特表 2025-505331 検索結果を最適化するためのシステムおよび方法

(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】2025-02-26

(54)【発明の名称】検索結果を最適化するためのシステムおよび方法

(51)【国際特許分類】

   G06F 16/908 20190101AFI20250218BHJP

   G06Q 30/0601 20230101ALI20250218BHJP

   G06F 16/9038 20190101ALI20250218BHJP

【ＦＩ】

G06F16/908

G06Q30/0601 332

G06F16/9038

【審査請求】未請求

【予備審査請求】未請求

(21)【出願番号】P 2024526950

(86)(22)【出願日】2022-11-08

(85)【翻訳文提出日】2024-07-01

(86)【国際出願番号】 US2022049292

(87)【国際公開番号】W WO2023081517

(87)【国際公開日】2023-05-11

(31)【優先権主張番号】63/277,141

(32)【優先日】2021-11-08

(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．ＪＡＶＡ

(71)【出願人】

【識別番号】515253407

【氏名又は名称】エアビーアンドビー インコーポレイテッド

【氏名又は名称原語表記】ＡＩＲＢＮＢ， ＩＮＣ．

【住所又は居所原語表記】８８８ Ｂｒａｎｎａｎ Ｓｔｒｅｅｔ Ｓａｎ Ｆｒａｎｃｉｓｃｏ， ＣＡ ９４１０３ Ｕ． Ｓ． Ａ．

(74)【代理人】

【識別番号】110001195

【氏名又は名称】弁理士法人深見特許事務所

(72)【発明者】

【氏名】ハルダー，マレー

(72)【発明者】

【氏名】ホー，リーウェイ

(72)【発明者】

【氏名】タン，ミンユエ

(72)【発明者】

【氏名】アンダーセン，リード

【テーマコード（参考）】

5B175

5L030

【Ｆターム（参考）】

5B175FB03

5B175JB02

5B175JC05

5L030BB58

(57)【要約】

クライアントデバイスから、リストのセットに対する検索要求を受信することを含む方法が提供され、検索要求は検索クエリを定義する検索パラメータを含む。本方法は、検索クエリおよび検索パラメータに基づいてリストのセットを生成することと、価格指示特徴および非価格指示特徴を抽出することとをさらに含む。本方法はまた、価格指示特徴および非価格指示特徴を訓練された機械学習モデルに入力することによって、予約の確率および品質の推定値を計算することを含む。訓練された機械学習モデルは、（i）価格指示特徴に基づくアフォーダビリティ指標および（ii）非価格指示特徴に基づく品質指標を別々に予測する。アフォーダビリティ指標および品質指標は予約の確率を表し、品質指標は品質の推定値を表す。本方法は、予約確率および品質推定値に基づいてリストのセットをランク付けすることをさらに含む。

【特許請求の範囲】

【請求項1】

クライアントデバイスから、リストのセットに対する検索要求を受信することであって、前記検索要求が第１の検索クエリを定義する検索パラメータを含む、ことと、
前記第１の検索クエリおよび前記検索パラメータに基づいてリストのセットを生成することと、
前記リストのセットについて、価格指示特徴および非価格指示特徴を抽出することと、
前記リストのセットの前記価格指示特徴および非価格指示特徴を、複数の訓練された機械学習モデルに入力することによって、予約の確率および品質の推定値を計算することであって、前記複数の訓練された機械学習モデルが、（i）前記価格指示特徴に基づくアフォーダビリティ指標および（ii）非価格指示特徴に基づく品質指標を別々に予測し、かつ（i）前記アフォーダビリティ指標および前記品質指標が前記予約の確率を表し、および（ii）前記品質指標が前記品質の推定値を表す、ことと、
前記予約の確率および前記品質の推定値に基づいて前記リストのセットをランク付けすることと
を含む、検索リストを最適化する方法。

【請求項2】

前記複数の訓練された機械学習モデルが、前記アフォーダビリティ指標を予測するための第１の訓練されたディープニューラルネットワークと、前記第１の訓練されたディープニューラルネットワークとは異なる、前記品質指標を予測するための第２の訓練されたディープニューラルネットワークとを含む、請求項１に記載の方法。

【請求項3】

前記予約の確率を計算することが、（i）前記価格指示特徴を、アフォーダビリティを予測するように訓練された第１のディープニューラルネットワークに入力することと、（ii）前記非価格指示特徴を、品質を予測するように訓練された第２のニューラルネットワークに入力することとを含む、請求項１～２のいずれかに記載の方法。

【請求項4】

前記リストのセットをランク付けすることが、前記品質指標を前記アフォーダビリティ指標よりも高く重み付けする最終ランク付けスコアを計算することと、前記最終ランク付けスコアに基づいて前記リストのセットをランク付けすることとを含む、請求項１～２のいずれかに記載の方法。

【請求項5】

前記リストのセットをランク付けすることが、前記品質指標を前記アフォーダビリティ指標の約２倍に重み付けする最終ランク付けスコアを計算することと、前記最終ランク付けスコアに基づいて前記リストのセットをランク付けすることとを含む、請求項１～２のいずれかに記載の方法。

【請求項6】

前記リストのセットのそれぞれのリストごとに、前記非価格指示特徴が、
前記それぞれのリストの位置、
前記それぞれのリストの近傍、
前記それぞれのリストの前記近傍の予約数、
前記それぞれのリストの予約数、
前記それぞれのリストの特性、
前記それぞれのリストの前記近傍の予約の特性、および
前記それぞれのリストのクリック数
の少なくとも１つを含む、請求項１～２のいずれかに記載の方法。

【請求項7】

非価格指示特徴が、それぞれのリストに関連する金銭的価値以外の前記それぞれのリストに関する特徴である、請求項１～２のいずれかに記載の方法。

【請求項8】

前記リストのセットのそれぞれのリストごとに、前記価格指示特徴が、
前記それぞれのリストの表示価格、
前記それぞれのリストの履歴表示価格、
前記それぞれのリストのサービス料金、および
前記それぞれのリストのクリーニング料金
の少なくとも１つを含む、請求項１～２のいずれかに記載の方法。

【請求項9】

価格指示特徴が、それぞれのリストに関連する金銭的価値である、前記それぞれのリストに関する特徴である、請求項１～２のいずれかに記載の方法。

【請求項10】

前記複数の訓練された機械学習モデルのうちの少なくとも１つの訓練された機械学習モデルが、リストの非価格指示特徴に加えて、価格指示特徴に基づいて前記品質指標を出力するように訓練される、請求項１～２のいずれかに記載の方法。

【請求項11】

１人以上のユーザによって閲覧された検索結果の最後のリストを記録することによって訓練された、訓練された機械学習モデルに前記リストのセットを入力することによって、前記リストのセットの検索を終了する確率を計算することと、
前記終了する確率にさらに基づいて、前記リストのセットをランク付けすることと
をさらに含む、請求項１～２のいずれかに記載の方法。

【請求項12】

１つ以上のプロセッサと、前記１つ以上のプロセッサによって実行される１つ以上のプログラムを記憶するメモリとを含むサーバを備えるシステムであって、前記１つ以上のプログラムが、
クライアントデバイスから、リストのセットに対する検索要求を受信するための命令であって、前記検索要求が第１の検索クエリを定義する検索パラメータを含む、命令と、
前記第１の検索クエリおよび前記検索パラメータに基づいてリストのセットを生成するための命令と、
前記リストのセットについて、価格指示特徴および非価格指示特徴を抽出するための命令と、
前記リストのセットの前記価格指示特徴および非価格指示特徴を、複数の訓練された機械学習モデルに入力することによって、予約の確率および品質の推定値を計算するための命令であって、前記複数の訓練された機械学習モデルが、（i）前記価格指示特徴に基づくアフォーダビリティ指標および（ii）非価格指示特徴に基づく品質指標を別々に予測し、かつ（i）前記アフォーダビリティ指標および前記品質指標が前記予約の確率を表し、および（ii）前記品質指標が前記品質の推定値を表す、命令と、
前記予約の確率および前記品質の推定値に基づいて前記リストのセットをランク付けするための命令と
を含む、システム。

【請求項13】

前記複数の訓練された機械学習モデルが、前記アフォーダビリティ指標を予測するための第１の訓練されたディープニューラルネットワークと、前記第１の訓練されたディープニューラルネットワークとは異なる、前記品質指標を予測するための第２の訓練されたディープニューラルネットワークとを含む、請求項１２に記載のシステム。

【請求項14】

前記予約の確率を計算することが、（i）前記価格指示特徴を、アフォーダビリティを予測するように訓練された第１のディープニューラルネットワークに入力することと、（ii）前記非価格指示特徴を、品質を予測するように訓練された第２のディープニューラルネットワークに入力することとを含む、請求項１２～１３のいずれかに記載のシステム。

【請求項15】

前記リストのセットをランク付けすることが、前記品質指標を前記アフォーダビリティ指標よりも高く重み付けする最終ランク付けスコアを計算することと、前記最終ランク付けスコアに基づいて前記リストのセットをランク付けすることとを含む、請求項１２～１３のいずれかに記載のシステム。

【請求項16】

前記リストのセットをランク付けすることが、前記品質指標を前記アフォーダビリティ指標の約２倍に重み付けする最終ランク付けスコアを計算することと、前記最終ランク付けスコアに基づいて前記リストのセットをランク付けすることとを含む、請求項１２～１３のいずれかに記載のシステム。

【請求項17】

前記リストのセットのそれぞれのリストごとに、前記非価格指示特徴が、
前記それぞれのリストの位置、
前記それぞれのリストの近傍、
前記それぞれのリストの前記近傍の予約数、
前記それぞれのリストの予約数、
前記それぞれのリストの特性、
前記それぞれのリストの前記近傍の予約の特性、および
前記それぞれのリストのクリック数
の少なくとも１つを含む、請求項１２～１３のいずれかに記載のシステム。

【請求項18】

非価格指示特徴が、それぞれのリストに関連する金銭的価値以外の前記それぞれのリストに関する特徴である、請求項１２～１３のいずれかに記載のシステム。

【請求項19】

クライアントデバイスから、リストのセットに対する検索要求を受信することであって、前記検索要求が第１の検索クエリを定義する検索パラメータを含む、ことと、
前記第１の検索クエリおよび前記検索パラメータに基づいてリストのセットを生成することと、
前記リストのセットについて、価格指示特徴および非価格指示特徴を抽出することと、
前記リストのセットの前記価格指示特徴および非価格指示特徴を複数の訓練された機械学習モデルに入力することによって、予約の確率および品質の推定値を計算することであって、前記複数の訓練された機械学習モデルが、（i）前記価格指示特徴に基づくアフォーダビリティ指標および（ii）非価格指示特徴に基づく品質指標を別々に予測し、かつ（i）前記アフォーダビリティ指標および前記品質指標が前記予約の確率を表し、および（ii）前記品質指標が前記品質の推定値を表し、前記複数の訓練された機械学習モデルが前記アフォーダビリティ指標を予測するための第１の訓練されたディープニューラルネットワークと、前記第１の訓練されたディープニューラルネットワークとは異なる、前記品質指標を予測するための第２の訓練されたディープニューラルネットワークとを含む、ことと、
前記予約の確率および前記品質の推定値に基づいて前記リストのセットをランク付けすることであって、前記品質指標を前記アフォーダビリティ指標よりも高く重み付けする最終ランク付けスコアを計算すること、および前記最終ランク付けスコアに基づいて前記リストのセットをランク付けすることを含む、ことと
を含む、検索リストを最適化する方法。

【請求項20】

ディスプレイ、１つ以上のプロセッサ、およびメモリを有するコンピュータシステムによって実行されるように構成された１つ以上のプログラムを記憶する非一時的コンピュータ可読記憶媒体であって、前記１つ以上のプログラムが、
クライアントデバイスから、リストのセットに対する検索要求を受信するための命令であって、前記検索要求が第１の検索クエリを定義する検索パラメータを含む、命令と、
前記第１の検索クエリおよび前記検索パラメータに基づいてリストのセットを生成するための命令と、
前記リストのセットについて、価格指示特徴および非価格指示特徴を抽出するための命令と、
前記リストのセットの前記価格指示特徴および非価格指示特徴を、複数の訓練された機械学習モデルに入力することによって、予約の確率および品質の推定値を計算するための命令であって、前記複数の訓練された機械学習モデルが、（i）前記価格指示特徴に基づくアフォーダビリティ指標および（ii）非価格指示特徴に基づく品質指標を別々に予測し、かつ（i）前記アフォーダビリティ指標および前記品質指標が前記予約の確率を表し、および（ii）前記品質指標が前記品質の推定値を表す、命令と、
前記予約の確率および前記品質の推定値に基づいて前記リストのセットをランク付けするための命令と
を含む、非一時的コンピュータ可読記憶媒体。

【発明の詳細な説明】

【技術分野】

【0001】

関連出願
本出願は、参照によりその全体が本明細書に組み込まれる「Systems and Methods for Optimizing Search Results」と題する、２０２１年１１月８日に出願された米国仮特許出願第６３／２７７，１４１号に関連する。

【0002】

技術分野
本出願は、一般に、そのような変形形態に対するデータ処理および改善を管理する専用機械、ならびに最適化された検索結果を生成することができる技術に関する。

【背景技術】

【0003】

背景
ますます多くの人々がオンラインで買い物をするにつれて、企業は、そのユーザに信頼できる検索結果を提供して全体的なユーザ体験を改善するシステムを開発する必要がある。企業は、ユーザデータを分析して、ユーザの検索結果を最適化できる要因を特定しようと継続的に試みているが、この分析は困難なことがある。例えば、様々な項目をリスト化するためのシステム、例えば、レンタル用ユニットのリスト化は、すべてのリスト化におけるユーザが実施し得るアクションを含む大量のユーザ関連データを追跡することができる。しかしながら、大量のユーザ関連データのため、および収集されるデータの種類の制限のために、検索結果のリスト化を客観的に最適化して、検索された項目の変換率を高めることができるように、各リストにおける特定のユーザ関連アクションを追跡することは困難である。これらの特定のアクションおよびそれらをモデル化する方法を理解することは、検索結果のランク付けの大幅な最適化につながることができる。したがって、変換の可能性を高めるように検索結果を最適化するために、特定のユーザ関連アクションを定量化する必要がある。

【発明の概要】

【課題を解決するための手段】

【0004】

概要
開示された実装形態は、検索リストを最適化する方法を提供する。本方法は、クライアントデバイスから、リストのセットに対する検索要求を受信することを含み、検索要求は第１の検索クエリを定義する検索パラメータを含む。本方法は、第１の検索クエリおよび検索パラメータに基づいてリストのセットを生成することと、リストのセットについて価格指示特徴および非価格指示特徴を抽出することとをさらに含む。本方法はまた、リストのセットの価格指示特徴および非価格指示特徴を訓練された機械学習モデルに入力することによって、予約の確率および品質の推定値を計算することを含む。訓練された機械学習モデルは、（i）価格指示特徴に基づくアフォーダビリティ指標および（ii）非価格指示特徴に基づく品質指標を別々に予測し、（i）アフォーダビリティ指標および品質指標は予約の確率を表し、（ii）品質指標は品質の推定値を表す。本方法は、予約の確率および品質の推定値に基づいてリストのセットをランク付けすることをさらに含む。

【0005】

いくつかの実施形態では、訓練された機械学習モデルは、アフォーダビリティ指標を予測するための第１の訓練されたディープニューラルネットワークと、第１の訓練されたディープニューラルネットワークとは異なる、品質指標を予測するための第２の訓練されたディープニューラルネットワークとを含む。

【0006】

いくつかの実施形態では、予約の確率を計算することは、（i）アフォーダビリティを予測するように訓練された第１のディープニューラルネットワークに価格指示特徴を入力することと、（ii）品質を予測するように訓練された第２のニューラルネットワークに非価格指示特徴を入力することとを含む。

【0007】

いくつかの実施形態では、リストのセットをランク付けすることは、品質指標をアフォーダビリティ指標よりも高く重み付けする最終ランク付けスコアを計算することと、最終ランク付けスコアに基づいてリストのセットをランク付けすることとを含む。

【0008】

いくつかの実施形態では、リストのセットをランク付けすることは、品質指標をアフォーダビリティ指標の約２倍に重み付けする最終スコアを計算することと、最終ランク付けスコアに基づいてリストのセットをランク付けすることとを含む。

【0009】

いくつかの実施形態では、リストのセットのそれぞれのリストごとに、非価格指示特徴は、それぞれのリストの位置、それぞれのリストの近傍、それぞれのリストの近傍の予約数、それぞれのリストの予約数、それぞれのリストの特性、それぞれのリストの近傍の予約の特性、およびそれぞれのリストのクリック数のうちの少なくとも１つを含む。

【0010】

いくつかの実施形態では、非価格指示特徴は、それぞれのリストに関連する金銭的価値以外のそれぞれのリストに関する特徴である。

【0011】

いくつかの実施形態では、リストのセットのそれぞれのリストごとに、価格指示特徴は、それぞれのリストの表示価格、それぞれのリストの履歴表示価格、それぞれのリストのサービス料金、およびそれぞれのリストのクリーニング料金のうちの少なくとも１つを含む。

【0012】

いくつかの実施形態では、価格指示特徴は、それぞれのリストに関連する金銭的価値である、それぞれのリストに関する特徴である。

【0013】

いくつかの実施形態では、訓練された機械学習モデルは、訓練時に、リストの非価格指示特徴に加えて価格指示特徴に基づいて品質指標を出力するように訓練される。

【0014】

いくつかの実施形態では、１人以上のユーザによって閲覧された検索結果の最後のリストを記録することによって訓練された、訓練された機械学習モデルにリストのセットを入力することによって、リストのセットの検索を終了する確率を計算することと、終了する確率にさらに基づいて、リストのセットをランク付けすること。

【0015】

図面の簡単な説明
様々な記載された実装形態をよりよく理解するために、以下の図面と併せて、以下の詳細な説明を参照するべきであり、図面全体を通して同様の参照番号は対応する部分を指す。

【図面の簡単な説明】

【0016】

【図1】いくつかの実施形態による、ネットワーク環境に実装された例示的な最適化された検索システムを示すブロック図である。

【図2】いくつかの実施形態による、最適化された検索システムを実装するために使用されるソフトウェアのアーキテクチャを示すブロック図である。

【図3】いくつかの実施形態による、機械に最適化された検索システムを実装させる命令を有する、例示的なコンピュータシステムとしての機械を示す図である。

【図4A】いくつかの実施形態による、予約の確率に基づいてランク付けされた検索結果を示す例示的なユーザインターフェースを示す図である。

【図4B】いくつかの実施形態による、予約の確率および品質の推定値に基づいてランク付けされた検索結果の例示的なユーザインターフェースを示す図である。

【図5】いくつかの実施形態による、柔軟な宛先クエリを実施するための方法のフロー図である。

【発明を実施するための形態】

【0017】

詳細な説明
ここで、実装形態を詳細に参照し、その例を添付の図面に示す。以下の詳細な説明では、様々な記載された実装形態の完全な理解を提供するために、多数の特定の詳細が記載される。しかしながら、様々な記載された実装形態は、これらの特定の詳細なしで実現され得ることが当業者には明らかであろう。他の例では、実装形態の態様を不必要に不明瞭にしないように、周知の方法、手順、構成要素、回路、およびネットワークは詳細に説明されていない。

【0018】

当業者には明らかであるように、本開示の精神および範囲から逸脱することなく、本開示の多くの修正および変形を行うことができる。本明細書に記載の特定の実装形態は、例としてのみ提供され、本開示は、添付の特許請求の範囲が権利を有する均等物の全範囲と共に、添付の特許請求の範囲の用語によってのみ限定されるべきである。

【0019】

ランク付け理論では、ランク付けについて行われる２つの観察が存在する：注目はランクと共に単調に減衰し、予約確率でリストを順序付けると予約変換率が最大になる。

【0020】

注目がランクと共に単調に減衰するという第１の観察に関して、リストの上位にある項目は、下位にある項目よりも、より多くの注目、より多くのビュー、より多くの予約を得ることが直感的に明らかである場合がある。しかしながら、リストのビューおよび予約の数が検索結果におけるその位置によってどのように影響されるかを定量化することは自明ではない。これは、ランク付けモデルが関連性によってリストを能動的に順序付けしようとしているためである。ゲストが検索結果内のすべての位置に等しく注目したとしても、単により高い関連性のために、トップ位置に向かうリストがより多くのビューおよび予約を有することが期待される場合がある。リストの位置および関連性の影響を解きほぐす１つの方法は、隣接する位置をランダムに入れ替えてそれらの関連性を全体的に均等化し、次いで位置の影響のみを観察することである。これを行うことにより、ゲストの注目が位置と共にどのように減衰するかをプロットする位置割引曲線を構築することができる。プロットすると、ランク付けに使用される典型的な曲線は、注目の減衰が単調であるため、より高い位置がより低い位置と比較してより注目される単調減少曲線を示す。

【0021】

【数1】

【0022】

【数2】

【0023】

【数3】

【0024】

【数4】

【0025】

【数5】

【0026】

【数6】

【0027】

カスケードモデルをウェブベースの検索に適合させるために、ゲストがリストを上位から下位に検討し、各リストで以下の３つのアクションのうちの１つを実施すると仮定する。

【0028】

【数7】

【0029】

【数8】

【0030】

【数9】

【0031】

【数10】

【0032】

【数11】

【0033】

【数12】

【0034】

【数13】

【0035】

別の仮定は、ユーザがウェブ検索においてカスケードされた注目モデルを実装することである。ウェブ検索のカスケードされた注目モデルは、ユーザがリストを上位から検討し、関連性を満たす最初の結果をクリックすると仮定している。カスケードモデルでは、ゲストはリストを上位から検討し、満足できない関連性を有する最初の結果で終了すると仮定する。さらに、関連性の概念は、関連性とアフォーダビリティとの組み合わせである予約確率と同じではない。

【0036】

【数14】

【0037】

進歩を遂げるために、ゲストがリストを検討した後に終了する確率は、リストの固有の品質に反比例すると仮定する。

【0038】

【数15】

【0039】

リストの品質が高ければ高いほど、ゲストが終了してしまう確率は低くなる。もう一度強調すると、これは、品質とアフォーダビリティとの組み合わせであるリストの予約確率とは異なる場合がある。リストは低品質なことがあるが、非常に競争力のある価格である場合、予約確率が高い。

【0040】

【数16】

【0041】

次いで、予約を最大化するための条件

【0042】

【数17】

【0043】

は、以下のように書き直すことができる。

【0044】

【数18】

【0045】

【数19】

【0046】

【数20】

【0047】

【数21】

【0048】

リスト品質を推定するために、ゲストによる予約判断は、２つの要因、すなわち、リスト品質（利益）と、動作中に容易に追跡されないユーザのアクションをより良くモデル化するためのリストのアフォーダビリティ（コスト）とのバランスを取ろうとする結果であると仮定することができる。

【0049】

本明細書に記載の本発明のいくつかの実施形態では、価値を犠牲にすることなく、そのようなリストの検索結果を最適化するために、リスト品質の推定値が決定される。

【0050】

図１は、いくつかの実施形態による、最適化された検索システムのためのネットワークアーキテクチャ１００のブロック図を示す。図１は、例えば、クライアントデバイス１３０上で実行されるウェブクライアント１１２（例えば、ブラウザ）、クライアントアプリケーション１１４、およびプログラム的クライアント１１６を示す。クライアントデバイス１３０は、ウェブクライアント１１２、クライアントアプリケーション１１４、およびプログラム的クライアント１１６を単独で、合わせて、または任意の適切な組み合わせで含む。図１は１つのクライアントデバイス１３０を示しているが、いくつかの実施形態では、ネットワークアーキテクチャ１００は複数のクライアントデバイスを備える。

【0051】

いくつかの実施形態では、クライアントデバイス１３０は、ネットワーク１０４を介したネットワーク化されたシステム１０２へのアクセスを提供するディスプレイおよび通信機能を少なくとも含むコンピューティングデバイスを備える。クライアントデバイス１３０は、リモートデバイス、ワークステーション、コンピュータ、汎用コンピュータ、インターネット家電、ハンドヘルドデバイス、無線デバイス、ポータブルデバイス、ウェアラブルコンピュータ、携帯電話または移動電話、携帯情報端末（PDA：Personal Digital Assistant）、スマートフォン、タブレット、ウルトラブック、ネットブック、ラップトップ、デスクトップ、マルチプロセッサシステム、マイクロプロセッサベースまたはプログラム可能な家庭用電子機器、ゲームコンソール、セットトップボックス（STB：set－top box）、ネットワークパーソナルコンピュータ（PC：personal computer）、ミニコンピュータなどを含むが、これらに限定されない。いくつかの実施形態では、クライアントデバイス１３０は、タッチスクリーン、加速度計、ジャイロスコープ、生体認証センサ、カメラ、マイクロフォン、全地球測位システム（GPS：Global Positioning System）デバイスなどのうちの１つ以上を含む。

【0052】

クライアントデバイス１３０は、有線または無線接続を介してネットワーク１０４と通信する。例えば、ネットワーク１０４の１つ以上の部分は、アドホックネットワーク、イントラネット、エクストラネット、仮想プライベートネットワーク（VPN：Virtual Private Network）、ローカルエリアネットワーク（LAN：Local Area Network）、無線LAN（WLAN：wireless LAN）、WAN、無線WAN（WWAN：wireless WAN）、メトロポリタンエリアネットワーク（MAN：Metropolitan Area Network）、インターネットの一部、公衆交換電話網（PSTN：Public Switched Telephone Network）の一部、携帯電話ネットワーク、無線ネットワーク、ワイヤレスフィデリティ（Wi－Fi（登録商標））ネットワーク、マイクロ波アクセスのための世界規模相互運用性（WiMax：Worldwide Interoperability for Microwave Access）ネットワーク、別のタイプのネットワーク、またはそれらの任意の適切な組み合わせを含む。

【0053】

いくつかの実施形態では、クライアントデバイス１３０は、ウェブブラウザ、ブックリーダアプリ（電子書籍を読むように動作可能）、メディアアプリ（音声およびビデオを含む様々なメディア形式を提示するように動作可能）、健康アプリ、バイオメトリックモニタリングアプリ、メッセージングアプリ、電子メール（eメール）アプリ、電子商取引サイトアプリ（「マーケットプレイスアプリ」とも呼ばれる）、およびホテル、モーテル、または他のエンドユーザによって管理される住宅での一時的な滞在のための予約アプリケーション（例えば、家を所有し、家全体または個室を貸し出すポスティングエンドユーザ）などであるがこれらに限定されないアプリケーションのうちの１つ以上（「アプリ」とも呼ばれる）を含む。いくつかの実施形態では、クライアントアプリケーション１１４は、ユーザに情報を提示し、ネットワーク化されたシステム１０２と通信するように動作可能な様々な構成要素を含む。いくつかの実施形態では、電子商取引サイトアプリケーションがクライアントデバイス１３０に含まれる場合、このアプリケーションは、ローカルでは利用できないデータまたは処理能力（例えば、販売可能な商品のデータベースへのアクセス、ユーザの認証、支払い方法の検証）のために、必要に応じて、ネットワーク化されたシステム１０２と通信するように構成されたアプリケーションと共に、ユーザインターフェースおよび少なくとも一部の機能をローカルに提供するように構成される。逆に、電子商取引サイトアプリケーションがクライアントデバイス１３０に含まれない場合、クライアントデバイス１３０は、そのウェブブラウザを使用して、ネットワーク化されたシステム１０２上でホストされる電子商取引サイト（またはその変形）にアクセスすることができる。

【0054】

ウェブクライアント１１２は、ウェブサーバ１２２によってサポートされるウェブインターフェースを介してネットワーク化されたシステム１０２の様々なシステムにアクセスする。同様に、プログラム的クライアント１１６およびクライアントアプリケーション１１４は、アプリケーションプログラムインターフェース（API：Application Program Interface）サーバ１２０によって提供されるプログラム可能インターフェースを介して、ネットワーク化されたシステム１０２によって提供される様々なサービスおよび機能にアクセスする。

【0055】

ユーザ（例えば、ユーザ１０６）は、クライアントデバイス１３０と対話する人、機械、または他の手段を含む。いくつかの実施形態では、ユーザ１０６は、ネットワークアーキテクチャ１００の一部ではないが、クライアントデバイス１３０または別の手段を介してネットワークアーキテクチャ１００と対話する。例えば、ユーザ１０６は、入力（例えば、タッチスクリーン入力または英数字入力）をクライアントデバイス１３０に提供し、入力は、ネットワーク１０４を介してネットワーク化されたシステム１０２に通信される。この場合、ネットワーク化されたシステム１０２は、ユーザ１０６からの入力の受信に応答して、ネットワーク１０４を介してクライアントデバイス１３０に情報を通信し、ユーザ１０６に提示する。このようにして、ユーザ１０６は、クライアントデバイス１３０を使用してネットワーク化されたシステム１０２と対話することができる。

【0056】

APIサーバ１２０およびウェブサーバ１２２は、１つ以上のアプリケーションサーバ１４０に結合され、プログラム的およびウェブインターフェースをそれぞれ提供する。アプリケーションサーバ１４０は、クライアントデバイス１３０からの検索要求に応答して、最適化された検索結果をクライアントデバイス１３０に提供するように構成される。アプリケーションサーバ１４０は、品質モジュール１４２（本明細書では「品質推定モジュール」とも呼ばれる）および確率モジュール１５０（本明細書では「予約確率モジュール」とも呼ばれる）を含み、各々が、従来のランク付け技術と比較して最適化された様式で検索結果をランク付けするために使用することができる特定の指標を導出するように構成される。品質モジュール１４２および/または確率モジュール１５０は、クライアントデバイス１３０の検索結果の最適化を容易にするために、各々がハードウェア、ソフトウェア、ファームウェア、またはそれらの任意の組み合わせとして具現化することが可能な、１つ以上のモジュールまたはアプリケーションを含んでもよい。次いで、アプリケーションサーバ１４０は、１つ以上の情報ストレージリポジトリまたはデータベース１２６へのアクセスを容易にする１つ以上のデータベースサーバ１２４に結合されるように示されている。いくつかの実施形態では、データベース１２６は、品質モジュール１４２に投稿される情報（例えば、在庫、画像データ、カタログデータ）を記憶する記憶デバイスである。データベース１２６はまた、いくつかの実施形態によるデジタル商品情報を記憶する。

【0057】

品質モジュール１４２は、品質特徴に基づいて、または品質特徴の関数として、各リストの品質の推定値を生成する。品質特徴の例は、それぞれのリストの位置、それぞれのリストの近傍、それぞれのリストの近傍の予約数、それぞれのリストの予約数、それぞれのリストの特性、それぞれのリストの近傍の予約の特性、およびそれぞれのリストのクリック数を含む。いくつかの実施形態では、品質特徴は、個人的な感情、解釈（例えば、スター評価）または先入観によって影響されない不偏の事実に基づく客観的な特徴である。いくつかの実施形態では、品質特徴は非価格指示特徴である。非価格指示特徴は、それぞれのリストに関連する金銭的価値以外のそれぞれのリストに関する特徴であってもよい。

【0058】

確率モジュール１５０は、確率特徴またはその関数に基づいて、各リストの予約の確率を生成する。確率特徴の例は、品質特徴（例えば、品質モジュール１４２を参照して上述した品質特徴）およびアフォーダビリティ特徴を含む。アフォーダビリティ特徴の例は、それぞれのリストの表示価格、それぞれのリストの履歴表示価格、それぞれのリストのサービス料金、およびそれぞれのリストのクリーニング料金を含む。いくつかの実施形態では、アフォーダビリティ特徴は、価格指示特徴である。価格指示特徴は、それぞれのリストに関連する金銭的価値である、それぞれのリストに関する特徴であってもよい。

【0059】

図１に示すネットワークアーキテクチャ１００は、クライアント－サーバアーキテクチャを採用しているが、本発明の主題は、もちろん、そのようなアーキテクチャに限定されず、例えば、分散型またはピアツーピア型のアーキテクチャシステムに等しく実装することができる。アプリケーションサーバ１４０の様々な構成要素（例えば、品質モジュール１４２および確率モジュール１５０）はまた、必ずしもネットワーキング機能を有さないスタンドアロンのソフトウェアプログラムとして実装されてもよい。

【0060】

品質モジュール１４２および確率モジュール１５０は、ネットワーク化されたシステム１０２の構成要素として図１に示されているが、代替の実施形態では、各々が、ネットワーク化されたシステム１０２とは別個の異なるウェブサービスの構成要素であってもよいことが理解されよう。品質モジュール１４２および確率モジュール１５０の各々は、サーバマシン間の通信を可能にするように通信可能に結合された専用または共有サーバマシン上でホストすることができる。構成要素自体は、アプリケーション間で情報を渡すことを可能にするために、またはアプリケーションが共通データを共有してアクセスすることを可能にするために、互いにおよび様々なデータソースに通信可能に結合される（例えば、適切なインターフェースを介する）。さらに、構成要素は、データベースサーバ１２４を介して、１つ以上のデータベース１２６にアクセスする。

【0061】

図２は、上述のデバイスのうちの任意の１つ以上にインストールすることができるソフトウェア１２０２のアーキテクチャを示すブロック図１２００である。図２は、ソフトウェアアーキテクチャの非限定的な例にすぎず、本明細書に記載の機能を容易にするために多くの他のアーキテクチャを実装することができることが理解されよう。様々な実施形態では、ソフトウェア１２０２は、プロセッサ１３１０、メモリ１３３０、および入力/出力（I／O）構成要素１３５０を含む機械１３００（図３にさらに記載）などのハードウェアによって実装される。この例示的なアーキテクチャでは、ソフトウェア１２０２は、各層が特定の機能を提供し得る層のスタックとして概念化することができる。例えば、ソフトウェア１２０２は、オペレーティングシステム１２０４、ライブラリ１２０６、フレームワーク１２０８、およびアプリケーション１２１０などのレイヤを含む。動作的には、アプリケーション１２１０は、いくつかの実施形態と一致して、ソフトウェアスタックを介してAPIコール１２１２を呼び出し、APIコール１２１２に応答してメッセージ１２１４を受信する。

