JP2016118918A - モデル生成装置、情報配信装置、モデル生成方法、情報配信方法、モデル生成プログラムおよび情報配信プログラム - Google Patents
モデル生成装置、情報配信装置、モデル生成方法、情報配信方法、モデル生成プログラムおよび情報配信プログラム Download PDFInfo
- Publication number
- JP2016118918A JP2016118918A JP2014257902A JP2014257902A JP2016118918A JP 2016118918 A JP2016118918 A JP 2016118918A JP 2014257902 A JP2014257902 A JP 2014257902A JP 2014257902 A JP2014257902 A JP 2014257902A JP 2016118918 A JP2016118918 A JP 2016118918A
- Authority
- JP
- Japan
- Prior art keywords
- image
- user
- attribute information
- model
- feature amount
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000009826 distribution Methods 0.000 title claims abstract description 280
- 238000000034 method Methods 0.000 title claims description 106
- 230000013016 learning Effects 0.000 claims abstract description 123
- 238000004364 calculation method Methods 0.000 claims description 49
- 238000004519 manufacturing process Methods 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 4
- 238000010187 selection method Methods 0.000 claims 1
- 230000008569 process Effects 0.000 description 52
- 238000012545 processing Methods 0.000 description 28
- 238000010586 diagram Methods 0.000 description 24
- 238000013527 convolutional neural network Methods 0.000 description 21
- 238000003860 storage Methods 0.000 description 21
- 210000002569 neuron Anatomy 0.000 description 20
- 238000004891 communication Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 238000003384 imaging method Methods 0.000 description 4
- 238000007796 conventional method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 235000014510 cooky Nutrition 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000006866 deterioration Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 230000002542 deteriorative effect Effects 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000007115 recruitment Effects 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Analysis (AREA)
Abstract
Description
まず、図1を用いて、実施形態においてモデル生成装置および情報配信装置の一例として動作する配信サーバの一例について説明する。図1は、実施形態に係る配信サーバの一例を示す図である。なお、以下の説明では、配信サーバ10が、利用者の属性等を示す属性情報を推定するユーザー推定モデルを生成する生成処理と、生成処理で生成されたユーザー推定モデルを用いて、利用者の属性情報を推定し、推定された属性情報に基づいて広告を配信する配信処理とを実行する例について説明する。
ここで、配信サーバ10は、クリック課金型で広告を配信する場合、広告主が設定した入札額に基づいて、配信対象となる広告画像が選択される。具体的には、配信サーバ10は、各広告画像について設定された入札額と、各広告画像がクリックされる確率であるクリック率とに基づいて、期待収益を算出し、算出した期待収益が最も高い広告画像を優先的に配信する。
ここで、配信サーバ10が広告画像の特徴量を算出する際に用いる学習器について説明する。学習器とは、例えば、入力されたデータに対する演算結果を出力する複数のノードを多層に接続した学習器であって、教師なし学習により抽象化された画像の特徴を学習する学習器である。より具体的には、学習器とは、複数のノードを有する層を多段に接続したニューラルネットワークであり、いわゆるディープラーニングの技術により実現されるDNN(Deep Neural Network)である。また、画像の特徴とは、画像に含まれる文字の有無、色、構成等、画像内に現れる具体的な特徴のみならず、撮像されている物体が何であるか、画像がどのような利用者に好かれるか、画像の雰囲気等、抽象化(メタ化)された画像の特徴をも含む概念である。
続いて、図1を用いて、配信サーバ10が実行する生成処理について説明する。まず、配信サーバ10は、配信処理に先がけて、ユーザー推定モデルを生成する生成処理を実行する(ステップS10)。具体的には、配信サーバ10は、属性情報が特定可能な利用者により選択された広告画像C10〜C13(以下、選択画像C10〜C13と記載する場合がある)を学習器に入力し(ステップS11)、各選択画像C10〜C13の特徴量を算出する(ステップS12)。そして、配信サーバ10は、算出された特徴量と、各選択画像C10〜C13を選択した利用者U10〜U13の属性情報とを用いて、画像の特徴量からかかる画像を選択した利用者の属性情報を推定するユーザー推定モデルを生成する(ステップS13)。
続いて、図1を用いて、配信サーバ10が実行する配信処理について説明する。まず、配信サーバ10は、属性情報が不明な利用者U20により、ログが無い広告画像C14が選択された場合は(ステップS20)、利用者U20が選択した広告画像C14を取得する(ステップS21)。また、配信サーバ10は、取得した広告画像C14を学習器に入力し(ステップS22)、かかる広告画像C14の抽象化した特徴を示す特徴量Eを算出する(ステップS23)。
次に、図2を用いて、実施形態に係る配信サーバ10の構成について説明する。図2は、実施形態に係る配信サーバの構成例を示す図である。図2に示すように、配信サーバ10は、ネットワークNを介して、端末装置100およびウェブサーバ200と有線または無線により通信可能に接続される。なお、配信サーバ10は、他にも複数台の端末装置100や、複数台のウェブサーバ200と接続されてもよい。
続いて、記憶部12が記憶する情報の一例について説明する。学習用画像データベース14は、学習器に抽象化された画像の特徴量を学習させる際に用いられる学習用の画像が登録される。例えば、学習用画像データベース14には、DNNやCNNの学習時に用いられる画像のデータセットが登録される。
接続係数記憶部15には、学習器が有する各ノード間の接続係数が登録される。例えば、図3は、実施形態に係る接続係数記憶部の一例を示す図である。図3に示すように、接続係数記憶部15には、「ニューロンID」、「結合先ニューロンID」、「接続係数」といった項目を有する。「ニューロンID」は、DNNやCNNに含まれるノードであるニューロンを識別するための識別情報を示す。「結合先ニューロンID」は、「ニューロンID」に対応するニューロンと結合するニューロンを識別するための識別情報を示す。「接続係数」は、ニューロン間の接続係数を示す。
図2に戻り、モデル生成用画像データベース16には、ユーザー推定モデル17を生成する際に用いられる画像が登録されている。例えば、図4は、実施形態に係るモデル生成用画像データベースの一例を示す図である。図4に示すように、モデル生成用画像データベース16には、属性情報が取得可能な利用者により選択された広告画像と、かかる広告画像を選択した利用者の属性情報とが対応付けて登録される。
図2に戻り、ユーザー推定モデル17は、属性情報が取得可能な利用者により選択された画像の特徴量と、かかる利用者の属性情報とから生成されたモデルであって、画像の特徴量からかかる画像を選択した利用者の属性情報を推定するモデルである。例えば、図5は、実施形態にかかるユーザー推定モデルの一例を示す図である。図5に示す例では、ユーザー推定モデル17には、画像の特徴量と、係る特徴量と類似する特徴量の画像を選択した利用者について推定される属性情報とが対応付けて登録されている。
図2に戻り、広告データベース18には、配信対象となる広告画像が登録されている。例えば、図6は、実施形態に係る広告データベースの一例を示す図である。図6に示す例では、広告データベース18には、「広告主ID」、「広告コンテンツ」、「入札価格」、「CTR」、「属性情報」といった項目が対応付けて登録される。
図3に戻り、制御部13が有する学習部19、生成部20、配信部30が実行する処理の内容について説明する。
学習部19は、学習器の学習を行う。例えば、学習部19は、ニューロンを多段に接続した学習器であって、教師なし学習により抽象化された画像の特徴を学習した学習器、すなわちDNNの学習を行う。また、学習部19は、学習器として、局所領域の畳み込みとプーリングとを繰り返すことで、画像の変異に対する出力の普遍性をさらに学習した学習器、すなわちCNNの学習を行う。
生成部20は、特徴量算出部21、ユーザー情報取得部22、モデル生成部23が実行する処理により、生成処理を実行する。具体的には、特徴量算出部21は、画像から特徴量を算出する学習器を用いて、属性情報を取得可能な利用者により選択された履歴を有する広告画像の特徴量を算出する。
配信部30は、選択画像取得部31、ユーザー情報推定部32、クリック率算出部33、広告選択部34が実行する処理により、配信処理を実行する。具体的には、選択画像取得部31は、属性情報が不明な利用者が選択した広告画像を取得する。
ここで、上述した配信サーバ10は、CNNを用いて広告画像の特徴量を算出することにより、抽象化された画像の特徴量を適切に算出することができる。例えば、図7は、CNNを用いた効果の一例を説明する図である。図7には、各種の手法により抽出された特徴量をモデルの素性として、広告画像ごとの実績クリック率にリッジ回帰させた平均絶対誤差(MAE: Mean Absolute Error)を、手法ごとにプロットした。
また、上述した配信サーバ10は、広告画像を選択した利用者の属性情報を推定し、推定した属性情報を用いることで、精度良くクリック率を算出することができる。例えば、図8は、属性情報を用いた効果の一例を説明する図である。図8には、クリックを「1」、インプレッションのみを「−1」としてロジスティック回帰させ、クリック率の算出手法ごとに、AUC(area under the curve)と重複率との対応をプロットした。また、図8に示す例では、Baselineを用いたクリック率の予測、Baselineに属性情報を付加してクリック率を予測するUser_add、User_addにCNNによる特徴量を付加してクリック率を予測するCNN_addを採用した。
次に、図9、図10を用いて、配信サーバ10が実行する生成処理および配信処理の流れの一例について説明する。まず、図9を用いて、配信サーバ10が実行する生成処理の一例を説明する。図9は、実施形態にかかる配信サーバが実行する生成処理の一例を示すフローチャートである。
上記した実施形態に係る配信サーバ10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、配信サーバ10の他の実施形態について説明する。なお、以下に説明する配信サーバ10が実行する処理のうち、生成処理に対応する処理は、生成部20によって実行され、配信処理に対応する処理は、配信部30によって実行されるものとする。
例えば、配信サーバ10は、利用者の属性情報を推定する際、ユーザー推定モデル17に登録された特徴量と、選択された画像の特徴量との一致率を算出し、算出した一致率を考慮した属性情報の推定を行ってもよい。例えば、図11は、実施形態に係る配信サーバが推定する属性情報の他の例を説明する図である。なお、図11に示す例では、各画像C10〜C13の特徴量として、各次元の値が「0」または「1」である多次元量のベクトルを記載した。
上述した例では、配信サーバ10は、学習用画像データベース14に登録された画像を用いて、抽象化された画像の特徴を学習器に学習させた。しかしながら、実施形態は、これに限定されるものではない。例えば、配信サーバ10は、学習処理を行わず、外部のサーバ等によって任意の学習が行われた学習器を取得し、取得した学習器を用いて生成処理や配信処理を実行してもよい。また、配信サーバ10は、生成処理と配信処理とで異なる学習器を用いてもよい。例えば、配信サーバ10は、生成処理に最適化した学習器と配信処理に最適化した学習器とを利用してもよい。
上述した例では、配信サーバ10は、特徴量から予測クリック率と属性情報とを推定し、推定した予測クリック率と属性情報とを用いて、各広告画像のクリック率を算出した。しかしながら、実施形態はこれに限定されるものではない。例えば、配信サーバ10は、予測クリック率の算出を行わず、特徴量から属性情報を推定し、推定した属性情報に基づいて、各広告画像のクリック率を算出してもよい。
例えば、利用者は、ウェブページ等に配置される広告以外の画像と比較して、広告画像をより能動的に選択すると予測される。このため、配信サーバ10は、利用者が選択した広告画像の特徴量を用いてかかる利用者の属性情報を推定することで、かかる利用者の属性情報を精度良く推定した。しかしながら、実施形態は、これに限定されるものではない。例えば、配信サーバ10は、利用者が選択した広告画像以外の画像の特徴量を用いて、利用者の属性情報を推定してもよい。また、配信サーバ10は、利用者が選択した広告画像の特徴量と、かかる利用者が選択した広告画像以外の画像の特徴量とを用いて、属性情報を推定してもよい。かかる場合、配信サーバ10は、広告画像の特徴量を優先する重みづけを行ってもよい。
また、配信サーバ10は、利用者が閲覧した動画像を用いて、かかる利用者の属性情報を推定してもよい。例えば、配信サーバ10は、利用者が再生中の動画一時停止させた場合や、カーソルを再生中の動画に合わせた場合等、利用者が興味を持ったと予測されるフレームの画像を利用者が選択した画像として取得する。そして、配信サーバ10は、取得した画像の特徴量から利用者の属性情報を推定してもよい。
上述した例では、配信サーバ10は、利用者が選択した画像の特徴量からかかる利用者の属性情報を推定した。しかしながら、実施形態は、これに限定されるものではない。例えば、配信サーバ10は、利用者が選択した複数の画像の特徴量から利用者の属性情報を推定してもよい。
また、配信サーバ10は、取得済みの属性情報が所定の閾値よりも少ない利用者の属性情報を推定してもよい。例えば、図13は、推定方法の入替を説明する図である。図13には、広告画像の選択があったセッションを抽出し、抽出したセッションにおいて選択を行ったのが男性であるか女性であるかを教師ラベルとし、ロジスティック回帰で広告画像から選択した利用者の性別を推定した際のAUCと重複率との対応を、Baselineを用いた推定手法とCNNを用いた推定手法とについてプロットした。
なお、配信サーバ10は、生成処理の実行時に、上述した各種処理を実現するモデルを生成してよい。例えば、配信サーバ10は、利用者が選択した複数の広告画像の特徴量に応じて、かかる利用者の属性情報を推定するユーザー推定モデル17を生成してもよい。例えば、配信サーバ10は、利用者が選択した複数の広告画像の特徴量をそれぞれ入力とし、かかる特徴量から推定される利用者の属性情報を出力とする関数形式のユーザー推定モデル17を生成してもよい。
上述した配信サーバ10は、推定した属性情報を用いて、広告画像の配信を行った。しかしながら、実施形態は、これに限定されるものではない。例えば、配信サーバ10は、推定した属性情報を用いて、各種情報のリコメンドや、配信対象となるコンテンツの切り替え等を行ってもよい。また、配信サーバ10は、ユーザー推定モデル17を用いて推定された属性情報と、あらかじめ登録された利用者の属性情報とを比較することで、利用者の素性を推定してもよい。また、配信サーバ10は、推定した利用者の素性に基づいて、消去されたBクッキー等のコネクションを復活させてもよい。すなわち、配信サーバ10は、ユーザー推定モデル17を用いて推定された利用者の属性情報に基づいて、任意の処理を実現することができる。
また、配信サーバ10は、利用者の属性情報等のログが十分に溜まるまで、かかる利用者が選択した画像の特徴量から属性情報を随時推定してもよい。また、配信サーバ10は、推定された属性情報の遍歴に基づいて、推定される属性情報を随時更新してもよい。また、配信サーバ10は、かかる処理を実現するユーザー推定モデル17を生成してもよい。
上述した実施形態では、配信サーバ10が学習処理、生成処理、配信処理を実行する例について記載した。しかしながら、実施形態は、これに限定されるものではない。例えば、配信サーバ10が実行する処理は、学習処理を実行する学習装置と、生成処理を行うモデル生成装置と、モデル生成装置が生成したユーザー推定モデル17を用いて利用者の属性情報を推定し、推定した属性情報を用いて広告画像を配信する配信装置とによって実現されてもよい。
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、上記してきた実施形態に係る配信サーバ10は、例えば図14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、配信サーバ10を例に挙げて説明する。図14は、配信サーバ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。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、およびメディアインターフェイス(I/F)1700を有する。
上述したように、配信サーバ10は、画像から特徴量を算出する学習器を用いて、利用者により選択された履歴を有する画像の特徴量を算出する。そして、配信サーバ10は、算出した特徴量と、画像を選択した利用者の属性を示す属性情報とに基づいて、画像の特徴量からかかる画像を選択した利用者の属性情報を推定するユーザー推定モデル17を生成する。
11 通信部
12 記憶部
13 制御部
14 学習用画像データベース
15 接続係数記憶部
16 モデル生成用画像データベース
17 ユーザー推定モデル
18 広告データベース
19 学習部
20 生成部
21 特徴量算出部
22 ユーザー情報取得部
23 モデル生成部
30 配信部
31 選択画像取得部
32 ユーザー情報推定部
33 クリック率算出部
34 広告選択部
100 端末装置
200 ウェブサーバ
Claims (17)
- 画像から当該画像の特徴を示す特徴量を算出する学習器を用いて、利用者により選択された履歴を有する画像の特徴量を算出する算出部と、
前記算出部が算出した特徴量と、前記利用者の属性を示す属性情報とに基づいて、画像の特徴量から当該画像を選択した利用者の属性情報を推定するモデルを生成する生成部と
を有することを特徴とするモデル生成装置。 - 前記算出部は、前記学習器として、入力データに対する演算結果を出力する複数のノードを多層に接続した学習器であって、教師なし学習により抽象化された前記画像の特徴を学習した学習器を用いることを特徴とする請求項1に記載のモデル生成装置。
- 前記算出部は、前記学習器として、局所領域の畳み込みとプーリングを繰り返すことで、画像の変異に対する出力の普遍性をさらに学習した学習器を用いることを特徴とする請求項2に記載のモデル生成装置。
- 前記算出部は、前記学習器として、所定の属性を有する利用者により選択された割合が、所定の閾値よりも多い画像を用いて、抽象化された前記画像の特徴を学習した学習器を用いることを特徴とする請求項2または3に記載のモデル生成装置。
- 前記生成部は、前記モデルとして、前記画像を選択した利用者の属性情報を当該画像の特徴量から推定し、当該推定された属性情報を用いて、当該利用者が他の画像を選択する確率を算出するモデルを生成することを特徴とする請求項1〜4のうちいずれか1つに記載のモデル生成装置。
- 前記生成部は、前記モデルとして、前記画像を選択した利用者の属性情報と当該利用者が当該画像を選択する確率とを当該画像の特徴量から推定し、推定された属性情報と確率とを用いて、当該利用者が他の画像を選択する確率を算出するモデルを生成することを特徴とする請求項1〜5のうちいずれか1つに記載のモデル生成装置。
- 前記生成部は、前記モデルとして、動画像を選択した利用者の属性情報を、当該動画像に含まれる画像のうち、当該利用者が選択した際に表示されていた画像の特徴量から推定するモデルを生成することを特徴とする請求項1〜6のうちいずれか1つに記載のモデル生成装置。
- 前記生成部は、前記モデルとして、利用者が選択した複数の画像の特徴量から当該複数の画像を選択した利用者の属性情報を推定するモデルを生成することを特徴とする請求項1〜7のうちいずれか1つに記載のモデル生成装置。
- 前記生成部は、前記モデルとして、利用者が選択した複数の画像の特徴量と、利用者が各画像を選択した順序とから、当該複数の画像を選択した利用者の属性情報を推定するモデルを生成することを特徴とする請求項1〜8のうちいずれか1つに記載のモデル生成装置。
- 前記生成部は、前記モデルとして、広告に係る画像の特徴量から当該広告に係る画像を選択した利用者の属性情報を推定するモデルを生成することを特徴とする請求項1〜9のうちいずれか1つに記載のモデル生成装置。
- 前記生成部は、前記モデルとして、取得済みの属性情報が所定の閾値よりも少ない利用者の属性情報を、当該利用者が選択した画像の特徴量から推定するモデルを生成することを特徴とする請求項1〜10のうちいずれか1つに記載のモデル生成装置。
- 画像から当該画像の特徴を示す特徴量を算出する学習器を用いて利用者により選択された履歴を有する画像から算出された特徴量と、当該利用者の属性を示す属性情報とに基づいて作成されたモデルを用いて、画像の特徴量から当該画像を選択した利用者の属性情報を推定する推定部と
前記推定部が推定した属性情報を用いて、配信対象となる画像を前記利用者が選択する確率を算出する算出部と、
前記算出部が算出した確率に基づいて、前記利用者に配信する画像を選択する選択部と
を有することを特徴とする情報配信装置。 - 前記算出部は、前記画像を選択した利用者が当該画像を選択する確率を当該画像の特徴量を用いて推定し、推定された属性情報と確率とを用いて、当該利用者が他の画像を選択する確率を算出することを特徴とする請求項12に記載の情報配信装置。
- モデル生成装置が実行するモデル生成方法であって、
画像から当該画像の特徴を示す特徴量を算出する学習器を用いて、利用者により選択された履歴を有する画像の特徴量を算出する算出工程と、
前記算出工程で算出した特徴量と、前記利用者の属性を示す属性情報とに基づいて、画像の特徴量から当該画像を選択した利用者の属性情報を推定するモデルを生成する生成工程と
を含むことを特徴とするモデル生成方法。 - 情報配信装置が実行する情報配信方法であって、
画像から当該画像の特徴を示す特徴量を算出する学習器を用いて利用者により選択された履歴を有する画像から算出された特徴量と、当該利用者の属性を示す属性情報とに基づいて作成されたモデルを用いて、画像の特徴量から当該画像を選択した利用者の属性情報を推定する推定工程と、
前記推定工程で推定した属性情報を用いて、配信対象となる画像を前記利用者が選択する確率を算出する算出工程と、
前記算出工程で算出した確率に基づいて、前記利用者に配信する画像を選択する選択工程と
を含むことを特徴とする情報配信方法。 - コンピュータに
画像から当該画像の特徴を示す特徴量を算出する学習器を用いて、利用者により選択された履歴を有する画像の特徴量を算出する算出手順と、
前記算出手順で算出した特徴量と、前記利用者の属性を示す属性情報とに基づいて、画像の特徴量から当該画像を選択した利用者の属性情報を推定するモデルを生成する生成手順と
を実行させることを特徴とするモデル生成プログラム。 - コンピュータに、
画像から当該画像の特徴を示す特徴量を算出する学習器を用いて利用者により選択された履歴を有する画像から算出された特徴量と、当該利用者の属性を示す属性情報とに基づいて作成されたモデルを用いて、画像の特徴量から当該画像を選択した利用者の属性情報を推定する推定手順と、
前記推定手順で推定した属性情報を用いて、配信対象となる画像を前記利用者が選択する確率を算出する算出手順と、
前記算出手順で算出した確率に基づいて、前記利用者に配信する画像を選択する選択手順と
を実行させることを特徴とする情報配信プログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2014257902A JP6309887B2 (ja) | 2014-12-19 | 2014-12-19 | モデル生成装置、情報配信装置、モデル生成方法、情報配信方法、モデル生成プログラムおよび情報配信プログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2014257902A JP6309887B2 (ja) | 2014-12-19 | 2014-12-19 | モデル生成装置、情報配信装置、モデル生成方法、情報配信方法、モデル生成プログラムおよび情報配信プログラム |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018048633A Division JP6501939B2 (ja) | 2018-03-15 | 2018-03-15 | モデル生成装置、情報配信装置、モデル生成方法、情報配信方法、モデル生成プログラム、情報配信プログラム、推定装置および推定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2016118918A true JP2016118918A (ja) | 2016-06-30 |
JP6309887B2 JP6309887B2 (ja) | 2018-04-11 |
Family
ID=56244301
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2014257902A Active JP6309887B2 (ja) | 2014-12-19 | 2014-12-19 | モデル生成装置、情報配信装置、モデル生成方法、情報配信方法、モデル生成プログラムおよび情報配信プログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6309887B2 (ja) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6216024B1 (ja) * | 2016-11-15 | 2017-10-18 | 株式会社Preferred Networks | 学習済モデル生成方法及び信号データ判別装置 |
KR101834791B1 (ko) | 2016-12-05 | 2018-03-07 | 대한민국 | 합성곱신경망을 이용한 주자본과 목판본의 분류 정보 제공 방법 |
JP2018061440A (ja) * | 2016-10-11 | 2018-04-19 | 憲隆 福永 | 受精判定システム |
JP2018092210A (ja) * | 2016-11-30 | 2018-06-14 | ヤフー株式会社 | 情報処理システム、情報処理装置、および情報処理方法 |
JP2018120527A (ja) * | 2017-01-27 | 2018-08-02 | 株式会社リコー | 画像処理装置、画像処理方法及び画像処理システム |
KR101934443B1 (ko) | 2017-09-20 | 2019-01-02 | 대한민국 | 합성곱신경망과 이미지 추출을 이용한 주자본과 목판본의 분류 정보 제공 방법 |
JP2019040386A (ja) * | 2017-08-25 | 2019-03-14 | ヤフー株式会社 | 情報処理装置、情報処理方法、およびプログラム |
JP2020102739A (ja) * | 2018-12-20 | 2020-07-02 | 東芝映像ソリューション株式会社 | 送信装置及び送信方法 |
JP2020102740A (ja) * | 2018-12-20 | 2020-07-02 | 東芝映像ソリューション株式会社 | 送受信システム及び送受信方法 |
US11030532B2 (en) | 2016-11-11 | 2021-06-08 | Yahoo Japan Corporation | Information processing apparatus, information processing method, and non-transitory computer readable storage medium |
JPWO2020012589A1 (ja) * | 2018-07-12 | 2021-06-10 | 日本電気株式会社 | 情報処理システム、情報処理方法及び記憶媒体 |
CN113327131A (zh) * | 2021-06-03 | 2021-08-31 | 太原理工大学 | 基于三支决策理论进行特征交互选择的点击率预估模型 |
KR102592596B1 (ko) * | 2023-07-12 | 2023-10-23 | 주식회사 패션에이드 | 인공지능 기반의 휴먼모델 자동 생성 시스템 및 방법 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130346182A1 (en) * | 2012-06-20 | 2013-12-26 | Yahoo! Inc. | Multimedia features for click prediction of new advertisements |
-
2014
- 2014-12-19 JP JP2014257902A patent/JP6309887B2/ja active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130346182A1 (en) * | 2012-06-20 | 2013-12-26 | Yahoo! Inc. | Multimedia features for click prediction of new advertisements |
Non-Patent Citations (3)
Title |
---|
HAIBIN CHENG、外6名: "Multimedia Features for Click Prediction of New Ads in Display Advertising", KDD'12 PROCEEDINGS OF THE 18TH ACM SIGKDD INTERNATIONAL CONFERENCE O KNOWLEDGE DISCOVERY AND DATA MI, JPN7018000480, 12 August 2012 (2012-08-12), US, pages p.777−785 * |
JAVAD AZIMI、外5名: "The Impact of Visual Appearance on User Response in Online Display Advertising", WWW'12 COMPANION PROCEEDINGS OF THE 21ST INTERNATIONAL CONFERENCE ON WORLD WIDE WEB [ONLINE], JPN7018000481, 16 April 2012 (2012-04-16), US, pages p.547,458 * |
田頭幸浩、外4名: "オンライン広告におけるCTR予測モデルの素性評価", 第5回データ工学と情報マネジメントに関するフォーラム (第11回日本データベース学会年次大会) [ONLIN, JPN6018005547, 31 May 2013 (2013-05-31), JP, pages p.1−6(B9−2) * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018070288A1 (ja) * | 2016-10-11 | 2018-04-19 | 憲隆 福永 | 受精判定システム |
JP2018061440A (ja) * | 2016-10-11 | 2018-04-19 | 憲隆 福永 | 受精判定システム |
US11030532B2 (en) | 2016-11-11 | 2021-06-08 | Yahoo Japan Corporation | Information processing apparatus, information processing method, and non-transitory computer readable storage medium |
WO2018092747A1 (ja) * | 2016-11-15 | 2018-05-24 | 株式会社Preferred Networks | 学習済モデル生成方法、学習済モデル生成装置、信号データ判別方法、信号データ判別装置及び信号データ判別プログラム |
JP2018081442A (ja) * | 2016-11-15 | 2018-05-24 | 株式会社Preferred Networks | 学習済モデル生成方法及び信号データ判別装置 |
JP6216024B1 (ja) * | 2016-11-15 | 2017-10-18 | 株式会社Preferred Networks | 学習済モデル生成方法及び信号データ判別装置 |
JP2018092210A (ja) * | 2016-11-30 | 2018-06-14 | ヤフー株式会社 | 情報処理システム、情報処理装置、および情報処理方法 |
KR101834791B1 (ko) | 2016-12-05 | 2018-03-07 | 대한민국 | 합성곱신경망을 이용한 주자본과 목판본의 분류 정보 제공 방법 |
JP2018120527A (ja) * | 2017-01-27 | 2018-08-02 | 株式会社リコー | 画像処理装置、画像処理方法及び画像処理システム |
JP2019040386A (ja) * | 2017-08-25 | 2019-03-14 | ヤフー株式会社 | 情報処理装置、情報処理方法、およびプログラム |
KR101934443B1 (ko) | 2017-09-20 | 2019-01-02 | 대한민국 | 합성곱신경망과 이미지 추출을 이용한 주자본과 목판본의 분류 정보 제공 방법 |
JPWO2020012589A1 (ja) * | 2018-07-12 | 2021-06-10 | 日本電気株式会社 | 情報処理システム、情報処理方法及び記憶媒体 |
JP7047911B2 (ja) | 2018-07-12 | 2022-04-05 | 日本電気株式会社 | 情報処理システム、情報処理方法及び記憶媒体 |
JP2020102740A (ja) * | 2018-12-20 | 2020-07-02 | 東芝映像ソリューション株式会社 | 送受信システム及び送受信方法 |
JP2020102739A (ja) * | 2018-12-20 | 2020-07-02 | 東芝映像ソリューション株式会社 | 送信装置及び送信方法 |
JP7038650B2 (ja) | 2018-12-20 | 2022-03-18 | Tvs Regza株式会社 | 送信装置及び送信方法 |
JP7099947B2 (ja) | 2018-12-20 | 2022-07-12 | Tvs Regza株式会社 | 送受信システム及び送受信方法 |
CN113327131A (zh) * | 2021-06-03 | 2021-08-31 | 太原理工大学 | 基于三支决策理论进行特征交互选择的点击率预估模型 |
KR102592596B1 (ko) * | 2023-07-12 | 2023-10-23 | 주식회사 패션에이드 | 인공지능 기반의 휴먼모델 자동 생성 시스템 및 방법 |
Also Published As
Publication number | Publication date |
---|---|
JP6309887B2 (ja) | 2018-04-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6309887B2 (ja) | モデル生成装置、情報配信装置、モデル生成方法、情報配信方法、モデル生成プログラムおよび情報配信プログラム | |
JP6501939B2 (ja) | モデル生成装置、情報配信装置、モデル生成方法、情報配信方法、モデル生成プログラム、情報配信プログラム、推定装置および推定方法 | |
JP6790159B2 (ja) | 算出装置、算出方法および算出プログラム | |
US11290775B2 (en) | Computerized system and method for automatically detecting and rendering highlights from streaming videos | |
US10789610B2 (en) | Utilizing a machine learning model to predict performance and generate improved digital design assets | |
CN111105819B (zh) | 剪辑模板的推荐方法、装置、电子设备及存储介质 | |
JP6523498B1 (ja) | 学習装置、学習方法および学習プログラム | |
US9256826B2 (en) | Predicting reactions to short-text posts | |
US8566261B2 (en) | Interactive recommendations | |
US20160071162A1 (en) | Systems and Methods for Continuous Analysis and Procurement of Advertisement Campaigns | |
US10949000B2 (en) | Sticker recommendation method and apparatus | |
JP2019527395A (ja) | コンテンツを効果的に配信するための動的クリエイティブの最適化 | |
JP6101577B2 (ja) | 広告生成装置、広告生成方法及び広告生成プログラム | |
CN110209931B (zh) | 媒体内容的推送方法和装置、存储介质、电子装置 | |
US10839313B2 (en) | Identity prediction for unknown users of an online system | |
JP6367743B2 (ja) | 情報処理装置、情報処理プログラムおよび情報処理方法 | |
CN111242748A (zh) | 用于向用户推荐项目的方法、装置和存储介质 | |
CN112534826A (zh) | 基于内容中包括的媒体的属性的最优集合优化用户对内容的参与 | |
US20170132490A1 (en) | Content Update Suggestions | |
JP2016006593A (ja) | 抽出装置、抽出方法及び抽出プログラム | |
CN111523053A (zh) | 信息流处理方法、装置、计算机设备和存储介质 | |
US9402113B1 (en) | Visualizing video audience retention by impression frequency | |
US10692127B1 (en) | Inferring user demographics from user behavior using Bayesian inference | |
JP6679415B2 (ja) | 選択装置、選択方法および選択プログラム | |
JP6527276B2 (ja) | 情報処理装置、情報処理プログラムおよび情報処理方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20170207 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20180208 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20180220 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20180315 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6309887 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
S533 | Written request for registration of change of name |
Free format text: JAPANESE INTERMEDIATE CODE: R313533 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313111 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313111 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |