JP2010033559A - サーバ装置、サーバ装置における分類方法及びプログラム - Google Patents

Abstract

【課題】ユーザの検索クエリを自動的に分類し、そのクエリの用語についての流行、ブームを予測することができるサーバ装置、サーバ装置における分類方法及びプログラムを提供する。
【解決手段】サーバ１０は、予め定められたパターンデータ群を記憶するパターンデータ群ＤＢ１９と、入力された検索クエリの種類毎に検索クエリデータ群を抽出する抽出部１１と、パターンデータ群と検索クエリデータ群とを比較する比較部１３と、比較部１３の比較結果に基づいて、パターンデータ群と検索クエリデータ群との類似度を判定する判定部１４と、パターンデータ群と検索クエリデータ群とが類似しないと判定された場合には、検索クエリデータ群を新たな種類のパターンデータ群とし、パターンデータ群と検索クエリデータ群とが類似すると判定された場合には、検索クエリデータ群をパターンデータ群と同一の種類とする分類部１５と、を備える。
【選択図】図３

Description

本発明は、ユーザにより入力された検索クエリに基づいて、検索クエリ群を分類するサーバ装置及びサーバ装置における分類方法及びプログラムに関する。

近年においては、インターネット上に無数のウェブページが存在しており、目的とするウェブページを検索することは容易ではない。そのため、目的とするウェブページの検索を補助するために検索エンジンが提供されている。

ユーザは、このような検索エンジンを利用して、様々なキーワードを組み合わせて入力し、目的とするウェブページを検索している。

これらの検索情報の活用方法として、例えばユーザが過去に検索し、検索数が急激に増加した時期（バースト）を利用して、検索時に関連語をユーザに提示することでユーザが所望する情報にいち早く到達することを補助する試みがなされている（例えば、引用文献１を参照）。

特開２００７−３４４６６号公報

しかし、上記文献では、検索クエリの用語からその用語に関連する関連語をユーザに提示する段階にとどまっている。

そもそも検索クエリは検索者であるユーザの関心に関わる用語が検索されるので、その検索情報から将来の流行やブームを予測することができる可能性がある。そこで本発明者らは、クエリされる用語の性質を分析することで、将来の流行やブームの予測をすることを検討した。

すなわち、本発明は、ユーザが入力した検索クエリに基づいて、将来の流行やブームを簡易に予測することができるサーバ装置、サーバ装置における分類方法及びプログラムを提供することを目的とする。

更に、本発明は、広告の入札が盛んになると予測されるブームの時期に、広告の質を高め、広告効果を高めることができるサーバ装置を提供することを目的とする。

（１）予め定められた時系列パターンを有するパターンデータ群を記憶する記憶手段と、
入力された検索クエリの種類毎に検索クエリデータ群を抽出する抽出手段と、
前記パターンデータ群と前記検索クエリデータ群とを比較する比較手段と、
前記比較手段の比較結果に基づいて、前記パターンデータ群と前記検索クエリデータ群との類似度を判定する判定手段と、
前記判定手段の判定によって前記パターンデータ群と前記検索クエリデータ群とが類似しないと判定された場合には、前記検索クエリデータ群を新たな種類のパターンデータ群とし、前記パターンデータ群と前記検索クエリデータ群とが類似すると判定された場合には、前記検索クエリデータ群を前記パターンデータ群と同一の種類とする分類手段と、
を備えることを特徴とするサーバ装置。

（１）に係る発明によれば、上述のような構成を有することにより、ユーザが入力した検索クエリの対象となっている用語（入力された検索クエリの種類）毎に検索クエリのデータ数（検索数）の分布を検索クエリデータ群として抽出し、パターンデータ群ＤＢ（Ｄａｔａｂａｓｅ）に記憶（又は登録）されているパターンデータ群と比較し、検索クエリデータ群がパターンデータ群と類似しているか否かの判定に基づいて、検索クエリデータ群を分類する機能を実行する。

このようにして、（１）に係る発明によれば、ユーザにより用語による検索が行われた場合において、ユーザが入力した検索クエリに基づいて、過去のパターンデータ群と類似する場合には将来の流行やブームを簡易に予測することが可能となる。

（２）前記パターンデータ群は単位時間当たりのデータ数をパターン化したデータ群であり、
前記抽出手段は、入力された前記検索クエリの種類毎に単位時間当たりの前記検索クエリデータ数を前記検索クエリデータ群として抽出し、前記比較手段は、前記パターンデータ群と前記検索クエリデータ群との相関係数を演算することを特徴とする（１）に記載のサーバ装置。

（２）に係る発明によれば、検索クエリデータ群は入力された検索クエリの種類毎（同一の用語又は関連する幾つかの用語毎）に単位時間当たり（一時間単位、一日単位、一週間単位、一ヶ月単位等任意の時間間隔）の検索クエリデータ数を表したものを幾つかまとめたパターンを有するデータ群とし、パターンデータ群と前記検索クエリデータ群との相関を調べる尺度として相関係数を使用して分類を実行する。

このようにして、（２）に係る発明によれば、相関関数によってパターンデータ群と検索クエリデータ群との類似度を判定するので、パターンデータ群と検索クエリデータ群との類似度を高速かつ客観的に判断することが可能になる。

また、単位時間を任意に設定することが可能であるので、パターンデータ群の特徴を十分に分かりやすく抽出することが可能になり、パターンデータ群と前記検索クエリデータ群との類似度を正確に判定することが可能になる。

（３）前記分類手段には、前記判定手段の判定によって前記パターンデータ群と前記検索クエリデータ群とが類似する可能性があると判定された前記検索クエリデータ群から前記単位時間当たりの前記検索クエリデータ数のピークを抽出するピーク抽出手段と、
前記ピーク抽出手段によって抽出されたピークを中心として前記ピークの前後の前記検索クエリデータ群に対して窓関数を演算する窓関数演算手段と、
前記窓関数演算手段によって前記窓関数が演算された後の前記検索クエリデータ群のパターンの特徴を抽出する特徴抽出手段と、
を更に備えることを特徴とする（１）又は（２）に記載のサーバ装置。

（３）に係る発明によれば、パターンデータ群と検索クエリデータ群との間に類似する可能性がある場合に、検索クエリデータ群のパターンのピークを抽出し、ピークを中心に検索クエリデータ群のパターンに窓関数を掛けて（演算し）、検索クエリデータ群の特徴を抽出し、分類を実行する。

このようにして、（３）に係る発明によれば、パターンデータ群と検索クエリデータ群とが類似する可能性があると判定された場合に、より詳細にパターンデータ群と検索クエリデータ群とに共通する特徴の相関性を判定するので、パターンデータ群と検索クエリデータ群との類似性について正確に判断することが可能になる。

また、窓関数を掛けることにとり、特徴部分（ピーク部分）を強調し、特徴部分（ピーク部分）から離れた部分（例えばノイズ成分的な性質を有するデータ部分）の相関性に対する（悪い）影響を減少させるので、パターンデータ群と検索クエリデータ群との類似性についてより正確に判断することが可能になる。

（４）前記特徴抽出手段は、前記検索クエリデータ群の前記ピークにおける前記検索クエリデータ数と前記窓関数が演算された後の前記検索クエリデータ群の前記単位時間当たりの平均検索クエリデータ数との比、及び前記窓関数が演算された後の前記ピーク前後の前記検索クエリデータ数と前記窓関数が演算された後の前記検索クエリデータ群の前記検索クエリデータ数との比に基づいて前記検索クエリデータ群のパターンの特徴を抽出することを特徴とする（３）に記載のサーバ装置。

このようにして、（４）に係る発明によれば、検索クエリデータ群の特徴を有するピーク部分とそのピーク部分の前後部分を中心にパターンの類似性を判断しているので、パターンデータ群と前記検索クエリデータ群との類似度を高速かつ客観的に判断することが可能になる。

（５）前記判定手段によって前記検索クエリデータ群に類似すると判定された前記パターンデータ群の時系列パターンに基づいて、前記検索クエリデータ群の時系列推移上のピークとその前後の期間を予測する期間予測手段と、前記期間予測手段が予測した前記時系列推移のピークとその前後の期間に、広告キーワード入札における最低落札価格を設定して最低落札価格データベースに記憶する最低落札価格設定手段と、を更に備え、前記比較手段は、前記抽出された検索クエリデータ群が有する期間に対応した前記パターンデータ群と、該検索クエリデータ群とを比較することを特徴とする（１）乃至（４）の何れかに記載のサーバ装置。

（５）に係る発明によれば、上述のような構成を有することにより、抽出された検索クエリデータ群が有する期間に対応したパターンデータ群と、該検索クエリデータ群とを比較し、検索クエリデータ群に類似すると判定されたパターンデータ群の時系列パターンに基づいて、検索クエリデータ群の時系列推移上のピークとその前後の期間を予測し、予測した時系列推移のピークとその前後の期間に、広告キーワード入札における最低落札価格を設定して最低落札価格データベースに記憶する。

このようにして、（５）に係る発明によれば、時系列推移上のピークとその前後の期間を予測することができ、広告の入札が盛んになると予測されるピークとその前後の期間に、広告キーワード入札における最低落札価格を設定するので、設定した価格に見合った広告が入稿されることが期待でき、広告の質を高め、広告効果を高めることができる。

（６）前記最低落札価格設定手段は、前記期間予測手段が予測した前記ピークとその前後の期間での前記検索クエリデータ群の推移に基づいて、前記最低落札価格の値を決定することを特徴とする（５）に記載のサーバ装置。

このようにして、（６）に係る発明によれば、ピークとその前後の期間での検索クエリデータ群の推移に基づいて、例えば推移が上昇している期間と、推移が下降している期間とでは最低落札価格の値を変えるように決定するので、人気の推移に見合った広告が入稿されることが期待でき、広告の質を高め、広告効果を高めることができる。

（７）前記最低落札価格設定手段により最低落札価格が設定される検索クエリデータの属性を判定する属性判定手段と、前記属性判定手段により判定された属性と同一の属性を有する他の検索クエリデータと組み合わせて入力されるキーワードをクエリログから抽出する同一属性データ抽出手段と、を更に備え、前記最低落札価格設定手段は、前記最低落札価格が設定された検索クエリデータと、前記抽出されたキーワードとを組み合わせた検索クエリデータに、前記時系列推移のピークとその前後の期間に関連付けて前記最低落札価格を設定することを特徴とする（５）又は（６）に記載のサーバ装置。

（７）に係る発明によれば、上述のような構成を有することにより、最低落札価格が設定される検索クエリデータの属性を判定し、判定された属性と同一の属性を有する他の検索クエリデータと組み合わせて入力されるキーワードをクエリログから抽出し、最低落札価格が設定された検索クエリデータと、抽出されたキーワードとを組み合わせた検索クエリデータに、時系列推移のピークとその前後の期間に関連付けて最低落札価格を設定する。

このようにして、（７）に係る発明によれば、最低落札価格が設定された検索クエリデータと、抽出されたキーワードとを組み合わせた検索クエリデータに、時系列推移のピークとその前後の期間に関連付けて最低落札価格を設定するので、入力された検索クエリデータのキーワードに対応する広告以外に、組み合わせたキーワードに対応する広告にも、設定した価格に見合った広告が入稿されることが期待でき、更に広告の質を高め、広告効果を高めることができる。

（８）予め定められた時系列パターンを有するパターンデータ群を記憶する記憶工程と、
入力された検索クエリの種類毎に検索クエリデータ群を抽出する抽出工程と、
前記パターンデータ群と前記検索クエリデータ群とを比較する比較工程と、
前記比較工程における比較結果に基づいて、前記パターンデータ群と前記検索クエリデータ群との類似度を判定する判定工程と、
前記判定工程における判定によって前記パターンデータ群と前記検索クエリデータ群とが類似しないと判定された場合には、前記検索クエリデータ群を新たな種類のパターンデータ群とし、
前記パターンデータ群と前記検索クエリデータ群とが類似すると判定された場合には、前記検索クエリデータ群を前記パターンデータ群と同一の種類とする分類工程と、
を備えることを特徴とするサーバ装置における分類方法。

（８）に係る発明によれば、上述のような構成を有することにより、ユーザが入力した検索クエリの対象となっている用語（入力された検索クエリの種類）毎に検索クエリのデータ数（検索数）の分布を検索クエリデータ群として抽出し、パターンデータ群ＤＢ１９に記憶（又は登録）されているパターンデータ群と比較し、検索クエリデータ群がパターンデータ群と類似しているか否かの判定に基づいて、検索クエリデータ群を分類する機能を実行する。

このようにして、（８）に係る発明によれば、ユーザにより用語による検索が行われた場合において、ユーザが入力した検索クエリに基づいて、過去のパターンデータ群と類似する場合には将来の流行やブームを簡易に予測することが可能となる。

（９）（８）に記載の方法をコンピュータに実行させることを特徴とするプログラム。

このような構成によれば、当該プログラムをコンピュータに実行させることにより、（８）と同様の効果が期待できる。

本発明によれば、検索クエリを波形クラスタリングすることで、クエリの用語がどのような性格を有するかが自動的に分類され、そのクエリの用語についての流行、ブームを予測することができる。更に、本発明によれば、広告の入札が盛んになると予測されるブームの時期に応じて最低落札価格を決定することで、広告の質を高め、広告効果を高めることができる。

本実施形態に係るサーバと、ユーザ端末とから構成される情報処理システムを示す図である。 本発明に係るサーバの構成を示すブロック図である。 本実施形態に係るサーバの機能的な構成を示す機能ブロック図である。 本実施形態に係るサーバによる処理手順１についての説明に供するフローチャートである。 パターンデータ群の一例を説明する図である。 本実施形態に係るサーバによる処理手順２についての説明に供するフローチャートである。 本実施形態に係るサーバによる処理手順２のステップＳ１４及びステップＳ１５を説明する図である。 本実施形態に係るサーバの機能的な構成を示す実施例２の機能ブロック図である。 本実施形態に係る最低落札価格ＤＢの実施例２の例を示す図である。 本実施形態に係るサーバによるメイン処理についての説明に供する実施例２のフローチャートである。 本実施形態に係るサーバによる、期間を予測する一例を説明する図である。 本実施形態に係るサーバによる、期間中の推移を予測する一例を説明する図である。 本実施形態に係るサーバの機能的な構成を示す実施例３の機能ブロック図である。 本実施形態に係る最低落札価格ＤＢの実施例３の例を示す図である。 本実施形態に係るサーバによるメイン処理についての説明に供する実施例３のフローチャートである。

以下、本発明の実施形態について図を参照しながら説明する。

［実施例１］
［システム全体構成］
図１には、本実施形態に係るサーバ１０と、パーソナルコンピュータ、携帯電話、携帯端末等のユーザ端末２０とから構成される情報処理システム１を示す。なお、図１においては、情報処理システム１は、サーバ１０と、ユーザ端末２０とがそれぞれ一つずつで示されているが、これに限られず、それぞれ複数台で構成されていてもよい。

サーバ１０は、図２に示すように、制御部３００を構成するＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）３１０（マルチプロセッサ構成ではＣＰＵ３２０等複数のＣＰＵが追加されてもよい）、バスライン２００、通信Ｉ／Ｆ（Ｉ／Ｆ：インタフェース）３３０、メインメモリ３４０、ＢＩＯＳ（Ｂａｓｉｃ Ｉｎｐｕｔ Ｏｕｔｐｕｔ Ｓｙｓｔｅｍ）３５０、Ｉ／Ｏコントローラ３６０、ハードディスク３７０、光ディスクドライブ３８０、並びに半導体メモリ３９０を備える。なお、ハードディスク３７０、光ディスクドライブ３８０、並びに、半導体メモリ３９０はまとめて記憶装置４１０と呼ばれる。

制御部３００は、サーバ１０を統括的に制御する部分であり、ハードディスク３７０に記憶された各種プログラムを適宜読み出して実行することにより、上述したハードウェアと協働し、本発明に係る各種機能を実現している。

通信Ｉ／Ｆ３３０は、サーバ１０が、ネットワークを介してユーザ端末２０等の他の装置と情報を送受信する場合のネットワーク・アダプタである。

ＢＩＯＳ３５０は、サーバ１０の起動時にＣＰＵ３１０が実行するブートプログラムや、サーバ１０のハードウェアに依存するプログラム等を記録する。

Ｉ／Ｏコントローラ３６０には、ハードディスク３７０、光ディスクドライブ３８０、及び半導体メモリ３９０等の記憶装置４１０を接続することができる。

ハードディスク３７０は、本ハードウェアをサーバ１０として機能させるための各種プログラム、本発明の機能を実行するプログラム及び後述するテーブル等を記憶する。なお、サーバ１０は、外部に別途設けたハードディスク（図示せず）を外部記憶装置として利用することもできる。

光ディスクドライブ３８０としては、例えば、ＤＶＤ−ＲＯＭドライブ、ＣＤ−ＲＯＭドライブ、ＤＶＤ−ＲＡＭドライブ、ＣＤ−ＲＡＭドライブを使用することができる。この場合は各ドライブに対応した光ディスク４００を使用する。光ディスク４００から光ディスクドライブ３８０によりプログラム又はデータを読み取り、Ｉ／Ｏコントローラ３６０を介してメインメモリ３４０又はハードディスク３７０に提供することもできる。

なお、本発明でいうコンピュータとは、記憶装置、制御部等を備えた情報処理装置をいい、サーバ１０は、記憶装置４１０、制御部３００等を備えた情報処理装置により構成され、この情報処理装置は、本発明のコンピュータの概念に含まれる。

また、本発明に係るサーバ１０は、上述のような構成を有することにより、ユーザ端末２０から発信された複数の検索クエリ（例えば、文字情報等）から所定のデータ群（例えば、所定の用語に関する所定の期間等）を抽出し、予め用意しておいたパターンに特徴を有するデータ群（ニュース型、ブーム型、期限日型、発表日型、季節型等の型）と比較し、当該所定のデータ群に類似するか否かを判定し、検索クエリ（例えば、文字情報等）に関する所定のデータ群を分類する機能を有している。

ここで、当該機能を発揮するための構成について、図３に示す機能ブロック図を用いて説明する。サーバ１０は、抽出手段としての抽出部１１と、正規化手段としての正規化部１２と、比較手段としての比較部１３と、判定手段としての判定部１４と、分類手段としての分類部１５と、ピーク抽出手段としてのピーク抽出部１６と、窓関数演算手段としての窓関数演算部１７と、特徴抽出手段としての特徴抽出部１８と、記憶手段としてのパターンデータ群データベース（ＤＢ）１９とを備える。

抽出部１１は、ユーザ端末２０から入力された検索クエリの種類毎に検索クエリデータ群を抽出する。

入力された検索クエリの種類とは、検索対象となった用語を一つの種類としてもよいし、検索対象となったいくつかの用語に共通のカテゴリを一つの種類としてもよい。

検索データ群は入力された検索クエリの種類毎に単位時間当たりの検索クエリデータ数を表したものを幾つかまとめたものである。単位時間は一時間単位、一日単位、一週間単位、一ヶ月単位等任意の時間間隔に設定できる。

正規化部１２は、抽出部１１で抽出された検索クエリデータ群とパターンデータ群データベース（ＤＢ）１９に記憶されている時系列パターンを有するパターンデータ群とに共通する特徴軸を正規化する。

例えば、検索クエリデータ群の時間軸の長さとパターンデータ群の時間軸の長さが一致しない場合に、両者の時間軸を揃えることを本実施形態の場合に正規化と称している。

正規化は、単位時間毎の検索クエリデータ群のデータ数と単位時間毎のパターンデータ群のデータ数とを比較できるようにするものである。従って、検索クエリデータ群の単位時間とパターンデータ群の単位時間とは異なっていてもよいし、同一であってもよい。検索クエリデータ群の単位時間とパターンデータ群の単位時間が異なる場合でも、比較するデータ数を揃えることができるからである。

比較部１３は、抽出部１１で抽出された検索クエリデータ群とパターンデータ群データベース（ＤＢ）１９に記憶されている時系列パターンを有するパターンデータ群とを比較する。

比較方法は種々の演算で比較することが可能であるが、一例として検索クエリデータ群とパターンデータ群との相関係数を演算することで比較を実行することが可能である。

例えば、ある検索クエリの一年間の時系列データ（（一日を単位時間とし）一日毎の検索クエリデータ数のデータ）と、パターンデータ群データベース（ＤＢ）１９に記憶されている時系列パターンである所定の型（例えばニュース型（詳細は後述する））の一年間の時系列データ（（一日を単位時間とし）一日毎のデータ数のデータ）とを抽出された時間長（一年間）にわたって演算して相関係数を算出する（詳細は後述する）。

判定部１４は、比較部１３の比較結果に基づいて、パターンデータ群と検索クエリデータ群との類似度を判定する。

例えば、比較部１３においてパターンデータ群と検索クエリデータ群との相関係数が演算された場合には、相関係数が予め決められた値（一例として０．５〜１．０までの値とすることができ、好ましくは０．６〜１．０）以上（又は予め決められた値よりも大きい）の場合には、比較部１３において演算されたパターンデータ群と検索クエリデータ群とは類似すると判定する。

分類部１５は、判定部１４の判定によってパターンデータ群と検索クエリデータ群とが類似しないと判定された場合には、検索クエリデータ群を新たな種類のパターンデータ群とし、パターンデータ群と検索クエリデータ群とが類似すると判定された場合には、検索クエリデータ群をパターンデータ群と同一の種類と分類する。

パターンデータ群と検索クエリデータ群とが類似しないと判定された場合には、検索クエリデータ群に新たな名称を付して、パターンデータ群データベース（ＤＢ）１９に記憶する。

また、パターンデータ群と検索クエリデータ群とが類似すると判定された場合には、類似すると判断されたパターンデータ群と検索クエリデータ群とを紐付けて（例えば、お互いのデータ群を参照できるポインタをデータ群に新たに設けて）パターンデータ群データベース（ＤＢ）１９に記憶する。

ピーク抽出部１６は、判定部１４の判定によってパターンデータ群と検索クエリデータ群とが類似する可能性があると判定された検索クエリデータ群から単位時間当たりの検索クエリデータ数のピーク（部分）を抽出する。すなわち、抽出された時間長の中で単位時間当たりの検索クエリデータ数が最大である部分をピークとして抽出する。

窓関数演算部１７は、ピーク抽出部１６によって抽出されたピークを中心としてピークの前後の検索クエリデータ群に対して窓関数を演算する。

検索クエリデータ群のピーク（部分）を窓関数の中心として、検索クエリデータ群全体に窓関数を演算することで、ピークから離れた部分のデータの重みを小さくして（ピーク周辺部分のデータの重みを大きくして）データ処理を実行する。

ここでの窓関数は、コサイン窓、ガウス窓、ハニング窓、ハミング窓、サイン窓等の任意の窓を窓関数として使用することが可能である。

特徴抽出部１８は、窓関数演算部１７によって窓関数が演算された後の検索クエリデータ群のパターンの特徴を抽出する。

例えば、特徴抽出部１８は検索クエリデータ群のピーク部分とピーク部分の前後の値から、検索クエリデータ群のパターンの特徴を抽出する。

一例として、検索クエリデータ群のピークにおける検索クエリデータ数と窓関数が演算された後の検索クエリデータ群の単位時間当たりの平均検索クエリデータ数との比、及び窓関数が演算された後のピーク前後の検索クエリデータ数と窓関数が演算された後の検索クエリデータ群の検索クエリデータ数との比に基づいて検索クエリデータ群のパターンの特徴を抽出することができ、パターンデータ群データベース（ＤＢ）１９に記憶されている時系列パターンを有するパターンデータ群の何れかに検索クエリデータ群を分類する（詳細は後述する）。

パターンデータ群データベース（ＤＢ）１９は予め分類された時系列パターン（ニュース型、ブーム型、期限日型、発表日型、季節型等の型（パターン））を有するパターンデータ群を予め記憶する。また、分類部１５によって紐付けられたパターンデータ群と検索クエリデータ群、分類部１５によって新たな分類であると分類された検索クエリデータ群又は検索クエリデータ群と類似しないと判定されたパターンデータ群、等を記憶しておく。

このような構成によれば、本発明は、検索クエリを波形クラスタリング（抽出）することで、クエリの用語がどのような性格を有するかが自動的に分類され、そのクエリの用語についての流行、ブームを予測することが可能となる。

［処理手順１］
ここで、本発明を適用した場合において実現され得る具体的な処理手順について、図４に示すフローチャートを参照して説明する。なお、以下に示す処理手順は、一例であってこれ以外にも実現され得る処理手順は無数に存在する。

なお、本発明に係るサーバ１０は、ユーザ端末２０から発信された複数の検索クエリ（例えば、文字情報等）から所定のデータ群（例えば、所定の用語に関する所定の期間等）を抽出し、予め用意しておいたパターンに特徴を有するデータ群（ニュース型、ブーム型、期限日型、発表日型、季節型等の型）と比較し、当該予め用意しておいたデータ群に類似するか否かを判定し、検索クエリ（例えば、文字情報等）に関する所定のデータ群を分類する。

ユーザが、あるテレビ番組を視聴していてその番組の中で紹介されたもの、インターネットを閲覧していてそのページの中で紹介されているもの、会話の中で出てきたもの等に興味を持った場合であって、（これらの関心の対象となるものは流行やブームを形成する可能性がある）、より詳細にその内容に関する情報を取得したいと考えた場合には、インターネットを利用してネット検索することが考えられる。

ステップＳ１において、ユーザ端末２０は、ネットワークを介してサーバ１０に対してユーザが入力した用語を送信する（検索クエリの入力及び送信）。

ステップＳ２において、サーバ１０は、ユーザ端末２０から送信されてきた検索クエリに基づいて、検索クエリデータ群を抽出する。

具体的には、入力された検索クエリの対象となった一つの用語に関して、一日当たりの検索クエリ数を一年間の時系列データとしたものを一つの検索クエリデータ群として抽出する（クラスタリングする）。

ステップＳ３において、サーバ１０は、ステップＳ２において抽出された検索クエリデータ群とパターンデータ群データベース（ＤＢ）１９に記憶されている時系列パターンを有するパターンデータ群とを比較する。

具体的には、サーバ１０は、検索クエリデータ群とパターンデータ群との相関係数を演算する。

検索クエリデータ群の中に有る一つのデータをＱｆｒｅ（ｗ、ｄ）（ｗは検索クエリの対象となった用語を示し、ｄは検索クエリが送信された特定の日を示し、Ｑｆｒｅ（ｗ、ｄ）は用語ｗに関するｄ日における検索クエリ数を示す。）で表し、パターンデータ群の中に有る一つのデータをＰｆｒｅ（ｗ、ｄ）（ｗは検索クエリの対象となった用語を示し、ｄは検索クエリが送信された特定の日を示し、Ｐｆｒｅ（ｗ、ｄ）は用語ｗに関するｄ日におけるパターンデータ数を示す。）で表すと、検索クエリデータ群とパターンデータ群との相関係数は下記の式（１）で演算される。

ただし、（ｄ（１〜３６５））は（ｄ（１〜３６６））の場合もある。

ステップＳ４において、サーバ１０は、ステップＳ３において演算された検索クエリデータ群とパターンデータ群データベース（ＤＢ）１９に記憶されている時系列パターンを有するパターンデータ群との相関係数の値を基に、検索クエリデータ群とパターンデータ群との類似度を判定する。

具体的には、演算された相関係数の値が予め定められた値（一例として０．５〜１．０までの値とすることができ、好ましくは０．６〜１．０）よりも大きい場合（又は予め定められた値以上の場合）には、相関係数が演算された検索クエリデータ群とパターンデータ群とは類似すると判定する。

ステップＳ５において、サーバ１０は、ステップＳ４において判定された結果に基づいて、検索クエリデータ群とパターンデータ群とが類似する場合（ステップＳ５：ＹＥＳ）の場合にはステップＳ７に進み、検索クエリデータ群とパターンデータ群とが類似しない場合（ステップＳ５：ＮＯ）の場合にはステップＳ６に進む。

ステップＳ６において、サーバ１０は、ステップＳ５において類似しないと判定された検索クエリデータ群を、パターンデータ群とは関連付けしないでパターンデータ群データベース（ＤＢ）１９に記憶する。この場合に、類似しないと判定された検索クエリデータ群に新たな名称を付してパターンデータ群データベース（ＤＢ）１９に記憶してもよい。その後、サーバ１０は処理を終了する。

ステップＳ７において、サーバ１０は、ステップＳ５において類似すると判定された検索クエリデータ群とパターンデータ群とを紐付けて（例えば、お互いのデータ群を参照できるポインタをデータ群に設けて）パターンデータ群データベース（ＤＢ）１９に記憶する。その後、サーバ１０は処理を終了する。

紐付けの方法は種々の方法が考えられるが、パターンデータ群から類似すると判定された検索クエリデータ群を関連があるデータとしてアクセスする構造（関連テーブル、属性情報等の構造）が用意されていればよい。

このように、ステップＳ７において、検索クエリデータ群がパターンデータ群データベース（ＤＢ）１９に記憶されている既知のパターンデータ群と類似することが判定されれば、検索クエリデータ群の検索対象となっている用語についての流行、ブームを予測することが可能となる。

更に、検索クエリデータ群同士の類似性を相関関数の演算によって判定することによって、類似している検索クエリデータ群の検索対象となっている用語に関連性を見つけ出すことも可能である。

［パターンデータ群の一例］
次に図５（ａ）〜（ｄ）を用いて、パターンデータ群データベース（ＤＢ）１９に記憶されているパターンデータ群の一例について説明する。

図５（ａ）は、「ニュース型」と称するパターンデータ群の一例である。図５（ａ）の横軸は時間を示し、縦軸は検索クエリのデータ数（検索クエリの頻度）を示す。「ニュース型」パターンデータ群の特徴は、ＴＶ番組等の放送をきっかけに検索クエリのデータ数がバースト状に増加することである。図５（ａ）の場合の検索クエリの対象となっている（検索対象となっている）用語は“ノーベル物理学賞”という言葉である。

また、このバースト状に増加した検索クエリのデータ数は一過性のパターンを示して、その後は検索クエリのデータ数が急激に減少し、検索されなくなるという特徴がある。

バースト状に増加するきっかけは、ＴＶ番組等の放送に限定されるわけではないが、最も顕著にこのバースト状のパターンを示すのはＴＶ番組の放送での紹介等である。

図５（ａ）では、タイミングｄ１においてＴＶ番組の放送等での紹介があり、直後にＴＶ番組の放送等での紹介に関する用語（ノーベル物理学賞）についての検索クエリのデータ数がｎ１にまでバースト状に増加している。また、タイミングｄ２においてもＴＶ番組の放送等での紹介があり、直後にＴＶ番組の放送等での紹介に関する用語についての検索クエリのデータ数がｎ２にまでバースト状に増加している。

パターンデータ群としては、タイミングｄ１又はタイミングｄ２の前後の時間の検索クエリのデータ数（検索クエリの頻度）のパターンをパターンデータ群の一例として「ニュース型」という分類名と共にパターンデータ群データベース（ＤＢ）１９に記憶（登録）する。

図５（ｂ）は、「ブーム型」と称するパターンデータ群の一例である。図５（ｂ）の横軸は時間を示し、縦軸は検索クエリのデータ数（検索クエリの頻度）を示す。図５（ｂ）の場合の検索クエリの対象となっている（検索対象となっている）用語は“ブートキャンプ”という言葉である。

「ブーム型」パターンデータ群の特徴は、（１）掲示板、ブログ等の口コミから検索数（検索クエリのデータ数）が徐々に増加する。（２）テレビ番組等で紹介されたことをきっかけとしてバースト状に検索クエリのデータ数が増加する。（３）バースト後は検索クエリのデータ数が終息を示すか、息の長いブームとなり、（１）と同様に同じ傾向（検索数（検索クエリのデータ数）が徐々に増加する）を示す。

図５（ｂ）のタイミングｄ３より前の時間は上述した（１）の期間を示し、タイミングｄ３〜タイミングｄ４までが上述した（２）の期間を示し、タイミングｄ４より後の時間は上述した（３）の期間を示す。

パターンデータ群としては、タイミングｄ３の前からタイミングｄ４の後までの時間の検索クエリのデータ数（検索クエリの頻度）のパターンをパターンデータ群の一例として「ブーム型」という分類名と共にパターンデータ群データベース（ＤＢ）１９に記憶（登録）する。

図５（ｃ）は、「期限日型」と称するパターンデータ群の一例である。図５（ｃ）の横軸は時間を示し、縦軸は検索クエリのデータ数（検索クエリの頻度）を示す。図５（ｂ）の場合の検索クエリの対象となっている（検索対象となっている）用語は“ひなまつり”という言葉である。

「期限日型」パターンデータ群の特徴は、（１）期限日（この場合は“ひなまつり”の当日である３月３日）に向かって検索数（検索クエリのデータ数）が徐々に増加する。（２）期限日（“ひなまつり”の当日である３月３日）付近に検索クエリのデータ数が最も増加する。バースト状の検索数となる場合もある。（３）期限日を過ぎると検索クエリのデータ数が激減する傾向を示す。

図５（ｃ）のタイミングｄ５より前の時間は上述した（１）の期間を示し、タイミングｄ５で上述した（２）の期間を示し、タイミングｄ５より後の時間は上述した（３）の期間を示す。

パターンデータ群としては、タイミングｄ５の前後の時間の検索クエリのデータ数（検索クエリの頻度）のパターンをパターンデータ群の一例として「期限日型」という分類名と共にパターンデータ群データベース（ＤＢ）１９に記憶（登録）する。

図５（ｄ）は、「発表日型」と称するパターンデータ群の一例である。図５（ｄ）の横軸は時間を示し、縦軸は検索クエリのデータ数（検索クエリの頻度）を示す。図５（ｄ）の場合の検索クエリの対象となっている（検索対象となっている）用語は“年末ジャンボ宝くじ 当選番号”という言葉である。

「発表日型」パターンデータ群の特徴は、（１）何らかの発表日（この場合は“年末ジャンボ宝くじ”の当選番号の発表日である）の付近に検索クエリのデータ数が最も増加する。すなわち、バースト状の検索数となる。（２）発表日を過ぎると検索クエリのデータ数が段々に減少していき、終息を示す。

図５（ｄ）のタイミングｄ６は上述した（１）の期間を示し、タイミングｄ６より後の時間は上述した（２）の期間を示す。

パターンデータ群としては、タイミングｄ６の前後の時間の検索クエリのデータ数（検索クエリの頻度）のパターンをパターンデータ群の一例として「発表日型」という分類名と共にパターンデータ群データベース（ＤＢ）１９に記憶（登録）する。

以上、本発明のパターンデータ群データベース（ＤＢ）１９に記憶されているパターンデータ群の一例を説明したが、パターンデータ群はこれらのパターンに限定されるわけではなく様々なパターンをパターンデータ群として記憶することが可能である。

［処理手順２］
ここで、本発明を適用した場合において実現され得る具体的な他の処理手順について、図６に示すフローチャートを参照して説明する。なお、以下に示す処理手順は、一例であってこれ以外にも実現され得る処理手順は無数に存在する。

なお、本発明に係るサーバ１０は、ユーザ端末２０から発信された複数の検索クエリ（例えば、文字情報等）から所定のデータ群（例えば、所定の用語に関する所定の期間等）を抽出し、予め用意しておいたパターンに特徴を有するデータ群（ニュース型、ブーム型、期限日型、発表日型、季節型等の型）と比較し、当該予め用意しておいたデータ群に類似するか否かを判定し、当該予め用意しておいたデータ群に類似する場合には、所定のデータ群のピークを抽出し、そのピークを中心として窓関数を演算し、検索クエリ（例えば、文字情報等）に関する所定のデータ群を分類する。

ユーザが、あるテレビ番組を視聴していてその番組の中で紹介されたもの、インターネットを閲覧していてそのページの中で紹介されているもの、会話の中で出てきたもの等に興味を持った場合、（これらの関心の対象となるものは流行やブームを形成する可能性がある）、より詳細にその内容に関する情報を取得したいと考えた場合には、インターネットを利用してネット検索することが考えられる。

ステップＳ８において、ユーザ端末２０は、ネットワークを介してサーバ１０に対してユーザが入力した用語を送信する（検索クエリの入力及び送信）。

ステップＳ９において、サーバ１０は、ユーザ端末２０から送信されてきた検索クエリに基づいて、検索クエリデータ群を抽出する（クラスタリングする）。

ステップＳ１０において、サーバ１０は、ステップＳ９においてクラスタリングされた
検索クエリデータ群とパターンデータ群データベース（ＤＢ）１９に記憶されている時系列パターンを有するパターンデータ群とに共通する特徴軸を正規化する。

検索クエリデータ群の中に有る一つのデータをＱｆｒｅ（ｗ、ｙ、ｄ）（ｗは検索クエリの対象となった用語を示し、ｙは検索クエリが送信された年を示し、ｄは検索クエリが送信された特定の日を示し、Ｑｆｒｅ（ｗ、ｙ、ｄ）は用語ｗに関するｙ年ｄ日における検索クエリ数を示す。）で表し、パターンデータ群の中に有る一つのデータをＰｆｒｅ（ｗ、ｙ、ｄ）（ｗは検索クエリの対象となった用語を示し、ｙは検索クエリが送信された年を示し、ｄは検索クエリが送信された特定の日を示し、Ｐｆｒｅ（ｗ、ｙ、ｄ）は用語ｗに関するｙ年ｄ日におけるパターンデータ数を示す。）で表すと、正規化された検索クエリデータ群中に有る一つのデータＱｆｒｅ’（ｗ、ｙ、ｄ）と正規化されたパターンデータ群中に有る一つのデータＰｆｒｅ’（ｗ、ｙ、ｄ）は以下の式（２）及び（３）で表される。

ただし、（ｄ（１〜３６５））は（ｄ（１〜３６６））の場合もある。

ステップＳ１１において、サーバ１０は、ステップＳ１０において正規化された検索クエリデータ群とパターンデータ群データベース（ＤＢ）１９に記憶されている時系列パターンを有するパターンデータ群とを比較する。

具体的には、サーバ１０は、検索クエリデータ群とパターンデータ群との相関係数を演算する。

ステップＳ１０において正規化された検索クエリデータ群と正規化されたパターンデータ群との相関係数は下記の式（４）で演算される。

ステップＳ１２において、サーバ１０は、ステップＳ１０において演算された検索クエリデータ群とパターンデータ群データベース（ＤＢ）１９に記憶されている時系列パターンを有するパターンデータ群との相関係数の値を基に、検索クエリデータ群とパターンデータ群との類似度を判定する。

具体的には、演算された相関係数の値が予め定められた値（一例として０．５〜１．０までの値とすることができ、好ましくは０．６〜１．０）よりも大きい場合（又は予め定められた値以上の場合）には、相関係数が演算された検索クエリデータ群とパターンデータ群とは類似すると判定する。このステップでは、相関係数の値が０．６以上の場合に検索クエリデータ群とパターンデータ群とは類似すると判定する。

ステップＳ１３において、サーバ１０は、ステップＳ１２において判定された結果に基づいて、検索クエリデータ群とパターンデータ群とが類似する場合（ステップＳ１３：ＹＥＳ）の場合にはステップＳ１４に進み、検索クエリデータ群とパターンデータ群とが類似しない場合（ステップＳ１３：ＮＯ）の場合にはステップＳ１８に進む。

ステップＳ１４において、サーバ１０は、ステップＳ１３の判定によってパターンデータ群と検索クエリデータ群とが類似する可能性があると判定された検索クエリデータ群から単位時間当たりの検索クエリデータ数のピーク（部分）を抽出する。すなわち、抽出された時間長の中で単位時間当たりの検索クエリデータ数が最大である部分をピークとして抽出する（詳細は後述する）。

ステップＳ１５において、サーバ１０は、ステップＳ１４において抽出されたピークを中心としてピークの前後の検索クエリデータ群に対して窓関数を演算する。

検索クエリデータ群のピーク（部分）を窓関数の中心として、検索クエリデータ群全体に窓関数を演算する（詳細は後述する）。ここでの窓関数は、コサイン窓を使用する。

ステップＳ１６において、サーバ１０は、ステップＳ１５において窓関数が演算された後の検索クエリデータ群のパターンの特徴を抽出する。

具体的には、ピークにおける検索クエリデータ数と窓関数が演算された後の検索クエリデータ群の単位時間当たりの平均検索クエリデータ数との比（下記式（５）で表されるＸ１）、窓関数が演算された後のピーク前の検索クエリデータ数と窓関数が演算された後の検索クエリデータ群の検索クエリデータ数との比（下記式（６）で表されるＸ２）及び窓関数が演算された後のピーク後の検索クエリデータ数と窓関数が演算された後の検索クエリデータ群の検索クエリデータ数との比（下記式（７）で表されるＸ３）に基づいて検索クエリデータ群のパターンの特徴を抽出する。

ここで、サーバ１０は、Ｘ１＞１０かつＸ２＞０．６５の場合には検索クエリデータ群を「期限日型」と分類し、Ｘ１＞１０かつＸ３＞０．６５の場合には検索クエリデータ群を「発表日型」と分類し、Ｘ１＞５かつＸ２＜０．６５かつＸ３＜０．６５の場合には検索クエリデータ群を「季節型」と分類する。

ステップＳ１７において、サーバ１０は、ステップＳ１３において類似すると判定された検索クエリデータ群とパターンデータ群とを紐付けて（例えば、お互いのデータ群を参照できるポインタをデータ群に設けて）パターンデータ群データベース（ＤＢ）１９に記憶する。

紐付けの方法は種々の方法が考えられるが、パターンデータ群から類似すると判定された検索クエリデータ群を関連があるデータとしてアクセスする構造（関連テーブル、属性情報等の構造）が用意されていればよい。その後、サーバ１０は処理を終了する。

ステップＳ１８において、サーバ１０は、ステップＳ１３において類似しないと判定された検索クエリデータ群を、パターンデータ群とは関連付けしないでパターンデータ群データベース（ＤＢ）１９に記憶する。この場合に、類似しないと判定された検索クエリデータ群に新たな名称を付してパターンデータ群データベース（ＤＢ）１９に記憶してもよい。その後、サーバ１０は処理を終了する。

このように、実施例によれば、検索クエリデータ群がパターンデータ群データベース（ＤＢ）１９に記憶されている既知のパターンデータ群と類似することが判定されれば、検索クエリデータ群の検索対象となっている用語についての流行、ブームを予測することが可能となる。

更に、検索クエリデータ群同士の類似性を相関関数の演算によって判定することによって、類似している検索クエリデータ群の検索対象となっている用語に関連性を見つけ出すことも可能である。

次に図７を用いて図６におけるフローチャートのステップＳ１４とステップＳ１５について詳細に説明する。

図７（ａ）は、ステップＳ１３においてパターンデータ群と類似すると判定された検索クエリデータ群の一例である。図７（ａ）の横軸は時間を示し、縦軸は検索クエリのデータ数（検索クエリの頻度）を示す。

図７（ｂ）は、図６におけるステップＳ１４を実行した結果、図７（ａ）の検索クエリデータ群のピーク（図７（ａ）における時間ｔ１部分）を抽出し、検索クエリデータ群のピークを図７（ｂ）の横軸の中心に移動し、それに伴って図７（ａ）の検索クエリデータ群全体を時間軸方向に移動した図である。

図７（ｃ）は、図６におけるステップＳ１５を実行した結果、検索クエリデータ群のピークを窓関数の一例であるコサイン窓の中心として、検索クエリデータ群全体（図７（ｂ）の検索クエリデータ群）に窓関数を演算した結果を示す図である。

窓関数を演算した結果、図７（ｂ）において、検索クエリデータ群のピークから離れた時間ｔ２における検索クエリのデータ数ｎ３のパターン（検索クエリデータ群において特徴的な部分ではないノイズ性部分）が、検索クエリのデータ数ｎ３よりも著しく減少した検索クエリのデータ数ｎ４のパターンとなっている。

従って、特徴部分（ピーク部分）を強調し、特徴部分（ピーク部分）から離れた部分（例えばノイズ成分的な性格を有するデータ部分）の特徴を減少させるので、パターンデータ群と検索クエリデータ群との類似性についてより正確に判断することが可能になる。

［実施例２］
図８は、本実施形態に係るサーバ１０の機能的な構成を示す実施例２の機能ブロック図である。サーバ装置としてのサーバ１０は、実施例１のサーバ１０の構成に加えて、最低落札価格データベースとして最低落札価格ＤＢ４０と、期間予測手段として期間予測部３１と、最低落札価格設定手段として最低落札価格設定部３２とを備えている。

比較部１３は、抽出された検索クエリデータ群が有する期間に対応したパターンデータ群と、該検索クエリデータ群とを比較する。すなわち、抽出された検索クエリデータ群において時系列上で変化する場合に、変化する前後の期間について、パターンデータ群と、該検索クエリデータ群とを比較する。

期間予測部３１は、判定部１４によって検索クエリデータ群に類似すると判定されたパターンデータ群の時系列パターンに基づいて、検索クエリデータ群の時系列推移上のピークとその前後の期間を予測する。

例えば、後述する図１１において、検索クエリデータ群の波形１００は、検索クエリの種類によって抽出された検索クエリデータ群について、時間を横軸として単位時間当たりの検索クエリデータ数の変化をグラフで表したものである（図１１（ａ））。一方、判定部１４によって、検索クエリデータ群に類似すると判定されたパターンデータ群の波形１５０も同様に、時間を横軸として単位時間当たりのデータ数の変化をグラフで表したものである（図１１（ｂ））。ここで、パターンデータ群の特徴は、ｄ３とｄ４との期間において検索クエリデータ数が急激に変化する。よって、期間予測部３１は、ｄ３とｄ４との期間に基づいて、検索クエリデータ群の波形１００において、変化し始めたｄ３´の時点からｄ４´の時点を予測する。予測する期間は、日単位であってもよいし、時間単位であってもよい。

最低落札価格設定部３２は、期間予測部３１が予測した時系列推移のピークとその前後の期間に、広告キーワード入札における最低落札価格を設定して最低落札価格ＤＢ４０（後述する図９参照）に記憶する。更に、最低落札価格設定部３２は、期間予測部３１が予測したピークとその前後の期間での検索クエリデータ群の推移に基づいて、最低落札価格の値を決定する。ここで、広告キーワード入札は、例えば、「ブートキャンプ」をキーワードとする広告を、検索クエリが「ブートキャンプ」の場合に広告表示することについての入札をいう。

例えば、最低落札価格設定部３２は、期間予測部３１が期間を予測する場合には、予測した期間内の最低落札価格を予測した期間外よりも高くする（例えば、２．０倍にする）。また、最低落札価格設定部３２は、予測される期間中の波形の推移に基づいて最低落札価格を動的に定める。例えば、期間中であっても、検索クエリデータ数の変化が下降している下降期間であることを検知した場合は、決定した最低落札価格を低くし（例えば、１．５倍にする）、検索クエリデータ数の変化がピークに向けて上昇している上昇期間であることを検知した場合は、決定した最低落札価格を更に高くする（例えば、２．５倍にする）。また、季節型のように周期性の予測される検索クエリについては、例えば、季節毎や月末毎や週末毎等の周期に基づいて最低落札価格を設定してもよい。そして、例えば、期限に近づくにつれて最低落札価格を高くするように決定してもよい（例えば、１．５倍から２．０倍にする）。更に、パターンの種類がブーム型や期限日型等のように、盛り上がりが他のパターンに比べて顕著なパターンは、最低落札価格を他のパターンよりも高くしてもよい。このような最低落札価格の設定により、設定した価格に見合った広告が入稿されることが期待でき、広告の質を高めることができる。

図９は、本実施形態に係る最低落札価格ＤＢ４０の実施例２の例を示す図である。最低落札価格ＤＢ４０は、検索クエリの種類であるキーワードに対応付けて、パターンの種類と、予測期間と、最低落札価格とを記憶する。パターンの種類は、キーワードによって抽出された検索クエリデータ群に類似すると判定されたパターンデータ群の種類である。予測期間は、パターンデータ群に基づいて予測した期間である。最低落札価格は、予測した期間に基づいて決定した最低落札価格である。例えば、通常の最低落札価格が１０円で、検索クエリとして「ブートキャンプ」が入力され、キーワード「ブートキャンプ」によって抽出された検索クエリデータ群が、パターンデータ群の種類である「ブーム」に類似していると判定され、期間が４月２４日から５月２４日と予測されたとする。この場合には、最低落札価格ＤＢ４０にキーワード「ブートキャンプ」に対応付けて、パターンの種類である「ブーム」と、例えば、予測期間４月２４日から５月２４日と、予測期間における最低落札価格の２０円、予測期間後における最低落札価格の１２円が記憶される。更に、予測期間における推移に応じて、例えば、４月２９日から検索クエリ数が減少しているとすると、４月２９日から５月２４日迄の最低落札価格を１５円とし、５月５日から再び検索クエリ数が増大したとすると５月５日から５月２４日迄の最低落札価格を２５円とする。図９は、最新の最低落札価格が記憶されていることを示している。

図１０は、本実施形態に係るサーバ１０によるメイン処理についての説明に供する実施例２のフローチャートである。メイン処理は、検索クエリの入力により処理を開始する。

ステップＳ１０１〜ステップＳ１０７は、図４のステップＳ１〜ステップＳ７と同様である。

ステップＳ１０８において、サーバ１０は、期間について予測済みか否かを判断する。具体的には、サーバ１０は、検索クエリデータ群の時系列推移上のピークとその前後の期間を予測したか否かを判断する。この判断がＹＥＳの場合は、サーバ１０は、処理をステップＳ１１１に移し、ＮＯの場合は処理をステップＳ１０９に移す。

ステップＳ１０９において、サーバ１０は、期間を予測する。具体的には、サーバ１０は、ステップＳ１０５において検索クエリデータ群に類似すると判定されたパターンデータ群の特徴を示す時系列パターン（後述する図１１（ｂ）のｄ３〜ｄ４のパターン）に基づいて、検索クエリデータ群の特徴を示す時系列パターンの期間（後述する図１１（ａ）のｄ３´〜ｄ４´の期間）を予測し、当該予測した期間と検索クエリの種類（キーワード）とを対応付けて最低落札価格ＤＢ４０に記憶する。

ステップＳ１１０において、サーバ１０は、最低落札価格を設定し、記憶する。具体的には、サーバ１０は、ステップＳ１０９で予測した期間内の最低落札価格を、予測した期間外の価格よりも高くし、予測した期間後の最低落札価格をパターンの種類に応じて決定する。例えば、予測した期間後の最低落札価格をブーム型の場合は通常よりも高くし（例えば、１．２倍）、期限日型の場合は通常の価格としてもよい。そして、サーバ１０は、当該最低落札価格と、検索クエリの種類であるキーワードとを対応付けて最低落札価格ＤＢ４０に記憶する。その後、サーバ１０は、処理を終了する。

ステップＳ１１１において、サーバ１０は、推移に応じて最低落札価格を決定し、記憶する。具体的には、サーバ１０は、予測したピークとその前後の期間において、下降期間や、上昇期間の推移を検知し、検知した推移に基づいて、下降期間の最低落札価格を下げ、上昇期間の最低落札価格を上げる決定をし、決定した最低落札価格を最低落札価格ＤＢ４０に記憶する。

ステップＳ１１２において、サーバ１０は、ブーム又は期限日か否かを判断する。具体的には、サーバ１０は、期間のパターンがブーム型又は期限日型か否かを判断する。この判断がＹＥＳの場合は、サーバ１０は、処理をステップＳ１１３に移し、ＮＯの場合は処理を終了する。

ステップＳ１１３において、サーバ１０は、パターンに応じた最低落札価格を決定し、記憶する。具体的には、サーバ１０は、予測した期間のパターンがブーム型又は期限日型の場合には、最低落札価格を、ニュース型や発表日型等に比べて高く決定し、決定した最低落札価格を最低落札価格ＤＢ４０に記憶する。その後、サーバ１０は、処理を終了する。

図１１は、本実施形態に係るサーバ１０による、期間を予測する一例を説明する図である。図１１（ａ）は、検索クエリに基づいて抽出した検索クエリデータ群について、時間を横軸として単位時間当たりの検索クエリデータ数の変化をグラフで示している図である。実線１０１は実際の検索クエリデータ数の変化であり、破線１０２はパターンデータ群に基づいて予測した変化であることを示している。図１１（ｂ）は、図１１（ａ）の検索クエリデータ群と類似すると判定されたパターンデータ群について、時間を横軸として単位時間当たりのデータ数の変化をグラフで示している図である。ここで、パターンデータ群の特徴は、ｄ３とｄ４との期間においてデータ数が急激に変化する。よって、サーバ１０は、ｄ３とｄ４との期間に基づいて、検索クエリデータ群の波形１００において、変化し始めたｄ３´の時点によりｄ４´の時点を予測し、期間ｄ３´からｄ４´を予測する。

図１２は、本実施形態に係るサーバ１０による、期間中の推移を予測する一例を説明する図である。図１２（ａ）は、検索クエリに基づいて抽出した検索クエリデータ群について、時間を横軸として単位時間当たりの検索クエリデータ数の変化をグラフで示している図である。実線１１１は実際の検索クエリデータ数の変化であり、破線１１２はパターンデータ群に基づいて予測した推移の変化であることを示している。図１２（ｂ）は、図１２（ａ）の検索クエリデータ群と類似すると判定されたパターンデータ群について、時間を横軸として単位時間当たりのデータ数の変化をグラフで示している図である。ここで、パターンデータ群の特徴は、ｄ３とｄ４との期間においてデータ数が急激に変化する。よって、サーバ１０は、ｄ３とｄ４との期間に基づいて、検索クエリデータ群の波形１００において、変化し始めたｄ３´の時点によりｄ４´の時点を予測し、期間ｄ３´からｄ４´を予測する。そして、サーバ１０は、予測した期間、例えばｄ３´からｄ４´の期間中の波形の推移ｄ３１´からｄ３２´の下降期間や、ｄ３２´からｄ３３´の上昇期間に基づいて最低落札価格を動的に定める。

実施例２によれば、サーバ１０は、抽出された検索クエリデータ群が有する期間に対応したパターンデータ群と、該検索クエリデータ群とを比較し、検索クエリデータ群に類似すると判定されたパターンデータ群の時系列パターンに基づいて、検索クエリデータ群の時系列推移上のピークとその前後の期間を予測し、予測した時系列推移のピークとその前後の期間に、広告キーワード入札における最低落札価格を設定して最低落札価格ＤＢ４０に記憶する。更に、サーバ１０は、ピークとその前後の期間での検索クエリデータ群の推移に基づいて、例えば、推移が上昇している期間と、推移が下降している期間とで最低落札価格の値を変える。

このような最低落札価格を最低落札価格ＤＢ４０から取得することのできる広告管理装置（図示せず）は、広告キーワードの入札を受け付けて最低落札価格に基づいて広告キーワードを、例えば広告ＤＢに登録する。そして、登録された広告キーワードを広告ＤＢから取得することができる検索装置（図示せず）は、検索クエリのキーワードに対応する広告キーワードを取得し、検索クエリによる検索結果と共に、取得した広告を表示することができる。

従って、広告の入札が盛んになると予測されるピークとその前後の期間に、広告キーワード入札における最低落札価格を設定するので、設定した価格に見合った広告が入稿されることが期待できる。更に、推移に応じて最低落札価格を変えるので、人気の推移に見合った広告が入稿されることが期待でき、広告の質を高め、その結果、質の高い広告がタイムリーに表示されるので広告効果を高めることができる。

［実施例３］
図１３は、本実施形態に係るサーバ１０の機能的な構成を示す実施例３の機能ブロック図である。サーバ装置としてのサーバ１０は、実施例２のサーバ１０の構成に加えて、属性判定手段として属性判定部３３と、同一属性データ抽出手段として同一属性データ抽出部３４とを備えている。

属性判定部３３は、最低落札価格設定部３２により最低落札価格が設定される検索クエリデータの属性を判定する。例えば、最低落札価格が設定される検索クエリデータ「ブートキャンプ」の属性を「エクササイズ」と判定する。属性の判定は、「○（人名）と△」や、「○（人名）や△」といった助詞で組み合わせて予め属性の分かっているキーワード（○）と並列入力されるキーワード（△）を統計して、最初のキーワードに基づいて判定するとしてもよい。また、例えば、「ノーベル物理学賞」を「ノーベル」と「物理学賞」という単語に区切ってその属性から判定してもよい。

同一属性データ抽出部３４は、属性判定部３３により判定された属性と同一の属性を有する他の検索クエリデータと組み合わせて入力されるキーワードをクエリログから抽出する。ここで、クエリログは、検索クエリのログを記憶するデータベースであり、入力された検索クエリをサーバ１０がクエリログに記憶することによって生成してもよいし、検索クエリを受け付ける他のサーバによって生成されてもよい。すなわち、クエリログを検索することにより、抽出部１１は、入力された検索クエリの種類毎に検索クエリデータ群を抽出することができ、同一属性データ抽出部３４は、検索クエリの属性と同一の属性を有する他の検索クエリデータと組み合わせて入力されるキーワードを抽出することができる。

例えば、属性が「エクササイズ」と判定された検索クエリデータと同一の属性を有する他の検索クエリデータ、例えば「エアロビクス」をクエリログから抽出し、更にこの検索クエリデータと組み合わされて入力されるキーワード、例えば「動画」や、「ウェア」をクエリログから抽出する。

最低落札価格設定部３２は、最低落札価格が設定された検索クエリデータと、同一属性データ抽出部３４によって抽出されたキーワードとを組み合わせた検索クエリデータに、時系列推移のピークとその前後の期間に関連付けて最低落札価格を設定する。すなわち、最低落札価格設定部３２は、最低落札価格が設定された検索クエリデータと、同一属性データ抽出部３４によって抽出されたキーワードとを組み合わせた検索クエリデータによって表示される広告の入札に際して、最低落札価格を設定する。

例えば、最低落札価格が設定された検索クエリデータ「ブートキャンプ」と、同一属性データ抽出部３４によって抽出されたキーワード「動画」とを組み合わせた検索クエリデータ「ブートキャンプ 動画」に、時系列推移のピークとその前後の期間に関連付けて最低落札価格を設定する。

すなわち、サーバ１０は、ブームになると予測されたキーワードの属性を判別して、該属性と高頻度で検索される第二ワードやフレーズも落札価格の設定対象とする。例えば、ブームになりそうなアイドルが予測されたとすると、アイドル名と組み合わされて入力される「画像」や「動画」等の第二ワードを抽出し、アイドルという属性を有する名称（ＡＢＣ）について生成した「‘ＡＢＣ’の画像」や「‘ＡＢＣ’の動画」等のフレーズにも、最低落札価格を設定する。

図１４は、本実施形態に係る最低落札価格ＤＢ４０の実施例３の例を示す図である。最低落札価格ＤＢ４０は、実施例２と同様に、検索クエリの種類であるキーワード「ブートキャンプ」、「ノーベル物理学賞」、「ひなまつり」、「年末ジャンボ宝くじ」、「屋風花子」に対応付けて、パターンの種類と、予測期間と、最低落札価格とを記憶する。そして、最低落札価格が設定された「屋風花子」の属性「アイドル」と同一の属性を有する検索クエリデータの「谷保愛子」をクエリログから抽出し、この検索クエリワードと組み合わされて入力されるキーワード「画像」を更に抽出する。そして、最低落札価格を設定した「屋風花子」に「画像」というキーワードを組み合わせた「屋風花子 画像」という検索クエリデータにも同様の最低落札価格を設定している。

図１５は、本実施形態に係るサーバ１０によるメイン処理についての説明に供する実施例３のフローチャートである。メイン処理は、検索クエリの入力により処理を開始する。

ステップＳ２０１〜ステップＳ２０９及びステップＳ２１１〜ステップＳ２１３は、図１０のステップＳ１０１〜ステップＳ１０９及びステップＳ１１１〜ステップＳ１１３と同様である。

ステップＳ２１０において、サーバ１０は、検索クエリのキーワードに最低落札価格を設定し、検索クエリに基づいて抽出されたキーワードと検索クエリとを組み合わせたキーワードにも最低落札価格を設定し、記憶する。具体的には、サーバ１０は、ステップＳ２０９で予測した期間内の最低落札価格を、予測した期間外の価格よりも高くし、予測した期間後の最低落札価格をパターンの種類に応じて決定する。更に、サーバ１０は、最低落札価格が設定された検索クエリデータの属性を判定し、判定された属性と同一の属性を有する他の検索クエリデータと組み合わせて入力されるキーワードをクエリログから抽出し、最低落札価格が設定された検索クエリデータと、抽出されたキーワードとを組み合わせた検索クエリデータに、ステップＳ２０９で予測した期間内の最低落札価格を同様に設定する。そして、サーバ１０は、当該最低落札価格と、検索クエリの種類であるキーワードとを対応付けて最低落札価格ＤＢ４０に記憶する。その後、サーバ１０は、処理を終了する。

実施例３によれば、サーバ１０は、最低落札価格が設定される検索クエリデータの属性を判定し、判定された属性と同一の属性を有する他の検索クエリデータと組み合わせて入力されるキーワードをクエリログから抽出し、最低落札価格が設定された検索クエリデータと、抽出されたキーワードとを組み合わせた検索クエリデータに、時系列推移のピークとその前後の期間に関連付けて最低落札価格を設定する。このようにして、最低落札価格が設定された検索クエリデータと、抽出されたキーワードとを組み合わせた検索クエリデータにも、最低落札価格を設定するので、入力された検索クエリデータのキーワードに対応する広告以外に、組み合わせたキーワードに対応する広告にも、設定した価格に見合った広告が入稿されることが期待でき、更に広告の質を高め、広告効果を高めることができる。

以上、本発明の実施形態について説明したが、本発明は上述した実施形態に限るものではない。また、本発明の実施形態に記載された効果は、本発明から生じる最も好適な効果を列挙したに過ぎず、本発明による効果は、本発明の実施例に記載されたものに限定されるものではない。

なお、本実施形態においては、サーバ１０は、ハードディスク３７０及び光ディスクドライブ３８０を有する構成として説明したが、これに限られず、これらの駆動系を有さない構成、いわゆるゼロスピンドルによる構成であってもよい。このような構成の場合には、ハードディスク３７０に記憶される内容は、大容量の半導体メモリ３９０に記憶される。

１ 情報処理システム
１０ サーバ
２０ ユーザ端末
１１ 抽出部
１２ 正規化部
１３ 比較部
１４ 判定部
１５ 分類部
１６ ピーク抽出部
１７ 窓関数演算部
１８ 特徴抽出部
１９ パターンデータ群ＤＢ
３１ 期間予測部
３２ 最低落札価格設定部
３３ 属性判定部
３４ 同一属性データ抽出部
４０ 最低落札価格ＤＢ

Claims (9)

1. 予め定められた時系列パターンを有するパターンデータ群を記憶する記憶手段と、
   入力された検索クエリの種類毎に検索クエリデータ群を抽出する抽出手段と、
   前記パターンデータ群と前記検索クエリデータ群とを比較する比較手段と、
   前記比較手段の比較結果に基づいて、前記パターンデータ群と前記検索クエリデータ群との類似度を判定する判定手段と、
   前記判定手段の判定によって前記パターンデータ群と前記検索クエリデータ群とが類似しないと判定された場合には、前記検索クエリデータ群を新たな種類のパターンデータ群とし、
   前記パターンデータ群と前記検索クエリデータ群とが類似すると判定された場合には、前記検索クエリデータ群を前記パターンデータ群と同一の種類とする分類手段と、
   を備えることを特徴とするサーバ装置。
2. 前記パターンデータ群は単位時間当たりのデータ数をパターン化したデータ群であり、
   前記抽出手段は、入力された前記検索クエリの種類毎に単位時間当たりの前記検索クエリデータ数を前記検索クエリデータ群として抽出し、
   前記比較手段は、前記パターンデータ群と前記検索クエリデータ群との相関係数を演算することを特徴とする請求項１記載のサーバ装置。
3. 前記分類手段には、前記判定手段の判定によって前記パターンデータ群と前記検索クエリデータ群とが類似する可能性があると判定された前記検索クエリデータ群から単位時間当たりの前記検索クエリデータ数のピークを抽出するピーク抽出手段と、
   前記ピーク抽出手段によって抽出されたピークを中心として前記ピークの前後の前記検索クエリデータ群に対して窓関数を演算する窓関数演算手段と、
   前記窓関数演算手段によって前記窓関数が演算された後の前記検索クエリデータ群のパターンの特徴を抽出する特徴抽出手段と、
   を更に備えることを特徴とする請求項１又は２に記載のサーバ装置。
4. 前記特徴抽出手段は、前記検索クエリデータ群の前記ピークにおける前記検索クエリデータ数と前記窓関数が演算された後の前記検索クエリデータ群の前記単位時間当たりの平均検索クエリデータ数との比、及び前記窓関数が演算された後の前記ピーク前後の前記検索クエリデータ数と前記窓関数が演算された後の前記検索クエリデータ群の前記検索クエリデータ数との比に基づいて前記検索クエリデータ群のパターンの特徴を抽出することを特徴とする請求項３に記載のサーバ装置。
5. 前記判定手段によって前記検索クエリデータ群に類似すると判定された前記パターンデータ群の時系列パターンに基づいて、前記検索クエリデータ群の時系列推移上のピークとその前後の期間を予測する期間予測手段と、
   前記期間予測手段が予測した前記時系列推移のピークとその前後の期間に、広告キーワード入札における最低落札価格を設定して最低落札価格データベースに記憶する最低落札価格設定手段と、を更に備え、
   前記比較手段は、前記抽出された検索クエリデータ群が有する期間に対応した前記パターンデータ群と、該検索クエリデータ群とを比較する、ことを特徴とする請求項１乃至４の何れかに記載のサーバ装置。
6. 前記最低落札価格設定手段は、前記期間予測手段が予測した前記ピークとその前後の期間での前記検索クエリデータ群の推移に基づいて、前記最低落札価格の値を決定することを特徴とする請求項５に記載のサーバ装置。
7. 前記最低落札価格設定手段により最低落札価格が設定される検索クエリデータの属性を判定する属性判定手段と、
   前記属性判定手段により判定された属性と同一の属性を有する他の検索クエリデータと組み合わせて入力されるキーワードをクエリログから抽出する同一属性データ抽出手段と、を更に備え、
   前記最低落札価格設定手段は、
   前記最低落札価格が設定された検索クエリデータと、前記抽出されたキーワードとを組み合わせた検索クエリデータに、前記時系列推移のピークとその前後の期間に関連付けて前記最低落札価格を設定することを特徴とする請求項５又は６に記載のサーバ装置。
8. 予め定められた時系列パターンを有するパターンデータ群を記憶する記憶工程と、
   入力された検索クエリの種類毎に検索クエリデータ群を抽出する抽出工程と、
   前記パターンデータ群と前記検索クエリデータ群とを比較する比較工程と、
   前記比較工程における比較結果に基づいて、前記パターンデータ群と前記検索クエリデータ群との類似度を判定する判定工程と、
   前記判定工程における判定によって前記パターンデータ群と前記検索クエリデータ群とが類似しないと判定された場合には、前記検索クエリデータ群を新たな種類のパターンデータ群とし、
   前記パターンデータ群と前記検索クエリデータ群とが類似すると判定された場合には、前記検索クエリデータ群を前記パターンデータ群と同一の種類とする分類工程と、
   を備えることを特徴とするサーバ装置における分類方法。
9. 請求項８に記載の方法をコンピュータに実行させることを特徴とするプログラム。

Images