JP2023000419A - 情報処理装置、情報処理方法および情報処理プログラム - Google Patents

Abstract

【課題】広告主による広告商品の売り上げが減少した場合など、広告商品の販売元からみて損失が生じた理由を示す損失理由を推定する情報処理装置、情報処理方法及び情報処理プログラムを提供する。【解決手段】情報処理装置１０は、通信部１１０と、制御部１２０と、記憶部１３０と、学習部１２４と、を有する学習部は、モデルに対し、広告主に関する広告主情報と、広告商品の販売に関して生じた損失金額とを入力した際に、損失理由に関する情報を出力するモデルとなる理由推定モデルを学習する。【選択図】図２

Description

本発明は、情報処理装置、情報処理方法および情報処理プログラムに関する。

近年、インターネットを介した広告配信が盛んに行われている。例えば、ウェブページなどの広告媒体に設定された広告枠に、企業や商品等の広告コンテンツを表示し、かかる広告コンテンツがクリックされた場合に、広告主のウェブページへ遷移させることが行われている（特許文献１参照）。

広告配信における広告には、広告を表示させる広告媒体、広告媒体における広告の位置やサイズ、静止画／動画の別、ユーザ操作との連動の有無といった様々な態様があり、広告主は、広告費用を考慮しつつ、任意の態様の広告を広告配信業者等から購入して広告媒体に表示させる。以下、広告主に対して販売される任意の態様の広告を「広告商品」と呼ぶ。

特開２００２－２０３１１９号公報

上述した従来技術には、広告配信事業の課題を可視化する点において改善の余地があった。

本願は、上記に鑑みてなされたものであって、広告配信事業の課題を可視化することを目的とする。

本願に係る情報処理装置は、モデルに対し、広告主に関する広告主情報と、広告商品の販売に関して生じた損失金額とを入力した際に、損失理由に関する情報を出力する前記モデルとなる理由推定モデルを学習する学習部を備える。

実施形態の一態様によれば、広告配信事業の課題を可視化することができる。

図１は、実施形態に係る情報処理の一例を示す図である。 図２は、実施形態に係る情報処理装置の構成例を示す図である。 図３は、実施形態に係る広告主ベクトル記憶部に記憶された情報の一例を示す図である。 図４は、実施形態に係る損失理由ベクトル記憶部に記憶された情報の一例を示す図である。 図５は、実施形態に係る営業実績ベクトル記憶部に記憶された情報の一例を示す図である。 図６は、実施形態に係る販売履歴記憶部に記憶された情報の一例を示す図である。 図７は、実施形態に係る理由推定モデルの学習処理の流れの一例を示すフローチャートである。 図８は、実施形態に係る情報処理装置の機能を実現するコンピュータの一例を示すハードウェア構成図である。

以下に、本願に係る情報処理装置、情報処理方法および情報処理プログラムを実施するための形態（以下、「実施形態」と記載する。）について図面を参照しつつ詳細に説明する。なお、この実施形態により本願に係る情報処理装置、情報処理方法および情報処理プログラムが限定されるものではない。

［実施形態］
〔１．情報処理〕
まず、図１を用いて、実施形態に係る情報処理の一例について説明する。図１は、実施形態に係る情報処理の一例を示す図である。

図１に示すように、実施形態に係る情報処理装置１０は、広告主による広告商品の売り上げが減少した場合など、広告商品の販売元からみて損失が生じた理由を示す損失理由を推定する情報処理装置である。情報処理装置１０は、たとえば、サーバ装置やクラウドシステム等により実現される。

ここで、広告主とは、たとえば、広告商品の販売先として設定された対象のことである。すなわち、広告商品の販売元から見た場合の広告主は、たとえば、広告商品を売り込む対象に相当する。広告主は、たとえば、企業（会社や法人等）であるが、企業に限らず、国、都道府県、市区町村等の自治体等であってもよい。

また、広告商品とは、広告主に対して販売される任意の態様の広告のことである。広告における任意の態様とは、たとえば、広告を表示させる広告媒体、広告媒体における広告の位置やサイズ、静止画／動画の別、ユーザ操作との連動の有無といった態様のことである。

ところで、広告主による広告商品の売り上げが減少した場合、広告商品の販売元から見れば損失が生じることとなる。通常、その損失の理由（以下、単に損失理由）は、営業担当による広告主や広告代理店へのヒアリングによって収集される。

しかしながら、真の損失理由を聞き出すことができず、真の損失理由をフィードバックできない場合も想定される。このため、情報処理装置１０は、広告主に関する広告主情報と、広告主の販売に関して生じた損失金額とを入力した際に、損失理由に関する情報を出力する理由推定モデルを学習する。

そして、情報処理装置１０は、広告主に関する情報と、損失金額に関する情報を受け付けると（ステップＳ０１）、理由推定モデルを用いて、損失理由を推定する（ステップＳ０２）。その後、情報処理装置１０は、推定された広告商品の情報を出力する（ステップＳ０３）。

このように、情報処理装置１０では、理由推定モデルを利用することで、広告主に対する損失理由を把握することが可能となる。以下、理由推定モデルの学習方法について説明する。情報処理装置１０は、広告主に関する情報としての広告主ベクトルを記憶した広告主ベクトル記憶部１３２を有している。広告主ベクトルは、広告主の特徴ベクトルである。

広告主ベクトルは、後述する広告主ベクトルモデルを用いて生成される。広告主ベクトルモデルは、たとえば、売上、利益率、広告宣伝費等の各種費用、資本構成、市場、インターネットに掲載されている情報の内容、検索データ（ジャンプ元クエリ）、広告費用、広告媒体といった広告主に関する各種の情報が入力された場合に、これらの情報が類似する他の広告主の広告主ベクトルと類似する広告主ベクトルを出力するように学習されたモデルである。ベクトルが類似するとは、たとえば、コサイン距離が類似すること、すなわち、コサイン類似度が高いことをいう。

また、情報処理装置１０は、損失理由ベクトルを記憶した損失理由ベクトル記憶部１３４を有している。損失理由ベクトルは、損失理由の特徴ベクトルである。損失理由ベクトルは、後述する損失理由ベクトルモデルを用いて生成される。損失理由ベクトルモデルは、たとえば、実際の損失理由に関する各種情報が入力された場合に、これらの情報が類似する他の損失理由の損失理由ベクトルと類似する損失理由ベクトルを出力するように学習されたモデルである。

たとえば、損失理由ベクトルモデルは、損失理由に関する情報に対して、Ｗ２ＶやＳ２Ｖ等の技術を用いて、類似する情報同士を類似する損失理由ベクトルとして生成する。また、後述するように、自然言語処理のＬＳＴＭ（Long short-term memory）、Tｒａｎｓｆｏｒｍｅｒ、ＢＥＲＴ（Bidirectional Encoder Representations from Transformers）、ＧＰＴ－３（Generative Pre-Training3）などといったモデルを損失理由ベクトルモデルとして用いることにしてもよい。

また、損失理由に関する情報は、営業担当による広告主や広告代理店のヒアリング結果に限定されるものではない。たとえば、広告主に対する営業活動に関する活動記録を損失理由に関する情報とすることにしてもよい。たとえば、ある広告主において広告商品の売り上げが減少した場合の営業記録を損失理由に関する情報とすることにしてもよい。また、活動記録に関する情報とは、広告主との間で行われた音声によるやりとりや、メールでのやりとりなどのテキストデータであってもよい。この場合、テキストデータから損失理由に関する特徴部分を特定し、特定した特徴部分を正解データとして、損失理由モデルに学習させることにしてもよい。

また、情報処理装置１０は、広告実績ベクトル記憶部１３６をさらに有している。広告実績ベクトルは、広告主による広告実績の特徴ベクトルである。広告実績ベクトルは、後述する広告実績ベクトルモデルによって生成される。広告実績ベクトルモデルは、たとえば、各広告主による広告商品毎の購入費用や広告予算等、各広告主による広告活動の実績に関する各種情報が入力された場合に、これらの情報が類似する他の広告実績の広告実績ベクトルと類似する広告実績ベクトルを出力するように学習されたモデルである。

また、情報処理装置１０は、販売履歴記憶部１３８をさらに有している。販売履歴記憶部１３８は、たとえば、広告主毎に各広告商品の販売履歴に関する情報を記憶する。販売履歴に関する情報に基づいて、実際に生じた損失金額を示す実損失金額を算出することができる。たとえば、過去の広告売上から現在の広告売上が減少していた場合の差額が実損失額として計上される。また、たとえば、広告商品の失注が発生した場合には、失注金額を実損失金額として計上することにしてもよい。

そして、情報処理装置１０は、たとえば、広告主ベクトルと、損失理由ベクトルと、広告実績ベクトルと、損失金額とを学習データとして機械学習を行うことで、理由推定モデルを生成する。また、情報処理装置１０は、理由推定モデルから出力さる損失理由ベクトルを損失理由の文章（テキスト）へ変換する。たとえば、「損失理由（文章）」から「損失理由ベクトル」への変換、および、「損失理由ベクトル」から「損失理由（文章）」への変換を、それぞれＳｅｃ２ＳｅｃやＴ５等の自然言語処理を用いて事前に学習しておく。そして、情報処理装置１０は、これらの学習結果を用いて、損失理由の文章を損失理由ベクトルへ変換するとともに、損失理由ベクトルから損失理由の文章へ変換する。

また、情報処理装置１０は、理由推定モデルに入力する各種情報のうち、広告主ベクトルを固定し、損失金額を入れ替えることで、特定の広告主における損失金額毎の損失理由を推定することができる。また、情報処理装置１０は、理由推定モデルに入力する各種情報のうち、損失金額を固定し、広告主ベクトルを入れ替えることで、特定の損失金額における損失理由を推定することもできる。

このように、情報処理装置１０は、理由推定モデルを学習することによって、広告商品の販売損失に関する損失理由を推定することができるので、広告配信事業の課題を可視化することができる。なお、ここでいう広告配信事業とは、広告商品の販売に関するすべての事業を指す。すなわち、広告配信事業には、広告商品の開発事業、広告商品の販売事業、広告商品の配信事業等が含まれる。

〔２．情報処理装置の構成例〕
次に、図２を用いて、情報処理装置１０の構成例について説明する。図２は、実施形態に係る情報処理装置１０の構成例を示す図である。図２に示すように、情報処理装置１０は、通信部１１０と、制御部１２０と、記憶部１３０とを有する。

通信部１１０は、例えば、ＮＩＣ（Network Interface Card）等によって実現される。そして、通信部１１０は、４Ｇ（Generation）、５Ｇ、ＬＴＥ（Long Term Evolution）、ＷｉＦｉ（登録商標）若しくは無線ＬＡＮ（Local Area Network）等といった各種の無線通信網若しくは各種の有線通信網といったネットワークを介して、外部装置との間で情報の送受信を行う。

記憶部１３０は、例えば、ＲＡＭ、フラッシュメモリ等の半導体メモリ素子、または、ハードディスク、光ディスク等の記憶装置によって実現される。また、記憶部１３０は、広告主ベクトルモデル記憶部１３１、広告主ベクトル記憶部１３２、損失理由ベクトルモデル記憶部１３３、損失理由ベクトル記憶部１３４、広告実績ベクトルモデル記憶部１３５、広告実績ベクトル記憶部１３６、営業情報記憶部１３７、販売履歴記憶部１３８および理由推定モデル記憶部１３９を有する。

広告主ベクトルモデル記憶部１３１は、広告主ベクトルモデルを記憶する。広告主ベクトルモデルは、広告主に関する情報を広告主ベクトルに変換する学習モデルである。

たとえば、情報処理装置１０は、広告宣伝費等の各種費用、資本構成、市場、インターネットに掲載されている情報の内容、検索データ（ジャンプ元クエリ）、購入した広告商品、広告商品の購入額、購入した広告商品の総額である広告費用、広告媒体といった広告主に関する各種の情報をモデルに入力した際に、これらの情報が類似する他の広告主の広告主ベクトルと類似する広告主ベクトルを出力するようにモデルの学習を行う。

ここで、広告主同士が「類似する」とは、単に市場が類似するというだけではなく、広告営業の内容や営業結果が類似することを意味する。

たとえば、情報処理装置１０は、ある広告主に対する営業活動の内容（営業活動を行ったか否か、行った営業活動のタイプ、提案した広告商品等）とその結果（例えば、広告商品Ａを提案したら購入された、広告商品Ｂを提案したら購入されなかった等）、広告を出している媒体（テレビ・ラジオ・新聞・雑誌・インターネット・交通等）、広告費用等を含めた広告主間の類似性を示す類似性スコアを算出する。そして、情報処理装置１０は、算出した類似性スコアが高いほど広告主ベクトルの類似性が高くなるように、広告主に関する各種情報から広告主ベクトルを出力する広告主ベクトルモデルの学習を行う。

なお、広告主ベクトルモデルの学習段階において、情報処理装置１０は、広告主に関する情報そのもの（すなわち、テキストデータ）に代えて、Ｗ２Ｖ（Word2Vec）等の技術を用いて、広告主に関する情報をベクトル化したデータを入力データとしてもよい。たとえば、情報処理装置１０は、広告主に関する各種情報をＷ２Ｖ等、意味が類似する単語を類似するベクトルへと変換する変換モデルを用いて、広告主に関する情報として入力された単語をベクトル化し、各ベクトルを結合したベクトルや、各ベクトルの合成となる合成ベクトル等を入力データとして広告主ベクトルモデルの学習を行ってもよい。

また、情報処理装置１０は、たとえば会社四季報に掲載された企業情報や各種アナリストレポートの内容を広告主に関する情報として用いてもよい。たとえば、情報処理装置１０は、会社四季報に掲載された企業情報をＷ２Ｖ等の技術を用いてベクトル化し、かかるベクトルデータが類似する広告主については、類似する広告主ベクトルを出力するように、広告主ベクトルモデルの学習を行ってもよい。

広告主ベクトル記憶部１３２は、広告主ベクトルを記憶する。図３は、実施形態に係る広告主ベクトル記憶部１３２に記憶された情報の一例を示す図である。図３に示すように、広告主ベクトル記憶部１３２には、「広告主ＩＤ」、「広告主ベクトル」といった情報が含まれる。

「広告主ＩＤ」項目には、広告主を識別するための識別情報が格納される。なお、「広告主ＩＤ」には、未だ広告主となっていない企業等、すなわち、新規広告主の候補である企業等の識別情報が含まれていてもよい。

「広告主ベクトル」項目には、広告主ＩＤにより識別される広告主に対応する広告主ベクトルが格納される。図３では、広告主ベクトルが２次元のベクトルデータ「１０，２４」である場合の例を示しているが、広告主ベクトルは、多次元（Ｎ次元）のベクトルデータであればよく、２次元に限定されない。

損失理由ベクトルモデル記憶部１３３は、損失理由ベクトルモデルを記憶する。損失理由ベクトルモデルは、損失理由に関する情報を損失理由ベクトルに変換する学習モデルである。

たとえば、損失理由ベクトルモデルは、所定の言語処理を用いて、損失理由ベクトル生成する学習モデルである。損失理由ベクトルモデルの学習段階において、情報処理装置１０は、たとえば、ＢＥＲＴ（Bidirectional Encoder Representations from Transformers）を用いて、教師なしで膨大な文章から言語の構造を捉える事前学習を行った後に、損失理由に関する情報を学習データとして再調整を行うことで、損失理由ベクトルモデルを生成してもよい。なお、ＢＥＲＴに限らず、ＢＥＲＴ以外のＴｒａｎｓｆｏｒｍｅｒのネットワーク構成を有するモデルが用いられてもよい。また、損失理由ベクトルモデルは、たとえば、自然言語処理のＬＳＴＭ（Long short-term memory）、ＧＰＴ－３（Generative Pre-Training3）などによって構築することにしてもよい。

また、情報処理装置１０は、たとえば、損失理由に関するテキストデータから損失理由に該当する重要部分が人手によってラベル付けされたものを正解データとして損失理由ベクトルモデルを学習することにしてもよい。また、情報処理装置１０は、損失理由に関し、教師なし学習で分類を実現するモデルを作成し、かかるモデルを損失理由ベクトルモデルとすることにしてもよい。

損失理由ベクトル記憶部１３４は、損失理由ベクトルを記憶する。図４は、実施形態に係る損失理由ベクトル記憶部１３４に記憶された情報の一例を示す図である。図４に示すように、損失理由ベクトル記憶部１３４は、「広告主ＩＤ」、「損失理由ベクトル」といった情報が含まれる。

「広告主ＩＤ」項目には、広告主を識別するための識別情報が格納される。なお、「広告主ＩＤ」には、未だ広告主となっていない企業等、すなわち、新規広告主の候補である企業等の識別情報が含まれていてもよい。

「損失理由ベクトル」項目には、広告主ＩＤにより識別される広告主の損失理由ベクトルが格納される。図４では、損失理由ベクトルが２次元のベクトルデータ「３３，１５」である場合の例を示しているが、広告主ベクトルは、多次元（Ｎ次元）のベクトルデータであればよく、２次元に限定されない。

広告実績ベクトルモデル記憶部１３５は、広告実績ベクトルモデルを記憶する。広告実績ベクトルモデルは、各広告主の広告実績に関する情報を損失理由ベクトルに変換する学習モデルである。

広告実績ベクトルモデルは、広告主による広告活動の実績の特徴ベクトルである。広告実績ベクトルモデルは、広告活動の実績に関する各種情報が入力された場合に、類似する情報同士を類似する広告実績ベクトルとして生成する。たとえば、広告活動の実績とは、各広告主の広告予算、広告予算の増減傾向、購入実績のある広告商品およびその購入額等に関する項目が含まれる。また、広告活動の実績には、購入した広告商品によって広告を行った商品や、広告商品による広告効果(広告へのアクセス数、広告した商品の売上額)等に関する情報が含まれていてもよい。

広告実績ベクトル記憶部１３６は、広告実績モデルによって生成された広告実績ベクトルを記憶する。図５は、実施形態に係る広告実績ベクトル記憶部１３６に記憶された情報の一例を示す図である。図５に示すように、損失理由ベクトル記憶部１３４は、「広告主ＩＤ」、「広告実績ベクトル」といった情報が含まれる。

「広告主ＩＤ」項目には、広告主を識別するための識別情報が格納される。「損失理由ベクトル」項目には、広告主ＩＤにより識別される広告主の広告実績ベクトルが格納される。図５では、広告実績ベクトルが２次元のベクトルデータ「１６，１５６」である場合の例を示しているが、広告主ベクトルは、多次元（Ｎ次元）のベクトルデータであればよく、２次元に限定されない。

営業情報記憶部１３７は、各広告主に対する広告商品の営業記録を営業情報として記憶する。営業記録とは、広告主に対して行った営業内容や、営業結果に関する情報が含まれる。営業内容とは、たとえば、広告主に対して提案した広告商品および提案手法等を示し、営業結果とは、対応する営業内容によって広告商品が購入されたか否かを示す。なお、契約直前で失注した場合の営業結果は失注とすることにしてもよい。

また、営業記録には、営業担当が聞き出した損失理由に関するテキストデータを格納してもよく、営業担当と広告主とのあらゆるやり取りをテキストデータへ変換したものが格納されていてもよい。あらゆるやりとりには、広告主との営業活動における実際の会話や電話でのやりとり、メールでのやりとり等が含まれていてもよい。

販売履歴記憶部１３８は、広告商品の販売履歴に関する情報を記憶する。図６は、実施形態に係る販売履歴記憶部１３８に記憶された情報の一例を示す図である。図６の例において、販売履歴記憶部１３８は、「広告主IＤ」、「広告商品」、「売り上げ」および「増減額」といった情報が含まれる。

「広告主ＩＤ」項目には、広告主を識別するための識別情報が格納される。「広告商品」項目には、対応する広告主が購入した広告商品を識別するための識別情報が格納される。

「売り上げ」項目は、広告主が購入した対応する広告商品の購入金額であり、広告商品の販売元からみた場合の売り上げを示す情報が格納される。「増減額」項目は、広告商品の売り上げの増減に関する情報が格納される。たとえば、増減額は、たとえば、過去の売り上げと現在の売り上げとの差分であり、売り上げが減少した場合、減少した売り上げが実損失金額として計上される。なお、増減額は、たとえば、連続する数値である必要なく離散化した数値であってもよい。たとえば、売上額が８４０万円だった場合に、５００万～１０００万とすることにしてもよい。また、数値を離散化する際、たとえばログスケール等により桁数をある程度揃えたうえでモデルに入力してもよい。また、たとえば、売上額は、過去の売上額に占める現在の売上額の割合(％)とすることにしてもよい。なお、以下では、過去の売上額に占める損失金額の割合について「損失割合」と記載する場合がある。なお、損失割合は、広告主の広告予算に占める損失金額の割合であってもよい。

理由推定モデル記憶部１３９は、理由推定モデルを記憶する。理由推定モデルは、広告主に関する情報と、広告商品の販売に関して生じた損失金額との関係性を学習したモデルである。情報処理装置１０は、理由推定モデルに対し、広告主に関する情報と、広告主との間で生じた損失金額を入力することで、損失理由を推定する。

制御部１２０は、例えば、コントローラ（controller）であり、ＣＰＵ（Central Processing Unit）、ＧＰＵ(Graphics Processing Unit)、ＭＰＵ（Micro Processing Unit）等によって、情報処理装置１０内部の記憶装置に記憶されている各種プログラムがＲＡＭを作業領域として実行されることにより実現される。また、制御部１２０は、コントローラであり、例えば、ＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（Field Programmable Gate Array）等の集積回路により実現される。

図２に示すように、制御部１２０は、広告主ベクトル生成部１２１と、損失理由ベクトル生成部１２２と、広告実績ベクトル生成部１２３と、学習部１２４と、推定部１２５と、出力部１２６とを有する。

広告主ベクトル生成部１２１は、広告主ベクトルモデル記憶部１３１に記憶された広告主ベクトルモデルを用いて、広告主ごとに広告主ベクトルを生成する。具体的には、広告主ベクトル生成部１２１は、広告主に関する情報を広告主ベクトルモデルに入力する。そして、広告主ベクトル生成部１２１は、広告主に関する情報を入力した際に広告主ベクトルモデルが出力したベクトルデータを広告主ベクトルとして取得する。

広告主ベクトル生成部１２１は、取得した広告主ベクトルを広告主ＩＤと関連付けて広告主ベクトル記憶部１３２に記憶させる。なお、広告主ベクトル生成部１２１は、広告主モデルを用いて、広告主ベクトルを生成する生成部の一例に対応する。

損失理由ベクトル生成部１２２は、損失理由ベクトルモデル記憶部１３３に記憶された損失理由ベクトルモデルを用いて、損失理由ベクトルを生成する。具体的には、損失理由ベクトル生成部１２２は、営業情報記憶部１３７に記憶に記憶された営業活動に関する情報を損失理由ベクトルモデルに入力する。そして、損失理由ベクトル生成部１２２は、営業活動に関する情報を入力した際に損失理由ベクトルモデルが出力したベクトルデータを損失理由ベクトルとして取得する。

損失理由ベクトル生成部１２２は、取得した損失理由ベクトルを広告主ＩＤと関連付けて損失理由ベクトル記憶部１３４に記憶させる。なお、損失理由ベクトル生成部１２２は、たとえば、広告主毎に１つの損失理由ベクトルを生成することにしてもよいし、広告商品毎に広告商品毎の損失理由ベクトルを生成することにしてもよい。

学習部１２４は、広告主に関する広告主情報と、広告商品の販売に関して生じた損失金額とを入力した際に、損失が生じた損失理由に関する情報を出力する理由推定モデルを学習し、学習した理由推定モデルを理由推定モデル記憶部１３９に記憶させる。

たとえば、学習部１２４は、広告主ベクトル、損失理由ベクトルおよび損失金額を１セットの学習データとした機械学習を実行することで、理由推定モデルを学習する。たとえば、学習部１２４は、ＳＶＭ（Support Vector Machine）やＤＮＮ（Deep Neural Network）をモデルとして採用してもよい。ここで、ＤＮＮは、ＣＮＮ（Convolutional Neural Network）やＲＮＮ（Recurrent Neural Network）であってもよい。また、ＲＮＮは、ＬＳＴＭ（Long short-term memory）等であってもよい。

また、理由推定モデルの学習段階において、学習部１２４は、たとえば、ＢＥＲＴ（Bidirectional Encoder Representations from Transformers）を用いて、教師なしで膨大な文章から言語の構造を捉える事前学習を行った後に、広告主に関する情報や損失理由に関する情報を学習データとして再調整を行うことで、理由推定モデルを生成してもよい。なお、ＢＥＲＴに限らず、ＢＥＲＴ以外のＴｒａｎｓｆｏｒｍｅｒのネットワーク構成を有するモデルが用いられてもよい。また、損失理由ベクトルモデルは、たとえば、自然言語処理のＬＳＴＭ（Long short-term memory）、ＧＰＴ－３（Generative Pre-Training3）などによって構築することにしてもよい。

また、理由推定モデルの学習段階において、学習部１２４は、広告主ベクトル、損失理由ベクトルおよび損失金額に加えて、広告実績ベクトルを学習データとして機械学習を実行することにしてもよい。すなわち、理由推定モデルは、各広告主がどのような広告商品を購入したかといった広告実績を踏まえて学習を行うことで、広告主ベクトルに基づく広告主の属性や傾向、広告実績ベクトルに基づく広告実績という組み合わせによる損失理由の推定が可能となる。

すなわち、学習部１２４は、広告実績ベクトルを用いて理由推定モデルの学習を行うことで、広告主に関する広告活動の傾向を踏まえたうえで、損失理由の推定を可能となるので、より確度の高い推定が可能となる。

また、理由推定モデルの学習段階において、学習部１２４は、営業活動の実績を学習データとして理由推定モデルの学習を行うことにしてもよい。この場合、たとえば、営業活動の実績に関する各種情報を入力した場合に、類似する情報同士を類似する営業実績ベクトルとして出力するモデルを用いて生成された営業実績ベクトルを用いて理由推定モデルの学習を行うことにしてもよい。

このように、学習部１２４は、営業活動の実績を含めて学習を行うことで、広告主に対する営業活動を考慮したうえで、損失理由の推定が可能となるので、より解析度をあげた損失理由の推定が可能となる。

また、理由推定モデルの学習段階において、学習部１２４は、学習データとして入力する、連続値である損失金額を離散化によって離散値に置き換えて出力するようにしてもよい。たとえば、増減額が８３０万円である場合、離散値として「５００万円以上１０００万円未満」の情報を出力するように学習されてもよい。また、数値を離散化する際、たとえばログスケール等により桁数をある程度揃えたうえでモデルに入力してもよい。

このように、学習部１２４は、損失金額を離散値として学習を行うことで、たとえば、会社の資本規模（広告予算を含む）による学習誤差を平準化することができる。なお、学習部１２４は、損失金額の離散値として上記の損失割合を用いて、理由推定モデルの学習を行うことにしてもよい。

推定部１２５は、学習部１２４によって学習された理由推定モデルを用いて、広告主に関する広告主情報と、損失金額とから損失理由を推定する。たとえば、推定部１２５は、利用者によって選択された広告主ベクトルを広告主ベクトル記憶部１３２から取得するとともに、当該広告主ベクトルに紐づく損失金額に関する情報を販売履歴記憶部１３８から取得する。

また、推定部１２５は、取得した広告主ベクトル、損失金額に関する情報を理由推定モデルに入力することで、対応する広告主との間で生じた損失理由の推定を行う。また、推定部１２５は、対応する広告主における広告実績ベクトルをあわせて理由推定モデルに入力することにしてもよいし、広告主に対する営業活動に関する情報をあわせて理由推定モデルに入力することにしてもよい。

出力部１２６は、推定部１２５から受け取った損失理由に関する情報を通信部１１０およびネットワークを介して外部装置に出力する。たとえば、外部装置には、広告配信事業に携わる各担当者の端末装置が含まれる。

〔３．処理手順〕
次に、図７を用いて、実施形態に係る情報処理装置１０が実行する処理の流れの一例を説明する。図７を用いて、理由推定モデルの学習処理の一例について説明する。図７は、実施形態に係る理由推定モデルの学習処理の流れの一例を示すフローチャートである。

図７に示すように、情報処理装置１０は、広告主に関する情報を購入額推定モデルに入力する（ステップＳ１０１）。つづいて、情報処理装置１０は、損失理由に関する情報を損失理由ベクトルモデルに入力する（ステップＳ１０２）。そして、情報処理装置１０は、広告実績に関する情報を広告実績ベクトルモデルに入力する（ステップＳ１０３）。

つづいて、情報処理装置１０は、ステップＳ１０１～ステップＳ１０３の処理における各モデルの出力結果、および、実際の損失金額を入力データとして学習する（ステップＳ１０４）。つづいて、情報処理装置１０は、学習段階において、すべての損失理由について実行したか否かを判定する（ステップＳ１０５）。

この処理において、すべての損失理由について実行していると判定した場合（ステップＳ１０５，Ｙｅｓ）、情報処理装置１０は、学習処理を終える。また、ステップＳ１０５の判定において、未学習のデータがあった場合（ステップＳ１０５，Ｎｏ）、情報処理装置１０は、ステップＳ１０１の処理へ移行する。

〔４．変形例〕
上述した情報処理装置１０は、上記実施形態以外にも種々の異なる形態にて実施されてもよい。そこで、以下では、情報処理装置１０の他の実施形態について説明する。

上述した実施形態では、広告商品の損失に関する損失理由を推定する理由推定モデルを学習する場合について説明したが、これに限定されるものではない。たとえば、広告商品の売り上げが増加する増加理由についても、本願発明を適用することにしてもよい。この場合、たとえば、入力データとする損失金額を売り上げが増加した増加金額に置き換えたり、損失理由を増加理由に置き換えたりすることで増加理由の推定が可能となる。

情報処理装置１０は、営業情報記憶部１３７や販売履歴記憶部１３８に記憶された情報が更新された場合に、更新後の情報に基づいて、各種学習モデルの更新を行ってもよい。

また、理由推定モデルの学習段階において、情報処理装置１０は、広告主に関する情報、損失理由に関する情報等を種別ごとにクラスタリングした結果を示すワンホットベクトルに変換し、これらを連結したベクトルを入力データとして理由推定ベクトルモデルの学習を行ってもよい。

〔５．効果〕
上述した実施形態に係る情報処理装置１０は、モデルに対し、広告主に関する広告主情報と、広告商品の販売に関して生じた損失金額とを入力した際に、損失理由に関する情報を出力するモデルとなる理由推定モデルを学習する学習部１２４を備える。したがって、実施形態に係る情報処理装置１０によれば、広告配信事業の課題を可視化することができる。

また、実施形態に係る情報処理装置１０は、学習部１２４によって学習された理由推定モデルを用いて、広告主情報と、損失金額とから損失理由を推定する推定部１２５を備える。したがって、実施形態に係る情報処理装置１０によれば、広告配信事業の課題を可視化することができる。

また、実施形態に係る情報処理装置１０は、類似する広告主情報が入力された際に、類似する広告主ベクトルを出力するように学習された広告主モデルを用いて、広告主ベクトルを生成する広告主ベクトル生成部１２１(生成部の一例)をさらに備え、学習部１２４は、広告主ベクトルを広告主情報として理由推定モデルを学習する。したがって、実施形態に係る情報処理装置１０によれば、広告主に関して高い解析度で損失理由を推定することができる。

また、実施形態に係る情報処理装置１０において、学習部１２４は、広告主による広告商品の購入実績に関する情報をさらに用いて、理由推定モデルを学習する。したがって、実施形態に係る情報処理装置１０によれば、さらに詳細に損失理由を推定することができる。

また、実施形態に係る情報処理装置１０において、学習部１２４は、広告主に対する営業活動の内容および結果に関する情報をさらに用いて、理由推定モデルを学習する。したがって、実施形態に係る情報処理装置１０によれば、さらに詳細に損失理由を推定することができる。

また、実施形態に係る情報処理装置１０において、学習部１２４は、広告主との間で損失金額が発生する前の受注金額に対して当該損失金額が占める割合を示す損失割合を損失金額として理由推定モデルを学習する。したがって、実施形態に係る情報処理装置１０によれば、広告主の広告規模に基づく学習誤差を平準化することができる。

また、実施形態に係る情報処理方法は、モデルに対し、広告主に関する広告主情報と、広告商品の販売に関して生じた損失金額とを入力した際に、損失理由に関する情報を出力する前記モデルとなる理由推定モデルを学習する学習工程を含む。

また、実施形態に係る情報処理方法は、モデルに対し、広告主に関する広告主情報と、広告商品の販売に関して生じた損失金額とを入力した際に、損失理由に関する情報を出力するモデルとなる理由推定モデルを学習する学習手順をコンピュータに実行させる。

〔６．ハードウェア構成〕
また、上述してきた実施形態に係る情報処理装置１０は、例えば図８に示すような構成のコンピュータ１０００によって実現される。図８は、実施形態に係る情報処理装置１０の機能を実現するコンピュータの一例を示すハードウェア構成図である。コンピュータ１０００は、ＣＰＵ１１００、ＲＡＭ１２００、ＲＯＭ１３００、ＨＤＤ１４００、通信インターフェイス（Ｉ／Ｆ）１５００、入出力インターフェイス（Ｉ／Ｆ）１６００、及びメディアインターフェイス（Ｉ／Ｆ）１７００を有する。

ＣＰＵ１１００は、ＲＯＭ１３００またはＨＤＤ１４００に格納されたプログラムに基づいて動作し、各部の制御を行う。ＲＯＭ１３００は、コンピュータ１０００の起動時にＣＰＵ１１００によって実行されるブートプログラムや、コンピュータ１０００のハードウェアに依存するプログラム等を格納する。

ＨＤＤ１４００は、ＣＰＵ１１００によって実行されるプログラム、及び、かかるプログラムによって使用されるデータ等を格納する。通信インターフェイス１５００は、ネットワーク（通信ネットワーク）Ｎを介して他の機器からデータを受信してＣＰＵ１１００へ送り、ＣＰＵ１１００が生成したデータをネットワークＮを介して他の機器へ送信する。

ＣＰＵ１１００は、入出力インターフェイス１６００を介して、ディスプレイやプリンタ等の出力装置、及び、キーボードやマウス等の入力装置（図８では、出力装置および入力装置を総称して「入出力装置」と記載する）を制御する。ＣＰＵ１１００は、入出力インターフェイス１６００を介して、入力装置からデータを取得する。また、ＣＰＵ１１００は、生成したデータを入出力インターフェイス１６００を介して出力装置へ出力する。

メディアインターフェイス１７００は、記録媒体１８００に格納されたプログラムまたはデータを読み取り、ＲＡＭ１２００を介してＣＰＵ１１００に提供する。ＣＰＵ１１００は、かかるプログラムを、メディアインターフェイス１７００を介して記録媒体１８００からＲＡＭ１２００上にロードし、ロードしたプログラムを実行する。記録媒体１８００は、例えばＤＶＤ（Digital Versatile Disc）、ＰＤ（Phase change rewritable Disk）等の光学記録媒体、ＭＯ（Magneto-Optical disk）等の光磁気記録媒体、テープ媒体、磁気記録媒体、または半導体メモリ等である。

例えば、コンピュータ１０００が実施形態に係る情報処理装置１０として機能する場合、コンピュータ１０００のＣＰＵ１１００は、ＲＡＭ１２００上にロードされたプログラムを実行することにより、制御部１２０の機能を実現する。コンピュータ１０００のＣＰＵ１１００は、これらのプログラムを記録媒体１８００から読み取って実行するが、他の例として、他の装置からネットワークＮを介してこれらのプログラムを取得してもよい。

以上、本願の実施形態のいくつかを図面に基づいて詳細に説明したが、これらは例示であり、発明の開示の欄に記載の態様を始めとして、当業者の知識に基づいて種々の変形、改良を施した他の形態で本発明を実施することが可能である。

〔７．その他〕
また、上記実施形態及び変形例において説明した各処理のうち、自動的に行われるものとして説明した処理の全部または一部を手動的に行うこともでき、あるいは、手動的に行われるものとして説明した処理の全部または一部を公知の方法で自動的に行うこともできる。この他、上記文書中や図面中で示した処理手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。例えば、各図に示した各種情報は、図示した情報に限られない。

また、図示した各装置の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、各装置の分散・統合の具体的形態は図示のものに限られず、その全部または一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。例えば、広告主ベクトル生成部１２１、損失理由ベクトル生成部１２２、広告実績ベクトル生成部１２３、学習部１２４、推定部１２５および出力部１２６を情報処理装置１０の外部装置としてネットワーク経由で接続するようにしてもよい。また、広告主ベクトル生成部１２１、損失理由ベクトル生成部１２２、広告実績ベクトル生成部１２３、学習部１２４、推定部１２５および出力部１２６を別の装置がそれぞれ有し、ネットワーク接続されて協働することで、上記の情報処理装置１０の機能を実現するようにしてもよい。すなわち、情報処理装置１０は、複数のサーバコンピュータで実現してもよく、また、機能によっては外部のプラットフォーム等をＡＰＩ（Application Programming Interface）やネットワークコンピューティングなどで呼び出して実現するなど、構成は柔軟に変更できる。

また、上述してきた実施形態及び変形例は、処理内容を矛盾させない範囲で適宜組み合わせることが可能である。

また、上述してきた「部（section、module、unit）」は、「手段」や「回路」などに読み替えることができる。例えば、広告主ベクトル生成部１２１は、広告主ベクトル生成手段や広告主ベクトル生成回路に読み替えることができる。

１０ 情報処理装置
１１０ 通信部
１２０ 制御部
１２１ 広告主ベクトル生成部
１２２ 損失理由ベクトル生成部
１２３ 広告実績ベクトル生成部
１２４ 学習部
１２５ 推定部
１２６ 出力部
１３０ 記憶部
１３１ 広告主ベクトルモデル記憶部
１３２ 広告主ベクトル記憶部
１３３ 損失理由ベクトルモデル記憶部
１３４ 損失理由ベクトル記憶部
１３５ 広告実績ベクトルモデル記憶部
１３６ 広告実績ベクトル記憶部
１３７ 営業情報記憶部
１３８ 販売履歴記憶部
１３９ 理由推定モデル記憶部

Claims (8)

1. モデルに対し、広告主に関する広告主情報と、広告商品の販売に関して生じた損失金額とを入力した際に、損失理由に関する情報を出力する前記モデルとなる理由推定モデルを学習する学習部
   を備えることを特徴とする情報処理装置。
2. 前記学習部によって学習された前記理由推定モデルを用いて、前記広告主情報と、前記損失金額とから前記損失理由を推定する推定部
   を備えることを特徴とする請求項１に記載の情報処理装置。
3. 類似する前記広告主情報が入力された際に、類似する広告主ベクトルを出力するように学習された広告主モデルを用いて、広告主ベクトルを生成する生成部
   をさらに備え、
   前記学習部は、
   前記広告主ベクトルを前記広告主情報として前記理由推定モデルを学習すること
   を特徴とする請求項１または２に記載の情報処理装置。
4. 前記学習部は、
   前記広告主による前記広告商品の購入実績に関する情報をさらに用いて、前記理由推定モデルを学習すること
   を特徴とする請求項１、２または３に記載の情報処理装置。
5. 前記学習部は、
   前記広告主に対する営業活動の内容および結果に関する情報をさらに用いて、前記理由推定モデルを学習すること
   を特徴とする請求項１～４のいずれか一つに記載の情報処理装置。
6. 前記学習部は、
   前記広告主との間で前記損失金額が発生する前の受注金額に対して当該損失金額が占める割合を示す損失割合を前記損失金額として前記理由推定モデルを学習すること
   を特徴とする請求項１～５のいずれか一つに記載の情報処理装置。
7. コンピュータが実行する情報処理方法であって、
   モデルに対し、広告主に関する広告主情報と、広告商品の販売に関して生じた損失金額とを入力した際に、損失理由に関する情報を出力する前記モデルとなる理由推定モデルを学習する学習工程
   を含むことを特徴とする情報処理方法。
8. モデルに対し、広告主に関する広告主情報と、広告商品の販売に関して生じた損失金額とを入力した際に、損失理由に関する情報を出力する前記モデルとなる理由推定モデルを学習する学習手順
   をコンピュータに実行させることを特徴とする情報処理プログラム。

Images