JP7348230B2 - 生成装置、生成方法、及び生成プログラム - Google Patents

Description

本発明は、生成装置、生成方法、及び生成プログラムに関する。

従来、ユーザのウェブでの行動履歴等のユーザに関する種々の情報を用いたサービスが提供されている。例えば、行動履歴に基づく所定のカテゴリとアンケート属性とを対応付ける技術が提供されている。

特開２０１３-１９６０３７号公報

しかしながら、上記の従来技術では、ユーザの感情を適切に推定可能にすることができるとは限らない。例えば、行動履歴に基づく所定のカテゴリとアンケート属性との対応付けだけでは、ユーザの感情を適切に推定可能にすることが難しい。

本願は、上記に鑑みてなされたものであって、ユーザの感情を適切に推定可能にする生成装置、生成方法、及び生成プログラムを提供することを目的とする。

本願に係る生成装置は、ユーザの行動情報と、前記ユーザの感情に関する感情情報とを取得する取得部と、前記取得部により取得された前記ユーザの行動情報と、前記ユーザの感情情報とのうち、所定のサービスを所定の期間内において利用しているユーザである適合ユーザの行動情報と当該適合ユーザの感情情報とに基づいて、行動情報が入力される入力ユーザの感情を推定するモデルを生成する生成部と、を備えたことを特徴とする。

実施形態の一態様によれば、ユーザの感情を適切に推定可能にすることができるという効果を奏する。

図１は、実施形態に係る生成処理の一例を示す図である。 図２は、実施形態に係る情報の紐付けの一例を示す図である。 図３は、実施形態に係る生成システムの構成例を示す図である。 図４は、実施形態に係る生成装置の構成例を示す図である。 図５は、実施形態に係る行動情報記憶部の一例を示す図である。 図６は、実施形態に係る感情情報記憶部の一例を示す図である。 図７は、実施形態に係る紐付情報記憶部の一例を示す図である。 図８は、実施形態に係るモデル情報記憶部の一例を示す図である。 図９は、実施形態に係る決定処理の一例を示すフローチャートである。 図１０は、実施形態に係る生成処理の一例を示すフローチャートである。 図１１は、実施形態に係る推定処理の一例を示す図である。 図１２は、ユーザの操作情報を用いた生成処理の一例を示す図である。 図１３は、生成装置の機能を実現するコンピュータの一例を示すハードウェア構成図である。

以下に、本願に係る生成装置、生成方法、生成プログラム、学習データ、及びモデルを実施するための形態（以下、「実施形態」と呼ぶ）について図面を参照しつつ詳細に説明する。なお、この実施形態により本願に係る生成装置、生成方法、生成プログラム、学習データ、及びモデルが限定されるものではない。また、以下の各実施形態において同一の部位には同一の符号を付し、重複する説明は省略される。

（実施形態）
〔１．生成処理〕
まず、図１を用いて、実施形態に係る生成処理の一例について説明する。図１は、実施形態に係る生成処理の一例を示す図である。図１では、生成装置１００がユーザの情報の関連付け（紐付け）を行う一例を示す。また、図１では、生成装置１００が紐付けた情報を用いてモデルを生成する一例を示す。以下では、ユーザの行動情報とそのユーザの感情情報である正解情報が対応付けられた情報（データ）を「学習データ」ともいう。

〔生成システムの構成〕
まず、図１の説明に先立って、図３に示す生成システム１について説明する。図３に示すように、生成システム１は、端末装置１０と、サービス提供装置５０と、生成装置１００とが含まれる。端末装置１０と、サービス提供装置５０と、生成装置１００とは所定のネットワークＮを介して、有線または無線により通信可能に接続される。図３は、実施形態に係る生成システムの構成例を示す図である。なお、図３に示した生成システム１には、複数台の端末装置１０や、複数台のサービス提供装置５０や、複数台の生成装置１００が含まれてもよい。

端末装置１０は、ユーザによって利用される情報処理装置である。端末装置１０は、例えば、スマートフォンや、タブレット型端末や、ノート型ＰＣ（Personal Computer）や、デスクトップＰＣや、携帯電話機や、ＰＤＡ（Personal Digital Assistant）等により実現される。図１に示す例においては、端末装置１０がユーザが利用するスマートフォンである場合を示す。なお、以下では、端末装置１０をユーザと表記する場合がある。すなわち、以下では、ユーザを端末装置１０と読み替えることもできる。具体的には、図１では、端末装置１０がユーザＩＤ「Ｕ１」により識別されるユーザ（以下、「ユーザＵ１」とする場合がある）が利用するスマートフォンである場合を示す。

また、端末装置１０は、ＧＰＳ（Global Positioning System）センサ等の機能を有し、ユーザの位置情報（センサ情報）を検知し、取得するものとする。また、端末装置１０は、通信を行っている基地局の位置情報や、ＷｉＦｉ（登録商標）（Wireless Fidelity）の電波を用いてユーザの位置情報を推定し、取得してもよい。なお、以下では位置情報を単に「位置」と記載する場合がある。また、端末装置１０は、ＧＰＳセンサ等に限らず種々のセンサにより、各種センサ情報を検知してもよい。また、端末装置１０は、加速度センサの機能を有し、ユーザの移動における加速度情報（センサ情報）を検知し、取得する。また、端末装置１０は、温度センサや気圧センサ等の種々の機能を有し、温度や気圧等のユーザの置かれている環境情報を検知し、取得可能であってもよい。また、端末装置１０は、心拍センサ等の種々の機能を有し、ユーザの生体情報を検知し、取得可能であってもよい。例えば、端末装置１０を利用するユーザは、端末装置１０と通信可能なウェアラブルデバイスを身に付けることにより、端末装置１０によりユーザ自身のコンテキスト情報を取得可能としてもよい。例えば、端末装置１０を利用するユーザは、端末装置１０と通信可能なリストバンド型のウェアラブルデバイスを身に付けることにより、端末装置１０によりユーザ自身の心拍（脈拍）に関する情報を端末装置１０が取得可能としてもよい。例えば、端末装置１０は、タッチパネルディスプレイによりユーザの操作を受け付ける。

また、図１に示す例においては、端末装置１０を利用するユーザに応じて、端末装置１０を端末装置１０－１～１０－５として説明する。例えば、端末装置１０－１は、ユーザＵ１により使用される端末装置１０である。また、例えば、端末装置１０－２は、ユーザＵ２により使用される端末装置１０である。また、以下では、端末装置１０－１～１０－５について、特に区別なく説明する場合には、端末装置１０と記載する。なお、上記のように、「ユーザＵ＊（＊は任意の数値）」と記載した場合、そのユーザはユーザＩＤ「Ｕ＊」により識別されるユーザであることを示す。例えば、「ユーザＵ１」と記載した場合、そのユーザはユーザＩＤ「Ｕ１」により識別されるユーザである。

サービス提供装置５０は、ユーザに動画配信サービス（単に「動画サービス」ともいう）であるＡサービスを提供する情報処理装置である。例えば、サービス提供装置５０は、端末装置１０を利用するユーザに動画サービスを提供する。例えば、サービス提供装置５０は、端末装置１０にＡサービスに関する各種情報を提供する。

生成装置１００は、ユーザに関する情報が所定の条件を満たす場合、ユーザが回答したアンケートに関するアンケート情報を、ユーザの行動情報に関連付けると決定する情報処理装置である。また、生成装置１００は、ユーザの行動情報と、ユーザの感情に関する感情情報とに基づいて、行動情報が入力される入力ユーザの感情を推定するモデルを生成する情報処理装置である。また、生成装置１００は、推定したユーザの感情に関する情報に基づいて、種々のサービスを提供する。例えば、生成装置１００は、推定したユーザの感情に関する情報をサービス提供装置５０に提供し、提供された情報を用いてサービス提供装置５０がユーザへ種々のサービスを提供するがこの点については、図１１で説明する。

まず、図１を用いて、実施形態に係る生成処理の一例について説明する。図１では、生成装置１００が所定の条件に基づいて、各ユーザから収集した行動情報とアンケート回答とを関連付ける（紐付ける）場合を示す。また、図１では、生成装置１００が関連付けた（紐付けた）行動情報とアンケート回答との組合せ（学習データ）とを用いてユーザの感情を推定するモデルを生成する場合を示す。また、以下では、図１の例を別の観点から示す図２を適宜参照して説明する。図２は、実施形態に係る情報の紐付けの一例を示す図である。

生成装置１００は、ユーザＵ１が利用する端末装置１０－１からユーザＵ１の行動情報を取得する（ステップＳ１１－１）。例えば、生成装置１００は、端末装置１０－１からユーザＵ１のＡサービスにおける行動情報を取得する。なお、生成装置１００は、図２に示すように、電子商取引サービスであるＢサービス等のＡサービス以外のサービスにおけるユーザの行動情報を取得してもよい。例えば、生成装置１００は、端末装置１０－１からユーザＵ１のＢサービスにおける行動情報を取得してもよい。

また、生成装置１００は、上記に限らずユーザの種々の行動情報を取得してもよい。例えば、生成装置１００は、端末装置１０－１からユーザＵ１のインターネット（ウェブ）上における行動情報を取得する。例えば、生成装置１００は、ユーザＵ１がウェブコンテンツを閲覧したことを示す情報や、クエリを用いて検索を行ったことを示す情報の種々のウェブ上での行動情報を取得する。例えば、生成装置１００は、ユーザＵ１の現実世界（以下「実空間」とする）における行動情報を取得してもよい。また、例えば、生成装置１００は、ユーザＵ１がＡコンビニでＢ商品の購入を行ったことを示す情報や、Ｂレストランで飲食を行ったことを示す情報等の種々の行動情報を取得してもよい。

また、生成装置１００は、ユーザＵ２が利用する端末装置１０－２から行動情報を取得する（ステップＳ１１－２）。例えば、生成装置１００は、端末装置１０－２からユーザＵ２のＡサービスにおける行動情報を取得する。また、生成装置１００は、図２に示すように、ユーザＵ２のＡサービスやＢサービスにおける行動情報を取得する。また、例えば、生成装置１００は、端末装置１０－２からユーザＵ２のウェブ上や実空間における行動情報を取得する。

また、生成装置１００は、ユーザＵ３が利用する端末装置１０－３から行動情報を取得する（ステップＳ１１－３）。例えば、生成装置１００は、端末装置１０－３からユーザＵ３のＡサービスにおける行動情報を取得する。例えば、生成装置１００は、ステップＳ１１－３以前の所定の期間内（例えば直近１ヶ月や２週間等）においてユーザＵ３のＡサービスを利用したことを示す行動情報を取得する。例えば、生成装置１００は、端末装置１０－３からユーザＵ３のＡサービスにおける行動情報等、ユーザＵ３のウェブ上や実空間における行動情報を取得する。

また、生成装置１００は、ユーザＵ４が利用する端末装置１０－４から行動情報を取得する（ステップＳ１１－４）。例えば、生成装置１００は、端末装置１０－４からユーザＵ４のＡサービスにおける行動情報を取得する。例えば、生成装置１００は、ステップＳ１１－４以前の所定の期間内（例えば直近１ヶ月や２週間等）においてユーザＵ４のＡサービスを利用したことを示す行動情報を取得する。例えば、生成装置１００は、端末装置１０－４からユーザＵ４のＡサービスにおける行動情報等、ユーザＵ４のウェブ上や実空間における行動情報を取得する。

