JP2020149196A - パーソナリティ予測装置、および学習データ収集装置 - Google Patents

Abstract

【課題】広域ネットワークを介して取得可能なデータを用いたパーソナリティ予測を詳細化する。【解決手段】本発明に係るパーソナリティ予測装置は、記憶部と、制御部とを備える。記憶部には、説明変数を目的変数に対応させる少なくとも１つのモデルＲＭ１〜ＲＭＴが保存されている。制御部は、説明変数を受けて、少なくとも１つのモデルＲＭ１〜ＲＭＴを用いて目的変数を出力する。目的変数は、パーソナリティ値ｐａを含む。説明変数は、広域ネットワークに接続された装置のユーザが当該装置に対して行った操作の種類と操作が行われた時刻情報とから得られる第１特徴量ｎａを含む。【選択図】図８

Description

本発明は、広域ネットワークを介して取得可能なデータからパーソナリティを予測するパーソナリティ予測装置、およびパーソナリティの機械学習に必要な学習データを収集する学習データ収集装置に関する。

従来、広域ネットワークを介して取得可能なデータからパーソナリティを予測するパーソナリティ予測装置が知られている。たとえば、非特許文献１には、実験参加者がＦａｃｅｂｏｏｋ（登録商標）において行った「いいね」に関するデータをＬＡＳＳＯ（Least Absolute Shrinkage and Selection Operator）線形回帰モデルを用いて機械学習し、開放性、外向性、誠実性、外向性、協調性、および神経症傾向の５つの観点からなるビッグファイブを当該実験参加者に関して判定する構成が開示されている。

Wu Youyoua, Michal Kosinskib, and David Stillwella, "Computer-based personality judgments are more accurate than those made by humans", Proceedings of the National Academy of Sciences (PNAS), 2015

個人のパーソナリティは、当該個人の様々な行動に反映される。ＳＮＳ（Social Network Service）およびＩｏＴ（Internet of Things）機器の普及に伴い、個人のパーソナリティが反映されたデータを、広域ネットワークを介して収集し易くなる。個人がＦａｃｅｂｏｏｋにおいて行った「いいね」に関するデータは、その一例に過ぎない。非特許文献１に開示されているパーソナリティ予測の構成には、さらなる詳細なパーソナリティ予測の実現に向けて改善の余地がある。

本発明は、上述のような課題を解決するためになされたものであり、その目的は、広域ネットワークを介して取得可能なデータを用いたパーソナリティ予測を詳細化することである。

本発明に係るパーソナリティ予測装置は、記憶部と、制御部とを備える。記憶部には、説明変数を目的変数に対応させる少なくとも１つのモデルが保存されている。制御部は、説明変数を受けて、少なくとも１つのモデルを用いて目的変数を出力する。目的変数は、パーソナリティ値を含む。説明変数は、広域ネットワークに接続された装置のユーザが当該装置に対して行った操作の種類と操作が行われた時刻情報とから得られる第１特徴量を含む。

本発明に係る学習データ収集装置は、モデルを機械学習によって生成するための学習データを、広域ネットワークを介して収集する。モデルの目的変数は、パーソナリティ値を含む。モデルの説明変数は、前記広域ネットワークに接続された装置のユーザが当該装置に対して行った操作の種類と前記操作が行われた時刻情報とから得られる特徴量を含む。前記学習データ収集装置は、制御部と、記憶部とを備える。前記制御部は、前記広域ネットワークに接続された端末装置のユーザにパーソナリティ診断テストを行って前記端末装置のユーザのパーソナリティの実測値を取得し、前記実測値と前記特徴量とを関連付けて学習データとして前記記憶部に保存する。

本発明に係るパーソナリティ予測装置および学習データ収集装置によれば、広域ネットワークに接続された装置のユーザが当該装置に対して行った操作の種類と操作が行われた時刻情報とから得られる特徴量を用いることにより、広域ネットワークを介して取得可能なデータを用いたパーソナリティ予測を詳細化することができる。

実施の形態に係るパーソナリティ予測装置がインターネットに接続されている様子を示す図である。 パーソナリティ診断テストの一例を示す図である。 ユーザのＳＮＳにおける行動の時系列を示す図である。 単語ベクトルの一例を示す図である。 図１のパーソナリティ予測装置の機能ブロック図である。 図５の制御部によって行われる学習処理の概要を示す図である。 図６の各学習処理の流れを示すフローチャートである。 図５の制御部によって行われるパーソナリティ予測処理の概要を示す図である。 パーソナリティ予測装置による言語性ＩＱの予測値と言語性ＩＱの実測値との対応関係を示す図である。 インターネットにＩｏＴ機器が接続されている様子を示す図である。 図１０の電子レンジ、洗濯機、およびテレビに対するユーザの操作の時系列を示す図である。

以下、実施の形態について、図面を参照しながら詳細に説明する。なお、図中同一または相当部分には同一符号を付してその説明は原則として繰り返さない。

図１は、実施の形態に係るパーソナリティ予測装置１００がインターネット８００（広域ネットワーク）に接続されている様子を示す図である。図１に示されるように、インターネット８００には、パーソナリティ予測装置１００、ＳＮＳ（Social Network Service）サーバ２００、デスクトップコンピュータ５１（端末装置）、スマートフォン５２（端末装置）、およびノート型パーソナルコンピュータ５３（端末装置）が接続されている。ユーザＳｂ１〜Ｓｂ３はそれぞれ、デスクトップコンピュータ５１、スマートフォン５２、およびノート型パーソナルコンピュータ５３のユーザである。

パーソナリティ予測装置１００は、学習データ収集装置を兼ねる。パーソナリティ予測装置と学習データ収集装置とは、別個の装置であっても構わない。パーソナリティ予測装置１００は、ユーザＳｂ１〜Ｓｂ３を含む複数の被験者から複数の学習データを収集する。パーソナリティ予測装置１００は、インターネット８００を介して、図２に示されるようなパーソナリティ診断テストをインターネット８００に接続されている端末に送信する。デスクトップコンピュータ５１、スマートフォン５２（端末装置）、およびノート型パーソナルコンピュータ５３の各々は、パーソナリティ予測装置１００から受信したパーソナリティ診断テストを画面に表示する。ユーザＳｂ１〜Ｓｂ３は、デスクトップコンピュータ５１、スマートフォン５２（端末装置）、およびノート型パーソナルコンピュータ５３においてパーソナリティ診断テストの各項目に回答し、回答結果をパーソナリティ予測装置１００に送信する。

パーソナリティ予測装置１００は、パーソナリティ診断テストの回答結果を用いて被験者のパーソナリティを実測し、正規化されたパーソナリティ値として算出する。パーソナリティ診断テストの回答結果を用いて算出されたパーソナリティ値を、以下では実測値と呼ぶ。パーソナリティ値は、連続値でもよいし、分類値でもよい。パーソナリティ診断テストによって、「Ｐｏｓｉｔｉｖｅ ｏｒ Ｎｅｇａｔｉｖｅ ｐｅｒｓｏｎａｌｉｔｙ」（たとえばＢｉｇ５）、「Ｉｎｔｅｌｌｉｇｅｎｃｅ」（たとえばＲａｖｅｎ ＩＱ）、「Ｃｌｉｎｉｃａｌ ｐｅｒｓｏｎａｌｉｔｙ」（たとえばＰＤＩ）、および「Ｓｏｃｉｏｅｃｏｎｏｍｉｃ」（たとえばリスク回避）の各カテゴリから選択された８６種類のパーソナリティが実測される。

複数の被験者の各々は、ＳＮＳにアカウントを有する。パーソナリティ予測装置１００は、ＳＮＳが公開するＡＰＩ（Application Programming Interface）を用いて、複数の被験者の各々について、ＳＮＳに投稿したテキスト情報、およびＳＮＳにおける行動に関する情報を取得し、当該被験者のパーソナリティ値の実測値とともに学習データを作成する。ＳＮＳにおける行動に関する情報には、各被験者が行った行動（操作）の種類、および当該行動が行われた時刻情報が含まれる。なお、ＳＮＳとしては、たとえばＦａｃｅｂｏｏｋ（登録商標）、Ｔｗｉｔｔｅｒ（登録商標）、Ｉｎｓｔａｇｒａｍ（登録商標）、およびＬＩＮＥ（登録商標）を挙げることができる。

図３は、ユーザＳｂ１のＳＮＳにおける行動の時系列を示す図である。図３に示されるように、ユーザＳｂ１は、時刻ｔ１、ｔ２およびｔ３においてスマートフォン６０（端末装置）からＳＮＳにおいて或る行動（たとえば「いいね」の選択、あるいは文章あるいは画像の投稿）をしている。複数の被験者の各々がインターネット８００に接続された端末装置を介してＳＮＳにおいて行った行動の種類および当該行動が行われた時刻情報から得られるネットワーク情報（第１特徴量）が、学習データに含まれる。当該ネットワーク情報には、各被験者の行動パターンを表す情報として、当該被験者がＳＮＳにおいて活動する時間帯（たとえば早朝、昼、夕方、あるいは深夜）、およびＳＮＳにおける行動の時間間隔（たとえば平均，ばらつき）が含まれる。

被験者の行動の順序には、当該被験者の行動パターンが顕著に反映される。パーソナリティ予測装置１００においては、被験者がＳＮＳにおいて行った行動の順序を当該行動の時刻情報から導出することができるため、行動の種類のみからパーソナリティを予測する場合よりも、より詳細なパーソナリティ予測を行うことができる。

パーソナリティ予測装置１００は、ＳＮＳサーバから取得したテキスト情報に対して形態素解析を行って言語情報（第２特徴量）を抽出する。言語情報には、単語ベクトルが含まれる。図４には、「今日」、「は」、「暑い」、「日」、および「だった」という品詞を次元に含む単語ベクトルが示されている。単語ベクトルから算出される、各次元の語数の平均値、分散値、および単語ベクトルに含まれる感情語（ポジティブ語あるいはネガティブ語）の数も言語情報に含まれる。

単語ベクトルの各次元の用語は、被験者のパーソナリティに応じて差が生じやすい用語であることが望ましい。そのため、複数の被験者の全テキスト情報に現れる用語の回数が予め定められた範囲に含まれる用語が単語ベクトルの次元に含まれる用語として選択されることが望ましい。また、単語ベクトルの次元に含まれる用語は、名詞、形容詞、動詞、および副詞に限定されてもよいし、「今日は」、「暑い日」のようなバイグラムが用いられてもよい。

図５は、図１のパーソナリティ予測装置１００の機能ブロック図である。図５に示されるように、パーソナリティ予測装置１００は、記憶部１０１と、制御部１０２と、ＲＡＭ（Random Access Memory）１０３と、ネットワークインターフェイス１０４と、表示部１０５とを含む。

記憶部１０１には、たとえばオペレーティングシステムのプログラム、パーソナリティ予測アプリケーションのプログラム、パーソナリティ学習プログラム、複数の学習データ、および複数のモデルが保存されている。複数のモデルの各々は、ネットワーク情報および言語情報を含む説明変数を、パーソナリティ値を含む説明変数に対応させる。記憶部１０１は、たとえば、ハードディスクあるいは外付けの記憶媒体である。

制御部１０２は、記憶部１０１に保存されている各種プログラムを実行することにより、パーソナリティ予測装置１００の機能を実現する。制御部１０２は、ＣＰＵ（Central Processing Unit）のようなコンピュータを含む。ＲＡＭ１０３は、ワーキングメモリとして機能し、プログラムの実行に必要な各種データを一時的に格納する。制御部１０２は、ネットワークインターフェイス１０４を介して、インターネットに接続されている外部装置へデータを送信するとともに、当該外部装置からのデータを受信する。

表示部１０５は、たとえば、液晶ディスプレイ、有機ＥＬ（Electro Luminescence）ディスプレイ、またはその他の表示機器を含む。表示部１０５は、不図示のタッチセンサと組み合わされてタッチパネルとして構成されてもよい。表示部１０５には、各種アプリケーションのＧＵＩ（Graphical User Interface）が表示される。

図６は、図５の制御部１０２によって行われる学習処理の概要を示す図である。図５に示されるように、制御部１０２は、複数の学習データに対して複数回の学習を行って各学習においてモデルを生成するアンサンブル学習を行う。具体的には、アンサンブル学習の一種であるブースティングの一例として、制御部１０２は、Ｔ（＞１）回の学習処理を逐次的に行って各学習においてモデルを生成するＡｄａＢｏｏｓｔ（Adaptive Boosting）を行う。なお、制御部１０２は、アンサンブル学習としてバギング、あるいはランダムフォレストを行ってもよい。また、制御部１０２がアンサンブル学習以外の学習を行ってもよいし、生成されるモデルが１つでもよい。

各学習処理においては、Ｋ個の学習データＤ_１〜Ｄ_Ｋが使用され、ＬＡＳＳＯを正則化項とする線形回帰分析が行われる。Ｔ回の学習処理によって生成されるモデルＲＭ_１〜ＲＭ_Ｔの各々は、ＬＡＳＳＯ線形回帰モデルである。ＬＡＳＳＯを正則化項として用いることにより、過学習を抑制することができるとともに、モデルＲＭ_１〜ＲＭ_Ｔの説明変数の次元を削減（スパース化）することができる。なお、各学習処理は、教師データとモデルの説明変数（予測データ）との誤差を最小化する教師あり学習であればどのような学習法でもよく、たとえばディープニューラルネットワークを用いた深層学習であってもよい。

学習データＤ_ｉには、被験者Ｓｂ_ｉのネットワーク情報ｎ_ｉ、言語情報ｓ_ｉ、およびパーソナリティの実測値ｍ_ｉが含まれている。奇数回目の学習処理においては、ネットワーク情報ｎ_ｉとパーソナリティの実測値ｍ_ｉとの対応関係が学習される。偶数回目の学習においては、言語情報ｓ_ｉとパーソナリティの実測値ｍ_ｉとの対応関係が学習される。

ＡｄａＢｏｏｓｔにおいては、各学習データに重み（重要度）ｗ_ｊ（ｉ）が付される。重みｗ_ｊ（ｉ）は、ｊ回目の学習における学習データＤ_ｉの重みを意味する。重みの初期値ｗ_１（ｉ）は、１／Ｋに初期化される。

図７は、図６の各学習処理の流れを示すフローチャートである。図７に示される処理は、ｊ回目の学習処理であり、ＡｄａＢｏｏｓｔを行う不図示のメインルーチンから呼び出される。以下では、ステップを単にＳと記載する。

図７に示されるように、制御部１０２は、Ｓ１０１において各学習データの重みを以下の式（１）に従って正規化し、処理をＳ１０２に進める。

制御部１０２は、Ｓ１０２において線形回帰分析において以下の式（２）に示される重み付きの誤り率ε_ｊを最小化することにより、モデルＲＭ_ｊを生成する。誤り率ε_ｊは、２分の１よりも小さい。制御部１０２は、モデルＲＭ_ｊを記憶部１０１に保存して、処理をＳ１０３に進める。以下の式（３）は、説明変数ｘ_ｉに対応するモデルＲＭ_ｊの説明変数（予測値）と実測値との二乗誤差ｄ_ｊを示す。式（３）の説明変数ｘ_ｉは、奇数回目（ｊが奇数）の学習処理においてはネットワーク情報ｎ_ｉであり、偶数回目（ｊが偶数）の学習処理においては言語情報ｓ_ｉである。

式（２）に示されるように、正規化された重みπ_ｊ（ｉ）が相対的に大きい程、対応する二乗誤差ｄ_ｊを小さくすることが誤差ε_ｊの最小化に寄与する。そのため、線形回帰分析においては、重みπ_ｊ（ｉ）が相対的に大きい程、二乗誤差ｄ_ｊが小さくなるようにモデルＲＭ_ｊが生成される。すなわち、ｊ回目の学習処理においては、重みｗ_ｊ（ｉ）が相対的に大きい学習データが集中的に学習される。

制御部１０２は、Ｓ１０３において、以下の式（４）に従ってモデルＲＭ_ｊの信頼度α_ｊを算出し、モデルＲＭ_ｊと信頼度α_ｊとを関連付けて記憶部１０１に保存し、処理をＳ１０４に進める。信頼度α_ｊは、誤り率ε_ｊが小さいほど大きい。式（５）に示される変数β_ｊは、誤り率ε_ｊが２分の１よりも小さいことから、１よりも小さい。

制御部１０２は、Ｓ１０４において各学習データの重みｗ_ｊ（ｉ）を以下の式（６）に従って順次更新した後、処理をメインルーチンに返す。（ｊ＋１）回目の学習処理においては、重みｗ_ｊ＋１（ｉ）が使用される。

変数β_ｊは１よりも小さいため、二乗誤差ｄ_ｊが小さいほど、学習データＤ_ｉの重みは小さくなる。その結果、二乗誤差ｄ_ｊが相対的に大きい学習データＤ_ｉの重みは、次の（ｊ＋１）回目の学習において相対的に大きくなる。すなわち、（ｊ＋１）回目の学習処理においては、モデルＲＭ_ｊの二乗誤差が相対的に大きい学習データが集中的に学習される。

図８は、図５の制御部１０２によって行われるパーソナリティ予測処理の概要を示す図である。図８に示されるように、制御部１０２は、説明変数としてネットワーク情報ｎ_ａおよび言語情報ｓ_ａを受けて、目的変数としてパーソナリティ値ｐ_ａを出力する。パーソナリティ値ｐ_ａは、以下の式（７）に示されるように、モデルＲＭ_１〜ＲＭ_Ｔの出力を各モデルの信頼度に応じて加重平均された値である。

図９は、パーソナリティ予測装置１００による言語性ＩＱ（Intelligence Quotient）の予測値と言語性ＩＱの実測値との対応関係を示す図である。図９においては、被験者のパーソナリティの予測値と実測値とが１つの点としてプロットされている。図９に示されるように、言語性ＩＱの予測値と言語性ＩＱの実測値との相関係数Ｒは０．３８５であり、ｐ値は０．０１より小さい。一般に相関係数が０．２より大きい場合、両者には相間があり、予測値によって実測値を予測可能であるとされる。そのため、パーソナリティ予測装置１００によって言語性ＩＱが予測可能であるといえる。

なお、パーソナリティ予測装置１００によって予測可能なパーソナリティは、言語性ＩＱに限定されない。パーソナリティ予測装置１００によれば、Ｂｉｇ５以外にも、たとえば、自閉症、共感性、および不安傾向等の予測が可能である。

パーソナリティ予測装置１００においては、被験者の行動の時刻情報として、ＳＮＳにおいて行った行動の時刻情報を用いる場合について説明した。被験者の行動の時刻情報は、ＳＮＳにおいて行った行動の時刻情報に限定されず、たとえばＩｏＴ機器への操作の時刻情報であってもよい。

図１０は、インターネット８００にＩｏＴ機器が接続されている様子を示す図である。図１０に示されるように、インターネット８００には、電子レンジ６１（装置）、洗濯機６２（装置）、およびテレビ６３（装置）が接続されている。電子レンジ６１、洗濯機６２、およびテレビ６３は、ＩｏＴ機器に含まれる。

図１１は、図１０の電子レンジ６１、洗濯機６２、およびテレビ６３に対するユーザＳｂ２の操作の時系列を示す図である。図１１に示されるように、ユーザＳｂ２は、時刻ｔ１１において電子レンジ６１による暖めを開始している。ユーザＳｂ２は、時刻ｔ１２において洗濯機６２による洗濯を開始している。ユーザＳｂ２は、時刻ｔ１３においてリモコンを用いてテレビ６３をつけている。ユーザＳｂ２が電子レンジ６１、洗濯機６２、およびテレビ６３に対して行った操作、および当該操作が行われた時刻情報から得られる特徴量（第１特徴量）が、学習データに含まれてもよい。すなわち、パーソナリティ予測装置１００においては、パーソナリティ予測の対象者がＩｏＴ機器に対して行った操作および当該操作から得られる特徴量（第１特徴量）が当該対象者のパーソナリティ予測に用いられてもよい。

以上、実施の形態に係るパーソナリティ予測装置によれば、パーソナリティ予測を詳細化することができる。

今回開示された各実施の形態はすべての点で例示であって制限的なものではないと考えられるべきである。本発明の範囲は上記した説明ではなくて請求の範囲によって示され、請求の範囲と均等の意味および範囲内でのすべての変更が含まれることが意図される。

５１ デスクトップコンピュータ、５２，６０ スマートフォン、５３ ノート型パーソナルコンピュータ、６１ 電子レンジ、６２ 洗濯機、６３ テレビ、１００ パーソナリティ予測装置、１０１ 記憶部、１０２ 制御部、１０３ ＲＡＭ、１０４ ネットワークインターフェイス、１０５ 表示部、２００ ＳＮＳサーバ、８００ インターネット。

Claims (6)

1. 説明変数を目的変数に対応させる少なくとも１つのモデルが保存された記憶部と、
   前記説明変数を受けて、前記少なくとも１つのモデルを用いて前記目的変数を出力する制御部とを備え、
   前記目的変数は、パーソナリティ値を含み、
   前記説明変数は、広域ネットワークに接続された装置のユーザが当該装置に対して行った操作の種類と前記操作が行われた時刻情報とから得られる第１特徴量を含む、パーソナリティ予測装置。
2. 前記説明変数は、前記ユーザが前記広域ネットワークに接続された端末装置から前記広域ネットワークに接続されたＳＮＳ（Social Network Service）のサーバに送信した文章の形態素解析から得られる第２特徴量と、
   前記第１特徴量は、前記ユーザが前記ＳＮＳにおいて行った行動の種類および時刻情報から生成され、
   前記制御部は、前記第１特徴量および前記第２特徴量を前記サーバから取得する、請求項１に記載のパーソナリティ予測装置。
3. 前記記憶部には、複数の学習データが保存され、
   前記複数の学習データの各々は、複数人の各々のパーソナリティの実測値、ならびに前記複数人の各々に対応する前記第１特徴量および前記第２特徴量が関連付けられた学習データであり、
   前記制御部は、前記複数の学習データに対して複数回の学習を行って各学習においてモデルを生成するアンサンブル学習を行って、前記少なくとも１つのモデルを生成し、前記少なくとも１つのモデルの各々の出力を加重平均した値を前記パーソナリティ値として出力する、請求項２に記載のパーソナリティ予測装置。
4. 前記アンサンブル学習は、各回の学習におい前記複数の学習データの各々について、当該学習データから予測されるパーソナリティの予測値と当該学習データの実測値との誤差が大きい程、当該学習データの重みを相対的に増加させて、次回の学習における誤差の最小化に反映させるＡｄａＢｏｏｓｔ（Adaptive Boosting）であり、
   前記制御部は、前記第１特徴量から予測されるパーソナリティの予測値と実測値との誤差を最小化する学習、および前記第２特徴量から予測されるパーソナリティの予測値と実測値との誤差を最小化する学習を交互に行い、
   前記少なくとも１つのモデルの各々の出力を前記少なくとも１つのモデルの各々の信頼度に応じて加重平均した値を前記パーソナリティ値として出力する、請求項３に記載のパーソナリティ予測装置。
5. 前記少なくとも１つのモデルは、正則化項としてＬＡＳＳＯ（Least Absolute Shrinkage and Selection Operator）が用いられる線形回帰モデルである、請求項１〜４のいずれか１項に記載のパーソナリティ予測装置。
6. モデルを機械学習によって生成するための学習データを、広域ネットワークを介して収集する学習データ収集装置であって、
   前記モデルの目的変数は、パーソナリティ値を含み、
   前記モデルの説明変数は、前記広域ネットワークに接続された装置のユーザが当該装置に対して行った操作の種類と前記操作が行われた時刻情報とから得られる特徴量を含み、
   前記学習データ収集装置は、
   制御部と、
   記憶部とを備え、
   前記制御部は、前記広域ネットワークに接続された端末装置のユーザにパーソナリティ診断テストを行って前記端末装置のユーザのパーソナリティの実測値を取得し、前記実測値と前記特徴量とを関連付けて学習データとして前記記憶部に保存する、学習データ収集装置。