JP7559832B2

JP7559832B2 - 消費者行動予測モデル学習方法、消費者行動予測方法、消費者行動予測モデル学習装置、消費者行動予測装置、消費者行動予測モデル学習プログラムおよび消費者行動予測プログラム

Info

Publication number: JP7559832B2
Application number: JP2022564914A
Authority: JP
Inventors: 瑞生長野; 勇祐井島
Original assignee: Nippon Telegraph and Telephone Corp; NTT Inc USA
Current assignee: NTT Inc; NTT Inc USA
Priority date: 2020-11-26
Filing date: 2020-11-26
Publication date: 2024-10-02
Anticipated expiration: 2040-11-26
Also published as: US20240013239A1; WO2022113244A1; JPWO2022113244A1

Description

本発明は、消費者行動予測方法、消費者行動予測装置および消費者行動予測プログラムに関する。

従来、マーケティングや消費者行動研究において、ＰＡＤ（Pleasure Arousal Dominance）モデルと呼ばれる購買行動モデルが知られている（非特許文献１～９参照）。ＰＡＤモデルでは、消費者が店舗に入店したときに、店舗の混雑状況や商品配列などの外部刺激によって生起される感情によって、購買意欲が高いことを示す「接近」または購買意欲が低いことを示す「回避」の行動が生じ、購買行動に移行するか否かが決定する。ここで、感情とは、他の示唆を示す「快感情（Pleasure）」、興奮状態を示す「覚醒（Arousal）」、状況に対する自分の影響力を示す「支配（Dominance）」の３次元で表される。このように、ＰＡＤモデルを用いれば、外部刺激によって消費者の感情を変えることで、購買行動を左右することが出来ると言える。

なお、非特許文献４には、音声特徴量抽出ツールであるＯｐｅｎＳＭＩＬＥについて記載されている。また、非特許文献５には、ニューラルネットワークについて記載されている。また、非特許文献６、７には、感情表現の次元について記載されている。また、非特許文献８には、購買意欲についての記載がある。また、非特許文献９には、商品の分類についての記載がある。

Iris Bakker, et al., "Pleasure, Arousal, Dominance: Mehrabian and Russell revisited", Curr Psychol, 2014年三井雄一, "広告効果モデルにおける感情と認知の優位性に関する実証的研究", 経営研究 = The business review, 2017年 Donovan, R. J., Rossiter, J. R., Marcoolyn, G., and Nesdale, A. "Store atmosphere and purchasing behavior", Journal of Retailing, Vol.70, No.3, 1994年, pp.283－294 F. Eyben, M. W¨ollmer, and B. Schuller, "OpenSMILE: the Munich versatile and fast open-source audio feature extractor", in ACM International conference on Multimedia (MM 2010), Florence, Italy, 2010年, pp. 1459-1462 Han, K., Yu, D. and Tashev, I., "Speech Emotion Recognition Using Deep Neural Network and Extreme Learning Machine", Proc. of INTERSPEECH, 2014年, pp. 223-227 J. Russell, "A circumplex model of affect", Journal of Personality and Social Psychology, vol.39, no. 6, 1980年, pp. 1161-1178 S. Parthasarathy, C. Busso, "Jointly Predicting Arousal, Valence and Dominance with Multi-Task Learning", INTERSPEECH 2017, 2017年, pp.1103-1107 C. G. Ding, C. H. Lin, "How does background music tempo work for online shopping?", Electronic Commerce Research and Applications, Vol. 11, No. 3, 2012年, pp.299-307 H. Assael, "Consumer behavior and marketing action", Kent Publishing Company, 1981年

しかしながら、従来技術では、音声刺激によって生起する購買意欲を推定することは困難であった。例えば、ＰＡＤモデルを用いた実験では、外部刺激として店舗の混雑状況や商品配列、店舗内ＢＧＭ等を用いた様々な検討が進められ、外部刺激によって生起された感情が購買行動に影響を及ぼすことは確認されている。その一方で、音声刺激に関してはほとんど検討されていない。また、ＰＡＤモデルを用いた実験では、ＢＧＭのテンポが明らかに速いか遅いか等、人間が知覚できる少数の特徴量をもとに検討が進められている。しかしながら、人間が実際に外部刺激として五感から取得している情報は、明確に知覚できるものばかりではなく、検討されている特徴量以外の情報や、他の情報との組み合わせが購買行動に影響を与えているか否かは検討されていない。

