JP2009536412A5 - - Google Patents

Description

を用いた確率論的な信号に依存する。実際には、従来の理論および方法はこの種の観察の下で構築され、測定値は信号の歪んだ（非線形関数ｈによる）サンプル、損傷した（ノイズＶによる）サンプル、部分（信号の状態の一部分のみへの依存可能性ｈによる）サンプルである。最適フィルタは、現時点までに観察値が有効であることを前提として、信号の状態の条件付き分布を提供する。

が割り当てられ、情報を効果的に取り入れて一連の観測値（Ｙ_１，．．．，Ｙ_ｍ）を形成する。これは、ｍ個の観測値の後の重みがｍ−１の後の重みにｍ番目の観測値Ｙ_ｍに依存する係数を掛けた値となるように行われうる。ただし、これらの重みは常にきわめて不均一であり、つまり、多くの粒子（比較的小さい重みを有する粒子）は、重要でなくなり、コンピュータサイクルを浪費すること以外はほとんど何もしない。むしろ、これらの粒子を排除し計算を減らして粒子数が減り続けるようにして、粒子を再サンプリングすると、粒子の位置と重みは、いずれも、すべての粒子が条件付き分布の計算に有意義な形で寄与するように調整され、一方でこの調整には統計的偏りが導入されなくなる。初期の粒子法では、過剰な再サンプリングノイズを粒子のシステムに導入して推定値を悪化させるという、あまりにも多くの再サンプリングを行う傾向があった。再サンプリングの後、ｍ個の観測値の後の粒子の重みが

で示されるものと仮定する。このとき、最適フィルタの条件付き分布に対する粒子フィルタの近似式は下記のようになる。

で示される）として知られる離散化振幅を生じ、これは離散空間フィルタの条件付き分布の形成に使用される。

ＤＳＴＢフィルタ２０２は、その条件付き分布、または条件付き分布から得られた推定値をコマーシャル選択アルゴリズム２０３に渡し、この後、コマーシャル選択アルゴリズム２０３はフィルタの出力、ダウンロードされたコマーシャル３０１、および視聴者推定値が所与の許容されるコマーシャルを規定する何らかのルール３０２に基づいて現在の視聴者に見せるコマーシャル２０４を決定する。視聴者に見せられるコマーシャルは記録されて保存される。

ＤＳＴＢフィルタ２０２の推定値およびコマーシャル配信統計ならびにその他の情報は、ヘッドエンド１００に情報を提供するために、無作為にサンプリングされて３０３収集される３０４。この情報はヘッドエンドフィルタ１０２によって使用され、ヘッドエンドフィルタ１０２は、集合体能力に関する条件付き分布とこれが関連するＤＳＴＢの集合に関する実際の視聴率とを計算する（資源が利用可能であるものとして）。ヘッドエンドフィルタ１０１は、収集された世帯とＤＳＴＢフィードバックモデル１０１を使ってその推定値を提示する。これらの推定値は、ヘッドエンド１００によって制御されるＤＳＴＢの集合に渡されるべきコマーシャルを決定するためにヘッドエンドコマーシャル選択システム１０３によって使用される。また、コマーシャル選択システム１０３は、現在のコマーシャル契約およびこれらの契約の経済性に関する有効な市場情報１０５を考慮に入れる。選択の結果として得られるコマーシャル３０１は後でＤＳＴＢ１００にダウンロードされる。ダウンロードするために選択されるコマーシャルはレベル設定１０４に影響を与え、レベル設定１０４はある種の個人に示される一部のコマーシャルに拘束を課する。

ジェネレータＬと初期分布νを有するマルコフ信号Ｘ_ｔがあるものと仮定する。正確には、信号は以下の（Ｌ，ν）マルチンゲール問題を満たす固有のＤ_Ｅ［０，∞）過程であると規定される。

Ｘ_ｔおよび一部の外因的情報Ｄ_ｔに依存する｛１，２，．．．，Ｍ｝値の離散時間マルコフ連鎖観測に基づくＸ_ｔの条件付き分布を推定する。分かりやすくするために、

を含む。これらの仮想クロックは、所与の状態セルからの可能な状態変化を表す。各変動状態セルに関しては、Ｑ_ｉ，ｊの可能な状態遷移がある。この環境において、すべての有効な状態トランザクションが同じ不変状態セル内で起きる。ＲＥＳＴフィルタの条件付き分布における同時変化を説明するために、粒子数デルタ

