JP2018195099A - 性格分析装置、性格判定用モデル生成装置および性格分析用プログラム - Google Patents

Abstract

【課題】ユーザの性格分析をより正確に行うことができるようにする。【解決手段】学習処理部２０により、性格タイプが既知のモデルユーザに関するウェブページの閲覧状況を示す行動特性情報に基づいて、モデルユーザによる行動特性と性格タイプとを関連付けて成る性格タイプモデル情報を生成する。そして、判定処理部３０により、性格タイプが未知のユーザに関するウェブページの閲覧状況を示す行動特性情報と性格タイプモデル情報とからユーザの性格タイプを判定する。ここで、ページ閲覧回数が閾値未満のモデルユーザの行動特性情報を除外して性格タイプモデル情報を生成することにより、性格に基づくページ閲覧が多く含まれると考えられるモデルユーザの行動特性情報のみから性格タイプモデル情報が生成されるようにし、より正確な性格タイプモデル情報から性格タイプの判定を行うことができるようにする。【選択図】図２

Description

本発明は、性格分析装置、性格判定用モデル生成装置および性格分析用プログラムに関し、特に、ページを閲覧しているユーザの行動特性情報を利用してユーザの性格タイプを分析する装置に用いて好適なものである。

個人の性格を理解することは、人間関係の構築のみならず、性格を考慮した広告配信といった販売促進、性格を考慮した生活習慣病予防策の提案、群集行動把握など統計分析など、ビジネスの局面でも有効である。そのため、従来、様々な方法により性格分析が行われてきた。例えば、アンケートのように特別な作業をユーザに行ってもらうことなく、ユーザが閲覧しているデジタルコンテンツの情報を利用してユーザの性格分析を行うことができるようにしたシステムが知られている（例えば、特許文献１参照）。

この特許文献１に記載の性格分析装置では、ユーザが閲覧しているページまたは当該ページ上のコンテンツの特性情報、およびページまたはコンテンツに対するユーザの行動に関する時間情報をユーザの行動特性情報として取得する。そして、当該取得したユーザの行動特性情報と、複数のユーザの行動に関する時間情報の平均値とに基づいて、行動特性情報で示されるユーザの行動が性格タイプ記憶部にあらかじめ記憶された行動様式のどれに該当するかを判定し、該当する行動様式に関連付けられた性格タイプをユーザの性格タイプとして判定するようにしている。

特開２０１５−１７９５号公報

上記特許文献１に記載の性格分析装置によれば、どのような特性を持ったページまたはコンテンツをユーザが閲覧しているのか、そのページまたはコンテンツに対してユーザがどのような時間をかけて行動しているのかなど、ユーザの性格による影響を受けて変わる可能性のある行動に関する複数の要素を用いてユーザの性格タイプを判定しているので、単にページの閲覧時間といった単一の要素に基づいて性格分析を行う従来技術に比べて、ユーザの性格分析を正確に行うことが可能である。しかし、より正確に性格分析を行うことが望まれていた。

本発明は、このような問題を解決するために成されたものであり、ページを閲覧しているユーザの行動特性情報を利用して、ユーザの性格分析をより正確に行うことができるようにすることを目的とする。

上記した課題を解決するために、本発明では、性格タイプが既知の複数のモデルユーザによるページの閲覧状況を複数のモデルユーザの行動特性情報として取得する。そして、所定期間分の行動特性情報に基づいて、モデルユーザによる複数のページ上での行動特性と複数の性格タイプとを関連付けて成る性格タイプモデル情報を生成し、性格タイプ判定用の情報としてモデル情報記憶部に記憶させる。ここで、各モデルユーザについて蓄積した所定期間分の行動特性情報のうち、ページ閲覧回数が閾値未満のモデルユーザの行動特性情報を除外して性格タイプモデル情報を生成する。そして、性格タイプが未知の判定対象ユーザについて取得された所定期間分の行動特性情報と、上記のように生成された性格タイプモデル情報とに基づいて、判定対象ユーザの性格タイプを判定するようにしている。

上記のように構成した本発明によれば、ユーザがどのようなページをどのように閲覧しているのかというページ閲覧状況の情報に基づいてユーザの性格タイプが判定される。ユーザの性格タイプは、そのユーザの気質を表しており、様々なページに表示されるコンテンツの捉え方と意識決定の違いを生み、最終的には行動の違いを生む。特に、インターネット上でページを閲覧しているときは、プライベートで閉じた世界であることが多いため、周囲の目を気にせず、ありのままの自分が表れ、ユーザの性格がページ閲覧の行動に無意識に反映される傾向がある。つまり、ユーザがどのようなページをどのように閲覧するかは、ユーザの性格による影響を受けている。本発明では、このようにユーザの性格による影響を受けて変わる可能性のある行動特性を用いて、ユーザの性格タイプが判定される。

特に、本発明では、以上のような性格タイプの判定に用いる性格タイプモデル情報が、ページ閲覧回数が閾値未満のモデルユーザの行動特性情報を除外して生成される。モデルユーザによるページ閲覧は、モデルユーザの性格が反映された行動と、そのときの思いつきあるいは外的な環境などに影響されていてモデルユーザの性格があまり反映されていない行動との両方の可能性があり得るが、モデルユーザのページ閲覧回数が閾値未満しかない場合、モデルユーザの性格が反映されたページ閲覧の数が、正確な性格タイプモデルを生成するには少ない可能性がある。本発明では、そのような行動特性情報は使わずに、モデルユーザの性格に基づくページ閲覧が比較的多く含まれると考えられる行動特性情報のみから性格タイプモデル情報が生成されるので、より正確な性格タイプモデル情報を得ることができる。そして、この正確な性格タイプモデル情報を用いて性格タイプの判定を行うことにより、ユーザの性格タイプの分析をより正確に行うことができる。

本実施形態による性格分析システムの全体構成例を示す図である。 本実施形態による性格分析装置の機能構成例を示すブロック図である。 本実施形態の履歴情報記憶部に記憶されるモデルユーザの行動履歴情報の一例を示す図である。 本実施形態のモデル情報記憶部に記憶される性格タイプモデル情報の一例を模式的に示す図である。 本実施形態の履歴情報記憶部に記憶される判定対象ユーザの行動履歴情報の一例を示す図である。

以下、本発明の一実施形態を図面に基づいて説明する。図１は、本実施形態による性格分析システムの全体構成例を示す図である。図１に示すように、本実施形態による性格分析システムは、ウェブページを閲覧する複数のユーザが使用する複数のユーザ端末１００と、各ユーザ端末１００から各種ウェブページに対して行われるアクセスを解析するアクセス解析装置２００と、ユーザの性格タイプを分析する性格分析装置３００とを備えて構成されている。ユーザ端末１００、アクセス解析装置２００および性格分析装置３００は、インターネット４００を介して接続可能に構成されている。

ユーザ端末１００は、ウェブブラウザを備え、インターネット４００のウェブサイト上にあるウェブページを表示することが可能である。アクセス解析装置２００は、ユーザ端末１００からウェブページへのアクセスを解析する。本実施形態では少なくとも、性格タイプの分析に使用するウェブページに対するアクセスを解析すればよい。解析対象とするウェブページは、例えば、当該ウェブページに対してＨＴＭＬ（HyperText Markup Language）による所定の解析タグを設定しておくことによりあらかじめ特定することが可能である。

アクセス解析装置２００が解析するアクセスの内容は、アクセスを行ったユーザ、アクセスされたウェブページ、ウェブページでの滞在時間（ユーザによる閲覧時間）などである。アクセスを行ったユーザの特定は、ユーザまたはユーザ端末１００に固有の情報を用いて特定することが可能である。例えば、性格分析に使用するウェブサイトへのアクセスにログインが必要な場合は、ログインＩＤによってユーザを特定することが可能である。また、アクセスにログインが必要でない場合は、クッキー情報によってユーザを特定することが可能である。

また、ウェブページへのアクセスに際してユーザ端末１００のＩＰアドレスやＭＡＣアドレス等が使用される場合は、当該ＩＰアドレスやＭＡＣアドレスによってユーザ端末１００を特定することが可能である。ユーザ端末１００とそれを使用するユーザとを何らかの情報によってあらかじめ紐付けておけば、ＩＰアドレスやＭＡＣアドレスをもとに、ウェブページにアクセスしたユーザを一意に特定することが可能である。

アクセスされたウェブページの特定は、ウェブページに固有の情報を用いて行うことが可能である。例えば、ウェブページごとに異なるＵＲＬ（Uniform Resource Locator）によって、アクセスされたウェブページを特定することが可能である。また、ウェブページに設定する解析タグをウェブページ毎に異なるものとすれば、その解析タグをページＩＤとして用いることができ、当該ページＩＤによってウェブページを特定することが可能である。あるいは、解析グとは別に専用のページＩＤを各ウェブページに設定しておくようにしてもよい。

また、ウェブページでの滞在時間は、当該ウェブページが開かれた時刻と離脱した時刻との差分を検出することによって特定することが可能である。アクセス解析装置２００は、ウェブページのアクセス解析情報（アクセスを行ったユーザ、アクセスされたウェブページ、ウェブページでの滞在時間）を性格分析装置３００に送信する。

なお、アクセス解析情報の送信は、ユーザ端末１００からウェブページへのアクセスが行われてアクセス解析装置２００によりアクセス解析が行われる都度のタイミングで行ってもよいし、性格分析装置３００からの要求があったときに行ってもよい。性格分析装置３００からの要求に応じてアクセス解析情報を送信する場合、アクセス解析装置２００は、当該アクセス解析情報を一定期間保存しておく必要がある。

図２は、本実施形態による性格分析装置３００の機能構成例を示すブロック図である。図２に示すように、本実施形態の性格分析装置３００は、その機能構成として、アクセス解析情報受信部１０、学習処理部２０および判定処理部３０を備えている。学習処理部２０は、具体的な機能構成として、モデル行動特性取得部２１、モデル行動履歴記録部２２および性格タイプモデル生成部２３を備えている。また、判定処理部３０は、具体的な機能構成として、行動特性取得部３１、行動履歴記録部３２および性格タイプ判定部３３を備えている。さらに、本実施形態の性格分析装置３００は、記憶媒体として、履歴情報記憶部４０およびモデル情報記憶部５０を備えている。

なお、上記各機能ブロック１０，２０，３０は、ハードウェア、ＤＳＰ（Digital Signal Processor）、ソフトウェアの何れによっても構成することが可能である。例えばソフトウェアによって構成する場合、上記各機能ブロック１０，２０，３０は、実際にはコンピュータのＣＰＵ、ＲＡＭ、ＲＯＭなどを備えて構成され、ＲＡＭやＲＯＭ、ハードディスクまたは半導体メモリ等の記録媒体に記憶された性格分析用プログラムが動作することによって実現される。

アクセス解析情報受信部１０は、アクセス解析装置２００から送信されたアクセス解析情報を受信する。学習処理部２０は、性格タイプが既知の複数のユーザ（以下、モデルユーザという）に関するアクセス解析情報を用いた学習処理によって、性格タイプが未知のユーザ（以下、判定対象ユーザという）について性格タイプを判定する際に用いる性格タイプモデル情報を生成する。判定処理部３０は、性格タイプが未知の判定対象ユーザに関するアクセス解析情報と、学習処理部２０により生成された性格タイプモデル情報とに基づいて、判定対象ユーザの性格タイプを判定する。

まず、学習処理部２０について詳細を説明する。モデル行動特性取得部２１は、アクセス解析情報受信部１０により受信されたアクセス解析情報に基づいて、性格タイプが既知の複数のモデルユーザが閲覧したウェブページを特定するページ情報、および当該ウェブページの閲覧時間を、複数のモデルユーザの行動特性情報として取得する。この行動特性情報は、各モデルユーザがどのウェブページをどのくらいの時間をかけて閲覧したかを示す情報であり、アクセス解析情報により示される各ウェブページでの滞在時間がこれに該当する。

モデル行動履歴記録部２２は、モデル行動特性取得部２１により取得された行動特性情報を、モデルユーザを一意に識別可能な情報（ログインＩＤまたはクッキー情報など）と共に複数のモデルユーザの行動履歴として履歴情報記憶部４０に記録する。

図３は、履歴情報記憶部４０に記憶されるモデルユーザの行動履歴情報の一例を示す図である。図３に示すように、履歴情報記憶部４０は、モデルユーザ毎に、アクセスしたウェブページを一意に特定するページ情報（ＵＲＬまたはページＩＤ等）、閲覧開始時刻、閲覧終了時刻、閲覧時間などから成る行動特性情報を記憶する。図３の例では、モデルユーザＭＵ１が複数のウェブページＰ１，Ｐ５，Ｐ３，・・・をそれぞれ３秒、６３秒、４１秒、・・・ずつ閲覧したという行動履歴が記憶されている。

性格タイプモデル生成部２３は、行動履歴記録部４０に記憶された所定期間分（例えば、１ヵ月分）の複数のモデルユーザの行動特性情報に基づいて、モデルユーザによる複数のウェブページ上での行動特性と複数の性格タイプとを関連付けて成る性格タイプモデル情報を生成し、それをモデル情報記憶部５０に記憶させる。

本実施形態において、一のモデルユーザによる一のウェブページ上での行動特性の一例として、履歴情報記憶部４０に行動履歴情報が記憶された複数のモデルユーザによる一のウェブページの閲覧時間の平均値よりも、一のモデルユーザによる一のウェブページの閲覧時間が短いか長いかを示したものを用いる。また、この行動特性に関連付ける性格タイプは、モデルユーザについて既知の性格タイプである。このように行動特性と性格タイプとを関連付けて成る性格タイプモデル情報は、具体的には、平均値算出部２３Ａおよび関連付け部２３Ｂによって生成する。

平均値算出部２３Ａは、履歴情報記憶部４０に記憶された複数のモデルユーザの行動特性情報に基づいて、複数のモデルユーザによるウェブページの閲覧時間の平均値をウェブページ毎に算出する。例えば、図３のように、ウェブページＰ１はモデルユーザＭＵ１がある日時において３秒間閲覧しているが、他の日時にもウェブページＰ１を閲覧していればそのときの閲覧時間と、他のモデルユーザもウェブページＰ１を閲覧していればその閲覧時間とを全て考慮して、それらの閲覧時間の平均値を算出する。他のウェブページについても同様に、閲覧時間の平均値をそれぞれ算出する。

関連付け部２３Ｂは、ウェブページの閲覧時間が平均値算出部２３Ａにより算出された閲覧時間の平均値より短いか長いかを基準として定めた複数の行動特性が、どの性格タイプに該当するかをウェブページ毎に関連付けることによって、性格タイプモデル情報を生成する。ここで、複数の行動特性とは、ウェブページの閲覧時間が平均値より短いという第１の行動特性と、ウェブページの閲覧時間が平均値より長いという第２の行動特性である。また、この行動特性に関連付ける性格タイプは、モデルユーザについて既知の性格タイプである。

例えば、あるモデルユーザＭＵｉのウェブページＰ１の閲覧時間が平均値より短い場合、関連付け部２３Ｂは、そのウェブページＰ１に関して、第１の行動特性に対して当該モデルユーザＭＵｉの既知の性格タイプを関連付ける。なお、このモデルユーザＭＵｉがウェブページＰ１を複数回閲覧しているときは、関連付け部２３Ｂはその平均値を算出する。そして、関連付け部２３Ｂは、当該モデルユーザＭＵｉによる閲覧時間の平均値が、平均値算出部２３Ａにより算出された全体のモデルユーザによる閲覧時間の平均値より短いか長いかによって、モデルユーザＭＵｉの行動特性を特定する。

同様に、他のモデルユーザＭＵｊについてもウェブページＰ１の閲覧履歴があれば、関連付け部２３Ｂは、当該モデルユーザＭＵｊの閲覧時間が平均値より短いか長いかによって、ウェブページＰ１に関するモデルユーザＭＵｊの行動特性が第１の行動特性か第２の行動特性かを特定する。そして、モデルユーザＭＵｊの行動特性が第１の行動特性に該当する場合、関連付け部２３Ｂは、そのウェブページＰ１に関して、第１の行動特性に対して当該モデルユーザＭＵｊの既知の性格タイプを関連付ける。以下同様にして、関連付け部２３Ｂは、ウェブページＰ１を閲覧している各モデルユーザの既知の性格タイプを、第１の行動特性または第２の行動特性の何れかに関連付ける。

このようにすると、例えばウェブページＰ１に関する第１の行動特性に対し、１以上のモデルユーザの性格タイプが関連付けられることになる。同様に、ウェブページＰ１に関する第２の行動特性に対しても、１以上のモデルユーザの性格タイプが関連付けられることになる。ここで、ウェブページＰ１に関する第１の行動特性に対して関連付けられた１以上のモデルユーザの性格タイプが全て同じであれば、関連付け部２３Ｂはそのままその性格タイプを採用する。

一方、ウェブページＰ１に関する第１の行動特性に対して関連付けられた１以上のモデルユーザの性格タイプが全て同じでなく、複数種類の性格タイプに分かれる場合は、関連付け部２３Ｂはその中から何れかを選択して採用する。この場合における選択のアルゴリズムとしては、種々の方法を適用することが可能である。例えば、関連付けの数が最も多い性格タイプを選択するという方法を用いることが可能である。あるいは、関連付けの数が所定数よりも多い１以上の性格タイプを選択するという方法を用いてもよい。

図４は、以上のようにして関連付け部２３Ｂにより生成されモデル情報記憶部５０に記憶される性格タイプモデル情報の一例を模式的に示す図である。ここでは、各モデルユーザを９種類の性格タイプ（例えば、エニアグラムの性格タイプ）の何れかに分類した場合の例を示している。例えば、ウェブページＰ１に関しては、閲覧時間が平均値より短い第１の行動特性に対して第１の性格タイプが関連付けられ、閲覧時間が平均値より長い第２の行動特性に対して第９の性格タイプが関連付けられている。つまりこれは、第１の性格タイプを持つモデルユーザは、ウェブページＰ１を平均値よりも短い時間しか閲覧しない傾向にあること、第９の性格タイプを持つモデルユーザは、ウェブページＰ１を平均値よりも長い時間閲覧する傾向にあることを示したものと言える。

