JP2019505936A - 人工ニューラルネットワークを使用したウェブインタフェースの生成及びテスト - Google Patents

Abstract

大まかに説明すると、開示される技術は、探索空間において全ての可能なウェブページ設計をテストすることなく、探索空間において最も成功したウェブページ設計を効率的に識別するために人工ニューラルネットワーク及び進化的計算を使用する、いわゆる機械学習変換最適化（ＭＬＣＯ）システムを提供する。探索空間は、マーケティング担当者によってウェブページ設計に基づいて定義される。ニューラルネットワークはゲノムとして表される。ニューラルネットワークは、ライブのユーザトラフィックからのユーザ属性を、リアルタイムでユーザに提示される出力ファネル異なる次元及び次元値にマッピングする。ゲノムは、良好なパフォーマンスを示す親ゲノム、及び良好なパフォーマンスを示す見込みがある孫ゲノムを識別するために、初期化、テスト、競争、及び生殖のような進化的操作を受ける。
【選択図】図２

Description

関連出願の相互参照
本出願は、２０１６年１月５日に出願された米国仮特許出願第６２／２７５，０５８号、「ＡＵＴＯＭＡＴＥＤ ＣＯＮＶＥＲＳＩＯＮ ＯＰＴＩＭＩＺＡＴＩＯＮ ＳＹＳＴＥＭ ＡＮＤ ＭＥＴＨＯＤ ＵＳＩＮＧ ＭＡＣＨＩＮＥ ＬＥＡＲＮＩＮＧ」（代理人整理番号：ＧＮＦＮ３３０１−１）の利益を主張する。優先権の仮特許出願は、参照により以下に組み込まれる。

本出願は、２０１６年１月５日に出願された米国仮特許出願第６２／２７５，０７４号、「ＡＵＴＯＭＡＴＥＤ ＳＥＧＭＥＮＴＡＴＩＯＮ／ＰＥＲＳＯＮＡＬＩＺＡＴＩＯＮ ＣＯＮＶＥＲＳＩＯＮ ＯＰＴＩＭＩＺＡＴＩＯＮ ＵＳＩＮＧ ＭＡＣＨＩＮＥ ＬＥＡＲＮＩＮＧ」（代理人整理番号：ＧＮＦＮ３３０２−１）の利益を主張する。優先権の仮特許出願は、参照により以下に組み込まれる。

本出願は、同時に出願された「ＭＡＣＨＩＮＥ ＬＥＡＲＮＩＮＧ ＢＡＳＥＤ ＷＥＢＩＮＴＥＲＦＡＣＥ ＧＥＮＥＲＡＴＩＯＮ ＡＮＤ ＴＥＳＴＩＮＧ ＳＹＳＴＥＭ」（代理人整理番号：ＧＮＦＮ３３０１−２）と題する米国特許出願を参照により組み込む。

本出願は、同時に出願された「ＭＡＣＨＩＮＥ ＬＥＡＲＮＩＮＧ ＢＡＳＥＤ ＷＥＢＩＮＴＥＲＦＡＣＥ ＰＲＯＤＵＣＴＩＯＮ ＡＮＤ ＤＥＰＬＯＹＭＥＮＴ ＳＹＳＴＥＭ」（代理人整理番号：ＧＮＦＮ３３０１−３）と題する米国特許出願を参照により組み込む。

本出願は、同時に出願された「ＷＥＢＩＮＴＥＲＦＡＣＥ ＰＲＯＤＵＣＴＩＯＮ ＡＮＤ ＤＥＰＬＯＹＭＥＮＴ ＵＳＩＮＧ ＡＲＴＩＦＩＣＩＡＬ ＮＥＵＲＡＬＮＥＴＷＯＲＫ」（代理人整理番号：ＧＮＦＮ３３０２−３）と題する米国特許出願を参照により組み込む。

開示される技術は、概して、人工知能及び人工ニューラルネットワークを使用したウェブインタフェースの生成及びテストに関し、特に、進化的計算を使用していわゆる機械学習変換最適化（ＭＬＣＯ）解法を提供することに関する。

本章で議論される主題は、この章におけるその言及の結果として従来技術にすぎないものと想定されるべきではない。同様に、この章で言及され、又は背景技術として提供される主題と関連付けられた課題は、従来技術において前に認識されていたものと想定されるべきではない。この章における主題は、それらのアプローチが特許請求される技術の実装態様にも対応することができる異なるアプローチを表しているにすぎない。

開示される技術は、探索空間において全ての可能なウェブページ設計をテストすることなく、探索空間において最も成功したウェブページ設計を効率的に識別するために人工ニューラルネットワーク及び進化的計算を使用する、いわゆる機械学習変換最適化（ＭＬＣＯ）システムを提供する。探索空間は、マーケティング担当者によって提供されるウェブページ設計に基づいて定義される。ニューラルネットワークは、ゲノムとして表される。ニューラルネットワークは、ライブのユーザトラフィックからのユーザ属性を、リアルタイムでユーザに提示される出力ファネルの異なる次元及び次元値にマッピングする。ゲノムは、良好なパフォーマンスを示す親ゲノム及び良好なパフォーマンスを示す見込みがある孫ゲノムを識別するために、初期化、テスト、競争、及び生殖のような進化的操作を受ける。

ウェブサイト上で制御された実験を実行するための一般的な方法は、洗練された変換最適化解法を含む。変換最適化は、同時にウェブページ及びページ要素の複数の組み合わせ及び変動をテストすることを含む。例えば、２７の可能な組み合わせ（元の制御バージョンを含む）の合計についての、２つの代替的なイメージと、２つの代替的なヘッドラインを加えたものと、２つのコピーテキストの代替物を加えたものが提供されてもよい。よって、変換最適化は、本当にユーザ関心を引くページ要素の最も効果的な組み合わせを判定するために分析される必要がある順列及び組み合わせの更なる複合的なセットを導入する。

ビッグデータがウェブの個人化においてより重要な役割を果たすにつれて、データ信号の数、ルールの複雑性、及び成果の真の数は指数関数的に増加している。それが起こるにつれて、おそらくは成果に影響を与える機会がほとんどないか全くない事実の後を除き、人間の最適化を行うことは不可能である。アルゴリズム的最適化が必要とされるが、そうであっても、パフォーマンスを予測するために処理される必要がある膨大な数のデータ入力および結果として生じる測定値を考えると、線形的な関係及び相互関係を扱うことができる単純な線形回帰アルゴリズムは、改善された成果を十分にもたらすことができないことがある。

それらの間の非常に複雑な関係を有する多くの変数が成果を判定する際に伴うテストを実行するために機械学習システムが利用される。機械学習システムは典型的に、変数の間の関係がアルゴリズムを事前に判定するために非常に複雑である場合があると考えると、始めから公式を理解することを試みるのではなく、公式を理解するためにデータから学習することを試みる。従って、変換最適化を行う上で多くの変数があるので、入力の大規模なデータセットから学習することに基づいて、成果に関する予測を行うために機械学習、人工知能、及び他の非線形アルゴリズムを利用する非常に洗練されたアルゴリズムが望ましい。

図面では、同様の参照符号は全体的に、異なる図面全体を通じて同様の部分を指す。また、図面は必ずしも寸法通りではなく、代わりに開示される技術の原理を全体的に示すことを強調する。以下の説明では、開示される技術の様々な実装態様が以下の図面を参照して説明される。

標的のオンラインのユーザの行動を促進する機械学習変換最適化（ＭＬＣＯ）システムの態様を示す。 ニューラルネットワークを表すゲノムの１つの実装態様を示す。 開示される機械学習変換最適化（ＭＬＣＯ）のワークフローを示す。 ゲノムによって表されるニューラルネットワークの出力層を初期化するために使用される複数のウェブインタフェースを有するファネルを示す。 ゲノムによって表されるニューラルネットワークの出力層を初期化するために使用されるファネルのウェブインタフェースレイアウトを記す。 ゲノムによって表されるニューラルネットワークの出力層を初期化するために使用されるその次元及び次元値を有するファネルのウェブインタフェースを示す。 スタータファネルのエディタ設計表現をランタイム設計表現に転換する１つの実装態様の符号図である。 ゲノムによって表されるニューラルネットワークの出力層を符号化する１つの実装態様の符号図である。 図１のフロントエンドプレゼンテーションモジュールの態様を示す。 図１のフロントエンドプレゼンテーションモジュールの態様を示す。 機械学習ユーザデバイス（ＭＬＵＤ）の１つの実装態様である。 機械学習コンテンツ配信ネットワーク（ＭＬＣＤＮ）の１つの実装態様を示す。 開示される技術を実装するために使用することができるコンピュータシステムの簡易ブロック図である。

以下の議論は、いずれかの当業者が開示される技術を行い、使用することを可能にするために提示され、特定の適用例及びその要件のコンテキストで提供される。開示される実装態様への様々な修正が当業者にとって直ちに明らかであり、本明細書で定義される一般的な原理は、開示される技術の精神及び範囲を逸脱することなく、他の実装態様及び適用例に適用されてもよい。よって、開示される技術は、示される実装態様に限定することを意図していないが、本明細書で開示される原理及び特徴に一貫した最も広い範囲に一致することになる。

開示される実装態様に係るシステム、装置、及び方法の実施例が変換最適化のコンテキストで説明される。他の例では、開示される技術は、多変数テスト、Ａ／Ｂテスト、ランディングページ最適化、変換率最適化、ウェブサイトテスト、ウェブサイト最適化、探索エンジン最適化、情報技術、電気通信システム、財務システム、セキュリティ取引、銀行取引、ビジネスインテリジェンス、マーケティング、医療及び健康科学、マイニング、エネルギーなどに適用されてもよい。他のサービスが可能であり、その結果、以下の実施例が範囲、コンテキスト、又は設定において決定的又は限定的なもののいずれかとして見なされるべきではない。

開示される技術は、データベースシステム、マルチテナント環境、Ｏｒａｃｌｅ（商標）互換データベースの実装態様、ＩＢＭ ＤＢ２ Ｅｎｔｅｒｐｒｉｓｅ Ｓｅｒｖｅｒ（商標）互換関係データベースの実装態様、ＭｙＳＱＬ（商標）若しくは又はＰｏｓｔｇｒｅＳＱＬ（商標）互換関係データベースの実装態様、又はＭｉｃｒｏｓｏｆｔ ＳＱＬ Ｓｅｒｖｅｒ（商標）互換関係データベースの実装態様のような関係データベースの実装態様、或いはＶａｍｐｉｒｅ（商標）互換非関係データベースの実装態様、Ａｐａｃｈｅ Ｃａｓｓａｎｄｒａ（商標）互換非関係データベースの実装態様、ＢｉｇＴａｂｌｅ（商標）互換非関係データベースの実装態様、又はＨＢａｓｅ（商標）若しくはＤｙｎａｍｏＤＢ（商標）互換非関係データベースの実装態様などのＮｏＳＱＬ（商標）非関係データベースの実装態様を含む、いずれかのコンピュータにより実施されるシステムのコンテキストにおいて実装されてもよい。加えて、開示される技術は、ＭａｐＲｅｄｕｃｅ（商標）、バルク同期プログラミング、ＭＰＩプリミティブなどのような異なるプログラミングモデル、又はＡｍａｚｏｎ Ｅｌａｓｔｉｃｓｅａｒｃｈ Ｓｅｒｖｉｃｅ（商標）及びＡｍａｚｏｎ Ｋｉｎｅｓｉｓ（商標）を含むＡｍａｚｏｎ Ｗｅｂ Ｓｅｒｖｉｃｅ（ＡＷＳ）（商標）、Ａｐａｃｈｅ Ｓｔｏｒｍ（商標）、Ａｐａｃｈｅ Ｓｐａｒｋ（商標）、Ａｐａｃｈｅ Ｋａｆｋａ（商標）、Ａｐａｃｈｅ Ｆｌｉｎｋ（商標）、Ｔｒｕｖｉｓｏ（商標）、ＩＢＭ Ｉｎｆｏ−Ｓｐｈｅｒｅ（商標）、Ｂｏｒｅａｌｉｓ（商標）、及び Ｙａｈｏｏ! Ｓ４（商標）のような異なるスケーラブルバッチ及びストリーム管理システムを使用して実装されてもよい。

本明細書で使用されるように、用語「データベース」は、いずれかの統一した構造を必ずしも暗示しない。例えば、２つ以上の別個のデータベースは、共に考えられるとき、その用語が本明細書で使用されるようになお「データベース」を構成する。いくつかの実装態様では、データベースは、マルチテナントデータベースシステム（ＭＴＤＳ）など、多くの方法で実装することができる、オンデマンドデータベースサービス（ＯＤＤＳ）を形成するように１つ以上のテナントからの情報を共通データベースイメージのテーブルに記憶することができる。データベースイメージは、１つ以上のデータベースオブジェクトを含むことができる。他の実装態様では、データベースは、関係データベース管理システム（ＲＤＢＭＳ）、オブジェクト指向データベース管理システム（ＯＯＤＢＭＳ）、分散ファイルシステム（ＤＦＳ）、非スキーマデータベース、又はいずれかの他のデータ記憶システム若しくはコンピューティングデバイスとすることができる。

本明細書で使用されるように、情報の項目の「識別」は、情報のその項目の直接の仕様を必ずしも必要としない。情報は、間接参照の１つ以上の層を通じて実際の情報を単純に参照することによって、又は情報の実際の項目を判定するために共に十分である異なる情報の１つ以上の項目を識別することによって、フィールドにおいて「識別され」てもよい。加えて、用語「指定する」は、「識別する」と同一の意味であるとして本明細書で使用される。

本明細書で使用されるように、所与の信号、イベント、又は値は、所与の信号、イベント、又は値によって影響される先行する信号、イベント、又は値の先行する信号、イベント、又は値「に従う」。間に入る処理要素が存在する場合、ステップ若しくは期間、所与の信号、イベント、又は値はなお、先行する信号、イベント、又は値「に従う」。間に入る処理要素又はステップが１つよりも多い信号、イベント、又は値を組み合わせる場合、処理要素又はステップの信号出力は、信号、イベント、又は値の入力の各々「に従う」と考えられる。所与の信号、イベント、又は値が先行する信号、イベント、又は値と同一である場合、これは、所与の信号、イベント、又は値がなお、信号、イベント、又は値「に従い」若しくはそれら「に依存し」、又はそれら「に基づいている」と考えられる退化したケースにすぎない。所与の信号、イベント、又は値の別の信号、イベント、又は値に対する「反応性」が同様に定義される。

本明細書で使用されるように、「同時に」又は「並列して」は、正確に同時である必要はない。個体の１つの評価が個体のもう一つの評価が完了する前に始まる場合に十分である。

本明細書で使用されるように、用語「ファネル」は、エンドユーザによって知覚可能、動作可能、及び理解可能である、ゲノムによって表されるニューラルネットワークの出力のフロントエンドを指す。実装態様では、ファネルは、ユーザ対話を引き起こし、それに応答する。ファネルは、１つ以上のウェブインタフェースを含む。ウェブインタフェースのいくつかの例は、ウェブページ、ウェブサイト、電子メール、モバイルアプリケーション、デスクトップアプリケーション、デジタル広告、ソーシャルメディアメッセージ（例えば、Ｔｗｅｅｔ（商標）、Ｆａｃｅｂｏｏｋ ｐｏｓｔ（商標））、ソーシャルメディアフィードアイテム、ソーシャルメディアプロファイル、ソーシャルメディアアカウント、ソーシャルメディアチャットメッセージ、汎用チャットメッセージ、フォーム、及び自動記入フォームなどの、制御バージョン及びその変形の両方を含む。

開示される技術の実装態様では、ファネルは、ウェブサイト（ファネルのセット）などの１つ以上のインターネットアクセス可能データセンタにおいて又はそれにわたって、ウェブサイトの背後で実行する関連付けられたアプリケーションと共に実装される。エンドユーザは、ファネルにアクセス可能であり、ファネルと対話可能であるインターネットアクセス可能クライアントデバイス又はクライアント（例えば、デスクトップコンピュータ、ノートブックコンピュータ、タブレット、モバイルデバイス、電話、又はレンダリングエンジンを有する他のデバイスなど）を操作する。１つの実装態様では、エンドユーザは、ウェブブラウザ又はモバイルアプリケーションを開くことによってファネルにアクセスする。いくつかの実装態様では、エンドユーザは、ファネル（又は、その一部）に認証してもよい。

開示される技術の実装態様では、ウェブインタフェースは、その構造が基本的なフォーマットに従う構造化ドキュメントである。例えば、１つの実装態様では、ウェブインタフェースは、ハイパーテキストマークアップ言語（ＨＴＭＬ）、拡張可能マークアップ言語（ＸＭＬ）、又は他のウェブサポート構造化ドキュメントに基づいているウェブサポートフォーマットを有する。ウェブインタフェースは、１つ以上のリソース（例えば、ＪａｖａＳｃｒｉｐｔ（登録商標）リソース、Ｃａｓｃａｄｉｎｇ Ｓｔｙｌｅ Ｓｈｅｅｔ（ＣＳＳ）リソース、Ａｓｙｎｃｈｒｏｎｏｕｓ ａｎｄ ＪａｖａＳｃｒｉｐｔ ＸＭＬ（ＡＪＡＸ）リソース、イメージリソース、ビデオリソースなど）、又はより典型的に、ウェブインタフェース内に組み込まれる、そのようなリソースへの参照を含んでもよい。例として、ウェブインタフェースに組み込まれるリソースは、概して、リソースのタイプに応じて、とりわけ、スクリプト要素、スタイル要素、イメージ要素、又はオブジェクト要素の中に含まれてもよく、又はそれらの中で指定されてもよい。典型的には、エンドユーザのクライアントデバイスにおいて実行するウェブブラウザ又は他のクライアントアプリケーションは、受信されるウェブインタフェースのドキュメントオブジェクトモデル（ＤＯＭ）の表現を構築する。

別の実装態様では、ウェブインタフェースは、プレーンテキスト、リッチテキスト、又はＨＴＭＬ（ＣＳＳなどのスタイル定義フォーマット若しくはＪａｖａＳｃｒｉｐｔなどのフォーマットにあるスクリプト命令、例えば、Ｍｉｃｒｏｓｏｆｔ Ｏｕｔｌｏｏｋ（商標）、Ｇｏｏｇｌｅ Ｇｍａｉｌ（商標）、Ａｐｐｌｅ Ｍａｉｌ（商標）、ｉＯＳ Ｍａｉｌ（商標）、Ｔｈｕｎｄｅｒｂｉｒｄ（商標）、ＡＯＬ Ｍａｉｌ（商標）、Ｙａｈｏｏ Ｍａｉｌ（商標）、Ｗｉｎｄｏｗｓ Ｌｉｖｅ（商標）を有し、若しくはそれらを有さない）に基づいている電子メールフォーマット、及びハイブリッドフォーマットを有する。

いずれかの他の従来の又は後に開発される構造化ドキュメント又はそのフォーマット若しくはそれに使用されるフォーマットは、ウェブインタフェースであるものと考えられる。そのような実装態様は、開示される技術（ウェブインタフェースの音声又は触覚の提示など）の精神及び範囲から逸脱することなく当業者にとって直ちに明らかである。

ウェブインタフェース（例えば、ウェブページ、ウェブサイト、電子メール、モバイルアプリケーション、デスクトップアプリケーション、デジタル広告）は、ページ要素を含む。ページ要素のいくつかの例は、イメージ、ビデオ、アニメーション、ヘッドライン、ヘディング、コールトゥアクション、テキストコピー、フォーム長、及びその他を含む。１つの例では、コールトゥアクションは、ユーザがウェブインタフェースのいずれか一部をクリック又はタップするときに何が発生するかを定義する。ウェブインタフェースのページ要素は、いわゆるウェブインタフェースレイアウトに配置される。ウェブインタフェースレイアウトは、相互のウェブインタフェースのページ要素の位置決めを定義する。例えば、イメージはウェブインタフェースレイアウトの下右にあってもよく、ビデオはウェブインタフェースレイアウトの中心にあってもよい。ウェブインタフェースでは、全ての相互変更可能なページ要素は、ウェブインタフェースレイアウトを使用して記述され、ウェブインタフェースレイアウトは、ページ要素がどのように相互に現れることになるか、及びそれらがどのように相互に対話することになるかを記述する。各々のページ要素は、いくつかの特性を有する。例えば、イメージページ要素は、タイプ、配置、及びサイズに関連する特性を有し、コールトゥアクションは、色、テキスト、及びサイズに関連する特性を有し、テキストコピーは、コンテンツ、長さ、及びサイズに関連する特性を有する。

導入
開示される技術は、探索空間において全ての可能なウェブページ設計をテストすることなく、探索空間において最も成功したウェブページ設計を効率的に識別するために人工ニューラルネットワーク及び進化的計算を使用する、いわゆる機械学習変換最適化（ＭＬＣＯ）システムを提供する。探索空間は、マーケティング担当者によって提供されるウェブページ設計に基づいて定義される。ニューラルネットワークは、ゲノムとして表される。ニューラルネットワークは、ライブのユーザトラフィックからのユーザ属性を、リアルタイムでユーザに提示される出力ファネルの異なる次元及び次元値をマッピングする。ゲノムは、良好なパフォーマンスを示す親ゲノム及び良好なパフォーマンスを示す見込みがある孫ゲノムを識別するために、初期化、テスト、競争、及び生殖のような進化的操作を受ける。

電子商取引では、ユーザ経験、すなわち、できるだけ多くのエンドユーザを、何気なく閲覧する閲覧者から支払う顧客に変換する、ウェブページ及び対話を設計することが重要な目標である。単純さ及び一貫性を含む、いくつかの公知の設計の原理が存在するが、どの程度それが変換するかを判定するページの要素の間の予期しない対話も存在することが多い。同一の要素は、１つのコンテキストでは良好に作用することがあるが、その他ではそうではなく、結果を予測することが困難であることが多く、どのように所与のページを改善するかを決定することが更に困難である。

それらの課題に全体的に取り組む産業が現れており、変換率最適化、又は変換科学と呼ばれる。実践者のほとんどが使用する標準的な方法は、Ａ／Ｂテスト、すなわち、同一のページの２つの異なるバージョンを設計し、異なるユーザにそれらを示し、どの程度それらの各々が変換するかについての統計を収集することである。この処理によって、領域及び変換最適化に関する人類の知識を設計に組み込み、次いで、それらの効果をテストすることが可能になる。結果を観察した後、新たな設計が比較されてもよく、徐々に改善することができる。Ａ／Ｂテスト処理は、困難かつ時間を要するものであり、ページ設計の非常にわずかな部分のみがこのようにしてテストされることがあり、設計における僅かな対話は単純に、完全に失敗することがある。

開示される技術は、マーケティング担当者自体が作成する変数及び変数値からテストされることになるウェブページ候補を自動生成する。変数及び変数値は、ボタンの色及びフォントの重みのような小さな変更から全体規模のメッセージング及び設計仕様までの、ウェブサイトに関するいずれかであってもよい。それらの変数は全て、ファネルにおける単一のページ上にあってもよく、又は複数のページにわたってもよい。ユーザの個体化を提供するために、ユーザ属性の所与のセットについて、開示される技術は、値の可能な組み合わせの膨大な空間において最も成功した変数及び変数値を探索する。開示される技術は、要素のどの組み合わせがどのユーザに対して効果的であるかを経時的に学習し、最も見込みのある設計を探し回ることに徐々に集中する。

開示される技術は、短縮化された時間フレームにおいてより多くの項目を膨大にテストすることが可能な、変換最適化のために自動化システムである。それは、変換が増大することにつながる変数の僅かな組み合わせを見出す。開示される技術は、人類によって設計されるものよりも良好に変換する設計を発見することができ、なぜならば、それは、要素の間の予期しない対話を見出すことが多いからである。例えば、開示される技術は、ボタンが緑である必要があるが、それが透明であり、ヘッダが小さいフォントであり、ヘッダテキストが整列されているときのみ、その必要があることを見出すことができる。そのような対話が存在することが多く、それらは、見出すことが非常に困難である場合がある。開示される技術は、高価な人類の努力の代わりに、人工知能に基づいてこの発見処理を自動にする。開示される技術で、よって、変換を以前よりも良好に、かつ以前よりもさらに大きな規模で最適化することが可能であり、電子商取引条件が変わるにつれてそれらを最適化し続けることが可能である。

機械学習変換最適化（ＭＬＣＯ）システム
図１は、標的のオンラインのユーザの行動を促進する機械学習変換最適化（ＭＬＣＯ）システムの態様を示す。実装態様では、標的の行動は、変換であるが、他の実装態様では、他の行動が標的にされてもよい。

図１のシステムは、候補の「個体」の個体数を有する候補データベース１０６を記憶するメモリを含む。メモリ１０６は、本明細書では、それがシステムの物理的な一部であり、又は単にネットワーク上で到達可能であるかに関わらず、システムにアクセス可能であるものと考えられる。「個体」は、典型的には符号化された方式で特定のニューラルネットワークを表す「ゲノム」を含み、特定のニューラルネットワークは、標的のユーザの行動を達成する際のその成功ついてテストされることになる。ニューラルネットワークの例は、多層パーセプトロン、フィードフォワード型ニューラルネットワーク、循環又は再帰ニューラルネットワーク、ディープニューラルネットワーク、シャローニューラルネットワーク、完全結合ニューラルネットワーク、疎結合ニューラルネットワーク、完全結合ニューラルネットワークを含む畳み込みニューラルネットワーク、完全結合ニューラルネットワークを有さない全畳み込みネットワーク、ディープスタッキングニューラルネットワーク、ディープビリーフネットワーク、残余ネットワーク、エコーステートネットワーク、リキッド状態機械、ハイウェイネットワーク、ＬＳＴＭ（ロングショートタームモリ）ネットワーク、ゲート付き再帰型ユニット（ＧＲＵ）、事前訓練、及びフローズンニューラルネットワークなどを含む。

図１の実装態様では、テストされることになるニューラルネットワークの全ては、完全に結合され、入力層において固定数のニューロン、及び出力層において固定数のニューロンを有する。よって、それらのパラメータについての値は、個体において指定される必要はない。各々の個体は、ネットワークの隠れ層の数、各々の隠れ層におけるニューロンの数、及びそれらの相互結合の重みなど、ニューラルネットワークの他のハイパーパラメータについての値を指定しない。よって、個体のハイパーパラメータは、ニューラルネットワークのトポロジ及びその相互結合についての係数を記述する。ハイパーパラメータは、図１のシステムにおける生殖の間に進化する値であり、よって、個体のゲノムを表す。各々の個体はまた、個体の現在の適応度の推定値などの他の情報を識別する。

１つの実装態様に係るハイパーパラメータのサンプルセットは、以下を含む。

図１に戻り、個体によって識別されるニューラルネットワークは、１つ以上のウェブインタフェースを有するそれぞれのファネルへの或るユーザ属性（入力ノードにおいて提供される）のマッピングを定義する。１つの実装態様では、ファネルは、ウェブインタフェースの厳格に線形な連続であり、別の実装態様では、それは、分岐を含むことができる。各々のファネルは、それに対して値をニューラルネットワークによって割り当てることができるいくつかの「次元」（側面）を含む。入力ノードにおいて提示されるユーザ属性のセットに応じて、ニューラルネットワークは、その出力ノードにおいて、それに対して値を割り当てることができるファネル次元ごとの値を有するベクトルを生成する。

各々のファネルは、それによって標的のユーザの行動の達成を検出することができるメカニズムを有する。１つの実装態様では、標的のユーザの行動は、エンドユーザによる変換である。ファネルごとに、設計者、マーケティング担当者、広告担当者、又はコンテンツ作成者によって定義される変換目標に基づいて変換を検出することができる。変換目標の例は、ファネルの特定のウェブインタフェースにユーザが到達すること（例えば、サンキューページ）、ファネルのウェブインタフェース上のリンク若しくはボタン、又は他のユーザインタフェース要素をユーザがクリックすること、或いは設計者によって定義されたいずれかの他のカスタムイベント（例えば、ｊＱｕｅｒｙを使用した）を含む。変換目標の他の例は、Ａｍａｚｏｎ．ｃｏｍ（商標）上の「Ｂｕｙ Ｎｏｗ」ボタンをユーザがクリックすること、電子メール登録ページ上の「Ｓｉｇｎ Ｕｐ」ボタンをユーザがクリックすること、アプリケーションランディングページ上の「Ｄｏｗｎｌｏａｄ Ｎｏｗ」ボタンをユーザがクリックすること、レポートをダウンロードするためにフォームをユーザが記入すること、ウェビナをユーザがサインアップすること、購入処理をユーザが完了すること、ショッピングカートにアイテムをユーザが追加すること、ショッピングカートのチェックアウトをユーザが初期化すること、及び本を読むために誓約をユーザが行うことを含む。変換目標は、異なるファネル及び異なるテスト環境について異なってもよい。

特定の個体のニューラルネットワークによって出力されるファネル次元値は、符号化された方式にあるファネルを表す。ルールのセットは、本明細書でプレゼンテーションデータベースと称されることがあり、ファネル次元値から実際のイメージ及びユーザによって経験されることになる対話へのマッピングを定義する。例えば、５つのニューラルネットワークの出力ノードの１つのグループは、ファネルの特定のウェブインタフェースのメインヘッドラインのテキストについての５つの選択肢のうちの１つを選択するように設計されてもよい。プレゼンテーションデータベースにおけるルールは、そのようなノードの符号化された出力をヘッドラインの実際のテキストに変換するものである。

最初に、図１のボックス１０２では、設計者は、テスト及び最適化されるウェブインタフェースファネルの基本側面についての設計を指定する。１つの実装態様では、これは、入力ニューロンの数、それらが何のユーザ属性を表すか、出力ニューロンの数、グループへのそれらの分割（メインヘッドラインテキストの選択肢を符号化するための上述した５つのニューロンなど）と共に、ファネルの他の視覚及び対話要素を含む。ボックス１０２は、それらがハイパーパラメータであり、異なる個体の間で変化するので、進化可能であるファネルの側面についての値を指定することを含まない。いくつかの実装態様では、しかしながら、ボックス１０２は、１つ以上の種の個体についてのハイパーパラメータを指定することを含んでもよい。

ボックス１０４では、個体数初期化モジュールは、個体の予備プールを生成し、それらを候補個体数１０６に書き込む。各々の個体は、個体のハイパーパラメータについての値のそれぞれのセットを識別する。１つの実装態様では、予備プールは、ランダムに生成されてもよく、別の実装態様では、予め指定された種の個体が使用されてもよい。読み手は、多数の他のオプションは、候補個体の初期個体数の可能な生成であることを認識するであろう。

候補個体数１０６が初期個体数を含んだ後、個体数における各々の個体が個体のニューラルネットワークの適応度を推定するために多数のユーザに関してテストされるループが始まる。モジュール１０８、１１０、１１２、及び１１８を含むループは、本明細書で候補テストモジュール１２０と称されることがある。好ましくは、ニューラルネットワークは、最適化されるものの一部が様々なユーザ属性に対するニューラルネットワークの成功の一貫性であるので、様々な属性を有する様々なユーザに関してテストされる。また、全ての個体は好ましくは、個体のニューラルネットワークにおける差のみではなく、テストの時間における差から結果として生じることがあるパフォーマンスの変動を最小化するために、ほぼ同時にテストされる（異なるユーザに対してであるが）。例示を簡単にするために、１つの個体のみのテストが図１に示される。ループの複数の例は、候補個体数１０６における個体ごとに１つである、特定の実装態様において使用されてもよいことが認識されよう。

フォワードパスモジュールボックス１０８は、テストされることになる特定の候補個体のゲノム（ハイパーパラメータ値）を受信する。フォワードパスモジュールボックス１０８はまた、ユーザ属性データ１１４を受信し、ハイパーパラメータの受信されたセットによって指定されるニューラルネットワークの入力ノードにそれを適用する。ユーザ属性データは、現在のユーザに関して探り出された特性を記述するが、その名前に関わらず、その情報に限定される必要はない。それはまた、現在の曜日などの非ユーザ特有情報を含むことができる。また、ユーザ属性データ１１４がデータベースとして図１に示されるが、他の実装態様では、それは、ブラウザクッキー、ＩＰアドレス、Ｍａｘｍｉｎｄ（商標）のようなサードパーティインテリジェンスソースなどの他のソースから来てもよい。本明細書で使用されるように、ユーザ属性データ１１４は、ユーザ属性データの「ソース」から概して来ると考えられる。

設計に含まれてもよいユーザ属性データの例は、サイト訪問行動（例えば、訪問の数、最後の訪問からの時間、オンライン購入パターン、登録されたユーザデータ）、訪問についてのソース（例えば、参照者、アドワード）、デバイス／ブラウザ、日付（例えば、曜日、時刻、季節性）、結合タイプ／ＩＳＰ／細胞担体、地理的位置、人口統計（例えば、言語（ブラウザ／デバイスからの））、及び心理学のような他の利用可能な属性である。

フォワードパスモジュールボックス１０８の出力は、現在の候補のニューラルネットワークが所与の提供されるユーザ属性を使用することを指定する特定のファネルの変動についての次元値のセットである。それらの値は、フロントエンドプレゼンテーションモジュール１１０に提供され、フロントエンドプレゼンテーションモジュール１１０は、ファネルの第３のウェブインタフェースのメインヘッドラインについて使用するテキストの特定の選択肢、ファネルの第１のウェブインタフェース上のロゴについて使用する特定の色又はＣＳＳ、及びファネルの第４のウェブインタフェースにおけるコールトゥアクションに関して使用する特定のテキストなどのフロントエンドの値にそれらをマッピングする。このファネルは次いで、ライブのオンライン評価１１２についてユーザに対して提示される。ファネルがイメージなどの出力要素だけでなく、ボタン及びリンクなどの対話要素をも含むので、用語「ユーザに対する提示」は、典型的にユーザとの双方向の対話３２４を含むことが認識されることに留意されたい。

ライブのオンライン評価１１２の出力は、現在のユーザセッションにおける標的のユーザの行動を達成する際の特定のファネルの変動の成功のインジケーションである。設計のパフォーマンス測定値に応じて、出力は、標的のユーザの行動が達成されたか否かを示す二値であってもよく、又はそれは、標的のユーザの行動が達成されたかの程度を示す１つ以上の値であってもよい。例えば、変換最適化の実装態様では、パフォーマンス測定値は、変換率であり、次いで、ライブのオンライン評価１１２の出力は、変換が現在のユーザセッションにおいて達成されたか否かのｙｅｓ又はｎｏを単純に示してもよい。パフォーマンス測定値が受け取る収益に基づいている場合、ライブのオンライン評価１１２の出力は次いで、現在のユーザセッションから実現される収益を示してもよい。更なる別の実装態様では、絶対的である代わりに、パフォーマンス測定値は、何らかの対照に対して相対的であってもよい。対照は、例えば、固定された、不変対照ファネルのパフォーマンスであってもよく、それは、候補個体を含むパフォーマンスと同時に他のユーザセッションにおいて使用されてもよい。

適応度集約モジュール１１８は、それに対して現在の候補個体のニューラルネットワークが使用されたユーザセッションの全てに対する現在の候補個体のパフォーマンス測定値を集約する。集約は、平均値であってもよく、又は個体についての組み合わされた適応度値を発展させるためのいくつかの他の公式であってもよい。集約パフォーマンス測定値は、現在の候補個体と関連して候補個体数プール１０６に書き込まれる。

上述したように、ボックス１０８、１１０、１１２、及び１１８のループの複数の例は、候補個体数１０６における個体ごとに１つである、特定の実装態様においてほぼ同時に使用されてもよい。代わりに、異なる個体は、ループの単一の例において交互の方式で使用されてもよい。また更に、それらの２つの代替の混合が使用されてもよい。結局、テストされることになる個体の全ては、個体の適応度の合理的に正確な推定値をそれらの各々について取得することができるように複数のユーザセッションにおいてテストされる。実施例では、候補個体数プール１０６は、５０の個体を含んでもよく、それらの各々の１つが、１０００〜２０００のトライアル（ユーザセッション）の組を受ける。

また、図１に示されるのは、ニューロエボリューションモジュール１２６である。候補個体数１０６からテストされる個体の全てがユーザセッションの完全な組においてテストされた後、ニューロエボリューションモジュール１２６は、個体の新たな世代を形成するためにそれらを進化させる。

ニューロエボリューションモジュール１２６は、競争モジュール１２２を含む。１つの実装態様では、進化的計算は、或る世代では操作を可能にする競争モジュール２２２を利用する。競争モジュール１２２は、競争テストモジュール１２０によって提供される更新されたパフォーマンス測定値に従って候補個体数１０６の内容を更新する。いくつかの実装態様では、競争モジュール１２２は、最小のベースラインの個体適応度（例えば、管理者によって予め設定される、若しくは自動設定される）を満たさない候補個体、又はその「個体適応度」が同様にテストされる候補個体の「個体適応度」に相対的に遅れる候補個体を破棄する。個体数１０６は、改正された内容で更新される。

競争モジュール１２２は、１つの世代から次への候補個体の卒業を管理する。この処理は、以下のように、一度に１つづつの候補個体に発生するとして考えられてもよい。最初に、競争モジュール１２２が実行された最後の時からそれらに対してパフォーマンス測定値が更新された全ての候補個体を通じてループが始まる。１つの実装態様では、現在の候補個体についてのパフォーマンス測定値がなおベースラインの個体適応度（例えば、管理者によって予め設定される、若しくは自動設定される）を下回り、又は他の候補個体の個体適応度に相対的に十分に遅れる場合、現在の候補個体は次いで破棄され、次の１つが考慮される。現在の個体についてのパフォーマンス測定値がベースラインの個体適応度（例えば、管理者によって予め設定される、若しくは自動設定される）を上回り、又は他の候補個体の個体適応度と相対的に同等である場合、現在の候補個体は次いで、次の世代に追加される。処理は次いで、次の候補個体を考慮するために順番に進む。

１つの実装態様では、競争モジュール１２２は、それらの絶対的パフォーマンス測定値の代わりに、それらの「相対的パフォーマンス測定値」に基づいて候補個体を評価する。候補個体の相対的パフォーマンス測定値は、第１の期間において判定された対照個体の絶対的パフォーマンス測定値と、第１の期間においてまた判定された候補個体の絶対的パフォーマンス測定値との間の差に基づいて計算される。よって、例えば、第１の世代の間に作成された第１の候補個体が４０％の絶対的平均変換率を有し、第１の世代においてまた初期化された第１の対照個体が３５％の絶対的平均変換率を有する場合、第１の候補個体の相対的パフォーマンス測定値は次いで、５％（４０％−３５％＝５％）である。同様に、第２の世代の間に作成された第２の候補個体が４５％の絶対的平均変換率を有し、第２の世代における第１の対照個体の絶対的平均変換率が４２％まで増加した場合、第２の候補個体の相対的パフォーマンス測定値は次いで、３％（４５％−４２％＝３％）である。従って、第１及び第２の候補個体は、それらのそれぞれの相対的パフォーマンス測定値に基づいて比較され、第１の候補個体は、第２の候補個体の絶対的パフォーマンス測定値が第１の候補個体の絶対的パフォーマンス測定値よりも５％高い（４５％−４０％＝５％）としても、第１の候補個体よりも２％良好（５％−３％＝２％）であると見出される。１つの個体の相対的パフォーマンス測定値と別の個体の相対的パフォーマンス測定値との間の競争モジュール１２２によって行われる各々の比較は、本明細書で比較「インスタンス」と称されることがある。

１つの実装態様では、競争モジュール１２２は、現在の候補個体の相対的パフォーマンス測定値が候補個体数１０６における最も適応しない候補個体の相対的パフォーマンス測定値を上回るかを判定する。そうである場合、最も適応しない候補個体は次いで破棄され、現在の候補個体が次の世代に移動される。そうでない場合、現在の候補個体は次いで破棄される。処理は次いで、次の候補個体を考慮するために順番に移動する。

ニューロエボリューションモジュール１２６はまた、生殖モジュール１２４を含む。候補個体数１０６が更新された後、生殖モジュール１２４は、候補個体数に、候補個体数１０６からの１つ以上の親の個体及び親のパフォーマンス測定値のそれぞれのセットに従って形成される新たな個体を追加する。いずれかの従来の又は後に開発される技術が生殖について使用されてもよい。実装態様では、親の個体からの条件、出力、又はルールは、子の個体を形成するための様々な方法で組み合わされ（例えば、適応度に比例的な選択）、次いで、時に、それらは変異する。組み合わせ処理は、例えば、クロスオーバー、すなわち、子の個体を形成するために親の個体の間で条件、出力、又はルール全体を交換することを含んでもよい。生殖を通じて作成された新たな個体は、定義されていないとして示されるパフォーマンス測定値から始まる。

生殖モジュール１２４は、ニューラルネットワークのハイパーパラメータを進化させることによって新たな個体を形成する。生殖モジュール１２４が出力ファネルの次元値を進化させないことに留意されたい。１つの実装態様では、生殖モジュール１２４は、親の個体のハイパーパラメータ値の間のクロスオーバーによって新たな個体を形成する。別の実装態様では、生殖モジュール１２４は、少なくとも部分的に親の個体の少なくとも１つのハイパーパラメータ値の変異によって新たな個体を形成する。個体数１０６は次いで、新たな個体で更新される。

個体の新たな生成が候補個体数１０６に書き込まれた後、ボックス１０４、１０８、１１２、及び１１８の候補テストモジュール１２０は、ユーザセッションのトライアルの別の組を通じて繰り返す。ニューロエボリューションモジュール１２６は次いで、候補個体の第３の世代などを進化させる。

最適なニューラルネットワークについての探索空間があまり大きくない場合、個体の十分な生成の後に更なる進化の先がなくなるように個体数が収斂することができることを認識されよう。その状況では、実装態様は、全ての又はほとんどの後のユーザセッションにおける配置のために上位のパフォーマンスを示す１つ又はいくつかの個体を採取してもよい。上述したように、個体の適応度は、ユーザ属性の可変セットに応じて、どの程度そのニューラルネットワークがファネルを調節するかに部分的に対応する。よって、非常に適応された個体は、多くのタイプのユーザに対して良好なパフォーマンスを示し続けるはずである。

一方で、例えば、ニューラルネットワークに提供されるユーザ属性に反映されない環境的変化を考慮するために、個体をとにかく進化させ続けることが有益である場合がある。顧客のベンダウェブサイトについて、例えば、そのような変化は、ホリデーショッピングシーズンへの又はホリデーショッピングシーズンからの遷移において発生することがある。

進化が収斂の後に続くことになる場合、次いで、採取される個体が他の後のユーザセッションに配置される間でさえ、そのように行うためのいくつかの方法が読み手にとって明らかであろう。１つの例として、採取される個体は、異なるユーザセッションでの使用において候補個体が組み入れられてもよい。そのような例では、採取される個体のパフォーマンスは、それに対して新たな候補個体が評価される対照として使用されてもよい。他の変形が読み手にとって明らかであろう。

図１の例示は、ニューロエボリューションを含むが、別の実装態様では、進化が必要ない場合があることを認識されよう。例えば、モジュール１２６は、良好なパフォーマンスを示さない個体を徐々に破棄するために競争モジュール１２２を含んでもよいが、個体数を再構築するための生殖モジュール１２４を含まなくてもよい。そのようなシステムは、候補個体数１０６を記憶するメモリ、ボックス１０８、１１０、１１２、及び１１８の候補テストモジュール、並びに競争モジュール１２２を含む。典型的には、システムはまた、個体数設計ボックス１０２及び個体数初期化モジュール１０４を含み続ける。図１のシステムの全ての他の態様は、同一のままでいることができる。

いくつかの実装態様では、ＭＬＣＯシステムは、任意選択のフルフィルメントシステム（図示せず）を使用する。フルフィルメントシステムは、候補テストモジュール１２０からの出力／アクション信号によって自動的に制御されるシステムである。ウェブページテスト環境では、例えば、フルフィルメントシステムは、コンピュータネットワーク（図示せず）を介して信号を受信し、適切な取引及び配送アクションをとる製品分布電子倉庫（例えば、Ａｍａｚｏｎ．ｃｏｍ（商標））である。

ゲノム
図２は、ニューラルネットワークを表すゲノムの１つの実装態様を示す。ニューラルネットワークは、入力層、１つ以上の隠れ層、及び出力層を含む。ニューロエボリューションモジュール１２６は、隠れ層のみを進化させる。入力及び出力層は進化しない。入力層は、ユーザ属性データ１１４を入力と見なし、隠れ層は、入力の代替的な表現を生成するために非線形関数及びネットワーク重みを使用し、出力層は、代替的な表現に基づいて出力ファネルについての次元値を生成する。このようにして、ニューラルネットワークは、ユーザ属性データ１１４を出力ファネルの次元値にマッピングする。非線形関数のいくつかの例は、シグモイド関数、正規化線形関数（ＲｅＬＵｓ）、双曲線正接関数、双曲線正接関数の絶対数、リーキＲｅＬＵｓ（ＬＲｅＬＵｓ）、及びパラメタライズドＲｅＬＵｓ（ＰＲｅＬＵｓ）を含む。

入力層の初期化
入力層のハイパーパラメータは、ユーザ属性データ１１４に基づいており、設計者、マーケティング担当者、広告担当者、又はコンテンツ作成者によって提供される仕様に基づいて定義されてもよい。図２に示される例では、入力層のニューロンは、ユーザの活動が検出される曜日、ユーザのデバイスのオペレーティングシステム（Ｏ／Ｓ）、ユーザのデバイスのタイプ、及びそれを通じてユーザが案内された広告グループに関するユーザ属性に対応する。実装態様では、そのようなユーザ属性の選択は、設計エディタ３０２のインタフェース３０４にわたって設計者によって提供される仕様に基づいている。他の実装態様では、設計者は、他のユーザ属性を指定することができ、システムは、それに従って、入力層のハイパーパラメータ（例えば、入力層におけるニューロンの数）を初期化するためにそれらを使用することができる。

いくつかの実装態様では、設計者によって指定されるユーザ属性は、入力層によって異なって処理される。例えば、「曜日」についての分類値を入力と見なす代わりに、入力層は、「正弦、余弦」符号化を有することによって１週間を通じて循環パターンを利用するために初期化されてもよい。他の実装態様では、入力層の入力符号化は、二進データタイプ（０若しくは１）、量的若しくは数的データタイプ、質的データタイプ、離散データタイプ、連続的データタイプ（上限及び下限を有する）、整数データタイプ（上限及び下限を有する）、公称データタイプ、序数若しくはランク付けデータタイプ、分類別データタイプ、間隔的データタイプ、並びに／又は比率データタイプのようなデータタイプに依存した他の方式を使用して表されてもよい。

出力層の初期化
出力層のハイパーパラメータは、設計者によって定義されるスタータファネルに従って初期化される。スタータファネルは、ゲノムによって表されるニューラルネットワークが出力することができるスタータファネルの全ての起こりうる変動のファネル探索空間を定義する。ファネル探索空間は、スタータファネルのスタータ次元及びスタータ次元値に組み合わせ操作を行うことによって定義される。１つの例では、設計者が４つのスタータページ要素（例えば、ロゴ、メインヘッドライン、サブヘッドライン、コールトゥアクション）、７つの可能なスタータサブ要素、及び１９の可能なスタータサブ要素値を指定する場合、次元及び次元値の６４０の可能な組み合わせを有するファネル探索空間は次いで、ロゴの８つの異なる変動、メインヘッドラインの５つの異なる変動、サブヘッドラインの４つの異なる変動、及びコールトゥアクションの４つの異なる変動の組み合わせ操作を行うことによって定義される（すなわち、８×５×４×４＝６４０）。ユーザ属性データ１１４によって識別される入力値に応じて、ニューラルネットワークは、ファネル探索空間における特定のファネル変動を識別する次元値を出力する。よって異なる入力値について、ニューラルネットワークは、異なるファネル変動を出力する。

図３を参照して、設計エディタ３０２は、ＭＬＣＯワークフローを実装するために設計者、マーケティング担当者、広告担当者、又はコンテンツ作成者によって使用されるインタフェース３０４の一部としての様々なインタフェース構成要素を含む。特に、設計エディタ３０２は、ゲノムによって表されるニューラルネットワークについての入力として使用されることになるユーザ属性を指定し、ゲノムによって表されるニューラルネットワークの出力として使用されることになる次元及び次元値を指定し、ゲノムによって表されるニューラルネットワークの出力ファネルについての変換目標を設定し、ゲノムによって表されるニューラルネットワークについてのパフォーマンス測定値を設定し、テストをプレビューし、テストを配置するために設計者によって使用される。ランタイム環境は、３１２として例示される。

図４は、３つのスタータウェブインタフェース（例えば、１つのランディングページ及び２つのファネルページ）を有するスタータファネルの１つの実装態様を示す。１つの実装態様では、スタータウェブインタフェースは、それらのそれぞれのアクセス経路（例えば、ユニファイドリソースロケータ（ＵＲＬ））によってスタータファネルにおいて識別され、トポロジの順に配置される。典型的には、トポロジの順は、ファネルについて定義される変換目標を完了するためにエンドユーザがファネルに従う経路を判定する。トポロジの順は、インタフェース３０４にわたって設計者によってグラフィカルに設定され、メモリに論理的に記憶される。

図４はまた、設計者がスタータファネルについての変換目標を設定することを可能にする「変換目標定義」ボタンを記す。変換目標の例はまた、「リードの増加」又は「収益の増加」を含む。設計者はまた、どのタイプのイベントが、サンキューページに訪問すること、ボタン若しくはリンクをクリックすること、又はカスタムイベントなど、変換が発生したことを示すと考えられるかを定義する。変換目標を設定した後、設計者は、パフォーマンス測定値を指定する。パフォーマンス測定値は、上記議論されたように、テストの間の候補個体のパフォーマンスを評価するためにＭＬＣＯシステムによって使用される。

次いで、スタータファネルについてのウェブインタフェースレイアウトが生成される。本明細書で使用されるように、「ウェブインタフェースレイアウト」は、その中で次元についての代替的な値がファネルの特定のウェブインタフェースを定義するために挿入されるテンプレートにすぎない。１つの実装態様では、ウェブインタフェースレイアウトは、可変スクリーンのキャンバスを有するデバイスのオプションの中から（例えば、スマートフォン、タブレット、コンピュータ、ウェアラブルデバイス）設計者によって選択されたシミュレートされたデバイスにわたって表示される。いくつかの実装態様では、デバイスのオプションは、ｉＰｈｏｎｅ６（商標）、Ｓａｍｓｕｎｇ ＧａｌａｘｙＳ６（商標）、及びその他のような異なるデバイスモデルをリスト化する。図５は、ウェブインタフェースレイアウト、並びにウェブインタフェースレイアウトに適用することができる次元及び次元値の１つの実装態様を示す。

次いで、設計者は、スタータファネルのスタータウェブインタフェースごとのウェブインタフェースレイアウトに含まれることになる異なるページ要素（本明細書で「スタータ次元」と称される）を選択する。１つの実装態様では、設計者はまた、ページ要素についてのタイプを指定する。例えば、ページ要素の名前は、「Ｃｌｅａｎ，Ａｗｅｓｏｍｅ ａｎｄ Ｍｕｌｔｉ−Ｐｕｒｐｏｓｅ」であり、ページ要素のタイプは、「Ｈｅａｄｌｉｎｅ−Ｍａｉｎ」である。更に進むと、設計者は、スタータファネルのスタータウェブインタフェースごとに異なるサブ要素（本明細書で「スタータ次元」と称される）を定義する。サブ要素の例は、テキスト、書式設定／ＣＳＳ（Ｃａｓｃａｄｉｎｇ Ｓｔｙｌｅ Ｓｈｅｅｔｓ）、ページ要素の隠蔽、ページ要素の除去、クラス、ＨＴＭＬ、カスタムｊＱｕｅｒｙ、及びイメージを含む。いくつかの実装態様では、設計者は、サブ要素のいくつかを活性化又は非活性化することができる（例えば、ドロップダウンを使用して）。１つの実装態様では、非活性なサブ要素は、取消線を有するインタフェース３０４にわたって表示される。他の実装態様では、設計エディタ３０２は、いくつかのサブ要素を自動的に活性にし、その他を非活性にする。

次いで、設計者は、定義されたサブ要素ごとにサブ要素値（本明細書で「スタータ次元値」と称される）を設定する。加えて、設計者はまた、定義されたサブ要素ごとに、制御サブ要素値及び１つ以上のテストサブ要素値を設定する。他の実装態様では、設計エディタ３０２は、サブ要素についてのデフォルトの制御値を自動で設定する。例えば、ページ要素「Ｈｅａｄｌｉｎｅ−Ｍａｉｎ」について、制御サブ要素値は、「Ｃｌｅａｎ，Ａｗｅｓｏｍｅ ａｎｄ Ｍｕｌｔｉ−Ｐｕｒｐｏｓｅ」になるように設定され、テストサブ要素値は、「Ｓｌｉｃｋ，Ａｗｅｓｏｍｅ ａｎｄ Ｐｏｗｅｒｆｕｌ」、「Ｎｅｗ，Ｆａｓｔ，Ｂｅｔｔｅｒ」、「Ｓｈｉｎｙ，Ｂｅｔｔｅｒ ｔｈａｎ ｔｈｅ ｃｏｍｐｅｔｉｔｉｏｎ」、及び「Ｂｅｓｔ ｙｏｕ ｃａｎ Ｂｕｙ」になるように設定される。同様に、他の実装態様では、異なるページ要素、並びに対応するサブ要素及びサブ要素値は、スタータファネルのスタータウェブインタフェースの各々のスタータ次元及びスタータ次元値のセットとして定義されてもよい。

ファネルの各々のウェブインタフェースは、ベクトルに基づく探索空間におけるポイントとして考えられてもよい。ベクトル空間内の各々の次元軸は、ページ要素のうちの１つに対応し、所与の軸に沿った各々の異なる座標位置は、そのページ要素についての設計者により指定された代替のうちの１つを示す。例えば、図５では、コールトゥアクション次元は、４つの座標位置（値又はその代替）、すなわち、「Ｇｏ！」、「Ｇｏ ｔｏ ｔｈｅ Ａｕｃｔｉｏｎ！」、「Ｗｉｎ ｔｈｅ Ａｕｃｔｉｏｎ！」、及び 「Ｗｉｎ ｉｔ ＮＯＷ！」を有する。ファネルの特定のウェブインタフェースは、ページ要素／次元ごとの値を指定する。

図６は、ファネルのウェブインタフェースの１つの実装態様を示す。図６では、ウェブインタフェースは、ウェブインタフェースレイアウト内の異なるページ要素／次元の配置又は位置と、ピクチャの選択肢（ページ要素／次元）、背景イメージ（ページ要素／次元）、背景色（ページ要素特性／次元値）、ヘッドラインコピー（ページ要素／次元）、ヘッドラインコピーのタイプフェース及び色（ページ要素特性／次元値）、ロゴの出現又は隠蔽（ページ要素／次元）、サブヘッドコピー（ページ要素／次元）、サブヘッドコピーのタイプフェース及び色（ページ要素特性／次元値）、ディスクリプションコピー（ページ要素／次元）、ディスクリプションコピーのタイプフェース及び色（ページ要素特性／次元値）、フォーンコールトゥアクション（ページ要素／次元）、フォーンコールトゥアクションのタイプ、フォーマット、及び色（ページ要素特性／次元値）、フォーム設計（ページ要素／次元）、ボタン（ページ要素／次元）、並びにボタンの形状、色、及びテキスト（ページ要素特性／次元値）を含む、ページ要素／次元の対応する特性又は値とによって定義される。

設計者は、いずれかのデータタイプを使用してスタータファネルのスタータ次元及びスタータ次元値を定義することができる。いくつかのデータタイプの例は、二進データタイプ（０若しくは１）、量的若しくは数的データタイプ、質的データタイプ、離散データタイプ、連続的データタイプ（上限及び下限を有する）、整数データタイプ（上限及び下限を有する）、公称データタイプ、序数若しくはランク付けデータタイプ、分類別データタイプ、間隔的データタイプ、並びに／又は比率データタイプを含む。例えば、スタータ次元及びスタータ次元値は、０〜１の実数値、０〜２５６の赤、緑、青（ＲＧＢ）値などの連続値、ＣＳＳ色の１６進数値（例えば、＃Ｆ０Ｆ８ＦＦ）、ＣＳＳ色の分類別色値（例えば、ＡｌｉｃｅＢｌｕｅ）、他のＣＳＳ特性グループ及び特性のそれぞれの値（＜ｈｔｔｐ：／／ｗｗｗ．ｗ３ｓｃｈｏｏｌｓ．ｃｏｍ／ｃｓｓｒｅｆ／＃ａｎｉｍａｔｉｏｎ＞におけるウェブ上でリスト化された１つなど）、特定の次元のサイズ（例えば、高さ及び幅）、異なる値及びデータタイプのセット（例えば、異なる数的なドル価格値、若しくは異なる数的なドル価格値と、高さ及び幅との組み合わせ）、並びにその他に基づいてもよく、又はそれらのいずれかの組み合わせに基づいてもよい。

いったん作成されると、スタータファネルのプレビュー、及びその構成するスタータウェブインタフェースは、インタフェース３０４にわたって設計者に提示される。

スタータファネルの定義を理解すると、ここで議論は、ゲノムによって表されるニューラルネットワークの出力層がスタータファネルに基づいてランタイムにおいてどのように初期化されるかに向けられる。

図７は、スタータファネルのエディタ設計表現７０２をランタイム設計表現７１２に転換する１つの実装態様の符号図である。ランタイム３２２において、設計者によって定義されるスタータファネルのエディタ設計表現７０２は、ランタイム設計表現７１２に転換される。図７で使用される例では、エディタ設計表現７０２は、「ツリー」を含む。出力層及びそのハイパーパラメータは、いずれかのレベルのツリーに基づいてもよい。ツリーのルートは、それに対してテストが実行される最高レベルの粒度である。ウェブサイト又はモバイルウェブページについて、ルートはドメインである。モバイルアプリケーションについて、ルートはアプリケーションである。電子メールについて、ルートは電子メールであり、件名及びページは、次のレベルのツリーである。他のアプリケーション（広告など）について、異なるマッピングが使用されてもよい。ウェブページ及びモバイルアプリケーションのドメインでは、ウェブサイトは、１つからｎ個のファネルを有し、各々のファネルは、目標、及び１つからｎ個のページを有する。各々のページは、要素の１つからｎ個のクラスタを有する。各々のクラスタは、１つからｎ個の要素を有する。各々の要素は、要素の特性を変更するサブ要素のセットを有する。本明細書で使用されるように、サブ要素は、要素でもある。各々のサブ要素は、１つからｎ個の値を有する。他の実装態様では、構造は異なってもよい。例えば、要素は、全くクラスタ化されなくてもよく、又は表現は、全く階層化されなくてもよい。

