JP5450051B2 - 行動ターゲティングシステム - Google Patents

Description

本発明は、行動ターゲティングの分野に関し、更に詳細にはオンライン行動ターゲティングシステムに関する。

インターネットは、販売業者が数多くの製品及びサービスを消費者に提供するための仕組みを提供する。インターネットポータルは、ユーザに対してインターネットの膨大なリソースへの入口及びガイドを提供する。通常、インターネットポータルは、一連の検索、電子メール、ニュース、ショッピング、チャット、地図、金融、娯楽、及び他のインターネットサービス及びコンテンツを提供する。本発明の譲受人であるＹａｈｏｏは、このようなインターネットポータルの実施例である。

ユーザが、インターネット（例えばウェブサイト）上でインターネットポータルを含む幾つかのロケーションを訪れると、ユーザは、オンラインアクティビティの形式で情報を入力する。この情報は、ユーザの行動パターン及び関心を判断するために記録及び分析することができる。次に、これらの行動パターン及び関心事項を利用して、インターネットポータルサイトなどのインターネット上でより有意義で豊かな経験をユーザに提供するためにユーザをターゲティングすることができる。例えば、ユーザのある製品及びサービスへの関心が特定された場合、これらの製品及びサービスに関する広告をユーザに提供することができる。広告を提供する行動ターゲティングシステムは、広告主のメッセージをターゲットオーディエンスに提供する広告主と、ユーザに対する関心分野における広告を受け取るユーザとの両方に利益をもたらす。

行動ターゲティングシステムは、オンラインアクティビティからユーザプロファイルを決定する。本システムは複数のモデルを含む。モデルは、ユーザプロファイルスコアを決定するためのパラメータを定義する。事象情報がエンティティで受け取られる。事象情報は、ユーザのオンラインアクティビティを含む。ユーザプロファイルスコアを生成するために、モデルが選択される。本システムは、モデルからのパラメータをユーザ事象情報に適用することによってカテゴリーにおいてユーザプロファイルスコアを生成する。行動ターゲティングシステムは、オンラインユーザへの広告提供で使用するためのアプリケーションを有する。

行動ターゲティングシステムのアーキテクチャは拡張可能である。例えば、種々の規則及び重みパラメータを包含する付加的なモデルを追加することができる。新しいモデルのデータ及びメタデータに基づいて、行動ターゲティングシステムは、同じフレームワーク全体内で種々の行動モデル及び規則を実行することができる。

１つの実施形態では、モデルは、近時性（recency）、強度、及び頻度次元パラメータを含む。近時性次元パラメータは、ユーザ事象情報がどのくらい最近に発生したかに基づいてプロファイルスコアへの入力を指定する。強度次元パラメータは、カテゴリーにおけるターゲット目標を予測するために、ユーザ事象情報の有効性に基づいてユーザプロファイルスコアへの入力を提供する。また、頻度次元パラメータは、ユーザ事象情報の発生頻度に基づいてユーザプロファイルスコアへの入力を提供する。

１つの実施形態では、行動ターゲティングシステムは、ターゲット目標に対するユーザプロファイルスコアを生成する。例えば、ターゲット目標は、ブランド広告及びダイレクトレスポンス広告を含むことができる。

行動ターゲティングシステムの概要
行動ターゲティングシステムは、１つ又はそれ以上のターゲット目標に対するオンラインユーザの関心及び行動を識別するためのアプリケーションを有する。図１は、一般化された行動ターゲティングシステム１００を示すブロック図である。一般に、行動ターゲティングシステム１００は、ユーザのオンラインアクティビティに基づいてインターネットユーザの関心及び行動をプロファイルする。図１に示されるように、行動ターゲティング処理（１２０）によってユーザ入力（１１０）が取り込まれる。１つの実施形態では、ユーザ入力は、１つ又はそれ以上の「事象」を含む。以下に更に詳細に説明されるように、事象は、ユーザによって開始されたあるタイプの動作である（例えば、ユーザがバナー広告をクリックすること）。図１に概略的に示すように、行動ターゲティング処理（１２０）は、ターゲット目標に対して固有の複数のユーザプロファイルを生成する。一般に、ユーザ行動プロファイルは、特定のターゲット目標に対するユーザ成功を予測する。例えば、ユーザ行動プロファイルは、ダイレクトマーケティング広告キャンペーンに反応するユーザの傾向を予測できる。１つの実施形態では、ユーザ行動プロファイルは、カテゴリー毎に表される。例えば、ユーザプロファイル出力は、ユーザが、「金融」というトピックに関する目標にとって良い候補であり、「音楽」というトピックに関する目標にとって悪い候補であることを示すことができる。

行動ターゲティング処理１２０は、種々のターゲット目標に対するユーザ行動プロファイルを生成する。図１に示された１つの実施形態では、行動ターゲティングシステム１００は、ダイレクトレスポンス広告（１３０）、ブランド認知広告（１５０）、購入意図アクティビティ（１８０）、及び社内事業単位マーケティングに対するユーザ行動プロファイルを出力する。１つの実施形態では、行動ターゲティング処理１２０は、マーケティング目標に対するユーザ関心プロファイルを生成する。

図２は、マーケティング目標を識別するマーケティングファンネル(funnel)を示す。ファンネルのトップでは、広告主が、広告主のブランドに対するブランド認知の獲得を望むことができる。通常、このタイプのマーケティングでは、広告主の目的は、１つ又はそれ以上の肯定的なイメージをブランドに関連付けることによって製品に対するブランドを向上させることである。このマーケティング目標は、ブランド広告（１５０）として図１に示されている。ファンネルの第２段階では、ユーザが、製品検討のための情報の収集を望むことができる。この購入者のサイクルに対処するために、広告主は、ダイレクトレスポンス広告を用いることができる。獲得(acquisition)、引き留め(retention)、エンゲージメント(engagement)、及び現金化(monetization)を含む、ダイレクトレスポンス広告に関連付けられた多くの異なる目標が存在することができる。獲得の目的は、消費者を製品／サービスの顧客又はビジターにすることである。引き留めの目的は、既存の顧客又はビジター（例えばウェブサイトのビジター）を維持することである。エンゲージメントに関連した目的は、既存の顧客から更にアクティビティを引き出すことである。現金化の目的は、抱き合わせ販売などの積極的な購入アクティビティ、並びにバナー広告の消費などの消極的なアクティビティを介して顧客の収益性を高めることである。

ダイレクトレスポンス広告において、全体的な目的は、顧客から行動又は反応を引き出すことである。本発明の行動ターゲティングシステムは、ダイレクトレスポンス広告（１３０）に対するユーザプロファイルデータを提供する。例えば、ユーザが「クリック」するリンクを含むウェブページ上に表示された広告は、ダイレクトレスポンス広告の実施例である。ファンネルの最後の最も注目される部分は、購入意図の顧客サイクルである。この段階では、ユーザは、積極的にショッピングをしており、購入する意図がある。本発明の行動ターゲティングシステムは、購入意図者アプリケーション（１８０）にユーザプロファイルデータを提供するアプリケーションを有する。