なお、性格タイプモデル生成部２３が以上に説明した処理を行うことにより、図４に例示した性格タイプモデル情報を生成することは一例に過ぎず、本発明はこれに限定されない。例えば、ニューラルネットワーク、ＳＶＭ（support vector machine）、ランダムフォレスト、ロジスティック回帰などの学習アルゴリズムを利用して、性格タイプモデル情報を生成するようにしてもよい。

例えば、ニューラルネットワークを用いた学習アルゴリズムによって性格タイプモデル情報を生成する場合、性格タイプモデル生成部２３は、モデルユーザの行動特性情報をニューラルネットワークの入力層に与えるとともに、モデルユーザの性格タイプをニューラルネットワークの出力層に与えて、出力層の性格タイプを教師データとして学習処理を行う。これにより、学習済みのニューラルネットワークが得られる。この学習済みのニューラルネットワークは、モデルユーザの行動特性と性格タイプとを関連付けた性格タイプモデル情報に相当する。

また、ニューラルネットワークを用いた学習アルゴリズムによって性格タイプモデル情報を生成する場合、性格タイプモデル生成部２３は、モデルユーザの行動特性情報をニューラルネットワークの入力層に与えるとともに、モデルユーザの性格タイプをニューラルネットワークの出力層に与えて、出力層の性格タイプを教師データとして学習処理を行う。これにより、学習済みのニューラルネットワークが得られる。この学習済みのニューラルネットワークは、モデルユーザの行動特性と性格タイプとを関連付けた性格タイプモデル情報に相当する。

また、ＳＶＭを用いた学習アルゴリズムによって性格タイプモデル情報を生成する場合、性格タイプモデル生成部２３は、モデルユーザの行動特性情報をＳＶＭの入力層に与えるとともに、モデルユーザの性格タイプをＳＶＭの出力層に与えて、出力層の性格タイプを教師データとして学習処理を行う。これにより、学習済みの分類モデルが得られる。この分類モデルは、モデルユーザの行動特性と性格タイプとを関連付けた性格タイプモデル情報に相当する。ＳＶＭは、与えられたデータを２種類に分類する目的で用いられる機械学習のアルゴリズムである。他のアルゴリズムに比べ精度の高い分類ができるのが特徴である。よって、２種類の性格タイプを判定する目的の場合は、ＳＶＭを用いるとよい。

また、ランダムフォレストを用いた学習アルゴリズムによって性格タイプモデル情報を生成する場合、性格タイプモデル生成部２３は、モデルユーザの行動特性情報をランダムフォレストの入力層に与えるとともに、モデルユーザの性格タイプをランダムフォレストの出力層に与えて、出力層の性格タイプを教師データとして学習処理を行う。これにより、学習済みの集団学習モデルが得られる。この集団学習モデルは、モデルユーザの行動特性と性格タイプとを関連付けた性格タイプモデル情報に相当する。ランダムフォレストは、条件ごとに枝分かれする樹形図型のグラフである決定木による学習を複数重ね合わせることで、分析の精度を高めるために用いられる機械学習のアルゴリズムである。他のアルゴリズムに比べて、大量のデータを必要とするものの精度の高い予測や分類が行えるのが特徴である。

また、ロジスティック回帰を用いた学習アルゴリズムによって性格タイプモデル情報を生成する場合、性格タイプモデル生成部２３は、モデルユーザの行動特性情報をロジスティック回帰の入力層に与えるとともに、モデルユーザの性格タイプをロジスティック回帰の出力層に与えて、出力層の性格タイプを教師データとして学習処理を行う。これにより、学習済みの回帰モデルが得られる。この回帰モデルは、モデルユーザの行動特性と性格タイプとを関連付けた性格タイプモデル情報に相当する。ロジスティック回帰は、データを分類する際に、分類だけでなく、分類に対する信頼度が得られる機械学習のアルゴリズムである。どの位の割合で反応があるか否かの確率を算出できる点に特徴を有する。

ところで、本実施形態において性格タイプモデル生成部２３は、行動履歴記録部４０に記憶された所定期間分の複数のモデルユーザの行動特性情報のうち、所定期間におけるページ閲覧回数が閾値未満（例えば、５０回未満）のモデルユーザの行動特性情報を除外して、性格タイプモデル情報を生成する。図３の例において、モデルユーザＭＵ１は複数のウェブページＰ１，Ｐ５，Ｐ３，・・・を閲覧している。１つのウェブページを閲覧したときに１回とカウントし、その合計の閲覧回数が閾値未満の場合は、このモデルユーザＭＵ１の行動特性情報は使わずに、平均値算出部２３Ａおよび関連付け部２３Ｂの処理を行う。

また、性格タイプモデル生成部２３は、行動履歴記録部４０に記憶された所定期間分の複数のモデルユーザの行動特性情報のうち、閲覧時間が外れ値を示している部分の行動特性情報も除外して、性格タイプモデル情報を生成する。外れ値とは、統計において他の閲覧時間から大きく外れた値をいう。例えば、性格タイプモデル生成部２３は、公知のスミルノフ・グラブス検定あるいはトンプソン検定を行うことによって閲覧時間の外れ値を検出し、外れ値として検出された部分の行動特性情報は使わずに、性格タイプモデル情報を生成する。例えば、図３の例において、モデルユーザＭＵ１によるウェブページＰ１の閲覧時間（３秒）が外れ値として検出された場合、このモデルユーザＭＵ１によるウェブページＰ１の閲覧時間は使わずに、平均値算出部２３Ａおよび関連付け部２３Ｂの処理を行う。

次に、判定処理部３０について詳細を説明する。行動特性取得部３１は、アクセス解析情報受信部１０により受信されたアクセス解析情報に基づいて、性格タイプが未知の判定対象ユーザが閲覧したウェブページを特定するページ情報、および当該ウェブページの閲覧時間を、判定対象ユーザの行動特性情報として取得する。この行動特性情報は、判定対象ユーザがどのウェブページをどのくらいの時間をかけて閲覧したかを示す情報であり、アクセス解析情報により示される各ウェブページでの滞在時間がこれに該当する。

行動履歴記録部３２は、行動特性取得部３１により取得された行動特性情報を、判定対象ユーザを一意に識別可能な情報（ログインＩＤまたはクッキー情報など）と共に判定対象ユーザの行動履歴として履歴情報記憶部４０に記録する。

図５は、履歴情報記憶部４０に記憶される判定対象ユーザの行動履歴情報の一例を示す図である。図５に示すように、履歴情報記憶部４０は、判定対象ユーザ毎ＴＵ１，ＴＵ２，ＴＵ３，・・・毎に、アクセスしたウェブページを一意に特定するページ情報（ＵＲＬまたはページＩＤ等）、閲覧開始時刻、閲覧終了時刻、閲覧時間などから成る行動特性情報を記憶する。これは、図３に示したモデルユーザの行動特性情報と同様である。

性格タイプ判定部３３は、行動履歴記録部４０に記憶された所定期間分の判定対象ユーザの行動特性情報と、モデル情報記憶部５０に記憶された性格タイプモデル情報とに基づいて、判定対象ユーザの性格タイプを判定する。なお、ここでいう「所定期間」は、性格タイプモデル生成部２３が性格タイプモデル情報を生成する際に用いるモデルユーザの行動特性情報の抽出期間を示す「所定期間」の長さと同じであってもよいし、異なっていてもよい。

例えば、性格タイプモデル生成部２３により図４のような性格タイプモデル情報を生成する場合、性格タイプ判定部３３は、判定対象ユーザの行動特性情報で示されるウェブページ毎の閲覧時間に基づいて、性格タイプモデル情報で示される複数の行動特性のどれに該当するかをウェブページ毎に判定し、該当する行動特性に関連付けられた性格タイプをもとに判定対象ユーザの性格タイプを判定する。

図５の例おいて、判定対象ユーザＴＵ１は、複数のウェブページＰ７，Ｐ１，Ｐ８，・・・を閲覧している。性格タイプ判定部３３は、まず、判定対象ユーザＴＵ１によるウェブページＰ７の閲覧時間が、平均値算出部２３Ａにより算出されたウェブページＰ７の閲覧時間の平均値よりも短いか長いかによって、ウェブページＰ７に関する判定対象ユーザＴＵ１の行動特性が第１の行動特性か第２の行動特性かを特定する。そして、性格タイプ判定部３３は、モデル情報記憶部５０に記憶されている図４のような性格タイプモデル情報を参照して、ウェブページＰ７に関して特定した判定対象ユーザＴＵ１の行動特性に関連付けられている性格タイプを検出する。

同様に、性格タイプ判定部３３は、判定対象ユーザＴＵ１によるウェブページＰ１の閲覧時間が、平均値算出部２３Ａにより算出されたウェブページＰ１の閲覧時間の平均値よりも短いか長いかによって、ウェブページＰ１に関する判定対象ユーザＴＵ１の行動特性が第１の行動特性か第２の行動特性かを特定する。そして、性格タイプ判定部３３は、モデル情報記憶部５０に記憶されている図４のような性格タイプモデル情報を参照して、ウェブページＰ１に関して特定した判定対象ユーザＴＵ１の行動特性に関連付けられている性格タイプを検出する。

以下同様にして、判定対象ユーザＴＵ１が閲覧している複数のウェブページについて、その閲覧時間から判定対象ユーザＴＵ１の行動特性を特定し、特定した行動特性に関連付けられている性格タイプを検出する。これにより、１人の判定対象ユーザＴＵ１について、閲覧しているウェブページの数だけ性格タイプが検出されることになる。ここで、判定対象ユーザＴＵ１が閲覧している複数のウェブページから検出された性格タイプが全て同じであれば、性格タイプ判定部３３はそのままその性格タイプを採用し、それを判定対象ユーザＴＵ１の性格タイプとして判定する。

一方、判定対象ユーザＴＵ１が閲覧している複数のウェブページから検出された性格タイプが全て同じでなく、複数種類の性格タイプに分かれる場合は、性格タイプ判定部３３はその中から何れかを選択して採用する。この場合における選択のアルゴリズムとしては、種々の方法を適用することが可能である。例えば、検出された数が最も多い性格タイプを選択するという方法を用いることが可能である。あるいは、判定対象ユーザＴＵ１の性格タイプとして該当の度合いが高いものとして、検出された数が所定数よりも多い１以上の性格タイプを検出数の多い方から順に選択するという方法を用いてもよい。例えば、最も多く検出されたものをメインの性格タイプと判定し、次に多く検出されたものをサブの性格タイプと判定するようにしてもよい。

または、複数のウェブページに関する行動特性情報からそれぞれ検出される性格タイプのうち、ある性格タイプの検出回数が他の性格タイプの検出回数よりもＸ％（Ｘは任意の値に設定可能）以上多くなっている場合に、当該ある性格タイプを判定対象ユーザの性格タイプと判定するようにしてもよい。このようにすれば、他に比べて突出している特徴を持った性格タイプを判定対象ユーザの性格タイプとして判定することができるので、判定対象ユーザの性格分析をより正確に行うことができる。

なお、性格タイプモデル生成部２３がニューラルネットワーク、ＳＶＭ、ランダムフォレスト、ロジスティック回帰などの学習アルゴリズムを利用して性格タイプモデル情報を生成する場合、性格タイプ判定部３３は、行動履歴記録部４０に記憶された所定期間分の判定対象ユーザの行動特性情報を、モデル情報記憶部５０に記憶された学習済みモデルに入力データとして与えることにより、その学習済みモデルの出力データを、判定対象ユーザの性格タイプとして判定する。

性格タイプ判定部３３が判定対象ユーザの性格タイプを判定するタイミングとしては、判定対象ユーザがウェブページを閲覧しているタイミング、あるいは、定期または不定期で指定されたタイミングとすることが可能である。判定対象ユーザがウェブページを閲覧しているときにその判定対象ユーザの性格タイプを判定する場合、性格タイプ判定部３３は、閲覧中のウェブページについてアクセス解析装置２００から随時送られてくるアクセス解析情報をもとに履歴情報記憶部４０に随時記憶される行動特性情報を用いて、判定対象ユーザの性格タイプを判定する。

一方、指定されたタイミングで判定対象ユーザの性格タイプを判定する場合、性格タイプ判定部３３は、指定された判定対象ユーザについて履歴情報記憶部４０に記憶されている行動特性情報を用いて、判定対象ユーザの性格タイプを判定する。例えば、あらかじめ設定されたタイミングでバッチ処理を定期的に起動し、その起動のタイミングで履歴情報記憶部４０に記憶されている行動特性情報を用いて、全ての判定対象ユーザまたは指定した一部の判定対象ユーザの性格タイプを判定することが可能である。

また、複数の判定対象ユーザに関するアクセス解析情報が既に蓄積されているウェブサイトに対して性格分析装置３００による処理を適用することも可能である。この場合、当該複数の判定対象ユーザに関するアクセス解析情報を一括して性格分析装置３００にて受信し、行動特性取得部１０により各判定対象ユーザの行動特性情報をそれぞれ取得して履歴情報記憶部４０に記憶させる。そして、履歴情報記憶部４０に記憶された全判定対象ユーザの行動特性情報を用いて、性格タイプ判定部３３により全判定対象ユーザの性格タイプを一括して判定する。

以上詳しく説明したように、本実施形態では、性格タイプが既知の複数のモデルユーザに関するウェブページの閲覧状況を示す所定期間分の行動特性情報に基づいて、モデルユーザによる複数のウェブページ上での行動特性と複数の性格タイプとを関連付けて成る性格タイプモデル情報を生成する。そして、性格タイプが未知の判定対象ユーザについて取得された所定期間分の行動特性情報と、上記のように生成された性格タイプモデル情報とに基づいて、判定対象ユーザの性格タイプを判定するようにしている。

上記のように構成した本実施形態によれば、判定対象ユーザがどのようなウェブページをどのような時間をかけて閲覧しているのかというページ閲覧状況の情報に基づいて、判定対象ユーザの性格タイプが判定される。ユーザがどのようなウェブページをどのような時間をかけて閲覧するかは、ユーザの性格による影響を受けている。特に、インターネット上でウェブページを閲覧しているときは、プライベートで閉じた世界であることが多いため、周囲の目を気にせず、ありのままの自分が表れ、ユーザの性格がページ閲覧の行動に無意識に反映される傾向がある。本実施形態では、このようにユーザの性格による影響を受けて変わる可能性のある行動特性を用いて、性格タイプが既知のモデルユーザから性格タイプモデル情報が生成され、その性格タイプモデル情報と判定対象ユーザの行動特性から判定対象ユーザの性格タイプが判定される。よって、判定対象ユーザの性格タイプをより正確に判定することができる。

特に、本実施形態では、所定期間分の行動特性情報のうち、ページ閲覧回数が閾値未満のモデルユーザの行動特性情報を除外して性格タイプモデル情報を生成するようにしている。モデルユーザのページ閲覧回数が閾値未満しかない場合、そのときの思いつきあるいは外的な環境に影響されたページ閲覧が多くて、モデルユーザの性格が反映されたページ閲覧の数が少ない可能性がある。本実施形態では、そのような行動特性情報は使わずに、モデルユーザの性格に基づくページ閲覧が比較的多く含まれると考えられる行動特性情報のみから性格タイプモデル情報が生成されるので、より正確な性格タイプモデル情報を得ることができる。そして、この正確な性格タイプモデル情報を用いて性格タイプの判定を行うことにより、判定対象ユーザの性格タイプの分析をより正確に行うことができる。

特に、インターネット上のウェブページは、性格タイプを判定することを目的として作られたテストページではないため、ページ閲覧の全てに性格が反映されるとは限らない。そのため、ページ閲覧回数が閾値未満しかないモデルユーザの行動特性情報を使わずに性格タイプモデル情報を生成することは、より正確な性格タイプモデル情報を得る上で極めて有効である。その際、その閾値を適切に設定することが重要である。

閾値を適切に設定するために、例えば以下の方法を用いることが可能である。すなわち、複数のモデルユーザについて収集した行動特性情報を２つのグループに分ける。このうち、第１のグループは性格タイプモデル情報の生成用、第２のグループは性格タイプ判定の正当性の確認用とする。ここで、第１のグループに含ませるモデルユーザは、それぞれの性格タイプの数がほぼ均等数ずつ含まれるように選出するのが好ましい。すなわち、判定すべき性格タイプが３種類ある場合、各性格タイプのモデルユーザの数の比率がほぼ１／３で均一となるようにするのが好ましい。これに対して、第２のグループに含まれるモデルユーザの性格タイプはランダムでよい。

以上のように複数のモデルユーザをグルーピングした上で、まず、第１のグループに属するモデルユーザの行動特性情報を対象として、閾値を変えながら、ページ閲覧回数が閾値以上の行動特性情報だけを用いて数パターンの性格タイプモデル情報を生成する。次に、生成した数パターンの性格タイプモデル情報を用いて、第２のグループに属するモデルユーザの行動特性情報を入力し、その結果判定された性格タイプと、第２のグループに属するモデルユーザの既知の（正解の）性格タイプとを比較することにより、正解率を算出する。

ここで、例えば、正解率が最も高くなる性格タイプモデル情報を特定し、それを生成したときに用いた閾値を、最適な閾値として特定することが可能である。あるいは、正解率が所定値以上となる１以上の性格タイプモデル情報を特定し、それらを生成したときに用いた閾値の平均値を、適切な閾値として特定することようにしてもよい。このように閾値を最適化した上で、所定期間におけるページ閲覧回数が閾値未満のモデルユーザの行動特性情報を除外して、性格タイプモデル情報を生成することにより、より正確な性格タイプモデル情報を得ることができる。そして、この正確な性格タイプモデル情報を用いて性格タイプの判定を行うことにより、判定対象ユーザの性格タイプの分析をより正確に行うことができるようになる。

さらに、本実施形態では、所定期間分の行動特性情報のうち、閲覧時間が外れ値を示している部分の行動特性情報を除外して性格タイプモデル情報を生成するようにしている。モデルユーザによる特定のウェブページの閲覧時間が外れ値を示している場合、そのときのモデルユーザの行動は、そのときの思いつきあるいは外的な環境に影響された行動で、モデルユーザの性格が強く反映されたものではない可能性がある。本実施形態では、そのような行動特性情報は使わずに、モデルユーザの性格が反映されている可能性のある行動特性情報のみから性格タイプモデル情報が生成されるので、より正確な性格タイプモデル情報を得ることができる。そして、この正確な性格タイプモデル情報を用いて性格タイプの判定を行うことにより、判定対象ユーザの性格タイプの分析をより正確に行うことができる。

なお、上記実施形態では、性格タイプモデル生成部２３が性格タイプモデル情報を生成する際に外れ値を除外する例について説明したが、性格タイプ判定部３３が性格タイプを判定する際に外れ値を除外するようにしてもよい。すなわち、性格タイプ判定部３３は、履歴情報記憶部４０に記憶された所定期間分の判定対象ユーザの行動特性情報のうち、閲覧時間が外れ値を示している部分の行動特性情報を除外して、判定対象ユーザの性格タイプを判定するようにしてもよい。

また、上記実施形態では、ユーザによるウェブページの閲覧時間が、平均値算出部２３Ａにより算出されたウェブページの閲覧時間の平均値よりも短いか長いかによって、ユーザの行動特性が第１の行動特性か第２の行動特性かを特定する例について説明したが、本発明はこれに限定されない。例えば、ユーザによるウェブページの閲覧時間が所定値よりも短いか長いかによって、ユーザの行動特性が第１の行動特性か第２の行動特性かを特定するようにしてもよい。

また、特定する行動特性は２種類に限定されず、３種類以上であってもよい。例えば、閾値を２つ以上設定し、ユーザによるウェブページの閲覧時間がどの閾値とどの閾値との間に属するかによって、３種類以上の行動特性の中から何れかを特定するようにすることが可能である。

また、上記実施形態では、ユーザの行動特性情報としてウェブページの閲覧時間を取得し、当該閲覧時間に基づいてユーザの性格タイプを判定する例について説明したが、本発明はこれに限定されない。すなわち、ウェブページの閲覧時間に代えてまたは加えて、ユーザが閲覧したウェブページの遷移状況、ウェブページの閲覧時間帯、ウェブページの閲覧回数または閲覧頻度、ウェブページの閲覧インターバル、ウェブページの種類（ウェブページの内容に基づく特性）などのうち何れか１つまたは複数の組み合わせに基づいて、性格タイプを判定するようにしてもよい。

例えば、ウェブページの閲覧時間、遷移状況および閲覧時間帯の３つのパラメータを用いて、ニューラルネットワーク、ＳＶＭ、ランダムフォレスト、ロジスティック回帰などの学習アルゴリズムにより性格タイプを判定する場合、性格タイプモデル生成部２３は、モデルユーザについて得られた３つのパラメータを入力層に与えるとともに、モデルユーザの性格タイプを出力層に与えて、出力層の性格タイプを教師データとして学習処理を行う。そして、性格タイプ判定部３３は、判定対象ユーザについて得られた３つのパラメータを、上述のようにして性格タイプモデル生成部２３により生成された学習済みモデルに入力データとして与えることにより、その学習済みモデルの出力データを、判定対象ユーザの性格タイプとして判定する。

また、上記実施形態では、アクセス解析装置２００と性格分析装置３００とを別構成とする例について説明したが、本発明はこれに限定されない。例えば、アクセス解析装置２００の機能を性格分析装置３００が備えるようにしてもよい。

その他、上記実施形態は、何れも本発明を実施するにあたっての具体化の一例を示したものに過ぎず、これによって本発明の技術的範囲が限定的に解釈されてはならないものである。すなわち、本発明はその要旨、またはその主要な特徴から逸脱することなく、様々な形で実施することができる。

１０ アクセス解析情報受信部
２０ 学習処理部
２１ モデル行動特性取得部
２２ モデル行動履歴記録部
２３ 性格タイプモデル生成部
３０ 判定処理部
３１ 行動特性取得部
３２ 行動履歴記録部
３３ 性格タイプ判定部
１００ ユーザ端末
２００ アクセス解析装置
３００ 性格分析装置

Claims (12)

1. 性格タイプが既知の複数のモデルユーザによるページの閲覧状況を上記複数のモデルユーザの行動特性情報として取得するモデル行動特性取得部と、
   上記モデル行動特性取得部により取得された行動特性情報を上記複数のモデルユーザの行動履歴として履歴情報記憶部に記録するモデル行動履歴記録部と、
   上記履歴情報記憶部に記憶された所定期間分の上記複数のモデルユーザの行動特性情報に基づいて、上記モデルユーザによる複数のページ上での行動特性と複数の性格タイプとを関連付けて成る性格タイプモデル情報を生成し、モデル情報記憶部に記憶させる性格タイプモデル生成部と、
   上記性格タイプが未知の判定対象ユーザによるページの閲覧状況を上記判定対象ユーザの行動特性情報として取得する行動特性取得部と、
   上記行動特性取得部により取得された行動特性情報を上記判定対象ユーザの行動履歴として上記履歴情報記憶部に記録する行動履歴記録部と、
   上記履歴情報記憶部に記憶された所定期間分の上記判定対象ユーザの行動特性情報と、上記モデル情報記憶部に記憶された上記性格タイプモデル情報とに基づいて、上記判定対象ユーザの性格タイプを判定する性格タイプ判定部とを備え、
   上記性格タイプモデル生成部は、上記履歴情報記憶部に記憶された所定期間分の上記複数のモデルユーザの行動特性情報のうち、所定期間におけるページ閲覧回数が閾値未満の上記モデルユーザの行動特性情報を除外して、上記性格タイプモデル情報を生成することを特徴とする性格分析装置。
2. 上記モデル行動特性取得部は、上記モデルユーザの行動特性情報として、当該モデルユーザが閲覧したページを特定するページ情報、および当該ページの閲覧時間を取得し、
   上記行動特性取得部は、上記判定対象ユーザの行動特性情報として、当該判定対象ユーザが閲覧したページを特定するページ情報、および当該ページの閲覧時間を取得することを特徴とする請求項１に記載の性格分析装置。
3. 上記性格タイプモデル生成部は、上記履歴情報記憶部に記憶された所定期間分の上記複数のモデルユーザの行動特性情報のうち、上記閲覧時間が外れ値を示している部分の行動特性情報を除外して、上記性格タイプモデル情報を生成することを特徴とする請求項２に記載の性格分析装置。
4. 上記性格タイプ判定部は、上記履歴情報記憶部に記憶された上記判定対象ユーザの行動特性情報のうち、上記閲覧時間が外れ値を示している部分の行動特性情報を除外して、上記判定対象ユーザの性格タイプを判定することを特徴とする請求項２または３に記載の性格分析装置。
5. 上記性格タイプモデル生成部は、
   上記履歴情報記憶部に記憶された上記複数のモデルユーザの行動特性情報に基づいて、上記複数のモデルユーザの上記閲覧時間の平均値を上記ページ毎に算出する平均値算出部と、
   上記ページの閲覧時間が上記平均値算出部により算出された上記閲覧時間の平均値より短いか長いかを基準として定めた複数の上記行動特性が、どの性格タイプに該当するかを上記ページ毎に関連付けることによって上記性格タイプモデル情報を生成する関連付け部とを備えることを特徴とする請求項２〜４の何れか１項に記載の性格分析装置。
6. 上記性格タイプ判定部は、上記判定対象ユーザの行動特性情報で示される上記ページ毎の閲覧時間に基づいて、上記性格タイプモデル情報で示される上記複数の行動特性のどれに該当するかを上記ページ毎に判定し、該当する行動特性に関連付けられた性格タイプをもとに上記判定対象ユーザの性格タイプを判定することを特徴とする請求項５に記載の性格分析装置。
7. 性格タイプが未知の判定対象ユーザによるページの閲覧に関する行動特性情報に基づいて上記性格タイプを判定する際に用いるモデル情報を生成する性格判定用モデル生成装置であって、
   上記性格タイプが既知の複数のモデルユーザによるページの閲覧状況を上記複数のモデルユーザの行動特性情報として取得するモデル行動特性取得部と、
   上記モデル行動特性取得部により取得された行動特性情報を上記複数のモデルユーザの行動履歴として履歴情報記憶部に記録するモデル行動履歴記録部と、
   上記履歴情報記憶部に記憶された所定期間分の上記複数のモデルユーザの行動特性情報に基づいて、上記モデルユーザによる複数のページ上での行動特性と複数の性格タイプとを関連付けて成る性格タイプモデル情報を生成し、モデル情報記憶部に記憶させる性格タイプモデル生成部とを備え、
   上記性格タイプモデル生成部は、上記履歴情報記憶部に記憶された所定期間分の上記複数のモデルユーザの行動特性情報のうち、所定期間におけるページ閲覧回数が閾値未満の上記モデルユーザの行動特性情報を除外して、上記性格タイプモデル情報を生成することを特徴とする性格判定用モデル生成装置。
8. 上記モデル行動特性取得部は、上記モデルユーザの行動特性情報として、当該モデルユーザが閲覧したページを特定するページ情報、および当該ページの閲覧時間を取得することを特徴とする請求項７に記載の性格判定用モデル生成装置。
9. 上記性格タイプモデル生成部は、上記履歴情報記憶部に記憶された所定期間分の上記複数のモデルユーザの行動特性情報のうち、上記閲覧時間が外れ値を示している上記モデルユーザの行動特性情報を除外して、上記性格タイプモデル情報を生成することを特徴とする請求項８に記載の性格判定用モデル生成装置。
10. 上記性格タイプモデル生成部は、
    上記履歴情報記憶部に記憶された上記複数のモデルユーザの行動特性情報に基づいて、上記複数のモデルユーザの上記閲覧時間の平均値を上記ページ毎に算出する平均値算出部と、
    上記ページの閲覧時間が上記平均値算出部により算出された上記閲覧時間の平均値より短いか長いかを基準として定めた複数の上記行動特性が、どの性格タイプに該当するかを上記ページ毎に関連付けることによって上記性格タイプモデル情報を生成する関連付け部とを備えることを特徴とする請求項８または９に記載の性格判定用モデル生成装置。
11. 性格タイプが既知の複数のモデルユーザによるページの閲覧状況を上記複数のモデルユーザの行動特性情報として取得するモデル行動特性取得手段、
    上記モデル行動特性取得手段により取得された行動特性情報を上記複数のモデルユーザの行動履歴として履歴情報記憶部に記録するモデル行動履歴記録手段、および
    上記履歴情報記憶部に記憶された所定期間分の上記複数のモデルユーザの行動特性情報に基づいて、上記モデルユーザによる複数のページ上での行動特性と複数の性格タイプとを関連付けて成る性格タイプモデル情報を生成し、モデル情報記憶部に記憶させる性格タイプモデル生成手段であって、所定期間におけるページ閲覧回数が閾値未満の上記モデルユーザの行動特性情報を除外して上記性格タイプモデル情報を生成する性格タイプモデル生成手段
    としてコンピュータを機能させるための性格分析用プログラム。
12. 性格タイプが未知の判定対象ユーザによるページの閲覧状況を上記判定対象ユーザの行動特性情報として取得する行動特性取得手段、
    上記行動特性取得手段により取得された行動特性情報を上記判定対象ユーザの行動履歴として履歴情報記憶部に記録する行動履歴記録手段、および
    上記履歴情報記憶部に記憶された上記判定対象ユーザの行動特性情報と、請求項１１に記載の上記性格タイプモデル生成手段によって上記モデル情報記憶部に記憶された上記性格タイプモデル情報とに基づいて、上記判定対象ユーザの性格タイプを判定する性格タイプ判定手段
    としてコンピュータを機能させるための性格分析用プログラム。