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

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 Download PDF

Info

Publication number
JP2014160345A
JP2014160345A JP2013030266A JP2013030266A JP2014160345A JP 2014160345 A JP2014160345 A JP 2014160345A JP 2013030266 A JP2013030266 A JP 2013030266A JP 2013030266 A JP2013030266 A JP 2013030266A JP 2014160345 A JP2014160345 A JP 2014160345A
Authority
JP
Japan
Prior art keywords
browsing
page
page function
browsing behavior
user
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
JP2013030266A
Other languages
English (en)
Other versions
JP5973935B2 (ja
Inventor
Yusuke Kumagai
雄介 熊谷
Takeshi Kurashima
健 倉島
Noriko Takaya
典子 高屋
Masashi Uchiyama
匡 内山
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.)
Nippon Telegraph and Telephone Corp
Original Assignee
Nippon Telegraph and Telephone 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 Nippon Telegraph and Telephone Corp filed Critical Nippon Telegraph and Telephone Corp
Priority to JP2013030266A priority Critical patent/JP5973935B2/ja
Publication of JP2014160345A publication Critical patent/JP2014160345A/ja
Application granted granted Critical
Publication of JP5973935B2 publication Critical patent/JP5973935B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

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,...LM>と表される。Li=L1〜LM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Liについて、アクセスしたURLであるLi(URL)からURLとそれに対応するページ機能のルールfextract101を用いて、そのページ機能を抽出し、fextract(Li(URL))=ai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du=<a1,a2,...,an>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zi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zjから状態ziへの状態間の遷移確率A=p(zi|zj)及び状態zjにおける閲覧行動ai(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(ai|zj)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(zi|zj)及び状態における閲覧行動の出力確率B=p(ai|zj)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(zi|zj)及び状態における閲覧行動の出力確率B=p(ai|zj)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Zsort=<Z1,Z2,...,Zk>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(zi|zj)及び状態における閲覧行動の出力確率B=p(ai|zj)を受け取る。また、状態命名部14は、最も購入に近い行動apurchase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Zsortを初期化する。すなわち、Zsortを空にする。その後、閲覧行動の出力確率p(ai|zj)について、最も購入に近い行動apurchaseを選び、p(apurchase|zj)が最も大きいものをZsortの先頭Z1に追加する。ステップS203において、Zsortのサイズが状態の合計数Kに一致するまで、Zsortに追加されていない状態zi及びZsortの最後にある状態Zlastについて
Figure 2014160345
が最大になるものをZsort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Zlastに一番最も遷移しやすい状態を探し、それをZsort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Zsort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(Zi|Zj)及び状態における閲覧行動の出力確率B=p(ai|Zj)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Zsort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unew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unew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unewに関して閲覧集合dnew={a1,a2,...,an}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unewについて、unewのアクセス履歴から抽出した閲覧集合dnew={a1,a2,...,an}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an+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(ai|Zj)105と、状態間の遷移確率p(Zi|Zj)とを入力として受け取る。
その後、閲覧行動aiにおける状態Ziの値score(Zj,ai)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Zjの確率(前向き確率)forward(Zj,ai)を、以下のように再帰的に定義する。
Figure 2014160345
その上で、状態Ziの値score(Zj,ai)を以下のように計算する。
Figure 2014160345
これを全ての閲覧行動ai及び全ての状態Zi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Zjの値staten+1(Zj)及び次に取る閲覧行動an+1を予測する。そのためにはまず
Figure 2014160345
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、
Figure 2014160345
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(Zj,ai)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Zjの値staten+1(Zj)と、次に取る閲覧行動の確率p(an+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Zsort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。
JP2013030266A 2013-02-19 2013-02-19 閲覧行動予測装置、閲覧行動予測方法及びプログラム Active JP5973935B2 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2013030266A JP5973935B2 (ja) 2013-02-19 2013-02-19 閲覧行動予測装置、閲覧行動予測方法及びプログラム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2013030266A JP5973935B2 (ja) 2013-02-19 2013-02-19 閲覧行動予測装置、閲覧行動予測方法及びプログラム

Publications (2)

Publication Number Publication Date
JP2014160345A true JP2014160345A (ja) 2014-09-04
JP5973935B2 JP5973935B2 (ja) 2016-08-23

Family

ID=51611998

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2013030266A Active JP5973935B2 (ja) 2013-02-19 2013-02-19 閲覧行動予測装置、閲覧行動予測方法及びプログラム

Country Status (1)

Country Link
JP (1) JP5973935B2 (ja)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016047337A1 (ja) * 2014-09-26 2016-03-31 国立大学法人京都大学 活動度予測システムおよびそれを用いたイベント情報配信システム
WO2016151639A1 (ja) * 2015-03-26 2016-09-29 日本電気株式会社 人数予測システム、人数予測方法および人数予測プログラム
WO2017010317A1 (ja) * 2015-07-16 2017-01-19 ソニー株式会社 表示制御装置、表示制御方法、及び、プログラム
JP2018124673A (ja) * 2017-01-30 2018-08-09 クックパッド株式会社 情報処理システム、情報処理装置、情報処理方法、及びプログラム

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090164395A1 (en) * 2007-12-21 2009-06-25 Heck Larry P Modeling, detecting, and predicting user behavior with hidden markov models
JP2011100208A (ja) * 2009-11-04 2011-05-19 Nippon Telegr & Teleph Corp <Ntt> 行動推定装置、行動推定方法および行動推定プログラム
JP2011118765A (ja) * 2009-12-04 2011-06-16 Sony Corp 情報処理装置、情報処理方法、およびプログラム
JP2011154591A (ja) * 2010-01-28 2011-08-11 Nec Corp リコメンド装置、方法、及び、プログラム

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090164395A1 (en) * 2007-12-21 2009-06-25 Heck Larry P Modeling, detecting, and predicting user behavior with hidden markov models
JP2011100208A (ja) * 2009-11-04 2011-05-19 Nippon Telegr & Teleph Corp <Ntt> 行動推定装置、行動推定方法および行動推定プログラム
JP2011118765A (ja) * 2009-12-04 2011-06-16 Sony Corp 情報処理装置、情報処理方法、およびプログラム
JP2011154591A (ja) * 2010-01-28 2011-08-11 Nec Corp リコメンド装置、方法、及び、プログラム

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016047337A1 (ja) * 2014-09-26 2016-03-31 国立大学法人京都大学 活動度予測システムおよびそれを用いたイベント情報配信システム
JP2016066319A (ja) * 2014-09-26 2016-04-28 国立大学法人京都大学 活動度予測システムおよびそれを用いたイベント情報配信システム
WO2016151639A1 (ja) * 2015-03-26 2016-09-29 日本電気株式会社 人数予測システム、人数予測方法および人数予測プログラム
JPWO2016151639A1 (ja) * 2015-03-26 2017-10-26 日本電気株式会社 人数予測システム、人数予測方法および人数予測プログラム
WO2017010317A1 (ja) * 2015-07-16 2017-01-19 ソニー株式会社 表示制御装置、表示制御方法、及び、プログラム
JP2018124673A (ja) * 2017-01-30 2018-08-09 クックパッド株式会社 情報処理システム、情報処理装置、情報処理方法、及びプログラム

Also Published As

Publication number Publication date
JP5973935B2 (ja) 2016-08-23

Similar Documents

Publication Publication Date Title
KR102092691B1 (ko) 웹페이지 트레이닝 방법 및 기기, 그리고 검색 의도 식별 방법 및 기기
Ozsoy From word embeddings to item recommendation
Nguyen et al. Web-page recommendation based on web usage and domain knowledge
CN105247507B (zh) 用于确定品牌的影响力得分的方法、系统和存储介质
CN106991160B (zh) 一种基于用户影响力以及内容的微博传播预测方法
JP2014106661A (ja) ユーザ状態予測装置及び方法及びプログラム
WO2017075017A1 (en) Automatic conversation creator for news
WO2017087437A1 (en) Fast pattern discovery for log analytics
CN108875090B (zh) 一种歌曲推荐方法、装置和存储介质
Heck et al. Horizontal traceability for just‐in‐time requirements: the case for open source feature requests
CN103534696A (zh) 针对口语语言理解中的域检测利用查询点击记录
JP5973935B2 (ja) 閲覧行動予測装置、閲覧行動予測方法及びプログラム
CN103077254A (zh) 网页获取方法和装置
Makkar et al. A novel approach for predicting user behavior for improving web performance
Hirt et al. An end-to-end process model for supervised machine learning classification: from problem to deployment in information systems
CN111259220A (zh) 一种基于大数据的数据采集方法和系统
Abrishami et al. Web page recommendation based on semantic web usage mining
Li et al. Recommendation on social network based on graph model
CN116383521B (zh) 主题词挖掘方法及装置、计算机设备及存储介质
Walk et al. How to apply markov chains for modeling sequential edit patterns in collaborative ontology-engineering projects
Yan et al. Improving document clustering for short texts by long documents via a dirichlet multinomial allocation model
JP6676698B2 (ja) 予約語及び属性言語間の関連度を用いた情報検索方法及び装置
JP5824429B2 (ja) スパムアカウントスコア算出装置、スパムアカウントスコア算出方法、及びプログラム
JPWO2011016281A1 (ja) ベイジアンネットワーク構造学習のための情報処理装置及びプログラム
Rungta et al. Two-phase multimodal neural network for app categorization using APK resources

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20150213

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20151221

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20160105

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20160216

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: 20160712

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20160715

R150 Certificate of patent or registration of utility model

Ref document number: 5973935

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150