知財求人 - 知財ポータルサイト「IP Force」
特許6989434ＵＲＬのアクセス履歴を用いて予測対象行動に至るであろう潜在対象ユーザを推定するプログラム、装置及び方法
(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】6989434
(24)【登録日】2021年12月6日
(45)【発行日】2022年1月5日
(54)【発明の名称】ＵＲＬのアクセス履歴を用いて予測対象行動に至るであろう潜在対象ユーザを推定するプログラム、装置及び方法
(51)【国際特許分類】
G06F 16/9035 20190101AFI20211220BHJP
G06Q 30/02 20120101ALI20211220BHJP
【ＦＩ】
G06F16/9035
G06Q30/02 382
【請求項の数】7
【全頁数】15
(21)【出願番号】特願2018-81009(P2018-81009)
(22)【出願日】2018年4月19日
(65)【公開番号】特開2019-191714(P2019-191714A)
(43)【公開日】2019年10月31日
【審査請求日】2020年5月23日
(73)【特許権者】
【識別番号】000208891
【氏名又は名称】ＫＤＤＩ株式会社
(74)【代理人】
【識別番号】100135068
【弁理士】
【氏名又は名称】早原 茂樹
(72)【発明者】
【氏名】小林 亜令
(72)【発明者】
【氏名】木村 塁
(72)【発明者】
【氏名】米川 慧
【審査官】
鹿野 博嗣
(56)【参考文献】
【文献】
特開２０１８−０４５５５３（ＪＰ，Ａ）
【文献】
特開２０１６−１７７６４９（ＪＰ，Ａ）
【文献】
特開２０１７−１８８０３１（ＪＰ，Ａ）
(58)【調査した分野】（Int.Cl.，ＤＢ名）
Ｇ０６Ｆ １６／９０３５
Ｇ０６Ｑ ３０／０２
(57)【特許請求の範囲】
【請求項1】
予測対象行動に至るであろう潜在対象ユーザを推定する装置に搭載されたコンピュータを機能させるプログラムであって、
ユーザ毎に、アクセスしたＵＲＬを蓄積するアクセス履歴蓄積手段と、
前記予測対象行動に関連する複数のセンサＵＲＬを登録したセンサＵＲＬ登録手段と
して機能させ、
学習段階として、
予測対象行動が、指定されたターゲットＵＲＬへのアクセスである場合、当該ターゲットＵＲＬにアクセスした（正例）か否か（負例）を分類条件とし、
前記アクセス履歴蓄積手段を用いて、前記分類条件に対して、正例となるターゲットユーザ群と、負例となる非ターゲットユーザ群とに分類するユーザ群分類手段と、
正例となるターゲットユーザ毎に対応付けた、各センサＵＲＬのアクセス回数と、負例となる非ターゲットユーザ毎に対応付けた、各センサＵＲＬのアクセス回数とを入力して学習する機械学習エンジンと
して機能させ、
推定段階として、
前記機械学習エンジンは、推定対象ユーザについて各センサＵＲＬのアクセス回数を入力し、正例類似スコアを出力し、
前記正例類似スコアが所定閾値以上となる推定対象ユーザを、潜在対象ユーザとして推定する潜在対象ユーザ推定手段と
してコンピュータを機能させることを特徴とするプログラム。
ユーザ毎に、アクセスしたＵＲＬを蓄積するアクセス履歴蓄積手段と、
前記予測対象行動に関連する複数のセンサＵＲＬを登録したセンサＵＲＬ登録手段と
して機能させ、
学習段階として、
予測対象行動が、指定されたターゲットＵＲＬへのアクセスである場合、当該ターゲットＵＲＬにアクセスした（正例）か否か（負例）を分類条件とし、
前記アクセス履歴蓄積手段を用いて、前記分類条件に対して、正例となるターゲットユーザ群と、負例となる非ターゲットユーザ群とに分類するユーザ群分類手段と、
正例となるターゲットユーザ毎に対応付けた、各センサＵＲＬのアクセス回数と、負例となる非ターゲットユーザ毎に対応付けた、各センサＵＲＬのアクセス回数とを入力して学習する機械学習エンジンと
して機能させ、
推定段階として、
前記機械学習エンジンは、推定対象ユーザについて各センサＵＲＬのアクセス回数を入力し、正例類似スコアを出力し、
前記正例類似スコアが所定閾値以上となる推定対象ユーザを、潜在対象ユーザとして推定する潜在対象ユーザ推定手段と
してコンピュータを機能させることを特徴とするプログラム。
【請求項2】
推定対象ユーザに対して、複数のターゲットＵＲＬそれぞれについて学習段階及び推定段階を実行し、ターゲットＵＲＬ毎に正例類似スコアを推定し、
前記推定対象ユーザの端末へ、ターゲットＵＲＬ毎に各ターゲットＵＲＬに基づく広告情報を配信する広告情報配信手段と、
ターゲットＵＲＬ毎に、広告情報に対して推定対象ユーザの反応操作有り／無しを検知する広告反応検知手段と、
前記推定対象ユーザについて、ターゲットＵＲＬ毎における正例類似スコア及び広告反応有り／無しに基づいて、広告反応有りと無しとの回帰係数を、正例受容スコアとして算出する正例受容スコア算出手段と
して更に機能させ、
前記潜在対象ユーザ推定手段は、前記正例受容スコアを重み付けて算出した前記正例類似スコアを用いて、前記潜在対象ユーザを推定する
ようにコンピュータを機能させることを特徴とする請求項１に記載のプログラム。
前記推定対象ユーザの端末へ、ターゲットＵＲＬ毎に各ターゲットＵＲＬに基づく広告情報を配信する広告情報配信手段と、
ターゲットＵＲＬ毎に、広告情報に対して推定対象ユーザの反応操作有り／無しを検知する広告反応検知手段と、
前記推定対象ユーザについて、ターゲットＵＲＬ毎における正例類似スコア及び広告反応有り／無しに基づいて、広告反応有りと無しとの回帰係数を、正例受容スコアとして算出する正例受容スコア算出手段と
して更に機能させ、
前記潜在対象ユーザ推定手段は、前記正例受容スコアを重み付けて算出した前記正例類似スコアを用いて、前記潜在対象ユーザを推定する
ようにコンピュータを機能させることを特徴とする請求項１に記載のプログラム。
【請求項3】
予測対象行動に至るであろう潜在対象ユーザを推定する装置に搭載されたコンピュータを機能させるプログラムであって、
ユーザ毎に、アクセスしたＵＲＬを蓄積するアクセス履歴蓄積手段と、
前記予測対象行動に関連する複数のセンサＵＲＬを登録したセンサＵＲＬ登録手段と
して機能させ、
学習段階として、
予測対象行動が、指定された検索キーによって検索されたＵＲＬへのアクセスである場合、当該検索キーによって検索されたＵＲＬにアクセスした（正例）か否か（負例）を分類条件とし、又は、
予測対象行動が、ユーザ毎に行動履歴が記録された中で、指定された行動である場合、当該行動をした（正例）か否か（負例）を分類条件とし、
前記アクセス履歴蓄積手段を用いて、前記分類条件に対して正例となるターゲットユーザ群と、負例となる非ターゲットユーザ群とに分類するユーザ群分類手段と、
正例となるターゲットユーザ毎に対応付けた、各センサＵＲＬのアクセス回数と、負例となる非ターゲットユーザ毎に対応付けた、各センサＵＲＬのアクセス回数とを入力して学習する機械学習エンジンと
して機能させ、
推定段階として、
前記機械学習エンジンは、推定対象ユーザについて各センサＵＲＬのアクセス回数を入力し、正例類似スコアを出力し、
前記正例類似スコアが所定閾値以上となる推定対象ユーザを、潜在対象ユーザとして推定する潜在対象ユーザ推定手段と
してコンピュータを機能させることを特徴とするプログラム。
ユーザ毎に、アクセスしたＵＲＬを蓄積するアクセス履歴蓄積手段と、
前記予測対象行動に関連する複数のセンサＵＲＬを登録したセンサＵＲＬ登録手段と
して機能させ、
学習段階として、
予測対象行動が、指定された検索キーによって検索されたＵＲＬへのアクセスである場合、当該検索キーによって検索されたＵＲＬにアクセスした（正例）か否か（負例）を分類条件とし、又は、
予測対象行動が、ユーザ毎に行動履歴が記録された中で、指定された行動である場合、当該行動をした（正例）か否か（負例）を分類条件とし、
前記アクセス履歴蓄積手段を用いて、前記分類条件に対して正例となるターゲットユーザ群と、負例となる非ターゲットユーザ群とに分類するユーザ群分類手段と、
正例となるターゲットユーザ毎に対応付けた、各センサＵＲＬのアクセス回数と、負例となる非ターゲットユーザ毎に対応付けた、各センサＵＲＬのアクセス回数とを入力して学習する機械学習エンジンと
して機能させ、
推定段階として、
前記機械学習エンジンは、推定対象ユーザについて各センサＵＲＬのアクセス回数を入力し、正例類似スコアを出力し、
前記正例類似スコアが所定閾値以上となる推定対象ユーザを、潜在対象ユーザとして推定する潜在対象ユーザ推定手段と
してコンピュータを機能させることを特徴とするプログラム。
【請求項4】
ＵＲＬ毎に、ターゲットユーザ群がアクセスした第１の確率と、非ターゲットユーザ群がアクセスした第２の確率とが、所定条件を満たす当該ＵＲＬを、前記センサＵＲＬとして決定するセンサＵＲＬ決定手段と
してコンピュータを機能させることを特徴とする請求項１から３のいずれか１項に記載のプログラム。
してコンピュータを機能させることを特徴とする請求項１から３のいずれか１項に記載のプログラム。
【請求項5】
前記センサＵＲＬ決定手段は、第１の確率と第２の確率とのオッズ比が所定閾値以上となるＵＲＬを、前記センサＵＲＬとして決定する
ようにコンピュータを機能させることを特徴とする請求項４に記載のプログラム。
ようにコンピュータを機能させることを特徴とする請求項４に記載のプログラム。
【請求項6】
予測対象行動に至るであろう潜在対象ユーザを推定する推定装置であって、
ユーザ毎に、アクセスしたＵＲＬを蓄積するアクセス履歴蓄積手段と、
前記予測対象行動に関連する複数のセンサＵＲＬを登録したセンサＵＲＬ登録手段と
を有し、
学習段階として、
予測対象行動が、指定されたターゲットＵＲＬへのアクセスである場合、当該ターゲットＵＲＬにアクセスした（正例）か否か（負例）を分類条件とし、
予測対象行動が、指定された検索キーによって検索されたＵＲＬへのアクセスである場合、当該検索キーによって検索されたＵＲＬにアクセスした（正例）か否か（負例）を分類条件とし、又は、
予測対象行動が、ユーザ毎に行動履歴が記録された中で、指定された行動である場合、当該行動をした（正例）か否か（負例）を分類条件とし、
前記アクセス履歴蓄積手段を用いて、前記分類条件に対して正例となるターゲットユーザ群と、負例となる非ターゲットユーザ群とに分類するユーザ群分類手段と、
正例となるターゲットユーザ毎に対応付けた、各センサＵＲＬのアクセス回数と、負例となる非ターゲットユーザ毎に対応付けた、各センサＵＲＬのアクセス回数とを入力して学習する機械学習エンジンと
を有し、
推定段階として、
前記機械学習エンジンは、推定対象ユーザについて各センサＵＲＬのアクセス回数を入力し、正例類似スコアを出力し、
前記正例類似スコアが所定閾値以上となる推定対象ユーザを、潜在対象ユーザとして推定する潜在対象ユーザ推定手段と
を有することを特徴とする推定装置。
ユーザ毎に、アクセスしたＵＲＬを蓄積するアクセス履歴蓄積手段と、
前記予測対象行動に関連する複数のセンサＵＲＬを登録したセンサＵＲＬ登録手段と
を有し、
学習段階として、
予測対象行動が、指定されたターゲットＵＲＬへのアクセスである場合、当該ターゲットＵＲＬにアクセスした（正例）か否か（負例）を分類条件とし、
予測対象行動が、指定された検索キーによって検索されたＵＲＬへのアクセスである場合、当該検索キーによって検索されたＵＲＬにアクセスした（正例）か否か（負例）を分類条件とし、又は、
予測対象行動が、ユーザ毎に行動履歴が記録された中で、指定された行動である場合、当該行動をした（正例）か否か（負例）を分類条件とし、
前記アクセス履歴蓄積手段を用いて、前記分類条件に対して正例となるターゲットユーザ群と、負例となる非ターゲットユーザ群とに分類するユーザ群分類手段と、
正例となるターゲットユーザ毎に対応付けた、各センサＵＲＬのアクセス回数と、負例となる非ターゲットユーザ毎に対応付けた、各センサＵＲＬのアクセス回数とを入力して学習する機械学習エンジンと
を有し、
推定段階として、
前記機械学習エンジンは、推定対象ユーザについて各センサＵＲＬのアクセス回数を入力し、正例類似スコアを出力し、
前記正例類似スコアが所定閾値以上となる推定対象ユーザを、潜在対象ユーザとして推定する潜在対象ユーザ推定手段と
を有することを特徴とする推定装置。
【請求項7】
予測対象行動に至るであろう潜在対象ユーザを推定する装置の推定方法であって、
前記装置は、
ユーザ毎に、アクセスしたＵＲＬを蓄積するアクセス履歴蓄積部と、
前記予測対象行動に関連する複数のセンサＵＲＬを登録したセンサＵＲＬ登録部と、
機械学習エンジンと
を有し、
前記装置は、学習段階として、
予測対象行動が、指定されたターゲットＵＲＬへのアクセスである場合、当該ターゲットＵＲＬにアクセスした（正例）か否か（負例）を分類条件とし、
予測対象行動が、指定された検索キーによって検索されたＵＲＬへのアクセスである場合、当該検索キーによって検索されたＵＲＬにアクセスした（正例）か否か（負例）を分類条件とし、又は、
予測対象行動が、ユーザ毎に行動履歴が記録された中で、指定された行動である場合、当該行動をした（正例）か否か（負例）を分類条件とし、
前記アクセス履歴蓄積部を用いて、前記分類条件に対して正例となるターゲットユーザ群と、負例となる非ターゲットユーザ群とに分類する第１１のステップと、
前記機械学習エンジンを用いて、正例となるターゲットユーザ毎に対応付けた、各センサＵＲＬのアクセス回数と、負例となる非ターゲットユーザ毎に対応付けた、各センサＵＲＬのアクセス回数とを入力して学習する第１２のステップと
を実行し、
前記装置は、推定段階として、
前記機械学習エンジンを用いて、推定対象ユーザについて各センサＵＲＬのアクセス回数を入力し、正例類似スコアを出力する第２１のステップと、
前記正例類似スコアが所定閾値以上となる推定対象ユーザを、潜在対象ユーザとして推定する第２２のステップと
を実行することを特徴とする装置の推定方法。
前記装置は、
ユーザ毎に、アクセスしたＵＲＬを蓄積するアクセス履歴蓄積部と、
前記予測対象行動に関連する複数のセンサＵＲＬを登録したセンサＵＲＬ登録部と、
機械学習エンジンと
を有し、
前記装置は、学習段階として、
予測対象行動が、指定されたターゲットＵＲＬへのアクセスである場合、当該ターゲットＵＲＬにアクセスした（正例）か否か（負例）を分類条件とし、
予測対象行動が、指定された検索キーによって検索されたＵＲＬへのアクセスである場合、当該検索キーによって検索されたＵＲＬにアクセスした（正例）か否か（負例）を分類条件とし、又は、
予測対象行動が、ユーザ毎に行動履歴が記録された中で、指定された行動である場合、当該行動をした（正例）か否か（負例）を分類条件とし、
前記アクセス履歴蓄積部を用いて、前記分類条件に対して正例となるターゲットユーザ群と、負例となる非ターゲットユーザ群とに分類する第１１のステップと、
前記機械学習エンジンを用いて、正例となるターゲットユーザ毎に対応付けた、各センサＵＲＬのアクセス回数と、負例となる非ターゲットユーザ毎に対応付けた、各センサＵＲＬのアクセス回数とを入力して学習する第１２のステップと
を実行し、
前記装置は、推定段階として、
前記機械学習エンジンを用いて、推定対象ユーザについて各センサＵＲＬのアクセス回数を入力し、正例類似スコアを出力する第２１のステップと、
前記正例類似スコアが所定閾値以上となる推定対象ユーザを、潜在対象ユーザとして推定する第２２のステップと
を実行することを特徴とする装置の推定方法。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、ユーザにおけるＷｅｂサイトの閲覧行動を予測する技術に関する。
【背景技術】
【0002】
ユーザは、スマートフォンや携帯端末を用いて、様々なＷｅｂサイトに自由にアクセスすることができる。一方で、マーケティング分析の１つとして、各ユーザにおけるＷｅｂサイトのＵＲＬ(Uniform Resource Locator)アクセス履歴が収集され、当該ユーザの関心や興味の傾向が分析される。特に、ユーザ毎に、閲覧行動を予測し、適切なターゲティング広告を配信することもできる。
【0003】
例えば、ユーザにおけるＷｅｂサイトの閲覧履歴を入力データとして、隠れマルコフモデルによって学習し、ユーザを誘導する技術がある（例えば特許文献１参照）。この技術によれば、ユーザ毎に閲覧ページのページ機能を時系列に並べた順序付き集合から、学習モデルの複数の内部状態を算出し、各内部状態における閲覧可能なページ機能の出力確率と、内部状態間の遷移確率とを、ユーザの閲覧行動として予測する。
【0004】
また、広告主が特定行動及び説明行動を入力することによって、予測目標行動を起こすであろうユーザを推定する技術もある（例えば特許文献２参照）。この技術によれば、コンテンツの配信候補となるユーザの行動履歴を取得し、コンテンツの提供主が指定する行動履歴に基づいて、特定行動を起こすことが予測されるユーザを抽出する。
【0005】
これら従来技術は、過去に予測目標行動を起こした多数のユーザの行動ログを用いて、推定対象ユーザに対して、予測目標行動を起こす確率を算出する学習モデルを構築する。その確率が所定閾値以上となるユーザ群を、広告配信の対象ユーザとして推定している。
【先行技術文献】
【特許文献】
【0006】
【特許文献1】特開２０１４−１６０３４５号公報
【特許文献2】特開２０１６−０３８８２２号公報
【発明の概要】
【発明が解決しようとする課題】
【0007】
前述した従来技術は、各ユーザにおける時系列の行動履歴（アクセス履歴）を用いている。一方で、予測目標行動に至るまでの様々な関連行動を考慮したものではない。本願の発明者らは、予測目標行動に至るであろう関連行動に基づいて、潜在対象ユーザを推定すべきではないか、と考えた。
【0008】
そこで、本発明は、ＵＲＬのアクセス履歴を用いて、予測対象行動に至るであろう潜在対象ユーザを推定するプログラム、装置及び方法を提供することを目的とする。
【課題を解決するための手段】
【0009】
本発明によれば、予測対象行動に至るであろう潜在対象ユーザを推定する装置に搭載されたコンピュータを機能させるプログラムであって、ユーザ毎に、アクセスしたＵＲＬを蓄積するアクセス履歴蓄積手段と、
予測対象行動に関連する複数のセンサＵＲＬを登録したセンサＵＲＬ登録手段と
して機能させ、
学習段階として、
予測対象行動が、指定されたターゲットＵＲＬへのアクセスである場合、当該ターゲットＵＲＬにアクセスした（正例）か否か（負例）を分類条件とし、
アクセス履歴蓄積手段を用いて、分類条件に対して、正例となるターゲットユーザ群と、負例となる非ターゲットユーザ群とに分類するユーザ群分類手段と、
正例となるターゲットユーザ毎に対応付けた、各センサＵＲＬのアクセス回数と、負例となる非ターゲットユーザ毎に対応付けた、各センサＵＲＬのアクセス回数とを入力して学習する機械学習エンジンと
して機能させ、
推定段階として、
機械学習エンジンは、推定対象ユーザについて各センサＵＲＬのアクセス回数を入力し、正例類似スコアを出力し、
正例類似スコアが所定閾値以上となる推定対象ユーザを、潜在対象ユーザとして推定する潜在対象ユーザ推定手段と
してコンピュータを機能させることを特徴とする。
本発明のプログラムにおける他の実施形態によれば、
推定対象ユーザに対して、複数のターゲットＵＲＬそれぞれについて学習段階及び推定段階を実行し、ターゲットＵＲＬ毎に正例類似スコアを推定し、
推定対象ユーザの端末へ、ターゲットＵＲＬ毎に各ターゲットＵＲＬに基づく広告情報を配信する広告情報配信手段と、
ターゲットＵＲＬ毎に、広告情報に対して推定対象ユーザの反応操作有り／無しを検知する広告反応検知手段と、
推定対象ユーザについて、ターゲットＵＲＬ毎における正例類似スコア及び広告反応有り／無しに基づいて、広告反応有りと無しとの回帰係数を、正例受容スコアとして算出する正例受容スコア算出手段と
して更に機能させ、
潜在対象ユーザ推定手段は、正例受容スコアを重み付けて算出した正例類似スコアを用いて、潜在対象ユーザを推定する
ようにコンピュータを機能させることも好ましい。
本発明によれば、予測対象行動に至るであろう潜在対象ユーザを推定する装置に搭載されたコンピュータを機能させるプログラムであって、
ユーザ毎に、アクセスしたＵＲＬを蓄積するアクセス履歴蓄積手段と、
予測対象行動に関連する複数のセンサＵＲＬを登録したセンサＵＲＬ登録手段と
して機能させ、
学習段階として、
予測対象行動が、指定された検索キーによって検索されたＵＲＬへのアクセスである場合、当該検索キーによって検索されたＵＲＬにアクセスした（正例）か否か（負例）を分類条件とし、又は、
予測対象行動が、ユーザ毎に行動履歴が記録された中で、指定された行動である場合、当該行動をした（正例）か否か（負例）を分類条件とし、
アクセス履歴蓄積手段を用いて、分類条件に対して正例となるターゲットユーザ群と、負例となる非ターゲットユーザ群とに分類するユーザ群分類手段と、
正例となるターゲットユーザ毎に対応付けた、各センサＵＲＬのアクセス回数と、負例となる非ターゲットユーザ毎に対応付けた、各センサＵＲＬのアクセス回数とを入力して学習する機械学習エンジンと
して機能させ、
推定段階として、
機械学習エンジンは、推定対象ユーザについて各センサＵＲＬのアクセス回数を入力し、正例類似スコアを出力し、
正例類似スコアが所定閾値以上となる推定対象ユーザを、潜在対象ユーザとして推定する潜在対象ユーザ推定手段と
してコンピュータを機能させることを特徴とする。
【0010】
本発明のプログラムにおける他の実施形態によれば、ＵＲＬ毎に、ターゲットユーザ群がアクセスした第１の確率と、非ターゲットユーザ群がアクセスした第２の確率とが、所定条件を満たす当該ＵＲＬを、センサＵＲＬとして決定するセンサＵＲＬ決定手段と
してコンピュータを機能させることも好ましい。
【0011】
本発明のプログラムにおける他の実施形態によれば、センサＵＲＬ決定手段は、第１の確率と第２の確率とのオッズ比が所定閾値以上となるＵＲＬを、センサＵＲＬとして決定する
ようにコンピュータを機能させることも好ましい。
【0016】
本発明によれば、予測対象行動に至るであろう潜在対象ユーザを推定する推定装置であって、ユーザ毎に、アクセスしたＵＲＬを蓄積するアクセス履歴蓄積手段と、
予測対象行動に関連する複数のセンサＵＲＬを登録したセンサＵＲＬ登録手段と
を有し、
学習段階として、
予測対象行動が、指定されたターゲットＵＲＬへのアクセスである場合、当該ターゲットＵＲＬにアクセスした（正例）か否か（負例）を分類条件とし、
予測対象行動が、指定された検索キーによって検索されたＵＲＬへのアクセスである場合、当該検索キーによって検索されたＵＲＬにアクセスした（正例）か否か（負例）を分類条件とし、又は、
予測対象行動が、ユーザ毎に行動履歴が記録された中で、指定された行動である場合、当該行動をした（正例）か否か（負例）を分類条件とし、
アクセス履歴蓄積手段を用いて、分類条件に対して正例となるターゲットユーザ群と、負例となる非ターゲットユーザ群とに分類するユーザ群分類手段と、
正例となるターゲットユーザ毎に対応付けた、各センサＵＲＬのアクセス回数と、負例となる非ターゲットユーザ毎に対応付けた、各センサＵＲＬのアクセス回数とを入力して学習する機械学習エンジンと
を有し、
推定段階として、
機械学習エンジンは、推定対象ユーザについて各センサＵＲＬのアクセス回数を入力し、正例類似スコアを出力し、
正例類似スコアが所定閾値以上となる推定対象ユーザを、潜在対象ユーザとして推定する潜在対象ユーザ推定手段と
を有することを特徴とする。
【0017】
本発明によれば、予測対象行動に至るであろう潜在対象ユーザを推定する装置の推定方法であって、装置は、
ユーザ毎に、アクセスしたＵＲＬを蓄積するアクセス履歴蓄積部と、
予測対象行動に関連する複数のセンサＵＲＬを登録したセンサＵＲＬ登録部と、
機械学習エンジンと
を有し、
装置は、学習段階として、
予測対象行動が、指定されたターゲットＵＲＬへのアクセスである場合、当該ターゲットＵＲＬにアクセスした（正例）か否か（負例）を分類条件とし、
予測対象行動が、指定された検索キーによって検索されたＵＲＬへのアクセスである場合、当該検索キーによって検索されたＵＲＬにアクセスした（正例）か否か（負例）を分類条件とし、又は、
予測対象行動が、ユーザ毎に行動履歴が記録された中で、指定された行動である場合、当該行動をした（正例）か否か（負例）を分類条件とし、
アクセス履歴蓄積部を用いて、分類条件に対して正例となるターゲットユーザ群と、負例となる非ターゲットユーザ群とに分類する第１１のステップと、
機械学習エンジンを用いて、正例となるターゲットユーザ毎に対応付けた、各センサＵＲＬのアクセス回数と、負例となる非ターゲットユーザ毎に対応付けた、各センサＵＲＬのアクセス回数とを入力して学習する第１２のステップと
を実行し、
装置は、推定段階として、
機械学習エンジンを用いて、推定対象ユーザについて各センサＵＲＬのアクセス回数を入力し、正例類似スコアを出力する第２１のステップと、
正例類似スコアが所定閾値以上となる推定対象ユーザを、潜在対象ユーザとして推定する第２２のステップと
を実行することを特徴とする。
【発明の効果】
【0018】
本発明のプログラム、装置及び方法によれば、ＵＲＬのアクセス履歴を用いて、予測対象行動に至るであろう潜在対象ユーザを推定することができる。
【図面の簡単な説明】
【0019】
【図1】予測目標行動と関連行動との関係を表す説明図である。
【図2】本発明における推定装置の機能構成図である。
【図4】本発明における受容反応学習段階を有する推定装置の機能構成図である。
【図5】正例受容スコアに基づいて潜在対象ユーザを推定する推定装置の機能構成図である。
【発明を実施するための形態】
【0020】
以下、本発明の実施の形態について、図面を用いて詳細に説明する。
【0021】
図１は、予測目標行動と関連行動との関係を表す説明図である。
【0022】
マーケティング分析として、予測目標行動を「ターゲットＵＲＬ」へのアクセスとし、関連行動を「センサＵＲＬ」へのアクセスとして表現する。ここで、センサＵＲＬとは、ターゲットＵＲＬへアクセスするに至るであろうとして、予め登録されたものである。例えば、ターゲットＵＲＬが「Ａ社製の自動車ａのホームページ」である場合、関連ＵＲＬは、「自動車の比較サイトのホームページ」のようなものである。
【0023】
図１によれば、ターゲットＵＲＬを中心として、そのターゲットＵＲＬに関連するセンサＵＲＬと、それ以外のＵＲＬとが表されている。また、各ユーザについて、アクセス履歴として、ターゲットＵＲＬにアクセスしたターゲットユーザ群と、アクセスしていない非ターゲットユーザ群とに分類する。
【0024】
ターゲットＵＲＬにアクセスしたユーザ群は、そのターゲットＵＲＬへ到達するために、様々な関連ＵＲＬにアクセスしている。このとき、その関連ＵＲＬにアクセスしたユーザ群は、高い確率でターゲットＵＲＬにアクセスすることが想定できる。即ち、ターゲットＵＲＬにアクセスしたユーザ群が、関連ＵＲＬにアクセスする傾向を学習することができれば、推定対象ユーザが、関連ＵＲＬへアクセスする傾向から、ターゲットＵＲＬにアクセスする確率を推定することができる。本発明によれば、ターゲットＵＲＬにアクセスする確率が高い潜在対象ユーザを推定するために、あえて、その関連ＵＲＬにアクセスする確率が高いユーザを推定しようとしている。
【0025】
図２は、本発明における推定装置の機能構成図である。
【0026】
本発明の推定装置１は、ＵＲＬのアクセス履歴を用いて、予測目標行動に至るであろう関連行動に基づいて潜在対象ユーザを推定する。図２によれば、推定装置１は、アクセス履歴蓄積部１０１と、センサＵＲＬ登録部１０２とを有する。
【0027】
［アクセス履歴蓄積部１０１］アクセス履歴蓄積部１０１は、ユーザ（ＩＤ）毎に、アクセスしたＵＲＬを対応付けて蓄積したものである。
［ユーザＩＤ］<->［ＵＲＬ]
001 http://www.aaa.com
002 http://www.bbb.com
003 http://www.aaa.com
002 http://www.ccc.com
001 http://www.aaa.com
・・・・・・・・・・・・・・・・・・
【0028】
［センサＵＲＬ登録部１０２］センサＵＲＬ登録部１０２は、予測対象行動に関連する複数のセンサＵＲＬを登録したものである。
センサＵＲＬは、予測対象行動（例えばターゲットＵＲＬへのアクセス）に関連するページを公開するＵＲＬであって、オペレータによって予め登録されたものであってもよい。具体的には、後述するセンサＵＲＬ決定部１４によって決定されたものであってもよい。
【0029】
尚、ターゲットＵＲＬやセンサＵＲＬは、ＵＲＬ全体そのものに限られず、ドメイン名のみであってもよいし、クラスタリングに基づくカテゴリ名であってもよい。
【0030】
推定装置１は、＜学習段階＞として、ユーザ群分類部１１と、機械学習エンジン１２と、センサＵＲＬ決定部１４とを有する。また、＜推定段階＞として、機械学習エンジン１２と、潜在対象ユーザ推定部１３とを有する。これら機能構成部は、装置に搭載されたコンピュータを機能させるプログラムを実行することによって実現される。また、これら機能の処理の流れは、装置における推定方法としても理解できる。
【0031】
＜学習段階＞［ユーザ群分類部１１］
ユーザ群分類部１１は、アクセス履歴蓄積部１０１を用いて、分類条件に対して正例となるターゲットユーザ群と、負例となる非ターゲットユーザ群とに分類する。
【0032】
ここで、「分類条件」とは、正例／負例に分類するために条件であって、以下のように様々に規定することができる。（条件１）指定されたターゲットＵＲＬにアクセスしたか否か
例えば指定されたターゲットＵＲＬの「Ａ社製の自動車ａのホームページ」にアクセスした（正例）か否か（負例）
（条件２）指定された検索キーによって検索されたＵＲＬをターゲットＵＲＬとしてアクセスしたか否か
例えば指定された検索キー「Ａ社」によって検索されたＵＲＬ「Ａ社製の自動車ａのホームページ」をターゲットＵＲＬとしてアクセスした（正例）か否か（負例）
（条件３）ユーザ毎に行動履歴が記録されており、指定された行動をしたか否か
例えばユーザ毎の行動履歴の中に、「自動車発表会に参加」という行動履歴が記録されている（正例）か否か（負例）
【0033】
［センサＵＲＬ決定部１４］センサＵＲＬ決定部１４は、ＵＲＬ毎に、ターゲットユーザ群がアクセスした第１の確率と、非ターゲットユーザ群がアクセスした第２の確率とが、所定条件を満たす当該ＵＲＬを、センサＵＲＬとして決定する。
【0034】
具体的には、センサＵＲＬ決定部１４は、第１の確率と第２の確率とのオッズ比が所定閾値以上となるＵＲＬを、センサＵＲＬとして決定する。「オッズ比(Odds ratio)」とは、ある事象の起こりやすさを２つの群で比較して表す統計学的尺度である。ある事象の起こる確率ｐに対して、以下のように表される。
Odds＝ｐ／(１−ｐ)、Odds≧0
ある事象について、第１の群における事象発生確率ｐと、第２の群における事象発生確率ｑとのオッズ比は、以下のように表される。
{ｐ／(１−ｐ)}／{ｑ／(１−ｑ)}
オッズ比＝１ということは、事象発生確率が両群で同じということであり、１より大きい（又は小さい）とは、その事象が第１の群（又は第２の群）でより発生しやすいことを意味する。
【0035】
例えば、100人のアクセス履歴について、例えば以下のように算出される。ターゲットユーザ群が当該センサＵＲＬにアクセスした人数＝80人
Odds＝80／(100−80)＝4
非ターゲットユーザ群が当該センサＵＲＬにアクセスした人数＝20人
Odds＝20／(100−20)＝0.25
オッズ比＝4／0.25＝16
【0036】
ＵＲＬ毎に、オッズ比を算出し、そのオッズ比が、所定閾値以上、又は、上位一定数となる当該ＵＲＬを、センサＵＲＬとして決定する。
【0038】
［機械学習エンジン１２（学習段階）］機械学習エンジン１２は、学習段階として、ユーザ群分類部１１から出力された以下のデータを入力する。
正例となるターゲットユーザ毎における各センサＵＲＬのアクセス回数
負例となる非ターゲットユーザ毎における各センサＵＲＬのアクセス回数
具体的には、ユーザ毎に、各センサＵＲＬを要素して、アクセス回数を要素値とした、ベクトルのような構成データが、機械学習エンジン１２に入力される。
センサＵＲＬ：[URL1][URL2][URL3]・・・・・[URLn]
ターゲットユーザ１： １ ０ ２ ・・・・・・０
ターゲットユーザ２： ０ １ ０ ・・・・・・２
・・・・：・・・・・・・・・・・・・・・・
非ターゲットユーザｍ： ０ １ ０ ・・・・・・１
・・・・：・・・・・・・・・・・・・・・・
【0039】
機械学習エンジン１２は、教師あり学習(Supervised learning)に基づくものである。教師データｘ及びｙ（二値分類問題）を対応付けて入力し、ｘ及びｙのデータ間の写像関数を近似的に学習する。これによって、未知データｘを入力することよって予測データｙを得ることができる。具体的には、サポートベクタマシンやニューラルネットワークなどを用いることができる。
【0040】
＜推定段階＞［機械学習エンジン１２（推定段階）］
機械学習エンジン１２は、推定対象ユーザについて各センサＵＲＬのアクセス回数を入力する。
センサＵＲＬ：[URL1][URL2][URL3]・・・・・[URLn]
推定対象ユーザ： ２ １ １ ・・・・・・０
そして、機械学習エンジン１２は、正例類似スコアを出力する。
「正例類似スコア」とは、推定対象ユーザについて、予測目標行動（正例）に至るであろうスコアである。スコアは、一般的な機械学習エンジンから出力される確率値（スコア）である。
【0041】
［潜在対象ユーザ推定部１３］潜在対象ユーザ推定部１３は、正例類似スコアが所定閾値以上となる推定対象ユーザを、潜在対象ユーザとして推定する。
具体的には、正例類似スコアが70％以上となる推定対象ユーザを、潜在対象ユーザとして推定する。
【0042】
図４は、本発明における受容反応学習段階を有する推定装置の機能構成図である。
【0043】
図４によれば、予測対象行動を、例えば広告配信によってユーザにレコメンド（推奨）した際に、各ユーザが、その予測対象行動を起こすか否かの行動生起確率に基づいて、潜在対象ユーザを推定しようとするものである。
【0044】
例えば、過去に広告配信（レコメンド）によってお得な経験をしたユーザは、その後の広告配信に興味を示し、高い受容性を持つの対し、逆に、過去に不快な経験をしたユーザは、広告配信に全く興味を示さず、低い受容性しか持たない。
【0045】
前述した図２及び図３の実施形態によれば、ユーザ自ら行動したアクセス履歴に基づいて予測対象行動を起こすか否かの生起確率を算出しようとしているが、図４の実施形態によれば、レコメンドに対するユーザの受容性に基づいて予測対象行動を起こすか否かの生起確率を算出しようとしている。即ち、予測対象行動に対して適した潜在対象ユーザであっても、そのユーザがレコメンドに対する受容性が低い場合、潜在対象ユーザとなり得ないためである。
【0046】
図４によれば、図２の推定装置１と比較して、受容反応学習段階として、広告情報配信部１５と、広告反応検知部１６と、正例受容スコア算出部１７と、正例受容スコア記憶部１８とを更に有する。これら機能構成部も、装置に搭載されたコンピュータを機能させるプログラムを実行することによって実現される。
【0047】
図４によれば、推定対象ユーザに対して、複数のターゲットＵＲＬそれぞれについて学習段階を実行し、機械学習エンジン１２は、ターゲットＵＲＬ毎に、異なる学習モデルを構築する。その上で、異なるターゲットＵＲＬの学習モデル毎に、１人の推定対象ユーザにおけるセンサＵＲＬのアクセス履歴を入力して、推定段階を実行する。これによって、機械学習エンジン１２は、ターゲットＵＲＬ毎に、正例類似スコアを推定する。これらターゲットＵＲＬ及び正例類似スコアは、潜在対象ユーザ推定部１３へ出力される。
［ターゲットＵＲＬ］ <-> ［正例類似スコア］
http://www.trg1.com <-> 60%
http://www.trg2.com <-> 50%
http://www.trg3.com <-> 30%
【0048】
［広告情報配信部１５］広告情報配信部１５は、推定対象ユーザの端末へ、ターゲットＵＲＬ毎に各ターゲットＵＲＬに基づく広告情報を配信する。
例えばターゲットＵＲＬが記述された広告情報を、推定対象ユーザの端末へ、電子メールやメッセージで送信するものであってもよい。
【0049】
［広告反応検知部１６］広告反応検知部１６は、ターゲットＵＲＬ毎に、広告情報に対して推定対象ユーザの反応操作有り／無しを検知する。
反応操作としては、例えばＵＲＬに対するタップ操作や、電子メール（又はメッセージ）の返信操作がある。反応操作は、ユーザの端末から推定装置１へ直接的に通知されるものに限られず、アクセス履歴として収集されたものであってもよい。
【0050】
ここで、広告情報配信部１５は、ターゲットＵＲＬ自体を広告情報に記述するのではなく、推定装置１へのリダイレクト要求に基づくＵＲＬを記述するものであってもよい。これによって、ユーザが、そのＵＲＬをタップすることによって、リダイレクト要求が推定装置１の広告反応検知部１６へ送信される。広告反応検知部１６は、ターゲットＵＲＬを含むリダイレクト応答を、ユーザの端末へ返信する。これによって、ユーザの広告反応を検知することができる。
【0051】
広告反応検知部１６は、ユーザ毎に、受容反応を記憶する。［ターゲットＵＲＬ］ <-> ［正例類似スコア］ <-> ［広告反応］
http://www.trg1.com <-> 60% <-> １（有り）
http://www.trg2.com <-> 50% <-> １（有り）
http://www.trg3.com <-> 30% <-> ０（無し）
【0052】
［正例受容スコア算出部１７］正例受容スコア算出部１７は、推定対象ユーザについて、ターゲットＵＲＬ毎における正例類似スコアａ及び広告反応有り／無しｒ(＝0,1)に基づいて、広告反応有りと無しとの回帰係数Ｉを、正例受容スコアとして算出する。具体的には、以下のように単なる乗算であってもよい。
Ｉ＝Σｉ(ａ＊ｒ)／ｊ
ｉ：ターゲットＵＲＬ
ａ：正例類似スコア
ｒ：広告反応有り／無しｒ(＝0,1)
ｊ：広告反応有りの数
【0053】
前述した正例受容スコア記憶部１８によれば、正例受容スコアは、例えば以下のように算出される。Ｉ＝（60％＊1＋50％＊1＋30％＊0）／２＝55％
即ち、この推定対象ユーザについて、正例受容スコア＝55%と算出される。
【0054】
［正例受容スコア記憶部１８］正例受容スコア記憶部１８は、推定対象ユーザ毎に、正例受容スコアを記憶する。
【0055】
図５は、正例受容スコアに基づいて潜在対象ユーザを推定する推定装置の機能構成図である。
【0056】
図５によれば、受容反応推定段階として、正例受容スコア算出部１７を更に有する。これら機能構成部も、装置に搭載されたコンピュータを機能させるプログラムを実行することによって実現される。
【0057】
潜在対象ユーザ推定部１３は、推定対象ユーザにおけるセンサＵＲＬへのアクセス履歴を用いて、ターゲットＵＲＬに対して算出された正例類似スコアに、推定対象ユーザの正例受容スコアを重み付ける。Ａ＝ａ＊Ｒ
ａ：正例類似スコア
Ｒ：正例受容スコア
そして、潜在対象ユーザ推定部１３は、正例類似スコアが所定閾値以上となる推定対象ユーザを、潜在対象ユーザとして推定する。
【0058】
以上、詳細に説明したように、本発明のプログラム、装置及び方法によれば、ＵＲＬのアクセス履歴を用いて、予測対象行動に至るであろう潜在対象ユーザを推定することができる。また、本発明によれば、ユーザ群に対する正例／負例の条件に対して、機械学習エンジンにおける正例類似スコアに、推定対象ユーザにおける正例受容スコアを重み付けることによって、広告対象ユーザ群を高い精度で絞り込むことができ、広告効果を向上させることが期待できる。
【0059】
前述した本発明の種々の実施形態について、本発明の技術思想及び見地の範囲の種々の変更、修正及び省略は、当業者によれば容易に行うことができる。前述の説明はあくまで例であって、何ら制約しようとするものではない。本発明は、特許請求の範囲及びその均等物として限定するものにのみ制約される。
【符号の説明】
【0060】
１ 推定装置１０１ アクセス履歴蓄積部
１０２ センサＵＲＬ登録部
１１ ユーザ群分類部
１２ 機械学習エンジン
１３ 潜在対象ユーザ推定部
１４ センサＵＲＬ決定部
１５ 広告情報配信部
１６ 広告反応検知部
１７ 正例受容スコア算出部
１８ 正例受容スコア記憶部