JP5325280B2

JP5325280B2 - 情報処理装置

Info

Publication number: JP5325280B2
Application number: JP2011239851A
Authority: JP
Inventors: 正一飯塚; 祐介田中
Original assignee: Yahoo Japan Corp
Current assignee: Yahoo Japan Corp
Priority date: 2011-11-01
Filing date: 2011-11-01
Publication date: 2013-10-23
Anticipated expiration: 2031-11-01
Also published as: JP2013097582A

Description

本発明は、インターネット等のネットワークを介して広告等のコンテンツを配信する技術に関する。

ユーザがインターネット上のＷｅｂページを表示する際に、バナー広告等のコンテンツをＷｅｂページ内に表示することが多く行われている（特許文献１〜３を参照。）。この場合、ユーザの特性（属性）に応じて選択（クリック）されやすいコンテンツを表示することが広告等のコンテンツ配信の効果を高める上で望ましい。

従来、コンテンツの選択されやすさを示すＣＴＲ（Click Through Rate：広告等のコンテンツがクリックされた回数を当該コンテンツを表示した回数で除した値。コンテンツ選択率）をユーザ特徴ベクトルとコンテンツ毎の係数ベクトルとの積（内積）で表現することで、配信候補となる複数のコンテンツのＣＴＲを予測し、原則としてＣＴＲが最大となるコンテンツを配信するようにしていた。

ここで、ユーザ特徴ベクトルは、ユーザ属性をソフトクラスタリング（データが複数のクラスタに属することを許容するクラスタリング手法）することで生成される。ソフトクラスタリングの対象となるユーザ属性は、性別や年齢、コンテンツのジャンル別の視聴頻度等により分類されたものであり、最大でユーザ数まで分類することが可能であるが、計算量の観点から数十程度に分類される。ソフトクラスタリングによりユーザ特徴ベクトルを生成するのは、ユーザ属性の微妙な違いを損なうことなくいくつかのクラスタに集約するとともに、後の演算に適するデータ量に圧縮するためである。また、係数ベクトルは、全コンテンツ均等に初期のＣＴＲ（例えばＣＴＲ＝０等）により計算された後、実際のクリック実績に基づいて回帰分析により調整され、予測値の精度が向上される。

特開２００９−２５２２１７号公報特開２００６−１２０１３５号公報特開２０００−１６３４７７号公報

上述したユーザ特徴ベクトルとコンテンツ毎の係数ベクトルとの積でＣＴＲを予測する手法は、広告等のコンテンツ配信の効果を高める上で有用な手法であるが、時間の経過とともにＣＴＲ予測の精度が低下するという問題があった。すなわち、ユーザ属性の分類やソフトクラスタリングにおいて決定される各クラスタは所定の時点におけるユーザの行動に基づいて定義しているため、時間の経過により当初の範囲から実態が逸脱する場合があり、クリック実績により係数ベクトルの調整を行ったとしても精度が低下していくことがあるためである。

従って、所定の期間経過後は、再びユーザ属性の分類やソフトクラスタリングのクラスタを再定義し、ユーザ特徴ベクトルを再生成する必要がある。しかし、再生成によりユーザ特徴ベクトルは従前とは異なる指標となるため、係数ベクトルとして従前の係数ベクトルを使用することはできず、初期状態から改めて調整を開始する必要がある。

図１は従来における時間経過とＣＴＲ予測精度の関係の例を示す図であり、ユーザ特徴ベクトルの生成から期間Ｔ１はＣＴＲ予測精度が上昇していくが、期間Ｔ２になるとＣＴＲ予測精度が低下していく。そのため、ユーザ特徴ベクトルの再生成を行うことになるが、係数ベクトルが初期状態に戻ってしまうため、期間Ｔ３の当初はＣＴＲ予測精度が期間Ｔ１の初期と同程度に落ちてしまう。

その結果、ユーザ特徴ベクトルの再生成の後の当初は低いＣＴＲ予測精度に基づいてコンテンツ配信を行わなければならず、広告等のコンテンツ配信の効果が低下してしまうという問題があった。

本発明は上記の従来の問題点に鑑み提案されたものであり、その目的とするところは、ユーザ特徴ベクトルの再生成を行っても直前までと同等のＣＴＲ予測精度を維持し、広告等のコンテンツ配信の効果の維持・向上を図ることにある。

上記の課題を解決するため、本発明にあっては、ユーザ情報に対してソフトクラスタリングを行ってユーザ群毎にユーザ特徴ベクトルを生成するユーザ特徴ベクトル生成手段と、前記ユーザ特徴ベクトル生成手段により生成されたユーザ特徴ベクトルに基づいて初期状態のコンテンツ選択率により配信候補となる複数のコンテンツ毎の係数ベクトルを計算する係数ベクトル計算手段と、ユーザ端末からコンテンツ配信要求を受け付けるコンテンツ配信要求受付手段と、前記ユーザ端末のコンテンツ配信対象ユーザに対応する前記ユーザ特徴ベクトルと配信候補となる複数のコンテンツ毎の前記係数ベクトルの積によりコンテンツ選択率予測値をコンテンツ毎に算出し、コンテンツ選択率予測値が最大となるコンテンツを配信対象に決定する配信コンテンツ決定手段と、前記配信コンテンツ決定手段により決定されたコンテンツを前記ユーザ端末に送信するコンテンツ送信手段と、前記ユーザ端末からコンテンツの選択動作を示す情報を受け付けてログ情報を出力するユーザ選択行動受付手段と、前記ユーザ選択行動受付手段が受け付けたコンテンツの選択動作に基づいて前記係数ベクトルの調整を行う係数ベクトル調整手段と、所定のタイミングで、現時点のユーザ情報に対してソフトクラスタリングを行ってユーザ群毎にユーザ特徴ベクトルを再生成するユーザ特徴ベクトル再生成手段と、前記ユーザ特徴ベクトル再生成手段により生成されたユーザ特徴ベクトルに基づいて初期状態のコンテンツ選択率により配信候補となる複数のコンテンツ毎の係数ベクトルを計算するとともに、前記ログ情報の過去のユーザ選択実績に基づいて係数ベクトルの再調整を行う係数ベクトル再計算・再調整手段とを備える。

本発明の情報処理装置にあっては、ユーザ特徴ベクトルの再生成を行っても直前までと同等のＣＴＲ予測精度を維持することができるので、広告等のコンテンツ配信の効果の維持・向上を図ることができる。

従来における時間経過とＣＴＲ予測精度の関係の例を示す図である。本発明の一実施形態にかかるシステムの構成例を示す図である。ユーザ情報ＤＢのデータ構造例を示す図である。コンテンツＤＢのデータ構造例を示す図である。ユーザ特徴ベクトルＤＢのデータ構造例を示す図である。係数ベクトルＤＢのデータ構造例を示す図である。クリックログＤＢのデータ構造例を示す図である。コンテンツ配信装置のハードウェア構成例を示す図である。実施形態の処理例を示すフローチャート（その１）である。ユーザ特徴ベクトルの生成手法の例を示す図である。係数ベクトルの計算手法の例を示す図である。係数ベクトルの調整手法の例を示す図である。実施形態の処理例を示すフローチャート（その２）である。実施形態における時間経過とＣＴＲ予測精度の関係の例を示す図である。

以下、本発明の好適な実施形態につき説明する。

＜システム構成＞
図２は本発明の一実施形態にかかるシステムの構成例を示す図である。

図２において、インターネット等のネットワーク１には、ユーザが操作するＰＣ（Personal Computer）、スマートフォン、携帯電話、ＰＤＡ（Personal Digital Assistants）等のユーザ端末２が複数接続されている。ユーザ端末２は、一般的なブラウザ（Ｗｅｂブラウザ）２１を備えている。ブラウザ２１は、インターネットの標準プロトコルであるＨＴＴＰ（Hyper Text Transfer Protocol）等に従い、ＨＴＭＬ（Hyper Text Markup Language）等の言語で記述されたページデータの要求・取得・表示およびフォームデータの送信等を行う機能を有している。

一方、ネットワーク１には、ユーザ端末２のブラウザ２１に対して広告等のコンテンツを配信するコンテンツ配信装置３が接続されている。

コンテンツ配信装置３は、機能部として、コンテンツ配信要求受付部３０１と配信コンテンツ決定部３０２とコンテンツ送信部３０３とユーザクリック行動受付部３０４と係数ベクトル調整部３０５とユーザ特徴ベクトル生成部３０６と係数ベクトル計算部３０７とユーザ特徴ベクトル再生成部３０８と係数ベクトル再計算・再調整部３０９とを備えている。これらの機能部は、コンテンツ配信装置３を構成するコンピュータのＣＰＵ（Central Processing Unit）、ＲＯＭ（Read Only Memory）、ＲＡＭ（Random Access Memory）等のハードウェア資源上で実行されるコンピュータプログラムによって実現されるものである。これらの機能部は、単一のコンピュータ上に配置される必要はなく、必要に応じて分散される形態であってもよい。

また、コンテンツ配信装置３は、処理の過程で参照・更新される情報を保持する、ユーザ情報ＤＢ（Database）３１１とコンテンツＤＢ３１２とユーザ特徴ベクトルＤＢ３１３と係数ベクトルＤＢ３１４とクリックログＤＢ３１５とを備えている。これらデータベースは、コンテンツ配信装置３を構成するコンピュータ内のＨＤＤ（Hard Disk Drive）等の記憶媒体上に所定のデータを体系的に保持するものである。これらのデータベースは、単一のコンピュータ上に配置される必要はなく、必要に応じて分散される形態であってもよい。

＜データベース構造＞
図３はユーザ情報ＤＢ３１１のデータ構造例を示す図であり、「ユーザＩＤ」「性別」「年齢」「ＰＶサマリ」「ユーザ群ＩＤ」等の項目を有している。「ユーザＩＤ」は、ユーザを特定する情報である。「ユーザ群ＩＤ」は、当該ユーザが含まれるユーザ群を特定する情報であり、ユーザ群を個々のユーザまで細分化する場合はユーザＩＤで足りるため不要となる。ユーザ群とは、性別、年齢、閲覧頻度等が同等のものとして分類されたユーザのグループである。「性別」は、当該ユーザの性別を示す情報であり、「男性」「女性」「不明」等の値が設定される。「年齢」は、当該ユーザの年齢もしくは年齢層を示す情報であり、「４０代」「２０代」等の値が設定される。「ＰＶサマリ」は、当該ユーザのＷｅｂページの閲覧頻度（ＰＶ：Page View）等から得られる情報であり、「スポーツ」「ショッピング」等のジャンルに対して「Ｈ」「Ｍ」「Ｌ」等の値が設定される。

図４はコンテンツＤＢ３１２のデータ構造例を示す図であり、「コンテンツＩＤ」「コンテンツデータ／コンテンツＵＲＬ」等の項目を有している。「コンテンツＩＤ」は、配信対象となるコンテンツを特定する情報である。「コンテンツデータ／コンテンツＵＲＬ」は、当該コンテンツのデータ本体もしくはデータ本体の保存場所（ＵＲＬ：Uniform Resource Locator）を示す情報である。

図５はユーザ特徴ベクトルＤＢ３１３のデータ構造例を示す図であり、「ユーザ群ＩＤ」「ｍ１」「ｍ２」・・・等の項目と、補助情報としての「生成日時」とを有している。「ユーザ群ＩＤ」は、ユーザ群を特定する情報である。「ｍ１」「ｍ２」・・・は、当該ユーザのユーザ特徴ベクトルの要素である。「生成日時」は、ユーザ特徴ベクトルの生成および再生成の日時を示す情報である。

図６は係数ベクトルＤＢ３１４のデータ構造例を示す図であり、「コンテンツＩＤ」「ｎ１」「ｎ２」・・・「ＣＴＲ／表示回数／クリック回数」等の項目を有している。「コンテンツＩＤ」は、配信対象となるコンテンツを特定する情報である。「ｎ１」「ｎ２」・・・は、当該コンテンツの係数ベクトルの要素である。「ＣＴＲ／表示回数・クリック回数」は、当該コンテンツについての最新のＣＴＲ実測値と表示回数とクリック回数である。クリック回数を表示回数で割ることでＣＴＲ実測値が得られるため、ＣＴＲ実測値は省略することもできる。また、「ＣＴＲ／表示回数・クリック回数」はコンテンツＤＢ３１２においてコンテンツＩＤと対応付けて保持するようにしてもよい。

図７はクリックログＤＢ３１５のデータ構造例を示す図であり、「ユーザＩＤ」「日時」「クリックしたコンテンツＩＤ」「レコメンドしたコンテンツＩＤ」等の項目を有している。「ユーザＩＤ」は、ユーザを特定する情報である。「日時」は、ログを取得した日時の情報である。「クリックしたコンテンツＩＤ」は、当該ユーザがクリックしたコンテンツを特定する情報である。「レコメンドしたコンテンツＩＤ」は、当該ユーザのクリックに際し、当初に配信されたコンテンツを特定する情報である。

＜各部機能＞
図２に戻り、コンテンツ配信要求受付部３０１は、ユーザ端末２のブラウザ２１からネットワーク１を介してコンテンツ配信要求を受け付け、コンテンツ配信要求を受け付けた旨と要求元のユーザＩＤと配信先情報（ユーザ端末２のブラウザ２１のアドレスおよびポート番号等）を後続に伝える機能を有している。一般に、ユーザ端末２のブラウザ２１に図示しないサーバから提供されるＷｅｂページにはコンテンツの表示フレームが設けられており、ブラウザ２１はコンテンツの表示フレームの部分を処理する過程で当該部分に埋め込まれたコンテンツ配信装置３のアドレスにコンテンツ配信要求を行い、その要求をコンテンツ配信要求受付部３０１が受け付ける。また、図示しないサーバを利用する際には、予めユーザログインが行われており、ユーザＩＤを識別可能な情報がクッキー等によりブラウザ２１に保持されており、コンテンツ配信要求に伴われる。

配信コンテンツ決定部３０２は、コンテンツ配信要求受付部３０１から引き渡された、コンテンツ配信要求を受け付けた旨と要求元のユーザＩＤに基づいてユーザ情報ＤＢ３１１からユーザ群を特定し、そのユーザ群に基づいてユーザ特徴ベクトルＤＢ３１３を検索して該当するユーザ特徴ベクトルを取得するとともに、予め配信候補として用意されたコンテンツのコンテンツＩＤに基づいて係数ベクトルＤＢ３１４を検索して該当するコンテンツ毎の係数ベクトルを取得し、ユーザ特徴ベクトルと係数ベクトルとの積（内積）をとることでコンテンツ毎のＣＴＲ予測値を算出し、ＣＴＲ予測値が最大となるコンテンツを配信対象に決定する機能を有している。なお、ＣＴＲ予測値に偏りが発生しないように、所定の比率の数の配信（例えば、１０回につき１回）については均等の確率でコンテンツを決定する。

コンテンツ送信部３０３は、配信コンテンツ決定部３０２により配信対象として決定されたコンテンツのコンテンツＩＤに基づいてコンテンツＤＢ３１２を検索してコンテンツデータを取得し、要求元のユーザ端末２のブラウザ２１にコンテンツデータを送信する機能を有している。

ユーザクリック行動受付部３０４は、ユーザ端末２のブラウザ２１でのコンテンツの選択動作を示す情報を受け付け、クリックログＤＢ３１５にログ情報を出力する機能を有している。一般に、Ｗｅｂページに表示されるコンテンツには、クリック状況取得のために所定のアドレスに対してユーザＩＤを識別可能な情報と、クリックしたコンテンツＩＤを識別可能な情報と、レコメンドされたコンテンツＩＤを識別可能な情報とを送信する機能が埋め込まれており、その送信内容をユーザクリック行動受付部３０４が受け付ける。

係数ベクトル調整部３０５は、ユーザクリック行動受付部３０４がユーザクリック行動を受け付けた場合に、必要に応じて（ＣＴＲ実測値に変化が生ずる場合等）、ユーザクリック行動をしたユーザＩＤに基づいてユーザ情報ＤＢ３１１からユーザ群を特定し、該当するユーザ特徴ベクトルＤＢ３１３のユーザ特徴ベクトルと現時点のＣＴＲ実測値とに基づいて係数ベクトルの調整を行い、係数ベクトルＤＢ３１４の係数ベクトルを更新する機能を有している。処理の詳細については後述する。

ユーザ特徴ベクトル生成部３０６は、ユーザ情報ＤＢ３１１からユーザ情報を取得し、ユーザ属性から複数のユーザ群に分類した上で、Fuzzy-c-Means等の手法によりソフトクラスタリングを行ってユーザ特徴ベクトルを生成し、生成したユーザ特徴ベクトルをユーザ特徴ベクトルＤＢ３１３に格納する機能を有している。処理の詳細については後述する。

係数ベクトル計算部３０７は、ユーザ特徴ベクトル生成部３０６により生成されたユーザ特徴ベクトルに基づいて初期状態のＣＴＲ（ＣＴＲ＝０等）により係数ベクトルを計算し、計算した係数ベクトルを係数ベクトルＤＢ３１４に格納する機能を有している。

ユーザ特徴ベクトル再生成部３０８は、ユーザ特徴ベクトル生成部３０６によるユーザ特徴ベクトルの生成もしくは自己のユーザ特徴ベクトル再生成部３０８によるユーザ特徴ベクトルの再生成から所定の期間が経過し、または、ＣＴＲ予測値のＣＴＲ実測値に対する誤差が所定の割合まで低下した場合に、ユーザ情報ＤＢ３１１からユーザ情報を取得し、ユーザ属性から複数のユーザ群に再び分類した上で、Fuzzy-c-Means等の手法によりソフトクラスタリングを再び行ってユーザ特徴ベクトルを生成し、生成したユーザ特徴ベクトルをユーザ特徴ベクトルＤＢ３１３に格納する機能を有している。処理の詳細については後述する。

係数ベクトル再計算・再調整部３０９は、ユーザ特徴ベクトル再生成部３０８により再生成されたユーザ特徴ベクトルに基づいて初期状態のＣＴＲ（ＣＴＲ＝０等）により係数ベクトルを計算するとともに、クリックログＤＢ３１５からログ情報を取得して過去のユーザクリック実績に基づいて係数ベクトルの再調整（再計算）を行い、算出した係数ベクトルを係数ベクトルＤＢ３１４に格納する機能を有している。

図８はコンテンツ配信装置３のハードウェア構成例を示す図である。

図８において、コンテンツ配信装置３は、システムバス３１に接続されたＣＰＵ３２、ＲＯＭ３３、ＲＡＭ３４、ＮＶＲＡＭ（Non-Volatile Random Access Memory）３５、Ｉ／Ｆ（Interface）３６と、Ｉ／Ｆ３６に接続された、キーボード、マウス、モニタ、ＣＤ／ＤＶＤ（Compact Disk/Digital Versatile Disk）ドライブ等のＩ／Ｏ（Input/Output Device）３７、ＨＤＤ３８、ＮＩＣ（Network Interface Card）３９等を備えている。Ｍはプログラムもしくはデータが格納されたＣＤ／ＤＶＤ等のメディア（記録媒体）である。

＜ユーザ特徴ベクトル／係数ベクトルの算出の処理＞
図９は上記の実施形態におけるユーザ特徴ベクトルおよび係数ベクトルの算出の処理例を示すフローチャートである。

図９において、コンテンツ配信装置３の管理者等が起動を指令し、あるいは予め設定されたスケジューリングにより自動起動することで処理が開始すると、ユーザ特徴ベクトル生成部３０６は、ユーザ情報ＤＢ３１１からユーザ情報を取得し、ユーザ属性から複数のユーザ群に分類した上で、Fuzzy-c-Means等の手法によりソフトクラスタリングを行ってユーザ特徴ベクトルを生成し、生成したユーザ特徴ベクトルをユーザ特徴ベクトルＤＢ３１３に格納する（ステップＳ１０１）。

図１０はユーザ特徴ベクトル生成部３０６によるユーザ特徴ベクトルの生成手法の例を示す図である。

図１０において、ユーザ特徴ベクトル生成部３０６は、ユーザ情報ＤＢ３１１から取得したユーザ情報から、性別や年齢、コンテンツのジャンル別の視聴頻度等により複数のユーザ群Ａ、Ｂ、Ｃ、Ｄ、・・に分類を行い、それをユーザ情報表現データに変換する。図示の例では、最初の３桁が性別を表わし（先頭が「１」の場合は「男性」、次が「１」の場合は「女性」、次が「１」の場合は「不明」）、次の７桁は年齢を表わし（先頭から順に「１」の場合は「１０代」「２０代」「３０代」「４０代」「５０代」「６０代」「７０代」）、以降の桁はＰＶサマリ（例えば、先頭から３番目はジャンル「スポーツ」、４番目はジャンル「ショッピング」で、「３」は「Ｈ」、「２」は「Ｍ」、「１」は「Ｌ」）を表わしている。

また、ユーザ特徴ベクトル生成部３０６は、ｃ個（図示の例では５個）のクラスタの中心となる分類初期値データをランダムもしくは運用経験に基づいて設定する。

そして、ユーザ特徴ベクトル生成部３０６は、ユーザ情報表現データと分類初期値データに基づき、Fuzzy-c-Meansの場合、
・ユーザ情報表現データと各クラスタの分類初期値データとのベクトル間距離（２乗距離）を計算し、第１〜第ｃのクラスタとの距離をユーザ特徴ベクトルの第１〜第ｃの要素に設定
・クラスタ毎に中心を再計算し、全てのクラスタの中心が変化しなければ終了し、変化した場合は再計算したクラスタの中心に基づいてベクトル間距離の計算から繰り返し
を実行することで、ユーザ群毎のユーザ特徴ベクトルＸを生成する。

図９に戻り、ユーザ特徴ベクトルが生成されると、係数ベクトル計算部３０７は、ユーザ特徴ベクトル生成部３０６により生成されたユーザ特徴ベクトルに基づいて初期状態のＣＴＲ（例えば、ＣＴＲ＝０）により係数ベクトルを計算し、計算した係数ベクトルを係数ベクトルＤＢ３１４に格納する（ステップＳ１０２）。

図１１は係数ベクトル計算部３０７による係数ベクトルの計算手法の例を示す図である。

図１１において、係数ベクトル計算部３０７は、ユーザ特徴ベクトルＸと初期ＣＴＲデータに基づき、ユーザ特徴ベクトルＸ、コンテンツ毎の係数ベクトルΘとし、
ＣＴＲ予測値＝Ｙ^〜＝ΘＸ
に対し、コンテンツ毎に、ユーザ特徴ベクトルＸの独立変数間の変動・共変動行列Ｓを
Ｓ_ｉｊ＝Σ_{ｋ＝１〜ｎ}（Ｘ_ｋｉ−Ｘ^ＡＶ _ｉ）（Ｘ_ｋｊ−Ｘ^ＡＶ _ｊ）
により計算し（Ｘ^ＡＶ _ｉ：Ｘ_ｉの平均値）、独立変数と従属変数Ｙ^〜間の共変動ベクトルＣを
Ｃ_ｉ＝Σ_{ｋ＝１〜ｎ}（Ｘ_ｋｉ−Ｘ^ＡＶ _ｉ）（Ｙ_ｋ−Ｙ^ＡＶ）
により計算し（Ｙ_ｋ：ｋ番目のユーザ特徴ベクトルに対するＣＴＲ実測値、Ｙ^ＡＶ：ＣＴＲ実測値の平均値）、
Θ＝Ｓ^−１Ｃ
により係数ベクトルΘを計算する（Ｓ^−１：変動・共変動行列Ｓの逆行列）。ｎ個のユーザ特徴ベクトルは、ユーザ群の数だけのユーザ特徴ベクトルである。

なお、初期状態として全てのコンテンツにつきＣＴＲ実測値＝０とする場合は、係数ベクトルΘの要素は全て０となるため、上記の計算をすることなく、係数ベクトルΘをゼロベクトルに設定してもよい。

図９に戻り、係数ベクトルが計算された後は、ユーザクリック行動受付部３０４がユーザクリック状況を取得すると（ステップＳ１０３）、係数ベクトル調整部３０５は、ユーザクリック行動をしたユーザＩＤに基づいてユーザ情報ＤＢ３１１からユーザ群を特定し、該当するユーザ特徴ベクトルＤＢ３１３のユーザ特徴ベクトルと、ユーザクリック行動受付部３０４が受け付けたユーザクリック状況を反映させたＣＴＲ実測値とに基づいて係数ベクトルの調整を行い、係数ベクトルＤＢ３１４の係数ベクトルを更新する（ステップＳ１０４）。

図１２は係数ベクトル調整部３０５による係数ベクトルの調整手法の例を示す図である。

図１２において、係数ベクトル調整部３０５は、ユーザ群毎のユーザ特徴ベクトルＸと実測ＣＴＲデータ（各コンテンツのＣＴＲ実測値）に基づき、ユーザ特徴ベクトルＸ、コンテンツ毎の係数ベクトルΘとし、
ＣＴＲ予測値＝Ｙ^〜＝ΘＸ
に対し、コンテンツ毎に、ユーザ特徴ベクトルＸの独立変数間の変動・共変動行列Ｓを
Ｓ_ｉｊ＝Σ_{ｋ＝１〜ｎ}（Ｘ_ｋｉ−Ｘ^ＡＶ _ｉ）（Ｘ_ｋｊ−Ｘ^ＡＶ _ｊ）
により計算し（Ｘ^ＡＶ _ｉ：Ｘ_ｉの平均値）、独立変数と従属変数Ｙ^〜間の共変動ベクトルＣを
Ｃ_ｉ＝Σ_{ｋ＝１〜ｎ}（Ｘ_ｋｉ−Ｘ^ＡＶ _ｉ）（Ｙ_ｋ−Ｙ^ＡＶ）
により計算し（Ｙ_ｋ：ｋ番目のユーザ特徴ベクトルに対するＣＴＲ実測値、Ｙ^ＡＶ：ＣＴＲ実測値の平均値）、
Θ＝Ｓ^−１Ｃ
により係数ベクトルΘを計算する（Ｓ^−１：変動・共変動行列Ｓの逆行列）。

図９に戻り、係数ベクトルの調整が行われると、係数ベクトル調整部３０５もしくはユーザ特徴ベクトル再生成部３０８は、前回のユーザ特徴ベクトルの生成（再生成を含む）から所定期間経過したか否か判断し（ステップＳ１０５）、所定期間経過していない場合はユーザクリック状況取得（ステップＳ１０３）に戻る。なお、前述したように、所定期間経過の判断に代えて、ＣＴＲ予測値のＣＴＲ実測値に対する誤差が所定の割合まで低下したか否かを判定するようにしてもよい。この場合、ＣＴＲ予測値のＣＴＲ実測値に対する誤差が所定の割合まで低下していない場合はユーザクリック状況取得（ステップＳ１０３）に戻る。

一方、ユーザ特徴ベクトルの生成から所定期間経過したと判断した場合（あるいはＣＴＲ予測値のＣＴＲ実測値に対する誤差が所定の割合まで低下したと判断した場合）、ユーザ特徴ベクトル再生成部３０８は、ユーザ情報ＤＢ３１１からユーザ情報を取得し、ユーザ属性から複数のユーザ群に再び分類した上で、Fuzzy-c-Means等の手法によりソフトクラスタリングを再び行ってユーザ特徴ベクトルを生成し、生成したユーザ特徴ベクトルをユーザ特徴ベクトルＤＢ３１３に格納する（ステップＳ１０６）。処理内容は図１０に示したのと同様であるが、ユーザ情報が更新されている場合には最新のユーザ情報が用いられる点と、ユーザ群の分類の見直しが行われる場合にはユーザ情報表現データが変化する点と、分類初期値データに見直しが行われる場合には、分類初期値データとして運用経験等に基づき、新たな視点に基づく値の設定を行う点とが異なる。

次いで、図９において、係数ベクトル再計算・再調整部３０９は、ユーザ特徴ベクトル再生成部３０８により再生成されたユーザ特徴ベクトルに基づいて初期状態のＣＴＲ（＝０）により係数ベクトルを計算する（ステップＳ１０７）。処理内容は図１１に示したのと同様であるが、再生成によりユーザ特徴ベクトルＸの値は異なるものとなる。

次いで、図９において、係数ベクトル再計算・再調整部３０９は、クリックログＤＢ３１５から過去のユーザクリック状況を取得し（ステップＳ１０８）、取得したユーザクリック状況に基づいて係数ベクトルの再調整を行い、算出した係数ベクトルを係数ベクトルＤＢ３１４に格納する（ステップＳ１０９）。処理内容は図１２に示したのと同様であるが、実測ＣＴＲデータがクリックログＤＢ３１５から取得したデータである点が異なる。

次いで、図９において、係数ベクトル再計算・再調整部３０９は、所定の期間分（例えば、直近のログまで）について再調整を行ったか否か判断し（ステップＳ１１０）、まだであればクリックログＤＢ３１５からのユーザクリック状況の取得（ステップＳ１０８）に戻り、完了していればユーザクリック状況取得（ステップＳ１０３）に戻る。

＜コンテンツ配信時の処理＞
次に、図１３はコンテンツ配信時の処理例を示すフローチャートである。

図１３において、コンテンツ配信要求受付部３０１がユーザ端末２のブラウザ２１からネットワーク１を介してコンテンツ配信要求を受け付けると（ステップＳ２０１）、配信コンテンツ決定部３０２は、コンテンツ配信要求受付部３０１から引き渡されたユーザＩＤに基づいてユーザ情報ＤＢ３１１からユーザ群を特定し、そのユーザ群に基づいてユーザ特徴ベクトルＤＢ３１３を検索して該当するユーザ特徴ベクトルを取得するとともに、予め配信候補として用意されたコンテンツのコンテンツＩＤに基づいて係数ベクトルＤＢ３１４を検索して該当するコンテンツ毎の係数ベクトルを取得し、ユーザ特徴ベクトルと係数ベクトルとの積（内積）をとることでコンテンツ毎のＣＴＲ予測値を算出する（ステップＳ２０２）。

次いで、配信コンテンツ決定部３０２は、算出したコンテンツ毎のＣＴＲ予測値から、ＣＴＲ予測値が最大となるコンテンツを配信対象に決定する（ステップＳ２０３）。なお、ＣＴＲ予測値に偏りが発生しないように、所定の比率の数の配信（例えば、１０回につき１回）については均等の確率でコンテンツを決定する。

次いで、コンテンツ送信部３０３は、配信コンテンツ決定部３０２により配信対象として決定されたコンテンツのコンテンツＩＤに基づいてコンテンツＤＢ３１２を検索してコンテンツデータを取得し、要求元のユーザ端末２のブラウザ２１にコンテンツデータを送信する（ステップＳ２０４）。

次いで、ユーザクリック行動受付部３０４がユーザ端末２のブラウザ２１でのコンテンツの選択動作を示す情報を受け付けると（ステップＳ２０５）、ユーザクリック行動受付部３０４はクリックログＤＢ３１５にログ情報を出力する（ステップＳ２０６）。

＜ＣＴＲ予測精度＞
図１４は上記の実施形態における時間経過とＣＴＲ予測精度の関係の例を示す図である。

図１４において、期間Ｔ１１においてユーザ特徴ベクトルの生成からＣＴＲ予測精度が上昇していき、ＣＴＲ予測精度が低下し始めた時点でユーザ特徴ベクトルの再作成および係数ベクトルの再計算・再調整を行って期間Ｔ２に入るため、図１に示した従来のように期間Ｔ１の開始時と同程度までＣＴＲ予測精度が大幅に低下することはなく、更に上昇させることができる。また、期間Ｔ１２でＣＴＲ予測精度が低下し始めた時点でユーザ特徴ベクトルの再作成および係数ベクトルの再計算・再調整を行って期間Ｔ１３に入る場合も同様である。

＜総括＞
以上説明したように、本実施形態によれば、次のような利点がある。

（１）ユーザ特徴ベクトルの再生成を行っても直前と同等のＣＴＲ予測精度を維持することができるので、広告等のコンテンツ配信の効果の維持・向上を図ることができる。

（２）前回のユーザ特徴ベクトルの生成もしくは再生成から所定の期間の経過を検出した場合にユーザ特徴ベクトルの再生成を行うことで、ＣＴＲ予測精度の低下を防止することができる。

（３）ＣＴＲ予測値のＣＴＲ実測値に対する誤差が所定の割合まで低下したことを検出した場合にユーザ特徴ベクトルの再生成を行うことで、ＣＴＲ予測精度の低下を防止することができる。

（４）ユーザ情報に性別、年齢、コンテンツジャンル毎閲覧頻度を含むことで、ユーザの特性を的確にコンテンツ配信に反映させることができる。

以上、本発明の好適な実施の形態により本発明を説明した。ここでは特定の具体例を示して本発明を説明したが、特許請求の範囲に定義された本発明の広範な趣旨および範囲から逸脱することなく、これら具体例に様々な修正および変更を加えることができることは明らかである。すなわち、具体例の詳細および添付の図面により本発明が限定されるものと解釈してはならない。

１ネットワーク
２ユーザ端末
２１ブラウザ
３コンテンツ配信装置
３０１コンテンツ配信要求受付部
３０２配信コンテンツ決定部
３０３コンテンツ送信部
３０４ユーザクリック行動受付部
３０５係数ベクトル調整部
３０６ユーザ特徴ベクトル生成部
３０７係数ベクトル計算部
３０８ユーザ特徴ベクトル再生成部
３０９係数ベクトル再計算・再調整部
３１１ユーザ情報ＤＢ
３１２コンテンツＤＢ
３１３ユーザ特徴ベクトルＤＢ
３１４係数ベクトルＤＢ
３１５クリックログＤＢ

Claims

ユーザ情報に対してソフトクラスタリングを行ってユーザ群毎にユーザ特徴ベクトルを生成するユーザ特徴ベクトル生成手段と、
前記ユーザ特徴ベクトル生成手段により生成されたユーザ特徴ベクトルに基づいて初期状態のコンテンツ選択率により配信候補となる複数のコンテンツ毎の係数ベクトルを計算する係数ベクトル計算手段と、
ユーザ端末からコンテンツ配信要求を受け付けるコンテンツ配信要求受付手段と、
前記ユーザ端末のコンテンツ配信対象ユーザに対応する前記ユーザ特徴ベクトルと配信候補となる複数のコンテンツ毎の前記係数ベクトルの積によりコンテンツ選択率予測値をコンテンツ毎に算出し、コンテンツ選択率予測値が最大となるコンテンツを配信対象に決定する配信コンテンツ決定手段と、
前記配信コンテンツ決定手段により決定されたコンテンツを前記ユーザ端末に送信するコンテンツ送信手段と、
前記ユーザ端末からコンテンツの選択動作を示す情報を受け付けてログ情報を出力するユーザ選択行動受付手段と、
前記ユーザ選択行動受付手段が受け付けたコンテンツの選択動作に基づいて前記係数ベクトルの調整を行う係数ベクトル調整手段と、
所定のタイミングで、現時点のユーザ情報に対してソフトクラスタリングを行ってユーザ群毎にユーザ特徴ベクトルを再生成するユーザ特徴ベクトル再生成手段と、
前記ユーザ特徴ベクトル再生成手段により生成されたユーザ特徴ベクトルに基づいて初期状態のコンテンツ選択率により配信候補となる複数のコンテンツ毎の係数ベクトルを計算するとともに、前記ログ情報の過去のユーザ選択実績に基づいて係数ベクトルの再調整を行う係数ベクトル再計算・再調整手段と
を備えたことを特徴とする情報処理装置。
ユーザ情報に対してソフトクラスタリングを行ってユーザ群毎にユーザ特徴ベクトルを生成するユーザ特徴ベクトル生成手段と、
前記ユーザ特徴ベクトル生成手段により生成されたユーザ特徴ベクトルに基づいて初期状態のコンテンツ選択率により配信候補となる複数のコンテンツ毎の係数ベクトルを計算する係数ベクトル計算手段と、
ユーザ端末のコンテンツの選択動作に基づいて前記係数ベクトルの調整を行う係数ベクトル調整手段と、
所定のタイミングで、現時点のユーザ情報に対してソフトクラスタリングを行ってユーザ群毎にユーザ特徴ベクトルを再生成するユーザ特徴ベクトル再生成手段と、
前記ユーザ特徴ベクトル再生成手段により生成されたユーザ特徴ベクトルに基づいて初期状態のコンテンツ選択率により配信候補となる複数のコンテンツ毎の係数ベクトルを計算するとともに、前記ユーザ端末のコンテンツの選択動作を示す情報を記録したログ情報の過去のユーザ選択実績に基づいて係数ベクトルの再調整を行う係数ベクトル再計算・再調整手段と
を備えたことを特徴とする情報処理装置。
請求項１または２のいずれか一項に記載の情報処理装置において、
前記ユーザ特徴ベクトル再生成手段は、前記ユーザ特徴ベクトルの生成もしくは再生成から所定の期間の経過を検出した場合にユーザ特徴ベクトルの再生成を行う
ことを特徴とする情報処理装置。
請求項１または２のいずれか一項に記載の情報処理装置において、
前記ユーザ特徴ベクトル再生成手段は、コンテンツ選択率予測値のコンテンツ選択率実測値に対する誤差が所定の割合まで低下したことを検出した場合にユーザ特徴ベクトルの再生成を行う
ことを特徴とする情報処理装置。
請求項１乃至４のいずれか一項に記載の情報処理装置において、
前記ユーザ情報は、性別、年齢、コンテンツジャンル毎閲覧頻度を含む
ことを特徴とする情報処理装置。
情報処理装置が、ユーザ情報に対してソフトクラスタリングを行ってユーザ群毎にユーザ特徴ベクトルを生成するユーザ特徴ベクトル生成工程と、
前記情報処理装置が、前記ユーザ特徴ベクトル生成工程により生成されたユーザ特徴ベクトルに基づいて初期状態のコンテンツ選択率により配信候補となる複数のコンテンツ毎の係数ベクトルを計算する係数ベクトル計算工程と、
前記情報処理装置が、ユーザ端末からコンテンツ配信要求を受け付けるコンテンツ配信要求受付工程と、
前記情報処理装置が、前記ユーザ端末のコンテンツ配信対象ユーザに対応する前記ユーザ特徴ベクトルと配信候補となる複数のコンテンツ毎の前記係数ベクトルの積によりコンテンツ選択率予測値をコンテンツ毎に算出し、コンテンツ選択率予測値が最大となるコンテンツを配信対象に決定する配信コンテンツ決定工程と、
前記情報処理装置が、前記配信コンテンツ決定工程により決定されたコンテンツを前記ユーザ端末に送信するコンテンツ送信工程と、
前記情報処理装置が、前記ユーザ端末からコンテンツの選択動作を示す情報を受け付けてログ情報を出力するユーザ選択行動受付工程と、
前記情報処理装置が、前記ユーザ選択行動受付工程が受け付けたコンテンツの選択動作に基づいて前記係数ベクトルの調整を行う係数ベクトル調整工程と、
前記情報処理装置が、所定のタイミングで、現時点のユーザ情報に対してソフトクラスタリングを行ってユーザ群毎にユーザ特徴ベクトルを再生成するユーザ特徴ベクトル再生成工程と、
前記情報処理装置が、前記ユーザ特徴ベクトル再生成工程により生成されたユーザ特徴ベクトルに基づいて初期状態のコンテンツ選択率により配信候補となる複数のコンテンツ毎の係数ベクトルを計算するとともに、前記ログ情報の過去のユーザ選択実績に基づいて係数ベクトルの再調整を行う係数ベクトル再計算・再調整工程と
を備えたことを特徴とする情報処理方法。
情報処理装置が、ユーザ情報に対してソフトクラスタリングを行ってユーザ群毎にユーザ特徴ベクトルを生成するユーザ特徴ベクトル生成工程と、
前記情報処理装置が、前記ユーザ特徴ベクトル生成工程により生成されたユーザ特徴ベクトルに基づいて初期状態のコンテンツ選択率により配信候補となる複数のコンテンツ毎の係数ベクトルを計算する係数ベクトル計算工程と、
前記情報処理装置が、ユーザ端末のコンテンツの選択動作に基づいて前記係数ベクトルの調整を行う係数ベクトル調整工程と、
前記情報処理装置が、所定のタイミングで、現時点のユーザ情報に対してソフトクラスタリングを行ってユーザ群毎にユーザ特徴ベクトルを再生成するユーザ特徴ベクトル再生成工程と、
前記情報処理装置が、前記ユーザ特徴ベクトル再生成工程により生成されたユーザ特徴ベクトルに基づいて初期状態のコンテンツ選択率により配信候補となる複数のコンテンツ毎の係数ベクトルを計算するとともに、前記ユーザ端末のコンテンツの選択動作を示す情報を記録したログ情報の過去のユーザ選択実績に基づいて係数ベクトルの再調整を行う係数ベクトル再計算・再調整工程と
を備えたことを特徴とする情報処理方法。