以下、ステップＳ１１－１～Ｓ１１－４を区別せずに説明する場合、ステップＳ１１と総称する。また、ステップＳ１１－１～Ｓ１１－４に限らず、各ユーザの行動情報を取得は、複数回行われてもよい。なお、図１では、５人のユーザＵ１～Ｕ５を図示するが、生成装置１００は、ユーザＵ１～Ｕ５に限らず、多数のユーザ（例えば、１００万ユーザや１０００万ユーザ等）の行動情報を取得する。また、生成装置１００は、各ユーザが利用する端末装置１０以外の外部装置から各ユーザの行動情報を取得してもよい。例えば、生成装置１００は、各ユーザが利用するサービスを提供する外部装置から各ユーザの行動情報を取得してもよい。

ここで、図１及び図２の例では、生成装置１００は、ユーザＵ５が利用する端末装置１０－５からＡサービスにおける行動情報を取得していないものとする。すなわち、図１及び図２の例では、ステップＳ１１の時点から所定の期間内にユーザＵ５がＡサービスを利用していないユーザ（以下、「不適合ユーザ」とする）であるものとする。例えば、図１及び図２の例では、ユーザＵ５が１ヶ月以上Ａサービスを利用していない不適合ユーザであるものとする。なお、生成装置１００は、所定の期間内におけるＡサービスの利用に関する行動情報を含まないユーザＵ５の行動情報ＡＤＴ５を取得しているものとする。このように、図１の例では、生成装置１００は、所定の期間内においてＡサービスを利用しているユーザＵ１～Ｕ４等を含む利用ユーザ群ＵＧ１や、それ以外のユーザＵ５等の行動情報を取得する。

そして、図１の示す例において、生成装置１００は、ユーザが回答したアンケートに関するアンケート情報を取得する。例えば、生成装置１００は、いわゆるクラウドソーシングなどによるタスクを行う複数のワーカからアンケート情報を取得する。具体的には、生成装置１００は、Ａサービスに関するアンケートをクラウドソーシングによりユーザ（ワーカ）に回答させ、その回答を取得する。

例えば、生成装置１００は、図２に示すように「あなたはＡサービスを友人や同僚に薦めますか？（０～１０で回答）」等の種々の内容のアンケートＡＮ１１をクラウドソーシングによりユーザ（ワーカ）に回答させ、その回答を取得する。なお、アンケートについては、ネット・プロモーター・スコア（Net Promoter Score）等の種々の従来手法が用いられてもよい。

例えば、図１の例では、生成装置１００は、所定のサイト等にアンケートＡＮ１１への回答の仕事（タスク）を掲載し、不特定多数の人（ユーザ）に仕事（タスク）を依頼することにより、アンケートＡＮ１１に回答するユーザ（ワーカ）を募集する。なお、上記のようなクラウドソーシングに関する処理は他の外部装置が行い、生成装置１００は、他の外部装置からユーザのアンケートへの回答を取得してもよい。なお、図１及び図２の例では、説明を簡単にするために、アンケートＡＮ１１が図２に示すように「あなたはＡサービスを友人や同僚に薦めますか？（０～１０で回答）」のみであるものとして説明する。

例えば、生成装置１００は、ワーカであるユーザＵ３が利用する端末装置１０－３からユーザＵ３の回答を取得する（ステップＳ１２－１）。例えば、ユーザＵ３は、端末装置１０－３を利用してクラウドソーシングのサイト等においてアンケートＡＮ１１への回答のタスクを承諾することにより、アンケートＡＮ１１へ回答する。図１の例では、生成装置１００は、ユーザＵ３からアンケートＡＮ１１に対する回答がスコア「３」であるとの回答を取得する。

また、例えば、生成装置１００は、ワーカであるユーザＵ４が利用する端末装置１０－４からユーザＵ４の回答を取得する（ステップＳ１２－２）。例えば、ユーザＵ４は、端末装置１０－４を利用してクラウドソーシングのサイト等においてアンケートＡＮ１１への回答のタスクを承諾することにより、アンケートＡＮ１１へ回答する。図１の例では、生成装置１００は、ユーザＵ４からアンケートＡＮ１１に対する回答がスコア「９」であるとの回答を取得する。

また、例えば、生成装置１００は、ワーカであるユーザＵ５が利用する端末装置１０－５からユーザＵ５の回答を取得する（ステップＳ１２－３）。例えば、ユーザＵ５は、端末装置１０－５を利用してクラウドソーシングのサイト等においてアンケートＡＮ１１への回答のタスクを承諾することにより、アンケートＡＮ１１へ回答する。図１の例では、生成装置１００は、ユーザＵ５からアンケートＡＮ１１に対する回答がスコア「１」であるとの回答を取得する。

以下、ステップＳ１２－１～Ｓ１２－３を区別せずに説明する場合、ステップＳ１２と総称する。なお、図１では、５人のユーザＵ１～Ｕ５を図示するが、生成装置１００は、ユーザＵ３～Ｕ５に限らず、多数のユーザ（例えば、１万ユーザや１０万ユーザ等）からアンケートへの回答を含むアンケート情報を取得する。また、生成装置１００は、各ユーザが利用する端末装置１０以外の外部装置から各ユーザのアンケート情報を取得してもよい。例えば、生成装置１００は、クラウドソーシングに関するサービスを提供する外部装置から各ユーザのアンケート情報を取得してもよい。このように、生成装置１００は、クラウドソーシングにおいてタスクを行うことを承諾したユーザ（ワーカ）から回答を取得する。図１の例では、生成装置１００は、ユーザＵ３～Ｕ５等を含む回答ユーザ群ＵＧ２から回答を取得する。

そして、生成装置１００は、各ユーザＵ１～Ｕ５等の行動情報を収集する（ステップＳ１３）。図１の例では、生成装置１００は、収集した各ユーザＵ１～Ｕ５等の行動情報を行動情報記憶部１２１に記憶する。例えば、生成装置１００は、ユーザＵ１の行動情報ＡＤＴ１をユーザＵ１に対応付けて行動情報記憶部１２１に記憶する。例えば、生成装置１００は、ユーザＵ２の行動情報ＡＤＴ２をユーザＵ２に対応付けて行動情報記憶部１２１に記憶する。例えば、生成装置１００は、図２中の行動ログＬＧ１１に示すように所定の期間内においてＡサービスを利用した利用ユーザ群ＵＧ１のユーザの行動ログ等を収集する。

また、生成装置１００は、各ユーザＵ３～Ｕ５等を含む各ワーカからの回答を含むアンケート情報を収集する（ステップＳ１４）。例えば、生成装置１００は、図２中のアンケート回答ログＡＬ１１に示すように、クラウドソーシングにおいてＡサービスのアンケートに回答した回答ユーザ群ＵＧ２のユーザのアンケート情報等を収集する。図１の例では、生成装置１００は、収集した各ユーザＵ３～Ｕ５等のアンケート情報を感情情報記憶部１２２に記憶する。例えば、生成装置１００は、各ユーザのアンケート回答とアンケート回答に対応する感情（以下、「対応感情」ともいう）とをユーザに対応付けて感情情報記憶部１２２に記憶する。

図１中の感情情報記憶部１２２に示す「ユーザＩＤ」は、ユーザを識別するための識別情報を示す。図１中の感情情報記憶部１２２に示す「アンケート回答」は、対応するユーザが回答した内容を示す。図１中の感情情報記憶部１２２に示す「対応感情」は、ユーザの感情を示す。例えば、「対応感情」は、所定の閾値とアンケート回答との比較に基づくユーザの行動有無の推定を示す。図１では「対応感情」は、アンケート回答が「６」以下（すなわち「０」～「６」）である場合は、「嫌悪」と推定され、アンケート回答が「７」、「８」である場合は、「中立」と推定され、アンケート回答が「９」以上（すなわち「９」、「１０」）である場合は、「好感」と推定される場合を示す。

図１の例では、生成装置１００は、ユーザＵ３のアンケート回答「３」と対応感情「嫌悪」とをユーザＵ３に対応付けて感情情報記憶部１２２に記憶する。例えば、生成装置１００は、ユーザＵ４のアンケート回答「９」と対応感情「好感」とをユーザＵ４に対応付けて感情情報記憶部１２２に記憶する。例えば、生成装置１００は、ユーザＵ５のアンケート回答「１」と対応感情「嫌悪」とをユーザＵ５に対応付けて感情情報記憶部１２２に記憶する。

そして、生成装置１００は、ユーザの行動情報とユーザのアンケート情報とについて、紐付けする対象を決定する（ステップＳ１５）。ここで、図１の例では、感情情報記憶部１２２に記憶されたアンケート情報には、Ａサービスをあまり利用していない不適合ユーザ等のＡサービスのアンケートについて回答するのに適切ではないユーザのアンケート情報が含まれる。そのため、生成装置１００は、ユーザのアンケート情報のうち、不適合ユーザでないユーザ（以下、「適合ユーザ」とする）のアンケート情報を紐付けする対象を決定する。そして、生成装置１００は、適合ユーザのうち、行動情報群に行動情報が含まれるユーザのアンケート情報を、そのユーザの行動情報に紐付けると決定する。

図１の例では、生成装置１００は、回答ユーザ群ＵＧ２のうち、所定の期間内においてＡサービスを利用しているユーザＵ３を適合ユーザとして、紐付け対象とすることを決定する。例えば、生成装置１００は、図２に示すように、ユーザＵ３の行動と回答とを紐付ける。例えば、生成装置１００は、ユーザＵ３のアンケート情報と行動情報を関連付ける。図１の例では、生成装置１００は、紐付情報記憶部１２３に示すように、ユーザＵ３の行動情報ＡＤＴ３と、アンケート情報に含まれるスコア（感情）とを関連付けて記憶する。具体的には、生成装置１００は、ユーザＵ３の行動情報ＡＤＴ３と、スコア「３」及び感情「嫌悪」とを関連付け、データＩＤ「ＤＴ１」により識別されるデータ（データＤＴ１）として記憶する。

また、図１の例では、生成装置１００は、回答ユーザ群ＵＧ２のうち、所定の期間内においてＡサービスを利用しているユーザＵ４を適合ユーザとして、紐付け対象とすることを決定する。例えば、生成装置１００は、図２に示すように、ユーザＵ４の行動と回答とを紐付ける。例えば、生成装置１００は、ユーザＵ４のアンケート情報と行動情報を関連付ける。図１の例では、生成装置１００は、紐付情報記憶部１２３に示すように、ユーザＵ４の行動情報ＡＤＴ４と、アンケート情報に含まれるスコア（感情）とを関連付けて記憶する。具体的には、生成装置１００は、ユーザＵ４の行動情報ＡＤＴ４と、スコア「９」及び感情「好感」とを関連付け、データＩＤ「ＤＴ２」により識別されるデータ（データＤＴ２）として記憶する。

また、図１の例では、生成装置１００は、回答ユーザ群ＵＧ２のうち、不適合ユーザであるユーザＵ５については、紐付け対象にしないと決定する。例えば、生成装置１００は、図２に示すように、ユーザＵ５の回答は行動とは紐付けしないと決定する。

上述したように、生成装置１００は、Ａサービスのアンケートの回答に相応しくないユーザ（不適合ユーザ）の情報の紐付けを行わないと決定することにより、有用でない情報を利用しないようにすることができる。例えば、クラウドソーシングにおいては、あるタスクを行うワーカには、所定の恩恵（ポイントや金銭等）を目当てにタスクを行うユーザ（不適合ユーザ）が含まれる場合がある。このような不適合ユーザは、タスクに関連していないユーザである場合が多く、このようなユーザ（ワーカ）の情報とタスクを行うのに適したユーザの情報とが混在している場合、情報の精度が低下するという問題がある。そのため、生成装置１００は、不適合ユーザの情報の紐付けを行わない、すなわち不適合ユーザの情報を利用しないと決定することにより、適合ユーザのみの情報の利用が可能となり、情報の精度を向上させることができる。したがって、生成装置１００は、ユーザの情報を適切に利用可能にすることができる。

