JP2020177401A - 情報処理装置、情報処理方法、およびプログラム - Google Patents

Abstract

【課題】より検索意図に近いと考えられるランキング対象を選択すること。【解決手段】クエリに合致するランキング対象の特徴量を学習済みモデルに入力することでランキング対象ごとのスコアを導出し、スコアに基づいてランキング処理を行うランキング処理部を備え、学習済みモデルは、ランキング対象の特徴量を学習データ、ラベルを教師データとした機械学習によって学習されたものであり、ランキング対象のそれぞれにはカテゴリが付与されており、ラベルは、利用者により所定の行動がなされたランキング対象、および、所定の行動がなされたランキング対象と同じカテゴリが付与されたランキング対象を、利用者により所定の行動がなされておらず且つ前記所定の行動がなされたランキング対象と同じカテゴリが付与されていないランキング対象よりも高く評価したものである、情報処理装置。【選択図】図１

Description

本発明は、情報処理装置、情報処理方法、およびプログラムに関する。

電子商取引などの分野において、入力されたクエリに基づいてランキング対象（例えば商品）のランキング処理を行い、ランキング結果が上位のランキング対象を利用者に提示することが行われている。これに関連し、クエリワード列を受信する工程と、クエリワード列に関連する複数の様々な商品情報エントリを検索する工程と、クエリ列からの第１のコア商品ワードをメモリから抽出する工程と、様々な商品情報エントリからの第２のコア商品ワードをメモリから抽出する工程と、各第２のコア商品ワードに関して、キー商品ワードに関連する候補商品ワードリストに各第２のコア商品ワードが存在するか否かをチェックする工程と、各第２のコア商品ワードが存在する場合に、各第２のコア商品ワードに対応する商品情報エントリの重み付けを小さくする工程と、商品情報エントリの調整された重み付けに従って商品情報エントリをソートする工程と、を備えるオンライン商品検索方法の発明が開示されている（特許文献１参照）。

特表２０１５−５１８２２０号公報

従来の技術では、ページビュー数などのクエリと直接関連しない要素も含めてランキング処理が行われていたため、例えば、人気のあるランキング対象が、クエリとは余り関連性が高くないにも関わらず上位になるケースが多く、提示されるランキング対象が、利用者の意図を十分に反映していないものとなる場合があった。

本発明は、このような事情を考慮してなされたものであり、より検索意図に近いと考えられるランキング対象を選択することができる情報処理装置、情報処理方法、およびプログラムを提供することを目的の一つとする。

本発明の一態様は、利用者によって入力されたクエリを取得する取得部と、前記クエリに合致するランキング対象の特徴量を学習済みモデルに入力することで、前記ランキング対象のスコアを導出し、スコアに基づいてランキング処理を行うランキング処理部と、を備え、前記学習済みモデルは、前記ランキング対象の特徴量を学習データ、ラベルを教師データとした機械学習によって学習されたものであり、前記ランキング対象のそれぞれにはカテゴリが付与されており、前記ラベルは、利用者により所定の行動がなされたランキング対象、および、前記所定の行動がなされたランキング対象と同じカテゴリが付与されたランキング対象を、利用者により所定の行動がなされておらず且つ前記所定の行動がなされたランキング対象と同じカテゴリが付与されていないランキング対象よりも高く評価したものである、情報処理装置である。

本発明の一態様によれば、より検索意図に近いと考えられるランキング対象を選択することができる。

実施形態に係る情報処理装置を利用したショッピングサーバ１００の構成および使用環境の一例を示す図である。 検索入力画面ＩＭ１の一例を示す図である。 検索結果表示画面ＩＭ２の一例を示す図である。 商品販売画面ＩＭ３の一例を示す図である。 ログデータ１５２の内容の一例を示すイメージ図である。 ランキング処理部１１０による処理の流れの一例を示す図である。 商品データ１５０の内容の一例を示す図である。 学習処理部１３０による処理の内容の一例を示す図である。 学習処理部１３０によるラベルの決定手法について説明するための図である。 他の実施形態に係る情報処理装置の実装例を示す図である。

以下、図面を参照し、本発明の情報処理装置、情報処理方法、およびプログラムの実施形態について説明する。情報処理装置は、一以上のプロセッサにより実現される。情報処理装置は、利用者によって入力されたクエリに応じて、ランキング対象をランキングする装置である。ランキング対象とは、電子商取引で取引される商品（サービスを含むものとする）、ネットワークを介して提供される記事などであり、客観的指標となるカテゴリがメタ情報として付与されているものであれば、如何なるものであってもよい。以下、電子商取引で取引される商品がランキング対象であるものとして説明する。

電子商取引は、ネットワークを介して行われるショッピングやオークション、フリーマーケットなどを含む。以下の説明では、ショッピングを例にとって説明する。ショッピングに適用される情報処理装置は、ショッピングサイトを管理するショッピングサーバなどに包含される装置であってもよい。すなわち、情報処理装置は、仮想的な装置であってもよい。また、情報処理装置は、ショッピングサーバそのものであってもよい。以下では、情報処理装置がショッピングサーバの一部を構成するものとして説明する。ショッピングサーバは、ブラウザからのリクエストに応じてショッピングサイトを提供するものであってもよいし、スマートフォンなどにインストールされたアプリケーションプログラムからのリクエストに応じてショッピングサイトと同様のコンテンツを提供するものであってもよい。以下の説明では、ショッピングサーバは前者であるものとする。

［構成］
図１は、実施形態に係る情報処理装置を利用したショッピングサーバ１００の構成および使用環境の一例を示す図である。ショッピングサーバ１００は、ネットワークＮＷを介して、端末装置１０と通信する。ネットワークＮＷは、例えば、インターネット、ＷＡＮ（Wide Area Network）、ＬＡＮ（Local Area Network）、無線基地局、プロバイダ端末、専用回線などを含む。

端末装置１０は、例えば、パーソナルコンピュータやスマートフォンなどの携帯電話、タブレット端末などである。これらにおいて、ブラウザやアプリケーションプログラムなどのＵＡ（User Agent）２０が起動する。ＵＡ２０は、ショッピングサーバ１００から提供された販売画面を表示すると共に、端末装置１０の利用者によってなされた入力操作に応じたリクエストをショッピングサーバ１００に送信する。

ショッピングサーバ１００は、例えば、サイト提供部１０２と、ログ収集部１０４と、ランキング処理部１１０と、学習処理部１３０とを備える。ランキング処理部１１０は、例えば、検索実行部１１２と、特徴量取得部１１４と、モデル実行部１１６とを含む。これらの構成要素は、例えば、ＣＰＵ（Central Processing Unit）などの一以上のハードウェアプロセッサがプログラム（ソフトウェア）を実行することにより実現される。これらの構成要素のうち一部または全部は、ＬＳＩ（Large Scale Integration）やＡＳＩＣ（Application Specific Integrated Circuit）、ＦＰＧＡ（Field-Programmable Gate Array）、ＧＰＵ（Graphics Processing Unit）などのハードウェア（回路部；circuitryを含む）によって実現されてもよいし、ソフトウェアとハードウェアの協働によって実現されてもよい。プログラムは、予めＨＤＤ（Hard Disk Drive）やフラッシュメモリなどの記憶装置（非一過性の記憶媒体を備える記憶装置）に格納されていてもよいし、ＤＶＤやＣＤ−ＲＯＭなどの着脱可能な記憶媒体（非一過性の記憶媒体）に格納されており、記憶媒体がドライブ装置に装着されることでインストールされてもよい。

本実施形態において、少なくともクエリ取得部として機能するサイト提供部１０２とランキング処理部１１０とを含むものが、情報処理装置の一例である。

また、ショッピングサーバ１００は、ＨＤＤやフラッシュメモリ、ＲＡＭ（Random Access Memory）などの記憶装置に、学習済みモデル１１８、商品データ１５０、ログデータ１５２などのデータを格納している。この記憶装置は、ショッピングサーバ１００に付随するものであってもよいし、ショッピングサーバ１００がネットワークＮＷを介してアクセス可能なＮＡＳ（Network Attached Storage）であってもよい。

サイト提供部１０２は、ショッピングサイトとしての各種画面を端末装置１０に提供する。図２は、検索入力画面ＩＭ１の一例を示す図である。検索入力画面ＩＭ１には、商品を検索するためのクエリを入力するためのクエリ入力欄Ａ１、および、入力されたクエリで検索を実行させるための検索ボタンＢ１が設けられている。クエリ入力欄Ａ１にクエリが入力され、検索ボタンＢ１が操作されると、検索結果表示画面ＩＭ２に遷移する。このとき、サイト提供部１０２は、フォーム入力の形でクエリを取得し（クエリ取得部として機能し）、クエリをランキング処理部１１０に出力してランキング処理を依頼する。なお、クエリではなくカテゴリが選択された場合も、同様に検索結果表示画面ＩＭ２に遷移する。

図３は、検索結果表示画面ＩＭ２の一例を示す図である。検索結果表示画面ＩＭ２には、検索結果表示欄Ａ２が含まれる。検索結果表示欄Ａ２には、ランキング処理部１１０によって決定されたランキング順に、スクロールすることで視認可能な所定の数（或いは表示可能な限り全て）の商品の画像や説明（例えば、後述するタイトルの一部または全部）が、ポジション順に並べて表示される。以下、この所定の数をｋとし、表示される商品を紹介商品と称する。ポジションは、１番上の位置を１、２番目の位置を２、…というように定義される。検索結果表示画面ＩＭ２において一つの商品の画像や説明が操作（選択）されると、商品販売画面ＩＭ３に遷移する。

図４は、商品販売画面ＩＭ３の一例を示す図である。商品販売画面ＩＭ３には、商品画像表示欄Ａ３−１、タイトル欄Ａ３−２、詳細説明欄Ａ３−３などが含まれる。タイトル欄Ａ３−２や詳細説明欄Ａ３−３には、選択された商品（選択商品）の製造元、商品の素材、使用、その他の内容がテキストとして掲載される。タイトル欄Ａ３−２に表示されるテキストを「タイトル」と称し、詳細説明欄Ａ３−３に表示されるテキストを「詳細説明」と称する。商品販売画面ＩＭ３に対する操作によって、購入者により商品が購入される。

以下、各部の機能について説明する。ログ収集部１０４は、利用者ごとのショッピングサイトの利用履歴を収集し、ログデータ１５２に登録する。図５は、ログデータ１５２の内容の一例を示すイメージ図である。図示するように、ログデータ１５２は、利用者の識別情報であるユーザＩＤに対して、利用者が閲覧した各種画面と、入力されたクエリ、表示されている紹介商品、購入された商品などの情報が対応付けられたものである。なお、ログデータ１５２は、ユーザＩＤごとに整理されたものでなくてもよい。また、実際には、紹介商品や商品の情報は、以下に説明する商品ＩＤで表されてよい。

［ランキング処理］
図６は、ランキング処理部１１０による処理の流れの一例を示す図である。まず、ランキング処理部１１０の検索実行部１１２は、サイト提供部１０２から渡されたクエリを用いて、商品データ１５０を検索する。図７は、商品データ１５０の内容の一例を示す図である。商品データ１５０は、例えば、商品の識別情報である商品ＩＤに対して、カテゴリの識別情報であるカテゴリＩＤ、商品画像、タイトル、詳細説明、価格、その他のデータが対応付けられたものである。これらのうち、商品ＩＤは、不図示の出品受付部により付番された情報であり、その他の情報は、販売者により入力されたものである。カテゴリは、例えば階層的に設定されており、図示の例では、例えば「３」が「飲食品」、「３５」が「お酒」、「３５６」が「赤ワイン」を示している。後述する学習処理部１３０は、学習処理において、例えばカテゴリ（カテゴリＩＤ）の任意の階層に着目して処理を行う。一例として、学習処理部１３０は、最下層の情報（図５では「３５６」）に着目して処理を行う。

例えば、検索実行部１１２は、タイトルまたは詳細説明の中にクエリが含まれる商品データ１５０のレコードを抽出し、その商品ＩＤを取得する。これによって検索実行部１１２は、クエリに合致する商品を取得する。なお、検索実行部１１２は、任意の手法でクエリに合致する商品の商品ＩＤを取得してよい。図６の例では、ｎ個の商品ＩＤが取得されたものとする。ｎは固定値でなくてもよく、抽出条件に該当する分の商品ＩＤが取得されてよい。

特徴量取得部１１４は、検索実行部１１２により取得された各商品について（各商品ＩＤについて）、モデル実行部１１６が入力データとして使用する特徴量を取得する。特徴量は、例えば、ＰＶ（Page View）数、クエリとのマッチ度合い、クリック数（選択回数）、価格、レビューの数などを含む。特徴量取得部１１４は、例えば、ログデータ１５２に対して必要な処理を行って、これらのデータを生成する。

特徴量取得部１１４は、例えば、その商品が、ログデータ１５２における検索結果表示画面に含められた表示された回数をＰＶ数としてカウントする。また、特徴量取得部１１４は、クエリにおける単語列と、タイトルまたは詳細説明の中における単語列との一致数など、文字ベースの一致度合いに基づいて、クエリとのマッチ度合いを導出する。その他の事項についても、特徴量取得部１１４は、ログデータ１５２や商品データ１５０を参照し、必要に応じて処理を行って特徴量を取得する。そして、特徴量取得部１１４は、例えば、各種の特徴量を数値化して結合し、その商品に対応する一つの商品ベクトルを生成する。

モデル実行部１１６は、特徴量取得部１１４により生成された商品ベクトルのそれぞれを学習済みモデル１１８に、例えば順次入力することで、ランキング処理に用いられるスコアを導出する。そして、ランキング処理部１１０は、例えばスコアの高い順にｋ個の商品ＩＤを選択し、サイト提供部１０２に出力する。サイト提供部１０２は、ランキング処理部１１０から取得したｋ個の商品ＩＤを用いて商品データ１５０を検索し、抽出された商品の情報を検索結果表示画面に含めて利用者の端末装置１０に表示させる。係る処理によって、より検索意図に近いと考えられるランキング対象を選択し、利用者に情報提供することができる。

［学習処理］
以下、上記のような効果をもたらす学習済みモデル１１８の生成処理について説明する。学習処理部１３０は、ランキング対象である商品の特徴量を学習データ、ラベルを教師データとした複数のデータセットを用いて機械学習を行い、学習済みモデル１１８を生成する。特徴量は、モデル実行部１１６が入力データとして使用するものと同様であり、学習データは前述した商品ベクトルであってよい。従って、学習処理部１３０は、特徴量取得部１１４から処理結果を取得して処理を行ってよい。なお、本実施形態において学習処理部１３０は、ショッピングサーバ１００並びに情報処理装置に含まれるものとしているが、別体の情報処理装置（学習装置）として構成されてもよい。

図８は、学習処理部１３０による処理の内容の一例を示す図である。図示するように、学習処理部１３０は、商品ベクトルを機械学習モデルに入力することで出力されるスコアが、ラベルが大きいほど高くなるように、機械学習モデルのパラメータを調整する。機械学習モデルは、例えば、ニューラルネットワークを元に構成されるモデルであるが、これに限らず任意のモデルを使用することができる。

図９は、学習処理部１３０によるラベルの決定手法について説明するための図である。例えば、図９の上図で示すように、ある検索結果表示画面で表示された紹介商品が（１）〜（４）であり、利用者によって商品（２）が選択されて商品販売画面に遷移したが、購入はされなかった。商品（１）は、商品（２）と同じカテゴリＩＤが付与された商品であったものとする。この場合、学習処理部１３０は、例えば、商品（２）にラベル値２を付与し、商品（１）にもラベル値１を付与する。また、図９の下図で示すように、別の検索結果表示画面で表示された紹介商品が同様に（１）〜（４）であり、商品（３）が選択され、購入された。商品（４）は、商品（３）と同じカテゴリＩＤが付与された商品であったものとする。この場合、学習処理部１３０は、例えば、商品（３）にラベル値４を付与し、商品（１）にもラベル値１を付与する。なお、後者の場合、商品（１）に１よりも大きく４よりも小さい任意のラベル値を付与するようにしてもよい。なお、この１、２、４といった数値はあくまで一例であり、図９の上図の例において商品（２）に付与されるラベル値が商品（１）に付与されるラベル値以上であり、商品（１）に付与されるラベル値が商品（３）（４）に付与されるラベル値以上である関係が成立すればよく、図９の下図の例において商品（３）に付与されるラベル値が商品（４）に付与されるラベル値よりも大きく、商品（４）に付与されるラベル値が商品（１）（２）に付与されるラベル値よりも大きい関係が成立すれば、任意の数値を使用してよい。また、上記では階層的なカテゴリのうち最下層の情報に着目して「同じカテゴリが付与された」ことを判断するものとしたが、最下層では一致しないがより上層でカテゴリが一致する場合に、最下層のカテゴリが一致する場合よりも小さいラベル値（例えば０．５など）を付与してもよい。

このように、学習処理部１３０は、利用者により選択または購入された（所定の行動がなされた）商品について、高い評価を示すラベル値を付与すると共に、選択または購入された商品と同じカテゴリの商品についても、次に高い評価を示すラベル値を付与する。次に高い評価を示すラベル値とは、選択または購入された商品よりも低く、且つ、選択または購入されないと共に選択または購入された商品とカテゴリが異なる商品よりも高いラベル値である。従って、ラベル値は、選択または購入された商品、および、選択または購入された商品と同じカテゴリが付与された商品を、選択または購入されておらず且つ選択または購入された商品と同じカテゴリが付与されていないランキング対象よりも高く評価したものとなる。

学習処理部１３０は、複数の検索結果表示画面に関する選択または購入の結果に対して同様に処理を行い、それぞれの商品にラベル値を付与し、教師データとなるラベルとする。

学習処理部１３０は、上記のように各商品のラベルを求めると、機械学習モデルの出力するスコアが、ラベルが大きいほど高くなるように、機械学習モデルのパラメータを調整する。例えば、商品（ｍ）の商品ベクトルをＶｍ、ラベルをＬｍと表現し、機械学習モデルを関数ｆ（Ｖｍ）と表現した場合において、ラベルの大小関係がＬ２＞Ｌ１＞Ｌ３＞Ｌ４であったとすると、学習処理部１３０は、ｆ（Ｖ２）＞ｆ（Ｖ１）＞ｆ（Ｖ３）＞ｆ（Ｖ４）となる方向に機械学習モデルのパラメータを調整する。予め用意されたデータセットの全てについて処理が行われて調整が完了した時点の機械学習モデルが、学習済みモデル１１８として用いられる。

以上説明したように学習済みモデル１１８を生成することで、より検索意図に近いと考えられる商品を選択することができる。従来の手法では、選択または購入された商品のみを評価する形でラベルを設定していた。この場合、どうしても人気商品や売れ筋の商品に対して高いラベルが設定されることになるし、低価格の商品の方が選択・購入回数が多くなるのは当然であるため高価格の商品のラベルが低くなる傾向が生じていた。このため、利用者が、あまり有名でない商品を意図してクエリを入力した場合、或いは高価格な商品を意図してクエリを入力した場合、検索意図と異なる商品が列挙されてしまう場合があった。

これに対し、実施形態の手法では、選択または購入された商品と同じカテゴリの商品についても、ある程度の評価を与えるようにラベルを設定するため、より検索意図に近いと考えられる商品を選択することができる。選択または購入された商品は、検索意図に沿っている蓋然性が高いものであり、それと同じカテゴリが付与されているということは、同様に検索意図に沿っている蓋然性を有すると考えられるからである。

以上説明した実施形態によれば、クエリに合致する商品の特徴量（商品ベクトル）を、特徴量（商品ベクトル）を入力するとスコアを出力する学習済みモデル１１８に入力することで商品ごとのスコアを取得し、スコアに基づいてランキング処理を行い、ランキング結果が上位となったランキング対象を選択するランキング処理部１１０を備え、学習済みモデル１１８は、選択または購入された商品だけでなく、選択または購入された商品と同じカテゴリが付与された商品についても評価を高くするラベルを用いて生成されたものであるため、より検索意図に近いと考えられる商品を選択することができる。

＜他の実施形態＞
情報処理装置は、ショッピングサーバとは別体のプロセッサにより構成されてもよい。図１０は、他の実施形態に係る情報処理装置の実装例を示す図である。図示するように、学習処理部１３０を備える情報処理装置（学習装置）Ａと、ランキング処理部１１０を備える情報処理装置（ランキング処理装置）Ｂとが、それぞれショッピングサーバＣと別体に構成され、これらがネットワークＮＷを介して互いに通信するように構成されてもよい。この例において、情報処理装置Ａと情報処理装置Ｂは統合されて一つの装置であってもよい。図１０において図１と同じ符号を付している構成要素は、図１に即して説明したものと同様の機能を有するものとする。

図１０の実装例において、情報処理装置Ａの学習処理部１３０は、所望のタイミングで商品データ１５０およびログデータ１５２をショッピングサーバＣから取得して、上記説明したものと同様の処理を行う。そして、生成した学習済みモデルを情報処理装置Ｂに提供する。

情報処理装置Ｂは、クエリ取得部１０６を備える。クエリ取得部１０５は、ショッピングサーバＣからランキング依頼と共にクエリを取得し、クエリをランキング処理部１１０に渡す。ランキング処理部１１０は、予めショッピングサーバＣから一日に一回程度の頻度で取得している商品データ１５０およびログデータ１５２と、情報処理装置Ａから取得した学習済みモデル１１８を用いて、上記説明したものと同様の処理を行う。係る構成によっても、上記実施形態と同様に、より検索意図に近いと考えられる商品を選択することができる。

以上、本発明を実施するための形態について実施形態を用いて説明したが、本発明はこうした実施形態に何等限定されるものではなく、本発明の要旨を逸脱しない範囲内において種々の変形及び置換を加えることができる。

１００ ショッピングサーバ（情報処理装置）
１０２ サイト提供部
１０４ ログ収集部
１０６ クエリ取得部
１１０ ランキング処理部
１１２ 検索実行部
１１４ 特徴量取得部
１１６ モデル実行部
１１８ 学習済みモデル
１３０ 学習処理部
１５０ 商品データ
１５２ ログデータ
Ａ、Ｂ 情報処理装置
Ｃ ショッピングサーバ

Claims (7)

1. 利用者によって入力されたクエリを取得する取得部と、
   前記クエリに合致するランキング対象の特徴量を学習済みモデルに入力することで、前記ランキング対象のスコアを導出し、スコアに基づいてランキング処理を行うランキング処理部と、を備え、
   前記学習済みモデルは、前記ランキング対象の特徴量を学習データ、ラベルを教師データとした機械学習によって学習されたものであり、
   前記ランキング対象のそれぞれにはカテゴリが付与されており、
   前記ラベルは、利用者により所定の行動がなされたランキング対象、および、前記所定の行動がなされたランキング対象と同じカテゴリが付与されたランキング対象を、利用者により所定の行動がなされておらず且つ前記所定の行動がなされたランキング対象と同じカテゴリが付与されていないランキング対象よりも高く評価したものである、
   情報処理装置。
2. 前記所定の行動は、提示されたランキング対象を前記利用者の端末装置を用いて選択する行動である、
   請求項１記載の情報処理装置。
3. 前記ラベルは、利用者により所定の行動がなされたランキング対象を、前記所定の行動がなされたランキング対象と同じカテゴリが付与されたランキング対象よりも高く評価したものである、
   請求項１または２記載の情報処理装置。
4. 利用者により所定の行動がなされたランキング対象、および、前記所定の行動がなされたランキング対象と同じカテゴリが付与されたランキング対象を、利用者により所定の行動がなされておらず且つ前記所定の行動がなされたランキング対象と同じカテゴリが付与されていないランキング対象よりも高く評価したラベルを生成し、前記ランキング対象の特徴量を学習データ、ラベルを教師データとした機械学習によって前記学習済みモデルを生成する学習処理部を更に備える、
   請求項１から３のうちいずれか１項記載の情報処理装置。
5. 利用者の行動を表すログデータと、それぞれにカテゴリが付与された複数のランキング対象に関するデータを取得し、
   利用者により所定の行動がなされたランキング対象、および、前記所定の行動がなされたランキング対象と同じカテゴリが付与されたランキング対象を、利用者により所定の行動がなされておらず且つ前記所定の行動がなされたランキング対象と同じカテゴリが付与されていないランキング対象よりも高く評価したラベルを生成し、
   前記ランキング対象の特徴量を学習データ、ラベルを教師データとした機械学習によって学習済みモデルを生成する学習処理部を備える、
   情報処理装置。
6. コンピュータが、
   利用者によって入力されたクエリを取得し、
   前記クエリに合致するランキング対象の特徴量を学習済みモデルに入力することで、前記ランキング対象のスコアを導出し、スコアに基づいてランキング処理を行う情報処理方法であって、
   前記学習済みモデルは、前記ランキング対象の特徴量を学習データ、ラベルを教師データとした機械学習によって学習されたものであり、
   前記ランキング対象のそれぞれにはカテゴリが付与されており、
   前記ラベルは、利用者により所定の行動がなされたランキング対象、および、前記所定の行動がなされたランキング対象と同じカテゴリが付与されたランキング対象を、利用者により所定の行動がなされておらず且つ前記所定の行動がなされたランキング対象と同じカテゴリが付与されていないランキング対象よりも高く評価したものである、
   情報処理方法。
7. コンピュータに、
   利用者によって入力されたクエリを取得させ、
   前記クエリに合致するランキング対象の特徴量を学習済みモデルに入力することで、前記ランキング対象のスコアを導出し、スコアに基づいてランキング処理を行わせるプログラムであって、
   前記学習済みモデルは、前記ランキング対象の特徴量を学習データ、ラベルを教師データとした機械学習によって学習されたものであり、
   前記ランキング対象のそれぞれにはカテゴリが付与されており、
   前記ラベルは、利用者により所定の行動がなされたランキング対象、および、前記所定の行動がなされたランキング対象と同じカテゴリが付与されたランキング対象を、利用者により所定の行動がなされておらず且つ前記所定の行動がなされたランキング対象と同じカテゴリが付与されていないランキング対象よりも高く評価したものである、
   プログラム。

Images