組合情報により生成されたモデルを識別する情報を示す。

例えば、図９に示す例において、「Ｍ１」により識別されるモデル（以下、「モデルＭ１」とする場合がある。他の「Ｍ２」〜「Ｍ６」についても同様）は、ユーザＵ１のコンテキストＣＴ１１に対応するマスＭＳ、ユーザＵ２のコンテキストＣＴ１５に対応するマスＭＳ、ユーザＵ２のコンテキストＣＴ１７に対応するマスＭＳ、及びユーザＵ４のコンテキストＣＴ１３に対応するマスＭＳに含まれる分割情報を組み合わせた組合情報から生成されたことを示す。また、例えば、モデルＭ２は、ユーザＵ１のコンテキストＣＴ１２、ＣＴ１７に対応するマスＭＳ、ユーザＵ２のコンテキストＣＴ１４に対応するマスＭＳ、及びユーザＵ３のコンテキストＣＴ１２に対応するマスＭＳに含まれる分割情報を組み合わせた組合情報から生成されたことを示す。

なお、クラスタ情報記憶部１２４は、上記に限らず、目的に応じて種々の情報を記憶してもよい。

（学習情報記憶部１２５）
実施形態に係る学習情報記憶部１２５は、学習に関する情報を記憶する。例えば、学習情報記憶部１２５は、生成処理により生成されたモデル情報を記憶する。図１０は、実施形態に係る学習情報記憶部の一例を示す図である。図１０に示す学習情報記憶部１２５は、モデル情報として、各モデルＭ１〜Ｍ６に対応させて「素性１」〜「素性３」等といった項目を有する。

例えば、図１０に示す例において、モデルＭ１に関するモデル情報は、素性１の重みが「０．５」、素性２の重みが「−０．４」、素性３の重みが「０．２」等であることを示す。例えば、モデルの素性（特徴量）がｍ次元のベクトルで表現される場合、素性数はｍ個になり、素性１〜素性ｍの重みが記憶される。

なお、学習情報記憶部１２５は、上記に限らず、目的に応じて種々のモデル情報を記憶してもよい。

（コンテンツ情報記憶部１２６）
実施形態に係るコンテンツ情報記憶部１２６は、コンテンツ（記事）に関する各種情報を記憶する。図１１は、実施形態に係るコンテンツ情報記憶部の一例を示す図である。図１１に示すコンテンツ情報記憶部１２６は、「コンテンツＩＤ」、「コンテンツ」、「カテゴリ」といった項目を有する。

「コンテンツＩＤ」は、コンテンツを識別するための識別情報を示す。「コンテンツ」は、いわゆるコンテンツプロバイダ等の提供元から取得したコンテンツである記事を示す。図１１では「コンテンツ」に「記事Ａ」といった概念的な情報が格納される例を示したが、実際には、文字情報や文字情報と画像との組合せ、または、これらの格納場所を示すファイルパス名などが格納される。また、「カテゴリ」は、コンテンツの内容に基づく分類情報を示す。

例えば、図１１に示す例において、コンテンツＩＤ「ＣＮ１１」により識別される記事Ａ（コンテンツＣＮ１１）は、カテゴリ「経済」に分類されることを示す。また、図１１に示す例において、コンテンツＩＤ「ＣＮ１２」により識別される記事Ｂ（コンテンツＣＮ１２）は、カテゴリ「スポーツ」に分類されることを示す。

なお、コンテンツ情報記憶部１２６は、上記に限らず、目的に応じて種々の情報を記憶してもよい。例えば、コンテンツ情報記憶部１２６は、コンテンツを取得した日時やコンテンツが作成された日時に関する情報を記憶してもよい。コンテンツ情報記憶部１２６は、各提供元の評価値に関する情報を記憶してもよい。また、コンテンツ情報記憶部１２６は、コンテンツの提供元を識別するための識別情報を記憶してもよい。また、コンテンツ情報記憶部１２６は、各モデルにより算出されたコンテンツのスコアを記憶してもよい。

（関心情報記憶部１２７）
実施形態に係る関心情報記憶部１２７は、ユーザの関心に関する各種情報を記憶する。図１２は、実施形態に係る関心情報記憶部の一例を示す図である。例えば、関心情報記憶部１２７は、ユーザごとに各対象（分類）に対する関心に関する情報を示すスコアを記憶する。具体的には、関心情報記憶部１２７は、ユーザごとに各対象（分類）に対する関心を示す関心スコアを記憶する。図１２に示す関心情報記憶部１２７には、「ユーザＩＤ」、「対象」、「関心スコア」といった項目が含まれる。また、「関心スコア」には、各コンテキストに対応する「ＣＴ１１」〜「ＣＴ１８」や「合計」といった項目が含まれる。

「ユーザＩＤ」は、ユーザを識別するための識別情報を示す。例えば、ユーザＩＤ「Ｕ１」により識別されるユーザは、図２の例に示したユーザＵ１に対応する。また、「対象」は、ユーザの関心スコアを算出する対象（分類）を示す。また、「関心スコア」は、対応するユーザの関心度合いに関する数値を示す。

例えば、図１２に示す例において、ユーザＩＤ「Ｕ１」により識別されるユーザ（すなわち、ユーザＵ１）は、コンテキスト「ＣＴ１１」における対象「政治」に対する関心スコアが「０．５」であることを示す。また、ユーザＵ１は、コンテキスト「ＣＴ１１」における対象「経済」に対する関心スコアが「０．２」であることを示す。また、ユーザＵ１は、コンテキスト「ＣＴ１１」における対象「スポーツ」に対する関心スコアが「１．２」であることを示す。

例えば、図１２に示す例において、ユーザＩＤ「Ｕ３」により識別されるユーザ（すなわち、ユーザＵ３）は、対象「政治」に対する合計の関心スコアが「−１．８」であることを示す。また、ユーザＵ３は、対象「経済」に対する合計の関心スコアが「８．１」であることを示す。また、ユーザＵ３は、対象「スポーツ」に対する合計の関心スコアが「１．４」であることを示す。

なお、関心情報記憶部１２７は、上記に限らず、目的に応じて種々の情報を記憶してもよい。例えば、関心情報記憶部１２７は、各コンテキストや合計における各対象への関心を順位で示す情報を記憶してもよい。また、図１２では、ユーザＩＤごとに関心情報が関心情報記憶部１２７に記憶される場合を示したが、ユーザＩＤごとに限らず、例えば、所定のユーザ分類（例えば、２０代男性やスポーツに興味があるユーザ等）ごとの関心情報も記憶されてもよい。

