JP7041639B2 - 選択装置、選択方法および選択プログラム - Google Patents

Description

本発明は、選択装置、選択方法および選択プログラムに関する。

従来、様々な情報を利用者に提供する情報提供技術が知られている。このような情報提供技術の一例として、情報提供先となる利用者の属性に応じて、提供対象となる情報を選択する技術が知られている。例えば、所謂Ｑ＆Ａ（question answering）サイトにおいて、質問者の属性に基づいて理想的な回答者を推定し、推定した回答者に質問を通知する技術が知られている。

特開２０１２－０３３０７６号公報

しかしながら、上述した従来技術では、適切な情報を利用者に提供しているとは言えない場合がある。

例えば、上述したＱ＆Ａサイトにおいて、回答者により回答として投稿された文書の表現が質問者の好みに合わない場合、質問者がＱ＆Ａサイトの利用を取りやめる恐れがある。また、質問者により質問として投稿された文章の表現が回答者の好みに合わない場合、適切な回答が投稿されなくなる恐れがある。

本願は、上記に鑑みてなされたものであって、利用者に対してより適切な情報を提供することを目的とする。

本願に係る選択装置は、利用者により入力された情報に基づいて、当該利用者の性質を推定する推定部と、前記推定部により推定された利用者の性質と対応する性質を有する提供者により提供される提供対象を、前記利用者に対して提供される提供対象として選択する選択部とを有することを特徴とする。

実施形態の一態様によれば、利用者に対してより適切な情報を提供することができる。

図１は、第１実施形態に係る情報提供装置の一例を示す図である。 図２は、第１実施形態に係る情報提供装置の構成例を示す図である。 図３は、第１実施形態に係る利用者データベースに登録される情報の一例を示す図である。 図４は、第１実施形態に係る投稿データベースに登録される情報の一例を示す図である。 図５は、第１実施形態に係る学習処理の流れの一例を示すフローチャートである。 図６は、第１実施形態に係る選択処理の流れの一例を示すフローチャートである。 図７は、第２実施形態に係る情報提供装置が広告を配信する際に実行する選択処理の一例を示す図である。 図８は、第２実施形態に係る情報提供装置の構成例を示す図である。 図９は、第２実施形態に係る利用者データベースに登録される情報の一例を示す図である。 図１０は、第２実施形態に係る広告データベースに登録される情報の一例を示す図である。 図１１は、第３実施形態に係る情報提供装置が問い合わせを受けた際に実行する選択処理の一例を示す図である。 図１２は、第３実施形態に係る情報提供装置の構成例を示す図である。 図１３は、第３実施形態に係るオペレータデータベースに登録される情報の一例を示す図である。 図１４は、ハードウェア構成の一例を示す図である。

以下に、本願に係る選択装置、選択方法および選択プログラムを実施するための形態（以下、「実施形態」と記載する。）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選択装置、選択方法および選択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する。

[第１実施形態]
〔１－１．情報提供装置の一例について〕
まず、図１を用いて、実施形態に係る選択装置の一例である情報提供装置１０の一例について説明する。なお、以下の説明では、情報提供装置１０が実行する選択処理の一例として、所謂Ｑ＆Ａサイトに関するサービスにおいて実行させる選択処理の一例について説明するが、実施形態は、これに限定されるものではない。後述する説明で明らかとなるように、選択処理は、Ｑ＆Ａサイトに関するサービス以外にも、各種のコミュニティーサイト等、利用者に対して提供される任意のサービスに対して適用可能である。

また、以下の説明では、Ｑ＆Ａサイトに対して質問となる文章等を投稿する利用者を質問者と記載し、質問に対して回答となる文章等を投稿する利用者を回答者と記載する。また、以下の説明では、質問となる文章や回答となる文章等、各利用者から受付けた情報を、各利用者から投稿された投稿情報と総称する場合がある。

図１は、第１実施形態に係る情報提供装置の一例を示す図である。図１に示す情報提供装置１０は、選択処理を行う情報処理装置であり、例えば、サーバ装置やクラウドシステム等により実現される。例えば、情報提供装置１０は、４Ｇ（Generation）、５Ｇ、ＬＴＥ（Long Term Evolution）、Ｗｉｆｉ（登録商標）若しくは無線ＬＡＮ（Local Area Network）等といった各種の無線通信網若しくは各種の有線通信網といったネットワークＮ（例えば、図２参照）を介して、各利用者が使用する端末装置ＱＴ１、ＲＴ１～ＲＴ３との間で通信を行う。

端末装置ＱＴ１、ＲＴ１～ＲＴ３（以下、「端末装置Ｔ」と総称する場合がある。）は、ＰＣ（Personal Computer）、サーバ装置、スマートテレビジョン、スマートフォン若しくはタブレット等といったスマートデバイス等により実現され、ネットワークＮを介して、情報提供装置１０との間で通信を行うことができる携帯端末装置である。また、端末装置Ｔは、液晶ディスプレイ等の画面であって、タッチパネルの機能を有する画面を有し、利用者から指やスタイラス等によりタップ操作、スライド操作、スクロール操作等、情報提供装置１０から配信されるコンテンツに対する各種の操作を受付け可能な機能を有していてもよい。

なお、図１に示す例では、端末装置ＱＴ１は、質問者Ｑ１により利用される端末装置であり、端末装置ＲＴ１～ＲＴ３は、それぞれ異なる回答者Ｒ１～Ｒ３により利用される端末装置であるものとする。また、図１に示す例では、１人の質問者Ｑ１および３人の回答者Ｒ１～Ｒ３を記載したが、実施形態は、これに限定されるものではない。情報提供装置１０は、任意の数の質問者から任意の数の質問を受付けてよく、任意の数の回答者から任意の数の回答を受付けてよい。

〔１－２．選択処理について〕
ここで、Ｑ＆Ａサイトにおいては、各質問に対する回答の質を向上させることで、新たな質問の投稿を促すことができる結果、質問や回答の閲覧数を向上させ、サイト全体の活性化を図ることができると考えられる。一方で、回答の内容が正しいとしても、文章表現によっては、質問者の気分を害する結果、質問頻度を低下させ、サイト全体の活性化を図ることができなくなる恐れがある。

そこで、情報提供装置１０は、質問や回答といった投稿情報の内容や表現等、投稿情報そのものが有する特徴ではなく、投稿情報を投稿した投稿者（すなわち、質問者や回答者）の性質が対応するか否かに基づいて、回答者に対して質問の提供を行う。例えば、情報提供装置１０は、回答者が過去に投稿した回答の履歴に基づいて、回答者の性質を推定する。例えば、情報提供装置１０は、回答者がせっかちであるか気長であるかといった性格の推定を行う。なお、情報提供装置１０は、回答者が長い文章を好むか否か、直接的な表現を好むか否か、批判的な表現を多用するか否かというように、回答者が好む情報の傾向を回答者の性質として推定してもよい。

そして、情報提供装置１０は、Ｑ＆Ａサイトに投稿された質問のうち、回答者の性質と対応する性質を有する質問者により投稿された質問を提供対象として選択する。例えば、情報提供装置１０は、回答者がせっかちな性格であると推定された場合は、同様にせっかちな質問者により投稿された質問を選択し、選択した質問の情報を回答者に対して提供する。また、他の例では、情報提供装置１０は、回答者が長い文章を好むと推定された場合は、同様に長い文章を好む質問者より投稿された質問を選択し、選択した質問の情報を回答者に対して提供する。

このように、情報提供装置１０は、投稿情報同士の類似性ではなく、投稿情報を投稿した投稿者の性質の類似性に基づいて、各利用者に対して提供する情報を選択する。具体的には、情報提供装置１０は、情報提供先となる利用者に対して提供する情報として、その利用者の性質と対応する性質を有する情報提供者により提供された情報を選択する。このような処理の結果、情報提供装置１０は、例えば、質問者が気に入る可能性が高い回答の投稿を促すことができるので、適切な情報を利用者に提供することができる。より具体的な例を挙げると、情報提供装置１０は、例えば、質問者が回答者の回答を気に入る頻度を向上させる結果、新たな質問の投稿を促すので、サイト全体の活性化を図ることができる。

以下、利用者の性質として、利用者の性格を推定し、推定した性格と対応する性格の提供元により提供される情報を利用者に提供する処理の一例について説明する。ここで、利用者の性質とは、所謂各種の性格に限定されるものではなく、どのような情報を好むかという好みに関する感情をも含む概念である。

〔１－３．学習処理の一例について〕
例えば、情報提供装置１０は、選択処理に先駆けて、各利用者が入力した投稿情報から利用者の性質を推定するための学習モデルを生成する学習処理を実行する。例えば、図１に示す例では、情報提供装置１０は、各利用者Ｕ１、Ｕ２の過去ログと、各利用者Ｕ１、Ｕ２の性格との関係性を学習モデルに学習させる（ステップＳ１）。

例えば、情報提供装置１０は、利用者Ｕ１の過去ログ＃１が有する特徴を学習モデルに入力した際に、利用者Ｕ１の性格診断結果＃Ｕ１が出力され、用者Ｕ２の過去ログ＃２が有する特徴を学習モデルに入力した際に、利用者Ｕ２の性格診断結果＃Ｕ２が出力されるように、学習モデルの学習を行う。

なお、このような学習モデルは、例えば、ＳＶＭ（Support Vector Machine）やＤＮＮ（Deep Neural Network）といった各種の分類器によって実現可能である。なお、ＤＮＮは、例えば、ＲＮＮ（Recurrent Neural Network）、ＣＮＮ（Convolution Neural Network）、ＬＳＴＭ(Long short-term memory)等といった任意の構成を有するニューラルネットワークが採用可能である。

以下、学習処理の具体例について説明する。例えば、情報提供装置１０は、任意の数の任意の利用者Ｕ１、Ｕ２（以下、単に「利用者Ｕ」と総称する。）の性質として、所定の診断手法により予め診断された性格を示す性格診断結果を取得する。例えば、情報提供装置１０は、Ｂｉｇ５と呼ばれる性格診断手法により診断された各利用者Ｕの開放性、まじめさ、外向性、協調性、および精神安定性といった各性格特性のそれぞれを示すスコアを取得する。なお、情報提供装置１０は、エゴグラムと呼ばれる性格診断手法により診断された各利用者Ｕの厳しさ度、優しさ度、冷静度、自由気まま度、従順度といった各性格特性のそれぞれを示すスコアを取得してもよい。また、情報提供装置１０は、ＯＫグラムと呼ばれる性格診断手法により診断された各利用者Ｕの他者否定性、他者肯定性、自己肯定性、自己否定性といった各性格特性のそれぞれを示すスコアを取得してもよい。

なお、このような性格診断結果は、例えば、予め各利用者Ｕに対していくつかの質問を行い、質問に対する回答に基づいて得られた情報であってもよい。また、このような性格診断結果は、例えば、占いサイトやお見合いサイト等、利用者Ｕに対して提供された各種サービスにおける利用履歴から推定されたものであってもよい。

また、このような性格診断結果は、予め設定された性格と特徴語との関係性に基づいて推定されたものであってもよい。例えば、情報提供装置１０は、各性格と、その性格を有する利用者が入力しやすいキーワードとの対応をあらかじめ保持しておき、利用者Ｕが過去に投稿した各種の文字列からキーワードを抽出する。そして、情報提供装置１０は、抽出したキーワードと対応付けられた性格に基づいて、その利用者Ｕの性格を推定しても良い。また、情報提供装置１０は、利用者Ｕが入力した検索クエリと共起するキーワードを特定し、特定したキーワードと対応する性格に基づいて、利用者Ｕの性格を推定してもよい。

なお、情報提供装置１０は、上述した性格特性以外にも、例えば、長い文章を好むか否か、直接的な表現を好むか否か、冗長な表現を好むか否か等といった、利用者Ｕの文章に対する好みを示す情報を性格診断結果として取得してもよい。すなわち、情報提供装置１０は、利用者Ｕが好む投稿情報の指標となりえる情報であって、利用者Ｕ自身に関する情報であれば、任意の情報を利用者Ｕの性質を示す情報として取得して良い。

続いて、情報提供装置１０は、性格診断結果に基づいて、各利用者Ｕをカテゴリ分類する。例えば、情報提供装置１０は、外向性を有する利用者、協調性を有する利用者、長い文章を好む利用者等、任意の尺度で、各利用者Ｕを性格診断結果に応じたカテゴリに分類する。そして、情報提供装置１０は、カテゴリごとに、同一カテゴリに属する利用者Ｕにより入力された入力情報から、相互情報量を用いて、特徴情報を抽出する。例えば、情報提供装置１０は、同一カテゴリに属する利用者Ｕに入力された検索クエリ、質問、回答、ＳＮＳ（Social Networking Service）に投稿した情報、プロフィール、各種のコメント等といった各種のＵＧＣ（User Generated Contents）を収集する。なお、情報提供装置１０は、例えば、利用者Ｕが投稿した質問に対する回答のうち、利用者Ｕがベストアンサーとして選択した回答、すなわち、利用者Ｕが最も気に入った回答をＵＧＣ情報として収集してもよい。

続いて、情報提供装置１０は、入力情報から単語や頻出する表現等といった文字列を特徴語として抽出し、抽出した特徴語とカテゴリとの間の相互情報量（Mutual information）を計算する。そして、情報提供装置１０は、相互情報量の値が高い方から順に所定の数の特徴語をそのカテゴリの特徴語として選択する。このような処理をカテゴリごとに実行することで、情報提供装置１０は、各カテゴリと対応する特徴語を過去ログの特徴として得ることができる。

続いて、情報提供装置１０は、あるカテゴリと対応する過去ログの特徴、すなわち、カテゴリと対応する特徴語を学習モデルに入力した際に、その特徴語と対応するカテゴリを出力するように、学習モデルの学習を行う。例えば、情報提供装置１０は、特徴語を学習モデルに入力した際に、その特徴語と対応するカテゴリを示す情報を出力するように、バックプロパゲーション等の技術を用いて学習モデルの学習を行う。なお、情報提供装置１０は、カテゴリごとに、入力された特徴語とカテゴリとが対応する確度を示すスコアを出力するように学習モデルの学習を行ってもよい。また、情報提供装置１０は、ＵＧＣ情報が入力された場合に、そのＵＧＣ情報に含まれる特徴語と対応するカテゴリを示す情報を出力するように、学習モデルの学習を行ってもよい。このような処理の結果、情報提供装置１０は、ある利用者Ｕによって入力された情報が入力された場合に、その利用者Ｕの性格を示す情報を出力する学習モデルを得ることができる。

なお、例えば、情報提供装置１０は、利用者ＵがＵＧＣ情報として入力した文章の履歴や、利用者Ｕがベストアンサーとして選択した回答の文章を入力した際に、利用者Ｕの性格を示す情報を出力するように学習モデルの学習を行ってもよい。このような学習を行った場合、情報提供装置１０は、例えば、利用者Ｕが作成する文章の特徴や、利用者Ｕが好む文章の特徴に基づいて、利用者Ｕの性格等を推定する学習モデルの学習を実現することができる。

〔１－４．選択処理の一例について〕
続いて、情報提供装置１０は、情報提供先となる利用者のＵＧＣ情報等から、学習モデルを用いて、利用者の性格を推定し、推定した性格と対応する性格の提供者によって提供される情報を提供する。例えば、情報提供装置１０は、回答者の性格を推定し、推定した性格と対応する性格の質問者によって投稿された質問を、回答者に対して提供する。すなわち、情報提供装置１０は、単に質問者の質問と、回答者の回答との類似性や対応に応じたマッチングを行うのではなく、回答者の回答から垣間見える回答者の性格と、質問者の性格とのマッチングを行い、回答者に対し、回答者の性格とマッチする性格の質問者により投稿された質問を提供する。

例えば、図１に示す例では、情報提供装置１０は、質問者Ｑ１が利用する端末装置ＱＴ１を介して、質問者Ｑ１から質問を受付ける（ステップＳ２）。このような場合、情報提供装置１０は、質問者の文章若しくは質問者が選択した文章から質問者の性格を推定する（ステップＳ３）。例えば、図１に示す例では、情報提供装置１０は、質問者Ｑ１が投稿した質問の履歴である質問履歴＃Ｑ１や、質問者Ｑ１がベストアンサーとして選択した回答の履歴である選択履歴＃Ｑ１等を収集する。そして、情報提供装置１０は、収集した質問履歴＃Ｑ１や選択履歴＃Ｑ１に含まれる単語等の文字列を学習モデルに入力することで、質問者Ｑ１の性格を推定する。

続いて、情報提供装置１０は、各回答者Ｒ１～Ｒ３の回答履歴を収集する（ステップＳ４）。そして、情報提供装置１０は、各回答者Ｒ１～Ｒ３の回答履歴から、回答者の性格を推定する（ステップＳ５）。例えば、情報提供装置１０は、各回答者Ｒ１～Ｒ３が回答として投稿した文章を学習モデルに入力することで、各回答者Ｒ１～Ｒ３の性格を推定する。

続いて、情報提供装置１０は、質問者の性格とマッチする性格の回答者を選択する（ステップＳ６）。ここで、情報提供装置１０は、同一若しくは類似する性格の質問者と回答者とをマッチングさせてもよく、予め対応付けられた性格の質問者と回答者とをマッチングしてもよい。例えば、情報提供装置１０は、長い文章が好みの質問者に対しては、長い文章が好みの回答者をマッチングしてもよい。また、情報提供装置１０は、例えば、短気な質問者に対しては、気が長い回答者をマッチングしてもよい。

そして、情報提供装置１０は、各回答者に対し、正確がマッチした質問者により投稿された質問を提示する。例えば、情報提供装置１０は、回答者Ｒ３の性格に対し、質問者Ｑ１の性格がマッチした場合は、質問者Ｑ１が投稿した質問に関する情報を提供する（ステップＳ７）。例えば、情報提供装置１０は、質問者Ｑ１が投稿した質問と、回答してみませんかといった情報を、メール等の各種プッシュ通知により、端末装置ＲＴ３に送信してもよい。

このような処理の結果、情報提供装置１０は、質問者Ｑ１の質問に対し、質問者Ｑ１と性格がマッチする性格の回答者Ｒ３による回答の登録を促すことができる。このような結果、情報提供装置１０は、質問者Ｑ１が、回答者Ｒ３による回答を気に入る可能性を向上させることができる。

例えば、質問者Ｑ１が投稿した質問の文章は、質問者Ｑ１の性格を示していると考えられる。そこで、情報提供装置１０は、質問者Ｑ１の質問履歴＃Ｑ１から質問者Ｑ１の性格を推定し、回答者Ｒ１～Ｒ３のうち、回答から推定される性格が質問者Ｑ１の性格と同一若しくは類似する性格の回答者を選択する。なお、情報提供装置１０は、短気な質問者Ｑ１に対して、気長な回答者Ｒをマッチングさせる等、予め対応付けられた異なる性格の質問者Ｑと利用者Ｒとを対応付けてもよい。このような処理の結果、情報提供装置１０は、質問者Ｑ１と、質問者Ｑ１の質問に対して回答を行う回答者との性格を揃えることができるので、意思の疎通を円滑にする結果、適切な回答の投稿を促すことができる。

また、例えば、質問者Ｑ１がベストアンサーとして選択した回答の文章は、文章における質問者Ｑ１の好みを示していると考えられる。そこで、情報提供装置１０は、質問者Ｑ１が選択したベストアンサーとなる回答の文章から、学習モデルを用いて、質問者Ｑ１が好む性格を推定する。すなわち、情報提供装置１０は、質問者Ｑ１が好む回答者の性格を推定する。そして、情報提供装置１０は、回答者Ｒ１～Ｒ３の回答の履歴から、各回答者Ｒ１～Ｒ３の性格を推定し、推定された性格が、質問者Ｑ１が好む回答者の性格と同一若しくは類似する回答者を選択する。そして、情報提供装置１０は、選択した回答者に対して、質問者Ｒ１の質問を提供する。このような処理の結果、情報提供装置１０は、質問者Ｑ１が好む文章表現の回答を投稿させることができるので、質問者Ｑ１による新たな質問の投稿を促すことができる。

〔２．情報提供装置の構成〕
以下、上記した情報提供装置１０が有する機能構成の一例について説明する。なお、以下の説明では、Ｑ＆Ａサイトにおいて選択処理を実行する情報提供装置１０が有する機能構成の一例を示す。図２は、第１実施形態に係る情報提供装置の構成例を示す図である。図２に示すように、情報提供装置１０は、通信部２０、記憶部３０、および制御部４０を有する。

通信部２０は、例えば、ＮＩＣ（Network Interface Card）等によって実現される。そして、通信部２０は、ネットワークＮと有線または無線で接続され、端末装置Ｔとの間で情報の送受信を行う。

記憶部３０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。また、記憶部３０は、利用者データベース３１、投稿データベース３２、および学習モデル３３を記憶する。以下、図３、図４を用いて、利用者データベース３１および投稿データベース３２に登録される情報の一例について説明する。

利用者データベース３１には、質問者若しくは回答者となる利用者の情報が登録されている。例えば、図３は、第１実施形態に係る利用者データベースに登録される情報の一例を示す図である。図３に示すように、利用者データベース３１には、「利用者ＩＤ（Identifier）」、「質問履歴」、「回答履歴」、および「性格情報」といった項目を有する情報が登録される。

ここで、「利用者ＩＤ」とは、利用者を識別するための識別子である。また、「質問履歴」とは、利用者により投稿された質問の履歴である。また、「回答履歴」とは、利用者により投稿された回答の履歴である。また、「性格情報」とは、各種の性格診断手法により診断された利用者の性格、若しくは、学習モデルを用いて推定された性格を示す情報である。

例えば、図３に示す例では、利用者ＩＤ「Ｕ１」、質問履歴「質問履歴＃Ｕ１」、回答履歴「回答履歴＃Ｕ１」、および性格情報「性格＃Ｕ１」といった情報が登録されている。このような情報は、利用者ＩＤ「Ｕ１」が示す利用者により、質問履歴「質問履歴＃Ｕ１」が示す質問が投稿され、回答履歴「回答履歴＃Ｕ１」が示す回答が投稿されており、性格情報「性格＃Ｕ１」が示す性格を有する旨を示す。なお、図３に示す例では、質問履歴＃Ｕ１、回答履歴＃Ｕ１、および性格＃Ｕ１といった概念的な値を記載したが、実際には、投稿された質問や回答となる文字列、性格を示す文字列や数値等が登録されることとなる。また、図３に示す情報以外にも、利用者に関する任意の情報が利用者データベース３１に登録されていてよい。

投稿データベース３２には、質問者若しくは回答者により投稿された各種の投稿情報が登録されている。例えば、図４は、第１実施形態に係る投稿データベースに登録される情報の一例を示す図である。図４に示すように、投稿データベース３２には、「投稿ＩＤ」、「投稿種別」、「タイトル」、「投稿内容」、「選択情報」、および「評価情報」といった項目を有する情報が登録される。

ここで、「投稿ＩＤ」とは、投稿情報を識別する識別子である。また、「投稿種別」とは、投稿情報が質問であるか回答であるかを示す情報である。また「タイトル」とは、質問のサムネイルとなるタイトルを示す情報である。また、「投稿内容」とは、投稿された質問や回答の文章である。また、「選択情報」とは、対応付けられた質問に対応する回答のうち、ベストアンサーとして質問者により選択された回答の投稿ＩＤを示す情報である。また、「評価情報」とは、質問や回答に対する各利用者の評価を示す情報である。

例えば、図４に示す例では、投稿ＩＤ「Ｃ１」、投稿種別「質問」、タイトル「タイトル＃Ｃ１」、投稿内容「内容＃Ｃ１」、選択情報「Ｃ２」、および評価情報「評価＃Ｃ１」といった情報が対応付けて登録されている。このような情報は、投稿ＩＤ「Ｃ１」が示す投稿が、投稿種別「質問」が示すように、質問として投稿された投稿情報であり、タイトルが「タイトル＃Ｃ１」であり、投稿内容が「内容＃Ｃ１」である旨を示す。また、このような情報は、投稿ＩＤ「Ｃ１」が示す質問において、ベストアンサーとして選択された回答が、投稿ＩＤ「Ｃ２」が示す回答であり、各利用者から評価情報「評価＃Ｃ１」が示す評価を受けている旨を示す。

なお、図４に示す例では、「タイトル＃Ｃ１」、「内容＃Ｃ１」、「評価＃Ｃ１」といった概念的な値を記載したが、実際には、タイトルとなる文字列、質問や回答となる文字列、「いいね」といった好意的な評価が行われた回数を示す数値等が登録されることとなる。また、図４に示す情報以外にも、例えば、投稿データベース３２には、投稿を行った利用者の利用者ＩＤや各種投稿に関する任意の情報が登録されていてもよい。

図２に戻って説明を続ける。制御部４０は、例えば、コントローラ（controller）であり、ＣＰＵ（Central Processing Unit）やＭＰＵ（Micro Processing Unit）等によって、情報提供装置１０内部の記憶装置に記憶されている各種プログラムが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４０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。

図２に示すように、制御部４０は、収集部４１、学習部４２、受付部４３、推定部４４、選択部４５、および提供部４６を有する。収集部４１は、学習モデルを学習するための学習データを収集する。

例えば、収集部４１は、各利用者が過去に入力した検索クエリ、利用者が投稿した質問の文章や回答の文章、利用者がベストアンサーとして選択した回答の文章、利用者が好意的な評価を行った質問や回答の文章等を過去ログとして収集する。また、収集部４１は、各種のＵＧＣ情報を過去ログとして収集する。

続いて、収集部４１は、各利用者の性格診断結果を収集する。例えば、収集部４１は、各利用者に対して、Ｂｉｇ５等といった各種性格診断を行うよう提案し、診断結果の登録を受付ける。なお、収集部４１は、占いサイト等におけるウェブサービスの利用履歴に基づいて、各利用者の性格診断結果を推定してもよい。そして、収集部４１は、性格診断結果を利用者データベース３１に登録する。

学習部４２は、学習モデル３３の学習を行う。例えば、学習部４２は、性格診断結果に応じて、各利用者をカテゴリ分けし、各カテゴリに分類された利用者の過去ログから、特徴語の抽出を行う。そして、学習部４２は、抽出した特徴語を入力した際に、利用者の性格診断結果を示す文字列や数値を出力するように、バックプロパゲーション等の技術を用いて学習モデル３３の学習を行う。すなわち、学習部４２は、利用者が入力した情報と、情報を入力した利用者の性格であって、所定の性格診断手法により予め診断された性格との共起性を学習した学習モデル３３を生成する。

受付部４３は、新たな質問や回答の登録を受付ける。例えば、受付部４３は、質問者が使用する端末装置Ｔから質問となる文章を受付けると、受付けた文章を質問として投稿データベース３２に登録する。また、受付部４３は、回答者が使用する端末装置Ｔから回答となる文章を受付けると、受付けた文章を、対応する質問の投稿ＩＤと対応付けて、投稿データベース３２に登録する。

推定部４４は、利用者により入力された情報に基づいて、利用者の性格を推定する。例えば、推定部４４は、利用者データベース３１を参照し、性格診断結果が登録されていない利用者を選択する。続いて、推定部４４は、選択した利用者が入力した文字列が有する特徴に基づいて、利用者の性格を推定する。より具体的には、推定部４４は、入力された情報が有する特徴と、情報を入力した利用者の性格との間の関係性を学習した学習モデルを用いて、利用者により入力された情報から、利用者の性格を推定する。

例えば、推定部４４は、利用者データベース３１と投稿データベース３２とを参照し、性格の推定対象となる利用者が投稿した質問や回答の文章を収集する。また、推定部４４は、利用者がベストアンサーとして選択した回答の文章を収集する。そして、推定部４４は、収集した文章を学習モデル３３に入力し、学習モデル３３の出力に応じて、利用者の性格を推定する。

このような処理により、推定部４４は、例えば、利用者が回答者として入力した文章に基づいて、回答者としての利用者の性格を推定することができる。また、推定部４４は、例えば、利用者が質問者として入力した文章や、利用者が質問者として選択した回答であって、ベストアンサーとして選択した回答の文章から、質問者としての利用者の性格を推定することができる。すなわち、推定部４４は、提供者により投稿された質問の履歴に基づいて、提供者の性格を推定することもでき、提供者により投稿された質問に対する回答のうち、提供者によって選択された回答の履歴に基づいて、提供者が好む回答者の性格を推定することもできる。

そして、推定部４４は、推定結果を利用者データベース３１に登録する。なお、推定部４４は、利用者の性格の推定を任意のタイミングで実行して良い。例えば、推定部４４は、所定の時間間隔で、利用者データベース３１の更新を行ってもよい。また、推定部４４は、性格が推定されていない利用者以外にも、例えば、性格の推定が行われてから所定の期間が経過した利用者についても、新たな性格の推定を行ってもよい。また、推定部４４は、各種の性格診断手法により性格が診断された利用者については、推定対象から除外してもよい。

選択部４５は、利用者に対して提供される提供対象の選択を行う。例えば、選択部４５は、推定された利用者の性格と対応する性格を有する提供者により提供される提供対象を、利用者に対して提供される提供対象として選択する。

例えば、選択部４５は、投稿された質問の配信要求を端末装置Ｔから受付けた場合、配信要求元となる利用者、すなわち、情報提供先となる回答者の特定を行い、特定した回答者の性格であって、性格診断手法により診断された性格若しくは推定された性格を利用者データベース３１から読み出す。続いて、選択部４５は、投稿データベース３２から、各種の質問を抽出するとともに、抽出した各質問を投稿した利用者、すなわち、情報提供元となる質問者の性格を利用者データベース３１から特定する。例えば、選択部４５は、質問者の性格として、各種の性格診断手法により診断された性格、若しくは推定部４４により推定された性格を特定する。

そして、選択部４５は、各質問者の性格と回答者の性格とを比較し、回答者の性格と対応する性格の質問者を特定する。そして、選択部４５は、特定した質問者により投稿された質問を配信対象として選択する。例えば、選択部４５は、回答者の性格と類似する性格の質問者や、回答者の性格とあらかじめ対応付けられていた性格の質問者により投稿された質問を、配信対象として選択する。

提供部４６は、選択部４５により選択された質問に関する情報を回答者に対して提供する。例えば、提供部４６は、選択部４５が選択した質問のサムネイル等を示すコンテンツを生成し、生成したコンテンツを端末装置Ｔへと配信する。

〔３．処理手順〕
次に、図５を用いて、実施形態に係る情報提供装置１０による学習処理の手順について説明する。図５は、第１実施形態に係る学習処理の流れの一例を示すフローチャートである。例えば、情報提供装置１０は、利用者の性格診断結果を収集する（ステップＳ１０１）。そして、情報提供装置１０は、性格のカテゴリごとに、各利用者の過去ログから特徴語を抽出し（ステップＳ１０２）、特徴語と性格のカテゴリとの関係性をモデルに学習させ（ステップＳ１０３）、処理を終了する。

次に、図６を用いて、情報提供装置１０が実行する選択処理の流れの一例を説明する。図６は、第１実施形態に係る選択処理の流れの一例を示すフローチャートである。図６に示すように、情報提供装置１０は、学習モデルを用いて、質問者が選択した回答の履歴から、質問者の性格を推定する（ステップＳ２０１）。続いて、情報提供装置１０は、回答者の回答履歴から、回答者の性格を推定する（ステップＳ２０２）。そして、情報提供装置１０は、質問者の中から、所定の回答者の性格と対応する性格の質問者を選択し（ステップＳ２０３）、選択した質問者の質問を回答者に対して提供し（ステップＳ２０４）、処理を終了する。なお、情報提供装置１０は、ステップＳ２０１とステップＳ２０２とを実行する順序を入替えてもよい。任意のタイミングで実行して良い。

〔４．変形例〕
上述した情報提供装置１０は、上記実施形態以外にも種々の異なる形態にて実施されてもよい。そこで、以下では、情報提供装置１０の他の実施形態について説明する。

〔４－１．実行タイミングについて〕
上述した説明では、情報提供装置１０は、質問の配信要求を受付けた際に選択処理を実行し、回答者の性格とマッチする性格の質問者による質問を配信した。しかしながら、実施形態は、これに限定されるものではない。情報提供装置１０は、任意の実行タイミングで、上述した選択処理を実行して良い。

例えば、情報提供装置１０は、所定の時間間隔で、各利用者の性格と対応する性格の質問者により投稿された質問を選択し、選択した質問に対する回答を提案するコンテンツを各利用者に対して提供してもよい。また、情報提供装置１０は、新たな質問が投稿された場合に、質問者の性格と対応する利用者を回答者として選択し、選択した回答者に対して、新たな質問に対して回答を行う旨を提案するコンテンツを配信してもよい。

すなわち、情報提供装置１０は、質問者の性格と回答者の性格とをマッチさせることができるのであれば、任意のタイミングで、上述した選択処理を実行し、実行した結果選択された質問若しくは回答を、各利用者に対して提供すればよい。

〔４－２．選択処理の提供対象について〕
ここで、上述した処理以外にも、情報提供装置１０は、情報提供元（例えば、質問を提供する質問者）のうち、情報適用先（例えば、回答を提供する回答者）の性格と対応する性格の情報提供元により提供される情報を、情報提供先に対して提供するのであれば、任意の処理において上述した選択処理を実行してよい。また、情報提供装置１０は、情報提供先の性格と情報提供元の性格とが対応する場合に、情報提供元から提供される情報を情報提供先へと提供するのであれば、情報提供元の性格をキーにして情報提供先の選択を行ってもよく、情報提供先の性格をキーにして情報提供元の選択を行ってもよい。

ここで、どのような性格同士をマッチング対象とするかについては、情報提供元から情報提供先へと提供される情報の種別や内容、情報提供装置１０が提供するサービスの内容、学習モデルに何を学習させるか、情報提供元や情報提供先が入力したどのような情報から性格を推定するか等により適宜変化すると考えられる。そこで、情報提供装置１０は、提供される情報の種別や内容、もしくはサービスの内容等に基づいて、予め設定された性格同士の態様に基づいて、上述した選択処理を実行すればよい。

例えば、ＳＮＳ等においては、第１利用者が投稿した投稿に対し、他の第２利用者が各種のコメントを付与する場合がある。このようなＳＮＳにおいて、第１利用者は、Ｑ＆Ａサイトにおける質問者と同様の情報提供元と見做すことができ、第２利用者は、Ｑ＆Ａサイトにおける回答者と同様の情報提供先と見做すことができる。そこで、情報提供装置１０は、性格のマッチング結果に基づいて、第２利用者に対して提供する第１利用者の投稿を選択してもよい。

例えば、ＳＮＳにおける投稿と投稿に対するコメントとを考慮すると、第１利用者の性格と第２利用者の性格とは、類似した方がよいと考えられる。そこで、情報提供装置１０は、第１利用者の投稿履歴やコメントの履歴に基づいて、第１利用者の性格を推定するとともに、第２利用者の投稿履歴やコメントの履歴に基づいて、第２利用者の性格を推定する。そして、情報提供装置１０は、第１利用者の性格と第２利用者の性格とが類似する場合に、第１利用者の投稿を第２利用者に通知してもよい。

また、ＳＮＳにおいては、投稿やコメント等に対して「いいね」といった評価を行うことができる場合がある。このような「いいね」といった評価を行った投稿やコメントは、各利用者自身が投稿した文章ではないものの、利用者の好みを示すコメントであると言える。そこで、情報提供装置１０は、第１利用者が「いいね」といった好意的な評価を行った投稿やコメント、すなわち、第１利用者が選択した投稿やコメントから第１利用者の性格を推定するとともに、第２利用者が選択した投稿やコメントから、第２利用者の性格を推定する。そして、情報提供装置１０は、推定した性格がマッチする場合に、第２利用者に対して第１利用者の投稿を提供してもよい。

また、Ｑ＆Ａサイトにおいては、質問の要約や一部が含まれたサムネイルが回答者に対して提供され、回答者がいずれかのサムネイルを選択すると、選択されたサムネイルと対応する質問が表示される場合がある。また、各種のポータルサイトやニュースサイトにおいては、利用者に対してコンテンツのサムネイルが提示され、利用者が選択したサムネイルと対応するコンテンツが提供されることとなる。

このように、コンテンツに先駆けてサムネイルが提供される場合、コンテンツそのものではなく、サムネイルに基づいて情報提供元の性格を推定し、推定した性格を用いたマッチングを行うことで、サムネイルの選択頻度を向上させ、ひいては、情報提供先となる利用者がコンテンツを閲覧する頻度を向上させることができるとも考えられる。

そこで、情報提供装置１０は、コンテンツの要約のうち利用者が選択した要約に基づいて、利用者の性質を推定し、推定された利用者の性質と対応する性質を有する提供者により提供されるコンテンツの要約を、利用者に対して提供される提供対象として選択してもよい。例えば、情報提供装置１０は、各種の質問やニュース等といったコンテンツの要約や一部の文章を含むサムネイルのうち、情報提供先となる利用者が選択したサムネイルを特定する。そして、情報提供装置１０は、特定したサムネイルに含まれるテキストに基づいて、情報提供先となる利用者の性格を推定し、推定した性格と対応する性格の情報提供元により投稿されたコンテンツのサムネイルを配信対象として選択すればよい。

ここで、情報提供元となる利用者、すなわち、提供者は、必ずしも特定の人物である必要はない。例えば、ニュースの文章等には、複数人の好みが反映されている場合がある。そこで、情報提供装置１０は、あるコンテンツやコンテンツの要約から推定される性質を、そのコンテンツやコンテンツの要約を提供する仮想的な情報提供元の性格として推定し、推定した性格とマッチする性格の情報提供先に対し、コンテンツや要約等を提供すればよい。

[第２実施形態]
〔５－１．広告配信について〕
情報提供装置１０は、上述した選択処理を、所謂広告配信に適用してもよい。例えば、情報提供装置１０ａは、配信対象となる広告に含まれる文章等から、広告を作成した作成者や、広告を提供する仮想的な情報提供元の性格を推定する。そして、情報提供装置１０ａは、配信先となる利用者の性格と推定された性格がマッチする広告を、配信対象として選択してもよい。

