購買履歴やゲームのアクション履歴など, 人間の意思決定の連続を表すデータからその系列パターンを抽出することは, 様々な改善施策に結びつくことからニーズは大きい. 機械学習分野における代表的な識別モデルである決定木は, 学習されたモデルの分岐特徴から判断根拠を見出すことができる解釈性の高いモデルである. 一方で, 決定木の学習には時系列的な順序関係は保持されず, 系列パターンの抽出は困難である. また, RNNのような再帰的な入力を繰り返すモデルでは, 時系列データの順序関係を保持したまま学習ができる一方で, 学習されたモデルの解釈性は低い. そこで本研究では, 決定木の学習を行う際の分岐特徴の探索範囲に系列的な制約を加えることで, データの系列順序を保持したまま学習が可能なモデルを提案する. 提案手法では, 分岐が進む際に用いられる特徴に系列的な順番が保持されるため, 学習済みの決定木から解釈可能な系列パターンや, 系列における重要な意思決定の分岐の抽出が可能である. 最後に実データを用いた実験を行い, 抽出されたパターンからその有効性を示す.
