[发明专利]操作预测装置及其模型学习方法、操作预测方法

说明书

预测模型1具有包括第一模块M1和第二模块M2的结构，关于数据集x中包括的各对象xsubgt;i/subgt;，第一模块M1使用神经网络计算与该对象xsubgt;i/subgt;和属性信息a的组合对应的指标值Vsubgt;i/subgt;，第二模块M2通过针对由第一模块M1得到的分别与多个对象xsubgt;1/subgt;～xsubgt;N/subgt;对应的多个指标值Vsubgt;1/subgt;～Vsubgt;N/subgt;进行规定的处理，来计算用户的操作的预测结果y。

技术领域

本发明涉及用于通过机器学习来预测个人(属人)的操作的技术。

背景技术

存在很多如下所述的场景：针对所呈现的多个对象(候选)，人基于主观、经验规则等个体性的(个人的)评价进行特定的操作。例如，在通常的社会生活中，从餐厅的菜单中选择似乎美味的菜肴、看着多个候选者的照片按吸引力的顺序进行排序、从商店内的商品群中选择可爱的品种进行搭配等均是其一个例子。

以往，进行了通过机器学习来预测这样的依赖于人的主观、经验的个人的评价的研究。在下述的非专利文献1中，提出了评价菜肴照片的看起来美味的程度的方法，在非专利文献2中，提出了评价图像的审美性的方法。

现有技术文献

非专利文献

非专利文献1：高桥和马、道满惠介、川西康友、平山高嗣、井手一郎、出口大辅、村濑洋，“用于菜肴照片的吸引度推断的特征量的研讨带来的精度提高”，电子信息通信学会技术研究报告，2016年10月6日，第116卷，第245号，p.41-46

非专利文献2：X.Lu,Z.Lin,H.Jin,J.Yang and J.Z.Wang,Rating ImageAesthetics Using Deep Learning,in IEEE Transactions on Multimedia,vol.17,no.11,pp.2021-2034,Nov.2015.

非专利文献3：Grover,Aditya,et al.Stochastic optimization of sortingnetworks via continuous relaxations.arXiv preprint arXiv:1903.08850(2019).

非专利文献4：Cuturi,Marco,Olivier Teboul,and Jean-Philippe Vert.Differentiable Ranks and Sorting using Optimal Transport:The Sinkhorn CDF andQuantile Operator.arXiv preprint arXiv:1905.11885(2019).

非专利文献5：Jang,Eric,Shixiang Gu,and Ben Poole.Categoricalreparameterization with gumbel-softmax.arXiv preprint arXiv:1611.01144(2016).

发明内容

发明要解决的技术问题

以往的研究都是用户定义“看起来很美味的程度”、“感觉很美的程度”这样的主观性指标来对个人的评价进行定量化/数值化的方式。因此，为了实施机器学习，需要对作为学习数据而准备的图像分别给予主观性指标的真值(正解数据)。

但是，由于每个人的爱好、感受方式各式各样，因此，难以确定主观性指标的真值。此外，原本通过数值来表现基于人的主观、经验的评价、价值这本身就很困难，因此，也存在无法设计适当的主观性指标的情况。鉴于这样的问题点，以往的方式存在限制。