JP5334038B2 - Preference estimation apparatus, preference estimation method, and computer program - Google Patents
Preference estimation apparatus, preference estimation method, and computer program Download PDFInfo
- Publication number
- JP5334038B2 JP5334038B2 JP2008207292A JP2008207292A JP5334038B2 JP 5334038 B2 JP5334038 B2 JP 5334038B2 JP 2008207292 A JP2008207292 A JP 2008207292A JP 2008207292 A JP2008207292 A JP 2008207292A JP 5334038 B2 JP5334038 B2 JP 5334038B2
- Authority
- JP
- Japan
- Prior art keywords
- imaginary
- situation
- preference
- model
- estimation
- 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.)
- Active
Links
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
Description
本発明は、嗜好推定装置、嗜好推定方法及びコンピュータプログラムに関する。 The present invention relates to a preference estimation device, a preference estimation method, and a computer program.
従来、特許文献１に記載される情報提示装置が知られている。この従来の情報提示装置では、被験者が実際にある状況下でコンテンツを評価し、この評価データを学習データとしてベイジアンネットのモデルを生成し、このベイジアンネットモデルを用いてユーザ（被提示者）に適した情報を求めている。ベイジアンネットについては、例えば非特許文献１に記載されている。
上述した従来の情報提示装置において、高い嗜好の推定精度を持つベイジアンネットモデルを生成するためには、実状況下で得られた学習データを大量に準備する必要があるが、実際に多数の被験者を様々な状況下に置いてコンテンツ評価を実施し、大量の学習データを得ることは容易でない。例えば、ユーザの空腹度や疲労度に応じた料理を推薦するためのベイジアンネットモデルを生成する場合を考える。この場合、多数の被験者を実際に様々な空腹状態や疲労状態にしてから本物の料理を見せてどの料理を食べたいか回答してもらうことになる。これは、被験者にとって負荷及び拘束時間が大きい。さらに、所望の属性を有する被験者を多数集めたり、本物の料理を何種類も準備したりすることは、コスト面などから容易ではない。このため、高い推定精度を持つ嗜好推論モデルの生成に必要な「実状況下で得られた学習データの量」を削減することが課題となっている。 In the conventional information presentation apparatus described above, in order to generate a Bayesian network model with high preference estimation accuracy, it is necessary to prepare a large amount of learning data obtained under actual conditions. It is not easy to obtain a large amount of learning data by performing content evaluation under various circumstances. For example, consider the case of generating a Bayesian network model for recommending dishes according to the user's hunger and fatigue levels. In this case, a large number of subjects are actually put in various hungry or fatigued states, and the real dishes are shown to answer which dishes they want to eat. This is a heavy load and restraint time for the subject. Further, it is not easy to collect a large number of subjects having desired attributes or to prepare various kinds of real dishes from the viewpoint of cost. For this reason, it has been an issue to reduce the “amount of learning data obtained under actual conditions” necessary for generating a preference inference model with high estimation accuracy.
本発明は、このような事情を考慮してなされたもので、その目的は、高い推定精度を持つ嗜好推論モデルの生成に必要な「実状況下で得られた学習データの量」を削減することのできる嗜好推定装置、嗜好推定方法及びコンピュータプログラムを提供することにある。 The present invention has been made in view of such circumstances, and its purpose is to reduce the “amount of learning data obtained under actual conditions” necessary for generating a preference inference model with high estimation accuracy. An object is to provide a preference estimation device, a preference estimation method, and a computer program.
上記の課題を解決するために、本発明に係る嗜好推定装置は、コンテンツに対するユーザの嗜好を推定するための推論モデルを生成する嗜好推定装置において、実状況下で得られた学習データと仮想状況下で得られた学習データを記憶する学習データ記憶手段と、実状況下で得られた学習データと仮想状況下で得られた学習データに基づいて、推論モデルを生成するモデル生成手段と、該推論モデルと嗜好推定対象ユーザの入力データと嗜好推定対象コンテンツの入力データとから、嗜好推定結果を算出する嗜好推定手段と、を備えたことを特徴とする。 In order to solve the above problems, a preference estimation device according to the present invention is a preference estimation device that generates an inference model for estimating a user's preference for content. Learning data storage means for storing learning data obtained below, model generation means for generating an inference model based on learning data obtained in a real situation and learning data obtained in a virtual situation, It is characterized by comprising preference estimation means for calculating a preference estimation result from the inference model, the input data of the preference estimation target user, and the input data of the preference estimation target content.
本発明に係る嗜好推定装置は、コンテンツに対するユーザの嗜好を推定するための推論モデルを生成する嗜好推定装置において、実状況下で得られた学習データと仮想状況下で得られた学習データを記憶する学習データ記憶手段と、仮想状況下で得られた学習データに基づいて想像評価値予測モデルを生成する想像評価値予測モデル生成手段と、実状況下で得られた学習データに基づいて、前記想像評価値予測モデルを補う差分推定モデルを生成する差分推定モデル生成手段と、嗜好推定対象ユーザの入力データ及び嗜好推定対象コンテンツの入力データを前記想像評価値予測モデル及び前記差分推定モデルにそれぞれ入力して想像状況評価推定値及び差分推定値を算出し、想像状況評価推定値と差分推定値を合わせて嗜好推定結果を算出する嗜好推定手段と、を備えたことを特徴とする。 The preference estimation apparatus according to the present invention stores learning data obtained under a real situation and learning data obtained under a virtual situation in a preference estimation apparatus that generates an inference model for estimating a user's preference for content. Learning data storage means, imaginary evaluation value prediction model generation means for generating an imaginary evaluation value prediction model based on learning data obtained under a virtual situation, and based on learning data obtained under actual conditions, Difference estimation model generation means for generating a difference estimation model that supplements the imaginary evaluation value prediction model, and input data of the preference estimation target user and input data of the preference estimation target content are input to the imaginary evaluation value prediction model and the difference estimation model, respectively. To calculate the imaginary situation evaluation estimated value and the difference estimated value, and calculate the preference estimation result by combining the imaginary situation evaluation estimated value and the difference estimated value. Characterized in that and a preference estimation means.
本発明に係る嗜好推定装置においては、前記学習データ記憶手段は、同一被験者から実状況下及び仮想状況下でそれぞれ得られた学習データである実状況対応データ及び想像状況対応データと、仮想状況下で得られた想像状況独立データとを記憶し、前記想像評価値予測モデル生成手段は、前記想像状況独立データに基づいて想像評価値予測モデルを生成し、前記差分推定モデル生成手段は、前記実状況対応データと想像状況対応データの差分データに基づいて差分推定モデルを生成することを特徴とする。 In the preference estimation apparatus according to the present invention, the learning data storage means is real data corresponding to actual situation and imaginary situation corresponding to learning data obtained from the same subject under real conditions and virtual conditions, and under virtual conditions. The imaginary evaluation value prediction model generation means generates an imaginary evaluation value prediction model based on the imaginary situation independent data, and the difference estimation model generation means A difference estimation model is generated based on difference data between situation correspondence data and imaginary situation correspondence data.
本発明に係る嗜好推定装置においては、前記学習データ記憶手段は、実状況下で得られた実状況独立データと仮想状況下で得られた想像状況独立データを記憶し、前記想像評価値予測モデル生成手段は、前記想像状況独立データに基づいて想像評価値予測モデルを生成し、前記差分推定モデル生成手段は、前記実状況独立データを前記想像評価値予測モデルに入力して得られた出力値と該実状況独立データの該当データとの差分データに基づいて差分推定モデルを生成することを特徴とする。 In the preference estimation device according to the present invention, the learning data storage means stores real situation independent data obtained under a real situation and imaginary situation independent data obtained under a virtual situation, and the imaginary evaluation value prediction model The generation means generates an imaginary evaluation value prediction model based on the imaginary situation independent data, and the difference estimation model generation means outputs an output value obtained by inputting the actual situation independent data to the imaginary evaluation value prediction model. And a difference estimation model is generated based on difference data between the actual situation independent data and the corresponding data.
本発明に係る嗜好推定装置は、コンテンツに対するユーザの嗜好を推定するための推論モデルを生成する嗜好推定装置において、実状況下で得られた実状況独立データと仮想状況下で得られた想像状況独立データを記憶する学習データ記憶手段と、前記想像状況独立データに基づいて推論モデルのモデル構造を決定するモデル構造決定手段と、前記実状況独立データを用いて前記モデル構造についてのモデルパラメータを決定し、実評価値予測モデルを生成する実評価値予測モデルパラメータ決定手段と、嗜好推定対象ユーザの入力データ及び嗜好推定対象コンテンツの入力データを前記実評価値予測モデルに入力して嗜好推定結果を算出する嗜好推定手段と、を備えたことを特徴とする。 The preference estimation apparatus according to the present invention is a preference estimation apparatus that generates an inference model for estimating a user's preference for content, and is an actual situation independent data obtained under a real situation and an imaginary situation obtained under a virtual situation. Learning data storage means for storing independent data; model structure determining means for determining a model structure of an inference model based on the imaginary situation independent data; and model parameters for the model structure are determined using the actual situation independent data The actual evaluation value prediction model parameter determining means for generating the actual evaluation value prediction model, the input data of the preference estimation target user and the input data of the preference estimation target content are input to the actual evaluation value prediction model, and the preference estimation result is obtained. And a preference estimation means for calculating.
本発明に係る嗜好推定装置は、コンテンツに対するユーザの嗜好を推定するための推論モデルを生成する嗜好推定装置において、実状況下で得られた実状況独立データと仮想状況下で得られた想像状況独立データを記憶する学習データ記憶手段と、前記想像状況独立データに基づいて推論モデルのモデル構造を決定するモデル構造決定手段と、前記想像状況独立データを用いて前記モデル構造についてのモデルパラメータを決定し、想像評価値予測モデルを生成する想像評価値予測モデルパラメータ決定手段と、前記実状況独立データを用いて前記モデル構造についてのモデルパラメータを決定し、実評価値予測モデルを生成する実評価値予測モデルパラメータ決定手段と、前記想像評価値予測モデルと前記実評価値予測モデルと嗜好推定対象ユーザの入力データと嗜好推定対象コンテンツの入力データとから、嗜好推定結果を算出する統合嗜好推定手段と、を備えたことを特徴とする。 The preference estimation apparatus according to the present invention is a preference estimation apparatus that generates an inference model for estimating a user's preference for content, and is an actual situation independent data obtained under a real situation and an imaginary situation obtained under a virtual situation. Learning data storage means for storing independent data; model structure determining means for determining a model structure of an inference model based on the imaginary situation independent data; and model parameters for the model structure are determined using the imaginary situation independent data An imaginary evaluation value prediction model parameter determining means for generating an imaginary evaluation value prediction model; and an actual evaluation value for determining a model parameter for the model structure using the actual situation independent data and generating an actual evaluation value prediction model A prediction model parameter determining means; the imaginary evaluation value prediction model; the actual evaluation value prediction model; And a user input data and the input data of the preference estimation target content, characterized in that and an integrated preference estimating means for calculating the preference estimation results.
本発明に係る嗜好推定装置においては、前記統合嗜好推定手段は、前記想像評価値予測モデルと前記実評価値予測モデルを統合し、統合予測モデルを生成するモデル統合手段を有し、嗜好推定対象ユーザの入力データ及び嗜好推定対象コンテンツの入力データを前記統合予測モデルに入力して嗜好推定結果を算出することを特徴とする。 In the preference estimation apparatus according to the present invention, the integrated preference estimation unit includes a model integration unit that integrates the imaginary evaluation value prediction model and the actual evaluation value prediction model to generate an integrated prediction model, and is a preference estimation target. The input data of the user and the input data of the preference estimation target content are input to the integrated prediction model, and the preference estimation result is calculated.
本発明に係る嗜好推定装置においては、前記統合嗜好推定手段は、嗜好推定対象ユーザの入力データ及び嗜好推定対象コンテンツの入力データを前記想像評価値予測モデル及び前記実評価値予測モデルにそれぞれ入力して想像状況評価推定値及び実状況評価推定値を算出し、想像状況評価推定値と実状況評価推定値を合わせて嗜好推定結果を算出することを特徴とする。 In the preference estimation apparatus according to the present invention, the integrated preference estimation unit inputs the input data of the preference estimation target user and the input data of the preference estimation target content to the imaginary evaluation value prediction model and the actual evaluation value prediction model, respectively. The imaginary situation evaluation estimated value and the actual situation evaluation estimated value are calculated, and the preference estimation result is calculated by combining the imaginary situation evaluation estimated value and the actual situation evaluation estimated value.
本発明に係る嗜好推定装置は、コンテンツに対するユーザの嗜好を推定するための推論モデルを生成する嗜好推定装置において、実状況下で得られた実状況独立データと仮想状況下で得られた想像状況独立データを記憶する学習データ記憶手段と、前記想像状況独立データに基づいて想像評価値予測モデルを生成する想像評価値予測モデル生成手段と、前記実状況独立データに基づいて実評価値予測モデルを生成する実評価値予測モデル生成手段と、嗜好推定対象ユーザの入力データ及び嗜好推定対象コンテンツの入力データを前記想像評価値予測モデル及び前記実評価値予測モデルにそれぞれ入力して想像状況評価推定値及び実状況評価推定値を算出し、想像状況評価推定値と実状況評価推定値を合わせて嗜好推定結果を算出する嗜好推定手段と、を備えたことを特徴とする。 The preference estimation apparatus according to the present invention is a preference estimation apparatus that generates an inference model for estimating a user's preference for content, and is an actual situation independent data obtained under a real situation and an imaginary situation obtained under a virtual situation. Learning data storage means for storing independent data, imaginary evaluation value prediction model generation means for generating an imaginary evaluation value prediction model based on the imaginary situation independent data, and an actual evaluation value prediction model based on the real situation independent data Actual evaluation value prediction model generation means for generating, input data of preference estimation target user and input data of preference estimation target content are input to the imaginary evaluation value prediction model and the actual evaluation value prediction model, respectively, and the imaginary situation evaluation estimation value And the actual situation evaluation estimated value, and the preference estimation that calculates the preference estimation result by combining the imaginary situation evaluation estimated value and the actual situation evaluation estimated value Characterized by comprising a stage, a.
本発明に係る嗜好推定装置においては、前記推論モデルはベイジアンネットのモデルであることを特徴とする。 In the preference estimation apparatus according to the present invention, the inference model is a Bayesian network model.
本発明に係る嗜好推定方法は、コンテンツに対するユーザの嗜好を推定するための推論モデルを生成する嗜好推定方法であって、実状況下で得られた学習データと仮想状況下で得られた学習データに基づいて、推論モデルを生成するモデル生成ステップと、該推論モデルと嗜好推定対象ユーザの入力データと嗜好推定対象コンテンツの入力データとから、嗜好推定結果を算出する嗜好推定ステップと、を含むことを特徴とする。 The preference estimation method according to the present invention is a preference estimation method for generating an inference model for estimating a user's preference for content, in which learning data obtained in a real situation and learning data obtained in a virtual situation A model generation step for generating an inference model, and a preference estimation step for calculating a preference estimation result from the inference model, the input data of the preference estimation target user, and the input data of the preference estimation target content. It is characterized by.
本発明に係るコンピュータプログラムは、コンテンツに対するユーザの嗜好を推定するための推論モデルを生成する嗜好推定処理を行うためのコンピュータプログラムであって、実状況下で得られた学習データと仮想状況下で得られた学習データに基づいて、推論モデルを生成するモデル生成ステップと、該推論モデルと嗜好推定対象ユーザの入力データと嗜好推定対象コンテンツの入力データとから、嗜好推定結果を算出する嗜好推定ステップと、をコンピュータに実行させることを特徴とする。
これにより、前述の嗜好推定装置がコンピュータを利用して実現できるようになる。
A computer program according to the present invention is a computer program for performing a preference estimation process for generating an inference model for estimating a user's preference for content, and under learning data obtained in a real situation and a virtual situation. A model generation step for generating an inference model based on the obtained learning data, and a preference estimation step for calculating a preference estimation result from the inference model, the input data of the preference estimation target user, and the input data of the preference estimation target content And making the computer execute.
Thereby, the above-described preference estimation apparatus can be realized using a computer.
本発明によれば、高い推定精度を持つ嗜好推論モデルの生成に必要な「実状況下で得られた学習データの量」を削減することができるという効果が得られる。 According to the present invention, it is possible to reduce the “amount of learning data obtained under actual conditions” necessary for generating a preference inference model having high estimation accuracy.
以下、図面を参照し、本発明の一実施形態について説明する。本実施形態では、推論モデルの一例としてベイジアンネットのモデルを挙げて説明する。 Hereinafter, an embodiment of the present invention will be described with reference to the drawings. In the present embodiment, a Bayesian network model will be described as an example of an inference model.
図１は、本発明の一実施形態に係る嗜好推定装置１の構成を示すブロック図である。図１において、嗜好推定装置１は、学習データ記憶部１１、モデル構造決定部１２、モデルパラメータ決定部１３、差分データ生成部１４、モデル統合部１５及び嗜好推定部１６を有する。
FIG. 1 is a block diagram showing a configuration of a
学習データ記憶部１１は、推論モデルの生成に使用される学習データを記憶する。モデル構造決定部１２は、推論モデルのモデル構造を決定する。モデルパラメータ決定部１３は、モデル構造に対応したモデルパラメータを決定する。推論モデルは、モデル構造及びモデルパラメータによって定義される。差分データ生成部１４は、差分データの生成を行う。モデル統合部１５は、推論モデルの統合を行う。嗜好推定部１６は、推論モデルを用いてユーザの嗜好を推定する。
The learning
次に、本実施形態に係る学習データを説明する。本実施形態では、複数の種類の学習データを準備する。その学習データは学習データ記憶部１１に格納される。図２に本実施形態に係る学習データの種類が示されている。
実状況独立データは実状況下で得られた学習データである。実状況独立データは比較的少量を準備すればよい。想像状況独立データは仮想状況下で得られた学習データである。想像状況独立データは比較的大量を準備する。完全対応データセットは、同一被験者から実状況下及び仮想状況下でそれぞれ得られた学習データである。完全対応データセットは、実状況対応データと想像状況対応データからなる。実状況対応データは、実状況下で得られた学習データであって、想像状況対応データと同一の被験者への同一の調査内容によって得られている。想像状況対応データは、仮想状況下で得られた学習データであって、実状況対応データと同一の被験者への同一の調査内容によって得られている。完全対応データセットは比較的少量を準備すればよい。
Next, learning data according to the present embodiment will be described. In this embodiment, a plurality of types of learning data are prepared. The learning data is stored in the learning
The actual situation independent data is learning data obtained under the actual situation. A relatively small amount of actual situation independent data may be prepared. The imaginary situation independent data is learning data obtained under a virtual situation. Prepare relatively large amounts of imaginary situation independent data. The complete correspondence data set is learning data obtained from the same subject under a real situation and a virtual situation. The complete correspondence data set includes real situation correspondence data and imaginary situation correspondence data. The actual situation correspondence data is learning data obtained under the actual situation, and is obtained by the same investigation content for the same subject as the imaginary situation correspondence data. The imaginary situation correspondence data is learning data obtained under a virtual situation, and is obtained by the same survey content for the same subject as the real situation correspondence data. A relatively small amount of a fully supported data set may be prepared.
本実施形態に係る学習データは、被験者属性情報、コンテンツ属性情報、状況属性情報、評価属性情報及び評価理由情報を含む。
被験者属性情報は、被験者の属性（年齢、性別、国籍等）を表す。コンテンツ属性情報は、コンテンツの属性を表す。コンテンツの属性として、例えば料理の属性を挙げれば、日本料理、中華料理、イタリア料理、フランス料理など料理の大まかな種類、さらには具体的な料理の種類、例えば日本料理に属する具体的な料理の種類として寿司、そば、うどん、すき焼き、カレーライス、カツ丼などが挙げられる。状況属性情報は、被験者の状況の属性を表す。被験者の状況の属性としては、例えば、空腹の度合い、疲労の度合い、暑さの度合い、寒さの度合いなどが挙げられる。
The learning data according to the present embodiment includes subject attribute information, content attribute information, situation attribute information, evaluation attribute information, and evaluation reason information.
The subject attribute information represents subject attributes (age, gender, nationality, etc.). The content attribute information represents content attributes. For example, if the attribute of the content is an attribute of a dish, a rough type of food such as Japanese food, Chinese food, Italian food, French food, or a specific type of food such as a specific food belonging to Japanese food, for example. Types include sushi, soba, udon, sukiyaki, curry rice, and katsudon. The situation attribute information represents a subject's situation attribute. The attributes of the subject's situation include, for example, the degree of hunger, the degree of fatigue, the degree of heat, the degree of cold, and the like.
評価属性情報は、被験者のコンテンツに対する評価の属性を表す。評価の属性としては、例えば、食べたい度合いを多段階（例えば５段階）で表したもの（例えば、食べたい、少し食べたい、どちらでもない、あまり食べたくない、食べたくない）などである。評価理由情報は、被験者がコンテンツに対してどうしてその評価を行ったかの理由を表す。 The evaluation attribute information represents an evaluation attribute for the content of the subject. The evaluation attribute is, for example, an expression of the degree of wanting to eat in multiple levels (for example, 5 levels) (for example, want to eat, want to eat a little, neither, don't want to eat much, don't want to eat), or the like. The evaluation reason information represents the reason why the subject evaluated the content.
本実施形態に係る学習データは、上記のように、実状況下で得られたもの（実状況独立データ、実状況対応データ）と仮想状況下で得られたもの（想像状況独立データ、想像状況対応データ）がある。ここで、実状況下とは、被験者属性情報、コンテンツ属性情報及び状況属性情報の全てが実際のものである場合を指す。一方、仮想状況下とは、被験者属性情報、コンテンツ属性情報又は状況属性情報の内、少なくともいずれかが仮想のものである場合を指す。 As described above, the learning data according to the present embodiment is obtained under a real situation (actual situation independent data, real situation correspondence data) and obtained under a virtual situation (imaginary situation independent data, imaginary situation). Corresponding data). Here, under the actual situation refers to a case where all of the subject attribute information, the content attribute information, and the situation attribute information are actual. On the other hand, “under a virtual situation” refers to a case where at least one of subject attribute information, content attribute information, and situation attribute information is virtual.
具体的な例を挙げて説明する。例えば、被験者属性情報（男性、２０歳）、コンテンツ属性情報（カツ丼）、状況属性情報（少し空腹）であるとする。このとき、実状況下とは、本当に２０歳の男性が、本当に少し空腹な時に、本物のカツ丼を見て、カツ丼を食べたいか食べたくないかを評価し、その評価及び評価理由を回答する場合である。この結果、被験者（２０歳の男性）が、コンテンツ（カツ丼）を「食べたい」と評価し、その評価理由が「元気が出る」であった場合、その実状況下で得られた学習データは、「被験者属性情報（男性、２０歳）、コンテンツ属性情報（カツ丼）、状況属性情報（少し空腹）、評価属性情報（食べたい）、評価理由情報（元気が出る）」のデータセットとなる。なお、学習データの構成は、実状況下で得られたものと仮想状況下で得られたもので共通である。 A specific example will be described. For example, it is assumed that there are subject attribute information (male, 20 years old), content attribute information (katsudon), and situation attribute information (slightly hungry). At this time, under real circumstances, when a really 20-year-old man is really a little hungry, he looks at the real cutlet and evaluates whether he wants to eat it or not, and why It is a case to answer. As a result, when the subject (a 20-year-old male) evaluates the content (cutlet rice cake) as “I want to eat” and the reason for the evaluation is “I feel fine”, the learning data obtained in the actual situation is , “Subject attribute information (male, 20 years old), content attribute information (katsudon), situation attribute information (a little hungry), evaluation attribute information (want to eat), evaluation reason information (energetic)” . Note that the configuration of the learning data is common between what is obtained under the actual situation and what is obtained under the virtual situation.
一方、仮想状況下とは、例えば、本当に２０歳の男性が、少し空腹な状態を想像し、本物のカツ丼を見て、カツ丼を食べたいか食べたくないかを評価し、その評価及び評価理由を回答する場合である。或いは、本物のカツ丼の代わりに、「カツ丼」の文字を見て本物のカツ丼を想像し評価する場合である。或いは、本当は４０歳の男性が２０歳の頃の状態（気分）を想像して（思い出して）評価する場合である。このように、被験者属性情報、コンテンツ属性情報又は状況属性情報の内、少なくともいずれかが仮想のものである場合を仮想状況下とする。なお、仮想する事項は、ある属性情報の内の一部であってもよい。例えば、状況属性情報（少し空腹、且つ、大変疲れている）の場合、「少し空腹」及び「大変疲れている」の両方が仮想である場合はもちろんのこと、「少し空腹」又は「大変疲れている」のいずれか一方のみが仮想でありもう一方は実際のものであっても、仮想状況下とする。 On the other hand, under a virtual situation, for example, a 20-year-old man imagines a slightly hungry state, looks at a real cutlet and evaluates whether he wants to eat or not eat it, This is a case of answering the reason for evaluation. Alternatively, instead of a real cutlet, the character “cutlet” is seen and a real cutlet is imagined and evaluated. Or, it is true that a 40-year-old man imagines (remembers) and evaluates the state (mood) when he was 20 years old. As described above, a case where at least one of the subject attribute information, the content attribute information, and the situation attribute information is virtual is regarded as a virtual situation. The matter to be virtualized may be a part of certain attribute information. For example, in the case of situation attribute information (a little hungry and very tired), both “a little hungry” and “very tired” are virtual, “a little hungry” or “very tired” Even if only one of the two is virtual and the other is actual, it is under a virtual situation.
