JP2019191714A - Program, device and method for estimating latent target user possibly to have prediction target behavior using access history of url - Google Patents

Program, device and method for estimating latent target user possibly to have prediction target behavior using access history of url Download PDF

Info

Publication number
JP2019191714A
JP2019191714A JP2018081009A JP2018081009A JP2019191714A JP 2019191714 A JP2019191714 A JP 2019191714A JP 2018081009 A JP2018081009 A JP 2018081009A JP 2018081009 A JP2018081009 A JP 2018081009A JP 2019191714 A JP2019191714 A JP 2019191714A
Authority
JP
Japan
Prior art keywords
url
target user
target
estimation
sensor
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
JP2018081009A
Other languages
Japanese (ja)
Other versions
JP6989434B2 (en
Inventor
亜令 小林
Arei Kobayashi
亜令 小林
塁 木村
Rui Kimura
塁 木村
慧 米川
Kei Yonekawa
慧 米川
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
KDDI Corp
Original Assignee
KDDI Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by KDDI Corp filed Critical KDDI Corp
Priority to JP2018081009A priority Critical patent/JP6989434B2/en
Publication of JP2019191714A publication Critical patent/JP2019191714A/en
Application granted granted Critical
Publication of JP6989434B2 publication Critical patent/JP6989434B2/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Information Transfer Between Computers (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

To provide a program etc., for estimating a latent target user possibly to have prediction target behavior.SOLUTION: A program is made to function, as a learning stage; as user classification means which uses access history storage means to perform classification into a target user group as a positive example and a non-target user group as a negative example according to classification conditions; and as a machine learning engine which inputs and learns frequencies of access to respective sensor URLs made to correspond to target users as the positive example, and frequencies of access of the respective sensor URLs made to correspond to non-target users as the negative example. As an estimation stage, the machine learning engine inputs the frequencies of access to the respective sensor URLs as to the estimation target users, and outputs a positive example similarity score. Further, a computer is made to function as latent target user estimation means which estimates an estimation target user whose positive example similarity score is equal to or larger than a predetermined threshold as a latent target user.SELECTED DRAWING: Figure 2

Description

本発明は、ユーザにおけるＷｅｂサイトの閲覧行動を予測する技術に関する。   The present invention relates to a technique for predicting browsing behavior of a Web site by a user.

ユーザは、スマートフォンや携帯端末を用いて、様々なＷｅｂサイトに自由にアクセスすることができる。
一方で、マーケティング分析の１つとして、各ユーザにおけるＷｅｂサイトのＵＲＬ(Uniform Resource Locator)アクセス履歴が収集され、当該ユーザの関心や興味の傾向が分析される。特に、ユーザ毎に、閲覧行動を予測し、適切なターゲティング広告を配信することもできる。 A user can freely access various websites using a smartphone or a mobile terminal.
On the other hand, as one of marketing analyses, URL (Uniform Resource Locator) access histories of Web sites for each user are collected, and the interest and interest tendency of the user are analyzed. In particular, browsing behavior can be predicted for each user, and appropriate targeting advertisements can be distributed.

例えば、ユーザにおけるＷｅｂサイトの閲覧履歴を入力データとして、隠れマルコフモデルによって学習し、ユーザを誘導する技術がある（例えば特許文献１参照）。この技術によれば、ユーザ毎に閲覧ページのページ機能を時系列に並べた順序付き集合から、学習モデルの複数の内部状態を算出し、各内部状態における閲覧可能なページ機能の出力確率と、内部状態間の遷移確率とを、ユーザの閲覧行動として予測する。   For example, there is a technique of learning by a hidden Markov model using the browsing history of a website of a user as input data and guiding the user (see, for example, Patent Document 1). According to this technology, a plurality of internal states of the learning model are calculated from an ordered set in which the page functions of the browsing pages are arranged in time series for each user, and the output probability of the page functions that can be viewed in each internal state, The transition probability between internal states is predicted as the user's browsing behavior.

また、広告主が特定行動及び説明行動を入力することによって、予測目標行動を起こすであろうユーザを推定する技術もある（例えば特許文献２参照）。この技術によれば、コンテンツの配信候補となるユーザの行動履歴を取得し、コンテンツの提供主が指定する行動履歴に基づいて、特定行動を起こすことが予測されるユーザを抽出する。   There is also a technique for estimating a user who will cause a predicted target behavior when an advertiser inputs a specific behavior and an explanation behavior (see, for example, Patent Document 2). According to this technology, a user's behavior history that is a content distribution candidate is acquired, and a user who is predicted to cause a specific behavior is extracted based on the behavior history specified by the content provider.

これら従来技術は、過去に予測目標行動を起こした多数のユーザの行動ログを用いて、推定対象ユーザに対して、予測目標行動を起こす確率を算出する学習モデルを構築する。その確率が所定閾値以上となるユーザ群を、広告配信の対象ユーザとして推定している。   These conventional techniques construct a learning model that calculates the probability of causing a predicted target action for an estimation target user using the action logs of a large number of users who have caused the predicted target action in the past. A user group whose probability is equal to or higher than a predetermined threshold is estimated as a target user for advertisement distribution.

特開２０１４−１６０３４５号公報JP 2014-160345 A 特開２０１６−０３８８２２号公報JP 2006-038822 A

前述した従来技術は、各ユーザにおける時系列の行動履歴（アクセス履歴）を用いている。一方で、予測目標行動に至るまでの様々な関連行動を考慮したものではない。
本願の発明者らは、予測目標行動に至るであろう関連行動に基づいて、潜在対象ユーザを推定すべきではないか、と考えた。 The above-described conventional technology uses a time-series action history (access history) for each user. On the other hand, it does not take into account various related actions up to the predicted target action.
The inventors of the present application thought that the potential target user should be estimated based on the related behavior that would lead to the predicted target behavior.

そこで、本発明は、ＵＲＬのアクセス履歴を用いて、予測対象行動に至るであろう潜在対象ユーザを推定するプログラム、装置及び方法を提供することを目的とする。   Therefore, an object of the present invention is to provide a program, an apparatus, and a method for estimating a potential target user who will reach a prediction target action using a URL access history.

本発明によれば、予測対象行動に至るであろう潜在対象ユーザを推定する装置に搭載されたコンピュータを機能させるプログラムであって、
ユーザ毎に、アクセスしたＵＲＬを蓄積するアクセス履歴蓄積手段と、
予測対象行動に関連する複数のセンサＵＲＬを登録したセンサＵＲＬ登録手段と
して機能させ、
学習段階として、
アクセス履歴蓄積手段を用いて、分類条件に対して正例となるターゲットユーザ群と、負例となる非ターゲットユーザ群とに分類するユーザ群分類手段と、
正例となるターゲットユーザ毎に対応付けた、各センサＵＲＬのアクセス回数と、負例となる非ターゲットユーザ毎に対応付けた、各センサＵＲＬのアクセス回数とを入力して学習する機械学習エンジンと
して機能させ、
推定段階として、
機械学習エンジンは、推定対象ユーザについて各センサＵＲＬのアクセス回数を入力し、正例類似スコアを出力し、
正例類似スコアが所定閾値以上となる推定対象ユーザを、潜在対象ユーザとして推定する潜在対象ユーザ推定手段と
してコンピュータを機能させることを特徴とする。 According to the present invention, there is provided a program for causing a computer installed in a device for estimating a potential target user who will lead to a prediction target action to function,
Access history storage means for storing the accessed URL for each user;
Function as a sensor URL registration unit that registers a plurality of sensor URLs related to the behavior to be predicted,
As a learning stage,
User group classification means for classifying into a target user group as a positive example and a non-target user group as a negative example using the access history storage means,
As a machine learning engine that inputs and learns the number of accesses of each sensor URL associated with each target user as a positive example and the number of accesses of each sensor URL associated with each non-target user as a negative example Make it work
As an estimation stage,
The machine learning engine inputs the number of accesses of each sensor URL for the estimation target user, outputs a positive example similarity score,
The computer is caused to function as a potential target user estimation unit that estimates a target user whose positive example similarity score is equal to or greater than a predetermined threshold as a potential target user.

本発明のプログラムにおける他の実施形態によれば、
ＵＲＬ毎に、ターゲットユーザ群がアクセスした第１の確率と、非ターゲットユーザ群がアクセスした第２の確率とが、所定条件を満たす当該ＵＲＬを、センサＵＲＬとして決定するセンサＵＲＬ決定手段と
してコンピュータを機能させることも好ましい。 According to another embodiment of the program of the present invention,
For each URL, a computer is used as a sensor URL determination unit that determines, as a sensor URL, a URL that satisfies a predetermined condition that the first probability that the target user group has accessed and the second probability that the non-target user group has accessed. It is also preferable to make it function.

本発明のプログラムにおける他の実施形態によれば、
センサＵＲＬ決定手段は、第１の確率と第２の確率とのオッズ比が所定閾値以上となるＵＲＬを、センサＵＲＬとして決定する
ようにコンピュータを機能させることも好ましい。 According to another embodiment of the program of the present invention,
Preferably, the sensor URL determination means causes the computer to function as a sensor URL that determines a URL whose odds ratio between the first probability and the second probability is equal to or greater than a predetermined threshold.

本発明のプログラムにおける他の実施形態によれば、
ユーザにおける分類条件とは、指定されたターゲットＵＲＬにアクセスした（正例）か否か（負例）である
ようにコンピュータを機能させることも好ましい。 According to another embodiment of the program of the present invention,
It is also preferable to make the computer function so that the classification condition in the user is whether or not the designated target URL is accessed (positive example) or not (negative example).

本発明のプログラムにおける他の実施形態によれば、
推定対象ユーザに対して、複数のターゲットＵＲＬそれぞれについて学習段階及び推定段階を実行し、ターゲットＵＲＬ毎に正例類似スコアを推定し、
推定対象ユーザの端末へ、ターゲットＵＲＬ毎に各ターゲットＵＲＬに基づく広告情報を配信する広告情報配信手段と、
ターゲットＵＲＬ毎に、広告情報に対して推定対象ユーザの反応操作有り／無しを検知する広告反応検知手段と、
推定対象ユーザについて、ターゲットＵＲＬ毎における正例類似スコア及び広告反応有り／無しに基づいて、広告反応有りと無しとの回帰係数を、正例受容スコアとして算出する正例受容スコア算出手段と
して更に機能させ、
潜在対象ユーザ推定手段は、正例受容スコアを重み付けて算出した正例類似スコアを用いて、潜在対象ユーザを推定する
ようにコンピュータを機能させることも好ましい。 According to another embodiment of the program of the present invention,
For the estimation target user, the learning stage and the estimation stage are executed for each of the plurality of target URLs, and a positive similarity score is estimated for each target URL.
Advertising information distribution means for distributing advertising information based on each target URL for each target URL to the terminal of the estimation target user;
An advertisement reaction detection means for detecting presence / absence of a reaction operation of the estimation target user for the advertisement information for each target URL;
Further functions as a positive example acceptance score calculation means for calculating a regression coefficient between the presence / absence of an advertisement reaction as a positive example acceptance score based on the positive example similarity score and the presence / absence of an advertisement reaction for each estimation target user. Let
The latent target user estimating means preferably causes the computer to function to estimate the potential target user using the positive example similarity score calculated by weighting the positive example acceptance score.

本発明のプログラムにおける他の実施形態によれば、
ユーザにおける分類条件とは、指定された検索キーによって検索されたＵＲＬにアクセスした（正例）か否か（負例）である
ようにコンピュータを機能させることも好ましい。 According to another embodiment of the program of the present invention,
It is also preferable to make the computer function so that the classification condition in the user is whether or not the URL searched by the designated search key is accessed (positive example) or not (negative example).

本発明のプログラムにおける他の実施形態によれば、
ユーザにおける分類条件とは、ユーザ毎に行動履歴が記録されており、指定された行動をした（正例）か否か（負例）である
ようにコンピュータを機能させることも好ましい。 According to another embodiment of the program of the present invention,
It is also preferable that the classification condition for the user records the action history for each user, and causes the computer to function so as to indicate whether or not the specified action has been taken (positive example) or not (negative example).

本発明によれば、予測対象行動に至るであろう潜在対象ユーザを推定する推定装置であって、
ユーザ毎に、アクセスしたＵＲＬを蓄積するアクセス履歴蓄積手段と、
予測対象行動に関連する複数のセンサＵＲＬを登録したセンサＵＲＬ登録手段と
を有し、
学習段階として、
アクセス履歴蓄積手段を用いて、分類条件に対して正例となるターゲットユーザ群と、負例となる非ターゲットユーザ群とに分類するユーザ群分類手段と、
正例となるターゲットユーザ毎に対応付けた、各センサＵＲＬのアクセス回数と、負例となる非ターゲットユーザ毎に対応付けた、各センサＵＲＬのアクセス回数とを入力して学習する機械学習エンジンと
を有し、
推定段階として、
機械学習エンジンは、推定対象ユーザについて各センサＵＲＬのアクセス回数を入力し、正例類似スコアを出力し、
正例類似スコアが所定閾値以上となる推定対象ユーザを、潜在対象ユーザとして推定する潜在対象ユーザ推定手段と
を有することを特徴とする。 According to the present invention, an estimation device for estimating a potential target user who will reach a prediction target behavior,
Access history storage means for storing the accessed URL for each user;
Sensor URL registration means for registering a plurality of sensor URLs related to the behavior to be predicted,
As a learning stage,
User group classification means for classifying into a target user group as a positive example and a non-target user group as a negative example using the access history storage means,
A machine learning engine that inputs and learns the number of accesses of each sensor URL associated with each target user as a positive example and the number of accesses of each sensor URL associated with each non-target user as a negative example; Have
As an estimation stage,
The machine learning engine inputs the number of accesses of each sensor URL for the estimation target user, outputs a positive example similarity score,
It has a potential target user estimation means for estimating a target user whose positive example similarity score is equal to or greater than a predetermined threshold as a potential target user.