また、生成装置１００は、回答ユーザ群ＵＧ２に含まれる他のユーザについても同様に紐付けを行うかを決定する。図１の例では、生成装置１００は、ユーザＵ１８を適合ユーザとして、紐付け対象とすることを決定する。例えば、生成装置１００は、ユーザＵ１８の行動情報ＡＤＴ１８と、スコア「７」及び感情「中立」とを関連付け、データＩＤ「ＤＴ３」により識別されるデータ（データＤＴ３）として記憶する。

そして、生成装置１００は、学習データに基づいてモデルを生成する（ステップＳ１６）。例えば、生成装置１００は、紐付情報記憶部１２３中のデータＤＴ１～ＤＴ３等を学習データ（教師データ）として、学習を行なうことにより、モデルを生成する。例えば、生成装置１００は、ユーザの行動情報に関する特徴量を用いて、モデルを生成する。また、例えば、生成装置１００は、ユーザのウェブ上における行動情報に関する特徴量を用いて、モデルを生成する。例えば、生成装置１００は、ユーザの実空間上における行動情報に関する特徴量を用いて、モデルを生成する。このように、生成装置１００は、ユーザの行動情報に含まれる特徴を学習し、ユーザの感情に関する情報を推定するモデルを生成する。なお、生成装置１００が学習する行動情報に含まれる特徴は、生成装置１００の管理者等の人間が生成装置１００に入力してもよいし、生成装置１００に自動的に学習（抽出）させてもよい。

例えば、生成装置１００は、紐付情報記憶部１２３に記憶されたデータを学習データ（教師データ）として、モデルＭ１を生成する。例えば、生成装置１００は、データＤＴ１に示すように、正解情報がユーザの感情「嫌悪」に対応するスコア「３」である場合、モデルＭ１にデータＤＴ１に含まれる行動情報が入力された場合に、モデルＭ１が出力するスコアが「３」に近づくように、学習処理を行う。例えば、生成装置１００は、データＤＴ１の行動情報ＡＤＴ３がモデルＭ１に入力された場合に、モデルＭ１が出力するスコアが「３」に近づくように、学習処理を行う。このように、生成装置１００は、スコアが所定の閾値（例えば、「７」等）未満のユーザの行動情報を負例（悪い感情）としてモデルを生成する。

また、例えば、生成装置１００は、データＤＴ２に示すように、正解情報がユーザの感情「好感」に対応するスコア「９」である場合、モデルＭ１にデータＤＴ２に含まれる行動情報が入力された場合に、モデルＭ１が出力するスコアが「９」に近づくように、学習処理を行う。例えば、生成装置１００は、データＤＴ２の行動情報ＡＤＴ４がモデルＭ１に入力された場合に、モデルＭ１が出力するスコアが「９」に近づくように、学習処理を行う。このように、生成装置１００は、スコアが所定の閾値（例えば、「９」等）以上のユーザの行動情報を正例（良い感情）としてモデルを生成する。

また、例えば、生成装置１００は、データＤＴ３に示すように、正解情報がユーザの感情「中立」に対応するスコア「７」である場合、モデルＭ１にデータＤＴ３に含まれる行動情報が入力された場合に、モデルＭ１が出力するスコアが「７」に近づくように、学習処理を行う。例えば、生成装置１００は、データＤＴ３の行動情報ＡＤＴ１８がモデルＭ１に入力された場合に、モデルＭ１が出力するスコアが「７」に近づくように、学習処理を行う。

なお、モデルの学習手法については、上述した手法に限定されるものではなく、任意の公知技術が適用可能である。なお、各モデルの生成は、機械学習に関する種々の従来技術を適宜用いて行われてもよい。例えば、モデルの生成は、ＳＶＭ（Support Vector Machine）等の教師あり学習の機械学習に関する技術を用いて行われてもよい。また、例えば、モデルの生成は、教師なし学習の機械学習に関する技術を用いて行われてもよい。例えば、モデルの生成は、深層学習（ディープラーニング）の技術を用いて行われてもよい。例えば、モデルの生成は、ＤＮＮ（Deep Neural Network）やＲＮＮ（Recurrent Neural Network）やＣＮＮ（Convolutional Neural Network）等の種々のディープラーニングの技術を適宜用いて行われてもよい。なお、上記モデルの生成に関する記載は例示であり、モデルの生成は、取得可能な情報等に応じて適宜選択された学習手法により行われてもよい。すなわち、生成装置１００は、学習データに含まれる行動情報が入力された場合に、正解情報に対応するスコアを出力するようにモデルＭ１を学習可能であれば、どのような手法によりモデルＭ１の生成を行ってもよい。

上記のような処理により、図１の例では、生成装置１００は、モデル情報記憶部１２４に示すように、モデルＩＤ「Ｍ１」により識別されるモデル（モデルＭ１）を生成する。上記のように、「モデルＭ＊（＊は任意の数値）」と記載した場合、そのモデルはモデルＩＤ「Ｍ＊」により識別されるモデルであることを示す。例えば、「モデルＭ１」と記載した場合、そのモデルはモデルＩＤ「Ｍ１」により識別されるモデルである。また、図１中のモデル情報記憶部１２４に示すように、モデルＭ１は推定対象「感情」、すなわちユーザの感情の推定のために用いられるモデルであり、その具体的なモデルデータが「モデルデータＭＤＴ１」であることを示す。例えば、生成装置１００は、モデルＭ１にユーザの行動情報を入力することにより、入力した行動情報に対応するユーザ（入力ユーザ）の感情の推定に用いられるスコアを、モデルＭ１に出力させ、モデルＭ１が出力するスコアに基づいて入力ユーザの感情を推定する。

上述したように、生成装置１００は、行動情報と正解情報とが対応付けられた学習データを用いて学習することにより、ユーザの感情を適切に推定可能にするモデルを生成することができる。したがって、生成装置１００は、上述のように生成したモデルを用いることにより、例えば、Ａサービスを利用するユーザがどのような感情であるかを精度よく推定することを可能にすることができる。したがって、生成装置１００は、ユーザの感情を適切に推定可能にすることができる。

〔１－１．アンケート情報〕
図１の例では、生成装置１００は、ユーザが所定期間内にアンケートの対象に関する行動を行っている場合、ユーザのアンケート情報を、ユーザの行動情報に関連付けると決定する。具体的には、生成装置１００は、ユーザが所定期間内にアンケートの対象であるＡサービスにおける行動を行っている場合、ユーザのアンケート情報を、ユーザの行動情報に関連付けると決定する。なお、上記は一例であり、生成装置１００は、種々の情報を適宜用いて決定処理を行ってもよい。

例えば、生成装置１００は、アンケートのターゲットリストに含まれるユーザが回答したアンケートに関するアンケート情報を取得する。例えば、生成装置１００は、所定の条件を満たすユーザ（ターゲットユーザ）にアンケートを回答させてもよい。例えば、生成装置１００は、アンケートのターゲット一覧に含まれるターゲットユーザに対してアンケートへの回答を依頼し、ターゲットユーザが回答したアンケートに関するアンケート情報を取得してもよい。そして、例えば、生成装置１００はターゲットユーザのうち、行動情報群にユーザの行動情報が含まれるユーザのアンケート情報を、そのユーザの行動情報に関連付けると決定してもよい。

また、例えば、生成装置１００は、アンケートのターゲットリストに含まれるユーザが回答したアンケートに関するアンケート情報を取得してもよい。例えば、生成装置１００は、アンケートの対象であるＡサービスに関する行動を行ったユーザが回答したアンケートに関するアンケート情報を取得してもよい。

例えば、生成装置１００は、ユーザのアンケートの対象に関する行動が所定の条件を満たす場合、ユーザのアンケート情報を、ユーザの行動情報に関連付けると決定してもよい。例えば、生成装置１００は、ユーザのアンケートの対象に関する行動が所定量以上である場合、ユーザのアンケート情報を、ユーザの行動情報に関連付けると決定してもよい。例えば、生成装置１００は、ユーザのアンケートの対象であるＡサービスの利用頻度が所定の閾値以上である場合、そのユーザのアンケート情報を、そのユーザの行動情報に関連付けると決定してもよい。例えば、生成装置１００は、ユーザがＡサービスのヘビーユーザである場合、そのユーザのアンケート情報を、そのユーザの行動情報に関連付けると決定してもよい。

〔１－２．感情の推定〕
生成装置１００は、図１の例に限らず、種々の情報を適宜用いてユーザの感情を推定してもよい。この点について、図１２を用いて説明する。図１２は、ユーザの操作情報を用いた生成処理の一例を示す図である。図１２の例では、ユーザＵ１１の端末装置１０に対する操作に関する情報を収集し、ユーザの操作履歴（ユーザ操作ログ）を用いてユーザの感情を推定するモデルＭ１１を生成する場合を示す。また、図１２の例では、ユーザＵ１１の入力した文字情報等の入力情報を用いて推定したユーザの感情を正解情報とする場合を示す。

まず、ユーザＵ１１は、端末装置１０に対して操作を行う（ステップＳ２１）。図１２の例では、ユーザＵ１１は、アプリＸＸを起動し、端末装置１０の画面に指Ｆ１でタッチ（触れる）等することにより、アプリＸＸに対してクリックやスクロール等の種々の操作を行うものとする。例えば、ユーザＵ１１は、端末装置１０の画面に表示されたアプリＸＸに対して、指Ｆ１でクリックやスクロール等の種々の操作を行うものとする。例えば、ユーザＵ１１は、アプリＸＸのユーザビリティが低いため、端末装置１０の画面を強く押したり、高速でスクロール操作を行なったりする等の種々の操作を行うものとする。

そして、生成装置１００（図１参照）は、ユーザＵ１１のユーザ操作ログを収集する（ステップＳ２２）。図１２の例では、生成装置１００は、図２中のユーザ操作ログＯＰ１１に示すように、ユーザＵ１１のユーザ操作ログを収集する。例えば、生成装置１００は、収集したユーザＵ１１のユーザ操作ログをユーザＵ１１に対応付けて行動情報記憶部１２１（図１参照）に記憶する。

また、生成装置１００は、ユーザＵ１１が所定のＳＮＳ（Social Networking Service）において入力（投稿）した入力情報（投稿情報）を収集する（ステップＳ２３）。図１２の例では、生成装置１００は、ユーザＵ１１が日時ｄｔ１において、「アプリＸＸ使いづらくてイライラ…」という内容の投稿を、所定のＳＮＳにおいて行ったことを示す情報を収集する。図１２の例では、生成装置１００は、図２中の投稿情報一覧ＩＮＦ１１に示すように、ユーザＵ１１の投稿情報を収集する。例えば、生成装置１００は、収集したユーザＵ１１の投稿情報をユーザＵ１１に対応付けて行動情報記憶部１２１に記憶する。

そして、生成装置１００は、収集した投稿情報を用いてユーザの感情を推定する（ステップＳ２４）。ここで、図１２の例では、ユーザがアプリＸＸについて操作を行った後の日時ｄｔ１において、ユーザＵ１１が「アプリＸＸが使いづらくイライラ…」と怒りの感情になったと推定される投稿を行っているため、生成装置１００は、日時ｄｔ１におけるユーザＵ１１の感情を「怒り」と推定する。例えば、生成装置１００は、ユーザの感情を「喜び」、「怒り」、「悲しみ」、「楽しみ」、「無感情」といった種々の種別のいずれであるかを推定してもよい。なお、生成装置１００は、上記に限らず、目的等に応じて種々の種別の感情を推定してもよい。例えば、生成装置１００は、怒りや悲しみ等を負の感情として推定してもよい。また、例えば、生成装置１００は、喜びや楽しみ等を正の感情として推定してもよい。また、例えば、生成装置１００は、ユーザの心の動きがない状態を無感情として推定してもよい。

