JP2017182663A - コンテンツ管理装置、コンテンツ管理方法及びプログラム - Google Patents

Abstract

【課題】コンテンツに関する精度の良い評価を、迅速且つ容易に行うことができるコンテンツ管理装置の構成を得る。【解決手段】コンテンツ管理装置１は、コンテンツに対するユーザのアクセスログ、前記コンテンツに関するコンテンツ情報及び前記ユーザに関するユーザ情報を用いて、前記コンテンツと前記ユーザとの相性を学習することにより予測モデルを生成するコンテンツ評価学習部１１と、前記予測モデルに、予測対象のコンテンツに関する予測対象コンテンツ情報及び予測対象のユーザに関する予測対象ユーザ情報を与えることにより、前記予測対象のコンテンツと前記予測対象のユーザとの相性を予測するコンテンツ評価予測部１２とを備える。【選択図】図１

Description

本発明は、ユーザに適したコンテンツを提供するコンテンツ管理装置、コンテンツ管理方法、及びこれらを実現するためのプログラムに関する。

一般に、ユーザに対するコンテンツの効果を検証する場合、Ａ／Ｂテストが用いられている。このＡ／Ｂテストは、２つの選択肢のうち、どちらがより良い結果（売上、購読数、アクセス数などへの影響）が得られるのかを実験によって求める手法であり、Ｗｅｂページやメールマガジン、バナー広告などによく利用されている。このＡ／Ｂテストを用いることにより、２つの選択肢のうちより良い選択肢を、実験によって求めることができるため、Ａ／Ｂテストは、分析手法として、効果が大きい手法である。

上述のようなＡ／Ｂテストを用いてコンテンツ（Ｗｅｂページ、メールマガジン、広告等）を評価する際には、主要なデザインや文言（トップイメージ、キャッチコピー、レイアウトなど）を複数パターン用意する必要がある。また、一定期間、テストユーザに対してＡ／Ｂテストを実施して、どの組合せでコンバージョン率が高いかを検証する必要がある。

したがって、Ａ／Ｂテストは、ターゲットユーザに対する効果をより正確に検証できるものの、効果を検証してコンテンツを公開または利用するまでには、ある程度の時間を要する。

これに対し、例えば特許文献１に開示されるようなコンテンツ評価値予測装置が知られている。このコンテンツ評価予測装置では、機械学習することにより、コンテンツの評価を行う。具体的には、前記コンテンツ評価予測装置は、学習データに含まれる対象コンテンツについて、該対象コンテンツに対応する要約コンテンツの特徴を抽出し、該特徴と評価値との対応関係を用いて、評価値が未知のテスト対象コンテンツの評価値を予測するためのパラメータを学習する。

なお、前記コンテンツ評価予測装置は、ソーシャルメディアに投稿されたソーシャルメディアコンテンツを、特定のテーマに基づいて収集及び要約することにより、前記要約コンテンツを得ている。

また、例えば特許文献２には、ウェブサイトの改善施策の効果を測定する構成として、コンテンツ管理装置が開示されている。このコンテンツ管理装置は、ウェブサイトの変更の前後でのアクセス数の変化や、検索サイトへのウェブページの登録数の変化を算出し、その算出結果と変更内容とに基づいて分析結果情報を生成する。

特許第５７７１５７３号公報 特許第５４９７９２５号公報

前記特許文献１に開示されているコンテンツ評価値予測装置では、Ａ／Ｂテストのように実際に実験を行う必要がないため、効果を比較的短時間で容易に確認することができる。しかしながら、前記コンテンツ評価値予測装置では、ソーシャルメディアに投稿されたソーシャルメディアコンテンツを特定のテーマに基づいて収集及び要約することにより得られる要約コンテンツを用いて、評価を行う必要があるため、コンテンツ自体が完成している必要があるとともに、ソーシャルメディアにソーシャルメディアコンテンツが投稿されている必要がある。

そのため、コンテンツを作成している際には、コンテンツの内容の評価を行うことができず、コンテンツの完成後に評価を行うことになるため、コンテンツの評価を行うまでに時間を要する。

同様に、前記特許文献２に開示されているコンテンツ管理装置では、ウェブサイトの変更前後のアクセス数の変化や、検索サイトへのウェブページの登録の変化の情報を得る必要があるため、コンテンツの作成途中ではコンテンツの内容の評価を行うことができず、コンテンツの評価結果を得るまでに時間を要する。

本発明の目的は、コンテンツに関する精度の良い評価を、迅速且つ容易に行うことができるコンテンツ管理装置の構成を得ることにある。

上記目的を達成するため、本発明の一側面におけるコンテンツ管理装置は、コンテンツの評価を行うコンテンツ管理装置である。このコンテンツ管理装置は、コンテンツに対するユーザのアクセスログ、前記コンテンツに関するコンテンツ情報及び前記ユーザに関するユーザ情報を用いて、前記コンテンツと前記ユーザとの相性を学習することにより予測モデルを生成するコンテンツ評価学習部と、前記予測モデルに、予測対象のコンテンツに関する予測対象コンテンツ情報と予測対象のユーザに関する予測対象ユーザ情報とを与えることにより、前記予測対象のコンテンツと前記予測対象のユーザとの相性を予測するコンテンツ評価予測部とを備える。

また、上記目的を達成するため、本発明の一側面におけるコンテンツ管理方法は、コンテンツの評価を行うためのコンテンツ管理方法である。このコンテンツ管理方法は、コンテンツに対するユーザのアクセスログ、前記コンテンツに関するコンテンツ情報及び前記ユーザに関するユーザ情報を用いて、前記コンテンツと前記ユーザとの相性を学習することにより予測モデルを生成するコンテンツ評価学習ステップと、前記予測モデルに、予測対象のコンテンツに関する予測対象コンテンツ情報と予測対象のユーザに関する予測対象ユーザ情報とを与えることにより、前記予測対象のコンテンツと前記予測対象のユーザとの相性を予測するコンテンツ評価予測ステップとを備える。

更に、上記目的を達成するため、本発明の一側面におけるプログラムは、コンテンツの評価を行うコンテンツ管理方法を制御するためのプログラムである。このプログラムは、コンピュータに、コンテンツに対するユーザのアクセスログ、前記コンテンツに関するコンテンツ情報及び前記ユーザに関するユーザ情報を用いて、前記コンテンツと前記ユーザとの相性を学習することにより予測モデルを生成するコンテンツ評価学習ステップと、前記予測モデルに、予測対象のコンテンツに関する予測対象コンテンツ情報と予測対象のユーザに関する予測対象ユーザ情報とを与えることにより、前記予測対象のコンテンツと前記予測対象のユーザとの相性を予測するコンテンツ評価予測ステップとを実行させる。

以上のように本発明の構成によれば、コンテンツに関する精度の良い評価を、迅速且つ容易に行うことができる。

実施形態１に係るコンテンツ管理装置の概略構成を示すブロック図である。 実施形態１に係るコンテンツ管理装置の構成を示すブロック図である。 コンテンツ情報の一例を示す図である。 テンプレートの一例を示す図である。 ログ情報の一例を示す図である。 ユーザ情報の一例を示す図である。 コンテンツ特徴ベクトルの一例を示す図である。 コンテンツ管理装置の学習動作のフローを示す図である。 学習データリストの一例を示す図である。 各モデルを用いて学習する様子を模式的に示す図である。 コンテンツ管理装置の予測動作のフローを示す図である。 コンピュータの構成の一例を示す図である。 実施形態２に係るコンテンツ管理装置の構成を示すブロック図である。 テンプレート推薦部の動作のフローを示す図である。 実施形態３に係るコンテンツ管理装置の構成を示すブロック図である。 コンテンツ切換部の動作のフローを示す図である。

＜実施形態１＞
以下、本発明の実施形態１に係るコンテンツ管理装置、コンテンツ管理方法及びプログラムについて、図１から図１２を参照しながら説明する。

図１は、本発明の実施形態１に係るコンテンツ管理装置１の全体構成の一例を示すブロック図である。コンテンツ管理装置１は、コンテンツとユーザとの相性（適合度）を学習することにより予測モデルを生成し、該予測モデルを用いて、未学習のコンテンツとユーザとの相性を予測する。なお、未学習のコンテンツは、コンテンツ管理装置１で学習されておらず、該コンテンツ管理装置１にとって未知のコンテンツを意味する。

コンテンツ管理装置１は、予測モデルを生成するコンテンツ評価学習部１１と、前記予測モデルを用いて未学習のコンテンツとユーザとの相性を予測するコンテンツ評価予測部１２とを備える。

コンテンツ評価学習部１１は、評価対象であるコンテンツに対するアクセスログ、該コンテンツに関するコンテンツ情報及びユーザに関するユーザ情報を用いて、前記コンテンツと前記ユーザとの相性を学習することにより、予測モデルを生成する。

具体的には、コンテンツ評価学習部１１は、前記アクセスログに基づいて、コンテンツとユーザとの相性をマッチングラベルとして付与する。そして、コンテンツ評価学習部１１は、前記マッチングラベルを正解値として、コンテンツ情報とユーザ情報との関係を学習することにより、予測モデルを生成する。

コンテンツ評価予測部１２は、コンテンツ評価学習部１１によって生成された予測モデルに、予測対象のコンテンツに関する予測対象コンテンツ情報と、予測対象のユーザに関する予測対象ユーザ情報とを入力することにより、前記予測対象のコンテンツと前記予測対象のユーザとの相性をスコアとして求める。なお、予測対象のコンテンツは、学習済みのコンテンツであってもよいし、未知のコンテンツであってもよい。また、予測対象のユーザも、学習済みのユーザであってもよいし、未知のユーザであってもよい。

以上のように、コンテンツとユーザとの相性を学習して予測モデルを生成することにより、コンテンツ制作段階など、未学習のコンテンツに対するユーザの相性を容易に予測することができる。これにより、ＷＥＢページの製作途中でも、閲覧率や購入率などのコンバージョンの向上を図れる。また、新規コンテンツを、一番効果的な状態で利用または公開することが可能になる。

（コンテンツ管理装置の構成）
次に、コンテンツ管理装置１のより具体的な構成を、図２から図７を用いて詳細に説明する。

コンテンツ管理装置１は、ＷＥＢページやメールマガジンなどのコンテンツを管理する。コンテンツ管理装置１は、コンテンツ評価学習部１１と、コンテンツ評価予測部１２と、コンテンツ管理ＤＢ（データベース、以下、ＤＢ）１３と、テンプレート記憶部１４と、ログ管理ＤＢ１５と、ユーザ管理ＤＢ１６と、中間データ記憶部１７と、モデル記憶部１８とを有する。

コンテンツ管理装置１は、例えばパソコン等のＰＣ端末によって構成される。なお、コンテンツ管理装置１は、ＰＣ端末に限らず、サーバやスマートフォン等のデータ処理可能な装置であれば、どのような装置であってもよい。

コンテンツ評価学習部１１は、コンテンツとユーザとの相性関係を機械学習することにより、各種の中間データ及びモデルを生成する。コンテンツ評価学習部１１は、生成した中間データを中間データ記憶部１７に、生成したモデルをモデル記憶部１８にそれぞれ格納する。

コンテンツ評価学習部１１は、学習管理部１１１と、学習データ前処理部１１２と、評価学習部１１３とを有する。

学習管理部１１１は、外部から入力された学習指示に基づいて、コンテンツ評価学習部１１における学習処理を管理するとともにコンテンツ評価学習部１１で得られた学習結果を外部に出力する。

学習データ前処理部１１２は、コンテンツ管理ＤＢ１３、ログ管理ＤＢ１５及びユーザ管理ＤＢ１６から、学習に必要な情報を取得し、視覚的特徴ベクトル、コンテンツ特徴ベクトル、ユーザ特徴ベクトル及びマッチングラベルを生成する。

ここで、本実施形態例では、全体画像から生成した特徴ベクトルを視覚的特徴ベクトルと呼び、コンテンツ情報から生成した特徴ベクトルをコンテンツ特徴ベクトルと呼び、ユーザ情報から生成した特徴ベクトルをユーザ特徴ベクトルと呼ぶ。

また、前記マッチングラベルとは、コンテンツとユーザとの相性を示す正解値である。前記マッチングラベルは、例えば、アクセス数、購入者数、購読者数、お気に入り登録数、詳細ページへのクリック率などがあり、コンテンツの評価目的に合わせて設定される。

なお、前記マッチングラベルは、連続値が用いられてもよいし、二値化（例えば、任意の閾値に対してコンテンツとユーザとがマッチする場合には１、マッチしない場合には０等にする）したフラグやユーザ数などを用いて正規化された値が用いられてもよい。二値化の際に用いられる閾値としては、例えば、評価値の平均値や中央値などが考えられる。

学習データ前処理部１１２は、全体画像生成部１１２１と、特徴抽出部１１２２と、ラベル生成部１１２３とを有する。

全体画像生成部１１２１は、コンテンツ管理ＤＢ１３から取得した情報に基づいて、コンテンツ（例えばＷＥＢページ）を１枚の画像に変換することにより、全体画像を生成する。

特徴抽出部１１２２は、画像やテキストなどから必要な特徴を抽出して数値化することにより、特徴ベクトルを生成する機能を有する。特徴抽出部１１２２は、特徴を抽出する対象のコンテンツが画像及びテキストを複数含む場合、それぞれから生成された特徴ベクトルを結合することにより、コンテンツの特徴ベクトルとする。

ラベル生成部１１２３は、ログ管理ＤＢ１３から取得したログ情報に基づいて、対象とするコンテンツとユーザとのマッチングラベルを生成する。

評価学習部１１３は、コンテンツとユーザとの相性関係を機械学習することにより、各種のモデルを生成する。評価学習部１１３は、視覚的相性学習部１１３１と、コンテンツ相性学習部１１３２と、統合学習部１１３３とを有する。

視覚的相性学習部１１３１は、前記視覚的特徴ベクトル及び前記ユーザ特徴ベクトルと、相性関係を示す前記マッチングラベルとのそれぞれの関係を機械学習することにより、視覚的相性モデルを生成する。

コンテンツ相性学習部１１３２は、前記コンテンツ特徴ベクトル及び前記ユーザ特徴ベクトルと、相性関係を示す前記マッチングラベルとのそれぞれの関係を機械学習することにより、コンテンツ相性モデルを生成する。

統合学習部１１３３は、視覚的相性中間データ及びコンテンツ相性中間データと、マッチングラベルとのそれぞれの関係を機械学習することにより、統合モデル（予測モデル）を生成する。

前記視覚的相性中間データは、前記視覚的特徴ベクトル及び前記ユーザ特徴ベクトルを前記視覚的相性モデルに入力することにより得られる中間層のうち、出力層の前に得られる最後の中間層の出力結果である。

前記コンテンツ相性中間データは、前記コンテンツ特徴ベクトル及び前記ユーザ特徴ベクトルを前記コンテンツ相性モデルに入力することにより得られる中間層のうち、出力層の前に得られる最後の中間層の出力結果である。

コンテンツ評価予測部１２は、後述のモデル記憶部１８から各モデルを読み込み、予測対象であるコンテンツとユーザとの相性関係を予測する。コンテンツ評価予測部１２は、予測管理部１２１と、予測データ前処理部１２２と、評価予測部１２３とを有する。

予測管理部１２１は、外部から与えられた予測指示に基づいて、コンテンツ評価予測部１２における予測処理を管理するとともにコンテンツ評価予測部１２で得られた予測結果を外部に出力する。

予測データ前処理部１２２は、コンテンツ管理ＤＢ１３、テンプレート記憶部１４、ログ管理ＤＢ１５及びユーザ管理ＤＢ１６から、前記予測処理に必要な情報を取得して、視覚的特徴ベクトル、コンテンツ特徴ベクトル及びユーザ特徴ベクトルを生成する。視覚的特徴ベクトル、コンテンツ特徴ベクトル及びユーザ特徴ベクトルの各定義は、上述の学習データ前処理部１１２で生成される視覚的特徴ベクトル、コンテンツ特徴ベクトル及びユーザ特徴ベクトルと同じである。予測データ前処理部１２２は、全体画像生成部１２２１と、特徴抽出部１２２２とを有する。

全体画像生成部１２２１及び特徴抽出部１２２２は、それぞれ、コンテンツ評価学習部１１の全体画像生成部１１２１及び特徴抽出部１１２２と同じ機能を有する。そのため、全体画像生成部１２２１及び特徴抽出部１２２２の構成についての説明は省略する。

評価予測部１２３は、後述のモデル記憶部１８から各モデルを読み込み、予測対象であるコンテンツとユーザとの相性をマッチングスコアとして算出する。評価予測部１２３は、視覚的相性予測部１２３１と、コンテンツ相性予測部１２３２と、統合予測部１２３３とを有する。

視覚的相性予測部１２３１は、前記視覚的特徴ベクトル及び前記ユーザ特徴ベクトルに基づいて、相性関係を示すマッチングスコアを算出する。また、視覚的相性予測部１２３１は、視覚的相性中間データを出力する。なお、この視覚的相性中間データの定義は、上述の統合学習部１１３３で用いられる視覚的相性中間データと同じである。

コンテンツ相性予測部１２３２は、前記コンテンツ特徴ベクトル及び前記ユーザ特徴ベクトルに基づいて、相性関係を示すマッチングスコアを算出する。また、コンテンツ相性予測部１２３２は、コンテンツ相性中間データを出力する。なお、このコンテンツ相性中間データの定義は、上述の統合学習部１１３３で用いられるコンテンツ相性中間データと同じである。

統合予測部１２３３は、前記視覚的相性中間データ及び前記コンテンツ相性中間データに基づいて、相性関係を示すマッチングスコアを算出する。

コンテンツ管理ＤＢ１３は、コンテンツを管理するデータベースである。このコンテンツ管理ＤＢ１３には、過去に公開したコンテンツも含めてコンテンツの情報が格納されている。コンテンツ情報には、例えば、画像やテキストなどが含まれる。コンテンツ情報は、コンテンツ管理ＤＢ１３に、テンプレート情報等とひも付可能な状態で格納されている。コンテンツ管理ＤＢ１３に記憶されているコンテンツ情報の一例を図３に示す。

テンプレート記憶部１４は、コンテンツのテンプレートを保管する記憶部である。テンプレート記憶部１４には、過去に作成したテンプレートも含めてテンプレートの情報が記憶されている。テンプレート情報は、ここではＨＴＭＬ形式で記載されたタグ情報とする。テンプレート情報に、スタイルシート（ＣＳＳ）やスクリプト（Ｊａｖａｓｃｒｉｐｔ（登録商標））等の情報を含めてもよい。テンプレートをＷＥＢブラウザで表示した場合のイメージを図４に示す。図４には、一例として、（ａ）から（ｃ）の３種類のテンプレートを示す。

ログ管理ＤＢ１５は、ユーザがコンテンツにアクセスした履歴を管理するデータベースである。ログ管理ＤＢ１５で管理されるログ情報としては、例えば、コンテンツに対するアクセス履歴、購入履歴、購読履歴、お気に入り登録履歴、詳細ページへのクリック履歴などがある。ログ情報の一例として、アクセス日時や滞留時間、詳細ページのクリック有無を含む場合を図５に示す。

ユーザ管理ＤＢ１６は、コンテンツ利用者の情報（ユーザ情報）を管理するデータベースである。ユーザ情報には、氏名、性別、年齢、趣味などの個人情報が含まれる。ユーザ管理ＤＢ１６で管理されるユーザ情報の一例を図６に示す。

中間データ記憶部１７は、コンテンツ評価学習部１１から出力される中間データを記憶する。中間データには、コンテンツ特徴ベクトル、ユーザ特徴ベクトル、視覚的特徴ベクトルなどが含まれる。なお、中間データ記憶部１７は、処理速度向上のために設けるのが好ましいが、前記中間データを都度計算する場合には設けなくてもよい。

ユーザ特徴ベクトル及び視覚的特徴ベクトルは、それぞれシステムで統一された次元数で特徴ベクトルとして生成されているが、コンテンツ特徴ベクトルは、適用するテンプレートごとに異なる次元で特徴ベクトルとして生成されるものとする。図４に示したテンプレートを適用したコンテンツのコンテンツ特徴ベクトルのイメージを、図７に示す。

モデル記憶部１８は、コンテンツ評価学習部１１が生成した学習済みのモデルを記憶する。

なお、コンテンツ評価学習部１１とコンテンツ評価予測部１２とは、別の装置によって構成されていてもよい。また、コンテンツ管理装置１に、コンテンツ評価予測部１２を、複数、設けてもよい。

（コンテンツ管理装置の動作）
次に、本発明の実施形態に係るコンテンツ管理装置１の動作について説明する。コンテンツ管理装置１は、学習動作及び予測動作の２つの動作を行う。本実施形態では、コンテンツ管理装置１を動作させることによって、コンテンツ管理方法が実施される。よって、本実施形態におけるコンテンツ管理方法の説明は、以下のコンテンツ管理装置１の動作説明に代える。

学習動作では、外部から学習指示が入力されたコンテンツ評価学習部１１は、コンテンツ管理ＤＢ１３、ログ管理ＤＢ１５及びユーザ管理ＤＢ１６から、学習に必要な情報を取得して、学習データセットを生成する。コンテンツ評価学習部１１は、この学習データセットを用いて、コンテンツとユーザとの相性を学習し、学習結果となる３種類のモデル（視覚的相性モデル、コンテンツ相性モデル、統合モデル）をモデル記憶部１８に格納する。

予測動作では、外部から予測指示が入力されたコンテンツ評価予測部１２が、モデル記憶部１８から３種類のモデルを読み込んで、予測対象のコンテンツ（未学習のコンテンツ）及びユーザの情報（未学習も含む）を入力として、当該コンテンツと当該ユーザとの相性を算出し、出力する。

まず、コンテンツ管理装置１の学習動作について、図８を用いて説明する。学習動作は、コンテンツ管理装置１のコンテンツ評価学習部１１によって行われる。図８は、コンテンツ評価学習部１１の学習動作を示すフロー図である。以下の説明において、図２から図７を適宜、参酌する。

図８に示す学習動作のフローがスタートすると、ステップＳＡ１において、コンテンツ評価学習部１１の学習管理部１１１は、外部から入力された学習指示（学習対象コンテンツ条件、学習パラメータ）を受け取る。学習管理部１１１は、学習指示を受け取ると、学習データ前処理部１１２に対し、学習対象コンテンツ条件を出力して、学習データセットの作成を指示する。

前記学習対象コンテンツ条件は、コンテンツＩＤ、公開日時、コンテンツのカテゴリなど、コンテンツ管理ＤＢ１３に登録されているコンテンツを絞り込むための条件である。

前記学習パラメータは、学習対象コンテンツの学習回数や学習率など、機械学習アルゴリズムに依存したパラメータである。

続くステップＳＡ２では、学習データ前処理部１１２は、学習データセットの作成に必要な情報を取得する。具体的には、学習データ前処理部１１２は、コンテンツ管理ＤＢ１３から学習対象コンテンツの情報を取得する。また、学習データ前処理部１１２は、学習対象コンテンツのコンテンツＩＤを特定し、ログ管理ＤＢ１５から学習対象コンテンツに関するログ情報を取得する。続いて、学習データ前処理部１１２は、ログに含まれるユーザを特定し、ユーザ管理ＤＢ１６から、学習対象とするユーザ情報を取得する。

ステップＳＡ３では、全体画像生成部１１２１は、学習対象コンテンツのコンテンツ全体を１枚の画像として生成する。そして、特徴抽出部１１２２は、上記画像を特徴化（数値化）することによって、視覚的特徴ベクトルを得る。この処理は、学習対象コンテンツのコンテンツ数分、繰り返し行われる。本実施形態では、視覚的特徴ベクトルは、それぞれのコンテンツＩＤに紐づけられて、中間データ記憶部１７に保存される。しかしながら、視覚的特徴ベクトルは、中間データ記憶部１７に保存されなくてもよい。

なお、ＷＥＢページ（ｈｔｍｌ形式）の画像化は、一般的な手法のため、詳細は省略する。また、画像の特徴抽出手法としては、例えば、カラーヒストグラムとＧａｂｏｒ特徴量とによって数値化されたベクトルを結合させたものを用いる。その他、ＳＩＦＴ、ＳＵＲＦなどの画像特徴抽出手法を用いてもよい。また、ＣＮＮ（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）の中間層を出力して特徴ベクトル化したものを用いてもよい。

続くステップＳＡ４において、特徴抽出部１１２２は、ステップＳＡ２で取得した学習対象コンテンツに含まれる画像やテキスト情報からコンテンツ情報を特徴化することによって、コンテンツ特徴ベクトルを得る。特徴抽出部１１２２は、例えば、タイトル、メイン画像、キャッチコピー、詳細説明、サブ画像など、それぞれ特徴抽出して数値化されたベクトルを結合することによって、コンテンツ特徴ベクトルを得る。この処理は、ステップＳＡ２で取得した学習コンテンツのコンテンツ数分、繰り返し行われる。本実施形態では、コンテンツ特徴ベクトルは、それぞれのコンテンツＩＤに紐づけられて、中間データ記憶部１７に保存される。しかしながら、コンテンツ特徴ベクトルは、中間データ記憶部１７に保存されなくてもよい。

なお、テキストの特徴抽出手法としては、例えば、テキストを単語に分解し（形態素解析：一般的に広く知られている技術のため、説明を省略）、頻度を数えて、前記単語をベクトルの項目とし、前記頻度をベクトル値とする。前記頻度は、一単語ごとでも、二単語〜五単語で数えても良い。最適な単語数は、例えば、学習対象となるユーザの数、文書の量によって異なる。一般的に、学習対象のデータの一部をテスト用に学習対象から外して、そのデータでテストして精度を検証することが行われるが、単語数を変えて検証することにより、最適な単語数を求めることができる。また、すべての文書において高頻度で出現する単語（例えば助詞）を除外するなど、頻度を数える対象となる単語を制限することによって、テキストの特徴、つまりそのテキストを含むコンテンツの特徴が表れるようにベクトル（数値）化する。

また、例えば、論文（“Ｓｅｎｔｉｍｅｎｔ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｗｉｔｈ Ｓｕｐｅｒｖｉｓｅｄ Ｓｅｑｕｅｎｃｅ Ｅｍｂｅｄｄｉｎｇ， Ｂｅｓｐａｌｏｖ， Ｄｍｉｔｒｉｙ ａｎｄ Ｑｉ， Ｙａｎｊｕｎ ａｎｄ Ｂａｉ， Ｂｉｎｇ ａｎｄ Ｓｈｏｋｏｕｆａｎｄｅｈ， Ａｌｉ， Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ ａｎｄ Ｋｎｏｗｌｅｄｇｅ Ｄｉｓｃｏｖｅｒｙ ｉｎ Ｄａｔａｂａｓｅｓ”， Ｖｏｌ．７５２３， ｐｐ．１５９−１７４， Ｓｐｒｉｎｇｅｒ Ｂｅｒｌｉｎ Ｈｅｉｄｅｌｂｅｒｇ， ２０１２， ＩＳＢＮ： ９７８−３−６４２−３３４５９−７）等で知られる手法を用いてテキスト特徴ベクトルを圧縮してもよい。

画像の特徴抽出手法としては、例えば、カラーヒストグラムとＧａｂｏｒ特徴量とによって数値化されたベクトルを結合させたものを用いる。その他、画像の特徴抽出方法として、ＳＩＦＴ、ＳＵＲＦなどの画像特徴抽出手法を用いてもよい。また、画像の特徴抽出方法として、ＣＮＮ（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）の中間層を出力して、特徴ベクトル化したものを用いてもよい。

次に、ステップＳＡ５において、特徴抽出部１１２２は、ステップＳＡ２で取得したユーザ情報を数値化することにより、ユーザ特徴ベクトルを得る。この処理は、ステップＳＡ２で取得した学習対象ユーザのユーザ数分、繰り返し行われる。本実施形態では、ユーザ特徴ベクトルは、それぞれのユーザＩＤに紐づけられて、中間データ記憶部１７に保存される。しかしながら、ユーザ特徴ベクトルは、中間データ記憶部１７に保存されなくてもよい。

前記ユーザ情報は、コンテンツ情報と同様の手法によって数値化することができる。しかしながら、コンテンツへのアクセス履歴などから行動特性を数値化することにより、ユーザ特徴ベクトルが生成されてもよい。ユーザは、興味を持ったコンテンツにアクセスするので、そのアクセス履歴を用いることで、ユーザの特徴を含むベクトルを生成することができる。例えば、テキストを数値化する手法と同様に、アクセス先のＵＲＬ名を分解して、その頻度もしくは滞留時間をカウントするとともに、ＵＲＬ先のＨＴＴＰ文書を単語に分解してカウントすることにより、アクセス履歴をベクトル（数値）化することができる。

なお、ユーザ個人を特徴化するには、ユーザの行動履歴も含めて特徴化するなど、ユーザ特徴ベクトルの属性数を多くする必要がある。逆に、ユーザをセグメントにわけて特徴化したい場合には、性別や年代などの属性を絞って特徴化すればよい。

続くステップＳＡ６では、ラベル生成部１１２３が、ログ情報に基づいて、コンテンツとユーザとの相性の正解値をマッチングラベルとして生成する。ラベル生成部１１２３は、例えば、以下のようにマッチングラベルを二値化するものとする。
１： マッチする（アクセスされたが、滞留時間が長い）
０： マッチしない（アクセスされたが、滞留時間が短い）

ここで、滞留時間は、ステップＳＡ２で取得したログに含まれる各滞留時間の中央値を閾値として二値化する。また、アクセスのない組合せについては、学習対象としない。

前記マッチングラベルの生成処理は、ステップＳＡ２で取得した学習対象コンテンツと学習対象ユーザとの組合せ分、繰り返し行われる。

また、学習データ前処理部１１２は、テンプレートＩＤ、コンテンツＩＤ、ユーザＩＤ及びマッチングラベルの組合せを１つの学習データとし、マッチングラベル数分のデータをまとめたものを「学習データリスト」とする。学習データリストの例を図９に示す。

図８に示すステップＳＡ７では、評価学習部１１３の視覚的相性学習部１１３１が、ステップＳＡ６で生成された学習データリストに基づいて、視覚的特徴ベクトル及びユーザ特徴ベクトルとマッチングラベルとのそれぞれの関係を機械学習し、視覚的相性モデルの重みを調整する。この学習処理は、学習データリストの全データを対象として無作為に抽出した学習データを用いて行われる。また、この処理は、ステップＳＡ１で受け取った学習パラメータに基づく学習回数分、繰り返し行われる。機械学習が完了した後、視覚的相性モデルは、モデル記憶部１８に格納される。

前記機械学習のアルゴリズムとしては、例えば、ディープラーニングなどの一般的なニューラルネットワークが用いられる。しかしながら、２０１２年に米国に特許出願されたＳｕｐｅｒｖｉｓｅｄ Ｓｅｍａｎｔｉｃ Ｉｎｄｅｘｉｎｇ（以下、ＳＳＩ）を用いてもよい（ＵＳ８３４１０９５Ｂ２）。

続くステップＳＡ８では、評価学習部１１３のコンテンツ相性学習部１１３２が、ステップＳＡ６で生成された学習データリストに基づいて、テンプレートＩＤごとに、コンテンツ特徴ベクトル及びユーザ特徴ベクトルとマッチングラベルとのそれぞれの関係を機械学習し、コンテンツ相性モデルの重みを調整する。この学習処理は、学習データリストのテンプレートＩＤで絞り込んだリストの中から無作為に抽出した学習データを用いて行われる。また、この処理は、ステップＳＡ１で受け取った学習パラメータに基づく学習回数分、繰り返し行われる。機械学習が完了した後、コンテンツ相性モデルは、テンプレートＩＤに紐づけられてモデル記憶部１８に格納される。

前記機械学習のアルゴリズムとしては、ディープラーニングなどの一般的なニューラルネットワークや、上述のＳＳＩなどを用いてもよい。また、コンテンツ相性モデルは、出力層の前に得られる最後の中間層のノード数（次元）が統一されていれば、テンプレートごとに入力ノード数やネットワーク構造が異なっても構わない。よって、テンプレートごとに最適なネットワーク構造を用いてもよい。

続いてステップＳＡ９において、評価学習部１１３の統合学習部１１３３は、以下のように統合モデルを生成する。

まず、統合学習部１１３３は、学習データリストの全データを対象として無作為に学習データを抽出する。統合学習部１１３３は、当該学習データの視覚的特徴ベクトル及びユーザ特徴ベクトルを視覚的相性モデルに入力することにより得られる中間層のうち、出力層の前に得られる最後の中間層の出力結果（視覚的相性中間データ）を取り出す。

同様に、統合学習部１１３３は、前記学習データのコンテンツ特徴ベクトル及びユーザ特徴ベクトルをコンテンツが属するテンプレートのコンテンツ相性モデルに入力することにより得られる中間層のうち、出力層の前に得られる最後の中間層の出力結果（コンテンツ相性中間データ）を取り出す。

統合学習部１１３３は、前記学習データの視覚的相性中間データ及びコンテンツ相性中間データとマッチングラベルとのそれぞれの関係を機械学習して、統合モデルの重みを調整する。この学習処理は、学習データリストの全データから無作為に抽出した学習データを用いて行われる。

上述の処理は、ステップＳＡ１で受け取った学習パラメータに基づく学習回数分、繰り返し行われる。機械学習が完了した後、統合モデルは、モデル記憶部１８に格納される。

機械学習アルゴリズムとしては、ディープラーニングなどの一般的なニューラルネットワークや、上述のＳＳＩなどを用いてもよい。

図１０は、前記視覚的相性モデル、前記コンテンツ相性モデル及び前記統合モデルの各モデルを簡略化して示すとともに、ステップＳＡ７からステップＳＡ９の学習処理を模式的に示す図である。図１０に示すように、コンテンツ評価学習部１１では、視覚的相性モデル及びコンテンツ相性モデルと、統合モデルとの２段階で学習することにより、視覚的効果（レイアウト）及び内容を統合したコンテンツとユーザとの相性を学習することができる。

ステップＳＡ１０では、学習管理部１１１が、前記視覚的相性モデル、前記コンテンツ相性モデル及び前記統合モデルを学習結果として要求元に出力する。具体的には、学習管理部１１１は、モデル記憶部１８に格納された各モデルのパスやエラーコードを前記学習結果として出力する。なお、学習管理部１１１は、学習経過のログなども前記学習結果として出力してもよい。

次に、コンテンツ管理装置１の予測動作について、図１１を用いて説明する。予測動作は、コンテンツ管理装置１のコンテンツ予測部１２によって行われる。図１１は、コンテンツ予測部１２の予測動作を示すフロー図である。以下の説明において、図２から図７を適宜、参酌する。

なお、コンテンツ予測部１２では、評価予測部１２３が、モデル記憶部１８から視覚的相性モデル、コンテンツ相性モデル及び統合モデルを、予め読み込んでいるものとする。

図１１に示すフローがスタートすると、ステップＳＢ１において、コンテンツ評価予測部１２の予測管理部１２１は、外部から入力された予測指示（予測対象コンテンツ条件）を受け取る。予測管理部１２１は、予測データ前処理部１２２に対して、予測対象コンテンツ条件及び予測対象ユーザ条件を出力して、予測データセットの作成を指示する。

前記予測対象コンテンツ条件は、コンテンツＩＤ、公開日時、コンテンツのカテゴリなど、コンテンツ管理ＤＢ１３に登録されているコンテンツを絞り込むための条件である。

前記予測対象ユーザ条件は、ユーザＩＤ、性別、年齢など、ユーザ管理ＤＢ１６に登録されているコンテンツを絞り込むための条件である。

続くステップＳＢ２では、予測データ前処理部１２２は、予測データセットに関する情報を取得する。具体的には、予測データ前処理部１２２は、ステップＳＢ１で受け取った予測対象コンテンツ条件に基づいて、コンテンツ管理ＤＢ１３から予測対象のコンテンツの情報を取得する。また、予測データ前処理部１２２は、ステップＳＢ１で受け取った予測対象ユーザ条件に基づいて、ユーザ管理ＤＢ１６から予測対象のユーザの情報を取得する。予測データ前処理部１２２は、直近の行動履歴をユーザ特徴として反映する場合には、ログ管理ＤＢ１５からユーザに関するログ情報も取得する。

そして、予測データ前処理部１２２は、テンプレートＩＤ、コンテンツＩＤ及びユーザＩＤのセットを１つの予測データとし、コンテンツＩＤとユーザＩＤの組合せ件数分のデータをまとめたものを「予測データリスト」とする。

ステップＳＢ３では、予測データ前処理部１２２が、中間データ記憶部１７から予測対象コンテンツの視覚的特徴ベクトルを取得する。この処理は、ステップＳＢ２で取得した予測対象コンテンツのコンテンツ数分、繰り返し行われる。なお、前記視覚的特徴ベクトルが中間データ記憶部１７に存在しない場合には、図８に示すステップＳＡ３と同様に、予測データ前処理部１２２の全体画像生成部１２２１がコンテンツ全体を画像化するとともに、予測データ前処理部１２２の特徴抽出部１２２２が視覚的特徴ベクトルを生成する。

次に、ステップＳＢ４では、予測データ前処理部１２２が、中間データ記憶部１７から予測対象コンテンツのコンテンツ特徴ベクトルを取得する。この処理は、ステップＳＢ２で取得した予測対象コンテンツのコンテンツ数分、繰り返し行われる。なお、前記コンテンツ特徴ベクトルが中間データ記憶部１７に存在しない場合には、図８に示すステップＳＡ４と同様に、特徴抽出部１２２２がコンテンツ特徴ベクトルを生成する。

次に、ステップＳＢ５では、予測データ前処理部１２２が、中間データ記憶部１７から予測対象ユーザのユーザ特徴ベクトルを取得する。この処理は、ステップＳＢ２で取得した予測対象ユーザのユーザ数分、繰り返し行われる。なお、前記ユーザ特徴ベクトルが中間データ記憶部１７に存在しない場合、または、直近の行動履歴をユーザ特徴として反映する場合には、図８に示すステップＳＡ５と同様に、特徴抽出部１２２２がユーザ特徴ベクトルを生成する。

ステップＳＢ６では、評価予測部１２３が、以下のようにマッチングスコアを算出する。

評価予測部１２３は、まず、前記予測データリストから順に予測データを取り出す。視覚的相性予測部１２３１は、当該予測データの視覚的特徴ベクトル及びユーザ特徴ベクトルを視覚的相性モデルに入力することにより得られる中間層のうち、出力層の前に得られる最後の中間層の出力結果（視覚的相性中間データ）を取り出す。

同様に、コンテンツ相性予測部１２３１は、前記予測データのコンテンツ特徴ベクトル及びユーザ特徴ベクトルをコンテンツが属するテンプレートのコンテンツ相性モデルに入力することにより得られる中間層のうち、出力層の前に得られる最後の中間層の出力結果（コンテンツ相性中間データ）を取り出す。

続いて、統合予測部１２３３は、前記予測データの視覚的相性中間データ及びコンテンツ相性中間データを統合モデルに入力して、出力結果を得ることによりマッチングスコアを算出する。

上述の処理は、前記予測データリストの件数分、繰り返し行われる。

なお、本実施形態では、コンテンツ管理装置１の学習動作において、視覚的相性中間データ及びコンテンツ相性中間データとマッチングラベルとマッチする場合にはそれぞれ１とし、マッチングラベルとマッチしない場合には０と学習させる。そのため、マッチングスコアは、０〜１の数値となり、１に近いほどコンテンツとユーザとの相性がよいと予測したことを意味する。

ステップＳＢ７では、予測管理部１２１が、ステップＳＢ６で得られた予測結果を、予測の要求元に出力する。

これにより、例えば、任意のユーザと、コンテンツＡ及びコンテンツＢとのマッチングスコアを比較することによって、どちらのコンテンツがよりユーザに適しているかを予測することができる。

ここで、図８のステップＳＡ１からＳＡ１０が、コンテンツ評価学習ステップに対応し、図１１のステップＳＢ１からＳＢ７がコンテンツ評価予測ステップに対応する。また、図８のステップＳＡ７が視覚的相性学習ステップに対応し、ステップＳＡ８がコンテンツ相性学習ステップに対応し、ステップＳＡ９が統合学習ステップに対応する。

以上の構成により、過去にユーザがアクセスしたコンテンツと該ユーザとの相性を学習し、その学習した相性に基づいて、未知のコンテンツとユーザとの相性を予測することができる。これにより、Ａ／Ｂテストのような特別な評価工程を設けることなく、ＷＥＢページ制作の過程で手軽に閲覧率、購入率などのコンバージョンの向上を図れる。

すなわち、新規コンテンツに対してもユーザとの相性を推定できるため、新規コンテンツを一番効果的と考えられる状態で利用または公開することができる。

また、本実施形態では、視覚的情報（レイアウト）とユーザとの相性（視覚的相性モデル）、コンテンツの中身とユーザとの相性（コンテンツ相性モデル）に分けて、それぞれ学習し、それらの中間層出力データを入力として統合的に学習する。これにより、視覚的効果（レイアウト）及び内容を統合したコンテンツとユーザとの相性を学習することできる。したがって、コンテンツとユーザとの相性を精度良く推測することが可能になる。

特に、コンテンツ相性モデルは、テンプレートごとに生成されるため、入力ノード数やネットワーク構造が異なっても構わない。よって、テンプレートごとに最適なネットワーク構造を模索することができる。

さらに、新規にテンプレートを作成した場合でも、学習済みのモデル（視覚的相性モデル、および統合モデル）と、未学習状態のコンテンツ相性モデルを組合せることで、ある程度の精度でコンテンツとユーザとの相性を予測することができる。なお、この場合でも、新規テンプレートを利用したコンテンツに対するログがある程度、溜まったら、コンテンツ相性モデルを更新することにより、精度を高めることができる。

本発明の実施形態におけるプログラムは、コンピュータに、図８及び図１１に示すステップＳＡ１からＳＡ１０及びＳＢ１からＳＢ８を実行させるプログラムであれば良い。このプログラムをコンピュータにインストールし、実行することによって、本実施形態におけるコンテンツ管理装置１とコンテンツ管理方法とを実現することができる。この場合、コンピュータのＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）は、コンテンツ評価学習部１１及びコンテンツ評価予測部１２として機能し、処理を行なう。

また、本実施形態では、コンテンツ管理ＤＢ１３、テンプレート記憶部１４、ログ管理ＤＢ１５、ユーザ管理ＤＢ１６、中間データ記憶部１７及びモデル記憶部１８は、コンピュータに備えられたハードディスク等の記憶装置に、これらを構成するデータファイルを格納することによって、またはこのデータファイルが格納された記録媒体をコンピュータと接続された読取装置に搭載することによって実現されている。

ここで、本実施形態におけるプログラムを実行することによって、コンテンツ管理装置１を実現するコンピュータについて図１２を用いて説明する。図１２は、本発明の実施形態におけるコンテンツ管理装置１を実現するコンピュータの一例を示すブロック図である。

図１２に示すように、コンピュータ５００は、ＣＰＵ５０１と、メインメモリ５０２と、記憶装置５０３と、入力インターフェイス５０４と、表示コントローラ５０５と、データリーダ／ライタ５０６と、通信インターフェイス５０７とを備える。これらの各部は、バス５１１を介して、互いにデータ通信可能に接続される。

ＣＰＵ５０１は、記憶装置５０３に格納された、本実施の形態におけるプログラム（コード）をメインメモリ５０２に展開し、これらを所定順序で実行することにより、各種の演算を実施する。メインメモリ５０２は、典型的には、ＤＲＡＭ（Ｄｙｎａｍｉｃ Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）等の揮発性の記憶装置である。また、本実施の形態におけるプログラムは、コンピュータ読み取り可能な記録媒体５１０に格納された状態で提供される。なお、本実施の形態におけるプログラムは、通信インターフェイス５０７を介して接続されたインターネット上で流通するものであっても良い。

また、記憶装置５０３の具体例としては、ハードディスクドライブの他、フラッシュメモリ等の半導体記憶装置が挙げられる。入力インターフェイス５０４は、ＣＰＵ５０１と、キーボード及びマウスといった入力機器５０８との間のデータ伝送を仲介する。表示コントローラ５０５は、ディスプレイ装置５０９と接続され、ディスプレイ装置５０９での表示を制御する。

データリーダ／ライタ５０６は、ＣＰＵ５０１と記録媒体５１０との間のデータ伝送を仲介し、記録媒体５１０からのプログラムの読み出し、及びコンピュータ５００における処理結果の記録媒体５１０への書き込みを実行する。通信インターフェイス５０７は、ＣＰＵ５０１と、他のコンピュータとの間のデータ伝送を仲介する。

また、記録媒体５１０の具体例としては、ＣＦ（Ｃｏｍｐａｃｔ Ｆｌａｓｈ（登録商標））及びＳＤ（Ｓｅｃｕｒｅ Ｄｉｇｉｔａｌ）等の汎用的な半導体記憶デバイス、フレキシブルディスク（Ｆｌｅｘｉｂｌｅ Ｄｉｓｋ）等の磁気記憶媒体、又はＣＤ−ＲＯＭ（Ｃｏｍｐａｃｔ Ｄｉｓｋ Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）などの光学記憶媒体が挙げられる。

なお、本実施の形態におけるプログラムは、複数のコンピュータによって構築されたコンピュータシステムによって実行されても良い。この場合は、例えば、各コンピュータが、それぞれ、コンテンツ評価学習部１１及びコンテンツ評価予測部１２のいずれかとして機能しても良い。また、各ノードのデータブロックは、本実施の形態におけるプログラムを実行するコンピュータとは別のコンピュータ上に構築されていても良い。

＜実施形態２＞
図１３に、本発明の実施形態２に係るコンテンツ管理装置１００の構成を示す。この実施形態に係るコンテンツ管理装置１００は、実施形態１のコンテンツ管理装置１００とは、テンプレート推薦機能を備えている点が異なる。よって、以下では、実施形態１と同様の構成についは同一の符号を付して説明を省略し、実施形態１と異なる構成についてのみ説明する。

本実施形態に係るコンテンツ管理装置１００は、実施形態１に係るコンテンツ管理装置１の構成に加えて、編集用ＷＥＢサーバ１９を備えている。コンテンツ管理装置１００には、運用者端末２から学習指示が入力されるとともに、編集者端末３から編集指示及びテンプレート推薦要求が入力される。コンテンツ管理装置１００から運用者端末２に対して学習結果を出力するとともに、コンテンツ管理装置１００から編集者端末３に編集結果及びテンプレート推薦結果を出力する。

運用者端末２は、システム運用者の端末であり、コンテンツ管理装置１００のコンテンツ評価学習部１１に対して学習を指示する。運用者端末２は、夜間バッチなどによってコンテンツ管理装置１００に対して定期的に学習を指示する。これにより、最新のアクセス傾向を、コンテンツ管理装置１００で生成されるモデルに反映させることができる。

編集者端末３は、ＷＥＢブラウザを介して、コンテンツ管理装置１００にアクセスすることにより、コンテンツの編集を指示する。また、編集者端末３は、コンテンツ管理装置１００に対してテンプレート推薦要求を行い、コンテンツ管理装置１００から結果を受け取る。

運用者端末２及び編集者端末３は、例えばパソコン等のＰＣ端末である。なお、運用者端末２及び編集者端末３は、ＰＣ端末に限らず、サーバやスマートフォン等のデータ処理可能な装置であれば、どのような装置であってもよい。

コンテンツ管理装置１００の編集用ＷＥＢサーバ１９は、一般的なＷＥＢサーバであり、コンテンツ編集管理部１９１とテンプレート推薦部１９２とを有する。

コンテンツ編集管理部１９１は、コンテンツを編集する機能を有する。コンテンツ編集管理部１９１は、編集者端末３から入力されたコンテンツの編集要求（コンテンツＩＤ）を受け取ると、コンテンツ管理ＤＢ１３から当該コンテンツの情報を取得して、当該コンテンツの編集画面を編集者端末３に出力する。

また、コンテンツ編集管理部１９１は、編集者端末３から入力された更新指示（コンテンツＩＤ，更新内容）を受け取ると、コンテンツ管理ＤＢ１３にアクセスして、コンテンツの情報を更新し、更新結果を編集者端末３に出力する。

コンテンツの内容は、常に更新される可能性がある。そのため、コンテンツ編集管理部１９１は、履歴管理をすることによって、ユーザがコンテンツにアクセスした時点でどの内容のコンテンツが公開されていたかを特定可能に構成されている。また、コンテンツ編集管理部１９１は、その他の一般的なコンテンツマネジメントシステム（ＣＭＳ）の機能を有するものとする。

また、本実施形態では、運用者が定めたいくつかのユーザセグメント別に特徴化されたユーザ特徴ベクトルを用いて各種モデルが学習されるものとする。

テンプレート推薦部１９２は、コンテンツのテンプレートを推薦する機能を有する。テンプレート推薦部１９２は、編集者端末３からテンプレート推薦要求（コンテンツＩＤ）を受け取ると、テンプレート別コンテンツ生成部１９２１を用いて、コンテンツ管理ＤＢ１３からコンテンツに関する情報を取得する。

テンプレート別コンテンツ生成部１９２１は、前記コンテンツに関して予め用意されているテンプレートごとに、コンテンツの中身を適用したテンプレート別コンテンツを生成する。なお、テンプレート別コンテンツ生成部１９２１において、テンプレートは、予め複数、定義されている。

次に、本発明の実施形態２に係るコンテンツ管理装置１００の動作について図１４を用いて説明する。コンテンツ管理装置１００におけるテンプレート推薦部１９２以外の動作は、実施形態１に係るコンテンツ管理装置１の動作と同じである。図１４は、テンプレート推薦部１９２の動作を示すフロー図である。

以下の説明において、図１３を適宜、参酌する。また、本実施形態でも、コンテンツ管理装置１００を動作させることによって、コンテンツ管理方法が実施される点は同様である。よって、本実施形態におけるコンテンツ管理方法の説明は、以下のコンテンツ管理装置１００の動作説明に代える。

図１４に示すフローにおいて、ステップＳＣ１では、テンプレート推薦部１９２が、編集者端末３から入力されたテンプレート推薦要求を受け取ると、テンプレート別コンテンツ生成部１９２１に対してテンプレート別コンテンツの生成を指示する。

続くステップＳＣ２では、テンプレート別コンテンツ生成部１９２１がコンテンツ管理ＤＢ１３からコンテンツに関する情報を取得して、コンテンツに関して予め用意されているテンプレートごとにコンテンツの中身を適用したテンプレート別コンテンツを生成する。

ステップＳＣ３において、テンプレート推薦部１９２は、ステップＳＣ２で生成されたテンプレート別コンテンツと予め定められたユーザセグメント群との相性を予測するようにコンテンツ評価予測部１２に対して指示する。

ステップＳＣ４では、コンテンツ評価予測部１２が図８に示すフローに従って予測動作を行う。図８のフローについては、説明を省略する。

続くステップＳＣ５では、テンプレート推薦部１９２は、コンテンツ評価予測部１２で得られた予測結果に基づいて、テンプレートとユーザセグメントとの組み合わせの相性を編集者端末３に出力し、編集者端末３に対してテンプレートをレコメンドする。

ここで、ステップＳＣ１からＳＣ５が、テンプレート推薦ステップに対応する。

以上の構成により、コンテンツの編集者は、コンテンツの制作または編集の過程において、ユーザセグメント別の評価予測値を確認することができる。これにより、ターゲットユーザに適したテンプレートを用いることが可能になる。

本実施形態では、レイアウト（各画像やテキストの配置）についてはコンテンツ管理装置１００がコンテンツに関する過去の傾向に基づいてレコメンドしたテンプレートを用いることができるため、コンテンツの編集者は、コンテンツの中身（挿入画像、テキスト）を検討することに注力することが可能になる。

なお、コンピュータのＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）が、コンテンツ管理装置１００のコンテンツ編集管理部１９１及びテンプレート推薦部１９２として機能し、処理を行う点以外は、本実施形態におけるプログラムは、実施形態１に記載のプログラムと同様なので、詳しい説明を省略する。

＜実施形態３＞
図１５に、本発明の実施形態２に係るコンテンツ管理装置２００の構成を示す。この実施形態に係るコンテンツ管理装置２００は、実施形態１のコンテンツ管理装置１とは、最適コンテンツに切り替え可能な点が異なる。よって、以下では、実施形態１と同様の構成についは同一の符号を付して説明を省略し、実施形態１と異なる構成についてのみ説明する。

本実施形態に係るコンテンツ管理装置２００は、実施形態１に係るコンテンツ管理装置１の構成に加えて、公開用ＷＥＢサーバ２０を備えている。コンテンツ管理装置２００には、運用者端末２から学習指示が入力されるとともに、閲覧者端末４ａ，４ｂからコンテンツ要求が入力される。コンテンツ管理装置２００から運用者端末２に対して学習結果を出力するとともに、コンテンツ管理装置２００から閲覧者端末４ａ，４ｂにコンテンツ結果を出力する。

閲覧者端末４ａ，４ｂは、ＷＥＢブラウザを介して、コンテンツ管理装置２００にアクセスすることにより、コンテンツ管理装置２００に対してコンテンツの閲覧を要求し、コンテンツ管理装置２００から結果を受け取る。

閲覧者端末４ａ，４ｂは、例えばパソコン等のＰＣ端末である。なお、閲覧者端末４ａ，４ｂは、ＰＣ端末に限らず、サーバやスマートフォン等のデータ処理可能な装置であれば、どのような装置であってもよい。

運用者端末２は、実施形態２の構成と同様なので、詳しい説明を省略する。

公開用ＷＥＢサーバ２０は、一般的なＷＥＢサーバであり、コンテンツ切換部２０１とログ管理部２０２とを有する。

コンテンツ切換部２０１は、コンテンツを動的に切り替える機能を有する。コンテンツ切換部２０１は、候補コンテンツ生成部２０１１とコンテンツ選択部２０１２とを有する。

コンテンツ切換部２０１は、閲覧者端末４ａ，４ｂからコンテンツ閲覧要求（コンテンツＩＤ、ユーザＩＤ）を受けると、候補コンテンツ生成部２０１１を用いて、コンテンツ管理ＤＢ１３からコンテンツに関する情報を取得する。

なお、コンテンツ管理ＤＢ１３には、例えば、コンテンツＩＤに対して、表示の候補となる複数のテンプレートＩＤが紐づけられているものとする。ただし、コンテンツ管理ＤＢ１３には、レイアウトテンプレートだけでなく、コンテンツの中身（例えば、タイトルやメイン画像）を複数紐づけて管理されていてもよい。

候補コンテンツ生成部２０１１は、コンテンツＩＤに紐づけられたテンプレートの数だけ候補コンテンツを生成する。

コンテンツ選択部２０１２は、候補コンテンツ生成部２０１１によって生成された候補コンテンツと、ユーザＩＤとをコンテンツ評価予測部１２に出力し、各候補コンテンツとユーザとの相性を予測するように指示する。また、コンテンツ選択部２０１２は、コンテンツ評価予測部１２から予測結果を受け取って、該予測結果に基づいてコンテンツを選択する。

ログ管理部２０２は、コンテンツに対するユーザによるアクセスのログを管理する。

次に、本発明の実施形態３に係るコンテンツ管理装置２００の動作について図１６を用いて説明する。コンテンツ管理装置２００におけるコンテンツ切換部２０１以外の動作は、実施形態１に係るコンテンツ管理装置１の動作と同じである。図１６は、コンテンツ切換部２０１の動作を示すフロー図である。

以下の説明において、図１５を適宜、参酌する。また、本実施形態でも、コンテンツ管理装置２００を動作させることによって、コンテンツ管理方法が実施される点は同様である。よって、本実施形態におけるコンテンツ管理方法の説明は、以下のコンテンツ管理装置２００の動作説明に代える。

図１６に示すフローにおいて、ステップＳＤ１では、コンテンツ切換部２０１が、閲覧者端末４ａ，４ｂからコンテンツ閲覧要求（コンテンツＩＤ、ユーザＩＤ）を受け取る。

続くステップＳＤ２では、候補コンテンツ生成部２０１１が、コンテンツ管理ＤＢ１３からコンテンツに関する情報を取得する。そして、候補コンテンツ生成部２０１１が、コンテンツＩＤに紐づけられたテンプレートの数だけ候補コンテンツを生成する。

ステップＳＤ３では、コンテンツ選択部２０１２が、候補コンテンツ生成部２０１１によって生成された候補コンテンツとユーザＩＤとをコンテンツ評価予測部１２に出力し、コンテンツ評価予測部１２に対して各候補コンテンツとユーザとの相性を予測するように指示する。

ステップＳＤ４では、コンテンツ評価予測部１２が図８に示すフローに従って予測動作を行う。図８のフローについては、説明を省略する。

続いてステップＳＤ５において、コンテンツ選択部２０１２が、コンテンツ評価予測部１２から予測結果を受け取り、該予測結果に基づいて、候補コンテンツの中からマッチングスコアが一番高いコンテンツを選択する。コンテンツ選択部２０１２は、選択したコンテンツの閲覧画面を閲覧者端末４ａ，４ｂに出力する。

なお、本実施形態では、ユーザの行動履歴も含めて特徴化するなどの方法により、ユーザ特徴ベクトルの属性数を多くすることによって、ユーザ個人を特徴化したベクトルを使用する。前記ユーザの行動履歴は、例えば、コンテンツへのアクセス履歴や商品購入履歴、商品への評価コメント、ＳＮＳへの投稿文など、ユーザの特徴を表す情報である。

新規コンテンツや新規テンプレートを作成した場合等では、コンテンツ評価予測部１２から出力されるマッチングスコアがいずれも低い可能性がある。コンテンツ選択部２０１２の処理において、マッチングスコアの閾値（例えばマッチングラベルの中間値である０．５や、学習データセットでセルフバリデーションした際のマッチングスコアの中央値など）を設けて、全ての候補コンテンツのマッチングスコアが閾値を下回る場合には、候補コンテンツをランダムに切り替えて表示してもよい。

このようにすることで、通常のＡ／Ｂテストのようにユーザごとのアクセス傾向を蓄積することもできる。

以上の構成により、コンテンツのテンプレートや中身（画像、テキスト）を固定することなく、複数パターンのコンテンツを用意して、動的に表示内容を切り替えることができる。これにより、アクセスするユーザの好みに合ったコンテンツを表示することができる。

また、全ての候補コンテンツのマッチングスコアが低い場合には、表示するコンテンツをランダムに切り替えることにより、本実施形態の構成を、アクセスログを溜めてモデル精度を向上するためのオンラインＡ／Ｂテストとしても用いることもできる。

なお、コンピュータのＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）が、コンテンツ管理装置２００のコンテンツ切換部２０１及びログ管理部２０２として機能し、処理を行う点以外は、本実施形態におけるプログラムは、実施形態１に記載のプログラムと同様なので、詳しい説明を省略する。

上述した実施の形態の一部または全部は、以下に記載する（付記１）〜（付記１５）によって表現することができるが、以下の記載に限定されるものではない。

（付記１）
コンテンツの評価を行うコンテンツ管理装置であって、
コンテンツに対するユーザのアクセスログ、前記コンテンツに関するコンテンツ情報及び前記ユーザに関するユーザ情報を用いて、前記コンテンツと前記ユーザとの相性を学習することにより予測モデルを生成するコンテンツ評価学習部と、
前記予測モデルに、予測対象のコンテンツに関する予測対象コンテンツ情報と予測対象のユーザに関する予測対象ユーザ情報とを与えることにより、前記予測対象のコンテンツと前記予測対象のユーザとの相性を予測するコンテンツ評価予測部とを備える、コンテンツ管理装置。

（付記２）
前記コンテンツ評価学習部は、
前記コンテンツの視覚的情報に基づいて、視覚的相性モデルを生成する視覚的相性学習部と、
前記コンテンツ情報に基づいて、コンテンツ相性モデルを生成するコンテンツ相性学習部と、
前記視覚的相性モデル及び前記コンテンツ相性モデルからそれぞれ得られる出力を用いて、前記予測モデルを生成する統合学習部とを有する、付記１に記載のコンテンツ管理装置。

（付記３）
前記コンテンツ評価予測部は、
前記視覚的相性モデル及び前記コンテンツ相性モデルに対して、前記予測対象コンテンツ情報と前記予測対象ユーザ情報とを与えることによって得られる、視覚的相性中間データ及びコンテンツ相性中間データを、前記予測モデルに入力することにより、前記予測対象のコンテンツと前記予測対象のユーザとの相性を予測する、付記２に記載のコンテンツ管理装置。

（付記４）
前記コンテンツ評価予測部によって予測された結果を用いて、コンテンツのテンプレートを推薦するテンプレート推薦部をさらに備える、付記１から３のいずれか一つに記載のコンテンツ管理装置。

（付記５）
前記コンテンツ評価予測部によって予測された結果を用いて、ユーザと相性のよいコンテンツを選択するコンテンツ選択部をさらに備える、付記１から３のいずれか一つに記載のコンテンツ管理装置。

（付記６）
コンテンツの評価を行うためのコンテンツ管理方法であって、
コンテンツに対するユーザのアクセスログ、前記コンテンツに関するコンテンツ情報及び前記ユーザに関するユーザ情報を用いて、前記コンテンツと前記ユーザとの相性を学習することにより予測モデルを生成するコンテンツ評価学習ステップと、
前記予測モデルに、予測対象のコンテンツに関する予測対象コンテンツ情報と予測対象のユーザに関する予測対象ユーザ情報とを与えることにより、前記予測対象のコンテンツと前記予測対象のユーザとの相性を予測するコンテンツ評価予測ステップとを備える、コンテンツ管理方法。

（付記７）
前記コンテンツ評価学習ステップは、
前記コンテンツの視覚的情報に基づいて、視覚的相性モデルを生成する視覚的相性学習ステップと、
前記コンテンツ情報に基づいて、コンテンツ相性モデルを生成するコンテンツ相性学習ステップと、
前記視覚的相性モデル及び前記コンテンツ相性モデルからそれぞれ得られる出力を用いて、前記予測モデルを生成する統合学習ステップとを有する、付記６に記載のコンテンツ管理方法。

（付記８）
前記コンテンツ評価予測ステップでは、
前記視覚的相性モデル及び前記コンテンツ相性モデルに対して、前記予測対象コンテンツ情報と前記予測対象ユーザ情報とを与えることによって得られる、視覚的相性中間データ及びコンテンツ相性中間データを、前記予測モデルに入力することにより、前記予測対象のコンテンツと前記予測対象のユーザとの相性を予測する、付記７に記載のコンテンツ管理方法。

（付記９）
前記コンテンツ評価予測ステップによって予測された結果を用いて、コンテンツのテンプレートを推薦するテンプレート推薦ステップをさらに備える、付記６から８のいずれか一つに記載のコンテンツ管理方法。

（付記１０）
前記コンテンツ評価予測ステップによって予測された結果を用いて、ユーザと相性のよいコンテンツを選択するコンテンツ選択ステップをさらに備える、付記６から８のいずれか一つに記載のコンテンツ管理方法。

（付記１１）
コンテンツの評価を行うコンテンツ管理方法を制御するためのプログラムであって、
コンピュータに、
コンテンツに対するユーザのアクセスログ、前記コンテンツに関するコンテンツ情報及び前記ユーザに関するユーザ情報を用いて、前記コンテンツと前記ユーザとの相性を学習することにより予測モデルを生成するコンテンツ評価学習ステップと、
前記予測モデルに、予測対象のコンテンツに関する予測対象コンテンツ情報と予測対象のユーザに関する予測対象ユーザ情報とを与えることにより、前記予測対象のコンテンツと前記予測対象のユーザとの相性を予測するコンテンツ評価予測ステップとを実行させる、プログラム。

（付記１２）
前記コンテンツ評価学習ステップは、
前記コンテンツの視覚的情報に基づいて、視覚的相性モデルを生成する視覚的相性学習ステップと、
前記コンテンツ情報に基づいて、コンテンツ相性モデルを生成するコンテンツ相性学習ステップと、
前記視覚的相性モデル及び前記コンテンツ相性モデルからそれぞれ得られる出力を用いて、前記予測モデルを生成する統合学習ステップとを有する、付記１１に記載のプログラム。

（付記１３）
前記コンテンツ評価予測ステップでは、
前記視覚的相性モデル及び前記コンテンツ相性モデルに対して、前記予測対象コンテンツ情報と前記予測対象ユーザ情報とを与えることによって得られる、視覚的相性中間データ及びコンテンツ相性中間データを、前記予測モデルに入力することにより、前記予測対象のコンテンツと前記予測対象のユーザとの相性を予測する、付記１２に記載のプログラム。

（付記１４）
前記コンピュータに、
前記コンテンツ評価予測ステップによって予測された結果を用いて、コンテンツのテンプレートを推薦するテンプレート推薦ステップをさらに実行させる、付記１１から１３のいずれか一つに記載のプログラム。

（付記１５）
前記コンピュータに、
前記コンテンツ評価予測ステップによって予測された結果を用いて、ユーザと相性のよいコンテンツを選択するコンテンツ選択ステップをさらに実行させる、付記１１から１３のいずれか一つに記載のプログラム。

以上、実施の形態を参照して本願発明を説明したが、本願発明は上記実施の形態に限定されるものではない。本願発明の構成や詳細には、本願発明のスコープ内で当業者が理解し得る様々な変更をすることができる。

本発明は、コンテンツとユーザとの相性を評価するコンテンツ評価装置に利用可能である。

１、１００、２００ コンテンツ管理装置
２ 運用者端末
３ 編集者端末
４ａ、４ｂ 閲覧者端末
１１ コンテンツ評価学習部
１２ コンテンツ評価予測部
１３ コンテンツ管理ＤＢ
１４ テンプレート記憶部
１５ ログ管理ＤＢ
１６ ユーザ管理ＤＢ
１７ 中間データ記憶部
１８ モデル記憶部
１９ 編集用ＷＥＢサーバ
１１１ 学習管理部
１１２ 学習データ前処理部
１１３ 評価学習部
１２１ 予測管理部
１２２ 予測データ前処理部
１２３ 評価予測部
１９１ コンテンツ編集管理部
１９２ テンプレート推薦部
２０１ コンテンツ切換部
２０２ ログ管理部
５００ コンピュータ
５０１ ＣＰＵ
５０２ メインメモリ
５０３ 記憶装置
５０４ 入力インターフェイス
５０５ 表示コントローラ
５０６ データリーダ／ライタ
５０７ 通信インターフェイス
５０８ 入力機器
５０９ ディスプレイ装置
５１０ 記録媒体
５１１ バス
１１２１ 全体画像生成部
１１２２ 特徴抽出部
１１２３ ラベル生成部
１１３１ 視覚的相性学習部
１１３２ コンテンツ相性学習部
１１３３ 統合学習部
１２２１ 全体画像生成部
１２２２ 特徴抽出部
１２３１ 視覚的相性予測部
１２３２ コンテンツ相性予測部
１２３３ 統合予測部
１９２１ テンプレート別コンテンツ生成部
２０１１ 候補コンテンツ生成部
２０１２ コンテンツ選択部

Claims (10)

1. コンテンツの評価を行うコンテンツ管理装置であって、
   コンテンツに対するユーザのアクセスログ、前記コンテンツに関するコンテンツ情報及び前記ユーザに関するユーザ情報を用いて、前記コンテンツと前記ユーザとの相性を学習することにより予測モデルを生成するコンテンツ評価学習部と、
   前記予測モデルに、予測対象のコンテンツに関する予測対象コンテンツ情報と予測対象のユーザに関する予測対象ユーザ情報とを与えることにより、前記予測対象のコンテンツと前記予測対象のユーザとの相性を予測するコンテンツ評価予測部とを備える、コンテンツ管理装置。
2. 前記コンテンツ評価学習部は、
   前記コンテンツの視覚的情報に基づいて、視覚的相性モデルを生成する視覚的相性学習部と、
   前記コンテンツ情報に基づいて、コンテンツ相性モデルを生成するコンテンツ相性学習部と、
   前記視覚的相性モデル及び前記コンテンツ相性モデルからそれぞれ得られる出力を用いて、前記予測モデルを生成する統合学習部とを有する、請求項１に記載のコンテンツ管理装置。
3. 前記コンテンツ評価予測部は、
   前記視覚的相性モデル及び前記コンテンツ相性モデルに対して、前記予測対象コンテンツ情報と前記予測対象ユーザ情報とを与えることによって得られる、視覚的相性中間データ及びコンテンツ相性中間データを、前記予測モデルに入力することにより、前記予測対象のコンテンツと前記予測対象のユーザとの相性を予測する、請求項２に記載のコンテンツ管理装置。
4. 前記コンテンツ評価予測部によって予測された結果を用いて、コンテンツのテンプレートを推薦するテンプレート推薦部をさらに備える、請求項１から３のいずれか一つに記載のコンテンツ管理装置。
5. 前記コンテンツ評価予測部によって予測された結果を用いて、ユーザと相性のよいコンテンツを選択するコンテンツ選択部をさらに備える、請求項１から３のいずれか一つに記載のコンテンツ管理装置。
6. コンテンツの評価を行うためのコンテンツ管理方法であって、
   コンテンツに対するユーザのアクセスログ、前記コンテンツに関するコンテンツ情報及び前記ユーザに関するユーザ情報を用いて、前記コンテンツと前記ユーザとの相性を学習することにより予測モデルを生成するコンテンツ評価学習ステップと、
   前記予測モデルに、予測対象のコンテンツに関する予測対象コンテンツ情報と予測対象のユーザに関する予測対象ユーザ情報とを与えることにより、前記予測対象のコンテンツと前記予測対象のユーザとの相性を予測するコンテンツ評価予測ステップとを備える、コンテンツ管理方法。
7. 前記コンテンツ評価学習ステップは、
   前記コンテンツの視覚的情報に基づいて、視覚的相性モデルを生成する視覚的相性学習ステップと、
   前記コンテンツ情報に基づいて、コンテンツ相性モデルを生成するコンテンツ相性学習ステップと、
   前記視覚的相性モデル及び前記コンテンツ相性モデルからそれぞれ得られる出力を用いて、前記予測モデルを生成する統合学習ステップとを有する、請求項６に記載のコンテンツ管理方法。
8. 前記コンテンツ評価予測ステップでは、
   前記視覚的相性モデル及び前記コンテンツ相性モデルに対して、前記予測対象コンテンツ情報と前記予測対象ユーザ情報とを与えることによって得られる、視覚的相性中間データ及びコンテンツ相性中間データを、前記予測モデルに入力することにより、前記予測対象のコンテンツと前記予測対象のユーザとの相性を予測する、請求項７に記載のコンテンツ管理方法。
9. コンテンツの評価を行うコンテンツ管理方法を制御するためのプログラムであって、
   コンピュータに、
   コンテンツに対するユーザのアクセスログ、前記コンテンツに関するコンテンツ情報及び前記ユーザに関するユーザ情報を用いて、前記コンテンツと前記ユーザとの相性を学習することにより予測モデルを生成するコンテンツ評価学習ステップと、
   前記予測モデルに、予測対象のコンテンツに関する予測対象コンテンツ情報と予測対象のユーザに関する予測対象ユーザ情報とを与えることにより、前記予測対象のコンテンツと前記予測対象のユーザとの相性を予測するコンテンツ評価予測ステップとを実行させる、プログラム。
10. 前記コンテンツ評価学習ステップは、
    前記コンテンツの視覚的情報に基づいて、視覚的相性モデルを生成する視覚的相性学習ステップと、
    前記コンテンツ情報に基づいて、コンテンツ相性モデルを生成するコンテンツ相性学習ステップと、
    前記視覚的相性モデル及び前記コンテンツ相性モデルからそれぞれ得られる出力を用いて、前記予測モデルを生成する統合学習ステップとを有する、請求項９に記載のプログラム。

Images