JP2014160345A - 閲覧行動予測装置、閲覧行動学習装置、閲覧行動予測方法、閲覧行動学習方法及びプログラム - Google Patents

Abstract

【課題】過去の閲覧履歴に基づき、ユーザの閲覧行動を学習又は予測することを目的とする。
【解決手段】ユーザの閲覧行動を学習する閲覧行動学習装置は、複数のユーザの閲覧ページのアクセス情報を取得するアクセス情報取得部と、前記アクセス情報取得部で取得されたアクセス情報において閲覧行動に対応する閲覧ページのページ機能を抽出し、前記抽出されたページ機能をユーザ別に時系列に並び替えた閲覧行動の順序付き集合を生成するページ機能抽出部と、前記ページ機能抽出部で生成された閲覧行動の順序付き集合を用いて、複数のユーザの閲覧ページのページ機能に基づく複数の内部状態を求め、前記求められた複数の内部状態のそれぞれにおいてユーザが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求める内部状態予測学習部とを有する。
【選択図】図１

Description

本発明は、閲覧行動予測装置、閲覧行動学習装置、閲覧行動予測方法、閲覧行動学習方法及びプログラムに関する。

Ｅコマース（ＥＣ：E-commerce）サイトにおいて、ユーザの購入行動を予測することが検討されている。例えば、ユーザのＥＣサイトにおける閲覧行動を一定区間で区切ったセッションに対して特徴量を付与し、あるセッションにおいてユーザが商品を購入するか否かを予測することが検討されている（非特許文献１及び２参照）。

D. V. D. Poel and W. Buckinx. Predicting online- purchasing behaviour. European Journal of Operational Research, 166:557-575, 2005. Q. Guo and E. Agichtein. Ready to buy or just browsing?: detecting web searcher goals from interaction data. In Proceedings of the 33rd international ACM SIGIR conference on Research and development in information retrieval, SIGIR '10, pages 130-137, New York, NY, USA, 2010. ACM.

上記の非特許文献１及び２の技術は、ユーザの購入意欲の有無を予測する技術である。しかし、これらの技術は、セッション単位において購入意欲の有無を予測するものであり、各閲覧行動時における購入意欲を予測することはできない。また、これらの技術では、ユーザの購入に対する状態は買う気があるかないかの２つの状態しか導入されておらず、その状態を予測するためには、ユーザにアンケート調査を行わなければならない。

本発明は、過去の閲覧履歴に基づき、ユーザの閲覧行動を学習又は予測することを目的とする。

本発明の一形態に係る閲覧行動予測装置は、
所定のユーザの閲覧行動を予測する閲覧行動予測装置であって、
複数のユーザの閲覧ページのアクセス情報を取得するアクセス情報取得部と、
前記アクセス情報取得部で取得されたアクセス情報において閲覧行動に対応する閲覧ページのページ機能を抽出し、前記抽出されたページ機能をユーザ別に時系列に並び替えた閲覧行動の順序付き集合を生成するページ機能抽出部と、
前記ページ機能抽出部で生成された閲覧行動の順序付き集合を用いて、階層型隠れマルコフモデルにより、複数のユーザの閲覧ページのページ機能に基づく複数の内部状態を求め、前記求められた複数の内部状態のそれぞれにおいてユーザが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求める内部状態予測学習部と、
閲覧行動を予測する対象となる前記所定のユーザに関して前記ページ機能抽出部で生成された閲覧行動の順序付き集合と、前記内部状態予測学習部で求められたページ機能の出力確率及び内部状態間の遷移確率とに基づいて、前記所定のユーザが次に取り得る内部状態を予測し、更に、次に取り得るページ機能を、前記所定のユーザの閲覧行動として予測する内部状態予測部と、
を有する。

本発明の一形態に係る閲覧行動学習装置は、
ユーザの閲覧行動を学習する閲覧行動学習装置であって、
複数のユーザの閲覧ページのアクセス情報を取得するアクセス情報取得部と、
前記アクセス情報取得部で取得されたアクセス情報において閲覧行動に対応する閲覧ページのページ機能を抽出し、前記抽出されたページ機能をユーザ別に時系列に並び替えた閲覧行動の順序付き集合を生成するページ機能抽出部と、
前記ページ機能抽出部で生成された閲覧行動の順序付き集合を用いて、階層型隠れマルコフモデルにより、複数のユーザの閲覧ページのページ機能に基づく複数の内部状態を求め、前記求められた複数の内部状態のそれぞれにおいてユーザが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求める内部状態予測学習部と、
を有する。

本発明の一形態に係る閲覧行動予測装置は、
所定のユーザの閲覧行動を予測する閲覧行動予測装置であって、
前記所定のユーザの閲覧ページのアクセス情報を取得するアクセス情報取得部と、
前記アクセス情報取得部で取得されたアクセス情報において閲覧行動に対応する閲覧ページのページ機能を抽出し、前記抽出されたページ機能を時系列に並び替えた閲覧行動の順序付き集合を生成するページ機能抽出部と、
階層型隠れマルコフモデルにより求められた、複数のユーザの閲覧ページのページ機能に基づく複数の内部状態のそれぞれにおいてユーザが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、閲覧行動を予測する対象となる前記所定のユーザに関して前記ページ機能抽出部で生成された閲覧行動の順序付き集合とに基づいて、前記所定のユーザが次に取り得る内部状態を予測し、更に、次に取り得るページ機能の確率を、前記所定のユーザの閲覧行動として予測する内部状態予測部と、
を有する。

本発明の一形態に係る閲覧行動予測装置は、
所定のユーザの閲覧行動を予測する閲覧行動予測装置であって、
複数のユーザの閲覧ページのアクセス情報を取得するアクセス情報取得部と、
前記アクセス情報取得部で取得されたアクセス情報において閲覧行動に対応する閲覧ページのページ機能を抽出し、前記抽出されたページ機能をユーザ別に時系列に並び替えた閲覧行動の順序付き集合を生成するページ機能抽出部と、
前記ページ機能抽出部で生成された閲覧行動の順序付き集合を用いて、複数のユーザの閲覧ページのページ機能に基づく複数の内部状態を求め、前記求められた複数の内部状態のそれぞれにおいてユーザが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求める内部状態予測学習部と、
閲覧行動を予測する対象となる前記所定のユーザに関して前記ページ機能抽出部で生成された閲覧行動の順序付き集合と、前記内部状態予測学習部で求められたページ機能の出力確率及び内部状態間の遷移確率とに基づいて、前記所定のユーザが次に取り得る内部状態を予測し、更に、次に取り得るページ機能を、前記所定のユーザの閲覧行動として予測する内部状態予測部と、
を有する。

本発明の一形態に係る閲覧行動学習装置は、
ユーザの閲覧行動を学習する閲覧行動学習装置であって、
複数のユーザの閲覧ページのアクセス情報を取得するアクセス情報取得部と、
前記アクセス情報取得部で取得されたアクセス情報において閲覧行動に対応する閲覧ページのページ機能を抽出し、前記抽出されたページ機能をユーザ別に時系列に並び替えた閲覧行動の順序付き集合を生成するページ機能抽出部と、
前記ページ機能抽出部で生成された閲覧行動の順序付き集合を用いて、複数のユーザの閲覧ページのページ機能に基づく複数の内部状態を求め、前記求められた複数の内部状態のそれぞれにおいてユーザが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求める内部状態予測学習部と、
を有する。

本発明の一形態に係る閲覧行動予測装置は、
所定のユーザの閲覧行動を予測する閲覧行動予測装置であって、
前記所定のユーザの閲覧ページのアクセス情報を取得するアクセス情報取得部と、
前記アクセス情報取得部で取得されたアクセス情報において閲覧行動に対応する閲覧ページのページ機能を抽出し、前記抽出されたページ機能を時系列に並び替えた閲覧行動の順序付き集合を生成するページ機能抽出部と、
複数のユーザの閲覧ページのページ機能に基づく複数の内部状態のそれぞれにおいてユーザが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、閲覧行動を予測する対象となる前記所定のユーザに関して前記ページ機能抽出部で生成された閲覧行動の順序付き集合とに基づいて、前記所定のユーザが次に取り得る内部状態を予測し、更に、次に取り得るページ機能の確率を、前記所定のユーザの閲覧行動として予測する内部状態予測部と、
を有する。

本発明の一形態に係る閲覧行動予測方法は、
所定のユーザの閲覧行動を予測する閲覧行動予測装置における閲覧行動予測方法であって、
前記閲覧行動予測装置のアクセス情報取得部が、複数のユーザの閲覧ページのアクセス情報を取得するステップと、
前記閲覧行動予測装置のページ機能抽出部が、前記アクセス情報取得部で取得されたアクセス情報において閲覧行動に対応する閲覧ページのページ機能を抽出し、前記抽出されたページ機能をユーザ別に時系列に並び替えた閲覧行動の順序付き集合を生成するステップと、
前記閲覧行動予測装置の内部状態予測学習部が、前記ページ機能抽出部で生成された閲覧行動の順序付き集合を用いて、階層型隠れマルコフモデルにより、複数のユーザの閲覧ページのページ機能に基づく複数の内部状態を求め、前記求められた複数の内部状態のそれぞれにおいてユーザが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求めるステップと、
前記閲覧行動予測装置の内部状態予測部が、閲覧行動を予測する対象となる前記所定のユーザに関して前記ページ機能抽出部で生成された閲覧行動の順序付き集合と、前記内部状態予測学習部で求められたページ機能の出力確率及び内部状態間の遷移確率とに基づいて、前記所定のユーザが次に取り得る内部状態を予測し、更に、次に取り得るページ機能を、前記所定のユーザの閲覧行動として予測するステップと、
を有する。

本発明の一形態に係る閲覧行動学習方法は、
ユーザの閲覧行動を学習する閲覧行動学習装置における閲覧行動学習方法であって、
前記閲覧行動学習装置のアクセス情報取得部が、複数のユーザの閲覧ページのアクセス情報を取得するステップと、
前記閲覧行動学習装置のページ機能抽出部が、前記アクセス情報取得部で取得されたアクセス情報において閲覧行動に対応する閲覧ページのページ機能を抽出し、前記抽出されたページ機能をユーザ別に時系列に並び替えた閲覧行動の順序付き集合を生成するステップと、
前記閲覧行動学習装置の内部状態予測学習部が、前記ページ機能抽出部で生成された閲覧行動の順序付き集合を用いて、階層型隠れマルコフモデルにより、複数のユーザの閲覧ページのページ機能に基づく複数の内部状態を求め、前記求められた複数の内部状態のそれぞれにおいてユーザが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求めるステップと、
を有する。

本発明の一形態に係る閲覧行動予測方法は、
所定のユーザの閲覧行動を予測する閲覧行動予測装置における閲覧行動予測方法であって、
前記閲覧行動予測装置のアクセス情報取得部が、前記所定のユーザの閲覧ページのアクセス情報を取得するステップと、
前記閲覧行動予測装置のページ機能抽出部が、前記アクセス情報取得部で取得されたアクセス情報において閲覧行動に対応する閲覧ページのページ機能を抽出し、前記抽出されたページ機能を時系列に並び替えた閲覧行動の順序付き集合を生成するステップと、
前記閲覧行動予測装置の内部状態予測部が、階層型隠れマルコフモデルにより求められた、複数のユーザの閲覧ページのページ機能に基づく複数の内部状態のそれぞれにおいてユーザが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、閲覧行動を予測する対象となる前記所定のユーザに関して前記ページ機能抽出部で生成された閲覧行動の順序付き集合とに基づいて、前記所定のユーザが次に取り得る内部状態を予測し、更に、次に取り得るページ機能の確率を、前記所定のユーザの閲覧行動として予測するステップと、
を有する。

本発明の一形態に係る閲覧行動予測方法は、
所定のユーザの閲覧行動を予測する閲覧行動予測装置における閲覧行動予測方法であって、
前記閲覧行動予測装置のアクセス情報取得部が、複数のユーザの閲覧ページのアクセス情報を取得するステップと、
前記閲覧行動予測装置のページ機能抽出部が、前記アクセス情報取得部で取得されたアクセス情報において閲覧行動に対応する閲覧ページのページ機能を抽出し、前記抽出されたページ機能をユーザ別に時系列に並び替えた閲覧行動の順序付き集合を生成するステップと、
前記閲覧行動予測装置の内部状態予測学習部が、前記ページ機能抽出部で生成された閲覧行動の順序付き集合を用いて、複数のユーザの閲覧ページのページ機能に基づく複数の内部状態を求め、前記求められた複数の内部状態のそれぞれにおいてユーザが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求めるステップと、
前記閲覧行動予測装置の内部状態予測部が、閲覧行動を予測する対象となる前記所定のユーザに関して前記ページ機能抽出部で生成された閲覧行動の順序付き集合と、前記内部状態予測学習部で求められたページ機能の出力確率及び内部状態間の遷移確率とに基づいて、前記所定のユーザが次に取り得る内部状態を予測し、更に、次に取り得るページ機能を、前記所定のユーザの閲覧行動として予測するステップと、
を有する。

本発明の一形態に係る閲覧行動学習方法は、
ユーザの閲覧行動を学習する閲覧行動学習装置における閲覧行動学習方法であって、
前記閲覧行動学習装置のアクセス情報取得部が、複数のユーザの閲覧ページのアクセス情報を取得するステップと、
前記閲覧行動学習装置のページ機能抽出部が、前記アクセス情報取得部で取得されたアクセス情報において閲覧行動に対応する閲覧ページのページ機能を抽出し、前記抽出されたページ機能をユーザ別に時系列に並び替えた閲覧行動の順序付き集合を生成するステップと、
前記閲覧行動学習装置の内部状態予測学習部が、前記ページ機能抽出部で生成された閲覧行動の順序付き集合を用いて、複数のユーザの閲覧ページのページ機能に基づく複数の内部状態を求め、前記求められた複数の内部状態のそれぞれにおいてユーザが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求めるステップと、
を有する。

本発明の一形態に係る閲覧行動予測方法は、
所定のユーザの閲覧行動を予測する閲覧行動予測装置における閲覧行動予測方法であって、
前記閲覧行動予測装置のアクセス情報取得部が、前記所定のユーザの閲覧ページのアクセス情報を取得するステップと、
前記閲覧行動予測装置のページ機能抽出部が、前記アクセス情報取得部で取得されたアクセス情報において閲覧行動に対応する閲覧ページのページ機能を抽出し、前記抽出されたページ機能を時系列に並び替えた閲覧行動の順序付き集合を生成するステップと、
前記閲覧行動予測装置の内部状態予測部が、複数のユーザの閲覧ページのページ機能に基づく複数の内部状態のそれぞれにおいてユーザが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、閲覧行動を予測する対象となる前記所定のユーザに関して前記ページ機能抽出部で生成された閲覧行動の順序付き集合とに基づいて、前記所定のユーザが次に取り得る内部状態を予測し、更に、次に取り得るページ機能の確率を、前記所定のユーザの閲覧行動として予測するステップと、
を有する。

本発明の一実施例に係るプログラムは、
コンピュータを上記の装置として機能させるためのプログラムであることを特徴とする。

本発明によれば、過去の閲覧履歴に基づき、ユーザの閲覧行動を学習又は予測することが可能になる。例えば、買う気があるかないかの２つの状態だけでなく、ユーザの閲覧行動を段階的に予測することが可能になる。

本発明の実施例に係る閲覧行動学習及び予測装置の機能ブロック図 本発明の実施例に係る閲覧行動学習及び予測装置における閲覧行動学習処理のフローチャート 本発明の実施例に係る閲覧行動学習処理における入出力データ構造 閲覧ページとページ機能との関係を示すページ機能対応テーブルの例 内部状態命名部における処理を示すフローチャート 本発明の実施例に係る閲覧行動学習処理の出力データの例（状態の出力確率） 本発明の実施例に係る閲覧行動学習処理の出力データの例（状態間の遷移確率） 本発明の実施例に係る閲覧行動学習及び予測装置における閲覧行動予測処理のフローチャート 本発明の実施例に係る閲覧行動予測処理における入出力データ構造 本発明の実施例に係る閲覧行動予測処理の出力データの例（ユーザの状態の時系列変化） 本発明の実施例に係る閲覧行動予測処理の出力データの例（ユーザが次に取る状態） 本発明の実施例に係る閲覧行動予測処理の出力データの例（ユーザが次に取る閲覧行動） 本発明の実施例に係る閲覧行動予測処理の入出力データの例 本発明の実施例に係る閲覧行動予測処理の出力データを表すグラフ

以下、本発明の実施例について詳細に説明する。

本発明の実施例に係る閲覧行動学習及び予測装置は、ユーザの閲覧行動を学習し、所定のユーザの閲覧行動を予測する。例えば、ＥＣサイトにおける過去の閲覧履歴からユーザの閲覧行動を学習し、所定のユーザの閲覧行動（例えば、購入、検索等、以下、アクションと呼ばれることもある）に向けた状態を予測する。

具体的には、閲覧行動学習及び予測装置は、ユーザの閲覧行動を、閲覧されたページのページ機能単位で記述し、閲覧したページのページ機能単位で記述されたユーザの閲覧行動を、入力として受け取る。その後、階層型隠れマルコフモデルを用いて、ユーザの各閲覧行動に対してそのときのユーザのアクションに向けた状態と、その状態の時に行われる確率が高い閲覧行動と、状態間の遷移関係とを学習する。

状態の予測時には、所定のユーザの閲覧行動を入力として、所定のユーザがどの閲覧時にどのような状態であるかと、次に取り得る状態と、次に取り得る閲覧行動とを予測し、出力する。

＜閲覧行動学習及び予測装置の構成＞
図１に、本発明の実施例に係る閲覧行動学習及び予測装置の機能ブロック図を示す。

本発明の実施例に係る閲覧行動学習及び予測装置は、アクセス情報記憶部２０と、アクセス情報取得部１０と、ページ機能対応テーブル１１と、ページ機能抽出部１２と、状態予測学習部１３と、状態命名部１４と、状態出力確率記憶部１５と、状態間遷移確率記憶部１６と、状態予測部１８と、情報提供部３０とを有する。

ＥＣサイトの「購入行動」を予測する場合を例に挙げて、閲覧行動学習及び予測装置における閲覧行動学習処理に関する機能部について説明する。

アクセス情報記憶部２０は、ＥＣサイトにおけるユーザの過去の閲覧履歴を格納する。アクセス情報記憶部２０は、閲覧行動学習及び予測装置の内部に存在してもよく、ＥＣサイトのサーバのように、閲覧行動学習及び予測装置の外部に存在してもよい。

アクセス情報取得部１０は、アクセス情報記憶部２０から、ユーザの閲覧ページのアクセス情報を取得する。

ページ機能対応テーブル１１は、ＥＣサイトにおける閲覧ページに対応するページ機能を定義するテーブルである。ページ機能とは、閲覧ページが持つ機能（例えば、購入、検索等）を意味し、閲覧ページ毎に予め決められる。

ページ機能抽出部１２は、アクセス情報取得部１０で取得されたアクセス情報において閲覧行動に対応する閲覧ページのページ機能を抽出し、抽出されたページ機能をユーザ別に時系列に並び替えた閲覧行動の順序付き集合を生成する。閲覧行動の順序付き集合により、各ユーザがどのような順序でページ機能を遷移するかが把握できる。

状態予測学習部１３は、ページ機能抽出部１２で生成された閲覧行動の順序付き集合を用いて、階層型隠れマルコフモデルにより、複数のユーザの閲覧ページのページ機能に基づく複数の内部状態（以下、状態と呼ぶ）を学習する。状態予測学習部１３は、求められた複数の状態のそれぞれにおいてユーザが閲覧可能なページ機能の出力確率と、状態間の遷移確率とを求める。

状態命名部１４は、複数の状態を所定のページ機能（例えば、購入）に近い順に並び替える。これにより、どの状態が購入に近いかが把握できる。

状態出力確率記憶部１５は、ユーザが閲覧可能なページ機能の出力確率を格納する。

状態間遷移確率記憶部１６は、状態間の遷移確率を格納する。

次に、閲覧行動学習及び予測装置における閲覧行動予測処理に関する機能部について説明する。

アクセス情報取得部１０は、アクセス情報記憶部２０から、閲覧行動を予測する対象となる所定のユーザについて、閲覧ページのアクセス情報を取得する。

ページ機能抽出部１２は、アクセス情報取得部１０で取得されたアクセス情報において閲覧行動に対応する閲覧ページのページ機能を抽出し、抽出されたページ機能を時系列に並び替えた閲覧行動の順序付き集合を生成する。この閲覧行動の順序付き集合は、閲覧行動を予測する対象となる所定のユーザについて生成される。

状態予測部１８は、ページ機能抽出部１２で生成された閲覧行動の順序付き集合と、状態出力確率記憶部１５に格納されたページ機能の出力確率と、状態間遷移確率記憶部１６に格納された状態間の遷移確率とに基づいて、所定のユーザが次に取り得る状態を予測し、更に、次に取り得るページ機能を、所定のユーザの閲覧行動として予測する。これにより、所定のユーザが所定のページ機能（例えば、購入）を閲覧する確率を予測することができる。

情報提供部３０は、状態予測部１８で予測された状態から所定のページ機能（例えば、購入）への閲覧行動の確率と、所定のユーザの現在の状態から所定のページ機能への閲覧行動の確率とに基づいて、所定のユーザを所定のページ機能に誘導する情報を提供する。例えば、情報提供部３０は、状態予測部１８で予測された状態が現在の状態と比べて購入から遠ざかるものである場合、ＥＣサイト上で購入を促進する動作を行う。

以下、具体的な閲覧行動学習処理及び閲覧行動予測処理について説明する。

＜閲覧行動学習処理＞
図２に、本発明の実施例に係る閲覧行動学習及び予測装置における閲覧行動学習処理のフローチャートを示す。閲覧行動学習処理では、ＥＣサイトのアクセス情報を入力とし、学習の結果として、状態間の遷移確率、各状態において取り得る閲覧行動の出力確率を出力する。

まず、アクセス情報取得部１０は、アクセス情報記憶部２０に格納されたＥＣサイトにおけるユーザの過去の閲覧履歴から、ＥＣサイトのアクセス情報１００を取得する。図３（Ａ）に、アクセス情報取得部１０により取得されたＥＣサイトのアクセス情報１００のデータ構造を示す。ＥＣサイトのアクセス情報１００は、アクセスしたユーザに付与されたユニークなユーザｉｄ、アクセス時刻、アクセスしたＵＲＬ（Uniform Resource Locator）の３つから構成される。

ステップＳ１０２において、ページ機能抽出部１２は、ＥＣサイトのアクセス情報１００を受け取る。ＥＣサイトのアクセス情報１００は、Logs=<L₁,L₂,...L_M>と表される。L_i=L₁〜L_Mは、各アクセスにおけるユーザｉｄ、アクセス時刻、アクセスしたＵＲＬを表す。その後、ページ機能抽出部１２は、各アクセスL_iについて、アクセスしたＵＲＬであるL_i(URL)からＵＲＬとそれに対応するページ機能のルールf_extract１０１を用いて、そのページ機能を抽出し、f_extract(L_i(URL))=a_iとする。ページ機能とは、ＵＲＬで表される閲覧ページが持つ機能を予め意味付けしたものである。ＵＲＬとそれに対応するページ機能のルール１０１として、図４に示すページ機能対応テーブルが用いられてもよい。図４に示すように、index.php/*は、トップページを示しており、topというページ機能に対応付けられる。また、preorder/*は購入手続きページを示しており、preorderというページ機能に対応付けられる。なお、*（アスタリスク）は任意の文字列を示す。ＵＲＬとそのＵＲＬを持つページが持つページ機能とのページ機能対応テーブルは人手で作成されてもよい。

更に、ページ機能抽出部１２は、抽出されたページ機能をアクセス時刻と紐付けた上で並び替え、ユーザｉｄ毎にまとめる。ユーザuにおける閲覧行動の順序付き集合（以下、閲覧集合と呼ぶ）をd_u=<a₁,a₂,...,a_n>とする。これは、ユーザuがどのようなページ機能を順に閲覧したかを示す。そして、ユーザ数|D|のユーザ別閲覧集合D={d₁,d₂,...,d_|D|}を生成する。ページ機能抽出部１２は、ユーザ数|D|分のユーザ別閲覧集合Dを状態予測学習部１３に送る。

ステップＳ１０３において、状態予測学習部１３は、ページ機能抽出部１２から送られたユーザ別閲覧集合D={d₁,d₂,...,d_|D|}を受け取る。その後、状態予測学習部１３は、階層型隠れマルコフモデル（以下、ＨＨＭＭと呼ぶ）による学習を行う。ＨＨＭＭによる学習は、例えば、S. Fine, Y. Singer, and N. Tishby. The hierarchical hidden markov model: Analysis and applications. Mach. Learn., 32(1):41-62, July 1998に記載されている。ＨＨＭＭでは、ユーザ別閲覧集合D={d₁,d₂,...,d_|D|}を用いてユーザのアクション（分析対象とする所定の閲覧行動）へと向かう状態z_iを推定する。この状態は、ユーザのある時点での心理的なありさまを示しており、ユーザの閲覧行動に影響を与える要因を示す。ＨＨＭＭにより、ページ機能（閲覧行動）に基づく複数の状態（内部状態）が求められ、求められた複数の状態のそれぞれにおいてユーザが閲覧可能なページ機能の出力確率と、状態間の遷移確率とが求められる。

以下，アクションの具体例として「購入行動」を選ぶ。上記のように、ＨＨＭＭでは、状態z_jから状態z_iへの状態間の遷移確率A=p(z_i|z_j)及び状態z_jにおける閲覧行動a_i（ユーザがＥＣサイトで閲覧可能なページ機能）の出力確率B=p(a_i|z_j)を推定することが可能である。状態予測部１３は、推定した状態間の遷移確率A=p(z_i|z_j)及び状態における閲覧行動の出力確率B=p(a_i|z_j)を状態命名部１４に送る。

ステップＳ１０４において、状態命名部１４は、状態予測学習部１３で推定した状態間の遷移確率A=p(z_i|z_j)及び状態における閲覧行動の出力確率B=p(a_i|z_j)を受け取る。この時点ではzは単なる状態を示す記号であるため、状態命名部１４は、各状態に対してユーザが理解可能な命名を行う。命名は、各状態zを購入に近い順に並び替え、その順位を状態名とする。その時、状態の順序付き集合をZ_sort=<Z₁,Z₂,...,Z_k>とする。すなわち、状態名が１のものは最も購入に近く、状態名が増えるに従って購入から遠い状態として解釈可能ということである。

図５に、状態の順序付き集合並び替える処理のフローチャートを示す。まず、ステップＳ２０１において、状態命名部１４は、状態予測学習部１３で推定した状態間の遷移確率A=p(z_i|z_j)及び状態における閲覧行動の出力確率B=p(a_i|z_j)を受け取る。また、状態命名部１４は、最も購入に近い行動a_purchaseを受け取る。ステップＳ２０２において、状態命名部１４は、状態の順序付き集合Z_sortを初期化する。すなわち、Z_sortを空にする。その後、閲覧行動の出力確率p(a_i|z_j)について、最も購入に近い行動a_purchaseを選び、p(a_purchase|z_j)が最も大きいものをZ_sortの先頭Z₁に追加する。ステップＳ２０３において、Z_sortのサイズが状態の合計数Kに一致するまで、Z_sortに追加されていない状態z_i及びZ_sortの最後にある状態Z_lastについて

が最大になるものをZ_sortの末尾に追加する。この操作は、並び替え済の状態の中で最も後ろにある状態Z_lastに一番最も遷移しやすい状態を探し、それをZ_sortに追加するという処理になっている。最後に、ステップＳ２０４において、状態の順序付き集合Z_sortを出力する。

状態命名部１４による命名後の状態間の遷移確率A=p(Z_i|Z_j)及び状態における閲覧行動の出力確率B=p(a_i|Z_j)は、それぞれ状態間遷移確率記憶部１６及び状態出力確率記憶部１５に格納される。

なお、この命名処理は、状態とそこに含まれる閲覧行動を分析者が確認し、人手で付与することも可能である。

状態命名部１４から出力されるデータである状態の出力確率１０５は、図３（Ｂ）に示すように、状態の名前と、その状態の時に取る閲覧行動と、その確率とで構成される。また、状態命名部１４から出力されるデータである状態間の遷移確率１０６は、図３（Ｃ）に示すように、遷移元の状態の名前と、遷移先の状態の名前と、その遷移確率とで構成される。

図６に、状態命名部１４から出力される状態の出力確率１０５の例を示す。命名済みの状態の順序付き集合Z_sortのサイズが６であり、状態数が１〜６である場合を例に挙げる。状態の出力確率１０５は、各状態１〜６におけるアクション（閲覧行動）の出力実行確率（ユーザが当該状態において閲覧行動を取る確率）が紐付けられたデータである。

図７に、状態命名部１４から出力される状態間の遷移確率１０６の例を示す。状態間の遷移確率１０６は、各状態１〜６について、遷移元の状態から遷移先の状態への遷移確率が紐付けられたデータである。

＜閲覧行動予測処理＞
図８に、本発明の実施例に係る閲覧行動学習及び予測装置における閲覧行動予測処理のフローチャートを示す。閲覧行動予測処理では、所定のユーザのアクセス情報を入力とし、状態予測学習部１３及び状態命名部１４で出力された情報を用いて該当ユーザの購入に向かう状態の変化と、次にユーザが取り得る閲覧行動と、その時の状態を出力する。

図２の閲覧行動学習処理で説明したとおり、アクセス情報取得部１０は、アクセス情報記憶部２０に格納されたＥＣサイトにおける所定のユーザu_newの過去の閲覧履歴から、ＥＣサイトのアクセス情報１０７を取得する。このときに取得されるＥＣサイトのアクセス情報１０７は、所定のユーザu_newのものであるため、ユーザｉｄは必要ない。図９（Ａ）に、アクセス情報取得部１０により取得されたＥＣサイトのアクセス情報１０７のデータ構造を示す。ＥＣサイトのアクセス情報１０７は、アクセス時刻、アクセスしたＵＲＬの２つから構成される。

ステップＳ１０２において、図２の閲覧行動学習処理で説明したとおり、ページ機能抽出部１２は、所定のユーザu_newに関して閲覧集合d_new={a₁,a₂,...,a_n}を生成する。このときに使用されるページ機能のルール１０１として、図４に示すページ機能対応テーブルが用いられてもよい。

ステップＳ１０８において、状態予測部１８は、所定のユーザu_newについて、u_newのアクセス履歴から抽出した閲覧集合d_new={a₁,a₂,...,a_n}について、アクセス毎の所定のユーザの状態を推定し、所定のユーザが次に取る閲覧行動a_n+1とその時の状態を推定する。そのためには、状態予測部１８は、状態の出力確率p(a_i|Z_j)１０５と、状態間の遷移確率p(Z_i|Z_j)とを入力として受け取る。

その後、閲覧行動a_iにおける状態Z_iの値score(Z_j,a_i)を計算する。まず、１回目からi回目の閲覧行動の全てを考慮した、i回目の閲覧行動時における状態Z_jの確率（前向き確率）forward(Z_j,a_i)を、以下のように再帰的に定義する。

その上で、状態Z_iの値score(Z_j,a_i)を以下のように計算する。

これを全ての閲覧行動a_i及び全ての状態Z_iに対して適用したものが、ユーザの状態の時系列変化１０９である。図９（Ｂ）に、ユーザの状態の時系列変化１０９のデータ構造を示す。ユーザの状態の時系列変化１０９は、アクセス時刻と、そのときの閲覧行動と、各状態と、その状態の確率とで構成される。

次に、状態予測部１８は、所定のユーザが次に取る状態Z_jの値state_n+1(Z_j)及び次に取る閲覧行動a_n+1を予測する。そのためにはまず

として所定のユーザが次に取る状態の値を計算する。その後、

として、次に取る閲覧行動の確率を計算する。

これらの計算により、状態予測部１８は、score(Z_j,a_i)をユーザの状態の時系列変化１０９として出力し、所定のユーザが次に取る状態Z_jの値state_n+1(Z_j)と、次に取る閲覧行動の確率p(a_n+1)とを、ユーザが次に取る状態１１０と、ユーザが次に取る閲覧行動１１１として出力する。図９（Ｃ）に、ユーザが次に取る状態１１０のデータ構造を示す。ユーザが次に取る状態１１０は、予測状態と、その予測状態の確率とで構成される。図９（Ｄ）に、ユーザが次に取る閲覧行動１１１のデータ構造を示す。ユーザが次に取る状態１１０は、予測閲覧行動と、その発生確率とで構成される。

図１０に、状態予測部１８から出力されるユーザの状態の時系列変化１０９の例を示す。命名済みの状態の順序付き集合Z_sortのサイズが６であり、状態数が１〜６である場合を例に挙げる。ユーザの状態の時系列変化１０９は、各アクセス時刻における閲覧行動時における状態とその確率が紐付けられたデータである。

図１１に、状態予測部１８から出力されるユーザが次に取る状態１１０の例を示す。ユーザが次に取る状態１１０は、次の状態とその確率が紐付けられたデータである。

図１２に、状態予測部１８から出力されるユーザが次に取る閲覧行動１１１の例を示す。ユーザが次に取る閲覧行動１１１は、次の閲覧行動とその確率が紐付けられたデータである。

例えば、図１３に示すように、ユーザｘｘが１４：２５：００から１４：５１：１０までＥＣサイトにアクセスしている場合、そのユーザｘｘの状態の時系列変化が求められ、ユーザが次に取る状態及び閲覧行動が推測される。

これを図１４のグラフに示すように時系列に状態変化を並べることにより、例えば、アクセス時刻１４：２７：００のときに、アクセス時刻１４：２５：３３のときと比べて状態５になる確率が高くなることが把握できる。この状態５が購入から遠ざかる状態である場合、情報提供部３０は、ＥＣサイト上で購入を促進する動作を行う。例えば、情報提供部３０は、割引情報等を提供する。

上記の実施例では、ＥＣサイトの「購入行動」を予測する場合を例に挙げて説明したが、本発明の上記の閲覧行動学習及び予測装置は、他のサイトにおけるユーザの閲覧行動の学習及び予測に適用することができる。また、上記の実施例では、階層型隠れマルコフモデル（ＨＨＭＭ）により、内部状態、状態の出力確率及び内部状態間の遷移確率が求められるが、このような状態及び確率を求めるために他のモデルを適用することも可能である。

＜実施例の効果＞
本発明の実施例に係る閲覧行動学習及び予測装置を用いることにより、Ｗｅｂサイト管理者は、従来技術では不可能であった各ユーザがどのページを閲覧した時にアクションに向けた状態がどのようなものであったかを知ることが可能になる。また、従来技術では２つしか無かったユーザの購入に対する状態を複数推定可能になる。従来技術では「買う気のある/なし」であったユーザの内部状態が、本装置によってユーザのアクションに向けた状態を段階的に推定可能になる。これにより、ユーザのＥＣサイトにおける行動がより適切に理解できるようになり、それぞれの状態に応じた適切な施策を行うことが可能になる。また、ユーザの状態が行動ごとにどのように変化したか、次にどのような閲覧行動を取るのかがオンラインで予測できるようになる。

すなわち、ユーザの閲覧行動に基づくユーザの購入に向かう状態及びその時系列変化を把握することが可能になり、また、ユーザが次にどのような閲覧行動を取るかの予測が可能になる。また、状態間の遷移確率及び状態における閲覧行動の発生確率を把握することにより、ユーザがどのような状態変化を経て購入を行うのか、どのような状態の際に購入から遠ざかるのかを知ることが可能になる。購入から遠ざかる状態遷移を把握することにより、ユーザがどのような行動を取った際に購入意欲が下がるのかが把握できるため、その状態を回避することにより、購入数が増加し、利益向上につながる。

例えば、図１３に示すように、「ユーザが次に取り得る行動、状態」を用いることによって、次のユーザの閲覧行動における状態の予測値において、購入から遠ざかる状態が一定以上強くなった場合（この閾値は予め設定する必要がある）に、購入意欲を再度高めるべく「先ほど開いた商品が今なら10%オフ」といった値引きなどの施策が可能になる。

説明の便宜上、本発明の実施例に係る閲覧行動学習及び予測装置は機能的なブロック図を用いて説明しているが、本発明の実施例に係る閲覧行動学習及び予測装置は、ハードウェア、ソフトウェア又はそれらの組み合わせで実現されてもよい。また、各機能部が必要に応じて組み合わせて使用されてもよい。また、本発明の実施例に係る方法は処理の流れを示すフローチャートを用いて説明しているが、本発明の実施例に係る方法は、実施例に示す順序と異なる順序で実施されてもよい。

以上、過去の閲覧履歴に基づき、ユーザの閲覧行動を学習又は予測するための手法について説明したが、本発明は、上記の実施例に限定されることなく、特許請求の範囲内において、種々の変更・応用が可能である。

１０ アクセス情報取得部
１１ ページ機能対応テーブル
１２ ページ機能抽出部
１３ 状態予測学習部
１４ 状態命名部
１５ 状態出力確率記憶部
１６ 状態間遷移確率記憶部
１８ 状態予測部
２０ アクセス情報記憶部
３０ 情報提供部

Claims (18)

1. 所定のユーザの閲覧行動を予測する閲覧行動予測装置であって、
   複数のユーザの閲覧ページのアクセス情報を取得するアクセス情報取得部と、
   前記アクセス情報取得部で取得されたアクセス情報において閲覧行動に対応する閲覧ページのページ機能を抽出し、前記抽出されたページ機能をユーザ別に時系列に並び替えた閲覧行動の順序付き集合を生成するページ機能抽出部と、
   前記ページ機能抽出部で生成された閲覧行動の順序付き集合を用いて、階層型隠れマルコフモデルにより、複数のユーザの閲覧ページのページ機能に基づく複数の内部状態を求め、前記求められた複数の内部状態のそれぞれにおいてユーザが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求める内部状態予測学習部と、
   閲覧行動を予測する対象となる前記所定のユーザに関して前記ページ機能抽出部で生成された閲覧行動の順序付き集合と、前記内部状態予測学習部で求められたページ機能の出力確率及び内部状態間の遷移確率とに基づいて、前記所定のユーザが次に取り得る内部状態を予測し、更に、次に取り得るページ機能を、前記所定のユーザの閲覧行動として予測する内部状態予測部と、
   を有する閲覧行動予測装置。
2. ユーザの閲覧行動を学習する閲覧行動学習装置であって、
   複数のユーザの閲覧ページのアクセス情報を取得するアクセス情報取得部と、
   前記アクセス情報取得部で取得されたアクセス情報において閲覧行動に対応する閲覧ページのページ機能を抽出し、前記抽出されたページ機能をユーザ別に時系列に並び替えた閲覧行動の順序付き集合を生成するページ機能抽出部と、
   前記ページ機能抽出部で生成された閲覧行動の順序付き集合を用いて、階層型隠れマルコフモデルにより、複数のユーザの閲覧ページのページ機能に基づく複数の内部状態を求め、前記求められた複数の内部状態のそれぞれにおいてユーザが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求める内部状態予測学習部と、
   を有する閲覧行動学習装置。
3. 所定のユーザの閲覧行動を予測する閲覧行動予測装置であって、
   前記所定のユーザの閲覧ページのアクセス情報を取得するアクセス情報取得部と、
   前記アクセス情報取得部で取得されたアクセス情報において閲覧行動に対応する閲覧ページのページ機能を抽出し、前記抽出されたページ機能を時系列に並び替えた閲覧行動の順序付き集合を生成するページ機能抽出部と、
   階層型隠れマルコフモデルにより求められた、複数のユーザの閲覧ページのページ機能に基づく複数の内部状態のそれぞれにおいてユーザが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、閲覧行動を予測する対象となる前記所定のユーザに関して前記ページ機能抽出部で生成された閲覧行動の順序付き集合とに基づいて、前記所定のユーザが次に取り得る内部状態を予測し、更に、次に取り得るページ機能の確率を、前記所定のユーザの閲覧行動として予測する内部状態予測部と、
   を有する閲覧行動予測装置。
4. 前記複数の内部状態を所定のページ機能に近い順に並び替える内部状態整列部と、
   前記内部状態予測部で予測された内部状態から前記所定のページ機能への閲覧行動の確率と、前記所定のユーザの現在の内部状態から前記所定のページ機能への閲覧行動の確率とに基づいて、前記所定のユーザを前記所定のページ機能に誘導する情報を提供する情報提供部と、
   を更に有する、請求項１又は３に記載の閲覧行動予測装置。
5. 前記内部状態整列部は、前記ユーザが閲覧可能なページ機能の出力確率に基づいて、最も前記所定のページ機能に近い内部状態を状態の順序付き集合に追加し、残りの状態の中で順序付き集合の最後の状態に遷移する確率の高い状態を前記順序付き集合に追加する処理を繰り返すことにより、前記複数の内部状態を並び替える、請求項４に記載の閲覧行動予測装置。
6. 所定のユーザの閲覧行動を予測する閲覧行動予測装置であって、
   複数のユーザの閲覧ページのアクセス情報を取得するアクセス情報取得部と、
   前記アクセス情報取得部で取得されたアクセス情報において閲覧行動に対応する閲覧ページのページ機能を抽出し、前記抽出されたページ機能をユーザ別に時系列に並び替えた閲覧行動の順序付き集合を生成するページ機能抽出部と、
   前記ページ機能抽出部で生成された閲覧行動の順序付き集合を用いて、複数のユーザの閲覧ページのページ機能に基づく複数の内部状態を求め、前記求められた複数の内部状態のそれぞれにおいてユーザが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求める内部状態予測学習部と、
   閲覧行動を予測する対象となる前記所定のユーザに関して前記ページ機能抽出部で生成された閲覧行動の順序付き集合と、前記内部状態予測学習部で求められたページ機能の出力確率及び内部状態間の遷移確率とに基づいて、前記所定のユーザが次に取り得る内部状態を予測し、更に、次に取り得るページ機能を、前記所定のユーザの閲覧行動として予測する内部状態予測部と、
   を有する閲覧行動予測装置。
7. ユーザの閲覧行動を学習する閲覧行動学習装置であって、
   複数のユーザの閲覧ページのアクセス情報を取得するアクセス情報取得部と、
   前記アクセス情報取得部で取得されたアクセス情報において閲覧行動に対応する閲覧ページのページ機能を抽出し、前記抽出されたページ機能をユーザ別に時系列に並び替えた閲覧行動の順序付き集合を生成するページ機能抽出部と、
   前記ページ機能抽出部で生成された閲覧行動の順序付き集合を用いて、複数のユーザの閲覧ページのページ機能に基づく複数の内部状態を求め、前記求められた複数の内部状態のそれぞれにおいてユーザが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求める内部状態予測学習部と、
   を有する閲覧行動学習装置。
8. 所定のユーザの閲覧行動を予測する閲覧行動予測装置であって、
   前記所定のユーザの閲覧ページのアクセス情報を取得するアクセス情報取得部と、
   前記アクセス情報取得部で取得されたアクセス情報において閲覧行動に対応する閲覧ページのページ機能を抽出し、前記抽出されたページ機能を時系列に並び替えた閲覧行動の順序付き集合を生成するページ機能抽出部と、
   複数のユーザの閲覧ページのページ機能に基づく複数の内部状態のそれぞれにおいてユーザが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、閲覧行動を予測する対象となる前記所定のユーザに関して前記ページ機能抽出部で生成された閲覧行動の順序付き集合とに基づいて、前記所定のユーザが次に取り得る内部状態を予測し、更に、次に取り得るページ機能の確率を、前記所定のユーザの閲覧行動として予測する内部状態予測部と、
   を有する閲覧行動予測装置。
9. 前記複数の内部状態を所定のページ機能に近い順に並び替える内部状態整列部と、
   前記内部状態予測部で予測された内部状態から前記所定のページ機能への閲覧行動の確率と、前記所定のユーザの現在の内部状態から前記所定のページ機能への閲覧行動の確率とに基づいて、前記所定のユーザを前記所定のページ機能に誘導する情報を提供する情報提供部と、
   を更に有する、請求項６又は８に記載の閲覧行動予測装置。
10. 所定のユーザの閲覧行動を予測する閲覧行動予測装置における閲覧行動予測方法であって、
    前記閲覧行動予測装置のアクセス情報取得部が、複数のユーザの閲覧ページのアクセス情報を取得するステップと、
    前記閲覧行動予測装置のページ機能抽出部が、前記アクセス情報取得部で取得されたアクセス情報において閲覧行動に対応する閲覧ページのページ機能を抽出し、前記抽出されたページ機能をユーザ別に時系列に並び替えた閲覧行動の順序付き集合を生成するステップと、