このように、図１２の例では、生成装置１００は、ユーザが投稿した情報（投稿情報）等に基づいて、ユーザの感情を推定する。なお、ユーザの感情の推定は、種々の従来技術を適宜用いて行われてもよい。例えば、生成装置１００は、ユーザが投稿した文字情報を構文解析等の種々の従来技術を適宜用いて解析することにより、ユーザの感情を推定してもよい。例えば、種々の感情ごとにキーワードの一覧を記憶部１２０（図３参照）に記憶し、ユーザが投稿した文字情報に含まれるキーワードが最も該当する一覧の感情をユーザの感情として推定してもよい。また、例えば、生成装置１００は、ユーザが検索に用いたクエリ等のユーザが入力した種々の入力情報を用いてユーザの感情を推定してもよい。なお、上記は一例であり、生成装置１００は、ユーザの感情を推定可能であれば、どのような手法により推定してもよい。

そして、生成装置１００は、収集した情報に基づいてモデルを生成する（ステップＳ２５）。図１２の例では、生成装置１００は、ユーザ操作ログを入力として、ユーザの感情を推定するモデルＭ１１を生成する。例えば、生成装置１００は、ユーザ操作ログＯＰ１１に示すようなユーザＵ１１の操作情報が入力された場合に、ユーザの感情が「怒り」であると推定するモデルＭ１１を生成する。例えば、生成装置１００は、ユーザ操作ログＯＰ１１に示すようなユーザＵ１１の操作情報が入力された場合に、ユーザの感情「怒り」に対応する所定の閾値以上のスコアを出力するモデルＭ１１を生成する。

生成装置１００は、図１と同様の処理により、モデル一覧ＭＬ１１に示すように、モデルＭ１１を生成する。例えば、生成装置１００は、生成したモデルＭ１１をモデル情報記憶部１２４（図１参照）に記憶する。このように、生成装置１００は、ユーザの操作ログを入力データとし、推定対象「感情（怒り）」とするモデルＭ１１を生成する。例えば、生成装置１００は、モデルＭ１１にユーザの操作ログを入力することにより、入力した操作ログに対応するユーザ（入力ユーザ）の怒りの感情の推定に用いられるスコアを、モデルＭ１１に出力させ、モデルＭ１１が出力するスコアに基づいて入力ユーザが怒りの感情をいただいているかを推定する。

なお、図１２の例では、ユーザＵ１１のみを図示するが、生成装置１００は、多数のユーザの操作ログや投稿情報等を収集してモデルを生成するものとする。すなわち、生成装置１００は、多数のユーザの操作ログや投稿情報等を用いてモデルを生成する。

また、例えば、生成装置１００は、ユーザがネットワークを介したサービスにおいて入力した入力情報を含む行動情報を用いてモデルを生成してもよい。この場合、生成装置１００は、ユーザがネットワークを介したサービスにおいて入力した入力情報を含む行動情報に基づいて、ユーザの感情を推定してもよい。例えば、生成装置１００は、ソーシャルネットワーキングサービス（ＳＮＳ）においてユーザが投稿した投稿情報とその投稿時のユーザの位置情報を用いてモデルを生成してもよい。例えば、生成装置１００は、Ｔｗｉｔｔｅｒ（登録商標）やＦａｃｅｂｏｏｋ（登録商標）等においてユーザが投稿した投稿情報を用いてモデルを生成してもよい。例えば、生成装置１００は、ユーザがＴｗｉｔｔｅｒにおいて投稿した文章（文字情報）を用いてモデルを生成してもよい。

例えば、予測装置１００は、ユーザがメッセージサービスにおいて入力した入力情報を用いてモデルを生成してもよい。例えば、予測装置１００は、ユーザがＬＩＮＥ（登録商標）等のメッセージサービスにおいて入力した入力情報を用いてモデルを生成してもよい。例えば、予測装置１００は、電子メールにおいて入力した入力情報を用いてモデルを生成してもよい。

例えば、生成装置１００は、ユーザの操作履歴を含む行動情報を用いてモデルを生成してもよい。この場合、生成装置１００は、ユーザの操作履歴を含む行動情報に基づいて、ユーザの感情を推定してもよい。例えば、生成装置１００は、ユーザの端末装置１０に対する操作履歴を含む行動情報を用いてモデルを生成してもよい。例えば、生成装置１００は、ユーザの端末装置１０に対するタップ操作やスワイプ操作の強さや速さ等の情報を含む操作履歴を用いてモデルを生成してもよい。例えば、生成装置１００は、ユーザの端末装置１０に対するタップ操作やスワイプ操作の強さや速さが所定の閾値以上である場合に、ユーザが怒りの感情を抱いていると推定するモデルを生成してもよい。

また、例えば、生成装置１００は、ＵＩ（ユーザインターフェイス）に関する情報を用いてモデルを生成してもよい。この場合、生成装置１００は、ＵＩに関する情報（ユーザの操作履歴等の行動情報）に基づいて、ユーザの感情を推定してもよい。例えば、生成装置１００は、ＵＩ（ユーザインターフェイス）に関する情報を含む行動情報に基づいて、ユーザの感情を推定してもよい。この場合、例えば、生成装置１００は、いわゆるＡＢテストのように、ユーザに複数のＵＩの画面等を提供し、その各ＵＩに関する情報（ユーザの行動情報）を入力した場合のモデルの出力に基づいて、各ＵＩを評価してもよい。例えば、生成装置１００は、第１のＵＩに関する情報（ユーザの行動情報）を入力した場合のモデルの出力の方が、第２のＵＩに関する情報（ユーザの行動情報）を入力した場合のモデルの出力よりも良い感情（例えば高いスコア）である場合、第１のＵＩの方が第２のＵＩよりも良い評価であると決定してもよい。

また、例えば、生成装置１００は、ユーザが利用する端末装置１０における通信速度（通信環境）やユーザが位置する地域等の種々の情報（特徴量）を用いてユーザの感情を推定してもよい。また、例えば、生成装置１００は、温度や気圧等のユーザの置かれている環境情報を用いてユーザの感情を推定してもよい。また、例えば、生成装置１００は、ユーザを撮像した画像情報を用いてユーザの感情を推定してもよい。また、例えば、生成装置１００は、ユーザの生体情報を用いてユーザの感情を推定してもよい。例えば、生成装置１００は、ユーザの心拍や血圧等の生体情報を用いてユーザの感情を推定してもよい。

なお、上記は一例であり、生成装置１００は、種々の情報を適宜用いてユーザの感情を推定してもよい。

〔２．生成装置の構成〕
次に、図４を用いて、実施形態に係る生成装置１００の構成について説明する。図４は、実施形態に係る生成装置の構成例を示す図である。図４に示すように、生成装置１００は、通信部１１０と、記憶部１２０と、制御部１３０とを有する。なお、生成装置１００は、生成装置１００の管理者等から各種操作を受け付ける入力部（例えば、キーボードやマウス等）や、各種情報を表示するための表示部（例えば、液晶ディスプレイ等）を有してもよい。

（通信部１１０）
通信部１１０は、例えば、ＮＩＣ（Network Interface Card）等によって実現される。そして、通信部１１０は、ネットワークＮと有線または無線で接続され、端末装置１０との間で情報の送受信を行う。

（記憶部１２０）
記憶部１２０は、例えば、ＲＡＭ（Random Access Memory）、フラッシュメモリ（Flash Memory）等の半導体メモリ素子、または、ハードディスク、光ディスク等の記憶装置によって実現される。実施形態に係る記憶部１２０は、図４に示すように、行動情報記憶部１２１と、感情情報記憶部１２２と、紐付情報記憶部１２３と、モデル情報記憶部１２４とを有する。

（行動情報記憶部１２１）
実施形態に係る行動情報記憶部１２１は、ユーザの行動に関する各種情報を記憶する。図５は、実施形態に係る行動情報記憶部の一例を示す図である。例えば、行動情報記憶部１２１は、各ユーザの行動等の各種の行動情報を記憶する。図５に示す行動情報記憶部１２１には、「ユーザＩＤ」、「行動情報」といった項目が含まれる。

「ユーザＩＤ」は、ユーザを識別するための識別情報を示す。例えば、ユーザＩＤ「Ｕ１」により識別されるユーザは、図１の例に示したユーザＵ１に対応する。「行動情報」は、データＩＤにより識別されるデータに対応するユーザの行動情報を示す。図５では「行動情報」に「ＡＤＴ１」といった概念的な情報が格納される例を示したが、実際には、ユーザが行った行動に関する種々の情報、または、その格納場所を示すファイルパス名などが格納される。

例えば、図５に示す例において、ユーザＩＤ「Ｕ１」により識別されるユーザ（ユーザＵ１）については、行動情報ＡＤＴ１が収集されたことを示す。例えば、行動情報ＡＤＴ１には、ユーザＵ１のインターネット（ウェブ）上における行動情報が含まれてもよい。例えば、行動情報ＡＤＴ１には、ユーザＵ１によるＡサービスのサイト内における行動（ページ遷移等）を示す情報や、ある日時にＡサービスを利用して動画コンテンツを閲覧したことを示す情報の種々の行動情報が含まれてもよい。例えば、行動情報ＡＤＴ１には、ユーザＵ１がある日時にＣサイトのコンテンツを閲覧したことを示す情報や、ある日時に「Ａサービスが便利」等の所定の入力情報を投稿したことを示す情報の種々のウェブ上での行動情報が含まれてもよい。また、例えば、行動情報ＡＤＴ１には、ユーザＵ１がある日時にＡコンビニでＢ商品の購入を行ったことを示す情報や、ある日時にＢレストランで飲食を行ったことを示す情報等の種々の情報が含まれてもよい。

なお、行動情報記憶部１２１は、上記に限らず、目的に応じて種々の情報を記憶してもよい。また、図５では、ユーザＩＤごとに行動情報が行動情報記憶部１２１に記憶される場合を示したが、行動情報は、ユーザＩＤごとに限らず、例えば時刻順に記憶されてもよい。

例えば、行動情報には、「行動ＩＤ」、「日時」、「種別」、「内容」といった項目の情報が含まれてもよい。この場合、例えば、「行動ＩＤ」は、ユーザの行動を識別する情報を示す。例えば、「日時」は、対応するユーザの行動が行われた日時を示す。例えば、「日時」には、「２０１７年８月１日２２時５８分４２秒」等の具体的な日時が記憶されてもよい。また、「種別」は、対応するユーザの行動の種別に関する情報を示す。また、「内容」は、対応するユーザの行動において対象となった内容を示す。例えば、ユーザＵ１について、行動ＩＤ「ＡＣ１１」により識別される行動ログ中の日時には「日時Ｘ」が格納され、種別には「閲覧」が格納され、内容には「Ａサービスの動画コンテンツ」が格納されてもよい。

（感情情報記憶部１２２）
実施形態に係る感情情報記憶部１２２は、ユーザの感情に関する各種情報を記憶する。図６は、実施形態に係る感情情報記憶部の一例を示す図である。図６に示す感情情報記憶部１２２は、「ユーザＩＤ」、「アンケート回答」、「対応感情」といった項目を有する。

「ユーザＩＤ」は、ユーザを識別するための識別情報を示す。例えば、ユーザＩＤ「Ｕ３」により識別されるユーザは、図１の例に示したユーザＵ３に対応する。「アンケート回答」は、対応するユーザが回答した内容を示す。「対応感情」は、ユーザの感情を示す。例えば、「対応感情」は、所定の閾値とアンケート回答との比較に基づくユーザの行動有無の推定を示す。図６では「対応感情」は、アンケート回答が「６」以下（すなわち「０」～「６」）である場合は、「嫌悪」が格納され、アンケート回答が「７」、「８」である場合は、「中立」が格納され、アンケート回答が「９」以上（すなわち「９」、「１０」）である場合は、「好感」が格納される場合を示す。

例えば、図６に示す例において、ユーザＵ３のアンケート回答は「３」であり、対応感情が「嫌悪」であることを示す。また、例えば、ユーザＵ４のアンケート回答は「９」であり、対応感情が「好感」であることを示す。また、例えば、ユーザＵ５のアンケート回答は「１」であり、対応感情が「嫌悪」であることを示す。

なお、感情情報記憶部１２２は、上記に限らず、目的に応じて種々の情報を記憶してもよい。

（紐付情報記憶部１２３）
実施形態に係る紐付情報記憶部１２３は、紐付けされた各種情報を記憶する。紐付情報記憶部１２３は、紐付情報を学習データとして記憶する。図７は、実施形態に係る紐付情報記憶部の一例を示す図である。例えば、紐付情報記憶部１２３は、モデルの生成に用いる教師データを記憶する。図７に示す紐付情報記憶部１２３には、「データＩＤ」、「ユーザＩＤ」、「正解情報（スコア（感情））」、「行動情報」といった項目が含まれる。

「データＩＤ」は、データを識別するための識別情報を示す。例えば、「データＩＤ」は、ユーザの行動情報と感情情報とが紐付けられた情報の組合せを識別するための識別情報を示す。例えば、「データＩＤ」は、学習データ（教師データ）として用いられるユーザの行動情報と正解情報との組合せを識別するための識別情報を示す。「ユーザＩＤ」は、ユーザを識別するための識別情報を示す。「正解情報（スコア（感情））」は、データＩＤにより識別されるデータに対応する正解情報を示す。例えば、「正解情報（スコア（感情））」は、データＩＤにより識別されるデータに対応するユーザの感情を示す。

「行動情報」は、データＩＤにより識別されるデータに対応するユーザの行動情報を示す。図７では「行動情報」に「ＡＤＴ３」といった概念的な情報が格納される例を示したが、実際には、ユーザが行った行動に関する種々の情報、または、その格納場所を示すファイルパス名などが格納される。

例えば、図７に示す例において、データＩＤ「ＤＴ１」により識別されるデータ（学習データＤＴ１）は、ユーザＩＤ「Ｕ３」により識別されるユーザ（ユーザＵ３）に対応する情報（データ）であることを示す。また、学習データＤＴ１は、正解情報が「３（嫌悪）」であることを示す。すなわち、学習データＤＴ１は、ユーザＵ３がＡサービスに対して嫌悪の感情を抱いていることを示す。また、学習データＤＴ１は、行動情報ＡＤＴ３を含むことを示す。

なお、紐付情報記憶部１２３は、上記に限らず、目的に応じて種々の情報を記憶してもよい。例えば、紐付情報記憶部１２３は、学習データが追加された日時に関する情報を記憶してもよい。例えば、紐付情報記憶部１２３には、正解情報が「有（１）」の場合、ユーザがその行動を行った日時を示す情報を記憶してもよい。また、例えば、紐付情報記憶部１２３は、各学習データがどのような判定処理により追加されたかを示す情報を記憶してもよい。例えば、紐付情報記憶部１２３は、各学習データが管理者の選択により判定されたか等を示す情報を記憶してもよい。

（モデル情報記憶部１２４）
実施形態に係るモデル情報記憶部１２４は、モデルに関する情報を記憶する。例えば、モデル情報記憶部１２４は、決定処理により生成されたモデル情報（モデルデータ）を記憶する。図８は、実施形態に係るモデル情報記憶部の一例を示す図である。図８に示すモデル情報記憶部１２４は、「モデルＩＤ」、「推定対象」、「モデルデータ」といった項目が含まれる。なお、図８では、モデルＭ１のみを図示するが、Ｍ２、Ｍ３、Ｍ４、Ｍ５等、各推定対象に応じて多数のモデル情報が記憶されてもよい。

「モデルＩＤ」は、モデルを識別するための識別情報を示す。例えば、モデルＩＤ「Ｍ１」により識別されるモデルは、図１の例に示したモデルＭ１に対応する。「推定対象」は、対応するモデルの推定対象を示す。また、「モデルデータ」は、対応付けられた対応するモデルのデータを示す。例えば、「モデルデータ」には、各層におけるノードと、各ノードが採用する関数と、ノードの接続関係と、ノード間の接続に対して設定される接続係数とを含む情報が含まれる。

例えば、図８に示す例において、モデルＩＤ「Ｍ１」により識別されるモデル（モデルＭ１）は、推定対象がユーザの「感情」であり、入力された行動情報に対応するユーザの感情に関する情報の推定に用いられることを示す。また、モデルＭ１のモデルデータは、モデルデータＭＤＴ１であることを示す。

モデルＭ１（モデルデータＭＤＴ１）は、ユーザの行動情報が入力される入力層と、出力層と、入力層から出力層までのいずれかの層であって出力層以外の層に属する第１要素と、第１要素と第１要素の重みとに基づいて値が算出される第２要素と、を含み、入力層に入力された行動情報に対し、出力層以外の各層に属する各要素を第１要素として、第１要素と第１要素の重みとに基づく演算を行うことにより、ユーザの感情の推定に用いられるスコアの値を出力層から出力するよう、コンピュータを機能させるためのモデルである。

ここで、モデルＭ１等が「ｙ＝ａ_１＊ｘ_１＋ａ_２＊ｘ_２＋・・・＋ａ_ｉ＊ｘ_ｉ」で示す回帰モデルで実現されるとする。この場合、例えば、モデルＭ１が含む第１要素は、ｘ１やｘ２等といった入力データ（ｘｉ）に対応する。また、第１要素の重みは、ｘｉに対応する係数ａｉに対応する。ここで、回帰モデルは、入力層と出力層とを有する単純パーセプトロンと見做すことができる。各モデルを単純パーセプトロンと見做した場合、第１要素は、入力層が有するいずれかのノードに対応し、第２要素は、出力層が有するノードと見做すことができる。

また、モデルＭ１等がＤＮＮ等、１つまたは複数の中間層を有するニューラルネットワーク（neural network）で実現されるとする。この場合、例えば、モデルＭ１が含む第１要素は、入力層または中間層が有するいずれかのノードに対応する。また、第２要素は、第１要素と対応するノードから値が伝達されるノードである次段のノードに対応する。また、第１要素の重みは、第１要素と対応するノードから第２要素と対応するノードに伝達される値に対して考慮される重みである接続係数に対応する。

なお、モデル情報記憶部１２４は、上記に限らず、目的に応じて種々のモデル情報を記憶してもよい。

（制御部１３０）
図４の説明に戻って、制御部１３０は、コントローラ（controller）であり、例えば、ＣＰＵ（Central Processing Unit）やＭＰＵ（Micro Processing Unit）等によって、生成装置１００内部の記憶装置に記憶されている各種プログラム（決定プログラムや生成プログラムの一例に相当）がＲＡＭを作業領域として実行されることにより実現される。また、制御部１３０は、コントローラであり、例えば、ＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（Field Programmable Gate Array）等の集積回路により実現される。制御部１３０は、モデル情報記憶部１２４に記憶されているモデルＭ１等に従った情報処理により、ユーザの行動情報が入力される入力層と、出力層と、入力層から出力層までのいずれかの層であって出力層以外の層に属する第１要素と、第１要素と第１要素の重みとに基づいて値が算出される第２要素と、を含み、入力層に入力された行動情報に対し、出力層以外の各層に属する各要素を第１要素として、第１要素と第１要素の重みとに基づく演算を行うことにより、ユーザの感情の推定に用いられるスコアの値を出力層から出力する。

図４に示すように、制御部１３０は、取得部１３１と、決定部１３２と、生成部１３３と、推定部１３４と、提供部１３５とを有し、以下に説明する情報処理の機能や作用を実現または実行する。なお、制御部１３０の内部構成は、図４に示した構成に限られず、後述する情報処理を行う構成であれば他の構成であってもよい。制御部１３０は、記憶部１２０に記憶されているモデルＭ１（モデルデータＭＤＴ１）に従った情報処理により、第１要素と第１要素の重みとに基づいて値が算出される第２要素と、を含み、入力層に入力された行動情報に対し、出力層以外の各層に属する各要素を第１要素として、第１要素と第１要素の重みとに基づく演算を行うことにより、ユーザの感情の推定に用いられるスコアの値を出力層から出力する。

（取得部１３１）
取得部１３１は、各種情報を取得する。例えば、取得部１３１は、行動情報記憶部１２１や、感情情報記憶部１２２や、紐付情報記憶部１２３や、モデル情報記憶部１２４等から各種情報を取得する。また、取得部１３１は、各種情報を外部の情報処理装置から取得してもよい。また、取得部１３１は、各種情報を端末装置１０等から取得してもよい。例えば、取得部１３１は、端末装置１０からユーザの行動情報を取得する。

取得部１３１は、ユーザが回答したアンケートに関するアンケート情報を取得する。例えば、取得部１３１は、複数のユーザの行動情報を含む行動情報群を取得する。例えば、取得部１３１は、クラウドソーシングにおいてユーザが回答したアンケートに関するアンケート情報を取得する。

例えば、取得部１３１は、アンケートのターゲットリストに含まれるユーザが回答したアンケートに関するアンケート情報を取得する。例えば、取得部１３１は、アンケートの対象に関する行動が所定の条件を満たすユーザが回答したアンケートに関するアンケート情報を取得する。例えば、取得部１３１は、アンケートの対象に関する行動が所定量以上であるユーザが回答したアンケートに関するアンケート情報を取得する。

取得部１３１は、ユーザの行動情報と、ユーザの感情に関する感情情報とを取得する。例えば、取得部１３１は、ユーザの行動情報以外の他の行動情報に基づくユーザの感情情報を取得する。例えば、取得部１３１は、ユーザが利用する端末装置１０に対するユーザの操作に関する情報を含むユーザの行動情報を取得する。

例えば、取得部１３１は、ユーザが回答したアンケートに関するアンケート情報に基づくユーザの感情情報を取得する。例えば、取得部１３１は、クラウドソーシングにおいてユーザが回答したアンケートに関するアンケート情報に基づくユーザの感情情報を取得する。例えば、取得部１３１は、アンケートの対象に関する行動が所定量以上であるユーザが回答したアンケートに関するアンケート情報を取得する。例えば、取得部１３１は、ユーザがネットワークを介したサービスにおいて入力した入力情報に基づくユーザの感情情報を取得する。例えば、取得部１３１は、ユーザの行動情報と、ユーザの感情を示すスコアとを取得する。

図１の例では、取得部１３１は、ユーザＵ１が利用する端末装置１０－１からユーザＵ１の行動情報を取得する。例えば、取得部１３１は、端末装置１０－１からユーザＵ１のＡサービスにおける行動情報を取得する。例えば、取得部１３１は、図２に示すように、電子商取引サービスであるＢサービス等のＡサービス以外のサービスにおけるユーザの行動情報を取得してもよい。例えば、取得部１３１は、端末装置１０－１からユーザＵ１のＢサービスにおける行動情報を取得してもよい。

