JP2021105838A - 予測システム、予測方法、及びプログラム - Google Patents

Abstract

【課題】予測精度とリアルタイム性を高める。【解決手段】予測システム（Ｓ）は、過去にサービスを利用した複数のユーザの各々の行動履歴と、前記行動履歴に含まれるサービスの利用結果と、の関係が学習された学習モデル（Ｍｎ）を含む。取得手段（２０２）は、サービスを利用中のユーザの行動履歴を取得する。予測手段（２０３）は、利用中のユーザの行動履歴と学習モデルとに基づいて、利用中のユーザの利用結果を予測する。実行手段（１０３）は、予測された利用結果に応じた処理を実行する。【選択図】図６

Description

本発明は、予測システム、予測方法、及びプログラムに関する。

従来、サービスを利用するユーザの行動を解析する技術が知られている。例えば、特許文献１には、ウェブページをブックマークに登録するなどの所定の操作が行われた場合に、単にウェブページを表示させる場合よりも、ユーザが興味を持ちコンバージョン確率が高いと予測し、ブックマークされたウェブページに係る特典を付与するシステムが記載されている。

特開２０１３−２００７７１号公報

しかしながら、特許文献１の技術では、ユーザの行動のバリエーションは多岐に渡るので、コンバージョン確率が高いと予測される操作を網羅的に設定することは難しく、十分な予測精度を得ることができなかった。また、特許文献１の技術では、ユーザが所定の操作をするまでは特典が付与されないので、リアルタイム性にも乏しかった。

本発明は上記課題に鑑みてなされたものであって、その目的は、予測精度とリアルタイム性を高めることが可能な予測システム、予測方法、及びプログラムを提供することである。

上記課題を解決するために、本発明の一態様に係る予測システムは、過去にサービスを利用した複数のユーザの各々の行動履歴と、前記行動履歴に含まれる前記サービスの利用結果と、の関係が学習された学習モデルと、前記サービスを利用中のユーザの行動履歴を取得する取得手段と、前記利用中のユーザの行動履歴と前記学習モデルとに基づいて、前記利用中のユーザの前記利用結果を予測する予測手段と、予測された前記利用結果に応じた処理を実行する実行手段と、を含むことを特徴とする。

本発明の一態様に係る予測方法は、過去にサービスを利用した複数のユーザの各々の行動履歴と、前記行動履歴に含まれる前記サービスの利用結果と、の関係が学習された学習モデルを利用した予測方法であって、前記サービスを利用中のユーザの行動履歴を取得する取得ステップと、前記利用中のユーザの行動履歴と前記学習モデルとに基づいて、前記利用中のユーザの前記利用結果を予測する予測ステップと、予測された前記利用結果に応じた処理を実行する実行ステップと、を含むことを特徴とする。

本発明の一態様に係るプログラムは、過去にサービスを利用した複数のユーザの各々の行動履歴と、前記行動履歴に含まれる前記サービスの利用結果と、の関係が学習された学習モデルを利用可能なコンピュータを、前記サービスを利用中のユーザの行動履歴を取得する取得手段、前記利用中のユーザの行動履歴と前記学習モデルとに基づいて、前記利用中のユーザの前記利用結果を予測する予測手段、予測された前記利用結果に応じた処理を実行する実行手段、として機能させる。

また、本発明の一態様では、前記サービスは、複数のステップの各々が順次行われることによって利用され、前記学習モデルには、過去に各ユーザにより行われた少なくとも１つの前記ステップを示す前記行動履歴と、前記行動履歴に含まれる前記利用結果と、の関係が学習されており、前記取得手段は、前記利用中のユーザにより行われた少なくとも１つの前記ステップを、前記利用中のユーザの行動履歴として取得する、ことを特徴とする。

また、本発明の一態様では、前記学習モデルは、前記ステップごとに用意され、前記予測手段は、複数の前記学習モデルの中から、前記利用中のユーザにより現在行われているステップに対応する学習モデルを選択し、当該選択した学習モデルに基づいて、前記利用結果を予測する、ことを特徴とする。

また、本発明の一態様では、前記予測システムは、各学習モデルに、対応するステップまで進んだことを示す行動履歴と、前記行動履歴に含まれる前記利用結果と、の関係を学習させる学習手段、を更に含むことを特徴とする。

また、本発明の一態様では、各ステップでは、前記サービスを利用するためのページが表示され、前記学習モデルは、前記ページが表示される順番ごとに用意され、前記予測手段は、前記複数の学習モデルの中から、前記利用中のユーザにより現在表示されたページの順番に対応する学習モデルを選択する、ことを特徴とする。

また、本発明の一態様では、前記取得手段は、前記利用中のユーザの最新の前記行動履歴を取得し、前記予測手段は、前記利用中のユーザの前記最新の行動履歴が取得された場合に、前記利用中のユーザの最新の前記利用結果を予測し、前記実行手段は、予測された前記最新の利用結果が過去に予測された前記利用結果から変化した場合に、前記処理を実行する、ことを特徴とする。

また、本発明の一態様では、前記学習モデルは、前記利用結果の蓋然性を出力し、前記実行手段は、予測された前記利用結果の蓋然性に応じた前記処理を実行する、ことを特徴とする。

また、本発明の一態様では、前記学習モデルは、重み付けされたｋ近傍法に基づいて、前記利用中のユーザの前記行動履歴を分類し、前記利用結果を出力する、ことを特徴とする。

また、本発明の一態様では、前記サービスは、施設を予約又は商品を購入するためのページが閲覧されることによって利用され、前記学習モデルには、過去における各ユーザの閲覧履歴と、前記サービスがコンバージョンされたか否かの結果と、の関係が学習され、前記取得手段は、前記利用中のユーザの閲覧履歴を取得し、前記予測手段は、前記利用中のユーザの閲覧履歴と前記学習モデルとに基づいて、前記利用中のユーザにより前記サービスがコンバージョンされるか否かを予測し、前記実行手段は、予測されたコンバージョンの有無に応じた前記処理を実行する、ことを特徴とする。

また、本発明の一態様では、前記実行手段は、前記利用中のユーザにより前記サービスがコンバージョンされないことが予測された場合に、前記処理として、前記利用中のユーザに対し、前記サービスに関するクーポン又はポイントを付与する、ことを特徴とする。

本発明によれば、予測精度とリアルタイム性を高めることができる。

予測システムの全体構成を示す図である。 ウェブサーバが提供するウェブサイトの構成例を示す図である。 学習モデルの学習方法の一例を示す図である。 利用中のユーザの行動履歴に基づいて、サービスの利用結果がリアルタイムに予測される様子の一例を示す図である。 利用中のユーザの行動履歴に基づいて、サービスの利用結果がリアルタイムに予測される様子の一例を示す図である。 予測システムで実現される機能の一例を示す機能ブロック図である。 ユーザデータベースのデータ格納例を示す図である。 行動履歴データベースのデータ格納例を示す図である。 ドメインナレッジデータのデータ格納例を示す図である。 教師データセットのデータ格納例を示す図である。 重み付けされたｋ近傍法を利用した学習モデルの一例を示す図である。 モデル作成処理の一例を示すフロー図である。 サービス提供処理の一例を示すフロー図である。 サービス提供処理の一例を示すフロー図である。

［１．予測システムの全体構成］
以下、本発明の一態様に関わる予測システムの実施形態の例を説明する。図１は、予測システムの全体構成を示す図である。図１に示すように、予測システムＳは、ウェブサーバ１０、学習サーバ２０、ユーザ端末３０、及び解析者端末４０を含み、これらはインターネット等のネットワークＮに接続される。なお、図１では、ウェブサーバ１０、学習サーバ２０、ユーザ端末３０、及び解析者端末４０を１台ずつ示しているが、これらは複数台あってもよい。

ウェブサーバ１０は、ウェブサイトを管理するサーバコンピュータである。本実施形態では、ウェブサイトに含まれる個々の画面をページと記載し、これら複数のページの集合をウェブサイトと記載する。例えば、ウェブサーバ１０は、制御部１１、記憶部１２、及び通信部１３を含む。

制御部１１は、少なくとも１つのプロセッサを含む。制御部１１は、記憶部１２に記憶されたプログラムやデータに従って処理を実行する。記憶部１２は、主記憶部及び補助記憶部を含む。例えば、主記憶部はＲＡＭなどの揮発性メモリであり、補助記憶部は、ハードディスクやフラッシュメモリなどの不揮発性メモリである。通信部１３は、有線通信又は無線通信用の通信インタフェースを含み、例えば、ネットワークＮを介してデータ通信を行う。

学習サーバ２０は、ユーザの行動を解析するサーバコンピュータである。例えば、学習サーバ２０は、制御部２１、記憶部２２、及び通信部２３を含む。制御部２１、記憶部２２、及び通信部２３のハードウェア構成は、それぞれ制御部１１、記憶部１２、及び通信部１３と同様であってよい。

ユーザ端末３０は、ユーザが操作するコンピュータである。例えば、ユーザ端末３０は、パーソナルコンピュータ、携帯情報端末（タブレット型コンピュータを含む）、又は携帯電話機（スマートフォンを含む）等である。ユーザは、ウェブサーバ１０が提供するサービスの利用者であり、例えば、ウェブサイトの閲覧者である。ユーザは、エンドユーザということもできる。

ユーザ端末３０は、制御部３１、記憶部３２、通信部３３、操作部３４、及び表示部３５を含む。制御部３１、記憶部３２、及び通信部３３のハードウェア構成は、それぞれ制御部１１、記憶部１２、及び通信部１３と同様であってよい。操作部３４は、ユーザが操作を行うための入力デバイスであり、例えば、タッチパネルやマウス等のポインティングデバイスやキーボード等である。操作部３４は、ユーザの操作内容を制御部２１に伝達する。表示部３５は、例えば、液晶表示部又は有機ＥＬ表示部等である。

解析者端末４０は、解析者が操作するコンピュータであり、例えば、パーソナルコンピュータ、携帯情報端末、又は携帯電話機等である。解析者は、ユーザの行動等の解析を担当する担当者であり、例えば、サービスの提供会社におけるデータサイエンティストである。

解析者端末４０は、制御部４１、記憶部４２、通信部４３、操作部４４、及び表示部４５を含む。制御部４１、記憶部４２、通信部４３、操作部４４、及び表示部４５のハードウェア構成は、それぞれ制御部１１、記憶部１２、通信部１３、操作部３４、及び表示部３５と同様であってよい。

なお、記憶部１２，２２，３２，４２に記憶されるものとして説明するプログラム及びデータは、ネットワークＮを介して供給されるようにしてもよい。また、ウェブサーバ１０、学習サーバ２０、ユーザ端末３０、及び解析者端末４０のハードウェア構成は、上記の例に限られず、種々のハードウェアを適用可能である。例えば、ウェブサーバ１０、学習サーバ２０、ユーザ端末３０、及び解析者端末４０の各々は、コンピュータ読み取り可能な情報記憶媒体を読み取る読取部（例えば、光ディスクドライブやメモリカードスロット）や外部機器と直接的に接続するための入出力部（例えば、ＵＳＢ端子）を含んでもよい。この場合、情報記憶媒体に記憶されたプログラムやデータが読取部又は入出力部を介して供給されるようにしてもよい。

［２．予測システムの概要］
本実施形態の予測システムＳは、過去にサービスを利用した複数のユーザの各々の行動履歴と、行動履歴に含まれるサービスの利用結果と、の関係が学習された学習モデルに基づいて、サービスを利用中のユーザの行動を解析する。

サービスは、電子的又は物理的な手段を利用して提供される任意の種類のサービスを適用可能である。本実施形態では、サービスの一例として、ゴルフ場予約サービスを挙げるが、例えば、宿泊施設や航空券等の旅行予約サービス、オンラインショッピングモールにおける商品購入サービス、宝くじや馬券等の販売代行サービス、動画やゲーム等のコンテンツ提供サービス、金融サービス、又は保険サービスについても、予測システムＳを適用可能である。

行動履歴とは、過去に完了した行動の履歴である。行動は、サービス利用時のユーザの挙動であり、ユーザ端末３０が実行した処理のログということもできる。行動履歴は、少なくとも１つの行動を示す。行動履歴は、１つの行動だけを示してもよいし、複数の行動の各々を時系列的に示してもよい。例えば、ウェブサイトを利用したサービスであれば、行動履歴は、ユーザの閲覧履歴と、個々のページにおけるユーザの入力履歴と、の少なくとも一方を示す。閲覧とは、表示部３５にページが表示されること、又は、当該表示されたページを見ることである。入力とは、ページが表示された状態で操作部３４が受け付けた操作である。例えば、入力は、入力フォームのフォーカス、入力フォームに対する情報入力、ページのスクロール、又はボタンの選択である。

サービスの利用結果とは、ユーザがサービスを利用したことによって得られた結果である。別の言い方をすれば、サービスの利用結果は、サービスの利用のされ方である。例えば、サービスの利用結果は、サービスにおいて所定の結果が得られたか否かである。所定の結果は、ユーザの行動を解析するために定められた結果であればよく、例えば、コンバージョンされたか否かを示す。なお、サービスの利用結果は、コンバージョンに限られず、行動解析の目的に応じて設定されるようにすればよい。例えば、予測システムＳを不正検知に利用するのであれば、サービスの利用結果は、不正が行われたか否かを示してもよい。

コンバージョンとは、サービスの目的が達成されることである。施設の予約を目的とするサービスであれば、予約又は決済が完了することは、コンバージョンしたことを意味する。商品の販売を目的とするサービスであれば、購入又は決済が完了することは、コンバージョンしたことを意味する。例えば、ゴルフ場予約サービスであれば、ゴルフ場の予約が完了することである。旅行予約サービスであれば、宿泊施設や航空券等の予約が完了することである。商品購入サービスであれば、商品の購入が完了することである。他のサービスについても同様であり、サービスの目的が達成されると、コンバージョンされたことになる。

本実施形態では、サービスの利用結果の一例として、コンバージョンされたことを示す「コンバージョン」、コンバージョンの意志はあったが最終的にコンバージョンされなかったことを示す「放棄」、及びコンバージョンの意志がなかったことを示す「意志無し」の３種類を説明する。各行動履歴は、これら３種類の利用結果の何れかに分類（ラベリング）される。行動履歴の分類方法については、後述する。

学習モデルとは、機械学習を利用したモデルである。学習モデルは、ＡＩ（Artificial Intelligence）、分類器、又は分類学習器と呼ばれることもある。機械学習自体は、公知の種々の手法を利用可能であり、例えば、ニューラルネットワーク、強化学習、又は深層学習といった手法を利用可能である。機械学習は、教師有り学習、半教師有り学習、又は教師無し機械学習の何れが用いられてもよい。

利用中のユーザとは、現時点でサービスを利用しているユーザである。本実施形態のように、ウェブサイトを利用したサービスであれば、ウェブサイトに接続中のユーザ（サービスに対してオンライン中のユーザ）は、利用中のユーザに相当する。例えば、ウェブサーバ１０とユーザ端末３０のセッションが張られているユーザは、利用中のユーザに相当する。また例えば、直近の操作又はアクセスをしてから所定時間が経過していないユーザは、利用中のユーザに相当する。また例えば、ログイン中のユーザは、利用中のユーザに相当する。

例えば、予測システムＳは、サービスを利用中のユーザの行動履歴を解析し、このユーザがコンバージョンするか否かをリアルタイムで予測する。ウェブサーバ１０は、ゴルフ場の予約を受け付けるためのウェブサイトをユーザ端末３０に表示させ、ユーザは、所望のゴルフ場のページを検索し、予約を完了させる。

図２は、ウェブサーバ１０が提供するウェブサイトの構成例を示す図である。本実施形態では、図２に示すように、例えば、トップページＡ、検索ページＢ、検索結果ページＣ、詳細ページＤ、予約ステップ１ページＥ、予約ステップ２ページＦ、及び予約完了ページＧの順番に画面遷移すると、ゴルフ場の予約が完了する。

トップページＡは、サービスの入り口となる最上位のページである。ウェブサイトがツリー構造（階層構造）を有していたとすると、トップページＡは、根ノードに相当する。検索ページＢは、ゴルフ場の検索条件（クエリ）を入力するためのページである。検索ページＢには、ゴルフ場のエリア、プレイ開始日時、又はプレイ人数といった検索条件を入力するための入力フォームが表示される。

検索結果ページＣは、検索条件にヒットしたゴルフ場の一覧が表示されるページである。詳細ページＤは、ゴルフ場におけるコースの詳細を示すページである。例えば、検索結果ページＣの中から選択されたゴルフ場の詳細ページＤが表示される。図２の例では、詳細ページＤを１つだけ示しているが、ウェブサーバ１０が予約を受付可能なコースの数だけ詳細ページＤが存在する。このため、ユーザは、表示させた詳細ページＤのゴルフ場が気に入らなければ、検索結果ページＣに戻り、他のゴルフ場の詳細ページＤを表示させることができる。

予約ステップ１ページＥ及び予約ステップ２ページＦの各々は、ゴルフ場の予約に必要な情報を入力するためのページである。例えば、予約ステップ１ページＥは、プレイ開始時間及びプレイ人数等を入力するための入力フォームが表示される。また例えば、予約ステップ２ページＦは、予約者の氏名、住所、電話番号、メールアドレス、及び他のプレイヤの氏名等を入力するための入力フォームが表示される。

本実施形態では、予約ステップ１ページＥにおける全ての入力フォームを入力しなければ、予約ステップ２ページＦには進めないようになっている。例えば、予約ステップ１ページＥで未入力の情報があると、予約ステップ２ページＦに進むためのボタンが選択されたとしても、予約ステップ２ページＦに進むことはできない。この場合、予約ステップ１ページＥが再び表示され、未入力の情報がある旨を示すエラーメッセージが所定の位置に表示される。

予約完了ページＧは、ゴルフ場の予約が完了したことを示すページである。本実施形態では、予約ステップ２ページＦの全ての入力フォームを入力しなければ、予約完了ページＧには進めないようになっている。このため、予約ステップ１ページＦと同様、予約ステップ２ページＦで未入力の情報があると、予約完了ページＧに進むことができず、エラーメッセージが表示される。

なお、ユーザは、必ずしも上記の順番で画面遷移する必要はなく、任意の順番で画面遷移することができる。例えば、ユーザは、外部の検索サイトを経由して、最初から検索結果ページＣを表示させることもできる。また例えば、ユーザが詳細ページＤのリンクをブックマークしている場合には、トップページＡ、検索ページＢ、及び検索結果ページＣが表示されることなく、最初から詳細ページＤが表示されるようにしてもよい。また例えば、ユーザは、検索結果ページＣと詳細ページＤの間を行き来して所望のゴルフ場を見つけることもできるし、予約完了ページＧからトップページＡに戻ることもできる。

本実施形態では、ウェブサーバ１０は、過去にサービスを利用した多数のユーザの行動履歴を収集し、蓄積している。図２では、４人のユーザＵ１〜Ｕ４の行動履歴を示しておいる。また、ユーザが閲覧したページをアルファベットの大文字で示し、個々のページに対するユーザの入力をアルファベットの小文字で示す。

例えば、ユーザＵ１の行動履歴は、トップページＡで入力ａ１〜ａ４が行われ、検索ページＢで入力ｂ１〜ｂ４が行われ、検索結果ページＣで入力ｃ１〜ｃ３が行われ、詳細ページＤで入力ｄ１〜ｄ６が行われ、予約ステップ１ページＥで入力ｅ１，ｅ２が行われ、予約ステップ２ページＦで入力ｆ１，ｆ２が行われ、予約完了ページＧで入力ｇ１が行われたことを示している。ユーザＵ１の行動履歴は、予約完了ページＧまでたどり着いており、ゴルフ場の予約が完了しているので、「コンバージョン」に分類される。

また例えば、ユーザＵ２の行動履歴は、詳細ページＤで入力ｄ１〜ｄ６が行われ、予約ステップ１ページＥで入力ｅ１，ｅ２が行われ、予約ステップ２ページＦで入力ｆ１，ｆ２が行われ、予約完了ページＧで入力ｇ１が行われたことを示している。ユーザＵ２は、詳細ページＤをブックマークしており、最初に詳細ページＤを表示させている。ユーザＵ２の行動履歴は、予約完了ページＧまでたどり着いており、ゴルフ場の予約が完了しているので、「コンバージョン」に分類される。

また例えば、ユーザＵ３の行動履歴は、トップページＡで入力ａ１〜ａ４が行われ、検索ページＢで入力ｂ１〜ｂ４が行われ、検索結果ページＣで入力ｃ１〜ｃ３が行われ、トップページＡに戻り入力ａ１〜ａ３が行われ、再度表示されたトップページＡで入力ａ１〜ａ３が行われたことを示している。ユーザＵ３の行動履歴は、予約ステップ１ページＥにたどり着くことなく離脱しており、予約の意志がなくゴルフ場を閲覧しているだけであると予測されるので、「意志無し」に分類される。

また例えば、ユーザＵ４の行動履歴は、最初に検索結果ページＣが表示され、入力ミス等の要因により詳細ページＤに遷移できないことが何度か続いた後に、詳細ページＤで入力ｄ１，ｄ６が行われ、予約ステップ１ページＥで入力ｅ１，ｅ２が行われ、予約ステップ２ページＦで入力ｆ１が行われた後に離脱したことを示している。ユーザＵ４の行動履歴は、予約ステップ１ページＥと予約ステップ２ページＦを表示させ、予約の意志があったものの予約完了ページＧまでたどり着かなかったので、「放棄」に分類される。

上記のように、ユーザは、ウェブサーバ１０が提供するウェブサイトの各ページを順次移動しながらサービスを利用する。本実施形態では、学習サーバ２０は、ウェブサーバ１０に蓄積された行動履歴に基づいて、学習モデルを学習させる。

図３は、学習モデルの学習方法の一例を示す図である。学習モデルは、１つだけであってもよいが、本実施形態では、複数の学習モデルが用意されている場合を説明する。図３に示すように、学習モデルＭ１は、利用中のユーザが１番目に表示させたページに基づいて、サービスの利用結果を予測するためのモデルである。学習モデルＭ１は、ウェブサーバ１０に蓄積された過去の行動履歴が示す１番目のページと、行動履歴に含まれるサービスの利用結果と、の関係が学習されている。２番目以降に表示させたページについては、学習モデルＭ１には学習されない。

学習モデルＭ２は、利用中のユーザが１番目と２番目に表示させたページに基づいて、サービスの利用結果を予測するためのモデルである。学習モデルＭ２は、ウェブサーバ１０に蓄積された過去の行動履歴が示す１番目と２番目のページと、行動履歴に含まれるサービスの利用結果と、の関係が学習されている。３番目以降に表示させたページについては、学習モデルＭ２には学習されない。

以降の学習モデルＭｐ（ｐは３以上の整数）についても同様であり、学習モデルＭｐは、利用中のユーザが１番目〜ｐ番目に表示させたページに基づいて、サービスの利用結果を予測するためのモデルである。学習モデルＭｐは、ウェブサーバ１０に蓄積された行動履歴が示すｐ番目までのページと、サービスの利用結果と、の関係が学習されている。なお、以降の説明では、個々の学習モデルを区別しないときは、学習モデルＭｎと記載する。ｎは、１以上の自然数である。ｎの最大値は、任意の値を設定可能である。ｎの最大値は、学習モデルＭｎの合計数を意味する。例えば、利用中のユーザが表示させた２０番目のページまで追跡して解析したい場合には、ｎは２０となり、２０個の学習モデルＭｎが用意される。

図４及び図５は、利用中のユーザの行動履歴に基づいて、サービスの利用結果がリアルタイムに予測される様子の一例を示す図である。図４及び図５の黒い三角は、「コンバージョン」に分類される蓋然性を示す。黒い四角は、「放棄」に分類される蓋然性を示す。黒い丸は、「意志無し」に分類される蓋然性を示す。なお、本実施形態では、「コンバージョン」を示すラベルを「Ｃ」と記載する。「放棄」を示すラベルを「Ａ」と記載する。「意志無し」を示すラベルを「Ｎ」と記載する。

図４に示すように、例えば、ユーザＵｘは、ウェブサーバ１０にアクセスし、詳細ページＤを表示させて詳細ページＤに対する入力ｄ１，ｄ２，ｄ４を行う。ウェブサーバ１０は、ユーザＵｘの１番目の行動内容（詳細ページＤに対する入力内容）を学習サーバ２０に送信し、解析を依頼する。学習サーバ２０は、ユーザＵｘの１番目の行動内容を学習モデルＭ１に入力する。

学習モデルＭ１は、ユーザＵｘの１番目の行動内容に基づいて、「コンバージョン」、「放棄」、及び「意志無し」の各々の蓋然性を計算する。蓋然性は、分類の確度（確率）ということもできる。図４に示すように、学習モデルＭ１は、１番目の行動内容だけでサービスの利用結果を予測するモデルであり、ユーザの行動履歴に含まれる情報量が多くないので、どの蓋然性もあまり高くはならない。

次に、ユーザＵｘは、予約ステップ１ページＥを表示させて予約に必要な情報を入力する。ウェブサーバ１０は、ユーザＵｘの２番目までの行動内容（詳細ページＤと予約ステップ１ページＥの各々に対する入力内容）を学習サーバ２０に送信し、解析を依頼する。学習サーバ２０は、ユーザＵｘの２番目までの行動内容を学習モデルＭ２に入力する。学習モデルＭ２は、ユーザＵｘの２番目までの行動内容に基づいて、「コンバージョン」、「放棄」、及び「意志無し」の各々の蓋然性を計算する。図４に示すように、これらの蓋然性が変化する。

次に、ユーザＵｘは、予約ステップ２ページＦを表示させて予約に必要な情報を入力する。ウェブサーバ１０は、ユーザＵｘの３番目までの行動内容（詳細ページＤ、予約ステップ１ページＥ、及び予約ステップ２ページＦの各々に対する入力内容）を学習サーバ２０に送信し、解析を実行させる。学習サーバ２０は、ユーザＵｘの３番目までの行動内容を学習モデルＭ３に入力する。学習モデルＭ３は、ユーザＵｘの３番目までの行動内容に基づいて、「コンバージョン」、「放棄」、及び「意志無し」の各々の蓋然性を計算する。

以降、ユーザＵｘのセッションが切断されるまで、又は、コンバージョンが完了するまでの間、新たなページが表示されるたびに、学習モデルＭｎにより「コンバージョン」、「放棄」、及び「意志無し」の各々の蓋然性が計算される。図４に示すように、ユーザＵｘは、３番目のページを表示させた時点で「コンバージョン」の蓋然性が非常に高くなる。ユーザＵｘは、このままゴルフ場の予約を完了させる蓋然性が非常に高いので、ウェブサーバ１０は、ユーザＵｘについては特に何もしない。

一方、図５に示すように、ユーザＵｙについては、３番目のページを表示させた時点で「放棄」の蓋然性が非常に高くなる。これは、ユーザＵｙがその後にウェブサイトから離脱をする蓋然性が高いことを意味する。このため、ウェブサーバ１０は、ユーザＵｙについては、４番目のページが表示される時点で、ゴルフ場の予約で使用可能なクーポンを配信する。これにより、ユーザＵｙがコンバージョンせずに離脱する可能性が低減する。

以上のように、予測システムＳは、サービスを利用中のユーザの行動履歴と、学習モデルＭｎと、に基づいて、利用中のユーザの利用結果を予測する。予測システムＳは、予測された利用結果に応じた処理を実行することによって、利用結果の予測精度と、それに応じた処理のリアルタイム性と、を高めるようにしている。以降、予測システムＳの詳細を説明する。

［３．本実施形態において実現される機能］
図６は、予測システムＳで実現される機能の一例を示す機能ブロック図である。本実施形態では、ウェブサーバ１０と学習サーバ２０で実現される機能を説明する。

［３−１．ウェブサーバにおいて実現される機能］
図６に示すように、ウェブサーバ１０では、データ記憶部１００、受付部１０１、提供部１０２、及び実行部１０３が実現される。データ記憶部１００は、記憶部１２を主として実現され、他の各機能は、制御部１１を主として実現される。

［データ記憶部］
データ記憶部１００は、ユーザにサービスを提供するために必要なデータを記憶する。例えば、データ記憶部１００は、ユーザデータベースＤＢ１を記憶する。

図７は、ユーザデータベースＤＢ１のデータ格納例を示す図である。図７に示すように、ユーザデータベースＤＢ１は、複数のユーザの各々の情報が格納されたデータベースである。例えば、ユーザデータベースＤＢ１には、ユーザＩＤ、ユーザ名、パスワード、セッションＩＤ、セッション開始時間、セッション中の行動履歴、予測結果の履歴、及びクーポン情報が格納される。

ユーザＩＤは、ユーザを一意に識別する情報である。ユーザ名は、ユーザの氏名である。パスワードは、サービスにログインするための認証情報である。なお、ユーザデータベースＤＢ１には、ユーザにより登録された他の情報が格納されるようにしてもよく、例えば、住所、生年月日、性別、電話番号、及びメールアドレスといった情報が格納されていてもよい。

セッションＩＤは、ウェブサーバ１０とユーザ端末３０の間のセッションを一意に識別する情報である。セッションＩＤは、セッションが確立されると生成され、セッションが切断されるまで有効となる。セッションの確立方法自体は、任意の通信プロトコルの手法を利用可能であり、例えば、ＨＴＴＰ、ＨＴＴＰＳ、又はＳＳＬを利用可能である。

セッション開始時間は、セッションが確立された時間である。セッションの有効時間が定められている場合には、セッションＩＤは、セッション開始時間から一定時間後まで有効となる。

セッション中の行動履歴は、セッションが開始されてから切断されるまでの（セッションが張られている間の）行動履歴である。行動履歴の意味は、先述した通りであり、ユーザの行動が時系列的に示されている。図７の例では、行動履歴として、行動履歴の内容と、行動が行われた時間と、が格納される。例えば、行動履歴は、ユーザによる閲覧履歴と、ユーザによる入力内容の履歴と、の少なくとも一方を含む。本実施形態では、これらの両方が行動履歴に含まれている場合を説明するが、何れか一方のみが行動履歴に含まれていてもよい。

閲覧履歴は、ユーザ端末３０に表示されたページの時系列的な変化である。閲覧履歴は、画面遷移ということもできる。閲覧履歴は、ユーザ端末３０に表示されたページの履歴ということもできる。本実施形態では、ＵＲＬによってページが識別される場合を説明するが、ページＩＤ等の任意の情報によって画面が識別されてよい。ユーザによる入力内容は、各ページに対するユーザの入力である。ユーザによる入力は、操作部３４からの操作履歴ということもできる。

予測結果の履歴は、予測部２０３により予測された利用結果の履歴である。本実施形態では、予測結果として、「コンバージョン」、「放棄」、及び「意志無し」の各々の蓋然性が計算されるので、予測結果の履歴には、これらの蓋然性の変化が示される。また、本実施形態では、ユーザ端末３０に表示されるページが変わるたびに利用結果が予測されるので、予測結果の履歴には、表示されたページごとに、各ラベルの蓋然性が格納される。

クーポン情報は、後述する実行部１０３により付与されたクーポンに関する情報である。例えば、複数のクーポンが用意されている場合、クーポン情報は、ユーザに付与されたクーポンの種類を示す。クーポンに有効期限が設定されている場合、クーポン情報には、有効期限が含まれていてもよい。クーポンが付与されなかったユーザについては、クーポン情報は格納されない。

例えば、ウェブサーバ１０は、あるユーザのユーザ端末３０とのセッションを確立すると、このユーザのユーザＩＤが格納されたレコードのセッションＩＤとセッション開始時間を格納する。ウェブサーバ１０は、ユーザ端末３０に表示させる画面が変わるたびに、画面のＵＲＬを格納する。また例えば、ウェブサーバ１０は、ユーザ端末３０から入力フォームに対する入力等の操作を受信するたびに、ユーザの入力内容を格納する。また例えば、ウェブサーバ１０は、学習サーバ２０から予測結果を受信すると、当該予測結果を予測結果の履歴に格納する。クーポン情報は、実行部１０３により付与された場合に格納される。

なお、データ記憶部１００に記憶されるデータは、上記の例に限られない。例えば、データ記憶部１００は、ウェブサイトにおける各ページの表示データを記憶してもよい。また例えば、データ記憶部１００は、ユーザに付与されるクーポンの種類を記憶してもよい。また例えば、データ記憶部１００は、後述する行動履歴データベースＤＢ２及びドメインナレッジデータベースＤＢ３を記憶してもよい。また例えば、データ記憶部１００は、予約済みの内容を示すデータベースを記憶してもよい。

［受付部］
受付部１０１は、ユーザ端末３０から各種要求を受け付ける。受付部１０１は、ユーザ端末３０から任意の要求を受付可能であり、例えば、アクセス要求と、ページ表示要求とを受け付ける。これらの要求は、所定形式のデータが送信されることによって行われる。

アクセス要求は、セッションが確立していないユーザ端末３０がウェブサーバ１０にアクセスする時に送信される要求である。例えば、アクセス要求には、ユーザＩＤ、パスワード、及びアクセス先のページのＵＲＬが含まれる。例えば、受付部１０１がアクセス要求を受け付けると所定の認証処理が実行される。認証が成功するとウェブサーバ１０とユーザ端末３０との間でセッションが確立する。

ページ表示要求は、新たなページを表示させるための要求である。例えば、ページ表示要求は、次に表示させるページのＵＲＬを含む。また例えば、ページ表示要求は、表示中のページのＵＲＬと、当該ページにおける入力内容と、を含む。例えば、受付部１０１がページ表示要求を受け付けると、ページ表示要求に含まれるＵＲＬと入力内容をセッション中の行動内容として、現在日時とともに格納する。

［提供部］
提供部１０２は、ユーザに対し、サービスを提供する。例えば、提供部１０２は、ページ表示要求が受け付けられた場合に、ユーザ端末３０に対し、新たなページの表示データを送信する。また例えば、提供部１０２は、実行部１０３によりクーポンが発行された場合には、当該発行されたクーポンを識別する情報を新たなページに含めて表示データを送信する。また例えば、提供部１０２は、ユーザが所定の予約操作を行った場合に、予約処理を実行する。

［実行部］
実行部１０３は、予測された利用結果に応じた処理を実行する。例えば、実行部１０３は、利用中のユーザが離脱する前に、上記処理を実行する。なお、実行部１０３は、利用中のユーザが離脱した後に、又は、利用中のユーザが離脱しているか不明な時に、上記処理を実行してもよい。

離脱とは、サービスからユーザが離脱することであり、サービスの利用を終了することである。本実施形態のように、ウェブサイトを利用したサービスであれば、離脱は、ウェブサイトからユーザが離脱することである。例えば、ウェブサーバ１０とユーザ端末３０のセッションが切断されることは、離脱に相当する。また例えば、ユーザによる操作又はアクセスが一定時間無いことは、離脱に相当する。また例えば、ユーザが所定のログアウト操作をすることは、離脱に相当する。また例えば、ユーザが画面を閉じることは、離脱に相当する。利用中のユーザは、離脱したユーザとは逆の意味となる。本実施形態では、利用中のユーザは、サービスに対してオンライン中のユーザであり、離脱したユーザは、サービスに対してオフライン中のユーザである。

予測された利用結果に応じた処理とは、予測された利用結果によって実行するか否かが決まる処理、又は、予測された利用結果によって内容が変わる処理である。本実施形態では、この処理の一例として、ユーザにクーポンを付与する処理を説明する。クーポンは、サービスに係るものであればよく、例えば、サービス利用時に割引を受けることができる権利、サービス利用時にポイントが付与される権利、又は、サービス利用時にコンテンツや物を受け取ることができる権利などである。なお、実行部１０３が実行する処理は、任意の処理であってよく、例えば、サービスの利用を制限する処理、サービスの利用を支援する処理、又は、クーポン以外の特典を付与する処理であってもよい。特典は、ユーザに与えられる利益である。特典は、クーポン以外の任意の内容であってよく、例えば、ポイントの付与であってもよいし、商品又はサービスのプレゼントであってもよい。

本実施形態では、利用結果としてコンバージョンの有無が予測されるので、実行部１０３は、予測されたコンバージョンの有無に応じた処理を実行する。例えば、実行部１０３は、利用中のユーザによりサービスがコンバージョンされないことが予測された場合に、上記処理として、利用中のユーザに対し、サービスに関するクーポン又はポイントを付与する。実行部１０３は、コンバージョンされることが予測された場合には、クーポン又はポイントは付与しない。本実施形態では、クーポンが付与される場合について説明するが、ポイントが付与される場合についても同様の処理が実行される。

例えば、学習モデルＭｎは、予測される利用結果の蓋然性（本実施形態では、「コンバージョン」、「放棄」、「意志無し」の各々の蓋然性）を出力するので、実行部１０３は、予測された利用結果の蓋然性に応じた処理を実行する。実行部１０３は、「放棄」の蓋然性が閾値未満のユーザにはクーポンを付与せず、この蓋然性が閾値以上のユーザに対し、クーポンを付与する。閾値は、固定値であってもよいし、可変値であってもよい。閾値は、ユーザごとに定められてもよい。また例えば、複数種類のクーポンが用意されている場合、実行部１０３は、「放棄」の蓋然性の高さに基づいて、付与するクーポンを変えてもよい。例えば、実行部１０３は、この蓋然性が高いほど価値が高いクーポンを付与する。この場合、クーポンは、この蓋然性によってランク分けされているものとする。また例えば、特に閾値を利用せず、実行部１０３は、「放棄」の蓋然性が最も高かった場合にクーポンを付与してもよい。

実行部１０３は、予測された最新の利用結果が過去に予測された利用結果から変化した場合に、上記処理を実行してもよい。例えば、実行部１０３は、利用結果が所定の変化をしたことを条件として、処理を実行する。また例えば、実行部１０３は、利用結果の変化に応じて、処理の内容を変更する。例えば、実行部１０３は、「コンバージョン」の蓋然性が最も高い状態から、「放棄」の蓋然性が最も高い状態に変化した場合に、クーポンを付与する。また例えば、実行部１０３は、「コンバージョン」の蓋然性の減少量が閾値以上であった場合、又は、「放棄」の蓋然性の増加量が閾値以上であった場合に、クーポンを付与する。

なお、本実施形態では、学習モデルＭｎが蓋然性を出力する場合を説明するが、学習モデルＭｎは、分類（ラベリング）のみを実行し、蓋然性を出力しなくてもよい。この場合、学習モデルＭｎは、利用結果の予測として、「コンバージョン」、「放棄」、又は「意志無し」の何れかのラベルを出力する。実行部１０３は、出力されたラベルに応じた処理を実行すればよい。例えば、実行部１０３は、「放棄」が出力された場合にクーポンを付与してもよい。また例えば、実行部１０３は、「コンバージョン」から「放棄」又は「意志無し」に変化した場合にクーポンを付与してもよい。

［３−２．学習サーバにおいて実現される機能］
図６に示すように、学習サーバ２０では、データ記憶部２００、学習部２０１、取得部２０２、及び予測部２０３が実現される。データ記憶部２００は、記憶部１２を主として実現され、他の各機能は、制御部２１を主として実現される。

［データ記憶部］
データ記憶部２００は、ユーザの行動を解析するために必要なデータを記憶する。例えば、データ記憶部２００は、行動履歴データベースＤＢ２、ドメインナレッジデータベースＤＢ３、及び教師データセットＤＳｎを記憶する。なお、教師データセットＤＳｎのｎは、学習モデルＭｎのｎと同じ意味である。

図８は、行動履歴データベースＤＢ２のデータ格納例を示す図である。図８に示すように、行動履歴データベースＤＢ２は、過去にサービスを利用した複数のユーザの各々の行動履歴を示すデータである。行動履歴データベースＤＢ２には、過去の全ての期間における行動履歴が格納されていてもよいし、一部の期間における行動履歴が格納されていてもよい。また、行動履歴データベースＤＢ２には、全てのユーザの行動履歴が格納されていてもよいし、一部のユーザの行動履歴だけが格納されていてもよい。

例えば、行動履歴データベースＤＢ２には、行動履歴を一意に識別する行動履歴ＩＤ、ユーザＩＤ、行動履歴の内容、及び行動履歴に含まれるサービスの利用結果を示すラベルが格納される。その時とは、行動履歴が示す行動が行われた時を意味する。行動履歴データベースＤＢ２に格納される行動履歴は、切断済みのセッションにおける行動履歴である。

例えば、ウェブサーバ１０は、あるユーザのユーザ端末３０とのセッションを切断すると、ウェブサーバ１０は、ユーザデータベースＤＢ１を参照し、当該ユーザのユーザＩＤに関連付けられたセッション中の行動履歴を取得する。ウェブサーバ１０は、学習サーバ２０に、当該ユーザのユーザＩＤと、取得したセッション中の行動履歴と、を送信する。学習サーバ２０は、ユーザＩＤと行動履歴を受信すると、行動履歴ＩＤを発行し、行動履歴データベースＤＢ２に格納する。

学習サーバ２０は、後述するドメインナレッジデータベースＤＢ３に基づいて、格納した行動履歴にラベルを付与する。ラベルは、行動履歴が示す行動の結果得られた利用結果である。先述したように、本実施形態では、「コンバージョン」、「放棄」、又は「意志無し」の３種類のラベルが存在する。各行動履歴は、これら３種類のうちの何れかに属する。ラベルの付与方法は後述する。なお、ラベルは、サービスの管理者等によって手動で付与されてもよい。

図９は、ドメインナレッジデータベースＤＢ３のデータ格納例を示す図である。図９に示すように、ドメインナレッジデータベースＤＢ３には、ウェブサーバ１０が提供するサービスに関する種々の情報が格納される。例えば、ドメインナレッジデータベースＤＢ３には、複数のページの各々の属性が格納される。

属性は、ページの種類であり、本実施形態では、サービスの利用結果を示すラベルを付与するために利用される。例えば、属性は、ページの階層を示す情報であり、トップページＡ、検索ページＢ、検索結果ページＣ、及び詳細ページＤといった上位の階層のページには、「意志無し」の属性が付与される。また例えば、予約ステップ１ページＥ及び予約ステップ２ページＦといった中間的な階層のページには、「意志有り」の属性が付与される。また例えば、予約完了ページＧのように下位の階層のページには、「コンバージョン」の属性が付与される。

本実施形態では、「意志無し」の属性のページだけが表示された場合には、「意志無し」のラベルが付与される。「意志有り」の属性のページが表示されたが、「コンバージョン」の属性のページが表示されなかった場合には、「放棄」のラベルが付与される。「コンバージョン」の属性のページが表示された場合には、「コンバージョン」のラベルが付与される。これらのラベルを付与する処理は、学習サーバ２０によって実行されてもよいし、他のコンピュータによって実行されてもよい。付与されたラベルは、行動履歴データベースＤＢ２に格納される。

図１０は、教師データセットＤＳｎのデータ格納例を示す図である。図１０に示すように、教師データセットＤＳｎには、学習モデルにＭｎに学習させる入力と出力のペアである教師データが多数格納されている。例えば、個々の教師データには、行動履歴の特徴量と、行動履歴に付与されたラベルと、のペアが格納される。

教師データとは、学習モデルＭｎに学習させるデータである。教師データは、学習データ又は訓練データと呼ばれることもある。例えば、教師データは、学習モデルＭｎに対する入力（設問）と、学習モデルＭｎの出力（回答）と、のペアである。例えば、教師データは、学習モデルに入力される入力データ（未知の分類対象）と同じ形式のデータ（ラベル付与済みの分類対象）と、当該データに付与されたラベルと、がペアになったデータである。

なお、機械学習では、複数の教師データを利用して学習が行われるので、本実施形態では、複数の教師データの集まりを教師データセットＤＳｎと記載し、教師データセットＤＳｎに含まれる個々のデータを教師データと記載する。即ち、教師データと記載した箇所は、上記説明したペアを意味し、教師データセットＤＳｎは、ペアの集まりを意味する。

特徴量は、行動履歴の特徴を示す数値である。本実施形態では、特徴量が多次元ベクトルで表現される場合を説明するが、特徴量は、任意の形式で表現可能であり、例えば、配列で表現されてもよいし、１つの数値で表現されてもよい。特徴量は、任意の計算式で計算可能であり、例えば、所定の計算式によって特徴を数値化することによって計算される。なお、特徴量は、学習モデルＭｎによって計算されてもよい。この場合、教師データには、行動履歴の内容そのものが、入力として格納される。

本実施形態では、学習モデルＭｎごとに、教師データセットＤＳｎが用意される。このため、教師データセットＤＳｎは、学習モデルＭｎの数だけ存在する。即ち、学習モデルＭｎと教師データセットＤＳｎは、１対１で対応する。例えば、教師データセットＤＳ１は、学習モデルＭ１を学習させるために利用される。

例えば、教師データセットＤＳ１には、過去にサービスを利用したユーザの行動履歴における１番目の行動と、行動履歴に含まれるサービスの利用結果と、の関係が示される。また例えば、教師データセットＤＳ２には、過去にサービスを利用したユーザの行動履歴における２番目までの行動と、行動履歴に含まれるサービスの利用結果と、の関係が示される。他の教師データセットＤＳｐについても同様であり、過去にサービスを利用したユーザの行動履歴におけるｐ番目までの行動と、行動履歴に含まれるサービスの利用結果と、の関係が示される。

なお、データ記憶部２００に記憶されるデータは、上記の例に限られない。例えば、データ記憶部２００は、データ記憶部２００は、上記データ以外にも、学習済みの学習モデルＭｎのプログラムやパラメータを記憶する。学習モデルＭｎの学習処理は、学習部２０１によって実行される。

［学習部］
学習部２０１は、教師データセットＤＳｎに基づいて、学習モデルＭｎの学習処理を実行する。本実施形態では、サービスは、施設を予約又は商品を購入するためのページが閲覧されることによって利用されるので、学習モデルＭｎには、過去における各ユーザの閲覧履歴と、サービスがコンバージョンされたか否かの結果と、の関係が学習される。

なお、学習処理自体は、機械学習で利用されている公知の手法を利用可能であり、例えば、ニューラルネットワークで利用されている学習処理を利用可能である。学習処理のプログラムは、データ記憶部２００に記憶されているものとする。学習部２０１は、教師データセットＤＳｎに格納された教師データの入力と出力の関係が得られるように、学習モデルＭｎのパラメータを調整する。

本実施形態のサービスは、複数のステップの各々が順次行われることによって利用されるので、学習モデルＭｎには、過去に各ユーザにより行われた少なくとも１つのステップを示す行動履歴と、行動履歴に含まれる利用結果と、の関係が学習されている。

ステップとは、サービスの利用時に行われる手順である。例えば、各ステップでは、サービスを利用するためのページが表示され、学習モデルＭｎは、ページが表示される順番ごとに用意される。このため、本実施形態で個々のページの表示について説明している箇所は、ステップと読み替えることができる。ページが表示される順番とは、Ｍｎのｎの数値のことである。この順番は、ページの閲覧順ということもできる。

なお、ステップは、個々のページの表示に限られず、任意のステップであってよい。例えば、複数のページの表示が１つのステップに相当してもよい。また例えば、個々の入力フォームに対する入力が１つのステップに相当してもよい。ステップは、少なくとも１つの行動からなる単位であればよい。

例えば、学習モデルＭｎは、ステップごとに用意され、学習部２０１は、各学習モデルＭｎに、対応するステップまで進んだことを示す行動履歴と、行動履歴に含まれる利用結果と、の関係を学習させる。対応するステップまで進んでいない行動履歴については、学習モデルＭｎには学習されない。各学習モデルＭｎを学習させるための教師データセットＤＳｎの作成方法については、後述するモデル作成処理（図１２）で説明する。

先述したように、学習モデルＭｎは、ニューラルネットワーク等の任意のモデルを適用可能であるが、学習モデルＭｎは、重み付けされたｋ近傍法を利用してもよい。この場合、学習モデルＭｎは、重み付けされたｋ近傍法に基づいて、利用中のユーザの行動履歴を分類し、利用結果を出力する。

図１１は、重み付けされたｋ近傍法を利用した学習モデルＭｎの一例を示す図である。図１１の例では、行動履歴の特徴量が２次元平面上にプロットされている場合を示し、分類対象の行動履歴の特徴量Ｆ０を星型で示す。学習モデルＭｎは、分類対象の行動履歴の特徴量Ｆ０から近い順にｋ個の行動履歴（ラベル済みの行動履歴）の特徴量Ｆ１〜Ｆ９を取得する。

図１１の例では、「コンバージョン」のラベルが付与された３つの行動履歴の特徴量Ｆ１〜Ｆ３、「放棄」のラベルが付与された５つの行動履歴の特徴量Ｆ４〜Ｆ８、及び「意志無し」のラベルが付与された１つの行動履歴の特徴量Ｆ９が取得される。学習モデルＭｎは、分類対象の行動履歴の特徴量Ｆ０と、これら取得されたラベル済みの行動履歴の特徴量Ｆ１〜Ｆ９の各々と、の距離に応じて重み係数を決定する。例えば、これらの距離が短いほど重み係数が高くなる。距離と重み係数の関係は、予め定めておけばよく、例えば、重み係数は距離に反比例する。

重み付けしていないｋ近傍法であれば、多数決によってラベルが決まるので、上記の場合、分類対象の行動履歴には、５票獲得する「放棄」が付与される。一方、図１１に示すように、重み付けされたｋ近傍法によれば、重み係数によって投票結果が変わり、分類対象の行動履歴に「コンバージョン」が付与される。なお、重み付け方法自体は、種々の手法を適用可能であり、例えば、距離と重み係数は、単純な反比例でなくてもよく、指数関数的な関係であってもよい。

［取得部］
取得部２０２は、サービスを利用中のユーザの行動履歴を取得する。本実施形態では、利用中のユーザの行動履歴がユーザデータベースＤＢ１に格納されており、取得部２０２が学習サーバ２０によって実現されるので、取得部２０２は、ウェブサーバ１０から、ユーザデータベースＤＢ１に格納された利用中のユーザの行動履歴を取得する。利用中のユーザが複数存在する場合には、取得部２０２は、利用中のユーザごとの行動履歴を取得する。

本実施形態では、複数のステップの各々が順次行われるので、取得部２０２は、利用中のユーザにより行われた少なくとも１つのステップを、利用中のユーザの行動履歴として取得する。本実施形態では、利用中のユーザの行動履歴は繰り返し更新されるので、取得部２０２は、利用中のユーザの最新の行動履歴を取得する。例えば、取得部２０２は、新たなページが表示されるたびに、最新の行動履歴を取得する。また、本実施形態では、行動履歴にページの閲覧履歴が含まれるので、取得部２０２は、利用中のユーザの閲覧履歴を取得することになる。行動履歴には、入力履歴も含まれるが、特に入力履歴は含まれなくてもよい。この場合、行動履歴は、閲覧履歴だけを示すことになる。

［予測部］
予測部２０３は、利用中のユーザの行動履歴と学習モデルＭｎとに基づいて、利用中のユーザの利用結果を予測する。例えば、予測部２０３は、利用中のユーザの行動履歴の特徴量を計算し、学習モデルＭｎに入力する。学習モデルＭｎは、入力された特徴量に基づいて、利用結果として、各ラベルの蓋然性を出力する。

本実施形態では、学習モデルＭｎがステップごとに用意されているので、予測部２０３は、複数の学習モデルＭｎの中から、利用中のユーザにより現在行われているステップに対応する学習モデルＭｎを選択し、当該選択した学習モデルＭｎに基づいて、利用結果を予測する。例えば、予測部２０３は、複数の学習モデルＭｎの中から、利用中のユーザにより現在表示されたページの順番に対応する学習モデルＭｎを選択する。現在の順番と選択すべき学習モデルＭｎとの対応関係は、データ記憶部２００に予め定義されているものとする。

予測部２０３は、利用中のユーザの最新の行動履歴が取得された場合に、利用中のユーザの最新の利用結果を予測する。例えば、予測部２０３は、利用中のユーザの行動履歴が更新されるたびに、利用中のユーザの利用結果を予測する。本実施形態では、コンバージョンの有無が利用結果として取得されるので、予測部２０３は、利用中のユーザの閲覧履歴と学習モデルＭｎとに基づいて、利用中のユーザによりサービスがコンバージョンされるか否かを予測することになる。

［４．本実施形態において実行される処理］
次に、予測システムＳで実行される処理を説明する。本実施形態では、学習モデルＭｎを作成するモデル作成処理と、ユーザにサービスを提供するサービス提供処理と、について説明する。

［４−１．モデル作成処理］
図１２は、モデル作成処理の一例を示すフロー図である。図１２に示す処理は、制御部２１がそれぞれ記憶部２２に記憶されたプログラムに基づいて動作することによって実行される。モデル作成処理は、図６に示す機能ブロックの処理の一例である。

図１２に示すように、学習サーバ２０は、行動履歴データベースＤＢ２とドメインナレッジデータベースＤＢ３とに基づいて、各ユーザの行動履歴にラベルを付与する（Ｓ１００）。Ｓ１００において、学習サーバ２０は、行動履歴データベースＤＢ２に格納された行動履歴ごとにラベルを付与する。ラベルの付与方法については、先述した通りである。

学習サーバ２０は、カウンタ変数ｍに１を代入する（Ｓ１０１）。学習サーバ２０は、行動履歴データベースＤＢ２に格納された各行動履歴のうち、ｍ番目までの行動を取得する（Ｓ１０２）。例えば、ｍが１の場合、学習サーバ２０は、各行動履歴に示された行動のうち、１番目の行動だけを取得する。ｍが２以上の場合、学習サーバ２０は、各行動履歴に示された行動のうち、ｍ番目までの行動を取得する。ｍが２以上の場合、学習サーバ２０は、ｍ−１番目までの行動しか存在しない行動履歴の行動は取得しない。

学習サーバ２０は、Ｓ１０１で取得された行動履歴と、Ｓ１００で付与されたラベルと、に基づいて、教師データセットＤＳｍを作成する（Ｓ１０３）。Ｓ１０３において、学習サーバ２０は、行動履歴ごとに、ｍ番目までの行動履歴の特徴量を入力とし、当該行動履歴のラベルを出力とするペアを作成する。学習サーバ２０は、各行動履歴の当該ペアが格納された教師データセットＤＳｍを作成する。なお、特徴量の計算アルゴリズムは、学習サーバ２０に予め記憶されているものとする。この計算アルゴリズムは、行動履歴に含まれる値を入力すると、多次元ベクトルに変換するように定められている。

学習サーバ２０は、Ｓ１０２で作成した教師データセットＤＳｍに基づいて、ｍ番目の学習モデルＭｍの学習処理を実行する（Ｓ１０４）。Ｓ１０４においては、教師データセットＤＳｍに格納された多数のペアの入力と出力の関係が得られるように、学習モデルＭｍのパラメータを調整する。

学習サーバ２０は、カウンタ変数ｍが閾値よりも大きくなったか否かを判定する（Ｓ１０５）。この閾値は、ｎの値の最大値である。カウンタ変数ｍが閾値よりも大きくなったと判定されない場合（Ｓ１０５；Ｎ）、学習サーバ２０は、カウンタ変数ｍをインクリメントし（Ｓ１０６）、Ｓ１０２の処理に戻る。この場合、次の学習モデルＭｍ用の教師データセットＤＳｍが作成され、学習処理が実行される。一方、カウンタ変数ｍが閾値よりも大きくなったと判定された場合（Ｓ１０５；Ｙ）、本処理は終了する。

［４−２．サービス提供処理］
図１３及び図１４は、サービス提供処理の一例を示すフロー図である。図１３及び図１４に示す処理は、制御部１１，２１，３１がそれぞれ記憶部１２，２２，３２に記憶されたプログラムに基づいて動作することによって実行される。サービス提供処理は、図６に示す機能ブロックの処理の一例である。

図１３に示すように、ユーザ端末３０がウェブサーバ１０にアクセス要求を送信すると、ウェブサーバ１０とユーザ端末３０との間で、セッションが確立される（Ｓ２００）。Ｓ２００において、所定の通信プロトコルで定められた手順に沿ってセッションが確立される。セッションが確立されると、ウェブサーバ１０は、ウェブサーバ１０にアクセスしたユーザのユーザＩＤに関連付けてセッションＩＤとセッション開始時間を格納する。セッションＩＤは、他のセッションと重複しないように発行される。セッション開始時間は、リアルタイムクロック等を利用して取得された現在日時が格納されるようにすればよい。

