JP2016177649A - 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】コンテンツの配信対象ユーザを効果的に拡張することができる情報処理装置、情報処理プログラム及び情報処理方法を提供する。
【解決手段】情報処理装置３は、モデル生成部２１と、更新部２４を備える。モデル生成部は、所定のｅコマースで販売される商品及び／又はサービスの購入履歴がある第１ユーザの情報を正解データとして予測モデルを生成する。更新部は、予測モデルに基づき、第１ユーザとは異なる第２ユーザの属性を更新する。
【選択図】図３

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、ネットワークを介して取得される情報に基づいた広告配信が行われている。このような広告配信の例として、ウェブページを閲覧するユーザの中で、ある属性を持つオーディエンス群に対し、類似するオーディエンスを特定し、広告配信を行う技術が知られている（例えば、特許文献１参照）。

特開２０１２−９４０９７号公報

しかしながら、上記特許文献１は、広告配信の対象であるオーディエンス群とウェブ閲覧履歴が似通ったオーディエンスを特定することが記載されているに留まり、具体的な手法を提示するものではない。

本願は、上記に鑑みてなされたものであって、広告コンテンツなどのコンテンツの配信対象を効果的に拡張す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、所定のｅコマースで販売される商品および／またはサービスの購入履歴がある第１ユーザの情報を正解データとして予測モデルを生成するモデル生成部と、前記予測モデルに基づき、前記第１ユーザとは異なる第２ユーザの属性を更新する更新部と、を備える。

実施形態の一態様によれば、広告コンテンツなどのコンテンツの配信対象ユーザを効果的に拡張することができるという効果を奏する。

図１は、実施形態に係るユーザ属性更新処理の説明図である。 図２は、本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３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、実施形態に係る予測モデルの係数と素性の一例を示す図である。 図６は、実施形態に係るユーザ属性更新処理手順の一例を示すフローチャートである。 図７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．ユーザ属性更新処理］
まず、実施形態に係るユーザ属性更新処理について説明する。図１は、実施形態に係るユーザ属性更新処理の説明図であり、以下においては、情報処理装置によってユーザ属性更新処理が行われる。

図１に示す例では、情報処理装置は、ユーザの属性を更新するために用いる予測モデルとして下記式（１）に示す予測モデルを生成する。ａ_ｉは、係数であり、ｘ_ｉは、素性（説明変数）である。情報処理装置は、例えばＳＶＭ（Support Vector Machine）などの機械学習によって係数ａ_ｉを算出することで予測モデルを生成する。

具体的には、情報処理装置は、複数のユーザＵ１の情報を正解データとし、複数のユーザＵ２の情報を不正解データとしてＳＶＭを用いて上記式（１）の係数ａ_ｉを算出し、予測モデルを生成する（ステップＳ１）。ここで、ユーザＵ１は、例えば所定のｅコマースで販売される商品の購入履歴があるユーザであり、ユーザＵ２は、例えば所定のｅコマースで販売される商品の購入履歴がないユーザである。

また、ユーザＵ１、Ｕ２の情報としては、例えば「性別」、「年齢」といった人口統計学的なユーザの属性情報を示すデモグラフィック属性や、「車」、「ファッション」といったユーザの嗜好、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などのユーザの属性情報である。情報処理装置は、ユーザＵ１、Ｕ２の情報を素性ｘ_ｉとし、購入履歴の有無を従属変数として上記式（１）の係数ａ_ｉを算出することで予測モデルを生成する。

情報処理装置は、生成した予測モデルに基づいて、１以上の特徴情報を取得する（ステップＳ２）。ここで、特徴情報とは、正解データとした複数のユーザＵ１の情報のうち、多くのユーザＵ１に含まれる情報であり、複数のユーザＵ１の特徴を示す情報である。具体的には、ステップＳ１で算出した予測モデルの係数ａ_ｉが大きい素性ｘ_ｉに対応する情報ほど多くのユーザＵ１が有する情報であるため、係数ａ_ｉが大きい素性ｘ_ｉを特徴情報として取得する。

また、情報処理装置は、ユーザＵ１とは異なるユーザＵ３の情報に基づき、予測モデルによる演算を行う（ステップＳ３）。ここで、ユーザＵ３は、例えば所定のｅコマースで販売される商品の購入履歴がないユーザである。なお、ユーザＵ３は、ユーザＵ２と同であってもよく、異なっていてもよい。演算の結果が所定の条件を満たす場合、情報処理装置はユーザＵ３の属性を更新する（ステップＳ４）。具体的には、ステップ２で取得した特徴情報をユーザＵ３の属性情報とする。

このように、本実施形態に係るユーザ属性更新処理において、情報処理装置は、所定のｅコマースで販売される商品の購入履歴があるユーザＵ１の情報を正解データとして予測モデルを生成し、生成した予測モデルに基づき、ユーザＵ１とは異なるユーザＵ３の属性を更新する。また、情報処理装置は、予測モデルに基づいて特徴情報を抽出し、抽出した特徴情報に基づいてユーザＵ３の属性を更新する。

そのため、例えば所定の商品の購入履歴があるユーザＵ１に広告コンテンツを配信する場合に、ユーザＵ１とは異なるがユーザＵ１と似たユーザＵ３にもかかる広告コンテンツを配信することができる。このように、例えば広告コンテンツを配信するユーザを、そもそも配信対象としていたユーザＵ１だけでなく、ユーザＵ３にまで効果的に拡張することができる。

以下、上述した情報処理装置を含み、コンテンツの一例として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、本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、複数の端末装置５とを備える。これらの装置は、通信ネットワーク６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６は、例えばインターネットなどである。

端末装置５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５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６を介して端末装置５のブラウザからのアクセスがあると、端末装置５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５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情報処理装置３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５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。

情報処理装置３は、広告リクエストに対応する広告コンテンツを端末装置５に配信する。情報処理装置３は、ユーザＵの属性に基づいて広告コンテンツを配信する。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６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６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６を介して、端末装置５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、本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の所定のｅコマースにおける商品の購入履歴やユーザＵの属性情報を記憶する。

ここで、所定のｅコマースとは、例えばオークションやショッピングなど通信ネットワーク６を介して行われる電子商取引である。以下、所定のｅコマースにおける商品の購入履歴がオークションの落札履歴であるとして説明する。

図４において、ユーザ情報記憶部３１は、「ユーザＩＤ」、「デモグラフィック属性」、「サイコグラフィック属性」、「落札履歴」といった項目を有する。

「ユーザＩＤ」は、端末装置５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、「Ｕ１１」等と表記される。これは、端末装置５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、端末装置５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「デモグラフィック属性」は、「性別」、「年齢」といった種別に分けられる。このように、「デモグラフィック属性」は、人口統計学的なユーザＵの属性情報を示す。

「サイコグラフィック属性」は、ユーザの嗜好、価値観、ライフスタイル、性格などを示す。図４に示す例では、ユーザ情報記憶部３１は、「サイコグラフィック属性」として、ユーザＵの関心のある対象に関する特徴語を記憶する。具体的には、ユーザ情報記憶部３１は、「サイコグラフィック属性」として、「車」、「ファッション」、「旅行」、「スポーツ」・・・といったユーザＵの興味関心を示すキーワードを特徴語として記憶する。

特徴語は、ユーザＵの興味関心を特徴的に表す単語であり、ユーザＵの特徴を示す単語である。このように、特徴語は、ユーザＵの特徴を示す情報である特徴情報の一種であり、ユーザＵの特徴情報としては、特徴語以外にも例えば所定のキーワードに対するユーザＵの関心度などがある。なお、かかる特徴語は、例えばユーザＵが閲覧したウェブページから抽出したキーワードでもよく、またユーザＵが検索ウェブページに入力した検索クエリから抽出したキーワードでもよい。

「落札履歴」は、ユーザＵがオークションサイトで落札した商品の情報を記憶する。図４に示す例では、ユーザ情報記憶部３１は、「落札履歴」として、落札した商品名と、かかる商品のカテゴリとを関連付けて記憶する。例えば、図４では、ユーザＵ１１は、大カテゴリが「模型」、小カテゴリが「車」の商品「トラック」を購入している例を示している。また、落札履歴が空欄のユーザＵ３１、Ｕ３２は、オークションサイトで商品を落札したことがないことを示している。

［２．１．２．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、取得部２２、演算部２３、更新部２４および広告配信部２５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。

［２．１．３．モデル生成部２１］
モデル生成部２１は、ユーザＵのうち、オークションサイトで商品の落札履歴があるユーザＵの情報をユーザ情報記憶部３１から取得する。また、モデル生成部２１は、ユーザＵのうち当該商品の落札履歴がないユーザＵの情報をユーザ情報記憶部３１から取得する。モデル生成部２１は、商品の落札履歴があるユーザＵの情報を正解データとし、当該商品の落札履歴がないユーザＵの情報を不正解データとして予測モデルを生成し、生成した予測モデルを記憶部３０に記憶する。

以下では、図４、図５を用いて、実施形態に係る予測モデルの生成処理について具体的に説明する。図５は、モデル生成部２１が生成する予測モデルの係数ａ_ｉと素性ｘ_ｉの関係を示す図である。ここでは、モデル生成部２１は、大カテゴリが「模型」、小カテゴリが「車」の商品の落札履歴があるユーザＵ１１、Ｕ１２、・・・（以下、ユーザＵ１とも称する）のユーザ情報を正解データとし、大カテゴリが「模型」の商品の落札履歴はあるが、小カテゴリが「車」の商品の落札履歴がないユーザＵ２１、Ｕ２２、・・・（以下、ユーザＵ２とも称する）のユーザ情報を不正解データとして予測モデルを生成する例について説明する。

ここで、大カテゴリが「模型」、小カテゴリが「車」の商品の落札履歴があるユーザＵ１を正解データとし、大カテゴリが「模型」の商品の落札履歴があるが小カテゴリが「車」の商品の落札履歴がないユーザＵ２を不正解データとする理由について説明する。ユーザＵ１は、大カテゴリが「模型」、小カテゴリが「車」の商品の落札履歴があることから、「模型」の中でも「車」に対する興味関心の度合いが相対的に高いと考えられる。

一方、ユーザＵ２は、大カテゴリが「模型」に含まれる商品を落札していることから、「模型」には興味関心があると考えられ、小カテゴリが「車」の商品の落札履歴がないことから、ユーザＵ２は、「模型」の中でも「車」に対する興味関心の度合いが相対的に低いと考えられる。

このように、ユーザＵ１とユーザＵ２とは、「模型」の「車」に対する興味関心の度合いが異なる。そこで、実施形態にかかるモデル生成部２１は、ユーザＵ１を正解データとし、ユーザＵ２を不正解データとして予測モデルを生成することで、「模型」の「車」に興味関心があるユーザＵを予測する予測モデルを生成することができる。

なお、ここでは、モデル生成部２１が小カテゴリである「車」に着目して予測モデルを生成する例について説明するが、これに限られない。例えば、特定の商品に興味関心があるユーザＵを予測する予測モデルを生成する場合、モデル生成部２１は、特定の商品の落札履歴があるユーザＵを正解データとし、かかる商品の落札履歴がないユーザＵを不正解データとして予測モデルを生成することもできる。また、大カテゴリに含まれる商品の落札履歴の有無に応じても同様にして予測モデルを生成することができる。

モデル生成部２１は、例えば上述した式（１）に示すＳＶＭにおいて、例えば上述した小カテゴリ「車」に含まれる商品の購入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_ｉにすることで、素性ｘ_ｉに対応する係数ａ_ｉを求める。

素性ｘ_ｉは、例えばユーザＵの属性である。例えば、素性ｘ_ｉは、「サイコグラフィック属性」としてユーザ情報記憶部３１が記憶する特徴語である。具体的には、例えば素性ｘ_１は、「車」であり、ユーザＵの「サイコグラフィック属性」として「車」がユーザ情報記憶部３１に記憶されている場合に「１」に設定され、それ以外は「０」に設定される。また、素性ｘ_２は、「子供」であり、ユーザＵの「サイコグラフィック属性」として「子供」がユーザ情報記憶部３１に記憶されている場合に「１」に設定され、それ以外は「０」に設定される。このように、ユーザ情報記憶部３１に「サイコグラフィック属性」として記憶されている属性情報が素性ｘ_ｉに割り当てられる。

また、従属変数は、例えば落札履歴において、ユーザＵが大カテゴリ「模型」および小カテゴリ「車」に含まれる商品を落札している場合に「１」に設定され、ユーザＵが大カテゴリ「模型」に含まれ、小カテゴリ「車」に含まれない商品を落札している場合に「−１」に設定される。具体的には、図４のユーザＵ１１、Ｕ１２、・・・は「１」に設定され、Ｕ２１、Ｕ２２、・・・は「−１」に設定される。

このように、モデル生成部２１は、ＳＶＭに基づいた予測モデルを生成する。モデル生成部２１は、図５に示すように生成した予測モデルの素性ｘ_ｉと係数ａ_ｉとを関連付けて記憶部３０に記憶する。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予測モデルを生成することもできる。例えば、従属変数として、商品を落札している場合に「−１」を、当該商品を落札していない場合に「１」を設定するようにしてもよい。

また、モデル生成部２１は、例えば、ロジスティック回帰モデルなど機械学習の手法を用いて予測モデルを生成することもできる。例えば、ロジスティック回帰モデルを用いて予測モデルを生成する場合、モデル生成部２１は、下記式（２）において商品の購入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_ｉにすることで、素性ｘ_ｉに対応する係数ａ_ｉを求めればよい。

［２．１．４．取得部２２］
図３の取得部２２は、モデル生成部２１によって生成された予測モデルに基づき、１以上の特徴情報を抽出して取得する抽出取得部である。具体的に取得部２２は、モデル生成部２１によって算出された式（１）の係数ａ_ｉのうち、値が大きいものから順にＮ個の係数に対応するＮ個の素性ｘ_ｉを抽出する。

モデル生成部２１によって、例えば図５に示す係数ａ_ｉが算出された場合に、取得部２２が３個の特徴情報を抽出取得するとする。この場合、取得部２２は、「オモチャ」、「車」、「子供」の３つの特徴語を特徴情報として取得する。取得部２２は、抽出取得した特徴情報を記憶部３０に記憶する。

なお、ここでは、取得部２２が予測モデルに基づいて特徴情報を抽出する場合について説明したが、これに限られない。例えば、記憶部３０が商品やカテゴリと特徴情報とを予め対応付けて記憶するようにし、取得部２２が、記憶部３０から特徴情報を取得するようにしてもよい。

また、取得部２２による特徴情報の抽出取得と、更新部２４によるユーザ属性の更新とに同じ予測モデルを用いる例について示した。ここで、予測モデルは一例であり、取得部２２は、更新部２４によるユーザ属性の更新に用いる予測モデルとは異なる予測モデルに基づき、特徴情報を抽出取得することもできる。

また、取得部２２によって抽出される特徴情報の個数はカテゴリや商品等によって変更するようにしてもよい。あるいは、取得部２２が、予測モデルによる演算結果に応じて抽出する特徴情報の個数を変更するようにしてもよい。

［２．１．５．演算部２３］
図３の演算部２３は、ユーザＵ１と異なるユーザＵ、すなわち大カテゴリ「模型」、小カテゴリ「車」に含まれる商品の購入履歴がないユーザＵの情報に基づき、モデル生成部２１が生成した予測モデルによる演算を行う。例えば、図４に示す例では、オークションサイトでの購入履歴がないユーザＵ３１、Ｕ３２、・・・（以下、ユーザＵ３とも称する）および大カテゴリ「模型」、小カテゴリ「車」に含まれる商品の購入履歴がないユーザＵ２の情報に基づき、予測モデルによる演算を行う。

このように、演算部２３は、不正解データとしたユーザＵ２も含めたユーザＵの情報に基づいて予測モデルによる演算を行う。これにより、「模型」の「車」に興味関心がないと考えたユーザＵ２に「模型」の「車」に興味関心をもつ可能性があるユーザＵ２が含まれているか否か予測することができる。

例えば、図４に示すユーザＵ３１のユーザ情報に基づいた演算を行う場合、演算部２３は、ユーザＵ３１のユーザ情報をユーザ情報記憶部３１から取得する。演算部２３は、ユーザ情報記憶部３１から取得した「サイコグラフィック属性」を素性ｘ_ｉとして式（１）の予測モデルによる演算を行う。

具体的には、例えば、図４に示すように、ユーザＵ３１は、「子供」というサイコグラフィック属性を有する。図５に示すように、「子供」は、素性ｘ_２である。そこで、演算部２３は、素性ｘ_２を「１」に設定する。このように、ユーザ情報記憶部３１に「サイコグラフィック属性」として記憶されている属性情報が素性ｘ_ｉに割り当てられる。演算部２３は、割り当てられた素性ｘ_ｉに係数ａ_ｉを乗算して総和を求めることで、予測モデルによる演算を行う。演算部２３は、ユーザＵと演算結果とを対応付けて記憶部３０に記憶する。

［２．１．６．更新部２４］
更新部２４は、演算部２３が予測モデルによる演算を行ったユーザＵ２、Ｕ３の属性を更新する。更新部２４は、演算部２３による演算結果が所定の条件を満たす場合に、ユーザＵ２、Ｕ３の属性情報を更新する。

ここでは、更新部２４は、正解データとしたユーザＵ１の数が所定の条件を満たす場合に、ユーザＵの属性を更新する。例えば、更新部２４は、ユーザＵ１の数が所定の閾値以下である場合、ユーザＵ１が購入した商品が含まれる大カテゴリ「模型」に含まれる小カテゴリ「鉄道」の商品を購入したユーザＵ２の属性を更新すると決定する。

また、ユーザＵ２の数が所定の閾値以下の場合、更新部２４は、例えばオークションサイトでの購入履歴がないユーザＵ３の属性を更新すると決定するようにしてもよい。このように、更新部２４は、属性を更新するユーザＵの数が所定の閾値を超えるまで、例えばカテゴリに含まれる商品の購入の有無などに応じて、属性を更新するユーザを追加することもできる。

更新部２４は、属性を更新すると決定したユーザＵを演算部２３に通知する。通知を受けた演算部２３は、属性を更新すると決定したユーザＵの情報に基づいて予測モデルによる演算を行う。更新部２４は、演算部２３の演算結果に応じてユーザＵの属性を更新する。

具体的に、更新部２４は、演算部２３による演算結果が所定の閾値以上である場合、取得部２２で取得した特徴情報をユーザ情報に追加する。更新部２４は、取得部２２で取得した特徴語をユーザ情報記憶部３１に、ユーザＵ２、Ｕ３と対応付けて新たに記憶する。具体的には、図４に示すサイコグラフィック属性に特徴情報として抽出した特徴語を新たな項目として追加する。例えば、図４のユーザＵ３１のサイコグラフィック属性に特徴情報として特徴語「オモチャ」、「車」、「子供」を追加することでユーザＵ３１のユーザ属性を更新するとする。この場合、図４のユーザＵ３１は、すでに「子供」という特徴語を有しているため、更新部２４は、「オモチャ」、「車」をサイコグラフィック属性としてユーザＵ３１のユーザ情報に追加する。

なお、ここでは、更新部２４がユーザＵ２、Ｕ３の属性情報を更新する例について説明したが、これに限られない。例えば、更新部２４が、落札履歴を更新するようにしてもよい。具体的には、更新部２４は、演算結果が所定の閾値以上であるユーザＵの落札履歴に、所定のカテゴリの商品を落札したとする情報を追加する。この場合、更新部２４は、例えばユーザ情報記憶部３１のユーザＵの落札履歴の大カテゴリに「模型」、小カテゴリに「車」を追加する。このとき、商品名を空欄のままとしてもよく、仮の商品を落札したとして仮の商品名を追加するようにしてもよい。

また、ユーザ情報記憶部３１が、ユーザＵの落札履歴を数値化して記憶する（例えば商品を落札した場合「１」とし、落札していない場合に「０」と記憶する）場合、更新部２４は、演算結果が所定の閾値以上であるユーザＵの落札履歴を「０」から「１」に更新するようにしてもよい。なお、かかる数値は「０」、「１」に限られない。例えば実際に商品を落札したユーザＵは「２」、演算結果が所定の閾値以上であるユーザＵは「１」としてもよい。また、演算結果が所定の閾値以上であるユーザＵは、かかる演算結果をユーザＵの落札履歴として記憶するようにしてもよい。

また、更新部２４が、取得部２２によって取得した特徴情報をユーザ情報の「サイコグラフィック属性」に追加することでユーザ属性を更新する例について示した。ここで、例えば、更新部２４が、特徴情報と、オークション、カテゴリ、または商品の少なくとも１つに対応する属性情報とを対応付けてユーザ情報記憶部３１に記憶するようにしてもよい。あるいは、情報処理装置３が、ユーザＵから直接取得した「サイコグラフィック属性」とは別に、予測モデルによって抽出取得した特徴情報を記憶するようにしてもよい。この場合、例えばサイコグラフィック属性を上書き消去または削除する場合に、予測モデルによって抽出取得した特徴情報から優先的に上書き消去または削除するようにしてもよい。

なお、更新部２４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、上述したデモグラフィック属性やサイコグラフィック属性などを定期的に更新することもできる。また、更新部２４は、例えば外部サーバから上述したデモグラフィック属性やサイコグラフィック属性などを定期的に取得して更新することもできる。

なお、ここでは、更新部２４が属性を更新するユーザＵを決定するとしたがこれに限られない。例えば演算部２３が属性を更新するユーザＵを決定するようにしてもよい。または、制御部２０が、属性を更新するユーザＵを決定する決定部（図示せず）を有するようにしてもよい。

［２．１．７．広告配信部２５］
図３の広告配信部２５は、ユーザＵの端末装置５から広告配信の要求を受け付けた場合に、ユーザＵに適する広告コンテンツを広告情報記憶部３２から抽出する。広告配信部２５は、通信部１０を介して抽出した広告コンテンツを端末装置５に配信する。広告配信部２５は、ユーザ情報記憶部３１が記憶するユーザＵに関するユーザ情報を利用し、ユーザＵと広告コンテンツとの適切なマッチング処理を実行する。言い換えれば、広告配信部２５は、訴求効果が高くなると想定される特定のユーザＵに対応する適切な広告コンテンツを抽出し、抽出された広告コンテンツを当該ユーザＵに配信する。このとき、ユーザ情報として、更新部２４による更新によって、コンテンツの配信対象ユーザを効果的に拡張することができ、当該ユーザＵに対するコンテンツの訴求効果を高めることができる。

［３．処理手順］
次に、図６を用いて、実施形態に係る情報処理装置３が実行するユーザ属性更新処理の手順について説明する。図６は、実施形態に係る情報処理装置３によるユーザ属性更新処理手順を示すフローチャートである。

図６に示すように、情報処理装置３は、オークションの所定カテゴリに含まれる商品の落札履歴があるユーザＵ１の情報を正解データとして取得し、当該所定のカテゴリに含まれる商品の落札履歴がないユーザＵ２の情報を不正解データとして取得する（ステップＳ１０１）。

続いて、情報処理装置３は、正解データおよび不正解データを用いて予測モデルを生成する（ステップＳ１０２）。情報処理装置３は、予測モデルに基づき、特徴情報を抽出取得する（ステップＳ１０３）。

情報処理装置３は、予測モデルによる演算対象となるユーザとして、正解データとしたユーザＵ１が購入した商品を購入していないユーザＵ２、Ｕ３のうち１つを選択する（ステップＳ１０４）。情報処理装置３は、ステップＳ１０４で選択したユーザＵの情報に基づき、予測モデルによる演算を行う（ステップＳ１０５）。情報処理装置３は、演算結果と所定の閾値Ｔｈとを比較する（ステップＳ１０６）。演算結果が所定の閾値Ｔｈより小さい場合（ステップＳ１０６；Ｎｏ）、ステップＳ１０８へ進む。

一方、演算結果が所定の閾値Ｔｈ以上の場合（ステップＳ１０６；Ｙｅｓ）、ステップＳ１０３で抽出取得した特徴情報に基づき、ステップＳ１０４で選択したユーザ属性を更新する（ステップＳ１０７）。情報処理装置３は、正解データとしたユーザＵ１が購入した商品を購入していないユーザＵ２、Ｕ３すべてに対して予測モデルによる演算を行ったか否か判定する（ステップＳ１０８）。ユーザＵ２、Ｕ３すべてに対して演算を行ったと判定した場合（ステップＳ１０８；Ｙｅｓ）、処理を終了する。一方、演算を行っていないユーザＵ２、Ｕ３が存在する場合（ステップＳ１０８；Ｎｏ）、ステップＳ１０４に戻り、演算を行っていないユーザＵ２、Ｕ３に対して予測モデルによる演算を行う。

なお、図６では、情報処理装置３が特徴情報を抽出取得してから、予測モデルによる演算を行う例を示した。しかし、この例に限られず、情報処理装置３は、予測モデルによる演算を行ってから特徴情報を抽出取得するようにしてもよい。この場合、予測モデルによる演算結果に応じて、特徴情報を抽出取得する個数を変更するようにしてもよい。例えば、予測モデルによる演算結果の値が大きい場合は、取得する特徴情報の個数を多くし、当該値が小さい場合は、個数を少なくするようにしてもよい。

また、上述したようにモデル生成部２１で予測モデルを生成するときに、従属変数として商品を落札している場合に「−１」を、当該商品を落札していない場合に「１」を設定するようにした場合は、ステップＳ１０６における演算結果と所定の閾値Ｔｈとの大小関係を反対とする。すなわち、ステップＳ１０６において演算結果が所定の閾値Ｔｈより大きい場合、ステップＳ１０８へ進み、演算結果が所定の閾値Ｔｈ以下の場合、ステップＳ１０７へ進むようにする。

［４．変形例］
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。

また、上記実施形態において、所定のｅコマースでの購入履歴をオークションでの落札履歴として説明したが、これに限られない。例えばショッピングの購入履歴や、オークションでの入札履歴、お気に入りへの登録履歴などを所定のｅコマースでの購入履歴として、ユーザＵの情報を正解データとするか不正解データとするか決定するようにしてもよい。なお、ユーザＵの購入履歴は商品に限られない。サービスであってもよく、サービス及び商品であってもよい。

このように、情報処理装置３が、所定のｅコマースで販売される商品および／またはサービスの購入履歴があるユーザＵ１の情報を正解データとし、当該商品および／またはサービスの購入履歴がないユーザＵ２、Ｕ３の情報を不正解データとする。これにより、予測モデルの予測精度を向上させることができ、コンテンツの配信対象ユーザを効果的に拡張することができるとともに、コンテンツの訴求効果を高めることができる。

また、ユーザ情報記憶部３１が、「サイコグラフィック属性」として特徴語そのものを記憶する例について示した。ここで、ユーザ情報記憶部３１が、特徴語を「サイコグラフィック属性」の項目とし、当該特徴語に該当する項目に「１」または「０」を設定することで、特徴語とユーザＵとを対応付けて記憶するようにしてもよい。この場合、更新部２４が、取得部２２によって取得された特徴語に基づいてユーザ属性を更新する場合、当該特徴語に該当する項目に「１」を設定するようにしてもよい。あるいは、ユーザＵの関心度に応じて項目ごとに所定の数値を設定するようにしてもよい。この場合、関心度に応じた所定の数値は例えば予測モデルの係数ａ_ｉに基づいて決定するようにしてもよい。

また、上記実施形態において、情報処理装置３のユーザ情報記憶部３１が、ユーザＵの属性情報と商品の購入履歴とを記憶する例について示した。ここで、情報処理装置３が、ユーザＵの属性情報と商品の購入履歴とを異なる記憶部に記憶するようにしてもよい。この場合、商品の購入履歴は、例えばユーザＵの行動履歴のログとして記憶することもできる。

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に示した広告情報記憶部３２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広告に関する情報等を取得する。また、例えば、情報処理装置３は、モデル生成部２１、取得部２２、演算部２３、更新部２４とユーザ情報記憶部３１とを有するユーザ情報管理装置と、広告配信部２５と広告情報記憶部３２とを有する広告配信装置とに分散されてもよい。

また、上記実施形態において、コンテンツの一例として広告コンテンツを配信する広告配信システム１について説明した。ここで、コンテンツは、記事コンテンツや動画コンテンツなど広告コンテンツ以外のコンテンツであってもよい。

［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７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７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、取得部２２、演算部２３、更新部２４および広告配信部２５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、所定のｅコマースで販売される商品および／またはサービスの購入履歴がある第１ユーザ（ユーザＵ１）の情報を正解データとして予測モデルを生成し、予測モデルに基づき、第１ユーザとは異なる第２ユーザ（ユーザＵ２、Ｕ３）の属性を更新する。これにより、情報処理装置３は、コンテンツの配信対象ユーザを第１ユーザだけでなく第２ユーザまで効果的に拡張することができ、コンテンツの訴求効果を高めることができる。

また、実施形態の情報処理装置３の更新部２４は、第２ユーザの情報に基づき、予測モデルによる演算結果が所定条件を満たすと判定される第２ユーザの属性を更新する。これにより、情報処理装置３は、コンテンツの配信対象ユーザを予測モデルによる演算結果が所定条件を満たす第２ユーザまで効果的に拡張することができ、コンテンツの訴求効果を高めることができる。

また、実施形態の情報処理装置３の更新部２４は、モデル生成部２１によって生成された予測モデルに基づき、第２ユーザＵ２、Ｕ３の属性のうち、所定のｅコマース、商品およびサービスの少なくとも一つに対応する属性を更新する。これにより、情報処理装置３は、コンテンツの配信対象ユーザを効果的に拡張することができるとともに、所定のｅコマース、商品およびサービスの少なくとも一つに対応する属性を更新することで、コンテンツの訴求効果を高めることができる。

また、実施形態の情報処理装置３の更新部２４は、所定のｅコマースでの商品および／またはサービスの購入履歴がないユーザの属性情報を、予測モデルに基づいて更新する。これにより、情報処理装置３は、コンテンツの配信対象ユーザを効果的に拡張することができる。

また、実施形態の情報処理装置３の取得部２２は、予測モデルに基づき、１以上の特徴情報を抽出取得し、更新部２４は、当該特徴情報に基づき、ユーザＵ２、Ｕ３の属性を更新する。これにより、特徴情報に基づいてユーザＵ２、Ｕ３にコンテンツを配信できるようになり、コンテンツの配信対象ユーザを効果的に拡張することができるとともに、コンテンツの訴求効果を高めることができる。

また、実施形態の情報処理装置３のモデル生成部２１は、取得部２２によって用いられる予測モデルとして、更新部２４によって用いられる予測モデルとは異なる予測モデルを生成する。このように、予測モデルが異なる場合であっても、特徴情報を抽出でき、コンテンツの配信対象ユーザを効果的に拡張することができる。

また、実施形態の情報処理装置３は、更新部２４によって更新されたユーザＵ２、Ｕ３の属性に基づいて広告コンテンツを配信する。これにより、コンテンツの配信対象ユーザを効果的に拡張することができるとともに、拡張したユーザに対して訴求効果の高いコンテンツを配信することができる。

また、実施形態の情報処理装置３の更新部２４は、第１ユーザが購入履歴した商品および／またはサービスが含まれるカテゴリの商品および／またはサービスの購入履歴がある第２ユーザの属性情報を、予測モデルに基づいて更新する。これにより、コンテンツの配信対象ユーザを第１ユーザが購入履歴した商品および／またはサービスが含まれるカテゴリの商品および／またはサービスの購入履歴がある第２ユーザまで効果的に拡張することができる。

また、実施形態の情報処理装置３の更新部２４は、第１ユーザの数が所定の条件を満たす場合に、第２ユーザの属性を更新する。これにより、第１ユーザの数に応じて、コンテンツの配信対象ユーザを効果的に拡張することができる。

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、演算部は、演算手段や演算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
５ 端末装置
６ 通信ネットワーク
１０ 通信部
２０ 制御部
２１ モデル生成部
２２ 取得部
２３ 演算部
２４ 更新部
２５ 広告配信部
３０ 記憶部
３１ ユーザ情報記憶部
３２ 広告情報記憶部

Claims (11)

1. 所定のｅコマースで販売される商品および／またはサービスの購入履歴がある第１ユーザの情報を正解データとして予測モデルを生成するモデル生成部と、
   前記予測モデルに基づき、前記第１ユーザとは異なる第２ユーザの属性を更新する更新部と、
   を備えることを特徴とする情報処理装置。
2. 前記更新部は、
   前記予測モデルによる演算結果が所定条件を満たす前記第２ユーザの属性を更新する
   ことを特徴とする請求項１に記載の情報処理装置。
3. 前記更新部は、
   前記モデル生成部によって生成された予測モデルに基づき、前記第２ユーザの属性のうち、前記所定のｅコマース、前記商品および前記サービスの少なくとも一つに対応する属性を更新する
   ことを特徴とする請求項１または２に記載の情報処理装置。
4. 前記モデル生成部によって生成された予測モデルに基づき、１以上の特徴情報を抽出取得する抽出取得部を備え、
   前記更新部は、
   前記特徴情報に基づき、前記第２ユーザの属性を更新する
   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. 前記モデル生成部は、
   前記抽出取得部によって用いられる前記予測モデルとして、前記更新部によって用いられる前記予測モデルとは異なる予測モデルを生成する
   ことを特徴とする請求項４に記載の情報処理装置。
6. 前記更新部は、
   前記所定のｅコマースでの商品および／またはサービスの購入履歴がない前記第２ユーザの属性を、前記予測モデルに基づいて更新する
   ことを特徴とする請求項１〜５のいずれか一つに記載の情報処理装置。
7. 前記更新部は、
   前記第１ユーザが購入した前記商品および／またはサービスが含まれるカテゴリの商品および／またはサービスの購入履歴がある前記第２ユーザの属性を、前記予測モデルに基づいて更新する
   ことを特徴とする請求項１〜５のいずれか一つに記載の情報処理装置。
8. 前記更新部は、
   前記第１ユーザの数が所定の条件を満たす場合に、前記第２ユーザの属性を更新する
   ことを特徴とする請求項１〜７のいずれか一つに記載の情報処理装置。
9. 前記更新部によって更新された前記第２ユーザの属性に基づいてコンテンツを配信する配信部を備える
   ことを特徴とする請求項１〜８のいずれか一つに記載の情報処理装置。
10. コンピュータが実行する情報処理方法であって、
    所定のｅコマースで販売される商品および／またはサービスの購入履歴がある第１ユーザの情報を正解データとして予測モデルを生成する工程と、
    前記予測モデルに基づき、前記第１ユーザとは異なる第２ユーザの属性を更新する工程と、
    を含むことを特徴とする情報処理方法。
11. コンピュータに、
    所定のｅコマースで販売される商品および／またはサービスの購入履歴がある第１ユーザの情報を正解データとして予測モデルを生成する手順と、
    前記予測モデルに基づき、前記第１ユーザとは異なる第２ユーザの属性を更新する手順と、
    を実行させることを特徴とする情報処理プログラム。

Images