特許 7534463 情報処理装置、情報処理方法および情報処理プログラム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B1)

(11)【特許番号】

(24)【登録日】2024-08-05

(45)【発行日】2024-08-14

(54)【発明の名称】情報処理装置、情報処理方法および情報処理プログラム

(51)【国際特許分類】

   G06Q 30/0242 20230101AFI20240806BHJP

   G06Q 30/0241 20230101ALI20240806BHJP

【ＦＩ】

G06Q30/0242

G06Q30/0241 444

【請求項の数】 13

(21)【出願番号】P 2023024736

(22)【出願日】2023-02-20

【審査請求日】2023-05-19

(73)【特許権者】

【識別番号】500257300

【氏名又は名称】ＬＩＮＥヤフー株式会社

(74)【代理人】

【識別番号】110002147

【氏名又は名称】弁理士法人酒井国際特許事務所

(72)【発明者】

【氏名】桑原 聡子

(72)【発明者】

【氏名】▲高▼田 健介

(72)【発明者】

【氏名】藪（土屋） 茉奈美

(72)【発明者】

【氏名】三津澤（平野） 彩花

(72)【発明者】

【氏名】河上 茉莉也

【審査官】深津 始

(56)【参考文献】

【文献】特開２００７－２９３５４４（ＪＰ，Ａ）

【文献】中国特許出願公開第１０９３６００２０（ＣＮ，Ａ）

【文献】中国特許出願公開第１０９２４２９２７（ＣＮ，Ａ）

【文献】崎濱栄治, 川崎泰一, 本橋永至，コンピュータービジョンによる広告画像要素のクリック訴求効果の検証，応用統計学，日本，応用統計学会 Japanese Society of Applied Statistics，2020年03月30日，第48巻, 第3号，第59－70ページ，ISSN 0285-0370

【文献】邱倩如, 大谷まゆ, 岩崎祐貴，広告ランディングページにおける配色推薦，情報処理学会 研究報告 コンピュータグラフィックスとビジュアル情報学（ＣＧ） ２０２２－ＣＧ－１８６ ［ｏｎｌｉｎｅ］ ，日本，情報処理学会，2022年06月20日，第1-6ページ，ISSN 2188-8949

【文献】失敗しない配色のコツ！チラシデザインで使える配色パターン、参考サイトを紹介 [online]，2022年05月23日，[検索日2024.04.05], Internet<URL:https://web.archive.org/web/20220523090638/https://yohakuoffice.co.jp/blog/401/>

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ０６Ｑ １０／００ －Ｇ０６Ｑ ９９／００

(57)【特許請求の範囲】

【請求項1】

広告画像から色に関連する色関連情報を抽出する抽出部と、
前記広告画像の配信結果から算出される前記広告画像のクリック確率と、前記抽出部によって抽出された前記色関連情報との間の関係性を学習したモデルであって、入力された前記色関連情報から推定される前記クリック確率を出力するモデルに学習させる学習部と
を備え、
前記抽出部は、
前記広告画像の各色の配置に関する情報を抽出し、
前記学習部は、
前記各色の配置と、前記クリック確率との間の関係性を前記モデルに学習させる
ことを特徴とする情報処理装置。

【請求項2】

前記広告画像の候補となる広告候補から抽出された前記色関連情報を前記モデルに入力し、前記広告候補の前記クリック確率を推定する推定部
を備えることを特徴とする請求項１に記載の情報処理装置。

【請求項3】

前記抽出部は、
前記色関連情報として前記広告画像の各色の構成比率に関する情報を抽出し、
前記学習部は、
前記色の構成比率と、前記クリック確率との間の関係性を前記モデルに学習させること
を特徴とする請求項１に記載の情報処理装置。

【請求項4】

前記抽出部は、
前記色関連情報として、前記広告画像のテキストの色相、明度、彩度を抽出し、
前記学習部は、
前記テキストの色相、明度、彩度と、前記クリック確率との間の関係性を前記モデルに学習させること
を特徴とする請求項１に記載の情報処理装置。

【請求項5】

前記学習部は、
前記広告画像のテキスト領域と、前記テキスト領域の背景領域との対比結果を前記色関連情報として前記モデルに学習させること
を特徴とする請求項１に記載の情報処理装置。

【請求項6】

前記学習部は、
前記広告画像の広告対象に関する情報をさらに前記モデルに学習させ、前記色関連情報と前記広告対象に関する情報とから前記クリック確率を出力する前記モデルを学習すること
を特徴とする請求項１に記載の情報処理装置。

【請求項7】

前記学習部は、
前記色関連情報と、前記クリック確率との間の関係性を業種ごとに前記モデルに学習させ、前記色関連情報と前記業種に関する情報とから前記クリック確率を出力する前記モデルを学習すること
を特徴とする請求項１に記載の情報処理装置。

【請求項8】

前記学習部は、
前記広告画像のターゲットとなる利用者に関する情報をさらに前記モデルに学習させ、前記色関連情報と前記ターゲットとなる利用者に関する情報とから前記クリック確率を出力する前記モデルを学習すること
を特徴とする請求項１に記載の情報処理装置。

【請求項9】

前記学習部は、
前記色関連情報と、前記クリック確率との間の関係性を季節ごとに前記モデルに学習させ、前記色関連情報と前記季節に関する情報とから前記クリック確率を出力する前記モデルを学習すること
を特徴とする請求項１に記載の情報処理装置。

【請求項10】

前記学習部は、
前記広告画像の広告素材に関する情報をさらに前記モデルに学習させ、前記色関連情報と前記広告素材に関する情報とから前記クリック確率を出力する前記モデルを学習すること
を特徴とする請求項１に記載の情報処理装置。

【請求項11】

広告候補の前記色関連情報を変換した変換画像を生成する生成部と、
前記生成部によって生成された前記変換画像の前記クリック確率を前記モデルを用いて推定する推定部と、
前記推定部によって推定された前記変換画像のクリック確率が前記広告候補のクリック確率よりも高い場合に、当該変換画像を提案する提案部と
を備えることを特徴とする請求項１に記載の情報処理装置。

【請求項12】

コンピュータが実行する情報処理方法であって、
広告画像から色に関連する色関連情報を抽出する抽出工程と、
前記広告画像の配信結果から算出される前記広告画像のクリック確率と、前記抽出工程によって抽出された前記色関連情報との間の関係性を学習したモデルであって、入力された前記色関連情報から推定される前記クリック確率を出力するモデルに学習させる学習工程と
を含み、
前記抽出工程は、
前記広告画像の各色の配置に関する情報を抽出し、
前記学習工程は、
前記各色の配置と、前記クリック確率との間の関係性を前記モデルに学習させる
ことを特徴とする情報処理方法。

【請求項13】

広告画像から色に関連する色関連情報を抽出する抽出手順と、
前記広告画像の配信結果から算出される前記広告画像のクリック確率と、前記抽出手順によって抽出された前記色関連情報との間の関係性を学習したモデルであって、入力された前記色関連情報から推定される前記クリック確率を出力するモデルに学習させる学習手順と
をコンピュータに実行させ、
前記抽出手順は、
前記広告画像の各色の配置に関する情報を抽出し、
前記学習手順は、
前記各色の配置と、前記クリック確率との間の関係性を前記モデルに学習させる
ことを特徴とする情報処理プログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、情報処理装置、情報処理方法および情報処理プログラムに関する。

【背景技術】

【0002】

近年、配信広告の作成を支援する技術がある。かかる技術として、実際に配信した広告と、広告効果との関係性をモデルに学習させる技術がある（例えば、特許文献１参照）。たとえば、かかるモデルを用いることで、配信前の広告の広告効果を事前に予測することができる。

【先行技術文献】

【特許文献】

【0003】

【文献】特開２０２１－１４９２５８号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

しかしながら、従来技術では、広告作成を支援するうえで改善の余地があった。たとえば、従来技術では、広告の色に関連する色関連情報が広告効果に与える影響については考慮されていなかった。

【0005】

本発明は、上記に鑑みてなされたものであって、広告作成を適切に支援することができる情報処理装置、情報処理方法および情報処理プログラム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】

【0006】

上述した課題を解決し、目的を達成するために、本発明に係る情報処理装置は、広告画像から色に関連する色関連情報を抽出する抽出部と、前記広告画像の配信結果に基づいて、前記抽出部によって抽出された前記色関連情報と、前記広告画像の広告効果との間の関係性をモデルに学習させる学習部とを備える。

【発明の効果】

【0007】

本発明によれば、広告作成を適切に支援することができる。

【図面の簡単な説明】

【0008】

【図1】図１は、実施形態に係る情報処理の一例を示す図である。

【図2】図２は、実施形態に係る情報処理の一例を示す図である。

【図3】図３は、実施形態に係る情報処理装置の構成例を示すブロック図である。

【図4】図４は、実施形態に係る広告情報記憶部の一例を示す図である。

【図5】図５は、実施形態に係る広告情報記憶部の一例を示す図である。

【図6】図６は、実施形態に係る推定モデルの概念図である。

【図7】図７は、広告画像に含まれる各色の構成比率の説明図である。

【図8】図８は、実施形態に係る広告画像の一例を示す図である。

【図9】図９は、実施形態に係る改善内容の一例を示す図である。

【図10】図１０は、実施形態に係る学習処理の一例を示すフローチャートである。

【図11】図１１は、実施形態に係る提案処理の一例を示すフローチャートである。

【図12】図１２は、実施形態に係る情報処理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。

【発明を実施するための形態】

【0009】

以下に、本願に係る情報処理装置、情報処理方法および情報処理プログラムを実施するための形態（以下、「実施形態」と記載する。）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、情報処理方法および情報処理プログラムが限定されるものではない。

【0010】

［実施形態］
〔１．情報処理〕
まず、図１および図２を用いて、実施形態に係る情報処理の一例について説明する。図１および図２は、実施形態に係る情報処理の一例を示す図である。なお、実施形態に係る情報処理は、図１に示す情報処理装置１によって実現される。

【0011】

図１に示す情報処理装置１は、たとえば、広告主等のクライアントによる広告作成を支援する装置であり、たとえば、クラウドやサーバ装置によって実現される。図１に示すように、情報処理装置１は、クライアント端末１００から広告画像の候補となる広告候補を受け付ける（ステップＳ１）。なお、広告候補は、配信前の広告画像であるが、既に配信中の広告画像であってもよい。

【0012】

つづいて、情報処理装置１は、広告候補の改善内容に関する各種処理を実行し（ステップＳ２）、クライアント端末１００に対して改善内容を提案する（ステップＳ３）。本実施形態において、情報処理装置１は、広告効果の向上させる観点で、広告候補の改善内容の提案を行う。

【0013】

本実施形態では、広告効果として、クリック率（以下ＣＴＲ；Click Through Rate）を用いるが、広告効果はＣＶＲ（Conversion Rate）等のコンバージョンに関する指標であってもよいし、レベニューシェア等の報酬に関する指標でであってもよい。

【0014】

次に、図２を用いて、図１に示す改善内容に関する各種処理の具体例について説明する。図２に示すように、情報処理装置１は、クライアントから受け取った広告画像を基に変換画像を生成する（ステップＳ１１）。変換画像は、たとえば、広告画像の色を他の色へ変換した画像である。

【0015】

たとえば、情報処理装置１は、広告画像からＯＣＲ（Optical Character Recognition）等の手法を用いて、テキスト領域を抽出し、抽出したテキスト領域の色を他の色へ変換することで変換画像を生成する。なお、この際、情報処理装置１は、テキスト領域の色に加え、テキストのフォントサイズや配置、文字列を適宜変更した変換画像についてもあわせて生成する。

【0016】

つづいて、情報処理装置１は、生成した変換画像のＣＴＲを推定する（ステップＳ１２）。後述するように、ＣＴＲの推定に先立って、情報処理装置１は、広告画像の色関連情報と、広告画像のＣＴＲとの間の関係性をモデル（以下、推定モデル）に学習させる。

【0017】

そして、情報処理装置１は、変換画像の色関連情報を入力とし、推定モデルから出力される値を変換画像のＣＴＲとして推定する。情報処理装置１は、これらの処理の結果に基づいて、広告候補の改善内容を決定する（ステップＳ１３）。

【0018】

図２には、広告候補を元画像として変換画像＃１～＃３を生成し、これらの変換画像の予測ＣＴＲの推定結果を示している。変換画像＃３の予測ＣＴＲは「ｄ」であり、元画像の予測ＣＴＲ「ａ」よりも大きい値であり、変換画像＃１および変換画像＃２の予測ＣＴＲは、元画像の予測ＣＴＲ「ａ」よりも小さい値である。

【0019】

すなわち、図２では、広告候補よりも変換画像＃３の方が高いＣＴＲが見込まれることを示している。そのため、情報処理装置１は、改善内容として変換画像＃３の変更内容である「変更＃３」を提案する。

【0020】

このように、実施形態に係る情報処理装置１は、広告候補から変換画像を生成し、広告候補のＣＴＲと、生成した変換画像のＣＴＲとの比較結果に基づいて、広告候補の改善内容を提案する。したがって、実施形態に係る情報処理装置１によれば、広告効果を向上させるための改善内容を提案することができる。

【0021】

また、実施形態に係る情報処理装置１は、広告画像の色関連情報に着目し、色関連情報と広告効果との間の関係性をモデルに学習させる。したがって、実施形態に係る情報処理装置１によれば、広告画像の広告指標を精度よく推定することができる。

【0022】

したがって、実施形態に係る情報処理装置１によれば、広告作成を適切に支援することができる。

【0023】

〔２．情報処理装置〕
次に、図３を用いて、実施形態に係る情報処理装置１の構成例について説明する。図３は、実施形態に係る情報処理装置１の構成例を示すブロック図である。図３に示すように、情報処理装置１は、通信部２と、記憶部３と、制御部４とを備える。なお、情報処理装置１は、情報処理装置１を利用する管理者など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など）や、各種情報を表示するための表示部（例えば、液晶ディスプレイなど）を有してもよい。

【0024】

通信部２は、例えば、ＮＩＣ（Network Interface Card）などによって実現される。通信部２は、４Ｇ（4th Generation）または５Ｇ（5th Generation）などの通信ネットワークと有線または無線で接続され、通信ネットワークを介して、クライアント端末１００などの各々との間で情報の送受信を行う。

【0025】

記憶部３は、例えば、ＲＡＭ（Random Access Memory）、フラッシュメモリ（Flash Memory）などの半導体メモリ素子、または、ハードディスク、光ディスクなどの記憶装置によって実現される。記憶部３は、配信履歴記憶部３１と、広告情報記憶部３２と、推定モデル記憶部３３と、生成モデル記憶部３４とを有する。

【0026】

配信履歴記憶部３１は、配信履歴を記憶する。図４は、実施形態に係る配信履歴記憶部３１の一例を示す図である。図４に示すように、配信履歴記憶部３１は、「日時」、「広告ＩＤ」、「利用者情報」、「配信媒体」、「Ｃｌｉｃｋ」などといった項目の情報を互いに対応付けて記憶する。

【0027】

「日時」項目には、広告を配信した日時に関する情報が格納される。「広告ＩＤ」項目には、配信した広告を識別するための識別子に関する情報が格納される。「利用者情報」項目には、広告が配信された利用者に関する情報が格納される。

【0028】

「配信媒体」項目には、広告が配信された媒体に関する情報が格納される。「Ｃｌｉｃｋ」項目には、対応する広告のクリックの有無に関する情報が格納される。たとえば、「Ｃｌｉｃｋ」項目には、広告がクリックされた場合に「１」、広告がクリックされなかった場合に「０」が格納されることになる。

【0029】

図３の説明に戻り、広告情報記憶部３２について説明する。広告情報記憶部３２は、広告情報を記憶する。広告情報は、過去に配信した広告に関する情報であり、推定モデルの学習データとなる。

【0030】

図５は、実施形態に係る広告情報記憶部３２の一例を示す図である。図５に示すように、広告情報記憶部３２は、「広告ＩＤ」、「広告主情報」、「広告対象」、「画像」、「テキスト」、「色関連情報」、「ＣＴＲ」などといった項目の情報を互いに対応付けて記憶する。

【0031】

「広告ＩＤ」項目には、広告を識別するための識別子に関する情報が格納される。「広告主情報」項目には、対応する広告ＩＤによって識別される広告の広告主に関する情報が格納される。広告主情報は、広告主の企業名、業種、コーポレートカラー等に関する情報を含む。

【0032】

「広告対象」項目には、対応する広告ＩＤによって識別される広告対象に関する情報が格納される。広告対象は、広告によって宣伝する商品やサービスに関する情報、広告の目的に関する情報を含む。なお、広告の目的は、たとえば、リターゲティングの有無であるが、認知度の拡大等を含む。

【0033】

「画像」項目は、対応する広告ＩＤによって識別される広告の広告画像が格納される。「テキスト」項目は、対応する広告ＩＤによって識別される広告の広告画像に含まれるテキストが格納される。

【0034】

「色関連情報」項目は、対応する広告ＩＤによって識別される広告の広告画像から抽出される色に関連する色関連情報が格納される。なお、色関連情報の具体例については後述する。「ＣＴＲ」項目には、対応する広告ＩＤによって識別される広告のＣＴＲに関する情報が格納される。なお、ここでのＣＴＲは、実績値であり、広告効果の一例である。

【0035】

図３の説明に戻り、推定モデル記憶部３３について説明する。推定モデル記憶部３３は、推定モデルを記憶する。推定モデルは、広告画像と、広告効果との間の関係性を学習したモデルである。たとえば、推定モデルは、広告画像の色関連情報やテキストと、広告効果との間の関係性を学習したモデルである。

【0036】

生成モデル記憶部３４は、生成モデルを記憶する。生成モデルは、広告画像を変換した変換画像を生成するようにプログラムされたモデルである。たとえば、生成モデルは、広告画像の色関連情報や、テキストを変換した変換画像を生成する。

【0037】

次に、制御部４について説明する。制御部４は、コントローラ（controller）であり、例えば、ＣＰＵ（Central Processing Unit）やＭＰＵ（Micro Processing Unit）などによって、情報処理装置１内部の記憶装置に記憶されている各種プログラム（情報処理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４は、例えば、コントローラであり、ＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（Field Programmable Gate Array）などの集積回路により実現される。

【0038】

図３に示すように、制御部４は、取得部４１と、抽出部４２と、学習部４３と、生成部４４と、推定部４５と、提案部４６とを備え、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４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４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。

【0039】

取得部４１は、通信部２を介して、クライアント端末１００から広告画像を含む提案要求を取得する。また、取得部４１は、通信部２を介して、広告を配信する配信サーバ（不図示）から各広告の配信履歴に関する情報を取得する。

【0040】

抽出部４２は、既存の広告画像およびクライアント端末１００から提案要求が行われた広告候補から色関連情報を抽出する。色関連情報は、広告画像に含まれる各色の構成比率、各色の配置（場所）、色相、明度、彩度、露出、コントラスト、ハイライト、シャドウ、テキストと背景との差分（コントラスト比）等に関する情報を含む。

【0041】

また、抽出部４２は、既存の広告画像から抽出した色関連情報を広告情報記憶部３２へ格納し、クライアント端末１００から提案要求が行われた広告候補から抽出した色関連情報を学習部４３へ渡す。

【0042】

また、抽出部４２は、ＯＣＲ等を用いて、広告画像あるいは広告候補からテキストを抽出する。また、抽出部４２は、たとえば、物体検知に関する技術を用いて、広告画像あるいは広告候補の広告素材に映る被写体を検出する。

【0043】

学習部４３は、広告画像と、広告効果との関係性を推定モデルに学習させる。たとえば、学習部４３は、広告画像の色関連情報と、広告効果との関係性を推定モデルに学習させる。

【0044】

図６は、実施形態に係る推定モデルの概念図である。図６に示すように、推定部４５は、広告画像と、配信履歴から推定モデルの学習を行う。具体的には、推定部４５は、広告画像の色関連情報と、当該広告画像の配信履歴から算出されたＣＴＲとを推定モデルに学習させる。

【0045】

色関連情報は、広告画像に含まれる各色の構成比率、各色の配置（場所）、色相、明度、彩度、露出、コントラスト、ハイライト、シャドウ、テキストと背景との差分（コントラスト比）等に関する情報を含む。

【0046】

ここで、広告画像に含まれる各色の構成比率について図７を用いて説明する。図７は、広告画像に含まれる各色の構成比率の説明図である。たとえば、上述の抽出部４２は、広告画像を減色した減色画像から各色の構成比率を色関連情報として抽出する。

【0047】

図７に示す例では、「白」、「黒」、「黄」、「橙」、「赤」、「青」、「緑」の計７色に減色した場合を示し、それぞれの色のピクセル数を各色の構成比率として示している。なお、構成比率については上記７色に限定されるものではなく、より多い色について構成比率を算出するようにしてもよく、より少ない色について構成比率を算出するようにしてもよい。

【0048】

学習部４３は、これらの各色の構成比率を一つの学習パラメータとして推定モデルに学習させる。また、上述の通り、学習部４３は、各色の配置（場所）、色相、明度、彩度、露出、コントラスト、ハイライト、シャドウ、テキストと背景との差分（コントラスト比）等をそれぞれ学習パラメータとして推定モデルに学習させる。

【0049】

また、学習部４３は、色関連情報と、広告効果との関係性を季節ごとに推定モデルに学習させるようにしてもよい。この場合、学習部４３は、季節ごとの広告効果を推定モデルに学習させることになる。

【0050】

また、学習部４３は、業種毎に推定モデルを学習させるようにしてもよい。この場合、業種別に推定モデルの最適化を図ることができる。また、学習部４３は、色関連情報の他、広告のターゲットユーザ、広告素材に関する情報、広告目的を学習パラメータとして推定モデルに学習させるようにしてもよい。なお、広告素材に関する情報は、広告素材に使われている物、人、キャラクター等を含む。図８にて後述する広告画像において、広告素材はマンションとなる。

【0051】

図４の説明に戻り、生成部４４について説明する。生成部４４は、生成モデル記憶部３４に格納された生成モデルを用い、広告候補の色関連情報を変換した変換画像を生成する。たとえば、生成部４４は、抽出部４２によって抽出された広告候補の色関連情報を他の色関連情報へそれぞれ変換した複数の変換画像を生成する。

【0052】

たとえば、生成部４４は、広告画像に含まれるテキストの色関連情報を変換した変換画像を生成し、テキストの色や配置、フォントサイズ等を変換した変換画像を生成する。たとえば、生成部４４は、テキストの配色等がそれぞれ少しずつ異なる複数の変換画像を生成する。この際、たとえば、生成部４４は、フォントの配置が異なる複数の変換画像についてもあわせて生成する。

【0053】

また、生成部４４は、あらかじめ作成された複数の配色パターンにあわせて、テキストの色関連情報を変換した変換画像するようにしてもよい。たとえば、配色パターンは、予め作成されたカラーパレットであり、生成部４４は、カラーパレットを参照し、カラーパレット内の配色パターンでテキストの色関連情報を変換した変換画像する。

【0054】

また、生成部４４は、色関連情報に加え、広告画像のテキストの文字数を変換した変換画像を生成する。たとえば、生成部４４は、テキストの文字数が異なる複数の広告画像を生成する。

【0055】

推定部４５は、広告候補と、変換画像それぞれについて広告効果を推定し、推定した広告効果に関する情報を提案部４６へ渡す。推定部４５は、学習部４３によって学習が行われた推定モデルに対して広告画像の推定対象となる広告画像を入力し、出力される値を広告効果として推定する。たとえば、推定部４５は、推定対象となる広告画像の色関連情報を推定モデルに入力し、出力される値を広告効果として推定する。

【0056】

また、この際、推定部４５は、たとえば、色関連情報に加え、広告のターゲットユーザ、広告素材に関する情報、広告目的をあわせて推定モデルに入力し、広告効果を推定するようにしてもよい。

【0057】

また、推定部４５は、変換画像のテキスト情報を、さらに、推定モデルに入力し、広告効果を推定するようにしてもよい。この場合、推定部４５は、テキストの文字数ごとの広告効果を推定する。

【0058】

提案部４６は、広告画像よりも広告効果が高いと推定された変換画像に基づいて、広告画像の改善内容をクライアントへ提案する。提案部４６は、変換画像のうち、元の広告画像よりも広告効果が高い変換画像の変更内容を改善内容としてクライアントへ提案する。

【0059】

改善内容は、テキストの候補色、テキストの文字数、テキストの候補配置、テキストの候補フォントサイズなどといった各項目を含む。たとえば、提案部４６は、テキストの候補色を提案する場合、複数の候補色を提案する。

【0060】

ここで、図８および図９を用いて、広告画像および改善内容の具体例について説明する。図８は、実施形態に係る広告画像の一例を示す図である。図９は、実施形態に係る改善内容の一例を示す図である。

【0061】

図８に示す例において、広告画像Ａは、新築マンションに関する広告であり、販売対象となるマンションの外観図と、複数のテキスト領域ｔａ１～ｔａ４が含まれる。図８に示すように、テキスト領域ｔａ１には、駅からの距離、テキスト領域ｔａ２には、間取り、テキスト領域ｔａ３には、毎月の支払額、テキスト領域ｔａ４には、利用者に行動を喚起させるための文言がそれぞれ掲載される。なお、図８においてテキスト領域ｔａ４は、ＣＴＡ（Call To Action）である。

【0062】

たとえば、上述した生成部４４は、テキスト領域ｔａ１～ｔａ４に含まれる各テキストの色を変換した変換画像を生成し、推定部４５は、各変換画像について広告効果が推定する。

【0063】

その結果、提案部４６は、図９に示すような改善内容の提案を行う。図９では、メインテキスト、強調したいテキスト数字、ＣＴＡ内色面などといった項目毎に、広告効果の向上が期待できる色相（Ｈｕｅ）が提案される。

【0064】

また、図９に示すように、提案部４６は、各項目の色相（Ｈｕｅ）で提案する色をベースとして、さらに彩度（Saturation）や、明度（Brightness）がそれぞれ異なる複数の色を各項目について提案する。

【0065】

すなわち、提案部４６は、複数の色候補を提案することにより、クライアントに対して複数の選択肢を提案することができる。この際、たとえば、提案部４６は、カラーパレット単位で候補色の提案を行うようにしてもよいし、あるいは、候補色の系統を提案するようにしてもよい。候補色の系統は、たとえば、暖色系、寒色系、中性色系等で表現される。

【0066】

また、提案部４６は、広告主である企業のコーポレートカラーにあわせた候補色を提案するようにしてもよい。換言すれば、提案部４６は、コーポレートカラーと類似する系統の候補色を提案する。これにより、クライアントは、コーポレートカラーにあわせて改善を行うことができる。

【0067】

また、たとえば、提案部４６は、色網を考慮して候補色を提案するようにしてもよい。たとえば、日本では、赤系統と緑系統の区別が難しい赤緑色覚以上である人の割合が、諸外国に比べて多いとされている。そのため、提案部４６は、色網の方が区別しやすいとされる色を候補色を提案することによって、色網の方にとって改善内容を提案することができる。

【0068】

また、提案部４６は、テキストの候補配置、テキストの文字数、候補フォントサイズを改善内容として提案する。たとえば、提案部４６は、テキストの文字数を改善内容として提案する場合、たとえば、ＣＴＲが最も高くなる文字数を提案するようにしてもよく、ＣＴＲが高くなる文字数と現在の文字数との対比結果を提案するようにしてもよい。

【0069】

候補色の提案に加え、これらのテキストの候補配置、テキストの文字数、候補フォントサイズの提案を行うことにより、クライアントでは、より広告効果の高い広告の作成が可能となる。

【0070】

〔３．処理フロー〕
次に、図１０および図１１を用いて、実施形態に係る情報処理装置１の処理手順について説明する。図１０は、実施形態に係る学習処理の一例を示すフローチャートである。図１１は、実施形態に係る提案処理の一例を示すフローチャートである。

【0071】

図１０に示すように、情報処理装置１は、広告情報記憶部３２に格納された広告画像から色関連情報を抽出し（ステップＳ１０１）、対応する広告画像のＣＴＲ実績を抽出する（ステップＳ１０２）。

【0072】

つづいて、情報処理装置１は、色関連情報およびＣＴＲ実績をモデルに学習させる（ステップＳ１０３）。つづいて、情報処理装置１は、すべての広告画像について学習を終了したか否かを判定し（ステップＳ１０４）、すべての広告画像について終了したと判定した場合（ステップＳ１０４：Ｙｅｓ）、処理を終了する。

【0073】

また、情報処理装置１は、すべてのすべての広告画像について学習を終了していないと判定した場合（ステップＳ１０４：Ｎｏ）、ステップＳ１０１の処理へ移行する。

【0074】

次に、図１１を用いて、実施形態に係る提案処理について説明する。図１１に示すように、情報処理装置１は、広告候補から変換画像を生成する（ステップＳ１１１）。つづいて、情報処理装置１は、変換画像のＣＴＲを推定する（ステップＳ１１２）。

【0075】

つづいて、情報処理装置１は、変換画像のＣＴＲが広告候補のＣＴＲより高いか否かを判定する（ステップＳ１１３）。情報処理装置１は、変換画像のＣＴＲが広告候補のＣＴＲより高いと判定した場合（ステップＳ１１３；Ｙｅｓ）、当該変換画像を提案候補に追加する（ステップＳ１１４）。

【0076】

情報処理装置１は、提案候補に追加した広告候補数が閾値を超えたか否かを判定し（ステップＳ１１５）、広告候補数が閾値を超えたと判定した場合（ステップＳ１１５：Ｙｅｓ）、提案候補に基づいて、改善内容を生成する（ステップＳ１１６）。

【0077】

そして、情報処理装置１は、改善内容を提案し（ステップＳ１１７）、処理を終了する。また、情報処理装置１は、ステップＳ１１３の判定において、変換画像のＣＴＲが広告候補のＣＴＲより低いと判定した場合（ステップＳ１１３；Ｎｏ）、あるいは、ステップＳ１１５の判定において、広告候補数が閾値以下と判定した場合（ステップＳ１１５：Ｎｏ）、ステップＳ１１１の処理へ移行する。

【0078】

〔４．変形例〕
上述した実施形態では、広告画像について広告効果を推定する場合について説明したが、これに限定されるものではない。たとえば、動画サイトに投稿される動画のサムネイル画像を対象として、視聴回数を推定するようにしてもよく、また、商品のパッケージを対象として、売上等を推定するようにしてもよい。

【0079】

〔５．効果〕
実施形態に係る情報処理装置１は、広告画像から色に関連する色関連情報を抽出する抽出部４２と、広告画像の配信結果に基づいて、抽出部４２によって抽出された色関連情報と、広告画像の広告効果との間の関係性をモデルに学習させる学習部４３とを備える。

【0080】

また、実施形態に係る情報処理装置１は、広告画像の候補となる広告候補から抽出された色関連情報をモデルに入力し、広告候補の広告効果を推定する推定部４５を備える。また、抽出部４２は、色関連情報として広告画像の各色の構成比率に関する情報を抽出し、学習部４３は、色の構成比率と、広告効果との間の関係性をモデルに学習させる。

【0081】

また、抽出部４２は、色関連情報として、広告画像の各色の配置に関する情報を抽出し、学習部４３は、各色の配置と、広告効果との間の関係性をモデルに学習させる。また、抽出部４２は、色関連情報として、広告画像のテキストの色相、明度、彩度を抽出し、学習部４３は、テキストの色相、明度、彩度と、広告効果との間の関係性をモデルに学習させる。

【0082】

また、学習部４３は、広告画像のテキスト領域の色関連情報と、テキスト領域の背景領域の色関連情報との対比結果をモデルに学習させる。また、学習部４３は、広告画像の広告対象に関する情報をさらにモデルに学習させる。

【0083】

また、学習部４３は、広告画像の広告主の業種に関する情報をさらにモデルに学習させる。また、学習部４３は、色関連情報と、広告効果との間の関係性を季節ごとにモデルに学習させる。

【0084】

また、学習部４３は、広告画像の広告素材に関する情報をさらにモデルに学習させる。また、情報処理装置１は、広告候補の前記色関連情報を変換した変換画像を生成する生成部４４と、生成部４４によって生成された変換画像の広告効果をモデルを用いて推定する推定部４５と、広告画像よりも広告効果が高いと推定された変換画像に基づいて、広告候補の改善内容を提案する提案部４６とを備える。

【0085】

上述した各処理のいずれかもしくは組合せにより、本願に係る情報処理装置は、広告作成を適切に支援することができる。

【0086】

〔６．ハードウェア構成〕
また、上述してきた実施形態に係る情報処理装置１は、例えば図１２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。図１２は、実施形態に係る情報処理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。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。

【0087】

ＣＰＵ１１００は、ＲＯＭ１３００またはＨＤＤ１４００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。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格納する。

【0088】

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格納する。通信インターフェイス１５００は、ネットワーク（通信ネットワーク）Ｎ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ネットワークＮを介して他の機器へ送信する。

【0089】

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（図１２では、出力装置および入力装置を総称して「入出力装置」と記載する）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、生成したデータを入出力インターフェイス１６００を介して出力装置へ出力する。

【0090】

メディアインターフェイス１７００は、記録媒体１８００に格納されたプログラムまた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。

【0091】

例えば、コンピュータ１０００が実施形態に係る情報処理装置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４の機能を実現する。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、他の装置からネットワークＮを介してこれらのプログラムを取得してもよい。

【0092】

〔７．その他〕
以上、本願の実施形態を説明したが、これら実施形態の内容により本発明が限定されるものではない。また、前述した構成要素には、当業者が容易に想定できるもの、実質的に同一のもの、いわゆる均等の範囲のものが含まれる。さらに、前述した構成要素は適宜組み合わせることが可能である。さらに、前述した実施形態の要旨を逸脱しない範囲で構成要素の種々の省略、置換又は変更を行うことができる。

【0093】

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又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又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。

【0094】

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、その全部又は一部を、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又は物理的に分散・統合して構成することができる。

【0095】

例えば、上述した情報処理装置は、複数のサーバコンピュータで実現してもよく、また、機能によっては外部のプラットフォーム等をＡＰＩ（Application Programming Interface）やネットワークコンピューティング等で呼び出して実現するなど、構成は柔軟に変更できる。

【0096】

また、上述してきた実施形態及び変形例は、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。

【0097】

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。

【符号の説明】

【0098】

１ 情報処理装置
２ 通信部
３ 記憶部
４ 制御部
３１ 配信履歴記憶部
３２ 広告情報記憶部
３３ 推定モデル記憶部
３４ 生成モデル記憶部
４１ 取得部
４２ 抽出部
４３ 学習部
４４ 生成部
４５ 推定部
４６ 提案部

【要約】      （修正有）

【課題】広告の色に関連する情報が広告効果に与える影響を考慮して、広告作成を適切に支援する情報処理装置、情報処理方法および情報処理プログラムを提供する。
【解決手段】情報処理装置１は、広告画像から色に関連する色関連情報を抽出する抽出部４２と、広告画像の配信結果に基づいて、抽出部によって抽出された色関連情報と、広告画像の広告効果との間の関係性を推定モデルに学習させる学習部４３と、クライアント端末から広告画像を含む提案要求を取得する取得部４１と、広告画像の色関連情報を推定モデルに入力し、出力される値を広告効果として推定する推定部４５を備える。
【選択図】図３

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】