特表 2023-533475 キーワード推薦のための人工知能

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公表特許公報(A)

(11)【公表番号】

(43)【公表日】2023-08-03

(54)【発明の名称】キーワード推薦のための人工知能

(51)【国際特許分類】

   G06F 16/90 20190101AFI20230727BHJP

【ＦＩ】

G06F16/90 100

【審査請求】未請求

【予備審査請求】未請求

(21)【出願番号】P 2022580327

(86)(22)【出願日】2021-06-29

(85)【翻訳文提出日】2023-02-08

(86)【国際出願番号】 US2021039652

(87)【国際公開番号】W WO2022006135

(87)【国際公開日】2022-01-06

(31)【優先権主張番号】63/045,693

(32)【優先日】2020-06-29

(33)【優先権主張国・地域又は機関】US

(81)【指定国・地域】

【公序良俗違反の表示】

（特許庁注：以下のものは登録商標）

１．ＪＡＶＡＳＣＲＩＰＴ

２．ＪＡＶＡ

３．ＶＩＳＵＡＬ ＢＡＳＩＣ

４．ＦＲＡＭ

(71)【出願人】

【識別番号】520221017

【氏名又は名称】６センス インサイツ，インコーポレイテッド

(74)【代理人】

【識別番号】110000659

【氏名又は名称】弁理士法人広江アソシエイツ特許事務所

(72)【発明者】

【氏名】カーモディ，ダン

(72)【発明者】

【氏名】チュティナ，ユリア

(72)【発明者】

【氏名】スティーヴンス，マイケル

(72)【発明者】

【氏名】マジュンダール，アディティア

(72)【発明者】

【氏名】バジャリア，ヴァイラル

(72)【発明者】

【氏名】サッサマン，スティーヴン

【テーマコード（参考）】

5B175

【Ｆターム（参考）】

5B175DA01

5B175EA01

5B175FB03

5B175HA02

(57)【要約】

キーワード推薦のための人工知能。一実施形態では、生のキーワードデータが受信される。生のキーワードデータは、キーワード活動記録を含み、該キーワード活動記録は、オンラインリソースのユニフォームリソースロケータ（ＵＲＬ）及びオンラインリソースのメタデータをそれぞれ含む。キーワードの配列が、キーワード活動記録から抽出され、キーワードの各配列は、キーワードの配列が抽出されたキーワード活動記録におけるＵＲＬに関連付けられる。ユーザ指定キーワードが受信され、ユーザ指定キーワードのうちの少なくとも１つと一致するキーワードの配列のサブセットが識別される。訓練データセットは、サブセットから生成され、入力キーワードに基づいて推薦キーワードを出力するように機械学習モデルを訓練するために使用される。
【選択図】図３

【特許請求の範囲】

【請求項1】

少なくとも１つのハードウェアプロセッサを使用して、
複数のキーワード活動記録を含む生のキーワードデータを受信することであって、前記複数のキーワード活動記録の各々は、オンラインリソースのユニフォームリソースロケータ（ＵＲＬ）及び前記オンラインリソースのメタデータを含む、受信することと、
前記複数のキーワード活動記録の各々からキーワードの配列を抽出することによって、キーワードの複数の配列を生成することであって、前記キーワードの複数の配列の各々は、前記キーワードの配列が抽出された前記キーワード活動記録における前記ＵＲＬに関連付けられる、生成することと、
１つ以上のユーザ指定キーワードを受信することと、
前記１つ以上のユーザ指定キーワードのうちの少なくとも１つと一致する前記キーワードの複数の配列のサブセットを識別することと、
前記キーワードの複数の配列の前記サブセットから訓練データセットを生成することと、
前記訓練データセットを使用して、入力キーワードに基づいて推薦キーワードを出力するように機械学習モデルを訓練することと、を含む、方法。

【請求項2】

前記機械学習モデルを訓練することは、前記訓練データセットにおけるキーワードを多次元ベクトル空間内の点に変換するように、１つ以上のニューラルネットワークを訓練することを含み、前記多次元ベクトル空間内において、２つの点間の距離は、より短い距離がより高い類似度を表し、より長い距離がより低い類似度を表すように、それらの２つの点におけるキーワード間の類似度を表す、請求項１に記載の方法。

【請求項3】

各点は、数のベクトルを含む、請求項２に記載の方法。

【請求項4】

前記距離は、ユークリッド距離である、請求項３に記載の方法。

【請求項5】

前記多次元ベクトル空間は、少なくとも１００次元を含む、請求項２に記載の方法。

【請求項6】

前記１つ以上のユーザ指定キーワードのうちの少なくとも１つと一致する前記キーワードの複数の配列のサブセットを識別することは、前記キーワードの複数の配列の各々について、及び前記１つ以上のユーザ指定キーワードの各々について、
前記キーワードの配列を前記ユーザ指定キーワードと比較することと、
前記キーワードの配列が前記ユーザ指定キーワードを含む場合、前記キーワードの配列が前記ユーザ指定キーワードと一致すると判定することと、
前記キーワードの配列が前記ユーザ指定キーワードを含まない場合、
前記ユーザ指定キーワードが２つ以上の単語を含み、前記キーワードの配列が前記２つ以上の単語の全てを含む場合、前記キーワードの配列における前記２つ以上の単語の配置にかかわらず、前記キーワードの配列が前記ユーザ指定キーワードと一致すると判定し、
前記ユーザ指定キーワードが単一の単語から構成される場合、又は前記ユーザ指定キーワードが２つ以上の単語を含み、前記キーワードの配列が前記２つ以上の単語の全てを含まない場合、前記キーワードの配列が前記ユーザ指定キーワードと一致しないと判定することと、を含む、請求項１に記載の方法。

【請求項7】

前記複数のキーワード活動記録の各々からキーワードの配列を抽出することは、前記複数のキーワード活動記録の各々について、前記キーワード活動記録における前記メタデータから１つ以上のキーワードを抽出することを含む、請求項１に記載の方法。

【請求項8】

前記複数のキーワード活動記録の各々からキーワードの配列を抽出することは、前記複数のキーワード活動記録の各々について、前記キーワード活動記録における前記ＵＲＬから１つ以上のキーワードを抽出することを更に含む、請求項７に記載の方法。

【請求項9】

前記ＵＲＬから１つ以上のキーワードを抽出することは、１つ以上の区切り記号に基づいて、前記ＵＲＬを２つ以上のキーワードに分割することを含む、請求項８に記載の方法。

【請求項10】

前記少なくとも１つのハードウェアプロセッサを使用して、
ユーザから少なくとも１つのキーワードを受信することと、
前記機械学習モデルを前記少なくとも１つのキーワードに適用して、１つ以上の推薦キーワードを出力することと、
前記１つ以上の推薦キーワードを前記ユーザに提供することと、を更に含む、請求項１に記載の方法。

【請求項11】

前記少なくとも１つのハードウェアプロセッサを使用して、
前記１つ以上の推薦キーワードのうちの少なくとも１つの選択を前記ユーザから受信することと、
前記選択された少なくとも１つの推薦キーワードを前記１つ以上のユーザ指定キーワードに追加することと、を更に含む、請求項１０に記載の方法。

【請求項12】

前記少なくとも１つのハードウェアプロセッサを使用して、
少なくとも１つの画面を含むグラフィカルユーザインターフェースを生成することを更に含み、前記少なくとも１つの画面は、前記１つ以上のユーザ指定キーワードの各々の視覚的表現を含む第１のフレームと、前記１つ以上の推薦キーワードの各々の選択可能な視覚的表現を含む第２のフレームと、を含み、
前記ユーザから前記１つ以上の推薦キーワードのうちの少なくとも１つの選択を受信することは、前記第２のフレームにおけるその少なくとも１つの推薦キーワードの前記選択可能な視覚的表現の選択を受信することを含み、
前記選択された少なくとも１つの推薦キーワードを前記１つ以上のユーザ指定キーワードに追加することは、前記少なくとも１つの推薦キーワードの視覚的表現を前記第１のフレームに追加することを含む、請求項１１に記載の方法。

【請求項13】

前記キーワードの複数の配列の前記サブセットから訓練データセットを生成することは、前記キーワードの複数の配列の前記サブセットにおける１つ以上のキーワードを正規化することを含む、請求項１に記載の方法。

【請求項14】

１つ以上のキーワードを正規化することは、複数の単語のフレーズを含む前記キーワードの複数の配列の前記サブセットにおける任意のキーワードからスペースを除去することを含む、請求項１３に記載の方法。

【請求項15】

前記少なくとも１つのハードウェアプロセッサを使用して、前記１つ以上のキーワードを正規化するときに、前記正規化された１つ以上のキーワードの各々について、そのキーワードの正規化バージョンをそのキーワードの非正規化バージョンにマッピングするルックアップ辞書を生成することを更に含む、請求項１３に記載の方法。

【請求項16】

前記少なくとも１つのハードウェアプロセッサを使用して、
前記機械学習モデルを少なくとも１つの入力キーワードに適用して、１つ以上の推薦キーワードの各々の前記正規化バージョンを出力することと、
前記ルックアップ辞書を使用して、前記１つ以上の推薦キーワードの各々の前記非正規化バージョンを取り出すことと、
前記１つ以上の推薦キーワードの各々の前記非正規化バージョンをユーザに提供することと、を更に含む、請求項１５に記載の方法。

【請求項17】

前記少なくとも１つのハードウェアプロセッサを使用して、
前記キーワードの複数の配列の前記サブセットにおけるキーワードの各配列について、コーパスに対するそのキーワードの配列におけるキーワードの平均頻度、及び前記１つ以上のユーザ指定キーワードのうちの少なくとも１つと一致したそのキーワードの配列におけるキーワードの割合に基づいて、前記キーワードの複数の配列の前記サブセットに関連付けられた前記ＵＲＬをランク付けすることと、
前記ランク付けに基づいて前記ＵＲＬの関連するサブセットを決定することと、を更に含む、請求項１に記載の方法。

【請求項18】

前記少なくとも１つのハードウェアプロセッサを使用して、
前記複数のキーワード活動記録の各々を、そのキーワード活動記録における前記ＵＲＬへの訪問に対応する企業に関連付けることと、
前記ＵＲＬの前記関連するサブセットにおける１つ以上のＵＲＬへの訪問に対応する各企業について、予測意図モデルを前記１つ以上のＵＲＬに適用して、前記企業が製品を購入することを意図する尤度を予測することと、を更に含む、請求項１７に記載の方法。

【請求項19】

システムであって、
少なくとも１つのハードウェアプロセッサと、
１つ以上のソフトウェアモジュールと、を備え、前記１つ以上のソフトウェアモジュールは、前記少なくとも１つのハードウェアプロセッサによって実行されると、
複数のキーワード活動記録を含む生のキーワードデータを受信することであって、前記複数のキーワード活動記録の各々は、オンラインリソースのユニフォームリソースロケータ（ＵＲＬ）及び前記オンラインリソースのメタデータを含む、受信することと、
前記複数のキーワード活動記録の各々からキーワードの配列を抽出することによって、キーワードの複数の配列を生成することであって、前記キーワードの複数の配列の各々は、前記キーワードの配列が抽出された前記キーワード活動記録における前記ＵＲＬに関連付けられる、生成することと、
１つ以上のユーザ指定キーワードを受信することと、
前記１つ以上のユーザ指定キーワードのうちの少なくとも１つと一致する前記キーワードの複数の配列のサブセットを識別することと、
前記キーワードの複数の配列の前記サブセットから訓練データセットを生成することと、
前記訓練データセットを使用して、入力キーワードに基づいて推薦キーワードを出力するように機械学習モデルを訓練することと、を行うように構成されている、システム。

【請求項20】

命令を記憶した非一時的コンピュータ可読媒体であって、前記命令は、プロセッサによって実行されると、前記プロセッサに、
複数のキーワード活動記録を含む生のキーワードデータを受信することであって、前記複数のキーワード活動記録の各々は、オンラインリソースのユニフォームリソースロケータ（ＵＲＬ）及び前記オンラインリソースのメタデータを含む、受信することと、
前記複数のキーワード活動記録の各々からキーワードの配列を抽出することによって、キーワードの複数の配列を生成することであって、前記キーワードの複数の配列の各々は、前記キーワードの配列が抽出された前記キーワード活動記録における前記ＵＲＬに関連付けられる、生成することと、
１つ以上のユーザ指定キーワードを受信することと、
前記１つ以上のユーザ指定キーワードのうちの少なくとも１つと一致する前記キーワードの複数の配列のサブセットを識別することと、
前記キーワードの複数の配列の前記サブセットから訓練データセットを生成することと、
前記訓練データセットを使用して、入力キーワードに基づいて推薦キーワードを出力するように機械学習モデルを訓練することと、を行わせる、非一時的コンピュータ可読媒体。

【発明の詳細な説明】

【技術分野】

【0001】

関連出願の相互参照
本出願は、２０２０年６月２９日に出願された米国仮特許出願第６３／０４５，６９３号の優先権を主張するものであり、完全に記載されているかのように参照により本明細書に援用される。

【0002】

更に、本出願は、２０１５年１２月１日に発行された米国特許第９，２０２，２２７号（’２２７特許）、２０１９年１１月１２日に発行された米国特許第１０，４７５，０５６号（’０５６特許）、及び２０２０年１月１４日に発行された米国特許第１０，５３６，４２７号（’４２７特許）に関連し、これらは全て、完全に記載されているかのように参照により本明細書に援用される。本出願はまた、２０２０年６月２９日に出願された米国仮特許出願第６３／０４５，７３１号、及び２０２０年６月２９日に出願された米国仮特許出願第６３／０４５，７０７号に関連し、これらは両方とも、完全に記載されているかのように参照により本明細書に援用される。