例えば、取得部１３１は、端末装置１０－１からユーザＵ１のインターネット（ウェブ）上における行動情報を取得する。例えば、取得部１３１は、ユーザＵ１がウェブコンテンツを閲覧したことを示す情報や、クエリを用いて検索を行ったことを示す情報の種々のウェブ上での行動情報を取得する。例えば、取得部１３１は、ユーザＵ１の現実世界における行動情報を取得してもよい。例えば、取得部１３１は、ユーザＵ１がＡコンビニでＢ商品の購入を行ったことを示す情報や、Ｂレストランで飲食を行ったことを示す情報等の種々の行動情報を取得してもよい。

また、図１の例では、取得部１３１は、ユーザＵ２が利用する端末装置１０－２から行動情報を取得する。例えば、取得部１３１は、端末装置１０－２からユーザＵ２のＡサービスにおける行動情報を取得する。例えば、取得部１３１は、図２に示すように、ユーザＵ２のＡサービスやＢサービスにおける行動情報を取得する。また、例えば、生成装置１００は、端末装置１０－２からユーザＵ２のウェブ上や実空間における行動情報を取得する。

例えば、取得部１３１は、ユーザＵ３が利用する端末装置１０－３から行動情報を取得する。例えば、取得部１３１は、端末装置１０－３からユーザＵ３のＡサービスにおける行動情報を取得する。例えば、取得部１３１は、所定の期間内（例えば直近１週間や３週間等）においてユーザＵ３のＡサービスを利用したことを示す行動情報を取得する。例えば、取得部１３１は、端末装置１０－３からユーザＵ３のＡサービスにおける行動情報等、ユーザＵ３のウェブ上や実空間における行動情報を取得する。

例えば、取得部１３１は、ユーザＵ４が利用する端末装置１０－４から行動情報を取得する。例えば、取得部１３１は、端末装置１０－４からユーザＵ４のＡサービスにおける行動情報を取得する。例えば、取得部１３１は、所定の期間内（例えば直近１ヶ月や２週間等）においてユーザＵ４のＡサービスを利用したことを示す行動情報を取得する。例えば、取得部１３１は、端末装置１０－４からユーザＵ４のＡサービスにおける行動情報等、ユーザＵ４のウェブ上や実空間における行動情報を取得する。

また、図１の例では、取得部１３１は、ユーザが回答したアンケートに関するアンケート情報を取得する。例えば、取得部１３１は、いわゆるクラウドソーシングなどによるタスクを行う複数のワーカからアンケート情報を取得する。例えば、取得部１３１は、Ａサービスに関するアンケートをクラウドソーシングによりユーザ（ワーカ）に回答させ、その回答を取得する。

例えば、取得部１３１は、図２に示すように「あなたはＡサービスを友人や同僚に薦めますか？（０～１０で回答）」等の種々の内容のアンケートＡＮ１１をクラウドソーシングによりユーザ（ワーカ）に回答させ、その回答を取得する。

また、図１の例では、取得部１３１は、ワーカであるユーザＵ３が利用する端末装置１０－３からユーザＵ３の回答を取得する。例えば、取得部１３１は、ユーザＵ３からアンケートＡＮ１１に対する回答がスコア「３」であるとの回答を取得する。例えば、取得部１３１は、ワーカであるユーザＵ４が利用する端末装置１０－４からユーザＵ４の回答を取得する。例えば、取得部１３１は、ユーザＵ４からアンケートＡＮ１１に対する回答がスコア「９」であるとの回答を取得する。例えば、取得部１３１は、ワーカであるユーザＵ５が利用する端末装置１０－５からユーザＵ５の回答を取得する。例えば、取得部１３１は、ユーザＵ５からアンケートＡＮ１１に対する回答がスコア「１」であるとの回答を取得する。

（決定部１３２）
決定部１３２は、各種情報を推定する。決定部１３２は、行動情報記憶部１２１や、感情情報記憶部１２２や、紐付情報記憶部１２３や、モデル情報記憶部１２４等の各種情報に基づいて、種々の決定を行う。

決定部１３２は、ユーザに関する情報が所定の条件を満たす場合、取得部１３１により取得されたユーザのアンケート情報を、ユーザの行動情報に関連付けると決定する。例えば、決定部１３２は、行動情報群にユーザの行動情報が含まれる場合、ユーザのアンケート情報を、ユーザの行動情報に関連付けると決定する。

例えば、決定部１３２は、ユーザの行動情報にアンケートの対象に関する行動情報が含まれる場合、ユーザのアンケート情報を、ユーザの行動情報に関連付けると決定する。例えば、決定部１３２は、ユーザが所定期間内にアンケートの対象に関する行動を行っている場合、ユーザのアンケート情報を、ユーザの行動情報に関連付けると決定する。

例えば、決定部１３２は、ユーザのアンケートの対象に関する行動が所定の条件を満たす場合、ユーザのアンケート情報を、ユーザの行動情報に関連付けると決定する。例えば、決定部１３２は、ユーザのアンケートの対象に関する行動が所定量以上である場合、ユーザのアンケート情報を、ユーザの行動情報に関連付けると決定する。

図１の例では、決定部１３２は、ユーザの行動情報とユーザのアンケート情報とについて、紐付けする対象を決定する。例えば、決定部１３２は、ユーザのアンケート情報のうち、不適合ユーザでないユーザのアンケート情報を紐付けする対象を決定する。例えば、決定部１３２は、適合ユーザのうち、行動情報群に行動情報が含まれるユーザのアンケート情報を、そのユーザの行動情報に紐付けると決定する。

図１の例では、決定部１３２は、回答ユーザ群ＵＧ２のうち、所定の期間内においてＡサービスを利用しているユーザＵ３を適合ユーザとして、紐付け対象とすることを決定する。例えば、決定部１３２は、図２に示すように、ユーザＵ３の行動と回答とを紐付ける。例えば、決定部１３２は、ユーザＵ３のアンケート情報と行動情報を関連付ける。例えば、決定部１３２は、紐付情報記憶部１２３に示すように、ユーザＵ３の行動情報ＡＤＴ３と、アンケート情報に含まれるスコア（感情）とを関連付けて、紐付情報記憶部１２３に格納する。例えば、決定部１３２は、ユーザＵ３の行動情報ＡＤＴ３と、スコア「３」及び感情「嫌悪」とを関連付け、データＩＤ「ＤＴ１」により識別されるデータ（データＤＴ１）として、紐付情報記憶部１２３に格納する。

例えば、決定部１３２は、回答ユーザ群ＵＧ２のうち、所定の期間内においてＡサービスを利用しているユーザＵ４を適合ユーザとして、紐付け対象とすることを決定する。例えば、決定部１３２は、図２に示すように、ユーザＵ４の行動と回答とを紐付ける。例えば、決定部１３２は、ユーザＵ４のアンケート情報と行動情報を関連付ける。例えば、決定部１３２は、紐付情報記憶部１２３に示すように、ユーザＵ４の行動情報ＡＤＴ４と、アンケート情報に含まれるスコア（感情）とを関連付けて、紐付情報記憶部１２３に格納する。例えば、決定部１３２は、ユーザＵ４の行動情報ＡＤＴ４と、スコア「９」及び感情「好感」とを関連付け、データＩＤ「ＤＴ２」により識別されるデータ（データＤＴ２）として、紐付情報記憶部１２３に格納する。

また、図１の例では、決定部１３２は、回答ユーザ群ＵＧ２のうち、不適合ユーザであるユーザＵ５については、紐付け対象にしないと決定する。例えば、決定部１３２は、図２に示すように、ユーザＵ５の回答は行動とは紐付けしないと決定する。例えば、決定部１３２は、ユーザＵ１８を適合ユーザとして、紐付け対象とすることを決定する。例えば、決定部１３２は、ユーザＵ１８の行動情報ＡＤＴ１８と、スコア「７」及び感情「中立」とを関連付け、データＩＤ「ＤＴ３」により識別されるデータ（データＤＴ３）として、紐付情報記憶部１２３に格納する。

（生成部１３３）
生成部１３３は、各種情報を生成する。また、生成部１３３は、行動情報記憶部１２１や、感情情報記憶部１２２や、紐付情報記憶部１２３や、モデル情報記憶部１２４等の各種情報に基づいて、種々の情報を生成する。

例えば、生成部１３３は、ユーザの行動情報と、ユーザのアンケート情報に基づくユーザの感情に関する感情情報とを用いて、行動情報が入力される入力ユーザの感情を推定するモデルを生成する。例えば、生成部１３３は、スコアが所定の閾値以上のユーザの行動情報を正例としてモデルを生成する。例えば、生成部１３３は、スコアが所定の閾値未満のユーザの行動情報を負例としてモデルを生成する。

また、生成部１３３は、取得部１３１より取得されたユーザの行動情報と、ユーザの感情情報とに基づいて、行動情報が入力される入力ユーザの感情を推定するモデルを生成する。また、生成部１３３は、ユーザの行動情報と、スコアとに基づいて、行動情報が入力される入力ユーザの感情を示すスコアを出力するモデルを生成する。

例えば、生成部１３３は、モデルＭ１等を生成し、生成したモデルＭ１等をモデル情報記憶部１２４に格納する。なお、生成部１３３は、いかなる学習アルゴリズムを用いてモデルＭ１等を生成してもよい。例えば、生成部１３３は、ニューラルネットワーク、サポートベクターマシン（ＳＶＭ）、クラスタリング、強化学習等の学習アルゴリズムを用いてモデルＭ１等を生成する。一例として、生成部１３３がニューラルネットワークを用いてモデルＭ１等を生成する場合、モデルＭ１等は、一以上のニューロンを含む入力層と、一以上のニューロンを含む中間層と、一以上のニューロンを含む出力層とを有する。

生成部１３３は、モデルを生成し、生成したモデルをモデル情報記憶部１２４に格納する。具体的には、生成部１３３は、ユーザの行動情報が入力される入力層と、出力層と、入力層から出力層までのいずれかの層であって出力層以外の層に属する第１要素と、第１要素と第１要素の重みとに基づいて値が算出される第２要素と、を含み、入力層に入力された行動情報に対し、出力層以外の各層に属する各要素を第１要素として、第１要素と第１要素の重みとに基づく演算を行うことにより、ユーザの感情の推定に用いられるスコアの値を出力層から出力するモデルを生成する。

例えば、生成部１３３は、学習データに基づいてモデルを生成する。例えば、生成部１３３は、学習データに基づいてモデルを生成する。例えば、生成部１３３は、紐付情報記憶部１２３中のデータＤＴ１～ＤＴ３等を学習データ（教師データ）として、学習を行なうことにより、モデルを生成する。

図１の例では、生成部１３３は、モデル情報記憶部１２４に示すように、モデルＭ１を生成する。例えば、生成部１３３は、学習データに基づいてモデルを生成する。例えば、生成部１３３は、紐付情報記憶部１２３中のデータＤＴ１～ＤＴ３等を学習データ（教師データ）として、学習を行なうことにより、モデルを生成する。例えば、生成部１３３は、ユーザの行動情報に関する特徴量を用いて、モデルを生成する。また、例えば、生成部１３３は、ユーザのウェブ上における行動情報に関する特徴量を用いて、モデルを生成する。例えば、生成部１３３は、ユーザの実空間上における行動情報に関する特徴量を用いて、モデルを生成する。このように、生成部１３３は、ユーザの行動情報に含まれる特徴を学習し、ユーザの感情に関する情報を推定するモデルを生成する。なお、生成部１３３が学習する行動情報に含まれる特徴は、生成部１３３の管理者等の人間が生成部１３３に入力してもよいし、生成部１３３に自動的に学習（抽出）させてもよい。

