JP2022078311A - 情報処理システム、情報処理方法、およびプログラム - Google Patents

Abstract

【課題】利用者の意図に沿った情報を提供する情報処理システム、情報処理方法及びプログラムを提供する。【解決手段】処理システム１００及び検索装置５０を含む情報処理システム１において、検索装置５０は、利用者によって指定されたクエリを取得する取得部５２と、取得部５２により取得されたクエリと、クエリを含む名称を有する又は類似する名称を有する紹介対象に関連付けられ、紹介対象を含むコンテンツを利用者に提供したときのコンテンツに対する利用者の行動を示す行動情報に含まれる一以上の素性と、に基づく一以上の指標を、予め学習された学習済モデル２２４に入力することで、クエリに対する紹介対象のランキングを決定する。【選択図】図１

Description

本発明は、情報処理システム、情報処理方法、およびプログラムに関する。

従来、ウエブサイトを訪問する訪問者のウエブサイトでの行動を示すセグメント情報を生成し、解析条件に合致するセグメント情報を用いて解析を行い、この解析結果を表示部に表示するセグメント解析装置が開示されている（例えば、特許文献１参照）。

特開２０１３－２３５５７２号公報

しかしながら、上記従来の技術では、利用者の意図に沿った情報を取得することができない場合があった。

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、利用者の意図に沿った情報を取得することができる情報処理システム、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、情報処理システムは、利用者によって指定されたクエリを取得する取得部と、前記取得部により取得されたクエリと、前記クエリを含む名称を有しまたは類似する名称を有する紹介対象に関連付けられた一以上の素性であって前記紹介対象を含むコンテンツを利用者に提供したときの前記コンテンツに対する利用者の行動を示す行動情報に含まれ素性とに基づく一以上の指標を、予め学習された学習済モデルに入力することで、前記クエリに対する紹介対象のランキングを決定する決定部と、を備える。

本発明の一態様によれば、利用者の意図に沿った情報を提供することができる。

情報処理システム１の機能構成の一例を示す図である。 商品情報６２の内容の一例を示す図である。 学習済モデル６４の概念図である。 バリデーション機能について説明するための図である。 情報処理システム１が実行する処理について説明するための図である。 第２実施形態の情報処理システム１により実行される処理について説明するための図である。

以下、図面を参照し、本発明の情報処理システム、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。

［概要］
情報処理システム１は、第１装置と、第２装置とを含む。第１装置と、第２装置とは、それぞれ一以上のプロセッサにより実現される。第１装置と第２装置とは一つの装置であってもよい。第１装置は、紹介対象を含むコンテンツに対する利用者の行動を示す行動情報であって紹介対象と他装置におけるランキングに用いられる素性とを含む行動情報を取得し、取得した行動情報を他の装置に提供する。第２装置は、第１装置により提供された紹介対象と素性とが関連付けられた情報が記憶される記憶部と、利用者によって指定されたクエリを取得する取得部と、取得部により取得されたクエリと、クエリを含む名称を有し、または類似する名称を有する紹介対象に関連付けられた一以上の素性とに基づく一以上の指標を、予め学習された学習済モデルに入力することで、前記クエリに対する紹介対象のランキングを決定する決定部と、を備える。

紹介対象は、例えば、商品またはサービスである。素性は、利用者の行動が集計された集計素性を含む。この集計素性は、利用者が紹介対象に着目したコンテンツ（例えば商品の紹介コンテンツや商品の詳細を示すコンテンツ）にアクセスした回数である。

学習済モデルは、第１装置が取得した行動情報に含まれる素性（例えば集計素性）と、行動情報に含まれるコンテンツにおける紹介対象に対するコンバージョンの結果とに基づいて、コンバージョンの度合が高い紹介対象がランキングで上位に位置するように学習されたモデルである。コンバージョンとは、利用者が紹介対象に着目したことであり、例えば、利用者が、紹介対象の商品をカートに入れたり、購入したりしたことを示す情報である。

＜第１実施形態＞
［構成］
図１は、情報処理システム１の機能構成の一例を示す図である。情報処理システム１は、例えば、端末装置１０、ショッピングサーバ３０と、検索装置５０と、処理システム１００とを備える。

処理システム１００に含まれる第１記憶装置１２０は「第１装置」の一例であり、検索装置５０は「第２装置」の一例である。処理システム１００に含まれる第１情報処理装置は「処理装置」の一例である。