２．５．３ ＲＥＳＴフィルタの進化
図４はＲＥＳＴフィルタの典型的な進化を描いている。この進化方法は、仮想クロック値を使って隣接するセル間の粒子を移動することによって、ある期間ｄｔにわたってフィルタの条件付き分布を更新する。隣接するセル間の粒子の移動は事象として知られる。（ところで、筆者らは、粒子の移動を頻繁に新たな出生および死亡で置き換えて、より多くの出生率と死亡率の取り消しが行われうるようにしている。）このような事象は、進化の計算オーバヘッドを抑制するためにまとめてシミュレーションされる。シミュレーションする事象の数は、すべてのセルに対する全仮想クロックの合計λ_ｔに基づく。図５は、各ネイバーに移動する粒子数の決定方法を示す。事象のシミュレーションが完了すると、粒子数は更新されうるようになり、仮想クロックは封印されてフィルタの状態が変化したことを表す。

ＲＥＳＴフィルタのロバスト性を改善するために、ドリフトバック法が追加されている。この方法では、信号の初期分布νに基づいて変動状態セルにある関数

２．６ ヘッドエンドの推定
複数のサービスオペレータの広告事業の収益を最大にするために、どのコマーシャルを集合体のＤＳＴＢに配信すべきかを決定することがきわめて重要である。ＤＳＴＢベースの漸近的最適非線形フィルタの条件付き分布（または、この分布から導かれる条件付き推定値）に基づいてコマーシャルの実際の視聴率に関するより多くの情報が得られるので、特定コマーシャルスロットの価格設定は動的であるため、総収益が改善される。

本発明の実施形態において、計算要件を最小にするために各カテゴリにおけるＤＳＴＢの可能な数の集合を追跡することが可能である。このような場合、総数がやはりＤＳＴＢの最大数まで合計することになるようにサイズ０の原子が使用される。たとえば、１００万台のＤＳＴＢがあるものと仮定する。そのとき、Ｄにわたって分布する１００，０００個の原子（各々ａ＝１０台のＤＳＴＢからなる）を有することになる。Ｍ（Ｄ）はＤに関する計数測度を示し、

は、いずれも時刻ｔ_ｋにおけるＭ台のＤＳＴＢの条件付き分布視聴率推定値と対応するチャネルとの（列）ベクトルであるものとする。このとき、この観測過程は次式のようになる。

Claims (32)

1. 通信ネットワークにおいてユーザ機器デバイスのユーザに対する資源の対象設定において使用する方法であって、
   プロセッサにより、一つまたは複数のユーザ機器デバイスに関する１ユーザまたは複数ユーザによる第１の入力に基づいて観測モデルを展開するステップと、
   前記プロセッサにより、時間に関する第１のユーザ機器デバイスの１ユーザまたは複数ユーザのユーザ構成の、可能性のある状態及びダイナミクスを表す信号モデルを展開するステップであって、前記観測モデルは、第１の入力に関連する測定データを前記可能性のある状態及びダイナミクスに確率的に関連付ける、前記信号モデルを展開するステップと、
   前記プロセッサにより、確率フィルタを用いて、前記信号モデル、前記観測モデル、及び１ユーザまたは複数ユーザによる第２の入力を与えられた信号の条件付き分布の近似によって対象時刻における前記ユーザ構成を推定するステップと、
   プロセッサにより、前記ユーザ機器デバイスに関して、資源の対象を定める際に、推定されたユーザ構成を使用するステップと
   を備える方法。
2. 前記入力は時間的なユーザ入力のクリックストリームであって、前記観測モデルは前記クリックストリームをマルコフ連鎖としてモデル化する、請求項１に記載の方法。
3. 前記観測モデルは前記入力の少なくとも一部によって示されるネットワークコンテンツのプログラミング関連情報を考慮する、請求項２に記載の方法。
4. 前記マルコフ連鎖の観測は、状態の全集合の部分集合だけに遷移することができる数学モデルを使って前記マルコフ連鎖を処理するステップをさらに備え、前記部分集合は前記マルコフ連鎖の現在の状態に依存する、請求項３に記載の方法。
5. 前記観測モデルを展開するステップは、前記観測モデルをｋステップのマルコフ連鎖でマルコフ連鎖としてモデル化するステップを備える、請求項１に記載の方法。
6. 前記マルコフ連鎖の遷移関数は、推定する信号の位置に依存する、請求項５に記載の方法。
7. 前記信号は、前記ユーザ構成と前記第２の入力をもたらす別の要因とを表すものとして確定される、請求項１に記載の方法。
8. 前記信号のモデルは、複数ユーザを含むものとして前記ユーザ構成を表現することができる、請求項１に記載の方法。
9. 前記信号のモデルは、前記ユーザ構成の変化を表現することができる、請求項１に記載の方法。
10. 前記変化は、前記ユーザ機器デバイスに関連するユーザの数の変化である、請求項９に記載の方法。
11. 前記確率フィルタを用いて、ユーザ構成を推定するステップは、前記観測モデルおよび前記測定データに基づいて前記信号の確率的推定値を得るステップを含む、請求項１に記載の方法。
12. 前記確率フィルタを用いて、ユーザ構成を推定するステップは、前記観測モデルに基づいて前記信号の確率的推定値を得るために非線形フィルタを定義するステップを備える、請求項１１に記載の方法。
13. 前記確率フィルタを用いて、ユーザ構成を推定するステップは、前記非線形フィルタの動作を近似する近似フィルタを構築するステップをさらに備える、請求項１２に記載の方法。
14. 前記近似フィルタは、粒子フィルタである、請求項１３に記載の方法。
15. 前記近似フィルタは、離散空間フィルタである、請求項１３に記載の方法。
16. 前記使用するステップは、資源を前記通信ネットワークのコンテンツストリームに挿入するように機能するネットワークプラットフォームに前記ユーザ構成に基づく情報を提供するステップを備える、請求項１に記載の方法。
17. 前記情報は、前記ユーザ機器デバイスの１ユーザまたは複数ユーザの人口統計を特定する、請求項１６に記載の方法。
18. 複数のユーザ機器デバイスに関連するユーザ構成情報を集約し、前記集約された情報に基づいて挿入する１つまたは複数の資源を選択するステップをさらに備える、請求項１７に記載の方法。
19. 複数のユーザ機器デバイスからの情報を観測モデルとして処理し、前記対象時刻におけるネットワーク視聴者の複合的な構成を推定するために前記観測モデルに関するフィルタを適用するステップをさらに備える、請求項１６に記載の方法。
20. 複合的な構成と特定資源の配信価値に影響を与える追加情報とに基づいて挿入する資源を選択するステップをさらに備える、請求項１７に記載の方法。
21. 前記情報は、前記ユーザ構成に基づいて前記ユーザ機器デバイスに配信する１つまたは複数の適切な資源を特定する、請求項１６に記載の方法。
22. 前記使用するステップは、前記１ユーザまたは複数ユーザに配信する資源を前記ユーザ機器デバイスにおいて選択するステップを備える、請求項１に記載の方法。
23. 前記使用するステップは、前記１ユーザまたは複数ユーザに関する前記ユーザ機器デバイスにおいて配信される資源の適合度を報告するステップを備える、請求項１に記載の方法。
24. 通信ネットワークにおけるユーザ機器デバイスのユーザに対する資源の対象設定において使用する装置であって、
    ユーザ機器デバイスに関する１ユーザまたは複数ユーザによる第１の入力に関する入力情報を受信するように動作するポートと、
    前記第１の入力に基づいて観測モデルを提供し、前記観測モデルを時間に関する前記ユーザ機器デバイスの１ユーザまたは複数ユーザの少なくともユーザ構成を表す信号モデルに依存するものとしてモデル化し、確率フィルタを用いて、前記信号モデル、前記観測モデル、及び１ユーザまたは複数ユーザによる第２の入力を与えられた信号の条件付き分布の近似によって対象時刻におけるユーザ構成を信号の状態として推定し、前記ユーザ機器デバイスに関して、資源の対象を定める際に、推定されたユーザ構成を使用するように動作するプロセッサであって、前記観測モデルは、前記第１の入力に関連する測定データを前記ユーザ構成に確率的に関連付ける、前記プロセッサと、
    を備える装置。
25. 前記プロセッサは、前記観測モデルおよび前記測定データに基づいて前記信号の推定値を得るために非線形フィルタを定義するように動作する、請求項２４に記載の装置。
26. 前記プロセッサは、前記非線形フィルタの動作を近似する近似フィルタを構築するように動作する、請求項２５に記載の装置。
27. 前記非線形フィルタは、粒子フィルタおよび離散空間フィルタの一方である、請求項２６に記載の装置。
28. 別のネットワークプラットフォームの目標資源に使用する情報を伝送するポートをさらに備え、前記情報は前記決定されたユーザ構成に基づく、請求項２４に記載の装置。
29. 放送ネットワークにおけるユーザ機器デバイスのユーザに対する資源の対象設定において使用する方法であって、
    プロセッサにより、一つまたは複数のユーザ機器デバイスに関する一連の第１のユーザ入力に対応するデータストリームを総合的に解析するステップであって、該ステップは、観測モデルを確立することを含む、前記総合的に解析するステップと、
    前記プロセッサにより、一連の第２のユーザ入力に対応するストリームによって記述されるパターンをユーザの視聴者分類に関連する特性に一致させるロジックを適用するステップであって、該ステップは、確率フィルタを用いて、前記観測モデル及び第２の入力を与えられた信号の条件付き分布を近似的に推定し、前記一連の第２のユーザ入力から信号の推定を抽出し、対象時刻における前記視聴者分類を推定することを含む、前記ロジックを適用するステップと、
    を備える方法。
30. 一連のユーザ入力はマルコフ連鎖としてモデル化される、請求項２９に記載の方法。
31. 前記ロジックを適用するステップは、非線形フィルタモデルを使うステップを備える、請求項２９に記載の方法。
32. 前記ロジックを適用するステップは、前記非線形フィルタの動作を近似するために近似フィルタを実行するステップを備える、請求項３１に記載の方法。