例えば、生成部１３３は、紐付情報記憶部１２３に記憶されたデータを学習データ（教師データ）として、モデルＭ１を生成する。例えば、生成部１３３は、データＤＴ１に示すように、正解情報がユーザの感情「嫌悪」に対応するスコア「３」である場合、モデルＭ１にデータＤＴ１に含まれる行動情報が入力された場合に、モデルＭ１が出力するスコアが「３」に近づくように、学習処理を行う。例えば、生成部１３３は、データＤＴ１の行動情報ＡＤＴ３がモデルＭ１に入力された場合に、モデルＭ１が出力するスコアが「３」に近づくように、学習処理を行う。

また、例えば、生成部１３３は、データＤＴ２に示すように、正解情報がユーザの感情「好感」に対応するスコア「９」である場合、モデルＭ１にデータＤＴ２に含まれる行動情報が入力された場合に、モデルＭ１が出力するスコアが「９」に近づくように、学習処理を行う。例えば、生成部１３３は、データＤＴ２の行動情報ＡＤＴ４がモデルＭ１に入力された場合に、モデルＭ１が出力するスコアが「９」に近づくように、学習処理を行う。

また、例えば、生成部１３３は、データＤＴ３に示すように、正解情報がユーザの感情「中立」に対応するスコア「７」である場合、モデルＭ１にデータＤＴ３に含まれる行動情報が入力された場合に、モデルＭ１が出力するスコアが「７」に近づくように、学習処理を行う。例えば、生成部１３３は、データＤＴ３の行動情報ＡＤＴ１８がモデルＭ１に入力された場合に、モデルＭ１が出力するスコアが「７」に近づくように、学習処理を行う。

また、例えば、生成部１３３は、紐付情報記憶部１２３に記憶された学習データを用いて、モデル情報記憶部１２４に示すようなモデルを生成する。例えば、生成部１３３は、取得部１３１により取得された学習データに基づいて、各ユーザの感情の推定に用いられるモデルを生成する。例えば、生成部１３３は、行動情報と、行動情報に対応する各ユーザの感情に関する感情情報を示す正解情報とを含む学習データに基づいて、各ユーザの感情の推定に用いられるモデルを生成する。

（推定部１３４）
推定部１３４は、各種情報を推定する。推定部１３４は、モデル情報記憶部１２４に記憶されたモデルを用いて種々の情報を推定する。例えば、推定部１３４は、取得部１３１により取得された各種情報に基づいて、種々の情報を推定する。推定部１３４は、ユーザの行動情報をモデルに入力することにより、ユーザの感情に関する情報を推定する。

例えば、推定部１３４は、モデルＭ１にユーザの行動情報を入力することにより、入力した行動情報に対応するユーザの感情に関するスコアを、モデルＭ１に出力させ、モデルＭ１が出力するスコアに基づいて、ユーザがどのような感情であるかを推定する。

例えば、推定部１３４は、上述した回帰モデルやニューラルネットワーク等、任意の構造を有するモデルを用いて、スコアの算出を行う。具体的には、モデルＭ１は、ユーザの行動情報（すなわち、上述したスコアの算出に用いられる各要素）が入力された場合に、ユーザの感情の推定を定量化した値（すなわち、ユーザがどうような感情であるかを示唆するスコア）を出力するように係数が設定される。推定部１３４は、このようなモデルＭ１を用いて、ユーザによる所定の対象に関する行動の確率に関するスコアを算出する。

なお、上記例では、モデルＭ１が、ユーザの行動情報が入力された場合にユーザによる所定の対象に関する行動の確率の推定を定量化した値を出力するモデルである例を示した。しかし、実施形態に係るモデル（モデルＸ）は、モデルＭ１にデータの入出力を繰り返すことで得られる結果に基づいて生成されるモデルであってもよい。例えば、モデルＸは、ユーザの行動情報を入力とし、モデルＭ１が出力するスコアを出力とするよう学習されたモデル（モデルＹ)であってもよい。または、モデルＭ１は、ユーザの行動情報を入力とし、モデルＹの出力値を出力とするよう学習されたモデルであってもよい。また、推定部１３４がＧＡＮ（Generative Adversarial Networks）を用いた推定処理を行う場合、モデルＭ１は、ＧＡＮの一部を構成するモデルであってもよい。

（提供部１３５）
提供部１３５は、各種情報を提供する。例えば、提供部１３５は、端末装置１０に各種情報を提供する。提供部１３５は、推定部１３４により推定された推定情報に基づくサービスを提供してもよい。例えば、提供部１３５は、生成部１３３により生成されたモデルに関する情報を外部の情報処理装置へ提供してもよい。また、例えば、提供部１３５は、モデルが出力する情報を外部の情報処理装置へ提供してもよい。例えば、提供部１３５は、生成部１３３により生成されたマッピング情報を外部の情報処理装置へ提供する。

例えば、提供部１３５は、ユーザの行動情報と、ユーザのアンケート情報に基づくユーザの感情情報とを用いて、情報提供を行う。例えば、提供部１３５は、生成部１３３により生成されたモデルを用いて推定された入力ユーザの感情に関する情報提供を行う。

〔３．決定処理のフロー〕
次に、図９を用いて、実施形態に係る生成システム１による決定処理の手順について説明する。図９は、実施形態に係る決定処理の一例を示すフローチャートである。

図９に示すように、生成装置１００は、行動情報を取得する（ステップＳ１０１）。例えば、生成装置１００は、行動情報記憶部１２１からユーザＵ１～Ｕ５の行動情報ＡＤＴ１～ＡＤＴ５等を取得する。

また、生成装置１００は、アンケート情報を取得する（ステップＳ１０２）。図１の例では、生成装置１００は、感情情報記憶部１２２からユーザＵ３～Ｕ５等のアンケート情報等を取得する。

そして、生成装置１００は、所定の条件を満たすユーザの行動情報とアンケート情報とを紐付けると決定する（ステップＳ１０３）。図１の例では、生成装置１００は、ユーザＵ３やユーザＵ４等の行動情報とアンケート情報とを紐付けると決定する。

〔４．生成処理のフロー〕
次に、図１０を用いて、実施形態に係る生成システム１による生成処理の手順について説明する。図１０は、実施形態に係る生成処理の一例を示すフローチャートである。

図１０に示すように、生成装置１００は、ユーザの行動情報と感情情報とを取得する（ステップＳ２０１）。例えば、生成装置１００は、ユーザの行動情報と感情情報とが関連付けられた学習データを、紐付情報記憶部１２３から取得する。

その後、生成装置１００は、ユーザの行動情報と感情情報とに基づいて、ユーザの感情を推定するモデルを生成する（ステップＳ２０２）。図１の例では、生成装置１００は、紐付情報記憶部１２３に示すようなユーザの行動情報と感情情報とが関連付けられた学習データを用いて、ユーザの感情を推定するモデルＭ１を生成する。

〔５．推定処理〕
図１１を用いて、実施形態に係る推定処理の一例について説明する。図１１は、実施形態に係る推定処理の一例を示す図である。図１１では、生成装置１００は、ユーザの行動情報を取得した場合に、その感情情報に基づいて推定したユーザの感情に関する情報を提供する場合を示す。

まず、生成装置１００は、対象ユーザとなるユーザＵ１０１の行動情報を取得する（ステップＳ２１）。図１１の例では、生成装置１００は、ユーザＵ１０１が利用する端末装置１０からユーザＵ１０１の行動情報ＡＤＴ１０１を取得する。なお、生成装置１００は、サービス提供装置５０や他の外部装置からユーザＵ１０１の行動情報ＡＤＴ１０１を取得してもよい。

行動情報ＡＤＴ１０１を生成した生成装置１００は、行動情報ＡＤＴ１０１をモデルに入力する。例えば、生成装置１００は、行動情報ＡＤＴ１０１を、モデルＭ１に入力する。

図１１の例では、生成装置１００は、処理群ＰＳ２１に示すような処理により、ユーザＵ１０１の感情を示すスコアを算出する。生成装置１００は、行動情報ＡＤＴ１０１をモデルＭ１に入力する（ステップＳ２２）。行動情報ＡＤＴ１０１が入力されたモデルＭ１は、スコアを出力する（ステップＳ２３）。モデルＭ１は、各クラスに対応するスコアを出力する。図１１の例では、行動情報ＡＤＴ１０１が入力されたモデルＭ１は、スコアＳＣ１１に示すように、スコア「９．５」を出力する。これにより、生成装置１００は、モデルＭ１を用いて、ユーザＵ１０１の感情が「好感」であると推定する。

そして、生成装置１００は、推定結果を生成する（ステップＳ２４）。図１１の例では、生成装置１００は、対象ユーザであるユーザＵ１０１の感情が「好感」であるとの推定結果情報ＥＲ２１を生成する。

その後、生成装置１００は、推定結果に基づいて情報提供を行う（ステップＳ２５）。図１１の例では、生成装置１００は、生成した推定結果情報ＥＲ２１をサービス提供装置５０へ提供する。

そして、生成装置１００から情報提供を受けたサービス提供装置５０は、生成装置１００から取得した情報に基づいて、ユーザＵ１０１が利用する端末装置１０へＡサービスを提供する（ステップＳ２６）。

〔６．効果〕
上述してきたように、実施形態に係る生成装置１００は、取得部１３１と、生成部１３３とを有する。取得部１３１は、ユーザの行動情報と、ユーザの感情に関する感情情報とを取得する。また、生成部１３３は、取得部１３１より取得されたユーザの行動情報と、ユーザの感情情報とに基づいて、行動情報が入力される入力ユーザの感情を推定するモデルを生成する。

このように、実施形態に係る生成装置１００は、ユーザの行動情報と、ユーザの感情情報とに基づいて、行動情報が入力される入力ユーザの感情を推定するモデルを生成することにより、ユーザの感情を適切に推定可能にすることができる。

また、実施形態に係る生成装置１００において、取得部１３１は、ユーザの行動情報以外の他の行動情報に基づくユーザの感情情報を取得する。

このように、実施形態に係る生成装置１００は、ユーザの行動情報以外の他の行動情報に基づくユーザの感情情報を取得することにより、ユーザの感情を適切に推定可能にすることができる。

また、実施形態に係る生成装置１００において、取得部１３１は、ユーザが回答したアンケートに関するアンケート情報に基づくユーザの感情情報を取得する。

このように、実施形態に係る生成装置１００は、ユーザが回答したアンケートに関するアンケート情報に基づくユーザの感情情報を取得することにより、ユーザの感情を適切に推定可能にすることができる。

また、実施形態に係る生成装置１００において、取得部１３１は、クラウドソーシングにおいてユーザが回答したアンケートに関するアンケート情報に基づくユーザの感情情報を取得する。

このように、実施形態に係る生成装置１００は、クラウドソーシングにおいてユーザが回答したアンケートに関するアンケート情報に基づくユーザの感情情報を取得することにより、ユーザの感情を適切に推定可能にすることができる。

また、実施形態に係る生成装置１００において、取得部１３１は、アンケートの対象に関する行動が所定量以上であるユーザが回答したアンケートに関するアンケート情報を取得する。

このように、実施形態に係る生成装置１００は、アンケートの対象に関する行動が所定量以上であるユーザが回答したアンケートに関するアンケート情報を取得することにより、ユーザの感情を適切に推定可能にすることができる。

また、実施形態に係る生成装置１００において、取得部１３１は、ユーザが利用する端末装置１０に対するユーザの操作に関する情報を含むユーザの行動情報を取得する。

このように、実施形態に係る生成装置１００は、ユーザが利用する端末装置１０に対するユーザの操作に関する情報を含むユーザの行動情報を取得することにより、ユーザの感情を適切に推定可能にすることができる。

