JP2018060469A - 抽出装置、抽出方法、及び抽出プログラム - Google Patents

Abstract

【課題】特定のユーザに特徴的な情報を抽出すること。【解決手段】本願に係る抽出装置は、取得部と、分類部と、抽出部とを有する。取得部は、所定の行動を行った対象ユーザが用いた検索クエリに関する情報と、所定の行動を行わなかった他のユーザが用いた検索クエリに関する情報とを取得する。分類部は、対象ユーザが用いた各検索クエリに関する情報に対応するベクトル間の類似度に基づいて対象ユーザが用いた検索クエリに関する情報を第１クラスタに分類し、他のユーザの各検索クエリに関する情報に対応するベクトル間の類似度に基づいて他のユーザが用いた検索クエリに関する情報を第２クラスタに分類する。抽出部は、第１クラスタと第２クラスタとの差異に基づいて、第１クラスタから対象ユーザに特徴的な行動を示すクラスタである特徴クラスタを抽出する。【選択図】図２

Description

本発明は、抽出装置、抽出方法、及び抽出プログラムに関する。

従来、種々の情報から抽出された特徴量等の情報が用いられている。例えば、検索クエリ（以下、単に「クエリ」ともいう）のコンテンツの特徴量を抽出し、その特徴量と同一性の高い特徴量を有するコンテンツを選択し、そのコンテンツの持つ関連メタ情報に基づいて類似度を判定し、グルーピングして表示する技術が提供されている。

特開２００７−１６４６３３号公報

"word2vec"、[online]、[平成28年7月29日検索]、インターネット<URL：https://code.google.com/p/word2vec/>

しかしながら、上記の従来技術では、特定のユーザに特徴的な情報を抽出することができるとは限らない。例えば、類似しているユーザの情報のみに基づいて情報を抽出するだけでは、特定のユーザに特徴的な情報を抽出することができない場合がある。

本願は、上記に鑑みてなされたものであって、特定のユーザに特徴的な情報を抽出する抽出装置、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、所定の行動を行った対象ユーザが用いた検索クエリに関する情報と、前記所定の行動を行わなかった他のユーザが用いた検索クエリに関する情報とを取得する取得部と、前記対象ユーザが用いた各検索クエリに関する情報に対応するベクトル間の類似度に基づいて前記対象ユーザが用いた検索クエリに関する情報を第１クラスタに分類し、前記他のユーザが用いた各検索クエリに関する情報に対応するベクトル間の類似度に基づいて前記他のユーザが用いた検索クエリに関する情報を第２クラスタに分類する分類部と、前記第１クラスタと前記第２クラスタとの差異に基づいて、前記第１クラスタから前記対象ユーザに特徴的な行動を示すクラスタである特徴クラスタ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、特定のユーザに特徴的な情報を抽出することができるという効果を奏する。

図１は、実施形態に係る抽出処理の一例を示す図である。 図２は、実施形態に係る抽出装置の構成例を示す図である。 図３は、実施形態に係るユーザ情報記憶部の一例を示す図である。 図４は、実施形態に係る検索履歴情報記憶部の一例を示す図である。 図５は、実施形態に係るベクトル情報記憶部の一例を示す図である。 図６は、実施形態に係る特徴クラスタ情報記憶部の一例を示す図である。 図７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８は、実施形態に係る抽出処理手順を示すフローチャートである。 図９は、実施形態に係る広告配信処理の一例を示す図である。 図１０は、実施形態に係る広告配信処理手順を示すフローチャートである。 図１１は、抽出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、以下の各実施形態において同一の部位には同一の符号を付し、重複する説明は省略される。

（実施形態）
〔１．抽出処理〕
まず、図１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は、実施形態に係る抽出処理の一例を示す図である。図１では、抽出装置１００（図２参照）が複数のユーザを所定の行動を行った対象ユーザのグループと、所定の行動を行わなかった他のユーザのグループとの２つのグループに基づいて、特徴クラスタを抽出する場合を示す。図１の例では、所定の行動がＡ社のパソコンの購入である場合を示す。また、図１の例では、ユーザの行動情報が、ユーザが検索において用いたトークンである場合を示す。例えば、ここでいう「トークン」とは、ユーザが検索に用いたクエリに含まれる所定の区切り文字で区切られた文字列を意味する。例えば、「トークン」は、ユーザが検索に用いたクエリにおいてスペースで区切られた各文字列を意味する。例えば、検索クエリが「パソコン 性能」であった場合、文字列「パソコン」や文字列「性能」がトークンとなる。

例えば、図１中のユーザ群ＧＬ１（グループＡ）は、Ａ社のパソコンを購入したユーザであるユーザＵ１やユーザＵ２等が含まれる。図１の例では、Ａ社のパソコン購入ユーザ群であるユーザ群ＧＬ１には、１０００人のユーザが含まれるものとする。また、例えば、図１中のユーザ群ＧＬ２（グループＢ）は、Ａ社のパソコンを購入しなかったユーザであるユーザＵ３やユーザＵ４等が含まれる。図１の例では、Ａ社のパソコン非購入ユーザ群であるユーザ群ＧＬ２には、２０００人のユーザが含まれるものとする。

また、抽出装置１００は、各ユーザが所定の期間における検索で用いたトークンを収集する。また、所定の行動を行ったユーザに関する所定の期間は、対応するユーザが所定の行動を行う前の一定期間（例えば１ヶ月）等であってもよい。例えば、ユーザＵ１についてトークンを収集する期間は、ユーザＵ１がパソコンＡを購入した時点から１ヶ月前までの期間であってもよい。また、所定の行動を行わなかったユーザに関する所定の期間は、抽出処理を行う前の一定期間（例えば１ヶ月）等であってもよい。例えば、ユーザＵ３についてトークンを収集する期間は、抽出装置１００が抽出処理を行う時点から１ヶ月前までの期間であってもよい。なお、上記所定の期間は一例であり、目的等に応じて種々の期間に変更されてもよい。

図１に示す例において、使用トークン情報ＴＫ１は、ユーザＵ１が所定の期間における検索において用いたトークンを示す。例えば、使用トークン情報ＴＫ１には、「パソコン」、「Ｂ社型番Ｘ」、「強度」、「充電」等といったトークンが含まれる。また、図１に示す例において、使用トークン情報ＴＫ２は、ユーザＵ２が所定の期間における検索において用いたトークンを示す。例えば、使用トークン情報ＴＫ２には、「ノートＰＣ」、「Ｂ社型番Ｙ」、「軽量」、「値段」等といったトークンが含まれる。

図１に示す例において、使用トークン情報ＴＫ３は、ユーザＵ３が所定の期間における検索において用いたトークンを示す。例えば、使用トークン情報ＴＫ３には、「スマホ」、「株価」、「ＰＣ」、「サッカー」等といったトークンが含まれる。また、図１に示す例において、使用トークン情報ＴＫ４は、ユーザＵ４が所定の期間における検索において用いたトークンを示す。例えば、使用トークン情報ＴＫ４には、「転職」、「メール」、「交通費」、「ノーパソ」等といったトークンが含まれる。

まず、抽出装置１００は、グループＡに含まれるユーザが用いたトークンをクラスタに分類する（ステップＳ１１）。具体的には、抽出装置１００は、トークンの類似度に基づいて、グループＡに含まれるユーザが用いたトークンを第１クラスタに分類する。図１の例では、抽出装置１００は、各トークンに対応するベクトルの類似度に基づいて、グループＡに含まれるユーザが用いたトークンを第１クラスタに分類する。

例えば、抽出装置１００は、非特許文献１の「ｗｏｒｄ２ｖｅｃ」に関する技術に基づいて導出された各トークンのベクトルを用いてもよい。なお、抽出装置１００は、各トークンに対応するベクトルが導出可能であれば、どのような技術により導出された各トークンのベクトルを用いてもよい。例えば、抽出装置１００は、各トークンの意味が近い程、各トークンのベクトルが類似する各トークンのベクトルを用いてもよい。この場合、例えば、トークン「パソコン」に対応するベクトルとトークン「ＰＣ」に対応するベクトルとは類似する。

また、例えば、抽出装置１００は、上述した各トークンのベクトルやＫｍｅａｎｓ等の種々の従来技術を適宜用いて、グループＡに含まれるユーザが用いたトークンを第１クラスタに分類する。例えば、抽出装置１００は、クラスタ数が所定数（例えば１０００個）になるように、グループＡに含まれるユーザが用いたトークンを第１クラスタに分類する。なお、抽出装置１００は、上述した各トークンのベクトルの類似度に基づいて、トークンを複数のクラスタに分類可能であれば、どのようなクラスタリング技術を用いてもよい。

図１の例では、抽出装置１００は、第１クラスタ群ＣＬ１１に示すように、グループＡに含まれるユーザが用いたトークンを第１クラスタに分類する。例えば、第１クラスタ群ＣＬ１１中のクラスタＩＤ「Ｃ１１」により識別されるクラスタ（以下、「クラスタＣ１１」と記載する場合がある）には、「パソコン」や「ノートＰＣ」や「ＰＣ」や「ノーパソ」といったトークンが含まれることを示す。例えば、「パソコン」や「ノートＰＣ」や「ＰＣ」や「ノーパソ」は、共通のパーソナルコンピュータを示す単語であるため、意味的に類似するトークンとして抽出装置１００によりクラスタＣ１１に分類される。また、例えば、第１クラスタ群ＣＬ１１中のクラスタＩＤ「Ｃ１２」により識別されるクラスタ（以下、「クラスタＣ１２」と記載する場合がある）には、「Ｂ社型番Ｘ」や「Ｂ社型番Ｙ」や「ＺＡシリーズ」や「ＺＢシリーズ」といったトークンが含まれることを示す。例えば、抽出装置１００は、「Ｂ社型番Ｘ」や「Ｂ社型番Ｙ」がＢ社のパソコンであり、「ＺＡシリーズ」や「ＺＢシリーズ」がＢ社のパソコンのシリーズであるため、意味的に類似するトークンとして、クラスタＣ１２に分類する。また、例えば、第１クラスタ群ＣＬ１１中のクラスタＩＤ「Ｃ１３」により識別されるクラスタ（以下、「クラスタＣ１３」と記載する場合がある）には、「値段」や「費用」や「代金」や「交通費」といったトークンが含まれることを示す。

また、抽出装置１００は、グループＢに含まれるユーザが用いたトークンをクラスタに分類する（ステップＳ１２）。具体的には、抽出装置１００は、トークンの類似度に基づいて、グループＢに含まれるユーザが用いたトークンを第２クラスタに分類する。図１の例では、説明を簡単にするために、抽出装置１００は、グループＢに含まれるユーザが用いたトークンを第１クラスタと同様の第２クラスタに分類する。図１の例では、抽出装置１００は、第２クラスタ群ＣＬ１２に示すように、グループＢに含まれるユーザが用いたトークンを第２クラスタに分類する。すなわち、図１の例では、抽出装置１００は、グループＢに含まれるユーザが用いたトークンを、第１クラスタ群ＣＬ１１中の第１クラスタと同様の第２クラスタに分類する。

そして、抽出装置１００は、第１クラスタと第２クラスタとの差異に基づいて、第１クラスタから対象ユーザに特徴的な行動を示すクラスタである特徴クラスタを抽出する（ステップＳ１３）。図１の例では、抽出装置１００は、第１クラスタ群ＣＬ１１や第２クラスタ群ＣＬ１２に示す各クラスタに属するトークンの使用率に関する情報に基づいて特徴クラスタを抽出する。

図１の例では、第１クラスタ群ＣＬ１１に示すように、クラスタＣ１１に含まれるトークンのグループＡにおける使用率は８０％である。すなわち、図１の例では、クラスタＣ１１に含まれるトークンはグループＡ中の１０００人のユーザのうち、８００人のユーザが使用したことを示す。なお、ここでいう「使用率」は、対応するクラスタに属するトークンを使用したユーザの割合を示すものであり、例えば、あるユーザが、「パソコン」や「ノートＰＣ」や「ＰＣ」や「ノーパソ」等複数のトークンを使用していた場合であっても、そのユーザは「１（ユーザ）」として集計される。

また、図１の例では、第１クラスタ群ＣＬ１１に示すように、クラスタＣ１２に含まれるトークンのグループＡにおける使用率は６０％である。すなわち、図１の例では、クラスタＣ１２に含まれるトークンはグループＡ中の１０００人のユーザのうち、６００人のユーザが使用したことを示す。また、図１の例では、第１クラスタ群ＣＬ１１に示すように、クラスタＣ１３に含まれるトークンのグループＡにおける使用率は２０％である。すなわち、図１の例では、クラスタＣ１３に含まれるトークンはグループＡ中の１０００人のユーザのうち、２００人のユーザが使用したことを示す。

また、図１の例では、第２クラスタ群ＣＬ１２に示すように、クラスタＣ１１に含まれるトークンのグループＢにおける使用率は６０％である。すなわち、図１の例では、クラスタＣ１１に含まれるトークンはグループＢ中の２０００人のユーザのうち、１２００人のユーザが使用したことを示す。また、図１の例では、第２クラスタ群ＣＬ１２に示すように、クラスタＣ１２に含まれるトークンのグループＢにおける使用率は５％である。すなわち、図１の例では、クラスタＣ１２に含まれるトークンはグループＢ中の２０００人のユーザのうち、１００人のユーザが使用したことを示す。また、図１の例では、第２クラスタ群ＣＬ１２に示すように、クラスタＣ１３に含まれるトークンのグループＢにおける使用率は２０％である。すなわち、図１の例では、クラスタＣ１３に含まれるトークンはグループＢ中の２０００人のユーザのうち、４００人のユーザが使用したことを示す。

上記の使用率に関する情報を用いて抽出装置１００は、グループＡにおける使用率とグループＢにおける使用率との差異に基づく評価値が所定の閾値以上であるクラスタを特徴クラスタとして抽出する。図１の例では、抽出装置１００は、グループＢにおける使用率に対するグループＡにおける使用率の比（評価値）が３以上であるクラスタを特徴クラスタとして抽出する。

例えば、抽出装置１００は、クラスタＣ１１については、グループＡにおける使用率が８０％であり、グループＢにおける使用率が６０％であるため、評価値が「１．３３（＝８０／６０）」となるため、クラスタＣ１１を特徴クラスタとして抽出しない。また、例えば、抽出装置１００は、クラスタＣ１３については、グループＡにおける使用率が２０％であり、グループＢにおける使用率が２０％であるため、評価値が「１（＝２０／２０）」となるため、クラスタＣ１３を特徴クラスタとして抽出しない。

また、例えば、抽出装置１００は、クラスタＣ１２については、グループＡにおける使用率が６０％であり、グループＢにおける使用率が５％であるため、評価値が「１２（＝６０／５）」となるため、クラスタＣ１３を特徴クラスタとして抽出する。このように、抽出装置１００は、Ａ社のパソコンを購入したユーザに特徴的なクラスタを特徴クラスタとして抽出する。図１の例では、抽出装置１００は、特徴クラスタ情報記憶部１２４に示すように、クラスタＣ１２やクラスタＣ２１のような評価値が３以上であるクラスタを特徴クラスタとして抽出する。

上記のように、第１クラスタと第２クラスタとの差異に基づいて、第１クラスタから対象ユーザに特徴的な行動を示すクラスタである特徴クラスタを抽出することにより、抽出装置１００は、特定のユーザに特徴的な情報を抽出することができる。また、抽出装置１００は、抽出した特徴クラスタを外部の情報処理装置に提供してもよい。また、抽出装置１００は、抽出した特徴クラスタに基づいて種々のサービスを提供してもよい。なお、抽出装置１００による抽出した特徴クラスタに基づくサービスの提供についての詳細は後述する。また、上記の例では、行動情報としてクエリに含まれるトークンを用いる場合を示したが、抽出装置１００は、ユーザの行動情報であればどのような情報を用いて上記のような特徴クラスタを抽出する処理を行ってもよい。例えば、抽出装置１００は、ユーザの行動情報であって、その行動情報に対応するベクトルが取得可能であれば、どのような情報を用いて上記の抽出処理を行ってもよい。

例えば、抽出装置１００は、ユーザの移動を伴う行動情報に基づいて、ある場所へ行くことを所定の行動として、特徴クラスタを抽出してもよい。例えば、抽出装置１００は、ユーザの移動を伴う行動情報に基づいて、場所Ａ（例えば海やレストラン等）へ行ったユーザを対象ユーザとし、その対象ユーザが場所Ａへ行く前の所定の期間の行動情報をクラスタリングした第１クラスタを用いて、特徴クラスタを抽出してもよい。この場合、例えば、抽出装置１００は、場所Ａへ行かなかったユーザを他のユーザとし、その他のユーザの所定の期間の行動情報をクラスタリングして、第２クラスタとして用いてもよい。また、例えば、抽出装置１００は、ユーザの行動情報として、ユーザによる自動車等の運転に関する行動情報を用いてもよい。なお、上記は一例であり、抽出装置１００は、上記の特徴クラスタの抽出処理が可能な情報であれば、どのような情報を用いて上記の特徴クラスタの抽出処理を行ってもよい。

〔２．抽出装置の構成〕
次に、図２を用いて、実施形態に係る抽出装置１００の構成について説明する。図２は、実施形態に係る抽出装置の構成例を示す図である。図２に示すように、抽出装置１００は、通信部１１０と、記憶部１２０と、制御部１３０とを有する。なお、抽出装置１００は、各種の情報を表示する表示部や、各種の情報を入力する入力部を有してもよい。

（通信部１１０）
通信部１１０は、例えば、ＮＩＣ（Network Interface Card）等によって実現される。そして、通信部１１０は、所定のネットワークと有線または無線で接続され、端末装置１０（図９参照）等の外部の情報処理装置との間で情報の送受信を行う。

（記憶部１２０）
記憶部１２０は、例えば、ＲＡＭ（Random Access Memory）、フラッシュメモリ（Flash Memory）等の半導体メモリ素子、または、ハードディスク、光ディスク等の記憶装置によって実現される。実施形態に係る記憶部１２０は、図２に示すように、ユーザ情報記憶部１２１と、検索履歴情報記憶部１２２と、ベクトル情報記憶部１２３と、特徴クラスタ情報記憶部１２４と、広告情報記憶部１２５とを有する。

（ユーザ情報記憶部１２１）
実施形態に係るユーザ情報記憶部１２１は、ユーザ属性に関する各種情報を記憶する。例えば、ユーザ情報記憶部１２１は、ユーザ属性情報を記憶する。図３は、実施形態に係るユーザ情報記憶部の一例を示す図である。図３に示すユーザ情報記憶部１２１は、「ユーザＩＤ」、「グループ（Ａ社パソコン購入有無）」、「年齢」、「性別」、「居住地」、「興味」といった項目が含まれる。

「ユーザＩＤ」は、ユーザを識別するための識別情報を示す。例えば、ユーザＩＤ「Ｕ１」により識別されるユーザは、図１の例に示したユーザＵ１に対応する。「グループ（Ａ社パソコン購入有無）」は、対応するユーザがＡ社パソコン購入の有無に応じて属するグループを示す。また、「年齢」は、ユーザＩＤにより識別されるユーザの年齢を示す。なお、「年齢」は、例えば３５歳など、ユーザＩＤにより識別されるユーザの具体的な年齢であってもよい。また、「性別」は、ユーザＩＤにより識別されるユーザの性別を示す。また、「居住地」は、ユーザＩＤにより識別されるユーザの居住する地域を示す。なお、「居住地」は、ユーザＩＤにより識別されるユーザの具体的な住所であってもよい。また、「興味」は、ユーザＩＤにより識別されるユーザが関心のある対象を示す。なお、「興味」は、複数登録されてもよい。

例えば、図３に示す例において、ユーザＩＤ「Ｕ１」により識別されるユーザは、グループＡに属するユーザであり、Ａ社パソコンを購入したユーザであることを示す。また、ユーザＩＤ「Ｕ１」により識別されるユーザの年齢は、「３０代」であり、性別は、「男性」であることを示す。また、例えば、図３に示す例において、ユーザＩＤ「Ｕ１」により識別されるユーザは、居住地が「地域Ａ」であり、関心のある対象が「スポーツ」であることを示す。

なお、ユーザ情報記憶部１２１は、上記に限らず、目的に応じて種々の情報を記憶してもよい。例えば、ユーザ情報記憶部１２１は、ユーザのデモグラフィック属性に関する情報やサイコグラフィック属性に関する情報を記憶してもよい。例えば、ユーザ情報記憶部１２１は、氏名、家族構成、収入、ライフスタイル等の情報を記憶してもよい。

（検索履歴情報記憶部１２２）
実施形態に係る検索履歴情報記憶部１２２は、検索に関する各種情報を記憶する。例えば、図４では、検索履歴情報記憶部１２２は、所定の検索システムにおいて使用されたクエリに関する情報を記憶する。図４に、実施形態に係る検索履歴情報記憶部１２２の一例を示す。図４に示す検索履歴情報記憶部１２２は、「検索クエリＩＤ」、「検索クエリ」、「入力ユーザ」、「日時」といった項目を有する。「検索クエリ」には、「トークン１」、「トークン２」といった項目が含まれる。

「検索クエリＩＤ」は、クエリを識別するための識別情報を示す。「検索クエリ」の「トークン１」や「トークン２」は、対応するクエリに含まれるトークンを示す。「入力ユーザ」は、対応するクエリを入力（使用）したユーザを示す。また、「日時」は、対応するクエリが入力（使用）された日時を示す。

図４の例では、検索クエリＩＤ「Ｑ１１」により識別されるクエリは、「パソコン」や「Ｂ社型番Ｘ」といったトークンを含むことを示す。また、検索クエリＩＤ「Ｑ１１」により識別されるクエリを用いたユーザがユーザＵ１であることを示す。また、検索クエリＩＤ「Ｑ１１」により識別されるクエリを用いた検索が日時ＤＡに行われたことを示す。なお、図４の例では、日時ＤＡのように日時を抽象的な記号で表記するが、例えば「２０１６年７月２７日２１時２８分５４秒」のような具体的な日時であってもよい。

なお、検索履歴情報記憶部１２２は、上記に限らず、目的に応じて種々の情報を記憶してもよい。

（ベクトル情報記憶部１２３）
実施形態に係るベクトル情報記憶部１２３は、各単語（トークン）のベクトル情報を記憶する。図５は、実施形態に係るベクトル情報記憶部の一例を示す図である。図５に示すように、ベクトル情報記憶部１２３は、各単語に関する情報を記憶する。具体的には、ベクトル情報記憶部１２３は、分散表現により学習された各単語の素性の重みに関する情報を記憶する。図５に示すように、ベクトル情報記憶部１２３は、ベクトル情報として、「単語ＩＤ」「単語（トークン）」、「素性１」〜「素性３」等の項目を有する。

「単語ＩＤ」は、単語（トークン）を識別するための識別情報を示す。「単語（トークン）」は、対応する単語（トークン）を示す。「素性１」〜「素性３」は、対応する単語（トークン）の各素性の重みを示す。

例えば、図５に示す例において、単語ＩＤ「Ｗ１」により識別されるトークン「パソコン」は、素性１の重みが「１．５」、素性２の重みが「０」、素性３の重みが「０．８」等であることを示す。例えば、各単語（トークン）がｍ次元のベクトルで表現される場合、素性数はｍ個になり、素性１〜素性ｍの重みが記憶される。

なお、ベクトル情報記憶部１２３は、上記に限らず、目的に応じて種々の情報を記憶してもよく、各単語（トークン）のベクトル表現であれば、どのような情報が記憶されてもよい。

（特徴クラスタ情報記憶部１２４）
実施形態に係る特徴クラスタ情報記憶部１２４は、特徴クラスタに関する各種情報を記憶する。例えば、図６では、特徴クラスタ情報記憶部１２４は、特徴クラスタに関する情報を記憶する。図６に、実施形態に係る特徴クラスタ情報記憶部１２４の一例を示す。図６に示す特徴クラスタ情報記憶部１２４は、「クラスタＩＤ」、「トークン一覧」、「評価値（グループＡ）」といった項目を有する。トークン一覧には、「トークン１」〜「トークン４」等の項目が含まれる。

「クラスタＩＤ」は、クラスタを識別するための識別情報を示す。「トークン一覧」の「トークン１」〜「トークン４」等は、対応するクラスタに属するトークンを示す。「評価値（グループＡ）」は、対応するクラスタの評価を示す。

図６の例では、クラスタＩＤ「Ｃ１２」により識別されるクラスタＣ１２が特徴クラスタとして抽出されていることを示す。また、クラスタＣ１２は、「Ｂ社型番Ｘ」や「Ｂ社型番Ｙ」や「ＺＡシリーズ」や「ＺＢシリーズ」といったトークンを含むことを示す。また、クラスタＣ１２のグループＡについての評価値は「１２」であることを示す。

なお、特徴クラスタ情報記憶部１２４は、上記に限らず、目的に応じて種々の情報を記憶してもよい。例えば、特徴クラスタ情報記憶部１２４は、特徴クラスタを抽出した日時に関する情報を記憶してもよい。

（広告情報記憶部１２５）
実施形態に係る広告情報記憶部１２５は、広告に関する各種情報を記憶する。図７に、実施形態に係る広告情報記憶部１２５の一例を示す。図７に示す広告情報記憶部１２５は、「広告ＩＤ」、「広告コンテンツ」、「商品等」といった項目を有する。

「広告ＩＤ」は、広告を識別するための識別情報を示す。「広告コンテンツ」は、広告主や代理店等から入稿された広告を示す。図７では「広告コンテンツ」に「広告Ａ」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、静止画像や動画像やテキストデータやＵＲＬ、または、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。以下では、「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るものとする。「商品等」は、広告の対象となる商品やサービスを示す。なお、商品やサービスを識別する情報としては「商品等」に限らず、商品やサービスを識別するための「商品ＩＤ」等の情報を記憶してもよい。

例えば、図７に示す例において、広告ＩＤ「ＡＣ１」により識別される広告Ａは、商品「Ａ社パソコンＸＡ」を対象とする広告であることを示す。

なお、広告情報記憶部１２５は、上記に限らず、目的に応じて種々の情報を記憶してもよい。例えば、広告情報記憶部１２５は、入札価格に関する情報等を記憶してもよい。

（制御部１３０）
図２の説明に戻って、制御部１３０は、コントローラ（controller）であり、例えば、ＣＰＵ（Central Processing Unit）やＭＰＵ（Micro Processing Unit）等によって、抽出装置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に相当）がＲＡＭを作業領域として実行されることにより実現される。また、制御部１３０は、コントローラ（controller）であり、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２に示すように、制御部１３０は、取得部１３１と、分類部１３２と、抽出部１３３と、配信部１３４とを有し、以下に説明する情報処理の機能や作用を実現または実行する。なお、制御部１３０の内部構成は、図２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。

（取得部１３１）
例えば、取得部１３１は、各種情報を取得する。例えば、取得部１３１は、ユーザ情報記憶部１２１からユーザに関する情報を取得する。また、例えば、取得部１３１は、検索履歴情報記憶部１２２から検索履歴に関する情報を取得する。また、例えば、取得部１３１は、ベクトル情報記憶部１２３から各単語（トークン）のベクトル情報を取得する。また、例えば、取得部１３１は、特徴クラスタ情報記憶部１２４から特徴クラスタに関する情報を取得する。また、例えば、取得部１３１は、広告情報記憶部１２５から広告に関する情報を取得する。例えば、取得部１３１は、所定の行動を行った対象ユーザが用いた検索クエリに関する情報と、所定の行動を行わなかった他のユーザが用いた検索クエリに関する情報とを取得する。例えば、取得部１３１は、対象ユーザの属性に類似する属性を有する他のユーザが用いた検索クエリに関する情報を取得する。例えば、取得部１３１は、対象ユーザが用いた検索クエリに関する情報として、対象ユーザが用いた検索クエリに含まれるトークンを取得し、他のユーザが用いた検索クエリに関する情報として、他のユーザが用いた検索クエリに含まれるトークンを取得する。例えば、取得部１３１は、所定の商品を購入した対象ユーザが用いた検索クエリに関する情報と、所定の商品を購入しなかった他のユーザが用いた検索クエリに関する情報とを取得する。

例えば、取得部１３１は、所定の行動を行った対象ユーザの行動情報と、所定の行動を行わなかった他のユーザの行動情報とを取得する。例えば、取得部１３１は、所定の商品を購入した対象ユーザの行動情報と、所定の商品を購入しなかった他のユーザの行動情報とを取得する。例えば、取得部１３１は、対象ユーザの行動情報として、対象ユーザが用いた検索クエリに関する情報を取得し、他のユーザの行動情報として、他のユーザが用いた検索クエリに関する情報を取得する。例えば、取得部１３１は、対象ユーザの行動情報として、対象ユーザが用いた検索クエリに含まれるトークンを取得し、他のユーザの行動情報として、他のユーザが用いた検索クエリに含まれるトークンを取得する。

例えば、取得部１３１は、対象ユーザが検索に用いたクエリに関する情報を、検索履歴情報記憶部１２２から取得する。例えば、取得部１３１は、対象ユーザが検索に用いたクエリに含まれるトークンに関する情報を、検索履歴情報記憶部１２２から取得する。図１の例では、例えば、取得部１３１は、対象ユーザであるユーザＵ１の使用トークン情報ＴＫ１を、検索履歴情報記憶部１２２から取得する。

例えば、取得部１３１は、対象ユーザの属性に類似する属性を有する他のユーザの行動情報を取得する。例えば、取得部１３１は、対象ユーザ以外のユーザが検索に用いたクエリに含まれるトークンに関する情報を、検索履歴情報記憶部１２２から取得する。図１の例では、例えば、取得部１３１は、対象ユーザ以外のユーザであるユーザＵ３の使用トークン情報ＴＫ３を、検索履歴情報記憶部１２２から取得する。例えば、取得部１３１は、対象ユーザであるユーザＵ１の属性に類似する３０代男性のユーザであるユーザＵ３の使用トークン情報ＴＫ３を取得する。また、取得部１３１は、各トークンのベクトル情報を外部の処理装置から取得してもよい。

（分類部１３２）
分類部１３２は、種々の情報を分類する。分類部１３２は、対象ユーザの各行動情報間の類似度に基づいて対象ユーザの行動情報を第１クラスタに分類し、他のユーザの各行動情報間の類似度に基づいて他のユーザの行動情報を第２クラスタに分類する。例えば、分類部１３２は、対象ユーザの各行動情報に対応するベクトル間の類似度に基づいて対象ユーザの行動情報を第１クラスタに分類し、他のユーザの各行動情報に対応するベクトル間の類似度に基づいて他のユーザの行動情報を第２クラスタに分類する。例えば、分類部１３２は、対象ユーザが用いた各トークン間の類似度に基づいて対象ユーザが用いたトークンを第１クラスタに分類し、他のユーザが用いた各トークン間の類似度に基づいて他のユーザが用いたトークンを第２クラスタに分類する。例えば、分類部１３２は、対象ユーザが用いた各検索クエリに関する情報に対応するベクトル間の類似度に基づいて対象ユーザが用いた検索クエリに関する情報を第１クラスタに分類し、他のユーザが用いた各検索クエリに関する情報に対応するベクトル間の類似度に基づいて他のユーザが用いた検索クエリに関する情報を第２クラスタに分類する。

例えば、分類部１３２は、単語（トークン）の類似度に関する情報を生成する。例えば、分類部１３２は、検索履歴情報記憶部１２２に記憶されたトークンに関する情報に基づいて、分散表現の学習を行い、各単語（トークン）の素性の重みをベクトル情報として生成する。例えば、分類部１３２は、非特許文献１の「ｗｏｒｄ２ｖｅｃ」に関する技術に基づいて、分散表現の学習を行ってもよい。分類部１３２は、各単語（トークン）についてｍ次元の実数値ベクトルである単語ベクトル（例えば、「ｗｏｒｄ ｅｍｂｅｄｄｉｎｇ」等と称される）を導出する。例えば、各次元の実数値が、ベクトル情報における各素性の重みに対応する。このように、分類部１３２は、分散表現の学習によりトークンのベクトルに関する情報を生成する。なお、抽出装置１００が各トークンのベクトル情報を外部の処理装置から取得する場合、分類部１３２はベクトル情報の生成を行わなくてもよい。

図１の例では、分類部１３２は、グループＡに含まれるユーザが用いたトークンをクラスタに分類する。具体的には、分類部１３２は、トークンの類似度に基づいて、グループＡに含まれるユーザが用いたトークンを第１クラスタに分類する。分類部１３２は、各トークンに対応するベクトルの類似度に基づいて、グループＡに含まれるユーザが用いたトークンを第１クラスタに分類する。

例えば、分類部１３２は、非特許文献１の「ｗｏｒｄ２ｖｅｃ」に関する技術に基づいて導出された各トークンのベクトルの類似度に基づいて、グループＡに含まれるユーザが用いたトークンを第１クラスタに分類する。また、例えば、分類部１３２は、上述した各トークンのベクトルやＫｍｅａｎｓ等の種々の従来技術を適宜用いて、グループＡに含まれるユーザが用いたトークンを第１クラスタに分類する。例えば、分類部１３２は、クラスタ数が所定数（例えば１０００個）になるように、グループＡに含まれるユーザが用いたトークンを第１クラスタに分類する。

図１の例では、分類部１３２は、第１クラスタ群ＣＬ１１に示すように、グループＡに含まれるユーザが用いたトークンを第１クラスタに分類する。例えば、分類部１３２は、第１クラスタ群ＣＬ１１中に示すように、「パソコン」や「ノートＰＣ」や「ＰＣ」や「ノーパソ」といったトークンをクラスタＣ１１として分類する。また、例えば、分類部１３２は、第１クラスタ群ＣＬ１１中に示すように、「Ｂ社型番Ｘ」や「Ｂ社型番Ｙ」や「ＺＡシリーズ」や「ＺＢシリーズ」といったトークンをクラスタＣ１２として分類する。

（抽出部１３３）
抽出部１３３は、種々の情報を抽出する。例えば、抽出部１３３は、第１クラスタと第２クラスタとの差異に基づいて、第１クラスタから対象ユーザに特徴的な行動を示すクラスタである特徴クラスタを抽出する。例えば、抽出部１３３は、対象ユーザのうち第１クラスタに属する行動情報に関する行動を行ったユーザの割合と、他のユーザのうち第２クラスタに属する行動情報に関する行動を行ったユーザの割合との比が所定の閾値以上の場合、第１クラスタを特徴クラスタとして抽出する。例えば、抽出部１３３は、対象ユーザのうち第１クラスタに属するトークンを用いた検索を行ったユーザの割合と、他のユーザのうち第２クラスタに属するトークンを用いた検索を行ったユーザの割合との比が所定の閾値以上の場合、第１クラスタを特徴クラスタとして抽出する。例えば、抽出部１３３は、対象ユーザのうち第１クラスタに属する検索クエリに関する情報を用いた検索を行ったユーザの割合と、他のユーザのうち第２クラスタに属する検索クエリに関する情報を用いた検索を行ったユーザの割合との比が所定の閾値以上の場合、第１クラスタを特徴クラスタとして抽出する。

図１の例では、抽出部１３３は、第１クラスタ群ＣＬ１１や第２クラスタ群ＣＬ１２に示す各クラスタに属するトークンの使用率に関する情報に基づいて特徴クラスタを抽出する。例えば、抽出部１３３は、グループＡにおける使用率とグループＢにおける使用率との差異に基づく評価値が所定の閾値以上であるクラスタを特徴クラスタとして抽出する。例えば、抽出部１３３は、グループＢにおける使用率に対するグループＡにおける使用率の比（評価値）が３以上であるクラスタを特徴クラスタとして抽出する。また、例えば、抽出部１３３は、クラスタＣ１２については、グループＡにおける使用率が６０％であり、グループＢにおける使用率が５％であるため、評価値が「１２（＝６０／５）」となるため、クラスタＣ１２を特徴クラスタとして抽出する。例えば、抽出部１３３は、Ａ社のパソコンを購入したユーザに特徴的なクラスタを特徴クラスタとして抽出する。図１の例では、抽出部１３３は、特徴クラスタ情報記憶部１２４に示すように、クラスタＣ１２やクラスタＣ２１のような評価値が３以上であるクラスタを特徴クラスタとして抽出する。

また、抽出部１３３は、広告情報記憶部１２５から広告を抽出する。例えば、抽出部１３３は、取得部１３１が検索を行っているユーザが入力したクエリを取得した際に、クエリ中のトークンが特徴クラスタ情報記憶部１２４に記憶された特徴クラスタのトークンと一致する場合、特徴クラスタに対応する広告を抽出する。また、例えば、抽出部１３３は、取得部１３１が検索を行っているユーザが入力したクエリを取得した際に、クエリ中のトークンが特徴クラスタ情報記憶部１２４に記憶された特徴クラスタのトークンと一致しない場合、所定の基準に基づき広告を抽出する。例えば、抽出部１３３は、クエリ中のトークンが特徴クラスタ情報記憶部１２４に記憶された特徴クラスタのトークンと一致しない場合、各広告の入札価格やユーザに関する情報に基づき広告を抽出してもよい。

（配信部１３４）
配信部１３４は、外部の情報処理装置に各種情報を送信する。例えば、配信部１３４は、抽出部１３３により抽出された特徴クラスタに含まれる行動情報に対応する行動を行ったユーザに所定の行動に関するコンテンツを配信する。例えば、配信部１３４は、抽出部１３３により抽出された特徴クラスタに含まれる行動情報に対応する行動を行ったユーザに所定の行動に関する広告を配信する。図１の例では、例えば、配信部１３４は、抽出部１３３により抽出された特徴クラスタ情報記憶部１２４に含まれるトークンを用いて検索を行ったユーザにＡ社のパソコンの広告を配信する。この点についての詳細は、後述する。例えば、配信部１３４は、抽出部１３３により抽出された広告を配信する。例えば、配信部１３４は、抽出部１３３により抽出された特徴クラスタに含まれる検索クエリに関する情報を用いた検索を行ったユーザに所定の行動に関するコンテンツを配信する。例えば、配信部１３４は、抽出部１３３により抽出された特徴クラスタに含まれる検索クエリに関する情報を用いた検索を行ったユーザに所定の行動に関する広告を配信する。

〔３．抽出処理のフロー〕
次に、図８を用いて、実施形態に係る抽出装置１００による抽出処理の手順について説明する。図８は、実施形態に係る抽出処理手順を示すフローチャートである。

図８に示すように、抽出装置１００は、ユーザが検索に用いた検索クエリに関する情報を取得する（ステップＳ１０１）。例えば、抽出装置１００は、対象ユーザの行動情報として、対象ユーザが用いた検索クエリに含まれるトークンを取得し、他のユーザの行動情報として、他のユーザが用いた検索クエリに含まれるトークンを取得する。その後、例えば、抽出装置１００は、取得部１３１により取得されたトークンについて分散表現の学習等を行い、各トークンのベクトルに関する情報を生成する。なお、各トークンのベクトル情報が外部の処理装置から取得される場合、抽出装置１００はベクトル情報の生成を行わなくてもよい。

そして、抽出装置１００は、グループＡ(対象ユーザ群）のトークンを第１クラスタに分類する（ステップＳ１０２）。図１の例では、抽出装置１００は、第１クラスタ群ＣＬ１１に示すように、グループＡに含まれるユーザが用いたトークンを第１クラスタに分類する。

また、抽出装置１００は、グループＢ(非対象ユーザ群）のトークンを第２クラスタに分類する（ステップＳ１０３）。図１の例では、抽出装置１００は、第２クラスタ群ＣＬ１２に示すように、グループＢに含まれるユーザが用いたトークンを第２クラスタに分類する。

その後、抽出装置１００は、第１クラスタと第２クラスタとに基づいて特徴クラスタを抽出する（ステップＳ１０４）。図１の例では、抽出装置１００は、特徴クラスタ情報記憶部１２４に示すように、クラスタＣ１２やクラスタＣ２１のような評価値が３以上であるクラスタを特徴クラスタとして抽出する。

〔４．広告配信処理〕
次に、図９を用いて、実施形態に係る抽出装置１００による広告配信処理について説明する。図９は、実施形態に係る広告配信処理の一例を示す図である。図９の例では、ユーザＵ１１が検索を行う際に入力したクエリに基づく広告を配信する場合を示す。

まず、抽出装置１００は、ユーザＵ１１が利用する端末装置１０からクエリを取得する（ステップＳ２１）。図９の例では、抽出装置１００は、端末装置１０からクエリ「ＺＡシリーズ」を取得する。図９に示す例において、ユーザＵ１１は、端末装置１０の画面に表示された検索画面を表示するページＷ１１中の検索窓にクエリ「ＺＡシリーズ」を入力し、検索ボタンを押下する。そして、端末装置１０は、抽出装置１００へ検索クエリ「ＺＡシリーズ」を送信する。

その後、抽出装置１００は、取得した検索クエリ「ＺＡシリーズ」に基づいて、広告を抽出する（ステップＳ２２）。例えば、抽出装置１００は、取得した検索クエリ「ＺＡシリーズ」に含まれるトークンである「ＺＡシリーズ」が、特徴クラスタ情報記憶部１２４中のトークンと一致するかに応じて、広告を抽出する。図９の例では、抽出装置１００は、広告リストＡＬ１１に示すように、トークン「ＺＡシリーズ」が特徴クラスタ情報記憶部１２４中のトークンと一致するため、Ａ社のパソコンＸＡに関する広告Ａを抽出する。

その後、抽出装置１００は、ユーザＵ１１が利用する端末装置１０へ抽出した広告を配信する（ステップＳ２３）。図９の例では、抽出装置１００は、ユーザＵ１１が利用する端末装置１０へＡ社のパソコンＸＡに関する広告Ａを配信する（ステップＳ２３）。

上記のように、抽出装置１００は、対象ユーザに特徴的なトークンを使用して検索を行ったユーザに対して、Ａ社のパソコンに関する広告を配信することにより、広告効果を向上させることができる。例えば、抽出装置１００は、Ａ社のパソコンを購入したユーザに特徴的なトークンが使用された場合、その検索を行ったユーザに対してしてＡ社のパソコンに関する広告を配信することにより、広告効果を向上させることができる。

〔５．広告配信処理のフロー〕
次に、図１０を用いて、実施形態に係る抽出装置１００による広告配信処理の手順について説明する。図１０は、実施形態に係る広告配信処理手順を示すフローチャートである。

図１０に示すように、抽出装置１００は、検索クエリを取得する（ステップＳ２０１）。そして、抽出装置１００は、検索クエリ中のトークンが特徴クラスタのトークンと一致する場合（ステップＳ２０２：Ｙｅｓ）、特徴クラスタに対応する広告を抽出する（ステップＳ２０３）。

一方、抽出装置１００は、検索クエリ中のトークンが特徴クラスタのトークンと一致しない場合（ステップＳ２０２：Ｎｏ）、所定の基準に基づき広告を抽出する（ステップＳ２０４）。その後、抽出装置１００は、抽出した広告を配信する（ステップＳ２０５）。

〔６．効果〕
上述してきたように、実施形態に係る抽出装置１００は、取得部１３１と、分類部１３２と、抽出部１３３とを有する。取得部１３１は、所定の行動を行った対象ユーザが用いた検索クエリに関する情報と、所定の行動を行わなかった他のユーザが用いた検索クエリに関する情報とを取得する。分類部１３２は、対象ユーザが用いた各検索クエリに関する情報に対応するベクトル間の類似度に基づいて対象ユーザが用いた検索クエリに関する情報を第１クラスタに分類し、他のユーザが用いた各検索クエリに関する情報に対応するベクトル間の類似度に基づいて他のユーザが用いた検索クエリに関する情報を第２クラスタに分類する。抽出部１３３は、第１クラスタと第２クラスタとの差異に基づいて、第１クラスタから対象ユーザに特徴的な行動を示すクラスタである特徴クラスタを抽出する。

これにより、実施形態に係る抽出装置１００は、第１クラスタと第２クラスタとの差異に基づいて、第１クラスタから対象ユーザに特徴的な行動を示すクラスタである特徴クラスタを抽出することにより、特定のユーザに特徴的な情報を抽出することができる。

また、実施形態に係る抽出装置１００において、抽出部１３３は、対象ユーザのうち第１クラスタに属する検索クエリに関する情報を用いた検索を行ったユーザの割合と、他のユーザのうち第２クラスタに属する検索クエリに関する情報を用いた検索を行ったユーザの割合との比が所定の閾値以上の場合、第１クラスタを特徴クラスタとして抽出する。

これにより、実施形態に係る抽出装置１００は、対象ユーザのうち第１クラスタに属する検索クエリに関する情報を用いた検索を行ったユーザの割合と、他のユーザのうち第２クラスタに属する検索クエリに関する情報を用いた検索を行ったユーザの割合との比が所定の閾値以上の場合、第１クラスタを特徴クラスタとして抽出することにより、特定のユーザに特徴的な情報を抽出することができる。

また、実施形態に係る抽出装置１００において、取得部１３１は、対象ユーザの属性に類似する属性を有する他のユーザが用いた検索クエリに関する情報を取得する。

これにより、実施形態に係る抽出装置１００は、対象ユーザの属性に類似する属性を有するユーザとの差異に基づくことにより、特定のユーザに特徴的な情報を抽出することができる。

また、実施形態に係る抽出装置１００は、配信部１３４を有する。配信部１３４は、抽出部１３３により抽出された特徴クラスタに含まれる検索クエリに関する情報を用いた検索を行ったユーザに所定の行動に関するコンテンツを配信する。

これにより、実施形態に係る抽出装置１００は、抽出した特徴クラスタに含まれる検索クエリに関する情報を用いた検索を行ったユーザに所定の行動に関するコンテンツを配信することにより、特定のユーザに特徴的な情報に基づいて適切なコンテンツを配信することができる。

また、実施形態に係る抽出装置１００において、配信部１３４は、抽出部１３３により抽出された特徴クラスタに含まれる検索クエリに関する情報を用いた検索を行ったユーザに所定の行動に関する広告を配信する。

これにより、実施形態に係る抽出装置１００は、抽出した特徴クラスタに含まれる検索クエリに関する情報を用いた検索を行ったユーザに所定の行動に関する広告を配信することにより、特定のユーザに特徴的な情報に基づいて適切な広告を配信することができる。

また、実施形態に係る抽出装置１００において、取得部１３１は、対象ユーザが用いた検索クエリに関する情報として、対象ユーザが用いた検索クエリに含まれるトークンを取得し、他のユーザが用いた検索クエリに関する情報として、他のユーザが用いた検索クエリに含まれるトークンを取得する。分類部１３２は、対象ユーザが用いた各トークン間の類似度に基づいて対象ユーザが用いたトークンを第１クラスタに分類し、他のユーザが用いた各トークン間の類似度に基づいて他のユーザが用いたトークンを第２クラスタに分類する。

これにより、実施形態に係る抽出装置１００は、対象ユーザが用いた検索クエリに関する情報として、対象ユーザが用いた検索クエリに含まれるトークンを用い、他のユーザが用いた検索クエリに関する情報として、他のユーザが用いた検索クエリに含まれるトークンを用いることにより、特定のユーザに特徴的なトークンを抽出することができる。

また、実施形態に係る抽出装置１００において、抽出部１３３は、対象ユーザのうち第１クラスタに属するトークンを用いた検索を行ったユーザの割合と、他のユーザのうち第２クラスタに属するトークンを用いた検索を行ったユーザの割合との比が所定の閾値以上の場合、第１クラスタを特徴クラスタとして抽出する。

これにより、実施形態に係る抽出装置１００は、対象ユーザのうち第１クラスタに属するトークンを用いた検索を行ったユーザの割合と、他のユーザのうち第２クラスタに属するトークンを用いた検索を行ったユーザの割合との比が所定の閾値以上の場合、第１クラスタを特徴クラスタとして抽出することにより、特定のユーザに特徴的なトークンを抽出することができる。

