特許 6856466 情報処理システム、情報処理方法、およびプログラム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】6856466

(24)【登録日】2021年3月22日

(45)【発行日】2021年4月7日

(54)【発明の名称】情報処理システム、情報処理方法、およびプログラム

(51)【国際特許分類】

   G06F 16/9536 20190101AFI20210329BHJP

【ＦＩ】

   G06F16/9536

【請求項の数】10

【全頁数】20

(21)【出願番号】特願2017-137664(P2017-137664)

(22)【出願日】2017年7月14日

(65)【公開番号】特開2019-20940(P2019-20940A)

(43)【公開日】2019年2月7日

【審査請求日】2020年3月5日

(73)【特許権者】

【識別番号】319013263

【氏名又は名称】ヤフー株式会社

(74)【代理人】

【識別番号】100149548

【弁理士】

【氏名又は名称】松沼 泰史

(74)【代理人】

【識別番号】100154852

【弁理士】

【氏名又は名称】酒井 太一

(74)【代理人】

【識別番号】100181124

【弁理士】

【氏名又は名称】沖田 壮男

(74)【代理人】

【識別番号】100194087

【弁理士】

【氏名又は名称】渡辺 伸一

(72)【発明者】

【氏名】山崎 朋哉

(72)【発明者】

【氏名】永島 圭一郎

【審査官】 原 秀人

(56)【参考文献】

【文献】 特開２０１７−０４５１９６（ＪＰ，Ａ）

【文献】 米国特許出願公開第２０１４／００２５７０１（ＵＳ，Ａ１）

【文献】 特開２０１３−１６１１３６（ＪＰ，Ａ）

【文献】 特開２０１１−１５４４６７（ＪＰ，Ａ）

(58)【調査した分野】（Int.Cl.，ＤＢ名）

Ｇ０６Ｆ １６／００−１６／９５８

(57)【特許請求の範囲】

【請求項1】

同一のクエリを入力したユーザ群毎に、前記ユーザ群により販売サイトで選択された複数の商品またはサービスのそれぞれに付与されているカテゴリパスを収集する収集部と、
前記収集部により収集された前記ユーザ群毎の複数のカテゴリパスに含まれる同一のカテゴリを統合することで、クエリ毎のカテゴリツリーを生成する生成部と、
複数のクエリ間の類似度を、前記複数のクエリのそれぞれに対して前記生成部により生成されたカテゴリツリー同士の類似度に基づき導出する導出部と、
を備えた情報処理システム。

【請求項2】

前記導出部は、前記複数のクエリのそれぞれに対応する前記カテゴリツリーに含まれる複数のカテゴリ同士の一致度に基づき、前記複数のクエリ間の類似度を導出する、
請求項１に記載の情報処理システム。

【請求項3】

前記導出部は、前記複数のクエリのそれぞれに対応する前記カテゴリツリーに含まれるカテゴリ同士が一致するか否かを最上位のカテゴリから順に判定し、前記最上位のカテゴリから連続してどれだけ多くのカテゴリが一致するかに基づき、前記複数のクエリ間の類似度を導出する、
請求項１または請求項２に記載の情報処理システム。

【請求項4】

前記生成部は、前記カテゴリツリーの生成過程で統合されたカテゴリに重みを付与し、
前記導出部は、前記複数のクエリのそれぞれに対応する前記カテゴリツリーに含まれる複数のカテゴリ同士の一致度と、一致するカテゴリに付与された前記重みとに基づき、前記複数のクエリ間の類似度を導出する、
請求項１から請求項３のうちいずれか１項に記載の情報処理システム。

【請求項5】

前記生成部は、前記カテゴリツリーの生成過程で統合された同一のカテゴリの数に応じてそのカテゴリに付与する前記重みを導出する、
請求項４に記載の情報処理システム。

【請求項6】

前記生成部は、前記カテゴリツリーの生成過程で統合された同一のカテゴリの数に応じてそのカテゴリにスコアを付与し、１つのカテゴリツリーに含まれる全てのカテゴリに付与されたスコアを前記カテゴリツリー単位で正規化することで前記重みを導出する、
請求項４または請求項５に記載の情報処理システム。

【請求項7】

前記導出部は、前記複数のクエリのそれぞれに対応する前記カテゴリツリーに含まれるカテゴリ同士が一致するか否かを最上位のカテゴリから順に判定し、一致するカテゴリに付与された前記重みの値を加算することで、前記複数のクエリ間の類似度を導出する、
請求項６に記載の情報処理システム。

【請求項8】

ユーザから入力された複数のクエリに対して前記導出部により導出された前記複数のクエリ間の類似度に基づき、前記複数のクエリをそれぞれ受け付けた時刻の間でセッションを分割するセッション分割部をさらに備えた、
請求項１から請求項７のうちいずれか１項に記載の情報処理システム。

【請求項9】

コンピュータが、
同一のクエリを入力したユーザ群毎に、前記ユーザ群により販売サイトで選択された複数の商品またはサービスのそれぞれに付与されているカテゴリパスを収集し、
収集した前記ユーザ群毎の複数のカテゴリパスに含まれる同一のカテゴリを統合することで、クエリ毎のカテゴリツリーを生成し、
複数のクエリ間の類似度を、前記複数のクエリのそれぞれに対して生成されたカテゴリツリー同士の類似度に基づき導出する、
情報処理方法。

【請求項10】

コンピュータに、
同一のクエリを入力したユーザ群毎に、前記ユーザ群により販売サイトで選択された複数の商品またはサービスのそれぞれに付与されているカテゴリパスを収集させ、
収集された前記ユーザ群毎の複数のカテゴリパスに含まれる同一のカテゴリを統合することで、クエリ毎のカテゴリツリーを生成させ、
複数のクエリ間の類似度を、前記複数のクエリのそれぞれに対して生成されたカテゴリツリー同士の類似度に基づき導出させる、
プログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、情報処理システム、情報処理方法、およびプログラムに関する。

【背景技術】

【0002】

記憶された情報検索データを分析して、過去の情報検索行動から関連性パターンを特定する学習コンポーネントと、前記関連性のパターンに少なくとも部分的に基づいて現在の検索結果のサブセットを特定する検索コンポーネントと、を備えた情報検索システムが提案されている（特許文献１参照）。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】特開２００６−２８５９８２号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

ところで、ユーザの検索行動に関連するより有用な情報を提供することができると好ましい場合がある。

【0005】

本発明は、このような事情を考慮してなされたものであり、ユーザの検索行動に関連するより有用な情報を提供することができる情報処理システム、情報処理方法、およびプログラムを提供することを目的の一つとする。

【課題を解決するための手段】

【0006】

本発明の一態様は、同一のクエリを入力したユーザ群毎に、前記ユーザ群により販売サイトで選択された複数の商品またはサービスのそれぞれに付与されているカテゴリパスを収集する収集部と、前記収集部により収集された前記ユーザ群毎の複数のカテゴリパスに含まれる同一のカテゴリを統合することで、クエリ毎のカテゴリツリーを生成する生成部と、複数のクエリ間の類似度を、前記複数のクエリのそれぞれに対して前記生成部により生成されたカテゴリツリー同士の類似度に基づき導出する導出部と、を備えた情報処理システムである。

【発明の効果】

【0007】

本発明の一態様によれば、ユーザの検索行動に関連するより有用な情報を提供することができる。

【図面の簡単な説明】

【0008】

【図1】実施形態のサーバ装置１０の使用環境を示す図である。

【図2】実施形態のカテゴリパスＰを説明するための図である。

【図3】実施形態の商品情報の内容の一例を示す図である。

【図4】実施形態のユーザ行動情報の内容の一例を示す図である。

【図5】実施形態の類似度分析部３００の構成を示すブロック図である。

【図6】実施形態のあるクエリを入力したユーザ群に対してカテゴリパス収集部３１０により収集されたカテゴリパスＰの集まりの一例を示す図である。

【図7】実施形態のカテゴリパス統合部３２１により生成されたカテゴリツリーＴの一例を示す図である。

【図8】実施形態のカテゴリパス統合部３２１により生成されたカテゴリツリーＴの別の例を示す図である。

【図9】実施形態のカテゴリツリーＴ同士の類似度の求め方の一例を示す図である。

【図10】実施形態のセッション分割部４００によるセッションの分割の一例を示す図である。

【図11】実施形態のカテゴリツリーＴの導出段階の処理の流れの一例を示すフローチャートである。

【図12】実施形態のクエリ間の類似度を用いたセッション分割およびコンバージョン予測値の導出段階の処理の流れの一例を示すフローチャートである。

【図13】本実施形態のサーバ装置１０を用いたコンバージョン予測値のシミュレーションによる実験結果を示す図である。

【発明を実施するための形態】

【0009】

以下、図面を参照して、情報処理システム、情報処理方法、およびプログラムの実施形態について説明する。本実施形態では、情報処理システムが販売サイトを提供するサーバ装置に適用されたものとして説明する。販売サイトは、ブラウザによって再生されるものに限らず、アプリケーションプログラムによって再生されるものも含むものとする。サーバ装置は、インターネットなどのネットワークを介してユーザ端末装置と通信可能に接続され、販売サイトに対するユーザの検索行動を示す情報を取得する。サーバ装置は、ユーザから入力された複数のクエリの間の類似度を導出し、導出した類似度に基づきセッションを分割する。また、サーバ装置は、分割したセッションに関する情報に基づき、ユーザのコンバージョンの予測値（ユーザが所定の行動をとる確率）を導出する。以下、実施形態について説明する。

【0010】

図１は、実施形態のサーバ装置（情報処理システム）１０の使用環境を示す図である。サーバ装置１０は、ネットワークＮＷを介してユーザ端末装置ＵＤおよびクライアント端末装置ＣＤと通信可能に接続される。ネットワークＮＷは、インターネットやＷＡＮ（Wide Area Network）、ＬＡＮ（Local Area Network）などを含む。また、サーバ装置１０と通信可能に接続されるユーザ端末装置ＵＤおよびクライアント端末装置ＣＤの数は、例えばそれぞれ複数である。

【0011】

ユーザ端末装置ＵＤは、ユーザによって使用される情報処理装置である。ユーザ端末装置ＵＤは、例えば、商品またはサービス（以下、「商品等」と称する）を販売するための、サーバ装置１０が提供する販売サイトを閲覧するためのブラウザやアプリケーションプログラムを有する。ユーザ端末装置ＵＤは、販売サイトで紹介されている商品等を、ユーザが検索したり、購入または契約（予約を含む）（以下、単に「購入」と称する）したりするために利用される。商品等は、「対象物」の一例である。

【0012】

クライアント端末装置ＣＤは、クライアントによって使用される情報処理装置である。クライアント端末装置ＣＤは、例えば、販売対象の商品等の情報（以下、「商品情報」と称する）をサーバ装置１０に登録するためにクライアントによって利用される。

【0013】

サーバ装置１０は、商品等の販売サイトを提供する。サーバ装置１０は、クライアント端末装置ＣＤによって登録された商品情報を記憶し、ユーザ端末装置ＵＤを通じてユーザの検索行動の入力を受け付けると、ユーザの検索行動に応じて絞り込まれた商品情報を掲載した販売サイトをユーザ端末装置ＵＤに対して配信する。

【0014】

本実施形態のサーバ装置１０は、例えば、商品情報取得部１００と、行動情報取得部２００と、類似度分析部３００と、セッション分割部４００と、計算モデル学習部５００と、ＣＶ予測部６００と、情報出力部７００と、記憶部８００とを備える。

【0015】

商品情報取得部１００、行動情報取得部２００、類似度分析部３００、セッション分割部４００、計算モデル学習部５００、ＣＶ予測部６００、および情報出力部７００の全部または一部は、例えば、ＣＰＵ（Central Processing Unit）などのハードウェアプロセッサがプログラム（ソフトウェア）を実行することにより実現される。また、これらの構成要素のうち一部または全部は、ＬＳＩ（Large Scale Integration）やＡＳＩＣ（Application Specific Integrated Circuit）、ＦＰＧＡ（Field-Programmable Gate Array）、ＧＰＵ（Graphics Processing Unit）などのハードウェア（回路部；circuitryを含む）によって実現されてもよいし、ソフトウェアとハードウェアの協働によって実現されてもよい。

【0016】

記憶部８００は、例えば、ＲＡＭ（Random Access Memory）、ＲＯＭ（Read Only Memory）、ＨＤＤ（Hard Disk Drive）、フラッシュメモリ、またはこれらのうち複数が組み合わされたハイブリッド型記憶装置などにより実現される。なお、記憶部８００の全部または一部は、ＮＡＳ（Network Attached Storage）や外部のストレージサーバなど、サーバ装置１０のプロセッサがアクセス可能な外部装置により実現されてもよい。記憶部８００には、商品情報データベースＤＢ１、行動情報データベース（過去ログ）ＤＢ２、カテゴリツリー情報データベースＤＢ３、計算モデル情報データベースＤＢ４、およびＣＶ予測値情報データベースＤＢ５が格納される。

【0017】

次に、サーバ装置１０の各機能部について詳しく説明する。

【0018】

まず、商品情報取得部１００について説明する。商品情報取得部１００は、ネットワークＮＷを通じてクライアント端末装置ＣＤから入力される商品情報を取得する。「商品情報」とは、販売サイトにて紹介される商品等に関する情報であり、例えば、商品等の名前、内容、生産者（提供者）、価格、送料、在庫数、配達予定日などである。「商品情報」は、商品等のカテゴリを示すカテゴリ情報を含む。カテゴリ情報は、商品等が属する階層状のカテゴリを特定するとともに、以下に示す「カテゴリパスＰ」を含む。

【0019】

図２は、カテゴリパスＰを説明するための図である。図２に示すように、階層状のカテゴリは、広い概念から順に、第１階層、第２階層、…、第Ｎ階層（Ｎは３以上の自然数）を含む。ここでは説明の便宜上、４階層の階層状のカテゴリについて説明するが、カテゴリの階層は、３階層以下でもよく、５階層以上でもよい。

【0020】

「カテゴリパスＰ」とは、階層状のカテゴリにおいて、最上位層のカテゴリから中位層のカテゴリを経由して最下位層の１つのカテゴリに向かう１本の仮想的なパスを意味する。例えば、図２に示す例では、最下位層（第４階層）のカテゴリ「洋食」に属するある商品のカテゴリパスＰは、「本（第１階層）＞育児（第２階層）＞料理（第３階層）＞洋食（第４階層）」となる。カテゴリパスＰは、個々の階層状のカテゴリにおいて、最下位層のカテゴリの数だけ存在する。このようなカテゴリパスＰは、クライアント端末装置ＣＤを通じて商品情報がサーバ装置１０に登録されるときに、個々の商品等に対して付与される。例えば、販売サイトが有する階層状のカテゴリにおいて、新たに登録される商品等が属する最下位層のカテゴリが指定されることで、その登録される商品等に対してカテゴリパスＰが付与される。

【0021】

図３は、本実施形態の商品情報の内容の一例を示す図である。図３に示すように、例えば、商品等に対して登録された商品情報は、複数の階層の各カテゴリにおいて、その商品等がいずれのカテゴリに属するかを示す情報を含む。このように、複数の階層の各々においてその商品等がいずれのカテゴリに属するかを示す情報が登録されていることは、「商品等にカテゴリパスＰが付与されている」の一例に該当する。またこれに代えて、商品等に対してその商品等が最下位層のどのカテゴリに属するかを示す情報が登録されており、最下位層の各カテゴリとそれよりも上位のカテゴリとの対応関係を示す情報が参照可能である場合も、「商品等にカテゴリパスＰが付与されている」の一例に該当する。

【0022】

次に、行動情報取得部２００について説明する。行動情報取得部２００は、販売サイトに対するユーザ端末装置ＵＤを通じたユーザの行動情報を取得する。行動情報取得部２００は、ユーザの新しい行動を受け付ける度に、ユーザの行動情報を取得する。行動情報取得部２００は、取得したユーザの行動情報を、行動情報データベースＤＢ２に登録するとともに、類似度分析部３００およびＣＶ予測部６００に出力する。ユーザの行動情報は、ユーザの検索行動に関する情報、およびユーザの特定行動（後述）に関する情報を含む。

【0023】

「検索行動」とは、例えば、商品等を探すまたは絞り込むための行動である。例えば、「検索行動」とは、クエリ（検索クエリ）の入力、販売サイトで設定されている商品等を絞り込むためのボタンなどに対するクリック、および販売サイトで設定されている商品等の表示順を変更するためのボタンなどに対するクリックなどを含む。「検索行動に関する情報」とは、ユーザによる検索行動の内容、およびその検索行動が行われた時刻などを含む。また本願でいう「ボタン」とは、画面に表示された仮想的なものでもよく、ラジオボックスのようなボタンと同視できるものも含む。

【0024】

「特定行動」とは、例えば、検索行動によって絞り込まれた個々の商品等に対する行動である。例えば、「特定行動」とは、販売サイトに表示された複数の商品等のなかから、１以上の商品等を選択する行動である。例えば、「特定行動」とは、商品等の詳細な紹介ページへのハイパーリンクに対するクリックや、商品等を購入するための購入ボタンに対するクリックなどを含む。「特定行動に関する情報」とは、ユーザによる特定行動の内容、およびその特定行動が行われた時刻などを含む。

【0025】

図４は、本実施形態のユーザ行動情報の内容の一例を示す図である。図４に示すように、ユーザ行動情報では、ユーザの各行動（例えば、検索行動および特定行動）と、その行動が販売サイトに対して行われた時刻とが対応付けられて管理されている。また、ユーザ行動情報は、ユーザ毎に管理されている。

【0026】

次に、類似度分析部３００について説明する。類似度分析部３００は、販売サイトに対するユーザの複数の検索行動の内容に基づき、その複数の検索行動の間の類似度を導出する。本実施形態では、販売サイトに対してユーザから入力された複数のクリエの内容に基づき、その複数のクエリ間の類似度を前記複数の検索行動の間の類似度として導出する。

【0027】

ここで、本願で言う「クエリ」について定義する。クエリとは、ウェブサイトに対する要求を所定の形式の文字で表現したものである。クエリは、例えば、ウェブサイトに対して直接に入力された文字である。ただし、本実施形態では、類似度分析部３００は、直接に入力されたクエリだけに限らず、直接に入力されたクエリと同視できる検索行動がなされた場合も、前記直接に入力されたクエリと同視できる検索行動をクエリの入力として取り扱う。「直接に入力されたクエリと同視できる検索行動」とは、ある項目（例えば、ある商品等）に関連するページへのハイパーリンクに対するクリックなどである。

【0028】

また、本実施形態では、１つの検索ボックスに複数のターム（キーワード）が１度に入力された場合、その入力された複数のタームを纏めて１つのクエリとして取り扱う。例えば、検索ボックスに「本 小説」のような入力がされた場合、「本 小説」で１つのクエリとなる。言い換えると、「本」と入力されたクエリと、「本 小説」と入力されたクエリとは、互いに異なるクエリとして取り扱われる。

【0029】

図５は、本実施形態の類似度分析部３００の構成を示すブロック図である。本実施形態の類似度分析部３００は、同一のクエリを入力したユーザ群毎に、そのユーザ群が選択した複数の商品等のそれぞれに付与されているカテゴリパスを収集する。そして、類似度分析部３００は、収集した複数のカテゴリパスに基づいてクエリ毎のカテゴリツリーを生成し、生成したクエリ毎のカテゴリツリーに基づいて複数のクエリ間の類似度を導出する。以下、この内容について詳しく説明する。図５に示すように、類似度分析部３００は、例えば、カテゴリパス収集部３１０と、カテゴリツリー生成部３２０と、類似度導出部３３０とを有する。

【0030】

カテゴリパス収集部３１０は、同一のクエリを入力したユーザ群毎に、そのユーザ群が販売サイトで選択した複数の商品等のそれぞれに付与されているカテゴリパスＰを収集する。詳しく述べると、カテゴリパス収集部３１０は、販売サイトに対して検索行動を行った複数のユーザのなかで、同一のクエリ（以下、「特定クエリ」と称する）を入力したユーザを特定する。例えば、カテゴリパス収集部３１０は、行動情報データベースＤＢ２に登録されたユーザ行動情報を参照することで、特定クエリを入力したユーザを抽出する。

【0031】

また、カテゴリパス収集部３１０は、特定クエリを入力したユーザがその特定クエリを入力した直後に選択した商品等を特定する。なお、「特定クエリを入力した直後」とは、特定クエリの入力と、商品等の選択との間に、別のクエリの入力が存在しないことを意味する。「特定クエリを入力した直後」とは、特定クエリの入力と、商品等の選択との間に、商品等の表示順の変更などの別の行動が存在してもよい。また、「（商品等を）選択した」とは、例えば、その商品等に対して上記特定行動が行われたことを意味する。例えば、本実施形態では、カテゴリパス収集部３１０は、個々の商品等に関連するボタンまたはハイパーリンクがクリックされたこと（アクセスされたこと）を、「商品等が選択された」と見做す。なおこれに代えて、カテゴリパス収集部３１０は、商品等が実際に購入されたことに限定して「商品等が選択された」と見做してもよい。カテゴリパス収集部３１０は、行動情報データベースＤＢ２に登録されたユーザ行動情報を参照し、ユーザ行動情報に含まれる時刻情報に基づくことで、ユーザが特定クエリを入力した直後に選択した商品等を特定する。カテゴリパス収集部３１０は、上記処理を、同一のクエリを入力した全てのユーザに対して実行する。

【0032】

また、カテゴリパス収集部３１０は、商品情報データベースＤＢ１に登録された商品情報を参照し、特定クエリを入力したユーザがその特定クエリを入力した直後に選択した商品等に付与されているカテゴリパスＰを収集する。ここで、同一クエリを入力した複数のユーザが別々の商品等を選択している場合には、それら複数の商品等のそれぞれに対応する複数のカテゴリパスＰが収集される。カテゴリパス収集部３１０は、上記処理を、同一のクエリを入力したユーザ群によって選択された全ての商品等に対して実行する。

【0033】

図６は、あるクエリを入力したユーザ群に対してカテゴリパス収集部３１０により収集されたカテゴリパスＰの集まりの一例を示す図である。図６は、特定クエリとして「本」を入力したユーザが、特定クエリを入力した直後に選択した（例えばハイパーリンクをクリックした）商品等のカテゴリパスＰの集まりを示す。

【0034】

以上のように、カテゴリパス収集部３１０は、同一のクエリを入力したユーザ群毎に、そのユーザ群が販売サイトで選択した複数の商品等のそれぞれに付与されたカテゴリパスＰを収集する。カテゴリパス収集部３１０は、ユーザ群毎に収集したカテゴリパスＰの集まりを、カテゴリツリー生成部３２０に出力する。カテゴリパス収集部３１０は、所定期間の間に販売サイトに入力された全てのクエリの各々に対して上記処理を行う。

【0035】

図５に戻り説明すると、カテゴリツリー生成部３２０は、カテゴリパス収集部３１０により収集されたユーザ群毎に収集された複数のカテゴリパスＰに基づき、その複数のカテゴリパスＰに含まれる同一のカテゴリを統合することで、クエリ毎のカテゴリツリーＴを生成する。カテゴリツリー生成部３２０は、例えば、カテゴリパス統合部３２１と、重み付与部３２２とを有する。

【0036】

カテゴリパス統合部３２１は、カテゴリパス収集部３１０により収集されたユーザ群毎に収集された複数のカテゴリパスＰに含まれる同一のカテゴリを統合する。すなわち、カテゴリパス統合部３２１は、複数のカテゴリパスＰのなかで、例えば同一階層に同一のカテゴリを持つ２つ以上のカテゴリパスＰが存在しないか判定する。そして、カテゴリパス統合部３２１は、同一階層に同一カテゴリを持つ２つ以上のカテゴリパスＰが存在する場合、そのカテゴリおよびそのカテゴリよりも上位のカテゴリを統合することで、前記２つ以上のカテゴリパスＰを１つのカテゴリツリーＴに変換する。カテゴリパス統合部３２１は、上記のようなカテゴリの統合を、階層状のカテゴリの各階層で行う。

【0037】

図７は、カテゴリパス統合部３２１により生成されたカテゴリツリーＴの一例を示す図である。図７に示されたカテゴリツリーＴは、図６に示されたカテゴリパスＰの集まりに基づいて生成されたカテゴリツリーである。図７に示すように、同一階層に同一カテゴリを持つ２つ以上のカテゴリパスＰが存在する場合、そのカテゴリおよびそのカテゴリよりも上位のカテゴリが統合されて、１つのカテゴリツリーＴが生成されている。

【0038】

また、カテゴリパス統合部３２１は、生成したカテゴリツリーＴにおいて、第１階層のカテゴリのさらに上位に、ルートノードＲＮを設定する。ルートノードＲＮは、第１階層のさらに上位の階層（第０階層）に設定された仮想的なカテゴリとして取り扱われる。ルートノードＲＮは、全てのクエリのカテゴリツリーＴで同一の内容である。なお、ルートノードＲＮの役割については後述する。

【0039】

重み付与部３２２は、カテゴリパス統合部３２１により生成されたカテゴリツリーＴに含まれる各カテゴリに重みを付与する。詳しく述べると、重み付与部３２２は、カテゴリツリーＴの生成過程で統合されたカテゴリに対して重みを付与する。例えば、重み付与部３２２は、カテゴリツリーＴの生成過程で統合された同一のカテゴリの数に応じてそのカテゴリに付与する重みの大きさを導出する。

【0040】

本実施形態では、重み付与部３２２は、まず、カテゴリツリーＴの生成過程で統合された同一のカテゴリの数に応じてそのカテゴリにスコアを付与する。例えば、図６に示された複数のカテゴリパスＰに基づいて図７に示されたカテゴリツリーＴが生成される例では、カテゴリ「本」に対して「３」、カテゴリ「育児」に対して「２」、カテゴリ「料理」に対して「２」、その他のカテゴリに対して「１」のスコアが付与される。

【0041】

そして、重み付与部３２２は、１つのカテゴリツリーＴに含まれる全てのカテゴリに付与されたスコアをカテゴリツリーＴ単位で正規化することで、各カテゴリに付与される重みの値を導出する。図７に示す例では、各カテゴリに付与されたスコアを、全てのカテゴリに付与されたスコアの合計値である「１２」で除算することで、各カテゴリに付与される重みの値が導出される。例えば、カテゴリ「本」に対して「０．２５」、カテゴリ「育児」に対して「０．１６７」、カテゴリ「料理」に対して「０．１６７」、その他のカテゴリに対して「０．０８３」の重みが付与される。

【0042】

カテゴリツリー生成部３２０は、前記所定期間の間に販売サイトに入力された全てのクエリに対して上記処理を行い、クエリ毎の重み付きカテゴリツリーＴを生成する。カテゴリツリー生成部３２０により生成されたクエリ毎の重み付きカテゴリツリーＴは、カテゴリツリー情報データベースＤＢ３に登録される。

【0043】

次に、図８を参照して、カテゴリパス統合部３２１により生成されたカテゴリツリーＴの別の例について説明する。図８に示す例では、あるクエリが複数の意味を持つ場合の例である。例えば、１つのクエリに含まれるタームが、ある「水産物の産地」と、その水産物の産地とは全く関係のない「ファッションブランド」とをそれぞれ指す場合である。この場合、そのクエリを入力したユーザがクエリの入力の直後にクリックした商品等は、上記水産物の産地に関連するカテゴリに属する商品等である場合と、上記ファッションブランドに関連するカテゴリに属する商品等である場合がある。この場合、２つの異なる階層状のカテゴリが存在することになるので、それぞれの商品等のカテゴリパスＰをそのままでは１つのカテゴリツリーＴに統合することができない。そこで本実施形態では、図８に示すように、第１階層のカテゴリのさらに上位にルートノードＲＮを設定している。そして、２つの異なる階層状のカテゴリから抽出された２つのカテゴリパスＰは、ルートノードＲＮで結合される。これにより、１つのクエリが複数の意味を持つ場合であっても、そのクエリに対応する１つのカテゴリツリーＴを生成することができる。

【0044】

次に、図５に戻り、類似度導出部３３０について説明する。類似度導出部３３０は、ユーザの複数の検索行動の内容に基づき、前記複数の検索行動の間の類似度を導出する。本実施形態では、ユーザが入力したクエリの内容に基づき、複数のクエリ間の類似度を前記複数の検索行動の間の類似度として導出する。類似度導出部３３０は、比較対象の複数のクエリ間の類似度を、前記複数のクエリのそれぞれに対してカテゴリツリー生成部３２０により生成されたカテゴリツリーＴ同士の類似度に基づき導出する。本実施形態では、類似度導出部３３０は、木間編集距離を用いて２つの重み付きカテゴリツリーＴ同士の類似度を求める。類似度導出部３３０は、「第１導出部」の一例である。

【0045】

図９は、２つの重み付きカテゴリツリーＴ同士の類似度の求め方の一例を示す図である。図９に示すように、類似度導出部３３０は、複数のクエリのそれぞれに対応するカテゴリツリーＴに含まれる複数のカテゴリ同士の一致度に基づき、前記複数のクエリ間の類似度を導出する。例えば、類似度導出部３３０は、複数のクエリのそれぞれに対応するカテゴリツリーＴに含まれるカテゴリ同士が一致するか否かを最上位のカテゴリ（例えばルートノードＲＮ）から順に判定し、前記最上位のカテゴリから連続してどれだけ多くのカテゴリが一致するかに基づき、複数のクエリ間の類似度を導出する。ここでは、最上位のカテゴリから連続して一致するカテゴリの数が多いほど、高い類似度が導出される。

【0046】

図９に示す例では、図９中の左側のカテゴリツリーＴがクエリ「本」に対応するカテゴリツリーであり、図９中の右側のカテゴリツリーＴが「本」とは異なるクエリに対応するカテゴリツリーである。図９に示す例では、最上位のカテゴリ（ルートノードＲＮ）から見て、カテゴリ「本」、カテゴリ「育児」、カテゴリ「料理」が２つのカテゴリツリーＴで一致するカテゴリになる。

【0047】

本実施形態では、類似度導出部３３０は、複数のクエリのそれぞれに対応するカテゴリツリーＴに含まれる複数のカテゴリ同士の一致度と、一致するカテゴリに付与された前記重みとに基づき、複数のクエリ間の類似度を導出する。例えば、類似度導出部３３０は、複数のクエリのそれぞれに対応するカテゴリツリーＴに含まれるカテゴリ同士が一致するか否かを最上位のカテゴリから順に判定し、一致するカテゴリに付与された前記重みの値を加算していくことで、複数のクエリ間の類似度を導出する。一致するカテゴリに付与された前記重みは、例えば、２つのカテゴリツリーＴにおいて小さい方の重みの値が採用される。

【0048】

図９に示す例では、最上位のカテゴリから見て、カテゴリ「本」、カテゴリ「育児」、カテゴリ「料理」が２つのカテゴリツリーＴで一致するカテゴリである。そして、左側のカテゴリツリーＴのカテゴリ「本」に対して付与された重みは、「０．２５」であり、右側のカテゴリツリーＴのテゴリ「本」に対して付与された重みは、「０．２０」である。この場合、「０．２５」と「０．２０」とのうち小さい方である「０．２０」が加算対象の重みの値となる。同様に、２つのカテゴリツリーＴでカテゴリ「育児」に対して付与された重みの小さい方である「０．１５」、および２つのカテゴリツリーＴでカテゴリ「料理」に対して付与された重みの小さい方である「０．１５」が順に加算される。そして、これら「０．２０」、「０．１５」、および「０．１５」を加算した合計値である「０．５」が２つのカテゴリツリーＴの類似度を示す値として導出される。この導出される類似度の値が大きい程、２つのクエリ間の類似度が高いと見做される。

【0049】

また、類似度導出部３３０は、後述するコンバージョン予測値を導出する段階において、販売サイトに対して入力されるクエリ（すなわち、行動情報取得部２００により受け付けられるクエリ）を監視する。そして、類似度導出部３３０は、ユーザからクエリが新しく入力される毎に、新しく入力されたクエリに対応するカテゴリツリーＴをカテゴリツリー情報データベースＤＢ３から取得する。そして、類似度導出部３３０は、新しく入力されたクエリに対応するカテゴリツリーＴと、１つ前に入力されたクエリに対応するカテゴリツリーＴとを比較することで、新しく入力されたクエリと１つ前に入力されたクエリとの間の類似度を導出する。類似度導出部３３０は、新しく入力されたクエリと１つ前に入力されたクエリとの類似度が閾値以下の場合、新しく入力されたクエリと１つ前に入力されたクエリとの類似度が閾値以下であることを示す信号をセッション分割部４００に出力する。

【0050】

次に、図１に戻り、セッション分割部４００について説明する。セッション分割部４００は、類似度導出部３３０により導出された複数の検索行動の間の類似度に基づき、前記複数の検索行動の間でセッションを分割する。本実施形態では、セッション分割部４００は、ユーザから入力された複数のクエリに対して類似度導出部３３０により導出された複数のクエリ間の類似度に基づき、複数のクエリをそれぞれ受け付けた時刻の間でセッションを分割する。「セッション」とは、例えば、クッキー等の状態管理機能の有効期間である。例えば、ウェブサイト内のあるウェブページにアクセスしてから所定時間経過（タイムアウト）するまでの期間が一つのセッションとして扱われる。また、セッションとは、ウェブサイト内のあるウェブページにアクセスしてから、当該ウェブサイト内の他のウェブページ、または他のウェブサイト内のウェブページに切り替わるまでの期間であってもよい。また、セッションとは、ウェブサイト内のあるウェブページにアクセスしてから、当該ウェブページを表示するウェブブラウザを閉じるまでの期間であってもよい。

【0051】

図１０は、セッション分割部４００によるセッションの分割の一例を示す図である。本実施形態では、セッション分割部４００は、新しく入力されたクエリと１つ前に入力されたクエリとの類似度が閾値以下であることを示す信号を類似度分析部３００から受け取る場合、新しく入力されたクエリを受け付けた時刻と１つ前に入力されたクエリを受け付けた時刻との間でセッションを分割する。

【0052】

図１０に示す例では、クエリ「本 小説」を受け付けた時刻と、クエリ「服」を受け付けた時刻との間でセッションが分割される。本実施形態のセッション分割部４００によれば、クエリ「本 小説」を受け付けた時刻から、クエリ「服」を受け付けた時刻までの経過時間が短い場合でも、２つのクエリの類似度が閾値以下の場合、２つのクエリが受け付けられた時刻の間でセッションが分割される。なお、２つのクエリの入力の間にユーザの別の行動（例えば、商品等を絞り込むボタンに対するクリックなど）がある場合は、セッションは、新しく入力されたクエリを受け付けた時刻の直前で分割される。セッション分割部４００は、セッションを分割した場合、セッションを分割したこと、およびセッションを分割することで新しく始まるセッション（以下、「分割セッション」と称する）の開始時刻を、計算モデル学習部５００およびＣＶ予測部６００に出力する。

【0053】

次に、図１に戻り、計算モデル学習部５００について説明する。計算モデル学習部５００は、ユーザの検索行動に基づきユーザのコンバージョン予測値を導出する計算モデルを学習させる。本実施形態では、計算モデル学習部５００により学習される計算モデルは、分割セッションにおけるユーザの検索行動に基づき、分割セッションの間にユーザに対して提示されている商品等に対するユーザのコンバージョン予測値を導出する計算モデルである。

【0054】

詳しく述べると、上記計算モデルに対する入力は、リクエスト素性情報と、セッション素性情報とを含む。一方で、上記計算モデルからの出力は、ユーザのコンバージョン予測値である。

【0055】

リクエスト素性情報は、例えば、ユーザの検索行動の内容と、その検索行動を行った時刻を示す情報である。検索行動の内容は、例えば、ユーザにより入力されたクエリの内容、販売サイトでの商品等の表示順（並び順）の変更に関するユーザのリクエストの内容、販売サイトでの商品等の絞り込み条件に関するユーザのリクエストの内容などである。ユーザにより入力されたクエリの内容は、例えばベクトル表現に変換されて上記計算モデルに入力される。ベクトル表現は、例えばクエリの内容を分散表現で表した密ベクトルであるが、クエリの内容を局所表現で表した疎ベクトルでもよい。販売サイトでの商品等の表示順は、商品等を人気順で表示するか、または価格順で表示するか、などである。販売サイトでの商品等の絞り込み条件は、商品等の在庫の有無、商品等の配達予定日が所定日数以内であること、送料が無料であること、などである。リクエスト素性情報は、行動情報取得部２００により取得されたユーザ行動情報に基づいて得ることができる。

【0056】

セッション素性情報は、分割セッションに関する時刻情報、および分割セッションにおけるリクエスト素性の平均値などである。分割セッションに関する時刻情報は、例えば、分割セッション開始からの経過時間である。「分割セッション開始からの経過時間」とは、例えば、分割セッション開始からユーザによる検索行動（クエリの入力、商品等の表示順変更や絞り込みのリクエスト等）を受け付けた時点までの経過時間である。例えば、１つの分割セッションにおいてユーザが複数の検索行動を行った場合、「分割セッション開始からの経過時間」とは、例えば、分割セッション開始からユーザによる各検索行動を受け付けた各時点までの各経過時間である。「リクエスト素性の平均値」とは、例えば、分割セッションをユーザのリクエスト（例えばクエリの入力）の集合とみなしたとき、リクエスト毎に得た「リクエスト素性情報」のベクトル（上述したクエリの内容を分散表現または局所表現で表したベクトル）の平均値である。セッション素性情報は、セッション分割部４００および行動情報取得部２００により導出または取得された情報に基づいて得られる。

【0057】

コンバージョン予測値は、分割セッションの間にユーザに対して提示されている商品等に対してユーザが所定の行動をとる確率である。コンバージョン予測値は、種々の目的に応じて異なる定義が可能である。コンバージョン予測値の一例は、分割セッションの間にユーザに対して提示されている商品等をユーザが購入する確率である。ただし、コンバージョン予測値は、上記例に限らず、分割セッションの間にユーザに対して提示されている商品等のハイパーリンクをユーザがクリックする確率でもよいし、別の定義によるものでもよい。

【0058】

本実施形態では、計算モデル学習部５００は、過去の一定期間において行動情報取得部２００およびセッション分割部４００により取得または導出されたユーザの行動情報およびセッション情報を教師データとして上記学習モデルを学習させる。行動情報取得部２００により取得されたユーザの行動情報は、上記リクエスト素性情報と、ユーザが実際に上記所定の行動（例えば、商品等の購入）を行った否かを示す情報を含む。複数のユーザについて上記所定の行動が実際に行われた否かを示す情報（例えば、コンバージョン率）は、コンバージョン予測値に対する正解データである。セッション分割部４００により取得されたセッション情報は、複数のクエリ間の類似度に基づいて分割された分割セッションに関する時刻情報（例えば、分割セッション開始からコンバージョン予測値を導出する時点までの経過時間）を含む。

【0059】

計算モデル学習部５００は、上記のような情報を教師データとした機械学習により、ユーザの行動情報およびセッション情報と、コンバージョン予測値との関係を示す計算モデルを学習する。機械学習の手法は、例えば、サポートベクターマシン（ＳＶＭ：Support Vector Machine）やディープランニングであるが、これらに限定されない。計算モデル学習部５００は、学習した計算モデルを、計算モデル情報データベースＤＢ４に登録する。

【0060】

ＣＶ予測部６００は、コンバージョン予測値を求めたいユーザ（以下、「対象ユーザ」と称する）の検索行動に基づき、対象ユーザのコンバージョン予測値を導出する。ＣＶ予測部６００は、クエリ間類似度を用いて分割された分割セッションにおける対象ユーザの検索行動に基づき、前記分割セッションの間に提示されている商品等に対する対象ユーザのコンバージョン予測値を導出する。ＣＶ予測部６００は、分割セッションにおける対象ユーザの検索行動の内容と、分割セッションに関する時刻情報とに基づき、対象ユーザのコンバージョン予測値を導出する。例えば、ＣＶ予測部６００は、分割セッションにおける対象ユーザの検索行動の内容と、分割セッション開始からの経過時間とに基づき、対象ユーザのコンバージョン予測値を導出する。ＣＶ予測部６００は、「第２導出部」の一例である。

【0061】

詳しく述べると、ＣＶ予測部６００は、行動情報取得部２００により取得されたユーザの行動情報を受け取る。また、ＣＶ予測部６００は、セッション分割部４００により導出されたセッション情報（例えば、分割セッション開始からの経過時間）を受け取る。また、ＣＶ予測部６００は、計算モデル情報データベースＤＢ４を参照することで、計算モデル学習部５００により学習された計算モデルを読み出す。そして、ＣＶ予測部６００は、例えば、ユーザの各検索行動の内容と、分割セッション開始からの経過時間と、上記計算モデルとに基づき、コンバージョン予測値を導出する。ＣＶ予測部６００は、導出したコンバージョン予測値を示す情報を、ＣＶ予測値情報データベースＤＢ５に登録する。

【0062】

なお上記に代えて、ＣＶ予測部６００は、行動情報取得部２００により取得されたユーザの行動情報と、セッション分割部４００により導出されたセッション情報とに基づき、分割セッション開始からのユーザの各検索行動が行われた各時点までの各経過時間を導出してもよい。そして、ＣＶ予測部６００は、ユーザの各検索行動の内容と、分割セッション開始からのユーザの各検索行動が行われた各時点までの各経過時間と、上記計算モデルとに基づき、コンバージョン予測値を導出してもよい。

【0063】

最後に、情報出力部７００について説明する。情報出力部７００は、所定の周期に応じて、または外部からの要求を受け付けた場合に、ＣＶ予測値情報データベースＤＢ５に登録されたコンバージョン予測値を読み出し、外部に出力する。

【0064】

次に、サーバ装置１０による処理の流れの一例について説明する。サーバ装置１０による処理の流れは、（１）カテゴリツリーの導出段階と、（２）クエリ間の類似度を用いたセッション分割およびコンバージョン予測値の導出段階と、に大きく分かれる。以下、これらの内容について説明する。

【0065】

図１１は、カテゴリツリーの導出段階の処理の流れの一例を示すフローチャートである。図１１に示すように、まず、カテゴリパス収集部３１０は、同一のクエリを入力したユーザ群毎に、前記ユーザ群が選択した商品群に予め付与されているカテゴリパスＰを取得する（Ｓ１０１）。

【0066】

次に、カテゴリツリー生成部３２０は、カテゴリパス収集部３１０により収集されたユーザ群毎のカテゴリパスＰの集まりに対して、その集まりの複数のカテゴリパスに含まれる同一のカテゴリを統合することで、カテゴリツリーＴを生成する（Ｓ１０２）。次に、カテゴリツリー生成部３２０は、カテゴリツリーの生成過程で統合された同一カテゴリに対して重みを付与する（Ｓ１０３）。

【0067】

サーバ装置１０は、クエリ毎に、上記Ｓ１０１からＳ１０３の処理を行い、クエリ毎のカテゴリツリーＴを生成する。これにより、カテゴリツリーＴの導出段階が終了する。これにより、カテゴリツリーＴを用いたクエリ間類似度の導出と、クエリ間類似度を用いたセッションの分割が可能になる。この後、過去の一定期間におけるユーザの行動情報と、前記一定期間に関して求められた、クエリ間類似度によりセッション分割されたセッション情報）とを教師データとして、コンバージョン予測値を導出するための計算モデルが学習される。

【0068】

図１２は、クエリ間の類似度を用いたセッション分割およびコンバージョン予測値の導出段階の処理の流れの一例を示すフローチャートである。図１２に示すように、まず、行動情報取得部２００は、ユーザが新しいクエリを入力する毎に、ユーザが入力した新しいクエリを受け付ける（Ｓ２０１）。次に、類似度導出部３３０は、ユーザからクエリが新しく入力される毎に、新しく入力されたクエリに対応するカテゴリツリーＴをカテゴリツリー情報データベースＤＢ３から読み出す。そして、類似度導出部３３０は、新しく入力されたクエリに対応するカテゴリツリーＴと、１つ前に入力されたクエリに対応するカテゴリツリーＴとを比較する（Ｓ２０２）。これにより、類似度導出部３３０は、新しく入力されたクエリと１つ前に入力されたクエリとの間の類似度を導出する（Ｓ２０３）。なお、１つ前に入力されたクエリに対応するカテゴリツリーＴは、新しく入力されたクエリに対応するカテゴリツリーＴと同様にカテゴリツリー情報データベースＤＢ３から読み出されてもよいし、ＲＡＭのような揮発性メモリ上で保持されていてもよい。

【0069】

次に、類似度導出部３３０は、新しく入力されたクエリと１つ前に入力されたクエリとの間の類似度が閾値以下であるか否かを判定する（Ｓ２０４）。前記類似度が閾値よりも高い場合（Ｓ２０４：ＮＯ）、セッション分割部４００は、セッションを分割しない。この場合、Ｓ２０６の処理に進む。

【0070】

一方で、前記類似度が閾値以下である場合（Ｓ２０４：ＹＥＳ）、セッション分割部４００は、新しく入力されたクエリが受け付けられた時刻と１つ前に入力されたクエリが受け付けられた時刻との間でセッションを分割する（Ｓ２０５）。セッション分割部４００は、セッションが分割されたこと、および新しく始まる分割セッションの開始時刻を示す情報をＣＶ予測部６００に出力する。

【0071】

ＣＶ予測部６００は、行動情報取得部２００により取得されたユーザの検索行動の内容と、セッション分割部４００により導出されたセッション情報と、上記計算モデルとに基づき、コンバージョン予測値を導出する（Ｓ２０６）。情報出力部７００は、ＣＶ予測部６００により導出されたコンバージョン予測値を示す情報を出力する。サーバ装置１０は、例えばユーザにより新しいクエリが入力される毎に、Ｓ２０１からＳ２０６の処理を繰り返す。

【0072】

図１３は、本実施形態のサーバ装置１０を用いたコンバージョン予測値のシミュレーションによる実験結果を示す図である。図１３中のセッション分割方法による「ユーザ」とは、ユーザ毎にセッションを分割したモデルを示し、「時間（３０分）」とは、１つ前のクエリの入力から新しいクエリの入力までの経過時間が３０分以上の場合にセッションを分割したモデルを示し、「ｗ２ｖ」は、ｗｏｒｄ２ｖｅｃを用いたモデルを示し、「カテゴリツリー」は上記実施形態で説明したモデルを示す。図１３に示すように、本実施形態のようなカテゴリツリーＴを用いたセッション分割によれば、他の手法に比べて、コンバージョン予測値の導出精度が向上することが確認された。特に、本実施形態のようなカテゴリツリーＴを用いたクエリ間類似度の導出方法によれば、「商品券」と「図書券」、または商品名のカタカナ表記と英文表記との間の類似度を、他の手法に比べて高く導出することができることも確認された。

【0073】

以上説明したサーバ装置１０によれば、ユーザの検索行動に関連するより有用な情報を提供することができる。すなわち、本実施形態では、サーバ装置１０は、カテゴリパス収集部３１０と、カテゴリツリー生成部３２０と、類似度導出部３３０とを有する。カテゴリパス収集部３１０は、同一のクエリを入力したユーザ群毎に、そのユーザ群が販売サイトで選択した複数の商品等のそれぞれに付与されているカテゴリパスＰを収集する。カテゴリツリー生成部３２０は、カテゴリパス収集部３１０により収集されたユーザ群毎の複数のカテゴリパスＰに含まれる同一のカテゴリを統合することで、クエリ毎のカテゴリツリーＴを生成する。類似度導出部３３０は、複数のクエリ間の類似度を、前記複数のクエリのそれぞれに対してカテゴリツリー生成部３２０により生成されたカテゴリツリーＴ同士の類似度に基づき導出する。このような構成によれば、複数のクエリ間の類似度を、容易に、且つ精度よく、導出することができる。これにより、ユーザの検索行動に関連するより有用な情報を提供することができる。

【0074】

本実施形態では、類似度導出部３３０は、複数のクエリのそれぞれに対応するカテゴリツリーＴに含まれる複数のカテゴリ同士の一致度に基づき、複数のクエリ間の類似度を導出する。このような構成によれば、複数のクエリ間の類似度を、比較的簡単な処理で導出することができる。

【0075】

本実施形態では、類似度導出部３３０は、複数のクエリのそれぞれに対応するカテゴリツリーＴに含まれるカテゴリ同士が一致するか否かを最上位のカテゴリから順に判定し、最上位のカテゴリから連続してどれだけ多くのカテゴリが一致するかに基づき、複数のクエリ間の類似度を導出する。このような構成によれば、複数のクエリ間の類似度を、比較的簡単な処理で導出することができる。

【0076】

本実施形態では、カテゴリツリー生成部３２０は、カテゴリツリーＴの生成過程で統合されたカテゴリに重みを付与する。類似度導出部３３０は、複数のクエリのそれぞれに対応するカテゴリツリーＴに含まれる複数のカテゴリ同士の一致度と、一致するカテゴリに付与された前記重みとに基づき、複数のクエリ間の類似度を導出する。このような構成によれば、統合されたカテゴリに重みが付与されることで、複数のカテゴリツリーＴの類似度をさらに精度良く判定することができる。これにより、複数のクエリ間の類似度の導出精度を高めることができる。

【0077】

本実施形態では、カテゴリツリー生成部３２０は、カテゴリツリーＴの生成過程で統合された同一のカテゴリの数に応じてそのカテゴリに付与する前記重みを導出する。このような構成によれば、カテゴリの統合の度合いを反映させることができ、複数のカテゴリツリーＴの類似度をさらに精度良く導出することができる。

【0078】

本実施形態では、カテゴリツリー生成部３２０は、カテゴリツリーＴの生成過程で統合された同一のカテゴリの数に応じてそのカテゴリにスコアを付与し、１つのカテゴリツリーに含まれる全てのカテゴリに付与されたスコアを前記カテゴリツリー単位で正規化することで前記重みを導出する。このような構成によれば、クエリ毎にカテゴリツリーＴの規模が大きく異なる場合でも、複数のカテゴリツリーＴの類似度を精度良く判定することができる。

【0079】

本実施形態では、類似度導出部３３０は、複数のクエリのそれぞれに対応するカテゴリツリーＴに含まれるカテゴリ同士が一致するか否かを最上位のカテゴリから順に判定し、一致するカテゴリに付与された前記重みの値を加算することで、複数のクエリ間の類似度を導出する。このような構成によれば、複数のクエリ間の類似度の導出精度をさらに高めることができる。

【0080】

本実施形態では、サーバ装置１０は、類似度導出部３３０と、セッション分割部４００とを有する。類似度導出部３３０は、販売サイトに対するユーザの複数の検索行動の内容に基づき、複数の検索行動の間の類似度を導出する。セッション分割部４００は、類似度導出部３３０により導出された前記類似度に基づき、複数の検索行動の間でセッションを分割する。このような構成によれば、ユーザの意図を考慮したセッション分割が可能になる。これにより、ユーザの検索行動に関連するより有用な情報を提供することができる。

【0081】

本実施形態では、類似度導出部３３０は、販売サイトに対してユーザが入力した複数のクエリの内容に基づき、複数のクエリ間の類似度を複数の検索行動の間の類似度として導出する。セッション分割部４００は、複数のクエリ間の類似度に基づき、複数のクエリがそれぞれ入力された時刻の間でセッションを分割する。このような構成によれば、クエリの内容に基づき、セッションを分割することができる。これにより、ユーザの検索行動に関連するより有用な情報を提供することができる。

【0082】

本実施形態では、類似度導出部３３０は、直接入力されたクエリだけでなく、直接入力されたクエリと同視できる検索行動がなされた場合も、前記直接入力されたクエリと同視できる検索行動をクエリの入力として取り扱う。このような構成によれば、クエリのみに用いてセッションが分割される場合に比べて、より精度の高いセッションの分割が可能になる場合がある。

【0083】

本実施形態では、サーバ装置１０は、セッションを分割することで得られる分割セッションにおけるユーザの検索行動に基づき、分割セッションの間に提示されている商品等に対するユーザのコンバージョン予測値を導出するＣＶ予測部６００を備える。このような構成によれば、ユーザの意図を考慮したセッション分割を反映させたコンバージョン予測値の導出が可能になる。このため、コンバージョン予測値の導出精度を高めることができる。

【0084】

本実施形態では、ＣＶ予測部６００は、分割セッションに関する時刻情報に基づき、ユーザのコンバージョン予測値を導出する。このような構成によれば、ユーザの意図が考慮されて分割された分割セッションの時刻情報に基づいてコンバージョン予測値が導出されるため、コンバージョン予測値の導出精度を高めることができる。

【0085】

本実施形態では、ＣＶ予測部６００は、分割セッションの開始からの経過時間に基づき、ユーザのコンバージョン予測値を導出する。このような構成によれば、ユーザの意図が考慮されて分割された分割セッションの開始時刻からの経過時間に基づいてコンバージョン予測値が導出されるため、コンバージョン予測値の導出精度を高めることができる。

【0086】

以上、実施形態のサーバ装置１０について説明したが、実施形態は上記例に限定されない。また本願において「ＸＸに基づく」とは、「少なくともＸＸに基づく」ことを意味し、ＸＸに加えて別の要素に基づく場合も含む。また「ＸＸに基づく」とは、ＸＸを直接に用いる場合に限定されず、ＸＸに対して演算や加工が行われたものに基づく場合も含む。「ＸＸ」は、任意の要素である。

【0087】

以上、本発明を実施するための形態について実施形態を用いて説明したが、本発明はこうした実施形態に何等限定されるものではなく、本発明の要旨を逸脱しない範囲内において種々の変形及び置換を加えることができる。

【符号の説明】

【0088】

１０…サーバ装置（情報処理システム）、３００…類似度分析部、３１０…カテゴリパス収集部、３２０…カテゴリツリー生成部、３３０…類似度導出部、４００…セッション分割部、６００…ＣＶ予測部。

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】

【図13】