JP2024004704A - 関連性推定システム、関連性推定方法、及びプログラム - Google Patents
関連性推定システム、関連性推定方法、及びプログラム Download PDFInfo
- Publication number
- JP2024004704A JP2024004704A JP2022104460A JP2022104460A JP2024004704A JP 2024004704 A JP2024004704 A JP 2024004704A JP 2022104460 A JP2022104460 A JP 2022104460A JP 2022104460 A JP2022104460 A JP 2022104460A JP 2024004704 A JP2024004704 A JP 2024004704A
- Authority
- JP
- Japan
- Prior art keywords
- query
- conversion
- relevance
- service
- search
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims description 103
- 238000006243 chemical reaction Methods 0.000 claims abstract description 328
- 238000012549 training Methods 0.000 claims abstract description 164
- 238000012545 processing Methods 0.000 claims abstract description 58
- 238000007493 shaping process Methods 0.000 claims description 130
- 230000008569 process Effects 0.000 claims description 79
- 230000006870 function Effects 0.000 claims description 18
- 239000000047 product Substances 0.000 description 73
- 238000012986 modification Methods 0.000 description 53
- 230000004048 modification Effects 0.000 description 53
- 238000013500 data storage Methods 0.000 description 35
- 230000000877 morphologic effect Effects 0.000 description 27
- 238000010586 diagram Methods 0.000 description 22
- 238000004891 communication Methods 0.000 description 18
- 238000010801 machine learning Methods 0.000 description 13
- 239000012084 conversion product Substances 0.000 description 9
- 230000008859 change Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- VZSRBBMJRBPUNF-UHFFFAOYSA-N 2-(2,3-dihydro-1H-inden-2-ylamino)-N-[3-oxo-3-(2,4,6,7-tetrahydrotriazolo[4,5-c]pyridin-5-yl)propyl]pyrimidine-5-carboxamide Chemical compound C1C(CC2=CC=CC=C12)NC1=NC=C(C=N1)C(=O)NCCC(N1CC2=C(CC1)NN=N2)=O VZSRBBMJRBPUNF-UHFFFAOYSA-N 0.000 description 1
- DEXFNLNNUZKHNO-UHFFFAOYSA-N 6-[3-[4-[2-(2,3-dihydro-1H-inden-2-ylamino)pyrimidin-5-yl]piperidin-1-yl]-3-oxopropyl]-3H-1,3-benzoxazol-2-one Chemical class C1C(CC2=CC=CC=C12)NC1=NC=C(C=N1)C1CCN(CC1)C(CCC1=CC2=C(NC(O2)=O)C=C1)=O DEXFNLNNUZKHNO-UHFFFAOYSA-N 0.000 description 1
- MKYBYDHXWVHEJW-UHFFFAOYSA-N N-[1-oxo-1-(2,4,6,7-tetrahydrotriazolo[4,5-c]pyridin-5-yl)propan-2-yl]-2-[[3-(trifluoromethoxy)phenyl]methylamino]pyrimidine-5-carboxamide Chemical class O=C(C(C)NC(=O)C=1C=NC(=NC=1)NCC1=CC(=CC=C1)OC(F)(F)F)N1CC2=C(CC1)NN=N2 MKYBYDHXWVHEJW-UHFFFAOYSA-N 0.000 description 1
- NIPNSKYNPDTRPC-UHFFFAOYSA-N N-[2-oxo-2-(2,4,6,7-tetrahydrotriazolo[4,5-c]pyridin-5-yl)ethyl]-2-[[3-(trifluoromethoxy)phenyl]methylamino]pyrimidine-5-carboxamide Chemical compound O=C(CNC(=O)C=1C=NC(=NC=1)NCC1=CC(=CC=C1)OC(F)(F)F)N1CC2=C(CC1)NN=N2 NIPNSKYNPDTRPC-UHFFFAOYSA-N 0.000 description 1
- AFCARXCZXQIEQB-UHFFFAOYSA-N N-[3-oxo-3-(2,4,6,7-tetrahydrotriazolo[4,5-c]pyridin-5-yl)propyl]-2-[[3-(trifluoromethoxy)phenyl]methylamino]pyrimidine-5-carboxamide Chemical class O=C(CCNC(=O)C=1C=NC(=NC=1)NCC1=CC(=CC=C1)OC(F)(F)F)N1CC2=C(CC1)NN=N2 AFCARXCZXQIEQB-UHFFFAOYSA-N 0.000 description 1
- 230000004308 accommodation Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
【課題】コンバージョンクエリと、コンバージョンが発生したサービスと、の関連性を推定する。【解決手段】関連性推定システム(1)の取得部(201)は、検索連動型広告により所定のサービスでコンバージョンが発生したコンバージョンクエリを取得する。関連性推定部(205)は、所定のサービスとの関連性がある訓練用クエリが学習された学習モデルに基づいて、コンバージョンクエリと、所定のサービスと、の関連性を推定する。処理実行部(204)は、関連性に基づいて、所定の処理を実行する。【選択図】図11
Description
本開示は、関連性推定システム、関連性推定方法、及びプログラムに関する。
従来、ユーザが入力したクエリに応じた検索結果とともに、当該クエリに応じた広告を表示させる検索連動型広告が知られている。検索連動型広告でコンバージョンが発生したコンバージョンクエリは、種々の目的で利用できるので、非常に有用な情報である。例えば、コンバージョンクエリは、検索連動型広告におけるインデックス又は表示用キーワードとして利用したり、ユーザの傾向を分析するためのマーケティングに利用したりすることができる。
コンバージョンクエリの中には、コンバージョンが発生したサービスとの関連性が低いものも存在する。このようなコンバージョンクエリは、有用な情報ではなく、逆にノイズになる可能性がある。例えば、特許文献1には、コンテンツに関連付けるキーワードとしての評価値を算定することによって、コンテンツの訴求効果を高めるキーワードを抽出する技術が記載されている。
しかしながら、特許文献1の技術では、コンテンツの訴求効果を高めるキーワードを抽出することはできても、キーワードとサービスとの関連性を推定することはできない。更に、特許文献1の技術では、あくまで、コンテンツからキーワードを抽出することを想定しているので、検索連動型広告におけるコンバージョンが発生したコンバージョンクエリについては何ら想定されてものではない。従来の技術では、コンバージョンクエリと、コンバージョンが発生したサービスと、の関連性を推定することはできなかった。
本開示の目的の1つは、コンバージョンクエリと、コンバージョンが発生したサービスと、の関連性を推定することである。
本開示に係る関連性推定システムは、検索連動型広告により所定のサービスでコンバージョンが発生したコンバージョンクエリを取得する取得部と、前記所定のサービスとの関連性がある訓練用クエリが学習された学習モデルに基づいて、前記コンバージョンクエリと、前記所定のサービスと、の関連性を推定する関連性推定部と、前記関連性に基づいて、所定の処理を実行する処理実行部と、を含む。
本開示によれば、コンバージョンクエリと、コンバージョンが発生したサービスと、の関連性を推定できる。
[1.第1実施形態]
本開示に係る実施形態の一例である第1実施形態を説明する。第1実施形態では、EC(Electronic Commerce)サービスの運営者がクエリ整形システムを利用する場合を例に挙げる。クエリ整形システムは、ECサービス以外の他のサービスにも適用可能である。他のサービスへの適用例は、後述の変形例で説明する。
本開示に係る実施形態の一例である第1実施形態を説明する。第1実施形態では、EC(Electronic Commerce)サービスの運営者がクエリ整形システムを利用する場合を例に挙げる。クエリ整形システムは、ECサービス以外の他のサービスにも適用可能である。他のサービスへの適用例は、後述の変形例で説明する。
[1-1.クエリ整形システムの全体構成]
図1は、クエリ整形システムの全体構成の一例を示す図である。例えば、クエリ整形システム1は、ECサーバ10及び広告主端末20を含む。クエリ整形システム1の外部には、検索サーバ30及びユーザ端末40が存在する。ECサーバ10、広告主端末20、検索サーバ30、及びユーザ端末40の各々は、インターネット又はLAN等のネットワークNに接続可能である。
図1は、クエリ整形システムの全体構成の一例を示す図である。例えば、クエリ整形システム1は、ECサーバ10及び広告主端末20を含む。クエリ整形システム1の外部には、検索サーバ30及びユーザ端末40が存在する。ECサーバ10、広告主端末20、検索サーバ30、及びユーザ端末40の各々は、インターネット又はLAN等のネットワークNに接続可能である。
ECサーバ10は、ECサービスにおけるサーバコンピュータである。例えば、ECサーバ10は、制御部11、記憶部12、及び通信部13を含む。制御部11は、少なくとも1つのプロセッサを含む。記憶部12は、RAM等の揮発性メモリと、フラッシュメモリ等の不揮発性メモリと、を含む。通信部13は、有線通信用の通信インタフェースと、無線通信用の通信インタフェースと、の少なくとも一方を含む。
広告主端末20は、検索サービスに検索連動型広告を掲載する広告主のコンピュータである。第1実施形態では、ECサービスの運営者が広告主である場合を説明するが、広告主は、ECサービスに出店する店舗又は商品メーカーといった他の者であってもよい。例えば、広告主端末20は、パーソナルコンピュータ、スマートフォン、タブレット端末、又はウェアラブル端末である。
例えば、広告主端末20は、制御部21、記憶部22、通信部23、操作部24、及び表示部25を含む。制御部21、記憶部22、及び通信部23の物理的構成は、それぞれ制御部11、記憶部12、及び通信部13と同様である。操作部24は、タッチパネル又はマウス等の入力デバイスである。表示部25は、液晶ディスプレイ又は有機ELディスプレイである。
検索サーバ30は、検索サービスにおけるサーバコンピュータである。第1実施形態では、ウェブページの検索サービスを例に挙げるが、検索サービスは、コンテンツ、商品、サービス、又は文書といった他の検索対象を検索するサービスであってもよい。例えば、検索サーバ30は、制御部31、記憶部32、及び通信部33を含む。制御部31、記憶部32、及び通信部33の物理的構成は、それぞれ制御部11、記憶部12、及び通信部13と同様である。
ユーザ端末40は、ユーザのコンピュータである。例えば、ユーザ端末40は、パーソナルコンピュータ、スマートフォン、タブレット端末、又はウェアラブル端末である。例えば、ユーザ端末40は、制御部41、記憶部42、通信部43、操作部44、及び表示部45を含む。制御部41、記憶部42、通信部43、操作部44、及び表示部45の物理的構成は、それぞれ制御部11、記憶部12、通信部13、操作部24、及び表示部25と同様である。
なお、記憶部12,22,32,42に記憶されるプログラムは、ネットワークNを介して供給されてもよい。また、コンピュータ読み取り可能な情報記憶媒体を読み取る読取部(例えば、メモリカードスロット)と、外部機器とデータの入出力をするための入出力部(例えば、USBポート)と、の少なくとも一方が各コンピュータに含まれてもよい。例えば、情報記憶媒体に記憶されたプログラムが、読取部及び入出力部の少なくとも一方を介して供給されてもよい。
また、クエリ整形システム1は、少なくとも1つのコンピュータを含めばよく、図1の例に限られない。例えば、クエリ整形システム1は、ECサーバ10を含まずに、広告主端末20だけを含んでもよい。この場合、ECサーバ10は、クエリ整形システム1の外部に存在する。例えば、クエリ整形システム1は、広告主端末20を含まずに、ECサーバ10だけを含んでもよい。この場合、広告主端末20は、クエリ整形システム1の外部に存在し、ECサーバ10は、広告主端末20と同様の機能を有する。
[1-2.クエリ整形システムの概要]
第1実施形態では、ECサービスの運営者は、検索サービスに対し、検索連動型広告の掲載を依頼する。検索連動型広告は、検索サービスで検索結果とともに表示される広告である。検索連動型広告は、クエリに関連する広告である。クエリは、ユーザが入力した検索条件である。クエリは、キーワードと呼ばれることもある。検索サービスで利用される検索エンジン、クエリ、及び検索連動型広告自体は、種々のタイプを利用可能である。クエリは、日本語、中国語、又は英語といった任意の言語で入力可能である。
第1実施形態では、ECサービスの運営者は、検索サービスに対し、検索連動型広告の掲載を依頼する。検索連動型広告は、検索サービスで検索結果とともに表示される広告である。検索連動型広告は、クエリに関連する広告である。クエリは、ユーザが入力した検索条件である。クエリは、キーワードと呼ばれることもある。検索サービスで利用される検索エンジン、クエリ、及び検索連動型広告自体は、種々のタイプを利用可能である。クエリは、日本語、中国語、又は英語といった任意の言語で入力可能である。
図2は、検索サービスで検索連動型広告が表示されて、ECサービスでコンバージョンが発生する流れの一例を示す図である。コンバージョンは、検索連動型広告の成果である。第1実施形態では、商品が購入されることがコンバージョンに相当する場合を説明するが、コンバージョンは、目標となる行動が行われた状態であればよく、商品の購入に限られない。例えば、コンバージョンは、検索連動型広告を選択すること、特定のウェブページを表示させること、特定のデータをダウンロードすること、又は商品を買い物かごに入れることであってもよい。
例えば、ユーザ端末40が検索サーバ30にアクセスすると、検索サービスのトップ画面SC1が表示部45に表示される。ユーザは、トップ画面SC1の入力フォームF10に、クエリを入力する。ユーザがボタンB11を選択すると、検索サーバ30は、ユーザが入力したクエリに基づいて、ウェブページの検索と、検索連動型広告の検索と、を実行する。ユーザ端末40が検索サーバ30からこれらの実行結果を受信すると、検索結果画面SC2が表示部45に表示される。
例えば、検索結果画面SC2は、検索連動型広告を表示するための表示領域A20と、検索結果を表示するための表示領域A21と、を含む。クエリにヒットする検索連動型広告が存在しなければ、表示領域A20には、検索連動型広告が表示されない。検索連動型広告は、ECサービスへのリンクを含む。リンクは、クエリと、検索連動型広告を識別可能な広告IDと、を引数として含む。リンクの引数により、ECサービスの運営者は、何のクエリによってどの検索連動型広告が選択されたかを特定できる。
第1実施形態では、検索サービスにおいて、ユーザが入力したクエリに対し、形態素解析が実行されるものとする。検索サービスでは、ユーザが入力したクエリが形態素に分割され、不要な語が除去されたうえで検索が実行される。ECサービスの運営者は、検索サービスの運営者とは異なる。このため、ECサービスの運営者は、検索サービス側でどのような形態素解析が実行されるかを把握できないものとする。
例えば、表示領域A20には、形態素に分割されたクエリと、ECサービスへのリンクと、が表示される。リンクの引数に含まれるクエリは、形態素に分割されたクエリである。入力フォームF22には、形態素に分割される前のクエリが表示される。ただし、検索サービスの内部的には、入力フォームF22ではなく、表示領域A20に表示されたクエリに基づいて検索が実行されるものとしてよい。ユーザは、入力フォームF22に対し、再びクエリを入力して検索を実行することもできる。
例えば、ユーザが表示領域A20の検索連動型広告を選択すると、ユーザ端末40がECサーバ10にアクセスして商品画面SC3が表示部45に表示される。商品画面SC3は、検索連動型広告のリンク先のウェブページである。ユーザが、ECサービスで商品を買い物かごに入れて注文手続を完了すると、注文完了画面SC4が表示部45に表示される。商品の注文手続自体は、公知のECサービスと同じ流れであってよい。
第1実施形態では、ユーザが、検索連動型広告を選択してECサーバにアクセスし、商品の注文を完了することが、コンバージョンに相当する。以降、コンバージョンが発生したクエリを、コンバージョンクエリという。表示領域A20では、コンバージョンクエリが形態素に分割された状態で表示されるので、ユーザが違和感を抱く可能性がある。更に、表示領域A20に表示されるコンバージョンクエリの見栄えが悪いので、検索連動型広告の訴求効果が低下する可能性がある。
例えば、検索サービス側で、形態素に分割される前のコンバージョンクエリ(入力フォームF22と同じ状態のコンバージョンクエリ)を表示領域A20に表示させるようにすることも考えられる。しかしながら、ECサービスの運営者が、このような改修を要求しても、検索サービスの運営者が改修に応じない可能性がある。もし仮に、検索サービスの運営者が改修に応じたとしても、検索サービスの運営者側の負担がかかる。
この点、ECサービスの運営者が、形態素に分割される前のコンバージョンクエリを取得できれば、検索サービスにおける広告主専用のデータベースに、このコンバージョンクエリを登録することによって、表示領域A20の表示を適切な状態にすることができる。しかしながら、形態素に分割された後の状態のコンバージョンクエリがリンクの引数に含まれるので、ECサービスの運営者は、適切な状態のコンバージョンクエリを取得できない。そこで、クエリ整形システム1は、形態素に分割されたコンバージョンクエリが元に戻るように整形する。
図3は、コンバージョンクエリを整形する流れの一例を示す図である。第1実施形態では、コンバージョンクエリに含まれる語の単位を、トークンという。トークンは、スペース又は記号等のセパレータによって分割された語である。図3の例では、ユーザが入力したコンバージョンクエリQ1は、トークンT10~T12を含む。トークンT10,T11の間と、トークンT11,T12の間と、には、セパレータが存在する。
例えば、形態素に分割された後のコンバージョンクエリQ2は、トークンT20~T27を含む。トークンT20,T21の間、トークンT21,T22の間、トークンT22,T23の間、トークンT23,T24の間、トークンT24,T25の間、トークンT25,T26の間、及びトークンT26,T27の間には、セパレータが存在する。ECサービスの運営者は、コンバージョンクエリQ2を取得する。
例えば、コンバージョンクエリQ2に対し、デトークナイゼーションが実行される。デトークナイゼーションは、全部又は一部のセパレータを削除することである。図3の例では、コンバージョンクエリQ2の全てのセパレータが削除される。このため、トークンT20~T27が全て結合される。デトークナイゼーション済みのコンバージョンクエリQ3は、1つのトークンT30のみを含む。
第1実施形態では、機械学習の手法を利用したクエリ整形モデルM1が用意されている。クエリ整形モデルM1は、デトークナイゼーションされたコンバージョンクエリQ3に対し、適切なトークナイゼーションを実行できるように学習されている。トークナイゼーションは、少なくとも1つのセパレータを挿入することである。図3の例では、クエリ整形モデルM1により整形されたコンバージョンクエリQ4は、コンバージョンクエリQ1と同じである。
以上のように、クエリ整形システム1は、形態素に分割された後のコンバージョンクエリQ2に対し、デトークナイゼーションを実行したうえで、クエリ整形モデルM1でトークナイゼーションを実行することによって、コンバージョンクエリQ1を取得する。これにより、検索連動型広告におけるコンバージョンクエリを適切な状態に整形できるようになっている。以降、クエリ整形システム1の詳細を説明する。なお、図3を参照する必要がない時は、コンバージョンクエリQ1~Q4の符号を省略する。
[1-3.第1実施形態で実現される機能]
図4は、第1実施形態で実現される機能の一例を示す図である。
図4は、第1実施形態で実現される機能の一例を示す図である。
[1-3-1.ECサーバで実現される機能]
例えば、ECサーバ10は、データ記憶部100及び注文処理部101を含む。データ記憶部100は、記憶部12により実現される。注文処理部101は、制御部11により実現される。
例えば、ECサーバ10は、データ記憶部100及び注文処理部101を含む。データ記憶部100は、記憶部12により実現される。注文処理部101は、制御部11により実現される。
[データ記憶部]
データ記憶部100は、ECサービスの提供に必要なデータを記憶する。例えば、データ記憶部100は、商品データベースDB1と、コンバージョンデータベースDB2と、を記憶する。
データ記憶部100は、ECサービスの提供に必要なデータを記憶する。例えば、データ記憶部100は、商品データベースDB1と、コンバージョンデータベースDB2と、を記憶する。
図5は、商品データベースDB1の一例を示す図である。商品データベースDB1は、ECサービスにおける商品に関する各種情報が格納されたデータベースである。例えば、商品データベースDB1には、店舗ID、商品ID、商品のタイトル、商品の属性、商品の価格、商品の詳細説明、及び検索用のキーワードが格納される。商品データベースDB1には、商品に関する任意の情報が格納されてよく、図5以外の他の情報が格納されてもよい。
店舗IDは、ECサービスにおける店舗を識別可能な店舗識別情報の一例である。店舗識別情報は、店舗名、電話番号、又はメールアドレスといった他の情報であってもよい。商品IDは、商品を識別可能な商品識別情報の一例である。商品識別情報は、商品名又はJANコードといった他の情報であってもよい。タイトル、属性、価格、詳細説明、及びキーワードは、ECサービスにおける検索時のインデックスとして利用される。検索サービスではなく、ECサービスの中でも、ユーザはクエリを入力して商品を検索できる。
図6は、コンバージョンデータベースDB2の一例を示す図である。コンバージョンデータベースDB2は、ECサービスで発生したコンバージョンに関する各種情報が格納されたデータベースである。例えば、コンバージョンクエリデータベースには、広告ID、商品ID、ユーザID、形態素に分割されたコンバージョンクエリ、及びコンバージョンの日時が格納される。コンバージョンデータベースDB2には、コンバージョンに関する任意の情報が格納されてよく、図6以外の他の情報が格納されてもよい。
広告IDは、検索連動型広告を識別可能な広告識別情報の一例である。広告識別情報は、検索連動型広告を何らかの形で識別可能な情報であればよく、広告ID以外の名前で呼ばれる他の情報であってもよい。コンバージョンデータベースDB2には、コンバージョンの要因となった検索連動型広告の広告IDが格納される。広告IDは、検索連動型広告のリンクの引数に含まれる。ECサーバ10は、引数に含まれる広告IDを取得することによって、どの検索連動型広告が選択されたのかを特定できる。
例えば、コンバージョンデータベースDB2には、コンバージョンによって注文された商品の商品ID、商品を注文したユーザのユーザID、検索連動型広告のリンクの引数に含まれるコンバージョンクエリ、及びコンバージョンが発生した時の現在日時が格納される。第1実施形態では、コンバージョンが発生するたびに、後述の注文処理部101は、コンバージョンデータベースDB2に新たなレコードを作成し、当該コンバージョンに関する各種情報を格納する。
なお、データ記憶部100に記憶されるデータは、上記の例に限られない。例えば、データ記憶部100は、ECサービスに会員登録をしたユーザに関する各種情報が格納されたユーザデータベースを記憶してもよい。ユーザデータベースには、ユーザID、パスワード、氏名、住所、電話番号、メールアドレス、商品の閲覧履歴、及び商品の購入履歴といった情報が格納される。
[注文処理部]
注文処理部101は、ユーザによる商品の注文を受け付けるための注文処理を実行する。注文処理自体は、公知のECサービスの処理を利用可能である。例えば、注文処理部101は、ユーザが買い物かごに商品を入れて注文の手続をした場合に、商品の決済に必要な決済処理と、商品の発送に必要な発送処理と、を実行する。決済処理は、ユーザが指定したクレジットカード等の決済手段を利用して支払をするための処理である。発送処理は、店舗に対し、ユーザが注文した商品に関する情報を送信するための処理である。先述したように、コンバージョンが発生すると、注文処理部101は、コンバージョンデータベースDB2を更新する。
注文処理部101は、ユーザによる商品の注文を受け付けるための注文処理を実行する。注文処理自体は、公知のECサービスの処理を利用可能である。例えば、注文処理部101は、ユーザが買い物かごに商品を入れて注文の手続をした場合に、商品の決済に必要な決済処理と、商品の発送に必要な発送処理と、を実行する。決済処理は、ユーザが指定したクレジットカード等の決済手段を利用して支払をするための処理である。発送処理は、店舗に対し、ユーザが注文した商品に関する情報を送信するための処理である。先述したように、コンバージョンが発生すると、注文処理部101は、コンバージョンデータベースDB2を更新する。
[1-3-2.広告主端末で実現される機能]
例えば、広告主端末20は、データ記憶部200、取得部201、デトークナイゼーション実行部202、クエリ整形部203、及び処理実行部204を含む。データ記憶部200は、記憶部12により実現される。取得部201、デトークナイゼーション実行部202、クエリ整形部203、及び処理実行部204は、制御部11により実現される。
例えば、広告主端末20は、データ記憶部200、取得部201、デトークナイゼーション実行部202、クエリ整形部203、及び処理実行部204を含む。データ記憶部200は、記憶部12により実現される。取得部201、デトークナイゼーション実行部202、クエリ整形部203、及び処理実行部204は、制御部11により実現される。
[データ記憶部]
データ記憶部200は、クエリ整形に必要なデータを記憶する。例えば、データ記憶部200は、学習済みのクエリ整形モデルM1を記憶する。クエリ整形モデルM1は、クエリ整形の処理を実行するプログラム部分と、学習によって調整されるパラメータ部分と、を含む。例えば、パラメータは、重み及びバイアスである。パラメータは、クエリ整形モデルM1として利用する機械学習手法に応じたものであればよい。
データ記憶部200は、クエリ整形に必要なデータを記憶する。例えば、データ記憶部200は、学習済みのクエリ整形モデルM1を記憶する。クエリ整形モデルM1は、クエリ整形の処理を実行するプログラム部分と、学習によって調整されるパラメータ部分と、を含む。例えば、パラメータは、重み及びバイアスである。パラメータは、クエリ整形モデルM1として利用する機械学習手法に応じたものであればよい。
第1実施形態では、Seq2Seq(Sequence to Sequence)を利用したクエリ整形モデルM1を例に挙げる。Seq2Seqは、処理対象となる入力データが入力されるエンコーダと、エンコーダから出力された特徴量を取得し、特徴量に応じた出力データを出力するデコーダと、を含む。特徴量は、入力データの特徴に関する情報である。第1実施形態では、特徴量が多次元ベクトルで表現される場合を説明するが、特徴量は、配列又は単一の数値といった他の形式で表現されてもよい。
図7は、クエリ整形モデルM1の学習方法の一例を示す図である。例えば、クエリ整形モデルM1の訓練データは、入力データに相当する訓練用クエリと、出力データに相当する訓練用クエリと、のペアである。入力データに相当する訓練用クエリは、整形前の訓練用クエリである。出力データに相当する訓練用クエリは、整形済みの訓練用クエリである。訓練データに含まれるペアは、クエリ整形モデルM1にどのような整形をさせるかに応じて用意すればよい。
本実施形態では、デトークナイゼーション済みのコンバージョンクエリがクエリ整形モデルM1に入力され、トークナイゼーション済みのコンバージョンクエリがクエリ整形モデルM1から出力されるので、訓練データに含まれるペアも、これらのペアに応じたものになる。図7の例では、入力データに相当する訓練用クエリは、複数のトークンを含む訓練用クエリをデトークナイゼーションして1つのトークンのみを含むものである。出力データに相当する訓練用クエリは、当該複数のトークンを含む訓練用クエリである。
例えば、広告主端末20は、入力データに相当する訓練用クエリが入力された場合に、訓出力データに相当する訓練用クエリが出力されるように、クエリ整形モデルM1のパラメータを調整することによって、訓練データをクエリ整形モデルM1に学習させる。学習自体は、機械学習手法で利用されている種々のアルゴリズムを利用可能であり、例えば、誤差逆伝播法又は勾配降下法が利用されてもよい。クエリ整形モデルM1の学習は、広告主端末20ではなく、他のコンピュータにより実行されてもよい。
第1実施形態では、ECサービスで実際に入力されたクエリが訓練用クエリとして利用される。このクエリは、コンバージョンクエリではなくてもよい。例えば、広告主端末20は、ECサーバ10から、ECサービスで実際に入力されたクエリを取得する。広告主端末20は、このクエリに基づいて、訓練データを生成する。このクエリが適切な位置にセパレータを含むのであれば、デトークナイゼーションを実行したものと、このクエリと、のペアが訓練データになる。このクエリが適切な位置にセパレータを含んでいなければ、ECサービスの運営者は、適宜手動で整形を行えばよい。
なお、ECサービスではなく、検索サービスで実際に入力されたクエリが訓練用クエリとして利用されてもよい。このクエリは、コンバージョンクエリではなくてもよい。例えば、広告主端末20は、検索サーバ30から、検索サービスで実際に入力されたクエリを取得する。広告主端末20は、このクエリに基づいて、訓練データを生成してもよい。また、データ記憶部200は、他のデータを記憶してもよい。例えば、データ記憶部200は、コンバージョンデータベースDB2を記憶してもよい。
また、クエリ整形モデルM1は、Seq2Seq以外の種々の機械学習手法を利用可能である。クエリ整形モデルM1は、教師有り学習、半教師有り学習、又は教師無し学習の何れでのモデルあってもよい。例えば、ニューラルネットワークを利用したモデル、又は、Transformerと呼ばれるモデルであってもよい。クエリ整形モデルM1は、機械学習手法のモデルであればよい。また、クエリ整形モデルM1は、LSTMやGRUといったRNNをエンコーダとデコーダとして用いるSeq2Seqモデルであってよい。
[取得部]
取得部201は、検索連動型広告に関するコンバージョンが発生したコンバージョンクエリを取得する。第1実施形態では、コンバージョンクエリがコンバージョンデータベースDB2に格納されているので、取得部201は、コンバージョンデータベースDB2から、クエリ整形の対象となるコンバージョンクエリを取得する。コンバージョンデータベースDB2以外の他のデータベース、又は、ECサーバ10以外の他のコンピュータにコンバージョンクエリが格納されている場合には、取得部201は、他のデータベース又は他のコンピュータからコンバージョンクエリを取得する。
取得部201は、検索連動型広告に関するコンバージョンが発生したコンバージョンクエリを取得する。第1実施形態では、コンバージョンクエリがコンバージョンデータベースDB2に格納されているので、取得部201は、コンバージョンデータベースDB2から、クエリ整形の対象となるコンバージョンクエリを取得する。コンバージョンデータベースDB2以外の他のデータベース、又は、ECサーバ10以外の他のコンピュータにコンバージョンクエリが格納されている場合には、取得部201は、他のデータベース又は他のコンピュータからコンバージョンクエリを取得する。
第1実施形態では、検索連動型広告は、当該検索連動型広告が表示される検索サービスとは異なるECサービスにユーザをアクセスさせるための広告である。例えば、取得部201は、ECサービスでコンバージョンが発生したコンバージョンクエリを取得する。ECサービスは、他のサービスの一例である。他のサービスは、検索サービス以外のサービスであればよく、ECサービスに限られない。例えば、他のサービスは、旅行予約サービス、オンラインフリーマーケットサービス、動画配信サービス、決済サービス、金融サービス、又は通信サービスであってもよい。
第1実施形態の検索サービスでは、検索時に入力されたコンバージョンクエリが変更されるので、取得部201は、検索サービスにおいて変更された変更済みのコンバージョンクエリを取得する。コンバージョンクエリの変更とは、セパレータ、文字、数字、若しくはその他の記号をコンバージョンクエリに追加すること、又は、セパレータ、文字、数字、若しくはその他の記号をコンバージョンクエリから削除することである。コンバージョンクエリの一部の語を移動させることがコンバージョンクエリの変更に相当してもよい。
第1実施形態では、検索サービスで形態素解析が実行されるので、コンバージョンクエリが形態素に分割されてセパレータが追加されることが、コンバージョンクエリの変更に相当する。このため、形態素解析について説明している箇所は、他の任意の変更と読み替えることができる。形態素解析自体は、種々の手法を利用可能である。例えば、MeCab、JUMAN、又はJANOMEといった形態素解析ツールが利用されてもよい。形態素解析ツールは、日本語に限られず、中国語又は英語といった他の言語に対応したツールであってよい。
[デトークナイゼーション実行部]
デトークナイゼーション実行部202は、コンバージョンクエリに関するデトークナイゼーションを実行する。例えば、デトークナイゼーション実行部202は、変更済みのコンバージョンクエリに含まれるセパレータの少なくとも一部を削除することによって、デトークナイゼーションを実行する。第1実施形態では、デトークナイゼーション実行部202は、変更済みのコンバージョンクエリに含まれる全てのセパレータを削除する場合を説明するが、変更済みのコンバージョンクエリに含まれる一部のセパレータだけを削除してもよい。図3の例では、デトークナイゼーションによって、トークンが1つだけの状態になる。
デトークナイゼーション実行部202は、コンバージョンクエリに関するデトークナイゼーションを実行する。例えば、デトークナイゼーション実行部202は、変更済みのコンバージョンクエリに含まれるセパレータの少なくとも一部を削除することによって、デトークナイゼーションを実行する。第1実施形態では、デトークナイゼーション実行部202は、変更済みのコンバージョンクエリに含まれる全てのセパレータを削除する場合を説明するが、変更済みのコンバージョンクエリに含まれる一部のセパレータだけを削除してもよい。図3の例では、デトークナイゼーションによって、トークンが1つだけの状態になる。
[クエリ整形部]
クエリ整形部203は、クエリ整形モデルM1に基づいて、コンバージョンクエリを整形する。クエリ整形モデルM1は、クエリ整形に関する訓練データが学習された学習モデルの一例である。このため、クエリ整形モデルM1について説明している箇所は、学習モデルと読み替えることができる。訓練データは、学習モデルとして利用する機械学習手法に応じて作成されるようにすればよい。
クエリ整形部203は、クエリ整形モデルM1に基づいて、コンバージョンクエリを整形する。クエリ整形モデルM1は、クエリ整形に関する訓練データが学習された学習モデルの一例である。このため、クエリ整形モデルM1について説明している箇所は、学習モデルと読み替えることができる。訓練データは、学習モデルとして利用する機械学習手法に応じて作成されるようにすればよい。
例えば、クエリ整形部203は、変更済みのコンバージョンクエリが入力時の状態に戻るように、変更済みのコンバージョンクエリを整形する。入力時の状態とは、検索サービスによる変更前の状態である。クエリ整形部203は、学習済みのクエリ整形モデルM1に対し、変更済みのコンバージョンクエリを入力する。クエリ整形モデルM1は、変更済みのコンバージョンクエリの特徴量を計算し、当該計算された特徴量に応じたコンバージョンクエリを出力する。
例えば、当該出力されたコンバージョンクエリは、検索サービスにおける入力時のコンバージョンクエリと同じ又は略同じ内容になる。略同じ内容とは、トークン及びセパレータの違いが1~3字程度のことである。また、例えば、当該出力されたコンバージョンクエリは、検索サービスにおける入力時の不自然なコンバージョンクエリに含まれている不要なセパレータが除かれた自然な内容、又は検索サービスにおける入力時の不自然なコンバージョンクエリに含まれていない必要なセパレータが追加された自然な内容になり得る。
第1実施形態の検索サービスでは、検索時に入力されたコンバージョンクエリに対し、形態素解析が実行されることによって変更されるので、クエリ整形部203は、変更済みのコンバージョンクエリに含まれる形態素が入力時の状態に戻るように、変更済みのコンバージョンクエリを整形する。例えば、クエリ整形部203は、形態素解析によって複数の形態素に分割されたトークンが1つのトークンとして戻るように、変更済みのコンバージョンクエリを整形する。別の言い方をすれば、クエリ整形部203は、形態素解析によって挿入されたセパレータを削除するように、変更済みのコンバージョンクエリを整形する。
第1実施形態では、訓練用クエリは、ECサービスで実際に入力されたクエリなので、クエリ整形部203は、ECサービスで実際に入力された訓練用クエリが変更された変更済みの訓練用クエリと、変更前の訓練用クエリと、の関係が訓練データとして学習されたクエリ整形モデルM1に基づいて、コンバージョンクエリを整形する。ECサービスで実際に入力されたクエリを、訓練用クエリとしてクエリ整形モデルM1に学習させる学習方法は、先述した通りである。
第1実施形態では、クエリ整形部203は、クエリ整形モデルM1に基づいて、デトークナイゼーションが実行されたコンバージョンクエリに関するトークナイゼーションを実行することによって、当該実行済みのコンバージョンクエリを整形する。例えば、クエリ整形部203は、デトークナイゼーションによって1つのトークンになったコンバージョンクエリに対し、適切な位置にセパレータを挿入することによって、トークナイゼーションを実行する。適切な位置は、クエリ整形モデルM1によって判定される。
[処理実行部]
処理実行部204は、クエリ整形部203により整形された整形済みのコンバージョンクエリに基づいて、所定の処理を実行する。所定の処理は、整形済みのコンバージョンクエリの用途に応じた処理であればよい。例えば、所定の処理は、整形済みのコンバージョンクエリをデータ記憶部200に記録する記録処理であってもよいし、整形済みのコンバージョンクエリを外部に出力する出力処理であってもよい。
処理実行部204は、クエリ整形部203により整形された整形済みのコンバージョンクエリに基づいて、所定の処理を実行する。所定の処理は、整形済みのコンバージョンクエリの用途に応じた処理であればよい。例えば、所定の処理は、整形済みのコンバージョンクエリをデータ記憶部200に記録する記録処理であってもよいし、整形済みのコンバージョンクエリを外部に出力する出力処理であってもよい。
第1実施形態では、処理実行部204は、整形済みのコンバージョンクエリを検索サービスに登録する登録処理を、所定の処理として実行する。例えば、後述の広告データベースDB3のように、検索サービスには、検索連動型広告ごとに、インデックス及び表示用キーワードが登録されている。検索サービスでは、インデックスに基づいて検索連動型広告が検索され、検索連動型広告とともに表示用キーワードが表示される。
例えば、処理実行部204は、整形済みのコンバージョンクエリを表示用キーワードとして検索サービスに登録する処理を、登録処理として実行する。処理実行部204は、検索サーバ30に対し、整形済みのコンバージョンクエリを送信することによって、登録処理を実行する。検索サーバ30は、整形済みのコンバージョンクエリを受信すると、ECサービスの運営者に関連付けて、当該受信した整形済みのコンバージョンクエリを、表示用キーワードとして広告データベースDB3に登録する。
なお、整形済みのコンバージョンクエリは、コンバージョンの元となった検索連動型広告に関連付けられて登録されてもよいし、他の検索連動型広告に関連付けられて登録されてもよい。例えば、ECサービスの運営者が、整形済みのコンバージョンクエリに関連付ける検索連動型広告を指定してもよい。また、処理実行部204は、検索連動型広告のインデックスとして、整形済みのコンバージョンクエリを登録する登録処理を、所定の処理として実行してもよい。
[1-3-3.検索サーバで実現される機能]
例えば、検索サーバ30は、データ記憶部300及び検索部301を含む。データ記憶部300は、記憶部32により実現される。検索部301は、制御部31により実現される。
例えば、検索サーバ30は、データ記憶部300及び検索部301を含む。データ記憶部300は、記憶部32により実現される。検索部301は、制御部31により実現される。
[データ記憶部]
データ記憶部300は、検索サービスの提供に必要なデータを記憶する。例えば、データ記憶部300は、広告データベースDB3を記憶する。
データ記憶部300は、検索サービスの提供に必要なデータを記憶する。例えば、データ記憶部300は、広告データベースDB3を記憶する。
図8は、広告データベースDB3の一例を示す図である。広告データベースDB3は、検索連動型広告に関する各種情報が格納されたデータベースである。例えば、広告データベースDB3には、広告ID、広告主ID、検索連動型広告の実データ、インデックス、及び表示用キーワードが格納される。広告データベースDB3には、検索連動型広告に関する任意の情報が格納されてよく、図8以外の他の情報が格納されてもよい。
広告主IDは、広告主を識別可能な広告主識別情報の一例である、広告主識別情報は、広告主名、電話番号、又はメールアドレスといった他の情報であってもよい。第1実施形態では、ECサービスの運営者以外の他の広告主の検索連動型広告の掲載を希望しているものとする。このため、広告データベースDB3には、種々の広告主の検索連動型広告に関する情報が格納される。実データは、広告の内容を示す文字列、画像、及びリンク先のURLといったデータである。第1実施形態では、リンク先のURLの引数として、形態素に分割されたクエリと、広告IDと、が含まれるものとする。
インデックスは、クエリとの比較対象となる情報である。インデックスは、任意の情報を利用可能である。例えば、商品のタイトルの一部、商品の属性、商品の詳細説明から抽出されたキーワード、ECサービスの運営者が指定した文字列、又はこれらの組み合わせがインデックスとして利用される。表示用キーワードは、検索連動型広告を表示領域A20に表示する際の文字列である。図8のように表示用キーワードに何も指定されていなければ、表示領域A20には、形態素に分割されたクエリが表示される。表示用キーワードが指定されると、表示領域A20には、表示用キーワードが表示される。
なお、データ記憶部300に記憶されるデータは、上記の例に限られない。データ記憶部300は、任意のデータを記憶可能である。例えば、データ記憶部300は、ウェブページの検索に必要なウェブページデータベースを記憶してもよい。例えば、ウェブページデータベースには、種々のウェブページのURL及びインデックスが格納される。
[検索部]
検索部301は、ユーザがクエリを入力した場合に、当該クエリに基づいて、ウェブページの検索と、検索連動型広告の検索と、を実行する。これらの検索自体は、公知の検索エンジンに基づいて実行されるようにすればよい。例えば、検索部301は、ユーザが入力したクエリ、ウェブページデータベースに格納されたインデックス、及び広告データベースDB3に格納されたインデックスに基づいて検索を実行する。検索部301は、ウェブページの検索結果と、検索連動型広告の検索結果と、を取得する。検索部301は、ユーザ端末40に対し、これらの検索結果を示す検索結果画面SC2の表示データを送信する。
検索部301は、ユーザがクエリを入力した場合に、当該クエリに基づいて、ウェブページの検索と、検索連動型広告の検索と、を実行する。これらの検索自体は、公知の検索エンジンに基づいて実行されるようにすればよい。例えば、検索部301は、ユーザが入力したクエリ、ウェブページデータベースに格納されたインデックス、及び広告データベースDB3に格納されたインデックスに基づいて検索を実行する。検索部301は、ウェブページの検索結果と、検索連動型広告の検索結果と、を取得する。検索部301は、ユーザ端末40に対し、これらの検索結果を示す検索結果画面SC2の表示データを送信する。
なお、表示データは、任意の形式であってよく、例えば、ブラウザ上で検索結果画面SC2を表示させるのであれば、HTMLデータである。検索サービス専用のアプリケーション上で検索結果画面SC2を表示させるのであれば、アプリケーションでサポートされている形式のデータであればよい。その他にも、検索部301は、検索サービスの種々の画面の表示データをユーザ端末40に送信可能である。
[1-3-4.ユーザ端末で実現される機能]
例えば、ユーザ端末40は、データ記憶部400、表示制御部401、及び操作受付部402を含む。データ記憶部400は、記憶部42により実現される。表示制御部401及び操作受付部402は、制御部41により実現される。
例えば、ユーザ端末40は、データ記憶部400、表示制御部401、及び操作受付部402を含む。データ記憶部400は、記憶部42により実現される。表示制御部401及び操作受付部402は、制御部41により実現される。
[データ記憶部]
データ記憶部400は、検索サービス及びECサービスの提供に必要なデータを記憶する。例えば、データ記憶部400は、各画面を表示させるためのブラウザ又は専用のアプリケーションを記憶する。
データ記憶部400は、検索サービス及びECサービスの提供に必要なデータを記憶する。例えば、データ記憶部400は、各画面を表示させるためのブラウザ又は専用のアプリケーションを記憶する。
[表示制御部]
表示制御部401は、種々の画面を表示部45に表示させる。
表示制御部401は、種々の画面を表示部45に表示させる。
[操作受付部]
操作受付部402は、操作部44から種々の操作を受け付ける。
操作受付部402は、操作部44から種々の操作を受け付ける。
[1-4.第1実施形態で実行される処理]
図9は、第1実施形態で実行される処理の一例を示すフロー図である。この処理は、制御部11,21,31,41が記憶部12,22,32,42に記憶されたプログラムに従って動作することによって実行される。以降、ユーザによるコンバージョンが発生する場合の処理を説明する。このため、ユーザによる入力が発生する時点でコンバージョンクエリという。
図9は、第1実施形態で実行される処理の一例を示すフロー図である。この処理は、制御部11,21,31,41が記憶部12,22,32,42に記憶されたプログラムに従って動作することによって実行される。以降、ユーザによるコンバージョンが発生する場合の処理を説明する。このため、ユーザによる入力が発生する時点でコンバージョンクエリという。
図9のように、検索サーバ30は、ユーザ端末40との間で、検索サービスのトップ画面SC1を表示させるための処理を実行する(S1)。S1の処理が実行されると、ユーザは、入力フォームF10に対し、任意の文字列をコンバージョンクエリとして入力してボタンB11を選択する。ユーザ端末40は、検索サーバ30に対し、ユーザが入力したコンバージョンクエリを送信する(S2)。検索サーバ30は、コンバージョンクエリを受信すると、形態素解析ツールを利用して形態素解析を実行する(S3)。
検索サーバ30は、形態素に分割されたコンバージョンクエリと、広告データベースDB3と、に基づいて、ウェブページの検索と、検索連動型広告の検索と、を実行する(S4)。検索サーバ30は、S4における検索の実行結果に基づいて、検索結果画面SC2の表示データを生成してユーザ端末40に送信する(S5)。S5では、検索サーバ30は、S3で形態素に分割されたコンバージョンクエリと、検索連動型広告の広告IDと、を引数として検索連動型広告のリンクに含める。
ユーザ端末40は、表示データを受信すると、検索結果画面SC2を表示部45に表示させる(S6)。ユーザ端末40は、ユーザが検索連動型広告を選択すると、ECサーバ10との間で、商品画面SC3を表示させるための処理を実行する(S7)。検索連動型広告のリンクに含まれる引数によって、ECサーバ10は、S3で形態素に分割された後のコンバージョンクエリを取得できる。ECサーバ10は、ユーザ端末40との間で、商品の注文を受け付けて注文完了画面SC4を表示させる処理を実行する(S8)。S8では、ECサーバ10は、コンバージョンデータベースDB2にコンバージョンクエリを格納する。
広告主端末20は、ECサーバ10との間で、クエリ整形の対象となるコンバージョンクエリを取得するための処理を実行する(S9)。クエリ整形の対象となるコンバージョンクエリは、手動で指定されてもよい。コンバージョンデータベースDB2に格納されたコンバージョンクエリの全て又は一部が取得されてもよい。広告主端末20は、学習済みのクエリ整形モデルM1に基づいて、S9で取得したコンバージョンクエリを整形する(S10)。広告主端末20は、検索サーバ30に対し、整形済みのコンバージョンクエリを送信する(S11)。検索サーバ30は、整形済みのコンバージョンクエリを受信すると、整形済みのコンバージョンクエリを表示用キーワードとして広告データベースDB3に格納し(S12)、本処理は終了する。ここで、表示用キーワードとは、検索連動型広告におけるトリガーとなる検索クエリに相当する。
第1実施形態のクエリ整形システム1は、クエリ整形モデルM1に基づいて、コンバージョンクエリを整形する。クエリ整形システム1は、整形済みのコンバージョンクエリに基づいて、所定の処理を実行する。これにより、検索連動型広告におけるコンバージョンクエリを適切な状態に整形できる。このため、コンバージョンクエリを適切な状態にしたうえで、所定の処理を実行できるので、コンバージョンクエリを利用する目的を達成しやすくなる。例えば、第1実施形態のように、表示領域A20に表示される検索連動型広告の表示が不自然にならないようにするといった目的でコンバージョンクエリを利用する場合には、より自然な表示にすることができる。
また、クエリ整形システム1は、検索連動型広告が表示される検索サービスとは異なるECサービスでコンバージョンが発生したコンバージョンクエリを取得する。これにより、サービスをまたいでコンバージョンが発生する場合だったとしても、コンバージョンクエリを適切な状態に整形できる。
また、クエリ整形システム1は、整形済みのコンバージョンクエリを検索サービスに登録する登録処理を、所定の処理として実行する。これにより、サービスをまたいでコンバージョンが発生する場合だったとしても、適切な状態に整形したコンバージョンクエリを検索サービスに登録できる。
また、クエリ整形システム1は、整形済みのコンバージョンクエリを表示用キーワードとして検索サービスに登録する処理を、登録処理として実行する。これにより、検索サービスにおける検索連動型広告の表示を自然な表示にすることができる。
また、クエリ整形システム1は、検索サービスにおいて変更済みのコンバージョンクエリが入力時の状態に戻るように、変更済みのコンバージョンクエリを整形する。これにより、検索サービスでコンバージョンクエリが不自然な状態に変更されたとしても、元の状態に戻すことができる。
また、クエリ整形システム1は、変更済みのコンバージョンクエリに含まれる形態素が入力時の状態に戻るように、変更済みのコンバージョンクエリを整形する。これにより、検索サービスでコンバージョンクエリが形態素に分割されたとしても、元の状態に戻すことができる。
また、クエリ整形システム1は、ECサービスで実際に入力された訓練用クエリが変更された変更済みの訓練用クエリと、変更前の訓練用クエリと、の関係が訓練データとして学習されたクエリ整形モデルM1に基づいて、コンバージョンクエリを整形する。これにより、ECサービスの運営者が保有する情報を有効活用して学習を実行したクエリ整形モデルM1によって、コンバージョンクエリを整形できる。
また、クエリ整形システム1は、クエリ整形モデルM1に基づいて、デトークナイゼーションが実行された実行済みのコンバージョンクエリに関するトークナイゼーションを実行することによって、当該実行済みのコンバージョンクエリを整形する。これにより、デトークナイゼーションによって、どのような状態のコンバージョンクエリだったとしても、トークン1つという同じ状態にしたうえでクエリ整形を実行できるので、コンバージョンクエリに対するクエリ整形の精度が高まる。
[2.第2実施形態]
次にクエリ整形システム1の別実施形態である第2実施形態を説明する。例えば、コンバージョンクエリは、表示用キーワードとして登録するといった目的以外にも、検索連動型広告のインデックスとして利用したり、マーケティングの目的で利用したりすることができる。この点、検索連動型広告では、コンバージョンクエリと、コンバージョンが発生した商品と、の間に関連性が無かったとすると、上記の目的で利用するコンバージョンクエリとしては不適切でありノイズになる可能性がある。
次にクエリ整形システム1の別実施形態である第2実施形態を説明する。例えば、コンバージョンクエリは、表示用キーワードとして登録するといった目的以外にも、検索連動型広告のインデックスとして利用したり、マーケティングの目的で利用したりすることができる。この点、検索連動型広告では、コンバージョンクエリと、コンバージョンが発生した商品と、の間に関連性が無かったとすると、上記の目的で利用するコンバージョンクエリとしては不適切でありノイズになる可能性がある。
例えば、ユーザが入力したコンバージョンクエリが、意味は全く異なるが文言上似たインデックスが関連付けられた検索連動型広告にヒットしたとする。ユーザが、この検索連動型広告の商品に偶然興味が湧いてコンバージョンが発生する可能性がある。この場合のコンバージョンクエリは、あまり有用ではない可能性が高い。そこで、クエリ整形システム1は、機械学習を利用した関連性推定モデルに基づいて、コンバージョンクエリと、ECサービスと、の関連性を推定するようになっている。
図10は、第2実施形態における関連性推定モデルの一例を示す図である。第2実施形態では、ECサービスに関連性のある語を含む訓練データが関連性推定モデルM2に学習されている。図10では、訓練データに含まれる語を訓練用クエリと記載しているが、訓練用は、仮想的なクエリとして利用される語である。訓練用クエリは、実際に入力されたクエリではなくてもよい。
例えば、訓練用クエリは、ECサービスで実際に入力されたクエリ、商品のタイトル、商品の属性、商品の詳細な説明に含まれる語、及び商品のインデックスとして指定されたキーワードといった種々の語であってよい。訓練データは、入力データとしての訓練用クエリと、関連性に関する情報と、のペアである。この訓練データに基づいて、入力された入力データに含まれる語がECサービスに関連するか否かを推定できるように、関連性推定モデルM2の学習が実行される。
例えば、関連性推定モデルM2は、コンバージョンクエリが入力されると、コンバージョンクエリの特徴量を計算する。関連性推定モデルM2は、当該計算された特徴量に基づいて、コンバージョンクエリがECサービスに関連性があるか否かを出力する。第2実施形態では、コンバージョンクエリがECサービスに関連性があることを示す第1の値、又は、コンバージョンクエリがECサービスに関連性がないことを示す第2の値が出力される場合を説明するが、これらの2値ではなく、関連性の高さを示すスコアが出力されてもよい。
例えば、広告主端末20は、ECサービスに関連性のあることが推定されたコンバージョンクエリを、検索サービスに登録する。広告主端末20は、コンバージョンが発生したとしても、ECサービスに関連性のないことが推定されたコンバージョンクエリについては、検索サービスに登録しない。以上のように、第2実施形態では、関連性推定モデルM2を利用して関連性が推定されるようになっている。以降、第2実施形態の詳細を説明する。第2実施形態では、第1実施形態と同様の点については、説明を省略する。
[2-1.第2実施形態で実現される機能]
図11は、第2実施形態で実現される機能の一例を示す図である。第2実施形態では、第1実施形態と同様の機能については、説明を省略する。第2実施形態では、第1実施形態で説明した機能に加えて、広告主端末20は、関連性推定部205を含む。関連性推定部205は、制御部11により実現される。
図11は、第2実施形態で実現される機能の一例を示す図である。第2実施形態では、第1実施形態と同様の機能については、説明を省略する。第2実施形態では、第1実施形態で説明した機能に加えて、広告主端末20は、関連性推定部205を含む。関連性推定部205は、制御部11により実現される。
第2実施形態のデータ記憶部200は、関連性推定モデルM2を記憶する。関連性推定モデルM2は、関連性推定の処理を実行するプログラム部分と、学習によって調整されるパラメータ部分と、を含む。例えば、パラメータは、重み及びバイアスである。パラメータは、関連性推定モデルM2として利用する機械学習手法に応じたものであればよい。第2実施形態では、2値分類が実行されるので、2値分類が可能な機械学習手法が利用されるようにすればよい。
第2実施形態では、ニューラルネットワークを利用した関連性推定モデルM2を例に挙げる。例えば、広告主端末20は、ECサービスに関連性がある語に関する訓練データが入力されると、ECサービスに関連性があることを示す第1の値を出力するように、関連性推定モデルM2の学習を実行する。例えば、誤差逆伝播法又は勾配降下法が学習で利用されてもよい。関連性推定モデルM2の学習は、広告主端末20ではなく、他のコンピュータにより実行されてもよい。
なお、関連性推定モデルM2は、ニューラルネットワーク以外の種々の機械学習手法を利用可能である。第2実施形態では、関連性の有無又はその蓋然性を推定できればよいので、自然言語処理の分野で何らかの分類をする際に利用される機械学習手法であればよい。例えば、文書のジャンルを推定する機械学習手法を利用可能である。関連性推定モデルM2は、教師有り学習、半教師有り学習、又は教師無し学習の何れでのモデルあってもよい。第1実施形態のクエリ整形モデルM1の説明で例示した機械学習手法を、関連性推定モデルM2で利用してもよい。
第2実施形態でも、取得部201は、検索連動型広告によりECサービスでコンバージョンが発生したコンバージョンクエリを取得する。ECサービスは、所定のサービスの一例である。このため、ECサービスと記載した箇所は、所定のサービスと読み替えることができる。第2実施形態では、所定のサービスは、検索連動型広告を表示させる検索サービスとは異なる他のサービスである。ECサービス以外の例は、第1実施形態で説明した通りである。
関連性推定部205は、関連性推定モデルM2に基づいて、コンバージョンクエリと、ECサービスと、の関連性を推定する。関連性は、コンバージョンクエリと、ECサービスと、の相関関係である。例えば、コンバージョンクエリでECサービス内を検索した場合のヒット数は、関連性の指標の1つである。関連性が高いほどヒット数が多くなり、関連性が低いほどヒット数が少なくなる。関連性は、関連性があるか否かの2値、又は、関連性の強さを示すスコアによって表現される。スコアは、2値ではなく、中間値が存在する。例えば、スコアが示す数値が高いほど、関連性が強いことを意味する。
関連性推定モデルM2は、ECサービスとの関連性がある訓練用クエリが学習された学習モデルの一例である。このため、関連性推定モデルM2について説明している箇所は、学習モデルと読み替えることができる。訓練用クエリは、訓練データとして利用可能なクエリであればよい。関連性推定モデルM2は、訓練用クエリである訓練データが入力されると、ECサービスと関連性があることを出力するように学習される。
例えば、関連性推定部205は、検索サービスで実際に入力された訓練用クエリであって、ECサービスとの関連性がある訓練用クエリが学習された関連性推定モデルM2に基づいて、関連性を推定する。第2実施形態では、第1実施形態と同様、検索サービス側で形態素解析が実行される場合を説明する。このため、関連性推定モデルM2の訓練データとして利用するためには、クエリ整形を実行する必要があるものとする。
第2実施形態では、第1実施形態で説明したクエリ整形部203によってクエリ整形が実行された整形済みのコンバージョンクエリが関連性推定モデルM2の訓練データとして利用される。このコンバージョンクエリの中には、関連性が無いものも含まれているので、関連性が無い整形済みのコンバージョンクエリは、ECサービスの運営者によって手動で除外されるものとする。
なお、関連性推定モデルM2の訓練データは、検索サービスで実際に入力されたものではなく、ECサービスの管理者によって手動で作成された訓練用クエリであってもよい。また、第2実施形態のクエリ整形部203は、クエリ整形モデルM1に基づいて、関連性があると推定されたコンバージョンクエリを整形してもよい。関連性がないと推定されたコンバージョンクエリは、クエリ整形の対象とはならないようにしてもよい。
第2実施形態の処理実行部204は、関連性推定部205により推定された関連性に基づいて、所定の処理を実行する。所定の処理は、第1実施形態と同様に、任意の処理であってよい。例えば、所定の処理は、関連性があると推定されたコンバージョンクエリをデータ記憶部200に記録する処理であってもよいし、関連性があると推定されたコンバージョンクエリを外部に出力する処理であってもよい。所定の処理は、関連性があると推定されたコンバージョンクエリをクエリ整形の対象にする処理であってもよい。
例えば、処理実行部204は、関連性があると推定されたコンバージョンクエリを検索サービスに登録する登録処理を、所定の処理として実行する。処理実行部204は、関連性があると推定された、クエリ整形部203により整形された整形済みのコンバージョンクエリを検索サービスに登録する処理を、登録処理として実行する。処理実行部204は、関連性があることが推定されたコンバージョンクエリが対象になる点で第1実施形態とは異なるが、他の点については同様である。関連性のスコアが出力される場合には、スコアが閾値以上であることが、関連性があることに相当する。
[2-2.第2実施形態で実行される処理]
図12は、第2実施形態で実行される処理の一例を示す図である。図12のS21~S28の処理は、第1実施形態のS1~S8の処理と同様である。
図12は、第2実施形態で実行される処理の一例を示す図である。図12のS21~S28の処理は、第1実施形態のS1~S8の処理と同様である。
広告主端末20は、ECサーバ10から、関連性の推定対象となるコンバージョンクエリを取得する(S29)。広告主端末20は、学習済みの関連性推定モデルM2に基づいて、S29で取得されたコンバージョンクエリと、ECサービスと、の関連性を推定する(S30)。関連性がないと推定された場合(S30:N)、本処理は終了する。一方、関連性があると推定された場合(S30:Y)、第1実施形態のS10~S12の処理と同様のS31~S33の処理が実行される。
第2実施形態のクエリ整形システム1は、関連性推定モデルM2に基づいて、コンバージョンクエリと、ECサービスと、の関連性を推定する。クエリ整形システム1は、関連性に基づいて、所定の処理を実行する。これにより、コンバージョンクエリと、ECサービスと、の関連性を推定できる。このため、ECサービスと関連性があるコンバージョンに基づいて所定の処理を実行できるので、コンバージョンクエリを利用する目的を達成しやすくなる。例えば、ECサービスと関連性がないコンバージョンクエリが、表示領域A20に検索連動型広告の一部として表示されてしまうことを防止できる。例えば、ECサービスと関連性がない検索連動型広告が表示されることも防止できるので、ECサービスがレピュテーションリスクにさらされることを低減できる。
また、クエリ整形システム1は、ECサービスは、検索連動型広告を表示させる検索サービスとは異なる他のサービスである。これにより、サービスをまたいでコンバージョンが発生する場合だったとしても、コンバージョンクエリと、ECサービスと、の関連性を推定できる。
また、クエリ整形システム1は、関連性があると推定されたコンバージョンクエリを検索サービスに登録する登録処理を、所定の処理として実行する。これにより、サービスをまたいでコンバージョンが発生する場合だったとしても、ECサービスと関連性のあるコンバージョンクエリを検索サービスに登録できる。
また、クエリ整形システム1は、関連性があると推定された整形済みのコンバージョンクエリを検索サービスに登録する処理を、登録処理として実行する。これにより、サービスをまたいでコンバージョンが発生する場合だったとしても、ECサービスと関連性のあり、かつ、適切な状態に整形済みのコンバージョンクエリを検索サービスに登録できる。
また、クエリ整形システム1は、検索サービスで実際に入力された訓練用クエリであって、他のサービスとの関連性がある訓練用クエリが学習された関連性推定モデルM2に基づいて、関連性を推定する。検索サービスで実際に入力された情報を有効活用して作成した関連性推定モデルM2によって関連性を推定できる。
[3.変形例]
本開示は、以上に説明した第1実施形態及び第2実施形態に限定されるものではない。本開示の趣旨を逸脱しない範囲で、適宜変更可能である。
本開示は、以上に説明した第1実施形態及び第2実施形態に限定されるものではない。本開示の趣旨を逸脱しない範囲で、適宜変更可能である。
[3-1.第1実施形態に関する変形例]
図13は、第1実施形態に関する変形例における機能の一例を示す図である。後述の変形例1-2では、広告主端末20は、分割実行部206を含む。分割実行部206は、制御部11により実現される。第1実施形態に関する変形例では、デトークナイゼーションが実行されなくてもよいので、図13では、デトークナイゼーション実行部202を示していない。
図13は、第1実施形態に関する変形例における機能の一例を示す図である。後述の変形例1-2では、広告主端末20は、分割実行部206を含む。分割実行部206は、制御部11により実現される。第1実施形態に関する変形例では、デトークナイゼーションが実行されなくてもよいので、図13では、デトークナイゼーション実行部202を示していない。
[変形例1-1]
例えば、ECサービスの運営者が、検索サービス側でどのような形態素解析が実行されるかを把握している場合には、検索サービス側で実行される形態素解析を再現することによって、クエリ整形モデルM1の訓練データが生成されるようにしてもよい。変形例1-1では、ECサービスの運営者は、検索サービスと同じ形態素解析ツールを取得しているものとする。
例えば、ECサービスの運営者が、検索サービス側でどのような形態素解析が実行されるかを把握している場合には、検索サービス側で実行される形態素解析を再現することによって、クエリ整形モデルM1の訓練データが生成されるようにしてもよい。変形例1-1では、ECサービスの運営者は、検索サービスと同じ形態素解析ツールを取得しているものとする。
変形例1-1のクエリ整形部203は、検索サービスにおけるコンバージョンクエリの変更に応じて訓練用クエリが変更された変更済みの訓練用クエリと、変更前の訓練用クエリと、の関係が訓練データとして学習されたクエリ整形モデルM1に基づいて、変更済みのコンバージョンクエリを整形する。変形例1-1では、第1実施形態と同様に、コンバージョンクエリに対する形態素解析が、コンバージョンクエリに対する変更に相当する。形態素解析が実行される前の訓練用クエリは、第1実施形態と同様にして取得されるようにすればよい。
例えば、変形例1-1では、広告主端末20は、検索サービスと同じ形態素解析ツールに基づいて、訓練用のクエリの形態素解析を実行する。広告主端末20は、形態素に分割された後の訓練用クエリを、変更済みの訓練用クエリとして取得する。広告主端末20は、形態素に分割された後の訓練用クエリと、形態素に分割される前の訓練用クエリと、のペアを訓練データとして取得し、クエリ整形モデルM1に学習させる。変形例1-1のクエリ整形モデルM1は、変形例1-3のクエリ整形モデルM1と同様であってよい。
なお、変形例1-1では、訓練データの取得方法が第1実施形態とは異なるが、クエリ整形モデルM1の学習方法は、第1実施形態と同様である。また、学習済みのクエリ整形モデルM1を利用してコンバージョンクエリを整形する処理も、第1実施形態と同様である。また、検索サービス側で、コンバージョンクエリに対し、形態素解析以外の他の変更が実行される場合には、ECシステムの運営者は、他の変更を実行するための変更ツールを取得しているものとする。当該変更ツールに基づいて、訓練データが生成されるようにすればよい。
変形例1-1のクエリ整形システム1は、検索サービスにおけるコンバージョンクエリの変更を再現した訓練データが学習されたクエリ整形モデルM1に基づいて、変更済みのコンバージョンクエリを整形することによって、クエリ整形の精度が高まる。
[変形例1-2]
例えば、第1実施形態では、デトークナイゼーションが実行された後に、トークナイゼーションが実行されることによって、クエリ整形が実行される場合を説明したが、クエリ整形の方法は、第1実施形態の例に限られない。クエリ整形は、何らかの形でコンバージョンクエリが適切な形に整形されるようにすればよい。変形例1-2では、第1実施形態とは逆に、トークナイゼーションが実行された後に、デトークナイゼーションが実行される場合を例に挙げる。
例えば、第1実施形態では、デトークナイゼーションが実行された後に、トークナイゼーションが実行されることによって、クエリ整形が実行される場合を説明したが、クエリ整形の方法は、第1実施形態の例に限られない。クエリ整形は、何らかの形でコンバージョンクエリが適切な形に整形されるようにすればよい。変形例1-2では、第1実施形態とは逆に、トークナイゼーションが実行された後に、デトークナイゼーションが実行される場合を例に挙げる。
図14は、変形例1-2におけるクエリ整形の一例を示す図である。変形例1-2のクエリ整形システム1は、分割実行部206を含む。分割実行部206は、コンバージョンクエリを所定の分割単位ごとに分割する。図14の例では、分割単位が1文字である場合を説明するが、分割単位は、予め定められた文字数であればよく、2文字以上であってもよい。分割実行部206は、コンバージョンクエリを文字ごとに分割し、文字間にセパレータを挿入する。
変形例1-2のクエリ整形モデルM1は、文字単位に分割された訓練用クエリを含む訓練データが学習されている。図14の例では、訓練データには、訓練用クエリに含まれる文字間のセパレータの真偽が含まれる。例えば、セパレータの真偽は、ECサービスの運営者によって手動で付与されてもよいし、分割前の訓練用クエリに含まれているセパレータを真にして、分割前の訓練用クエリに含まれていないセパレータを偽にしてもよい。
クエリ整形モデルM1は、分割済みの訓練用クエリが入力されると、訓練用クエリ内のセパレータの真偽を出力する。当該出力された真偽が訓練データに含まれる正解となる真偽になるように、クエリ整形モデルM1のパラメータが調整される。例えば、クエリ整形部203は、クエリ整形モデルM1に基づいて、分割単位ごとに分割された分割済みのコンバージョンクエリに関する分割適否を推定することによって、当該分割済みのコンバージョンクエリを整形する。
図14の例では、擬似的に挿入されたセパレータのうちの一部が偽として推定されるので、クエリ整形部203は、真であることが推定されたセパレータのみを残すことによって、コンバージョンクエリを整形する。即ち、クエリ整形部203は、分割単位に分割後のコンバージョンクエリに含まれるセパレータのうち、偽と推定されたセパレータを削除することによって、コンバージョンクエリを整形する。
変形例1-2のクエリ整形システム1は、分割単位ごとにコンバージョンクエリを分割することによって、どのような状態のコンバージョンクエリだったとしても、トークン1つという同じ状態にしたうえでクエリ整形を実行できるので、コンバージョンクエリに対するクエリ整形の精度が高まる。
[変形例1-3]
例えば、クエリ整形モデルM1は、第1実施形態のようなトークナイゼーション、又は、変形例1-2のようなセパレータの真偽の判定ではなく、他の方法によってクエリ整形を実行してもよい。変形例1-3では、クエリ整形モデルM1には、整形前の訓練用クエリと、整形後の訓練用クエリと、のペアである訓練データが学習されているものとする。
例えば、クエリ整形モデルM1は、第1実施形態のようなトークナイゼーション、又は、変形例1-2のようなセパレータの真偽の判定ではなく、他の方法によってクエリ整形を実行してもよい。変形例1-3では、クエリ整形モデルM1には、整形前の訓練用クエリと、整形後の訓練用クエリと、のペアである訓練データが学習されているものとする。
整形後の訓練用クエリは、形態素解析等が実行されていない最適な状態のクエリである。整形前の訓練用クエリは、何らかの形態素解析ツールで形態素解析が実行された後のクエリであってもよい。例えば、変形例1-1のように、検索サービス側と同じ形態素解析ツールではなく、他の形態素解析ツールで形態素解析が実行されることによって、整形前の訓練用クエリが取得されてもよい。
例えば、広告主端末20は、訓練データに含まれる整形前の訓練用クエリがクエリ整形モデルM1に入力されると、訓練データに含まれる整形後の訓練用クエリがクエリ整形モデルM1から出力されるように、クエリ整形モデルM1の学習を実行する。変形例1-3のクエリ整形部203は、整形前の訓練用クエリと、整形後の訓練用クエリと、の関係が訓練データとして学習されたクエリ整形モデルM1に対し、コンバージョンクエリを入力し、クエリ整形モデルM1から出力された整形済みのコンバージョンクエリを取得することによって、コンバージョンクエリを整形する。
例えば、クエリ整形部203は、クエリ整形モデルM1に対し、コンバージョンクエリを入力する。クエリ整形モデルM1は、当該入力されたコンバージョンクエリの特徴量を計算し、当該計算された特徴量に応じた整形済みのコンバージョンクエリを出力する。第1実施形態では、デトークナイゼーションが実行されたうえで整形済みのコンバージョンクエリが出力されるが、変形例1-3では、デトークナイゼーションが実行されずに、形態素に分割されたコンバージョンクエリがそのままクエリ整形モデルM1に入力される。
変形例1-3のクエリ整形システム1は、整形前の訓練用クエリと、整形後の訓練用クエリと、の関係が訓練データとして学習されたクエリ整形モデルM1に基づいて、コンバージョンクエリを整形する。これにより、コンバージョンクエリを適切な状態に整形できる。
[変形例1-4]
例えば、クエリ整形モデルM1には、訓練用クエリに含まれるトークンの位置に関する位置情報が学習されていてもよい。位置情報自体は、任意の情報であってよく、例えば、BIO(Begin Inside Outside)タグ又はBIOES(Begin Inside Outside End Single)タグであってもよい。変形例1-4では、位置情報がBIOESタグである場合を説明する。訓練データは、訓練用クエリと、訓練用クエリを適切にトークナイズした場合の個々のトークンの1文字目にBタグが付与されて最終文字にEタグが付与された位置情報と、のペアになる。
例えば、クエリ整形モデルM1には、訓練用クエリに含まれるトークンの位置に関する位置情報が学習されていてもよい。位置情報自体は、任意の情報であってよく、例えば、BIO(Begin Inside Outside)タグ又はBIOES(Begin Inside Outside End Single)タグであってもよい。変形例1-4では、位置情報がBIOESタグである場合を説明する。訓練データは、訓練用クエリと、訓練用クエリを適切にトークナイズした場合の個々のトークンの1文字目にBタグが付与されて最終文字にEタグが付与された位置情報と、のペアになる。
変形例1-4のクエリ整形部203は、訓練用クエリに含まれるトークンの位置に関する位置情報が訓練データとして学習されたクエリ整形モデルM1に対し、コンバージョンクエリを入力し、学習モデルから出力された位置情報に基づいて、コンバージョンクエリを整形する。クエリ整形モデルM1は、入力されたコンバージョンクエリに対し、トークンの1文字目と推定された文字にBタグを付与し、トークンの最終文字と推定された文字にEタグを付与する。中間的な文字にはIタグが付与され、セパレータにはOタグが付与されてもよい。クエリ整形部203は、Bタグが付与された文字からEタグが付与された文字までが1つのトークンとなるように、コンバージョンクエリを整形する。
変形例1-4のクエリ整形システム1は、訓練用クエリに含まれるトークンの位置に関する位置情報が訓練データとして学習されたクエリ整形モデルM1に基づいて、コンバージョンクエリを整形する。これにより、コンバージョンクエリを適切な状態に整形できる。
[第1実施形態に関するその他の変形例]
例えば、第1実施形態では、検索サービス側でコンバージョンクエリが変更され、ECサービス側でクエリ整形が実行される場合を説明したが、検索サービス側でコンバージョンクエリが変更されなくてもよい。例えば、ユーザが、スペースを一切入れずにコンバージョンクエリを入力したり、不自然な位置にスペースを入れたコンバージョンクエリを入力したりすることがある。この場合にも、クエリ整形部203は、第1実施形態と同様の処理を実行することによって、ユーザが入力した不自然なコンバージョンクエリを整形してもよい。
例えば、第1実施形態では、検索サービス側でコンバージョンクエリが変更され、ECサービス側でクエリ整形が実行される場合を説明したが、検索サービス側でコンバージョンクエリが変更されなくてもよい。例えば、ユーザが、スペースを一切入れずにコンバージョンクエリを入力したり、不自然な位置にスペースを入れたコンバージョンクエリを入力したりすることがある。この場合にも、クエリ整形部203は、第1実施形態と同様の処理を実行することによって、ユーザが入力した不自然なコンバージョンクエリを整形してもよい。
なお、ユーザが入力した不自然なコンバージョンクエリを整形する場合には、ユーザが入力したコンバージョンクエリがそのまま表示領域A20に表示されるものとする。検索連動型広告に表示用キーワードが関連付けられている場合には、この表示用キーワードが表示領域A20に表示される。ユーザが不自然なコンバージョンクエリを入力したとしても、クエリ整形部203によって整形された自然な表示用キーワードを表示領域A20に表示させることができる。
[3-2.第2実施形態に関する変形例]
第2実施形態に関する変形例を説明する。
第2実施形態に関する変形例を説明する。
[変形例2-1]
例えば、第2実施形態では、検索サービスで実際に入力された訓練用クエリが関連性推定モデルM2に学習される場合を説明したが、関連性推定モデルM2には、ECサービスで実際に入力された訓練用クエリが学習されてもよい。訓練データとして利用される訓練用クエリが、検索サービスで実際に入力されたものであるか、ECサービスで実際に入力されたものであるかが第2実施形態とは異なるが、関連性推定モデルM2の学習方法自体は、第2実施形態と同様である。
例えば、第2実施形態では、検索サービスで実際に入力された訓練用クエリが関連性推定モデルM2に学習される場合を説明したが、関連性推定モデルM2には、ECサービスで実際に入力された訓練用クエリが学習されてもよい。訓練データとして利用される訓練用クエリが、検索サービスで実際に入力されたものであるか、ECサービスで実際に入力されたものであるかが第2実施形態とは異なるが、関連性推定モデルM2の学習方法自体は、第2実施形態と同様である。
変形例2-1の関連性推定部205は、ECサービスで実際に入力された訓練用クエリが学習された関連性推定モデルM2に基づいて、関連性を推定する。関連性推定モデルM2の学習で利用される訓練用クエリが第2実施形態とは異なるが、学習済みの関連性推定モデルM2に基づいて関連性を推定する処理は、第2実施形態と同様である。ECサービスで実際に入力された訓練用クエリは、ECサービスの利用ログとしてデータ記憶部100に格納されているものとする。
変形例2-1のクエリ整形システム1は、ECサービスで実際に入力された訓練用クエリが学習された学習モデルに基づいて、関連性を推定する。これにより、ECサービスで実際に入力された訓練用クエリが関連性推定モデルM2に学習されることによって、関連性の推定精度が高まる。
[変形例2-2]
例えば、関連性推定部205は、ECサービスとの関連性がある第1訓練用クエリと、ECサービスとの関連性がない第2訓練用クエリと、が学習された関連性推定モデルM2に基づいて、関連性を推定してもよい。即ち、関連性推定モデルM2には、ECサービスとの関連性がある第1訓練用クエリだけではなく、ECサービスとの関連性がない第2訓練用クエリも学習されてもよい。
例えば、関連性推定部205は、ECサービスとの関連性がある第1訓練用クエリと、ECサービスとの関連性がない第2訓練用クエリと、が学習された関連性推定モデルM2に基づいて、関連性を推定してもよい。即ち、関連性推定モデルM2には、ECサービスとの関連性がある第1訓練用クエリだけではなく、ECサービスとの関連性がない第2訓練用クエリも学習されてもよい。
ECサービスとの関連性がない第2訓練用クエリは、ECサービスの運営者によって手動で用意されてもよい。第2訓練用クエリに対応する出力としては、ECサービスとは関連性がないことを示す第2の値になる。第1訓練用クエリに基づく学習方法は、第2実施形態で説明した通りである。例えば、第2訓練用クエリが関連性推定モデルM2に入力されると、関連性がないことが出力されるように、関連性推定モデルM2が学習される。
変形例2-2のクエリ整形システム1は、ECサービスとの関連性がある第1訓練用クエリと、ECサービスとの関連性がない第2訓練用クエリと、が学習された関連性推定モデルM2に基づいて、関連性を推定することによって、関連性の推定精度が高まる。
[変形例2-3]
例えば、第2実施形態では、コンバージョンクエリがECサービスに何らか関連性があるか否かが推定される場合を説明したが、コンバージョンクエリがECサービスに何らかの関連性があったとしても、コンバージョンした商品とは関係がないことがある。このため、コンバージョンクエリと、コンバージョンが発生したコンバージョン商品と、の関連性が推定されてもよい。関連性の意味は、第2実施形態で説明した通りである。例えば、ECサービスでコンバージョンクエリが入力された場合に、検索でヒットする商品数が多いほど関連性が高いことを意味する。
例えば、第2実施形態では、コンバージョンクエリがECサービスに何らか関連性があるか否かが推定される場合を説明したが、コンバージョンクエリがECサービスに何らかの関連性があったとしても、コンバージョンした商品とは関係がないことがある。このため、コンバージョンクエリと、コンバージョンが発生したコンバージョン商品と、の関連性が推定されてもよい。関連性の意味は、第2実施形態で説明した通りである。例えば、ECサービスでコンバージョンクエリが入力された場合に、検索でヒットする商品数が多いほど関連性が高いことを意味する。
変形例2-3の関連性推定部205は、ECサービスにおける訓練用商品との関連性がある訓練用クエリが学習された関連性推定モデルM2に基づいて、コンバージョンクエリと、ECサービスでコンバージョンが発生したコンバージョン商品と、の関連性を推定する。訓練用商品は、訓練用アイテムの一例である。コンバージョン商品は、コンバージョンアイテムの一例である。このため、訓練用商品又はコンバージョン商品と記載した箇所は、それぞれ訓練用アイテム又はコンバージョンアイテムと読み替えることができる。
アイテムは、商品に限られず、検索連動型広告の対象となるものであればよい。例えば、旅行予約サービスであれば、宿泊施設がアイテムに相当する。例えば、動画配信サービスであれば、動画又は楽曲等のコンテンツがアイテムに相当する。関連性の推定対象となるものがECサービス全体ではなく、コンバージョン商品である点で第2実施形態とは異なるが、関連性推定モデルM2の学習方法の大まかな仕組みや推定時の処理は同様である。
例えば、関連性推定モデルM2の訓練データは、入力データとして、訓練用クエリと、コンバージョン商品として適切な商品に関する商品情報(例えば、タイトル、属性、詳細説明の全部又は一部、商品名、又はその他のキーワード)と、を含む。訓練データは、出力データとして、関連性があることを示す第1の値を含む。関連性推定モデルM2は、訓練用クエリ及び商品情報の組み合わせが入力された場合に、関連性があることを示す第1の値が出力されるように学習される。関連性推定部205は、コンバージョンクエリと、コンバージョン商品に関する商品情報と、の組み合わせを関連性推定モデルM2に入力し、関連性推定モデルM2からの出力を取得することによって、関連性を推定する。
変形例2-3のクエリ整形システム1は、ECサービスにおける訓練用商品との関連性がある訓練用クエリが学習された関連性推定モデルM2に基づいて、コンバージョンクエリと、ECサービスでコンバージョンが発生したコンバージョン商品と、の関連性を推定する。これにより、コンバージョンクエリ及びコンバージョン商品の組み合わせが適切か否かといった推定をすることができるので、関連性の推定精度が高まる。
[変形例2-4]
例えば、変形例2-3では、コンバージョンクエリと、コンバージョン商品と、の関連性が推定される場合を説明したが、更に具体的に、コンバージョンクエリと、コンバージョン商品の属性と、の関連性が推定されてもよい。変形例2-4では、変形例2-3で説明した商品情報が属性を示す。属性は、商品の分類である。属性は、カテゴリ又はジャンルと呼ばれることもある。
例えば、変形例2-3では、コンバージョンクエリと、コンバージョン商品と、の関連性が推定される場合を説明したが、更に具体的に、コンバージョンクエリと、コンバージョン商品の属性と、の関連性が推定されてもよい。変形例2-4では、変形例2-3で説明した商品情報が属性を示す。属性は、商品の分類である。属性は、カテゴリ又はジャンルと呼ばれることもある。
変形例2-4の関連性推定部205は、訓練用商品に関する第1属性との関連性がある訓練用クエリが学習された関連性推定モデルM2に基づいて、コンバージョンクエリと、コンバージョン商品に関する第2属性と、の関連性を推定する。関連性推定モデルM2の学習方法は、変形例2-3と同様である。変形例2-3の説明における商品情報を属性と読み替えればよい。関連性推定部205は、コンバージョンクエリと、コンバージョン商品の属性と、の組み合わせを関連性推定モデルM2に入力し、関連性推定モデルM2からの出力を取得することによって、関連性を推定する。
変形例2-4のクエリ整形システム1は、訓練用商品に関する第1属性との関連性がある訓練用クエリが学習された関連性推定モデルM2に基づいて、コンバージョンクエリと、コンバージョンアイテムに関する第2属性と、の関連性を推定する。これにより、コンバージョンクエリ及びコンバージョン商品の属性の組み合わせが適切か否かといった推定をすることができるので、関連性の推定精度が高まる。
[変形例2-5]
例えば、処理実行部204が実行する所定の処理は、第2実施形態で説明した例に限られない。処理実行部204は、関連性に基づいて、コンバージョンクエリを表示する表示処理を、所定の処理として実行してもよい。変形例2-5では、処理実行部204は、関連性に関する情報(例えば、関連性の有無又はスコア)を広告主端末20の表示部25に表示する表示処理を例に挙げるが、広告主端末20以外の他のコンピュータへの表示処理を実行してもよい。処理実行部204は、関連性を示すスコアに基づいて、複数のコンバージョンクエリをソートして表示させる表示処理を実行してもよい。
例えば、処理実行部204が実行する所定の処理は、第2実施形態で説明した例に限られない。処理実行部204は、関連性に基づいて、コンバージョンクエリを表示する表示処理を、所定の処理として実行してもよい。変形例2-5では、処理実行部204は、関連性に関する情報(例えば、関連性の有無又はスコア)を広告主端末20の表示部25に表示する表示処理を例に挙げるが、広告主端末20以外の他のコンピュータへの表示処理を実行してもよい。処理実行部204は、関連性を示すスコアに基づいて、複数のコンバージョンクエリをソートして表示させる表示処理を実行してもよい。
変形例2-5のクエリ整形システム1は、関連性に基づいて、コンバージョンクエリを表示する表示処理を、所定の処理として実行する。これにより、ECサービスの運営者がコンバージョンクエリとECサービスの関連性を理解しやすくなる。
[第2実施形態に関するその他の変形例]
例えば、第2実施形態のクエリ整形システム1は、関連性推定システムの一例である。このため、第2実施形態のクエリ整形システム1について説明している箇所は、関連性推定システムと読み替えることができる。第2実施形態では、第1実施形態で説明したクエリ整形の機能が無くてもよい。このため、関連性推定システムは、デトークナイゼーション実行部202及びクエリ整形部203を含まずに、取得部201、処理実行部204、及び関連性推定部205だけを含んでもよい。
例えば、第2実施形態のクエリ整形システム1は、関連性推定システムの一例である。このため、第2実施形態のクエリ整形システム1について説明している箇所は、関連性推定システムと読み替えることができる。第2実施形態では、第1実施形態で説明したクエリ整形の機能が無くてもよい。このため、関連性推定システムは、デトークナイゼーション実行部202及びクエリ整形部203を含まずに、取得部201、処理実行部204、及び関連性推定部205だけを含んでもよい。
[3-3.その他の変形例]
例えば、上記説明した変形例を組み合わせてもよい。
例えば、上記説明した変形例を組み合わせてもよい。
例えば、クエリ整形システム1は、ECサービス以外の他のサービスに適用してもよい。検索サービスと連携する他のサービスは、任意のサービスであってよく、例えば、旅行予約サービス、動画配信サービス、金融サービス、通信サービス、又は決済サービスであってよい。他のサービスは、検索サービスに検索連動型広告を掲載し、何らかのコンバージョンが発生するサービスであればよい。検索連動型広告は、ECサービス内の広告であってもよい。この場合、ECサービスにおける商品の検索時に、検索連動型広告が表示される。
例えば、ECサーバ10、広告主端末20、検索サーバ30、及びユーザ端末40の各々で実現されるものとして説明した機能は、他のコンピュータで実現されてもよいし、複数のコンピュータで分担されてもよい。例えば、データ記憶部100,200,300,400に記憶されるものとしたデータは、図1には示さないデータベースサーバに記憶されていてもよい。
[4.付記]
例えば、関連性推定システムは、下記のような構成も可能である。
(1)
検索連動型広告により所定のサービスでコンバージョンが発生したコンバージョンクエリを取得する取得部と、
前記所定のサービスとの関連性がある訓練用クエリが学習された学習モデルに基づいて、前記コンバージョンクエリと、前記所定のサービスと、の関連性を推定する関連性推定部と、
前記関連性に基づいて、所定の処理を実行する処理実行部と、
を含む関連性推定システム。
(2)
前記所定のサービスは、前記検索連動型広告を表示させる検索サービスとは異なる他のサービスである、
(1)に記載の関連性推定システム。
(3)
前記処理実行部は、前記関連性があると推定された前記コンバージョンクエリを前記検索サービスに登録する登録処理を、前記所定の処理として実行する、
(2)に記載の関連性推定システム。
(4)
前記関連性推定システムは、クエリ整形に関する訓練データが学習された学習モデルに基づいて、前記コンバージョンクエリを整形するクエリ整形部を更に含み、
前記処理実行部は、前記関連性があると推定された、前記クエリ整形部により整形された整形済みの前記コンバージョンクエリを前記検索サービスに登録する処理を、前記登録処理として実行する、
(3)に記載の関連性推定システム。
(5)
前記関連性推定部は、前記検索サービスで実際に入力された前記訓練用クエリであって、前記他のサービスとの関連性がある前記訓練用クエリが学習された前記学習モデルに基づいて、前記関連性を推定する、
(2)~(4)の何れかに記載の関連性推定システム。
(6)
前記関連性推定部は、前記他のサービスで実際に入力された前記訓練用クエリが学習された前記学習モデルに基づいて、前記関連性を推定する、
(2)~(5)の何れかに記載の関連性推定システム。
(7)
前記関連性推定部は、前記所定のサービスとの関連性がある第1訓練用クエリと、前記所定のサービスとの関連性がない第2訓練用クエリと、が学習された前記学習モデルに基づいて、前記関連性を推定する、
(1)~(6)の何れかに記載の関連性推定システム。
(8)
前記関連性推定部は、前記所定のサービスにおける訓練用アイテムとの関連性がある前記訓練用クエリが学習された前記学習モデルに基づいて、前記コンバージョンクエリと、前記所定のサービスでコンバージョンが発生したコンバージョンアイテムと、の前記関連性を推定する、
(1)~(7)の何れかに記載の関連性推定システム。
(9)
前記関連性推定部は、前記訓練用アイテムに関する第1属性との関連性がある前記訓練用クエリが学習された前記学習モデルに基づいて、前記コンバージョンクエリと、前記コンバージョンアイテムに関する第2属性と、の前記関連性を推定する、
(8)に記載の関連性推定システム。
(10)
前記処理実行部は、前記関連性に基づいて、前記コンバージョンクエリを表示する表示処理を、前記所定の処理として実行する、
(1)~(9)の何れかに記載の関連性推定システム。
例えば、関連性推定システムは、下記のような構成も可能である。
(1)
検索連動型広告により所定のサービスでコンバージョンが発生したコンバージョンクエリを取得する取得部と、
前記所定のサービスとの関連性がある訓練用クエリが学習された学習モデルに基づいて、前記コンバージョンクエリと、前記所定のサービスと、の関連性を推定する関連性推定部と、
前記関連性に基づいて、所定の処理を実行する処理実行部と、
を含む関連性推定システム。
(2)
前記所定のサービスは、前記検索連動型広告を表示させる検索サービスとは異なる他のサービスである、
(1)に記載の関連性推定システム。
(3)
前記処理実行部は、前記関連性があると推定された前記コンバージョンクエリを前記検索サービスに登録する登録処理を、前記所定の処理として実行する、
(2)に記載の関連性推定システム。
(4)
前記関連性推定システムは、クエリ整形に関する訓練データが学習された学習モデルに基づいて、前記コンバージョンクエリを整形するクエリ整形部を更に含み、
前記処理実行部は、前記関連性があると推定された、前記クエリ整形部により整形された整形済みの前記コンバージョンクエリを前記検索サービスに登録する処理を、前記登録処理として実行する、
(3)に記載の関連性推定システム。
(5)
前記関連性推定部は、前記検索サービスで実際に入力された前記訓練用クエリであって、前記他のサービスとの関連性がある前記訓練用クエリが学習された前記学習モデルに基づいて、前記関連性を推定する、
(2)~(4)の何れかに記載の関連性推定システム。
(6)
前記関連性推定部は、前記他のサービスで実際に入力された前記訓練用クエリが学習された前記学習モデルに基づいて、前記関連性を推定する、
(2)~(5)の何れかに記載の関連性推定システム。
(7)
前記関連性推定部は、前記所定のサービスとの関連性がある第1訓練用クエリと、前記所定のサービスとの関連性がない第2訓練用クエリと、が学習された前記学習モデルに基づいて、前記関連性を推定する、
(1)~(6)の何れかに記載の関連性推定システム。
(8)
前記関連性推定部は、前記所定のサービスにおける訓練用アイテムとの関連性がある前記訓練用クエリが学習された前記学習モデルに基づいて、前記コンバージョンクエリと、前記所定のサービスでコンバージョンが発生したコンバージョンアイテムと、の前記関連性を推定する、
(1)~(7)の何れかに記載の関連性推定システム。
(9)
前記関連性推定部は、前記訓練用アイテムに関する第1属性との関連性がある前記訓練用クエリが学習された前記学習モデルに基づいて、前記コンバージョンクエリと、前記コンバージョンアイテムに関する第2属性と、の前記関連性を推定する、
(8)に記載の関連性推定システム。
(10)
前記処理実行部は、前記関連性に基づいて、前記コンバージョンクエリを表示する表示処理を、前記所定の処理として実行する、
(1)~(9)の何れかに記載の関連性推定システム。
1 クエリ整形システム、N ネットワーク、10 ECサーバ、11,21,31,41 制御部、12,22,32,42 記憶部、13,23,33,43 通信部、20 広告主端末、24,44 操作部、25,45 表示部、30 検索サーバ、40 ユーザ端末、M1 クエリ整形モデル、M2 関連性推定モデル、100,200,300,400 データ記憶部、101 注文処理部、201 取得部、202 デトークナイゼーション実行部、203 クエリ整形部、204 処理実行部、205 関連性推定部、206 分割実行部、300 データ記憶部、301 検索部、400 データ記憶部、401 表示制御部、402 操作受付部、A20,A21 表示領域、DB1 商品データベース、DB2 コンバージョンデータベース、DB3 広告データベース、SC1 トップ画面、SC2 検索結果画面、SC3 商品画面、SC4 注文完了画面。
Claims (12)
- 検索連動型広告により所定のサービスでコンバージョンが発生したコンバージョンクエリを取得する取得部と、
前記所定のサービスとの関連性がある訓練用クエリが学習された学習モデルに基づいて、前記コンバージョンクエリと、前記所定のサービスと、の関連性を推定する関連性推定部と、
前記関連性に基づいて、所定の処理を実行する処理実行部と、
を含む関連性推定システム。 - 前記所定のサービスは、前記検索連動型広告を表示させる検索サービスとは異なる他のサービスである、
請求項1に記載の関連性推定システム。 - 前記処理実行部は、前記関連性があると推定された前記コンバージョンクエリを前記検索サービスに登録する登録処理を、前記所定の処理として実行する、
請求項2に記載の関連性推定システム。 - 前記関連性推定システムは、クエリ整形に関する訓練データが学習された学習モデルに基づいて、前記コンバージョンクエリを整形するクエリ整形部を更に含み、
前記処理実行部は、前記関連性があると推定された、前記クエリ整形部により整形された整形済みの前記コンバージョンクエリを前記検索サービスに登録する処理を、前記登録処理として実行する、
請求項3に記載の関連性推定システム。 - 前記関連性推定部は、前記検索サービスで実際に入力された前記訓練用クエリであって、前記他のサービスとの関連性がある前記訓練用クエリが学習された前記学習モデルに基づいて、前記関連性を推定する、
請求項2~4の何れかに記載の関連性推定システム。 - 前記関連性推定部は、前記他のサービスで実際に入力された前記訓練用クエリが学習された前記学習モデルに基づいて、前記関連性を推定する、
請求項2~4の何れかに記載の関連性推定システム。 - 前記関連性推定部は、前記所定のサービスとの関連性がある第1訓練用クエリと、前記所定のサービスとの関連性がない第2訓練用クエリと、が学習された前記学習モデルに基づいて、前記関連性を推定する、
請求項1~4の何れかに記載の関連性推定システム。 - 前記関連性推定部は、前記所定のサービスにおける訓練用アイテムとの関連性がある前記訓練用クエリが学習された前記学習モデルに基づいて、前記コンバージョンクエリと、前記所定のサービスでコンバージョンが発生したコンバージョンアイテムと、の前記関連性を推定する、
請求項1~4の何れかに記載の関連性推定システム。 - 前記関連性推定部は、前記訓練用アイテムに関する第1属性との関連性がある前記訓練用クエリが学習された前記学習モデルに基づいて、前記コンバージョンクエリと、前記コンバージョンアイテムに関する第2属性と、の前記関連性を推定する、
請求項8に記載の関連性推定システム。 - 前記処理実行部は、前記関連性に基づいて、前記コンバージョンクエリを表示する表示処理を、前記所定の処理として実行する、
請求項1~4の何れかに記載の関連性推定システム。 - 検索連動型広告により所定のサービスでコンバージョンが発生したコンバージョンクエリを取得する取得ステップと、
前記所定のサービスとの関連性がある訓練用クエリが学習された学習モデルに基づいて、前記コンバージョンクエリと、前記所定のサービスと、の関連性を推定する関連性推定ステップと、
前記関連性に基づいて、所定の処理を実行する処理実行ステップと、
を含む関連性推定方法。 - 検索連動型広告により所定のサービスでコンバージョンが発生したコンバージョンクエリを取得する取得部、
前記所定のサービスとの関連性がある訓練用クエリが学習された学習モデルに基づいて、前記コンバージョンクエリと、前記所定のサービスと、の関連性を推定する関連性推定部、
前記関連性に基づいて、所定の処理を実行する処理実行部、
としてコンピュータを機能させるためのプログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2022104460A JP2024004704A (ja) | 2022-06-29 | 2022-06-29 | 関連性推定システム、関連性推定方法、及びプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2022104460A JP2024004704A (ja) | 2022-06-29 | 2022-06-29 | 関連性推定システム、関連性推定方法、及びプログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2024004704A true JP2024004704A (ja) | 2024-01-17 |
Family
ID=89539717
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022104460A Pending JP2024004704A (ja) | 2022-06-29 | 2022-06-29 | 関連性推定システム、関連性推定方法、及びプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2024004704A (ja) |
-
2022
- 2022-06-29 JP JP2022104460A patent/JP2024004704A/ja active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhao et al. | Exploring demographic information in social media for product recommendation | |
CN111784455B (zh) | 一种物品推荐方法及推荐设备 | |
US8355997B2 (en) | Method and system for developing a classification tool | |
US20100235343A1 (en) | Predicting Interestingness of Questions in Community Question Answering | |
CN112434151A (zh) | 一种专利推荐方法、装置、计算机设备及存储介质 | |
CN108763321A (zh) | 一种基于大规模相关实体网络的相关实体推荐方法 | |
WO2011032121A2 (en) | System and method for content extraction from unstructured sources | |
WO2007108529A1 (ja) | 情報抽出システム、情報抽出方法、情報抽出プログラムおよび情報サービスシステム | |
JP6018338B1 (ja) | 情報処理装置、情報処理方法、及び情報処理プログラム | |
JP6976207B2 (ja) | 情報処理装置、情報処理方法、およびプログラム | |
CN111460251A (zh) | 数据内容个性化推送冷启动方法、装置、设备和存储介质 | |
Baishya et al. | SAFER: sentiment analysis-based fake review detection in e-commerce using deep learning | |
JP2019215778A (ja) | サービス提供システム、広告関連サービス提供システム、ユーザ側設備及びユーザ側広告設備 | |
JP4743766B2 (ja) | 印象判定システム、広告記事生成システム、印象判定方法、広告記事生成方法、印象判定プログラムおよび広告記事生成プログラム | |
CN116796027A (zh) | 商品图片标签生成方法及其装置、设备、介质、产品 | |
CN117391824B (zh) | 基于大语言模型和搜索引擎推荐物品的方法及装置 | |
JP7133674B1 (ja) | 情報処理装置、情報処理方法および情報処理プログラム | |
CN115641179A (zh) | 信息推送方法、装置及电子设备 | |
JP4883644B2 (ja) | リコメンド装置、リコメンドシステム、リコメンド装置の制御方法、およびリコメンドシステムの制御方法 | |
CN112184250A (zh) | 挽回页的生成方法、装置、存储介质和计算机设备 | |
JP6560843B1 (ja) | 検索システム、検索方法、及びプログラム | |
US11256703B1 (en) | Systems and methods for determining long term relevance with query chains | |
Hoiriyah et al. | Lexicon-Based and Naive Bayes Sentiment Analysis for Recommending the Best Marketplace Selection as a Marketing Strategy for MSMEs | |
JP2024004704A (ja) | 関連性推定システム、関連性推定方法、及びプログラム | |
JP2024004703A (ja) | クエリ整形システム、クエリ整形方法、及びプログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20231020 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20240809 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20240827 |