JP2016042297A - 学習装置、学習方法及び学習プログラム - Google Patents

Abstract

【課題】事象の発生を適切に予測すること。【解決手段】本願に係る学習装置は、取得部と、学習部とを有する。取得部は、コンピュータネットワーク上における所定の対象として、例えばユーザに関する同一の要素が分割された複数の分割情報と、対象において所定の事象が発生するか否かとして、例えばユーザが所定の行動を行うか否かを示す発生有無とが対応付けられた対応情報を取得する。学習部は、取得部によって取得された対応情報に基づいて、所定の事象の発生に対する要素の影響度を学習する。【選択図】図３

Description

本発明は、学習装置、学習方法及び学習プログラムに関する。

従来、与えられたデータ入力を解析し有用な規則や判断基準を導出する機械学習の技術が知られている。例えば、機械学習として、事前に人間により判断基準が示されたデータ、いわゆる訓練データを基に学習し、それを基にデータ入力に対して適切な出力を行う規則を導出する教師あり学習が知られている。このような機械学習の技術は、コンピュータネットワークの分野においてもデータ解析に用いられている。例えば、オンラインショッピングでお薦め商品を提示するレコメンデーション機能等にも機械学習の技術が用いられている。

近年、コンピュータネットワークから取得できるデータ量の急速な増加に伴い、コンピュータネットワークから取得した膨大なデータを解析する、いわゆるビッグデータ解析の分野においても、機械学習の技術は用いられている。この場合、コンピュータネットワークから取得したデータは、所定の事象の発生の予測、例えばユーザの行動の予測等に用いられている。

Babenko B., Varma N., Dollar P., Belongie S., "Multiple Instance Learning with Manifold Bags", International Conference on Machine Learning, Bellevue, WA, 2011. Zhou Z.H., Zhang M.L., "Multi-Instance Multi-Label Learning with Application to Scene Classification", In proceeding of: Advances in Neural Information Processing Systems 19, 1609-1616. Viola P., Platt C.J., Zhang C., "Multiple Instance Boosting for Object Detection", In proceeding of: Advances in Neural Information Processing Systems 18, 1417-1426. Gehler P.V., Chapelle O., "Deterministic Annealing for Multiple-Instance Learning", JMLR Workshop and Conference Proceedings Volume 2: AISTATS 2007, 11th International Conference on Artificial Intelligence and Statistics, MIT Press, Cambridge, MA, USA, 123-130. Bunescu C.R., Mooney J.R., "Multiple Instance Learning for Sparse Positive Bags", In Proceedings of the 24th Annual International Conference on Machine Learning (ICML-2007), Corvallis, OR, June 2007. Zhou Z.H., Xu J.M., "On the Relation Between Multi-Instance Learning andSemi-Supervised Learning", Proceedings of the 24th international conference on Machine learning, New York, NY, USA, 1167-1174.

しかしながら、上記の従来技術では、事象の発生を適切に予測するための学習を行うことができるとは限らない。例えば、ユーザの行動に関しては、その行動をする意思決定をいつの時点で行ったかをユーザ自身が意識していないことが多い。このような場合、従来技術では、意思決定を行った時点ではなく行動を行った時点を正解として学習を行うことになるため、ユーザの行動の予測に関する規則を適切に導出できるとは限らない。

本願は、事象の発生を適切に予測するための学習を行うことができる学習装置、学習方法及び学習プログラムを提供することを目的とする。

本願に係る学習装置は、コンピュータネットワーク上における所定の対象に関する同一の要素が分割された複数の分割情報と、前記対象において所定の事象が発生するか否かを示す発生有無とが対応付けられた対応情報を取得する取得部と、前記取得部によって取得された対応情報に基づいて、前記所定の事象の発生に対する前記要素の影響度を学習する学習部と、を備えたことを特徴とする。

実施形態の一態様によれば、事象の発生を適切に予測するための学習を行うことができるという効果を奏する。

図１は、第１の実施形態に係る予測処理の一例を示す図である。 図２は、第１の実施形態に係る予測システムの構成例を示す図である。 図３は、第１の実施形態に係る予測装置の構成例を示す図である。 図４は、第１の実施形態に係る学習情報記憶部の一例を示す図である。 図５は、第１の実施形態に係る学習処理手順を示すフローチャートである。 図６は、第１の実施形態に係る学習処理の一例を示す図である。 図７は、第１の実施形態に係る学習処理の一例を示す図である。 図８は、第１の実施形態に係る学習処理の一例を示す図である。 図９は、第１の実施形態に係る予測システムによる予測処理手順を示すシーケンス図である。 図１０は、変形例に係るログ情報記憶部の一例を示す図である。 図１１は、変形例に係る学習情報記憶部の一例を示す図である。 図１２は、変形例に係るログ情報記憶部の一例を示す図である。 図１３は、変形例に係る学習情報記憶部の一例を示す図である。 図１４は、第２の実施形態に係る予測システムの構成例を示す図である。 図１５は、第２の実施形態に係るログ情報記憶部の一例を示す図である。 図１６は、第２の実施形態に係る学習情報記憶部の一例を示す図である。 図１７は、第３の実施形態に係る予測システムの構成例を示す図である。 図１８は、第３の実施形態に係るログ情報記憶部の一例を示す図である。 図１９は、第３の実施形態に係る学習情報記憶部の一例を示す図である。 図２０は、予測装置の機能を実現するコンピュータの一例を示すハードウェア構成図である。

以下に、本願に係る学習装置、学習方法及び学習プログラムを実施するための形態（以下、「実施形態」と呼ぶ）について図面を参照しつつ詳細に説明する。なお、この実施形態により本願に係る学習装置、学習方法及び学習プログラムが限定されるものではない。また、以下の各実施形態において同一の部位には同一の符号を付し、重複する説明は省略される。

（第１の実施形態）
〔１．予測処理〕
まず、図１を用いて、第１の実施形態に係る予測処理の一例について説明する。図１は、第１の実施形態に係るに係る予測処理の一例を示す図である。図１の例では、予測装置１００によってユーザが所定のコンバージョンに至るか否かを予測する予測処理が行われる例を示す。所定のコンバージョンとは、例えば、コンテンツ提供者（例えば、広告主）の利益につながる行動である。

図１には、第１の実施形態に係る予測装置１００が有するログ情報記憶部１２１の一例を示している。図１に示す例において、ログ情報記憶部１２１は、ログ情報として複数のユーザが過去に行った行動の履歴を記憶する。予測装置１００は、ログ情報記憶部１２１に記憶されたログ情報を基に学習した結果を用いて予測対象のユーザがコンバージョンに至るかを予測する。なお、図１では、ユーザに関するユーザ情報がユーザの行動履歴である例を説明する。

ログ情報記憶部１２１には、「ユーザＩＤ」、「コンバージョン」、「期間」、「分割情報ＩＤ」、「行動履歴」といった情報が記憶される。

「ユーザＩＤ」は、ユーザを識別するための識別情報を示す。なお、ログ情報記憶部１２１は、同一のユーザが複数台のユーザ端末を使用する場合であっても、同一のユーザと識別可能であれば同じユーザＩＤとして記憶してもよい。

「コンバージョン」は、事象を識別するための識別情報である「事象ＩＤ」と、そのコンバージョンの発生の有無を示す「発生情報」とからなる。ここで、事象ＩＤが同じである発生情報は、同じ事象に関する発生有無を示すものとして識別できる。例えば、図１に示す例において、事象ＩＤ「Ｅ１１」により識別される３つの発生情報は、同一のコンバージョンに関する発生有無を示す情報であると識別できる。また、コンバージョンとは、例えば、ユーザによる広告主の利益につながる行動であり、オンラインショッピングでの商品購入、ＳＮＳ（Social Networking Service）サイトでの会員登録など種々のユーザの行動が挙げられる。また、コンバージョンには、コンバージョンに至ったかに関する情報が取得可能であれば、例えば、実店舗での商品購入を含んでもよい。なお、ログ情報記憶部１２１は、図１に示す例において、コンバージョンに至ったユーザに対しては発生情報として「１」を記憶し、コンバージョンに至らなかったユーザに対しては発生情報として「−１」を記憶する。

「期間」は、そのユーザＩＤにより識別されるユーザの行動を対象とする期間を示す。図１に示す例において、ログ情報記憶部１２１は、「２０１４／７／２６ ０：００：００〜２３：５９：５９」、「２０１４／７／２７ ０：００：００〜２３：５９：５９」、「２０１４／７／２８ ０：００：００〜２３：５９：５９」・・・と所定の間隔で分割された期間ごとにユーザの行動履歴を格納する。なお、期間は、例えば、１時間や１週間など、取得する行動履歴の種類に応じて設定可能であってもよい。

「分割情報ＩＤ」は、各期間の情報を識別するための識別情報を示す。例えば、図１に示す例において、ユーザＩＤ「Ｕ１１」により識別されるユーザに関する２０１４年７月２６日０時０分０秒から２３時５９分５９秒までの期間の情報は、分割情報ＩＤ「Ｄ１１１」により識別される。同様に、ユーザＩＤ「Ｕ１２」により識別されるユーザに関する２０１４年７月２７日０時０分０秒から２３時５９分５９秒までの期間の情報は、分割情報ＩＤ「Ｄ１２２」により識別される。なお、ログ情報記憶部１２１は、「分割情報ＩＤ」を記憶しなくてもよい。

「行動履歴」は、分割された期間ごとに集計されたユーザの行動を示す。図１に示す例において、各ユーザの「行動履歴」として、「商品Ａの広告」、「商品Ｂの広告」、「商品Ｃの広告」、「商品Ｄの広告」・・・がユーザに配信された配信回数を格納する。このように、ログ情報記憶部１２１は、所定の期間（図１に示す例においては１日）ごとに行動履歴を記憶する。このように、同一の要素である「商品Ａの広告」、「商品Ｂの広告」、「商品Ｃの広告」、「商品Ｄの広告」・・・が所定の期間ごとに分割された複数の分割情報となる。具体的には、図１に示す例において、同一の要素である「商品Ａの広告」、「商品Ｂの広告」、「商品Ｃの広告」、「商品Ｄの広告」・・・は、１日ごとに分割されている。

ここで、図１に示すように、１つの事象ＩＤにより識別される発生情報にそれぞれ異なる分割情報ＩＤにより識別される複数の行動履歴が対応付けられている。つまり、ログ情報記憶部１２１は、所定の期間ごとに分割された複数の行動履歴と、ユーザに関する所定の事象の発生の有無を示す情報である発生情報とが対応付けられた対応情報を記憶する。具体的には、予測装置１００は、分割情報ＩＤ「Ｄ１１１」、「Ｄ１１２」、「Ｄ１１３」・・・により識別される複数の分割情報に対して、ユーザＩＤ「Ｕ１１」に対応する事象ＩＤ「Ｅ１１」により識別される１つの事象に関する発生情報とが対応付けられた対応情報を記憶する。

そして、予測装置１００は、対応情報を用いて学習処理を行い、学習の結果として学習情報を生成する（ステップＳ１）。具体的には、予測装置１００は、各要素がコンバージョンに与える影響度を示す重み係数を学習情報として導出する。言い換えると、予測装置１００は、各要素がコンバージョンに至るか否かに与える影響の度合いを数値として算出する。なお、予測装置１００が行う学習処理については後述する。

その後、予測装置１００は、予測対象のユーザの行動履歴（例えば、１日分の行動履歴）を対象ログ情報として取得した場合（ステップＳ２）、学習情報と対象ログ情報とに基づいて予測対象のユーザがコンバージョンを行うか否かを予測する予測処理を行う（ステップＳ３）。なお、予測処理についての詳細は後述する。

このように、第１の実施形態に係る予測装置１００は、コンピュータネットワーク上から取得した情報に基づいて、ユーザが所定の行動を行うか否かの予測を行うことができる。例えば、図１に示す例のように、所定の期間（図１に示す例においては１日）ごとにログ情報が蓄積されることがある。この場合、複数の分割情報の１つ１つに対して事象の発生有無を対応付けて学習処理を行うことも考えられるが、コンバージョンのタイミングとユーザがコンバージョンに至ることの意思決定を行ったタイミングとが異なっていた場合、ユーザの行動を予測するための学習情報を適切に導出できない。具体的には、ユーザＩＤ「Ｕ１１」により識別されるユーザが、２０１４年７月２６日の時点で、次に化粧品の広告を見たら購入しようと決めていた場合に、２０１４年７月２８日に化粧品の広告を見て購入した場合であっても、ユーザが意思決定した２０１４年７月２６日ではなくコンバージョンが行われた２０１４年７月２８日のログ情報が事象の発生に関係する情報だと判断してしまう場合がある。言い換えると、ユーザが意思決定を行った２０１４年７月２６日ではなくコンバージョンに至った２０１４年７月２８日を正解として学習を行うことになる。つまり、学習をするのに必要な正解ラベルを正しく付与することができない。このような不適切な情報に基づいて生成された学習情報を用いて予測を行った場合、ユーザの行動を予測するための学習情報を適切に導出することは難しい。しかし、予測装置１００は、ユーザが行動をする意思決定をいつの時点で行ったかをユーザ自身が意識していない場合であっても、１つの事象発生に対して複数の分割情報を対応付けて学習処理を行うため、１つの事象発生に対して複数の分割情報を全体の傾向として学習処理を行うことができる。つまり、予測装置１００は、ユーザが行動をする意思決定をいつの時点で行ったかをユーザ自身が意識していない場合であっても、複数の分割情報全体を１つの事象の発生に対応付けるため、ユーザの行動を予測するための学習情報を適切に導出できる。これにより、予測装置１００は、本来の意思決定のタイミングにおける行動が事象発生に与える影響を反映した学習情報を導出できる。

また、予測装置１００は、複数の分割情報に１つの事象の発生有無を対応付けるので、１つ１つの分割情報に事象の発生有無を対応付けて学習を行う場合に比べて計算量を抑制することができるため、より短い時間で事象の発生を適切に予測するための学習情報を導出することができる。

〔２．予測システム〕
次に、図１に説明した予測装置１００を有する予測システム１について図２を用いて説明する。図２は、第１の実施形態に係る予測システムの構成例を示す図である。図２に示す予測システム１は、コンピュータネットワーク上でのユーザの行動履歴に基づいてユーザが所定の行動が行うかを予測する予測サービスを提供する。また、図２では、予測装置１００を予測対象のユーザへの広告配信に用いる例を示す。

図２に示すように、予測システム１には、ユーザ端末１０と、ウェブサーバ２０と、広告装置３０と、予測装置１００とが含まれる。予測装置１００は、ネットワーク４０（図２０参照）を介して、ウェブサーバ２０や広告装置３０と通信可能に接続される。なお、図２に示す予測システム１には、複数台のユーザ端末１０や、複数台のウェブサーバ２０や、複数台の広告装置３０や、複数台の予測装置１００が含まれてもよい。

ユーザ端末１０は、ユーザによって利用される情報処理装置である。ユーザ端末１０は、例えば、スマートフォンやタブレット端末やＰＤＡ（Personal Digital Assistant）等の移動端末や、デスクトップ型ＰＣ（Personal Computer）や、ノート型ＰＣ等である。また、図１の例の場合、１人のユーザが利用するユーザ端末１０は１台であるが、同一のユーザと識別可能であれば１人のユーザに対してユーザ端末１０は複数台あってもよい。

ウェブサーバ２０は、ユーザからの要求に応じてウェブページ等のウェブ情報を配信する情報処理装置である。ウェブサーバ２０によって配信されるウェブページは、例えば、ＨＴＭＬ（HyperText Markup Language）により記述されたＨＴＭＬファイルや、ＸＭＬ（Extensible Markup Language）により記述されたＸＭＬファイル等により形成される。また、ウェブサーバ２０によって配信されるウェブページには、広告取得命令が含まれる。例えば、ウェブページを形成するＨＴＭＬファイル等には、広告装置３０のＵＲＬ等が広告取得命令として記述される。この場合、ユーザ端末１０は、ＨＴＭＬファイル等に記述されているＵＲＬにアクセスすることで、広告装置３０から広告コンテンツを取得する。なお、ウェブサーバ２０からユーザ端末１０に配信される各種データは、実際にはウェブページを形成するＨＴＭＬファイルや画像等であるが、以下では、ウェブサーバ２０からユーザ端末１０に配信される各種データを「ウェブページ」と表記する場合がある。

広告装置３０は、ユーザ端末１０から広告コンテンツの取得要求を受け付け、広告コンテンツの取得要求を送信したユーザ端末１０に対して、広告コンテンツを配信する。また、広告装置３０は、ログ情報を記憶する。具体的には、広告装置３０は、ユーザ端末１０からの要求に応じて広告コンテンツを送信した場合、広告コンテンツを要求したユーザを識別する情報と、そのユーザに送信した広告コンテンツを識別する情報とを関連付けてログ情報として記憶する。例えば、広告装置３０は、ユーザ端末１０から広告コンテンツの取得要求を受け付けた際にユーザ端末１０から取得した情報、例えばクッキーなどに基づいてユーザを特定し、そのユーザを識別するＩＤに、そのユーザに送信した広告コンテンツを識別するＩＤを関連付けてログ情報として記憶してもよい。また、広告装置３０は、そのユーザがコンバージョンに至ったかを示す情報もログ情報として記憶する。例えば、広告装置３０は、広告主のサーバからユーザがコンバージョンに至ったかを示す情報を取得する。また、広告装置３０は、所定の期間（例えば１日）ごとにログ情報を蓄積する。

予測装置１００は、コンピュータネットワークであるウェブ上から取得した情報に基づいてユーザが所定の行動を行うかを予測する予測サービスを提供する学習装置である。以下では、予測装置１００により、ユーザがコンバージョンとして化粧品の購入を行うか否かを予測する例を示す。

図２に示すように、予測装置１００は、広告装置３０からログ情報を取得する（ステップＳ１１）。例えば、予測装置１００は、広告装置３０へログ情報の送信を要求するログ要求情報を送信し、ログ要求情報を受信した広告装置３０からログ情報を取得してもよい。また、予測装置１００は、広告装置３０からログ情報を所定の間隔、例えば１日おきに取得してもよい。そして、予測装置１００は、取得したログ情報に基づいて、図１で説明した学習処理を行う（ステップＳ１２）。なお、予測装置１００は、ログ情報を取得する度に学習処理を行ってもよいし、所定の間隔、例えば１日おきに学習処理を行ってもよい。

続いて、予測装置１００は、広告装置３０から予測対象のユーザの行動履歴を対象ログ情報として取得する（ステップＳ１３）。そして、予測装置１００は、ステップＳ１２の学習処理により生成した学習情報と、対象ログ情報とに基づいて図１で説明した予測処理を行い、予測対象のユーザに関する予測情報を生成する（ステップＳ１４）。すなわち、予測装置１００は、予測対象のユーザが化粧品の購入を行うか否かを予測した結果である予測情報を生成する。例えば、予測装置１００は、化粧品の購入を行う可能性が高いことを「１」、化粧品の購入に至る可能性が低いことを「０」で示す予測情報を生成する。その後、予測装置１００は、予測情報を広告装置３０へ送信する（ステップＳ１５）。

ここで、図２に示すように、ユーザはユーザ端末１０を用いてウェブページの閲覧等の行動を行う。そして、ウェブサーバ２０は、ユーザ端末１０からウェブページの取得要求を受信した場合（ステップＳ１６）、ユーザ端末１０から取得要求に対応したウェブページをユーザ端末１０へ送信する（ステップＳ１７）。ウェブページを受信したユーザ端末１０は、ウェブページに広告取得命令が含まれる場合には、広告コンテンツの取得を要求する広告要求を広告装置３０へ送信する（ステップＳ１８）。

広告装置３０は、ユーザ端末１０から広告要求を受け付けた場合、広告要求を送信したユーザ端末１０に対応するユーザに関して予測情報を予測装置１００から取得しているか否かを確認する。そして、広告装置３０は、広告を要求するユーザが化粧品の購入に至る可能性が高いことを示す予測情報を取得している場合、化粧品に関する広告コンテンツをユーザ端末１０へ送信する（ステップＳ１９）。

これにより、第１の実施形態に係る予測システム１において、広告装置３０は、コンバージョンに至る可能性の高いユーザに対して適切な広告コンテンツを提供することができる。また、予測装置１００は、コンバージョンに関する影響度を示す重み係数を広告装置３０へ送信してもよい。これにより、広告装置３０は、事象の発生に与える各要素の影響度を把握できる。なお、予測装置１００は、ウェブサーバ２０からログ情報を収集するログサーバからログ情報を取得してもよい。なお、予測装置１００と広告装置３０とは、一体であってもよい。

なお、上記例では、化粧品を一例として説明したが、予測装置１００は、化粧品に限らず、被服やお酒など他の商品に関しても同様に予測処理を行ってもよい。例えば、予測装置１００は、複数の商品に関して学習情報を生成してもよい。この場合、予測装置１００は、一人のユーザに対して学習情報を生成した各商品についてコンバージョンに至るかの予測を行ってもよい。また、予測装置１００は、広告装置３０へ複数の予測情報を送信してもよい。この場合、広告装置３０は、取得した複数の予測情報に基づいて、どの商品に関する広告を配信するかを決定してもよい。なお、予測装置１００は、複数の商品に関する学習情報を広告装置３０へ送信してもよい。

〔３．予測装置の構成〕
次に、図３を用いて、第１の実施形態に係る予測装置１００の構成について説明する。図３は、第１の実施形態に係る予測装置１００の構成例を示す図である。図３に示すように、予測装置１００は、通信部１１０と、記憶部１２０と、制御部１３０とを有する。

通信部１１０は、例えば、ＮＩＣ等によって実現される。そして、通信部１１０は、ネットワーク４０と有線又は無線で接続され、ウェブサーバ２０との間で情報の送受信を行う。

（記憶部１２０）
記憶部１２０は、例えば、ＲＡＭ（Random Access Memory）、フラッシュメモリ（Flash Memory）等の半導体メモリ素子、または、ハードディスク、光ディスク等の記憶装置によって実現される。第１の実施形態に係る記憶部１２０は、図３に示すように、ログ情報記憶部１２１と、学習情報記憶部１２２とを有する。

（ログ情報記憶部１２１）
上述したように第１の実施形態に係るログ情報記憶部１２１は、ログ情報として複数のユーザの行動履歴を記憶する。

具体的には、図１に示す例において、ユーザＩＤ「Ｕ１１」により識別されるユーザは、事象ＩＤ「Ｅ１１」により識別される発生情報に「１」が格納されているため、化粧品の購入に至ったユーザとして記憶される。そして、「Ｕ１１」のユーザについては、期間「２０１４／７／２６ ０：００：００〜２３：５９：５９」の間に、商品Ａの広告を「８回」、商品Ｂの広告を「０回」、商品Ｃの広告を「４回」、商品Ｄの広告を「９回」・・・それぞれ配信を受けたという行動履歴が格納されている。また、「Ｕ１１」のユーザについては、期間「２０１４／７／２７ ０：００：００〜２３：５９：５９」の間に、商品Ａの広告を「３回」、商品Ｂの広告を「２回」、商品Ｃの広告を「５回」、商品Ｄの広告を「２回」・・・それぞれ配信を受けたという行動履歴が格納されている。一方、ユーザＩＤ「Ｕ１２」により識別されるユーザは、事象ＩＤ「Ｅ１１」により識別される発生情報に「−１」が格納されているため、化粧品の購入に至らなかったユーザとして記憶される。そして、「Ｕ１２」のユーザについては、期間「２０１４／７／２６ ０：００：００〜２３：５９：５９」の間に、商品Ａの広告を「３回」、商品Ｂの広告を「５回」、商品Ｃの広告を「２回」、商品Ｄの広告を「６回」、・・・それぞれ配信を受けたという行動履歴が格納されている。また、「Ｕ１２」のユーザについては、期間「２０１４／７／２７ ０：００：００〜２３：５９：５９」の間に、商品Ａの広告を「０回」、商品Ｂの広告を「２回」、商品Ｃの広告を「３回」、商品Ｄの広告を「５回」、・・・それぞれ配信を受けたという行動履歴が格納されている。

（学習情報記憶部１２２）
学習情報記憶部１２２は、学習処理により生成される学習情報である各要素（素性）の重み係数を記憶する。図４には、第１の実施形態に係る学習情報記憶部１２２の一例を示す。図４に示すように、学習情報記憶部１２２は、「商品Ａの広告（ｘ１）」、「商品Ｂの広告（ｘ２）」、「商品Ｃの広告（ｘ３）」、「商品Ｄの広告（ｘ４）」・・・の各要素（素性）に対応する重み係数（ｗ）を記憶する。図４に示す例においては、学習情報記憶部１２２は、「商品Ａの広告」の重み係数（ｗ１）として「６」を、「商品Ｂの広告」の重み係数（ｗ２）として「−２」を、「商品Ｃの広告」の重み係数（ｗ３）として「３」を、「商品Ｄの広告」の重み係数（ｗ４）として「４」をそれぞれ記憶する。

（制御部１３０）
図３の説明に戻って、制御部１３０は、例えば、ＣＰＵやＭＰＵ等によって、予測装置１００内部の記憶装置に記憶されている各種プログラム（配信プログラムの一例に相当）がＲＡＭを作業領域として実行されることにより実現される。また、制御部１３０は、例えば、ＡＳＩＣやＦＰＧＡ等の集積回路により実現される。

図３に示すように、制御部１３０は、取得部１３１と、学習部１３２と、予測部１３３と、送信部１３４とを有し、以下に説明する情報処理の機能や作用を実現または実行する。なお、制御部１３０の内部構成は、図３に示した構成に限られず、後述する情報処理を行う構成であれば他の構成であってもよい。また、制御部１３０が有する各処理部の接続関係は、図３に示した接続関係に限られず、他の接続関係であってもよい。

（取得部１３１）
取得部１３１は、コンピュータネットワーク上における所定の対象に関する同一の要素が分割された複数の分割情報と、対象において所定の事象が発生するか否かを示す発生有無とが対応付けられた対応情報を取得する。例えば、取得部１３１は、図１に示すように、分割情報ＩＤ「Ｄ１１１」、「Ｄ１１２」、「Ｄ１１３」・・・でそれぞれ識別される複数の分割情報と、ユーザＩＤ「Ｕ１１」により識別される対象であるユーザにおいて事象ＩＤ「Ｅ１１」により識別される事象が発生か否かを示す発生有無に関する情報である発生情報とが対応付けられた対応情報を取得する。取得部１３１は、例えば、広告装置３０から対応情報を取得した場合、取得した対応情報をログ情報記憶部１２１に格納する。なお、予測装置１００と広告装置３０とが一体である場合、予測装置１００は対応情報を記憶したデータベースから取得してもよい。

また、取得部１３１は、広告装置３０から予測対象のユーザの対象ログ情報を取得する。取得部１３１は、対象ログ情報を取得した場合、取得した対象ログ情報を予測部１３３へ送信する。なお、取得部１３１は、取得した対象ログ情報をログ情報記憶部１２１に格納してもよい。

（学習部１３２）
学習部１３２は、取得部１３１によって取得された対応情報に基づいて、所定の事象の発生に対する各要素の影響度を学習する。例えば、学習部１３２は、取得部１３１によって取得した対応情報に基づいて以下の学習処理を行う。

ここから、図５を用いて、学習処理の手順について説明する。図５は、第１の実施形態に係る学習処理手順を示すフローチャートである。学習部１３２には、図１に示すようなログ情報記憶部１２１に記憶された分割情報である分割情報ＩＤにより識別される複数の行動履歴と、コンバージョンに至ったか否かを示す情報である発生情報とが対応付けられた対応情報を用いる。

図６は、図１に示す対応情報を別の形式で表現した図である。まず、図６と図１との対応関係について説明する。図６（ａ）に示す「Ｂａｇ１」は、図１中のユーザＩＤ「Ｕ１１」の対応情報に対応する。そして、「＋１」は、図１中のユーザＩＤ「Ｕ１１」に関する発生情報「１」に対応する。また、図６（ａ）に示す「ｘ１」は図１中の「商品Ａの広告」に、「ｘ２」は図１中の「商品Ｂの広告」に、「ｘ３」は図１中の「商品Ｃの広告」に、「ｘ４」は図１中の「商品Ｄの広告」にそれぞれ対応する。また、図６（ａ）に示す「ｉｎｓｔａｎｃｅ１−１」は図１中の分割情報ＩＤ「Ｄ１１１」により識別される分割情報に、「ｉｎｓｔａｎｃｅ１−２」は図１中の分割情報ＩＤ「Ｄ１１２」により識別される分割情報に、「ｉｎｓｔａｎｃｅ１−３」は図１中の分割情報ＩＤ「Ｄ１１３」により識別される分割情報にそれぞれ対応する。図６（ａ）中の「ｉｎｓｔａｎｃｅ１−１」の右側に示す数値「８」、「０」、「４」、「９」・・・は、それぞれ、図１中の「Ｄ１１１」により識別される分割情報における「商品Ａの広告」、「商品Ｂの広告」、「商品Ｃの広告」、「商品Ｄの広告」・・・それぞれの配信回数に対応する。また、図６（ｂ）に示す「Ｂａｇ２」は、図１中のユーザＩＤ「Ｕ１２」の対応情報に対応する。同様に、図６（ｃ）に示す「Ｂａｇ３」は、図１中のユーザＩＤ「Ｕ１３」の対応情報に対応する。したがって、図６（ａ）〜（ｃ）に示すように、化粧品の購入に至った対応情報に対応する「Ｂａｇ１」と「Ｂａｇ３」とには「＋１」が割り当てられ、化粧品の購入に至らなかった対応情報に対応する「Ｂａｇ２」には「−１」が割り当てられる。

以下では、「Ｂａｇ１」〜「Ｂａｇ３」を単にバッグと称する場合があり、「＋１」が割り当てられたバッグをポジティブバッグと称し、「−１」が割り当てられたバッグをネガティブバッグと称する場合がある。また、「ｉｎｓｔａｎｃｅ１−１」〜「ｉｎｓｔａｎｃｅ３−３」を単にインスタンスと称する場合があり、「＋１」が割り当てられたインスタンスをポジティブインスタンスと称し、「−１」が割り当てられたインスタンスをネガティブインスタンスと称する場合がある。なお、インスタンスへの「＋１」又は「−１」の割り当てについては後述する。

まず、学習部１３２は、全てのポジティブバッグ内のインスタンスを全てポジティブに設定する（ステップＳ１０１）。具体的には、学習部１３２は、図７（ａ）及び（ｃ）に示すように、ポジティブバッグである「Ｂａｇ１」と「Ｂａｇ３」とに含まれる「ｉｎｓｔａｎｃｅ１−１」〜「ｉｎｓｔａｎｃｅ１−３」、「ｉｎｓｔａｎｃｅ３−１」〜「ｉｎｓｔａｎｃｅ３−３」にはそれぞれ「＋１」を割り当てる。また、学習部１３２は、全てのネガティブバッグ内のインスタンスを全てネガティブに設定する（ステップＳ１０２）。具体的には、図７（ｂ）に示すように、ネガティブバッグである「Ｂａｇ２」に含まれる「ｉｎｓｔａｎｃｅ２−１」〜「ｉｎｓｔａｎｃｅ２−３」にはそれぞれ「−１」を割り当てる。

ここで、各インスタンスに割り当てた値は、以下のような数式（１）及び（２）により導出される。

ｙ ＝ ｗ１・ｘ１ ＋ ｗ２・ｘ２ ＋・・・＋ｗｎ・ｘｎ ・・・（１）

ｚ ＝ ｓｇｎ（ｙ） ・・・（２）

まず、上記式（１）について説明する。上記式（１）中の「ｘ１」〜「ｘｎ」は、各分割情報を構成する要素（素性）に関する数値を示す。具体的には、「ｘ１」は「商品Ａの広告」の配信回数、「ｘ２」は「商品Ｂの広告」の配信回数、「ｘ３」は「商品Ｃの広告」の配信回数、「ｘ４」は「商品Ｄの広告」・・・の配信回数をそれぞれ示す。例えば、図７（ａ）に示す例において、「ｉｎｓｔａｎｃｅ１−１」については、「商品Ａの広告」の配信回数は「８」回であり、「商品Ｂの広告」の配信回数は「０」回であり、「商品Ｃの広告」の配信回数は「４」回であり、「商品Ｄの広告」の配信回数は「９」回であることを示す。また、上記式（１）中の「ｗ１」〜「ｗｎ」は、「ｘ１」〜「ｘｎ」のそれぞれの重み係数を示す。つまり、「ｗ１」は「商品Ａの広告」の重み係数を、「ｗ２」は「商品Ｂの広告」の重み係数、「ｗ３」は「商品Ｃの広告」の重み係数、「ｗ４」は「商品Ｄの広告」の重み係数・・・をそれぞれ示す。

次に、上記式（２）について説明する。上記式（２）中の「ｓｇｎ」は、符号関数であり実数に対しその符号に応じて「＋１」、「−１」のいずれかを返す関数である。例えば、「ｂ ＝ ｓｇｎ（ａ）」において、「ａ≧０」の場合「ｂ＝１」、「ａ＜０」の場合「ｂ＝−１」となる。つまり、上記式（２）中の「ｚ」は上記式（１）で算出される「ｙ」の値が「０」以上ならば「＋１」、「０」未満ならば「−１」となる。このような上記式（２）中の「ｚ」が、インスタンスに割り当てられる値となる。以下では、「ｙ」をインスタンスの「計算値」、「ｚ」をインスタンスの「符号値」と称して説明する。なお、符号関数「ｓｇｎ」が、「ａ＝０」に対して「ｂ＝０」を返す場合、「ｂ＝０」を「ｂ＝１」又は「ｂ＝−１」に置き換えて処理を行ってもよい。

次に、学習部１３２は、学習処理によりモデル、すなわち学習情報を生成する（ステップＳ１０３）。具体的には、学習部１３２は、ステップＳ１０１、Ｓ１０２で各インスタンスに割り当てた符号値を満たすような「ｗ１」〜「ｗｎ」の重み係数の組合せを求める。学習部１３２は、学習処理で用いるアルゴリズムとして、機械学習で用いられるアルゴリズムを用いる。例えば、学習部１３２は、アルゴリズムとしては、分類木、回帰木、判別分析、ｋ最近傍、単純ベイズ、サポートベクターマシンなどを用いる。

そして、学習部１３２は、生成したモデルを適用して全インスタンスの計算値と符号値を算出する（ステップＳ１０４）。具体的には、学習部１３２は、学習処理により導出された「ｗ１」〜「ｗｎ」の重み係数を用いて、各インスタンスに対応する上記式（１）中の「ｙ」と上記式（２）中の「ｚ」を算出する。

図８（ａ）〜（ｃ）は、ステップＳ１０４による各インスタンスの符号値の算出結果を示す。各インスタンスと「＝」で結ばれた「＋１」又は「−１」がインスタンスの符号値を示す。例えば、図８（ｂ）中の「ｉｎｓｔａｎｃｅ２−１」の符号値は「＋１」であり、「ｉｎｓｔａｎｃｅ２−２」の符号値は「＋１」であり、「ｉｎｓｔａｎｃｅ２−３」の符号値は「−１」であることを示す。また、図８（ａ）〜（ｃ）中の各インスタンスの符号値の右側の括弧内の数値は、インスタンスの計算値を示す。例えば、図８（ｃ）中の「ｉｎｓｔａｎｃｅ３−１」の計算値は「−８．２」であり、「ｉｎｓｔａｎｃｅ３−２」の計算値は「＋４．３」であり、「ｉｎｓｔａｎｃｅ３−３」の計算値は「＋２．５」であることを示す。

そして、学習部１３２は、各ポジティブバッグ内に少なくとも１つのポジティブなインスタンスが存在し（ステップＳ１０５：Ｙｅｓ）、各ネガティブバッグ内のインスタンスが全てネガティブの場合（ステップＳ１０６：Ｙｅｓ）、条件を満たす学習情報の生成が完了したとして、学習処理を終了する。なお、学習部１３２は、ステップＳ１０５の判定条件として、ポジティブバッグ内に１つのポジティブなインスタンスが存在することに限らず、所定数（例えば２つや３つ等）以上のポジティブなインスタンスが存在することを判定条件としてもよい。

また、学習部１３２は、１つもポジティブなインスタンスが存在しないポジティブバッグが存在する場合（ステップＳ１０５：Ｎｏ）や、インスタンスが全てネガティブでないネガティブバッグが存在する場合（ステップＳ１０６：Ｎｏ）であっても、モデルの生成を所定の回数行った場合（ステップＳ１０７：Ｎｏ）、学習処理を終了する。

ここで、図８（ａ）〜（ｃ）に示す例において、ポジティブバッグである「Ｂａｇ１」には、１つもポジティブなインスタンスが存在しないため（ステップＳ１０５：Ｎｏ）、モデルの生成回数が所定の回数未満（ステップＳ１０７：Ｙｅｓ）であれば、学習部１３２は、再度条件の設定（ステップＳ１０８、Ｓ１０９、Ｓ１０２）を行い、ステップＳ１０３〜Ｓ１０７の処理を繰り返す。例えば、モデルの生成回数が所定の回数未満の場合（ステップＳ１０７：Ｙｅｓ）、全てのポジティブバッグの中にインスタンスが全てネガティブなバッグが存在するか否か判定する（ステップＳ１０８）。図８（ａ）〜（ｃ）に示す例において、ポジティブバッグである「Ｂａｇ１」は、インスタンスが全てネガティブであるため（ステップＳ１０８：Ｙｅｓ）、学習部１３２は、最も計算値の大きいインスタンスをポジティブに設定し、残りのインスタンスをネガティブに設定する（ステップＳ１０９）。具体的には、学習部１３２は、図８（ａ）の「Ｂａｇ１」中の最も計算値の大きい「−０．８」である「ｉｎｓｔａｎｃｅ１−１」をポジティブ、つまり符号値を「＋１」に設定する（図８（ｄ）参照）。そして、学習部１３２は、残りのインスタンス「ｉｎｓｔａｎｃｅ１−２」と「ｉｎｓｔａｎｃｅ１−３」とをネガティブ、つまり符号値を「−１」に設定する（図８（ｄ）参照）。

また、少なくとも１つのポジティブなインスタンスが存在するポジティブバッグである「Ｂａｇ３」中のインスタンスについては、学習部１３２は、計算値に基づいてポジティブ又はネガティブのインスタンスに設定する。具体的には、学習部１３２は、図８（ｃ）の「Ｂａｇ３」中の計算値が正であるインスタンス、すなわち、計算値が「＋４．３」である「ｉｎｓｔａｎｃｅ３−２」と計算値が「＋２．５」である「ｉｎｓｔａｎｃｅ３−３」の２つのインスタンスをポジティブ、つまり符号値を「＋１」に設定する（図８（ｆ）参照）。そして、学習部１３２は、計算値が負であるインスタンス、すなわち、計算値が「−８．２」である「ｉｎｓｔａｎｃｅ３−１」をネガティブ、つまり符号値を「−１」に設定する（図８（ｆ）参照）。なお、学習部１３２は、少なくとも１つのポジティブなインスタンスが存在するポジティブバッグ（例えば、図８（ｃ）の「Ｂａｇ３」）についても、最も計算値の大きいインスタンスをポジティブに設定し、残りのインスタンスをネガティブに設定してもよい。

