JP7767249B2 - 情報処理装置、情報処理方法およびプログラム - Google Patents

Description

本発明の実施形態は、情報処理装置、情報処理方法およびプログラムに関する。

企業のマーケティングにおいて、効果的な商品開発およびプロモーションに向けたユーザ分析が行われている。ユーザ分析では、例えば「セール好き」、「健康志向」といったユーザの購買嗜好タイプについて仮説が立案され、インタビューまたはパネル調査により詳細な分析が行われる。購買嗜好タイプからは、ユーザの購買動機および意思などの購買の心理要因を把握することができる。この結果、商品の推薦、商品開発、および、品ぞろえの最適化など、様々な場面で大きな効果を得ることができる。

一方で、近年では、購買データの蓄積および活用が進んでいる。また、購買データを活用して購買嗜好タイプの分析を支援する技術が提案されている。

特許第５９０２３２５号公報

LEE， Daniel D.; SEUNG， H. Sebastian. "Learning the parts of objects by non-negative matrix factorization."， Nature， 1999， 401.6755:788-791.

しかしながら、従来技術では、分析者が経験と知識をもとに試行錯誤して購買嗜好タイプを設計する。このため、作業負荷が大きく、仮説の立案および検証に時間がかかる場合がある。また分析者に応じて購買嗜好タイプの仮説が異なり、透明性が保証されない問題が生じうる。

本発明は、購買データを活用したユーザ分析の作業負荷を低減することができる情報処理装置、情報処理方法およびプログラムを提供することを目的とする。

実施形態の情報処理装置は、取得部と状態算出部と出力制御部とを備える。取得部は、複数のユーザを識別する複数のユーザ識別情報のいずれかと、複数の商品を識別する複数の商品識別情報のいずれかと、商品の価格および購入数の少なくとも一方を含む実績情報と、を含む複数の購買データを取得する。状態算出部は、複数のユーザ識別情報および複数の商品識別情報をそれぞれ行および列のインデックスとし、実績情報に基づいて算出される非負の値を要素値とする購買行列を行列分解し、複数のユーザ識別情報と購買に関する隠れ状態との関係を示すユーザ隠れ状態情報と、隠れ状態と複数の商品識別情報との関係を示す商品隠れ状態情報と、を算出する。出力制御部は、ユーザ隠れ状態情報と、商品隠れ状態情報と、の少なくとも一方の出力を制御する。

第１の実施形態にかかる情報処理装置のブロック図。 第１の実施形態における分析支援処理のフローチャート。 購買履歴のデータ構造の一例を示す図。 商品情報の例を示す図。 ユーザ情報の例を示す図。 生成される購買行列の例を示す図。 商品隠れ状態情報の例を示す図。 ユーザ隠れ状態情報の例を示す図。 商品隠れ状態情報の表示の例を示す図。 ユーザ隠れ状態情報の表示の例を示す図。 第２の実施形態にかかる情報処理装置のブロック図。 第２の実施形態における分析支援処理のフローチャート。 クラスタへの分類結果の例を示す図。 統計情報の一例を示す図。 各クラスタに対するユーザ隠れ状態情報の表示の例を示す図。 第３の実施形態にかかる情報処理装置のブロック図。 第３の実施形態における分析支援処理のフローチャート。 注目ユーザラベルの例を示す図。 ユーザ隠れ状態情報の平均値の算出例を示す図。 注目ユーザのユーザ隠れ状態情報の統計情報の表示例を示す図。 第４の実施形態にかかる情報処理装置のブロック図。 第３の実施形態における分析支援処理のフローチャート。 既知情報の例を示す図。 第５の実施形態にかかる情報処理装置のブロック図。 第５の実施形態における分析支援処理のフローチャート。 クラスタへの分類結果および注目ユーザラベルの例を表す図。 全ユーザに対するクラスタ比率の例を表す図。 注目ユーザに対するクラスタ比率の例を表す図。 クラスタ比率の差分が大きいクラスタ情報の表示の例を表す図。 ユーザ情報および商品情報を表示した画面の例を示す図。 購入数をクラスタごとにプロットした画面の例を示す図。 実施形態にかかる情報処理装置のハードウェア構成図。

以下に添付図面を参照して、この発明にかかる情報処理装置の好適な実施形態を詳細に説明する。

上記のように、購買データを活用して購買嗜好タイプの分析を支援する技術が提案されている。購買データは、例えば実店舗およびインターネットウェブ上の買い物において、ユーザごとの購入した商品を表す購買履歴を含む。購買行動は、ユーザの嗜好を強く反映していると考えられるため、購買データを購買嗜好タイプの立案へ活用することができる。購買データに基づく購買嗜好タイプの立案により、分析者の作業負荷を低減するとともに、経験および知識のみではなく客観的な事実に基づいた購買嗜好タイプの立案が期待できる。

購買データを活用した購買嗜好タイプの分析支援技術として、ユーザの購買嗜好タイプと実際の商品購買履歴との間の一致度を用いて購買嗜好タイプを定量的に評価することで、一致度の高い購買嗜好タイプを設計することを支援する技術が提案されている。このような技術では、立案した購買嗜好タイプの定量評価を行うことで購買嗜好タイプが適切かどうかを判断し、購買嗜好タイプの更新、統合および分割などを行うことが可能である。

一方で、このような技術は、既存の購買嗜好タイプの定量評価に関する技術である。このため、ベースとなる購買嗜好タイプの立案は、従来通り分析者の経験および知識に依存する。従って、分析者が初期の購買嗜好タイプを立案する際の作業負荷がかかるケース、および、分析者が購買嗜好タイプを見逃すケースが生じうる。

以下の各実施形態は、購買データを用いて購買嗜好タイプの立案を支援する。例えば、分析者が購買嗜好タイプを立案するための購買情報を提示することができる。

（第１の実施形態）
図１は、第１の実施形態にかかる情報処理装置１００の構成の一例を示すブロック図である。図１に示すように、情報処理装置１００は、取得部１０１と、状態算出部１０２と、出力制御部１１１と、記憶部１２１と、を備えている。

取得部１０１は、情報処理装置１００で用いられる各種情報を取得する。例えば取得部１０１は、複数の購買データを記憶する。購買データは、複数のユーザを識別する複数のユーザ識別情報（以下、ユーザＩＤという）のいずれかと、複数の商品を識別する複数の商品識別情報（以下、商品ＩＤという）のいずれかと、実績情報と、を含む。実績情報は、例えば、商品の価格、および、購入された個数（購入数）の少なくとも一方を含む情報である。

取得部１０１による情報の取得方法はどのような方法であってもよいが、例えば、外部の装置から送信された情報を受信する方法、および、記憶媒体から情報を読み出す方法などを適用できる。

状態算出部１０２は、購買データを分析することにより、購買データの隠れ状態を表す情報を算出する。例えば状態算出部１０２は、購買データから、複数のユーザＩＤおよび複数の商品ＩＤをそれぞれ行および列のインデックスとし、実績情報に基づいて算出される非負の値を要素値とする購買行列を求める。非負の要素値は、例えば、購買の有無を示す非負の値、価格、または、購入数である。

状態算出部１０２は、購買行列を行列分解し、ユーザ隠れ状態情報と、商品隠れ状態情報と、を算出する。ユーザ隠れ状態情報は、複数のユーザＩＤと購買に関する隠れ状態との関係を示す。商品隠れ状態情報は、隠れ状態と複数の商品ＩＤとの関係を示す。

出力制御部１１１は、情報処理装置１００で用いられる各種データの出力を制御する。例えば出力制御部１１１は、ユーザ隠れ状態情報と、商品隠れ状態情報と、の少なくとも一方の出力を制御する。出力制御部１１１による出力方法はどのような方法であってもよいが、例えば、液晶ディスプレイなどの表示装置に表示する方法、外部の装置（サーバ、他の情報処理装置など）にデータを送信する方法、および、プリンタなどの画像形成装置を用いて記録媒体に出力する方法などを適用できる。

上記各部（取得部１０１、状態算出部１０２、および、出力制御部１１１）は、例えば、１または複数のプロセッサにより実現される。例えば上記各部は、ＣＰＵ（Central Processing Unit）などのプロセッサにプログラムを実行させること、すなわちソフトウェアにより実現してもよい。上記各部は、専用のＩＣ（Integrated Circuit）などのプロセッサ、すなわちハードウェアにより実現してもよい。上記各部は、ソフトウェアおよびハードウェアを併用して実現してもよい。複数のプロセッサを用いる場合、各プロセッサは、各部のうち１つを実現してもよいし、各部のうち２つ以上を実現してもよい。

記憶部１２１は、情報処理装置１００で用いられる各種データを記憶する。例えば記憶部１２１は、取得部１０１により取得された購買データ、および、その他の各部による処理結果などを記憶する。

なお、記憶部１２１は、フラッシュメモリ、メモリカード、ＲＡＭ（Random Access Memory）、ＨＤＤ（Hard Disk Drive）、および、光ディスクなどの一般的に利用されているあらゆる記憶媒体により構成することができる。

次に、第１の実施形態にかかる情報処理装置１００による分析支援処理について説明する。図２は、第１の実施形態における分析支援処理の一例を示すフローチャートである。

取得部１０１は、購買履歴を含む購買データを取得する（ステップＳ１０１）。購買履歴は、商品を購入したユーザのユーザＩＤと、購入された商品の商品ＩＤと、を含む。図３は、購買履歴のデータ構造の一例を示す図である。図３に示すように、購買履歴は、購買の時刻、ユーザＩＤ、商品ＩＤ、商品の購入数（個数）、および、価格を含む。

購買データは、購買履歴以外の情報をさらに含んでもよい。購買履歴以外の情報は、例えば、商品情報、および、ユーザ情報である。図４は、商品情報の例を示す図である。図４の例では、商品情報は、商品ＩＤに対する商品名と、商品カテゴリと、を含む。図５は、ユーザ情報の例を示す図である。図５の例では、ユーザ情報は、ユーザＩＤに対する性別と、年代と、を含む。

図２に戻り、状態算出部１０２は、購買履歴から、ユーザと商品との関連を表す購買行列を生成する（ステップＳ１０２）。例えば状態算出部１０２は、ユーザＩＤを行のインデックスとし、商品ＩＤを列のインデックスとして、非負の値を要素値とする購買行列を生成する。要素値は、例えば、購買の有無を示す非負の値、価格、および、購入数である。要素値は、これらの値を用いた演算により得られる非負の値であってもよい。例えば、要素値は、価格を購入数で除算した値を示す単価であってもよい。

図６は、生成される購買行列の例を示す図である。図６の購買行列は、購買の有無を要素値とする例である。購買の有無は、ユーザが商品を購買した場合には１、購買していない場合には０の値が設定される。また図６は、１０００人のユーザおよび１０００種類の商品に対する購買行列の例である。購買履歴（図３など）から購買行列（図６など）への変換は、単純なデータ処理により実現可能である。

図２に戻り、状態算出部１０２は、購買行列を行列分解し、ユーザ隠れ状態情報と、商品隠れ状態情報と、を算出する（ステップＳ１０３）。行列分解の手法としては、Non-negative Matrix Factorization （ＮＭＦ）の技術を用いることができる。

ＮＭＦは非負の値を持ったＮ行Ｍ列の行列Ｙを、非負の値を持ったＮ行Ｋ列の行列Ｈと、Ｋ行Ｍ列の行列Ｕと、の積に行列分解する技術である。ＮＭＦは、行列Ｙ、および、行列Ｈと行列Ｕとの積ＨＵの間で、各要素の値がなるべく近くなるように行列分解を行う。ＮＭＦは、繰り返し計算により行列分解を行うことができ、計算が比較的軽量であることが知られている。ここで、分解された行列のＫ個のインデックスは隠れ状態を表しており、ＮおよびＭの値よりも小さい値が設定される。例えばＮ枚Ｍ画素の顔画像を行列として扱ってＮＭＦを適用した場合、顔画像は目、鼻などのＫ個の顔のパーツを示す行列（Ｋ行Ｍ列の行列）と、各画像に対するパーツの重みを示す行列（Ｎ行Ｋ列の行列）と、に分解することができ、有効な特徴抽出を行うことが可能である。

例えば、状態算出部１０２は、ＮＭＦに従って購買行列Ｙを行列分解し、分解により得られる２つの行列の一方である行列Ｈをユーザ隠れ状態情報とし、他方である行列Ｕを商品隠れ状態情報として扱う。

図７は、商品隠れ状態情報の例を示す図である。図８は、ユーザ隠れ状態情報の例を示す図である。図７および図８の例では、隠れ状態の数は１０に設定されている。隠れ状態の数は、例えば、分析者により設定される。隠れ状態の数は、ユーザ数または商品数の１００分の１といった形で、分析対象となる購買データから決定されてもよい。

隠れ状態の数として１０が設定された場合、例えば図６のような１０００行１０００列の購買行列は、１０００行１０列のユーザ隠れ状態情報の行列（図７）と、１０行１０００列の商品隠れ状態情報の行列（図８）とに分解される。

購買行列Ｙ（図６など）の要素値である１または０は、購買の有無を表している。従って、購買行列Ｙを行列分解した商品隠れ状態情報を示す行列Ｕの隠れ状態は、同じユーザに購入される商品の購買パターンを表すと解釈することができる。また、ユーザ隠れ状態情報を示す行列Ｈは、各ユーザに対する隠れ状態（商品の購買パターン）の重みを表すと解釈することができる。

図７の商品隠れ状態情報では、１０行の隠れ状態に対して、各商品の列の値（要素値）が得られている。例えば、隠れ状態１（Ｈ１）に対しては、商品ＩＤが「Ｉ０００１」および「Ｉ０００３」である商品の要素値が大きくなっている。これは、「Ｉ０００１」の商品および「Ｉ０００３」の商品が同じユーザに購入される傾向にあり、この傾向が、Ｈ１に紐づく購買パターンとして抽出されていると解釈することができる。

図８のユーザ隠れ状態情報では、１０００行のユーザに対して、各隠れ状態の列の値（要素値）が得られている。例えば、ユーザＩＤが「Ｕ０００３」のユーザは、隠れ状態Ｈ１およびＨ３の要素値が大きくなっている。これは、ユーザＩＤが「Ｕ０００３」のユーザはＨ１とＨ３に対応する購買パターンの重みが大きいことが抽出されていると解釈することができる。説明の便宜のため、以下では、ユーザＩＤが「＊」であるユーザを、ユーザ＊（例えばユーザＵ０００３）と表す場合がある。

商品隠れ状態情報およびユーザ隠れ状態情報を算出することにより、個別の商品の購買データから代表的な購買パターンを抽出するとともに、各ユーザが、抽出された購買パターンにどの程度当てはまるかを抽出することができる。

図２に戻り、出力制御部１１１は、商品隠れ状態情報およびユーザ隠れ状態情報を分析者に出力（表示）する（ステップＳ１０４）。

図９は、商品隠れ状態情報の表示の例を示す図である。図９では、商品隠れ状態情報の行列Ｕの各隠れ状態に対して要素値が大きい商品を表示している。出力制御部１１１は、要素値が一定値以上である商品を表示してもよいし、要素値が大きい順に一定数の商品を表示してもよい。なお図９の例では、購買データに含まれる商品情報から得られる、商品ＩＤに対応する商品名が表示されている。

図１０は、ユーザ隠れ状態情報の表示の例を示す図である。図１０では、ユーザＵ０００３について、隠れ状態（横軸）に対する、行列の要素値である各隠れ状態の重み（縦軸）をプロットしたグラフの例が示されている。この例では、隠れ状態の重みが大きいほど、そのユーザは、隠れ状態に対応する購買パターンで商品を購入していることを表している。図１０に示すように、ユーザＵ０００３は、Ｈ１およびＨ３の要素値（重み）が大きい。図９の情報と併せることで、以下の２つの購買パターンの重みが大きいことが分かる。
・商品ＩＤが「Ｉ０００１」の商品「カップ麺Ａ」と商品ＩＤが「Ｉ０００３」である商品「カップ麺Ｂ」を購入する購買パターン
・商品ＩＤが「Ｉ１０００」である商品「スナック菓子Ａ」を購入する購買パターン

図９および図１０のような商品隠れ状態情報およびユーザ隠れ状態情報を表示することにより、分析者は、どのような購買パターンが存在し、各ユーザがその購買パターンをどのように持っているかを確認することができる。これらの情報は購買嗜好タイプの立案に対して有用な情報である。分析者は、例えば図９および図１０の情報から、ユーザＵ０００３のように、カップ麺およびスナック菓子を購入する購買層が対象の購買データに存在することを簡単に確認することができる。

このように、第１の実施形態にかかる情報処理装置では、購買データから行列分解を用いて得られる複数の情報を出力する。例えば、商品隠れ状態情報およびユーザ隠れ状態情報が表示されることで、分析者は、各ユーザの特徴的な購買パターンを容易に確認することができる。すなわち、購買データを活用したユーザ分析（購買嗜好タイプの立案など）の作業負荷を低減することができる。

（第２の実施形態）
第２の実施形態の情報処理装置は、各ユーザのユーザ隠れ状態情報を類似度（または距離）により分類することで、特徴的な購買パターンを持つユーザ群を複数のクラスタに分類して、複数のクラスタごとの統計情報を表示する。

図１１は、第２の実施形態にかかる情報処理装置１００－２の構成の一例を示すブロック図である。図１１に示すように、情報処理装置１００－２は、取得部１０１と、状態算出部１０２と、分類部１０３－２と、出力制御部１１１－２と、記憶部１２１と、を備えている。

第２の実施形態では、分類部１０３－２を追加したこと、および、出力制御部１１１－２の機能が、第１の実施形態と異なっている。その他の構成および機能は、第１の実施形態にかかる情報処理装置１００のブロック図である図１と同様であるので、同一符号を付し、ここでの説明は省略する。

分類部１０３－２は、ユーザ隠れ状態情報に含まれる複数のユーザＩＤを、隠れ状態情報間の類似度を用いて複数のクラスタに分類する。例えば、ユーザＩＤごとの隠れ状態情報は、隠れ状態の個数（例えば１０）分の要素値を有するベクトルで表される。分類部１０３－２は、ベクトル間の類似度が大きいユーザＩＤが同じクラスタに分類するようにクラスタリングを行う。類似度は、例えばベクトル間の距離で表されてもよい。この場合、距離が小さいほど、類似度が大きいことを表す。

クラスタへの分類は、一般的な教師なしクラスタリング手法を用いて実現できる。例えばＫ－ｍｅａｎｓ法を用いることで、隠れ状態情報が類似したユーザを同じクラスタに分類することができる。

出力制御部１１１－２は、クラスタごとに、ユーザ隠れ状態情報の統計情報を出力する機能をさらに備える点が、第１の実施形態の出力制御部１１１と異なっている。

次に、第２の実施形態にかかる情報処理装置１００－２による分析支援処理について図１２を用いて説明する。図１２は、第２の実施形態における分析支援処理の一例を示すフローチャートである。

ステップＳ２０１からステップＳ２０３までは、第１の実施形態にかかる情報処理装置１００におけるステップＳ１０１からステップＳ１０３までと同様の処理なので、その説明を省略する。

分類部１０３－２は、ユーザ隠れ状態情報間の類似度に基づいて、ユーザ（ユーザＩＤ）を複数のクラスタに分類する（ステップＳ２０４）。

図１３は、クラスタへの分類結果の例を示す図である。図１３では、ユーザＩＤに対して分類されたクラスタのクラスタＩＤが付与された分類結果の例が示されている。この例では、ユーザＩＤ「Ｕ０００３」とユーザＩＤ「Ｕ１０００」は、ユーザ隠れ状態情報が類似しているため、同じクラスタのクラスタＩＤである「Ｃ１」がそれぞれ付与されている。

クラスタ数は、例えば、分析者により設定される。クラスタ数は、ユーザ数または商品数の５０分の１といった形で、分析対象となる購買データから決定されてもよい。

図１２に戻り、出力制御部１１１－２は、クラスタごとに、ユーザ隠れ状態情報の統計情報を算出して表示する（ステップＳ２０５）。統計情報は、各クラスタに属するユーザＩＤに対応するユーザ隠れ状態情報の平均値、分散値、および、分位点の値などである。

図１４は、統計情報の一例を示す図である。図１４は、各クラスタＩＤに属するユーザＩＤに対するユーザ隠れ状態情報の平均値を統計情報とした例を示す。説明の便宜のため、以下では、クラスタＩＤが「＊」であるクラスタを、クラスタ＊（例えばクラスタＣ１）と表す場合がある。例えば、ユーザＵ０００１およびユーザＵ０００３を含む１００名のユーザが、クラスタＣ１に属する場合、これらの１００名のユーザに対応するユーザ隠れ状態情報の平均値を算出することで、図１４に示す統計情報を得ることができる。分散値および分位点の値などの他の統計量についても同様に算出することができる。

図１５は、各クラスタに対するユーザ隠れ状態情報の表示の例を示す図である。図１５では、クラスタＣ１に対する統計情報の例が示されている。図１５において、実線は平均値を表し、破線は四分位点を表す。クラスタＣ１に属する１００名のユーザは、平均するとＨ１、Ｈ３の隠れ状態の要素値が大きい特徴を有すること、および、四分位点の幅から要素値のバラツキも小さいことが確認できる。図１５の情報を図９と併せて表示することで、分析者は、各クラスタに対応するユーザ数および購買パターンを確認することができる。例えば分析者は、クラスタＣ１のようにカップ麺とスナック菓子を購入する１００名のユーザが属するクラスタを簡単な目視の作業のみで見つけることができる。

このように、第２の実施形態にかかる情報処理装置では、ユーザを分類したクラスタごとの情報を出力することができ、購買データを活用したユーザ分析の作業負荷をより低減することができる。

（第３の実施形態）
第３の実施形態にかかる情報処理装置は、指定された注目ユーザと全体のユーザとの間で隠れ状態の差分が大きい項目を強調して出力する。

図１６は、第３の実施形態にかかる情報処理装置１００－３の構成の一例を示すブロック図である。図１６に示すように、情報処理装置１００－３は、取得部１０１－３と、状態算出部１０２と、差分算出部１０４－３と、出力制御部１１１－３と、記憶部１２１と、を備えている。

第３の実施形態では、差分算出部１０４－３を追加したこと、並びに、取得部１０１－３および出力制御部１１１－３の機能が第１の実施形態と異なっている。その他の構成および機能は、第１の実施形態にかかる情報処理装置１００のブロック図である図１と同様であるので、同一符号を付し、ここでの説明は省略する。

取得部１０１－３は、複数のユーザのうち、分析対象として注目するユーザを表す注目ユーザの指定をさらに取得する点が、第１の実施形態の取得部１０１と異なっている。例えば、分析者は注目ユーザについての条件（ユーザ層の条件）を指定する。取得部１０１－３は、条件の指定を受け付け、条件に適合するユーザを注目ユーザとして取得する。

差分算出部１０４－３は、複数のユーザ（例えばすべてのユーザ）に対する隠れ状態と、注目ユーザに対応する隠れ状態と、の差分を算出する。

出力制御部１１１－３は、算出された差分が他のユーザより大きい注目ユーザのユーザ隠れ状態情報を、他のユーザと異なる態様で出力する機能をさらに備える点が、第１の実施形態の出力制御部１１１と異なっている。

次に、第３の実施形態にかかる情報処理装置１００－３による分析支援処理について図１７を用いて説明する。図１７は、第３の実施形態における分析支援処理の一例を示すフローチャートである。

ステップＳ３０１からステップＳ３０３までは、第１の実施形態にかかる情報処理装置１００におけるステップＳ１０１からステップＳ１０３までと同様の処理なので、その説明を省略する。

取得部１０１－３は、注目ユーザにラベル（注目ユーザラベル）を付与する（ステップＳ３０４）。例えば取得部１０１－３は、分析者などにより指定された注目ユーザの条件を取得し、取得した条件に適合するユーザを注目ユーザとする。条件はどのように指定されてもよいが、例えば、以下のように指定される。
・ある商品群を購入したユーザ
・４０代、男性など特定の属性を持つユーザ
・一か月の購入金額が一定値を超えるなど購買データにおいて特徴を持つユーザ

注目ユーザは、クラスタを単位として指定されてもよい。この場合、情報処理装置１００－３は、第２の実施形態と同様に分類部１０３－２を備えてもよい。取得部１０１－３は、分類部１０３－２により分類されたクラスタのうち、指定されたクラスタに属するユーザを注目ユーザとして取得してもよい。

図１８は、注目ユーザラベルの例を示す図である。図１８の例では、注目ユーザであるユーザについては、注目ユーザラベルとして「Ｔｒｕｅ」が付与され、その他のユーザについては、注目ユーザラベルとして「Ｆａｌｓｅ」が付与される。

図１７に戻り、差分算出部１０４－３は、複数のユーザ（例えばすべてのユーザ）に対する隠れ状態と、注目ユーザに対応する隠れ状態と、の差分を算出する。例えば差分算出部１０４－３は、全ユーザのユーザ隠れ状態情報の統計情報と、注目ユーザのユーザ隠れ状態情報の統計情報と、を算出し、両者の差分を算出する。ユーザ隠れ状態情報の統計情報は、第２の実施形態と同様に平均値、分散値、および、分位点の値などである。

図１９は、全ユーザおよび注目ユーザに対するユーザ隠れ状態情報の平均値の算出例を示す図である。この例では、１５０名の注目ユーザが取得されている。全ユーザ１０００名に対するユーザ隠れ状態情報の平均値と、注目ユーザ１５０名に対するユーザ隠れ状態情報の平均値と、がそれぞれ算出される。

図１７に戻り、出力制御部１１１－３は、算出された差分が他のユーザより大きい注目ユーザのユーザ隠れ状態情報を、他のユーザと異なる態様で表示する（ステップＳ３０６）。例えば出力制御部１１１－３は、差分が大きいユーザ隠れ状態情報を強調して表示する。

図２０は、注目ユーザのユーザ隠れ状態情報の統計情報の表示例を示す図である。四角は、全体ユーザの統計情報を示し、丸は、注目ユーザの統計情報を表す。図２０では、差分が大きいユーザ隠れ状態情報を強調する方法として、全体ユーザと注目ユーザとの間で平均値の差分が大きい順番にユーザ隠れ状態情報を表示する例が示されている。差分が大きいＨ３およびＨ１が左側に表示されることで、分析者は、注目ユーザに特徴的な隠れ状態を即座に発見することができる。

このように、第３の実施形態では、注目ユーザを指定することができ、指定された注目ユーザと、全ユーザとの間の隠れ状態の差分に応じて出力を制御することができる。これにより、購買データを活用したユーザ分析の作業負荷をより低減することができる。

（第４の実施形態）
第４の実施形態にかかる情報処理装置は、既知の商品隠れ状態情報またはユーザ隠れ状態情報を指定し、既知の商品と隠れ状態の関係またはユーザと隠れ状態の関係を、新たな購買データに対する商品隠れ状態情報とユーザ隠れ状態情報の算出に反映する。

図２１は、第４の実施形態にかかる情報処理装置１００－４の構成の一例を示すブロック図である。図２１に示すように、情報処理装置１００－４は、取得部１０１－４と、状態算出部１０２－４と、出力制御部１１１と、記憶部１２１と、を備えている。

第４の実施形態では、取得部１０１－４および状態算出部１０２－４の機能が第１の実施形態と異なっている。その他の構成および機能は、第１の実施形態にかかる情報処理装置１００のブロック図である図１と同様であるので、同一符号を付し、ここでの説明は省略する。

取得部１０１－４は、過去に得られたユーザ隠れ状態情報、および、過去に得られた商品隠れ状態情報の少なくとも一方である既知情報を取得する機能をさらに備える点が、第１の実施形態の取得部１０１と異なっている。

状態算出部１０２－４は、既知情報を初期値として行列分解を実行する点が、第１の実施形態の状態算出部１０２と異なっている。

次に、第４の実施形態にかかる情報処理装置１００－４による分析支援処理について図２２を用いて説明する。図２２は、第３の実施形態における分析支援処理の一例を示すフローチャートである。

取得部１０１－４は、購買データおよび既知情報を取得する（ステップＳ４０１）。既知情報は、情報処理装置１００－４によって過去に行った処理の結果を用いることができる。例えば、取得部１０１－４は、図７に示すような商品隠れ状態情報を、既知情報として取得する。

状態算出部１０２－４は、このような既知情報を初期値として用いて、最新の購買データに対して行列分解を行う。これにより、過去に明らかになった購買パターンに対応する隠れ状態を、最新の購買データのユーザがどのくらい持っているかを算出することができる。

既知情報は、分析者の知見を反映して設定されてもよい。図２３は、このように設定された既知情報の例を示す図である。例えば、購買パターンとして商品ＩＤが「Ｉ０００１」の商品と、商品ＩＤが「Ｉ０００３」の商品とが、同時に購入される傾向が知見として得られているものとする。図２３は、このような知見に基づき、隠れ状態Ｈ１について、「Ｉ０００１」および「Ｉ０００３」に１の値を入れて２つの商品を紐づけている。またそれ以外の関係は不明であるとして、他の隠れ状態にはランダムの初期値が設定されている。

図２１に戻り、状態算出部１０２－４は、既知情報を初期値として、購買行列を行列分解し、ユーザ隠れ状態情報と、商品隠れ状態情報と、を算出する（ステップＳ４０３）。ステップＳ４０４は、第１の実施形態のＳ１０４と同様であるため説明を省略する。

行列分解では、初期値から開始して、行列の要素値を更新する処理が繰り返し実行される。状態算出部１０２－４は、行列分解のとき、隠れ状態情報のうち既知の部分を固定して（更新させずに）行列を分解してもよいし、既知の部分も更新して行列を分解してもよい。前者の場合には既知の購買パターンは更新されないため、最新の購買データにおいて過去の購買パターンが各ユーザにどのような重みになっているかを算出することができる。後者の場合には既知の購買パターンが更新されるため、商品の入れ替わりなどで購買パターンが微小に変化した場合に購買パターンを更新することができる。

既知情報を初期値とすることにより、例えばランダムな初期値を使用する場合より、行列分解の精度をより向上させることが可能となる。

（第５の実施形態）
第５の実施形態にかかる情報処理装置は、第２の実施形態と同様に複数のユーザをクラスタに分類する機能と、第３の実施形態と同様に注目ユーザの指定を取得する機能と、を備える。また、本実施形態の情報処理装置は、各クラスタのユーザ数が全クラスタのユーザ数に占める比率であるクラスタ比率を、注目ユーザおよび全ユーザに対してそれぞれ算出する。さらに本実施形態の情報処理装置は、全ユーザのクラスタ比率と注目ユーザのクラスタ比率との差分が大きいクラスタを強調して表示する。

図２４は、第５の実施形態にかかる情報処理装置１００－５の構成の一例を示すブロック図である。図２４に示すように、情報処理装置１００－５は、取得部１０１－３と、状態算出部１０２と、分類部１０３－２と、差分算出部１０４－５と、出力制御部１１１－５と、記憶部１２１と、を備えている。

取得部１０１－３は、第３の実施形態と同様であり、分類部１０３－２は第２の実施形態と同様である。本実施形態では、差分算出部１０４－５が追加され、出力制御部１１１－５の機能が変更される。その他の構成および機能は、第１の実施形態にかかる情報処理装置１００のブロック図である図１と同様であるので、同一符号を付し、ここでの説明は省略する。

差分算出部１０４－５は、全ユーザについてのクラスタ比率と、注目ユーザについてのクラスタ比率と、の差分を算出する。例えば差分算出部１０４－５は、複数のクラスタに含まれるクラスタＣＡ（第１クラスタ）それぞれについて、すべてのユーザについてのすべてのクラスタに属するユーザ数に対するクラスタＣＡに属するユーザ数の比率（第１比率）を表すクラスタ比率ＲＡを算出する。また、差分算出部１０４－５は、クラスタＣＡそれぞれについて、注目ユーザについてのすべてのクラスタに属するユーザ数に対するクラスタＣＡに属するユーザ数の比率（第２比率）を表すクラスタ比率ＲＢを算出する。そして、差分算出部１０４－５は、クラスタ比率ＲＡとクラスタ比率ＲＢとの差分を算出する。

出力制御部１１１－５は、さらに、差分算出部１０４－５により算出された差分が他のクラスタより大きいクラスタを示す情報を、他のクラスタと異なる態様で出力する。

次に、第５の実施形態にかかる情報処理装置１００－５による分析支援処理について図２５を用いて説明する。図２５は、第５の実施形態における分析支援処理の一例を示すフローチャートである。

ステップＳ５０１からステップＳ５０４までは、第２の実施形態にかかる情報処理装置１００－２におけるステップＳ２０１からステップＳ２０５（図１２）までと同様の処理なので、その説明を省略する。

ステップＳ５０５では、第３の実施形態のステップＳ３０４（図１７）と同様に、取得部１０１－３は、注目ユーザに注目ユーザラベルを付与する（ステップＳ５０５）。これにより、各ユーザに対して、クラスタへの分類結果に加えて、注目ユーザラベルが付与される。

図２６は、クラスタへの分類結果および注目ユーザラベルの例を表す図である。図２６では、各ユーザに対して、ユーザが分類されたクラスタのクラスタＩＤと、注目ユーザラベルとが付与されている。注目ユーザラベルは、図１８と同様に注目ユーザであれば「Ｔｒｕｅ」が付与され、それ以外は「Ｆａｌｓｅ」が付与される。

図２５に戻り、差分算出部１０４－５は全ユーザのクラスタ比率ＲＡと注目ユーザのクラスタ比率ＲＢとを算出する（ステップＳ５０６）。

図２７は、全ユーザに対するクラスタ比率ＲＡの例を表す図である。図２７では、例えば、全ユーザ数は１０００、クラスタＣ１に属するユーザ数は１００であるため、クラスタＣ１のクラスタ比率ＲＡは０．１と算出される。

図２８は、注目ユーザに対するクラスタ比率ＲＢの例を表す図である。図２８に示すように、注目ユーザラベルが「Ｔｒｕｅ」のユーザのみを対象に、各クラスタに属するユーザ数が算出される。図２８では、例えば、注目ユーザの総数は１５０、クラスタＣ１に属する注目ユーザは３０であるため、クラスタＣ１のクラスタ比率ＲＢは０．２と算出される。

図２５に戻り、差分算出部１０４－５は、全ユーザのクラスタ比率ＲＡと注目ユーザのクラスタ比率ＲＢとの差分を算出する。例えばクラスタＣ１に対するクラスタ比率の差分は、注目ユーザのクラスタ比率ＲＢから全ユーザのクラスタ比率ＲＡを減算した０．２－０．１＝０．１となる。

出力制御部１１１－５はクラスタ比率の差分が大きいクラスタの情報（クラスタ情報）を強調して表示する（ステップＳ５０８）。

図２９は、クラスタ比率の差分が大きいクラスタ情報の表示の例を表す図である。図２９では、クラスタ比率の差分が大きい順に、全ユーザのクラスタ比率と注目ユーザのクラスタ比率を棒グラフで表示している。分析者は、図２９の表示により、注目ユーザにおいてはクラスタＣ２０およびＣ１の比率が全体に比べて大きいことを確認でき、また、図９および図１３の情報と併せることで、注目ユーザにどのような購買嗜好タイプを持ったユーザ層が多いかを確認することができる。

（表示画面例）
第１の実施形態から第５の実施形態の出力制御部（出力制御部１１１、出力制御部１１１－２、出力制御部１１１－３、出力制御部１１１－５）は、ユーザ情報、商品情報、おおよび、購買の時刻情報などを集計して表示してもよい。これにより、分析者が購買嗜好タイプを立案することが容易になる。

図３０は、第２の実施形態における処理結果に加えて、ユーザ情報および商品情報を表示した画面の例を示す図である。図３０の画面例では、第２の実施形態で示したクラスタＣ１のユーザ隠れ状態情報の平均値に加えて、ユーザ情報と商品情報の統計値が表示される。

ユーザ情報では、クラスタＣ１に属するユーザの年齢および性別の比率と、全ユーザの年齢および性別の比率の比をとったリフト値が示されている。商品情報では、値の大きいユーザ隠れ状態情報に対して、商品の平均価格および商品カテゴリが示されている。

分析者は、図３０の情報を見ることで、分析対象にカップ麺およびスナックなどを購入するユーザが１００名おり、４０代および５０代の男性の比率が大きいことを容易に把握することができる。また、商品カテゴリの標準的な価格などの背景知識がある場合、分析者は、高級志向およびセール好きといった価格に関する購買嗜好タイプを推測することができる。

図３１は、第２の実施形態における処理結果をもとに、ある注目商品の一時間ごとの購入数をクラスタごとにプロットした画面の例を示す図である。図３１の画面例では、分析者が注目する注目商品に対して、クラスタＣ１に属するユーザが平日の１８時付近で商品を購入することが多いことが分かる。図３１により各クラスタの注目商品に対する購買の時刻パターンが分かるため、図３０の情報と併せることで、分析者は、各クラスタの時間的な特徴を理解することができ、購買嗜好タイプの立案に有効な情報を得ることができる。

以上説明したとおり、第１から第５の実施形態によれば、購買データを活用したユーザ分析の作業負荷を低減することができる。

次に、第１～第５の実施形態にかかる情報処理装置のハードウェア構成について図３２を用いて説明する。図３２は、第１～第５の実施形態にかかる情報処理装置のハードウェア構成例を示す説明図である。

第１～第５の実施形態にかかる情報処理装置は、ＣＰＵ５１などの制御装置と、ＲＯＭ（Read Only Memory）５２やＲＡＭ５３などの記憶装置と、ネットワークに接続して通信を行う通信Ｉ／Ｆ５４と、各部を接続するバス６１を備えている。

第１～第５の実施形態にかかる情報処理装置で実行されるプログラムは、ＲＯＭ５２等に予め組み込まれて提供される。

第１～第５の実施形態にかかる情報処理装置で実行されるプログラムは、インストール可能な形式または実行可能な形式のファイルでＣＤ－ＲＯＭ（Compact Disk Read Only Memory）、フレキシブルディスク（ＦＤ）、ＣＤ－Ｒ（Compact Disk Recordable）、ＤＶＤ（Digital Versatile Disk）等のコンピュータで読み取り可能な記録媒体に記録してコンピュータプログラムプロダクトとして提供されるように構成してもよい。

さらに、第１～第５の実施形態にかかる情報処理装置で実行されるプログラムを、インターネット等のネットワークに接続されたコンピュータ上に格納し、ネットワーク経由でダウンロードさせることにより提供するように構成してもよい。また、第１～第５の実施形態にかかる情報処理装置で実行されるプログラムをインターネット等のネットワーク経由で提供または配布するように構成してもよい。

第１～第５の実施形態にかかる情報処理装置で実行されるプログラムは、コンピュータを上述した情報処理装置の各部として機能させうる。このコンピュータは、ＣＰＵ５１がコンピュータ読取可能な記憶媒体からプログラムを主記憶装置上に読み出して実行することができる。

本発明のいくつかの実施形態を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら新規な実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれるとともに、特許請求の範囲に記載された発明とその均等の範囲に含まれる。

１００、１００－２、１００－３、１００－４、１００－５ 情報処理装置
１０１、１０１－３、１０１－４ 取得部
１０２、１０２－４ 状態算出部
１０３－２ 分類部
１０４－３、１０４－５ 差分算出部
１１１、１１１－２、１１１－３、１１１－５ 出力制御部
１２１ 記憶部

Claims (8)

1. 複数のユーザを識別する複数のユーザ識別情報のいずれかと、複数の商品を識別する複数の商品識別情報のいずれかと、前記商品の価格および購入数の少なくとも一方を含む実績情報と、を含む複数の購買データを取得する取得部と、
   複数の前記ユーザ識別情報および複数の前記商品識別情報をそれぞれ行および列のインデックスとし、前記実績情報に基づいて算出される非負の値を要素値とする購買行列を行列分解し、複数の前記ユーザ識別情報と購買に関する隠れ状態との関係を示すユーザ隠れ状態情報と、前記隠れ状態と複数の前記商品識別情報との関係を示す商品隠れ状態情報と、を算出する状態算出部と、
   前記ユーザ隠れ状態情報と、前記商品隠れ状態情報と、の少なくとも一方の出力を制御する出力制御部と、
   前記ユーザ隠れ状態情報に含まれる複数の前記ユーザ識別情報を、前記ユーザ隠れ状態情報間の類似度を用いて複数のクラスタに分類する分類部と、
   複数の前記クラスタに含まれる第１クラスタそれぞれについて、すべてのユーザについての複数の前記クラスタに属するユーザ数に対する前記第１クラスタに属するユーザ数の第１比率と、注目するユーザとして指定された注目ユーザについての複数の前記クラスタに属するユーザ数に対する前記第１クラスタに属するユーザ数の第２比率と、の差分を算出する差分算出部と、を備え、
   前記出力制御部は、前記差分が他のクラスタより大きいクラスタを示す情報を、他のクラスタと異なる態様で出力する、
   を備える情報処理装置。
2. 前記出力制御部は、前記クラスタごとに、前記ユーザ隠れ状態情報の統計情報を出力する、
   請求項１に記載の情報処理装置。
3. 複数のユーザを識別する複数のユーザ識別情報のいずれかと、複数の商品を識別する複数の商品識別情報のいずれかと、前記商品の価格および購入数の少なくとも一方を含む実績情報と、を含む複数の購買データを取得する取得部と、
   複数の前記ユーザ識別情報および複数の前記商品識別情報をそれぞれ行および列のインデックスとし、前記実績情報に基づいて算出される非負の値を要素値とする購買行列を行列分解し、複数の前記ユーザ識別情報と購買に関する隠れ状態との関係を示すユーザ隠れ状態情報と、前記隠れ状態と複数の前記商品識別情報との関係を示す商品隠れ状態情報と、を算出する状態算出部と、
   前記ユーザ隠れ状態情報と、前記商品隠れ状態情報と、の少なくとも一方の出力を制御する出力制御部と、
   複数の前記ユーザに対する前記隠れ状態と、複数の前記ユーザのうち注目するユーザとして指定された注目ユーザに対応する前記隠れ状態と、の差分を算出する差分算出部と、を備え、
   前記出力制御部は、前記差分が他のユーザより大きい前記注目ユーザの前記ユーザ隠れ状態情報を、他のユーザと異なる態様で出力する、
   情報処理装置。
4. 前記ユーザ隠れ状態情報に含まれる複数の前記ユーザ識別情報を、前記ユーザ隠れ状態情報間の類似度を用いて複数のクラスタに分類する分類部をさらに備え、
   前記注目ユーザは、複数の前記クラスタのうち指定されたクラスタに含まれる前記ユーザ識別情報で識別されるユーザである、
   請求項３に記載の情報処理装置。
5. 複数のユーザを識別する複数のユーザ識別情報のいずれかと、複数の商品を識別する複数の商品識別情報のいずれかと、前記商品の価格および購入数の少なくとも一方を含む実績情報と、を含む複数の購買データを取得する取得部と、
   複数の前記ユーザ識別情報および複数の前記商品識別情報をそれぞれ行および列のインデックスとし、前記実績情報に基づいて算出される非負の値を要素値とする購買行列を行列分解し、複数の前記ユーザ識別情報と購買に関する隠れ状態との関係を示すユーザ隠れ状態情報と、前記隠れ状態と複数の前記商品識別情報との関係を示す商品隠れ状態情報と、を算出する状態算出部と、
   前記ユーザ隠れ状態情報と、前記商品隠れ状態情報と、の少なくとも一方の出力を制御する出力制御部と、を備え、
   前記取得部は、過去に得られた前記ユーザ隠れ状態情報、および、過去に得られた前記商品隠れ状態情報の少なくとも一方である既知情報を取得し、
   前記状態算出部は、前記既知情報を初期値として前記行列分解を実行する、
   情報処理装置。
6. 前記要素値は、購買の有無を示す非負の値、前記価格、または、前記購入数である、
   請求項１から５のいずれか１つに記載の情報処理装置。
7. 情報処理装置で実行される情報処理方法であって、
   複数のユーザを識別する複数のユーザ識別情報のいずれかと、複数の商品を識別する複数の商品識別情報のいずれかと、前記商品の価格および購入数の少なくとも一方を含む実績情報と、を含む複数の購買データを取得する取得ステップと、
   複数の前記ユーザ識別情報および複数の前記商品識別情報をそれぞれ行および列のインデックスとし、前記実績情報に基づいて算出される非負の値を要素値とする購買行列を行列分解し、複数の前記ユーザ識別情報と購買に関する隠れ状態との関係を示すユーザ隠れ状態情報と、前記隠れ状態と複数の前記商品識別情報との関係を示す商品隠れ状態情報と、を算出する状態算出ステップと、
   前記ユーザ隠れ状態情報と、前記商品隠れ状態情報と、の少なくとも一方の出力を制御する出力制御ステップと、
   前記ユーザ隠れ状態情報に含まれる複数の前記ユーザ識別情報を、前記ユーザ隠れ状態情報間の類似度を用いて複数のクラスタに分類する分類ステップと、
   複数の前記クラスタに含まれる第１クラスタそれぞれについて、すべてのユーザについての複数の前記クラスタに属するユーザ数に対する前記第１クラスタに属するユーザ数の第１比率と、注目するユーザとして指定された注目ユーザについての複数の前記クラスタに属するユーザ数に対する前記第１クラスタに属するユーザ数の第２比率と、の差分を算出する差分算出ステップと、を含み、
   前記出力制御ステップは、前記差分が他のクラスタより大きいクラスタを示す情報を、他のクラスタと異なる態様で出力する、
   情報処理方法。
8. コンピュータに、
   複数のユーザを識別する複数のユーザ識別情報のいずれかと、複数の商品を識別する複数の商品識別情報のいずれかと、前記商品の価格および購入数の少なくとも一方を含む実績情報と、を含む複数の購買データを取得する取得ステップと、
   複数の前記ユーザ識別情報および複数の前記商品識別情報をそれぞれ行および列のインデックスとし、前記実績情報に基づいて算出される非負の値を要素値とする購買行列を行列分解し、複数の前記ユーザ識別情報と購買に関する隠れ状態との関係を示すユーザ隠れ状態情報と、前記隠れ状態と複数の前記商品識別情報との関係を示す商品隠れ状態情報と、を算出する状態算出ステップと、
   前記ユーザ隠れ状態情報と、前記商品隠れ状態情報と、の少なくとも一方の出力を制御する出力制御ステップと、
   前記ユーザ隠れ状態情報に含まれる複数の前記ユーザ識別情報を、前記ユーザ隠れ状態情報間の類似度を用いて複数のクラスタに分類する分類ステップと、
   複数の前記クラスタに含まれる第１クラスタそれぞれについて、すべてのユーザについての複数の前記クラスタに属するユーザ数に対する前記第１クラスタに属するユーザ数の第１比率と、注目するユーザとして指定された注目ユーザについての複数の前記クラスタに属するユーザ数に対する前記第１クラスタに属するユーザ数の第２比率と、の差分を算出する差分算出ステップと、を実行させ、
   前記出力制御ステップは、前記差分が他のクラスタより大きいクラスタを示す情報を、他のクラスタと異なる態様で出力する、
   プログラム。