図１に示される嗜好推定装置１には、ユーザデータとコンテンツデータが入力される。ユーザデータは、嗜好を推定する対象であるユーザに関するユーザ属性情報及びユーザ状況属性情報を含む。ユーザ属性情報は、学習データにおける被験者属性情報に対応する。ユーザ状況属性情報は、学習データにおける状況属性情報に対応する。コンテンツデータは、ユーザの嗜好を推定する対象であるコンテンツの属性を表す。コンテンツデータは、学習データにおけるコンテンツ属性情報に対応する。
User data and content data are input to the
嗜好推定装置１は、コンテンツに対するユーザの嗜好を推定するための推論モデルを生成する。この推論モデルは、ユーザデータ（ユーザ属性情報及びユーザ状況属性情報）とコンテンツデータを入力すると、評価属性情報の値の確率分布と評価理由情報の値の確率分布を出力するように構成される。例えば、評価属性情報の値の確率分布の一例を挙げれば、評価属性情報の値が「５：食べたい」、「４：少し食べたい」、「３：どちらでもない」、「２：あまり食べたくない」、「１：食べたくない」とすると、評価属性情報の値の確率分布は「５：ｘ５」、「４：ｘ４」、「３：ｘ３」、「２：ｘ２」、「１：ｘ１」となる。但し、ｘ１〜ｘ５は０から１の範囲の値であり、且つ「ｘ１＋ｘ２＋ｘ３＋ｘ４＋ｘ５＝１」である。
The
嗜好推定装置１は、嗜好推定対象ユーザのユーザデータと嗜好推定対象コンテンツのコンテンツデータを推論モデルに入力して、評価属性情報の値の確率分布と評価理由情報の値の確率分布を求める。嗜好推定装置１は、その推論モデルから得られた結果に基づいて嗜好推定結果を出力する。
The
次に、本実施形態に係る嗜好推定装置１について、いくつかの実施例を挙げて詳細に説明する。
Next, the
図３は本発明に係る嗜好推定装置の実施例１である。図４は図３に示す嗜好推定装置１−１の処理フロー図である。実施例１では、学習データとして完全対応データセットと想像状況独立データを使用する。実状況独立データは使用しない。又、モデル統合部１５は使用しない。以下、図３及び図４を参照して実施例１に係る嗜好推定装置１−１を説明する。
FIG. 3 is Example 1 of the preference estimation apparatus according to the present invention. FIG. 4 is a processing flowchart of the preference estimation apparatus 1-1 shown in FIG. In the first embodiment, a complete correspondence data set and imaginary situation independent data are used as learning data. Do not use real-world independent data. Further, the
図４において、まずステップＳ１１では、想像状況独立データを用いて想像評価値予測モデルＡを生成する。この想像評価値予測モデル生成処理では、まず、モデル構造決定部１２が、想像状況独立データを用いてベイジアンネットのモデル構造ａを決定する。このモデル構造決定処理では、想像状況独立データから、被験者属性情報、コンテンツ属性情報、状況属性情報、評価属性情報及び評価理由情報のそれぞれの間の依存関係を抽出し、その依存関係に従ってモデル構造ａに含めるノード及びノード間リンクを定めていく。被験者属性情報、コンテンツ属性情報及び状況属性情報が入力ノードに対応するように、評価属性情報及び評価理由情報が出力ノードに対応するように、モデル構造ａを決定する。次いで、モデルパラメータ決定部１３が、想像状況独立データを用いて、モデル構造ａについてのモデルパラメータを決定する。そのモデルパラメータは、モデル構造ａに対応するベイジアンネットの条件付確率表である。想像評価値予測モデルＡは、モデル構造ａ及びその条件付確率表から構成される。
In FIG. 4, first, in step S11, an imaginary evaluation value prediction model A is generated using imaginary situation independent data. In the imaginary evaluation value prediction model generation process, first, the model
次いで、ステップＳ１２では、差分データ生成部１４が、完全対応データセットを用いて差分データを生成する。この差分データ生成処理では、実状況対応データと想像状況対応データ間で対応する各データ（被験者属性情報、コンテンツ属性情報及び状況属性情報が同一のデータ）について、評価属性情報の値の差と評価理由情報の値の差を求める。被験者属性情報、コンテンツ属性情報、状況属性情報、評価属性情報の値の差及び評価理由情報の値の差の組を差分データとする。
Next, in step S12, the difference
次いで、ステップＳ１３では、差分データを用いて差分推定モデルＢを生成する。この差分推定モデル生成処理では、まず、モデル構造決定部１２が、差分データを用いてベイジアンネットのモデル構造ｂを決定する。このモデル構造決定処理では、差分データから、被験者属性情報、コンテンツ属性情報、状況属性情報、評価属性情報の値の差及び評価理由情報の値の差のそれぞれの間の依存関係を抽出し、その依存関係に従ってモデル構造ｂに含めるノード及びノード間リンクを定めていく。被験者属性情報、コンテンツ属性情報及び状況属性情報が入力ノードに対応するように、評価属性情報の値の差及び評価理由情報の値の差が出力ノードに対応するように、モデル構造ｂを決定する。次いで、モデルパラメータ決定部１３が、差分データを用いて、モデル構造ｂについてのモデルパラメータ（ベイジアンネットの条件付確率表）を決定する。差分推定モデルＢは、モデル構造ｂ及びその条件付確率表から構成される。
Next, in step S13, a difference estimation model B is generated using the difference data. In this difference estimation model generation process, first, the model
次いで、ステップＳ１４では、嗜好推定部１６が、想像評価値予測モデルＡを用いて想像状況評価推定値を算出する。この想像状況評価推定値算出処理では、想像評価値予測モデルＡに対して嗜好推定対象ユーザのユーザデータ及び嗜好推定対象コンテンツのコンテンツデータを入力し、想像評価値予測モデルＡの出力を想像状況評価推定値とする。
Next, in step S14, the
次いで、ステップＳ１５では、嗜好推定部１６が、差分推定モデルＢを用いて差分推定値を算出する。この差分推定値算出処理では、差分推定モデルＢに対して嗜好推定対象ユーザのユーザデータ及び嗜好推定対象コンテンツのコンテンツデータを入力し、差分推定モデルＢの出力を差分推定値とする。
Next, in step S15, the
次いで、ステップＳ１６では、嗜好推定部１６が、想像状況評価推定値と差分推定値を用いて実状況評価推定値を算出する。この実状況評価推定値算出処理では、「実状況評価推定値＝想像状況評価推定値＋差分推定値」なる計算式を用いて実状況評価推定値を算出する。嗜好推定部１６は、実状況評価推定値を嗜好推定結果として出力する。
Next, in step S16, the
図５は本発明に係る嗜好推定装置の実施例２である。図６は図５に示す嗜好推定装置１−２の処理フロー図である。実施例２では、学習データとして実状況独立データと想像状況独立データを使用する。完全対応データセットは使用しない。又、モデル統合部１５は使用しない。以下、図５及び図６を参照して実施例２に係る嗜好推定装置１−２を説明する。
FIG. 5 is a second embodiment of the preference estimation apparatus according to the present invention. FIG. 6 is a processing flowchart of the preference estimation apparatus 1-2 shown in FIG. In the second embodiment, actual situation independent data and imaginary situation independent data are used as learning data. Do not use fully supported data sets. Further, the
図６において、まずステップＳ２１では、想像状況独立データを用いて想像評価値予測モデルＡを生成する。この想像評価値予測モデル生成処理は、上述した実施例１のステップＳ１１と同様であり、その説明を省略する。 In FIG. 6, first, in step S21, an imaginary evaluation value prediction model A is generated using imaginary situation independent data. This imaginary evaluation value prediction model generation process is the same as step S11 of the first embodiment described above, and a description thereof is omitted.
次いで、ステップＳ２２では、差分データ生成部１４が、実状況独立データと想像評価値予測モデルＡを用いて差分データを生成する。この差分データ生成処理では、まず、想像評価値予測モデルＡに対して実状況独立データを入力し、想像評価値予測モデルＡの出力を得る。次いで、この出力値と実状況独立データの評価属性情報の値の差、及び、該出力値と実状況独立データの評価理由情報の値の差を算出する。被験者属性情報、コンテンツ属性情報、状況属性情報、評価属性情報の値の差及び評価理由情報の値の差の組を差分データとする。
Next, in step S22, the difference
次いで、ステップＳ２３では、差分データを用いて差分推定モデルＢを生成する。この差分推定モデル生成処理は、上述した実施例１のステップＳ１３と同様であり、その説明を省略する。 Next, in step S23, a difference estimation model B is generated using the difference data. This difference estimation model generation process is the same as step S13 of the first embodiment described above, and a description thereof is omitted.
次いで、ステップＳ２４では、嗜好推定部１６が、想像評価値予測モデルＡを用いて想像状況評価推定値を算出する。ステップＳ２５では、嗜好推定部１６が、差分推定モデルＢを用いて差分推定値を算出する。ステップＳ２６では、嗜好推定部１６が、想像状況評価推定値と差分推定値を用いて実状況評価推定値を算出する。これらステップＳ２４，Ｓ２５，Ｓ２６は、上述した実施例１のステップＳ１４，Ｓ１５，Ｓ１６と同様であり、その説明を省略する。
Next, in step S24, the
本実施例２では、完全対応データセットを使用しないので、実状況下での評価と仮想状況下での評価で被験者が異なってもよいという利点がある。 In the second embodiment, since the completely corresponding data set is not used, there is an advantage that the subject may be different in the evaluation under the real situation and the evaluation under the virtual situation.
図７は本発明に係る嗜好推定装置の実施例３である。図８は図７に示す嗜好推定装置１−３の処理フロー図である。実施例３では、学習データとして実状況独立データと想像状況独立データを使用する。完全対応データセットは使用しない。又、差分データ生成部１４及びモデル統合部１５は使用しない。以下、図７及び図８を参照して実施例３に係る嗜好推定装置１−３を説明する。
FIG. 7 is Example 3 of the preference estimation apparatus according to the present invention. FIG. 8 is a processing flowchart of the preference estimation apparatus 1-3 shown in FIG. In the third embodiment, actual situation independent data and imaginary situation independent data are used as learning data. Do not use fully supported data sets. Further, the difference
図８において、まずステップＳ３１では、モデル構造決定部１２が、想像状況独立データを用いてベイジアンネットのモデル構造ａを決定する。このモデル構造決定処理は、上述した実施例１のステップＳ１１と同様であり、その説明を省略する。
In FIG. 8, first, in step S31, the model
次いで、ステップＳ３２では、モデルパラメータ決定部１３が、実状況独立データを用いて、モデル構造ａについてのモデルパラメータ（ベイジアンネットの条件付確率表）を決定する。このモデル構造ａ及びその条件付確率表から実評価値予測モデルＣが構成される。
Next, in step S32, the model
次いで、ステップＳ３３では、嗜好推定部１６が、実評価値予測モデルＣを用いて実状況評価推定値を算出する。この実状況評価推定値算出処理では、実評価値予測モデルＣに対して嗜好推定対象ユーザのユーザデータ及び嗜好推定対象コンテンツのコンテンツデータを入力し、実評価値予測モデルＣの出力を実状況評価推定値とする。嗜好推定部１６は、実状況評価推定値を嗜好推定結果として出力する。
Next, in step S33, the
図９は本発明に係る嗜好推定装置の実施例４である。図１０は図９に示す嗜好推定装置１−４の処理フロー図である。実施例４では、学習データとして実状況独立データと想像状況独立データを使用する。完全対応データセットは使用しない。又、差分データ生成部１４は使用しない。以下、図９及び図１０を参照して実施例４に係る嗜好推定装置１−４を説明する。
FIG. 9 is a fourth embodiment of the preference estimation apparatus according to the present invention. FIG. 10 is a processing flowchart of the preference estimation apparatus 1-4 shown in FIG. In the fourth embodiment, actual situation independent data and imaginary situation independent data are used as learning data. Do not use fully supported data sets. Further, the difference
図１０において、まずステップＳ４１では、モデル構造決定部１２が、想像状況独立データを用いてベイジアンネットのモデル構造ａを決定する。このモデル構造決定処理は、上述した実施例１のステップＳ１１と同様であり、その説明を省略する。
In FIG. 10, first, in step S41, the model
次いで、ステップＳ４２では、モデルパラメータ決定部１３が、想像状況独立データを用いて、モデル構造ａについてのモデルパラメータ（ベイジアンネットの条件付確率表）を決定する。このモデル構造ａ及びその条件付確率表から想像評価値予測モデルＡが構成される。
Next, in step S42, the model
次いで、ステップＳ４３では、モデルパラメータ決定部１３が、実状況独立データと想像評価値予測モデルＡのモデル構造ａを用いて、モデル構造ａについてのモデルパラメータ（ベイジアンネットの条件付確率表）を決定する。このモデル構造ａ及びその条件付確率表から実評価値予測モデルＣが構成される。従って、実評価値予測モデルＣは、想像評価値予測モデルＡと同じモデル構造ａを有する。
Next, in step S43, the model
次いで、ステップＳ４４では、モデル統合部１５が、想像評価値予測モデルＡと実評価値予測モデルＣを用いて、統合予測モデルＤを生成する。この統合予測モデル生成処理では、想像評価値予測モデルＡと実評価値予測モデルＣの対応する条件付確率表毎に、条件付確率表を重み付け加算する。統合予測モデルＤは、モデル構造ａ及びその条件付確率表の重み付きの和から構成される。
Next, in step S44, the
次いで、ステップＳ４５では、嗜好推定部１６が、統合予測モデルＤを用いて実状況評価推定値を算出する。この実状況評価推定値算出処理では、統合予測モデルＤに対して嗜好推定対象ユーザのユーザデータ及び嗜好推定対象コンテンツのコンテンツデータを入力し、統合予測モデルＤの出力を実状況評価推定値とする。嗜好推定部１６は、実状況評価推定値を嗜好推定結果として出力する。
Next, in step S <b> 45, the
図１１は本発明に係る嗜好推定装置の実施例５である。図１２は図１１に示す嗜好推定装置１−５の処理フロー図である。実施例５では、学習データとして実状況独立データと想像状況独立データを使用する。完全対応データセットは使用しない。又、差分データ生成部１４及びモデル統合部１５は使用しない。以下、図１１及び図１２を参照して実施例５に係る嗜好推定装置１−５を説明する。
FIG. 11 is Example 5 of the preference estimation apparatus according to the present invention. FIG. 12 is a processing flowchart of the preference estimation apparatus 1-5 shown in FIG. In the fifth embodiment, actual situation independent data and imaginary situation independent data are used as learning data. Do not use fully supported data sets. Further, the difference
図１１において、まずステップＳ５１，Ｓ５２，Ｓ５３では、上述した実施例４のステップＳ４１，Ｓ４２，Ｓ４３と同様にして、同じモデル構造ａを有する想像評価値予測モデルＡ及び実評価値予測モデルＣを生成する。 In FIG. 11, first, in steps S51, S52, and S53, an imaginary evaluation value prediction model A and an actual evaluation value prediction model C having the same model structure a are obtained in the same manner as steps S41, S42, and S43 of the fourth embodiment described above. Generate.
次いで、ステップＳ５４では、嗜好推定部１６が、想像評価値予測モデルＡを用いて想像状況評価推定値を算出する。この想像状況評価推定値算出処理では、想像評価値予測モデルＡに対して嗜好推定対象ユーザのユーザデータ及び嗜好推定対象コンテンツのコンテンツデータを入力し、想像評価値予測モデルＡの出力を想像状況評価推定値とする。
Next, in step S54, the
次いで、ステップＳ５５では、嗜好推定部１６が、実評価値予測モデルＣを用いて実状況評価推定値を算出する。この実状況評価推定値算出処理では、実評価値予測モデルＣに対して嗜好推定対象ユーザのユーザデータ及び嗜好推定対象コンテンツのコンテンツデータを入力し、実評価値予測モデルＣの出力を実状況評価推定値とする。
Next, in step S55, the
次いで、ステップＳ５６では、嗜好推定部１６が、想像状況評価推定値と実状況評価推定値を統合する。想像状況評価推定値及び実状況評価推定値は、それぞれ、評価属性情報の値の確率分布と評価理由情報の値の確率分布を有する。例えば、評価属性情報の値の確率分布の一例を挙げれば、評価属性情報の値が「５：食べたい」、「４：少し食べたい」、「３：どちらでもない」、「２：あまり食べたくない」、「１：食べたくない」とすると、評価属性情報の値の確率分布は「５：ｘ５」、「４：ｘ４」、「３：ｘ３」、「２：ｘ２」、「１：ｘ１」となる。但し、ｘ１〜ｘ５は０から１の範囲の値であり、且つ「ｘ１＋ｘ２＋ｘ３＋ｘ４＋ｘ５＝１」である。ステップＳ５６の統合処理では、想像状況評価推定値の確率分布と実状況評価推定値の確率分布を重み付け加算する。嗜好推定部１６は、その重み付け加算結果を嗜好推定結果として出力する。
Next, in step S56, the
図１３は本発明に係る嗜好推定装置の実施例６である。図１４は図１３に示す嗜好推定装置１−６の処理フロー図である。実施例６では、学習データとして実状況独立データと想像状況独立データを使用する。完全対応データセットは使用しない。又、差分データ生成部１４及びモデル統合部１５は使用しない。以下、図１３及び図１４を参照して実施例６に係る嗜好推定装置１−６を説明する。
FIG. 13 shows a sixth embodiment of the preference estimation apparatus according to the present invention. FIG. 14 is a processing flowchart of the preference estimation apparatus 1-6 shown in FIG. In the sixth embodiment, actual situation independent data and imaginary situation independent data are used as learning data. Do not use fully supported data sets. Further, the difference
図１４において、まずステップＳ６１では、想像状況独立データを用いて想像評価値予測モデルＡを生成する。この想像評価値予測モデル生成処理は、上述した実施例１のステップＳ１１と同様であり、その説明を省略する。 In FIG. 14, first, in step S61, an imaginary evaluation value prediction model A is generated using imaginary situation independent data. This imaginary evaluation value prediction model generation process is the same as step S11 of the first embodiment described above, and a description thereof is omitted.
次いで、ステップＳ６２では、実状況独立データを用いて実評価値予測モデルＣを生成する。この実評価値予測モデル生成処理では、まず、モデル構造決定部１２が、実状況独立データを用いてベイジアンネットのモデル構造ｃを決定する。このモデル構造決定処理では、実状況独立データから、被験者属性情報、コンテンツ属性情報、状況属性情報、評価属性情報及び評価理由情報のそれぞれの間の依存関係を抽出し、その依存関係に従ってモデル構造ｃに含めるノード及びノード間リンクを定めていく。被験者属性情報、コンテンツ属性情報及び状況属性情報が入力ノードに対応するように、評価属性情報及び評価理由情報が出力ノードに対応するように、モデル構造ｃを決定する。次いで、モデルパラメータ決定部１３が、実状況独立データを用いて、モデル構造ｃについてのモデルパラメータを決定する。そのモデルパラメータは、モデル構造ｃに対応するベイジアンネットの条件付確率表である。実評価値予測モデルＣは、モデル構造ｃ及びその条件付確率表から構成される。
Next, in step S62, an actual evaluation value prediction model C is generated using actual situation independent data. In the actual evaluation value prediction model generation process, first, the model
次いで、ステップＳ６３，Ｓ６４，Ｓ６５では、上述した実施例５のステップＳ５４，Ｓ５５，Ｓ５６と同様にして、想像状況評価推定値及び実状況評価推定値を算出し、想像状況評価推定値と実状況評価推定値を統合する。嗜好推定部１６は、その統合結果を嗜好推定結果として出力する。
Next, in steps S63, S64, and S65, the imaginary situation evaluation estimated value and the actual situation evaluation estimated value are calculated in the same manner as steps S54, S55, and S56 of the fifth embodiment described above, and the imaginary situation evaluation estimated value and the actual situation are calculated. Integrate evaluation estimates. The
なお、上述した実施例１，２及び６では、ベイジアンネットのようにモデル構造のみを独立に決定できる必要はない。従って、ベイジアンネット以外の他の推論モデルを利用することができる。例えば、線形予測、一般化線形予測、ニューラルネットワーク、サポートベクトルマシン、決定木などが利用可能である。 In the first, second, and sixth embodiments described above, it is not necessary to be able to determine only the model structure independently as in the Bayesian network. Therefore, other inference models other than the Bayesian network can be used. For example, linear prediction, generalized linear prediction, neural network, support vector machine, decision tree, etc. can be used.
又、ベイジアンネットのようにモデル構造のみを独立に決定でき、モデル構造を共通化することができる推論モデルとしては、ベイジアンネットの他、線形予測、一般化線形予測などが利用可能である。 Further, as a reasoning model that can determine only the model structure independently as in the Bayesian network and can share the model structure, linear prediction, generalized linear prediction, etc. can be used in addition to the Bayesian network.
上述したように本実施形態によれば、実状況下で得られた学習データが比較的少量であっても、高い推定精度を持つ嗜好推論モデルを生成することができる。これにより、高い推定精度を持つ嗜好推論モデルの生成に必要な「実状況下で得られた学習データの量」を削減することができ、被験者にかかる負荷及び拘束時間の軽減を図るとともに、コスト削減の効果が得られる。 As described above, according to the present embodiment, it is possible to generate a preference inference model having high estimation accuracy even when the amount of learning data obtained under actual conditions is relatively small. As a result, it is possible to reduce the “amount of learning data obtained under actual conditions” necessary for generating a preference inference model with high estimation accuracy, and to reduce the load and restraint time on the subject, as well as cost. Reduction effect is obtained.
なお、本実施形態に係る嗜好推定装置は、専用のハードウェアにより実現されるものであってもよく、あるいはパーソナルコンピュータ等のコンピュータシステムにより構成され、図１，３，５，７，９，１１又は１３に示される嗜好推定装置の各部の機能を実現するためのプログラムを実行することによりその機能を実現させるものであってもよい。 Note that the preference estimation apparatus according to the present embodiment may be realized by dedicated hardware, or may be configured by a computer system such as a personal computer, and FIGS. Or the function may be implement | achieved by running the program for implement | achieving the function of each part of the preference estimation apparatus shown by 13. FIG.
また、その嗜好推定装置には、周辺機器として入力装置、表示装置等（いずれも図示せず）が接続されるものとする。ここで、入力装置とはキーボード、マウス等の入力デバイスのことをいう。表示装置とはＣＲＴ（Cathode Ray Tube）や液晶表示装置等のことをいう。
また、上記周辺機器については、嗜好推定装置に直接接続するものであってもよく、あるいは通信回線を介して接続するようにしてもよい。
In addition, an input device, a display device, and the like (none of which are shown) are connected to the preference estimation device as peripheral devices. Here, the input device refers to an input device such as a keyboard and a mouse. The display device refers to a CRT (Cathode Ray Tube), a liquid crystal display device or the like.
The peripheral device may be connected directly to the preference estimation device, or may be connected via a communication line.
また、図４，６，８，１０，１２又は１４に示す各ステップを実現するためのプログラムをコンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録されたプログラムをコンピュータシステムに読み込ませ、実行することにより、嗜好推定処理を行ってもよい。なお、ここでいう「コンピュータシステム」とは、ＯＳや周辺機器等のハードウェアを含むものであってもよい。
また、「コンピュータシステム」は、ＷＷＷシステムを利用している場合であれば、ホームページ提供環境（あるいは表示環境）も含むものとする。
また、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ＲＯＭ、フラッシュメモリ等の書き込み可能な不揮発性メモリ、ＤＶＤ（Digital Versatile Disk）等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。
Also, a program for realizing each step shown in FIG. 4, 6, 8, 10, 12, or 14 is recorded on a computer-readable recording medium, and the program recorded on the recording medium is read into a computer system. The preference estimation process may be performed by executing. Here, the “computer system” may include an OS and hardware such as peripheral devices.
Further, the “computer system” includes a homepage providing environment (or display environment) if a WWW system is used.
“Computer-readable recording medium” refers to a flexible disk, a magneto-optical disk, a ROM, a writable nonvolatile memory such as a flash memory, a portable medium such as a DVD (Digital Versatile Disk), and a built-in computer system. A storage device such as a hard disk.
さらに「コンピュータ読み取り可能な記録媒体」とは、インターネット等のネットワークや電話回線等の通信回線を介してプログラムが送信された場合のサーバやクライアントとなるコンピュータシステム内部の揮発性メモリ（例えばＤＲＡＭ（Dynamic Random Access Memory））のように、一定時間プログラムを保持しているものも含むものとする。
また、上記プログラムは、このプログラムを記憶装置等に格納したコンピュータシステムから、伝送媒体を介して、あるいは、伝送媒体中の伝送波により他のコンピュータシステムに伝送されてもよい。ここで、プログラムを伝送する「伝送媒体」は、インターネット等のネットワーク（通信網）や電話回線等の通信回線（通信線）のように情報を伝送する機能を有する媒体のことをいう。
また、上記プログラムは、前述した機能の一部を実現するためのものであっても良い。さらに、前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるもの、いわゆる差分ファイル（差分プログラム）であっても良い。
Further, the “computer-readable recording medium” means a volatile memory (for example, DRAM (Dynamic DRAM) in a computer system that becomes a server or a client when a program is transmitted through a network such as the Internet or a communication line such as a telephone line. Random Access Memory)), etc., which hold programs for a certain period of time.
The program may be transmitted from a computer system storing the program in a storage device or the like to another computer system via a transmission medium or by a transmission wave in the transmission medium. Here, the “transmission medium” for transmitting the program refers to a medium having a function of transmitting information, such as a network (communication network) such as the Internet or a communication line (communication line) such as a telephone line.
The program may be for realizing a part of the functions described above. Furthermore, what can implement | achieve the function mentioned above in combination with the program already recorded on the computer system, and what is called a difference file (difference program) may be sufficient.
以上、本発明の実施形態について図面を参照して詳述してきたが、具体的な構成はこの実施形態に限られるものではなく、本発明の要旨を逸脱しない範囲の設計変更等も含まれる。 As mentioned above, although embodiment of this invention was explained in full detail with reference to drawings, the specific structure is not restricted to this embodiment, The design change etc. of the range which does not deviate from the summary of this invention are included.
［各実施例の適用方法の一例］
図１５、図１６を参照して、上述した６つの実施例１（以下、方式１と称する），２（以下、方式２と称する），３（以下、方式３と称する），４（以下、方式４と称する），５（以下、方式５と称する），６（以下、方式６と称する）ついて、その適用方法の一例を説明する。方式１〜６はそれぞれに特徴を有するが、ここでは、図１５、図１６に示す方式選定手順を用いて、どの方式を適用するのかを決定する。
[Example of application method of each embodiment]
Referring to FIGS. 15 and 16, the above-described six embodiments 1 (hereinafter referred to as method 1), 2 (hereinafter referred to as method 2), 3 (hereinafter referred to as method 3), 4 (hereinafter referred to as method 3). An example of the application method will be described for the method 4), 5 (hereinafter referred to as method 5), and 6 (hereinafter referred to as method 6). Each of the
図１５において、まずステップＳ１０１では、実施者は、モデル化方針を、（１）差分をモデル化する、（２）差分をモデル化しない、のうちから選択する。この選択方法としては、実施者は、差分をモデル化する方式の一つ（例えば方式２）と、差分をモデル化しない方式の一つ（例えば方式６）とについて、それぞれにデータに対するモデルの適合性を判断し、適合性の高い方の方針を選択する。なお、両方針に顕著な差がない場合には、方針（１），（２）の両方を選択し、方針（１），（２）のそれぞれに対応する方式を以降のステップにより選定し実行してもよい。 In FIG. 15, first, in step S101, the practitioner selects a modeling policy from among (1) modeling a difference and (2) not modeling a difference. For this selection method, the practitioner must adapt the model to the data for one of the methods for modeling the difference (for example, method 2) and one of the methods for not modeling the difference (for example, method 6). Judge the gender and select the policy with the highest suitability. If there is no significant difference between both hands, select both policies (1) and (2), and select and execute the methods corresponding to policies (1) and (2) in the following steps. May be.
ステップＳ１０１の結果、方針（１）「差分をモデル化する」を選択した場合、ステップＳ１０２において、実施者は、完全対応データセットがあるか否かを確認する。この結果、完全対応データセットがある場合、実施者は方式１を実施する（ステップＳ１０３）。一方、完全対応データセットがない場合、実施者は方式２を実施する（ステップＳ１０４）。 When the policy (1) “model difference” is selected as a result of step S101, the practitioner checks in step S102 whether or not there is a completely corresponding data set. As a result, when there is a completely corresponding data set, the practitioner performs method 1 (step S103). On the other hand, when there is no completely corresponding data set, the practitioner performs method 2 (step S104).
ステップＳ１０１の結果、方針（２）「差分をモデル化しない」を選択した場合、ステップＳ１０５において、実施者は、仮想状況下で得られた学習データを用いて複数種類のモデル化方式でそれぞれモデルを構築し、その中から当該学習データに対する適合性が最も良いモデル化方式について、その特徴を、（３）モデルの構造とパラメータが分離不可能である、（４）モデルの構造とパラメータが分離可能である、のうちから判断する。 If the policy (2) “Don't model differences” is selected as a result of step S101, then in step S105, the practitioner uses the learning data obtained in a virtual situation to model each of a plurality of types of modeling methods. (3) Model structure and parameters are inseparable, (4) Model structure and parameters are inseparable Judgment is made from the possibilities.
ステップＳ１０５の結果、特徴（３）「モデルの構造とパラメータが分離不可能である」であった場合、実施者は方式６を実施する（ステップＳ１０６）。一方、特徴（４）「モデルの構造とパラメータが分離可能である」であった場合は、図１６のステップＳ１０７に進む。 If the result of step S105 is feature (3) “model structure and parameters are inseparable”, the practitioner performs method 6 (step S106). On the other hand, if the feature (4) “model structure and parameters are separable”, the process proceeds to step S107 in FIG.
ステップＳ１０７では、実施者は、学習時、推論時の計算コストに対する要求に応じて、次の３つの方針、（５）学習時及び推論時ともに計算コストを下げたい場合、（６）推論時の計算コストを下げたい場合、（７）計算コストに対する要求がない場合、の中から選択する。 In step S107, the practitioner, in response to a request for calculation cost at the time of learning and inference, (5) to reduce the calculation cost at the time of both learning and inference, (6) at the time of inference When it is desired to lower the calculation cost, (7) when there is no request for the calculation cost, the selection is made.
ステップＳ１０７の結果、（５）学習時及び推論時ともに計算コストを下げたい場合には、実施者は、方式３及び５を実施し、その中からデータへの適合性のよい方に決定する。
ステップＳ１０７の結果、（６）推論時の計算コストを下げたい場合には、実施者は、方式３及び４を実施し、その中からデータへの適合性のよい方に決定する。
ステップＳ１０７の結果、（７）計算コストに対する要求がない場合には、実施者は、方式３、４及び５を実施し、その中からデータへの適合性のよい方に決定する。
As a result of step S107, (5) When it is desired to reduce the calculation cost at the time of learning and at the time of inference, the practitioner implements the methods 3 and 5, and decides the one having the best suitability for data.
As a result of step S107, (6) When it is desired to lower the calculation cost at the time of inference, the practitioner implements the methods 3 and 4, and decides the one having the best suitability for data.
As a result of the step S107, (7) when there is no request for the calculation cost, the practitioner carries out the methods 3, 4 and 5, and decides the one having the best suitability for data.
１，１−１〜６…嗜好推定装置、１１…学習データ記憶部、１２…モデル構造決定部、１３…モデルパラメータ決定部、１４…差分データ生成部、１５…モデル統合部、１６…嗜好推定部
DESCRIPTION OF
Claims (11)
実状況下で得られた学習データと仮想状況下で得られた学習データを記憶する学習データ記憶手段と、
仮想状況下で得られた学習データに基づいて想像評価値予測モデルを生成する想像評価値予測モデル生成手段と、
実状況下で得られた学習データに基づいて、前記想像評価値予測モデルを補う差分推定モデルを生成する差分推定モデル生成手段と、
嗜好推定対象ユーザの入力データ及び嗜好推定対象コンテンツの入力データを前記想像評価値予測モデル及び前記差分推定モデルにそれぞれ入力して想像状況評価推定値及び差分推定値を算出し、想像状況評価推定値と差分推定値を合わせて嗜好推定結果を算出する嗜好推定手段と、
を備えたことを特徴とする嗜好推定装置。 In a preference estimation device that generates an inference model for estimating a user's preference for content,
Learning data storage means for storing learning data obtained under real conditions and learning data obtained under virtual conditions;
An imaginary evaluation value prediction model generating means for generating an imaginary evaluation value prediction model based on learning data obtained in a virtual situation;
Difference estimation model generation means for generating a difference estimation model that supplements the imaginary evaluation value prediction model based on learning data obtained under actual conditions;
Input the input data of the preference estimation target user and the input data of the preference estimation target content to the imaginary evaluation value prediction model and the difference estimation model, respectively, to calculate the imaginary situation evaluation estimation value and the difference estimation value, And a preference estimation means for calculating a preference estimation result by combining the difference estimation values,
A preference estimation device comprising:
前記想像評価値予測モデル生成手段は、前記想像状況独立データに基づいて想像評価値予測モデルを生成し、
前記差分推定モデル生成手段は、前記実状況対応データと想像状況対応データの差分データに基づいて差分推定モデルを生成する、
ことを特徴とする請求項１に記載の嗜好推定装置。 The learning data storage means includes real situation correspondence data and imaginary situation correspondence data, which are learning data obtained from the same subject under a real situation and a virtual situation, respectively, and imaginary situation independent data obtained under a virtual situation. Remember,
The imaginary evaluation value prediction model generating means generates an imaginary evaluation value prediction model based on the imaginary situation independent data,
The difference estimation model generation means generates a difference estimation model based on the difference data between the actual situation correspondence data and the imaginary situation correspondence data.
The preference estimation apparatus according to claim 1 .
前記想像評価値予測モデル生成手段は、前記想像状況独立データに基づいて想像評価値予測モデルを生成し、
前記差分推定モデル生成手段は、前記実状況独立データを前記想像評価値予測モデルに入力して得られた出力値と該実状況独立データの該当データとの差分データに基づいて差分推定モデルを生成する、
ことを特徴とする請求項１に記載の嗜好推定装置。 The learning data storage means stores real situation independent data obtained under a real situation and imaginary situation independent data obtained under a virtual situation,
The imaginary evaluation value prediction model generating means generates an imaginary evaluation value prediction model based on the imaginary situation independent data,
The difference estimation model generation means generates a difference estimation model based on difference data between an output value obtained by inputting the actual situation independent data to the imaginary evaluation value prediction model and corresponding data of the actual situation independent data To
The preference estimation apparatus according to claim 1 .
実状況下で得られた実状況独立データと仮想状況下で得られた想像状況独立データを記憶する学習データ記憶手段と、
前記想像状況独立データに基づいて推論モデルのモデル構造を決定するモデル構造決定手段と、
前記実状況独立データを用いて前記モデル構造についてのモデルパラメータを決定し、実評価値予測モデルを生成する実評価値予測モデルパラメータ決定手段と、
嗜好推定対象ユーザの入力データ及び嗜好推定対象コンテンツの入力データを前記実評価値予測モデルに入力して嗜好推定結果を算出する嗜好推定手段と、
を備えたことを特徴とする嗜好推定装置。 In a preference estimation device that generates an inference model for estimating a user's preference for content,
Learning data storage means for storing real situation independent data obtained under real circumstances and imaginary situation independent data obtained under virtual situations;
Model structure determining means for determining a model structure of an inference model based on the imaginary situation independent data;
An actual evaluation value prediction model parameter determination means for determining a model parameter for the model structure using the actual situation independent data and generating an actual evaluation value prediction model;
Preference estimation means for calculating the preference estimation result by inputting the input data of the preference estimation target user and the input data of the preference estimation target content to the actual evaluation value prediction model;
A preference estimation device comprising:
実状況下で得られた実状況独立データと仮想状況下で得られた想像状況独立データを記憶する学習データ記憶手段と、
前記想像状況独立データに基づいて推論モデルのモデル構造を決定するモデル構造決定手段と、
前記想像状況独立データを用いて前記モデル構造についてのモデルパラメータを決定し、想像評価値予測モデルを生成する想像評価値予測モデルパラメータ決定手段と、
前記実状況独立データを用いて前記モデル構造についてのモデルパラメータを決定し、実評価値予測モデルを生成する実評価値予測モデルパラメータ決定手段と、
前記想像評価値予測モデルと前記実評価値予測モデルと嗜好推定対象ユーザの入力データと嗜好推定対象コンテンツの入力データとから、嗜好推定結果を算出する統合嗜好推定手段と、
を備えたことを特徴とする嗜好推定装置。 In a preference estimation device that generates an inference model for estimating a user's preference for content,
Learning data storage means for storing real situation independent data obtained under real circumstances and imaginary situation independent data obtained under virtual situations;
Model structure determining means for determining a model structure of an inference model based on the imaginary situation independent data;
An imaginary evaluation value prediction model parameter determining means for determining a model parameter for the model structure using the imaginary situation independent data and generating an imaginary evaluation value prediction model;
An actual evaluation value prediction model parameter determination means for determining a model parameter for the model structure using the actual situation independent data and generating an actual evaluation value prediction model;
Integrated preference estimation means for calculating a preference estimation result from the imaginary evaluation value prediction model, the actual evaluation value prediction model, the input data of the preference estimation target user, and the input data of the preference estimation target content;
A preference estimation device comprising:
前記想像評価値予測モデルと前記実評価値予測モデルを統合し、統合予測モデルを生成するモデル統合手段を有し、
嗜好推定対象ユーザの入力データ及び嗜好推定対象コンテンツの入力データを前記統合予測モデルに入力して嗜好推定結果を算出する、
ことを特徴とする請求項５に記載の嗜好推定装置。 The integrated preference estimation means includes:
A model integration means for generating an integrated prediction model by integrating the imaginary evaluation value prediction model and the actual evaluation value prediction model;
Input preference estimation target user input data and preference estimation target content input data to the integrated prediction model to calculate a preference estimation result;
The preference estimation apparatus according to claim 5 .
嗜好推定対象ユーザの入力データ及び嗜好推定対象コンテンツの入力データを前記想像評価値予測モデル及び前記実評価値予測モデルにそれぞれ入力して想像状況評価推定値及び実状況評価推定値を算出し、想像状況評価推定値と実状況評価推定値を合わせて嗜好推定結果を算出する、
ことを特徴とする請求項５に記載の嗜好推定装置。 The integrated preference estimation means includes:
The input data of the preference estimation target user and the input data of the preference estimation target content are input to the imaginary evaluation value prediction model and the actual evaluation value prediction model, respectively, to calculate the imaginary situation evaluation estimation value and the actual situation evaluation estimation value. The preference estimation result is calculated by combining the situation evaluation estimate and the actual situation estimate.
