JP6271345B2 - 抽出装置、抽出方法及び抽出プログラム - Google Patents

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。

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。

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。

特開２００８−２８７５５０号公報

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。

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。

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。

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。

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。 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。 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。 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。 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。 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。 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。

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。

〔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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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）。

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。

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。

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。

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。

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。

〔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。

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。

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。

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。

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。

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。

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。

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。

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。

〔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。

（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。

（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。

（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。

「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。

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。

「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。

「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。

「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。

「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。

「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。

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。

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。

（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。

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。

「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。

「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。

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。

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。

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。

（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。

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。

（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。

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。

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。

（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。

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。

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。

（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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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）。

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。

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。

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。

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）。

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。

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）。

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。

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。

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。

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。

（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。

（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。

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。

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。

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。

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。

（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。

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。

〔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。

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。

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。

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）。

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）。

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）。

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。

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。

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。

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）。

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）。

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）。

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。

〔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。

〔５−１．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。

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。

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。

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。

〔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。

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。

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。

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。

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。

〔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。

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。

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。

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。

〔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。

〔５−５．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。

〔５−６．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。

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。

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。

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。

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。

〔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。

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。

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。

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。

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。

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。

〔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。

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。

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。

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。

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。

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。

〔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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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、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。

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

Claims (13)

1. ユーザが行う所定の行動の指定と、当該所定の行動ごとに予め設定された期間を受け付ける受付部と、
   複数の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、前記受付部により受け付けられた指定に対応する所定の行動をしたユーザの行動履歴であって、当該所定の行動が起きた時点を基準として過去の前記予め設定された期間に含まれる第１の行動履歴と、当該所定の行動をしたユーザ以外の他のユーザの行動履歴であって、現時点から過去に向かう、前記予め設定された期間に含まれる第２の行動履歴との類似性を判定することにより、当該他のユーザの中から、現時点から前記予め設定された期間内に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、
   を備えることを特徴とする抽出装置。
2. 前記取得部によって取得された行動履歴のうち、第１の行動履歴と、前記所定の行動をしたユーザ以外の他のユーザの行動履歴とに基づいてモデルを生成するモデル生成部を備え、
   前記モデルは、
   前記他のユーザの行動履歴を入力とし、入力された行動履歴と、前記第１の行動履歴とが類似する行動履歴であるか否かを判定するモデルであり、
   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に入力した前記他のユーザの行動履歴が、当該モデルによって、前記第１の行動履歴と類似すると判定される場合に、当該モデルに入力された行動履歴に対応する他のユーザを、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１に記載の抽出装置。
3. 前記モデル生成部は、
   前記所定の行動をしたユーザ以外の他のユーザの行動履歴毎にランダムな時点を前記所定の行動が起きた時点と仮定して、前記モデルを生成する、
   ことを特徴とする請求項２に記載の抽出装置。
4. 前記モデル生成部は、
   入力された行動履歴と、前記第１の行動履歴とが類似する行動履歴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２又は３に記載の抽出装置。
5. 前記モデル生成部は、
   第１モデル生成部と、第２モデル生成部とを備え、
   前記第１モデル生成部は、
   前記第１の行動履歴と、当該所定の行動をしたユーザ以外の他のユーザの行動履歴とに基づいて第１モデルを生成し、
   前記第１モデルは、
   前記他のユーザの行動履歴を入力とし、入力された行動履歴と、前記第１の行動履歴とが類似する行動履歴であるか否かを判定するモデルであり、
   前記第２モデル生成部は、
   前記第１モデルに入力された前記他のユーザの行動履歴のうち、当該第１モデルによって、前記第１の行動履歴と類似すると判定された行動履歴と、前記第１の行動履歴とに基づいて第２モデルを生成し、
   前記第２モデルは、
   前記他のユーザの行動履歴を入力とし、入力された行動履歴と、前記第１の行動履歴とが類似する行動履歴であるか否かを判定するモデルであり、
   前記抽出部は、
   前記第１モデルに前記他のユーザの行動履歴を入力し、入力された行動履歴が前記第１の行動履歴と類似すると判定された場合に、前記第２モデルに、当該第１モデルによって類似すると判定された行動履歴を入力し、当該第２モデルによって、当該第２モデルに入力された行動履歴と前記第１の行動履歴とが類似すると判定される場合に、当該第２モデルに入力された行動履歴に対応する他のユーザを、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４に記載の抽出装置。
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２〜５のいずれか一つに記載の抽出装置。
7. 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１〜６のいずれか一つに記載の抽出装置。
8. 前記受付部は、
   前記他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を満たす前記他のユーザであって、かつ、前記所定の行動をすることが予測されるユーザを、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１〜７のいずれか一つに記載の抽出装置。
9. コンピュータが実行する抽出方法であって、
   ユーザが行う所定の行動の指定と、当該所定の行動ごとに予め設定された期間を受け付ける受付工程と、
   複数の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、前記受付工程により受け付けられた指定に対応する所定の行動をしたユーザの行動履歴であって、当該所定の行動が起きた時点を基準として過去の前記予め設定された期間に含まれる第１の行動履歴と、当該所定の行動をしたユーザ以外の他のユーザの行動履歴であって、現時点から過去に向かう、前記予め設定された期間に含まれる第２の行動履歴との類似性を判定することにより、当該他のユーザの中から、現時点から前記予め設定された期間内に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。
10. ユーザが行う所定の行動の指定と、当該所定の行動ごとに予め設定された期間を受け付ける受付手順と、
    複数の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、前記受付手順により受け付けられた指定に対応する所定の行動をしたユーザの行動履歴であって、当該所定の行動が起きた時点を基準として過去の前記予め設定された期間に含まれる第１の行動履歴と、当該所定の行動をしたユーザ以外の他のユーザの行動履歴であって、現時点から過去に向かう、前記予め設定された期間に含まれる第２の行動履歴との類似性を判定することにより、当該他のユーザの中から、現時点から前記予め設定された期間内に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。
11. ユーザが行う所定の行動の指定と、当該所定の行動ごとに予め設定された期間を受け付ける受付部と、
    複数の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、前記受付部により受け付けられた指定に対応する所定の行動をしたユーザの行動履歴であって、当該所定の行動の直前から前記予め設定された期間に含まれる第１の行動履歴と、当該所定の行動をしたユーザ以外の他のユーザの行動履歴であって、現時点から前の前記予め設定された期間に含まれる第２の行動履歴との類似性を判定することにより、当該他のユーザの中から、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、
    を備えることを特徴とする抽出装置。
12. コンピュータが実行する抽出方法であって、
    ユーザが行う所定の行動の指定と、当該所定の行動ごとに予め設定された期間を受け付ける受付工程と、
    複数の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、前記受付工程により受け付けられた指定に対応する所定の行動をしたユーザの行動履歴であって、当該所定の行動の直前から前記予め設定された期間に含まれる第１の行動履歴と、当該所定の行動をしたユーザ以外の他のユーザの行動履歴であって、現時点から前の前記予め設定された期間に含まれる第２の行動履歴との類似性を判定することにより、当該他のユーザの中から、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。
13. ユーザが行う所定の行動の指定と、当該所定の行動ごとに予め設定された期間を受け付ける受付手順と、
    複数の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、前記受付手順により受け付けられた指定に対応する所定の行動をしたユーザの行動履歴であって、当該所定の行動の直前から前記予め設定された期間に含まれる第１の行動履歴と、当該所定の行動をしたユーザ以外の他のユーザの行動履歴であって、現時点から前の前記予め設定された期間に含まれる第２の行動履歴との類似性を判定することにより、当該他のユーザの中から、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。

Images