また、学習部１３２は、全てのネガティブバッグ内のインスタンスを全てネガティブに設定する（ステップＳ１０２）。具体的には、学習部１３２は、図８（ｂ）の「Ｂａｇ２」中の全てのインスタンス「ｉｎｓｔａｎｃｅ２−１」〜「ｉｎｓｔａｎｃｅ２−３」・・・をネガティブに設定する（図８（ｅ）参照）。

その後、学習部１３２は、上記の設定によって得られた、図８（ｄ）〜（ｆ）に示す「Ｂａｇ１」〜「Ｂａｇ３」を用いて再び学習処理を行う（ステップＳ１０３〜Ｓ１０７）。このように、学習部１３２は、モデルの生成回数が所定の回数未満の間、条件を満たす学習情報の生成が完了するまで、学習処理を繰り返す。そして、学習部１３２は、条件を満たした場合、又は所定の回数まで学習処理を行った場合に生成された学習情報を学習情報記憶部１２２に格納する。言い換えると、学習部１３２は、重み係数として各要素が所定の事象の発生に対する影響度を導出する。なお、各要素は、重み係数の値が大きい程、所定の事象の発生に対する影響度が大きい要素であるといえる。例えば、図４に示す例においては、学習情報記憶部１２２には学習情報として、「商品Ａの広告」の重み係数として「６」を、「商品Ｂの広告」の重み係数として「−２」を、「商品Ｃの広告」の重み係数として「３」を、「商品Ｄの広告」の重み係数として「４」が記憶されている。この場合、最も重み係数の値が大きい「商品Ａの広告」が、化粧品の購入に与える影響が最も大きい要素であることを示す。一方、重み係数の負の値である「商品Ｂの広告」は、化粧品の購入にマイナスの影響を与える要素であることを示す。具体的に例を示すと、「商品Ａの広告」の商品Ａがカメラである場合、上記の学習情報は、化粧品の購入に対してカメラの広告の影響度が大きいことを示す。また、「商品Ｂの広告」の商品Ｂが寝具である場合、上記の学習情報は、化粧品の購入に対して寝具の広告はマイナスの影響を与えることを示す。

（予測部１３３）
予測部１３３は、取得部１３１から対象ログ情報を受信した場合、学習情報記憶部１２２により記憶された学習情報を用いて、新たな分割情報に対応する対象において所定の事象が発生するか否かを予測する。具体的には、予測部１３３は、学習情報と対象ログ情報とを用いて、予測対象のユーザに関する予測情報を生成する予測処理を行う。

ここで、予測部１３３が、「商品Ａの広告」の配信回数が「３」、「商品Ｂの広告」の配信回数が「５」、「商品Ｃの広告」の配信回数が「０」、「商品Ｄの広告」の配信回数が「３」・・・である対象ログ情報を取得した場合を例として説明する。この場合、取得した対象ログ情報と、図４に示す学習情報とを用いて予測情報を生成する。

まず、予測部１３３は、上記式（１）に用いて、計算値「ｙ」を算出する。具体的には、「ｗ１」には「商品Ａの広告」の重み係数「６」を、「ｗ２」には「商品Ｂの広告」の重み係数「−２」を、「ｗ３」には「商品Ｃの広告」の重み係数「３」を、「ｗ４」には「商品Ｄの広告」の重み係数「４」・・・をそれぞれ代入する。また、「ｘ１」には「商品Ａの広告」の配信回数「３」を、「ｘ２」には「商品Ｂの広告」の配信回数「５」を、「ｘ３」には「商品Ｃの広告」の配信回数「０」を、「ｘ４」は「商品Ｄの広告」の配信回数「３」・・・をそれぞれ代入する。これにより、以下のような式（３）を得る。

ｙ ＝ ６・３＋（−２）・５＋３・０＋４・３・・・ ・・・（３）

上記式（３）について計算すると、例えば、以下のような式（４）を得る。

ｙ ＝ ３２ ・・・（４）

次に、予測部１３３は、上記式（４）により導出された計算値「ｙ」を用いて予測情報を生成する。例えば、予測部１３３は、上記式（４）により導出された計算値「ｙ」を上記式（２）に代入して、符号値「ｚ」を予測情報として生成する。具体的には、予測部１３３は、計算値「ｙ」＝「３２」を上記式（２）に代入して、以下のような式（５）を得る。

ｚ ＝ ｓｇｎ（３２） ・・・（５）

上記式（５）について計算すると、以下のような式（６）を得る。

ｚ ＝ ＋１ ・・・（６）

すなわち、上記式（６）によれば、符号値「ｚ」の値は「＋１」となり、予測対象のユーザは化粧品の購入に至りそうなユーザであることを示す予測情報が生成される。

また、例えば、予測部１３３が、「商品Ａの広告」の配信回数が「０」、「商品Ｂの広告」の配信回数が「７」、「商品Ｃの広告」の配信回数が「２」、「商品Ｄの広告」の配信回数が「１」・・・である対象ログ情報を取得した場合を説明する。この場合、取得した対象ログ情報と、図４に示す学習情報とを用いて予測情報を生成する。

まず、予測部１３３は、上記式（１）に用いて、計算値「ｙ」を算出する。具体的には、「ｗ１」には「商品Ａの広告」の重み係数「６」を、「ｗ２」には「商品Ｂの広告」の重み係数「−２」を、「ｗ３」には「商品Ｃの広告」の重み係数「３」を、「ｗ４」には「商品Ｄの広告」の重み係数「４」・・・をそれぞれ代入する。また、「ｘ１」には「商品Ａの広告」の配信回数「０」を、「ｘ２」には「商品Ｂの広告」の配信回数「７」を、「ｘ３」には「商品Ｃの広告」の配信回数「２」を、「ｘ４」は「商品Ｄの広告」の配信回数「１」・・・をそれぞれ代入する。これにより、以下のような式（７）を得る。

ｙ ＝ ６・０＋（−２）・７＋３・２＋４・１・・・ ・・・（７）

上記式（７）について計算すると、例えば、以下のような式（８）を得る。

ｙ ＝ −１８ ・・・（８）

次に、予測部１３３は、上記式（８）により導出された計算値「ｙ」を用いて予測情報を生成する。例えば、予測部１３３は、上記式（４）により導出された計算値「ｙ」を上記式（２）に代入して、符号値「ｚ」を予測情報として生成する。具体的には、予測部１３３は、計算値「ｙ」＝「−１８」を上記式（２）に代入して、以下のような式（９）を得る。

ｚ ＝ ｓｇｎ（−１８） ・・・（９）

上記式（９）について計算すると、以下のような式（１０）を得る。

ｚ ＝ −１ ・・・（１０）

すなわち、上記式（１０）によれば、符号値「ｚ」の値は「−１」となり、予測対象のユーザは化粧品の購入に至らなそうなユーザであることを示す予測情報が生成される。

なお、予測部１３３は、計算値「ｙ」を予測情報としてもよい。この場合、予測情報の数値が大きい程、予測対象のユーザが、化粧品の購入に至りそうなユーザであることがわかる。

（送信部１３４）
送信部１３４は、予測部１３３により生成された予測情報を広告装置３０へ送信する。具体的には、送信部１３４は、予測部１３３により生成された符号値「ｚ」を広告装置３０へ送信する。また、送信部１３４は、予測部１３３により生成された計算値「ｙ」を広告装置３０へ送信する。また、送信部１３４は、学習情報を広告装置３０へ送信してもよい。具体的には、送信部１３４は、各要素の重み係数を広告装置３０へ送信してもよい。

〔４．予測処理のフロー〕
次に、図９を用いて、第１の実施形態に係る予測システム１による予測処理の手順について説明する。図９は、第１の実施形態に係る予測システム１による予測処理手順を示すシーケンス図である。

図９に示すように、予測装置１００は、ログ情報の取得要求を広告装置３０に送信する（ステップＳ２０１）。そして、広告装置３０は、予測装置１００からの取得要求に応じて、ログ情報を予測装置１００に送信する（ステップＳ２０２）。そして、ログ情報を取得した予測装置１００は、取得したログ情報に基づいて上述した学習処理を行い、学習情報を生成する（ステップＳ２０３）。

続いて、広告装置３０は、予測対象のユーザの対象ログ情報を予測装置１００へ送信する（ステップＳ２０４）。そして、予測装置１００は、学習情報と対象ログ情報とに基づいて予測対象のユーザに関する予測情報を生成する予測処理を行う（ステップＳ２０５）。その後、予測装置１００は、予測対象のユーザに関する予測情報を広告装置３０へ送信する（ステップＳ２０６）。

そして、ウェブサーバ２０は、ユーザ端末１０からウェブページの取得要求を受信した場合（ステップＳ２０７）、ユーザ端末１０から取得要求に対応したウェブページをユーザ端末１０へ送信する（ステップＳ２０８）。ウェブページを受信したユーザ端末１０は、ウェブページに広告取得命令が含まれる場合には、広告コンテンツの取得を要求する広告要求を広告装置３０へ送信する（ステップＳ２０９）。

ユーザ端末１０から広告要求を受け付けた場合、広告装置３０は、広告要求を送信したユーザ端末１０に対応するユーザに関して予測情報を予測装置１００から取得しているか否かを確認する。そして、広告装置３０は、広告要求を送信したユーザ端末１０に対応するユーザに関して予測情報を取得している場合、予測情報を基に広告コンテンツを選択する（ステップＳ２１０）。そして、広告装置３０は、選択した広告コンテンツをユーザ端末１０へ送信する（ステップＳ２１１）。

〔５．変形例〕
上述した第１の実施形態に係る予測システム１は、上記第１の実施形態以外にも種々の異なる形態にて実施されてよい。そこで、以下では、予測システム１の他の実施形態について説明する。

〔５−１．複数の事象との対応付け〕
上記第１の実施形態において、予測装置１００は、コンピュータネットワーク上における所定の対象に関する同一の要素が分割された複数の分割情報と、対象において所定の事象が発生するか否かを示す発生有無とが対応付けられた対応情報を用いて、予測処理を行う。しかしながら、予測装置１００は、複数の分割情報と、複数の事象の発生有無とが対応付けられた対応情報を用いて予測処理を行ってもよい。この点について、図１０〜１１を用いて説明する。図１０は、変形例に係るログ情報記憶部の一例を示す図である。なお、図１０中に示す事象ＩＤや分割情報ＩＤは、例えば、「Ｅ１１」や「Ｄ１１１」等は、図１における同一ＩＤのものに対応する。

ここで、図１０に示したログ情報記憶部１２３について説明する。図１０に示すログ情報記憶部１２３では、ユーザＩＤ「Ｕ１１」に関する分割情報ＩＤ「Ｄ１１１」、「Ｄ１１２」、「Ｄ１１３」・・・でそれぞれ識別される複数の分割情報と、ユーザＩＤ「Ｕ１１」に関する事象ＩＤ「Ｅ１１」、「Ｅ１２」、「Ｅ１３」・・・でそれぞれ識別される３つの発生情報とが対応付けられている。また、ユーザＩＤ「Ｕ１２」に関する分割情報ＩＤ「Ｄ１２１」、「Ｄ１２２」、「Ｄ１２３」・・・でそれぞれ識別される複数の分割情報と、ユーザＩＤ「Ｕ１２」に関する事象ＩＤ「Ｅ１１」、「Ｅ１２」、「Ｅ１３」・・・でそれぞれ識別される３つの発生情報とが対応付けられている。同様に、ユーザＩＤ「Ｕ１３」に関する分割情報ＩＤ「Ｄ１３１」、「Ｄ１３２」、「Ｄ１３３」・・・でそれぞれ識別される複数の分割情報と、ユーザＩＤ「Ｕ１３」に関する事象ＩＤ「Ｅ１１」、「Ｅ１２」、「Ｅ１３」・・・でそれぞれ識別される３つの発生情報とが対応付けられている。なお、事象ＩＤ「Ｅ１１」により識別される所定の事象は化粧品の購入とし、事象ＩＤ「Ｅ１２」により識別される所定の事象はスポーツ用品の購入とし、事象ＩＤ「Ｅ１３」により識別される所定の事象はアクセサリの購入とする。

学習部１３２は、同じ事象ＩＤごとに学習処理を行い、複数の事象それぞれについてモデル（重み係数の組合せ）である学習情報を生成する。具体的には、学習部１３２は、分割情報ＩＤ「Ｄ１１１」、「Ｄ１１２」、「Ｄ１１３」・・・により識別される複数の分割情報に対して、ユーザＩＤ「Ｕ１１」に対応する事象ＩＤ「Ｅ１１」により識別される１つの事象に関する発生情報とが対応付けられた対応情報と、分割情報ＩＤ「Ｄ１２１」、「Ｄ１２２」、「Ｄ１２３」・・・により識別される複数の分割情報に対して、ユーザＩＤ「Ｕ１２」に対応する事象ＩＤ「Ｅ１１」により識別される１つの事象に関する発生情報とが対応付けられた対応情報と、分割情報ＩＤ「Ｄ１３１」、「Ｄ１３２」、「Ｄ１３３」・・・により識別される複数の分割情報に対して、ユーザＩＤ「Ｕ１３」に対応する事象ＩＤ「Ｅ１１」により識別される１つの事象に関する発生情報とが対応付けられた対応情報とを用いて、事象ＩＤ「Ｅ１１」により識別される化粧品の購入に関する学習情報を生成する。事象ＩＤ「Ｅ１２」により識別されるスポーツ用品の購入や、事象ＩＤ「Ｅ１３」により識別されるアクセサリの購入についても、同様に学習情報を生成する。

上述した学習処理により、学習部１３２は、事象ＩＤ「Ｅ１１」により識別される化粧品の購入に関する学習情報、事象ＩＤ「Ｅ１２」により識別されるスポーツ用品の購入に関する学習情報、事象ＩＤ「Ｅ１３」により識別されるアクセサリの購入に関する学習情報を生成する。言い換えると、図１０に示す例において、予測装置１００は、３つの学習情報を生成する。

図１１には、変形例に係る学習情報記憶部１２４の一例を示す。図１１に示すように、学習部１３２は、上述した学習処理により生成した学習情報を学習情報記憶部１２４に格納する。学習情報記憶部１２４は、ログ情報記憶部１２３に記憶された「行動履歴」である「商品Ａの広告」、「商品Ｂの広告」、「商品Ｃの広告」、「商品Ｄの広告」・・・の各素性に対応する重み係数が、３つの事象それぞれについて記憶される。図１１に示す例において、学習情報記憶部１２４には、事象ＩＤ「Ｅ１１」により識別される化粧品の購入に関して、「商品Ａの広告」の重み係数が「６」、「商品Ｂの広告」の重み係数が「−２」、「商品Ｃの広告」の重み係数が「３」、「商品Ｄの広告」の重み係数が「４」である学習情報が記憶される。また、学習情報記憶部１２４には、事象ＩＤ「Ｅ１２」により識別されるスポーツ用品の購入に関して、「商品Ａの広告」の重み係数が「−３」、「商品Ｂの広告」の重み係数が「５」、「商品Ｃの広告」の重み係数が「１」、「商品Ｄの広告」の重み係数が「０」である学習情報が記憶される。また、学習情報記憶部１２４には、事象ＩＤ「Ｅ１３」により識別されるアクセサリの購入に関して、「商品Ａの広告」の重み係数が「５」、「商品Ｂの広告」の重み係数が「０」、「商品Ｃの広告」の重み係数が「−１」、「商品Ｄの広告」の重み係数が「５」である学習情報が記憶される。

そして、予測部１３３は、予測対象のユーザに関する対象ログ情報を受信した場合、予測対象のユーザに関する予測情報を生成する。

まず、予測部１３３は、上記式（１）を用いて対象ログ情報に関する事象ＩＤ「Ｅ１１」〜「Ｅ１３」により識別される３つの事象の計算値「ｙ」を算出する。言い換えると、予測部１３３は、対象ログ情報に関して化粧品の購入、スポーツ用品の購入、アクセサリの購入のそれぞれについて計算値「ｙ」を算出する。そして、予測部１３３は、例えば、予測対象のユーザについて、化粧品の購入に関する計算値「ｙ」が「＋２．６」であり、スポーツ用品の購入に関する計算値「ｙ」が「−７．４」であり、アクセサリの購入に関する計算値「ｙ」が「＋５．４」である計算結果を得る。この場合、予測部１３３は、計算値が最も大きい事象であるアクセサリの購入に至りそうなユーザであることを示す予測情報を生成してもよい。または、符号値がともに「＋１」となる化粧品の購入とアクセサリの購入と至りそうなユーザであることを示す予測情報を生成してもよい。これにより、予測情報を受信した広告装置３０は、複数のコンバージョンのうちどのコンバージョンに至りそうなユーザであるかを判別することができる。そのため、広告装置３０は、ユーザに対して適切な広告コンテンツを配信できる。また、予測部１３３は、事象ＩＤ「Ｅ１１」〜「Ｅ１３」と各計算値「ｙ」とを対応付けた情報を予測情報としてもよい。この場合、予測情報を受信した広告装置３０は、予測情報の数値が大きいコンバージョンの方が、予測対象のユーザがそのコンバージョンに至る可能性が高いことがわかる。そのため広告装置３０は、ユーザに対してより適切な広告コンテンツを配信できる。

〔５−２．分割情報〕
上記第１の実施形態において、予測装置１００は、ユーザの行動履歴を用いて予測処理を行う。しかしながら、予測装置１００は、ユーザの行動履歴に限らず、ユーザのデモグラフィック属性やサイコグラフィック属性などを要素として含む分割情報を用いて予測処理を行ってもよい。この場合、予測装置１００は、所定の事象の発生とユーザ属性との相関関係を導出することができる。例えば、予測装置１００は、お酒の購入を所定の事象として学習処理を行い、分割情報の要素（素性）である女性の重み係数が大きいモデルが生成された場合、所定の事象であるお酒の購入とユーザ属性である女性との間に相関関係があると判定できる。また、予測装置１００は、ユーザの行動履歴であっても、上記第１の実施形態に示すような広告の配信回数に限らず、例えば、ウェブページの配信回数、所定のサービスへのログイン回数や時間帯、オンラインショッピングで買い物カゴに商品を入れた回数などを要素としてもよい。

これにより、予測装置１００は、分割情報から抽出される様々な要素に対して所定の事象に対する影響度を重み係数として導出できる。言い換えると、予測装置１００は、取得可能な情報であれば、どのような要素に対しても所定の事象との相関関係を判定できる。

〔５−３．対象がコンテンツ〕
上記第１の実施形態において、予測装置１００は、ユーザを対象として予測処理を行う。しかしながら、予測装置１００は、ユーザに限らず、コンピュータネットワーク上のコンテンツを対象として予測処理を行ってもよい。言い換えると、予測装置１００は、ユーザの行動履歴に限らず、コンテンツの情報を要素とする分割情報を対象に学習処理や予測処理を行ってもよい。例えば、予測装置１００は、ログ情報記憶部１２５に記憶されたログ情報を基に学習した結果を用いて予測対象のコンテンツがクリックされやすいかを予測する。この点について、図１２と図１３とを用いて以下説明する。なお、以下の例では、コンテンツを図２に示す例においてＳ１９でユーザへ送信される広告コンテンツである画像とし、クリックされやすいかの基準としては、その画像が所定の回数を超えてクリックされたか否かとする。

まず、図１２に示す変形例に係るログ情報記憶部１２５には、「コンテンツＩＤ」、「クリック」、「領域」、「分割情報ＩＤ」、「コンテンツ情報」といった情報が記憶される。なお、第１の実施形態に係るログ情報記憶部１２１と同様の構成については説明を省略する。

「コンテンツＩＤ」は、コンテンツを識別するための識別情報を示す。「クリック」は、事象を識別するための識別情報である「事象ＩＤ」と、所定の回数を超えるクリックの発生の有無を示す「発生情報」とからなる。ここで、クリックの回数としては、例えば、画像に他のウェブページへのリンクが張られており、その画像がクリックされることによりリンクが張られたウェブページが表示された回数を用いる。なお、ログ情報記憶部１２５は、図１２に示す例において、所定の回数を超えてクリックされた画像に対しては発生情報として「１」を割り当て、所定の回数を超えてクリックされなかった画像に対しては発生情報として「−１」を割り当てる。

「領域」は、そのコンテンツＩＤにより識別される画像を所定の面積ごとに分割した各領域を示す。図１２に示す例において、ログ情報記憶部１２５は、コンテンツＩＤ「Ｃ１１」により識別される画像が領域「Ａ１１」、「Ａ１２」、「Ａ１３」・・・と所定の面積で分割された領域ごとのコンテンツ情報を格納する。同様に、ログ情報記憶部１２５は、コンテンツＩＤ「Ｃ１２」により識別される画像が領域「Ａ２１」、「Ａ２２」、「Ａ２３」・・・と所定の面積で分割された領域ごとのコンテンツ情報を格納する。また、例えば、「Ａ１１」〜「Ａ３３」・・・それぞれの面積は等しい。

「コンテンツ情報」は、分割された領域ごとのコンテンツ情報を示す。図１２に示す例において、各画像の「コンテンツ情報」として、「色Ａの画素数」、「色Ｂの画素数」、「色Ｃの画素数」、「色Ｄの画素数」・・・それぞれの色ごとの画素数を格納する。このように、ログ情報記憶部１２５は、所定の領域ごとにコンテンツ情報を記憶する。図１２に示す例において、「色Ａの画素数」、「色Ｂの画素数」、「色Ｃの画素数」、「色Ｄの画素数」・・・が分割情報の要素（素性）となる。例えば、１つの要素である「色Ａの画素数」は、所定の領域ごとに分割されている。言い換えると、同一の要素が、所定の領域ごとに分割されている。つまり、ログ情報記憶部１２５は、所定の領域ごとに分割された複数のコンテンツ情報と、コンテンツに関する所定の事象の発生の有無を示す情報である発生情報とが対応付けられた対応情報を記憶する。なお、要素としては、各色の画素数だけに限られず、所定の領域内に含まれる色の数や、その領域の全体における位置など種々の情報を用いてもよい。

学習部１３２は、ログ情報記憶部１２５に記憶された対応情報を用いて学習処理を行い、モデル（重み係数の組合せ）である学習情報を生成する。具体的には、学習部１３２は、事象ＩＤ「Ｅ１４」により識別される事象である画像がクリックされやすいかに関する学習情報を生成する。

図１３には、変形例に係る学習情報記憶部１２６の一例を示す。図１３に示すように、学習部１３２は、生成した学習情報を学習情報記憶部１２６に格納する。学習情報記憶部１２６は、ログ情報記憶部１２５に記憶された「コンテンツ情報」である「色Ａの画素数」、「色Ｂの画素数」、「色Ｃの画素数」、「色Ｄの画素数」・・・の各素性に対応する重み係数が記憶される。図１３に示す例において、学習情報記憶部１２６には、事象ＩＤ「Ｅ１４」により識別される事象である画像がクリックされやすいかに関して、「色Ａの画素数」の重み係数が「５」、「色Ｂの画素数」の重み係数が「−３」、「色Ｃの画素数」の重み係数が「３」、「色Ｄの画素数」の重み係数が「０」である学習情報が記憶される。つまり、図１３に示す例において、最も重み係数の値が大きい「色Ａの画素数」が、画像のクリックされやすさに与える影響が最も大きい要素であることを示す。一方、最も重み係数の負の値である「色Ｂの画素数」は、画像のクリックされやすさにマイナスの影響を与える要素であることを示す。

そして、予測部１３３は、予測対象の画像に関する対象ログ情報を受信した場合、予測対象の画像に関する予測情報を生成する。

まず、予測部１３３は、上記式（１）を用いて対象ログ情報に関するクリックされやすさを示す計算値「ｙ」を算出する。そして、予測部１３３は、例えば、予測対象の画像について計算値「ｙ」が「＋４．３」である計算結果を得る。その後、予測部１３３は、上記式（２）に計算値「ｙ」＝「＋４．３」を代入し、符号値「ｚ」＝「＋１」を得る。この場合、予測部１３３は、予測対象の画像がクリックされやすい画像であることを示す予測情報を生成してもよい。または、予測部１３３は、計算値「ｙ」を予測情報としてもよい。

〔６．効果〕
上述してきたように、第１の実施形態に係る予測装置１００は、取得部１３１と、学習部１３２とを有する。取得部１３１は、コンピュータネットワーク上における所定の対象に関する同一の要素が分割された複数の分割情報と、対象において所定の事象が発生するか否かを示す発生有無とが対応付けられた対応情報を取得する。また、学習部１３２は、取得部１３１によって取得された対応情報に基づいて、所定の事象の発生に対する要素の影響度を学習する。

これにより、第１の実施形態に係る予測装置１００は、事象の発生を適切に予測するための学習を行うことができる。

また、第１の実施形態に係る予測装置１００は、予測部１３３を有する。予測部１３３は、学習部１３２による学習の結果に基づいて、新たな分割情報に対応する対象において所定の事象が発生するか否かを予測する。

これにより、第１の実施形態に係る予測装置１００は、事象の発生を適切に予測することができる。

また、第１の実施形態に係る予測装置１００において、取得部１３１は、複数の分割情報として対象であるユーザに関する同一のユーザ情報が分割された複数のユーザ情報と、ユーザが所定の行動を行うか否かを示す行動有無とが対応付けられた対応情報を取得する。また、学習部１３２は、取得部１３１によって取得された対応情報に基づいて、所定の行動に対する要素の影響度を学習する。

これにより、第１の実施形態に係る予測装置１００は、ユーザが所定の行動を行うか否かを予測するための学習を行うことができる。

また、第１の実施形態に係る予測装置１００において、取得部１３１は、ユーザに関する同一のユーザ情報が所定の期間ごとに分割された複数のユーザ情報を取得する。

これにより、第１の実施形態に係る予測装置１００は、ユーザが所定の行動を行うか否かを予測するための学習を行うことができる。

また、第１の実施形態に係る予測装置１００において、取得部１３１は、複数のユーザ情報と、行動有無としてユーザが所定のコンバージョンに至るか否かとが対応付けられた対応情報を取得する。また、学習部１３２は、取得部１３１によって取得された対応情報に基づいて、所定のコンバージョンに対する要素の影響度を学習する。

これにより、第１の実施形態に係る予測装置１００は、ユーザが所定のコンバージョンに至るか否かを予測するための学習を行うことができる。

また、第１の実施形態に係る予測装置１００において、取得部１３１は、対象であるコンテンツが分割された複数の分割情報と、コンテンツに関する情報が所定の閾値を超えるか否かを示す超過有無とが対応付けられた対応情報を取得する。また、学習部１３２は、取得部１３１によって取得された対応情報に基づいて、所定の閾値を超えることに対する要素の影響度を学習する。

これにより、第１の実施形態に係る予測装置１００は、コンテンツに関する情報が所定の閾値を超えるか否かを予測するための学習を行うことができる。

また、第１の実施形態に係る予測装置１００において、取得部１３１は、コンテンツである画像が分割された複数の分割情報と、超過有無として画像において所定のコンバージョンが所定の回数を超えるか否かとが対応付けられた対応情報を取得する。また、学習部１３２は、取得された対応情報に基づいて、所定のコンバージョンが所定の回数を超えることに対する要素の影響度を学習する。

これにより、第１の実施形態に係る予測装置１００は、所定のコンバージョンが所定の回数を超えるか否かを予測するための学習を行うことができる。

（第２の実施形態）
上記第１の実施形態において説明したように、予測システム１では、予測装置１００が生成した予測情報を広告装置３０へ提供する。一方、第２の実施形態では、予測装置１００が生成した予測情報をウェブサーバ２１へ提供する予測システム２について説明する。なお、第２の実施形態に係る予測装置１００の構成は、図３に示した構成と同様であるので、以下では説明を省略する。

〔１．予測システム〕
まず、予測装置１００を有する予測システム２について図１４を用いて説明する。図１４は、第２の実施形態に係る予測システムの構成例を示す図である。なお、図１４では、ユーザに関するユーザ情報がユーザの行動履歴である例を説明する。図１４に示す予測システム２は、ユーザの行動履歴に基づいてユーザが所定の行動が行うかを予測する予測サービスを提供する。また、図１４では、予測装置１００を予測対象のユーザが所定のサービスから離脱するかの予測に用いる例を示す。

図１４に示すように、予測システム２には、ユーザ端末１０と、ウェブサーバ２１と、予測装置１００とが含まれる。予測装置１００は、ネットワーク４０（図２０参照）を介して、ウェブサーバ２１と通信可能に接続される。なお、図１４に示す予測システム２には、複数台のユーザ端末１０や、複数台のウェブサーバ２１や、複数台の予測装置１００が含まれてもよい。なお、以下では、第１の実施形態に係る予測システム１で説明した構成については説明を省略する。

ウェブサーバ２１は、ユーザに対して所定のサービス、例えばＳＮＳサービスを提供する情報処理装置である。また、ウェブサーバ２１は、そのサービス内での各ユーザの行動履歴に関するログ情報を記憶する。具体的には、ウェブサーバ２１は、ユーザ端末１０からの要求に応じて所定の処理、例えばログインや書き込み等を行った場合、そのユーザを識別する情報と、所定の処理を識別する情報とを関連付けてログ情報として記憶する。例えば、ウェブサーバ２１は、ログインの情報などに基づいてユーザを特定し、ユーザを識別するＩＤに、そのユーザが要求した処理を識別するＩＤを関連付けてログ情報として記憶してもよい。また、ウェブサーバ２１は、そのユーザがサービスから離脱したかに関する情報もログ情報として記憶する。なお、ウェブサーバ２１は、ユーザがサービスから離脱したか否かは、例えば、アカウントの削除や所定の期間ログインがないなどの所定の条件に基づいて判定する。

図１４に示すように、予測装置１００は、ウェブサーバ２１からログ情報を取得する（ステップＳ２１）。例えば、予測装置１００は、ウェブサーバ２１へログ情報の送信を要求するログ要求情報を送信し、ログ要求情報を受信したウェブサーバ２１からログ情報を取得してもよい。なお、予測装置１００は、ウェブサーバ２１からログ情報を所定の間隔、例えば１日おきに取得してもよい。そして、予測装置１００は、取得したログ情報に基づいて、図１で説明した学習処理を行う（ステップＳ２２）。なお、予測装置１００は、ログ情報を取得する度に学習処理を行ってもよいし、所定の間隔、例えば１日おきに学習処理を行ってもよい。

続いて、予測装置１００は、ウェブサーバ２１から予測対象のユーザの行動履歴を対象ログ情報として受信する（ステップＳ２３）。そして、予測装置１００は、ステップＳ２２の学習処理により生成した学習情報と、対象ログ情報に基づいて第１の実施形態に係る図１で説明した予測処理を行い、予測対象のユーザに関する予測情報を生成する（ステップＳ２４）。すなわち、予測装置１００は、予測対象のユーザがそのサービスから離脱するか否かを予測した結果である予測情報を生成する。例えば、予測装置１００は、予測情報として、そのサービスから離脱する可能性が高いことを「１」、そのサービスから離脱する可能性が低いことを「０」で示す予測情報を生成する。その後、予測装置１００は、予測情報をウェブサーバ２１へ送信する（ステップＳ２５）。

そして、サービスから離脱する可能性が高いことを示す予測情報を受信したウェブサーバ２１は、予測対象のユーザのユーザ端末１０にサービスからの離脱を防ぐための誘因情報を送信する（ステップＳ２６）。例えば、ウェブサーバ２１は、誘因情報として、そのサービス内で使えるポイントや、そのサービスを利用している他ユーザの紹介などを予測対象のユーザのユーザ端末１０へ送信する。

次に、第２の実施形態に係るログ情報記憶部２２１と学習情報記憶部２２２について説明する。まず、図１５に示す第２の実施形態に係るログ情報記憶部２２１には、「ユーザＩＤ」、「離脱」、「期間」、「分割情報ＩＤ」、「行動履歴」といった情報が記憶される。なお、第１の実施形態に係るログ情報記憶部１２１と同様の構成については説明を省略する。

「離脱」は、事象を識別するための識別情報である「事象ＩＤ」と、そのユーザの離脱の有無を示す「発生情報」とからなる。また、ログ情報記憶部２２１は、図１５に示す例において、離脱したユーザに対しては発生情報として「１」を割り当て、離脱しなかったユーザに対しては発生情報として「−１」を割り当てる。

「行動履歴」は、分割された期間ごとに集計されたユーザの行動を示す。図１５に示す例において、各ユーザの「行動履歴」として、「ログイン回数」、「書き込み回数」、「他ユーザとのコミュニケーション回数」、「退会ページ閲覧数」・・・を格納する。このように、ログ情報記憶部１２１は、所定の期間、図１５に示す例においては１日ごとに行動履歴を記憶する。図１５に示す例において、「ログイン回数」、「書き込み回数」、「他ユーザとのコミュニケーション回数」、「退会ページ閲覧数」・・・が分割情報の要素（素性）となる。例えば、１つの要素である「ログイン回数」は、１日ごとに分割されている。言い換えると、同一の要素が、所定の期間ごとに分割されている。なお、他ユーザとのコミュニケーション回数として、他ユーザとのメッセージの送受信の回数などを用いてもよい。

ここで、図１５に示すように、１つの事象ＩＤにより識別される発生情報にそれぞれ異なる分割情報ＩＤにより識別される複数の行動履歴が対応付けられている。つまり、ログ情報記憶部２２１は、所定の期間ごとに分割された複数の行動履歴と、ユーザに関する所定の事象の発生の有無を示す情報である発生情報とが対応付けられた対応情報を記憶する。なお、要素としては、ログイン時間など種々の情報を用いてもよい。

学習部１３２は、ログ情報記憶部２２１に記憶された対応情報を用いて学習処理を行い、モデル（重み係数の組合せ）である学習情報を生成する。具体的には、学習部１３２は、事象ＩＤ「Ｅ２１」により識別される事象であるユーザが離脱するか否かに関する学習情報を生成する。

図１６には、第２の実施形態に係る学習情報記憶部２２２の一例を示す。図１６に示すように、学習部１３２は、生成した学習情報を学習情報記憶部２２２に格納する。学習情報記憶部２２２は、ログ情報記憶部２２１に記憶された「行動履歴」である、「ログイン回数」、「書き込み回数」、「他ユーザとのコミュニケーション回数」、「退会ページ閲覧数」・・・の各素性に対応する重み係数が記憶される。図１６に示す例において、学習情報記憶部２２２には、事象ＩＤ「Ｅ２１」により識別される事象であるユーザが離脱するか否かに関して、「ログイン回数」の重み係数が「−１」、「書き込み回数」の重み係数が「０」、「他ユーザとのコミュニケーション回数」の重み係数が「−８」、「退会ページ閲覧数」の重み係数が「４」である学習情報が記憶される。つまり、図１６に示す例において、最も重み係数の値が大きい「退会ページ閲覧数」が、ユーザの離脱に与える影響が最も大きい要素であることを示す。一方、最も重み係数の負の値である「ログイン回数」と「他ユーザとのコミュニケーション回数」とは、ユーザの離脱にマイナスの影響、つまりユーザが離脱しにくくなる影響を与える要素であることを示す。

そして、予測部１３３は、予測対象のユーザに関する対象ログ情報を受信した場合、予測対象のユーザに関する予測情報を生成する。

まず、予測部１３３は、上記式（１）を用いて対象ログ情報に関するユーザの離脱しやすさを示す計算値「ｙ」を算出する。そして、予測部１３３は、例えば、予測対象のユーザについて計算値「ｙ」が「＋１０．８」である計算結果を得る。その後、予測部１３３は、上記式（２）に計算値「ｙ」＝「＋１０．８」を代入し、符号値「ｚ」＝「＋１」を得る。この場合、予測部１３３は、予測対象のユーザが離脱する可能性が高いことを示す予測情報を生成してもよい。または、予測部１３３は、計算値「ｙ」を予測情報としてもよい。

その後、送信部１３４は、予測部１３３により生成された予測情報をウェブサーバ２１へ送信する。そして、サービスから離脱する可能性が高いことを示す予測情報を受信したウェブサーバ２１は、予測対象のユーザのユーザ端末１０にサービスからの離脱を防ぐための誘因情報等を送信する。

〔２．効果〕
上述してきたように、第２の実施形態に係る予測装置１００において、取得部１３１は、複数のユーザ情報と、行動有無としてユーザが所定のサービスから離脱するか否かとが対応付けられた対応情報を取得する。また、学習部１３２は、取得部１３１によって取得された対応情報に基づいて、所定のサービスからの離脱に対する要素の影響度を学習する。

これにより、第２の実施形態に係る予測装置１００は、ユーザが所定のサービスから離脱するか否かを予測するための学習を行うことができる。

（第３の実施形態）
上記第１の実施形態において説明したように、予測システム１では、予測装置１００が生成した予測情報を広告装置３０へ提供する。一方、第３の実施形態では、予測装置１００が生成した予測情報をウェブサーバ２２へ提供する予測システム３について説明する。なお、第３の実施形態に係る予測装置１００の構成は、図３に示した構成と同様であるので、以下では説明を省略する。

〔１．予測システム〕
まず、予測装置１００を有する予測システム３について図１７を用いて説明する。図１７は、第３の実施形態に係る予測システムの構成例を示す図である。なお、図１７では、ユーザに関するユーザ情報がユーザの行動履歴である例を説明する。図１７に示す予測システム３は、ユーザの行動履歴に基づいてユーザが所定の行動が行うかを予測する予測サービスを提供する。また、図１７では、予測装置１００を予測対象のユーザが所定のアプリケーションに対して所定値以上の評価を行うかの予測に用いる例を示す。

図１７に示すように、予測システム３には、ウェブサーバ２２と、予測装置１００とが含まれる。予測装置１００は、ネットワーク４０（図２０参照）を介して、ウェブサーバ２２と通信可能に接続される。なお、図１７に示す予測システム３には、複数台のウェブサーバ２２や、複数台の予測装置１００が含まれてもよい。なお、以下では、第１の実施形態に係る予測システム１で説明した構成については説明を省略する。

ウェブサーバ２２は、ユーザに対して所定のアプリケーションを提供する情報処理装置である。以下では、ウェブサーバ２２がアプリケーションとしてソーシャルゲームを提供する例を示す。ここで、ウェブサーバ２２は、そのソーシャルゲーム内での各ユーザの行動履歴に関するログ情報を記憶する。具体的には、ウェブサーバ２２は、ユーザからの要求に応じて所定の処理、例えば課金やコンテニュー等を行った場合、そのユーザを識別する情報と、所定の処理を識別する情報とを関連付けてログ情報として記憶する。例えば、ウェブサーバ２２は、ユーザから課金の要求を受け付けた場合、ソーシャルゲームに登録されたユーザＩＤに、そのユーザが要求した処理を識別するＩＤを関連付けてログ情報として記憶してもよい。また、ウェブサーバ２２は、そのユーザがソーシャルゲームに対する所定値以上の評価を行ったかに関する情報もログ情報として記憶する。

図１７に示すように、予測装置１００は、ウェブサーバ２２からログ情報を取得する（ステップＳ３１）。例えば、予測装置１００は、ウェブサーバ２２へログ情報の送信を要求するログ要求情報を送信し、ログ要求情報を受信したウェブサーバ２２からログ情報を取得してもよい。なお、予測装置１００は、ウェブサーバ２２からログ情報を所定の間隔、例えば１日おきに取得してもよい。そして、予測装置１００は、取得したログ情報に基づいて、図１で説明した学習処理を行う（ステップＳ３２）。なお、予測装置１００は、ログ情報を取得する度に学習処理を行ってもよいし、所定の間隔、例えば１日おきに学習処理を行ってもよい。

続いて、予測装置１００は、ウェブサーバ２２から予測対象のユーザの行動履歴を対象ログ情報として受信する（ステップＳ３３）。そして、予測装置１００は、ステップＳ３２の学習処理により生成した学習情報と、対象ログ情報に基づいて第１の実施形態に係る図１で説明した予測処理を行い、予測対象のユーザに関する予測情報を生成する（ステップＳ３４）。すなわち、予測装置１００は、予測対象のユーザがそのソーシャルゲームに対する所定値以上の評価を行うか否かを予測した結果である予測情報を生成する。例えば、予測装置１００は、予測情報として、そのソーシャルゲームに対する所定値以上の評価を行う可能性が高いことを「１」、そのソーシャルゲームに対する所定値以上の評価を行う可能性が低いことを「０」で示す予測情報を生成する。その後、予測装置１００は、予測情報をウェブサーバ２２へ送信する（ステップＳ３５）。

次に、第３の実施形態に係るログ情報記憶部３２１と学習情報記憶部３２２について説明する。まず、図１８に示す第２の実施形態に係るログ情報記憶部３２１には、「ユーザＩＤ」、「レビュー」、「ゲームステージ」、「分割情報ＩＤ」、「行動履歴」といった情報が記憶される。なお、第１の実施形態に係るログ情報記憶部１２１と同様の構成については説明を省略する。

「レビュー」は、事象を識別するための識別情報である「事象ＩＤ」と、所定値以上の評価の有無を示す「発生情報」とからなる。また、ログ情報記憶部３２１は、図１８に示す例において、所定値以上の評価を行ったユーザに対しては発生情報として「１」を割り当て、所定値以上の評価を行わなかったユーザに対しては発生情報として「−１」を割り当てる。

「ゲームステージ」は、そのユーザＩＤにより識別されるユーザの行動を対象とするソーシャルゲームの所定の構成単位を示す。図１８に示す例において、ログ情報記憶部３２１は、「ＧＳ１１」、「ＧＳ１２」、「ＧＳ１３」・・・と所定の期間で分割されたユーザの行動履歴を格納する。

「行動履歴」は、所定の期間ごとに集計されたユーザの行動を示す。図１８に示す例において、各ユーザの「行動履歴」として、「課金回数」、「コンテニュー数」、「獲得アイテム数」、「チャット回数」・・・を格納する。このように、ログ情報記憶部３２１は、所定の期間、図１８に示す例においては１日ごとに行動履歴を記憶する。図１８に示す例において、「課金回数」、「コンテニュー数」、「獲得アイテム数」、「チャット回数」・・・が分割情報の要素（素性）となる。例えば、１つの要素である「課金回数」は、ゲームステージごとに分割されている。言い換えると、同一の要素が、所定の期間ごとに分割されている。

ここで、図１８に示すように、１つの事象ＩＤにより識別される発生情報にそれぞれ異なる分割情報ＩＤにより識別される複数の行動履歴が対応付けられている。つまり、ログ情報記憶部３２１は、所定の期間ごとに分割された複数の行動履歴と、ユーザに関する所定の事象の発生の有無を示す情報である発生情報とが対応付けられた対応情報を記憶する。なお、要素としては、アプリケーションの起動回数など種々の情報を用いてもよい。

学習部１３２は、ログ情報記憶部３２１に記憶された対応情報を用いて学習処理を行い、モデル（重み係数の組合せ）である学習情報を生成する。具体的には、学習部１３２は、事象ＩＤ「Ｅ３１」により識別される事象である所定値以上の評価を行うか否かに関する学習情報を生成する。

図１９には、第３の実施形態に係る学習情報記憶部３２２の一例を示す。図１９に示すように、学習部１３２は、生成した学習情報を学習情報記憶部３２２に格納する。学習情報記憶部３２２は、ログ情報記憶部３２１に記憶された「行動履歴」である、「課金回数」、「コンテニュー数」、「獲得アイテム数」、「チャット回数」・・・の各素性に対応する重み係数が記憶される。図１９に示す例において、学習情報記憶部３２２には、事象ＩＤ「Ｅ３１」により識別される事象であるユーザが所定値以上の評価を行うか否かに関して、「課金回数」の重み係数が「−４」、「コンテニュー数」の重み係数が「０」、「獲得アイテム数」の重み係数が「１」、「チャット回数」の重み係数が「６」である学習情報が記憶される。つまり、図１９に示す例において、最も重み係数の値が大きい「チャット回数」が、所定値以上の評価を行うかに与える影響が最も大きい要素であることを示す。一方、最も重み係数の負の値である「課金回数」は、所定値以上の評価を行うかにマイナスの影響、つまり所定値以上の評価を行わなくなる影響を与える要素であることを示す。

そして、予測部１３３は、予測対象のユーザに関する対象ログ情報を受信した場合、予測対象のユーザに関する予測情報を生成する。

まず、予測部１３３は、上記式（１）を用いて対象ログ情報に関するユーザが所定値以上の評価を行う可能性の高さを示す計算値「ｙ」を算出する。そして、予測部１３３は、例えば、予測対象のユーザについて計算値「ｙ」が「−３．５」である計算結果を得る。その後、予測部１３３は、上記式（２）に計算値「ｙ」＝「−３．５」を代入し、符号値「ｚ」＝「−１」を得る。この場合、予測部１３３は、予測対象のユーザが所定値以上の評価を行う可能性が低いことを示す予測情報を生成してもよい。または、予測部１３３は、計算値「ｙ」を予測情報としてもよい。その後、送信部１３４は、予測部１３３により生成された予測情報をウェブサーバ２２へ送信する。

なお、ウェブサーバ２２が提供するアプリケーションは、ユーザ端末にダウンロードされるアプリケーション、いわゆるネイティブアプリケーションや、ウェブブラウザを利用するアプリケーション、いわゆるウェブアプリケーションなど、対応情報が取得可能であればどのような形態で提供されるアプリケーションであってもよい。また、ウェブサーバ２２が提供するアプリケーションは、ゲーム限らず、ニュース配信や、天気予報や、乗換案内など、どのような種類のアプリケーションであってもよい。また、上記の例では、送信部１３４が予測情報をウェブサーバ２２へ送信する例を示したが、送信部１３４は、学習情報をウェブサーバ２２へ送信してもよい。この場合、学習情報を受信したウェブサーバ２２は、どの要素がユーザの評価に与える影響が大きいかを把握できるため、ユーザの評価がより高くなるようなアプリケーションの開発を行うことが可能となる。

〔２．変形例〕
上述した第３の実施形態に係る予測システム３は、上記第３の実施形態以外にも種々の異なる形態にて実施されてよい。そこで、以下では、予測システム３の他の実施形態について説明する。

〔２−１．所定の事象はサイトの閲覧〕
上記第３の実施形態において、予測装置１００は、ユーザが所定のアプリケーションに対して所定値以上の評価を行うかについて予測処理を行う。しかしながら、予測装置１００は、コンピュータネットワーク上におけるユーザの行動履歴に基づいて、例えば、ユーザが所定のサイトを閲覧するかを予測してもよい。この場合、予測装置１００は、コンピュータネットワーク上における所定のユーザに関するユーザ情報が分割された複数の分割情報と、そのユーザが所定のサイトを閲覧するか否かを示す発生有無とが対応付けられた対応情報を用いて、予測処理を行う。ここで、複数の分割情報は、例えば、所定の期間ごとに分割されたものとする。なお、予測装置１００は、ユーザ情報としては、取得可能であれば様々な情報を用いてもよい。例えば、予測装置１００は、ユーザ情報として、様々なサイトの閲覧数や、特定のサービスへのログイン回数、メールの受信数、送信数などを用いてもよい。

〔２−２．対象がコンテンツ〕
上記第３の実施形態において、予測装置１００は、ユーザを対象として予測処理を行う。しかしながら、予測装置１００は、ユーザに限らず、コンピュータネットワーク上のコンテンツを対象として予測処理を行ってもよい。例えば、予測装置１００は、コンテンツをウェブページとし、そのウェブページのレイヤや素性に関する情報に基づいて予測する。この場合、予測装置１００は、ウェブページのレイヤや素性に関する同一の要素が分割された複数の分割情報と、そのウェブページが所定の時間を超えて表示されるか否かを示す発生有無とが対応付けられた対応情報を用いて、予測処理を行う。ここで、複数の分割情報は、例えば、所定の面積ごとに分割されたものとする。なお、予測装置１００は、要素として、レイヤ数や、各レイヤの画像数、文字数などを用いてもよい。また、予測装置１００は、ウェブページのレイヤや素性に関する同一の要素が分割された複数の分割情報と、そのウェブページが所定の回数を超えて誤クリックされるか否かを示す発生有無とが対応付けられた対応情報を用いて、予測処理を行ってもよい。

また、予測装置１００は、コンテンツを広告コンテンツとし、その広告コンテンツに含まれる単語に関する情報に基づいて予測してもよい。この場合、予測装置１００は、広告コンテンツに含まれる単語に関する情報が分割された複数の分割情報と、その広告コンテンツにおいて所定のコンバージョンが所定の回数を超えて行われるか否かを示す発生有無とが対応付けられた対応情報を用いて、予測処理を行う。ここで、複数の分割情報は、例えば、所定の面積ごとに分割されたものとする。なお、予測装置１００は、要素として、単語の出現頻度や、単語の文章全体での割合、単語の出現間隔などを用いてもよい。

また、予測装置１００は、コンテンツを広告コンテンツとし、その広告コンテンツに関する情報に基づいて予測してもよい。この場合、予測装置１００は、広告コンテンツが分割された複数の分割情報と、その広告コンテンツが所定の審査項目数を超えて該当するか否かを示す発生有無とが対応付けられた対応情報を用いて、予測処理を行う。ここで、複数の分割情報は、例えば、所定の面積ごとに分割されたものとする。なお、予測装置１００は、要素として、特定の色画素数や、含まれる色の総数などを用いてもよい。

また、予測装置１００は、コンテンツを広告コンテンツとし、その広告コンテンツに関する情報に基づいて予測してもよい。この場合、予測装置１００は、広告コンテンツが分割された複数の分割情報と、その広告コンテンツにおいて広告収入が所定の金額を超えるか否かを示す発生有無とが対応付けられた対応情報を用いて、予測処理を行う。ここで、複数の分割情報は、例えば、所定の面積ごとに分割されたものとする。なお、予測装置１００は、要素として、特定の色画素数や、含まれる色の総数などを用いてもよい。

〔３．効果〕
上述してきたように、第３の実施形態に係る予測装置１００において、取得部１３１は、複数のユーザ情報と、行動有無としてユーザが所定のアプリに対して所定値以上の評価を行うか否かとが対応付けられた対応情報を取得する。学習部１３２は、取得部１３１によって取得された対応情報に基づいて、所定のアプリに対する所定値以上の評価に対する要素の影響度を学習する。

これにより、第３の実施形態に係る予測装置１００は、ユーザが所定値以上の評価を行うか否かを予測するための学習を行うことができる。

また、第３の実施形態に係る予測装置１００において、取得部１３１は、複数のユーザ情報と、行動有無としてユーザが所定のサイトを閲覧するか否かとが対応付けられた対応情報を取得する。学習部１３２は、取得部１３１によって取得された対応情報に基づいて、所定のサイトの閲覧に対する要素の影響度を学習する。

これにより、第３の実施形態に係る予測装置１００は、ユーザが所定のサイトを閲覧するか否かを予測するための学習を行うことができる。

また、第３の実施形態に係る予測装置１００において、取得部１３１は、複数の分割情報と、超過有無としてコンテンツが所定の時間を超えて表示されるか否かとが対応付けられた対応情報を取得する。学習部１３２は、取得部１３１によって取得された対応情報に基づいて、コンテンツが所定の時間を超えて表示されることに対する要素の影響度を学習する。

これにより、第３の実施形態に係る予測装置１００は、コンテンツが所定の時間を超えて表示されるか否かを予測するための学習を行うことができる。

また、第３の実施形態に係る予測装置１００において、取得部１３１は、複数の分割情報と、超過有無としてコンテンツが所定の回数を超えて誤クリックされるか否かとが対応付けられた対応情報を取得する。学習部１３２は、取得部１３１によって取得された対応情報に基づいて、コンテンツが所定の回数を超えて誤クリックされることに対する要素の影響度を学習する。

これにより、第３の実施形態に係る予測装置１００は、コンテンツが所定の回数を超えて誤クリックされるか否かを予測するための学習を行うことができる。

また、第３の実施形態に係る予測装置１００において、取得部１３１は、コンテンツに含まれる単語に関する情報が分割された複数の分割情報と、超過有無としてコンテンツにおいて所定のコンバージョンが所定の回数を超えて行われるか否かとが対応付けられた対応情報を取得する。学習部１３２は、取得部１３１によって取得された対応情報に基づいて、所定のコンバージョンが所定の回数を超えることに対する要素の影響度を学習する。

これにより、第３の実施形態に係る予測装置１００は、コンテンツにおいて所定のコンバージョンが所定の回数を超えて行われるか否かを予測するための学習を行うことができる。

また、第３の実施形態に係る予測装置１００において、取得部１３１は、広告コンテンツが分割された複数の分割情報と、超過有無として広告コンテンツが所定の審査項目数を超えて該当するか否かとが対応付けられた対応情報を取得する。学習部１３２は、取得部１３１によって取得された対応情報に基づいて、広告コンテンツが所定の審査項目数を超えて該当することに対する要素の影響度を学習する。

これにより、第３の実施形態に係る予測装置１００は、広告コンテンツが所定の審査項目数を超えて該当するか否かを予測するための学習を行うことができる。

また、第３の実施形態に係る予測装置１００において、取得部１３１は、広告コンテンツが分割された複数の分割情報と、超過有無として広告コンテンツによる広告収入が所定の金額を超えるか否かとが対応付けられた対応情報を取得する。学習部１３２は、取得部１３１によって取得された対応情報に基づいて、広告収入が所定の金額を超えることに対する要素の影響度を学習する。

これにより、第３の実施形態に係る予測装置１００は、広告コンテンツにおいて広告収入が所定の金額を超えるか否かを予測するための学習を行うことができる。

（第１〜３の実施形態について）
〔１．ハードウェア構成〕
上述してきた第１〜３の実施形態に係る予測装置１００は、例えば図２０に示すような構成のコンピュータ１０００によって実現される。図２０は、予測装置１００の機能を実現するコンピュータ１０００の一例を示すハードウェア構成図である。コンピュータ１０００は、ＣＰＵ１１００、ＲＡＭ１２００、ＲＯＭ１３００、ＨＤＤ１４００、通信インターフェイス（Ｉ／Ｆ）１５００、入出力インターフェイス（Ｉ／Ｆ）１６００、及びメディアインターフェイス（Ｉ／Ｆ）１７００を有する。

ＣＰＵ１１００は、ＲＯＭ１３００又はＨＤＤ１４００に格納されたプログラムに基づいて動作し、各部の制御を行う。ＲＯＭ１３００は、コンピュータ１０００の起動時にＣＰＵ１１００によって実行されるブートプログラムや、コンピュータ１０００のハードウェアに依存するプログラム等を格納する。

ＨＤＤ１４００は、ＣＰＵ１１００によって実行されるプログラム、及び、かかるプログラムによって使用されるデータ等を格納する。通信インターフェイス１５００は、ネットワーク４０を介して他の機器からデータを受信してＣＰＵ１１００へ送り、ＣＰＵ１１００が生成したデータをネットワーク４０を介して他の機器へ送信する。

ＣＰＵ１１００は、入出力インターフェイス１６００を介して、ディスプレイやプリンタ等の出力装置、及び、キーボードやマウス等の入力装置を制御する。ＣＰＵ１１００は、入出力インターフェイス１６００を介して、入力装置からデータを取得する。また、ＣＰＵ１１００は、生成したデータを入出力インターフェイス１６００を介して出力装置へ出力する。

メディアインターフェイス１７００は、記録媒体１８００に格納されたプログラム又はデータを読み取り、ＲＡＭ１２００を介してＣＰＵ１１００に提供する。ＣＰＵ１１００は、かかるプログラムを、メディアインターフェイス１７００を介して記録媒体１８００からＲＡＭ１２００上にロードし、ロードしたプログラムを実行する。記録媒体１８００は、例えばＤＶＤ（Digital Versatile Disc）、ＰＤ（Phase change rewritable Disk）等の光学記録媒体、ＭＯ（Magneto-Optical disk）等の光磁気記録媒体、テープ媒体、磁気記録媒体、または半導体メモリ等である。

例えば、コンピュータ１０００が第１〜３の実施形態に係る予測装置１００として機能する場合、コンピュータ１０００のＣＰＵ１１００は、ＲＡＭ１２００上にロードされたプログラムを実行することにより、制御部１３０の機能を実現する。コンピュータ１０００のＣＰＵ１１００は、これらのプログラムを記録媒体１８００から読み取って実行するが、他の例として、他の装置からネットワーク４０を介してこれらのプログラムを取得してもよい。

以上、本願の実施形態のいくつかを図面に基づいて詳細に説明したが、これらは例示であり、発明の開示の行に記載の態様を始めとして、当業者の知識に基づいて種々の変形、改良を施した他の形態で本発明を実施することが可能である。

〔２．その他〕
また、上記各実施形態において説明した各処理のうち、自動的に行われるものとして説明した処理の全部または一部を手動的に行うこともでき、あるいは、手動的に行われるものとして説明した処理の全部または一部を公知の方法で自動的に行うこともできる。この他、上記文書中や図面中で示した処理手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。例えば、各図に示した各種情報は、図示した情報に限られない。

また、図示した各装置の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、各装置の分散・統合の具体的形態は図示のものに限られず、その全部または一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。

また、上述してきた各実施形態は、処理内容を矛盾させない範囲で適宜組み合わせることが可能である。

また、上述してきた「部（section、module、unit）」は、「手段」や「回路」などに読み替えることができる。例えば、取得部は、取得手段や取得回路に読み替えることができる。

１ 予測システム
３０ 広告装置
１００ 予測装置
１２１ ログ情報記憶部
１２２ 学習情報記憶部
１３０ 制御部
１３１ 取得部
１３２ 学習部
１３３ 予測部
１３４ 送信部

Claims (17)

1. コンピュータネットワーク上における所定の対象に関する同一の要素が分割された複数の分割情報と、前記対象において所定の事象が発生するか否かを示す発生有無とが対応付けられた対応情報を取得する取得部と、
   前記取得部によって取得された対応情報に基づいて、前記所定の事象の発生に対する前記要素の影響度を学習する学習部と、
   を備えたことを特徴とする学習装置。
2. 前記学習部による学習の結果に基づいて、新たな分割情報に対応する対象において所定の事象が発生するか否かを予測する予測部、
   をさらに備えたことを特徴とする請求項１に記載の学習装置。
3. 前記取得部は、
   前記複数の分割情報として前記対象であるユーザに関する同一のユーザ情報が分割された複数のユーザ情報と、前記ユーザが所定の行動を行うか否かを示す行動有無とが対応付けられた対応情報を取得し、
   前記学習部は、
   前記取得部によって取得された対応情報に基づいて、前記所定の行動に対する前記要素の影響度を学習する、
   ことを特徴とする請求項１又は請求項２に記載の学習装置。
4. 前記取得部は、
   前記ユーザに関する前記同一のユーザ情報が所定の期間ごとに分割された前記複数のユーザ情報を取得する、
   ことを特徴とする請求項３に記載の学習装置。
5. 前記取得部は、
   前記複数のユーザ情報と、前記行動有無として前記ユーザが所定のコンバージョンに至るか否かとが対応付けられた対応情報を取得し、
   前記学習部は、
   前記取得部によって取得された対応情報に基づいて、前記所定のコンバージョンに対する前記要素の影響度を学習する、
   ことを特徴とする請求項３又は請求項４に記載の学習装置。
6. 前記取得部は、
   前記複数のユーザ情報と、前記行動有無として前記ユーザが所定のサイトを閲覧するか否かとが対応付けられた対応情報を取得し、
   前記学習部は、
   前記取得部によって取得された対応情報に基づいて、前記所定のサイトの閲覧に対する前記要素の影響度を学習する、
   ことを特徴とする請求項３又は請求項４に記載の学習装置。
7. 前記取得部は、
   前記複数のユーザ情報と、前記行動有無として前記ユーザが所定のサービスから離脱するか否かとが対応付けられた対応情報を取得し、
   前記学習部は、
   前記取得部によって取得された対応情報に基づいて、前記所定のサービスからの離脱に対する前記要素の影響度を学習する、
   ことを特徴とする請求項３又は請求項４に記載の学習装置。
8. 前記取得部は、
   前記複数のユーザ情報と、前記行動有無として前記ユーザが所定のアプリに対して所定値以上の評価を行うか否かとが対応付けられた対応情報を取得し、
   前記学習部は、
   前記取得部によって取得された対応情報に基づいて、前記所定のアプリに対する所定値以上の評価に対する前記要素の影響度を学習する、
   ことを特徴とする請求項３又は請求項４に記載の学習装置。
9. 前記取得部は、
   前記対象であるコンテンツが分割された前記複数の分割情報と、前記コンテンツに関する情報が所定の閾値を超えるか否かを示す超過有無とが対応付けられた対応情報を取得し、
   前記学習部は、
   前記取得部によって取得された対応情報に基づいて、前記所定の閾値を超えることに対する前記要素の影響度を学習する、
   ことを特徴とする請求項１又は請求項２に記載の学習装置。
10. 前記取得部は、
    前記コンテンツである画像が分割された複数の分割情報と、前記超過有無として前記画像において所定のコンバージョンが所定の回数を超えるか否かとが対応付けられた対応情報を取得し、
    前記学習部は、
    前記取得部によって取得された対応情報に基づいて、前記所定のコンバージョンが前記所定の回数を超えることに対する前記要素の影響度を学習する、
    ことを特徴とする請求項９に記載の学習装置。
11. 前記取得部は、
    前記複数の分割情報と、前記超過有無として前記コンテンツが所定の時間を超えて表示されるか否かとが対応付けられた対応情報を取得し、
    前記学習部は、
    前記取得部によって取得された対応情報に基づいて、前記コンテンツが前記所定の時間を超えて表示されることに対する前記要素の影響度を学習する、
    ことを特徴とする請求項９に記載の学習装置。
12. 前記取得部は、
    前記複数の分割情報と、前記超過有無として前記コンテンツが所定の回数を超えて誤クリックされるか否かとが対応付けられた対応情報を取得し、
    前記学習部は、
    前記取得部によって取得された対応情報に基づいて、前記コンテンツが前記所定の回数を超えて誤クリックされることに対する前記要素の影響度を学習する、
    ことを特徴とする請求項９に記載の学習装置。
13. 前記取得部は、
    前記コンテンツに含まれる単語に関する情報が分割された複数の分割情報と、前記超過有無として前記コンテンツにおいて所定のコンバージョンが所定の回数を超えて行われるか否かとが対応付けられた対応情報を取得し、
    前記学習部は、
    前記取得部によって取得された対応情報に基づいて、前記所定のコンバージョンが前記所定の回数を超えることに対する前記単語の影響度を学習する、
    ことを特徴とする請求項９に記載の学習装置。
14. 前記取得部は、
    広告コンテンツが分割された前記複数の分割情報と、前記超過有無として前記広告コンテンツが所定の審査項目数を超えて該当するか否かとが対応付けられた対応情報を取得し、
    前記学習部は、
    前記取得部によって取得された対応情報に基づいて、前記広告コンテンツが前記所定の審査項目数を超えて該当することに対する前記要素の影響度を学習する、
    ことを特徴とする請求項９に記載の学習装置。
15. 前記取得部は、
    広告コンテンツが分割された前記複数の分割情報と、前記超過有無として前記広告コンテンツによる広告収入が所定の金額を超えるか否かとが対応付けられた対応情報を取得し、
    前記学習部は、
    前記取得部によって取得された対応情報に基づいて、前記広告収入が前記所定の金額を超えることに対する前記要素の影響度を学習する、
    ことを特徴とする請求項９に記載の学習装置。
16. コンピュータが実行する学習方法であって、
    コンピュータネットワーク上における所定の対象に関する同一の要素が分割された複数の分割情報と、前記対象において所定の事象が発生するか否かを示す発生有無とが対応付けられた対応情報を取得する取得工程と、
    前記取得工程によって取得された対応情報に基づいて、前記所定の事象の発生に対する前記要素の影響度を学習する学習工程と、
    を備えたことを特徴とする学習方法。
17. コンピュータネットワーク上における所定の対象に関する同一の要素が分割された複数の分割情報と、前記対象において所定の事象が発生するか否かを示す発生有無とが対応付けられた対応情報を取得する取得手順と、
    前記取得手順によって取得された対応情報に基づいて、前記所定の事象の発生に対する前記要素の影響度を学習する学習手順と、
    をコンピュータに実行させることを特徴とする学習プログラム。

Images