JP2019215778A - サービス提供システム、広告関連サービス提供システム、ユーザ側設備及びユーザ側広告設備 - Google Patents

Abstract

【課題】経費を極力抑えることのできるサービス提供システム及び広告関連サービス提供システムを提供する【解決手段】商品の価格データ４１を含むビッグデータを訓練データとして機械学習手段３４が機械学習を行った学習済みモデル５０を用いて、価格変動予測や最適化された広告を作成して提供する。商品の価格データ４１を入手する方法として、広告会社３１からチラシ２７のデータとその原稿データ２４とを提供してもらい、チラシ２７を原稿データ２４と照合して不一致箇所（校正箇所）を判別して広告会社に通知する。これにより、チラシ２７とその原稿データ２４の提供に対するインセンティブを広告会社３１に与える。【選択図】図１

Description

本発明は、例えば、価格変動予測を反映させたサービスを提供するサービス提供システム、チラシ等の広告に関連するサービスを提供する広告関連サービスシステム、ユーザ側設備及びユーザ側広告設備に関する。詳しくは、価格データをビッグデータとして蓄積してそのビッグデータを利用したサービスを提供するサービス提供システム、広告の校正すべき個所を判別して通知する広告関連サービス提供システム、少なくとも価格データをビッグデータとして蓄積してそのビッグデータを利用したサービスを提供するサービス提供システム側にネット接続可能なユーザ側設備、及び、広告作成に関するサービスを提供する広告関連サービス提供システム側にネット接続可能なユーザ側広告設備に関する。

この種のサービス提供システム、ユーザ側設備及びユーザ側広告設備として、各種取引価格の変動に関する市場情報を情報提供者から提供してもらい、その情報に基づいて価格の変動を予測するものがある（例えば特許文献１）。

広告関連サービス提供システムとしては、チラシ等の広告をその原稿データと照合し、原稿に従っていない箇所を発見するものがある（例えば特許文献２）。

特開２００１―２２８４９号公報 特開２００４―１３３７３４号公報

特許文献１に記載のものでは、情報提供者からの情報が集まりにくく、情報提供のためのインセンティブを情報提供者に与えるために有償で情報提供してもらう方法を取らざるを得ず、経費が嵩むという欠点があった。

特許文献２に記載のものでは、チラシ等の広告をその原稿データと照合するために人為的作業が必要であり、人件費等の経費が嵩むという欠点があった。

本発明は、かかる実情に鑑み考え出されたものであり、その目的は、経費を極力抑えることのできるサービス提供システム、広告関連サービス提供システム、ユーザ側設備及びユーザ側広告設備を提供することである。

本発明のある局面では、少なくとも価格データをビッグデータとして蓄積してそのビッグデータを利用したサービスを提供するサービス提供システムであって、
少なくとも価格データを受付けるデータ受付け手段と、
前記データ受付け手段により受付けられた価格データをビッグデータとして蓄積するビッグデータ蓄積手段と、
前記ビッグデータ蓄積手段により蓄積されたビッグデータに基づいて機械学習手段が機械学習を行った学習結果を反映させたサービスを提供するサービス提供手段と、
広告作成に関するサービスを提供する広告関連サービス提供手段と、を備え、
前記広告関連サービス提供手段は、前記データ受付け手段が受付けた価格データを反映した広告作成に関するサービスを前記価格データの提供者に提供する。

このような構成によれば、価格データの提供者は、データ受付け手段が受付けた価格データを反映した広告作成に関するサービスを受けることができるため、価格データを提供するためのインセンティブが与えられ、自ら率先して価格データを提供する傾向が生じる。

好ましくは、前記ビッグデータ蓄積手段は、価格変動の要因となる変動要因データもビッグデータとして蓄積し、
前記ビッグデータ蓄積手段により蓄積された前記価格データと前記変動要因データとに基づいて価格変動を予測する予測手段をさらに備え、
前記予測手段は、前記価格データと前記変動要因データとに基づいて前記機械学習手段が機械学習を行った学習結果を反映させて前記価格変動を予測し、
前記サービス提供手段は、前記予測手段による価格変動の予測を反映したサービスを提供するようにしてもよい。

好ましくは、前記ビッグデータ蓄積手段により蓄積されたビッグデータに基づいて前記機械学習手段が最適化された広告を作成するための機械学習を行った学習結果を反映させて広告を作成する広告作成手段をさらに備え、
前記サービス提供手段は、前記広告作成手段により作成された広告を提供するようにしてもよい。

好ましくは、前記広告作成手段により作成された広告の効果を測定する広告効果測定手段をさらに備え、
前記最適化された広告を作成するための機械学習は、前記広告効果測定手段による測定結果に従ってエージェントに報酬が与えられ、該エージェントが前記報酬の累積を最大化する方策を学習する強化学習であってもよい。

好ましくは、前記広告作成手段により作成された広告の効果を測定する広告効果測定手段をさらに備え、
前記最適化された広告を作成するための機械学習は、前記ビッグデータ蓄積手段により蓄積された前記価格データと価格変動の要因となる変動要因データとに基づいて予測手段が予測した価格を入力情報とし、且つ、前記広告効果測定手段により所定レベル以上の効果が測定された広告内容を正解情報とする訓練データを生成し、該訓練データを用いて教師あり学習を行い、回帰問題として入力を正解に写像する関数を学習する教師あり学習であってもよい。

本発明の他の局面では、少なくとも価格データをビッグデータとして蓄積してそのビッグデータを利用したサービスを提供するサービス提供システム側にネット接続可能なユーザ側設備であって、
少なくとも価格データを前記サービス提供システム側に提供するデータ提供手段と、
前記サービス提供システム側に設けられたビッグデータ蓄積手段により、前記データ提供手段により提供された価格データがビッグデータとして蓄積され、該蓄積されたビッグデータに基づいて機械学習手段が機械学習を行った学習結果を反映させたサービスを前記サービス提供システム側から享受するサービス享受手段と、
前記サービス提供システム側に設けられた広告関連サービス提供手段から広告作成に関するサービスを享受する広告関連サービス享受手段と、を備え、
前記広告関連サービス享受手段は、前記データ提供手段により提供された価格データを反映した広告作成に関するサービスを享受する。

このような構成によれば、価格データの提供者は、データ提供手段が提供した価格データを反映した広告作成に関するサービスを受けることができるため、価格データを提供するためのインセンティブが与えられ、自ら率先して価格データを提供する傾向が生じる。

本発明の他の局面では、広告作成に関するサービスを提供する広告関連サービス提供システムであって、
広告のデータを受付ける広告データ受付け手段と、
前記広告の作成に用いられた原稿データを受付ける原稿データ受付け手段と、
前記広告データ受付け手段により受付けられた広告のデータと前記原稿データ受付け手段により受付けられた原稿データとに基づいて、前記広告と前記原稿データとの整合性を判定して前記広告の校正すべき個所を判別する校正箇所判別手段と、を備え、
前記校正箇所判別手段は、前記広告と前記原稿データとの整合性を判定するための機械学習を校正用機械学習手段が行なった学習結果を反映させて前記整合性を判定する。

このような構成によれば、校正用機械学習手段が行なった学習結果を反映させて広告と原稿データとの整合性が判定されて広告の校正すべき個所が判別されるため、極力人為的作業を省くことができる。

好ましくは、前記広告のデータは複数の広告商品のデータを含んでおり、
前記原稿データは広告対象の複数の商品各々についての広告内容を指定するデータを含み、
前記校正用機械学習手段が行なう機械学習は、前記広告データ受付け手段により受付けられた広告のデータを単一値組毎に区分けして識別するための値組毎区分け識別用機械学習を含み、
前記校正箇所判別手段は、
前記値組毎区分け識別用機械学習による学習結果を反映させて前記広告のデータを単一値組毎に区分けして識別する値組毎区分け識別処理と、
前記値組毎区分け識別処理により識別された単一値組の各々が、前記原稿データにおけるどの部分の広告内容に対応するかを特定する原稿対応部分特定処理と、
前記値組毎区分け識別処理により識別された単一値組の各々と、前記原稿対応部分特定処理により特定された広告内容とをマッチングさせて前記整合性を判定する整合性判定処理と、を行うようにしてもよい。

好ましくは、前記整合性判定処理は、前記値組毎区分け識別処理により単一値組毎に区分けして識別された各単一値組の文字画像と前記原稿データとの整合性を判定するようにしてもよい。

好ましくは、前記校正用機械学習手段が行なう機械学習は、前記値組毎区分け識別処理により単一値組毎に区分けして識別された各単一値組の文字画像をテキストデータ化するためのテキストデータ化機械学習を含み、
前記整合性判定処理は、前記テキストデータ化機械学習による学習結果を反映させて前記文字画像をテキストデータ化したうえで、該テキストデータと前記原稿データとの整合性を判定するようにしてもよい。

好ましくは、前記校正用機械学習手段が行なう機械学習は、前記広告商品に相当する実際の商品のオリジナル画像のデータに基づいて当該商品の特徴を学習するための商品特徴学習をさらに含み、
前記商品特徴学習により学習した商品の特徴と当該商品を識別するための識別情報とを対応付けて記憶する対応付け記憶手段をさらに備え、
前記原稿データは、広告対象の複数の商品各々についてその広告内容と当該商品の前記識別情報とが対応付けられたデータであり、
前記原稿対応部分特定処理は、広告商品の識別に用いた商品の特徴に対応付けられて前記対応付け記憶手段に記憶されている識別情報を特定し、該識別情報に対応付けられた広告内容を前記原稿データから特定するようにしてもよい。

好ましくは、前記校正用機械学習手段は、所定の属性毎にグルーピングされたデータに基づいて機械学習を行うことによりグループ毎に特化した機械学習を行い、
前記校正箇所判別手段は、前記校正用機械学習手段による前記グループ毎に特化した機械学習の結果を反映させて前記整合性を判定するようにしてもよい。

本発明の他の局面では、広告作成に関するサービスを提供する広告関連サービス提供システム側にネット接続可能なユーザ側広告設備であって、
広告を前記広告関連サービス提供システム側に提供する広告提供手段と、
前記広告の作成に用いられた原稿データを前記広告関連サービス提供システム側に提供する原稿データ提供手段と、
前記広告関連サービス提供システム側に設けられた校正箇所判別手段において、前記広告提供手段により提供された広告のデータと前記原稿データ提供手段により提供された原稿データとに基づいて、前記広告と前記原稿データとの整合性が判定されて前記広告の校正すべき個所が判別され、該判別結果に基づいたサービスを前記広告関連サービス提供システム側から享受する享受手段と、を備え、
前記校正箇所判別手段は、前記広告と前記原稿データとの整合性を判定するための機械学習を校正用機械学習手段が行なった学習結果を反映させて前記整合性を判定する。

このような構成によれば、校正用機械学習手段が行なった学習結果を反映させて広告と原稿データとの整合性が判定されて広告の校正すべき個所が判別され、該判別結果に基づいたサービスを享受することができるため、極力人為的作業が省かれた人件費の削減されたサービスを受けることができる。

サービス提供システムの全体構成を示す図である。 サービス提供システム及び広告関連サービス提供システムのハードウェア構成を示す図である。 ユーザ端末のハードウェア構成を示す図である。 （Ａ）は広告主のユーザ端末の処理を示すフローチャートであり、（Ｂ）は広告効果測定処理を示すフローチャートであり、（Ｃ）はビッグデータ機械学習処理のメインルーチンを示すフローチャートである。 （Ａ）は価格変動予測用機械学習のサブルーチンプログラムを示すフローチャートであり、（Ｂ）は最適化広告生成用機械学習のサブルーチンプログラムを示すフローチャートである。 （Ａ）は最適化広告生成用教師あり学習のサブルーチンプログラムを示すフローチャートであり、（Ｂ）は最適化広告生成用強化学習のサブルーチンプログラムを示すフローチャートである。 価格変動予測処理のフローチャートである。 校正用機械学習手段の全体構成を示す図である。 チラシ校正箇所判別処理のメインルーチンを示すフローチャートである。 チラシ校正箇所判別処理の流れを説明する説明図であり、（Ａ）はチラシを示す図、（Ｂ）はチラシ上の複数の値組を単一値組毎に識別する図、（Ｃ）は単一値組を切り出した図、（Ｄ）は商品画像と文字画像とを分離した図、（Ｅ）は文字画像をＯＣＲでテキストデータにして作成したＡＩデータと原稿データとを対比して不一致箇所を出力する図である。 （Ａ）は参照格納部選定処理のサブルーチンプログラムを示すフローチャートであり、（Ｂ）は単一値組識別処理のサブルーチンプログラムを示すフローチャートであり、（Ｃ）は商品画像識別処理のサブルーチンプログラムを示すフローチャートであり、（Ｄ）は対象商品画像抽出処理のサブルーチンプログラムを示すフローチャートである。 （Ａ）は対応ラベル抽出処理のサブルーチンプログラムを示す図であり、（Ｂ）は文字位置識別処理のサブルーチンプログラムを示すフローチャートであり、（Ｃ）はＯＣＲによるＡＩデータ作成処理のサブルーチンプログラムを示すフローチャートであり、（Ｄ）は単語分類処理のサブルーチンプログラムを示すフローチャートである。 （Ａ）はクローラ収集データと原稿データとの対比処理のサブルーチンプログラムを示すフローチャートであり、（Ｂ）はＡＩデータと原稿データとの対比処理のサブルーチンプログラムを示すフローチャートであり、（Ｃ）は価格データの記憶処理のサブルーチンプログラムを示すフローチャートである。 広告作成会社のユーザ端末の処理を示すフローチャートである。 （Ａ）は実践段階での訓練データによる学習処理のサブルーチンプログラムを示すフローチャートであり、（Ｂ）は実践段階での訓練データによる学習済み格納部にグルーピングされて格納されている学習済みモデルを示す図である。

本実施の形態におけるサービス提供システム、広告関連サービス提供システム、ユーザ側設備及びユーザ側広告設備を図面に基づいて詳細に説明する。以下には、データベースをＤＢ、人工知能をＡＩと記載する。本実施の形態におけるサービス提供システムはＡＩによる機械学習を利用したものであり、その全体システム構成を図１に基づいて説明する。

このサービス提供システムは、ビッグデータを利用した訓練データにより機械学習手段３４が機械学習を行い、それによって生成された学習済みモデル５０に対してビッグデータを入力し、価格変動予測及びその価格変動予測に基づいた先物取引を行い、さらには最適化された広告を生成して広告主３９や広告作成会社３１に提供（送信）する機能を有している。

収集したビッグデータを入力してビッグデータＤＢ３６に蓄積する方法は、広告作成会社３１から提供されるチラシ２７及びそれを作成するための原稿データ２４の入力、クローラ３７がネット上を巡回して集めたデータ（例えば、天候，自然災害，株価，為替レート，金利，景気動向，所得変動，地政学的リスク等）の入力、広告主３０から提供される広告効果測定用のデータ（例えば、ＰＯＳデータ，チラシクーポンの利用数，チラシの問合わせ数等）の入力、の３つの方法を採用している。

広告主３０から広告作成の依頼を受けた広告作成会社３１は、広告の一例としてのチラシ２７作成用の原稿データ２４を作成すると共に、その原稿データ２４に基づいたチラシ２７を作成する。この原稿データ２４及びチラシ２７のデータが広告関連サービス提供手段３５に入力されることにより、広告関連サービス提供手段３５は、原稿データ２４及びチラシ２７のデータのマッチングをＡＩにより行い、原稿データ２４と相違しているチラシ２７部分を見つけ出して広告校正箇所として広告作成会社３１に提供する。

広告作成会社３１は、広告校正箇所が提供されることにより、チラシ２７及びその原稿データ２４を広告関連サービス提供手段３５へ提供するためのインセンティブを得ることとなり、自ら率先してチラシ２７及びその原稿データ２４を広告関連サービス提供手段３５へ提供することとなる。このようにして広告作成会社３１から提供された広告に関するデータ、特に商品毎の価格を含む商品データ（品名・容量・価格・販売制限数等）が価格データ４１としてビッグデータＤＢ３６に蓄積される。

このサービス提供システムには、広告効果測定手段３８が設けられている。広告効果測定手段３８は、広告主３０から提供された効果データ（例えば、ＰＯＳデータ，チラシクーポンの利用数，チラシの問合わせ数等）に基づいて広告効果の測定が行われ、その効果測定結果が広告主３０に提供される。その結果、広告主３０は、効果データを提供するためのインセンティブを得ることとなり、自ら率先して効果データを提供することとなる。その提供された効果データ４２がビッグデータＤＢ３６に蓄積される。

クローラ３７は、定期的にネット上を巡回して、価格変動予測や最適化された広告の作成に必要となる各種データを収集する。その収集データがクローラ収集データ４０としてビッグデータＤＢ３６に蓄積される。

機械学習手段３４が例えば教師あり学習を行う場合には、ビッグデータＤＢ３６に蓄積されている各種データから抽出した入力情報（ベクトルｘ）と正解情報ｙとからなる大量のデータセットを訓練データとして機械学習手段３４に入力する。機械学習手段３４はその訓練データに基づいて教師あり学習を行い、学習済みモデル５０を生成する。教師あり学習の場合、入力ｘを正解ｙに写像する関数ｃi（ｘ）（ci：ｘ→ｙ）を学習するものであるため、学習済みモデルは関数ｃiを含むものとなる。なお、機械学習手段３４が行う機械学習は、教師あり学習に限定されるものではなく、モデル推定やパターンマイニング（データマイニング）等の教師なし学習、教師あり学習と教師なし学習との中間的手法である半教師あり学習や強化学習や深層学習等、どのようなものであってもよい。

生成された学習済みモデル５０に対しビッグデータＤＢ３６から抽出された入力データを入力することにより、教師あり学習の回帰問題として例えば価格変動予測が可能となる。この予測結果をクラウドサービスとしてユーザ（例えば広告主３０や広告作成会社３１等）に提供する。さらには、この価格変動の予測結果を活用した各種サービス（例えば先物取引等）を提供してもよい。

次に、図２を参照して、サービス提供システム及び広告関連サービス提供システムのハードウェア構成を説明する。サービス提供システム及び広告関連サービス提供システムによってもたらされるサービスは、クラウド４３からインターネット経由でユーザ（広告主３０や広告作成会社３１等）に提供される。そのために、多数のサーバ１４が設置されたデータセンタ４４が設けられており、広告主３０や広告作成会社３１等に設置されている端末（パーソナルコンピュータやスマートフォン等）とデータセンタ４４とがインターネット経由で情報通信可能に接続されている。

サーバ１４は、制御中枢としてのＣＰＵ（Central Processing Unit）１０、ＣＰＵ１０のワークエリアとして機能するＲＡＭ（Random Access Memory）９、データやプログラムを記憶しているＲＯＭ（Read Only Memory）１１、ＨＤＤ（hard disk drive）１２などの記憶手段、ディスプレイ、キーボード等の入力操作部７、通信部５、表示部６、インタフェース８、バス１３、その他種々のハードウェアによって構成される。

サーバ１４は、ノイマン型の一般的なコンピュータを用いているが、ニューラル・ネット・プロセッサー（ＮＮＰ）を用いてもよい。ＮＮＰのチップ上には本物のニューロンをモデルにした「人工ニューロン」が多数搭載されており、各ニューロンはネットワークでそれぞれ連携し合う。また、「量子アニーリング方式」を採用した量子コンピュータを用いてもよい。これにより、機械学習における最適化計算の所要時間を大幅に短縮できる。

図３に、ユーザ端末７４のハードウェア構成を示している。広告主３０が運営する複数の店舗７３（図面上では１つしか示していない）には、広告主３０が取り扱う商品が陳列されて販売されている。この各店舗７３には、ＰＯＳ（Point Of Sale）システムが設置されており、商品毎の価格、販売個数、販売日時はもとより、販売時点の天候、顧客の年齢層、性別、購入商品、ポイント管理等のＰＯＳデータが収集されて、各店舗７３のユーザ端末７４に蓄積される。

広告主３０の各ユーザ端末７４は社内ＬＡＮ（Local Area Network）８４によって接続されている。その社内ＬＡＮ８４にインターネット等を介して各店舗７３のユーザ端末７４が接続されている。各店舗７３のユーザ端末７４に蓄積されたＰＯＳデータがインターネット及び社内ＬＡＮ８４を経由して広告主３０のユーザ端末７４へ送信される。広告主３０のユーザ端末７４は、送信されてきたＰＯＳデータを集計し、広告効果を測定するための効果データとして定期的にデータセンタ４４へ送信する。

広告作成会社３１の各ユーザ端末７４も社内ＬＡＮ８４によって接続されている。その社内ＬＡＮ８４がインターネット等によりデータセンタ４４に接続されている。広告作成会社３１のユーザ端末７４は、チラシ作製用の原稿データをデータセンタ４４に送信すると共に、その原稿データに基づいて作成したチラシのデータをデータセンタ４４に送信する。

各店舗７３のユーザ端末７４、広告主３０のユーザ端末７４及び広告作成会社３１のユーザ端末７４のハードウェア構成を図３に示す。このハードウェア構成は、図２に示したサーバ１４のハードウェア構成と同じであり、ここでは説明の繰り返しを省略する。

次に、図４（Ａ）を参照して、広告主３０のユーザ端末７４の処理を説明する。ステップＳ（以下単に「Ｓ」という）１５０により、各店舗７３のユーザ端末７４からＰＯＳデータを受信したか否か判定される。受信していなければ制御がＳ１５２へ進むが、受信した場合にはＳ１５１により、受信したＰＯＳデータを分類して効果データとして格納する処理がなされる。次に、Ｓ１５２により、効果データをデータセンタ４４に送信する時期が来たか否か判定される。未だ時期が来ていない場合には制御がＳ１５５へ進むが、時期が来た場合には、格納されている効果データをデータセンタ４４のサーバ１４へ送信する処理がなされる（Ｓ１５３ａ）。サーバ１４では、広告効果測定処理のＳ１５３ｂにより、その送信されてきた効果データを受信してビッグデータＤＢ３６に効果データ４２として格納する。

次に、広告主３０のユーザ端末７４は、Ｓ１５４により、格納されている効果データを消去する。次に、Ｓ１５５により、最適化広告または価格変動予測を受信したか否か判定し、受信していない場合は制御がＳ１５０へ戻る。一方、後述するＳ４８により最適化広告がサーバ１４から送信されて来れば、Ｓ１５５によりＹＥＳと判定され、Ｓ１５６によりその受信した最適化広告を格納した後、制御がＳ１５０に戻る。また、後述するＳ５８により価格変動予測がサーバ１４から送信されて来れば、Ｓ１５５によりＹＥＳと判定され、Ｓ１５６によりその受信した価格変動予測を格納した後、制御がＳ１５０に戻る。

次に、図４（Ｂ）を参照して、前述の広告効果測定手段３８による広告効果測定処理の内容を説明する。Ｓ１により、単一値組識別処理により区分けされた値組各々をgjとする処理が行われる。ここに、jは訓練データ中のj番目の事例であり、１,２,３,・・・,Ｊの値を取る。Ｊは値組の総数である。値組とは、チラシにおける「商品画像＋価格及び商品名などの文字画像」で構成されるものである（図１０（Ｂ）の値組９９ａ、９９ｂ，９９ｃ，９９ｄ参照）。また「単一値組識別処理」とは、チラシ上に掲載された複数の値組を単一値組毎に区分けして識別する処理であり、図１１（Ｂ）に基づいて後述する。

次に、Ｓ２において、jに初期値「１」がセットされる。次にＳ３において、gjに関する効果データ４２がビッグデータＤＢ３６から読み出される。この段階では、j＝１となっているために、g１の値組に関する効果データが読み出されることとなる。例えば、g１が広告主Ａの商品鶏むね肉の値組（図１０（Ｂ）（Ｃ）の値組９９ｄ参照）であった場合には、広告主Ａから送られてきた鶏むね肉の効果データ（ＰＯＳデータ，チラシクーポンの利用数，チラシの問合わせ数等）が読み出される。

次にＳ４において、広告主から送られてきた販売個数、売上、チラシクーポンの利用数、チラシの問合わせ数を、それぞれの標準値で除した値が算出される。この標準値とは、例えばg１（鶏むね肉）の場合にその広告主Ａにおけるg１（鶏むね肉）の販売個数、売上、チラシクーポンの利用数、チラシの問合わせ数についての現在までの平均値のことである。

次にＳ５において、算出された各値の合計によってgjについての広告効果点数tjを算出する処理が行われる。Ｓ６において、gjについての広告効果（tj）が広告効果測定手段３８から出力されて該当する広告主３０へ提供される。

Ｓ７により、現時点のjに１を加算し、Ｓ８において、jがＪを超えたか否か判定される。未だに超えていない場合には制御がＳ３へ戻る。このＳ３→Ｓ４→Ｓ５→Ｓ６→Ｓ７→Ｓ８→Ｓ３のループを巡回する度にＳ７によりjが「１」加算され、jが１,２,３,・・・と歩進される。値組gjも、g１，g２，g３，・・・と更新されることとなる。そして、jが値組の総数Ｊを超えた段階でＳ８によりＹＥＳと判定され、この広告効果測定処理がリターンする。

次に、機械学習手段３４によるビッグデータ機械学習処理を、図４（Ｃ）に基づいて説明する。Ｓ９により価格変動予測用機械学習が行われ、Ｓ１０により最適化広告生成用機械学習が行われる。

Ｓ９の価格変動予測用機械学習のサブルーチンプログラムのフローチャートを図５（Ａ）に基づいて説明する。Ｓ１５において、各商品種類をｋjと定義する処理が行われる。ここに、ｊは全商品種類中のj番目の商品種類であり、１,２,３,・・・,Ｊの値を取る。Ｊは商品種類の総数である。

次に、Ｓ１６において、ｊに初期値１がセットされる。Ｓ１７において、商品種類kjについて、過去のクローラ収集データをベクトルｘji、そのときの価格を正解情報ｙjiとするデータセットからなる訓練データ{(ｘji,ｙji)}が生成される。ここに、iは、訓練データ中のi番目の事例であり、１,２,３,・・・,Ｉの値を取る。Iは訓練データの総数である。

次に、Ｓ１８において、訓練データ{(ｘji,ｙji)}を用いて教師あり学習を行い、回帰問題として入力ｘを正解ｙに写像する関数ｃj（ｘ）（cj：ｘ→ｙ）を学習する処理が行われる。

Ｓ１９により、現時点のjに１を加算し、Ｓ２０において、jがＪを超えたか否か判定される。未だに超えていない場合には制御がＳ１７へ戻る。このＳ１７→Ｓ１８→Ｓ１９→Ｓ２０→Ｓ１７のループを巡回する度にＳ１９によりjが「１」加算され、jが１,２,３,・・・と歩進される。商品種類kjも、k１，k２，k３，・・・と更新されることとなる。そして、jが商品種類の総数Ｊを超えた段階でＳ２０によりＹＥＳと判定され、この価格変動予測用機械学習がリターンする。

次に、Ｓ１０の最適化広告生成用機械学習のサブルーチンプログラムのフローチャートを図５（Ｂ）に基づいて説明する。Ｓ２５において、学習対象の各商品種類をｋjと定義する処理が行われる。ここに、ｊは全商品種類中のｊ番目の商品種類であり、１,２,３,・・・,Ｊの値を取る。Ｊは商品種類の総数である。次に、Ｓ２６によりｊに初期値「１」がセットされる。Ｓ２７において、商品種類ｋjは教師あり学習を終了しているか否か判定される。この段階では、ｊ＝１のため、商品種類ｋ１が教師あり学習を終了しているか否か判定される。未だ教師あり学習が終了していない場合にはＳ２８により最適化広告生成用教師あり学習が行われる。

一方、既に教師あり学習が終了している場合にはＳ２９により最適化広告生成用教強化学習が行われる。つまり、最適化広告生成用機械学習では、最初に教師あり学習が行われ、教師あり学習が終了した商品種類については強化学習が行われるのである。これにより最適化広告生成用機械学習の効率化が可能となる。強化学習とは、ある環境の状態に置かれたエージェントが、行動を選択したときに与えられる報酬をもとに、初期状態からゴールまでの累積報酬を最大化するような方策を獲得する仕組みのことである。強化学習ではＡＩの一種であるソフトウェアエージェント（以下「エージェント」という）と環境が相互作用することで学習を進めていく。ここにエージェントとはＡＩの一種であり、ユーザやソフトウェアなどと通信しながら自らがある程度の判断能力を持って自律的にふるまい永続的に活動するソフトウェアのことである。エージェントが環境に対して或る行為ａを行うことによりその環境の状態ｓが変化し或る目的状態に達することにより報酬ｒがエージェントに与えられる。エージェントは、この報酬ｒを最大化することを目的として状態ｓを入力として行為ａを出力する関数を学習する。

強化学習は次の単純なステップを繰り返すことで時間が進行していく。
１ エージェントは環境から受け取った観測o（あるいは直接、環境の状態s）を受け取り、方策πに基いて環境に行為aを返す。
２ 環境はエージェントから受け取った行為aと現在の状態sに基いて、次の状態s′に変化し、その遷移に基いて次の観測o′と、報酬rと呼ばれる直前の行動の良し悪しを示す1つの数（スカラー量）をエージェントに返す。
３ 時間の進行：t←t+1
ここで←は代入操作を表す。

Ｓ２８またはＳ２９のステップの実行後に制御がＳ３０に進み、現時点のjに１を加算し、Ｓ３１において、jがＪを超えたか否か判定される。未だに超えていない場合には制御がＳ２７へ戻る。このＳ２７→Ｓ２８またはＳ２９→Ｓ３０→Ｓ３１→Ｓ２７のループを巡回する度にＳ３０によりjが「１」加算され、jが１,２,３,・・・と歩進される。商品種類kjも、k１，k２，k３，・・・と更新されることとなる。そして、jが商品種類の総数Ｊを超えた段階でＳ３１によりＹＥＳと判定され、この最適化広告生成用機械学習がリターンする。

次に、Ｓ２８の最適化広告生成用教師あり学習のサブルーチンプログラムのフローチャートを図６（Ａ）に基づいて説明する。Ｓ３６において、商品種類kjについて、広告効果測定処理（図４（Ｂ）参照）により算出された過去の広告効果点数tjのうち高得点のチラシ２７に記載された価格Ｐjiとそのときの予測価格pjiを全て抽出する処理が行われる。ここに、iは全抽出データ中のi番目の抽出データであり、１,２,３,・・・,Ｉの値を取る。Ｉは抽出データの総数である。「高得点のチラシ」とは、具体的には、過去の広告効果点数tjのうち例えば上位１０％の広告効果点数となったチラシである。

次に、Ｓ３７において、kjについて、pjiを入力情報（ベクトルｘji）、Ｐjiを正解情報ｙjiとするデータセットからなる訓練データ{(ｘji,ｙji)}が生成される。Ｐjiは商品種類kjについて高得点のチラシに記載された価格であり（Ｓ３６参照）、正解情報に相応しいデータである。

次に、Ｓ３８において、{(ｘji,ｙji)}を用いて教師あり学習を行い、回帰問題として入力ｘを正解ｙに写像する関数ｃj（ｘ）（cj：ｘ→ｙ）が学習される。商品種類kjの最適化広告生成用教師あり学習を完了した段階で、例えば完了フラグをkjに対応付けて記憶する。この完了フラブが記憶されているか否かを前述のＳ２７で判別することにより、kjが教師あり学習を終了しているか否か判定する。

次に、Ｓ２９の最適化広告生成用強化学習のサブルーチンプログラムのフローチャートを図６（Ｂ）に基づいて説明する。Ｓ４６において、広告主３０に提供された最適化広告のチラシ２７に掲載された商品種類kjについて、広告効果測定処理（図４（Ｂ）参照）により算出された広告効果点数tjに基づいて報酬ｒを算出する処理が行われる。広告効果点数tjが高得点ほど報酬ｒが大きくなるように制御される。次に、Ｓ４７において、ＴＤ学習により最適政策π^＊に従った行為ａとしての価格Ｐiを求める処理が行われる。ＴＤ学習とはTemporal Differelce学習のことであり、モデルフリーの手法を用いてＱ値を推定するものである。時間ｔのときの状態をｓ_ｔとすると一般的に最適政策は、
π^＊（ｓ_ｔ）：Choose ａ_ｔ ^＊ifＱ^＊（ｓ_ｔ，ａ_ｔ ^＊）
の式で表される。次に、Ｓ４８において、商品価格をＰjとした最適化広告を生成して広告主３０や広告作成会社３１に送信（提供）する。

次に、価格変動予測処理の内容を図７に基づいて説明する。Ｓ５５において、各商品種類がｋjと定義される。ここに、jは全商品種類中のj番目の商品種類であり、１,２,３,・・・,Ｊの値を取る。Ｊは商品種類の総数である。Ｓ５６によりjに初期値「１」がセットされる。Ｓ５７において、現在の各効果データ４２をビッグデータＤＢ３６から読み出して関数ｃj（ｘ）に代入して価格Pjを予測する処理が行われる。ここに、関数ｃj（ｘ）は前述のＳ１８により学習された価格変動予測用の関数である。

次に、予測された価格pjがＳ５８により送信される。この送信は、具体的には、商品種類kjを取り扱っている広告主や広告作成会社へ価格pjを送信することである。なお、Ｓ５８により逐一送信する代わりに、Ｓ５８により商品種類kj毎に価格pjを集計し、その集計結果をまとめて広告主や広告作成会社へ送信してもよい。Ｓ５９により、現時点のjに１を加算し、Ｓ６０において、jがＪを超えたか否か判定される。未だに超えていない場合には制御がＳ５７へ戻る。このＳ５７→Ｓ５８→Ｓ５９→Ｓ６０→Ｓ５７のループを巡回する度にＳ５９によりjが「１」加算され、jが１,２,３,・・・と歩進される。商品種類kjも、k１，k２，k３，・・・と更新されることとなる。そして、jが商品種類の総数Ｊを超えた段階でＳ６０によりＹＥＳと判定され、この価格変動予測処理がリターンする。

次に、広告関連サービス提供手段３５がチラシ２７の校正箇所を判別するため事前に校正用機械学習手段３３が行う機械学習を図８に基づいて説明する。校正用機械学習手段３３には、大量のオリジナル商品画像（実物商品の画像）２５と当該商品のＪＡＮコード等のラベルとが対応付けられた商品特徴学習用データ８７が入力され、その商品特徴学習用データ８７に基づいて商品特徴学習２２が行われる。パッケージ商品の場合にはＪＡＮコードが割振られて付されるためＪＡＮコードをラベルとして用いて当該商品を識別するが、例えばサーモンの切り身等の非パッケージ商品の場合にはＪＡＮコードが割振られていないため、本広告関連サービスの提供を行う主体（業者）が独自に割り振ったハウスコードを商品識別用のラベルとして用いる。

校正用機械学習手段３３には、大量のチラシ２７のデータが入力され、そのチラシ２７のデータに基づいて、チラシ特徴学習２３、広告値組境界学習３、商品画像識別用学習４、文字位置学習２８、ＯＣＲ学習１６及び単語分類学習３９が行われる。オリジナル商品画像２５とは、チラシ２７に掲載されている各種商品の実物の画像データであり、類似商品の画像データも含む。類似商品が多ければ多いほど特徴量の抽出が可能となる。

商品特徴学習２２は、チラシ上の同じ商品画像でも、映っている角度が異なったり、色が異なったりするものが存在するために、実物の商品の特徴量を学習するものであり、ＮＮ（Neural Netwark)またはＤＮＮ（Deep Neural Netwark)を用いて商品毎の特徴量を学習する。その学習結果である学習済み商品特徴量２０が学習段階学習済み格納部２１に格納される。学習済み商品特徴量２０は、各商品の特徴量と当該商品のラベル（ＪＡＮコードまたはハウスコード等）とが対応付けられて格納される。

チラシ特徴学習２３は、入力されたチラシ２７の画像データからチラシの特徴量を学習するものであり、ＮＮまたはＤＮＮを用いて学習する。その学習結果である学習済みチラシ特徴量１が学習段階学習済み格納部２１に格納される。

広告値組境界学習３、商品画像識別用学習４、文字位置学習２８、ＯＣＲ学習１６及び単語分類学習３９は、図５（Ａ）及び図６（Ａ）と同様の教師あり学習を用いるが、正解がラベルの識別（classification）問題である。また、大量の画像データからの機械学習のため、人間が特徴抽出して入力ベクトルｘとして入力する人為的負担を極力少なくするべく、ＣＮＮ（Convolutional Neural Network）やＲＮＮ（Recurrent Neural Network）さらにはＬＳＴＭ（Long Short-Term Memory）を用いる。ＣＮＮとは、畳み込みニューラルネットワークのことであり、順伝播型人工ディープニューラルネットワークの一種である。画像や動画認識に広く使われているモデルである。ＲＮＮとは、再帰型ニューラルネットワークのことであり、自然言語処理の分野で高い成果をあげているアルゴリズムである。ＬＳＴＭとは、ＲＮＮの拡張として１９９５年に登場した、時系列データ(sequential data)に対するモデル、あるいは構造(architecture)の1種であり、短期記憶を長期に渡って活用することを可能にしたものである。

広告値組境界学習３は、チラシに掲載されている複数の値組画像同士の境界を識別して複数の値組画像から単一値組画像を切り出すための機械学習であり、ＣＮＮ、ＲＮＮ及びＬＳＴＭを用いる。広告値組境界学習３による学習結果である広告値組境界学習済みモデル２が学習段階学習済み格納部２１に格納される。

商品画像識別用学習４は、切り出された単一値組画像から商品画像を識別するための機械学習であり、ＣＮＮ等を用いる。単一値組画像中には、商品画像とその商品の価格や商品名などのテキスト画像（文字画像）とが含まれており、このような単一値組画像中の商品画像を識別する機械学習が商品画像識別用学習４である。この商品画像識別用学習４による学習結果である商品画像識別用学習済みモデル１８が学習段階学習済み格納部２１に格納される。

文字位置学習２８は、切り出された単一値組画像を基に商品画像に対するテキスト画像（文字画像）の位置を識別するための機械学習であり、ＣＮＮを用いる。この文字位置学習２８による学習結果である文字位置学習済みモデル１９が学習段階学習済み格納部２１に格納される。

ＯＣＲ学習１６は、チラシ２７で使われている文字のフォントの学習、文字の大きさ及び太さが異なるデザインの学習、文字列（1行）の長さが異なるものの学習、文字間が異なるものの学習、及び、行間が異なるものの学習、背景色（ノイズ有り）の学習等を行う機械学習であり、ＬＳＴＭやＣＮＮを用いる。このＯＣＲ学習１６による学習結果であるＯＣＲ学習済みモデル１７が学習段階学習済み格納部２１に格納される。

単語分類学習３９は、ＯＣＲにより識別された各文字列の内容が、価格、容量、商品名、メーカ名等のどのカテゴリーのものであるかを識別するための機械学習であり、この単語分類学習３９による学習結果である単語分類学習済みモデル３２が学習段階学習済み格納部２１に格納される。ＯＣＲ学習済みモデル１７及び単語分類学習済みモデル３２を利用して後述するようにＡＩデータが作成される（図１２（Ｃ）参照）。原稿データ２４は、各カテゴリーで項目が分かれているエクセルデータであり（図１０（Ｅ）の「ラベル、商品名、メータ、値段」等参照）、この単語分類学習済みモデル３２を利用することにより、原稿データ２４とＡＩデータとを各項目毎に対比することが可能となる。

次に、図９に基づいて、広告関連サービス提供手段３５が行うチラシ校正箇所判別処理を説明する。Ｓ６５において、チラシ画像を受付けたか否か判定される。後述するＳ１８３によりチラシの画像データがデータセンタ４４に送信されて広告関連サービス提供手段３５に入力されれば、Ｓ６５によりＹＥＳと判定される。なお、広告作成会社３１は、チラシの画像データを送信する代わりに、本広告関連サービスの提供を行う主体（業者）にチラシ自体を送ってもよい。その場合には、本広告関連サービスの提供を行う主体（業者）がチラシ紙面の画像をスキャンするか、または、パーソナルコンピュータで組版したデータをＰＤＦ化して、画像データをサーバ１４に送信して広告関連サービス提供手段３５に入力する。

広告作成会社３１から提供されたチラシ２７の画像データが広告関連サービス提供手段３５に入力されれば、Ｓ６５によりＹＥＳと判定されてＳ６７により原稿データ２４を受付けたか否か判定される。後述するＳ１８１により広告作成会社３１から送信されてきた（提供された）原稿データ２４が広告関連サービス提供手段３５に入力されれば、Ｓ６７によりＹＥＳと判定されて制御がＳ６８へ進む。

一方、Ｓ６５によりＮＯと判定された場合またはＳ６７によりＮＯと判定された場合には、制御がＳ６６へ進み、クローラ処理が行われる。このクローラ処理は、クローラが定期的にネット上を巡回して広告主３０のホームページ等で取り扱い商品や営業日時等の情報を収集する処理である。収集された情報は入力された原稿データ２４と照合されて相違している箇所が抽出される。例えば、広告主３０がドラッグストアＡ店だった場合に、そのドラッグストアＡ店のホームページから取り扱い商品（例えば第２類薬品及び第３類薬品）の情報を収集してドラッグストアＡ店の原稿データ２４やチラシ２７の画像データと照合する。その結果、原稿データ２４やチラシ２７の画像データ中に第１類薬品が含まれていた場合に、原稿データ２４やチラシ２７が間違っていると判定する（図１３（Ａ）参照）。

Ｓ６８では参照格納部の選定処理が行われる。本実施の形態では、前述の学習段階学習済み格納部２１と実践段階での訓練データによる学習済み格納部２９との２種類の学習済みモデルの格納部を備えており、そのどちらの格納部に格納された学習済みモデルを用いるかを、Ｓ６８で判断する。

Ｓ６９において単一値組識別処理が行われ、Ｓ７０において商品画像識別処理が行われ、Ｓ７１において対象商品画像抽出処理が行われ、Ｓ７２において対応ラベル検索処理が行われ、Ｓ７３において文字位置識別処理が行われ、Ｓ７４においてＯＣＲによるＡＩデータ作成処理が行われ、Ｓ７５において単語分類識別処理が行われる。これら各処理は後に詳述する。

次にＳ７６でＭを１減算する処理が行われる。このＭは、図１１（Ｂ）の単一値組識別処理におけるＳ８９で定義される区分け数であり、Ｓ６５により受付けられたチラシ２７に掲載された複数の値組を単一値組毎に区分けした区分け数のことである。

次に、Ｓ７７によりＭ＝０になったか否か判定される。未だ０になっていない場合には制御がＳ７１に戻り、Ｓ７１→Ｓ７２→Ｓ７３→Ｓ７４→７５→Ｓ７６→Ｓ７７→Ｓ７１のループを巡回する。このループを巡回する度にＳ７６によりＭが１減算され、Ｍ＝０になった時点で制御がＳ７８へ移行する。つまり、Ｓ６５により受付けられたチラシに掲載された複数の値組の数だけＳ７１〜Ｓ７５の処理を繰り返し、全ての値組についてＳ７１〜Ｓ７５の処理が完了した段階でＳ７８の処理へと移行する。

Ｓ７８では、クローラ収集データと原稿データとの対比処理が行われ、Ｓ７９によりＡＩデータと原稿データとの対比処理が行われ、Ｓ８０により校正箇所の出力が行われて校正箇所が依頼人である広告作成会社３１へ提供される。次に、Ｓ８１により価格データの記憶処理が行われ、その後制御がＳ６５に戻る。

このチラシ校正箇所判別処理の主要部を図１０に基づいて説明する。図１０（Ａ）を参照し、広告作成会社３１から提供されるチラシ２７には複数の値組が掲載されている。図１０では、トマトの値組９９ａ、ピーマンの値組９９ｂ、国産牛ロースの値組９９ｃ、鶏むね肉の値組９９ｄの、４種類が示されている。

この複数の値組が掲載されているチラシ２７の画像から広告値組境界を判別して単一値組毎の識別を行う（図１０（Ｂ）参照）。次に、単一値組（商品枠）９９ｄを切り出す（図１０（Ｃ）参照）。この切り出された単一値組９９ｄの画像を商品画像部分９７と文字画像部分９８とに分別（分離）する（図１０（Ｄ）参照）。

次に、分別された文字画像部分９８をＯＣＲによりテキストデータ化してＡＩデータを生成し、ＡＩデータと原稿データ２４とを対比（マッチング）して不一致箇所（校正箇所）を判別して出力する（図１０（Ｅ）参照）。

次に、Ｓ６８の参照格納部選定処理のサブルーチンプログラムのフローチャートを図１１（Ａ）に基づいて説明する。Ｓ８３において、受付けたチラシ画像から業態と地域と季節とを割出す処理がなされる。具体的には、チラシに掲載された折込日をＯＣＲで読み取って日付を認識して季節を割出し、チラシに記載された店舗の住所をＯＣＲで読み取って地域を特定し、図１２（Ａ）の対応ラベル抽出処理により抽出されたラベル（ＪＡＮコードやハウスコード等）を用いて商品識別し商品の点数構成を割り出すことで業態を特定する。具体的には、チラシに掲載された複数の商品の種類をＪＡＮコードやハウスコード等のラベルから特定し、種類別の商品数（商品の点数構成）を割り出して主にどの種類の商品についてのチラシかを判別することにより、業態を特定する。業態の具体例としては、食品スーパ、ＧＭＳ（総合スーパ）、ドラッグストア、ホームセンタ（総合ディスカウントストアを含む）、酒ディスカウント、不動産等である。不動産は、新築一戸建て、中古一戸建て、新築マンション、中古マンションを含む。

次に、Ｓ８４において、受付けた業態と地域と季節とに対応する学習済みモデルが実践段階での訓練データによる学習済み格納部２９に格納されているか否か判定される。実践段階での訓練データによる学習済み格納部２９では、図１５（Ｂ）に示すように、業態と地域と季節（春、夏、秋、冬）とからなる三次元テーブルにグルーピングされ、グループ毎に学習済みモデルが格納されている。このグループ毎に格納されている学習済みモデルの生成処理を図１５（Ａ）に基づいて先に説明する。

図１５（Ａ）は実践段階での訓練データによる学習処理のフローチャートである。学習段階を終了した各種学習済みモデルは、実際に広告関連サービスを提供する実践段階（図９〜図１３）において活用されるが、その実践段階においても稀に誤りが発生する。これは、実践段階では、特殊な業態や特殊な地域からチラシ２７及びその原稿データ２４が提供され、学習段階では取り扱っていない特殊な文字フォントや特殊な表現に遭遇する場合があるためであり、このような場合に誤りが生じてしまう。また、季節毎に特殊な表現が用いられる場合もある。ゆえに、業態、地域及び季節の特殊性に対応するために、実践段階において、業態、地域及び季節によりグルーピングし、グループ毎に特化した機械学習を行う。

Ｓ１２９において、実践段階で発見された誤りが所定数Ｒに達したか否か判定され、所定数に達するまで待機する。広告関連サービス提供手段３５が広告校正箇所を広告作成会社３１に通知し、それに基づいて広告作成会社３１がチラシ２７を校正しようとした際に、実際には誤っていなかった場合には、通知された校正箇所が実際には誤っていなかった旨の連絡（苦情）が広告関連サービス提供業者に送られてくるため、実践段階での誤りの発見が可能になる。しかし、チラシ２７と原稿データ２４との不一致箇所を見逃す誤りが生じた場合には、広告校正箇所として広告作成会社３１に通知されないため、広告作成会社３１からの連絡（苦情）が広告関連サービス提供業者に送られてくことがなく、実践段階での誤りの発見が困難である。この問題を解決する一手段として、チラシ２７の誤りを発見した広告主３０等に相応の対価を支払うことにより、チラシ２７の誤り発見を広告関連サービス提供業者に通知することに対するインセンティブを生じさせることが考えられる。

誤りが所定数Ｒに達した段階で制御がＳ１３０に進み、誤りが生じた値組部分を業態と地域と季節からなる三次元テーブルにグルーピングする処理がなされる。この処理は、前述のＳ８３で説明した方法で業態と地域と季節とを特定して行われる。

次に、Ｓ１３１において、グループ毎に正解情報yiを作成する。ここに、iは全正解情報中のi番目の正解情報であり、１,２,・・・,Ｉの値をとる。Ｉは正解情報の総数である。より具体的には、この正解情報作成処理は、誤りがどの処理段階で発生したか、すなわち、単一値組識別処理、商品画像識別処理、対象商品画像抽出処理、対応ラベル検索処理、文字位置識別処理、単語分類識別処理、あるいはＯＣＲによるＡＩデータ作成処理のうちのどの処理で誤りが発生したかを割出し、誤りの発生した処理に対応する機械学習用の正解情報yiを作成する。例えば、文字位置識別処理で誤りが発生した場合には、文字位置学習２８用の正解情報yiを作成する。

次に、Ｓ１３２において、グループ毎に誤った箇所の入力データをxiとする。ここに、iは全入力データ中のi番目の入力データであり、１,２,・・・,Ｉの値を取る。Ｉは入力データの総数である。この入力データxiと正解情報yiとのデータセットにより教師あり学習用の訓練データ｛（ｘi,ｙi）｝が生成される。この訓練データ｛（ｘi,ｙi）｝が例えば、文字位置識別処理で誤りが発生した場合に生成されたものの場合には、文字位置学習済みモデル１９を再訓練するための訓練データ｛（ｘi,ｙi）｝として用いられる。

Ｓ１３３において、１つの事例（i番目の事例）である{（ｘi,ｙi）}を異なる事例として複数回（例えば２０回）使い回し、その使い回しを全てのiについて行うことにより割り増された訓練データとする処理がなされる。Ｓ１３４において、学習段階で使用された既存訓練データにこの割り増し訓練データを追加したデータをグループの訓練データとして教師あり学習を行い、入力ｘを正解ｙに写像する関数ｃ（ｘ）（c：ｘ→ｙ）をグループ毎に学習する処理が行われる。これにより、誤りが発生したグループに対して、その誤りの正解情報yiと誤った箇所の入力データをxiとが複数回（例えば２０回）使い回しされた割り増し訓練データにより、当該グループの学習済みモデルが再訓練されるため、実践段階で発生した誤りに基づいて生成された訓練データの影響力を大きくした機械学習を行うことができる利点がある。

実践段階で発生した誤りに基づいて生成された訓練データの影響力を大きくした機械学習を行う他の方法としては、Ｓ１３２において生成された訓練データ｛（ｘi,ｙi）｝の個数Iだけ既存訓練データを間引き、間引かれた後の既存訓練データにＳ１３２において生成された訓練データ｛（ｘi,ｙi）｝を追加したデータをグループの訓練データとして教師あり学習を行う。このような方法によっても、実践段階で発生した誤りに基づいて生成された訓練データの影響力を大きくした機械学習を行うことができる利点が生じる。

次に、Ｓ１３５において、各グループの学習済みモデルを関数ｃ（ｘ）に更新する処理が行われ、その更新された関数ｃ（ｘ）を有する学習済みモデルがグループ毎に分類されて、実践段階での訓練データによる学習済み格納部２９に格納される（図１５（Ｂ）参照）。より具体的には、グループ毎に特化した機械学習が、単一値組識別処理、商品画像識別処理、対象商品画像抽出処理、対応ラベル検索処理、文字位置識別処理、単語分類識別処理、あるいはＯＣＲによるＡＩデータ作成処理のうち、誤りが発生した処理に用いられる学習済みモデルを再訓練するものであるために、グループ毎に分類されて格納される学習済みモデルは、再訓練されたチラシ特徴学習済みモデル１、広告値組境界学習済みモデル２、商品画像識別用学習済みモデル１８、文字位置学習済みモデル１９、ＯＣＲ学習済みモデル１７、及び、単語分類学習済みモデル３２を含んでいる。

図１１（Ａ）に戻り、Ｓ８４によりＹＥＳと判定された場合は制御がＳ８６に進み、実践段階での訓練データによる学習済み格納部２９が選定される。その結果、実践段階での訓練データで再訓練されて業態と地域と季節との特殊性にも対処できる学習済みモデルを利用しての高度な処理が可能となる。一方、Ｓ８７によりＮＯと判定された場合は制御がＳ８５に進み、学習段階学習済み格納部２１が選定される。

次に、Ｓ６９の単一値組識別処理のサブルーチンプログラムのフローチャートを図１１（Ｂ）に基づいて説明する。Ｓ８５またはＳ８６により選定された学習済み格納部から広告値組境界学習済みモデル２を読み出す処理がＳ８７により行われる。次に、読み出された広告値組境界学習済みモデル２に基づいて、Ｓ６５により受付けられたチラシ２７に掲載された複数の値組を単一値組毎に区分けするための単一値組毎区分け識別がＳ８８により行われる。次に、その区分け識別された区分け数をＭとする処理がＳ８９により行われ、この単一値組識別処理がリターンする。

次に、Ｓ７０の商品画像識別処理のサブルーチンプログラムのフローチャートを図１１（Ｃ）に基づいて説明する。Ｓ８５またはＳ８６により選定された学習済み格納部から学習済みチラシ特徴量１のデータ及び商品画像識別用学習済みモデル１８を読み出す処理がＳ９５により行われる。次に、その読み出された学習済みチラシ特徴量１のデータ及び商品画像識別用学習済みモデル１８に基づいて、Ｓ６５により受付けられたチラシ２７に掲載された画像から商品画像を識別する処理がＳ９６により行われる。

次に、Ｓ７１の対象商品画像抽出処理のサブルーチンプログラムのフローチャートを図１１（Ｄ）に基づいて説明する。Ｓ８５またはＳ８６により選定された学習済み格納部から商品画像識別用学習済みモデル１８を読み出す処理がＳ９８により行われる。次に、読み出された商品画像識別用学習済みモデルに基づいて、Ｓ８８により区分けされた単一値組画像から対象商品画像を順次抽出する処理が、Ｓ９９により行われる。

次に、Ｓ７２対応ラベル抽出処理のサブルーチンプログラムのフローチャートを図１２（Ａ）に基づいて説明する。Ｓ８５またはＳ８６により選定された学習済み格納部に格納されている学習済み商品特徴量２０のデータと、Ｓ９９により抽出された対象商品画像とを、比較して類似度の高い商品を選定する処理がＳ１０４により行われる。次に、その選定した商品の特徴量に対応して記憶されているラベル（図８参照）を読み出す処理がＳ１０５により行われる。

次に、Ｓ７３の文字位置識別処理のサブルーチンプログラムのフローチャートを図１２（Ｂ）に基づいて説明する。Ｓ８５またはＳ８６により選定された学習済み格納部に格納されている文字位置学習済みモデル１９に基づいて、Ｓ８８により識別された単一値組画像を商品画像と文字画像とに弁別して文字画像部分を識別する処理がＳ１０８により行われる。

次に、Ｓ７４のＯＣＲによるＡＩデータ作成処理のサブルーチンプログラムのフローチャートを図１２（Ｃ）に基づいて説明する。Ｓ８５またはＳ８６により選定された学習済み格納部からＯＣＲ学習済みモデル１７を読み出す処理がＳ１１１により行われる。次に、そのＯＣＲ学習済みモデル１７を用いて、Ｓ１０８により識別された文字画像部分をＯＣＲでテキストデータにする処理がＳ１１２により行われる。次に、Ｓ１１３において単語分類識別処理が行われる。次に、Ｓ１０５により読み出されたラベルと、Ｓ１１３により単語分類されたテキストデータとを対応付けた表（ＡＩデータ）を作成する処理がＳ１１４により行われる。

