JP2021089485A - 広告通知システム、広告通知方法、および情報処理装置 - Google Patents

Abstract

【課題】広告のための予算に対して効果を高められるように広告の効率を改善する。【解決手段】広告通知システムは、サービス提供サーバと、評価サーバと、を含む。評価サーバは、第１の利用者群の利用者の属性情報、趣味嗜好に関する情報及び商品に対する広告への接触に関する情報を説明変数及び商品に対して第１の利用者群の利用者がとった行動に基づく値を目的変数として用いて機械学習を行い生成された学習済みモデルに、第２の利用者群の利用者の属性情報、趣味嗜好に関する情報及び商品に対する広告への接触に関する情報を入力して、第２の利用者群の利用者が商品に対して目的変数の行動をとる可能性を評価した指標値を出力し、指標値を第２の利用者群の利用者と対応づけてサービス提供サーバに送信し、サービス提供サーバは、受信した指標値に基づいて、第２の利用者群の少なくとも一部の利用者に商品に対する広告を通知する。【選択図】図７

Description

本発明は、広告通知システム、広告通知方法、および情報処理装置に関する。

近年、インターネットの普及に伴い、インターネットを介した広告が盛んに配信されている。このような広告の配信では、宣伝効果を高めるために利用者に応じて選択的に広告を配信するターゲティング配信が行われている。

これに関し、広告効果を高めることに関連する技術が知られている（例えば、特許文献１から３）。

特開２０１２−４８３６０号公報 特開２０１６−３８８２２号公報 特開２０１６−０６２４１１号公報

しかしながら、広告のための予算に対して広告の効果を更に高めることができれば、それだけ広告主は高い利益を得ることができる。そのため、広告の効率の更なる改善が求められている。

１つの側面では、本発明は、広告の効率を改善することを目的とする。

本発明の一つの態様の広告通知システムは、サービスを提供するサービス提供サーバと、サービス提供サーバのサービスを利用する利用者を評価する評価サーバと、を含み、評価サーバは、第１の利用者群の利用者の属性情報、趣味嗜好に関する情報、および商品に対する広告への接触に関する情報を説明変数として用い、および商品に対して第１の利用者群の利用者がとった行動に基づく値を目的変数として用いて機械学習を行い生成された学習済みモデルに、第２の利用者群の利用者の属性情報、趣味嗜好に関する情報、および商品に対する広告への接触に関する情報を入力して、第２の利用者群の利用者が商品に対して目的変数の行動をとる可能性を評価した指標値を出力し、指標値を第２の利用者群の利用者と対応づけてサービス提供サーバに送信し、サービス提供サーバは、受信した指標値に基づいて、第２の利用者群の少なくとも一部の利用者に商品に対する広告を通知する、ことを特徴とする。

広告の効率を改善することができる。

実施形態に係る広告通知システムの構成を例示する図である。 実施形態に係るサービス提供サーバのブロック構成を例示する図である。 実施形態に係る評価サーバのブロック構成を例示する図である。 実施形態に係る利用者情報を例示する図である。 実施形態に係る学習済みモデルの生成を例示する図である。 実施形態に係る利用者の行動予測のための学習済みモデルの生成処理の動作フローを例示する図である。 実施形態に係る評価サーバの制御部が実行する学習済みモデルを用いた利用者の行動の予測処理の動作フローを例示する図である。 実施形態に係る広告の通知処理の動作フローを例示する図である。 実施形態に係る学習済みモデルを用いた広告効果の測定処理の一例を説明する図である。 測定結果の一例を示す図である。 別の実施形態に係る利用者情報を例示する図である。 実施形態に係る学習済みモデルの生成を例示する別の図である。 実施形態に係る通信装置のブロック構成を例示する図である。 実施形態に係るサービス提供サーバおよび評価サーバを実現するための情報処理装置のハードウェア構成を例示する図である。

以下、図面を参照しながら、本発明のいくつかの実施形態について詳細に説明する。なお、複数の図面において対応する要素には同一の符号を付す。また、以下の開示において、「広告」は、「広告キャンペーン」と読み替えられてもよい。

図１は、実施形態に係る広告通知システム１００の構成を例示する図である。広告通知システム１００は、例えば、サービス提供サーバ１０１、利用者端末１０２、および評価サーバ１０３を含む。サービス提供サーバ１０１、利用者端末１０２、および評価サーバ１０３は、例えば、ネットワーク１１０を介して通信可能に接続されていてよい。ネットワーク１１０は、例えば、インターネットである。

サービス提供サーバ１０１は、例えば、利用者端末１０２を利用する利用者にサービスを提供するサーバである。サービス提供サーバ１０１は、例えば、通信販売のサイトを提供するサーバであったり、情報を提供するサーバであったり、ＳＮＳ（Social Networking Service）サービスを提供するサーバであってよい。なお、以下では、サービス提供サーバ１０１が、通信販売のサイトを運用している場合を例に説明を行う。また、サービス提供サーバ１０１は、サービスを利用する利用者についての情報を収集する。一例では、サービス提供サーバ１０１は、利用者が利用者端末１０２を用いてサービスの利用を開始する際に、利用者のデモグラフィック情報の登録を求め、利用者端末１０２から利用者のデモグラフィック情報を収集する。また、サービス提供サーバ１０１は、例えば、サービスへのアクセス履歴から利用者の趣味嗜好の情報を収集する。また、サービス提供サーバ１０１は、提供するサービスで表示されるコンテンツ内に、広告を表示させてよい。例えば、サービス提供サーバ１０１は、依頼を受けてウェブページ（Ｗｅｂ）などのコンテンツ内に広告を表示させる。

利用者端末１０２は、例えば、利用者が利用する端末であり、サービス提供サーバ１０１が提供するサービスのウェブサイトにアクセスし、サービスを受ける。一例では、利用者は、利用者端末１０２でサービス提供サーバ１０１が運営する通信販売のサイトのウェブページに接続し、商品の購入などを行うことができる。なお、ネットワーク１１０には、複数の利用者の利用者端末１０２が接続されていてよい。

評価サーバ１０３は、例えば、広告代理店が運用するサーバであってよく、広告主からの依頼を受けて商品やサービスなどを宣伝するための広告の表示を、サービス提供サーバ１０１に依頼する。また、実施形態では、評価サーバ１０３は、例えば、サービス提供サーバ１０１が提供するサービスの利用者の行動を推定する処理を実行する。例えば、評価サーバ１０３は、サービス提供サーバ１０１からサービスを利用する利用者についての情報の提供を受ける。例えば、評価サーバ１０３は、サービス提供サーバ１０１から利用者のデモグラフィック情報、および趣味嗜好の情報などの提供を受けてよい。そして、実施形態では評価サーバ１０３は、利用者の趣味嗜好の情報に基づいて機械学習を行い得られた学習済みモデルを用いて利用者の広告に対する行動を予測する。そのため、広告の対象の商品に対して利用者がどのような行動をとるかを高い精度で予測することが可能になる。そして、実施形態によれば予測に基づいて広告効率を改善することが可能になる。以下、実施形態を更に詳細に説明する。

図２は、実施形態に係るサービス提供サーバ１０１のブロック構成を例示する図である。サービス提供サーバ１０１は、例えば、制御部２０１、記憶部２０２、および通信部２０３を含む。制御部２０１は、例えば、サービス提供サーバ１０１の全体を制御する。サービス提供サーバ１０１の記憶部２０２は、例えば、後述する利用者情報４００，１１００などの情報を記憶していてよい。通信部２０３は、例えば、ネットワーク１１０を介して利用者端末１０２、および評価サーバ１０３と通信してよい。これらの各部の詳細および記憶部２０２に格納されている情報の詳細については後述する。

図３は、実施形態に係る評価サーバ１０３のブロック構成を例示する図である。評価サーバ１０３は、例えば、制御部３０１、記憶部３０２、および通信部３０３を含む。制御部３０１は、例えば、評価サーバ１０３の全体を制御する。評価サーバ１０３の記憶部３０２は、例えば、後述する利用者情報４００，１１００などの情報を記憶していてよい。通信部３０３は、例えば、ネットワーク１１０を介してサービス提供サーバ１０１、および利用者端末１０２と通信してよい。これらの各部の詳細および記憶部３０２に格納されている情報の詳細については後述する。

図４は、実施形態に係る利用者情報４００を例示する図である。利用者情報４００には、サービス提供サーバ１０１が提供するサービスに登録している利用者に関する情報が登録されている。利用者情報４００の情報は、例えば後述するように、評価サーバ１０３に提供され、利用者の広告に対する行動を予測するために利用されてよい。図４の例では、利用者情報４００には、例えば、デモグラフィック情報、趣味嗜好情報、広告接触情報、利用者行動情報などの複数の種類の利用者に関する情報が、利用者ごとに登録されている。

デモグラフィック情報は、例えば、利用者のデモグラフィックな情報であってよく、一例では、性別、年齢、所在地、結婚の有無、子供の有無、ペットの有無、車の有無、家の有無、および保険加入の有無の情報を含む。デモグラフィック情報は、例えば、サービス提供サーバ１０１が提供するサービスに利用者を登録する際に、利用者に入力させることで収集することができる。なお、利用者のデモグラフィックな情報を、例えば、属性情報とも呼ぶことがある。また、デモグラフィック情報は、図４に示す情報に限定されるものではない。例えば、デモグラフィック情報は、上述の一部の情報を含んでいなくてもよく、また、別に更なる情報を含んでいてもよい。例えば、デモグラフィック情報は、人口統計学的属性の情報を含んでもよく、人口統計学的属性の情報は、例えば、居住地域、収入、学歴、および職業を含む。

趣味嗜好情報は、例えば、利用者の趣味嗜好に関する情報であってよく、一例では、趣味嗜好に関連する様々なカテゴリに対する関心の度合いを、利用者の行動に基づいて数値化したスコアであってよい。趣味嗜好情報は、例えば、サービス提供サーバ１０１が提供するサービスに対して利用者がとった行動から取得することが可能である。例えば、サービス提供サーバ１０１が通信販売のサービスを提供しており、様々なカテゴリの商品を取り扱っているとする。カテゴリは、例えば、通信販売サイトで取り扱われる商品の分類であってよく、ファッション、インナーウェア、靴、アクセサリー、キッズ・ベビー商品、美容・コスメ、健康食品、アウトドア・スポーツ、教育系教材、スイーツ・お菓子、旅行グッズなどを含んでよい。なお、趣味嗜好のカテゴリは、図４に示す情報に限定されるものではない。例えば、趣味嗜好情報は、上述の一部のカテゴリを含んでいなくてもよく、また、別に更なるカテゴリを含んでいてもよい。

そして、それらのカテゴリの商品に対する利用者の行動から、利用者の趣味嗜好を評価してスコアにすることが可能である。例えば、利用者が、カテゴリに属する商品を、検索したらａポイント、検索および閲覧したらｂポイント、購入したらｃポイント、複数回同じ商品を購入していたらｄポイントというように、商品に対する利用者の行動に対して所定のポイントを割り当てる。なお、検索よりも検索閲覧、検索閲覧よりも購入、購入よりも複数回購入の方が、カテゴリの商品に対する利用者の関心が高いことが推定される（即ち、検索＜検索閲覧＜購入＜複数回購入で関心度が高い）。そのため、一例では、検索のａポイントよりも検索閲覧のｂポイントに高い値が割り当てられてよく、検索閲覧のｂポイントよりも購入のｃポイントに高い値が割り当てられてよく、購入のｃポイントよりも複数回購入のｄポイントに高い値が割り当てられてよい（即ち、ａ＜ｂ＜ｃ＜ｄ）。そして、例えば、カテゴリの商品ごとに、利用者のとった行動と対応するポイントを積算することで、カテゴリに対する利用者の趣味嗜好を数値化し、評価することができる。なお、趣味嗜好情報として用いるスコアは、これに限定されるものではく、その他の方法で各カテゴリの商品に対する関心度を評価してスコアが計算されてもよい。例えば、別の例では、カテゴリに含まれる複数の商品に対して計算したスコアを平均した値を、カテゴリに対するスコアとして用いることもできる。

広告接触情報は、広告の依頼者が出している広告への利用者の接触に関する情報である。例えば、サービス提供サーバ１０１は、評価サーバ１０３から依頼を受けた広告を通信販売のサイトのウェブページなどに掲載してよく、広告接触情報は、一例では、その掲載した広告に対する利用者の接触に関する情報である。広告接触情報は、例えば、ページ接触有無、滞在時間、および動画視聴有無の情報を含んでよい。ページ接触有無は、例えば、広告のリンクを開くなどして、商品に対する広告のページにアクセスしたか否かの情報であってよい。滞在時間は、例えば、商品に対する広告のページにアクセスがあった場合にその滞在時間を示す情報である。滞在時間は、一例では、利用者の累計の滞在時間であってよく、別の例では、最長の滞在時間であってよく、或いは、滞在時間を所定のアルゴリズムで評価したスコアであってもよい。動画視聴有無は、例えば、商品に対する広告のページで公開している動画を視聴したか否かの情報であってよい。一例では、動画視聴有無には、利用者が動画を最後まで見た（完全視聴した）場合に、動画視聴を有りが登録されてよい。

利用者行動情報は、例えば、広告の対象の商品に対して利用者がとった行動であってよい。なお、利用者行動情報は、実施形態において予測したい利用者の行動であってよい。例えば、図４では、利用者行動情報として利用者が広告の対象の商品に申し込んだか否かを示す申し込み有無の情報が登録されている。

なお、図４の利用者情報４００において情報を収集する所定の期間は、例えば、直近の１年間など、全ての利用者で共通した期間であってよい。或いは、別の実施形態では、例えば、広告の対象の商品への申し込みを行った利用者については、初回の申し込み日の直近の１年間を用いるなど、情報を収集する期間は利用者に応じて異なっていてもよい。例えば、広告の対象の商品への申し込みを行った利用者は、申し込み後には、その広告に対する興味が薄れていると考えられる。そのため、広告の対象の商品への申し込みを行った利用者については、申し込みの前の所定期間の情報を取得して利用することで、広告の対象の商品に対する利用者の購買意欲がより反映された情報を得ることができる。

以上に例示した情報が利用者情報４００には登録されていてもよい。なお、利用者情報４００に登録される情報は、上記に限定されるものではなく、別の例では、上述の情報の一部が削除されていてもよく、また、新たな情報が追加されていてもよい。利用者情報４００に追加される更なる情報の例については図１１を参照して後述する。

そして、実施形態では評価サーバ１０３は、サービス提供サーバ１０１から図４の利用者情報４００の提供を受け、利用者情報４００に登録されている利用者群の利用者を特徴づける情報に基づいて機械学習を実行し、利用者の広告に対する反応を予測するための学習済みモデルを生成する。

図５は、実施形態に係る学習済みモデルの生成を例示する図である。図５に示すように、例えば、利用者情報４００に登録されている利用者群の情報を教師データのセットとして用いて機械学習を行うことができる。例えば、デモグラフィック情報、趣味嗜好情報、広告接触情報は、説明変数として用いることができる。また、利用者行動情報の申し込みの有無を目的変数として用いることができ、それにより、例えば、広告に対する申し込みの可能性を評価する指標値を出力する学習済みモデルを生成することができる。

例えば、評価サーバ１０３の制御部３０１は、図５に示すように、利用者情報４００に登録されているデモグラフィック情報、趣味嗜好情報、広告接触情報に含まれる各項目の情報を説明変数としてモデルに入力する。また、制御部３０１は、利用者行動情報の広告の対象の商品に対する申し込みの有無を数値化し、目的変数として用いる。一例では、制御部３０１は、申し込み有りを１ポイント、申し込み無しを０ポイントで目的変数として用い、重回帰分析によりパラメータの学習を行って、学習済みモデルを生成してよい。それにより、利用者の申し込みの可能性を評価した指標値（スコア）を出力する学習済みモデルを生成することができる。また、モデルには、例えば、勾配ブースティング、ランダムフォレスト、ニューラルネットワークなどの既知のモデルを利用することができる。

なお、実施形態では、利用者のデモグラフィック情報、趣味嗜好情報、および広告接触情報を用いることで学習済みモデルによる予測精度の向上を図っているが、例えば、デモグラフィック情報および広告接触情報については、機械学習に用いられなくてもよい。また、例えば、デモグラフィック情報、趣味嗜好情報、広告接触情報に含まれる各項目の情報についても、一部は機械学習に用いられなくてもよく、別な情報が更に含まれていてもよい。例えば、生成した学習済みモデルのパラメータの重みに基づき、予測に対する寄与の小さい説明変数を特定可能な場合には、重みが所定以下で低い説明変数を除いて、学習モデルの再構築を行ってもよい。それにより、学習済みモデルによる予測精度を向上させることが可能である。

また、教師データとして、何を説明変数として用い、何を目的変数として用いて機械学習を行うかは、何を予測するかによって変わり得る。例えば、別の実施形態において対象の商品を何度も購入するようなロイヤルティの高い利用者を見極めたい場合には、所定期間における広告対象の商品の購入回数を目的変数として用いて学習を行ってもよい。また、更に別の例では、趣味嗜好情報の説明変数として、特定のカテゴリの記事に対して「いいね!ボタン」を押したか否か、特定のリンクをクリックしたか否か、およびＳＮＳにおいてつながっているユーザの属性などの情報が用いられてもよい。

例えば、以上のようにして、目的変数とした情報を予測する学習済みモデルを生成することができる。なお、得られた学習済みモデルの予測精度を、別途用意した検証用のデータで検証する処理が更に行われてもよい。

図６は、実施形態に係る利用者の行動予測のための学習済みモデルの生成処理の動作フローを例示する図である。例えば、評価サーバ１０３の制御部３０１は、学習済みモデルの生成処理の実行指示が入力されると、図６の動作フローを開始してよい。

ステップ６０１（以降、ステップを“Ｓ”と記載し、例えば、Ｓ６０１と表記する）において制御部３０１は、教師データセットを受け付ける。例えば、制御部３０１は、サービス提供サーバ１０１から図４の利用者情報４００の提供を受け、利用者情報４００を教師データセットとして用いてよい。なお、利用者情報４００は、例えば、利用者の個人情報を含むこともあるため、サービス提供サーバ１０１から評価サーバ１０３に提供される際に、一部の情報が別の情報でマスクされていてもよい。一例として、利用者情報４００において利用者ＩＤは、提供の際に別の識別情報を割り当ててマスクされてもよく、この場合、サービス提供サーバ１０１の記憶部２０２には、利用者ＩＤと、別の識別情報とを対応づける情報が記憶されてよい。

そして、評価サーバ１０３の制御部３０１は、図５を参照して述べたように、提供された利用者情報４００に登録されているデモグラフィック情報、趣味嗜好情報、広告接触情報の各項目のうち、任意の情報を説明変数として取得してよい。また、制御部３０１は、目的変数として、例えば、利用者情報４００に登録されている利用者行動情報の申し込みの有無を取得してよい。

Ｓ６０２において制御部３０１は、利用者情報４００から読み出した情報を用いて機械学習を実行する。例えば、制御部３０１は、図５で述べたように、申し込み有無を目的変数として用い、また、デモグラフィック情報、趣味嗜好情報、および広告接触情報のカテゴリの項目の情報を説明変数として用いて重回帰分析によりモデルのパラメータを学習し、学習済みモデルを生成してよい。なお、モデルには、例えば、勾配ブースティング、ランダムフォレスト、ニューラルネットワークなどの既知のモデルを利用することができる。

Ｓ６０３において制御部３０１は、生成した学習済みモデルを記憶部３０２に保存し、本動作フローは終了する。

図６の動作フローによれば、制御部３０１は、利用者の趣味嗜好に関する情報を考慮して、利用者が目的変数として設定した行動をとる可能性を評価した指標値を出力する学習済みモデルを生成することができる。そのため、実施形態によれば、利用者が目的変数として設定した行動をとる可能性を高い精度で予測することが可能となる。

以下、図７を参照して、生成した学習済みモデルを用いた利用者の行動の予測処理を説明する。図７は、実施形態に係る評価サーバ１０３の制御部３０１が実行する学習済みモデルを用いた利用者の行動の予測処理の動作フローを例示する図である。制御部３０１は、例えば、広告の通知処理の実行指示が入力されると、図７に示す利用者の行動の予測処理の動作フローを開始してよい。

Ｓ７０１において制御部３０１は、利用者の情報を取得する。例えば、制御部３０１は、サービス提供サーバ１０１から予め提供を受けた利用者情報４００を記憶部３０２に保存していてよく、記憶部３０２に保存されている利用者情報４００から、学習済みモデルの生成には利用されていない予測対象の利用者群の利用者のデータを読み出して利用者の情報を取得してよい。また、別な例では、制御部３０１は、Ｓ７０１においてサービス提供サーバ１０１に要求して利用者情報４００の提供を受け、提供された利用者情報４００を記憶部３０２に保存し、そこから利用者の情報を取得してもよい。また、サービス提供サーバ１０１から提供される利用者情報４００は、上述のように一部の情報がマスクされていたり、別な情報に置き換えられていたりしてもよい。Ｓ７０１で情報を取得する行動の予測対象の利用者群の利用者は、例えば、目的変数として設定した行動を未だとっていない利用者であってよい。

Ｓ７０２において制御部３０１は、読み出したそれぞれの利用者について、利用者の情報を学習済みモデルに入力し、広告の対象の商品に対して目的変数として設定した行動を実行する可能性を評価した指標値を取得する。

Ｓ７０３において制御部３０１は、利用者に対して求めた指標値を、その利用者と対応づけて、サービス提供サーバ１０１に通知する。

以上で述べたように、実施形態によれば利用者と対応づけてその利用者が目的変数として設定した行動を実行する可能性を評価した指標値をサービス提供サーバ１０１に提供することができる。

続いて、図８および図９を参照して、広告の通知処理を説明する。図８は、実施形態に係る広告の通知処理の動作フローを例示する図である。また、図９は、実施形態に係る学習済みモデルを用いた広告効果の測定処理の一例を説明する図である。なお、以下では、利用者にＡＢテストを実施して広告効果の測定を行う場合を例に説明を行う。

制御部２０１は、例えば、広告の通知処理の実行指示が入力されると、図８に示す広告の通知処理の動作フローを開始してよい。

Ｓ８０１において制御部２０１は、利用者情報４００から、学習済みモデルの生成には利用されていない予測対象の利用者群の利用者のデータを読み出して、評価サーバ１０３に提供する。なお、予測対象の利用者群の利用者は、例えば、目的変数として設定した行動を未だとっていない利用者であってよい。

Ｓ８０２において制御部２０１は、広告の対象の商品に対して学習済みモデルの生成で目的変数として設定した行動を実行する可能性を評価した指標値が、提供した利用者のデータと対応づけられた情報を評価サーバ１０３から取得する。なお、指標値は、例えば、評価サーバ１０３の制御部３０１が、提供された利用者のデータを、図６の処理で生成された学習済みモデルに入力することで取得されてよい。

Ｓ８０３においてサービス提供サーバ１０１の制御部２０１は、利用者と対応づけられた指標値に基づいて、利用者を複数のグループに分ける。図９（ａ）は、利用者のグループ分けとカテゴリ分けを例示している。一例では、制御部２０１は、図９（ａ）に示すように、指標値の高い側から順に利用者を以下の４つのグループに分けてよい。
グループ１：上位２５％
グループ２：上位２６％から５０％
グループ３：上位５１％から７５％
グループ４：上位７６％から１００％

そして、Ｓ８０４において制御部２０１は、複数のグループの各グループの利用者を、複数のカテゴリに分ける。例えば、制御部２０１は、図９（ａ）に示すように、上述の４つのグループのそれぞれの利用者を、ランダムにカテゴリＡと、カテゴリＢの２つのカテゴリに分けてよい。

Ｓ８０５において制御部２０１は、それぞれのグループの利用者に対してカテゴリごとに異なる広告を通知する。広告にはそれぞれの通知先の利用者を識別可能な識別子が付与されていてよい。また、広告は一例では、広告の対象の商品への申し込みを促すメッセージと、広告のウェブサイトへのアクセスを提供する情報（例えば、ＵＲＬやＵＲＬをコードする二次元コード）とを含んでよい。なお、広告の通知は、例えばメールなどで利用者に送付されてもよいし、物理的な媒体にメッセージを印字した郵便物などとして利用者に配達されてもよい。

図９（ｂ）は、広告の送信および結果の測定を説明する図である。図９（ｂ）に示す例では、カテゴリＡの利用者にはクーポン付きの広告が通知されており、一方、カテゴリＢの利用者にはクーポン無しの広告が通知されている。

例えば、カテゴリＡに通知される広告では利用者は、広告に付与されたＱＲコード（登録商標）などの二次元コードを介してカテゴリＡの利用者用に用意されたウェブサイト（例えば、ＬＰ：ランディングページ）にアクセスすることができる。そして、そのウェブサイトには商品を購入した場合にポイント１０倍付与などの特典が得られるキャンペーンにエントリーするリンクが含まれており、利用者はキャンペーンにエントリーすることができる。なお、キャンペーンにエントリーして商品を購入した利用者については、後日、１０倍のポイントが付与されてよい。

一方、例えば、カテゴリＢに通知される広告では利用者は、広告に付与された二次元コードなどを介してカテゴリＢの利用者用に用意されたウェブサイト（例えば、ＬＰ）にアクセスすることができる。そして、そのウェブサイトにはクーポンが付加されておらず、単に商品の購入ページへとアクセスするためのリンク（図９（ｂ）の購入）が含まれている。そのため、利用者は、リンクを開くと、クーポンにエントリーをせずに、商品の購入ページへと飛ぶ。

そして、Ｓ８０６において制御部２０１は、利用者が商品の購入ページで対象の商品を購入するなどの行動をとった場合、その利用者を通知した広告に付した識別子に基づいて識別し、広告の通知に対して利用者のとった行動を結果として測定する。

続いて、Ｓ８０７において制御部２０１は、学習済みモデルの生成には利用されておらず、かつ、Ｓ８０１の処理でも評価サーバ１０３に提供していない新たな利用者のデータを利用者情報４００から読み出して、評価サーバ１０３に提供する。なお、提供する新たな利用者は、例えば、目的変数として設定した行動を未だとっていない利用者であってよい。

Ｓ８０８において制御部２０１は、広告の対象の商品に対して学習済みモデルの生成で目的変数として設定した行動を実行する可能性を評価した指標値を、新たな利用者のデータと対応づけて評価サーバ１０３から取得する。なお、指標値は、例えば、評価サーバ１０３の制御部３０１が、提供された新たな利用者のデータを、図６の処理で生成された学習済みモデルに入力することで取得されてよい。

Ｓ８０９において制御部２０１は、測定した結果に基づいて、新たな利用者と対応する指標値に対して通知する広告を決定し、Ｓ８１０において決定した広告を新たな利用者の利用者端末１０２に通知し、本動作フローは終了する。なお、Ｓ８０６からＳ８１０で実行される結果の測定と、それに基づく通知の更なる詳細については、図１０を参照して後述する。

以上で述べたように、実施形態によれば、利用者の趣味嗜好に関する情報や広告への接触に関する情報を考慮して生成された学習済みモデルにより、利用者が目的変数として設定した行動をとる可能性を評価した指標値を得ることができる。また、得られた指標値に基づいて利用者をグループ分けし、いわゆるＡＢテストなどの広告効果の測定を実施することができる。

図１０は、Ｓ８０６で測定した測定結果の一例を示す図である。図１０では、それぞれのグループごとに、カテゴリＡの申し込み率と、カテゴリＢでの申し込み率とが示されている。なお、申し込み率は、例えば、グループのカテゴリに含まれる利用者の人数に対して、実際の申し込みを行った人数が占める比率を示す情報である。そして、これらの情報は、広告効率の改善に役立てることができる。

例えば、広告の対象の商品への申し込み率が、グループ１：上位２５％のグループにおいて、カテゴリＡとカテゴリＢで大差が無く、どちらも高かったとする。この場合、広告の対象の商品に対する利用者の関心がとても高いため、クーポンを付与しても、しなくても、多くの人が申し込みを行ったことが考えられる。この場合、これらの利用者にクーポンを配布しても、申し込みの増加はあまり見込めず、広告費の無用な投資となってしまう恐れがある。そのため、例えば、グループ１の利用者にはクーポンを配布しないことを検討することができる。

また、例えば、広告の対象の商品への申し込み率が、グループ４：上位７６％から１００％では、カテゴリＡのクーポンを付与した利用者も、カテゴリＢのクーポンを付与しなかった利用者も、どちらも申し込みが少なく、低かったとする。この場合、広告の対象の商品に対する利用者の関心が低く、これらの利用者に広告を通知したり、クーポンを配布したりしても、申し込みの増加が見込めず、無駄な労力および投資となる恐れがある。そのため、例えば、グループ４の利用者にはクーポンを配布しないことを検討することができる。

一方で、広告の対象の商品への申し込み率が、グループ２：上位２６％から５０％およびグループ３：上位５１％から７５％では、カテゴリＡの割引のクーポンを付与した利用者が、カテゴリＢの割引のクーポンを付与しなかった利用者よりも顕著に増えていたとする。この場合、これらの利用者にクーポンを配布することで、広告による大きな効果を期待できる。

そのため、Ｓ８０９の処理では制御部２０１は、例えば、新たに広告を通知する対象の利用者が、学習済みモデルで得られた指標値を用いてグループ２およびグループ３に分類された場合に、その利用者にはカテゴリＡのクーポンを付与した広告を通知するように、利用者に通知する広告を決定することができる。また、例えば、制御部２０１は、新たに広告を通知する対象の利用者が、学習済みモデルで得られた指標値を用いてグループ１およびグループ４に分類された場合に、その利用者にはカテゴリＢのクーポン無しの広告を通知するように、利用者に通知する広告を決定することができる。

以上で述べたように、実施形態によれば、広告の対象の商品に対して利用者がとる行動を学習済みモデルで予測し、予測結果に基づいて利用者をグループ分けすることができる。また、更に、実施形態によれば、グループごとに利用者をカテゴリ分けし、カテゴリごとに異なる広告を通知するなどして、いわゆるＡＢテストなどの広告効果の測定を実施することができる。そして、制御部２０１は、測定の結果に基づいて、上述のように、ポイント付与などのクーポン等を適切な利用者に配布することが可能になる。その結果、広告予算の配分を最適化することができる。

なお、図８の動作フローの実行の際に、過去のＳ８０３からＳ８０６、およびＳ８０９の処理の実行でグループに対して通知する広告が既に決定されている場合には、Ｓ８０３からＳ８０６、およびＳ８０９の処理は省略されてもよい。この場合、制御部２０１は、Ｓ８０２の処理の後、フローをＳ８０７に進め、その後に得られた指標値と対応するグループに対して過去に決定されている広告を通知してよい。また、一部のグループについては広告を通知する効果が低いことが過去の測定で分かっていることもある。この場合には、それらのグループに指標値が分類された利用者には広告を配信しなくてもよく、広告効果の高いグループに分類された一部の利用者にのみ広告を通知してもよい。

また、上記の例では、カテゴリ分けとしてＡとＢの２つのカテゴリに分ける例を示しているが、実施形態はこれに限定されるものではなく、３以上のカテゴリに分けてテストが行われてもよい。一例として、グループを、クーポン無し、クーポン有り（ポイント５倍）、クーポン有り（ポイント１０倍）、クーポン有り（ポイント１５倍）などの３以上のカテゴリに分けてテストが実行されてもよい。それにより、グループごとに付与する最適なクーポンの倍率を決定することが可能である。

以上において、実施形態を例示したが、実施形態はこれに限定されるものではない。例えば、学習済みモデルの生成に用いるための利用者情報４００は、利用者の更なる情報を含んでいてもよい。図１１は、別の実施形態に係る利用者情報１１００を例示する図である。なお、図１１の利用者情報１１００において、Ｎｏ．２からＮｏ．２５には、図４に示す利用者情報４００と同様の情報が登録されていてよい。そして、図１１の例では、利用者情報１１００は、更に、購買情報、サービス履歴情報、イベント時期購買情報、および他メディア接触情報を含んでいる。

購買情報は、所定期間における利用者の曜日および時間帯に応じた購買行動の傾向を示す情報である。例えば、図１１では、購買情報として、所定期間における商品の平日朝の購買回数、平日昼の購買回数、平日夕方の購買回数、平日夜の購買回数、および週末の購買回数が登録されている。

サービス利用情報は、例えば、サービス提供サーバ１０１で提供している他のサービスの利用履歴であってよい。図１１の例では、サービス提供サーバ１０１は、通信販売のサイトの他に、ゴルフ予約サービスと、旅行予約サービスを提供しており、それぞれのサービスでの利用者の予約回数が登録されている。

イベント時期購買情報は、例えば、販促イベントの開催時期における利用者の購買に関する情報であってよい。図１１では、販促イベントごとに購買回数が登録されている。販促イベントは、例えば、バレンタインデー、ホワイトデー、父の日・母の日、お中元時期、敬老の日、ハロウィン、お歳暮時期、クリスマスなどのイベントであってよい。なお、購買回数は、例えば、販促イベントの開催期間における利用者による商品の購買の回数であってよい。また、販促イベントの開催期間は、例えば、バレンタインデーなどの所定の日付で行われるイベントの場合には、その日付を含む前後の１カ月間（例えば、イベントの前の４週間からイベント後の数日）などの所定の期間に設定されていてよい。また、お中元などの時期を対象とするイベントの場合、そのイベントの時期が販促イベントの開催期間に設定されていてよい。

他メディア接触情報には、例えば、広告の依頼者が、サービス提供サーバ１０１が提供する通信販売のサイト以外にも、他のメディアを介して同じ商品に対する広告を出している場合に、その他のメディアでの利用者の広告への接触に関する情報が登録されてよい。なお、他のメディアでの広告は、例えば、ＳＮＳ（social networking service）に掲載される広告、オンライン雑誌メディアに掲載される広告、広告の依頼主の自社のホームページに掲載された広告などのサービス提供サーバ１０１とは別のサーバや別のサービスでのオンライン広告、およびテレビジョン（以下、テレビと呼ぶことがある）での広告を含んでよい。図１１の例では、他メディア接触情報には、利用者が他のメディアを介して広告に接触したか否かを示す情報、および他のメディアを介して広告に接触した回数の情報が登録されている。

なお、例えば、サービス提供サーバ１０１が提供する通信販売サービスのウェブサイト内での行動は、利用者にサービスへのログイン等を行わせることで収集することが可能である。しかしながら、他のメディアでの行動は、サービス提供サーバ１０１が提供するサービス外で行われることもあるため、別の方法で収集が行われてもよい。一例として、サービス提供サーバ１０１のサービスに登録している利用者が、他のメディアを介して広告に接触した否かを、Cookie（クッキー）およびＩＰ（Internet Protocol）アドレスなどの情報を用いて特定することが可能である。

例えば、サービス提供サーバ１０１にアクセスしてきた利用者端末１０２のブラウザに、広告のサイトのクッキーが保存されていれば、利用者が広告に接触していると見なすことができる。この場合、広告のサイトが、サービス提供サーバ１０１とは別のサーバで提供されていても、また、サービス提供サーバ１０１が提供するサービスに利用者端末１０２がログインしていない状態で広告接触していても、広告への接触を検出することができる。

また、例えば、利用者がテレビのＣＭ（Commercial Message）で広告に接触することもある。この場合に、例えば、そのテレビが、テレビの視聴ログをテレビおよびルータなどの少なくとも１つのＩＰアドレスと関連付けて記憶していれば、その視聴ログの情報をサービス提供サーバ１０１で収集することで、対象の広告のＣＭの視聴が行われたテレビのＩＰアドレスを取得することができる。なお、サービス提供サーバ１０１の制御部２０１は、一例では、テレビから視聴ログを収集する別のサーバを介して、テレビの視聴ログの情報を取得してもよい。例えば、評価サーバ１０３は、テレビから視聴ログを収集して、サービス提供サーバ１０１に提供してよい。また、別の例として、広告のサイトを提供する別のサーバからアクセスログを取得することで、サービス提供サーバ１０１の制御部２０１は、広告のページにアクセスしたデバイスのＩＰアドレスを特定してもよい。

そして、得られたＩＰアドレスが、サービス提供サーバ１０１のサービスに登録している利用者の利用者端末１０２のＩＰアドレスと一致する場合に、サービス提供サーバ１０１の制御部２０１は、その利用者端末１０２の利用者が広告に接触していると判定することができる。

また更に、例えば、広告にピクセルタグを仕込み、広告が表示された際にタグを発火させることで、広告に接触した視聴者のデバイスのＩＰアドレスなどの情報を収集することができる。また、クッキーの代わりに、利用者端末１０２にインストールされるアプリケーションから取得される識別子を利用することもでき、例えば、ＩＤＦＡ（Identification For Advertisers）、ＡＤＩＤ（Advertising ＩＤ）などの広告識別子を利用することができる。例えば、これらの情報を用いて、サービス提供サーバ１０１の制御部２０１は、他メディアでの広告への接触の情報を取得してよい。また更に、他メディア接触情報は、新聞、雑誌、チラシ、看板などのオフライン広告への接触を含んでもよい。この場合にも、例えば、オフライン広告で二次元コードなどを用いて特定のウェブページなどにアクセスさせることで、オフライン広告への利用者の接触を検出することが可能である。

以上に述べたように、利用者情報１１００には追加の情報が含まれていてもよい。そして、評価サーバ１０３の制御部３０１は、図１１に示す追加の情報を含む利用者情報１１００の提供をサービス提供サーバ１０１から受けて、広告の対象の商品に対する利用者の行動を予測する学習済みモデルを生成してよい。

図１２は、実施形態に係る学習済みモデルの生成を例示する別の図である。図１２に示すように、例えば、利用者情報１１００に登録されているデモグラフィック情報、趣味嗜好情報、広告接触情報、購買情報、サービス利用情報、イベント時期購買情報、および他メディア接触情報の各項目の情報は、説明変数として用いることができる。また、利用者行動情報の申し込みの有無を目的変数として利用することで、例えば、図５で述べたのと同様に、広告に対する申し込みの可能性を評価した指標値を出力する学習済みモデルを生成することができる。なお、図１２の例では、図５で述べた例よりも説明変数が増えているため、学習済みモデルによる利用者の行動予測精度が向上する可能性がある。

なお、上述の例では、利用者情報４００および利用者情報１１００に登録されている情報をサービス提供サーバ１０１で収集し、評価サーバ１０３に提供する例を述べたが、利用者情報４００および利用者情報１１００に登録される情報は別のサーバで収集されてもよい。例えば、別の実施形態では、利用者情報１１００に登録されている他メディア接触情報などの少なくとも一部の情報については評価サーバ１０３や別のサーバにおいて収集されてよく、評価サーバ１０３の制御部３０１は、その情報をサービス提供サーバ１０１から提供された情報と統合して、学習済みモデルの生成や指標値の取得に利用してもよい。

以上においていくつかの実施形態を例示したが実施形態はこれに限定されるものではない。例えば、上述の実施形態に示す動作フローは例示であり、実施形態はこれに限定されるものではない。可能な場合には、動作フローは、処理の順番を変更して実行されてもよく、別に更なる処理を含んでもよく、または、一部の処理が省略されてもよい。

また、上述の実施形態では、広告通知システム１００が、サービス提供サーバ１０１、利用者端末１０２、および評価サーバ１０３を含む例を述べたが、実施形態はこれに限定されるものではない。広告通知システム１００は、上述の一部の構成を含んでいなくても、別に更なる構成を含んでいてもよい。例えば、上述の例では、評価サーバ１０３が上述の図６および図７の処理を実行して、学習済みモデルの生成と指標値の提供を実行している。また、サービス提供サーバ１０１が、通信販売などのサービスを提供しつつ、上述の図８の処理を実行して評価サーバ１０３から提供された指標値に基づいて利用者に対する広告の通知の制御を実行している。しかしながら、実施形態はこれに限定されるものではない。例えば、上述の図６および図７の処理で述べた学習済みモデルの生成と指標値の提供の処理は、サービス提供サーバ１０１で実行されてもよい。そして、この場合、図７の動作フローは実行されなくてよく、サービス提供サーバ１０１の制御部２０１は、Ｓ８０１およびＳ８０７で利用者情報４００，１１００から利用者の情報を読み出すと、そのまま、Ｓ８０２およびＳ８０８で学習済みモデルに入力し、指標値を取得してもよい。

また、更に別の実施形態では、上述の図８の広告を通知する処理は、サービス提供サーバ１０１から利用者情報４００，１１００の提供を受けた評価サーバ１０３の制御部３０１が実行してもよい。そして、この場合、図７の動作フローは実行されなくてよく、評価サーバ１０３の制御部３０１は、Ｓ８０１およびＳ８０７で利用者情報４００，１１００の提供をサービス提供サーバ１０１から受けると、そのまま、Ｓ８０２およびＳ８０８で学習済みモデルに入力し、指標値を取得してよい。

以上で述べたように、上述のサービス提供サーバ１０１および評価サーバ１０３が実行する処理は、１台の装置に実装されてもよく、または、より多くの装置を用いて実装されてもよい。

図１３は、実施形態に係る上述の処理が統合されて実行される通信装置１３００のブロック構成を例示する図である。通信装置１３００は、例えば、サービス提供サーバ１０１であっても、評価サーバ１０３であってもよい。通信装置１３００は、例えば、制御部１３０１、記憶部１３０２、および通信部１３０３を含む。制御部１３０１は、例えば、出力部１３１１および通知部１３１２を含む。記憶部１３０２は、例えば、利用者情報４００または利用者情報１１００などの情報を記憶していてよい。通信部１３０３は、例えば、ネットワーク１１０を介して利用者端末１０２などと通信してよい。

そして、この場合、制御部１３０１は、例えば、Ｓ８０２およびＳ８０８の処理では出力部１３１１として動作する。また、制御部１３０１は、例えば、Ｓ８０５およびＳ８１０の処理では通知部１３１２として動作する。

図１４は、実施形態に係るサービス提供サーバ１０１および評価サーバ１０３を実現するためのコンピュータなどの情報処理装置１４００のハードウェア構成を例示する図である。図１４の情報処理装置１４００のハードウェア構成は、例えば、プロセッサ１４０１、メモリ１４０２、記憶装置１４０３、読取装置１４０４、通信インタフェース１４０６、および入出力インタフェース１４０７を備える。なお、プロセッサ１４０１、メモリ１４０２、記憶装置１４０３、読取装置１４０４、通信インタフェース１４０６、入出力インタフェース１４０７は、例えば、バス１４０８を介して互いに接続されている。

プロセッサ１４０１は、例えば、シングルプロセッサであっても、マルチプロセッサやマルチコアであってもよい。プロセッサ１４０１は、メモリ１４０２を利用して例えば上述の動作フローの手順を記述したプログラムを実行することにより、上述した制御部２０１、制御部３０１、および制御部１３０１の一部または全部の機能を提供する。例えば、サービス提供サーバ１０１のプロセッサ１４０１は、記憶装置１４０３に格納されているプログラムを読み出して実行することで、図８の処理を実行してよい。また、評価サーバ１０３のプロセッサ１４０１は、記憶装置１４０３に格納されているプログラムを読み出して実行することで、図６および図７の処理を実行してよい。

メモリ１４０２は、例えば半導体メモリであり、ＲＡＭ領域およびＲＯＭ領域を含んでいてよい。記憶装置１４０３は、例えばハードディスク、フラッシュメモリ等の半導体メモリ、または外部記憶装置である。なお、ＲＡＭは、Random Access Memoryの略称である。また、ＲＯＭは、Read Only Memoryの略称である。

読取装置１４０４は、プロセッサ１４０１の指示に従って着脱可能記憶媒体１４０５にアクセスする。着脱可能記憶媒体１４０５は、例えば、半導体デバイス（ＵＳＢメモリ等）、磁気的作用により情報が入出力される媒体（磁気ディスク等）、光学的作用により情報が入出力される媒体（ＣＤ−ＲＯＭ、ＤＶＤ等）などにより実現される。なお、ＵＳＢは、Universal Serial Busの略称である。ＣＤは、Compact Discの略称である。ＤＶＤは、Digital Versatile Diskの略称である。

なお、上述の記憶部２０２、記憶部３０２、および記憶部１３０２は、例えばメモリ１４０２、記憶装置１４０３、および着脱可能記憶媒体１４０５を含んでよい。例えば、サービス提供サーバ１０１および評価サーバ１０３の記憶装置１４０３には、利用者情報４００，１１００が格納されている。

通信インタフェース１４０６は、プロセッサ１４０１の指示に従ってネットワーク１１０を介してデータを送受信する。通信インタフェース１４０６は、上述の通信部２０３、通信部３０３、および通信部１３０３の一例である。入出力インタフェース１４０７は、例えば、入力装置および出力装置との間のインタフェースであってよい。入力装置は、例えばキーボード、マウス、およびタッチパネルなどの入力を受け付ける装置である。出力装置は、例えばディスプレーなどの表示装置、およびスピーカなどの音声装置などの出力を行う装置である。

実施形態に係る各プログラムは、例えば、下記の形態でサービス提供サーバ１０１、評価サーバ１０３、および通信装置１３００に提供される。
（１）記憶装置１４０３に予めインストールされている。
（２）着脱可能記憶媒体１４０５により提供される。
（３）プログラムサーバなどのサーバから提供される。

なお、図１４を参照して述べた情報処理装置１４００のハードウェア構成は、例示であり、実施形態はこれに限定されるものではない。例えば、上述の機能部の一部が削除されてもよく、新たな構成要素が追加されてもよい。また、別の実施形態では、例えば、上述の制御部２０１、制御部３０１、および制御部１３０１の一部または全部の機能がＦＰＧＡおよびＳｏＣなどによるハードウェアとして実装されてもよい。なお、ＦＰＧＡは、Field Programmable Gate Arrayの略称である。ＳｏＣは、System-on-a-chipの略称である。

以上において、いくつかの実施形態が説明される。しかしながら、実施形態は上記の実施形態に限定されるものではなく、上述の実施形態の各種変形形態および代替形態を包含するものとして理解されるべきである。例えば、各種実施形態は、その趣旨および範囲を逸脱しない範囲で構成要素を変形して具体化できることが理解されよう。また、前述した実施形態に開示されている複数の構成要素を適宜組み合わせることにより、種々の実施形態が実施され得ることが理解されよう。更には、実施形態に示される全構成要素からいくつかの構成要素を削除してまたは置換して、或いは実施形態に示される構成要素にいくつかの構成要素を追加して種々の実施形態が実施され得ることが当業者には理解されよう。

１００ ：広告通知システム
１０１ ：サービス提供サーバ
１０２ ：利用者端末
１０３ ：評価サーバ
１１０ ：ネットワーク
２０１ ：制御部
２０２ ：記憶部
２０３ ：通信部
３０１ ：制御部
３０２ ：記憶部
３０３ ：通信部
４００ ：利用者情報
６０１ ：ステップ
１１００ ：利用者情報
１３００ ：通信装置
１３０１ ：制御部
１３０２ ：記憶部
１３０３ ：通信部
１３１１ ：出力部
１３１２ ：通知部
１４００ ：情報処理装置
１４０１ ：プロセッサ
１４０２ ：メモリ
１４０３ ：記憶装置
１４０４ ：読取装置
１４０５ ：着脱可能記憶媒体
１４０６ ：通信インタフェース
１４０７ ：入出力インタフェース
１４０８ ：バス

Claims (9)

1. サービスを提供するサービス提供サーバと、
   前記サービス提供サーバのサービスを利用する利用者を評価する評価サーバと、
   を含む、広告通知システムであって、
   前記評価サーバは、第１の利用者群の利用者の属性情報、趣味嗜好に関する情報、および商品に対する広告への接触に関する情報を説明変数として用い、および前記商品に対して前記第１の利用者群の利用者がとった行動に基づく値を目的変数として用いて機械学習を行い生成された学習済みモデルに、第２の利用者群の利用者の前記属性情報、前記趣味嗜好に関する情報、および前記商品に対する広告への接触に関する情報を入力して、前記第２の利用者群の利用者が前記商品に対して前記目的変数の行動をとる可能性を評価した指標値を出力し、前記指標値を前記第２の利用者群の利用者と対応づけて前記サービス提供サーバに送信し、
   前記サービス提供サーバは、受信した前記指標値に基づいて、前記第２の利用者群の少なくとも一部の利用者に前記商品に対する広告を通知する、
   ことを特徴とする、広告通知システム。
2. 前記趣味嗜好に関する情報は、前記サービス提供サーバが提供するウェブサイトで取り扱われる商品を分類する複数のカテゴリごとに、利用者がカテゴリの商品に対して行った検索、閲覧、購買の行動をスコアで表した値である、ことを特徴とする請求項１に記載の広告通知システム。
3. 前記商品に対する広告への接触に関する情報が、前記商品に対する広告へのアクセスの有無、前記商品に対する広告での滞在時間、前記商品に対する広告に含まれる動画の視聴の有無の少なくとも１つを含む、ことを特徴とする請求項１または２に記載の広告通知システム。
4. 前記商品に対する広告への接触に関する情報が、前記商品に対するオンライン・オフライン広告への接触に関する情報、および、テレビジョンでの前記商品に対する広告の視聴に関する情報を含む、ことを特徴とする請求項１から３のいずれか１項に記載の広告通知システム。
5. 前記学習済みモデルは、前記第１の利用者群の利用者の曜日および時間帯に応じた購買に関する情報、所定のサービスの利用に関する情報、および、販促イベントの開催時期における購買に関する情報の少なくとも１つを前記説明変数として更に用いて生成される、ことを特徴とする請求項１から４のいずれか１項に記載の広告通知システム。
6. 前記サービス提供サーバは、前記第２の利用者群の利用者を、前記指標値に基づいて複数のグループに分類し、それぞれのグループの利用者を複数のカテゴリにカテゴリ分けし、それぞれのカテゴリの利用者に宛てて、他のカテゴリの利用者とは異なる広告を通知する、
   ことを特徴とする請求項１から５のいずれか１項に記載の広告通知システム。
7. 前記商品に対する広告には、通知先の利用者を識別するための識別子が付与されている、ことを特徴とする請求項６に記載の広告通知システム。
8. サービス提供サーバのサービスを利用する利用者を評価する評価サーバが、
   第１の利用者群の利用者の属性情報、趣味嗜好に関する情報、および商品に対する広告への接触に関する情報を説明変数として用い、および前記商品に対して前記第１の利用者群の利用者がとった行動に基づく値を目的変数として用いて機械学習を行い生成された学習済みモデルに、第２の利用者群の利用者の前記属性情報、前記趣味嗜好に関する情報、および前記商品に対する広告への接触に関する情報を入力して、前記第２の利用者群の利用者が前記商品に対して前記目的変数の行動をとる可能性を評価した指標値を出力し、
   前記指標値を前記第２の利用者群の利用者と対応づけて前記サービス提供サーバに送信し、
   前記サービス提供サーバが、受信した前記指標値に基づいて、前記第２の利用者群の少なくとも一部の利用者に前記商品に対する広告を通知する、
   ことを含む、広告通知方法。
9. 第１の利用者群の利用者の属性情報、趣味嗜好に関する情報、および商品に対する広告への接触に関する情報を説明変数として用い、および前記商品に対して前記第１の利用者群の利用者がとった行動に基づく値を目的変数として用いて機械学習を行い生成された学習済みモデルに、第２の利用者群の利用者の前記属性情報、前記趣味嗜好に関する情報、および前記商品に対する広告への接触に関する情報を入力し、前記第２の利用者群の利用者が前記商品に対して前記目的変数の行動をとる可能性を評価した指標値を出力する出力部と、
   前記指標値に基づいて、前記第２の利用者群の少なくとも一部の利用者に前記商品に対する広告を通知する通知部と、
   を含む、情報処理装置。
   
   

Images