【0003】

本明細書で説明される実施形態は、概して人工知能を対象とし、より詳細には、キーワード推薦を提供するための機械学習モデルを対象とする。

【背景技術】

【0004】

関連技術の説明
適切なキーワードを選択する能力は、あらゆるキーワードベースの検索に不可欠である。誤ったキーワードの選択は、通常、無関係な結果を生成する。当然ながら、検索のために選択されるキーワードは、定義上、検索の「鍵（ｋｅｙ）」であるべきである。これは、統計的に、選択したキーワードが、偶然だけで予想されるよりも高い頻度でターゲットに現れるべきであることを意味する。このことは、任意のタイプのキーワードベースの検索に当てはまる。

【0005】

１つの特定の状況では、適切なキーワードを選択することは、例えば、’２２７特許及び’０５６特許に記載されているように、例えば、ウェブサイトへの訪問者の購入意図を予測しようとするときに有利であり得る。これに関連して、特定の製品（例えば、商品又はサービス）の購入意図は、検索クエリ、又は見込み顧客によって訪問されたウェブページ若しくは他のオンライン文書内の、その製品に関連するキーワードの存在から推論することができる。購入意図を正確に測定するために、最も関連のあるキーワードに基づいて購入意図を推論することが重要である。

【発明の概要】

【発明が解決しようとする課題】

【0006】

別の特定の状況では、マーケティング担当者は、自社製品を検索エンジンに入力された特定のキーワードにリンクすることができる。ユーザが特定のキーワードを使用して検索エンジンにクエリを行うと、検索エンジンは、その特定のキーワードにリンクされたマーケティング担当者からのスポンサー付きの結果又は広告を返すことができる。したがって、費用対効果の高い検索エンジンマーケティング（ＳＥＭ）を保証するためには、マーケティング担当者が自社製品に最も関連性の高いキーワードを選択することが重要である。

【課題を解決するための手段】

【0007】

したがって、キーワード推薦を提供する機械学習モデルのためのシステム、方法、及び非一時的コンピュータ可読媒体が開示される。一実施形態では、少なくとも１つのハードウェアプロセッサを使用して、複数のキーワード活動記録を含む生のキーワードデータを受信することであって、複数のキーワード活動記録の各々は、オンラインリソースのユニフォームリソースロケータ（ＵＲＬ）と、オンラインリソースのメタデータと、を含む、受信することと、複数のキーワード活動記録の各々からキーワードの配列を抽出することによって、キーワードの複数の配列を生成することであって、キーワードの複数の配列の各々は、キーワードの配列が抽出されたキーワード活動記録におけるＵＲＬに関連付けられる、生成することと、１つ以上のユーザ指定キーワードを受信することと、１つ以上のユーザ指定キーワードのうちの少なくとも１つと一致するキーワードの複数の配列のサブセットを識別することと、キーワードの複数の配列のサブセットから訓練データセットを生成することと、訓練データセットを使用して、入力キーワードに基づいて推薦キーワードを出力するように機械学習モデルを訓練することと、を含む、方法が開示される。

【0008】

機械学習モデルを訓練することは、訓練データセットにおけるキーワードを多次元ベクトル空間内の点に変換するように、１つ以上のニューラルネットワークを訓練することを含み得、多次元ベクトル空間において、２つの点間の距離は、より短い距離は、より高い類似度を表し、より長い距離は、より低い類似度を表すように、それらの２つの点におけるキーワード間の類似度を表す。各点は、数のベクトルを含み得る。距離は、ユークリッド距離であり得る。多次元ベクトル空間は、少なくとも１００次元を含み得る。

【0009】

１つ以上のユーザ指定キーワードのうちの少なくとも１つと一致するキーワードの複数の配列のサブセットを識別することは、キーワードの複数の配列の各々について、及び１つ以上のユーザ指定キーワードの各々について、キーワードの配列をユーザ指定キーワードと比較することと、キーワードの配列がユーザ指定キーワードを含む場合、キーワードの配列がユーザ指定キーワードと一致すると判定することと、キーワードの配列がユーザ指定キーワードを含まない場合、ユーザ指定キーワードが２つ以上の単語を含み、キーワードの配列が２つ以上の単語の全てを含む場合、キーワードの配列における２つ以上の単語の配置にかかわらず、キーワードの配列がユーザ指定キーワードと一致すると判定すること、及びユーザ指定キーワードが単一の単語から構成される場合、又はユーザ指定キーワードが２つ以上の単語を含み、キーワードの配列が２つ以上の単語の全てを含まない場合、キーワードの配列がユーザ指定キーワードと一致しないと判定することと、を含み得る。

【0010】

複数のキーワード活動記録の各々からキーワードの配列を抽出することは、複数のキーワード活動記録の各々について、キーワード活動記録におけるメタデータから１つ以上のキーワードを抽出することを含み得る。複数のキーワード活動記録の各々からキーワードの配列を抽出することは、複数のキーワード活動記録の各々について、キーワード活動記録におけるＵＲＬから１つ以上のキーワードを抽出することを更に含み得る。ＵＲＬから１つ以上のキーワードを抽出することは、１つ以上の区切り記号に基づいて、ＵＲＬを２つ以上のキーワードに分割することを含み得る。

【0011】

方法は、少なくとも１つのハードウェアプロセッサを使用して、ユーザから少なくとも１つのキーワードを受信することと、機械学習モデルを少なくとも１つのキーワードに適用して、１つ以上の推薦キーワードを出力することと、１つ以上の推薦キーワードをユーザに提供することと、を更に含み得る。方法は、少なくとも１つのハードウェアプロセッサを使用して、１つ以上の推薦キーワードのうちの少なくとも１つの選択をユーザから受信することと、選択された少なくとも１つの推薦キーワードを１つ以上のユーザ指定キーワードに追加することと、を更に含み得る。方法は、少なくとも１つのハードウェアプロセッサを使用して、少なくとも１つの画面を含むグラフィカルユーザインターフェースを生成することを更に含み得、少なくとも１つの画面は、１つ以上のユーザ指定キーワードの各々の視覚的表現を含む第１のフレームと、１つ以上の推薦キーワードの各々の選択可能な視覚的表現を含む第２のフレームと、を含み、ユーザから１つ以上の推薦キーワードのうちの少なくとも１つの選択を受信することは、第２のフレームにおけるその少なくとも１つの推薦キーワードの選択可能な視覚的表現の選択を受信することを含み、選択された少なくとも１つの推薦キーワードを１つ以上のユーザ指定キーワードに追加することは、少なくとも１つの推薦キーワードの視覚的表現を第１のフレームに追加することを含む。

【0012】

キーワードの複数の配列のサブセットから訓練データセットを生成することは、キーワードの複数の配列のサブセットにおける１つ以上のキーワードを正規化することを含み得る。１つ以上のキーワードを正規化することは、複数の単語のフレーズを含むキーワードの複数の配列のサブセットにおける任意のキーワードからスペースを除去することを含み得る。方法は、少なくとも１つのハードウェアプロセッサを使用して、１つ以上のキーワードを正規化するときに、正規化された１つ以上のキーワードの各々について、そのキーワードの正規化バージョンをそのキーワードの非正規化バージョンにマッピングするルックアップ辞書を生成することを更に含み得る。方法は、少なくとも１つのハードウェアプロセッサを使用して、機械学習モデルを少なくとも１つの入力キーワードに適用して、１つ以上の推薦キーワードの各々の正規化バージョンを出力することと、ルックアップ辞書を使用して、１つ以上の推薦キーワードの各々の非正規化バージョンを取り出すことと、１つ以上の推薦キーワードの各々の非正規化バージョンをユーザに提供することと、を更に含み得る。

【0013】

方法は、少なくとも１つのハードウェアプロセッサを使用して、キーワードの複数の配列のサブセットにおけるキーワードの各配列について、コーパスに対するそのキーワードの配列におけるキーワードの平均頻度と、１つ以上のユーザ指定キーワードのうちの少なくとも１つと一致したそのキーワードの配列におけるキーワードの割合とに基づいて、キーワードの複数の配列のサブセットに関連付けられたＵＲＬをランク付けすることと、ランク付けに基づいてＵＲＬの関連するサブセットを決定することと、を更に含み得る。方法は、少なくとも１つのハードウェアプロセッサを使用して、複数のキーワード活動記録の各々を、そのキーワード活動記録におけるＵＲＬへの訪問に対応する企業に関連付けることと、ＵＲＬの関連するサブセットにおける１つ以上のＵＲＬへの訪問に対応する各企業について、予測意図モデルを１つ以上のＵＲＬに適用して、企業が製品を購入することを意図する尤度を予測することと、を更に含み得る。

【0014】

開示される方法のうちのいずれかは、サーバなどのプロセッサベースのシステムの実行可能なソフトウェアモジュールにおいて、かつ／又は非一時的コンピュータ可読媒体に記憶された実行可能な命令において具現化され得る。

【図面の簡単な説明】

【0015】

本発明の詳細は、その構造及び動作の両方に関して、添付の図面を検討することによって部分的に得ることができ、図面において、同様の参照番号は同様の部分を指す。

【0016】

【図1】一実施形態による、本明細書で説明されるプロセスのうちの１つ以上が実装され得る例示的インフラストラクチャを示す。

【図2】一実施形態による、本明細書で説明されるプロセスのうちの１つ以上が実行され得る例示的な処理システムを示す。

【図3】一実施形態によるキーワード推薦を利用するデータパイプラインの例示的なフロー図を示す。

【図4】一実施形態による推薦されたキーワードを提供するためのグラフィカルユーザインターフェースの画面の一例を示す。

【図5】一実施形態による上位キーワードを提供するためのグラフィカルユーザインターフェースの画面の一例を示す。

【発明を実施するための形態】

【0017】

一実施形態では、キーワード推薦を提供する機械学習モデルのためのシステム、方法、及び非一時的コンピュータ可読媒体が開示される。キーワード調査は、企業間（Ｂ２Ｂ）購入プロセスの「ダークファネル（ｄａｒｋ ｆｕｎｎｅｌ）」の重要な部分を形成し、購入意図の初期段階の兆候を捉えるものである。開示される実施形態は、意図関連活動を表すデータであって、キーワードを含むデータを（例えば、複数のサードパーティソースから）収集し、処理し（例えば、フィルタリングし）、（例えば、推薦モデルを介して）キーワード意図データの適用範囲及び量を拡張し、（例えば、関連性ベースのランク付けの式を介して）キーワード意図データの品質を向上させ、拡張及び向上されたキーワード意図データを利用して、予測信号（例えば、特定の企業に結び付けられたＢ２Ｂ購入意図）などの下流機能を促進する。例えば、キーワード推薦モデルは、ユーザのウェブサイト内のキーワード、ＳＥＭキーワード、ユーザの顧客又は見込み客によるエンゲージメントに使用されたキーワード、及び／又は購入の成功につながった過去のパイプラインにおけるキーワードに基づいて新しいキーワードを提案してもよく、これにより、より関連のあるキーワードを見つけること、販売インテリジェンスを提供すること、より効率的な広告、電子メールマーケティング、及び他の販売アウトリーチを実行することなどに役立ち得る。キーワード推薦モデルは、Ｂ２Ｂチームが、関連する行動を有するより多くの顧客を見つけるのに役立ち得る。

【0018】

本明細書を読んだ後、当業者には、種々の代替実施形態及び代替の用途において本発明をどのように実装するかが明らかになるであろう。しかしながら、本発明の種々の実施形態が本明細書で説明されるが、これらの実施形態は、限定ではなく、例及び例示のみとして提示されることが理解される。したがって、種々の実施形態のこの詳細な説明は、添付の特許請求の範囲に記載される本発明の範囲又は広さを限定するものと解釈されるべきではない。

【0019】

１．システムの概要
１．１．インフラストラクチャ
図１は、一実施形態による、開示されたプロセスが動作し得る例示的なインフラストラクチャを示している。インフラストラクチャは、本明細書で説明される種々の機能、プロセス、方法、及び／又はソフトウェアモジュールのうちの１つ以上をホスト及び／又は実行するプラットフォーム１１０（例えば、１つ以上のサーバ）を含み得る。プラットフォーム１１０は、専用サーバを含んでもよく、又は代わりに、１つ以上のサーバの共有リソースを利用するクラウドインスタンスを含んでもよい。これらのサーバ又はクラウドインスタンスは、コロケートされ、かつ／又は地理的に分散され得る。プラットフォーム１１０はまた、サーバアプリケーション１１２及び／又は１つ以上のデータベース１１４を含んでもよく、又はそれらに通信可能に接続されてもよい。更に、プラットフォーム１１０は、１つ以上のネットワーク１２０を介して１つ以上のユーザシステム１３０に通信可能に接続され得る。プラットフォーム１１０はまた、１つ以上のネットワーク１２０を介して、１つ以上の外部システム１４０（例えば、他のプラットフォーム、ウェブサイトなど）に通信可能に接続され得る。

【0020】

ネットワーク１２０は、インターネットを含むことができ、プラットフォーム１１０は、ハイパーテキスト転送プロトコル（ＨＴＴＰ）、ＨＴＴＰセキュア（ＨＴＴＰＳ）、ファイル転送プロトコル（ＦＴＰ）、ＦＴＰセキュア（ＦＴＰＳ）、セキュアシェルＦＴＰ（ＳＦＴＰ）などの標準伝送プロトコル、並びに専用プロトコルを使用して、インターネットを介してユーザシステム１３０と通信することができる。プラットフォーム１１０は、ネットワーク１２０の単一のセットを介して種々のシステムに接続されるものとして示されているが、プラットフォーム１１０は、１つ以上のネットワークの異なるセットを介して種々のシステムに接続され得ることを理解されたい。例えば、プラットフォーム１１０は、インターネットを介してユーザシステム１３０及び／又は外部システム１４０のサブセットに接続されてもよいが、イントラネットを介して１つ以上の他のユーザシステム１３０及び／又は外部システム１４０に接続されてもよい。更に、少数のユーザシステム１３０及び外部システム１４０、１つのサーバアプリケーション１１２、並びにデータベース１１４の１セットのみが示されているが、インフラストラクチャは、任意の数のユーザシステム、外部システム、サーバアプリケーション、及びデータベースを含むことができることを理解されたい。

【0021】

ユーザシステム１３０は、限定ではないが、デスクトップコンピュータ、ラップトップコンピュータ、タブレットコンピュータ、スマートフォン又は他の携帯電話、サーバ、ゲームコンソール、テレビ、セットトップボックス、電子キオスク、店頭端末などを含む、有線及び／又は無線通信が可能な任意のタイプ又は複数のタイプのコンピューティングデバイスを含み得る。しかしながら、概して、ユーザシステム１３０は、ワークステーション、デスクトップコンピュータ、ラップトップコンピュータ、タブレットコンピュータ、及び／又はモバイルデバイス（例えば、スマートフォン）などのユーザ（例えば、企業の販売又はマーケティング代表者）が典型的にその仕事を行うデバイスを含むであろうことが企図される。

【0022】

プラットフォーム１１０は、１つ以上のウェブサイト及び／又はウェブサービスをホストするウェブサーバを含み得る。ウェブサイトが提供される実施形態では、ウェブサイトは、例えば、ハイパーテキストマークアップ言語（ＨＴＭＬ）又は他の言語で生成された１つ以上の画面（例えば、ウェブページ）を含む、グラフィカルユーザインターフェースを含んでもよい。プラットフォーム１１０は、ユーザシステム１３０からの要求に応答して、グラフィカルユーザインターフェースの１つ以上の画面を送信又は提供する。一部の実施形態では、これらの画面は、ウィザードの形態で提供されてもよく、その場合、２つ以上の画面が、連続する方法で提供されてもよく、連続画面のうちの１つ以上は、１つ以上の先行画面とのユーザ又はユーザシステム１３０の対話に依存してもよい。グラフィカルユーザインターフェースの画面を含む、プラットフォーム１１０への要求及びプラットフォーム１１０からの応答は、両方とも、標準通信プロトコル（例えば、ＨＴＴＰ、ＨＴＴＰＳなど）を使用して、インターネットを含み得る、ネットワーク１２０を通して通信されてもよい。これらの画面（例えば、ウェブページ）は、テキスト、画像、ビデオ、アニメーション、参照（例えば、ハイパーリンク）、フレーム、入力（例えば、テキストボックス、テキスト領域、チェックボックス、ラジオボタン、ドロップダウンメニュー、ボタン、フォームなど）、スクリプト（例えば、ＪａｖａＳｃｒｉｐｔ）などのコンテンツ及び要素の組み合わせを含むことができ、プラットフォーム１１０にローカルに、かつ／又はリモートにアクセス可能な１つ以上のデータベース（例えば、データベース１１４）に記憶されたデータを含む又はそれから導出される要素を含む。プラットフォーム１１０はまた、ユーザシステム１３０からの他の要求に応答してもよい。

【0023】

プラットフォーム１１０は更に、１つ以上のデータベース１１４を含み、それと通信可能に結合され、又は別様にそれへのアクセスを有してもよい。例えば、プラットフォーム１１０は、１つ以上のデータベース１１４を管理する１つ以上のデータベースサーバを含んでもよい。プラットフォーム１１０上で実行されるユーザシステム１３０又はサーバアプリケーション１１２は、データベース１１４に記憶されるデータ（例えば、ユーザデータ、フォームデータなど）を提出し、かつ／又はデータベース１１４に記憶されたデータへのアクセスを要求し得る。クラウドベースのデータベース及び専用データベースを含む、ＭｙＳＱＬ（商標）、Ｏｒａｃｌｅ（商標）、ＩＢＭ（商標）、Ｍｉｃｒｏｓｏｆｔ ＳＱＬ（商標）、Ａｃｃｅｓｓ（商標）、ＰｏｓｔｇｒｅＳＱＬ（商標）などを含むがこれらに限定されない任意の適切なデータベースを利用することができる。データは、例えば、ＨＴＴＰによってサポートされる周知のＰＯＳＴ要求を使用して、ＦＴＰなどを介して、プラットフォーム１１０に送信されてもよい。このデータ及び他の要求は、例えば、プラットフォーム１１０によって実行されるサーブレット又は他のソフトウェアモジュール（例えば、サーバアプリケーション１１２に含まれる）などのサーバ側ウェブ技術によって処理されてもよい。

【0024】

ウェブサービスが提供される実施形態では、プラットフォーム１１０は、外部システム１４０から要求を受信し、拡張マークアップ言語（ＸＭＬ）、ＪａｖａＳｃｒｉｐｔ Ｏｂｊｅｃｔ Ｎｏｔａｔｉｏｎ（ＪＳＯＮ）、及び／又は任意の他の好適な若しくは所望のフォーマットで応答を提供し得る。かかる実施形態では、プラットフォーム１１０は、ユーザシステム１３０及び／又は外部システム１４０がウェブサービスと対話し得る方法を定義する、アプリケーションプログラミングインターフェース（ＡＰＩ）を提供してもよい。したがって、ユーザシステム１３０及び／又は外部システム１４０（それら自体がサーバであり得る）は、それら自体のユーザインターフェースを定義し、ウェブサービスに依拠して、本明細書で説明されるバックエンドプロセス、方法、機能、記憶装置などを実装するか、又は別様に提供することができる。例えば、かかる一実施形態では、１つ以上のユーザシステム１３０上で実行するクライアントアプリケーション１３２（ローカルデータベース１３４を利用し得る）は、プラットフォーム１１０上で実行するサーバアプリケーション１１２と対話し、本明細書に説明される種々の機能、プロセス、方法、及び／又はソフトウェアモジュールのうちの１つ以上又は１つ以上の一部を実行してもよい。クライアントアプリケーション１３２は「シン（ｔｈｉｎ）」であってもよく、その場合、処理は主にプラットフォーム１１０上のサーバアプリケーション１１２によってサーバ側で実行される。シンクライアントアプリケーションの基本的な例は、ユーザシステム１３０においてウェブページを単に要求し、受信し、レンダリングするブラウザアプリケーションであり、一方、プラットフォーム１１０上のサーバアプリケーションは、ウェブページを生成し、データベース機能を管理することを担う。代替的に、クライアントアプリケーションは「シック（ｔｈｉｃｋ）」であってもよく、その場合、処理は主にユーザシステム１３０によってクライアント側で実行される。クライアントアプリケーション１３２は、特定の実装形態の設計目標に応じて、「シン」と「シック」との間のこの範囲に沿った任意の点において、プラットフォーム１１０上のサーバアプリケーション１１２に対してある量の処理を実行し得ることを理解されたい。いずれの場合も、プラットフォーム１１０（例えば、サーバアプリケーション１１２が全ての処理を実行する場合）又はユーザシステム１３０（例えば、クライアントアプリケーション１３２が全ての処理を実行する場合）のいずれかに完全に存在し得るか、又はプラットフォーム１１０とユーザシステム１３０との間に分散され得る（例えば、サーバアプリケーション１１２及びクライアントアプリケーション１３２の両方が処理を実行する場合）、本明細書に説明されるアプリケーションは、本明細書に説明されるアプリケーションの機能、プロセス、又は方法のうちの１つ以上を実装する、１つ以上の実行可能ソフトウェアモジュールを含み得る。

【0025】

１．２．例示的な処理デバイス
図２は、本明細書で説明される種々の実施形態に関連して使用され得る例示的な有線又は無線システム２００を示すブロック図である。例えば、システム２００は、本明細書で説明される（例えば、アプリケーション又は該アプリケーションの１つ以上のソフトウェアモジュールを記憶及び／又は実行するための）機能、プロセス、又は方法のうちの１つ以上として、又はそれと併せて使用されてもよく、プラットフォーム１１０、ユーザシステム１３０、外部システム１４０、及び／又は本明細書で説明される他の処理デバイスの構成要素を表してもよい。システム２００は、サーバ若しくは任意の従来のパーソナルコンピュータ、又は有線若しくは無線データ通信が可能な任意の他のプロセッサ対応デバイスとすることができる。当業者には明らかなように、他のコンピュータシステム及び／又はアーキテクチャも使用することができる。

【0026】

システム２００は、プロセッサ２１０などの１つ以上のプロセッサを含むことが好ましい。入力／出力を管理するための補助プロセッサ、浮動小数点数学演算を実行するための補助プロセッサ、信号処理アルゴリズムの高速実行に適したアーキテクチャを有する専用マイクロプロセッサ（例えば、デジタル信号プロセッサ）、主処理システムに従属するスレーブプロセッサ（例えば、バックエンドプロセッサ）、デュアル若しくはマルチプロセッサシステム用の追加のマイクロプロセッサ若しくはコントローラ、及び／又はコプロセッサなど、追加のプロセッサが設けられてもよい。かかる補助プロセッサは、個別のプロセッサであってもよく、又はプロセッサ２１０と統合されてもよい。システム２００とともに使用され得るプロセッサの実施例は、限定ではないが、Ｐｅｎｔｉｕｍ（登録商標）プロセッサ、Ｃｏｒｅ ｉ７（登録商標）プロセッサ、及びＸｅｏｎ（登録商標）プロセッサを含み、それらの全ては、Ｉｎｔｅｌ Ｃｏｒｐｏｒａｔｉｏｎ（Ｓａｎｔａ Ｃｌａｒａ，Ｃａｌｉｆｏｒｎｉａ）から入手可能である。

【0027】

プロセッサ２１０は、通信バス２０５に接続することが好ましい。通信バス２０５は、記憶装置とシステム２００の他の周辺構成要素との間の情報転送を容易にするためのデータチャネルを含み得る。更に、通信バス２０５は、データバス、アドレスバス、及び／又は制御バス（図示せず）を含む、プロセッサ２１０との通信に使用される信号のセットを提供することができる。通信バス２０５は、例えば、インダストリスタンダードアーキテクチャ（ＩＳＡ）、拡張インダストリスタンダードアーキテクチャ（ＥＩＳＡ）、マイクロチャネルアーキテクチャ（ＭＣＡ）、ペリフェラルコンポーネントインターコネクト（ＰＣＩ）ローカルバス、ＩＥＥＥ４８８汎用インターフェースバス（ＧＰＩＢ）を含む米国電気電子学会（ＩＥＥＥ）によって公表された規格、ＩＥＥＥ６９６／Ｓ－１００などに準拠するバスアーキテクチャなどの任意の標準又は非標準バスアーキテクチャを備えてもよい。

【0028】

システム２００は、好ましくはメインメモリ２１５を含み、二次メモリ２２０も含み得る。メインメモリ２１５は、本明細書で論じる機能及び／又はモジュールのうちの１つ以上など、プロセッサ２１０上で実行されるプログラムのための命令及びデータの記憶を提供する。メモリ内に記憶され、プロセッサ２１０によって実行されるプログラムは、限定ではないが、Ｃ／Ｃ＋＋、Ｊａｖａ、ＪａｖａＳｃｒｉｐｔ、Ｐｅｒｌ、Ｖｉｓｕａｌ Ｂａｓｉｃ、．ＮＥＴなどを含む、任意の好適な言語に従って記述され、かつ／又はコンパイルされ得ることを理解されたい。メインメモリ２１５は、典型的には、ダイナミックランダムアクセスメモリ（ＤＲＡＭ）及び／又はスタティックランダムアクセスメモリ（ＳＲＡＭ）などの半導体ベースのメモリである。他の半導体ベースのメモリタイプは、例えば、読み出し専用メモリ（ＲＯＭ）を含む、同期型ダイナミックランダムアクセスメモリ（ＳＤＲＡＭ）、Ｒａｍｂｕｓダイナミックランダムアクセスメモリ（ＲＤＲＡＭ）、強誘電体ランダムアクセスメモリ（ＦＲＡＭ）などを含む。

【0029】

二次メモリ２２０は、任意選択で、内部媒体２２５及び／又は取り外し可能媒体２３０を含み得る。取り外し可能媒体２３０は、任意の周知の方法で読み出され、かつ／又は書き込まれる。取り外し可能な記憶媒体２３０は、例えば、磁気テープドライブ、コンパクトディスク（ＣＤ）ドライブ、デジタル多用途ディスク（ＤＶＤ）ドライブ、他の光学ドライブ、フラッシュメモリドライブなどであってもよい。

【0030】

二次メモリ２２０は、コンピュータ実行可能コード（例えば、開示されるソフトウェアモジュール）及び／又は他のデータが記憶された非一時的コンピュータ可読媒体である。二次メモリ２２０に記憶されたコンピュータソフトウェア又はデータは、プロセッサ２１０による実行のためにメインメモリ２１５に読み込まれる。

【0031】

代替実施形態では、二次メモリ２２０は、コンピュータプログラム又は他のデータ若しくは命令がシステム２００にロードされることを可能にするための他の同様の手段を含み得る。かかる手段は、例えば、ソフトウェア及びデータが外部記憶媒体２４５からシステム２００に転送されることを可能にする、通信インターフェース２４０を含んでもよい。外部記憶媒体２４５の例として、外部ハードディスクドライブ、外部光学ドライブ、外部磁気光学ドライブなどが挙げられる。二次メモリ２２０の他の例として、プログラマブル読み出し専用メモリ（ＰＲＯＭ）、消去可能プログラマブル読み出し専用メモリ（ＥＰＲＯＭ）、電気的消去可能読み出し専用メモリ（ＥＥＰＲＯＭ）、及びフラッシュメモリ（ＥＥＰＲＯＭに類似したブロック指向メモリ）などの半導体ベースのメモリが挙げられる。

【0032】

上述のように、システム２００は、通信インターフェース２４０を含み得る。通信インターフェース２４０は、ソフトウェア及びデータが、システム２００と外部デバイス（例えば、プリンタ）、ネットワーク、又は他の情報源との間で転送されることを可能にする。例えば、コンピュータソフトウェア又は実行可能コードは、通信インターフェース２４０を介してネットワークサーバ（例えば、プラットフォーム１１０）からシステム２００に転送されてもよい。通信インターフェース２４０の例には、内蔵ネットワークアダプタ、ネットワークインターフェースカード（ＮＩＣ）、パーソナルコンピュータメモリカード国際協会（ＰＣＭＣＩＡ）ネットワークカード、カードバスネットワークアダプタ、無線ネットワークアダプタ、ユニバーサルシリアルバス（ＵＳＢ）ネットワークアダプタ、モデム、無線データカード、通信ポート、赤外線インターフェース、ＩＥＥＥ１３９４ファイヤワイヤ、及びシステム２００をネットワーク（例えば、ネットワーク１２０）又は別のコンピューティングデバイスとインターフェースすることができる任意の他のデバイスが含まれる。通信インターフェース２４０は、好ましくは、イーサネットＩＥＥＥ８０２規格、ファイバチャネル、デジタル加入者線（ＤＳＬ）、非同期デジタル加入者線（ＡＤＳＬ）、フレームリレー、非同期転送モード（ＡＴＭ）、統合デジタルサービスネットワーク（ＩＳＤＮ）、パーソナル通信サービス（ＰＣＳ）、伝送制御プロトコル／インターネットプロトコル（ＴＣＰ／ＩＰ）、シリアル回線インターネットプロトコル／ポイントツーポイントプロトコル（ＳＬＩＰ／ＰＰＰ）などの業界で公表されたプロトコル規格を実装するが、カスタマイズされた又は非標準のインターフェースプロトコルも実装することができる。

【0033】

通信インターフェース２４０を介して転送されるソフトウェア及びデータは、概して、電気通信信号２５５の形態である。これらの信号２５５は、通信チャネル２５０を介して通信インターフェース２４０に提供され得る。一実施形態では、通信チャネル２５０は、有線若しくは無線ネットワーク（例えば、ネットワーク１２０）、又は任意の種々の他の通信リンクであってもよい。通信チャネル２５０は、信号２５５を搬送し、一部例を挙げると、ワイヤ又はケーブル、光ファイバ、従来の電話回線、携帯電話リンク、無線データ通信リンク、無線周波数（「ＲＦ」）リンク、又は赤外線リンクを含む、種々の有線又は無線通信手段を使用して実装することができる。

【0034】

コンピュータ実行可能コード（例えば、開示されたアプリケーションなどのコンピュータプログラム、又はソフトウェアモジュール）は、メインメモリ２１５及び／又は二次メモリ２２０に記憶される。コンピュータプログラムはまた、通信インターフェース２４０を介して受信され、メインメモリ２１５及び／又は二次メモリ２２０に記憶され得る。かかるコンピュータプログラムは、実行されると、システム２００が、本明細書の他の場所で説明されるような開示される実施形態の種々の機能を行うことを可能にする。

【0035】

本明細書では、「コンピュータ可読媒体」という用語は、コンピュータ実行可能コード及び／又は他のデータをシステム２００に、又はシステム２００内に提供するために使用される任意の非一時的コンピュータ可読記憶媒体を指すために使用される。かかる媒体の例として、メインメモリ２１５、二次メモリ２２０（内部メモリ２２５、取り外し可能媒体２３０、及び外部記憶媒体２４５を含む）、及び通信インターフェース２４０と通信可能に結合された任意の周辺デバイス（ネットワーク情報サーバ又は他のネットワークデバイスを含む）が挙げられる。これらの非一時的コンピュータ可読媒体は、実行可能コード、プログラミング命令、ソフトウェア、及び／又は他のデータをシステム２００に提供するための手段である。

【0036】

ソフトウェアを使用して実装される一実施形態では、ソフトウェアは、コンピュータ可読媒体上に記憶され、取り外し可能媒体２３０、Ｉ／Ｏインターフェース２３５、又は通信インターフェース２４０を経由して、システム２００にロードされてもよい。かかる一実施形態では、ソフトウェアは、電気通信信号２５５の形態でシステム２００にロードされる。ソフトウェアは、プロセッサ２１０によって実行されると、好ましくは、プロセッサ２１０に、本明細書の他の場所で説明されるプロセス及び機能のうちの１つ以上を行わせる。

【0037】

一実施形態では、Ｉ／Ｏインターフェース２３５は、システム２００の１つ以上の構成要素と１つ以上の入力及び／又は出力デバイスとの間のインターフェースを提供する。例示的な入力デバイスは、限定ではなく、センサ、キーボード、タッチスクリーン又は他のタッチセンシティブデバイス、バイオメトリックセンシングデバイス、コンピュータマウス、トラックボール、ペンベースのポインティングデバイスなどを含む。出力デバイスの例としては、他の処理デバイス、陰極線管（ＣＲＴ）、プラズマディスプレイ、発光ダイオード（ＬＥＤ）ディスプレイ、液晶ディスプレイ（ＬＣＤ）、プリンタ、真空蛍光ディスプレイ（ＶＦＤ）、表面伝導型電子放出ディスプレイ（ＳＥＤ）、電界放出ディスプレイ（ＦＥＤ）などが挙げられるが、これらに限定されない。ある場合には、タッチパネルディスプレイ（例えば、スマートフォン、タブレット、又は他のモバイルデバイス内）の場合など、入力及び出力デバイスが組み合わせられてもよい。

【0038】

システム２００はまた、音声ネットワーク及び／又はデータネットワーク（例えば、ユーザシステム１３０の場合）を経由した無線通信を促進する、任意選択の無線通信構成要素を含み得る。無線通信構成要素は、アンテナシステム２７０、無線システム２６５、及びベースバンドシステム２６０を含む。システム２００において、無線周波数（ＲＦ）信号は、無線システム２６５の管理の下でアンテナシステム２７０によって無線で送受信される。

【0039】

一実施形態では、アンテナシステム２７０は、１つ以上のアンテナと、アンテナシステム２７０に送信信号経路及び受信信号経路を提供するためにスイッチング機能を実行する１つ以上のマルチプレクサ（図示せず）とを含み得る。受信経路では、受信されたＲＦ信号は、マルチプレクサから低雑音増幅器（図示せず）に結合され得、低雑音増幅器は、受信されたＲＦ信号を増幅し、増幅された信号を無線システム２６５に送信する。

【0040】

代替実施形態では、無線システム２６５は、種々の周波数を介して通信するように構成された１つ以上の無線機を含み得る。一実施形態では、無線システム２６５は、復調器（図示せず）と変調器（図示せず）とを１つの集積回路（ＩＣ）に組み合わせることができる。復調器及び変調器は、別個の構成要素であり得る。入力経路では、復調器はＲＦ搬送波信号を除去してベースバンド受信音声信号を残し、これが無線システム２６５からベースバンドシステム２６０に送信される。

【0041】

受信された信号がオーディオ情報を含む場合、ベースバンドシステム２６０は信号をデコードし、それをアナログ信号に変換する。次に、信号は増幅され、スピーカに送信される。ベースバンドシステム２６０はまた、マイクロフォンからアナログオーディオ信号を受信する。これらのアナログオーディオ信号は、デジタル信号に変換され、ベースバンドシステム２６０によって符号化される。ベースバンドシステム２６０はまた、送信のためにデジタル信号を符号化し、無線システム２６５の変調器部分にルーティングされるベースバンド送信オーディオ信号を生成する。変調器は、ベースバンド送信オーディオ信号をＲＦキャリア信号と混合し、アンテナシステム２７０にルーティングされ、電力増幅器（図示せず）を通過し得るＲＦ送信信号を生成する。電力増幅器は、ＲＦ送信信号を増幅し、それをアンテナシステム２７０にルーティングし、信号は、送信のためにアンテナポートにスイッチされる。

【0042】

ベースバンドシステム２６０はまた、中央処理装置（ＣＰＵ）であり得るプロセッサ２１０と通信可能に結合される。プロセッサ２１０は、データ記憶領域２１５及び２２０へのアクセスを有する。プロセッサ２１０は、好ましくは、メインメモリ２１５又は二次メモリ２２０に記憶され得る命令（すなわち、開示されたアプリケーションなどのコンピュータプログラム、又はソフトウェアモジュール）を実行するように構成される。コンピュータプログラムはまた、ベースバンドプロセッサ２６０から受信され、メインメモリ２１０又は二次メモリ２２０に記憶されるか、又は受信時に実行され得る。かかるコンピュータプログラムは、実行されると、システム２００が、開示される実施形態の種々の機能を実行することを可能にする。

【0043】

２．プロセスの概要
キーワード推薦を提供する機械学習モデルのためのプロセスの実施形態が、ここで詳細に説明される。説明するプロセスは、例えば、本明細書で説明するアプリケーション（例えば、サーバアプリケーション１１２、クライアントアプリケーション１３２、及び／又はサーバアプリケーション１１２及びクライアントアプリケーション１３２の両方を含む分散アプリケーション）として、１つ以上のハードウェアプロセッサ（例えば、プロセッサ２１０）によって実行される１つ以上のソフトウェアモジュールで具現化されてもよく、これは、プラットフォーム１１０のプロセッサによって完全に実行されてもよく、ユーザシステム１３０のプロセッサによって完全に実行されてもよく、又はアプリケーションの一部の部分又はモジュールがプラットフォーム１１０によって実行され、アプリケーションの他の部分又はモジュールがユーザシステム１３０によって実行されるように、プラットフォーム１１０及びユーザシステム１３０にわたって分散されてもよいことを理解されたい。説明するプロセスは、ソースコード、オブジェクトコード、及び／又はマシンコードで表される命令として実装され得る。これらの命令は、ハードウェアプロセッサによって直接実行されてもよく、又は代替的に、オブジェクトコードとハードウェアプロセッサとの間で動作する仮想マシンによって実行されてもよい。加えて、開示されるアプリケーションは、１つ以上の既存のシステム上に構築されるか、又はそれとインターフェース接続されてもよい。

【0044】

代替的に、説明するプロセスは、ハードウェア構成要素（例えば、汎用プロセッサ、集積回路（ＩＣ）、特定用途向け集積回路（ＡＳＩＣ）、デジタル信号プロセッサ（ＤＳＰ）、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）若しくは他のプログラマブル論理デバイス、個別ゲート若しくはトランジスタ論理など）、ハードウェア構成要素の組み合わせ、又はハードウェア構成要素とソフトウェア構成要素との組み合わせとして実装され得る。ハードウェアとソフトウェアとの互換性を明確に示すために、種々の例示的な構成要素、ブロック、モジュール、回路、及びステップが、本明細書では概してそれらの機能に関して説明される。かかる機能がハードウェアとして実装されるかソフトウェアとして実装されるかは、特定の適用例及びシステム全体に課される設計制約に依存する。当業者は、説明された機能を特定の適用例ごとに種々の方法で実装することができるが、かかる実装の決定は、本発明の範囲からの逸脱を引き起こすものと解釈されるべきではない。加えて、構成要素、ブロック、モジュール、回路、又はステップ内の機能のグループ化は、説明を容易にするためのものである。特定の機能又はステップは、本発明から逸脱することなく、１つの構成要素、ブロック、モジュール、回路、又はステップから別の構成要素、ブロック、モジュール、回路、又はステップに移動され得る。

【0045】

更に、本明細書で説明されるプロセスは、サブプロセスの特定の配置及び順序で示されているが、各プロセスは、より少ない、より多い、又は異なるサブプロセス、並びにサブプロセスの異なる配置及び／又は順序で実装されてもよい。加えて、別のサブプロセスの完了に依存しない任意のサブプロセスは、サブプロセスが特定の順序で説明又は図示されている場合であっても、その他の独立したサブプロセスの前後、又はそれと並行して実行されてもよいことを理解されたい。

【0046】

２．１．全体のプロセス
図３は、一実施形態による、キーワード推薦が使用され得るプロセス３００の全体的なデータフローを示している。プロセス３００は、サーバアプリケーション１１２及び／又はクライアントアプリケーション１３２によって実装され、プラットフォーム１１０及び／又はユーザシステム１３０のプロセッサ２１０によって実行され得る。本明細書で使用される場合、「キーワード」という用語は、単一の単語と、２つ以上の単語を含む複数の単語のフレーズとの両方を指し得る。例えば、キーワードは、「クラウド」という用語と「クラウドベースのコンピューティング」という用語の両方を含んでもよい。

【0047】

生のキーワードデータ３１０は、外部システム１４０（例えば、データベンダ）などの１つ以上のデータソースから受信され得る。一実施形態では、生のキーワードデータ３１０は、キーワードを有するか又は利用する複数のオンラインリソースの活動を表す複数のキーワード活動記録を含み得る。生のキーワードデータ３１０は、これらのオンラインリソースと対話した１人以上の訪問者のオンライン活動を表すことができ、複数のキーワード活動記録の各々は、１つのオンラインリソースへの１回の訪問を表す。オンラインリソースは、検索クエリ、検索結果、ウェブページ、電子文書などであり得る。生のキーワードデータ３１０は、複数のキーワード活動記録の各々について、キーワード活動記録によって表されるオンラインリソースのユニフォームリソースロケータ（ＵＲＬ）、そのオンラインリソースへの訪問者のＩＰアドレス、訪問日（例えば、タイムスタンプ）、オンラインリソースのメタデータ（例えば、タイトル、説明、明示的なキーワードなどを含む、ウェブページのＨＴＭＬソースコード又は検索クエリに埋め込まれたキーワード）、及び／又はリソースのテキスト（例えば、ウェブページ又は文書のコンテンツ）を含み得る。生のキーワードデータ３１０は、キーワード活動記録が生成されるときにリアルタイムで、又は定期的に（例えば、毎時間、毎日、不規則な間隔で、ある量の生のキーワードデータ３１０が生成された後、要求されたときなど）受信され得る。生のキーワードデータ３１０は、非常に大きく、ノイズの多いデータセットである可能性があり、例えば、多種多様な関連キーワード及び無関係キーワードを含んでおり、１日当たり数百万の行を伴って、高速で受信される。

【0048】

サブプロセス３１２では、生のキーワードデータ３１０が処理されて、アクティブキーワード３１４が生成される。サブプロセス３１２は、生のキーワードデータ３１０を解析して、オンラインリソース内のキーワード及び／又はオンラインリソースのメタデータ内のキーワードを抽出することを含み得る。これらのキーワードは、検索クエリで最近又は積極的に使用されているキーワード、最近訪問されたオンラインリソースで見られるキーワード、又は他の形で訪問者がエンゲージしているキーワードなどを表すことを理解されたい。サブプロセス３１２は、オンラインリソース（例えば、ウェブページ又は他のオンライン文書のコンテンツ）のテキスト内のキーワード、並びにリソースのメタデータ内に埋め込まれたキーワードを解析することができる。しかしながら、一実施形態では、サブプロセス３１２は、オンラインリソースのメタデータに埋め込まれているがオンラインリソースのテキストには埋め込まれていないキーワードを解析する。メタデータは、検索エンジン最適化（ＳＥＯ）のためのオンラインリソースに埋め込まれ、機械学習（例えば、ニューヨーク州アーモンクのＩｎｔｅｒｎａｔｉｏｎａｌ Ｂｕｓｉｎｅｓｓ Ｍａｃｈｉｎｅｓ Ｃｏｒｐ．によって提供されるＷａｔｓｏｎ Ｎａｔｕｒａｌ Ｌａｎｇｕａｇｅ Ｕｎｄｅｒｓｔａｎｄｉｎｇ）などによって抽出されるキーワードの配列を含み得る。

【0049】

更に、サブプロセス３１２は、生のキーワードデータ３１０内のＵＲＬを処理して、ＵＲＬ自体から追加のキーワードを抽出することを含み得る。例えば、各ＵＲＬは、文字列操作を介して処理され、使用可能なキーワードを抽出してもよい。ＵＲＬをその構成要素キーワードに分割するために、「／」、「－」、「＿」、及び「．」など、ＵＲＬ中で頻繁に発生するセパレータ又は区切り記号が使用され得る。例えば、ＵＲＬ「ｈｕｂ．６ｓｅｎｓｅ．ｃｏｍ／ｂｌｏｇｓ／６ｓｅｎｓｅ－ｌｉｎｋｅｄｉｎ－ａｄｓ－ｂｅｔｔｅｒ－ｔａｒｇｅｔｉｎｇ－ｂｉｇｇｅｒ－ｅｎｇａｇｅｍｅｎｔ」は、区切り文字「－」に基づいて最後の区切り文字「／」の後の文字列を分離することによって、キーワード［６ｓｅｎｓｅ，ｌｉｎｋｅｄｉｎ，ａｄｓ，ｂｅｔｔｅｒ，ｔａｒｇｅｔｉｎｇ，ｂｉｇｇｅｒ，ｅｎｇａｇｅｍｅｎｔ］に解析することができる。ＵＲＬは、典型的には、一部の一般的かつ周知のパターンに従い、これらのパターンは、ＵＲＬをキーワードに分離するために使用されてもよく、キーワードは、アクティブキーワード３１４に追加されることを理解されたい。

【0050】

生のキーワードデータ３１０内のキーワード活動記録のうちの特定の１つから抽出されたアクティブキーワード３１４の全ては、そのキーワード活動記録のための単一の配列に記憶され得る。換言すれば、生のキーワードデータ３１０内の複数のキーワード活動記録とアクティブキーワード３１４内のキーワードの複数の配列との間に１対１の対応が存在し得る。例えば、アクティブキーワード３１４は、オンラインリソースごとに、オンラインリソースのメタデータからのキーワード（例えば、タイトル、説明、明示的なキーワードなど）、オンラインリソースのＵＲＬからのキーワード、機械学習（例えば、Ｗａｔｓｏｎ Ｎａｔｕｒａｌ Ｌａｎｇｕａｇｅ Ｕｎｄｅｒｓｔａｎｄｉｎｇ）によって抽出されたキーワードなど、オンラインリソースから抽出されたキーワードの配列を含み得る。オンラインリソース自体のテキストを構文解析してキーワードを抽出する実施形態では、キーワードの配列は、オンラインリソース自体のテキストからのキーワードを含み得ることを理解されたい。アクティブキーワード３１４内のキーワードの各配列は、その配列が抽出されたキーワード活動記録によって表されるオンラインリソースのＵＲＬ（又は他の識別子）に関連付けられ得る。換言すれば、キーワードの配列とそれらの対応するＵＲＬとの間の関連付け又は関係は、１つ以上の下流機能で利用するために、プロセス３００中に維持され得る。

【0051】

１つ又は複数のユーザ指定キーワード３２０は、ユーザによって指定され得る。ユーザは、プラットフォーム１１０を有するビジネスアカウントのユーザであり得る。例えば、企業は、標準的な登録技術を介してプラットフォーム１１０とのビジネスアカウントを確立してもよく、そのビジネスアカウント内でユーザによって使用される１つ以上のユーザアカウントを作成してもよい。代替的に、各ビジネスアカウントは単一のユーザを有してもよく、その場合、ビジネスアカウントとユーザアカウントは同じものである。いずれの場合も、各ユーザは、プラットフォーム１１０上の自身の対応するユーザアカウントにログインしたとき、開示されたアプリケーションによって提供されるグラフィカルユーザインターフェースを介して１つ以上のキーワード３２０を指定することができる。例えば、グラフィカルユーザインターフェースは、対象の（例えば、ユーザのビジネス及び／又は製品に関連する）キーワードを入力及び提出するための１つ以上の入力を伴う１つ以上の画面を含んでもよい。代替的に、プラットフォーム１１０はＡＰＩを提供してもよく、ユーザはＡＰＩを介して対象のキーワードを提出してもよい。

【0052】

一実施形態では、ユーザは、入力されたキーワードごとに、そのキーワードがブランドキーワードであるかジェネリックキーワードであるかを指定することができる。代替的に、アプリケーションは、例えば、ブランドキーワードのデータベース内のキーワードのルックアップを実行し、キーワードがデータベース内に現れるときにキーワードがブランド化されていると判定し、キーワードがデータベース内に現れないときにキーワードがジェネリックであると判定することによって、ユーザが入力する各キーワードがブランド化されているかジェネリックであるかを自動的に判定してもよい。ブランドキーワードは、特定の企業又は製品（例えば、企業名、製品名、商標など）を識別するものである一方、ジェネリックキーワードは、特定の企業又は製品を識別しないものであることを理解されたい。ブランド又はジェネリックとしてのキーワードの分類は、１つ以上の下流機能に有用であり得る。例えば、ブランドキーワードは、見込み購入者が購入プロセスにおいてジェネリックキーワードよりも更に進んでいることを示唆し得るので、ブランドキーワードには、見込み購入者の意図を予測する予測モデルにおいてより多くの重みを与えることができる。

【0053】

サブプロセス３３０では、生のキーワードデータ３１０から抽出されたアクティブキーワード３１４が、ユーザ指定キーワード３２０と一致する。具体的には、アクティブキーワード３１４内のキーワードの各配列が、ユーザ指定キーワード３２０内の各キーワードと比較される。ユーザ指定キーワード３２０内のキーワードと一致したアクティブキーワード３１４内のキーワードの各配列は、サブプロセス３３０によって出力されて、フィルタリングされたキーワード３４０のセットを生成する。換言すれば、フィルタリングされたキーワード３４０は、ユーザ指定キーワード３２０のうちの少なくとも１つと一致するアクティブキーワード３１４からのキーワードの配列を含む。フィルタリングされたキーワード３４０内のキーワードのこれらの配列の各々は、ＵＲＬによって表され、生のキーワードデータ３１０内のキーワード活動記録によって表されるように、単一のオンラインリソースを表すことを理解されたい。したがって、フィルタリングされたキーワード３４０は、ユーザ指定キーワード３２０に関連し、キーワードの配列として表されるオンラインリソースのリストと考えることもできる。

【0054】

一致は、正確なキーワード一致と配列交差一致との両方を含み得る。正確なキーワード一致では、ユーザ指定キーワード３２０は、オンラインリソースに関連付けられたキーワードの配列における同一のキーワード３１４と一致する。例えば、ユーザ指定キーワード３２０内の用語［クラウド］は、［アズール、オラクル、クラウド、コンピューティング］のキーワードの配列と正確と一致する。配列交差一致では、複数の単語のフレーズを含むユーザ指定キーワードが、その複数の単語のフレーズ内の単語を含むキーワードの配列に、その配列が正確な複数の単語のフレーズを含まない場合でも一致する。任意選択で、複数の単語のフレーズは、キーワードの配列における複数の単語のフレーズからの単語の配置にかかわらず、キーワードの配列と一致し得る。例えば、ユーザ指定キーワード３２０内の用語［予測解析］は、［予測、クラウド、解析、マーケティング］のキーワードの配列と一致し、任意選択的に、［クラウド、解析、マーケティング、予測］のキーワードの配列と一致する。代替的に、複数の単語のフレーズは、複数の単語のフレーズ内のワードがキーワードの配列内で同じ順序で発生する場合にのみ、キーワードの配列と一致し得る。この場合、ユーザ指定キーワード３２０内の用語［予測解析］は、［予測、クラウド、解析、マーケティング］のキーワードの配列と一致するが、［クラウド、解析、マーケティング、予測］のキーワードの配列とは一致しない。いずれの場合も、オンラインリソースのためのキーワードの配列が、複数の単語のフレーズの中の単語の全て（又は、代替的に、複数の単語のフレーズの中の単語の少なくとも相当の割合）を含む場合、配列に正確な複数の単語のフレーズが含まれていなくても、配列は複数の単語のフレーズと一致する。

【0055】

上述したように、フィルタリングされたキーワード３４０は、サブプロセス３３０においてユーザ指定キーワード３２０と一致した、生のキーワードデータ３１０内のオンラインリソースを表すキーワード３１４の配列から構成され得る。したがって、ユーザ指定キーワード３２０は、通常、異なるユーザに対して異なっているので、フィルタリングされたキーワード３４０は、異なるユーザに対して異なり得ることを理解されたい。換言すれば、異なるユーザによって指定されたユーザ指定キーワード３２０の複数の異なるセットが存在することが可能であり、キーワード一致サブプロセス３３０は、ユーザ指定キーワードの複数の異なるセットの各々について実行されて、ユーザごとにフィルタリングされたキーワード３４０の複数の異なるセットを生成することが可能である。換言すれば、フィルタリングされたキーワード３４０の各セットは、ユーザ指定されたものである。

【0056】

一実施形態では、フィルタリングされたキーワード３４０は、キーワードモデル３５０を訓練するために使用される。具体的には、訓練データセットは、フィルタリングされたキーワード３４０から生成されてもよく、キーワードモデル３５０は、キーワードを受け入れ、１つ以上の関連する又は推薦されるキーワードを出力するように訓練データセット上で訓練されてもよい。有利には、フィルタリングされたキーワード３４０は、ユーザに関連しないキーワードを除外するように既にフィルタリングされているので、ユーザに対する訓練データセットの関連性が保証される。例えば、Ｂ２Ｂユーザの場合、フィルタリングされたキーワード３４０の実質的に全てがＢ２Ｂに関連する。したがって、機械学習アルゴリズムを含み得る、キーワードモデル３５０を訓練するためのフィルタリングされたキーワード３４０を使用することで、得られたキーワードモデル３５０がユーザのビジネスに関連することが確実となる。一実施形態では、異なるキーワードモデル３５０が異なるユーザに関連付けられるように、別個のキーワードモデル３５０がユーザごとに訓練され、記憶され、操作され得る。換言すれば、ユーザ指定のフィルタリングされたキーワード３４０の別個のセットを使用して、ユーザごとに別個のキーワードモデル３５０を訓練することができる。代替的に、同じキーワードモデル３５０が、全てのユーザに対して、又は同じ業界内の、若しくは何らかの他の関連する特性を共有するユーザのグループに対して使用され得る。

【0057】

キーワードモデル３５０は、ｗｏｒｄ２ｖｅｃアルゴリズムを含むか、又はそれに基づき得る。ｗｏｒｄ２ｖｅｃは、ニューラルネットワークを使用して、テキストのコーパスから単語関連付けを学習し、その結果、入力キーワードの同義語を検出するか、又は入力キーワードとともに使用されるべき追加のキーワードを提案することができる（例えば、部分的な文において）。ｗｏｒｄ２ｖｅｃは、数学的関数（例えば、コサイン類似度）を２つのベクトルに適用して、これらの２つのベクトルによって表される２つの単語間の意味的類似度のレベルを示すことができるように、各別個の単語を数のベクトルで表すものである。特に、ｗｏｒｄ２ｖｅｃは、訓練データセットを使用して訓練される浅い２層ニューラルネットワークのグループを使用して、典型的には数百次元であるベクトル空間を使用して単語の言語文脈を再構築する。訓練データセットにおける各単語には、訓練データセット内で共通の文脈を共有する単語がベクトル空間内で互いに近接して位置するように、ベクトル空間内の対応するベクトルが割り当てられる。

【0058】

キーワードモデル３５０が訓練される訓練段階の後に、キーワードモデル３５０は、動作段階においてキーワードを推薦するために展開され得る。例えば、動作段階では、キーワードモデル３５０は、ユーザ指定キーワード３２０を入力として受信し、推薦キーワード３５２を出力してもよい。例えば、ユーザがキーワード３２０を入力するときはいつでも、アプリケーションは、自動的に（例えば、いかなるユーザ介入も伴わずに）又は半自動的に（例えば、続行するためのユーザ確認後に）、キーワードモデル３５０を適用し、推薦キーワード３２０を生成してもよい。代替的に、アプリケーションは、ユーザがキーワード３２０を手動で入力して推薦キーワード３５２を生成することを可能にする専用の画面、フレーム、又は入力をグラフィカルユーザインターフェース内に提供することができる。

【0059】

アプリケーションは、ユーザ指定キーワード３２０に追加される推薦キーワード３５２のうちの１つ以上をユーザが個々に及び／又は集合的に選択することを可能にする１つ以上の入力とともに、推薦キーワード３５２をグラフィカルユーザインターフェース内に表示することができる。代替的に、アプリケーションは、推薦キーワード３５２をユーザ指定キーワード３２０に自動的に追加してもよい。いずれの場合も、ユーザ指定キーワード３２０に追加される推薦キーワード３５２は、サブプロセス３３０におけるキーワード一致に使用されることを理解されたい。したがって、有利には、キーワードモデル３５０は、サブプロセス３３０におけるキーワード一致を強化及び改善するために、ユーザ及び／又はユーザのビジネスに暗黙的に関連する（例えば、前のフィルタリングされたキーワード３４０から推論された）データセットに対して訓練された人工知能を提供する。

【0060】

フィルタリングされたキーワード３４０は、１つ以上の予測モデル３８０のため、かつ／又は１つ以上の他のプロセス若しくはモデルのため、サブプロセス３７０においてＵＲＬをランク付けするため、報告３６０のためなどの１つ以上の下流機能において使用されてもよい。報告３６０は、プラットフォーム１１０又は別個のプラットフォームのサーバアプリケーション１１２によって実行され得る。いずれの場合も、報告３６０は、フィルタリングされたキーワード３４０に関連する集約された及び／又は企業レベルのプロファイル及び行動情報をユーザが閲覧することを可能にするアカウントベースマーケティング（ＡＢＭ）プラットフォームを介して実行され得る。例えば、ＡＢＭプラットフォームは、フィルタリングされたキーワード３４０から導出された意図信号に関する種々のメトリック及び報告能力を、グラフィカルユーザインターフェースを介してユーザに提供してもよい。

【0061】

サブプロセス３７０では、ランク付けロジックを適用して、フィルタリングされたキーワード３４０内のキーワードの配列によって表される各ＵＲＬの所与のユーザに対する関連性を、フィルタリングされたキーワード３４０内で表される他の全てのＵＲＬに対して評価し、ランク付けすることができる。ランク付け論理によるＵＲＬのランク付けは、フィルタリングされたキーワード３４０の１つ以上のメトリックの関数であり得る。例えば、これらのメトリックは、限定するものではないが、ＵＲＬに対するキーワードの配列における一致するキーワードの数、及び／又はフィルタリングされたキーワード３４０に対するＵＲＬに対するキーワードの配列におけるキーワードの全体的な頻度を含み得る。

【0062】

サブプロセス３７０からのランク付けされたＵＲＬは、’２２７特許及び’０５６特許に開示される予測モデルなどの１つ以上の予測モデル３８０に提供され得る。例えば、予測モデル３８０は、ユーザが販売する製品（例えば、商品又はサービス）を企業が購入する尤度を示す、企業の購入意図を予測してもよい。この場合、予測モデル３８０は、１つ以上のデータソース（例えば、販売又はマーケティングキャンペーン、ウェブサイト、検索エンジンなど）から収集された、企業によるエンゲージメント行動（例えば、検索クエリ、ウェブサイト訪問、ウェブフォーム提出、電子メールを開くこと、電子メールに返信すること、電子文書をダウンロードすることなどのオンライン活動、並びに見本市に出席すること、店舗を訪れることなどのオフライン活動）を集約し、製品を購入する企業の尤度を示すスコアを出力することができる。エンゲージメント行動は、オンラインリソースのアクセスに関連付けられている企業を識別するマッピングサービスを使用して、（例えば、キーワード活動記録におけるＩＰアドレス、ドメイン名、アカウントサインインなどに基づいて）特定の企業に関連付けることができる。ランク付けされたＵＲＬは、予測モデル３８０によって使用される１つ以上の重みを生成するために使用され得る。例えば、より高いランクのＵＲＬとのエンゲージメント（例えば、訪問）は、予測モデル３８０において、より低いランクのＵＲＬとのエンゲージメントよりも高く重み付けされてもよい。したがって、より高くランク付けされたＵＲＬへの企業の訪問は、より低くランク付けされたＵＲＬへの訪問と比較して、企業の予測モデル３８０によって出力されるスコアを増加させ得る。

【0063】

一実施形態では、予測モデル３８０はまた、ジェネリックキーワード又はブランドキーワードの使用に基づいてエンゲージメントを重み付けすることができる。例えば、ブランドキーワードの検索を含むエンゲージメントは、ジェネリックキーワードの検索を含むエンゲージメントよりも高く重み付けされてもよい。したがって、ＵＲＬ（例えば、検索エンジン、ウェブサイトなど）において企業がブランドキーワードを使用することで、ＵＲＬにおけるジェネリックキーワードの使用に対して、企業の予測モデル３８０によって出力されるスコアを増加させることができる。換言すれば、予測モデル３８０は、ブランドキーワードを使用している企業が、ジェネリックキーワードを使用している企業よりも購入プロセスに沿っていることを推論するが、これは、ブランドキーワードが、よりターゲットを絞った調査行動を示すからである。

【0064】

２．２．配列交差一致
Ｂ２Ｂ購入意図を決定するための最高品質のキーワードは、よりターゲットを絞った調査行動を表すので、多くの場合、複数の単語のフレーズである。したがって、一実施形態では、サブプロセス３３０では、アクティブキーワード３１４からかかるフレーズを収集するために配列交差一致が用いられる。この配列交差一致は、キーワードの配列におけるフレーズの構成単語の存在に基づいて、それらの構成単語がキーワードの配列内にどのように配置されているかにかかわらず、ユーザ指定の複数の単語のフレーズを、ＵＲＬを表すキーワードの配列と一致させ得るユーザ定義の機能として実装することができる。機能は、複数の単語のフレーズ（例えば、「アカウントベースマーケティング（ａｃｃｏｕｎｔ ｂａｓｅｄ ｍａｒｋｅｔｉｎｇ）」）を受信し、複数の単語のフレーズをワードの配列（例えば、［アカウント（ａｃｃｏｕｎｔ）、ベース（ｂａｓｅｄ）、マーケティング（ｍａｒｋｅｔｉｎｇ）］）に（例えば、スペースに基づいて）分割し、次いで、アクティブキーワード３１４内のキーワードの配列におけるワードのその配列の共通部分を検索することによって、これを実装してもよい。

【0065】

２．３．キーワード推薦
上述したように、キーワードモデル３５０は、フィルタリングされたキーワード３４０を使用して訓練され、ユーザ指定キーワード３２０の入力に基づいて推薦キーワード３５２を提供する。したがって、キーワードモデル３５０は、プロセス３００のデータパイプライン内のキーワードの量を増加させる。特に、これは、サブプロセス３１２におけるＵＲＬの処理に追加されるものであり、これにより、プロセス３００のデータパイプラインにおけるキーワードの量も増加する。有利には、キーワードの量のこの増加により、予測モデル３８０（例えば、予測意図モデルのための意図信号）などの下流機能のための信号の追加のソースが得られる。キーワード推薦は、新しいユーザのための初期キーワードを自動的に生成すること（例えば、新しいユーザのビジネスに基づいてキーワードを自動的に生成するコールドスタート）、ＳＥＭ又は他の目的のために潜在的な新しいキーワードの関連性をスコア付けすること（例えば、既知の関連キーワードに対するキーワードモデル３５０のベクトル空間内の類似度距離に基づいて）、及び／又は予測モデル３８０がＳＥＯ又は他の目的のためにＵＲＬに割り当てる関連性を判断するためにＵＲＬのデータをスコア付けすることなど、一部の他の下流機能のために使用され得ることを理解されたい。

【0066】

キーワード推薦は、キーワード調査のためのツールとして、アプリケーションのグラフィカルユーザインターフェースに統合され得る。ユーザは、ユーザ指定キーワード３２０をグラフィカルユーザインターフェースに入力して、キーワードモデル３５０から推薦キーワード３５２を生成することができる。上述したように、キーワードモデル３５０は、フィルタリングされたキーワード３４０に対して訓練されてもよい。これらの特徴は、推薦キーワード３５２が、ユーザに固有であり、かつユーザの企業（例えば、Ｂ２Ｂ）に合っていることを保証する。

【0067】

図４は、一実施形態による、推薦キーワード３５２を提供するためのグラフィカルユーザインターフェースの画面４００（例えば、ウェブページ）の一例を示している。図示のように、画面４００は、ユーザ指定キーワード３２０のサブセット（例えば、特定のスペースに関連するブランドのサブセット、ジェネリックなサブセット、ユーザが作成したサブセットなど）を選択し、ソートし、検索し、かつ／又はそれに対してアクションを実行するための１つ以上の入力４１０と、ユーザ指定キーワード３２０のためのフレーム４２０と、推薦キーワード３５２のためのフレーム４３０とを含む。

【0068】

フレーム４２０は、選択されたソート基準（例えば、アルファベット順）に従ってソートされた、選択されたサブセットにおけるユーザ指定キーワード３２０の各々を表す。各ユーザ指定キーワード３２０は、テキストとしてのキーワードと入力４２４（例えば、チェックボックス）とを含む視覚要素４２２として表すことができる。ユーザは、特定の視覚要素４２２の入力４２４を選択して、その視覚要素４２２によって表されるキーワードを選択することができる。ユーザは、このようにして、キーワードに対するそれぞれの入力４２４を使用して１つ以上のキーワードを選択し、選択されたキーワードの全てに対して（例えば、入力４１０のうちの１つを使用して）アクション（例えば、削除）をまとめて実行することができる。

【0069】

フレーム４３０は、フレーム４２０内のユーザ指定キーワード３２０に適用された後にキーワードモデル３５０によって出力される推薦キーワード３５２をリスト化する。各推薦キーワード３５２は、テキストとしてのキーワードと入力４３４（例えば、「プラス」アイコン）とを含む視覚要素４３２として表すことができる。ユーザは、特定の視覚要素４３２の入力４３４を選択して、その視覚要素４３２によって表されるキーワードをユーザ指定キーワード３２０に追加することができる。換言すれば、ユーザが特定の視覚要素４２２の入力４３４を選択した場合、その視覚要素４３２はフレーム４３０から除去されてもよく、対応する視覚要素４３２がフレーム４２０に追加されてもよい。フレーム４２０に追加される対応する視覚要素４２２は、フレーム４２０内の他の全てのユーザ指定キーワード３２０の視覚要素４２２と同様に、テキストとしてのキーワードと、キーワードを選択するための入力４２４とを含むことを理解されたい。加えて、アプリケーションは、これらのユーザが追加した推薦キーワード３５２にキーワードモデル３５０を自動的に適用して、フレーム４３０内の視覚要素４３２によって視覚的に表し得る１つ以上の新しい推薦キーワード３５２を生成することができる。このようにして、ユーザは、関連するユーザ指定キーワード３２０の大きなセットを迅速かつ容易に構築することができる。

【0070】

２．４．Ｗｏｒｄ２ｖｅｃ
上述したように、キーワードモデル３５０は、推薦キーワード３５２として出力される単語関連付けを提供するために、キーワード（例えば、メタデータキーワード）の配列を含む発行元データに対して訓練されたｗｏｒｄ２ｖｅｃアルゴリズムを含み得る。ｗｏｒｄ２ｖｅｃは、各単語をベクトル表現に変換し、ベクトル表現は、２つの単語を比較する（すなわち、２つの単語の２つのベクトル表現を比較する）ときに、類似する単語のリストを見つけるか、又は類似度スコアを提供するために使用され得る。ｗｏｒｄ２ｖｅｃの実装形態は、Ｇｅｎｓｉｍ及びＨ２Ｏを含むＰｙｔｈｏｎ（商標）の機械学習ライブラリに存在する。特定の実装形態では、Ｇｅｎｓｉｍライブラリを使用して、キーワードモデル３５０用のｗｏｒｄ２ｖｅｃアルゴリズムを構築した。

【0071】

ｗｏｒｄ２ｖｅｃは、単語相関を学習するために文書アプローチを使用する。多次元ベクトルは、訓練データセットにおける文書における単語共起の頻度を使用して構築される。複数のｗｏｒｄ２ｖｅｃアルゴリズムがパブリックドメインに存在しており、これには、ニュース記事で訓練されたカリフォルニア州マウンテンビューのＧｏｏｇｌｅ（商標）によって公開されたもの（ｃｏｄｅ．ｇｏｏｇｌｅ．ｃｏｍ／ａｒｃｈｉｖｅ／ｐ／ｗｏｒｄ２ｖｅｃ／）が含まれる。しかしながら、予め構築済みのモデルを使用してキーワード推薦を行うことには大きな欠点がある。

【0072】

例えば、これらの予め構築済みのモデル（例えば、ニュース記事のコーパス上で訓練された）は、単一の単語に対して有用であり得るが、それらのボキャブラリは、意図を推論するために特に有用であり得る複数の単語のフレーズ（例えば、「アカウントベースマーケティング」）を含まない。「ｎグラム」と称されることもある複数語のキーワードフレーズを識別する能力は、Ｂ２Ｂ調査にとって重要であるが、これは、よりターゲットを絞った関連性の高い結果が得られるためである。したがって、一実施形態では、ｎグラムを考慮するために、キーワードモデル３５０は、ｗｏｒｄ２ｖｅｃアルゴリズムを訓練するために使用される「文書」として、ＵＲＬのメタデータからのキーワード配列（例えば、ＵＲＬ自体を含む）を使用する。有利には、（例えば、ニュース記事などの実際の文書とは対照的に）「文書」としてのメタデータキーワード配列を使用することで、事前定義されたｎグラム及び共起関係を有するｗｏｒｄ２ｖｅｃアルゴリズムが得られる。

【0073】

ｗｏｒｄ２ｖｅｃアルゴリズムを訓練するために大きな任意のデータセットを使用することの別の欠点は、多くの単語及びフレーズが文脈に依存することである。その意味は、一般的な文脈とはＢ２Ｂの文脈において異なる場合がある。一例として、一般的な英語の文脈では、単語「クラウド（ｃｌｏｕｄ）」は、「天気」、「雨」、「積雲」などの単語に関連付けられる。しかしながら、Ｂ２Ｂの文脈では、単語「クラウド」は、「アズーレ」、「オラクル」、「クラウドコンピューティング」などの単語に関連付けられるべきである。これらの単語の一部はブランド名であり、その他のものはより一般的な英語の単語である。有利には、フィルタリングされたキーワード３４０を使用して訓練されたキーワードモデル３５０のｗｏｒｄ２ｖｅｃアルゴリズムは、ユーザの特定の文脈に関連する単語（例えば、「クラウド」のＢ２Ｂでの使用）を生成することになるが、その理由は、概して、ユーザの特定の文脈に関連しない単語（例えば、「クラウド」の気象関連での使用）に関して訓練されないためである。

【0074】

換言すれば、キーワードモデル３５０のための訓練データセットは、ユーザの特定の文脈（例えば、Ｂ２Ｂ）に対するその関連性を保証するために高度にフィルタリングされる。具体的には、訓練データセットは、生のキーワードデータ３１０又は他の何らかの広範なコーパスから直接ではなく、フィルタリングされたキーワード３４０から得られる。本質的に、ユーザは、ユーザ指定キーワード３２０を手動で入力することによって、訓練データセットを暗黙的に（及び潜在的に知らずに）構築する。ユーザの観点からは、ユーザは単に、予測モデル３８０などの下流機能に関連すると考えるユーザ指定キーワード３２０を入力している。しかしながら、アプリケーションはまた、大部分の無関係なキーワードがフィルタリングされた広範なコーパス（例えば、ＵＲＬ）を表すこれらのユーザ指定キーワード３２０を、キーワードモデル３５０のための訓練データセットとして再利用する。これらにより、訓練プロセスの効率が改善され、訓練プロセスのメモリ要件が低減され、キーワードモデル３５０の語彙がユーザの特定の文脈（例えば、Ｂ２Ｂ）に合わせて調整される。

【0075】

２．５．訓練
上述したように、キーワードモデル３５０のための訓練データセットは、（例えば、サブプロセス３１２において）処理され、（例えば、サブプロセス３３０において）フィルタリングされたパブリッシャデータ（すなわち、生のキーワードデータ３１０）に由来しており、その結果、訓練データセットは、（例えば、正確に又は配列交差を介して）ユーザ指定キーワード３２０と一致するキーワードの配列のみを含むことになる。フィルタリングされたキーワード３４０は、サブプロセス３３０における一致の出力であり、訓練データセットに組み込まれるか又は訓練データセットとして使用されるキーワードの一致した配列を含む。データ処理及びフィルタリングプロセス（例えば、サブプロセス３１２及び３３０）は、生のキーワードデータ３１０を継続的に処理し、アクティブキーワード３１４をユーザ指定キーワード３２０と一致してフィルタリングされたキーワード３４０を生成する、日次的又はその他の定期的な抽出、変換、ロード（ＥＴＬ）パイプラインの一部であり得る。

【0076】

フィルタリングされたキーワード３４０は、報告３６０及び予測モデル３８０などの下流機能のために使用されるが、それらはまた、ｗｏｒｄ２ｖｅｃアルゴリズムを含み得るキーワードモデル３５０のための訓練データセットとして再利用され得る。有利には、訓練データセットは、（フィルタリングされたＵＲＬ及びターゲットとされたＵＲＬを表す）すでにフィルタリングされたキーワード及びターゲットとされたキーワードから構成されるので、キーワードモデル３５０は、別様に必要とされるよりも少ない訓練データを用いて、関連性の高い結果を生成するように訓練され得る。これにより、ＵＲＬのコーパス全体で訓練されたモデルと比較して、ユーザの特定の文脈（例えば、Ｂ２Ｂ）に対するモデルの出力の関連性が大幅に改善される。

【0077】

フィルタリングされたキーワード３４０内のキーワードの配列の一部の例を以下に示す。
１：［ビジネスニュース、金融ニュース、株式市場相場、市場ニュース、株式市場ニュース、個人金融ニュース、株式情報、株式］
２：［市場、株式、金融、ミューチュアルファンド、ｅｔｆ、石油、金、銀、ガス、ビジネス］
３：［ｎｖｉｄｉａ、ドライバ（ｄｒｉｖｅｒ）、ドライバ（ｄｒｉｖｅｒｓ）、ダウンロード、ソフトウェア、ｇｅｆｏｒｃｅ、ｑｕａｄｒｏ、ｔｅｓｌａ、ｎｆｏｒｃｅ］
４：［ビジネス電子メール、プロジェクト管理ソフトウェア、会計ソフトウェア、生命保険、金融アドバイザー、オンライン株式トレーダー、株式取引、カットｕｒｌ（ｃｕｔ ｕｒｌ）、カットｕｒｌ（ｃｕｔ ｕｒｌｓ）、資金、ショートリンク、ショートリンクサービス、ベストショートニングリンク］
５：［太陽、ｐｖ、再生可能エネルギー、モジュール、セル、料金、ニュース、ブログ、解析］

【0078】

キーワードの各配列は、単一のＵＲＬを表し、訓練データセットにおける１つの文書と考えられることを理解されたい。特に、配列は、単一の単語から構成されるキーワードと、複数の単語のフレーズを含むキーワードとの両方を含む。更に、配列は、ブランドキーワードとジェネリックキーワードの両方を含み得る。

【0079】

一実施形態では、アプリケーションは、キーワードの配列を訓練データセットに追加する前に、フィルタリングされたキーワード３４０内のキーワードの配列を前処理することができる。この前処理は、配列におけるキーワードを（例えば、スペースを除去することによって）正規化することを含み得る。キーワードを正規化するとき、アプリケーションは、キーワードの各々の正規化バージョンをその対応する非正規化バージョンに関連付ける（例えば、正規化された「ａｃｃｏｕｎｔｂａｓｅｄｍａｒｋｅｔｉｎｇ」を正規化されていない「アカウントベースマーケティング（ａｃｃｏｕｎｔ ｂａｓｅｄ ｍａｒｋｅｔｉｎｇ）」にマッピングする）参照辞書を生成することができる。正規化されていないキーワードは概して人間が読み、理解するのがより容易であるので、ルックアップ辞書により、グラフィカルユーザインターフェースが、正規化されたキーワードの代わりに正規化されていないキーワードを表示することが可能となる。更に、前処理は、例えば、不快な単語の所定のルックアップ辞書を使用して、ユーザの特定の文脈（例えば、Ｂ２Ｂ）に関連しない不快な単語を除去することを含み得る。

【0080】

キーワードモデル３５０は、標準パラメータを使用して、訓練データセットにおけるこれらの前処理されたキーワードの配列（すなわち、「文書」）を使用して訓練され得る。例えば、キーワードモデル３５０のためにｗｏｒｄ２ｖｅｃアルゴリズムを利用する一実施形態では、ｗｏｒｄ２ｖｅｃアルゴリズムは、例えば、１００次元ベクトル空間、１０の関連性ウィンドウ、及び５の最小発生閾値を使用して訓練され得る。
ｍｏｄｅｌ＝Ｗｏｒｄ２Ｖｅｃ（ｄｏｃｕｍｅｎｔｓ，ｓｉｚｅ＝１００，ｗｉｎｄｏｗ＝１０，ｍｉｎ＿ｃｏｕｎｔ＝５，ｗｏｒｋｅｒｓ＝８）
ｍｏｄｅｌ．ｔｒａｉｎ（ｄｏｃｕｍｅｎｔｓ，ｔｏｔａｌ＿ｅｘａｍｐｌｅｓ＝ｌｅｎ（ｄｏｃｕｍｅｎｔｓ），ｅｐｏｃｈｓ＝１）
ｍｏｄｅｌ．ｓａｖｅ＿ｗｏｒｄ２ｖｅｃ＿ｆｏｒｍａｔ（‘ｍｏｄｅｌ＿ｎａｍｅ＿ｖｅｒｓｉｏｎ．ｂｉｎ’，ｂｉｎａｒｙ＝ｔｒｕｅ）

【0081】

２．６．動作
キーワードモデル３５０においてｗｏｒｄ２ｖｅｃアルゴリズムを利用する一実施形態では、推薦キーワード３５２は、Ｇｅｎｓｉｍライブラリの「最類似」機能を使用して生成されてもよい。「最類似」機能は、入力として単語又は単語の配列を受け入れ、類似度スコアによってランク付けされた単語のリストを生成する。類似度スコアは、ｗｏｒｄ２ｖｅｃアルゴリズムの訓練中に作成された埋め込みベクトル空間におけるユークリッド距離を使用して決定される。この場合、キーワードモデル３５０の出力は、各エントリがキーワードと、入力キーワードに対するそのキーワードの類似度を表す類似度スコアとを含む（例えば、より高いスコアはより高い類似度を表し、より低いスコアはより低い類似度を表す）リストを含み得る。訓練されたｗｏｒｄ２ｖｅｃアルゴリズムの入力及び出力の一部の例を以下に示す。
：ｍｏｄｅｌ．ｗｖ．ｍｏｓｔ＿ｓｉｍｉｌａｒ（‘ｂｕｓｉｎｅｓｓ’）
：［（‘ｃｏｍｍｅｒｃｅ’，０．５０５１５４３７１２６１５９６７），
（‘ｂｕｓｉｎｅｓｓｅｓ’，０．４９６４６１１５３０３０３９５５），
（‘ｃｏｍｐａｎｙ’，０．４８７３６４９７７５９８１９０３），
（‘ｓｍａｌｌ ｂｕｓｉｎｅｓｓ’，０．４６３７６６９９２０９２１３２５７），
（‘ｐｒｏｆｉｔ’，０．４６１５４５６４６１９０６４３３），
（‘ａｗａｒｄ’，０．４５７１４１９０６０２３０２５５），
（‘ｆｒａｎｃｈｉｓｅ’，０．４５３９７９１３４５５９６３１３５），
（‘ｉｎｄｕｓｔｒｙ’，０．４５３９０５６１２２３０３００９），
（‘ｐｒｏｆｅｓｓｉｏｎ’，０．４５１９２３７２７９８９１９６８），
（‘ｔｅｃｈｎｏｌｏｇｙ’，０．４３８０８００７２４０２９５４１）］
：ｍｏｄｅｌ．ｗｖ．ｍｏｓｔ＿ｓｉｍｉｌａｒ（‘ｐｒｅｄｉｃｔｉｖｅ ａｎａｌｙｔｉｃｓ’）
：［（‘ｄａｔａ ｍｉｎｉｎｇ’，０．９３１４８２１９５８５４１８７），
（‘ｐｒｅｄｉｃｔｉｖｅ ｍｏｄｅｌｉｎｇ’，０．９３０８８８０５６７５５０６５９），
（‘ｂｕｓｉｎｅｓｓ ａｎａｌｙｔｉｃｓ’，０．９０５７９３３０９２１１７３１），
（‘ｂｕｓｉｎｅｓｓ ｓｔｒａｔｅｇｙ’，０．９０４０９９５２４０２１１４８７），
（‘ｂｉｇ ｄａｔａ ａｎａｌｙｔｉｃｓ’，０．９００５１２８１４５２１７８９６），
（‘ｄａｔａ ａｎａｌｙｔｉｃｓ’，０．８９９５５９１４０２０５３８３３），
（‘ｄａｔａ ｑｕａｌｉｔｙ’，０．８９６７１７７２７１８４２９５７），
（‘ｄａｔａ ｉｎｔｅｇｒａｔｉｏｎ’，０．８９１７８４３１０３４０８８１３），
（‘ｄｉｇｉｔａｌ ｔｅｃｈｎｏｌｏｇｉｅｓ’，０．８８８８９７４１８９７５８３０１），
（‘ｅｒｍ’，０．８８６９１８６０４３７３９３１９）］
：ｍｏｄｅｌ．ｗｖ．ｍｏｓｔ＿ｓｉｍｉｌａｒ（ｐｏｓｉｔｉｖｅ＝［‘ｐｒｅｄｉｃｔｉｖｅ ａｎａｌｙｔｉｃｓ’，‘ｍａｒｋｅｔｉｎｇ ｉｎｔｅｌｌｉｇｅｎｃｅ’，‘ｍａｒｋｅｔｉｎｇ ａｎａｌｙｔｉｃｓ’］）
：［（‘ａｂ ｔｅｓｔｉｎｇ’，０．９４１６２０７０７５１１９０１９），
（‘ｍａｒｋｅｔ ｉｎｔｅｌｌｉｇｅｎｃｅ’，０．９３１４８１６５９４１２３８４），
（‘ｄａｔａ ｗａｒｅｈｏｕｓｅ’，０．９２１２４９０３２０２０５６８８），
（‘ａｄｖａｎｃｅｄ ａｎａｌｙｔｉｃｓ’，０．９２０２６３２９０４０５２７３４），
（‘ｕｎｓｔｒｕｃｔｕｒｅｄ ｄａｔａ’，０．９１６８６８９８４６９９２４９３），
（‘ｄａｔａ ｓｅｒｖｉｃｅｓ’，０．９１５２３００３５７８１８６０４），
（‘ｍａｒｋｅｔｉｎｇ ｒｅｓｅａｒｃｈ’，０．９１３９９００２０７５１９５３１），
（‘ａｃｃｏｕｎｔ ｂａｓｅｄ ｍａｒｋｅｔｉｎｇ’，０．９１２４４８５２５４２８７７２），
（‘ｒｅｓｏｕｒｃｅ ａｌｌｏｃａｔｉｏｎ’，０．９１２１４００７１３９２０５９３），
（‘ｄｙｎａｍｉｃ ｐｒｏｇｒａｍｍｉｎｇ’，０．９１２０４５３００００６８６６５）］

【0082】

一実施形態では、１つ以上の否定的なキーワードのセットも、キーワードモデル３５０への入力として提供され得る。この場合、否定的なキーワードは、推薦に悪影響を及ぼすことになる。例えば、所与の単語のスコアは、ベクトル空間内の否定的なキーワードまでのその距離が減少するにつれて減少し得る。

【0083】

一実施形態では、所与の入力キーワードに対してキーワードモデル３５０によって出力されたキーワードであって、類似度スコアが所定の閾値（例えば、０．９０又は９０％以上の類似度）を満たすキーワードのみが、推薦キーワード３５２に含まれ得る。類似度スコアが所定の閾値を満たさないキーワードは、推薦キーワード３５２から除外され得る。代替的又は追加的に、所与の入力キーワードに対して最も高い類似度スコアを有する所定の数（例えば、３、５、１０など）のキーワードが、推薦キーワード３５２に含まれてもよく、一方、この所定の数の範囲外のキーワードは、推薦キーワード３５２から除外されてもよい。

【0084】

一実施形態では、訓練されたキーワードモデル３５０は、Ａｍａｚｏｎ Ｓｉｍｐｌｅ Ｓｔｏｒａｇｅ Ｓｅｒｖｉｃｅ（Ｓ３）などのクラウドストレージに記憶され得る。キーワードモデル３５０のバイナリコードは、必要に応じてロードされ、アプリケーションのグラフィカルユーザインターフェースを介して入力されるユーザ指定キーワード３２０を供給され得る。所定の閾値スコア（例えば、０．９）以上の類似度スコアを有する、キーワードモデル３５０によって出力された全ての推薦キーワード３５２は、グラフィカルユーザインターフェースを介してユーザに提供され得る。キーワードの正規化バージョンをキーワードの非正規化バージョンにマッピングする、前処理中に生成されたルックアップ辞書は、グラフィカルユーザインターフェースにおける提示のために、キーワードモデル３５０の生の出力におけるキーワード３５２の正規化バージョンを、キーワード３５２の非正規化バージョンに変換するために使用され得る。所定の閾値スコア未満の類似度スコアを有する、キーワードモデル３５０によって出力された推薦キーワード３５２は、ユーザに提供されない（例えば、グラフィカルユーザインターフェースにおける提示から除外される）。

【0085】

２．７．下流機能
フィルタリングされたキーワード３４０及び訓練データセットにおけるキーワードの各配列は、ＵＲＬを表すことを理解されたい。例えば、キーワードの各配列は、生のキーワードデータ３１０内のＵＲＬを含むキーワード活動記録から抽出されたメタデータキーワード（例えば、明示的なメタデータ及びＵＲＬ自体内の文字列）を表す。追加的又は代替的に、キーワードの各配列は、ＵＲＬにおけるオンラインリソースのコンテンツからのキーワードを表すことができる。フィルタリングされたキーワード３４０内のキーワードの各配列は、そのキーワードの配列が抽出されたキーワード活動記録における対応するＵＲＬに関連付けることができる。各ＵＲＬは、ＵＲＬにおけるオンラインリソースとそのオンラインリソースへの訪問者との間の関係を表し、訪問者のネットワークアドレス又はソースを表すＩＰアドレス及び／又はドメイン名（例えば、生のキーワードデータ３１０内の）と、訪問の日時を表すタイムスタンプとに関連付けられ得る。一実施形態では、ＩＰアドレス及び／又はドメイン名は、ＩＰ－企業へのマッピング又はドメイン名から企業へのマッピングを使用して、特定の企業にマッピングされ得る。かかるマッピングの例は、’４２７特許に記載されている。換言すれば、ＵＲＬとのエンゲージメントとして表されるキーワード調査及び他のオンライン調査は、ユーザのシステム（例えば、顧客関係管理（ＣＲＭ）システム、マーケティングオートメーションプラットフォーム（ＭＡＰ）など）における特定のアカウントとして表され得る特定の企業にリンクされ得る。

【0086】

特に、フィルタリングされたキーワード３４０は、大部分が関連するキーワードの配列から構成されるので、これらのキーワードの配列が表すＵＲＬも、大部分が関連するＵＲＬから構成される。各関連ＵＲＬは、関連するエンゲージメント又は活動（例えば、キーワード検索、ウェブサイト訪問など）を表す。したがって、サブプロセス３３０は、無関係なキーワードをフィルタリングするだけでなく、無関係な活動もフィルタリングする。したがって、主に関連する活動が、下流機能（例えば、報告３６０、予測モデル３８０など）に提供され、それによって、下流の効率及び有効性が増加する。

【0087】

もちろん、一部の無関係な活動は、サブプロセス３３０を通過することができるため、それらの対応するキーワードの配列は、フィルタリングされたキーワード３４０内に存在する。無関係な活動は、ユーザの特定の文脈（例えば、Ｂ２Ｂ）に無関係なトピックに関するＵＲＬへの訪問又は他のエンゲージメントを含み得る。例えば、ユーザが、クラウドコンピューティングに関連するユーザ指定キーワード３２０として「クラウド」を入力すると、天気に関連するＵＲＬは、サブプロセス３３０を通過することができる。したがって、一実施形態では、サブプロセス３７０は、一致したキーワードの数及び／又は頻度に基づいて開発された１つ以上の基準に基づいてＵＲＬをフィルタリングするための追加のフィルタとして機能する。例えば、基準には、キーワードの平均頻度及び／又は一致したキーワードの割合が含まれてもよい。

【0088】

キーワードの平均頻度は、コーパス全体（例えば、アクティブキーワード３１４又はフィルタリングされたキーワード３４０）に対する、ＵＲＬを表すキーワードの配列内（例えば、フィルタリングされたキーワード３４０内）の各キーワードの頻度を計算し、次いで、ＵＲＬを表すキーワードの配列に含まれるキーワードの平均頻度を計算することによって、ＵＲＬに対して計算されてもよい。一例として、例として、ＵＲＬがキーワードの配列［クラウド、クラウドコンピューティング、アズーレ］で表され、「クラウド」の母集団頻度が０．１、「クラウドコンピューティング」の母集団頻度が０．０１であり、「アズーレ」の母集団頻度が０．０５であるとする。この場合、ＵＲＬに対するキーワードの平均頻度は、（０．１＋０．０１＋０．０５）／３＝０．０３８７＝３．９％と計算され得る。

【0089】

ＵＲＬに対する一致したキーワードの割合は、ユーザ指定キーワード３２０と一致するＵＲＬを表すキーワードの配列におけるキーワードの割合として計算され得る。一例として、例として、ＵＲＬがキーワードの配列［クラウド、クラウドコンピューティング、アズーレ］で表され、「クラウド」の母集団頻度が０．１、「クラウドコンピューティング」の母集団頻度が０．０１であり、「アズーレ」の母集団頻度が０．０５であるとする。また、ユーザ指定キーワード３２０は、キーワード「クラウドコンピューティング」のみから構成されるとする。この場合、ＵＲＬに対する一致したキーワードの割合は、１／３＝０．３３＝３３％と計算され得る。

【0090】

サブプロセス３７０の一実施形態では、関連するＵＲＬは、少なくとも１０％の一致するキーワードの割合（すなわち、ＵＲＬを表すキーワードの配列におけるキーワードの少なくとも１０％が、ユーザ指定キーワード３２０内のキーワードと一致する必要がある）と、全てのキーワードの全体的な平均頻度の４倍未満のキーワードの平均頻度（すなわち、平均して、ＵＲＬを表すキーワードの配列におけるキーワードは、任意のキーワードの全体的な平均よりも４倍少ない）とを有するものとして定義される。これらの閾値は、一実装形態では発見的に決定されている。関連性の代替的な定義が他の実装形態のために定義され得ることを理解されたい。

【0091】

フィルタリングされたキーワード３４０（例えば、サブプロセス３７０によって更にフィルタリングされた）内のキーワードの配列に関連付けられたＵＲＬによって表されるキーワード意図活動は、ファーストパーティデータセット（例えば、販売及び／又はマーケティングキャンペーン、ウェブサイト訪問、及び／又は他のウェブサイト活動などとのエンゲージメントを表す）とともに、予測モデル３８０に入力され、購入意図の指示（例えば、購入の尤度を表す購入意図スコア）を生成することができる。予測モデル３８０は、（例えば、ＩＰ－企業マッピングを介して）特定の企業にマッピングされたＵＲＬのセットに適用され得る。例えば、サブプロセス３７０によって出力された関連ＵＲＬに対応する生のキーワードデータ３１０内の複数のキーワード活動記録は、それらの対応する企業にマッピングされてもよく、予測モデル３８０は、企業の購入意図スコアを生成するために各企業の関連ＵＲＬに適用されてもよい。

【0092】

一例として、マーケティング電子メール内のリンクをクリックすること、又はマーケティングイベントに参加することと同様に、キーワード調査活動（例えば、ＵＲＬによって表されるように、オンライン検索エンジンを使用してキーワードを検索する企業）は、購入意図を示す。しかしながら、キーワード調査活動は、リンクをクリックすること又はイベントに参加することよりも意図を示さない傾向がある。したがって、キーワード調査活動は、購入プロセスの初期段階（上部ファネル）で企業を識別する。したがって、キーワード調査活動は、購入処理のより後の段階（下部ファネル）で企業を識別する活動（例えば、マーケティング電子メール内のリンクをクリックすること、マーケティングイベントに参加することなど）よりも少ない量を購入意図スコアに寄与し得る。

【0093】

報告３６０は、有用なキーワード関連情報及び／又はメトリックをユーザに提供する、グラフィカルユーザインターフェースを含み得る。例えば、グラフィカルユーザインターフェースの画面は、ユーザの特定の文脈（例えば、Ｂ２Ｂ）で（例えば、生のキーワードデータ３１０で表されるＵＲＬエンゲージメントで）使用されている上位キーワードのリストを提供することができる。図５は、一実施形態による、上位キーワードを提供するためのグラフィカルユーザインターフェースの画面の一例を示している。上位キーワードは、ブランドキーワードとジェネリックキーワードとに分離されてもよく、各カテゴリ内の最も頻度の高いキーワード（例えば、キーワードを使用する一意の企業の数、総発生数などとして測定される）が、頻度の降順で提供されてもよい。図示のように、各キーワードは、キーワードを調査している一意の企業の数を表す括弧付きの数とともに、テキストとして視覚的に表すことができる。本明細書の他の箇所で説明したように、ルックアップ辞書を使用して、グラフィカルユーザインターフェースでの提示の前に、キーワードの非正規化バージョンをキーワードの正規化バージョンに変換することができる。ユーザは、そのマーケティング戦略（例えば、ユーザのウェブサイトのＳＥＭ、ＳＥＯ、ターゲット広告など）におけるセグメンテーション又はターゲティングのために、上位キーワードに関するこのデータを利用することができる。

【0094】

一実施形態では、キーワードは、コンバージョン率に基づいてランク付けすることができる。例えば、企業のコンバージョン（すなわち、企業による成功した購入取引）は、それらの企業がそれらのコンバージョンの前にどのキーワードを使用していたかを判定するために解析されてもよい。この解析を使用して、例えば、これらの企業のコンバージョンの前にこれらの企業によって使用されていた頻度に基づいて、キーワードをランク付けすることができる。別のキーワードよりも頻繁に発生するキーワードは、ビジネスの誘致及び／又は販売の予測においてより効果的であると推測することができる。したがって、かかるキーワードは、そのＳＥＭ及び／又はＳＥＯを改善しようとするユーザによる（例えば、ウェブサイトでの、検索エンジンから購入されたなどの）使用のための良好な候補となる。この頻度情報はまた、例えば、より多くの予測キーワード（例えば、成功したコンバージョンにつながる活動においてより頻繁に発生する）を含む活動に対する重みを、より少ない予測キーワード（例えば、成功したコンバージョンにつながる活動においてより少ない頻度で発生する）を含む活動に対して増加させることによって、予測意図モデルなどの予測モデル３８０を改善するために使用され得る。

【0095】

開示される実施形態の上記の説明は、当業者が本発明を作成又は使用することを可能にするために提供される。これらの実施形態に対する種々の修正は、当業者には容易に明らかになり、本明細書で説明される一般的な原理は、本発明の趣旨又は範囲から逸脱することなく、他の実施形態に適用され得る。したがって、本明細書に提示される説明及び図面は、本発明の現在好ましい実施形態を表し、したがって、本発明によって広く企図される主題を表すことを理解されたい。本発明の範囲は、当業者に明らかになり得る他の実施形態を完全に包含し、したがって、本発明の範囲は限定されないことが更に理解される。

【0096】

「Ａ、Ｂ、又はＣのうちの少なくとも１つ」、「Ａ、Ｂ、又はＣのうちの１つ以上」、「Ａ、Ｂ、及びＣのうちの少なくとも１つ」、「Ａ、Ｂ、及びＣのうちの１つ以上」、並びに「Ａ、Ｂ、Ｃ、又はそれらの任意の組み合わせ」などの本明細書に説明される組み合わせは、Ａ、Ｂ、及び／又はＣの任意の組み合わせを含み、Ａの倍数、Ｂの倍数、又はＣの倍数を含み得る。具体的には、「Ａ、Ｂ、又はＣのうちの少なくとも１つ」、「Ａ、Ｂ、又はＣのうちの１つ以上」、「Ａ、Ｂ、及びＣのうちの少なくとも１つ」、「Ａ、Ｂ、及びＣのうちの１つ以上」、並びに「Ａ、Ｂ、Ｃ、又はそれらの任意の組み合わせ」などの組み合わせは、Ａのみ、Ｂのみ、Ｃのみ、Ａ及びＢ、Ａ及びＣ、Ｂ及びＣ、又はＡ及びＢ及びＣであってもよく、任意のそのような組み合わせは、その構成要素Ａ、Ｂ、及び／又はＣのうちの１つ以上の成員を含有してもよい。例えば、Ａ及びＢの組み合わせは、１つのＡ及び複数のＢ、複数のＡ及び１つのＢ、又は複数のＡ及びＢを含み得る。

【図1】

【図2】

【図3】

【図4】

【図5】

【国際調査報告】