端末装置１０と、ショッピングサーバ３０とは、ネットワークＮＷを介して互いに通信する。ネットワークＮＷは、例えばインターネット、無線基地局、プロバイダなどを含む。また、ショッピングサーバ３０と、検索装置５０または処理システム１００（第１記憶装置１２０）とは、ＷＡＮ（Wide Area Network）やＬＡＮ（Local Area Network）、専用回線などの所定の通信網（或いはネットワークＮＷ）を介して通信する。

［端末装置］
端末装置１０は、利用者によって使用される装置であり、例えば、スマートフォンなどの携帯電話、タブレット型コンピュータ、ノート型コンピュータ、デスクトップ型コンピュータなどである。端末装置１０では、ブラウザやアプリケーションプログラムなどのＵＡ（User Agent）が起動し、以下の動作を行う。利用者が、端末装置１０を操作して、ショッピングサーバ３０にアクセスして、クエリを入力すると、端末装置１０が、入力したクエリに関連する商品を検索するようにショッピングサーバ３０に依頼する。端末装置１０は、ショッピングサーバ３０により提供されたコンテンツを取得し、コンテンツを自装置の表示部に表示させる。そして、利用者は、コンテンツに対して操作を行うことで、所望の商品の詳細を閲覧したり、商品を購入する処理を行ったりすることができる。

［ショッピングサーバ］
ショッピングサーバ３０は、端末装置１０の依頼に応じて、検索装置５０に商品のランキング結果を送信することを依頼する。ショッピングサーバ３０は、検索装置５０により提供されたランキング結果を含むコンテンツを端末装置１０に提供する。

［検索装置］
検索装置５０は、例えば、取得部５２と、処理部（決定部）５４と、記憶部６０とを備える。取得部５２、および処理部５４は、ＣＰＵ（Central Processing Unit）等のハードウェアプロセッサが、記憶装置に記憶されたプログラムを実行することにより実現される。また、これらの機能部は、ＬＳＩ（Large Scale Integration）、ＡＳＩＣ（Application Specific Integrated Circuit）、ＦＰＧＡ（Field-Programmable Gate Array）、ＧＰＵ（Graphics Processing Unit）等のハードウェア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。また、上記のプログラムは、予め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に格納されており、記憶媒体が検索装置５０のドライブ装置に装着されることで記憶装置にインストールされてもよい。

記憶部６０は、例えば、ＲＯＭ（Read Only Memory）、フラッシュメモリ、ＳＤカード、ＲＡＭ（Random Access Memory）、ＨＤＤ（Hard Disc Drive）、レジスタ等によって実現される。また、記憶部６０の一部または全部は、ＮＡＳ（Network Attached Storage）や外部ストレージサーバ装置等であってもよい。記憶部６０には、例えば、商品情報６２と、学習済モデル６４とが記憶される。モデルとは、所定の関数や、ニューラルネットワークなどの所定のモデルである。

取得部５２は、ショッピングサーバ３０または処理システム１００により提供された情報を取得する。例えば、取得部５２は、処理システム１００から商品情報６２を取得する。商品情報６２は、処理システム１００に含まれる第２情報処理装置１５０により提供された情報であり、処理システム１００に含まれる第１記憶装置１２０が、ショッピングサーバ３０から取得した情報である。

図２は、商品情報６２の内容の一例を示す図である。商品情報６２は、例えば、商品ＩＤ、商品名、商品のカテゴリ、および素性（素性情報）が互いに関連付けられた情報である。素性は、例えば、商品の価格などの商品の属性または特徴や、商品を含むコンテンツが閲覧されたＰＶ（Page View）数、クエリと商品名との類似度、ユーザに関する情報（例えばデモグラフィックデータ）などである。例えば、処理部５４が、対象のクエリと、商品名とに基づいて、コサイン類似度等を求めて、上記の類似度を取得してもよいし、予め各クエリと商品名との類似度が商品情報６２に関連付けられていてもよい。例えば、ＰＶは、集計素性の一例である。集計素性は、ＰＶ以外の集計データや統計データであってもよい。また、商品情報６２には、コンバージョン結果が含まれていてもよい。

また、取得部５２は、処理システム１００の学習装置２００から学習済モデル６４を取得する。

処理部５４は、ショッピングサーバ３０の依頼に応じて、商品のランキング結果を生成し、生成したランキング結果をショッピングサーバ３０に提供する。処理部５４は、ショッピングサーバ３０に提供されたクエリと、クエリに応じた素性とに基づく指標（例えばクエリまたは素性をベクトル化または正規化した情報）を、学習済モデル６４に入力し、学習済モデル６４が出力した商品のスコアを取得する。

図３は、学習済モデル６４の概念図である。学習済モデル６４は、上記の指標が入力されると、コンバージョン結果が高い商品のスコアが高くなるように、スコアを出力するモデルである。学習済モデル６４は、後述する学習装置２００により生成されたモデルである。

［処理システム］
図１の説明に戻る。処理システム１００は、例えば、第１記憶装置１２０、第１情報処理装置１３０、第２記憶装置１４０、第２情報処理装置１５０、および学習装置２００を備える。

第１記憶装置１２０は、ショッピングサーバ３０が取得した利用者の行動情報を取得する。行動情報とは、例えば、ランキング結果を含むコンテンツに対する利用者の行動であって、例えば、商品に関する情報に加え、商品のコンテンツを閲覧したか否かを示す情報（ＰＶ）や、コンバージョン結果を含む。行動情報は、例えば、前述した図３に示した商品情報６２の内容に加え、コンバージョン結果を含む情報である。

行動情報は、所定の規則によって素性が整理された（所定のフォーマットで表現された）データセットである。行動情報は、所定の条件や素性を指定してデータの検索が可能なように生成された情報である。所定の規則とは、ＳＱＬなどのプログラム言語に依存する規則である。例えば、第１記憶装置１２０の処理部が、ショッピングサーバ３０から得られた情報を集計したり、統計的な処理をしたりして行動情報を生成する。

第１情報処理装置１３０は、所定の周期で第１記憶装置１２０に記憶された行動情報に含まれる情報を取得し、取得した情報を検索装置５０に提供するために第２記憶装置１４０に提供する。例えば、第１情報処理装置１３０は、商品情報６２に相当する情報または行動情報を第２記憶装置１４０に提供する。

第１情報処理装置１３０は、フィルタリング機能を有している。フィルタリング機能とは、第１情報処理装置１３０が、所定の条件を満たす素性情報を除外し、除外した素性情報を第２記憶装置１４０に提供する機能である。所定の条件とは、ボットなどのようにアクセスを大量に繰り返している利用者の素性情報であること、所定の頻度（高頻度）でショッピングサーバ３０にアクセスしている利用者の素性情報であることである。また、第１情報処理装置１３０は、後述するバリデーション機能を有する。

第２記憶装置１４０は、第１情報処理装置１３０により提供された素性情報を取得し、取得した情報を記憶する。

第２情報処理装置１５０は、ショッピングサーバ３０に出店している仮想店舗の管理者が提供した店舗情報を取得する。店舗情報は、例えば、仮想店舗で販売している商品の情報であり、例えば、商品の説明など商品に付随する付随情報である。第２情報処理装置１５０は、第２記憶装置１４０に記憶された情報を取得し、取得した情報に上記の付随情報を付加して配信情報を生成する。そして、第２情報処理装置１５０は、上記の配信情報を検索装置５０が処理するのみ適した形式に変換して、配信情報を検索装置５０に提供する。

これにより、検索装置５０は、配信情報に基づく上述した商品情報６２を得ることができる。

［バリデーション機能］
第１情報処理装置１３０は、所定の周期で第１記憶装置１２０により提供された商品と検索装置５０におけるランキングに用いられる集計素性とを含む行動情報を取得し、取得した行動情報を第２装置に提供する。この際、第１情報処理装置１３０は、第１周期で第１記憶装置１２０により提供された行動情報に含まれる集計素性が、第１周期よりも前の第２周期で得られた集計素性に基づいて導出された基準値よりも所定度合以上乖離している場合、行動情報を第２装置に提供しない。

第１情報処理装置１３０は、例えば、所定の商品群に関する素性情報を検索装置５０に提供する場合において、所定の商品群の基準の素性情報と、提供する対象の素性情報とに所定度合以上乖離が存在する場合、対象の素性情報に異常が存在すると判定する。この場合、第１情報処理装置１３０は、対象の素性情報を第２記憶装置１４０に提供しない。

図４は、バリデーション機能について説明するための図である。図示する例では、素性情報は、商品群ＡのＰＶ数であるものとして説明するが、バリデーション機能で処理される素性情報は、ＰＶとは異なる情報であってもよい。例えば、ＰＶ以外の集計データや統計データであってもよい。基準ＰＶは、例えば、所定期間における商品群ＡのＰＶ数の中央値や平均値、最頻値など基準にするＰＶ数である。対象ＰＶは、対象とする期間（例えば所定期間と同等の長さの期間）におけるＰＶ数である。

