JP2020046880A - Device, method, and program for processing information - Google Patents
Device, method, and program for processing information Download PDFInfo
- Publication number
- JP2020046880A JP2020046880A JP2018174207A JP2018174207A JP2020046880A JP 2020046880 A JP2020046880 A JP 2020046880A JP 2018174207 A JP2018174207 A JP 2018174207A JP 2018174207 A JP2018174207 A JP 2018174207A JP 2020046880 A JP2020046880 A JP 2020046880A
- Authority
- JP
- Japan
- Prior art keywords
- information
- user
- content
- model
- processing apparatus
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims description 18
- 238000012545 processing Methods 0.000 title description 11
- 230000010365 information processing Effects 0.000 claims abstract description 354
- 238000009826 distribution Methods 0.000 claims description 127
- 230000009471 action Effects 0.000 claims description 56
- 230000004044 response Effects 0.000 claims description 7
- 238000003672 processing method Methods 0.000 claims description 6
- 230000006399 behavior Effects 0.000 description 95
- 239000003795 chemical substances by application Substances 0.000 description 46
- 230000008451 emotion Effects 0.000 description 37
- 238000010586 diagram Methods 0.000 description 28
- 238000013500 data storage Methods 0.000 description 21
- 238000004088 simulation Methods 0.000 description 17
- 230000002776 aggregation Effects 0.000 description 14
- 238000004220 aggregation Methods 0.000 description 14
- 101150092658 RTM1 gene Proteins 0.000 description 11
- 230000007613 environmental effect Effects 0.000 description 10
- 230000006870 function Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000007796 conventional method Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 230000036651 mood Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 230000007423 decrease Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 235000010799 Cucumis sativus var sativus Nutrition 0.000 description 1
- 244000299906 Cucumis sativus var. sativus Species 0.000 description 1
- 125000002066 L-histidyl group Chemical group [H]N1C([H])=NC(C([H])([H])[C@](C(=O)[*])([H])N([H])[H])=C1[H] 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000000116 mitigating effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000004243 sweat Anatomy 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
Abstract
Description
本発明は、情報処理装置、情報処理方法、及び情報処理プログラムに関する。 The present invention relates to an information processing device, an information processing method, and an information processing program.
従来、ユーザが所定の行動を行うかどうかを示す情報を生成する技術が提供されている。例えば、コンテンツにおいてユーザにクリックされやすい箇所を視認可能に表示する技術が提供されている。 2. Description of the Related Art Conventionally, a technology for generating information indicating whether a user performs a predetermined action has been provided. For example, there has been provided a technique for visually displaying a portion of a content that is easily clicked by a user.
しかしながら、上記の従来技術では、コンテンツの配信における収益性を示す情報を適切に生成できるとは限らない。例えば、ユーザにクリックされやすい箇所を視認可能に表示するのみでは、コンテンツの配信における収益性を適切に予想可能な情報を生成することが難しい。 However, in the above-described conventional technology, it is not always possible to appropriately generate information indicating profitability in content distribution. For example, it is difficult to generate information that can appropriately predict the profitability in distributing content only by displaying a portion that is likely to be clicked by the user in a visible manner.
本願は、上記に鑑みてなされたものであって、コンテンツの配信における収益性を予測可能にする情報処理装置、情報処理方法、及び情報処理プログラムを提供することを目的とする。 The present application has been made in view of the above, and an object of the present invention is to provide an information processing apparatus, an information processing method, and an information processing program that make it possible to predict profitability in content distribution.
本願に係る情報処理装置は、コンテンツの配信に関するコンテキスト情報を取得する取得部と、前記取得部により取得された前記コンテキスト情報に基づいて、前記コンテンツの配信における収益性を予測する予測情報を生成する生成部と、を備えたことを特徴とする。 An information processing apparatus according to the present application generates an acquisition unit that acquires context information related to content distribution, and generates prediction information that predicts profitability in the content distribution based on the context information acquired by the acquisition unit. And a generation unit.
実施形態の一態様によれば、コンテンツの配信における収益性を予測可能にすることができるという効果を奏する。 According to an aspect of the embodiment, it is possible to make profitability in distribution of content predictable.
以下に、本願に係る情報処理装置、情報処理方法、及び情報処理プログラムを実施するための形態(以下、「実施形態」と呼ぶ)について図面を参照しつつ詳細に説明する。なお、この実施形態により本願に係る情報処理装置、情報処理方法、及び情報処理プログラムが限定されるものではない。また、以下の各実施形態において同一の部位には同一の符号を付し、重複する説明は省略される。 Hereinafter, an information processing apparatus, an information processing method, and an embodiment (hereinafter, referred to as “embodiment”) for implementing an information processing program according to the present application will be described in detail with reference to the drawings. The information processing apparatus, the information processing method, and the information processing program according to the present application are not limited by the embodiment. In the following embodiments, the same portions are denoted by the same reference numerals, and redundant description will be omitted.
(実施形態)
〔1.情報処理〕
図1を用いて、実施形態に係る情報処理の一例について説明する。図1は、実施形態に係る情報処理の一例を示す図である。図1の例では、情報処理装置100(図3参照)が所定のエリアAR11(Aエリア)に位置する第1ユーザの行動情報に基づいて、他のエリアAR21(Bエリア)に位置する第2ユーザに関する予測情報を生成する場合を示す。なお、図1の例では、コンテンツ配信の一形態としてプッシュ通知を例として示すが、コンテンツ配信は種々の態様であってもよい。例えば、情報処理システム1におけるコンテンツ配信は、プッシュ通知に限らず、端末装置10からコンテンツを要求する、いわゆるプル型のコンテンツ配信であってもよい。例えば、プッシュ通知は、ユーザによる端末装置10の操作に依らず、端末装置10において出力される情報であってもよい。例えば、プッシュ通知は、所定の情報を能動的にユーザに通知することであってもよい。また、以下では、プッシュ通知に対する選択や指定により、プッシュ通知に関する情報を端末装置10に表示させる操作を開封操作とする場合がある。また、ここでいうエリアの大きさや形状は、処理の目的等に応じて適宜設定されてもよい。例えば、エリアは、「県」、「市」、「区」、「町」等の種々の大きさのエリアが適宜設定されてもよい。
(Embodiment)
[1. Information processing)
An example of information processing according to the embodiment will be described with reference to FIG. FIG. 1 is a diagram illustrating an example of information processing according to the embodiment. In the example of FIG. 1, the information processing apparatus 100 (see FIG. 3) is located in another area AR21 (B area) based on the behavior information of the first user located in the predetermined area AR11 (A area). The case where prediction information regarding a user is generated will be described. In the example of FIG. 1, push notification is shown as an example of one form of content distribution, but content distribution may be in various forms. For example, the content delivery in the
〔情報処理システムの構成〕
図1の説明に先立って、図2を用いて情報処理システム1の構成について説明する。図2は、実施形態に係る情報処理システムの構成例を示す図である。図2に示すように、情報処理システム1は、端末装置10と、情報提供装置50と、情報処理装置100とが含まれる。端末装置10と、情報提供装置50と、情報処理装置100とは所定のネットワークNを介して、有線または無線により通信可能に接続される。なお、図2に示した情報処理システム1には、複数台の端末装置10や、複数台の情報提供装置50や、複数台の情報処理装置100が含まれてもよい。
[Configuration of information processing system]
Prior to the description of FIG. 1, the configuration of the
端末装置10は、ユーザによって利用される情報処理装置である。端末装置10は、ユーザによる種々の操作を受け付ける。なお、以下では、端末装置10をユーザと表記する場合がある。すなわち、以下では、ユーザを端末装置10と読み替えることもできる。なお、上述した端末装置10は、例えば、スマートフォンや、タブレット型端末や、ノート型PC(Personal Computer)や、デスクトップPCや、携帯電話機や、PDA(Personal Digital Assistant)等により実現される。図1は、端末装置10がスマートフォンである場合を示す。
The
また、端末装置10は、GPS(Global Positioning System)センサ等の機能を有し、位置を検知し、取得可能であるものとする。例えば、端末装置10は、情報処理装置100に位置情報等の行動情報を送信する。なお、端末装置10は、上記に限らず、種々のセンサを有してもよい。例えば、端末装置10は、音声センサ(マイク)、加速度センサ、ジャイロセンサ、温度センサ、湿度センサ、照度センサ、圧力センサ、近接センサ、ニオイや汗や心拍や脈拍や脳波等の生体情報を取得するためのセンサ等の種々のセンサを有してもよい。そして、端末装置10は、各種センサにより検知された種々のセンサ情報を情報処理装置100に送信してもよい。例えば、端末装置10は、音声センサによりユーザの発話情報(センサ情報)を検知し、検知した発話情報(センサ情報)を情報処理装置100に送信してもよい。
The
例えば、端末装置10は、温度センサや気圧センサ等の種々の機能を有し、温度や気圧等のユーザの置かれている周辺情報を検知し、取得可能であってもよい。また、端末装置10は、心拍センサ等の種々の機能を有し、ユーザの生体情報を検知し、取得可能であってもよい。例えば、端末装置10を利用するユーザは、端末装置10と通信可能なウェアラブルデバイスを身に付けることにより、端末装置10によりユーザ自身の生体情報を取得可能としてもよい。例えば、端末装置10を利用するユーザは、端末装置10と通信可能なリストバンド型のウェアラブルデバイスを身に付けることにより、端末装置10によりユーザ自身の心拍(脈拍)に関する情報を端末装置10が取得可能としてもよい。
For example, the
ここでいう、コンテンツの配信に関するコンテキスト情報(以下、単に「コンテキスト情報」ともいう)は、コンテンツの配信に関する種々のコンテキストを示す情報が含まれる。例えば、コンテキスト情報には、コンテンツの配信先となるユーザのコンテキストを示す情報やユーザが位置する場所のコンテキストを示す情報が含まれる。例えば、コンテキスト情報には、ユーザの属性に関する情報が含まれてもよい。例えば、コンテキスト情報には、ユーザがどのようなユーザであるかを示す情報が含まれてもよい。例えば、コンテキスト情報には、年齢、プロフィール、興味などの種々のユーザに関する情報が含まれてもよい。例えば、コンテキスト情報には、時間や場所のコンテキストに関する情報が含まれてもよい。例えば、コンテキスト情報には、プッシュ通知が行われた際の時間や場所がどのような状況であるかを示す情報が含まれてもよい。例えば、コンテキスト情報には、時間帯に関する情報が含まれてもよい。例えば、コンテキスト情報には、時間帯が0〜23時台の24の時間帯のうちいずれに対応するかを示す情報が含まれてもよい。例えば、コンテキスト情報には、時間帯が朝(4−10時等)、昼(10−16時等)、夜(16−22時等)、深夜(22−4時等)の4つの時間帯のうちいずれに対応するかを示す情報が含まれてもよい。例えば、コンテキスト情報には、ユーザの位置に対応する店舗やスタジアム等の施設名を示すPOI(Point of Interest:関心地点)に関する情報が含まれてもよい。例えば、コンテキスト情報には、ユーザがその場所に位置した滞在(滞留)時間や、場所の属性(商業地や住宅地等)や時間の属性(朝や夜等)などの種々の時間や場所に関する情報が含まれてもよい。 The context information related to the distribution of the content (hereinafter, also simply referred to as “context information”) includes information indicating various contexts related to the distribution of the content. For example, the context information includes information indicating the context of the user to which the content is to be distributed and information indicating the context of the location where the user is located. For example, the context information may include information on a user attribute. For example, the context information may include information indicating what kind of user the user is. For example, the context information may include information about various users, such as age, profile, interest, and the like. For example, the context information may include information on the context of time or place. For example, the context information may include information indicating the situation at the time or place when the push notification is performed. For example, the context information may include information about a time zone. For example, the context information may include information indicating which of the 24 time zones the time zone corresponds to from 0 to 23:00. For example, the context information includes four time zones of morning (4-10 o'clock, etc.), daytime (10-16 o'clock, etc.), night (16-22 o'clock, etc.), and midnight (22-4 o'clock, etc.). May be included. For example, the context information may include information on a POI (Point of Interest) indicating a facility name such as a store or a stadium corresponding to the position of the user. For example, the context information includes various times and places such as a stay (residence) time at which the user is located at the place, attributes of the place (commercial and residential areas, etc.) and attributes of the time (morning and night, etc.). Information may be included.
例えば、コンテキスト情報には、環境のコンテキストに関する情報が含まれてもよい。例えば、コンテキスト情報には、プッシュ通知が行われた際のユーザの周囲がどんな環境かを示す情報が含まれてもよい。例えば、コンテキスト情報には、天気、ユーザの感情(気分)、気温、気圧などの種々の情報(周辺情報)が含まれてもよい。例えば、コンテキスト情報には、天気が晴れ、曇り、雨、雪のうちいずれに対応するかを示す情報が含まれてもよい。例えば、コンテキスト情報には、ユーザの気分がプラスの感情であるか、マイナスの感情であるかを示す情報が含まれてもよい。例えば、コンテキスト情報には、ユーザの気分が、喜びや楽しみ等のプラスの感情であるか、怒りや哀しみ等のマイナスの感情であるかを示す情報が含まれてもよい。 For example, the context information may include information about the context of the environment. For example, the context information may include information indicating what environment is around the user when the push notification is performed. For example, the context information may include various information (peripheral information) such as weather, user's emotion (mood), temperature, and atmospheric pressure. For example, the context information may include information indicating whether the weather corresponds to sunny, cloudy, rain, or snow. For example, the context information may include information indicating whether the user's mood is a positive emotion or a negative emotion. For example, the context information may include information indicating whether the user's mood is a positive emotion such as joy or pleasure or a negative emotion such as anger or sadness.
例えば、情報処理装置100は、ユーザに関する種々の情報に基づいて、ユーザの感情(気分)を推定する。例えば、情報処理装置100は、ユーザの行動情報に基づいて、ユーザの感情を推定する。情報処理装置100は、種々の従来技術を適宜用いて、ユーザの感情を推定する。例えば、情報処理装置100は、ユーザが閲覧したコンテンツ(閲覧コンテンツ)やユーザが検索に用いたクエリ等のユーザが入力した種々の入力情報を用いてユーザの感情を推定する。例えば、情報処理装置100は、閲覧コンテンツ中の文字情報や入力情報を構文解析等の種々の従来技術を適宜用いて解析することにより、ユーザの感情を推定してもよい。例えば、情報処理装置100は、種々の感情ごとにキーワードの一覧(感情キーワード一覧)を記憶部120(図3参照)に記憶し、閲覧コンテンツ中の文字情報や入力情報に含まれるキーワードが最も該当する感情をユーザの感情として推定してもよい。例えば、情報処理装置100は、プラスの感情及びマイナスの感情の各々に対応するキーワードの感情キーワード一覧を用いて、プラスの感情及びマイナスの感情のうち、閲覧コンテンツ中の文字情報や入力情報に含まれるキーワードが多い方の感情をユーザの感情として推定してもよい。また、情報処理装置100は、ユーザの発話を変換した文字情報と、上記の感情キーワード一覧とを用いて、ユーザの感情を推定してもよい。
For example, the
例えば、情報処理装置100は、ユーザが利用する端末装置により検知されたセンサ情報に基づいて、ユーザの感情を推定する。例えば、情報処理装置100は、ユーザの歩幅や振幅等に関するセンサ情報に基づいて、ユーザの感情を推定してもよい。また、例えば、情報処理装置100は、ユーザの心拍や血圧等の生体情報やユーザの顔を撮像した画像情報等を用いてユーザの感情を推定してもよい。なお、上記は一例であり、情報処理装置100は、ユーザの感情を推定可能であれば、どのような手法により推定してもよい。例えば、情報処理装置100は、ユーザの発話のトーン(音の調子)などにより、ユーザの感情を推定してもよい。例えば、情報処理装置100は、ユーザの発話のトーン(音の調子)が高い場合、ユーザの感情を喜びや楽しみのプラスの感情であると推定してもよい。例えば、情報処理装置100は、ユーザの発話のトーン(音の調子)が弱い場合、ユーザの感情を怒りや悲しみのマイナスの感情であると推定してもよい。例えば、情報処理装置100は、ユーザが購買した商品の数や金額が所定の閾値以上である場合、ユーザの感情を喜びや楽しみのプラスの感情であると推定してもよい。例えば、情報処理装置100は、ユーザが購買した商品の数や金額が所定の閾値未満である場合、ユーザの感情を怒りや悲しみのマイナスの感情であると推定してもよい。
For example, the
例えば、コンテキスト情報には、気温が高、中、低のうちいずれに対応するかを示す情報が含まれてもよい。例えば、コンテキスト情報には、気温が、平均気温に対して高(+5℃以上等)、中(±5℃未満)、低(−5℃以下等)のうちいずれに対応するかを示す情報が含まれてもよい。例えば、コンテキスト情報には、気圧が高、中、低のうちいずれに対応するかを示す情報が含まれてもよい。例えば、コンテキスト情報には、気圧が、直前(例えば10分前や1時間前等)の気圧に対して高(+1ヘクトパスカル以上等)、中(±1ヘクトパスカル未満)、低(−1ヘクトパスカル以下等)のうちいずれに対応するかを示す情報が含まれてもよい。例えば、コンテキスト情報には、操作内容に関する情報が含まれてもよい。例えば、コンテキスト情報には、どんな操作(プッシュ通知)かを示す情報や通知内容のカテゴリを示す情報や、アプリティザーかどうかを示す情報などの種々の情報が含まれてもよい。なお、上記は例示であり、コンテキスト情報には、上記に限らず種々の情報が含まれてもよい。 For example, the context information may include information indicating whether the temperature corresponds to high, medium, or low. For example, the context information includes information indicating whether the temperature corresponds to the high (+ 5 ° C. or more), the medium (less than ± 5 ° C.), or the low (−5 ° C. or less) with respect to the average temperature. May be included. For example, the context information may include information indicating whether the atmospheric pressure corresponds to high, medium, or low. For example, in the context information, the air pressure is higher (more than +1 hPa), medium (less than ± 1 hPa), lower (less than -1 hPa) or less than the air pressure just before (for example, 10 minutes before or 1 hour before). ) May be included. For example, the context information may include information on the operation content. For example, the context information may include various information such as information indicating what kind of operation (push notification), information indicating a category of notification content, and information indicating whether or not an applicator. Note that the above is only an example, and the context information is not limited to the above and may include various information.
例えば、コンテキスト情報には、ユーザや端末装置10の状況やユーザや端末装置10の環境(背景)に基づいて推定されるユーザの状況等に関する情報が含まれてもよい。また、コンテキスト情報には、ユーザに提供されるコンテンツの内容、ユーザが反応したコンテンツの内容、ユーザの属性、ユーザの現在位置、現在時刻、ユーザが置かれた物理環境、ユーザが置かれた社会環境、ユーザの運動状態、および、推定されるユーザの感情等の種々の情報が含まれてもよい。また、コンテキスト情報には、ユーザや端末装置10の状況やユーザや端末装置10の環境(背景)に基づいて推定されるユーザの心理状態等の種々の情報が含まれてもよい。
For example, the context information may include information on the status of the user or the
情報提供装置50は、種々のオープンデータを有する情報処理装置である。例えば、情報提供装置50は、オープンデータを提供する。情報提供装置50は、いわゆる広く開かれた利用が許可されているデータであるオープンデータを情報処理装置100へ提供する情報処理装置である。例えば、情報提供装置50は、各自治体が管理し、自治体が保有するデータをオープンデータとして外部に提供する情報処理装置であってもよい。また、例えば、情報提供装置50は、気象庁が管理するサーバ等の種々の情報処理装置であってもよい。情報提供装置50は、利用が許可されているデータ(情報)であれば、上記に限らず、道路情報等の交通に関するオープンデータや天気や気温等の気象に関するオープンデータや地理空間情報、防災・減災情報、調達情報、統計情報等の種々のオープンデータを提供してもよい。
The information providing device 50 is an information processing device having various types of open data. For example, the information providing device 50 provides open data. The information providing device 50 is an information processing device that provides open data, which is data that is permitted to be widely opened to the user, to the
例えば、情報提供装置50は、AエリアやBエリア等のオープンデータを情報処理装置100へ提供する。例えば、情報提供装置50は、AエリアやBエリア等に関する環境情報を情報処理装置100へ提供する。例えば、情報提供装置50は、Aエリアの交通情報等の種々の環境情報を情報処理装置100へ提供する。例えば、情報提供装置50は、Bエリアの交通情報や人口構成に関する情報等の種々の環境情報を情報処理装置100へ提供する。このように、環境情報には、ユーザの周辺における道路情報や気象情報等の種々の情報が含まれてもよい。
For example, the information providing apparatus 50 provides the open data of the A area, the B area, and the like to the
情報処理装置100は、コンテンツの配信に関するコンテキスト情報に基づいて、コンテンツの配信における収益性を予測する予測情報を生成する情報処理装置である。情報処理装置100は、コンテンツの配信における収益性を予測する予測情報を生成する生成装置である。なお、ここでいうコンテンツの配信における収益性とは、コンテンツの配信により所定の主体に収益(利益)をもたらす可能性があるものであれば、種々のものであってもよい。コンテンツの配信における収益性は、コンテンツの配信に関連する主体であれば、どの主体における収益性であってもよい。例えば、コンテンツの配信における収益性は、配信されたコンテンツに関する商品をユーザが購入することにより、商品の提供元が得る利益を示すものであってもよい。例えば、ユーザがコンテンツを閲覧する時間が長い程、そのコンテンツに関するユーザの購買等の所定の主体に収益(利益)をもたらす行動が起こる可能性が高いと推定されるため、コンテンツの配信における収益性は、配信されたコンテンツをユーザがどの程度の時間閲覧するかを示すものであってもよい。図1の例では、情報処理装置100は、コンテンツの配信における収益性を予測する予測情報として、配信されたコンテンツがユーザにどの程度閲覧されるかを示す情報を生成する。
The
情報処理装置100は、所定のエリアに位置するユーザが利用する端末装置10においてプッシュ通知されたコンテンツに対する、当該ユーザの所定の操作の有無を示す操作情報に基づいて、所定のエリアとは異なる他のエリアに位置するユーザが利用する端末装置10にコンテンツがプッシュ通知される場合に、当該コンテンツに対する当該ユーザの所定の操作の有無を予測する予測情報を生成する情報処理装置である。例えば、情報処理装置100は、端末装置10から位置情報を含む行動情報等の種々の情報を取得する。また、例えば、情報処理装置100は、情報提供装置50からオープンデータ等の種々の情報を取得する。
The
ここから、図1を用いて、情報処理装置100(図3参照)による情報処理の一例を説明する。まず、図1に示すマップ情報MP1について、簡単に説明する。図1に示すマップ情報MP1は、所定の範囲に含まれるエリア等を模式的に示す図である。例えば、マップ情報MP1は、AエリアやBエリアへの端末装置10へのプッシュ通知の状況を模式的に示すための図である。
Hereinafter, an example of information processing by the information processing apparatus 100 (see FIG. 3) will be described with reference to FIG. First, the map information MP1 shown in FIG. 1 will be briefly described. Map information MP1 shown in FIG. 1 is a diagram schematically showing an area or the like included in a predetermined range. For example, the map information MP1 is a diagram for schematically illustrating a status of a push notification to the
図1の例では、情報処理装置100は、あるユーザが利用する端末装置10に所定のコンテンツがプッシュ通知され、ユーザにより開封されたことを示す情報を取得する(ステップS1−1)。例えば、情報処理装置100は、Aエリアに位置するユーザU1(図4参照)が利用する端末装置10に所定のコンテンツ(例えばコンテンツCT11等)がプッシュ通知され、ユーザU1により開封されたことを示す情報を取得する。このように、「ユーザU*(*は任意の数値)」と記載した場合、そのユーザはユーザID「U*」により識別されるユーザであることを示す。例えば、「ユーザU1」と記載した場合、そのユーザはユーザID「U1」により識別されるユーザである。
In the example of FIG. 1, the
例えば、情報処理装置100は、Aエリアの部分エリアLC1−1内に位置するユーザU1が利用する端末装置10に所定のコンテンツがプッシュ通知され、ユーザU1により開封されたことを示す情報を取得する。なお、部分エリアLC1−1は、Aエリアにおける所定の範囲内のエリアであってもよい。部分エリアLC1−1は、部分エリアLC1−1の範囲内を代表する1つの位置情報であってもよい。例えば、部分エリアLC1−1は、部分エリアLC1−1の範囲内の中心の位置情報であってもよい。また、部分エリアLC1−1は、部分エリアLC1−1の範囲内の中心の位置情報とその中心からの範囲(例えば100m以内等)を示す情報の組み合わせであってもよい。また、部分エリアLC1−1は、部分エリアLC1−1の範囲内の位置の一覧であってもよい。また、図1の例では、情報処理装置100は、ステップS1−1で通知されたコンテンツ(コンテンツCT11)が開封後に、ユーザにより時間RTM1の間閲覧されたことを示す情報を取得する(ステップS2)。例えば、情報処理装置100は、ステップS1−1で通知されたコンテンツが開封後に、ユーザの端末装置10に時間RTM1の間表示されたことを示す情報を取得してもよい。
For example, the
なお、情報処理装置100は、ユーザへ配信したコンテンツのみに限らず、そのコンテンツ配信後において、そのコンテンツと所定の関連を有するコンテンツ群全体のユーザの閲覧時間を示す情報を用いてもよい。例えば、情報処理装置100は、ユーザU1へ配信したコンテンツCT11のみに限らず、そのコンテンツCT11配信後において、そのコンテンツCT11と所定の関連を有するコンテンツ群全体のユーザU1の閲覧時間を示す情報を用いてもよい。例えば、情報処理装置100は、ユーザU1へのコンテンツCT11配信後において、そのコンテンツCT11が属するサイト(サイトSTX)のコンテンツ群全体のユーザU1の閲覧時間を示す情報を用いてもよい。すなわち、情報処理装置100は、サイトSTXに関連するコンテンツのユーザへの配信後に、サイトSTXに関連するコンテンツ群をユーザが閲覧した時間(収益性)を、予測情報の生成の対象としてもよい。この場合、例えば、情報処理装置100は、サイトSTXに関連するコンテンツのユーザへの配信後に、ユーザの行動によりサイトSTXを運営する事業者が得る利益(収益性)を、予測情報の生成の対象としてもよい。
The
例えば、情報処理装置100は、端末装置10から取得した情報を行動情報記憶部123(図5参照)に格納する。なお、端末装置10へのコンテンツの提供は、情報処理装置100が予測情報の生成に用いる情報を取得可能であれば、情報処理装置100が行ってもよいし、他の装置が行ってもよい。例えば、端末装置10へのコンテンツの提供は、情報処理装置100が予測情報の生成に用いる情報を取得可能であれば、どの装置が行ってもよい。
For example, the
また、図1の例では、情報処理装置100は、あるユーザが利用する端末装置10に所定のコンテンツがプッシュ通知され、ユーザにより開封されなかったことを示す情報を取得する(ステップS1−2)。例えば、情報処理装置100は、Aエリアに位置するユーザU2(図4参照)が利用する端末装置10に所定のコンテンツがプッシュ通知され、ユーザU2により開封されなかったことを示す情報を取得する。例えば、情報処理装置100は、Aエリアの部分エリアLC1−2内に位置するユーザU2が利用する端末装置10に所定のコンテンツがプッシュ通知され、ユーザU2により開封されなかったことを示す情報を取得する。
In the example of FIG. 1, the
なお、図1の例では、説明を簡単にするために、ステップS1−1、S1−2の2回のプッシュ通知に関するユーザの操作を図示するが、Aエリア内に位置するユーザに対して多数(例えば1000万回等)のプッシュ通知がされ、その通知に対するユーザの開封操作の有無を示す操作情報等の行動情報を情報処理装置100が取得するものとする。また、ステップS1−1、S1−2は、処理を説明するためのものであり、ステップS1−1、S1−2のいずれが先に行われてもよく、各ステップS1−1、S1−2は、複数回行われてもよい。以下、ステップS1−1、S1−2を区別せずに説明する場合、ステップS1と総称する。
In addition, in the example of FIG. 1, for simplicity of explanation, user operations related to two push notifications in steps S1-1 and S1-2 are illustrated. It is assumed that a push notification (for example, 10 million times) is issued, and the
また、情報処理装置100は、ステップS1において取得したプッシュ通知に関するユーザの行動情報に基づいて、予測情報を生成するために用いるモデルを生成する(ステップS3)。例えば、情報処理装置100は、Aエリアにおける第1ユーザの行動情報に基づいて、コンテンツの配信における収益性を予測するモデルを生成する。例えば、情報処理装置100は、Aエリアにおける第1ユーザのコンテキスト情報に基づいて、コンテンツの配信における収益性を予測するモデルを生成する。例えば、情報処理装置100は、コンテキスト情報に基づいて、配信されたコンテンツが開封され、どの程度閲覧されるかを予測するモデルを生成する。例えば、情報処理装置100は、オープンデータ記憶部121やユーザ情報記憶部122や行動情報記憶部123等に格納された各種情報に基づいて、プッシュ通知における収益性を予測するモデルを生成する。
Further, the
例えば、情報処理装置100は、オープンデータ記憶部121に記憶されたAエリアの環境情報に基づいて、モデルを生成する。例えば、情報処理装置100は、ユーザ情報記憶部122に記憶されたAエリアに位置するユーザのユーザ情報に基づいて、モデルを生成する。例えば、情報処理装置100は、行動情報記憶部123に記憶されたAエリアに位置するユーザの行動情報に基づいて、モデルを生成する。また、例えば、情報処理装置100は、ユーザにプッシュ通知されたコンテンツに関する情報を加味してモデルを生成してもよい。例えば、情報処理装置100は、ユーザにプッシュ通知されたコンテンツのカテゴリを要素とする特徴量を含むモデルを生成してもよい。
For example, the
例えば、情報処理装置100は、プッシュ通知されたコンテンツが開封された場合の情報を正解情報(正例)として、プッシュ通知における収益性を予測するモデルを生成してもよい。例えば、情報処理装置100は、プッシュ通知されたコンテンツが開封された場合のユーザのユーザ情報やユーザの位置情報やユーザの行動情報やユーザの環境情報等の種々のコンテキスト情報を正解情報として、プッシュ通知における収益性を予測するモデルを生成してもよい。例えば、情報処理装置100は、ユーザU1が部分エリアLC1−1においてプッシュ通知されたコンテンツを開封した場合、ユーザU1のユーザ情報やユーザU1の位置情報やユーザU1の行動情報やユーザU1の環境情報等の種々のコンテキスト情報を正解情報として、プッシュ通知における収益性を予測するモデルを生成してもよい。
For example, the
図1の例では、情報処理装置100は、コンテンツが開封された場合、コンテンツ開封後のユーザのコンテンツの閲覧時間に基づいて、収益性を示す複数のレベルのうちいずれに該当するかで各配信の収益性のレベルを決定する。
In the example of FIG. 1, when the content is opened, the
例えば、情報処理装置100は、ユーザのコンテンツの閲覧時間が5秒未満である場合、その配信の収益性のレベルをレベルLV1として、スコア「1」を出力するように学習することにより、予測するモデルを生成する。例えば、情報処理装置100は、図1に示すユーザU1の閲覧時間である時間RTM1が5秒未満の所定の時間(例えば3秒)である場合、ユーザU1への配信におけるコンテキスト情報が入力された場合、スコア「1」を出力するように学習することにより、予測するモデルを生成する。
For example, when the browsing time of the content of the user is less than 5 seconds, the
また、例えば、情報処理装置100は、ユーザのコンテンツの閲覧時間が5秒以上1分未満である場合、その配信の収益性のレベルをレベルLV2として、スコア「2」を出力するように学習することにより、予測するモデルを生成する。例えば、情報処理装置100は、図1に示すユーザU1の閲覧時間である時間RTM1が5秒以上1分未満の所定の時間(例えば30秒)である場合、ユーザU1への配信におけるコンテキスト情報が入力された場合、スコア「2」を出力するように学習することにより、予測するモデルを生成する。
Further, for example, when the browsing time of the content of the user is 5 seconds or more and less than 1 minute, the
また、例えば、情報処理装置100は、ユーザのコンテンツの閲覧時間が1分以上5分未満である場合、その配信の収益性のレベルをレベルLV3として、スコア「3」を出力するように学習することにより、予測するモデルを生成する。例えば、情報処理装置100は、図1に示すユーザU1の閲覧時間である時間RTM1が1分以上5分未満の所定の時間(例えば2分)である場合、ユーザU1への配信におけるコンテキスト情報が入力された場合、スコア「3」を出力するように学習することにより、予測するモデルを生成してもよい。なお、上記は一例であり、情報処理装置100は、種々のレベルを用いて、また、情報処理装置100は、閲覧時間に限らず、種々の収益性を予測するモデルを生成してもよい。
Further, for example, when the browsing time of the content of the user is 1 minute or more and less than 5 minutes, the
また、例えば、情報処理装置100は、プッシュ通知されたコンテンツが開封されなかった場合の情報を不正解情報(負例)として、プッシュ通知における収益性を予測するモデルを生成してもよい。例えば、情報処理装置100は、ユーザがコンテンツの開封操作を行わなかった場合、その配信の収益性のレベルをレベルLV0として、スコア「0」を出力するように学習することにより、予測するモデルを生成する。例えば、情報処理装置100は、プッシュ通知されたコンテンツが開封されなかった場合のコンテキスト情報が入力された場合、スコア「0」を出力するように学習することにより、予測するモデルを生成してもよい。
Further, for example, the
例えば、情報処理装置100は、プッシュ通知されたコンテンツが開封されなかった場合のユーザのユーザ情報やユーザの位置情報やユーザの行動情報やユーザの環境情報等の種々のコンテキスト情報を不正解情報として、プッシュ通知における収益性を予測するモデルを生成してもよい。例えば、情報処理装置100は、ユーザU2が部分エリアLC1−2においてプッシュ通知されたコンテンツを開封しなかった場合、ユーザU2のユーザ情報やユーザU2の位置情報やユーザU2の行動情報やユーザU2の環境情報等の種々のコンテキスト情報を不正解情報として、プッシュ通知における収益性を予測するモデルを生成してもよい。
For example, the
図1の例では、情報処理装置100は、モデル情報MDに示すようにモデルM1のモデル情報を生成する。例えば、情報処理装置100は、モデル情報記憶部125(図7参照)に示すように、モデルM1を生成する。
In the example of FIG. 1, the
図7中のモデル情報記憶部125に示すモデルM1には、「特徴量#1」〜「特徴量#3」等の各特徴量(素性)に各重み(値)が対応付けて記憶される。例えば、図7に示す例において、モデルM1に関するモデル情報は、特徴量#1の重みが「0.5」、特徴量#2の重みが「−0.1」、特徴量#3の重みが「0.2」等であることを示す。なお、各モデルの生成は、機械学習に関する種々の従来技術を適宜用いて行われてもよい。例えば、モデルの生成は、SVM(Support Vector Machine)等の教師あり学習の機械学習に関する技術を用いて行われてもよい。また、例えば、モデルの生成は、教師なし学習の機械学習に関する技術を用いて行われてもよい。例えば、モデルの生成は、深層学習(ディープラーニング)の技術を用いて行われてもよい。例えば、モデルの生成は、DNN(Deep Neural Network)やRNN(Recurrent Neural Network)やCNN(Convolutional Neural Network)等の種々のディープラーニングの技術を適宜用いて行われてもよい。なお、上記モデルの生成に関する記載は例示であり、モデルの生成は、取得可能な情報等に応じて適宜選択された学習手法により行われてもよい。また、モデルの生成は、上記のコンテキスト情報を組み合わせたクロネッカー積を用いて行われてもよい。
In the model M1 shown in the model
例えば、情報処理装置100は、コンテンツの配信に関するコンテキスト情報を入力とし、入力に基づいてスコアを出力するモデルM1を生成する。例えば、情報処理装置100は、コンテキスト情報を入力とし、入力したコンテキスト情報に対応するコンテンツの配信における収益性を示すスコアを出力するモデルM1を生成する。例えば、情報処理装置100は、コンテキスト情報を入力とし、入力したコンテキスト情報に対応するコンテンツの配信における収益性のレベルを示すスコアを出力するモデルM1を生成する。
For example, the
そして、情報処理装置100は、生成したモデルM1に基づいて、予測情報を生成する。まず、情報処理装置100は、収益性を予測する対象となるユーザ(対象ユーザ)を決定する(ステップS4)。図1の例では、情報処理装置100は、Bエリアに位置するユーザU3を対象ユーザに決定する。情報処理装置100は、Aエリア以外の他のエリアであるBエリアに位置する第2ユーザであるユーザU3を対象ユーザに決定する。
Then, the
そして、情報処理装置100は、対象ユーザであるユーザU3のユーザ情報やユーザU3の位置(位置LC2−3)に対応する環境情報等の種々の情報を含むコンテキスト情報CINF3を取得する(ステップS5)。例えば、情報処理装置100は、ユーザ情報記憶部122(図4参照)に示すようなユーザ情報や行動情報記憶部123(図5参照)に示すようなユーザの行動情報を含むユーザU3のユーザ情報を取得する。例えば、情報処理装置100は、オープンデータ記憶部121(図3参照)からBエリアの環境情報等の種々の情報を取得してもよい。
Then, the
図1の例では、情報処理装置100は、処理群PS1に示すような処理により、Bエリアに位置するユーザU3にコンテンツを配信した場合における収益性を示すスコアを算出する。情報処理装置100は、Bエリアに位置するユーザU3にコンテンツを配信した場合に、ユーザU3がどの程度コンテンツを閲覧するかを示すスコアを算出する。情報処理装置100は、コンテキスト情報CINF3をモデルM1に入力する(ステップS6−1)。具体的には、情報処理装置100は、ユーザU3のユーザ情報やユーザU3の位置(位置LC2−3)に対応する環境情報等を含むコンテキスト情報CINF3をモデルM1に入力する。コンテキスト情報CINF3が入力されたモデルM1は、スコアを出力する(ステップS6−2)。図1の例では、コンテキスト情報CINF3が入力されたモデルM1は、スコアSC1−1に示すようなスコア「1.5」を出力する。
In the example of FIG. 1, the
そして、情報処理装置100は、モデルM1が出力したスコアに基づいて、Bエリアに位置するユーザU3にコンテンツを配信した場合における収益性を示す予測情報を生成する(ステップS7)。図1の例では、情報処理装置100は、収益性レベル一覧CTBを用いて、予測情報を生成する。情報処理装置100は、生成用情報記憶部127(図9参照)から収益性レベル一覧CTBに対応する情報を取得してもよい。
Then, based on the score output by the model M1, the
収益性レベル一覧CTB中の「スコア(範囲)」は、各レベルに対応するモデルが出力するスコアの範囲を示す。また、収益性レベル一覧CTB中の「開封確率(%)」は、スコアに対応する開封確率を示す。例えば、収益性レベル一覧CTB中の「開封確率(%)」は、モデルへの入力対象となったユーザがコンテンツを開封する確率を示す。収益性レベル一覧CTB中の「収益性(レベル)」は、各スコアの範囲に対応する収益性を示す。収益性レベル一覧CTB中の「収益性(レベル)」に示すレベルLV0〜レベルLV3は、レベルLV0が最も収益性が低いレベルに対応し、レベルLV0、レベルLV1、レベルLV2、レベルLV3の順で大きくなることを示す。 “Score (range)” in the profitability level list CTB indicates the range of the score output by the model corresponding to each level. “Open probability (%)” in the profitability level list CTB indicates the open probability corresponding to the score. For example, “opening probability (%)” in the profitability level list CTB indicates the probability that the user who has been input to the model opens the content. “Profitability (level)” in the profitability level list CTB indicates the profitability corresponding to each score range. In the profitability level list CTB, the levels LV0 to LV3 indicated by “profitability (level)” correspond to the level in which the level LV0 has the lowest profitability, and are in the order of the level LV0, the level LV1, the level LV2, and the level LV3. Indicates that it will grow.
図1に示す例では、モデルが出力するスコアが0以下である場合、開封確率は0%と予測されることを示す。また、モデルが出力するスコアが0以下である場合、収益性はレベルLV0であることを示す。また、モデルが出力するスコアが0より大きく1以下である場合、開封確率は0〜100%と予測されることを示す。例えば、モデルが出力するスコアが0.5である場合、開封確率は50%と予測されることを示す。また、モデルが出力するスコアが0より大きく1以下である場合、収益性はレベルLV1であることを示す。 The example shown in FIG. 1 indicates that if the score output by the model is 0 or less, the opening probability is predicted to be 0%. If the score output by the model is 0 or less, the profitability is at level LV0. When the score output by the model is greater than 0 and equal to or less than 1, it indicates that the opening probability is predicted to be 0 to 100%. For example, if the score output by the model is 0.5, it indicates that the opening probability is predicted to be 50%. When the score output by the model is greater than 0 and equal to or less than 1, it indicates that the profitability is at the level LV1.
また、モデルが出力するスコアが1より大きく2以下である場合、開封確率は100%と予測されることを示す。また、モデルが出力するスコアが1より大きく2以下である場合、収益性はレベルLV2であることを示す。また、モデルが出力するスコアが2より大きく3以下である場合、開封確率は100%と予測されることを示す。また、モデルが出力するスコアが2より大きく3以下である場合、収益性はレベルLV3であることを示す。 If the score output by the model is greater than 1 and equal to or less than 2, it indicates that the opening probability is predicted to be 100%. When the score output by the model is greater than 1 and equal to or less than 2, it indicates that the profitability is at the level LV2. If the score output by the model is greater than 2 and equal to or less than 3, it indicates that the opening probability is predicted to be 100%. When the score output by the model is greater than 2 and equal to or less than 3, it indicates that the profitability is level LV3.
情報処理装置100は、モデルM1が出力したスコア「1.5」と収益性レベル一覧CTBとを用いて、Bエリアに位置するユーザU3にコンテンツを配信した場合における収益性を示す予測情報を生成する。情報処理装置100は、スコア「1.5」と、収益性レベル一覧CTB中の各スコア(範囲)とを比較することにより、ユーザU3にコンテンツを配信した場合における収益性のレベルを決定する。情報処理装置100は、スコア「1.5」が、収益性レベル一覧CTB中の「1〜2」のスコア(範囲)に含まれるため、ユーザU3にコンテンツを配信した場合における開封確率を100%であると決定する。また、情報処理装置100は、スコア「1.5」が、収益性レベル一覧CTB中の「1〜2」のスコア(範囲)に含まれるため、ユーザU3にコンテンツを配信した場合における収益性のレベルをレベルLV2であると決定する。
Using the score “1.5” output by the model M1 and the profitability level list CTB, the
これにより、情報処理装置100は、Bエリアに位置するユーザU3にコンテンツを配信した場合における予測情報FINF3を生成する。図1の例では、情報処理装置100は、Bエリア内の位置LC2−3に位置するユーザU3にコンテンツを配信した場合、開封確率が100%であり、収益性のレベルがレベルLV2であることを示す予測情報FINF3を生成する。
Thereby, the
上述のように、情報処理装置100は、生成したモデルM1を用いることにより、適切にコンテンツ配信における収益性を予測する予測情報を生成することができる。具体的には、情報処理装置100は、Aエリアの第1ユーザの情報により生成したモデルM1を用いて、Aエリアとは異なるBエリアの第2ユーザであるユーザU3を対象ユーザとして、適切にコンテンツ配信における収益性を予測する予測情報を生成することができる。これにより、情報処理装置100は、収益性の向上に貢献しそうなユーザを可視化することができる。なお、プル型のコンテンツ配信のように、ユーザの開封操作なしでコンテンツが表示される場合、情報処理装置100は、モデルM1が出力するスコアに基づいて収益性のレベルのみを示す予測情報を生成してもよい。
As described above, by using the generated model M1, the
〔1−1.情報の生成例〕
なお、図1は一例であり、情報処理装置100は、上記に限らず、種々の情報を生成してもよい。この点について、図11を用いて以下説明する。図11は、実施形態に係る情報処理の一例を示す図である。図11において図1と同様の点については適宜説明を省略する場合がある。図11の例では、情報処理装置100(図3参照)が所定のエリアAR11(Aエリア)におけるプッシュ通知に関するユーザの操作情報等の行動情報に基づいて、他のエリアAR21(Bエリア)にプッシュ通知に関する予測情報を生成する場合を示す。なお、図11の例では、コンテンツ配信の一形態としてプッシュ通知を例として示すが、コンテンツ配信は種々の態様であってもよい。例えば、情報処理システム1におけるコンテンツ配信は、プッシュ通知に限らず、端末装置10からコンテンツを要求する、いわゆるプル型のコンテンツ配信であってもよい。
[1-1. Example of information generation)
FIG. 1 is an example, and the
例えば、図11の例では、Bエリアにおけるプッシュ通知に関する実際のユーザの操作情報等の行動情報が不足している等の理由により、Bエリアにおけるプッシュ通知の開封率の分布情報を精度よく生成することが難しい場合を示す。例えば、プッシュ通知は、ユーザによる端末装置10の操作に依らず、端末装置10において出力される情報であってもよい。例えば、プッシュ通知は、所定の情報を能動的にユーザに通知することであってもよい。また、ここでいう開封率とは、例えば、端末装置10に表示されたプッシュ通知をユーザが開封操作を行った割合を示す。また、開封操作とは、プッシュ通知に対する選択や指定等のユーザの所定の操作であってもよい。例えば、開封操作とは、プッシュ通知に関する情報を端末装置10に表示させるユーザの所定の操作であってもよい。例えば、図11の例では、ステップS10に示すように、Bエリアにおける通知回数は少ないものとする。なお、ステップS10は、Bエリアの通知回数が少ないことを図示するためのものであり、処理手順には含まれなくてもよい。
For example, in the example of FIG. 11, distribution information of the opening ratio of push notifications in the B area is accurately generated because action information such as actual user operation information regarding push notifications in the B area is insufficient. Indicates when it is difficult. For example, the push notification may be information output on the
まず、図11に示すマップ情報MP1−1〜MP1−3について、簡単に説明する。図11に示すマップ情報MP1−1〜MP1−3は、所定の範囲に含まれるエリア等を模式的に示す図である。例えば、マップ情報MP1−1は、AエリアやBエリアへの端末装置10へのプッシュ通知の状況を模式的に示すための図である。また、例えば、マップ情報MP1−2は、Aエリアにおける端末装置10へのプッシュ通知の開封率の分布情報を模式的に示すための図である。また、例えば、マップ情報MP1−3は、Bエリアにおける端末装置10へのプッシュ通知の開封率の予測情報を模式的に示すための図である。また、マップ情報MP1−1〜MP1−3に示す範囲(エリア)は、同一のエリアである。また、以下では、マップ情報MP1−1〜MP1−3について、特に区別なく説明する場合には、マップ情報MP1と記載する。
First, the map information MP1-1 to MP1-3 shown in FIG. 11 will be briefly described. Map information MP1-1 to MP1-3 shown in FIG. 11 are diagrams schematically showing areas and the like included in a predetermined range. For example, the map information MP1-1 is a diagram for schematically illustrating a status of a push notification to the
図11の例では、情報処理装置100は、あるユーザが利用する端末装置10に所定のコンテンツがプッシュ通知され、ユーザにより開封されたことを示す情報を取得する(ステップS11−1)。例えば、情報処理装置100は、Aエリアに位置するユーザU1(図4参照)が利用する端末装置10に所定のコンテンツ(例えばコンテンツCT11等)がプッシュ通知され、ユーザU1により開封されたことを示す情報を取得する。例えば、情報処理装置100は、Aエリアの部分エリアLC1−1内に位置するユーザU1が利用する端末装置10に所定のコンテンツがプッシュ通知され、ユーザU1により開封されたことを示す情報を取得する。なお、部分エリアLC1−1は、Aエリアにおける所定の範囲内のエリアであってもよい。また、図11の例では、情報処理装置100は、ステップS11−1で通知されたコンテンツ(コンテンツCT11)が開封後に、ユーザにより時間RTM1の間閲覧されたことを示す情報を取得してもよい。例えば、情報処理装置100は、ステップS11−1で通知されたコンテンツが開封後に、ユーザの端末装置10に時間RTM1の間表示されたことを示す情報を取得してもよい。
In the example of FIG. 11, the
例えば、情報処理装置100は、端末装置10から取得した情報を行動情報記憶部123(図5参照)に格納する。なお、端末装置10へのコンテンツの提供は、情報処理装置100が予測情報の生成に用いる情報を取得可能であれば、情報処理装置100が行ってもよいし、他の装置が行ってもよい。例えば、端末装置10へのコンテンツの提供は、情報処理装置100が予測情報の生成に用いる情報を取得可能であれば、どの装置が行ってもよい。
For example, the
また、図11の例では、情報処理装置100は、あるユーザが利用する端末装置10に所定のコンテンツがプッシュ通知され、ユーザにより開封されなかったことを示す情報を取得する(ステップS11−2)。例えば、情報処理装置100は、Aエリアに位置するユーザU2(図4参照)が利用する端末装置10に所定のコンテンツがプッシュ通知され、ユーザU2により開封されなかったことを示す情報を取得する。例えば、情報処理装置100は、Aエリアの部分エリアLC1−2内に位置するユーザU2が利用する端末装置10に所定のコンテンツがプッシュ通知され、ユーザU2により開封されなかったことを示す情報を取得する。
In the example of FIG. 11, the
なお、図11の例では、説明を簡単にするために、ステップS11−1、S11−2の2回のプッシュ通知に関するユーザの操作を図示するが、Aエリア内に位置するユーザに対して多数(例えば1000万回等)のプッシュ通知がされ、その通知に対するユーザの開封操作の有無を示す操作情報等の行動情報を情報処理装置100が取得するものとする。また、ステップS11−1、S11−2は、処理を説明するためのものであり、ステップS11−1、S11−2のいずれが先に行われてもよく、各ステップS11−1、S11−2は、複数回行われてもよい。以下、ステップS11−1、S11−2を区別せずに説明する場合、ステップS11と総称する。
Note that, in the example of FIG. 11, for simplicity of explanation, user operations related to two push notifications in steps S11-1 and S11-2 are illustrated. It is assumed that a push notification (for example, 10 million times) is issued, and the
そして、情報処理装置100は、プッシュ通知に関する操作情報等の行動情報に基づいて、分布情報を生成する(ステップS12)。例えば、情報処理装置100は、プッシュ通知に関する操作情報に基づいて、コンテンツの開封率を算出することにより、分布情報を生成する。例えば、情報処理装置100は、ステップS11において取得した操作情報に基づいて生成した分布情報を分布情報記憶部124(図6参照)に記憶する。例えば、情報処理装置100は、Aエリアを集計対象エリアとする分布情報を分布情報記憶部124に記憶する。
Then, the
図6中の分布情報記憶部124に示す「集計対象エリア」は、分布情報を収集する対象となったエリアを示す。また、図6中の分布情報記憶部124に示す「分布情報」は、集計対象エリアについて収集された分布情報を示す。図6中の分布情報記憶部124に示す「部分エリア」は、集計対象エリア内の部分エリアを示す。図6中の分布情報記憶部124に示す「プッシュ回数」は、対応する部分エリアに位置するユーザにプッシュ通知が行われた回数を示す。また、図6中の分布情報記憶部124に示す「開封回数」は、対応する部分エリアに位置するユーザがプッシュ通知を開封した回数を示す。また、「開封率(%)」は、対応する部分エリアに位置するユーザがプッシュ通知を開封した割合(=開封回数/プッシュ回数×100)を示す。例えば、「開封率(%)」は、0〜100(%)の値となる。例えば、情報処理装置100は、開封率を算出する。
“Aggregation target area” shown in the distribution
例えば、図6中の分布情報記憶部124に示す例において、集計対象エリア「Aエリア」についての分布情報は、Aエリア内の部分エリアLC1−1に位置するユーザに「10000(回)」のプッシュ通知が行われたことを示す。また、例えば、部分エリアLC1−1に位置するユーザがプッシュ通知を「2000(回)」開封したことを示す。また、例えば、部分エリアLC1−1に位置するユーザの開封率が、1万回の通知のうち、2千回開封されているため、「20(%)」であることを示す。例えば、情報処理装置100は、部分エリアLC1−1に位置するユーザの開封率を、「20%(=2000/10000*100)」と算出する。
For example, in the example illustrated in the distribution
なお、情報処理装置100は、上記に限らず、種々の情報により、開封率を算出してもよい。例えば、情報処理装置100は、モデルM11が出力したスコア自体を用いて、部分エリアLC1−1に位置するユーザの開封率を算出してもよい。例えば、情報処理装置100は、部分エリアLC1−1におけるコンテンツ配信のコンテキスト情報が入力されたモデルM11が出力したスコアの平均値を、部分エリアLC1−1に位置するユーザの開封率として算出してもよい。例えば、情報処理装置100は、部分エリアLC1−1におけるコンテンツ配信についてモデルM11が出力したスコアの合計値を、出力回数で除することにより、部分エリアLC1−1に位置するユーザの開封率を算出してもよい。例えば、情報処理装置100は、部分エリアLC1−1におけるコンテンツ配信についてモデルM11が出力したスコアの合計値が「45(=0.2+0.5+…)」であり、出力回数が「100」回である場合、部分エリアLC1−1に位置するユーザの開封率を「45%(=45/100*100)」と算出してもよい。
In addition, the
図11の例では、情報処理装置100は、Aエリアを集計対象エリアとする分布情報DM11を生成する。図11中のマップ情報MP1−2のAエリアに示す分布情報DM11は、各部分エリアにおける開封率の高低をヒートマップのような表示態様で示す。図11の例では、ハッチングが濃い部分エリア程、開封率の高いことを示す。図11の例では、分布情報DM11は、Aエリア中の部分エリアLC1−1等において開封率の高いことを示す。また、図11の例では、分布情報DM11は、Aエリア中の部分エリアLC1−2等において開封率の低いことを示す。すなわち、Aエリアにおいては、その中央部付近での開封率が高く、中心から離れるにつれて開封率が低下することを示す。
In the example of FIG. 11, the
また、情報処理装置100は、ステップS11において取得したプッシュ通知に関する操作情報等の行動情報に基づいて、予測情報を生成するために用いるモデルを生成する(ステップS13)。例えば、情報処理装置100は、Aエリアにおける操作情報等の行動情報に基づいて、プッシュ通知を開封するかどうかを予測するモデルを生成する。例えば、情報処理装置100は、コンテキスト情報に基づいて、コンテンツの配信における収益性を予測するモデルを生成する。例えば、情報処理装置100は、コンテキスト情報に基づいて、配信されたコンテンツが開封されるかを予測するモデルを生成する。例えば、情報処理装置100は、オープンデータ記憶部121やユーザ情報記憶部122や行動情報記憶部123等に格納された各種情報に基づいて、プッシュ通知を開封するかどうかを予測するモデルを生成する。例えば、情報処理装置100は、オープンデータ記憶部121に記憶されたAエリアの環境情報に基づいて、モデルを生成する。例えば、情報処理装置100は、ユーザ情報記憶部122に記憶されたAエリアに位置するユーザのユーザ情報に基づいて、モデルを生成する。例えば、情報処理装置100は、行動情報記憶部123に記憶されたAエリアに位置するユーザの行動情報に基づいて、モデルを生成する。また、例えば、情報処理装置100は、ユーザにプッシュ通知されたコンテンツに関する情報を加味してモデルを生成してもよい。
In addition, the
例えば、情報処理装置100は、プッシュ通知されたコンテンツが開封された場合の情報を正解情報(正例)として、プッシュ通知を開封するかどうかを予測するモデルを生成してもよい。例えば、情報処理装置100は、プッシュ通知されたコンテンツが開封された場合のコンテキスト情報が入力された場合、スコア「1」を出力するように学習することにより、モデルM11を生成してもよい。例えば、情報処理装置100は、プッシュ通知されたコンテンツが開封された場合のユーザのユーザ情報やユーザの位置情報やユーザの行動情報やユーザの環境情報等の種々のコンテキスト情報を正解情報として、プッシュ通知を開封するかどうかを予測するモデルを生成してもよい。例えば、情報処理装置100は、ユーザU1が部分エリアLC1−1においてプッシュ通知されたコンテンツを開封した場合、ユーザU1のユーザ情報やユーザU1の位置情報やユーザU1の行動情報やユーザU1の環境情報等の種々のコンテキスト情報を正解情報として、プッシュ通知を開封するかどうかを予測するモデルを生成してもよい。
For example, the
また、例えば、情報処理装置100は、プッシュ通知されたコンテンツが開封されなかった場合の情報を不正解情報(負例)として、プッシュ通知を開封するかどうかを予測するモデルを生成してもよい。例えば、情報処理装置100は、プッシュ通知されたコンテンツが開封されなかった場合のコンテキスト情報が入力された場合、スコア「0」を出力するように学習することにより、モデルM11を生成してもよい。例えば、情報処理装置100は、プッシュ通知されたコンテンツが開封されなかった場合のユーザのユーザ情報やユーザの位置情報やユーザの行動情報やユーザの環境情報等の種々のコンテキスト情報を不正解情報として、プッシュ通知を開封するかどうかを予測するモデルを生成してもよい。例えば、情報処理装置100は、ユーザU2が部分エリアLC1−2においてプッシュ通知されたコンテンツを開封しなかった場合、ユーザU2のユーザ情報やユーザU2の位置情報やユーザU2の行動情報やユーザU2の環境情報等の種々のコンテキスト情報を不正解情報として、プッシュ通知を開封するかどうかを予測するモデルを生成してもよい。
In addition, for example, the
図11の例では、情報処理装置100は、モデル情報MDに示すようにモデルM11のモデル情報を生成する。例えば、情報処理装置100は、モデル情報記憶部125(図7参照)に示すように、モデルM11を生成する。例えば、情報処理装置100は、コンテンツの配信に関するコンテキスト情報を入力とし、入力に基づいてスコアを出力するモデルM11を生成する。例えば、情報処理装置100は、コンテキスト情報を入力とし、入力したコンテキスト情報に対応するコンテンツの配信においてユーザが所定の行動を行う確率を示すスコアを出力するモデルM11を生成する。この場合、情報処理装置100は、モデルM11が出力するスコアを、ユーザが所定の行動を行う確率を示す値として用いてもよい。例えば、情報処理装置100は、モデルM11が出力するスコアを、ユーザがコンテンツを開封する開封確率を示す値として用いてもよい。例えば、情報処理装置100は、コンテキスト情報を入力とし、入力したコンテキスト情報に対応するコンテンツの配信においてユーザが所定の行動を行う可能性の程度を示すスコアを出力するモデルM11を生成する。例えば、情報処理装置100は、コンテキスト情報を入力とし、入力したコンテキスト情報に対応するコンテンツの配信においてユーザが所定の行動を行う度合い(レベル)を示すスコアを出力するモデルM11を生成する。
In the example of FIG. 11, the
例えば、情報処理装置100は、ユーザ情報やユーザの位置する周囲の環境情報等のコンテキスト情報が入力されたモデルM11が出力したスコアが「0.7」である場合、そのユーザがプッシュ通知を開封する確率が「70%(=0.7*100)」であると判定してもよい。例えば、情報処理装置100は、モデルM11が出力する0〜1の値の範囲のスコアを、0%〜100%に対応付けてもよい。例えば、情報処理装置100は、コンテキスト情報が入力されたモデルM11が出力したスコアが「0」である場合、そのユーザがプッシュ通知を開封する確率が「0%(=0*100)」であると判定してもよい。例えば、情報処理装置100は、コンテキスト情報が入力されたモデルM11が出力したスコアが「1」である場合、そのユーザがプッシュ通知を開封する確率が「100%(=1*100)」であると判定してもよい。
For example, if the score output by the model M11 to which context information such as user information and surrounding environment where the user is located is input is “0.7”, the
また、例えば、情報処理装置100は、モデルM11が0未満の値、すなわちマイナス値のスコアを出力する場合、マイナス値のスコアを、0%に対応付けてもよい。例えば、情報処理装置100は、コンテキスト情報が入力されたモデルM11が出力したスコアが「−1」である場合、そのユーザがプッシュ通知を開封する確率が「0%」であると判定してもよい。この場合、例えば、情報処理装置100は、プッシュ通知されたコンテンツが開封されなかった場合のコンテキスト情報が入力された場合、0以下のスコアを出力するように学習することにより、モデルM11を生成してもよい。
Further, for example, when the model M11 outputs a value less than 0, that is, a negative score, the
また、例えば、情報処理装置100は、モデルM11が1より大きい値のスコアを出力する場合、1より大きい値のスコアを、100%に対応付けてもよい。例えば、情報処理装置100は、コンテキスト情報が入力されたモデルM11が出力したスコアが「3」である場合、そのユーザがプッシュ通知を開封する確率が「100%」であると判定してもよい。このように、情報処理装置100は、コンテキスト情報を入力とし、入力したコンテキスト情報に対応するコンテンツの配信においてユーザが所定の行動を行う確率(程度)を示すスコアを出力するモデルM11を生成してもよい。この場合、例えば、情報処理装置100は、プッシュ通知されたコンテンツが開封された場合のコンテキスト情報が入力された場合、1以上のスコアを出力するように学習することにより、モデルM11を生成してもよい。例えば、情報処理装置100は、開封されたコンテンツによる収益に応じて、コンテキスト情報が入力された場合、1以上のスコアを出力するように学習することにより、モデルM11を生成してもよい。
Further, for example, when the model M11 outputs a score having a value greater than 1, the
例えば、情報処理装置100は、ユーザ情報やユーザの位置する周囲の環境情報等のコンテキスト情報を入力とし、入力に基づいてスコアを出力するモデルM11を生成する。例えば、情報処理装置100は、コンテキスト情報を入力とし、入力に基づいてスコアを出力するモデルM11を生成する。例えば、情報処理装置100は、ユーザ情報やユーザの位置する周囲の環境情報等のコンテキスト情報を入力とし、入力に基づいてスコアをモデルM11が出力するスコアが所定の閾値(例えば、「0.5」等)以上である場合に、そのユーザがプッシュ通知されるコンテンツを開封すると判定してもよい。例えば、情報処理装置100は、生成したモデルM11をモデル情報記憶部125(図7参照)に記憶してもよい。なお、図11に示すモデルM11は、図1に示すモデルM1と同じモデルであってもよい。
For example, the
なお、各モデルの生成は、機械学習に関する種々の従来技術を適宜用いて行われてもよい。例えば、モデルの生成は、SVM(Support Vector Machine)等の教師あり学習の機械学習に関する技術を用いて行われてもよい。また、例えば、モデルの生成は、教師なし学習の機械学習に関する技術を用いて行われてもよい。例えば、モデルの生成は、深層学習(ディープラーニング)の技術を用いて行われてもよい。例えば、モデルの生成は、DNN(Deep Neural Network)やRNN(Recurrent Neural Network)やCNN(Convolutional Neural Network)等の種々のディープラーニングの技術を適宜用いて行われてもよい。なお、上記モデルの生成に関する記載は例示であり、モデルの生成は、取得可能な情報等に応じて適宜選択された学習手法により行われてもよい。また、モデルの生成は、上記のコンテキスト情報を組み合わせたクロネッカー積を用いて行われてもよい。 The generation of each model may be performed by appropriately using various conventional techniques related to machine learning. For example, the generation of the model may be performed using a technology related to machine learning of supervised learning such as SVM (Support Vector Machine). Further, for example, the generation of the model may be performed using a technology related to machine learning of unsupervised learning. For example, the generation of the model may be performed using a technique of deep learning (deep learning). For example, the model may be generated by appropriately using various deep learning techniques such as DNN (Deep Neural Network), RNN (Recurrent Neural Network), and CNN (Convolutional Neural Network). Note that the description regarding the generation of the model is an example, and the generation of the model may be performed by a learning method appropriately selected according to information that can be obtained. Further, the generation of the model may be performed using a Kronecker product obtained by combining the above context information.
そして、情報処理装置100は、生成したモデルM11に基づいて、予測情報を生成する(ステップS14)。例えば、情報処理装置100は、生成したモデルM11に基づいて、コンテンツの開封率を算出することにより、予測情報を生成する。例えば、情報処理装置100は、モデルM11と、予測対象エリアであるBエリアに関する各種情報とに基づいて、Bエリアに関する予測情報を生成する。
Then, the
情報処理装置100は、予測対象エリアのオープンデータを取得する。図11の例では、情報処理装置100は、Bエリアの環境情報EDを取得する。例えば、情報処理装置100は、オープンデータ記憶部121(図3参照)からBエリアの環境情報等の種々の情報を取得してもよい。
The
また、例えば、情報処理装置100は、予測対象エリアに位置するユーザ情報を取得する。図11の例では、情報処理装置100は、Bエリアのユーザ情報UDを取得する。例えば、情報処理装置100は、ユーザ情報記憶部122(図4参照)に示すようなユーザ情報や行動情報記憶部123(図5参照)に示すようなユーザの行動情報を取得する。
Further, for example, the
例えば、情報処理装置100は、ユーザ情報記憶部122(図4参照)に格納された位置情報がBエリアに対応するユーザを対象として、Bエリアの予測情報を生成してもよい。例えば、情報処理装置100は、位置情報がBエリア内の部分エリアLC2−1であるユーザU3やBエリア内の部分エリアLC2−2であるユーザU4等を対象として、Bエリアの予測情報を生成してもよい。
For example, the
例えば、情報処理装置100は、ユーザU3のユーザ情報やユーザU3の環境情報等のコンテキスト情報をモデルM11に入力することにより、ユーザU3がプッシュ通知を開封するかを予測してもよい。例えば、情報処理装置100は、ユーザU3の位置情報や行動情報等を含む種々の情報をモデルM11に入力し、モデルM11が所定の閾値未満のスコアを出力した場合、ユーザU3がプッシュ通知を開封しないと判定してもよい。この場合、情報処理装置100は、ユーザU3がプッシュ通知を開封しないことを示す情報を記憶部120(図3参照)へ格納したり、部分エリアLC2−1においてプッシュ通知が1回行われることを示す情報を予測情報記憶部126(図8参照)に格納したりしてもよい。
For example, the
また、例えば、情報処理装置100は、ユーザU4のユーザ情報やユーザU4の環境情報等のコンテキスト情報をモデルM11に入力することにより、ユーザU4がプッシュ通知を開封するかを予測してもよい。例えば、情報処理装置100は、ユーザU4の位置情報や行動情報等を含む種々の情報をモデルM11に入力し、モデルM11が所定の閾値以上のスコアを出力した場合、ユーザU4がプッシュ通知を開封すると判定してもよい。この場合、情報処理装置100は、ユーザU4がプッシュ通知を開封することを示す情報を記憶部120へ格納したり、部分エリアLC2−2においてプッシュ通知が1回行われ、開封されることを示す情報を予測情報記憶部126(図8参照)に格納したりしてもよい。
Further, for example, the
例えば、情報処理装置100は、所定の時間帯にBエリアに位置するユーザを対象として、予測情報を生成してもよい。例えば、情報処理装置100は、朝の時間帯(6時〜10時)にBエリアに位置するユーザを対象として、朝のBエリアに対応する予測情報を生成してもよい。例えば、情報処理装置100は、夜の時間帯(19時〜23時)にBエリアに位置するユーザを対象として、夜のBエリアに対応する予測情報を生成してもよい。
For example, the
上述のように、情報処理装置100は、モデルM11と、種々の情報に基づいてBエリアに関する予測情報を生成する。例えば、情報処理装置100は、Bエリアを予測対象エリアとする予測情報を予測情報記憶部126記憶する。
As described above, the
図8中の予測情報記憶部126に示す「予測対象エリア」は、予測情報を生成する対象となったエリアを示す。また、図8中の予測情報記憶部126に示す「予測情報」は、予測対象エリアについて生成された予測情報を示す。図8中の予測情報記憶部126に示す「部分エリア」は、予測対象エリア内の部分エリアを示す。図8中の予測情報記憶部126に示す「プッシュ回数」は、予測情報の生成において、対応する部分エリアに位置するユーザにプッシュ通知が行われると予測された回数を示す。また、図8中の予測情報記憶部126に示す「開封回数」は、予測情報の生成において、対応する部分エリアに位置するユーザによってプッシュ通知の開封が行われると予測された回数を示す。また、図8中の予測情報記憶部126に示す「開封率(%)」は、予測情報の生成において、対応する部分エリアに位置するユーザがプッシュ通知を開封すると予測される割合(=開封回数/プッシュ回数×100)を示す。例えば、「開封率(%)」は、0〜100(%)の値となる。例えば、情報処理装置100は、ユーザの開封率を算出する。
The “prediction target area” shown in the prediction
例えば、図8中の予測情報記憶部126に示す例において、予測対象エリア「Bエリア」についての予測情報は、Bエリア内の部分エリアLC2−1に位置するユーザに「2000(回)」のプッシュ通知が行われると予測されることを示す。また、例えば、Bエリア内の部分エリアLC2−1に位置するユーザがプッシュ通知を「40(回)」開封すると予測されることを示す。また、例えば、Bエリア内の部分エリアLC2−1に位置するユーザの開封率が、2千回の通知のうち、40回開封されると予測されるため、「2(%)」であることを示す。例えば、情報処理装置100は、部分エリアLC2−1に位置するユーザの開封率を、「2%(=40/2000*100)」と算出する。
For example, in the example shown in the prediction
図11の例では、情報処理装置100は、Bエリアを予測対象エリアとする予測情報PM11を生成する。図11中のマップ情報MP1−3のBエリアに示す予測情報PM11は、各部分エリアにおける開封率の高低をヒートマップのような表示態様で示す。図11の例では、ハッチングが濃い部分エリア程、予測される開封率の高いことを示す。図11の例では、予測情報PM11は、Bエリア中の右下の部分エリア等において開封率の高いことを示す。図11の例では、予測情報PM11は、Bエリア中の部分エリアLC2−2等において開封率のやや高いことを示す。また、図11の例では、予測情報PM11は、Bエリア中の部分エリアLC2−1等において開封率の低いことを示す。すなわち、Bエリアにおいては、その右下部分付近での開封率が高く、右下から離れるにつれて開封率が低下することを示す。
In the example of FIG. 11, the
このように、情報処理装置100は、プッシュ通知の実績が不十分なBエリアについてプッシュ通知の開封率を予測する予測情報を生成する。これにより、情報処理装置100は、プッシュ通知の実績が不十分なBエリアについてもプッシュ通知に関する種々のサービスを精度よく行うことが可能となる。例えば、情報処理装置100は、人口が多いエリア等の情報が収集容易な地点については、そのエリアの情報を用いて分布情報を生成することが可能である。一方、情報処理装置100は、人口が少ない等の理由により取得可能な情報量が十分でないエリアについては、そのエリアの情報を用いて分布情報を生成することが難しい。そのため、情報処理装置100は、情報が十分なエリアの情報を用いて、情報が不十分なエリアの予測情報を生成することにより、情報が不十分なエリアについても所望の予測が可能となる。このように、情報処理装置100は、実績が十分に取得可能な所定のエリアの情報に基づいて、実績が不十分な取得可能な他のエリアにおけるユーザの所定の操作の有無を予測可能にすることができる。また、例えば、情報処理装置100は、特定のPOIが位置する周辺は開封率が高い傾向にあることを示す予測情報を生成することができる。例えば、情報処理装置100は、特定の属性のユーザが多いエリアは開封率が高い傾向にあることを示す予測情報等を生成することができる。また、例えば、情報処理装置100は、同じ位置であっても、時間帯に応じて予測情報を生成することにより、所定のイベントが行われるタイミングで開封率が高くなることを示す予測情報等を生成することができる。
As described above, the
上述のように情報処理装置100が生成する予測情報に基づいて、種々の予測が可能となる。例えば、情報処理装置100が位置(エリア等)及び時間(時間帯等)に基づく予測情報を生成することにより、生成された予測情報により、あるエリアにおいて開封率が高くなるタイミングが予測可能となる。例えば、情報処理装置100が位置(エリア等)及び時間(時間帯等)に基づく予測情報を生成することにより、生成された予測情報により、バス停付近のエリアであって、かつ、学生が集まるタイミングで、そのバス停付近での開封率が高くなること等が予測可能となる。また、情報処理装置100が位置(エリア等)及び時間(時間帯等)に基づく予測情報を生成することにより、生成された予測情報により、バス停付近のエリアであって、かつ、学生が集まるタイミング、かつバスが来る直前で、そのバス停付近での開封率が高くなること等が予測可能となる。
Various predictions can be performed based on the prediction information generated by the
また、例えば、情報処理装置100が位置(エリア等)及び時間(時間帯等)に基づく予測情報を生成することにより、生成された予測情報により、重要なレースが開催される競馬場付近のエリアであって、かつ、重要なレースが出走するタイミングで、その競馬場付近での開封率が高くなること等が予測可能となる。また、例えば、情報処理装置100が位置(エリア等)及び時間(時間帯等)に基づく予測情報を生成することにより、生成された予測情報により、重要なレースが開催される競馬場付近のエリアであって、かつ、重要なレースが出走前の所定のタイミング(例えば、出走前20分等)で、その競馬場付近での開封率が高くなること等が予測可能となる。また、情報処理装置100は、このような予測情報を用いて、エリアにおいて開封率が高くなる時間帯でのそのエリアにおける広告配信については、他の時間帯よりも料金を高くしてもよい。また、例えば、情報処理装置100は、このような予測情報を用いて、エリアにおいて開封率が高くなる時間帯でのそのエリアに位置する端末装置10に配信するコンテンツ中の広告枠への表示単価を、他の時間帯よりも高くしてもよい。なお、上記は一例であり、情報処理装置100は、予測情報を種々のサービスに利用してもよい。
Further, for example, the
例えば、情報処理装置100は、生成した予測情報に基づいて、プッシュ通知を行ってもよい。例えば、情報処理装置100は、予測情報PM11中のハッチングが濃い部分(Bエリア中の右下)に位置するユーザに対して、プッシュ通知を行ってもよい。また、例えば、情報処理装置100は、生成した予測情報を外部の情報処理装置へ提供してもよい。例えば、情報処理装置100は、コンテンツ提供サービスを行う外部装置へ予測情報を提供してもよい。
For example, the
〔1−1−1.シミュレーションによる予測情報の生成〕
上述したように、情報処理装置100は、予測対象エリアであるBエリアに位置するユーザの行動情報や周囲の環境情報等のコンテキスト情報と、モデルM11とに基づいて予測情報を生成する場合を示したが、所定のシミュレーションにより予測情報を生成してもよい。この場合、情報処理装置100の記憶部120には、仮想空間に関する情報等の所定のシミュレータに関する各種情報が格納されたシミュレータ情報記憶部(図示省略)が含まれてもよい。例えば、情報処理装置100は、Bエリアにおける人流やBエリアの特長のコンテキスト情報を反映した仮想空間上のBエリアに基づいて予測情報を生成してもよい。
[1-1-1. Generation of prediction information by simulation)
As described above, the
また、情報処理装置100のモデル情報記憶部125には、シミュレーションにおいてエージェントに適用されるモデル(以下、「エージェントモデル」ともいう)が格納されてもよい。例えば、情報処理装置100は、シミュレーションにおいてエージェントに適用するモデルを生成してもよい。例えば、情報処理装置100は、ユーザの行動情報に基づいてモデルを生成する。例えば、情報処理装置100は、Aエリアにおけるユーザの行動情報に基づいて、エージェントモデルを生成してもよい。例えば、情報処理装置100は、ユーザの行動情報に基づいて、各属性に応じたエージェントモデルを生成する。例えば、情報処理装置100は、ユーザの行動情報に基づいて、20代男性のエージェントモデルや20代女性のエージェントモデル等の種々のエージェントモデルを生成してもよい。例えば、情報処理装置100は、オープンデータ等の種々の環境情報を加味して、エージェントモデルを生成してもよい。例えば、情報処理装置100は、生成したエージェントモデルをモデル情報記憶部125に記憶してもよい。
Further, the model
例えば、情報処理装置100がシミュレータ情報記憶部に記憶された仮想空間に関する情報等の所定のシミュレータに関する各種情報を用いて、所定のシミュレータにおけるエージェントの行動に関するシミュレーション情報(シミュレーションログ)を生成してもよい。例えば、情報処理装置100は、モデル情報記憶部125に記憶されたエージェントモデルをエージェントに割り当て、プッシュ通知やその開封に関するシミュレーションを行うことによりシミュレーション情報(シミュレーションログ)を生成してもよい。また、情報処理装置100は、生成したシミュレーション情報に基づいて、予測情報を生成してもよい。
For example, even if the
例えば、情報処理装置100は、予測対象エリアであるBエリアにおけるユーザ(人間)の行動をシミュレーションしてシミュレーションログを生成してもよい。例えば、Bエリアにおける実際のユーザへのプッシュ通知の回数が不足している等の理由により、Bエリアにおけるプッシュ通知の開封率を予測するために、シミュレーションに基づいて予測情報を生成してもよい。
For example, the
例えば、情報処理装置100は、各エージェントに適用するエージェントモデルを決定する。例えば、情報処理装置100は、Bエリアの環境情報EDに含まれるBエリアの人口構成等に関する情報に基づいて、各エージェントに適用するエージェントモデルを決定してもよい。例えば、情報処理装置100は、属性情報として年齢及び性別に関するBエリアの人口構成に基づいて、各エージェントに適用するエージェントモデルを決定してもよい。なお、人口構成に用いる属性情報は年齢や性別に限らず、種々の属性情報が用いられてもよい。
For example, the
以下の例では、Bエリアの人口構成は20代男性が多いものとする。例えば、情報処理装置100は、Bエリアにおける人間の数(人口等)だけエージェントを生成する。図11の例では、情報処理装置100は、Bエリアにおける人口が5万人であり、5万のエージェントを生成するものとする。例えば、情報処理装置100は、Aエリアにおける人口構成を反映するように5万のエージェントに属性を割り当てる。例えば、情報処理装置100は、Bエリアにおける20代男性の割合が50%である場合、2万5千のエージェントに20代男性の属性を割り当てる。また、例えば、情報処理装置100は、Bエリアにおける20代女性の割合が20%である場合、1万のエージェントに20代女性の属性を割り当てる。
In the following example, it is assumed that the population in the area B is predominantly male in their 20s. For example, the
例えば、情報処理装置100は、20代男性の属性のエージェントには、20代男性に対応するエージェントモデルを適用する。例えば、情報処理装置100は、20代男性の属性が割り当てられた2万5千のエージェントには、20代男性に対応するエージェントモデルを適用する。また、例えば、情報処理装置100は、20代女性の属性が割り当てられた1万のエージェントには、20代女性に対応するエージェントモデルを適用する。
For example, the
例えば、情報処理装置100は、エージェントモデルを適用したエージェントによりシミュレーションを行う。例えば、Bエリアに対応する仮想空間に適用された各エージェントは、各自に割り当てられたエージェントモデルに応じて行動を行う。例えば、20代男性に対応するエージェントモデルが適用されたエージェントは、所定のタイミングでプッシュ通知がされた場合、その時点のBエリアにおける位置や状況等のコンテキストに応じて、プッシュ通知を開封するかどうかを決定する。また、例えば、20代女性に対応するエージェントモデルが適用されたエージェントは、所定のタイミングでプッシュ通知がされた場合、その時点のBエリアにおける位置や状況等のコンテキストに応じて、プッシュ通知を開封するかどうかを決定する。
For example, the
このように、情報処理装置100は、Bエリアに対応する仮想空間において各エージェントに行動を行わせることにより、シミュレーションログを生成する。例えば、情報処理装置100は、生成したシミュレーションログを記憶部120に格納してもよい。例えば、情報処理装置100は、生成したシミュレーションログに基づいて予測情報を生成する。例えば、情報処理装置100は、Bエリアに対応するシミュレーションログに基づいて、Bエリアを予測対象エリアとする予測情報(図11中の予測情報PM11等)を生成する。
Thus, the
〔2.情報処理装置の構成〕
次に、図3を用いて、実施形態に係る情報処理装置100の構成について説明する。図3は、実施形態に係る情報処理装置の構成例を示す図である。図3に示すように、情報処理装置100は、通信部110と、記憶部120と、制御部130とを有する。なお、情報処理装置100は、情報処理装置100の管理者等から各種操作を受け付ける入力部(例えば、キーボードやマウス等)や、各種情報を表示するための表示部(例えば、液晶ディスプレイ等)を有してもよい。
[2. Configuration of information processing device]
Next, the configuration of the
(通信部110)
通信部110は、例えば、NIC(Network Interface Card)等によって実現される。そして、通信部110は、ネットワーク(例えば図2中のネットワークN)と有線または無線で接続され、端末装置10との間で情報の送受信を行う。
(Communication unit 110)
The communication unit 110 is realized by, for example, a NIC (Network Interface Card) or the like. The communication unit 110 is connected to a network (for example, the network N in FIG. 2) by wire or wirelessly, and transmits and receives information to and from the
(記憶部120)
記憶部120は、例えば、RAM(Random Access Memory)、フラッシュメモリ(Flash Memory)等の半導体メモリ素子、または、ハードディスク、光ディスク等の記憶装置によって実現される。実施形態に係る記憶部120は、図3に示すように、オープンデータ記憶部121と、ユーザ情報記憶部122と、行動情報記憶部123と、分布情報記憶部124と、モデル情報記憶部125と、予測情報記憶部126と、生成用情報記憶部127とを有する。
(Storage unit 120)
The
また、図示することは省略するが、オープンデータ記憶部121には、種々のオープンデータが記憶される。例えば、オープンデータ記憶部121には、工事や渋滞等の道路情報等の交通に関する情報や、天気や気温等の気象に関する情報や、家計や消費等の経済に関する情報等を含むオープンデータが記憶されてもよい。
Although not shown, the open
また、図示することは省略するが、記憶部120には、コンテンツCT11等のコンテンツ情報を記憶するコンテンツ情報記憶部が含まれる。コンテンツ情報記憶部は、コンテンツを識別する情報(コンテンツID等)に対応付けて各コンテンツの内容に示すタグ情報(例えば、サッカー、きゅうり等)を記憶する。コンテンツ情報記憶部には、コンテンツCT11等のコンテンツ自体やコンテンツCT11等のコンテンツのカテゴリ(例えば、スポーツ、芸能等)を示す情報などの種々のコンテンツに関する情報が記憶される。また、図示することは省略するが、記憶部120には、店舗やスタジアム等の各POIの施設名や施設の位置やエリア等を記憶するPOI情報記憶部が含まれる。POI情報記憶部は、各POIを識別する情報(POIのID等)に対応付けて各POIのカテゴリ等の種々の情報を記憶する。
Although not shown, the
(ユーザ情報記憶部122)
実施形態に係るユーザ情報記憶部122は、ユーザに関する各種情報を記憶する。例えば、ユーザ情報記憶部122は、ユーザ属性に関する各種情報やユーザの行動に関する各種情報を記憶する。図4は、実施形態に係るユーザ情報記憶部の一例を示す図である。図4に示すユーザ情報記憶部122は、「ユーザID」、「年齢」、「性別」、「自宅」、「勤務地」、「興味」、「位置情報」といった項目が含まれる。
(User information storage unit 122)
The user
「ユーザID」は、ユーザを識別するための識別情報を示す。また、「年齢」は、ユーザIDにより識別されるユーザの年齢を示す。なお、「年齢」は、例えば35歳など、ユーザIDにより識別されるユーザの具体的な年齢であってもよい。また、「性別」は、ユーザIDにより識別されるユーザの性別を示す。 “User ID” indicates identification information for identifying a user. “Age” indicates the age of the user identified by the user ID. The “age” may be a specific age of the user identified by the user ID, for example, 35 years old. “Gender” indicates the gender of the user identified by the user ID.
また、「自宅」は、ユーザIDにより識別されるユーザの自宅の位置情報を示す。なお、図4に示す例では、「自宅」は、「LC11」といった抽象的な符号を図示するが、緯度や経度を示す情報であってもよい。また、例えば、「自宅」は、地域名や住所であってもよい。 “Home” indicates the location information of the home of the user identified by the user ID. In the example illustrated in FIG. 4, “home” indicates an abstract code such as “LC11”, but may be information indicating latitude and longitude. Further, for example, “home” may be an area name or an address.
また、「勤務地」は、ユーザIDにより識別されるユーザの勤務地の位置情報を示す。なお、図4に示す例では、「勤務地」は、「LC12」といった抽象的な符号を図示するが、緯度や経度を示す情報であってもよい。また、例えば、「勤務地」は、地域名や住所であってもよい。 “Work location” indicates the location information of the work location of the user identified by the user ID. In the example illustrated in FIG. 4, “work place” indicates an abstract code such as “LC12”, but may be information indicating latitude and longitude. Further, for example, the “work location” may be an area name or an address.
また、「興味」は、ユーザIDにより識別されるユーザの興味を示す。すなわち、「興味」は、ユーザIDにより識別されるユーザが関心の高い対象を示す。なお、図4に示す例では、「興味」は、各ユーザに1つずつ図示するが、複数であってもよい。 "Interest" indicates the interest of the user identified by the user ID. That is, “interest” indicates an object of high interest for the user identified by the user ID. In the example illustrated in FIG. 4, “interest” is illustrated one by one for each user, but may be plural.
また、「位置情報」は、所定の日時(例えば予測情報の生成時)におけるユーザの位置情報を示す。例えば、「位置情報」は、所定の日時(例えば予測情報の生成時)の前に取得された最新のユーザの位置情報を示す。なお、図4の例では「位置情報」を抽象的な符号「LC1−1」等で図示するが、「位置情報」には、具体的な緯度経度情報等が記憶されてもよい。 “Position information” indicates position information of the user at a predetermined date and time (for example, when prediction information is generated). For example, "position information" indicates the latest user position information acquired before a predetermined date and time (for example, when prediction information is generated). In the example of FIG. 4, “position information” is illustrated by an abstract code “LC1-1” or the like, but specific “latitude / longitude information” may be stored in “position information”.
例えば、図4に示す例において、ユーザID「U1」により識別されるユーザの年齢は、「20代」であり、性別は、「男性」であることを示す。また、例えば、ユーザID「U1」により識別されるユーザは、自宅が「LC11」であることを示す。また、例えば、ユーザID「U1」により識別されるユーザは、勤務地が「LC12」であることを示す。また、例えば、ユーザID「U1」により識別されるユーザは、「経済」に興味があることを示す。例えば、ユーザU1については、Aエリアの部分エリアLC1−1内に位置したことを示す位置情報が所定の日時の前に最後に取得された位置情報、すなわち最新の位置情報であることを示す。 For example, in the example shown in FIG. 4, the age of the user identified by the user ID “U1” is “20s”, and the gender is “male”. Further, for example, the user identified by the user ID “U1” indicates that his / her home is “LC11”. Further, for example, the user identified by the user ID “U1” indicates that the work location is “LC12”. Further, for example, the user identified by the user ID “U1” indicates that he is interested in “economy”. For example, for the user U1, the position information indicating that the user U1 is located in the partial area LC1-1 of the area A is the position information acquired last before a predetermined date and time, that is, the latest position information.
なお、ユーザ情報記憶部122は、上記に限らず、目的に応じて種々の情報を記憶してもよい。例えば、ユーザ情報記憶部122は、ユーザの属性情報として、年齢や性別に加えて他のデモグラフィック属性情報やサイコグラフィック属性情報を記憶してもよい。例えば、ユーザ情報記憶部122は、氏名、家族構成、収入等の情報を記憶してもよい。
The user
(行動情報記憶部123)
実施形態に係る行動情報記憶部123は、ユーザの行動に関する各種情報を記憶する。図5は、実施形態に係る行動情報記憶部の一例を示す図である。例えば、行動情報記憶部123は、各ユーザの端末装置10に提供したコンテンツに対するユーザの行動情報を記憶する。図5に示す行動情報記憶部123には、「ユーザID」、「行動ID」、「種別」、「内容」、「日時」、「位置」といった項目が含まれる。なお、ユーザの行動には、ユーザが能動的に行った行動に限らず、ユーザに対して行われた行動、すなわちユーザが受動的な行動等の種々の行動が含まれてもよい。
(Behavior information storage unit 123)
The behavior
「ユーザID」は、ユーザを識別するための識別情報を示す。例えば、ユーザID「U1」により識別されるユーザは、図1の例に示したユーザU1に対応する。また、「行動ID」は、ユーザの行動を識別する情報を示す。また、「種別」は、対応するユーザの行動の種別に関する情報を示す。また、「内容」は、対応するユーザの行動において対象となった内容を示す。「日時」は、対応するユーザの行動が行われた日時を示す。「日時」には、「dt11」等のように抽象的に図示するが、「2018年9月13日22時31分52秒」等の具体的な日時が記憶されてもよい。 “User ID” indicates identification information for identifying a user. For example, the user identified by the user ID “U1” corresponds to the user U1 shown in the example of FIG. “Action ID” indicates information for identifying the action of the user. “Type” indicates information on the type of action of the corresponding user. “Content” indicates the content targeted in the action of the corresponding user. “Date and time” indicates the date and time when the corresponding user action was performed. Although the “date and time” is illustrated in an abstract manner such as “dt11”, a specific date and time such as “September 13, 2018, 22:31:52” may be stored.
また、「位置」は、ユーザの行動に対応するユーザの位置情報を示す。例えば、「位置」は、ユーザの行動情報が取得された際のユーザの位置情報を示す。なお、図5の例では「位置」を抽象的な符号「LC1−1」等で図示するが、「位置情報」には、具体的な緯度経度情報等が記憶されてもよい。また、「位置情報」には、店舗やスタジアム等の施設名を示すPOI(関心地点)名やエリア等が含まれてもよい。 “Position” indicates position information of the user corresponding to the behavior of the user. For example, “position” indicates the position information of the user when the behavior information of the user is acquired. In the example of FIG. 5, “position” is illustrated by an abstract code “LC1-1” or the like, but specific “latitude / longitude information” may be stored in “position information”. Further, the “location information” may include a POI (point of interest) name, an area, or the like indicating a facility name such as a store or a stadium.
例えば、図5の例では、ユーザID「U1」により識別されるユーザ(ユーザU1)は、行動ID「AC11」により識別される行動(行動AC11)や行動ID「AC12」により識別される行動(行動AC12)等を行ったことを示す。具体的には、図5の例では、日時dt11に部分エリアLC1−1内に位置するユーザU1について、コンテンツCT11の通知(行動AC11)が行われたことを示す。例えば、行動AC11は、日時dt11にコンテンツCT11がユーザU1が利用する端末装置10にプッシュ通知により提供されたことを示す。また、図5の例ではユーザU1は、日時dt11においてコンテンツCT11がプッシュ通知された後の日時dt12において、部分エリアLC1−1内でコンテンツCT11を開封する操作(行動AC12)を行ったことを示す。また、図5の例ではユーザU1は、時間RTM1(例えば5分や10分等)の間、コンテンツCT11の閲覧(行動AC13)を行ったことを示す。例えば、ユーザU1は、日時dt12から日時dt13までの間の時間RTM1に亘って、部分エリアLC1−1内でコンテンツCT11の閲覧(行動AC13)を行ったことを示す。
For example, in the example of FIG. 5, the user identified by the user ID “U1” (user U1) is identified by the action ID “AC11” (action AC11) and the action identified by the action ID “AC12” (action AC11). Action AC12) and the like are performed. Specifically, the example of FIG. 5 indicates that the notification of the content CT11 (action AC11) was performed on the user U1 located in the partial area LC1-1 at the date and time dt11. For example, the action AC11 indicates that the content CT11 was provided by the push notification to the
なお、行動情報記憶部123は、上記に限らず、目的に応じて種々の情報を記憶してもよい。例えば、行動情報記憶部123は、各行動情報が取得された際のユーザの位置情報を各行動情報に対応付けて記憶してもよい。また、図5では、ユーザIDごとに行動情報が行動情報記憶部123に記憶される場合を示したが、行動情報は、ユーザIDごとに限らず、例えば時刻順に記憶されてもよい。
The behavior
(分布情報記憶部124)
実施形態に係る分布情報記憶部124は、分布に関する各種情報を記憶する。図6は、実施形態に係る分布情報記憶部の一例を示す図である。例えば、分布情報記憶部124は、各集計対象エリアの分布情報を記憶する。図6に示す分布情報記憶部124には、「集計対象エリア」、「分布情報」といった項目が含まれる。「分布情報」には、「部分エリア」、「プッシュ回数」、「開封回数」、「開封率(%)」といった項目が含まれる。
(Distribution information storage unit 124)
The distribution
「集計対象エリア」は、分布情報を収集する対象となったエリアを示す。また、「分布情報」は、集計対象エリアについて収集された分布情報を示す。「部分エリア」は、集計対象エリア内の部分エリアを示す。「プッシュ回数」は、対応する部分エリアに位置するユーザにプッシュ通知が行われた回数を示す。また、「開封回数」は、対応する部分エリアに位置するユーザがプッシュ通知を開封した回数を示す。また、「開封率(%)」は、対応する部分エリアに位置するユーザがプッシュ通知を開封した割合(=開封回数/プッシュ回数×100)を示す。例えば、「開封率(%)」は、0〜100(%)の値となる。 “Aggregation target area” indicates an area from which distribution information is collected. “Distribution information” indicates distribution information collected for the aggregation target area. The “partial area” indicates a partial area in the counting target area. The “number of pushes” indicates the number of times a push notification has been made to the user located in the corresponding partial area. The “number of times of opening” indicates the number of times the user located in the corresponding partial area has opened the push notification. The “opening rate (%)” indicates the rate at which the user located in the corresponding partial area has opened the push notification (= opening times / pushing times × 100). For example, the “opening rate (%)” takes a value of 0 to 100 (%).
例えば、図6に示す例において、集計対象エリア「Aエリア」について分布情報が収集されたことを示す。集計対象エリア「Aエリア」は、図11中のエリアAR11に対応する。例えば、集計対象エリア「Aエリア」内の部分エリアLC1−1に位置するユーザに「10000(回)」のプッシュ通知が行われたことを示す。また、例えば、集計対象エリア「Aエリア」内の部分エリアLC1−1に位置するユーザがプッシュ通知を「2000(回)」開封したことを示す。また、例えば、集計対象エリア「Aエリア」内の部分エリアLC1−1に位置するユーザの開封率が、1万回の通知のうち、2千回開封されているため、「20(%)」であることを示す。 For example, in the example shown in FIG. 6, it indicates that distribution information has been collected for the aggregation target area “A area”. The counting target area “A area” corresponds to the area AR11 in FIG. For example, it indicates that a push notification of “10000 (times)” has been issued to the user located in the partial area LC1-1 in the aggregation target area “A area”. Further, for example, it indicates that the user located in the partial area LC1-1 in the aggregation target area “A area” has opened the push notification “2000 (times)”. Further, for example, the opening rate of the user located in the partial area LC1-1 in the aggregation target area “A area” is “20 (%)” because the notification was opened 2,000 times out of 10,000 notifications. It is shown that.
なお、分布情報記憶部124は、上記に限らず、目的に応じて種々の情報を記憶してもよい。
Note that the distribution
(モデル情報記憶部125)
実施形態に係るモデル情報記憶部125は、モデルに関する情報を記憶する。例えば、モデル情報記憶部125は、予測情報の生成に用いるモデル情報を記憶する。図7は、実施形態に係るモデル情報記憶部の一例を示す図である。図7に示すモデル情報記憶部125は、モデル情報として、モデルM1等に対応させて「特徴量#1」〜「特徴量#3」等といった項目を有する。
(Model information storage unit 125)
The model
例えば、図7に示す例において、モデルM1に関するモデル情報は、特徴量#1の重みが「0.5」、特徴量#2の重みが「−0.1」、特徴量#3の重みが「0.2」等であることを示す。例えば、モデルの素性(特徴量)がm次元のベクトルで表現される場合、特徴量数(素性数)はm個になり、特徴量##1〜特徴量#mの重みが記憶される。例えば、各特徴量の重みは、実数であり、マイナス値であってもよい。
For example, in the example shown in FIG. 7, the model information relating to the model M1 has a
なお、モデル情報記憶部125は、上記に限らず、目的に応じて種々のモデル情報を記憶してもよい。例えば、モデル情報記憶部125は、確率モデル等の種々のモデル情報が記憶されてもよい。
The model
(予測情報記憶部126)
実施形態に係る予測情報記憶部126は、予測に関する各種情報を記憶する。例えば、予測情報記憶部126は、予測に関する各種情報や予測により生成される各種情報を記憶する。図8は、実施形態に係る予測情報記憶部の一例を示す図である。図8に示す予測情報記憶部126は、「予測対象エリア」、「予測情報」といった項目が含まれる。「予測情報」には、「部分エリア」、「プッシュ回数」、「開封回数」、「開封率(%)」といった項目が含まれる。
(Prediction information storage unit 126)
The prediction
「予測対象エリア」は、予測情報を生成する対象となったエリアを示す。また、「予測情報」は、予測対象エリアについて生成された予測情報を示す。「部分エリア」は、予測対象エリア内の部分エリアを示す。「プッシュ回数」は、予測情報の生成において、対応する部分エリアに位置するユーザにプッシュ通知が行われると予測された回数を示す。また、「開封回数」は、予測情報の生成において、対応する部分エリアに位置するユーザによってプッシュ通知の開封が行われると予測された回数を示す。また、「開封率(%)」は、予測情報の生成において、対応する部分エリアに位置するユーザがプッシュ通知を開封すると予測される割合(=開封回数/プッシュ回数×100)を示す。例えば、「開封率(%)」は、0〜100(%)の値となる。 The “prediction target area” indicates an area for which prediction information is to be generated. The “prediction information” indicates prediction information generated for the prediction target area. “Partial area” indicates a partial area in the prediction target area. The “number of pushes” indicates the number of times that a push notification is predicted to be performed to a user located in a corresponding partial area in the generation of prediction information. The “number of times of opening” indicates the number of times that the user located in the corresponding partial area is expected to open the push notification in the generation of the prediction information. The “opening rate (%)” indicates a ratio (= opening times / pushing times × 100) at which the user located in the corresponding partial area is expected to open the push notification in the generation of the prediction information. For example, the “opening rate (%)” takes a value of 0 to 100 (%).
例えば、図8に示す例において、予測対象エリア「Bエリア」について予測情報が生成されたことを示す。予測対象エリア「Bエリア」は、図11中のエリアAR21に対応する。例えば、予測対象エリア「Bエリア」内の部分エリアLC2−1に位置するユーザに「2000(回)」のプッシュ通知が行われると予測されることを示す。また、例えば、予測対象エリア「Bエリア」内の部分エリアLC2−1に位置するユーザがプッシュ通知を「40(回)」開封すると予測されることを示す。また、例えば、予測対象エリア「Bエリア」内の部分エリアLC2−1に位置するユーザの開封率が、2千回の通知のうち、40回開封されると予測されるため、「2(%)」であることを示す。 For example, in the example illustrated in FIG. 8, it indicates that prediction information has been generated for the prediction target area “B area”. The prediction target area “B area” corresponds to the area AR21 in FIG. For example, it indicates that it is predicted that a push notification of “2000 (times)” will be given to the user located in the partial area LC2-1 in the prediction target area “B area”. Further, for example, it indicates that a user located in the partial area LC2-1 in the prediction target area “B area” is predicted to open the push notification “40 (times)”. Further, for example, since the opening rate of the user located in the partial area LC2-1 in the prediction target area “B area” is predicted to be opened 40 times out of 2,000 notifications, “2 (% ) ".
なお、予測情報記憶部126は、上記に限らず、目的に応じて種々の情報を記憶してもよい。
The prediction
(生成用情報記憶部127)
実施形態に係る生成用情報記憶部127は、予測情報の生成に関する各種情報を記憶する。例えば、生成用情報記憶部127は、収益性を示す予測情報の生成に関する各種情報を記憶する。図9は、実施形態に係る生成用情報記憶部の一例を示す図である。図9に示す生成用情報記憶部127は、「スコア(範囲)」、「開封確率(%)」、「収益性(レベル)」といった項目が含まれる。
(Generation information storage unit 127)
The generation
「スコア(範囲)」は、各レベルに対応するモデルが出力するスコアの範囲を示す。また、「開封確率(%)」は、スコアに対応する開封確率を示す。例えば、「開封確率(%)」は、モデルへの入力対象となったユーザがコンテンツを開封する確率を示す。「収益性(レベル)」は、各スコアの範囲に対応する収益性を示す。なお、図9の例では、「収益性(レベル)」を抽象的な符号「LV0」等で図示するが、「収益性(レベル)」には、「高」、「中」、「低」、「無」等の具体的な収益性のレベル(程度)を示す情報等が記憶されてもよい。例えば、「収益性(レベル)」には、閲覧時間について、「1分以上5分未満」や「5分以上10分未満」等の具体的な金額等が記憶されてもよい。また、例えば、「収益性(レベル)」には、ユーザによるコンテンツに関する利益に至る行動について、「100円以上千円未満」や「千円以上一万円未満」等の具体的な金額等が記憶されてもよい。図9中の「収益性(レベル)」に示すレベルLV0〜レベルLV3は、レベルLV0が最も収益性が低いレベルに対応し、レベルLV0、レベルLV1、レベルLV2、レベルLV3の順で大きくなることを示す。すなわち、図9では、スコアが大きくなるほど、期待される収益が大きくなると予測されることを示す。 “Score (range)” indicates the range of the score output by the model corresponding to each level. “Opening probability (%)” indicates the opening probability corresponding to the score. For example, the “opening probability (%)” indicates a probability that the user who has been input to the model opens the content. “Profitability (level)” indicates profitability corresponding to each score range. In the example of FIG. 9, “profitability (level)” is illustrated with an abstract code “LV0” or the like, but “profitability (level)” includes “high”, “medium”, and “low”. , Information indicating a specific level of profitability (degree) such as “absent” may be stored. For example, the “profitability (level)” may store a specific amount of browsing time, such as “1 minute or more and less than 5 minutes” or “5 minutes or more and less than 10 minutes”. Further, for example, the “profitability (level)” includes a specific amount such as “100 yen or more and less than 1,000 yen” or “1000 yen or more and less than 10,000 yen” for an action that results in a user's profit on the content. It may be stored. Levels LV0 to LV3 shown as “profitability (level)” in FIG. 9 correspond to the level in which level LV0 has the lowest profitability, and increase in the order of level LV0, level LV1, level LV2, and level LV3. Is shown. That is, FIG. 9 shows that the expected profit is expected to increase as the score increases.
図9に示す例では、モデルが出力するスコアが0以下である場合、開封確率は0%と予測されることを示す。また、モデルが出力するスコアが0以下である場合、収益性はレベルLV0であることを示す。また、モデルが出力するスコアが0より大きく1以下である場合、開封確率は0〜100%と予測されることを示す。例えば、モデルが出力するスコアが0.5である場合、開封確率は50%と予測されることを示す。また、モデルが出力するスコアが0より大きく1以下である場合、収益性はレベルLV1であることを示す。 The example shown in FIG. 9 indicates that if the score output by the model is 0 or less, the opening probability is predicted to be 0%. If the score output by the model is 0 or less, the profitability is at level LV0. When the score output by the model is greater than 0 and equal to or less than 1, it indicates that the opening probability is predicted to be 0 to 100%. For example, if the score output by the model is 0.5, it indicates that the opening probability is predicted to be 50%. When the score output by the model is greater than 0 and equal to or less than 1, it indicates that the profitability is at the level LV1.
また、モデルが出力するスコアが1より大きく2以下である場合、開封確率は100%と予測されることを示す。また、モデルが出力するスコアが1より大きく2以下である場合、収益性はレベルLV2であることを示す。また、モデルが出力するスコアが2より大きく3以下である場合、開封確率は100%と予測されることを示す。また、モデルが出力するスコアが2より大きく3以下である場合、収益性はレベルLV3であることを示す。 If the score output by the model is greater than 1 and equal to or less than 2, it indicates that the opening probability is predicted to be 100%. When the score output by the model is greater than 1 and equal to or less than 2, it indicates that the profitability is at the level LV2. If the score output by the model is greater than 2 and equal to or less than 3, it indicates that the opening probability is predicted to be 100%. When the score output by the model is greater than 2 and equal to or less than 3, it indicates that the profitability is level LV3.
なお、生成用情報記憶部127は、上記に限らず、目的に応じて種々の情報を記憶してもよい。
The generation
(制御部130)
図3の説明に戻って、制御部130は、コントローラ(controller)であり、例えば、CPU(Central Processing Unit)やMPU(Micro Processing Unit)等によって、情報処理装置100内部の記憶装置に記憶されている各種プログラム(決定プログラムや情報処理プログラムの一例に相当)がRAMを作業領域として実行されることにより実現される。また、制御部130は、コントローラであり、例えば、ASIC(Application Specific Integrated Circuit)やFPGA(Field Programmable Gate Array)等の集積回路により実現される。
(Control unit 130)
Returning to the description of FIG. 3, the
図3に示すように、制御部130は、取得部131と、決定部132と、生成部133と、提供部134とを有し、以下に説明する情報処理の機能や作用を実現または実行する。なお、制御部130の内部構成は、図3に示した構成に限られず、後述する情報処理を行う構成であれば他の構成であってもよい。
As illustrated in FIG. 3, the
(取得部131)
取得部131は、各種情報を取得する。取得部131は、端末装置10等の外部装置から各種情報を取得する。取得部131は、記憶部120から各種情報を取得する。取得部131は、外部の情報処理装置から各種情報を取得する。取得部131は、オープンデータ記憶部121やユーザ情報記憶部122や行動情報記憶部123や分布情報記憶部124やモデル情報記憶部125や予測情報記憶部126や生成用情報記憶部127から各種情報を取得する。取得部131は、所定のユーザの行動情報を取得する。取得部131は、オープンデータに関する情報を取得する。取得部131は、端末装置10から位置情報等の行動情報を取得する。
(Acquisition unit 131)
The
取得部131は、コンテンツの配信に関するコンテキスト情報を取得する。取得部131は、所定のエリアに位置する第1ユーザに配信されたコンテンツに対する、第1ユーザの行動情報と、所定のエリア以外とは異なる他のエリアに位置する第2ユーザに関するコンテキスト情報を取得する。取得部131は、第1ユーザに関する他のコンテキスト情報を取得する。
The
取得部131は、収益性の予測に用いるモデルを取得する。取得部131は、コンテキスト情報の入力に応じて、収益性に関するスコアを出力するモデルを取得する。取得部131は、コンテンツが配信されたユーザのコンテンツに対する行動に関するスコアを出力するモデルを取得する。取得部131は、コンテンツに対するユーザの所定の操作に関するスコアを出力するモデルを取得する。取得部131は、コンテンツに対するユーザの開封操作に関するスコアを出力するモデルを取得する。取得部131は、コンテンツの閲覧時間に関するスコアを出力するモデルを取得する。取得部131は、コンテンツを含む所定のコンテンツ群の閲覧時間に関するスコアを出力するモデルを取得する。
The
取得部131は、所定のエリアに位置するユーザが利用する端末装置10に配信されたコンテンツに対する、当該ユーザの所定の操作の有無を示す操作情報等の行動情報を取得する。取得部131は、所定のエリアに位置するユーザが利用する端末装置においてプッシュ通知されたコンテンツに対する、当該ユーザの所定の操作の有無を示す操作情報等の行動情報を取得する。取得部131は、所定のエリアに位置するユーザが利用する端末装置においてプッシュ通知されたコンテンツに対する、当該ユーザによる開封操作の有無を示す操作情報等の行動情報を取得する。
The
取得部131は、所定のエリア内においてプッシュ通知されたコンテンツに対して、ユーザが所定の操作を行った際の当該ユーザの位置情報が対応付けられた操作情報等の行動情報を取得する。取得部131は、所定のエリア内においてプッシュ通知されたコンテンツに対して、ユーザが所定の操作を行った際の時間情報が対応付けられた操作情報等の行動情報を取得する。取得部131は、所定のエリア内においてプッシュ通知されたコンテンツに対して、ユーザが所定の操作を行った際のコンテキスト情報が対応付けられた操作情報等の行動情報を取得する。取得部131は、所定のエリア内においてプッシュ通知されたコンテンツに対して、ユーザが所定の操作を行った際の所定のエリアに関する環境情報が対応付けられた操作情報等の行動情報を取得する。
The
図1の例では、取得部131は、あるユーザが利用する端末装置10に所定のコンテンツがプッシュ通知され、ユーザにより開封されたことを示す情報を取得する。取得部131は、Aエリアに位置するユーザU1が利用する端末装置10に所定のコンテンツがプッシュ通知され、ユーザU1により開封されたことを示す情報を取得する。取得部131は、Aエリアの部分エリアLC1−1内に位置するユーザU1が利用する端末装置10に所定のコンテンツがプッシュ通知され、ユーザU1により開封されたことを示す情報を取得する。
In the example of FIG. 1, the
取得部131は、通知されたコンテンツ(コンテンツCT11)が開封後に、ユーザにより時間RTM1の間閲覧されたことを示す情報を取得する。取得部131は、ステップS1−1で通知されたコンテンツが開封後に、ユーザの端末装置10に時間RTM1の間表示されたことを示す情報を取得してもよい。
The
取得部131は、あるユーザが利用する端末装置10に所定のコンテンツがプッシュ通知され、ユーザにより開封されなかったことを示す情報を取得する。取得部131は、Aエリアに位置するユーザU2が利用する端末装置10に所定のコンテンツがプッシュ通知され、ユーザU2により開封されなかったことを示す情報を取得する。取得部131は、Aエリアの部分エリアLC1−2内に位置するユーザU2が利用する端末装置10に所定のコンテンツがプッシュ通知され、ユーザU2により開封されなかったことを示す情報を取得する。
The
取得部131は、対象ユーザであるユーザU3のユーザ情報やユーザU3の位置(位置LC2−3)に対応する環境情報等の種々の情報を含むコンテキスト情報CINF3を取得する。取得部131は、ユーザ情報記憶部122(図4参照)に示すようなユーザ情報や行動情報記憶部123(図5参照)に示すようなユーザの行動情報を含むユーザU3のユーザ情報を取得する。
The
取得部131は、予測対象エリアのオープンデータを取得する。図11の例では、取得部131は、Bエリアの環境情報EDを取得する。取得部131は、オープンデータ記憶部121(図3参照)からBエリアの環境情報等の種々の情報を取得してもよい。
The
また、取得部131は、予測対象エリアに位置するユーザ情報を取得する。図11の例では、取得部131は、Bエリアのユーザ情報UDを取得する。取得部131は、ユーザ情報記憶部122(図4参照)に示すようなユーザ情報や行動情報記憶部123(図5参照)に示すようなユーザの行動情報を取得する。
Further, the
(決定部132)
決定部132は、各種情報を決定する。決定部132は、各種情報を判定する。決定部132は、記憶部120に記憶された各種情報に基づいて、種々の情報を決定する。決定部132は、記憶部120に記憶された各種情報に基づいて、種々の情報を判定する。決定部132は、オープンデータ記憶部121やユーザ情報記憶部122や行動情報記憶部123や分布情報記憶部124やモデル情報記憶部125や予測情報記憶部126や生成用情報記憶部127等に基づいて、各種情報を決定する。決定部132は、オープンデータ記憶部121やユーザ情報記憶部122や行動情報記憶部123や分布情報記憶部124やモデル情報記憶部125や予測情報記憶部126や生成用情報記憶部127等に基づいて、各種情報を判定する。決定部132は、取得部131により取得された各種情報に基づいて、種々の情報を決定する。決定部132は、取得部131により取得された各種情報に基づいて、種々の情報を判定する。決定部132は、生成部133により生成された各種情報に基づいて、種々の情報を決定する。決定部132は、生成部133により生成された各種情報に基づいて、種々の情報を判定する。決定部132は、予測情報の生成に用いるモデルを決定する。図11の例では、決定部132は、予測情報の生成に用いるモデルをモデルM11に決定する。
(Determining unit 132)
The determining
図1の例では、決定部132は、コンテンツが開封された場合、コンテンツ開封後のユーザのコンテンツの閲覧時間に基づいて、収益性を示す複数のレベルのうちいずれに該当するかで各配信の収益性のレベルを決定する。決定部132は、収益性を予測する対象となるユーザ(対象ユーザ)を決定する。決定部132は、Bエリアに位置するユーザU3を対象ユーザに決定する。決定部132は、Aエリア以外の他のエリアであるBエリアに位置する第2ユーザであるユーザU3を対象ユーザに決定する。
In the example of FIG. 1, when the content is opened, the
決定部132は、スコア「1.5」と、収益性レベル一覧CTB中の各スコア(範囲)とを比較することにより、ユーザU3にコンテンツを配信した場合における収益性のレベルを決定する。決定部132は、スコア「1.5」が、収益性レベル一覧CTB中の「1〜2」のスコア(範囲)に含まれるため、ユーザU3にコンテンツを配信した場合における開封確率を100%であると決定する。また、決定部132は、スコア「1.5」が、収益性レベル一覧CTB中の「1〜2」のスコア(範囲)に含まれるため、ユーザU3にコンテンツを配信した場合における収益性のレベルをレベルLV2であると決定する。
The determining
決定部132は、ユーザ情報やユーザの位置する周囲の環境情報等を入力とし、入力に基づいてスコアをモデルM11が出力するスコアが所定の閾値(例えば、「0.5」等)以上である場合に、そのユーザがプッシュ通知されるコンテンツを開封すると判定してもよい。決定部132は、ユーザU3の位置情報や行動情報等を含む種々の情報をモデルM11に入力し、モデルM11が所定の閾値未満のスコアを出力した場合、ユーザU3がプッシュ通知を開封しないと判定してもよい。決定部132は、ユーザU4の位置情報や行動情報等を含む種々の情報をモデルM11に入力し、モデルM11が所定の閾値以上のスコアを出力した場合、ユーザU4がプッシュ通知を開封すると判定してもよい。
The
決定部132は、各エージェントに適用するエージェントモデルを決定する。決定部132は、Bエリアの環境情報EDに含まれるBエリアの人口構成等に関する情報に基づいて、各エージェントに適用するエージェントモデルを決定してもよい。決定部132は、属性情報として年齢及び性別に関するBエリアの人口構成に基づいて、各エージェントに適用するエージェントモデルを決定してもよい。
The
(生成部133)
生成部133は、各種情報を生成する。生成部133は、各種情報を推定する。生成部133は、各種情報を選択する。生成部133は、各種情報を抽出する。生成部133は、各種情報を算出する。生成部133は、記憶部120に記憶された各種情報に基づいて、種々の情報を推定する。生成部133は、記憶部120に記憶された各種情報に基づいて、種々の情報を選択する。生成部133は、記憶部120に記憶された各種情報に基づいて、種々の情報を抽出する。生成部133は、記憶部120に記憶された各種情報に基づいて、種々の情報を算出する。生成部133は、オープンデータ記憶部121やユーザ情報記憶部122や行動情報記憶部123や分布情報記憶部124やモデル情報記憶部125や予測情報記憶部126や生成用情報記憶部127等に基づいて、各種情報を推定する。生成部133は、オープンデータ記憶部121やユーザ情報記憶部122や行動情報記憶部123や分布情報記憶部124やモデル情報記憶部125や予測情報記憶部126や生成用情報記憶部127等に基づいて、各種情報を選択する。生成部133は、オープンデータ記憶部121やユーザ情報記憶部122や行動情報記憶部123や分布情報記憶部124やモデル情報記憶部125や予測情報記憶部126や生成用情報記憶部127等に基づいて、各種情報を抽出する。生成部133は、取得部131により取得された各種情報に基づいて、種々の情報を推定する。生成部133は、取得部131により取得された各種情報に基づいて、種々の情報を選択する。生成部133は、取得部131により取得された各種情報に基づいて、種々の情報を抽出する。生成部133は、取得部131により取得された情報を用いて、ユーザのコンテキストを推定する。
(Generation unit 133)
The
生成部133は、記憶部120に記憶される各種情報を生成する。生成部133は、分布情報記憶部124に記憶される分布情報を生成する。生成部133は、モデル情報記憶部125に記憶されるモデルを生成する。生成部133は、予測情報記憶部126に記憶される予測情報を生成する。
The
生成部133は、取得部131により取得されたコンテキスト情報に基づいて、コンテンツの配信における収益性を予測する予測情報を生成する。生成部133は、所定のエリアにおける第1ユーザの行動情報と、他のエリアにおける第2ユーザに関するコンテキスト情報に基づいて、他のエリアに位置する第2ユーザにコンテンツが配信される場合の予測情報を生成する。生成部133は、他のコンテキスト情報に基づいて、予測情報を生成する。
The
生成部133は、コンテキスト情報と、モデルとに基づいて、予測情報を生成する。生成部133は、コンテキスト情報をモデルに入力することによりモデルが出力したスコアに基づいて、予測情報を生成する。生成部133は、モデルが出力したスコアに基づいて、ユーザのコンテンツに対する行動に関する予測情報を生成する。生成部133は、モデルが出力したスコアに基づいて、ユーザの所定の操作に関する予測情報を生成する。生成部133は、モデルが出力したスコアに基づいて、ユーザの開封操作に関する予測情報を生成する。生成部133は、モデルが出力したスコアに基づいて、コンテンツの閲覧時間に関する予測情報を生成する。生成部133は、モデルが出力したスコアに基づいて、所定のコンテンツ群の閲覧時間に関する予測情報を生成する。
The
図1の例では、生成部133は、Aエリアにおける第1ユーザの行動情報に基づいて、コンテンツの配信における収益性を予測するモデルを生成する。生成部133は、Aエリアにおける第1ユーザのコンテキスト情報に基づいて、コンテンツの配信における収益性を予測するモデルを生成する。生成部133は、コンテキスト情報に基づいて、配信されたコンテンツが開封され、どの程度閲覧されるかを予測するモデルを生成する。生成部133は、オープンデータ記憶部121やユーザ情報記憶部122や行動情報記憶部123等に格納された各種情報に基づいて、プッシュ通知における収益性を予測するモデルを生成する。
In the example of FIG. 1, the
生成部133は、オープンデータ記憶部121に記憶されたAエリアの環境情報に基づいて、モデルを生成する。生成部133は、ユーザ情報記憶部122に記憶されたAエリアに位置するユーザのユーザ情報に基づいて、モデルを生成する。生成部133は、行動情報記憶部123に記憶されたAエリアに位置するユーザの行動情報に基づいて、モデルを生成する。
The
生成部133は、モデルM1が出力したスコアに基づいて、Bエリアに位置するユーザU3にコンテンツを配信した場合における収益性を示す予測情報を生成する。生成部133は、収益性レベル一覧CTBを用いて、予測情報を生成する。
The
生成部133は、モデルM1が出力したスコア「1.5」と収益性レベル一覧CTBとを用いて、Bエリアに位置するユーザU3にコンテンツを配信した場合における収益性を示す予測情報を生成する。生成部133は、Bエリアに位置するユーザU3にコンテンツを配信した場合における予測情報FINF3を生成する。図1の例では、生成部133は、Bエリア内の位置LC−23に位置するユーザU3にコンテンツを配信した場合、開封確率が100%であり、収益性のレベルがレベルLV2であることを示す予測情報FINF3を生成する。
Using the score “1.5” output by the model M1 and the profitability level list CTB, the
生成部133は、取得部131により取得された操作情報等の行動情報に基づいて、所定のエリアとは異なる他のエリアに位置するユーザが利用する端末装置10にコンテンツが配信される場合に、当該コンテンツに対する当該ユーザの所定の操作の有無を予測する予測情報を生成する。生成部133は、取得部131により取得された操作情報等の行動情報に基づいて、所定のエリアとは異なる他のエリアに位置するユーザが利用する端末装置にコンテンツがプッシュ通知される場合に、当該コンテンツに対する当該ユーザの所定の操作の有無を予測する予測情報を生成する。生成部133は、取得部131により取得された操作情報等の行動情報に基づいて、他のエリアに位置するユーザが利用する端末装置にコンテンツがプッシュ通知される場合に、当該コンテンツに対する当該ユーザの開封操作の有無を予測する予測情報を生成する。
The
生成部133は、操作情報等の行動情報に基づいて、他のエリア内においてプッシュ通知されるコンテンツに対してユーザが所定の操作を行う位置を予測する予測情報を生成する。生成部133は、操作情報等の行動情報に基づいて、他のエリア内においてプッシュ通知されるコンテンツに対してユーザが所定の操作を行う時間を予測する予測情報を生成する。
The
生成部133は、操作情報等の行動情報と、他のエリア内に位置するユーザのコンテキスト情報とに基づいて、他のエリア内においてプッシュ通知されるコンテンツに対するユーザの所定の操作の有無を予測する予測情報を生成する。生成部133は、操作情報等の行動情報と、他のエリア内に関する環境情報とに基づいて、他のエリア内においてプッシュ通知されるコンテンツに対するユーザの所定の操作の有無を予測する予測情報を生成する。
The
生成部133は、操作情報等の行動情報に基づいて、他のエリアにおいてプッシュ通知されるコンテンツに対して、所定の操作を行うユーザに関する分布を示す分布情報を予測情報として生成する。生成部133は、操作情報等の行動情報に基づいて、他のエリアにおいてプッシュ通知されるコンテンツに対して、所定の操作を行うユーザの他のエリアにおける分布を示す分布マップを予測情報として生成する。
The
生成部133は、プッシュ通知に関する操作情報等の行動情報に基づいて、分布情報を生成する。図11の例では、生成部133は、Aエリアを集計対象エリアとする分布情報DM11を生成する。生成部133は、プッシュ通知に関する操作情報等の行動情報に基づいて、予測情報を生成するために用いるモデルを生成する。生成部133は、Aエリアにおける操作情報等の行動情報に基づいて、プッシュ通知を開封するかどうかを予測するモデルを生成する。
The
生成部133は、オープンデータ記憶部121やユーザ情報記憶部122や行動情報記憶部123等に格納された各種情報に基づいて、プッシュ通知を開封するかどうかを予測するモデルを生成する。生成部133は、オープンデータ記憶部121に記憶されたAエリアの環境情報に基づいて、モデルを生成する。生成部133は、行動情報記憶部123に記憶されたAエリアに位置するユーザのユーザ情報に基づいて、モデルを生成する。生成部133は、ユーザ情報記憶部122に記憶されたAエリアに位置するユーザの行動情報に基づいて、モデルを生成する。生成部133は、ユーザにプッシュ通知されるコンテンツに関する情報を加味してモデルを生成してもよい。
The
生成部133は、プッシュ通知されるコンテンツが開封された場合の情報を正解情報(正例)として、プッシュ通知を開封するかどうかを予測するモデルを生成してもよい。生成部133は、プッシュ通知されるコンテンツが開封された場合のユーザのユーザ情報やユーザの位置情報やユーザの行動情報やユーザの環境情報等の種々のコンテキスト情報を正解情報として、プッシュ通知を開封するかどうかを予測するモデルを生成してもよい。生成部133は、ユーザU1が部分エリアLC1−1においてプッシュ通知されるコンテンツを開封した場合、ユーザU1のユーザ情報やユーザU1の位置情報やユーザU1の行動情報やユーザU1の環境情報等の種々のコンテキスト情報を正解情報として、プッシュ通知を開封するかどうかを予測するモデルを生成してもよい。
The
また、生成部133は、プッシュ通知されるコンテンツが開封されなかった場合の情報を不正解情報(負例)として、プッシュ通知を開封するかどうかを予測するモデルを生成してもよい。生成部133は、プッシュ通知されるコンテンツが開封されなかった場合のユーザのユーザ情報やユーザの位置情報やユーザの行動情報やユーザの環境情報等の種々のコンテキスト情報を不正解情報として、プッシュ通知を開封するかどうかを予測するモデルを生成してもよい。生成部133は、ユーザU2が部分エリアLC1−2においてプッシュ通知されるコンテンツが開封しなかった場合、ユーザU2のユーザ情報やユーザU2の位置情報やユーザU2の行動情報やユーザU2の環境情報等の種々のコンテキスト情報を不正解情報として、プッシュ通知を開封するかどうかを予測するモデルを生成してもよい。
In addition, the
図11の例では、生成部133は、モデル情報MDに示すようにモデルM11のモデル情報を生成する。生成部133は、モデル情報記憶部125(図7参照)に示すように、モデルM11を生成する。生成部133は、ユーザ情報やユーザの位置する周囲の環境情報等を含むコンテキスト情報を入力とし、入力に基づいてスコアを出力するモデルM11を生成する。生成部133は、コンテキスト情報を入力とし、入力に基づいてスコアを出力するモデルM11を生成する。生成部133は、生成したモデルM11に基づいて、予測情報を生成する。生成部133は、モデルM11と、予測対象エリアであるBエリアに関する各種情報とに基づいて、Bエリアに関する予測情報を生成する。
In the example of FIG. 11, the generating
生成部133は、所定の時間帯にBエリアに位置するユーザを対象として、予測情報を生成してもよい。生成部133は、朝の時間帯(6時〜10時)にBエリアに位置するユーザを対象として、朝のBエリアに対応する予測情報を生成してもよい。生成部133は、夜の時間帯(19時〜23時)にBエリアに位置するユーザを対象として、夜のBエリアに対応する予測情報を生成してもよい。
The
図11の例では、生成部133は、Bエリアを予測対象エリアとする予測情報PM11を生成する。生成部133は、プッシュ通知の実績が不十分なBエリアについてプッシュ通知の開封率を予測する予測情報を生成する。
In the example of FIG. 11, the
(提供部134)
提供部134は、各種情報を提供する。提供部134は、外部の情報処理装置へ各種情報を提供する。提供部134は、端末装置10に各種情報を提供する。提供部134は、端末装置10等の外部の情報処理装置に各種情報を提供する。提供部134は、端末装置10に各種情報を送信する。提供部134は、端末装置10に各種情報を配信する。提供部134は、取得部131により取得された各種情報に基づいて、種々の情報を提供する。提供部134は、決定部132により決定された各種情報に基づいて、種々の情報を提供する。提供部134は、生成部133により生成された各種情報に基づいて、種々の情報を提供する。提供部134は、生成部133により生成された予測情報に基づいて、種々のサービスを提供してもよい。
(Provider 134)
The providing
図1の例では、提供部134は、ユーザU3が利用する端末装置10にコンテンツを提供する。提供部134は、ユーザU3が利用する端末装置10にコンテンツを配信する。提供部134は、ユーザU3が利用する端末装置10にコンテンツを送信する。提供部134は、ユーザU3の興味を有する映画に関連するコンテンツを、ユーザU3が利用する端末装置10に提供する。
In the example of FIG. 1, the providing
提供部134は、生成した予測情報に基づいて、プッシュ通知を行ってもよい。図11の例では、提供部134は、予測情報PM11中のハッチングが濃い部分(Bエリア中の右下)に位置するユーザに対して、プッシュ通知を行ってもよい。提供部134は、生成した予測情報を外部の情報処理装置へ提供してもよい。提供部134は、コンテンツ提供サービスを行う外部装置へ予測情報を提供してもよい。
The providing
〔3.情報処理のフロー〕
次に、図10を用いて、実施形態に係る情報処理システム1による情報処理の手順について説明する。図10は、実施形態に係る情報処理の一例を示すフローチャートである。
[3. Information processing flow)
Next, a procedure of information processing by the
図10に示すように、情報処理装置100は、コンテンツの配信に関するコンテキスト情報を取得する(ステップS101)。そして、情報処理装置100は、コンテキスト情報に基づいて、コンテンツの配信における収益性を予測する予測情報を生成する(ステップS102)。
As shown in FIG. 10, the
〔4.効果〕
上述してきたように、実施形態に係る情報処理装置100は、取得部131と、生成部133とを有する。取得部131は、コンテンツの配信に関するコンテキスト情報を取得する。生成部133は、取得部131により取得されたコンテキスト情報に基づいて、コンテンツの配信における収益性を予測する予測情報を生成する。
[4. effect〕
As described above, the
このように、実施形態に係る情報処理装置100は、コンテンツの配信に関するコンテキスト情報に基づいて、コンテンツの配信における収益性を予測する予測情報を生成することにより、コンテンツの配信における収益性を予測可能にすることができる。
As described above, the
また、実施形態に係る情報処理装置100において、取得部131は、所定のエリアに位置する第1ユーザに配信されたコンテンツに対する、第1ユーザの行動情報と、所定のエリア以外とは異なる他のエリアに位置する第2ユーザに関するコンテキスト情報を取得する。生成部133は、所定のエリアにおける第1ユーザの行動情報と、他のエリアにおける第2ユーザに関するコンテキスト情報に基づいて、他のエリアに位置する第2ユーザにコンテンツが配信される場合の予測情報を生成する。
In addition, in the
このように、実施形態に係る情報処理装置100は、所定のエリアに位置する第1ユーザに配信されたコンテンツに対する、第1ユーザの行動情報と、所定のエリア以外とは異なる他のエリアに位置する第2ユーザに関するコンテキスト情報に基づいて、他のエリアに位置する第2ユーザにコンテンツが配信される場合の予測情報を生成することにより、コンテンツの配信における収益性を予測可能にすることができる。例えば、情報処理装置100は、情報が十分な第1エリアの情報を用いて、情報が不十分な第2エリアに位置するユーザの予測情報を生成することにより、情報が不十分なエリアについても所望の予測が可能となる。
As described above, the
また、実施形態に係る情報処理装置100において、取得部131は、第1ユーザに関する他のコンテキスト情報を取得する。生成部133は、他のコンテキスト情報に基づいて、予測情報を生成する。
In addition, in the
このように、実施形態に係る情報処理装置100は、1ユーザに関する他のコンテキスト情報に基づいて、コンテンツの配信における収益性を予測する予測情報を生成することにより、コンテンツの配信における収益性を予測可能にすることができる。例えば、情報処理装置100は、情報が十分な第1エリアの情報を用いて、情報が不十分な第2エリアに位置するユーザの予測情報を生成することにより、情報が不十分なエリアについても所望の予測が可能となる。
As described above, the
また、実施形態に係る情報処理装置100において、取得部131は、収益性の予測に用いるモデルを取得する。生成部133は、コンテキスト情報と、モデルとに基づいて、予測情報を生成する。
In the
このように、実施形態に係る情報処理装置100は、コンテキスト情報と、モデルとに基づいて、コンテンツの配信における収益性を予測する予測情報を生成することにより、コンテンツの配信における収益性を予測可能にすることができる。
As described above, the
また、実施形態に係る情報処理装置100において、取得部131は、コンテキスト情報の入力に応じて、収益性に関するスコアを出力するモデルを取得する。生成部133は、コンテキスト情報をモデルに入力することによりモデルが出力したスコアに基づいて、予測情報を生成する。
Further, in the
このように、実施形態に係る情報処理装置100は、コンテキスト情報をモデルに入力することによりモデルが出力したスコアに基づいて、予測情報を生成することにより、コンテンツの配信における収益性を予測可能にすることができる。
As described above, the
また、実施形態に係る情報処理装置100において、取得部131は、コンテンツが配信されたユーザのコンテンツに対する行動に関するスコアを出力するモデルを取得する。生成部133は、モデルが出力したスコアに基づいて、ユーザのコンテンツに対する行動に関する予測情報を生成する。
In addition, in the
このように、実施形態に係る情報処理装置100は、モデルが出力したスコアであって、コンテンツが配信されたユーザのコンテンツに対する行動に関するスコアに基づいて、ユーザのコンテンツに対する行動に関する予測情報を生成することにより、コンテンツの配信における収益性を予測可能にすることができる。
As described above, the
また、実施形態に係る情報処理装置100において、取得部131は、コンテンツに対するユーザの所定の操作に関するスコアを出力するモデルを取得する。生成部133は、モデルが出力したスコアに基づいて、ユーザの所定の操作に関する予測情報を生成する。
In addition, in the
このように、実施形態に係る情報処理装置100は、モデルが出力したスコアであって、コンテンツに対するユーザの所定の操作に関するスコアに基づいて、ユーザの所定の操作に関する予測情報を生成することにより、コンテンツの配信における収益性を予測可能にすることができる。
As described above, the
また、実施形態に係る情報処理装置100において、取得部131は、コンテンツに対するユーザの開封操作に関するスコアを出力するモデルを取得する。生成部133は、モデルが出力したスコアに基づいて、ユーザの開封操作に関する予測情報を生成する。
In the
このように、実施形態に係る情報処理装置100は、モデルが出力したスコアであって、コンテンツに対するユーザの開封操作に関するスコアに基づいて、ユーザの開封操作に関する予測情報を生成することにより、コンテンツの配信における収益性を予測可能にすることができる。
As described above, the
また、実施形態に係る情報処理装置100において、取得部131は、コンテンツの閲覧時間に関するスコアを出力するモデルを取得する。生成部133は、モデルが出力したスコアに基づいて、コンテンツの閲覧時間に関する予測情報を生成する。
Further, in the
このように、実施形態に係る情報処理装置100は、モデルが出力したスコアであって、コンテンツの閲覧時間に関するスコアに基づいて、コンテンツの閲覧時間に関する予測情報を生成することにより、コンテンツの配信における収益性を予測可能にすることができる。
As described above, the
また、実施形態に係る情報処理装置100において、取得部131は、コンテンツを含む所定のコンテンツ群の閲覧時間に関するスコアを出力するモデルを取得する。生成部133は、モデルが出力したスコアに基づいて、所定のコンテンツ群の閲覧時間に関する予測情報を生成する。
In addition, in the
このように、実施形態に係る情報処理装置100は、モデルが出力したスコアであって、コンテンツを含む所定のコンテンツ群の閲覧時間に関するスコアに基づいて、所定のコンテンツ群の閲覧時間に関する予測情報を生成することにより、コンテンツの配信における収益性を予測可能にすることができる。
As described above, the
〔5.ハードウェア構成〕
上述してきた実施形態に係る情報処理装置100は、例えば図12に示すような構成のコンピュータ1000によって実現される。図12は、情報処理装置の機能を実現するコンピュータの一例を示すハードウェア構成図である。コンピュータ1000は、CPU1100、RAM1200、ROM(Read Only Memory)1300、HDD(Hard Disk Drive)1400、通信インターフェイス(I/F)1500、入出力インターフェイス(I/F)1600、及びメディアインターフェイス(I/F)1700を有する。
[5. Hardware configuration)
The
CPU1100は、ROM1300またはHDD1400に格納されたプログラムに基づいて動作し、各部の制御を行う。ROM1300は、コンピュータ1000の起動時にCPU1100によって実行されるブートプログラムや、コンピュータ1000のハードウェアに依存するプログラム等を格納する。
The
HDD1400は、CPU1100によって実行されるプログラム、及び、かかるプログラムによって使用されるデータ等を格納する。通信インターフェイス1500は、ネットワークNを介して他の機器からデータを受信してCPU1100へ送り、CPU1100が生成したデータをネットワークNを介して他の機器へ送信する。
The
CPU1100は、入出力インターフェイス1600を介して、ディスプレイやプリンタ等の出力装置、及び、キーボードやマウス等の入力装置を制御する。CPU1100は、入出力インターフェイス1600を介して、入力装置からデータを取得する。また、CPU1100は、生成したデータを入出力インターフェイス1600を介して出力装置へ出力する。
The
メディアインターフェイス1700は、記録媒体1800に格納されたプログラムまたはデータを読み取り、RAM1200を介してCPU1100に提供する。CPU1100は、かかるプログラムを、メディアインターフェイス1700を介して記録媒体1800からRAM1200上にロードし、ロードしたプログラムを実行する。記録媒体1800は、例えばDVD(Digital Versatile Disc)、PD(Phase change rewritable Disk)等の光学記録媒体、MO(Magneto-Optical disk)等の光磁気記録媒体、テープ媒体、磁気記録媒体、または半導体メモリ等である。
The
例えば、コンピュータ1000が実施形態に係る情報処理装置100として機能する場合、コンピュータ1000のCPU1100は、RAM1200上にロードされたプログラムを実行することにより、制御部130の機能を実現する。コンピュータ1000のCPU1100は、これらのプログラムを記録媒体1800から読み取って実行するが、他の例として、他の装置からネットワークNを介してこれらのプログラムを取得してもよい。
For example, when the
以上、本願の実施形態のいくつかを図面に基づいて詳細に説明したが、これらは例示であり、発明の開示の行に記載の態様を始めとして、当業者の知識に基づいて種々の変形、改良を施した他の形態で本発明を実施することが可能である。 As described above, some of the embodiments of the present application have been described in detail with reference to the drawings. However, these are exemplifications, and various modifications based on the knowledge of those skilled in the art, including the aspects described in the disclosure row of the invention, The invention can be implemented in other modified forms.
〔6.その他〕
また、上記実施形態において説明した各処理のうち、自動的に行われるものとして説明した処理の全部または一部を手動的に行うこともでき、あるいは、手動的に行われるものとして説明した処理の全部または一部を公知の方法で自動的に行うこともできる。この他、上記文書中や図面中で示した処理手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。例えば、各図に示した各種情報は、図示した情報に限られない。
[6. Others)
Further, of the processes described in the above embodiment, all or a part of the processes described as being performed automatically can be manually performed, or the processes described as being performed manually can be performed. All or part can be performed automatically by a known method. In addition, the processing procedures, specific names, and information including various data and parameters shown in the above documents and drawings can be arbitrarily changed unless otherwise specified. For example, the various information shown in each drawing is not limited to the information shown.
また、図示した各装置の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、各装置の分散・統合の具体的形態は図示のものに限られず、その全部または一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。 Each component of each device illustrated is a functional concept, and does not necessarily need to be physically configured as illustrated. That is, the specific form of distribution / integration of each device is not limited to the one shown in the figure, and all or a part thereof may be functionally or physically distributed / arbitrarily divided into arbitrary units according to various loads and usage conditions. Can be integrated and configured.
また、上述してきた各実施形態に記載された各処理は、処理内容を矛盾させない範囲で適宜組み合わせることが可能である。 Further, the processes described in the above-described embodiments can be appropriately combined within a range that does not contradict the processing contents.
また、上述してきた「部(section、module、unit)」は、「手段」や「回路」などに読み替えることができる。例えば、取得部は、取得手段や取得回路に読み替えることができる。 Further, the “section (section, module, unit)” described above can be read as “means”, “circuit”, or the like. For example, the acquiring unit can be replaced with an acquiring unit or an acquiring circuit.
1 情報処理システム
100 情報処理装置
121 オープンデータ記憶部
122 ユーザ情報記憶部
123 行動情報記憶部
124 分布情報記憶部
125 モデル情報記憶部
126 予測情報記憶部
127 生成用情報記憶部
130 制御部
131 取得部
132 決定部
133 生成部
134 提供部
10 端末装置
50 情報提供装置
N ネットワーク
REFERENCE SIGNS
Claims (12)
前記取得部により取得された前記コンテキスト情報に基づいて、前記コンテンツの配信における収益性を予測する予測情報を生成する生成部と、
を備えることを特徴とする情報処理装置。 An acquisition unit that acquires context information related to content distribution;
A generation unit configured to generate prediction information for predicting profitability in distribution of the content based on the context information acquired by the acquisition unit;
An information processing apparatus comprising:
所定のエリアに位置する第1ユーザに配信された前記コンテンツに対する、前記第1ユーザの行動情報と、前記所定のエリア以外とは異なる他のエリアに位置する第2ユーザに関するコンテキスト情報を取得し、
前記生成部は、
前記所定のエリアにおける前記第1ユーザの行動情報と、前記他のエリアにおける前記第2ユーザに関するコンテキスト情報に基づいて、前記他のエリアに位置する前記第2ユーザに前記コンテンツが配信される場合の前記予測情報を生成する
ことを特徴とする請求項1に記載の情報処理装置。 The acquisition unit,
For the content distributed to a first user located in a predetermined area, the first user's action information and context information about a second user located in another area different from the predetermined area are obtained,
The generation unit includes:
When the content is distributed to the second user located in the other area based on the behavior information of the first user in the predetermined area and context information about the second user in the other area The information processing apparatus according to claim 1, wherein the prediction information is generated.
前記第1ユーザに関する他のコンテキスト情報を取得し、
前記生成部は、
前記他のコンテキスト情報に基づいて、前記予測情報を生成する
ことを特徴とする請求項2に記載の情報処理装置。 The acquisition unit,
Obtaining other context information about the first user;
The generation unit includes:
The information processing apparatus according to claim 2, wherein the prediction information is generated based on the other context information.
前記収益性の予測に用いるモデルを取得し、
前記生成部は、
前記コンテキスト情報と、前記モデルとに基づいて、前記予測情報を生成する
ことを特徴とする請求項1〜3のいずれか1項に記載の情報処理装置。 The acquisition unit,
Obtaining a model used for predicting the profitability,
The generation unit includes:
The information processing apparatus according to any one of claims 1 to 3, wherein the prediction information is generated based on the context information and the model.
前記コンテキスト情報の入力に応じて、前記収益性に関するスコアを出力するモデルを取得し、
前記生成部は、
前記コンテキスト情報を前記モデルに入力することにより前記モデルが出力した前記スコアに基づいて、前記予測情報を生成する
ことを特徴とする請求項4に記載の情報処理装置。 The acquisition unit,
In response to the input of the context information, to obtain a model that outputs a score related to the profitability,
The generation unit includes:
The information processing apparatus according to claim 4, wherein the prediction information is generated based on the score output by the model by inputting the context information to the model.
前記コンテンツが配信されたユーザの前記コンテンツに対する行動に関する前記スコアを出力する前記モデルを取得し、
前記生成部は、
前記モデルが出力した前記スコアに基づいて、前記ユーザの前記コンテンツに対する行動に関する前記予測情報を生成する
ことを特徴とする請求項5に記載の情報処理装置。 The acquisition unit,
Acquiring the model that outputs the score related to the behavior of the user of the content to which the content is distributed,
The generation unit includes:
The information processing apparatus according to claim 5, wherein the prediction information related to the behavior of the user with respect to the content is generated based on the score output by the model.
前記コンテキスト情報の入力に応じて、前記コンテンツに対する前記ユーザの所定の操作に関する前記スコアを出力する前記モデルを取得し、
前記生成部は、
前記モデルが出力した前記スコアに基づいて、前記ユーザの所定の操作に関する前記予測情報を生成する
ことを特徴とする請求項6に記載の情報処理装置。 The acquisition unit,
In response to the input of the context information, to obtain the model that outputs the score related to the user's predetermined operation on the content,
The generation unit includes:
The information processing apparatus according to claim 6, wherein the prediction information relating to a predetermined operation of the user is generated based on the score output by the model.
前記コンテキスト情報の入力に応じて、前記コンテンツに対する前記ユーザの開封操作に関する前記スコアを出力する前記モデルを取得し、
前記生成部は、
前記モデルが出力した前記スコアに基づいて、前記ユーザの開封操作に関する前記予測情報を生成する
ことを特徴とする請求項7に記載の情報処理装置。 The acquisition unit,
In response to the input of the context information, to obtain the model that outputs the score related to the user's opening operation on the content,
The generation unit includes:
The information processing apparatus according to claim 7, wherein the prediction information related to the opening operation of the user is generated based on the score output by the model.
前記コンテンツの閲覧時間に関する前記スコアを出力する前記モデルを取得し、
前記生成部は、
前記モデルが出力した前記スコアに基づいて、前記コンテンツの閲覧時間に関する前記予測情報を生成する
ことを特徴とする請求項6〜8のいずれか1項に記載の情報処理装置。 The acquisition unit,
Acquiring the model that outputs the score regarding the viewing time of the content,
The generation unit includes:
The information processing apparatus according to any one of claims 6 to 8, wherein the prediction information relating to a viewing time of the content is generated based on the score output by the model.
前記コンテンツを含む所定のコンテンツ群の閲覧時間に関する前記スコアを出力する前記モデルを取得し、
前記生成部は、
前記モデルが出力した前記スコアに基づいて、前記所定のコンテンツ群の閲覧時間に関する前記予測情報を生成する
ことを特徴とする請求項9に記載の情報処理装置。 The acquisition unit,
Acquiring the model that outputs the score related to the browsing time of a predetermined content group including the content,
The generation unit includes:
The information processing apparatus according to claim 9, wherein the prediction information related to a browsing time of the predetermined content group is generated based on the score output by the model.
コンテンツの配信に関するコンテキスト情報を取得する取得工程と、
前記取得工程により取得された前記コンテキスト情報に基づいて、前記コンテンツの配信における収益性を予測する予測情報を生成する生成工程と、
を含むことを特徴とする情報処理方法。 An information processing method executed by a computer,
An acquisition step of acquiring context information related to content distribution;
A generation step of generating prediction information for predicting profitability in distribution of the content based on the context information acquired by the acquisition step;
An information processing method comprising:
前記取得手順により取得された前記コンテキスト情報に基づいて、前記コンテンツの配信における収益性を予測する予測情報を生成する生成手順と、
をコンピュータに実行させることを特徴とする情報処理プログラム。 An acquisition procedure for acquiring context information related to content distribution;
A generation step of generating prediction information for predicting profitability in distribution of the content, based on the context information obtained by the obtaining step;
An information processing program for causing a computer to execute the following.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018174207A JP7061542B2 (en) | 2018-09-18 | 2018-09-18 | Information processing equipment, information processing methods, and information processing programs |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018174207A JP7061542B2 (en) | 2018-09-18 | 2018-09-18 | Information processing equipment, information processing methods, and information processing programs |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020046880A true JP2020046880A (en) | 2020-03-26 |
JP7061542B2 JP7061542B2 (en) | 2022-04-28 |
Family
ID=69899815
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018174207A Active JP7061542B2 (en) | 2018-09-18 | 2018-09-18 | Information processing equipment, information processing methods, and information processing programs |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7061542B2 (en) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011243125A (en) * | 2010-05-21 | 2011-12-01 | Willvii Corp | Advertisement distribution system |
JP2014120012A (en) * | 2012-12-18 | 2014-06-30 | Yahoo Japan Corp | Advertisement information providing device and advertisement information providing method |
JP6130034B1 (en) * | 2016-07-07 | 2017-05-17 | ヤフー株式会社 | Advertisement distribution apparatus, advertisement distribution method, and advertisement distribution program |
JP2018005426A (en) * | 2016-06-29 | 2018-01-11 | Line株式会社 | Message distribution method, information processing device, and program |
-
2018
- 2018-09-18 JP JP2018174207A patent/JP7061542B2/en active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011243125A (en) * | 2010-05-21 | 2011-12-01 | Willvii Corp | Advertisement distribution system |
JP2014120012A (en) * | 2012-12-18 | 2014-06-30 | Yahoo Japan Corp | Advertisement information providing device and advertisement information providing method |
JP2018005426A (en) * | 2016-06-29 | 2018-01-11 | Line株式会社 | Message distribution method, information processing device, and program |
JP6130034B1 (en) * | 2016-07-07 | 2017-05-17 | ヤフー株式会社 | Advertisement distribution apparatus, advertisement distribution method, and advertisement distribution program |
Also Published As
Publication number | Publication date |
---|---|
JP7061542B2 (en) | 2022-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20170068982A1 (en) | Personalized contextual coupon engine | |
CN106605418A (en) | Power management of mobile clients using location-based services | |
JP2011096173A (en) | System, terminal, server, method and program for providing information | |
JP2017151867A (en) | Update device, update method, and update program | |
US10823578B1 (en) | Geographical catchment data for electronic displays | |
JP2019049836A (en) | Estimation device and estimation method and estimation program | |
JP2020008959A (en) | Device, method, and program for processing information | |
JP7001508B2 (en) | Information processing equipment, information processing methods, and programs. | |
JP2022531410A (en) | Digital anthropology and ethnographic system | |
JP7194798B2 (en) | Information processing device, information processing method, and information processing program | |
JP7259110B2 (en) | Information processing device, information processing method, and information processing program | |
CN111340540A (en) | Monitoring method, recommendation method and device of advertisement recommendation model | |
JP7042197B2 (en) | Information processing equipment, information processing methods, and information processing programs | |
JP7061542B2 (en) | Information processing equipment, information processing methods, and information processing programs | |
JP6981946B2 (en) | Information processing equipment, information processing methods, and information processing programs | |
JP7018857B2 (en) | Information processing equipment, information processing methods, and information processing programs | |
RU2658876C1 (en) | Wireless device sensor data processing method and server for the object vector creating connected with the physical position | |
US11930421B2 (en) | System and method for clustering end users to select and deliver a notification to mobile device | |
JP6797870B2 (en) | Generation device, generation method, and generation program | |
JP6392921B1 (en) | Generating device, generating method, and generating program | |
JP7071940B2 (en) | Providing equipment, providing method and providing program | |
JP2017146683A (en) | Generation device, generation method, and generation program | |
JP6924303B2 (en) | Generation device, generation method, and generation program | |
CN117291670B (en) | Video advertisement playing method and device based on crowd data | |
US11580573B2 (en) | Fan experience recommendation system and method |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A711 | Notification of change in applicant |
Free format text: JAPANESE INTERMEDIATE CODE: A712 Effective date: 20191101 |
|
RD03 | Notification of appointment of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7423 Effective date: 20191108 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200917 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20210730 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210810 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20211008 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20211026 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220121 |
|
C60 | Trial request (containing other claim documents, opposition documents) |
Free format text: JAPANESE INTERMEDIATE CODE: C60 Effective date: 20220121 |
|
A911 | Transfer to examiner for re-examination before appeal (zenchi) |
Free format text: JAPANESE INTERMEDIATE CODE: A911 Effective date: 20220128 |
|
C21 | Notice of transfer of a case for reconsideration by examiners before appeal proceedings |
Free format text: JAPANESE INTERMEDIATE CODE: C21 Effective date: 20220201 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20220322 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220418 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7061542 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313111 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |