JP2016177648A - 情報処理装置、情報処理プログラムおよび情報処理方法 - Google Patents

Abstract

【課題】広告効果の予測精度を向上させることができる情報処理装置、情報処理プログラムおよび情報処理方法を提供する。
【解決手段】実施形態の情報処理装置は、広告配信対象となるユーザに対する広告コンテンツごとの配信数を含むユーザ情報を取得する取得部と、取得部によって取得されたユーザ情報に基づいて、ユーザへ広告コンテンツを配信した場合の広告効果を広告コンテンツごとに予測する予測部と、を備える。
【選択図】図１

Description

本発明は、情報処理装置、情報処理プログラムおよび情報処理方法に関する。

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。例えば、広告媒体（例えば、ウェブページ）に設定された広告枠に、企業や商品等の広告コンテンツを表示し、かかる広告コンテンツがクリックされた場合に広告主のウェブページへ遷移させる広告配信が行われている。

上記の広告配信においては、広告ごとに配信数が設定されており、当該配信数を超えないように広告の配信が行われる場合がある。かかる場合にユーザあたりの広告の表示回数であるフリークエンシーを平均化して広告を配信する技術が知られている（例えば、特許文献１参照）。

特開２０１５−１８２９３号公報

しかしながら、上記の従来技術は、ユーザのフリークエンシーを平均化するように広告コンテンツを配信するものの、配信対象とされるユーザが必ずしも配信される広告に興味を有するとは限らず、広告効果が向上しない場合がある。

本願は、上記に鑑みてなされたものであって、広告効果の予測精度を向上させることができる情報処理装置、情報処理プログラムおよび情報処理方法を提供することを目的とする。

本願に係る情報処理装置は、広告配信対象となるユーザに対する広告コンテンツごとの配信数を含むユーザ情報を取得する取得部と、前記取得部によって取得されたユーザ情報に基づいて、前記ユーザへ広告コンテンツを配信した場合の広告効果を前記広告コンテンツごとに予測する予測部と、を備える。

実施形態の一態様によれば、広告効果の予測精度を向上させることができるという効果を奏する。

図１は、実施形態に係るＣＴＲとフリークエンシーとの関係を示す図である。 図２は、実施形態に係る広告配信システムの構成の一例を示す図である。 図３は、実施形態に係る情報処理装置の構成の一例を示す図である。 図４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。 図５は、実施形態に係る広告情報記憶部の一例を示す図である。 図６は、実施形態に係るモデル生成処理の一例を示すフローチャートであるである。 図７は、実施形態に係る予測値演算処理の手順の一例を示すフローチャートである。 図８は、実施形態に係る情報処理機能を実現するコンピュータの一例を示すハードウエア構成図である。

以下に、本願に係る情報処理装置、情報処理プログラムおよび情報処理方法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情報処理装置、情報処理プログラムおよび情報処理方法が限定されるものではない。

［１．予測値演算処理］
まず、実施形態に係る予測値演算処理について説明する。以下においては、情報処理装置によって広告効果の予測値を算出する予測値演算処理が行われる。広告効果の予測値としては、例えばＣＴＲ（Click Through Ratio）やＣＶＲ（Conversion Rate）などがある。ここでは、情報処理装置が、広告効果の予測値としてＣＴＲを予測する場合について説明する。図１は、ＣＴＲと広告コンテンツの配信数（以下、フリークエンシーと記載する場合がある）との関係を示す図である。

まず、図１を用いてＣＴＲとフリークエンシーとの関係について説明する。一般的に、フリークエンシーが大きくなるにつれて、ＣＴＲは小さくなる。例えば、図１に示すようにユーザに対する広告コンテンツの配信数、すなわちフリークエンシーがＦ１である場合のユーザのＣＴＲはＰ１である。

一方、ユーザに対するフリークエンシーがＦ２（Ｆ１＜Ｆ２）である場合のユーザのＣＴＲはＰ２（Ｐ１＞Ｐ２）となる。このように、同一の広告コンテンツを同一ユーザに配信する場合、フリークエンシーが大きいとＣＴＲが小さくなる傾向がある。

情報処理装置は、広告コンテンツを配信する対象となるユーザの情報を用いてＣＴＲの予測値を算出する。ここで、上述したように、広告配信対象となるユーザのＣＴＲは、広告コンテンツの配信数、すなわちフリークエンシーに関する情報（以下、フリークエンシー情報と記載する）に応じて変化する。そこで、実施形態に係る情報処理装置は、広告配信対象となるユーザのフリークエンシー情報を含むユーザ情報を取得し、取得したユーザ情報に基づいて、ユーザへ広告コンテンツを配信した場合のＣＴＲを予測する。

なお、広告コンテンツの配信数、すなわちフリークエンシー情報は、例えば過去一ヶ月や一週間といった所定の期間に配信された広告コンテンツの配信数を含む。また、情報処理装置は、予測モデルの演算を行うことでＣＴＲの予測値を算出する。

また、図１に示すＣＴＲとフリークエンシーとの関係は一例である。例えば、ＣＴＲとフリークエンシーとの関係を示す関数が、特定の配信回数に達するまでＣＴＲが増加し、その後減少するような山型の軌跡を描く場合もある。

このように、フリークエンシーとＣＴＲとの関係は、広告コンテンツや配信対象となるユーザに応じて変化する。そこで、本実施形態に係る予測値演算処理において、情報処理装置は、所定のユーザ情報に加え、フリークエンシー情報を用いて広告効果の予測値演算を行う。そのため、広告効果の予測精度を向上させることができる。

以下、上述した情報処理装置を含み、広告コンテンツを配信する広告配信システムの実施形態について説明する。

［２．広告配信システム］
図２は、実施形態に係る広告配信システム１の構成例を説明する図である。図２に示すように、本実施形態に係る広告配信システム１は、ウェブサーバ２と、情報処理装置３と、広告配信装置４と、複数の端末装置７とを備える。これらの装置は、通信ネットワーク８を介して互いに通信可能に接続される。通信ネットワーク８は、例えばインターネットなどである。

ここでは、情報処理装置３による予測値演算処理の説明を明確にするために、情報処理装置３と広告配信装置４とを異なる装置として説明するが、これらの装置を１つの装置で実現することもできる。

端末装置７は、例えばユーザＵによって利用されるＰＣ（Personal Computer）、ＰＤＡ（Personal Digital Assistant）、タブレット端末、スマートフォンなどである。かかる端末装置７には、例えば、ブラウザアプリケーション（以下、ブラウザと記載する）がインストールされている。

ウェブサーバ２は、広告枠が設定された複数のウェブページを記憶している。ウェブサーバ２の制御部は、通信ネットワーク８を介して端末装置７のブラウザからのアクセスがあると、端末装置７によって指定されたＵＲＬ（Uniform Resource Locator）に対応するウェブページを提供する。

端末装置７のブラウザは、ウェブサーバ２からウェブページを受信すると、ウェブページに設定された広告枠に対応する広告リクエストを広告配信装置４へ送信する。広告リクエストは、広告枠に表示する広告コンテンツの配信要求であり、例えば、端末装置７のユーザＵの識別情報（以下、ユーザＩＤと記載する）や広告枠の識別情報（以下、広告枠ＩＤと記載する）を含む。なお、ユーザＩＤは、例えば、ＨＴＴＰ（Hypertext Transfer Protocol）クッキーなどである。

広告配信装置４は、端末装置７のブラウザから広告リクエストを受け付けると、広告配信対象である端末装置７のユーザＵに対応する広告効果の予測を行うよう予測リクエストを情報処理装置３へ送信する。予測リクエストには、ユーザＩＤや広告コンテンツの識別情報（以下、広告ＩＤと記載する）を含む。

情報処理装置３は、予測リクエストを受け付けると、かかる予測リクエストに応じてユーザＵに対する広告コンテンツごとの広告効果の予測値である予測値ｅＣＴＲを算出し、算出結果を広告配信装置４に通知する。

広告配信装置４は、情報処理装置３から受け取った予測値ｅＣＴＲに基づいて端末装置７に配信する広告コンテンツを決定する。例えば、広告配信装置４は、情報処理装置３から受け取った予測値ｅＣＴＲが最も大きい広告コンテンツを端末装置７に配信する広告コンテンツを決定する。広告配信装置４は、決定した広告コンテンツを端末装置７に配信する。なお、かかる広告コンテンツは、例えば、バナー広告であり、ユーザＵによりクリックされた場合に広告主のウェブページへ遷移させる。

以下、情報処理装置３の構成例について、さらに詳細に説明する。

［２．１．情報処理装置３］
図３は、情報処理装置３の構成例を示す図である。図３に示すように、情報処理装置３は、通信部１０と、制御部２０と、記憶部３０とを有する。

通信部１０は、通信ネットワーク８との間で情報の送受信を行う通信インターフェイスであり、通信ネットワーク８との接続を有線または無線で行う。制御部２０は、通信部１０および通信ネットワーク８を介して、端末装置７やその他の装置との間で各種の情報を送受信することができる。

記憶部３０は、ユーザ情報記憶部３１および広告情報記憶部３２を有する。ユーザ情報記憶部３１および広告情報記憶部３２は、例えば、ＲＡＭ（Random Access Memory)、フラッシュメモリ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である。

［２．１．１．ユーザ情報記憶部３１］
ここで、図４に、実施形態に係るユーザ情報記憶部３１の一例を示す。図４は、実施形態に係るユーザ情報記憶部３１の一例を示す図である。ユーザ情報記憶部３１は、ユーザＵの属性情報を記憶する。

図４において、ユーザ情報記憶部３１は、「ユーザＩＤ」、「ユーザ属性」といった項目を有する。「ユーザＩＤ」は、端末装置７のユーザＵを識別する識別情報である。図４において、ユーザＩＤは、「Ｕ１」等と表記される。これは、端末装置７がユーザＩＤ「Ｕ１」により識別されていることを示す。ここでは、ユーザＩＤは、端末装置７を操作するユーザの参照符号と一致するものとする。

次に、図４に示す「ユーザ属性」は、「性別」、「年齢」、「住所」といった項目を有する。このように、「ユーザ属性」は、人口統計学的なユーザＵの属性情報を示すデモグラフィック属性である。なお、ユーザ属性として、ユーザの嗜好、価値観、ライフスタイル、性格などを示す「サイコグラフィック属性」を含んでいてもよい。

［２．１．２．広告情報記憶部３２］
図５に、実施形態に係る広告情報記憶部３２の一例を示す。図５は、実施形態に係る広告情報記憶部３２の一例を示す図である。広告情報記憶部３２は、ユーザＵに対する広告コンテンツごとの配信数であるフリークエンシー情報を記憶する。

図５において、「広告ＩＤ」は、広告配信装置４が配信する広告コンテンツを識別する識別情報である。また、複数の広告コンテンツをまとめて広告グループと称し、複数の広告グループをまとめてキャンペーンと称する。「広告グループＩＤ」は、かかる広告グループを識別する識別情報であり、「キャンペーンＩＤ」は、かかるキャンペーンを識別する識別情報である。広告配信装置４が配信する広告コンテンツは、広告グループ及びキャンペーンに属する。ここでは、広告ＩＤは、広告配信装置４が配信する広告コンテンツの参照符号と一致するものとする。

広告情報記憶部３２は、ユーザＵに対する広告コンテンツの配信数と広告ＩＤとを対応付けて記憶する。具体的には、広告情報記憶部３２は、ユーザＵに対する過去１ヶ月の広告コンテンツの配信数、過去１週間の広告配信数及び過去１日の広告配信数をそれぞれ記憶する。

例えば、図５では、広告配信装置４がユーザＵ１に対して、広告コンテンツＡ１１１を過去１ヶ月の間に７回、過去１週間の間に２回配信していることを示している。また、過去１日では、広告配信装置４がユーザＵ１に対して広告コンテンツＡ１１１の配信回数が「０」、すなわちユーザＵ１に対して広告コンテンツＡ１１１を配信していないことを示している。

ユーザ情報記憶部３１及び広告情報記憶部３２に記憶される情報は、制御部２０によって更新される。制御部２０は、例えばユーザＵのウェブ閲覧履歴やウェブ検索履歴、ユーザＵによる入力情報などに基づき、ユーザ情報記憶部３１が記憶するユーザ属性などを定期的に更新することもできる。また、制御部２０は、例えば外部サーバから上述したユーザ属性などを定期的に取得して更新することもできる。

制御部２０は、例えばユーザＵに対する広告コンテンツの配信履歴に基づき、広告情報記憶部３２が記憶する過去１ヶ月の広告コンテンツの配信数などを定期的に更新することもできる。また、制御部２０は、例えば外部サーバから広告コンテンツの配信履歴などを定期的に取得して更新することもできる。

［２．１．３．制御部２０］
図３に示す制御部２０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。制御部２０は、内部のＣＰＵ（Central Processing Unit）またはＭＰＵ（Micro Processing Unit）によって内部の記憶装置に記憶されたプログラムがＲＡＭを作業領域として実行されることで、モデル生成部２１、受付部２２、取得部２３、第１演算部２４、第２演算部２５および通知部２６として機能する。なお、制御部２０の構成は、かかる構成に限られず、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。

制御部２０は、フリークエンシー情報を含むユーザ情報に基づいてＣＴＲ予測値（以下、予測値ｅＣＴＲとも称する）を演算するための予測モデルとして下記式（１）に示す予測モデル（以下、第２予測モデルとも称する）を用いる。

下記式（２）に示すＣＴＲは、ユーザ情報に基づくＣＴＲ予測値（以下、第１予測値ＣＴＲとも称する）であり、下記式（３）に示す予測モデル（以下、第１予測モデルとも称する）の演算によって算出される。また、ａ_ｉ、ｂ_ｉは係数であり、ｘ_{Ｆｒｅｑ＿ｉ}は、フリークエンシーに関する素性（説明変数）であり、ｘ_{ＣＴＲ＿ｉ}は、所定のユーザ情報に関する素性である。

なお、予測モデルは、上記式（１）〜（３）に示す予測モデルに限定されず、また、予測値演算は、かかる予測モデルによる演算に限定されない。
［２．１．４．モデル生成部２１］
モデル生成部２１は、ユーザ情報記憶部３２および広告情報記憶部３２に記憶された情報に基づき、各広告コンテンツに対応するＣＴＲ予測値を算出する第１、第２予測モデルを生成する。なお、モデル生成部２１は、第１、第２予測モデルを所定周期（例えば、一週間や一ヶ月周期）で更新するようにしてもよい。モデル生成部２１は、生成した第１、第２予測モデルを記憶部３０に記憶する。

以下、モデル生成部２１によるＣＴＲ予測値の第１、第２予測モデルの生成方法について説明する。

（第１予測モデル）
モデル生成部２１は、ユーザ情報記憶部３１に記憶された情報に基づき、広告ＩＤごとに第１予測モデルを生成する。第１予測モデルは、例えばロジスティック回帰分析による予測モデルである。

モデル生成部２１は、例えば上述した式（３）に示すロジスティック回帰モデルにおいて、広告コンテンツへのユーザＵのクリックの有無を従属変数にし、上述したユーザ情報を素性（説明変数）ｘ_{ＣＴＲ＿ｉ}にすることで、素性ｘ_{ＣＴＲ＿ｉ}に対応する係数ｂ_ｉを求める。

ユーザ情報、すなわち素性ｘ_{ＣＴＲ＿ｉ}は、例えば、ユーザＵの性別、年齢、居住地域、広告時刻、閲覧ウェブページ、広告枠のサイズ、興味ジャンルの個数、リターゲティングサイトの個数、検索キーワードの個数、平均ＣＴＲ、平均ＣＰＣ、広告配信頻度、平均ページ閲覧時間などである。

素性ｘ_{ＣＴＲ＿ｉ}は、例えば、ユーザＵの性別、年齢、住所などである。例えば、素性ｘ_{ＣＴＲ＿１}は、「男性」であり、ユーザＵが男性の場合に「１」に設定され、それ以外は「０」に設定される。また、素性ｘ_{ＣＴＲ＿２}は、「女性」であり、ユーザＵが女性の場合に「１」に設定され、それ以外は「０」に設定される。また、素性ｘ_{ＣＴＲ＿３}は、「性別不明」であり、ユーザＵの性別が不明のときに「１」に設定され、それ以外は「０」に設定される。このように、ユーザ情報が素性ｘ_{ＣＴＲ＿ｉ}に割り当てられる。

また、従属変数は、例えば、直近の所定期間（例えば、５日前から現在まで）において、ユーザＵが広告コンテンツをクリックした場合には「１」が設定され、そうでない場合には、「−１」が設定される。

モデル生成部２１は、各ユーザＵの素性ｘ_{ＣＴＲ＿ｉ}および従属変数を設定し、素性ｘ_{ＣＴＲ＿ｉ}に対応する係数ｂ_ｉを求める。このように、モデル生成部２１は、ＣＴＲ予測モデルとしてロジスティック回帰分析による予測モデルを生成する。

なお、上述した従属変数や素性（説明変数）は、一例であり、モデル生成部２１は、その他の情報や上述した情報の一部を用いてＣＴＲ予測モデルを生成することもできる。また、モデル生成部２１は、例えば、ＳＶＭとシグモイドフィッティングとを組み合わせた予測モデルを生成することもできる。

（第２予測モデル）
モデル生成部２１は、広告情報記憶部３２に記憶された情報に基づき、広告ＩＤごとに第２予測モデルを生成する。第２予測モデルは、第１予測モデルにフリークエンシーの情報を加えた予測モデルである。

実施形態に係るモデル生成部２１は、第１予測モデルにフリークエンシーの情報を加えた第２予測モデルを生成することで、ＣＴＲとフリークエンシーとの関係についても考慮した予測モデルを生成する。すなわち、モデル生成部２１は、例えば上述した式（１）、（２）に示す予測モデルのように、第１予測モデルに加え、フリークエンシーに関する情報を素性（説明変数）ｘ_{Ｆｒｅｑ＿ｉ}とする予測モデルを生成する。

具体的には、例えば、広告情報記憶部３２が図５に示すフリークエンシーに関する情報を記憶している場合、モデル生成部２１は、下記式（４）に示す予測モデルにおいて、広告コンテンツへのユーザＵのクリックの有無を従属変数にし、フリークエンシーに関する情報を素性（説明変数）ｘ_{Ｆｒｅｑ＿ｉ}にすることで、素性ｘ_{Ｆｒｅｑ＿ｉ}に対応する係数ａ_ｉを求める。

ここで、上記式（４）の素性ｘ_ｍ＿ａｄ、ｘ_{ｍ＿ａｄｇ}、ｘ_{ｍ＿ｃａｍｐ}、ｘ_ｗ＿ａｄ、ｘ_{ｗ＿ａｄg}、ｘ_{ｗ＿ｃａｍｐ}、ｘ_ｄ＿ａｄ、ｘ_{ｄ＿ａｄg}、ｘ_{ｄ＿ｃａｍｐ}は、それぞれ上記式（２）の素性ｘ_{Ｆｒｅｑ＿ｉ}に対応し、素性ｘ_ｍ＿ａｄがユーザＵに対する過去一ヶ月の広告コンテンツの配信数、素性ｘ_{ｍ＿ａｄｇ}がユーザＵに対する過去一ヶ月の広告グループの配信数、素性ｘ_{ｍ＿ｃａｍｐ}がユーザＵに対する過去一ヶ月の広告キャンペーンの配信数である。

また、素性ｘ_ｗ＿ａｄがユーザＵに対する過去一週間の広告コンテンツの配信数、素性ｘ_{ｗ＿ａｄｇ}がユーザＵに対する過去一週間の広告グループの配信数、素性ｘ_{ｗ＿ｃａｍｐ}がユーザＵに対する過去一週間の広告キャンペーンの配信数である。素性ｘ_ｄ＿ａｄがユーザＵに対する過去一日の広告コンテンツの配信数、素性ｘ_{ｄ＿ａｄｇ}がユーザＵに対する過去一日の広告グループの配信数、素性ｘ_{ｄ＿ｃａｍｐ}がユーザＵに対する過去一日の広告キャンペーンの配信数である。

例えば、図５に示すユーザＵ１に対する過去一ヶ月の広告コンテンツＡ１１１の配信数、すなわち素性ｘ_ｍ＿ａｄは「７」である。また、ユーザＵ１に対する過去一ヶ月の、広告コンテンツＡ１１１の属する広告グループＡ１１の配信数、すなわち素性ｘ_{ｍ＿ａｄｇ}は、グループＡ１１に属する広告コンテンツＡ１１１〜Ａ１１３の配信数の合計である「７＋２＋３＝１２」である。

また、ユーザＵ１に対する過去一ヶ月の、広告コンテンツＡ１１１の属する広告キャンペーンＡ１の配信数、すなわち素性ｘ_{ｍ＿ｃａｍｐ}は、広告キャンペーンＡ１に属する広告コンテンツＡ１１１〜Ａ１１４の配信数の合計である「７＋２＋３＋０＝１２」である。このように、ユーザＵ１に対して配信した広告コンテンツに関するフリークエンシー情報が各素性に割り当てられる。

また、従属変数は、例えば、直近の所定期間（例えば、５日前から現在まで）において、ユーザＵ１が広告コンテンツＡ１１１をクリックした場合には「１」が設定され、そうでない場合には、「−１」が設定される。また、上記式（４）における第１予測値ＣＴＲは、ユーザＵ１のユーザ情報を用いて第２予測モデルを演算することで算出される。

モデル生成部２１は、各ユーザＵの素性ｘ_{Ｆｒｅｑ＿ｉ}、従属変数及び第１予測値ＣＴＲを設定し、素性ｘ_{Ｆｒｅｑ＿ｉ}に対応する係数ａ_ｉを求める。このように、モデル生成部２１は、第２予測モデルとしてロジスティック回帰分析による予測モデルを生成する。

なお、上述した従属変数や素性（説明変数）は、一例であり、モデル生成部２１は、その他の情報や上述した情報の一部を用いて第２予測モデルを生成することもできる。また、モデル生成部２１は、例えば、ＳＶＭとシグモイドフィッティングとを組み合わせた予測モデルを生成することもできる。また、モデル生成部２１は、第１、第２予測モデルの係数を求める場合に例えばＬ１正規化項を使用することもできる。

［２．１．５．受付部２２］
受付部２２は、広告配信装置４から送信される予測リクエストを受け付ける。受付部２２によって受け付けられた予測リクエスト（以下、受付予測リクエストと記載する）には、ユーザＩＤや少なくとも１つの広告ＩＤが含まれる。受付予測リクエストの情報（例えば、ユーザＩＤや広告ＩＤ）を取得部２３へ通知する。

また、ここでは、受付部２２がユーザＩＤおよび広告ＩＤを含む予測リクエストを受け付ける例について示した。ここで、受付部２２はユーザＩＤを含む予測リクエストを受け付けることもできる。この場合、情報処理装置３は、ユーザＩＤに対応するユーザＵに配信する可能性がある広告コンテンツごとに第２予測値ｅＣＴＲを予測し、予測結果を広告配信装置４に通知する。

ここで、ユーザＵに配信する可能性がある広告コンテンツとは、広告主がユーザＵに対して配信を希望している広告コンテンツを指す。具体的には、例えば所定の地域向けの広告コンテンツの場合、広告主は所定の地域に住むユーザＵへの広告コンテンツの配信を希望するが、所定の地域以外に住むユーザＵへの広告コンテンツを希望しないことがある。

このような場合に、ユーザＵの住所が所定の地域である場合に、情報処理装置３は、当該ユーザＵに対してかかる広告コンテンツを配信する可能性があると判定し、当該ユーザＵに対する広告コンテンツの広告効果を予測する。一方、ユーザＵの住所が所定の地域外である場合、情報処理装置３は、当該ユーザＵに対する広告コンテンツの広告効果を予測しないようにする。

なお、予測リクエストには必ずしも広告ＩＤが含まれる必要はなく、例えば広告グループＩＤやキャンペーンＩＤなど、広告コンテンツを識別できる情報が含まれていてもよい。

［２．１．６．取得部２３］
取得部２３は、受付部２２から受付予測リクエストの情報を取得すると、かかる受付予測リクエストに対応するユーザ情報を記憶部３０から取得する。

例えば、取得部２３は、受付予測リクエストに含まれるユーザＩＤに対応するユーザ属性をユーザ情報記憶部３１から取得する。また、取得部２３は、受付予測リクエストに含まれるユーザＩＤおよび広告ＩＤに対応するフリークエンシー情報を広告情報記憶部３２から取得する。取得部２３は、取得したユーザ属性を第１演算部２４に通知し、フリークエンシー情報を第２演算部２５に通知する。

また、取得部２３は、記憶部３０から広告ＩＤに対応する第１、第２予測モデルを取得する。取得部２３は、取得した第１予測モデルを第１演算部２４に通知し、第２予測モデルを第２演算部２５に通知する。

［２．１．７．第１演算部２４］
第１演算部２４は、受付予測リクエストによって特定される情報に基づいて第１予測値ＣＴＲを求める。例えば、第１演算部２４は、受付予測リクエストに応じて取得部２３によって取得されたユーザ属性の情報に基づいて、受付予測リクエストに対応する第１予測値ＣＴＲを演算する。第１演算部２４は、演算結果である第１予測値ＣＴＲを第２演算部２５に通知する。

具体的に、第１演算部２４は、ユーザ属性の情報を素性ｘ_{ＣＴＲ＿ｉ}として式（３）の予測モデルの演算を行う。例えば、素性ｘ_{ＣＴＲ＿１}は、「男性」であり、ユーザ属性の情報にユーザＵが「男性」を示す情報が含まれている場合、第１演算部２４は、素性ｘ_{ＣＴＲ＿１}を「１」に設定する。このように、ユーザ情報記憶部３１にユーザ属性の情報として記憶されている属性情報が素性ｘ_{ＣＴＲ＿ｉ}に割り当てられる。第１演算部２４は、割り当てられた素性ｘ_{ＣＴＲ＿ｉ}に基づいて予測モデルの演算を行い、第１予測値ＣＴＲを算出する。第１演算部２４は、受付予測リクエストに含まれる広告ＩＤに対応する第１予測モデルによって第１予測値ＣＴＲを演算する。

［２．１．８．第２演算部２５］
第２演算部２５は、受付予測リクエストによって特定される情報に基づいて第２予測値ｅＣＴＲを求める。例えば、第２演算部２５は、受付予測リクエストに応じて取得部２３によって取得されたフリークエンシー情報及び第１演算部２４によって演算された第１予測値ＣＴＲに基づいて、受付予測リクエストに対応する第２予測値ｅＣＴＲを演算する。第２演算部２５は、受付予測リクエストに含まれる広告ＩＤに対応する第２予測モデルによって第２予測値ｅＣＴＲを演算する。第２演算部２５は、演算結果である第２予測値ｅＣＴＲを通知部２６に通知する。

具体的に、第２演算部２５は、フリークエンシー情報を素性ｘ_{Ｆｒｅｑ＿ｉ}として式（４）の予測モデルによる演算を行う。例えば、素性ｘ_ｍ＿ａｄは、「ユーザＵに対する過去一ヶ月の広告コンテンツの配信数」であり、広告Ａ１１１に対応する第２予測値ｅＣＴＲを求める場合、第１演算部２４は、素性ｘ_{ＣＴＲ＿１}を「７」に設定する（図５参照）。このように、広告情報記憶部３２にフリークエンシー情報として記憶されている広告配信数が素性ｘ_{Ｆｒｅｑ＿ｉ}に割り当てられる。第２演算部２５は、割り当てられた素性ｘ_{Ｆｒｅｑ＿ｉ}に基づいて予測モデルの演算を行い、第２予測値ｅＣＴＲを算出する。

第１、第２演算部２４、２５は、取得部２３によって取得された、広告コンテンツの配信数（フリークエンシーの情報）を含むユーザ情報に基づいて、ユーザＵへ広告コンテンツを配信した場合の広告効果を予測する予測部であるとも言える。このように、第１、第２演算部２４、２５が、所定のユーザ情報に加えてフリークエンシーの情報を用いて広告効果の予測値演算を行うことで、広告効果の予測精度を向上させることができる。

また、ここでは、第１演算部２４が第１予測値ＣＴＲを演算し、第２演算部２５が第２予測値ｅＣＴＲを演算する例について示したが、例えば、モデル生成部２１が、上述した式（３）の第１予測モデルを式（２）に代入することで１つの予測モデルを生成するようにすることで、第１予測値ＣＴＲの演算を省略することもできる。この場合、第１演算部２４も省略できる。

このように、モデル生成部２１が１つの予測モデルを生成するようにすると、例えば後述する図６のモデル生成処理において、生成した第１予測モデルを用いて第１予測値ＣＴＲを演算する必要がなくなり、演算処理を削減することができる。また、図７に示す予測演算処理においても第１予測値ＣＴＲと第２予測値ｅＣＴＲとを分けて演算する必要がなくなり、演算処理を削減することができる。

［２．１．９．通知部２６］
通知部２６は、第２演算部２５から第２予測値ｅＣＴＲを取得すると、かかる第２予測値ｅＣＴＲを予測リクエストの返信として通信部１０及び通信ネットワーク８を介して広告配信装置４に通知する。

［３．情報処理手順］
次に、情報処理装置３によって行われるモデル生成処理手順および予測値演算処理手順について説明する。

［３．１．モデル生成処理手順］
図６を用いて情報処理装置３によって行われるモデル生成処理の手順について説明する。図６は、情報処理装置３のモデル生成処理の一例を示すフローチャートである。かかる動作は、情報処理装置３の制御部２０によって実行される処理である。

図６に示すように、情報処理装置３は、ユーザ情報を取得する（ステップＳ１０１）。情報処理装置３は、取得したユーザ情報に基づいて広告ＩＤに対応する第１予測モデルを生成する（ステップＳ１０２）。

次に、情報処理装置３は、生成した第１予測モデルを用いて、ユーザＵの第１予測値ＣＴＲを演算する（ステップＳ１０３）。情報処理装置３は、第２予測モデルを生成する場合に用いる全てのユーザＵの第１予測値ＣＴＲを演算したか否かを判定する（ステップＳ１０４）。第２予測モデルを生成する場合に用いる全てのユーザＵの第１予測値ＣＴＲを演算していない場合（ステップＳ１０４；Ｎｏ）、情報処理装置３はステップＳ１０３に戻り、残りのユーザＵに対応する第１予測値ＣＴＲを演算する。

一方、第２予測モデルを生成する場合に用いる全てのユーザＵの第１予測値ＣＴＲを演算した場合（ステップＳ１０４；Ｙｅｓ）、情報処理装置３は、広告ＩＤに対応するフリークエンシー情報を取得する（ステップＳ１０５）。情報処理装置３は、第１予測値ＣＴＲおよび広告ＩＤに対応するフリークエンシー情報に基づいて第２予測モデルを生成する（ステップＳ１０６）。

情報処理装置３は、全ての広告コンテンツ、すなわち全ての広告ＩＤに対応する第１、第２予測モデルを生成したか否か判定する（ステップＳ１０７）。全ての広告ＩＤに対応する第１、第２予測モデルを生成していない場合（ステップＳ１０７；Ｎｏ）、ステップＳ１０１に戻る。一方、全ての広告ＩＤに対応する第１、第２予測モデルを生成している場合、（ステップＳ１０７；Ｙｅｓ）処理を終了する。

なお、情報処理装置３が、上述した式（３）の第１予測モデルを式（２）に代入することで１つの予測モデルを生成してもよい。この場合、ステップＳ１０２〜Ｓ１０４を省略することができる。

［３．２．予測値演算処理手順］
図７を用いて情報処理装置３によって行われる予測値演算処理の手順について説明する。図７は、情報処理装置３の予測値演算処理の手順の一例を示すフローチャートである。かかる動作は、情報処理装置３の制御部２０によって実行される処理である。

図７に示すように、情報処理装置３は、予測リクエストを受け付けたか否かを判定する（ステップＳ２０１）。予測リクエストを受け付けていない場合（ステップＳ２０１；Ｎｏ）、ステップＳ２０１に戻り予測リクエストの受け付けを待機する。

一方、予測リクエストを受け付けた場合（ステップＳ２０１；Ｙｅｓ）、情報処理装置３は、予測リクエストに含まれるユーザＩＤに基づいて、広告配信対象となるユーザＵのユーザ情報を取得する（ステップＳ２０２）。情報処理装置３は、取得したユーザ情報に基づいて予測リクエストに含まれる広告ＩＤに対応する第１予測モデルの演算を行い、演算結果として第１予測値ＣＴＲを得る（ステップＳ２０３）。

続いて、情報処理装置３は、予測リクエストに含まれるユーザＩＤおよび広告ＩＤに基づいて広告配信対象となるユーザＵに対する広告コンテンツの配信数に関する情報（フリークエンシー情報）を取得する（ステップＳ２０４）。情報処理装置３は、ステップＳ２０３で得た第１予測値ＣＴＲおよびステップＳ２０４で取得したフリークエンシー情報に基づき、予測リクエストに含まれる広告ＩＤに対応する第２予測モデルによる演算を行い、演算結果として第２予測値ｅＣＴＲを得る（ステップＳ２０５）。

情報処理装置３は、予測リクエストに含まれる全ての広告ＩＤに対して第１予測値ＣＴＲ、第２予測値ｅＣＴＲを演算したか否か判定する（ステップＳ２０６）。全ての広告ＩＤに対して第１予測値ＣＴＲ、第２予測値ｅＣＴＲを演算していない場合（ステップＳ２０６；Ｎｏ）、ステップＳ２０１に戻る。一方、全ての広告ＩＤに対して第２予測値ｅＣＴＲを演算している場合、（ステップＳ２０６；Ｙｅｓ）処理を終了する。

なお、情報処理装置３が、上述した式（３）の第１予測モデルを式（２）に代入することで１つの予測モデルを生成する場合、ステップＳ２０３を省略することができる。

［４．その他の実施形態］
上述した実施形態は、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、他の実施形態について説明する。

上記実施形態において、第２演算部２５が、ロジスティック回帰モデルである第２予測モデルの演算を行い、第２予測値ｅＣＴＲを求める例について示した。ここで、第２演算部２５が、例えばフリークエンシー情報を用いて第１予測値ＣＴＲを補正することで第２予測値ｅＣＴＲを求めることもできる。具体的には、第２演算部２５は、下記式（５）に示すように、第１予測値ＣＴＲに、フリークエンシー情報に応じた係数ＦＱを乗算することで、第２予測値ｅＣＴＲを求める。
ｅＣＴＲ＝ＦＱ×ＣＴＲ （５）

また、上記実施形態において、第２演算部２５は、フリークエンシー情報として、ユーザＵに対する広告コンテンツの配信数に基づいて第２予測値ｅＣＴＲを予測する例について示した。ここで、フリークエンシー情報として、広告コンテンツの配信数に加えて広告コンテンツの配信頻度に基づいて第２予測値ｅＣＴＲを予測してもよい。

あるいは、フリークエンシー情報として、広告コンテンツの配信数に加えて広告コンテンツの配信間隔に基づいて第２予測値ｅＣＴＲを予測してもよく、広告コンテンツの配信数に加えて広告コンテンツの配信頻度および配信間隔の両方に基づいて第２予測値ｅＣＴＲを予測してもよい。

ここで、広告コンテンツの配信頻度として、例えば所定の期間に配信された広告コンテンツの配信数の平均値がある。具体的には、例えば過去一ヶ月の間に、一週間ごとに配信された広告コンテンツの配信数の平均値を算出し、かかる平均値を広告コンテンツの配信頻度とする。なお、広告コンテンツの配信頻度として平均値は一週間ごとに限られず、一日ごとの平均値であってもよい。また、第２演算部２５が、期間の異なる配信頻度を複数用いて第２予測値ｅＣＴＲを予測するようにしてもよい。

また、広告コンテンツの配信間隔として、例えば所定の期間に配信された広告コンテンツの配信間隔の平均値を当該配信間隔としてもよく、最大値あるいは最小値としてもよい。あるいは、最後に広告コンテンツが配信されてから第２予測値ｅＣＴＲを予測する時点までに経過した期間を当該配信間隔としてもよい。

上述した配信頻度および／または配信間隔を第２予測モデルの素性にすることで、配信頻度および／または配信間隔に基づいて第２予測値ｅＣＴＲを予測することができる。

また、上記実施形態において、モデル生成部２１が広告ＩＤごとに第１、第２予測モデルを生成し、第１、第２演算部２４、２５が広告ＩＤごとに第１、第２予測値ＣＴＲ、ｅＣＴＲを求める例について示した。ここで、モデル生成部２１が広告グループＩＤごとに第１、第２予測モデルを生成し、第１、第２演算部２４、２５が広告グループＩＤごとに第１、第２予測値ＣＴＲ、ｅＣＴＲを求めるようにしてもよい。なお、キャンペーンＩＤごとに第１、第２予測モデルを生成し第１、第２予測値ＣＴＲ、ｅＣＴＲを求めるようにしてもよい。

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。

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に示した記憶部３０は、情報処理装置３が保持せずに、図示しないストレージサーバ等が保持してもよい。この場合、情報処理装置３は、ストレージサーバからユーザやフリークエンシーに関する情報等を取得する。また、例えば、情報処理装置３と広告配信装置４とを統合して構成してもよい。また、例えば、情報処理装置３は、モデル生成部２１を有するモデル生成装置と、第１演算部２４、第２演算部２５を有するモデル演算装置とに分散されてもよい。

［５．ハードウエア構成］
なお、上述の実施形態における情報処理装置３は、例えば図８に示すような構成のコンピュータ１００によって実現される。図８は、情報処理機能を実現するコンピュータ１００の一例を示すハードウエア構成図である。コンピュータ１００は、ＣＰＵ３０１、ＲＡＭ３０２、ＲＯＭ（Read Only Memory）３０３、ＨＤＤ（Hard Disk Drive）３０４、通信インターフェイス（Ｉ／Ｆ）３０５、入出力インターフェイス（Ｉ／Ｆ）３０６、およびメディアインターフェイス（Ｉ／Ｆ）３０７を備える。

ＣＰＵ３０１は、ＲＯＭ３０３またはＨＤＤ３０４に格納されたプログラムに基づいて動作し、各部の制御を行う。ＲＯＭ３０３は、コンピュータ１００の起動時にＣＰＵ３０１によって実行されるブートプログラムや、コンピュータ１００のハードウエアに依存するプログラム等を格納する。

ＨＤＤ３０４は、ＣＰＵ３０１によって実行されるプログラムおよび当該プログラムによって使用されるデータ等を格納する。通信インターフェイス３０５は、通信回線３０９を介して他の機器からデータを受信してＣＰＵ３０１へ送り、ＣＰＵ３０１が生成したデータを、通信回線３０９を介して他の機器へ送信する。

ＣＰＵ３０１は、入出力インターフェイス３０６を介して、ディスプレイやプリンタ等の出力装置、および、キーボードやマウス等の入力装置を制御する。ＣＰＵ３０１は、入出力インターフェイス３０６を介して、入力装置からデータを取得する。また、ＣＰＵ３０１は、生成したデータを、入出力インターフェイス３０６を介して出力装置へ出力する。

メディアインターフェイス３０７は、記録媒体３０８に格納されたプログラムまたはデータを読み取り、ＲＡＭ３０２を介してＣＰＵ３０１に提供する。ＣＰＵ３０１は、当該プログラムを、メディアインターフェイス３０７を介して記録媒体３０８からＲＡＭ３０２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３０８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。

コンピュータ１００が実施形態における情報処理装置３として機能する場合、コンピュータ１００のＣＰＵ３０１は、ＲＡＭ３０２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２０のモデル生成部２１、受付部２２、取得部２３、第１演算部２４、第２演算部２５および通知部２６の各機能を実現する。また、ＨＤＤ３０４には、記憶部３０内のデータが格納される。

コンピュータ１００のＣＰＵ３０１は、これらのプログラムを、記録媒体３０８から読み取って実行するが、他の例として、他の装置から、通信回線３０９を介してこれらのプログラムを取得してもよい。

［６．効果］
このように、実施形態の情報処理装置３は、広告配信対象となるユーザＵに対する広告コンテンツの配信数を含むユーザ情報を取得し、取得されたユーザ情報に基づいて、ユーザへ広告コンテンツを配信した場合の当該広告コンテンツの広告効果を予測する。これにより、情報処理装置３は、広告効果の予測精度を向上させることができる。

また、実施形態の情報処理装置３は、配信数を素性に含む予測モデルに基づいて、広告コンテンツの広告効果を予測する。これにより、情報処理装置３は、ユーザ情報に加え、広告コンテンツの配信数を考慮した予測値を求めることができ、広告効果の予測精度を向上させることができる。

また、実施形態の情報処理装置３は、配信数を除くユーザ情報に基づいて広告コンテンツの広告効果を予測し、当該広告効果を配信数に基づいて補正する。これにより、情報処理装置３は、広告コンテンツの配信数を考慮した予測値を求めることができ、広告効果の予測精度を向上させることができる。

また、実施形態のユーザ情報には、広告配信対象となるユーザに対する広告の配信頻度および／または配信間隔の情報が含まれ、情報処理装置３は、配信数に加え、さらに、配信頻度および／または配信間隔に基づいて、広告の広告効果を予測する。このように、広告の配信数に加え、広告の配信頻度および／または配信間隔の情報を考慮した予測値を求めることができ、広告効果の予測精度をさらに向上させることができる。

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。

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、制御部は、制御手段や制御回路に読み替えることができる。

１ 広告配信システム
２ ウェブサーバ
３ 情報処理装置
４ 広告配信装置
７ 端末装置
８ 通信ネットワーク
１０ 通信部
２０ 制御部
２１ モデル生成部
２２ 受付部
２３ 取得部
２４ 第１演算部
２５ 第２演算部
２６ 通知部
３０ 記憶部
３１ ユーザ情報記憶部
３２ 広告情報記憶部

Claims (6)

1. 広告配信対象となるユーザに対する広告コンテンツの配信数を含むユーザ情報を取得する取得部と、
   前記取得部によって取得されたユーザ情報に基づいて、前記ユーザへ広告コンテンツを配信した場合の前記広告コンテンツの広告効果を予測する予測部と、を備える
   ことを特徴とする情報処理装置。
2. 前記予測部は、
   前記配信数を素性に含む予測モデルに基づいて、前記広告コンテンツの前記広告効果を予測する
   ことを特徴とする請求項１に記載の情報処理装置。
3. 前記予測部は、
   前記配信数を除くユーザ情報に基づいて前記広告コンテンツの前記広告効果を予測し、当該広告効果を前記配信数に基づいて補正する
   ことを特徴とする請求項１に記載の情報処理装置。
4. 前記ユーザ情報には、広告配信対象となる前記ユーザに対する前記広告コンテンツの配信頻度および／または配信間隔の情報が含まれ、
   前記予測部は、
   前記配信数に加え、さらに、前記配信頻度および／または前記配信間隔に基づいて、前記広告コンテンツの前記広告効果を予測する
   ことを特徴とする請求項１〜３のいずれか一つに記載の情報処理装置。
5. 広告配信対象となるユーザに対する広告コンテンツの配信数を含むユーザ情報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ユーザ情報に基づいて、前記ユーザへ広告コンテンツを配信した場合の前記広告コンテンツの広告効果を予測する予測工程と、を含む
   ことを特徴とする情報処理方法。
6. コンピュータに、
   広告配信対象となるユーザに対する広告コンテンツの配信数を含むユーザ情報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ユーザ情報に基づいて、前記ユーザへ広告コンテンツを配信した場合の前記広告コンテンツの広告効果を予測する予測手順と、
   を実行させることを特徴とする情報処理プログラム。

Images