居住空間におけるユーザコンテキストを用いた 行動推薦に関する研究

2020(

31)

居住空間におけるユーザコンテキストを用いた 行動推薦に関する研究

Study on Context-aware Action Recommendation in Living Space

2020(

2)

2

21

首都大学東京大学院

システムデザイン研究科 システムデザイン専攻 情報科学域 高間研究室

学習番号

18860609

要旨

本論文では，

wellbeing

wellbeing

wellbeing

居住空間における

wellbeing

wellbeing

wellbeing

Diener

wellbeing

3

3

3

生活行動を推薦する場合， 行動ごとに特徴が異なるため，単一のアルゴリズムでは効 果的な推薦が難しいと考える．よって，提案システムでは推薦戦略をコンテキストの観 点から介入型と行動型に大別する．介入型は上述の

3

過去の行動パターンに基づくパターン予測，直前の行動を用いて次の行動を決定論的に選 択する順展開計画，次の行動を予測しそれに必要な行動を決定論的に選択する逆展開計画 に分類する．推薦モジュールとして，介入型はルールベース，パターン予測型は

APPM (App for Prediction by Partial Matching)

2

VUI (Voice User Interface)

本論文は

5

1

いて記述する．

2

QOL (Quality Of Life)

wellbeing

3

wellbeing

4

2

wellbeing

wellbeing

Google Home

5

今後の展望について述べる．

Abstract

This thesis proposes a user context-aware action recommendation system in living space to improve wellbeing. Recently the time spent at home increases by various fac- tors such as aging and in-house wellbeing has gained attention. Health is not defined as the absence of disease, but as the concept related with wellbeing, which relates with physical, mental, and social state. Therefore, to improve in-house wellbeing, people should take appropriate actions considering those states.

When recommending daily actions that will contribute to the improvement of in- house wellbeing, it is difficult that a single algorithm provides various kinds of actions on the basis of different factors and knowledge. Furthermore, when multiple actions can be recommended, letting users select appropriated one from those candidates would put a burden on them. Considering these problems, this thesis proposes a hybrid recommendation system, which consists of 3 recommendation modules and a contextual multi-armed bandit.

The effectiveness of the proposed system is evaluated in terms of acceptance rate

of recommended actions and cumulative wellbeing.

目次

1

6

2

9

2.1

. . . . 9

2.1.1 Wellbeing . . . . 9

2.1.2 QOL (Quality Of Life) . . . . 10

2.1.3 Wellness . . . . 11

2.2

. . . . 11

2.2.1

. . . . 11

2.3

. . . . 12

2.3.1

. . . . 13

2.3.2

. . . . 13

2.3.3

. . . . 14

3

16 3.1

. . . . 16

3.1.1

. . . . 16

3.1.2

. . . . 17

3.2

. . . . 17

3.3

. . . . 20

3.3.1

. . . . 20

3.3.2 MAP (Maximum A Posteriori)

. . . . 20

3.3.3

. . . . 20

3.3.4

. . . . 21

3.3.5 MAP

. . . . 21

3.4

. . . . 22

3.4.1

. . . . 22

3.4.2

. . . . 24

3.4.3

. . . . 24

3.5

. . . . 26

3.5.1

. . . . 27

3.5.4

. . . . 28

3.6

. . . . 30

3.6.1

. . . . 30

3.6.2

. . . . 30

4

32 4.1

. . . . 32

4.2

. . . . 32

4.3

. . . . 39

4.4

. . . . 58

4.5

. . . . 58

4.6

. . . . 58

5

63

1

本論文では，

wellbeing

1.1

[1]

QOL (Quality Of Life)

QOL

HitomeQ (

) [2]

PALRO [3]

身体的，精神的，社会的状態などといった要素からなる多面的な概念である

wellbeing

wellbeing

居住空間における

wellbeing

wellbeing

wellbeing

いる．

Adams

wellness

なる概念として

[4]

Rath

wellbeing

[5]

Diener

[6]

wellbeing

構成要素を網羅していると主張されている．しかし，各要素に関する具体的な定義は示 されていない．包括的視点から

wellbeing

[7]

[6]

[7]

その中で，多くの尺度で共通して扱われている身体的状態と精神的状態に加え，居住空間 との密接な関係がある環境的状態の

3

wellbeing

[7]

食習慣，運動レベルなどの行動に関連し，精神的状態は感情やストレスの対処に関連する ものとして定義している．環境的状態は居住環境や職場環境，コミュニティ，そして自然 環境に関連するものとして定義している．この定義を参考に本論文では，身体的状態を 身体運動に影響されるとする乳酸の蓄積度，精神的状態をストレスに影響されるとする 認知能力の程度，環境的状態を居住環境の快適度として定義する． 

本論文では，身体的，精神的，環境的状態と日常生活行動が相互に作用するとの考えに 基づき，日常生活行動を推薦するシステムを提案する．推薦する行動の決定には，上述の

3

[1]

3

[1]

日常生活行動を推薦する場合， 行動ごとに特徴が異なるため，単一のアルゴリズムで は効果的な推薦が難しいと考える．例えば，ある時刻を過ぎたら就寝を推薦する場合で あればルールベースが適するが，過去の行動パターンから行動を推薦する場合には適さ ない．よって，本論文では推薦対象となる行動の特徴に基づき複数の推薦アルゴリズム を採用する．具体的には，推薦戦略をコンテキストの観点から介入型と行動型に大別す る．介入型は上述の

3

行動型は行動間の関連性に基づくものであり，過去の行動パターンに基づくパターン 予測，直前の行動を用いて次の行動を決定論的に選択する順展開計画，次の行動を予測 しそれに必要な行動を決定論的に選択する逆展開計画に分類する．推薦モジュールとし て，介入型はルールベース，パターン予測型は

APPM (App for Prediction by Partial

Matching) [8]

では，身体的に疲れている状態を検知した場合に入浴や就寝を推薦する．スケジューリ ングでは，食事後に食器の片付け，

APPM

各推薦モジュールから同時に抽出が行われた場合，推薦された行動を全て提示してし まうのは心理学における決断疲れ

[9]

各推薦モジュールに推薦された行動以外を選択不能とする睡眠型バンディット

[10]

2

シミュレーション実験や

VUI (Voice User Interface)

16

wellbeing

VUI

Google Home

2

2.1

一般に知られている健康の定義は心身ともに健やかな状態であることである

[11]

近年，「身体的，精神的，社会的に良好な状態であること

[12]

[13]

wellbeing,

QOL (Quality Of Life)

1

wellbeing

wellbeing, QOL

wellbeing

wellness

2.1.1 Wellbeing

Wellbeing

well (

) being (

)

wellbeing, well being, well-being

wellbeing

(WHO: World

Health Organization)

いる

[12]

Health is a state of complete physical, mental and social well-being and not merely the absence of disease or infirmity.

この「良い」の定義については多く議論されているが，主に以下の

3

[14]

医学的アプローチ 機能障害がない状態 快楽的アプローチ 気分が良い状態

持続的幸福的アプローチ 人生に意義を見出し，自分の潜在能力を最大限に発揮してい る状態

医学的アプローチでは，病気ではない状態を良い状態であるとしている．一般的な健 康の定義に似た定義であり，医学的アプローチにおける

wellbeing

wellbeing

(

)

医学的アプローチでは疾患に対して予防や治療が施されるのに対して，快楽的，持続的 幸福的アプローチでは疾患の有無に関わらず，現状をより良くするような促進に関する方 策がとられる．本論文においては疾患の予防や治療ではなく，万人を対象した

wellbeing

(

)

2

wellbeing

Timothy

wellbeing

ジティブ感情，良好な人間関係，心理的回復力，自尊心，回復力の

10

[15]

Seligman

(Positive emotion)

(Engagement)

(Relationship)

(Meaning)

成感

(Accomplishment)

5

PERMA

[16]

いずれの定義も，特定の状況や状態に対する心理状態にフォーカスしている特徴が ある．

2.1.2 QOL (Quality Of Life)

QOL

QOL (

)

[17]

障害者によっての生活の質とは、日常生活や社会生活のあり方を自らの意思で決 定し、生活の目標や生活様式を選択できることであり、本人が身体的、社会的、文 化的に満足できる豊かな生活を営めることを意味します。

一般的な定義としては，

Spilker

QOL

(physical status and functional abilities)

(psychological status and well-being

(social inter- action)

(economic and / or vocational status)

(religious and / or spiritual status)

5

[18]

QOL

SIP (Sickness Impact Profile)[19]

NHP (Nottingham Health Profile)[20]

SIP

HRQOL (Health Related Quality Of LIfe)

QOL

14

NHP

アに対する満足度などの

19

GOHAI

3

これらの

QOL

[21]

2.1.3 Wellness

Dunn

High level wellness

a condition of change in which the individual moves forward, climbing toward a higher potential of functioning[22]

Well-

ness

wellbeing

wellbeing

Dunn

wellness

(Individual Wellness)

(Family Wellness)

(Community Wellness)

(Environmental Wellness)

(Social Wellness)

5

[22]

National Wellness Institute

wellness

(emotional)

(occupational)

(physical)

(social)

(intellectual)

(spiritiual) wellness

6

[23]

しかし，これらに関する評価尺度については調べた限りでは存在しない．

2.2

日常生活行動は人が日常生活において繰り返す基本的かつ具体的な活動と定義されて いる

[24]

NHK

3

[1]

2.2.1

行動の分析に関する研究は，対象ユーザの情報をアンケートやデバイスなどを用いて 直接取得する方法をとる侵襲的

(intrusive)

(non-intrusive)

*1https://www.nationalwellness.org

る．後者は間接的に情報を取得するため，分析結果で知見が得られにくい問題点が挙げ られ，既存研究は数少ない．しかし，プライバシーは保護され，金銭的コストが抑えられ る利点がある．本論文はコンテキストをデバイスを用いて直接的に取得するため，侵襲 的アプローチに位置づけられる．

前ら

[25]

[26]

[25]

0, 1, 2

15

1

96

専業主婦別にクラスタ分析をしている．その結果，勤め人におけるクラスタごとの外出 時刻に大きな差異はないが，帰宅時刻に差異が見られること，専業主婦におけるクラスタ ごとの就寝時刻に差異が見られることなどの知見が得られたとしている．

野間らは省エネを目的としたライフスタイルの分析を行なっている

[26]

3

1

0

24

800

24

1

10

Shirai

[27, 28]

QOL

向上のための行動推薦への活用を想定した，ライフパターンの理解を目的として分析を 行っている．独居高齢者

13

1

k-means

3

2.3

日常生活において我々は気づかないところで，推薦システムを利用している．

Web

Amazon

.com

品など．これらは全て推薦システムにより推薦されている．以降では，一般的な推薦手 法を取り上げたあとに，バンディットアルゴリズムについて説明する．

2.3.1

協調フィルタリングは評価値を元に類似するユーザ・アイテムを推薦する手法である

[29]

cos

Jaccard

協調フィルタリングではユーザ・アイテムに関する特徴が考慮されていなかったが，

コンテンツベースフィルタリングではアイテムの内容

(

)

[30]

TF-IDF

に設定しないと，十分な推薦精度が得られない可能性がある．

知識ベース型推薦ではユーザが明示的に指定する要求を元に推薦を行う．この手法に は制約ベース型

[31]

[32]

2

ユーザにより評価された結果を元にアイテムの集合を更新していく．事前に記述された 知識を活用するため，新規ユーザに対しても精度の高い推薦が行える利点がある．

2.3.2

バンディット問題は腕と呼ばれる選択肢の集合から

1

3

ϵ

T, K,

ϵ ( ∈ [0, 1])

T ϵ/K

T − T ϵ

[33]

ϵ

ϵ

ϵ

腕ごとに報酬の分布がある場合，選択回数が少ない腕の標本平均は母平均に収束して いない可能性が高く，

ϵ

UCB

(Upper Confidence Bound)

[34]

k (k = 1, 2, ..., K )

1

後に腕ごとの期待値を元に腕を選択する．時刻

t (t = 1, 2, ..., T )

k

µ

(t)

(1)

µ ˆ

(t), N

(t)

t

k

t

k

µ

(t) = ˆ µ

(t) +

√ log t

2N

(t) (2.1)

UCB

2

ϵ

Thompson Sampling

[35]

一致法とは腕の期待値の分布に従って確率的に行動を選択する手法であり，上述した

ϵ

UCB

ϵ

2.3.3

行動を推薦する研究は対象としている行動が単一か複数かで分類できる．前者の研究 では，起床

[36]

[37]

沖らは起きたい時刻と，起きたい度合いを設定することで，ユーザの好みや状況を考慮 した，起床支援インタフェースを提案している

[36]

Twitter

Lee

[37]

複数の行動を対象としている研究

[38, 39]

活の質は，電力コスト，健康，快適度，家族団らんの

5

食事，入浴，調理，身支度などの

20

Gao

[39]

30

複数の行動を対象とした研究は少ない．

3

3.1

本章では，

wellbeing

[36, 40, 41, 42, 43, 44]

本論文では推薦対象となる行動の特徴に基づき複数の推薦アルゴリズムを採用する．具 体的には，推薦戦略をコンテキストの観点から介入型と行動型に大別し，それらを複数の アルゴリズムを用いてカバーする．それぞれの戦略についての説明を以下に示す．

3.1.1

介入型は現在の行動が完了しているかどうかによらず，条件を満たす行動を推薦する．

行動を推薦する根拠を，内的要因，外的要因，時間的要因に分類する．図

3.1

3.1

図

3.1:

(a)

(b)

(c)

3.2:

内的要因 脳波や心拍数，歩数といった生理学的・解剖学的情報を示す生体情報 外的要因 室温や湿度，騒音といった部屋の状況に関する情報

時間的要因 日時や曜日といった時間に関する情報

3.1.2

行動型は行動間の関連性に基づき推薦を行うものであり，現在の行動が完了したタイ ミングで推薦を行う．順展開計画，逆展開計画，行動パターンの

3

・ 行動パターン

(

3.2(a))

過去の行動パターンから次の行動を予測し，起こりそうな行動を推薦する．例えば，行 動パターンが勉強，ゲーム，勉強の場合に，次の行動としてゲームを推薦する．

・ 順展開計画

(

3.2(b))

現在の行動と紐付く行動を推薦する．行動パターンに似た戦略だが，現在の行動以外 は考慮せずに，決定論的に次の行動を推薦する点に違いがある．例えば，現在の行動が食 事の場合，次の行動として食器の片付けを推薦する．

・ 逆展開計画 図

3.2(c))

将来実行すべき行動

(

)

例えば，ゴールが食事の場合，次の行動として食事を行うための準備である調理を推薦 する．

3.2

提案システムは図

3.3

,

,

,

4

素技術で構成される．提案システムは複数のアルゴリズムを組み合わせたハイブリッド 型推薦システムとして位置づけられる．特に，状況に応じて推薦手法を切り替える特徴 から，切り替え型ハイブリッド推薦システム

[14]

3

短期的，長期的問わずユーザのライフスタイルの変化に対応が可能である．提案システ ムにおける処理の流れは，以下のようになる．

1.

2.

3. 2

1

4. 3

5.

図

3.3:

以降で扱う記号は以下の通りとする．

表

3.1:

記号 定義

t

∈ R

t

∈ R

ω ∈ R

K

D

L

S = { s

| l = 1, 2, ..., L }

A = { a

| k = 1, 2, ..., K }

A

⊆ A

A

⊆ A

A

⊆ A

c

(t) ∈ [0, 1]

t

c

(t) ∈ [0, 1]

t

c

(t) ∈ [0, 1]

t

c

(t)

t

0:00

C(t) = { c

(t), c

(t), c

(t), c

(t) }

t

µ

= (µ

∈ [0, 1] |∀ a ∈ A, ∑

a∈A

µ

= 1), s ∈ S

時間間隔

s ∈ S

a ∈ A

β

∈ R , ∀ s ∈ S, ∑

a∈A

β

= 1

[1]

s ∈ S

a ∈ A

α

= (α

∈ R

| a ∈ A), s ∈ S

s ∈ S

a ∈ A

γ

(t) = (γ

(t) ∈ N

| a ∈ A), s ∈ S t

t

∀ s ∈ S

以下にそれぞれの手続きについて詳細に説明する．

3.3

NHK

Dω

t

s

µ

3.3.1

実験開始時刻を

t

α

, γ

(t

) ( ∀ s ∈ S, a ∈ A)

(3.1), (3.2)

s ( ∈ S)

1

(4

15

)

ω

[1]

s ∈ S

a ∈ A

β

α

= Dωβ

, s ∈ S, a ∈ A (3.1)

γ

(t

) = 0, s ∈ S, a ∈ A (3.2)

3.3.2 MAP (Maximum A Posteriori)

本章では，各行動の観測回数

(γ

(t))

s ( ∈ S)

a ( ∈ A)

µ

µ

t

NHK

γ

(t)

MAP

3.3.3

時間間隔

s

t

∑

a∈A

γ

(t)

a

γ

(t)

s

a

µ

γ

p(γ

= γ

(t) | µ

) = Γ( ∑

a∈A

γ

(t) + 1)

Π

Γ(γ

(t) + 1) Π

µ

, s ∈ S (3.3)

3.3.4

次に，

µ

α

µ

p(µ

| α

) = Γ( ∑

a∈A

α

)

Π

Γ(α

) Π

µ

, s ∈ S (3.4)

3.3.5 MAP

式

(3.3, 3.4)

γ

(t)

µ

µ

(t)

µ

(t) = arg max

µs

p(µ

| γ

= γ

(t), α

)

= arg max

µs

{ p(γ

= γ

(t) | µ

)p(µ

| α

) } , s ∈ S (3.5)

t

(3.3), (3.4)

L

, L

L

(t) = ln p(γ

= γ

(t) | µ

)

= ln Γ( ∑

a∈A

γ

(t) + 1)

Π

Γ(γ

(t) + 1) + ∑

a∈A

γ

(t) ln µ

, s ∈ S (3.6)

L

(t) = ln p(µ

| α

)

= ln Γ( ∑

a∈A

α

)

Π

Γ(α

) + ∑

a∈A

(α

− 1) ln µ

, s ∈ S (3.7)

(3.5)

(3.6,3.7)

µ

(t)

µ

(t)

1

(3.8)

L(t) = ln { p(γ

= γ

(t) | µ

)p(µ

| α

) } + λ ( ∑

a∈A

µ

− 1 )

, s ∈ S (3.8)

∂L(t)

∂µ

= ∂L

(t)

∂µ

+ ∂L

(t)

∂µ

+ λ

= γ

(t) µ

+ α

− 1 µ

+ λ, s ∈ S (3.9)

∂L(t)

∂µas

= 0

µ

(t)

(10)

µ

(t) = − γ

(t) + α

− 1

λ , s ∈ S (3.10)

∑

a∈A

µ

(t) = 1, ∀ s ∈ S

(3.10)

λ

(11)

λ = − { ∑

a∈A

γ

(t) + ∑

a∈A

(α

− 1) }

, s ∈ S (3.11)

式

(3.10)

(3.11)

(12)

µ

(t) = γ

(t) + α

− 1

∑

a^′∈A

γ

(t) + ∑

a^′∈A

(α

− 1) , a ∈ A, s ∈ S (3.12)

3.4

本 節 で は ，

3.1

6

A

, A

, A

3.4.1

行 動 パ タ ー ン に 基 づ く 推 薦 に は ，

Application Prediction by Partial Matching

(APPM) [8]

APPM

ために提案された手法であり，短期的・長期的パターンの両方を考慮したマッチングを 行う点が特徴である．本論文では，

APPM

行動パターンの予測に適用する．これにより，短期的，長期的行動パターンを考慮した 予測が可能となる．

APPM

・パターンの更新

図

3.4:

ンをゲーム，勉強，ゲーム，勉強とすると，文字列は，

abab

ababa

・予測

予測の流れは以下の通りである．生成された予測行動

a

A

= { a }

1.

strings

n ( ≤ len(strings))

prefix

strings = abcababcababbbab

n = 2

prefix

ab

2. strings

prefix

す．表

3.2

6

prefix

2

3.2

3

a, c

1

{ a, c }

2

3

最後に出現したのが直近のものを優先して採用する．正解が予測結果のどちらか と一致していれば◯，そうでなければ×を判定結果として格納する．ただし，最初 に一致した箇所については判定を行わない．

3

c

3. strings

2

4. prefix

3.2

2/4

5. prefix

1

2-4

ab

b

2/4,