The preference estimation apparatus according to claim 5 .
実状況下で得られた実状況独立データと仮想状況下で得られた想像状況独立データを記憶する学習データ記憶手段と、
前記想像状況独立データに基づいて想像評価値予測モデルを生成する想像評価値予測モデル生成手段と、
前記実状況独立データに基づいて実評価値予測モデルを生成する実評価値予測モデル生成手段と、
嗜好推定対象ユーザの入力データ及び嗜好推定対象コンテンツの入力データを前記想像評価値予測モデル及び前記実評価値予測モデルにそれぞれ入力して想像状況評価推定値及び実状況評価推定値を算出し、想像状況評価推定値と実状況評価推定値を合わせて嗜好推定結果を算出する嗜好推定手段と、
を備えたことを特徴とする嗜好推定装置。 In a preference estimation device that generates an inference model for estimating a user's preference for content,
Learning data storage means for storing real situation independent data obtained under real circumstances and imaginary situation independent data obtained under virtual situations;
An imaginary evaluation value prediction model generating means for generating an imaginary evaluation value prediction model based on the imaginary situation independent data;
An actual evaluation value prediction model generating means for generating an actual evaluation value prediction model based on the actual situation independent data;
The input data of the preference estimation target user and the input data of the preference estimation target content are input to the imaginary evaluation value prediction model and the actual evaluation value prediction model, respectively, to calculate the imaginary situation evaluation estimation value and the actual situation evaluation estimation value. Preference estimation means for calculating a preference estimation result by combining the situation evaluation estimated value and the actual situation evaluation estimated value;
A preference estimation device comprising:
前記学習データ記憶手段が、実状況下で得られた学習データと仮想状況下で得られた学習データを記憶するステップと、
前記想像評価値予測モデル生成手段が、仮想状況下で得られた学習データに基づいて想像評価値予測モデルを生成するステップと、
前記差分推定モデル生成手段が、実状況下で得られた学習データに基づいて、前記想像評価値予測モデルを補う差分推定モデルを生成するステップと、
前記嗜好推定手段が、嗜好推定対象ユーザの入力データ及び嗜好推定対象コンテンツの入力データを前記想像評価値予測モデル及び前記差分推定モデルにそれぞれ入力して想像状況評価推定値及び差分推定値を算出し、想像状況評価推定値と差分推定値を合わせて嗜好推定結果を算出するステップと、
を含むことを特徴とする嗜好推定方法。 A preference estimation method for generating an inference model for estimating a user's preference for content in a preference estimation device comprising a learning data storage unit, an imaginary evaluation value prediction model generation unit, a difference estimation model generation unit, and a preference estimation unit There,
The learning data storage means storing learning data obtained under a real situation and learning data obtained under a virtual situation;
The imaginary evaluation value prediction model generating means generating an imaginary evaluation value prediction model based on learning data obtained under a virtual situation;
The difference estimation model generation means generates a difference estimation model that supplements the imaginary evaluation value prediction model based on learning data obtained under actual conditions;
The preference estimation unit calculates the imaginary situation evaluation estimated value and the difference estimated value by inputting the input data of the preference estimation target user and the input data of the preference estimation target content to the imaginary evaluation value prediction model and the difference estimation model, respectively. Calculating the preference estimation result by combining the imaginary situation evaluation estimation value and the difference estimation value;
The preference estimation method characterized by including.
実状況下で得られた学習データと仮想状況下で得られた学習データを学習データ記憶手段に記憶する学習データ記憶ステップと、
仮想状況下で得られた学習データに基づいて想像評価値予測モデルを生成する想像評価値予測モデル生成ステップと、
実状況下で得られた学習データに基づいて、前記想像評価値予測モデルを補う差分推定モデルを生成する差分推定モデル生成ステップと、
嗜好推定対象ユーザの入力データ及び嗜好推定対象コンテンツの入力データを前記想像評価値予測モデル及び前記差分推定モデルにそれぞれ入力して想像状況評価推定値及び差分推定値を算出し、想像状況評価推定値と差分推定値を合わせて嗜好推定結果を算出する嗜好推定ステップと、
をコンピュータに実行させることを特徴とするコンピュータプログラム。 A computer program for performing preference estimation processing for generating an inference model for estimating a user's preference for content,
A learning data storage step for storing learning data obtained under real conditions and learning data obtained under virtual conditions in a learning data storage means;
An imaginary evaluation value prediction model generating step for generating an imaginary evaluation value prediction model based on learning data obtained in a virtual situation;
A difference estimation model generation step for generating a difference estimation model that supplements the imaginary evaluation value prediction model based on learning data obtained under actual conditions;
Input the input data of the preference estimation target user and the input data of the preference estimation target content to the imaginary evaluation value prediction model and the difference estimation model, respectively, to calculate the imaginary situation evaluation estimation value and the difference estimation value, And a preference estimation step for calculating a preference estimation result by combining the difference estimation values,
A computer program for causing a computer to execute.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2008207292A JP5334038B2 (en) | 2008-08-11 | 2008-08-11 | Preference estimation apparatus, preference estimation method, and computer program |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2008207292A JP5334038B2 (en) | 2008-08-11 | 2008-08-11 | Preference estimation apparatus, preference estimation method, and computer program |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2010044518A JP2010044518A (en) | 2010-02-25 |
| JP5334038B2 true JP5334038B2 (en) | 2013-11-06 |
Family
ID=42015867
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2008207292A Active JP5334038B2 (en) | 2008-08-11 | 2008-08-11 | Preference estimation apparatus, preference estimation method, and computer program |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP5334038B2 (en) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6074702B2 (en) * | 2012-12-04 | 2017-02-08 | 三星電子株式会社Ｓａｍｓｕｎｇ Ｅｌｅｃｔｒｏｎｉｃｓ Ｃｏ．，Ｌｔｄ． | Information processing apparatus, information processing method, and data structure |
| JP6059122B2 (en) * | 2013-10-11 | 2017-01-11 | カルチュア・コンビニエンス・クラブ株式会社 | Customer data analysis system |
| WO2016002133A1 (en) * | 2014-06-30 | 2016-01-07 | 日本電気株式会社 | Prediction system and prediction method |
| WO2016189905A1 (en) * | 2015-05-27 | 2016-12-01 | ソニー株式会社 | Information processing device, information processing method, and program |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004258762A (en) * | 2003-02-24 | 2004-09-16 | Nippon Telegr & Teleph Corp <Ntt> | Action model creation method and creation device |
-
2008
- 2008-08-11 JP JP2008207292A patent/JP5334038B2/en active Active
Also Published As
| Publication number | Publication date |
|---|---|
| JP2010044518A (en) | 2010-02-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Mavrepis et al. | Xai for all: Can large language models simplify explainable ai? | |
| Winter et al. | How to analyze linguistic change using mixed models, Growth Curve Analysis and Generalized Additive Modeling | |
| Snijders et al. | Maximum likelihood estimation for social network dynamics | |
| US11068285B2 (en) | Machine-learning models applied to interaction data for determining interaction goals and facilitating experience-based modifications to interface elements in online environments | |
| Marra et al. | Estimation of a semiparametric recursive bivariate probit model in the presence of endogeneity | |
| CN105095267B (en) | A recommendation method and device for users to participate in projects | |
| Harvey et al. | Testing explosive bubbles with time-varying volatility | |
| Park et al. | Optimizing multi-response surface problems: how to use multi-objective optimization techniques | |
| Pu et al. | The garden of forking paths in visualization: A design space for reliable exploratory visual analytics: Position paper | |
| Fuller | What are the COVID-19 models modeling (philosophically speaking)? | |
| JP5334038B2 (en) | Preference estimation apparatus, preference estimation method, and computer program | |
| Hao et al. | Domination landscape in evolutionary algorithms and its applications | |
| KR101790788B1 (en) | Collaborative networking with optimized inter-domain information quality assessment | |
| Xu et al. | Optimal consensus models for group decision making under linguistic preference relations | |
| Wan et al. | Dynamic cognitive pathway extraction in open source large language models for automated knowledge structuring | |
| Varathan et al. | Optimal generalized logistic estimator | |
| Chen et al. | Adversarial collaborative filtering for free | |
| Pu et al. | AdaMO: Adaptive Meta-Optimization for cold-start recommendation | |
| Alom et al. | Helping users managing context-based privacy preferences | |
| Cortese et al. | Maximum Likelihood Estimation of Multivariate Regime Switching Student‐t Copula Models | |
| CN104462093A (en) | Personal recommendation scheme | |
| Broniatowski | Do design decisions depend on “dictators”? | |
| JP2022007311A (en) | A system that evaluates the risk of information leakage from learning models | |
| Xu et al. | Disentangling user cognitive intent with causal reasoning for knowledge-enhanced recommendation | |
| Ledolter | Smoothing time series with local polynomial regression on time |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20110210 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A821 Effective date: 20110214 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A821 Effective date: 20110210 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20121019 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20121030 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20121227 Free format text: JAPANESE INTERMEDIATE CODE: A821 Effective date: 20121227 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20130625 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20130723 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 5334038 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| S533 | Written request for registration of change of name |
Free format text: JAPANESE INTERMEDIATE CODE: R313533 |
|
| 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 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313117 |
|
| 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 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |