JP2020052495A - 情報処理装置及び情報処理プログラム - Google Patents

Abstract

【課題】宣伝文と取引対象の組み合わせが複数存在し得る場合において、取引対象を説明する宣伝文を表示したときに、宣伝文を表示していないときと比較して、ユーザが取引対象を取引する回数が最も増える宣伝文と商品の組み合わせを特定する。【解決手段】情報処理装置は、取引対象を説明する宣伝文が表示されていたときにユーザによって前記取引対象が取引される回数を示す第１取引回数と、前記宣伝文が表示されていないときに前記ユーザによって前記取引対象が取引される回数を示す第２取引回数とを予測する予測部と、前記第１取引回数及び前記第２取引回数の情報と、前記取引対象の情報から、宣伝文の有無が前記取引対象の取引に与える影響度を判断する判断部と、前記影響度が最も高い取引対象と宣伝文の組み合わせを特定する特定部と、特定された前記取引対象と宣伝文の組み合わせを表示するよう制御する制御部と、を備える。【選択図】図７

Description

本開示の技術は、情報処理装置及び情報処理プログラムに関する。

特許文献１には、商品属性毎に、プロモーション内容と売上の相関を算出し、売上に寄与するプロモーションを実行することが開示されている。

特許文献２には、商品属性をもとに売り上げ予測を行うことで、商品をカテゴライズし、その情報をもとに、商品の過去の広告サイズから人手で次の広告面積を決定することが開示されている。

特許文献３には、アイテムの売上高に応じて掲載する商品を決定することが開示されている。

特開２０１３−０１２１６８ 特開２０１０−２３７９２３ 特開２００４−１１０４１７

取引対象を説明する宣伝文が表示されている場合、取引対象が表示されていない場合と比較して、取引対象が取引される回数が増えることがあるが、取引される回数が増える程度は、表示されている宣伝文や取引対象によって異なり、宣伝文と取引対象の組み合わせによっては取引される回数が増えにくいものもあった。

本発明は、宣伝文と取引対象の組み合わせが複数存在し得る場合において、取引対象を説明する宣伝文を表示したときに、宣伝文を表示していないときと比較して、ユーザが取引対象を取引する回数が最も増える宣伝文と商品の組み合わせを特定することができる情報処理装置及び情報処理プログラムを提供することを目的とする。

上記目的を達成するために、請求項１に記載の情報処理装置の発明は、取引対象を説明する宣伝文が表示されていたときにユーザによって前記取引対象が取引される回数を示す第１取引回数と、前記宣伝文が表示されていないときに前記ユーザによって前記取引対象が取引される回数を示す第２取引回数とを予測する予測部と、前記第１取引回数及び前記第２取引回数の情報と、前記取引対象の情報から、宣伝文の有無が前記取引対象の取引に与える影響度を判断する判断部と、前記影響度が最も高い取引対象と宣伝文の組み合わせを特定する特定部と、特定された前記取引対象と宣伝文の組み合わせを表示するよう制御する制御部と、を備える。

請求項２に記載の情報処理装置の発明は、請求項１に記載の情報処理装置において、前記予測部は、前記取引対象の過去の取引時に用いられた宣伝文以外の宣伝文が表示されていたときにユーザによって前記取引対象が取引される回数を示す第１取引回数を予測する。

請求項３に記載の情報処理装置の発明は、請求項１に記載の情報処理装置において、前記取引対象には、過去の取引時には宣伝文が表示されていない。

請求項４に記載の情報処理装置の発明は、請求項３に記載の情報処理装置において、前記予測部は、過去の取引時には表示されていないクラスタの宣伝文が取引時に用いられた場合の取引対象の取引数を予測する。

請求項５に記載の情報処理装置の発明は、請求項１〜請求項４の何れか１項に記載の情報処理装置において、前記予測部は、前記予測する取引数に影響を及ぼす少なくとも１つの項目の値を考慮して、前記第１取引回数と前記第２取引回数とを予測する。

請求項６に記載の情報処理装置の発明は、請求項５に記載の情報処理装置において、前記項目の値は、前記取引対象の過去の取引時において定まる値から変化させた値である。

請求項７に記載の情報処理装置の発明は、取引対象を説明する宣伝文が表示されていたときにユーザによって前記取引対象が取引される回数を示す第１取引回数の、前記宣伝文が表示されていないときに前記ユーザによって前記取引対象が取引される回数を示す第２取引回数に対する伸び率を予測する予測部と、前記予測された伸び率から、宣伝文の有無が前記取引対象の取引に与える影響度を判断する判断部と、前記影響度が最も高い取引対象と宣伝文の組み合わせを特定する特定部と、特定された前記取引対象と宣伝文の組み合わせを表示するよう制御する制御部と、を備える。

請求項８に記載の情報処理装置の発明は、請求項１〜請求項７の何れか１項に記載の情報処理装置において、前記宣伝文は、複数のクラスタに分類可能であり、前記取引対象には、取引時に、前記複数のクラスタの中の何れかのクラスタの宣伝文が用いられる場合があり、前記取引対象に用いられる宣伝文をクラスタリングするクラスタリング部と、前記クラスタリングの結果から、前記取引対象に宣伝文が付加されていないクラスタを特定するクラスタ特定部と、前記特定されたクラスタに宣伝文を補充する補充部と、を更に備え、前記予測部は、前記取引対象について、前記複数のクラスタの宣伝文の各々の前記第１取引回数を予測する。

請求項９に記載の情報処理装置の発明は、請求項８に記載の情報処理装置において、前記補充部は、前記取引対象に予め関連付けられた取引対象における前記特定されたクラスタの宣伝文を補充する。

請求項１０に記載の情報処理装置の発明は、請求項１〜請求項９の何れか１項に記載の情報処理装置において、前記予測部は、前記取引の状況を考慮して、前記第１取引回数と前記第２取引回数とを予測する。

請求項１１に記載の情報処理装置の発明は、請求項１〜請求項１０の何れか１項に記載の情報処理装置において、前記予測部は、取引需要者の複数の種類の各々について、前記第１取引回数と前記第２取引回数とを予測する。

請求項１２に記載の情報処理装置の発明は、請求項１〜請求項１１の何れか１項に記載の情報処理装置において、前記特定された取引対象を、出力部を介して、予め定められた出力先に出力する処理を行う出力処理部を更に備える。

請求項１３に記載の情報処理装置の発明は、請求項１２に記載の情報処理装置において、前記出力処理部は、前記特定された宣伝文を前記出力先に更に出力する。

請求項１４に記載の情報処理装置の発明は、コンピュータを、請求項１〜請求項１３の何れか１項に記載の情報処理装置の各部として機能させるための情報処理プログラムである。

請求項１、１４に記載の発明によれば、宣伝文と取引対象の組み合わせが複数存在し得る場合において、取引対象を説明する宣伝文を表示したときに、宣伝文を表示していないときと比較して、ユーザが取引対象を取引する回数が最も増える宣伝文と商品の組み合わせを特定することができる、という効果を有する。

請求項２に記載の発明によれば、取引対象の過去の取引時に用いられた宣伝文以外の宣伝文が用いられた場合において、ユーザが取引対象を取引する回数が最も増える宣伝文と商品の組み合わせを特定することができる、という効果を有する。

請求項３に記載の発明によれば、過去の取引時には宣伝文が表示されていない場合において、ユーザが取引対象を取引する回数が最も増える宣伝文と商品の組み合わせを特定することができる、という効果を有する。

請求項４に記載の発明によれば、過去の取引時には用いられていないクラスタの宣伝文が取引時に用いられた場合において、ユーザが取引対象を取引する回数が最も増える宣伝文と商品の組み合わせを特定することができる、という効果を有する。

請求項５に記載の発明によれば、取引数をより精度よく予測することができる、という効果を有する。

請求項６に記載の発明によれば、項目の値を、取引対象の過去の取引時において定まる値から変化させた場合において、ユーザが取引対象を取引する回数が最も増える宣伝文と商品の組み合わせを特定することができる、という効果を有する。

請求項７に記載の発明によれば、宣伝文と取引対象の組み合わせが複数存在し得る場合において、取引対象を説明する宣伝文を表示したときに、宣伝文を表示していないときと比較して、ユーザが取引対象を取引する回数が最も増える宣伝文と商品の組み合わせを特定することができる、という効果を有する。

請求項８に記載の発明によれば、取引数をより精度よく予測することができる、という効果を有する。

請求項９に記載の発明によれば、取引数を更に精度よく予測することができる、という効果を有する。

請求項１０に記載の発明によれば、取引数をより精度よく予測することができる、という効果を有する。

請求項１１に記載の発明によれば、取引数をより精度よく予測することができる、という効果を有する。

請求項１２に記載の発明によれば、特定された取引対象を、予め定められた出力先に教えることができる、という効果を有する。

請求項１３に記載の発明によれば、特定された宣伝文を出力先に教えることができる、という効果を有する。

キャッチコピー提案装置１０のブロック図である。 記憶装置３８の記憶内容を示す図である。 ＣＰＵ２２がキャッチコピー提案処理プログラムを実行することで実現される各種機能のブロック図である。 キャッチコピー提案装置１０における認識度予測モデル４４の機械学習の方法を示す図である。 キャッチコピー提案装置１０における嗜好度予測モデル４６の機械学習の方法を示す図である。 キャッチコピー提案装置１０における購入個数予測モデル４８の機械学習の方法を示す図である。 キャッチコピー提案処理のフローチャートである。 第２の実施の形態のＣＰＵ２２の機能ブロック図である。 第２の実施の形態におけるキャッチコピー提案処理のフローチャートである。 第３の実施の形態における提案処理のフローチャートである。 第４の実施の形態における提案処理のフローチャートである。 レビュー文選択モデルの機械学習の方法を示す図である。

以下、図面を参照して本発明の実施の形態を詳細に説明する。

[第１の実施の形態]

以下、本発明の第１の実施の形態に係る取引数判断装置について図面を参照して説明する。

図１には、キャッチコピー提案装置１０のブロック図が示されている。キャッチコピー提案装置１０は、キャッチコピーにより購入個数が増加するアイテムを特定し、特定したアイテムについてキャッチコピーの作成及び購入個数が増加するキャッチコピーを顧客に提案する装置である。

キャッチコピー提案装置１０は、本開示の技術の「情報処理装置」の一例である。

図１に示すように、キャッチコピー提案装置１０は、コンピュータ２０を備えている。コンピュータ２０は、ＣＰＵ２２、ＲＯＭ２４、ＲＡＭ２６、入出力（Ｉ/Ｏ）ポート２８を備えている。ＣＰＵ２２〜入出力（Ｉ/Ｏ）ポート２８はバス３０により相互に接続されている。入出力（Ｉ/Ｏ）ポート２８には、ディスプレイ３２、通信装置３４、入力装置３６、及び記憶装置３８が接続されている。

ＲＯＭ２４には、後述するキャッチコピー提案プログラムが記憶されている。キャッチコピー提案プログラムは、本開示の技術の「情報処理プログラム」の一例である。

通信装置３４は、顧客に、上記アイテム及びキャッチコピーを送信する。例えば、メール、ラインなどである。
通信装置３４は、本開示の技術の「出力部」の一例である。

図２には、記憶装置３８の記憶内容が示されている。記憶装置３８の記憶領域４０には、購入個数データベース４２、認識度予測モデル４４、嗜好度予測モデル４６、及び購入個数予測モデル４８が記憶されている。購入個数データベース４２には、顧客毎の購入個数予測モデル５２、５４、５６、・・・を備えている。例えば、顧客Ａの購入個数予測モデル５２には、アイテム記憶領域６２、キャッチコピー記憶領域６４、ユーザ情報記憶領域６６、及びコンテクスト記憶領域６８が対応付けられている。アイテム記憶領域６２には、販売する個々のアイテムのデータが記憶されている。例えば、食品における豆製品の中の豆腐における具体的な豆腐１（もめん豆腐）、豆腐２（きぬごし豆腐）、・・・などの個別のアイテムが記憶されている。キャッチコピー記憶領域６４には、アイテム記憶領域６２に記憶されている個別のアイテムに対応してキャッチコピーが記憶されている場合があり、また一アイテムに対して複数のキャッチコピーが記憶されている場合もある。例えば豆腐１に対応してＣＣ１（「もちもち食感が楽しめる」）、ＣＣ２（「素材の味が生きている」）が記憶されている。豆腐２には、キャッチコピーが記憶されていない。

ユーザ情報記憶領域６６には、各キャッチコピーに対応して、個別のユーザのデータが記憶されている。個別のユーザの情報には、例えば、属性ごとに切り分けられた顧客集合、具体的には、１０代男、１０代女、２０代男、２０代女、・・・などである。例えば、１０代男は、１０代男個々ではなく１０代男全体を表す。１０代男、１０代女、２０代男、２０代女、・・・に代えて又はこれらと共に、特定の個人の属性を表す情報（例えば、２０代男性等）でもよい。更に、個々のユーザ、例えば、Ａさん、Ｂさん、Ｃさん・・・でもよい。また、特定のユーザを識別する意味を持たない情報（会員ＩＤなど）でもよい。個別のユーザの情報に対応してコンテクスト記憶領域６８には各コンテクストのデータが設けられている。コンテクストは、アイテムを誰と購入したのか、いつ購入したのかを示すデータに分かれている。例えば、一人で、春、夏、秋、又は冬に購入したことが具体的コンテクストとして特定されている。家族でアイテムを購入した場合や恋人と購入した場合も、一人で購入した場合と同様に具体的コンテクストが特定されている。各具体的コンテクストに対応して購入個数記憶領域７０ｉが設けられている。購入個数記憶領域７０ｉには、具体的コンテクストにおいて、キャッチコピーが付されている又は付されていないアイテムをユーザが購入した個数のデータが記憶されている。例えば、一人で春（具体的コンテクスト）において、ＣＣ１（「もちもち食感が楽しめる」（キャッチコピー））が付されている豆腐１（もめん豆腐（アイテム））を１０代男（ユーザ）が単位時間において一回の購入時の購入個数：５個（データ）が記憶されている。単位時間としては、例えば、一週間、一か月、三か月等である。また、当該個数は正規化された値である。具体的には、一人で春においてＣＣ１が付されている豆腐１を１０代男個々ではなく１０代男全体として、１週間において、合計５０個購入し、１０代男個々の購入回数（来店回数に相当）の総数が１０回であれば、５０個を正規化し、５個が記憶されている。より詳細には、１週間に１０代男のＡさん、Ｂさん、Ｃさんが来店し、１週間の来店数が、Ａさんは５回、Ｂさんは３回、Ｃさんは２回であったとする。更に、Ａさんは各回７個、１週間では、合計３５個購入し、Ｂさんは各回３個、１週間では、合計９個購入し、Ｃさんは各回３個、１週間では、合計６個購入したとする。１週間において、合計５０個購入されたが、購入回数で正規化した値は、５個である。

例えば、顧客Ｂの購入個数データベース５４には、アイテム記憶領域には、電気機器（オフィス用電気機器（コピー機、ファクシミリ装置、スキャナ装置、及びこれらのコピー機、ファクシミリ装置、スキャナ装置の複数の機能を有する複数機能装置、パーソナルコンピュータ、電話機等）、個人用電気機器（コピー機、ファクシミリ装置、スキャナ装置、及びこれらのコピー機、ファクシミリ装置、スキャナ装置の複数の機能を有する複数機能装置、パーソナルコンピュータ、電話機等）の各アイテムのデータが記憶されていてもよい。

豆腐１等は、本開示の技術の「取引対象」の一例である。キャッチコピーは、本開示の技術の「宣伝文」の一例である。１０代男等は、本開示の技術の「取引需要者」の一例である。

図３には、ＣＰＵ２２がキャッチコピー提案処理プログラムを実行することで実現される各種機能のブロック図が示されている。キャッチコピー提案処理プログラムの機能は、認識度算出機能、嗜好度算出機能、購入個数伸び率算出機能、アイテム特定機能、提案処理機能を有する。ＣＰＵ２２がこれらの機能を有するキャッチコピー提案処理プログラムを実行することで、ＣＰＵ２２は、認識度算出部８２、嗜好度算出部８４、購入個数伸び率算出部８６、アイテム特定部８８、提案処理部９０として機能する。

認識度算出部８２は、アイテム毎に各ユーザが各コンテクストにおいてキャッチコピーを認識するか否かを示す認識度を算出する。認識度算出部８２は、認識度を、予め機械学習において求めた認識度予測モデル４４を用いて、認識度を算出する。

嗜好度算出部８４は、アイテム毎に、各ユーザが各コンテクストにおいて各キャッチコピーをどのくらい好きかを示す嗜好度を算出する。嗜好度算出部８４は、予め機械学習において求めた嗜好度予測モデル４６を用いて嗜好度を算出する。

購入個数伸び率算出部８６は、アイテム毎に、各ユーザ及び各コンテクストにおいて各キャッチコピーがあることでの購入予測個数の伸び率を算出する。購入個数伸び率算出部８６は、予め機械学習において求めた購入個数予測モデル４８を用いて予測した購入個数と、現在の購入個数とを用いて、購入個数の伸び率を算出する。購入個数は、単位時間当たりのアイテムが購入された個数である。なお、単位時間は上記のように、例えば、一週間、一か月、三か月等である。

認識度算出部８２、嗜好度算出部８４、及び購入個数伸び率算出部８６は、本開示の技術の「予測部」の一例である。購入個数伸び率算出部８６、及びアイテム特定部８８は、本開示の技術の「判断部」及び「特定部」の一例である。提案処理部９０は、本開示の技術の「出力処理部」の一例である。

図４には、キャッチコピー提案装置１０における認識度予測モデル４４の機械学習の方法が示されている。図４（Ａ）に示すように、認識度予測モデル４４の機械学習のため、各々アイテム、ユーザ情報、コンテクスト情報、及びキャッチコピーを含む入力データの複数の組の入力データ９２と、各入力データの組に対応する複数の正解の正解データ９４とを、キャッチコピー提案装置１０に入力する。

入力データ９２における各入力データの組には、上記のようにアイテム、ユーザ情報、コンテクスト情報、及びキャッチコピーが含まれている。例えば、アイテムとして豆腐１、ユーザ情報として２０代男性、コンテクスト情報として一人で春、キャッチコピーとして「もちもち食感が楽しめる」などである。

正解データ９４は、各入力データの組における正解、即ち、入力データで定まる条件においてキャッチコピーがどのくらい認識されたのかを示すキャッチコピーの認識度である。

具体的には、２０代男性が一人で春に豆腐１を購入する際に、どのくらいの割合で、「もちもち食感が楽しめる」を認識したのかを示す認識度である。

認識度は、具体的には、キャッチコピーが付されている場合と付されていない場合での上記条件における購入可能総数（上記単位時間当たりの）に対する現実の購入された個数の割合の差である。上記例では、例えば、２０代男性が一人で春に豆腐１を購入する際に、購入可能総数に対する「もちもち食感が楽しめる」が付されている場合の割合が４割で、付されていない場合の割合が１割の場合に、上記差は３割となり、これが認識度である。

図４（Ｂ）に示すように、認識度予測モデル４４の機械学習では、各入力データの組を入力した場合、認識度予測モデル４４が正解９８を出力するように学習する。例えば、入力データ９６、即ち、豆腐１、２０代、男性、一人、春に、「もちもち食感が楽しめる」（「もちもち食感が楽しめる」が付された豆腐１を、２０代男性が一人で春に購入する条件を示す）が入力された場合、正解として３０％を出力するように、認識度予測モデル４４を学習する。以上の学習を、各入力データの組について行う。

以上により、図４（Ｃ）に示すように、認識度予測モデル４４は、他の入力データの組に対応して、正解（認識度）を出力する。例えば、豆腐２、４０代、女性、家族、秋、「もちもち食感が楽しめる」（「もちもち食感が楽しめる」が付された豆腐２を、４０代女性が家族で秋に購入する条件を示す）が入力された場合、正解として２０％を出力する。

図５には、キャッチコピー提案装置１０における嗜好度予測モデル４６の機械学習の方法が示されている。図５（Ａ）に示すように、嗜好度予測モデル４６の機械学習のため、

各々ユーザ情報、及びキャッチコピーを含む入力データの複数の組の入力データ９２と、各入力データの組に対応する複数の正解の正解データ１１４とを、キャッチコピー提案装置１０に入力する。

入力データ１１２における各入力データの組には、上記のようにユーザ情報、及びキャッチコピーが含まれている。例えば、ユーザ情報として２０代男性、キャッチコピーとして「もちもち食感が楽しめる」などである。

正解データ１１４は、各入力データの組における正解、即ち、入力データで定まる条件においてキャッチコピーがどのくらい好きかを示すキャッチコピーの嗜好度である。具体的には、２０代男性が「もちもち食感が楽しめる」をどのくらい好きかを示す嗜好度である。

嗜好度は、具体的には、キャッチコピーが付されている場合と付されていない場合での上記条件における購入可能総数（上記単位時間当たりの）に対する現実の購入された個数の割合の差である。上記例では、例えば、２０代男性が豆腐１を購入する際に、購入可能総数に対する「もちもち食感が楽しめる」が付されている場合の割合が９割で、付されていない場合の割合が１割の場合に、上記差は８割となり、これが嗜好度である。

図５（Ｂ）に示すように、嗜好度予測モデル４６の機械学習では、各入力データの組を入力した場合、嗜好度予測モデル４６が正解１１８を出力するように学習する。例えば、入力データ１１６、即ち、２０代、男性、「もちもち食感が楽しめる」（２０代男性と「もちもち食感が楽しめる」とで定まる条件を示す）が入力された場合、正解として８０％を出力するように、嗜好度予測モデル４６を学習する。以上の学習を、各入力データの組について行う。

以上により、図５（Ｃ）に示すように、嗜好度予測モデル４６は、他の入力データの組に対応して、正解（認識度）を出力する。例えば、４０代、女性、「もちもち食感が楽しめる」（４０代女性と「もちもち食感が楽しめる」とで定まる条件を示す）が入力された場合、正解として２０％を出力する。

図６には、キャッチコピー提案装置１０における購入個数予測モデル４８の機械学習の方法が示されている。図６（Ａ）に示すように、購入個数予測モデル４８の機械学習のため、各々アイテム、ユーザ情報、コンテクスト情報、キャッチコピー、認識度、及び嗜好度を含む入力データの複数の組の入力データ１３２と、各入力データの組に対応する複数の正解の正解データ１３４とを、キャッチコピー提案装置１０に入力する。

入力データ１３２における各入力データの組には、上記のようにアイテム、ユーザ情報、コンテクスト情報、キャッチコピー、認識度、及び嗜好度が含まれている。例えば、アイテムとして豆腐１、ユーザ情報として２０代男性、コンテクスト情報として一人で春、キャッチコピーとして「もちもち食感が楽しめる」、認識度が３０％、嗜好度が８０％などである。

正解データ１３４は、各入力データの組における正解、即ち、入力データで定まる条件においてキャッチコピーが付されたアイテムの予測される購入個数（上記単位時間当たりの）である。具体的には、２０代男性が一人で春に「もちもち食感が楽しめる」が付された豆腐１を購入すると予測される購入個数である。

入力データ１３２に認識度及び嗜好度が加味されているので、購入個数予測モデル４８は、認識度及び嗜好度を加味して、入力データで定まる条件においてキャッチコピーが付されたアイテムの予測される購入個数を予測する。

図６（Ｂ）に示すように、購入個数予測モデル４８の機械学習では、各入力データの組を入力した場合、購入個数予測モデル４８が正解１４８を出力するように学習する。例えば、入力データ１４６、即ち、豆腐１、２０代、男性、一人、春に、「もちもち食感が楽しめる」、３０％、８０％（「もちもち食感が楽しめる」が付された豆腐１を、２０代男性が一人で春に購入し、キャッチコピーの認識度が３０％で、嗜好度が８０％であるという条件を示す）が入力された場合、正解として１０００個を出力するように、購入個数予測モデル４８を学習する。以上の学習を、各入力データの組について行う。

以上により、図６（Ｃ）に示すように、購入個数予測モデル４８は、他の入力データの組に対応して、正解（認識度）１５４を出力する。例えば、豆腐２、４０代、女性、家族、秋、「もちもち食感が楽しめる」、６０％、５０％（「もちもち食感が楽しめる」が付された豆腐２を、４０代女性が家族で秋に購入し、キャッチコピーの認識度が６０％で、嗜好度が５０％であるという条件を示す）が入力された場合、正解として５００個を出力する。

なお、キャッチコピーがない場合に、購入個数が５０個の場合、４５０個増えると予測される。よって、伸び率（キャッチコピーがない場合の購入個数（５０個）に対するキャッチコピーがある場合の購入個数（５００個）の割合）は、１０倍であると計算される。

購入個数予測モデル４８の機械学習は上記の方法に限定されず次のようにしてもよい。例えば、キャッチコピーの有無による購入個数を、アイテムの属性ごとに整理したデータを入力データとしてもよい。

具体的には、図６に示す例では、アイテムは、豆腐１等であるが、アイテムの属性ごとに整理したデータとして、豆腐、絹、及び３連の組、豆腐、木綿、及び単品の組を、アイテムの入力データとする。

他のモデルで予めアイテムを表す分散表現（ベクトルでアイテムの内容が表されている表現）が獲得できている場合、アイテムに関する他の情報は不要としてもよい。

購入個数予測モデル４８の機械学習は、認識度予測モデル４４及び嗜好度予測モデル４６の機械学習とは独立して行っているが、本開示の技術は、これに限定されず、ニューラルネットワークモデルなどを適用して、購入個数予測モデル４８の機械学習の際に、認識度予測モデル４４及び嗜好度予測モデル４６の機械学習も行ってもよい。

まず、アイテムを入力として認識度を適当に計算し、その値を購入個数予測モデル４８の入力とし、購入個数を予測するモデルを構築する。購入個数予測モデル４８を学習する際に、認識度がどの程度であれば購入個数をより正確に予測するかを判断する。例えば、現在の認識度予測モデル４４の出力が３０％であるが、この値が５０％であるとして、購入個数予測モデル４８に入力すれば購入個数はより正確な結果になる。購入個数予測モデル４８の機械学習を、認識度予測モデル４４及び嗜好度予測モデル４６の機械学習も行う。

図７には、ＣＰＵ２２が、ＲＯＭ２４に記憶されたキャッチコピー提案処理プログラムを実行することにより行われるキャッチコピー提案処理のフローチャートが示されている。

キャッチコピー提案処理は、顧客毎に実行される。図７のステップ２０２で、認識度算出部８２は、変数ｉ、変数ｕ、変数ｃｎｔ、及び変数ｃｃを０にセットする。変数ｉは、購入個数データベース４２の例えば、顧客Ａの購入個数データベース５２のアイテム記憶領域６２に記憶されているアイテムを識別する。変数ｕは、変数ｉにより識別されるアイテムｉに対応してユーザ情報記憶領域６６に記憶されているユーザを識別する。具体的には、変数ｕ＝１、２、３、・・・により、１０代男（全体）、１０代女（全体）、２０代男（全体）・・・を識別する。なお、特定の個人の属性を表す情報（例えば、２０代男性等）、個々のユーザの方法（例えば、Ａさん、Ｂさん、Ｃさん・・・）、特定のユーザを識別する意味を持たない情報（会員ＩＤなど）が記憶されている場合には、これらを識別する。変数ｃｎｔは、アイテムｉに対応してコンテクスト記憶領域６８に記憶されている各コンテクストを識別する。変数ｃｃは、アイテムｉに対応してキャッチコピー記憶領域６４に記憶されているキャッチコピー以外のキャッチコピーを識別する。ここで、アイテムｉに対応してキャッチコピー記憶領域６４に記憶されているキャッチコピー以外のキャッチコピーの範囲は、第１に、アイテムｉと同じ種類の他のアイテムのキャッチコピーを識別してもよい。例えば、アイテムｉが豆腐１の場合には、豆腐１でなく、同じ種類の豆腐２・・のキャッチコピーを個々に識別する。第２に、アイテムｉと同一の機会に購入（所謂同時購入）されている他の種類の各アイテムの各キャッチコピーも識別してもよい。第３に、第１及び第２の双方のアイテムを識別するようにしてもよい。なお、購入個数データベース４２の各顧客の購入個数データベース５２、５４、５６、・・・には、アイテムと同一の機会に購入（所謂同時購入）の他のアイテムが当該アイテムに関連付けられている。

ステップ２０４で認識度算出部８２は、変数ｉを１インクリメントし、２０６で、認識度算出部８２は、変数ｕを１インクリメントする。２０８で、認識度算出部８２は、変数ｃｎｔを１インクリメントし、ステップ２１０で、認識度算出部８２は、変数ｃｃを１インクリメントする。

ステップ２１２で、認識度算出部８２は、変数ｕにより識別されるユーザｕ及び変数ｃｎｔにより識別されるコンテクストｃｎｔにおける当該ユーザｕの変数ｃｃにより識別されるキャッチコピーｃｃの認識度を、認識度予測モデル４４により算出する。

ステップ２１４で、嗜好度算出部８４は、ユーザｕ及びコンテクストｃｎｔにおけるユーザｕのキャッチコピーｃｃの嗜好度を、嗜好度予測モデル４６を用いて算出する。

ステップ２１６で、購入個数伸び率算出部８６は、ユーザｕ及びコンテクストｃｎｔにおけるキャッチコピーｃｃによるアイテムｉの購入予測個数を、ユーザｕ、コンテクストｃｎｔ、キャッチコピーｃｃ、及びアイテムｉのデータ、ステップ２１２で算出された認識度、及びステップ２１４で算出された嗜好度、及び購入個数予測モデル４８を用いて算出する。

購入個数伸び率算出部８６は、購入予測個数と、アイテムｉ、キャッチコピーｃｃ、ユーザｕ、及びコンテクストｃｎｔにより定まる以前の購入個数とを用いて伸び率を算出する。

例えば、アイテムｉ、キャッチコピーｃｃ、ユーザｕ、及びコンテクストｃｎｔにより定まる以前の購入個数が４０個で、購入予測個数が８０個の場合、キャッチコピーｃｃにより４０個増え、伸び率は、２倍であると計算される。

ステップ２１８で、認識度算出部８２は、変数ｃｃが、キャッチコピーの総数ＣＣに等しいか否かを判断する。変数ｃｃが総数ＣＣに等しいと判断されなかった場合には、キャッチコピー提案処理は、ステップ２１０に戻り、以上の処理（ステップ２１０〜２１８）を実行する。変数ｃｃが総数ＣＣに等しいと判断された場合には、ステップ２２０で、認識度算出部８２は、変数ｃｎｔが、コンテクストの総数ＣＮＴに等しいか否かを判断する。変数ｃｎｔが総数ＣＮＴと等しいと判断されなかった場合には、キャッチコピー提案処理はステップ２０８に戻り、以上の処理（ステップ２０８〜２２０）を実行する。

変数ｃｎｔが総数ＣＮＴに等しいと判断された場合には、ステップ２２２で、認識度算出部８２は、変数ｕがユーザの総数Ｕに等しいか否かを判断する。変数ｕが総数Ｕに等しいと判断されなかった場合には、キャッチコピー提案処理は２０６に戻り、以上の処理（ステップ２０６〜２２２）を実行する。

変数ｕが総数Ｕに等しいと判断された場合には、ステップ２２４で、変数ｉがアイテムの総数Ｉに等しいか否かを判断する。変数ｉが総数Ｉに等しいと判断されなかった場合には、キャッチコピー提案処理は２０４に戻り、以上の処理（ステップ２０４〜２２４）を実行する。

変数ｉが総数Ｉに等しいと判断された場合には、アイテム、キャッチコピー、ユーザ、及びコンテクストで定まる各条件における購入予測個数の伸び率が計算される。

ステップ２２６で、アイテム特定部８８はアイテム、キャッチコピー、ユーザ、及びコンテクストで定まる各条件で伸び率が最も大きいアイテムとキャッチコピーの組み合わせを特定する。また予め定められた伸び率の閾値を満たす（例えば伸び率が１より大きい）アイテムとキャッチコピーの組み合わせを複数特定してもよい。

ステップ２２８で、提案処理部９０は、伸び率が最も大きいとして特定したアイテムとキャッチコピーの組み合わせを出力する。また予め定められた伸び率の閾値を満たす（例えば伸び率が１より大きい）アイテムとキャッチコピーの組み合わせを複数出力してもよい。

ここで、ステップ２２８の上記出力は、ディスプレイ３２に表示することにより行う。
その他、キャッチコピー提案処理が、例えば、顧客Ａの購入個数データベースについて実行している場合、顧客Ａに、伸び率が１より大きいとして特定したアイテムについてキャッチコピーを作成することの提案と、伸び率が１より大きくなったキャッチコピーを送信（例えば電子メール、ラインなど）することにより行ってもよい。更に、伸び率が１より大きくなった条件の内容も送信するようにしてもよい。その他、キャッチコピーを作成することの提案、伸び率が１より大きくなったキャッチコピー、伸び率が１より大きくなった条件の内容を、図示しない印刷装置により用紙に印刷し、当該印刷された用紙を、顧客に郵送してもよい。また、キャッチコピーを作成することの提案、伸び率が１より大きくなったキャッチコピー、伸び率が１より大きくなった条件の内容を顧客に口頭で伝える等、直接コンサルティングしてもよい。

以上説明した第１の実施の形態では、顧客毎に、各アイテムについて、各条件での、キャッチコピーにより購入個数の伸び率を計算し、伸び率が１より大きいアイテムを特定し、特定したアイテムについて、キャッチコピーを作成することの提案と、伸び率が１より大きくなったキャッチコピーとを出力する。

また、第１の実施の形態では、キャッチコピーにより購入個数の伸び率を計算するための購入個数の予測のために、キャッチコピーの認識度及び嗜好度を考慮するため、伸び率が１より大きいアイテムをより精度よく特定する。

更に、第１の実施の形態では、キャッチコピーの認識度の計算のために、機械学習により得られた認識度予測モデルを用いている。よって、より精度よく認識度を計算する。第１の実施の形態では、キャッチコピーの嗜好度の計算のために、機械学習により得られた嗜好度予測モデルを用いている。よって、より精度よく嗜好度を計算する。第１の実施の形態では、購入個数の計算のために、機械学習により得られた購入個数予測モデルを用いている。よって、より精度よく購入個数を計算する。

第１の実施の形態では、認識度を定める要素として、アイテム、ユーザ情報、コンテクスト情報、及びキャッチコピーを用いているが、次のように処理してもよい。少なくともユーザ情報及びキャッチコピーの有無の情報により認識度を定める。なお、アイテム及びコンテクスト情報の何れか一方を更に考慮してもよい。

第１の実施の形態では、購入個数を定める要素として、アイテム、ユーザ情報、コンテクスト情報、キャッチコピー、認識度、及び嗜好度を用いているが、次のように処理してもよい。少なくともアイテム及びキャッチコピーの有無の情報により購入個数を定める。なお、ユーザ情報、コンテクスト情報、認識度、及び嗜好度の全てではなく、これらの少なくとも１つを更に考慮してもよい。

ステップ２２８で、伸び率が１より大きいとして特定したアイテムについてキャッチコピーを作成することの提案と、伸び率が１より大きくなったキャッチコピーとを、顧客に出力する（教える）が、次のように処理してもよい。例えば、これらの出力に代えて又はこれらの出力と共に、伸び率、購入予測個数、及び利益の少なくとも１つを出力する。

第１の実施の形態では、ユーザ及びコンテクストを考慮し、更に、認識度及び嗜好度を考慮して、アイテムの購入予測個数の伸び率を算出するが、これに限定されず、次のように処理してもよい。

例えば、ユーザ、コンテクスト、認識度、及び嗜好度の全てを考慮するのではなく、これらの少なくとも１つを考慮せずに、アイテムの購入予測個数の伸び率を算出するようにしてもよい。

また、認識度及び嗜好度に代えて又はこれらと共に、次の要素を考慮して、アイテムの購入予測個数の伸び率を算出するようにしてもよい。当該要素には、例えば、アイテムのキャッチコピー影響度、コンテクストの合致度、及びキャッチコピー内容合致度の少なくとも一つがある。

アイテムのキャッチコピー影響度とは、「そのアイテムにどれだけキャッチコピーが効果的か」を示す値（スコア）である。

アイテムのキャッチコピー影響度は、例えば、アイテムの属性（カテゴリなど）と、影響（効果）度とから、予測する。予測する目標値としてはそのアイテムの（ユーザやコンテクストを無視した）購入個数（売上でもよい）をキャッチコピーの有無に対して集計し、その差分を目標値とする。なお、キャッチコピーの内容を更に考慮しても良い。

コンテクストの合致度とは、「そのコンテクストにどれだけ合致しているか、内容が響くか」を示す値（スコア）である。キャッチコピーとコンテクストとの組み合わせに対してスコアを計算する。入力はキャッチコピーとコンテクストとの二つであり、目標値としては同一キャッチコピーの購入個数（売上でもよい）に対する対象コンテクストの割合としてもよい。より具体的には、例えば、キャッチコピーとしての「秋先取り旬の食材」に対して、夏に、８０個、冬に２０個、春に１０個、秋に１００個購入されていたのであれば、このキャッチコピーの夏への合致度は８０／２１０とする。

キャッチコピー内容合致度とは、「そのキャッチコピーがどれだけアイテムに適しているか」を示す値（スコア）である。例えば、豆腐に「健康のために毎日納豆」は適切でない。キャッチコピー内容合致度は、キャッチコピー内容合致度算出モデルを用いて算出するようにしてもよい。キャッチコピー内容合致度算出モデルは、アイテム及びキャッチコピーと、そのキャッチコピーがどれだけアイテムに適しているか」を示す値（スコア）とを用いて、予め学習しておく。

認識度、嗜好度、アイテムのキャッチコピー影響度、コンテクストの合致度、及びキャッチコピー内容合致度は、本開示の技術の「項目」の一例である。

[第２の実施の形態]

次に、第２の実施の形態を説明する。第２の実施の形態の構成は、第１の実施の形態の構成と略同様であるので、同一の部分には同一の符号を付してその説明を省略し、異なる部分を主として説明する。

図８には、第２の実施の形態のＣＰＵ２２の機能ブロック図が示されている。ＣＰＵ２２の機能は、第１の実施の形態と比べて、クラスタリング部２３２、不足発見部２３４、及び補充部２３６を更に備えている点で相違する。クラスタリング部２３２は、各アイテムについてキャッチコピーを、予め指定された数、例えば、３個にクラスタリングする。不足発見部２３４は、各アイテムについて、不足しているクラスタを発見する。補充部２３６は、不足しているクラスタを補充する。補充部２３６は、不足しているクラスタについて、同じ種類（例えば豆腐）の他のアイテム（豆腐２、３・・・）のキャッチコピーや、同一の機会に購入（所謂同時購入）の他のアイテム（例えば納豆１、２、３・・・）のキャッチコピーを補充する。

図９には、第２の実施の形態におけるキャッチコピー提案処理のフローチャートが示されている。

図９のステップ２４２で、クラスタリング部２３２は、変数ｉを０にセットし、ステップ２４４で、クラスタリング部２３２は変数ｉを１インクリメントする。

ステップ２４６で、クラスタリング部２３２は、変数ｉにより識別されるアイテムｉのキャッチコピーの予め設定された数のクラスタリングを行う。

ステップ２４８で、不足発見部２３４は、アイテムｉで不足しているクラスタを発見する。

ステップ２５０で、補充部２３６は、アイテムｉで不足しているクラスタのキャッチコピーとして他のアイテムのキャッチコピーを補充する。具体的には、上記のように、同じ種類の他のアイテムのキャッチコピーや、同一の機会に購入（所謂同時購入）の他のアイテムのキャッチコピーや、その両方のキャッチコピーを補充する。

ステップ２５２で、クラスタリング部２３２は、変数ｉがアイテムの総数Ｉに等しいか否かを判断する。変数ｉが総数Ｉに等しいと判断されなかった場合には、キャッチコピー提案処理はステップ２４４に戻って、以上の処理（ステップ２４４〜２５２）を繰り返す。

変数ｉが総数Ｉに等しいと判断された場合には、ステップ２５４で、図７に示す２０２〜２２８の処理を実行する。変数ｃｃは、補充されたキャッチコピーも識別する。

以上説明した第２の実施の形態では、各アイテムのキャッチコピーのクラスタリングをし、不足しているクラスタが発見された場合、同じ種類の他のアイテムのキャッチコピーや、同一の機会に購入（所謂同時購入）の他のアイテムのキャッチコピーを補充する。このようにキャッチコピーが補充された後、補充されたキャッチコピーをも考慮して、伸び率が１より大きいアイテムを特定するので、伸び率を１より大きくするキャッチコピーをより多くすることができ、提案内容を拡大する。

なお、第２の実施の形態では、第１の実施の形態と同様の効果を有する。

[第３の実施の形態]

次に、第３の実施の形態を説明する。第３の実施の形態の構成は、第１の実施の形態の構成と略同様であるので、同一の部分には同一の符号を付してその説明を省略し、異なる部分を主として説明する。

第３の実施の形態のＣＰＵ２２の機能ブロックは、認識度産出部８２及び嗜好度産出部８４が省略され、購入個数伸び率算出部８６が、購入個数データベース４０からデータを読み出す。

第３の実施の形態における購入個数予測モデルは、アイテムに、キャッチコピー（内容は問わない）が付与された場合の購入予測個数を予測するモデルである。第３の実施の形態における購入個数予測モデルは、アイテムのデータと、アイテムにキャッチコピー（内容は問わない）が付与された場合の購入個数とから、アイテムに、キャッチコピー（内容は問わない）が付与された場合の購入予測個数を予測するように、学習されている。

図１０には、第３の実施の形態における提案処理のフローチャートが示されている。

ステップ３０２で、購入個数伸び率算出部８６は、購入個数データベース４０に記憶されているアイテムで、キャッチコピーが付与されていないアイテムを識別する変数ｐを０に初期化する。ステップ３０４で、購入個数伸び率算出部８６は、変数ｐを１インクリメントする。

ステップ３０６で、購入個数伸び率算出部８６は、アイテムｐにキャッチコピー（内容不問）を付与した場合の購入予測個数ｋｐを、購入個数予測モデルを用いて、予測する。

ステップ３０８で、購入個数伸び率算出部８６は、アイテムｐの現在の購入個数ｊｐを読み出す。具体的には、アイテムｐに対応する各購入個数記憶領域に記憶されている購入個数を読み出し、総和を求める。

ステップ３１０で、購入個数伸び率算出部８６は、アイテムｐの購入予測個数の伸び率Ｌｐを、Ｌｐ←ｋｐ／ｊｐにより計算する。

ステップ３１２で、購入個数伸び率算出部８６は、変数ｐが、購入個数データベース４０に記憶されているアイテムで、キャッチコピーが付与されていないアイテムの総数Ｐに等しいか否かを判断する。変数ｐが総数Ｐに等しいと判断されなった場合には、提案処理は、ステップ３０４に戻って、以上の処理（ステップ３０４〜３１２）を実行する。

変数ｐが総数Ｐに等しいと判断された場合には、ステップ３１４で、アイテム特定部８８は、伸び率が１より大きいアイテムを特定する。ステップ３１６で、提案処理部９０は、特定したアイテムにキャッチコピーを付与すれば購入個数が増加することを、顧客に出力（ステップ２２８と同様）する。

このように第３の実施の形態では、キャッチコピーが付与されていないアイテムにキャッチコピーを付与すると購入個数が増加するアイテムを特定し、特定したアイテムにキャッチコピーを付与すれば購入個数が増加することを顧客に出力する（教える）。

第３の実施の形態では、キャッチコピーが付与されていないアイテムにキャッチコピーを付与すると購入個数が増加するアイテムを特定することに限定されず、次のように処理してもよい。

第１に、アイテムの属性（カテゴリ（例えば、アイテムの種類））を基準に、キャッチコピーを付与すると購入個数が増加するアイテムの属性を特定する。特定したアイテムの属性にキャッチコピーを付与すれば購入個数が増加することを顧客に出力する（教える）。

第２に、第２の実施の形態における図９のステップ２４２〜２５２を実行することにより、アイテムのキャッチコピーにおいて、不足したクラスタがある場合には、不足したクラスタに、キャッチコピーを補充する。クラスタとしては、細かいクラスタではなく、より広い概念のクラスタ、例えば、楽々調理系、素材がいい系、お買い得系等のクラスタである。

ステップ２４２〜２５２を実行することにより、不足したクラスタにキャッチコピーが補充されたアイテムについて、上記第３の実施の形態のステップ３０２〜３１６を実行する。これにより、不足したクラスタにキャッチコピーが補充されたアイテムに当該キャッチコピーを付与すると購入個数が増加するアイテムを特定し、特定したアイテムにキャッチコピーを付与すれば購入個数が増加することを顧客に出力する（教える）。

[第４の実施の形態]

次に、第４の実施の形態を説明する。第４の実施の形態の構成は、第１の実施の形態の構成と略同様であるので、同一の部分には同一の符号を付してその説明を省略し、異なる部分を主として説明する。

第４の実施の形態における図２の記憶領域４０における購入個数記憶領域７０ｉには、購入個数の他に、アイテム、キャッチコピー、及びユーザにより定まる条件における認識度が予め計算されて記憶されている。また、購入個数記憶領域７０ｉには、キャッチコピー及びユーザにより定まる条件における嗜好度が予め計算されて記憶されている。

第４の実施の形態のＣＰＵ２２の機能ブロックは、第３の実施の形態のＣＰＵ２２の機能ブロックと同様である。
図１１には、第４の実施の形態における提案処理のフローチャートが示されている。

ステップ４０２で、購入個数伸び率算出部８６は、アイテム、キャッチコピー、ユーザ、及びコンテクストにより定まる購入個数記憶領域を識別する変数ｒを０に初期化する。ステップ４０４で、購入個数伸び率算出部８６は、変数ｒを１インクリメントする。

ステップ４０６で、購入個数伸び率算出部８６は、購入個数記憶領域ｒに記憶されている認識度ｎｒと嗜好度ｓｒとを読み出す。ステップ４０８で、購入個数伸び率算出部８６は、認識度ｎｒを、Ａ（例えば、１０）パーセント増加し、ステップ４１０で、購入個数伸び率算出部８６は、嗜好度ｓｒを、Ａパーセント増加する。なお、Ａは、１０に限定されず、例えば、１５、２０などでもよい。また、認識度ｎｒ及び嗜好度ｓｒの何れか一方を他方より多く増加させてもよい。

ステップ４１２で、購入個数伸び率算出部８６は、増加された認識度ｎｒ及び嗜好度ｓｒと、購入個数予測モデル４８とから、変数ｒに対応するアイテムの購入予測個数の伸び率を算出する。

ステップ４１４で、購入個数伸び率算出部８６は、変数ｒが購入個数記憶領域の総数Ｒに等しいか否かを判断する。変数ｒが総数Ｒに等しいと判断されなった場合には、提案処理は、ステップ４０４に戻って、以上の処理（ステップ４０４〜４１４）を実行する。

変数ｒが総数Ｒに等しいと判断された場合には、ステップ４１６で、アイテム特定部８８は、伸び率が１より大きいアイテムを特定する。ステップ４１８で、提案処理部９０は、認識度及び嗜好度をアップできるキャッチコピーを付与すれば購入個数が伸びることを、特定したアイテムと共に出力する（ステップ２２８と同様）。

第４の実施の形態では、認識度及び嗜好度をアップできるキャッチコピーを付与すれば購入個数が伸びるアイテムを特定する。特定したアイテムと共に、認識度及び嗜好度をアップできるキャッチコピーを付与すれば購入個数が伸びることを、顧客に教える。

第４の実施の形態では、認識度及び嗜好度の双方をアップできるキャッチコピーを付与すれば購入個数が伸びるアイテムを特定することに限定されず、次のように処理してもよい。認識度及び嗜好度の何れか一方をアップできるキャッチコピーを付与すれば購入個数が伸びるアイテムを特定する。特定したアイテムと共に、認識度及び嗜好度の何れか一方をアップできるキャッチコピーを付与すれば購入個数が伸びることを、顧客に教える。

第４の実施の形態では、更に次のようにしてもよい。認識度及び嗜好度の少なくとも１つに代えて又はこれと共に、上記コンテクストの合致度をアップできるキャッチコピーを付与すれば購入個数が伸びるアイテムを特定する。特定したアイテムと共に、認識度及び嗜好度をアップできるキャッチコピーを付与すれば購入個数が伸びることを、顧客に教える。

[変形例]

次に、本開示の技術の変形例を説明する。以下の各変形例の構成及び作用は、第１の実施の形態又は第２の実施の形態の構成及び作用と略同様であるので、異なる部分を主として説明を省略する。

（第１の変形例）

第１の変形例を説明する。第１の変形例では、第１の実施の形態の作用に加えた、変数ｃｃが、各アイテムについての例えば、「プリンのようだ」、「子供が食べてくれた」、「ダイエットにいい」等のレビュー文（ユーザのコメント）を識別するようにさせて、図７のキャッチコピー提案処理を実行してもよい。

レビュー文は、アイテムの商品もしくは類似商品もしくは同一カテゴリの商品に対するユーザのレビュー文を含む。口コミ機能などのＷＥＢサービスを用いて取得し、顧客毎の購入個数データベース５２、５４、５６．・・・に記憶されている。なお、購入個数データベース５２、５４、５６．・・・に記憶される際には、レビュー文そのままではなく、同一内容の別の表現に書き換えて記憶されている。

このように第１の変形例では、レビュー文もキャッチコピーとして扱っているので、伸び率を１より大きくするキャッチコピーをより多くすることができ、提案内容を拡大する。

（第２の変形例）

第１の変形例では、変数ｃｃは、各アイテムについての例えば、「プリンのようだ」、「子供が食べてくれた」、「ダイエットにいい」等のレビュー文を識別するだけであり、購入個数予測モデルは、レビュー文を加味して学習していない。

第２の変形例では、購入個数予測モデルを、レビュー文を加味して学習させ、変数ｃｃは、キャッチコピーはもちろん、レビュー文もキャッチコピーとして識別するようにする。

このように第２の変形例では、購入個数予測モデルを、レビュー文を加味して学習させているので、伸び率を１より大きくするキャッチコピーをより多くすると共に、精度よくキャッチコピーをより多くすることができ、提案内容を、より精度よく拡大する。

（第３の変形例）

第１の変形例及び第２の変形例では、口コミ機能などのＷＥＢサービスを用いて取得したレビュー文をそのまま用いている。

第３の変形例では、予め機械学習により得られたレビュー文選択モデルにより選択されたレビュー文を用いている。

ここで、レビュー文選択モデルの機械学習方法を説明する。

図１２には、レビュー文選択モデルの機械学習の方法が示されている。図１０（Ａ）に示すように、レビュー文選択モデルの機械学習の方法では、レビュー文を不正解、キャッチコピーを正解として、レビュー文選択モデルを機械学習する。

このように機械学習したレビュー文選択モデルに、口コミ機能などのＷＥＢサービスを用いて取得したレビュー文を入力すると、図１０（Ｂ）に示すように、レビュー文が、レビュー文らしい又はらしくないという評価が得られる。レビュー文らしいとの評価が得られたレビュー文を主として上記のように利用する。

レビュー文選択モデルを、取得されたレビュー文の中で、キャッチコピーらしい、具体的には、ポジティブな意見であり、文字数が短く、伸び率を１より大きくするなどの特徴を自動で機械学習する。

第３の変形例では、伸び率を１より大きくするキャッチコピーをより多くすることを大幅に向上させることができ、提案内容を拡大することを大幅に向上させる。

（その他の変形例）

以上説明した各実施の形態及び各変形例では、認識度予測モデル、嗜好度予測モデル、及び購入個数予測モデルを用いているが、本開示の技術はこれに限定されず、これらのモデルの少なくとも１つを用いず、統計情報を用いるようにしてもよい。

例えば、あるアイテムにおいてキャッチコピーの有無によって購入個数の実績の差分が小さい場合は、認識度は低いと考えられるため、この実績の差分を変換した値（０〜１の間の値にするなど）をそのアイテムの認識度として利用する等である。

以上説明した実施の形態及び変形例では、購入個数予測モデルを用いているが、本開示の技術はこれに限定されず、伸び率予測モデルを用いるようにしてもよい。

伸び率予測モデルは、アイテムにキャッチコピーが付与された場合の当該アイテムの購入予測個数の現在の購入個数に対する伸び率を算出する。

伸び率予測モデルは、アイテム及びキャッチコピーと、当該アイテムの購入予測個数の現在の購入個数に対する伸び率とを用いて、アイテムにキャッチコピーが付与された場合の当該アイテムの購入予測個数の現在の購入個数に対する伸び率を算出するように学習されたモデルである。

アイテムにキャッチコピーが付与された場合の当該アイテムの購入予測個数の現在の購入個数に対する伸び率が１より大きい（小さい）場合に、取引時に宣伝文が用いられた場合に前記取引対象の取引数が増加（減少）することを特定する。

以上説明した各実施の形態及び各変形例では、取引対象として、商品について説明しているが、本開示の技術はこれに限定されず、役務についても同様に適用される。

上記実施の形態で説明したデータ処理はあくまでも一例である。主旨を逸脱しない範囲内においてステップを削除したり、新たなステップを追加したり、処理順序を入れ替えたりしてもよい。

また、上記実施の形態では、コンピュータを利用したソフトウェア構成によりデータ処理が実現される場合を例示したが、本開示の技術はこれに限定されるものではない。例えば、コンピュータを利用したソフトウェア構成に代えて、ＦＰＧＡ又はＡＳＩＣ等のハードウェア構成のみによって、データ処理が実行される。データ処理のうちの一部の処理がソフトウェア構成により実行され、残りの処理がハードウェア構成によって実行される。

１０ キャッチコピー提案装置
２４ ＲＯＭ
３４ 通信装置
８２ 認識度算出部
８４ 嗜好度算出部
８６ 購入個数伸び率算出部
８８ アイテム特定部
９０ 提案処理部

Claims (14)

1. 取引対象を説明する宣伝文が表示されていたときにユーザによって前記取引対象が取引される回数を示す第１取引回数と、前記宣伝文が表示されていないときに前記ユーザによって前記取引対象が取引される回数を示す第２取引回数とを予測する予測部と、
   前記第１取引回数及び前記第２取引回数の情報と、前記取引対象の情報から、宣伝文の有無が前記取引対象の取引に与える影響度を判断する判断部と、
   前記影響度が最も高い取引対象と宣伝文の組み合わせを特定する特定部と、
   特定された前記取引対象と宣伝文の組み合わせを表示するよう制御する制御部と、
   を備える情報処理装置。
2. 前記予測部は、前記取引対象の過去の取引時に用いられた宣伝文以外の宣伝文が表示されていたときにユーザによって前記取引対象が取引される回数を示す第１取引回数を予測する、
   請求項１に記載の情報処理装置。
3. 前記取引対象には、過去の取引時には宣伝文が表示されていない、
   請求項１に記載の情報処理装置。
4. 前記予測部は、過去の取引時には表示されていないクラスタの宣伝文が取引時に用いられた場合の取引対象の取引数を予測する、
   請求項３に記載の情報処理装置。
5. 前記予測部は、前記予測する取引数に影響を及ぼす少なくとも１つの項目の値を考慮して、前記第１取引回数と前記第２取引回数とを予測する、
   請求項１〜請求項４の何れか１項に記載の情報処理装置。
6. 前記項目の値は、前記取引対象の過去の取引時において定まる値から変化させた値である、
   請求項５に記載の情報処理装置。
7. 取引対象を説明する宣伝文が表示されていたときにユーザによって前記取引対象が取引される回数を示す第１取引回数の、前記宣伝文が表示されていないときに前記ユーザによって前記取引対象が取引される回数を示す第２取引回数に対する伸び率を予測する予測部と、
   前記予測された伸び率から、宣伝文の有無が前記取引対象の取引に与える影響度を判断する判断部と、
   前記影響度が最も高い取引対象と宣伝文の組み合わせを特定する特定部と、
   特定された前記取引対象と宣伝文の組み合わせを表示するよう制御する制御部と、
   を備える情報処理装置。
8. 前記宣伝文は、複数のクラスタに分類可能であり、
   前記取引対象には、取引時に、前記複数のクラスタの中の何れかのクラスタの宣伝文が用いられる場合があり、
   前記取引対象に用いられる宣伝文をクラスタリングするクラスタリング部と、
   前記クラスタリングの結果から、前記取引対象に宣伝文が付加されていないクラスタを特定するクラスタ特定部と、
   前記特定されたクラスタに宣伝文を補充する補充部と、
   を更に備え、
   前記予測部は、前記取引対象について、前記複数のクラスタの宣伝文の各々の前記第１取引回数を予測する、
   請求項１〜請求項７の何れか１項に記載の情報処理装置。
9. 前記補充部は、前記取引対象に予め関連付けられた取引対象における前記特定されたクラスタの宣伝文を補充する、
   請求項８に記載の情報処理装置。
10. 前記予測部は、前記取引の状況を考慮して、前記第１取引回数と前記第２取引回数とを予測する、
    請求項１〜請求項９の何れか１項に記載の情報処理装置。
11. 前記予測部は、取引需要者の複数の種類の各々について、前記第１取引回数と前記第２取引回数とを予測する、
    請求項１〜請求項１０の何れか１項に記載の情報処理装置。
12. 前記特定された取引対象を、出力部を介して、予め定められた出力先に出力する処理を行う出力処理部を更に備える、
    請求項１〜請求項１１の何れか１項に記載の情報処理装置。
13. 前記出力処理部は、前記特定された宣伝文を前記出力先に更に出力する、
    請求項１２に記載の情報処理装置。
14. コンピュータを、請求項１〜請求項１３の何れか１項に記載の情報処理装置の各部として機能させるための情報処理プログラム。