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

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。

特開２０１６－６２２７５号公報

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。

クエリ整形システムの全体構成の一例を示す図である。 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実施形態で実現される機能の一例を示す図である。 商品データベースの一例を示す図である。 コンバージョンデータベースの一例を示す図である。 クエリ整形モデルの学習方法の一例を示す図である。 広告データベースの一例を示す図である。 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。 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実施形態で実現される機能の一例を示す図である。 第２実施形態で実行される処理の一例を示す図である。 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。 変形例１－２におけるクエリ整形の一例を示す図である。

［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。

［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。

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。

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。

［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。

［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。

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。

［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。

［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。

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。

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。

［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。

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。

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。

［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。

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。

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。

［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。

［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。

［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。

［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。

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。

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。

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。

［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。

［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。

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。

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。

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。

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。

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。

［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。

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。

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。

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。

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。

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。

［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、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。

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)

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、
   請求項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、
   請求項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、
   請求項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、
   請求項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、
   請求項２～４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、
   請求項１～４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、
   請求項１～４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、
   請求項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、
    請求項１～４の何れかに記載の関連性推定システム。
11. 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。
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、
    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。