また、実施形態に係る生成装置１００において、取得部１３１は、ユーザがネットワークを介したサービスにおいて入力した入力情報に基づくユーザの感情情報を取得する。

このように、実施形態に係る生成装置１００は、ユーザがネットワークを介したサービスにおいて入力した入力情報に基づくユーザの感情情報を取得することにより、ユーザの感情を適切に推定可能にすることができる。

また、実施形態に係る生成装置１００において、取得部１３１は、ユーザの行動情報と、ユーザの感情を示すスコアとを取得する。また、生成部１３３は、ユーザの行動情報と、スコアとに基づいて、行動情報が入力される入力ユーザの感情を示すスコアを出力するモデルを生成する。

このように、実施形態に係る生成装置１００は、ユーザの行動情報と、スコアとに基づいて、行動情報が入力される入力ユーザの感情を示すスコアを出力するモデルを生成することにより、ユーザの感情を適切に推定可能にすることができる。

また、実施形態に係る生成装置１００において、生成部１３３は、スコアが所定の閾値以上のユーザの行動情報を正例としてモデルを生成する。

このように、実施形態に係る生成装置１００は、スコアが所定の閾値以上のユーザの行動情報を正例としてモデルを生成することにより、ユーザの感情を適切に推定可能にすることができる。

また、実施形態に係る生成装置１００において、生成部１３３は、スコアが所定の閾値未満のユーザの行動情報を負例としてモデルを生成する。

このように、実施形態に係る生成装置１００は、スコアが所定の閾値未満のユーザの行動情報を負例としてモデルを生成することにより、ユーザの感情を適切に推定可能にすることができる。

また、実施形態に係る生成装置１００において、提供部１３５は、生成部１３３により生成されたモデルを用いて推定された入力ユーザの感情に関する情報提供を行う。

このように、実施形態に係る生成装置１００は、モデルを用いて推定された入力ユーザの感情に関する情報提供を行うことにより、ユーザの感情を適切に推定可能にすることができる。

〔７．ハードウェア構成〕
上述してきた実施形態に係る生成装置１００は、例えば図１３に示すような構成のコンピュータ１０００によって実現される。図１３は、生成装置の機能を実現するコンピュータの一例を示すハードウェア構成図である。コンピュータ１０００は、ＣＰＵ１１００、ＲＡＭ１２００、ＲＯＭ（Read Only Memory）１３００、ＨＤＤ（Hard Disk Drive）１４００、通信インターフェイス（Ｉ／Ｆ）１５００、入出力インターフェイス（Ｉ／Ｆ）１６００、及びメディアインターフェイス（Ｉ／Ｆ）１７００を有する。

ＣＰＵ１１００は、ＲＯＭ１３００またはＨＤＤ１４００に格納されたプログラムに基づいて動作し、各部の制御を行う。ＲＯＭ１３００は、コンピュータ１０００の起動時にＣＰＵ１１００によって実行されるブートプログラムや、コンピュータ１０００のハードウェアに依存するプログラム等を格納する。

ＨＤＤ１４００は、ＣＰＵ１１００によって実行されるプログラム、及び、かかるプログラムによって使用されるデータ等を格納する。通信インターフェイス１５００は、ネットワークＮを介して他の機器からデータを受信してＣＰＵ１１００へ送り、ＣＰＵ１１００が生成したデータをネットワークＮを介して他の機器へ送信する。

ＣＰＵ１１００は、入出力インターフェイス１６００を介して、ディスプレイやプリンタ等の出力装置、及び、キーボードやマウス等の入力装置を制御する。ＣＰＵ１１００は、入出力インターフェイス１６００を介して、入力装置からデータを取得する。また、ＣＰＵ１１００は、生成したデータを入出力インターフェイス１６００を介して出力装置へ出力する。

メディアインターフェイス１７００は、記録媒体１８００に格納されたプログラムまたはデータを読み取り、ＲＡＭ１２００を介してＣＰＵ１１００に提供する。ＣＰＵ１１００は、かかるプログラムを、メディアインターフェイス１７００を介して記録媒体１８００からＲＡＭ１２００上にロードし、ロードしたプログラムを実行する。記録媒体１８００は、例えばＤＶＤ（Digital Versatile Disc）、ＰＤ（Phase change rewritable Disk）等の光学記録媒体、ＭＯ（Magneto-Optical disk）等の光磁気記録媒体、テープ媒体、磁気記録媒体、または半導体メモリ等である。

例えば、コンピュータ１０００が実施形態に係る生成装置１００として機能する場合、コンピュータ１０００のＣＰＵ１１００は、ＲＡＭ１２００上にロードされたプログラムまたはデータ（例えば、モデルＭ１（モデルデータＭＤＴ１））を実行することにより、制御部１３０の機能を実現する。コンピュータ１０００のＣＰＵ１１００は、これらのプログラムまたはデータ（例えば、モデルＭ１（モデルデータＭＤＴ１））を記録媒体１８００から読み取って実行するが、他の例として、他の装置からネットワークＮを介してこれらのプログラムを取得してもよい。

以上、本願の実施形態及び変形例のいくつかを図面に基づいて詳細に説明したが、これらは例示であり、発明の開示の行に記載の態様を始めとして、当業者の知識に基づいて種々の変形、改良を施した他の形態で本発明を実施することが可能である。

〔８．その他〕
また、上記実施形態及び変形例において説明した各処理のうち、自動的に行われるものとして説明した処理の全部または一部を手動的に行うこともでき、あるいは、手動的に行われるものとして説明した処理の全部または一部を公知の方法で自動的に行うこともできる。この他、上記文書中や図面中で示した処理手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に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ていることを要しない。すなわち、各装置の分散・統合の具体的形態は図示のものに限られず、その全部または一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。

また、上述してきた実施形態及び変形例は、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。

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。

１ 生成システム
１００ 生成装置
１２１ 行動情報記憶部
１２２ 感情情報記憶部
１２３ 紐付情報記憶部
１２４ モデル情報記憶部
１３０ 制御部
１３１ 取得部
１３２ 決定部
１３３ 生成部
１３４ 推定部
１３５ 提供部
１０ 端末装置
５０ サービス提供装置
Ｎ ネットワーク

Claims (12)

1. 複数のサービスのうち少なくとも１つを利用したユーザである第１ユーザの行動情報と、前記第１ユーザ以外のユーザであっても回答を行うことが可能なアンケートに対する回答を行ったユーザである第２ユーザのアンケートに関するアンケート情報に基づく前記第２ユーザの感情に関する感情情報とを取得する取得部と、
   前記取得部により取得された前記第１ユーザの行動情報と、前記第２ユーザの感情情報とに基づいて、前記第１ユーザ及び前記第２ユーザを含むユーザ群のうち、前記アンケートに対する回答を行ったユーザであっても前記複数のサービスのうち所定のサービスを所定の期間内において利用していないユーザを不適合ユーザとし、前記不適合ユーザ以外のユーザであって、前記所定のサービスを所定の期間内において利用しているユーザであり、かつ前記アンケートに対する回答を行ったユーザである適合ユーザの行動情報と当該適合ユーザの感情情報とに基づいて、行動情報が入力される入力ユーザの感情を推定するモデルを生成する生成部と、
   を備えることを特徴とする生成装置。
2. 前記取得部は、
   前記ユーザの行動情報以外の他の行動情報に基づく前記ユーザの感情情報を取得する、
   ことを特徴とする請求項１に記載の生成装置。
3. 前記取得部は、
   クラウドソーシングにおいて前記ユーザが回答したアンケートに関するアンケート情報に基づく前記ユーザの感情情報を取得する、
   ことを特徴とする請求項１または請求項２に記載の生成装置。
4. 前記取得部は、
   アンケートの対象に関する行動が所定量以上である前記ユーザが回答したアンケートに関するアンケート情報を取得する、
   ことを特徴とする請求項１～３のいずれか１項に記載の生成装置。
5. 前記取得部は、
   前記ユーザが利用する端末装置に対する前記ユーザの操作に関する情報を含む前記ユーザの行動情報を取得する
   ことを特徴とする請求項１～４のいずれか１項に記載の生成装置。
6. 前記取得部は、
   前記ユーザがネットワークを介したサービスにおいて入力した入力情報に基づく前記ユーザの感情情報を取得する
   ことを特徴とする請求項１～５のいずれか１項に記載の生成装置。
7. 前記取得部は、
   前記ユーザの行動情報と、当該ユーザの感情を示すスコアとを取得し、
   前記生成部は、
   前記ユーザの行動情報と、前記スコアとに基づいて、行動情報が入力される前記入力ユーザの感情を示すスコアを出力するモデルを生成する
   ことを特徴とする請求項１～６のいずれか１項に記載の生成装置。
8. 前記生成部は、
   前記スコアが所定の閾値以上の前記ユーザの行動情報を正例として前記モデルを生成する
   ことを特徴とする請求項７に記載の生成装置。
9. 前記生成部は、
   前記スコアが所定の閾値未満の前記ユーザの行動情報を負例として前記モデルを生成する
   ことを特徴とする請求項７または請求項８に記載の生成装置。
10. 前記生成部により生成された前記モデルを用いて推定された前記入力ユーザの感情に関する情報提供を行う提供部、
    をさらに備えることを特徴とする請求項１～９のいずれか１項に記載の生成装置。
11. コンピュータが実行する生成方法であって、
    複数のサービスのうち少なくとも１つを利用したユーザである第１ユーザの行動情報と、前記第１ユーザ以外のユーザであっても回答を行うことが可能なアンケートに対する回答を行ったユーザである第２ユーザのアンケートに関するアンケート情報に基づく前記第２ユーザの感情に関する感情情報とを取得する取得工程と、
    前記取得工程により取得された前記第１ユーザの行動情報と、前記第２ユーザの感情情報とに基づいて、前記第１ユーザ及び前記第２ユーザを含むユーザ群のうち、前記アンケートに対する回答を行ったユーザであっても前記複数のサービスのうち所定のサービスを所定の期間内において利用していないユーザを不適合ユーザとし、前記不適合ユーザ以外のユーザであって、前記所定のサービスを所定の期間内において利用しているユーザであり、かつ前記アンケートに対する回答を行ったユーザである適合ユーザの行動情報と当該適合ユーザの感情情報とに基づいて、行動情報が入力される入力ユーザの感情を推定するモデルを生成する生成工程と、
    を含むことを特徴とする生成方法。
12. 複数のサービスのうち少なくとも１つを利用したユーザである第１ユーザの行動情報と、前記第１ユーザ以外のユーザであっても回答を行うことが可能なアンケートに対する回答を行ったユーザである第２ユーザのアンケートに関するアンケート情報に基づく前記第２ユーザの感情に関する感情情報とを取得する取得手順と、
    前記取得手順により取得された前記第１ユーザの行動情報と、前記第２ユーザの感情情報とに基づいて、前記第１ユーザ及び前記第２ユーザを含むユーザ群のうち、前記アンケートに対する回答を行ったユーザであっても前記複数のサービスのうち所定のサービスを所定の期間内において利用していないユーザを不適合ユーザとし、前記不適合ユーザ以外のユーザであって、前記所定のサービスを所定の期間内において利用しているユーザであり、かつ前記アンケートに対する回答を行ったユーザである適合ユーザの行動情報と当該適合ユーザの感情情報とに基づいて、行動情報が入力される入力ユーザの感情を推定するモデルを生成する生成手順と、
    をコンピュータに実行させることを特徴とする生成プログラム。

Images