次に、Ｓ７５の単語分類識別処理のサブルーチンプログラムのフローチャートを図１２（Ｄ）に基づいて説明する。Ｓ８５またはＳ８６により選定された学習済み格納部から単語分類学習済みモデル３２を読み出す処理がＳ１１６により行われる。その単語分類学習済みモデル３２を用いてテキストデータを単語分類識別する処理がＳ１１７により行われる。

次に、Ｓ７８のクローラ収集データと原稿データとの対比処理のサブルーチンプログラムのフローチャートを図１３（Ａ）に基づいて説明する。Ｓ１２５において、クローラ収集データと原稿データ２４とが対比される。その対比結果両者が一致したか否かの判定がＳ１２６により行われる。一致しておればこのクローラ収集データと原稿データとの対比処理がリターンするが、一致していない場合は制御がＳ１２７へ進み、不一致箇所の全データ（不一致箇所のデータとラベル）を校正箇所として出力して依頼者である広告作成会社３１に提供する処理が行われる。また、クローラ収集データと原稿データとの対比処理に加えてまたはそれに代えて、クローラ収集データとチラシ２７のデータとの対比処理を行なうようにしてもよい。

次に、Ｓ７９のＡＩデータと原稿データ２４との対比処理のサブルーチンプログラムのフローチャートを図１３（Ｂ）に基づいて説明する。Ｓ１２０において、ＡＩデータと原稿データ２４とで同一のラベルに対応するデータ同士を対比する処理が行われる。その対比結果両者が一致したか否かの判定がＳ１２１により行われる。一致しておれば制御がＳ１２３へ進むが、一致していない場合は制御がＳ１２２へ進み、不一致箇所のデータとラベルとを校正箇所として記憶する処理が行われた後に制御がＳ１２３へ進む。

Ｓ１２３では、全てのＡＩデータの対比が終了したか否か判定され、終了していない場合は制御がＳ１２０へ戻る。このＳ１２０→Ｓ１２１→Ｓ１２２またはＳ１２３→Ｓ１２０のループを巡回することにより、全てのＡＩデータの対比が終了した場合にはＳ１２３によりＹＥＳと判定され、制御がＳ１２４へ移行し、Ｓ１２２により記憶された全校正箇所（不一致箇所のデータとラベル）を出力して依頼者である広告作成会社３１に提供する（送信する）処理が行われる。

次にＳ８１で示した価格データの記憶処理のサブルーチンプログラムのフローチャートを図１３（Ｃ）に基づいて説明する。Ｓ１２８において、校正箇所以外の商品毎の価格を含む商品データ（品名・容量・価格・販売制限数等）を日付と共にビッグデータＤＢ３６に記憶する処理が行われる。これにより、例えばＳ１７及びＳ３６においてビッグデータＤＢ３６に記憶された価格データ４１を読出して利用することが可能となる。

次に、図１４に基づいて、広告作成会社３１のユーザ端末７４による制御処理を説明する。Ｓ１８０により、チラシ作製用の原稿データを送信するか否か判定され、未だ送信しない場合には制御がＳ１８２へ進む。原稿データが作成されて送信する場合には、Ｓ１８０によりＹＥＳと判定されてＳ１８１により原稿データがデータセンタ４４へ送信される。

次に、Ｓ１８２により、チラシを送信するか否か判定され、未だ送信しない場合には制御がＳ１８４へ進むが、送信する場合には、Ｓ１８３によりチラシの画像データがデータセンタ４４へ送信される。なお、Ｓ１８１による原稿データの送信とＳ１８３によるチラシの画像データの送信とを別々に送信するのではなく、同時に送信してもよい。次に、Ｓ１８４により、チラシの校正箇所を受信したか否か判定され、受信していない場合には制御がＳ１８０に戻る。一方、データセンタ４４のサーバ１４からＳ１２４により校正箇所が送信されてくれば、Ｓ１８４によりＹＥＳと判定され、Ｓ１８５によりその校正箇所が格納される。

次に、Ｓ１８６により、その他のデータを受信したか否か判定される。「その他のデータ」とは、例えば、Ｓ４８によって送信されてくる最適化広告や、Ｓ５８によって送信されてくる価格変動予測のデータである。

以上説明した本実施形態の変形例を以下に列挙する。
（変形例１） 前述の実施の形態では、広告関連サービス提供手段３５がチラシ２７の校正箇所を発見して広告作成会社３１に提供するものを示したが、それに限定されるものではなく、広告主３０からの広告依頼に基づいて電子チラシを作成してウェブ上でその電子チラシを検索・閲覧できるようにするサービスであってもよい。

（変形例２） 前述の実施の形態では、広告の一例としてチラシ２７を示したが、パンフレット等チラシ以外の紙媒体広告であってもよく、さらにはウェブ広告等の紙媒体以外の広告であってもよい。

（変形例３） ビッグデータＤＢ３６に記憶されるデータを、実践段階での訓練データによる学習済み格納部２９と同様に、所定の属性毎（例えば、業態と地域と季節（春、夏、秋、冬）とからなる三次元テーブル）にグルーピングされたデータにしてもよい。そして、機械学習手段３４がグループ毎に特化した機械学習を行うようにし、その学習結果である各学習済みモデルを属性毎（例えば、上記三次元テーブル）にグルーピングして格納してもよい。そのグループ毎に特化した学習済みモデル５０を用いて、グループ毎に特化した価格変動予測、先物取引、及び最適化された広告の提供を行なうようにしてもよい。

（変形例４） 価格変動予測用機械学習として教師あり学習を示したが（図５（Ａ）参照）、それに代えてまたはそれに加えて、価格変動予測がどの程度当たったかにより報酬をエージェントに与える強化学習を用いてもよく、さらにはデータマイニングにより価格変動予測を行ってもよい。

（変形例５） 最適化広告生成用強化学習（Ｓ２９）として、深層強化学習（Deep Q-Network）を採用してもよい。深層強化学習とは、強化学習の関数近似に深層学習（Deep Learning）の技術を適用したものである。強化学習におけるＱ学習の最大の特徴は、(s，a)の全ての組からサンプル (s，a，r，s′)が無限回得られるとするなら、それらをどのような順番で与えたとしても必ず最適な価値関数Ｑ^＊(s，a)が得られるという点にある。全ての状態と行動についてテーブル関数Ｑ(s，a)を作成するとなると、処理するデータ量が膨大なものとなるために、Ｑ(s，a)に関数近似を用いる。この関数近似に深層学習の技術を適用したものが深層強化学習である。従って、深層強化学習も強化学習の１種であり、「強化学習」の用語は「深層強化学習」も包含する広い概念である。

（変形例６） 前述の広告関連サービス提供手段３５では、チラシ２７がその原稿データ２４と相違している校正すべき箇所を発見して広告作成会社３１に通知するものであったが、チラシ２７がその原稿データ２４と相違している箇所を正しい内容に校正した構成済みチラシのデータを広告作成会社３１へ提供するようにしてもよい。

（変形例７） 前述の実施形態での最適化された広告は、広告効果が最大となる商品価格Ｐiの広告であったが、それに加えてまたはそれに代えて、売れ筋商品を予測して作成された広告であってもよい。

以上説明した実施の形態に開示された主題を説明する。
〔主題１〕

価格データをビッグデータとして蓄積してそのビッグデータを利用したサービスを提供するサービス提供システムとして、各種取引価格の変動に関する市場情報を情報提供者から提供してもらい、その情報に基づいて価格の変動を予測するものがある（例えば特開２００１―２２８４９号公報）。

特許文献１に記載のものでは、情報提供者からの情報が集まりにくく、情報提供のためのインセンティブを情報提供者に与えるために有償で情報提供してもらう方法を取らざるを得ないという欠点があった。

本主題１は、かかる実情に鑑み考え出されたものであり、その目的は、情報提供のためのインセンティブを情報提供者に与えることが可能なサービス提供システムを提供することである。

この主題１は、例えば以下のような事項として示される。
（事項１）
少なくとも価格データ（例えば、商品毎の価格を含む商品データ（品名・容量・価格・販売制限数等））をビッグデータとして蓄積して（例えば、Ｓ１２８）そのビッグデータを利用したサービスを提供するサービス提供システムであって、
少なくとも価格データ（例えば、商品毎の価格を含む商品データ（品名・容量・価格・販売制限数等））を受付けるデータ受付け手段（例えば、Ｓ６５、Ｓ６７）と、
前記データ受付け手段により受付けられた価格データ（例えば、価格データ４１）をビッグデータとして蓄積するビッグデータ蓄積手段（例えば、ビッグデータＤＢ３６、Ｓ１２８）と、
前記ビッグデータ蓄積手段により蓄積されたビッグデータに基づいて機械学習手段（例えば、機械学習手段３４、Ｓ９、Ｓ１０）が機械学習を行った学習結果を反映させたサービス（例えば、価格変動予測、最適化された広告の作成提供、先物取引）を提供するサービス提供手段（例えば、Ｓ４８、Ｓ５５）と、
広告作成に関するサービスを提供する広告関連サービス提供手段（例えば、広告関連サービス提供手段３５、Ｓ６５〜Ｓ８０）と、を備え、
前記広告関連サービス提供手段は、前記データ受付け手段が受付けた価格データを反映した広告作成に関するサービス（例えば、Ｓ６５〜Ｓ８０）を前記価格データの提供者（例えば、広告作成会社３１）に提供する、サービス提供システム。

このサービス提供システムによれば、情報提供者は、価格データを反映した広告作成に関するサービスが提供されるため、情報提供に対するインセンティブを得て自ら率先して情報を提供しようとする。

（事項２）
前記ビッグデータ蓄積手段は、価格変動の要因となる変動要因データ（例えば、クローラ収集データ４０としての、天候，自然災害，株価，為替レート，金利，景気動向，所得変動，地政学的リスク）もビッグデータとして蓄積し、
前記ビッグデータ蓄積手段により蓄積された前記価格データと前記変動要因データとに基づいて価格変動を予測する予測手段（例えば、Ｓ５５〜Ｓ６０）をさらに備え、
前記予測手段は、前記価格データと前記変動要因データとに基づいて前記機械学習手段が機械学習（例えば、Ｓ１５〜Ｓ２０）を行った学習結果を反映させて前記価格変動を予測し（例えば、Ｓ５７）、
前記サービス提供手段は、前記予測手段による価格変動の予測を反映したサービスを提供する（例えば、価格変動予測、最適化された広告の作成提供）、事項１に記載のサービス提供システム。

このサービス提供システムによれば、情報提供者が価格変動の予測を反映したサービスを受けることができる。

（事項３）
前記ビッグデータ蓄積手段により蓄積されたビッグデータに基づいて前記機械学習手段が最適化された広告を作成するための機械学習（例えば、Ｓ２５〜３１、Ｓ３６〜Ｓ３８、Ｓ４６、Ｓ４７）を行った学習結果を反映させて広告を作成する広告作成手段（例えば、Ｓ４８）をさらに備え、
前記サービス提供手段は、前記広告作成手段により作成された広告を提供する（例えば、Ｓ４８）、事項１または２に記載のサービス提供システム。

このサービス提供システムによれば、最適化された広告を作成するための機械学習の結果を反映させて作成された広告を得ることができる。

（事項４）
前記広告作成手段により作成された広告の効果を測定する広告効果測定手段（例えば、広告効果測定手段３８、Ｓ１〜Ｓ８）をさらに備え、
前記最適化された広告を作成するための機械学習は、前記広告効果測定手段による測定結果に従ってエージェントに報酬が与えられ、該エージェントが前記報酬の累積を最大化する方策を学習する強化学習である（例えば、Ｓ４６、Ｓ４７）、事項３に記載のサービス提供システム。

このサービス提供システムによれば、強化学習の結果広告効果の高い広告を提供可能となる。

（事項５）
前記広告作成手段により作成された広告の効果を測定する広告効果測定手段（例えば、広告効果測定手段３８、Ｓ１〜Ｓ８）をさらに備え、
前記最適化された広告を作成するための機械学習は、前記ビッグデータ蓄積手段により蓄積された前記価格データと価格変動の要因となる変動要因データとに基づいて予測手段が予測した価格を入力情報とし、且つ、前記広告効果測定手段により所定レベル以上の効果が測定された広告内容を正解情報とする訓練データ（例えば、{(ｘji,ｙji)}）を生成し（例えば、Ｓ３７）、該訓練データを用いて教師あり学習を行い、回帰問題として入力を正解に写像する関数（例えば、ｃj（ｘ）（cj：ｘ→ｙ））を学習する教師あり学習（例えば、Ｓ３６〜Ｓ３８）である、事項３に記載のサービス提供システム。

このサービス提供システムによれば、教師あり学習の結果広告効果の高い広告を提供可能となる。

（事項６）
少なくとも価格データ（例えば、商品毎の価格を含む商品データ（品名・容量・価格・販売制限数等））をビッグデータとして蓄積して（例えば、Ｓ１２８）そのビッグデータを利用したサービスを提供するサービス提供システム側（例えば、データセンタ４４側）にネット接続可能なユーザ側設備（例えば、広告主３０の社内ＬＡＮ８４に接続されたユーザ端末７４、広告作成会社３１の社内ＬＡＮ８４に接続されたユーザ端末７４）であって、
少なくとも価格データ（例えば、商品毎の価格を含む商品データ（品名・容量・価格・販売制限数等））を前記サービス提供システム側に提供するデータ提供手段（例えば、Ｓ１８１、Ｓ１８３）と、
前記サービス提供システム側に設けられたビッグデータ蓄積手段により、前記データ提供手段により提供された価格データがビッグデータとして蓄積され、該蓄積されたビッグデータに基づいて機械学習手段が機械学習を行った学習結果を反映させたサービス（例えば、最適化された広告、価格変動予測）を前記サービス提供システム側から享受するサービス享受手段（例えば、Ｓ１５５、Ｓ１８７）と、
前記サービス提供システム側に設けられた広告関連サービス提供手段から広告作成に関するサービスを享受する広告関連サービス享受手段（例えば、Ｓ１８４）と、を備え、
前記広告関連サービス享受手段は、前記データ提供手段により提供された価格データを反映した広告作成に関するサービス（例えば、Ｓ６５〜Ｓ８０）を享受する。

このサービス提供システムによれば、価格データの提供者は、データ提供手段が提供した価格データを反映した広告作成に関するサービスを受けることができるため、価格データを提供するためのインセンティブが与えられ、自ら率先して価格データを提供する傾向が生じる。

〔主題２〕
広告の校正すべき個所を判別して通知する広告関連サービス提供システムとして、チラシ等の広告をその原稿データと照合し、原稿に従っていない箇所を発見するものがある（例えば特開２００４―１３３７３４号公報）。

しかし、この特許文献に記載のものでは、広告をその原稿データと照合するために人為的作業が必要となるという欠点があった。

本主題２は、かかる実情に鑑み考え出されたものであり、その目的は、広告をその原稿データと照合するための人為的作業を極力省くことができる広告関連サービス提供システムを提供することである。

この主題２は、例えば以下のような事項として示される。
（事項１）
広告作成に関するサービスを提供する広告関連サービス提供システムであって、
広告（例えば、チラシ２７、パンフレット、ウェブ広告等）のデータを受付ける広告データ受付け手段（例えば、Ｓ６５）と、
前記広告の作成に用いられた原稿データ（例えば、原稿データ２）を受付ける原稿データ受付け手段（例えば、Ｓ６７）と、
前記広告データ受付け手段により受付けられた広告のデータと前記原稿データ受付け手段により受付けられた原稿データとに基づいて、前記広告と前記原稿データとの整合性を判定して前記広告の校正すべき個所を判別する校正箇所判別手段（例えば、Ｓ６８〜Ｓ７９）と、を備え、
前記校正箇所判別手段は、前記広告と前記原稿データとの整合性を判定するための機械学習（例えば、チラシ特徴学習２３、広告値組境界学習３、商品特徴学習２２、商品画像識別用学習４、文字位置学習２８、ＯＣＲ学習１６、単語分類学習３９）を校正用機械学習手段（例えば、校正用機械学習手段３３）が行なった学習結果（例えば、学習済みチラシ特徴量１、広告値組境界学習済みモデル２、学習済み商品特徴量２０、商品画像識別用学習済みモデル１８、文字位置学習済みモデル１９、ＯＣＲ学習済みモデル１７、単語分類学習済みモデル３２）を反映させて前記整合性を判定する（例えば、Ｓ８７、Ｓ８８、Ｓ９５、Ｓ９６、Ｓ９８、Ｓ９９、Ｓ１０４、Ｓ１０５、Ｓ１０８、Ｓ１１６、Ｓ１１７、Ｓ１１１、Ｓ１１２、Ｓ１１６、Ｓ１１７）、広告関連サービス提供システム。

この広告関連サービス提供システムによれば、校正用機械学習手段が広告と原稿データとの整合性を判定するための機械学習を行なった学習結果を反映させて、広告と原稿データとの整合性が判定されるため、告をその原稿データと照合するための人為的作業を極力省くことができる。

（事項２）
前記広告のデータは複数の広告商品のデータ（例えば、図１０（Ｂ）に示す値組９９ａ、９９ｂ、９９ｃ、９９ｄ）を含んでおり、
前記原稿データは広告対象の複数の商品各々についての広告内容を指定するデータ（例えば、図１０（Ｅ）に示す標品名、メーカ、値段等）を含み、
前記校正用機械学習手段が行なう機械学習は、前記広告データ受付け手段により受付けられた広告のデータを単一値組毎に区分けして識別するための値組毎区分け識別用機械学習（例えば、チラシ特徴学習２３、広告値組境界学習３）含み、
前記校正箇所判別手段は、
前記値組毎区分け識別用機械学習による学習結果を反映させて前記広告のデータを単一値組毎に区分けして識別する値組毎区分け識別処理（例えば、Ｓ８７〜Ｓ８９）と、
前記値組毎区分け識別処理により識別された単一値組の各々が、前記原稿データにおけるどの部分の広告内容に対応するかを特定する原稿対応部分特定処理（例えば、Ｓ９５、Ｓ９６、Ｓ９８、Ｓ９９、Ｓ１０４、Ｓ１０５、Ｓ１０８）と、
前記値組毎区分け識別処理により識別された単一値組の各々と、前記原稿対応部分特定処理により特定された広告内容とをマッチングさせて前記整合性を判定する整合性判定処理（例えば、Ｓ１１１〜Ｓ１１４、Ｓ１１６、Ｓ１１７、Ｓ１２０〜Ｓ１２３）と、を行う、事項１に記載の広告関連サービス提供システム。

この広告関連サービス提供システムによれば、単一値組の各々が原稿データにおけるどの部分の広告内容に対応するかが特定され、その特定された広告内容と単一値組の各々とがマッチングされて整合性が判定されるため、正確な整合性の判定が可能となる。

（事項３）
前記整合性判定処理は、前記値組毎区分け識別処理により単一値組毎に区分けして識別された各単一値組の文字画像と前記原稿データとの整合性を判定する（例えば、Ｓ１１１〜Ｓ１１４、Ｓ１１６、Ｓ１１７、Ｓ１２０〜Ｓ１２３）、事項２に記載の広告関連サービス提供システム。

この広告関連サービス提供システムによれば、単一値組の文字画像が原稿データと整合しているか否か判定可能となる。

（事項４）
前記校正用機械学習手段が行なう機械学習は、前記値組毎区分け識別処理により単一値組毎に区分けして識別された各単一値組の文字画像をテキストデータ化するためのテキストデータ化機械学習（例えば、文字位置学習２８、ＯＣＲ学習１６）を含み、
前記整合性判定処理は、前記テキストデータ化機械学習による学習結果を反映させて前記文字画像をテキストデータ化したうえで、該テキストデータと前記原稿データとの整合性を判定する（例えば、Ｓ１１１〜Ｓ１１４、Ｓ１１６、Ｓ１１７、Ｓ１２０〜Ｓ１２３）、事項３に記載の広告関連サービス提供システム。

この広告関連サービス提供システムによれば、文字画像をテキストデータ化したうえで、該テキストデータと原稿データとの整合性が判定され、両データ同士の良好な整合性判定が可能となる。

（事項５）
前記校正用機械学習手段が行なう機械学習は、前記広告商品に相当する実際の商品のオリジナル画像のデータに基づいて当該商品の特徴を学習するための商品特徴学習（例えば、商品特徴学習２２）をさらに含み、
前記商品特徴学習により学習した商品の特徴と当該商品を識別するための識別情報（例えば、ＪＡＮコードまたはハウスコード等のラベル）とを対応付けて記憶する対応付け記憶手段（例えば、学習段階学習済み格納部２１の学習済み商品特徴量２０）をさらに備え、
前記原稿データは、広告対象の複数の商品各々についてその広告内容（例えば、商品名、メーカ、値段等）と当該商品の前記識別情報（例えば、ラベル）とが対応付けられたデータであり（例えば、図１０（Ｅ））、
前記原稿対応部分特定処理は、広告商品の識別に用いた商品の特徴に対応付けられて前記対応付け記憶手段に記憶されている識別情報（例えば、ラベル）を特定し、該識別情報に対応付けられた広告内容（例えば、商品名、メーカ、値段等）を前記原稿データ（例えば、原稿データ２４）から特定する（例えば、Ｓ１２０）、事項２〜４のいずれかに記載の広告関連サービス提供システム。

この広告関連サービス提供システムによれば、商品を識別するための識別情報に対応付けられた広告内容を原稿データから特定して整合性判定を行うために、原稿データを正確に特定可能となる。

（事項６）
前記校正用機械学習手段は、所定の属性毎（例えば、業態、地域、季節（春、夏、秋、冬））にグルーピングされたデータに基づいて機械学習を行うことによりグループ毎に特化した機械学習（例えば、Ｓ１２９〜Ｓ１３５）を行い、
前記校正箇所判別手段は、前記校正用機械学習手段による前記グループ毎に特化した機械学習の結果を反映させて前記整合性を判定する（例えば、Ｓ８４、Ｓ８６）、事項１〜５のいずれかに記載の広告関連サービス提供システム。

この広告関連サービス提供システムによれば、所定の属性毎にグルーピングされたグループ毎に特化した機械学習の結果を反映させて整合性判定処理が行われるために、グループの属性にマッチした機械学習の結果を整合性判定処理に活かすことが可能となる。

（事項７）
広告作成に関するサービスを提供する広告関連サービス提供システム側（例えば、データセンタ４４側）にネット接続可能なユーザ側広告設備（例えば、広告作成会社３１の社内ＬＡＮ８４に接続されたユーザ端末７４）であって、
広告を前記広告関連サービス提供システム側に提供する広告提供手段（例えば、Ｓ１８３）と、
前記広告の作成に用いられた原稿データを前記広告関連サービス提供システム側に提供する原稿データ提供手段（例えば、Ｓ１８１）と、
前記広告関連サービス提供システム側に設けられた校正箇所判別手段において、前記広告提供手段により提供された広告のデータと前記原稿データ提供手段により提供された原稿データとに基づいて、前記広告と前記原稿データとの整合性が判定されて前記広告の校正すべき個所が判別され、該判別結果に基づいたサービスを前記広告関連サービス提供システム側から享受する享受手段（例えば、Ｓ１８４）と、を備え、
前記校正箇所判別手段は、前記広告と前記原稿データとの整合性を判定するための機械学習を校正用機械学習手段が行なった学習結果（例えば、学習済みチラシ特徴量１、広告値組境界学習済みモデル２、学習済み商品特徴量２０、商品画像識別用学習済みモデル１８、文字位置学習済みモデル１９、ＯＣＲ学習済みモデル１７、単語分類学習済みモデル３２）を反映させて前記整合性を判定する（例えば、Ｓ８７、Ｓ８８、Ｓ９５、Ｓ９６、Ｓ９８、Ｓ９９、Ｓ１０４、Ｓ１０５、Ｓ１０８、Ｓ１１６、Ｓ１１７、Ｓ１１１、Ｓ１１２、Ｓ１１６、Ｓ１１７）。

このユーザ側広告設備によれば、校正用機械学習手段が行なった学習結果を反映させて広告と原稿データとの整合性が判定されて広告の校正すべき個所が判別され、該判別結果に基づいたサービスを享受することができるため、極力人為的作業が省かれた人件費の削減されたサービスを受けることができる。

今回開示された実施の形態はすべての点で例示であって制限的なものではないと考えられるべきである。本発明の範囲は上記した説明ではなくて特許請求の範囲によって示され、特許請求の範囲と均等の意味および範囲内でのすべての変更が含まれることが意図される。

１ チラシ特徴学習済みモデル、２ 広告値組境界学習済みモデル、３ 広告値組境界学習、４ 商品画像識別用学習、１４ サーバ、１６ ＯＣＲ学習、１７ ＯＣＲ学習済みモデ、１８ 商品画像識別用学習済みモデル、１９ 文字位置学習済みモデル、２０ 学習済み商品特徴、２２ 商品特徴学習、２３ チラシ特徴学習、２４ 原稿データ、２７ チラシ、２８ 文字位置学習、２９ 実践段階での訓練データによる学習済み格納部、３２ 単語分類学習済みモデル、３３ 広告関連サービス用機械学習、３４ 機械学習手段、３５ 広告関連サービス提供手段、５０ 学習済みモデル。

Claims (13)

1. 少なくとも価格データをビッグデータとして蓄積してそのビッグデータを利用したサービスを提供するサービス提供システムであって、
   少なくとも価格データを受付けるデータ受付け手段と、
   前記データ受付け手段により受付けられた価格データをビッグデータとして蓄積するビッグデータ蓄積手段と、
   前記ビッグデータ蓄積手段により蓄積されたビッグデータに基づいて機械学習手段が機械学習を行った学習結果を反映させたサービスを提供するサービス提供手段と、
   広告作成に関するサービスを提供する広告関連サービス提供手段と、を備え、
   前記広告関連サービス提供手段は、前記データ受付け手段が受付けた価格データを反映した広告作成に関するサービスを前記価格データの提供者に提供する、サービス提供システム。
2. 前記ビッグデータ蓄積手段は、価格変動の要因となる変動要因データもビッグデータとして蓄積し、
   前記ビッグデータ蓄積手段により蓄積された前記価格データと前記変動要因データとに基づいて価格変動を予測する予測手段をさらに備え、
   前記予測手段は、前記価格データと前記変動要因データとに基づいて前記機械学習手段が機械学習を行った学習結果を反映させて前記価格変動を予測し、
   前記サービス提供手段は、前記予測手段による価格変動の予測を反映したサービスを提供する、請求項１に記載のサービス提供システム。
3. 前記ビッグデータ蓄積手段により蓄積されたビッグデータに基づいて前記機械学習手段が最適化された広告を作成するための機械学習を行った学習結果を反映させて広告を作成する広告作成手段をさらに備え、
   前記サービス提供手段は、前記広告作成手段により作成された広告を提供する、請求項１または２に記載のサービス提供システム。
4. 前記広告作成手段により作成された広告の効果を測定する広告効果測定手段をさらに備え、
   前記最適化された広告を作成するための機械学習は、前記広告効果測定手段による測定結果に従ってエージェントに報酬が与えられ、該エージェントが前記報酬の累積を最大化する方策を学習する強化学習である、請求項３に記載のサービス提供システム。
5. 前記広告作成手段により作成された広告の効果を測定する広告効果測定手段をさらに備え、
   前記最適化された広告を作成するための機械学習は、前記ビッグデータ蓄積手段により蓄積された前記価格データと価格変動の要因となる変動要因データとに基づいて予測手段が予測した価格を入力情報とし、且つ、前記広告効果測定手段により所定レベル以上の効果が測定された広告内容を正解情報とする訓練データを生成し、該訓練データを用いて教師あり学習を行い、回帰問題として入力を正解に写像する関数を学習する教師あり学習である、請求項３に記載のサービス提供システム。
6. 少なくとも価格データをビッグデータとして蓄積してそのビッグデータを利用したサービスを提供するサービス提供システム側にネット接続可能なユーザ側設備であって、
   少なくとも価格データを前記サービス提供システム側に提供するデータ提供手段と、
   前記サービス提供システム側に設けられたビッグデータ蓄積手段により、前記データ提供手段により提供された価格データがビッグデータとして蓄積され、該蓄積されたビッグデータに基づいて機械学習手段が機械学習を行った学習結果を反映させたサービスを前記サービス提供システム側から享受するサービス享受手段と、
   前記サービス提供システム側に設けられた広告関連サービス提供手段から広告作成に関するサービスを享受する広告関連サービス享受手段と、を備え、
   前記広告関連サービス享受手段は、前記データ提供手段により提供された価格データを反映した広告作成に関するサービスを享受する、ユーザ側設備。
7. 広告作成に関するサービスを提供する広告関連サービス提供システムであって、
   広告のデータを受付ける広告データ受付け手段と、
   前記広告の作成に用いられた原稿データを受付ける原稿データ受付け手段と、
   前記広告データ受付け手段により受付けられた広告のデータと前記原稿データ受付け手段により受付けられた原稿データとに基づいて、前記広告と前記原稿データとの整合性を判定して前記広告の校正すべき個所を判別する校正箇所判別手段と、を備え、
   前記校正箇所判別手段は、前記広告と前記原稿データとの整合性を判定するための機械学習を校正用機械学習手段が行なった学習結果を反映させて前記整合性を判定する、広告関連サービス提供システム。
8. 前記広告のデータは複数の広告商品のデータを含んでおり、
   前記原稿データは広告対象の複数の商品各々についての広告内容を指定するデータを含み、
   前記校正用機械学習手段が行なう機械学習は、前記広告データ受付け手段により受付けられた広告のデータを単一値組毎に区分けして識別するための値組毎区分け識別用機械学習を含み、
   前記校正箇所判別手段は、
   前記値組毎区分け識別用機械学習による学習結果を反映させて前記広告のデータを単一値組毎に区分けして識別する値組毎区分け識別処理と、
   前記値組毎区分け識別処理により識別された単一値組の各々が、前記原稿データにおけるどの部分の広告内容に対応するかを特定する原稿対応部分特定処理と、
   前記値組毎区分け識別処理により識別された単一値組の各々と、前記原稿対応部分特定処理により特定された広告内容とをマッチングさせて前記整合性を判定する整合性判定処理と、を行う、請求項７に記載の広告関連サービス提供システム。
9. 前記整合性判定処理は、前記値組毎区分け識別処理により単一値組毎に区分けして識別された各単一値組の文字画像と前記原稿データとの整合性を判定する、請求項８に記載の広告関連サービス提供システム。
10. 前記校正用機械学習手段が行なう機械学習は、前記値組毎区分け識別処理により単一値組毎に区分けして識別された各単一値組の文字画像をテキストデータ化するためのテキストデータ化機械学習を含み、
    前記整合性判定処理は、前記テキストデータ化機械学習による学習結果を反映させて前記文字画像をテキストデータ化したうえで、該テキストデータと前記原稿データとの整合性を判定する、請求項９に記載の広告関連サービス提供システム。
11. 前記校正用機械学習手段が行なう機械学習は、前記広告商品に相当する実際の商品のオリジナル画像のデータに基づいて当該商品の特徴を学習するための商品特徴学習をさらに含み、
    前記商品特徴学習により学習した商品の特徴と当該商品を識別するための識別情報とを対応付けて記憶する対応付け記憶手段をさらに備え、
    前記原稿データは、広告対象の複数の商品各々についてその広告内容と当該商品の前記識別情報とが対応付けられたデータであり、
    前記原稿対応部分特定処理は、広告商品の識別に用いた商品の特徴に対応付けられて前記対応付け記憶手段に記憶されている識別情報を特定し、該識別情報に対応付けられた広告内容を前記原稿データから特定する、請求項８〜１０のいずれかに記載の広告関連サービス提供システム。
12. 前記校正用機械学習手段は、所定の属性毎にグルーピングされたデータに基づいて機械学習を行うことによりグループ毎に特化した機械学習を行い、
    前記校正箇所判別手段は、前記校正用機械学習手段による前記グループ毎に特化した機械学習の結果を反映させて前記整合性を判定する、請求項７〜１１のいずれかに記載の広告関連サービス提供システム。
13. 広告作成に関するサービスを提供する広告関連サービス提供システム側にネット接続可能なユーザ側広告設備であって、
    広告を前記広告関連サービス提供システム側に提供する広告提供手段と、
    前記広告の作成に用いられた原稿データを前記広告関連サービス提供システム側に提供する原稿データ提供手段と、
    前記広告関連サービス提供システム側に設けられた校正箇所判別手段において、前記広告提供手段により提供された広告のデータと前記原稿データ提供手段により提供された原稿データとに基づいて、前記広告と前記原稿データとの整合性が判定されて前記広告の校正すべき個所が判別され、該判別結果に基づいたサービスを前記広告関連サービス提供システム側から享受する享受手段と、を備え、
    前記校正箇所判別手段は、前記広告と前記原稿データとの整合性を判定するための機械学習を校正用機械学習手段が行なった学習結果を反映させて前記整合性を判定する、ユーザ側広告設備。