本発明によれば、予測対象行動に至るであろう潜在対象ユーザを推定する装置の推定方法であって、
装置は、
ユーザ毎に、アクセスしたＵＲＬを蓄積するアクセス履歴蓄積部と、
予測対象行動に関連する複数のセンサＵＲＬを登録したセンサＵＲＬ登録部と、
機械学習エンジンと
を有し、
装置は、学習段階として、
アクセス履歴蓄積部を用いて、分類条件に対して正例となるターゲットユーザ群と、負例となる非ターゲットユーザ群とに分類する第１１のステップと、
機械学習エンジンを用いて、正例となるターゲットユーザ毎に対応付けた、各センサＵＲＬのアクセス回数と、負例となる非ターゲットユーザ毎に対応付けた、各センサＵＲＬのアクセス回数とを入力して学習する第１２のステップと
を実行し、
装置は、推定段階として、
機械学習エンジンを用いて、推定対象ユーザについて各センサＵＲＬのアクセス回数を入力し、正例類似スコアを出力する第２１のステップと、
正例類似スコアが所定閾値以上となる推定対象ユーザを、潜在対象ユーザとして推定する第２２のステップと
を実行することを特徴とする。 According to the present invention, there is provided an estimation method of an apparatus for estimating a potential target user who will lead to a prediction target action,
The device
An access history storage unit for storing URLs accessed for each user;
A sensor URL registration unit that registers a plurality of sensor URLs related to the behavior to be predicted;
A machine learning engine,
The device is in the learning phase
An eleventh step of classifying a target user group as a positive example and a non-target user group as a negative example using the access history storage unit;
Using the machine learning engine, input the number of accesses of each sensor URL associated with each target user as a positive example and the number of accesses of each sensor URL associated with each non-target user as a negative example. Performing the twelfth step of learning,
As an estimation stage, the device
A twenty-first step of inputting the number of accesses of each sensor URL for the estimation target user using a machine learning engine and outputting a positive example similarity score;
The 22nd step which estimates the estimation object user whose positive example similarity score becomes more than a predetermined threshold as a latent object user is performed, It is characterized by the above-mentioned.

本発明のプログラム、装置及び方法によれば、ＵＲＬのアクセス履歴を用いて、予測対象行動に至るであろう潜在対象ユーザを推定することができる。   According to the program, apparatus, and method of the present invention, it is possible to estimate a potential target user who will reach the prediction target behavior using the URL access history.

予測目標行動と関連行動との関係を表す説明図である。It is explanatory drawing showing the relationship between prediction target action and related action. 本発明における推定装置の機能構成図である。It is a functional block diagram of the estimation apparatus in this invention. 図２の機械学習エンジンの入出力データを表す説明図である。It is explanatory drawing showing the input-output data of the machine learning engine of FIG. 本発明における受容反応学習段階を有する推定装置の機能構成図である。It is a functional block diagram of the estimation apparatus which has a reception reaction learning stage in this invention. 正例受容スコアに基づいて潜在対象ユーザを推定する推定装置の機能構成図である。It is a functional block diagram of the estimation apparatus which estimates a potential target user based on a positive example acceptance score.

以下、本発明の実施の形態について、図面を用いて詳細に説明する。   Hereinafter, embodiments of the present invention will be described in detail with reference to the drawings.

図１は、予測目標行動と関連行動との関係を表す説明図である。   FIG. 1 is an explanatory diagram illustrating a relationship between a predicted target action and a related action.

マーケティング分析として、予測目標行動を「ターゲットＵＲＬ」へのアクセスとし、関連行動を「センサＵＲＬ」へのアクセスとして表現する。ここで、センサＵＲＬとは、ターゲットＵＲＬへアクセスするに至るであろうとして、予め登録されたものである。例えば、ターゲットＵＲＬが「Ａ社製の自動車ａのホームページ」である場合、関連ＵＲＬは、「自動車の比較サイトのホームページ」のようなものである。   For marketing analysis, the predicted target behavior is expressed as access to the “target URL”, and the related behavior is expressed as access to the “sensor URL”. Here, the sensor URL is registered in advance so as to reach the target URL. For example, when the target URL is “Home Page of Car A made by Company A”, the related URL is “Home Page of Car Comparison Site”.

図１によれば、ターゲットＵＲＬを中心として、そのターゲットＵＲＬに関連するセンサＵＲＬと、それ以外のＵＲＬとが表されている。
また、各ユーザについて、アクセス履歴として、ターゲットＵＲＬにアクセスしたターゲットユーザ群と、アクセスしていない非ターゲットユーザ群とに分類する。 According to FIG. 1, the sensor URL related to the target URL and the other URLs are represented with the target URL as the center.
Further, for each user, the access history is classified into a target user group that has accessed the target URL and a non-target user group that has not been accessed.

ターゲットＵＲＬにアクセスしたユーザ群は、そのターゲットＵＲＬへ到達するために、様々な関連ＵＲＬにアクセスしている。このとき、その関連ＵＲＬにアクセスしたユーザ群は、高い確率でターゲットＵＲＬにアクセスすることが想定できる。即ち、ターゲットＵＲＬにアクセスしたユーザ群が、関連ＵＲＬにアクセスする傾向を学習することができれば、推定対象ユーザが、関連ＵＲＬへアクセスする傾向から、ターゲットＵＲＬにアクセスする確率を推定することができる。
本発明によれば、ターゲットＵＲＬにアクセスする確率が高い潜在対象ユーザを推定するために、あえて、その関連ＵＲＬにアクセスする確率が高いユーザを推定しようとしている。 A group of users who have accessed the target URL accesses various related URLs in order to reach the target URL. At this time, it can be assumed that a user group accessing the related URL accesses the target URL with a high probability. That is, if the user group that accessed the target URL can learn the tendency to access the related URL, the probability that the estimation target user accesses the target URL can be estimated from the tendency of the user to access the related URL.
According to the present invention, in order to estimate a potential target user who has a high probability of accessing the target URL, an attempt is made to estimate a user who has a high probability of accessing the related URL.

図２は、本発明における推定装置の機能構成図である。   FIG. 2 is a functional configuration diagram of the estimation apparatus according to the present invention.

本発明の推定装置１は、ＵＲＬのアクセス履歴を用いて、予測目標行動に至るであろう関連行動に基づいて潜在対象ユーザを推定する。
図２によれば、推定装置１は、アクセス履歴蓄積部１０１と、センサＵＲＬ登録部１０２とを有する。 The estimation apparatus 1 of the present invention estimates a potential target user based on related behavior that will lead to the predicted target behavior, using the URL access history.
According to FIG. 2, the estimation device 1 includes an access history accumulation unit 101 and a sensor URL registration unit 102.

［アクセス履歴蓄積部１０１］
アクセス履歴蓄積部１０１は、ユーザ（ＩＤ）毎に、アクセスしたＵＲＬを対応付けて蓄積したものである。
［ユーザＩＤ］<->［ＵＲＬ]
001 http://www.aaa.com
002 http://www.bbb.com
003 http://www.aaa.com
002 http://www.ccc.com
001 http://www.aaa.com
・・・・・・・・・・・・・・・・・・ [Access history storage unit 101]
The access history accumulating unit 101 accumulates the accessed URL in association with each user (ID).
[User ID] <-> [URL]
001 http://www.aaa.com
002 http://www.bbb.com
003 http://www.aaa.com
002 http://www.ccc.com
001 http://www.aaa.com
...

［センサＵＲＬ登録部１０２］
センサＵＲＬ登録部１０２は、予測対象行動に関連する複数のセンサＵＲＬを登録したものである。
センサＵＲＬは、予測対象行動（例えばターゲットＵＲＬへのアクセス）に関連するページを公開するＵＲＬであって、オペレータによって予め登録されたものであってもよい。具体的には、後述するセンサＵＲＬ決定部１４によって決定されたものであってもよい。 [Sensor URL registration unit 102]
The sensor URL registration unit 102 registers a plurality of sensor URLs related to the prediction target behavior.
The sensor URL is a URL for publishing a page related to the behavior to be predicted (for example, access to the target URL), and may be registered in advance by the operator. Specifically, it may be determined by a sensor URL determination unit 14 described later.

尚、ターゲットＵＲＬやセンサＵＲＬは、ＵＲＬ全体そのものに限られず、ドメイン名のみであってもよいし、クラスタリングに基づくカテゴリ名であってもよい。   Note that the target URL and the sensor URL are not limited to the entire URL itself, and may be only a domain name or a category name based on clustering.

推定装置１は、＜学習段階＞として、ユーザ群分類部１１と、機械学習エンジン１２と、センサＵＲＬ決定部１４とを有する。また、＜推定段階＞として、機械学習エンジン１２と、潜在対象ユーザ推定部１３とを有する。
これら機能構成部は、装置に搭載されたコンピュータを機能させるプログラムを実行することによって実現される。また、これら機能の処理の流れは、装置における推定方法としても理解できる。 The estimation apparatus 1 includes a user group classification unit 11, a machine learning engine 12, and a sensor URL determination unit 14 as <learning stage>. Further, as the <estimation stage>, the machine learning engine 12 and the latent target user estimation unit 13 are included.
These functional components are realized by executing a program that causes a computer installed in the apparatus to function. The processing flow of these functions can also be understood as an estimation method in the apparatus.

＜学習段階＞
［ユーザ群分類部１１］
ユーザ群分類部１１は、アクセス履歴蓄積部１０１を用いて、分類条件に対して正例となるターゲットユーザ群と、負例となる非ターゲットユーザ群とに分類する。 <Learning stage>
[User Group Classification Unit 11]
The user group classification unit 11 uses the access history accumulation unit 101 to classify a target user group that is a positive example and a non-target user group that is a negative example with respect to the classification condition.

ここで、「分類条件」とは、正例／負例に分類するために条件であって、以下のように様々に規定することができる。
（条件１）指定されたターゲットＵＲＬにアクセスしたか否か
例えば指定されたターゲットＵＲＬの「Ａ社製の自動車ａのホームページ」にアクセスした（正例）か否か（負例）
（条件２）指定された検索キーによって検索されたＵＲＬをターゲットＵＲＬとしてアクセスしたか否か
例えば指定された検索キー「Ａ社」によって検索されたＵＲＬ「Ａ社製の自動車ａのホームページ」をターゲットＵＲＬとしてアクセスした（正例）か否か（負例）
（条件３）ユーザ毎に行動履歴が記録されており、指定された行動をしたか否か
例えばユーザ毎の行動履歴の中に、「自動車発表会に参加」という行動履歴が記録されている（正例）か否か（負例） Here, the “classification condition” is a condition for classification into positive examples / negative examples, and can be variously defined as follows.
(Condition 1) Whether or not the designated target URL has been accessed For example, whether or not the designated target URL “homepage of car a made by company A” has been accessed (positive example) (negative example)
(Condition 2) Whether or not the URL searched with the specified search key is accessed as the target URL For example, the URL “home page of car a made by company A” searched with the specified search key “Company A” is targeted Whether accessed as a URL (positive example) or not (negative example)
(Condition 3) An action history is recorded for each user, and whether or not a specified action has been taken. For example, an action history of “participating in a car presentation” is recorded in the action history for each user ( (Positive example) or not (negative example)

［センサＵＲＬ決定部１４］
センサＵＲＬ決定部１４は、ＵＲＬ毎に、ターゲットユーザ群がアクセスした第１の確率と、非ターゲットユーザ群がアクセスした第２の確率とが、所定条件を満たす当該ＵＲＬを、センサＵＲＬとして決定する。 [Sensor URL determination unit 14]
The sensor URL determination unit 14 determines, for each URL, the URL that satisfies the predetermined condition that the first probability that the target user group has accessed and the second probability that the non-target user group has accessed the sensor URL. .

具体的には、センサＵＲＬ決定部１４は、第１の確率と第２の確率とのオッズ比が所定閾値以上となるＵＲＬを、センサＵＲＬとして決定する。
「オッズ比(Odds ratio)」とは、ある事象の起こりやすさを２つの群で比較して表す統計学的尺度である。ある事象の起こる確率ｐに対して、以下のように表される。
Odds＝ｐ／(１−ｐ)、Odds≧0
ある事象について、第１の群における事象発生確率ｐと、第２の群における事象発生確率ｑとのオッズ比は、以下のように表される。
{ｐ／(１−ｐ)}／{ｑ／(１−ｑ)}
オッズ比＝１ということは、事象発生確率が両群で同じということであり、１より大きい（又は小さい）とは、その事象が第１の群（又は第２の群）でより発生しやすいことを意味する。 Specifically, the sensor URL determination unit 14 determines, as a sensor URL, a URL at which the odds ratio between the first probability and the second probability is equal to or greater than a predetermined threshold.
“Odds ratio” is a statistical measure that represents the likelihood of an event being compared between two groups. The probability p of a certain event is expressed as follows.
Odds = p / (1-p), Odds ≧ 0
For an event, the odds ratio between the event occurrence probability p in the first group and the event occurrence probability q in the second group is expressed as follows.
{p / (1-p)} / {q / (1-q)}
An odds ratio = 1 means that the probability of event occurrence is the same in both groups, and a value greater than (or smaller) than 1 means that the event is more likely to occur in the first group (or second group). Means that.

例えば、100人のアクセス履歴について、例えば以下のように算出される。
ターゲットユーザ群が当該センサＵＲＬにアクセスした人数＝80人
Odds＝80／(100−80)＝4
非ターゲットユーザ群が当該センサＵＲＬにアクセスした人数＝20人
Odds＝20／(100−20)＝0.25
オッズ比＝4／0.25＝16 For example, the access history of 100 people is calculated as follows, for example.
Number of target users accessing the sensor URL = 80
Odds = 80 / (100-80) = 4
Number of non-target users accessing the sensor URL = 20
Odds = 20 / (100-20) = 0.25
Odds ratio = 4 / 0.25 = 16

ＵＲＬ毎に、オッズ比を算出し、そのオッズ比が、所定閾値以上、又は、上位一定数となる当該ＵＲＬを、センサＵＲＬとして決定する。   For each URL, an odds ratio is calculated, and the URL whose odds ratio is equal to or higher than a predetermined threshold value or a higher fixed number is determined as a sensor URL.

図３は、図２の機械学習エンジンの入出力データを表す説明図である。   FIG. 3 is an explanatory diagram showing input / output data of the machine learning engine of FIG.

［機械学習エンジン１２（学習段階）］
機械学習エンジン１２は、学習段階として、ユーザ群分類部１１から出力された以下のデータを入力する。
正例となるターゲットユーザ毎における各センサＵＲＬのアクセス回数
負例となる非ターゲットユーザ毎における各センサＵＲＬのアクセス回数
具体的には、ユーザ毎に、各センサＵＲＬを要素して、アクセス回数を要素値とした、ベクトルのような構成データが、機械学習エンジン１２に入力される。
センサＵＲＬ：[URL1][URL2][URL3]・・・・・[URLn]
ターゲットユーザ１： １ ０ ２ ・・・・・・０
ターゲットユーザ２： ０ １ ０ ・・・・・・２
・・・・：・・・・・・・・・・・・・・・・
非ターゲットユーザｍ： ０ １ ０ ・・・・・・１
・・・・：・・・・・・・・・・・・・・・・ [Machine learning engine 12 (learning stage)]
The machine learning engine 12 inputs the following data output from the user group classification unit 11 as a learning stage.
Number of accesses of each sensor URL for each target user that is a positive example Number of times of access of each sensor URL for each non-target user that is a negative example Specifically, for each user, each sensor URL is elemental and the number of accesses is Configuration data such as a vector, which is a value, is input to the machine learning engine 12.
Sensor URL: [URL1] [URL2] [URL3] ... [URLn]
Target user 1: 1 0 2 ... 0
Target user 2: 0 1 0 2
・ ・ ・ ・ ： ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・
Non-target user m: 0 1 0 1
・ ・ ・ ・ ： ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・ ・

機械学習エンジン１２は、教師あり学習(Supervised learning)に基づくものである。教師データｘ及びｙ（二値分類問題）を対応付けて入力し、ｘ及びｙのデータ間の写像関数を近似的に学習する。これによって、未知データｘを入力することよって予測データｙを得ることができる。具体的には、サポートベクタマシンやニューラルネットワークなどを用いることができる。   The machine learning engine 12 is based on supervised learning. Teacher data x and y (binary classification problem) are input in association with each other, and a mapping function between the data of x and y is approximately learned. Thereby, the prediction data y can be obtained by inputting the unknown data x. Specifically, a support vector machine or a neural network can be used.

＜推定段階＞
［機械学習エンジン１２（推定段階）］
機械学習エンジン１２は、推定対象ユーザについて各センサＵＲＬのアクセス回数を入力する。
センサＵＲＬ：[URL1][URL2][URL3]・・・・・[URLn]
推定対象ユーザ： ２ １ １ ・・・・・・０
そして、機械学習エンジン１２は、正例類似スコアを出力する。
「正例類似スコア」とは、推定対象ユーザについて、予測目標行動（正例）に至るであろうスコアである。スコアは、一般的な機械学習エンジンから出力される確率値（スコア）である。 <Estimation stage>
[Machine learning engine 12 (estimation stage)]
The machine learning engine 12 inputs the number of accesses of each sensor URL for the estimation target user.
Sensor URL: [URL1] [URL2] [URL3] ... [URLn]
Estimation target user: 2 1 1... 0
Then, the machine learning engine 12 outputs a positive example similarity score.
The “positive example similarity score” is a score that will reach the predicted target behavior (positive example) for the estimation target user. The score is a probability value (score) output from a general machine learning engine.

［潜在対象ユーザ推定部１３］
潜在対象ユーザ推定部１３は、正例類似スコアが所定閾値以上となる推定対象ユーザを、潜在対象ユーザとして推定する。
具体的には、正例類似スコアが70％以上となる推定対象ユーザを、潜在対象ユーザとして推定する。 [Latent target user estimation unit 13]
The latent target user estimation unit 13 estimates an estimation target user whose positive example similarity score is equal to or greater than a predetermined threshold as a latent target user.
Specifically, an estimation target user having a positive example similarity score of 70% or more is estimated as a potential target user.

図４は、本発明における受容反応学習段階を有する推定装置の機能構成図である。   FIG. 4 is a functional configuration diagram of an estimation apparatus having an acceptance response learning stage in the present invention.

図４によれば、予測対象行動を、例えば広告配信によってユーザにレコメンド（推奨）した際に、各ユーザが、その予測対象行動を起こすか否かの行動生起確率に基づいて、潜在対象ユーザを推定しようとするものである。   According to FIG. 4, when a prediction target behavior is recommended (recommended) to a user by, for example, advertisement delivery, each user selects a potential target user based on the behavior occurrence probability of whether or not to cause the prediction target behavior. It is something to be estimated.

例えば、過去に広告配信（レコメンド）によってお得な経験をしたユーザは、その後の広告配信に興味を示し、高い受容性を持つの対し、逆に、過去に不快な経験をしたユーザは、広告配信に全く興味を示さず、低い受容性しか持たない。   For example, a user who has experienced a good deal by advertising distribution (recommendation) in the past is interested in the subsequent advertisement distribution and has high acceptability, whereas a user who has an unpleasant experience in the past is It has no interest in delivery and has low acceptability.

前述した図２及び図３の実施形態によれば、ユーザ自ら行動したアクセス履歴に基づいて予測対象行動を起こすか否かの生起確率を算出しようとしているが、図４の実施形態によれば、レコメンドに対するユーザの受容性に基づいて予測対象行動を起こすか否かの生起確率を算出しようとしている。
即ち、予測対象行動に対して適した潜在対象ユーザであっても、そのユーザがレコメンドに対する受容性が低い場合、潜在対象ユーザとなり得ないためである。 According to the embodiment of FIG. 2 and FIG. 3 described above, an attempt is made to calculate the occurrence probability as to whether or not to cause the prediction target action based on the access history of the user himself / herself, but according to the embodiment of FIG. An attempt is made to calculate the probability of occurrence of whether or not to cause the behavior to be predicted based on the user's acceptability for the recommendation.
That is, even if it is a potential target user suitable for the prediction target behavior, if the user has low acceptability for the recommendation, it cannot be a potential target user.

図４によれば、図２の推定装置１と比較して、受容反応学習段階として、広告情報配信部１５と、広告反応検知部１６と、正例受容スコア算出部１７と、正例受容スコア記憶部１８とを更に有する。これら機能構成部も、装置に搭載されたコンピュータを機能させるプログラムを実行することによって実現される。   According to FIG. 4, compared with the estimation apparatus 1 of FIG. 2, as an acceptance reaction learning stage, an advertisement information distribution unit 15, an advertisement reaction detection unit 16, a positive example acceptance score calculation unit 17, and a positive example acceptance score. And a storage unit 18. These functional components are also realized by executing a program that causes a computer installed in the apparatus to function.

図４によれば、推定対象ユーザに対して、複数のターゲットＵＲＬそれぞれについて学習段階を実行し、機械学習エンジン１２は、ターゲットＵＲＬ毎に、異なる学習モデルを構築する。
その上で、異なるターゲットＵＲＬの学習モデル毎に、１人の推定対象ユーザにおけるセンサＵＲＬのアクセス履歴を入力して、推定段階を実行する。これによって、機械学習エンジン１２は、ターゲットＵＲＬ毎に、正例類似スコアを推定する。これらターゲットＵＲＬ及び正例類似スコアは、潜在対象ユーザ推定部１３へ出力される。
［ターゲットＵＲＬ］ <-> ［正例類似スコア］
http://www.trg1.com <-> 60%
http://www.trg2.com <-> 50%
http://www.trg3.com <-> 30% According to FIG. 4, the learning stage is executed for each of the plurality of target URLs for the estimation target user, and the machine learning engine 12 constructs a different learning model for each target URL.
Then, for each learning model of different target URLs, an access history of sensor URLs for one estimation target user is input, and an estimation step is executed. Thereby, the machine learning engine 12 estimates a positive example similarity score for each target URL. These target URL and positive example similarity score are output to the latent target user estimation unit 13.
[Target URL] <-> [Normal example similarity score]
http://www.trg1.com <-> 60%
http://www.trg2.com <-> 50%
http://www.trg3.com <-> 30%

［広告情報配信部１５］
広告情報配信部１５は、推定対象ユーザの端末へ、ターゲットＵＲＬ毎に各ターゲットＵＲＬに基づく広告情報を配信する。
例えばターゲットＵＲＬが記述された広告情報を、推定対象ユーザの端末へ、電子メールやメッセージで送信するものであってもよい。 [Advertising Information Distribution Unit 15]
The advertisement information distribution unit 15 distributes advertisement information based on each target URL for each target URL to the terminal of the estimation target user.
For example, the advertising information in which the target URL is described may be transmitted to the terminal of the estimation target user by e-mail or message.

［広告反応検知部１６］
広告反応検知部１６は、ターゲットＵＲＬ毎に、広告情報に対して推定対象ユーザの反応操作有り／無しを検知する。
反応操作としては、例えばＵＲＬに対するタップ操作や、電子メール（又はメッセージ）の返信操作がある。反応操作は、ユーザの端末から推定装置１へ直接的に通知されるものに限られず、アクセス履歴として収集されたものであってもよい。 [Advertising reaction detection unit 16]
The advertisement reaction detection unit 16 detects the presence / absence of the reaction operation of the estimation target user with respect to the advertisement information for each target URL.
Examples of the reaction operation include a tap operation on a URL and an e-mail (or message) reply operation. The reaction operation is not limited to the notification operation directly notified from the user terminal to the estimation device 1, and may be collected as an access history.

ここで、広告情報配信部１５は、ターゲットＵＲＬ自体を広告情報に記述するのではなく、推定装置１へのリダイレクト要求に基づくＵＲＬを記述するものであってもよい。これによって、ユーザが、そのＵＲＬをタップすることによって、リダイレクト要求が推定装置１の広告反応検知部１６へ送信される。広告反応検知部１６は、ターゲットＵＲＬを含むリダイレクト応答を、ユーザの端末へ返信する。これによって、ユーザの広告反応を検知することができる。   Here, the advertisement information distribution unit 15 may describe a URL based on a redirect request to the estimation device 1 instead of describing the target URL itself in the advertisement information. Thus, when the user taps the URL, a redirect request is transmitted to the advertisement reaction detection unit 16 of the estimation device 1. The advertisement reaction detection unit 16 returns a redirect response including the target URL to the user terminal. Thereby, a user's advertisement reaction can be detected.

広告反応検知部１６は、ユーザ毎に、受容反応を記憶する。
［ターゲットＵＲＬ］ <-> ［正例類似スコア］ <-> ［広告反応］
http://www.trg1.com <-> 60% <-> １（有り）
http://www.trg2.com <-> 50% <-> １（有り）
http://www.trg3.com <-> 30% <-> ０（無し） The advertisement reaction detection unit 16 stores an acceptance response for each user.
[Target URL] <-> [Positive similarity score] <-> [Advertising reaction]
http://www.trg1.com <-> 60% <-> 1 (Yes)
http://www.trg2.com <-> 50% <-> 1 (Yes)
http://www.trg3.com <-> 30% <-> 0 (none)

［正例受容スコア算出部１７］
正例受容スコア算出部１７は、推定対象ユーザについて、ターゲットＵＲＬ毎における正例類似スコアａ及び広告反応有り／無しｒ(＝0,1)に基づいて、広告反応有りと無しとの回帰係数Ｉを、正例受容スコアとして算出する。具体的には、以下のように単なる乗算であってもよい。
Ｉ＝Σｉ(ａ＊ｒ)／ｊ
ｉ：ターゲットＵＲＬ
ａ：正例類似スコア
ｒ：広告反応有り／無しｒ(＝0,1)
ｊ：広告反応有りの数 [Positive case acceptance score calculation unit 17]
The positive example acceptance score calculation unit 17 determines the regression coefficient I between the presence / absence of an advertisement reaction and the presence / absence of an advertisement reaction based on the positive example similarity score a and the advertisement presence / absence r (= 0, 1) for each target URL. Is calculated as a positive case acceptance score. Specifically, simple multiplication may be performed as follows.
I = Σ i (a * r) / j
i: Target URL
a: Positive example similarity score
r: With / without advertisement response r (= 0, 1)
j: Number of advertisement responses

前述した正例受容スコア記憶部１８によれば、正例受容スコアは、例えば以下のように算出される。
Ｉ＝（60％＊1＋50％＊1＋30％＊0）／２＝55％
即ち、この推定対象ユーザについて、正例受容スコア＝55%と算出される。 According to the positive example acceptance score storage unit 18 described above, the positive example acceptance score is calculated as follows, for example.
I = (60% * 1 + 50% * 1 + 30% * 0) / 2 = 55%
That is, for this estimation target user, the positive example acceptance score is calculated as 55%.

［正例受容スコア記憶部１８］
正例受容スコア記憶部１８は、推定対象ユーザ毎に、正例受容スコアを記憶する。 [Positive example acceptance score storage unit 18]
The positive case acceptance score storage unit 18 stores a positive case acceptance score for each estimation target user.

図５は、正例受容スコアに基づいて潜在対象ユーザを推定する推定装置の機能構成図である。   FIG. 5 is a functional configuration diagram of an estimation apparatus that estimates a potential target user based on a positive example acceptance score.

図５によれば、受容反応推定段階として、正例受容スコア算出部１７を更に有する。これら機能構成部も、装置に搭載されたコンピュータを機能させるプログラムを実行することによって実現される。   According to FIG. 5, it has further the positive example acceptance score calculation part 17 as an acceptance response estimation step. These functional components are also realized by executing a program that causes a computer installed in the apparatus to function.

潜在対象ユーザ推定部１３は、推定対象ユーザにおけるセンサＵＲＬへのアクセス履歴を用いて、ターゲットＵＲＬに対して算出された正例類似スコアに、推定対象ユーザの正例受容スコアを重み付ける。
Ａ＝ａ＊Ｒ
ａ：正例類似スコア
Ｒ：正例受容スコア
そして、潜在対象ユーザ推定部１３は、正例類似スコアが所定閾値以上となる推定対象ユーザを、潜在対象ユーザとして推定する。 The latent target user estimation unit 13 weights the positive example acceptance score of the estimation target user to the positive example similarity score calculated for the target URL using the access history of the estimation target user to the sensor URL.
A = a * R
a: Positive example similarity score
R: Positive example acceptance score And the latent target user estimation part 13 estimates the estimation target user whose positive example similarity score is more than a predetermined threshold value as a latent target user.

以上、詳細に説明したように、本発明のプログラム、装置及び方法によれば、ＵＲＬのアクセス履歴を用いて、予測対象行動に至るであろう潜在対象ユーザを推定することができる。また、本発明によれば、ユーザ群に対する正例／負例の条件に対して、機械学習エンジンにおける正例類似スコアに、推定対象ユーザにおける正例受容スコアを重み付けることによって、広告対象ユーザ群を高い精度で絞り込むことができ、広告効果を向上させることが期待できる。   As described above in detail, according to the program, the apparatus, and the method of the present invention, it is possible to estimate the potential target user who will reach the prediction target behavior using the URL access history. In addition, according to the present invention, for a positive example / negative example condition for a user group, a positive example acceptance score in an estimation target user is weighted to a positive example similarity score in a machine learning engine. Can be narrowed down with high accuracy, and it can be expected to improve the advertising effect.

前述した本発明の種々の実施形態について、本発明の技術思想及び見地の範囲の種々の変更、修正及び省略は、当業者によれば容易に行うことができる。前述の説明はあくまで例であって、何ら制約しようとするものではない。本発明は、特許請求の範囲及びその均等物として限定するものにのみ制約される。   Various changes, modifications, and omissions of the above-described various embodiments of the present invention can be easily made by those skilled in the art. The above description is merely an example, and is not intended to be restrictive. The invention is limited only as defined in the following claims and the equivalents thereto.

１ 推定装置
１０１ アクセス履歴蓄積部
１０２ センサＵＲＬ登録部
１１ ユーザ群分類部
１２ 機械学習エンジン
１３ 潜在対象ユーザ推定部
１４ センサＵＲＬ決定部
１５ 広告情報配信部
１６ 広告反応検知部
１７ 正例受容スコア算出部
１８ 正例受容スコア記憶部 DESCRIPTION OF SYMBOLS 1 Estimation apparatus 101 Access history storage part 102 Sensor URL registration part 11 User group classification | category part 12 Machine learning engine 13 Potential target user estimation part 14 Sensor URL determination part 15 Advertisement information distribution part 16 Advertisement reaction detection part 17 Positive example acceptance score calculation part 18 Positive case acceptance score storage

Claims (9)

予測対象行動に至るであろう潜在対象ユーザを推定する装置に搭載されたコンピュータを機能させるプログラムであって、
ユーザ毎に、アクセスしたＵＲＬを蓄積するアクセス履歴蓄積手段と、
前記予測対象行動に関連する複数のセンサＵＲＬを登録したセンサＵＲＬ登録手段と
して機能させ、
学習段階として、
前記アクセス履歴蓄積手段を用いて、分類条件に対して正例となるターゲットユーザ群と、負例となる非ターゲットユーザ群とに分類するユーザ群分類手段と、
正例となるターゲットユーザ毎に対応付けた、各センサＵＲＬのアクセス回数と、負例となる非ターゲットユーザ毎に対応付けた、各センサＵＲＬのアクセス回数とを入力して学習する機械学習エンジンと
して機能させ、
推定段階として、
前記機械学習エンジンは、推定対象ユーザについて各センサＵＲＬのアクセス回数を入力し、正例類似スコアを出力し、
前記正例類似スコアが所定閾値以上となる推定対象ユーザを、潜在対象ユーザとして推定する潜在対象ユーザ推定手段と
してコンピュータを機能させることを特徴とするプログラム。 A program that allows a computer mounted on a device that estimates a potential target user who will lead to a predicted target action to function,
Access history storage means for storing the accessed URL for each user;
Function as sensor URL registration means for registering a plurality of sensor URLs related to the behavior to be predicted,
As a learning stage,
User group classification means for classifying into a target user group that is a positive example and a non-target user group that is a negative example using the access history storage means,
As a machine learning engine that inputs and learns the number of accesses of each sensor URL associated with each target user as a positive example and the number of accesses of each sensor URL associated with each non-target user as a negative example Make it work
As an estimation stage,
The machine learning engine inputs the number of accesses of each sensor URL for the estimation target user, outputs a positive example similarity score,
A program that causes a computer to function as a potential target user estimation unit that estimates a target user whose positive similarity score is equal to or greater than a predetermined threshold as a potential target user. ＵＲＬ毎に、ターゲットユーザ群がアクセスした第１の確率と、非ターゲットユーザ群がアクセスした第２の確率とが、所定条件を満たす当該ＵＲＬを、前記センサＵＲＬとして決定するセンサＵＲＬ決定手段と
してコンピュータを機能させることを特徴とする請求項１又は２に記載のプログラム。 For each URL, a computer serving as a sensor URL determining means for determining, as the sensor URL, a URL satisfying a predetermined condition that the first probability that the target user group has accessed and the second probability that the non-target user group has accessed The program according to claim 1, wherein the program is made to function. 前記センサＵＲＬ決定手段は、第１の確率と第２の確率とのオッズ比が所定閾値以上となるＵＲＬを、前記センサＵＲＬとして決定する
ようにコンピュータを機能させることを特徴とする請求項２に記載のプログラム。 The said sensor URL determination means makes a computer function so that URL with which odds ratio of 1st probability and 2nd probability becomes more than a predetermined threshold value is determined as said sensor URL. The program described. ユーザにおける前記分類条件とは、指定されたターゲットＵＲＬにアクセスした（正例）か否か（負例）である
ようにコンピュータを機能させることを特徴とする請求項１から３のいずれか１項に記載のプログラム。 4. The computer according to claim 1, wherein the classification condition of the user causes the computer to function so as to determine whether the specified target URL is accessed (positive example) or not (negative example). The program described in. 推定対象ユーザに対して、複数のターゲットＵＲＬそれぞれについて学習段階及び推定段階を実行し、ターゲットＵＲＬ毎に正例類似スコアを推定し、
前記推定対象ユーザの端末へ、ターゲットＵＲＬ毎に各ターゲットＵＲＬに基づく広告情報を配信する広告情報配信手段と、
ターゲットＵＲＬ毎に、広告情報に対して推定対象ユーザの反応操作有り／無しを検知する広告反応検知手段と、
前記推定対象ユーザについて、ターゲットＵＲＬ毎における正例類似スコア及び広告反応有り／無しに基づいて、広告反応有りと無しとの回帰係数を、正例受容スコアとして算出する正例受容スコア算出手段と
して更に機能させ、
前記潜在対象ユーザ推定手段は、前記正例受容スコアを重み付けて算出した前記正例類似スコアを用いて、前記潜在対象ユーザを推定する
ようにコンピュータを機能させることを特徴とする請求項１から４のいずれか１項に記載のプログラム。 For the estimation target user, the learning stage and the estimation stage are executed for each of the plurality of target URLs, and a positive similarity score is estimated for each target URL.
Advertising information distribution means for distributing advertising information based on each target URL for each target URL to the terminal of the estimation target user;
An advertisement reaction detection means for detecting presence / absence of a reaction operation of the estimation target user for the advertisement information for each target URL;
For the estimation target user, as a positive example acceptance score calculating means for calculating a regression coefficient between the presence / absence of an advertisement response based on the positive example similarity score and the presence / absence of an advertisement response for each target URL. Make it work
5. The latent target user estimating means causes a computer to function to estimate the potential target user using the positive example similarity score calculated by weighting the positive example acceptance score. The program according to any one of the above. ユーザにおける前記分類条件とは、指定された検索キーによって検索されたＵＲＬにアクセスした（正例）か否か（負例）である
ようにコンピュータを機能させることを特徴とする請求項１から３のいずれか１項に記載のプログラム。 4. The computer is caused to function so that the classification condition for the user is whether or not a URL searched by a designated search key is accessed (positive example) or not (negative example). The program according to any one of the above. ユーザにおける前記分類条件とは、ユーザ毎に行動履歴が記録されており、指定された行動をした（正例）か否か（負例）である
ようにコンピュータを機能させることを特徴とする請求項１から３のいずれか１項に記載のプログラム。 The classification condition for a user is characterized in that an action history is recorded for each user, and the computer is caused to function as to whether or not a specified action has been taken (positive example) or not (negative example). Item 4. The program according to any one of Items 1 to 3. 予測対象行動に至るであろう潜在対象ユーザを推定する推定装置であって、
ユーザ毎に、アクセスしたＵＲＬを蓄積するアクセス履歴蓄積手段と、
前記予測対象行動に関連する複数のセンサＵＲＬを登録したセンサＵＲＬ登録手段と
を有し、
学習段階として、
前記アクセス履歴蓄積手段を用いて、分類条件に対して正例となるターゲットユーザ群と、負例となる非ターゲットユーザ群とに分類するユーザ群分類手段と、
正例となるターゲットユーザ毎に対応付けた、各センサＵＲＬのアクセス回数と、負例となる非ターゲットユーザ毎に対応付けた、各センサＵＲＬのアクセス回数とを入力して学習する機械学習エンジンと
を有し、
推定段階として、
前記機械学習エンジンは、推定対象ユーザについて各センサＵＲＬのアクセス回数を入力し、正例類似スコアを出力し、
前記正例類似スコアが所定閾値以上となる推定対象ユーザを、潜在対象ユーザとして推定する潜在対象ユーザ推定手段と
を有することを特徴とする推定装置。 An estimation device for estimating a potential target user who will lead to a prediction target behavior,
Access history storage means for storing the accessed URL for each user;
Sensor URL registration means for registering a plurality of sensor URLs related to the behavior to be predicted,
As a learning stage,
User group classification means for classifying into a target user group that is a positive example and a non-target user group that is a negative example using the access history storage means,
A machine learning engine that inputs and learns the number of accesses of each sensor URL associated with each target user as a positive example and the number of accesses of each sensor URL associated with each non-target user as a negative example; Have
As an estimation stage,
The machine learning engine inputs the number of accesses of each sensor URL for the estimation target user, outputs a positive example similarity score,
An estimation device comprising: an estimation target user whose positive example similarity score is equal to or greater than a predetermined threshold value; 予測対象行動に至るであろう潜在対象ユーザを推定する装置の推定方法であって、
前記装置は、
ユーザ毎に、アクセスしたＵＲＬを蓄積するアクセス履歴蓄積部と、
前記予測対象行動に関連する複数のセンサＵＲＬを登録したセンサＵＲＬ登録部と、
機械学習エンジンと
を有し、
前記装置は、学習段階として、
前記アクセス履歴蓄積部を用いて、分類条件に対して正例となるターゲットユーザ群と、負例となる非ターゲットユーザ群とに分類する第１１のステップと、
前記機械学習エンジンを用いて、正例となるターゲットユーザ毎に対応付けた、各センサＵＲＬのアクセス回数と、負例となる非ターゲットユーザ毎に対応付けた、各センサＵＲＬのアクセス回数とを入力して学習する第１２のステップと
を実行し、
前記装置は、推定段階として、
前記機械学習エンジンを用いて、推定対象ユーザについて各センサＵＲＬのアクセス回数を入力し、正例類似スコアを出力する第２１のステップと、
前記正例類似スコアが所定閾値以上となる推定対象ユーザを、潜在対象ユーザとして推定する第２２のステップと
を実行することを特徴とする装置の推定方法。 An estimation method of a device for estimating a potential target user who will lead to a prediction target behavior,
The device is
An access history storage unit for storing URLs accessed for each user;
A sensor URL registration unit that registers a plurality of sensor URLs related to the prediction target behavior;
A machine learning engine,
The device is used as a learning stage.
An eleventh step of classifying into a target user group that is a positive example and a non-target user group that is a negative example using the access history storage unit;
Using the machine learning engine, input the number of accesses of each sensor URL associated with each positive target user and the number of accesses of each sensor URL associated with each non-target non-target user And the twelfth step of learning
The apparatus performs the estimation step as follows:
A twenty-first step of inputting the number of accesses of each sensor URL for the estimation target user using the machine learning engine and outputting a positive example similarity score;
An estimation method for an apparatus, wherein the estimation target user having the positive example similarity score equal to or greater than a predetermined threshold is estimated as a latent target user.
JP2018081009A 2018-04-19 2018-04-19 Programs, devices and methods for estimating potential target users who will reach the predicted target behavior using the access history of the URL. Active JP6989434B2 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2018081009A JP6989434B2 (en) 2018-04-19 2018-04-19 Programs, devices and methods for estimating potential target users who will reach the predicted target behavior using the access history of the URL.

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2018081009A JP6989434B2 (en) 2018-04-19 2018-04-19 Programs, devices and methods for estimating potential target users who will reach the predicted target behavior using the access history of the URL.

Publications (2)

Publication Number Publication Date
JP2019191714A true JP2019191714A (en) 2019-10-31
JP6989434B2 JP6989434B2 (en) 2022-01-05

Family

ID=68390272

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2018081009A Active JP6989434B2 (en) 2018-04-19 2018-04-19 Programs, devices and methods for estimating potential target users who will reach the predicted target behavior using the access history of the URL.

Country Status (1)

Country Link
JP (1) JP6989434B2 (en)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111222923A (en) * 2020-01-13 2020-06-02 秒针信息技术有限公司 Method and device for judging potential customer, electronic equipment and storage medium
JP7046332B1 (en) 2021-06-28 2022-04-04 カラクリ株式会社 Programs, methods, and systems

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016177649A (en) * 2015-03-20 2016-10-06 ヤフー株式会社 Information processing device, information processing program, and information processing method
JP2017188031A (en) * 2016-04-08 2017-10-12 ソフトバンク・テクノロジー株式会社 Re-marketing system based on action data and emotion data and management method for the same
JP2018045553A (en) * 2016-09-16 2018-03-22 ヤフー株式会社 Selection device, selection method, and selection program

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016177649A (en) * 2015-03-20 2016-10-06 ヤフー株式会社 Information processing device, information processing program, and information processing method
JP2017188031A (en) * 2016-04-08 2017-10-12 ソフトバンク・テクノロジー株式会社 Re-marketing system based on action data and emotion data and management method for the same
JP2018045553A (en) * 2016-09-16 2018-03-22 ヤフー株式会社 Selection device, selection method, and selection program

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111222923A (en) * 2020-01-13 2020-06-02 秒针信息技术有限公司 Method and device for judging potential customer, electronic equipment and storage medium
CN111222923B (en) * 2020-01-13 2023-12-15 秒针信息技术有限公司 Method and device for judging potential clients, electronic equipment and storage medium
JP7046332B1 (en) 2021-06-28 2022-04-04 カラクリ株式会社 Programs, methods, and systems
JP2023004580A (en) * 2021-06-28 2023-01-17 カラクリ株式会社 Program, method and system

Also Published As

Publication number Publication date
JP6989434B2 (en) 2022-01-05

Similar Documents

Publication Publication Date Title
US9785888B2 (en) Information processing apparatus, information processing method, and program for prediction model generated based on evaluation information
Zhao et al. Exploring demographic information in social media for product recommendation
US10897511B2 (en) Topical activity monitor and identity collector system
US9760640B2 (en) Relevancy-based domain classification
US20190294642A1 (en) Website fingerprinting
US10042927B2 (en) Interest keyword identification
US7941383B2 (en) Maintaining state transition data for a plurality of users, modeling, detecting, and predicting user states and behavior
US10269024B2 (en) Systems and methods for identifying and measuring trends in consumer content demand within vertically associated websites and related content
US10685181B2 (en) Linguistic expression of preferences in social media for prediction and recommendation
US8812362B2 (en) Method and system for quantifying user interactions with web advertisements
US9946775B2 (en) System and methods thereof for detection of user demographic information
US9256692B2 (en) Clickstreams and website classification
JP5615857B2 (en) Analysis apparatus, analysis method, and analysis program
US20090271228A1 (en) Construction of predictive user profiles for advertising
CN104254851A (en) Method and system for recommending content to a user
JP2009531782A (en) Behavioral targeting system
US20170364931A1 (en) Distributed model optimizer for content consumption
US20120066359A1 (en) Method and system for evaluating link-hosting webpages
US20130173568A1 (en) Method or system for identifying website link suggestions
JP7166116B2 (en) Information processing device, information processing method, and program
JP6989434B2 (en) Programs, devices and methods for estimating potential target users who will reach the predicted target behavior using the access history of the URL.
Zhao et al. Personalized Dynamic Counter Ad-Blocking Using Deep Learning
Omura et al. Verification of a method for latent interest estimation based on user behavior analysis and POI attributes
CN106649433B (en) Topic opinion strength calculation method based on opinion statement credibility
Hoi et al. Discovering User Interest in Social Media Based on Correlation

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20200523

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20210528

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20210604

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20210623

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20211118

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20211202

R150 Certificate of patent or registration of utility model

Ref document number: 6989434

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150