JP2018156323A - Extraction device, extraction method, and extraction program - Google Patents

Extraction device, extraction method, and extraction program Download PDF

Info

Publication number
JP2018156323A
JP2018156323A JP2017051877A JP2017051877A JP2018156323A JP 2018156323 A JP2018156323 A JP 2018156323A JP 2017051877 A JP2017051877 A JP 2017051877A JP 2017051877 A JP2017051877 A JP 2017051877A JP 2018156323 A JP2018156323 A JP 2018156323A
Authority
JP
Japan
Prior art keywords
user
content
extraction
period
unit
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
Application number
JP2017051877A
Other languages
Japanese (ja)
Other versions
JP6736508B2 (en
Inventor
野村 拓也
Takuya Nomura
拓也 野村
朋広 杉山
Tomohiro Sugiyama
朋広 杉山
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yahoo Japan Corp
Original Assignee
Yahoo Japan Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Yahoo Japan Corp filed Critical Yahoo Japan Corp
Priority to JP2017051877A priority Critical patent/JP6736508B2/en
Publication of JP2018156323A publication Critical patent/JP2018156323A/en
Application granted granted Critical
Publication of JP6736508B2 publication Critical patent/JP6736508B2/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

PROBLEM TO BE SOLVED: To provide an extraction device, an extraction method, and an extraction program that extract users having histories inappropriate for learning a predictive model.SOLUTION: Disclosed is an information providing device representing an extraction device, and that includes: an identification part for identifying a period in which a selection ratio of a content decreases; and an extraction part for, from users to which the content is distributed within the period identified by the identification part, extracting the users satisfying a prescribed condition.SELECTED DRAWING: Figure 3

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。   The present invention relates to an extraction apparatus, an extraction method, and an extraction program.

従来、利用者に対されるコンテンツが利用者によって選択されるか否かを予測する技術が知られている。このような技術の一例として、配信されたコンテンツが利用者によって選択されたか否かを示すログに基づいて、利用者の属性とコンテンツを選択するか否かの関係とを学習した予測モデルを生成する技術が提案されている。   2. Description of the Related Art Conventionally, a technique for predicting whether or not content for a user is selected by the user is known. As an example of such a technique, based on a log indicating whether or not the distributed content has been selected by the user, a prediction model that learns the user attribute and whether or not to select the content is generated. Techniques to do this have been proposed.

特開2014−174753号公報JP 2014-174753 A

しかしながら、上述した従来技術では、予測モデルを適切に生成できない恐れがある。   However, with the above-described conventional technology, there is a possibility that a prediction model cannot be generated appropriately.

例えば、コンテンツの配信先には、広告等のコンテンツを適切に選択する利用者以外にも、広告等のコンテンツを絶対に選択しない利用者や、巡回プログラム(いわゆる、ボット)が含まれると考えられる。ログにこのような利用者やボットに対してコンテンツを配信した履歴が含まれる場合は、利用者の属性によらず広告が選択されない履歴が含まれることとなり、予測モデルの予測精度が低下してしまう。   For example, it is considered that content distribution destinations include users who do not select content such as advertisements and patrol programs (so-called bots) in addition to users who appropriately select content such as advertisements. . If the log contains a history of delivering content to such users and bots, it will include a history of ads not being selected regardless of the user's attributes, which reduces the prediction accuracy of the prediction model. End up.

本願は、上記に鑑みてなされたものであって、予測モデルの学習に適さない履歴の利用者を抽出することを目的とする。   The present application has been made in view of the above, and an object thereof is to extract a history user who is not suitable for learning a prediction model.

本願に係る抽出装置は、コンテンツの選択割合が減少する期間を特定する特定部と、前記特定部が特定した期間に当該コンテンツが配信された利用者の中から所定の条件を満たす利用者を抽出する抽出部とを有することを特徴とする。   The extraction apparatus according to the present application extracts a specifying unit that specifies a period during which a content selection ratio decreases, and a user who satisfies a predetermined condition from users to whom the content has been distributed during the period specified by the specifying unit And an extraction unit that performs the above-described process.

実施形態の一態様によれば、予測モデルの学習に適さない履歴の利用者を抽出できる。   According to an aspect of the embodiment, it is possible to extract a history user who is not suitable for learning a prediction model.

図1は、実施形態に係る情報提供装置が実行する抽出処理の一例を示す図である。FIG. 1 is a diagram illustrating an example of an extraction process executed by the information providing apparatus according to the embodiment. 図2は、実施形態に係る情報提供装置が除外利用者の特徴を学習する処理の一例について説明する図である。FIG. 2 is a diagram illustrating an example of a process in which the information providing apparatus according to the embodiment learns the characteristics of an excluded user. 図3は、実施形態に係る情報提供装置の構成例を示す図である。FIG. 3 is a diagram illustrating a configuration example of the information providing apparatus according to the embodiment. 図4は、実施形態に係るログデータベースに登録される情報の一例を示す図である。FIG. 4 is a diagram illustrating an example of information registered in the log database according to the embodiment. 図5は、実施形態に係る利用者データベースに登録される情報の一例を示す図である。FIG. 5 is a diagram illustrating an example of information registered in the user database according to the embodiment. 図6は、実施形態に係る情報提供装置が特定期間を特定する処理の一例を示す図である。FIG. 6 is a diagram illustrating an example of processing in which the information providing apparatus according to the embodiment specifies a specific period. 図7は、実施形態に係る情報提供装置が除外利用者を抽出する処理を説明する図である。FIG. 7 is a diagram for describing processing in which the information providing apparatus according to the embodiment extracts excluded users. 図8は、実施形態に係る情報提供装置が実行する抽出処理の流れの一例を示すフローチャートである。FIG. 8 is a flowchart illustrating an example of a flow of extraction processing executed by the information providing apparatus according to the embodiment. 図9は、ハードウェア構成の一例を示す図である。FIG. 9 is a diagram illustrating an example of a hardware configuration.

以下に、本願に係る抽出装置、抽出方法および抽出プログラムを実施するための形態(以下、「実施形態」と記載する。)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、抽出方法およ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する。   Hereinafter, an embodiment (hereinafter referred to as “embodiment”) for carrying out an extraction apparatus, an extraction method, and an extraction program according to the present application will be described in detail with reference to the drawings. In addition, the extraction apparatus, the extraction method, and the extraction program which concern on this application are not limited by this embodiment. In the following embodiments, the same parts are denoted by the same reference numerals, and redundant description is omitted.

[実施形態]
〔1.情報提供装置が表示する処理について〕
まず、図1を用いて、抽出装置の一例となる情報提供装置が実行する抽出処理の一例について説明する。図1は、実施形態に係る情報提供装置が実行する抽出処理の一例を示す図である。
[Embodiment]
[1. About the processing displayed by the information providing device)
First, an example of an extraction process executed by an information providing apparatus as an example of an extraction apparatus will be described with reference to FIG. FIG. 1 is a diagram illustrating an example of an extraction process executed by the information providing apparatus according to the embodiment.

なお、以下の説明では、情報提供装置10が実行する抽出処理として、広告に関するコンテンツの配信履歴や選択履歴(以下、「ログ」と記載する。)から、選択されたコンテンツとコンテンツを選択した利用者の特徴との間の特徴(例えば、共起性)を学習する予測モデルの学習データとして適切なログを抽出する処理の一例について記載するが、実施形態は、これに限定されるものではない。情報提供装置10は、ニュースフィードや画像等、任意のコンテンツの配信履歴から、学習データとして適切なログを抽出してよい。   In the following description, as the extraction process executed by the information providing apparatus 10, the selected content and the usage in which the content is selected from the distribution history and selection history (hereinafter referred to as “log”) of the content related to the advertisement. Although an example of the process which extracts an appropriate log as learning data of the prediction model which learns the characteristic (for example, co-occurrence) between a person's characteristic is described, embodiment is not limited to this . The information providing apparatus 10 may extract an appropriate log as learning data from a distribution history of arbitrary content such as a news feed or an image.

また、以下の説明において、広告とは、営利若しくは非営利の広告だけではなく、ボランティアの募集、公共広告、公共に対する通知、その他任意のコンテンツを含む概念である。また、広告は、いわゆる広告関連の情報を含むコンテンツのみならず、利用者に興味を抱かせ、任意の対象に関する情報、または、任意の対象と関連するコンテンツ(例えば、ランディングページ等)に含まれる情報を広く報知するものであれば、画像、動画像、テキスト、図形、記号、ハイパーリンク、その他任意のコンテンツがテキストと共に含まれていてよい。   Further, in the following description, the advertisement is a concept including not only a commercial or non-profit advertisement but also a recruitment of volunteers, a public advertisement, a notification to the public, and other arbitrary contents. In addition, the advertisement is included not only in content including so-called advertisement-related information but also in information related to an arbitrary target or content related to an arbitrary target (for example, a landing page) that interests the user. An image, a moving image, text, a figure, a symbol, a hyperlink, and other arbitrary contents may be included with the text as long as the information is widely notified.

〔1−1.情報提供装置の一例〕
情報提供装置10は、インターネット等の所定のネットワークN(例えば、図3を参照。)を介して、ログサーバ100や配信サーバ200と通信可能な情報処理装置であり、例えば、サーバ装置やクラウドシステム等により実現される。なお、情報提供装置10は、ネットワークNを介して、任意の数のログサーバ100や配信サーバ200と通信可能であってもよく、例えば、図示を省略した各種の外部サーバと通信可能であってよい。
[1-1. Example of information providing device)
The information providing apparatus 10 is an information processing apparatus capable of communicating with the log server 100 and the distribution server 200 via a predetermined network N (for example, see FIG. 3) such as the Internet. For example, the information providing apparatus 10 is a server apparatus or a cloud system. Etc. The information providing apparatus 10 may be able to communicate with an arbitrary number of log servers 100 and distribution servers 200 via the network N. For example, the information providing apparatus 10 can communicate with various external servers not shown. Good.

ログサーバ100は、ログを管理するサーバ装置であり、例えば、サーバ装置やクラウドシステム等により実現される。例えば、ログサーバ100は、利用者がアクセスしたウェブサイト、利用者に配信されたウェブコンテンツ、利用者に配信された広告のコンテンツ、配信されたコンテンツのうち利用者が選択したコンテンツ、利用者のデモグラフィック属性やサイコグラフィック属性等、コンテンツの配信に伴う各種のログデータを取得、管理する。なお、ログサーバ100が発揮する機能は、周知のログサーバと同様であるものとして、詳細な説明を省略する。   The log server 100 is a server device that manages logs, and is realized by, for example, a server device or a cloud system. For example, the log server 100 includes a website accessed by the user, web content distributed to the user, advertisement content distributed to the user, content selected by the user among the distributed content, Acquire and manage various log data associated with content distribution, such as demographic attributes and psychographic attributes. The function exhibited by the log server 100 is the same as that of a well-known log server, and detailed description thereof is omitted.

配信サーバ200は、利用者に対してコンテンツの配信を行う情報処理装置であり、例えば、サーバ装置やクラウドシステム等により実現される。例えば、配信サーバ200は、ウェブコンテンツにアクセスした利用者の各種属性に基づいて、利用者が選択する可能性が高いコンテンツを選択し、選択したコンテンツの配信を行う。より具体的な例を挙げると、配信サーバ200は、利用者の属性に基づいて広告のリスティングを行い、リスティングの結果選択される広告の配信を行う。   The distribution server 200 is an information processing apparatus that distributes content to users, and is realized by, for example, a server apparatus or a cloud system. For example, the distribution server 200 selects content that is highly likely to be selected by the user based on various attributes of the user who has accessed the web content, and distributes the selected content. As a more specific example, the distribution server 200 performs an advertisement listing based on a user attribute and distributes an advertisement selected as a result of the listing.

〔1−2.抽出処理の一例〕
ここで、利用者が選択する可能性が高いコンテンツを配信するため、コンテンツを選択した利用者の属性、コンテンツを選択しなかった利用者の属性、およびコンテンツの特徴を学習データとし、学習データの特徴(例えば、共起性)を学習した予測モデルを生成し、学習モデルを用いてリスティングを行うといった態様が考えられる。このような予測モデルを生成する際に、コンテンツの配信履歴やコンテンツの選択履歴であるログを用いる技術が知られている。
[1-2. Example of extraction process)
Here, in order to deliver content that is highly likely to be selected by the user, the attribute of the user who selected the content, the attribute of the user who did not select the content, and the characteristics of the content are used as learning data. A mode is conceivable in which a prediction model that learns features (for example, co-occurrence) is generated, and listing is performed using the learning model. A technique is known that uses a log that is a content distribution history or a content selection history when generating such a prediction model.

しかしながら、このようなログには、学習データとして不適切な情報が含まれる場合がある。例えば、コンテンツの配信先となる利用者の中には、コンテンツの内容にかかわらず、絶対にコンテンツを選択しない利用者が含まれる場合がある。また、コンテンツの配信先となる利用者の中には、広告費用や配信態様の観点から、わざとCTR(Click Through Rate)を悪化させるためにアクセスを行う利用者が含まれる場合がある。また、コンテンツの配信先となる利用者の中には、所謂巡回ボットが含まれる場合がある。このような利用者の配信履歴や選択履歴を学習データに含めた場合は、コンテンツの特徴と、コンテンツを選択する利用者の属性との間の関係性を精度良く学習できない恐れがある。   However, such a log may include inappropriate information as learning data. For example, there are cases where the users who are the distribution destinations of the contents include users who never select the contents regardless of the contents. In addition, the users who are the distribution destinations of the contents may include users who intentionally access in order to deteriorate the CTR (Click Through Rate) from the viewpoint of advertisement costs and distribution modes. In addition, a user serving as a content distribution destination may include a so-called traveling bot. When such a user distribution history or selection history is included in the learning data, there is a possibility that the relationship between the feature of the content and the attribute of the user who selects the content cannot be learned accurately.

そこで、情報提供装置10は、以下の抽出処理を実行する。まず、情報提供装置10は、コンテンツの選択割合が減少する期間を特定する。そして、情報提供装置10は、特定した期間にコンテンツが配信された利用者の中から所定の条件を満たす利用者を抽出する。ここで、情報提供装置10が抽出する利用者とは、絶対にコンテンツを選択しない利用者がCTRを悪化させるためのアクセスを行う利用者のみならず、学習データとして不適切なアクセスを行ったアクセス元を示す概念であり、自然人のみならず、巡回ボット等のプログラムをも含む概念である。   Therefore, the information providing apparatus 10 executes the following extraction process. First, the information providing apparatus 10 specifies a period during which the content selection ratio decreases. And the information provision apparatus 10 extracts the user who satisfy | fills a predetermined condition from the users by which the content was delivered in the specified period. Here, the users extracted by the information providing apparatus 10 are not only users who do not select content but users who make access for worsening CTR, as well as accesses that have made inappropriate access as learning data. It is a concept that shows the origin, and includes not only natural people but also programs such as traveling bots.

〔1−3.期間の特定について〕
例えば、情報提供装置10は、判定対象となるコンテンツについての配信履歴(例えば、配信先となる利用者や配信日時)や選択履歴(例えば、クリックされた回数や日時)をログとして収集し、単位時間(例えば、1分ごと)あたりの配信回数(例えば、インプレッション数)と選択回数(例えば、クリック数)とを算出する。そして、情報提供装置10は、選択割合として、コンテンツの配信回数に対する選択回数の割合、すなわち、CTRが所定の閾値を超えて減少する期間を特定する。
[1-3. (Specifying the period)
For example, the information providing apparatus 10 collects a distribution history (for example, a user who is a distribution destination and a distribution date / time) and a selection history (for example, the number of clicks and a date / time) about the content to be determined as a log, and The number of distributions (for example, the number of impressions) per time (for example, every minute) and the number of selections (for example, the number of clicks) are calculated. Then, the information providing apparatus 10 specifies the ratio of the number of selections with respect to the number of content distributions, that is, the period during which CTR decreases beyond a predetermined threshold as the selection ratio.

ここで、コンテンツの配信先となる利用者に各属性の利用者が一様に含まれている場合など、学習データの取得に理想的な状態である場合、配信回数が上昇した際に選択回数も上昇すると考えられる。しかしながら、コンテンツを選択しない利用者やCTRを悪化させる利用者、巡回ボット等といった学習データの取得対象として不適切な利用者(以下、「除外利用者」と記載する場合がある。)が含まれる場合は、配信回数が上昇したとしても、選択回数の上昇率が配信回数の上昇率に伴わないと考えられる。   Here, the number of selections when the number of distributions has increased in the ideal state for learning data acquisition, such as when the users to whom content is distributed are uniformly included in each attribute. Will also rise. However, a user who does not select content, a user who deteriorates CTR, a user who is inappropriate as an acquisition target of learning data, such as a traveling bot (hereinafter, may be referred to as an “excluded user”) may be included. In this case, even if the number of distributions increases, it is considered that the increase rate of the number of selections does not accompany the increase rate of the distribution number.

そこで、情報提供装置10は、単位時間当たりのCTRの値を算出し、算出したCTRの値が低下している期間を特定期間とする。このような特定期間の間に所定のウェブサイトにアクセスすることでコンテンツが配信された利用者の中には、除外利用者が含まれると考えれる。そこで、情報提供装置10は、特定期間の間にアクセスした利用者の中から、所定の条件を満たす利用者を除外利用者として抽出する。より具体的には、情報提供装置10は、コンテンツの単位時間当たりの配信回数が上昇し、かつ、コンテンツの選択割合が減少する期間を特定する。例えば、情報提供装置10は、コンテンツの配信回数が上昇しているにもかからず、選択回数が上昇していない期間や、選択回数の上昇率が配信回数の上昇率よりも低い期間を特定する。   Therefore, the information providing apparatus 10 calculates a CTR value per unit time, and sets a period during which the calculated CTR value is reduced as a specific period. It is considered that excluded users are included in the users whose contents are distributed by accessing a predetermined website during such a specific period. Therefore, the information providing apparatus 10 extracts, as excluded users, users who satisfy a predetermined condition from users accessed during a specific period. More specifically, the information providing apparatus 10 specifies a period in which the number of distributions of content per unit time increases and the content selection ratio decreases. For example, the information providing apparatus 10 identifies a period in which the number of selections is not increasing despite the increase in the number of distributions of content or a period in which the increase in the number of selections is lower than the increase in the number of distributions. To do.

このような処理の結果、情報提供装置10は、判定対象となるコンテンツが配信された利用者に、除外利用者が比較的多く含まれると推定される期間を特定期間とする。そして、情報提供装置10は、特定期間に判定対象となるコンテンツが配信された利用者(すなわち、所定のウェブサイトにアクセスした利用者)の中から、所定の条件を満たす利用者を除外利用者として抽出する。   As a result of such processing, the information providing apparatus 10 sets a specific period as a period during which it is estimated that a relatively large number of excluded users are included in the users to whom the content to be determined is distributed. Then, the information providing apparatus 10 excludes a user who satisfies a predetermined condition from users (that is, users who have accessed a predetermined website) from which content to be determined is distributed during a specific period. Extract as

〔1−4.除外利用者の抽出について〕
ここで、情報提供装置10は、特定期間にアクセスした利用者を全て除外利用者とし、ログデータから除外利用者のデータを除外してもよい。一方、情報提供装置10は、特定期間にアクセスした利用者の中から、除外利用者である可能性が高い利用者、すなわち、学習データの取得対象として不適切な可能性が高い利用者を抽出してもよい。例えば、情報提供装置10は、特定期間の間にアクセスした利用者のアクセス履歴に基づいて、除外利用者の可能性が高い利用者を抽出してもよい。
[1-4. About extraction of excluded users)
Here, the information providing apparatus 10 may exclude all users who have accessed in a specific period as excluded users, and exclude the data of excluded users from the log data. On the other hand, the information providing apparatus 10 extracts users who are highly likely to be excluded users, that is, users who are highly likely to be inappropriate as learning data acquisition targets, from among users who have accessed during a specific period. May be. For example, the information providing apparatus 10 may extract a user who has a high possibility of being an excluded user based on an access history of a user who has accessed during a specific period.

例えば、一般的な利用者、すなわち、学習データの対象として適切な利用者には、生活パターンや行動パターンに伴い、ウェブ上での行動履歴に所定のパターンが含まれると考えられる。そこで、情報提供装置10は、特定期間の間にアクセスした利用者、すなわち、特定期間の間に判定対象となるコンテンツが配信された利用者のログから、利用者のアクセスパターンを特定する。例えば、情報提供装置10は、所定のウェブサイトにアクセスする日時のパターンや、コンテンツが頻繁に配信される日時のパターンをアクセスパターンとして特定する。   For example, it is considered that a predetermined pattern is included in an action history on the web in association with a life pattern and an action pattern for a general user, that is, an appropriate user as an object of learning data. Therefore, the information providing apparatus 10 specifies the access pattern of the user from the log of the user who accessed during the specific period, that is, the user to whom the content to be determined was distributed during the specific period. For example, the information providing apparatus 10 specifies a date / time pattern for accessing a predetermined website or a date / time pattern for frequently distributing content as an access pattern.

また、学習データの対象として適切な利用者は、所定のウェブサイトにアクセスするパターンと、コンテンツを選択するパターンとが一致すると予測される。そこで、情報提供装置10は、特定期間の間にアクセスした利用者、すなわち、特定期間の間に判定対象となるコンテンツが配信された利用者のログから、利用者がコンテンツを選択するパターンである選択パターンを特定する。例えば、情報提供装置10は、利用者がコンテンツを選択した日時の履歴に基づいて、コンテンツを選択する日時のパターンを特定する。   In addition, it is predicted that a user who is appropriate as an object of learning data matches a pattern for accessing a predetermined website with a pattern for selecting content. Therefore, the information providing apparatus 10 is a pattern in which a user selects content from a log of a user who has accessed during a specific period, that is, a user to whom content to be determined is distributed during the specific period. Specify the selection pattern. For example, the information providing apparatus 10 specifies the date and time pattern for selecting content based on the history of the date and time when the user selected content.

そして、情報提供装置10は、特定したアクセスパターンや選択パターンに基づいて、除外利用者を抽出する。例えば、情報提供装置10は、特定期間に所定のウェブサイトにアクセスする可能性やコンテンツが配信される可能性が低い利用者、特定された期間にコンテンツを選択する可能性が低い利用者を除外利用者として抽出する。より具体的な例を挙げると、情報提供装置10は、アクセスパターンと選択パターンとに基づいて、特定期間の間アクセスする可能性が低い利用者や、特定期間の間コンテンツをクリックする可能性が低い利用者などを特定する。すなわち、情報提供装置10は、特定期間の間アクセスする可能性が低い利用者や、特定期間の間クリックの可能性が少ないのにアクセスを行っている利用者を特定する。そして、情報提供装置10は、特定した利用者を除外利用者として抽出する。   And the information provision apparatus 10 extracts an exclusion user based on the specified access pattern and selection pattern. For example, the information providing apparatus 10 excludes a user who is unlikely to access a predetermined website in a specific period or a content is unlikely to be distributed, or a user who is unlikely to select a content in a specified period. Extract as a user. To give a more specific example, the information providing apparatus 10 may be a user who is unlikely to access for a specific period based on the access pattern and the selection pattern, or may click on content during the specific period. Identify low users. That is, the information providing apparatus 10 identifies a user who has a low possibility of accessing during a specific period, or a user who is accessing although there is a low possibility of clicking during a specific period. Then, the information providing apparatus 10 extracts the specified user as an excluded user.

なお、情報提供装置10は、特定期間において所定のウェブサイトにアクセスする可能性、または、特定期間においてコンテンツを選択する可能性のいずれかが所定の閾値よりも低い利用者を除外利用者として抽出してもよい。また、情報提供装置10は、特定期間において所定のウェブサイトにアクセスする可能性が所定の閾値よりも低く、かつ、特定期間においてコンテンツを選択する可能性のいずれかが所定の閾値よりも低い利用者を除外利用者として抽出してもよい。   Note that the information providing apparatus 10 extracts, as excluded users, users who have a possibility of accessing a predetermined website in a specific period or a possibility of selecting content in a specific period being lower than a predetermined threshold. May be. In addition, the information providing apparatus 10 uses the possibility that a predetermined website is accessed in a specific period is lower than a predetermined threshold, and any of the possibilities to select content in the specific period is lower than the predetermined threshold. A person may be extracted as an excluded user.

ここで、情報提供装置10は、除外利用者を抽出した場合は、除外利用者に関する情報を除外したログデータを学習データとして生成する。そして、情報提供装置10は、生成した学習データを用いて、コンテンツの特徴と、コンテンツを選択した利用者の属性の特徴との間の関係性を学習した予測モデルを生成する。すなわち、情報提供装置10は、配信履歴や選択履歴から除外利用者の配信履歴や選択履歴を除外することで、予測モデルの生成に適した学習データを生成できる。   Here, when the excluded user is extracted, the information providing apparatus 10 generates log data excluding information on the excluded user as learning data. And the information provision apparatus 10 produces | generates the prediction model which learned the relationship between the characteristic of a content, and the characteristic of the attribute of the user who selected the content using the produced | generated learning data. That is, the information providing apparatus 10 can generate learning data suitable for generating a prediction model by excluding the distribution history and selection history of the excluded user from the distribution history and selection history.

〔1−5.抽出処理の一例について〕
次に、図1を用いて、情報提供装置10が実行する抽出処理の一例について説明する。まず、情報提供装置10は、ログサーバ100から、所定のコンテンツに関する各種のログデータを取得する(ステップS1)。このような場合、情報提供装置10は、インプレッション数が増加しつつ、CTRが低下する期間を特定期間として特定する(ステップS2)。例えば、情報提供装置10は、ログデータから判定対象となるコンテンツのインプレッション数とクリック数とを単位時間ごとに算出する。そして、情報提供装置10は、インプレッション数に対するクリック数の割合、すなわち、CTRを単位時間ごとに算出し、算出したCTRが低下しつつ、かつ、インプレッション数が増加している期間を特定する。
[1-5. About an example of extraction processing)
Next, an example of extraction processing executed by the information providing apparatus 10 will be described with reference to FIG. First, the information providing apparatus 10 acquires various log data related to predetermined content from the log server 100 (step S1). In such a case, the information providing apparatus 10 specifies a period during which the CTR decreases while the number of impressions increases as a specific period (step S2). For example, the information providing apparatus 10 calculates the number of impressions and the number of clicks of content to be determined from log data for each unit time. Then, the information providing apparatus 10 calculates the ratio of the number of clicks with respect to the number of impressions, that is, the CTR for each unit time, and specifies the period in which the calculated CTR is decreasing and the number of impressions is increasing.

例えば、図1中(A)に示す例では、判定対象となる所定のコンテンツのインプレッション数が増大している一方でクリック数が増大していないため、CTRの値があるタイミングを境に低下している。このような場合、情報提供装置10は、例えば、CTRの減少率が所定の閾値を超えた日時から、所定の期間だけ後の日時若しくはCTRの減少率が所定の閾値以下となった日時までの期間を特定期間CPとして特定する。一方、図1中(B)に示す例では、判定対象となる所定のコンテンツのインプレッション数が増大するに伴い、クリック数も増大しているため、CTRの値がほぼ一定の値となる。このような場合、情報提供装置10は、特定期間を特定せずに処理を継続する。   For example, in the example shown in FIG. 1A, since the number of impressions of a predetermined content to be determined has increased while the number of clicks has not increased, the CTR value decreases at a certain timing. ing. In such a case, the information providing apparatus 10 may, for example, from the date and time when the CTR decrease rate exceeds a predetermined threshold to the date and time after a predetermined period or the date and time when the CTR decrease rate is equal to or less than the predetermined threshold. The period is specified as a specific period CP. On the other hand, in the example shown in FIG. 1B, since the number of clicks increases as the number of impressions of the predetermined content to be determined increases, the value of CTR becomes a substantially constant value. In such a case, the information providing apparatus 10 continues the process without specifying the specific period.

続いて、情報提供装置10は、特定期間にアクセスした利用者の行動履歴に基づいて、利用者が特定期間に所定のウェブサイトにアクセスし、かつ、コンテンツを選択する可能性を算出する(ステップS3)。例えば、図1に示す例では、情報提供装置10は、利用者#1のログデータに基づいて、利用者#1が所定のウェブサイトにアクセスする可能性が高い曜日や時間帯、利用者#1がコンテンツを選択する可能性が高い曜日や時間帯等を推定する。なお、このような推定については、各種予測処理や周知のパターン解析技術が適用可能である。そして、情報提供装置10は、特定期間において利用者#1が所定のウェブサイトにアクセスし、かつ、コンテンツを選択する可能性(例えば、図1に示す例では、「90パーセント」)を算出する。   Subsequently, the information providing apparatus 10 calculates the possibility that the user accesses a predetermined website during the specific period and selects content based on the behavior history of the user who accessed during the specific period (step) S3). For example, in the example illustrated in FIG. 1, the information providing device 10 uses the log data of the user # 1 to determine the day of the week or the time of day when the user # 1 is likely to access a predetermined website. 1 estimates the day of the week, the time zone, and the like that are likely to select content. For such estimation, various prediction processes and well-known pattern analysis techniques can be applied. Then, the information providing apparatus 10 calculates the possibility that the user # 1 accesses a predetermined website during a specific period and selects content (for example, “90%” in the example shown in FIG. 1). .

続いて、情報提供装置10は、特定期間にアクセスした利用者のうち、特定期間の間に所定のウェブサイトにアクセスし、コンテンツを選択する可能性が所定の閾値よりも低い利用者を除外利用者として抽出し、ログデータから除外利用者のログデータを除外する(ステップS4)。例えば、図1に示す例では、利用者#1〜利用者#3について、所定のウェブサイトにアクセスし、コンテンツを選択する可能性として、「90パーセント」、「20パーセント」、および「80パーセント」が算出されている。このような場合、情報提供装置10は、算出された可能性が所定の閾値(例えば、70パーセント)よりも低い利用者#2を除外利用者として抽出する。そして、情報提供装置10は、利用者#1〜利用者#3のログデータ#1〜ログデータ#3のうち、利用者#2のログデータ#2を学習データから除外する。より具体的には、情報提供装置10は、判定対象となるコンテンツ、すなわち、予測モデルの学習対象となるコンテンツの配信履歴や選択履歴の中から、利用者#2に対するコンテンツの配信履歴や利用者#2の選択履歴を除外した学習データを生成する。   Subsequently, the information providing apparatus 10 excludes a user who accesses a predetermined website during the specific period and selects a content that is lower than a predetermined threshold among the users who have accessed the specific period. The log data of the excluded user is excluded from the log data (step S4). For example, in the example illustrated in FIG. 1, for user # 1 to user # 3, the possibility of accessing a predetermined website and selecting content is “90%”, “20%”, and “80%”. Is calculated. In such a case, the information providing apparatus 10 extracts the user # 2 whose calculated possibility is lower than a predetermined threshold (for example, 70%) as an excluded user. Then, the information providing apparatus 10 excludes the log data # 2 of the user # 2 from the learning data among the log data # 1 to the log data # 3 of the user # 1 to the user # 3. More specifically, the information providing apparatus 10 determines the content distribution history and user for the user # 2 from the distribution history and selection history of the content to be determined, that is, the content to be learned by the prediction model. Learning data excluding the selection history of # 2 is generated.

そして、情報提供装置10は、学習データを用いて、クリック傾向を学習した予測モデルを生成する(ステップS5)。例えば、情報提供装置10は、利用者#1のログデータ#1、利用者#3のログデータ#3、およびコンテンツ#1の特徴を示す特徴情報を用いて、ある特徴を有するコンテンツをどのような属性を有する利用者が選択しているか、すなわち、クリック傾向を学習した予測モデルを生成する。   And the information provision apparatus 10 produces | generates the prediction model which learned the click tendency using learning data (step S5). For example, the information providing apparatus 10 uses the feature information indicating the features of the log data # 1 of the user # 1, the log data # 3 of the user # 3, and the content # 1, and how the content having a certain feature is processed. A prediction model in which a user having a specific attribute has selected, that is, a click tendency is generated is generated.

その後、情報提供装置10は、生成した予測モデルを配信サーバ200に送信する(ステップS6)。この結果、情報提供装置10は、生成された予測モデルを用いたコンテンツの配信、すなわち、生成された予測モデルを用いたリスティング配信を行うことができる(ステップS7)。   Thereafter, the information providing apparatus 10 transmits the generated prediction model to the distribution server 200 (step S6). As a result, the information providing apparatus 10 can perform content distribution using the generated prediction model, that is, listing distribution using the generated prediction model (step S7).

〔1−6.除外利用者の一例について〕
ここで、情報提供装置10は、除外利用者のログデータを除外した学習データを用いて、予測モデルの生成を行った。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、情報提供装置10は、除外利用者の特徴を学習することで、学習データの取得対象として不適切な利用者の特徴を学習してもよい。そして、情報提供装置10は、学習した特徴を有する利用者の情報をログデータから除外することで、予測モデルの生成に適した学習データを生成してもよい。
[1-6. (Examples of excluded users)
Here, the information providing apparatus 10 generates the prediction model using the learning data excluding the log data of the excluded user. However, the embodiment is not limited to this. For example, the information providing apparatus 10 may learn a feature of an inappropriate user as a learning data acquisition target by learning the feature of an excluded user. And the information provision apparatus 10 may produce | generate the learning data suitable for the production | generation of a prediction model by excluding the information of the user who has the learned characteristic from log data.

例えば、図2は、実施形態に係る情報提供装置が除外利用者の特徴を学習する処理の一例について説明する図である。例えば、図2に示す情報提供装置10は、所定のコンテンツに関する各種のログデータを取得する(ステップS1)。このような場合、情報提供装置10は、特定期間の利用者のうち、アクセスおよびクリックの可能性が所定の閾値よりも低い利用者を抽出する(ステップS2)。例えば、情報提供装置10は、利用者#2を抽出する。   For example, FIG. 2 is a diagram illustrating an example of processing in which the information providing apparatus according to the embodiment learns the characteristics of an excluded user. For example, the information providing apparatus 10 illustrated in FIG. 2 acquires various log data related to predetermined content (step S1). In such a case, the information providing apparatus 10 extracts a user whose possibility of access and click is lower than a predetermined threshold among users in a specific period (step S2). For example, the information providing apparatus 10 extracts the user # 2.

そして、情報提供装置10は、特定した利用者の特徴を学習した特徴モデルを生成する。例えば、情報提供装置10は、利用者#2の特徴として、利用者#2が所定のウェブサイトにアクセスした回数を特徴モデルに学習させる。このような特徴を特徴モデルに学習させた場合、情報提供装置10は、利用者#2と所定のウェブサイトにアクセスする回数が類似する他の利用者を推定する特定モデルを生成することができる。例えば、利用者#2が巡回ボットやCTRを不当に下げようとする利用者である場合、所定のウェブサイトに頻繁にアクセスすると考えられる。そこで、情報提供装置10は、利用者#2のアクセス回数を特徴モデルに学習させることで、利用者#2とアクセス回数が類似する他の利用者を推定可能な特徴モデルを生成することができる。   And the information provision apparatus 10 produces | generates the feature model which learned the feature of the specified user. For example, the information providing apparatus 10 causes the feature model to learn the number of times that the user # 2 has accessed a predetermined website as a feature of the user # 2. When such a feature is learned in the feature model, the information providing apparatus 10 can generate a specific model that estimates another user who has a similar number of accesses to the user # 2 and a predetermined website. . For example, when the user # 2 is a user who unjustly lowers the traveling bot or CTR, it is considered that the user frequently accesses a predetermined website. Therefore, the information providing apparatus 10 can generate a feature model that can estimate another user who has a similar number of accesses to the user # 2 by causing the feature model to learn the number of accesses of the user # 2. .

また、情報提供装置10は、利用者#2の特徴として注目度が急上昇した検索クエリ、すなわち、バズワードの発生とアクセスタイミングとの共起性を学習させる(ステップS3)。例えば、バズワードが発生した場合、一般に関連するウェブサイトへのアクセス数が上昇するが、このようなバズワードが発生した場合にのみアクセスを行う利用者は、コンテンツの選択率が低いと考えられる。そこで、情報提供装置10は、利用者#2のアクセスタイミングとバズワードとの共起性を特徴モデルに学習させることで、利用者#2とアクセスタイミングが類似する他の利用者を推定可能な特徴モデルを生成することができる。   In addition, the information providing apparatus 10 learns the co-occurrence between the search query whose attention degree has rapidly increased as a feature of the user # 2, that is, the occurrence of a buzzword and the access timing (step S3). For example, when a buzzword occurs, the number of accesses to related websites generally increases. However, a user who accesses only when such a buzzword occurs is considered to have a low content selection rate. Therefore, the information providing apparatus 10 can estimate other users whose access timing is similar to that of the user # 2 by causing the feature model to learn the co-occurrence of the access timing and buzzword of the user # 2. A model can be generated.

また、情報提供装置10は、利用者#2の特徴として所定のウェブサイトに関する各種のプッシュ通知を設定しているか否かを学習させる。例えば、所定のウェブサイトに関する各種のプッシュ通知を設定している利用者は、所定のウェブサイトに意図的にアクセスする利用者であり、より予測モデルの学習に適した利用者であるとも考えられる。そこで、情報提供装置10は、所定のウェブサイトに関する各種のプッシュ通知を設定しているか否かを特徴モデルに学習させることで、利用者#2と同様の意図をもってアクセスを行う利用者を推定可能な特徴モデルを生成することができる。   Moreover, the information provision apparatus 10 is made to learn whether various push notifications regarding a predetermined website are set as a feature of the user # 2. For example, a user who has set various push notifications related to a predetermined website is a user who intentionally accesses the predetermined website, and is considered to be a user who is more suitable for learning the prediction model. . Therefore, the information providing apparatus 10 can estimate a user who accesses with the same intention as the user # 2 by causing the feature model to learn whether or not various push notifications related to a predetermined website are set. A unique feature model can be generated.

そして、情報提供装置10は、特徴モデルを用いて、特徴が除外利用者と類似する利用者のログデータを除外する(ステップS4)。例えば、情報提供装置10は、特徴モデルを用いて、利用者#1、利用者#3、利用者#4の特徴が除外利用者である利用者#2の特徴と類似するか否かを判定する。そして、情報提供装置10は、例えば、利用者#2の特徴と利用者#4の特徴とが類似する場合、除外利用者である利用者#2のログデータ#2と、利用者#2と特徴が類似する利用者#4のログデータ#4とをログデータから除外する。   And the information provision apparatus 10 excludes the log data of the user whose feature is similar to the excluded user using the feature model (step S4). For example, the information providing apparatus 10 uses the feature model to determine whether the features of the user # 1, the user # 3, and the user # 4 are similar to the features of the user # 2 who is an excluded user. To do. Then, for example, when the characteristics of the user # 2 and the characteristics of the user # 4 are similar, the information providing apparatus 10 logs the log data # 2 of the user # 2 who is an excluded user, the user # 2, Log data # 4 of user # 4 having similar characteristics is excluded from the log data.

そして、情報提供装置10は、ログデータを用いて、クリック傾向を学習した予測モデルを生成する(ステップS5)。その後、情報提供装置10は、生成した予測モデルを配信サーバ200に送信する(ステップS6)。この結果、情報提供装置10は、生成された予測モデルを用いたコンテンツの配信、すなわち、生成された予測モデルを用いたリスティング配信を行うことができる(ステップS7)。   And the information provision apparatus 10 produces | generates the prediction model which learned the click tendency using log data (step S5). Thereafter, the information providing apparatus 10 transmits the generated prediction model to the distribution server 200 (step S6). As a result, the information providing apparatus 10 can perform content distribution using the generated prediction model, that is, listing distribution using the generated prediction model (step S7).

なお、情報提供装置10は、利用者#2に関する特徴であれば、任意の特徴を学習してよい。例えば、情報提供装置10は、利用者#2のアクセスパターンやクリックパターン、デモグラフィック属性やサイコグラフィック属性、IP(Internet Protocol)アドレス等を利用者#2の属性として特徴モデルに学習させてもよい。すなわち、情報提供装置10は、所定のウェブサイトに対するアクセス態様がコンテンツの選択態様が利用者#2と類似する、もしくは、各種属性が利用者#2と類似すると推定される利用者を特定する特徴モデルを学習するのであれば、任意の情報に基づいて、任意の特徴を学習してよい。   Note that the information providing apparatus 10 may learn an arbitrary feature as long as it is a feature related to the user # 2. For example, the information providing apparatus 10 may cause the feature model to learn the access pattern, click pattern, demographic attribute, psychographic attribute, IP (Internet Protocol) address, etc. of the user # 2 as the attribute of the user # 2. . That is, the information providing apparatus 10 specifies a user whose access mode to a predetermined website is presumed that the content selection mode is similar to the user # 2 or that various attributes are similar to the user # 2. If the model is learned, any feature may be learned based on any information.

〔2.情報提供装置の構成〕
以下、上記した情報提供装置10が有する機能構成の一例について説明する。図3は、実施形態に係る情報提供装置の構成例を示す図である。図3に示すように、情報提供装置10は、通信部20、記憶部30、および制御部40を有する。
[2. Configuration of information providing device]
Hereinafter, an example of the functional configuration of the information providing apparatus 10 will be described. FIG. 3 is a diagram illustrating a configuration example of the information providing apparatus according to the embodiment. As illustrated in FIG. 3, the information providing apparatus 10 includes a communication unit 20, a storage unit 30, and a control unit 40.

通信部20は、例えば、NIC(Network Interface Card)等によって実現される。そして、通信部20は、ネットワークNと有線または無線で接続され、ログサーバ100や配信サーバ200との間で情報の送受信を行う。   The communication unit 20 is realized by, for example, a NIC (Network Interface Card). The communication unit 20 is connected to the network N in a wired or wireless manner, and transmits / receives information to / from the log server 100 and the distribution server 200.

記憶部30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。また、記憶部30は、ログデータベース31、および利用者はデータベース32を記憶する。   The storage unit 30 is realized by, for example, a semiconductor memory device such as a RAM (Random Access Memory) or a flash memory, or a storage device such as a hard disk or an optical disk. The storage unit 30 stores a log database 31 and a user stores a database 32.

ログデータベース31には、各種コンテンツの配信に関するログデータが登録される。例えば、図4は、実施形態に係るログデータベースに登録される情報の一例を示す図である。図4に示す例では、ログデータベース31には、「コンテンツID(Identifier)」、「特徴情報」、「配信先」、「配信日時」、「選択履歴」、「選択日時」等といった情報が登録されている。   In the log database 31, log data related to distribution of various contents is registered. For example, FIG. 4 is a diagram illustrating an example of information registered in the log database according to the embodiment. In the example illustrated in FIG. 4, information such as “content ID (Identifier)”, “feature information”, “distribution destination”, “distribution date / time”, “selection history”, “selection date / time”, and the like is registered in the log database 31. Has been.

ここで、「コンテンツID」とは、コンテンツを識別する識別子である。また、「特徴情報」とは、対応付けられた「コンテンツID」が示すコンテンツの外観や内容等が有する特徴であり、例えば、「コンテンツID」が示すコンテンツの特徴を示すベクトルや分散表現等の多次元量である。また、「配信先」とは、対応付けられた「コンテンツID」が示すコンテンツの配信先となった利用者を識別する利用者IDである。また、「配信日時」とは、対応付けられた「コンテンツID」が示すコンテンツが、対応付けられた「配信先」が示す利用者に配信された日時を示す情報である。また、「選択履歴」とは、対応付けられた「コンテンツID」が示すコンテンツが、対応付けられた「配信先」が示す利用者によって選択されたか否かを示す情報である。また、「選択日時」とは、対応付けられた「コンテンツID」が示すコンテンツが、対応付けられた「配信先」が示す利用者によって選択された日時を示す情報である。   Here, “content ID” is an identifier for identifying content. The “feature information” is a feature of the appearance or content of the content indicated by the associated “content ID”, such as a vector or a distributed expression indicating the feature of the content indicated by the “content ID”. It is a multidimensional quantity. The “distribution destination” is a user ID for identifying the user who is the distribution destination of the content indicated by the associated “content ID”. The “distribution date / time” is information indicating the date / time when the content indicated by the associated “content ID” is delivered to the user indicated by the associated “delivery destination”. The “selection history” is information indicating whether or not the content indicated by the associated “content ID” has been selected by the user indicated by the associated “distribution destination”. The “selection date / time” is information indicating the date / time when the content indicated by the associated “content ID” is selected by the user indicated by the associated “distribution destination”.

例えば、図4に示す例では、ログデータベース31には、コンテンツID「コンテンツ#1」、特徴情報「特徴#1」、配信先「利用者#1」、配信日時「配信日時#1」、選択履歴「選択」、選択日時「選択日時#1」が対応付けて登録されている。このような情報は、例えば、コンテンツID「コンテンツ#1」が示すコンテンツが、特徴情報「特徴#1」が示す特徴を有するコンテンツであり、配信先「利用者#1」が示す利用者に対し、配信日時「配信日時#1」に配信されるとともに、配信先「利用者#1」が示す利用者によって「選択」され、「選択」された日時が選択日時「選択日時#1」が示す日時である旨を示す。   For example, in the example shown in FIG. 4, the log database 31 includes a content ID “content # 1”, feature information “feature # 1”, a distribution destination “user # 1”, a distribution date and time “distribution date and time # 1”, and a selection. The history “selected” and the selected date “selected date # 1” are registered in association with each other. Such information is, for example, the content indicated by the content ID “content # 1” having the characteristics indicated by the feature information “feature # 1”, and the information indicated by the distribution destination “user # 1”. The date and time of distribution “delivery date and time # 1” and “selected” by the user indicated by the distribution destination “user # 1” and the date and time “selected” are indicated by the selection date and time “selected date and time # 1”. Indicates the date and time.

なお、図4に示す例では、「コンテンツ#1」、「特徴#1」「利用者#1」、「配信日時#1」、「選択日時#1」等といった概念的な値を記載したが、実際には、ログデータベース31には、コンテンツや利用者を識別するための文字列、配信日時を示すための数値、特徴を示す多次元量等が登録されることとなる。また、ログデータベース31には、図4に示す情報以外にも、例えば、コンテンツが配信された際に利用者がアクセスしたウェブサイトを示す情報等、コンテンツの配信に関する各種の情報が登録されていてもよい。   In the example illustrated in FIG. 4, conceptual values such as “content # 1”, “feature # 1”, “user # 1”, “delivery date / time # 1”, “selection date / time # 1”, and the like are described. Actually, in the log database 31, a character string for identifying the content and the user, a numerical value for indicating the delivery date and time, a multidimensional quantity indicating the feature, and the like are registered. In addition to the information shown in FIG. 4, the log database 31 stores various types of information related to content distribution, such as information indicating a website accessed by the user when the content is distributed. Also good.

図2に戻り、説明を続ける。利用者データベース32には、利用者に関する各種の情報が登録される。例えば、図5は、実施形態に係る利用者データベースに登録される情報の一例を示す図である。図5に示す例では、利用者データベース32には、「利用者ID」、「利用者特徴情報」、「アクセス先」、「アクセス日時」、「配信コンテンツ」等といった情報が登録されている。   Returning to FIG. 2, the description will be continued. Various types of information related to users are registered in the user database 32. For example, FIG. 5 is a diagram illustrating an example of information registered in the user database according to the embodiment. In the example illustrated in FIG. 5, information such as “user ID”, “user characteristic information”, “access destination”, “access date”, “distributed content”, and the like is registered in the user database 32.

ここで、「利用者ID」とは、利用者を識別する識別子である。また、「利用者特徴情報」とは、利用者のデモグラフィック属性やサイコグラフィック属性等、コンテンツのリスティングに用いられる各種利用者の特徴である。また、「アクセス先」とは、対応付けられた「利用者ID」が示す利用者がアクセスしたウェブサイト等のアクセス先を示す情報である。また、「アクセス日時」とは、対応付けられた「利用者ID」が示す利用者が対応付けられた「アクセス先」が示すウェブサイト等にアクセスした日時を示す情報である。また、「配信コンテンツ」とは、対応付けられた「利用者ID」が示す利用者が対応付けられた「アクセス先」が示すウェブサイト等にアクセスした際に配信されたコンテンツのコンテンツIDである。   Here, the “user ID” is an identifier for identifying a user. The “user characteristic information” is characteristics of various users used for content listing such as demographic attributes and psychographic attributes of users. The “access destination” is information indicating an access destination such as a website accessed by the user indicated by the associated “user ID”. The “access date / time” is information indicating the date / time when the user indicated by the associated “user ID” accesses the website indicated by the “access destination” associated with the user. The “distributed content” is the content ID of the content distributed when the user indicated by the associated “user ID” accesses the website indicated by the “access destination” associated with the user. .

例えば、図5に示す例では、利用者データベース32には、利用者ID「利用者#1」、利用者特徴情報「利用者特徴#1」、アクセス先「アクセス先#1」、アクセス日時「アクセス日時#1」、および配信コンテンツ「コンテンツ#1」が対応付けて登録されている。このような情報は、利用者ID「利用者#1」が示す利用者が、利用者特徴情報「利用者特徴#1」が示す特徴をゆうしており、アクセス先「アクセス先#1」が示すウェブサイト等に、アクセス日時「アクセス日時#1」が示す日時にアクセスし、配信コンテンツ「コンテンツ#1」が示すコンテンツが配信された旨を示す。   For example, in the example illustrated in FIG. 5, the user database 32 includes a user ID “user # 1”, user feature information “user feature # 1”, access destination “access destination # 1”, access date “ Access date / time # 1 ”and distribution content“ content # 1 ”are registered in association with each other. In such information, the user indicated by the user ID “user # 1” has the characteristics indicated by the user characteristic information “user characteristic # 1”, and the access destination “access destination # 1” The website indicated by the user accesses the date indicated by the access date “access date # 1” to indicate that the content indicated by the distribution content “content # 1” has been distributed.

なお、図5に示す例では、「アクセス先#1」、「アクセス日時#1」、「利用者特徴#1」等といった概念的な値を記載したが、実際には、利用者データベース32には、アクセス先のURL(Uniform Resource Locator)や、アクセスを行った日時を示す数値、特徴を示す各種の情報等が登録されることとなる。また、利用者データベース32には、各種利用者のアクセス履歴や配信されたコンテンツの履歴のみならず、各利用者に関する検索クエリの履歴や各種ウェブコンテンツの閲覧履歴等といった各種履歴情報が登録されていてもよい。   In the example illustrated in FIG. 5, conceptual values such as “access destination # 1”, “access date / time # 1”, “user feature # 1”, and the like are described. The URL (Uniform Resource Locator) of the access destination, the numerical value indicating the date and time of access, various information indicating the characteristics, and the like are registered. Further, in the user database 32, not only the access history of various users and the history of distributed contents but also various history information such as search query history and browsing history of various web contents are registered. May be.

図3に戻り、説明を続ける。制御部40は、コントローラ(controller)であり、例えば、CPU(Central Processing Unit)、MPU(Micro Processing Unit)等のプロセッサによって、情報提供装置10内部の記憶装置に記憶されている各種プログラムがRAM等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40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てもよい。   Returning to FIG. 3, the description will be continued. The control unit 40 is a controller. For example, various programs stored in a storage device inside the information providing apparatus 10 are stored in a RAM or the like by a processor such as a CPU (Central Processing Unit) or an MPU (Micro Processing Unit). Is implemented as a work area. The control unit 40 is a controller, and may be realized by an integrated circuit such as an ASIC (Application Specific Integrated Circuit) or an FPGA (Field Programmable Gate Array).

図3に示すように、制御部40は、取得部41、特定部42、抽出部43、特徴学習部44、生成部45、および傾向学習部46を有する。取得部41は、各コンテンツの配信履歴や選択履歴を含む各種ログデータをログサーバ100から取得する。このような場合、取得部41は、公知の解析技術を用いて、各コンテンツごとの配信先、配信日時、選択履歴、選択日時等を特定する。そして、取得部41は、特定した情報を対応付けてログデータベース31に登録する。また、取得部41は、各利用者ごとに、アクセス先、アクセス日時、アクセスした結果配信された配信コンテンツを特定し、特定した情報を対応付けて利用者データベース32に登録する。   As illustrated in FIG. 3, the control unit 40 includes an acquisition unit 41, a specification unit 42, an extraction unit 43, a feature learning unit 44, a generation unit 45, and a tendency learning unit 46. The acquisition unit 41 acquires various log data including the distribution history and selection history of each content from the log server 100. In such a case, the acquisition unit 41 specifies a distribution destination, a distribution date / time, a selection history, a selection date / time, and the like for each content using a known analysis technique. Then, the acquisition unit 41 registers the identified information in the log database 31 in association with each other. In addition, the acquisition unit 41 specifies an access destination, an access date and time, and a distribution content distributed as a result of access for each user, and registers the specified information in the user database 32 in association with each other.

特定部42は、コンテンツの選択割合が減少する特定期間を特定する。より具体的には、特定部42は、選択割合として、コンテンツの配信回数に対する選択回数の割合が所定の閾値を超えて減少する期間、すなわち、CTRの値が所定の値を超えて減少する期間を特定する。また、特定部42は、コンテンツの単位時間当たりの配信回数が上昇し、かつ、コンテンツの選択割合が減少する期間を特定する。   The specifying unit 42 specifies a specific period during which the content selection ratio decreases. More specifically, the specifying unit 42 determines, as the selection ratio, a period in which the ratio of the number of selections with respect to the number of content distributions decreases beyond a predetermined threshold, that is, a period in which the CTR value decreases beyond a predetermined value. Is identified. Further, the specifying unit 42 specifies a period in which the number of distributions of content per unit time increases and the content selection ratio decreases.

例えば、特定部42は、ログデータベース31を参照し、判定対象、すなわち、学習対象となるコンテンツの配信回数と選択回数とを所定の時間間隔ごとに算出する。また、特定部42は、算出した配信回数と選択回数とから、CTRの値を所定の時間間隔ごとに算出する。そして、特定部42は、配信回数が上昇しているにも関わらず、CTRの値が低下している期間を特定する。   For example, the specifying unit 42 refers to the log database 31 and calculates the determination target, that is, the number of distributions and the number of selections of content to be learned at predetermined time intervals. Further, the specifying unit 42 calculates the value of CTR at every predetermined time interval from the calculated distribution count and selection count. And the specific | specification part 42 specifies the period when the value of CTR is falling, although the frequency | count of delivery is rising.

例えば、図6は、実施形態に係る情報提供装置が特定期間を特定する処理の一例を示す図である。例えば、図6中(A)に示す例では、コンテンツの配信回数が上昇しているにも関わらず、選択回数に上昇がみられないため、CTRが減少している。このような場合、特定部42は、CTRが低下する日時から所定の期間を特定期間CPとして特定する。なお、特定部42は、例えば、CTRの減少率が所定の閾値を超えた日時に所定のマージンを考慮した日時を特定期間の始点として特定してもよい。また、特定部42は、配信回数の上昇率が所定の閾値以下となった日時、配信回数の情報が止まった日時、視点から所定の期間が経過した日時等を特定期間の終点として特定してもよい。   For example, FIG. 6 is a diagram illustrating an example of a process in which the information providing apparatus according to the embodiment specifies a specific period. For example, in the example shown in FIG. 6A, the CTR decreases because the number of selections does not increase even though the number of content distributions increases. In such a case, the specifying unit 42 specifies a predetermined period as the specific period CP from the date and time when the CTR decreases. The specifying unit 42 may specify, for example, the date and time when a predetermined margin is taken into account at the date and time when the CTR reduction rate exceeds a predetermined threshold as the start point of the specific period. Further, the specifying unit 42 specifies the date and time when the rate of increase in the number of distributions becomes equal to or less than a predetermined threshold, the date and time when the information about the number of distributions stopped, the date and time when a predetermined period has elapsed from the viewpoint as the end point of the specific period. Also good.

一方、図6中(B)に示す例では、コンテンツの配信回数の上昇に伴い、選択回数も上昇しているため、CTRがほぼ一定の値を取る。このような場合、アクセスを行った各利用が適切に広告を選択していると考えられるため、特定部42は、特定期間の特定を行わない。   On the other hand, in the example shown in FIG. 6B, the CTR takes a substantially constant value because the number of selections increases with an increase in the number of content distributions. In such a case, since it is considered that each accessed use appropriately selects an advertisement, the specifying unit 42 does not specify a specific period.

また、図6中(C)に示す例では、コンテンツの配信回数が急上昇した後に元の水準まで戻るスパイクが生じている。一方でコンテンツの選択回数も上昇しているが、上昇率が配信回数の上昇率よりも低いため、CTRの値は、急激に低下した後に元の水準までもどっている。このような場合であっても、適切に広告を選択していない利用者が含まれると考えられるため、特定部42は、CTRが低下した期間を特定期間CPとして特定する。例えば、特定部42は、配信回数のスパイクが生じた期間、すなわち、CTRが急劇に低下し、その後、元に戻るまでの期間を特定期間CPとして特定してもよい。   Further, in the example shown in FIG. 6C, there is a spike that returns to the original level after the number of content distributions rapidly increases. On the other hand, the number of times content is selected has also increased, but since the rate of increase is lower than the rate of increase in the number of distributions, the value of CTR has returned to the original level after rapidly decreasing. Even in such a case, it is considered that a user who has not properly selected the advertisement is included, and therefore the specifying unit 42 specifies the period during which the CTR has decreased as the specific period CP. For example, the specifying unit 42 may specify a period during which a spike in the number of distributions occurs, that is, a period until the CTR suddenly decreases and then returns to the original period as the specific period CP.

一方、図6中(D)に示す例では、コンテンツの配信回数にスパイクが生じているが、コンテンツの配信回数の上昇および下降に伴い、選択回数も上昇および下降しているため、CTRがほぼ一定の値を取る。このような場合、アクセスを行った各利用が適切に広告を選択していると考えられるため、特定部42は、特定期間の特定を行わない。   On the other hand, in the example shown in FIG. 6D, a spike occurs in the number of content distributions, but the number of selections increases and decreases as the number of content distributions increases and decreases. Take a certain value. In such a case, since it is considered that each accessed use appropriately selects an advertisement, the specifying unit 42 does not specify a specific period.

図3に戻り、説明を続ける。抽出部43は、特定期間に判定対象となるコンテンツが配信された利用者の中から所定の条件を満たす利用者を抽出する。より具体的には、抽出部43は、所定の条件として、特定期間にコンテンツが配信される可能性が低い利用者や、特定期間にコンテンツを選択する可能性が低い利用者を除外利用者として抽出する。   Returning to FIG. 3, the description will be continued. The extraction unit 43 extracts a user who satisfies a predetermined condition from the users to whom the content to be determined is distributed during the specific period. More specifically, as the predetermined condition, the extraction unit 43 excludes users who are unlikely to distribute content during a specific period or users who are unlikely to select content during a specific period as excluded users. Extract.

例えば、図7は、実施形態に係る情報提供装置が除外利用者を抽出する処理を説明する図である。例えば、抽出部43は、利用者データベース32を参照し、特定部42が特定した特定期間において、判定対象となるコンテンツが配信されている利用者を特定する。続いて、抽出部43は、ログデータベース31や利用者データベース32から特定した利用者のアクセス日時や選択日時を取得する。また、抽出部43は、取得したアクセス日時や選択日時から、図7に示すように、利用者が所定のウェブサイトにアクセスしたり、コンテンツを選択したりする可能性が高い時間帯を曜日ごとに算出する。例えば、図7に示す例では、利用者が所定のウェブサイトにアクセスし、かつ、コンテンツを選択する可能性が高い時間帯を矢印で示した。   For example, FIG. 7 is a diagram illustrating a process in which the information providing apparatus according to the embodiment extracts excluded users. For example, the extraction unit 43 refers to the user database 32 and identifies the user to whom the content to be determined is distributed in the specific period specified by the specifying unit 42. Subsequently, the extraction unit 43 acquires the access date / time and the selection date / time of the specified user from the log database 31 and the user database 32. In addition, the extraction unit 43 selects a time period for each day of the week from which the user is highly likely to access a predetermined website or select content, as shown in FIG. To calculate. For example, in the example shown in FIG. 7, an arrow indicates a time zone in which a user accesses a predetermined website and is likely to select content.

そして、抽出部43は、利用者がアクセスしたりコンテンツを選択したりする可能性が高い時間帯が特定期間と重なるか否かを判定する。例えば、図7に示す例では、利用者#1が所定のウェブサイトにアクセスしたり、コンテンツを選択したりする可能性が高い期間が特定期間と重なっている。このような場合、利用者#1は、従来から特定期間においてウェブサイトのアクセスを行い、コンテンツを選択する可能性が高い。そこで、抽出部43は、利用者#1を除外利用者として抽出せずに、利用者#1のログを学習データとして採用する。   Then, the extracting unit 43 determines whether or not a time period in which the user is likely to access or select content overlaps with the specific period. For example, in the example illustrated in FIG. 7, a period during which user # 1 is likely to access a predetermined website or select content overlaps with a specific period. In such a case, the user # 1 has a high possibility of accessing a website during a specific period and selecting content. Therefore, the extracting unit 43 employs the log of the user # 1 as learning data without extracting the user # 1 as an excluded user.

一方、図7に示す例では、利用者#2が所定のウェブサイトにアクセスしたり、コンテンツを選択したりする可能性が高い期間が特定期間と重なっていない。このような場合、利用者#2は、特定期間においてイレギュラーにウェブサイトにアクセスしたとも考えられる。そこで、抽出部43は、利用者#2を除外利用者として抽出する。   On the other hand, in the example illustrated in FIG. 7, a period during which user # 2 is highly likely to access a predetermined website or select content does not overlap with the specific period. In such a case, it is considered that the user # 2 has accessed the website irregularly during a specific period. Therefore, the extraction unit 43 extracts the user # 2 as an excluded user.

なお、コンテンツを選択しない利用者については、利用者が所定のウェブサイトにアクセスし、かつ、コンテンツを選択したりする可能性が高い時間帯が存在しなくなる。このため、抽出部43は、ウェブサイトにアクセスし、かつ、コンテンツを選択する可能性が高い時間帯を算出することで、巡回ボットやCTRを下げようとする利用者、コンテンツを選択しない利用者を除外利用者として適切に抽出できる。   For a user who does not select content, there is no time period when the user is likely to access a predetermined website and select content. For this reason, the extraction unit 43 accesses a website and calculates a time zone in which there is a high possibility of selecting content, so that a user who wants to lower a traveling bot or CTR, or a user who does not select content. Can be appropriately extracted as an excluded user.

図2に戻り、説明を続ける。特徴学習部44は、除外利用者として抽出された利用者の特徴を学習する。例えば、特徴学習部44は、除外利用者の特徴として、所定期間において所定のアクセス先にアクセスした回数、所定期間において注目されていると判定された情報とアクセス回数との共起性、または、除外利用者に対して所定の情報をプッシュ通知する設定がなされているか否かの少なくともいずれか1つを学習する。   Returning to FIG. 2, the description will be continued. The feature learning unit 44 learns the features of the users extracted as excluded users. For example, the feature learning unit 44 may determine, as the characteristics of the excluded user, the number of accesses to a predetermined access destination in a predetermined period, the co-occurrence of information determined to be noticed in the predetermined period and the number of accesses, or It learns at least one of whether or not the setting to push the predetermined information to the excluded user is made.

例えば、特徴学習部44は、除外利用者に対するコンテンツの配信履歴や選択履歴、所定期間において所定のアクセス先にアクセスした回数、利用者特徴情報等をログデータベース31や利用者データベース32から特定する。また、特徴学習部44は、図示を省略した各種の外部サーバから、所謂バズワードが生じた期間を特定し、特定した期間に除外利用者が所定のウェブサイトにアクセスしたか否か、アクセスした回数等を特定する。また、特徴学習部44は、所定のウェブサイトを介して各種サービスを提供する外部サーバから、除外利用者がプッシュ通知の設定を行っているか否かを特定する。   For example, the feature learning unit 44 identifies content distribution history and selection history for excluded users, the number of accesses to a predetermined access destination in a predetermined period, user characteristic information, and the like from the log database 31 and the user database 32. In addition, the feature learning unit 44 identifies a period in which a so-called buzzword has occurred from various external servers not shown, and whether or not the excluded user has accessed a predetermined website during the identified period. Etc. are specified. Further, the feature learning unit 44 specifies whether or not the excluded user has set the push notification from an external server that provides various services via a predetermined website.

そして、特徴学習部44は、特定した各種の情報を素性として学習することで、除外利用者の特徴を学習した特徴モデルを生成する。このような特徴モデルは、DNN(Deep Neural Network)やSVM(Support Vector Machine)等の各種任意の分類器や学習器により実現され、任意の利用者の特徴が除外利用者の特徴と類似するか否かを判定することができる。   And the feature learning part 44 produces | generates the feature model which learned the characteristic of the exclusion user by learning the various information specified as a feature. Such a feature model is realized by various arbitrary classifiers and learners such as DNN (Deep Neural Network) and SVM (Support Vector Machine), and whether the features of any user are similar to those of excluded users. It can be determined whether or not.

生成部45は、判定対象となるコンテンツの配信履歴および選択履歴から、抽出された除外利用者に対する配信履歴および選択履歴を除外した情報を生成する。例えば、生成部45は、判定対象となるコンテンツ、すなわち、選択する利用者の傾向を学習する対象となるコンテンツの配信履歴および選択履歴をログデータベース31から特定する。続いて、生成部45は、コンテンツの配信履歴や選択履歴のうち、除外利用者に対して配信した旨の配信履歴や、除外利用者によって選択された旨の選択履歴を削除した情報を学習データとして生成する。   The generation unit 45 generates information excluding the distribution history and selection history for the excluded user extracted from the distribution history and selection history of the content to be determined. For example, the generation unit 45 specifies from the log database 31 the distribution history and selection history of the content to be determined, that is, the content to be learned about the tendency of the user to select. Subsequently, the generation unit 45 learns the information obtained by deleting the distribution history indicating that the content is distributed to the excluded user and the selection history indicating that the content is selected by the excluded user from the content distribution history and the selection history. Generate as

さらに、生成部45は、コンテンツの配信履歴および選択履歴から、特徴モデルが学習した特徴を有する利用者に対する配信履歴および選択履歴を除外した情報を生成する。例えば、生成部45は、特徴学習部44によって学習が行われた特徴モデルを用いて、除外利用者と特徴が類似する利用者を特定する。より具体的な例を挙げると、生成部45は、各利用者の属性、所定期間において所定のアクセス先にアクセスした回数、所定期間において注目されていると判定された情報とアクセス回数との共起性、または、除外利用者に対して所定の情報をプッシュ通知する設定がなされているか否か等、特徴モデルに素性として学習させた各種の情報を取得する。そして、生成部45は、特徴モデルを用いて、各利用者の特徴が除外利用者の特徴と類似するか否かを判定する。その後、生成部45は、コンテンツの配信履歴および選択履歴から、特徴が除外利用者の特徴と類似すると判定された利用者に関する配信履歴や選択履歴を除外した情報を学習データとして生成する。   Further, the generation unit 45 generates information excluding the distribution history and selection history for the user having the characteristics learned by the feature model from the distribution history and selection history of the content. For example, the generation unit 45 uses the feature model learned by the feature learning unit 44 to specify a user whose feature is similar to that of the excluded user. As a more specific example, the generation unit 45 may share the attributes of each user, the number of accesses to a predetermined access destination in a predetermined period, the information determined to be noticed in the predetermined period, and the number of accesses. Various types of information learned as features in the feature model are acquired, such as whether or not the user is set to push notification of predetermined information to the excluded user. And the production | generation part 45 determines whether the feature of each user is similar to the feature of an excluded user using a feature model. Thereafter, the generation unit 45 generates, as learning data, information excluding the distribution history and selection history regarding the user whose characteristics are determined to be similar to the characteristics of the excluded user from the distribution history and selection history of the content.

傾向学習部46は、生成された学習データを用いて、コンテンツを選択する利用者の傾向を学習する。より具体的には傾向学習部46は、生成部45によって生成された学習データを用いて、学習対象となるコンテンツの特徴をログデータベース31から取得する。また、傾向学習部46は、生成部が生成した学習データから、配信されたコンテンツを選択した利用者、および配信されたコンテンツを選択しなかった利用者を特定するとともに、特定した利用者の特徴を示す利用者特徴情報を利用者データベース32から読み出す。   The tendency learning unit 46 learns the tendency of the user who selects the content using the generated learning data. More specifically, the trend learning unit 46 uses the learning data generated by the generation unit 45 to acquire the feature of the content to be learned from the log database 31. In addition, the trend learning unit 46 identifies the user who has selected the distributed content and the user who has not selected the distributed content from the learning data generated by the generation unit, and the characteristics of the specified user Is read from the user database 32.

そして、傾向学習部46は、コンテンツの特徴と、コンテンツを選択した利用者の特徴との関係を学習された予測モデルを生成する。例えば、傾向学習部46は、コンテンツを選択した利用者の特徴を正例とし、コンテンツの選択しなかった利用者の特徴を負例として、コンテンツの特徴と各利用者の特徴との間の関係性を予測モデルに学習させることで、コンテンツを選択する利用者の特徴の傾向を学習した予測モデルを生成する。そして、傾向学習部46は、生成した予測モデルを配信サーバ200へと提供する。   Then, the tendency learning unit 46 generates a prediction model in which the relationship between the feature of the content and the feature of the user who has selected the content is learned. For example, the tendency learning unit 46 uses the feature of the user who selected the content as a positive example and the feature of the user who did not select the content as a negative example, and the relationship between the feature of the content and the feature of each user By making the predictive model learn the sex, a predictive model in which the tendency of the characteristics of the user who selects the content is learned is generated. Then, the trend learning unit 46 provides the generated prediction model to the distribution server 200.

〔3.情報提供装置が実行する処理の流れの一例〕
続いて、図8を用いて、情報提供装置10が実行する抽出処理の流れについて説明する。図8は、実施形態に係る情報提供装置が実行する抽出処理の流れの一例を示すフローチャートである。
[3. Example of flow of processing executed by information providing apparatus]
Next, the flow of extraction processing executed by the information providing apparatus 10 will be described with reference to FIG. FIG. 8 is a flowchart illustrating an example of a flow of extraction processing executed by the information providing apparatus according to the embodiment.

例えば、情報提供装置10は、各種ログデータを取得する(ステップS101)。そして、情報提供装置10は、判定対象となるコンテンツの配信回数と選択回数とに基づいて、CTRが低下している特定期間を特定する(ステップS102)。続いて、情報提供装置10は、特定期間にアクセスした利用者のログから、所定のサイトにアクセスしたりコンテンツを選択する可能性(以下、「アクセス可能性」と記載する。)が高い期間のパターンを予測する(ステップS103)。   For example, the information providing apparatus 10 acquires various log data (step S101). And the information provision apparatus 10 specifies the specific period when CTR is falling based on the frequency | count of delivery and selection of the content used as determination object (step S102). Subsequently, the information providing apparatus 10 is a period in which there is a high possibility of accessing a predetermined site or selecting content (hereinafter referred to as “accessibility”) from a log of a user who has accessed during a specific period. A pattern is predicted (step S103).

そして、情報提供装置10は、特定期間においてアクセス可能性が所定の閾値よりも低い利用者を除外利用者として抽出する(ステップS104)。続いて、情報提供装置10は、除外利用者の特徴を学習させた特徴モデルを生成し(ステップS105)、ログデータから除外利用者と対応するデータを除外するとともに(ステップS106)、特徴モデルを用いて、除外利用者と特徴が類似する利用者のログデータを除外する(ステップS107)。そして、情報提供装置10は、ログデータから除外利用者や除外利用者と特徴が類似する利用者のログデータを除外した学習データを用いて、予測モデルを生成し(ステップS108)、処理を終了する。   Then, the information providing apparatus 10 extracts a user whose access possibility is lower than a predetermined threshold during the specific period as an excluded user (step S104). Subsequently, the information providing apparatus 10 generates a feature model in which the features of the excluded user are learned (step S105), excludes data corresponding to the excluded user from the log data (step S106), and extracts the feature model. In step S107, log data of a user whose characteristics are similar to those of the excluded user are excluded. Then, the information providing apparatus 10 generates a prediction model using the learning data obtained by excluding the log data of the excluded user or the user having similar characteristics to the excluded user from the log data (Step S108), and ends the processing. To do.

〔4.変形例〕
上記では、情報提供装置10による抽出処理の一例について説明した。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。以下、情報提供装置10が実行する抽出処理のバリエーションについて説明する。
[4. (Modification)
In the above, an example of the extraction process by the information providing apparatus 10 has been described. However, the embodiment is not limited to this. Hereinafter, the variation of the extraction process which the information provision apparatus 10 performs is demonstrated.

〔4−1.学習データの生成について〕
上述した例では、情報提供装置10は、コンテンツの配信履歴および選択履歴から、除外利用者に関する各種履歴と、除外利用者と特徴が類似する利用者に関する各種履歴とを除外した学習データを生成した。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、情報提供装置10は、コンテンツの配信履歴および選択履歴から、除外利用者に関する各種履歴を除外した学習データを生成し、生成した学習データを用いて、予測モデルの生成を行ってもよい。また、情報提供装置10は、コンテンツの配信履歴および選択履歴から、除外利用者と特徴が類似する利用者に関する各種履歴を除外した学習データを生成し、生成した学習データを用いて、予測モデルの生成を行ってもよい。
[4-1. About generation of learning data)
In the example described above, the information providing apparatus 10 generates learning data that excludes various histories related to excluded users and various histories related to users whose characteristics are similar to those of excluded users from the distribution history and selection history of content. . However, the embodiment is not limited to this. For example, the information providing apparatus 10 may generate learning data excluding various histories related to the excluded user from the content distribution history and the selection history, and generate the prediction model using the generated learning data. Further, the information providing apparatus 10 generates learning data excluding various histories related to users whose characteristics are similar to those of the excluded user from the distribution history and selection history of the content, and uses the generated learning data to generate a prediction model. Generation may be performed.

すなわち、情報提供装置10は、除外利用者の各種履歴を除外しただけの学習データを生成してもよく、除外利用者の特徴を学習した特徴モデルを用いて、除外利用者と類似する特徴の利用者に関する各種履歴を除外した学習データを生成してもよい。   That is, the information providing apparatus 10 may generate learning data that excludes various histories of the excluded user, and uses a feature model that has learned the characteristics of the excluded user, and has characteristics similar to those of the excluded user. Learning data excluding various histories related to users may be generated.

〔4−2.特定期間の特定について〕
上述した例では、情報提供装置10は、コンテンツの配信数が上昇しつつ、CTRが低下する期間を特定期間として選択した。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、情報提供装置10は、単純にCTRが低下する期間を特定期間として特定してもよい。また、情報提供装置10は、CTRが低下するタイミングを基準として特定期間を選択するのであれば、CTRが上昇するような期間やCTRが低下してから元に戻るような期間を含む特定期間を特定してもよい。
[4-2. (Specification of specific period)
In the example described above, the information providing apparatus 10 selects the period during which the CTR decreases as the number of content distributions increases as the specific period. However, the embodiment is not limited to this. For example, the information providing apparatus 10 may simply specify the period during which the CTR decreases as the specific period. In addition, if the information providing apparatus 10 selects a specific period based on the timing when the CTR decreases, the information providing apparatus 10 includes a specific period including a period when the CTR increases or a period when the CTR decreases and then returns. You may specify.

〔4−3.装置構成〕
情報提供装置10は、フロントエンドサーバと、バックエンドサーバとで実現されてもよい。このような場合、フロントエンドサーバには、図3に示す取得部41、特定部42、抽出部43が配置され、バックエンドサーバには、特徴学習部44、生成部45、および傾向学習部46が配置される。また、記憶部30に登録された各データベース31、32は、外部のストレージサーバに保持されていてもよい。
[4-3. Device configuration〕
The information providing apparatus 10 may be realized by a front end server and a back end server. In such a case, the acquisition unit 41, the identification unit 42, and the extraction unit 43 illustrated in FIG. 3 are arranged in the front-end server, and the feature learning unit 44, the generation unit 45, and the trend learning unit 46 are arranged in the back-end server. Is placed. The databases 31 and 32 registered in the storage unit 30 may be held in an external storage server.

〔4−4.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、逆に、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。
[4-4. Others]
In addition, among the processes described in the above embodiment, all or part of the processes described as being automatically performed can be performed manually, and conversely, the processes described as being performed manually. All or a part of the above can be automatically performed by a known method. In addition, the processing procedures, specific names, and information including various data and parameters shown in the document and drawings can be arbitrarily changed unless otherwise specified. For example, the various types of information illustrated in each drawing is not limited to the illustrated information.

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。   Further, each component of each illustrated apparatus is functionally conceptual, and does not necessarily need to be physically configured as illustrated. In other words, the specific form of distribution / integration of each device is not limited to that shown in the figure, and all or a part thereof may be functionally or physically distributed or arbitrarily distributed in arbitrary units according to various loads or usage conditions. Can be integrated and configured.

また、上記してきた各実施形態は、処理内容を矛盾させない範囲で適宜組み合わせることが可能である。   In addition, the above-described embodiments can be appropriately combined within a range in which processing contents do not contradict each other.

〔4−5.プログラム〕
また、上述した実施形態に係る情報提供装置10は、例えば図9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9は、ハードウェア構成の一例を示す図である。コンピュータ1000は、出力装置1010、入力装置1020と接続され、演算装置1030、一次記憶装置1040、二次記憶装置1050、出力IF(Interface)1060、入力IF1070、ネットワークIF1080がバス1090により接続された形態を有する。
[4-5. program〕
Further, the information providing apparatus 10 according to the above-described embodiment is realized by a computer 1000 having a configuration as shown in FIG. 9, for example. FIG. 9 is a diagram illustrating an example of a hardware configuration. The computer 1000 is connected to an output device 1010 and an input device 1020, and an arithmetic device 1030, a primary storage device 1040, a secondary storage device 1050, an output IF (Interface) 1060, an input IF 1070, and a network IF 1080 are connected via a bus 1090. Have

演算装置1030は、一次記憶装置1040や二次記憶装置1050に格納されたプログラムや入力装置1020から読み出したプログラム等に基づいて動作し、各種の処理を実行する。一次記憶装置1040は、RAM等、演算装置1030が各種の演算に用いるデータを一次的に記憶するメモリ装置である。また、二次記憶装置1050は、演算装置1030が各種の演算に用いるデータや、各種のデータベースが登録される記憶装置であり、ROM(Read Only Memory)、HDD(Hard Disk Drive)、フラッシュメモリ等により実現される。   The arithmetic device 1030 operates based on a program stored in the primary storage device 1040 and the secondary storage device 1050, a program read from the input device 1020, and the like, and executes various processes. The primary storage device 1040 is a memory device such as a RAM that temporarily stores data used by the arithmetic device 1030 for various arithmetic operations. The secondary storage device 1050 is a storage device in which data used by the arithmetic device 1030 for various calculations and various databases are registered, such as ROM (Read Only Memory), HDD (Hard Disk Drive), flash memory, and the like. It is realized by.

出力IF1060は、モニタやプリンタといった各種の情報を出力する出力装置1010に対し、出力対象となる情報を送信するためのインタフェースであり、例えば、USB(Universal Serial Bus)やDVI(Digital Visual Interface)、HDMI(登録商標)(High Definition Multimedia Interface)といった規格のコネクタにより実現される。また、入力IF1070は、マウス、キーボード、およびスキャナ等といった各種の入力装置1020から情報を受信するためのインタフェースであり、例えば、USB等により実現される。   The output IF 1060 is an interface for transmitting information to be output to an output device 1010 that outputs various types of information such as a monitor and a printer. For example, USB (Universal Serial Bus), DVI (Digital Visual Interface), This is realized by a standard connector such as HDMI (registered trademark) (High Definition Multimedia Interface). The input IF 1070 is an interface for receiving information from various input devices 1020 such as a mouse, a keyboard, and a scanner, and is realized by, for example, a USB.

なお、入力装置1020は、例えば、CD(Compact Disc)、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から情報を読み出す装置であってもよい。また、入力装置1020は、USBメモリ等の外付け記憶媒体であってもよい。   The input device 1020 includes, for example, an optical recording medium such as a CD (Compact Disc), a DVD (Digital Versatile Disc), and a PD (Phase change rewritable disk), a magneto-optical recording medium such as an MO (Magneto-Optical disk), and a tape. It may be a device that reads information from a medium, a magnetic recording medium, a semiconductor memory, or the like. The input device 1020 may be an external storage medium such as a USB memory.

ネットワークIF1080は、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演算装置1030へ送り、また、ネットワークNを介して演算装置1030が生成したデータを他の機器へ送信する。   The network IF 1080 receives data from other devices via the network N and sends the data to the arithmetic device 1030, and transmits data generated by the arithmetic device 1030 to other devices via the network N.

演算装置1030は、出力IF1060や入力IF1070を介して、出力装置1010や入力装置1020の制御を行う。例えば、演算装置1030は、入力装置1020や二次記憶装置1050からプログラムを一次記憶装置1040上にロードし、ロードしたプログラムを実行する。   The arithmetic device 1030 controls the output device 1010 and the input device 1020 via the output IF 1060 and the input IF 1070. For example, the arithmetic device 1030 loads a program from the input device 1020 or the secondary storage device 1050 onto the primary storage device 1040, and executes the loaded program.

例えば、コンピュータ1000が情報提供装置10として機能する場合、コンピュータ1000の演算装置1030は、一次記憶装置1040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40の機能を実現する。   For example, when the computer 1000 functions as the information providing device 10, the arithmetic device 1030 of the computer 1000 implements the function of the control unit 40 by executing a program loaded on the primary storage device 1040.

〔5.効果〕
上述したように、情報提供装置10は、コンテンツの選択割合が減少する期間を特定する。そして、情報提供装置10は、特定期間にそのコンテンツが配信された利用者の中から所定の条件を満たす利用者を抽出する。このため、情報提供装置10は、コンテンツを選択しない利用者、巡回ボット、CTRを下げようとする利用者を効率よく抽出できるので、予測モデルの学習に適さない履歴の利用者を抽出することができる。
[5. effect〕
As described above, the information providing apparatus 10 specifies a period during which the content selection ratio decreases. And the information provision apparatus 10 extracts the user who satisfy | fills predetermined conditions from the users to whom the content was delivered in the specific period. For this reason, the information providing apparatus 10 can efficiently extract users who do not select content, patrol bots, and users who want to lower the CTR, so that it is possible to extract a history user that is not suitable for prediction model learning. it can.

また、情報提供装置10は、選択割合として、コンテンツの配信回数に対する選択回数の割合が所定の閾値を超えて減少する期間を特定する。例えば、情報提供装置10は、コンテンツの単位時間当たりの配信回数が上昇し、かつ、そのコンテンツの選択割合が減少する期間を特定する。このため、情報提供装置10は、予測モデルの学習に適さない履歴の利用者が多くアクセスしている期間を特定期間として特定できる。   In addition, the information providing apparatus 10 specifies a period during which the ratio of the number of selections with respect to the number of distributions of content decreases beyond a predetermined threshold as the selection ratio. For example, the information providing apparatus 10 specifies a period in which the number of distributions of content per unit time increases and the content selection ratio decreases. For this reason, the information provision apparatus 10 can specify the period when many users of the history unsuitable for learning the prediction model are accessing as the specific period.

また、情報提供装置10は、所定の条件として、特定された期間にコンテンツが配信される可能性が低い利用者を抽出する。また、情報提供装置10は、所定の条件として、特定された期間にコンテンツを選択する可能性が低い利用者を抽出する。このため、情報提供装置10は、予測モデルの学習に適さない履歴の利用者を適切に抽出できる。   Moreover, the information provision apparatus 10 extracts a user with low possibility that a content will be delivered in the specified period as predetermined conditions. Moreover, the information provision apparatus 10 extracts a user with low possibility of selecting a content in the specified period as predetermined conditions. For this reason, the information providing apparatus 10 can appropriately extract a history user who is not suitable for the prediction model learning.

また、情報提供装置10は、コンテンツの配信履歴および選択履歴から、抽出された利用者に対する配信履歴および選択履歴を除外した情報を生成する。このため、情報提供装置10は、予測モデルを精度よく学習できる学習データを生成できる。   Further, the information providing apparatus 10 generates information excluding the distribution history and selection history for the extracted user from the content distribution history and selection history. For this reason, the information provision apparatus 10 can produce | generate the learning data which can learn a prediction model accurately.

また、情報提供装置10は、抽出された利用者の特徴を学習し、コンテンツの配信履歴および選択履歴から、学習された特徴を有する利用者に対する配信履歴および選択履歴を除外した情報を生成する。このため、情報提供装置10は、履歴があまりない利用者についても、予測モデルの学習に適しているか否かを推定することができるので、予測モデルを精度よく学習できる学習データを生成できる。   Further, the information providing apparatus 10 learns the extracted user characteristics, and generates information excluding the distribution history and the selection history for the user having the learned characteristics from the content distribution history and the selection history. For this reason, since the information providing apparatus 10 can estimate whether or not a user who does not have much history is suitable for learning the prediction model, it is possible to generate learning data that can accurately learn the prediction model.

また、情報提供装置10は、利用者の特徴として、所定期間において所定のアクセス先にアクセスした回数、所定期間において注目されていると判定された情報とアクセス回数との共起性、または、利用者に対して所定の情報をプッシュ通知する設定がなされているか否かの少なくともいずれか1つを学習する。このため、情報提供装置10は、予測モデルを精度よく学習できる学習データを生成できる。   Further, the information providing apparatus 10 is characterized by the number of accesses to a predetermined access destination in a predetermined period, the co-occurrence of information determined to be noticed in the predetermined period and the number of accesses, Learning at least one of whether or not the user is set to push the predetermined information. For this reason, the information provision apparatus 10 can produce | generate the learning data which can learn a prediction model accurately.

また、情報提供装置10は、生成された情報を用いて、コンテンツを選択する利用者の傾向を学習する。このため、情報提供装置10は、予測モデルの予測精度を向上させることができる。   Moreover, the information provision apparatus 10 learns the tendency of the user who selects content using the produced | generated information. For this reason, the information provision apparatus 10 can improve the prediction accuracy of a prediction model.

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。   As described above, some of the embodiments of the present application have been described in detail with reference to the drawings. However, these are merely examples, and various modifications, including the aspects described in the disclosure section of the invention, based on the knowledge of those skilled in the art, It is possible to implement the present invention in other forms with improvements.

また、上記してきた「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、提供部は、提供手段や提供回路に読み替えることができる。   Moreover, the above-mentioned “section (module, unit)” can be read as “means”, “circuit”, and the like. For example, the providing unit can be read as providing means or a providing circuit.

10 情報提供装置
20 通信部
30 記憶部
31 ログデータベース
32 利用者データベース
40 制御部
41 取得部
42 特定部
43 抽出部
44 特徴学習部
45 生成部
46 傾向学習部
100 ログサーバ
200 配信サーバ
DESCRIPTION OF SYMBOLS 10 Information provision apparatus 20 Communication part 30 Storage part 31 Log database 32 User database 40 Control part 41 Acquisition part 42 Identification part 43 Extraction part 44 Feature learning part 45 Generation part 46 Trend learning part 100 Log server 200 Distribution server

Claims (11)

コンテンツの選択割合が減少する期間を特定する特定部と、
前記特定部が特定した期間に当該コンテンツが配信された利用者の中から所定の条件を満たす利用者を抽出する抽出部と
を有することを特徴とする抽出装置。
A specific part that identifies the period during which the content selection rate decreases,
An extraction device comprising: an extraction unit that extracts a user who satisfies a predetermined condition from among users to whom the content has been distributed during the period specified by the specifying unit.
前記特定部は、前記選択割合として、前記コンテンツの配信回数に対する選択回数の割合が所定の閾値を超えて減少する期間を特定する
ことを特徴とする請求項1に記載の抽出装置。
The extraction device according to claim 1, wherein the specifying unit specifies, as the selection ratio, a period during which a ratio of the number of selections with respect to the number of distributions of the content decreases beyond a predetermined threshold.
前記特定部は、前記コンテンツの単位時間当たりの配信回数が上昇し、かつ、当該コンテンツの選択割合が減少する期間を特定する
ことを特徴とする請求項1または2に記載の抽出装置。
The extraction device according to claim 1 or 2, wherein the specifying unit specifies a period in which the number of distributions of the content per unit time increases and a selection ratio of the content decreases.
前記抽出部は、前記所定の条件として、特定された期間に前記コンテンツが配信される可能性が低い利用者を抽出する
ことを特徴とする請求項1〜3のうちいずれか1つに記載の抽出装置。
The said extraction part extracts the user with low possibility that the said content will be delivered in the specified period as said predetermined conditions. The Claim 1 characterized by the above-mentioned. Extraction device.
前記抽出部は、前記所定の条件として、特定された期間に前記コンテンツを選択する可能性が低い利用者を抽出する
ことを特徴とする請求項1〜4のうちいずれか1つに記載の抽出装置。
The extraction unit according to any one of claims 1 to 4, wherein the extraction unit extracts, as the predetermined condition, a user who is unlikely to select the content during a specified period. apparatus.
前記コンテンツの配信履歴および選択履歴から、前記抽出部によって抽出された利用者に対する配信履歴および選択履歴を除外した情報を生成する生成部
を有することを特徴とする請求項1〜5のうちいずれか1つに記載の抽出装置。
6. The generator according to claim 1, further comprising: a generator that generates information excluding the distribution history and the selection history for the user extracted by the extraction unit from the distribution history and the selection history of the content. The extraction device according to one.
前記抽出部により抽出された利用者の特徴を学習する特徴学習部と、
前記コンテンツの配信履歴および選択履歴から、前記特徴学習部によって学習された特徴を有する利用者に対する配信履歴および選択履歴を除外した情報を生成する生成部
を有することを特徴とする請求項1〜5のうちいずれか1つに記載の抽出装置。
A feature learning unit for learning the features of the user extracted by the extraction unit;
6. A generation unit configured to generate information excluding a distribution history and a selection history for a user having a feature learned by the feature learning unit from the distribution history and selection history of the content. The extraction device according to any one of the above.
前記特徴学習部は、前記利用者の特徴として、所定期間において所定のアクセス先にアクセスした回数、所定期間において注目されていると判定された情報とアクセス回数との共起性、または、前記利用者に対して所定の情報をプッシュ通知する設定がなされているか否かの少なくともいずれか1つを学習する
ことを特徴とする請求項7に記載の抽出装置。
The feature learning unit, as the feature of the user, the number of accesses to a predetermined access destination in a predetermined period, the co-occurrence of information determined to be noticed in a predetermined period and the number of accesses, or the use The extraction device according to claim 7, wherein at least one of whether or not the user is set to push notification of predetermined information is learned.
前記生成部により生成された情報を用いて、前記コンテンツを選択する利用者の傾向を学習する傾向学習部
を有することを特徴とする請求項6〜8のうちいずれか1つに記載の抽出装置。
The extraction device according to any one of claims 6 to 8, further comprising a tendency learning unit that learns a tendency of a user who selects the content using information generated by the generation unit. .
抽出装置が実行する抽出方法であって、
コンテンツの選択割合が減少する期間を特定する特定工程と、
前記特定工程で特定した期間に当該コンテンツが配信された利用者の中から所定の条件を満たす利用者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。
An extraction method executed by an extraction device,
A specific process for identifying the time period during which the percentage of content selection will decrease,
An extraction step of extracting a user who satisfies a predetermined condition from users to whom the content has been distributed in the period specified in the specifying step.
コンテンツの選択割合が減少する期間を特定する特定手順と、
前記特定手順で特定した期間に当該コンテンツが配信された利用者の中から所定の条件を満たす利用者を抽出する抽出手順と
をコンピュータに実行させるための抽出プログラム。
A specific procedure for identifying the time period during which the percentage of content selection will decrease
An extraction program for causing a computer to execute an extraction procedure for extracting a user who satisfies a predetermined condition from users to whom the content has been distributed during the period specified by the specific procedure.
JP2017051877A 2017-03-16 2017-03-16 Extraction device, extraction method, and extraction program Active JP6736508B2 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2017051877A JP6736508B2 (en) 2017-03-16 2017-03-16 Extraction device, extraction method, and extraction program

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2017051877A JP6736508B2 (en) 2017-03-16 2017-03-16 Extraction device, extraction method, and extraction program

Publications (2)

Publication Number Publication Date
JP2018156323A true JP2018156323A (en) 2018-10-04
JP6736508B2 JP6736508B2 (en) 2020-08-05

Family

ID=63717208

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2017051877A Active JP6736508B2 (en) 2017-03-16 2017-03-16 Extraction device, extraction method, and extraction program

Country Status (1)

Country Link
JP (1) JP6736508B2 (en)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7354194B2 (en) 2021-09-14 2023-10-02 ヤフー株式会社 Information provision device, information provision method, and information provision program

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080300986A1 (en) * 2007-06-01 2008-12-04 Nhn Corporation Method and system for contextual advertisement
JP2011527798A (en) * 2008-07-10 2011-11-04 エヌエイチエヌ ビジネス プラットフォーム コーポレーション Method and system for providing advertisements based on time and time utility
JP2013125468A (en) * 2011-12-15 2013-06-24 Yahoo Japan Corp Advertisement distribution device
JP2014174753A (en) * 2013-03-08 2014-09-22 Yahoo Japan Corp Information processing unit, information processing method, and information processing program
JP2015230570A (en) * 2014-06-04 2015-12-21 日本電信電話株式会社 Learning model creation device, determination system and learning model creation method
JP2016177772A (en) * 2015-12-07 2016-10-06 ヤフー株式会社 Information processing device, information processing method, and information processing program
WO2016194041A1 (en) * 2015-05-29 2016-12-08 楽天株式会社 Information processing device, information processing method and information processing program

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080300986A1 (en) * 2007-06-01 2008-12-04 Nhn Corporation Method and system for contextual advertisement
JP2011527798A (en) * 2008-07-10 2011-11-04 エヌエイチエヌ ビジネス プラットフォーム コーポレーション Method and system for providing advertisements based on time and time utility
JP2013125468A (en) * 2011-12-15 2013-06-24 Yahoo Japan Corp Advertisement distribution device
JP2014174753A (en) * 2013-03-08 2014-09-22 Yahoo Japan Corp Information processing unit, information processing method, and information processing program
JP2015230570A (en) * 2014-06-04 2015-12-21 日本電信電話株式会社 Learning model creation device, determination system and learning model creation method
WO2016194041A1 (en) * 2015-05-29 2016-12-08 楽天株式会社 Information processing device, information processing method and information processing program
JP2016177772A (en) * 2015-12-07 2016-10-06 ヤフー株式会社 Information processing device, information processing method, and information processing program

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7354194B2 (en) 2021-09-14 2023-10-02 ヤフー株式会社 Information provision device, information provision method, and information provision program

Also Published As

Publication number Publication date
JP6736508B2 (en) 2020-08-05

Similar Documents

Publication Publication Date Title
US11153397B2 (en) Enhanced push messaging
US11809502B1 (en) Selecting content for devices specific to a particular user
AU2013230980B2 (en) Providing content to a user across multiple devices
CN104579912B (en) Data pushing method and device
US20150235258A1 (en) Cross-device reporting and analytics
JP2015521413A5 (en)
JP5094956B2 (en) Advertisement distribution server and advertisement distribution method
JP6576067B2 (en) Information processing apparatus, information processing program, and information processing method
JP2018045553A (en) Selection device, selection method, and selection program
US20120005021A1 (en) Selecting advertisements using user search history segmentation
WO2015016954A1 (en) Resource locator remarketing
KR20220137943A (en) pattern-based classification
JP6736508B2 (en) Extraction device, extraction method, and extraction program
US10417286B1 (en) Content Selection
US8566156B2 (en) Combining segments of users into vertically indexed super-segments
US11276079B2 (en) Method and system for meeting service level of content item promotion
JP6527276B2 (en) INFORMATION PROCESSING APPARATUS, INFORMATION PROCESSING PROGRAM, AND INFORMATION PROCESSING METHOD
JP7033864B2 (en) Judgment device, judgment method and judgment program
JP2020115285A (en) Calculation device, calculation method, and calculation program
JP7244449B2 (en) Information processing device, information processing method and information processing program
JP7184947B2 (en) Specific device, specific method and specific program
JP6695267B2 (en) Determination device, determination method, and determination program
US20230205754A1 (en) Data integrity optimization
JP6706701B1 (en) Information processing apparatus, information processing method, and information processing program
JP6721668B2 (en) Delivery device, delivery method, delivery program

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20190325

A711 Notification of change in applicant

Free format text: JAPANESE INTERMEDIATE CODE: A712

Effective date: 20191101

RD03 Notification of appointment of power of attorney

Free format text: JAPANESE INTERMEDIATE CODE: A7423

Effective date: 20191108

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20200302

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20200407

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20200605

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: 20200616

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20200715

R150 Certificate of patent or registration of utility model

Ref document number: 6736508

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

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