JP2010170506A - ユーザ属性推定装置及びユーザ属性推定方法，プログラム - Google Patents

Abstract

【課題】ウェブサーバが管理するコンテンツデータにアクセスした端末装置のユーザの属性を正確に推定するユーザ属性推定装置及びユーザ属性推定方法，ユーザ属性推定用プログラムを提供する。
【解決手段】属性推定手段１０２が、端末装置がアクセスしたコンテンツデータの一覧であるアクセス履歴情報とその端末装置の各コンテンツデータへのアクセス時刻間の間隔の一覧であるアクセス間隔情報とに基づいて、当該端末装置のユーザの属性を推定する。
【選択図】図１

Description

本発明は、ウェブサーバにアクセスした端末装置に係るユーザの属性を推定するユーザ属性推定装置及びユーザ属性推定方法，ユーザ属性推定用プログラムに関する。

ウェブサイトを管理するウェブサーバにおいて、端末からウェブページの送信を要求するリクエストを受けると、そのリクエストされたウェブページにその端末のユーザの属性に関連した追加コンテンツを付加して返信する機能を有したウェブサーバが一般に知られている。例えば、ユーザが購入した商品に基づいてこのユーザの属性を推定し、この属性に関連した別の商品の広告をユーザ端末へ配信する。

ここで、端末のユーザの属性とは、その端末を使用するユーザが属する性別，年齢層，興味分野などである。また、追加コンテンツは、広告や別のページへリンクするためのアドレスなどである。

このようなウェブサーバにおいては、各端末に適した追加コンテンツを配信するために、端末のユーザの属性を正確に推定することが重要である。その理由は、ユーザの属性を正確に推定できないと、ユーザが全く興味のない内容の追加コンテンツを端末に配信してしまい、追加コンテンツ配信の利点が無くなってしまうからである。例えば、スポーツに興味があるユーザにスポーツ関連の商品広告を配信するとこのユーザが広告の商品を購入する確率は高いが、スポーツに興味があるユーザにアニメ関連の商品広告を配信しても、このユーザが広告の商品の購入に至る確率は低くなってしまうからである。

これに関連した技術が、特許文献１乃至３と非特許文献１に開示されている。特許文献１には、ユーザの年齢、住所、収入額、職種、所有車の車種などを示すライフスタイル情報から、ユーザが属するターゲット層を特定する技術が開示されている。ここで、「ターゲット層」が、前述した「属性」に相当する。

特許文献２には、ユーザによるページ移動操作の履歴から、ユーザ所望のウェブページである可能性のあるウェブページを特定してユーザ端末へ送信する技術が開示されている。特許文献３には、ユーザ端末のページ閲覧情報から、ユーザが次にどの階層のページを閲覧するのかを予測する技術が開示されている。

このように、通常のアクセスログに含まれているユーザ端末のページアクセスの履歴に基づいてユーザの属性を推定する方法は、アクセスログが、全てのユーザに対して収集可能な情報であるため、ユーザの属性を適切に推定できると期待されている。

また、非特許文献１には、ショッピングサイトにユーザ端末がアクセスしたときのページアクセスの履歴とアクセス時間間隔に基づいて、そのユーザがそのアクセスで「商品を購入する」か「購入しない」かのどちらに当てはまるかを予測する技術が開示されている。

特開２００８−１６５７０６号公報 特開２００８−１７６７４６号公報 特開２００６−３２３６２９号公報

Dimitris Bertsimas,Adam J.Mersereau,Nitin R.Patel"Dynamic Classification of Online Customers"、Proceedings of the Third SIAM International Conference on Data Mining, San Francisco,CA,USA,May 1-3,2003

しかしながら、特許文献１に開示された技術では、ユーザのライフスタイル情報が事前に必要となり、ユーザが自ら自己のライフスタイル情報を提出しない限り、そのユーザが属するターゲット層は特定できないので、限られたユーザの属性しか特定できないという不都合があった。

また、ライフスタイル情報が虚偽の情報や古い情報であるなど、ライフスタイル情報自体に信頼性がない場合は、ユーザの属性を正確に特定できなかった。例えば、ライフスタイル情報としてアンケートの回答を用いたときに、ユーザがアンケートに対して虚偽の回答をした場合や、アンケートの回答を得てから年月が経過してユーザの境遇に変化があった場合は、そのアンケートの回答に信頼性がなくなり、ユーザの属性を正確に特定できなかった。

特許文献２及び特許文献３に開示された技術では、アクセス履歴を利用してユーザの動向を予測しているが、アクセス履歴には、ユーザが間違えて興味のないページを閲覧したときの履歴も含まれるので、過去にユーザがどのページを閲覧したかを表すアクセス履歴だけでは、ユーザの動向を適切に予測することは困難であった。また、アクセス履歴の内容が同一でもユーザの属性が異なる場合があり、アクセス履歴からでは適切にユーザの属性を推定できないという不都合があった。

例えば、スポーツに興味があるユーザＡと、アニメに興味があるユーザＢとの両者に係るアクセス履歴が、共に「スポーツ」に関するコンテンツ、「アニメ」に関するコンテンツ、「ニュース」に関するコンテンツという順にアクセスしたことを表していた場合は、ユーザＡ及びＢの属性を区別することができなかった。

また、非特許文献１に開示された技術は、「ユーザが商品を購入する」と「購入しない」の２つの排反事象のどちらになるかを推定する技術であり、排反ではない複数の事象の中から選ぶことはできなかった。よって、非特許文献１の技術は、ユーザの属性が３つ以上の候補のいずれであるかを推定する場合に適用できないという不都合があった。

そこで、本発明は、前述した関連技術の不都合を改善し、ウェブサーバにアクセスした端末装置のユーザの属性を適切に推定するユーザ属性推定装置及びユーザ属性推定方法，ユーザ属性推定用プログラムを提供することを、その目的とする。

上記目的を達成するため、本発明のユーザ属性推定装置は、複数のコンテンツデータを備えたウェブサーバに対する端末装置からのアクセスに関するアクセス情報に基づいて前記端末装置に係るユーザの属性を推定する属性推定手段を備えたユーザ属性推定装置であって、前記アクセス情報は、前記端末装置がアクセスしたコンテンツデータの識別情報の一覧であるアクセス履歴情報とこの各アクセス間の時間間隔の大きさを示すアクセス間隔情報とを含む情報であることを特徴とする。

本発明のユーザ属性推定方法は、複数のコンテンツデータを保持したウェブサーバに対する端末装置のアクセスに関するアクセス情報に基づいて当該端末装置に係るユーザの属性を推定するユーザ属性推定方法であって、前記端末装置がアクセスしたコンテンツデータの識別情報の一覧であるアクセス履歴情報とこの各アクセス間の時間間隔の大きさを示すアクセス間隔情報とを属性推定手段が入力し、この入力した前記アクセス履歴情報及び前記アクセス間隔情報に基づいて前記属性推定手段が前記端末装置に係るユーザの属性を推定し、この推定結果を前記属性推定手段が出力することを特徴とする。

本発明のユーザ属性推定用プログラムは、前記端末装置がアクセスしたコンテンツデータの識別情報の一覧であるアクセス履歴情報とこの各アクセス間の時間間隔の大きさを示すアクセス間隔情報とに基づいて当該端末装置のユーザの属性を推定するユーザ属性推定機能をコンピュータに実行させることを特徴とする。

本発明は以上のように構成され機能するため、これにより、端末装置がアクセスしたコンテンツデータの一覧であるアクセス履歴情報と共にこの各アクセス間の時間間隔を示すアクセス間隔情報を用いて当該端末装置に係るユーザの属性を推定するので、アクセス履歴情報のみに基づいて推定する従来技術に比べて、より有効にユーザの属性を推定することができる。

本発明に係る第１の実施形態のユーザ属性推定装置の構成を示す機能ブロック図である。 図１に開示した実施形態における属性推定手段が入力する情報の一例を示す図である。 図１に開示した実施形態における属性推定手段が入力する情報の他の例を示す図である。 図１に開示した実施形態における属性モデル記憶部に記憶されたパラメータを示す図である。 図１に開示した実施形態におけるユーザ属性推定装置のモデル学習動作を示すフローチャートである。 図１に開示した実施形態におけるモデル学習手段に入力される情報の一例を示す図である。 図１に開示した実施形態におけるユーザ属性推定装置の属性推定処理動作を示すフローチャートである。 図１に開示した実施形態における属性推定手段によって算出された各属性ごとの尤度を示す図ある。 本発明に係る第２の実施形態のコンテンツ配信システムの構成を示す機能ブロック図である。 図９に開示した実施形態におけるコンテンツ配信システムのモデル学習動作を示すフローチャートである。 図９に開示した実施形態におけるコンテンツ配信システムのコンテンツ配信動作を示すフローチャートである。 図９に開示した実施形態におけるコンテンツ配信システム１が端末装置に配信するコンテンツデータのイメージを示す図である。

以下、本発明における一実施形態を、図面に基づいて説明する。

図１は、本発明にかかる第１の実施形態のユーザ属性推定装置１０の構成を示す機能ブロック図である。本実施形態のユーザ属性推定装置１０は、複数のコンテンツデータを保持するウェブサーバにネットワークを介して接続した端末装置のユーザの属性を推定する装置である。

図１に示すように、本第１実施形態のユーザ属性推定装置１０は、情報の入出力を行うデータ入出力部１０１と、所定の端末装置がアクセスしたコンテンツデータの識別情報の一覧であるアクセス履歴情報とこの各アクセス間の時間間隔を示すアクセス間隔情報とをデータ入出力部１０１を介して入力しこの入力したアクセス履歴情報及びアクセス間隔情報に基づいて当該端末装置のユーザの属性を推定する属性推定手段１０２と、アクセス履歴情報及びアクセス間隔情報に係る属性モデルのパラメータを記憶した属性モデル記憶部１０３と、この各属性モデルの学習を行うモデル学習手段１０４とを備えている。

ここで、ユーザの属性とは、例えば、ユーザの年齢層，性別，住所や、ユーザが興味を持っている分野などである。また、コンテンツデータとは、例えば、ウェブページである。また、属性モデルとは、属性の種類毎に構築された確率モデルである。

属性推定手段１０２は、属性モデル記憶部１０３に記憶された各属性モデルのパラメータを用いて、入力したアクセス履歴情報及びアクセス間隔情報の各属性に対する尤度を算出し、この算出された各尤度に基づいて端末装置に係るユーザの属性を推定する手段である。ここで、尤度の最も高い属性をユーザの属性としてもよいが、これに限らず、予め設定された閾値以上の尤度を示す全ての属性をユーザの属性と推定するようにしてもよい。

図２は、本第１実施形態における属性推定手段１０２が入力する情報の一例を示す図である。図２に示すように、属性推定手段１０２が入力する情報は、所定の端末装置の識別情報（端末ＩＤ）と、この端末装置のアクセス履歴情報及びアクセス間隔情報とが対応付けられた情報である。端末装置の識別情報としては、端末装置のアドレス情報であればよい。

アクセス履歴情報は、所定の端末装置がアクセスしたコンテンツデータの識別情報が順に記録された情報である。アクセス間隔情報は、所定の端末装置がコンテンツデータの１つにアクセスしたときから次に他のコンテンツデータにアクセスしたときまでの時間間隔の大きさが順に記録された情報である。図２では、端末装置のアクセスの順番の向きを矢印で示しており、矢印の先がより新しい情報になっている。

図２に示す例では、コンテンツデータの識別情報として、コンテンツデータのアドレスを採用している。また、図２では、アクセス間隔情報における各時間間隔の大きさを、「ＨＩＧＨ」、middleを表す「ＭＩＤ」、「ＬＯＷ」の３段階で表しているが、図３のように、アクセス間隔情報の時間間隔の大きさは連続値で表してもよい。

このように、アクセス履歴情報と共にアクセス間隔情報を用いることで、適切にユーザの属性を推定することができる。例えば、スポーツに興味があるユーザＡとアニメに興味があるユーザＢとが存在し、ユーザＡが「スポーツ」に関するコンテンツを１００秒間閲覧した後に「アニメ」に関するコンテンツを１秒間閲覧して「ニュース」を閲覧し、ユーザＢが「スポーツ」に関するコンテンツを１秒間閲覧した後に「アニメ」に関するコンテンツを１００秒間閲覧して「ニュース」に関するコンテンツを閲覧したとする。

この場合、ユーザＡとユーザＢのアクセス履歴情報は、順に「スポーツ」、「アニメ」、「ニュース」と同一となるので、アクセス履歴情報のみを用いた推定処理では、ユーザＡとユーザＢは同じ属性であると判定してしまうが、ユーザＡのアクセス間隔情報が、順に「１００」、「１」となり、ユーザＢのアクセス間隔情報が、順に「１」、「１００」となるので、本実施形態では、ユーザＡは「スポーツ」に関するコンテンツを他のコンテンツに比べて長時間閲覧し、ユーザＢは「アニメ」に関するコンテンツを他のコンテンツに比べて長時間閲覧したことが判別可能となり、ユーザＡの属性を「スポーツ」、ユーザＢの属性を「アニメ」と推定することができる。

このように、本実施形態の属性推定手段１０２は、アクセス履歴情報が同じユーザでも、その属性を正確に区別することが可能である。

属性モデル記憶部１０３は、各属性モデルのパラメータを記憶している。図４は、属性モデル記憶部１０３に記憶されている情報の一例を示す図である。図４に示すように、属性モデル記憶部１０３には、属性名とその各属性の属性モデルのパラメータとが対応付けられて記憶されている。図４では、ユーザが興味を持っていると想定される分野を「属性」に設定した場合を示している。

ここで、属性モデルとは、ユーザの属性が同一の端末装置のアクセス履歴情報及びアクセス間隔情報の特徴をモデル化した統計モデルであり、属性の種類ごとに設定されている。属性モデルとしては、例えば、マルコフモデルを用いてもよい。マルコフモデルは、どのコンテンツを、どの順番で、どの時間間隔で、何回訪問したかをモデルとして表す。マルコフモデルは観測状態を持つモデルであり、本実施形態では、観測状態として、アクセス履歴情報とアクセス間隔情報の２つを表す。よって、観測状態が持つ情報は、２次元の情報となる。観測状態が遷移する様子は、あるコンテンツからあるアクセス間隔情報で、次のコンテンツに訪問する様子を表す。

また、属性モデルには、隠れマルコフモデルを用いてもよい。隠れマルコフモデルとは、どのコンテンツをどの順番で、どの時間間隔で、何回訪問したかをモデルとして表す。したがって、マルコフモデルに似たモデルである。しかし、マルコフモデルは観測状態だけでモデルを表現するが、隠れマルコフモデルは、観測状態に加えて、隠れ状態を用いる。観測状態は、マルコフモデルと同様で、アクセス履歴情報とコンテンツの時間間隔の２つを表す。隠れ状態とは、実際に観測できない状態で、観測状態の背後にある状態を表す。隠れマルコフモデルは、隠れ状態を定義することによって、マルコフモデルに比べてモデルの表現力が高い。さらに、モデルの学習にかかる計算コストを大幅に削減できる利点がある。
ここで、属性推定手段１０２が実行する、ユーザ属性推定処理のアルゴリズムの一例を説明する。
データ入出力部１０１を介して入力したシーケンスデータをＸとする。データＸの長さをＮとする。データＸの長さをＮとすると、Ｘ＝｛ｘ_１，…，ｘ_Ｎ｝であり、ｘ_１，…，ｘ_Ｎはそれぞれ、アクセスしたページとアクセス間隔の情報とからなる、２次元データである。属性モデルとして隠れマルコフモデル（ＨＭＭ）を用いた場合、「数１」式に従って、データＸの尤度Ｐ（Ｘ）を算出する。

Ｋはデータ列ＸのＨＭＭの混合数であり、ＨＭＭを混合しない場合は、Ｋ＝１となる。
また、ｉ（１），ｉ（２），・・・，ｉ（Ｎ）∈｛１，・・・，Ｉ｝であり、Ｉは、ＨＭＭの隠れ状態数を表わす。隠れ変数Ｓ＝｛ｓ_１，…，ｓ_Ｉ｝とすると、Ｓ_{１，・・・，}Ｓ_Ｎは、Ｓに値をとる確率変数である。
θ_Ｋは、コンポーネントｋに関するパラメータであり、θ_Ｋ＝｛π_ｋ，Γ_ｋ，Α_ｋ，Β_ｋ｝である。このコンポーネントとは、モデルの混合番号を表す。コンポーネントｋ番目は、混合番号ｋ番目のことである。
π_ｋは、コンポーネントｋ番目の混合確率である。
Γ_ｋは、コンポーネントｋ番目の隠れ変数Ｓの初期確率のパラメータである。
Α_ｋは、コンポーネントｋ番目の隠れ変数Ｓの遷移確率のパラメータである。
Β_ｋは、コンポーネントｋ番目のシンボルｘ_ｋの遷移確率のパラメータである。
Ｐ（Ｘ｜θ_Ｋ）は、コンポーネントｋ番目のモデルを表わす。
尤度は、入力データに係るユーザの属性クラスに対するスコアに相当する。属性クラスとは、属性の種類を表わす。入力データの属性クラスｉに対するスコアをＰ（Ｘ｜クラスｉ）とする。そして、例えば、属性クラスがＩ種類ある場合、ユーザに係るシーケンスデータＸに対する属性クラスｊのスコアScore（クラスｊ）は、［数２］式にしたがって計算する。

ここで、非特許文献１の技術では、［数３］式にしたがって、ユーザが属性クラスｊに属するスコアを計算していた。

本実施形態では、［数２］式のように、ユーザが属性クラスｊに属するスコアを、他のクラスに属する場合とのスコアの差が最も大きいスコアとする。ユーザが属性クラスｊに属しやすく、他のクラスには属しにくい場合には、クラスｊのスコアが高くなるスコアである。
さらに、［数４］式にしたがって、［数２］式が最大の属性クラスをユーザの属性推定結果とする。このようにして、複数の候補の中からユーザの属性を推定する。

モデル学習手段１０４は、各属性モデルを学習し、学習後の属性モデルのパラメータを属性記憶部１０４に書き込む手段である。具体的に、モデル学習手段１０４は、予めユーザの属性を示す情報が付加されたアクセス履歴情報及びアクセス間隔情報を入力し、入力した情報に示されたユーザの属性に対応した属性モデルのパラメータを属性記憶部１０４から読み出し、入力したアクセス履歴情報とコンテンツ時間間隔とを用いて、属性モデルを学習する。入力したユーザの属性に対応した属性モデルを一度も学習していない場合は、初期値のパラメータを属性記憶部１０４から読み出すことになる。

ここで、本実施形態における属性推定手段１０２，モデル学習手段１０４については、その機能内容をプログラム化してコンピュータに実行させるように構成してもよい。

このように、本実施形態のユーザ属性推定装置１０によれば、端末装置が過去にどのコンテンツにアクセスしたかというアクセス履歴情報に加えて、コンテンツから次に他のコンテンツにアクセスするまでの時間間隔を示すアクセス間隔情報を用いて、この端末装置のユーザの属性を推定することで、アクセス履歴情報のみでは判別できなかったユーザの属性を正確に推定することができる。

次に、本第１実施形態のユーザ属性推定装置１０の動作について説明する。

図５は、本第１実施形態のユーザ属性推定装置１０の属性モデル学習処理動作を示すフローチャートである。図５に示すように、ユーザ属性推定装置１０の属性モデル学習処理動作は、まず、モデル学習手段１０４が、予めユーザの属性が特定されている端末装置のアクセス履歴情報とアクセス間隔情報をデータ入出力部１０１を介して入力する（図５のステップＳ１）。

図６は、モデル学習手段１０４が入力する情報の一例である。図６に示すように、モデル学習手段１０４が入力する情報は、属性名にアクセス履歴情報及びアクセス間隔情報が対応付けられた情報である。図６において、アクセス履歴情報に示す矢印（→）は、あるコンテンツから次のコンテンツへの遷移を表し、アクセス間隔情報に示す矢印（→）は、あるコンテンツにアクセスしてから次のコンテンツにアクセスするまでの時間間隔の遷移を表している。

続いて、モデル学習手段１０４が、入力情報に示された属性に対応する属性モデルのパラメータを属性モデル記憶部１０３から読み出す（図５のステップＳ２）。このとき、モデル学習手段１０４は、入力情報に示された属性に対応する属性モデルを一度も学習していない場合には、初期値のパラメータを属性モデル記憶部１０３から読み出す。

続いて、モデル学習手段１０４が、入力したアクセス履歴情報及びアクセス間隔情報と、属性モデル記憶部１０３から読み出したパラメータとを用いて、属性モデルを学習する（図５のステップＳ３）。そして、この学習後の属性モデルのパラメータを属性モデル記憶部１０３に書き込む（図５のステップＳ４）。

次に、本第１実施形態のユーザ属性推定装置１０のユーザ属性推定処理動作について説明する。ここで、以下の動作説明は、本発明のユーザ属性推定方法の実施形態となる。

図７は、本第１実施形態のユーザ属性推定装置１０のユーザ属性推定処理動作を示すフローチャートである。図７に示すように、ユーザ属性推定装置１０のユーザ属性推定処理動作は、まず、属性推定手段１０２が、所定の端末装置のアクセス履歴情報とアクセス間隔情報とをデータ入出力部１０１から入力する（図７のステップＳ５）。続いて、属性推定手段１０２が、属性モデル記憶部１０３から全ての属性モデルのパラメータを読み出す（図７のステップＳ６）。

そして、属性推定手段１０２が、読み出した各属性モデルのパラメータを用いて、入力したアクセス履歴情報及びアクセス間隔情報の各属性に対する尤度を算出する（図７のステップＳ７）。尤度とは、モデルと入力データとの近さを表す値であり、尤度が高ければ、そのモデルと入力データとが近いことになる。

図８は、各属性に対して算出された尤度の一例を示す図である。図８の例では、「スポーツ」、「アニメ」、「ニュース」、・・・、「旅行」を予め設定された属性とし、属性推定手段１０２が入力したアクセス履歴情報及びアクセス間隔情報の尤度が、それぞれ「スポーツ」で0.9、「アニメ」で0.3、「ニュース」で0.7、「旅行」で0.1と算出されたことを表している。

続いて、属性推定手段１０２が、各属性に対する尤度から、入力情報に係る端末装置のユーザの属性を推定する（図７のステップＳ８）。このとき、各尤度の中から最も高い尤度の属性をユーザの属性に推定してもよい。この場合、図８の例においては、「スポーツ」の尤度が最も高いので、推定結果は「スポーツ」となる。また、これに限らず、尤度に閾値を設けて、閾値以上の尤度を示す全ての属性をユーザの属性としてもよい。この場合、図８の例においては、閾値を0.6に設定すれば、推定結果は「スポーツ」及び「ニュース」となる。

そして、属性推定手段１０２が、推定結果であるユーザの属性を示す情報をデータ入出力部１０１を介して出力する（図７のステップＳ９）。

以上のように、本第１実施形態のユーザ属性推定装置１０によれば、端末装置が過去にどのコンテンツを訪問したかを示すアクセス履歴情報に加えて、この端末装置が１つのコンテンツにアクセスしてから次に他のコンテンツにアクセスするまでの時間間隔を示すアクセス間隔情報を用いて、この端末装置のユーザに対して属性種類毎にスコアを算出し、スコアを基準にユーザの属性を推定するので、アクセス履歴情報だけでは属性を区別して推定できなかったユーザの属性を正確に推定することができる。

また、アクセス間隔情報は、観測して得られる情報なので、本実施形態では、アンケートのようにユーザに対して情報の提供を強いる必要は無く、ウェブサーバにアクセスした端末装置のユーザ全てに対してその属性を適切に推定することができる。さらに、アクセス間隔情報は、アンケートのように信頼性が無くなる可能性が無いので、本実施形態では、ユーザの属性を有効に推定することができる。

ユーザ属性推定装置１０でユーザの属性を高精度に推定すれば、コンテンツ情報や広告情報を配信する場合に、配信コンテンツに興味のあるユーザや、広告情報を配信することで広告効果があるユーザを適切に判別することができると共に、ユーザが興味のあるコンテンツや広告を選ぶこともできる。

［第２の実施形態］
次に、本発明にかかる第２の実施形態について説明する。

図９は、本第２実施形態におけるコンテンツ配信システム１の構成を示す機能ブロック図である。図９においては、前述した第１実施形態と同じ構成要素には図１と同一の符号を付している。

図９に示すように、本実施形態のコンテンツ配信システム１は、ネットワーク３０を介して端末装置４０と通信し端末装置４０からのリクエストに応じてコンテンツデータを端末装置４０へ送信するウェブサーバ２０と、ウェブサーバ２０にアクセスした端末装置４０のユーザの属性を推定するユーザ属性推定装置１０とを有して構成されている。このユーザ属性推定装置１０は、前述した第１実施形態のユーザ属性推定装置１０と同一の構成である。

本第２実施形態におけるウェブサーバ２０は、ネットワーク３０と接続するネットワーク接続部２０１と、複数のコンテンツデータを記憶したコンテンツ記憶部２０２と、ネットワーク３０を介して端末装置４０から特定のコンテンツデータへのアクセスを要求するリクエストを受け付けるリクエスト受付手段２０３と、この受け付けたリクエストに対応したコンテンツデータをコンテンツ記憶部２０２から読み出して当該リクエストの発信元の端末装置４０へ送信するコンテンツ配信手段２０４と、リクエスト受付手段２０３が受け付けたリクエストの内容とその受信日時とを記録したアクセスログを記憶するアクセスログ情報記憶部２０６とを備えている。

ウェブサーバ２０は、更に、リクエスト受付手段２０３が受け付けたリクエストの受信時刻とこのリクエストの発信元である端末装置の前回のリクエストの受信時刻との間の時間間隔を計測しこの計測結果をアクセスログに対応付けてアクセスログ情報記憶部２０６に記憶させるアクセス間隔計測手段２０５と、リクエスト受付手段２０３がリクエストを受付けた場合にこのリクエストの発信元の端末装置４０のコンテンツ履歴情報及びアクセス間隔情報をアクセスログ情報記憶部２０６から読み出してユーザ属性推定装置１０へ送信する履歴情報読出手段２０７と、ユーザ属性推定装置１０に対してデータの入出力を行うデータ入出力部２０８とを備えている。

更に、ウェブサーバ２０は、ユーザの属性毎に複数の広告情報を記憶した広告情報記憶部２０９と、ユーザ属性推定装置１０によって推定されたユーザの属性に対応した広告情報を広告情報記憶部２０９から選出する広告選出手段２１０とを備えており、コンテンツ配信手段２０４は、リクエスト受付手段２０３が受け付けたリクエストに応じてコンテンツ記憶部２０２から読み出したコンテンツデータに広告選出手段２１０に選出された広告情報を付加してリクエストの発信元の端末装置４０へ送信する手段である。

ネットワーク接続部２０１は、ネットワーク３０と接続し端末装置４０と通信を行う機能を備えている。ここで、ネットワーク３０は、例えば、インターネット，ローカルエリアネットワークなどである。

コンテンツ記憶部２０２は、複数のコンテンツデータを記憶している。ここで、例えば、コンテンツデータはウェブページであり、コンテンツ記憶部２０２に記憶された複数のウェブページが１つのウェブサイトを構成していてもよい。

リクエスト受付手段２０３は、端末装置４０からネットワーク３０を介して送られてくるリクエストを受け付ける手段であり、このリクエストには、発信元の端末装置４０のアドレス情報と要求対象のコンテンツデータの識別情報とが含まれている。ここで、コンテンツデータがウェブページであれば、リクエストには、要求対象のコンテンツデータの識別情報として、ウェブページのアドレス情報が含まれている。

また、リクエスト受付手段２０３は、受け付けたリクエストをコンテンツ配信手段２０４と履歴情報読出手段２０７へ送り、受け付けたリクエストとその受付時刻とをアクセス間隔計測手段２０５へ送る。

アクセス間隔計測手段２０５は、リクエスト受付手段２０３が所定の端末装置４０からリクエストを受け付けたときから次に他のコンテンツデータへのアクセスを要求するリクエストを同じ端末装置４０から受けたときまでの時間間隔を計測する手段である。具体的には、端末装置４０からのリクエストを受けたリクエスト受付手段２０３からそのリクエストを受信時刻と共に入力すると、この入力したリクエストに含まれた発信元のアドレスを基に対応する端末装置４０のアクセスログをアクセスログ情報記憶部２０６から読み出し、そのアクセスログに記録された前回のリクエスト受付時刻と入力した今回の受付時刻との差を計測してその計測値をアクセスログ情報記憶部２０６に書き込むと共に、入力したリクエストに従ってアクセスログを更新する。

ここで、アクセス間隔計測手段２０５は、計測結果を連続値でアクセスログ情報記憶部２０６に記憶させてもよいが、これに限らず、時間間隔の大きさを、予め設定した基準値を境界として、段階的に表してアクセスログ情報記憶部２０６に記憶させてもよい。例えば、２つ基準値を設定し、時間間隔の大きさを３段階の「ＨＩＧＨ」と、middleを表す「ＭＩＤ」と、「ＬＯＷ」とで表してアクセスログ情報記憶部２０６に記憶させるようにしてもよい。

アクセスログ情報記憶部２０６は、リクエスト受付手段２０３が端末装置４０から受けたリクエストの履歴を示すアクセスログにアクセス間隔計測手段２０５が計側したリクエスト受付間隔を対応付けて記憶している。

アクセスログには、リクエストの発信元の識別情報と、このリクエストの受付時刻と、要求対象のコンテンツデータの識別情報とが対応付けて記録されている。ここで、例えば、端末装置４０の識別情報は、端末装置４０のアドレス情報であればよく、コンテンツデータの識別情報は、コンテンツデータのファイル名や、コンテンツデータに割り当てられたアドレスであればよい。

履歴情報読出手段２０７は、リクエスト受付手段１０８がリクエストを受け付けると、そのリクエストを入力し、入力したリクエストに示されたリクエスト発信元の識別情報を基に、対応する端末装置４０のアクセス履歴情報及びアクセス間隔情報をアクセスログ情報記憶部２０６から読み出して、データ入出力部２０８を介してユーザ属性推定装置２０へ送出する手段である。前述した第１実施形態の説明と同様に、アクセス履歴情報とは、端末装置４０がアクセスしたコンテンツデータの識別情報の一覧であり、アクセス履歴情報とは、アクセス履歴情報に示されたアクセス間の時間間隔を示す情報である。

広告情報記憶部２０９は、予め設定された複数の属性ごとに関連する広告情報を記憶している。ここで、広告情報は、例えば、広告画像やコンテンツへのリンク情報などである。

広告選出手段２１０は、履歴情報読出手段２０７が送ったアクセス履歴情報及びアクセス間隔情報に対してユーザ属性推定装置１０から返信されてくるユーザの属性を示す情報を入力し、このユーザの属性に対応する広告情報を広告情報記憶部２０９から選出して、コンテンツ配信手段２０４へ送出する手段である。

例えば、入力したユーザの属性が「スポーツ」であった場合、「スポーツ」に関する内容の広告情報を広告情報記憶部２０９から読み出してコンテンツ配信手段２０４へ送出する。これにより、端末装置４０のユーザの属性に合致した広告情報を選ぶことができる。

コンテンツ配信手段２０４は、リクエストに含まれていたコンテンツデータの識別情報に対応したコンテンツデータをコンテンツ記憶部２０２から読み出し、この読み出したコンテンツデータに対し広告選出手段２１０からの広告情報を付加して、リクエストの発信元の端末装置４０へ送信する手段である。

次に、本実施形態のユーザ属性推定装置１０は、ウェブサーバ２０に対してデータの入出力を行うデータ入出力部１０１と、端末装置がアクセスしたコンテンツデータの識別情報を示すアクセス履歴情報とこの端末装置４０のコンテンツデータへの各アクセス時刻間の時間間隔を示すアクセス間隔情報とをデータ入出力部１０１を介してウェブサーバ２０側から入力しこの入力したアクセス履歴情報及びアクセス間隔情報に基づいてこの端末装置４０のユーザ属性が予め定められた複数種類の属性のいずれであるかを推定する属性推定手段１０２と、予め定められた各属性ごとのアクセス履歴情報及びアクセス間隔情報に対する確率モデルである属性モデルのパラメータを記憶した属性モデル記憶部１０３と、属性モデルの学習を行うモデル学習手段１０４とを備えている。

ここで、本第２実施形態のウェブサーバ２０におけるリクエスト受付手段２０３，コンテンツ配信手段２０４，アクセス間隔計測手段２０５，履歴情報読出手段２０７，広告選出手段２１０については、その機能内容をプログラム化してコンピュータに実行させるように構成してもよく、また、ユーザ属性装置２０における属性推定手段１０２，モデル学習手段１０４についても、その機能内容をプログラム化してコンピュータに実行させるように構成してもよい。

このように、本第２実施形態のコンテンツ配信システム１によれば、リクエストされたコンテンツデータに、リクエスト元の端末装置４０のユーザが興味を持っている内容の広告情報を付加して配信することができる。

次に、本第２実施形態のコンテンツ配信システム１の動作について説明する。

図１０は、本第２実施形態のコンテンツ配信システム１の属性モデル学習処理動作を示すシーケンス図である。図１０に示すように、コンテンツ配信システム１の属性モデル学習処理動作は、まず、リクエスト受付手段２０３が、予めユーザの属性が特定されている端末装置４０から学習指令をネットワーク接続部２０１を介して受け付けて（図１０のステップＳ１０）、この指令を履歴情報読出手段２０７へ送る。この学習指令には、発信元の端末装置４０の識別情報と、その端末装置４０のユーザの属性を示す情報とが含まれている。

続いて、リクエスト受付手段２０３から学習指令を受け取った履歴情報読出手段２０７が、アクセスログ情報記憶部２０６から、学習指令に基づく端末装置４０のアクセス履歴情報とアクセス間隔情報とを読み出し（図１０のステップＳ１１）、学習指令に示されていたユーザの属性情報と共に、データ入出力部２０８を介してユーザ属性推定装置１０へ出力する（図１０のステップＳ１２）。

そして、ユーザ属性推定装置１０のモデル学習手段１０４が、ウェブサーバ２０からユーザの属性を示す情報が付加されたアクセス履歴情報とアクセス間隔情報を入力し、この入力された情報に示されたユーザの属性に対応する属性モデルのパラメータを属性モデル記憶部１０３から読み出す（図１０のステップＳ１３）。このとき、入力された情報に示されたユーザの属性に対応する属性モデルを一度も学習していない場合は、初期値のパラメータを属性モデル記憶部１０３から読み出す。

続いて、属性モデル学習手段１０４が、入力した情報に含まれたアクセス履歴情報とアクセス間隔情報と、読み出したパラメータとを用いて、属性モデルを学習する（図１０のステップＳ１４）。そして、属性モデル学習手段１０４は、学習したモデルのパラメータを属性モデル記憶部１０３に書き込む（図１０のステップＳ１５）。

次に、本第２実施形態のコンテンツ配信システム１のコンテンツ配信動作について説明する。ここで、以下の動作説明は、本発明のコンテンツ配信方法の実施形態となる。

図１１は、本第２実施形態のコンテンツ配信システム１のコンテンツ配信動作を示すシーケンス図である。コンテンツ配信システム１のコンテンツ配信動作は、まず、リクエスト受付手段２０３が、端末装置４０からリクエストを受け付けると（図１１のステップＳ１６）、この受け付けたリクエストの発信元の端末装置４０が以前にアクセスしたコンテンツデータの識別情報の一覧であるアクセス履歴情報と当該発信元の端末装置４０が各コンテンツデータにアクセスした時刻間の時間間隔の一覧であるアクセス間隔情報とを履歴情報読出手段２０７がアクセスログ情報記憶部２０６から読み出して（図１１のステップＳ１７）、ユーザ属性推定装置１０へ送信する（図１１のステップＳ１８）。

続いて、ユーザ属性推定装置１０の属性推定手段１０２が、コンテンツ履歴情報及びアクセス間隔情報を入力し、全属性モデルのパラメータを属性モデル記憶部１０３から読み出し（図１１のステップＳ１９）、読み出した各属性モデルのパラメータを用いて、入力したアクセス履歴情報及びアクセス間隔情報の各属性に対する尤度を算出し（図１１のステップＳ２０）、各属性に対する尤度からリクエストの発信元である端末装置４０のユーザの属性を推定し（図１１のステップ２１）、推定結果をウェブサーバ２０へ送信する（図１１のステップＳ２２）。

この推定された属性に対応する広告情報を広告情報記憶部２０９から広告選出手段２１０が選出し（図１１のステップＳ２３）、コンテンツ配信手段が、リクエストに指定されたコンテンツデータをコンテンツ記憶部２０２から読み出して（図１１のステップＳ２４）、そのコンテンツデータに広告選出手段２１０が選出した広告情報を付加して当該リクエストの発信元へ送信する（図１１のステップＳ２５）。図１２は、広告情報を付加したコンテンツデータのイメージを示す図である。図１２では、コンテンツデータとしてのウェブページ５１に広告情報５２が付加されている。

このように、本第２実施形態のコンテンツ配信システム１によれば、アクセス履歴情報とアクセス間隔情報から、ユーザの属性を適切に推定し、ユーザの属性に対応した広告情報をユーザがリクエストしたコンテンツに付与して、ユーザの端末装置４０に配信することができる。よって、高い宣伝効果を期待できる。

１ コンテンツ配信システム
１０ ユーザ属性推定装置
２０ ウェブサーバ
３０ ネットワーク
４０ 端末装置
１０１ データ入出力部
１０２ 属性推定手段
１０３ 属性モデル記憶部
１０４ モデル学習手段
２０１ ネットワーク接続部
２０２ コンテンツ記憶部
２０３ リクエスト受付手段
２０４ コンテンツ配信手段
２０５ アクセス間隔計測手段
２０６ アクセスログ情報記憶部
２０７ 履歴情報読出手段
２０８ データ入出力部
２０９ 広告情報記憶部
２１０ 広告選出手段

Claims (12)

1. 複数のコンテンツデータを備えたウェブサーバに対する端末装置からのアクセスに関するアクセス情報に基づいて前記端末装置に係るユーザの属性を推定する属性推定手段を備えたユーザ属性推定装置であって、
   前記アクセス情報は、前記端末装置がアクセスしたコンテンツデータの識別情報の一覧であるアクセス履歴情報とこの各アクセス間の時間間隔の大きさを示すアクセス間隔情報とを含む情報であることを特徴とするユーザ属性推定装置。
2. 前記請求項１に記載のユーザ属性推定装置において、
   前記アクセス履歴情報及び前記アクセス間隔情報に係る属性モデルのパラメータを記憶した属性モデル記憶部を前記属性推定手段に併設し、
   前記属性モデルが、前記属性の種類毎に予め構築されたものであることを特徴とするユーザ属性推定装置。
3. 前記請求項２に記載のユーザ属性推定装置において、
   前記属性推定手段は、前記アクセス履歴情報及び前記アクセス間隔情報の前記各属性種類に対する尤度を前記各属性モデルのパラメータを用いて算出する機能と、この算出された各尤度に基づいて当該端末装置に係るユーザの属性を推定する機能とを備えたことを特徴とするユーザ属性推定装置。
4. 複数のコンテンツデータを記憶したコンテンツ記憶部と、端末装置から送られてくるリクエストに対応したコンテンツデータを前記コンテンツ記憶部から読み出して当該端末装置へ送信するコンテンツ配信手段と、前記端末装置からのリクエストの内容とその受信日時とを記録したアクセスログを記憶するアクセスログ情報記憶部と、を備えたコンテンツ配信システムであって、
   前記端末装置からリクエストを受けた時刻と当該端末装置から前回のリクエストを受けた時刻との間の時間間隔を計測しこの計測結果を前記アクセスログに対応付けて前記アクセスログ情報記憶部に記憶させるアクセス間隔計測手段と、
   前記端末装置からリクエストが送られてきた際に、当該端末装置が以前にアクセスしたコンテンツデータの識別情報の一覧であるアクセス履歴情報とこの各アクセス間の時間間隔の大きさを示すアクセス間隔情報とを前記アクセスログ情報記憶部から読み出す履歴情報読出手段と、
   この読み出されたアクセス履歴情報及びアクセス間隔情報に基づいて前記端末装置に係るユーザの属性を推定する属性推定手段と、
   前記属性の種類別に複数の広告情報を記憶した広告情報記憶部と共に、
   前記属性推定手段によって推定された前記ユーザの属性に対応する広告情報を前記広告情報記憶部から選出する広告選出手段を備え、
   この広告選出手段に選出された前記広告情報を、前記コンテンツ配信手段が前記リクエストに対応するコンテンツデータに付加して送信することを特徴とするコンテンツ配信システム。
5. 前記請求項４に記載のコンテンツ配信システムにおいて、
   前記アクセス履歴情報及び前記アクセス間隔情報に係る属性モデルのパラメータを記憶した属性モデル記憶部を前記属性推定手段に併設して備え、前記属性モデルが前記属性の種類毎に構築されたものであることを特徴とするコンテンツ配信システム。
6. 前記請求項５に記載のコンテンツ配信システムにおいて、
   前記属性推定手段は、前記アクセス履歴情報及び前記アクセス間隔情報の前記各属性種類に対する尤度を前記各属性モデルのパラメータを用いて算出する機能と、この算出された各尤度に基づいて当該端末装置に係るユーザの属性を推定する機能とを備えたことを特徴とするコンテンツ配信システム。
7. 複数のコンテンツデータを保持したウェブサーバに対する端末装置のアクセスに関するアクセス情報に基づいて当該端末装置に係るユーザの属性を推定するユーザ属性推定方法において、
   前記端末装置がアクセスしたコンテンツデータの識別情報の一覧であるアクセス履歴情報とこの各アクセス間の時間間隔の大きさを示すアクセス間隔情報とを属性推定手段に入力し、
   この入力した前記アクセス履歴情報及び前記アクセス間隔情報に基づいて前記属性推定手段が前記端末装置に係るユーザの属性を推定し、
   この推定結果を前記属性推定手段が出力することを特徴とするユーザ属性推定方法。
8. 前記請求項７に記載のユーザ属性推定方法において、
   前記属性推定手段が前記ユーザの属性を推定するに際しては、
   前記アクセス履歴情報及び前記アクセス間隔情報に係る属性モデルのパラメータを用いて、前記入力したアクセス履歴情報及びアクセス間隔情報の前記各属性種類に対する尤度を算出し、
   この算出された各尤度に基づいて前記端末装置のユーザの属性を推定することを特徴とするユーザ属性推定方法。
9. 複数のコンテンツデータを記憶したコンテンツ記憶部と、端末装置から送られてくるリクエストに対応したコンテンツデータを前記コンテンツ記憶部から読み出して当該端末装置へ送信するコンテンツ配信手段と、前記端末装置からのリクエストの内容とその受信日時とを記録したアクセスログを記憶するアクセスログ情報記憶部と、前記端末装置からリクエストを受けた時刻と当該端末装置から前回のリクエストを受けた時刻との間の時間間隔を計測しこの計測結果を前記アクセスログに対応付けて前記アクセスログ情報記憶部に記憶させるアクセス間隔計測手段とを備えたコンテンツ配信システムにあって、
   前記端末装置からリクエストが送られてきた際に、当該端末装置がアクセスしたコンテンツデータの識別情報の一覧であるアクセス履歴情報とこの各アクセス間の時間間隔の大きさを示すアクセス間隔情報とを予め装備された履歴情報読出手段が前記アクセスログ情報記憶部から読み出し、
   この読み出されたアクセス履歴情報及びアクセス間隔情報に基づいて属性推定手段が前記端末装置に係るユーザの属性を推定し、
   この推定された属性に対応する広告情報を予め装備された広告選出手段が広告情報記憶部から選出し、
   この広告選出手段によって選出された前記広告情報を、前記コンテンツ配信手段が前記リクエストに対応したコンテンツデータに付加して前記端末装置へ送信することを特徴とするコンテンツ配信方法。
10. 前記請求項９に記載のコンテンツ配信方法において、
    前記属性推定手段が前記ユーザの属性を推定するに際しては、
    前記アクセス履歴情報及び前記アクセス間隔情報に係る属性モデルのパラメータを用いて、前記読み出されたアクセス履歴情報及びアクセス間隔情報の前記各属性種類に対する尤度を算出し、この算出された各尤度に基づいて前記端末装置に係るユーザの属性を推定することを特徴とするコンテンツ配信方法。
11. 端末装置がアクセスしたコンテンツデータの識別情報の一覧であるアクセス履歴情報とこの各アクセス間の時間間隔の大きさを示すアクセス間隔情報とに基づいて当該端末装置のユーザの属性を推定するユーザ属性推定機能をコンピュータに実行させることを特徴とするユーザ属性推定用プログラム。
12. 前記請求項１１に記載のユーザ属性推定用プログラムにおいて、
    前記属性推定機能は、前記アクセス履歴情報及び前記アクセス間隔情報に係る属性モデルのパラメータを用いて、前記アクセス履歴情報及び前記アクセス間隔情報の前記各属性種類に対する尤度を算出し、この算出された各尤度に基づいて前記端末装置に係るユーザの属性を推定する機能であることを特徴とするユーザ属性推定用プログラム。

Images