JP2016062275A - 抽出装置、抽出方法および抽出プログラム - Google Patents

Abstract

【課題】コンテンツの訴求効果を高めるキーワードを抽出すること。
【解決手段】本願に係る抽出装置は、算出部と、抽出部とを備える。算出部は、コンテンツに紐づかせるキーワードとしての評価値を算定し、算定した評価値に基づいてキーワードを抽出する抽出モデルであって、互いに異なる手法を用いて評価値を算定する抽出モデル毎に、抽出モデルによって所定の条件に適合するキーワードが抽出された度合いに基づいて、抽出モデル毎の指標値を算出する。抽出部は、算出部によって算出された指標値により重み付けされた抽出モデルが算定する評価値に基づいて、コンテンツに紐づかせるキーワード、又は、コンテンツを抽出させるためのキーワードを抽出する。
【選択図】図２

Description

本発明は、抽出装置、抽出方法および抽出プログラムに関する。

インターネット上には膨大な情報が開示されており、ユーザは、知りたい情報を探す際には検索サイトを利用する場合が多い。かかる検索サイトでは、検索マッチング広告や検索連動広告と呼ばれる広告配信が行われることがある。

この種の広告配信において、広告主が広告の入稿時に一又は二以上の広告関連キーワードを指定する技術が知られている。この技術では、広告関連キーワードがユーザから検索キーワードとして入力された場合に、検索キーワードに応じた検索結果に隣接させて、広告関連キーワードに関連する広告を表示する。

特開２０１０−２１１７７７号公報

しかしながら、上記の従来技術では、コンテンツの訴求効果を高めるキーワードを抽出することができるとは限らない。具体的には、上記の従来技術では、入稿されたコンテンツである広告に対して広告主が適切に広告関連キーワードを指定する手法については開示されていない。そして、検索連動型の広告配信においては、広告関連キーワードが適切に指定されなければ、適切な広告を配信することができない。これにより、配信される広告の訴求効果が十分に発揮されないおそれがある。

なお、上記では、コンテンツとして広告を例に挙げ、訴求効果を高めることができるとは限らない点について説明した。しかし、広告目的以外のコンテンツにおいても同様に、訴求効果を高めることができるとは限らない。すなわち、上記のような検索連動型の広告配信の例に限られず、キーワードに関連するコンテンツを配信する技術分野においては、キーワードが適切に指定されなければ、適切なコンテンツを配信することができず、コンテンツの訴求効果を高めることができるとは限らない。

本願は、上記に鑑みてなされたものであって、コンテンツの訴求効果を高めるキーワードを抽出することができる抽出装置、抽出方法及び抽出プログラムを提供することを目的とする。

本願に係る抽出装置は、コンテンツに紐づかせるキーワードとしての評価値を算定し、算定した前記評価値に基づいて前記キーワードを抽出する抽出モデルであって、互いに異なる手法を用いて前記評価値を算定する前記抽出モデル毎に、前記抽出モデルによって所定の条件に適合するキーワードが抽出された度合いに基づいて、前記抽出モデル毎の指標値を算出する算出部と、前記算出部によって算出された指標値により重み付けされた前記抽出モデルが算定する前記評価値に基づいて、前記コンテンツに紐づかせるキーワード、又は、前記コンテンツを抽出させるためのキーワードを抽出する抽出部と、を備えたことを特徴とする。

実施形態の一態様によれば、コンテンツの訴求効果を高めるキーワードを抽出することができるという効果を奏する。

図１は、実施形態に係る広告コンテンツが表示されるウェブページの一例を示す図である。 図２は、実施形態に係る抽出処理の一例を示す図である。 図３は、実施形態に係る広告装置の構成例を示す図である。 図４は、実施形態に係る第１テーブルの一例を示す図である。 図５は、実施形態に係る第２テーブルＡの一例を示す図である。 図６は、実施形態に係る第２テーブルＢの一例を示す図である。 図７は、実施形態に係る第３テーブルの一例を示す図である。 図８は、実施形態に係る広告情報記憶部の一例を示す図である。 図９は、実施形態に係る第１抽出モデルによる抽出処理の一例を示す概念図である。 図１０は、実施形態に係る第２抽出モデルによる算定処理の一例を示す概念図である。 図１１は、実施形態に係る第２抽出モデルによる抽出処理の一例を示す概念図である。 図１２は、実施形態に係る第３抽出モデルによる抽出処理の一例を示す概念図である。 図１３は、実施形態に係る算出部による算出処理の一例を示す概念図である。 図１４は、実施形態に係る広告装置による算出処理手順を示すフローチャートである。 図１５は、実施形態に係る広告装置による抽出処理手順を示すフローチャートである。 図１６は、変形例に係る広告装置による算出処理の一例を示す図である。 図１７は、広告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、本願に係る抽出装置、抽出方法及び抽出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抽出装置、抽出方法及び抽出プログラムが限定されるものではない。また、以下の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。

〔１．抽出処理〕
以下では、図１及び図２を用いて、実施形態に係る抽出処理の一例について説明する。図１及び図２では、本願に係る抽出装置に対応する広告装置１００によって配信処理及び抽出処理が行われる例を示す。まず、図１を用いて、実施形態に係る広告配信の一例を説明する。図１は、実施形態に係る広告コンテンツが表示されるウェブページの一例を示す図である。

図１には、実施形態に係る広告コンテンツが表示されるウェブページとして、ユーザ端末１０に表示される検索結果ページ５０を示す。検索結果ページ５０は、ユーザから入力される検索クエリに基づいて検索されたウェブページに関する情報が表示されるウェブページである。

図１に示すように、検索結果ページ５０には、検索クエリ入力部５２が含まれる。検索結果ページ５０を利用するユーザは、ユーザ端末１０を介して、検索クエリ入力部５２に検索クエリを入力する。図１では、ユーザが検索クエリ入力部５２に入力した「英会話教室」という検索クエリに基づいて、検索結果ページ５０に検索結果が表示される例を示す。すなわち、検索結果ページ５０には、検索結果として、「英会話教室」に関連のあるウェブページのリンク等の情報が表示される。

また、検索結果ページ５０には、検索結果であるウェブページの情報とは別に、広告コンテンツが表示される。例えば、広告コンテンツは、検索結果ページ５０に含まれる広告枠５４又は広告枠５６に表示される。広告コンテンツには、広告主の業務を宣伝するテキストなどが含まれる。そして、広告コンテンツには、広告主の提供するウェブページへのリンクが張られる。このような広告コンテンツのリンク先であるウェブページは、ランディングページ（Landing Page、以下「ＬＰ」と表記する場合がある）などと呼ばれる。例えば、広告主は、広告コンテンツを表示させることで、ユーザにＬＰへの移動を促し、自身が提供するウェブページを閲覧させたり、ウェブページ上で商品の購入をさせたりするといった営業に活用する。

このような検索サービスと連動する広告配信サービスにおいて、広告主は、広告コンテンツを入稿する際や入稿した後に、所定のキーワードに対して入札を行う。そして、広告主は、ユーザが所定のキーワードを検索クエリとして入力した場合に、ＬＰへのリンクが張られた広告コンテンツをユーザに配信させる権利を取得する。すなわち、広告主は、検索サービスにおいて、入札するキーワードを指定することで、キーワードと広告コンテンツとを紐づかせることができる。なお、広告コンテンツのリンク先はＬＰであるため、広告主は、入札するキーワードを指定することで、キーワードとＬＰとを紐づかせることもできる。このように、広告主は、ユーザが広告コンテンツと紐づけられたキーワードと同一又は類似のキーワードを検索クエリとして入力した場合に、検索サービスと連動して、検索結果ページ５０に広告コンテンツを表示させることができる。言い換えれば、広告主は、広告コンテンツを抽出させるためのキーワードに対して入札する。これにより、広告主は、特定の情報への欲求がユーザに発生しているタイミングで広告コンテンツを配信させることができるので、より高い広告効果が見込める広告コンテンツの配信を行うことができる。

ここで、検索サービスと連動する広告コンテンツの配信処理の流れについて説明する。検索サービスと連動する広告コンテンツの配信処理は、広告装置１００と、検索サーバ３０と、ユーザ端末１０とにより、図示しないネットワークＮ（例えば、インターネット）を介して行われる。

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。

検索サーバ３０は、検索サービスを提供するサーバ装置である。例えば、検索サーバ３０は、所定の検索サイトにおいて、ユーザから検索クエリの入力を受け付ける。そして、検索サーバ３０は、検索クエリに基づいた検索結果をユーザに提供する。

広告装置１００は、検索サーバ３０と連動して広告配信を行うサーバ装置である。広告装置１００は、広告主から広告コンテンツの入稿とともに、キーワードに対する入札を受け付ける。そして、広告装置１００は、以下に説明する手順により、検索サービスにおいて広告主が入札を行ったキーワード（以下、「入札キーワード」と表記する場合がある）を入力したユーザに広告コンテンツを配信する。

まず、ユーザは、ユーザ端末１０を介して、検索サーバ３０が提供する検索サイトにアクセスする。そして、ユーザは、検索サイトにおいて検索クエリを入力する。これにより、ユーザ端末１０は、検索サーバ３０に検索クエリを送信する（ステップＳ０１）。検索サーバ３０は、検索クエリに対応する検索結果を表示するウェブページである検索結果ページ５０をユーザに提供する(ステップＳ０２)。

また、検索クエリを受信した検索サーバ３０は、検索クエリに関する情報（以下、「クエリ情報」と表記する場合がある）を広告装置１００に送信する（ステップＳ０３）。これにより、広告装置１００は、ユーザから入力された検索クエリに関する情報を取得する。そして、広告装置１００は、検索クエリが入札キーワードである場合には、入札キーワードに紐づく広告コンテンツを配信候補として選択する（ステップＳ０４）。

上述のように、検索結果ページ５０には、広告枠５４及び広告枠５６が含まれる。そこで、ユーザ端末１０は、検索結果ページ５０を表示する際に、広告枠５４及び広告枠５６で表示する広告コンテンツを取得するために、広告装置１００に広告配信の要求を行う（ステップＳ０５）。広告配信の要求を受け付けた広告装置１００は、入札キーワードに紐づく広告コンテンツをユーザ端末１０に配信する（ステップＳ０６）。これにより、例えば、「英会話教室」というキーワードに入札していた広告主が提供する広告コンテンツが、広告枠５４に表示される。また、同じキーワードに入札していた他の広告主が提供する広告コンテンツが、広告枠５６に表示される。このように、広告装置１００は、検索サービスと連動して、広告コンテンツをユーザに配信することができる。

なお、ステップＳ０３において、検索サーバ３０がクエリ情報を広告装置１００に送信する例を示したが、クエリ情報は、ユーザ端末１０から広告装置１００に送信されてもよい。例えば、クエリ情報は、検索結果ページ５０の広告配信要求のためのスクリプトに含まれてもよい。この場合、ユーザ端末１０は、広告配信の要求とともに、クエリ情報を広告装置１００に送信する。そして、広告装置１００は、クエリに紐づく広告コンテンツを選択し、選択された広告コンテンツをユーザ端末１０に配信する。

ところで、図１の例のように、広告主は、検索結果ページ５０に広告コンテンツを表示させるためには、所定のキーワードに入札を行うことになる。そして、広告主は、様々な興味を有するユーザに広告コンテンツを配信させるためには、適切な入札キーワードを複数指定するのが望ましい。しかしながら、広告主にとって、複数の適切なキーワードに入札することは容易でない。例えば、広告主は、自身が提供するＬＰから抽出される単語（すなわち、ＬＰ内に含まれる単語。以下では、「ＬＰ単語」と表記する場合がある）や、自身が提供する商品又はサービスの名称等について入札することが一般的には考えられる。この場合、広告主は、自身が想定するユーザの範囲にしか広告コンテンツを配信させることができないため、効率よく広告コンテンツの配信対象とするユーザの範囲を拡張させることが困難である。

上記の事情に鑑みると、検索連動型の広告配信サービスにおいて、広告主に適切な入札キーワードを提示することは有用である。また、広告配信サービスの管理者側にとっても、広告主に適切な入札キーワードを提示することにより、入札の促進につながり、サービスの活性化を図ることができる。

そこで、実施形態に係る広告装置１００は、図１で示したような検索連動型の広告配信サービスにおいて、広告主にとって適切な入札キーワードを抽出する。以下、図２を用いて、実施形態に係る抽出処理を説明する。図２は、実施形態に係る抽出処理の一例を示す図である。図２では、抽出システム１を例に挙げて、抽出処理の一例を説明する。

図２に示すように、抽出システム１には、広告主端末２０と、広告装置１００とが含まれる。広告装置１００は、図示しないネットワークＮ（例えば、インターネット）を介して、広告主端末２０と通信可能に接続される。なお、図２では図示を省略したが、抽出システム１には、前述したユーザ端末１０や、検索サーバ３０が含まれてもよい。この場合、広告装置１００は、ネットワークＮを介して、ユーザ端末１０、及び検索サーバ３０と通信可能に接続される。

広告主端末２０は、広告主によって利用される情報処理装置である。広告主端末２０は、例えば、スマートフォンやタブレット端末やＰＤＡ等の移動端末や、デスクトップ型ＰＣや、ノート型ＰＣ等である。

広告装置１００は、以下に説明する抽出処理によって、広告主が入札する入札キーワードとして適切なキーワードを抽出するサーバ装置である。

広告装置１００は、提供する広告配信サービスにおいて、複数の広告主から広告コンテンツの入稿を受け付ける。この場合、広告装置１００は、広告コンテンツの入稿とともに、広告主が指定するキーワードに対して入札を受け付ける。そして、広告装置１００は、受け付けた入札キーワードに関する情報を保持する。また、広告装置１００は、例えば、ユーザから送信された検索クエリに関する情報を検索サーバ３０から取得し、取得した情報を保持する。そして、広告装置１００は、保持する情報に基づいて、広告配信サービスを利用する広告主に対する適切な入札キーワードを抽出する処理を実行する。

広告装置１００は、異なる複数の手法を用いてキーワードを抽出する。ここでは、広告装置１００が実行するキーワードの抽出手法に用いられる一連の演算処理を「抽出モデル」と表記する。すなわち、広告装置１００は、保持する情報について、各抽出モデルを用いて演算処理することにより、適切なキーワードを抽出する。詳しくは後述するが、実施形態に係る広告装置１００は、３つの異なる抽出モデルを有する。第１抽出モデルは、広告主が提供するＬＰに関する情報や、ＬＰから生成される特徴情報に基づいて、適切な入札キーワードを抽出する手法である。第２抽出モデルは、広告主から実際に入稿された入札キーワードの共起性に基づいて、適切な入札キーワードを抽出する手法である。第３抽出モデルは、ユーザ端末１０から検索サーバ３０に送信された検索クエリの傾向に基づいて、適切な入札キーワードを抽出する手法である。

各抽出モデルは、入力される情報をもとに、所定の評価値をキーワード毎に算定し、算定された評価値に基づいて入札キーワードとして適切と想定されるキーワードを抽出する。なお、広告装置１００は、各抽出モデルが算定した評価値を既知の手法により正規化する。これにより、広告装置１００は、異なる抽出モデルにより算定された評価値を同等に取扱い、比較することが可能となる。

ここで、広告装置１００は、複数の抽出モデルを利用してキーワードを抽出するため、予め学習のためのデータ（以下、「テストデータ」と表記する場合がある）で抽出モデルを学習させることにより、複数の抽出モデルに重み付けを行う（ステップＳ１１）。例えば、広告装置１００は、提供する広告配信サービスにおいて、複数の広告主から受け付けた広告に関する情報や、ユーザから送信される検索クエリ等の情報を各抽出モデルに学習させる。具体的には、広告装置１００は、所定の広告主が現に指定している入札キーワードの一部の情報を隠したテストデータを抽出モデルに入力し、抽出処理を実行させる。そして、広告装置１００は、隠された入札キーワードを抽出モデルが正確に抽出することができたか否か等によって、各抽出モデルの重み付けを行う。言い換えれば、広告装置１００は、抽出モデルに対して、隠された入札キーワードを正例とする学習を行い、正例を抽出できた度合いによって各抽出モデルの重み付けを示す所定の指標値を算出する。

このように、広告装置１００は、予め複数の抽出モデルに重みを付与することで、複数の抽出モデルを適切に利用したキーワードの抽出処理を実行可能とする。

続いて、広告装置１００は、新たに検索連動型の広告配信サービスを利用しようとする広告主ＣＬ１０から、広告主端末２０を介して、広告コンテンツの入稿を受け付ける(ステップＳ１２)。この場合、広告装置１００は、広告コンテンツの入稿とともに、広告コンテンツを検索結果ページ５０で表示させるためのキーワードの入札を広告主ＣＬ１０から受け付けてもよい。また、広告装置１００は、入稿された広告コンテンツのリンク先であるＬＰの情報を取得する。また、広告装置１００は、広告主ＣＬ１０が提供するＬＰを検索するために用いられた検索クエリに関する情報等を検索サーバ３０から取得する。

そして、広告装置１００は、取得した広告主ＣＬ１０に関する情報に基づいて、入稿された広告コンテンツに紐づかせるキーワードを抽出する（ステップＳ１３）。具体的には、広告装置１００は、各抽出モデルに広告主ＣＬ１０に関する情報を入力し、抽出処理を実行させる。これにより、広告装置１００は、広告主ＣＬ１０にとって適切な入札キーワードを抽出する。

そして、広告装置１００は、広告主ＣＬ１０が指定する入札キーワードの候補として、抽出されたキーワードを提示する（ステップＳ１４）。具体的には、広告装置１００は、検索連動型の広告配信サービスにおいて、広告主ＣＬ１０が入札することにより広告コンテンツが検索結果ページ５０に表示される確率が高まることが想定されるキーワードを広告主ＣＬ１０に提示する。

このように、実施形態に係る広告装置１００は、コンテンツに紐づかせるキーワードとしての評価値を算定し、算定した評価値に基づいてキーワードを抽出する抽出モデルであって、互いに異なる手法を用いて評価値を算定する抽出モデル毎に、抽出モデルによって所定の条件に適合するキーワード（例えば、テストデータにおいて正例であるキーワード）が抽出された度合いに基づいて、抽出モデル毎の指標値を算出する。そして、広告装置１００は、算出された指標値により重み付けされた抽出モデルが算定する評価値に基づいて、コンテンツに紐づかせるキーワード、又は、コンテンツを抽出させるためのキーワードである入札キーワードを抽出する。

すなわち、実施形態に係る広告装置１００は、検索連動型の広告配信サービスにおける入札キーワードに関して、複数の異なる抽出モデルを用いて、広告主にとって適切なキーワードを抽出する。このため、広告装置１００によれば、現に検索連動型の広告配信サービスを利用している広告主に関する情報や、検索サーバ３０が受信するユーザからの検索要求である検索クエリに関する情報など、種々の情報に基づいて、キーワードを抽出することができる。これにより、広告装置１００によれば、広告主は、自身が指定する入札キーワードのみならず、種々の情報に基づいて抽出されるキーワードを入札キーワードとして指定することが可能となる。そして、適切な複数のキーワードに入札することにより、広告主は、提供する広告コンテンツに興味を持つと想定されるユーザに広告コンテンツをより多く配信させることができる。結果として、実施形態に係る広告装置１００によれば、配信される広告コンテンツの広告効果を高めることができる。

〔２．広告装置１００の構成〕
次に、図３を用いて、実施形態に係る広告装置１００の構成について説明する。図３は、実施形態に係る広告装置１００の構成例を示す図である。図３に示すように、広告装置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について）
通信部１１０は、ネットワークＮと有線又は無線で接続され、ユーザ端末１０、広告主端末２０及び検索サーバ３０との間で情報の送受信を行う。例えば、通信部１１０は、ＮＩＣ（Network Interface Card）等によって実現される。

（記憶部１２０について）
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。図３の例では、記憶部１２０は、算出データ記憶部１２１と、広告情報記憶部１２６とを有する。

（算出データ記憶部１２１について）
算出データ記憶部１２１は、各抽出モデルがキーワードの評価値を算定するために用いる情報や、後述する算出部１３６が算出処理に用いる情報を記憶する。図３に示すように、算出データ記憶部１２１は、第１テーブル１２２、第２テーブルＡ１２３、第２テーブルＢ１２４、第３テーブル１２５といった、各データテーブルを有する。

（第１テーブル１２２について）
ここで、図４に、実施形態に係る第１テーブル１２２の一例を示す。図４は、実施形態に係る第１テーブル１２２の一例を示す図である。第１抽出モデルによる処理を実行する第１抽出部１３３は、第１テーブル１２２に記憶された情報に基づいてキーワードの抽出を行う。上述のように、第１抽出モデルは、広告主が提供するＬＰに関する情報に基づいて、適切な入札キーワードを抽出する手法である。このため、第１テーブル１２２には、広告装置１００が取得した情報のうち、主にＬＰに関する情報に関する情報が記憶される。図４に示した例では、第１テーブル１２２は、「入札キーワード」、「ＬＰ」、「ＬＰ単語ベクトル」、「キーワード単語ベクトル」といった項目を有する。

「入札キーワード」は、各ＬＰ（言い換えれば、各広告コンテンツ）に紐づけられている入札キーワードを示す。図４に示すように、入札キーワードは、複数の広告主により指定される場合があるので、一つの入札キーワードに複数のＬＰが紐づけられる場合がある。なお、入札キーワードは、一つの単語に限られず、複数の単語の組み合わせであってもよい。

「ＬＰ」は、広告主が提供するＬＰに関する情報を示す。図４に示す「ＬＰ０１」という表記は、ＬＰを識別するための識別情報を示すとともに、ＬＰに関する情報を概念的に表現したものである。算出データ記憶部１２１内に記憶されるＬＰに関する情報は、ＬＰを構成するＨＴＭＬ（HyperText Markup Language）ファイル等であってもよいし、ＬＰのデータが置かれたＵＲＬ（Uniform Resource Locator）を示す情報であってもよい。なお、以下では、図４に示したＬＰの項目に記憶されている情報を、ＬＰの参照符号として用いる場合がある。例えば、ＬＰ「ＬＰ０１」によって示される情報を有するＬＰを、「ＬＰ０１」と表記する場合がある。

「ＬＰ単語ベクトル」は、各ＬＰに対応する単語ベクトルを示す。図４に示す「Ｖ０１」という表記は、単語ベクトルを概念的に表現したものである。なお、各ＬＰに対応する単語ベクトルは、後述する第１抽出部１３３によって生成される。第１抽出部１３３は、生成した単語ベクトルを生成元であるＬＰと対応付けて、第１テーブル１２２に記憶する。

「キーワード単語ベクトル」は、入札キーワードに対応する単語ベクトルを示す。図４に示す「Ｇ０１」という表記は、単語ベクトルを概念的に表現したものである。詳しくは後述するが、キーワード単語ベクトルは、入札キーワードに紐づくＬＰ単語ベクトルに基づいて第１抽出部１３３により生成される。

例えば、図４では、入札キーワード「Ｋ１０１」は、ＬＰ「ＬＰ０１」、「ＬＰ０２」、「ＬＰ０３」、・・・、に紐づいており、また、各ＬＰに対応する単語ベクトルは、ＬＰ単語ベクトル「Ｖ０１」、「Ｖ０２」、「Ｖ０３」、・・・、であり、入札キーワード「Ｋ１０１」に対応する単語ベクトルは、キーワード単語ベクトル「Ｇ０１」である例を示している。

（第２テーブルＡ１２３について）
次に、図５に、実施形態に係る第２テーブルＡ１２３の一例を示す。図５は、実施形態に係る第２テーブルＡ１２３の一例を示す図である。第２抽出モデルによる処理を実行する第２抽出部１３４は、第２テーブルＡ１２３及び第２テーブルＢ１２４に記憶された情報に基づいてキーワードの抽出を行う。上述のように、第２抽出モデルは、広告主から実際に入稿された入札キーワードの共起性に基づいて、適切な入札キーワードを抽出する手法である。このため、第２テーブルＡ１２３及び第２テーブルＢ１２４には、広告装置１００が取得した情報のうち、主に広告主が入札しているキーワードに関する情報が記憶される。図５に示した例では、第２テーブルＡ１２３は、「広告主ＩＤ」、「広告コンテンツ」、「入札キーワード」といった項目を有する。

「広告主ＩＤ」は、広告主又は広告主端末２０を識別するための識別情報を示す。なお、以下では、図５に示した広告主ＩＤに記憶されている識別情報を広告主の参照符号として用いる場合がある。例えば、広告主ＩＤ「ＣＬ２１」によって識別される広告主を「広告主ＣＬ２１」と表記する場合がある。

「広告コンテンツ」は、広告主端末２０から入稿された広告コンテンツを示す。図５では、「広告コンテンツ」に「ＡＤ０１」や「ＡＤ０２」といった概念的な情報が格納される例を示したが、実際には、広告コンテンツの宣伝内容であるテキストデータや、あるいは、これらの格納場所を示すファイルパス名などが格納される。

「入札キーワード」は、広告コンテンツに紐づけられている入札キーワードを示す。図５に示すように、広告主は、複数のキーワードに入札することができる。このため、広告コンテンツには、複数の入札キーワードが紐づけられる。

例えば、図５では、広告主ＩＤ「ＣＬ２１」によって識別される広告主ＣＬ２１が、検索連動型の広告配信サービスにおいて、広告コンテンツ「ＡＤ０１」を検索結果ページ５０に表示させるために、入札キーワード「Ｋ００１」、「Ｋ００２」、「Ｋ００３」、・・・、に入札している例を示している。

（第２テーブルＢ１２４について）
次に、図６に、実施形態に係る第２テーブルＢ１２４の一例を示す。図６は、実施形態に係る第２テーブルＢ１２４の一例を示す図である。上述のように、第２抽出部１３４は、第２テーブルＢ１２４に記憶された情報を用いてキーワードの抽出を実行する。詳しくは後述するが、第２抽出部１３４は、キーワードに入札している広告主毎にキーワードの組合せを作成し、かかる組合せの評価値である重み値を算定する。このため、第２テーブルＢ１２４には、主にキーワードの組合せに関する情報が記憶される。図６に示した例では、第２テーブルＢ１２４は、「入札キーワード（１）」、「入札キーワード（２）」、「重み値」といった項目を有する。

「入札キーワード（１）」及び「入札キーワード（２）」は、図５に示した入札キーワードに対応する。なお、図６に示す例では、入札キーワード（１）に示される入札キーワードが、入札キーワード（２）に示される入札キーワードとともに組合せに含まれることを示している。

「重み値」は、キーワードの組合せの重み値を示す。重み値は、後述する第２抽出部１３４によって組合せ毎に算定される。なお、重み値は、広告主から受け付ける入札キーワードによって随時変化するため、所定のタイミングで（例えば、一日に一回など）更新されることがある。

例えば、図６では、入札キーワード（１）「Ｋ００１」と、入札キーワード（２）「Ｋ００２」により形成される組合せ（Ｋ００１，Ｋ００２）の重み値は「０．６」であり、入札キーワード（１）「Ｋ００１」と、入札キーワード（２）「Ｋ００３」により形成される組合せ（Ｋ００１，Ｋ００３）の重み値は「０．３」である例を示している。

（第３テーブル１２５について）
次に、図７に、実施形態に係る第３テーブル１２５の一例を示す。図７は、実施形態に係る第３テーブル１２５の一例を示す図である。第３抽出モデルによる処理を実行する第３抽出部１３５は、第３テーブル１２５に記憶された情報に基づいてキーワードの抽出を行う。上述のように、第３抽出モデルは、検索サーバ３０にユーザ端末１０から送信された検索クエリの傾向に基づいて、適切な入札キーワードを抽出する手法である。このため、第３テーブル１２５には、広告装置１００が取得した情報のうち、主に検索サービスにおいてユーザから送信された検索要求に関する情報が記憶される。図７に示した例では、第３テーブル１２５は、「広告主ＩＤ」、「ＬＰ」、「検索クエリ」、「検索回数」、「再検索クエリ」、「検索回数」、「傾向値」といった項目を有する。