図１はまた、マーケティング又はターゲット目標としての社内事業ユニットマーケティングアプリケーションを示す。例えば、インターネット会社は、ウェブサイト又はポータルにユーザを惹き付けることを望むことができる。行動ターゲティング処理は、インターネットポータルにユーザを獲得するためにユーザプロファイルを生成することができる。例えば、ポータルの１つの事業ユニットからのユーザをターゲティングし、ユーザのプロファイルに基づいて異なる事業ユニットエリアにおけるユーザを獲得することができる。同様に、ユーザプロファイルは、インターネットポータル又はウェブサイトに約束された(engaging)ユーザを頻繁に訪問させるといたターゲット目標のために生成することができる。更に、行動ターゲティング処理は、インターネットポータル又はウェブサイトに以前訪れたことのあるユーザを引き留めるためにユーザプロファイルを生成することができる。

マーケティングの目的及び目標は、広告主及びマーケティング担当者を支援するためにユーザプロファイルデータを引き出す。本発明の行動ターゲティングシステムはまた、ユーザのオンライン経験を円滑にするためにユーザプロファイル情報を提供するアプリケーションを有する。一般に、目的は、適切なコンテンツを適切なユーザに適切な時間でマッチさせること（すなわち、刺激）である。例えば、行動ターゲティングシステムは、個別化(personalization)アプリケーションのためのユーザプロファイルを生成することができる。一般に、個別化アプリケーションは、ユーザに対してウェブページ又はウェブサイト経験をカスタマイズするために行動ターゲティング情報を使用する。例えば、インターネットポータルは、利用可能な製品及びサービスのカテゴリーを表示することができる。インターネットポータルは、ユーザプロファイル情報に基づいて関心のある１つ又はそれ以上のビューをカスタマイズすることができる。別の実施形態では、行動ターゲティング情報を用いて、ユーザ消費に対するコンテンツ対象を決定することができる。例えば、ユーザによって求められたコンテンツを決定した後、このようなコンテンツへのリンクをインターネットポータル上に表示し、ユーザがコンテンツにアクセスできるようにすることができる。

ユーザのコンピュータ上に表示されるサイドバーアプリケーションは、ユーザによるブラウザの起動を必要とせずに、ユーザの主要宛先へのリンクを提供する。個別化アプリケーションの別の実施形態では、行動ターゲティング情報を用いて、サイドバーアプリケーションをカスタマイズするようにリンクを選択する。個別化アプリケーションに対するターゲット目標は、ユーザ経験（すなわち、ユーザ中心のターゲット目標）を最大化すること、或いはユーザにコンテンツを配信するためにマーケティング担当者の目標を最大化することとすることができる。

本発明の行動ターゲティングシステムのアーキテクチャは、一般化された行動ターゲティングシステムとして機能するためにフレームワークを提供する。モデルは、事象情報の処理をカスタマイズするメタデータ及び規則を包含する。従って、異なるモデル及び規則を選択することによって、メタデータによって指定された異なるプログラムフロー又は実行が実施される。本発明の行動ターゲティングシステムのアーキテクチャは拡張性がある。新しいモデル及び規則が作成された（例えば、新しいデータ及びメタデータ）場合、新しいモデル及び規則は、新しい機能及びフローを行動ターゲティングシステムに提供するために一般アーキテクチャにプラグインされる。従って、本システムは、新しいモデルをサポートすると同時に、新しい事象タイプを処理するよう修正することができる。

一般フレームワークは、同じ入力から或いは入力のサブセットから１つ又はそれ以上の出力を生成するよう構成することができる。例えば、行動ターゲティングシステムは、異なるユーザ又はターゲット（例えばマーケティング）目標に対する複数の出力を生成するよう構成することができる。本発明の行動ターゲティングシステムは、システムの目標に応じて異なるモデルを使用する。従って、単一の行動ターゲティングシステムは、上記で識別され図１に示されたアプリケーションを含む種々の目標をサポートするように実装することができる。

図３は、一般化された行動ターゲティングシステムの１つの実施形態を示すブロック図である。一般化された行動ターゲティングシステムは、１つ又はそれ以上の目標に対するユーザスコアを生成する。このため、モデル＆規則３４０は、異なるマーケティング及びユーザ目標に対する複数のモデルを記憶する。動作時には、ユーザ行動情報が行動処理部３１０に入力される。また、１つ又はそれ以上のユーザ／マーケティング目標がモデル＆規則３４０に入力され、１つ又はそれ以上のモデルを選択する。次に、モデル＆規則３４０からの１つ又はそれ以上のモデルが行動処理部３１０に入力される。行動処理部３１０は、ユーザスコアを生成するために選択されたモデル＆規則を使用する。具体的には、ユーザスコアは、１つ又はそれ以上のユーザ／マーケティング目標に対して生成される。

１つの実施形態では、ユーザ行動スコア又はプロファイルは、レポーティングのために使用できる。この実施形態では、システムがユーザプロファイルへの入力を処理する。次にマーケティング担当者は、最も効果的にプロファイルを使用する方法、すなわち、コンテンツ／検索結果のターゲティング、コンテンツ／検索結果の個別化、或いはプロファイルを使用して種々のレポーティング及び分析システムにプロファイルを入力することによって消費者の態度を理解することなどを決定する。

１つの実施形態では、行動ターゲティングシステムはまた、マーケティング担当者に情報を出力し、マーケティング担当者がカテゴリー毎スコアレンジ毎のインベントリ（すなわち、特定のカテゴリーにおける所与のスコアレンジを有する人／クッキーの数、及び／又はこれらの人／クッキーに関連した事象の予測）を理解できるようにする。この情報は、マーケティング担当者中心用途であるターゲティングであるか、或いはビジター中心用途である個別化であるかに関係なく、行動プロファイルの効果的に使用するためにマーケティング担当者に対して大まかなオーディエンスサイズを割り出す。

１つの実施形態では、本発明の行動ターゲティングシステムは、カテゴリー毎のプロファイルスコアを生成し、ターゲット目標に対するカテゴリー内の対象についてのユーザの傾向を予測する。例えば、関心スコアを用いて、カテゴリー内の製品又はサービスを購入することへのユーザの関心の強さをモデル化することができる。図４は、本発明の行動ターゲティングシステムの１つの実施形態を示すブロック図である。この実施形態では、本明細書で「事象」と呼ばれる入力事象が、事象カテゴリー化モジュール４１０に入力される。事象カテゴリー化モジュール４１０は、タクソノミー４２０と連動して動作する。具体的には、事象カテゴリー化モジュール４１０は、各入力事象をタクソノミー４２０においてカテゴリーに分類する。一般に、タクソノミー４２０は、ユーザの関心を分類するための複数のカテゴリーを定義する。タクソノミー４２０内のカテゴリーは、階層的に配列することができる。例えば、タクソノミー４２０は、「音楽」に対するハイレベルのカテゴリーと、音楽の異なるジャンルに対する、「音楽」カテゴリーの下に位置付けられる幾つかのサブカテゴリーとを含むことができる。対象を分類するのに使用されるカテゴリーのどのようなタクソノミーも、本発明の精神又は範囲から逸脱することなく行動ターゲティングシステムと協働して使用することができる。

図４に示されるように、分類された事象は、次元処理部４５０及びモデル＆規則部４４０に入力される。ユーザ／マーケティング目標が、モデル＆規則部４４０に入力される。モデル＆規則部４４０は、種々の目標又は目的（例えば、ダイレクトレスポンス広告（４４２）、ブランド広告（４４４）、購入意図（４４６）、及び個別化（４４８））に対する複数の種々のモデルを包含する。各モデルは、該モデルに関連付けられた複数の規則を有する。本規則を用いて、次元処理部（４５０）において事象を処理し、種々の目標又は目的に対するユーザスコアを生成する。１つの実施形態では、モデルに対応する規則は、事象に固有のパラメータ、並びに事象に対して分類されたカテゴリーを包含する。例えば、事象タイプが「金融」に分類された「ページビュー」である場合、モデル及び規則部４４０は、事象、ページビュー、及びカテゴリー「金融」に基づいてパラメータを選択する。

モデル＆規則部４４０において選択されたパラメータは、次元処理部４５０に入力される。次元処理部４５０はまた、入力として分類された事象を受け取る。一般に、次元処理部４５０は、カテゴリーに対してパラメータを使用してユーザスコアを生成する。以下に更に詳細に説明されるように、次元処理部４５０は、指定された時間期間にわたって処理するため事象を蓄積する。例えば、１つの実施形態では、次元処理部４５０は、短期ユーザ関心スコアを生成するために事象を蓄積する。別の実施形態では、次元処理部４５０は、長期ユーザ関心スコアを構築するためにより長い時間期間にわたって（例えば、１ヶ月にわたって）事象を蓄積する。

図４に示されるように、ユーザ関心スコアは、マッピングモジュール４６０に入力される。一般に、マッピングモジュールは、未加工のユーザスコアを１つ又はそれ以上の出力メトリクスにマップする。例えば、１つの出力メトリクスは、カテゴリーに分類された広告をユーザがクリックする傾向を決定することができる。パーセンテージで表されたこのメトリクスは、「クリックスルー率」（ＣＴＲ）と呼ばれる。この実施例では、マッピングモジュール４６０が、未加工のユーザスコアをＣＴＲ値にマップする機能を提供することができる。

図５は、本発明の一般化された行動ターゲティングシステムの１つの実施形態を示すフロー図である。システムがユーザ事象を受け取ったとき、或いは事象蓄積の所定時間量の後、システムは、タクソノミーのカテゴリーに事象を分類する（図５のブロック５１０及び５２０）。ユーザ／マーケティング目標に基づいてモデルが選択される（図５のブロック５３０）。ブロック５４０、５５０、及び５６０で、行動ターゲティングシステムは、１つ又はそれ以上の事象を処理し、カテゴリーに対する未加工のユーザ関心スコアを生成する。この実施形態では、行動ターゲティングシステムは、選択されたモデルに基づいて近時性次元を与える（図５のブロック５４０）。一般に、近時性次元は、１つ又はそれ以上の事象をその事象がどのくらい最近に起こったかに応じて重み付けする。第２の次元を与えるために、行動ターゲティングシステムは、選択されたモデルに基づいて強度次元を与える（図５のブロック５５０）。強度次元は、事象が対象カテゴリーにおけるユーザの関心をどのくらい効率的に評価するかを示す値とみなされる重み又は係数を与える。この実施形態では、行動ターゲティングシステムはまた、第３の次元である頻度を与える（図５のブロック５６０）。一般に、頻度次元は、事象がどのくらいの頻度で発生したかに基づいて対象カテゴリーに対するユーザスコアを修正する。

図５に示されるように、プロセスは、複数の事象を処理するためのループを含む。しかしながら、以下に更に詳細に説明されるように、行動ターゲティングシステムは、時間の経過と共に事象を蓄積することができ、更に遅延状態で事象をバッチ処理して、複数のカテゴリーに対するユーザ関心スコアを取得することができる。別の実施形態では、行動ターゲティングシステムは、リアルタイムで動作することができる。この実施形態では、行動ターゲティングシステムは、１時間などの短い時間期間にわたって事象を蓄積し、次いで、これらの事象を処理し、短期ユーザ関心スコアを与えることができる。

１つの実施形態では、未加工のユーザ関心スコアが、出力メトリクスに変換される（図５の５８０）。しかしながら、未加工のスコアは、コンテンツをユーザにマッチさせるために変換する必要はない。スコアを生成する目的で適切な重み及び減衰パラメータを決定するために、単一マーケティング目標が使用される（例えば、ダイレクトレスポンスに対するクリックスルー率、及び購入意図者に対する購入事象）。これらの行動ターゲティングアプリケーションからの未加工のスコアは、ターゲット目標に相関付けられる。未加工のスコアをマッピングすることは、相関度を高める一助となる。しかしながら、未加工のスコアがマップされると、カテゴリー全体にわたるユーザの相対的な関心を順序付けする能力が失われる。

事象処理及びカテゴリー化
１つの実施形態では、事象は、広告クリック、検索クエリ、検索クリック、スポンサー付きリスティングクリック、ページビュー、及び広告ビューを含む。しかしながら、本明細書で使用される事象は、オンラインナビゲーション対話又は検索に関係した事象のいずれかのタイプを含むことができる。一般に、ページビュー事象は、ユーザがウェブページを閲覧したときに発生する。例えば、ユーザは、音楽カテゴリーページに対するリンクをクリックすることによって、インターネットポータル内で音楽に関するウェブページに入ることができる。この実施例では、ページビュー事象が、音楽カテゴリーページのユーザの閲覧について記録される。

ユーザが、広告のウェブページを閲覧したときに広告ビュー事象が発生する。例えば、インターネットポータルは、ポータルのホームページ上にバナー広告を表示することができる。ユーザがバナー広告をクリックした場合、ポータルは、対応する広告主へのリンクにユーザをリダイレクトする。ウェブページの表示は、クリックに応じて広告クリック事象を構成する。ユーザは、広告主のウェブサイトで複数のウェブページを訪れることによって、複数ページビュー事象を生成することができる。

広告クリック事象は、ユーザが広告をクリックしたときに発生する。例えば、ウェブページはバナー広告を表示できる。広告クリック事象は、ユーザがバナー広告をクリックしたときに発生する。

検索クエリ事象は、ユーザがウェブベース検索エンジン上で１つ又はそれ以上の検索語をサブミットしたときに発生する。例えば、ユーザは、クエリ「遠洋漁業」をサブミットすることができ、対応する検索クエリ事象が検索語「遠洋漁業」と共に記録される。ユーザクエリに応答して、ウェブベース検索エンジンは、検索クエリ語に関連したウェブページへの複数のリンクを返す。ユーザが、リンクの１つをクリックした場合に、検索クリック事象が発生する。

