山下 遥

Webマーケティングが盛んである現在，クーポン配布は売上増につながる主要なマーケティング施策である．しかし，クーポンを闇雲に配布すると企業の利益率を下げるリスクがあり，クーポン施策を適切に実施するために，施策効果を推定し，施策と得られた結果の因果関係を分析することが重要である．その際，元々購買意欲の低いユーザは，クーポンを配布することで購買確率や粗利が向上する可能性が高い一方で，元々購買意欲の高いユーザにクーポンを配布すると購買確率や粗利を下げる可能性があるなど，ユーザの潜在的な購買意欲が施策効果の違いを生んでいると考えられる．従って，購買意欲と施策効果の関係を分析することで，購買意欲に基づいた施策効果の高いターゲティングを行うことが可能になる．そこで本研究では，ユーザの潜在的な購買意欲により生じる，クーポンの施策効果の差異を分析するための機械学習に基づく実験計画法を提案する．具体的には，機械学習手法を用いて，各ユーザの購買履歴データからユーザの潜在的な購買意欲を予測し，予測値と施策効果の関係を分析可能な手法を提案する．最後に，実際の施策データに提案手法を適用することで有用性を示す．

従来の推薦システムの分野では, ユーザが直接アイテムへの満足度を付与した評価値データを用いた評価値予測のモデルが多かった. 近年では, 購入履歴などの行動履歴データ(暗黙的評価)を活用した推薦モデルが広く活用されている. 暗黙的評価を用いたモデルの1つにNeural Collaborative Ranking(以下, NCR)が提案されている. NCRは暗黙的評価が観測されていないアイテムの中で, 次に暗黙的評価が観測される確率の高いアイテムを推定し順位付けを行う手法である. 一方, 現実問題では, ECサイトにおける購買と閲覧のようにレベルの異なる複数の暗黙的評価が観測される場合が存在する. しかし, 従来のNCRのモデルでは複数の暗黙的評価を区別して学習することはできず, 観測されるデータを十分に活用することができない. そこで本研究では, 複数の暗黙的評価を活用したフレームワークであるDingらの方法を援用し, NCRにレベルの異なる複数の暗黙的評価を考慮したモデルを提案する. また, 実データを用いて, 精度評価を行うことにより, 提案手法の有効性を示す.

株価の変動要因を分析した研究はこれまでいくつか提案されており，テキストデータをモデル構築の際に活用することが有効であるとわかっている．しかし，この方法でテキストデータを活用するにはBag-of-wordsなどによる文章を定量化が必要であり，このとき具体的な情報は抽象化される．そのため，ある時点での株価変動が具体的にどのような要因によって生じたのかについて調べようとする場合には不適切である．この場合にはまずテキストデータ以外を活用してモデルを構築し，そのモデルから着目すべきテキスト情報を明らかにして考察することが望ましい．そこで本研究では，まず経済動向指標等の数値データを用いてモデルを作成する．ここでモデルに関して，本研究で用いる数値データには期間によって異なる影響を与えるデータが含まれるため，時変係数モデルに基づいて行う．そして作成したモデルの残差に着目することで，ある時点での株価変動とその周辺時点でのテキストデータで表される具体的な要因との関係性について解明する．そこから，提案モデルの評価を行って本モデルの妥当性を吟味する．最後に，提案モデルの実世界での活用例を示す．

近年，SNSサービス上には多くのファッションコーディネートに関する画像と文章が投稿されており，ユーザはこれらを参考に着こなしを選択することが一般的となっている． SNSには多数のユーザ情報や画像情報，言語情報などが蓄積されており，これらを適切に活用できればビジネスにおける強みになることが期待される．そこで，本研究では，画像の類似性と言語の類似性の双方に基づくファッションコーディネート投稿の推薦手法を提案する．具体的には，まず，画像同士の類似度を測る方法としてImage2StyleGANを用い，言語情報の類似度を測る方法としてDoc2Vecを用いる．次に，上記の手法で2種類の類似度ランキングを求め，その重み付け和を調整可能なパラメータを用いて算出する．これにより，画像の類似性と言語の類似性のどちらの情報を重視するかを，ユーザーごとにカスタマイズすることができる．最後に，実際のファッションコーディネートサービスのデータを用いて，提案手法の活用方法を示す．

囲碁や将棋，オセロなどの完全情報ゲームにおいて，AIが人間の世界王者を破る事例は数多く起きている．しかしこれらのAIは純粋な強さを求めているため，楽しむというゲームの本質に経験値の低いプレイヤーが到達することは難しい． そこで，本研究では対戦するプレイヤーの能力に合わせ試合が拮抗するような，すなわち引き分けになりやすいようなAIを提案する．その際に様々なゲームAIに取り入れられてきたモンテカルロ木探索（MCTS)を用いたアルゴリズムを提案する．これまでのオセロAIでは，難易度の設定はアルゴリズムの目的関数に対して勝率が高くなるハイパーパラメータの調整に基づいて行われていた点に着目し，本研究ではアルゴリズムにおける２種類の評価関数を設定し，それぞれを組み合わせたアルゴリズムを提案する．これにより試合が引き分けになりやすいAIが構築され，幅広いレベルのプレイヤーが楽しめるAIの実現が期待される． さらに本研究では提案モデルといくつかの一定のレベルのAIを複数回対戦させるシミュレーション実験を行い，提案モデルと複数のレベルそれぞれとの対戦成績を比較することで提案モデルの妥当性を評価する．

近年,AI技術の進展により,ギャンブルにAI技術が活用されている.特に,競馬は各馬の過去試合での成績に加えて,各馬の血統などの情報を用いてレース予測を行うことができる点から,AI技術を用いて勝率予測される研究が多く存在する.しかし,これまでの研究では,AI技術を用いて各馬の勝率を予測する研究は行われてきた一方で,betする馬を勝率だけを基に決定しており利益までは考えられていないという問題点が存在した.その為,モデルの予測結果を基にbetをした場合,オッズが低い馬にbetがされやすく,少ない投資回数で大きな利益を得ることが難しい. そこで本研究では,馬が勝利する確率を適切に予測するモデルと,馬のオッズの情報から利益をなるべく大きくするようにbetするための方法を提案する.具体的には,競馬データは時系列データの中に属性データが混合しているデータであることから,これらに対して適切に分析ができる部分再帰型ニューラルネットワークを用いて馬の勝率を予測する.さらに勝率予測だけでなく,オッズの期待値を基にbetを行うことで損失を小さくしながら最適なbet戦略を探索するための方法を提案する.

Q&Aサービスにおいて質疑応答を行う際, 質問文章が長文の場合や,拙文である場合など,読解に労力を要する場合がある.この時, 質問文章に対する適切な画像推薦が可能ならば, 画像の情報を基とした読解の補助を行うことができる. 本研究はSentence-BERT(以下SBERT)を用いたQ&Aサービスにおける,質問文に対する適切な画像推薦を行う機械学習モデルを提案する.具体的には,質問文と画像キャプションをSBERTによりベクトル化し,それらに対するコサイン類似度を測定し,最大値を所得した画像キャプションの画像を推薦することで達成する.また実用的な観点から考えた場合,SBERTが誤作動を起こした際の不適切な推薦結果を,最小化する必要がある.よって推薦画像が最低でもカテゴリ的観点からは正しく推薦されるようにするため, 補助としてBERTの転移学習に基づいたカテゴリ分類モデルを適用する.これは推薦画像を,それぞれのQ&Aサービスに存在するカテゴリごとに分類し,SBERTとコサイン類似度測定をカテゴリ内で行うことで実現する.

近年インターネット広告費が増大しており，今後も市場の拡大が予想される．その中でも，消費者の属性によるターゲティングが可能であり，広告配信媒体を決定できる運用型広告が市場の大半を占めている．したがって，消費者ごとの最適な広告配信先を明らかにし，運用型広告での広告効果を高めることができれば企業にとって大きなアドバンデージになると考えらえる．しかしながら，これまでインターネット広告に関する研究は多数行われてきたが，消費者の属性による広告配信先の最適化に関する研究は行われていない．そこで本研究では，消費者の属性の違いを考慮した柔軟なモデル構築を可能とする階層ベイズモデルを用いて，最適なインターネット広告配信媒体推定モデルの構築を行う．消費者属性ごとに広告効果の最大となる配信媒体が異なるという仮定のもと，階層ベイズの枠組みを導入した分析モデルを提案する．まず，階層ベイズモデルを用いて消費者属性と任意の商品における購入意向の変化，各Web媒体の利用頻度の関係性を分析する．更に，得られたパラメータ値を用いて，ターゲットとする消費者の属性における各媒体の効果を算出し，最適な広告配信先を決定する．

SNSの普及により膨大なデータが蓄積され，マーケティング施策を立案するためにユーザの様々な分析が行われている.本研究では年齢や用途の違いなどSNSを用いるユーザの多様性．に着目し，当てはまりがよくかつ解釈性の高い手法の提案を目的とする．これまで，クラスタリングと重回帰分析を同時に行うことで属性に合わせた分析を可能とするクラスタワイズ回帰分析に関する研究が数多く展開されてきた．本研究では，まずこのアルゴリズムにおける初期値依存性を指摘し，解消しうるモデルを提案する．さらに，提案したアルゴリズムの回帰部分を機械学習に置き換え，解釈をする方法を導入することで，当てはまりおよび解釈性に優れた手法を提案する．

近年、さまざまな分野に画像生成の技術が応用されていて、ファッション業界への応用に関する研究も展開されている。先行研究では、指定した洋服やポーズをもとにファッション画像を生成したり、画像に写っている人物の洋服を変化させることに焦点が当てられている。しかし、実際のビジネスのサービスにおいて、ユーザー一人一人に合わせた画像生成を実現する場合に、洋服やポーズだけを考慮するのでは対象のユーザーの属性に合わない画像を生成してしまう恐れがある。そこで本研究では、画像の人物の属性情報を利用することを考える。さらに、いいね数という画像の評価データを利用し、ConditionalStyleGAN2-adaに当てはめることで、ユーザー一人一人に合わせた高評価画像の生成ができることを示す。

アフターコロナの現在，スキンケア需要が高まっており，スキンケアブランドが新規顧客を獲得する好機となっている．また，顧客にブランドの良さを理解してもらい，ロイヤルティを高められれば，将来的にブランドを支える優良顧客へと成長させることができる．現在，データとして取得できる情報は既存の顧客のみと限定されている．本研究では既存顧客のアンケートに基づきロイヤルユーザの特徴を明らかにし，ロイヤルユーザになる見込みが高い新規顧客の獲得方法を検討する．その際，多様な価値観や属性情報を考慮しうる確率的潜在クラスモデルの考え方を導入した決定木モデルを提案し，実際のデータを用いてマーケティング施策について考察する．

宮古島のマンゴーを用いて官能実験を行う場合、大量のマンゴーを用意することが難しい。またcovid-19の影響により多くの人々を集めて行う大規模実験は難しいため、効率の良い実験方法としていくつかの手法は提案されている。本研究ではこれに対して官能実験において評価項目が多く被験者の負担も大きいという問題に着目して、実験の1人当たりの負荷を減らすために実験結果の分散を活用した実験の削減方法を考える。具体的には、いくつかの制約の基で最適な実験の削減を数理最適化のアプローチから探索し、さらに様々な方法で欠損値を補完することを検討し、負担の軽減を実現する最適な方法を提案する。

宮古島産マンゴーは経日による品質劣化が大きな問題となっている。これまで温泉水による処理が有効なアプローチとして注目されており、成分実験による有効性が示されているものの、官能実験に基づく有効性は十分には示されていない。また、コロナウィルスの影響で多くの被験者を集めた実験は困難であるため、大規模な実験が困難である。そこで本研究では、どのような人が宮古島産マンゴーにどのような評価をするか明らかにし、ターゲティングを考察することを目的とする。具体的には、直行配列表を用いた実験計画法により被験者を削減し、疑似官能データを生成すると同時に転移学習型NMFに基づき実際の観測値を活用した疑似官能データを分析する。

近年、野球の試合をより有利に進めるために、様々なアプローチが提案されている。打者にとって難しい意思決定として、初球を積極的に振っていくのか、慎重に見極めるべきなのかが挙げられる。本研究では、打者にとっての初球へのアプローチを得点の観点から最大化するために、時系列データを含む複雑な入出力データの関係を精度よく推定しうる分析モデルを構築、モデルを基に最適な選択を決定する方法を提案する。具体的には、ピッチャーの配球を時系列データとしてとらえ、かつその状況を考慮した精度の良い予測をする部分再帰型ニューラルネットワークを推定し、その結果を用いて初球を積極的に打つべきなのかについて最適化する。

クリックや閲覧などの行動履歴，すなわち暗黙的評価のデータを対象とした推薦モデルとしてCollaborative Metric Learning(以下，CML)が知られている．CMLでは，ユーザとアイテムの関係性に加えて，ユーザ同士，アイテム同士の類似性などを埋め込み空間で表現し，この空間上でユーザとの距離が近いアイテムを嗜好に合致しているものとして推薦する．しかし，CMLは多くのユーザに人気のあるアイテム(メジャーアイテム)に偏重した学習が行われてしまい，その他のマイナーアイテムの埋め込み表現の精度が軽視される傾向がある．一方，ユーザが認知していなかったような意外性のある推薦を行うためには，ユーザの嗜好に合致したマイナーアイテムの埋め込み表現を精度良く学習することが必要となる．そこで本研究では，暗黙的評価の観測数に応じた重み付けをすることで，ユーザの嗜好を捉えた埋め込み表現を学習し，マイナーアイテムも含むような意外性のある推薦を可能とする手法を提案する．最後に，実際の映画評価データに提案手法を適用し，ユーザの嗜好を考慮した意外性のある推薦における提案手法の有用性を示す．