なお、本実施形態では、セッション確立時にユーザＩＤとパスワードが送信されて認証処理が実行されるものとするが、特に認証処理は実行されなくてもよい。この場合、どのユーザＩＤのユーザがアクセスしているかを特定できないことがあるので、ウェブサーバ１０は、ユーザデータベースＤＢ１とは異なる場所に、セッションＩＤとセッション開始時間を記録してもよい。

ウェブサーバ１０は、ユーザ端末３０に、ユーザにより指定されたＵＲＬのページの表示データを送信する（Ｓ２０１）。本実施形態では、アクセス要求にＵＲＬが含まれているものとする。このため、セッションが確立したばかりの時点では、Ｓ２０１において、ウェブサーバ１０は、アクセス要求に含まれるＵＲＬのページの表示データを送信する。

ユーザ端末３０は、表示データを受信すると、ページを表示部３５に表示させ（Ｓ２０２）、操作部３４の検出信号に基づいて、ユーザの操作を受け付ける（Ｓ２０３）。Ｓ２０３において、ユーザ端末３０は、入力フォームのフォーカス、入力フォームに対する情報入力、ページのスクロール、又はボタンの選択といった操作を受け付ける。これらの操作の検出方法自体は、公知の方法を利用可能であり、例えば、ＯＳに標準的に搭載されているイベントの検知機能を利用すればよい。ユーザ端末３０は、表示中のページに対するユーザの入力履歴を、記憶部２２に時系列的に記録する。

ユーザ端末３０は、次のページを表示させるための操作が行われたか否かを判定する（Ｓ２０４）。表示中のページには、他のページへのリンクを含むボタン等が表示される。Ｓ２０４において受け付けられる操作は、当該リンクを選択する操作である。この操作が行われたと判定されない場合（Ｓ２０４；Ｎ）、本処理は終了する。

一方、次のページを表示させるための操作が行われたと判定された場合（Ｓ２０４；Ｙ）、ユーザ端末３０は、ウェブサーバ１０に対し、次のページのページ表示要求を送信する（Ｓ２０５）。このページ表示要求には、次のページのＵＲＬと、Ｓ２０３及びＳ２０４で受け付けた操作内容と、が含まれているものとする。なお、次のページのページ表示要求が送信されない状態が一定時間経過すると、セッションは強制的に切断されるものとする。

ウェブサーバ１０は、ページ表示要求を受信すると、ユーザデータベースＤＢ１に格納されたセッション中の行動履歴を更新する（Ｓ２０６）。Ｓ２０６においては、ウェブサーバ１０は、利用中のユーザのユーザＩＤに関連付けて、ユーザ端末３０に表示されていたページのＵＲＬと、ページ表示要求に含まれる操作内容と、を格納する。

ウェブサーバ１０は、学習サーバ２０に対し、サービスの利用結果の予測要求を送信する（Ｓ２０７）。この予測要求には、利用中のユーザの現時点までの行動履歴が含まれているものとする。

学習サーバ２０は、予測要求を受信すると、当該予測要求に含まれる利用中のユーザの行動履歴を取得し（Ｓ２０８）、使用する学習モデルＭｎを選択する（Ｓ２０９）。Ｓ２０９において、学習サーバ２０は、Ｓ２０７で取得した行動履歴が何ページ目までを示しているかを特定する。このページをｐページ目とすると、学習サーバ２０は、学習モデルＭｐを選択する。

学習サーバ２０は、Ｓ２０８で取得した行動履歴と、Ｓ２０９で選択した学習モデルＭｎと、に基づいて、利用中のユーザの利用結果を予測し（Ｓ２１０）、ウェブサーバ１０に対し、Ｓ２１０における予測結果を送信する（Ｓ２１１）。Ｓ２０９において、学習サーバ２０は、Ｓ２０８で取得した行動履歴の特徴量を計算する。学習サーバ２０は、当該特徴量を学習モデルＭｎに入力する。学習モデルＭｎは、入力された特徴量に基づいて、各ラベルの蓋然性を計算して出力する。学習サーバ２０は、学習モデルＭｎから出力された各ラベルの蓋然性を、利用結果の予測として取得する。

図１４に移り、ウェブサーバ１０は、予測結果を受信すると、クーポンを付与するか否かを判定する（Ｓ２１２）。Ｓ２１２において、ウェブサーバ１０は、受信した予測結果をユーザデータベースＤＢ１に格納する。ウェブサーバ１０は、予測結果の履歴に基づいて、「放棄」の蓋然性が上昇したか否かを判定する。ウェブサーバ１０は、この蓋然性が上昇した場合に、クーポンを付与すると判定する。

クーポンを付与すると判定された場合（Ｓ２１２；Ｙ）、ウェブサーバ１０は、利用中のユーザにクーポンを付与し（Ｓ２１３）、ユーザ端末３０に対し、クーポンを含むページの表示データを送信する（Ｓ２１４）。Ｓ２１４において、ウェブサーバ１０は、利用中のユーザのユーザＩＤに関連付けて、クーポン情報を格納する。クーポンを含むページには、クーポンを示す画像が表示される。ユーザは、当該画像を選択することによって、クーポンを使用することができる。

一方、Ｓ２１１において、クーポンを付与すると判定されない場合（Ｓ２１２；Ｎ）、ウェブサーバ１０は、ユーザ端末３０に対し、クーポンを含まないページの表示データを送信する（Ｓ２１５）。

ユーザ端末３０は、表示データを受信すると、当該表示データに基づいて、ページを表示部３５に表示させる（Ｓ２１６）。続くＳ２１７及びＳ２１８の処理は、それぞれＳ２０３及びＳ２０４と同じである。次のページを表示させるための操作が行われたと判定されない場合（Ｓ２１８；Ｎ）、本処理は終了する。一方、この操作が行われたと判定された場合（Ｓ２１８；Ｙ）、Ｓ２０５の処理に戻り、上記説明した処理が繰り返される。なお、一度クーポンが付与されたユーザについては、再度クーポンが付与されないようにしてもよいし、特に関係なく、違うクーポンが付与されてもよい。

ウェブサーバ１０は、セッションが切断されたか否かを判定する（Ｓ２１６）。セッションの切断を判定する方法自体は、公知の手法を適用可能であり、通信プロトコルで規定された手順に沿って判定されるようにすればよい。セッションが切断されたと判定されない場合（Ｓ２１６；Ｎ）、ユーザ端末３０からページ表示要求を受信すると、Ｓ２０５の処理が再び実行される。一方、セッションが切断されたと判定された場合（Ｓ２１６；Ｙ）、本処理は終了する。

以上説明した予測システムＳによれば、サービスを利用中のユーザの行動履歴と学習モデルＭｎとに基づいて、利用中のユーザの利用結果を予測し、予測された利用結果に応じた処理を実行することによって、利用結果の予測精度と、それに応じた処理のリアルタイム性と、を高めることができる。例えば、予測システムＳは、サービスから離脱すると思われる「放棄」のユーザであることを検出した場合に、適切なタイミングでクーポン等の特典を付与することができ、コンバージョン率を高めることができる。適切なタイミングでクーポン等の特典が付与されることによって、特典の付与コストを低減させることができる。例えば、全てのユーザに対してクーポン等の特典を付与すると、その処理の分だけウェブサーバ１０に処理負荷がかかるが、適切なユーザに対し、適切なタイミングで特典を付与することによって、ウェブサーバ１０の処理負荷を軽減することができる。

また、予測システムＳは、利用中のユーザにより行われた少なくとも１つのステップを、利用中のユーザの行動履歴として取得して利用結果を予測することによって、複数のステップの各々が順次行われるサービスにおける予測精度とリアルタイム性を高めることができる。例えば、利用中のユーザが個々のステップを行うたびに、そのユーザの利用結果を予測することによって、予測精度を高めることができ、ステップごとに予測結果に応じた処理を実行してリアルタイム性を高めることもできる。

また、予測システムＳは、複数の学習モデルＭｎの中から、利用中のユーザにより現在行われているステップに対応する学習モデルＭｎを選択することによって、現在のステップに応じた最適な学習モデルＭｎに利用結果を予測させることができ、利用結果の予測精度を効果的に高めることができる。

また、予測システムＳは、各学習モデルＭｎに、対応するステップまで進んだことを示す行動履歴と、行動履歴に含まれる利用結果と、の関係を学習させることによって、不要な情報が学習されることを防止し、学習モデルＭｎの精度を高めることができる。また、不要な情報が学習処理で利用されないので、学習処理を高速化することもできる。

また、予測システムＳは、ページが表示される順番ごとに学習モデルＭｎを用意し、複数の学習モデルＭｎの中から、利用中のユーザにより現在表示されたページの順番に対応する学習モデルＭｎを選択することによって、現在の順番に応じた最適な学習モデルＭｎに利用結果を予測させることができ、利用結果の予測精度を効果的に高めることができる。

また、予測システムＳは、利用中のユーザの最新の行動履歴が取得された場合に、利用中のユーザの最新の利用結果を予測し、予測された最新の利用結果が過去に予測された利用結果から変化した場合に、クーポン付与等の処理を実行することによって、最適なタイミングで当該処理を実行することができる。例えば、予測された利用結果が劇的に変化した場合であっても、最新の予測結果に応じた処理を迅速に実行することができる。

また、予測システムＳは、予測された利用結果の蓋然性に応じた処理を実行することによって、最適なタイミングで処理を実行することができる。例えば、予測された利用結果の蓋然性が劇的に変化した場合であっても、最新の予測結果に応じた処理を迅速に実行することができる。

また、予測システムＳは、重み付けされたｋ近傍法に基づいて、利用中のユーザの行動履歴を分類し、利用結果を出力する学習モデルＭｎを利用することによって、予測精度を効果的に高めることができる。更に、処理が比較的単純なｋ近傍法を利用することによって、利用結果を予測する処理を高速化することができる。このため、予測システムＳのリアルタイム性を効果的に高めることができる。

また、予測システムＳは、利用中のユーザの閲覧履歴と学習モデルＭｎとに基づいて、利用中のユーザによりサービスがコンバージョンされるか否かを予測し、予測されたコンバージョンの有無に応じた処理を実行することによって、施設を予約又は商品を購入するためのページが閲覧されることによって利用されるサービスにおける予測精度とリアルタイム性を高めることができる。

また、予測システムＳは、利用中のユーザによりサービスがコンバージョンされないことが予測された場合に、処理として、利用中のユーザに対し、サービスに関するクーポンを付与することによって、ユーザの離脱を防止し、コンバージョン率を高めることができる。

［５．変形例］
なお、本発明は、以上に説明した実施の形態に限定されるものではない。本発明の趣旨を逸脱しない範囲で、適宜変更可能である。

例えば、ウェブサイトを利用したサービスを例に挙げたが、実店舗におけるユーザの行動を解析する場面にも予測システムＳを適用可能である。この場合、学習モデルＭｎには、実店舗におけるユーザの行動履歴と、行動履歴に含まれるサービスの利用結果と、の関係が学習されている。この行動履歴は、店内の移動、手や足の動き、顔の向き、又はユーザの姿勢などである。実店舗内には、少なくとも１つのカメラを設置し、予測システムＳは、画像解析によってユーザの行動を特定する。予測システムＳは、一定時間ごとに、画像解析によって得られたユーザの行動履歴を学習モデルＭｎに入力し、サービスの利用結果を取得する。例えば、予測システムＳは、サービスの利用結果が放棄（実店舗の外に出ること）を示している場合に、所定の処理を実行する。この処理は、ユーザの興味を高めるような処理であればよく、例えば、スピーカーから所定の音声を出力すること、ユーザの端末にクーポンを送信すること、又は店員に所定の通知をすることなどである。

また例えば、実施形態では、複数のステップの各々が順次行われることで利用されるサービスを例に挙げたが、サービス利用時のステップは、特に定められていなくてもよい。また例えば、実行部１０３が実行する処理は、実施形態で説明した処理に限られない。例えば、実行部１０３は、コンバージョン等の蓋然性の変化（例えば、図４−５のようなグラフ）を解析者端末４０に表示させてもよい。また例えば、各行動履歴には、３種類のラベルの何れかが付与される場合を説明したが、ラベルの数は、任意であってよく、２種類であってもよいし、４種類以上であってもよい。また例えば、予測システムＳは、ユーザのコンバージョンを予測する場面以外の場面にも適用可能であり、例えば、ユーザの不正検知の場面に適用してもよいし、サービスの利用方法を分からないユーザを検知する場面に適用してもよい。

また例えば、ウェブサーバ１０で実現されるものとして説明した機能は、学習サーバ２０又は他のコンピュータで実現されてもよい。また例えば、学習サーバ２０で実現されるものとして説明した機能は、ウェブサーバ１０又は他のコンピュータで実現されてもよい。また例えば、各機能がウェブサーバ１０及び学習サーバ２０で実現される場合を説明したが、１台のコンピュータによって各機能が実現されてもよい。例えば、ウェブサーバ１０、ユーザ端末３０、及び解析者端末４０の各々で機能が分担されてもよい。この場合、ネットワークＮを介して処理結果が送受信されることで、機能が分担されるようにすればよい。また例えば、データ記憶部２００に記憶されるものとして説明したデータは、ウェブサーバ１０以外のコンピュータに記憶されていてもよい。

Ｓ 予測システム、Ｎ ネットワーク、１０ ウェブサーバ、１１，２１，３１，４１ 制御部、１２，２２，３２，４２ 記憶部、１３，２３，３３，４３ 通信部、２０ 学習サーバ、３０ ユーザ端末、３４，４４ 操作部、３５，４５ 表示部、４０ 解析者端末、１００ データ記憶部、１０１ 受付部、１０２ 提供部、１０３ 実行部、２００ データ記憶部、２０１ 学習部、２０２ 取得部、２０３ 予測部、ＤＢ１ ユーザデータベース、ＤＢ２ 行動履歴データベース、ＤＢ３ ドメインナレッジデータベース、ＤＳｎ 教師データセット。

Claims (12)

1. 過去にサービスを利用した複数のユーザの各々の行動履歴と、前記行動履歴に含まれる前記サービスの利用結果と、の関係が学習された学習モデルと、
   前記サービスを利用中のユーザの行動履歴を取得する取得手段と、
   前記利用中のユーザの行動履歴と前記学習モデルとに基づいて、前記利用中のユーザの前記利用結果を予測する予測手段と、
   予測された前記利用結果に応じた処理を実行する実行手段と、
   を含むことを特徴とする予測システム。
2. 前記サービスは、複数のステップの各々が順次行われることによって利用され、
   前記学習モデルには、過去に各ユーザにより行われた少なくとも１つの前記ステップを示す前記行動履歴と、前記行動履歴に含まれる前記利用結果と、の関係が学習されており、
   前記取得手段は、前記利用中のユーザにより行われた少なくとも１つの前記ステップを、前記利用中のユーザの行動履歴として取得する、
   ことを特徴とする請求項１に記載の予測システム。
3. 前記学習モデルは、前記ステップごとに用意され、
   前記予測手段は、
   複数の前記学習モデルの中から、前記利用中のユーザにより現在行われているステップに対応する学習モデルを選択し、
   当該選択した学習モデルに基づいて、前記利用結果を予測する、
   ことを特徴とする請求項２に記載の予測システム。
4. 前記予測システムは、各学習モデルに、対応するステップまで進んだことを示す行動履歴と、前記行動履歴に含まれる前記利用結果と、の関係を学習させる学習手段、
   を更に含むことを特徴とする請求項３に記載の予測システム。
5. 各ステップでは、前記サービスを利用するためのページが表示され、
   前記学習モデルは、前記ページが表示される順番ごとに用意され、
   前記予測手段は、前記複数の学習モデルの中から、前記利用中のユーザにより現在表示されたページの順番に対応する学習モデルを選択する、
   ことを特徴とする請求項３又は４の何れかに記載の予測システム。
6. 前記取得手段は、前記利用中のユーザの最新の前記行動履歴を取得し、
   前記予測手段は、前記利用中のユーザの前記最新の行動履歴が取得された場合に、前記利用中のユーザの最新の前記利用結果を予測し、
   前記実行手段は、予測された前記最新の利用結果が過去に予測された前記利用結果から変化した場合に、前記処理を実行する、
   ことを特徴とする請求項１〜５の何れかに記載の予測システム。
7. 前記学習モデルは、前記利用結果の蓋然性を出力し、
   前記実行手段は、予測された前記利用結果の蓋然性に応じた前記処理を実行する、
   ことを特徴とする請求項１〜６の何れかに記載の予測システム。
8. 前記学習モデルは、重み付けされたｋ近傍法に基づいて、前記利用中のユーザの前記行動履歴を分類し、前記利用結果を出力する、
   ことを特徴とする請求項１〜７の何れかに記載の予測システム。
9. 前記サービスは、施設を予約又は商品を購入するためのページが閲覧されることによって利用され、
   前記学習モデルには、過去における各ユーザの閲覧履歴と、前記サービスがコンバージョンされたか否かの結果と、の関係が学習され、
   前記取得手段は、前記利用中のユーザの閲覧履歴を取得し、
   前記予測手段は、前記利用中のユーザの閲覧履歴と前記学習モデルとに基づいて、前記利用中のユーザにより前記サービスがコンバージョンされるか否かを予測し、
   前記実行手段は、予測されたコンバージョンの有無に応じた前記処理を実行する、
   ことを特徴とする請求項１〜８の何れかに記載の予測システム。
10. 前記実行手段は、前記利用中のユーザにより前記サービスがコンバージョンされないことが予測された場合に、前記処理として、前記利用中のユーザに対し、前記サービスに関するクーポン又はポイントを付与する、
    ことを特徴とする請求項９に記載の予測システム。
11. 過去にサービスを利用した複数のユーザの各々の行動履歴と、前記行動履歴に含まれる前記サービスの利用結果と、の関係が学習された学習モデルを利用した予測方法であって、
    前記サービスを利用中のユーザの行動履歴を取得する取得ステップと、
    前記利用中のユーザの行動履歴と前記学習モデルとに基づいて、前記利用中のユーザの前記利用結果を予測する予測ステップと、
    予測された前記利用結果に応じた処理を実行する実行ステップと、
    を含むことを特徴とする予測方法。
12. 過去にサービスを利用した複数のユーザの各々の行動履歴と、前記行動履歴に含まれる前記サービスの利用結果と、の関係が学習された学習モデルを利用可能なコンピュータを、
    前記サービスを利用中のユーザの行動履歴を取得する取得手段、
    前記利用中のユーザの行動履歴と前記学習モデルとに基づいて、前記利用中のユーザの前記利用結果を予測する予測手段、
    予測された前記利用結果に応じた処理を実行する実行手段、
    として機能させるためのプログラム。

Images