JP2023533195A - インテリジェントな出品リスト作成及び自動価格設定ガイダンスのためのコンピュータ技術 - Google Patents

Abstract

本明細書には、販売者によって提供される販売物（ＦＳＯ）に関する出品リストを自動的にインテリジェントに生成するための実施形態が開示されている。いくつかの実施形態は、ＦＳＯを販売するための仕様と自動出品リスト作成オプションの選択とを含む、ＦＳＯに関する情報を受信すること；ＦＳＯのカテゴリを決定すること；少なくともカテゴリに基づいて最適提供価格を生成すること；並びに様々なタイトル、説明、画像、及び提供価格を含む、ＦＳＯに関する複数の出品リストを生成することによって機能する。

Description

関連出願の相互参照
[0001] 本出願は、２０１９年１月２２日出願の「価格減衰曲線に基づく提供の時間的処置（Temporal Disposition Of Offers Based On Decay Curves）」という名称の米国特許出願第１６／２５３，７１９号（代理人整理番号４２２３．００８００００）；２０１９年２月２８日出願の「確率的商品マッチング及び検索（Probabilistic Item Matching And Searching）」という名称の米国特許出願第１６／２８８，３７９号（代理人整理番号４２２３．００１０００１）；２０１９年２月２８日出願の「在庫摂取及び価格設定システム（Inventory Ingestion And Pricing System）」という名称の米国特許出願第１６／２８８，２０３号（代理人整理番号４２２３．０１１０００１）；及び２０１９年９月１６日出願の「拡張現実コンピュータ技術を使用した出品リストの作成の自動化（Automating The Creation Of Listings Using Augmented Reality Computer Technology）」という名称の米国仮特許出願第６２／９００，７６４号（代理人整理番号４２２３．０１２００００）に関連し、それら全ての全体を参照により本明細書に援用する。

背景
[0002] MERCARI、EBAY、AMAZON、POSHMARK、LETGO、CRAIGSLISTなど、ユーザが自分の不要品を販売することができる多くの電子商取引サイトがある。従来、これらのサイトで販売するためには、ユーザは、自分の商品を売りに出すために出品リストを手動で作成しなければならない。そのような出品リストの品質は大きく異なることがあり、出品リストを作成するユーザの経験、商品に関してユーザが有する情報（メーカー、モデル、ブランド、サイズ、色、機能など）、ユーザの画像撮影スキル、出品リストの作成時にユーザが急いでいるかどうか、ユーザがこのタイプの商品を販売しようとしたのは今回が初めてかどうかなど、いくつかの因子に依存することがある。よく構築された出品リストは、関連の商品が売れる可能性を高めるので、出品リストの品質を高めるためにコンピュータ技術を採用することができる場合には有利である。

[0003] また、出品リストを作成するときの重要な要素は、提供価格（すなわち関連の商品が売りに出される価格）を確立することである。提供価格が低すぎる場合、ユーザは商品の完全な価値を受け取れないことがある。提供価格が高すぎる場合、商品が売れるまでに長い時間がかかることがある、又は商品が売れないことがある。ここでも、コンピュータ技術を採用して、ユーザが自分の商品を販売する価格を設定するのを支援できると有利である。

概要
[0004] 本明細書では、販売者によって提供される販売物（ＦＳＯ）に関する出品リストを自動的にインテリジェントに生成するための、システム、装置、製造物品、方法、及び／又はコンピュータプログラム製品の実施形態、及び／又はそれらの組合せ及び部分的な組合せが提供される。

[0005] いくつかの実施形態は、ＦＳＯを販売するための仕様と自動出品リスト作成オプションの選択とを含む、ＦＳＯに関する情報を受信すること；ＦＳＯのカテゴリを決定すること；少なくともカテゴリに基づいて最適提供価格を生成すること；並びに様々なタイトル、説明、画像、及び提供価格を含む、ＦＳＯに関する複数の出品リストを生成して、ＦＳＯの販売を並列化することによって機能する。情報は、ＦＳＯの画像を含むことがあり、カテゴリは、画像を分析することによって決定されることがある。

[0006] 複数の出品リストは、検索及び過去の購入に基づいて、潜在的購入者を識別すること；検索及び過去の購入を分析することによって、潜在的購入者の傾向及び嗜好を決定すること、並びに決定された傾向及び嗜好に基づいて、出品リストの少なくとも一部をカスタマイズすることによって生成されることがある。次いで、カスタマイズされた出品リストが、それぞれの潜在的購入者に提供されることがある。

[0007] また、本明細書では、ＦＳＯに関する提供価格を自動的にインテリジェントに生成するための、システム、装置、製造物品、方法、及び／又はコンピュータプログラム製品の実施形態、及び／又はそれらの組合せ及び部分的な組合せが提供される。

[0008] いくつかの実施形態は、元の提供価格とＦＳＯを販売するための時間窓とを含むＦＳＯを販売するための仕様を含む、ＦＳＯに関する情報を受信すること；ＦＳＯのカテゴリを決定すること；（ａ）ＦＳＯと同一又は同様のカテゴリを有する以前に売れたＦＳＯの過去出品リスト；（ｂ）時間窓を含む仕様；（ｃ）カテゴリに適用可能なカテゴリ価格減衰曲線；及び（ｄ）販売者の販売者柔軟性曲線の１つ又は複数に基づいて、ＦＳＯに関する最適提供価格を生成することによって機能することがある。最適提供価格は、ＦＳＯに対応する出品リストに関する提供価格として販売者に提案されることがある。

[0009] 最適提供価格の生成は、ＦＳＯの同一又は同様のカテゴリを有する以前に売れたＦＳＯの過去出品リストを識別すること；識別された過去出品リストから取引情報にアクセスすること；及び統計ベースの手法を使用して、又は機械学習などの人工知能技法によって、少なくとも取引情報に基づいて最適な価格を生成することを含むことがある。

[0010] 最適価格は、最初は販売者の要求により、又は時間が経つにつれて、カテゴリに適用可能なカテゴリ価格減衰曲線及び／又は販売者の販売者柔軟性曲線に基づいて調整されることがある。追加又は代替として、最適価格は、販売者がチャリティーオプションを選択したという決定に基づいて調整されることもある。

[0011] いくつかの実施形態はまた、（ａ）カテゴリに適用可能なカテゴリ価格減衰曲線と、（ｂ）販売者の販売者柔軟性曲線との少なくとも一方に基づいて合意可能範囲（ＺＯＰＡ）を生成すること；定期的に、現在の出品リスト経過時間に対応するＺＯＰＡに基づいて出品リストに関する新たな提供価格を生成すること；及び新たな提供価格を販売者に提示することを含むこともある。

[0012] 本明細書に開示される実施形態のさらなる特徴及び利点、並びに様々な実施形態の構造及び動作を、添付図面を参照して以下で詳細に述べる。本開示が、本明細書に記載される特定の実施形態に限定されないことに留意されたい。そのような実施形態は、例示の目的でのみ本明細書に提示される。本明細書に含まれる教示に基づいて、当業者には追加の実施形態が明らかであろう。

図面の簡単な説明
[0013] 添付図面は、本明細書に組み込まれ、本明細書の一部を成す。

[0014]いくつかの実施形態による、「販売物」（ＦＳＯ）を販売するためのインターネットサイトを有するコンピューティング環境を示す図である。 [0015]いくつかの実施形態による、例示的なカテゴリ価格減衰曲線を示す図である。 [0016]いくつかの実施形態による、例示的な販売者価格減衰曲線（販売者柔軟性曲線とも呼ばれる）を示す図である。 [0017]いくつかの実施形態による、例示的な出品リストを示す図である。 [0018]いくつかの実施形態による、様々な例示的なＺＯＰＡＳ（合意可能範囲）を示す図である。 [0019]いくつかの実施形態による、価格設定ガイダンスを提供し、ＦＳＯを販売するための出品リストをインテリジェントに作成及び処理するためにコンピュータ技術を使用するための方法のフローチャートを示す図である。 [0020]いくつかの実施形態による、図６の方法のさらなる詳細を提供する図である。 [0020]いくつかの実施形態による、図６の方法のさらなる詳細を提供する図である。 [0020]いくつかの実施形態による、図６の方法のさらなる詳細を提供する図である。 [0021]いくつかの実施形態による、最適価格及び関連情報をユーザに中継し、ユーザから情報を収集するための例示的なグラフィカルユーザインターフェース（ＧＵＩ）の提供を示す図である。 [0022]いくつかの実施形態による、販売者柔軟性曲線を構築するためにユーザからデータ点を収集するために使用される例示的なグラフィカルユーザインターフェース（ＧＵＩ）の提供を示す図である。 [0023]いくつかの実施形態による、予測される価格及び価格範囲を出力するために回帰モデルで使用されるデータへの、ユーザからの入力データの変換を示すフローダイアグラムである。 [0024]いくつかの実施形態による、価格を予測するために必要とされる様々なさらなる入力データを収集するために使用されることがある回帰モデルの一例を示す図である。 [0025]いくつかの実施形態による、価格及び価格範囲信頼区間を予測するために使用されることがあるニューラルネットワークモデルの一例を示す図である。 [0026]いくつかの実施形態による、ランダムフォレスト回帰又はブースト木回帰モデルで使用されることがある決定木の一例を示す図である。 [0027]様々な実施形態を実装するのに有用な例示的なコンピュータシステムを示す図である。

[0028] 図面中、同様の参照番号は、概して同一又は同様の要素を示す。さらに、概して、参照番号の左端の数字は、その参照番号が最初に現れる図面／図を識別する。

詳細な説明
[0029] 本明細書において、いくつかの実施形態によれば、コンピュータ技術を使用して価格設定ガイダンスを提供し、ＦＳＯ（販売物）を販売するための出品リストをインテリジェントに作成及び処理するためのシステム、装置、デバイス、方法、及び／又はコンピュータプログラム製品の実施形態、及び／又はそれらの組合せ及び部分的な組合せが提供される。

[0030] 図１は、インターネットサイト１１０を有するコンピューティング環境１０２を示し、コンピューティング環境１０２は、図１０に示される（及び以下でさらに述べる）ような１つ又は複数のコンピュータシステム１０００を使用して実装されることがある。いくつかの実施形態では、サイト１１０は、販売者１０４及び購入者１０８が、本明細書ではまとめて販売物（ＦＳＯ）と呼ぶことがある製品及び／又はサービスをそれぞれ販売及び購入できるようにする。サイト１１０の例として、いくつかのみ例を挙げると、MERCARI、EBAY、AMAZON、POSHMARK、LETGO、CRAIGSLISTなどがある。販売者１０４及び購入者１０８は、例えばインターネットを介してサイト１１０にアクセスすることができる。

[0031] 販売者１０４は、自分のＦＳＯ１１２を販売するために、サイト１１０上に出品リスト１１２を作成することができる。出品リスト１１２は、出品リストデータベース１１０に記憶されることがある。購入者１０８は、出品リスト１１２をブラウズして検索し、購入のために関心のあるＦＳＯ１１２を見つけることができる。任意の所与の時点で、所与のユーザは、サイト１１０を使用してＦＳＯ１０６を販売及び／又は購入することができる（すなわち、所与のユーザは、任意の所与の時点で、サイト１１０上で販売者１０４及び／又は購入者１０８であり得る）。

[0032] 図４に示されるように、各出品リスト１１２は、売りに出されているＦＳＯ１０６のタイトル４０２、説明４０６、及び画像４１０を含むことがある。さらに、いくつかの実施形態では、出品リストは、ＦＳＯ１０６のブランド／メーカー４１２及び状態４１４も含む。出品リスト１１２はまた、ＦＳＯ１０６の現在の提供価格４０４（すなわち、サイト１１０上で出品リスト１１２によってＦＳＯ１０６が現在売りに出されている価格）を記憶することもある。いくつかの実施形態によれば、価格設定モジュール１３８は、（１）任意の所与のＦＳＯ１０６の初期提供価格４０４を設定するため、及びまた（２）サイト１１０でＦＳＯ１０６が売れるまで、時間と共に提供価格４０４を調整するためのガイダンスを販売者１０４にインテリジェントに提供することがある。これについては以下でさらに述べる。

[0033] ＦＳＯ１０６は、衣料品、家具、用具、電子機器、美術品、塗装サービス、会計サービスなどのカテゴリ１５２に編成されることがある。出品リスト１１２は、ＦＳＯ１０６のカテゴリ４０８を記憶することがあり、カテゴリは、ユーザによって提供されることもある。カテゴリ４０８に関する情報は、クロスチェックされ、ユーザが誤ったカテゴリ４０８を示した場合には本明細書で述べるように適切に変更され、サイト１１０のカテゴリデータベース１５０に記憶されることがある。

[0034] インターネットサイト１１０は、履歴データベース１１４を含むことがある。履歴データベース１１４は、過去に売れたＦＳＯ１０６の過去出品リスト１１６を記憶することがある。すなわち、ＦＳＯ１０６が売れると、その関連出品リスト１１２は、履歴データベース１１４に記憶される過去出品リスト１１６になる。

[0035] 各過去出品リスト１１６は、図４に示される出品リスト１１２のフィールドを含むことがある。例えば、そのような過去出品リスト１１６は、出品リスト情報１２６を含む取引情報１１８を含むことがある。さらに、出品リスト情報１２６は、図４のサンプル出品リスト１１２に提供されるいくつか又は全ての情報フィールド（例えば、タイトル４０２、提供価格４０４、説明４０６、カテゴリ４０８、画像４１０、ブランド４１２、及び状態４１４）を含むことがある。追加又は代替として、各過去出品リスト１１６の取引情報１１８は、元の価格１２０、販売価格１２２、及び価格履歴１２４を含むこともできる。この情報は、サイト１１０で売れたときまでの関連のＦＳＯ１０６の価格設定及び販売履歴に関する。

[0036] 例えば、価格設定履歴１２４は、ＦＳＯ１０２が最初にサイト１１０に出品されてから売れるまでにかかった時間、価格設定変更（通常は価格が下がるが、価格が上がることもあり得る）、及び／又はＦＳＯ１０２が最初にサイト１１０に出品された時点から測定された、それらの価格設定変更が行われた時点（「出品リストの経過時間」と呼ばれ、図２、３、及び５で２１０として示されている）。

カテゴリ価格減衰曲線及び販売者柔軟性曲線
[0037] インターネットサイト１１０は、他のデータベース１２６を含むこともある。他のデータベース１２６は、価格減衰曲線１２８、柔軟性曲線１３０、及び／又はＺＯＰＡ１３２（合意可能範囲）に関する情報を記憶することがある。ここでは価格減衰曲線１２８及び柔軟性曲線１３０について述べる。ＺＯＰＡ１３２については以下でさらに述べる。

[0038] 価格減衰曲線１２８は、少なくとも一部の販売者１０４が、ＦＳＯ１０６が出品されている期間（すなわち関連出品リスト１１２の経過時間２１０）及び／又は自分のＦＳＯ１０６のそれぞれのカテゴリ１５２によっては、より低い価格で自分のＦＳＯ１０６を販売することを厭わないという事実を反映している。例えば、所与のＦＳＯ１０６が出品されている期間が長ければ長いほど、販売者１０４はより低い価格を受け入れることを厭わなくなることがある。また、そのような価格減衰曲線１２８は、カテゴリに依存することがある。すなわち、販売者１０４は、ＦＳＯ１０６のいくつかのカテゴリ１５２（中古衣料品及び中古家具など）については、他のカテゴリ１５２（ハイエンド電子機器及び美術品など）に比べて低い価格を受け入れることを厭わない可能性がある。

[0039] また、販売者１０４が異なると、任意の所与のＦＳＯ１０６に関して受け入れることを厭わない価格が異なることがある。例えば、一部の販売者１０４は、他の販売者１０４よりも低い価格を自然と受け入れる傾向があり得る。

[0040] 図２は、例示的な価格減衰曲線２０２を示す。いくつかの実施形態では、各価格減衰曲線２０２は、ＦＳＯ１０６のカテゴリ１５２に対応する。価格減衰曲線２０２（カテゴリ価格減衰曲線２０２とも呼ばれる）は、（１）出品リスト１１２の経過時間２１０、及び（２）ＦＳＯ１０６のカテゴリ１５２（出品リスト１１２の４０８に記憶されている）を考慮に入れる。

[0041] 価格減衰曲線２０２は、価格設定モジュール１３８によって生成及び更新されることがある。具体的には、価格設定モジュール１３８は、各カテゴリ１５２に関するカテゴリ価格減衰曲線２０２を生成するために、販売者１０４に関する履歴データベース１１４内の過去出品リスト１１６を分析することがある。いくつかの実施形態では、カテゴリ価格減衰曲線２０２は、所与のカテゴリ１５２について、販売者１０４が自分のＦＳＯ１０６を販売することを厭わなかった価格を時間にわたって示す（ここで、時間は、ＦＳＯ１０６が売れたときの出品リスト１１２の経過時間２１０に基づく）。

[0042] 図２の例では、カテゴリ価格減衰曲線２０２は、所与のカテゴリ１５２での出品リスト１１２が作成された（すなわち出品リスト経過時間２１０が０に等しい）とき、販売者が元の出品リスト価格（出品価格）１２０の１００％でのみ販売する気があったことを示す。しかし、出品リスト１１２が作成されてから５日以内に、少なくとも一部の販売者１０４は、自分のＦＳＯ１０６を価格１２０の９３％で販売することを厭わなかった（これは２０８Ａで示されている）。出品リスト１１２が作成されてから１５日で、所与のカテゴリ１５２での一部の販売者１０４は、自分のＦＳＯ１０６を元の価格１２０の８０％で販売することを厭わなかった（これは２０８Ｂで示されている）。同様に、出品リスト１１２が作成されてから３０日で、一部の販売者１０４は、自分のＦＳＯ１０６を元の価格１２０の６０％で販売することを厭わなかった（これは２０８Ｃで示されている）。

[0043] これらの点２０８（本明細書では価格減衰点２０８と呼ぶことがある）はそれぞれ、特定の出品リスト経過時間２１０及び／又は元の価格１２０の特定のパーセンテージで価格設定モジュール１３８によって収集された販売データを平均化することによって生成されることがある。例えば、出品リスト経過時間２１０＝１５日で、（カテゴリ価格減衰曲線２０２に関連付けられたカテゴリ１５２で）元の価格１２０の１００％、９０％、８０％、７０％、及び６０％のパーセンテージで５つの販売があったと仮定する。それにより、価格設定モジュール１３８は、これらのパーセンテージの平均が８０％であると決定し、したがってカテゴリ価格減衰曲線２０２において８０％の価格減衰点２０８Ｂを作成する。

[0044] いくつかの実施形態では、価格減衰点２０８を生成するために、販売数は、所定の期間にわたって閾値よりも大きくなければならない。所定の期間は、１ヶ月、３ヶ月、又は任意の他の期間でよい。再び図２の例を参照すると、所定の期間に関して、この閾値が１０である場合、販売数（５）が閾値（１０）未満であるので、価格設定モジュール１３８は価格減衰点２０８Ｂを作成しない。

[0045] いま述べたように、いくつかの実施形態では、カテゴリ価格減衰曲線２０２はカテゴリ１５２に関連付けられる。他の実施形態では、価格設定モジュール１３８はまた、販売者１０４の過去の活動を追跡して、時間２１０にわたってより低い販売価格を受け入れる各販売者１０４の意思（すなわち柔軟性）を決定する。例えば、価格設定モジュール１３８は、所与の販売者１０４に関する過去出品リスト１１６での取引情報１１８を分析して、その販売者１０４に関する販売者価格減衰曲線（販売者柔軟性曲線とも呼ぶ）３０２を生成することがある（図３での例を参照；図１に１３０として示されている）。いくつかの実施形態では、販売者柔軟性曲線３０２は、所与の販売者１０４に関して、その販売者１０４が自分の出品リスト１１２での提供価格４０４を下げたパーセンテージ、及びそのような価格低下が行われた時点（出品リスト１１２の経過時間２１０に関する）を示すことができる。販売者柔軟性曲線３０２は、販売者１０４が購入者１０８からの申し出を受け入れた、元の価格１２０からのパーセンテージ、及びそのような受け入れが行われた時点も示すことがある。

[0046] 例えば、図３での例示的な販売者柔軟性曲線３０２は、関連する販売者１０４（曲線３０２が適用される）が、出品リスト１１２を作成してから１１日後に元の価格１２０の８０％で販売し（点３０４Ａを参照）、２３日後に６０％で販売した（点３０４Ｂを参照）という履歴を有することを示す。

[0047] これらの点３０４（本明細書では販売者価格低下点３０４と呼ぶことがある）はそれぞれ、特定の出品リスト経過時間２１０及び／又は元の価格１２０の特定のパーセンテージでの（販売者１０４に関連付けられた）過去出品リスト１１６での販売データを平均化することによって生成されることがある。例えば、出品リスト経過時間２１０＝１０日で、第１の出品リストにおいて販売者１０４が元の価格１２０の９０％に価格４０４を下げ、出品リスト経過時間２１０＝１２日で、第２の出品リストにおいて販売者１０４が元の価格１２０の７０％での提供価格を受け入れたと仮定する。この場合、価格設定モジュール１３８は、１１日（すなわち１０と１２の平均）の出品リスト経過時間２１０で、８０％（すなわち９０％と７０％の平均）の販売者価格低下点３０４Ａを作成することがある。

[0048] いくつかの実施形態では、価格設定モジュール１３８は、所定のサイズの窓３０１を使用してＸ軸を横切って移動することによって、いま述べたように販売者１０４の販売を分析することがある。窓３０１は、５日（図３の例に示されるように）、１０日、又は任意の他の期間の長さを有することがある。価格設定モジュール１３８は、販売者１０４の販売データを分析して、窓３０１が１日の増分（又は任意の他の増分）でＸ軸にわたってステップするときに、窓３０１内に販売者価格低下点３０４が作成されるべきかどうかを判断することがある。

[0049] いくつかの実施形態では、窓３０１の現在の位置に販売者価格低下点３０４を生成するために、窓３０１内の販売数は、所定の期間にわたって閾値よりも大きくなければならない。所定の期間は、１ヶ月、３ヶ月、又は任意の他の期間でよい。再び図３の例を参照して、窓３０１が現在、Ｘ軸の９日～１３日にわたって位置されており、閾値が１０であると仮定する。この場合、価格設定モジュール１３８は、Ｘ軸上に現在位置されている窓３０１内で販売数（２）が閾値（１０）未満であるので、販売者価格低下点３０４Ａを作成しない。しかし、閾値が２であった場合、上述したようにＸ値とＹ値の両方を平均化することによって点が作成され、図３に示されるように、１１日に８０％の点が得られる。

[0050] 図２及び３のいくつかの実施形態では、限定された数のデータ点のみが存在することがある。この場合、傾向線のタイプに基づいて、回帰を使用して、後述するように使用される曲線３０２のためのフィッティング式を生成することができる。図２及び３に示されるように、データが線形パターンに従うので、線形傾向線が作成されることがある。しかし、他の場合には、データは、曲線２０２、曲線３０２、又はそれら両方に関して、指数又は対数パターンに従うことがある。この場合、傾向線のタイプに基づいて、線形、指数、又は対数回帰を、（上述した移動窓内の近接するデータ点を平均化することによって生成される）図３でのデータ点と共に、又は（特定の出品リスト経過時間（Ｘ）での過去の販売に関する元の販売価格からのパーセンテージ（Ｙ）を平均化することによって生成される）図２でのデータ点と共に使用することができるそのように生成された曲線を用いて、元の販売価格からのパーセンテージ（Ｙ）は、カテゴリ価格減衰（図２）と販売者柔軟性（図３）との両方に関して、出品リストの任意の所与の経過時間（Ｘ）で予測することができる。

[0051] いくつかの実施形態では、正確な曲線を描くのに十分な販売者価格低下点（上述した点３０４など）を作成することができない場合、ユーザは、自分が望む柔軟性を自ら考えることもある。代替として、上述したように回帰によって以前に作成された曲線がＧＵＩでユーザに提示されることがあり、ユーザは必要に応じて曲線を変更して、自分が望む実際の柔軟性を反映させることができる。どちらの実施形態においても、図１１に示されるようなＧＵＩがユーザに提示されることがある。正確な曲線を描くのに十分な販売者価格低下点がない実施形態に関しては、画面は点なしで始まることがあり、又は既に存在する販売者価格低下点を表示することがある。次いで、一定の所定の間隔で（例えば、出品リストの経過時間２１０が図１１での日数を示す場合には１０日ごと）、点がユーザに提示されることがあり（例えば、図１１での点１１０２及び１１０４）、ユーザは、Ｙ軸で、元の価格から下げても自分が快適に感じられ得るパーセンテージレベルに点を置くことが可能であり得る。例えば、最初に点１１０２がユーザに提示されることがあり、ユーザは、１０日の出品リスト経過時間で元の価格の８０％で販売することに満足である場合、点１１０２をＹ軸に沿って８０％の位置までドラッグすることができる。点１１０２が例えば７０％での既存の販売者価格低下点であり、一方、ユーザが８０％で満足である（そのユーザには７０％が低すぎることを意味する）場合、同様に、ユーザは、点１１０２をＹ軸に沿って８０％の位置までドラッグすることができる。

[0052] このようにして、そのような実施形態では、ユーザは、必要に応じて、所定の間隔で独自の曲線を自由に生成する、又は既存の曲線を調整することができる。これは、傾向によって捉えられない可能性がある現在の緊急性を反映することができるので有益である。例えば、ユーザがもうすぐ結婚する、誰かの死によって破産する、近親者が死亡する、又は他の予期せぬ状況により特定の期日までに緊急にお金が必要になる場合、ユーザにとって快適な実際の曲線は、予測された曲線よりも急になり、負の変化率がより大きくなる傾向があり得る。逆に、家族や好意的な人からの贈与など予期せぬ状況によりユーザが突然収入を得た場合、ユーザは急いで売らなくてもよく、ユーザが快適と感じる曲線は、予測された曲線よりも緩い勾配になり、負の変化率はより低くなる。このようにして、ユーザは自分の個人的な状況を考慮に入れることができ、予測された曲線をガイダンスとして使用し、必要に応じて、適切と思えるようにその曲線を調整することができる。次いで、曲線のタイプに応じて線形回帰、指数回帰、対数回帰、又はそれら３つの組合せを使用して、ユーザによって選択される点間で曲線が補間されることがある（例えば、点が提示される間隔が上述したように１０日ごとである場合、ユーザは、図１１で４つの販売者価格低下点を選択して曲線を定義する）。次いで、この曲線は、以下に述べるように、需要曲線２０２と共に、最適価格若しくは初期提供価格を生成するため、又は初期提供価格を時間と共に調整するために使用される販売者柔軟性曲線３０２を生成することができる。

[0053] いくつかの実施形態では、全てのカテゴリ１５２をカバーする所与の販売者１０４に関する単一の販売者柔軟性曲線３０２が生成されることがある。他の実施形態では、所与の販売者１０４に関して複数の販売者柔軟性曲線３０２が生成されることがあり、各販売者柔軟性曲線３０２がカテゴリ１５２の１つをカバーする。単一の販売者柔軟性曲線３０２は、特定の販売者について、販売のための特定のカテゴリ１５２に関して多くのデータが存在しないときに有用であり得る。さらに、単一の販売者柔軟性曲線３０２は、新製品に関する販売が通常の傾向に従うと予想されるときにも有用であり得る。独特の又は異常な販売パターン（季節性、高級ブランドなど）を有する製品については、特定のカテゴリ１５２の販売者柔軟性曲線３０２が有用であり得る。

[0054] カテゴリ価格減衰曲線２０２及び販売者柔軟性（価格減衰）曲線３０２を生成及び使用するための例示的実施形態は、２０１９年１月２２日出願の「価格減衰曲線に基づく提供の時間的処置（Temporal Disposition Of Offers Based On Decay Curves）」という名称の米国特許出願第１６／２５３，７１９号（代理人整理番号４２２３．００８００００）に提供されており、この特許文献の全体を参照により本明細書に援用し、それらの実施形態の任意のものを本明細書で使用することがある。

出品リストの自動生成と価格設定生成
[0055] 上記のように、販売者１０４は、サイト１１０上に出品リスト１１２を作成して、自分のＦＳＯ１１２を販売することができる。そのような出品リスト１１２の品質は大きく異なることがあり、出品リストを作成するユーザの経験、商品に関してユーザが有する情報（メーカー、モデル、ブランド、状態、サイズ、色、機能など）、ユーザの画像撮影スキル、出品リストの作成時にユーザが急いでいるかどうか、ユーザがこのタイプの商品を販売しようとしたのは今回が初めてかどうかなど、いくつかの因子に依存することがある。また、出品リスト１１２の作成は、多くの販売者１０４にとって直感的な又は簡単な作業ではないことがある。これらの因子は、出品リスト１１２を作成することを多くの販売者１０４に思いとどまらせる可能性があり、そのような販売者１０４のＦＳＯ１０６は、インターネットサイト１１０で売りに出されなくなる。

[0056] したがって、いくつかの実施形態では、インターネットサイト１１０は、出品リスト作成モジュール１３４を含む。販売者１０４からの命令に応答して、出品リスト作成モジュール１３４は、販売者１０４のＦＳＯ１０６を販売するための出品リスト１１２を自動的に作成する。出品リスト作成モジュール１３４は、販売者１０４の特定のＦＳＯ１０６、及び販売者１０４から受け取られた仕様１５４に合わせて出品リスト１１２をカスタマイズすることによって、出品リスト１１２をインテリジェントに作成する。

[0057] 例えば、ある販売者１０４は、自分のＦＳＯ１０６が最終的に売れる販売価格１２２を最大にしたいことがあり、ＦＳＯ１０６が売れるまでにかかる時間は気にしないことがある。そのような販売者１０４は、図１０のＧＵＩ１０００などのＧＵＩでそのような仕様１５４を示すことができる。例えば、ＧＵＩ１０００では、「利益最大化」と「時間最大化（より早く売る）」との間でユーザに提示されるスライダ１０１８があり、販売者１０４は、ＦＳＯが売れるまでにいくらかの時間待つことになる可能性があるという犠牲を払って、利益を最大化したいことを示すことができる。嗜好をスライダ１０１８として示すためのそのような視覚的形態は、販売者１０４が使用するのに直感的で使いやすい機能である。別の販売者１０４は、販売価格１２２が所与の最低価格よりも高いという条件で、自分のＦＳＯ１０６を迅速に売りたい、又は指定された時間枠内で自分のＦＳＯ１０６を売りたいと望むことがある。この場合、逆に、そのような販売者１０４は、スライダ１０１８が「時間最大化」端部に位置するように、ＧＵＩ１０００上でスライダ１０１８を位置させることができる。別の販売者１０４は、自分のＦＳＯ１０６が１つ又は複数の指定された慈善団体のために販売されていることを指定することがある。そのような慈善団体は、例えば、ＧＵＩ１０００に示されているように、「慈善団体Ａ」及び「慈善団体Ｂ」がリストされているドロップダウンボックス１０２２から選択されることがある。ドロップダウンボックスの選択はさらにテキスト編集可能であり得て、ユーザは、自分が選択した慈善団体がまだ存在しない場合に追加のドロップダウンフィールドとして書き込むことができる。ユーザによって行われた選択は記憶され、ユーザアプリケーションから、仕様１５４の入力として出品リスト作成モジュール１３４に送信される。

[0058] 出品リスト作成モジュール１３４（販売者１０４が慈善寄付のためのＦＳＯ１０６の販売を指定したときには、チャリティーモジュール１３６と連携して動作する）は、販売者１０４からこれらの仕様１５４を受け取り、販売者１０４のこれらの仕様に基づいてそれぞれのＦＳＯ１０６に関する出品リスト１１２を自動的に及びインテリジェントに作成する。

[0059] この自動出品リスト１１２作成機能の一部として、出品リスト作成モジュール１３４は、関連する販売者１０４が販売したい特定のＦＳＯ１０６（本明細書では参照目的で提供されるＦＳＯ１０６と呼ぶ）に関する提供価格４０４を自動的に且つインテリジェントに生成するために、価格設定モジュール１３８と共に動作することがある。提供価格４０４を生成するために、価格設定モジュール１３８は、販売者１０４の仕様１５４、提供されるＦＳＯ１０６のカテゴリ１５２に関連付けられるカテゴリ価格減衰曲線２０２、販売者１０４の柔軟性曲線３０２、及び／又は全般的に、若しくは提供されるＦＳＯ１０６と同一又は同様のカテゴリ１５２を有するＦＳＯ１０６に関する過去出品リスト１１６を考慮に入れることができる。

[0060] 例えば、そのような過去出品リスト１１６は、同一又は同様のＦＳＯ１０６が１０ドルの平均価格で売れたことを示すことがある。一実施形態では、価格設定モジュール１３８は、それにより、１０ドルの最適提供価格４０４を提案することがある。又は、代わりに、価格設定モジュール１３８は、提供されるＦＳＯ１０６のカテゴリ１５２に関連付けられたカテゴリ価格減衰曲線２０２、及び／又は販売者１０４の柔軟性曲線３０２を考慮に入れることもできる。

[0061] 例えば、販売者１０４は、出品リストの経過時間の２０日以内に売りたいと思っていることを（仕様１５４を介して）価格設定モジュール１３８に通知することができる。これは、例えば、図１０のＧＵＩ１０００に存在する編集可能なテキストフィールド１０１６及びチェックボックス１０１４を介して行うことができる。例えば、販売者１０４は、テキストフィールド１０１６に「２０日」と書き、ボックス１０１６をチェックして、そのような売切り条件が有効であり、仕様１５４の一部として組み込まれるべきであることを示すことがある。図２に示される例示的なカテゴリ価格減衰曲線２０２が、提供されるＦＳＯ１０６のカテゴリ１５２に適用されることが仮定される。図２の例では、８０％の価格減衰点２０８Ｂが出品リスト経過時間２１０＝２０日に最も近い。したがって、価格設定モジュール１３８は、この価格減衰点２０８Ｂ（すなわち８０％）を最適価格に事前に適用し、それによって８ドル（すなわち０．８×１０ドル）の提供価格４０４を提案することがある。以下で説明されるように、追加又は代替として、販売者１０４に関連付けられる販売者柔軟性曲線３０４を、提供価格４０４を生成するために同様に適用することができる。

[0062] さらに、一実施形態では、価格が販売者に提案されるとき、関連する需要曲線による予測も示すことができる。すなわち、図１１での販売者柔軟性曲線と同様に、いくつかの価格及び需要曲線が示されることがある。このようにして、販売者１０４に様々なオプションを与えるために、上記の例における最適価格１０ドルに関する需要曲線だけでなく、他の価格も示すことができ、異なる需要曲線がこれらの異なる価格に対応する。そのような実施形態では、過去出品リスト１１６に基づく図２の需要曲線２０２は、１０ドルの最適価格に対応するものとして示されることがあり、点２０８Ｂは、需要曲線２０２での８ドルの提案された提供価格に対応するものとして示される。

[0063] しかし、追加の需要曲線を示すこともでき、急な勾配の曲線は、最適価格よりも高い価格に対応し、緩い勾配の曲線は、最適価格よりも低い価格に対応する。例えば、上記の例で、ＦＳＯ１０６の価格が８ドルではなく４０ドルである場合、過去出品リスト１１６に基づいて、２０日で製品を売るための変化率は、２０２での曲線の場合のような１０ドルよりもはるかに急である必要がある。その結果、４０ドルの初期価格のオプションと共により急な曲線が示され、２０日までに製品を売るために、過去出品リスト１１６の価格低下の傾向に合致させるようにどれほど価格を下落させる必要があるかをユーザに示す。同様に、ＦＳＯ１０６の価格が９ドルだった場合、２０日で製品を販売するための変更率は、過去出品リスト１１６に基づいて、元の最適価格１０ドルの場合よりもはるかに小さくなる。その結果、ユーザは、自分により適したオプションを決定することができる。さらに、一実施形態では、ユーザは、自分自身の提供価格を入力することができ（図１０でのＧＵＩ１０００のフィールド１００４）、最適提供価格の曲線２０２（上述したように、より急な勾配又はより緩い勾配である）に対する対応する需要曲線は、図１１のＧＵＩと同様のＧＵＩで示されることがある。このようにして、販売者１０４は、提案された提供価格を拒否し、代わりにより高い又はより低い初期提供価格を使用したい場合、価格減衰曲線２０２からどれだけ離れているかを自分で確認することができる。

[0064] いくつかの実施形態では、出品リスト作成モジュール１３４は、サイト１１０でのＦＳＯ１０６の販売可能性を高めるために、ＦＳＯ１０６に関する複数の出品リスト１１２を自動的に作成することがある。これは、ＦＳＯ１０６の販売の並列化と呼ばれ、以下でさらに述べる。

スマートナッジエンジン及びＺＯＰＡ
[0065] 上述したように動作することによって、価格設定モジュール１３８は、販売者１０４によって提供された仕様１５４、及び提供されるＦＳＯ１０６の特性に基づいて最適価格である提供価格を自動的に生成することができる。しかし、販売者１０４は、価格設定モジュール１３８によって生成された最適価格よりも高い初期提供価格４０４を最終的に選択してもよい。この場合、いくつかの実施形態では、出品リスト作成モジュール１３４は、（価格設定モジュール１３８によって生成された最適価格ではなく）販売者１０４によって提供された初期提供価格４０４を使用して、サイト１００に出品リスト１１０を掲載する。

[0066] このシナリオは図５の例に示され、ここで、販売者１０４の初期提供価格４０４（図５では元の価格５０４として示されている）は、価格設定モジュール１３８によって自動的に生成された最適価格５０６よりも高い。多くの場合、この価格差のために、提供されるＦＳＯ１０６がすぐに売れない、若しくは全く売れない、又は販売者１０４によって提供された仕様１５４（指定された期間内に売るなど）の範囲内で売れない可能性がある（その可能性が高い）。したがって、サイトは、販売者１０４が、時間と共に、提供されるＦＳＯ１０６の提供価格４０４をインテリジェントに下げるのを助けるスマートナッジエンジン１４０を含む。言い換えると、スマートナッジエンジン１４０は、合意可能範囲（ＺＯＰＡ）５０８内にある価格４０４を提供するために、時間と共に販売者１０４を「誘導（nudge）」するように動作する。

[0067] 図５の例に示されるように、ＺＯＰＡ５０８は、販売者１０４と購入者１０８が、提供されるＦＳＯ１０６の価格について合意することができる価格範囲である。スマートナッジエンジン１４０は、販売者１０４の柔軟性曲線３０２及び／又は適用可能なカテゴリ価格減衰曲線２０２に基づいて、所与の販売者１０４及びＦＳＯ１０６のカテゴリ１５２についてＺＯＰＡ５０８を生成することができる。具体的には、上で論じたように、カテゴリ価格減衰曲線２０２は、所与のカテゴリ１５２に関して、販売者１０４と購入者１０８が様々な出品リスト経過時間２１０で合意に達することができた元の提供価格からの割引パーセンテージを示す。販売者柔軟性曲線３０２は、所与の販売者１０４について、その販売者１０４が様々な出品リスト経過時間２１０で厭わなかった元の提供価格からの割引パーセンテージを示す。スマートナッジエンジン１４０は、これらの曲線２０２、３０４を（個別に又は組み合わせて）使用して、様々な出品リスト経過時間２１０で、販売者１０４及び提供されるＦＳＯ１０６のカテゴリ１５２に関するＺＯＰＡ５０８を生成することができる。

[0068] 例えば、図２の例示的なカテゴリ価格減衰曲線２０２は、提供されるＦＳＯ１０６のカテゴリ１５２について、販売者１０４と購入者１０８が、出品リスト経過時間２１０＝１５日で元の提供価格の８０％で合意に達することができたことを示す。また、図３の例示的な販売者柔軟性曲線３０２は、出品リスト経過時間２１０＝１５日で、提供されるＦＳＯ１０６に関連付けられる販売者１０４が、元の提供価格の約７０％に提供価格を下落させることを厭わないことが多いことを示す。したがって、この例では、スマートナッジエンジン１４０は、最適価格５０６から販売者１０４の元の価格５０４の７０％～８０％の間のどこかまでの範囲内にある、出品リスト経過時間２１０＝１５でのＺＯＰＡ５０８Ｂを生成することができる。一実施形態では、カテゴリ価格減衰曲線２０２及び販売者柔軟性曲線３０２上で同じ出品リスト経過時間に対応する平均割引パーセンテージが使用されることがある。この場合、平均は７５％になる。

[0069] 一実施形態では、ＺＯＰＡの上限範囲は、価格推定モデルの予測範囲に基づいて設定されることがあり、これについては３つの全体的なパラダイムに従って以下で述べる。これら３つのパラダイムのいずれか、又はこれらのパラダイムの任意の組合せを使用して、使用すべきＺＯＰＡの上限範囲を生成することができる。

[0070] 代替として、ＺＯＰＡの上限範囲は、特定のカテゴリ１５２に関する出品リスト１１６の平均価格に基づいて設定されることもあり、出品リスト１１６のそのような平均価格は、上述した曲線２０２など平均価格下落曲線に従って時間と共に調整されることがある。さらなる実施形態では、ブランドとカテゴリの各対に関して、そのようなそれぞれのブランドとカテゴリにおいて十分なデータを提供する所定数を超える過去出品リスト１１６がある場合、そのような平均価格及び価格下落曲線が生成されることがある。例えば、特定のメーカーの製品（ブランドＡのバッグ）の所定数を超える過去の販売があった場合、ブランドＡのバッグの全ての出品リスト１１６の平均価格が、ＺＯＰＡに関する開始上限として使用されることがあり、この価格は、最適提供価格５０６に到達するために、平均価格下落曲線に従って調整されることがある。

[0071] ＺＯＰＡ５０８は、サイト１１０でのＺＯＰＡデータベース１３２に記憶されることがある（図５でのＺＯＰＡ５０８は、例示の目的でのみ提供されており、必ずしも一律の縮尺で描かれているわけではないことに留意されたい）。

[0072] 上述した最初の例では、出品リスト経過時間２１０＝１５が近づくと、スマートナッジエンジン１４０は、この出品リスト経過時間２１０で適用可能なＺＯＰＡ５０８Ｂ内に提供価格４０４を下げるように（例えば電子メール又はテキストを介して）販売者１０４に促すことがある。或いは、販売者１０４は、それぞれの出品リスト経過時間２１０に適用可能なＺＯＰＡ５０８の範囲内になるように、提供価格４０４を自動的に調整するようにスマートナッジエンジン１４０に指示することができる。

[0073] 上記のように、出品リスト作成モジュール１３４は、提供されるＦＳＯ１０６について複数の出品リスト１１２を自動的に作成することがある。いくつかの実施形態では、出品リスト作成モジュール１３４は、これらの出品リスト１１２に関して異なる提供価格４０４を有する。例えば、出品リスト１１２の１つに対する提供価格４０４は、販売者１０４の元の価格５０４でよく、別のものは最適価格５０６により近い（しかし、販売者１０４が仕様１５４の一部として提供した最低価格に少なくとも等しい）ことがある。スマートナッジエンジン１４０は、出品リスト１１２の出品リスト経過時間２１０が時間と共に進むにつれて、これらの提供価格４０４を適用可能なＺＯＰＡ５０８内に（それらがまだＺＯＰＡ５０８に入っていない限り）調整することができる。

[0074] さらに、以下で説明されるように、一実施形態では、出品リストの経過時間が増加するにつれて最適価格５０６の監視が定期的に行われる。その結果、最適な価格５０６自体が、時間と共に変化することがある。例えば、図５に示される一定の最適価格軸５０６ではなく、ＺＯＰＡ５０８Ｂ及び５０８Ｃに関する最適価格はそれぞれ、ＺＯＰＡ５０８Ａでの最適価格とは異なることがある。最適価格の人工知能評価に関連付けられる因子は、時間と共に評価されてよく、又は代替として統計的手法が取られてもよく、最適価格５０６の値は、出品リスト２１０の経過時間が増加するにつれて時間と共にシフトすることがある。両方の手法を、図６のフローチャートに関して以下に述べる。

[0075] 最適価格５０６の値がシフトされる実施形態では、さらなる実施形態において、販売者が最適価格５０６に到達するのを助けるために積極的な手法が取られることがある。ＺＯＰＡ５０８Ｂに関して一例を述べる。例えば、一実施形態では、ＺＯＰＡ５０８Ｂにおいて出品リストの経過時間に関して１５日に達したときの最適価格は、ＺＯＰＡ５０８Ａにおける５日での最適価格５０６よりも低いことがある。最適価格は、所定の日数（例えば５日）の期間で定期的に評価されることがある。この場合、ＺＯＰＡ５０８Ｂの期間（出品リスト後１５日）から最適価格５０６の次の評価（５日の期間の上記の例を使用すると、出品後２０日）まで、スマートナッジエンジン１４０は、図５に示されるように、ＺＯＰＡ５０８Ｂ全体を４つの間隔（Ｐ１－Ｐ２、Ｐ２－Ｐ３、Ｐ３－Ｐ４、及びＰ４－Ｐ５）及び５つの値Ｐ１～Ｐ５に分割することができる。

[0076] 第１の値Ｐ１は、需要曲線２０２と販売者柔軟性曲線３０２との間の既に計算された補間に対応することがあり、これは、ＺＯＰＡ５０８Ｂに関する上記の例では約７５％である。最後の値Ｐ５は、１５日に関する調整された最適価格５０６であり、上述したように、５日での最適価格とは異なることがある。したがって、第２、第３、及び第４の値（Ｐ２～Ｐ４）は、最初の値と最後の値との間で、最初の値から最後の値までの間隔の１／４、１／２、及び３／４で計算される（間隔は、図５では一律の縮尺で描かれていない）。

[0077] したがって、出品リストの１５日から５日間隔で、２０日での次の最適価格の評価５０６まで、Ｐ２、Ｐ３、Ｐ４、及びＰ５のこれらの値は、それぞれ１６、１７、１８、及び１９日にユーザに提案されることがある。このようにして、提供価格を下げることをユーザが奨励される手法が取られることがあり、時間と利益の両方の観点からユーザにとって最も有益となる最適価格５０６も提案される。

[0078] しかし、いくつかの実施形態では、ユーザに提案される間隔が変更されることがある。各最適価格５０６評価期間（例えば１５日、２０日、２５日など）において、販売者の元の価格は、各それぞれの評価期間に対応する出品リストの経過時間で、販売者の柔軟性曲線のぶんだけ差し引かれることがある（例えば、販売者の元の価格から、ＺＯＰＡ５０８Ｂでの評価期間に関して１５日での販売者の柔軟性曲線の値が差し引かれ、販売者の元の価格から、次の評価期間に関して２０日での販売者の柔軟性曲線の値が差し引かれる）。

[0079] 各評価期間で、新たに評価された最適価格５０６を差し引いたこの数値が特定の閾値を超える場合、これは、販売者の期待が最適値からかけ離れていることを示すことがあり、したがって、価格の大幅な変更が提案された場合に販売者が拒否する可能性がある。したがって、そのような場合には、１６日及び１７日にＰ２が提案されることがあり、１８日及び１９日にＰ３が提案されることがある。このようにして、スマートナッジエンジン１４０は、販売者の個々の柔軟性を仮定して、販売者にとって好ましい変更のみを提案するように調整することができる。

[0080] 図６は、いくつかの実施形態による、コンピュータ技術を使用して価格設定ガイダンスを提供し、ＦＳＯ１０６を販売するための出品リスト１１２をインテリジェントに作成及び処理するための方法６０２に関するフローチャートである。方法６０２は、ハードウェア（例えば、回路構成、専用論理、プログラマブル論理、マイクロコードなど）、ソフトウェア（例えば、処理デバイスで実行される命令）、又はそれらの組合せを含むことができる処理論理によって実施することができる。本明細書で提供される本開示を実施するために全てのステップが必要とされるわけではないことを理解されたい。さらに、当業者には理解されるように、ステップのうちのいくつかは、同時に、又は図６に示される順序とは異なる順序で実施されてもよい。方法６０２について図１～５を参照して述べる。しかし、方法６０２は、それらの例示的実施形態に限定されない。

[0081] ６０４で、販売者１０４は、ＦＳＯ１０６（参照目的で提供されるＦＳＯ１０６と呼ぶ）に関する情報をサイト１１０に提供する。情報は、提供されるＦＳＯ１０６に関して、タイトル、製品のカテゴリ、ブランド、メーカー、モデル、状態、色、サイズ、画像、説明などを含むことがある。ステップ６０４で、販売者１０４はまた、初期提供価格（図１０のＧＵＩ１０００でのフィールド１００４に対応する）、最低販売価格、所望の販売窓（すなわち、販売者１０４がＦＳＯ１０６をそれまでに売りたい期日。ＧＵＩ１０００でのフィールド１０１６に対応する）など、販売に関する仕様１５４を提供することもできる。

[0082] ６０６で、販売者１０４はまた、自動出品リスト作成オプションを選択して、提供されるＦＳＯ１０６に関する出品リスト１１２を自動的に作成するようサイト１１０に指示する。販売者１０４は、（例えば、図１０のＧＵＩ１０００に示されるように、一実施形態ではドロップダウンボックス１０２２から慈善団体を選択することによって）ＦＳＯ１０６がチャリティーのために販売されていることを示し、販売収益を受け取る１つ又は複数の慈善団体を識別することがある。慈善団体１３６モジュールでのウェブサイト１１０は、ドロップダウンボックス１０２２に示されるそれぞれの慈善団体の集金活動日をこのモジュールに記憶していることがある。したがって、例えば、ユーザが、所定の閾値日数以内（例えば５０日以内）に間もなく来る集金活動日を有することがある慈善団体を選択した場合、価格設定モジュール１３８は、チェックすべき売切り窓を示すためのチェックボックス１０１４を自動的に事前選択することがある。

[0083] さらに、価格設定モジュール１３８は、編集可能フィールド１０１６に、次の収集活動日までの日数（上記の例では５０日）を、「（次のチャリティー集金活動までに）」という理由の説明と共に記入することができ、それにより、販売者１０４は、ＧＵＩ１０００を見たときに、チェックボックス１０１４が既にチェックされている理由を直感的に知ることができる。このようにして、自分のＦＳＯ１０６ができるだけ早く慈善団体に利益をもたらすことができるようにユーザが効率的に販売しようとするのを助けることができる。ドロップダウンリスト１０２２でのリストされた慈善団体の集金活動日などの情報は、例えば外部データベースから、インターネットから、若しくは自律的に得られることがあり、又は販売者１０４がＧＵＩ１０００に手動で入力してもよい。

[0084] ６０８で、出品リスト作成モジュール１３４は、提供されるＦＳＯ１０６の製品カテゴリ１５２（在庫保管ユニット、又はＳＫＵなど）を決定する。出品リスト作成モジュール１３４は、６０４で販売者１０４がカテゴリを提供したとしても、これを行うことがある（販売者１０４が正しいカテゴリを提供しなかった可能性があるため）。製品カテゴリ１５２は、製品の販売が季節性又は腐敗性であり得るかどうかを判断するために、上で開示した価格履歴１２４の一部として製品が売れた時を含む過去出品リスト１１６に基づいて分析されることがある。

[0085] 例えば、厚手のジャケットは、大半が冬季（シーズン中）に売れることがあり、夏季（オフシーズン）にはこれらのジャケットは少数しか売れないことがある。そのようなカテゴリ１５２の商品がシーズン中に売りに出される場合、利益を最大化するためには、シーズン期間が終わる前に売るべきである。したがって、例えば、特定のシーズン又は時期内にカテゴリ１５２の過去出品リスト１１６の閾値パーセンテージを超えて売れた場合、出品リスト１１２に関連付けられた季節性ブール変数は真としてマークされることがある。

[0086] そのような場合、同じカテゴリ１５２での過去出品リスト１１６の日付に基づいて、そのようなシーズン又は時期の終わりが集計されることがある。次いで、この日付がＧＵＩ１０００のフィールド１０１６に記入されることがあり、売切り条件を示すためにチェックボックス１０１４がチェックされることがある。例えば、厚手のジャケットの上記の例では、「（シーズンが終わる前に）」という説明と共に、春までの日数が編集可能なフィールド１０１６に書き込まれることがあり、それにより、なぜ売切り条件が事前に記入されているのかが販売者１０４に直感的に分かる。

[0087] さらなる例は、食品や、保存可能期間の限られた商品などであり得る。これらの商品の場合、販売は季節性のものではなく、同じカテゴリ１５２での過去出品リスト１１６の価格履歴１２４を調べるときに、初期提供価格から販売日までの日数が分析されることがある。この計算における日数が、平均した他のカテゴリ１５２に関する日数よりも特定の閾値だけ小さい場合、腐敗性の又は保存可能期間の限られた商品であるという決定が成されることがある。さらに、そのような特性は、例えば出品リスト１１２に関連付けられる腐敗性ブール変数を真とマークすることによって事前入力されることもあり、そのようなブール変数は、カテゴリ１５２全体（非ベジタリアン食品など）に関して真であり得る。

[0088] そのような場合、同じカテゴリ１５２内の過去出品リスト１１６について、初期提供価格から販売日までの日数が平均で計算されることがあり、そのような計算された数値を使用した売切り条件がＧＵＩ１０００に事前に記入されることがある。例えば、編集可能なテキストフィールド１０１６は、この計算された数値を、「（製品の保存可能期間が切れる前に）」という説明と共に含むことがあり、ボックス１０１４がチェックされる。このようにして、商品の腐敗性を考慮に入れるために売切り条件についてボックスがチェックされていることが販売者１０４に直感的に分かる。

[0089] 出品リスト作成モジュール１３４は、６０４で提供された情報を分析することによって、提供されるＦＳＯ１０６のカテゴリ１５２を決定することがある。例えば、出品リスト作成モジュール１３４は、画像認識技法、アルゴリズム、方法、モジュール、コンポーネント、ソフトウェア、及び／又は他の技術を使用して画像を分析し、提供されるＦＳＯ１０６のカテゴリ１５２を識別することができる。ＦＳＯ１０６のカテゴリ１５２を自動的に識別するための例示的実施形態は、２０１９年２月２８日出願の「確率的商品マッチング及び検索（Probabilistic Item Matching And Searching）」という名称の米国特許出願第１６／２８８，３７９号（代理人整理番号４２２３．００１０００１）に提供されており、この特許文献の全体を参照により本明細書に援用し、それらの実施形態の任意のものを、ＦＳＯ１０６のカテゴリ１５２を自動的に決定するために本明細書で使用することがある。

[0090] ６１０で、価格設定モジュール１３８が、提供されるＦＳＯ１０６に関する最適提供価格５０６を生成する。上で論じたように、最適価格５０６を生成するために、価格設定モジュール１３８は、販売者１０４の仕様１５４、提供されるＦＳＯ１０６のカテゴリ１５２に関連付けられるカテゴリ価格減衰曲線２０２、販売者１０４の柔軟性曲線３０２、及び／又は提供されるＦＳＯ１０６と同一又は同様のカテゴリ１５２を有するＦＳＯ１０６に関する過去出品リスト１１６を考慮に入れることができる。価格設定モジュール１３８は、人工知能技法、アルゴリズム、方法、モジュール、コンポーネント、ソフトウェア、及び／又は他の技術を使用して、タイトル４０２、説明４０６、カテゴリ４０８、ブランド４１２、状態４１４、画像４１０などの任意のものを含むＦＳＯの出品リスト情報を分析し、提供されるＦＳＯ１０６の最適提供価格５０６を識別することがある（出品リスト作成モジュール１３４は、以下で述べるステップ６１２で生成される出品リストの少なくとも１つに関する提供価格４０４とするために最適提供価格５０６を販売者１０４に提案することがある）。

[0091] ステップ６１０に関するそのような処理の一例が、（例えば上述したＧＵＩ１０００を介して）販売者によって指定された売切り条件に関して、図７のフローチャート７０２に示されている。７０４で、価格設定モジュール１３８は、提供されるＦＳＯ１０６と同一又は同様のＳＫＵ、カテゴリ１５２、ブランド、状態、又は図４での出品リスト情報パラメータの任意のもの、又は以下に述べるような集計されたパラメータの任意のものを有するＦＳＯ１０６の履歴データベース１１４から過去出品リスト１１６を識別する。

[0092] ７０６で、それらの識別された過去出品リスト１１６からの取引情報１１８がアクセスされて取り出される。

[0093] ７０８で、価格設定モジュール１３８は、（１）取り出された取引情報１１８、（２）提供されるＦＳＯ１０６のカテゴリ１５２に関連付けられるカテゴリ価格減衰曲線２０２、（３）販売者１０４に関連付けられる販売者柔軟性曲線３０２、及び／又は（４）人工知能技法を使用して、最適提供価格５０６及び関連する価格範囲を生成する。

[0094] これらについて、本明細書では３つの例示的な包括的パラダイムに関して述べる。第１に、ＦＳＯ１０６と同じＳＫＵを有する過去出品リストが識別されることがある。相当数のそのような過去出品リスト１１６が存在する場合、これらは、カテゴリ内でさえ、焦点を絞ったデータセットの傾向を捉えることができる。例えば、厚手のジャケットのカテゴリでは、ベストは、通常の厚手のジャケットとは異なる販売特性を有することがある。そのようなベストは共通のＳＫＵを有することがあるので、それらの取引情報１１８をまとめて分析して、任意のそのような傾向を捉えることができる。

[0095] 同じＳＫＵを有するこれらの過去出品リスト１１６に関して、ボックス１０１４がＧＵＩでチェックされている場合、これらの出品リストはまず、任意選択で、ＧＵＩ１０００から入力されたフィールド１０１６に基づいて絞り込まれることがある。例えば、フィールド１０１６が０日の値を有する場合、これは、ユーザが製品をすぐに売りたいことを示すことがある。この場合、ＦＳＯ１０６と同じＳＫＵを有する過去出品リスト１１６は、初期提供価格の日付に近い（所定の日数以内、例えば５日以内の）販売日を有する出品リストを除いて除外されることがある。このようにして、データセットは、フィールド１０１６を介する販売者１０４の要求に高度に対応する所望の時間窓を有するサンプルに限定される。別の例では、フィールド１０１６が２０日の値を有する場合、これは、ユーザが２０日以内に製品を売りたいことを示す。したがって、ＦＳＯ１０６と同じＳＫＵを有する過去出品リスト１１６は、２０日の前後の所定の日数（例えば３日）にある販売日を有する（すなわち、販売日が初期提供価格から１７日～２３日である）出品リストを除いて、除外されることがある。

[0096] 代替として、フィールド１０１６による売切り条件が２０日である例では、上で行われたように出品リストを除外する代わりに、ＦＳＯ１０６と同じＳＫＵを有する以前の出品リスト１１６が、初期最適価格を生成するとみなされることがある。次いで、この初期最適価格は、以前に生成された需要曲線２０２又は販売者柔軟性曲線３０２によって変更されることがあり、販売者１０４の売切り条件を考慮して、調整された最適提供価格を生成する。一実施形態では、生成された需要曲線２０２は、ＦＳＯ１０６と同じＳＫＵを有する同じカテゴリ１５２内の以前の出品リスト１１６のみを考慮するように変更されることがある。

[0097] 同じＳＫＵを有する過去の出品リスト１１６（上述した任意の除外を含む）が考慮に入れられると、そのようなデータ（例えば、そのような過去出品リスト１１６の販売価格）に対して中央値及び四分位範囲分析が実行されることがあり、販売価格に関して販売の中間５０％を捉える。次いで、これらの値の中央価格値が、四分位範囲を価格範囲として、最適な価格として報告されることがある。代替として、特に歪んだ分布の場合、第１四分位～第３四分位での出品リストの平均販売価格（販売の中央５０％）が平均化されることがあり、この平均値が、価格範囲としての四分位範囲と共に、最適提供価格として報告されることがある。例えば、上で説明したように、取り出された取引情報１１８は、同じＳＫＵを有するＦＳＯ１０６が、第１四分位～第３四分位で平均価格１０ドル（販売の中央５０％）で売れたことを示すことがある。それにより、価格設定モジュール１３８は、それぞれの四分位範囲と共に、１０ドルの提供価格４０４を提案することがある。この場合、四分位範囲は、有用な変動性尺度として働く。

[0098] 販売者１０４の売切り条件を考慮して、生成された需要曲線２０２又は販売者柔軟性曲線３０２に従って初期最適提供価格が調整される上記の代替実施形態では、中央値／平均価格値を調整するさらなるステップが行われる。販売者１０４の売切り条件が２０日である上記の例では、需要曲線２０２及び販売者柔軟性曲線３０２を使用して、元の価格からのパーセンテージが２０日目に集計される。

[0099] 販売者柔軟性曲線の価格パーセンテージ値が２０日での需要曲線よりも低い場合、需要曲線の値を使用することができる（販売者は需要曲線ベースの価格よりも価格を下げる必要がないため）。例えば、需要曲線２０２が、カテゴリ１５２内の（及び場合により、上述した需要曲線２０２の実施形態によるものと同じＳＫＵを有する）以前の出品リストの同様の販売が２０日に７０％で成立したことを示し、販売者柔軟性曲線が、販売者が６０％まで下げることを承諾したことを示した場合、販売者は６０％まで下げる必要がないため、需要曲線の値を使用することができる。

[0100] この場合、（上記の中央値／平均値として計算される）初期最適価格の７０％の値が、調整された最適提供価格として出力されることがあり、同じ四分位範囲が与えられるが、これも初期最適価格の３０％だけシフトされる。すなわち、四分位範囲が当初（８ドル，１２ドル）であり、初期最適価格が１０ドルであり、初期最適価格が１０ドル－３ドル＝７ドルに調整された場合、同様に四分位範囲は（８ドル－３ドル，１２ドル－３ドル）、すなわち（５ドル，９ドル）にシフトされる。

[0101] しかし、売切り期日（例えば２０日）に関して販売者柔軟性曲線が需要曲線よりも高い場合、これは、以前に分析された出品リスト１１６に関する、１０１６での入力としての売切り期日までに交渉成立させるために市場の需要が求めるほどには販売者が柔軟ではないことを意味する。したがって、そのような場合、販売者柔軟性曲線と需要曲線との値が平均化されることがある。

[0102] これは、ＦＳＯ１０６が望みどおりに特定の期日までに売れることを保証するために、元の価格に対してより低いパーセンテージで販売しなければならないという現実と販売者の柔軟性のなさを橋渡しする「中間打ち合わせ（meeting in the middle）」手法を生み出す。このようにすると、需要曲線が要求する価格まで価格をシフトするよりも、販売者がそのような変更に合意し得る可能性がより高い（例えば、上記の場合、２０日での販売者曲線３０２が初期最適価格の８０％に対応し、需要曲線２０２が７０％に対応する場合、需要曲線に従った７０％の要件よりも、平均の７５％のほうが販売者が承諾しやすい）。

[0103] 上記の例と同様に、初期最適価格は、そのような平均化された量のパーセンテージによって調整されて、調整された最適提供価格として出力されることがあり（例えば７５％）、四分位範囲も上述したのと同じ量だけ同様にシフトされる。

[0104] 一実施形態では、中央値／平均（ｍｅｄ＿ａとして示される）及び四分位範囲（ｍｉｎ＿ａ、ｍａｘ＿ａとして示され、第１及び第３四分位値に対応する）の計算に加えて、中央値又は平均及びそのような四分位範囲に関する信頼閾値（ｃｔ＿ａとして示される）が計算されることもある。そのような信頼閾値は、ＦＳＯ１０６と同じＳＫＵを有することが判明している過去出品リスト１１６の数、及び最小数の商品を取得するための時間窓に依存し得る。このようにして、より最近のデータを収集することに対してより重点を置くことができ、より最近のデータが収集されると、これは、作成すべき現在の出品リストでそのような数値が複製可能であり得る信頼性をより高める。直感的に、市場の変化により、昔の販売データが現在には当てはまらない可能性があるので、これは理にかなっている。

[0105] 第２の包括的パラダイムは、第１の包括的パラダイムと同様であるが、同じＳＫＵの過去出品リスト１１６のみを分析するのではなく、同じカテゴリ１５２、ブランド４１２、及び／又は状態４１４の同様の過去出品リスト１１６も分析される。売切り条件は、第１の包括的なパラダイムと同様に分析されることがある。したがって、第２の包括的なパラダイムの使用は、初期最適提供価格を決定する際に分析することができる過去出品リスト１１６の範囲を拡大する。同じＳＫＵを有する過去出品リスト１１６はあまり多くないことがあるが、状態、ブランド、又はカテゴリ１５２に関して類似する出品リストがかなりある場合に、そのようなパラダイムは有用である。

[0106] 第１の包括的パラダイムと同様に、以前の出品リスト１１６が識別されると、中央値及び四分位範囲分析が実行され、以前の出品リスト１１６が除外されるか否かに応じて、生成された需要曲線２０２及び販売者柔軟性曲線３０２を使用して、売切り条件（例えば上述した２０日）に対応するように初期最適価格を調整することができる。

[0107] このプロセスは、第１の包括的なパラダイムと同様に、中央値又は平均（又は調整された中央値／平均）（ｍｅｄ＿ｂとして示される）の提案された最適価格、及び四分位範囲（ｍｉｎ＿ｂ、ｍａｘ＿ｂとして示され、第１及び第３四分位に対応する）を生成する。最後に、第１の包括的パラダイムと同様に、見つかった同様の以前の出品リスト１１６の数、識別されたそれらの商品の類似性の度合い、及び最小数の同様の商品を得るための時間窓に依存することがある信頼閾値（ｃｔ＿ｂとして示される）が生成されることがある。

[0108] 本明細書において、最適提供価格を生成するための第３の包括的パラダイムを述べる。第３のパラダイムの順次動作は、図１２の例示的実施形態１２００で示されている。まず、このシーケンスの動作を、ニューラルネットワークタイプの回帰モデルに関して述べるが、同様のステップがランダムフォレスト回帰モデル及びブースティング決定木回帰モデルのどちらにも適用されることを理解されたい。

[0109] まず、フローダイアグラム１２００に示されるように、出品リスト記述４０５、出品リストタイトル４０２、出品リストカテゴリ名４０８、及び出品リストブランド名４１２の任意の組合せを含むテキストデータ１２０２が販売者１０４からの入力として得られる。これらの入力は全てテキスト入力とみなされる。

[0110] １２０２でのテキスト入力からの入力を、ブロック１２１２に存在する回帰モデルのいずれかによって使用可能な形式に変換するために、１２０２でのテキスト入力をトークン化しなければならない。このようにテキスト入力をトークン化するために、ブロック１２０８に示されるように、用語頻度－逆文書頻度（Ｔｆ－ｉｄｆ）、Ｂａｇ－ｏｆ－ｗｏｒｄｓ、及びｗｏｒｄ２ｖｅｃなどのアルゴリズムが使用されることがあり、１２０２から１２０８への矢印は、テキスト入力がそのようなアルゴリズムへの入力として供給され、トークン化された出力をもたらすステップを示す。すなわち、そのようなアルゴリズムをテキスト入力データ１２０２に適用することによって、そのようなデータ入力は、回帰モデルに有用であり得る数値出力をもたらす。元のテキスト形式では、そのような入力は回帰モデルによって使用不可能である。

[0111] 一実施形態では、図１３Ａに示されるように隠れ層及び逆伝播を有するニューラルネットワークモデルをトークン化ステップで使用して、テキスト入力をトークン化された入力に変換することができる。この場合の入力は、説明４０５、出品リストタイトル４０２、出品リストカテゴリ名４０８、及び出品リストブランド名４１２の形式でのテキストキーワードであり、これらの入力はそれぞれ、独自の指定されたモデルを有することがある。そのような分類技法を使用することによって、重みを有するノードのシステムを作成することが可能であり得る。重み付きのノードのこのシステムを使用して、ユーザの入力に対する数値スコアの高信頼性の予測を与えることができる。

[0112] 本明細書において、いくつかの実施形態に従って、図５Ｂに示されるニューラルネットワークモデルの様々な構成要素について説明する。入力層１３０２ａは、モデルへの入力を表すノード１～ｉを含む。これらの各ノードは、入力された文字列の様々な側面に対応する。特に、４０５、４０２などで入力された文字列値は、まず単語にトークン化され、トークン化された単語がステミングされる。

[0113] 訓練データを使用することができ（以前の説明４０５や出品リストタイトル４０２などから）、文字列値の完全な文を変換することができる。そのような変換は、各単語のトークン化や語幹の作成などを行う。十分な訓練データが使用された後、語幹の集合ライブラリが存在することがあり、語幹のうちのいくつかは、ただ１つのタイプのブランド、特定のカテゴリの製品タイトル、特定のカテゴリの出品リストタイトル、又は特定のカテゴリの説明に関連付けられる。

[0114] 例えば、説明が特定のデザイナーハンドバッグのブランドに関係付けられる場合、そのようなカテゴリにのみ存在する独特な語幹を含むことがある。したがって、多重度や、複数のカテゴリにわたる出現などに応じて、単語の重みは異なることがあり、４０２、４０５、４０８、又は４１２の入力文字列が解析されるとき、１つの入力ノードがそのような文字列の各単語に対応し得る。次に、これらのノードを、過去の説明４０５、出品リストタイトル４０２、出品リストカテゴリ名４０８、又は出品リストブランド名４１２に関連付けられた語幹のライブラリと比較することができる。

[0115] 例えば、Ugg Bootsがオーストラリアを本拠とする企業である場合、語幹「Ａｕｓ」が、靴又はブーツのカテゴリ４０８に関連付けられた語幹配列のライブラリ内にあり得る。したがって、ユーザが説明４０６での入力文字列として「Ｗｅａｒａｂｌｅ ｃｏｎｔｒａｐｔｉｏｎ ｆｒｏｍ Ａｕｓｔｒａｌｉａ（オーストラリア発のウェアラブルな新工夫）」と入力すると、説明４０６を処理するためのニューラルネットワークモデルに関する入力層１３０２ａのノード１は語幹「Ｗｅａｒ」を表すことがあり、ノード２は「ｃｏｎｔｒａｐｔｉｏｎ」を表すことがあり、ノード３は「ｆｒｏｍ」を表すことがあり、ノード４は語幹「Ａｕｓ」を表すことがある。次いで、これらのノードが訓練ライブラリ（「ｂａｇ ｏｆ ｗｏｒｄｓ」と呼ばれる）からの語幹と比較されることがあり、ここで、ノード１～３がｂａｇ ｏｆ ｗｏｒｄｓ内のどの語幹とも一致しない場合、それらのノードに値０が割り当てられることがあり、ノード４がｂａｇ ｏｆ ｗｏｒｄｓ内の語幹と一致する（この例では、Ugg Bootsの以前の出品リストに関する上記の「Ａｕｓ」と一致する）場合、そのノードに値１を割り当てられることがある。

[0116] 実際には、入力は解析され、一連の０及び１に相関され、１は、ｂａｇ ｏｆ ｗｏｒｄｓ内にある単語に対応する。タイトル４０２、説明４０６、カテゴリ４０８、及びブランド４１２について、前の出品リスト１１２からの語幹を解析することによって、ｂａｇ ｏｆ ｗｏｒｄｓを組み立てることができる。一実施形態では、ｂａｇ ｏｆ ｗｏｒｄｓは、類似していると考えられるカテゴリ４０８内の以前の出品リストに関するものであり得る。上記の例では、ｂａｇ ｏｆ ｗｏｒｄｓは、ｂａｇ ｏｆ ｗｏｒｄｓを形成するために履物（靴、ブーツ、運動靴など）のカテゴリにおける以前の全ての出品リスト１１２を考慮に入れることがある。代替として、全てのカテゴリ４０８内の以前の出品リストについて、ｂａｇ ｏｆ ｗｏｒｄｓが作成されることもある。

[0117] 訓練データで訓練されるニューラルネットワークのラウンドを繰り返すことにより、各語幹は、その語幹に関連付けられた異なる重みｗ_ｉｊを有して次の層へ、最終的には出力層１３０６ａへ進むことがある。これは、ｂａｇ ｏｆ ｗｏｒｄｓ内のいくつかの単語が、提供される製品のタイプに基づいて特定の説明、タイトル、カテゴリ、又はブランドとより強い関連性を有することがあり、したがって他の単語よりも重要であり得るからである。この点に関しても、いくつかの測定基準によって重要性が測られることがある。ｂａｇ ｏｆ ｗｏｒｄｓに関するより強い関連性は、特定のタイプの製品に関する複数の過去のタイトル、説明、カテゴリ、又はブランドにわたる語幹の多重度及び出現に基づいて測られることがある。

[0118] 他方、高頻度の単語が、文書内で優勢になり始め（例えばより大きなスコア）、しかし、より珍しいがドメイン固有の単語ほどモデルに対して多くの「情報コンテンツ」を含まないことがある状況において、ｔｆ－ｉｄｆアルゴリズムを使用することができる。この場合、頻繁に出現することがある「ｔｈｅ」や「ｆｒｏｍ」などの単語はペナルティを科され、一方、「Ａｕｓ」などの語幹は、Ugg Bootsなどの企業の本拠を知らせるので、より多くの情報コンテンツを提供することがある。

[0119] 使用される測定基準は、１つの文書内での単語の頻度のスコアリングである用語頻度と、いくつかの文書にわたってその単語がどれほど珍しいかのスコアリングである逆文書頻度であり、スコアは重み付けである。例えば、「ｔｈｅ」などの頻繁な用語の逆文書頻度は低くなる可能性が高く、まれな用語の逆文書頻度は高くなる。したがって、ｔｆ－ｉｄｆ重み付けアルゴリズムが使用される場合には、複数の説明４０６、タイトル４０２、カテゴリ４０８、又はブランド４１２にわたって低い逆文書頻度を有する用語について、ニューラルネットワークモデル１３００ａの次の層に進む語幹に関連付けられたｗ_ｉｊがより高い重みを付けられることがある。他方、ブロック１２０８のｗｏｒｄ２ｖｅｃアルゴリズムは、語幹をベクトルとして表し、本明細書ではさらに論じない。

[0120] ニューラルネットワークモデル１３００ａの出力層１３０６ａは、１～１０の正規化されたスコアを含むただ１つのノード１を含むことがある。スコア１０は、特定のタイプの製品との高い一致性を示し、したがって、より高度な検索可能性又は見つけやすさに対応することがある。

[0121] 各ノードから他のノードへの入力及び重み（図５Ｂに示されるようにｗ_ｉｊ）に基づいて、出力層の結果が集計され、正規化されたスコアが出力層１３０６ａでの出力ノード１に出力される。この場合、ｔｆ－ｉｄｆアルゴリズムを使用するとき、「Ａｕｓ」はUgg Bootsと特定の関連性を有することがあるので（上述した仮想の例におけるように、Ugg Bootsがそこに本拠を有する場合）、上で論じたように、入力層ノード４から隠れ層１３０４ａへの重みは、入力層ノード１～３から隠れ層１３０４ａへの重みよりも大きい重みを有することがある。これは、入力層４が、出力層１３０６ａでの正規化されたスコアにより大きく寄与し得ることを意味する。ノード４のようなノードが複数ある場合、これはより大きな正規化スコアに寄与することがあり、正規化プロセスは、以前の出品リスト１１６からの以前のタイトル４０２、説明４０６、カテゴリ４０８、又はブランド４１２と比較して行われる。上述したように、タイトル４０２、カテゴリ４０８、ブランド４１２、及び説明４０６に関して別個のスコアリングモデルを使用することができる。

[0122] 入力層１３０２ａから出力層１３０６ａへの移行において、図１３Ａに示されるように、いくつかの隠れ層１３０４ａが存在することもある。隠れ層１３０４ａの数は、予め１つに設定されても、複数の層でもよい。隠れ層１３０４ａの数が（図１３Ａに示されるように）１つである場合、隠れ層でのニューロンの数は、入力層及び出力層でのニューロンの数の平均として計算されることがある。

[0123] これは、層にわたって重みを計算しやすくするための経験に基づく経験則から導出される。追加の経験則によれば、オーバーフィッティングを防止するための一実施形態では、入力層１３０２ａでのニューロンの数はＮ_ｉであり、出力層でのニューロンの数はＮ_ｏであり、（タイトル４０２、説明４０６、カテゴリ４０８、又はブランド４１２のいずれかに関する）モデルに関連付けられる全ての語幹の訓練データセットでのサンプルの数はＮ_ｓである場合、１つの隠れ層でのニューロンの数Ｎ_ｈは、

未満に保たれることがあり、ここで、αは、スケーリング係数（通常は２～１０の範囲）である。このようにして、オーバーフィッティングを防ぐために、モデルでの自由パラメータの数を、訓練データでの自由度の小さな部分に制限することができる。

[0124] 入力層から、入力層１３０２ａの各ノードから図１３Ａに示される隠れ層１３０４ａへの重みに基づいて、入力層１３０２ａから隠れ層１３０４ａへ進む際にシグモイド伝達関数が存在し得る。最初は、重みｗ_ｉ，ｊが、０～１の間のランダムな値に初期化されることがある。次いで、ｂａｇ ｏｆ ｗｏｒｄｓ又はｔｆ－ｉｄｆアルゴリズムでの語幹に対応する入力ノードの語幹が、これらの重みに従って伝播されることがあり（順伝播）、隠れ層１３０４ａは、入力層１３０２ａのニューロンに関する第１の出力を生成する。例えば、上記の例での入力層１３０２ａでニューロン１及び２として与えられた入力は、ｂａｇ ｏｆ ｗｏｒｄｓアルゴリズムでは、ｂａｇ ｏｆ ｗｏｒｄｓ内の語幹に対応しないので、それぞれ０を乗算され、一方、ノード３及び４は、単語「ｆｒｏｍ」及び「Ａｕｓ」がｂａｇ ｏｆ ｗｏｒｄｓ内の語幹に対応するので、１を乗算されることがある。

[0125] この場合、入力層１３０２ａのノード３は、ｂａｇ ｏｆ ｗｏｒｄｓ内の語幹に対応するので、重みｗ_３１、ｗ_３２、・・・、ｗ_３ｊを乗算することができ、入力層１３０２ａのノード４も同様に、重みｗ_４１、ｗ_４２、・・・、ｗ_４ｊをそれぞれ乗算される。上で論じたように、ｂａｇ ｏｆ ｗｏｒｄｓアルゴリズムに関しては、以前の出品リスト１１６の説明４０６、タイトル４０２、ブランド４１２、又はカテゴリ４０８において、ノード３での単語「ｆｒｏｍ」が単語「Ａｕｓ」よりも頻繁に出現することがあるので、ノード３の重みがノード４の重みよりも高くなることがある。これは、ｂａｇ ｏｆ ｗｏｒｄｓアルゴリズムが多重度に基づいて重要性を測るからである。対照的に、ｔｆ－ｉｄｆアルゴリズムに関しては、説明４０６、タイトル４０２、ブランド４１２、又はカテゴリ４０８にわたって、単語「Ａｕｓ」の逆文書頻度（珍しさ）がノード３での単語「ｆｒｏｍ」の逆文書頻度よりも高いことがあるので、入力層１３０２ａのノード４の重みは、ノード３の重みよりも高いことがある。

[0126] その後、入力層１３０２ａでのこれらのノードが合計されて、隠れ層１３０４ａへの出力を生成する（例えば、ノード４のみがｂａｇ ｏｆ ｗｏｒｄｓ内の語幹を有するので、上記の例での隠れ層でのノード１は、和ｗ_１１＋ｗ_２１＋ｗ_３１＋ｗ_４１＝ｗ_４１である）。次いで、隠れ層１３０４ａでのノード１は、この正味の値を取得し、この値を同様にさらに出力層１３０６ａに伝達することができる。各出力層（入力層１３０２ａに対する隠れ層１３０４ａ、及び隠れ層１３０４ａに対する出力層１３０６ａ）では、シグモイド活性化関数

、双曲線正接関数

、又はＳｍｏｏｔｈＲｅＬＵ（smooth rectified linear unit；平滑化近似正規化線形ユニット）関数ｆ（ｘ）＝ｌｏｇ（１＋ｅ^ｘ）を含む伝達関数を使用して、出力を伝達することができる。

[0127] 上記の例では、入力層１３０２ａから隠れ層１３０４ａのニューロン１に与えられる出力は活性化値として入力され、隠れ層１３０４ａで、上述した伝達関数の１つに伝達され、出力は、隠れ層１３０４ａのニューロン１の値を形成して、出力層１３０６ａへの入力として与えられ、出力層のニューロン１へのそれぞれの重みを乗算される。このようにして、入力層１３０２ａ内の入力ノード１～Ｉの完全な順伝播を、出力層１３０６ａまで実現することができる。

[0128] 次いで、逆伝播を行うために、期待される出力と、ネットワークから順伝播される出力との誤差が計算される。ニューラルネットワークを訓練する際、特にデータセットが小さいとき、ｋ分割交差検証が使用されることがある。例えば、ｋ分割交差検証に関して、いずれもユーザによって入力された文の説明の集約されたセットが存在する可能性があり、これらは、各グループごとに異なる関連の語幹に関して特定の製品カテゴリに関連付けられることがわかっており、上述した成分全てを含む。文の説明のこのセットはシャッフルされ、ｋ個のグループに分割されることがある（例えば、ｋが５の場合には５つのグループであり、それぞれが、特定数の結果（正規化された重要性スコア尺度）及び対応する関連の語幹を保持する）。次いで、（上記の例での５つのグループのうち）各独自のグループごとに、そのグループをテストデータセットとして保持することができ、集約された文の説明の残りのグループ及び対応する正規化された重要性スコア尺度を使用して分類器を訓練する。

[0129] 誤差を伝達するために、ネットワークを介して逆伝播するための誤差信号は、誤差＝（期待される正規化されたスコア－出力スコア）×ｔｒａｎｓｆｅｒ＿ｄｅｒｉｖａｔｉｖｅ（出力スコア）によって与えられ、ここで、ｔｒａｎｓｆｅｒ＿ｄｅｒｉｖａｔｉｖｅは、使用される伝達関数（シグモイド、双曲線、又はＳｍｏｏｔｈＲｅＬＵ）の導関数である。

[0130] 次いで、隠れ層１３０４ａでのニューロンに関する誤差信号は、出力層から隠れ層１３０４ａ内のニューロンへの重みに従って、出力層１３０６ａでの各ニューロンの加重誤差として計算される。同様に、次いで、隠れ層からの誤差信号は、入力層１３０２ａに逆伝播される。上述した逆伝播法によってネットワークでの各ニューロンに関して誤差が計算されると、式ｎｅｗ＿ｗｅｉｇｈｔ＝ｏｌｄ＿ｗｅｉｇｈｔ＋ｌｅａｒｎｉｎｇ＿ｒａｔｅ×ｅｒｒｏｒ×ｉｎｐｕｔに従って、重みを更新するために誤差が使用される。ここで、ｏｌｄ＿ｗｅｉｇｈｔ変数は、モデルでの以前に与えられた重みであり、ｌｅａｒｎｉｎｇ＿ｒａｔｅ変数は、誤差を修正するために古い重みをどれだけ多く変えるか（したがって、モデルが、その重みを時間と共にどれだけ速く「学習」又は調整するか）を指定する０～１の値であり、誤差変数は、逆伝播手順によって計算される誤差であり、入力変数は、誤差を引き起こした入力の値である。

[0131] 上述したようにテキストデータがトークン化及びスコアリングされた後又はその際に、カテゴリデータ１２０４も解析及び符号化されることがある。１２０４でのカテゴリデータは、ブランドＩＤ、カテゴリＩＤ、送料支払者（販売者１０４が支払うかどうか）、及び状態（例えば、普通、中古、新品同様、又は新品）の形で存在し得る。この情報は、図６のプロセスでのステップ６０８で計算されることがある。すなわち、ブランド４１２又はカテゴリ４０８のユーザの入力に基づいて、実際のブランド又はカテゴリ、及びそれらのそれぞれのＩＤが決定されることがある。性質上、ＩＤは数値でよく、１のＩＤはブランドＡ又はカテゴリＡに対応し、２のＩＤはブランドＢ又はカテゴリＢに対応し、以下同様である。これらのＩＤは、１２１２で使用される回帰モデルへの入力としてそのまま送信される場合、データを不適切に歪める可能性がある。例えば、ブランドＣに３のＩＤが割り当てられ、ブランドＢに２のＩＤが割り当てられ、ブランドＡに１のＩＤが割り当てられた場合、ＩＤ自体が回帰モデルへの入力として送信されると、３＞２＞１であるので、回帰モデルは、ブランドＣの価格値がブランドＢよりも高いことがあり、ブランドＢがブランドＡよりも高いことがあると推定することがある。モデルによるそのような解釈を避けるために、ワンホットエンコーディングを使用してカテゴリの２値化を行うことができる。すなわち、情報は、以下に示されるようにバイナリベクトルに並べられることがある。

[0132] 表１に示されるように、ブランドＡ、Ｂ、及びＣは、０と１の値のバイナリベクトルによって表すことができる。その結果、どのブランドの存在も他のブランドよりも大きい数値にならないので、回帰モデルの潜在的な歪みが回避される。そのようなワンホットエンコーディングは、ブランドＩＤとカテゴリＩＤとの両方に使用することができ、これらは、ブロック１２１２で回帰モデルに入力として送信される。

[0133] 追加のカテゴリデータ１２０４も、そのような回帰モデルに送信されることがある。例えば、送料支払者の値及び条件が回帰モデルに送信されることがある。送料支払者値は、単純に、販売者１０４が送料を負担するかどうか（ブール値はＴＲＵＥ又は１でよい）又は販売者１０４が送料を負担しないかどうか（ブール値はＦＡＬＳＥ又は０でよい）を表す、ユーザから入力されるブール値でよい。

[0134] 最後に、条件４１４は、例えば４つのカテゴリのうちの１つとしてユーザによって入力されることがある。これらのカテゴリは、「不良」、「普通」、「良好」、「新品同様」、及び「新品」など、ＦＳＯ１０６の状態を示すことがある。一実施形態では、「新品」の代わりに「美品」が使用されることもある。これらの言語カテゴリのそれぞれが、状態の異なる値に対応し、「中古」が最小の値を有し、「美品」又は「新品」が最大の値を有するので、単純なラベル符号化が使用されることがあり、これらのラベルのそれぞれに数値が割り当てられることがある（例えば、「不良」は０．１でよく、「普通」は０．２でよく、「良好」は０．４でよく、「新品同様」は０．６でよく、「美品」又は「新品」は０．８でよい）。このようにして、ＦＳＯ１０６の状態ラベルを符号化するために、所定数の任意のスケール（例えば０～１までの範囲）が使用されることがある。したがって、この情報が回帰モデルに渡されるとき、複数の見込み客が、「不良」状態よりも「新品同様」状態の製品に対して多く支払うことを厭わない可能性が高いことを考慮に入れることができる。代替として、条件４１４は、ラベル符号化が必要とされないように、以下に述べる数値データ１２０６の一部として、販売者１０４によって数値形式で事前入力されることもある。

[0135] 数値データ１２０６は、使用されることがあるブロック１２１２での回帰モデルに送信されることもある。数値データ１２０６は、ＦＳＯ１０６と同じカテゴリ４０８内又は全てのカテゴリ４０８内で、過去出品リスト１１６の出品リスト情報１２６及び価格履歴１２４の一部として存在するデータを含むことがある。そのような数値データは、以前の出品リスト１１６が最初に売りに出された年月日、及びそのような以前の出品リストが実際に売れた年月日を含むことがある。

[0136] この数値データから、２つの重要な統計が計算されることがある。第１に、データが最近のものである度合いを、以前の出品リスト１１６が売れた年月日から確認することができる。以前の出品リストには、以前の出品リスト１１６が売れた年月日とＦＳＯ１０６の現在の出品リスト（図５を参照して論じたように、最適価格５０６は、販売者１０４がＦＳＯ１０６を出品した後に評価されることがあるので、ＦＳＯ１０６が出品された後も含む）との距離に比例して値０～１が割り当てられることがある。

[0137] 例えば、以前の出品リスト１１６がごく最近に売れた場合、以前の出品リスト１１６が売れた年月日とＦＳＯ１０６の現在の出品リストとの距離は非常に小さく、値は１に近くなる。他方、以前の出品リスト１１６がかなり前に売れた場合、以前の出品リスト１１６が売れた年月日とＦＳＯ１０６の現在の出品リストとの距離は非常に大きく、値は０に近くなる。比例数値を計算するために、次式に従って、最も古い以前の出品リスト１１６が使用されることがある。

[0138] この式は、以前の出品リストの最近性の度合いに対応する値を与えるために使用されることがあり、この値は、ブロック１２１２で使用される回帰モデルに、以前の出品リスト１１６それぞれの他のデータと共に送信されることがある。第２に、１２０６での数値データから、以前の出品リスト１１６が売れた日付から以前の出品リスト１１６が最初に提供された日付を単に差し引くことによって、以前の出品リスト１１６が売れたときのその出品リスト１１６に関する出品リストの経過時間を計算することができる。このようにして、これらの２つの統計を、ブロック１２１２で使用される回帰モデルに送信することができる。

[0139] ブロック１２１２での回帰モデルに送られることがある前述した商品と共に、ＦＳＯと同じカテゴリ４０８内で、又は全てのカテゴリ４０８内で他の以前の出品リスト１１６との比較に基づいて、以前の出品リスト１１６で測定基準を実行することによって、集計パラメータ１２１６と呼ばれるさらなる計算パラメータを収集することができる。例えば、数値データ１２０６を使用して、（例えば特定のカテゴリ４０８に対応する）以前の出品リスト１１６で販売された特定の商品の希少性が決定されることがある。以前の出品リスト１１６が売れた期間（所定の日数、例えば７日以内）に多くの商品が存在しなかった場合、その以前の出品リストの希少性値はそれに比例して高いことがある。逆に、以前の出品リスト１１６が売れた期間（所定の日数、例えば７日以内）に多くの商品が存在した場合、その以前の出品リストの希少性値はそれに比例して低いことがある。比較の基礎は、例えば一実施形態では、式

に従って、全ての以前の出品リスト１１６の中で希少性の最も低い商品でよい。

[0140] さらに、例えば見込み客１０８が出品リスト１１６にアクセスした可能性がある時間を含む出品リスト情報１２６を合計することによって、以前の出品リスト１１６の閲覧数のパラメータが記録されることもある。

[0141] 次に、以前に送信された入力を用いてブロック１２１２で使用される回帰モデルについて論じる。これらの回帰モデルはそれぞれ、予測価格を出力することがある。そのような予測価格に基づいて、第１の包括的なパラダイム及び第２の包括的なパラダイムで行ったように価格範囲の分析が行われることがある。ここでも、値の四分位範囲は、製品の同じカテゴリ１５２内の以前の出品リスト１１６を使用して、又は全ての製品を使用して計算されることがある。一実施形態では、この計算された四分位範囲は、回帰モデルからの予測価格が範囲の中心に位置し得るようにシフトされることがあり、この範囲は、上述した変動性の尺度として働く。代替として、価格範囲は、後述するように、ニューラルネットワークモデル自体によって計算されることもある。

[0142] まず、ニューラルネットワーク回帰モデルについて論じることができる。モデルは図１３Ｂに示されるようなものであり、入力層１３０２ｂ、隠れ層１３０４ｂ、及び出力層１３０６ｂを有する。このモデルは、図１３Ａに関して上で開示されたものと基本的に同様に動作し、同じ伝達関数などを使用することがある。一実施形態では、隠れ層１３０４ｂ内のノードの数を計算するための図１３Ａに関して論じた経験則も使用されることがある。

[0143] しかし、代替として、別の実施形態（本明細書において論じるもの）では、隠れ層に関して２つのノードが使用されることがある。図示されるように、隠れ層１３０４ｂのノード１への所定数のノード１～ｉ（例えば図１３Ｂに示されるように１～３）それぞれに関して単一の重みｘ_ｉが存在し得る。同様に、隠れ層１３０４ｂのノード２への所定数のノードｉ＋１～ｊ（例えば図１３Ｂに示されるように４～６）それぞれに関して単一の重みｙ_ｊが存在し得る。最後に、１３０４ｂでの隠れ層ノードの両方が、それぞれ重みｐ及びｑで出力層１３０６ｂで結合して、出力層１３０６ｂで出力スコアを生成することがある。

[0144] 隠れ層１３０４ｂの第１のノードであるノード１は、出品リストの価格に影響を及ぼすことがある価格ドライバ、又は通常の因子を表す。隠れ層１３０４ｂの第２のノードであるノード２は、出品リストの価格に指数関数的な影響を及ぼすことがある乗率を表す。隠れ層ノードの重みｐ及びｑは、出力層１３０６ｂへの隠れ層１３０４ｂのノード１の重みｐが、出力層１３０６ｂへの隠れ層１３０４ｂのノード２の重みｑよりも小さくなり得るように重み付けされることによって、この構成を反映することがある。パラメータが最初に査定されるとき、ニューラルネットワークモデル１３００ｂはカテゴリＩＤに依存することがある。すなわち、製品の異なるカテゴリ１５２ごとに別個のニューラルネットワークモデルが存在することがある。この実施形態を本明細書において述べる。代替として、製品アイテムが、全ての製品に関する全般的な傾向をより大きく反映する価格設定を有する場合、全てのカテゴリ１５２内の全ての製品出品リスト１１６が考慮される実施形態が使用されることがある。

[0145] 製品の異なるカテゴリ１５２ごとに個別のニューラルネットワークモデルを提供することは、機械学習モデルで使用される特徴に関連付けられる製品のいくつかのカテゴリの価格設定に、他のカテゴリには存在しない傾向が存在するときに特に有用である。

[0146] 高級品など製品の他のカテゴリに関しては、以前の出品リスト１１６の適切なデータが分析されていることを保証するために、追加のステップが行われる必要がある。例えば、カテゴリ１５２内の以前の出品リスト１１６は、前述したカテゴリデータ１２０４の一部としてのカテゴリＩＤによって決定された高級品に関連付けられることがある。この場合、全ての以前の出品リスト１１６が認証されることがある。特定数の以前の出品リスト１１６が偽物であって本物ではないことが判明した場合、これらの出品リストは、回帰モデルの訓練から除外することができる。

[0147] カテゴリ１５２固有のニューラルネットワーク回帰モデル内で、ノードが記述される。入力ノード１～ｉは、希少性、閲覧数、トークン化後の説明４０６、タイトル４０２、ブランド４１２、及びカテゴリ４０８に関するスコアなどの尺度のうちの少なくとも１つを含むことがあり、これらは、上述したように別のニューラルネットワークモデルによって生成されることがある。入力ノード１～ｉでの上記の尺度は、上述したラベル符号化によって変換された製品の状態４１４、製品のＳＫＵ、季節性又は腐敗性（－１又は１の値、例えば、腐敗性／季節性がない場合には１、腐敗性／季節性の場合には－１として）、ＧＵＩ１０００のスライダ１０１８からのスライダ入力（時間最大化の端部に位置された場合には－１、利益最大化の端部に位置された場合には１．５、中央では０の値として）、並びにＧＵＩ１０００のフィールド１０１４及び１０１６からの売切り条件の存在（売切り条件がある場合、入力ノード値は、日数に応じた負の値でよく、日数が短いほど負の値が大きくなる）を含むこともある。上で論じたように、チャリティーオプションが選択されるとき、フィールド１０１６が自動的に記入されることがあり、フィールド１０１４がチェックされることがあり、これは、ニューラルネットワークモデルにおける売切り条件の存在がチャリティーオプションの選択も考慮に入れることもあることを意味する。

[0148] 本明細書においては、季節性又は腐敗性、ＧＵＩ１０００のスライダ１０１８からのスライダ入力、及び売切り条件の有無に関する１～ｉでの存在する入力ノードに関する尺度の値を説明する。上で説明したように、ノード１～ｉは、通常の価格設定条件、すなわち製品の需要に影響を与える。製品が腐敗性であると考えられるとき、上で説明したように販売者１０４はそのような製品を腐敗する前又は季節外れになる前に売りたいと思うことがあるので、これは製品の価格設定又は需要に負の影響を及ぼす。

[0149] その結果、そのような条件が存在する場合、全体的な需要を低く（したがって全体的な価格結果を低く）調整するために、入力ノードに負の値が入力される。入力層１３０２ｂ内のノード１～ｉから隠れ層１３０４ｂへのより低い全体的な出力により、出力層１３０６ｂへの１３０４ｂのノード１の最終的な出力値が結果として低下される。これは事実上、初期提供価格を下げ、これは、製品が腐敗する又は季節外れになる前の製品が売れることを保証するために必要とされる。腐敗性／季節性が存在する場合、値は－１に制限されず、必要に応じて調整して、より大きい／より小さい価格減少を行うことができる。

[0150] 同様に、ＧＵＩ１０００のスライダ１０１８からのスライダ入力は、－１から、１を超える範囲のノードとして存在する。利益の最大化の場合、事実上、販売者１０４は、製品が売れるまで通常よりも長く待つことを厭わないことを示している。そのような場合、需要は、ノード値を１よりも大きくすることによって、ある程度増加又は上昇されることがあり、これは、上で説明したように、出力層１３０６ｂのノード１によって出力される価格に影響を及ぼし、価格を増加する働きをする。時間の最大化の場合（ＧＵＩ１０００に示されているスライダ１０１８の他端）、上で説明した腐敗性／季節性ノードと同じ理由から、値は－１でよい。製品を通常よりも速い速度で売るために、需要を人工的に負の値で下げることができ、それにより、１３０６ｂのノード１での最適価格値が通常よりもわずかに低くなり、購入者はそのような製品をより速い速度で購入するように促される。

[0151] 代替実施形態は、ＧＵＩ１０００のフィールド１０１６から特定の日数で売切り条件が与えられた場合に存在し得る。上で論じたように、以前の出品リスト１１６ごとに、出品リストが提供された時点から売られた時点までの日数を示す計算された測定基準がある。この場合、そのような測定基準に基づいて、バギング又はブートストラップの手法に従うことができる。すなわち、ＧＵＩ１０００のフィールド１０１６からの日数よりも大きいこの測定基準に関する値を有する以前の出品リストは、図１３Ｂでのニューラルネットワークモデルの訓練から除外されることがあり、重みｘ_ｉ、ｙ_ｊ、ｐ、及びｑの調整のための逆伝播の実施の際にも除外されることがある。

[0152] そうすることにより、ユーザが売切りを予定している日数の後に売れた以前の出品リスト１１６は、モデルの訓練から除外される。このようにして、モデルは、以前の出品リスト１１６のそのようなサブセットに関連付けられる傾向を捉えることができる（例えば、より速く売るためのより低い需要及びより低い価格）。この実施形態では、日数の窓が使用されることもある。

[0153] 例えば、販売者１０４は、フィールド１０１６で０日で売り切りたいことを示すことがあり、これはすぐに売りたいことを意味する。この場合、５日の窓が使用されるブートストラップ手法は、０日からの出品リスト１１６だけではなく、直近の初期提供日からすぐに売れた全ての以前の出品リスト１１６を考慮に入れることができる。そのような窓の使用は、利用可能なデータ点又は以前の出品リスト１１６がほとんどない場合に、より大量のデータの考慮を可能にすることができる。

[0154] このようにして、上述したように、図１３Ｂの人工ニューラルネットワークは、複数の層及び複数のニューロン（ノード）のディープラーニングを可能にして、これらの変数が出品リスト価格に及ぼすインタラクティブな影響について「学習」する。図１３Ａでのニューラルネットワークモデルに関して上で論じたように、各層でのノードの重みは、出力層１３０６ｂのノード１によって出力された価格と、モデルを訓練するために使用されるサブセット内の以前の出品リスト１１６に関する指定された実際の最適価格値との比較によって調整することができる。このようにして、誤差を減らすために逆伝播によって各訓練反復で重みを調整することができる。

[0155] 本明細書においては、入力層１３０２ｂのノードｉ＋１～ｊ（例えば、図１３Ｂの入力層１３０２ｂでのノード４～６）について述べる。上で説明したように、これらの入力ノードは、指数関数的であり得る価格に対する効果を有し、したがってスケーリング係数を考慮に入れる隠れ層１３０４ｂのノード２に出力される。まず、これらのノードｉ＋１～ｊの１つとして、画像価値の尺度が使用されることがある。画像価値は、図１３Ａに示されるものなどニューラルネットワークの使用の出力の結果であり得る。出品リスト１１２に関して使用される各画像は、入力層１３０２ａの入力ノードで使用される入力データを有することがある。

[0156] 例えば、画像の輝度レベルが特定の閾値を超えているかどうかを示すノード１が存在し得る（これは、１又は０のブール値であり、「はい」の場合は１、「いいえ」の場合は０である）。同様に、カメラから被写体までの特定量の閾値距離が存在するかどうかを示すノード２も存在し得る（これも、上記の明るさと同様にブール値でよい）。

[0157] 影の効果が顕著かどうかを示すノード３も存在し得る（これは、１又は０のブール値であり、「はい」の場合は０、「いいえ」の場合は１である）。入力層１３０２ａには任意の数の追加の入力が存在することがあり、そのようなニューラルネットワークは、図１３Ａに関して上で論じた経験則に従うことがある。図１３Ａに示されるタイプのそのようなニューラルネットワークの出力は、出力層１３０６での単一のノード１でよく、これは画像の値のスコアを示す。スコアがより高い場合、その画像は、出品リスト１１２への注目を引き、最終的に価格を上昇させるのにより価値があり得ることを意味する。

[0158] したがって、上述したように、出品リスト１１２（訓練データとして使用される以前の出品リスト１１６と、テストデータとして使用されるＦＳＯ１０６に関する現在の出品リスト１１２との両方）に関して使用される各画像は、画像価値スコアを決定するために使用される入力層１３０２ａのノード１～ｉでの入力データ値を有することがある。一実施形態では、最大スコアを有する画像は、デフォルトの出品リスト画像１００２としてＧＵＩ１０００上に自動的に表示されることがある。次に、全ての画像に関するスコアが平均化され、画像の価値を示す１～１０のスケールで正規化されることがある。任意の他のスケール（０～１など）を使用することもできる。次いで、この正規化された画像価値統計が、（図１３Ｂでのノード４～６に対応する）入力ノードｉ＋１～ｊのうちの１つの入力ノードで使用されることがある。

[0159] 画像価値と同様に、図１３Ａと同様の別のニューラルネットワークの出力が、ＦＳＯ１０６の社会的好感度又はトレンド性質値を決定するために使用されることがある。社会的好感度は、ノード１～ｉのうちの１つで、通常の価格設定に影響を与える入力ノードとして使用されることがあり、トレンド性質値は、入力ノードｉ＋１～ｊのうちの１つでスケーリング係数として使用されることがある。

[0160] これらの尺度の両方について、図１３Ａのニューラルネットワークに似た別個のモデルが使用されることがある。始めに、両方のモデル（社会的好感度及びトレンド性質値）に関して、まずｂａｇ ｏｆ ｗｏｒｄｓを作成することができる。そのようなｂａｇ ｏｆ ｗｏｒｄｓは、ＦＳＯ１０６の出品リスト１１２と、説明４０６、カテゴリ４０８、ブランド４１２、及びタイトル４０２を含む同じカテゴリの以前の出品リスト１１６との元のテキスト文字列データを取得し、FACEBOOK、TWITTER、SINA WEIBO、AMEBA、INSTAGRAMなどのソーシャルメディアコンテンツサービスからこのテキストに好適に合致すると思われる関連の投稿を見つけることによって作成されることがある。これらの関連の投稿から、図１３Ａに関して上述したような最もよく見られる語幹を含むｂａｇ ｏｆ ｗｏｒｄｓを作成することができる。次いで、図１２のブロック１２０８に関して上で論じたように、ｂａｇ ｏｆ ｗｏｒｄｓ手法又はｔｆ－ｉｄｆ手法を使用してモデルが訓練されることがあり、そのようなモデルの出力層１３０６ａでの単一の出力ノード１で社会的好感度のスコアを出力する。

[0161] トレンド性質値に関して、社会的好感度モデルがバギング手法で使用されることがある。例えば、社会的好感度モデルは、所定の年数のみの窓内にある（上で論じた数値データ１２０６からの）販売日を有する以前の出品リストを使用して訓練されることがあり、この窓は、時間と共に移動されることがあり（例えば、２０００年～２００３年、２００３年～２００６年、２００６年～２００９年、２００９年～２０１２年などの３年間の窓で１１６からの以前の出品リストを使用した社会的好感度モデルの訓練）、異なる窓ごとに新たなニューラルネットワークモデルが使用される。

[0162] 最近の傾向をより詳しく捉えるために、より小さい窓（例えば１ヶ月）が使用されることがあるが、処理時間の増加にもつながり、したがって、販売者１０４にとって最適なバランスが決定されて使用されることがある。次いで、ＦＳＯ１０６に対応する出品リスト１１２からの入力テストデータが、それぞれの異なる窓ごとに、作成された各モデルに関して使用されることがあり、社会的好感度スコアを出力することがある。ＦＳＯ１０６のテキストデータは、各モデルに適用される同じ入力データであるので、モデル間で社会的好感度スコアに急増がある場合、これは、製品カテゴリ１５２内の製品の社会的好感度の経時的な変化率の急増であるとみなされ、したがって、ｂａｇ ｏｆ ｗｏｒｄｓに関連付けられる言葉の使用は、指数関数的により大きい（又は、製造業者の過失などによりマイナスの傾向がある場合にはより小さい）需要を引き寄せ、価格を上昇させることがある。一実施形態では、例えばＦＳＯ１０６の現在の出品時間に至るまでの１ヶ月の窓（又は、既に出品されている場合には出品リストの経過時間）でそのような複数の社会的好感度モデルが作成されてもよく、社会的好感度スコアの直近の平均変化率（例えば過去３ヶ月にわたる）は、－１～１（又は任意の他の数値スケール）のスコアに正規化されて、図１３Ｂでの入力ノードｉ＋１～ｊのうちの１つの入力ノードにおいてトレンド性質値として使用されることがある。

[0163] 最後に、スケーリング係数とみなされる別のノードは、以前の出品リスト１１６の訓練データが最近のものである度合いである。図１３Ｂのモデルを訓練する際、最近のデータは、一実施形態ではより価値があるものとして強調されることがある。なぜなら、売買環境の違いにより、最近のデータは、古いデータよりも、現時点での最適提供価格に対して大きな関係性を有し得るからである。このより大きな強調を作成するために、最近性の度合いの測定基準が、スケーリング係数として、図１３Ｂでの入力ノードｉ＋１～ｊのうちの１つの入力ノードとして使用されることがある。代替として、入力ノード１～ｊの全てに最近性の度合いの測定基準を乗算することができ、より最近の以前の出品リストが、出力層１３０６ｂのノード１によって出力される最適価格により大きい影響を与えることができるようにする。

[0164] このようにして、図１３Ｂのニューラルネットワークは、ＦＳＯ１０６と同じカテゴリ１５２（又は上述した代替実施形態では全てのカテゴリ１５２）の以前の出品リスト１１６を含む訓練データによって訓練され、次いで、それに従って重みｘ_ｉ、ｙ_ｊ、ｐ、及びｑを調整するために逆伝播されることがある。次いで、訓練されたモデルは、ＦＳＯ１０６の出品リスト１１２に関連付けられたノード１～ｊに関する入力値と共に使用することができる。最終的に、これらのテスト入力値と共に使用されるとき、１３０６ａのノード１によって最適価格が出力される。

[0165] 次いで、この計算された最適価格は、図１０に示されるように、ＧＵＩ１０００に返されてフィールド１００４で出力される。そのような価格の価格範囲は、上述した第１又は第２のパラダイムの手法を使用して計算されることがあり、又は図１３Ｂのニューラルネットワークモデルを使用して計算されることがある。図１３Ｂのニューラルネットワークモデルを使用して価格範囲を計算するために、間引き（leaving-out）技法が使用される。間引き技法では、ニューラルネットワークモデルの接続のランダムに選択された部分が、モデルからオフにされる、又は枝切りされる。

[0166] 図１３Ａを参照して一例が示されており、ここで、ドロップアウトが０．２５の場合、入力層１３０２ａノードから隠れ層１３０４ａのノードへの８つの接続があると仮定すると、これらのうちの２つ（太線）がランダムに枝切りされることがある。同様に、隠れ層１３０４ａから出力層１３０６ａへのノードからの２つの接続（太線）も枝切りされることがある。このプロセスを所定の反復回数だけ繰り返し、これらの「間引き」されたニューラルネットワークモデルのそれぞれを訓練し、これらのモデルそれぞれの出力層１３０６ｂからの出力スコアを観察することによって、価格範囲を構築することができる。

[0167] 例えば、ドロップアウトを０．２５として１００個のそのようなモデルが作成された場合、ＦＳＯ１０６に関する出品リスト１１２に関連付けられた入力値を使用して、１００個の異なる予測が作成されることがある。出力スコアのこれらの異なる予測を使用して、これらのうちの５０個が特定の範囲内にある場合、これは使用される５０％価格範囲であり得る。ここでも、これは変動性の尺度であり、予測された最適価格がそのような価格範囲の中心になるようにシフトされることがある。使用されるドロップアウトのパーセンテージは、以前の出品リスト１１６に関して存在する既知の価格範囲と比較されることがあり、価格範囲に関する適切な予測を提供することができるようにする。

[0168] したがって、最適価格及び価格範囲（一実施形態では最適価格が価格範囲の中心にある）がＧＵＩ１０００に出力されることがある。価格範囲（スコア値の中央５０％をカバーする）は、色で強調表示され、水平軸１０１０に沿って表示されることがあり、この範囲を下回る及び上回る値は、それぞれ異なる色で強調表示されることがある。図１０に示されるように、この横軸の中心にスライダが設定されることもあり、最適価格に対応し、付随するメッセージがメッセージバブル１００６によって示されることがあり、利益を最大化し、製品が売れるまでの時間を最小化しながらＦＳＯ１０６を販売するのにこの範囲が適していることを示す。

[0169] 同じカテゴリの以前の出品リスト１１６に関して上で論じたようにブロック１２１６からの閲覧数の履歴データに基づいて計算されることがある閲覧曲線１００８は、軸１０１０の価格範囲に重ね合わされることがあり、最大閲覧数から垂直の破線が表示される。このようにして、ユーザは、価格範囲内のどの価格で最も多く閲覧してもらえる可能性が高いかを知ることができ、それと同時に、利益を最大化し、商品が売れるまでに必要とされる時間を最小化する。

[0170] 図示されているように、ＦＳＯ１０６に関する計算された価格範囲内の販売価格を有するＦＳＯ１０６に関するカテゴリ１５２内の類似製品がフィールド１０１２に表示されることがある。最後に、ＧＵＩ１０００のフィールド１０２０に関して、自動調整チェックボックス１０２０を示すことができる。チェックボックスの存在は、チェックされたときに、スライダ１０１８で示されるように利益を最大化する、又は売れるまでの時間を最小化する（「時間最大化」）ための直感的な方法をユーザに提供することができる。すなわち、ユーザがスライダをスライダ１０１８の利益最大化端部までドラッグするとき、軸１０１０のスライダが自動的に調整されて、最適価格範囲の右端（中央５０％であるが、他の実施形態では任意の他の所定の範囲でよい）、すなわち図１０では４００ドルに進むことがある。逆に、ユーザがスライダをスライダ１０１８の時間最大化端部までドラッグするとき、軸１０１０のスライダは、軸１０１０の最適価格範囲の左端、すなわち図１０では３００ドルに自動的に調整されることがある。

[0171] 図１２のブロック１２１２に示されるように、ニューラルネットワーク回帰モデルの代わりに、ランダムフォレスト回帰モデル又はブースティング決定木回帰モデルを使用することもできる。そのようなモデルについて図１４を参照して述べる。これらのモデルは、条件付き評価に基づいている。まず、過去出品リスト１１６を含む訓練データについて、入力データは判断分岐１４０２で評価される。図示される木１４００では、分岐は、出品リスト１１２の条件１４０２に基づく。

[0172] したがって、製品が「新品同様」状態である場合、木の右のパスをたどって下ることがあり、製品が「古い」状態である場合、木の左のパスをたどって下ることがある。製品が「古い」場合、そのメーカー１４０４が検査されることがあり、製品がメーカーＢの製品である場合、訓練スコアはボックス１４１０に入る。訓練プロセスの最後に、ボックス１４０８、１４１０、１４１２、及び１４１４が平均化され、各パスの最後にただ１つの出力値が残る。次いで、テスト入力データが決定木１４００で使用されるとき、出力値は最適価格５０６である。決定木では、ニューラルネットワーク回帰モデルでのノード１～ｊの最高パフォーマンスの特徴を分岐ノード（分散を最小化する特徴）とみなすことができ、これは、カテゴリ１４２に関する１本の木をもたらす。

[0173] しかし、ランダムフォレスト回帰では、これらの特徴がランダムに選択され、複数の木が作成される。ニューラルネットワークモデルでのノード１～ｊを構成する特徴を考慮に入れることができ、特徴（例えば５つの特徴）のランダム化された閾値が、決定木を作成するために使用される。複数のそのような木が作成されることもあり、それらのスコアが平均化され、最適スコア５０６として出力されることがある。第１又は第２のパラダイムが使用される場合、上述したように、販売者１０４は、販売者１０４が出品リストの経過時間の所定数（例えば２０日）以内に売りたいと思っていることを（仕様１５４を介して）価格設定モジュール１３８に知らせることができる。図２に示される例示的なカテゴリ価格減衰曲線２０２が、提供されるＦＳＯ１０６のカテゴリ１５２に適用されると仮定する。図２の例では、８０％の価格減衰点２０８Ｂが、出品リスト経過時間２１０＝２０日に最も近い。したがって、価格設定モジュール１３８は、この価格減衰点２０８Ｂ（すなわち８０％）を適用し、それにより８ドル（すなわち０．８×１０ドル）の提供価格４０４を提案することができる。追加又は代替として、販売者１０４に関連付けられる販売者柔軟性曲線３０４が、提供価格４０４を生成するために同様に適用されることがある。

[0174] 第１及び第２のパラダイムと同様に、価格範囲の生成後の第３のパラダイムも、最適価格及び価格範囲に関する関連の信頼閾値（ｃｔ＿ｃとして示される）を有することがある。そのような信頼閾値は、ニューラルネットワーク回帰モデルを訓練するために使用される過去出品リスト１１６の数、及び価格範囲の生成に使用される過去出品リスト１１６の数に依存し得る。

[0175] 信頼閾値に応じて、第１、第２、又は第３のパラダイムを使用するための決定を行うことができる。例えば、決定のための閾値が設定されることがある（例えば、０．６）。第３のパラダイムが、決定閾値よりも大きい信頼閾値統計値を有し（例えば、ｃｔ＿ｃが０．８である）、且つｃｔ＿ｂ、ｃｔ＿ａが決定閾値未満である場合、第３のパラダイムを使用することができる。複数のパラダイムが決定閾値を超える信頼閾値を有する場合、最高の信頼閾値尺度を有するパラダイムを使用することができる。最後に、いずれのパラダイムも決定閾値を超える信頼閾値を有さない場合、３つのパラダイムによって生成された３つの最適価格及び価格範囲全ての加重平均が使用されることがある。例えば、最適価格は、次式に従って計算されることがある。

[0176] 第１～第３のパラダイムに関する価格範囲の下限と上限は、上記の式の最適価格ａ～ｃの値を下限ａ～ｃ及び上限ａ～ｃに置き換えて、同様に重み付けすることができる。これらの式では、「ａ」は第１のパラダイムに対応し、「ｂ」は第２のパラダイムに対応し、「ｃ」は第３のパラダイムに対応する。

[0177] ＦＳＯ１０６に関する提供価格を生成するための他の実施形態は、２０１９年２月２８日出願の「在庫摂取及び価格設定システム（Inventory Ingestion And Pricing System）」という名称の米国特許出願第１６／２８８，２０３号（代理人整理番号４２２３．０１１０００１）に記載されており、その特許文書全体を参照により本明細書に援用し、それらの実施形態の任意のものを本明細書で使用することがある。

[0178] 再び図６を参照すると、６１２で、出品リスト作成モジュール１３４は、提供されるＦＳＯ１０６に関して１つ又は複数の出品リスト１１２を生成する。異なる出品リスト１１２は、異なるタイトル、説明、画像、及び提供価格４０４を有することがある。上で論じたように、出品リスト１１２での提供価格４０４は、６０４で提供された販売者の元の価格５０４、６１０で価格設定モジュール１３８によって生成された最適価格５０６、及び例えば６０８で決定された提供されるＦＳＯ１０６の販売者１０４及び／又はカテゴリ１５２に関連付けられるＺＯＰＡ５０８に基づく中間の価格であり得る。

[0179] 例えば、ＺＯＰＡ５０８Ｂに関して論じた上記の例を参照すると、購入者の合意を早める狙いで、提供価格Ｐ２～Ｐ５を同時にカバーする複数の出品リストが生成されることがある。別の例では、上記の人工知能の側面に関して論じたように、ニューラルネットワーク分析ごとに、一部の画像が他の画像よりも価値があるとみなされることがある。この場合、値の特定の閾値を超えない画像は、追加の生成される出品リストから除外されることがある。

[0180] 例えば、画像に関する元の出力画像価値の値が許容閾値未満である場合、追加として生成される出品リストから除外されることがある。さらに、ソーシャルメディアニューラルネットワークを使用して、同じ製品カテゴリ１５２内の同様のデータ点を査定し、任意の特定の記述言語をアプリケーショントレンドに関連付けることができるかどうかを判断することができる。例えば、出品リスト情報１２６は、ソーシャルメディア需要ニューラルネットワークからの高いソーシャルメディア出力値に対応する入力として提示される説明又はタイトルの言葉について検索されることがある。例えば、ソーシャルメディアニューラルネットワークで、非常に話題になっているハンドバッグに単語「新しいレザー」、「新品」、又は「美品」が関連付けられることがある場合、これらの単語も、追加の生成される出品リスト１１２内で使用することができる（出品リスト１１２の元の説明４０６でまだ使用されていない場合）。カテゴリ内の非常にトレンドの製品に関連付けられている様々な単語がある場合、複数の出品リスト１１２が生成されることがあり、１つの出品リストが、これらの単語入力のそれぞれに対応する。

[0181] 追加の出品リストを生成するそのような操作のさらなる例が、図８のフローチャート８０２に示されている。８０４で、出品リスト作成モジュール１３４は、提供されるＦＳＯ１０６の潜在的購入者１０８を識別する。例えば、ＦＳＯ１０６が特定のデザイナードレスである場合、潜在的購入者１０８は、そのデザイナーによるドレスを検索又は購入した人であり得る。別の例として、ＦＳＯ１０６がIPHONEアクセサリである場合、潜在的購入者１０８は、IPHONEを最近購入した人、又はIPHONEアクセサリを最近検索した人であり得る。

[0182] ８０６で、出品リスト作成モジュール１３４は、提供されるＦＳＯ１０６に関する出品リスト１１２の少なくとも一部を生成し、８０４で識別された潜在的購入者１０８のためにカスタマイズする。出品リスト作成モジュール１３４は、潜在的購入者１０８によって購入されたＦＳＯ１０６の過去出品リスト１１６を検索することによってこれを実装することができる。次いで、出品リスト作成モジュール１３４は、上述したニューラルネットワークモデルを使用することができ、モデルは、過去出品リスト１１６のこのサブセット、及び関連の取引情報１１８で訓練されることがある。このようにして、ニューラルネットワークは、過去出品リスト１１６を分析して、ニューラルネットワークモデルの特徴に関して潜在的購入者１０８の傾向及び嗜好を識別することができる。特定の説明、語句、画像タイプ、又は他の出品リスト情報１２６は、潜在的購入者１０８からのより高い需要に関連付けられることがあり、したがって、より高い収益性を販売者にもたらすことができる。例えば、一部の購入者１０８は、提供価格４０４が特定の範囲内にある場合、又はスケールが示されている画像を出品リスト１１２が含む場合、又は出品リスト１１２があまり繁雑でない場合（例えばより短い説明を含む場合）に、より購入する可能性が高くなり得る。

[0183] ８０８では、サイト１１０に出品リスト１１２を掲載することに加えて、出品リスト作成モジュール１３４は、カスタマイズされた出品リスト１１２にそれぞれの潜在的購入者１０８の注意を引き寄せることができる（電子メール又はテキストを介して、又はサイト１１０での購入者１０８のホームページに掲載する）。

[0184] 出品リスト１１２を自動的に生成するための他の実施形態は、２０１９年２月２８日出願の「在庫摂取及び価格設定システム（Inventory Ingestion And Pricing System）」という名称の米国特許出願第１６／２８８，２０３号（代理人整理番号４２２３．０１１０００１）、及び２０１９年９月１６日出願の「拡張現実コンピュータ技術を使用した出品リストの作成の自動化（Automating The Creation Of Listings Using Augmented Reality Computer Technology）」という名称の米国仮特許出願第６２／９００，７６４号（代理人整理番号４２２３．０１２００００）に記載されており、それらの特許文献の全体を参照により本明細書に援用し、それらの実施形態の任意のものを本明細書で使用することがある。

[0185] 再び図６を参照すると、６１４で、出品リスト１１２がサイト１１０に掲載された後（及び提供されるＦＳＯ１０６が売れる前）、スマートナッジエンジン１４０は、現在の出品リスト経過時間２１０に関連付けられるＺＯＰＡ５０８を定期的に使用して、より低い提供価格４０４を販売者１０４に提案し、（提供価格４０４がまだＺＯＰＡ５０８にない限りにおいて）提供価格４０４を適用可能なＺＯＰＡ５０８に「誘導」する。

[0186] 上でも論じたように、販売者１０４が最初にＦＳＯ１０６を売りに出した後、異なる出品リスト経過時間でＺＯＰＡを決定する際、最適価格５０６が定期的に再評価されることがある。最適価格５０６が後で再評価されるとき、ニューラルネットワークの入力１～ｊは、最適価格を決定するために上述したニューラルネットワーク回帰モデルに再入力されることがある。このようにして、このモデルは、市場の状況により、変化する需要を把握することが可能であり得る。

[0187] 例えば、新製品が出た場合、製品が腐敗する又は季節外れになる場合、又は販売者が現在財政難であり、ＧＵＩ１０００でのスライダ１０１８をドラッグして、販売者がすぐに製品を売りたいことを示す場合、これらの入力のそれぞれをモデルで考慮に入れて、モデルを調整して新たな最適価格５０６を提案することができる。さらに、ＦＳＯ１０６が最初に売りに出されたときには存在しなかった可能性があるソーシャルメディアトレンドの出現も、スマートナッジエンジン１４０による最適価格５０６の再評価によって捉えられることがある。

[0188] 追加の実施形態では、売切り条件が存在する場合、図１３Ｂのニューラルネットワークモデルに関して上述したようにバギング又はブートストラップ手法を実施することができ、図１０のＧＵＩ１０００でのフィールド１０１６の値（日数）を超える販売日を有する全ての以前の出品リストがモデルの訓練から除外されることがある。最適な価格が再評価される場合、ニューラルネットワークモデルは、さらなる実施形態では、バギング／ブートストラップ手法を採用することもあり、その場合、現在の出品時間よりも前の販売日を有する全ての以前の出品リスト１１６が除外されることもある。例えば、ＺＯＰＡ５０８Ｂに関する出品時間は１５日である。図１０での１０１６の売切り条件が５６日である場合、この手法に従って、１５日で図１３Ｂのニューラルネットワークモデルによって最適価格が再評価されるとき、初期提供日から１５日よりも前又は５６日よりも後に売られた全ての以前の出品リスト１１６がモデルの訓練から除外されることがある。次いで、モデルは、初期提供日から１５日～５６日の間に売れた以前の出品リストによって再訓練されることがあり、次いで、出品リストに関連付けられたテストデータ（図１０のＧＵＩ１０００での任意の更新されたフィールドを含む）が、モデルのノード１～ｊに関するテストデータとして入力されることがあり、更新された最適価格５０６が出力されることがある。

[0189] この更新されたブートストラップ／バギング手法を採用することによって、出品リストの経過時間２１０に特有の傾向を捉えることが可能であり得る。さらなる実施形態では、バギング／ブートストラップは、１つのモデルでは０日から売切り条件（例えばフィールド１０１６では５６日）の間、別のモデルでは１５日～５６日の間で行われることがあり、両方のモデルの出力が平均化されることもある。

[0190] そのような動作の一例が、図９のフローチャート９０２に示されている。９０４で、スマートナッジエンジン１４０は、現在の出品リスト経過時間２１０に適用可能なＺＯＰＡ５０８にアクセスする。

[0191] ９０６で、スマートナッジエンジン１４０は、現在の提供価格４０４が適用可能なＺＯＰＡ５０８の外にある出品リスト１１２について新たな提供価格４０４を決定する。新たな提供価格４０４は、これらの出品リスト１１２ごとに異なることがある。

[0192] また、いくつかの実施形態では、ＦＳＯ１０６がチャリティー目的で売られていることを販売者１０４が示した場合、より短期間でＦＳＯ１０６を売れるように、スマートナッジエンジン１４０は、より積極的な提供価格４０４（すなわち最適価格５０６により近い）を生成することがある。同様に、価格設定モジュール１３８は、販売者１０４が販売がチャリティー目的であることを示したとき、６１０において（初期提供価格４０４として）より積極的な（すなわちより低い）最適価格５０６を生成することがある。販売者１０４が、ＦＳＯ１０６を比較的短い期間内に売りたいと望んでいることを仕様１５４を介して示した場合にも、同じことが当てはまる。

[0193] また、９０６で、スマートナッジエンジン１４０は、これらの新たな提供価格４０４を販売者１０４に提案し、ここで、新たな提供価格４０４は、現在の出品リスト経過時間２１０に関する適用可能なＺＯＰＡ５０８の範囲内である。販売者１０４が合意する場合、９０８で、スマートナッジエンジン１４０は、出品リスト１１２での提供価格４０４を変更する。他の実施形態では、（６０４で）販売者１０４によってそのように指示された場合、スマートナッジエンジン１４０は、販売者１０４の承認を求めることなく、上で論じたように提供価格４０４を自動的に調整する。

[0194] 再び図６を参照すると、ステップ６１４は、提供されるＦＳＯ１０６が売れるまで繰り返される。

[0195] ６１６で、提供されるＦＳＯ１０６が売れた後、購入者１０８からの支払いが処理される（６０６で販売者１０４がチャリティーオプションを選択した場合、指定された慈善団体に提供される）。６１２で生成されたＦＳＯ１０６に関連付けられた出品リスト１１２は全て、他の購入者１０８によるさらなる購入を防止するためにロック又は削除される。

例示的なコンピュータシステム
[0196] 様々な実施形態及び／又はその構成要素は、例えば、図１０に示されているコンピュータシステム１５００など１つ又は複数のコンピュータシステムを使用して実装することができる。コンピュータシステム１５００は、本明細書で述べる機能を実行することが可能な任意のコンピュータ又はコンピューティングデバイスでよい。例えば、１つ又は複数のコンピュータシステム１５００又はその一部を使用して、図１～１４の任意の実施形態、及び／又はそれらの任意の組合せ若しくは部分的な組合せを実装することができる。

[0197] コンピュータシステム１５００は、プロセッサ１５０４など１つ又は複数のプロセッサ（中央処理装置又はＣＰＵとも呼ばれる）を含む。プロセッサ１５０４は、通信インフラストラクチャ又はバス１５０６に接続される。

[0198] １つ又は複数のプロセッサ１５０４は、それぞれグラフィックス処理ユニット（ＧＰＵ）でよい。いくつかの実施形態では、ＧＰＵは、数学的計算量の多いアプリケーションを処理するように設計された特別な電子回路であるプロセッサである。ＧＰＵは、コンピュータグラフィックスアプリケーション、画像、ビデオなどでよくある数学的計算量の多いデータなど、データの大きなブロックの並列処理に効率的な並列構造を有することができる。

[0199] コンピュータシステム１５００は、ユーザ入力／出力インターフェース１５０２を介して通信インフラストラクチャ１５０６と通信するユーザ入力／出力デバイス１５０３、例えばモニタ、キーボード、ポインティングデバイスなども含む。

[0200] コンピュータシステム１０００は、ランダムアクセスメモリ（ＲＡＭ）などのメイン又は一次メモリ１００８も含む。メインメモリ１５０８は、１つ又は複数のレベルのキャッシュを含むことができる。メインメモリ１５０８は、制御論理（すなわちコンピュータソフトウェア）及び／又はデータを記憶している。

[0201] コンピュータシステム１５００は、１つ又は複数の二次記憶デバイス又はメモリ１５１０を含むこともできる。二次メモリ１５１０は、例えばハードディスクドライブ１５１２及び／又はリムーバブルストレージデバイス若しくはドライブ１５１４を含むことができる。リムーバブルストレージドライブ１５１４は、フロッピーディスクドライブ、磁気テープドライブ、コンパクトディスクドライブ、光ストレージデバイス、テープバックアップデバイス、及び／又は任意の他のストレージデバイス／ドライブでよい。

[0202] リムーバブルストレージドライブ１５１４は、リムーバブルストレージユニット１５１８と対話することができる。リムーバブルストレージユニット１５１８は、コンピュータソフトウェア（制御論理）及び／又はデータを記憶しているコンピュータ使用可能又は可読記憶デバイスを含む。リムーバブルストレージユニット１５１８は、フロッピーディスク、磁気テープ、コンパクトディスク、ＤＶＤ、光記憶ディスク、及び／又は任意の他のコンピュータデータ記憶デバイスでよい。リムーバブルストレージドライブ１５１４は、よく知られている様式でリムーバブルストレージユニット１５１８から読み書きする。

[0203] 例示的実施形態によれば、二次メモリ１５１０は、コンピュータプログラム及び／又は他の命令及び／又はデータがコンピュータシステム１５００によってアクセスされることを可能にするための他の手段、方策、又は他の手法を含むことができる。そのような手段、方策、又は他の手法は、例えばリムーバブルストレージユニット１５２２及びインターフェース１５２０を含むことができる。リムーバブルストレージユニット１５２２及びインターフェース１５２０の例は、プログラムカートリッジ及びカートリッジインターフェース（ビデオゲームデバイスで見られるものなど）、リムーバブルメモリチップ（ＥＰＲＯＭ又はＰＲＯＭなど）、及び関連のソケット、メモリスティック及びＵＳＢポート、メモリカード及び関連のメモリカードスロット、及び／又は任意の他のリムーバブルストレージユニット及び関連のインターフェースを含むことができる。

[0204] コンピュータシステム１５００は、通信又はネットワークインターフェース１５２４をさらに含むことができる。通信インターフェース１５２４は、コンピュータシステム１５００が、（参照番号１５２８によって個別に及びまとめて参照される）リモートデバイス、リモートネットワーク、リモートエンティティなどの任意の組合せと通信及び対話することを可能にする。例えば、通信インターフェース１５２４は、コンピュータシステム１５００が、通信経路１５２６を介してリモートデバイス１５２８と通信することを可能にすることができ、通信経路１５２６は、有線及び／又は無線でよく、ＬＡＮ、ＷＡＮ、インターネットなどの任意の組合せを含むことができる。制御論理及び／又はデータは、通信経路１５２６を介してコンピュータシステム１５００との間で伝送することができる。

[0205] いくつかの実施形態では、制御論理（ソフトウェア）が記憶されている有形のコンピュータ使用可能又は可読媒体を含む非一時的であり有形の装置又は製造物品は、本明細書では、コンピュータプログラム製品又はプログラム記憶デバイスとも呼ばれる。これは、限定はしないが、コンピュータシステム１５００、メインメモリ１５０８、二次メモリ１５１０、及びリムーバブルストレージユニット１５１８、１５２２、並びに前述の任意の組合せを具現化する有形の製造物品を含むが、これらに限定されない。そのような制御論理は、１つ又は複数のデータ処理デバイス（コンピュータシステム１５００など）によって実行されるとき、そのようなデータ処理デバイスを、本明細書で述べたように動作させる。

[0206] 本開示に含まれる教示に基づいて、図１５に示されている以外のデータ処理デバイス、コンピュータシステム、及び／又はコンピュータアーキテクチャを使用して本開示の実施形態を作成及び使用する方法が当業者には明らかであろう。特に、いくつかの実施形態は、本明細書で述べたもの以外のソフトウェア、ハードウェア、及び／又はオペレーティングシステム実装で動作することができる。

結論
[0207] 本開示は、例示的な分野及び用途に関する例示的実施形態を述べているが、本開示がそれらに限定されないことを理解されたい。他の実施形態及び修正形態が可能であり、本開示の範囲及び精神内にある。例えば、この段落の一般性を制限することなく、いくつかの実施形態は、図に示される及び／又は本明細書で述べられるソフトウェア、ハードウェア、ファームウェア、及び／又はエンティティに限定されない。さらに、（本明細書で明示的に述べているかどうかにかかわらず）いくつかの実施形態は、本明細書で述べた例を超えた分野及び用途に対して大きな有用性を有する。

[0208] 本明細書では、いくつかの実施形態を、指定された機能及びそれらの関係の実装を示す機能ビルディングブロックにより述べてきた。これらの機能ビルディングブロックの境界は、説明の便宜上、本明細書では任意に定義されている。指定された機能及び関係（又はそれと同等のもの）が適切に実施される限り、代替の境界を定義することもできる。また、代替実施形態は、本明細書で述べた順序とは異なる順序を使用して、機能ブロック、ステップ、操作、方法などを実施することができる。

[0209] 本明細書における「一実施形態」、「実施形態」、「例示的実施形態」、又は同様の語句への言及は、記載される実施形態が特定の機能、構造、又は特徴を含むことができるが、あらゆる実施形態が特定の機能、構造、又は特徴を必ずしも含む必要はないことを示す。さらに、そのような語句は、必ずしも同じ実施形態に言及しているわけではない。さらに、特定の機能、構造、又は特徴が実施形態に関連して述べられているとき、本明細書で明示的に言及又は記載されているかどうかにかかわらず、そのような機能、構造、又は特徴を他の実施形態に組み込むことは、当業者の知識の範囲内であろう。さらに、「結合され」及び「接続され」という表現をそれらの派生語と共に使用していくつかの実施形態を述べることがある。これらの用語は、必ずしも互いに同義として意図されてはいない。例えば、いくつかの実施形態は、「接続され」及び／又は「結合され」という用語を使用して、２つ以上の要素が互いに直接物理的又は電気的に接触していることを示すことができる。しかし、「結合され」という用語は、２つ以上の要素が互いに直接接触していないが、それでも互いに協働又は相互作用することを意味することもできる。

Claims (18)

1. 販売者によって提供される販売物（ＦＳＯ）に関する出品リストを自動的にインテリジェントに生成する方法であって、
   前記ＦＳＯを販売するための仕様と自動出品リスト作成オプションの選択とを含む、前記ＦＳＯに関する情報を受信すること、
   前記ＦＳＯのカテゴリを決定すること、
   少なくとも前記カテゴリに基づいて最適提供価格を生成すること、並びに
   様々なタイトル、説明、画像、及び提供価格を含む、前記ＦＳＯに関する複数の出品リストを生成すること
   を含む方法。
2. 前記情報が、前記ＦＳＯの画像を含み、前記カテゴリを決定することが、
   前記画像を分析して、前記ＦＳＯの前記カテゴリを決定すること
   を含む、請求項１に記載の方法。
3. 前記仕様がチャリティーオプションの選択を含み、前記最適提供を生成することが、
   前記最適提供価格を生成するためのニューラルネットワーク回帰モデルに前記仕様を渡すこと、
   前記チャリティーオプションの前記選択に基づいて、前記ニューラルネットワーク回帰モデルの隠れ層ノードの値を下げること、及び
   前記チャリティーオプションが選択されたとき、より低い最適提供価格を生成すること
   を含む、請求項１に記載の方法。
4. 前記複数の出品リストを生成することが、
   潜在的購入者のために前記出品リストの少なくとも一部をカスタマイズすること
   を含む、請求項１に記載の方法。
5. 前記カスタマイズすることが、
   前記潜在的購入者の検索及び過去の購入に基づいて、前記潜在的購入者を識別すること、
   前記潜在的購入者の過去の購入を分析することによって、前記潜在的購入者の傾向及び嗜好を決定すること、並びに
   前記決定された傾向及び嗜好に基づいて、前記出品リストの前記少なくとも一部をカスタマイズすること
   を含む、請求項４に記載の方法。
6. 前記それぞれの潜在的購入者に、前記カスタマイズされた出品リストを転送すること
   をさらに含む、請求項５に記載の方法。
7. 少なくとも１つのコンピューティングデバイスによって実行されるとき、前記少なくとも１つのコンピューティングデバイスに、販売者によって提供される販売物（ＦＳＯ）に関する出品リストを自動的にインテリジェントに生成するための操作を実行させる命令が記憶されている非一時的なコンピュータ可読デバイスであって、前記操作が、
   前記ＦＳＯを販売するための仕様と自動出品リスト作成オプションの選択とを含む、前記ＦＳＯに関する情報を受信すること、
   前記ＦＳＯのカテゴリを決定すること、
   少なくとも前記カテゴリに基づいて最適提供価格を生成すること、並びに
   様々なタイトル、説明、画像、及び提供価格を含む、前記ＦＳＯに関する複数の出品リストを生成すること
   を含む非一時的なコンピュータ可読デバイス。
8. 前記情報が、前記ＦＳＯの画像を含み、前記カテゴリを決定することが、
   前記画像を分析して、前記ＦＳＯの前記カテゴリを決定すること
   を含む、請求項７に記載のデバイス。
9. 前記仕様がチャリティーオプションの選択を含み、前記最適提供を生成することが、
   前記最適提供価格を生成するためのニューラルネットワーク回帰モデルに前記仕様を渡すこと、
   前記チャリティーオプションの前記選択に基づいて、前記ニューラルネットワーク回帰モデルの隠れ層ノードの値を下げること、及び
   前記チャリティーオプションが選択されたとき、より低い最適提供を生成すること
   を含む、請求項７に記載のデバイス。
10. 前記複数の出品リストを生成することが、
    潜在的購入者のために前記出品リストの少なくとも一部をカスタマイズすること
    を含む、請求項７に記載のデバイス。
11. 前記カスタマイズすることが、
    前記潜在的購入者の検索及び過去の購入に基づいて、前記潜在的購入者を識別すること、
    前記潜在的購入者の過去の購入を分析することによって、前記潜在的購入者の傾向及び嗜好を決定すること、並びに
    前記決定された傾向及び嗜好に基づいて、前記出品リストの前記少なくとも一部をカスタマイズすること
    を含む、請求項１０に記載のデバイス。
12. 前記操作が、
    前記それぞれの潜在的購入者に、前記カスタマイズされた出品リストを転送すること
    をさらに含む、請求項１１に記載のデバイス。
13. 販売者によって提供される販売物（ＦＳＯ）に関する出品リストを自動的にインテリジェントに生成するシステムであって、
    メモリと、
    前記メモリに結合され、操作を実行するように構成された少なくとも１つのプロセッサであって、前記操作が、
    前記ＦＳＯを販売するための仕様と自動出品リスト作成オプションの選択とを含む、前記ＦＳＯに関する情報を受信すること、
    前記ＦＳＯのカテゴリを決定すること、
    少なくとも前記カテゴリに基づいて最適提供価格を生成すること、並びに
    様々なタイトル、説明、画像、及び提供価格を含む、前記ＦＳＯに関する複数の出品リストを生成すること
    を含む、少なくとも１つのプロセッサと
    を備えるシステム。
14. 前記情報が、前記ＦＳＯの画像を含み、前記カテゴリを決定することが、
    前記画像を分析して、前記ＦＳＯの前記カテゴリを決定すること
    を含む、請求項１３に記載のシステム。
15. 前記仕様がチャリティーオプションの選択を含み、前記最適提供を生成することが、
    前記最適提供価格を生成するためのニューラルネットワーク回帰モデルに前記仕様を渡すこと、
    前記チャリティーオプションの前記選択に基づいて、前記ニューラルネットワーク回帰モデルの隠れ層ノードの値を下げること、及び
    前記チャリティーオプションが選択されたとき、より低い最適提供を生成すること
    を含む、請求項１３に記載のシステム。
16. 前記複数の出品リストを生成することが、
    潜在的購入者のために前記出品リストの少なくとも一部をカスタマイズすること
    を含む、請求項１３に記載のシステム。
17. 前記カスタマイズすることが、
    前記潜在的購入者の検索及び過去の購入に基づいて、前記潜在的購入者を識別すること、
    前記潜在的購入者の過去の購入を分析することによって、前記潜在的購入者の傾向及び嗜好を決定すること、並びに
    前記決定された傾向及び嗜好に基づいて、前記出品リストの前記少なくとも一部をカスタマイズすること
    を含む、請求項１６に記載のシステム。
18. 前記操作が、
    前記それぞれの潜在的購入者に、前記カスタマイズされた出品リストを転送すること
    をさらに含む、請求項１７に記載のシステム。

Images