JP2020004058A - Device, method, and program for processing information - Google Patents
Device, method, and program for processing information Download PDFInfo
- Publication number
- JP2020004058A JP2020004058A JP2018122485A JP2018122485A JP2020004058A JP 2020004058 A JP2020004058 A JP 2020004058A JP 2018122485 A JP2018122485 A JP 2018122485A JP 2018122485 A JP2018122485 A JP 2018122485A JP 2020004058 A JP2020004058 A JP 2020004058A
- Authority
- JP
- Japan
- Prior art keywords
- information
- user
- information processing
- demand
- processing apparatus
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims description 15
- 238000012545 processing Methods 0.000 title description 9
- 230000010365 information processing Effects 0.000 claims abstract description 444
- 230000009471 action Effects 0.000 claims abstract description 98
- 238000003672 processing method Methods 0.000 claims abstract description 7
- 150000003839 salts Chemical class 0.000 description 138
- 230000006399 behavior Effects 0.000 description 119
- 230000000875 corresponding effect Effects 0.000 description 76
- 238000010586 diagram Methods 0.000 description 25
- 235000013305 food Nutrition 0.000 description 25
- 239000008280 blood Substances 0.000 description 20
- 210000004369 blood Anatomy 0.000 description 20
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 13
- 239000008103 glucose Substances 0.000 description 13
- 230000006870 function Effects 0.000 description 12
- 238000011156 evaluation Methods 0.000 description 9
- 235000003642 hunger Nutrition 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 210000001015 abdomen Anatomy 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 235000013555 soy sauce Nutrition 0.000 description 5
- 101100220857 Arabidopsis thaliana CLPB1 gene Proteins 0.000 description 4
- 101150093682 DLT1 gene Proteins 0.000 description 4
- 101000643378 Homo sapiens Serine racemase Proteins 0.000 description 4
- 102100035717 Serine racemase Human genes 0.000 description 4
- 235000012054 meals Nutrition 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000007796 conventional method Methods 0.000 description 3
- 101150045896 ilv-2 gene Proteins 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 102100036475 Alanine aminotransferase 1 Human genes 0.000 description 2
- 101710096214 Alanine aminotransferase 1 Proteins 0.000 description 2
- 101100317273 Caenorhabditis elegans ddl-1 gene Proteins 0.000 description 2
- 101100396749 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) ILV3 gene Proteins 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000007306 turnover Effects 0.000 description 2
- 101150108281 ADL1 gene Proteins 0.000 description 1
- 101100332244 Arabidopsis thaliana DRP1A gene Proteins 0.000 description 1
- 101100150346 Arabidopsis thaliana RS31 gene Proteins 0.000 description 1
- 235000009419 Fagopyrum esculentum Nutrition 0.000 description 1
- 240000008620 Fagopyrum esculentum Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 235000013361 beverage Nutrition 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000000481 breast Anatomy 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 235000012149 noodles Nutrition 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 235000019583 umami taste Nutrition 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
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。 The present invention relates to an information processing device, an information processing method, and an information processing program.
従来、種々の需要を予測する技術が提供されている。例えば、少なくともＰＯＩ（興味のある地点：Point of Interest）データを含むユーザの検索データに基づいて、ユーザのニーズ情報を決定する技術が提供されている。 Conventionally, techniques for predicting various demands have been provided. For example, there is provided a technique for determining user's need information based on user's search data including at least POI (Point of Interest) data.
しかしながら、上記の従来技術では、需要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、少なくともＰＯＩデータが必要であるため、ＰＯＩデータが十分でなかったり、ＰＯＩデータが不正確であったりした場合等、適切に需要を予測することが難しい場合がある。 However, in the above-described conventional technology, it is not always possible to appropriately predict demand. For example, in the above-described conventional technology, since at least POI data is required, it may be difficult to appropriately predict demand when POI data is insufficient or POI data is incorrect.
本願は、上記に鑑みてなされたものであって、需要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。 The present application has been made in view of the above, and has as its object to provide an information processing apparatus, an information processing method, and an information processing program that appropriately predict demand.
本願に係る情報処理装置は、ユーザによる対象に関連する関連行動を示す行動情報と、前記関連行動時における前記ユーザの前記対象に対する需要の度合いに関連する強度情報とを取得する取得部と、前記取得部により取得された前記行動情報と前記強度情報とに基づいて、前記対象に関する需要レベルを予測する予測部とを備えることを特徴とする。 The information processing apparatus according to the present application, an acquisition unit that acquires action information indicating a related action related to a target by a user, and intensity information related to a degree of demand for the target of the user at the time of the related action, A prediction unit that predicts a demand level of the target based on the behavior information and the strength information acquired by the acquisition unit.
実施形態の一態様によれば、需要を適切に予測することができるという効果を奏する。 According to an aspect of the embodiment, there is an effect that demand can be appropriately predicted.
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。 Hereinafter, an information processing apparatus, an information processing method, and an embodiment (hereinafter, referred to as an “embodiment”) for executing an information processing program according to the present application will be described in detail with reference to the drawings. The information processing apparatus, the information processing method, and the information processing program according to the present application are not limited by the embodiment. In the following embodiments, the same portions are denoted by the same reference numerals, and redundant description will be omitted.
（実施形態）
〔１．情報処理〕
図１を用いて、実施形態に係る情報処理の一例について説明する。図１は、実施形態に係る情報処理の一例を示す図である。具体的には、図１は、ユーザによる対象に関連する関連行動を示す行動情報と、関連行動時におけるユーザの対象に対する需要の度合いに関連する強度情報とに基づいて、対象に関する需要レベル（以下、単に「需要」ともいう）を予測する一例を示す図である。また、図１では、情報処理装置１００は、予測した需要に関する情報を事業者へ提供する。ここでいう事業者は、事業を行うものであれば、個人（自然人）や法人等の種々の事業者が含まれてもよい。例えば、事業者は、商品またはサービスを提供（販売）する企業であってもよい。また、以下では、商品またはサービスを併せて「商品」と記載する場合がある。また、図１では、ユーザの検索行動を、ユーザによる対象に関連する行動（以下、「関連行動」ともいう）の一例として説明する。なお、後述するように関連行動は、検索行動に限らずユーザの種々の行動であってもよい。図１では、情報処理装置１００は、ユーザが検索に用いたキーワード（以下、「検索クエリ」や「クエリ」ともいう）と、検索行動から所定の期間内におけるユーザの対象に対する需要を示す強度情報とに基づいて、需要を予測する場合を一例として説明する。
(Embodiment)
[1. Information processing)
An example of information processing according to the embodiment will be described with reference to FIG. FIG. 1 is a diagram illustrating an example of information processing according to the embodiment. Specifically, FIG. 1 illustrates a demand level (hereinafter referred to as a demand level) for a target based on behavior information indicating a relevant behavior related to the target by the user and intensity information related to a degree of demand for the target at the time of the relevant behavior. FIG. 4 is a diagram illustrating an example of predicting the demand. In FIG. 1, the
〔情報処理システムの構成〕
まず、図１及び図２に示す情報処理システム１について説明する。図２に示すように、情報処理システム１は、端末装置１０と、事業者装置２０と、情報処理装置１００とが含まれる。端末装置１０と、事業者装置２０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２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２に示した情報処理システム１には、複数台の端末装置１０や、複数台の事業者装置２０や、複数台の情報処理装置１００が含まれてもよい。
[Configuration of information processing system]
First, the
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１に示す例においては、端末装置１０がユーザが利用するスマートフォンである場合を示す。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。
The
また、端末装置１０は、種々のセンサにより検知された情報（以下、「センサ情報」ともいう）を収集する。例えば、端末装置１０は、種々のセンサを有し、各種センサ情報を検知する。端末装置１０は、画像センサの機能を有し、ユーザの画像情報（センサ情報）を検知し、取得する。また、端末装置１０は、マイク等の音声センサの機能を有し、ユーザの音声情報（センサ情報）を検知し、取得する。また、端末装置１０は、血糖値センサや心拍センサ等の種々の機能を有し、ユーザの血糖値（血糖値情報）や心拍数（心拍情報）等の生体情報（センサ情報）を検知し、取得可能であってもよい。なお、端末装置１０は、自装置以外のセンサが検知したセンサ情報を収集し、情報処理装置１００へ送信してもよい。
In addition, the
また、端末装置１０は、ＧＰＳ（Global Positioning System）センサ等の機能を有し、ユーザの位置情報を検知し、取得するものとする。また、端末装置１０は、通信を行っている基地局の位置情報や、ＷｉＦｉ（登録商標）（Wireless Fidelity）の電波を用いてユーザの位置情報を推定し、取得してもよい。なお、以下では位置情報を単に「位置」と記載する場合がある。
In addition, the
また、端末装置１０は、温度センサや気圧センサ等の種々の機能を有し、温度や気圧等のユーザの置かれている環境情報を検知し、取得可能であってもよい。また、端末装置１０は、加速度センサの機能を有し、ユーザの移動における加速度情報を検知し、取得する。例えば、端末装置１０を利用するユーザは、端末装置１０と通信可能なウェアラブルデバイスを身に付けることにより、端末装置１０によりユーザ自身のコンテキスト情報を取得可能としてもよい。例えば、端末装置１０を利用するユーザは、端末装置１０と通信可能なリストバンド型のウェアラブルデバイスを身に付けることにより、端末装置１０によりユーザ自身の心拍（脈拍）に関する情報を端末装置１０が取得可能としてもよい。
Further, the
また、端末装置１０は、ユーザによる操作を受け付ける。また、端末装置１０は、情報処理装置１００に種々の情報を送信する。例えば、端末装置１０は、情報処理装置１００に検索クエリや位置情報等の種々の行動情報等を送信する。
In addition, the
また、図１に示す例においては、端末装置１０を利用するユーザに応じて、端末装置１０を端末装置１０−１〜１０−５として説明する。例えば、端末装置１０−１は、ユーザＵ１により使用される端末装置１０である。また、例えば、端末装置１０−２は、ユーザＵ２により使用される端末装置１０である。また、以下では、端末装置１０−１〜１０−５について、特に区別なく説明する場合には、端末装置１０と記載する。
In the example illustrated in FIG. 1, the
上記のように「ユーザＵ＊（＊は任意の数値）」と記載した場合、そのユーザはユーザＩＤ「Ｕ＊」により識別されるユーザであることを示す。例えば、「ユーザＵ２」と記載した場合、そのユーザはユーザＩＤ「Ｕ２」により識別されるユーザである。図１に示した情報処理システム１には、ユーザＵ１が利用する端末装置１０や、ユーザＵ２が利用する端末装置１０等の多数の端末装置１０が含まれる。
When described as “user U * (* is an arbitrary numerical value)” as described above, it indicates that the user is a user identified by the user ID “U *”. For example, when “user U2” is described, the user is a user identified by the user ID “U2”. The
情報処理装置１００は、ユーザによる対象に関連する関連行動を示す行動情報と、関連行動時におけるユーザの前記対象に対する需要の度合いに関連する強度情報とに基づいて、対象に関する需要レベルを予測する情報処理装置である。また、例えば、情報処理装置１００は、対象に関する需要を示す情報を、対象に関する事業者へ提供する。
The
また、情報処理装置１００は、端末装置１０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１０に提供する検索サービスを提供する。図１の例では、情報処理装置１００は、クエリに対応する所定の情報を検索結果として、クエリの送信元である端末装置１０へ提供する。
Further, the
なお、図１では、情報処理装置１００が検索サービスを提供する場合を示すが、外部の情報処理装置が検索サービスを提供する場合、情報処理装置１００は検索サービスを提供しなくてもよい。この場合、情報処理装置１００は、検索サービスを提供する外部の情報処理装置等から各種情報を取得し、取得した情報に基づく需要の予測や事業者への情報提供を行ってもよい。情報処理装置１００は、端末装置１０に限らず、種々の外部の情報処理装置からセンサ情報（センサデータ）を取得してもよい。
FIG. 1 shows a case where the
事業者装置２０は、事業者（企業）によって利用される情報処理装置である。図１の例では、事業者装置２０は、事業者であるラーメン店ＭＡの管理者Ｍ１によって利用される情報処理装置である。例えば、ラーメン店ＭＡの管理者Ｍ１は、事業者装置２０を用いて、情報処理装置１００に対してキーワードに関する指定を行う。また、事業者装置２０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や、デスクトップＰＣや、携帯電話機や、ＰＤＡ等により実現される。図１は、事業者装置２０がノート型ＰＣである場合を示す。
The
図１の例では、情報処理装置１００は、ユーザＵ１〜Ｕ５等が利用する端末装置１０が有するＧＰＳセンサ等の機能により、ユーザＵ１〜Ｕ５が入力した検索クエリとともに端末装置１０の位置を取得する。図１に示す地図情報ＭＰ１は、ユーザＵ１〜Ｕ５の位置を模式的に示す。
In the example of FIG. 1, the
また、図１の例では、情報提供を受ける事業者が、ラーメン店ＭＡである場合を示す。例えば、図１では、情報処理装置１００は、ラーメン店ＭＡからＡエリアにおける対象「塩ラーメン」の需要に関する情報の要求を取得し、取得した要求が示すエリアにおける対象に対応する需要に関する情報をラーメン店ＭＡに提供する。
Further, the example of FIG. 1 shows a case where the business entity receiving the information provision is the ramen shop MA. For example, in FIG. 1, the
まず、情報処理装置１００は、ユーザＵ１が利用する端末装置１０−１からクエリと位置情報とを取得する（ステップＳ１−１）。図１の例では、情報処理装置１００は、日時ＤＴ１において、端末装置１０−１からクエリ「塩ラーメン」と位置情報ＬＣ１とを取得する。なお、図１の例では位置情報ＬＣ１等の抽象的な符号で図示するが、位置情報は、具体的な緯度や経度を示す情報（緯度経度情報）等であってもよい。また、以下、「位置情報ＬＣ＊（＊は任意の数値）」を「位置ＬＣ＊」と記載する場合がある。例えば、「位置ＬＣ１」と記載した場合、その位置は位置情報ＬＣ１に対応する位置であることを示す。図１の例では、位置ＬＣ１は、Ａエリア内の位置であるものとする。
First, the
そして、情報処理装置１００は、クエリ「塩ラーメン」に対応する検索結果を端末装置１０−１へ提供する。また、情報処理装置１００は、日時ＤＴ１に位置ＬＣ１において、ユーザＵ１がクエリ「塩ラーメン」を用いて検索を行ったことを示す行動情報を行動情報記憶部１２３に記憶する。図１の例では、情報処理装置１００は、日時ＤＴ１にＡエリア内の位置ＬＣ１において、ユーザＵ１がクエリ「塩ラーメン」を用いて検索を行ったことを示す行動情報を行動情報記憶部１２３に記憶する。
Then, the
また、情報処理装置１００は、ユーザＵ２が利用する端末装置１０−２からクエリと位置情報とを取得する（ステップＳ１−２）。図１の例では、情報処理装置１００は、日時ＤＴ２において、端末装置１０−２からクエリ「スマホＳＨ 赤」と位置情報ＬＣ２とを取得する。そして、情報処理装置１００は、クエリ「スマホＳＨ 赤」に対応する検索結果を端末装置１０−２へ提供する。また、情報処理装置１００は、日時ＤＴ２に位置ＬＣ２において、ユーザＵ２がクエリ「スマホＳＨ 赤」を用いて検索を行ったことを示す行動情報を行動情報記憶部１２３に記憶する。
Further, the
また、情報処理装置１００は、ユーザＵ３が利用する端末装置１０−３からクエリと位置情報とを取得する（ステップＳ１−３）。図１の例では、情報処理装置１００は、日時ＤＴ３において、端末装置１０−３からクエリ「塩ラーメン Ａエリア」と位置情報ＬＣ３とを取得する。図１の例では、位置ＬＣ３は、Ａエリア内の位置であるものとする。そして、情報処理装置１００は、クエリ「塩ラーメン Ａエリア」に対応する検索結果を端末装置１０−３へ提供する。また、情報処理装置１００は、日時ＤＴ３にＡエリア内の位置ＬＣ３において、ユーザＵ３がクエリ「塩ラーメン Ａエリア」を用いて検索を行ったことを示す行動情報を行動情報記憶部１２３に記憶する。
Further, the
また、情報処理装置１００は、ユーザＵ４が利用する端末装置１０−４からクエリと位置情報とを取得する（ステップＳ１−４）。図１の例では、情報処理装置１００は、日時ＤＴ４において、端末装置１０−４からクエリ「天気」と位置情報ＬＣ４とを取得する。そして、情報処理装置１００は、クエリ「天気」に対応する検索結果を端末装置１０−４へ提供する。また、情報処理装置１００は、日時ＤＴ４に位置ＬＣ４において、ユーザＵ４がクエリ「天気」を用いて検索を行ったことを示す行動情報を行動情報記憶部１２３に記憶する。
Further, the
また、情報処理装置１００は、ユーザＵ５が利用する端末装置１０−５からクエリと位置情報とを取得する（ステップＳ１−５）。図１の例では、情報処理装置１００は、日時ＤＴ５において、端末装置１０−５からクエリ「スマホＳＨ 高い」と位置情報ＬＣ５とを取得する。そして、情報処理装置１００は、クエリ「スマホＳＨ 高い」に対応する検索結果を端末装置１０−５へ提供する。また、情報処理装置１００は、日時ＤＴ５に位置ＬＣ５において、ユーザＵ５がクエリ「スマホＳＨ 高い」を用いて検索を行ったことを示す行動情報を行動情報記憶部１２３に記憶する。
Further, the
以下、ステップＳ１−１〜Ｓ１−５を区別せずに説明する場合、ステップＳ１と総称する。また、ステップＳ１−１〜Ｓ１−５に限らず、各ユーザの検索は、複数回行われてもよい。なお、図１では、５人のユーザＵ１〜Ｕ５を図示するが、情報処理装置１００は、ユーザＵ１〜Ｕ５に限らず、多数のユーザ（例えば、１００万ユーザや１０００万ユーザ等）が検索に用いたクエリを取得する。
Hereinafter, when steps S1-1 to S1-5 are described without distinction, they are collectively referred to as step S1. The search for each user is not limited to steps S1-1 to S1-5, and may be performed a plurality of times. Although five users U1 to U5 are illustrated in FIG. 1, the
ここで、図１の例では、情報処理装置１００は、ユーザの需要の強度（度合い）を予測するために用いる情報（以下、「強度予測用情報」ともいう）として、センサにより検知されたセンサ情報を用いるものとする。ここでいう、ユーザの需要の強度（度合い）とは、ユーザがその対象を本当に欲する強度（深刻度）を示すものであってもよい。例えば、情報処理装置１００は、ユーザの関連行動から所定の期間（例えば、関連行動時の前後５分）内のセンサ情報を用いて、ユーザの需要の強度を予測する。情報処理装置１００は、ユーザの関連行動である検索行動から所定の期間内に検知されたセンサ情報を用いて、検索クエリに対応する対象に対するユーザの需要の強度を予測する。
Here, in the example of FIG. 1, the
情報処理装置１００は、ユーザＵ１が利用する端末装置１０−１からセンサ情報を取得する（ステップＳ２−１）。図１の例では、情報処理装置１００は、日時ＤＴ１−１において、所定のセンサにより検知されたユーザＵ１の画像情報であるセンサ情報ＳＮ１を端末装置１０−１から取得する。例えば、日時ＤＴ１−１は、日時ＤＴ１から所定の期間（日時ＤＴ１の前後５分）内の期間であるものとする。例えば、端末装置１０−１は、画像センサによりユーザＵ１を撮像したセンサ情報ＳＮ１を情報処理装置１００へ送信する。図１の例では、情報処理装置１００は、日時ＤＴ１−１に、ユーザＵ１について種別「画像」のセンサ情報ＳＮ１が検知されたことを示す情報を強度情報記憶部１２４に記憶する。
The
また、情報処理装置１００は、ユーザＵ２が利用する端末装置１０−２からセンサ情報を取得する（ステップＳ２−２）。図１の例では、情報処理装置１００は、日時ＤＴ２−１において、所定のセンサにより検知されたユーザＵ２の音声情報であるセンサ情報ＳＮ２を端末装置１０−２から取得する。例えば、日時ＤＴ２−１は、日時ＤＴ２から所定の期間（日時ＤＴ２の前後５分）内の期間であるものとする。例えば、端末装置１０−２は、音声センサにより検知したユーザＵ２の音声情報であるセンサ情報ＳＮ２を情報処理装置１００へ送信する。図１の例では、情報処理装置１００は、日時ＤＴ２−１に、ユーザＵ２について種別「音声」のセンサ情報ＳＮ２が検知されたことを示す情報を強度情報記憶部１２４に記憶する。
Further, the
また、情報処理装置１００は、ユーザＵ３が利用する端末装置１０−３からセンサ情報を取得する（ステップＳ２−３）。図１の例では、情報処理装置１００は、日時ＤＴ３−１において、所定のセンサにより検知されたユーザＵ３の生体情報であるセンサ情報ＳＮ３を端末装置１０−３から取得する。例えば、日時ＤＴ３−１は、日時ＤＴ３から所定の期間（日時ＤＴ３の前後５分）内の期間であるものとする。例えば、端末装置１０−３は、血糖値センサにより検知したユーザＵ３の血糖値情報であるセンサ情報ＳＮ３を情報処理装置１００へ送信する。図１の例では、情報処理装置１００は、日時ＤＴ３−１に、ユーザＵ３について種別「生体」のセンサ情報ＳＮ３が検知されたことを示す情報を強度情報記憶部１２４に記憶する。
Further, the
また、情報処理装置１００は、ユーザＵ４が利用する端末装置１０−４からセンサ情報を取得する（ステップＳ２−４）。図１の例では、情報処理装置１００は、日時ＤＴ４−１において、所定のセンサにより検知されたユーザＵ４の音声情報であるセンサ情報ＳＮ４を端末装置１０−４から取得する。例えば、日時ＤＴ４−１は、日時ＤＴ４から所定の期間（日時ＤＴ４の前後５分）内の期間であるものとする。例えば、端末装置１０−４は、音声センサにより検知したユーザＵ４の音声情報であるセンサ情報ＳＮ４を情報処理装置１００へ送信する。図１の例では、情報処理装置１００は、日時ＤＴ４−１に、ユーザＵ４について種別「音声」のセンサ情報ＳＮ４が検知されたことを示す情報を強度情報記憶部１２４に記憶する。
Further, the
以下、ステップＳ２−１〜Ｓ２−４を区別せずに説明する場合、ステップＳ２と総称する。また、ステップＳ２−１〜Ｓ２−４に限らず、各ユーザの検索は、複数回行われてもよい。なお、図１では、ユーザＵ５のセンサ情報が取得されていない場合を図示するが、情報処理装置１００は、ユーザＵ５のセンサ情報を取得してもよいし、センサ情報が取得されない場合、他の種別の情報を強度予測用情報として取得してもよい。
Hereinafter, when steps S2-1 to S2-4 are described without distinction, they are collectively referred to as step S2. Further, the search for each user is not limited to steps S2-1 to S2-4 and may be performed a plurality of times. Although FIG. 1 illustrates a case where the sensor information of the user U5 has not been acquired, the
上記ステップＳ１〜Ｓ４の処理により、情報処理装置１００は、ユーザによる対象に関連する関連行動を示す行動情報や、関連行動時におけるユーザの対象に対する需要の度合い（強度）の予測に用いる強度予測用情報を収集する。具体的には、情報処理装置１００は、ユーザが検索に用いたクエリと、クエリによる検索時のユーザの位置情報との組合せを含む行動情報を収集する（ステップＳ３）。図１の例では、情報処理装置１００は、行動情報記憶部１２３に示すように、ユーザＵ１〜Ｕ５等が検索に用いたクエリと、クエリによる検索時のユーザの位置ＬＣ１〜ＬＣ５等との組合せを収集する。また、情報処理装置１００は、ユーザの関連行動から所定の期間内のセンサ情報を強度予測用情報として収集する（ステップＳ４）。図１の例では、情報処理装置１００は、強度情報記憶部１２４に示すように、ユーザＵ１〜Ｕ４等のセンサ情報ＳＮ１〜ＳＮ４等を収集する。
Through the processing of steps S <b> 1 to S <b> 4, the
そして、情報処理装置１００は、対象に関する関連行動時におけるユーザの対象に対する需要の強度を予測する（ステップＳ５）。情報処理装置１００は、強度予測用情報を用いて、ユーザの対象に対する需要の強度を予測する。情報処理装置１００は、センサ情報を用いて、ユーザの対象に対する需要の強度を予測する。情報処理装置１００は、ユーザの関連行動から所定の期間内の強度予測用情報を用いて、関連行動時におけるユーザの対象に対する需要の強度を予測する。図１の例では、情報処理装置１００は、ユーザの関連行動から所定の期間内のセンサ情報を用いて、関連行動時におけるユーザの対象に対する需要の強度を予測する。
Then, the
情報処理装置１００は、日時ＤＴ１におけるクエリ「塩ラーメン」を用いた検索行動であるユーザＵ１の関連行動におけるユーザＵ１の対象「塩ラーメン」に対する需要の強度を、日時ＤＴ１−１に検知されたユーザＵ１のセンサ情報ＳＮ１を用いて予測する。例えば、情報処理装置１００は、日時ＤＴ１−１におけるユーザＵ１の顔を撮像した画像情報であるセンサ情報ＳＮ１を用いて、ユーザＵ１の対象「塩ラーメン」に対する需要の強度を予測する。例えば、情報処理装置１００は、ユーザＵ１の顔を撮像したセンサ情報ＳＮ１を画像解析等の種々の従来技術を適宜用いて解析することにより、ユーザＵ１の空腹度合いを予測し、予測したユーザＵ１の空腹度合いを、ユーザＵ１の対象「塩ラーメン」に対する需要の強度とする。例えば、情報処理装置１００は、センサ情報ＳＮ１を画像解析し、ユーザＵ１の顔がユーザＵ１の通常時や満腹時や空腹時の顔のいずれであるかを判定し場合、その判定結果に基づいて、ユーザＵ１の対象「塩ラーメン」に対する需要の強度を予測する。例えば、情報処理装置１００は、ユーザＵ１の空腹度合いが通常時である場合、ユーザの対象に対する需要の強度（予測強度）を「中」と予測する。情報処理装置１００は、ユーザＵ１の空腹度合いが満腹時である場合、ユーザの対象に対する需要の強度を「低」と予測する。情報処理装置１００は、ユーザＵ１の空腹度合いが空腹時である場合、ユーザの対象に対する需要の強度を「高」と予測する。
The
この場合、情報処理装置１００は、ユーザＵ１の通常時の顔画像情報や満腹時の顔画像情報や空腹時の顔画像情報と、センサ情報ＳＮ１とを比較することにより、ユーザＵ１が通常状態、満腹状態、及び空腹状態のいずれであるかを判定してもよい。例えば、情報処理装置１００は、ユーザＵ１の通常時の顔画像情報や満腹時の顔画像情報や空腹時の顔画像情報をユーザ情報記憶部１２２（図５参照）に記憶し、ユーザ情報記憶部１２２に記憶した各画像情報と、センサ情報ＳＮ１とを比較することにより、ユーザＵ１が通常状態、満腹状態、及び空腹状態のいずれであるかを判定してもよい。このように、情報処理装置１００は、関連行動時におけるユーザＵ１の状態を示すユーザ情報に基づいて、ユーザＵ１の対象「塩ラーメン」に対する需要の強度を予測する。なお、上記は一例であり、情報処理装置１００は、画像情報を種々の手法により解析することにより、ユーザの対象に対する需要の強度を予測してもよい。
In this case, the
図１の例では、センサ情報ＳＮ１は、ユーザＵ１の通常時の顔画像情報に最も類似するものとする。そのため、情報処理装置１００は、ユーザＵ１の空腹度合いを通常時と予測し、ユーザＵ１の対象「塩ラーメン」に対する需要の強度（予測強度）を強度ＩＬＶ１と予測する。具体的には、情報処理装置１００は、ユーザＵ１の空腹度合いが通常時であるため、強度情報記憶部１２４に示すように、ユーザＵ１の対象「塩ラーメン」に対する需要の強度を「中」と予測する。
In the example of FIG. 1, it is assumed that the sensor information SN1 is most similar to the normal face image information of the user U1. Therefore, the
また、情報処理装置１００は、日時ＤＴ２におけるクエリ「スマホＳＨ 赤」を用いた検索行動であるユーザＵ２の関連行動におけるユーザの対象「スマホＳＨ」に対する需要の強度を、日時ＤＴ２−１に検知されたユーザＵ２のセンサ情報ＳＮ２を用いて予測する。例えば、情報処理装置１００は、日時ＤＴ２−１におけるユーザＵ２の音声情報であるセンサ情報ＳＮ２を用いて、ユーザの対象「スマホＳＨ」に対する需要の強度を予測する。例えば、情報処理装置１００は、ユーザＵ２の音声のセンサ情報ＳＮ２を音声解析等の種々の従来技術を適宜用いて解析することにより、ユーザＵ２の対象に対する評価を予測し、予測したユーザＵ２の対象に対する評価を、ユーザＵ２の対象「スマホＳＨ」に対する需要の強度とする。
Further, the
例えば、情報処理装置１００は、ユーザＵ２が対象「スマホＳＨ」について、「欲しい」や「デザインが良い」等の好意的（ポジティブ）な発話を行っている場合、ユーザＵ２の対象「スマホＳＨ」に対する需要の強度を「高」と予測する。情報処理装置１００は、ユーザＵ２が対象「スマホＳＨ」について、「普通」や「まぁまぁ」等の中立的な発話を行っている場合、ユーザＵ２の対象「スマホＳＨ」に対する需要の強度を「中」と予測する。情報処理装置１００は、ユーザＵ２が対象「スマホＳＨ」について、「要らない」や「デザインが悪い」等の否定的（ネガティブ）な発話を行っている場合、ユーザＵ２の対象「スマホＳＨ」に対する需要の強度を「低」と予測する。なお、上記は一例であり、情報処理装置１００は、音声情報を種々の手法により解析することにより、ユーザの対象に対する需要の強度を予測してもよい。
For example, when the user U2 is making a favorable (positive) utterance, such as “want” or “good design”, about the target “smartphone SH”, the
図１の例では、センサ情報ＳＮ２は、ユーザＵ２が対象「スマホＳＨ」について、否定的な発話を行ったことを示す情報であるのとする。そのため、情報処理装置１００は、ユーザＵ２の対象「スマホＳＨ」に対する評価が、否定的な評価であると予測し、ユーザＵ２の対象「スマホＳＨ」に対する需要の強度（予測強度）を強度ＩＬＶ２と予測する。具体的には、情報処理装置１００は、ユーザＵ２が対象「スマホＳＨ」に対して否定的な評価であるため、強度情報記憶部１２４に示すように、ユーザＵ２の対象「スマホＳＨ」に対する需要の強度を「低」と予測する。
In the example of FIG. 1, it is assumed that the sensor information SN2 is information indicating that the user U2 has made a negative utterance for the target “smartphone SH”. Therefore, the
情報処理装置１００は、日時ＤＴ３における「塩ラーメン Ａエリア」を用いた検索行動であるユーザＵ３の関連行動におけるユーザＵ３の対象「塩ラーメン」に対する需要の強度を、日時ＤＴ３−１に検知されたユーザＵ３のセンサ情報ＳＮ３を用いて予測する。例えば、情報処理装置１００は、日時ＤＴ３−１におけるユーザＵ３の血糖値を示す生体情報であるセンサ情報ＳＮ３を用いて、ユーザＵ３の対象「塩ラーメン」に対する需要の強度を予測する。例えば、情報処理装置１００は、ユーザＵ３の生体情報を種々の従来技術を適宜用いて解析することにより、ユーザＵ３の空腹度合いを予測し、予測したユーザＵ３の空腹度合いを、ユーザＵ３の対象「塩ラーメン」に対する需要の強度とする。例えば、情報処理装置１００は、センサ情報ＳＮ３が示すユーザＵ３の血糖値が、ユーザＵ３の通常時や満腹時や空腹時の顔のいずれであるかを判定し場合、その判定結果に基づいて、ユーザＵ３の対象「塩ラーメン」に対する需要の強度を予測する。例えば、情報処理装置１００は、ユーザＵ３の血糖値が通常時である場合、ユーザの対象に対する需要の強度（予測強度）を「中」と予測する。情報処理装置１００は、ユーザＵ３の血糖値が満腹時である場合、ユーザの対象に対する需要の強度を「低」と予測する。情報処理装置１００は、ユーザＵ３の血糖値が空腹時である場合、ユーザの対象に対する需要の強度を「高」と予測する。
The
この場合、情報処理装置１００は、ユーザＵ３の通常時の血糖値情報や満腹時の血糖値情報や空腹時の血糖値情報と、センサ情報ＳＮ３とを比較することにより、ユーザＵ３が通常状態、満腹状態、及び空腹状態のいずれであるかを判定してもよい。例えば、情報処理装置１００は、ユーザＵ３の通常時の血糖値情報や満腹時の血糖値情報や空腹時の血糖値情報をユーザ情報記憶部１２２（図５参照）に記憶し、ユーザ情報記憶部１２２に記憶した各血糖値情報（生体情報）と、センサ情報ＳＮ３とを比較することにより、ユーザＵ３が通常状態、満腹状態、及び空腹状態のいずれであるかを判定してもよい。このように、情報処理装置１００は、関連行動時におけるユーザＵ３の状態を示すユーザ情報に基づいて、ユーザＵ３の対象「塩ラーメン」に対する需要の強度を予測する。なお、上記は一例であり、情報処理装置１００は、生体情報を種々の手法により解析することにより、ユーザの対象に対する需要の強度を予測してもよい。
In this case, the
図１の例では、センサ情報ＳＮ３は、ユーザＵ３の通常時の血糖値情報に最も類似するものとする。そのため、情報処理装置１００は、ユーザＵ３の空腹度合いを空腹時と予測し、ユーザＵ３の対象「塩ラーメン」に対する需要の強度（予測強度）を強度ＩＬＶ３と予測する。具体的には、情報処理装置１００は、ユーザＵ３の空腹度合いが通常時であるため、強度情報記憶部１２４に示すように、ユーザＵ３の対象「塩ラーメン」に対する需要の強度を「高」と予測する。
In the example of FIG. 1, it is assumed that the sensor information SN3 is most similar to the blood glucose level information of the user U3 at normal time. Therefore, the
そして、情報処理装置１００は、対象に関するスコアを生成する（ステップＳ６）。例えば、情報処理装置１００は、関連行動に対応する対象に関する需要レベルを示すスコアを生成（算出）する。例えば、情報処理装置１００は、関連行動に対応する対象について、複数のエリアごとのスコアを生成（算出）する。図１の例では、情報処理装置１００は、対象「塩ラーメン」について、Ａエリア〜Ｄエリア等の複数のエリアごとのスコアを生成する。例えば、情報処理装置１００は、対象「塩ラーメン」について、各エリアにおける検索の回数と、各検索時におけるユーザの強度情報を用いてスコアを生成する。例えば、情報処理装置１００は、対象「塩ラーメン」について、検索の回数と、各検索時におけるユーザの需要の強度に基づく値（以下、「強度スコア」ともいう）の平均とを乗算することにより、スコアを生成してもよい。また、情報処理装置１００は、対象「塩ラーメン」について、各検索に対応する強度スコアを合算することにより、スコアを生成してもよい。情報処理装置１００は、対象「塩ラーメン」について、各エリアにおける各検索に対応する強度スコアを合算することにより、各エリアに対応するスコアを生成してもよい。
Then, the
図１の例では、情報処理装置１００は、予測強度が「高」である場合の強度スコアを「５」とし、予測強度が「中」である場合の強度スコアを「１」とし、予測強度が「低」である場合の強度スコアを「０．１」として、スコアを生成する。例えば、情報処理装置１００は、対象「塩ラーメン」について、予測強度「高」である検索が「１０」回であり、予測強度「中」である検索が「１００」回であり、予測強度「低」である検索が「１０」回である場合、スコアを「１５１（＝５＊１０＋１＊１００＋０．１＊１０）」と算出する。
In the example of FIG. 1, the
なお、情報処理装置１００は、検索が行われた位置や時間に基づいて各検索の重みを生成し、生成した各検索の重みを用いてスコアを生成してもよいが、詳細は後述する。この場合、情報処理装置１００は、検索ごとに需要の強度に基づく値（強度スコア）と重みとを乗算した値（部分スコア）を算出し、その部分スコアを合算することにより、関連行動に対応する対象に関するスコアを生成（算出）してもよい。
Note that the
図１の例では、情報処理装置１００は、エリア別一覧ＡＬＴ１に示すように、対象「塩ラーメン」について、Ａエリア〜Ｄエリア等の複数のエリアごとのスコアを生成する。例えば、情報処理装置１００は、Ａエリアにおける対象「塩ラーメン」のスコアを「１５０００」と算出する。例えば、情報処理装置１００は、Ｂエリアにおける対象「塩ラーメン」のスコアを「２０」と算出する。例えば、情報処理装置１００は、Ｃエリアにおける対象「塩ラーメン」のスコアを「８００」と算出する。例えば、情報処理装置１００は、Ｄエリアにおける対象「塩ラーメン」のスコアを「２００」と算出する。なお、情報処理装置１００は、エリアを考慮せず、全体としての需要を予測してもよい。例えば、情報処理装置１００は、エリア全体の需要を予測してもよいが、この点については後述する。
In the example of FIG. 1, the
そして、情報処理装置１００は、生成したスコアに関する情報に基づいて、需要を予測する（ステップＳ７）。図１の例では、情報処理装置１００は、需要一覧ＤＬＴ１に示すように、対象「塩ラーメン」について、Ａエリア〜Ｄエリア等の複数のエリアごとの需要を予測する。例えば、情報処理装置１００は、対象について、各エリアに対応するスコアと、所定の閾値との比較に基づいて、エリアごとの需要を予測する。図１の例では、情報処理装置１００は、第１閾値「１００００」と、第２閾値「７５０」とを用いて、エリアごとの需要を予測する。例えば、情報処理装置１００は、スコアが第１閾値以上であるエリアについては、その対象の需要が「高」であると予測する。例えば、情報処理装置１００は、スコアが第２閾値以上であるエリアについては、その対象の需要が「中」であると予測する。例えば、情報処理装置１００は、スコアが第２閾値未満であるエリアについては、その対象の需要が「低」であると予測する。
Then, the
図１の例では、情報処理装置１００は、Ａエリアにおける対象「塩ラーメン」のスコアが「１５０００」であり、第１閾値以上であるため、Ａエリアにおける対象「塩ラーメン」の需要を「高」と予測する。また、情報処理装置１００は、Ｂエリアにおける対象「塩ラーメン」のスコアが「２０」であり、第１閾値未満、第２閾値以上であるため、Ｂエリアにおける対象「塩ラーメン」の需要を「低」と予測する。また、情報処理装置１００は、Ｃエリアにおける対象「塩ラーメン」のスコアが「８００」であり、第２閾値未満であるため、Ｃエリアにおける対象「塩ラーメン」の需要を「中」と予測する。また、情報処理装置１００は、Ｄエリアにおける対象「塩ラーメン」のスコアが「２００」であり、第２閾値未満であるため、Ｄエリアにおける対象「塩ラーメン」の需要を「低」と予測する。
In the example of FIG. 1, since the score of the target “salt ramen” in the area A is “15000” and equal to or more than the first threshold, the
そして、情報処理装置１００は、事業者に需要情報を提供する（ステップＳ８）。図１の例では、情報処理装置１００は、ラーメン店ＭＡの管理者Ｍ１が利用する事業者装置２０に需要情報を提供する。情報処理装置１００は、ラーメン店ＭＡの管理者Ｍ１が利用する事業者装置２０に需要情報を送信する。ここで、ラーメン店ＭＡは、Ａエリアに位置し、しょうゆラーメンＲＭを提供する飲食店である。そのため、情報処理装置１００は、事業者装置２０にＡエリアでは塩ラーメンの需要が高いことを示す情報を提供する。これにより、ラーメン店ＭＡの管理者Ｍ１は、Ａエリアにおいては塩ラーメンを提供した方が利益を上げる可能性が高いことを把握することができるため、提供物をしょうゆラーメンＲＭから塩ラーメンへ変更したり、提供物として塩ラーメンを追加したりする判断を行うことができる。なお、情報処理装置１００は、需要一覧ＤＬＴ１を事業者装置２０に提供してもよい。これにより、ラーメン店ＭＡの管理者Ｍ１は、Ａエリアにおける塩ラーメンの需要が他のエリアよりも相対的に高いことを把握することができるため、より適切な判断を行うことができる。
Then, the
このように、情報処理装置１００は、ユーザによる対象に関連する関連行動を示す行動情報と、関連行動時におけるユーザの対象に対する需要の度合いに関連する強度情報とに基づいて、対象に関する需要を予測する。図１の例では、情報処理装置１００は、ユーザの検索行動と、ユーザのセンサ情報とに基づいて、クエリに対応する対象に関する需要を予測する。そして、情報処理装置１００は、予測した情報を事業者に提供する。これにより、情報の提供を受けた事業者は、提供された情報に基づいて、自身の事業についてより適切な判断を行うことができる。
As described above, the
なお、図１では、エリアごとに需要を予測する場合を示したが、情報処理装置１００は、ユーザの行動情報と、ユーザの強度情報とに基づいて、エリア全体の需要を予測してもよい。例えば、情報処理装置１００は、Ａエリア〜Ｄエリア等のエリア全体におけるユーザの行動情報と、ユーザの強度情報とに基づいて、エリア全体の需要を予測してもよい。この場合、情報処理装置１００は、ユーザの位置情報を取得することなく、ユーザの行動情報と、ユーザの強度情報とに基づいて、エリア全体の需要を予測してもよい。
Although FIG. 1 illustrates a case where the demand is predicted for each area, the
〔１−１．利用する情報〕
情報処理装置１００は、図１に示す情報に限らず、対象に関する需要を予測するために種々の情報を用いてもよい。この点について、以下説明する。
[1-1. Information to be used)
The
〔１−１−１．行動情報〕
図１の例では、情報処理装置１００が検索に用いられたクエリを用いて需要を予測する場合を示したが、情報処理装置１００は、種々の情報を用いて、需要を予測してもよい。例えば、情報処理装置１００は、ユーザの行動に関する種々情報を用いて、需要を予測してもよい。情報処理装置１００は、ユーザの検索行動に限らず、種々の種別の関連行動の情報を用いて、需要を予測してもよい。例えば、情報処理装置１００は、ユーザの入力行動や購買行動や閲覧行動等の種々の種別の関連行動の情報を用いて、需要を予測してもよい。情報処理装置１００は、ユーザの入力に関する情報やユーザの購買行動に関する情報やユーザのコンテンツ閲覧に関する情報などの種々の行動情報を用いて、需要を予測してもよい。例えば、情報処理装置１００は、ユーザが購入した商品やサービス等を対象として需要を予測してもよい。例えば、情報処理装置１００は、ユーザにより商品Ｘが購入された回数を用いて、対象の需要を予測してもよい。また、情報処理装置１００は、ユーザが閲覧したコンテンツに含まれる対象の需要を予測してもよい。例えば、情報処理装置１００は、ユーザが閲覧したコンテンツＹ等に対象「塩ラーメン」が含まれる場合、コンテンツＹ等の閲覧回数を用いて、対象の需要を予測してもよい。
[1-1-1. Behavior information)
In the example of FIG. 1, the case where the
〔１−１−２．入力情報〕
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、需要を予測してもよい。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、需要を予測してもよい。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、需要を予測してもよい。例えば、情報処理装置１００は、所定のＳＮＳ（Social Networking Service）においてユーザが入力した入力情報を用いて、需要を予測してもよい。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、需要を予測してもよい。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、需要を予測してもよい。
[1-1-2. Input information)
The
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、需要を予測してもよい。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、需要を予測してもよい。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、需要を予測してもよい。
For example, the
〔１−１−３．強度予測用情報〕
図１の例では、説明を簡単にするために、情報処理装置１００がユーザの需要の強度（度合い）を予測するために用いる情報（強度予測用情報）として、センサ情報のみを用いる場合を示したが、情報処理装置１００は、ユーザの需要の強度の予測に利用可能な情報であればどのような情報を用いてもよい。例えば、情報処理装置１００は、強度予測用情報として、ユーザの関連行動時から所定の期間内のユーザの行動情報などの種々の情報を用いてもよい。
[1-1-3. Information for strength prediction)
In the example of FIG. 1, for simplicity of description, a case is shown in which the
情報処理装置１００は、ユーザが食べる食品や飲む飲料等（以下、「食品等」ともいう）に関連する関連行動後に、ユーザがその食品等を摂取したことを示す行動情報を、強度予測用情報として用いてもよい。情報処理装置１００は、ユーザが摂取する食品等である対象に関連する関連行動後の所定期間内に、ユーザがその対象を購入したり、飲食したりしたことを示す行動情報に基づいて、ユーザの需要の強度（度合い）を予測してもよ
い。
The
例えば、情報処理装置１００は、食品等に関連する関連行動後の所定期間内に、ユーザがその食品等を購入したり、飲食したりしたことを示す行動情報がある場合、その食品等に対するユーザの需要の強度を「高」と予測してもよい。また、例えば、情報処理装置１００は、食品等に関連する関連行動後の所定期間内に、ユーザがその食品等を購入したり、飲食したりしたことを示す行動情報がない場合、その食品等に対するユーザの需要の強度を「低」と予測してもよい。また、例えば、情報処理装置１００は、食品等に関連する関連行動後の所定期間内に、ユーザがその食品等と異なる他の食品等を購入したり、飲食したりしたことを示す行動情報がない場合、その食品等に対するユーザの需要の強度を「中」と予測してもよい。
For example, if there is action information indicating that the user has purchased or eaten the food or the like within a predetermined period after the related action related to the food or the like, the
また、例えば、情報処理装置１００は、上記に限らずセンサ情報に基づく種々の情報を強度予測用情報として用いてもよい。情報処理装置１００は、音声センサにより検知されたユーザのお腹が鳴る音等を強度予測用情報として用いてもよい。例えば、情報処理装置１００は、食品等に関連する関連行動後の所定期間内に、ユーザのお腹が鳴る音等が検知された場合、その食品等に対するユーザの需要の強度を「高」と予測してもよい。例えば、情報処理装置１００は、食品等に関連する関連行動後の所定期間内に、ユーザのお腹が鳴る音等が検知されなかった場合、その食品等に対するユーザの需要の強度を「低」と予測してもよい。例えば、情報処理装置１００は、食品等に関連する関連行動後の所定期間内に、ユーザのお腹が鳴る音等が検知されなかった場合であっても、所定期間外にユーザのお腹が鳴る音等が検知された場、その食品等に対するユーザの需要の強度を「中」と予測してもよい。
Further, for example, the
また、情報処理装置１００は、関連行動前後における血糖値の変化や、関連行動前後におけるユーザの画像を画像解析することによりユーザの需要の強度を予測してもよい。例えば、情報処理装置１００は、食品等に関連する関連行動後の所定期間内のユーザの画像を画像解析し、ユーザの顔が「お腹が空いた顔」であると判定される場合、その食品等に対するユーザの需要の強度を「高」と予測してもよい。
Further, the
また、情報処理装置１００は、関連行動と他の行動との間の時間に基づいて、ユーザの需要の強度を予測してもよい。例えば、情報処理装置１００は、食品等に関連する関連行動とそれ以前の最後の食事からの時間（以下、「食事後経過時間」ともいう）に基づいて、ユーザの需要の強度を予測してもよい。例えば、情報処理装置１００は、食品等に関連する関連行動までの食事後経過時間が所定の閾値（例えば５時間等）以上である場合、その食品等に対するユーザの需要の強度を「高」と予測してもよい。
Further, the
例えば、情報処理装置１００は、強度予測用情報として、ユーザの関連行動時から所定の期間内のユーザの位置情報などの種々の情報を用いてもよい。例えば、情報処理装置１００は、検索においてユーザが使用（入力）した検索ワード（入力情報）に基づいて、ユーザの需要の強度を予測してもよい。また、情報処理装置１００は、ＳＮＳにおいてユーザが入力した入力情報（文字情報）の文脈に基づいて、ユーザの需要の強度を予測してもよい。例えば、情報処理装置１００は、対象が食品等である場合、ユーザが入力した検索ワードや文字情報等である強度予測用情報中に、「腹ペコ」や「うまそう」などの文字列が含まれれば、その文字情報を基にユーザの需要の強度を予測してもよい。
For example, the
また、情報処理装置１００は、複数の強度予測用情報に基づいて、ユーザの需要の強度を予測してもよい。情報処理装置１００は、センサ情報や行動情報や位置情報等の種々の強度予測用情報を組み合わせて、ユーザの需要の強度を予測してもよい。例えば、情報処理装置１００は、ユーザの関連行動時から所定の期間内のセンサ情報や行動情報や位置情報等の種々の強度予測用情報に基づいて、ユーザの需要の強度を予測してもよい。
Further, the
〔１−２．時間に応じた需要予測〕
また、情報処理装置１００は、時間に応じて需要を予測してもよい。情報処理装置１００は、所定の時間帯ごとに、クエリに対応する対象に関する需要を予測してもよい。例えば、情報処理装置１００は、位置情報を用いずに、時間ごとの需要を予測してもよい。例えば、情報処理装置１００は、所定の時間帯（朝、昼、夜等）ごとにクエリを収集し、各時間帯に対応するクエリごとにスコアを算出してもよい。そして、情報処理装置１００は、時間帯ごとに対象に対する需要（レベル）を予測してもよい。
[1-2. Demand forecast according to time)
Further, the
また、情報処理装置１００は、位置と時間との組み合わせごとにクエリを収集し、各組み合わせに対応するクエリごとにスコアを算出してもよい。例えば、情報処理装置１００は、エリアと時間帯（朝、昼、夜等）との組み合わせごとにクエリを収集し、各組み合わせにおけるクエリに対応する対象ごとにスコアを算出してもよい。例えば、情報処理装置１００は、Ａエリア、Ｂエリア等と、第１時間帯（４−１２時）、第２時間帯（１２−２０時）、第３時間帯（２０−４時）等との組み合わせごとにクエリを収集し、各組み合わせにおけるクエリに対応する対象ごとにスコアを算出してもよい。
Further, the
例えば、情報処理装置１００は、検索時の位置と検索時の時間帯またはクエリに含まれる時間を示す文字列等とに基づいて、クエリを組み合わせごとに収集し、各組み合わせにおけるクエリに対応する対象ごとにスコアを算出してもよい。例えば、情報処理装置１００は、Ｂエリアと昼の時間帯との組合せにおける対象「塩ラーメン」のスコアが所定の閾値以上である場合、Ｂエリアにおける昼の時間帯に塩ラーメンの需要が高いとして、その情報を提供してもよい。例えば、情報処理装置１００は、Ｂエリアにおける昼の時間帯に塩ラーメンの需要が高いことを示す情報を、Ｂエリアにおいて夜の時間帯のみが営業時間である居酒屋の事業者（事業者ＡＢ）に提供してもよい。これにより、事業者ＡＢは、昼の時間帯における営業を行うかどうかや、どのような商品を提供するかを適切に判断することができる。
For example, the
また、情報処理装置１００は、検索された時間に応じて重みを変動させてスコアを生成してもよい。例えば、情報処理装置１００は、食事の時間帯に食品等に関するクエリを用いた検索がされた場合、その検索の重みを大きくしてスコアを生成してもよい。例えば、情報処理装置１００は、１２−１３時等の間にクエリ「塩ラーメン」を用いて検索された場合、その検索の重みを、他の時間帯（例えば７−９時等）におけるクエリ「塩ラーメン」を用いた検索の重みよりも重くしてもよい。例えば、情報処理装置１００は、１２−１３時等の間にクエリ「塩ラーメン」を用いた検索の重みをスコア「１．５」と大きくし、他の時間帯（例えば７−９時等）におけるクエリ「塩ラーメン」を用いた検索の重みを「０．５」と小さくしてもよい。
Further, the
例えば、情報処理装置１００は、所定の対象を提供する店舗の営業時間内に検索された場合、その検索の重みを大きくしてスコアを生成してもよい。例えば、情報処理装置１００は、所定の対象を提供する店舗の営業時間外に検索された場合、その検索の重みを小さくしてスコアを生成してもよい。
For example, when a search is performed during business hours of a store that provides a predetermined target, the
〔１−３．提供態様〕
また、例えば、情報処理装置１００は、情報提供先となる事業者の事業規模（売上等）に応じて、情報の提供態様を変動させてもよい。例えば、情報処理装置１００は、事業者の事業規模（売上等）が所定の閾値未満である場合、情報提供を行うごとに課金を行ってもよい。また、例えば、情報処理装置１００は、事業者の事業規模（売上等）が所定の閾値以上である場合、定額制により情報提供を行ってもよい。例えば、情報処理装置１００は、事業者の事業規模（売上等）が所定の閾値以上である場合、所定の期間ごとに設定される課金額を課金し、その所定の期間内に情報提供を行ってもよい。また、例えば、情報処理装置１００は、情報提供先となる事業者の事業規模（売上等）に応じて、課金額を変動させてもよい。例えば、情報処理装置１００は、事業者の事業規模（売上等）が所定の閾値未満である場合、事業規模が所定の閾値以上の事業者に情報提供する場合と比べて、同様の情報提供における課金額を低くしてもよい。
[1-3. Provision mode)
Further, for example, the
また、情報処理装置１００は、種々の態様によって事業者に情報提供を行ってもよい。また、情報処理装置１００は、事業者からの要求に応じて、事業者装置２０に情報提供を行う場合に限らず、例えば、事業者からの対象の事前登録を受付けてもよい。この場合、情報処理装置１００は、事業者が事前登録した対象に関する需要が所定の条件を満たす場合に、その事業者にその対象の需要に関する情報を提供してもよい。例えば、情報処理装置１００は、事業者が事前登録した対象に関する需要が直近の実績（売上等）から大きく変化した場合に、その事業者にアラートを通知してもよい。
Further, the
〔１−４．情報の利用〕
なお、図１の例では、説明を簡単にするために、クエリが対象を示す文字列に一致する場合を一例として示したが、情報処理装置１００は、意味的に近い単語に関するクエリの情報も加味して需要の予測を行ってもよい。例えば、情報処理装置１００は、上記に限らず、上位語、下位語、類義語等を示すコーパスや、ｗｏｒｄ２ｖｅｃのようなアルゴリズムからの分散表現などを利用し、意味的に近い単語に関するクエリの情報も加味して需要の予測を行ってもよい。
[1-4. Use of information)
Note that, in the example of FIG. 1, for simplicity of explanation, a case in which the query matches the character string indicating the target is shown as an example. The demand may be predicted in consideration of the demand. For example, the
例えば、情報処理装置１００は、需要を予測する対象と概念的な類似関係がある単語（文字列）に関するクエリの情報も加味して需要の予測を行ってもよい。例えば、情報処理装置１００は、需要を予測する対象に対して上位概念の関係にある単語（文字列）に関するクエリの情報も加味して需要の予測を行ってもよい。図１の例では、情報処理装置１００は、「ラーメン」や「さっぱり系ラーメン」等の対象「塩ラーメン」の上位概念に対応する単語（文字列）に関するクエリの情報も加味して需要の予測を行ってもよい。
For example, the
例えば、情報処理装置１００は、需要を予測する対象に対して下位概念の関係にある単語（文字列）に関するクエリの情報も加味して需要の予測を行ってもよい。図１の例では、情報処理装置１００は、塩ラーメン店の具体的店名「ラーメン屋Ｘ」等の対象「塩ラーメン」の下位概念に対応する単語（文字列）に関するクエリの情報も加味して需要の予測を行ってもよい。
For example, the
例えば、情報処理装置１００は、需要を予測する対象を示す単語（文字列）の類義語となる単語（文字列）に関するクエリの情報も加味して需要の予測を行ってもよい。図１の例では、情報処理装置１００は、「中華そば」や「とんこつラーメン」等の対象「塩ラーメン」の類義語に対応する単語（文字列）に関するクエリの情報も加味して需要の予測を行ってもよい。
For example, the
〔１−５．関連商品の需要〕
なお、情報処理装置１００は、クエリに対応する対象であれば、クエリが示す対象に限らず、種々の対象に関する需要を予測してもよい。例えば、情報処理装置１００は、クエリと位置情報とに基づいて、クエリが示す商品に関連する関連商品であって、位置情報に対応するエリアにおける関連商品に関する需要を予測する。
[1-5. Demand for related products)
Note that the
例えば、情報処理装置１００は、クエリ「スマホ」を用いた検索情報に基づいて、商品「スマホ」に関連する商品（関連商品）「スマホ」に関する需要を予測してもよい。例えば、情報処理装置１００は、例えば検索時の位置情報が海Ａ付近であり、その検索における検索クエリには「スマホ 水没」「スマホ 起動しなくなった」等が多数（例えば１万や全体の数％等）含まれる検索情報を取得するものとする。例えば、情報処理装置１００は、例えば検索時の位置情報が海Ｂ付近である場合、その検索における検索クエリには「スマホ 水没」「スマホ 起動しなくなった」等がほとんど無い（例えば０または数件等）検索情報を取得するものとする。
For example, the
この場合、例えば、海Ａの近くで水没してしまったなど、海Ａの近くではスマホが故障しやすいということが予測される。例えば、海Ａの近くは、景色が綺麗で写真スポットだが、足元が悪く水没のケースが多いということが予測される。そのため、情報処理装置１００は、例えば、海Ａの付近では、スマホの防水ケース等のスマホの関連商品の需要が増大すると予測することができる。この場合、情報処理装置１００は、例えば、海Ａの付近で、スマホ防水ケースを販売することや、スマホの水没時に乾かすドライヤーを貸し出すなど等のサービスを行うことを事業者に提案してもよい。これにより、情報処理装置１００は、海Ａ付近におけるスマホの故障の予防や回復に貢献することができる。このように、情報処理装置１００は、商品の状態などに関する検索クエリを用いて、その商品の故障等を予防したり回復したりするための付随的な商品（関連商品）の需要を予測してもよい。情報処理装置１００は、クエリが示す対象自体ではなく、その対象に関連する対象の需要、すなわち間接的な需要を予測してもよい。
In this case, it is predicted that the smartphone is likely to break down near the sea A, for example, when the smartphone is submerged near the sea A. For example, it is expected that near the sea A, the scenery is beautiful and a photographic spot, but the feet are poor and there are many cases of being submerged. Therefore, the
〔２．情報処理装置の構成〕
次に、図３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３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３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。
[2. Configuration of information processing device]
Next, the configuration of the
（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、例えば情報処理システム１に含まれる端末装置１０や事業者装置２０との間で情報の送受信を行う。
(Communication unit 110)
The
（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３に示すように、事業者情報記憶部１２１と、ユーザ情報記憶部１２２と、行動情報記憶部１２３と、強度情報記憶部１２４と、需要情報記憶部１２５とを有する。
(Storage unit 120)
The storage unit 120 is realized by, for example, a semiconductor memory element such as a random access memory (RAM) or a flash memory, or a storage device such as a hard disk or an optical disk. As illustrated in FIG. 3, the storage unit 120 according to the embodiment includes a company
（事業者情報記憶部１２１）
実施形態に係る事業者情報記憶部１２１は、事業者に関する各種情報を記憶する。図４は、実施形態に係る事業者情報記憶部の一例を示す図である。図４に示す事業者情報記憶部１２１は、「事業者ＩＤ」、「事業者」、「業種」、「所在地」、「提供物」といった項目が含まれる。
(Business information storage unit 121)
The company
「事業者ＩＤ」は、事業者を識別するための識別情報を示す。「事業者」は、対応する事業者ＩＤにより識別される事業者を示す。例えば、「事業者」は、対応する事業者ＩＤにより識別される事業者の名称を示す。「業種」は、対応する事業者ＩＤにより識別される事業者の業種を示す。「所在地」は、対応する事業者ＩＤにより識別される事業者の所在地を示す。「提供物」は、対応する事業者ＩＤにより識別される事業者により提供される商品やサービスを示す。 “Business ID” indicates identification information for identifying a business. “Business” indicates a business identified by the corresponding business ID. For example, “operator” indicates the name of the operator identified by the corresponding operator ID. “Business type” indicates the business type of the business identified by the corresponding business ID. “Location” indicates the location of the business identified by the corresponding business ID. “Offer” indicates a product or service provided by a business identified by a corresponding business ID.
例えば、図４に示す例において、事業者ＩＤ「ＥＰ１」により識別される事業者（事業者ＥＰ１）は、事業者が「ラーメン店ＭＡ」であり、業種が「飲食」であることを示す。また、ラーメン店ＭＡの所在地は、Ａエリア内の位置ＬＣ１０であることを示す。なお、図４の例では位置を「ＬＣ１０」等の抽象的な符号で図示するが、位置情報は、具体的な緯度経度情報等であってもよい。また、ラーメン店ＭＡが提供する商品は、「しょうゆラーメンＲＭ」であることを示す。 For example, in the example illustrated in FIG. 4, the company identified by the company ID “EP1” (company EP1) indicates that the company is “Ramen shop MA” and the business type is “Food and drink”. The location of the ramen shop MA indicates that the location is the location LC10 in the area A. Although the position is illustrated by an abstract code such as “LC10” in the example of FIG. 4, the position information may be specific latitude / longitude information or the like. In addition, the product provided by the ramen shop MA indicates that it is “Soy sauce ramen RM”.
なお、事業者情報記憶部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、事業者情報記憶部１２１は、事業者の従業員数や売上高等の事業規模に関する情報を記憶してもよい。
The business
（ユーザ情報記憶部１２２）
実施形態に係るユーザ情報記憶部１２２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１２２は、ユーザ属性情報等の種々の情報を記憶する。図５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５に示すユーザ情報記憶部１２２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。
(User information storage unit 122)
The user
「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１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。 “User ID” indicates identification information for identifying a user. For example, the user identified by the user ID “U1” corresponds to the user U1 shown in the example of FIG. “Age” indicates the age of the user identified by the user ID. The “age” may be a specific age of the user identified by the user ID, for example, 35 years old. “Gender” indicates the gender of the user identified by the user ID.
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５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、緯度経度情報等であってもよい。また、例えば、「自宅」は、地域名や住所であってもよい。 “Home” indicates the location information of the home of the user identified by the user ID. In the example shown in FIG. 5, “home” indicates an abstract code such as “LC11”, but may be latitude / longitude information or the like. Further, for example, “home” may be an area name or an address.
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５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、緯度経度情報等であってもよい。また、例えば、「勤務地」は、地域名や住所であってもよい。 “Work location” indicates the location information of the work location of the user identified by the user ID. In the example illustrated in FIG. 5, “work place” indicates an abstract code such as “LC12”, but may be latitude / longitude information or the like. Further, for example, the “work location” may be an area name or an address.
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５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。 “Interest” indicates the interest of the user identified by the user ID. That is, “interest” indicates an object of high interest to the user identified by the user ID. In the example illustrated in FIG. 5, “interest” is illustrated for each user one by one, but may be plural.
例えば、図５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。 For example, in the example illustrated in FIG. 5, the age of the user identified by the user ID “U1” is “20s”, and the gender is “male”. Further, for example, the user identified by the user ID “U1” indicates that the home is “LC11”. Further, for example, the user identified by the user ID “U1” indicates that the work location is “LC12”. Further, for example, the user identified by the user ID “U1” indicates that he is interested in “sports”.
なお、ユーザ情報記憶部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、ユーザ情報記憶部１２２は、ユーザのデモグラフィック属性に関する情報やサイコグラフィック属性に関する情報を記憶してもよい。例えば、ユーザ情報記憶部１２２は、氏名、家族構成、収入、興味、ライフスタイル等の情報を記憶してもよい。
The user
（行動情報記憶部１２３）
実施形態に係る行動情報記憶部１２３は、ユーザの行動に関する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１２３は、各ユーザの端末装置１０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１２３には、「行動ＩＤ」、「ユーザＩＤ」、「位置」、「日時」、「クエリ情報」といった項目が含まれる。また、「クエリ情報」には、「クエリ１」、「クエリ２」等といった項目が含まれる。なお、図６の例では、説明を簡単にするためにユーザの検索行動に関する情報のみを図示するが、行動情報記憶部１２３には、ユーザの種々の行動に関する情報が記憶される。例えば、行動情報記憶部１２３には、ユーザの入力に関する情報やユーザの購買行動に関する情報やユーザのコンテンツ閲覧に関する情報などの種々の情報が記憶される。
(Behavior information storage unit 123)
The behavior
また、「行動ＩＤ」は、ユーザの行動を識別する情報を示す。「ユーザＩＤ」は、ユーザを識別するための識別情報を示す。例えば、ユーザＩＤ「Ｕ１」により識別されるユーザは、図１の例に示したユーザＵ１に対応する。 “Action ID” indicates information for identifying the action of the user. “User ID” indicates identification information for identifying a user. For example, the user identified by the user ID “U1” corresponds to the user U1 shown in the example of FIG.
また、「位置」は、対応する行動が行われた位置を示す。例えば、「位置」は、対応するクエリによる検索時のユーザの位置を示す。なお、図６の例では位置を「ＬＣ１」等の抽象的な符号で図示するが、位置情報は、具体的な緯度経度情報等であってもよい。 “Position” indicates a position where the corresponding action is performed. For example, “position” indicates the position of the user at the time of the search by the corresponding query. Although the position is illustrated by an abstract code such as “LC1” in the example of FIG. 6, the position information may be specific latitude / longitude information or the like.
また、「日時」は、対応するユーザの行動が行われた日時を示す。「日時」には、「ＤＴ１」等のように抽象的に図示するが、「２０１７年７月２５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、「クエリ情報」は、対応する検索において用いられたクエリに関する情報を示す。「クエリ１」や「クエリ２」は、対応する検索において用いられたクエリを示す。例えば、「クエリ１」は、第１クエリに対応し、「クエリ２」は、第２クエリに対応する。
The “date and time” indicates the date and time when the corresponding user action was performed. Although the "date and time" is illustrated in an abstract manner such as "DT1", a specific date and time such as "July 25, 2017, 22:46:58" may be stored. “Query information” indicates information on the query used in the corresponding search. “
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（ユーザＵ１）は、位置ＬＣ１において行動ＡＣ１１を行ったことを示す。具体的には、図６に示す例においてユーザＵ１は、第１クエリ「塩ラーメン」のみを用いた検索（行動ＡＣ１１）を日時ＤＴ１に行ったことを示す。また、例えば、図６に示す例において、ユーザＩＤ「Ｕ２」により識別されるユーザ（ユーザＵ２）は、位置ＬＣ２において行動ＡＣ１２を行ったことを示す。具体的には、図６に示す例においてユーザＵ２は、第１クエリ「スマホＳＨ」と第２クエリ「赤」とを用いた検索（行動ＡＣ１２）を日時ＤＴ２に行ったことを示す。 For example, in the example illustrated in FIG. 6, the user (user U1) identified by the user ID “U1” indicates that the user performed the action AC11 at the position LC1. Specifically, in the example illustrated in FIG. 6, the user U1 has performed a search (action AC11) using only the first query “salt ramen” on the date and time DT1. Further, for example, in the example illustrated in FIG. 6, the user (user U2) identified by the user ID “U2” indicates that the user has performed the action AC12 at the position LC2. Specifically, in the example illustrated in FIG. 6, the user U2 has performed a search (action AC12) using the first query “smartphone SH” and the second query “red” on the date and time DT2.
なお、行動情報記憶部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６では、ユーザＩＤごとに行動情報が行動情報記憶部１２３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。
The behavior
（強度情報記憶部１２４）
実施形態に係る強度情報記憶部１２４は、ユーザの需要の強度（度合い）に関する各種情報を記憶する。例えば、強度情報記憶部１２４は、関連行動時におけるユーザの対象に対する需要の強度（度合い）に関連する強度情報を記憶する。図７の例では、強度情報記憶部１２４は、説明を簡単にするためにユーザの需要の強度（度合い）を予測するために用いる情報（強度予測用情報）として、センサ情報のみを図示するが、強度情報記憶部１２４には、ユーザの需要の強度の予測に利用可能な情報であればどのような情報が記憶されてもよい。例えば、強度情報記憶部１２４には、ユーザの関連行動時から所定の期間内のユーザの行動情報などの種々の情報が記憶されてもよい。図５は、実施形態に係る強度情報記憶部の一例を示す図である。図５に示す強度情報記憶部１２４は、「ユーザＩＤ」、「強度情報」といった項目が含まれる。「強度情報」には、「日時」、「種別」、「センサ情報」、「予測強度」といった項目が含まれる。
(Intensity information storage unit 124)
The strength
「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１の例に示したユーザＵ１に対応する。また、「強度情報」は、ユーザＩＤにより識別されるユーザについて検知されたセンサ情報に関する種々の情報を示す。「強度情報」の「日時」は、対応するセンサ情報が検知された日時を示す。「日時」には、「ＤＴ１」等のように抽象的に図示するが、「２０１８年６月１２日１１時２３分４９秒」等の具体的な日時が記憶されてもよい。「強度情報」の「種別」は、対応するセンサ情報の種別を示す。 “User ID” indicates identification information for identifying a user. For example, the user identified by the user ID “U1” corresponds to the user U1 shown in the example of FIG. Further, “strength information” indicates various types of information regarding sensor information detected for the user identified by the user ID. “Date and time” of “strength information” indicates the date and time when the corresponding sensor information was detected. Although the "date and time" is illustrated in an abstract manner such as "DT1", a specific date and time such as "11:23:49 on June 12, 2018" may be stored. The “type” of the “intensity information” indicates the type of the corresponding sensor information.
「強度情報」の「センサ情報」は、検知されたセンサ情報を示す。図７では「センサ情報」に「ＳＮ１」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、具体的に検知された情報（センサデータ）、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てもよい。 “Sensor information” of “intensity information” indicates detected sensor information. FIG. 7 shows an example in which conceptual information such as “SN1” is stored in “sensor information”. However, actually, information (sensor data) that is specifically detected or a file indicating the storage location A path name or the like may be stored.
「強度情報」の「予測強度」は、センサ情報等の情報から予測されるユーザの需要の強度を示す。図７では「予測強度」に「ＩＬＶ１」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、予測した強度を示すレベルや具体的な数値などが格納されてもよい。例えば、「予測強度」には、括弧内に示すように「強度中」や「強度低」などの強度のレベルを示す情報が記憶されてもよい。 “Predicted intensity” of “intensity information” indicates the intensity of user demand predicted from information such as sensor information. Although FIG. 7 shows an example in which conceptual information such as “ILV1” is stored in “predicted intensity”, in practice, a level indicating predicted intensity, a specific numerical value, or the like may be stored. For example, as the “predicted intensity”, information indicating an intensity level such as “medium intensity” or “low intensity” may be stored as shown in parentheses.
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（ユーザＵ１）については、種別「画像」に対応するセンサ情報ＳＮ１が日時ＤＴ１−１に検知されたことを示す。例えば、日時ＤＴ１−１は、日時ＤＴ１から所定の期間内の期間であるものとする。また、ユーザＵ１については、センサ情報ＳＮ１により予測される需要の強度が強度ＩＬＶ１（強度中）であることを示す。すなわち、ユーザＵ１については、日時ＤＴ１に入力したクエリに対応する対象「塩ラーメン」への需要の強度が「中レベル」であることを示す。 In the example shown in FIG. 7, for the user (user U1) identified by the user ID "U1", it indicates that the sensor information SN1 corresponding to the type "image" was detected at the date and time DT1-1. For example, the date and time DT1-1 is a period within a predetermined period from the date and time DT1. Further, for the user U1, it indicates that the intensity of demand predicted by the sensor information SN1 is the intensity ILV1 (medium intensity). That is, the user U1 indicates that the intensity of demand for the target “salt ramen” corresponding to the query input at the date and time DT1 is “medium level”.
図７に示す例において、ユーザＩＤ「Ｕ２」により識別されるユーザ（ユーザＵ２）については、種別「音声」に対応するセンサ情報ＳＮ２が日時ＤＴ２−１に検知されたことを示す。例えば、日時ＤＴ２−１は、日時ＤＴ２から所定の期間内の期間であるものとする。また、ユーザＵ１については、センサ情報ＳＮ２により予測される需要の強度が強度ＩＬＶ２（強度低）であることを示す。すなわち、ユーザＵ２については、日時ＤＴ２に入力したクエリに対応する対象「スマホＳＨ」への需要の強度が「低レベル」であることを示す。 In the example illustrated in FIG. 7, for the user (user U2) identified by the user ID “U2”, it indicates that the sensor information SN2 corresponding to the type “voice” was detected at the date and time DT2-1. For example, the date and time DT2-1 is a period within a predetermined period from the date and time DT2. Further, for the user U1, the demand intensity predicted by the sensor information SN2 indicates the intensity ILV2 (low intensity). That is, for the user U2, the intensity of demand for the target “smartphone SH” corresponding to the query input at the date and time DT2 is “low level”.
なお、強度情報記憶部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。例えば、強度情報記憶部１２４は、複数のセンサ情報に基づいて、強度を予測した場合、予測した強度と、予測に用いた複数のセンサ情報を対応付けて記憶してもよい。
The strength
（需要情報記憶部１２５）
実施形態に係る需要情報記憶部１２５は、需要に関する各種情報を記憶する。図８は、実施形態に係る需要情報記憶部の一例を示す図である。図８に示す需要情報記憶部１２５は、「対象」、「需要情報」、「検索者属性情報」といった項目を有する。
(Demand information storage unit 125)
The demand
「対象」は、需要情報を生成する対象を示す。「対象」は、特定の商品名やサービス名に限らず、商品やサービスのカテゴリ（飲料やファッションや旅行等）であってもよい。 The “target” indicates a target for generating demand information. The “target” is not limited to a specific product name or service name, but may be a product or service category (beverage, fashion, travel, etc.).
「需要情報」は、対応する対象に関する検索に用いられるクエリの需要情報を示す。「需要情報」には、「エリア」、「スコア」、「需要レベル」といった項目が含まれる。「エリア」は、予測対象となったエリアを示す。「スコア」は、対応するエリアにおける対象に関する需要の評価値となるスコアを示す。「需要レベル」は、対応するエリアにおける対象に関する需要レベルを示す。 “Demand information” indicates demand information of a query used for a search for a corresponding target. The “demand information” includes items such as “area”, “score”, and “demand level”. “Area” indicates an area that is a prediction target. “Score” indicates a score that is an evaluation value of demand for an object in the corresponding area. The “demand level” indicates a demand level related to an object in the corresponding area.
「検索者属性情報」は、対応する対象に関する検索を行う検索者（ユーザ）の属性の需要情報を示す。「検索者属性情報」には、「カテゴリ」や「属性」や「割合」といった項目が含まれる。「カテゴリ」は、ユーザを分類するカテゴリを示す。「属性」は、対応するカテゴリにおける種別（属性）を示す。また、「割合」は、対応する属性のユーザが、対応する対象に対応するキーワードを用いた検索を行う割合を示す。 The “searcher attribute information” indicates demand information of an attribute of a searcher (user) who searches for a corresponding target. The “searcher attribute information” includes items such as “category”, “attribute”, and “ratio”. “Category” indicates a category for classifying users. “Attribute” indicates a type (attribute) in the corresponding category. The “ratio” indicates a ratio at which a user having a corresponding attribute performs a search using a keyword corresponding to a corresponding target.
例えば、図８に示す例において、需要を予測する対象は、塩ラーメンであることを示す。また、対象「塩ラーメン」について、Ａエリアにおける需要のスコアが「１５０００」であることを示す。また、Ａエリアにおける塩ラーメンの需要レベルは、「高」であることを示す。 For example, in the example shown in FIG. 8, the target for which demand is predicted indicates that salt ramen is used. In addition, it indicates that the demand score in the area A is “15000” for the target “salt ramen”. In addition, the demand level of the salt ramen in the area A indicates “high”.
また、図８の例では、Ａエリアにおいて対象「塩ラーメン」を検索するユーザのうち、男性が「２０％」であり、女性が「８０％」であることを示す。また、図８の例では、Ａエリアにおいて対象「塩ラーメン」を検索するユーザのうち、１０代が「６５％」等であることを示す。 Also, the example of FIG. 8 indicates that among the users who search for the target “salt ramen” in the area A, the male is “20%” and the female is “80%”. Further, the example of FIG. 8 indicates that among the users searching for the target “salt ramen” in the area A, the teens are “65%” or the like.
また、需要情報記憶部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。例えば、需要情報記憶部１２５は、需要が発生した日時に関する情報を記憶してもよい。例えば、需要情報記憶部１２５は、需要情報が生成された日時や生成に用いた情報が収集された期間に関する情報を記憶してもよい。
Further, the demand
（制御部１３０）
図３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（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。
(Control unit 130)
Returning to the description of FIG. 3, the control unit 130 is a controller, and is stored in a storage device inside the
図３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。 As illustrated in FIG. 3, the control unit 130 includes an acquisition unit 131, a generation unit 132, a prediction unit 133, and a provision unit 134, and implements or executes information processing functions and operations described below. .
（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、事業者情報記憶部１２１やユーザ情報記憶部１２２や行動情報記憶部１２３や強度情報記憶部１２４や需要情報記憶部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、端末装置１０や事業者装置２０から各種情報を取得する。取得部１３１は、ユーザが検索に用いたクエリと、クエリによる検索時のユーザの位置情報とを取得する。取得部１３１は、ユーザの検索時から所定の期間内におけるセンサ情報を取得する。
(Acquisition unit 131)
The acquisition unit 131 acquires various information. The acquisition unit 131 acquires various information from the storage unit 120. The acquisition unit 131 acquires various types of information from the company
取得部１３１は、ユーザによる対象に関連する関連行動を示す行動情報と、関連行動時におけるユーザの対象に対する需要の度合いに関連する強度情報とを取得する。取得部１３１は、センサにより検知されるセンサ情報を含む強度情報を取得する。取得部１３１は、関連行動時におけるユーザの状態を示すユーザ情報を含む強度情報を取得する。 The acquisition unit 131 acquires behavior information indicating a related action related to the target by the user, and strength information related to a degree of demand for the user at the time of the related action. The acquisition unit 131 acquires intensity information including sensor information detected by the sensor. The obtaining unit 131 obtains intensity information including user information indicating a state of the user at the time of the related action.
取得部１３１は、関連行動時におけるユーザの位置情報を取得する。予測部１３３は、位置情報に対応するエリアにおける需要レベルを予測する。取得部１３１は、対象に関してユーザが入力した入力情報を含む行動情報を取得する。取得部１３１は、対象に関してユーザが行った検索行動を示す検索情報を含む行動情報を取得する。取得部１３１は、ユーザが入力した対象に関連するクエリを含む行動情報を取得する。取得部１３１は、ユーザが入力した対象に対する需要の度合いに関連する入力情報を含む強度情報を取得する。 The acquisition unit 131 acquires the user's position information at the time of the related action. The prediction unit 133 predicts a demand level in an area corresponding to the position information. The acquisition unit 131 acquires behavior information including input information input by the user regarding the target. The acquisition unit 131 acquires action information including search information indicating a search action performed by the user on the target. The acquiring unit 131 acquires behavior information including a query related to a target input by the user. The obtaining unit 131 obtains intensity information including input information related to the degree of demand for a target input by the user.
図１の例では、取得部１３１は、ユーザＵ１が利用する端末装置１０−１からクエリと位置情報とを取得する。例えば、取得部１３１は、日時ＤＴ１において、端末装置１０−１からクエリ「塩ラーメン」と位置情報ＬＣ１とを取得する。例えば、取得部１３１は、ユーザＵ２が利用する端末装置１０−２からクエリと位置情報とを取得する。例えば、取得部１３１は、日時ＤＴ２において、端末装置１０−２からクエリ「スマホＳＨ 赤」と位置情報ＬＣ２とを取得する。例えば、取得部１３１は、ユーザＵ３が利用する端末装置１０−３からクエリと位置情報とを取得する。例えば、取得部１３１は、日時ＤＴ３において、端末装置１０−３からクエリ「塩ラーメン Ａエリア」と位置情報ＬＣ３とを取得する。 In the example of FIG. 1, the acquisition unit 131 acquires a query and position information from the terminal device 10-1 used by the user U1. For example, the acquisition unit 131 acquires the query “salt ramen” and the position information LC1 from the terminal device 10-1 at the date and time DT1. For example, the acquisition unit 131 acquires a query and location information from the terminal device 10-2 used by the user U2. For example, the acquisition unit 131 acquires the query “smartphone SH red” and the position information LC2 from the terminal device 10-2 at the date and time DT2. For example, the acquisition unit 131 acquires a query and position information from the terminal device 10-3 used by the user U3. For example, the acquisition unit 131 acquires the query “Salt ramen A area” and the position information LC3 from the terminal device 10-3 at the date and time DT3.
また、例えば、取得部１３１は、ユーザＵ４が利用する端末装置１０−４からクエリと位置情報とを取得する。例えば、取得部１３１は、日時ＤＴ４において、端末装置１０−４からクエリ「天気」と位置情報ＬＣ４とを取得する。例えば、取得部１３１は、ユーザＵ５が利用する端末装置１０−５からクエリと位置情報とを取得する。例えば、取得部１３１は、日時ＤＴ５において、端末装置１０−５からクエリ「スマホＳＨ 高い」と位置情報ＬＣ５とを取得する。例えば、取得部１３１は、ユーザＵ１〜Ｕ５に限らず、多数のユーザ（例えば、１００万ユーザや１０００万ユーザ等）が検索に用いたクエリを取得する。 Further, for example, the acquisition unit 131 acquires the query and the location information from the terminal device 10-4 used by the user U4. For example, the acquisition unit 131 acquires the query “weather” and the position information LC4 from the terminal device 10-4 at the date and time DT4. For example, the acquisition unit 131 acquires a query and position information from the terminal device 10-5 used by the user U5. For example, the acquisition unit 131 acquires the query “smartphone SH is high” and the position information LC5 from the terminal device 10-5 at the date and time DT5. For example, the obtaining unit 131 obtains a query that is not limited to the users U1 to U5 but is used by a large number of users (for example, 1 million users and 10 million users) for search.
図１の例では、取得部１３１は、日時ＤＴ１−１において、所定のセンサにより検知されたユーザＵ１の画像情報であるセンサ情報ＳＮ１を端末装置１０−１から取得する。取得部１３１は、日時ＤＴ２−１において、所定のセンサにより検知されたユーザＵ２の音声情報であるセンサ情報ＳＮ２を端末装置１０−２から取得する。取得部１３１は、日時ＤＴ３−１において、所定のセンサにより検知されたユーザＵ３の生体情報であるセンサ情報ＳＮ３を端末装置１０−３から取得する。取得部１３１は、日時ＤＴ４−１において、所定のセンサにより検知されたユーザＵ４の音声情報であるセンサ情報ＳＮ４を端末装置１０−４から取得する。 In the example of FIG. 1, the acquisition unit 131 acquires, from the terminal device 10-1, sensor information SN1 that is image information of the user U1 detected by a predetermined sensor at the date and time DT1-1. The acquisition unit 131 acquires, at the date and time DT2-1, the sensor information SN2 which is the voice information of the user U2 detected by the predetermined sensor from the terminal device 10-2. The acquisition unit 131 acquires, from the terminal device 10-3, the sensor information SN3 that is the biological information of the user U3 detected by the predetermined sensor at the date and time DT3-1. The acquisition unit 131 acquires, at the date and time DT4-1, the sensor information SN4 that is the voice information of the user U4 detected by the predetermined sensor from the terminal device 10-4.
取得部１３１は、各種情報を外部の情報処理装置から取得する。例えば、取得部１３１は、行動情報記憶部１２３からユーザが検索に用いたクエリを取得する。取得部１３１は、端末装置１０からユーザが検索に用いるクエリを取得する。
The acquisition unit 131 acquires various types of information from an external information processing device. For example, the acquisition unit 131 acquires a query used by the user for a search from the behavior
（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、事業者情報記憶部１２１やユーザ情報記憶部１２２や行動情報記憶部１２３や強度情報記憶部１２４や需要情報記憶部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、端末装置１０や事業者装置２０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、生成部１３２により生成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、対象と位置に関する情報（エリア）との組み合わせ毎にスコアを生成（算出）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。
(Generation unit 132)
The generation unit 132 generates various information. The generation unit 132 generates various information based on the information stored in the storage unit 120. The generation unit 132 generates various types of information based on information stored in the company
図１の例では、生成部１３２は、対象に関するスコアを生成する。例えば、生成部１３２は、関連行動に対応する対象に関する需要レベルを示すスコアを生成（算出）する。例えば、生成部１３２は、関連行動に対応する対象について、複数のエリアごとのスコアを生成（算出）する。図１の例では、生成部１３２は、対象「塩ラーメン」について、Ａエリア〜Ｄエリア等の複数のエリアごとのスコアを生成する。例えば、生成部１３２は、対象「塩ラーメン」について、各エリアにおける検索の回数と、各検索時におけるユーザの強度情報を用いてスコアを生成する。例えば、生成部１３２は、対象「塩ラーメン」について、検索の回数と、各検索時におけるユーザの需要の強度に基づく値（強度スコア）の平均とを乗算することにより、スコアを生成してもよい。また、生成部１３２は、対象「塩ラーメン」について、各検索に対応する強度スコアを合算することにより、スコアを生成してもよい。生成部１３２は、対象「塩ラーメン」について、各エリアにおける各検索に対応する強度スコアを合算することにより、各エリアに対応するスコアを生成してもよい。 In the example of FIG. 1, the generating unit 132 generates a score for the target. For example, the generation unit 132 generates (calculates) a score indicating a demand level for a target corresponding to the related action. For example, the generation unit 132 generates (calculates) a score for each of a plurality of areas for a target corresponding to a related action. In the example of FIG. 1, the generation unit 132 generates scores for a plurality of areas such as the A area to the D area for the target “salt ramen”. For example, the generation unit 132 generates a score for the target “salt ramen” using the number of searches in each area and the strength information of the user at each search. For example, the generation unit 132 may generate a score for the target “salt ramen” by multiplying the number of searches by an average value (intensity score) based on the intensity of the demand of the user at each search. Good. In addition, the generation unit 132 may generate a score for the target “salt ramen” by adding up the intensity scores corresponding to each search. The generation unit 132 may generate a score corresponding to each area by adding the strength scores corresponding to each search in each area for the target “salt ramen”.
生成部１３２は、予測強度が「高」である場合の強度スコアを「５」とし、予測強度が「中」である場合の強度スコアを「１」とし、予測強度が「低」である場合の強度スコアを「０．１」として、スコアを生成する。例えば、生成部１３２は、対象「塩ラーメン」について、予測強度「高」である検索が「１０」回であり、予測強度「中」である検索が「１００」回であり、予測強度「低」である検索が「１０」回である場合、スコアを「１５１（＝５＊１０＋１＊１００＋０．１＊１０）」と算出する。 The generating unit 132 sets the strength score when the predicted strength is “high” to “5”, sets the strength score when the predicted strength is “medium” to “1”, and when the predicted strength is “low”. Is set as “0.1”, and a score is generated. For example, for the target “salt ramen”, the generation unit 132 determines that the search with the predicted strength “high” is “10” times, the search with the predicted strength “medium” is “100” times, and the predicted strength is “low”. In the case where “10” searches are performed, the score is calculated as “151 (= 5 * 10 + 1 * 100 + 0.1 * 10)”.
図１の例では、生成部１３２は、エリア別一覧ＡＬＴ１に示すように、対象「塩ラーメン」について、Ａエリア〜Ｄエリア等の複数のエリアごとのスコアを生成する。例えば、生成部１３２は、Ａエリアにおける対象「塩ラーメン」のスコアを「１５０００」と算出する。例えば、生成部１３２は、Ｂエリアにおける対象「塩ラーメン」のスコアを「２０」と算出する。例えば、生成部１３２は、Ｃエリアにおける対象「塩ラーメン」のスコアを「８００」と算出する。例えば、生成部１３２は、Ｄエリアにおける対象「塩ラーメン」のスコアを「２００」と算出する。 In the example of FIG. 1, as illustrated in the area-specific list ALT1, the generation unit 132 generates scores for a plurality of areas such as the A area to the D area for the target “salt ramen”. For example, the generation unit 132 calculates the score of the target “salt ramen” in the area A as “15000”. For example, the generation unit 132 calculates the score of the target “salt ramen” in the B area as “20”. For example, the generation unit 132 calculates the score of the target “salt ramen” in the area C as “800”. For example, the generation unit 132 calculates the score of the target “salt ramen” in the D area as “200”.
生成部１３２は、所定の対象に関するスコアを生成する。例えば、生成部１３２は、所定の対象について、複数のエリアごとのスコアを生成（算出）する。例えば、生成部１３２は、対象「塩ラーメン」について、Ａエリア〜Ｄエリア等の複数のエリアごとのスコアを生成する。例えば、生成部１３２は、対象「塩ラーメン」について、各エリアにおける検索回数を用いてスコアを生成する。例えば、生成部１３２は、検索が行われた位置や時間に基づいて各検索の重みを生成し、生成した各検索の重みを用いてスコアを生成する。 The generation unit 132 generates a score for a predetermined target. For example, the generation unit 132 generates (calculates) a score for each of a plurality of areas for a predetermined target. For example, the generation unit 132 generates scores for a plurality of areas such as the A area to the D area for the target “salt ramen”. For example, the generation unit 132 generates a score for the target “salt ramen” using the number of searches in each area. For example, the generation unit 132 generates a weight for each search based on the position and time at which the search was performed, and generates a score using the generated weight for each search.
（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、事業者情報記憶部１２１やユーザ情報記憶部１２２や行動情報記憶部１２３や強度情報記憶部１２４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、端末装置１０や事業者装置２０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。
(Prediction unit 133)
The prediction unit 133 predicts various information. The prediction unit 133 predicts various information based on the information stored in the storage unit 120. The prediction unit 133 predicts various types of information based on information stored in the company
予測部１３３は、取得部１３１により取得された行動情報と強度情報とに基づいて、対象に関する需要レベルを予測する。予測部１３３は、行動情報と強度情報とにより算出されるスコアに基づいて、需要レベルを予測する。予測部１３３は、関連行動の回数と強度情報とにより算出されるスコアに基づいて、需要レベルを予測する。予測部１３３は、関連行動が行われた時間に応じて変動する重みに基づいて、前記需要レベルを予測する。 The prediction unit 133 predicts the demand level of the target based on the behavior information and the strength information acquired by the acquisition unit 131. The prediction unit 133 predicts a demand level based on a score calculated based on the behavior information and the strength information. The prediction unit 133 predicts a demand level based on a score calculated based on the number of related actions and strength information. The prediction unit 133 predicts the demand level based on a weight that varies according to a time at which the related action is performed.
図１の例では、予測部１３３は、対象に関する関連行動時におけるユーザの対象に対する需要の強度を予測する。予測部１３３は、強度予測用情報を用いて、ユーザの対象に対する需要の強度を予測する。予測部１３３は、センサ情報を用いて、ユーザの対象に対する需要の強度を予測する。予測部１３３は、ユーザの関連行動から所定の期間内の強度予測用情報を用いて、関連行動時におけるユーザの対象に対する需要の強度を予測する。図１の例では、予測部１３３は、ユーザの関連行動から所定の期間内のセンサ情報を用いて、関連行動時におけるユーザの対象に対する需要の強度を予測する。 In the example of FIG. 1, the prediction unit 133 predicts the strength of demand of the user at the time of the related action on the target. The prediction unit 133 predicts the intensity of demand for the user's target using the information for intensity prediction. The prediction unit 133 predicts the strength of demand for the user using the sensor information. The prediction unit 133 predicts the strength of demand for the user at the time of the related action using the information for strength prediction within a predetermined period from the related action of the user. In the example of FIG. 1, the prediction unit 133 predicts the intensity of demand for the user at the time of the related action using the sensor information within a predetermined period from the related action of the user.
予測部１３３は、日時ＤＴ１におけるクエリ「塩ラーメン」を用いた検索行動であるユーザＵ１の関連行動におけるユーザＵ１の対象「塩ラーメン」に対する需要の強度を、日時ＤＴ１−１に検知されたユーザＵ１のセンサ情報ＳＮ１を用いて予測する。予測部１３３は、ユーザＵ１の空腹度合いを通常時と予測し、ユーザＵ１の対象「塩ラーメン」に対する需要の強度（予測強度）を強度ＩＬＶ１と予測する。具体的には、予測部１３３は、ユーザＵ１の空腹度合いが通常時であるため、強度情報記憶部１２４に示すように、ユーザＵ１の対象「塩ラーメン」に対する需要の強度を「中」と予測する。
The prediction unit 133 calculates the strength of demand for the target “salt ramen” of the user U1 in the related behavior of the user U1 as the search behavior using the query “salt ramen” at the date and time DT1 by the user U1 detected at the date and time DT1-1. Is predicted using the sensor information SN1. The prediction unit 133 predicts the degree of hunger of the user U1 as normal, and predicts the intensity (predicted intensity) of the demand for the target “salt ramen” of the user U1 as the intensity ILV1. Specifically, since the hunger degree of the user U1 is normal, the prediction unit 133 predicts the intensity of the demand for the target “salt ramen” of the user U1 as “medium” as shown in the intensity
また、予測部１３３は、日時ＤＴ２におけるクエリ「スマホＳＨ 赤」を用いた検索行動であるユーザＵ２の関連行動におけるユーザの対象「スマホＳＨ」に対する需要の強度を、日時ＤＴ２−１に検知されたユーザＵ２のセンサ情報ＳＮ２を用いて予測する。予測部１３３は、ユーザＵ２の対象「スマホＳＨ」に対する評価が、否定的な評価であると予測し、ユーザＵ２の対象「スマホＳＨ」に対する需要の強度（予測強度）を強度ＩＬＶ２と予測する。具体的には、予測部１３３は、ユーザＵ２が対象「スマホＳＨ」に対して否定的な評価であるため、強度情報記憶部１２４に示すように、ユーザＵ２の対象「スマホＳＨ」に対する需要の強度を「低」と予測する。
In addition, the prediction unit 133 detects, at the date and time DT2-1, the intensity of demand for the user's target “smartphone SH” in the related behavior of the user U2, which is a search behavior using the query “smartphone SH red” at the date and time DT2. The prediction is performed using the sensor information SN2 of the user U2. The prediction unit 133 predicts that the evaluation of the user U2 for the target “smartphone SH” is a negative evaluation, and predicts the intensity (predicted intensity) of the demand of the user U2 for the target “smartphone SH” as the intensity ILV2. Specifically, since the user U2 has a negative evaluation for the target “smartphone SH”, the prediction unit 133 determines the demand of the user U2 for the target “smartphone SH” as shown in the strength
予測部１３３は、日時ＤＴ３における「塩ラーメン Ａエリア」を用いた検索行動であるユーザＵ３の関連行動におけるユーザＵ３の対象「塩ラーメン」に対する需要の強度を、日時ＤＴ３−１に検知されたユーザＵ３のセンサ情報ＳＮ３を用いて予測する。予測部１３３は、ユーザＵ３の空腹度合いを空腹時と予測し、ユーザＵ３の対象「塩ラーメン」に対する需要の強度（予測強度）を強度ＩＬＶ３と予測する。具体的には、予測部１３３は、ユーザＵ３の空腹度合いが通常時であるため、強度情報記憶部１２４に示すように、ユーザＵ３の対象「塩ラーメン」に対する需要の強度を「高」と予測する。
The prediction unit 133 detects the intensity of demand for the target “salt ramen” of the user U3 in the related behavior of the user U3, which is a search action using the “salt ramen A area” at the date and time DT3, at the date and time DT3-1. The prediction is performed using the sensor information SN3 of U3. The prediction unit 133 predicts the degree of hunger of the user U3 as being hungry, and predicts the intensity (predicted intensity) of the demand for the target “salt ramen” of the user U3 as the intensity ILV3. Specifically, the prediction unit 133 predicts the intensity of the demand for the target “salt ramen” of the user U3 as “high” as shown in the intensity
図１の例では、予測部１３３は、生成したスコアに関する情報に基づいて、需要を予測する。予測部１３３は、需要一覧ＤＬＴ１に示すように、対象「塩ラーメン」について、Ａエリア〜Ｄエリア等の複数のエリアごとの需要を予測する。例えば、予測部１３３は、対象について、各エリアに対応するスコアと、所定の閾値との比較に基づいて、エリアごとの需要を予測する。予測部１３３は、第１閾値「１００００」と、第２閾値「７５０」とを用いて、エリアごとの需要を予測する。例えば、予測部１３３は、スコアが第１閾値以上であるエリアについては、その対象の需要が「高」であると予測する。例えば、予測部１３３は、スコアが第２閾値以上であるエリアについては、その対象の需要が「中」であると予測する。例えば、予測部１３３は、スコアが第２閾値未満であるエリアについては、その対象の需要が「低」であると予測する。 In the example of FIG. 1, the prediction unit 133 predicts demand based on the generated information on the score. As shown in the demand list DLT1, the prediction unit 133 predicts the demand for each of a plurality of areas such as the area A to the area D for the target “salt ramen”. For example, the prediction unit 133 predicts the demand for each area based on a comparison between a score corresponding to each area and a predetermined threshold value. The prediction unit 133 predicts the demand for each area using the first threshold “10000” and the second threshold “750”. For example, the prediction unit 133 predicts that, for an area whose score is equal to or larger than the first threshold, the demand of the target is “high”. For example, the prediction unit 133 predicts that, for an area whose score is equal to or larger than the second threshold, the demand of the target is “medium”. For example, the prediction unit 133 predicts that, for an area whose score is less than the second threshold, the target demand is “low”.
予測部１３３は、Ａエリアにおける対象「塩ラーメン」のスコアが「１５０００」であり、第１閾値以上であるため、Ａエリアにおける対象「塩ラーメン」の需要を「高」と予測する。また、予測部１３３は、Ｂエリアにおける対象「塩ラーメン」のスコアが「２０」であり、第１閾値未満、第２閾値以上であるため、Ｂエリアにおける対象「塩ラーメン」の需要を「低」と予測する。また、予測部１３３は、Ｃエリアにおける対象「塩ラーメン」のスコアが「８００」であり、第２閾値未満であるため、Ｃエリアにおける対象「塩ラーメン」の需要を「中」と予測する。また、予測部１３３は、Ｄエリアにおける対象「塩ラーメン」のスコアが「２００」であり、第２閾値未満であるため、Ｄエリアにおける対象「塩ラーメン」の需要を「低」と予測する。 The prediction unit 133 predicts the demand of the target “salt ramen” in the A area as “high” because the score of the target “salt ramen” in the A area is “15000” and equal to or more than the first threshold. In addition, since the score of the target “salt ramen” in the B area is “20” and is less than the first threshold and equal to or more than the second threshold, the prediction unit 133 sets the demand of the target “salt ramen” in the B area to “low”. It is predicted. In addition, since the score of the target “salt ramen” in the area C is “800” and is smaller than the second threshold, the prediction unit 133 predicts the demand of the target “salt ramen” in the area C as “medium”. Further, since the score of the target “salt ramen” in the D area is “200” and less than the second threshold, the prediction unit 133 predicts the demand of the target “salt ramen” in the D area as “low”.
予測部１３３は、取得部１３１により取得されたクエリと位置情報とに基づいて、クエリに対応する対象に関する需要を予測する。予測部１３３は、クエリと、位置情報とにより算出されるスコアに基づいて、対象に関する需要を予測する。予測部１３３は、クエリと、クエリとの関連性に応じて変動する位置情報の重みとに基づいて、対象に関する需要を予測する。 The prediction unit 133 predicts a demand for an object corresponding to the query based on the query and the position information acquired by the acquisition unit 131. The prediction unit 133 predicts the demand for the target based on the score calculated based on the query and the position information. The prediction unit 133 predicts the demand for the target based on the query and the weight of the position information that changes according to the relevance to the query.
予測部１３３は、クエリと、クエリによる検索が行われた時間に応じて変動する位置情報の重みとに基づいて、対象に関する需要を予測する。予測部１３３は、クエリと位置情報とに基づいて、クエリに対応する商品であって、位置情報に対応するエリアにおいて提供される商品に関する需要を予測する。予測部１３３は、クエリと位置情報とに基づいて、クエリが示す商品に関連する関連商品であって、位置情報に対応するエリアにおける関連商品に関する需要を予測する。 The prediction unit 133 predicts the demand for the target based on the query and the weight of the position information that varies according to the time when the search by the query is performed. The prediction unit 133 predicts, based on the query and the position information, a demand for a product corresponding to the query and provided in an area corresponding to the position information. The prediction unit 133 predicts, based on the query and the location information, a demand for a related product related to the product indicated by the query and in an area corresponding to the location information.
（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、端末装置１０や事業者装置２０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、端末装置１０や事業者装置２０に各種情報を送信する。提供部１３４は、端末装置１０や事業者装置２０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、種々の情報を提供する。例えば、提供部１３４は、端末装置１０へクエリに対応する検索結果を示す情報を提供する。例えば、提供部１３４は、事業者装置２０へ需要情報を提供する。
(Provider 134)
The providing unit 134 provides various information. The providing unit 134 provides various information to an external information processing device. The providing unit 134 provides various types of information to external information processing devices such as the
提供部１３４は、予測部１３３により予測された需要レベルに関する情報を提供する。提供部１３４は、需要レベルに関する情報を、対象に関する事業者へ提供する。例えば、提供部１３４は、対象に関する需要を示す情報を、対象に関する事業者へ提供する。例えば、提供部１３４は、商品に関する需要を示す情報を、位置情報に対応するエリアに位置する事業者へ提供する。 The providing unit 134 provides information on the demand level predicted by the prediction unit 133. The providing unit 134 provides information on the demand level to the business entity on the target. For example, the providing unit 134 provides information indicating the demand regarding the target to the business related to the target. For example, the providing unit 134 provides information indicating a demand for a product to a company located in an area corresponding to the position information.
図１の例では、提供部１３４は、ラーメン店ＭＡの管理者Ｍ１が利用する事業者装置２０に需要情報を提供する。提供部１３４は、ラーメン店ＭＡの管理者Ｍ１が利用する事業者装置２０に需要情報を送信する。提供部１３４は、事業者装置２０にＡエリアでは塩ラーメンの需要が高いことを示す情報を提供する。
In the example of FIG. 1, the providing unit 134 provides the demand information to the
〔３．情報処理のフロー〕
ここで、図９を用いて、実施形態に係る情報処理装置１００による情報処理の手順について説明する。図９は、実施形態に係る情報処理の一例を示すフローチャートである。
[3. Information processing flow)
Here, a procedure of information processing by the
図９に示すように、情報処理装置１００は、ユーザによる対象に関連する関連行動を示す行動情報を取得する（ステップＳ１０１）。図１の例では、情報処理装置１００は、日時ＤＴ１において、端末装置１０−１からクエリ「塩ラーメン」と位置情報ＬＣ１とを取得する。図１の例では、情報処理装置１００は、日時ＤＴ２において、端末装置１０−２からクエリ「スマホＳＨ 赤」と位置情報ＬＣ２とを取得する。図１の例では、情報処理装置１００は、日時ＤＴ３において、端末装置１０−３からクエリ「塩ラーメン Ａエリア」と位置情報ＬＣ３とを取得する。図１の例では、情報処理装置１００は、日時ＤＴ４において、端末装置１０−４からクエリ「天気」と位置情報ＬＣ４とを取得する。図１の例では、情報処理装置１００は、日時ＤＴ５において、端末装置１０−５からクエリ「スマホＳＨ 高い」と位置情報ＬＣ５とを取得する。
As illustrated in FIG. 9, the
また、情報処理装置１００は、行動時におけるユーザの対象に対する需要の度合いに関連する強度情報を取得する（ステップＳ１０２）。図１の例では、情報処理装置１００は、日時ＤＴ１−１において、所定のセンサにより検知されたユーザＵ１の画像情報であるセンサ情報ＳＮ１を端末装置１０−１から取得する。図１の例では、情報処理装置１００は、日時ＤＴ２−１において、所定のセンサにより検知されたユーザＵ２の音声情報であるセンサ情報ＳＮ２を端末装置１０−２から取得する。図１の例では、情報処理装置１００は、日時ＤＴ３−１において、所定のセンサにより検知されたユーザＵ３の生体情報（血糖値情報）であるセンサ情報ＳＮ３を端末装置１０−３から取得する。図１の例では、情報処理装置１００は、日時ＤＴ２−４において、所定のセンサにより検知されたユーザＵ４の音声情報であるセンサ情報ＳＮ４を端末装置１０−４から取得する。
Further, the
そして、情報処理装置１００は、行動情報と強度情報とに基づいて、対象に関する需要レベルを予測する（ステップＳ１０３）。図１の例では、情報処理装置１００は、需要一覧ＤＬＴ１に示すように、対象「塩ラーメン」について、Ａエリア〜Ｄエリア等の複数のエリアごとの需要レベルを予測する。
Then, the
そして、情報処理装置１００は、所定の対象に関する需要情報を提供する（ステップＳ１０４）。図１の例では、情報処理装置１００は、ラーメン店ＭＡの管理者Ｍ１が利用する事業者装置２０にＡエリアでは塩ラーメンの需要レベルが「高」であり、Ａエリアでの塩ラーメンの需要が高いことを示す情報を提供する。
Then, the
〔４．他の情報処理例〕
なお、情報処理装置１００は、上記に限らず、種々の情報を適宜用いて処理を行ってもよい。この点について図１０を用いて説明する。図１０は、実施形態に係る情報処理の他の一例を示す図である。具体的には、図１０は、情報処理装置１００がユーザの行動情報である検索情報に含まれるクエリと、ユーザの検索時の位置情報とに基づいて、対象に関する需要を予測する場合を示す。なお、図１０では、図１と同様の点についての説明は適宜省略する。
[4. Other information processing examples)
The
まず、情報処理装置１００は、ユーザＵ１が利用する端末装置１０−１からクエリと位置情報とを取得する（ステップＳ１１−１）。図１０の例では、情報処理装置１００は、日時ＤＴ１において、端末装置１０−１からクエリ「塩ラーメン」と位置情報ＬＣ１とを取得する。図１０の例では、位置ＬＣ１は、Ａエリア内の位置であるものとする。
First, the
そして、情報処理装置１００は、クエリ「塩ラーメン」に対応する検索結果を端末装置１０−１へ提供する。また、情報処理装置１００は、日時ＤＴ１に位置ＬＣ１において、ユーザＵ１がクエリ「塩ラーメン」を用いて検索を行ったことを示す行動情報を行動情報記憶部１２３に記憶する。図１０の例では、情報処理装置１００は、日時ＤＴ１にＡエリア内の位置ＬＣ１において、ユーザＵ１がクエリ「塩ラーメン」を用いて検索を行ったことを示す行動情報を行動情報記憶部１２３に記憶する。
Then, the
また、情報処理装置１００は、ユーザＵ２が利用する端末装置１０−２からクエリと位置情報とを取得する（ステップＳ１１−２）。図１０の例では、情報処理装置１００は、日時ＤＴ２において、端末装置１０−２からクエリ「スマホＳＨ 赤」と位置情報ＬＣ２とを取得する。そして、情報処理装置１００は、クエリ「スマホＳＨ 赤」に対応する検索結果を端末装置１０−２へ提供する。また、情報処理装置１００は、日時ＤＴ２に位置ＬＣ２において、ユーザＵ２がクエリ「スマホＳＨ 赤」を用いて検索を行ったことを示す行動情報を行動情報記憶部１２３に記憶する。
Further, the
また、情報処理装置１００は、ユーザＵ３が利用する端末装置１０−３からクエリと位置情報とを取得する（ステップＳ１１−３）。図１０の例では、情報処理装置１００は、日時ＤＴ３において、端末装置１０−３からクエリ「塩ラーメン Ａエリア」と位置情報ＬＣ３とを取得する。図１０の例では、位置ＬＣ３は、Ａエリア内の位置であるものとする。そして、情報処理装置１００は、クエリ「塩ラーメン Ａエリア」に対応する検索結果を端末装置１０−３へ提供する。また、情報処理装置１００は、日時ＤＴ３にＡエリア内の位置ＬＣ３において、ユーザＵ３がクエリ「塩ラーメン Ａエリア」を用いて検索を行ったことを示す行動情報を行動情報記憶部１２３に記憶する。
Further, the
また、情報処理装置１００は、ユーザＵ４が利用する端末装置１０−４からクエリと位置情報とを取得する（ステップＳ１１−４）。図１０の例では、情報処理装置１００は、日時ＤＴ４において、端末装置１０−４からクエリ「天気」と位置情報ＬＣ４とを取得する。そして、情報処理装置１００は、クエリ「天気」に対応する検索結果を端末装置１０−４へ提供する。また、情報処理装置１００は、日時ＤＴ４に位置ＬＣ４において、ユーザＵ４がクエリ「天気」を用いて検索を行ったことを示す行動情報を行動情報記憶部１２３に記憶する。
Further, the
また、情報処理装置１００は、ユーザＵ５が利用する端末装置１０−５からクエリと位置情報とを取得する（ステップＳ１１−５）。図１０の例では、情報処理装置１００は、日時ＤＴ５において、端末装置１０−５からクエリ「スマホＳＨ 高い」と位置情報ＬＣ５とを取得する。そして、情報処理装置１００は、クエリ「スマホＳＨ 高い」に対応する検索結果を端末装置１０−５へ提供する。また、情報処理装置１００は、日時ＤＴ５に位置ＬＣ５において、ユーザＵ５がクエリ「スマホＳＨ 高い」を用いて検索を行ったことを示す行動情報を行動情報記憶部１２３に記憶する。
Further, the
以下、ステップＳ１１−１〜Ｓ１１−５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Ｓ１１−１〜Ｓ１１−５に限らず、各ユーザの検索は、複数回行われてもよい。なお、図１０では、５人のユーザＵ１〜Ｕ５を図示するが、情報処理装置１００は、ユーザＵ１〜Ｕ５に限らず、多数のユーザ（例えば、１００万ユーザや１０００万ユーザ等）が検索に用いたクエリを取得する。
Hereinafter, when steps S11-1 to S11-5 are described without distinction, they are collectively referred to as step S11. The search for each user is not limited to steps S11-1 to S11-5, and may be performed a plurality of times. Although FIG. 10 illustrates five users U1 to U5, the
これにより、情報処理装置１００は、ユーザが検索に用いたクエリと、クエリによる検索時のユーザの位置情報との組合せを収集する（ステップＳ１２）。図１０の例では、情報処理装置１００は、行動情報記憶部１２３に示すように、ユーザＵ１〜Ｕ５等が検索に用いたクエリと、クエリによる検索時のユーザの位置ＬＣ１〜ＬＣ５等との組合せを収集する。
Thereby, the
そして、情報処理装置１００は、所定の対象に関するスコアを生成する（ステップＳ１３）。例えば、情報処理装置１００は、所定の対象について、複数のエリアごとのスコアを生成（算出）する。図１０の例では、情報処理装置１００は、対象「塩ラーメン」について、Ａエリア〜Ｄエリア等の複数のエリアごとのスコアを生成する。例えば、情報処理装置１００は、対象「塩ラーメン」について、各エリアにおける検索回数を用いてスコアを生成する。なお、情報処理装置１００は、検索が行われた位置や時間に基づいて各検索の重みを生成し、生成した各検索に重みを用いてスコアを生成してもよいが、詳細は後述する。図１０の例では、説明を簡単にするために、情報処理装置１００は、各検索の重みを「１」として、各エリアにおける対象「塩ラーメン」のスコアを生成する。すなわち、図１０の例では、情報処理装置１００は、対象「塩ラーメン」について、各エリアにおける検索回数の合算をスコアとして生成する。
Then, the
図１０の例では、情報処理装置１００は、エリア別一覧ＡＤＬ１に示すように、対象「塩ラーメン」について、Ａエリア〜Ｄエリア等の複数のエリアごとのスコアを生成する。例えば、情報処理装置１００は、Ａエリアにおける対象「塩ラーメン」のスコアを「１００００」と算出する。例えば、情報処理装置１００は、Ｂエリアにおける対象「塩ラーメン」のスコアを「５００」と算出する。例えば、情報処理装置１００は、Ｃエリアにおける対象「塩ラーメン」のスコアを「１０」と算出する。例えば、情報処理装置１００は、Ｄエリアにおける対象「塩ラーメン」のスコアを「２００」と算出する。
In the example of FIG. 10, the
そして、情報処理装置１００は、生成したスコアに関する情報に基づいて、需要を予測する（ステップＳ１４）。図１０の例では、情報処理装置１００は、需要一覧ＤＤＬ１に示すように、対象「塩ラーメン」について、Ａエリア〜Ｄエリア等の複数のエリアごとの需要を予測する。例えば、情報処理装置１００は、対象について、各エリアに対応するスコアと、所定の閾値との比較に基づいて、エリアごとの需要を予測する。図１０の例では、情報処理装置１００は、第１閾値「５０００」と、第２閾値「５００」とを用いて、エリアごとの需要を予測する。例えば、情報処理装置１００は、スコアが第１閾値以上であるエリアについては、その対象の需要が「高」であると予測する。例えば、情報処理装置１００は、スコアが第２閾値以上であるエリアについては、その対象の需要が「中」であると予測する。例えば、情報処理装置１００は、スコアが第２閾値未満であるエリアについては、その対象の需要が「低」であると予測する。
Then, the
図１０の例では、情報処理装置１００は、Ａエリアにおける対象「塩ラーメン」のスコアが「１００００」であり、第１閾値以上であるため、Ａエリアにおける対象「塩ラーメン」の需要を「高」と予測する。また、情報処理装置１００は、Ｂエリアにおける対象「塩ラーメン」のスコアが「５００」であり、第１閾値未満、第２閾値以上であるため、Ｂエリアにおける対象「塩ラーメン」の需要を「中」と予測する。また、情報処理装置１００は、Ｃエリアにおける対象「塩ラーメン」のスコアが「１０」であり、第２閾値未満であるため、Ｃエリアにおける対象「塩ラーメン」の需要を「低」と予測する。また、情報処理装置１００は、Ｄエリアにおける対象「塩ラーメン」のスコアが「２００」であり、第２閾値未満であるため、Ｄエリアにおける対象「塩ラーメン」の需要を「低」と予測する。
In the example of FIG. 10, since the score of the target “salt ramen” in the area A is “10000” and equal to or more than the first threshold value, the
そして、情報処理装置１００は、事業者に需要情報を提供する（ステップＳ１５）。図１０の例では、情報処理装置１００は、ラーメン店ＭＡの管理者Ｍ１が利用する事業者装置２０に需要情報を提供する。ここで、ラーメン店ＭＡは、Ａエリアに位置し、しょうゆラーメンＲＭを提供する飲食店である。そのため、情報処理装置１００は、事業者装置２０にＡエリアでは塩ラーメンの需要が高いことを示す情報を提供する。これにより、ラーメン店ＭＡの管理者Ｍ１は、Ａエリアにおいては塩ラーメンを提供した方が利益を上げる可能性が高いことを把握することができるため、提供物をしょうゆラーメンＲＭから塩ラーメンへ変更したり、提供物として塩ラーメンを追加したりする判断を行うことができる。なお、情報処理装置１００は、需要一覧ＤＤＬ１を事業者装置２０に提供してもよい。これにより、ラーメン店ＭＡの管理者Ｍ１は、Ａエリアにおける塩ラーメンの需要が他のエリアよりも相対的に高いことを把握することができるため、より適切な判断を行うことができる。
Then, the
このように、情報処理装置１００は、ユーザが検索に用いたクエリと、クエリによる検索時のユーザの位置情報とに基づいて、クエリに対応する対象に関する需要を予測する。図１０の例では、情報処理装置１００は、クエリと位置情報とに基づいて、位置情報に対応するエリアにおけるクエリに対応する対象に関する需要を予測する。そして、情報処理装置１００は、予測した情報を事業者に提供する。これにより、情報の提供を受けた事業者は、提供された情報に基づいて、自身の事業についてより適切な判断を行うことができる。
As described above, the
〔５．位置に応じた重みの変動〕
図１や図１０の例では、説明を簡単にするために、各検索の重みを「１」としてスコアを生成（算出）する場合を示したが、情報処理装置１００は、検索された位置に応じて重みを変動させてスコアを生成してもよい。この点について、図１１を用いて説明する。実施形態に係る情報処理の他の一例を示す図である。なお、図１１では、図１や図１０と同様の点についての説明は適宜省略する。
[5. Variation of weight according to position)
In the examples of FIG. 1 and FIG. 10, for simplicity of explanation, a case where a score is generated (calculated) with the weight of each search being “1” is shown. The score may be generated by varying the weights accordingly. This will be described with reference to FIG. FIG. 9 is a diagram illustrating another example of the information processing according to the embodiment. In FIG. 11, the description of the same points as those in FIGS. 1 and 10 will be omitted as appropriate.
図１１中の行動情報記憶部１２３に示すように、同様のクエリ「スマホＳＨ」を用いて検索を行ったユーザＵ２、Ｕ５の位置がスマホＳＨと関連する位置との近さに応じて、情報処理装置１００は、各検索の重みを変動させてもよい。情報処理装置１００は、ユーザの位置に応じて、各検索の重みを決定する（ステップＳ２１）。図１１の例では、情報処理装置１００は、重み一覧ＷＬ２１に示すように、対象「スマホＳＨ」について各検索の重みを決定する。
As shown in the behavior
例えば、情報処理装置１００は、ユーザＵ２がスマホＳＨの販売店の範囲内でクエリ「スマホＳＨ」を用いて検索を行っているため、ユーザＵ２の検索の重みを大きくする。具体的には、情報処理装置１００は、ユーザＵ２がスマホＳＨの販売店の範囲内でクエリ「スマホＳＨ」を用いて検索を行っているため、ユーザＵ２の検索の重みを「１」よりも大きい「１．５」とする。
For example, the
また、例えば、情報処理装置１００は、ユーザＵ５がスマホＳＨの販売店の範囲外でクエリ「スマホＳＨ」を用いて検索を行っているため、ユーザＵ５の検索の重みを小さくする。具体的には、情報処理装置１００は、ユーザＵ５がスマホＳＨの販売店の範囲外でクエリ「スマホＳＨ」を用いて検索を行っているため、ユーザＵ５の検索の重みを「１」よりも小さい「０．２」とする。
In addition, for example, the
そして、情報処理装置１００は、対象「スマホＳＨ」についてスコアを生成する（ステップＳ２２）。図１１の例では、情報処理装置１００は、数式ＦＣ２１に示すように、対象「スマホＳＨ」について各検索の重みを合算することによりスコアを生成（算出）する。
Then, the
また、例えば、情報処理装置１００は、重みが大きい検索において対象に関する「クエリ」とともに用いられたクエリの情報を用いて需要を予測してもよい。例えば、情報処理装置１００は、図１１の例において、重みが大きい検索において第１クエリ「スマホＳＨ」とともに用いられた第２クエリ「赤」を対象「スマホＳＨ」について需要が高いと予測してもよい。この場合、情報処理装置１００は、対象「スマホＳＨ」について、色「赤」の需要が高いと予測してもよい。また、情報処理装置１００は、対象「スマホＳＨ」について、色「赤」の需要が高いことを示す情報を、対象「スマホＳＨ」の製造元（メーカ）へ提供してもよい。
Further, for example, the
これにより、情報処理装置１００から情報提供を受けたメーカは、自身が提供する商品または商品のカテゴリについて、新商品等の開発やマーケティング等を適切に行うことができる。
Thereby, the maker that has received the information provided from the
〔６．価格予測〕
また、例えば、情報処理装置１００は、事業者へ種々の情報を提供してもよい。例えば、情報処理装置１００は、事業者が提供する商品について、適切と予測される価格を示す情報を提供してもよい。この点について、図１２を用いて説明する。図１２は、実施形態に係る情報処理の他の一例を示す図である。なお、図１２では、図１や図１０と同様の点についての説明は適宜省略する。
[6. Price forecast)
Further, for example, the
また、図１２の例では、情報提供を受ける事業者が、Ａエリアで塩ラーメンを提供するラーメン店ＭＸである場合を示す。例えば、図１２では、情報処理装置１００は、ラーメン店ＭＸからＡエリアにおける対象「ラーメン」に関する需要に関する情報の要求を取得し、取得した要求が示すエリアにおける対象に対応する需要に関する情報をラーメン店ＭＸに提供する。例えば、情報処理装置１００は、ラーメン店ＭＸから、提供物が塩ラーメンであり、価格が「８００」円であることを示す情報を取得済みであるものとする。
Also, the example of FIG. 12 shows a case where the business entity receiving the information provision is a ramen shop MX that provides salt ramen in the A area. For example, in FIG. 12, the
図１２の例では、情報処理装置１００は、事業者が提供する商品について、適切な価格を予測する（ステップＳ３１）。ここで、情報処理装置１００は、図１と同様に需要一覧ＤＤＬ１に示すように、対象「塩ラーメン」について、Ａエリアにおける需要が高いと予測するものとする。また、図１２の例では、情報処理装置１００は、需要状況ＤＭ３１に示すように、対象「塩ラーメン」について、Ａエリアにおける塩ラーメンを提供するお店における回転率等が高いことを示す実績情報ＲＳ３１を取得しているものとする。そのため、情報処理装置１００は、ラーメン店ＭＸが提供する塩ラーメンについて、値上げが可能であると予測する。例えば、情報処理装置１００は、Ａエリアにおいて塩ラーメンを提供する店舗の塩ラーメンの価格の平均を値上げ後の価格として予測してもよい。また、例えば、情報処理装置１００は、Ａエリアにおいて塩ラーメンを提供する店舗のうち、回転率が所定の閾値以上の店舗、すなわち繁盛している店舗が提供する塩ラーメンの価格の平均を値上げ後の価格として予測してもよい。
In the example of FIG. 12, the
そして、情報処理装置１００は、事業者に情報を提供する（ステップＳ３２）。例えば、情報処理装置１００は、ラーメン店ＭＸの管理者Ｍ３１が利用する事業者装置２０に情報を提供する。図１２の例では、情報処理装置１００は、ラーメン店ＭＸが提供する塩ラーメンについて値上げが可能であることを示す情報を提供する。例えば、情報処理装置１００は、ラーメン店ＭＸが提供する塩ラーメンの価格を「８００」円から「１０００」円に値上げ可能であることを示す情報を提供する。これにより、ラーメン店ＭＸの管理者Ｍ３１は、値上げを行うことが可能であることを把握することができるため、適切な判断を行うことができる。
Then, the
〔７．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、ユーザによる対象に関連する関連行動を示す行動情報と、関連行動時におけるユーザの対象に対する需要の度合いに関連する強度情報とを取得する。予測部１３３は、取得部１３１により取得された行動情報と強度情報とに基づいて、対象に関する需要レベルを予測する。
[7. effect〕
As described above, the
このように、実施形態に係る情報処理装置１００は、ユーザによる対象に関連する関連行動を示す行動情報と、関連行動時におけるユーザの対象に対する需要の度合いに関連する強度情報とに基づいて、対象に関する需要レベルを予測することにより、需要を適切に予測することができる。
As described above, the
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、センサにより検知されるセンサ情報を含む強度情報を取得する。
In the
このように、実施形態に係る情報処理装置１００は、センサにより検知されるセンサ情報を含む強度情報を取得することにより、需要を適切に予測することができる。
As described above, the
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、関連行動時におけるユーザの状態を示すユーザ情報を含む強度情報を取得する。
Further, in the
このように、実施形態に係る情報処理装置１００は、関連行動時におけるユーザの状態を示すユーザ情報を含む強度情報を取得することにより、需要を適切に予測することができる。
As described above, the
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、行動情報と強度情報とにより算出されるスコアに基づいて、需要レベルを予測する。
In the
このように、実施形態に係る情報処理装置１００は、行動情報と強度情報とにより算出されるスコアに基づいて、需要レベルを予測することにより、需要を適切に予測することができる。
As described above, the
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、関連行動の回数と強度情報とにより算出されるスコアに基づいて、需要レベルを予測する。
Further, in the
このように、実施形態に係る情報処理装置１００は、関連行動の回数と強度情報とにより算出されるスコアに基づいて、需要レベルを予測することにより、需要を適切に予測することができる。
As described above, the
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、関連行動時におけるユーザの位置情報を取得する。予測部１３３は、位置情報に対応するエリアにおける需要レベルを予測する。
In the
このように、実施形態に係る情報処理装置１００は、関連行動時におけるユーザの位置情報に対応するエリアにおける需要レベルを予測することにより、需要を適切に予測することができる。
As described above, the
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、対象に関してユーザが入力した入力情報を含む行動情報を取得する。
Further, in the
このように、実施形態に係る情報処理装置１００は、対象に関してユーザが入力した入力情報を含む行動情報を取得することにより、需要を適切に予測することができる。
As described above, the
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、対象に関してユーザが行った検索行動を示す検索情報を含む行動情報を取得する。
In the
このように、実施形態に係る情報処理装置１００は、対象に関してユーザが行った検索行動を示す検索情報を含む行動情報を取得することにより、需要を適切に予測することができる。
As described above, the
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、ユーザが入力した対象に関連するクエリを含む行動情報を取得する。
In the
このように、実施形態に係る情報処理装置１００は、ユーザが入力した対象に関連するクエリを含む行動情報を取得することにより、需要を適切に予測することができる。
As described above, the
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、ユーザが入力した対象に対する需要の度合いに関連する入力情報を含む強度情報を取得する。
In the
このように、実施形態に係る情報処理装置１００は、ユーザが入力した対象に対する需要の度合いに関連する入力情報を含む強度情報を取得することにより、需要を適切に予測することができる。
As described above, the
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により予測された需要レベルに関する情報を提供する。
Further, the
このように、実施形態に係る情報処理装置１００は、需要レベルに関する情報を提供することにより、需要に関する情報を適切に提供することができる。
As described above, the
また、実施形態に係る情報処理装置１００において、提供部１３４は、需要レベルに関する情報を、対象に関する事業者へ提供する。
Further, in the
このように、実施形態に係る情報処理装置１００は、需要レベルに関する情報を、対象に関する事業者へ提供することにより、事業者へ需要に関する情報を適切に提供することができる。
As described above, the
〔８．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１３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１３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、ＲＯＭ１３００、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。
[8. Hardware configuration)
The
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。
The
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提供する。
The HDD 1400 stores a program executed by the
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。
The
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。
The
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。
For example, when the
以上、本願の実施形態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。 The embodiments of the present application have been described in detail with reference to the drawings. However, these are merely examples, and various modifications and improvements may be made based on the knowledge of those skilled in the art, including the aspects described in the line of disclosure of the invention. The present invention can be implemented in other forms described above.
〔９．その他〕
また、上記実施形態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生成することができる。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。
[9. Others)
Further, among the processes described in the above embodiment, all or a part of the processes described as being performed automatically can be manually performed, or the processes described as being performed manually can be performed. All or part can be performed automatically by a known method. In addition, the processing procedures, specific names, and information including various data and parameters shown in the above-described documents and drawings can be arbitrarily generated unless otherwise specified. For example, the various information shown in each drawing is not limited to the information shown.
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。 Each component of each device illustrated is a functional concept, and does not necessarily need to be physically configured as illustrated. In other words, the specific form of distribution / integration of each device is not limited to the illustrated one, and all or a part of the distribution / integration may be functionally or physically distributed / arbitrarily in arbitrary units according to various loads and usage conditions. Can be integrated and configured.
また、上述してきた実施形態に記載された各処理は、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。 Further, the processes described in the above-described embodiments can be appropriately combined within a range that does not contradict the processing contents.
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。 Further, the above-mentioned “section (section, module, unit)” can be read as “means”, “circuit”, or the like. For example, the obtaining unit can be replaced with an obtaining unit or an obtaining circuit.
１ 情報処理システム
１００ 情報処理装置
１２１ 事業者情報記憶部
１２２ ユーザ情報記憶部
１２３ 行動情報記憶部
１２４ 強度情報記憶部
１２５ 需要情報記憶部
１３０ 制御部
１３１ 取得部
１３２ 生成部
１３３ 予測部
１３４ 提供部
１０ 端末装置
２０ 事業者装置
Ｎ ネットワーク
DESCRIPTION OF
Claims (14)
前記取得部により取得された前記行動情報と前記強度情報とに基づいて、前記対象に関する需要レベル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。 Acquisition unit that acquires action information indicating a related action related to a target by a user, and strength information related to a degree of demand for the target of the user at the time of the related action,
A prediction unit that predicts a demand level for the target based on the behavior information and the intensity information acquired by the acquisition unit;
An information processing apparatus comprising:
センサにより検知されるセンサ情報を含む前記強度情報を取得する
ことを特徴とする請求項１に記載の情報処理装置。 The acquisition unit,
The information processing device according to claim 1, wherein the intensity information including sensor information detected by a sensor is acquired.
前記関連行動時における前記ユーザの状態を示すユーザ情報を含む前記強度情報を取得する
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。 The acquisition unit,
The information processing apparatus according to claim 1, wherein the strength information including user information indicating a state of the user at the time of the related action is acquired.
前記行動情報と前記強度情報とにより算出されるスコアに基づいて、前記需要レベルを予測する
ことを特徴とする請求項１〜３のいずれか１項に記載の情報処理装置。 The prediction unit includes:
The information processing device according to claim 1, wherein the demand level is predicted based on a score calculated based on the behavior information and the strength information.
前記関連行動の回数と前記強度情報とにより算出されるスコアに基づいて、前記需要レベルを予測する
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。 The prediction unit includes:
The information processing apparatus according to claim 1, wherein the demand level is predicted based on a score calculated based on the number of times of the related action and the strength information.
前記関連行動時における前記ユーザの位置情報を取得し、
前記予測部は、
前記位置情報に対応するエリアにおける前記需要レベルを予測する
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。 The acquisition unit,
Acquiring the position information of the user at the time of the related action,
The prediction unit includes:
The information processing device according to any one of claims 1 to 5, wherein the demand level in an area corresponding to the position information is predicted.
前記対象に関して前記ユーザが入力した入力情報を含む前記行動情報を取得する
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。 The acquisition unit,
The information processing device according to any one of claims 1 to 6, wherein the behavior information including input information input by the user with respect to the target is acquired.
前記対象に関して前記ユーザが行った検索行動を示す検索情報を含む前記行動情報を取得する
ことを特徴とする請求項１〜７のいずれか１項に記載の情報処理装置。 The acquisition unit,
The information processing apparatus according to any one of claims 1 to 7, wherein the behavior information including search information indicating a search behavior performed by the user with respect to the target is acquired.
前記ユーザが入力した前記対象に関連するクエリを含む前記行動情報を取得する
ことを特徴とする請求項１〜８のいずれか１項に記載の情報処理装置。 The acquisition unit,
The information processing apparatus according to any one of claims 1 to 8, wherein the behavior information including a query related to the target input by the user is acquired.
前記ユーザが入力した前記対象に対する需要の度合いに関連する入力情報を含む前記強度情報を取得する
ことを特徴とする請求項１〜９のいずれか１項に記載の情報処理装置。 The acquisition unit,
The information processing apparatus according to any one of claims 1 to 9, wherein the strength information including input information related to a degree of demand for the object input by the user is acquired.
をさらに備えたことを特徴とする請求項１〜１０のいずれか１項に記載の情報処理装置。 A providing unit that provides information on the demand level predicted by the prediction unit,
The information processing apparatus according to claim 1, further comprising:
前記需要レベルに関する情報を、前記対象に関する事業者へ提供する
ことを特徴とする請求項１１に記載の情報処理装置。 The providing unit,
The information processing apparatus according to claim 11, wherein information about the demand level is provided to a business entity related to the target.
ユーザによる対象に関連する関連行動を示す行動情報と、前記関連行動時における前記ユーザの前記対象に対する需要の度合いに関連する強度情報と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行動情報と前記強度情報とに基づいて、前記対象に関する需要レベル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。 An information processing method executed by a computer,
Acquisition step of acquiring action information indicating a related action related to a target by a user, and strength information related to a degree of demand for the target of the user at the time of the related action,
A prediction step of predicting a demand level for the object based on the behavior information and the intensity information acquired by the acquisition step,
An information processing method comprising:
前記取得手順により取得された前記行動情報と前記強度情報とに基づいて、前記対象に関する需要レベル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。 Acquisition procedure for acquiring action information indicating a related action related to a target by a user, and strength information related to a degree of demand for the target of the user at the time of the related action,
A prediction step of predicting a demand level for the target based on the behavior information and the strength information acquired by the acquisition procedure,
An information processing program for causing a computer to execute the following.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2018122485A JP6918748B2 (en) | 2018-06-27 | 2018-06-27 | Information processing equipment, information processing methods, and information processing programs |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2018122485A JP6918748B2 (en) | 2018-06-27 | 2018-06-27 | Information processing equipment, information processing methods, and information processing programs |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2020004058A true JP2020004058A (en) | 2020-01-09 |
| JP6918748B2 JP6918748B2 (en) | 2021-08-11 |
Family
ID=69099973
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2018122485A Active JP6918748B2 (en) | 2018-06-27 | 2018-06-27 | Information processing equipment, information processing methods, and information processing programs |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP6918748B2 (en) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2021149471A (en) * | 2020-03-18 | 2021-09-27 | ヤフー株式会社 | Information processing device, information processing method, and information processing program |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008272019A (en) * | 2007-04-25 | 2008-11-13 | Oki Electric Ind Co Ltd | Group emotion recognition support system |
| JP2009248193A (en) * | 2008-04-01 | 2009-10-29 | Toyota Motor Corp | Reception system and reception method |
| WO2014083779A1 (en) * | 2012-11-30 | 2014-06-05 | パナソニック株式会社 | Information provision method |
| US20150363806A1 (en) * | 2014-06-11 | 2015-12-17 | Samsung Electro-Mechanics Co., Ltd. | Product pricing apparatus for electronic information label system and method therefor |
| JP2016157384A (en) * | 2015-02-26 | 2016-09-01 | 株式会社Ｎｔｔドコモ | Congestion estimation apparatus and congestion estimation method |
| JP2017174062A (en) * | 2016-03-23 | 2017-09-28 | 富士ゼロックス株式会社 | Purchase behavior analyzing device and program |
| JP6275295B1 (en) * | 2017-01-19 | 2018-02-07 | ヤフー株式会社 | Determination apparatus, determination method, and determination program |
-
2018
- 2018-06-27 JP JP2018122485A patent/JP6918748B2/en active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008272019A (en) * | 2007-04-25 | 2008-11-13 | Oki Electric Ind Co Ltd | Group emotion recognition support system |
| JP2009248193A (en) * | 2008-04-01 | 2009-10-29 | Toyota Motor Corp | Reception system and reception method |
| WO2014083779A1 (en) * | 2012-11-30 | 2014-06-05 | パナソニック株式会社 | Information provision method |
| US20150363806A1 (en) * | 2014-06-11 | 2015-12-17 | Samsung Electro-Mechanics Co., Ltd. | Product pricing apparatus for electronic information label system and method therefor |
| JP2016157384A (en) * | 2015-02-26 | 2016-09-01 | 株式会社Ｎｔｔドコモ | Congestion estimation apparatus and congestion estimation method |
| JP2017174062A (en) * | 2016-03-23 | 2017-09-28 | 富士ゼロックス株式会社 | Purchase behavior analyzing device and program |
| JP6275295B1 (en) * | 2017-01-19 | 2018-02-07 | ヤフー株式会社 | Determination apparatus, determination method, and determination program |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2021149471A (en) * | 2020-03-18 | 2021-09-27 | ヤフー株式会社 | Information processing device, information processing method, and information processing program |
| JP7295821B2 (en) | 2020-03-18 | 2023-06-21 | ヤフー株式会社 | Information processing device, information processing method and information processing program |
Also Published As
| Publication number | Publication date |
|---|---|
| JP6918748B2 (en) | 2021-08-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10726438B2 (en) | Personalized contextual coupon engine | |
| US8620764B2 (en) | Method for providing a recommendation such as a personalized recommendation, recommender system, and computer program product comprising a recommender computer program | |
| US11599935B2 (en) | Computer program product, computer implemented method, and system for cognitive item selection with data mining | |
| US11494204B2 (en) | Mixed-grained detection and analysis of user life events for context understanding | |
| JP2009076041A (en) | System for predicting and recommend future goal-oriented activity | |
| US20180191860A1 (en) | Context management for real-time event awareness | |
| JP2018077821A (en) | Method, program, server device, and processor for generating predictive model of category of venue visited by user | |
| US20180189356A1 (en) | Detection and analysis of user life events in a communication ecosystem | |
| US11573988B2 (en) | Storage of point of interest data on a user device for offline use | |
| JP6979931B2 (en) | Information processing equipment, information processing methods, and information processing programs | |
| JP2020008967A (en) | Device, method, and program for processing information | |
| KR20150122307A (en) | Method and server apparatus for advertising | |
| JP6852019B2 (en) | Information processing equipment, information processing methods, and information processing programs | |
| JP6548785B1 (en) | INFORMATION PROCESSING APPARATUS, INFORMATION PROCESSING METHOD, AND INFORMATION PROCESSING PROGRAM | |
| JP6353144B1 (en) | Prediction device, prediction method, and prediction program | |
| JP6591004B1 (en) | Information processing apparatus, information processing method, and information processing program | |
| JP2020004058A (en) | Device, method, and program for processing information | |
| JP2018156393A (en) | Estimating apparatus, estimating method, and estimating program | |
| JP6702626B2 (en) | Information processing apparatus, information processing method, and information processing program | |
| JP6664586B2 (en) | Information processing apparatus, information processing method, and information processing program | |
| JP6664602B2 (en) | Information processing apparatus, information processing method, and information processing program | |
| JP7114352B2 (en) | Prediction device, prediction method, and prediction program | |
| JP6587660B2 (en) | Estimation apparatus, estimation method, and estimation program | |
| JP6832759B2 (en) | Display program, display method, terminal device, information processing device, information processing method, and information processing program | |
| JP6275295B1 (en) | Determination apparatus, determination method, and determination program |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20181113 |
|
| A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20181113 |
|
| A975 | Report on accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A971005 Effective date: 20181115 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20190325 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20190423 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20190924 |
|
| A711 | Notification of change in applicant |
Free format text: JAPANESE INTERMEDIATE CODE: A712 Effective date: 20191101 |
|
| RD03 | Notification of appointment of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7423 Effective date: 20191108 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20191118 |
|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20200303 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200601 |
|
| C60 | Trial request (containing other claim documents, opposition documents) |
Free format text: JAPANESE INTERMEDIATE CODE: C60 Effective date: 20200601 |
|
| A911 | Transfer to examiner for re-examination before appeal (zenchi) |
Free format text: JAPANESE INTERMEDIATE CODE: A911 Effective date: 20200608 |
|
| C21 | Notice of transfer of a case for reconsideration by examiners before appeal proceedings |
Free format text: JAPANESE INTERMEDIATE CODE: C21 Effective date: 20200609 |
|
| A912 | Re-examination (zenchi) completed and case transferred to appeal board |
Free format text: JAPANESE INTERMEDIATE CODE: A912 Effective date: 20200703 |
|
| C211 | Notice of termination of reconsideration by examiners before appeal proceedings |
Free format text: JAPANESE INTERMEDIATE CODE: C211 Effective date: 20200707 |
|
| C22 | Notice of designation (change) of administrative judge |
Free format text: JAPANESE INTERMEDIATE CODE: C22 Effective date: 20210309 |
|
| C22 | Notice of designation (change) of administrative judge |
Free format text: JAPANESE INTERMEDIATE CODE: C22 Effective date: 20210406 |
|
| C23 | Notice of termination of proceedings |
Free format text: JAPANESE INTERMEDIATE CODE: C23 Effective date: 20210525 |
|
| C03 | Trial/appeal decision taken |
Free format text: JAPANESE INTERMEDIATE CODE: C03 Effective date: 20210629 |
|
| C30A | Notification sent |
Free format text: JAPANESE INTERMEDIATE CODE: C3012 Effective date: 20210629 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20210721 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 6918748 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313111 |
|
| R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |