JP2015230717A - Extraction device, extraction method, and extraction program - Google Patents

Abstract

PROBLEM TO BE SOLVED: To improve the advertising effect.SOLUTION: The extraction device of the present application includes an acquisition unit and an extraction unit. The acquisition unit acquires a user's action history. The extraction unit extracts a user who is expected to perform a predetermined action, using an action history prior to a predetermined action, of the action history acquired by the acquisition unit. For example, the extraction device creates a model of determining whether an action is similar to the action history prior to the predetermined action included in the action history acquired by the acquisition unit. The extraction unit extracts the target user using the created model.

Description

本発明は、抽出装置、抽出方法及び抽出プログラムに関する。   The present invention relates to an extraction apparatus, an extraction method, and an extraction program.

近年、インターネットの飛躍的な普及に伴い、インターネットを介した広告配信が盛んに行われている。このような広告配信においては、宣伝効果を高めるために、ユーザの嗜好、性別、年齢、住所、職業などのユーザ情報を予め登録しておき、ユーザ情報に対応する広告を選択的に配信するターゲティング配信が行われている。   In recent years, with the rapid spread of the Internet, advertisement distribution via the Internet has been actively performed. In such advertisement distribution, in order to enhance the advertising effect, user information such as user preference, gender, age, address, occupation, etc. is registered in advance, and the advertisement corresponding to the user information is selectively distributed Delivery is taking place.

また、上記のようなユーザ情報の活用としては、ユーザの購買履歴を入力として、ユーザが次に購入する商品を予測することで、特に、オンラインストア等において商品をリコメンド対象として提示する技術が知られている。   In addition, the utilization of user information as described above is based on the technology that presents a product as a recommendation target in an online store or the like by predicting a product to be purchased next by the user based on the purchase history of the user. It has been.

特開２００８−２８７５５０号公報JP 2008-287550 A

しかしながら、上記の従来技術では、広告効果を高めることができるとは限らない。具体的には、上記の従来技術は、商品またはサービスを示す販売対象を購買したことのある複数のユーザの購買順序に基づいて、それぞれのユーザに対して、販売対象に属する個別対象のいずれかをリコメンド対象として提示するに過ぎない。すなわち、販売対象を購買したことのないユーザに対しては、何ら販売対象を提示することができず、ユーザ情報を用いた広告配信の効果を向上させることにつながるとは言い難い。   However, the above-described conventional technology does not always improve the advertising effect. Specifically, the above-described prior art is based on the purchase order of a plurality of users who have purchased a sales target indicating a product or service, and each of the individual targets belonging to the sales target is selected for each user. Is only presented as a recommendation target. In other words, for users who have not purchased a sales target, no sales target can be presented, and it is difficult to say that the effect of advertisement distribution using user information is improved.

本願は、上記に鑑みてなされたものであって、広告効果を高めることができる抽出装置、抽出方法及び抽出プログラムを提供することを目的とする。   The present application has been made in view of the above, and an object thereof is to provide an extraction device, an extraction method, and an extraction program that can enhance the advertising effect.

本願に係る抽出装置は、ユーザの行動履歴を取得する取得部と、前記取得部によって取得された行動履歴のうち所定の行動よりも前の行動履歴を用いて、当該所定の行動をすることが予測される対象のユーザを抽出する抽出部と、を備えたことを特徴とする。   The extraction device according to the present application may perform the predetermined action using an acquisition unit that acquires a user's action history and an action history that precedes the predetermined action among the action histories acquired by the acquisition unit. And an extraction unit that extracts a target user to be predicted.

本願に係る抽出装置、抽出方法及び抽出プログラムは、広告効果を高めることができるという効果を奏する。   The extraction device, the extraction method, and the extraction program according to the present application have an effect that the advertising effect can be enhanced.

図１は、実施形態に係る抽出処理の一例を示す図である。FIG. 1 is a diagram illustrating an example of an extraction process according to the embodiment. 図２は、実施形態に係る抽出処理システムの構成例を示す図である。FIG. 2 is a diagram illustrating a configuration example of the extraction processing system according to the embodiment. 図３は、実施形態に係る広告装置の構成例を示す図である。FIG. 3 is a diagram illustrating a configuration example of the advertising device according to the embodiment. 図４は、実施形態に係る広告コンテンツ記憶部の一例を示す図である。FIG. 4 is a diagram illustrating an example of the advertising content storage unit according to the embodiment. 図５は、実施形態に係るユーザ情報記憶部の一例を示す図である。FIG. 5 is a diagram illustrating an example of a user information storage unit according to the embodiment. 図６は、実施形態に係るモデル生成処理の一例を示す図である。FIG. 6 is a diagram illustrating an example of model generation processing according to the embodiment. 図７は、実施形態に係る広告装置によるモデル生成処理手順を示すフローチャートである。FIG. 7 is a flowchart illustrating a model generation processing procedure by the advertising device according to the embodiment. 図８は、実施形態に係る広告装置による抽出処理手順を示すフローチャートである。FIG. 8 is a flowchart illustrating an extraction processing procedure by the advertising device according to the embodiment. 図９は、広告装置の機能を実現するコンピュータの一例を示すハードウェア構成図である。FIG. 9 is a hardware configuration diagram illustrating an example of a computer that realizes the function of the advertising device.

以下に、本願に係る抽出装置、抽出方法及び抽出プログラムを実施するための形態（以下、「実施形態」と呼ぶ）について図面を参照しつつ詳細に説明する。なお、この実施形態により本願に係る抽出装置、抽出方法及び抽出プログラムが限定されるものではない。また、各実施形態は、処理内容を矛盾させない範囲で適宜組み合わせることが可能である。また、以下の各実施形態において同一の部位には同一の符号を付し、重複する説明は省略される。   Hereinafter, a mode for carrying out an extraction apparatus, an extraction method, and an extraction program according to the present application (hereinafter referred to as “embodiment”) will be described in detail with reference to the drawings. Note that the extraction apparatus, the extraction method, and the extraction program according to the present application are not limited to the embodiment. In addition, the embodiments can be appropriately combined within a range that does not contradict processing contents. In the following embodiments, the same portions are denoted by the same reference numerals, and redundant description is omitted.

〔１．抽出処理の概要〕
まず、図１を用いて、実施形態に係る抽出処理の一例について説明する。図１は、実施形態に係る抽出処理の一例を示す図である。図１では、本願に係る抽出装置に対応する広告装置１００によって、広告配信先の対象となるユーザの抽出処理が行われる例を示す。 [1. (Outline of extraction process)
First, an example of the extraction process according to the embodiment will be described with reference to FIG. FIG. 1 is a diagram illustrating an example of an extraction process according to the embodiment. FIG. 1 shows an example in which extraction processing of a user who is a target of an advertisement distribution destination is performed by an advertising device 100 corresponding to the extraction device according to the present application.

ここで、広告装置１００は、ユーザ情報を利用することで、広告効果が高いと想定されるユーザを抽出し、抽出されたユーザに対して広告コンテンツの配信を行う情報処理装置である。広告配信を依頼する広告主（例えば、商品等を扱う企業）は、広告装置１００を利用することにより、広告配信を契機としてユーザから何らかの成果を得ることのできる可能性が高い広告配信、すなわち、広告効果の高い広告配信を実現できる。なお、ユーザ情報とは、一般ユーザによって操作される情報処理端末であるユーザ端末１０（図１での図示は省略する）がウェブサイトにアクセス（ウェブページにおいてバナー広告をクリックしたことを示す情報の送信や、ショッピングページにおいて商品を購買するための要求の送信などを含む）した際のログ（Ｌｏｇ）のデータ（すなわち、ユーザの行動履歴）や、ウェブサイトへのアクセス履歴や購入履歴等から導かれるユーザ自体の属性情報（例えば、ユーザの年齢、性別、嗜好など）等を含む。   Here, the advertising device 100 is an information processing device that uses user information to extract users who are assumed to have a high advertising effect and distributes advertising content to the extracted users. Advertisers who request advertisement distribution (for example, companies that handle products and the like) use the advertising device 100 to perform advertisement distribution that is highly likely to be able to obtain some result from the user in response to advertisement distribution, that is, Ad delivery with high advertising effectiveness can be realized. The user information is information indicating that a user terminal 10 (not shown in FIG. 1) that is an information processing terminal operated by a general user accesses a website (clicks a banner advertisement on a web page). Derived from log data (that is, user behavior history), website access history, purchase history, etc. when sending or sending a request to purchase a product on a shopping page The attribute information of the user himself / herself (for example, the user's age, sex, preference, etc.) is included.

図１の例において、実施形態に係る広告装置１００は、所定の製品Ａを購入する可能性の高いユーザを抽出し、抽出されたユーザに対して広告コンテンツを配信することで、広告コンテンツのコンバージョン（Conversion）を向上させる。コンバージョンとは、広告コンテンツの配信によって、広告主が獲得できる最終成果を示し、広告主への利益に繋がるユーザの行動を意味する。コンバージョンの例としては、ウェブページ上で商品を購入する行動や、会員登録を行う行動や、資料請求を行う行動や、商品等に関する問い合わせを行う行動等が挙げられる。以下では、広告装置１００による実施形態に係る抽出処理の一例として、製品Ａを購入する可能性の高いユーザを広告装置１００が抽出する処理を説明する。   In the example of FIG. 1, the advertising device 100 according to the embodiment extracts users who are highly likely to purchase a predetermined product A, and distributes the advertising content to the extracted users, thereby converting the advertising content. Improve (Conversion). Conversion refers to a user's behavior that shows the final result that an advertiser can acquire by distributing advertisement content and leads to profits for the advertiser. Examples of conversion include an action of purchasing a product on a web page, an action of registering a member, an action of requesting a material, an action of inquiring about a product and the like. Hereinafter, as an example of the extraction process according to the embodiment by the advertising device 100, a process in which the advertising device 100 extracts a user who is highly likely to purchase the product A will be described.

まず、広告装置１００は、過去に製品Ａを購入したユーザＵ１１及びＵ１２のユーザ情報を取得し、ユーザＵ１１及びＵ１２の行動履歴を分析する。図１では、広告装置１００が取得した各ユーザのオンライン上における行動履歴を、所定の記号を用いて時間軸ｔ上に示している。なお、以下では、ユーザのオンライン上の行動を「イベント」と表記する場合がある。また、実施形態に係る抽出処理における「製品Ａの購入」など、抽出処理の目的となるイベントを「指定イベント」と表記する場合がある。   First, the advertising device 100 acquires user information of the users U11 and U12 who have purchased the product A in the past, and analyzes the action history of the users U11 and U12. In FIG. 1, the online action history of each user acquired by the advertising device 100 is shown on the time axis t using predetermined symbols. Hereinafter, a user's online action may be referred to as an “event”. In addition, an event that is the object of the extraction process, such as “purchase of product A” in the extraction process according to the embodiment, may be referred to as a “designated event”.

図１に示すように、ユーザＵ１１には、製品Ａを過去に購入した履歴がある。また、ユーザＵ１１には、製品Ａの購入に至るまでに、検索サイト等を利用して製品Ａを検索した履歴と、製品Ａを検索した後に製品Ａの販売ページを閲覧した履歴とがある。   As shown in FIG. 1, the user U11 has a history of purchasing the product A in the past. In addition, the user U11 has a history of searching for the product A using a search site or the like before purchasing the product A, and a history of browsing the sales page of the product A after searching for the product A.

ここで、広告装置１００は、ユーザＵ１１が製品Ａの購入に至った時点から過去に向かう所定の時間幅ＤＵ１を設定する。例えば、広告装置１００は、時間幅ＤＵ１を２４時間と設定する。すなわち、ユーザＵ１１の行動履歴における時間幅ＤＵ１は、ユーザＵ１１が製品Ａを購入する２４時間前から、製品Ａの購入に至った時点までの２４時間を示す。図１に示すように、時間幅ＤＵ１には、ユーザＵ１１の行動履歴として、製品Ａの検索及び製品Ａの販売ページの閲覧が含まれる。これにより、広告装置１００は、ユーザＵ１１が製品Ａの購入に至るまでの時間幅ＤＵ１にどのような行動をしていたかという、ユーザＵ１１のイベント情報を取得する。   Here, the advertising device 100 sets a predetermined time duration DU1 that goes from the time when the user U11 reaches the purchase of the product A to the past. For example, the advertising device 100 sets the time width DU1 to 24 hours. That is, the time width DU1 in the action history of the user U11 indicates 24 hours from when the user U11 purchased the product A to when the product A was purchased. As shown in FIG. 1, the time width DU1 includes a search for the product A and a browsing of the sales page of the product A as the action history of the user U11. Thereby, the advertising device 100 acquires the event information of the user U11 indicating what kind of behavior the user U11 was performing in the time span DU1 until the purchase of the product A.

続いて、広告装置１００は、ユーザＵ１１とは異なるユーザであって、製品Ａを過去に購入したユーザＵ１２の行動履歴を参照する。ここで、広告装置１００は、ユーザＵ１２が製品Ａの購入に至った時点から過去に向かう時間幅ＤＵ１に含まれるユーザＵ１２の行動履歴を参照する。図１の例では、ユーザＵ１２の行動履歴における時間幅ＤＵ１には、ユーザＵ１２の行動履歴として、ユーザＵ１１の行動履歴と同様、製品Ａの検索及び製品Ａの販売ページの閲覧が含まれる。このように、広告装置１００は、ユーザＵ１２についても、製品Ａの購入に至るまでの時間幅ＤＵ１のイベント情報を取得する。   Subsequently, the advertising device 100 refers to the behavior history of the user U12 who is a user different from the user U11 and has purchased the product A in the past. Here, the advertising device 100 refers to the action history of the user U12 included in the time span DU1 going from the time when the user U12 has purchased the product A to the past. In the example of FIG. 1, the time width DU <b> 1 in the action history of the user U <b> 12 includes the search for the product A and the browsing of the sales page of the product A as the action history of the user U <b> 11. In this way, the advertising device 100 also acquires event information of the time width DU1 until the purchase of the product A for the user U12.

なお、広告装置１００は、ユーザＵ１１及びユーザＵ１２のみならず、製品Ａを購入したその他のユーザ（図１での図示は省略する）についても同様に、製品Ａの購入に至るまでの時間幅ＤＵ１のイベント情報を取得する。なお、広告装置１００は、製品Ａを購入したユーザとの比較のため、製品Ａを過去に購入していないユーザのイベント情報についても取得してもよい。   Note that the advertising device 100 similarly applies not only to the user U11 and the user U12 but also to other users who have purchased the product A (not shown in FIG. 1), the time span DU1 until the product A is purchased. Get event information for. Note that the advertising device 100 may also acquire event information of a user who has not purchased the product A in the past for comparison with a user who has purchased the product A.

そして、広告装置１００は、集計した情報に基づき、製品Ａの購入に至るまでの時間幅ＤＵ１の行動について、製品Ａを購入したユーザのイベントに関するモデルを生成する。図１の例では、広告装置１００は、所定のユーザの行動履歴をモデルと照らし合わせた場合に、「製品Ａを検索した履歴」と、「製品Ａを検索した後に製品Ａの販売ページを閲覧した履歴」という行動履歴があるユーザは、２４時間以内に製品Ａを購入する可能性が高い、と評価されるモデルを生成する。なお、モデルの生成処理については後述する。   Then, the advertising device 100 generates a model related to the event of the user who purchased the product A for the behavior of the time width DU1 until the purchase of the product A, based on the collected information. In the example of FIG. 1, the advertising device 100 browses the sales page of the product A after searching the “product A” after searching the product A when the behavior history of the predetermined user is compared with the model. A user who has an action history of “historic history” generates a model that is highly likely to purchase the product A within 24 hours. The model generation process will be described later.

図１の例において、広告装置１００は、製品Ａを購入したユーザのモデルを利用して、製品Ａを購入すると予測されるユーザを抽出する（ステップＳ１１）。図１に示すユーザＵ２１、ユーザＵ２２及びユーザＵ２３は、任意の判定基準時Ｔ（ここでは、現時点とする）において、製品Ａの購入履歴がないユーザである。   In the example of FIG. 1, the advertising device 100 extracts a user who is predicted to purchase the product A using the model of the user who purchased the product A (step S11). The user U21, the user U22, and the user U23 illustrated in FIG. 1 are users who have no purchase history of the product A at an arbitrary determination reference time T (here, the current time).

まず、広告装置１００は、判定基準時Ｔから過去に向かう時間幅ＤＵ１におけるユーザＵ２１の行動履歴を分析する。具体的には、広告装置１００は、ユーザＵ２１の行動履歴について、製品Ａを購入したユーザのモデルに照らし合わせる。そして、広告装置１００は、照らし合わせた結果に基づいて、モデルと関連する度合いであるスコアを求める。すなわち、ユーザＵ２１の行動履歴と、製品Ａを購入したユーザの時間幅ＤＵ１における行動履歴との関連する度合いが高く、両者が類似すると判定される場合、ユーザＵ２１には、相対的に高いスコアが付与される。   First, the advertising device 100 analyzes the action history of the user U21 in the time width DU1 going from the determination reference time T to the past. Specifically, the advertising device 100 compares the behavior history of the user U21 with the model of the user who purchased the product A. Then, the advertising device 100 obtains a score that is a degree related to the model based on the comparison result. That is, when it is determined that the action history of the user U21 and the action history in the time span DU1 of the user who purchased the product A are high and the two are determined to be similar, the user U21 has a relatively high score. Is granted.

図１に示すように、ユーザＵ２１には、時間幅ＤＵ１において、「製品Ａを検索した履歴」と、「製品Ａを検索した後に製品Ａの販売ページを閲覧した履歴」とがある。この場合、広告装置１００は、ユーザＵ２１の行動履歴と製品Ａを購入したユーザのモデルとを照らし合わせた結果、ユーザＵ２１の行動履歴とモデルとが類似すると判定する。したがって、広告装置１００は、ユーザＵ２１に高いスコアを付与する。   As shown in FIG. 1, the user U21 has a “history of searching for the product A” and a “history of browsing the sales page of the product A after searching for the product A” in the time width DU1. In this case, the advertising device 100 determines that the behavior history of the user U21 is similar to the model as a result of comparing the behavior history of the user U21 with the model of the user who purchased the product A. Therefore, the advertising device 100 gives a high score to the user U21.

同様に、広告装置１００は、判定基準時Ｔから過去に向かう時間幅ＤＵ１におけるユーザＵ２２の行動履歴を分析する。図１に示すように、ユーザＵ２２には、時間幅ＤＵ１において、「製品Ａの販売ページを閲覧した履歴」はあるものの、「製品Ａを検索した履歴」や、「製品Ａを検索した後に製品Ａの販売ページを閲覧した履歴」はない。この場合、広告装置１００は、ユーザＵ２２の行動履歴と製品Ａを購入したユーザのモデルとを照らし合わせた結果、ユーザＵ２２の行動履歴とモデルとの類似性が低いと判定する。したがって、広告装置１００は、ユーザＵ２２に比較的低いスコアを付ける。   Similarly, the advertising device 100 analyzes the action history of the user U22 in the time width DU1 going from the determination reference time T to the past. As shown in FIG. 1, the user U22 has “history of browsing the sales page of product A” in the time span DU1, but “history of searching for product A” and “product A after searching for product A”. There is no “history of browsing the sales page of A”. In this case, the advertising device 100 determines that the similarity between the behavior history of the user U22 and the model is low as a result of comparing the behavior history of the user U22 with the model of the user who purchased the product A. Therefore, the advertising device 100 gives a relatively low score to the user U22.

同様に、広告装置１００は、判定基準時Ｔから過去に向かう時間幅ＤＵ１におけるユーザＵ２３の行動履歴を分析する。図１に示すように、ユーザＵ２３には、時間幅ＤＵ１において、「製品Ａを検索した履歴」と、「製品Ａを検索した後に製品Ａの販売ページを閲覧した履歴」とがある。しかし、ユーザＵ２３には、通常、製品Ａの購入後に実行すると想定される、「製品Ａのレビュー投稿」という行動履歴がある。この場合、ユーザＵ２３は、例えば、オンライン上ではなく、オフラインにおいて既に製品Ａを購入した可能性が高い。あるいは、広告装置１００が、ユーザＵ２３が実行した「製品Ａを購入」という行動履歴に関する情報を取得することができなかった可能性がある。   Similarly, the advertising device 100 analyzes the action history of the user U23 in the time width DU1 going from the determination reference time T to the past. As shown in FIG. 1, the user U23 has “history of searching for product A” and “history of browsing the sales page of product A after searching for product A” in the time span DU1. However, the user U23 normally has an action history of “review posting of product A” that is assumed to be executed after the purchase of the product A. In this case, there is a high possibility that the user U23 has already purchased the product A offline, not online, for example. Alternatively, there is a possibility that the advertising device 100 could not acquire information regarding the action history “purchase product A” executed by the user U23.

この場合、広告装置１００は、ユーザＵ２３の行動履歴と製品Ａを購入したユーザのモデルとを照らし合わせた結果、ユーザＵ２３の行動履歴とモデルとの類似性が低いと判定する。製品Ａを購入したユーザのモデルには、通常、製品Ａの購入後に実行される「製品Ａのレビュー投稿」という行動履歴は含まれないため、ユーザＵ２３の行動履歴と製品Ａを購入したユーザのモデルとの関連性が低く判定される。   In this case, the advertising device 100 determines that the similarity between the behavior history of the user U23 and the model is low as a result of comparing the behavior history of the user U23 with the model of the user who purchased the product A. Since the model of the user who purchased the product A does not normally include an action history “Review of product A” executed after the purchase of the product A, the action history of the user U23 and the user who purchased the product A The relevance to the model is judged low.

上記のように、広告装置１００は、任意の判定基準時Ｔにおいて製品Ａを購入していないユーザＵ２１〜Ｕ２３と、製品Ａを購入したユーザのモデルとを、時系列上のイベント情報を用いて照らし合わせることにより、ユーザＵ２１〜Ｕ２３をスコア付けし、ユーザＵ２１〜Ｕ２３における製品Ａの購入可能性を判定する（ステップＳ１２）。   As described above, the advertising device 100 uses the time-series event information to identify the users U21 to U23 who have not purchased the product A at any determination reference time T and the model of the user who has purchased the product A. By collating, the users U21 to U23 are scored, and the purchase possibility of the product A in the users U21 to U23 is determined (step S12).

広告装置１００は、製品Ａを購入したユーザのモデルにおけるスコアの高いユーザほど、製品Ａの購入可能性が高いと判定する。図１の例では、広告装置１００は、ユーザＵ２１について、製品Ａの購入可能性が高いと判定する。また、広告装置１００は、ユーザＵ２２及びユーザＵ２３について、製品Ａの購入可能性が低いと判定する。   The advertising device 100 determines that the higher the score in the model of the user who purchased the product A, the higher the possibility of purchasing the product A. In the example of FIG. 1, the advertising device 100 determines that the purchase possibility of the product A is high for the user U21. Further, the advertising device 100 determines that the purchase possibility of the product A is low for the user U22 and the user U23.

そして、広告装置１００は、製品Ａの購入可能性が高いユーザＵ２１について、製品Ａに関する広告コンテンツの配信対象度が高いものと判定する。一方、広告装置１００は、製品Ａの購入可能性が低いユーザＵ２２及びＵ２３について、製品Ａに関する広告コンテンツの配信対象度が低いものと判定する。そして、広告装置１００は、広告コンテンツの配信対象度が高いユーザから順に表示されるユーザリストを形成し、広告コンテンツの配信対象度が高いユーザを抽出する。   Then, the advertising device 100 determines that the user U21 who has a high possibility of purchasing the product A has a high distribution target of the advertising content related to the product A. On the other hand, the advertising device 100 determines that the user U22 and U23 who are less likely to purchase the product A have a low distribution target of the advertising content related to the product A. Then, the advertising device 100 forms a user list that is displayed in order from the user with the highest distribution target of the advertising content, and extracts the users with the high distribution target of the advertising content.

この場合、広告装置１００は、広告コンテンツの配信対象度が高いユーザ、すなわち、高いスコア付けのなされたユーザを広告配信の対象とすることができる。一方、広告装置１００は、広告コンテンツの配信対象度が低いユーザは広告配信の対象としないことができる。   In this case, the advertising device 100 can target users who have a high distribution target of advertising content, that is, users who have been scored high. On the other hand, in the advertising device 100, a user whose advertising content distribution target level is low can not be targeted for advertising distribution.

このように、実施形態に係る広告装置１００は、ユーザの行動履歴を取得する。そして、実施形態に係る広告装置１００は、取得した行動履歴のうち所定の行動よりも前の行動履歴を用いて、当該所定の行動をすることが予測される対象のユーザを抽出する。   Thus, the advertising device 100 according to the embodiment acquires the user's behavior history. Then, the advertising device 100 according to the embodiment extracts a target user who is predicted to perform the predetermined action using the action history before the predetermined action among the acquired action histories.

すなわち、実施形態に係る広告装置１００は、製品Ａを購入したユーザが購入に至るまでに実行した行動と類似した行動を判定することにより、実際に製品Ａを購入したユーザと同様に、将来、製品Ａを購入するであろうと予測されるユーザを抽出する。また、広告装置１００は、時系列上における、製品Ａを購入した時点までのユーザの行動履歴に基づいて、製品Ａを購入する可能性の高いユーザを抽出し、抽出されたユーザを広告配信の対象とする。例えば、広告装置１００は、製品Ａを購入した後に実行されると想定される製品Ａのレビュー投稿をしたユーザについては、広告配信の対象度を低くする。これにより、広告装置１００は、製品Ａを購入するといったコンバージョンにつながる可能性の高いユーザを抽出して、広告コンテンツの配信をすることができる。さらに、広告装置１００は、広告主の目的に沿う購買行動等を将来行うユーザを高精度に抽出して広告を配信するので、対象とするマーケットとなるユーザ層を精度良く拡張することができる。このように、広告装置１００は、広告効果を高めることができる。   That is, the advertising device 100 according to the embodiment determines the behavior similar to the behavior performed by the user who purchased the product A until the purchase, in the future, like the user who actually purchased the product A, Extract users who are expected to purchase product A. Further, the advertising device 100 extracts users who are highly likely to purchase the product A based on the user's behavior history up to the point of time when the product A is purchased on the time series, and distributes the extracted users to the advertisement distribution. set to target. For example, the advertising device 100 lowers the target level of advertisement distribution for a user who posted a review of the product A that is assumed to be executed after purchasing the product A. Thereby, the advertising device 100 can extract users who are likely to lead to conversion such as purchasing the product A, and can distribute the advertising content. Furthermore, the advertising device 100 can accurately extract the users who will perform the purchasing behavior and the like that meet the purpose of the advertiser in the future, and distribute the advertisement. Therefore, it is possible to accurately expand the user group that is the target market. Thus, the advertising device 100 can increase the advertising effect.

〔２．抽出処理システムの構成〕
次に、図２を用いて、実施形態に係る広告装置１００が含まれる抽出処理システムの構成について説明する。図２は、実施形態に係る抽出処理システム１の構成例を示す図である。図２に例示するように、実施形態に係る抽出処理システム１には、ユーザ端末１０と、広告主装置２０と、ウェブサーバ３０と、広告装置１００とが含まれる。これらの各種装置は、ネットワークＮを介して、有線又は無線により通信可能に接続される。なお、図２に示した抽出処理システム１には、複数台のユーザ端末１０や、複数台の広告主装置２０や、複数台のウェブサーバ３０が含まれてもよい。 [2. Configuration of extraction processing system)
Next, the configuration of an extraction processing system including the advertising device 100 according to the embodiment will be described with reference to FIG. FIG. 2 is a diagram illustrating a configuration example of the extraction processing system 1 according to the embodiment. As illustrated in FIG. 2, the extraction processing system 1 according to the embodiment includes a user terminal 10, an advertiser device 20, a web server 30, and an advertising device 100. These various devices are communicably connected via a network N by wire or wireless. In addition, the extraction processing system 1 illustrated in FIG. 2 may include a plurality of user terminals 10, a plurality of advertiser apparatuses 20, and a plurality of web servers 30.

ユーザ端末１０は、例えば、デスクトップ型ＰＣ（Personal Computer）や、ノート型ＰＣや、タブレット型端末や、携帯電話機、ＰＤＡ（Personal Digital Assistant）等の情報処理装置である。ユーザ端末１０は、ウェブサーバ３０にアクセスすることで、ウェブサーバ３０の提供するウェブサイトからウェブページを取得し、取得したウェブページを表示装置（例えば、液晶ディスプレイ）に表示する。   The user terminal 10 is, for example, an information processing apparatus such as a desktop PC (Personal Computer), a notebook PC, a tablet terminal, a mobile phone, or a PDA (Personal Digital Assistant). The user terminal 10 obtains a web page from a website provided by the web server 30 by accessing the web server 30, and displays the obtained web page on a display device (for example, a liquid crystal display).

広告主装置２０は、広告装置１００に広告配信を依頼する広告主によって利用される情報処理装置である。広告主装置２０は、広告主による操作に従って、広告装置１００に広告コンテンツを入稿したり、広告コンテンツを配信するユーザについての条件を指定したりする。   The advertiser device 20 is an information processing device used by an advertiser who requests the advertising device 100 to distribute an advertisement. The advertiser device 20 submits advertising content to the advertising device 100 according to an operation by the advertiser, or specifies conditions for a user who distributes the advertising content.

なお、広告主は、広告主装置２０を用いて、広告装置１００に広告コンテンツを入稿したり、広告コンテンツを配信するユーザについての条件を指定したりせずに、かかる入稿等を代理店に依頼する場合もある。この場合、広告装置１００に広告コンテンツを入稿等するのは代理店となる。以下では、「広告主」といった表記は、広告主だけでなく代理店を含む概念であり、「広告主装置」といった表記は、広告主装置だけでなく代理店によって利用される代理店装置を含む概念であるものとする。   Note that the advertiser uses the advertiser device 20 to submit the advertising content, etc. without submitting the advertising content to the advertising device 100 or specifying the conditions for the user who distributes the advertising content. You may be asked to In this case, it is the agency that submits the advertising content to the advertising device 100. In the following, the term “advertiser” is a concept that includes not only the advertiser but also the agency, and the term “advertiser device” includes the agency device used by the agency as well as the advertiser device. It is assumed to be a concept.

ウェブサーバ３０は、ユーザ端末１０からアクセスされた場合に、各種ウェブページを提供するサーバ装置である。ウェブサーバ３０は、例えば、ニュースサイト、オークションサイト、天気予報サイト、ショッピングサイト、ファイナンス（株価）サイト、路線検索サイト、地図提供サイト、旅行サイト、飲食店紹介サイト、ウェブブログなどに関する各種ウェブページを提供する。   The web server 30 is a server device that provides various web pages when accessed from the user terminal 10. The web server 30 includes, for example, various web pages related to news sites, auction sites, weather forecast sites, shopping sites, finance (stock price) sites, route search sites, map providing sites, travel sites, restaurant introduction sites, web blogs, and the like. provide.

なお、ウェブサーバ３０によって提供されるウェブページには、ウェブビーコン（web beacon）等によって実現される、ユーザ情報に関する通知機能が埋め込まれる場合がある。例えば、ウェブビーコンは、ウェブページにアクセスしたユーザ端末１０を広告装置１００内に格納される透明な画像又は非常に小さな画像（「クリアＧＩＦ」と呼ばれることもある）にアクセスさせる機能を有する。これにより、広告装置１００は、ユーザ端末１０からユーザ情報を受信し、取得することができる。   The web page provided by the web server 30 may be embedded with a notification function related to user information realized by a web beacon or the like. For example, the web beacon has a function of allowing the user terminal 10 that has accessed the web page to access a transparent image or a very small image (sometimes referred to as “clear GIF”) stored in the advertising device 100. Thereby, the advertising device 100 can receive and acquire user information from the user terminal 10.

また、ウェブサーバ３０によって配信されるウェブページには、広告コンテンツを表示するための広告枠が含まれる。そして、広告枠を含むウェブページには、広告枠に表示する広告コンテンツを取得するための広告取得命令が含まれる。例えば、ウェブページを形成するＨＴＭＬ（HyperText Markup Language）ファイル等には、広告装置１００のＵＲＬ等が広告取得命令として記述される。この場合、ユーザ端末１０は、ＨＴＭＬファイル等に記述されているＵＲＬにアクセスすることで、広告装置１００から広告コンテンツの配信を受ける。   Further, the web page distributed by the web server 30 includes an advertising space for displaying the advertising content. The web page including the advertisement space includes an advertisement acquisition command for acquiring advertisement content to be displayed in the advertisement space. For example, in an HTML (HyperText Markup Language) file that forms a web page, the URL of the advertising device 100 is described as an advertisement acquisition command. In this case, the user terminal 10 receives the distribution of the advertising content from the advertising device 100 by accessing a URL described in an HTML file or the like.

広告装置１００は、上述のように、ユーザ情報を利用することで、指定イベントを実行する可能性が高いと想定されるユーザを抽出し、抽出されたユーザに対して広告コンテンツの配信を行う情報処理装置である。   As described above, the advertising device 100 uses the user information to extract users who are likely to execute the designated event, and distributes the advertising content to the extracted users. It is a processing device.

なお、広告装置１００は、広告コンテンツの配信にあたって、ユーザ端末１０を識別し、広告コンテンツを配信するユーザ端末１０を特定する。ここで、ユーザの識別は、例えば、ユーザ端末１０のウェブブラウザと広告装置１００との間でやり取りされるＨＴＴＰクッキー（HyperText Transfer Protocol Cookie：以下、単に「クッキー」と表記する）にユーザ識別情報を含めることよって行うことができる。なお、ユーザを識別する手法は上記に限られない。例えば、ユーザ端末１０に専用のプログラムを設定し、かかる専用プログラムからユーザ識別情報を広告装置１００に送信させるようにすることもできる。   Note that the advertising device 100 identifies the user terminal 10 and specifies the user terminal 10 that distributes the advertising content when distributing the advertising content. Here, user identification is performed by, for example, adding user identification information to an HTTP cookie (HyperText Transfer Protocol Cookie: hereinafter simply referred to as “cookie”) exchanged between the web browser of the user terminal 10 and the advertising device 100. This can be done by including. The method for identifying the user is not limited to the above. For example, a dedicated program can be set in the user terminal 10 and user identification information can be transmitted to the advertising device 100 from the dedicated program.

〔３．広告装置の構成〕
次に、図３を用いて、実施形態に係る広告装置１００の構成について説明する。図３は、実施形態に係る広告装置１００の構成例を示す図である。図３に示すように、広告装置１００は、通信部１１０と、記憶部１２０と、制御部１３０とを有する。なお、広告装置１００は、広告装置１００を利用する管理者等から各種操作を受け付ける入力部（例えば、キーボードやマウス等）や、各種情報を表示するための表示部（例えば、液晶ディスプレイ等）を有してもよい。 [3. Configuration of advertising device]
Next, the configuration of the advertising device 100 according to the embodiment will be described with reference to FIG. FIG. 3 is a diagram illustrating a configuration example of the advertising device 100 according to the embodiment. As illustrated in FIG. 3, the advertising device 100 includes a communication unit 110, a storage unit 120, and a control unit 130. The advertising device 100 includes an input unit (for example, a keyboard and a mouse) that receives various operations from an administrator who uses the advertising device 100, and a display unit (for example, a liquid crystal display) that displays various types of information. You may have.

（通信部１１０について）
通信部１１０は、例えば、ＮＩＣ（Network Interface Card）等によって実現される。かかる通信部１１０は、ネットワークＮと有線又は無線で接続され、ネットワークＮを介して、ユーザ端末１０や広告主装置２０やウェブサーバ３０との間で情報の送受信を行う。 (About the communication unit 110)
The communication unit 110 is realized by, for example, a NIC (Network Interface Card). The communication unit 110 is connected to the network N by wire or wirelessly, and transmits / receives information to / from the user terminal 10, the advertiser device 20, and the web server 30 via the network N.

（記憶部１２０について）
記憶部１２０は、例えば、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。記憶部１２０は、広告コンテンツ記憶部１２１と、ユーザ情報記憶部１２２とを有する。 (About the storage unit 120)
The storage unit 120 is realized by, for example, a semiconductor memory device such as a RAM (Random Access Memory) or a flash memory, or a storage device such as a hard disk or an optical disk. The storage unit 120 includes an advertisement content storage unit 121 and a user information storage unit 122.

（広告コンテンツ記憶部１２１について）
広告コンテンツ記憶部１２１は、広告主装置２０から入稿された広告コンテンツに関する情報を記憶する。また、広告コンテンツ記憶部１２１は、入稿された広告コンテンツに対応付けて、広告主から指定される条件であって、広告コンテンツの配信対象とするユーザに関する条件を記憶する。ここで、図４に、実施形態に係る広告コンテンツ記憶部１２１の一例を示す。図４に示した例では、広告コンテンツ記憶部１２１は、「広告主ＩＤ」、「広告コンテンツＩＤ」、「入札価格」、「指定条件」といった項目を有する。 (Advertising content storage unit 121)
The advertisement content storage unit 121 stores information related to the advertisement content submitted from the advertiser apparatus 20. In addition, the advertisement content storage unit 121 stores a condition related to a user who is a distribution target of the advertisement content, which is a condition designated by the advertiser in association with the submitted advertisement content. Here, FIG. 4 shows an example of the advertisement content storage unit 121 according to the embodiment. In the example illustrated in FIG. 4, the advertisement content storage unit 121 includes items such as “advertiser ID”, “advertisement content ID”, “bid price”, and “designated condition”.

「広告主ＩＤ」は、広告主又は広告主装置２０を識別するための識別情報を示す。また、「広告コンテンツＩＤ」は、広告主から広告装置１００に入稿される広告コンテンツを識別するための識別情報を示す。   The “advertiser ID” indicates identification information for identifying the advertiser or the advertiser device 20. The “advertisement content ID” indicates identification information for identifying the advertisement content submitted to the advertising device 100 from the advertiser.

なお、実際にユーザ端末１０に配信される広告コンテンツのデータは、広告装置１００とは別に備えられた所定の広告配信サーバに記憶されてもよい。この場合、広告装置１００は、広告コンテンツ記憶部１２１に記憶された広告コンテンツＩＤに基づいて、外部の広告配信サーバに記憶された広告コンテンツを特定する。そして、広告装置１００は、広告配信サーバに対して、特定された広告コンテンツをユーザ端末１０に対して配信するよう制御する。また、以下では、図４に示した広告主ＩＤ及び広告コンテンツＩＤに記憶されている識別情報を広告主及び広告コンテンツの参照符号として用いる場合がある。例えば、広告主ＩＤ「ＣＬ０１」によって識別される広告主を「広告主ＣＬ０１」と、または、広告コンテンツＩＤ「ＡＤ０１」によって識別される広告コンテンツを「広告コンテンツＡＤ０１」と表記する場合がある。   Note that the advertisement content data that is actually distributed to the user terminal 10 may be stored in a predetermined advertisement distribution server provided separately from the advertising device 100. In this case, the advertising device 100 identifies the advertising content stored in the external advertising distribution server based on the advertising content ID stored in the advertising content storage unit 121. Then, the advertising device 100 controls the advertisement distribution server to distribute the specified advertisement content to the user terminal 10. In the following, the identification information stored in the advertiser ID and the advertisement content ID shown in FIG. 4 may be used as a reference code for the advertiser and the advertisement content. For example, the advertiser identified by the advertiser ID “CL01” may be referred to as “advertiser CL01”, or the advertisement content identified by the advertisement content ID “AD01” may be denoted as “advertisement content AD01”.

「入札価格」は、広告配信に係る入札価格を示す。図４の例においては、入札価格は、広告主が指定するものとし、広告コンテンツ毎に記憶される。入札価格が高い広告コンテンツは、例えば、ユーザ端末１０への広告配信時に複数の広告コンテンツの間で配信の競争が行われる際に、優先的に選出される。具体的には、入札価格「１００円」の広告コンテンツと、入札価格「１４０円」の広告コンテンツとが、ユーザ端末１０への広告配信を競争した場合には、入札価格の高い「１４０円」で入札された広告コンテンツが選出され、ユーザ端末１０へ配信される。   “Bid price” indicates a bid price related to advertisement distribution. In the example of FIG. 4, the bid price is designated by the advertiser and is stored for each advertising content. The advertising content with a high bid price is preferentially selected when, for example, a distribution competition is performed among a plurality of advertising contents at the time of advertising distribution to the user terminal 10. Specifically, when the advertising content with the bid price “100 yen” and the advertising content with the bid price “140 yen” compete for the advertisement distribution to the user terminal 10, “140 yen” with a high bid price is used. The advertisement content bid for is selected and distributed to the user terminal 10.

「指定条件」は、広告コンテンツの配信対象とするユーザに関して指定される条件を示す。指定条件には、「イベント」、「期間」、「配信希望数」といった小項目が含まれる。   The “designated condition” indicates a condition designated for a user who is a distribution target of advertisement content. The designation condition includes small items such as “event”, “period”, and “number of desired delivery”.

「イベント」は、広告コンテンツの配信を契機として、配信対象とするユーザに実行させたい行動（指定イベント）を示す。指定イベントは、広告コンテンツの配信によって広告主が獲得できる最終成果であるコンバージョンと一致する場合がある。例えば、製品Ａに係る広告コンテンツＡＤ０１を入稿する広告主ＣＬ０１は、製品Ａをユーザに購入させることを広告コンテンツＡＤ０１の配信の目的とする。この場合、広告主ＣＬ０１は、指定イベントを「製品Ａ購入」として、広告コンテンツＡＤ０１を入稿する。そして、広告装置１００は、製品Ａを購入する可能性の高いユーザを抽出して、抽出されたユーザに広告コンテンツＡＤ０１を配信する。   “Event” indicates an action (designated event) to be executed by a user to be distributed, triggered by the distribution of advertisement content. The designated event may coincide with a conversion that is an end result that the advertiser can acquire by distributing the advertising content. For example, the advertiser CL01 who submits the advertising content AD01 related to the product A has the purpose of distributing the advertising content AD01 to make the user purchase the product A. In this case, the advertiser CL01 submits the advertising content AD01 with the designated event “product A purchase”. Then, the advertising device 100 extracts users who are highly likely to purchase the product A, and distributes the advertising content AD01 to the extracted users.

「期間」は、広告コンテンツの配信を契機として、配信対象とするユーザが指定イベントを実行すると想定される期間を示す。「期間」は、図１で示した例における、所定の時間幅ＤＵ１を設定するために用いられる場合がある。すなわち、広告装置１００は、広告主から指定された期間内に指定イベントを実行する可能性の高いユーザを抽出し、広告コンテンツを配信する。   “Period” indicates a period during which a user as a distribution target is assumed to execute a specified event triggered by the distribution of advertisement content. The “period” may be used to set a predetermined time width DU1 in the example shown in FIG. That is, the advertising device 100 extracts users who are highly likely to execute a designated event within a period designated by an advertiser, and distributes advertising content.

「配信希望数」は、広告主から指定される広告コンテンツの配信希望数を示す。配信希望数が「２０００」回と指定された広告コンテンツＡＤ０１であれば、広告主は２０００回の広告配信が行われることを希望していることを示す。なお、ここでいう「配信」とは、単にユーザ端末１０に広告コンテンツが配信されたことのみをいうのではなく、広告コンテンツがユーザに視認可能なようにユーザ端末１０に表示されたこと、いわゆる「インプレッション（Impression）数」を示すものであってもよい。広告装置１００は、広告コンテンツの配信数が指定された配信希望数に達した場合には、配信希望数に達した広告コンテンツの配信を中止する。   The “desired number of distributions” indicates the desired number of distributions of the advertisement content designated by the advertiser. If the desired number of distributions is the advertisement content AD01 designated as “2000” times, it indicates that the advertiser desires to distribute the advertisements 2000 times. Here, “distribution” does not simply mean that the advertising content is distributed to the user terminal 10, but that the advertising content is displayed on the user terminal 10 so as to be visible to the user, so-called. It may indicate “the number of impressions”. When the number of distributions of advertising content reaches the designated number of distributions desired, the advertising device 100 stops distributing the advertising content that has reached the number of distributions desired.

すなわち、図４では、広告主ＩＤ「ＣＬ０１」によって識別される広告主が、入札価格「１００円」を提示して、広告コンテンツＩＤ「ＡＤ０１」で識別される広告コンテンツを入稿した例を示す。また、広告主ＣＬ０１は、広告コンテンツＡＤ０１について、指定条件として、イベント「製品Ａ購入」を指定し、製品Ａ購入に至るまでの期間「２４時間以内」を指定し、配信希望数「２０００」回を指定している例を示す。   That is, FIG. 4 shows an example in which the advertiser identified by the advertiser ID “CL01” presents the bid price “100 yen” and submits the advertising content identified by the advertisement content ID “AD01”. . Further, the advertiser CL01 designates the event “product A purchase” as the designated condition for the advertisement content AD01, designates the period “within 24 hours” until the product A purchase, and the desired number of distribution “2000” times. An example of specifying is shown.

なお、図４では図示することを省略したが、広告コンテンツ記憶部１２１は、実際に広告コンテンツが配信されている期間や、配信がされた後に、広告コンテンツの実績を記憶してもよい。例えば、広告コンテンツ記憶部１２１は、広告コンテンツの実績として、広告効果を示す指標であるＣＶＲ（Conversion Rate）などの情報を記憶してもよい。ＣＶＲは、広告コンテンツを配信した回数に対して何割がコンバージョンに至るかの割合を示す。また、広告コンテンツ記憶部１２１は、その他の広告効果を示す指標として、「ＣＴＲ（Click Through Rate）」などを記憶してもよい。「ＣＴＲ」は、広告コンテンツがユーザによりクリックされた回数を広告コンテンツの表示回数によって除算した値を示す。   Although illustration is omitted in FIG. 4, the advertisement content storage unit 121 may store a period during which the advertisement content is actually distributed and a record of the advertisement content after the distribution. For example, the advertising content storage unit 121 may store information such as CVR (Conversion Rate) that is an index indicating the advertising effect as the actual result of the advertising content. CVR indicates the percentage of conversion to the number of times the advertising content is distributed. Further, the advertising content storage unit 121 may store “CTR (Click Through Rate)” or the like as an index indicating other advertising effects. “CTR” indicates a value obtained by dividing the number of times the advertisement content is clicked by the user by the number of times the advertisement content is displayed.

（ユーザ情報記憶部１２２について）
ユーザ情報記憶部１２２は、広告装置１００が取得したユーザ情報を記憶する。具体的には、ユーザ情報記憶部１２２は、ユーザ端末１０がウェブサーバ３０に対してアクセスしたり、ウェブサーバ３０が提供するウェブページにおいて検索をしたり、製品の購入要求を送信したりしたことを契機として作成されるユーザの行動のログを含む情報であって、後述する取得部１３２により受信されるユーザ端末１０に関するユーザ情報を記憶する。 (User information storage unit 122)
The user information storage unit 122 stores user information acquired by the advertising device 100. Specifically, the user information storage unit 122 has accessed the web server 30 by the user terminal 10, performed a search on a web page provided by the web server 30, or transmitted a product purchase request. This is information including a log of user behavior created by using as a trigger, and stores user information related to the user terminal 10 received by the acquisition unit 132 described later.

ここで、図５に、実施形態に係るユーザ情報記憶部１２２の一例を示す。図５は、実施形態に係るユーザ情報記憶部１２２の一例を示す図である。図５に示した例では、ユーザ情報記憶部１２２は、「ユーザＩＤ」、「イベントが発生した日時」、「イベント内容」といった項目を含むログ情報の一群から構成されるユーザ情報ファイルＦ０１を記憶する。ユーザ情報ファイルＦ０１は、広告装置１００に取得されたユーザ情報を単純化し、概念的に示したものである。図５では、ユーザ情報ファイルＦ０１を構成するログはユーザＩＤ毎に記載されているが、実際には、ログは、イベントが発生した日時順にリアルタイムに追加される。   Here, FIG. 5 illustrates an example of the user information storage unit 122 according to the embodiment. FIG. 5 is a diagram illustrating an example of the user information storage unit 122 according to the embodiment. In the example illustrated in FIG. 5, the user information storage unit 122 stores a user information file F01 including a group of log information including items such as “user ID”, “date and time of event”, and “event content”. To do. The user information file F01 is a conceptual representation of the user information acquired by the advertising device 100. In FIG. 5, the logs constituting the user information file F01 are described for each user ID, but in reality, the logs are added in real time in the order of the date and time when the event occurred.

「ユーザＩＤ」は、ユーザ端末１０を識別する識別情報である。図５において、ユーザＩＤは、「ＵｓｅｒＩＤ＝Ｕ１１」と表記される。これは、ユーザ端末１０がユーザＩＤ「Ｕ１１」により識別されていることを示す。ここでは、ユーザＩＤは、ユーザ端末１０を操作するユーザの参照符号と一致するものとする。すなわち、「ＵｓｅｒＩＤ＝Ｕ１１」が記載されたログは、ユーザＵ１１が操作するユーザ端末１０によって行われたイベントに関する情報を示すものとする。   “User ID” is identification information for identifying the user terminal 10. In FIG. 5, the user ID is expressed as “UserID = U11”. This indicates that the user terminal 10 is identified by the user ID “U11”. Here, it is assumed that the user ID matches the reference code of the user who operates the user terminal 10. That is, the log in which “UserID = U11” is described indicates information regarding an event performed by the user terminal 10 operated by the user U11.

「イベントが発生した日時」は、図５において、「２０１４／０５／１０＿１：００」といった数値で表される。また、「イベント内容」は、ユーザ端末１０の実行したイベントの内容を示す。例えば、ユーザ端末１０が検索を実行した場合、ログには、「“検索 ＝＞ 製品Ａ”」といったように、行動と、行動の内容が記載される。ここで、「製品Ａ」は、検索クエリであることを示す。   The “date and time when the event occurred” is represented by a numerical value such as “2014/05 / 10_1: 0” in FIG. “Event content” indicates the content of an event executed by the user terminal 10. For example, when the user terminal 10 executes a search, the log describes the action and the content of the action, such as ““ Search => Product A ””. Here, “product A” indicates a search query.

すなわち、図５に示したユーザ情報ファイルＦ０１を構成するログの一例は、ユーザＩＤが「Ｕ１１」であるユーザＵ１１により操作されるユーザ端末１０が、検索クエリ「製品Ａ」を入力して、「２０１４年５月１０日 １：００」に検索を実行したことを示している。   That is, as an example of the log configuring the user information file F01 illustrated in FIG. 5, the user terminal 10 operated by the user U11 whose user ID is “U11” inputs the search query “product A” and “ “May 10, 2014, 10:00” indicates that the search has been executed.

なお、図５では図示することを省略したが、ユーザ情報記憶部１２２には、ウェブサイトへのアクセス履歴や購入履歴等から導かれるユーザ自体の属性情報（例えば、ユーザの年齢、性別、嗜好など）等が含まれてもよい。また、ユーザ情報記憶部１２２には、ユーザ端末１０自体を識別する情報であるデバイスＩＤ等を記憶してもよい。デバイスＩＤは、ユーザＩＤと異なり、端末装置自体に記録されている識別情報を示す。   Although not shown in FIG. 5, the user information storage unit 122 stores the user's own attribute information derived from the website access history, purchase history, etc. (for example, the user's age, sex, and preferences). ) Etc. may be included. The user information storage unit 122 may store a device ID that is information for identifying the user terminal 10 itself. Unlike the user ID, the device ID indicates identification information recorded in the terminal device itself.

また、ユーザ情報記憶部１２２は、広告装置１００の内部に存在せず、例えば外部に接続された所定のログ記憶サーバなどであってもよい。この場合、取得部１３２は、ネットワークＮを介して、所定のログ記憶サーバに記憶されているログを取得することができる。広告装置１００は、随時ユーザ情報を取得する場合には、ユーザ情報に係るデータを格納するための大量の記憶容量を要する。ここで、広告装置１００は、ユーザ情報記憶部１２２に対応する外部のログ記憶サーバを利用することにより、記憶容量の要求を満たすことができる。   Further, the user information storage unit 122 does not exist inside the advertising device 100, and may be a predetermined log storage server connected to the outside, for example. In this case, the acquisition unit 132 can acquire a log stored in a predetermined log storage server via the network N. The advertising device 100 requires a large amount of storage capacity for storing data related to user information when acquiring user information at any time. Here, the advertising device 100 can satisfy the storage capacity requirement by using an external log storage server corresponding to the user information storage unit 122.

（制御部１３０について）
制御部１３０は、例えば、ＣＰＵ（Central Processing Unit）やＭＰＵ（Micro Processing Unit）等によって、広告装置１００内部の記憶装置に記憶されている各種プログラム（予測プログラムの一例に相当）がＲＡＭを作業領域として実行されることにより実現される。また、制御部１３０は、例えば、ＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（Field Programmable Gate Array）等の集積回路により実現される。 (About the control unit 130)
The control unit 130 is configured such that, for example, a CPU (Central Processing Unit), an MPU (Micro Processing Unit), or the like stores various programs (corresponding to an example of a prediction program) stored in a storage device inside the advertising device 100 as a RAM This is realized by being executed as The control unit 130 is realized by an integrated circuit such as an application specific integrated circuit (ASIC) or a field programmable gate array (FPGA).

図３に示すように、制御部１３０は、入稿受付部１３１と、取得部１３２と、第１モデル生成部１３３と、第２モデル生成部１３４と、要求受付部１３５と、抽出部１３６と、配信部１３７とを有し、以下に説明する情報処理の機能や作用を実現または実行する。なお、制御部１３０の内部構成は、図３に示した構成に限られず、後述する情報処理を行う構成であれば他の構成であってもよい。また、制御部１３０が有する各処理部の接続関係は、図３に示した接続関係に限られず、他の接続関係であってもよい。   As illustrated in FIG. 3, the control unit 130 includes a submission receiving unit 131, an acquisition unit 132, a first model generation unit 133, a second model generation unit 134, a request reception unit 135, and an extraction unit 136. And a distribution unit 137, and realize or execute the functions and operations of information processing described below. Note that the internal configuration of the control unit 130 is not limited to the configuration illustrated in FIG. 3, and may be another configuration as long as the information processing described below is performed. Further, the connection relationship between the processing units included in the control unit 130 is not limited to the connection relationship illustrated in FIG. 3, and may be another connection relationship.

（入稿受付部１３１について）
入稿受付部１３１は、広告主装置２０から広告コンテンツの入稿を受け付ける。具体的には、実施形態に係る入稿受付部１３１は、入札価格の指定と、広告配信の対象とするユーザに関する条件とともに、広告コンテンツの入稿を受け付ける。そして、入稿受付部１３１は、入稿元の広告主に対応する広告主ＩＤに対応付けて、入稿された広告コンテンツと、入札価格と、指定条件とを対応付けて、広告コンテンツ記憶部１２１に記憶する。 (About the submission acceptance part 131)
The submission accepting unit 131 accepts submission of advertising content from the advertiser device 20. Specifically, the submission accepting unit 131 according to the embodiment accepts the submission of the advertisement content together with the designation of the bid price and the conditions regarding the user who is the target of the advertisement distribution. Then, the submission receiving unit 131 associates the submitted advertisement content, the bid price, and the specified condition with the advertiser ID corresponding to the advertiser of the submission source, and the advertisement content storage unit 121.

入稿受付部１３１は、配信の条件として、指定イベントや、イベント発生に至るまでの期間や、配信希望数などの指定を受け付ける。前述のように、指定イベントは、広告コンテンツにおけるコンバージョンに対応する場合がある。図４に示すように、広告主は、「製品Ａ購入」や、「マンションＢ資料請求」や、「ウェブサイトＣ会員登録」など、広告コンテンツの配信を契機としてユーザに実行させたいイベントを指定する。後述する第１モデル生成部１３３及び第２モデル生成部１３４は、広告主に指定されたイベントに基づいて、指定イベントを実行したユーザのモデルを生成する。   The submission accepting unit 131 accepts designation of a designated event, a period until an event occurs, a desired number of delivery, and the like as delivery conditions. As described above, the designated event may correspond to a conversion in the advertising content. As shown in FIG. 4, the advertiser designates an event that the user wants to be executed when the advertisement content is distributed, such as “product A purchase”, “condominium B document request”, and “website C member registration”. To do. The first model generation unit 133 and the second model generation unit 134, which will be described later, generate a model of the user who executed the specified event based on the event specified by the advertiser.

なお、入稿受付部１３１は、指定条件について、必ずしも広告コンテンツの入稿と同時に受け付けることを要しない。すなわち、入稿受付部１３１は、広告コンテンツの入稿の後に指定条件を受け付けてもよいし、指定条件を受け付けた後に、指定条件の変更を受け付けてもよい。広告主からの条件の受付は、例えば、広告主装置２０に表示される、広告装置１００が提供するユーザーインターフェース（User Interface）画面を介して行われる。   The submission accepting unit 131 does not necessarily have to accept the specified condition at the same time as the submission of the advertisement content. That is, the submission receiving unit 131 may receive the specified condition after submitting the advertisement content, or may receive a change in the specified condition after receiving the specified condition. The conditions are accepted from the advertiser through, for example, a user interface screen provided by the advertising device 100 and displayed on the advertiser device 20.

（取得部１３２について）
取得部１３２は、ユーザの行動履歴を取得する。具体的には、実施形態に係る取得部１３２は、ユーザ情報記憶部１２２に記憶されるユーザ情報ファイルＦ０１で示されるような、ユーザ端末１０のログに基づいて、ユーザの行動履歴を取得する。 (About the acquisition unit 132)
The acquisition part 132 acquires a user's action history. Specifically, the acquisition unit 132 according to the embodiment acquires the user's action history based on the log of the user terminal 10 as indicated by the user information file F01 stored in the user information storage unit 122.

ユーザ情報ファイルＦ０１には、ユーザ識別情報であるユーザＩＤと所定の行動履歴に関する情報とから構成されるログが含まれる。行動履歴には、例えば、ウェブページへのアクセスであったり、クエリを入力することで行う検索行動であったり、ショッピングページにおける購買行動等が含まれる。そして、取得部１３２が取得する複数のログに基づいて、後述する第１モデル生成部１３３及び第２モデル生成部１３４は、指定イベントを実行したユーザのモデルを生成する。この場合、取得部１３２は、指定イベントを実行したユーザの行動履歴と、指定イベントを実行していないユーザの行動履歴とを取得する。   The user information file F01 includes a log composed of a user ID that is user identification information and information related to a predetermined action history. The action history includes, for example, an access to a web page, a search action performed by inputting a query, a purchase action on a shopping page, and the like. Then, based on the plurality of logs acquired by the acquisition unit 132, a first model generation unit 133 and a second model generation unit 134, which will be described later, generate a model of the user who executed the specified event. In this case, the acquisition unit 132 acquires the action history of the user who has executed the specified event and the action history of the user who has not executed the specified event.

なお、前述のように、取得部１３２が取得するログにはユーザＩＤが含まれる。したがって、取得部１３２は、ユーザＩＤに基づいて、クッキーなどのユーザ識別情報に含まれるユーザ属性に係る情報等をユーザ情報として取得することもできる。また、取得部１３２は、ユーザＩＤに基づいて、クッキーに含まれるユーザの過去のアクセス情報などをトラッキングすることにより、ユーザ情報を取得してもよい。例えば、取得部１３２は、ユーザ情報として、ユーザの年齢や、性別や、興味や、行動履歴や、居住地域等の情報を取得することができる。   As described above, the log acquired by the acquisition unit 132 includes a user ID. Therefore, the acquisition unit 132 can also acquire, as user information, information related to a user attribute included in user identification information such as a cookie based on the user ID. The acquisition unit 132 may acquire user information by tracking past access information of the user included in the cookie based on the user ID. For example, the acquisition unit 132 can acquire information such as the user's age, sex, interest, behavior history, and residential area as user information.

（第１モデル生成部１３３及び第２モデル生成部１３４について）
第１モデル生成部１３３及び第２モデル生成部１３４は、所定の行動が、取得部１３２によって取得された行動履歴に含まれる指定イベントよりも前の行動履歴と類似する行動であるか否かを判定するモデルを生成する。第１モデル生成部１３３は、指定イベントを実行したユーザの第１モデルを生成する。具体的には、実施形態に係る第１モデル生成部１３３は、入稿受付部１３１によって受け付けられた指定イベントをしたユーザの行動履歴から抽出した行動履歴と、指定イベントをしていないユーザの行動履歴から抽出した行動履歴とを用いて、第１モデルを生成する。 (About the first model generation unit 133 and the second model generation unit 134)
The first model generation unit 133 and the second model generation unit 134 determine whether or not the predetermined behavior is similar to the behavior history before the specified event included in the behavior history acquired by the acquisition unit 132. Generate a model to be judged. The 1st model production | generation part 133 produces | generates the 1st model of the user who performed the designated event. Specifically, the first model generation unit 133 according to the embodiment extracts the behavior history extracted from the behavior history of the user who has performed the designated event accepted by the submission acceptance unit 131 and the behavior of the user who has not designated the event. A first model is generated using the action history extracted from the history.

第２モデル生成部１３４は、第１モデル生成部１３３によって生成された第１モデルを用いて、指定イベントをしていないユーザのうち指定イベントをしたユーザの行動履歴に含まれる指定イベントよりも前の行動履歴と類似する行動をしたユーザを抽出し、抽出したユーザの行動履歴と、指定イベントをしたユーザの行動履歴とを用いて、第２モデルを生成する。このように、第１モデル生成部１３３及び第２モデル生成部１３４は、２種類の異なるモデルを生成することにより、高精度に配信対象とするユーザを抽出する。   The second model generation unit 134 uses the first model generated by the first model generation unit 133 and uses the first model before the specified event included in the behavior history of the user who has performed the specified event among the users who have not performed the specified event. The user who performed the action similar to the action history is extracted, and the second model is generated using the extracted action history of the user and the action history of the user who performed the specified event. Thus, the 1st model production | generation part 133 and the 2nd model production | generation part 134 extract the user made into delivery object with high precision by producing | generating two types of different models.

ここで、実施形態に係るモデル生成処理の説明に先立ち、従来実施されている、いわゆるターゲティング広告等のユーザ抽出手法（以下、「従来手法」と表記する）について説明する。従来手法では、ユーザの行動履歴に基づいて、広告配信したいユーザのセグメント（segment）を設定する手法が用いられる。ここで、セグメントとは、マーケティングにおいて、ユーザを所定の属性で分類した群を示す。例えば、従来手法では、「現時点から所定の期間までの行動履歴に、製品Ａを販売するウェブページの閲覧を１回以上実行、かつ、製品Ａの検索を３回以上実行、が含まれるユーザ」のように条件を指定することで、ユーザのセグメントを設定する。そして、従来手法においては、設定されたセグメントに含まれるユーザに対し、かかるユーザに訴求力があると想定される広告コンテンツの配信が行われる。このように、従来手法では、ターゲットとなるユーザを過去の行動履歴に基づきセグメントに分類することで、広告効果が高くなると想定されるユーザに広告配信することを可能とする。   Here, prior to the description of the model generation processing according to the embodiment, a conventional user extraction method such as so-called targeting advertisement (hereinafter referred to as “conventional method”) will be described. In the conventional method, a method of setting a segment of a user who wants to distribute an advertisement based on the user's behavior history is used. Here, the segment indicates a group in which users are classified by a predetermined attribute in marketing. For example, in the conventional method, “the user who includes browsing the web page selling the product A at least once and executing the search for the product A three times or more in the action history from the present time to a predetermined period” The user segment is set by specifying the condition as follows. In the conventional method, advertisement content that is assumed to be appealing to the user is distributed to the users included in the set segment. As described above, according to the conventional method, the target user is classified into segments based on the past behavior history, so that the advertisement can be distributed to a user who is assumed to have a high advertising effect.

しかし、従来手法では、ユーザをセグメントに分類した場合に、「既に製品Ａを購入したユーザ」と、「将来、製品Ａを購入すると予測されるユーザ」が混同する可能性がある。この場合、「既に製品Ａを購入したユーザ」に対して、広告コンテンツを配信したとしても、製品Ａの購入というコンバージョンにつながらないおそれがある。   However, in the conventional method, when a user is classified into segments, “a user who has already purchased the product A” and “a user who is predicted to purchase the product A in the future” may be confused. In this case, even if the advertising content is distributed to the “user who has already purchased the product A”, there is a possibility that the conversion of the purchase of the product A is not led.

また、従来手法では、対象ユーザを拡張する場合に処理を要する場合がある。例えば、ユーザをセグメントに分類し、分類されたユーザに広告コンテンツを配信するとする。この場合、広告主が希望する配信数よりも配信対象となるユーザ数が少数の場合には、配信対象とするユーザを拡張することが要求される。そこで、従来手法では、例えば、配信対象とするユーザを「行動履歴に、製品Ａを販売するウェブページの閲覧を１回以上実行、かつ、製品Ａの検索を３回以上実行、が含まれるユーザ」から、「行動履歴に、製品Ａを販売するウェブページの閲覧を１回以上実行、かつ、製品Ａの検索を２回以上実行、が含まれるユーザ」のように条件を変更する。変更する条件については、ターゲットの精度をなるべく落とさない範囲で設定されることが望ましいため、最適な条件を検出するために処理を要する可能性がある。   In the conventional method, processing may be required when expanding the target user. For example, it is assumed that users are classified into segments and advertising content is distributed to the classified users. In this case, when the number of users to be distributed is smaller than the number of distributions desired by the advertiser, it is required to expand the users to be distributed. Therefore, in the conventional method, for example, a user to be distributed is defined as “users who include“ browsing a web page for selling product A at least once and performing a search for product A at least three times in the action history ”. To “users whose behavior history includes browsing of a web page selling product A at least once and searching for product A at least twice”. The condition to be changed is desirably set within a range where the accuracy of the target is not lowered as much as possible, and therefore processing may be required to detect the optimum condition.

そこで、実施形態に係る第１モデル生成部１３３及び第２モデル生成部１３４は、従来手法と異なる手法によってユーザを抽出するため、指定イベントよりも前の行動と類似する行動であるか否かを段階的に判定する複数のモデルである第１モデル及び第２モデルを生成する。以下に、第１モデル生成部１３３及び第２モデル生成部１３４が行う生成処理について、図６を用いて説明する。   Therefore, since the first model generation unit 133 and the second model generation unit 134 according to the embodiment extract users by a method different from the conventional method, it is determined whether or not the behavior is similar to the behavior before the specified event. A first model and a second model, which are a plurality of models determined in stages, are generated. Hereinafter, generation processing performed by the first model generation unit 133 and the second model generation unit 134 will be described with reference to FIG.

図６は、実施形態に係るモデル生成処理の一例を示す図である。図６では、実施形態に係る第１モデル生成部１３３及び第２モデル生成部１３４によるモデル生成処理の流れを示している。なお、図６の例において、モデルの目的となる指定イベントは、「製品Ａの購入」であるものとする。   FIG. 6 is a diagram illustrating an example of model generation processing according to the embodiment. FIG. 6 shows a flow of model generation processing by the first model generation unit 133 and the second model generation unit 134 according to the embodiment. In the example of FIG. 6, it is assumed that the designated event that is the object of the model is “purchase of product A”.

図６において、グループＧ０１に含まれるユーザは、製品Ａを過去に購入したユーザである。ここで、製品Ａを過去に購入したユーザに関するユーザ情報等のデータを、モデル生成における「正例」とする。正例とは、モデルの生成にあたって利用されるデータであり、指定イベントを実行した行動履歴のデータである。   In FIG. 6, the users included in the group G01 are users who have purchased the product A in the past. Here, data such as user information relating to a user who has purchased the product A in the past is referred to as a “positive example” in model generation. A positive example is data used in generating a model, and is data of an action history of executing a specified event.

一方、グループＧ０２に含まれるユーザは、所定の判定基準時において、製品Ａを購入していないユーザである。製品Ａを過去に購入していないユーザの行動履歴のデータを、モデル生成における「負例」とする。負例は、正例以外の全てのユーザの行動履歴のデータが該当する。   On the other hand, the users included in the group G02 are users who have not purchased the product A at a predetermined determination criterion. Data of the action history of a user who has not purchased the product A in the past is defined as a “negative example” in model generation. The negative example corresponds to the data of the action history of all users other than the positive example.

ここで、モデルの生成は、単に正例の行動履歴を解析することのみでは達成されない。すなわち、生成したモデルと所定のユーザの行動履歴とを照らした場合に、所定のユーザが指定イベントを実行する側と高精度に判定されるか否かは、正例に類似する負例による学習を要する。具体的には、モデルの生成においては、負例に含まれる「正例に類似するが、製品Ａを購入しなかった」行動履歴のデータを学習することを要する。このような負例の学習により、判定対象とするユーザの行動履歴のデータが正例と類似するような紛らわしいデータであっても、微少な差異を区別することが可能となり、高精度に正例と類似するか否かを判定するモデルを生成することができる。   Here, the generation of the model is not achieved simply by analyzing the action history of the positive example. That is, when the generated model and the behavior history of a predetermined user are illuminated, whether or not the predetermined user is determined with high accuracy from the side executing the specified event is learned by a negative example similar to the positive example. Cost. Specifically, in generating the model, it is necessary to learn data of an action history “similar to the positive example but did not purchase the product A” included in the negative example. By learning such a negative example, even if the behavior history data of the user to be determined is confusing data similar to the positive example, it is possible to distinguish a minute difference, and the positive example with high accuracy A model can be generated that determines whether or not they are similar.

まず、第１モデル生成部１３３は、グループＧ０１から所定数の正例を集計する（ステップＳ２１）。また、第１モデル生成部１３３は、グループＧ０２からランダムに抽出した所定数（例えば、ステップＳ２１で集計した正例と同数）のユーザ群であるグループＧ０３から負例を集計する（ステップＳ２２）。   First, the first model generation unit 133 counts a predetermined number of positive examples from the group G01 (step S21). Further, the first model generation unit 133 counts negative examples from the group G03, which is a predetermined number of user groups randomly extracted from the group G02 (for example, the same number as the positive examples counted in Step S21) (Step S22).

第１モデル生成部１３３は、正例のデータについて、指定イベントである「製品Ａの購入」が起きた時点を基準とし、「製品Ａの購入」が起きた時点から過去の所定の時間幅ＤＵ１におけるイベント情報を集計する。そして、第１モデル生成部１３３は、負例のデータについてもイベント情報を集計する。ところで、負例には指定イベントである「製品Ａを購入」が起きた時点が存在しないため、第１モデル生成部１３３は、各負例について、それぞれランダムな時点を指定イベントが起きた時点と仮定する。そして、第１モデル生成部１３３は、仮定した時点を基準として、正例でイベント情報を集計した期間と同じ期間である時間幅ＤＵ１におけるイベント情報を集計する。このように、第１モデル生成部１３３は、ランダムな時点を指定イベントが起きた時点と仮定することにより、特定期間のみに発生する流行的なイベントの影響を受けずに、負例におけるイベント情報を集計することができる。   The first model generation unit 133 uses the time point “purchase of product A”, which is the designated event, as a reference for the positive example data, and a predetermined time width DU1 in the past from the time point of “purchase of product A” occurs. The event information at is aggregated. And the 1st model production | generation part 133 totals event information also about the data of a negative example. By the way, since the negative example does not have a point in time when “Purchase product A”, which is a designated event, has occurred, the first model generation unit 133 sets a random point in time for each negative example as a point in time when the designated event has occurred. Assume. And the 1st model production | generation part 133 totals the event information in the time width DU1 which is the same period as the period which totaled the event information in the positive example on the basis of the assumed time. As described above, the first model generation unit 133 assumes that a random time point is a time point when a specified event occurs, and thus is not affected by a trendy event that occurs only during a specific period, and the event information in the negative example Can be tabulated.

続いて、第１モデル生成部１３３は、集計した正例及び負例の行動履歴のデータに基づいて、第１モデルを生成する（ステップＳ２３）。ここで、第１モデル生成部１３３が集計する負例には、上述したような、「正例に類似するが、製品Ａを購入しなかった」行動履歴のデータが含まれる可能性が低くなることが想定される。これは、集計対象とする正例（グループＧ０１）に対して、集計対象とする負例（グループＧ０２）の数が膨大であるため、負例からランダムに抽出したグループＧ０３の中に、「正例に類似するが、製品Ａを購入しなかった」行動履歴のデータが含まれる割合が極めて低いことによる。   Subsequently, the first model generation unit 133 generates a first model based on the tabulated positive and negative action history data (step S23). Here, the negative example counted by the first model generation unit 133 is less likely to include action history data “similar to the positive example but did not purchase the product A” as described above. It is assumed that This is because the number of negative examples (group G02) to be aggregated is enormous compared to the positive examples (group G01) to be aggregated. This is due to the fact that the percentage of the action history data that is similar to the example but did not purchase the product A is very low.

すなわち、第１モデル生成部１３３により生成される第１モデルは、負例に含まれる「正例に類似するが、製品Ａを購入しなかった」行動履歴のデータを加えて学習することを目的とするモデルではなく、負例に含まれる「大量の自明な負例」を除去するためのモデルとなる。自明な負例とは、一見して、製品Ａの購入とは無関係な行動履歴のみを含む負例である。第１モデルによれば、所定のユーザの行動履歴のデータを照らした場合に、正例と、自明な負例とを判定することができる。   That is, the first model generated by the first model generation unit 133 is intended to learn by adding behavior history data “similar to the positive example but did not purchase the product A” included in the negative example. Is a model for removing “a large number of obvious negative examples” included in the negative examples. The self-explanatory negative example is a negative example that includes only an action history that is unrelated to the purchase of the product A at first glance. According to the first model, when the action history data of a predetermined user is illuminated, it is possible to determine a positive example and an obvious negative example.

続いて、第２モデル生成部１３４による第２モデルの生成処理について説明する。第２モデル生成部１３４は、第１モデルの生成で集計したグループＧ０３の負例以外の負例であって、グループＧ０３と比べて大量の負例（例えば、グループＧ０３の１０倍など）をグループＧ０２から集計する（ステップＳ２４）。   Next, the second model generation process by the second model generation unit 134 will be described. The second model generation unit 134 is a negative example other than the negative examples of the group G03 aggregated in the generation of the first model, and a larger number of negative examples (for example, 10 times the group G03) than the group G03. Aggregate from G02 (step S24).

そして、第２モデル生成部１３４は、集計した大量の負例を第１モデルに照らすことにより、スコア付けを行う（ステップＳ２５）。これにより、第２モデル生成部１３４は、集計した大量の負例の中から、一定のスコア以上の負例であるグループＧ０４を抽出する。この場合の一定のスコアは、例えば、スコアの具体的な数値を設定してもよいし、後述する第２モデルの生成において用いられる正例の数と等しくなるよう調整されたスコアを設定してもよい。   Then, the second model generation unit 134 performs scoring by illuminating the first model with a large number of negative examples collected (step S25). Thereby, the 2nd model production | generation part 134 extracts the group G04 which is a negative example more than a fixed score from the aggregated large amount of negative examples. The fixed score in this case may be set to a specific numerical value of the score, for example, or a score adjusted to be equal to the number of positive examples used in the generation of the second model described later. Also good.

続いて、第２モデル生成部１３４は、第１モデルの生成処理と同様に、グループＧ０１から所定数の正例を集計する（ステップＳ２６）。また、第２モデル生成部１３４は、上記の第１モデルでのスコア付けで抽出されたグループＧ０４から、所定数（例えば、ステップＳ２６で集計した正例と同数）の負例を集計する（ステップＳ２７）。   Subsequently, the second model generation unit 134 aggregates a predetermined number of positive examples from the group G01 as in the first model generation process (step S26). Further, the second model generation unit 134 counts a predetermined number of negative examples (for example, the same number as the positive examples counted in step S26) from the group G04 extracted by scoring in the first model (step S26). S27).

そして、第２モデル生成部１３４は、集計した正例の行動履歴のデータと、負例のデータとに基づいて、第２モデルを生成する（ステップＳ２８）。ここで、第２モデル生成部１３４が集計する負例には、上述したような、「正例に類似するが、製品Ａを購入しなかった」行動履歴のデータが含まれる可能性が高くなることが想定される。これは、ステップＳ２５において、大量の負例を第１モデルでスコア付けすることにより、「正例に類似するが、製品Ａを購入しなかった」行動履歴のデータが抽出された上で、第２モデルを生成していることによる。   And the 2nd model production | generation part 134 produces | generates a 2nd model based on the data of the action history of the positive example totaled, and the data of a negative example (step S28). Here, the negative example counted by the second model generation unit 134 is likely to include action history data “similar to the positive example but did not purchase the product A” as described above. It is assumed that In step S25, by scoring a large number of negative examples with the first model, the action history data “similar to the positive example but did not purchase product A” is extracted. This is because two models are generated.

すなわち、第２モデル生成部１３４により生成される第２モデルは、第１モデルと異なり、負例に含まれる「正例に類似するが、製品Ａを購入しなかった」行動履歴のデータを加えて学習することを目的とするモデルとなる。第２モデルによれば、所定のユーザの行動履歴のデータを照らした場合に、正例と、「正例に類似するが、製品Ａを購入しなかった」負例とを、高精度に判定することができる。   That is, the second model generated by the second model generation unit 134 is different from the first model, and adds behavior history data “similar to the positive example but did not purchase the product A” included in the negative example. Model for learning. According to the second model, when the action history data of a predetermined user is illuminated, a positive example and a negative example “similar to the positive example but did not purchase the product A” are determined with high accuracy. can do.

このように、第１モデル生成部及び第２モデル生成部により、２種類のモデルが生成される。ここで、実施形態に係るモデル生成処理においては、指定イベントが起きた時点から過去の所定の時間幅ＤＵ１における行動履歴のデータを正例とするので、「既に製品Ａを購入したユーザ」と、「将来、製品Ａを購入すると予測されるユーザ」が混同するような従来手法の問題が発生しない。また、実施形態に係るモデル生成処理においては、指定イベントを実行したユーザの「指定イベントを実行するに至るまでの所定の行動」がそのままモデル生成の対象となるため、上記従来手法のような、セグメントの設定が不要となる。   Thus, two types of models are generated by the first model generation unit and the second model generation unit. Here, in the model generation process according to the embodiment, since the action history data in the predetermined time width DU1 in the past from the time when the specified event occurs is taken as a positive example, "the user who has already purchased the product A" The problem of the conventional method that confuses “users who are expected to purchase product A in the future” does not occur. Further, in the model generation process according to the embodiment, the “predetermined behavior until execution of the specified event” of the user who has executed the specified event is directly subjected to model generation. Segment setting is not required.

また、第１モデル生成部１３３と、第２モデル生成部１３４とはともにモデルを生成するが、取り扱う負例が異なる。上述のように、第２モデル生成部１３４は、「自明な負例」を排除した上で第２モデルを生成する。これにより、第２モデル生成部１３４は、大量の「自明な負例」から影響を受けずに第２モデルを生成できる。結果として、第２モデルは、正例と、「正例に類似するが、製品Ａを購入しなかった」負例とを判定する処理に優れたモデルとなる。   Moreover, although the 1st model production | generation part 133 and the 2nd model production | generation part 134 produce | generate a model together, the negative example handled is different. As described above, the second model generation unit 134 generates the second model after eliminating the “trivial negative example”. Thereby, the second model generation unit 134 can generate the second model without being affected by a large amount of “trivial negative examples”. As a result, the second model is an excellent model for determining a positive example and a negative example “similar to the positive example but did not purchase the product A”.

（要求受付部１３５について）
要求受付部１３５は、広告配信に関する要求を受け付ける。具体的には、実施形態に係る要求受付部１３５は、ウェブページを表示するユーザ端末１０から送信される要求であって、ウェブページに含まれる広告枠で表示する広告コンテンツの配信に関する要求を受け付ける。 (About the request reception unit 135)
The request reception unit 135 receives a request regarding advertisement distribution. Specifically, the request receiving unit 135 according to the embodiment is a request transmitted from the user terminal 10 that displays a web page, and receives a request related to distribution of advertising content displayed in an advertising space included in the web page. .

（抽出部１３６について）
抽出部１３６は、取得部１３２によって取得された行動履歴のうち所定の行動よりも前の行動履歴を用いて、当該所定の行動をすることが予測される対象のユーザを抽出する。また、抽出部１３６は、対象のユーザとして、現時点から所定期間内に指定イベントをすることが予測されるユーザを抽出する。具体的には、実施形態に係る抽出部１３６は、入稿受付部１３１により受け付けられた指定イベントである製品Ａの購入をしたユーザの行動の時点よりも前の行動履歴を用いて、現時点から将来において製品Ａを購入することが予測される対象のユーザを抽出する。 (About the extraction unit 136)
The extraction unit 136 extracts a target user who is predicted to perform the predetermined action using the action history before the predetermined action among the action histories acquired by the acquisition unit 132. Further, the extraction unit 136 extracts a user who is predicted to have a designated event within a predetermined period from the current time as a target user. Specifically, the extraction unit 136 according to the embodiment uses the action history before the time of the action of the user who purchased the product A, which is the designated event received by the submission receiving unit 131, from the current time. A target user who is expected to purchase the product A in the future is extracted.

ここで、抽出部１３６は、第１モデル生成部１３３及び第２モデル生成部１３４によって生成された複数のモデルである第１モデル及び第２モデルを用いて、対象のユーザを抽出する。すなわち、抽出部１３６は、任意の判定基準時において、取得部１３２が取得したユーザの行動履歴を用いて、各ユーザをスコア付けすることにより、広告配信の対象とするユーザを抽出する。   Here, the extraction unit 136 extracts a target user using the first model and the second model which are a plurality of models generated by the first model generation unit 133 and the second model generation unit 134. That is, the extraction unit 136 extracts users who are targeted for advertisement distribution by scoring each user using the user's behavior history acquired by the acquisition unit 132 at an arbitrary determination criterion.

まず、抽出部１３６は、取得部１３２が取得したユーザ情報に含まれるユーザの行動履歴を第１モデルと照らし合わせる。すなわち、抽出部１３６は、各ユーザを第１モデルによりスコア付けする。そして、抽出部１３６は、スコアが一定以上であるユーザを抽出する。   First, the extraction unit 136 compares the user behavior history included in the user information acquired by the acquisition unit 132 with the first model. That is, the extraction unit 136 scores each user with the first model. And the extraction part 136 extracts the user whose score is more than fixed.

続いて、抽出部１３６は、一定のスコア以上であったユーザについて、さらに第２モデルと照らし合わせる。すなわち、抽出部１３６は、各ユーザを第２モデルによりスコア付けする。そして、抽出部１３６は、各ユーザをスコア順に抽出する。この場合、抽出部１３６は、ユーザをスコア順に表示するユーザリストのようなものを作成してもよい。   Subsequently, the extraction unit 136 further checks the user who has a certain score or more with the second model. That is, the extraction unit 136 scores each user with the second model. And the extraction part 136 extracts each user in order of a score. In this case, the extraction unit 136 may create a user list that displays users in order of score.

なお、抽出部１３６は、上記のように、各ユーザを第１モデルと照らし合わせた後に、第２モデルと照らし合わせるよう、各処理を順番に実行する。これは、第１モデルと第２モデルで判定対象とする要素が異なるため、第１モデルを照らし合わせずに第２モデルを照らし合わせた場合、適切にユーザが抽出されない可能性があるためである。   In addition, after extracting each user with the 1st model as mentioned above, the extraction part 136 performs each process in order so that it may check with the 2nd model. This is because the elements to be determined are different between the first model and the second model, and therefore, if the second model is collated without collating the first model, the user may not be appropriately extracted. .

（配信部１３７について）
配信部１３７は、広告コンテンツの配信要求に対して、広告コンテンツを配信する。具体的には、実施形態に係る配信部１３７は、抽出部１３６によって抽出されたユーザに対して、入稿受付部１３１により受け付けられた広告コンテンツを配信する。例えば、配信部１３７は、要求受付部１３５が広告配信の要求を受け付けた所定のユーザであって、抽出部１３６により、スコア上位者として抽出されたユーザである場合に、かかるユーザに対して、指定イベントに対応する広告コンテンツを配信する。 (About distribution unit 137)
The distribution unit 137 distributes the advertisement content in response to the advertisement content distribution request. Specifically, the distribution unit 137 according to the embodiment distributes the advertisement content received by the submission receiving unit 131 to the user extracted by the extraction unit 136. For example, the distribution unit 137 is a predetermined user who has received a request for advertisement distribution by the request reception unit 135 and is a user extracted as a higher score by the extraction unit 136. Deliver advertising content corresponding to the specified event.

なお、上述のように、実際に配信される広告コンテンツのデータ自体は、広告装置１００に係る記憶部１２０内に記憶されていなくてもよい。例えば、配信部１３７は、外部に備えられた所定の広告配信サーバに広告配信の制御命令を送信することで、ユーザ端末１０に広告コンテンツを配信させてもよい。   Note that as described above, the data of the advertisement content that is actually distributed may not be stored in the storage unit 120 of the advertisement device 100. For example, the distribution unit 137 may cause the user terminal 10 to distribute the advertisement content by transmitting an advertisement distribution control command to a predetermined advertisement distribution server provided outside.

〔４．抽出処理手順〕
次に、図７及び図８を用いて、実施形態に係る広告装置１００による抽出処理の手順について説明する。以下においては、図７を参照して広告装置１００によるモデル生成処理手順を説明し、図８を参照して広告装置１００による抽出処理手順を説明する。 [4. (Extraction procedure)
Next, the procedure of the extraction process by the advertising device 100 according to the embodiment will be described with reference to FIGS. In the following, the model generation processing procedure by the advertising device 100 will be described with reference to FIG. 7, and the extraction processing procedure by the advertising device 100 will be described with reference to FIG.

まず、図７を用いて、実施形態に係る広告装置１００によるモデル生成処理手順について説明する。図７は、実施形態に係る広告装置１００によるモデル生成処理手順を示すフローチャートである。   First, the model generation processing procedure by the advertising device 100 according to the embodiment will be described with reference to FIG. FIG. 7 is a flowchart illustrating a model generation processing procedure performed by the advertising device 100 according to the embodiment.

図７に示すように、入稿受付部１３１は、広告主から広告コンテンツの入稿とともに、広告配信の条件を受け付けたか否かを判定する（ステップＳ１０１）。そして、入稿受付部１３１は、広告主から広告配信の条件を受け付けていない場合（ステップＳ１０１；Ｎｏ）、受け付けるまで待機する。   As illustrated in FIG. 7, the submission receiving unit 131 determines whether or not an advertisement distribution condition has been received together with the submission of the advertising content from the advertiser (step S <b> 101). Then, the submission accepting unit 131 waits until it is accepted when the advertisement delivery condition is not accepted from the advertiser (step S101; No).

一方、広告主から広告配信の条件を受け付けた場合（ステップＳ１０１；Ｙｅｓ）、入稿受付部１３１は、広告配信の条件に関する情報を取得部１３２に渡し、取得部１３２は、かかる条件に関するユーザ情報を取得する（ステップＳ１０２）。   On the other hand, when an advertisement distribution condition is received from the advertiser (step S101; Yes), the submission reception unit 131 passes information related to the advertisement distribution condition to the acquisition unit 132, and the acquisition unit 132 includes user information regarding the condition. Is acquired (step S102).

そして、第１モデル生成部１３３は、取得部１３２の取得したユーザ情報に基づいて、製品Ａの購入者の行動履歴を集計する（ステップＳ１０３）。また、第１モデル生成部１３３は、ランダムに選出された未購入者の行動履歴についても集計する（ステップＳ１０４）。そして、第１モデル生成部１３３は、集計した情報に基づいて、第１モデルを生成する（ステップＳ１０５）。   And the 1st model production | generation part 133 totals the action history of the purchaser of the product A based on the user information which the acquisition part 132 acquired (step S103). In addition, the first model generation unit 133 also adds up the action history of the unpurchased persons selected at random (step S104). And the 1st model production | generation part 133 produces | generates a 1st model based on the totaled information (step S105).

そして、第２モデル生成部１３４は、第１モデルの生成で利用した未購入者の行動履歴と比較して多数の未購入者の行動履歴を第１モデルでスコア付けする（ステップＳ１０６）。そして、第２モデル生成部１３４は、第２モデル生成のため、一定のスコア付け以上の未購入者のサンプルを抽出する（ステップＳ１０７）。   And the 2nd model production | generation part 134 scores the action history of many non-purchasers with a 1st model compared with the action history of the non-purchasers used by the production | generation of a 1st model (step S106). And the 2nd model production | generation part 134 extracts the sample of the unpurchased person more than fixed scoring for a 2nd model production | generation (step S107).

続いて、第２モデル生成部１３４は、抽出した一定のスコア付け以上の未購入者のサンプルと、正例である購入者の行動履歴とに基づいて、第２モデルを生成する（ステップＳ１０８）。以上により、広告装置１００によるモデル生成処理は完了する。   Subsequently, the second model generation unit 134 generates a second model based on the extracted samples of unpurchased persons who have a certain score or more and the purchaser's behavior history as a positive example (step S108). . Thus, the model generation process by the advertising device 100 is completed.

次に、図８を用いて、実施形態に係る広告装置１００による抽出処理手順を説明する。図８は、実施形態に係る広告装置１００による抽出処理手順を示すフローチャートである。   Next, the extraction processing procedure by the advertising device 100 according to the embodiment will be described with reference to FIG. FIG. 8 is a flowchart illustrating an extraction processing procedure by the advertising device 100 according to the embodiment.

図８に示すように、要求受付部１３５は、ユーザ端末１０から、広告配信の要求を受け付けたか否かを判定する（ステップＳ２０１）。そして、要求受付部１３５は、広告配信の要求を受け付けていない場合（ステップＳ２０１；Ｎｏ）、受け付けるまで待機する。   As illustrated in FIG. 8, the request reception unit 135 determines whether an advertisement distribution request has been received from the user terminal 10 (step S <b> 201). And the request | requirement reception part 135 waits until it receives, when the request | requirement of advertisement delivery is not received (step S201; No).

一方、広告配信を受け付けた場合（ステップＳ２０１；Ｙｅｓ）、要求受付部１３５は、広告配信に関する要求を抽出部１３６に渡す。そして、抽出部１３６は、広告コンテンツを配信する可能性のあるユーザに該当するユーザの行動履歴を取得する（ステップＳ２０２）。   On the other hand, when the advertisement distribution is received (step S <b> 201; Yes), the request reception unit 135 passes a request regarding the advertisement distribution to the extraction unit 136. And the extraction part 136 acquires the action log | history of the user applicable to the user who may deliver advertisement content (step S202).

続いて、抽出部１３６は、取得したユーザの行動履歴について、第１モデルでスコア付けする（ステップＳ２０３）。そして、抽出部１３６は、スコア付けされたスコアが一定以上であるか否かを判定する（ステップＳ２０４）。一定スコア以上でない場合、抽出部１３６は、かかるユーザを広告配信の対象としない（ステップＳ２０７）。   Subsequently, the extraction unit 136 scores the acquired user behavior history with the first model (step S203). Then, the extraction unit 136 determines whether or not the scored score is greater than or equal to a certain level (step S204). When the score is not equal to or higher than the predetermined score, the extraction unit 136 does not set the user as a target for advertisement distribution (step S207).

一方、一定のスコア以上である場合（ステップＳ２０４；Ｙｅｓ）、抽出部１３６は、さらに、かかるユーザの行動履歴を第２モデルでスコア付けする（ステップＳ２０５）。そして、抽出部１３６は、広告配信の要求を送信したユーザの行動履歴がスコア上位者に該当するか否かを判定する（ステップＳ２０６）。スコア上位者に該当しない場合、抽出部１３６は、かかるユーザを広告配信の対象としない（ステップＳ２０７）。   On the other hand, when the score is equal to or higher than a certain score (step S204; Yes), the extraction unit 136 further scores the action history of the user with the second model (step S205). Then, the extraction unit 136 determines whether or not the action history of the user who transmitted the advertisement distribution request corresponds to a higher score (step S206). If the score does not correspond to the top scorer, the extraction unit 136 does not set the user as the target of advertisement distribution (step S207).

一方、スコア上位者に該当する場合（ステップＳ２０６；Ｙｅｓ）、抽出部１３６は、かかるユーザを広告配信の対象として抽出する（ステップＳ２０８）以上により、広告装置１００による抽出処理は完了する。   On the other hand, when it corresponds to a score high rank person (Step S206; Yes), extraction part 136 extracts this user as a candidate for advertising distribution (Step S208), and the extraction process by advertising device 100 is completed by the above.

〔５．変形例〕
上述した広告装置１００は、上記実施形態以外にも種々の異なる形態にて実施されてよい。そこで、以下では、広告装置１００の他の実施形態について説明する。 [5. (Modification)
The advertising device 100 described above may be implemented in various different forms other than the above embodiment. Therefore, in the following, another embodiment of the advertising device 100 will be described.

〔５−１．複数の指定イベント〕
上述した実施形態において、入稿受付部１３１は、広告主から一つのイベントの指定を受け付ける例を示した。また、第１モデル生成部１３３及び第２モデル生成部１３４は、広告主から受け付けた一つの指定イベントに関して、指定イベントを実行したユーザのモデルを生成する例を示した。しかし、指定イベントは一つに限られず、複数のイベントが指定されてもよい。すなわち、抽出部１３６は、複数のイベントの組合せである指定イベントよりも前の行動履歴を用いて、複数のイベントの組合せである指定イベントをすることが予測される対象のユーザを抽出する。 [5-1. (Multiple specified events)
In the above-described embodiment, the submission accepting unit 131 has shown an example of accepting designation of one event from an advertiser. Moreover, the 1st model production | generation part 133 and the 2nd model production | generation part 134 showed the example which produces | generates the model of the user who performed the designated event regarding one designated event received from the advertiser. However, the designated event is not limited to one, and a plurality of events may be designated. That is, the extraction unit 136 extracts a target user who is predicted to perform a specified event that is a combination of a plurality of events, using an action history that precedes the specified event that is a combination of a plurality of events.

例えば、入稿受付部１３１は、「バナー広告をクリックする」というイベントの後に、「製品Ａを購入する」というイベントが実行される、という二つのイベントの指定を受け付けてもよい。   For example, the submission accepting unit 131 may accept designation of two events in which an event “Purchase Product A” is executed after an event “Click a banner advertisement”.

この場合、第１モデル生成部１３３及び第２モデル生成部１３４は、「バナー広告をクリックする」というイベントの後に、「製品Ａを購入する」というイベントを実行したユーザの行動履歴を正例として、モデルを生成する。   In this case, the first model generation unit 133 and the second model generation unit 134 use the behavior history of the user who executed the event “Purchase Product A” after the event “Click a banner advertisement” as a positive example. Generate a model.

このように、広告装置１００は、複数のイベントの指定を受け付ける。そして、広告装置１００は、複数のイベントを指定イベントとして、指定イベントを実行する可能性の高いユーザを抽出する。これにより、広告装置１００は、広告主からの詳細な要望に対応して、広告コンテンツの配信対象とするユーザを抽出することができる。また、複数のイベントを指定した場合には、広告配信の対象となるユーザが抽出される数が絞りこまれることが想定される。この場合、広告主は、少ない広告コンテンツの配信数で、コンバージョンが高く見込めるユーザに広告コンテンツを配信できるので、広告配信にかかる費用を抑えつつ、広告効果を向上させることができる。   As described above, the advertising device 100 accepts designation of a plurality of events. Then, the advertising device 100 extracts a user who has a high possibility of executing the specified event using a plurality of events as the specified event. Thereby, the advertising device 100 can extract the users who are the distribution target of the advertising content in response to the detailed request from the advertiser. In addition, when a plurality of events are designated, it is assumed that the number of users to be targeted for advertisement distribution is narrowed down. In this case, the advertiser can distribute the advertising content to a user who can expect a high conversion with a small number of distributions of the advertising content. Therefore, the advertising effect can be improved while suppressing the cost for the advertising distribution.

〔５−２．行動履歴の重み付け〕
上述した実施形態において、第１モデル生成部１３３及び第２モデル生成部１３４が、所定数の正例と負例との例を用いて、モデルを生成する例を示した。ここで、第１モデル生成部１３３及び第２モデル生成部１３４は、モデルの生成に用いる正例や負例の行動履歴データについて重み付けを行い、モデルを生成してもよい。すなわち、第１モデル生成部１３３及び第２モデル生成部１３４は、ユーザ毎に重み付けがなされた行動履歴に基づいて、第１モデル及び第２モデルを生成する。 [5-2. (Behavior history weighting)
In the embodiment described above, an example in which the first model generation unit 133 and the second model generation unit 134 generate a model using a predetermined number of positive examples and negative examples has been described. Here, the 1st model production | generation part 133 and the 2nd model production | generation part 134 may perform weighting about the action history data of the positive example and negative example used for the production | generation of a model, and may produce | generate a model. That is, the first model generation unit 133 and the second model generation unit 134 generate the first model and the second model based on the action history weighted for each user.

例えば、第１モデル生成部１３３は、インプレッション数が多いユーザに関する行動履歴であって、コンバージョンが低いユーザに関する行動履歴について、モデルの生成における重み付けを行う。具体的には、第１モデル生成部１３３は、インプレッション数が多く、かつ、負例となるユーザの行動履歴については、学習の度合いを高く設定する。言い換えれば、第１モデル生成部１３３は、インプレッション数が多く、かつ、負例となるユーザの行動履歴については、他の負例に比べて、モデルへの影響が大きくなるように設定する。   For example, the first model generation unit 133 weights the generation of a model for an action history related to a user with a large number of impressions and a user having a low conversion. Specifically, the first model generation unit 133 sets a high degree of learning for the user action history that has a large number of impressions and is a negative example. In other words, the first model generation unit 133 sets the number of impressions and the user's behavior history as a negative example so that the influence on the model is greater than that in other negative examples.

インプレッション数が多いユーザには、頻繁に広告コンテンツが配信される。ところが、頻繁に広告コンテンツが配信されるにもかかわらず、コンバージョンがない、あるいは、コンバージョンが少ないユーザに対しては、頻繁に広告コンテンツを配信することは広告効果の向上につながらない。また、広告主にとっては、広告効果が向上しないユーザに広告コンテンツが頻繁に配信されることで、広告配信にかかる費用が無駄に増大することになる。そのため、第１モデル生成部１３３は、かかるユーザについては、他の負例に比べて、モデルへの影響が大きくなるように設定し、インプレッション数が多く、コンバージョンの低いユーザには広告コンテンツが配信されにくくなるように調整した上で、モデルを生成する。   Advertising content is frequently distributed to users with a large number of impressions. However, even if advertising content is frequently distributed, frequently distributing advertising content does not lead to an improvement in advertising effectiveness for users who have no conversion or few conversions. In addition, for advertisers, advertising content is frequently distributed to users whose advertising effectiveness is not improved, so that the cost for advertising distribution is unnecessarily increased. Therefore, the first model generation unit 133 sets such a user to have a larger influence on the model than other negative examples, and distributes advertising content to a user with a large number of impressions and low conversion. The model is generated after adjusting so that it is difficult to be done.

また、第１モデル生成部１３３は、インプレッション数が少ないユーザであって、かつ、正例であるユーザについても重み付けをしてモデルを生成する。すなわち、インプレッション数が少ないユーザであって正例であるユーザは、コンバージョン率が高く、広告効果の向上につながりやすい。この場合、第１モデル生成部１３３は、かかるユーザについては、他の正例に比べて、モデルへの影響が大きくなるように設定し、インプレッションが低いようなユーザに広告コンテンツが配信されやすく調整した上で、モデルを生成する。   In addition, the first model generation unit 133 generates a model by weighting a user who has a small number of impressions and who is a positive example. That is, a user who has a small number of impressions and is a positive example has a high conversion rate and is likely to improve the advertising effect. In this case, the first model generation unit 133 sets such a user to have a larger influence on the model than other positive examples, and adjusts the advertisement content to be easily distributed to a user with a low impression. And generate a model.

このように、広告装置１００は、取り扱う正例、負例のデータについて、重み付けを行ってモデルを生成し、広告配信の対象となるユーザを抽出する。これにより、広告装置１００は、ユーザの行動の実態に即して抽出処理を行うことができる。結果として、広告装置１００は、インプレッション数を抑えた上で、広告効果が向上するような広告コンテンツの配信を実現できる。また、広告主にとっては、広告コンテンツの配信にかかる費用を抑えた上で、広告効果の高い広告配信が実現できる。   As described above, the advertising device 100 generates a model by weighting the positive example data and the negative example data to be handled, and extracts the user who is the target of the advertisement distribution. Thereby, the advertising device 100 can perform the extraction process according to the actual state of the user's behavior. As a result, the advertising device 100 can realize the distribution of the advertising content that improves the advertising effect while suppressing the number of impressions. In addition, for the advertiser, it is possible to realize advertisement distribution with high advertising effect while suppressing the cost for distribution of advertisement content.

〔５−３．データの取得〕
上述した実施形態に係る抽出処理において、取得部１３２は、ユーザ端末１０がウェブサーバ３０の提供するウェブサイトにアクセスした場合におけるユーザ情報を取得する例を示した。しかし、取得部１３２は、ユーザ端末１０がウェブサーバ３０の提供するウェブサイトにアクセスする場合に限らず、ユーザ端末１０からユーザ情報を取得することもある。この点について、以下に説明する。 [5-3. (Data acquisition)
In the extraction process according to the above-described embodiment, the acquisition unit 132 has shown an example of acquiring user information when the user terminal 10 accesses a website provided by the web server 30. However, the acquisition unit 132 is not limited to the case where the user terminal 10 accesses a website provided by the web server 30, and may acquire user information from the user terminal 10. This point will be described below.

上述のように、実施形態に係る取得部１３２は、ウェブサーバ３０の提供するウェブサイトに埋め込まれたウェブビーコンのような通知機能を利用することにより、ユーザ端末１０からユーザ情報を取得する。すなわち、取得部１３２は、ユーザ端末１０が上記のような通知機能を備えないウェブサイトにアクセスした場合には、ユーザ情報を取得することができない。   As described above, the acquisition unit 132 according to the embodiment acquires user information from the user terminal 10 by using a notification function such as a web beacon embedded in a website provided by the web server 30. That is, the acquisition unit 132 cannot acquire user information when the user terminal 10 accesses a website that does not have the notification function as described above.

しかし、ユーザ端末１０がアクセスしたウェブサイトが、広告装置１００を管理する管理装置（例えば、広告装置１００に対するフロントエンドサーバ）と同じ管理装置に管理される所定のウェブサーバから提供されている場合、取得部１３２は、ユーザ端末１０からユーザ情報を取得することができる。すなわち、ユーザ端末１０は、管理装置に管理される所定のウェブサーバが提供するウェブサイトにアクセスする際、ユーザ端末１０のユーザ情報を上記管理装置に送信する。これは、ユーザ端末１０が管理装置にクッキーを送信することなどにより実現される。この場合、ユーザ端末１０の送信したユーザ情報は、管理装置を介して、広告装置１００の備える取得部１３２に送信される。これにより、取得部１３２は、ウェブサーバ３０を介することなく、ユーザ端末１０のユーザ情報を取得することができる。   However, when the website accessed by the user terminal 10 is provided from a predetermined web server managed by the same management device as the management device that manages the advertising device 100 (for example, the front-end server for the advertising device 100), The acquisition unit 132 can acquire user information from the user terminal 10. That is, when the user terminal 10 accesses a website provided by a predetermined web server managed by the management apparatus, the user terminal 10 transmits user information of the user terminal 10 to the management apparatus. This is realized by the user terminal 10 transmitting a cookie to the management apparatus. In this case, the user information transmitted from the user terminal 10 is transmitted to the acquisition unit 132 included in the advertising device 100 via the management device. Thereby, the acquisition unit 132 can acquire the user information of the user terminal 10 without going through the web server 30.

なお、取得部１３２は、ウェブサーバ３０を介さずに蓄積されたユーザ情報に対応するユーザ端末１０がウェブサーバ３０にアクセスした場合には、ウェブサーバ３０を介さずに蓄積されたユーザ情報に含まれるユーザＩＤ「Ｕ１」と同一のユーザＩＤ「Ｕ１」を含むユーザ情報を取得する。すなわち、取得部１３２は、ウェブサーバ３０を介したユーザ情報であっても、ウェブサーバ３０を介さないユーザ情報であっても、ユーザ端末１０にかかるユーザ識別情報については、同一のユーザＩＤ「Ｕ１」を取得することができる。このことは、ユーザ端末１０が同一のブラウザを用いてウェブサイトにアクセスすることで、ユーザ端末１０が、ウェブサーバ３０と管理装置とに対応するクッキーを送信することにより実現される。あるいは、ユーザ端末１０のデバイスＩＤを照合することにより実現される。   In addition, when the user terminal 10 corresponding to the user information accumulated without using the web server 30 accesses the web server 30, the acquisition unit 132 is included in the user information accumulated without using the web server 30. User information including the same user ID “U1” as the acquired user ID “U1” is acquired. That is, the acquisition unit 132 uses the same user ID “U1” for the user identification information related to the user terminal 10, whether the user information is via the web server 30 or the user information is not via the web server 30. Can be acquired. This is realized by the user terminal 10 transmitting a cookie corresponding to the web server 30 and the management apparatus by accessing the website using the same browser. Alternatively, it is realized by collating the device ID of the user terminal 10.

〔５−４．抽出処理のタイミング〕
上記実施形態においては、抽出部１３６は、ユーザ端末１０から広告配信の要求があったことを契機として、ユーザの抽出処理を行う例を示した。しかし、抽出部１３６がユーザの抽出処理を行うのは、任意のタイミングでよい。例えば、抽出部１３６は、随時抽出処理を行い、ユーザリストを更新してもよい。また、抽出部１３６は、所定の一定期間毎にユーザの抽出処理を行ってもよい。この場合、取得部１３２は、所定の一定期間毎にユーザ情報を取得し、ユーザ情報を更新する。 [5-4. (Extraction processing timing)
In the said embodiment, the extraction part 136 showed the example which performs a user's extraction process triggered by the request | requirement of advertisement delivery from the user terminal 10. FIG. However, the extraction unit 136 may perform user extraction processing at an arbitrary timing. For example, the extraction unit 136 may perform an extraction process as needed to update the user list. In addition, the extraction unit 136 may perform user extraction processing at predetermined intervals. In this case, the acquisition unit 132 acquires user information every predetermined period and updates the user information.

〔５−５．複数のモデル生成〕
上記実施形態におけるモデル生成処理においては、第１モデル生成部１３３及び第２モデル生成部１３４によって、２種類のモデルが生成される例を示した。しかし、モデル生成処理においては、さらに多くのモデルが生成されてもよい。すなわち、抽出処理の精度向上が見込まれる場合には、広告装置１００は、さらに多くのモデルを生成し、抽出処理を行うことができる。また、上記実施形態においては、モデルの生成が第１モデル生成部１３３と、第２モデル生成部１３４によって行われる例を示したが、両者は、モデル生成部として統合されてもよい。 [5-5. (Generate multiple models)
In the model generation process in the above embodiment, an example in which two types of models are generated by the first model generation unit 133 and the second model generation unit 134 has been shown. However, in the model generation process, more models may be generated. That is, when the accuracy of the extraction process is expected to be improved, the advertising device 100 can generate more models and perform the extraction process. Moreover, in the said embodiment, although the example which the production | generation of a model was performed by the 1st model production | generation part 133 and the 2nd model production | generation part 134 was shown, both may be integrated as a model production | generation part.

〔５−６．広告主から受け付ける条件〕
上述した実施形態では、入稿受付部１３１は、広告主から広告コンテンツの配信希望数を受け付ける例を示した。その他にも、入稿受付部１３１は、広告主から、所定の行動をすることが予測される対象のユーザに関する条件を受け付けてもよい。そして、抽出部１３６は、入稿受付部１３１により受け付けられた条件に基づいて、当該条件を満たすユーザを所定の行動をすることが予測される対象のユーザとして抽出する。 [5-6. (Conditions accepted from advertisers)
In the above-described embodiment, the submission accepting unit 131 has shown an example of accepting the desired number of advertisement content distributions from the advertiser. In addition, the submission receiving unit 131 may receive a condition related to a target user who is predicted to perform a predetermined action from the advertiser. Then, based on the condition received by the submission receiving unit 131, the extraction unit 136 extracts a user who satisfies the condition as a target user who is predicted to perform a predetermined action.

例えば、入稿受付部１３１は、広告主から、配信希望数とともに、ＣＰＡ（Cost Per Acquisition）の指定を受け付けてもよい。ＣＰＡは、広告コンテンツによってコンバージョンにつながった（新規顧客を獲得した）場合における、新規顧客の獲得人数あたりの費用を示す。ＣＰＡは、広告費用をコンバージョン数で除算することで求められ、ＣＰＡの値が低いほど、広告の効率がよいことを意味している。   For example, the submission accepting unit 131 may accept the designation of CPA (Cost Per Acquisition) from the advertiser together with the desired number of distributions. The CPA indicates the cost per number of new customers acquired when conversion is performed by the advertising content (new customers are acquired). CPA is obtained by dividing the advertising cost by the number of conversions, and the lower the CPA value, the better the advertising efficiency.

この場合、抽出部１３６は、広告主が指定したＣＰＡの範囲内（例えば、５００円以下など）において、ユーザの抽出度合いを調整してもよい。例えば、抽出部１３６は、所定の行動をすることが予測される対象のユーザとして抽出される度合いを低くすることで、抽出されるユーザ数を増やすことができる。この場合、ＣＰＡは上昇するものの、抽出部１３６は、多くのユーザ数を抽出することができる。   In this case, the extraction unit 136 may adjust the degree of user extraction within the range of the CPA designated by the advertiser (for example, 500 yen or less). For example, the extraction unit 136 can increase the number of extracted users by reducing the degree of extraction as a target user who is predicted to perform a predetermined action. In this case, although CPA increases, the extraction unit 136 can extract a large number of users.

このように、広告装置１００は、広告主から受け付けた条件に基づいて、条件を満たすユーザを抽出できる。これにより、広告主は、顧客の範囲を精度良く拡張することができる。なお、上記例において、入稿受付部１３１は、広告主から、ＣＰＣ（Cost Per Click）の指定を受け付けてもよい。ＣＰＣは、広告コンテンツがユーザにクリックされた際に、広告主から得られる報酬の単価を示す。例えば、ＣＰＣは、クリック１回あたりの料金に該当する。   In this way, the advertising device 100 can extract users who satisfy the conditions based on the conditions received from the advertiser. Thereby, the advertiser can extend the range of customers with high accuracy. In the above example, the submission receiving unit 131 may receive designation of CPC (Cost Per Click) from the advertiser. The CPC indicates a unit price of a reward obtained from the advertiser when the advertisement content is clicked by the user. For example, CPC corresponds to a charge per click.

また、抽出されたユーザに関する情報は、広告配信に利用される態様に限られず、他の様々な用途に利用されてもよい。例えば、広告装置１００の抽出したユーザに関する情報は、広告装置１００により生成されるユーザリスト等に基づいて、新たなユーザの獲得のための行動（例えば、抽出されたユーザへのメール配信など）に利用されてもよい。   Further, the extracted information about the user is not limited to the mode used for advertisement distribution, and may be used for various other purposes. For example, the information about the user extracted by the advertising device 100 is based on an action for acquiring a new user (for example, mail delivery to the extracted user) based on a user list or the like generated by the advertising device 100. It may be used.

〔６．ハードウェア構成〕
また、上述してきた実施形態に係る広告装置１００は、例えば図９に示すような構成のコンピュータ１０００によって実現される。以下、広告装置１００を例に挙げて説明する。図９は、広告装置１００の機能を実現するコンピュータ１０００の一例を示すハードウェア構成図である。コンピュータ１０００は、ＣＰＵ１１００、ＲＡＭ１２００、ＲＯＭ１３００、ＨＤＤ１４００、通信インターフェイス（Ｉ／Ｆ）１５００、入出力インターフェイス（Ｉ／Ｆ）１６００、及びメディアインターフェイス（Ｉ／Ｆ）１７００を有する。 [6. Hardware configuration)
Further, the advertising device 100 according to the embodiment described above is realized by a computer 1000 having a configuration as shown in FIG. 9, for example. Hereinafter, the advertisement apparatus 100 will be described as an example. FIG. 9 is a hardware configuration diagram illustrating an example of a computer 1000 that implements the functions of the advertising device 100. The computer 1000 includes a CPU 1100, RAM 1200, ROM 1300, HDD 1400, communication interface (I / F) 1500, input / output interface (I / F) 1600, and media interface (I / F) 1700.

ＣＰＵ１１００は、ＲＯＭ１３００又はＨＤＤ１４００に記憶されたプログラムに基づいて動作し、各部の制御を行う。ＲＯＭ１３００は、コンピュータ１０００の起動時にＣＰＵ１１００によって実行されるブートプログラムや、コンピュータ１０００のハードウェアに依存するプログラム等を記憶する。   The CPU 1100 operates based on a program stored in the ROM 1300 or the HDD 1400 and controls each unit. The ROM 1300 stores a boot program executed by the CPU 1100 when the computer 1000 is started up, a program depending on the hardware of the computer 1000, and the like.

ＨＤＤ１４００は、ＣＰＵ１１００によって実行されるプログラム、及び、かかるプログラムによって使用されるデータ等を記憶する。通信インターフェイス１５００は、通信網５００（図２に示したネットワークＮに対応）を介して他の機器からデータを受信してＣＰＵ１１００へ送り、ＣＰＵ１１００が生成したデータを通信網５００を介して他の機器へ送信する。   The HDD 1400 stores a program executed by the CPU 1100, data used by the program, and the like. The communication interface 1500 receives data from other devices via the communication network 500 (corresponding to the network N shown in FIG. 2), sends the data to the CPU 1100, and transmits the data generated by the CPU 1100 to the other devices via the communication network 500. Send to.

ＣＰＵ１１００は、入出力インターフェイス１６００を介して、ディスプレイやプリンタ等の出力装置、及び、キーボードやマウス等の入力装置を制御する。ＣＰＵ１１００は、入出力インターフェイス１６００を介して、入力装置からデータを取得する。また、ＣＰＵ１１００は、入出力インターフェイス１６００を介して生成したデータを出力装置へ出力する。   The CPU 1100 controls an output device such as a display and a printer and an input device such as a keyboard and a mouse via the input / output interface 1600. The CPU 1100 acquires data from the input device via the input / output interface 1600. Further, the CPU 1100 outputs the data generated via the input / output interface 1600 to the output device.

メディアインターフェイス１７００は、記録媒体１８００に記憶されたプログラム又はデータを読み取り、ＲＡＭ１２００を介してＣＰＵ１１００に提供する。ＣＰＵ１１００は、かかるプログラムを、メディアインターフェイス１７００を介して記録媒体１８００からＲＡＭ１２００上にロードし、ロードしたプログラムを実行する。記録媒体１８００は、例えばＤＶＤ（Digital Versatile Disc）、ＰＤ（Phase change rewritable Disk）等の光学記録媒体、ＭＯ（Magneto-Optical disk）等の光磁気記録媒体、テープ媒体、磁気記録媒体、または半導体メモリ等である。   The media interface 1700 reads a program or data stored in the recording medium 1800 and provides it to the CPU 1100 via the RAM 1200. The CPU 1100 loads such a program from the recording medium 1800 onto the RAM 1200 via the media interface 1700, and executes the loaded program. The recording medium 1800 is, for example, an optical recording medium such as a DVD (Digital Versatile Disc) or PD (Phase change rewritable disk), a magneto-optical recording medium such as an MO (Magneto-Optical disk), a tape medium, a magnetic recording medium, or a semiconductor memory. Etc.

例えば、コンピュータ１０００が実施形態に係る広告装置１００として機能する場合、コンピュータ１０００のＣＰＵ１１００は、ＲＡＭ１２００上にロードされたプログラムを実行することにより、制御部１３０の機能を実現する。また、ＨＤＤ１４００には、記憶部１２０内のデータが記憶される。コンピュータ１０００のＣＰＵ１１００は、これらのプログラムを記録媒体１８００から読み取って実行するが、他の例として、他の装置から通信網５００を介してこれらのプログラムを取得してもよい。   For example, when the computer 1000 functions as the advertising device 100 according to the embodiment, the CPU 1100 of the computer 1000 implements the function of the control unit 130 by executing a program loaded on the RAM 1200. The HDD 1400 stores data in the storage unit 120. The CPU 1100 of the computer 1000 reads these programs from the recording medium 1800 and executes them, but as another example, these programs may be acquired from other devices via the communication network 500.

〔７．その他〕
また、上記実施形態において説明した各処理のうち、自動的に行われるものとして説明した処理の全部または一部を手動的に行うこともでき、あるいは、手動的に行われるものとして説明した処理の全部または一部を公知の方法で自動的に行うこともできる。この他、上記文書中や図面中で示した処理手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。例えば、各図に示した各種情報は、図示した情報に限られない。 [7. Others]
In addition, among the processes described in the above embodiment, all or part of the processes described as being automatically performed can be performed manually, or the processes described as being performed manually can be performed. All or a part can be automatically performed by a known method. In addition, the processing procedures, specific names, and information including various data and parameters shown in the document and drawings can be arbitrarily changed unless otherwise specified. For example, the various types of information illustrated in each drawing is not limited to the illustrated information.

また、図示した各装置の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、各装置の分散・統合の具体的形態は図示のものに限られず、その全部または一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。例えば、図３に示した取得部１３２、第１モデル生成部１３３及び第２モデル生成部１３４は統合されてもよい。また、例えば、第１モデル生成部１３３及び第２モデル生成部１３４は統合されたモデル生成部であってもよい。また、例えば、記憶部１２０に記憶される情報は、ネットワークＮを介して、外部に備えられた記憶装置に記憶されてもよい。   Further, each component of each illustrated apparatus is functionally conceptual, and does not necessarily need to be physically configured as illustrated. In other words, the specific form of distribution / integration of each device is not limited to that shown in the figure, and all or a part thereof may be functionally or physically distributed or arbitrarily distributed in arbitrary units according to various loads or usage conditions. Can be integrated and configured. For example, the acquisition unit 132, the first model generation unit 133, and the second model generation unit 134 illustrated in FIG. 3 may be integrated. For example, the first model generation unit 133 and the second model generation unit 134 may be an integrated model generation unit. Further, for example, information stored in the storage unit 120 may be stored in a storage device provided outside via the network N.

また、例えば、上記実施形態では、広告装置１００が、広告配信対象の候補となるユーザを抽出する抽出処理と、広告コンテンツを配信する配信処理とを行う例を示した。しかし、上述した広告装置１００は、抽出処理を行う抽出装置と、配信処理を行う配信装置とに分離されてもよい。この場合、抽出装置は、入稿受付部１３１と、取得部１３２と、第１モデル生成部１３３と、第２モデル生成部１３４と、抽出部１３６とを有する。また、配信装置は、入稿受付部１３１と、要求受付部１３５と、配信部１３７とを有する。   Further, for example, in the above-described embodiment, an example has been described in which the advertising device 100 performs an extraction process of extracting users who are candidates for advertisement distribution and a distribution process of distributing advertisement content. However, the advertising device 100 described above may be separated into an extraction device that performs extraction processing and a distribution device that performs distribution processing. In this case, the extraction apparatus includes a submission reception unit 131, an acquisition unit 132, a first model generation unit 133, a second model generation unit 134, and an extraction unit 136. In addition, the distribution apparatus includes a submission reception unit 131, a request reception unit 135, and a distribution unit 137.

そして、抽出装置の入稿受付部１３１は、広告主から、広告配信の対象とするユーザに関する条件を受け付ける。また、抽出装置の取得部１３２、第１モデル生成部１３３及び第２モデル生成部１３４は、上述したモデルを生成する。また、抽出装置の抽出部１３６は、入稿受付部１３１によって受け付けられた条件に対応する広告配信対象のユーザを抽出する。このとき、抽出部１３６は、例えば、モデルによって出力されるスコア順にユーザがソートされたユーザリストのようなものを作成する。このように、抽出部１３６は、上記条件を入稿した広告主に対応するユーザリストを作成する。   Then, the submission accepting unit 131 of the extracting device accepts a condition regarding a user who is a target of advertisement distribution from the advertiser. In addition, the acquisition unit 132, the first model generation unit 133, and the second model generation unit 134 of the extraction device generate the above-described model. In addition, the extraction unit 136 of the extraction device extracts advertisement distribution target users corresponding to the conditions received by the submission receiving unit 131. At this time, the extraction unit 136 creates, for example, a user list in which users are sorted in the order of scores output by the model. In this way, the extraction unit 136 creates a user list corresponding to the advertiser who submitted the above condition.

また、配信装置の入稿受付部１３１は、広告主から広告コンテンツの入稿を受け付ける。このとき、入稿受付部１３１は、ＣＰＣやＣＰＡや広告予算を受け付けてもよい。そして、配信装置の配信部１３７は、要求受付部１３５によって広告配信に関する要求が受け付けられた場合に、要求元であるユーザ（すなわち、ユーザ端末１０）が上述したようなユーザリストに含まれるか否かを抽出装置に問い合わせる。この場合、抽出装置は、問い合わせ対象のユーザがユーザリストに含まれる場合に、かかるユーザリストに対応する広告主に関する情報を配信装置に通知する。そして、配信部１３７は、抽出装置から広告主に関する情報が通知された場合に、かかる広告主に対応する広告コンテンツを優先的にユーザ端末１０に配信する。   In addition, the submission accepting unit 131 of the distribution apparatus accepts submission of advertising content from the advertiser. At this time, the submission acceptance unit 131 may accept CPC, CPA, and advertising budget. The distribution unit 137 of the distribution apparatus determines whether or not the requesting user (that is, the user terminal 10) is included in the user list as described above when the request reception unit 135 receives a request for advertisement distribution. Inquires about the extraction device. In this case, when the user to be inquired is included in the user list, the extraction device notifies the distribution device of information related to the advertiser corresponding to the user list. And the delivery part 137 delivers the advertising content corresponding to this advertiser to the user terminal 10 preferentially, when the information regarding an advertiser is notified from the extraction apparatus.

また、上述してきた各実施形態は、処理内容を矛盾させない範囲で適宜組み合わせることが可能である。   Moreover, each embodiment mentioned above can be combined suitably in the range which does not contradict a process content.

〔８．効果〕
上述してきたように、実施形態に係る広告装置１００は、ユーザの行動履歴を取得する取得部１３２と、取得部１３２によって取得された行動履歴のうち指定イベント（所定の行動の一例）よりも前の行動履歴を用いて、指定イベントをすることが予測される対象のユーザを抽出する抽出部１３６とを備える。 [8. effect〕
As described above, the advertising device 100 according to the embodiment includes an acquisition unit 132 that acquires a user's behavior history, and a specified event (an example of a predetermined behavior) among the behavior histories acquired by the acquisition unit 132. And an extraction unit 136 that extracts a target user who is predicted to perform a specified event using the action history of the user.

これにより、実施形態に係る広告装置１００は、設定した時間幅ＤＵ１内に、指定イベントである「製品Ａ購入」をする可能性の高いユーザを抽出することができる。このように、広告装置１００は、取得したユーザ情報を活用することで、広告主の目的に沿う購買行動等を将来行うユーザを高精度に抽出するので、対象とするマーケットとなるユーザ層を精度良く拡張することができる。   As a result, the advertising device 100 according to the embodiment can extract users who are highly likely to perform “product A purchase”, which is a designated event, within the set time span DU1. In this way, the advertising device 100 uses the acquired user information to accurately extract users who will perform future purchasing behaviors or the like that meet the advertiser's purpose. It can be expanded well.

また、抽出部１３６は、対象のユーザとして、現時点から所定期間内に指定イベントをすることが予測されるユーザを抽出する。これにより、実施形態に係る広告装置１００は、ユーザの将来において予測されうる行動に関する情報を利用することができる。   Further, the extraction unit 136 extracts a user who is predicted to have a designated event within a predetermined period from the current time as a target user. Thereby, the advertising device 100 according to the embodiment can use information related to the behavior that can be predicted in the future of the user.

また、実施形態に係る広告装置１００は、ユーザの行動履歴に含まれる指定イベントよりも前の行動と判定対象とする行動とが類似するか否かを判定するモデルを生成する第１モデル生成部１３３及び第２モデル生成部１３４をさらに備える。そして、抽出部１３６は、第１モデル生成部１３３及び第２モデル生成部１３４の生成したモデルを用いて、予測される対象のユーザを抽出する。   In addition, the advertising device 100 according to the embodiment generates a model for determining whether an action before a specified event included in a user's action history is similar to an action to be determined. 133 and the second model generation unit 134 are further provided. Then, the extraction unit 136 extracts a target user to be predicted using the models generated by the first model generation unit 133 and the second model generation unit 134.

これにより、実施形態に係る広告装置１００は、指定イベントを実行すると想定されるユーザを精度よく判定できる。このため、実施形態に係る広告装置１００は、広告配信の対象とするユーザを高精度に抽出することができる。   Thereby, the advertising device 100 according to the embodiment can accurately determine a user who is assumed to execute the designated event. For this reason, the advertising device 100 according to the embodiment can extract a user as a target of advertisement distribution with high accuracy.

また、取得部１３２は、指定イベントをしたユーザの行動履歴と、指定イベントをしていないユーザの行動履歴とを取得する。第１モデル生成部１３３及び第２モデル生成部１３４は、指定イベントをしたユーザの行動履歴のうち指定イベントをした時点から所定期間（例えば時間幅ＤＵ１）だけ過去の時点までに含まれる行動履歴と、指定イベントをしていないユーザの行動履歴のうち任意の時点から所定期間だけ過去の時点までに含まれる行動履歴とを用いて、第１モデル及び第２モデルを生成する。   In addition, the acquisition unit 132 acquires the action history of the user who has made the specified event and the action history of the user who has not made the specified event. The first model generation unit 133 and the second model generation unit 134 include an action history that is included between a user's action history of a specified event and a past time for a predetermined period (for example, time width DU1) from the time of the specified event. The first model and the second model are generated using the action history included from the arbitrary time point to the past time point for a predetermined period of the action history of the user who has not designated the event.

ここで、第１モデル生成部１３３及び第２モデル生成部１３４は、前記モデル生成部は、任意の時点として、指定イベントをしていないユーザの行動履歴毎にランダムな時点を用いる。   Here, the 1st model production | generation part 133 and the 2nd model production | generation part 134 use a random time point for every action history of the user who is not performing the designated event as said arbitrary time point.

このように、実施形態に係る広告装置１００は、各負例について、それぞれランダムな時点を指定イベントが起きた時点と仮定し、仮定した時点を基準として、正例でイベント情報を集計した期間と同じ期間でイベント情報を集計する。これにより、実施形態に係る広告装置１００は、負例について学習された、判定に優れたモデルを生成することができる。また、実施形態に係る広告装置１００は、ランダムな時点を指定イベントが起きた時点と仮定することにより、特定期間のみに発生する流行的なイベントの影響を受けずに、負例におけるイベント情報を集計することができる。   As described above, for each negative example, the advertising device 100 according to the embodiment assumes that a random time point is a time point when a designated event occurs, and a period in which event information is aggregated in a positive example with the assumed time point as a reference, Aggregate event information in the same period. Thereby, the advertising device 100 according to the embodiment can generate a model that is learned about the negative example and that is excellent in determination. In addition, the advertising device 100 according to the embodiment assumes that a random time point is a time point when a specified event occurs, so that event information in a negative example is not affected by a trendy event that occurs only during a specific period. Can be aggregated.

また、第１モデル生成部１３３及び第２モデル生成部１３４は、指定イベントよりも前の行動と類似する行動であるか否かを段階的に判定する複数のモデルである第１モデル及び第２モデルを生成する。抽出部１３６は、第１モデル生成部１３３及び第２モデル生成部１３４によって生成された複数のモデルである第１モデル及び第２モデルを用いて、対象のユーザを抽出する。   In addition, the first model generation unit 133 and the second model generation unit 134 are a first model and a second model that are a plurality of models that determine step by step whether or not the behavior is similar to the behavior before the specified event. Generate a model. The extraction unit 136 extracts a target user using the first model and the second model that are a plurality of models generated by the first model generation unit 133 and the second model generation unit 134.

ここで、第１モデル生成部１３３は、指定イベントをしたユーザの行動履歴から抽出した行動履歴と、指定イベントをしていないユーザの行動履歴から抽出した行動履歴とを用いて、複数のモデルのうちの一つである第１モデルを生成する。また、第２モデル生成部１３４は、第１モデル生成部１３３によって生成された第１モデルを用いて、指定イベントをしていないユーザのうち指定イベントをしたユーザの行動履歴に含まれる指定イベントよりも前の行動履歴と類似する行動をしたユーザを抽出し、抽出したユーザの行動履歴と、指定イベントをしたユーザの行動履歴とを用いて、複数のモデルのうちの一つである第２モデルを生成する。   Here, the first model generation unit 133 uses the behavior history extracted from the behavior history of the user who has performed the specified event and the behavior history extracted from the behavior history of the user who has not performed the specified event. A first model that is one of them is generated. In addition, the second model generation unit 134 uses the first model generated by the first model generation unit 133, based on the specified event included in the action history of the user who has performed the specified event among the users who have not performed the specified event. A second model that is one of a plurality of models is extracted using a user's behavior history and a behavior history of a user who has performed a specified event. Is generated.

このように、実施形態に係る広告装置１００は、モデルを複数生成することで、一つのモデルが扱うオンライン上の大量な負例等を処理する負担を軽くし、データを効率良く取扱う。これにより、実施形態に係る広告装置１００は、短時間で抽出処理を実行することができる。   As described above, the advertising device 100 according to the embodiment reduces the burden of processing a large number of negative examples on-line handled by one model by generating a plurality of models, and handles data efficiently. Thereby, the advertising device 100 according to the embodiment can execute the extraction process in a short time.

また、抽出部１３６は、複数の行動の組合せである指定イベントよりも前の行動履歴を用いて、複数の行動の組合せである指定イベントをすることが予測される対象のユーザを抽出する。   In addition, the extraction unit 136 extracts a target user who is predicted to perform a specified event that is a combination of a plurality of actions, using an action history that precedes a specified event that is a combination of a plurality of actions.

これにより、実施形態に係る広告装置１００は、広告主からの詳細な要望に対応して、広告コンテンツの配信対象とするユーザを抽出することができる。また、複数のイベントを指定した場合には、広告配信の対象となるユーザが抽出される数が絞りこまれることが想定される。この場合、広告主は、少ない広告コンテンツの配信数により、コンバージョンが高く見込めるユーザに広告コンテンツを配信できるので、広告配信にかかる費用を抑えつつ、広告効果を向上させることができる。   Thereby, the advertising device 100 according to the embodiment can extract a user who is a distribution target of advertising content in response to a detailed request from an advertiser. In addition, when a plurality of events are designated, it is assumed that the number of users to be targeted for advertisement distribution is narrowed down. In this case, since the advertiser can distribute the advertising content to a user who can expect a high conversion with a small number of distributions of the advertising content, the advertising effect can be improved while suppressing the cost of the advertising distribution.

また、第１モデル生成部１３３及び第２モデル生成部１３４は、ユーザ毎に重み付けがなされた行動履歴に基づいて、第１モデル及び第２モデルを生成する。   Moreover, the 1st model production | generation part 133 and the 2nd model production | generation part 134 produce | generate a 1st model and a 2nd model based on the action history weighted for every user.

これにより、実施形態に係る広告装置１００は、ユーザの行動の実態に即して抽出処理を行うことができる。結果として、実施形態に係る広告装置１００は、インプレッション数を抑えた上で、広告効果が向上するような広告コンテンツの配信を実現できる。   Thereby, the advertising device 100 according to the embodiment can perform the extraction process in accordance with the actual state of the user's behavior. As a result, the advertising device 100 according to the embodiment can realize distribution of advertising content that improves the advertising effect while suppressing the number of impressions.

また、実施形態に係る広告装置１００は、イベントの指定を受け付ける入稿受付部（受付部の一例）をさらに備える。また、抽出部１３６は、入稿受付部１３１により受け付けられた指定イベントをすることが予測される対象のユーザを抽出する。   In addition, the advertising device 100 according to the embodiment further includes a submission acceptance unit (an example of a reception unit) that accepts designation of an event. In addition, the extraction unit 136 extracts a target user who is predicted to perform the designated event received by the submission receiving unit 131.

これにより、実施形態に係る広告装置１００は、広告主の詳細な要望に応じて、広告配信の対象となるユーザを抽出することができる。   Thereby, the advertising device 100 according to the embodiment can extract the users who are the targets of the advertisement distribution according to the detailed demands of the advertiser.

また、入稿受付部１３１は、対象のユーザに関する条件を受け付ける。抽出部１３６は、入稿受付部１３１により受け付けられた条件に基づいて、条件を満たすユーザを対象のユーザとして抽出する。   In addition, the submission receiving unit 131 receives conditions regarding the target user. The extraction unit 136 extracts a user who satisfies the condition as a target user based on the condition received by the submission receiving unit 131.

このように、実施形態に係る広告装置１００は、広告主から受け付けた条件に基づいて、条件を満たすユーザを抽出できる。このため、実施形態に係る広告装置１００によれば、広告主は顧客の範囲を精度良く拡張することができる。   As described above, the advertising device 100 according to the embodiment can extract users who satisfy the conditions based on the conditions received from the advertiser. For this reason, according to the advertising device 100 according to the embodiment, the advertiser can extend the range of the customer with high accuracy.

また、実施形態に係る広告装置１００は、広告コンテンツ（任意のコンテンツの一例）を配信する配信部１３７をさらに備える。また、入稿受付部１３１は、イベントの指定とともに、広告コンテンツの入稿を受け付ける。また、配信部１３７は、抽出部１３６によって抽出されたユーザに対して、入稿受付部１３１により受け付けられた広告コンテンツを配信する。   In addition, the advertising device 100 according to the embodiment further includes a distribution unit 137 that distributes advertising content (an example of arbitrary content). In addition, the submission accepting unit 131 accepts the submission of the advertisement content together with the designation of the event. The distribution unit 137 distributes the advertisement content received by the submission receiving unit 131 to the user extracted by the extraction unit 136.

これにより、実施形態に係る広告装置１００は、製品Ａに関する広告コンテンツが配信されることを契機として、実際に製品Ａを購入するというイベントを実行する可能性が高いユーザに対して、広告コンテンツを配信することができる。このため、実施形態に係る広告装置１００は、コンバージョン率の高い広告配信を実現できるので、広告コンテンツの広告効果を向上させることができる。   Thereby, the advertising device 100 according to the embodiment provides the advertising content to a user who is highly likely to execute an event of actually purchasing the product A when the advertising content related to the product A is distributed. Can be delivered. For this reason, since the advertising device 100 according to the embodiment can realize advertisement distribution with a high conversion rate, the advertising effect of the advertising content can be improved.

以上、本願の実施形態のいくつかを図面に基づいて詳細に説明したが、これらは例示であり、発明の開示の欄に記載の態様を始めとして、当業者の知識に基づいて種々の変形、改良を施した他の形態で本発明を実施することが可能である。   As described above, some of the embodiments of the present application have been described in detail based on the drawings. It is possible to implement the present invention in other forms with improvements.

また、上述してきた「部（section、module、unit）」は、「手段」や「回路」などに読み替えることができる。例えば、取得部は、取得手段や取得回路に読み替えることができる。   In addition, the “section (module, unit)” described above can be read as “means” or “circuit”. For example, the acquisition unit can be read as acquisition means or an acquisition circuit.

１ 抽出処理システム
１０ ユーザ端末
２０ 広告主装置
３０ ウェブサーバ
１００ 広告装置
１１０ 通信部
１２０ 記憶部
１２１ 広告コンテンツ記憶部
１２２ ユーザ情報記憶部
１３０ 制御部
１３１ 入稿受付部
１３２ 取得部
１３３ 第１モデル生成部
１３４ 第２モデル生成部
１３５ 要求受付部
１３６ 抽出部
１３７ 配信部 DESCRIPTION OF SYMBOLS 1 Extraction processing system 10 User terminal 20 Advertiser apparatus 30 Web server 100 Advertising apparatus 110 Communication part 120 Storage part 121 Advertising content storage part 122 User information storage part 130 Control part 131 Submission acceptance part 132 Acquisition part 133 1st model production | generation part 134 Second model generation unit 135 Request reception unit 136 Extraction unit 137 Distribution unit

Claims (13)

ユーザの行動履歴を取得する取得部と、
前記取得部によって取得された行動履歴のうち所定の行動よりも前の行動履歴を用いて、当該所定の行動をすることが予測される対象のユーザを抽出する抽出部と、
を備えたことを特徴とする抽出装置。 An acquisition unit for acquiring a user's behavior history;
An extraction unit that extracts a target user who is predicted to perform the predetermined action using an action history before the predetermined action among the action histories acquired by the acquisition unit;
An extraction device comprising: 前記抽出部は、
前記対象のユーザとして、現時点から所定期間内に前記所定の行動をすることが予測されるユーザを抽出する、
ことを特徴とする請求項１に記載の抽出装置。 The extraction unit includes:
As the target user, a user who is predicted to perform the predetermined action within a predetermined period from the current time is extracted.
The extraction device according to claim 1. 前記取得部によって取得された行動履歴に含まれる前記所定の行動よりも前の行動履歴と類似する行動であるか否かを判定するモデルを生成するモデル生成部をさらに備え、
前記抽出部は、
前記モデル生成部によって生成されたモデルを用いて、前記対象のユーザを抽出する、
ことを特徴とする請求項１又は２に記載の抽出装置。 A model generation unit that generates a model for determining whether or not the behavior history is similar to the behavior history before the predetermined behavior included in the behavior history acquired by the acquisition unit;
The extraction unit includes:
Using the model generated by the model generation unit, extract the target user,
The extraction apparatus according to claim 1 or 2, wherein 前記取得部は、
前記所定の行動をしたユーザの行動履歴と、前記所定の行動をしていないユーザの行動履歴とを取得し、
前記モデル生成部は、
前記所定の行動をしたユーザの行動履歴のうち当該所定の行動をした時点から所定期間だけ過去の時点までに含まれる行動履歴と、前記所定の行動をしていないユーザの行動履歴のうち任意の時点から前記所定期間だけ過去の時点までに含まれる行動履歴とを用いて、前記モデルを生成する、
ことを特徴とする請求項３に記載の抽出装置。 The acquisition unit
Obtaining a behavior history of a user who has performed the predetermined behavior and a behavior history of a user who has not performed the predetermined behavior;
The model generation unit
Among the behavior histories of the user who has performed the predetermined behavior, any of the behavior histories included from the time when the predetermined behavior was performed to the past time for a predetermined period of time and the behavior history of the user who has not performed the predetermined behavior Using the action history included from the time point to the past time point for the predetermined period, the model is generated.
The extraction device according to claim 3. 前記モデル生成部は、
前記任意の時点として、前記所定の行動をしていないユーザの行動履歴毎にランダムな時点を用いる、
ことを特徴とする請求項４に記載の抽出装置。 The model generation unit
As the arbitrary time point, a random time point is used for each action history of the user who does not perform the predetermined action,
The extraction apparatus according to claim 4. 前記モデル生成部は、
前記所定の行動よりも前の行動と類似する行動であるか否かを段階的に判定する複数のモデルを生成し、
前記抽出部は、
前記モデル生成部によって生成された前記複数のモデルを用いて、前記対象のユーザを抽出する、
ことを特徴とする請求項４又は５に記載の抽出装置。 The model generation unit
Generating a plurality of models for stepwise determining whether the behavior is similar to the behavior before the predetermined behavior;
The extraction unit includes:
The target user is extracted using the plurality of models generated by the model generation unit.
The extraction apparatus according to claim 4 or 5, wherein 前記モデル生成部は、
前記所定の行動をしたユーザの行動履歴から抽出した行動履歴と、前記所定の行動をしていないユーザの行動履歴から抽出した行動履歴とを用いて、前記複数のモデルのうちの一つである第１モデルを生成する第１モデル生成部と、
前記第１モデル生成部によって生成された第１モデルを用いて、前記所定の行動をしていないユーザのうち前記所定の行動をしたユーザの行動履歴に含まれる当該所定の行動よりも前の行動履歴と類似する行動をしたユーザを抽出し、抽出したユーザの行動履歴と、前記所定の行動をしたユーザの行動履歴とを用いて、前記複数のモデルのうちの一つである第２モデルを生成する第２モデル生成部とを備え、
前記抽出部は、
前記第１モデルと前記第２モデルとを用いて、前記対象のユーザを抽出する、
ことを特徴とする請求項６に記載の抽出装置。 The model generation unit
The behavior history extracted from the behavior history of the user who has performed the predetermined behavior and the behavior history extracted from the behavior history of the user who has not performed the predetermined behavior are one of the plurality of models. A first model generation unit for generating a first model;
Behavior before the predetermined behavior included in the behavior history of the user who has performed the predetermined behavior among the users who have not performed the predetermined behavior using the first model generated by the first model generation unit A user who behaves similar to the history is extracted, and a second model that is one of the plurality of models is extracted using the extracted user behavior history and the behavior history of the user who has performed the predetermined behavior. A second model generation unit for generating,
The extraction unit includes:
Extracting the target user using the first model and the second model;
The extraction apparatus according to claim 6. 前記モデル生成部は、
前記ユーザ毎に重み付けがなされた前記行動履歴に基づいて、前記モデルを生成する、
ことを特徴とする請求項３〜７のいずれか一つに記載の抽出装置。 The model generation unit
Based on the action history weighted for each user, the model is generated.
The extraction device according to any one of claims 3 to 7, wherein 前記抽出部は、
複数の行動の組合せである前記所定の行動よりも前の行動履歴を用いて、当該所定の行動をすることが予測される対象のユーザを抽出する、
ことを特徴とする請求項１〜８のいずれか一つに記載の抽出装置。 The extraction unit includes:
Using a behavior history before the predetermined behavior, which is a combination of a plurality of behaviors, to extract a target user who is predicted to perform the predetermined behavior;
The extraction device according to any one of claims 1 to 8, wherein 前記所定の行動の指定を受け付ける受付部をさらに備え、
前記抽出部は、
前記受付部により受け付けられた前記所定の行動をすることが予測される対象のユーザを抽出する、
ことを特徴とする請求項１〜９のいずれか一つに記載の抽出装置。 A reception unit that accepts designation of the predetermined action;
The extraction unit includes:
Extracting a target user who is predicted to perform the predetermined action received by the reception unit;
The extraction apparatus according to any one of claims 1 to 9, wherein 前記受付部は、
前記対象のユーザに関する条件を受け付け、
前記抽出部は、
前記受付部により受け付けられた条件に基づいて、当該条件を満たすユーザを前記対象のユーザとして抽出する、
ことを特徴とする請求項１０に記載の抽出装置。 The reception unit
Accepts conditions for the target user,
The extraction unit includes:
Based on the condition received by the receiving unit, a user who satisfies the condition is extracted as the target user.
The extraction device according to claim 10. コンピュータが実行する抽出方法であって、
ユーザの行動履歴を取得する取得工程と、
前記取得工程によって取得された行動履歴のうち所定の行動よりも前の行動履歴を用いて、当該所定の行動をすることが予測される対象のユーザを抽出する抽出工程と、
を含んだことを特徴とする抽出方法。 An extraction method performed by a computer,
An acquisition process for acquiring a user's behavior history;
An extraction step of extracting a target user who is predicted to perform the predetermined behavior using the behavior history before the predetermined behavior among the behavior histories acquired by the acquisition step;
The extraction method characterized by including. ユーザの行動履歴を取得する取得手順と、
前記取得手順によって取得された行動履歴のうち所定の行動よりも前の行動履歴を用いて、当該所定の行動をすることが予測される対象のユーザを抽出する抽出手順と、
をコンピュータに実行させることを特徴とする抽出プログラム。 An acquisition procedure for acquiring a user's behavior history;
An extraction procedure for extracting a target user who is predicted to perform the predetermined action using an action history before the predetermined action among the action histories acquired by the acquisition procedure;
An extraction program characterized by causing a computer to execute.

Images