JP2020027334A - 評価システム - Google Patents

Abstract

【課題】Ｗｅｂページを容易に評価することができる評価システムを提供する。【解決手段】Ｗｅｂページの評価を行う評価システムの評価装置３０は、Ｗｅｂページのレイアウトパターン、Ｗｅｂページのコンテンツに基づいて算出される指標、およびコンテンツの評価値を入力データとし、コンテンツに対する評価値の最大値であるコンテンツ力を教師データとして機械学習を行う学習処理部３１３と、機械学習により生成されたモデルを記憶するモデル記憶部３５２と、評価対象となるＷｅｂページについての、レイアウトパターン、コンテンツおよび評価値の入力を受け付ける評価対象入力部３１４と、入力されたレイアウトパターン、コンテンツにより算出される指標、および評価値をモデルに与えて、入力されたコンテンツについてのコンテンツ力を算出して出力する評価処理部３１５と、を備える。【選択図】図４

Description

本発明は、評価システムに関する。

Ｗｅｂページのコンテンツの効果を検証するためにＡ／Ｂテストが行われている。Ａ／Ｂテストには手間がかかることから、たとえば特許文献１では機械学習によりコンテンツの評価を行っている。

特許第５７７１５７３号公報

しかしながら、特許文献１に記載の装置では、要約コンテンツを用いて評価を行う必要があり、要約の存在しないＷｅｂページの評価に用いることができない。

本発明はこのような背景を鑑みてなされたものであり、Ｗｅｂページを容易に評価することができる技術を提供することを目的とする。

上記課題を解決するための本発明の主たる発明は、Ｗｅｂページの評価を行う評価システムであって、前記Ｗｅｂページのレイアウトパターン、前記Ｗｅｂページのコンテンツに基づいて算出される指標、および前記コンテンツの評価値を入力データとし、前記コンテンツに対する前記評価値の最大値であるコンテンツ力を教師データとして機械学習を行う機械学習処理部と、前記機械学習により生成されたモデルを記憶するモデル記憶部と、評価対象となる前記Ｗｅｂページについての、前記レイアウトパターン、前記コンテンツおよび前記評価値の入力を受け付ける評価対象入力部と、入力された前記レイアウトパターン、前記コンテンツにより算出される前記指標、および前記評価値を前記モデルに与えて、前記入力されたコンテンツについての前記コンテンツ力を算出して出力する評価処理部と、を備えることとする。

その他本願が開示する課題やその解決方法については、発明の実施形態の欄及び図面により明らかにされる。

本発明によれば、Ｗｅｂページを容易に評価することができる。

本発明の一実施形態に係るＷｅｂページの評価システムの全体構成例を示す図である。 本実施形態の評価システムにおいて評価するＷｅｂページについて説明するための図である。 評価装置３０のハードウェア構成例を示す図である。 評価装置３０のソフトウェア構成例を示す図である。 ＣＶＲ記憶部３５１が記憶するＣＶＲ情報の構成例を示す図である。 コンテンツ力の学習処理の流れを示す図である。 Ｗｅｂページのコンテンツ力の推測処理の流れを示す図である。 Ｗｅｂページのコンテンツ力の推測処理の差異に表示される画面例を示す図である。

本発明の実施形態の内容を列記して説明する。本発明の実施の形態による評価システムは、以下のような構成を備える。

［項目１］
Ｗｅｂページの評価を行う評価システムであって、
前記Ｗｅｂページのレイアウトパターン、前記Ｗｅｂページのコンテンツに基づいて算出される指標、および前記コンテンツの評価値を入力データとし、前記コンテンツに対する前記評価値の最大値であるコンテンツ力を教師データとして機械学習を行う機械学習処理部と、
前記機械学習により生成されたモデルを記憶するモデル記憶部と、
評価対象となる前記Ｗｅｂページについての、前記レイアウトパターン、前記コンテンツおよび前記評価値の入力を受け付ける評価対象入力部と、
入力された前記レイアウトパターン、前記コンテンツにより算出される前記指標、および前記評価値を前記モデルに与えて、前記入力されたコンテンツについての前記コンテンツ力を算出して出力する評価処理部と、
を備えることを特徴とする評価システム。
［項目２］
項目１に記載の評価システムであって、
前記レイアウトパターンおよび前記指標に対応付けて前記評価値を記憶する評価値記憶部と、
前記入力されたコンテンツに基づいて算出される前記指標に対応する前記評価値のうち最大のものに対応する前記レイアウトパターンを前記評価値記憶部から読み出し、
読み出した前記レイアウトパターンを提示するレイアウト提示部と、
をさらに備えることを特徴とする評価システム。
［項目］
項目２に記載の評価システムであって、
前記指標は、前記コンテンツのカテゴリ、前記コンテンツに含まれる単語のうちＴＦ−ＩＤＦの高い順に所定数、および前記単語により求められる単語ベクトルの少なくともいずれかを含むこと、
を特徴とする評価システム。
［項目４］
項目１ないし３のいずれか１項に記載の評価システムであって、
前記評価値は、前記Ｗｅｂページに表示された広告のコンバージョン率であること、
を特徴とする評価システム。

図１は、本発明の一実施形態に係るＷｅｂページの評価システムの全体構成例を示す図である。本実施形態の評価システムは、評価装置３０を含んで構成される。評価装置３０は、通信ネットワーク１１を介してＷｅｂサーバ１０およびユーザ装置２０のそれぞれと通信可能に接続される。本実施形態では、通信ネットワーク１１はＴＣＰ／ＩＰによる通信が行われるインターネットを想定するが、他の通信方式により通信の行われる通信路であってもよい。

Ｗｅｂサーバ１０は、Ｗｅｂページを提供するコンピュータである。ＷｅｂページはＨＴＭＬ（HyperText Markup Language）により記述された画面データである。Ｗｅｂサーバ１０は、たとえばパーソナルコンピュータやワークステーション、あるいは１台または複数台のコンピュータにより実現される仮想的なクラウドコンピュータなどである。Ｗｅｂサーバ１０は、ＨＴＴＰ（HyperText Transfer Protocol）によるリクエストに応じてＷｅｂページや画像などのデータを応答する、一般的なＨＴＴＰサーバである。

ユーザ端末２０は、ユーザが操作するコンピュータである。ユーザ端末２０は、たとえば、スマートフォンやタブレットコンピュータ、パーソナルコンピュータなどである。ユーザはユーザ端末２０を操作してＷｅｂサーバ１０にアクセスしてＷｅｂサーバ１０が提供する画面を閲覧し、評価装置３０にアクセスしてＷｅｂページの評価を行わせる。ユーザ端末２０を操作するユーザは、Ｗｅｂサーバ１０においてＷｅｂサイトを運営するユーザとすることができる。以下の説明において、評価装置３０に対するデータの入力、および評価装置３０から出力されるデータの表示は、ユーザ端末２０を介して行われるものとする。

評価装置３０は、Ｗｅｂページの評価を行うコンピュータである。評価装置３０は、たとえばスマートフォンやタブレットコンピュータ、パーソナルコンピュータであってもよいし、いわゆるクラウドで動作する仮想的なコンピュータであってもよい。

図２は、本実施形態の評価システムにおいて評価するＷｅｂページについて説明するための図である。本実施形態では、Ｗｅｂページはコンテンツの内容のみならず、ＷｅｂページのレイアウトによってもＣＶＲが変化することを想定している。図２の例では、記事６およびバナー７の内容は同一であるものとし、Ｗｅｂページ１では、画像４が最上段、画像４の下にメニュー５、メニュー５の下に記事６（コンテンツ）、記事６の下にバナー広告７が配置されており、ＣＶＲは９０％である。Ｗｅｂページ２では、画像４が最上段、画像４の下にバナー広告７、バナー広告７の下にメニュー５、メニュー５の下に記事６が配置されている。Ｗｅｂページ２のレイアウトではＣＶＲは３０％である。Ｗｅｂページ３の場合、最上段に記事６が配置され、記事６の下に画像４、画像４の下にメニュー５、メニュー５の下にバナー広告７が配置されており、Ｗｅｂページ３のレイアウトではＣＶＲは５０％である。このように、同じコンテンツであってもＣＶＲは変化する。本実施形態では、コンテンツ（記事６の内容）に係るＣＶＲを学習するが、同じコンテンツの異なるレイアウトでのＣＶＲの最大値を当該コンテンツの潜在的なＣＶＲ（以下、コンテンツ力という。）であるものとして学習を行う。これにより、レイアウトを問わずにコンテンツの潜在的なＣＶＲを予測することが可能となる。

図３は、評価装置３０のハードウェア構成例を示す図である。評価装置３０は、ＣＰＵ３０１、メモリ３０２、記憶装置３０３、通信インタフェース３０４、入力装置３０５、出力装置３０６を備える。記憶装置３０３は、各種のデータやプログラムを記憶する、例えばハードディスクドライブやソリッドステートドライブ、フラッシュメモリなどである。通信インタフェース３０４は、通信ネットワーク１１に接続するためのインタフェースであり、例えばイーサネット（登録商標）に接続するためのアダプタ、公衆電話回線網に接続するためのモデム、無線通信を行うための無線通信機、シリアル通信のためのＵＳＢ（Universal Serial Bus）コネクタやＲＳ２３２Ｃコネクタなどである。入力装置３０５は、データを入力する、例えばキーボードやマウス、タッチパネル、ボタン、マイクロフォンなどである。出力装置３０６は、データを出力する、例えばディスプレイやプリンタ、スピーカなどである。

図４は、評価装置３０のソフトウェア構成例を示す図である。評価装置３０は、ＣＶＲ入力部３１１、評価ページ取得部３１２、学習処理部３１３、評価対象入力部３１４、評価処理部３１５、ＣＶＲ記憶部３５１、およびモデル記憶部３５２を備える。

なお、ＣＶＲ入力部３１１、評価ページ取得部３１２、学習処理部３１３、評価対象入力部３１４、および評価処理部３１５は、評価装置３０が備えるＣＰＵ３０１が記憶装置３０３に記憶されているプログラムをメモリ３０２に読み出して実行することにより実現され、ＣＶＲ記憶部３５１およびモデル記憶部３５２は、評価装置３０が備えるメモリ３０２および記憶装置３０３の少なくともいずれかが提供する記憶領域の一部として実現される。

ＣＶＲ記憶部３５１は、Ｗｅｂページの評価に関する情報（以下、ＣＶＲ情報という。）を記憶する。本実施形態において、Ｗｅｂページの評価値は、Ｗｅｂページを訪れたユーザがコンバージョン（商品購入や問合せなど、Ｗｅｂサイトの運営者が期待する顧客の行動が実際に行われたこと）に至った件数の割合であるＣＶＲ（ConVersion Rate）を想定する。図５は、ＣＶＲ記憶部３５１が記憶するＣＶＲ情報の構成例を示す図である。ＣＶＲ情報は、Ｗｅｂページに含まれるコンテンツを示す情報（コンテンツＩＤ）、Ｗｅｂページを示すＵＲＬ、当該Ｗｅｂページのコンテンツに含まれる単語から作成した単語ベクトル、当該Ｗｅｂページのレイアウトのパターンを示す情報（以下、レイアウトパターンＩＤという）、当該Ｗｅｂページに含まれるコンテンツのカテゴリ、およびＣＶＲを含む。コンテンツＩＤが同一のＣＶＲ情報は、同じコンテンツを異なるレイアウトで表示するＷｅｂページに関するものである。

ＣＶＲ入力部３１１は、Ｗｅｂページの評価値の入力を受け付ける。ＣＶＲ入力部３１１は、ユーザから、Ｗｅｂページを特定するＵＲＬ（Uniform Resource Locator）と、当該Ｗｅｂページに係るＣＶＲとの入力を受け付ける。ＣＶＲ入力部３１１は、受け付けたＵＲＬが示すＷｅｂページを取得し、取得したＷｅｂページからコンテンツを抽出し、コンテンツＩＤを付与する。なお、同じコンテンツを異なるレイアウトで表示する複数のＷｅｂページが存在する場合に、複数のＷｅｂページのコンテンツが同一かどうかは、ＣＶＲ入力部３１１がコンテンツを比較して同一か否かを判定するようにすることができる。ＣＶＲ入力部３１１は、受け付けたＵＲＬおよびＣＶＲならびに付与したコンテンツＩＤを設定したＣＶＲ情報を作成してＣＶＲ記憶部３５１に登録する。

評価ページ取得部３１２は、Ｗｅｂページを取得する。評価ページ取得部３１２は、レイアウトパターンＩＤが設定されていないＣＶＲ情報に含まれるＵＲＬが示すＷｅｂページをＷｅｂサーバ２０から取得する。評価ページ取得部３１２は、取得したＷｅｂページのコンテンツに含まれる単語を抽出し、抽出した単語から周辺に出現する単語を確率的に組み合わせた単語ベクトルを作成する。単語ベクトルの作成に用いる単語は、Ｗｅｂページに含まれる全ての単語であってもよいし、出現頻度が所定数以上の単語のみであってもよいし、ＴＦ−ＩＤＦの高い順に所定数の単語のみであってもよい。なお、単語ベクトルの作成方法については、公知の手法を用いるものとしてここでは説明を省略する。

また、評価ページ取得部３１２は、取得したＷｅｂページのレイアウトパターンを特定する。評価ページ取得部３１２は、たとえば、ＨＴＭＬのタグやリンク先など記載内容などを解析することでＷｅｂページのコンポーネント（たとえば、アイキャッチ画像、メニュー、記事、バナー広告など）を特定し、特定したコンポーネントの配置順（Ｗｅｂページに表示される順）をレイアウトパターンとして特定することができる。

さらに、評価ページ取得部３１２は、取得したＷｅｂページに含まれるコンテンツのカテゴリを特定する。評価ページ取得部３１２は、たとえば、Ｗｅｂページに含まれているテキスト（あるいは、たとえば図２における記事６のように最もサイズの大きい表示コンポーネントに含まれているテキスト）に基づいて自動的に決定することができるものとする。たとえば、評価ページ取得部３１２は、コンテンツに含まれる単語のうちＴＦ−ＩＤＦの高い順に所定数を抽出し、抽出した単語を組み合わせた単語ベクトルをカテゴリとすることができる。また、評価ページ取得部３１２は、コンテンツのカテゴリをユーザに入力させるようにしてもよい。

評価ページ取得部３１２は、特定したレイアウトパターンを示すレイアウトパターンＩＤと、作成した単語ベクトルと、特定したカテゴリとによりＣＶＲ情報を更新する。

学習処理部３１３は、コンテンツ力を学習する。学習処理部３１３は、同じコンテンツＩＤを含むＣＶＲ情報について、ＣＶＲの最大値をコンテンツ力とし、ＣＶＲ情報のレイアウトパターンＩＤおよび単語ベクトルを入力データとし、コンテンツ力を教師データとする機械学習を行う。なお、学習処理部３１３は、ニューラルネットワークを用いて学習を行うようにしてもよいし、重回帰分析の手法により係数を推計するようにしてもよい。学習処理部３１３は、機械学習により求められたモデルをモデル記憶部３５２に登録する。モデルは、数式であってもよいし、ニューロンが強化されたニューラルネットワークであってもよい。また、学習処理部３１３は、入力データとしてＣＶＲを加えるようにしてもよい。

評価対象入力部３１４は、評価対象となるＷｅｂページの指定を受け付ける。評価対象入力部３１４は、たとえばＵＲＬの入力を受け付ける。評価対象入力部３１４は、受け付けたＵＲＬにアクセスしてＷｅｂページを取得する。また、評価対象入力部３１４は、入力されたＷｅｂページの現在のＣＶＲの入力を受け付ける。

評価処理部３１５は、評価対象入力部３１４が受け付けたＷｅｂページの評価を行う。評価処理部３１５は、上記評価ページ取得部３１２と同様に、Ｗｅｂページのレイアウトパターンを特定し、単語ベクトルを作成し、特定したレイアウトパターンと、作成した単語ベクトルとを、モデル記憶部３５２に記憶されているモデルに適用して、コンテンツ力を算出する。評価処理部３１５は、コンテンツ力を出力する。

また、評価処理部３１５は、評価対象入力部３１４が受け付けたＣＶＲが、コンテンツ力よりも小さい場合、ＣＶＲを高める可能性のあるレイアウトパターンを提案する。評価処理部３１５は、たとえば、Ｗｅｂページのカテゴリを特定し、特定したカテゴリに対応するＣＶＲ情報をＣＶＲ記憶部３５１から読み出し、読み出したＣＶＲ情報に含まれるＣＶＲのうち最高のものに対応するレイアウトパターンを取得し、取得したレイアウトパターンを提示することができる。

以下、本実施形態の評価装置３０により実行される処理について説明する。本実施形態の評価装置３０では、コンテンツ力の学習処理を行い、その学習結果を用いてＷｅｂページのコンテンツ力、すなわち期待されるＣＶＲの最大値を推測する。

図６は、コンテンツ力の学習処理の流れを示す図である。図６に示すコンテンツ力の学習処理は、ＣＶＲ情報がＣＶＲ記憶部３５１に登録される度に実行されるようにしてもよいし、ユーザからの呼出しを契機として実行されるようにしてもよいし、定期的に実行されるようにしてもよい。

評価ページ取得部３１２は、単語ベクトル、レイアウトパターンＩＤあるいはカテゴリが設定されていないＣＶＲ情報をＣＶＲ記憶部３５１から読み出し（Ｓ４０１）、読み出したＣＶＲ情報のＵＲＬが示すＷｅｂページを取得する（Ｓ４０２）。評価ページ取得部３１２は、取得したＷｅｂページに含まれている単語を抽出して単語ベクトルを作成する（Ｓ４０３）。なお、評価ページ取得部３１２は、Ｗｅｂページから記事６などのコンテンツを特定して、特定したコンテンツから単語を抽出するようにしてもよい。評価ページ取得部３１２は、Ｗｅｂページのコンテンツのカテゴリを判定し（Ｓ４０４）、Ｗｅｂページを解析してレイアウトパターンを特定する（Ｓ４０５）。評価ページ取得部３１２は、作成した単語ベクトル、判定したカテゴリ、および特定したレイアウトパターンを示すレイアウトパターンＩＤによりＣＶＲ情報を更新する（Ｓ４０６）。単語ベクトル、レイアウトパターンＩＤあるいはカテゴリが設定されていないＣＶＲ情報がまだ存在する場合には（Ｓ４０７：ＮＯ）、ステップＳ４０１からの処理を繰り返す。

単語ベクトル、レイアウトパターンＩＤあるいはカテゴリが設定されていないＣＶＲ情報がない場合（Ｓ４０７：ＹＥＳ）、評価ページ取得部３１２は、コンテンツＩＤごとにＣＶＲの最大値をＣＶＲ記憶部３５１から検索し（Ｓ４０８）、学習処理部３１３は、ＣＶＲ情報のレイアウトパターンＩＤおよび単語ベクトルを入力データとし、コンテンツ力を教師データとする機械学習を行う（Ｓ４０９）。学習処理部３１３は、機械学習の結果となるモデルをモデル記憶部３５２に登録する（Ｓ４１０）。

以上のようにして、ＣＶＲ情報を用いてコンテンツ力の学習を行うことができる。

図７は、Ｗｅｂページのコンテンツ力の推測処理の流れを示す図であり、図８は、Ｗｅｂページのコンテンツ力の推測処理の差異に表示される画面例を示す図である。

評価対象入力部３１４は、評価対象となるＷｅｂページのＵＲＬと、当該Ｗｅｂページの現在のＣＶＲとの入力をユーザから受け付ける（Ｓ４２１）。画面５０は、ＵＲＬの入力欄５０１およびＣＶＲの入力欄５０２を備えており、評価対象入力部３１４は、入力欄５０１に入力されたＵＲＬと、入力欄５０２に入力されたＣＶＲとを受け付けることができる。評価対象入力部３１４は、受け付けたＵＲＬにアクセスしてＷｅｂページを取得する（Ｓ４２２）。評価対象入力部３１４は、画面５０の表示欄５０３に、取得したＷｅｂページのプレビューを表示することができる。

評価対象入力部３１４は、取得したＷｅｂページに含まれているテキスト（あるいは図２における記事６のように、Ｗｅｂページに含まれている最もサイズの大きい表示コンポーネントに含まれているテキスト）から単語を抽出し、抽出した単語から単語ベクトルを作成する（Ｓ４２３）。評価対象入力部３１４は、Ｗｅｂページに含まれているコンテンツのカテゴリを特定する（Ｓ４２４）。コンテンツのカテゴリは、上記抽出した単語や単語ベクトルから特定してもよいし、ユーザからカテゴリの入力を受け付けるようにしてもよい。評価対象入力部３１４は、Ｗｅｂページのレイアウトパターンを特定する（Ｓ４２５）。評価対象入力部３１４は、たとえば、上述したように、ＨＴＭＬのタグやリンク先など記載内容などを解析することでＷｅｂページのコンポーネント（たとえば、アイキャッチ画像、メニュー、記事、バナー広告など）を特定し、特定したコンポーネントの配置順（Ｗｅｂページに表示される順）をレイアウトパターンとして特定することができる。また、コンポーネントの配置位置関係をレイアウトパターンとして記憶しておき、最も近いレイアウトパターンを検索するようにしてもよい。

評価対象入力部３１４は、レイアウトパターンと単語ベクトルを、モデル記憶部３５２に記憶されているモデルに適用してコンテンツ力を算出する（Ｓ４２６）。評価対象入力部３１４は、画面５０の表示欄５０４にコンテンツ力を表示する。これによりユーザは、評価対象となるＷｅｂページに期待される最大のＣＶＲを即座に把握することができる。

評価対象入力部３１４は、レイアウトパターンとカテゴリに対応するＣＶＲをＣＶＲ記憶部３５１から読み出して参考ＣＶＲとする（Ｓ４２７）。ここで評価対象入力部３１４は、レイアウトパターンとカテゴリに対応するＣＶＲが複数登録されている場合には、ＣＶＲの平均値、中央値、最大値、最小値などの集計値を参考ＣＶＲとすることができる。評価対象入力部３１４は、入力されたＣＶＲを参考ＣＶＲで割った値をＲとして（Ｓ４２８）、カテゴリに対応するＣＶＲの最大値に対応するレイアウトパターンＩＤをＣＶＲ記憶部３５１から検索する（Ｓ４２９）。評価対象入力部３１４は、上記ＣＶＲの最大値にＲを乗じて、当該レイアウトパターンのカテゴリに期待されるコンテンツ力を算出する（Ｓ４３０）。

評価対象入力部３１４は、算出したコンテンツ力を出力し（Ｓ４３１）、検索したレイアウトパターンＩＤが示すレイアウトパターンを提示する（Ｓ４３２）。図５０の例では、評価対象入力部３１４は、当該レイアウトパターンのカテゴリに期待されるコンテンツ力を表示欄５０５に表示し、当該レイアウトパターンによりＷｅｂページを構成した場合のプレビューを表示欄５０６に表示することができる。

以上説明したように、本実施形態の評価システムによれば、同一のコンテンツについては、レイアウトパターンとともに、その同一コンテンツ内で観測された最大のＣＶＲであるコンテンツ力を教師データとして機械学習を行い、レイアウトによらずにコンテンツの持つ潜在的なＣＶＲの最大値たるコンテンツ力を学習し予測するモデルを作成することができる。また、このような機械学習により学習したモデルを用いて、評価対象のＷｅｂページに含まれるコンテンツに期待されるＣＶＲの最大値を推測することができるため、Ａ／Ｂテストなどの手法を用いることなく、自動的に、レイアウトのパターンに依らずコンテンツの内容そのものが発揮可能な最大限のＣＶＲであるコンテンツ力をユーザが把握するようにすることができる。したがって、ユーザはレイアウトに対する施策とコンテンツの内容に対する施策とを分けて取り組むことが可能となり、効率的にＷｅｂページのＣＶＲを最大化させるようにすることができる。

また、本実施形態の評価システムによれば、ＷｅｂページのＣＶＲを向上可能なレイアウトパターンを自動的に提示することができる。したがって、ＷｅｂページのＣＶＲ向上施策のうち、レイアウトの選定にかかる手間を軽減することができる。また、本実施形態では、コンテンツの内容（たとえば単語ベクトルやコンテンツのカテゴリなど）に応じた最適なレイアウトパターンを提示することができる。一般的にＷｅｂサイト内には複数のＷｅｂページが含まれ、一貫したレイアウトが適用されることが多いところ、本実施形態の評価システムからの提案を見たユーザであれば、コンテンツに応じて最適なレイアウトを各Ｗｅｂページに採用して、ＷｅｂページごとのＣＶＲを最大化されることが期待される。したがって、ユーザは、Ｗｅｂサイトを効果的に運用することが可能となる。

以上、本実施形態について説明したが、上記実施形態は本発明の理解を容易にするためのものであり、本発明を限定して解釈するためのものではない。本発明は、その趣旨を逸脱することなく、変更、改良され得ると共に、本発明にはその等価物も含まれる。

たとえば、本実施形態では、Ｗｅｂページの評価値としてＣＶＲを用いるものとしたが、これに限らず、ＣＴＲ（Click Through Rate）やＣＰＭ（Cost per Mille）など、任意のＷｅｂページを評価するための指標を用いるようにしてもよい。これにより、Ｗｅｂページに対して期待している効果を最も発揮することのできるコンテンツの内容およびレイアウトのパターンを検証することができる。

また、本実施形態では、ＣＶＲ入力部３１１は、ユーザからＣＶＲの入力を受け付けるものとしたが、たとえば、購買履歴データベースや申込データベースにアクセスするなどにより、ＣＶＲを自動的に計測するようにしてもよい。

また、本実施形態では、評価装置３０に対するデータの入力、および評価装置３０から出力されるデータの表示は、ユーザ端末２０を介して行われるものとしたが、評価装置３０の機能部および記憶部の一部または全部をスマートフォンなどに実装し、ユーザが評価装置３０と直接対話するようにしてもよい。

また、本実施形態では、ＣＶＲ入力部３１１は、コンテンツの内容を解析してコンテンツＩＤを付与するものとしたが、ユーザからコンテンツＩＤの入力を受け付けるようにしてもよい。

また、本実施形態では、評価ページ取得部３１２および評価対象入力部３１４は、レイアウトパターンを自動的に判定するものとしたが、レイアウトパターンの指定をユーザから入力させるようにしてもよい。また、評価装置３０がレイアウトパターンを記憶するパターン記憶部を設けるようにして、ＨＴＭＬを構成する表示コンポーネント（ＩＭＧタグ、ＤＩＶタグ、ＵＬタグ等）のサイズや場所をパターンとして記憶しておき、評価ページ取得部３１２および評価対象入力部３１４は、ＵＲＬから取得したＷｅｂページを構成する表示コンポーネントのサイズや場所のパターンと最も近いものをレイアウトパターンと認識するようにすることもできる。

また、本実施形態では、最適なレイアウトパターンを提示するものとしたが、レイアウトパターンは提示せずに、コンテンツ力のみを提示してもよい。この場合、図７におけるステップＳ４２７ないしＳ４３１およびＳ４３２を省略することができる。

また、本実施形態では、機械学習の入力データとして、レイアウトパターンと単語ベクトルとを用いるものとしたが、単語ベクトルに代えて、あるいは単語ベクトルに加えて、コンテンツのカテゴリを用いるようにすることもできる。

また、本実施形態では、カテゴリに対応する最大のＣＶＲのレイアウトパターンをＣＶＲ記憶部３５１から検索するものとしたが、単語ベクトルを用いて与えられたＷｅｂページのコンテンツと、ＣＶＲ記憶部３５１に記憶されているコンテンツとの類似度を計算し、類似度の高いものの中でＣＶＲが最も高いレイアウトパターンを取得して提案するようにしてもよい。

１０ ユーザ端末
１１ 通信ネットワーク
２０ Ｗｅｂサーバ
３０ 評価装置
３１１ ＣＶＲ入力部
３１２ 評価ページ取得部
３１３ 学習処理部
３１４ 評価対象入力部
３１５ 評価処理部
３５１ ＣＶＲ記憶部
３５２ モデル記憶部

Claims (4)

1. Ｗｅｂページの評価を行う評価システムであって、
   前記Ｗｅｂページのレイアウトパターン、前記Ｗｅｂページのコンテンツに基づいて算出される指標、および前記コンテンツの評価値を入力データとし、前記コンテンツに対する前記評価値の最大値であるコンテンツ力を教師データとして機械学習を行う機械学習処理部と、
   前記機械学習により生成されたモデルを記憶するモデル記憶部と、
   評価対象となる前記Ｗｅｂページについての、前記レイアウトパターン、前記コンテンツおよび前記評価値の入力を受け付ける評価対象入力部と、
   入力された前記レイアウトパターン、前記コンテンツにより算出される前記指標、および前記評価値を前記モデルに与えて、前記入力されたコンテンツについての前記コンテンツ力を算出して出力する評価処理部と、
   を備えることを特徴とする評価システム。
2. 請求項１に記載の評価システムであって、
   前記レイアウトパターンおよび前記指標に対応付けて前記評価値を記憶する評価値記憶部と、
   前記入力されたコンテンツに基づいて算出される前記指標に対応する前記評価値のうち最大のものに対応する前記レイアウトパターンを前記評価値記憶部から読み出し、
   読み出した前記レイアウトパターンを提示するレイアウト提示部と、
   をさらに備えることを特徴とする評価システム。
3. 請求項２に記載の評価システムであって、
   を特徴とする評価システム。
4. 請求項１ないし３のいずれか１項に記載の評価システムであって、
   前記評価値は、前記Ｗｅｂページに表示された広告のコンバージョン率であること、
   を特徴とする評価システム。