JP2020071509A - 情報処理装置、情報処理方法、及び情報処理プログラム - Google Patents

Abstract

【課題】コンテンツの視聴に関する情報を適切に予測する。【解決手段】本願に係る情報処理装置は、取得部と、予測部とを有する。取得部は、一のコンテンツに関してユーザが入力した入力情報を取得する。予測部は、取得部により取得された入力情報の入力に関する回数を示す回数情報と、コンテンツの視聴に関する情報の予測に用いるモデルとに基づいて、一のコンテンツの視聴に関する情報を予測する。【選択図】図４

Description

本発明は、情報処理装置、情報処理方法、及び情報処理プログラムに関する。

従来、動画等のコンテンツに関する種々の予測を行う技術が提供されている。例えば、新規あるいは話題性のある映像コンテンツを特定し、その映像コンテンツをユーザへ推奨する技術が提供されている。

特開２０１１−１６６６２１号公報

しかしながら、上記の従来技術では、コンテンツの視聴に関する情報を適切に予測することができるとは限らない。例えば、上記の従来技術では、ユーザへ推奨するコンテンツを予測し、特定しているに過ぎず、ユーザによりコンテンツが視聴されるか等に関して適切な予測ができるとは限らない。

本願は、上記に鑑みてなされたものであって、コンテンツの視聴に関する情報を適切に予測する情報処理装置、情報処理方法、及び情報処理プログラムを提供することを目的とする。

本願に係る情報処理装置は、一のコンテンツに関してユーザが入力した入力情報を取得する取得部と、前記取得部により取得された前記入力情報の入力に関する回数を示す回数情報と、コンテンツの視聴に関する情報の予測に用いるモデルとに基づいて、前記一のコンテンツの視聴に関する情報を予測する予測部と、を備えたことを特徴とする。

実施形態の一態様によれば、コンテンツの視聴に関する情報を適切に予測することができるという効果を奏する。

図１は、実施形態に係る生成処理の一例を示す図である。 図２は、実施形態に係る予測処理の一例を示す図である。 図３は、実施形態に係る情報処理システムの構成例を示す図である。 図４は、実施形態に係る情報処理装置の構成例を示す図である。 図５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６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７は、実施形態に係る学習データ記憶部の一例を示す図である。 図８は、実施形態に係るモデル情報記憶部の一例を示す図である。 図９は、実施形態に係る予測情報記憶部の一例を示す図である。 図１０は、実施形態に係る生成処理の一例を示すフローチャートである。 図１１は、実施形態に係る予測処理の一例を示すフローチャートである。 図１２は、情報処理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、本願に係る情報処理装置、情報処理方法、及び情報処理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情報処理装置、情報処理方法、及び情報処理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．情報処理〕
〔１−１．生成処理〕
まず、図１を用いて、実施形態に係る情報処理のうち生成処理の一例について説明する。図１は、実施形態に係る生成処理の一例を示す図である。図１では、情報処理装置１００がコンテンツに関するユーザの入力情報に基づいて、コンテンツの視聴時間を予測する予測モデル（以下単に「モデル」ともいう）を生成する場合を示す。予測対象は、コンテンツの視聴に関する情報であれば、コンテンツの視聴時間に限らず、コンテンツの視聴回数等の種々の情報であってもよい。

具体的には、図１では、情報処理装置１００が所定の期間のコンテンツの視聴時間を示す情報を正解情報とし、所定の期間よりも前の期間におけるユーザの入力情報から生成した回数情報を入力とするモデル（時間予測モデル）の生成を行う場合を示す。図１では、情報処理装置１００は、ユーザが検索に用いた検索クエリ（クエリ）等の検索情報を入力情報として用いる場合を一例として説明する。また、入力情報は、クエリに限らず種々の入力情報であってもよいが、この点についての詳細は後述する。また、ここでいう回数情報には、ユーザの入力情報に含まれるコンテンツの各要素の回数（値）が含まれてもよい。また、以下では、正解情報が対応付けられた回数情報を「学習データ」ともいう。

また、情報処理装置１００は、生成したモデルを用いて、所定の期間におけるコンテンツの入力情報に基づいて、所定の期間よりも後の期間におけるコンテンツの視聴時間を予測する。また、情報処理装置１００は、予測したコンテンツの視聴時間を示す情報に基づいて、サービスを提供したりするが、この点については図２で説明する。

〔情報処理システムの構成〕
まず、図１の説明に先立って、図３に示す情報処理システム１について説明する。図３に示すように、情報処理システム１には、コンテンツ配信事業者装置１０と、情報提供装置５０と、情報処理装置１００とが含まれる。コンテンツ配信事業者装置１０と、情報提供装置５０と、情報処理装置１００とは所定のネットワークＮを介して、有線または無線により通信可能に接続される。図３は、実施形態に係る情報処理システムの構成例を示す図である。なお、図３に示した情報処理システム１には、複数台のコンテンツ配信事業者装置１０や、複数台の情報提供装置５０や、複数台の情報処理装置１００が含まれてもよい。

コンテンツ配信事業者装置１０は、コンテンツの配信を行う事業者によって利用される情報処理装置である。コンテンツ配信事業者装置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。なお、以下では、コンテンツ配信事業者装置１０を事業者と表記する場合がある。すなわち、以下では、管理者をコンテンツ配信事業者装置１０と読み替えることもできる。図２に示すコンテンツ配信事業者ＣＤの管理者ＳＡ１は、コンテンツ配信事業者装置１０を操作することにより、情報処理装置１００の情報を表示したり、情報処理装置１００に処理を要求したりしてもよい。コンテンツ配信事業者装置１０は、コンテンツ配信装置（図示省略）からコンテンツ情報を取得して、情報処理装置１００に送信してもよい。例えば、コンテンツ配信事業者装置１０は、コンテンツ情報記憶部（図５参照）に示すような各種のコンテンツ情報を、情報処理装置１００に送信してもよい。

情報提供装置５０は、ユーザに種々のサービスを提供する情報処理装置である。情報提供装置５０は、ユーザに提供される種々のサービスに関する情報を情報処理装置１００に提供してもよい。情報提供装置５０は、ユーザの行動に関する情報（行動情報）を収集し、情報処理装置１００に送信する。例えば、情報提供装置５０は、ユーザが利用する端末装置（図示省略）から取得したクエリ（検索クエリ）に対する検索結果を端末装置に提供する検索サービスを提供する。例えば、情報提供装置５０は、ユーザに所定のＳＮＳ（Social Networking Service）に関するサービスを提供してもよい。また、例えば、情報提供装置５０は、商品を取引するショッピングやオークションに関する電子商取引サービスを提供する情報処理装置であってもよい。情報提供装置５０は、上記のようなサービスに関する種々の情報を収集し、情報処理装置１００へ提供する。また、例えば、情報提供装置５０は、上記のような種々の情報を他の外部装置から収集し、収集した情報を情報処理装置１００へ提供してもよい。また、情報処理装置１００と情報提供装置５０とは一体であってもよい。

情報処理装置１００は、一のコンテンツに関してユーザが入力した入力情報の入力に関する回数を示す回数情報と、コンテンツの視聴に関する情報の予測に用いるモデルとに基づいて、一のコンテンツの視聴に関する情報を予測する情報処理装置である。図２の例では、情報処理装置１００は、一のコンテンツに関する回数情報をモデルに入力することにより、モデルが出力するスコアに基づいて、一のコンテンツの視聴に関する情報を予測する。

また、情報処理装置１００は、予測した一のコンテンツの視聴に関する情報に基づいてサービスを提供する。図２の例では、情報処理装置１００は、期間ＬＴ１１におけるコンテンツＣＴ１１の予測視聴時間を示す情報を提供する。情報処理装置１００は、コンテンツ配信装置であってもよい。この場合、情報処理装置１００は、自装置が配信するコンテンツに関する予測を行う。

ここから、図１を用いて、情報処理装置１００がコンテンツの視聴時間の予測に用いるモデルＭ１を生成する場合を説明する。まず、情報処理装置１００は、事業者からコンテンツ情報を取得する（ステップＳ１１）。例えば、情報処理装置１００は、管理者ＳＡ１が利用するコンテンツ配信事業者装置１０からコンテンツ情報を取得する。図１の例では、情報処理装置１００は、コンテンツ配信事業者ＣＤが配信したコンテンツＣＴ１〜ＣＴ３等に関する情報を含むコンテンツ情報ＩＮＦ１１を取得する。例えば、情報処理装置１００は、図１中のコンテンツ情報記憶部１２１に示すようなコンテンツＣＴ１〜ＣＴ３のコンテンツ情報をコンテンツ配信事業者装置１０から取得する。

図１中のコンテンツ情報記憶部１２１に示す「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、コンテンツ配信事業者装置１０等によりユーザに配信されるコンテンツを示す。「配信ステータス」は、コンテンツがユーザへ配信済みや未配信であるかを示す。「要素情報」は、「タイトル」、「形態素群」、「カテゴリ」、「キャスト」、「スタッフ」といった項目を有する。「タイトル」は、コンテンツのタイトルを示す。「形態素群」は、コンテンツのタイトルの形態素群を示す。また、「カテゴリ」は、コンテンツの内容に基づくカテゴリ（分類）を示す。「キャスト」は、コンテンツのキャストを示す。「キャスト」の項目には、コンテンツに出演した人を特定する名称（人名）等が格納される。また、また、「スタッフ」は、コンテンツのスタッフを示す。「スタッフ」の項目には、そのコンテンツの制作に関係した人を特定する名称（人名）等が格納される。

「視聴情報」は、「期間＃１」といった項目を有する。「期間＃１」には、「期間」や「時間」や「回数」といった項目が含まれる。「期間」は、対応する時間や回数が収集される対象となる期間を示す。「期間」には、「ＬＴ５」等のように抽象的に図示するが、「２０１８年１０月１５日−２１日」や「２０１８年１０月１５日から２週間」や「２０１８年１０月」等の具体的な期間が記憶されてもよい。

「時間」は、対応する期間においてコンテンツが視聴された時間を示す。例えば、「時間」は、対応する期間においてコンテンツが視聴された総時間を示す。「時間」は、対応する期間において各ユーザがコンテンツを視聴した時間を合計した時間を示す。なお、図１の例では時間を「ＶＴ１」等の抽象的な符号で図示するが、時間は、「１５時間３０分」や「１００時間」等の具体的な時間を示す情報であってもよい。「回数」は、対応する期間においてコンテンツが視聴された回数を示す。なお、図１の例では回数を「ＶＳ１」等の抽象的な符号で図示するが、回数は、「３０回」や「１０００回」等の具体的な回数を示す情報であってもよい。

図１の例では、コンテンツＩＤ「ＣＴ１」により識別される動画ＭＡ（コンテンツＣＴ１）は、配信ステータスが「済」であり、既に配信が開始されているコンテンツであることを示す。また、コンテンツＣＴ１のタイトルは、タイトルＴＬ１であることを示す。コンテンツＣＴ１の形態素群は、形態素ＭＰ１や形態素ＭＰ２等を含む形態素群ＧＰ１であることを示す。コンテンツＣＴ１のカテゴリは、スポーツであることを示す。コンテンツＣＴ１のキャストは、キャストＣＳ１−１やキャストＣＳ１−２が含まれることを示す。また、コンテンツＣＴ１は、期間ＬＴ５における視聴時間が時間ＶＴ１であり、期間ＬＴ５における視聴回数が回数ＶＳ１であることを示す。

なお、図１の例に示す各期間「ＬＴ＊」中の「ＬＴ」に続く「＊（＊は任意の数値）」の値が小さい程、より過去の期間であるものとする。例えば、期間「ＬＴ４」は、期間「ＬＴ５」に比べて、「ＬＴ」に続く数値が小さいため、期間「ＬＴ４」は期間「ＬＴ５」よりも過去に対応する期間であることを示す。なお、期間ＬＴ４と期間ＬＴ５との間の間隔は適宜設定されてもよい。例えば、情報処理装置１００は、期間ＬＴ５において収集された実測値を示す正解情報に基づいて、モデルＭ１を生成する。すなわち、情報処理装置１００は、期間ＬＴ５に対応する長さの期間におけるコンテンツの視聴時間を予測するモデルＭ１を生成する。例えば、期間ＬＴ４の終了時点と期間ＬＴ５の開始時点との間の間隔期間（以下「タイムラグ」ともいう）は、予測対象や用いるデータに応じて適宜設定されてもよい。例えば、期間ＬＴ４と期間ＬＴ５とのタイムラグは、０日や１週間や１ヶ月等の種々の期間であってもよい。図１の例では、期間ＬＴ４と期間ＬＴ５とのタイムラグが、２週間であるものとして説明する。この場合、情報処理装置１００は、入力された回数情報に対応する入力情報の収集期間の終了時点から２週間後を開始時点とする期間の視聴時間を予測するモデルＭ１を生成する。なお、情報処理装置１００は、タイムラグを考慮せずに、期間ＬＴ５に対応する長さの期間におけるコンテンツの視聴時間を予測する場合であれば、モデルＭ１を用いて予測してもよい。例えば、情報処理装置１００は、データ収集期間後の期間ＬＴ５に対応する長さの期間について、コンテンツの視聴時間を予測する場合、モデルＭ１を用いて予測してもよい。

コンテンツ情報ＩＮＦ１１を取得した情報処理装置１００は、コンテンツ情報ＩＮＦ１１をコンテンツ情報記憶部１２１に登録する（ステップＳ１２）。図１の例では、情報処理装置１００は、コンテンツＣＴ１のコンテンツ情報やコンテンツＣＴ２のコンテンツ情報やコンテンツＣＴ３のコンテンツ情報をコンテンツ情報記憶部１２１に記憶させる。

情報処理装置１００は、情報提供装置５０からユーザの行動情報を取得する（ステップＳ１３）。例えば、情報処理装置１００は、ユーザの行動の種別や行動を行ったユーザに関する情報やユーザの入力情報等を含む行動情報ＩＮＦ１２を取得する。図１の例では、情報処理装置１００は、情報提供装置５０から期間ＬＴ５よりも以前の期間である期間ＬＴ４におけるユーザの行動情報を含む行動情報ＩＮＦ１２を取得する。例えば、情報処理装置１００は、図１中の行動情報記憶部１２２に示すようなユーザＵ１〜Ｕ５等の行動情報を情報提供装置５０から取得する。

図１中の行動情報記憶部１２２に示す「行動ＩＤ」は、ユーザの行動を識別する情報を示す。「種別」は、行動の種別を示す。「ユーザＩＤ」は、ユーザを識別するための識別情報を示す。「属性情報」は、ユーザの属性情報を示す。また、「日時」は、行動が行われた日時を示す。また、「入力情報」は、ユーザが入力した情報（ユーザ入力情報）を示す。例えば、「入力情報」は、ユーザが検索において用いたクエリに関する情報やユーザが所定のＳＮＳ等に投稿した投稿情報を示す。なお、図１の例では入力情報を「ＵＩＮ１」等の抽象的な符号で図示するが、入力情報は、ユーザが入力した具体的な文字列等の文字情報であってもよい。

図１に示す例において、ユーザＩＤ「Ｕ１」により識別されるユーザ（ユーザＵ１）は、日時ＤＡ１に検索行動である行動ＡＣ１１を行ったことを示す。また、行動ＡＣ１１を行ったユーザＵ１は、２０代男性のユーザであることを示す。また、行動ＡＣ１１において、ユーザＵ１が入力した入力情報は、入力情報ＵＩＮ１であることを示す。

行動情報ＩＮＦ１２を取得した情報処理装置１００は、行動情報ＩＮＦ１２を行動情報記憶部１２２に登録する（ステップＳ１４）。図１の例では、情報処理装置１００は、ユーザＵ１〜Ｕ５等の行動ＡＣ１１〜ＡＣ１５等に対応する行動情報を行動情報記憶部１２２に記憶させる。

そして、情報処理装置１００は、コンテンツ情報記憶部１２１に記憶されたコンテンツ情報や行動情報記憶部１２２に記憶された行動情報に基づいて、学習データを生成する（ステップＳ１５）。図１の例では、情報処理装置１００は、コンテンツ情報ＩＮＦ１１や行動情報ＩＮＦ１２に基づいて、学習データを生成する。例えば、情報処理装置１００は、図１中の学習データ記憶部１２３に示すようなデータＤＴ１−１〜ＤＴ１−３等を含む学習データを生成する。

なお、上記のように、「データＤＴ＊（＊は任意の数値）」と記載した場合、そのデータはデータＩＤ「ＤＴ＊」により識別されるデータであることを示す。例えば、「データＤＴ１−１」と記載した場合、そのデータはデータＩＤ「ＤＴ１−１」により識別されるデータである。

図１中の学習データ記憶部１２３に示す「データＩＤ」は、データを識別するための識別情報を示す。「コンテンツ」は、データの収集対象となるコンテンツを示す。なお、図１の例ではコンテンツを「ＣＴ１」等のコンテンツＩＤで図示する。「正解情報」は、データＩＤにより識別されるデータに対応する正解情報を示す。「正解情報」には、「対象期間」、「視聴時間」といった項目が含まれる。「対象期間」は、正解情報として用いる情報を収集する期間を示す。「視聴時間」は、対象期間におけるコンテンツの視聴時間を示す。例えば、「視聴時間」は、データＩＤにより識別されるデータに対応する正解情報として用いられる、視聴時間の実測値を示す。

「回数情報」は、データＩＤにより識別されるデータに対応する入力回数に関する情報を示す。「回数情報」には、「対象期間」、「タイトル回数」、「形態素群回数」、「カテゴリ回数」、「キャスト回数」、「スタッフ回数」といった項目が含まれる。「対象期間」は、各回数を集計する入力情報が収集された期間を示す。「タイトル回数」は、対象期間におけるコンテンツのタイトルに対応する入力情報が入力された回数を示す。「形態素群回数」は、対象期間におけるコンテンツの形態素群に対応する入力情報が入力された回数に基づく値を示す。「カテゴリ回数」は、対象期間におけるコンテンツのカテゴリに対応する入力情報が入力された回数を示す。「キャスト回数」は、対象期間におけるコンテンツのキャストに対応する入力情報が入力された回数を示す。「スタッフ回数」は、対象期間におけるコンテンツのスタッフに対応する入力情報が入力された回数を示す。

例えば、図１に示す例において、データＩＤ「ＤＴ１−１」により識別されるデータ（データＤＴ１−１）の正解情報は、期間ＬＴ５におけるコンテンツＣＴ１の視聴時間である時間ＶＴ１（正解情報ＲＤＴ１−１）であることを示す。データＤＴ１−１の回数情報は、期間ＬＴ４において収集されたコンテンツＣＴ１に関する入力情報に基づく回数情報であることを示す。データＤＴ１−１は、回数情報として、タイトル回数ＴＴＳ１や形態素群回数ＭＴＳ１やカテゴリ回数ＣＴＳ１やキャスト回数ＡＴＳ１やスタッフ回数ＳＴＳ１等を含むことを示す。

例えば、データＤＴ１−１の正解情報ＲＤＴ１−１は、期間ＬＴ５におけるコンテンツＣＴ１の視聴時間を示す情報である。また、データＤＴ１−１は、正解情報ＲＤＴ１−１に対応する期間ＬＴ５よりも過去の期間ＬＴ４におけるタイトル回数ＴＴＳ１や形態素群回数ＭＴＳ１やカテゴリ回数ＣＴＳ１やキャスト回数ＡＴＳ１やスタッフ回数ＳＴＳ１等を回数情報として含む。

例えば、情報処理装置１００は、コンテンツ情報記憶部１２１に記憶されたコンテンツＣＴ１のコンテンツ情報を用いて、データＤＴ１−１の正解情報を生成する。図１の例では、情報処理装置１００は、コンテンツ情報記憶部１２１に記憶されたコンテンツＣＴ１の視聴情報を用いて、データＤＴ１−１の正解情報を生成する。具体的には、情報処理装置１００は、コンテンツ情報記憶部１２１に記憶されたコンテンツＣＴ１の期間ＬＴ５における視聴時間ＶＴ１をデータＤＴ１−１の正解情報とする。この場合、情報処理装置１００は、期間ＬＴ５を示す情報と視聴時間ＶＴ１とを対応付けた情報をデータＤＴ１−１の正解情報として、データＩＤ「ＤＴ１−１」に対応付けて学習データ記憶部１２３に格納する。

また、情報処理装置１００は、コンテンツ情報記憶部１２１に記憶されたコンテンツＣＴ１のコンテンツ情報や行動情報記憶部１２２に記憶された行動情報を用いて、データＤＴ１−１の回数情報を生成する。図１の例では、情報処理装置１００は、期間ＬＴ４を対象期間として、データＤＴ１−１の回数情報を生成する。具体的には、情報処理装置１００は、期間ＬＴ４におけるユーザの入力情報から、データＤＴ１−１の回数情報を生成する。また、情報処理装置１００は、期間ＬＴ４を算出してもよい。この場合、情報処理装置１００は、記憶部１２０（図４参照）に記憶されたデータ収集期間を示す情報と、タイムラグを示す情報とに基づいて、データ収集対象期間となる期間ＬＴ４を算出してもよい。例えば、情報処理装置１００は、視聴情報が収集された期間ＬＴ５の開始時点からタイムラグを引いた時点を終了時点とするデータ収集対象期間を期間ＬＴ４として算出してもよい。例えば、情報処理装置１００は、期間ＬＴ５の開始時点から２週間前の時点を終了時点とするデータ収集対象期間を期間ＬＴ４として算出してもよい。なお、情報処理装置１００は、期間ＬＴ４を示す情報を、情報処理装置１００の管理者等の入力により取得してもよいし、所定の外部装置から取得してもよい。例えば、情報処理装置１００は、所定の外部装置に期間ＬＴ５を示す情報を送信することにより、所定の外部装置から期間ＬＴ４を示す情報を取得してもよい。

例えば、情報処理装置１００は、行動情報記憶部１２２に記憶された行動情報のうち、期間ＬＴ４内の行動情報を用いて、データＤＴ１−１の回数情報を生成する。情報処理装置１００は、行動情報記憶部１２２から期間ＬＴ４内の行動情報を抽出し、抽出したデータ（以下、「対象期間データ」ともいう）を用いて、データＤＴ１−１の回数情報を生成する。例えば、情報処理装置１００は、行動情報記憶部１２２に記憶された行動情報の日時と期間ＬＴ４とを比較し、日時が期間ＬＴ４内に含まれるデータを対象期間データとして抽出する。そして、情報処理装置１００は、対象期間データと、コンテンツ情報記憶部１２１に記憶されたコンテンツＣＴ１の要素情報を用いて、データＤＴ１−１の回数情報を生成する。

例えば、情報処理装置１００は、対象期間データにおけるコンテンツＣＴ１のタイトルＴＬ１の出現頻度をカウントし、データＤＴ１−１のタイトル回数として学習データ記憶部１２３に登録する。例えば、情報処理装置１００は、対象期間データをタイトルＴＬ１で検索し、ヒットした回数を、データＤＴ１−１のタイトル回数としてもよい。図１の例では、情報処理装置１００は、データＤＴ１−１のタイトル回数ＴＴＳ１を学習データ記憶部１２３に登録する。

例えば、情報処理装置１００は、対象期間データにおけるコンテンツＣＴ１の形態素群ＧＰ１に含まれる各形態素ＭＰ１、ＭＰ２等の出現頻度をカウントし、各形態素ＭＰ１、ＭＰ２等の出現頻度の平均をデータＤＴ１−１の形態素群回数として学習データ記憶部１２３に登録する。情報処理装置１００は、対象期間データにおけるコンテンツＣＴ１の形態素群ＧＰ１に含まれる各形態素ＭＰ１、ＭＰ２等の出現頻度の合計値を形態素ＭＰ１、ＭＰ２等の個数で除することにより、コンテンツＣＴ１の形態素群回数を算出する。例えば、情報処理装置１００は、対象期間データを各形態素ＭＰ１、ＭＰ２の各々で検索し、ヒットした回数の平均を、データＤＴ１−１の形態素群回数としてもよい。図１の例では、情報処理装置１００は、データＤＴ１−１の形態素群回数ＭＴＳ１を学習データ記憶部１２３に登録する。

例えば、情報処理装置１００は、対象期間データにおけるコンテンツＣＴ１のカテゴリ「スポーツ」の出現頻度をカウントし、データＤＴ１−１のカテゴリ回数として学習データ記憶部１２３に登録する。例えば、情報処理装置１００は、対象期間データを文字列「スポーツ」で検索し、ヒットした回数を、データＤＴ１−１のカテゴリ回数としてもよい。図１の例では、情報処理装置１００は、データＤＴ１−１のカテゴリ回数ＣＴＳ１を学習データ記憶部１２３に登録する。

例えば、情報処理装置１００は、対象期間データにおけるコンテンツＣＴ１のキャストＣＳ１−１、ＣＳ１−２等の出現頻度をカウントし、データＤＴ１−１のキャスト回数として学習データ記憶部１２３に登録する。例えば、情報処理装置１００は、対象期間データをキャストＣＳ１−１、ＣＳ１−２等で検索し、ヒットした回数を、データＤＴ１−１のキャスト回数としてもよい。図１の例では、情報処理装置１００は、データＤＴ１−１のキャスト回数ＡＴＳ１を学習データ記憶部１２３に登録する。なお、情報処理装置１００は、対象期間データにおけるコンテンツＣＴ１のキャストＣＳ１−１、ＣＳ１−２等の出現頻度の平均をデータＤＴ１−１のキャスト回数として用いてもよい。また、例えば、情報処理装置１００は、キャストの場合と同様に、対象期間データにおけるコンテンツＣＴ１のスタッフに対応する文字列の出現頻度をカウントし、データＤＴ１−１のスタッフ回数として学習データ記憶部１２３に登録する。

上記のような処理により、情報処理装置１００は、データＤＴ１−１〜ＤＴ１−３を生成し、学習データ記憶部１２３に記憶させる。

そして、情報処理装置１００は、学習データに基づいてモデルを生成する（ステップＳ１６）。このように、情報処理装置１００は、各正解情報の対象期間ＬＴ５よりも前の期間ＬＴ４における回数情報を入力としてモデルを生成する。これにより、情報処理装置１００は、現状のユーザの入力情報に基づく回数情報を入力することにより、未来のコンテンツの視聴時間を予測するモデルを生成することができる。このように、情報処理装置１００は、期間ＬＴ４におけるユーザによるコンテンツに関する入力に基づく回数情報と、期間ＬＴ４よりも後の期間ＬＴ５におけるそのコンテンツの視聴時間を示す情報とに基づいて、コンテンツの視聴時間を予測するモデルを生成する。

例えば、情報処理装置１００は、学習データ記憶部１２３中のデータＤＴ１−１〜ＤＴ１−３等を学習データ（教師データ）として、学習を行なうことにより、モデルを生成する。例えば、情報処理装置１００は、回数情報の各要素に関する特徴量（素性）を用いて、モデルを生成する。例えば、情報処理装置１００は、タイトルに対応する素性を用いて、モデルを生成する。例えば、情報処理装置１００は、形態素に対応する素性を用いて、モデルを生成する。例えば、情報処理装置１００は、カテゴリに対応する素性を用いて、モデルを生成する。例えば、情報処理装置１００は、キャストに対応する素性を用いて、モデルを生成する。例えば、情報処理装置１００は、スタッフに対応する素性を用いて、モデルを生成する。図１の例では、情報処理装置１００は、コンテンツに関する回数情報に含まれる情報に関する特徴を学習し、コンテンツの視聴時間を予測するモデルを生成する。なお、情報処理装置１００が学習するモデルに含まれる素性は、情報処理装置１００の管理者等の人間が情報処理装置１００に入力したり、情報処理装置１００が自動的に学習（抽出）したりしてもよい。例えば、情報処理装置１００は、各カテゴリに対応する素性を含むモデルを生成してもよい。この場合、情報処理装置１００は、「ドラマ」、「スポーツ」、「アニメ」、「グラビア」、「ドキュメンタリー」、「バラエティ」等に対応する素性を用いて、モデルを生成してもよい。情報処理装置１００は、「ドキュメンタリー・教養」、「バラエティ・スポーツ」等のカテゴリを組み合わせた素性を用いて、モデルを生成してもよい。また、情報処理装置１００は、「映画」、「音楽」等に対応する素性を用いて、モデルを生成してもよい。また、情報処理装置１００は、「映画」の下位カテゴリ（下位概念）である、「洋画」、「邦画」等に対応する素性を用いて、モデルを生成してもよい。なお、上記は一例であり、情報処理装置１００は、カテゴリに関する種々の素性を用いて、モデルを生成してもよい。

例えば、情報処理装置１００は、学習データ記憶部１２３に示すような学習データを用いてモデルＭ１を生成する。例えば、情報処理装置１００は、正解情報ＲＤＴ１−１のように視聴時間が時間ＶＴ１である場合、モデルＭ１にデータＤＴ１−１に含まれる回数情報が入力された場合に、モデルＭ１が出力するスコアが時間ＶＴ１に対応する値（例えば、時間ＶＴ１の値）に近づくように、学習処理を行う。例えば、情報処理装置１００は、時間ＶＴ１が５時間である場合、モデルＭ１にデータＤＴ１−１に含まれる回数情報が入力された場合に、モデルＭ１が出力するスコアが「５」に近づくように、学習処理を行う。例えば、情報処理装置１００は、データＤＴ１−１のタイトル回数ＴＴＳ１や形態素群回数ＭＴＳ１やカテゴリ回数ＣＴＳ１やキャスト回数ＡＴＳ１やスタッフ回数ＳＴＳ１がモデルＭ１に入力された場合に、モデルＭ１が出力するスコアが時間ＶＴ１に対応する値に近づくように、学習処理を行う。

また、例えば、情報処理装置１００は、正解情報ＲＤＴ１−２のように視聴時間が時間ＶＴ２である場合、モデルＭ１にデータＤＴ１−２に含まれる回数情報が入力された場合に、モデルＭ１が出力するスコアが時間ＶＴ２に対応する値（例えば、時間ＶＴ２の値）に近づくように、学習処理を行う。例えば、情報処理装置１００は、時間ＶＴ２が１０時間である場合、モデルＭ１にデータＤＴ１−２に含まれる回数情報が入力された場合に、モデルＭ１が出力するスコアが「１０」に近づくように、学習処理を行う。例えば、情報処理装置１００は、データＤＴ１−２のタイトル回数ＴＴＳ２や形態素群回数ＭＴＳ２やカテゴリ回数ＣＴＳ２やキャスト回数ＡＴＳ２やスタッフ回数ＳＴＳ２がモデルＭ１に入力された場合に、モデルＭ１が出力するスコアが時間ＶＴ２に対応する値に近づくように、学習処理を行う。

また、例えば、情報処理装置１００は、正解情報ＲＤＴ１−３のように視聴時間が時間ＶＴ３である場合、モデルＭ１にデータＤＴ１−３に含まれる回数情報が入力された場合に、モデルＭ１が出力するスコアが時間ＶＴ３に対応する値（例えば、時間ＶＴ３の値）に近づくように、学習処理を行う。例えば、情報処理装置１００は、時間ＶＴ３が２０時間半である場合、モデルＭ１にデータＤＴ１−３に含まれる回数情報が入力された場合に、モデルＭ１が出力するスコアが「２０．５」に近づくように、学習処理を行う。例えば、情報処理装置１００は、データＤＴ１−３のタイトル回数ＴＴＳ３や形態素群回数ＭＴＳ３やカテゴリ回数ＣＴＳ３やキャスト回数ＡＴＳ３やスタッフ回数ＳＴＳ３がモデルＭ１に入力された場合に、モデルＭ１が出力するスコアが時間ＶＴ３に対応する値に近づくように、学習処理を行う。

なお、モデルの学習手法については、上述した手法に限定されるものではなく、任意の公知技術が適用可能である。例えば、情報処理装置１００は、回帰モデルやニューラルネットワーク（neural network）等、任意の形式のモデルを生成してもよい。情報処理装置１００は、非線形の回帰モデルや線形の回帰モデル等、種々の回帰モデルを生成してもよい。例えば、各モデルの生成は、機械学習に関する種々の従来技術を適宜用いて行われてもよい。例えば、モデルの生成は、ＳＶＭ（Support Vector Machine）等の教師あり学習の機械学習に関する技術を用いて行われてもよい。また、例えば、モデルの生成は、教師なし学習の機械学習に関する技術を用いて行われてもよい。例えば、モデルの生成は、深層学習（ディープラーニング）の技術を用いて行われてもよい。例えば、モデルの生成は、ＤＮＮ（Deep Neural Network）やＲＮＮ（Recurrent Neural Network）やＣＮＮ（Convolutional Neural Network）等の種々のディープラーニングの技術を適宜用いて行われてもよい。なお、上記モデルの生成に関する記載は例示であり、モデルの生成は、取得可能な情報等に応じて適宜選択された学習手法により行われてもよい。すなわち、情報処理装置１００は、学習データに含まれる回数情報が入力された場合に、正解情報に対応するスコアを出力するようにモデルＭ１を学習可能であれば、どのような手法によりモデルＭ１の生成を行ってもよい。

上記のような処理により、図１の例では、情報処理装置１００は、モデル情報記憶部１２４に示すように、モデルＩＤ「Ｍ１」により識別されるモデル（モデルＭ１）を生成する。上記のように、「モデルＭ＊（＊は任意の数値）」と記載した場合、そのモデルはモデルＩＤ「Ｍ＊」により識別されるモデルであることを示す。例えば、「モデルＭ１」と記載した場合、そのモデルはモデルＩＤ「Ｍ１」により識別されるモデルである。また、図１中のモデル情報記憶部１２４に示すように、モデルＭ１は用途「視聴時間」、すなわちコンテンツの視聴時間の予測のために用いられるモデルであり、その具体的なモデルデータが「モデルデータＭＤＴ１」であることを示す。また、モデルＭ１は、全ユーザの行動情報を対象として生成されたため、モデルＭ１のターゲット属性は、「−」すなわち「全ユーザ」であることを示す。例えば、情報処理装置１００は、モデルＭ１にある期間におけるコンテンツに関するユーザの入力情報に基づく回数情報を入力することにより、入力した回数情報に対応する期間からタイムラグ経過後の期間におけるそのコンテンツの予測視聴時間を示すスコアを、モデルＭ１に出力させ、モデルＭ１が出力するスコアに基づいてそのコンテンツの視聴時間を予測する。

上述したように、情報処理装置１００は、コンテンツの回数情報と正解情報とが対応付けられた学習データを用いて学習することにより、あるコンテンツの視聴時間を適切に予測可能にするモデルを生成することができる。したがって、情報処理装置１００は、上述のように生成したモデルを用いることにより、例えば配信前のコンテンツなど所望のコンテンツに関する視聴時間を精度よく予測することを可能にすることができる。上述した例では、データＤＴ１−１の正解情報ＲＤＴ１−１は、期間ＬＴ５におけるコンテンツＣＴ１の視聴時間を示す情報である。また、データＤＴ１−１は、正解情報ＲＤＴ１−１に対応する期間ＬＴ５よりも過去の期間ＬＴ４におけるユーザの行動に対応する回数情報をモデルに入力する情報として含む。このように、情報処理装置１００は、正解情報ＲＤＴ１−１に対応する期間よりも前の期間における回数情報を入力としてモデルを生成する。これにより、情報処理装置１００は、現状のコンテンツに関する回数情報を入力することにより、そのコンテンツの未来の視聴時間を予測するモデルを生成することができる。なお、適切な予測が可能であれば、モデル生成時の視聴時間の収集期間と予測対象期間の長さは統一されていなくてもよい。

〔１−２．予測処理〕
図２を用いて、実施形態に係る情報処理のうち予測処理の一例について説明する。図２は、実施形態に係る予測処理の一例を示す図である。図２では、情報処理装置１００は、コンテンツ配信事業者ＣＤから予測対象期間ＬＴ１１におけるコンテンツＣＴ１１の視聴時間の予測を要求された場合に、予測対象期間ＬＴ１１におけるコンテンツＣＴ１１の視聴時間を予測し、予測に基づく情報を提供する場合を示す。

まず、情報処理装置１００は、事業者から予測要求を取得する（ステップＳ２１）。例えば、情報処理装置１００は、管理者ＳＡ１が利用するコンテンツ配信事業者装置１０から、予測対象となるコンテンツのコンテンツ情報及び予測対象期間を示す情報を予測要求として取得する。図２の例では、情報処理装置１００は、コンテンツ配信事業者ＣＤから未配信のコンテンツＣＴ１１のコンテンツ情報を取得する。例えば、情報処理装置１００は、図２中のコンテンツ情報ＩＮＦ２１に示すようなコンテンツＣＴ１１のコンテンツ情報をコンテンツ配信事業者装置１０から取得する。

図２の例では、コンテンツ情報ＩＮＦ２１に示すように、コンテンツＩＤ「ＣＴ１１」により識別される動画ＭＺ（コンテンツＣＴ１１）は、配信ステータスが「未」であり、未だ配信が開始されていないコンテンツであることを示す。また、コンテンツＣＴ１１のタイトルは、タイトルＴＬ１１であることを示す。コンテンツＣＴ１１の形態素群は、形態素ＭＰ１１や形態素ＭＰ１２等を含む形態素群ＧＰ１１であることを示す。コンテンツＣＴ１１のカテゴリは、ドラマであることを示す。コンテンツＣＴ１１のキャストは、キャストＣＳ１１−１やキャストＣＳ１１−２が含まれることを示す。また、コンテンツＣＴ１１は、視聴情報が無いことを示す。コンテンツ情報ＩＮＦ２１を取得した情報処理装置１００は、コンテンツ情報ＩＮＦ２１をコンテンツ情報記憶部１２１に登録する。

そして、情報処理装置１００は、情報提供装置５０に情報を要求する（ステップＳ２２）。情報処理装置１００は、情報提供装置５０に予測に用いるユーザの行動情報を要求する。図２の例では、情報処理装置１００は、予測対象期間ＬＴ１１よりも前の期間（以下「データ要求期間」ともいう）におけるユーザの行動情報を要求する。例えば、情報処理装置１００は、指定された予測対象期間ＬＴ１１と、記憶部１２０（図４参照）に記憶されたデータ収集期間を示す情報及びタイムラグを示す情報とに基づいて、データ要求期間となる期間ＬＴ１０を算出してもよい。例えば、情報処理装置１００は、予測対象期間ＬＴ１１の開始時点からタイムラグを引いた時点を終了時点とするデータ収集期間を期間ＬＴ１０として算出してもよい。例えば、情報処理装置１００は、データ収集期間の開始時点から２週間前の時点を終了時点とするデータ収集対象期間を期間ＬＴ１０として算出してもよい。なお、情報処理装置１００は、期間ＬＴ１０を示す情報を、情報処理装置１００の管理者等の入力により取得してもよいし、所定の外部装置から取得してもよい。例えば、情報処理装置１００は、所定の外部装置に予測対象期間ＬＴ１１を示す情報を送信することにより、所定の外部装置から期間ＬＴ１０を示す情報を取得してもよい。

情報処理装置１００は、期間ＬＴ１０を示す情報を情報提供装置５０に送信することにより、情報提供装置５０から期間ＬＴ１０におけるユーザの行動情報ＩＮＦ２２を取得する（ステップＳ２３）。情報処理装置１００から情報要求を受けた情報提供装置５０は、期間ＬＴ１０におけるユーザの行動情報ＩＮＦ２２を抽出し、情報処理装置１００に送信する。なお、情報処理装置１００は、情報提供装置５０から予測対象期間ＬＴ１１よりも前の期間の行動情報を取得し、取得した行動情報から期間ＬＴ１０におけるユーザの行動情報ＩＮＦ２２を抽出してもよい。

図２に示す例において、ユーザＩＤ「Ｕ２１」により識別されるユーザ（ユーザＵ２１）は、日時ＤＡ２１に検索行動である行動ＡＣ２１を行ったことを示す。また、行動ＡＣ２１を行ったユーザＵ２１は、２０代女性のユーザであることを示す。また、行動ＡＣ２１において、ユーザＵ２１が入力した入力情報は、入力情報ＵＩＮ２１であることを示す。行動情報ＩＮＦ２２を取得した情報処理装置１００は、行動情報ＩＮＦ２２を行動情報記憶部１２２に登録する。

そして、情報処理装置１００は、コンテンツ情報ＩＮＦ２１や行動情報ＩＮＦ２２に基づいて、入力データを生成する。（ステップＳ２４）。図２の例では、情報処理装置１００は、コンテンツ情報ＩＮＦ２１や行動情報ＩＮＦ２２に基づいて、コンテンツＣＴ１１の予測対象期間ＬＴ１１における視聴時間を予測するための入力データであるデータＤＴ２１を生成する。例えば、情報処理装置１００は、図２中の予測用データＩＰＤ２１に示すようなデータＤＴ２１を含む入力データを生成する。

図２中の予測用データＩＰＤ２１に示す「コンテンツ」は、予測対象となるコンテンツを示す。「予測対象期間」は、予測対象となる期間を示す。「データＩＤ」は、データを識別するための識別情報を示す。

「回数情報」は、データＩＤにより識別されるデータに対応する入力回数に関する情報を示す。「回数情報」には、「対象期間」、「タイトル回数」、「形態素群回数」、「カテゴリ回数」、「キャスト回数」、「スタッフ回数」といった項目が含まれる。「対象期間」は、各回数を集計する入力情報が収集された期間を示す。「タイトル回数」は、対象期間におけるコンテンツのタイトルに対応する入力情報が入力された回数を示す。「形態素群回数」は、対象期間におけるコンテンツの形態素群に対応する入力情報が入力された回数に基づく値を示す。「カテゴリ回数」は、対象期間におけるコンテンツのカテゴリに対応する入力情報が入力された回数を示す。「キャスト回数」は、対象期間におけるコンテンツのキャストに対応する入力情報が入力された回数を示す。「スタッフ回数」は、対象期間におけるコンテンツのスタッフに対応する入力情報が入力された回数を示す。

例えば、図２に示す例において、データＩＤ「ＤＴ２１」により識別されるデータ（データＤＴ２１）の回数情報は、期間ＬＴ１０において収集されたコンテンツＣＴ１１に関する入力情報に基づく回数情報であることを示す。データＤＴ２１は、回数情報として、タイトル回数ＴＴＳ１１や形態素群回数ＭＴＳ１１やカテゴリ回数ＣＴＳ１１やキャスト回数ＡＴＳ１１やスタッフ回数ＳＴＳ１１等を含むことを示す。データＤＴ２１は、予測対象期間ＬＴ１１よりも過去の期間ＬＴ１０におけるタイトル回数ＴＴＳ１１や形態素群回数ＭＴＳ１１やカテゴリ回数ＣＴＳ１１やキャスト回数ＡＴＳ１１やスタッフ回数ＳＴＳ１１等を回数情報として含む。

情報処理装置１００は、コンテンツ情報ＩＮＦ２１に示すようなコンテンツＣＴ１１のコンテンツ情報や行動情報ＩＮＦ２２に示すような行動情報を用いて、データＤＴ２１の回数情報を生成する。図２の例では、情報処理装置１００は、期間ＬＴ１０を対象期間として、データＤＴ２１の回数情報を生成する。具体的には、情報処理装置１００は、期間ＬＴ１０におけるユーザの入力情報から、データＤＴ２１の回数情報を生成する。また、情報処理装置１００は、期間ＬＴ１０を算出してもよい。この場合、情報処理装置１００は、記憶部１２０（図４参照）に記憶されたデータ収集期間を示す情報と、タイムラグを示す情報とに基づいて、データ収集対象期間となる期間ＬＴ１０を算出してもよい。例えば、情報処理装置１００は、視聴情報が収集された期間ＬＴ５の開始時点からタイムラグを引いた時点を終了時点とするデータ収集対象期間を期間ＬＴ１０として算出してもよい。なお、情報処理装置１００は、期間ＬＴ１０を示す情報を、情報処理装置１００の管理者等の入力により取得してもよいし、所定の外部装置から取得してもよい。

情報処理装置１００は、行動情報ＩＮＦ２２に示すような行動情報（対象期間データ）のうち、期間ＬＴ１０内の行動情報を用いて、データＤＴ２１の回数情報を生成する。なお、情報処理装置１００は、情報提供装置５０から取得した行動情報に期間ＬＴ１０以外のものが含まれる場合、行動情報ＩＮＦ２２に示すような行動情報から期間ＬＴ１０内の行動情報を抽出し、抽出したデータ（対象期間データ）を用いて、データＤＴ２１の回数情報を生成する。例えば、情報処理装置１００は、行動情報ＩＮＦ２２に示すような行動情報の日時と期間ＬＴ１０とを比較し、日時が期間ＬＴ１０内に含まれるデータを対象期間データとして抽出する。そして、情報処理装置１００は、対象期間データと、コンテンツ情報ＩＮＦ２１に示すようなコンテンツＣＴ１１の要素情報を用いて、データＤＴ２１の回数情報を生成する。

例えば、情報処理装置１００は、対象期間データにおけるコンテンツＣＴ１１のタイトルＴＬ１１の出現頻度をカウントし、データＤＴ２１のタイトル回数ＴＴＳ１１として用いる。例えば、情報処理装置１００は、対象期間データをタイトルＴＬ１１で検索し、ヒットした回数を、データＤＴ２１のタイトル回数としてもよい。

例えば、情報処理装置１００は、対象期間データにおけるコンテンツＣＴ１１の形態素群ＧＰ１１に含まれる各形態素ＭＰ１１、ＭＰ１２等の出現頻度をカウントし、各形態素ＭＰ１１、ＭＰ１２等の出現頻度の平均をデータＤＴ２１の形態素群回数ＭＴＳ１１として用いる。情報処理装置１００は、対象期間データにおけるコンテンツＣＴ１１の形態素群ＧＰ１１に含まれる各形態素ＭＰ１１、ＭＰ１２等の出現頻度の合計値を形態素ＭＰ１１、ＭＰ１２等の個数で除することにより、コンテンツＣＴ１１の形態素群回数を算出する。例えば、情報処理装置１００は、対象期間データを各形態素ＭＰ１１、ＭＰ１２の各々で検索し、ヒットした回数の平均を、データＤＴ２１の形態素群回数としてもよい。

例えば、情報処理装置１００は、対象期間データにおけるコンテンツＣＴ１１のカテゴリ「ドラマ」の出現頻度をカウントし、データＤＴ２１のカテゴリ回数ＣＴＳ１１として用いる。例えば、情報処理装置１００は、対象期間データを文字列「ドラマ」で検索し、ヒットした回数を、データＤＴ２１のカテゴリ回数としてもよい。

例えば、情報処理装置１００は、対象期間データにおけるコンテンツＣＴ１１のキャストＣＳ１１−１、ＣＳ１１−２等の出現頻度をカウントし、データＤＴ２１のキャスト回数ＡＴＳ１１として用いる。例えば、情報処理装置１００は、対象期間データをキャストＣＳ１１−１、ＣＳ１１−２等で検索し、ヒットした回数を、データＤＴ２１のキャスト回数としてもよい。なお、情報処理装置１００は、対象期間データにおけるコンテンツＣＴ１１のキャストＣＳ１１−１、ＣＳ１１−２等の出現頻度の平均をデータＤＴ２１のキャスト回数として用いてもよい。また、例えば、情報処理装置１００は、キャストの場合と同様に、対象期間データにおけるコンテンツＣＴ１１のスタッフに対応する文字列の出現頻度をカウントし、データＤＴ２１のスタッフ回数ＳＴＳ１１として用いる。上記のような処理により、情報処理装置１００は、モデルＭ１に入力するデータＤＴ２１を生成する。

データＤＴ２１を生成した情報処理装置１００は、データＤＴ２１をモデルに入力する。例えば、情報処理装置１００は、データＤＴ２１を、モデルＭ１に入力する。このように、情報処理装置１００は、期間ＬＴ１０におけるユーザのコンテンツＣＴ１１に関する入力に基づく回数情報と、モデルＭ１とを用いて、コンテンツＣＴ１１の予測対象期間ＬＴ１１における視聴時間を予測する。例えば、情報処理装置１００は、データＤＴ２１をモデルＭ１に入力することにより、コンテンツＣＴ１１の予測対象期間ＬＴ１１における視聴時間を予測する。

図２の例では、情報処理装置１００は、処理群ＰＳ２１に示すような処理により、コンテンツＣＴ１１の予測対象期間ＬＴ１１における視聴時間を示すスコアを算出する。情報処理装置１００は、データＤＴ２１をモデルＭ１に入力する（ステップＳ２５）。具体的には、情報処理装置１００は、データＤＴ２１のタイトル回数ＴＴＳ１１や形態素群回数ＭＴＳ１１やカテゴリ回数ＣＴＳ１１やキャスト回数ＡＴＳ１１やスタッフ回数ＳＴＳ１１等を含む回数情報をモデルＭ１に入力する。データＤＴ２１が入力されたモデルＭ１は、スコアを出力する（ステップＳ２６）。図２の例では、データＤＴ２１が入力されたモデルＭ１は、スコアＳＣ１１に示すようなスコア「１０．５」を出力する。

そして、情報処理装置１００は、コンテンツＣＴ１１の予測対象期間ＬＴ１１における視聴時間を示すスコアに基づいてコンテンツＣＴ１１の視聴時間を予測する（ステップＳ２７）。図２の例では、情報処理装置１００は、回数情報が入力されたモデルＭ１が出力するスコアが示す値が視聴時間であると予測する。例えば、情報処理装置１００は、モデルＭ１の用途が視聴時間であるため、回数情報が入力されたモデルＭ１が出力するスコアが示す値が視聴時間であると予測する。例えば、情報処理装置１００は、モデルＭ１が視聴時間を出力するように学習されたモデルであるため、回数情報が入力されたモデルＭ１が出力するスコアが示す値が視聴時間であると予測する。そのため、情報処理装置１００は、図２中の予測情報一覧ＰＩＮＦ２１に示すように、コンテンツＣＴ１１の予測対象期間ＬＴ１１における視聴時間が「１０時間３０分」であると予測する。また、モデルＭ１は、ターゲット属性が無し、すなわち全ユーザを対象とするため、情報処理装置１００は、ターゲット属性が「全体」であることを示す予測情報一覧ＰＩＮＦ２１を生成する。

そして、情報処理装置１００は、予測した情報に基づいて情報提供を行う（ステップＳ２８）。図２の例では、情報処理装置１００は、全ユーザを対象とした場合のコンテンツＣＴ１１（動画ＭＺ）の予測対象期間ＬＴ１１における視聴時間が、１０時間３０分であることを示す予測情報一覧ＰＩＮＦ２１をコンテンツ配信事業者装置１０へ提供する。

上述したように、情報処理装置１００は、予測対象期間より前の期間のユーザの行動情報から生成した回数情報に基づいて、予測対象期間におけるコンテンツの視聴時間を予測する。図２の例では、情報処理装置１００は、コンテンツＣＴ１１の期間ＬＴ１０に対応する回数情報をモデルＭ１に入力することにより、モデルＭ１に予測対象期間ＬＴ１１におけるコンテンツＣＴ１１の視聴時間に関するスコアを出力させる。そして、情報処理装置１００は、モデルＭ１が出力するスコアが高い程、予測対象期間ＬＴ１１におけるコンテンツＣＴ１１の視聴時間が長いと予測する。そして、情報処理装置１００は、予測した情報をコンテンツ配信事業者装置１０へ提供する。このように、情報処理装置１００は、コンテンツ配信事業者に適切な予測視聴時間の情報を提供することができる。なお、適切な予測が可能であれば、データ収集期間やタイムラグ等の各期間の長さは統一されていなくてもよい。

〔１−３．その他〕
〔１−３−１．入力情報〕
図１の例では、情報処理装置１００が検索時にユーザが入力した検索情報を入力情報として用いる場合を示したが、情報処理装置１００は、ユーザの種々の入力情報を用いてもよい。すなわち、情報処理装置１００は、クエリに限らず、ユーザが入力する種々の情報（入力情報）を用いて、コンテンツに関する視聴に関する情報を予測してもよい。例えば、情報処理装置１００は、所定のネットワークで通信される文字情報を用いて、コンテンツに関する視聴に関する情報を予測してもよい。例えば、情報処理装置１００は、ソーシャルネットワーキングサービスにおいてユーザが投稿した投稿情報とその投稿時のユーザの位置情報とを用いて、コンテンツに関する視聴に関する情報を予測してもよい。例えば、情報処理装置１００は、所定のＳＮＳにおいてユーザが入力した入力情報を用いて、コンテンツに関する視聴に関する情報を予測してもよい。例えば、情報処理装置１００は、Ｔｗｉｔｔｅｒ（登録商標）やＦａｃｅｂｏｏｋ（登録商標）等においてユーザが投稿（入力）した投稿情報（入力情報）を用いて、コンテンツに関する視聴に関する情報を予測してもよい。例えば、情報処理装置１００は、ユーザがＴｗｉｔｔｅｒにおいて投稿した文章（文字情報）を用いて、コンテンツに関する視聴に関する情報を予測してもよい。

例えば、情報処理装置１００は、ユーザがメッセージサービスにおいて入力した入力情報を用いて、コンテンツに関する視聴に関する情報を予測してもよい。例えば、情報処理装置１００は、ユーザがＬＩＮＥ（登録商標）等のメッセージサービスにおいて入力した入力情報を用いて、コンテンツに関する視聴に関する情報を予測してもよい。例えば、情報処理装置１００は、電子メールにおいて入力した入力情報を用いて、コンテンツに関する視聴に関する情報を予測してもよい。

〔１−３−２．予測対象、正解情報〕
図１の例では、情報処理装置１００がコンテンツの視聴時間を予測する場合を示したが、情報処理装置１００は、コンテンツの視聴に関する種々の情報を予測してもよい。例えば、情報処理装置１００は、コンテンツの視聴回数を予測してもよい。この場合、情報処理装置１００は、正解情報に視聴回数を用いてモデルを生成することにより、視聴回数を予測する回数予測モデル（モデルＭＸ）を生成してもよい。

例えば、情報処理装置１００は、コンテンツ情報記憶部１２１に記憶されたコンテンツＣＴ１の期間ＬＴ５における視聴回数ＶＳ１を正解情報として用いてもよい。そして、情報処理装置１００は、期間ＬＴ４に対応するデータＤＴ１−１のタイトル回数ＴＴＳ１や形態素群回数ＭＴＳ１やカテゴリ回数ＣＴＳ１やキャスト回数ＡＴＳ１やスタッフ回数ＳＴＳ１等の回数情報と視聴回数ＶＳ１とを対応付けた学習データを用いてもよい。この場合、情報処理装置１００は、タイトル回数ＴＴＳ１や形態素群回数ＭＴＳ１やカテゴリ回数ＣＴＳ１やキャスト回数ＡＴＳ１やスタッフ回数ＳＴＳ１等がモデルＭＸに入力された場合に、モデルＭＸが出力するスコアが回数ＶＳ１に対応する値に近づくように、学習処理を行うことにより、モデルＭＸを生成してもよい。

そして、情報処理装置１００は、生成したモデルＭＸに予測対象のコンテンツに関する回数情報を入力することにより、予測対象のコンテンツの視聴回数を予測してもよい。

〔１−３−３．ストップワード、タイトル成形等〕
図１の例では、タイトルから抽出された全形態素を対象とする場合を示したが、情報処理装置１００は、形態素群中の各形態素のうち、所定の条件を満たす形態素を除いてもよい。例えば、情報処理装置１００は、回数をカウントする対象から除外する文字列（ストップワード）を示す所定の辞書（ストップワード辞書）を用いてもよい。この場合、情報処理装置１００は、記憶部１２０（図４参照）に記憶されたストップワード辞書を用いて、ストップワード辞書に含まれるストップワードと形態素群中の各形態素とを比較し、形態素群中のストップワードと一致する形態素を形態素群から削除してもよい。

例えば、情報処理装置１００は、所定の助詞や所定の代名詞等のストップワードが含まれるストップワード辞書を用いて、形態素群からストップワードを除去してもよい。例えば、情報処理装置１００は、「の」や「これ」等のストップワードが含まれるストップワード辞書を用いて、形態素群からストップワードを除去してもよい。そして、情報処理装置１００は、ストップワードを除いた形態素群（除去後形態素群）を対象として回数をカウントしてもよい。

また、情報処理装置１００は、「○○限定」や「special edition」等の付加文字列が含まれる場合、その付加文字列を除いた文字列をタイトルとして用いてもよい。例えば、情報処理装置１００は、記憶部１２０（図４参照）に記憶された「○○限定」や「special edition」等の付加文字列辞書を用いて、付加文字列辞書に含まれる付加文字列とタイトルとを比較し、タイトル中の付加文字列と一致する部分を除いた文字列（除去後タイトル）をタイトルとして用いてもよい。

また、情報処理装置１００は、上記の付加文字列を除いた後のタイトル（除去後タイトル）から形態素を抽出し、抽出した形態素群を対象として回数をカウントしてもよい。

〔１−３−４．モデルの入力〕
図１の例では、モデルへの入力（入力データ）として回数情報が用いられる場合を示したが、モデルへの入力は回数情報に限らず、種々の情報であってもよい。例えば、情報処理装置１００は、ユーザの入力情報をモデルへの入力とするモデルを生成してもよい。この場合、情報処理装置１００は、ユーザの入力情報をモデルへの入力とすることにより、予測処理を行う。

〔１−３−５．ユーザ属性〕
また、情報処理装置１００は、上記に限らず、種々の情報を用いて、視聴に関する情報の予測を行ってもよい。例えば、情報処理装置１００は、ユーザの属性情報も加味して視聴に関する情報の予測を行ってもよい。例えば、情報処理装置１００は、ユーザの属性情報も入力とするモデルを用いて、視聴に関する情報の予測を行ってもよい。例えば、情報処理装置１００は、入力情報を入力したユーザの属性情報を入力とするモデルを用いて、視聴に関する情報の予測を行ってもよい。

また、情報処理装置１００は、ユーザ属性ごとにモデルを生成してもよい。例えば、情報処理装置１００は、予測ターゲットとするユーザ属性（ターゲット属性）ごとの複数のモデルを生成してもよい。

例えば、情報処理装置１００は、図８中のモデル情報記憶部１２４に示すように２０代男性をターゲット属性とするモデルＭ１１を生成してもよい。例えば、情報処理装置１００は、２０代男性に属するユーザのコンテンツに関する入力情報を用いて、ターゲット属性「２０代男性」によるコンテンツの視聴時間を予測するモデルＭ１１を生成してもよい。

この場合、情報処理装置１００は、属性情報が２０代男性に該当するユーザの行動情報のみを用いてモデルＭ１１を生成してもよい。例えば、情報処理装置１００は、行動情報記憶部１２２（図６参照）に記憶されたユーザの行動情報のうち、属性情報が２０代男性に該当するユーザの行動情報を用いて、モデルＭ１１を生成してもよい。例えば、情報処理装置１００は、ターゲット属性「２０代男性」と、行動情報記憶部１２２（図６参照）に記憶された各ユーザの属性情報とを比較し、「２０代」及び「男性」が属性情報に含まれるユーザの行動情報を抽出し、抽出したターゲット属性「２０代男性」を用いて、回数情報等の生成を行ってもよい。そして、情報処理装置１００は、属性情報が２０代男性に該当するユーザによるコンテンツの視聴時間を正解情報として、モデルＭ１１を生成してもよい。

そして、情報処理装置１００は、ターゲット属性を２０代男性として視聴時間を予測する場合、モデルＭ１１を用いてもよい。例えば、情報処理装置１００は、ターゲット属性を２０代男性として、あるコンテンツ（コンテンツＣＴＺ）の視聴時間を予測する要求を所定の事業者（コンテンツ配信事業者ＣＤ）から取得した場合、モデルＭ１１を用いて、ターゲット属性「２０代男性」のユーザによるコンテンツＣＴＺの視聴時間を予測してもよい。この場合、情報処理装置１００は、コンテンツＣＴＺに関する２０代男性のユーザの入力情報から、回数情報等のモデルＭ１１への入力情報（モデル入力情報）を生成する。そして、情報処理装置１００は、生成した回数情報等をモデルＭ１１へ入力することにより、ターゲット属性「２０代男性」のユーザによるコンテンツＣＴＺの視聴時間を予測してもよい。

上記と同様に、情報処理装置１００は、図８中のモデル情報記憶部１２４に示すように２０代女性をターゲット属性とするモデルＭ１２を生成してもよい。例えば、情報処理装置１００は、２０代女性に属するユーザのコンテンツに関する入力情報を用いて、ターゲット属性「２０代女性」によるコンテンツの視聴時間を予測するモデルＭ１２を生成してもよい。そして、情報処理装置１００は、ターゲット属性を２０代女性として視聴時間を予測する場合、モデルＭ１２を用いてもよい。

上記と同様に、情報処理装置１００は、図８中のモデル情報記憶部１２４に示すように２０代女性をターゲット属性とするモデルＭ１２を生成してもよい。例えば、情報処理装置１００は、２０代女性に属するユーザのコンテンツに関する入力情報を用いて、ターゲット属性「２０代女性」によるコンテンツの視聴時間を予測するモデルＭ１２を生成してもよい。そして、情報処理装置１００は、ターゲット属性を２０代女性として視聴時間を予測する場合、モデルＭ１２を用いてもよい。

また、情報処理装置１００は、図８中のモデル情報記憶部１２４に示すように３０代女性子供有をターゲット属性とするモデルＭ２１を生成してもよい。すなわち、情報処理装置１００は、年齢が３０代であり、性別が女性であり、子供がいるユーザ属性をターゲット属性とするモデルＭ２１を生成してもよい。例えば、情報処理装置１００は、３０代女性子供有に属するユーザのコンテンツに関する入力情報を用いて、ターゲット属性「３０代女性子供有」によるコンテンツの視聴回数を予測するモデルＭ２１を生成してもよい。そして、情報処理装置１００は、ターゲット属性を３０代女性子供有として視聴回数を予測する場合、モデルＭ２１を用いてもよい。

また、情報処理装置１００は、図８中のモデル情報記憶部１２４に示すように３０代女性子供無をターゲット属性とするモデルＭ２２を生成してもよい。すなわち、情報処理装置１００は、年齢が３０代であり、性別が女性であり、子供がいないユーザ属性をターゲット属性とするモデルＭ２１を生成してもよい。例えば、情報処理装置１００は、３０代女性子供無に属するユーザのコンテンツに関する入力情報を用いて、ターゲット属性「３０代女性子供無」によるコンテンツの視聴回数を予測するモデルＭ２２を生成してもよい。そして、情報処理装置１００は、ターゲット属性を３０代女性子供無として視聴回数を予測する場合、モデルＭ２２を用いてもよい。

情報処理装置１００は、上記のような種々のモデルを用いて、予測処理を行ってもよい。例えば、情報処理装置１００は、コンテンツ配信事業者ＣＤ等の事業者が要求するターゲット属性や視聴に関する情報の指定に応じて、モデルを選択し、選択したモデルを用いて予測処理を行ってもよい。

すなわち、情報処理装置１００は、複数のユーザ属性ごとに生成される複数のモデルのうち、要求に応じた一のモデルを選択し、取得してもよい。そして、情報処理装置１００は、一のモデルに基づいて、ユーザ属性に対応するユーザによるコンテンツの視聴に関する情報を予測してもよい。このように、情報処理装置１００は、種々のターゲット属性ごとに予測を行うことができるため、属性毎の視聴時間や視聴回数が適切に予測できる。

なお、上記のターゲット属性は一例であり、ターゲット属性は上記に限らず、予測対象や事業者の要求等に応じて、種々設定されてもよい。例えば、情報処理装置１００は、「関東在住」や「自営業者」等、ユーザの位置に関する属性や職業に関する属性等、種々の属性情報をターゲット属性として用いてもよい。このように、情報処理装置１００は、年齢や性別に限らず、種々のデモグラフィック属性やサイコグラフィック属性をターゲット属性として用いてもよい。

〔１−３−６．学習方法、正則化等〕
情報処理装置１００は、種々の従来技術を適宜用いてモデルを生成してもよい。情報処理装置１００は、学習手法に関する種々の従来技術を適宜用いてモデルを生成してもよい。例えば、情報処理装置１００は、回帰に関する種々の従来技術を適宜用いてモデル（回帰モデル）を生成してもよい。例えば、情報処理装置１００は、回帰に関する種々の従来技術を適宜用いて、コンテンツの各要素に関する素性を含むモデルを生成してもよい。例えば、情報処理装置１００は、非線形回帰に関する種々の従来技術を適宜用いてモデルを生成してもよい。例えば、情報処理装置１００は、カーネル法に関する種々の従来技術を適宜用いてモデルを生成してもよい。例えば、情報処理装置１００は、カーネル回帰に関する種々の従来技術を適宜用いてモデルを生成してもよい。例えば、情報処理装置１００は、種々の従来技術を適宜用いて、各素性の標準偏回帰係数（重み）を学習することにより、モデルを生成してもよい。

例えば、情報処理装置１００は、予測結果への影響が小さい要素に関する素性（特徴量）をモデルの素性から除いてもよい。コンテンツに関する要素「スタッフ」に関する素性の影響度が小さい場合、要素「スタッフ」に関する素性をモデルの素性から除いてもよい。例えば、情報処理装置１００は、モデルＭ１１において、素性「スタッフ回数」の重みが所定の閾値未満である場合、素性「スタッフ回数」に関する素性をモデルＭ１の素性から除いてもよい。例えば、情報処理装置１００は、Ｌ１正則化等の種々の技術を用いて、予測結果への影響が小さい要素に関する素性を除いたモデルＭ１を生成してもよい。

例えば、情報処理装置１００は、交差検定（クロスバリデーション）に関する種々の従来技術を適宜用いて、モデルに関するパラメータを最適化してもよい。例えば、情報処理装置１００は、モデルの生成に用いる情報（生成用データ）と、検証に用いる情報（検証用データ）とを入れ替えて交差検証（クロスバリデーション）を複数回行うことにより、バンド幅や正則化パラメータを交差検定で最適化してもよい。例えば、情報処理装置１００は、カーネル回帰やＬ１正則化等を用いたモデル生成において、バンド幅や正則化パラメータを交差検定で最適化してもよい。

〔２．情報処理装置の構成〕
次に、図４を用いて、実施形態に係る情報処理装置１００の構成について説明する。図４は、実施形態に係る情報処理装置の構成例を示す図である。図４に示すように、情報処理装置１００は、通信部１１０と、記憶部１２０と、制御部１３０とを有する。なお、情報処理装置１００は、情報処理装置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、コンテンツ配信事業者装置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４に示すように、コンテンツ情報記憶部１２１と、行動情報記憶部１２２と、学習データ記憶部１２３と、モデル情報記憶部１２４と、予測情報記憶部１２５とを有する。

（コンテンツ情報記憶部１２１）
実施形態に係るコンテンツ情報記憶部１２１は、コンテンツ（記事）に関する各種情報を記憶する。図５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５に示すコンテンツ情報記憶部１２１は、「コンテンツＩＤ」、「コンテンツ」、「配信ステータス」、「要素情報」、「視聴情報」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、コンテンツ配信事業者装置１０等によりユーザに配信されるコンテンツを示す。図５では「コンテンツ」に「動画ＭＡ」や「動画ＭＺ」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、動画像情報、または、その格納場所を示すファイルパス名などが格納される。「配信ステータス」は、コンテンツがユーザへ配信済みや未配信であるかを示す。例えば、「配信ステータス」は、「済」である場合、そのコンテンツが配信開始後であることを示し、「未」である場合、そのコンテンツが配信開始前であることを示す。

「要素情報」は、「タイトル」、「形態素群」、「カテゴリ」、「キャスト」、「スタッフ」といった項目を有する。「タイトル」は、コンテンツのタイトルを示す。なお、図５の例ではタイトルを「ＴＬ１」等の抽象的な符号で図示するが、タイトルは、映画のタイトル等の動画を特定する具体的な名称であってもよい。「形態素群」は、コンテンツのタイトルの形態素群を示す。なお、図５の例では形態素群を「ＧＰ１」等の抽象的な符号で図示するが、形態素群には、タイトルを構成する複数の形態素が含まれる。例えば、コンテンツＣＴ１の形態素群ＧＰ１には、形態素ＭＰ１や形態素ＭＰ２等の複数の形態素が含まれる。なお、図５の例では、形態素ＭＰ１や形態素ＭＰ２は、抽象的な符号で図示するが、実際には、「京都」や「ストーリー」等の具体的な形態素であるものとする。

また、「カテゴリ」は、コンテンツの内容に基づくカテゴリ（分類）を示す。「キャスト」は、コンテンツのキャストを示す。「キャスト」は、コンテンツに出演した人を特定する名称（人名）等が格納される。なお、図５の例ではキャストを「ＣＳ１−１」、「ＣＳ１−２」等の抽象的な符号で図示するが、キャストは、そのコンテンツの出演者の人名等の具体的な名称であってもよい。また、「スタッフ」は、「キャスト」と同様に、そのコンテンツの制作に関係した人を特定する名称（人名）等が格納される。「スタッフ」は、そのコンテンツの監督や脚本家等の人名が格納される。

「視聴情報」は、「期間＃１」といった項目を有する。なお、図５の例では説明を簡単にするために「期間＃１」のみを図示するが、「視聴情報」には、「期間＃２」、「期間＃３」といった複数の期間に対応する項目が含まれてもよい。「期間＃１」には、「期間」や「時間」や「回数」といった項目が含まれる。「期間」は、対応する時間や回数が収集される対象となる期間を示す。図５の例では、「期間」を「ＬＴ５」等のように抽象的に図示するが、「２０１８年１０月１５日−２１日」や「２０１８年１０月１５日から２週間」や「２０１８年１０月」等の具体的な期間が記憶されてもよい。「期間」や「時間」や「回数」が「−」である場合、対応する情報が格納されていないことを示す。

「時間」は、対応する期間においてコンテンツが視聴された時間を示す。例えば、「時間」は、対応する期間においてコンテンツが視聴された総時間を示す。「時間」は、対応する期間において各ユーザがコンテンツを視聴した時間を合計した時間を示す。なお、図５の例では時間を「ＶＴ１」等の抽象的な符号で図示するが、時間は、「１５時間３０分」や「１００時間」等の具体的な時間を示す情報であってもよい。

「回数」は、対応する期間においてコンテンツが視聴された回数を示す。例えば、「回数」は、対応する期間においてコンテンツが視聴された総回数を示す。「回数」は、対応する期間において各ユーザがコンテンツを視聴した回数を合計した回数を示す。なお、図５の例では回数を「ＶＳ１」等の抽象的な符号で図示するが、回数は、「３０回」や「１０００回」等の具体的な回数を示す情報であってもよい。

図５の例では、コンテンツＩＤ「ＣＴ１」により識別される動画ＭＡ（コンテンツＣＴ１）は、配信ステータスが「済」であり、既に配信が開始されているコンテンツであることを示す。また、コンテンツＣＴ１のタイトルは、タイトルＴＬ１であることを示す。コンテンツＣＴ１の形態素群は、形態素ＭＰ１や形態素ＭＰ２等を含む形態素群ＧＰ１であることを示す。コンテンツＣＴ１のカテゴリは、スポーツであることを示す。コンテンツＣＴ１のキャストは、キャストＣＳ１−１やキャストＣＳ１−２が含まれることを示す。

コンテンツＣＴ１は、期間ＬＴ５における視聴時間が時間ＶＴ１であり、期間ＬＴ５における視聴回数が回数ＶＳ１であることを示す。

また、図５の例では、コンテンツＩＤ「ＣＴ１１」により識別される動画ＭＺ（コンテンツＣＴ１１）は、配信ステータスが「未」であり、未だ配信が開始されていないコンテンツであることを示す。また、コンテンツＣＴ１１のタイトルは、タイトルＴＬ１１であることを示す。コンテンツＣＴ１１の形態素群は、形態素ＭＰ１１や形態素ＭＰ１２等を含む形態素群ＧＰ１１であることを示す。コンテンツＣＴ１１のカテゴリは、ドラマであることを示す。コンテンツＣＴ１１のキャストは、キャストＣＳ１１−１やキャストＣＳ１１−２が含まれることを示す。また、コンテンツＣＴ１１は、視聴情報が無いことを示す。

なお、コンテンツ情報記憶部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、コンテンツ情報記憶部１２１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１２１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１２１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１２１は、コンテンツの種別（例えば動画や記事等）を識別するための識別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。行動情報記憶部１２２は、ユーザが入力した入力情報等の各種情報を記憶する。図６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、各ユーザがスマートフォン等の端末装置（図示省略）を用いて行った検索等を含む種々の行動情報を記憶する。図６に示す行動情報記憶部１２２には、「行動ＩＤ」、「種別」、「ユーザＩＤ」、「属性情報」、「日時」、「入力情報」といった項目が含まれる。

「行動ＩＤ」は、ユーザの行動を識別する情報を示す。「種別」は、行動の種別を示す。「ユーザＩＤ」は、ユーザを識別するための識別情報を示す。「属性情報」は、ユーザの属性情報を示す。

また、「日時」は、行動が行われた日時を示す。「日時」には、「ＤＡ１」等のように抽象的に図示するが、「２０１８年１０月５日２２時４６分５８秒」等の具体的な日時が記憶されてもよい。また、「入力情報」は、ユーザが入力した情報（ユーザ入力情報）を示す。例えば、「入力情報」は、ユーザが検索において用いられたクエリに関する情報やユーザが所定のＳＮＳ等に投稿した投稿情報を示す。なお、図６の例では入力情報を「ＵＩＮ１」等の抽象的な符号で図示するが、入力情報は、ユーザが入力した具体的な文字列等の文字情報であってもよい。

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（ユーザＵ１）は、日時ＤＡ１に検索行動である行動ＡＣ１１を行ったことを示す。また、行動ＡＣ１１を行ったユーザＵ１は、２０代男性のユーザであることを示す。また、行動ＡＣ１１において、ユーザＵ１が入力した入力情報は、入力情報ＵＩＮ１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。また、図６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、日時順に限らず、例えばユーザＩＤごとに記憶されてもよい。また、行動情報記憶部１２２は、行動が行われた位置を示す情報（緯度経度情報等）を行動ＩＤに対応付けて記憶してもよい。

（学習データ記憶部１２３）
実施形態に係る学習データ記憶部１２３は、学習データに関する各種情報を記憶する。図７は、実施形態に係る学習データ記憶部の一例を示す図である。例えば、学習データ記憶部１２３は、モデルの生成に用いる教師データを記憶する。図７に示す学習データ記憶部１２３には、「データＩＤ」、「コンテンツ」、「正解情報」、「回数情報」といった項目が含まれる。

「データＩＤ」は、データを識別するための識別情報を示す。例えば、データＩＤ「ＤＴ１−１」により識別されるデータは、図１の例に示した、データＤＴ１−１に対応する。「コンテンツ」は、データの収集対象となるコンテンツを示す。

「正解情報」は、データＩＤにより識別されるデータに対応する正解情報を示す。「正解情報」には、「対象期間」、「視聴時間」といった項目が含まれる。「対象期間」は、正解情報として用いる情報を収集する期間を示す。「視聴時間」は、対象期間におけるコンテンツの視聴時間を示す。例えば、「視聴時間」は、データＩＤにより識別されるデータに対応する正解情報として用いられる、視聴時間の実測値を示す。

図７では「対象期間」には、「ＬＴ５」等のように抽象的に図示するが、「２０１８年１０月１５日−２１日」や「２０１８年１０月１５日から２週間」や「２０１８年１０月」等の具体的な期間が記憶されてもよい。また、図７では「視聴時間」には、「ＲＤＴ１−１」等のように抽象的に図示するが、実際には、対象期間における視聴時間の実測値を示す情報（例えば対象期間における総視聴時間等）、または、その格納場所を示すファイルパス名などが格納される。

「回数情報」は、データＩＤにより識別されるデータに対応する入力回数に関する情報を示す。「回数情報」には、「対象期間」、「タイトル回数」、「形態素群回数」、「カテゴリ回数」、「キャスト回数」、「スタッフ回数」といった項目が含まれる。

「対象期間」は、各回数を集計する入力情報が収集された期間を示す。図７では「対象期間」には、「ＬＴ４」等のように抽象的に図示するが、「２０１８年１０月８日−１４日」や「２０１８年１０月１日から２週間」や「２０１８年９月」等の具体的な期間が記憶されてもよい。

「タイトル回数」は、対象期間におけるコンテンツのタイトルに対応する入力情報が入力された回数を示す。例えば、「タイトル回数」は、対象期間におけるコンテンツのタイトルに対応する入力が行われた回数を示す。例えば、「タイトル回数」は、対象期間において収集された入力情報に含まれるタイトルの出現頻度を示す。図７では「タイトル回数」に「ＴＴＳ１」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、タイトルの入力回数を示す情報、または、その格納場所を示すファイルパス名などが格納される。

「形態素群回数」は、対象期間におけるコンテンツの形態素群に対応する入力情報が入力された回数に基づく値を示す。例えば、「形態素群回数」は、対象期間におけるコンテンツの形態素群に対応する入力が行われた回数に基づく値を示す。例えば、「形態素群回数」は、対象期間において収集された入力情報に含まれる形態素群の出現頻度に基づく値を示す。例えば、「形態素群回数」は、対象期間における形態素群に含まれる各形態素の入力回数の平均を示す。図７では「形態素群回数」に「ＭＴＳ１」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、形態素群に含まれる各形態素の入力回数の平均を示す情報、または、その格納場所を示すファイルパス名などが格納される。

「カテゴリ回数」は、対象期間におけるコンテンツのカテゴリに対応する入力情報が入力された回数を示す。例えば、「カテゴリ回数」は、対象期間におけるコンテンツのカテゴリに対応する入力が行われた回数を示す。例えば、「カテゴリ回数」は、対象期間において収集された入力情報に含まれるカテゴリの出現頻度を示す。図７では「カテゴリ回数」に「ＣＴＳ１」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、カテゴリの入力回数を示す情報、または、その格納場所を示すファイルパス名などが格納される。

「キャスト回数」は、対象期間におけるコンテンツのキャストに対応する入力情報が入力された回数を示す。例えば、「キャスト回数」は、対象期間におけるコンテンツのキャストに対応する入力が行われた回数を示す。例えば、「キャスト回数」は、対象期間において収集された入力情報に含まれるキャストの出現頻度を示す。図７では「キャスト回数」に「ＡＴＳ１」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、キャストの入力回数を示す情報、または、その格納場所を示すファイルパス名などが格納される。

「スタッフ回数」は、対象期間におけるコンテンツのスタッフに対応する入力情報が入力された回数を示す。例えば、「スタッフ回数」は、対象期間におけるコンテンツのスタッフに対応する入力が行われた回数を示す。例えば、「スタッフ回数」は、対象期間において収集された入力情報に含まれるスタッフの出現頻度を示す。図７では「スタッフ回数」に「ＳＴＳ１」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、スタッフの入力回数を示す情報、または、その格納場所を示すファイルパス名などが格納される。

例えば、図７に示す例において、データＩＤ「ＤＴ１−１」により識別されるデータ（データＤＴ１−１）の正解情報は、期間ＬＴ５におけるコンテンツＣＴ１の視聴時間である時間ＶＴ１（正解情報ＲＤＴ１−１）であることを示す。データＤＴ１−１の回数情報は、期間ＬＴ４において収集されたコンテンツＣＴ１に関する入力情報に基づく回数情報であることを示す。データＤＴ１−１は、回数情報として、タイトル回数ＴＴＳ１や形態素群回数ＭＴＳ１やカテゴリ回数ＣＴＳ１やキャスト回数ＡＴＳ１やスタッフ回数ＳＴＳ１等を含むことを示す。

例えば、データＤＴ１−１の正解情報ＲＤＴ１−１は、期間ＬＴ５におけるコンテンツＣＴ１の視聴時間を示す情報である。また、データＤＴ１−１は、正解情報ＲＤＴ１−１に対応する期間ＬＴ５よりも過去の期間ＬＴ４におけるタイトル回数ＴＴＳ１や形態素群回数ＭＴＳ１やカテゴリ回数ＣＴＳ１やキャスト回数ＡＴＳ１やスタッフ回数ＳＴＳ１等を回数情報として含む。このように、情報処理装置１００は、正解情報ＲＤＴ１−１に対応する期間よりも前の期間におけるタイトル回数や形態素群回数やカテゴリ回数やキャスト回数やスタッフ回数等をモデルへの入力としてモデルを生成する。これにより、情報処理装置１００は、現状までの入力情報に基づく回数情報をモデルに入力することにより、未来のコンテンツの視聴時間を予測するモデルを生成することができる。

なお、学習データ記憶部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。例えば、学習データ記憶部１２３は、学習データが追加された日時に関する情報を記憶してもよい。また、例えば、学習データ記憶部１２３は、各学習データがどのような判定処理により追加されたかを示す情報を記憶してもよい。例えば、学習データ記憶部１２３は、各学習データが管理者の選択により判定されたか等を示す情報を記憶してもよい。

（モデル情報記憶部１２４）
実施形態に係るモデル情報記憶部１２４は、モデルに関する情報を記憶する。例えば、モデル情報記憶部１２４は、生成処理により生成されたモデル情報（モデルデータ）を記憶する。図８は、実施形態に係るモデル情報記憶部の一例を示す図である。図８に示すモデル情報記憶部１２４は、「モデルＩＤ」、「用途」、「ターゲット属性」、「モデルデータ」といった項目が含まれる。なお、図８では、モデルＭ１、Ｍ１１、Ｍ１２、Ｍ２１、Ｍ２２等のみを図示するが、各用途（予測の対象）やターゲットとするユーザ属性に応じて多数のモデル情報が記憶されてもよい。

「モデルＩＤ」は、モデルを識別するための識別情報を示す。例えば、モデルＩＤ「Ｍ１」により識別されるモデルは、図１の例に示したモデルＭ１に対応する。「用途」は、対応するモデルの用途を示す。「ターゲット属性」は、予測のターゲットとするユーザ属性を示す。「ターゲット属性」が「−」である場合、予測のターゲットとするユーザ属性が指定無し、すなわち「全ユーザ」を対象とすることを示す。また、「モデルデータ」は、モデルＩＤに対応付けられた対応するモデルのデータを示す。例えば、「モデルデータ」には、各層におけるノードと、各ノードが採用する関数と、ノードの接続関係と、ノード間の接続に対して設定される接続係数とを含む情報が含まれる。

例えば、図８に示す例において、モデルＩＤ「Ｍ１」により識別されるモデル（モデルＭ１）は、用途が「視聴時間」であり、ターゲット属性が「−」であり、全ユーザを対象とするモデルであることを示す。モデルＭ１は、入力された回数情報に対応するコンテンツの視聴時間の予測に用いられることを示す。また、モデルＭ１のモデルデータは、モデルデータＭＤＴ１であることを示す。

モデルＭ１（モデルデータＭＤＴ１）は、コンテンツに関してユーザが入力した入力情報の入力に関する回数を示す回数情報が入力される入力層と、出力層と、入力層から出力層までのいずれかの層であって出力層以外の層に属する第１要素と、第１要素と第１要素の重みとに基づいて値が算出される第２要素と、を含み、入力層に入力された回数情報に対し、出力層以外の各層に属する各要素を第１要素として、第１要素と第１要素の重みとに基づく演算を行うことにより、コンテンツの視聴に関する情報の予測に用いられるスコアの値を出力層から出力するよう、コンピュータを機能させるためのモデルである。

ここで、モデルＭ１等が「ｙ＝ａ_１＊ｘ_１＋ａ_２＊ｘ_２＋・・・＋ａ_ｉ＊ｘ_ｉ」で示す回帰モデルで実現されるとする。この場合、例えば、モデルＭ１が含む第１要素は、ｘ１やｘ２等といった入力データ（ｘｉ）に対応する。また、第１要素の重みは、ｘｉに対応する係数ａｉに対応する。ここで、回帰モデルは、入力層と出力層とを有する単純パーセプトロンと見做すことができる。各モデルを単純パーセプトロンと見做した場合、第１要素は、入力層が有するいずれかのノードに対応し、第２要素は、出力層が有するノードと見做すことができる。

また、モデルＭ１等がＤＮＮ等、１つまたは複数の中間層を有するニューラルネットワークで実現されるとする。この場合、例えば、モデルＭ１が含む第１要素は、入力層または中間層が有するいずれかのノードに対応する。また、第２要素は、第１要素と対応するノードから値が伝達されるノードである次段のノードに対応する。また、第１要素の重みは、第１要素と対応するノードから第２要素と対応するノードに伝達される値に対して考慮される重みである接続係数に対応する。

なお、モデル情報記憶部１２４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。

（予測情報記憶部１２５）
実施形態に係る予測情報記憶部１２５は、予測に関する各種情報を記憶する。図９に、実施形態に係る予測情報記憶部１２５の一例を示す。図９に示す予測情報記憶部１２５は、「コンテンツＩＤ」、「コンテンツ」、「期間」、「ターゲット属性」、「スコア」、「予測視聴時間」といった項目を有する。

「コンテンツＩＤ」は、予測の対象となる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、予測の対象となるコンテンツの名称等を示す。「期間」は、予測の対象期間を示す。「ターゲット属性」は、予測の対象となるユーザのターゲット属性を示す。「スコア」は、予測する視聴に関する情報に対応するスコアを示す。例えば、「予測視聴時間」は、予測したコンテンツの視聴時間を示す。

例えば、図９に示す例において、視聴時間を予測する対象は、コンテンツＣＴ１１（動画ＭＺ）であることを示す。コンテンツＣＴ１１の予測する視聴時間を予測する対象期間は期間ＬＴ１１であることを示す。コンテンツＣＴ１１の視聴時間を予測するターゲット属性は「−」であり、全ユーザを対象とした視聴時間を予測することを示す。全ユーザによる期間ＬＴ１１におけるコンテンツＣＴ１１の予測視聴時間を示すスコアは、「１０．５」であることを示す。また、全ユーザによる期間ＬＴ１１におけるコンテンツＣＴ１１の予測視聴時間は、「１０時間３０分」であることを示す。

なお、予測情報記憶部１２５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。

（制御部１３０）
図４の説明に戻って、制御部１３０は、コントローラ（controller）であり、例えば、ＣＰＵ（Central Processing Unit）やＭＰＵ（Micro Processing Unit）等によって、情報処理装置１００内部の記憶装置に記憶されている各種プログラム（生成プログラムや予測プログラム等の情報処理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、コントローラであり、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。制御部１３０は、モデル情報記憶部１２４に記憶されているモデルＭ１等に従った情報処理により、コンテンツに関してユーザが入力した入力情報の入力に関する回数を示す回数情報が入力される入力層と、出力層と、入力層から出力層までのいずれかの層であって出力層以外の層に属する第１要素と、第１要素と第１要素の重みとに基づいて値が算出される第２要素と、を含み、入力層に入力された回数情報に対し、出力層以外の各層に属する各要素を第１要素として、第１要素と第１要素の重みとに基づく演算を行うことにより、コンテンツの視聴に関する情報の予測に用いられるスコアの値を出力層から出力する。

図４に示すように、制御部１３０は、取得部１３１と、生成部１３２と、予測部１３３と、提供部１３４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４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。制御部１３０は、記憶部１２０に記憶されているモデルＭ１（モデルデータＭＤＴ１）に従った情報処理により、第１要素と第１要素の重みとに基づいて値が算出される第２要素と、を含み、入力層に入力された回数情報に対し、出力層以外の各層に属する各要素を第１要素として、第１要素と第１要素の重みとに基づく演算を行うことにより、コンテンツの視聴に関する情報の予測に用いられるスコアの値を出力層から出力する。

（取得部１３１）
取得部１３１は、各種情報を取得する。取得部１３１は、記憶部１２０から各種情報を取得する。取得部１３１は、コンテンツ情報記憶部１２１や行動情報記憶部１２２や学習データ記憶部１２３やモデル情報記憶部１２４や予測情報記憶部１２５から各種情報を取得する。取得部１３１は、外部の情報処理装置から各種情報を取得する。取得部１３１は、コンテンツ配信事業者装置１０から各種情報を取得する。取得部１３１は、情報提供装置５０から各種情報を取得する。また、取得部１３１は、ユーザが利用する端末装置から各種情報を取得してもよい。

また、取得部１３１は、学習データ記憶部１２３に示すような学習データを取得する。例えば、取得部１３１は、データＤＴ１−１〜ＤＴ１−３等を含む学習データを学習データ記憶部１２３から取得する。

取得部１３１は、一のコンテンツに関してユーザが入力した入力情報を取得する。取得部１３１は、回数情報と、モデルとを取得する。取得部１３１は、一のコンテンツに関する検索時にユーザが入力した検索情報を含む入力情報を取得する。取得部１３１は、一のコンテンツに関してユーザが投稿した投稿情報を含む入力情報を取得する。

取得部１３１は、一のコンテンツの各要素に対応する入力回数を示す回数情報を取得する。取得部１３１は、一のコンテンツのタイトルに対応する入力回数を含む回数情報を取得する。取得部１３１は、一のコンテンツのタイトルの形態素群に対応する入力回数を含む回数情報を取得する。取得部１３１は、一のコンテンツのタイトルの形態素のうち、所定の条件を満たす形態素を除いた形態素群に対応する入力回数を含む回数情報を取得する。取得部１３１は、形態素群に含まれる各形態素が入力された回数の平均を含む回数情報を取得する。取得部１３１は、一のコンテンツのカテゴリに対応する入力回数を含む回数情報を取得する。取得部１３１は、一のコンテンツに関係する人名に対応する入力回数を含む回数情報を取得する。

取得部１３１は、複数のユーザ属性ごとに生成される複数のモデルであって、コンテンツの視聴に関する情報の予測に用いる複数のモデルのうち、一のモデルを取得する。

図１の例では、取得部１３１は、事業者からコンテンツ情報を取得する。例えば、取得部１３１は、管理者ＳＡ１が利用するコンテンツ配信事業者装置１０からコンテンツ情報を取得する。取得部１３１は、コンテンツ配信事業者ＣＤが配信したコンテンツＣＴ１〜ＣＴ３等に関する情報を含むコンテンツ情報ＩＮＦ１１を取得する。例えば、取得部１３１は、図１中のコンテンツ情報記憶部１２１に示すようなコンテンツＣＴ１〜ＣＴ３のコンテンツ情報をコンテンツ配信事業者装置１０から取得する

取得部１３１は、情報提供装置５０からユーザの行動情報を取得する。取得部１３１は、ユーザの行動の種別や行動を行ったユーザに関する情報やユーザの入力情報等を含む行動情報ＩＮＦ１２を取得する。取得部１３１は、情報提供装置５０から期間ＬＴ５よりも以前の期間である期間ＬＴ４におけるユーザの行動情報を含む行動情報ＩＮＦ１２を取得する。例えば、取得部１３１は、図１中の行動情報記憶部１２２に示すようなユーザＵ１〜Ｕ５等の行動情報を情報提供装置５０から取得する。

図２の例では、取得部１３１は、事業者から予測要求を取得する。取得部１３１は、管理者ＳＡ１が利用するコンテンツ配信事業者装置１０から、予測対象となるコンテンツのコンテンツ情報及び予測対象期間を示す情報を予測要求として取得する。図２の例では、取得部１３１は、コンテンツ配信事業者ＣＤから未配信のコンテンツＣＴ１１のコンテンツ情報を取得する。例えば、取得部１３１は、図２中のコンテンツ情報ＩＮＦ２１に示すようなコンテンツＣＴ１１のコンテンツ情報をコンテンツ配信事業者装置１０から取得する。取得部１３１は、期間ＬＴ１０を示す情報を情報提供装置５０に送信することにより、情報提供装置５０から期間ＬＴ１０におけるユーザの行動情報ＩＮＦ２２を取得する。

（生成部１３２）
生成部１３２は、種々の情報を生成する。生成部１３２は、記憶部１２０に記憶された情報に基づいて、種々の情報を生成する。生成部１３２は、コンテンツ情報記憶部１２１や行動情報記憶部１２２や学習データ記憶部１２３やモデル情報記憶部１２４や予測情報記憶部１２５に記憶された情報に基づいて、種々の情報を生成する。生成部１３２は、取得部１３１により取得された情報に基づいて、種々の情報を生成する。生成部１３２は、外部の情報処理装置から取得された情報に基づいて、種々の情報を生成する。生成部１３２は、コンテンツ配信事業者装置１０や情報提供装置５０から取得された情報に基づいて、種々の情報を生成する。生成部１３２は、生成した情報に基づいて、種々の情報を生成する。生成部１３２は、予測部１３３により予測された情報に基づいて、種々の情報を生成する。生成部１３２は、モデルＭ１、Ｍ１１、Ｍ１２、Ｍ２１、Ｍ２２等（単に「モデルＭ１等」と記載する場合がある）の種々のモデルを生成する。なお、情報処理装置１００が外部の情報処理装置からモデルＭ１等のモデルを取得する場合、生成部１３２は、モデルを生成しなくてもよい。

生成部１３２は、モデルＭ１等を生成する。生成部１３２は、コンテンツ情報記憶部１２１や行動情報記憶部１２２や学習データ記憶部１２３に記憶された情報を用いて、モデルＭ１等を生成する。生成部１３２は、生成したモデルＭ１等をモデル情報記憶部１２４に格納する。例えば、生成部１３２は、モデルＭ１等を生成し、生成したモデルＭ１等をモデル情報記憶部１２４に格納する。なお、生成部１３２は、いかなる学習アルゴリズムを用いてモデルＭ１等を生成してもよい。例えば、生成部１３２は、ニューラルネットワーク、サポートベクターマシン（ＳＶＭ）、クラスタリング、強化学習等の学習アルゴリズムを用いてモデルＭ１等を生成する。一例として、生成部１３２がニューラルネットワークを用いてモデルＭ１等を生成する場合、モデルＭ１等は、一以上のニューロンを含む入力層と、一以上のニューロンを含む中間層と、一以上のニューロンを含む出力層とを有する。

生成部１３２は、モデルを生成し、生成したモデルをモデル情報記憶部１２４に格納する。具体的には、生成部１３２は、コンテンツに関してユーザが入力した入力情報の入力に関する回数を示す回数情報が入力される入力層と、出力層と、入力層から出力層までのいずれかの層であって出力層以外の層に属する第１要素と、第１要素と第１要素の重みとに基づいて値が算出される第２要素と、を含み、入力層に入力された回数情報に対し、出力層以外の各層に属する各要素を第１要素として、第１要素と第１要素の重みとに基づく演算を行うことにより、コンテンツの視聴に関する情報の予測に用いられるスコアの値を出力層から出力するモデルを生成する。

図１の例では、生成部１３２は、コンテンツ情報記憶部１２１に記憶されたコンテンツ情報や行動情報記憶部１２２に記憶された行動情報に基づいて、学習データを生成する。生成部１３２は、コンテンツ情報ＩＮＦ１１や行動情報ＩＮＦ１２に基づいて、学習データを生成する。生成部１３２は、図１中の学習データ記憶部１２３に示すようなデータＤＴ１−１〜ＤＴ１−３等を含む学習データを生成する。

生成部１３２は、コンテンツ情報記憶部１２１に記憶されたコンテンツＣＴ１のコンテンツ情報を用いて、データＤＴ１−１の正解情報を生成する。生成部１３２は、コンテンツ情報記憶部１２１に記憶されたコンテンツＣＴ１の視聴情報を用いて、データＤＴ１−１の正解情報を生成する。

生成部１３２は、コンテンツ情報記憶部１２１に記憶されたコンテンツＣＴ１のコンテンツ情報や行動情報記憶部１２２に記憶された行動情報を用いて、データＤＴ１−１の回数情報を生成する。生成部１３２は、期間ＬＴ４を対象期間として、データＤＴ１−１の回数情報を生成する。具体的には、情報処理装置１００は、期間ＬＴ４におけるユーザの入力情報から、データＤＴ１−１の回数情報を生成する。

図１の例では、生成部１３２は、学習データに基づいてモデルを生成する。生成部１３２は、各正解情報の対象期間ＬＴ５よりも前の期間ＬＴ４における回数情報を入力としてモデルを生成する。生成部１３２は、学習データ記憶部１２３に示すような学習データを用いてモデルＭ１を生成する。

図２の例では、生成部１３２は、コンテンツ情報ＩＮＦ２１や行動情報ＩＮＦ２２に基づいて、入力データを生成する。生成部１３２は、コンテンツ情報ＩＮＦ２１や行動情報ＩＮＦ２２に基づいて、コンテンツＣＴ１１の予測対象期間ＬＴ１１における視聴時間を予測するための入力データであるデータＤＴ２１を生成する。生成部１３２は、図２中の予測用データＩＰＤ２１に示すようなデータＤＴ２１を含む入力データを生成する。

生成部１３２は、コンテンツ情報ＩＮＦ２１に示すようなコンテンツＣＴ１１のコンテンツ情報や行動情報ＩＮＦ２２に示すような行動情報を用いて、データＤＴ２１の回数情報を生成する。図２の例では、生成部１３２は、期間ＬＴ１０を対象期間として、データＤＴ２１の回数情報を生成する。生成部１３２は、期間ＬＴ１０におけるユーザの入力情報から、データＤＴ２１の回数情報を生成する。生成部１３２は、ターゲット属性が「全体」であることを示す予測情報一覧ＰＩＮＦ２１を生成する。

（予測部１３３）
予測部１３３は、種々の情報を予測する。予測部１３３は、記憶部１２０に記憶された情報に基づいて、種々の情報を予測する。予測部１３３は、コンテンツ情報記憶部１２１や行動情報記憶部１２２や学習データ記憶部１２３やモデル情報記憶部１２４や予測情報記憶部１２５に記憶された情報に基づいて、種々の情報を予測する。予測部１３３は、取得部１３１により取得された情報に基づいて、種々の情報を予測する。予測部１３３は、外部の情報処理装置から取得された情報に基づいて、種々の情報を予測する。予測部１３３は、コンテンツ配信事業者装置１０や情報提供装置５０から取得された情報に基づいて、種々の情報を予測する。予測部１３３は、生成部１３２により生成された情報に基づいて、種々の情報を予測する。

予測部１３３は、取得部１３１により取得された入力情報の入力に関する回数を示す回数情報と、コンテンツの視聴に関する情報の予測に用いるモデルとに基づいて、一のコンテンツの視聴に関する情報を予測する。予測部１３３は、回数情報をモデルに入力することにより、モデルが出力するスコアに基づいて、一のコンテンツの視聴に関する情報を予測する。

予測部１３３は、一のコンテンツの視聴時間を予測する。予測部１３３は、一のコンテンツの視聴回数を予測する。予測部１３３は、各要素に対応する入力回数に基づいて、一のコンテンツの視聴に関する情報を予測する。

予測部１３３は、一のコンテンツとは異なる他のコンテンツであって、ユーザに提供済みの他のコンテンツに対応する所定の回数情報と、他のコンテンツの視聴に関する実測値を示す正解情報とに基づいて生成されるモデルを用いて、ユーザに未提供の一のコンテンツの視聴に関する情報を予測する。予測部１３３は、所定の期間において収集された実測値を示す正解情報に基づいて生成されるモデルを用いて、所定の期間に対応する長さの期間における一のコンテンツの視聴に関する情報を予測する。予測部１３３は、取得部１３１により取得された一のモデルに基づいて、ユーザ属性に対応するユーザによる一のコンテンツの視聴に関する情報を予測する。

図２の例では、予測部１３３は、期間ＬＴ１０におけるユーザのコンテンツＣＴ１１に関する入力に基づく回数情報と、モデルＭ１とを用いて、コンテンツＣＴ１１の予測対象期間ＬＴ１１における視聴時間を予測する。予測部１３３は、データＤＴ２１をモデルＭ１に入力することにより、コンテンツＣＴ１１の予測対象期間ＬＴ１１における視聴時間を予測する。

予測部１３３は、コンテンツＣＴ１１の予測対象期間ＬＴ１１における視聴時間を示すスコアに基づいてコンテンツＣＴ１１の視聴時間を予測する。予測部１３３は、回数情報が入力されたモデルＭ１が出力するスコアが示す値が視聴時間であると予測する。予測部１３３は、図２中の予測情報一覧ＰＩＮＦ２１に示すように、コンテンツＣＴ１１の予測対象期間ＬＴ１１における視聴時間が「１０時間３０分」であると予測する。

なお、上記例では、モデルＭ１が、所定の事業者の事業に関する情報である回数情報が入力された場合に、一のコンテンツの視聴に関する情報の予測を定量化した値を出力するモデルである例を示した。しかし、実施形態に係るモデル（モデルＸ）は、モデルＭ１にデータの入出力を繰り返すことで得られる結果に基づいて生成されるモデルであってもよい。例えば、モデルＸは、所定の事業者の事業に関する情報である回数情報を入力とし、モデルＭ１が出力するスコアを出力とするよう学習されたモデル（モデルＹ)であってもよい。または、モデルＭ１は、所定の事業者の事業に関する情報である回数情報を入力とし、モデルＹの出力値を出力とするよう学習されたモデルであってもよい。また、予測部１３３がＧＡＮ（Generative Adversarial Networks）を用いた予測処理を行う場合、モデルＭ１は、ＧＡＮの一部を構成するモデルであってもよい。

（提供部１３４）
提供部１３４は、各種情報を提供する。提供部１３４は、外部の情報処理装置へ各種情報を提供する。提供部１３４は、コンテンツ配信事業者装置１０や等の外部の情報処理装置に各種情報を提供する。提供部１３４は、コンテンツ配信事業者装置１０や情報提供装置５０に各種情報を送信する。提供部１３４は、ユーザが利用する端末装置に各種情報を送信する。提供部１３４は、ユーザが利用する端末装置に各種情報を配信する。提供部１３４は、取得部１３１により取得された各種情報に基づいて、種々の情報を提供する。提供部１３４は、生成部１３２により生成された各種情報に基づいて、種々の情報を提供する。

提供部１３４は、予測部１３３により予測された各種情報に基づいて、種々のサービスを提供する。提供部１３４は、予測部１３３により予測された各種情報に基づいて、種々の情報を提供する。提供部１３４は、コンテンツ配信事業者装置１０へ予測結果に基づく情報を提供する。提供部１３４は、ユーザが利用する端末装置に予測結果に基づくコンテンツを提供してもよい。また、提供部１３４は、生成部１３２により生成されたモデルに関する情報を外部の情報処理装置へ提供してもよい。また、例えば、提供部１３４は、モデルが出力する情報を外部の情報処理装置へ提供してもよい。

また、提供部１３４は、予測した一のコンテンツの視聴に関する情報に基づいて情報提供を行う。提供部１３４は、予測部１３３により予測された一のコンテンツの視聴に関する情報を用いたサービスを提供する。

図２の例では、提供部１３４は、全ユーザを対象とした場合のコンテンツＣＴ１１（動画ＭＺ）の予測対象期間ＬＴ１１における視聴時間が、１０時間３０分であることを示す予測情報一覧ＰＩＮＦ２１をコンテンツ配信事業者装置１０へ提供する。

〔３．生成処理のフロー〕
次に、図１０を用いて、実施形態に係る情報処理システム１による情報処理のうち生成処理の手順について説明する。図１０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１０に示すように、情報処理装置１００は、学習データを取得する（ステップＳ１０１）。例えば、情報処理装置１００は、学習データ記憶部１２３から学習データを取得する。

その後、情報処理装置１００は、学習データに基づきモデルを生成する（ステップＳ１０２）。図１の例では、情報処理装置１００は、学習データ記憶部１２３から学習データを用いてモデルＭ１を生成する。

〔４．予測処理のフロー〕
次に、図１１を用いて、実施形態に係る情報処理システム１による情報処理のうち予測処理の手順について説明する。図１１は、実施形態に係る予測処理の一例を示すフローチャートである。

図１１に示すように、情報処理装置１００は、一のコンテンツのコンテンツ情報を取得する（ステップＳ２０１）。また、情報処理装置１００は、一のコンテンツに関する回数情報を取得する（ステップＳ２０２）。そして、情報処理装置１００は、モデルを用いて一のコンテンツの視聴に関する情報を予測する（ステップＳ２０３）。そして、情報処理装置１００は、予測した情報に基づくサービスを提供する（ステップＳ２０４）。

〔５．効果〕
上述してきたように、実施形態に係る情報処理装置１００は、取得部１３１と、予測部１３３とを有する。取得部１３１は、一のコンテンツに関してユーザが入力した入力情報を取得する。また、予測部１３３は、取得部１３１により取得された入力情報の入力に関する回数を示す回数情報と、コンテンツの視聴に関する情報の予測に用いるモデルとに基づいて、一のコンテンツの視聴に関する情報を予測する。

このように、実施形態に係る情報処理装置１００は、入力情報の入力に関する回数を示す回数情報と、コンテンツの視聴に関する情報の予測に用いるモデルとに基づいて、一のコンテンツの視聴に関する情報を予測することにより、コンテンツの視聴に関する情報を適切に予測することができる。

また、実施形態に係る情報処理装置１００において、取得部１３１は、回数情報と、モデルとを取得する。予測部１３３は、回数情報をモデルに入力することにより、モデルが出力するスコアに基づいて、一のコンテンツの視聴に関する情報を予測する。

このように、実施形態に係る情報処理装置１００は、回数情報をモデルに入力することにより、モデルが出力するスコアに基づいて、一のコンテンツの視聴に関する情報を予測することにより、コンテンツの視聴に関する情報を適切に予測することができる。

また、実施形態に係る情報処理装置１００において、予測部１３３は、一のコンテンツの視聴時間を予測する。

このように、実施形態に係る情報処理装置１００は、一のコンテンツの視聴時間を予測することにより、コンテンツの視聴に関する情報を適切に予測することができる。

また、実施形態に係る情報処理装置１００において、予測部１３３は、一のコンテンツの視聴回数を予測する。

このように、実施形態に係る情報処理装置１００は、一のコンテンツの視聴回数を予測することにより、コンテンツの視聴に関する情報を適切に予測することができる。

また、実施形態に係る情報処理装置１００において、取得部１３１は、一のコンテンツに関する検索時にユーザが入力した検索情報を含む入力情報を取得する。

このように、実施形態に係る情報処理装置１００は、一のコンテンツに関する検索時にユーザが入力した検索情報を含む入力情報を取得することにより、ユーザの検索行動に基づいて、コンテンツの視聴に関する情報を適切に予測することができる。

また、実施形態に係る情報処理装置１００において、取得部１３１は、一のコンテンツに関してユーザが投稿した投稿情報を含む入力情報を取得する。

このように、実施形態に係る情報処理装置１００は、一のコンテンツに関してユーザが投稿した投稿情報を含む入力情報を取得することにより、ユーザの所定のＳＮＳ等への投稿に基づいて、コンテンツの視聴に関する情報を適切に予測することができる。

また、実施形態に係る情報処理装置１００において、取得部１３１は、一のコンテンツの各要素に対応する入力回数を示す回数情報を取得する。予測部１３３は、各要素に対応する入力回数に基づいて、一のコンテンツの視聴に関する情報を予測する。

このように、実施形態に係る情報処理装置１００は、一のコンテンツの各要素に対応する入力回数に基づいて、一のコンテンツの視聴に関する情報を予測することにより、コンテンツの各要素を加味して、コンテンツの視聴に関する情報を適切に予測することができる。

また、実施形態に係る情報処理装置１００において、取得部１３１は、一のコンテンツのタイトルに対応する入力回数を含む回数情報を取得する。

このように、実施形態に係る情報処理装置１００は、一のコンテンツのタイトルに対応する入力回数を含む回数情報を取得することにより、コンテンツのタイトルに対応する入力回数を加味して、コンテンツの視聴に関する情報を適切に予測することができる。

また、実施形態に係る情報処理装置１００において、取得部１３１は、一のコンテンツのタイトルの形態素群に対応する入力回数を含む回数情報を取得する。

このように、実施形態に係る情報処理装置１００は、一のコンテンツのタイトルの形態素群に対応する入力回数を含む回数情報を取得することにより、コンテンツのタイトルの形態素群に対応する入力回数を加味して、コンテンツの視聴に関する情報を適切に予測することができる。

また、実施形態に係る情報処理装置１００において、取得部１３１は、一のコンテンツのタイトルの形態素のうち、所定の条件を満たす形態素を除いた形態素群に対応する入力回数を含む回数情報を取得する。

このように、実施形態に係る情報処理装置１００は、一のコンテンツのタイトルの形態素のうち、所定の条件を満たす形態素を除いた形態素群に対応する入力回数を含む回数情報を取得することにより、適切なタイトルの形態素のみを対象とした入力回数を加味して、コンテンツの視聴に関する情報を適切に予測することができる。

また、実施形態に係る情報処理装置１００において、取得部１３１は、形態素群に含まれる各形態素が入力された回数の平均を含む回数情報を取得する。

このように、実施形態に係る情報処理装置１００は、形態素群に含まれる各形態素が入力された回数の平均を含む回数情報を取得することにより、各形態素が入力された回数の平均を加味して、コンテンツの視聴に関する情報を適切に予測することができる。

また、実施形態に係る情報処理装置１００において、取得部１３１は、一のコンテンツのカテゴリに対応する入力回数を含む回数情報を取得する。

このように、実施形態に係る情報処理装置１００は、一のコンテンツのカテゴリに対応する入力回数を含む回数情報を取得することにより、コンテンツのカテゴリに対応する入力回数を加味して、コンテンツの視聴に関する情報を適切に予測することができる。

また、実施形態に係る情報処理装置１００において、取得部１３１は、一のコンテンツに関係する人名に対応する入力回数を含む回数情報を取得する。

このように、実施形態に係る情報処理装置１００は、一のコンテンツに関係する人名に対応する入力回数を含む回数情報を取得することにより、コンテンツに関係する人名に対応する入力回数を加味して、コンテンツの視聴に関する情報を適切に予測することができる。

また、実施形態に係る情報処理装置１００において、予測部１３３は、一のコンテンツとは異なる他のコンテンツであって、ユーザに提供済みの他のコンテンツに対応する所定の回数情報と、他のコンテンツの視聴に関する実測値を示す正解情報とに基づいて生成されるモデルを用いて、ユーザに未提供の一のコンテンツの視聴に関する情報を予測する。

このように、実施形態に係る情報処理装置１００は、ユーザに提供済み（配信済み）であるコンテンツの情報を用いてモデルを生成し、そのモデルを用いて未提供のコンテンツに対する予測を行うことにより、未提供のコンテンツの視聴に関する情報を適切に予測することができる。

また、実施形態に係る情報処理装置１００において、予測部１３３は、所定の期間において収集された実測値を示す正解情報に基づいて生成されるモデルを用いて、所定の期間に対応する長さの期間における一のコンテンツの視聴に関する情報を予測する。

このように、実施形態に係る情報処理装置１００は、所定の期間において収集された実測値を示す正解情報に基づいて生成されるモデルを用いて、所定の期間に対応する長さの期間における一のコンテンツの視聴に関する情報を予測することにより、モデル生成時の正解情報の収集期間と同じ長さの期間におけるコンテンツの視聴に関する情報を適切に予測することができる。

また、実施形態に係る情報処理装置１００において、取得部１３１は、複数のユーザ属性ごとに生成される複数のモデルであって、コンテンツの視聴に関する情報の予測に用いる複数のモデルのうち、一のモデルを取得する。予測部１３３は、取得部１３１により取得された一のモデルに基づいて、ユーザ属性に対応するユーザによる一のコンテンツの視聴に関する情報を予測する。

このように、実施形態に係る情報処理装置１００は、複数のユーザ属性ごとに生成される複数のモデルを用いることにより、予測対象とするユーザ属性に応じてコンテンツの視聴に関する情報を適切に予測することができる。

また、実施形態に係る情報処理装置１００は、提供部１３４を有する。提供部１３４は、予測部１３３により予測された一のコンテンツの視聴に関する情報を用いたサービスを提供する。

このように、実施形態に係る情報処理装置１００は、予測部１３３により予測された一のコンテンツの視聴に関する情報を用いたサービスを提供することにより、予測した情報に基づくサービスを提供可能にすることができる。

〔６．ハードウェア構成〕
上述してきた実施形態に係る情報処理装置１００は、例えば図１２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１２は、情報処理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、ＲＯＭ（Read Only Memory）１３００、ＨＤＤ（Hard Disk Drive）１４００、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が実施形態に係る情報処理装置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またはデータ（例えば、モデルＭ１（モデルデータＭＤＴ１））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またはデータ（例えば、モデルＭ１（モデルデータＭＤＴ１））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。

〔７．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 情報処理システム
１００ 情報処理装置
１２１ コンテンツ情報記憶部
１２２ 行動情報記憶部
１２３ 学習データ記憶部
１２４ モデル情報記憶部
１２５ 予測情報記憶部
１３０ 制御部
１３１ 取得部
１３２ 生成部
１３３ 予測部
１３４ 提供部
１０ コンテンツ配信事業者装置
５０ 情報提供装置
Ｎ ネットワーク

Claims (19)

1. 一のコンテンツに関してユーザが入力した入力情報を取得する取得部と、
   前記取得部により取得された前記入力情報の入力に関する回数を示す回数情報と、コンテンツの視聴に関する情報の予測に用いるモデルとに基づいて、前記一のコンテンツの視聴に関する情報を予測する予測部と、
   を備えることを特徴とする情報処理装置。
2. 前記取得部は、
   前記回数情報と、前記モデルとを取得し、
   前記予測部は、
   前記回数情報を前記モデルに入力することにより、前記モデルが出力するスコアに基づいて、前記一のコンテンツの視聴に関する情報を予測する
   ことを特徴とする請求項１に記載の情報処理装置。
3. 前記予測部は、
   前記一のコンテンツの視聴時間を予測する
   ことを特徴とする請求項１または請求項２に記載の情報処理装置。
4. 前記予測部は、
   前記一のコンテンツの視聴回数を予測する
   ことを特徴とする請求項１または請求項２に記載の情報処理装置。
5. 前記取得部は、
   前記一のコンテンツに関する検索時に前記ユーザが入力した検索情報を含む前記入力情報を取得する
   ことを特徴とする請求項１〜４のいずれか１項に記載の情報処理装置。
6. 前記取得部は、
   前記一のコンテンツに関して前記ユーザが投稿した投稿情報を含む前記入力情報を取得する
   ことを特徴とする請求項１〜５のいずれか１項に記載の情報処理装置。
7. 前記取得部は、
   前記一のコンテンツの各要素に対応する入力回数を示す前記回数情報を取得し、
   前記予測部は、
   前記各要素に対応する入力回数に基づいて、前記一のコンテンツの視聴に関する情報を予測する
   ことを特徴とする請求項１〜６のいずれか１項に記載の情報処理装置。
8. 前記取得部は、
   前記一のコンテンツのタイトルに対応する入力回数を含む前記回数情報を取得する
   ことを特徴とする請求項７に記載の情報処理装置。
9. 前記取得部は、
   前記一のコンテンツのタイトルの形態素群に対応する入力回数を含む前記回数情報を取得する
   ことを特徴とする請求項７または請求項８に記載の情報処理装置。
10. 前記取得部は、
    前記一のコンテンツのタイトルの形態素のうち、所定の条件を満たす形態素を除いた前記形態素群に対応する入力回数を含む前記回数情報を取得する
    ことを特徴とする請求項９に記載の情報処理装置。
11. 前記取得部は、
    前記形態素群に含まれる各形態素が入力された回数の平均を含む前記回数情報を取得する
    ことを特徴とする請求項９または請求項１０に記載の情報処理装置。
12. 前記取得部は、
    前記一のコンテンツのカテゴリに対応する入力回数を含む前記回数情報を取得する
    ことを特徴とする請求項７〜１１のいずれか１項に記載の情報処理装置。
13. 前記取得部は、
    前記一のコンテンツに関係する人名に対応する入力回数を含む前記回数情報を取得する
    ことを特徴とする請求項７〜１２のいずれか１項に記載の情報処理装置。
14. 前記予測部は、
    前記一のコンテンツとは異なる他のコンテンツであって、前記ユーザに提供済みの他のコンテンツに対応する所定の回数情報と、前記他のコンテンツの視聴に関する実測値を示す正解情報とに基づいて生成される前記モデルを用いて、前記ユーザに未提供の前記一のコンテンツの視聴に関する情報を予測する
    ことを特徴とする請求項１〜１３のいずれか１項に記載の情報処理装置。
15. 前記予測部は、
    所定の期間において収集された前記実測値を示す前記正解情報に基づいて生成される前記モデルを用いて、前記所定の期間に対応する長さの期間における前記一のコンテンツの視聴に関する情報を予測する
    ことを特徴とする請求項１４に記載の情報処理装置。
16. 前記取得部は、
    複数のユーザ属性ごとに生成される複数のモデルであって、前記コンテンツの視聴に関する情報の予測に用いる複数のモデルのうち、一のモデルを取得し、
    前記予測部は、
    前記取得部により取得された前記一のモデルに基づいて、前記ユーザ属性に対応する前記ユーザによる前記一のコンテンツの視聴に関する情報を予測する
    ことを特徴とする請求項１〜１５のいずれか１項に記載の情報処理装置。
17. 前記予測部により予測された前記一のコンテンツの視聴に関する情報を用いたサービスを提供する提供部、
    をさらに備えることを特徴とする請求項１〜１６のいずれか１項に記載の情報処理装置。
18. コンピュータが実行する情報処理方法であって、
    一のコンテンツに関してユーザが入力した入力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前記入力情報の入力に関する回数を示す回数情報と、コンテンツの視聴に関する情報の予測に用いるモデルとに基づいて、前記一のコンテンツの視聴に関する情報を予測する予測工程と、
    を含むことを特徴とする情報処理方法。
19. 一のコンテンツに関してユーザが入力した入力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前記入力情報の入力に関する回数を示す回数情報と、コンテンツの視聴に関する情報の予測に用いるモデルとに基づいて、前記一のコンテンツの視聴に関する情報を予測する予測手順と、
    をコンピュータに実行させることを特徴とする情報処理プログラム。

Images