【0062】

様々な実装形態において、オペレーティングシステム１２０４は、ハードウェアリソースを管理し、共通サービスを提供する。オペレーティングシステム１２０４は、例えば、カーネル１２２０と、サービス１２２２と、ドライバ１２２４とを含む。カーネル１２２０は、いくつかの実施形態と一致して、ハードウェア層と他のソフトウェア層との間の抽象化層として機能する。例えば、カーネル１２２０は、他の機能の中でも、メモリ管理、プロセッサ管理（例えば、スケジューリング）、構成要素管理、ネットワーキング、およびセキュリティ設定を提供する。サービス１２２２は、他のソフトウェア層に他の共通サービスを提供することができる。いくつかの実施形態によれば、ドライバ１２２４は、基礎となるハードウェアの制御またはインターフェースを担当する。例えば、ドライバ１２２４は、ディスプレイドライバ、カメラドライバ、BLUETOOTH（登録商標）またはBLUETOOTH（登録商標）Low Energyドライバ、フラッシュメモリドライバ、シリアル通信ドライバ（例えば、ユニバーサルシリアルバス（USB：Universal Serial Bus）ドライバ）、WI－FI（登録商標）ドライバ、音声ドライバ、電力管理ドライバなどを含むことができる。

【0063】

いくつかの実施形態では、ライブラリ１２０６は、アプリケーション１２１０によって利用される低レベルの共通インフラストラクチャを提供する。ライブラリ１２０６は、メモリ割り当て機能、文字列操作機能、数学関数などの機能を提供することができるシステムライブラリ１２３０（例えば、C標準ライブラリ）を含むことができる。さらに、ライブラリ１２０６は、メディアライブラリ（例えば、ムービングピクチャエキスパートグループ４（MPEG４：Moving Picture Experts Group－４）、アドバンストビデオコーディング（H．２６４またはAVC：Advanced Video Coding）、ムービングピクチャエキスパートグループレイヤ３（MP３：Moving Picture Experts Group Layer－３）、アドバンストオーディオコーディング（AAC：Advanced Audio Coding）、適応マルチレート（AMR：Adaptive Multi－Rate）オーディオコーデック、ジョイントフォトグラフィックエキスパートグループ（JPEGまたはJPG：Joint Photographic Experts Group）、またはポータブルネットワークグラフィックス（PNG：Portable Network Graphics）などの様々なメディアフォーマットの提示および操作をサポートするライブラリ）、グラフィックスライブラリ（例えば、ディスプレイ上のグラフィックコンテンツにおいて２次元（２D）および３次元（３D）でレンダリングするために使用されるOpenGLフレームワーク）、データベースライブラリ（例えば、様々なリレーショナルデータベース機能を提供するためのSQLite）、ウェブライブラリ（例えば、ウェブブラウジング機能を提供するためのWebKit）などのAPIライブラリ１２３２を含むことができる。ライブラリ１２０６はまた、多くの他のAPIをアプリケーション１２１０に提供するための多種多様な他のライブラリ１２３４を含むことができる。

【0064】

いくつかの実施形態によれば、フレームワーク１２０８は、アプリケーション１２１０によって利用することが可能な高レベルの共通インフラストラクチャを提供する。例えば、フレームワーク１２０８は、様々なグラフィックユーザインターフェース（GUI：graphic user interface）機能、高レベルリソース管理、高レベルロケーションサービスなどを提供する。フレームワーク１２０８は、アプリケーション１２１０によって利用することが可能な広範囲の他のAPIを提供することができ、その一部は特定のオペレーティングシステムまたはプラットフォームに固有であってもよい。

【0065】

いくつかの実施形態では、アプリケーション１２１０は、ホームアプリケーション１２５０、連絡先アプリケーション１２５２、ブラウザアプリケーション１２５４、ブックリーダアプリケーション１２５６、ロケーションアプリケーション１２５８、メディアアプリケーション１２６０、メッセージングアプリケーション１２６２、ゲームアプリケーション１２６４、およびサードパーティアプリケーション１２６６などの広範囲の他のアプリケーションを含む。いくつかの実施形態によれば、アプリケーション１２１０は、プログラムで定義された機能を実行するプログラムである。様々なプログラミング言語、例えば、オブジェクト指向プログラミング言語（例えば、Objective－C、Java、またはC＋＋）または手続き型プログラミング言語（例えば、Cまたはアセンブリ言語）を採用して、様々な様式で構造化されたアプリケーション１２１０のうちの１つ以上を作成することができる。特定の例では、サードパーティアプリケーション１２６６（例えば、特定のプラットフォームのベンダ以外のエンティティによってANDROID（登録商標）またはIOS（商標）ソフトウェア開発キット（SDK：software development kit）を使用して開発されたアプリケーション）は、IOS（商標）、ANDROID（登録商標）、WINDOWS（登録商標）Phone、または別のモバイルオペレーティングシステムなどのモバイルオペレーティングシステム上で動作するモバイルソフトウェアであってもよい。この例では、サードパーティアプリケーション１２６６は、本明細書で説明される機能を容易にするために、オペレーティングシステム１２０４によって提供されるAPIコール１２１２を呼び出すことができる。

【0066】

図３は、いくつかの実施形態による、本明細書で説明する方法論のうちの任意の１つ以上を機械に実施させるための命令のセットが実行され得るコンピュータシステムの形態の機械１３００の概略図を示す。具体的には、図３は、コンピュータシステムの例示的な形態の機械１３００の概略図を示し、その中で、機械１３００に本明細書で説明する方法論のうちの任意の１つ以上を実施させるための命令１３１６（例えば、ソフトウェア、プログラム、アプリケーション、アプレット、アプリ、または他の実行可能コード）が実行されてもよい。命令１３１６は、一般的なプログラムされていない機械１３００を、記載された様式で記載され図示された機能を行うようにプログラムされた特定の機械１３００に変換する。代替的な実施形態では、機械１３００は、スタンドアロンデバイスとして動作するか、または他の機械に結合（例えば、ネットワーク接続されている）されてもよい。ネットワーク化された配置では、機械１３００は、サーバ－クライアントネットワーク環境におけるサーバマシンまたはクライアントマシンの能力で、またはピアツーピア（または分散）ネットワーク環境におけるピアマシンとして動作してもよい。機械１３００は、限定はしないが、サーバコンピュータ、クライアントコンピュータ、PC、タブレットコンピュータ、ラップトップコンピュータ、ネットブック、STB、PDA、娯楽メディアシステム、携帯電話、スマートフォン、モバイルデバイス、ウェアラブルデバイス（例えば、スマートウォッチ）、スマートホームデバイス（例えば、スマート家電）、他のスマートデバイス、ウェブアプライアンス、ネットワークルータ、ネットワークスイッチ、ネットワークブリッジ、または機械１３００が行うべきアクションを指定する命令１３１６を順次または他の方法で実行することができる任意の機械を含んでもよい。さらに、単一の機械１３００のみが示されているが、「機械」という用語はまた、本明細書で説明する方法論のうちの任意の１つ以上を実施するために命令１３１６を個別にまたは一緒に実行する機械１３００の集合を含むと解釈されるべきである。

【0067】

機械１３００は、プロセッサ１３１０と、メモリ１３３０と、I／O構成要素１３５０とを含んでもよく、これらはバス１３０２を介してなどで互いに通信するように構成されてもよい。いくつかの実施形態では、プロセッサ１３１０（例えば、中央処理装置（CPU：Central Processing Unit）、縮小命令セットコンピューティング（RISC：Reduced Instruction Set Computing）プロセッサ、複合命令セットコンピューティング（CISC：Complex Instruction Set Computing）プロセッサ、グラフィック処理装置（GPU：Graphics Processing Unit）、デジタル信号プロセッサ（DSP：Digital Signal Processor）、ASIC、無線周波数集積回路（RFIC：Radio－Frequency Integrated Circuit）、別のプロセッサ、またはそれらの任意の適切な組み合わせ）は、例えば、命令１３１６を実行し得るプロセッサ１３１２およびプロセッサ１３１４を含んでもよい。「プロセッサ」という用語は、同時に命令を実行し得る２つ以上の独立したプロセッサ（「コア」と呼ばれることもある）を備え得るマルチコアプロセッサを含むことを意図している。図３は複数のプロセッサ１３１０を示しているが、機械１３００は、単一コアを有する単一のプロセッサ、複数コアを有する単一のプロセッサ（例えば、マルチコアプロセッサ）、単一コアを有する複数のプロセッサ、複数コアを有する複数のプロセッサ、またはそれらの任意の組み合わせを含んでもよい。

【0068】

メモリ１３３０は、メインメモリ１３３２と、スタティックメモリ１３３４と、記憶ユニット１３３６とを含んでもよく、これらはすべて、バス１３０２などを介してプロセッサ１３１０にアクセス可能である。メインメモリ１３３２、スタティックメモリ１３３４、および記憶ユニット１３３６は、本明細書に記載された方法論または機能のうちの任意の１つ以上を具現化する命令１３１６を記憶する。命令１３１６はまた、機械１３００によるその実行中に、メインメモリ１３３２内、スタティックメモリ１３３４内、記憶ユニット１３３６内、プロセッサ１３１０の少なくとも１つ内（例えば、プロセッサのキャッシュメモリ内）、またはそれらの任意の適切な組み合わせに、完全にまたは部分的に存在してもよい。

【0069】

I／O構成要素１３５０は、入力を受信し、出力を提供し、出力を生成し、情報を送信し、情報を交換し、測定値を捕捉するなどのための多種多様な構成要素を含んでもよい。特定の機械に含まれる特定のI／O構成要素１３５０は、機械の種類に依存する。例えば、移動電話などの携帯機は、タッチ入力デバイスまたは他のそのような入力機構を含む可能性が高いが、ヘッドレスサーバマシンは、そのようなタッチ入力デバイスを含まない可能性が高い。I／O構成要素１３５０は、図１３に示されていない多くの他の構成要素を含んでもよいことが理解されよう。I／O構成要素１３５０は、単に以下の説明を単純化するために機能に従ってグループ化され、グループ化は決して限定的ではない。様々な実施形態において、I／O構成要素１３５０は、出力構成要素１３５２および入力構成要素１３５４を含んでもよい。出力構成要素１３５２は、視覚構成要素（例えば、プラズマディスプレイパネル（PDP：plasma display panel）、発光ダイオード（LED：light emitting diode）ディスプレイ、液晶ディスプレイ（LCD：liquid crystal display）、プロジェクタ、または陰極線管（CRT：cathode ray tube）などのディスプレイ）、音響構成要素（例えば、スピーカ）、触覚構成要素（例えば、振動モータ、抵抗機構）、他の信号発生器などを含んでもよい。入力構成要素１３５４は、英数字入力構成要素（例えば、キーボード、英数字入力を受け取るように構成されたタッチスクリーン、光キーボード、または他の英数字入力構成要素）、点ベースの入力構成要素（例えば、マウス、タッチパッド、トラックボール、ジョイスティック、モーションセンサ、または別のポインティング機器）、触知入力構成要素（例えば、物理的ボタン、タッチもしくはタッチジェスチャの位置および/もしくは力を提供するタッチスクリーン、または他の触知入力構成要素）、音声入力構成要素（例えば、マイクロフォン）などを含んでもよい。

【0070】

いくつかの実施形態では、I／O構成要素１３５０は、様々な他の構成要素の中でも、バイオメトリック構成要素１３５６、モーション構成要素１３５８、環境構成要素１３６０、またはポジション構成要素１３６２を含んでもよい。例えば、バイオメトリック構成要素１３５６は、表情の検出（例えば、手の表情、顔の表情、声の表情、身体のジェスチャ、または視線追跡）、生体信号の測定（例えば、血圧、心拍数、体温、発汗、または脳波）、人物の識別（例えば、音声識別、網膜識別、顔識別、指紋識別、または脳波ベースの識別）などを行う構成要素を含んでもよい。モーション構成要素１３５８は、加速度センサ構成要素（例えば、加速度計）、重力センサ構成要素、回転センサ構成要素（例えば、ジャイロスコープ）などを含んでもよい。環境構成要素１３６０は、例えば、照度センサ構成要素（例えば、光度計）、温度センサ構成要素（例えば、周囲温度を検出する１つ以上の温度計）、湿度センサ構成要素、圧力センサ構成要素（例えば、気圧計）、音響センサ構成要素（例えば、バックグラウンドノイズを検出する１つ以上のマイクロフォン）、近接センサ構成要素（例えば、近くの物体を検出する赤外線センサ）、ガスセンサ（例えば、安全のために有害ガスの濃度を検出する、または大気中の汚染物質を測定するガス検出センサ）、または周囲の物理的環境に対応する指示、測定値、もしくは信号を提供し得る他の構成要素を含んでもよい。ポジション構成要素１３６２は、位置センサ構成要素（例えば、GPS受信機構成要素）、高度センサ構成要素（例えば、高度を導出し得る空気圧を検出する高度計または気圧計）、方位センサ構成要素（例えば、磁力計）などを含んでもよい。

【0071】

通信は、多種多様な技術を使用して実装されてもよい。I／O構成要素１３５０は、それぞれカップリング１３８２およびカップリング１３７２を介して機械１３００をネットワーク１３８０またはデバイス１３７０に結合するように動作可能な通信構成要素１３６４を含んでもよい。例えば、通信構成要素１３６４は、ネットワーク１３８０とインターフェースするためのネットワークインターフェース構成要素または別の適切なデバイスを含んでもよい。さらなる例では、通信構成要素１３６４は、有線通信構成要素、無線通信構成要素、セルラ通信構成要素、近距離無線通信（NFC：Near Field Communication）構成要素、Bluetooth（登録商標）構成要素（例えば、Bluetooth（登録商標）Low Energy）、Wi－Fi（登録商標）構成要素、および他のモダリティを介して通信を提供する他の通信構成要素を含んでもよい。デバイス１３７０は、別の機械または多種多様な周辺デバイス（例えば、USBを介して結合された周辺デバイス）のいずれかであってもよい。

【0072】

さらに、通信構成要素１３６４は、識別子を検出してもよく、または識別子を検出するように動作可能な構成要素を含んでもよい。例えば、通信構成要素１３６４は、無線周波数識別（RFID：Radio Frequency Identification）タグリーダ構成要素、NFCスマートタグ検出構成要素、光学リーダ構成要素（例えば、ユニバーサル製品コード（UPC：Universal Product Code）バーコードなどの一次元バーコード、クイックレスポンス（QR：Quick Response）コード、Aztecコード、データマトリックス、データグリフ、MaxiCode、PDF４１７、ウルトラコード、UCC RSS－２Dバーコードなどの多次元バーコード、および他の光学コードを検出する光学センサ）、または音響検出構成要素（例えば、タグ付けされた音声信号を識別するマイクロフォン）を含んでもよい。さらに、インターネットプロトコル（IP：Internet Protocol）ジオロケーションを介した位置、Wi－Fi（登録商標）信号三角測量を介した位置、特定の位置を示し得るNFCビーコン信号の検出を介した位置など、様々な情報が通信構成要素１３６４を介して導出されてもよい。

【0073】

様々なメモリ（すなわち、１３３０、１３３２、１３３４、および/またはプロセッサ１３１０のメモリ）および/または記憶ユニット１３３６は、本明細書に記載の方法論または機能のいずれか１つ以上によって具現化または利用される命令およびデータ構造（例えば、ソフトウェア）の１つ以上のセットを記憶してもよい。これらの命令（例えば、命令１３１６）は、プロセッサ１３１０によって実行されると、開示された実施形態を実装するための様々な動作を引き起こす。

【0074】

本明細書で使用される場合、「機械記憶媒体」、「デバイス記憶媒体」、および「コンピュータ記憶媒体」という用語は同じものを意味し、本開示では互換的に使用される場合がある。これらの用語は、実行可能命令および/またはデータを記憶する単一または複数の記憶デバイスおよび/または媒体（例えば、集中型もしくは分散型データベース、ならびに/または関連するキャッシュおよびサーバ）を指す。したがって、これらの用語は、これらに限定されないが、プロセッサの内部または外部のメモリを含む、ソリッドステートメモリならびに光学および磁気媒体を含むと解釈されるべきである。機械記憶媒体、コンピュータ記憶媒体、および/またはデバイス記憶媒体の特定の例には、例として、半導体メモリデバイス、例えば、消去可能プログラマブル読み出し専用メモリ（EPROM：erasable programmable read－only memory）、電気的消去可能プログラマブル読み出し専用メモリ（EEPROM：electrically erasable programmable read－only memory）、FPGA、およびフラッシュメモリデバイスを含む不揮発性メモリ；内蔵ハードディスク、リムーバブルディスク等の磁気ディスク；光磁気ディスク；ならびにCD－ROMおよびDVD－ROMディスクが含まれる。「機械記憶媒体」、「コンピュータ記憶媒体」、および「デバイス記憶媒体」という用語は、具体的には、搬送波、変調データ信号、および他のそのような媒体を除外し、それらの少なくとも一部は、以下に説明する「信号媒体」という用語に含まれる。

【0075】

様々な実施形態において、ネットワーク１３８０の１つ以上の部分は、アドホックネットワーク、イントラネット、エクストラネット、VPN、LAN、WLAN、WAN、WWAN、MAN、インターネット、インターネットの一部、PSTNの一部、一般電話サービス（POTS：plain old telephone service）ネットワーク、携帯電話ネットワーク、無線ネットワーク、Wi－Fi（登録商標）ネットワーク、別のタイプのネットワーク、または２つ以上のそのようなネットワークの組み合わせであってもよい。例えば、ネットワーク１３８０またはネットワーク１３８０の一部は、無線またはセルラネットワークを含んでもよく、カップリング１３８２は、符号分割多元接続（CDMA：Code Division Multiple Access）接続、グローバル移動体通信システム（GSM(登録商標)：Global System for Mobile communications）接続、または別のタイプのセルラもしくは無線カップリングであってもよい。この例では、カップリング１３８２は、シングルキャリア無線伝送技術（１xRTT）、エボリューションデータオプティマイズド（EVDO：Evolution－Data Optimized）技術、汎用パケット無線サービス（GPRS：General Packet Radio Service）技術、GSMエボリューションのためのエンハンストデータレート（EDGE：Enhanced Data rates for GSM Evolution）技術、３Gを含む第３世代パートナーシッププロジェクト（３GPP(登録商標)：third Generation Partnership Project）、第４世代無線（４G）ネットワーク、ユニバーサル移動体通信システム（UMTS：Universal Mobile Telecommunications System）、高速パケットアクセス（HSPA：High Speed Packet Access）、マイクロ波アクセスのための世界規模相互運用性（WiMAX：Worldwide Interoperability for Microwave Access）、ロングタームエボリューション（LTE：Long Term Evolution）規格、その他様々な標準設定機関によって定義されたもの、その他の長距離プロトコル、またはその他のデータ転送技術のような様々なタイプのデータ転送技術のいずれかを実装してもよい。

【0076】

命令１３１６は、ネットワークインターフェースデバイス（例えば、通信構成要素１３６４に含まれるネットワークインターフェース構成要素）を介して伝送媒体を使用し、複数の周知の転送プロトコル（例えば、ハイパーテキスト転送プロトコル（HTTP：hypertext transfer protocol））のいずれか１つを利用して、ネットワーク１３８０を介して送信または受信されてもよい。同様に、命令１３１６は、カップリング１３７２（例えば、ピアツーピアカップリング）を介して伝送媒体を使用してデバイス１３７０に送信または受信されてもよい。「伝送媒体」および「信号媒体」という用語は同じものを意味し、本開示では互換的に使用される場合がある。「伝送媒体」および「信号媒体」という用語は、機械１３００による実行のための命令１３１６を記憶、符号化、または搬送することが可能な任意の無形媒体を含むと解釈されるべきであり、そのようなソフトウェアの通信を容易にするためのデジタルもしくはアナログ通信信号または他の無形媒体を含む。したがって、「伝送媒体」および「信号媒体」という用語は、任意の形態の変調データ信号、搬送波などを含むものとする。「変調データ信号」という用語は、信号内の情報を符号化するように設定または変更されたその特性の１つ以上を有する信号を意味する。

【0077】

「機械可読媒体」、「コンピュータ可読媒体」、および「デバイス可読媒体」という用語は同じものを意味し、本開示では互換的に使用される場合がある。これらの用語は、機械記憶媒体および伝送媒体の両方を含むように定義される。したがって、これらの用語は、記憶デバイス/媒体および搬送波/変調データ信号の両方を含む。

【0078】

【数22】

【0079】

図示されるように、ユーザインターフェース４００aは、日付フィールド４０２と、フィルタメニュー要素４０４（例えば、場所の種類、施設）と、検索フィールド４０６とを含む。例示的なシナリオでは、ユーザは、特定の場所（例えば、サンディエゴ）での一時住宅の検索などのリストクエリを検索フィールド４０６に入力する。ユーザは、検索フィールド４０６に入力された用語を使用してクエリを直接カスタマイズし、フィルタメニュー要素４０４の選択を介して列挙されたフィルタを追加することができる。さらに、ユーザは、日付ドロップダウン要素４０２を使用して日付を選択し、一時的な滞在の特定の日付範囲を選択してもよい。例えば、ユーザは、日付ドロップダウン要素４０２およびポップアップカレンダー（図４Ａには示されていない）を選択して、サンディエゴでの滞在が具体的には２０２１年１２月１６日から２０２１年１２月１８日であると指定することができる。クエリを提出すると（例えば、検索ボタン４０６の選択を介して、または日付ドロップダウン要素４０２を選択すると自動的に）、リストはリスト結果領域４０５に表示される。次いで、ユーザは、リストを選択するか、またはページナビゲーション要素４２５aを介して追加のページにナビゲートすることができる。

【0080】

上述したように、生成されたリスト４０５は、ユーザがそれぞれのリストを予約する知覚的確率の最大化に基づいてランク付けされる。このように、リストの上位に現れる結果は、リストの下位にある結果と比較して、ユーザがそれぞれのリストを予約する知覚的確率が高い。生成されたリスト４０５は、少なくともユーザ検索クエリおよび選択されたフィルタに基づいて、リストBが実際にはリストAと比較して実質的に良好な品質特性を有し、予約変換の可能性が高い場合であっても、リストA４０８を最初にランク付けし、リストB４１０を２番目にランク付けする。これは、アフォーダビリティ特徴と品質特徴とのブレンドに基づく、ユーザがそれぞれのリストを予約する知覚的確率に起因する場合がある。すなわち、アフォーダビリティ特徴および品質特徴は合わせて、重み付けに関する明確な描写なしに、最適化されない場合があるリストを予約する知覚的確率を決定する。上記で説明したように、重み付けにおける明確な描写の欠如により、リストの品質を具体的に追跡する個々の特性がアフォーダビリティ特性と融合されているため、個々の特性を具体的に識別することが本質的に不可能になる場合がある。前述したように、品質の推定値に関連する特性を具体的に追跡し、それに応じてそれらに独立して重み付けすることが、最適化された検索結果を提供し、ユーザがそれらの検索結果から終了する可能性を低減させる場合がある。

【0081】

【数23】

【0082】

【数24】

【0083】

機械学習モデルは、価格指示特徴に基づいてアフォーダビリティ指標を予測してもよい。価格指示特徴の例には、それぞれのリストの表示価格、それぞれのリストの履歴表示価格、それぞれのリストのサービス料金、およびそれぞれのリストのクリーニング料金が含まれる。

【0084】

機械学習モデルは、非価格指示特徴に基づいて、アフォーダビリティとは別に独立して、品質指標を予測してもよい。非価格指示特徴の例は、それぞれのリストの位置、それぞれのリストの近傍、それぞれのリストの近傍の予約数、それぞれのリストの予約数、それぞれのリストの特性、それぞれのリストの近傍の予約の特性、およびそれぞれのリストのクリック数を含む。

【0085】

アフォーダビリティ指標および品質指標は合わせて、予約の確率を表してもよい。アフォーダビリティ指標とは別の独立した品質指標は、品質の推定値を表してもよい。

【0086】

【数25】

【0087】

リストのセットは、（i）予約の確率および（ii）品質の推定値、またはその関数に基づいてランク付けされ、ユーザインターフェース（例えば、ユーザインターフェース４００b）に表示されてもよい。リストのセットをランク付けすることは、最終ランク付けスコアを計算することを含む。いくつかの実施形態では、最終ランク付けスコアは、アフォーダビリティ指標よりも高く品質指標に重み付けし、最終ランク付けスコアに基づいてリストのセットをランク付けする。他の実施形態では、リストのセットをランク付けすることは、品質指標をアフォーダビリティ指標の約２倍に重み付けする最終スコアを計算することと、最終ランク付けスコアに基づいてリストのセットをランク付けすることとを含む。

【0088】

いくつかの実施形態では、最適化されたランク付け定式化は、以下の関数であってもよい。

【0089】

【数26】

【0090】

【数27】

【0091】

品質の推定値はアフォーダビリティの２倍に重み付けされるが、いくつかの実施形態では、品質の推定値がアフォーダビリティよりも高く重み付けされる限り、他の重み付けを使用して検索リストを最適化してもよい。

【0092】

【数28】

【0093】

・上位リストホストの予約は＋１．３％増加した（p値４E－７）。
・予約されたリストのレビュー数（＋１．４％、p値５E－６）およびレビュー評価（＋０．９６％、p値２E－８）の両方の増加。

【0094】

・ユーザにとって好ましい場所の境界（より高い結果関連性の指示）内にあった第１のページ上のリストの数は、＋３．２％だけ増加した（p値１E－１５）。

【0095】

・ゲストがスペース全体を独り占めするリストの予約は＋０．８４％増加した（p値３E－６）。

【0096】

・５つ星のレビューは＋０．３６％増加し（p値０．０１）、３つ星のレビューは－２．４％以下減少した（p値０．０１）。

【0097】

図５は、いくつかの実施形態による、検索リスト（例えば、図４Ｂのリスト４００b）を最適化するための方法（５００）のフロー図を示す。

【0098】

本方法は、クライアントデバイス（例えば、図１のクライアントデバイス１３０）から、リストのセットの検索要求を受信すること（５０２）を含み、検索要求は検索パラメータ（例えば、フィルタ４０４によって設定された検索クエリの検索パラメータ）を含む。例えば、検索要求は、場所（例えば、サンフランシスコ）およびゲストの人数（例えば、２人の成人）であってもよく、この検索要求に適用されるフィルタは、「最大リスト価格」、「無料キャンセル」、および「個室」であってもよい。

【0099】

本方法は、第１の検索クエリと検索パラメータとに基づいてリストのセットを生成すること（５０４）をさらに含む。例えば、図１のアプリケーションサーバ１４０は、検索クエリおよび検索パラメータを使用して、とりわけ、場所およびゲストの人数などの検索パラメータを使用して、図１のデータベース１２６に記憶されたリストのセットを取得し得る。

【0100】

本方法は、価格指示特徴および非価格指示特徴をリストのセットについて抽出し（５０６）、グループ化することをさらに含む。例えば、あるリストの場所情報が抽出されて非価格指示特徴でグループ化されてもよく、その一方で、最大のリスト価格が抽出されて価格指示特徴でグループ化されてもよい。

【0101】

本方法は、訓練された機械学習モデル（例えば、図１のアフォーダビリティモジュール１５０および品質モジュール１４２）にリストのセットの価格指示特徴および非価格指示特徴を入力することによって、予約の確率および品質の推定値を別々に（例えば、個々のリストごとに）計算すること（５０８）をさらに含み、訓練された機械学習モデルは、（i）価格指示特徴に基づくアフォーダビリティ指標および（ii）非価格指示特徴に基づく品質指標を別々に予測し、かつ、（i）アフォーダビリティ指標および品質指標は予約の確率を表し、（ii）品質指標は品質の推定値を表す。

【0102】

いくつかの実施形態では、訓練された機械学習モデルは、アフォーダビリティ指標を予測するための第１の訓練されたディープニューラルネットワーク（例えば、アフォーダビリティモジュール１５０内の訓練されたディープニューラルネットワーク）と、第１の訓練されたディープニューラルネットワークとは異なる、品質指標を予測するための第２の訓練されたディープニューラルネットワーク（品質モジュール１４２内の訓練されたディープニューラルネットワーク）とを含む。

【0103】

いくつかの実施形態では、アフォーダビリティを予測するように訓練された第１のディープニューラルネットワークに価格指示特徴を入力し、（ii）品質を予測するように訓練された第２のディープニューラルネットワークに非価格指示特徴を入力する。

【0104】

いくつかの実施形態では、リストのセットのそれぞれのリストごとに、非価格指示特徴は、それぞれのリストの位置、それぞれのリストの近傍、それぞれのリストの近傍の予約数、それぞれのリストの予約数、それぞれのリストの特性、それぞれのリストの近傍の予約の特性、およびそれぞれのリストのクリック数のうちの少なくとも１つを含む。

【0105】

いくつかの実施形態では、非価格指示特徴は、それぞれのリスト（例えば、リストA４０８）に関連する金銭的価値以外のそれぞれのリスト（例えば、リストA４０８）に関する特徴である。

【0106】

いくつかの実施形態では、指示特徴は、それぞれのリストの表示価格、それぞれのリストの履歴表示価格、それぞれのリストのサービス料金、およびそれぞれのリストのクリーニング料金の少なくとも１つを含む。

【0107】

いくつかの実施形態では、価格指示特徴は、それぞれのリストに関連する金銭的価値である、それぞれのリストに関する特徴である。

【0108】

いくつかの実施形態では、訓練された機械学習モデルは、訓練時に、リストの非価格指示特徴に加えて価格指示特徴に基づいて品質指標を出力するように訓練される。

【0109】

方法５００は、予約の確率および品質の推定値に基づいて、リストのセットをランク付けすること（５１０）（例えば、図４ｂのランク付け４１４）をさらに含む。例えば、リストUI４００bは、予約の確率および品質の推定値（例えば、P_予約＋品質）に基づいて４１４でランク付けされたリストのセットを示す。

【0110】

いくつかの実施形態では、方法６００は、１人以上のユーザによって閲覧された検索結果の最後のリストを記録することによって訓練された、訓練された機械学習モデルにリストのセットを入力することによって、リストのセットの検索を終了する確率を計算することと、終了する確率にさらに基づいて、リストのセットをランク付けすることとをさらに含む。例えば、図４Ａにおいて、ユーザは、リストB４１０を閲覧した後、リストUI４００aを閲覧するのを終了してもよい。したがって、リスト４００aを終了する確率を計算することは、リストA４０８を訓練された機械学習モデルに入力することによって計算される。

【0111】

いくつかの実施形態では、リスト（例えば、リスト４００b、図４Ｂ）のセットをランク付けすることは、品質指標をアフォーダビリティ指標よりも高く重み付けする最終ランク付けスコアを計算することと、最終ランク付けスコアに基づいてリストのセットをランク付けすることとを含む。例えば、図４ＢのリストB４１０では、品質指標はアフォーダビリティ指標よりも高く重み付けされる。したがって、リストB４１０の品質指標は、リストA４０８の品質指標よりも高く重み付けされる。

【0112】

いくつかの実施形態では、リストのセットをランク付けすることは、品質指標をアフォーダビリティ指標の約２倍に重み付けする最終ランク付けスコアを計算することと、最終ランク付けスコアに基づいてリストのセットをランク付けすることとを含む。

【0113】

第１、第２などの用語は、場合によっては、様々な要素を説明するために本明細書で使用されるが、これらの要素はこれらの用語によって限定されるべきではないことが理解されよう。これらの用語は、ある要素を別の要素と区別するためにのみ使用される。例えば、様々な記載された実装形態の範囲から逸脱することなく、第１のウィジェットを第２のウィジェットと呼ぶ場合があり、同様に、第２のウィジェットを第１のウィジェットと呼ぶ場合がある。第１のウィジェットおよび第２のウィジェットは両方ともウィジェットであるが、明示的にそのように述べられていない限り、それらは同じ条件ではない。

【0114】

本明細書に記載の様々な実装形態の説明で使用される用語は、特定の実装形態を説明することのみを目的としており、限定することを意図するものではない。様々な記載された実装形態および添付の特許請求の範囲の説明で使用されるように、単数形「a」、「an」および「the」は、文脈が明らかにそうでないことを示さない限り、複数形も含むことが意図される。本明細書で使用される「および/または」という用語は、関連する列挙された項目のうちの１つ以上のありとあらゆる可能な組み合わせを指し、包含することも理解されよう。「含む（includes）」、「含む（including）」、「備える（comprises）」、および/または「備える（comprising）」という用語は、本明細書で使用される場合、記載された特徴、整数、ステップ、動作、要素、および/または構成要素の存在を指定するが、１つ以上の他の特徴、整数、ステップ、動作、要素、構成要素、および/またはそれらのグループの存在または追加を排除するものではないことがさらに理解されよう。

【0115】

前述の説明は、説明のために、特定の実装形態を参照して説明されている。しかしながら、上記の例示的な説明は、網羅的であること、または特許請求の範囲を開示された正確な形態に限定することを意図するものではない。上記の教示を考慮して、多くの修正および変形が可能である。実装形態は、特許請求の範囲の基礎となる原理およびそれらの実際の用途を最もよく説明するように選択され、それにより、他の当業者が、企図される特定の用途に適した様々な変更を伴う実装形態を最もよく使用することを可能にする。

【図1】

【図2】

【図3】

【図4A】

【図4B】

【図5】

【国際調査報告】