本発明は、上記に鑑みてなされたものであって、音声刺激によって生起する購買意欲を推定可能にすることを目的とする。

上述した課題を解決し、目的を達成するために、本発明に係る消費者行動予測方法は、消費者行動予測装置が実行する消費者行動予測方法であって、入力された音声データの特徴を表す音声特徴量ベクトルと、該音声データに対応する顧客の感情を表す感情表現ベクトルと、該音声データに対応する該顧客の購買意欲を表す購買意欲ベクトルとを取得する取得工程と、前記音声特徴量ベクトルと前記感情表現ベクトルと前記購買意欲ベクトルとを用いて、音声データに対応する顧客の購買意欲を推定するモデルを学習により生成する学習工程と、を含んだことを特徴とする。

本発明によれば、音声刺激によって生起する購買意欲を推定することが可能となる。

図１は、消費者行動予測装置の概略構成を例示する模式図である。図２は、第１の実施形態の消費者行動予測装置の処理を説明するための図である。図３は、第１の実施形態の消費者行動予測装置の処理を説明するための図である。図４は、第１の実施形態の消費者行動予測装置の処理を説明するための図である。図５は、消費者行動予測処理手順を示すフローチャートである。図６は、消費者行動予測処理手順を示すフローチャートである。図７は、第２の実施形態の消費者行動予測装置の処理を説明するための図である。図８は、第２の実施形態の消費者行動予測装置の処理を説明するための図である。図９は、第２の実施形態の消費者行動予測装置の処理を説明するための図である。図１０は、第３の実施形態の消費者行動予測装置の処理を説明するための図である。図１１は、第３の実施形態の消費者行動予測装置の処理を説明するための図である。図１２は、第４の実施形態の消費者行動予測装置の処理を説明するための図である。図１３は、第４の実施形態の消費者行動予測装置の処理を説明するための図である。図１４は、消費者行動予測プログラムを実行するコンピュータを例示する図である。

以下、図面を参照して、本発明の一実施形態を詳細に説明する。なお、この実施形態により本発明が限定されるものではない。また、図面の記載において、同一部分には同一の符号を付して示している。

［消費者行動予測装置の構成］
図１は、消費者行動予測装置の概略構成を例示する模式図である。図１に例示するように、消費者行動予測装置１０は、パソコン等の汎用コンピュータで実現され、入力部１１、出力部１２、通信制御部１３、記憶部１４、および制御部１５を備える。

入力部１１は、キーボードやマウス等の入力デバイスを用いて実現され、実施者による入力操作に対応して、制御部１５に対して処理開始などの各種指示情報を入力する。出力部１２は、液晶ディスプレイなどの表示装置、プリンター等の印刷装置、情報通信装置等によって実現される。

通信制御部１３は、ＮＩＣ（Network Interface Card）等で実現され、ネットワークを介したサーバ等の外部の装置と制御部１５との通信を制御する。例えば、通信制御部１３は、消費者行動予測対象の音声データや音声データに対応する感情表現データ等を管理する管理装置等と制御部１５との通信を制御する。

記憶部１４は、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。本実施形態において、記憶部１４には、例えば、後述する消費者行動予測処理に用いられる音声データや音声データに対応する感情表現ベクトル、消費者行動予測処理で生成される購買意欲推定モデル１４ａ等が記憶される。なお、記憶部１４は、通信制御部１３を介して制御部１５と通信する構成でもよい。

制御部１５は、ＣＰＵ（Central Processing Unit）やＮＰ（Network Processor）やＦＰＧＡ（Field Programmable Gate Array）等を用いて実現され、メモリに記憶された処理プログラムを実行する。これにより、制御部１５は、図１に例示するように、取得部１５ａ、学習部１５ｂおよび推定部１５ｃとして機能する。なお、これらの機能部は、それぞれが異なるハードウェアに実装されてもよい。例えば、学習部１５ｂと推定部１５ｃとは、異なるハードウェアに実装されてもよい。また、制御部１５は、その他の機能部を備えてもよい。

［第１の実施形態］
図２～図４は、第１の実施形態の消費者行動予測装置の処理を説明するための図である。第１の実施形態の消費者行動予測装置１０において、図２に示すように、取得部１５ａは、入力された音声データの特徴を表す音声特徴量ベクトルＶ_ｓと、該音声データに対応する顧客の感情を表す感情表現ベクトルＶ_ｅと、該音声データに対応する該顧客の購買意欲を表す購買意欲ベクトルＶ_ｍとを取得する。

例えば、取得部１５ａは、後述する消費者行動予測処理の処理対象の音声データを、入力部１１を介して、あるいは音声データを管理する管理装置等から通信制御部１３を介して取得する。ここで、音声データとは、顧客の外部刺激として、商品購買の際に顧客が耳にする音声刺激の収録データである。音声データの発話内容や文章数、あるいは発話者の人数や性別等は特に限定されない。

また、取得部１５ａは、音声データから声の高さ（Ｆ０）やパワー、話す速度、スペクトル等の音声特徴を表す音声特徴量ベクトルＶ_ｓを抽出する。例えば、取得部１５ａは、音声特徴量ベクトルＶ_ｓとして、例えばフレームごとにフーリエ変換等の信号処理を行って数値を出力する。あるいは、取得部１５ａは、ＯｐｅｎＳＭＩＬＥ（非特許文献４参照）等の音声特徴量抽出ツールを用いて、音声特徴量ベクトルＶ_ｓを抽出する。

また、取得部１５ａは、音声データに対応する感情表現ベクトルＶ_ｅを取得する。ここで、感情表現ベクトルＶ_ｅとは、顧客が音声データを聞いた際の感情を表す主観評価データであり、例えばｎ次元（ｎ≧１）の数値である。感情表現ベクトルＶ_ｅには、ＰＡＤの尺度である快感情、覚醒、支配の３次元の感情の他の感情次元（非特許文献６、７参照）が含まれてもよい。本実施形態では、予め顧客に対するアンケートにより、各次元について７段階の回答を得ることにより、感情表現ベクトルＶ_ｅを取得して、音声データに対応付けて、例えば音声データの管理装置の記憶部に記憶させておく。

なお、取得部１５ａは、１つの音声データに対応してｎ次元からなる１つの感情表現ベクトルＶ_ｅを取得するものとする。また、取得部１５ａは、１つの音声データに対して複数の顧客が主観評価を行った場合には、その平均を感情表現ベクトルＶ_ｅとして取得する。

また、取得部１５ａは、音声データに対応する購買意欲ベクトルＶ_ｍを取得する。ここで、購買意欲ベクトルＶ_ｍとは、顧客が音声データを聞いた際の購買意欲を表すデータであり、例えば「どの程度買いたいと思ったか」を７段階で表した数値である。購買意欲ベクトルＶ_ｍは、必ずしも段階を表す数値である必要はなく、例えば、顧客が商品を実際に購買したか否かを２値で保存している購買ログ等から求めてもよい。これにより、購買意欲推定モデルの学習に大量に必要となる購買意欲ベクトルＶ_ｍを容易に用意することが可能となる。

また、本実施形態では、感情表現ベクトルＶ_ｅと同様に、予め顧客に対するアンケートにより購買意欲ベクトルＶ_ｍを取得して、音声データに対応付けて、例えば音声データの管理装置の記憶部に記憶させておく。

なお、取得部１５ａは、１つの音声データに対応して１つの購買意欲ベクトルＶ_ｍを取得するものとする。また、取得部１５ａは、１つの音声データに対して複数の顧客が購買意欲の評価を行った場合には、その平均を購買意欲ベクトルＶ_ｍとして取得する。

また、購買意欲ベクトルＶ_ｍは、感情表現ベクトルＶ_ｅと同一の顧客による同一の音声データに対する情報である。すなわち、図２に示すように、取得部１５ａは、１つの音声データに対して、音声特徴量ベクトルＶ_ｓと、感情表現ベクトルＶ_ｅと、購買意欲ベクトルＶ_ｍとをセットで取得する。

学習部１５ｂは、図２に示すように、音声特徴量ベクトルＶ_ｓと感情表現ベクトルＶ_ｅと購買意欲ベクトルＶ_ｍとを用いて、音声データに対応する顧客の購買意欲を推定する購買意欲推定モデル１４ａを学習により生成する。また、学習部１５ｂは、生成した購買意欲推定モデル１４ａを記憶部１４に記憶させる。

ここで、図３（ａ）に示すように、従来、音声特徴量ベクトルＶ_ｓを入力として、感情表現ベクトルＶ_ｅを出力するモデルを学習により生成するニューラルネットワークが知られている（非特許文献７参照）。

本実施形態においては、学習部１５ｂは、図３（ｂ）に示すように、感情表現ベクトルＶ_ｅを中間出力として用いることにより、購買意欲推定モデル１４ａを学習により生成する。具体的には、学習部１５ｂは、感情表現ベクトルＶ_ｅと購買意欲ベクトルＶ_ｍとを統合したベクトルＶ_ｏ＝［Ｖ_ｅ，Ｖ_ｍ］を出力するモデルを学習により生成する。すなわち、学習部１５ｂは、音声特徴量ベクトルＶ_ｓを用いて、感情表現ベクトルＶ_ｅおよび購買意欲ベクトルＶ_ｍの教師データとの誤差を最小化するモデルを生成する。

推定部１５ｃは、図４に示すように、生成された購買意欲推定モデル１４ａを用いて、入力された音声データに対応する購買意欲ベクトルＶ_ｍを推定する。具体的には、推定部１５ｃは、入力された音声データから取得部１５ａにより取得された音声特徴ベクトルＶ_ｓを、生成された購買意欲推定モデル１４ａに入力し、出力される購買意欲ベクトルＶ_ｍを得る。これにより、推定部１５ｃは、音声刺激から生起される顧客の購買意欲を推定する。

なお、本実施形態の購買意欲ベクトルＶ_ｍの代わりに、購買行動以外の任意の消費者行動を表すベクトルが適用されてもよい。

［消費者行動予測処理］
次に、消費者行動予測装置１０による消費者行動予測処理について説明する。図５よび図６は、消費者行動予測処理手順を示すフローチャートである。本実施形態の消費者行動予測処理は、学習処理と推定処理とを含む。まず、図５は、学習処理手順を示す。図５のフローチャートは、例えば、学習処理の開始を指示する入力があったタイミングで開始される。

まず、取得部１５ａが、外部刺激として入力された音声データから音声特徴を表す音声特徴量ベクトルＶ_ｍを取得する（ステップＳ１）。また、取得部１５ａが、音声データに対応する感情表現ベクトルＶ_ｅと、購買意欲ベクトルＶ_ｍとを取得する（ステップＳ２）。

次に、学習部１５ｂが、音声特徴量ベクトルＶ_ｓと感情表現ベクトルＶ_ｅと購買意欲ベクトルＶ_ｍとを用いて、音声データに対応する顧客の購買意欲を推定する購買意欲推定モデル１４ａを学習により生成する（ステップＳ３）。例えば、学習部１５ｂは、感情表現ベクトルＶ_ｅを中間出力として用いることにより、購買意欲推定モデル１４ａを学習する。これにより、一連の学習処理が終了する。

次に、図６は、推定処理手順を示す。図６のフローチャートは、例えば、推定処理の開始を指示する入力があったタイミングで開始される。

まず、取得部１５ａが、推定対象の音声データから音声特徴を表す音声特徴量ベクトルＶ_ｍを取得する（ステップＳ１）。

次に、推定部１５ｃが、音声特徴ベクトルＶ_ｓを、生成された購買意欲推定モデル１４ａに入力し、購買意欲ベクトルＶ_ｍを推定する（ステップＳ４）。推定部１５ｃは、推定された購買意欲ベクトルＶ_ｍから、顧客の購買意欲を推定する。これにより、一連の推定処理が終了する。

［第２の実施形態］
図７～図９は、第２の実施形態の消費者行動予測装置の処理を説明するための図である。なお以下では、上記の第１の実施形態の消費者行動予測装置１０の消費者行動予測処理と異なる点についてのみ説明を行い、共通する点についての説明を省略する。

上記実施形態の消費者行動予測装置１０では、図２に示したように、学習部１５ｂは、音声特徴量ベクトルＶ_ｓと感情表現ベクトルＶ_ｅと購買意欲ベクトルＶ_ｍとを用いて、購買意欲推定モデル１４ａを学習により生成する。この場合には、学習部１５ｂは、感情表現ベクトルＶ_ｅと購買意欲ベクトルＶ_ｍとを統合したベクトルＶ_ｏを学習のターゲットとしている。

これに対し、第２の実施形態の消費者行動予測装置１０では、図７に示すように、取得部１５ａが、音声特徴量ベクトルＶ_ｓに対応する感情表現ベクトルＶ_ｅ’を出力する感情推定モデル１４ｂを用いる。この場合の感情推定モデル１４ｂは、周知の技術により音声データから感情を推定するように構築されたものでよい（非特許文献７参照）。

これにより、購買意欲推定モデル１４ａの学習に必要な大量の感情表現ベクトルＶ_ｓを、顧客に対するアンケートに依らずに容易に用意することが可能となる。また、学習部１５ｂは、感情推定モデル１４ｂから出力される感情表現ベクトルＶ_ｅ’を入力して、購買意欲ベクトルＶ_ｍを単独のターゲットとして学習することが可能となる。すなわち、学習部１５ｂは、図８に示すように、予め学習された感情推定モデル１４ｂから出力される感情表現ベクトルＶ_ｅ’を用いて、購買意欲ベクトルＶ_ｍの教師データとの誤差を最小化するモデルを生成する。

またこの場合に、推定部１５ｃは、図９に示すように、取得部１５ａが取得した音声特徴量ベクトルＶ_ｓを感情推定モデル１４ｂに入力して感情表現ベクトルＶ_ｅ’を取得し、学習部１５ｂが生成した購買意欲推定モデル１４ａに入力する。これにより、推定部１５ｃは、音声刺激から推定される購買意欲ベクトルＶ_ｍを得る。

［第３の実施形態］
図１０および図１１は、第３の実施形態の消費者行動予測装置の処理を説明するための図である。第３の実施形態の消費者行動予測装置１０では、図１０に示すように、取得部１５ａが、さらに音声データに対応する商品に関する情報を表す商品情報ベクトルＶ_ｐを取得する。

ここで、商品情報ベクトルＶｐは、実数値や１－ｈｏｔベクトル等で数値化して表現された商品の分類を表す情報であり、例えば、娯楽商品／実用的な商品のいずれかである（非特許文献８参照）。あるいは、商品の分類は、商品に対する関与水準とブランド間知覚差異との観点での分類であってもよい（非特許文献９参照）。また、商品情報ベクトルＶ_ｐとして、商品の価格や販売時期等が用いられてもよい。

この場合に、学習部１５ｂは、音声特徴量ベクトルＶ_ｓ、感情表現ベクトルＶ_ｅ、購買意欲ベクトルＶ_ｍに加え、さらに商品情報ベクトルＶ_ｐを用いて購買意欲推定モデル１４ａを学習により生成する。具体的には、図１１に示すように、学習部１５ｂは、商品情報ベクトルＶ_ｐを中間入力とし、感情表現ベクトルＶ_ｅを中間出力として用いることにより、商品情報を考慮した購買意欲推定モデル１４ａを学習により生成する。

また、推定部１５ｃは、音声特徴量ベクトルＶ_ｓおよび商品情報ベクトルＶ_ｐの入力を受け付けて、学習部１５ｂが生成した購買意欲推定モデル１４ａに入力することにより、音声刺激から推定される購買意欲ベクトルＶ_ｍを得る。

これにより、消費者行動予測装置１０は、同一の感情状態であっても商品によって異なる顧客の購買意欲を推定することが可能となる。

［第４の実施形態］
図１２および図１３は、第４の実施形態の消費者行動予測装置の処理を説明するための図である。第４の実施形態の消費者行動予測装置１０では、図１２に示すように、取得部１５ａが、さらに音声データに対応する顧客の属性を表す顧客情報ベクトルＶ_ｃを取得する。

ここで、顧客情報ベクトルＶｃは、実数値や１－ｈｏｔベクトル等で数値化して表現された顧客の性別、年齢、居住地等の属性を表す情報であり、予め登録された情報である。

なお、本実施形態では、上記の第１の実施形態とは異なり、顧客情報ベクトルＶｃが異なる顧客による感情表現ベクトルＶ_ｅの評価値が異なる場合には同一の音声データに対応する感情表現ベクトルＶ_ｅはそのまま複数のセットとして取り扱う。顧客情報ベクトルＶ_ｃが同一の顧客による感情表現ベクトルＶ_ｅの評価値が異なる場合には、同一の音声データに対応する感情表現ベクトルＶ_ｅはそれらの平均値とする。例えば、同一の音声データに対応してｎ種類の顧客情報ベクトルＶ_ｃがある場合には、取得部１５ａは、この音声データに対応してｎ種類の購買意欲ベクトルＶ_ｍを取得する。

この場合に、学習部１５ｂは、音声特徴量ベクトルＶ_ｓ、感情表現ベクトルＶ_ｅ、購買意欲ベクトルＶ_ｍに加え、さらに顧客情報ベクトルＶ_ｍを用いて購買意欲推定モデル１４ａを学習により生成する。具体的には、図１３（ａ）または（ｂ）に示すように、学習部１５ｂは、顧客情報ベクトルＶ_ｃを中間入力とし、感情表現ベクトルＶ_ｅを中間出力として用いることにより、顧客の属性を考慮した購買意欲推定モデル１４ａを学習により生成する。

また、推定部１５ｃは、音声特徴量ベクトルＶ_ｓおよび顧客情報ベクトルＶ_ｃの入力を受け付けて、学習部１５ｂが生成した購買意欲推定モデル１４ａに入力することにより、音声刺激から推定される購買意欲ベクトルＶ_ｍを得る。

これにより、本実施形態の消費者行動予測装置１０は、同一の音声刺激から生起される感情が異なる顧客の購買意欲や、音声刺激から生起された感情が同一であっても性別等によって異なる顧客の購買意欲を推定することが可能となる。例えば、同一の音声刺激に対して、若年者と高齢者とでは聞き取り易さが異なる場合がある。あるいは、音声刺激から生起された感情が同一であっても、例えば、発話内容が男性向けの宣伝である場合には、性別によって購買意欲が異なる場合がある。このような場合にも、本実施形態の消費者行動予測装置１０は、顧客の属性を考慮して購買意欲を推定することが可能となる。

［消費者行動予測処理の効果］
以上、説明したように、本実施形態の消費者行動予測装置１０において、取得部１５ａが、入力された音声データの特徴を表す音声特徴量ベクトルＶ_ｓと、該音声データに対応する顧客の感情を表す感情表現ベクトルＶ_ｅと、該音声データに対応する該顧客の購買意欲を表す購買意欲ベクトルＶ_ｍとを取得する。学習部１５ｂが、音声特徴量ベクトルＶ_ｓと感情表現ベクトルＶ_ｅと購買意欲ベクトルＶ_ｍとを用いて、音声データに対応する顧客の購買意欲を推定する購買意欲推定モデル１４ａを学習により生成する。これにより、音声刺激によって生起する購買意欲を推定することが可能となる。

また、学習部１５ｂは、感情表現ベクトルを中間出力として用いることにより、モデルを学習により生成する。これにより、精度高く購買意欲推定モデル１４ａの学習が可能となる。

また、推定部１５ｃは、生成された購買意欲推定モデル１４ａを用いて、入力された音声データに対応する購買意欲ベクトルを推定する。これにより、音声刺激から生起される顧客の購買意欲を推定することが可能となる。

また、取得部１５ａは、音声特徴量ベクトルに対応する感情表現ベクトルを出力する感情推定モデル１４ｂを用いる。これにより、購買意欲推定モデル１４ａの学習に必要な大量の感情表現ベクトルＶ_ｓを、顧客に対するアンケートに依らずに容易に用意することが可能となる。

また、取得部１５ａは、音声データに対応する商品に関する情報を表す商品情報ベクトルをさらに取得し、学習部１５ｂは、商品情報ベクトルをさらに用いて前記モデルを学習により生成する。これにより、消費者行動予測装置１０は、同一の感情状態であっても商品によって異なる顧客の購買意欲を推定することが可能となる。

また、取得部１５ａは、音声データに対応する顧客の属性を表す顧客情報ベクトルをさらに取得し、学習部１５ｂは、前記顧客情報ベクトルをさらに用いて前記モデルを学習により生成する。これにより、消費者行動予測装置１０は、同一の音声刺激から生起される感情が異なる顧客の購買意欲や、音声刺激から生起された感情が同一であっても属性によって異なる顧客の購買意欲を推定することが可能となる。

［プログラム］
上記実施形態に係る消費者行動予測装置１０が実行する処理をコンピュータが実行可能な言語で記述したプログラムを作成することもできる。一実施形態として、消費者行動予測装置１０は、パッケージソフトウェアやオンラインソフトウェアとして上記の消費者行動予測処理を実行する消費者行動予測プログラムを所望のコンピュータにインストールさせることによって実装できる。例えば、上記の消費者行動予測プログラムを情報処理装置に実行させることにより、情報処理装置を消費者行動予測装置１０として機能させることができる。また、その他にも、情報処理装置にはスマートフォン、携帯電話機やＰＨＳ（Personal Handyphone System）等の移動体通信端末、さらには、ＰＤＡ（Personal Digital Assistant）等のスレート端末等がその範疇に含まれる。また、消費者行動予測装置１０の機能を、クラウドサーバに実装してもよい。

図１４は、消費者行動予測プログラムを実行するコンピュータの一例を示す図である。コンピュータ１０００は、例えば、メモリ１０１０と、ＣＰＵ１０２０と、ハードディスクドライブインタフェース１０３０と、ディスクドライブインタフェース１０４０と、シリアルポートインタフェース１０５０と、ビデオアダプタ１０６０と、ネットワークインタフェース１０７０とを有する。これらの各部は、バス１０８０によって接続される。

メモリ１０１０は、ＲＯＭ（Read Only Memory）１０１１およびＲＡＭ１０１２を含む。ＲＯＭ１０１１は、例えば、ＢＩＯＳ（Basic Input Output System）等のブートプログラムを記憶する。ハードディスクドライブインタフェース１０３０は、ハードディスクドライブ１０３１に接続される。ディスクドライブインタフェース１０４０は、ディスクドライブ１０４１に接続される。ディスクドライブ１０４１には、例えば、磁気ディスクや光ディスク等の着脱可能な記憶媒体が挿入される。シリアルポートインタフェース１０５０には、例えば、マウス１０５１およびキーボード１０５２が接続される。ビデオアダプタ１０６０には、例えば、ディスプレイ１０６１が接続される。

ここで、ハードディスクドライブ１０３１は、例えば、ＯＳ１０９１、アプリケーションプログラム１０９２、プログラムモジュール１０９３およびプログラムデータ１０９４を記憶する。上記実施形態で説明した各情報は、例えばハードディスクドライブ１０３１やメモリ１０１０に記憶される。

また、消費者行動予測プログラムは、例えば、コンピュータ１０００によって実行される指令が記述されたプログラムモジュール１０９３として、ハードディスクドライブ１０３１に記憶される。具体的には、上記実施形態で説明した消費者行動予測装置１０が実行する各処理が記述されたプログラムモジュール１０９３が、ハードディスクドライブ１０３１に記憶される。

また、消費者行動予測プログラムによる情報処理に用いられるデータは、プログラムデータ１０９４として、例えば、ハードディスクドライブ１０３１に記憶される。そして、ＣＰＵ１０２０が、ハードディスクドライブ１０３１に記憶されたプログラムモジュール１０９３やプログラムデータ１０９４を必要に応じてＲＡＭ１０１２に読み出して、上述した各手順を実行する。

なお、消費者行動予測プログラムに係るプログラムモジュール１０９３やプログラムデータ１０９４は、ハードディスクドライブ１０３１に記憶される場合に限られず、例えば、着脱可能な記憶媒体に記憶されて、ディスクドライブ１０４１等を介してＣＰＵ１０２０によって読み出されてもよい。あるいは、消費者行動予測プログラムに係るプログラムモジュール１０９３やプログラムデータ１０９４は、ＬＡＮ（Local Area Network）やＷＡＮ（Wide Area Network）等のネットワークを介して接続された他のコンピュータに記憶され、ネットワークインタフェース１０７０を介してＣＰＵ１０２０によって読み出されてもよい。

以上、本発明者によってなされた発明を適用した実施形態について説明したが、本実施形態による本発明の開示の一部をなす記述および図面により本発明は限定されることはない。すなわち、本実施形態に基づいて当業者等によりなされる他の実施形態、実施例および運用技術等は全て本発明の範疇に含まれる。

１０消費者行動予測装置
１３通信制御部
１４記憶部
１４ａ購買意欲推定モデル
１４ｂ感情推定モデル
１５制御部
１５ａ取得部
１５ｂ学習部
１５ｃ推定部

Claims

消費者行動予測モデル学習装置が実行する消費者行動予測モデル学習方法であって、
入力された音声データの特徴を表す音声特徴量ベクトルと、該音声データに対応する顧客の感情を表す感情表現ベクトルと、該音声データに対応する該顧客の購買意欲を表す購買意欲ベクトルとを取得する取得工程と、
前記音声特徴量ベクトルと前記感情表現ベクトルと前記購買意欲ベクトルとを用いて、音声データに対応する顧客の購買意欲を推定するモデルを学習により生成する学習工程と、
を含んだことを特徴とする消費者行動予測モデル学習方法。
前記学習工程は、前記感情表現ベクトルを中間出力として用いることにより、前記モデルを学習により生成することを特徴とする請求項１に記載の消費者行動予測モデル学習方法。
消費者行動予測装置が実行する消費者行動予測方法であって、
入力された音声データの特徴を表す音声特徴量ベクトルと、該音声データに対応する顧客の感情を表す感情表現ベクトルと、該音声データに対応する該顧客の購買意欲を表す購買意欲ベクトルとを取得する取得工程と、
音声データに対応する顧客の購買意欲を推定するモデルであって、前記音声特徴量ベクトルと前記感情表現ベクトルと前記購買意欲ベクトルとを用いた学習により生成された前記モデルを用いて、入力された音声データに対応する購買意欲ベクトルを推定する推定工程と、
を含んだことを特徴とする消費者行動予測方法。
前記取得工程は、前記音声特徴量ベクトルに対応する前記感情表現ベクトルを出力するモデルを用いることを特徴とする請求項１に記載の消費者行動予測モデル学習方法。
前記取得工程は、前記音声データに対応する商品に関する情報を表す商品情報ベクトルをさらに取得し、
前記学習工程は、前記商品情報ベクトルをさらに用いて前記モデルを学習により生成する、
ことを特徴とする請求項１に記載の消費者行動予測モデル学習方法。
前記取得工程は、前記音声データに対応する前記顧客の属性を表す顧客情報ベクトルをさらに取得し、
前記学習工程は、前記顧客情報ベクトルをさらに用いて前記モデルを学習により生成する、
ことを特徴とする請求項１に記載の消費者行動予測モデル学習方法。
入力された音声データの特徴を表す音声特徴量ベクトルと、該音声データに対応する顧客の感情を表す感情表現ベクトルと、該音声データに対応する該顧客の購買意欲を表す購買意欲ベクトルとを取得する取得部と、
前記音声特徴量ベクトルと前記感情表現ベクトルと前記購買意欲ベクトルとを用いて、音声データに対応する顧客の購買意欲を推定するモデルを学習により生成する学習部と、
を有することを特徴とする消費者行動予測モデル学習装置。
入力された音声データの特徴を表す音声特徴量ベクトルと、該音声データに対応する顧客の感情を表す感情表現ベクトルと、該音声データに対応する該顧客の購買意欲を表す購買意欲ベクトルとを取得する取得部と、
音声データに対応する顧客の購買意欲を推定するモデルであって、前記音声特徴量ベクトルと前記感情表現ベクトルと前記購買意欲ベクトルとを用いた学習により生成された前記モデルを用いて、入力された音声データに対応する購買意欲ベクトルを推定する推定部と、
を有することを特徴とする消費者行動予測装置。
入力された音声データの特徴を表す音声特徴量ベクトルと、該音声データに対応する顧客の感情を表す感情表現ベクトルと、該音声データに対応する該顧客の購買意欲を表す購買意欲ベクトルとを取得する取得ステップと、
前記音声特徴量ベクトルと前記感情表現ベクトルと前記購買意欲ベクトルとを用いて、音声データに対応する顧客の購買意欲を推定するモデルを学習により生成する学習ステップと、
をコンピュータに実行させるための消費者行動予測モデル学習プログラム。
入力された音声データの特徴を表す音声特徴量ベクトルと、該音声データに対応する顧客の感情を表す感情表現ベクトルと、該音声データに対応する該顧客の購買意欲を表す購買意欲ベクトルとを取得する取得ステップと、
音声データに対応する顧客の購買意欲を推定するモデルであって、前記音声特徴量ベクトルと前記感情表現ベクトルと前記購買意欲ベクトルとを用いた学習により生成された前記モデルを用いて、入力された音声データに対応する購買意欲ベクトルを推定する推定ステップと、
をコンピュータに実行させるための消費者行動予測プログラム。