アクセスログからの大域的特徴量を考慮したユーザ属性推定

全文

(1)情報処理学会第 79 回全国大会. 5B-04. アクセスログからの大域的特徴量を考慮したユーザ属性推定佐藤哲 †. NHN テコラス株式会社 †. 1.. はじめに. 近年，データの局所的な特徴量に加えて大域的な特徴量を抽出することで，データに含まれるコンテンツの認識・識別を図る研究が盛んである．特にインターネットサービスのアクセスログには，サービスを利用するユーザの日毎・週毎などの生活習慣に由来する，比較的長い期間を観測することで発見できる特徴が現れると考えられる．本発表では，ユーザのアクセスログである時系列データに対しトレンドを推定し，複数のデータ間でトレンド情報を元にした類似度を計算することでユーザのグループを作成する．そして各グループの属性を調査することで，得られている情報が少ないユーザの属性を推定する手法を報告する．. 2.. 時系列データに対する類似度計算. 本発表で分析対象とするインターネットサービスのアクセスログは，一般にノイズや異常値が多く含まれている．そのため本研究ではそれらの影響を考慮してデータのトレンドを推定するために，オンライン学習に適する粒子フィルタ [1] を利用する．粒子フィルタはノイズを含めた次のようなモデルにより計算される： { xk = F k (xk−1 , v k ) . y k = H k (xk , wk ) ここで，xk は時刻 t = tk での実際には観測できない状態空間変数，y k は観測結果，v k と wk は乱数によるノイズ，F k はシステムモデルと呼ばれる関数，H k は観測モデルと呼ばれる関数である．粒子フィルタは，実際に観測された量 y k から状態 xk を推定する．次に，粒子フィルタはオンライン学習アルゴリズムとして利用されるため，局所的な特徴量を考慮した学習や予測には適するが，大域的な特徴量を考慮するためにはコストが高い．そこで本研究では，特異点フィルタ [2] による大域的特徴量抽出及び順序保存マッチング [3] によるロバストなデータ列間比較を導入する．特異点フィルタはデータの次元等によって様々な種類が考えられるが，単純なスカラ量時系 Estimating user’s interests from access logs with global features † Tetsu R. Satoh，NHN Techous Corp.. 列データの場合，シンプルに一定範囲の最大値又は最小値を取るフィルタが考えられる：. ck = max xi kp ≤i≤kq. ここで，xi は時系列上の i 番目のベクトルデータであるが，本発表では簡単のためスカラ量を扱う．i の範囲を表す式 kp ≤ i ≤ kq は，データ系列の一定範囲内のスライドウィンドウの中の値を取ることを意味する．データ値の変化点を検出することが目的であるので最大値を得ていることには処理上の特別な意味は無く，入力データの特性に依存するものである．式では max を用いているが min も用いられ，データ列のグラフに対しそれぞれ下に凸，上に凸の傾向がある部分を抽出する機能がある．特異点フィルタでデータを処理するとデータの特徴は保存されるものの，特徴を強調したデータ列に変換されるために変換後の複数のデータ列を比較する場合は厳密な一致の判定では無く類似度の測定が必要となる．本研究では順序保存マッチングを採用し，コサイン類似度を次のように定義する：. cos(x, y) = σ(x) · σ(y)/(|σ(x)||σ(y)|) ここで，. x = (x0 , x1 , · · · , xn−1 )， y = (y0 , y1 , · · · , yn−1 )， σ(x) := (rank(x0 ), rank(x1 ), · · · , rank(xn−1 ))， rank(xi ) := x0 , x1 , · · · , xn−1 のソート後の xi の位置である．また，· はベクトルの内積を，|σ| はベクトルの 2-ノルムを表している．以上に述べた技術を用い，粒子フィルタにより局所的な特徴量を考慮したトレンドを推定した上で特異点フィルタを用いて大域的な特徴量を抽出し，順序保存マッチングを応用した類似度を計算することで，属性が近いデータ列のグループを作成する．. 3.. 時系列アクセスデータによるユーザ属性推定実験. 既に述べた手法を EC サイトへのアクセスログに適用した例を紹介する．図 1 は，あるユーザの 2 年間のアクセスデータに対し粒子フィルタを適用した例で，縦軸は適当な単位にスケール変換した 1ヶ月. 1-421. Copyright 2017 Information Processing Society of Japan. All Rights Reserved..

(2) 情報処理学会第 79 回全国大会. 推定値. 140. max filter 50. システムモデル. 120. 観測モデル. 100. min filter. 40. 直接観測値 30. 80 60. 20. 40 10. 20 5. 10. 15. 20. 2. 図 1: 粒子フィルタ適用例. max xk+i. k≤i≤k+3. この場合は，min 関数を用いたフィルタが長期的な増加傾向を良く表している．min 関数を用いた特異点フィルタ適用結果に対し，順序保存マッチングの計算に用いる関数 σ を計算した結果が図 3 である．図 3 では 3 ユーザの計算結果を表しており，図 1 及び図 2 で示したデータは図 3 ではユーザ C のものである．関数 σ を用いて 3 ユーザの中の順序保存マッチングによるコサイン類似度を計算した例が表 1 である．この結果から，ユーザ A が他のユーザとの類似度が低いことが分かる．元のアクセスログを確認すると，ユーザ A はアクセス数が減少傾向にありユーザ B 及び C は増加傾向にあることが確認できる．その理由を調査するためにユーザの属性を確認すると，ユーザ B 及び C は職業が共通して近年いわゆる景気の良い業界に属しており，ユーザの属性がアクセス数の傾向に影響していると考えられる．分析対象であるログデータは EC サイトのアクセスログであるので，購入数や購入金額も参照することができ，アクセス回数以外のデータを参照しても考察結果の妥当性が確認できている．. 4.. 8. ユーザA. 8. ユーザB ユーザC. 6. 4. = xk + ω k. 図 1 の推定値が粒子フィルタによる隠れ変数の推定結果であり，長期的に見るとアクセス数が増加傾向にあることが見て取れる．また，図 2 に推定値に対し max 及び min 関数を用いた特異点フィルタの適用例を示す．スライドウィンドウは 4 であり，4ヶ月毎のデータに対し関数を適用しフィルタ結果を計算している：. ck =. 6. 図 2: 特異点フィルタ適用例. のアクセス回数，横軸は 2014 年 1 月からの経過月数である．システムモデル，観測モデル共に線形で正規分布に基づくノイズを使用している： { xk = xk−1 + v k. yk. 4. 2. 2. 4. 6. 8. 図 3: 3 ユーザの σ(x) 計算例子フィルタ，特異点フィルタ，順序保存マッチングなどの技術を用いてロバストに大域的な特徴を抽出し，データ分類結果に基づきユーザの属性を推定する手法について述べた．原稿執筆時の実験例は小規模なデータセットであるが，Hadoop/Spark クラスタでの実装を進めており，より大きなデータ量での検証実験が今後の課題である．. 参考文献 [1] 北川源四朗, モンテカルロ・フィルタおよび平滑化について, 統計数理, Vol. 44, No. 1, pp. 31-48, 1996. [2] Y. Shinagawa and T. Kunii, Unconstrained Automatic Image Matching Using Multiresolutional Critical-Point Filters, Trans. Pattern. Anal. Mach. Intell., Vol. 20, No. 9, pp. 994– 1010, 1998. [3] J. Kim, P. Eades, R. Fleischer, S.-H. Hong, C. S. Iliopoulos, K. Park, S. J. Puglisi and T. Tokuyama, Order-preserving Matching, Theor. Comp. Sci., Vol. 525, pp. 68–79, 2014.. おわりに. 本発表では，ノイズや激しい変動が含まれるインターネットサービスのアクセスログデータに対し，粒. 1-422. 表 1: コサイン類似度の計算例ユーザ A ユーザ B ユーザ C ユーザ A. 1.00. 0.88. 0.78. ユーザ B. 0.88. 1.00. 0.90. ユーザ C. 0.78. 0.90. 1.00. Copyright 2017 Information Processing Society of Japan. All Rights Reserved..

(3)