（制御部１３０）
図５の説明に戻って、制御部１３０は、例えば、ＣＰＵ（Central Processing Unit）やＭＰＵ（Micro Processing Unit）等によって、配信装置１００内部の記憶装置に記憶されている各種プログラム（配信プログラムの一例に相当）がＲＡＭを作業領域として実行されることにより実現される。また、制御部１３０は、例えば、ＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（Field Programmable Gate Array）等の集積回路により実現される。

図５に示すように、制御部１３０は、取得部１３１と、推定部１３２と、生成部１３３と、決定部１３４と、配信部１３５とを有し、以下に説明する情報処理の機能や作用を実現または実行する。なお、制御部１３０の内部構成は、図５に示した構成に限られず、後述する情報処理を行う構成であれば他の構成であってもよい。また、制御部１３０が有する各処理部の接続関係は、図５に示した接続関係に限られず、他の接続関係であってもよい。

（取得部１３１）
取得部１３１は、ユーザの行動情報を取得する。取得部１３１は、ユーザが利用する端末装置１０からユーザの行動情報を取得する。また、取得部１３１は、ユーザに関するユーザ情報を取得する。また、取得部１３１は、ユーザに関する区分ごとのユーザの行動に関する行動情報であって、コンテキストに基づいて分割された行動情報である分割情報を取得する。例えば、取得部１３１は、分割情報記憶部１２３から分割情報を取得する。また、取得部１３１は、区分として、ユーザ、またはユーザ属性に基づく分類ごとのユーザの行動に関する行動情報が、コンテキストに基づいて分割された分割情報を取得する。

また、取得部１３１は、端末装置１０からコンテンツの配信要求を取得する。また、取得部１３１は、ユーザを識別する情報（例えば、ログインＩＤや端末識別情報等）や端末装置１０の位置情報等を取得する。

また、取得部１３１は、ユーザごとの行動に関する行動情報であって、コンテキストに基づいて分割された行動情報である分割情報が、当該分割情報の各々に含まれる行動情報の傾向に基づいて組み合わされた情報であり、ユーザ間を跨ぐ組み合わせを含む情報である組合情報ごとに生成され、所定の対象を予測するモデルに関する情報を取得する。例えば、取得部１３１は、クラスタ情報記憶部１２４や学習情報記憶部１２５からモデルに関する情報を取得する。

（推定部１３２）
推定部１３２は、取得した各種情報から種々の情報を推定する。例えば、推定部１３２は、コンテンツを配信した時刻や端末装置１０から取得したユーザの位置情報に基づいて種々の情報を推定する。例えば、推定部１３２は、端末装置１０から取得したユーザを識別する情報により、配信要求元のユーザを推定する。例えば、推定部１３２は、ユーザ情報記憶部１２１に記憶されたユーザのユーザ情報と端末装置１０の位置とに基づいて、ユーザがいる場所を推定する。図３では、推定部１３２は、ユーザ情報記憶部１２１に示すようにユーザＵ１の勤務地が位置ＬＣ１２であり、端末装置１０−１の位置が位置ＬＣ１２−１であるため、ユーザＵ１がオフィス（勤務地）にいると推定する。また、図３では、推定部１３２は、配信要求がされた時間が朝９時であるため、コンテキストを朝のオフィスに対応するコンテキストＣＴ１２と推定する。

また、推定部１３２は、一の区分がユーザである場合において、ユーザの各分割情報が含まれる組合情報と、他の区分の各分割情報が含まれる組合情報との類似度に基づいて、ユーザのユーザ属性を推定してもよい。

また、推定部１３２は、取得部１３１により取得されたモデルに関する情報に基づいて、ユーザに関する情報を推定する。推定部１３２は、一のユーザにおけるコンテキストごとのモデルの割当てと、モデルに関する情報とに基づいて、一のユーザの関心を推定する。推定部１３２は、一のユーザにおける一のコンテキストのモデルの割当てと、モデルに関する情報とに基づいて、一のユーザの前記一のコンテキストにおける関心を推定する。例えば、推定部１３２は、モデルに関する情報として、各モデルに含まれる素性の重みに基づいて、ユーザに関する情報を推定する。

例えば、推定部１３２は、モデルに関する情報に基づいて関心スコアを算出する。図１では、推定部１３２は、モデル情報ＭＤ１１を用いて、ユーザごとに各コンテキストにおける関心スコアを算出する。例えば、推定部１３２は、関心情報記憶部１２７に示すように、各ユーザについて、各対象のコンテキストごとの関心スコアを算出する。例えば、例えば、推定部１３２は、コンテキストＣＴ１１におけるユーザＵ１の各対象への関心スコアを、ユーザＵ１のコンテキストＣＴ１１に対応するマスＭＳに割り当てられたモデルＭ１の各素性の重みに基づいて算出する。また、例えば、推定部１３２は、算出した関心スコアに基づいて、ユーザに関する情報を推定する。

図１では、推定部１３２は、関心情報ＥＳ１１に示すようなユーザＵ３についての関心を推定する。例えば、推定部１３２は、ユーザＵ３の全コンテキストに亘る全体的な関心を示す関心情報ＥＳ１１−１を推定する。例えば、推定部１３２は、ユーザＵ３が全体として、経済に関心が高いと推定する。

また、図１では、推定部１３２は、ユーザＵ３の各コンテキストにおける関心を示す関心情報ＥＳ１１−２を推定する。例えば、推定部１３２は、ユーザＵ３がコンテキストＣＴ１２、ＣＴ１４、ＣＴ１６、ＣＴ１８、すなわちオフィスにいる場合は、経済に関心が高いと推定する。また、例えば、推定部１３２は、ユーザＵ３がコンテキストＣＴ１１、すなわち朝において家（自宅）にいる場合は、スポーツに関心が高いと推定する。

また、推定部１３２は、一のユーザにおけるコンテキストごとのモデルの割当てと、他のユーザにおけるコンテキストごとのモデルの割当てと、モデルに関する情報とに基づいて、一のユーザに類似するユーザを推定する。例えば、推定部１３２は、一のユーザにおけるコンテキストごとのモデルの割当てのパターンと、他のユーザにおけるコンテキストごとのモデルの割当てのパターンとに基づいて、一のユーザに類似するユーザを推定する。なお、これらの点についての詳細は後述する。

また、推定部１３２は、複数台の端末装置１０から一のユーザとして識別されるユーザに関する行動情報が収集される場合において、モデルに関する情報に基づいて、一のユーザとして識別されるユーザが一の端末装置１０を利用するユーザと他の端末装置１０を利用するユーザとにおいて異なるユーザであるかを推定する。なお、配信装置１００は、行動情報を収集する際等に各端末装置１０から取得される固体識別番号等の端末装置１０を識別する情報により、各端末装置１０を識別する。例えば、推定部１３２は、ユーザの特定をログインＩＤ等の情報により行う場合、ログインＩＤが同じ場合であっても別のユーザとして識別子、収集した行動情報を分割してもよい。例えば、推定部１３２は、複数台の端末装置１０において同じログインＩＤで認証が行われる場合、端末装置１０ごとに別のユーザとして認識して行動情報を分割してもよい。例えば、推定部１３２は、複数台の端末装置１０において同じログインＩＤで認証が行われる場合、一の端末装置１０から収集される行動情報に対応するモデルから推定される関心の高い対象と他の端末装置１０から収集される行動情報に対応するモデルから推定される関心の高い対象とが大きく異なる場合、一の端末装置１０を利用するユーザと、他の端末装置１０を利用するユーザとを異なる別のユーザであると推定してもよい。そして、推定部１３２は、端末装置１０ごとに別のユーザとして認識して行動情報を分割してもよい。

また、推定部１３２は、一のユーザにおけるコンテキストごとのモデルの割当てと、モデルに関する情報とに基づいて、一のユーザの行動情報に他のユーザの行動情報が含まれるかを推定する。例えば、推定部１３２は、一のユーザにおけるコンテキストごとのモデルの割当てが、朝〜昼のコンテキストＣＴ１１〜ＣＴ１４と夜〜深夜のコンテキストＣＴ１５〜ＣＴ１８とで、関心の高い対象が大きく異なる場合、朝〜昼のコンテキストＣＴ１１〜ＣＴ１４におけるユーザと、夜〜深夜のコンテキストＣＴ１５〜ＣＴ１８におけるユーザとを異なる別のユーザであると推定してもよい。

（生成部１３３）
生成部１３３は、収集されたユーザの行動に関する行動情報を、コンテキストに基づいて分割することにより、分割情報を生成してもよい。また、生成部１３３は、生成した分割情報を分割情報記憶部１２３に記憶させてもよい。例えば、生成部１３３は、収集した各ユーザの行動に関する情報を分割してもよい。例えば、生成部１３３は、収集した各ユーザの行動情報を、推定部１３２により推定されたコンテキストに基づいて分割する。

生成部１３３は、各分割情報に含まれる行動情報の傾向に基づいて組み合わされた分割情報である組合情報ごとに、所定の対象を予測するモデルを生成する。例えば、図２では、ユーザＵ１とコンテキストＣＴ１１とが交差する位置のマスＭＳ、及びユーザＵ４とコンテキストＣＴ１３とが交差する位置のマスＭＳが同じクラスタに分類される。ユーザＵ１とコンテキストＣＴ１１とが交差する位置のマスＭＳ、及びユーザＵ４とコンテキストＣＴ１３とが交差する位置のマスＭＳは、ともに行動ＡＴ１１が「○」である分割情報が含まれる。ユーザＵ１とコンテキストＣＴ１１とが交差する位置のマスＭＳ、及びユーザＵ４とコンテキストＣＴ１３とが交差する位置のマスＭＳには、同じ傾向を示す分割情報が含まれる。そして、生成部１３３は、ユーザＵ１とコンテキストＣＴ１１とが交差する位置のマスＭＳの分割情報、及びユーザＵ４とコンテキストＣＴ１３とが交差する位置のマスＭＳの分割情報を含む組合情報を用いてモデルＭ１を生成する。

また、生成部１３３は、組合情報に含まれる分割情報の各々に対応するコンテキストにおける当該分割情報に対応する区分に含まれるユーザに関する所定の対象を予測するモデルを生成する。生成部１３３は、区分間を跨ぐ組み合わせを含む組合情報ごとに、所定の対象を予測するモデルを生成する。例えば、生成部１３３は、ユーザＵ２とコンテキストＣＴ１２とが交差する位置のマスＭＳの分割情報、及びユーザＵ４とコンテキストＣＴ１４とが交差する位置のマスＭＳの分割情報を含む組合情報を用いてモデルＭ６を生成する。すなわち、生成部１３３は、ユーザＵ２とユーザＵ４との区分間を跨ぐ組合情報を用いてモデルＭ６を生成する。

例えば、生成部１３３は、組合情報に含まれる各分割情報に対応するユーザの分類及びコンテキストの組合せにおける所定の対象の予測精度が高くなるように分割情報が組み合わされた組合情報ごとに、所定の対象を予測するモデルを生成する。例えば、生成部１３３は、各分割情報に含まれる行動情報が類似する分割情報が組み合わされた組合情報ごとに、所定の対象を予測するモデルを生成する。例えば、生成部１３３は、所定の対象として、ユーザのコンテンツへの関心を予測するモデルを生成する。

例えば、生成部１３３は、組合情報の数が所定数になる手法により分割情報が組み合わされた組合情報ごとに、所定の対象を予測するモデルを生成する。例えば、生成部１３３は、ｋ−ｍｅａｎｓ法を用いて分割情報が組み合わされた組合情報ごとにモデルを生成する。この場合、生成部１３３は、決定部１３４により決定（設定）されたクラスタ数（組合情報数）になるように、分割情報を組み合わせて組合情報を生成し、組合情報ごとにモデルを生成する。

例えば、生成部１３３は、組合情報の数が変動し得る手法により分割情報が組み合わされた組合情報ごとに、所定の対象を予測するモデルを生成する。例えば、生成部１３３は、ディリクレ過程を用いたロジスティック回帰の手法を用いて分割情報が組み合わされた組合情報ごとにモデルを生成する。例えば、生成部１３３は、分割情報を順次組み合わせていくことにより、組合情報を生成し、組合情報ごとにモデルを生成する。

例えば、生成部１３３は、複数の分割情報を組み合わせた組合情報を生成し、その組合情報に対してモデルを生成する。例えば、生成部１３３は、ランダムに複数の分割情報を選択して組合情報を生成し、その組合情報に対してモデルを生成する。そして、生成部１３３は、生成したモデルの予測精度を検証する。ここでいう予測精度とは、ユーザの行動の有無を予測できる確率をいう。例えば、ここでいう予測精度とは、モデルを用いた場合において、行動情報において「○」であったコンテンツについて、所定のスコア以上が算出される確率をいう。そして、生成部１３３は、生成したモデルの予測精度が所定の閾値以上である場合、その組み合わせを維持して、さらに分割情報を組み合わせる処理を行ってもよい。また、生成部１３３は、ペナルティ項等の所定のハイパーパラメータを用いてもよい。例えば、生成部１３３は、クラスタ数が少なくなるほど値が小さくなるペナルティ項を用いてもよい。例えば、生成部１３３は、モデルの予測精度からクラスタ数に所定の係数を乗算した値を減算することにより算出される数値に基づいて、組み合わせを維持するか解除するかを判定してもよい。この場合、生成部１３３は、クラスタ数の減少とモデルの予測精度とのトレードオフに基づいて、所定のクラスタ数に分類された組合情報およびモデルを生成する。

例えば、生成部１３３は、交差検証（クロスバリデーション）により、一部をモデルの生成に用い、残りを検証用に用いて生成されたモデルの予測精度を検証してもよい。例えば、生成部１３３は、組合情報のうち８０％をモデル生成に用い、残りの２０％を検証に用いてもよい。例えば、生成部１３３は、検証した予測精度が所定の基準を満たした場合、その組み合わせを維持して、さらに分割情報を組み合わせる処理を行ってもよい。また、生成部１３３は、検証した予測精度が所定の基準を満たさない場合、その組み合わせを解除して、別の分割情報を組み合わせる処理を行ってもよい。また、生成部１３３は、分割情報を組み合わせる度に、モデル生成に用いる情報と、検証に用いる情報とを入れ替えて交差検証（クロスバリデーション）を複数回行った平均により、組み合わせを維持するか解除するかを判定してもよい。

例えば、生成部１３３は、一の区分がユーザである場合において、一のコンテキストにおけるユーザの分割情報が所定の条件を満たさない場合、一のコンテキストにおけるユーザのユーザ属性に類似する他の区分の分割情報を一のコンテキストにおけるユーザの分割情報に加えることにより、モデルを生成する。例えば、生成部１３３は、一のコンテキストにおけるユーザの分割情報の量が所定量に満たない場合、一のコンテキストにおける他の区分の分割情報を一のコンテキストにおけるユーザの分割情報に加えることにより、モデルを生成する。なお、これらの点についての詳細は後述する。

（決定部１３４）
決定部１３４は、端末装置１０へ配信するコンテンツを決定するモデルを決定する。図３では、決定部１３４は、クラスタ情報記憶部１２４中のユーザＵ１及びコンテキストＣＴ１２に対応するマスＭＳに記憶されたモデルＭ２を示す情報に基づいて、配信するコンテンツの決定に用いるモデルをモデルＭ２に決定する。

例えば、決定部１３４は、決定したモデルとコンテンツとに基づいて、コンテンツのスコアを算出する。また、例えば、決定部１３４は、算出したスコアに基づいて各コンテンツの順位を決定する。図３では、決定部１３４は、コンテンツ一覧ＣＬ１１に示すスコアに基づいて各コンテンツＣＮ１１〜ＣＮ１８等の順位を決定する。また、決定部１３４は、スコアの最も高いコンテンツＣＮ１５である記事Ｅの順位を１位に決定する。また、決定部１３４は、記事Ｅの次にスコアの高いコンテンツＣＮ１７である記事Ｇの順位を２位に決定する。これにより、決定部１３４は、順位一覧ＬＬ１１に示すように、順位１位が記事Ｅであり、順位２位が記事Ｇであり、順位３位が記事Ａであり、順位４位が記事Ｆであると決定する。

また、決定部１３４は、一のユーザにおいてモデルが未割当のコンテキストに、一のユーザに類似するユーザにおいて当該コンテキストに割り当てられたモデルを割り当てると決定する。なお、この点についての詳細は後述する。

（配信部１３５）
配信部１３５は、端末装置１０に各種情報を配信する。例えば、配信部１３５は、端末装置１０にコンテンツを配信する。また、配信部１３５は、決定部１３４により決定されたコンテンツを配信する。図３では、配信部１３５は、順位一覧ＬＬ１１に示すコンテンツを端末装置１０−１へ配信する。また、配信部１３５は、記事Ｅ、記事Ｇ、記事Ａ、記事Ｆ、等の順で表示されるコンテンツを端末装置１０−１へ配信する。また、図４では、配信部１３５は、推定したユーザの関心に関する情報を広告装置５０へ配信する。

〔４．生成処理のフロー〕
〔４−１．クラスタ数を設定しない手法〕
次に、図１３を用いて、実施形態に係る配信システム１による生成処理の手順について説明する。図１３は、実施形態に係る生成処理の一例を示すフローチャートである。具体的には、図１３は、クラスタ数（組合情報数）を決定しない手法による生成処理の一例を示すフローチャートである。

図１３に示すように、配信装置１００の取得部１３１は、各ユーザの行動情報を取得する（ステップＳ１０１）。例えば、取得部１３１は、各ユーザが利用する端末装置１０からユーザの行動情報を取得する。

また、配信装置１００の生成部１３３は、コンテキストに応じて情報を分割する（ステップＳ１０２）。例えば、生成部１３３は、行動情報を取得した際のコンテキストに応じて、行動情報を分割した分割情報を生成する。なお、ステップＳ１０１とステップＳ１０２は、複数回に亘って行われてもよい。

その後、生成部１３３は、クラスタ数を決定しない手法により、分割情報のクラスタリング及びモデルの生成を行う（ステップＳ１０３）。例えば、生成部１３３は、ディリクレ過程を用いたロジスティック回帰の手法を用いて分割情報が組み合わされた組合情報ごとにモデルを生成する。

〔４−２．クラスタ数を設定する手法〕
次に、図１４を用いて、実施形態に係る配信システム１による生成処理の手順について説明する。図１４は、実施形態に係る生成処理の一例を示すフローチャートである。具体的には、図１４は、クラスタ数（組合情報数）を予め設定（決定）する手法による生成処理の一例を示すフローチャートである。

図１４に示すように、配信装置１００の取得部１３１は、各ユーザの行動情報を取得する（ステップＳ２０１）。例えば、取得部１３１は、各ユーザが利用する端末装置１０からユーザの行動情報を取得する。

また、配信装置１００の生成部１３３は、コンテキストに応じて情報を分割する（ステップＳ２０２）。例えば、生成部１３３は、行動情報を取得した際のコンテキストに応じて、行動情報を分割した分割情報を生成する。なお、ステップＳ２０１とステップＳ２０２は、複数回に亘って行われてもよい。

また、配信装置１００の決定部１３４は、クラスタ数（組合情報数）を設定（決定）する（ステップＳ２０３）。例えば、決定部１３４は、クラスタ数（組合情報数）を「６」に設定（決定）する。なお、ステップＳ２０３の処理は、ステップＳ２０４よりも前であれば、いずれのタイミングで行われてもよい。

その後、生成部１３３は、クラスタ数を決定する手法により、分割情報のクラスタリング及びモデルの生成を行う（ステップＳ２０４）。例えば、生成部１３３は、ｋ−ｍｅａｎｓ法を用いて分割情報が組み合わされた組合情報ごとにモデルを生成する。

〔５．配信処理のフロー〕
次に、図１５を用いて、実施形態に係る配信システム１による配信処理の手順について説明する。図１５は、実施形態に係る配信処理の一例を示すフローチャートである。

図１５に示すように、配信装置１００の取得部１３１は、配信要求を取得する（ステップＳ３０１）。例えば、取得部１３１は、各ユーザが利用する端末装置１０からコンテンツの配信要求を取得する。

そして、配信装置１００の推定部１３２は、ユーザ及びコンテキストを推定する（ステップＳ３０２）。例えば、推定部１３２は、端末装置１０から取得したユーザを識別する情報により、配信要求元のユーザを推定する。また、例えば、推定部１３２は、配信要求がされた時刻や端末装置１０の位置に基づいて、コンテキストを推定する。

その後、配信装置１００の決定部１３４は、モデルを決定する（ステップＳ３０３）。例えば、決定部１３４は、端末装置１０へ配信するコンテンツを決定するモデルを決定する。

そして、決定部１３４は、コンテンツの順位を決定する（ステップＳ３０４）。例えば、決定部１３４は、ステップＳ３０３において決定したモデルとコンテンツとに基づいて、コンテンツのスコアを算出する。また、例えば、決定部１３４は、算出したスコアに基づいて各コンテンツの順位を決定する。

その後、配信装置１００の配信部１３５は、順位に基づいてコンテンツを配信する（ステップＳ３０５）。例えば、配信部１３５は、ステップＳ３０４において決定した順位に基づいてコンテンツを配信する。

〔６．推定処理のフロー〕
次に、図１６を用いて、実施形態に係る配信システム１による推定処理の手順について説明する。図１６は、実施形態に係る推定処理の一例を示すフローチャートである。

図１６に示すように、配信装置１００の取得部１３１は、モデルに関する情報取得する（ステップＳ４０１）。例えば、取得部１３１は、クラスタ情報記憶部１２４や学習情報記憶部１２５からモデルに関する情報を取得する。

そして、配信装置１００の推定部１３２は、モデルに関する情報に基づいて関心スコアを算出する（ステップＳ４０２）。図１では、推定部１３２は、モデル情報ＭＤ１１を用いて、ユーザごとに各コンテキストにおける関心スコアを算出する。例えば、推定部１３２は、関心情報記憶部１２７に示すように、各ユーザについて、各対象のコンテキストごとの関心スコアを算出する。

そして、推定部１３２は、関心スコアに基づいて、ユーザの関心を推定する（ステップＳ４０３）。図１では、推定部１３２は、関心情報ＥＳ１１に示すようなユーザＵ３についての関心を推定する。例えば、推定部１３２は、ユーザＵ３の全コンテキストに亘る全体的な関心を示す関心情報ＥＳ１１−１を推定する。例えば、推定部１３２は、ユーザＵ３が全体として、経済に関心が高いと推定する。また、図１では、推定部１３２は、ユーザＵ３の各コンテキストにおける関心を示す関心情報ＥＳ１１−２を推定する。例えば、推定部１３２は、ユーザＵ３がコンテキストＣＴ１２、ＣＴ１４、ＣＴ１６、ＣＴ１８、すなわちオフィスにいる場合は、経済に関心が高いと推定する。また、例えば、推定部１３２は、ユーザＵ３がコンテキストＣＴ１１、すなわち朝において家（自宅）にいる場合は、スポーツに関心が高いと推定する。

〔７．広告配信の処理のフロー〕
次に、図１７を用いて、広告装置５０による関心情報に基づく広告配信の処理の手順について説明する。図１７は、実施形態に係る推定したユーザの関心に基づく広告の配信処理の一例を示すフローチャートである。

図１７に示すように、広告装置５０は、配信装置１００から関心情報を取得する（ステップＳ５０１）。例えば、広告装置５０は、配信装置１００から関心情報ＥＳ１１を取得する。

そして、広告装置５０は、端末装置１０から広告要求を取得したかどうかを判定する（ステップＳ５０２）。端末装置１０から広告要求を取得していない場合（ステップＳ５０２：Ｎｏ）、広告装置５０はステップＳ５０２に戻って処理を繰り返す。

一方、端末装置１０から広告要求を取得した場合（ステップＳ５０２：Ｙｅｓ）、広告装置５０は、関心情報に基づいて広告を選択する（ステップＳ５０３）。例えば、ユーザＵ３の端末装置１０−３から広告要求を取得した広告装置５０は、配信装置１００から取得した関心情報ＥＳ１１を用いて、端末装置１０−３へ配信する広告を選択する。

その後、広告装置５０は、選択した広告を配信する（ステップＳ５０４）。例えば、広告装置５０は、配信装置１００から取得した関心情報ＥＳ１１に基づいて選択した広告を端末装置１０−３へ配信する。

〔８．類似ユーザの推定〕
上述した例においては、配信装置１００がモデルに関する情報に基づいてユーザの関心を推定する場合を示したが、配信装置１００は、モデルに関する情報に基づいて、各ユーザに類似するユーザを推定してもよい。この点について、図１８及び図１９を用いて説明する。図１８は、実施形態に係る類似ユーザに基づくモデル割当ての一例を示す図である。

図１８の例では、配信装置１００は、一のユーザにおけるコンテキストごとのモデルの割当てと、他のユーザにおけるコンテキストごとのモデルの割当てと、モデルに関する情報とに基づいて、一のユーザに類似するユーザを推定する。また、配信装置１００は、一のユーザにおいてモデルが未割当のコンテキストに、一のユーザに類似するユーザにおいて当該コンテキストに割り当てられたモデルを割り当てると決定する。

図１８に示すクラスタ情報一覧ＭＬ２１−１は、図９に示すクラスタ情報記憶部１２４にユーザＵ２１が追加された状態を示す。例えば、ユーザＵ２１は、２０代女性のユーザであるものとする。ここで、ユーザ属性の類似性に基づく場合、ユーザＵ２１は、同じ２０代女性のユーザＵ２に類似する。しかし、ユーザＵ２の各コンテキストに割り当てられたモデルとユーザＵ２１の各コンテキストに割り当てられたモデルは、類似性が低い。

一方、ユーザ属性の類似性に基づく場合、ユーザＵ２１は、３０代男性のユーザＵ３との類似性は低い。しかし、ユーザＵ２１の各コンテキストに割り当てられたモデルは、ユーザＵ３の各コンテキストに割り当てられたモデル類似性が高い。そのため、配信装置１００は、ユーザＵ２１に類似するユーザをユーザＵ３であると推定する（ステップＳ３１）。このように、配信装置１００は、各ユーザのコンテキストに割り当てられたモデルの類似性に基づいて、各ユーザに類似するユーザを推定する。

また、図１８では、ユーザＵ２１のコンテキストＣＴ１７にはモデルが未割当である。一方、ユーザＵ３のコンテキストＣＴ１７にはモデルＭ５が割り当てられている。そこで、配信装置１００は、モデルが未割当であるユーザＵ２１のコンテキストＣＴ１７にユーザＵ２１に類似するユーザＵ３のコンテキストＣＴ１７に割り当てられたモデルＭ５を割り当てる（ステップＳ３２）。これにより、配信装置１００は、クラスタ情報一覧ＭＬ２１−２に示すように、ユーザＵ２１のコンテキストＣＴ１７にモデルＭ５を割り当てる。

また、配信装置１００は、一のユーザにおけるコンテキストごとのモデルの割当てのパターンと、他のユーザにおけるコンテキストごとのモデルの割当てのパターンとに基づいて、一のユーザに類似するユーザを推定してもよい。この点について、図１９を用いて説明する。図１９は、実施形態に係る類似ユーザに基づくモデル割当ての一例を示す図である。

図１９に示すクラスタ情報一覧ＭＬ３１−１は、図９に示すクラスタ情報記憶部１２４にユーザＵ３１が追加された状態を示す。例えば、ユーザＵ２１は、３０代女性のユーザであるものとする。ここで、ユーザ属性の類似性に基づく場合、ユーザＵ２１は、同じ２０代女性のユーザＵ２や３０代男性のユーザＵ３に類似する。しかし、ユーザＵ２やユーザＵ３の各コンテキストに割り当てられたモデルとユーザＵ２１の各コンテキストに割り当てられたモデルは、類似性が低い。

一方、ユーザ属性の類似性に基づく場合、ユーザＵ２１は、２０代男性のユーザＵ４との類似性は低い。しかし、ユーザＵ２１におけるコンテキストごとのモデルの割当てのパターンと、ユーザＵ４におけるコンテキストごとのモデルの割当てのパターンとの類似性が高い。具体的には、ユーザＵ４のコンテキストに割り当てられたモデルを、時間帯を１つずつずらした場合、ユーザＵ３１のコンテキストに割り当てられたモデルとの類似性が高い。例えば、ユーザＵ３１のコンテキストに割り当てられたモデルについて、朝の時間帯を昼にずらし、昼の時間帯を夜にずらし、夜の時間帯を深夜にずらし、深夜の時間帯を朝にずらした場合、ユーザＵ３１のコンテキストに割り当てられたモデルとの類似性が高い。つまり、ユーザＵ３１は、ユーザＵ４と各コンテキスト自体で見た場合、割り当てられているモデルは異なるが、モデルの割当てのパターンは類似している。つまり、ユーザＵ３１は、ユーザＵ４と生活パターンがずれているが、全体としての傾向が類似しているユーザであると推定される。そのため、配信装置１００は、ユーザＵ３１に類似するユーザをユーザＵ４であると推定する（ステップＳ３３）。このように、配信装置１００は、各ユーザのコンテキストに割り当てられたモデルのパターンの類似性に基づいて、各ユーザに類似するユーザを推定する。

また、図１９では、ユーザＵ３１のコンテキストＣＴ１８にはモデルが未割当である。一方、ユーザＵ４のコンテキストＣＴ１６にはモデルＭ６が割り当てられている。そこで、配信装置１００は、モデルが未割当であるユーザＵ３１のコンテキストＣＴ１８にユーザＵ３１に類似するユーザＵ４のコンテキストＣＴ１６に割り当てられたモデルＭ６を割り当てる（ステップＳ３４）。これにより、配信装置１００は、クラスタ情報一覧ＭＬ３１−２に示すように、ユーザＵ３１のコンテキストＣＴ１８にモデルＭ６を割り当てる。なお、ユーザの類似性は、上記のようなモデル割当てのずれに限らず、種々の傾向に基づいて、推定されてもよい。例えば、一のユーザの家に対応するコンテキストのモデル割当てのパターンと他のユーザのオフィスに対応するコンテキストのモデル割当てのパターンとに、所定の類似性がある場合、配信装置１００は、一のユーザは他のユーザに類似すると推定してもよい。例えば、一のユーザの家に対応するコンテキストＣＴ１１、ＣＴ１３、ＣＴ１５、ＣＴ１７のモデル割当てのパターンと他のユーザのオフィスに対応するコンテキストＣＴ１２、ＣＴ１４、ＣＴ１６、ＣＴ１８のモデル割当てのパターンとに、所定の類似性がある場合、配信装置１００は、一のユーザは他のユーザに類似すると推定してもよい。

〔９．効果〕
上述してきたように、実施形態に係る配信装置１００は、取得部１３１と、推定部１３２とを有する。取得部１３１は、ユーザごとの行動に関する行動情報であって、コンテキストに基づいて分割された行動情報である分割情報が、当該分割情報の各々に含まれる行動情報の傾向に基づいて組み合わされた情報であり、ユーザ間を跨ぐ組み合わせを含む情報である組合情報ごとに生成され、所定の対象を予測するモデルに関する情報を取得する。推定部１３２は、取得部１３１により取得されたモデルに関する情報に基づいて、ユーザに関する情報を推定する。

これにより、実施形態に係る配信装置１００は、ユーザ間を跨ぐ組み合わせを含む組合情報ごとに生成されたモデルに関する情報に基づいて、ユーザに関する情報を推定することにより、他のユーザの行動情報も加味したモデルを用いてユーザに関する情報を推定することができる。したがって、配信装置１００は、ユーザに関する情報を適切に推定することができる。

また、実施形態に係る配信装置１００において、推定部１３２は、一のユーザにおけるコンテキストごとのモデルの割当てと、モデルに関する情報とに基づいて、一のユーザの関心を推定する。

これにより、実施形態に係る配信装置１００は、ユーザにおけるコンテキストごとのモデルの割当て、すなわちユーザにおけるモデルの割当てのパターンと、モデルの重み等の情報とに基づいて、ユーザに関する情報を適切に推定することができる。

また、実施形態に係る配信装置１００において、推定部１３２は、一のユーザにおける一のコンテキストのモデルの割当てと、モデルに関する情報とに基づいて、一のユーザの一のコンテキストにおける関心を推定する。

これにより、実施形態に係る配信装置１００は、ユーザにおけるあるコンテキストへ割り当てられるモデルと、そのモデルの重み等の情報とに基づいて、そのコンテキストにおけるユーザの関心を適切に推定することができる。

また、実施形態に係る配信装置１００において、推定部１３２は、一のユーザにおけるコンテキストごとのモデルの割当てと、他のユーザにおけるコンテキストごとのモデルの割当てと、モデルに関する情報とに基づいて、一のユーザに類似するユーザを推定する。

これにより、実施形態に係る配信装置１００は、ユーザにおけるコンテキストごとのモデルの割当て、他のユーザにおけるコンテキストごとのモデルの割当て、及びモデルの重み等の情報に基づいて、ユーザに類似する他のユーザを適切に推定することができる。

また、実施形態に係る配信装置１００において、推定部１３２は、一のユーザにおけるコンテキストごとのモデルの割当てのパターンと、他のユーザにおけるコンテキストごとのモデルの割当てのパターンとに基づいて、一のユーザに類似するユーザを推定する。

これにより、実施形態に係る配信装置１００は、ユーザにおけるコンテキストごとのモデルの割当てのパターンと、他のユーザにおけるコンテキストごとのモデルの割当てのパターンとに基づいて、ユーザに類似する他のユーザを適切に推定することができる。

また、実施形態に係る配信装置１００は、決定部１３４を有する。決定部１３４は、一のユーザにおいてモデルが未割当のコンテキストに、一のユーザに類似するユーザにおいて当該コンテキストに割り当てられたモデルを割り当てると決定する。

これにより、実施形態に係る配信装置１００は、ユーザにおいてモデルが未割当のコンテキストに、ユーザに類似する他のユーザにおいてそのコンテキストに割り当てられたモデルを割り当てることにより、ユーザのコンテキストに適切なモデルを割り当てることができる。

また、実施形態に係る配信装置１００において、推定部１３２は、複数台の端末装置１０から一のユーザとして識別されるユーザに関する行動情報が収集される場合において、モデルに関する情報に基づいて、一のユーザとして識別されるユーザが一の端末装置１０を利用するユーザと他の端末装置１０を利用するユーザとにおいて異なるユーザであるかを推定する。

これにより、実施形態に係る配信装置１００は、複数台の端末装置１０から一のユーザとして識別されるユーザに関する行動情報が収集される場合において、モデルに関する情報に基づいて、一のユーザとして識別されるユーザが一の端末装置１０を利用するユーザと他の端末装置１０を利用するユーザとにおいて異なるユーザであるかを推定することにより、一人のユーザとして識別されていた複数のユーザを適切に分離することができる。

また、実施形態に係る配信装置１００において、推定部１３２は、一のユーザにおけるコンテキストごとのモデルの割当てと、モデルに関する情報とに基づいて、一のユーザの行動情報に他のユーザの行動情報が含まれるかを推定する。

これにより、実施形態に係る配信装置１００は、ユーザにおけるコンテキストごとのモデルの割当てと、モデルに関する情報とに基づいて、一のユーザの行動情報に他のユーザの行動情報が含まれるかを推定することにより、一人のユーザとして識別されていた複数のユーザを適切に分離することができる。

また、実施形態に係る配信装置１００において、推定部１３２は、モデルに関する情報として、各モデルに含まれる素性の重みに基づいて、ユーザに関する情報を推定する。

これにより、実施形態に係る配信装置１００は、モデルに関する情報として、各モデルに含まれる素性の重みに基づくことにより、ユーザに関する情報を適切に推定することができる。

〔１０．ハードウェア構成〕
上述してきた実施形態に係る配信装置１００は、例えば図２０に示すような構成のコンピュータ１０００によって実現される。図２０は、配信装置の機能を実現するコンピュータの一例を示すハードウェア構成図である。コンピュータ１０００は、ＣＰＵ１１００、ＲＡＭ１２００、ＲＯＭ１３００、ＨＤＤ１４００、通信インターフェイス（Ｉ／Ｆ）１５００、入出力インターフェイス（Ｉ／Ｆ）１６００、及びメディアインターフェイス（Ｉ／Ｆ）１７００を有する。

ＣＰＵ１１００は、ＲＯＭ１３００またはＨＤＤ１４００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。ＲＯＭ１３００は、コンピュータ１０００の起動時にＣＰＵ１１００によって実行されるブートプログラムや、コンピュータ１０００のハードウェアに依存するプログラム等を格納する。

ＨＤＤ１４００は、ＣＰＵ１１００によって実行されるプログラム、及び、かかるプログラムによって使用されるデータ等を格納する。通信インターフェイス１５００は、ネットワークＮを介して他の機器からデータを受信してＣＰＵ１１００へ送り、ＣＰＵ１１００が生成したデータをネットワークＮを介して他の機器へ送信する。

ＣＰＵ１１００は、入出力インターフェイス１６００を介して、ディスプレイやプリンタ等の出力装置、及び、キーボードやマウス等の入力装置を制御する。ＣＰＵ１１００は、入出力インターフェイス１６００を介して、入力装置からデータを取得する。また、ＣＰＵ１１００は、生成したデータを入出力インターフェイス１６００を介して出力装置へ出力する。

メディアインターフェイス１７００は、記録媒体１８００に格納されたプログラムまたはデータを読み取り、ＲＡＭ１２００を介してＣＰＵ１１００に提供する。ＣＰＵ１１００は、かかるプログラムを、メディアインターフェイス１７００を介して記録媒体１８００からＲＡＭ１２００上にロードし、ロードしたプログラムを実行する。記録媒体１８００は、例えばＤＶＤ（Digital Versatile Disc）、ＰＤ（Phase change rewritable Disk）等の光学記録媒体、ＭＯ（Magneto-Optical disk）等の光磁気記録媒体、テープ媒体、磁気記録媒体、または半導体メモリ等である。

例えば、コンピュータ１０００が実施形態に係る配信装置１００として機能する場合、コンピュータ１０００のＣＰＵ１１００は、ＲＡＭ１２００上にロードされたプログラムを実行することにより、制御部１３０の機能を実現する。コンピュータ１０００のＣＰＵ１１００は、これらのプログラムを記録媒体１８００から読み取って実行するが、他の例として、他の装置からネットワークＮを介してこれらのプログラムを取得してもよい。

以上、本願の実施形態及び変形例のいくつかを図面に基づいて詳細に説明したが、これらは例示であり、発明の開示の行に記載の態様を始めとして、当業者の知識に基づいて種々の変形、改良を施した他の形態で本発明を実施することが可能である。

〔１１．その他〕
また、上記実施形態及び変形例において説明した各処理のうち、自動的に行われるものとして説明した処理の全部または一部を手動的に行うこともでき、あるいは、手動的に行われるものとして説明した処理の全部または一部を公知の方法で自動的に行うこともできる。この他、上記文書中や図面中で示した処理手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。例えば、各図に示した各種情報は、図示した情報に限られない。

また、図示した各装置の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、各装置の分散・統合の具体的形態は図示のものに限られず、その全部または一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。

また、上述してきた実施形態及び変形例は、処理内容を矛盾させない範囲で適宜組み合わせることが可能である。

また、上述してきた「部（section、module、unit）」は、「手段」や「回路」などに読み替えることができる。例えば、取得部は、取得手段や取得回路に読み替えることができる。

１ 配信システム
１００ 配信装置（推定装置）
１２１ ユーザ情報記憶部
１２２ 行動情報記憶部
１２３ 分割情報記憶部
１２４ クラスタ情報記憶部
１２５ 学習情報記憶部
１２６ コンテンツ情報記憶部
１２７ 関心情報記憶部
１３０ 制御部
１３１ 取得部
１３２ 推定部
１３３ 生成部
１３４ 決定部
１３５ 配信部
１０ 端末装置
Ｎ ネットワーク

Claims (11)

1. ユーザごとの行動に関する行動情報であって、コンテキストに基づいて分割された行動情報である分割情報が、当該分割情報の各々に含まれる行動情報の傾向に基づいて組み合わされた情報であり、前記ユーザ間を跨ぐ組み合わせを含む情報である組合情報ごとに生成され、所定の対象を予測するモデルに関する情報を取得する取得部と、
   前記取得部により取得されたモデルに関する情報に基づいて、ユーザに関する情報を推定する推定部と、
   を備えたことを特徴とする推定装置。
2. 前記推定部は、
   一のユーザにおけるコンテキストごとのモデルの割当てと、前記モデルに関する情報とに基づいて、前記一のユーザの関心を推定する
   ことを特徴とする請求項１に記載の推定装置。
3. 前記推定部は、
   一のユーザにおける一のコンテキストのモデルの割当てと、前記モデルに関する情報とに基づいて、前記一のユーザの前記一のコンテキストにおける関心を推定する
   ことを特徴とする請求項１に記載の推定装置。
4. 前記推定部は、
   一のユーザにおけるコンテキストごとのモデルの割当てと、他のユーザにおけるコンテキストごとのモデルの割当てと、前記モデルに関する情報とに基づいて、前記一のユーザに類似するユーザを推定する
   ことを特徴とする請求項１に記載の推定装置。
5. 前記推定部は、
   一のユーザにおけるコンテキストごとのモデルの割当てのパターンと、他のユーザにおけるコンテキストごとのモデルの割当てのパターンとに基づいて、前記一のユーザに類似するユーザを推定する
   ことを特徴とする請求項４に記載の推定装置。
6. 一のユーザにおいてモデルが未割当のコンテキストに、前記一のユーザに類似するユーザにおいて当該コンテキストに割り当てられたモデルを割り当てると決定する決定部、
   をさらに備えたことを特徴とする請求項４または請求項５に記載の推定装置。
7. 前記推定部は、
   複数台の端末装置から一のユーザとして識別されるユーザに関する行動情報が収集される場合において、前記モデルに関する情報に基づいて、前記一のユーザとして識別されるユーザが一の端末装置を利用するユーザと他の端末装置を利用するユーザとにおいて異なるユーザであるかを推定する
   ことを特徴とする請求項１〜６のいずれか１項に記載の推定装置。
8. 前記推定部は、
   一のユーザにおけるコンテキストごとのモデルの割当てと、前記モデルに関する情報とに基づいて、前記一のユーザの行動情報に他のユーザの行動情報が含まれるかを推定する
   ことを特徴とする請求項１〜７のいずれか１項に記載の推定装置。
9. 前記推定部は、
   前記モデルに関する情報として、各モデルに含まれる素性の重みに基づいて、ユーザに関する情報を推定する
   ことを特徴とする請求項１〜８のいずれか１項に記載の推定装置。
10. コンピュータが実行する推定方法であって、
    ユーザごとの行動に関する行動情報であって、コンテキストに基づいて分割された行動情報である分割情報が、当該分割情報の各々に含まれる行動情報の傾向に基づいて組み合わされた情報であり、前記ユーザ間を跨ぐ組み合わせを含む情報である組合情報ごとに生成され、所定の対象を予測するモデルに関する情報を取得する取得工程と、
    前記取得工程により取得されたモデルに関する情報に基づいて、ユーザに関する情報を推定する推定工程と、
    を含むことを特徴とする推定方法。
11. ユーザごとの行動に関する行動情報であって、コンテキストに基づいて分割された行動情報である分割情報が、当該分割情報の各々に含まれる行動情報の傾向に基づいて組み合わされた情報であり、前記ユーザ間を跨ぐ組み合わせを含む情報である組合情報ごとに生成され、所定の対象を予測するモデルに関する情報を取得する取得手順と、
    前記取得手順により取得されたモデルに関する情報に基づいて、ユーザに関する情報を推定する推定手順と、
    をコンピュータに実行させることを特徴とする推定プログラム。

Images