「広告主ＩＤ」は、図５に示した広告主ＩＤの項目に対応する。「ＬＰ」は、図４に示したＬＰの項目に対応する。

「検索クエリ」は、検索サービスにおいてユーザ端末１０から送信される検索要求を示す。「再検索クエリ」は、検索クエリを送信したユーザ端末１０から、さらに送信される検索要求を示す。また、「検索回数」は、検索クエリ又は再検索クエリが検索された回数を示す。言い換えれば、検索回数は、検索クエリ又は再検索クエリがユーザ端末１０から送信された回数を示す。

「傾向値」は、検索クエリを送信したユーザ端末１０がどのような内容の再検索クエリを送信したか、といった検索の傾向を示す値である。第３抽出部１３５は、傾向値を再検索クエリ（すなわち、キーワード）に対する評価値として扱う。第３抽出部１３５は、図７に示すように、ＬＰに紐づく検索クエリと再検索クエリの組合せ毎に傾向値を算定する。なお、傾向値は、検索サーバ３０から取得する検索クエリ及び再検索クエリに関する情報によって随時変化するため、所定のタイミングで（例えば、一時間に一回など）更新されることがある。

例えば、図７では、広告主ＩＤ「ＣＬ３１」で識別される広告主から提供されるＬＰ「ＬＰ３１」で示されるウェブページは、ユーザ端末１０から検索クエリ「ダイエット」が送信されることによって抽出されるウェブページであり、現時点において、検索クエリ「ダイエット」によって「２０２８１」回だけ検索されていることを示す。また、ＬＰ３１を表示したユーザ端末１０は、さらに再検索クエリ「運動」や、「健康食品」や、「ヨーグルト」や、「エステ」などを送信したことを示す。例えば、再検索クエリ「運動」は、検索クエリ「ダイエット」を送信したユーザ端末１０から、現時点において、「４１２５」回だけ送信されたことを示す。また、検索クエリ「ダイエット」を送信した結果としてＬＰ３１を表示したユーザ端末１０は、さらに再検索クエリ「運動」を送信する傾向値が「０．２」であり、再検索クエリ「健康食品」を送信する傾向値が「０．２」であり、再検索クエリ「ヨーグルト」を送信する傾向値が「０．２」であり、再検索クエリ「エステ」を送信する傾向値が「０．１」である例を示している。

（広告情報記憶部１２６について）
広告情報記憶部１２６は、広告主から入稿された広告コンテンツに関する情報を記憶する。ここで、図８に、実施形態に係る広告情報記憶部１２６の一例を示す。図８は、実施形態に係る広告情報記憶部１２６の一例を示す図である。図８に示した例では、広告情報記憶部１２６は、「広告主ＩＤ」、「広告コンテンツ」、「ＬＰ」、「入札キーワード」といった項目を有する。

「広告主ＩＤ」は、図５に示す広告主ＩＤの項目に対応する。「広告コンテンツ」は、図５に示す広告コンテンツの項目に対応する。「ＬＰ」は、図４に示すＬＰの項目に対応する。「入札キーワード」は、図４に示す入札キーワードの項目に対応する。

例えば、図８では、広告主ＩＤ「ＣＬ４１」によって識別される広告主ＣＬ４１が、検索連動型の広告配信サービスにおいて、広告コンテンツ「ＡＤ４１」を検索結果ページ５０に表示させるために、入札キーワード「Ｋ４０１」、「Ｋ４０２」、「Ｋ４０３」、・・・、に入札している例を示している。また、広告コンテンツ「ＡＤ４１」のリンク先は、ＬＰ「ＬＰ４１」である例を示している。

後述する配信部１４１は、例えば、ユーザ端末１０から送信される広告取得の要求に従い、広告情報記憶部１２６に記憶されている広告コンテンツをユーザ端末１０に配信する。

（制御部１３０について）
制御部１３０は、例えば、ＣＰＵ（Central Processing Unit）やＭＰＵ（Micro Processing Unit）等によって、広告装置１００内部の記憶装置に記憶されている各種プログラム（抽出プログラムの一例）がＲＡＭ（Random Access Memory)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（Application Specific Integrated Circuit）やＦＰＧＡ（Field Programmable Gate Array）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、抽出制御部１３２と、入稿受付部１３８と、提示部１３９と、要求受付部１４０と、配信部１４１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について）
取得部１３１は、キーワードの抽出処理に用いる各種情報を取得する。取得部１３１により取得される情報は、後述する算出処理や抽出処理に利用される。例えば、取得部１３１は、抽出モデル毎の重み付けを算出するためのテストデータとして、入稿受付部１３８が入稿を受け付けた広告コンテンツに関する情報や、広告主に関する情報を取得する。また、取得部１３１は、検索サーバ３０から検索クエリに関する情報を取得する。

そして、取得部１３１は、抽出制御部１３２からの要求に従い、取得した情報を抽出制御部１３２に送る。なお、図３に示すように、取得部１３１は、取得した情報を算出データ記憶部１２１内に格納してもよい。この場合、抽出制御部１３２は、算出データ記憶部１２１内に格納された情報を抽出処理等に用いる。

（抽出制御部１３２について）
抽出制御部１３２は、キーワードの抽出処理を制御する。図３に示すように、抽出制御部１３２は、第１抽出部１３３と、第２抽出部１３４と、第３抽出部１３５と、算出部１３６と、第４抽出部１３７とを有する。

（第１抽出部１３３について）
第１抽出部１３３は、第１抽出モデルによるキーワードの抽出処理を実行する。第１抽出モデルは、広告主が提供するＬＰに関する情報や、ＬＰから生成される単語ベクトルに基づいて、適切な入札キーワードを抽出する手法である。以下に、第１抽出モデルがキーワードを抽出する処理について説明する。

第１抽出部１３３は、取得部１３１によって取得されたＬＰや入札キーワードの特徴情報を生成する。例えば、第１抽出部１３３は、特徴情報として、現に広告コンテンツの入稿を受け付けている広告主が提供するＬＰや、抽出されたキーワードの提示対象である新規の広告主が提供するＬＰや、広告主が現に指定している入札キーワードに対応する各単語ベクトルを生成する。そして、第１抽出部１３３は、生成した単語ベクトルを第１テーブル１２２に格納する。

なお、ＬＰに対応する単語ベクトルとは、例えば、ＬＰに含まれる単語の種類と出現回数とに対して所定の重みを付した上で、ＬＰをベクトルモデルで表現したものである。このように、第１抽出部１３３は、ＬＰに出現する単語の傾向などを単語ベクトルで表すことにより、ＬＰの特徴情報を生成する。

具体的には、第１抽出部１３３は、ＬＰに対応する単語ベクトルを生成する場合、ＬＰのＵＲＬに基づいて、ＬＰのデータを収集し、収集したＬＰのデータを取得する。そして、第１抽出部１３３は、例えば、ＬＰに含まれるテキストを形態素解析する。すなわち、第１抽出部１３３は、ＬＰに含まれるテキストを単語毎に分解する。そして、第１抽出部１３３は、ＬＰに含まれる単語の種類と、ＬＰ内の単語の出現回数に基づいて、ＬＰに対応する単語ベクトルを生成する。例えば、第１抽出部１３３は、ＬＰに出現する単語について「１」の要素を与え、出現しない単語について「０」の要素を与えることで、ＬＰに対応する単語ベクトルを生成する。

また、第１抽出部１３３は、単語毎に重みを付与して、ＬＰに対応する単語ベクトルを生成する。ここで、単語ベクトルの重みの付与に関しては、例えば、ｔｆ−ｉｄｆ（Term Frequency−Inverse Document Frequency）など既知の特徴抽出アルゴリズムにより特徴語を抽出する手法が考えられる。この場合、ＬＰを特徴付ける特徴語として抽出された単語に関しては、第１抽出部１３３は、重みを重くして単語ベクトルを生成する。これにより、第１抽出部１３３は、ＬＰの特徴を反映した単語ベクトルを生成することができる。

なお、第１抽出部１３３は、上記のｔｆ−ｉｄｆではなく、ｔｆ−ｉｌｆ（Term Frequency−Inverse Label Frequency）という手法を用いてもよい。上記のｔｆ−ｉｄｆにおいては、処理対象とする単語が全文書中においていくつの文書内で共通して使われているかを表す頻度としてｄｆ（Document Frequency）を用いる（この場合、「文書」に対応するものはＬＰとなる）。これに対して、ｔｆ−ｉｌｆにおいては、ＬＰに含まれる処理対象とする単語がどれくらいキーワード（すなわち、ラベル）に紐づけられているかを示す頻度（ｌｆ、Label Frequency）を用いる。

この場合、第１抽出部１３３は、ＬＰに対応する単語ベクトルについて、ＬＰ内の全ての単語の出現回数の総和、ＬＰ内に所定の単語が出現する回数及び所定の単語がキーワードと紐づく頻度に基づいて、所定の単語毎に重み付けがされた単語ベクトルを生成する。具体的には、第１抽出部１３３は、ＬＰ内の全ての単語の出現回数の総和とＬＰ内に所定の単語が出現する回数との割合（すなわち、ｔｆ。所定の単語のＬＰ内での出現頻度を示す）と、単語がキーワードと紐づく頻度（すなわち、ｌｆ）とに基づいて、ＬＰに対応する単語ベクトルを生成する。これにより、第１抽出部１３３は、キーワードと極めて頻繁に紐づくような、ごくありふれた一般的な単語の重みが過度に重み付けられないよう、適切に重み付けのなされた単語ベクトルを生成する。このため、第１抽出部１３３は、より適切にＬＰの特徴を示す単語ベクトルを生成することができる。

また、第１抽出部１３３は、入札キーワードに対応する単語ベクトルを生成する。第１抽出部１３３は、入札キーワードに紐づくＬＰが複数ある場合には、入札キーワードに対応する単語ベクトルとして、入札キーワードに紐づけられた複数のＬＰに対応する各単語ベクトルの重心ベクトルを生成する。この点について、図９を用いて説明する。

図９は、実施形態に係る第１抽出モデルによる抽出処理の一例を示す概念図である。図９に示すように、入札キーワードＫ１０１には、ＬＰ０１、ＬＰ０２、ＬＰ０３、・・・、が紐づけられている。第１抽出部１３３は、ＬＰ０１、ＬＰ０２、ＬＰ０３、・・・、の各々に対応する単語ベクトルＶ０１、Ｖ０２、Ｖ０３、・・・、を生成する。そして、第１抽出部１３３は、入札キーワードＫ００１に対応する単語ベクトルとして、生成した各ＬＰの単語ベクトルの重心ベクトルを生成する。すなわち、第１抽出部１３３は、各ＬＰの単語ベクトルの重心ベクトルを、入札キーワードＫ００１の単語ベクトルＧ０１として生成する。このように、第１抽出部１３３は、紐づけられている複数のＬＰの各単語ベクトルの重心ベクトルを用いて入札キーワードに対応する単語ベクトルを生成するので、入札キーワードの特徴を適切に示す単語ベクトルを生成することができる。

続いて、第１抽出部１３３が、実際に処理対象となるＬＰに対してキーワードを抽出する例を説明する。まず、第１抽出部１３３は、キーワードに紐づけられた既存のＬＰの特徴情報と、任意の単語を含む処理対象のＬＰとの特徴情報との類似度を算定する。ここで、処理対象のＬＰとは、広告配信サービスにおいて、入札キーワードの抽出を所望する広告主が提供するＬＰのことをいう。

なお、広告装置１００は、広告配信サービスにおいて、複数のキーワードの入札や、複数の広告コンテンツの入稿を受け付けているため、入札キーワードと既存のＬＰとの組み合わせは複数存在する。このとき、第１抽出部１３３は、特徴情報の類似度の算定をキーワード毎に実行する。図４を例とすると、第１抽出部１３３は、入札キーワードＫ１０１を処理対象とする場合には、入札キーワードＫ１０１と紐づけられた既存のＬＰであるＬＰ０１、ＬＰ０２、ＬＰ０３の各々の特徴情報と、処理対象のＬＰの特徴情報との類似度を算定する。すなわち、第１抽出部１３３は、入札キーワードと既存のＬＰが紐づけられた複数の組み合わせについて、入札キーワード毎に、入札キーワードに紐づけられた全ての既存のＬＰの特徴情報と、処理対象のＬＰの特徴情報との類似度を算定する。

上述のように、第１抽出部１３３は、特徴情報として単語ベクトルを用いる。例えば、第１抽出部１３３は、既存のＬＰの特徴情報に基づいて生成される、入札キーワードに対応する単語ベクトルと、処理対象のＬＰに対応する単語ベクトルとの類似度を算定する。具体的には、第１抽出部１３３は、既存のＬＰに紐づくキーワードに対応する単語ベクトルと、処理対象のＬＰに対応する単語ベクトルとの類似度として、単語ベクトル同士のコサイン類似度を算定する。すなわち、第１抽出部１３３は、算定処理の対象となる二つの単語ベクトルのコサイン類似度を算定する。上述のように、第１抽出部１３３がＬＰに出現する単語について「１」の要素を与え、出現しない単語について「０」の要素を与えて、ＬＰに対応する単語ベクトルを生成した場合には、第１抽出部１３３は、二つの単語ベクトルのコサイン類似度として「０〜１」の範囲で示される所定の数値を算定する。

なお、第１抽出部１３３は、類似度を算定する際に、類似度が比較的高くなると想定される単語ベクトル同士を抽出して、抽出された単語ベクトル同士の類似度を算定するようにしてもよい。例えば、第１抽出部１３３は、Ｔｏｐ−ｋ ｒｅｔｒｉｅｖａｌ（Ｔｏｐ−ｋ検索）のようなアルゴリズムを用いて処理対象を抽出する。すなわち、第１抽出部１３３は、所定の手法（例えば、上述したｔｆ−ｉｌｆ）で付与されるスコアによって順序付けられた単語ベクトルの上位ｋ個（ｋは任意の数）を抽出し、抽出された単語ベクトル同士の類似度を算定する。これにより、第１抽出部１３３は、スコアの低い処理対象については処理をスキップするので、高速に類似度の算定を行うことができる。

また、第１抽出部１３３は、キーワードに紐づけられた既存のＬＰが複数ある場合には、キーワードに紐づけられた複数の既存のＬＰに対応する各単語ベクトルの重心ベクトルと、処理対象のＬＰに対応する単語ベクトルとの類似度を算定する。また、第１抽出部１３３は、算定された類似度が所定の閾値以上である複数の既存のＬＰに紐づくキーワードを抽出する。このように、第１抽出部１３３は、他の広告主が入札キーワードとしている複数の既存のＬＰの特徴を平均化して捉える。このため、第１抽出部１３３は、複数の既存のＬＰがキーワードに紐づく状況を加味して類似度を算定することができる。

上記のように、第１抽出部１３３は、既存のＬＰに紐づくキーワードが有する特徴情報と、処理対象のＬＰの特徴情報との類似度を算定するので、キーワードと処理対象のＬＰとの関連性を数値により示すことができる。

そして、第１抽出部１３３は、算定された特徴情報の類似度が所定の閾値以上である特徴情報に対応するキーワードを抽出する。具体的には、第１抽出部１３３は、算定された単語ベクトルのコサイン類似度に基づき、コサイン類似度が所定の閾値以上である単語ベクトルに対応するキーワードを抽出する。

例えば、第１抽出部１３３は、単語ベクトル同士のコサイン類似度が高いほど（すなわち、「１」の値に近いほど）、算定対象となった単語ベクトルに対応するキーワードとＬＰとの関連性が高いものと判定する。そのため、第１抽出部１３３は、類似度に所定の閾値を設定し、所定の閾値以上の類似度に係る単語ベクトルに対応するキーワードを抽出する。第１抽出部１３３は、所定の閾値を任意に設定することができる。例えば、第１抽出部１３３は、抽出するキーワードの数に応じて、所定の閾値を設定する。すなわち、第１抽出部１３３は、多数のキーワードを抽出する場合には、所定の閾値を低く設定してもよい。

このように、実施形態に係る第１抽出部１３３は、処理対象となるＬＰと特徴が類似する既存のＬＰに紐づけられている入札キーワードを抽出する。このため、第１抽出部１３３によれば、現時点において、検索連動型の広告配信サービスを利用する他の広告主が入札しているキーワードと既存のＬＰとの情報に基づいて、処理対象となるＬＰに紐づかせるキーワードを抽出することができる。

また、詳しくは後述するが、第１抽出部１３３は、算出部１３６が第１抽出モデルに対して重み付けを算出しようとする場合には、取得部１３１から取得したテストデータに基づいて抽出されたキーワードと、抽出されたキーワードに関する評価値である類似度とに関する情報を算出部１３６に送る。

（第２抽出部１３４について）
第２抽出部１３４は、第２抽出モデルによるキーワードの抽出処理を実行する。第２抽出モデルは、広告主から実際に入稿された入札キーワードの共起性に基づいて、適切な入札キーワードを抽出する手法である。以下に、第２抽出モデルがキーワードを抽出する処理について説明する。

第２抽出部１３４は、取得部１３１によって取得された入札キーワードに関する情報に基づいて、入札キーワードの組合せを生成する。なお、第２抽出部１３４は、入札キーワードを指定した広告主毎に入札キーワードの組合せを生成する。

具体的には、第２抽出部１３４は、図５及び図６に示すように、広告主ＣＬ２１が入札したキーワードＫ００１と、キーワードＫ００２については、組合せ（Ｋ００１，Ｋ００２）を生成する。一方、第２抽出部１３４は、広告主ＣＬ２１が入札したキーワードＫ００１と、広告主ＣＬ２２が入札したキーワードＫ０１１については、組合せ（Ｋ００１，Ｋ０１１）を生成しない。ただし、第２抽出部１３４は、広告主ＣＬ２３がキーワードＫ００１とキーワードＫ０１１とについて入札していた場合には、組合せ（Ｋ００１，Ｋ０１１）を生成する。そして、第２抽出部１３４は、生成した組合せに関する情報を第２テーブルＢ１２４に格納する。

このように、第２抽出部１３４は、入札されている全てのキーワードの組合せを生成するのではなく、広告主毎に入札されているキーワードの組合せを生成する。すなわち、第２抽出部１３４は、一の広告主が同時に入札しているキーワードの組が多いほど、多くの組合せを生成する。例えば、キーワードＫ００１とともにキーワードＫ００２に入札している広告主が多いほど、第２抽出部１３４は、組合せ（Ｋ００１，Ｋ００２）を多く生成することになる。

続いて、第２抽出部１３４は、キーワードを指定した指定者毎に生成されるキーワードの各組合せの評価値を算定する。具体的には、第２抽出部１３４は、広告主毎に生成される組合せであって、広告主が提供するコンテンツに紐づくキーワードである入札キーワードの組合せの評価値として、組合せの重みを示す重み値を算定する。

例えば、第２抽出部１３４は、生成されるキーワードの組合せの数に応じて、組合せの重み値を算定する。すなわち、第２抽出部１３４は、生成される数が多い組合せほど、多くの広告主が同時に入札しているキーワード同士の組合せであるから、重要性が高いものとして重み値を高く算定する。

また、この場合、第２抽出部１３４は、キーワードの組合せを正例とした線形モデルを学習することで、各組合せの重み値を算定してもよい。この点について、図１０を用いて説明する。

図１０は、実施形態に係る第２抽出モデルによる算定処理の一例を示す概念図である。図１０に示すように、広告主ＣＬ２１は、入札キーワードＫ００１、入札キーワードＫ００２、入札キーワードＫ００３、・・・、を有する。同様に、広告主ＣＬ２２は、入札キーワードＫ０１１、入札キーワードＫ００２、入札キーワードＫ００３、・・・、を有する。同様に、広告主ＣＬ２３は、入札キーワードＫ００１、入札キーワードＫ０１１、入札キーワードＫ１１１、・・・、を有する。

この場合、第２抽出部１３４は、広告主ＣＬ２１の入札キーワードに基づき、組合せ（Ｋ００１，Ｋ００２）、組合せ（Ｋ００１，Ｋ００３）、組合せ（Ｋ００２，Ｋ００３）を生成する。同様に、第２抽出部１３４は、広告主ＣＬ２２の入札キーワードに基づき、組合せ（Ｋ０１１，Ｋ００２）、組合せ（Ｋ０１１，Ｋ００３）、組合せ（Ｋ００２，Ｋ００３）を生成する。同様に、第２抽出部１３４は、広告主ＣＬ２３の入札キーワードに基づき、組合せ（Ｋ００１，Ｋ０１１）、組合せ（Ｋ００１，Ｋ１１１）、組合せ（Ｋ０１１，Ｋ１１１）を生成する。

このように、第２抽出部１３４は、広告装置１００にキーワードを入札している全ての広告主について、広告主毎に、キーワードの組合せを生成する。そして、第２抽出部１３４は、全てのキーワードの組合せについて、キーワードの組合せを正例とした線形モデルを学習することで、各組合せの重み値を算定する。線形モデルの一例として、第２抽出部１３４は、下記式（１）に示すような回帰式を求める。

ｙ ＝ ａ_１・ｘ_１ ＋ ａ_２・ｘ_２ ＋ ・・・ ＋ａ_ｎ・ｘ_ｎ ・・・ （１）

上記式（１）のうち、「ｙ」は、各組合せを有する例が存在するか否かを示す。ここでは、各組合せを有する例は広告主であり、第２抽出部１３４は、キーワードの組合せを有する広告主を例として学習するため、原則として、「ｙ」＝「１」となる。

また、上記式（１）のうち、「ｘ_ｎ」（ｎは任意の数）は、キーワードの組合せを示す。例えば、「ｘ_１」〜「ｘ_ｎ」には、キーワードの組合せ（ｋｗ_ｉ，ｋｗ_ｊ）が割り当てられる。図１０の場合、例えば、「ｘ_１」には組合せ（Ｋ００１，Ｋ００２）が割り当てられ、「ｘ_２」には組合せ（Ｋ００１，Ｋ００３）が割り当てられ、「ｘ_３」には組合せ（Ｋ００２，Ｋ００３）が割り当てられ、「ｘ_４」には組合せ（Ｋ０１１，Ｋ００２）が割り当てられ、「ｘ_５」には組合せ（Ｋ０１１，Ｋ００３）が割り当てられ、「ｘ_６」には組合せ（Ｋ００１，Ｋ０１１）が割り当てられ、「ｘ_７」には組合せ（Ｋ００１，Ｋ１１１）が割り当てられ、「ｘ_８」には組合せ（Ｋ０１１，Ｋ１１１）が割り当てられる。ここでは、キーワードの組合せを正例とするため、各広告主について、キーワードの組合せ（ｋｗ_ｉ，ｋｗ_ｊ）が存在する場合には「ｘ_ｎ」＝「１」となり、存在しない場合には「０」となる。また、上記式（１）のうち、「ａ_ｎ」は、「ｘ_１」〜「ｘ_ｎ」の係数を示す。ここでは、「ａ_ｎ」は、キーワードの組合せの各々を示す「ｘ_１」〜「ｘ_ｎ」の重み値を示す。

そして、第２抽出部１３４は、上記式（１）の重み値ａ_ｎをパラメータとし、例えば、ＳＶＭ（Support Vector Machine）のようなパターン識別機を用いたサポートベクタ回帰などの回帰分析手法により調整を行う。すなわち、第２抽出部１３４は、上記式（１）で表される全ての広告主について、上記式（１）を満たすように、重み値ａ_ｎの値（サンプルとなる広告主の数によっては、求められる重み値ａ_ｎは近似値でもよい）を求める。

例えば、第２抽出部１３４は、図１０に示すように、組合せ（Ｋ００１，Ｋ００２）の重み値として「０．６」を、組合せ（Ｋ００１，Ｋ００３）の重み値として「０．３」を、組合せ（Ｋ００２，Ｋ００３）の重み値として「０．２」等を算定する。そして、第２抽出部１３４は、算定した重み値を各組合せに対応付けて、第２テーブルＢ１２４に格納する。

続いて、第２抽出部１３４が、実際に処理対象となる広告主に対してキーワードを抽出する例を説明する。第２抽出部１３４は、組合せの評価値として算定した重み値に基づいて、広告配信サービスを利用する広告主から新たに指定される入札キーワードを含む組合せから、指定された入札キーワード以外のキーワードを抽出する。具体的には、処理対象となる広告主が入札キーワード「Ｋ００１」を指定していたとする。このとき、第２抽出部１３４は、生成した組合せのうち、（Ｋ００１，ｋｗ_ｊ）である全ての組合せの重み値を比較する。そして、第２抽出部１３４は、最も重み値の高い組合せに含まれるキーワードであって、指定された入札キーワード「Ｋ００１」以外のキーワードを抽出する。すなわち、抽出されたキーワードは、処理対象となる広告主が入札キーワード「Ｋ００１」以外に追加する入札キーワードとして最も適切なキーワードであると第２抽出部１３４に判定されたキーワードである。

なお、第２抽出部１３４は、広告主により新たに指定される入札キーワードが複数ある場合には、新たに指定される入札キーワードと他のキーワードとの組合せの重み値の和に基づいて、組合せに含まれる他のキーワードを抽出する。例えば、第２抽出部１３４は、広告主が既に入札しているキーワードから生成される組合せのうち、新たな入札キーワードを含む複数の組合せの重み値の和が最も高くなるような複数の組合せを抽出する。そして、第２抽出部１３４は、抽出した複数の組合せに含まれるキーワードであって、入札キーワードとは異なるキーワードを抽出する。

上記の処理のうち、第２抽出部１３４は、各組合せに共通して含まれるキーワードと、入札キーワードとの組合せにおける指標値の和に基づいて、広告主に提示するキーワードを抽出してもよい。例えば、第２抽出部１３４は、広告主が既に入札しているキーワードから生成される組合せのうち、新たな入札キーワードを含む組合せであって、入札キーワードとともに組合せに含まれる他のキーワードが共通する組合せ同士の重み値の和を比較する。そして、第２抽出部１３４は、比較した複数の組合せの重み値の和に基づいて、各組合せに共通するキーワードを抽出する。これにより、第２抽出部１３４は、入札キーワードとの共起性がより高い共通したキーワードを抽出することができる。

上記の抽出処理について、一例を挙げて説明する。例えば、第２抽出部１３４は、重み値の和に基づき抽出処理を行うため、広告主毎に、組合せの存否及び組合せの重み値を変数として生成される関数を求める。そして、第２抽出部１３４は、新たに指定される入札キーワードを含むいずれかの組合せに対応する変数を加えた場合に、関数が示す値を最適化する変数に対応する組合せの中から、入札キーワードとは異なる他のキーワードを抽出する。

例えば、第２抽出部１３４は、組合せの存否及び組合せの重み値を変数として生成される関数の一例として、下記式（２）で表される関数を求める。

広告主のスコア ＝ Σ（ｗ＿ｋｗ_ｉｊ） × （ｋｗ_ｉ，ｋｗ_ｊ） ・・・ （２）

上記式（２）のうち、「（ｗ＿ｋｗ_ｉｊ）」は、組合せ（ｋｗ_ｉ，ｋｗ_ｊ）に対応する重み値を示す。また、「（ｋｗ_ｉ，ｋｗ_ｊ）」は、組合せ（ｋｗ_ｉ，ｋｗ_ｊ）が存在するか否かを示す。例えば、処理対象である広告主が組合せ（ｋｗ_ｉ，ｋｗ_ｊ）を有する場合には、「（ｋｗ_ｉ，ｋｗ_ｊ）」＝「１」となる。一方、広告主が組合せ（ｋｗ_ｉ，ｋｗ_ｊ）を有しない場合には、「（ｋｗ_ｉ，ｋｗ_ｊ）」＝「０」となる。

上記式（２）において、第２抽出部１３４は、入札キーワード「（ｋｗ_ｅ）」を含む任意の組合せ（ｋｗ_ｅ，ｋｗ_ｊ）に対応する変数を加えるとする。すなわち、第２抽出部１３４は、任意の組合せ（ｋｗ_ｅ，ｋｗ_ｊ）が存在することを示す「１」の値と、任意の組合せ（ｋｗ_ｅ，ｋｗ_ｊ）に対応する重み値を乗算した変数を上記式（２）に加える。上記の例では、加えられる変数の値が大きいほど、他の広告主との共起性を伴う適切なキーワードが含まれる組合せを広告主が有することを示す。すなわち、広告主のスコアが大きくなるほど、広告主のスコアが改善されたといえる。そして、広告主のスコアが最大となる場合に、上記関数が示す値が最適化されたといえる。ゆえに、第２抽出部１３４は、入札キーワード「（ｋｗ_ｅ）」と、任意のキーワード「ｋｗ_ｊ」とを含む組合せに対応する変数のいずれかを上記式（２）に加え、最もスコアを上昇させる変数に対応する組合せ（ｋｗ_ｅ，ｋｗ_ｊ）を抽出する。そして、第２抽出部１３４は、組合せ（ｋｗ_ｅ，ｋｗ_ｊ）に含まれる任意のキーワード「ｋｗ_ｊ」を抽出する。

上述した第２抽出部１３４の抽出処理について、図１１を用いて、具体的に説明する。図１１は、実施形態に係る第２抽出モデルによる抽出処理の一例を示す概念図である。図１１に示す例では、広告主ＣＬ１０は、新たにキーワード「Ｋ００１」及び「Ｋ０１１」を指定して、入札を行うものとする。なお、各組合せの重み値は、図１０で示された重み値を用いる。

第２抽出部１３４は、広告主ＣＬ１０から新たに指定された入札キーワード「Ｋ００１」について、第２抽出部１３４によって算定された任意のキーワードとの組合せの重み値を参照する。図１１に示すように、組合せ（Ｋ００１，Ｋ００２）の重み値は「０．６」であり、組合せ（Ｋ００１，Ｋ００３）の重み値は「０．３」であり、組合せ（Ｋ００１，Ｋ１１１）の重み値は「０．１５」である。また、広告主ＣＬ１０から新たに指定された入札キーワード「Ｋ０１１」と任意のキーワードとの組合せの重み値の例としては、図１１に示すように、組合せ（Ｋ０１１，Ｋ００２）の重み値は「０．３５」であり、組合せ（Ｋ０１１，Ｋ００３）の重み値は「０．１」であり、組合せ（Ｋ０１１，Ｋ１１１）の重み値は「０．０５」である。

ここで、第２抽出部１３４は、上記式（２）を用いて、広告主ＣＬ１０のスコアを求める。この例では、第２抽出部１３４は、入札キーワードと異なるキーワードとして、共通する一つのキーワードを抽出するものとする。

具体的には、第２抽出部１３４は、新たにキーワード「Ｋ００１」及び「Ｋ０１１」を含む組合せであって、共通するキーワード「Ｋ００２」を含む組合せである、組合せ（Ｋ００１，Ｋ００２）及び組合せ（Ｋ０１１，Ｋ００２）に対応する変数を上記式（２）に加える。この場合、第２抽出部１３４は、上記式（２）より、組合せ（Ｋ００１，Ｋ００２）に対応する重み値「０．６」と、組合せ（Ｋ０１１，Ｋ００２）に対応する重み値「０．３５」に基づき、広告主ＣＬ１０のスコアが「０．９５」だけ上昇することを求める。同様に、第２抽出部１３４は、共通するキーワード「Ｋ００３」の場合には、組合せ（Ｋ００１，Ｋ００３）に対応する重み値「０．３」と、組合せ（Ｋ０１１，Ｋ００３）に対応する重み値「０．１」に基づき、広告主ＣＬ１０のスコアが「０．４」だけ上昇することを求める。同様に、第２抽出部１３４は、共通するキーワード「Ｋ１１１」の場合には、組合せ（Ｋ００１，Ｋ１１１）に対応する重み値「０．１５」と、組合せ（Ｋ０１１，Ｋ１１１）に対応する重み値「０．０５」に基づき、広告主ＣＬ１０のスコアが「０．２」だけ上昇することを求める。

なお、第２抽出部１３４は、図１１に示す組合せ（Ｋ００１，Ｋ２１１）と、組合せ（Ｋ０１１，Ｋ３１１）とについては、上記抽出処理に用いない。この場合、組合せ（ｋｗ_ｅ，ｋｗ_ｊ）において、任意のキーワード「ｋｗ_ｊ」が共通していないため、第２抽出部１３４は、組合せ同士の重み値を比較することができないからである。

そして、第２抽出部１３４は、上記結果に基づいて、広告主のスコアを最適化する組合せに共通して含まれるキーワード「Ｋ００２」を抽出する。すなわち、第２抽出部１３４は、広告主ＣＬ１０が新たに指定した入札キーワード「Ｋ００１」及び「Ｋ０１１」に追加する適切な入札キーワードとして、キーワード「Ｋ００２」を抽出する。

このように、実施形態に係る第２抽出部１３４は、広告配信サービスにおいて、実際にキーワードを入札している広告主毎に生成されるキーワードの組合せを抽出処理に用いる。このため、第２抽出部１３４によれば、広告主が指定するキーワード同士の関連性についても指標に含めた上で、新たなキーワードを抽出することができる。例えば、検索連動型の広告配信サービスにおいて、単に検索クエリとして入力されやすいキーワードを広告主に提示したとしても、広告コンテンツと関連性の低いキーワードでは、ユーザの意図と広告コンテンツの内容に齟齬が生じるため、十分に広告コンテンツの効果が発揮されないおそれがある。一方、第２抽出部１３４は、現時点で他の広告主が入札しているキーワードの組合せを利用してキーワードを抽出する。すなわち、抽出されるキーワードは、他の広告主が入札しているキーワードと共起性を有する。これにより、処理対象となる広告主は、広告装置１００によって抽出されるキーワードであって、自身と関連性の高い他の広告主が入札しているキーワードを、適切に入札キーワードに追加することができる。

また、第１抽出部１３３と同様に、第２抽出部１３４は、算出部１３６が第２抽出モデルに対して重み付けを算出しようとする場合には、取得部１３１から取得したテストデータに基づいて抽出されたキーワードと、抽出されたキーワードに関する評価値である重み値、又は、上述した広告主のスコアに関する情報を算出部１３６に送る。

（第３抽出部１３５について）
第３抽出部１３５は、第３抽出モデルによるキーワードの抽出処理を実行する。第３抽出モデルは、検索サーバ３０にユーザ端末１０から送信された検索クエリの傾向に基づいて、適切な入札キーワードを抽出する手法である。以下に、第３抽出モデルがキーワードを抽出する処理について説明する。

第３抽出部１３５は、取得部１３１が取得した検索クエリ及び再検索クエリに関する情報を処理に用いる。例えば、第３抽出部１３５は、検索クエリ及び再検索クエリがユーザ端末１０から検索サーバ３０に送信された回数や、検索クエリ及び再検索クエリに対応するＬＰや広告コンテンツや、検索クエリ及び再検索クエリを送信したユーザ端末１０を識別する情報などを処理に用いる。

そして、第３抽出部１３５は、検索クエリと再検索クエリとの関連性を示す評価値を算定する。具体的には、第３抽出部１３５は、検索サービスにおいて、検索クエリを送信したユーザ端末１０がどのような内容の再検索クエリを送信したか、といった検索の傾向を示す値である傾向値を算定する。

例えば、第３抽出部１３５は、検索クエリの送信後に再検索クエリが送信された回数に基づいて、検索クエリと再検索クエリとの関連性を示す評価値である傾向値を算定する。すなわち、第３抽出部１３５は、取得部１３１により取得される数がより多い再検索クエリほど、検索クエリを送信した後にさらに送信されやすい傾向にあるとして、かかる検索クエリに対する再検索クエリの傾向値が高くなるよう算定する。

なお、第３抽出部１３５は、検索クエリと、検索クエリに基づいて抽出されたコンテンツ（例えば、ＬＰや広告コンテンツ）を取得したユーザ端末１０からさらに送信される再検索クエリとの関連性を示す評価値である傾向値を算定する。言い換えれば、第３抽出部１３５は、あらゆるユーザ端末１０から送信される検索クエリと再検索クエリとの傾向値を算定するのではなく、検索クエリによって検索されたコンテンツを取得したユーザ端末１０から送信される再検索クエリとの傾向値を算定する。これにより、第３抽出部１３５は、検索サービスにより検索されたコンテンツに対応する検索クエリと再検索クエリとの傾向値を算定するので、かかるコンテンツにおける検索傾向を明確に算定することができる。

また、第３抽出部１３５は、検索クエリに基づいて抽出されたコンテンツ毎に、検索クエリと再検索クエリとの傾向値を算定する。例えば、ユーザ端末１０が検索サービスに対して検索クエリを送信した場合、複数のコンテンツが検索結果として抽出されうる。この場合、ユーザ端末１０は、複数のコンテンツの中から選択したコンテンツ（例えば、検索結果ページ５０において、リンク先をクリックしたコンテンツ）を取得する。そして、第３抽出部１３５は、ユーザによって選択されたコンテンツ毎に、検索クエリと再検索クエリとの傾向値を算定する。これにより、第３抽出部１３５は、検索サービスによって複数のコンテンツが抽出された場合であっても、特定のコンテンツにおける検索傾向を明確に算定することができる。

このように、第３抽出部１３５は、検索サーバ３０に検索クエリが送信された結果として抽出された所定のＬＰ毎に再検索クエリが送信された数に基づいて、傾向値を算定する。一例として、第３抽出部１３５は、所定のＬＰを表示するために送信された検索クエリの総数を分母とし、各々の再検索クエリが送信された数を分子とした数値を傾向値として算定する。この場合、算定される傾向値は、「０」乃至「１」の数値で表現される。あるいは、第３抽出部１３５は、検索クエリに対して再検索クエリがどのくらい関連しているかを、例えば、検索クエリ及び再検索クエリが送信された数や頻度に基づいて、既知の手法によりコサイン（cosine）で表現される類似度によって算定してもよい。この場合であっても、算定される傾向値は、「０」乃至「１」の数値で表現される。あるいは、第３抽出部１３５は、再検索クエリが送信された数をそのまま傾向値として扱ってもよい。

そして、第３抽出部１３５は、算定した傾向値をコンテンツと対応付けて、第３テーブル１２５内に格納する。なお、第３抽出部１３５は、取得部１３１によって検索サーバ３０から取得される検索クエリ及び再検索クエリに関する情報が随時変化する場合には、例えば、第３テーブル１２５内に格納した傾向値を所定のタイミングで更新するようにしてもよい。

そして、第３抽出部１３５は、算定された評価値に基づいて、再検索クエリの中から、検索クエリに基づいて抽出される所定のコンテンツに紐づかせるキーワードを抽出する。具体的には、第３抽出部１３５は、算定された傾向値がより高い数値に対応する再検索クエリを、広告配信サービスにおいて広告コンテンツ又はＬＰに紐づかせるキーワードである入札キーワードの一例として抽出する。言い換えれば、第３抽出部１３５は、広告主に提示する入札キーワードの候補を抽出する。

なお、第３抽出部１３５は、検索クエリに基づいて抽出されたコンテンツを取得したユーザ端末１０からさらに送信される再検索クエリとの傾向値を算定した場合には、ユーザ端末１０によって取得されたコンテンツに紐づかせるキーワードを抽出する。すなわち、第３抽出部１３５は、算定された傾向値と、傾向値の算定に用いられたコンテンツとを対応付けてキーワードを抽出する。

第３抽出部１３５の抽出処理について、図１２を用いて、具体的に説明する。図１２は、実施形態に係る第３抽出モデルによる抽出処理の一例を示す概念図である。なお、図１２で例に挙げるＬＰや、検索クエリや、再検索クエリは、図７で示した第３テーブル１２５内に記憶されているＬＰや、検索クエリや、再検索クエリに対応する。図１２では、検索クエリ「ダイエット」によって抽出されたＬＰ３１を取得したユーザ端末１０が、再検索クエリを送信した例を示している。

まず、ユーザ端末１０は、検索サービスにおいて検索クエリ「ダイエット」を送信する。これにより、検索結果ページ５０に、ＬＰ３１をリンク先とする広告コンテンツ、又はウェブページの検索結果として、ＬＰ３１へのリンクが表示される。ユーザ端末１０は、広告コンテンツ又はリンクをクリックすることで、ＬＰ３１を取得し、ユーザ端末１０の表示画面に表示する。

その後、ユーザ端末１０は、再び検索サービスを利用する。この場合、ユーザ端末１０は、検索サービスにおいて再検索クエリを送信する。図１２では、検索クエリ「ダイエット」を検索したユーザ端末１０が送信した再検索クエリを、「ダイエット」と表記された円の周囲に配置された円により示している。図１２に示す円において、円内に表記される単語は再検索クエリを示す。円内に表記される数値は、傾向値を示す。すなわち、図１２では、「ダイエット」を検索した後のユーザ端末１０が、再検索クエリとしてどのような単語を送信する傾向にあるのかを示している。図１２に示す例では、検索クエリ「ダイエット」の再検索クエリとしては、「運動」、「健康食品」及び「ヨーグルト」が傾向値「０．２」であり、他の再検索クエリよりも高い数値を示している。

この場合、第３抽出部１３５は、「運動」、「健康食品」及び「ヨーグルト」の全てを、ＬＰ３１に紐づかせるキーワードとして抽出してもよいし、この中から、さらに詳細に算定された傾向値に基づいて、一つだけキーワードを抽出してもよい。

なお、再検索クエリ「ヨーグルト」を送信したユーザ端末１０が、再検索クエリ「ヨーグルト」によって抽出されるＬＰ３２を取得する場合がある。そして、ＬＰ３２を取得したユーザ端末１０がさらに再検索クエリを送信する場合がある。この場合には、ＬＰ３２に対して、「ヨーグルト」は、検索クエリとして扱われる。すなわち、第３抽出部１３５は、検索クエリ「ヨーグルト」によって抽出されるＬＰ３２を取得したユーザ端末１０から送信される再検索クエリに対応する傾向値に基づいて、ＬＰ３２に紐づかせるキーワードを抽出する。

図１２に示す例では、検索クエリ「ヨーグルト」の再検索クエリとしては、「美腸」が傾向値「０．４」であり、他の再検索クエリよりも高い数値を示している。この場合、第３抽出部１３５は、再検索クエリ「美腸」をＬＰ３２に紐づかせるキーワードとして抽出する。

なお、第３抽出部１３５は、ＬＰ３１に紐づかせるキーワードとしては、再検索クエリ「美腸」を抽出しなくてもよい。すなわち、第３抽出部１３５は、検索クエリを送信したユーザ端末１０がその後に送信した再検索クエリであっても、抽出処理に用いなくてもよい。言い換えれば、第３抽出部１３５は、検索クエリを送信したユーザ端末１０が直後に送信した検索クエリのみを再検索クエリとして扱ってもよい。これにより、第３抽出部１３５は、検索クエリの連鎖によって関連性が低いと想定される再検索クエリがキーワードとして抽出されるのを防止することができる。

このように、実施形態に係る第３抽出部１３５は、広告配信サービスにおいて、実際にユーザが入力するクエリに基づいてキーワードを抽出する。一般に、検索サービスを利用するユーザは、１回目の検索において欲する情報が入手できなかったり、さらに情報を収集することを望んだりしたために、１回目の検索と同じ意図を有しながら、異なるクエリにより２回目の検索を行う。このことから、検索クエリと再検索クエリとは、ユーザの同じ意図を反映した単語である確率が高いといえる。そこで、第３抽出部１３５は、上記の関係性に基づき、検索クエリ後の再検索クエリに対する検索傾向を求めることで、再検索クエリに含まれるキーワードであって、広告主が認知しにくいキーワードを抽出することを可能とする。言い換えれば、第３抽出部１３５は、広告主自身が入札キーワードとして想定するようなキーワードだけではなく、実際のユーザの行動履歴が反映されたキーワードを抽出することができる。

また、第１抽出部１３３と同様に、第３抽出部１３５は、算出部１３６が第３抽出モデルに対して重み付けを算出しようとする場合には、取得部１３１から取得したテストデータに基づいて抽出されたキーワードと、抽出されたキーワードに関する評価値である傾向値とに関する情報を算出部１３６に送る。

（算出部１３６について）
算出部１３６は、互いに異なる手法を用いてコンテンツに紐づかせるキーワードを抽出する抽出モデル毎に、抽出モデルによって所定の条件に適合するキーワードが抽出された度合いに基づいて、抽出モデルの指標値を算出する。例えば、算出部１３６は、所定の条件として、抽出モデルによって抽出されたキーワードが実際に広告コンテンツやＬＰに紐づいていること、又は、予め条件に適合すると取り決められているキーワード（例えば、人為的に、事前に所定のキーワードが正例であると取り決められていること）を用いて指標値を算出する。

以下に、算出部１３６が抽出モデル毎の重みを算出する手法について説明する。例えば、広告装置１００が提供する広告配信サービスにおいて、現に１０万件分（以下、広告主を計数する場合には、広告主の計数の単位を「アカウント」と表記する）の広告主から広告コンテンツの入稿を受け付けているとする。すなわち、取得部１３１は、１０万アカウント分の広告主に関する情報を取得しているものとする。

まず、算出部１３６は、取得されている１０万アカウントのうち、例えば、８万アカウントの情報を用いて、各抽出モデルを学習させる。すなわち、算出部１３６は、８万アカウント分の広告主に関する情報を第１抽出部１３３、第２抽出部１３４及び第３抽出部１３５に入力する。そして、第１抽出部１３３、第２抽出部１３４及び第３抽出部１３５は、入力された情報に基づき、各抽出モデルの抽出手法により、各アカウントに対してキーワードの抽出を試みる。そして、第１抽出部１３３、第２抽出部１３４及び第３抽出部１３５は、実際に広告主が指定している入札キーワードを正例とし、実際に広告主が指定している入札キーワードを抽出できた場合にはキーワードの評価値が高くなるように調整し、抽出されたキーワードが実際に広告主が指定している入札キーワードでなかった場合には、抽出されたキーワードの評価値が低くなるように調整を繰り返し、抽出モデルを学習させる。このように、各抽出モデルは、同一の学習データである、共通したテストデータに基づいて学習され、生成される。

そして、算出部１３６は、取得されている１０万アカウントのうち、２万アカウントの情報を用いて、各抽出モデルに付与する重み付けの指標値を算出する。例えば、算出部１３６は、２万アカウントの広告主に関する情報において、広告主が入札しているキーワードの８割の情報を第１抽出部１３３、第２抽出部１３４及び第３抽出部１３５に入力する。そして、算出部１３６は、入力した各アカウントについて、隠された２割の入札キーワードを各抽出モデルが正確に抽出できる度合いを算出する。言い換えれば、第１抽出部１３３、第２抽出部１３４及び第３抽出部１３５は、広告主が実際に入札しているキーワードの８割にあたる情報に基づいて、さらに各アカウントに追加する入札キーワードを抽出する。そして、算出部１３６は、第１抽出部１３３、第２抽出部１３４及び第３抽出部１３５が抽出したキーワードが、各アカウントに実際に指定されている入札キーワードであるか否かの度合いを算出する。例えば、算出部１３６は、各アカウントに実際に指定されている入札キーワードに対して高い評価値を算出する抽出モデルほど、重みが重くなるような指標値を算出する。

なお、算出部１３６は、各抽出モデルがキーワードの抽出にあたって算定したキーワードの評価値を正規化した数値に基づいて、各抽出モデルの重み付けの指標値を算出する。算出部１３６の算出処理の流れについて、図１３を用いて、具体的に説明する。図１３は、実施形態に係る算出部１３６による算出処理の一例を示す概念図である。

まず、算出部１３６は、テストデータとして入札キーワードの２割を隠した２万アカウントのデータを第１抽出モデルに入力する（ステップＳ２１）。第１抽出部１３３は、各アカウントのＬＰに関する情報等に基づき、上述した類似度を算出し、キーワードを抽出する。同様に、算出部１３６は、テストデータを第２抽出モデルに入力する（ステップＳ２２）。第２抽出部１３４は、各アカウントの入札キーワードの組合せに関する情報等に基づき、上述した重み値を算定し、キーワードを抽出する。同様に、算出部１３６は、テストデータを第３抽出モデルに入力する（ステップＳ２３）。第３抽出部１３５は、各アカウントのＬＰに対する検索クエリと再検索クエリとの情報等に基づき、上述した傾向値を算定し、キーワードを抽出する。

そして、算出部１３６は、各抽出モデルにより算定された評価値である類似度や、重み値や、傾向値を既知の手法により正規化する（ステップＳ２４）。なお、算出部１３６は、各抽出モデルが類似度や、重み値や、傾向値そのものを評価値とせず、類似度や、重み値や、傾向値に基づいて定められるキーワードのスコアを算定している場合には、かかるスコアを正規化してもよい。これにより、算出部１３６は、各抽出モデルが算定する評価値を比較することができる。

そして、算出部１３６は、上述したようなテストデータに対して正例を抽出することができた度合いに基づいて、重み付けを示す指標値を算出することにより各抽出モデルに重み付けをする（ステップＳ２５）。例えば、算出部１３６は、下記式（３）で示されるような重み付けを算出する。

キーワードのスコア ＝ α・Ｘ ＋ β・Ｙ ＋γ・Ｚ ・・・ （３）

上記式（３）のうち、「キーワードのスコア」は、抽出されるキーワードのスコアを示す。例えば、スコアは、各抽出モデルによって算定される評価値に対応する。また、上記式（３）のうち、「α」は第１抽出モデルの重みを示し、「Ｘ」は第１抽出モデルによるキーワードのスコアの演算手法を示している。同様に、「β」は第２抽出モデルの重みを示し、「Ｙ」は第２抽出モデルによるキーワードのスコアの演算手法を示している。同様に、「γ」は第３抽出モデルの重みを示し、「Ｚ」は第３抽出モデルによるキーワードのスコアの演算手法を示している。「α」、「β」及び「γ」は、上記の重み付けの算出処理に応じて動的に変化することができる。なお、「α」、「β」及び「γ」の和は「１」となる。例えば、キーワードのスコアを複数の抽出モデルによらず、単独の抽出モデルで算定することは、「α」、「β」、「γ」のいずれか一つが「１」であり、残りの重みは「０」であることと同様である。

なお、上記では、算出部１３６は、実際に広告主から指定されている入札キーワードを正例として重み付けの指標値を算出する例を示した。しかし、算出部１３６は、実際に広告主から指定されている入札キーワードを正例とするのではなく、所定の取り決めにより定められたキーワードを正例としてもよい。例えば、算出部１３６は、人為的な判断により各アカウントに対して適切と想定されるキーワードを正例とするような設定を予め受け付ける。そして、算出部１３６は、かかる取り決めにより正例と定められたキーワードを抽出することができた抽出モデルに対して、値が高くなるよう重み付けの指標値を算出してもよい。

算出部１３６は、このように、各抽出モデルに適切な重みを付与することにより、複数の抽出モデルを用いてキーワードを抽出するための演算式を生成する。後述する第４抽出部１３７は、上記式（３）で示されるような演算式で算定されるキーワードのスコアに基づいて、適切な入札キーワードを抽出することができる。

（第４抽出部１３７について）
第４抽出部１３７は、算出部１３６によって算出された指標値により重み付けされた抽出モデルが算定する評価値に基づいて、コンテンツに紐づかせるキーワード、又は、コンテンツを抽出させるためのキーワードを抽出する。具体的には、第４抽出部１３７は、新たに広告配信サービスを利用する広告主から広告コンテンツの入稿を受け付けた場合に、かかる広告コンテンツや広告主に関する情報に基づいて、複数の抽出モデルを利用した抽出処理手法により、新たな広告主にとって適した入札キーワードを抽出する。言い換えれば、第４抽出部１３７は、新たな広告主が入札する候補としてのキーワードを抽出する。

第４抽出部１３７は、例えば、処理対象であるアカウントに関する情報に基づいて、上記式（３）のような演算式により算定されたスコアにより、キーワードを抽出する。すなわち、第４抽出部１３７は、上記式（３）で示すように、複数の抽出モデルが算定するキーワード毎の評価値であって、算出部１３６によって算出された指標値に対応する重みが付加された評価値の和に基づいて、広告コンテンツに紐づかせるキーワード、又は、広告コンテンツやＬＰを抽出させるためのキーワードを抽出する。

（入稿受付部１３８について）
入稿受付部１３８は、広告コンテンツの入稿を受け付ける。また、入稿受付部１３８は、広告コンテンツの入稿とともに、広告主が指定する入札キーワードを受け付ける。そして、入稿受付部１３８は、受け付けた広告コンテンツや、入札キーワードを算出データ記憶部１２１に格納する。

（提示部１３９について）
提示部１３９は、第４抽出部１３７によって抽出されたキーワードを提示する。具体的には、提示部１３９は、広告配信サービスにおいて広告コンテンツに紐づかせる入札キーワードとして、第４抽出部１３７によって抽出されたキーワードを広告主に提示する。

なお、提示部１３９は、第４抽出部１３７によって抽出されたキーワードであっても、入札キーワードとして広告主に提示しない場合があってもよい。例えば、提示部１３９は、広告コンテンツに設定されうる除外キーワードについては提示しなくてもよい。広告コンテンツに設定されうる除外キーワードとは、例えば、広告コンテンツの提供主である広告主と競合する企業名や、競合する企業が扱う製品名などが該当する。

（要求受付部１４０について）
要求受付部１４０は、広告コンテンツの配信に関する要求を受け付ける。例えば、要求受付部１４０は、広告コンテンツの取得要求として、ユーザ端末１０が表示するウェブページに含まれるＨＴＴＰ（Hypertext Transfer Protocol）リクエストを受け付ける。

（配信部１４１について）
配信部１４１は、広告コンテンツを配信する。例えば、配信部１４１は、要求受付部１４０が受け付けたＨＴＴＰリクエストに従い、ユーザ端末１０に広告コンテンツを配信する。また、配信部１４１は、要求受付部１４０によって広告コンテンツの取得要求が受け付けられた場合には、配信候補の広告コンテンツを広告情報記憶部１２６から選択する。

ここで、配信部１４１は、要求受付部１４０が受け付けた検索クエリと入札キーワードが同一又は類似である場合には、入札キーワードに紐づく広告コンテンツを配信候補として選択する。そして、配信部１４１は、検索クエリを検索サーバ３０に送信したユーザ端末１０に、選択した広告コンテンツを配信する。

〔３．処理手順〕
次に、図１４を用いて、実施形態に係る広告装置１００が実行する算出処理の手順について説明する。図１４は、実施形態に係る広告装置１００による算出処理手順を示すフローチャートである。

図１４に示すように、広告装置１００は、例えば、既に広告配信サービスを利用している広告主に関する情報等が含まれる、抽出モデルの学習のためのテストデータを取得する（ステップＳ１０１）。そして、広告装置１００は、取得したテストデータに含まれるアカウントについて、各抽出モデルによって評価値を算定する（ステップＳ１０２）。

そして、広告装置１００は、各抽出モデルによって算定された評価値を正規化する（ステップＳ１０３）。広告装置１００は、正規化された評価値と、抽出したキーワードが正例であった度合いとに基づいて、各抽出モデルの重み付けを算出する（ステップＳ１０４）。

次に、図１５を用いて、実施形態に係る広告装置１００が実行する抽出処理の手順について説明する。図１５は、実施形態に係る広告装置１００による抽出処理手順を示すフローチャートである。

図１５に示すように、広告装置１００は、新たに広告配信サービスを利用する広告主から、広告コンテンツの入稿を受け付けたか否かを判定する（ステップＳ２０１）。広告装置１００は、広告コンテンツの入稿を受け付けていない場合には（ステップＳ２０１；Ｎｏ）、受け付けるまで待機する。

一方、広告装置１００は、広告コンテンツの入稿を受け付けた場合には（ステップＳ２０１；Ｙｅｓ）、受け付けた広告主に関する情報等に基づいて、複数の抽出モデルを利用して、キーワードを抽出する（ステップＳ２０２）。そして、広告装置１００は、広告コンテンツを入稿した広告主に対して、抽出したキーワードを入札キーワードとして提示する（ステップＳ２０３）。

なお、図１５では、広告装置１００が、ステップＳ２０３において、キーワードを広告主に提示した後に、さらに異なるキーワードを抽出してもよい。すなわち、広告装置１００は、抽出されたキーワードに対する広告主の対応によっては、ステップＳ２０２とステップＳ２０３を繰り返し実行してもよい。例えば、広告主が提示されたキーワード以外のキーワードを所望する場合には、広告装置１００は、入札キーワードとして先に抽出したキーワード以外のキーワードをさらに抽出する。そして、広告装置１００は、新たに抽出されたキーワードを広告主に提示する。

〔４．変形例〕
上述した実施形態は、上記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、他の実施形態について説明する。

〔４−１．動的な重み付け〕
上記実施形態において、広告装置１００は、正規化された評価値と、テストデータにおける正例となるキーワードを抽出できた度合いに基づいて、各抽出モデルの重み付けを付与する例を示した。ここで、広告装置１００は、各抽出モデルの重みについて、抽出処理と連動させて動的に重みを変化させていってもよい。この点について、図１６を用いて説明する。

図１６は、変形例に係る広告装置１００による算出処理の一例を示す図である。図１６では、上記式（３）における「α」及び「β」を、２次元上のグラフにより示す。ここで、上述のように、「α」、「β」及び「γ」の和は「１」であるため、図１６に示すように、座標（α，β）＝（１，０）、（０，０）、（０，１）の３点で囲まれる三角形の内側に、一点（α，β）が定められた場合、（α，β，γ）がとりうる値は、一意に定められる。例えば、図１６に示す点Ｐ１（α，β）＝（０．４，０．３）を定めた場合、「γ」＝０．３に定まる。なお、上記の重み（α，β，γ）は、算出部１３６による算出処理により定められたものとする。

ここで、広告装置１００は、上記で定められた重み付けを用いて、新たに広告配信サービスを利用する広告主に対してキーワードの抽出処理を行うものとする。そして、広告装置１００は、抽出したキーワードを広告主に提示する。広告主は、提示されたキーワードを入札キーワードとして指定したものとする。その後、広告装置１００は、抽出したキーワードについて、入札キーワードとしての効果を示す指標値を取得する。例えば、広告装置１００は、広告コンテンツを検索するための検索クエリとして広告コンテンツに紐づくキーワードがユーザから入力された回数や、広告コンテンツがユーザから選択された回数、又は、広告コンテンツが表示されることで広告主が得た利益に関する情報などを取得する。

すなわち、広告装置１００は、実際に抽出されたキーワードが入札キーワードとして指定されることにより、広告コンテンツについての何らかの広告効果の向上を示す指標値を取得する。そして、広告装置１００は、例えば、最も広告効果を向上させる契機となったキーワードを抽出した抽出モデルについて、重みを重くするように調整する。例えば、広告装置１００は、第１抽出モデルによって抽出されたキーワードによって広告コンテンツの広告効果が向上したことを示す所定の指標値を取得した場合、第１抽出モデルの重みを示す「α」の数値を高くする。例えば、広告装置１００が重みを「０．１」刻みで設定する場合には、「α」は「０．４」から「０．５」へ調整される。この場合、図１６に示すように、点Ｐ１は、点Ｐ５へと移動することになる。すなわち、重み（α，β，γ）は、（０．５，０．３，０．２）へと調整される。

そして、広告装置１００は、新たに算出された重み（α，β，γ）＝（０．５，０．３，０．２）を用いて、新たに広告配信サービスを利用する広告主に対してキーワードの抽出処理を行う。かかる処理を繰り返すことにより、広告装置１００は、広告効果が高くなると想定される重みを、動的に各抽出モデルに対して算出することができる。例えば、広告装置１００は、抽出されたキーワードが入札キーワードとして指定された結果によって重みを調整するので、図１６の例でいえば、重みを示す点Ｐ１が、点Ｐ２や、点Ｐ３や、点Ｐ４に動かされるように重みを調整する。

このように、広告装置１００は、各抽出モデルに付与される重みを、広告効果などの結果に基づいて、動的に調整することができる。これにより、広告装置１００は、実態に即した、適切な重みが付与された各抽出モデルを用いて抽出処理を実行することができる。

〔４−２．抽出に用いる情報〕
上記実施形態において、第１抽出部１３３、第２抽出部１３４及び第３抽出部１３５は、既に広告コンテンツを入稿している広告主に係る入札キーワードや、検索クエリに関する情報に基づいて、キーワードを抽出する例を示した。ここで、第１抽出部１３３、第２抽出部１３４及び第３抽出部１３５は、既存の入札キーワード等に限らず、他の情報を用いて、キーワードを抽出してもよい。

例えば、第１抽出部１３３は、上記の通り、既存のＬＰに対応する単語ベクトルを生成したが、第１抽出部１３３は、広告コンテンツに対応する単語ベクトルを生成してもよい。

すなわち、第１抽出部１３３は、既存のＬＰではなく、広告コンテンツに含まれるテキストデータについて形態素解析をする。そして、第１抽出部１３３は、広告コンテンツに対応する単語ベクトルを生成する。また、第１抽出部１３３は、広告コンテンツに対応する単語ベクトルに基づいて、広告コンテンツに紐づく入札キーワード（すなわち、ＬＰに紐づくキーワード）に対応する単語ベクトルを生成することにより、キーワードを抽出してもよい。

また、第２抽出部１３４は、上記の通り、既存の入札キーワードに基づいてキーワードの組合せを生成したが、第２抽出部１３４は、広告コンテンツや、ＬＰに関する情報に基づいて、キーワードの組合せを生成してもよい。例えば、第２抽出部１３４は、広告コンテンツやＬＰに含まれるテキストデータについて形態素解析をすることにより、広告コンテンツやＬＰに含まれるテキストデータから、組合せを生成する要素となりえるキーワードを抽出する。そして、第２抽出部１３４は、抽出したキーワードの組合せを生成する。そして、第２抽出部１３４は、生成した組合せに基づいて、所定のコンテンツに紐づかせるキーワードを抽出する。

なお、広告コンテンツやＬＰに含まれるキーワードは、広告コンテンツやＬＰを特徴付けるキーワードであることが望ましい。この場合、第２抽出部１３４は、例えば、広告コンテンツやＬＰのテキストデータ内に多く含まれる単語や、他の広告コンテンツやＬＰには出現しにくい単語などを広告コンテンツやＬＰを特徴付けるキーワードとして判定し、かかるキーワードを抽出する。

このように、第１抽出部１３３や、第２抽出部１３４によれば、既存の入札キーワードに限られず、広告コンテンツやＬＰを用いることにより、広告主が入札する適切なキーワードを抽出することができる。

また、第１抽出部１３３や、第２抽出部１３４は、広告コンテンツの広告効果を示す指標を用いて、上記の抽出処理を行ってもよい。例えば、第２抽出部１３４は、組合せの重み値の算定処理において、ＣＴＲ（Click Through Rate）の高い広告コンテンツを提供する広告主について重みを重くして、組合せの重み値を算定してもよい。例えば、第２抽出部１３４は、上記式（１）において、「ｙ」の値を広告主毎に調整してもよい。この場合、第２抽出部１３４は、ＣＴＲの高い広告コンテンツを提供する広告主に関して、「ｙ」の値を高くすることにより、結果として、かかる広告主が有する各組合せの重み値を高くすることができる。これにより、第２抽出部１３４は、ＣＴＲの高い広告コンテンツを提供する広告主が指定するキーワードを抽出しやすくなる。あるいは、第２抽出部１３４は、ＣＴＲの高い広告コンテンツを提供する広告主が有する組合せに対して算定した重み値に所定の値を加算してもよい。

なお、第１抽出部１３３や、第２抽出部１３４は、ＣＴＲ以外の広告効果を示す指標に基づいてキーワードの評価値を算定してもよい。例えば、第１抽出部１３３や、第２抽出部１３４は、広告コンテンツが表示された回数に対して何割がコンバージョンに至るかの割合を示すＣＶＲ（Conversion Rate）や、ユーザ端末１０における広告コンテンツの実際の表示回数（インプレッション数）や、広告コンテンツに対するクリックで発生する課金額であるＣＰＣ（Cost Per Click）や、広告コンテンツの１０００回表示あたりの課金額であるｅＣＰＭ（effective Cost Per Mill）などの広告コンテンツに関する情報を用いて評価値を算定してもよい。

また、第３抽出部１３５は、ＬＰを取得したユーザ端末１０に限らず、広告コンテンツを取得したユーザ端末１０から再検索クエリが送信された回数に基づいて、傾向値を算定してもよい。また、第３抽出部１３５は、ユーザが広告コンテンツを選択した場合には、かかるユーザは他のユーザよりも広告主に興味関心があるものとして、かかるユーザに対応するユーザ端末１０から送信される再検索クエリに所定の重み値を付与してもよい。なお、上記実施形態において、検索クエリがＬＰ単語や入札キーワードである例を示したが、検索クエリは、広告コンテンツに含まれる単語であってもよい。

上記のように、第１抽出部１３３、第２抽出部１３４及び第３抽出部１３５は、上記実施形態において示した例に限られず、種々の情報を用いてキーワードを抽出することができる。

〔４−３．広告主〕
上記実施形態において、広告主は、広告主端末２０を用いて、広告装置１００に広告コンテンツを入稿する例を示した。しかし、広告主は、自ら広告装置１００に広告コンテンツを入稿せずに、かかる処理を代理店に依頼する場合もある。この場合、広告装置１００にかかる処理をするのは代理店となる。すなわち、「広告主」といった表記は、広告主だけでなく代理店を含む概念であり、「広告主端末」といった表記は、広告主端末２０だけでなく代理店によって利用される代理店端末を含む概念であるものとする。

〔４−４．広告配信〕
また、配信部１４１は、広告コンテンツの配信において、同じ入札キーワードに紐づく広告コンテンツが複数ある場合には、入札キーワードの入札価格が高い広告主や、ＣＴＲの高い広告コンテンツや、入札価格及びＣＴＲの双方が高い広告コンテンツを優先して選択するようにしてもよい。そして、配信部１４１は、選択した広告コンテンツをユーザ端末１０に配信する。

〔４−５．再検索クエリの例〕
上記実施形態において、第３抽出部１３５が利用する再検索クエリの一例として、検索サーバ３０は、検索クエリを送信したユーザ端末１０であって、ＬＰを取得したユーザ端末１０から再び送信される検索クエリを再検索クエリとして扱う例を示した。しかし、検索サーバ３０は、他の状況において送信される検索クエリを再検索クエリとして扱ってもよい。

例えば、検索サーバ３０は、ユーザ端末１０から検索クエリが送信された後、所定時間内（例えば、１０分以内など）に送信される検索クエリを再検索クエリとして扱ってもよい。また、検索サーバ３０は、検索結果ページ５０を取得したユーザ端末１０において、検索結果ページ５０を表示させた直後に、検索クエリ入力部５２に新たに入力されることにより、検索サーバ３０に送信される検索クエリを再検索クエリとして扱ってもよい。この場合、検索サーバ３０は、ユーザが検索クエリによって抽出されたＬＰを閲覧していたか否かを判定しなくともよい。なお、検索サーバ３０は、ＬＰを取得したユーザ端末１０から再び送信される検索クエリであっても、ユーザ端末１０から検索クエリが送信された後、所定時間外（例えば、先の検索クエリの送信から２４時間経過後）に送信される検索クエリについては、再検索クエリとして扱わないようにしてもよい。

また、検索サーバ３０は、検索クエリを送信したユーザ端末１０が、検索結果ページ５０において広告コンテンツをクリックせず、他のウェブページのリンクをクリックした場合であっても、その後、再び検索結果ページ５０を表示させたユーザ端末１０から送信される検索クエリを再検索クエリとして扱ってもよい。上記のように、検索サーバ３０は、ユーザが同じ検索意図をもって検索していると想定される前後の検索クエリを、検索クエリと再検索クエリとして扱うことができる。

また、広告装置１００がユーザ端末１０からクエリ情報を受信する場合もありうる。例えば、広告装置１００は、ユーザ端末１０が検索結果ページ５０を表示する際に送信される広告取得要求に含まれるリクエストに基づいて、検索クエリに関する情報を取得する。この場合、広告装置１００に係る第３抽出部１３５は、ユーザ端末１０から検索クエリが送信された後に、ユーザ端末１０から所定時間内に送信される新たな検索クエリを再検索クエリとして、新たな検索クエリと、再検索クエリとの傾向値を算定してもよい。なお、ユーザ端末１０の同一性は、例えば、ユーザ端末１０から送信されるクッキー（Cookie）等に含まれる端末の識別情報に基づいて識別される。

〔４−６．他の用途〕
上記実施形態において、広告装置１００は、検索連動型の広告配信サービスにおける入札キーワードを抽出する例を示した。しかし、広告装置１００は、上記のような検索連動型以外の広告配信サービスに利用されてもよい。例えば、広告装置１００は、キーワードに対する入札を受け付け、かかるキーワードと親和性の高い内容のウェブページに広告コンテンツを配信するような、いわゆる広告コンテンツマッチ型の広告サービスに利用されてもよい。

また、上記実施形態において、コンテンツの一例として、広告コンテンツやＬＰを挙げ、キーワードの一例として、入札キーワードを例に挙げて説明した。しかし、広告装置１００は、広告コンテンツやＬＰに紐づく入札キーワードを抽出するのみならず、他の用途として利用されてもよい。

例えば、本願に係る抽出装置が検索サーバ３０に対応する場合、検索サーバ３０は、検索結果ページ５０に検索クエリのアシストとなるキーワードを表示してもよい。例えば、検索サーバ３０は、検索対象である所定のＬＰに対応するキーワードを抽出する。そして、検索サーバ３０は、ユーザが検索サービスを利用する際に、ユーザから入力された検索クエリと抽出されたキーワードが関連する場合（例えば、意味的に類似する場合など）には、検索クエリとともに抽出されたキーワードをユーザに提示してもよい。例えば、検索サーバ３０は、抽出したキーワードを、先にユーザが入力した検索クエリの代わりに、所定のウェブページを検索するためのクエリとして抽出する。そして、検索サーバ３０は、検索結果ページ５０に、検索結果とともに抽出されたキーワードを提示してもよい。ユーザは、提示されたキーワードに基づいて検索を実行することにより、効率よく目的のウェブページを検索できる場合がある。この場合、検索サーバ３０は、検索サービスを実行する制御部に加え、上記実施形態に係る取得部１３１、抽出制御部１３２、及び提示部１３９に対応する各処理部を有する。このように、抽出装置に係る第４抽出部１３７は、算出部１３６によって算出された指標値により重み付けされた抽出モデルを用いて、コンテンツに紐づかせるキーワードのみならず、コンテンツを抽出させるためのキーワードを抽出することができる。

〔４−７．その他〕
また、上記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。

例えば、図３に示した算出データ記憶部１２１や広告情報記憶部１２６は、広告装置１００が保持せずに、図示しないストレージサーバ等が保持してもよい。この場合、広告装置１００は、ストレージサーバから広告に関する情報等を取得する。

また、例えば、上記実施形態では、広告装置１００が検索クエリなどに関する情報を取得し、取得した情報に基づいてキーワードを抽出する例を示したが、広告装置１００が実行する処理は、広告装置１００の機能を実現する個別の装置により実行されてもよい。例えば、上述した広告装置１００は、取得部１３１と入稿受付部１３８とを有する情報取得装置と、抽出制御部１３２を有する抽出装置と、提示部１３９を有する提示装置と、要求受付部１４０と配信部１４１とを有する配信装置とに分散されてもよい。

〔５．ハードウェア構成〕
また、上述してきた実施形態に係る広告装置１００は、例えば図１７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。以下、広告装置１００を例に挙げて説明する。図１７は、広告装置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に記憶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記憶する。

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記憶する。通信インターフェイス１５００は、通信網５００（ネットワークＮに対応）を介して他の機器からデータを受信してＣＰＵ１１００へ送り、また、通信網５００を介してＣＰＵ１１００が生成したデータを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、入出力インターフェイス１６００を介して生成したデータを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に記憶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が実施形態に係る広告装置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。また、ＨＤＤ１４００には、記憶部１２０内のデータが記憶される。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、他の装置から通信網５００を介してこれらのプログラムを取得してもよい。

〔６．効果〕
上述してきたように、実施形態に係る広告装置１００は、算出部１３６と、第４抽出部１３７とを有する。算出部１３６は、広告コンテンツ（コンテンツの一例）に紐づかせるキーワードとしての評価値を算定し、算定した評価値に基づいてキーワードを抽出する抽出モデルであって、互いに異なる手法を用いて評価値を算定する抽出モデル毎に、抽出モデルによって所定の条件に適合するキーワードが抽出された度合いに基づいて、抽出モデル毎の指標値を算出する。第４抽出部１３７は、算出部１３６によって算出された指標値により重み付けされた抽出モデルが算定する評価値に基づいて、広告コンテンツに紐づかせるキーワード、又は、広告コンテンツを抽出させるためのキーワードを抽出する。

このように、実施形態に係る広告装置１００は、検索連動型の広告配信サービスにおける入札キーワードに関して、複数の異なる抽出モデルを用いて、広告主にとって適切なキーワードを抽出する。このため、広告装置１００によれば、広告主は、種々の情報を利用する複数の抽出モデルにより抽出されたキーワードを入札キーワードとして指定することが可能となる。結果として、広告主は、提供する広告コンテンツに興味を持つと想定されるユーザに広告コンテンツをより多く配信させることができる。すなわち、実施形態に係る広告装置１００は、広告コンテンツの訴求効果を高めるキーワードを抽出することができる。

また、第４抽出部１３７は、複数の抽出モデルが算定するキーワード毎の評価値であって、算出部１３６によって算出された指標値に対応する重みが付加された評価値の和に基づいて、広告コンテンツに紐づかせるキーワード、又は、広告コンテンツを抽出させるためのキーワードを抽出する。

このように、実施形態に係る広告装置１００は、複数の異なる手法により算出されたキーワードの評価値に基づいて、広告配信サービスにおける入札キーワードを抽出することができる。このため、広告装置１００によれば、各抽出モデルによって異なる傾向により抽出されるキーワードの中から、適切な入札キーワードを自動的に選択し抽出することができる。

また、算出部１３６は、所定の条件に適合するキーワードとして、実際に広告コンテンツに紐づいているキーワード、又は、予め条件に適合すると取り決められているキーワードを用いて抽出モデル毎に指標値を算出する。

このように、実施形態に係る広告装置１００は、実際に他の広告主が入札キーワードとして設定しているキーワードや、入札キーワードとして適切であると特定されたキーワードなどを正例として重み付けを算出する。これにより、広告装置１００は、多くの広告主が入札しているような、効果が高いと想定されるキーワードを抽出しやすくすることができる。このため、広告装置１００は、広告主に適切な入札キーワードを抽出することができる。

また、算出部１３６は、同一の学習データにより生成される抽出モデル毎に指標値を算出する。

このように、実施形態に係る広告装置１００は、各抽出モデルを共通したテストデータで学習させるので、特定の情報に偏ることなく学習され、生成された抽出モデルによって抽出処理を実行することができる。

また、算出部１３６は、抽出モデルとして、キーワードに紐づけられたＬＰの特徴情報（例えば、単語ベクトル）と、キーワードに対応する特徴情報との類似度に基づいてキーワードを抽出する第１の抽出モデル、ＬＰもしくは広告コンテンツにキーワードを指定した広告主毎に生成されるキーワードの各組合せの所定の指標値に基づいてキーワードを抽出する第２の抽出モデル、又は、ユーザ端末１０から送信された検索クエリと、検索クエリを送信した後にユーザ端末１０からさらに送信される検索クエリである再検索クエリとの関連性を示す所定の指標値に基づいてキーワードを抽出する第３の抽出モデル、のうち少なくとも一つの抽出モデルの指標値を算出する。

このように、実施形態に係る広告装置１００は、異なる手法を用いてキーワードを抽出する抽出モデルについての重み付けを算出する。これにより、広告装置１００は、様々な情報に基づき、また、特定の情報に偏ることなく、入札キーワードを抽出することができる。

また、算出部１３６は、第４抽出部１３７によって抽出されたキーワードが広告コンテンツ又はＬＰを抽出させるための検索クエリとしてユーザから入力された回数、広告コンテンツがユーザから選択された回数、又は広告コンテンツが表示されることで広告主が得た利益に関する情報の少なくとも一つに基づいて、抽出モデル毎の指標値を算出する。

このように、実施形態に係る広告装置１００は、現状の広告効果を踏まえたうえで抽出モデル毎の重み付けを算出することができる。このため、広告装置１００は、現状に則した、適切なキーワードを抽出することができる。

また、算出部１３６は、広告配信において広告主が入札するキーワードとしての評価値を算出する抽出モデル毎の指標値を算出する。

これにより、実施形態に係る広告装置１００は、広告配信サービスにおける適切な入札キーワードを抽出することができる。

また、算出部１３６は、コンテンツとして、広告主が入稿する広告コンテンツ、又は広告コンテンツのリンク先となるウェブページを用いて、抽出モデル毎の重み付けを示す指標値を算出する。

これにより、実施形態に係る広告装置１００は、例えば検索連動型など、キーワードマッチ型の広告配信サービスにおいて、適切な入札キーワードを抽出することができる。

また、実施形態に係る広告装置１００は、所定のコンテンツに紐づかせるキーワードとして、第４抽出部１３７によって抽出されたキーワードをコンテンツの提供主（例えば、広告主など）に提示する提示部１３９をさらに備える。

このように、実施形態に係る広告装置１００は、キーワードに入札する広告主に、適切なキーワードを提示する。このため、広告装置１００によれば、広告主は、新たに追加する入札キーワードとして適切なキーワードを知ることができる。また、広告配信サービスの管理者側は、広告主から入札されるキーワードが増えることにより、入札の促進につながり、サービスの活性化を図ることができる。

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、発明の開示の欄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。

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、算出部は、算出手段や算出回路に読み替えることができる。

１ 抽出システム
１０ ユーザ端末
２０ 広告主端末
３０ 検索サーバ
１００ 広告装置
１１０ 通信部
１２０ 記憶部
１２１ 算出データ記憶部
１２２ 第１テーブル
１２３ 第２テーブルＡ
１２４ 第２テーブルＢ
１２５ 第３テーブル
１２６ 広告情報記憶部
１３０ 制御部
１３１ 取得部
１３２ 抽出制御部
１３３ 第１抽出部
１３４ 第２抽出部
１３５ 第３抽出部
１３６ 算出部
１３７ 第４抽出部
１３８ 入稿受付部
１３９ 提示部
１４０ 要求受付部
１４１ 配信部

Claims (11)

1. コンテンツに紐づかせるキーワードとしての評価値を算定し、算定した前記評価値に基づいて前記キーワードを抽出する抽出モデルであって、互いに異なる手法を用いて前記評価値を算定する前記抽出モデル毎に、前記抽出モデルによって所定の条件に適合するキーワードが抽出された度合いに基づいて、前記抽出モデル毎の指標値を算出する算出部と、
   前記算出部によって算出された指標値により重み付けされた前記抽出モデルが算定する前記評価値に基づいて、前記コンテンツに紐づかせるキーワード、又は、前記コンテンツを抽出させるためのキーワードを抽出する抽出部と、
   を備えたことを特徴とする抽出装置。
2. 前記抽出部は、
   複数の前記抽出モデルが算定するキーワード毎の前記評価値であって、前記算出部によって算出された指標値に対応する重みが付加された前記評価値の和に基づいて、前記コンテンツに紐づかせるキーワード、又は、前記コンテンツを抽出させるためのキーワードを抽出する、
   ことを特徴とする請求項１に記載の抽出装置。
3. 前記算出部は、
   前記所定の条件に適合するキーワードとして、実際に前記コンテンツに紐づけられているキーワード、又は、予め条件に適合すると取り決められているキーワードを用いて前記抽出モデル毎に前記指標値を算出する、
   ことを特徴とする請求項１又は２に記載の抽出装置。
4. 前記算出部は、
   同一の学習データにより生成される前記抽出モデル毎に前記指標値を算出する、
   ことを特徴とする請求項１〜３のいずれか一つに記載の抽出装置。
5. 前記算出部は、
   前記抽出モデルとして、キーワードに紐づけられた前記コンテンツの特徴情報と前記キーワードに対応する特徴情報との類似度に基づいて前記キーワードを抽出する第１の抽出モデル、前記コンテンツにキーワードを指定した前記コンテンツの提供主毎に生成される前記キーワードの各組合せの所定の評価値に基づいて前記キーワードを抽出する第２の抽出モデル、又は、ユーザ端末から送信された検索クエリと、前記検索クエリを送信した後に前記ユーザ端末からさらに送信される検索クエリである再検索クエリとの関連性を示す所定の評価値に基づいて前記キーワードを抽出する第３の抽出モデル、のうち少なくとも一つの前記抽出モデルの前記指標値を算出する、
   ことを特徴とする請求項１〜４のいずれか一つに記載の抽出装置。
6. 前記算出部は、
   前記抽出部によって抽出されたキーワードが前記コンテンツを抽出させるための検索クエリとしてユーザから入力された回数、前記コンテンツがユーザから選択された回数、又は前記コンテンツが表示されることで前記コンテンツの提供主が得た利益に関する情報の少なくとも一つに基づいて、前記抽出モデル毎の前記指標値を算出する、
   ことを特徴とする請求項１〜５のいずれか一つに記載の抽出装置。
7. 前記算出部は、
   広告配信において広告主が入札するキーワードとしての評価値を算定する前記抽出モデル毎の前記指標値を算出する、
   ことを特徴とする請求項１〜６のいずれか一つに記載の抽出装置。
8. 前記算出部は、
   前記コンテンツとして、広告主が入稿する広告コンテンツ、又は前記広告コンテンツのリンク先となるウェブページを用いて、前記抽出モデル毎の前記指標値を算出する、
   ことを特徴とする請求項１〜７のいずれか一つに記載の抽出装置。
9. 前記コンテンツに紐づかせるキーワードとして前記抽出部によって抽出されたキーワードを、前記コンテンツを提供する提供主に提示する提示部、
   をさらに備えたことを特徴とする請求項１〜８のいずれか一つに記載の抽出装置。
10. コンピュータが実行する抽出方法であって、
    コンテンツに紐づかせるキーワードとしての評価値を算定し、算定した前記評価値に基づいて前記キーワードを抽出する抽出モデルであって、互いに異なる手法を用いて前記評価値を算定する前記抽出モデル毎に、前記抽出モデルによって所定の条件に適合するキーワードが抽出された度合いに基づいて、前記抽出モデル毎の指標値を算出する算出工程と、
    前記算出工程によって算出された指標値により重み付けされた前記抽出モデルが算定する前記評価値に基づいて、前記コンテンツに紐づかせるキーワード、又は、前記コンテンツを抽出させるためのキーワードを抽出する抽出工程と、
    を含んだことを特徴とする抽出方法。
11. コンテンツに紐づかせるキーワードとしての評価値を算定し、算定した前記評価値に基づいて前記キーワードを抽出する抽出モデルであって、互いに異なる手法を用いて前記評価値を算定する前記抽出モデル毎に、前記抽出モデルによって所定の条件に適合するキーワードが抽出された度合いに基づいて、前記抽出モデル毎の指標値を算出する算出手順と、
    前記算出手順によって算出された指標値により重み付けされた前記抽出モデルが算定する前記評価値に基づいて、前記コンテンツに紐づかせるキーワード、又は、前記コンテンツを抽出させるためのキーワードを抽出する抽出手順と、
    をコンピュータに実行させることを特徴とする抽出プログラム。

Images