図８は、設計者によって定義されるスタータファネルの異なるレベルの粒度を使用して出力層を初期化する異なる例示的な実装態様を示す。図８に示される例では、出力層及びそのハイパーパラメータは、クラスタ８０２、要素８０４、サブ要素８０６、若しくはサブ要素値８０８、又はそれらのいずれかの組み合わせに基づいてもよい。

従って、出力層は、いずれかのフォーマットで出力を提供するように構成されてもよい。１つの例では、出力は、二進符号化８１０の形式にあってもよい。他の出力フォーマットの例は、量的若しくは数的データタイプ、質的データタイプ、離散データタイプ、連続的データタイプ（上限及び下限を有する）、整数データタイプ（上限及び下限を有する）、公称データタイプ、序数若しくはランク付けデータタイプ、分類別データタイプ、間隔的データタイプ、及び／又は比率データタイプを含む。例えば、出力は、０〜１の実数値、０〜２５６の赤、緑、青（ＲＧＢ）値などの連続値、ＣＳＳ色の１６進数値（例えば、＃Ｆ０Ｆ８ＦＦ）、ＣＳＳ色の分類別色値（例えば、ＡｌｉｃｅＢｌｕｅ）、他のＣＳＳ特性グループ及び特性のそれぞれの値（＜ｈｔｔｐ：／／ｗｗｗ．ｗ３ｓｃｈｏｏｌｓ．ｃｏｍ／ｃｓｓｒｅｆ／＃ａｎｉｍａｔｉｏｎ＞におけるウェブ上でリスト化された１つなど）、特定の次元のサイズ（例えば、高さ及び幅）、異なる値及びデータタイプのセット（例えば、異なる数的なドル価格値、若しくは異なる数的なドル価格値と、高さ及び幅との組み合わせ）、並びにその他に基づいてもよく、又はそれらのいずれかの組み合わせに基づいてもよい。

更に、出力層の出力を解釈するための様々な解釈の方式が採用されてもよい。例えば、図２に示される例では、出力ファネルのサブ要素及び要素についての値を解釈するために二進符号化が使用される。他の実装態様では、要素値及び／又はサブ要素値についての連続した出力を提供するために出力層の更に少ない出力ニューロンの連続符号化が使用されてもよく、サブ要素についての対応する値を判定するために「範囲に基づく」解釈の方式が利用されてもよい。更なる他の実装態様では、「予測的」解釈の方式は、要素及び／又はサブ要素のセットの値を、出力層によって識別される要素及び／又はサブ要素の別のセットの値に従って予測することを含むことができる。読み手は、多くの他のオプションが可能な解釈の方式であることを認識するであろう。

フロントエンド提示
図９及び１０は、個体のゲノムによって表される１つ以上のニューラルネットワークによって作成される次元値に従ってエンドユーザへのフロントエンドの提示のための１つ以上のウェブインタフェースの出力ファネルを生成する１つの実装態様を示す。図１０は、それに基づいて４つのウェブインタフェースが生成される次元値の４つのセットを示す。

図９はまた、出力ファネルごとの次元値が二進数列（文字列）によって表されることを示す。各々の二進数列は、サブ数列（サブ文字列）に更に区分化される。各々のサブ数列は、出力ファネルについての次元及び対応する次元値を表す。従って、各々のサブ数列は、出力セット（ＯＳ１〜ＯＳ４）に従って生成されることになるウェブインタフェースについてのサブ要素及び対応するサブ要素値を識別する。ウェブインタフェースがコンテンツを含むフロントエンド（例えば、グラフィカル）オブジェクトである実装態様では、サブ数列は、出力セット（ＯＳ１〜ＯＳ４）に基づいて生成されるウェブインタフェースに含まれることになるフロントエンド（例えば、グラフィカル）要素／構成要素、及び対応する要素／構成要素を識別する。

図９及び１０の実装態様では、出力セット（ＯＳ１〜ＯＳ４）の各々の要素は、サブ数列としてグループ化されるビットの固定長のサブ文字列として符号化される。例えば、サブヘッドライン要素は、２つのサブ数列にグループ化される４つのビットを有する。サブ数列ごとに、ビットのうちの１つのみが利用可能な次元値のセットから特定の次元値を識別するように活性又は「ホット」であってもよい（例えば、「１」によって表される）。最も左のビットは、１つの例では、メインヘッドラインについて「プレーンテキスト」を示すことができる、サブ数列の「制御」値を表す。２つ目、３つ目、及び４つ目のビットは、例えば、「ボールド」、「イタリック」、及び「ボールド下線」それぞれを示してもよい。多くの他の符号化が異なる実装態様において可能であることが認識されよう。例えば、２ビットの数値は、制御を示す０、「ボールド」を示す１、「イタリック」を示す２、及び「ボールド下線」を示す３で使用されてもよい。

図９及び１０の他の実装態様では、出力セットが提示されてもよく、構成する要素は、量的若しくは数的データタイプ、質的データタイプ、離散データタイプ、連続的データタイプ（上限及び下限を有する）、整数データタイプ（上限及び下限を有する）、公称データタイプ、序数若しくはランク付けデータタイプ、分類別データタイプ、間隔的データタイプ、及び／又は比率データタイプなど、二進データタイプ（０又は１）以外のデータタイプに依存した他の方式を使用して符号化される。例えば、図９及び１０における出力セット及び構成する要素の符号化は、０〜１の実数値、０〜２５６の赤、緑、青（ＲＧＢ）値などの連続値、ＣＳＳ色の１６進数値（例えば、＃Ｆ０Ｆ８ＦＦ）、ＣＳＳ色の分類別色値（例えば、ＡｌｉｃｅＢｌｕｅ）、他のＣＳＳ特性グループ及び特性のそれぞれの値（＜ｈｔｔｐ：／／ｗｗｗ．ｗ３ｓｃｈｏｏｌｓ．ｃｏｍ／ｃｓｓｒｅｆ／＃ａｎｉｍａｔｉｏｎ＞におけるウェブ上でリスト化された１つなど）、特定の次元のサイズ（例えば、高さ及び幅）、異なる値及びデータタイプのセット（例えば、異なる数的なドル価格値、若しくは異なる数的なドル価格値と、高さ及び幅との組み合わせ）、並びにその他に基づいてもよく、又はそれらのいずれかの組み合わせに基づいてもよい。

出力セット（ＯＳ１〜ＯＳ４）は、上記議論されたように、フォワードパスモジュール１０８によって生成及び提供される。フロントエンドプレゼンテーションモジュール１１０は次いで、出力セット（ＯＳ１〜ＯＳ４）を１つ以上のウェブインタフェースの出力ファネルに転換するためにプレゼンテーションデータベース９２０及びプレゼンテーションモジュール９１０を利用する。

プレゼンテーションデータベース９２０は、ファネルの次元の各々の少なくとも１つの利用可能な値ごとのフロントエンド要素値を識別するルールリポジトリとしての役割を果たす。プレゼンテーションモジュール９１０は、選択された出力セットによって識別される次元値に対応するフロントエンド要素値を判定するために、出力セットのうちの選択された１つをプレゼンテーションデータベース９２０に適用する。従って、プレゼンテーションモジュール９１０は、プレゼンテーションデータベース９２０に対してフォワードパスモジュール１０８によって提供される出力セットを評価し、出力セットに基づいてファネルの適切な変動を生成することが可能である。

プレゼンテーションデータベース９２０は、様々な要素ルールを含む。プレゼンテーションデータベース９２０では、要素ルールは、ファネル探索空間における全ての可能な次元、すなわち、ウェブインタフェースに含まれることができる全ての可能なフロントエンド（例えば、グラフィカル）要素／構成要素について提供されてもよい。また、各々の要素ルールは、所与の次元又はページ要素／構成要素についての全ての可能な次元値又はページ要素／構成要素を識別するポインタを含む。例えば、「サブヘッドライン」要素ルールは、色、テキスト、サイズ、及び配置など、「サブヘッドライン」要素の全ての可能な特性についてのポインタを含む。

選択された出力セットについて、プレゼンテーションモジュール９１０は、プレゼンテーションデータベース９２０にアクセスし、選択された出力セットにおけるサブ数列ごとの適用可能な要素ルールを評価する。図９の例では、要素１のルールは、全てのロゴのサブ数列について識別され、要素２のルールは、全てのメインヘッドラインのサブ数列について識別され、要素３のルールは、全てのサブヘッドラインのサブ数列について識別され、要素４のルールは、全てのアクションボタンのサブ数列について識別される。更に、各々の要素ルールは、それぞれのサブ数列値についてのポインタを識別し、対応するフロントエンド（例えば、グラフィカル）要素／構成要素及び要素／構成要素値を生成する。

１つの実装態様では、次元ごとの利用可能な値のうちの１つがデフォルトの値であるとき、結果として生じるファネルは、次元の各々のデフォルトの次元値についてのデフォルトのフロントエンド要素値を有する。そのような実装態様では、プレゼンテーションモジュール９１０は、次元ごとのデフォルトの次元値以外の、選択された出力セットによって識別される全ての次元値に対応するフロントエンド要素値を判定するために、選択された出力セットをプレゼンテーションデータベース９２０に適用する。

他の実装態様では、ウェブインタフェースファネルの特定の変動について、ファネルの次元ごとの値を記憶するファネルカスタム化仕様メモリが利用される。そのような実装態様では、プレゼンテーションモジュール９１０は、ユーザに対し、プレゼンテーションデータベース９２０によって示されるフロントエンド要素値を有するファネルをファネルファネルカスタム化仕様メモリに記憶された次元値に対応するとして提示する。ファネルファネルカスタム化仕様メモリはまた、ファネルの次元ごとの値の新たなセットで更新される。ファネルカスタム化仕様メモリについての更新された値は、ファネルを入力するためのユーザの行動（例えば、ユーザがブラウザを介してランディングページＵＲＬを提供すること）に応じて取り出される。加えて、プレゼンテーションモジュール９１０は、ユーザの行動（例えば、ユーザがブラウザを介してランディングページＵＲＬを提供すること）に応じてプレゼンテーションデータベース９２０にアクセスする。

１つの実装態様では、次元ごとの利用可能な値のうちに１つがデフォルトの値であるとき、ファネルは、次元の各々のデフォルトの次元についてのデフォルトのフロントエンド要素値を有する。そのような実装態様では、プレゼンテーションモジュール９１０によってユーザに対して提示されるファネルは、次元ごとのデフォルトの次元値以外の、ファネルファネルカスタム化仕様メモリにおいて識別される次元値の全てに対応するとしてプレゼンテーションデータベース９２０によって示されるフロントエンド要素値を有する。

図１０では、４つのウェブインタフェース（ＷＩ１〜ＷＩ４）は、出力セット（ＯＳ１〜ＯＳ４）の各々に従って、プレゼンテーションモジュール９１０によって生成される。ウェブインタフェースの各々は、プレゼンテーションデータベース９２０におけるルールによって識別されるフロントエンド（例えば、グラフィカル）要素／構成要素及び要素／構成要素値を含む。次いで、ウェブインタフェース（ＷＩ１〜ＷＩ４）は、ライブのオンライン評価１１２のためにエンドユーザに提示される。

開示される技術のサーバ側の実装態様では、フォワードパスモジュール１０８は、ニューラルネットワークがサーバにおいて実行されるようにサーバにおいて実装及び実行される。開示される技術のクライアント側の実装態様では、フォワードパスモジュール１０８は、ニューラルネットワークがユーザデバイスにおいて実行されるようにユーザデバイスにおいて実装及び実行される。

機械学習ユーザデバイス（ＭＬＵＤ）
図１１は、本明細書で「機械学習ユーザデバイス」（ＭＬＵＤ）と称される、改善されたユーザデバイスの１つの実装態様を示す。図１１では、エンドユーザは、ベンダウェブサイトにアクセスするためにＭＬＵＤ１１０４上で実行するブラウザを使用する。ベンダウェブサーバは、エンドユーザがベンダウェブサイトにアクセスしたことに応じて、ウェブページの一部として、変換スニペットをＭＬＵＤ１１０４に配置するように構成される。変換スニペットがＭＬＵＤ１１０４に送信された後、及びウェブページがエンドユーザにレンダリングされる前に、変換スニペットは、ネットワークサーバインフラストラクチャを呼び出す。ネットワークサーバインフラストラクチャは、候補テストモジュール１２０、候補個体数１０６、及びコンテンツ配信ネットワーク（ＣＤＮ）１１０８を含む。

ＭＬＵＤ１１０４に配置される変換スニペットは、プレゼンテーションファイル９３０をＣＤＮ１１０８から取り出し、プレゼンテーションファイル９３０をＭＬＵＤ１１０４に記憶する。ＣＤＮ１１０８は、プレゼンテーションファイル９３０と共に事前にロードされる。今日の一般的なＣＤＮサービスの例は、Ａｋａｍａｉ（商標）、ＣｌｏｕｄＦｌａｒｅ（商標）、ＣｌｏｕｄＦｒｏｎｔ（商標）、Ｆａｓｔｌｙ（商標）、ＭａｘＣＤＮ（商標）、ＫｅｙＣＤＮ（商標）、Ｉｎｃａｐｓｕｌａ（商標）、及びＧｌｏｂａｌＤｏｔｓ（商標）を含む。プレゼンテーションファイル９３０は、上記議論された、プレゼンテーションデータベース９２０及びプレゼンテーションモジュール９１０を含む。

次いで、ＭＬＵＤ１１０４に配置される変換スニペットは、候補テストモジュール１２０からのゲノムを要求する。それに応じて、候補テストモジュール１２０は、ゲノムを候補個体数１０６から取り出し、選択されたゲノムをＭＬＵＤ１１０４に配信する。

次いで、選択されたゲノムを候補テストモジュール１２０から受信し、プレゼンテーションファイル９３０をＣＤＮ１１０８から受信したＭＬＵＤ１１０４は、ユーザ属性データ１１４を入力として使用して、ゲノムによって表されるニューラルネットワークを実行し、出力ファネルについての次元値を作成する。１つの実装態様では、ＭＬＵＤ１１０４は、ゲノムによって表されるニューラルネットワークを実行するために、ローカルフォワードパスモジュールを利用する。

次いで、ＭＬＵＤ１１０４は、プレゼンテーションモジュール９１０を実行する。プレゼンテーションモジュール９１０は、上記議論されたように、プレゼンテーションデータベース９２０のルールに対して次元値を評価し、１つ以上のウェブインタフェースの出力ファネルを生成する。従って、標準的なユーザデバイスは、ニューラルネットワークを実行し、アルゴリズム的に進化したウェブインタフェースを生成するために改善される。

機械学習コンテンツ配信ネットワーク（ＭＬＣＤＮ）
図１２は、本明細書で「機械学習コンテンツ配信ネットワーク」（ＭＬＣＤＮ）と称される、改善されたコンテンツ配信ネットワーク（ＣＤＮ）の１つの実装態様を示す。図１２では、エンドユーザは、ベンダウェブサイトにアクセスするためにユーザデバイス１２０２上で実行するブラウザを使用する。ベンダウェブサーバは、エンドユーザがベンダウェブサイトにアクセスしたことに応じて、ウェブページの一部として、変換スニペットをユーザデバイス１２０２に配置するように構成される。変換スニペットがユーザデバイス１２０２に送信された後、及びウェブページがエンドユーザにレンダリングされる前に、変換スニペットは、ネットワークサーバインフラストラクチャを呼び出す。ネットワークサーバインフラストラクチャは、候補テストモジュール１２０、候補個体数１０６、及びコンテンツ配信ネットワーク（ＣＤＮ）１１０８を含む。

ＭＬＣＤＮ１２０４は、プレゼンテーションファイル９３０と共に事前にロードされる。プレゼンテーションファイル９３０は、上記議論された、プレゼンテーションデータベース９２０及びプレゼンテーションモジュール９１０を含む。

次いで、ＭＬＣＤＮ１２０４は、候補テストモジュール１２０からのゲノムを要求する。それに応じて、候補テストモジュール１２０は、ゲノムを候補個体数１０６から取り出し、選択されたゲノムをＭＬＣＤＮ１２０４に配信する。

次いで、選択されたゲノム及びプレゼンテーションファイル１３３０の両方を有するＭＬＣＤＮ１２０４は、ユーザ属性データ１１４を入力として使用して、ゲノムによって表されるニューラルネットワークを実行し、出力ファネルについての次元値を作成する。１つの実装態様では、ＭＬＵＤ１１０４は、ゲノムによって表されるニューラルネットワークを実行するために、ローカルフォワードパスモジュールを利用する。

次いで、ＭＬＣＤＮ１２０４は、プレゼンテーションモジュール９１０を実行する。プレゼンテーションモジュール９１０は、上記議論されたように、プレゼンテーションデータベース９２０のルールに対して次元値を評価し、１つ以上のウェブインタフェースの出力ファネルを生成する。従って、標準的なユーザデバイスは、ニューラルネットワークを実行し、アルゴリズム的に進化したウェブインタフェースを生成するために改善される。

次いで、ＭＬＣＤＮ１２０４は、プレゼンテーションモジュール９１０を実行する。プレゼンテーションモジュール９１０は、上記議論されたように、プレゼンテーションデータベース９２０のルールに対して次元値を評価し、１つ以上のウェブインタフェースの出力ファネルを生成する。従って、標準的なＣＤＮは、ニューラルネットワークを実行し、アルゴリズム的に進化したウェブインタフェースを生成するために改善される。

コンピュータシステム
図１３は、開示される技術を実装するために使用することができるコンピュータシステム簡易ブロック図である。コンピュータシステム１３１０は、典型的には、バスサブシステム１３１２を介していくつかの周辺機器デバイスと通信する少なくとも１つのプロセッサ１３１４を含む。それらの周辺機器デバイスは、例えば、メモリデバイス及びファイル記憶サブシステムを含む記憶サブシステム１３２４、ユーザインタフェース入力デバイス１３２２、ユーザインタフェース出力デバイス１３１８、並びにネットワークインタフェースサブシステム１３１６を含むことができる。入力及び出力デバイスによって、コンピュータシステム１３１０とのユーザ対話が可能になる。ネットワークインタフェースサブシステム１３１６は、外部ネットワークへのインタフェースを提供し、外部ネットワークへのインタフェースは、他のコンピュータシステムにおける対応するインタフェースデバイスへのインタフェースを含む。

１つの実装態様では、変換システム１０４は、記憶サブシステム１３２４及びユーザインタフェース入力デバイス１３２２に通信可能にリンクされる。

ユーザインタフェース入力デバイス１３２２、又はクライアント若しくはクライアントデバイスは、キーボード、マウス、トラックボール、タッチパッド、又はグラフィックタブレットなどのポインティングデバイス、スキャナ、ディスプレイに組み込まれたタッチスクリーン、音声認識システム及びマイクロフォンなどの音声入力デバイス、並びに他のタイプの入力デバイスを含むことができる。概して、用語「入力デバイス」の使用は、情報をコンピュータシステム１３１０に入力する全ての可能なタイプのデバイス及び方法を含むことが意図される。

ユーザインタフェース出力デバイス１３１８は、ディスプレイサブシステム、プリンタ、ファクシミリ、又は音声出力デバイスなどの非視覚的ディスプレイを含むことができる。ディスプレイサブシステムは、陰極線管（ＣＲＴ）、液晶ディスプレイ（ＬＣＤ）などのフラットパネルデバイス、投射デバイス、又は可視画像を作成するためのいくつかの他のメカニズムを含むことができる。ディスプレイサブシステムはまた、音声出力デバイスなどの非視覚的ディスプレイを提供することができる。概して、用語「出力デバイス」の使用は、情報をコンピュータシステム１３１０からユーザ又は別のマシン若しくはコンピュータシステムに出力する全ての可能なタイプのデバイス及び方法を含むことが意図される。記憶サブシステム１３２４は、本明細書で説明されるモジュール及び方法のいくつか又は全ての機能性を提供するプログラミング及びデータ構造を記憶する。それらのソフトウェアモジュールは、概して、プロセッサ１３１４によって単独で、又は他のプロセッサとの組み合わせで実行される。

記憶サブシステムにおいて使用されるメモリ１３２６は、プログラムの実行の間に命令及びデータの記憶のためのメインランダムアクセスメモリ（ＲＡＭ）１３３４、並びに固定命令が記憶されるリードオンリメモリ（ＲＯＭ）１３３２を含むいくつかのメモリを含むことができる。ファイル記憶サブシステム１３２８は、プログラム及びデータファイルについての永続的な記憶を提供することができ、ハードディスクドライブ、関連付けられた着脱可能媒体を伴うフロッピーディスクドライブ、ＣＤ−ＲＯＭドライブ、光学ドライブ、又は着脱可能媒体カートリッジを含むことができる。或る実装態様の機能性を実装するモジュールは、ファイル記憶サブシステム１３２８によって、記憶サブシステム１３２４、又はプロセッサによってアクセス可能な他のマシンに記憶されてもよい。

バスサブシステム１３１２は、コンピュータシステム１３１０の様々な構成要素及びサブシステムに、意図するように相互に通信させるためのメカニズムを提供する。バスサブシステム１３１２が単一のバスとして概略的に示されるが、バスサブシステムの代替的な実装態様は、複数のバスを使用することができる。アプリケーションサーバ１３２０は、ハードウェア及び／又はソフトウェア、例えば、オペレーティングシステムなど、コンピュータシステム１３１０のアプリケーションが実行することを可能にするフレームワークであってもよい。

コンピュータシステム１３１０自体は、パーソナルコンピュータ、ポータブルコンピュータ、ワークステーション、コンピュータ端末、ネットワークコンピュータ、テレビ、メインフレーム、サーバファーム、大まかにネットワークで結ばれたコンピュータの広範囲に分散されたセット、又はいずれかの他のデータ処理システム若しくユーザデバイスを含む可変タイプのコンピュータシステムであってもよい。コンピュータ及びネットワークのこれまでの変化する性質に起因して、図１３に記されるコンピュータシステム１３１０の説明は、本発明の好ましい実施形態を例示する目的のための特定の例としてのみ意図される。図１３に記されるコンピュータシステムよりも多くの又は少ない構成要素を有するコンピュータシステム１３１０の多くの他の構成が可能である。

条項
以下の条項は、本発明の態様に関連するシステム及び方法の様々な実施例の態様を説明する。

条項２Ｓ１．予め定められた標的のユーザの行動を促進する、コンピュータにより実施されるウェブインタフェース生成及びテストシステムであって、

候補個体の個体数を有する候補データベースを記憶するメモリであって、前記候補個体の各々は、前記候補個体の複数のハイパーパラメータについてのそれぞれの値を識別し、前記ハイパーパラメータは、それぞれのニューラルネットワークのトポロジ及び前記それぞれのニューラルネットワークの相互結合についての係数を記述し、前記ニューラルネットワークの各々は、ユーザ特性を１つ以上のウェブインタフェースを有するそれぞれのファネルにマッピングし、各々のファネルは、それに対して値を前記ニューラルネットワークによって割り当てることができる複数の次元を有し、それによって前記標的のユーザの行動の達成を検出することができるメカニズムを更に有し、前記ニューラルネットワークは、それに対して値を割り当てることができる前記次元ごとの値を識別する、前記メモリと、

候補個体の予備プールを前記候補個体数に書き込む、個体数初期化モジュールと、

前記ファネルに対してライブのオンライン評価を行うことによって前記候補個体数における前記候補個体の各々をテストする候補テストモジュールであって、前記候補テストモジュールは、前記ライブのオンライン評価に従って前記候補個体ごとのパフォーマンス測定値を発展させ、前記パフォーマンス測定値は、前記標的のユーザの行動を達成する際の前記候補個体の成功のインジケータである、前記候補テストモジュールと、

前記候補個体数に、前記候補個体数及び親のパフォーマンス測定値からの１つ以上の前記親の個体のそれぞれのセットに従って形成された新たな個体を追加する生殖モジュールと、

前記候補テストモジュール及び前記生殖モジュールを反復する制御モジュールと、
を含む、システム。

条項２Ｓ２．前記生殖モジュールは、前記新たな個体についての遺伝子が前記候補個体数における前記親の個体から適応度に比例的に選択されるように前記新たな個体のうちの１つを形成する、条項２Ｓ１に記載のシステム。

条項２Ｓ３．前記発展したパフォーマンス測定値に従って、前記候補個体数から破棄するための前記ライブのオンライン評価を受ける個体を選択する競争モジュールを含むように更に構成される、条項２Ｓ１に記載のシステム。

条項２Ｓ４．前記生殖モジュールは、前記候補個体数に、前記候補個体数からの１つ以上の親の個体のそれぞれのセットに従って形成され、破棄するためにまだ選択されていない新たな個体を追加する、条項２Ｓ３に記載のシステム。

条項２Ｓ５．前記生殖モジュールは、少なくとも部分的に２つの選択された親の個体のハイパーパラメータ値の間のクロスオーバーによって新たな個体を形成する、条項２Ｓ４に記載のシステム。

条項２Ｓ６．前記生殖モジュールは、少なくとも部分的に親の個体の少なくとも１つのハイパーパラメータ値の変異によって新たな個体を形成する、条項２Ｓ４に記載のシステム。

条項２Ｓ７．前記制御モジュールは、前記候補テストモジュール、前記競争モジュール、及び前記生殖モジュールを反復する、条項２Ｓ３に記載のシステム。

条項２Ｓ８．前記候補個体の各々によって識別される前記ニューラルネットワークは、ニューロンの入力層、ニューロンの出力層、及びニューロンの少なくとも１つの隠れ層を含み、

前記入力層におけるいくつかのニューロンは、全ての候補個体について先天的であるように構成され、

前記生殖モジュールでは、前記候補個体数に追加される全ての新たな個体の前記入力層におけるニューロンの数が、その個体の親のそれと同一である、
条項２Ｓ１に記載のシステム。

条項２Ｓ９．前記候補個体の各々によって識別される前記ニューラルネットワークは、ニューロンの入力層、ニューロンの出力層、及びニューロンの少なくとも１つの隠れ層を含み、

前記出力層におけるいくつかのニューロンは、全ての候補個体について先天的であるように構成され、

前記生殖モジュールでは、前記候補個体数に追加される全ての新たな個体の前記出力層におけるニューロンの数が、その個体の親のそれと同一である、
条項２Ｓ１に記載のシステム。

条項２Ｓ１０．前記標的のユーザの行動は、エンドユーザによる変換である、条項２Ｓ１に記載のシステム。

条項２Ｓ１１．前記候補テストモジュールによって発展する前記パフォーマンス測定値は、候補個体のニューラルネットワークによって作成されるファネルのセットの変換率に基づいており、前記ライブのオンライン評価を受ける、条項２Ｓ１に記載のシステム。

条項２Ｓ１２．前記候補テストモジュールによって発展する前記パフォーマンス測定値は、候補個体のニューラルネットワークによって作成されるファネルのセットから受け取られる収益に基づいており、前記ライブのオンライン評価を受ける、条項２Ｓ１０に記載のシステム。

条項２Ｓ１３．ユーザ属性データのソースでの使用のための、改善されたウェブインタフェースを生成する、コンピュータにより実施されるシステムであって、

ゲノムのプールを有する候補データベースを記憶するメモリであって、前記ゲノムの各々は、前記ゲノムの複数のハイパーパラメータについてのそれぞれの値を識別することによってそれぞれのニューラルネットワークを識別し、前記ハイパーパラメータは、前記それぞれのニューラルネットワークのトポロジ及び前記それぞれのニューラルネットワークの相互結合についての係数を記述し、前記それぞれのニューラルネットワークは、前記ユーザ属性データからのユーザ属性値の異なるセットに従って１つ以上のウェブインタフェースの出力ファネルを作成し、各々のゲノムは、それぞれの適応度の推定値のインジケーションについてのそれと関連付けられた記憶装置を更に有し、

ゲノムプールプロセッサであって、

ユーザ属性データに関して前記ゲノムプールからのゲノムをテストし、各々のゲノムは、少なくとも１つのトライアルのそれぞれの組を受けるようテストされ、各々のトライアルは、対応する出力ファネルを作成するためにユーザ属性値のそれぞれのセットを前記それぞれのゲノムの前記ニューラルネットワークに適用し、

前記トライアルの組において出力ファネルを作成する際に、前記ゲノムの前記ニューラルネットワークの適応度の予め定められた測定値に従ってテストされる前記ゲノムの各々と関連付けられた前記適応度の推定値を更新し、

それらの更新された適応度の推定値に従って前記ゲノムプールから破棄するためのゲノムを選択する、
前記ゲノムプールプロセッサと、
を含む、システム。

条項２Ｓ１４．前記ニューラルネットワークの所与の１つの適応度の前記予め定められた測定値は、前記トライアルの組において前記所与のニューラルネットワークによって作成される前記出力ファネルの変換率に従っている、条項２Ｓ１３に記載のシステム。

条項２Ｓ１５．前記ニューラルネットワークの所与の１つの適応度の前記予め定められた測定値は、前記トライアルの組において前記所与のニューラルネットワークによって作成される前記出力ファネルの収益率に従っている、条項２Ｓ１３に記載のシステム。

条項２Ｓ１６．テストされる前記ゲノムの各々の所与の１つと関連付けられた前記適応度の推定値の各々の更新は、前記所与のゲノムと関連付けられた前記適応度の推定値を精緻化する、条項２Ｓ１３に記載のシステム。

条項２Ｓ１７．前記ゲノムプールプロセッサは、前記ゲノムプールからの１つ以上の親ゲノムのそれぞれのセットに従って新たなゲノムを形成する生殖モジュールを更に含む、条項２Ｓ１３に記載のシステム。

条項２Ｓ１８．トライアルの各々の組は、複数のトライアルを含む、条項２Ｓ１３に記載のシステム。

条項２Ｍ１．予め定められた標的のユーザの行動を促進する、コンピュータにより実施されるウェブインタフェース生成及びテスト方法であって、

候補個体の個体数を有する候補データベースを記憶するメモリを提供することであって、前記候補個体の各々は、前記候補個体の複数のハイパーパラメータについてのそれぞれの値を識別し、前記ハイパーパラメータは、それぞれのニューラルネットワークのトポロジ及び前記それぞれのニューラルネットワークの相互結合についての係数を記述し、前記ニューラルネットワークの各々は、ユーザ特性を１つ以上のウェブインタフェースを有するそれぞれのファネルにマッピングし、各々のファネルは、それに対して値を前記ニューラルネットワークによって割り当てることができる複数の次元を有し、それによって前記標的のユーザの行動の達成を検出することができるメカニズムを更に有し、前記ニューラルネットワークは、それに対して値を割り当てることができる前記次元ごとの値を識別する、前記メモリを提供することと、

候補個体の予備プールを前記候補個体数に書き込む個体数初期化ステップと、

前記ファネルに対してライブのオンライン評価を行うことによって前記候補個体数における前記候補個体の各々をテストする候補テストステップであって、前記候補テストモジュールは、前記ライブのオンライン評価に従って前記候補個体ごとのパフォーマンス測定値を発展させ、前記パフォーマンス測定値は、前記標的のユーザの行動を達成する際の前記候補個体の成功のインジケータである、前記候補テストステップと、

前記候補個体数に、前記候補個体数及び親のパフォーマンス測定値からの１つ以上の前記親の個体のそれぞれのセットに従って形成された新たな個体を追加する生殖ステップと、

前記生殖ステップの後に前記候補テストステップを繰り返す反復ステップと、
を含む、方法。

条項２Ｍ２．前記生殖ステップは、前記新たな個体についての遺伝子が前記候補個体数における前記親の個体から適応度に比例的に選択されるように前記新たな個体のうちの１つを形成する、条項２Ｍ１に記載の方法。

条項２Ｍ３．前記生殖ステップの前に、前記発展したパフォーマンス測定値に従って前記候補個体数から破棄するための前記ライブのオンライン評価を受ける個体を選択する競争ステップを更に含む、条項２Ｍ１に記載の方法。

条項２Ｍ４．前記生殖ステップは、前記候補個体数に、前記候補個体数からの１つ以上の親の個体のそれぞれのセットに従って形成され、破棄するためにまだ選択されていない新たな個体を追加する、条項２Ｍ３に記載の方法。

条項２Ｍ５．前記生殖ステップは、少なくとも部分的に２つの選択された親の個体のハイパーパラメータ値の間のクロスオーバーによって新たな個体を形成する、条項２Ｍ４に記載の方法。

条項２Ｍ６．前記生殖ステップは、少なくとも部分的に親の個体の少なくとも１つのハイパーパラメータ値の変異によって新たな個体を形成する、条項２Ｍ４に記載の方法。

条項２Ｍ７．前記反復ステップは、前記候補テストステップの前記繰り返しの後に前記競争ステップを繰り返す、条項２Ｍ３に記載の方法。

条項２Ｍ８．前記候補個体の各々によって識別される前記ニューラルネットワークは、ニューロンの入力層、ニューロンの出力層、及びニューロンの少なくとも１つの隠れ層を含み、

前記入力層におけるいくつかのニューロンは、前記候補データベースにおける全ての候補個体について先天的であるように構成され、

前記生殖ステップでは、前記候補個体数に追加される全ての新たな個体の前記入力層におけるニューロンの数が、その個体の親のそれと同一である、
条項２Ｍ１に記載の方法。

条項２Ｍ９．前記候補個体の各々によって識別される前記ニューラルネットワークは、ニューロンの入力層、ニューロンの出力層、及びニューロンの少なくとも１つの隠れ層を含み、

前記出力層におけるいくつかのニューロンは、前記候補データベースにおける全ての候補個体について先天的であるように構成され、

前記生殖ステップは、前記候補個体数に追加される全ての新たな個体の前記出力層におけるニューロンの数が、その個体の親のそれと同一である、
条項２Ｍ１に記載の方法。

条項２Ｍ１０．前記標的のユーザの行動は、エンドユーザによる変換を含む、条項２Ｍ１に記載の方法。

条項２Ｍ１１．前記候補個体数において前記候補個体ごとに前記候補テストステップにおいて発展する前記パフォーマンス測定値は、そのニューラルネットワークが前記ライブのオンライン評価を受けるときにより高い変換率を有するファネルを作成する個体を支持する、条項２Ｍ１０に記載の方法。

条項２Ｍ１２．前記候補個体数において前記候補個体ごとに前記候補テストステップにおいて発展する前記パフォーマンス測定値は、そのニューラルネットワークが前記ライブのオンライン評価を受けるときに受けられるより高い収益を生み出すファネルを作成する個体を支持する、条項２Ｍ１０に記載の方法。

条項２Ｍ１３．ユーザ属性データのソースでの使用のための、改善されたウェブインタフェースを生成する、コンピュータにより実施される方法であって、

ゲノムのプールを有する候補データベースを記憶するメモリを提供することであって、前記ゲノムの各々は、前記ゲノムの複数のハイパーパラメータについてのそれぞれの値を識別することによってそれぞれのニューラルネットワークを識別し、前記ハイパーパラメータは、前記それぞれのニューラルネットワークのトポロジ及び前記それぞれのニューラルネットワークの相互結合についての係数を記述し、前記それぞれのニューラルネットワークは、前記ユーザ属性データからのユーザ属性値の異なるセットに従って１つ以上のウェブインタフェースの出力ファネルを作成し、各々のゲノムは、それぞれの適応度の推定値のインジケーションについてのそれと関連付けられた記憶装置を更に有する、前記メモリを提供することと、

ゲノムプールプロセッサを提供することであって、前記ゲノムプールプロセッサは、

ユーザ属性データに関して前記ゲノムプールからのゲノムをテストし、各々のゲノムは、少なくとも１つのトライアルのそれぞれの組を受けるようテストされ、各々のトライアルは、対応する出力ファネルを作成するためにユーザ属性値のそれぞれのセットを前記それぞれのゲノムの前記ニューラルネットワークに適用し、

前記トライアルの組において出力ファネルを作成する際に、前記ゲノムの前記ニューラルネットワークの適応度の予め定められた測定値に従ってテストされる前記ゲノムの各々と関連付けられた前記適応度の推定値を更新し、

それらの更新された適応度の推定値に従って前記ゲノムプールから破棄するためのゲノムを選択する、
前記ゲノムプールプロセッサを提供することと、
を含む、方法。

条項２Ｍ１４．前記テストされるゲノムごとの適応度の前記予め定められた測定値は、そのニューラルネットワークが前記トライアルの組においてより高い変換率を生み出す出力ファネルを作成するゲノムを支持する、条項２Ｍ１３に記載の方法。

条項２Ｍ１５．前記テストされるゲノムごとの適応度の前記予め定められた測定値は、そのニューラルネットワークが前記トライアルの組においてより高い収益率を生み出す出力ファネルを作成するゲノムを支持する、条項２Ｍ１３に記載の方法。

条項２Ｍ１６．テストされる前記ゲノムの各々の所与の１つと関連付けられた前記適応度の推定値の各々の更新は、前記所与のゲノムと関連付けられた前記適応度の推定値を精緻化する、条項２Ｍ１３に記載の方法

条項２Ｍ１７．前記ゲノムプールプロセッサは、前記ゲノムプールからの１つ以上の親ゲノムのそれぞれのセットに従って新たなゲノムを形成する生殖ステップを更に実行する、条項２Ｍ１３に記載の方法。

条項２Ｍ１８．トライアルの各々の組は、複数のトライアルを含む、条項２Ｍ１３に記載の方法。

条項３Ｓ１．ユーザ属性データのソースでの使用のための、コンピュータにより実施されるウェブインタフェース作成及び配置システムであって、

候補個体の個体数を有する候補データベースを記憶するメモリであって、前記候補個体の各々は、前記候補個体の複数のハイパーパラメータについてのそれぞれの値を識別し、前記ハイパーパラメータは、前記それぞれのニューラルネットワークのトポロジ及び前記それぞれのニューラルネットワークの相互結合についての係数を記述し、前記ニューラルネットワークの各々は、ユーザ特性を１つ以上のウェブインタフェースを有するそれぞれのファネルにマッピングし、各々のファネルは、それに対して値を前記ニューラルネットワークによって割り当てることができる複数のファネル次元を有し、前記ニューラルネットワークは、それに対して値を割り当てることができる前記次元ごとの値を識別する、前記メモリと、

前記ファネルの前記次元の各々の少なくとも１つの利用可能な値ごとのフロントエンド要素値を識別するプレゼンテーションデータベースと、

プレゼンテーションモジュールであって、
ａ．前記候補個体の選択された１つによって記述された前記ニューラルネットワークから、ユーザ属性データの前記ソースからのユーザ属性データに従って前記ニューラルネットワークによって識別されるファネル次元値を判定し、
ｂ．前記識別されたファネル次元値に対応するフロントエンド要素値を判定するために、前記識別されたファネル次元値を前記プレゼンテーションデータベースに適用し、
ｃ．ユーザに対し、前記判定されたフロントエンド要素値を有するファネルを提示する、
前記プレゼンテーションモジュールと、
を含む、システム。

条項３Ｓ２．前記次元ごとの前記利用可能な値のうちの１つは、デフォルトの値であり、

前記ファネルは、前記次元の各々の前記デフォルトの次元値についてのデフォルトのフロントエンド要素値を有し、

前記プレゼンテーションモジュールは、前記次元ごとの前記デフォルトの次元値以外の、前記ニューラルネットワークによって識別される全ての次元値に対応する前記フロントエンド要素値を適用する、
条項３Ｓ１に記載のシステム。

条項３Ｓ３．カスタム化可能なウェブインタフェースファネルのための、コンピュータにより実施される配置システムであって、前記ファネルは、複数の次元に沿ってカスタム化可能であり、

前記ファネルの前記次元の各々の少なくとも１つの利用可能な値ごとのフロントエンド要素値を識別するプレゼンテーションデータベースと、

ニューラルネットワークの特定の変動について、前記ニューラルネットワークのトポロジ及び前記ニューラルネットワークの相互結合についての係数を記述した複数のハイパーパラメータごとの値を記憶するニューラルネットワーク仕様メモリであって、前記ニューラルネットワークは、ユーザ属性を１つ以上のウェブインタフェースを有するそれぞれのファネルにマッピングし、各々のファネルは、それに対して値を前記ニューラルネットワークによって割り当てることができる複数のファネル次元を有し、前記ニューラルネットワークは、それに対して値を割り当てることができる前記次元ごとの値を識別する、前記ニューラルネットワーク仕様メモリと、

プレゼンテーションモジュールであって、
ａ．前記ニューラルネットワークファネルカスタム化仕様メモリに記憶された前記値によって記述された前記ニューラルネットワークから、ユーザ属性データに従って前記ニューラルネットワークによって識別されるファネル次元値を判定し、
ｂ．前記識別されたファネル次元値に対応するフロントエンド要素値を判定するために、前記識別されたファネル次元値を前記プレゼンテーションデータベースに適用し、
ｃ．ユーザに対し、前記判定されたフロントエンド要素値を有するファネルを提示する、
前記プレゼンテーションモジュールと、
を含む、システム。

条項３Ｓ４．前記次元ごとの前記利用可能な値のうちの１つは、デフォルトの値であり、

前記ファネルは、前記ファネル次元の各々の前記デフォルトの値についてのデフォルトのフロントエンド要素値を有し、

前記プレゼンテーションモジュールによって前記ユーザに対して提示された前記ファネルは、前記ファネル次元ごとの前記デフォルトの次元値以外の、前記ニューラルネットワークによって識別されるファネル次元値の全てに対応するとして前記プレゼンテーションデータベースによって示されるフロントエンド要素値を有する、
条項３Ｓ３に記載のシステム。

条項３Ｓ５．前記ハイパーパラメータごとの値の新たなセットで前記ニューラルネットワークファネルカスタム化仕様メモリを更新するように更に構成されている、条項３Ｓ３に記載のシステム。

条項３Ｓ６．前記システムは、ファネルを入力するためのユーザの行動に応じて、前記ニューラルネットワークファネルカスタム化仕様メモリについての前記値を取り出す、条項３Ｓ３に記載のシステム。

条項３Ｓ７．前記システムはまた、ユーザの行動に応じて、前記プレゼンテーションデータベースを取り出す、条項３Ｓ６に記載のシステム。

条項３Ｓ８．コンピュータにより実施される、ウェブインタフェース作成及び配置システムであって、

候補個体の個体数を有する候補データベースを記憶するメモリであって、前記候補個体の各々は、前記候補個体の複数のハイパーパラメータについてのそれぞれの値を識別し、前記ハイパーパラメータは、前記それぞれのニューラルネットワークのトポロジ及び前記それぞれのニューラルネットワークの相互結合についての係数を記述し、前記ニューラルネットワークの各々は、ユーザ特性を１つ以上のウェブインタフェースを有するそれぞれのファネルにマッピングし、各々のファネルは、それに対して値を前記ニューラルネットワークによって割り当てることができる複数のファネル次元を有し、前記ニューラルネットワークは、それに対して値を割り当てることができる前記ファネル次元ごとの値を識別する、前記メモリと、

ネットワークを通じて受信された１つ以上の第１の要求に応じて、第１のクライアントコンピュータシステムに対し、
ａ．前記ファネルの前記次元の各々の少なくとも１つの利用可能な値ごとのフロントエンド要素値を識別するプレゼンテーションデータベースと、
ｂ．前記個体数における前記候補個体のうちの第１の選択された１つによって識別される前記ニューラルネットワークハイパーパラメータ値のセットと、
ｃ．プレゼンテーションモジュールであって、
ｉ．前記ニューラルネットワークハイパーパラメータ値によって記述された前記ニューラルネットワークから、ユーザ属性データに従って前記ニューラルネットワークによって識別されるファネル次元値を判定し、
ｉｉ．前記識別されたファネル次元値に対応するフロントエンド要素値を判定するために、前記識別されたファネル次元値を前記プレゼンテーションデータベースに適用し、
ｉｉｉ．ユーザに対し、前記判定されたフロントエンド要素値を有するファネルを提示する、
前記プレゼンテーションモジュールと、
を返す、ネットワークサーバインフラストラクチャと、
を含む、システム。

条項３Ｓ９．前記ファネル次元ごとの前記利用可能な値のうちの１つは、デフォルトの値であり、

前記ファネルは、前記ファネル次元の各々の前記デフォルトの値についてのデフォルトのフロントエンド要素値を有し、

前記プレゼンテーションモジュールは、前記ファネル次元ごとの前記デフォルトの次元値以外の、前記ニューラルネットワークによって識別される全てのファネル次元値に対応するフロントエンド要素値を判定するために、前記第１の選択された候補個体を前記プレゼンテーションデータベースに適用する、
条項３Ｓ８に記載のシステム。

条項３Ｓ１０．前記ネットワークサーバインフラストラクチャは、ネットワークを通じて受信された１つ以上の第２の要求に応じて、第２のクライアントコンピュータシステムに対し、

前記プレゼンテーションデータベースと、

前記プレゼンテーションモジュールと、

前記個体数における前記候補個体の第２の選択された１つによって識別されるニューラルネットワークハイパーパラメータ値の前記セットと、
を返す、条項３Ｓ８に記載のシステム。

条項３Ｓ１１．ウェブインタフェースは、ウェブページを表す、条項３Ｓ８に記載のシステム。

条項３Ｓ１２．ウェブインタフェースは、モバイルアプリケーションを表す、条項３Ｓ８に記載のシステム。

条項３Ｓ１３．ウェブインタフェースは、電子メールを表す、条項３Ｓ８に記載のシステム。

条項３Ｓ１４．ウェブインタフェースは、ソーシャルメディアメッセージを表す、条項３Ｓ８に記載のシステム。

条項３Ｓ１５．ウェブインタフェースは、ソーシャルメディアフィードアイテムを表す、条項３Ｓ８に記載のシステム。

条項３Ｓ１６．ウェブインタフェースは、チャットメッセージを表す、条項３Ｓ８に記載のシステム。

条項３Ｓ１７．前記データベースにおける候補個体の前記個体数は、予め定められた標的のユーザの行動を促進する際のそれらの成功についてテストされる候補個体を含み、前記システムは、

候補個体の予備プールを前記候補個体数に書き込む個体数初期化モジュールと、

ライブのオンライン評価によって前記候補個体数における前記候補個体の各々をテストする候補テストモジュールであって、前記候補テストモジュールは、ライブのオンライン評価を受ける前記候補個体ごとのパフォーマンス測定値を発展させ、前記パフォーマンス測定値は、前記標的のユーザの行動を達成する際の前記候補個体の前記ハイパーパラメータによって記述された前記ニューラルネットワークの成功のインジケータである、前記候補テストモジュールと、

前記候補個体数に、前記候補個体数及び親のパフォーマンス測定値からの１つ以上の前記親の候補個体のそれぞれのセットに従って形成された新たな候補個体を追加する生殖モジュールと、

前記候補テストモジュール及び前記生殖モジュールを反復する制御モジュールと、
を含み、

前記候補テストモジュールは、前記ネットワークサーバインフラストラクチャに含まれ、前記候補個体数から、そのニューラルネットワークハイパーパラメータが前記要求に応じてクライアントコンピュータシステムに対して返されることになる前記選択された候補個体を選択する、
条項３Ｓ８に記載のシステム。

条項３Ｓ１８．前記標的のユーザの行動はユーザによる変換である、条項３Ｓ１７に記載のシステム。

条項３Ｓ１９．前記候補テストモジュールによって発展する前記パフォーマンス測定値は、前記候補個体の前記ライブのオンライン評価において達成される増大した変化率を支持する、条項３Ｓ１７に記載のシステム。

条項３Ｓ２０．前記候補テストモジュールによって発展する前記パフォーマンス測定値は、前記ライブのオンライン評価を受ける前記候補個体の前記ライブのオンライン評価において生成される増大した収益を支持する、条項３Ｓ１７に記載のシステム。

条項３Ｓ２１．前記ネットワークサーバインフラストラクチャは、

前記クライアントコンピュータシステムからの要求に応じて、前記プレゼンテーションデータベース及び前記プレゼンテーションモジュールを前記クライアントコンピュータシステムに対して返すＣＤＮと、

前記第１の選択された候補個体を前記データベースから取り出し、前記クライアントコンピュータシステムからの要求に応じて、前記クライアントコンピュータシステムに対し、前記第１の選択された候補個体によって識別されるニューラルネットワークハイパーパラメータ値の前記セットを返す変換システムと、
を含む、条項３Ｓ８に記載のシステム。

条項３Ｓ２２．コンピュータにより実施されるウェブインタフェース作成及び配置システムであって、

候補個体の個体数を有する候補データベースを記憶するメモリであって、前記候補個体の各々は、前記候補個体の複数のハイパーパラメータについてのそれぞれの値を識別し、前記ハイパーパラメータは、前記それぞれのニューラルネットワークのトポロジ及び前記それぞれのニューラルネットワークの相互結合についての係数を記述し、前記ニューラルネットワークの各々は、ユーザ特性を１つ以上のウェブインタフェースを有するそれぞれのファネルにマッピングし、各々のファネルは、それに対して値を前記ニューラルネットワークによって割り当てることができる複数のファネル次元を有し、前記ニューラルネットワークは、それに対して値を割り当てることができる前記ファネル次元ごとの値を識別する、前記メモリと、

前記ファネルの前記次元の各々の少なくとも１つの利用可能な値ごとのフロントエンド要素値を識別する、それにアクセス可能なプレゼンテーションデータベースを有する機械学習コンテンツ配信ネットワークであって、前記機械学習コンテンツ配信ネットワークは、クライアントコンピュータシステムから要求に応じて、
ａ．前記データベースから、前記個体数における前記候補個体の選択された１つを取り出し、
ｂ．前記取り出された候補個体によって記述された前記ニューラルネットワークから、ユーザ属性データに従って前記ニューラルネットワークによって識別されるファネル次元値を判定し、
ｃ．前記識別されたファネル次元値に対応するフロントエンド要素値を判定するために、前記識別されたファネル次元値を前記プレゼンテーションデータベースに適用し、
ｄ．前記クライアントコンピュータシステムに対し、前記選択された候補個体の前記次元値によって示されるフロントエンド要素値を有するファネルを配信する、
ように構成された前記機械学習コンテンツ配信ネットワークと、
を含む、システム。

条項３Ｓ２３．前記機械学習コンテンツ配信ネットワークは、クライアントコンピュータシステムからの前記要求に応じて、前記ファネルを作成する、条項３Ｓ２２に記載のシステム。

条項３Ｓ２４．前記データベースへのアクセスを有する変換システムを更に含み、

前記機械学習コンテンツ配信ネットワークは、前記選択された候補個体を取り出す際に、前記変換システムからの候補個体を要求するように更に構成され、

前記変換システムは、前記機械学習コンテンツ配信ネットワークからの要求に応じて、前記選択された候補個体を選択し、前記選択された候補個体を前記機械学習コンテンツ配信ネットワークに対して返すように構成される、
条項３Ｓ２２に記載のシステム。

条項３Ｓ２５．前記データベースにおける候補個体の前記個体数は、予め定められた標的のユーザの行動を促進する際のそれらの成功についてテストされる候補個体を含み、前記変換システムは、

候補個体の予備プールを前記候補個体数に書き込む個体数初期化モジュールと、

ライブのオンライン評価によって前記候補個体数における前記候補個体の各々をテストする候補テストモジュールであって、前記候補テストモジュールは、ライブのオンライン評価を受ける前記候補個体ごとのパフォーマンス測定値を発展させ、前記パフォーマンス測定値は、前記標的のユーザの行動を達成する際の前記候補個体によって記述された前記ニューラルネットワークの成功のインジケータである、前記候補テストモジュールと、

前記候補個体数に、前記候補個体数及び親のパフォーマンス測定値からの１つ以上の前記親の候補個体のそれぞれのセットに従って形成された新たな候補個体を追加する生殖モジュールと、

前記候補テストモジュール及び前記生殖モジュールを反復する制御モジュールと、
を含み、

前記選択された候補個体を選択する際に、前記候補テストモジュールは、前記選択された候補個体を前記候補個体数から選択する、
条項３Ｓ２４に記載のシステム。

条項３Ｍ１．ユーザ属性データのソースでの使用のための、コンピュータにより実施されるウェブインタフェース作成及び配置方法であって、

候補個体の個体数を有する候補データベースを記憶するメモリを提供することであって、前記候補個体の各々は、前記候補個体の複数のハイパーパラメータについてのそれぞれの値を識別し、前記ハイパーパラメータは、前記それぞれのニューラルネットワークのトポロジ及び前記それぞれのニューラルネットワークの相互結合についての係数を記述し、前記ニューラルネットワークの各々は、ユーザ特性を１つ以上のウェブインタフェースを有するそれぞれのファネルにマッピングし、各々のファネルは、それに対して値を前記ニューラルネットワークによって割り当てることができる複数のファネル次元を有し、前記ニューラルネットワークは、それに対して値を割り当てることができる前記次元ごとの値を識別する、前記メモリを提供することと、

前記ファネルの前記次元の各々の少なくとも１つの利用可能な値ごとのフロントエンド要素値を識別するプレゼンテーションデータベースを提供することと、

前記候補個体の選択された１つによって記述された前記ニューラルネットワークから、ユーザ属性データの前記ソースからのユーザ属性データに従って前記ニューラルネットワークによって識別されるファネル次元値を判定することと、

前記識別されたファネル次元値に対応するフロントエンド要素値を判定するために、前記識別されたファネル次元値を前記プレゼンテーションデータベースに適用することと、

ユーザに対し、前記判定されたフロントエンド要素値を有するファネルを提示することと、
を含む、方法。

条項３Ｍ２．前記次元ごとの前記利用可能な値のうちの１つは、デフォルトの値であり、

前記ファネルは、前記次元の各々の前記デフォルトの次元値についてのデフォルトのフロントエンド要素値を有し、

前記識別されたファネル次元値を前記プレゼンテーションデータベースに適用することは、前記プレゼンテーションデータベースに、前記次元ごとの前記デフォルトの次元値以外の、前記ニューラルネットワークによって識別される全ての次元値に対応する前記フロントエンド要素値を適用することを含む、
条項３Ｍ１に記載の方法。

条項３Ｍ３．カスタム化可能なウェブインタフェースファネルのための、コンピュータにより実施される配置方法であって、前記ファネルは、複数の次元に沿ってカスタム化可能であり、

前記ファネルの前記次元の各々の少なくとも１つの利用可能な値ごとのフロントエンド要素値を識別するプレゼンテーションデータベースを提供することと、

ニューラルネットワークの特定の変動について、前記ニューラルネットワークのトポロジ及び前記ニューラルネットワークの相互結合についての係数を記述した複数のハイパーパラメータごとの値を提供することであって、前記ニューラルネットワークは、ユーザ属性を１つ以上のウェブインタフェースを有するそれぞれのファネルにマッピングし、各々のファネルは、それに対して値を前記ニューラルネットワークによって割り当てることができる複数のファネル次元を有し、前記ニューラルネットワークは、それに対して値を割り当てることができる前記次元ごとの値を識別する、前記値を提供することと、

ニューラルネットワークファネルカスタム化仕様メモリに記憶された前記値によって記述された前記ニューラルネットワークから、ユーザ属性データに従って前記ニューラルネットワークによって識別されるファネル次元値を判定することと、

前記識別されたファネル次元値に対応するフロントエンド要素値を判定するために、前記識別されたファネル次元値を前記プレゼンテーションデータベースに適用することと、

ユーザに対し、前記判定されたフロントエンド要素値を有するファネルを提示することと、
を含む、方法。

条項３Ｍ４．前記次元ごとの前記利用可能な値のうちの１つは、デフォルトの値であり、

前記ファネルは、前記ファネル次元の各々の前記デフォルトの次元値についてのデフォルトのフロントエンド要素値を有し、

ユーザに対し、前記判定されたフロントエンド要素値を有するファネルを提示することは、前記ファネル次元ごとの前記デフォルトの次元値以外の、前記ニューラルネットワークによって識別されるファネル次元値の全てに対応するとして前記プレゼンテーションデータベースによって示されるフロントエンド要素値を提示することを含む、
条項３Ｍ３に記載の方法。

条項３Ｍ５．ニューラルネットワークの第２の変動について、前記ハイパーパラメータごとの第２の値を提供することを更に含む、条項３Ｍ３に記載の方法。

条項３Ｍ６．複数のハイパーパラメータごとの値を提供することは、ファネルを入力するためのユーザの行動に応じて行われる、条項３Ｍ３に記載の方法。

条項３Ｍ７．ユーザの行動に応じて、前記プレゼンテーションデータベースを取り出すことを更に含む、条項３Ｍ６に記載の方法。

条項３Ｍ８．コンピュータにより実施されるウェブインタフェース作成及び配置方法であって、

候補個体の個体数を有する候補データベースを記憶するメモリを提供することであって、前記候補個体の各々は、前記候補個体の複数のハイパーパラメータについてのそれぞれの値を識別し、前記ハイパーパラメータは、前記それぞれのニューラルネットワークのトポロジ及び前記それぞれのニューラルネットワークの相互結合についての係数を記述し、前記ニューラルネットワークの各々は、ユーザ特性を１つ以上のウェブインタフェースを有するそれぞれのファネルにマッピングし、各々のファネルは、それに対して値を前記ニューラルネットワークによって割り当てることができる複数のファネル次元を有し、前記ニューラルネットワークは、それに対して値を割り当てることができる前記ファネル次元ごとの値を識別する、前記メモリを提供することと、

ネットワークを通じて受信された１つ以上の第１の要求に応じて、第１のクライアントコンピュータシステムに対し、
ａ．前記ファネルの前記次元の各々の少なくとも１つの利用可能な値ごとのフロントエンド要素値を識別するプレゼンテーションデータベースと、
ｂ．前記個体数における前記候補個体のうちの第１の選択された１つによって識別される前記ニューラルネットワークハイパーパラメータ値のセットと、
ｃ．プレゼンテーションモジュールであって、
ｉ．前記ニューラルネットワークハイパーパラメータ値によって記述された前記ニューラルネットワークから、ユーザ属性データに従って前記ニューラルネットワークによって識別されるファネル次元を判定し、
ｉｉ．前記識別されたファネル次元値に対応するフロントエンド要素値を判定するために、前記識別されたファネル次元値を前記プレゼンテーションデータベースに適用し、
ｉｉｉ．ユーザに対し、前記判定されたフロントエンド要素値を有するファネルを提示する、
前記プレゼンテーションモジュールと、
を返す、ネットワークサーバインフラストラクチャを提供することと、
を含む、方法。

条項３Ｍ９．前記ファネル次元ごとの前記利用可能な値のうちの１つは、デフォルトの値であり、

前記ファネルは、前記ファネル次元の各々の前記デフォルトの値についてのデフォルトのフロントエンド要素値を有し、

前記プレゼンテーションモジュールは、前記ファネル次元ごとの前記デフォルトの次元値以外の、前記ニューラルネットワークによって識別される全てのファネル次元値に対応するフロントエンド要素値を判定するために、前記第１の選択された候補個体を前記プレゼンテーションデータベースに適用する、
条項３Ｍ８に記載の方法。

条項３Ｍ１０．前記ネットワークサーバインフラストラクチャは、ネットワークを通じて受信された１つ以上の第２の要求に応じて、第２のクライアントコンピュータシステムに対し、

前記プレゼンテーションデータベースと、

前記プレゼンテーションモジュールと、

前記個体数における前記候補個体の第２の選択された１つによって識別されるニューラルネットワークハイパーパラメータ値の前記セットと、
を返す、条項３Ｍ８に記載の方法。

条項３Ｍ１１．ウェブインタフェースは、ウェブページ、モバイルアプリケーション、電子メール、ソーシャルメディアメッセージ、ソーシャルメディアフィードアイテム、及びチャットメッセージから構成されるグループのメンバを表す、条項３Ｍ８に記載の方法。

条項３Ｍ１７．前記データベースにおける候補個体の前記個体数は、予め定められた標的のユーザの行動を促進する際のそれらの成功についてテストされる候補個体を含み、前記方法は、

候補個体の予備プールを前記候補個体数に書き込む個体数初期化ステップと、

ライブのオンライン評価によって前記候補個体数における前記候補個体の各々をテストする候補テストステップであって、前記候補テストモジュールは、ライブのオンライン評価を受ける前記候補個体ごとのパフォーマンス測定値を発展させ、前記パフォーマンス測定値は、前記標的のユーザの行動を達成する際の前記候補個体の前記ハイパーパラメータによって記述された前記ニューラルネットワークの成功のインジケータである、前記候補テストステップと、

前記候補個体数に、前記候補個体数及び親のパフォーマンス測定値からの１つ以上の前記親の候補個体のそれぞれのセットに従って形成された新たな候補個体を追加する生殖ステップと、

前記候補テストモジュール及び前記生殖モジュールを反復する反復ステップと、
を含み、

前記候補テストモジュールは、前記ネットワークサーバインフラストラクチャに含まれ、前記候補個体数から、そのニューラルネットワークハイパーパラメータが前記要求に応じてクライアントコンピュータシステムに対して返されることになる前記選択された候補個体を選択する、
条項３Ｍ８に記載の方法。

条項３Ｍ１８．前記標的のユーザの行動はユーザによる変換を含む、条項３Ｍ１７に記載の方法。

条項３Ｍ１９．前記候補個体数における前記候補個体ごとの前記候補テストステップにおいて発展する前記パフォーマンス測定値は、そのニューラルネットワークが前記ライブのオンライン評価を受けるときにより高い変換率を有するファネルを作成する個体を支持する、条項３Ｍ１７に記載の方法。

条項３Ｍ２０．前記候補個体数における前記候補個体ごとの前記候補テストステップにおいて発展する前記パフォーマンス測定値は、そのニューラルネットワークが前記ライブのオンライン評価を受けるときに受けられるより高い収益を生み出すファネルを作成する個体を支持する、条項３Ｍ１７に記載の方法。

条項３Ｍ２１．前記ネットワークサーバインフラストラクチャは、

前記クライアントコンピュータシステムからの要求に応じて、前記プレゼンテーションデータベース及び前記プレゼンテーションモジュールを前記クライアントコンピュータシステムに対して返すＣＤＮと、

前記第１の選択された候補個体を前記データベースから取り出し、前記クライアントコンピュータシステムからの要求に応じて、前記クライアントコンピュータシステムに対し、前記第１の選択された候補個体によって識別されるニューラルネットワークハイパーパラメータ値の前記セットを返す変換システムと、
を含む、条項３Ｍ８に記載の方法。

条項３Ｍ２２．コンピュータにより実施されるウェブインタフェース作成及び配置方法であって、

候補個体の個体数を有する候補データベースを記憶するメモリを提供することであって、前記候補個体の各々は、前記候補個体の複数のハイパーパラメータについてのそれぞれの値を識別し、前記ハイパーパラメータは、前記それぞれのニューラルネットワークのトポロジ及び前記それぞれのニューラルネットワークの相互結合についての係数を記述し、前記ニューラルネットワークの各々は、ユーザ特性を１つ以上のウェブインタフェースを有するそれぞれのファネルにマッピングし、各々のファネルは、それに対して値を前記ニューラルネットワークによって割り当てることができる複数のファネル次元を有し、前記ニューラルネットワークは、それに対して値を割り当てることができる前記ファネル次元ごとの値を識別する、前記メモリを提供することと、

前記ファネルの前記次元の各々の少なくとも１つの利用可能な値ごとのフロントエンド要素値を識別する、それにアクセス可能なプレゼンテーションデータベースを有する機械学習コンテンツ配信ネットワークを提供することであって、前記機械学習コンテンツ配信ネットワークは、クライアントコンピュータシステムから要求に応じて、
ａ．前記データベースから、前記個体数における前記候補個体の選択された１つを取り出し、
ｂ．前記取り出された候補個体によって記述された前記ニューラルネットワークから、ユーザ属性データに従って前記ニューラルネットワークによって識別されるファネル次元値を判定し、
ｃ．前記識別されたファネル次元値に対応するフロントエンド要素値を判定するために、前記識別されたファネル次元値を前記プレゼンテーションデータベースに適用し、
ｄ．前記クライアントコンピュータシステムに対し、前記選択された候補個体の前記次元値によって示されるフロントエンド要素値を有するファネルを配信する、
ように構成された前記機械学習コンテンツ配信ネットワークを提供することと、
を含む、方法。

条項３Ｍ２３．前記機械学習コンテンツ配信ネットワークは、クライアントコンピュータシステムからの前記要求に応じて、前記ファネルを作成する、条項３Ｍ２２に記載の方法。

条項３Ｍ２４．前記データベースへのアクセスを有する変換システムを提供することを更に含み、

前記機械学習コンテンツ配信ネットワークは、前記選択された候補個体を取り出す際に、前記変換システムからの候補個体を要求するように更に構成され、

前記変換システムは、前記機械学習コンテンツ配信ネットワークからの要求に応じて、前記選択された候補個体を選択し、前記選択された候補個体を前記機械学習コンテンツ配信ネットワークに対して返すように構成される、
条項３Ｍ２２に記載の方法。

条項３Ｍ２５．前記データベースにおける候補個体の前記個体数は、予め定められた標的のユーザの行動を促進する際のそれらの成功についてテストされる候補個体を含み、前記変換システムは、

候補個体の予備プールを前記候補個体数に書き込む個体数初期化モジュールと、

ライブのオンライン評価によって前記候補個体数における前記候補個体の各々をテストする候補テストモジュールであって、前記候補テストモジュールは、ライブのオンライン評価を受ける前記候補個体ごとのパフォーマンス測定値を発展させ、前記パフォーマンス測定値は、前記標的のユーザの行動を達成する際の前記候補個体によって記述された前記ニューラルネットワークの成功のインジケータである、前記候補テストモジュールと、

前記候補個体数に、前記候補個体数及び親のパフォーマンス測定値からの１つ以上の前記親の候補個体のそれぞれのセットに従って形成された新たな候補個体を追加する生殖モジュールと、

前記候補テストモジュール及び前記生殖モジュールを反復する制御モジュールと、
を含み、

前記選択された候補個体を選択する際に、前記候補テストモジュールは、前記選択された候補個体を前記候補個体数から選択する、
条項３Ｍ２４に記載の方法。

これによって、出願人は、そのような特徴又は特徴の組み合わせが本明細書で開示されるいずれかの課題を解決するかに関わらず、且つ請求項の範囲を限定することなく、本明細書で説明される各々の個々の特徴及び２つ以上のそのような特徴のいずれかの組み合わせと分離して、そのような特徴又は組み合わせが、当業者の共通する一般的な知識を全体として考慮して現在の仕様に基づいてある程度実施されることが可能であることを開示する。出願人は、本発明の態様が、いずれかのそのような特徴又は特徴の組み合わせから構成されてもよいことを示す。上述した説明を考慮して、様々な修正が本発明の範囲内で行われてもよいことが当業者にとって明らかである。

前述の説明は、開示される技術を行うことを可能にし、使用するために提示される。開示される実装態様への様々な修正が明らかであり、本明細書で定義される一般的な原理は、開示される技術の精神及び範囲から逸脱することなく他の実装態様及び適用例に適用されてもよい。よって、開示される技術は、示される実装態様を限定することを意図していないが、本明細書で開示される原理及び特徴と一貫した最も広い範囲に一致することになる。開示される技術の範囲は、添付の特許請求の範囲によって定義される。

Claims (43)

1. 予め定められた標的のユーザの行動を促進する、コンピュータにより実施されるウェブインタフェース生成及びテストシステムであって、
   候補個体の個体数を有する候補データベースを記憶するメモリであって、前記候補個体の各々は、前記候補個体の複数のハイパーパラメータについてのそれぞれの値を識別し、前記ハイパーパラメータは、それぞれのニューラルネットワークのトポロジ及び前記それぞれのニューラルネットワークの相互結合についての係数を記述し、前記ニューラルネットワークの各々は、ユーザ特性を１つ以上のウェブインタフェースを有するそれぞれのファネルにマッピングし、各々のファネルは、それに対して値を前記ニューラルネットワークによって割り当てることができる複数の次元を有し、それによって前記標的のユーザの行動の達成を検出することができるメカニズムを更に有し、前記ニューラルネットワークは、それに対して値を割り当てることができる前記次元ごとの値を識別する、前記メモリと、
   候補個体の予備プールを前記候補個体数に書き込む個体数初期化モジュールと、
   前記ファネルに対してライブのオンライン評価を行うことによって前記候補個体数における前記候補個体の各々をテストする候補テストモジュールであって、前記候補テストモジュールは、前記ライブのオンライン評価に従って前記候補個体ごとのパフォーマンス測定値を発展させ、前記パフォーマンス測定値は、前記標的のユーザの行動を達成する際の前記候補個体の成功のインジケータである、前記候補テストモジュールと、
   前記候補個体数に、前記候補個体数及び親のパフォーマンス測定値からの１つ以上の前記親の個体のそれぞれのセットに従って形成された新たな個体を追加する生殖モジュールと、
   前記候補テストモジュール及び前記生殖モジュールを反復する制御モジュールと、
   を含む、システム。
2. 前記生殖モジュールは、前記新たな個体についての遺伝子が前記候補個体数における前記親の個体から適応度に比例的に選択されるように前記新たな個体のうちの１つを形成する、請求項１に記載のシステム。
3. 前記発展したパフォーマンス測定値に従って前記候補個体数から破棄するための前記ライブのオンライン評価を受ける個体を選択する競争モジュールを含むように更に構成される、請求項１に記載のシステム。
4. 前記生殖モジュールは、前記候補個体数に、前記候補個体数からの１つ以上の親の個体のそれぞれのセットに従って形成され、破棄するためにまだ選択されていない新たな個体を追加する、請求項３に記載のシステム。
5. 前記生殖モジュールは、少なくとも部分的に２つの選択された親の個体のハイパーパラメータ値の間のクロスオーバーによって新たな個体を形成する、請求項４に記載のシステム。
6. 前記生殖モジュールは、少なくとも部分的に親の個体の少なくとも１つのハイパーパラメータ値の変異によって新たな個体を形成する、請求項４に記載のシステム。
7. 前記制御モジュールは、前記候補テストモジュール、前記競争モジュール、及び前記生殖モジュールを反復する、請求項３に記載に記載のシステム。
8. 前記候補個体の各々によって識別される前記ニューラルネットワークは、ニューロンの入力層、ニューロンの出力層、及びニューロンの少なくとも１つの隠れ層を含み、
   前記入力層におけるいくつかのニューロンは、全ての候補個体について先天的であるように構成され、
   前記生殖モジュールでは、前記候補個体数に追加される全ての新たな個体の前記入力層におけるニューロンの数が、その個体の親のそれと同一である、
   請求項１に記載のシステム。
9. 前記標的のユーザの行動は、エンドユーザによる変換である、請求項１に記載のシステム。
10. 前記候補テストモジュールによって発展する前記パフォーマンス測定値は、候補個体のニューラルネットワークによって作成されるファネルのセットの変換率に基づいており、前記ライブのオンライン評価を受ける、請求項９に記載のシステム。
11. 前記候補テストモジュールによって発展する前記パフォーマンス測定値は、候補個体のニューラルネットワークによって作成されるファネルのセットから受け取られる収益に基づいており、前記ライブのオンライン評価を受ける、請求項９に記載のシステム。
12. ユーザ属性データのソースでの使用のための、改善されたウェブインタフェースを生成する、コンピュータにより実施されるシステムであって、
    ゲノムのプールを有する候補データベースを記憶するメモリであって、前記ゲノムの各々は、前記ゲノムの複数のハイパーパラメータについてのそれぞれの値を識別することによってそれぞれのニューラルネットワークを識別し、前記ハイパーパラメータは、前記それぞれのニューラルネットワークのトポロジ及び前記それぞれのニューラルネットワークの相互結合についての係数を記述し、前記それぞれのニューラルネットワークは、前記ユーザ属性データからのユーザ属性値の異なるセットに従って１つ以上のウェブインタフェースの出力ファネルを作成し、各々のゲノムは、それぞれの適応度の推定値のインジケーションについてのそれと関連付けられた記憶装置を更に有し、
    ゲノムプールプロセッサであって、
    ユーザ属性データに関して前記ゲノムプールからのゲノムをテストし、各々のゲノムは、少なくとも１つのトライアルのそれぞれの組を受けるようテストされ、各々のトライアルは、対応する出力ファネルを作成するためにユーザ属性値のそれぞれのセットを前記それぞれのゲノムの前記ニューラルネットワークに適用し、
    前記トライアルの組において出力ファネルを作成する際に、前記ゲノムの前記ニューラルネットワークの適応度の予め定められた測定値に従ってテストされる前記ゲノムの各々と関連付けられた前記適応度の推定値を更新し、
    それらの更新された適応度の推定値に従って前記ゲノムプールから破棄するためのゲノムを選択する、
    前記ゲノムプールプロセッサと、
    を含む、システム。
13. 前記ニューラルネットワークの所与の１つの適応度の前記予め定められた測定値は、前記トライアルの組において前記所与のニューラルネットワークによって作成される前記出力ファネルの変換率に従っている、請求項１２に記載のシステム。
14. 前記ニューラルネットワークの所与の１つの適応度の前記予め定められた測定値は、前記トライアルの組において前記所与のニューラルネットワークによって作成される前記出力ファネルの収益率に従っている、請求項１２に記載のシステム。
15. テストされる前記ゲノムの各々の所与の１つと関連付けられた前記適応度の推定値の各々の更新は、前記所与のゲノムと関連付けられた前記適応度の推定値を精緻化する、請求項１２に記載のシステム。
16. 前記ゲノムプールプロセッサは、前記ゲノムプールからの１つ以上の親ゲノムのそれぞれのセットに従って新たなゲノムを形成する生殖モジュールを更に含む、請求項１２に記載のシステム。
17. トライアルの各々の組は、複数のトライアルを含む、請求項１２に記載のシステム。
18. 予め定められた標的のユーザの行動を促進する、コンピュータにより実施されるウェブインタフェース生成及びテスト方法であって、
    候補個体の個体数を有する候補データベースを記憶するメモリを提供することであって、前記候補個体の各々は、前記候補個体の複数のハイパーパラメータについてのそれぞれの値を識別し、前記ハイパーパラメータは、それぞれのニューラルネットワークのトポロジ及び前記それぞれのニューラルネットワークの相互結合についての係数を記述し、前記ニューラルネットワークの各々は、ユーザ特性を１つ以上のウェブインタフェースを有するそれぞれのファネルにマッピングし、各々のファネルは、それに対して値を前記ニューラルネットワークによって割り当てることができる複数の次元を有し、それによって前記標的のユーザの行動の達成を検出することができるメカニズムを更に有し、前記ニューラルネットワークは、それに対して値を割り当てることができる前記次元ごとの値を識別する、前記メモリを提供することと、
    候補個体の予備プールを前記候補個体数に書き込む個体数初期化ステップと、
    前記ファネルに対してライブのオンライン評価を行うことによって前記候補個体数における前記候補個体の各々をテストする候補テストステップであって、前記候補テストモジュールは、前記ライブのオンライン評価に従って前記候補個体ごとのパフォーマンス測定値を発展させ、前記パフォーマンス測定値は、前記標的のユーザの行動を達成する際の前記候補個体の成功のインジケータである、前記候補テストステップと、
    前記候補個体数に、前記候補個体数及び親のパフォーマンス測定値からの１つ以上の前記親の個体のそれぞれのセットに従って形成された新たな個体を追加する生殖ステップと、
    前記生殖ステップの後に前記候補テストステップを繰り返す反復ステップと、
    を含む、方法。
19. ユーザ属性データのソースでの使用のための、改善されたウェブインタフェースを生成する、コンピュータにより実施される方法であって、
    ゲノムのプールを有する候補データベースを記憶するメモリを提供することであって、前記ゲノムの各々は、前記ゲノムの複数のハイパーパラメータについてのそれぞれの値を識別することによってそれぞれのニューラルネットワークを識別し、前記ハイパーパラメータは、前記それぞれのニューラルネットワークのトポロジ及び前記それぞれのニューラルネットワークの相互結合についての係数を記述し、前記それぞれのニューラルネットワークは、前記ユーザ属性データからのユーザ属性値の異なるセットに従って１つ以上のウェブインタフェースの出力ファネルを作成し、各々のゲノムは、それぞれの適応度の推定値のインジケーションについてのそれと関連付けられた記憶装置を更に有する、前記メモリを提供することと、
    ゲノムプールプロセッサを提供することであって、前記ゲノムプールプロセッサは、
    ユーザ属性データに関して前記ゲノムプールからのゲノムをテストし、各々のゲノムは、少なくとも１つのトライアルのそれぞれの組を受けるようテストされ、各々のトライアルは、対応する出力ファネルを作成するためにユーザ属性値のそれぞれのセットを前記それぞれのゲノムの前記ニューラルネットワークに適用し、
    前記トライアルの組において出力ファネルを作成する際に、前記ゲノムの前記ニューラルネットワークの適応度の予め定められた測定値に従ってテストされる前記ゲノムの各々と関連付けられた前記適応度の推定値を更新し、
    それらの更新された適応度の推定値に従って前記ゲノムプールから破棄するためのゲノムを選択する、
    前記ゲノムプールプロセッサを提供することと、
    を含む、方法。
20. ユーザ属性データのソースでの使用のための、コンピュータにより実施されるウェブインタフェース作成及び配置システムであって、
    候補個体の個体数を有する候補データベースを記憶するメモリであって、前記候補個体の各々は、前記候補個体の複数のハイパーパラメータについてのそれぞれの値を識別し、前記ハイパーパラメータは、前記それぞれのニューラルネットワークのトポロジ及び前記それぞれのニューラルネットワークの相互結合についての係数を記述し、前記ニューラルネットワークの各々は、ユーザ特性を１つ以上のウェブインタフェースを有するそれぞれのファネルにマッピングし、各々のファネルは、それに対して値を前記ニューラルネットワークによって割り当てることができる複数のファネル次元を有し、前記ニューラルネットワークは、それに対して値を割り当てることができる前記次元ごとの値を識別する、前記メモリと、
    前記ファネルの前記次元の各々の少なくとも１つの利用可能な値ごとのフロントエンド要素値を識別するプレゼンテーションデータベースと、
    プレゼンテーションモジュールであって、
    前記候補個体の選択された１つによって記述された前記ニューラルネットワークから、ユーザ属性データの前記ソースからのユーザ属性データに従って前記ニューラルネットワークによって識別されるファネル次元値を判定し、
    前記識別されたファネル次元値に対応するフロントエンド要素値を判定するために、前記識別されたファネル次元値を前記プレゼンテーションデータベースに適用し、
    ユーザに対し、前記判定されたフロントエンド要素値を有するファネルを提示する、
    前記プレゼンテーションモジュールと、
    を含む、システム。
21. 前記次元ごとの前記利用可能な値のうちの１つは、デフォルトの値であり、
    前記ファネルは、前記次元の各々の前記デフォルトの次元値についてのデフォルトのフロントエンド要素値を有し、
    前記プレゼンテーションモジュールは、前記次元ごとの前記デフォルトの次元値以外の、前記ニューラルネットワークによって識別される全ての次元値に対応する前記フロントエンド要素値を適用する、
    請求項２０に記載のシステム。
22. カスタム化可能なウェブインタフェースファネルのための、コンピュータにより実施される配置システムであって、前記ファネルは、複数の次元に沿ってカスタム化可能であり、
    前記ファネルの前記次元の各々の少なくとも１つの利用可能な値ごとのフロントエンド要素値を識別するプレゼンテーションデータベースと、
    ニューラルネットワークの特定の変動について、前記ニューラルネットワークのトポロジ及び前記ニューラルネットワークの相互結合についての係数を記述した複数のハイパーパラメータごとの値を記憶するニューラルネットワーク仕様メモリであって、前記ニューラルネットワークは、ユーザ属性を１つ以上のウェブインタフェースを有するそれぞれのファネルにマッピングし、各々のファネルは、それに対して値を前記ニューラルネットワークによって割り当てることができる複数のファネル次元を有し、前記ニューラルネットワークは、それに対して値を割り当てることができる前記次元ごとの値を識別する、前記ニューラルネットワーク仕様メモリと、
    プレゼンテーションモジュールであって、
    前記ニューラルネットワークファネルカスタム化仕様メモリに記憶された前記値によって記述された前記ニューラルネットワークから、ユーザ属性データに従って前記ニューラルネットワークによって識別されるファネル次元値を判定し、
    前記識別されたファネル次元値に対応するフロントエンド要素値を判定するために、前記識別されたファネル次元値を前記プレゼンテーションデータベースに適用し、
    ユーザに対し、前記判定されたフロントエンド要素値を有するファネルを提示する、
    前記プレゼンテーションモジュールと、
    を含む、システム。
23. 前記次元ごとの前記利用可能な値のうちの１つは、デフォルトの値であり、
    前記ファネルは、前記ファネル次元の各々の前記デフォルトの値についてのデフォルトのフロントエンド要素値を有し、
    前記プレゼンテーションモジュールによって前記ユーザに対して提示された前記ファネルは、前記ファネル次元ごとの前記デフォルトの次元値以外の、前記ニューラルネットワークによって識別されるファネル次元値の全てに対応するとして前記プレゼンテーションデータベースによって示されるフロントエンド要素値を有する、
    請求項２２に記載のシステム。
24. 前記ハイパーパラメータごとの値の新たなセットで前記ニューラルネットワークファネルカスタム化仕様メモリを更新するように更に構成されている、請求項２２に記載のシステム。
25. 前記システムは、ファネルを入力するためのユーザの行動に応じて、前記ニューラルネットワークファネルカスタム化仕様メモリについての前記値を取り出す、請求項２２に記載のシステム。
26. 前記システムはまた、ユーザの行動に応じて、前記プレゼンテーションデータベースを取り出す、請求項２５に記載のシステム。
27. コンピュータにより実施されるウェブインタフェース作成及び配置システムであって、
    候補個体の個体数を有する候補データベースを記憶するメモリであって、前記候補個体の各々は、前記候補個体の複数のハイパーパラメータについてのそれぞれの値を識別し、前記ハイパーパラメータは、前記それぞれのニューラルネットワークのトポロジ及び前記それぞれのニューラルネットワークの相互結合についての係数を記述し、前記ニューラルネットワークの各々は、ユーザ特性を１つ以上のウェブインタフェースを有するそれぞれのファネルにマッピングし、各々のファネルは、それに対して値を前記ニューラルネットワークによって割り当てることができる複数のファネル次元を有し、前記ニューラルネットワークは、それに対して値を割り当てることができる前記ファネル次元ごとの値を識別する、前記メモリと、
    ネットワークを通じて受信された１つ以上の第１の要求に応じて、第１のクライアントコンピュータシステムに対し、
    前記ファネルの前記次元の各々の少なくとも１つの利用可能な値ごとのフロントエンド要素値を識別するプレゼンテーションデータベースと、
    前記個体数における前記候補個体のうちの第１の選択された１つによって識別される前記ニューラルネットワークハイパーパラメータ値のセットと、
    プレゼンテーションモジュールであって、
    前記ニューラルネットワークハイパーパラメータ値によって記述された前記ニューラルネットワークから、ユーザ属性データに従って前記ニューラルネットワークによって識別されるファネル次元値を判定し、
    前記識別されたファネル次元値に対応するフロントエンド要素値を判定するために、前記識別されたファネル次元値を前記プレゼンテーションデータベースに適用し、
    ユーザに対し、前記判定されたフロントエンド要素値を有するファネルを提示する、
    前記プレゼンテーションモジュールと、
    を返す、ネットワークサーバインフラストラクチャと、
    を含む、システム。
28. 前記ファネル次元ごとの前記利用可能な値のうちの１つは、デフォルトの値であり、
    前記ファネルは、前記ファネル次元の各々の前記デフォルトの値についてのデフォルトのフロントエンド要素値を有し、
    前記プレゼンテーションモジュールは、前記ファネル次元ごとの前記デフォルトの次元値以外の、前記ニューラルネットワークによって識別される全てのファネル次元値に対応するフロントエンド要素値を判定するために、前記第１の選択された候補個体を前記プレゼンテーションデータベースに適用する、
    請求項２７に記載のシステム。
29. 前記ネットワークサーバインフラストラクチャは、ネットワークを通じて受信された１つ以上の第２の要求に応じて、第２のクライアントコンピュータシステムに対し、
    前記プレゼンテーションデータベースと、
    前記プレゼンテーションモジュールと、
    前記個体数における前記候補個体の第２の選択された１つによって識別されるニューラルネットワークハイパーパラメータ値の前記セットと、
    を返す、請求項２７に記載のシステム。
30. ウェブインタフェースは、ウェブページ、モバイルアプリケーション、電子メール、ソーシャルメディアメッセージ、ソーシャルメディアフィード、及びチャットメッセージから構成されるグループのメンバを表す、請求項２７に記載のシステム。
31. 前記データベースにおける候補個体の前記個体数は、予め定められた標的のユーザの行動を促進する際のそれらの成功についてテストされる候補個体を含み、前記システムは、
    候補個体の予備プールを前記候補個体数に書き込む個体数初期化モジュールと、
    ライブのオンライン評価によって前記候補個体数における前記候補個体の各々をテストする候補テストモジュールであって、前記候補テストモジュールは、ライブのオンライン評価を受ける前記候補個体ごとのパフォーマンス測定値を発展させ、前記パフォーマンス測定値は、前記標的のユーザの行動を達成する際の前記候補個体の前記ハイパーパラメータによって記述された前記ニューラルネットワークの成功のインジケータである、前記候補テストモジュールと、
    前記候補個体数に、前記候補個体数及び親のパフォーマンス測定値からの１つ以上の前記親の候補個体のそれぞれのセットに従って形成された新たな候補個体を追加する生殖モジュールと、
    前記候補テストモジュール及び前記生殖モジュールを反復する制御モジュールと、
    を含み、
    前記候補テストモジュールは、前記ネットワークサーバインフラストラクチャに含まれ、前記候補個体数から、そのニューラルネットワークハイパーパラメータが前記要求に応じてクライアントコンピュータシステムに対して返されることになる前記選択された候補個体を選択する、
    請求項２７に記載のシステム。
32. 前記標的のユーザの行動はユーザによる変換である、請求項３１に記載のシステム。
33. 前記候補テストモジュールによって発展する前記パフォーマンス測定値は、前記候補個体の前記ライブのオンライン評価において達成される増大した変化率を支持する、請求項３１に記載のシステム。
34. 前記候補テストモジュールによって発展する前記パフォーマンス測定値は、前記ライブのオンライン評価を受ける前記候補個体の前記ライブのオンライン評価において生成される増大した収益を支持する、請求項３１に記載のシステム。
35. 前記ネットワークサーバインフラストラクチャは、
    前記クライアントコンピュータシステムからの要求に応じて、前記プレゼンテーションデータベース及び前記プレゼンテーションモジュールを前記クライアントコンピュータシステムに対して返すＣＤＮと、
    前記第１の選択された候補個体を前記データベースから取り出し、前記クライアントコンピュータシステムからの要求に応じて、前記クライアントコンピュータシステムに対し、前記第１の選択された候補個体によって識別されるニューラルネットワークハイパーパラメータ値の前記セットを返す変換システムと、
    を含む、請求項２７に記載のシステム。
36. コンピュータにより実施されるウェブインタフェース作成及び配置システムであって、
    候補個体の個体数を有する候補データベースを記憶するメモリであって、前記候補個体の各々は、前記候補個体の複数のハイパーパラメータについてのそれぞれの値を識別し、前記ハイパーパラメータは、前記それぞれのニューラルネットワークのトポロジ及び前記それぞれのニューラルネットワークの相互結合についての係数を記述し、前記ニューラルネットワークの各々は、ユーザ特性を１つ以上のウェブインタフェースを有するそれぞれのファネルにマッピングし、各々のファネルは、それに対して値を前記ニューラルネットワークによって割り当てることができる複数のファネル次元を有し、前記ニューラルネットワークは、それに対して値を割り当てることができる前記ファネル次元ごとの値を識別する、前記メモリと、
    前記ファネルの前記次元の各々の少なくとも１つの利用可能な値ごとのフロントエンド要素値を識別する、それにアクセス可能なプレゼンテーションデータベースを有する機械学習コンテンツ配信ネットワークであって、前記機械学習コンテンツ配信ネットワークは、クライアントコンピュータシステムから要求に応じて、
    前記データベースから、前記個体数における前記候補個体の選択された１つを取り出し、
    前記取り出された候補個体によって記述された前記ニューラルネットワークから、ユーザ属性データに従って前記ニューラルネットワークによって識別されるファネル次元値を判定し、
    前記識別されたファネル次元値に対応するフロントエンド要素値を判定するために、前記識別されたファネル次元値を前記プレゼンテーションデータベースに適用し、
    前記クライアントコンピュータシステムに対し、前記選択された候補個体の前記次元値によって示されるフロントエンド要素値を有するファネルを配信する、
    ように構成された前記機械学習コンテンツ配信ネットワークと、
    を含む、システム。
37. 前記機械学習コンテンツ配信ネットワークは、クライアントコンピュータシステムからの前記要求に応じて、前記ファネルを作成する、請求項３６に記載のシステム。
38. 前記データベースへのアクセスを有する変換システムを更に含み、
    前記機械学習コンテンツ配信ネットワークは、前記選択された候補個体を取り出す際に、前記変換システムからの候補個体を要求するように更に構成され、
    前記変換システムは、前記機械学習コンテンツ配信ネットワークからの要求に応じて、前記選択された候補個体を選択し、前記選択された候補個体を前記機械学習コンテンツ配信ネットワークに対して返すように構成される、
    請求項３６に記載のシステム。
39. 前記データベースにおける候補個体の前記個体数は、予め定められた標的のユーザの行動を促進する際のそれらの成功についてテストされる候補個体を含み、前記変換システムは、
    候補個体の予備プールを前記候補個体数に書き込む個体数初期化モジュールと、
    ライブのオンライン評価によって前記候補個体数における前記候補個体の各々をテストする候補テストモジュールであって、前記候補テストモジュールは、ライブのオンライン評価を受ける前記候補個体ごとのパフォーマンス測定値を発展させ、前記パフォーマンス測定値は、前記標的のユーザの行動を達成する際の前記候補個体によって記述された前記ニューラルネットワークの成功のインジケータである、前記候補テストモジュールと、
    前記候補個体数に、前記候補個体数及び親のパフォーマンス測定値からの１つ以上の前記親の候補個体のそれぞれのセットに従って形成された新たな候補個体を追加する生殖モジュールと、
    前記候補テストモジュール及び前記生殖モジュールを反復する制御モジュールと、
    を含み、
    前記選択された候補個体を選択する際に、前記候補テストモジュールは、前記選択された候補個体を前記候補個体数から選択する、
    請求項３８に記載のシステム。
40. ユーザ属性データのソースでの使用のための、コンピュータにより実施されるウェブインタフェース作成及び配置方法であって、
    候補個体の個体数を有する候補データベースを記憶するメモリを提供することであって、前記候補個体の各々は、前記候補個体の複数のハイパーパラメータについてのそれぞれの値を識別し、前記ハイパーパラメータは、前記それぞれのニューラルネットワークのトポロジ及び前記それぞれのニューラルネットワークの相互結合についての係数を記述し、前記ニューラルネットワークの各々は、ユーザ特性を１つ以上のウェブインタフェースを有するそれぞれのファネルにマッピングし、各々のファネルは、それに対して値を前記ニューラルネットワークによって割り当てることができる複数のファネル次元を有し、前記ニューラルネットワークは、それに対して値を割り当てることができる前記次元ごとの値を識別する、前記メモリを提供することと、
    前記ファネルの前記次元の各々の少なくとも１つの利用可能な値ごとのフロントエンド要素値を識別するプレゼンテーションデータベースを提供することと、
    前記候補個体の選択された１つによって記述された前記ニューラルネットワークから、ユーザ属性データの前記ソースからのユーザ属性データに従って前記ニューラルネットワークによって識別されるファネル次元値を判定することと、
    前記識別されたファネル次元値に対応するフロントエンド要素値を判定するために、前記識別されたファネル次元値を前記プレゼンテーションデータベースに適用することと、
    ユーザに対し、前記判定されたフロントエンド要素値を有するファネルを提示することと、
    を含む、方法。
41. カスタム化可能なウェブインタフェースファネルのための、コンピュータにより実施される配置方法であって、前記ファネルは、複数の次元に沿ってカスタム化可能であり、
    前記ファネルの前記次元の各々の少なくとも１つの利用可能な値ごとのフロントエンド要素値を識別するプレゼンテーションデータベースを提供することと、
    ニューラルネットワークの特定の変動について、前記ニューラルネットワークのトポロジ及び前記ニューラルネットワークの相互結合についての係数を記述した複数のハイパーパラメータごとの値を提供することであって、前記ニューラルネットワークは、ユーザ属性を１つ以上のウェブインタフェースを有するそれぞれのファネルにマッピングし、各々のファネルは、それに対して値を前記ニューラルネットワークによって割り当てることができる複数のファネル次元を有し、前記ニューラルネットワークは、それに対して値を割り当てることができる前記次元ごとの値を識別する、前記値を提供することと、
    ニューラルネットワークファネルカスタム化仕様メモリに記憶された前記値によって記述された前記ニューラルネットワークから、ユーザ属性データに従って前記ニューラルネットワークによって識別されるファネル次元値を判定することと、
    前記識別されたファネル次元値に対応するフロントエンド要素値を判定するために、前記識別されたファネル次元値を前記プレゼンテーションデータベースに適用することと、
    ユーザに対し、前記判定されたフロントエンド要素値を有するファネルを提示することと、
    を含む、方法。
42. コンピュータにより実施されるウェブインタフェース作成及び配置方法であって、
    候補個体の個体数を有する候補データベースを記憶するメモリを提供することであって、前記候補個体の各々は、前記候補個体の複数のハイパーパラメータについてのそれぞれの値を識別し、前記ハイパーパラメータは、前記それぞれのニューラルネットワークのトポロジ及び前記それぞれのニューラルネットワークの相互結合についての係数を記述し、前記ニューラルネットワークの各々は、ユーザ特性を１つ以上のウェブインタフェースを有するそれぞれのファネルにマッピングし、各々のファネルは、それに対して値を前記ニューラルネットワークによって割り当てることができる複数のファネル次元を有し、前記ニューラルネットワークは、それに対して値を割り当てることができる前記ファネル次元ごとの値を識別する、前記メモリを提供することと、
    ネットワークを通じて受信された１つ以上の第１の要求に応じて、第１のクライアントコンピュータシステムに対し、
    前記ファネルの前記次元の各々の少なくとも１つの利用可能な値ごとのフロントエンド要素値を識別するプレゼンテーションデータベースと、
    前記個体数における前記候補個体のうちの第１の選択された１つによって識別される前記ニューラルネットワークハイパーパラメータ値のセットと、
    プレゼンテーションモジュールであって、
    前記ニューラルネットワークハイパーパラメータ値によって記述された前記ニューラルネットワークから、ユーザ属性データに従って前記ニューラルネットワークによって識別されるファネル次元を判定し、
    前記識別されたファネル次元値に対応するフロントエンド要素値を判定するために、前記識別されたファネル次元値を前記プレゼンテーションデータベースに適用し、
    ユーザに対し、前記判定されたフロントエンド要素値を有するファネルを提示する、
    前記プレゼンテーションモジュールと、
    を返す、ネットワークサーバインフラストラクチャを提供することと、
    を含む、方法。
43. コンピュータにより実施されるウェブインタフェース作成及び配置方法であって、
    候補個体の個体数を有する候補データベースを記憶するメモリを提供することであって、前記候補個体の各々は、前記候補個体の複数のハイパーパラメータについてのそれぞれの値を識別し、前記ハイパーパラメータは、前記それぞれのニューラルネットワークのトポロジ及び前記それぞれのニューラルネットワークの相互結合についての係数を記述し、前記ニューラルネットワークの各々は、ユーザ特性を１つ以上のウェブインタフェースを有するそれぞれのファネルにマッピングし、各々のファネルは、それに対して値を前記ニューラルネットワークによって割り当てることができる複数のファネル次元を有し、前記ニューラルネットワークは、それに対して値を割り当てることができる前記ファネル次元ごとの値を識別する、前記メモリを提供することと、
    前記ファネルの前記次元の各々の少なくとも１つの利用可能な値ごとのフロントエンド要素値を識別する、それにアクセス可能なプレゼンテーションデータベースを有する機械学習コンテンツ配信ネットワークを提供することであって、前記機械学習コンテンツ配信ネットワークは、クライアントコンピュータシステムから要求に応じて、
    前記データベースから、前記個体数における前記候補個体の選択された１つを取り出し、
    前記取り出された候補個体によって記述された前記ニューラルネットワークから、ユーザ属性データに従って前記ニューラルネットワークによって識別されるファネル次元値を判定し、
    前記識別されたファネル次元値に対応するフロントエンド要素値を判定するために、前記識別されたファネル次元値を前記プレゼンテーションデータベースに適用し、
    前記クライアントコンピュータシステムに対し、前記選択された候補個体の前記次元値によって示されるフロントエンド要素値を有するファネルを配信する、
    ように構成された前記機械学習コンテンツ配信ネットワークを提供することと、
    を含む、方法。

Images