また、実施形態に係る抽出装置１００において、取得部１３１は、所定の商品を購入した対象ユーザが用いた検索クエリに関する情報と、所定の商品を購入しなかった他のユーザが用いた検索クエリに関する情報とを取得する。

これにより、実施形態に係る抽出装置１００は、所定の商品を購入した対象ユーザが用いた検索クエリに関する情報と、所定の商品を購入しなかった他のユーザが用いた検索クエリに関する情報を用いることにより、所定の商品を購入したユーザに特徴的な情報を抽出することができる。

〔７．ハードウェア構成〕
上述してきた実施形態に係る抽出装置１００は、例えば図１１に示すような構成のコンピュータ１０００によって実現される。図１１は、抽出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。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またはＨＤＤ１４００に格納されたプログラムに基づいて動作し、各部の制御を行う。ＲＯＭ１３００は、コンピュータ１０００の起動時にＣＰＵ１１００によって実行されるブートプログラムや、コンピュータ１０００のハードウェアに依存するプログラム等を格納する。

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

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

メディアインターフェイス１７００は、記録媒体１８００に格納されたプログラムまた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が実施形態に係る抽出装置１００として機能する場合、コンピュータ１０００のＣＰＵ１１００は、ＲＡＭ１２００上にロードされたプログラムを実行することにより、制御部１３０の機能を実現する。コンピュータ１０００のＣＰＵ１１００は、これらのプログラムを記録媒体１８００から読み取って実行するが、他の例として、他の装置から所定のネットワークを介してこれらのプログラムを取得してもよい。

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

〔８．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。

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

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

１００ 抽出装置
１２１ ユーザ情報記憶部
１２２ 検索履歴情報記憶部
１２３ ベクトル情報記憶部
１２４ 特徴クラスタ情報記憶部
１２５ 広告情報記憶部
１３０ 制御部
１３１ 取得部
１３２ 分類部
１３３ 抽出部
１３４ 配信部

Claims (10)

1. 所定の行動を行った対象ユーザが用いた検索クエリに関する情報と、前記所定の行動を行わなかった他のユーザが用いた検索クエリに関する情報とを取得する取得部と、
   前記対象ユーザが用いた各検索クエリに関する情報に対応するベクトル間の類似度に基づいて前記対象ユーザが用いた検索クエリに関する情報を第１クラスタに分類し、前記他のユーザが用いた各検索クエリに関する情報に対応するベクトル間の類似度に基づいて前記他のユーザが用いた検索クエリに関する情報を第２クラスタに分類する分類部と、
   前記第１クラスタと前記第２クラスタとの差異に基づいて、前記第１クラスタから前記対象ユーザに特徴的な行動を示すクラスタである特徴クラスタを抽出する抽出部と、
   を備えることを特徴とする抽出装置。
2. 前記抽出部は、
   前記対象ユーザのうち前記第１クラスタに属する検索クエリに関する情報を用いた検索を行ったユーザの割合と、前記他のユーザのうち前記第２クラスタに属する検索クエリに関する情報を用いた検索を行ったユーザの割合との比が所定の閾値以上の場合、前記第１クラスタを前記特徴クラスタとして抽出する
   ことを特徴とする請求項１に記載の抽出装置。
3. 前記取得部は、
   前記対象ユーザの属性に類似する属性を有する前記他のユーザが用いた検索クエリに関する情報を取得する
   ことを特徴とする請求項１または請求項２に記載の抽出装置。
4. 前記抽出部により抽出された前記特徴クラスタに含まれる検索クエリに関する情報を用いた検索を行ったユーザに前記所定の行動に関するコンテンツを配信する配信部、
   をさらに備えることを特徴とする請求項１〜３のいずれか１項に記載の抽出装置。
5. 前記配信部は、
   前記抽出部により抽出された前記特徴クラスタに含まれる検索クエリに関する情報を用いた検索を行ったユーザに前記所定の行動に関する広告を配信する
   ことを特徴とする請求項４に記載の抽出装置。
6. 前記取得部は、
   前記対象ユーザが用いた検索クエリに関する情報として、前記対象ユーザが用いた検索クエリに含まれるトークンを取得し、前記他のユーザが用いた検索クエリに関する情報として、前記他のユーザが用いた検索クエリに含まれるトークンを取得し、
   前記分類部は、
   前記対象ユーザが用いた各トークン間の類似度に基づいて前記対象ユーザが用いたトークンを第１クラスタに分類し、前記他のユーザが用いた各トークン間の類似度に基づいて前記他のユーザが用いたトークンを第２クラスタに分類する
   ことを特徴とする請求項１〜５のいずれか１項に記載の抽出装置。
7. 前記抽出部は、
   前記対象ユーザのうち前記第１クラスタに属するトークンを用いた検索を行ったユーザの割合と、前記他のユーザのうち前記第２クラスタに属するトークンを用いた検索を行ったユーザの割合との比が所定の閾値以上の場合、前記第１クラスタを前記特徴クラスタとして抽出する
   ことを特徴とする請求項６に記載の抽出装置。
8. 前記取得部は、
   所定の商品を購入した前記対象ユーザが用いた検索クエリに関する情報と、前記所定の商品を購入しなかった前記他のユーザが用いた検索クエリに関する情報とを取得する
   ことを特徴とする請求項１〜７のいずれか１項に記載の抽出装置。
9. コンピュータが実行する抽出方法であって、
   所定の行動を行った対象ユーザが用いた検索クエリに関する情報と、前記所定の行動を行わなかった他のユーザが用いた検索クエリに関する情報とを取得する取得工程と、
   前記対象ユーザが用いた各検索クエリに関する情報に対応するベクトル間の類似度に基づいて前記対象ユーザが用いた検索クエリに関する情報を第１クラスタに分類し、前記他のユーザが用いた各検索クエリに関する情報に対応するベクトル間の類似度に基づいて前記他のユーザが用いた検索クエリに関する情報を第２クラスタに分類する分類工程と、
   前記第１クラスタと前記第２クラスタとの差異に基づいて、前記第１クラスタから前記対象ユーザに特徴的な行動を示すクラスタである特徴クラスタを抽出する抽出工程と、
   を含むことを特徴とする抽出方法。
10. 所定の行動を行った対象ユーザが用いた検索クエリに関する情報と、前記所定の行動を行わなかった他のユーザが用いた検索クエリに関する情報とを取得する取得手順と、
    前記対象ユーザが用いた各検索クエリに関する情報に対応するベクトル間の類似度に基づいて前記対象ユーザが用いた検索クエリに関する情報を第１クラスタに分類し、前記他のユーザが用いた各検索クエリに関する情報に対応するベクトル間の類似度に基づいて前記他のユーザが用いた検索クエリに関する情報を第２クラスタに分類する分類手順と、
    前記第１クラスタと前記第２クラスタとの差異に基づいて、前記第１クラスタから前記対象ユーザに特徴的な行動を示すクラスタである特徴クラスタ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