図４に示すように、対象ＰＶ数が、基準ＰＶ数よりも閾値Ｘ以上少ない、または多い場合、対象ＰＶ数は異常と判定される。閾値Ｘは、例えば、商品群ＡのＰＶ数のばらつき度合に基づいて得られた値であって、例えば、標準偏差σやσの複数倍である。

上記のように閾値Ｘ以上乖離が存在する対象ＰＶは、正確ではないＰＶであることがある。仮に、正確でないＰＶの情報を検索装置５０に提供されると、検索装置５０は、このＰＶを用いてランキング結果を得るため、正確でないランキング結果を利用者に提供することがある。

これに対して、本実施形態では、上記のように第１情報処理装置１３０が、正確でないと推定されるＰＶを異常と判定して、このＰＶを検索装置５０に提供しないため、正確でないランキング結果が利用者に提供されることが抑制される。

［学習装置］
図１の説明に戻る。学習装置２００は、例えば、学習部２１０と、記憶部２２０とを含む。学習部２１０は、例えば、ＣＰＵ等のハードウェアプロセッサが、記憶装置に記憶されたプログラムを実行することにより実現される。記憶部２２０には、例えば、行動情報２２２と、学習済モデル２２４とが記憶されている。学習済モデル２２４は、学習部２１０が行動情報２２２を用いて生成したモデルである。

学習部２１０は、学習済モデル２２４を生成する。学習済モデル２２４は、第１記憶装置１２０が取得した行動情報に含まれる素性情報と、行動情報に含まれるコンテンツにおける紹介対象に対するコンバージョン結果とに基づいて、コンバージョンの度合が高い紹介対象がランキングで上位に位置するように学習されたモデルである。

例えば、学習部２１０は、行動情報２２２に含まれる素性情報とクエリとを含む学習データとコンバージョン結果を含む教師データとを用いた学習を行う。学習部２１０は、素性情報とクエリとがモデルに入力された場合にコンバージョン結果が高い商品のスコアが高くなるようにモデルに含まれるパラメータを調整し、パラメータが調整された学習済モデル２２４を生成する。生成された学習済モデル２２４は、検索装置５０に提供され、検索装置５０の記憶部６０に学習済モデル６４として記憶される。

［情報処理システムが実行する処理のまとめ］
図５は、情報処理システム１が実行する処理について説明するための図である。第１記憶装置１２０は、ショッピングサーバ３０から行動情報を取得する（Ｓ１）。更に、第１記憶装置１２０は、取得した行動情報を学習装置２００に提供し（Ｓ２）、学習装置２００は、行動情報に基づいて学習済モデル２２４が生成する。この学習済モデル２２４は、検索装置５０に提供される（Ｓ３）。

次に、第１記憶装置１２０は、行動情報のうち少なくとも商品に関連付けられた素性情報を検索装置５０に提供する（Ｓ４）。ショッピングサーバ３０の依頼に応じて、検索装置５０は、素性情報と、利用者が指定したクエリとを学習済モデル２２４に入力し、学習済モデル２２４が出力したスコアに基づいて、商品のランキングを決定し、決定したランキング結果を依頼者（例えばショッピングサーバ３０）に提供する（Ｓ５）。

上記のように、第１記憶装置１２０が、学習装置２００と、検索装置５０とに、同様の素性情報を提供する。学習装置２００は、この素性情報を用いて学習済モデル２２４を生成し、検索装置５０は、生成された学習済モデル２２４に、学習で用いられた素性情報を入力して、スコアを得る。

上記により、学習装置２００と、検索装置５０とにおいて用いられる素性の種別は、同様であるため、検索装置５０は、より精度の高いスコアを得ることができる。更に、素性情報に含める素性を追加する場合、第１記憶装置１２０が、学習装置２００および検索装置５０に提供する素性情報に、素性を追加することにより、容易に素性を追加した精度の高いスコアが出力されるシステムが構築される。

以上説明した第１実施形態によれば、情報処理システム１は、行動情報を他の装置に提供する第１記憶装置１２０と、検索装置５０と、を備え、検索装置５０が、クエリと、クエリを含む名称を有し、または類似する名称を有する紹介対象に関連付けられた一以上の素性とに基づく一以上の指標を、予め学習された学習済モデルに入力することで、クエリに対する紹介対象のランキングを決定することにより、利用者の意図に沿った情報を得ることができ、この情報を利用者に提供することができる。この結果、利用者は、意図に沿った情報を得ることができる。

＜第２実施形態＞
以下、第２実施形態について説明する。第２実施形態では、素性に日時が関連付けられ、情報処理システム１は、日時を参照して、各種処理（例えば学習）を行う。以下、第１実施形態との相違点を中心に説明する。

第２実施形態では、検索装置５０が、取得する集計素性は部分的に最新の日付が揃っていない場合がある。検索装置５０は、商品ごとの集計素性間で日付が全て揃っている部分のみを、当該揃っている日付を少なくとも最終日付とした集計素性で学習された学習済モデル６４に入力する。第２実施形態では、学習済モデル２２４の生成に用いられる集計素性に関連付けられた日付と、検索装置５０において学習済モデル２２４に入力される集計素性に関連付けられた日付とは同一である。

図６は、第２実施形態の情報処理システム１により実行される処理について説明するための図である。ショッピングサーバ３０および検索装置５０は、数億の商品を取り扱っている。第１記憶装置１２０に記憶された数億の商品に関する情報（素性情報等）は、適宜、検索装置５０に提供されるが、上記のように数億の商品があり、データ量が膨大であるため、リアルタイムで商品に関する情報は検索装置５０に提供されずに、タイムラグが生じる場合がある。

第１記憶装置１２０は、順次、商品群ごとの行動情報を検索装置５０に提供し、検索装置５０は、第１特定日における第１商品群の行動情報と、第１特定日における第２商品群の行動情報とを異なる日に取得する。図６に示すように、例えば、現在を１月５日であるとすると、第１記憶装置１２０は、１月１日から１月４日までの行動情報を得ている。具体的には、１月１日から１月４日までのＡ商品のＰＶと、１月１日から１月４日までのＢ商品のＰＶとを得ている。検索装置５０は、１月１日から１月４日までのＡ商品のＰＶ、および１月１日から１月２日までのＢ商品のＰＶを得ているが、タイムタグによって１月３日から１月４日までのＢ商品のＰＶを得ていない。

このような状況を想定し、学習部２１０は、１月１日から１月２日のＡ商品およびＢ商品のＰＶを学習データとして用いて学習済モデル２２４（学習済モデル６４）を生成する。そして、検索装置５０は、Ａ商品またはＢ商品のスコアを得る場合、１月１日から１月２日のＡ商品またはＢ商品のＰＶを学習済モデル６４に入力して、学習済モデル６４により出力されたスコアに基づいて、商品のランキングを生成する。

仮に、学習済モデル６４（２２４）が、１月１日から１月４日までのＡ商品およびＢ商品のＰＶを用いて学習を行うことを想定する。そうすると、検索装置５０が入力する１月１日から１月２日のＢ商品のＰＶと、学習済モデル６４が利用した学習データのＰＶとが異なることになり、学習済モデル６４の生成で考慮されていないＰＶの傾向に基づくスコアが学習済モデル６４により出力されることとなる。

これに対して、本実施形態の情報処理システム１は、素性情報に対して日付が関連付けられている。そして、情報処理システム１は、検索装置５０が有している素性情報と日付けが共通する素性情報を用いて学習した学習済モデル６４を生成し、生成した学習済モデル６４をランキングの生成に用いる。この結果、より精度の高い商品のランキング結果が生成される。

以上説明した第２実施形態によれば、検索装置５０は、第２特定日および第３特定日における第３紹介対象の行動情報と、第２特定日における第４紹介対象の行動情報とを有し、第３特定日における第４紹介対象の行動情報を有していない場合、第２特定日における第３紹介対象の行動情報に含まれる素性と第４紹介対象の行動情報に含まれる素性とを用いて第３紹介対象と紹介対象とのランキングを決定することにより、より精度よく利用者の意図に沿った情報を得ることができる。

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。

１‥情報処理システム、１０‥端末装置、３０‥ショッピングサーバ、５０‥検索装置、５２‥取得部、５４‥処理部、６０‥記憶部、６２‥商品情報、６４‥学習済モデル、１００‥処理システム、１２０‥第１記憶装置、１３０‥第１情報処理装置、１４０‥第２記憶装置、１５０‥第２情報処理装置、２００‥学習装置、２１０‥学習部、２２０‥記憶部、２２２‥行動情報、２２４‥学習済モデル

Claims (14)

1. 利用者によって指定されたクエリを取得する取得部と、
   前記取得部により取得されたクエリと、前記クエリを含む名称を有しまたは類似する名称を有する紹介対象に関連付けられた一以上の素性であって前記紹介対象を含むコンテンツを利用者に提供したときの前記コンテンツに対する利用者の行動を示す行動情報に含まれ素性とに基づく一以上の指標を、予め学習された学習済モデルに入力することで、前記クエリに対する紹介対象のランキングを決定する決定部と、
   を備える情報処理システム。
2. 前記学習済モデルは、前記行動情報に含まれる素性と、前記行動情報に含まれる前記コンテンツにおける前記紹介対象に対するコンバージョンの結果とに基づいて、前記コンバージョンの度合が高い紹介対象が前記ランキングで上位に位置するように学習されたモデルである、
   請求項１に記載の情報処理システム。
3. 前記紹介対象は、商品またはサービスである、
   請求項１または２に記載の情報処理システム。
4. 前記素性は、前記利用者が紹介対象に着目したコンテンツにアクセスした回数である、
   請求項１から３のうちいずれか１項に記載の情報処理システム。
5. 前記素性は、前記紹介対象である商品またはサービスの特徴を示す情報を含む、
   請求項１から４のうちいずれか１項に記載の情報処理システム。
6. 前記素性は、前記紹介対象である商品またはサービスの名称と前記クエリとの類似度を示す情報を含む、
   請求項１から５のうちいずれか１項に記載の情報処理システム。
7. 前記素性は、
   前記利用者が紹介対象に着目したコンテンツにアクセスした回数、
   前記紹介対象である商品またはサービスの特徴を示す情報、および
   前記紹介対象である商品またはサービスの名称と前記クエリとの類似度を示す情報
   を含む、
   請求項１から６のうちいずれか１項に記載の情報処理システム。
8. 前記素性は、利用者の行動が集計された集計素性を含む、
   請求項１から７のうちいずれか１項に記載の情報処理システム。
9. 所定の周期で第１装置により提供された前記紹介対象と他装置におけるランキングに用いられる前記集計素性とを含む行動情報を取得し、取得した行動情報を前記取得部と前記決定部とを含む第２装置に提供する処理装置を更に備え、
   前記処理装置は、第１周期で第１装置により提供された前記行動情報に含まれる集計素性が、第１周期よりも前の第２周期で得られた前記集計素性に基づいて導出された基準値よりも所定度合以上乖離している場合、前記行動情報を前記第２装置に提供しない、
   請求項８に記載の情報処理システム。
10. 前記取得部と前記決定部とを含む第２装置が取得する集計素性は部分的に最新の日付が揃っていない場合があり、
    前記第２装置は、前記紹介対象ごとの集計素性間で日付が全て揃っている部分のみを、当該揃っている日付を少なくとも最終日付とした集計素性で学習された前記学習済モデルに入力する、
    請求項８または９に記載の情報処理システム。
11. 行動情報の素性のうちから、所定の度合以上の頻度で前記紹介対象を含むコンテンツを利用者の端末装置に提供する提供サーバ装置にアクセスしていた装置に関連付けられた行動情報に含まれる素性を除外し、除外した素性を前記取得部と前記決定部とを含む第２装置に提供する処理装置を備える、
    請求項１から１０のうちからいずれか１項に記載の情報処理システム。
12. 所定の規則によって素性が整理されたデータセットを有し、前記データセットのうちから設定された素性を抽出し、抽出した素性を前記取得部と前記決定部とを含む第２装置に提供する第１装置を備える、
    請求項１から１１のうちいずれか１項に記載の情報処理システム。
13. コンピュータが、
    利用者によって指定されたクエリを取得し、
    前記取得したクエリと、前記クエリを含む名称を有しまたは類似する名称を有する紹介対象に関連付けられた一以上の素性であって前記紹介対象を含むコンテンツを利用者に提供したときの前記コンテンツに対する利用者の行動を示す行動情報に含まれ素性とに基づく一以上の指標を、予め学習された学習済モデルに入力することで、前記クエリに対する紹介対象のランキングを決定する、
    情報処理方法。
14. コンピュータに、
    利用者によって指定されたクエリを取得させ、
    前記取得したクエリと、前記クエリを含む名称を有しまたは類似する名称を有する紹介対象に関連付けられた一以上の素性であって前記紹介対象を含むコンテンツを利用者に提供したときの前記コンテンツに対する利用者の行動を示す行動情報に含まれ素性とに基づく一以上の指標を、予め学習された学習済モデルに入力させることで、前記クエリに対する紹介対象のランキングを決定させる、
    プログラム。

Images