例えば、図７は、第２実施形態に係る情報提供装置が広告を配信する際に実行する選択処理の一例を示す図である。なお、図７に示す例では、複数の提供者Ｐ１～Ｐ３により提供される広告＃Ａ１～Ａ３のうち、利用者Ｕ１に対して提供する広告を選択する選択処理の一例について記載した。ここで、提供者Ｐ１～Ｐ３は、広告＃Ａ１～Ａ３の作成を行ったデザイナーや広告文言を作成したコピーライターのペルソナである。例えば、提供者Ｐ１は、広告に含まれる文章やキャッチコピー等を作成したデザイナーである。

このような広告＃Ａ１～Ａ３を利用者Ｕ１に配信する際、情報提供装置１０ａは、広告＃Ａ１～Ａ３そのものと、利用者Ｕ１の属性等とのマッチングを行うのではなく、広告＃Ａ１～Ａ３に現れている提供者Ｐ１～Ｐ３の性格と、利用者Ｕ１の性格とのマッチング結果に基づいて、配信対象となる広告を選択する。例えば、情報提供装置１０ａは、各提供者が利用する端末装置ＰＴ１～ＰＴ３から、各提供者Ｐ１～Ｐ３により作成された広告＃Ａ１～Ａ３を受付ける（ステップＳ１）。このような場合、情報提供装置１０ａは、広告から、各提供者Ｐ１～Ｐ３の性格を推定する（ステップＳ２）。

例えば、情報提供装置１０ａは、上述した学習処理により学習が行われた学習モデルに対し、広告＃Ａ１～Ａ３に含まれる文章を入力し、広告の提供者Ｐ１～Ｐ３の性格を推定する。なお、情報提供装置１０ａは、例えば、利用者Ｕが過去に選択した広告の静止画像や動画像を入力した際に、利用者Ｕの性格診断結果を出力するように学習が行われた学習モデルを用いて、広告＃Ａ１～Ａ３から提供者Ｐ１～Ｐ３の性格を推定してもよい。

続いて、情報提供装置１０ａは、利用者Ｕ１の過去ログ＃Ｕ１を収集する（ステップＳ３）。例えば、情報提供装置１０ａは、利用者Ｕ１が選択した広告の履歴や利用者Ｕ１が投稿した投稿情報の履歴、検索クエリ等を収集する。そして、情報提供装置１０ａは、学習モデルを用いて、利用者Ｕ１の過去ログ＃Ｕ１から利用者Ｕ１の性格を推定する（ステップＳ４）。

そして、情報提供装置１０ａは、利用者Ｕ１の性格と対応する性格の提供者により提供された広告を配信対象として選択する（ステップＳ５）。例えば、情報提供装置１０ａは、利用者Ｕ１の性格と、提供者Ｐ２の性格とが類似する場合は、提供者Ｐ２により提供される広告＃Ａ２を、利用者Ｕ１に対して配信する対象として選択する。そして、情報提供装置１０ａは、広告＃Ａ２を利用者Ｕ１に対して提供する（ステップＳ６）。

このように、情報提供装置１０ａは、情報提供先に情報として広告を配信する場合、提供対象となる広告から、情報提供元の性格を推定する。また、情報提供装置１０ａは、情報提供先が選択した広告の履歴から、情報提供先がどのような広告を好むかという性格を推定する。そして、情報提供装置１０ａは、推定した性格のマッチング結果に応じて、情報提供先に対して配信する広告を選択する。このような処理の結果、情報提供装置１０ａは、より利用者が気に入りやすい広告を配信対象として選択することができる。

〔５－２．情報提供装置の構成〕
以下、上記した情報提供装置１０ａが有する機能構成の一例について説明する。なお、以下の説明では、広告配信時に選択処理を実行する情報提供装置１０ａが有する機能構成の一例を示す。図８は、第２実施形態に係る情報提供装置の構成例を示す図である。図８に示すように、情報提供装置１０ａは、通信部２０、記憶部３０ａ、および制御部４０ａを有する。

記憶部３０ａは、記憶部３０と同様に、ＲＡＭ、フラッシュメモリ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。また、記憶部３０ａは、利用者データベース３１ａ、広告データベース３２ａ、および学習モデル３３ａを記憶する。以下、図９、図１０を用いて、利用者データベース３１ａおよび広告データベース３２ａに登録される情報の一例について説明する。

利用者データベース３１ａには、広告配信先となる利用者の情報が登録されている。例えば、図９は、第２実施形態に係る利用者データベースに登録される情報の一例を示す図である。図９に示すように、利用者データベース３１ａには、「利用者ＩＤ」、「選択履歴」、および「性格情報」といった項目を有する情報が登録される。

ここで、「選択履歴」とは、利用者が選択した広告の履歴を示す情報である。例えば、図９に示す例では、利用者ＩＤ「Ｕ１」、選択履歴「選択履歴＃Ｕ１」、および性格情報「性格＃Ｕ１」といった情報が登録されている。このような情報は、利用者ＩＤ「Ｕ１」が示す利用者により、選択履歴「選択履歴＃Ｕ１」が示す広告が選択されており、性格情報「性格＃Ｕ１」が示す性格を利用者が有する旨を示す。

なお、図９に示す例では、選択履歴＃Ｕ１といった概念的な値を記載したが、実際には、利用者が過去に選択した広告の識別子等が登録されることとなる。また、図９に示す情報以外にも、利用者に関する任意の情報が利用者データベース３１ａに登録されていてよい。

広告データベース３２ａには、配信対象となる広告に関する情報が登録されている。例えば、図１０は、第２実施形態に係る広告データベースに登録される情報の一例を示す図である。図１０に示すように、広告データベース３２ａには、「広告ＩＤ」、「タイトル」、および「提供者性格情報」といった項目を有する情報が登録される。

ここで、「広告ＩＤ」とは、広告を識別するための識別子である。また、「タイトル」とは、広告に含まれる各種の文字列を示す情報である。また、「提供者性格情報」とは、広告を提供した提供者の性格として推定された性格を示す情報である。例えば、図１０に示す例では、広告ＩＤ「Ａ１」、タイトル「タイトル＃Ａ１」、および提供者性格情報「性格＃Ａ１」が対応付けて登録されている。このような情報は、広告ＩＤ「Ａ１」が示す広告に、タイトル「タイトル＃Ａ１」が示すテキストが含まれており、この広告の提供者の性格として推定された性格が提供者性格情報「性格＃Ａ１」である旨を示す。

なお、図１０に示す例では、「タイトル＃Ａ１」や「性格＃Ａ１」といった概念的な値を記載したが、実際には、広告に現れる文字列や性格を示す文字列や値が登録されることとなる。また、図１０に示す情報以外にも、広告データベース３２ａには、配信対象となる広告を構成する静止画像や動画像等のコンテンツが登録されているものとする。また、広告データベース３２ａには、配信先となる利用者の属性を示すターゲティング情報等、広告に関する各種の情報が登録されていてもよい。

図８に戻って説明を続ける。制御部４０ａは、例えば、コントローラであり、ＣＰＵやＭＰＵ等によって、情報提供装置１０ａ内部の記憶装置に記憶されている各種プログラムが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４０ａは、コントローラであり、例えば、ＡＳＩＣやＦＰＧＡ等の集積回路により実現される。

図８に示すように、制御部４０ａは、収集部４１ａ、学習部４２ａ、受付部４３ａ、推定部４４ａ、選択部４５ａ、および提供部４６ａを有する。

収集部４１ａは、収集部４１と同様に、学習モデル３３ａを学習するための学習データを収集する。例えば、収集部４１ａは、各利用者が過去に選択した広告を示す過去ログを収集するとともに、各利用者の性格診断結果を収集する。

学習部４２ａは、学習モデル３３ａの学習を行う。例えば、学習部４２ａは、性格診断結果に応じて、各利用者をカテゴリ分けし、各カテゴリに分類された利用者が過去に選択した広告のタイトル（すなわち、広告に含まれるテキスト）から、特徴語の抽出を行う。そして、学習部４２ａは、抽出した特徴語を入力した際に、利用者の性格診断結果を示す文字列や数値を出力するように、バックプロパゲーション等の技術を用いて学習モデル３３ａの学習を行う。なお、学習部４２ａは、広告にふくまれるテキストや広告の画像そのものを入力した際に、利用者の性格診断結果を出力するように学習モデル３３ａの学習を行ってもよい。

受付部４３ａは、新たな広告の登録を受付ける。例えば、受付部４３ａは、広告主や広告代理店などから、配信対象となる広告の各種情報を受付けると、受付けた情報を広告データベース３２ａに登録する。

推定部４４ａは、広告の提供先となる利用者の性格、および、広告の提供元の性格を推定する。例えば、推定部４４ａは、利用者データベース３１ａを参照し、性格診断結果が登録されていない利用者を選択する。続いて、推定部４４ａは、選択した利用者が過去に選択した広告の履歴に基づいて、利用者の性格を推定する。より具体的には、推定部４４ａは、利用者が選択した広告に含まれるテキストを学習モデル３３ａに入力することで、利用者の性格を推定する。また、推定部４４ａは、配信対象となる広告に含まれるテキストを学習モデル３３ａに入力することで、広告の提供元の性格を推定する。

選択部４５ａは、利用者に対して提供される広告の選択を行う。例えば、選択部４５ａは、端末装置Ｔから広告の配信要求を受付けた場合は、利用者データベース３１ａを参照し、配信要求元の端末装置Ｔを利用する利用者の性格を特定する。続いて、選択部４５ａは、広告データベース３２ａを参照し、広告のうち、利用者の性格と対応する性格の提供者により提供される広告を配信対象として選択する。

提供部４６ａは、選択部４５ａにより選択された広告を提供する。例えば、提供部４６ａは、選択部４５ａが選択した広告の各種データを端末装置Ｔへと配信する。

このように、情報提供装置１０ａは、広告に関するコンテンツのうち、推定された利用者の性質と対応する性質を有する提供者により作成されたコンテンツを、利用者に対して提供される提供対象として選択する。この結果、情報提供装置１０ａは、利用者の性格にマッチした広告を配信することができるので、利用者の印象を損ねることなく、広告の選択機会を増やすことができる。

[第３実施形態]
〔６－１．問合せについて〕
情報提供装置１０は、上述した選択処理を、電話等で利用者からの問い合わせを受けた際に、利用者の対応を行うオペレータの選択に適用してもよい。例えば、情報提供装置１０ｂは、所定のサービスの提供を受ける際に利用者が入力した情報に基づいて、利用者の性質を推定し、所定のサービスを提供する提供者のうち、推定された利用者の性質と対応する性質を有する提供者により提供される提供対象を選択してもよい。すなわち、情報提供装置１０ｂは、利用者の性格と性格がマッチする提供者を選択し、選択した提供者により提供される情報を利用者に提供してもよい。

例えば、図１１は、第３実施形態に係る情報提供装置が問い合わせを受けた際に実行する選択処理の一例を示す図である。なお、図１１に示す例では、電話による各種問合せを行う質問者Ｑ１に対し、複数の回答者（例えば、オペレータ）Ｒ１～Ｒ３のうちいずれが対応を行うかを選択する処理の一例について説明する。

例えば、情報提供装置１０ｂは、質問者Ｑ１から初期発話を受付ける（ステップＳ１）。このような場合、情報提供装置１０ｂは、質問者Ｑ１の初期発話＃Ｑ１から、質問者の性格を推定する（ステップＳ２）。すなわち、情報提供装置１０ｂは、所定のサービスの提供を受ける前に行った利用者の発話に基づいて、利用者の性質を推定する。例えば、情報提供装置１０ｂは、質問者Ｑ１の初期発話＃Ｑ１を文字列に変換し、上述した学習処理により学習が行われた学習モデルを用いて、質問者Ｑ１の性格を推定する。

そして、情報提供装置１０ｂは、質問者の性格とマッチする性格の回答者を選択する（ステップＳ３）。例えば、情報提供装置１０ｂは、質問者Ｑ１の性格と、回答者Ｒ３の性格とが対応する場合は、回答者Ｒ３を選択する。そして、情報提供装置１０ｂは、性格がマッチした回答者に質問者Ｑ１からの電話を転送する（ステップＳ４）。このような処理の結果、情報提供装置１０ｂは、問合せを行った質問者Ｑ１に対し、性格が質問者Ｑ１の性格と対応する回答者Ｒ３による対応を提供することができる。

ここで、どのような性格の質問者にどのような回答者をマッチングするかについては、任意の対応が採用可能である。例えば、情報提供装置１０ｂは、質問者の性格としてＢｉｇ５における真面目さのスコアが高い場合、同様に、Ｂｉｇ５における真面目さのスコアが高い回答者を選択してもよい。また、情報提供装置１０ｂは、質問者の性格としてＢｉｇ５における精神的不安定のスコアが高い場合、エゴグラムにおける優しさ度が高い回答者、若しくは、勤務期間が長いベテランの回答者を選択してもよい。また、情報提供装置１０ｂは、質問者の性格としてＯＫグラムにおける他者否定性が高い場合、Ｂｉｇ５における協調性が高い回答者を選択してもよい。また、情報提供装置１０ｂは、質問者の性格としてエゴグラムにおける自由気まま度が高い場合は、ＯＫグラムにおける他者肯定性が高い回答者を選択してもよい。また、情報提供装置１０は、質問者の性格としてＯＫグラムにおける他者肯定性が高い質問者に対しては、任意の性格の回答者や、新人の回答者を選択してもよい。

〔６－２．性格の推定について〕
ここで、情報提供装置１０ｂは、上述した学習処理により学習が行われた学習モデルを用いて、質問者の性格を推定してもよい。しかしながら、情報提供装置１０ｂは、質問者の性格をより精度良く推定するため、例えば、利用者の性格診断結果と、利用者の声の抑制やスピード等といった、利用者が発生した声が有する特徴との関係性を学習した学習モデルを用いて、質問者の性格を推定してもよい。

また、情報提供装置１０ｂは、利用者の声が有する特徴を学習した学習モデルと、利用者が入力したテキストの特徴を学習した学習モデルとを併用してもよい。例えば、情報提供装置１０ｂは、利用者が入力したテキストの特徴を学習した学習モデルを用いて、質問者の性格と共に、質問者がその性格を有する確度を推定する。そして、情報提供装置１０ｂは、推定した確度が所定の閾値を下回る場合は、利用者の声が有する特徴を学習した学習モデルを用いて、質問者の性格を推定してもよい。また、情報提供装置１０ｂは、各学習モデルが推定した性格と確度とを統合的に用いることで、質問者の性格を推定してもよい。

〔６－３．情報提供装置の構成〕
以下、上記した情報提供装置１０ｂが有する機能構成の一例について説明する。なお、以下の説明では、問い合わせを受けた際に選択処理を実行する情報提供装置１０ｂが有する機能構成の一例を示す。図１２は、第３実施形態に係る情報提供装置の構成例を示す図である。図１２に示すように、情報提供装置１０ｂは、通信部２０、記憶部３０ｂ、および制御部４０ｂを有する。

記憶部３０ｂは、記憶部３０と同様に、ＲＡＭ、フラッシュメモリ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。また、記憶部３０ｂは、オペレータデータベース３１ｂ、および学習モデル３３ｂを記憶する。以下、図１３を用いて、オペレータデータベース３１ｂに登録される情報の一例について説明する。

オペレータデータベース３１ｂには、回答者に関する情報が登録されている。例えば、図１３は、第３実施形態に係るオペレータデータベースに登録される情報の一例を示す図である。図１３に示すように、オペレータデータベース３１ｂには、「オペレータＩＤ」、および「性格情報」といった項目を有する情報が登録される。

ここで、「オペレータＩＤ」とは、質問者からの質問に対応する回答者、すなわち、オペレータを識別するための識別子である。例えば、図１３に示す例では、オペレータＩＤ「Ｏ１」、および性格情報「性格＃０１」が対応付けて登録されている。このような情報は、オペレータＩＤ「Ｏ１」が示すオペレータの性格が「性格＃Ｏ１」である旨を示す。

なお、図１３に示す例では、性格＃Ｏ１といった概念的な値を記載したが、実際には、オペレータの性格を示す各種の文字列や数値が登録されることとなる。また、図１３に示す情報以外にも、オペレータの性別や勤続年数等、オペレータに関する任意の情報がオペレータデータベース３１ｂに登録されていてよい。

図１２に戻って説明を続ける。制御部４０ｂは、例えば、コントローラであり、ＣＰＵやＭＰＵ等によって、情報提供装置１０ｂ内部の記憶装置に記憶されている各種プログラムが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４０ｂは、コントローラであり、例えば、ＡＳＩＣやＦＰＧＡ等の集積回路により実現される。

図１２に示すように、制御部４０ｂは、収集部４１ｂ、学習部４２ｂ、受付部４３ｂ、推定部４４ｂ、選択部４５ｂ、および提供部４６ｂを有する。

収集部４１ｂは、収集部４１と同様に、学習モデル３３ｂを学習するための学習データを収集する。例えば、収集部４１ｂは、各利用者の発話の履歴を収集するとともに、当該利用者の性格診断結果を収集する。

学習部４２ｂは、学習モデル３３ｂの学習を行う。例えば、学習部４２ｂは、性格診断結果に応じて、各利用者をカテゴリ分けし、各カテゴリに分類された利用者の発話に含まれる特徴語の抽出を行う。そして、学習部４２ｂは、抽出した特徴語を入力した際に、利用者の性格診断結果を示す文字列や数値を出力するように、バックプロパゲーション等の技術を用いて学習モデル３３ｂの学習を行う。なお、学習部４２ｂは、利用者の発話の音声を入力した際に、利用者の性格診断結果を出力するように学習モデル３３ｂの学習を行ってもよい。

受付部４３ｂは、オペレータの登録を受付ける。例えば、受付部４３ｂは、新たなオペレータの登録を受付けた場合、オペレータＩＤと共に、オペレータによる各種性格診断の結果をオペレータデータベース３１ｂに登録する。

推定部４４ｂは、サービスの提供先となる利用者の性格を推定する。例えば、推定部４４ｂは、質問者から電話がかかってきた場合は、自動音声等により、質問内容を音声で発話するように促す。そして、推定部４４ｂは、質問者の発話から、学習モデル３３ｂを用いて、質問者の性格を推定する。

選択部４５ｂは、質問者に対してサービスを提供するオペレータの選択を行う。例えば、選択部４５ｂは、オペレータデータベース３１ｂを参照し、推定部４４ｂによって推定された質問者の性格と対応する性格のオペレータを選択する。

提供部４６ｂは、選択部４５ｂにより選択されたオペレータにより提供される情報を質問者に提供する。例えば、提供部４６ｂは、質問者からの電話を、選択部４５ｂにより選択されたオペレータへと接続する。

このように、情報提供装置１０ｂは、所定のサービスの提供を受ける際に利用者が入力した情報に基づいて、利用者の性質を推定し、所定のサービスを提供する提供者のうち、推定された利用者の性質と対応する性質を有する提供者により提供される提供対象を選択するので、例えば、電話による質問を行う質問者に対し、適切な態様での応答を実現することができる。

[その他の実施形態]
〔７－１．提供する情報について〕
上述した例では、情報提供装置１０、１０ａ、１０ｂ（以下、「情報提供装置１０」と総称する。）は、回答者に対して提供する質問、利用者に対して提供する広告、若しくは、質問者に対してサービスを提供するオペレータの選択を行った。しかしながら、実施形態は、これに限定されるものではない。情報提供装置１０は、任意の情報を情報提供先に対して提供する際に、情報提供先の性格と対応する性格の情報提供元により提供される情報を選択して良い。

例えば、情報提供装置１０は、ある質問に対して複数の回答が投稿されている場合に、各回答から回答者の性格を推定し、質問者の性格と対応する性格の回答者により投稿された回答のみを質問者に対して提供してもよい。また、情報提供装置１０は、問合せ掲示板などにおいては、質問者が入力した文章から質問者の性格を推定し、推定した性格に応じて、応答の内容を変更してもよい。例えば、情報提供装置１０は、質問者の性格に応じた返信文ポリシー（テンプレート、ガイドライン）に基づいて、返信を提供してもよい。

また、情報提供装置１０は、情報提供先となる利用者の性格に加えて、利用者の各種属性（デモグラフィック属性やサイコグラフィック属性）等を考慮して、情報提供元を選択し、選択した情報提供元により提供される情報を提供してもよい。このように、情報提供装置１０は、少なくとも、情報提供先となる利用者の性格を推定し、推定した性格と対応する性格の情報提供元により提供される情報を提供対象として選択するのであれば、任意の処理を実行して良い。

なお、情報提供装置１０は、マッチングの結果をばらつかせてもよい。例えば、情報提供装置１０は、Ｑ＆Ａサイトにおいて、回答者の性格を推定し、ある質問の提供先となる回答者を、質問者の性格とマッチする回答者と、マッチしない回答者との割合が所定の割合となるように選択してもよい。また、情報提供装置１０は、回答者に対して提供される質問が、回答者の性格とマッチする性格の質問者による質問と、回答者の性格とマッチしない性格の質問者による質問との割合が所定の割合となるように、質問の選択を行ってもよい。

また、情報提供装置１０は、各質問や回答に対する評価に基づいて、学習モデルの更新を行ってもよい。例えば、情報提供装置１０は、質問者がベストアンサーとして選択した回答のうち、評価が所定の閾値を超える回答の特徴を学習した学習モデルを用いて、質問者の性格を推定してもよい。また、情報提供装置１０は、回答者が肯定的な評価を行った質問や回答の特徴を学習した学習モデルを用いて、回答者の性格を推定してもよい。また、情報提供装置１０は、利用者が選択した広告のうち、クリック率が所定の閾値を超える広告の特徴を学習した学習モデルを用いて、利用者の性格を推定してもよい。

〔７－２．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、逆に、手動的に行われるものとして説明した処理の全部または一部を公知の方法で自動的に行うこともできる。この他、上記文書中や図面中で示した処理手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。例えば、各図に示した各種情報は、図示した情報に限られない。

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

また、上記してきた各実施形態は、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。

〔７－３．プログラム〕
また、上述した実施形態に係る情報提供装置１０は、例えば図１４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１４は、ハードウェア構成の一例を示す図である。コンピュータ１０００は、出力装置１０１０、入力装置１０２０と接続され、演算装置１０３０、一次記憶装置１０４０、二次記憶装置１０５０、出力ＩＦ（Interface）１０６０、入力ＩＦ１０７０、ネットワークＩＦ１０８０がバス１０９０により接続された形態を有する。

演算装置１０３０は、一次記憶装置１０４０や二次記憶装置１０５０に格納されたプログラムや入力装置１０２０から読み出したプログラム等に基づいて動作し、各種の処理を実行する。一次記憶装置１０４０は、ＲＡＭ等、演算装置１０３０が各種の演算に用いるデータを一次的に記憶するメモリ装置である。また、二次記憶装置１０５０は、演算装置１０３０が各種の演算に用いるデータや、各種のデータベースが登録される記憶装置であり、ＲＯＭ(Read Only Memory)、ＨＤＤ（Hard Disk Drive）、フラッシュメモリ等により実現される。

出力ＩＦ１０６０は、モニタやプリンタといった各種の情報を出力する出力装置１０１０に対し、出力対象となる情報を送信するためのインタフェースであり、例えば、ＵＳＢ（Universal Serial Bus）やＤＶＩ（Digital Visual Interface）、ＨＤＭＩ（登録商標）（High Definition Multimedia Interface）といった規格のコネクタにより実現される。また、入力ＩＦ１０７０は、マウス、キーボード、およびスキャナ等といった各種の入力装置１０２０から情報を受信するためのインタフェースであり、例えば、ＵＳＢ等により実現される。

なお、入力装置１０２０は、例えば、ＣＤ（Compact Disc）、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から情報を読み出す装置であってもよい。また、入力装置１０２０は、ＵＳＢメモリ等の外付け記憶媒体であってもよい。

ネットワークＩＦ１０８０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演算装置１０３０へ送り、また、ネットワークＮを介して演算装置１０３０が生成したデータを他の機器へ送信する。

演算装置１０３０は、出力ＩＦ１０６０や入力ＩＦ１０７０を介して、出力装置１０１０や入力装置１０２０の制御を行う。例えば、演算装置１０３０は、入力装置１０２０や二次記憶装置１０５０からプログラムを一次記憶装置１０４０上にロードし、ロードしたプログラムを実行する。

例えば、コンピュータ１０００が情報提供装置１０として機能する場合、コンピュータ１０００の演算装置１０３０は、一次記憶装置１０４０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４０の機能を実現する。

〔８．効果〕
上述してきたように、情報提供装置１０は、利用者により入力された情報に基づいて、利用者の性質を推定し、推定された利用者の性質と対応する性質を有する提供者により提供される提供対象を、利用者に対して提供される提供対象として選択する。このような処理の結果、情報提供装置１０は、利用者の性質とマッチした情報を提供することができるので、適切な情報を利用者に提供することができる。

また、情報提供装置１０は、提供者により入力された情報に基づいて、提供者の性質を推定し、推定された性質が利用者の性質と対応する提供者により提供される提供対象を選択する。このような処理の結果、情報提供装置１０は、利用者の性質とマッチした性質の提供者により提供される情報を利用者に提供することができる。

また、情報提供装置１０は、利用者が入力した文字列が有する特徴に基づいて、利用者の性質を推定する。また、情報提供装置１０は、入力された情報が有する特徴と、情報を入力した利用者の性質との間の関係性を学習した学習モデルを用いて、利用者により入力された情報から、利用者の性質を推定する。また、情報提供装置１０は、学習モデルとして、入力された情報が有する特徴と、情報を入力した利用者の性質であって、所定の性質診断手法により予め診断された性質との共起性を学習した学習モデルを用いて、利用者の性質を推定する。このような処理の結果、情報提供装置１０は、利用者の性質を精度よく推定することができる。

また、情報提供装置１０は、他の利用者により投稿された質問に対する回答として利用者により投稿された回答の履歴に基づいて、利用者の性質を推定し、投稿された質問のうち、推定された利用者の性質と対応する提供者により投稿された質問を、利用者に対して提供する提供対象として選択する。例えば、情報提供装置１０は、提供者により投稿された質問の履歴に基づいて、提供者の性質を推定し、投稿された質問のうち、推定された性質が、利用者の性質と対応する提供者により投稿された質問を、利用者に対して提供する提供対象として選択する。また、情報提供装置１０は、提供者により投稿された質問に対する回答のうち、提供者によって選択された回答の履歴に基づいて、提供者が好む回答者の性質を推定し、投稿された質問のうち、推定された性質が、利用者の性質と対応する提供者により投稿された質問を、利用者に対して提供する提供対象として選択する。このような処理の結果、情報提供装置１０は、質問者が気に入ると推定される回答の投稿を促す結果、所謂Ｑ＆Ａサイトの利用を促進することができる。

また、情報提供装置１０は、所定のコンテンツの要約のうち、利用者が選択した要約に基づいて、利用者の性質を推定し、推定された利用者の性質と対応する性質を有する提供者により提供されるコンテンツの要約を、利用者に対して提供される提供対象として選択する。このような処理の結果、情報提供装置１０は、利用者が気に入ると推定されるコンテンツの要約を提供することができる。

また、情報提供装置１０は、広告に関するコンテンツのうち、推定された利用者の性質と対応する性質を有する提供者により作成されたコンテンツを、利用者に対して提供される提供対象として選択する。このため、情報提供装置１０は、利用者が気に入ると推定される広告を提供することができる。

また、情報提供装置１０は、所定のサービスの提供を受ける際に利用者が入力した情報に基づいて、利用者の性質を推定し、所定のサービスを提供する提供者のうち、推定された利用者の性質と対応する性質を有する提供者により提供される提供対象を選択する。例えば、情報提供装置１０は、所定のサービスの提供を受ける前に行った利用者の発話に基づいて、利用者の性質を推定する。また、情報提供装置１０は、利用者が発話した音声が有する特徴に基づいて、利用者の性質を推定する。このため、情報提供装置１０は、例えば、各種の問合せサービス等において、利用者と性格がマッチする提供者によるサービスの提供を実現することができる。

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、これは例示であり、発明の開示の欄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。

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。

１０、１０ａ、１０ｂ 情報提供装置
２０ 通信部
３０、３０ａ、３０ｂ 記憶部
３１、３１ａ 利用者データベース
３１ｂ オペレータデータベース
３２ 投稿データベース
３２ａ 広告データベース
３３、３３ａ、３３ｂ 学習モデル
４０、４０ａ、４０ｂ 制御部
４１、４１ａ、４１ｂ 収集部
４２、４２ａ、４２ｂ 学習部
４３、４３ａ、４３ｂ 受付部
４４、４４ａ、４４ｂ 推定部
４５、４５ａ、４５ｂ 選択部
４６、４６ａ、４６ｂ 提供部
ＱＴ１、ＲＴ１～ＲＴ３、ＰＴ１～ＰＴ３、ＵＴ１、Ｔ 端末装置

Claims (20)

1. 利用者により入力された情報に基づいて、当該利用者の性質を推定する推定部と、
   前記推定部により推定された利用者の性質と対応する性質を有する提供者により提供される提供対象を、前記利用者に対して提供される提供対象として選択する選択部と
   を有し、
   前記推定部は、入力された情報が有する特徴と、当該情報を入力した利用者の性質との間の関係性を学習した学習モデルを用いて、前記利用者により入力された情報から、当該利用者の性質を推定する
   ことを特徴とする選択装置。
2. 前記推定部は、前記提供者により入力された情報に基づいて、当該提供者の性質を推定し、
   前記選択部は、前記推定部により推定された性質が前記利用者の性質と対応する提供者により提供される提供対象を選択する
   ことを特徴とする請求項１に記載の選択装置。
3. 前記推定部は、前記利用者が入力した文字列が有する特徴に基づいて、前記利用者の性質を推定する
   ことを特徴とする請求項１または２に記載の選択装置。
4. 前記推定部は、前記学習モデルとして、入力された情報が有する特徴と、当該情報を入力した利用者の性質であって、所定の性質診断手法により予め診断された性質との共起性を学習した学習モデルを用いて、前記利用者の性質を推定する
   ことを特徴とする請求項１～３のうちいずれか１つに記載の選択装置。
5. 利用者により入力された情報に基づいて、当該利用者の性質を推定する推定部と、
   前記推定部により推定された利用者の性質と対応する性質を有する提供者により提供される提供対象を、前記利用者に対して提供される提供対象として選択する選択部と
   を有し、
   前記推定部は、他の利用者により投稿された質問に対する回答として前記利用者により投稿された回答の履歴に基づいて、当該利用者の性質を推定し、
   前記選択部は、投稿された質問のうち、前記推定部により推定された前記利用者の性質と対応する提供者により投稿された質問を、前記利用者に対して提供する提供対象として選択する
   ことを特徴とする選択装置。
6. 前記推定部は、前記提供者により投稿された質問の履歴に基づいて、当該提供者の性質を推定し、
   前記選択部は、投稿された質問のうち、前記推定部により推定された性質が、前記利用者の性質と対応する提供者により投稿された質問を、前記利用者に対して提供する提供対象として選択する
   ことを特徴とする請求項５に記載の選択装置。
7. 前記推定部は、前記提供者により投稿された質問に対する回答のうち、当該提供者によって選択された回答の履歴に基づいて、当該提供者が好む回答者の性質を推定し、
   前記選択部は、投稿された質問のうち、前記推定部により推定された性質が、前記利用者の性質と対応する提供者により投稿された質問を、前記利用者に対して提供する提供対象として選択する
   ことを特徴とする請求項５または６に記載の選択装置。
8. 利用者により入力された情報に基づいて、当該利用者の性質を推定する推定部と、
   前記推定部により推定された利用者の性質と対応する性質を有する提供者により提供される提供対象を、前記利用者に対して提供される提供対象として選択する選択部と
   を有し、
   前記推定部は、所定のコンテンツの要約のうち、前記利用者が選択した要約に基づいて、当該利用者の性質を推定し、
   前記選択部は、前記推定部により推定された利用者の性質と対応する性質を有する提供者により提供されるコンテンツの要約を、前記利用者に対して提供される提供対象として選択する
   ことを特徴とする選択装置。
9. 利用者により入力された情報に基づいて、当該利用者の性質を推定する推定部と、
   前記推定部により推定された利用者の性質と対応する性質を有する提供者により提供される提供対象を、前記利用者に対して提供される提供対象として選択する選択部と
   を有し、
   前記選択部は、広告に関するコンテンツのうち、前記推定部により推定された利用者の性質と対応する性質を有する提供者により作成されたコンテンツを、前記利用者に対して提供される提供対象として選択する
   を有することを特徴とする選択装置。
10. 前記推定部は、所定のサービスの提供を受ける際に前記利用者が入力した情報に基づいて、当該利用者の性質を推定し、
    前記選択部は、前記所定のサービスを提供する提供者のうち、前記推定部により推定された利用者の性質と対応する性質を有する提供者により提供される提供対象を選択する
    ことを特徴とする請求項１～４のうちいずれか１つに記載の選択装置。
11. 前記推定部は、前記所定のサービスの提供を受ける前に行った前記利用者の発話に基づいて、当該利用者の性質を推定する
    ことを特徴とする請求項１０に記載の選択装置。
12. 前記推定部は、前記利用者が発話した音声が有する特徴に基づいて、当該利用者の性質を推定する
    ことを特徴とする請求項１１に記載の選択装置。
13. 選択装置が実行する選択方法であって、
    利用者により入力された情報に基づいて、当該利用者の性質を推定する推定工程と、
    前記推定工程により推定された利用者の性質と対応する性質を有する提供者により提供される提供対象を、前記利用者に対して提供される提供対象として選択する選択工程と
    を有し、
    前記推定工程は、入力された情報が有する特徴と、当該情報を入力した利用者の性質との間の関係性を学習した学習モデルを用いて、前記利用者により入力された情報から、当該利用者の性質を推定する
    ことを特徴とする選択方法。
14. 利用者により入力された情報に基づいて、当該利用者の性質を推定する推定手順と、
    前記推定手順により推定された利用者の性質と対応する性質を有する提供者により提供される提供対象を、前記利用者に対して提供される提供対象として選択する選択手順と
    を有し、
    前記推定手順は、入力された情報が有する特徴と、当該情報を入力した利用者の性質との間の関係性を学習した学習モデルを用いて、前記利用者により入力された情報から、当該利用者の性質を推定する
    ことをコンピュータに実行させるための選択プログラム。
15. 選択装置が実行する選択方法であって、
    利用者により入力された情報に基づいて、当該利用者の性質を推定する推定工程と、
    前記推定工程により推定された利用者の性質と対応する性質を有する提供者により提供される提供対象を、前記利用者に対して提供される提供対象として選択する選択工程と
    を有し、
    前記推定工程は、他の利用者により投稿された質問に対する回答として前記利用者により投稿された回答の履歴に基づいて、当該利用者の性質を推定し、
    前記選択工程は、投稿された質問のうち、前記推定工程により推定された前記利用者の性質と対応する提供者により投稿された質問を、前記利用者に対して提供する提供対象として選択する
    ことを特徴とする選択方法。
16. 利用者により入力された情報に基づいて、当該利用者の性質を推定する推定手順と、
    前記推定手順により推定された利用者の性質と対応する性質を有する提供者により提供される提供対象を、前記利用者に対して提供される提供対象として選択する選択手順と
    を有し、
    前記推定手順は、他の利用者により投稿された質問に対する回答として前記利用者により投稿された回答の履歴に基づいて、当該利用者の性質を推定し、
    前記選択手順は、投稿された質問のうち、前記推定手順により推定された前記利用者の性質と対応する提供者により投稿された質問を、前記利用者に対して提供する提供対象として選択する
    ことをコンピュータに実行させるための選択プログラム。
17. 選択装置が実行する選択方法であって、
    利用者により入力された情報に基づいて、当該利用者の性質を推定する推定工程と、
    前記推定工程により推定された利用者の性質と対応する性質を有する提供者により提供される提供対象を、前記利用者に対して提供される提供対象として選択する選択工程と
    を有し、
    前記推定工程は、所定のコンテンツの要約のうち、前記利用者が選択した要約に基づいて、当該利用者の性質を推定し、
    前記選択工程は、前記推定工程により推定された利用者の性質と対応する性質を有する提供者により提供されるコンテンツの要約を、前記利用者に対して提供される提供対象として選択する
    ことを特徴とする選択方法。
18. 利用者により入力された情報に基づいて、当該利用者の性質を推定する推定手順と、
    前記推定手順により推定された利用者の性質と対応する性質を有する提供者により提供される提供対象を、前記利用者に対して提供される提供対象として選択する選択手順と
    を有し、
    前記推定手順は、所定のコンテンツの要約のうち、前記利用者が選択した要約に基づいて、当該利用者の性質を推定し、
    前記選択手順は、前記推定手順により推定された利用者の性質と対応する性質を有する提供者により提供されるコンテンツの要約を、前記利用者に対して提供される提供対象として選択する
    ことをコンピュータに実行させるための選択プログラム。
19. 選択装置が実行する選択方法であって、
    利用者により入力された情報に基づいて、当該利用者の性質を推定する推定工程と、
    前記推定工程により推定された利用者の性質と対応する性質を有する提供者により提供される提供対象を、前記利用者に対して提供される提供対象として選択する選択工程と
    を有し、
    前記選択工程は、広告に関するコンテンツのうち、前記推定工程により推定された利用者の性質と対応する性質を有する提供者により作成されたコンテンツを、前記利用者に対して提供される提供対象として選択する
    ことを特徴とする選択方法。
20. 利用者により入力された情報に基づいて、当該利用者の性質を推定する推定手順と、
    前記推定手順により推定された利用者の性質と対応する性質を有する提供者により提供される提供対象を、前記利用者に対して提供される提供対象として選択する選択手順と
    を有し、
    前記選択手順は、広告に関するコンテンツのうち、前記推定手順により推定された利用者の性質と対応する性質を有する提供者により作成されたコンテンツを、前記利用者に対して提供される提供対象として選択する
    ことをコンピュータに実行させるための選択プログラム。

Images