特許 7561159 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(B2)

(11)【特許番号】

(24)【登録日】2024-09-25

(45)【発行日】2024-10-03

(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 20230101AFI20240926BHJP

【ＦＩ】

G06Q30/0242

【請求項の数】 5

(21)【出願番号】P 2022081772

(22)【出願日】2022-05-18

(65)【公開番号】P2023170206

(43)【公開日】2023-12-01

【審査請求日】2023-06-16

(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】ホワン ジェウック

(72)【発明者】

【氏名】實原 弘亮

(72)【発明者】

【氏名】石井 春江

(72)【発明者】

【氏名】安部 斉志

(72)【発明者】

【氏名】小栗 直己

(72)【発明者】

【氏名】赤池 誠吾

【審査官】樋口 龍弥

(56)【参考文献】

【文献】特開２０２１－０８９４８５（ＪＰ，Ａ）

【文献】特開２０２１－１８９９８３（ＪＰ，Ａ）

【文献】特開２０１７－１６７７３６（ＪＰ，Ａ）

【文献】米国特許出願公開第２０２１／０１９２５６８（ＵＳ，Ａ１）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ０６Ｑ １０／００ － ９９／００

(57)【特許請求の範囲】

【請求項1】

配信広告に対する利用者のコンバージョン履歴に基づいて、前記利用者が複数回のコンバージョンに至る前記配信広告の特徴に関するコンバージョン推定モデルを学習する学習部と、
前記学習部によって学習された前記コンバージョン推定モデルを用いて、前記配信広告に対するコンバージョンが複数回のコンバージョンであるか否かを推定する推定部と
を備え、
前記学習部は、
コンバージョン数毎に前記配信広告の特徴を学習した前記コンバージョン推定モデルを学習し、
前記推定部は、
前記コンバージョン推定モデルを用いて、前記配信広告に対するコンバージョン数を推定すること
を特徴とする情報処理装置。

【請求項2】

前記推定部によって推定された前記コンバージョン数に応じて、前記配信広告のコンバージョン数を補正する補正部
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】

前記学習部は、
複数のコンバージョンに至った前記利用者と、前記配信広告の特徴との関係性を学習した前記コンバージョン推定モデルを学習し、
前記推定部は、
前記利用者に関する情報に基づいて、複数のコンバージョンであるか否かを推定すること
を特徴とする請求項１に記載の情報処理装置。

【請求項4】

コンピュータが実行する情報処理方法であって、
配信広告に対する利用者のコンバージョン履歴に基づいて、前記利用者が複数回のコンバージョンに至る前記配信広告の特徴に関するコンバージョン推定モデルを学習する学習工程と、
前記学習工程によって学習された前記コンバージョン推定モデルを用いて、前記配信広告に対するコンバージョンが複数回のコンバージョンであるか否かを推定する推定工程と
を含み、
前記学習工程は、
コンバージョン数毎に前記配信広告の特徴を学習した前記コンバージョン推定モデルを学習し、
前記推定工程は、
前記コンバージョン推定モデルを用いて、前記配信広告に対するコンバージョン数を推定すること
を特徴とする情報処理方法。

【請求項5】

配信広告に対する利用者のコンバージョン履歴に基づいて、前記利用者が複数回のコンバージョンに至る前記配信広告の特徴に関するコンバージョン推定モデルを学習する学習手順と、
前記学習手順によって学習された前記コンバージョン推定モデルを用いて、前記配信広告に対するコンバージョンが複数回のコンバージョンであるか否かを推定する推定手順と
をコンピュータに実行させ、
前記学習手順は、
コンバージョン数毎に前記配信広告の特徴を学習した前記コンバージョン推定モデルを学習し、
前記推定手順は、
前記コンバージョン推定モデルを用いて、前記配信広告に対するコンバージョン数を推定すること
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】

従来、従来、インターネットを介した広告配信においては様々な指標が用いられている。例えば、ＣＶＲ（Conversion Rate；「コンバージョン率」ともいう）等の様々な指標を用いて広告配信の効果を測定する技術が知られている（例えば、特許文献１参照）。

【先行技術文献】

【特許文献】

【0003】

【文献】特開２０１８－１１６３４５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、近年では、ユーザーのプライバシーを尊重し匿名化するためＣＶ計測を行うために必要なデータに制限が設けられてきている。このような規制において、従来技術では、コンバージョン数を適切に計測することが困難であり、コンバージョンを適切に推定する技術が望まれている。

【0005】

本発明は、上記に鑑みてなされたものであって、配信広告のコンバージョンを適切に推定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、配信広告に対する利用者のコンバージョン履歴に基づいて、前記利用者が複数回のコンバージョンに至る前記配信広告の特徴に関するコンバージョン推定モデルを学習する学習部と、前記学習部によって学習された前記配信広告の特徴に基づいて、前記配信広告に対するコンバージョンが複数回のコンバージョンであるか否かを推定する推定部とを備える。

【発明の効果】

【0007】

本発明によれば、配信広告のコンバージョンを適切に推定することができる。

【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システム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一例を示すブロック図である。

【図4】図４は、実施形態に係る学習用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ＣＶ推定モデル記憶部の一例を示す図である。

【図6】図６は、実施形態に係る学習処理の一例を示すフローチャートである。

【図7】図７は、実施形態に係るコンバージョン計測処理の一例を示すフローチャートである。

【図8】図８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］
〔１．１．情報処理システム〕
まず、図１および図２を用いて、実施形態に係る情報処理システムおよび情報処理の概要について説明する。図１は、実施形態に係る情報処理システムの一例を示す図である。図２は、実施形態に係る情報処理の一例を示す図である。

【0011】

図１に示すように、実施形態に係る情報処理システム１は、ネットワークＮによって接続された利用者端末５０と、情報処理装置１００と、広告主サーバ２００とを有する。なお、図１では、情報処理システム１に含まれる利用者端末５０、情報処理装置１００および広告主サーバ２００がそれぞれで１台である場合について示しているが、利用者端末５０、情報処理装置１００および広告主サーバ２００がそれぞれ複数台含まれるようにしてもよい。

【0012】

図１に示す情報処理装置１００は、各種Ｗｅｂサービスに関するコンテンツを利用者端末５０へ提供する情報処理装置である。たとえば、情報処理装置１００は、広告主から入稿された配信広告をＷｅｂサービスに関するコンテンツとともに利用者端末５０へ配信する。

【0013】

また、情報処理装置１００は、利用者端末５０へ提供した配信広告のコンバージョン（以下、ＣＶとも記載する）を計測する。そして、情報処理装置１００は、計測したＣＶに応じて、各配信広告のＣＶＲ（Conversion Rate）を最適化する。

【0014】

利用者端末５０は、利用者が所有する端末である。たとえば、利用者端末５０は、情報処理装置１００から配信されるコンテンツを配信広告とともに表示する。利用者端末５０は、たとえば、スマートフォン、タブレット端末、パソコン、ウェアラブル端末など、各種のクライアント端末である。

【0015】

また、利用者端末５０は、コンテンツとともに表示した配信広告が利用者によってクリックされた場合に、コンテンツから広告主が運営する広告主サイトへ移動する。そして、利用者端末５０は、広告主サイトにおいて所定のＣＶが行われた場合に、ＣＶ情報を情報処理装置１００へと送信する。これにより、情報処理装置１００では配信広告のＣＶを計測することができる。

【0016】

広告主サーバ２００は、広告主の広告主サイトを運営するサーバ装置である。たとえば、広告主サーバ２００は、利用者端末５０によるアクセスに応じて広告主サイトを利用者端末５０へ提供する。

【0017】

〔１．２．情報処理の一例〕
ところで、近年では、プラットフォーマーによるいわゆるＩＴＰ（Intelligent Tracking Prevention）の搭載によって３ｒｄ Ｐａｒｔｙ Ｃｏｏｋｉｅの利用が制限されてきている。そのため、このような制約下において、情報処理装置１００は、利用者端末５０から取得可能なＣＶ情報に欠損が生じる場合がある。

【0018】

より具体的には、たとえば、実際は広告主サイトにおいて複数回のコンバージョンが行われた場合であっても、情報処理装置１００は、１回分のコンバージョンに関する情報しか取得できず、ＣＶ計測の精度が低下する。

【0019】

そこで、実施形態に係る情報処理装置１００は、ＣＶ情報から複数回のコンバージョンが発生したか否かを推定することとした。具体的には、図１に示すように、図１に示すように、情報処理装置１００は、ＣＶ情報から複数ＣＶか否かを推定する。たとえば、図２に示すように、実施形態に係る情報処理装置１００は、ＣＶ推定モデルを用いて、ＣＶ情報からＣＶ数を推定する。

【0020】

ここで、ＣＶ推定モデルは、複数回のコンバージョンが発生した配信広告の特徴を学習したモデルである。情報処理装置１００は、たとえば、ＣＶ情報をＣＶ推定モデルに入力し、当該ＣＶ情報のＣＶ数を推定する。

【0021】

そして、情報処理装置１００は、推定したＣＶ数に応じて、配信広告の配信およびＣＶ計測を行う。なお、ＣＶ推定モデルの学習方法については後述する。

【0022】

このように、情報処理装置１００では、ＣＶ推定モデルを用いることで、コンバージョンを適切に推定することができる。

【0023】

〔２．情報処理装置の構成例〕
次に、図３を用いて、情報処理装置１００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１００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１００は、通信部１１０と、制御部１２０と、記憶部１３０とを有する。

【0024】

通信部１１０は、例えば、ＮＩＣ（Network Interface Card）等によって実現される。そして、通信部１１０は、４Ｇ（Generation）、５Ｇ、ＬＴＥ（Long Term Evolution）、ＷｉＦｉ（登録商標）若しくは無線ＬＡＮ（Local Area Network）等といった各種の無線通信網若しくは各種の有線通信網といったネットワークＮを介して、外部装置との間で情報の送受信を行う。

【0025】

記憶部１３０は、例えば、ＲＡＭ、フラッシュメモリ等の半導体メモリ素子、または、ハードディスク、光ディスク等の記憶装置によって実現される。また、記憶部１３０は、学習用情報記憶部１３１、ＣＶ推定モデル記憶部１３２、配信広告情報記憶部１３３、配信計画情報記憶部１３４およびコンバージョン情報記憶部１３５を有する。

【0026】

学習用情報記憶部１３１は、学習用情報を記憶する。学習用情報は、ＣＶ推定モデルを学習するためのモデルである。図４は、実施形態に係る学習用情報記憶部１３１の一例を示す図である。

【0027】

図４に示すように、学習用情報記憶部１３１は、広告ＩＤ、利用者ＩＤ、コンテンツＩＤおよびＣＶ数などといった項目の情報を互いに対応付けて記憶する。広告ＩＤは、配信広告を識別するための識別子である。

【0028】

利用者ＩＤは、対応する配信広告が配信された利用者を識別する識別子である。コンテンツＩＤは、配信広告とともに配信されるコンテンツを識別する識別子である。ＣＶ数は、対応する配信広告における対応する利用者のＣＶ数である。

【0029】

図４に示す例では、広告ＩＤ「ＡＤ．０１」で識別される配信広告を利用者ＩＤ「Ｕ０１」で識別される利用者へコンテンツＩＤ「Ｃ０１」で識別されるコンテンツとともに配信したときのＣＶ数が「１回」であることを示す。

【0030】

学習用情報記憶部１３１に記憶する学習用情報は、たとえば、プラットフォーマーによるＩＴＰの搭載がなされていない利用者を対象とした情報、あるいは、ＩＴＰが搭載されるよりも前に取得した情報である。

【0031】

図３の説明に戻り、ＣＶ推定モデル記憶部１３２について説明する。ＣＶ推定モデル記憶部１３２は、ＣＶ推定モデルを記憶する。ＣＶ推定モデルは、ＣＶ情報からＣＶ数を推定するモデルである。

【0032】

図５は、実施形態に係るＣＶ推定モデル記憶部１３２の一例を示す図である。図５に示すように、ＣＶ推定モデル記憶部１３２は、モデルＩＤ、モデル情報およびＣＶ数といった項目の情報を互いに対応付けて記憶する。

【0033】

モデルＩＤは、ＣＶ推定モデルを識別するための識別子である。モデル情報は、ＣＶ推定モデル本体に関する情報である。ＣＶ数は、対応するＣＶ推定モデルが学習した配信広告のＣＶ数である。

【0034】

すなわち、図５の例では、モデルＩＤ「Ｍ０１」によって識別されるＣＶ推定モデルのモデル情報が「Ｄ０１」であり、ＣＶ数「２回」の配信広告の特徴を学習したことを示す。

【0035】

また、図５の例では、図５の例では、モデルＩＤ「Ｍ０２」によって識別されるＣＶ推定モデルのモデル情報が「Ｄ０２」であり、ＣＶ数「３回」の配信広告の特徴を学習したことを示す。

【0036】

なお、ここでは、ＣＶ数毎の配信広告の特徴をそれぞれ異なるモデルで学習していることを示しているが、これに限定されるものではなく、２以上のＣＶ数が観測された配信広告の特徴をまとめて学習したモデルを生成するようにしてもよい。

【0037】

図３の説明に戻り、配信広告情報記憶部１３３について説明する。配信広告情報記憶部１３３は、配信広告情報を記憶する。配信広告情報は、各広告主から入稿された配信広告に関する情報であり、たとえば、配信広告として表示する画像（あるいは映像および音声）、配信条件（配信ターゲット）、配信目標数、目標コンバージョン単価（ｔＣＰＡ）、ランディングページのＵＲＬに関する情報が含まれる。

【0038】

配信計画情報記憶部１３４は、配信計画情報を記憶する。配信計画情報は、たとえば、各配信広告のＣＶＲを最適化して配信するための配信計画に関する情報である。

【0039】

コンバージョン情報記憶部１３５は、コンバージョン情報を記憶する。コンバージョン情報は、配信広告毎のコンバージョンに関する情報である。

【0040】

制御部１２０は、例えば、コントローラ（controller）であり、ＣＰＵ（Central Processing Unit）やＭＰＵ（Micro Processing Unit）等によって、情報処理装置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１２０は、コントローラであり、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。

【0041】

図３に示すように、制御部１２０は、取得部１２１と、学習部１２２と、配信部１２３と、推定部１２４と、補正部１２５と、出力部１２６とを有する。

【0042】

取得部１２１は、利用者端末５０から各種情報を取得する。取得部１２１が取得する情報として、たとえば、配信広告に対するリクエスト、コンバージョン情報などが含まれる。

【0043】

取得部１２１は、配信広告に対するリクエストを取得した場合、当該リクエストに関する情報を配信部１２３へ渡し、コンバージョン情報を取得した場合、コンバージョン情報を推定部１２４へ渡す。

【0044】

学習部１２２は、複数回のコンバージョンに至る配信広告の特徴を学習する。たとえば、学習部１２２は、学習用情報記憶部１３１に記憶された学習用情報を用いた機械学習によって複数回のコンバージョンに至る配信広告の特徴を学習する。

【0045】

具体的には、配信広告に関する情報として、フォーマット、カテゴリ、配信実績（インプレッション数、クリック数等）等に関する情報、配信広告の表示媒体に関する情報（ＵＲＬ，コンテンツの内容）、および、利用者情報（年齢、性別、類似ユーザ、ＩＰアドレス）などといった項目の情報を学習用情報として利用する。

【0046】

たとえば、学習部１２２は、これらの学習用情報を利用して、モデルが出力されるスコアが正解データ（複数回のＣＶ）に近づくように、ポアソン回帰、平均二乗誤差、平均絶対誤差等の評価指標を用いた学習処理を行うことで、ＣＶ推定モデルを生成する。

【0047】

なお、学習部１２２は、複数回のコンバージョンを行った利用者に関する利用者情報と、配信広告との関係を学習したＣＶ推定モデルを学習するようにしてもよい。この場合、どのような利用者がどのような配信広告で複数回のコンバージョンに至るかいとった傾向を学習することになる。これにより、各配信広告に対する利用者のコンバージョン数を適切に推定することができる。

【0048】

また、学習部１２２は、コンバージョン数毎に配信広告の特徴を学習したコンバージョン推定モデルを学習するようにしてもよい。すなわち、この場合、学習部１２２は、コンバージョン数毎にそれぞれの配信広告の特徴を学習したＣＶ推定モデルの学習を行うことになる。

【0049】

なお、ＣＶ推定モデルの生成は、機械学習に関する種々の従来技術を適宜用いて行われてもよい。例えば、モデルの生成は、ＳＶＭ（Support Vector Machine）等の教師あり学習の機械学習に関する技術を用いて行われてもよい。また、例えば、モデルの生成は、教師なし学習の機械学習に関する技術を用いて行われてもよい。例えば、モデルの生成は、深層学習（ディープラーニング）の技術を用いて行われてもよい。例えば、モデルの生成は、ＤＮＮ（Deep Neural Network）やＲＮＮ（Recurrent Neural Network）やＣＮＮ（Convolutional Neural Network）等の種々のディープラーニングの技術を適宜用いて行われてもよい。

【0050】

配信部１２３は、利用者端末５０による配信広告に対するリクエスト（以下、単にリクエストと記載）に対して配信広告を配信する。たとえば、配信部１２３は、リクエストのリクエスト元となる利用者や、配信広告の表示媒体に関する情報等に基づき、配信計画情報記憶部１３４に記憶された配信計画情報に沿って配信する配信広告を選択する。

【0051】

そして、配信部１２３は、リクエストに対して配信する配信広告を選択すると、リクエスト元となる利用者端末５０に対して配信広告を配信する。

【0052】

推定部１２４は、取得部１２１によって取得された利用者のＣＶ情報に基づいて、配信広告に対するコンバージョンが複数回のコンバージョンであるか否かを推定する。たとえば、推定部１２４は、取得部１２１から受け取ったＣＶ情報および利用者に関する利用者情報をＣＶ推定モデル記憶部１３２に記憶されたＣＶ推定モデルに入力することで、当該利用者によるコンバージョンが複数回のコンバージョンか否かを推定する。

【0053】

なお、この際、推定部１２４は、ＣＶ推定モデルを用いて、ＣＶ数を推定するようにしてもよい。そして、推定部１２４は、推定したコンバージョンに関する情報を補正部１２５へ渡す。

【0054】

補正部１２５は、配信広告に対するＣＶを計測し、推定部１２４によって推定されたＣＶ数に応じて、ＣＶ数を補正する。具体的には、補正部１２５は、推定部１２４によって推定されたＣＶ数が２回である場合、ＣＶ数を２回へ補正する。

【0055】

これにより、ＣＶの計測結果を実際のコンバージョン数に近づけることができる。そして、補正部１２５は、ＣＶの計測結果をコンバージョン情報記憶部１３５へコンバージョン情報として記憶する。

【0056】

出力部１２６は、各種情報を出力する。たとえば、出力部１２６は、配信広告（キャンペーン）毎にＣＶあるいはＣＶＲに関する広告主レポートを生成し、各広告主当てに出力する。

【0057】

〔３．処理フロー〕
次に、図６および図７を用いて、実施形態に係る情報処理装置１００が実行する処理手順について説明する。図６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７は、実施形態に係るコンバージョン計測処理の一例を示すフローチャートである。

【0058】

図６に示すように、まず、情報処理装置１００は、学習用情報を取得する（ステップＳ１０１）。つづいて、情報処理装置１００は、ＣＶ推定モデルを学習し(ステップＳ１０２)、処理を終了する。

【0059】

次に、図７を用いて、コンバージョン計測処理の処理手順について説明する。図７に示すように、情報処理装置１００は、ＣＶ情報を取得すると（ステップＳ１１１）、ＣＶ推定モデルを用いて、ＣＶ情報のコンバージョン数を推定する（ステップＳ１１２）。

【0060】

つづいて、情報処理装置１００は、推定したコンバージョン数に基づいて、ＣＶ計測を行い（ステップＳ１１３）、処理を終了する。

【0061】

〔４．変形例〕
上述した情報処理装置１００では、ＣＶ推定モデルによる推定結果をＣＶ計測に活用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、ＣＶ推定モデルによる推定結果を用いて、各配信広告の配信計画を作成するようにしてもよい。

【0062】

〔５．効果〕
上述した実施形態に係る情報処理装置１００は、配信広告に対する利用者のコンバージョン履歴に基づいて、利用者が複数回のコンバージョンに至る配信広告の特徴に関するコンバージョン推定モデルを学習する学習部１２２と、学習部１２２によって学習された
コンバージョン推定モデルを用いて、配信広告に対するコンバージョンが複数回のコンバージョンであるか否かを推定する推定部１２４とを備える。したがって、実施形態に係る情報処理装置１００によれば、配信広告のコンバージョンを適切に推定することができる。

【0063】

また、実施形態に係る学習部１２２は、コンバージョン数毎に配信広告の特徴を学習したコンバージョン推定モデルを学習し、推定部１２４は、コンバージョン推定モデルを用いて、配信広告に対するコンバージョン数を推定する。したがって、実施形態に係る情報処理装置１００によれば、コンバージョン数を適切に推定することができる。

【0064】

また、実施形態に係る情報処理装置１００は、推定部１２４によって推定されたコンバージョン数に応じて、配信広告のコンバージョン数を補正する補正部１２５を備える。したがって、実施形態に係る情報処理装置１００によれば、コンバージョン数を適切に計測することができる。

【0065】

また、実施形態に係る学習部１２２は、複数のコンバージョンに至った利用者と、配信広告の特徴との関係性を学習したコンバージョン推定モデルを学習し、推定部１２４は、利用者に応じて、複数のコンバージョンであるか否かを推定する。したがって、実施形態に係る情報処理装置１００によれば、コンバージョンの推定精度を向上させることができる。

【0066】

また、上述した実施形態に係る情報処理方法はコンピュータが実行する情報処理方法であって、配信広告に対する利用者のコンバージョン履歴に基づいて、前記利用者が複数回のコンバージョンに至る前記配信広告の特徴に関するコンバージョン推定モデルを学習する学習工程と、前記学習工程によって学習された前記コンバージョン推定モデルを用いて、前記配信広告に対するコンバージョンが複数回のコンバージョンであるか否かを推定する推定工程とを含む。したがって、実施形態に係る情報処理方法によれば、配信広告のコンバージョンを適切に推定することができる。

【0067】

また、上述した実施形態に係る情報処理プログラムは、配信広告に対する利用者のコンバージョン履歴に基づいて、前記利用者が複数回のコンバージョンに至る前記配信広告の特徴に関するコンバージョン推定モデルを学習する学習手順と、前記学習手順によって学習された前記コンバージョン推定モデルを用いて、前記配信広告に対するコンバージョンが複数回のコンバージョンであるか否かを推定する推定手順とをコンピュータに実行させる。したがって、実施形態に係る情報処理プログラムによれば、配信広告のコンバージョンを適切に推定することができる。

【0068】

〔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１００は、例えば図８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８は、実施形態に係る情報処理装置１００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。

【0069】

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。

【0070】

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。

【0071】

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８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。

【0072】

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。

【0073】

例えば、コンピュータ１０００が実施形態に係る情報処理装置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１２０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。

【0074】

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。

【0075】

〔７．その他〕
また、上記実施形態及び変形例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。

【0076】

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。

【0077】

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。

【0078】

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１２１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】

【0079】

１ 情報処理システム
５０ 利用者端末
１００ 情報処理装置
１２１ 取得部
１２２ 学習部
１２３ 配信部
１２４ 推定部
１２５ 補正部
１２６ 出力部
１３０ 記憶部
１３１ 学習用情報記憶部
１３２ ＣＶ推定モデル記憶部
１３３ 配信広告情報記憶部
１３４ 配信計画情報記憶部
１３５ コンバージョン情報記憶部
２００ 広告主サーバ

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】