    前記閲覧行動予測装置の内部状態予測学習部が、前記ページ機能抽出部で生成された閲覧行動の順序付き集合を用いて、階層型隠れマルコフモデルにより、複数のユーザの閲覧ページのページ機能に基づく複数の内部状態を求め、前記求められた複数の内部状態のそれぞれにおいてユーザが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求めるステップと、
    前記閲覧行動予測装置の内部状態予測部が、閲覧行動を予測する対象となる前記所定のユーザに関して前記ページ機能抽出部で生成された閲覧行動の順序付き集合と、前記内部状態予測学習部で求められたページ機能の出力確率及び内部状態間の遷移確率とに基づいて、前記所定のユーザが次に取り得る内部状態を予測し、更に、次に取り得るページ機能を、前記所定のユーザの閲覧行動として予測するステップと、
    を有する閲覧行動予測方法。
11. ユーザの閲覧行動を学習する閲覧行動学習装置における閲覧行動学習方法であって、
    前記閲覧行動学習装置のアクセス情報取得部が、複数のユーザの閲覧ページのアクセス情報を取得するステップと、
    前記閲覧行動学習装置のページ機能抽出部が、前記アクセス情報取得部で取得されたアクセス情報において閲覧行動に対応する閲覧ページのページ機能を抽出し、前記抽出されたページ機能をユーザ別に時系列に並び替えた閲覧行動の順序付き集合を生成するステップと、
    前記閲覧行動学習装置の内部状態予測学習部が、前記ページ機能抽出部で生成された閲覧行動の順序付き集合を用いて、階層型隠れマルコフモデルにより、複数のユーザの閲覧ページのページ機能に基づく複数の内部状態を求め、前記求められた複数の内部状態のそれぞれにおいてユーザが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求めるステップと、
    を有する閲覧行動学習方法。
12. 所定のユーザの閲覧行動を予測する閲覧行動予測装置における閲覧行動予測方法であって、
    前記閲覧行動予測装置のアクセス情報取得部が、前記所定のユーザの閲覧ページのアクセス情報を取得するステップと、
    前記閲覧行動予測装置のページ機能抽出部が、前記アクセス情報取得部で取得されたアクセス情報において閲覧行動に対応する閲覧ページのページ機能を抽出し、前記抽出されたページ機能を時系列に並び替えた閲覧行動の順序付き集合を生成するステップと、
    前記閲覧行動予測装置の内部状態予測部が、階層型隠れマルコフモデルにより求められた、複数のユーザの閲覧ページのページ機能に基づく複数の内部状態のそれぞれにおいてユーザが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、閲覧行動を予測する対象となる前記所定のユーザに関して前記ページ機能抽出部で生成された閲覧行動の順序付き集合とに基づいて、前記所定のユーザが次に取り得る内部状態を予測し、更に、次に取り得るページ機能の確率を、前記所定のユーザの閲覧行動として予測するステップと、
    を有する閲覧行動予測方法。
13. 前記閲覧行動予測装置の内部状態整列部が、前記複数の内部状態を所定のページ機能に近い順に並び替えるステップと、
    前記閲覧行動予測装置の情報提供部が、前記内部状態予測部で予測された内部状態から前記所定のページ機能への閲覧行動の確率と、前記所定のユーザの現在の内部状態から前記所定のページ機能への閲覧行動の確率とに基づいて、前記所定のユーザを前記所定のページ機能に誘導する情報を提供するステップと、
    を更に有する、請求項１０又は１２に記載の閲覧行動予測方法。
14. 所定のユーザの閲覧行動を予測する閲覧行動予測装置における閲覧行動予測方法であって、
    前記閲覧行動予測装置のアクセス情報取得部が、複数のユーザの閲覧ページのアクセス情報を取得するステップと、
    前記閲覧行動予測装置のページ機能抽出部が、前記アクセス情報取得部で取得されたアクセス情報において閲覧行動に対応する閲覧ページのページ機能を抽出し、前記抽出されたページ機能をユーザ別に時系列に並び替えた閲覧行動の順序付き集合を生成するステップと、
    前記閲覧行動予測装置の内部状態予測学習部が、前記ページ機能抽出部で生成された閲覧行動の順序付き集合を用いて、複数のユーザの閲覧ページのページ機能に基づく複数の内部状態を求め、前記求められた複数の内部状態のそれぞれにおいてユーザが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求めるステップと、
    前記閲覧行動予測装置の内部状態予測部が、閲覧行動を予測する対象となる前記所定のユーザに関して前記ページ機能抽出部で生成された閲覧行動の順序付き集合と、前記内部状態予測学習部で求められたページ機能の出力確率及び内部状態間の遷移確率とに基づいて、前記所定のユーザが次に取り得る内部状態を予測し、更に、次に取り得るページ機能を、前記所定のユーザの閲覧行動として予測するステップと、
    を有する閲覧行動予測方法。
15. ユーザの閲覧行動を学習する閲覧行動学習装置における閲覧行動学習方法であって、
    前記閲覧行動学習装置のアクセス情報取得部が、複数のユーザの閲覧ページのアクセス情報を取得するステップと、
    前記閲覧行動学習装置のページ機能抽出部が、前記アクセス情報取得部で取得されたアクセス情報において閲覧行動に対応する閲覧ページのページ機能を抽出し、前記抽出されたページ機能をユーザ別に時系列に並び替えた閲覧行動の順序付き集合を生成するステップと、
    前記閲覧行動学習装置の内部状態予測学習部が、前記ページ機能抽出部で生成された閲覧行動の順序付き集合を用いて、複数のユーザの閲覧ページのページ機能に基づく複数の内部状態を求め、前記求められた複数の内部状態のそれぞれにおいてユーザが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求めるステップと、
    を有する閲覧行動学習方法。
16. 所定のユーザの閲覧行動を予測する閲覧行動予測装置における閲覧行動予測方法であって、
    前記閲覧行動予測装置のアクセス情報取得部が、前記所定のユーザの閲覧ページのアクセス情報を取得するステップと、
    前記閲覧行動予測装置のページ機能抽出部が、前記アクセス情報取得部で取得されたアクセス情報において閲覧行動に対応する閲覧ページのページ機能を抽出し、前記抽出されたページ機能を時系列に並び替えた閲覧行動の順序付き集合を生成するステップと、
    前記閲覧行動予測装置の内部状態予測部が、複数のユーザの閲覧ページのページ機能に基づく複数の内部状態のそれぞれにおいてユーザが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、閲覧行動を予測する対象となる前記所定のユーザに関して前記ページ機能抽出部で生成された閲覧行動の順序付き集合とに基づいて、前記所定のユーザが次に取り得る内部状態を予測し、更に、次に取り得るページ機能の確率を、前記所定のユーザの閲覧行動として予測するステップと、
    を有する閲覧行動予測方法。
17. 前記閲覧行動予測装置の内部状態整列部が、前記複数の内部状態を所定のページ機能に近い順に並び替えるステップと、
    前記閲覧行動予測装置の情報提供部が、前記内部状態予測部で予測された内部状態から前記所定のページ機能への閲覧行動の確率と、前記所定のユーザの現在の内部状態から前記所定のページ機能への閲覧行動の確率とに基づいて、前記所定のユーザを前記所定のページ機能に誘導する情報を提供するステップと、
    を更に有する、請求項１５又は１７に記載の閲覧行動予測方法。
18. コンピュータを請求項１乃至９のうちいずれか１項に記載の装置として機能させるためのプログラム。

Images