スポンサー付きリスティング広告は、ユーザの検索基準に応じて表示される広告を意味する。ユーザが該ユーザに表示されたスポンサー付きリスティング広告をクリックすると、スポンサー付きリスティングクリック事象が発生する。

図６は、行動ターゲティングシステムにおける事象カテゴリー化の実施形態を示すブロック図である。図６に示されるように、システム６０８は、例えば、トークンデータベース６１０、関心データベース６２０、及び規則データベース６３０など、複数のデータベースに結合された事象カテゴリー化プラットフォーム６００を含む。

１つの実施形態では、トークンデータベース６１０が、種々のサーバから、エディタから、及び／又は他のサードパーティエンティティから自動的に或いは人手により集められたトークンとして知られる単一の単語又は複数の単語のキーワードのリストを記憶する。一般に、トークンは単一の概念を表し、トークンが複数の単語ユニットを包含する場合でも単一のキーワードとして扱われる。トークンは更に、起源となるそれぞれの事象との関連性に基づいてデータベース６１０内の階層タクソノミーに編成される。１つの実施形態では、トークンデータベース６１０に記憶された階層トークンタクソノミーが、カテゴリー化トークンの階層タクソノミーに人手によりマップされ、これは更に関心データベース６２０内に記憶される。階層タクソノミーは、事象カテゴリー化プラットフォーム６００によって自動的に、或いは代替としてエディタ、及び／又は他のサードパーティエンティティによって人手によりレビュー、編集、及び更新される。

マッピングは、１つ又はそれ以上のカテゴリーを各記憶されたトークンに割り当て、続いて、該割り当てられたカテゴリーは、各対応するトークンに関連付けられたそれぞれのノードにおいて関心データベース６２０内に記憶される。代替の実施形態では、カテゴリーを階層タクソノミーにマップすることはできないが、代わりに、関心データベース６２０内のカテゴリーの集合として記憶することができる。

事象カテゴリー化プラットフォーム６００は、例えば、ネットワークを通じてユーザによって送信された検索クエリ、ウェブページビュー、検索結果クリック、広告クリック、及び対話型事象の他のタイプなどのフロントエンドウェブサーバからの種々の事象を受け取り、以下に更に詳細に説明されるように、関連付けられたデータベース６１０、６２０、及び６３０内に記憶されたデータに基づいて、受け取られた事象の自動カテゴリー化を可能にする。

１つの実施形態では、事象カテゴリー化プラットフォーム６００は更に、例えば検索クエリなどの事象を受け取り、該事象をパーズして、例えばクエリ語などの複数事象ユニットを生成するように構成されたパーサモジュール６０２を更に含む。事象カテゴリー化プラットフォーム６００は更に、トークン分析モジュール６０４を含み、該モジュールは、パーサモジュール６０２に結合され、以下に更に詳細に説明されるようにパーサモジュール６０２から事象ユニットを受け取り且つ該事象ユニットに基づき及び関連データベース６１０及び６２０内に記憶されたデータに基づいて事象をカテゴリー化するよう構成される。最後に、事象カテゴリー化プラットフォーム６００は、トークン分析モジュール６０４に結合され、以下に更に詳細に説明されるように各カテゴリー化事象に対応する曖昧値を生成するよう構成された曖昧性処理モジュール６０６を含む。

図７は、本発明の１つの実施形態によるネットワークにおける事象の自動カテゴリー化を容易にする方法を示すフローチャートである。図７に示されるように、処理ブロック７０１で、例えば検索クエリなどの事象をユーザから受け取る。１つの実施形態では、ユーザは、クライアントコンピュータ８２０（図８）のクライアントプログラムに表示されたウェブページにアクセスし、検索クエリをクライアントコンピュータ８２０及びネットワーク８３０を介してウェブサーバに送信する。フロントエンドサーバ８４０は、検索クエリを受け取り、クエリを事象カテゴリー化プラットフォーム６００に転送する。

処理ブロック７０２で、本事象は、パーズされて、１つ又はそれ以上の事象ユニットを生成する。１つの実施形態では、パーサモジュール６０２が、例えば検索クエリなどの事象をパーズし、１つ又はそれ以上のユニット（例えば、クエリー語）を取得して、該ユニットをトークン分析モジュール６０４に送信する。

処理ブロック７０３で、パーズされた事象ユニットにマッチするトークンが、データベースから検索される。１つの実施形態では、トークン分析モジュール６０４は、関心データベース６２０にアクセスし、パーズされた事象ユニットにマッチする１つ又はそれ以上のカテゴリー化トークンを検索する。或いは、トークン分析モジュール６０４は、一般トークンデータベース６１０にアクセスし、１つ又はそれ以上のマッチングトークンを検索することができる。

１つの実施形態では、トークン分析モジュール６０４は、各事象ユニットをデータベース６２０内、又は代替としてデータベース６１０内に記憶されたトークンと比較し、最長可能トークン（すなわち、最大数のワードを有する、すなわち最長のトークン）を選択する。或いは、トークン分析モジュール６０４は、登録された事象内に現われる可能性が最も高いトークンを選択する。この選択は、各特定のトークンが事象内に包含される回数を指定する、各トークンに関連付けられたユニット頻度パラメータに基づく。

処理ブロック７０４で、検索されたトークンに関連付けられた１つ又はそれ以上のカテゴリーが識別される。１つの実施形態では、トークン分析モジュール６０４は、検索されたカテゴリー化トークンを分析し、検索されたトークンに関連付けられた１つ又はそれ以上のカテゴリーを識別する。或いは、トークンが一般トークンデータベース６１０から検索された場合には、トークン分析モジュール６０４は、１つ又はそれ以上のカテゴリーを検索された各トークンにエディタ上又はアルゴリズム上のいずれかで割り当てることができ、この割り当てられたカテゴリーは、対応する階層タクソノミーを形成し、或いは関連カテゴリーのないトークンを廃棄することができる。

処理ブロック７０５で、曖昧性パラメータ値が検索された各トークンに割り当てられる。１つの実施形態では、曖昧性処理モジュール６０６は、トークン分析モジュール６０４からトークンを受け取り、例えば、分析された事象内に特定のトークンが存在すると仮定した場合、事象全体カテゴリーであるトークンカテゴリーの条件付き確率の係数として、各トークンについての対応する曖昧値を計算する。

処理ブロック７０６で、優勢(dominant)トークンが、関連付けられたトークンカテゴリー、各トークンの割り当てられた曖昧性パラメータ値、及び規則データベース６３０内に記憶された事象処理規則のセットに基づいて、検索されたトークンから選択される。１つの実施形態では、トークン分析モジュール６０４は、例えば、１つ又はそれ以上のストップワードを包含するトークンの除去を指定する規則、記憶された事象内のトークン出現の最小頻度を指定する規則、及び検索されたトークンをランク付けするよう設計された他の規則など、予め設定された処理規則を適用し、優勢トークンを選択する。

１つの実施形態では、曖昧性パラメータ値に加えて、トークン分析モジュール６０４は、優勢トークン選択の精度及び事象カテゴリー化全体の精度の評価を表す信頼性スコアを割り当て、該信頼性スコアを対応する事象全体と共に記憶する。

最後に、処理ブロック７０７で、事象全体が、優勢トークンに関連付けられた１つ又はそれ以上のトークンカテゴリーに基づいてカテゴリー化され、それぞれのデータベース６１０、６２０を更新して、新しくカテゴリー化された事象を含むようにする。

他の実施形態では、割り当てられた信頼性スコアが予め設定されたスレショルドスコアよりも低く、従って、上記で詳細に説明されたカテゴリー化手順が正確であるという信頼度が低く示される場合には、トークン分析モジュール６０４は事象全体を廃棄することができる。

別の他の実施形態では、割り当てられた信頼性スコアが予め設定されたスレショルドスコアよりも低い場合でも、トークン分析モジュール６０４は、対応する事象全体と共に信頼性スコアを依然として記憶することができる。この実施形態では、例えばユーザのオンラインアクティビティに基づいてユーザの関心を識別するように構成された行動ターゲティングシステム、又はその構成要素のいずれかのような他の外部モジュール及び／又はシステムは、その関連付けられた信頼性スコアが予め設定されたスレショルドスコアよりも低い場合には、記憶された事象を検索し廃棄することができる。

更に別の他の実施形態では、事象は、各トークンに関連付けられた曖昧性パラメータ値に従って検索されたトークンに対応する複数のカテゴリーの間で部分的に分割することができる。続いて、該事象は、対応する曖昧性パラメータ値に等しい割り当て重みに従って、各トークンカテゴリー内にカテゴリー化することができる。

事象の自動カテゴリー化を容易にする方法の他の実施形態では、１つ又はそれ以上のマッチングトークンの検索の後で、検索された各トークンに対応する複数の統計パラメータを含むベクトル値が集められ、公知のニューラルネットワーク構造（図示せず）に入力される。或いは、ベクトル値は、公知のサポートベクトルマシン（図示せず）、公知の非線形回帰メカニズム（図示せず）、或いはベクトル入力を受け付ける何らかの公知の機械学習ユニットに入力することができる。

１つの実施形態では、ベクトル値は、検索された各トークンに関係付けられたデータを含む。各トークンに対する統計パラメータは、事象ログにおけるトークンの存在頻度、例えば検索クエリなどの特定の事象の内のトークンの存在頻度、トークンの曖昧値、トークンが事象全体を占める確率、トークンが別のトークンを占める確率、トークンに関連付けられたカテゴリーが事象全体を占める確率、カテゴリーが別のトークンに関連付けられたカテゴリーを占める確率、及び／又は事象内の優勢トークンの決定を可能にする他の公知の統計パラメータを含むことができる。

１つの実施形態では、例えばニューラルネットワーク構造などの機械学習ユニット、或いは、代替形態では、サポートベクトル機械又は非線形回帰メカニズムは、ベクトル入力を受け取り、各トークンに関連付けられた出力値を決定するよう構成されており、該出力値は、対応するトークンが事象の優勢トークンである確率を示す。続いて、機械学習ユニットは、計算された出力値を配列し、最も高くランク付けされた出力値を選択して、選択された出力値をトークン分析モジュール６０４に送信する。

１つの実施形態では、対応するトークンが事象の優勢トークンである確率として各出力値を決定することに加えて、機械学習ユニットは更に、優勢トークン決定の精度及び事象全体カテゴリー化の精度の評価を表す信頼性スコアを計算する。次に信頼性スコアは、トークン分析モジュール６０４に送信される。他の実施形態では、トークン分析モジュール６０４は、機械学習ユニットから受け取られた情報を用いて信頼性スコアを計算することができる。

トークン分析モジュール６０４は、選択された最も高い出力値に対応するトークンを識別し、トークンに関連付けられる１つ又はそれ以上のカテゴリーを検索する。最後に、トークン分析モジュール６０４は、１つ又はそれ以上の検索されたカテゴリーに基づいて事象をカテゴリー化し、新しくカテゴリー化された事象を含むようにそれぞれのデータベースを更新する。

他の実施形態では、割り当てられた信頼性スコアが予め設定されたスレショルドスコアよりも低い場合、すなわち、上記に詳細に説明されたカテゴリー化手順が正確であるという信頼性が低く示される場合には、トークン分析モジュール６０４は、事象全体を廃棄することができる。

別の他の実施形態では、割り当てられた信頼性スコアが予め設定されたスレショルドスコアよりも低い場合でも、トークン分析モジュール６０４は依然として、対応する事象全体と共に信頼性スコアを記憶することができる。この実施形態では、例えば行動ターゲティングシステム或いはその構成要素のいずれかのような他の外部モジュール及び／又はシステムは、その関連付けられた信頼性スコアが予め設定されたスレショルドスコアよりも低い場合には、記憶された事象を検索し廃棄することができる。

更に別の他の実施形態では、ベクトル値は、トークンのペアに関係付けられたデータを含む。機械学習ユニットは、上記に詳細に説明されたように、入力ベクトルを受け取り、優勢トークンを選択する。続いて、機械学習ユニットは、別のトークンに関係付けられたデータを受け取り、別のトークンを選択された優勢トークンと比較し、更に、新しい優勢トークンを選択する。本手順は、全てのデータがなくなり、最終の優勢トークンが選択されるまで、残りのトークンについて繰り返し継続される。

広告アプリケーションのための行動ターゲティングシステム
１つの実施形態では、行動ターゲティングシステムは、広告のカテゴリー又はトピックにおけるユーザの関心に基づいてユーザにオンラインで広告を提供するのに使用される。オンライン広告は、多様な製品及びサービスを販売するのに使用される。一般に、オンライン広告は、潜在顧客の間にブランド認知を構築し、製品及びサービスのオンライン購入を促進するのに使用される。ブランドマーケティングと呼ばれるオンライン広告の１つのタイプは、ブランドをターゲットオーディエンスに売り込むものである。従って、ブランドマーケティングの目的は、顧客への広告主のブランドの認知を高めることである。オンライン広告主の別の目的は、顧客からのアクション又は反応を引き出すことである。広告のこのタイプは、ダイレクトレスポンス広告と呼ばれる。ユーザを広告主のウェブサイトに誘導するリンクを含むウェブページのようなメッセージ上に表示される広告は、ダイレクトレスポンス広告の一実施例である。

バナー広告及びスポンサー付きリスティング広告は、現在使用されているオンライン広告の２つのタイプである。一般に、バナー広告は、ウェブページなどのオンラインメッセージの予め設定された位置に表示される広告のタイプを指す。例えば、バナー広告は、ウェブページの上部において横向き矩形内に表示することができるが、バナー広告は、ウェブページ全体にわたってどの位置にも現われる。バナー広告は、動画又は静止画のグラフィカル画像、及び／又はテキストを含むことができる。通常、バナー広告は、ユーザがリンクをクリックした場合に、ユーザのブラウザがバナー広告に関連付けられた新しいロケーションにリダイレクトされるようにＵＲＬリンクを含む。

スポンサー付きリスティング広告とは、ユーザの検索基準、ユーザが訪れているページ、或いはユーザのプロファイルに応じて表示される広告を意味する。例えば、ユーザがウェブベース検索エンジンに検索クエリを入力した場合、検索エンジンは、クエリに応答して検索クエリに関連した広告主のハイパーリンクテキストリスティングを表示できる。スポンサー付きリスティング広告は、テキスト及び／又は画像の形式を取ることができる。本発明の行動ターゲティングシステムは、オンライン広告と連動して説明される。本発明はバナー広告及びスポンサー付きリスティング広告の使用と連動して説明されるが、メッセージに含まれ且つネットワークを通じて配信される広告のいずれのタイプも、本発明の精神又は範囲から逸脱することなく使用することができる。例えば、本発明は、スポンサー付きリスティングをユーザ行動プロファイル及びウェブページコンテンツにマッチさせるアプリケーションを有する。本発明の教示は、限定ではないが、バナー広告、スポンサー付きリスティング広告、インプレッション保証広告、及びパフォーマンスベース広告を含むオンライン広告のいずれのタイプにも応用可能である。広告自体は、テキスト、画像、音声、又はビデオを含むいずれのタイプのメディアも含むことができる。

図８は、行動ターゲティングシステムを使用して広告を提供するための１つの実施形態を示すブロック図である。この例示的な実施形態では、実施例のインフラストラクチャは、ネットワーク８３０、ウェブサーバ８４０、広告（ａｄ）サーバ８５０、並びにユーザ８１０用のコンピュータ８２０を含む。ウェブサーバ（８４０）は、事象などのユーザ行動に基づいた情報を受け取る。ユーザ行動情報は、行動ターゲティング処理部（８６０）に入力される。図８に示されるように、行動ターゲティング処理部８６０は、ユーザ行動情報を使用してカテゴリー毎に未加工のユーザスコア（８７０）を生成する。ユーザスコアは広告サーバ（８５０）に入力され、該サーバがウェブサーバ８４０に広告を提供する。この結果、カスタマイズ広告がコンピュータ８２０上のユーザ８１０に提供される。

行動ターゲティングシステムにおける次元パラメータ
図９は、行動ターゲティングシステムにおける次元処理のための１つの実施形態を示すブロック図である。この実施形態では、次元処理は、近時性処理（９５０）、強度処理（９５５）、及び頻度処理（９６０）を包含する。モデル及び規則部（９７０）は、カテゴリー及び事象タイプ情報を受け取り、カテゴリー及び事象タイプに基づいて、近時性、強度、及び頻度処理モジュールに対する重みなどのパラメータを生成する。１つの実施形態では、モデルは線形回帰を使用する。近時性、強度、及び頻度処理を行うための具体的な式を以下に更に詳細に説明する。

１つの実施形態では、モデル及び規則（９７０）は、各カテゴリーに対するモデルを含む。従って、次元処理のための重みパラメータは、１つのカテゴリーに対するものである。モデルは、減衰パラメータを含む重みパラメータを定義する。重みパラメータはまた、事象タイプに対して固有である。１つの実施形態では、事象に対する重みパラメータは、均等には重み付けされていない。更に、事象タイプ（例えば、ページビュー、検索、その他）内の全ての事象は、均等には重み付けされていない。従って、全ての重み及び減衰パラメータは、種々の事象タイプに対するカテゴリー内で、或いは同じ事象タイプのカテゴリー全体にわたって必ずしも一定とは限らない。

ａ．長期ユーザ行動プロファイル
１つの実施形態では、本発明の行動ターゲティング処理は、長期ユーザ行動プロファイルを生成する。長期ユーザ行動プロファイルは、比較的長い時間期間にわたって（例えば、少なくとも２４時間にわたって）ユーザのアクティビティをコンパイルし、ユーザ行動プロファイルを生成する。１つの実施形態では、長期ユーザ行動プロファイルは、次の日以内のユーザの関心を予測するのに使用される。例えば、長期ユーザ行動プロファイルを用いて、次の日にどの広告をユーザに提供するかを決定することができる。

長期ユーザ行動プロファイルは、ユーザの長期関心につながる広告を提供するのに使用するアプリケーションを有する。例えば、ユーザは、自動車を購入するために数ヶ月の時間期間にわたって関心を示す場合がある。関心スコアは、オンラインで自動車についての情報を取得するユーザ学習によって生成されたユーザのアクティビティ（例えば、自動車サイトのページビュー、自動車広告の広告クリックなど）からコンパイルされる。この実施例では、自動車カテゴリーにおけるユーザの長期ダイレクトレスポンススコアは高く、従って、広告アプリケーションは、自動車の販売についての広告をユーザに提供することができる。

次式により、時間ｔ_nにおけるユーザについての長期ユーザ関心スコアを計算する公式が得られる。

上式で、
ｓ_tnは、ユーザの長期ダイレクトレスポンス（未加工）スコア、すなわち時間間隔ｔ_nまで記録された過去の行動データに基づくユーザのクリック傾向を表す；
Ａ_event,tは、カテゴリーにおけるユーザに対する日ｔでの事象タイプｅｖｅｎｔのアクティビティの数である；
Ｒ_event,tnは、ユーザが過去に事象タイプについてのアクティビティを有した最近の日に基づいてユーザに対しての事象タイプｅｖｅｎｔの近時性情報を表す；
ｒ_eventは、事象タイプが時間ｗ．ｒ．ｔ予測パワーにわたってどのくらい速く「減衰」するかを定義する事象タイプｅｖｅｎｔについての近時性情報の重みを表す。例えば、ｒ_{ad_Click}は、ユーザが広告クリックアクティビティを有した最近の日に基づいて広告クリック傾向を予測するのにどの程度強力かを定義する；
ｗ_eventは、広告クリック傾向の予測のために強度情報を使用するパワーを与える事象タイプｅｖｅｎｔの重みを表す；
Ｆ_event,tnは、ユーザが過去に事象タイプに対するアクティビティを有した最近の日に基づいて、ユーザについての事象タイプｅｖｅｎｔの頻度情報を表す；
ｆ_eventは、事象タイプｅｖｅｎｔに対する頻度情報の重みを表す。

各カテゴリーにおいて、ユーザスコアｓ_tnは、飽和関数Ｓａｔｕ（）を使用して変換され、減衰関数Ｄｅｃａｙ（）を使用し及び過去における事象アクティビティの近時性Ｒ_event,tnを使用して集約された事象アクティビティの強度Ａ_event,tの線形結合である。事象アクティビティの強度及び近時性は、それぞれｗ_event及びｒ_eventによって重み付けされる。

図１０は、長期ダイレクトレスポンスユーザ関心スコアを生成するための１つの実施形態を示すフロー図である。この実施形態では、長期行動ターゲティングシステムが、指定された時間間隔でユーザ事象Ａ_event,tをログ記録する（図１０のブロック１０２０）。１つの実施形態では、長期行動ターゲティングシステムが、２４時間の期間にわたって事象をログ記録する。長期行動ターゲティングシステムは、事象をカテゴリー化する（図１０のブロック１０２０）。長期行動ターゲティングシステムは、処理のためにログからカテゴリー化事象を選択する（図１０のブロック１０２５）。長期ダイレクトマーケティングプロファイルに対応するモデルが選択される。一部では、モデルは、次元処理のための複数の重み（例えば、近時性、強度、及び頻度）を含む。

飽和関数を事象に適用する（図１０のブロック１０３５）。１つの実施形態では、飽和関数Ｓａｔｕ（）は、全ての毎日の事象アクティビティに適用される。これは、単純なアッパーキャップ関数である。Ｕ_eventは、事象タイプｅｖｅｎｔに対するアッパーキャップを示す。これは、最近の７日間のトップ０．５％の最もヘビーなユーザ間で最も低いＡ_event,tである。

減衰関数が飽和関数の出力に適用される（図１０のブロック１０４０）。１つの実施形態では、減衰関数Ｄｅｃａｙ（）が、ユーザの毎日の事象アクティビティを集約するために適用され、これは次式で表される。

αは、全ての事象タイプ及び全てのカテゴリーに対しての定数である。αの値が小さい程、履歴データのフェーズアウトが速くなる。αは、システム制約及びビジネス要件に基づいて選択することができる。αの種々の値の減衰速度の実施例を以下の表１に示す。１つの実施形態では、αは０．９５に設定される。

その後、強度重みが減衰関数の出力に加えられる（図１０のブロック１０５０）。１つの実施形態では、飽和した強度特性に対する重みｗ_eventは、モデリング（例えば、回帰分析）によってフィットされる。この重みは、標準誤差及び性能メトリクスと共にモデリングシステムによって出力される。

近時性パラメータが、ログ記録された事象に対して生成される（図１０のブロック１０５５）。Ｒ_event,tnは、時間ｔ_nまでにユーザのアクティビティの中のカテゴリーにおけるタイプｅｖｅｎｔのアクティビティをユーザが有した最近の日である。例えば、ｔ_nまでロードされた全てのページビューアクティビティの中で、自動車カテゴリーにおけるユーザの最後のページビューが２日前に起こった場合、自動車ついてのページビューにおけるユーザの近時性は２である。ページビューアクティビティがユーザに対して記録されていない場合、近時性は、定数Ｒ_UNKNOWNに設定される。１つの実施形態では、Ｒ_UNKNOWNは９０日に設定される。

次に、事象タイプ及び事象のカテゴリーに基づいた近時性重みｒ_eventが、近時性関数に適用される（図１０のブロック１０６０）。１つの実施形態では、飽和された強度特性ｒ_eventに対する重みは、回帰分析などのモデリングによってフィットされる。この重みは、標準誤差及び性能メトリクスと共にモデリングシステムによって出力される。

図１０のループで示されるように、行動ターゲティングシステムは、ブロック１０２５、１０３０、１０３５、１０４０、１０５０、１０５５、及び１０６０を実行することによって各カテゴリーに対する事象を処理する。

１つの実施形態では、長期ユーザ関心スコアを生成するための式は簡約することができる。Ｉ_tnが、日ｔ₀からｔ_nまでの全ての事象タイプにわたるユーザのアクティビティの強度次元を表すものとする。αが全ての事象タイプにわたって同じである場合、次式が得られる。

次に、ｔ_nまで記録されたアクティビティを持つユーザｕに対するユーザスコアは、次式で書き換えることができる。

幾つかの実施形態では、特定のカテゴリーに対するユーザの長期スコアは、特定のカテゴリーにおけるユーザの毎日のスコアを記憶することなく、増分的に更新することができる。従って、以前の事象及び計算の全ての再処理を必要としないユーザスコアリングの第１日を用いてオリジナルスコアを計算するので、該スコアは、ユーザの過去のカテゴリー関心を反映させるように経時的に（予め設定された更新間隔で）更新することができる。

ｔ_kは、ユーザについて事象アクティビティが最後に記録された日を示し、増分更新間隔をｄ日毎とすると、ｔ_n＝ｔ_k＋ｄである。例えば、毎日の増分更新では、ｔ_n＝ｔ_k＋１となる。幾つかの実施形態では、更新されたスコアｓ_tnは次に、以下の式を使用して求めることができる。

ｂ．短期ユーザ行動プロファイル
別の実施形態では、行動ターゲティングシステムは、短期ダイレクトレスポンスユーザ行動プロファイルを生成する。１つの実施形態では、短期ユーザ行動プロファイルは、次の１時間以内にユーザに広告を提供するのに用いられる。短期ユーザ行動プロファイルは、ユーザの極めて近い将来の購入意図につながる広告を提供するために使用するアプリケーションを有する。例えば、ユーザは、オンラインで花を買うために最近の数分間にわたって関心を示す可能性がある。通常、花などの小さな購入は、比較的短い時間期間の購入によって行われる。この実施例では、行動ターゲティングシステムは、リアルタイムでユーザクティビティを蓄積し、短い時間期間でユーザに広告を提供する。

以下の式により、時間単位の間隔ｔ_nでのユーザに対する短期ダイレクトレスポンススコアの公式を与える。

上式で、
ｓ_tnは、ｔ_nで更新された過去の行動データに基づいてユーザのクリック傾向を測定する時間単位の間隔におけるユーザの短期ダイレクトレスポンス（未加工）スコアを表す；
Ａ_event,tは、カテゴリーにおけるユーザに対する時間単位の間隔ｔにおける事象タイプｅｖｅｎｔのアクティビティの数である；
Ｒ_tnは、広告カテゴリービュー事象タイプを除く、ユーザがアクティビティを有する一日単位の間隔に基づくユーザに対する近時性情報を表す；
Ｒ’_tnは、広告カテゴリービュー事象タイプを除く、ユーザがアクティビティを有する時間単位の日内パターンに基づくユーザに対する近時性情報を表す；
ｒ，ｒ’は、アクティビティが時間ｗ．ｒ．ｔ予測パワーにわたってどのくらい速く「減衰」するかを定義する近時性情報の重みを表す。例えば、ｒ_{Ad_Click}は、ユーザが過去にクリックアクティビティを持った最新の時間間隔に基づいて将来の広告クリックをどのくらい強力に予測するかを定義する；
ｗ_eventは、広告クリック傾向に対する予測の強度情報を使用するパワーを与える事象タイプｅｖｅｎｔの重みを表す。

各カテゴリーにおいて、ユーザスコアｓ_tnは、アクティビティＡ_event,tの強度（飽和関数Ｓａｔｕ（）を使用して変換され、減衰関数Ｄｅｃａｙ（）を使用して集約されたもの）とアクティビティの近時性Ｒ_tn、Ｒ’_tnの線形結合である。アクティビティの強度及び近時性は、それぞれｗ_event，ｒ，ｒ’によって重み付けされる。

図１１は、短期ダイレクトレスポンスユーザ関心スコアを生成するための１つの実施形態を示すフロー図である。この実施形態では、短期行動ターゲティングは、指定された時間間隔におけるユーザ事象、Ａ_event,tをリアルタイムで受け取る（図１１のブロック１１１０）。短期行動ターゲティングシステムは、事象をカテゴリー化する（図１１のブロック１１２０）。短期ダイレクトマーケティング／ユーザ目標に対応するモデルが選択される（図１１のブロック１１３０）。一部では、モデルは、次元処理のための複数の重み（例えば、近時性、強度、及び頻度）を含む。

飽和関数が事象に適用される（図１１のブロック１１３５）。１つの実施形態では、飽和関数Ｓａｔｕ（）は、全ての時間単位の事象アクティビティに適用される。これは、単純なアッパーキャップ関数である。Ｕ_eventは、事象タイプｅｖｅｎｔに対するアッパーキャップを示す。これは、時間単位の間隔中でトップ０．５％の最もヘビーなユーザの中で最も低いＡ_event,tである。

減衰関数が、飽和関数の出力に適用される（図１１のブロック１１４０）。１つの実施形態では、減衰関数Ｄｅｃａｙ（）が、時間の経過に従ってユーザの事象アクティビティを集約するために適用され、次式で表される。

αは、全ての事象タイプ及び全てのカテゴリーに対しての定数である。αの値が小さい程、履歴データのフェーズアウトが速くなる。αは、システム制約及びビジネス要件に基づいて選択することができる。αの種々の値の時間単位及び日単位の減衰速度の実施例を以下の表２に示す。１つの実施形態では、αは０．９９８に設定される。

その後、強度重みが減衰関数の出力に適用される（図１１のブロック１１５０）。１つの実施形態では、飽和強度特性に対する重みｗ_eventが、統計的モデリングによってフィットされる。重みは、標準誤差及び性能メトリクスと共にモデリングシステムによって出力される。

近時性パラメータが、事象に対して生成される（図１１のブロック１１５５）。１つの実施形態では、簡単にするために、単一の近時性値が使用される。Ｒ_tnは、最後に更新されたユーザのアクティビティの中でカテゴリーにおけるアクティビティをｔ_nでユーザが有する最新の時間単位の間隔である。例えば、ユーザが２時間前に自動車カテゴリーのページビューを持ち、２時間以内に他のアクティビティが存在しない場合、自動車についてのページビューにおけるユーザの近時性は２である。ユーザが最後の更新以来アクティビティを持たない場合、近時性Ｒ_tnは、定数Ｒ_UNKNOWNに設定される。１つの実施形態では、Ｒ_UNKNOWNは５０４に設定される。

Ｒ’_tnは、Ｒ_tnをＶ字形日内パターンに変換するＲ_tnから得られる。

次に、事象タイプ及び事象のカテゴリーに基づいた近時性特性ｒ，ｒ’が、近時性関数に適用される（図１１のブロック１１６０）。１つの実施形態では、強度特性ｒ，ｒ’に対する重みがモデリングによってフィットされる。この重みは、標準誤差及び性能メトリクスと共に、モデリングシステムによって出力される。

図１１のループで示されるように、行動ターゲティングシステムは、ブロック１１３０、１１３５、１１４０、１１５０、１１６０、及び１１７０を実行することによって各カテゴリーに対する事象を処理する。

特定のカテゴリーについてのユーザの短期スコアはまた、リアルタイムで増分的に更新することができる。スコアのリアルタイム増分更新は、特定のカテゴリーにおけるユーザに対する事象アクティビティＡ_event,tのカウント（時間単位の間隔ｔでの事象タイプｅｖｅｎｔに対するアクティビティの数）を決定又は記憶することなく実行することができる。スコアのリアルタイム増分更新は、オリジナルスコアを計算するのに使用される以前の事象及び計算の全ての再処理を必要とせずに、（事象タイプｅｖｅｎｔの）最近の事象に基づくスコアの調節を可能にする。

上記に説明されたように、Ｉ_tnは、スコアの強度成分（すなわち、日ｔ₀からｔ_nまでの全ての事象タイプにわたるユーザのアクティビティの強度次元）を示す。

同様に上記に説明されたように、ｔ_nまでの記録された全てのアクティビティを持つユーザのスコアは、次式で簡約することができる。

強度成分がゼロに初期化（Ｉ_t0＝０）され、最近のユーザクティビティの時間単位の間隔が未知に設定（Ｒ_t0＝Ｒ_unknown）された場合、初期ユーザスコアｓ_t0は、ｓ_t0＝Ｒ_UNKNOENとして計算される。ｓ_tn-1が、時間単位の間隔ｔ_n-1で最後に更新されたユーザスコアを示すと仮定する。事象タイプｅｖｅｎｔの最近のアクティビティが時間単位の間隔ｔ_nで受け取られた場合、ユーザスコアｓ_tn-1は、特定のカテゴリーでのユーザに対する全ての過去の事象アクティビティＡ_event,tを再処理することなく、ユーザスコアｓ_tnに増分的に更新することができる。幾つかの実施形態では、増分的に更新されたユーザスコアｓ_tnは、次式を用いて決定される。

モデリングプロセス
上述のように、モデルは、ユーザプロファイルスコアを生成する重みを加えるための重みパラメータを含む。１つの実施形態では、重みパラメータは、ユーザデータセットから生成される。過去のユーザクティビティからコンパイルされたユーザデータセットは、事象情報をユーザ行動に相関付ける（例えば、ユーザ事象と相関付けられたクリックスルー率）。ユーザデータセットは、ポジティブユーザ（例えば、ユーザクティビティがターゲット目標を満たす）とネガティブユーザ（例えば、ターゲット目標を満たさないユーザ）とを識別するために分析することができる。ユーザデータセットは、ターゲット目標に対する行動を予測する目的でどの動作（例えば事象情報）が最も有用であるかを判断するために、データマイニング技術を使用して分析される。ポジティブユーザに対する事象情報を分析し、ターゲット目標に最も寄与する事象を判断することができる。例えば、ターゲット目標がダイレクトレスポンス広告であり、ユーザデータセットが、「スポーツ」カテゴリーにカテゴリー化された検索クエリをサブミットしてダイレクトレスポンス広告をクリックするユーザに関する傾向を識別した場合、事象タイプの検索に対する重みパラメータは、カテゴリー「スポーツ」に対して比較的高い値が与えられる。この実施形態では、ユーザデータセットは、タクソノミーの各カテゴリーにおける各事象タイプに対する重みを生成するために分析される。

モデルを生成するためのこのアプローチに関する１つの問題は、カテゴリーに関連付けられたデータが不十分であるか或いは全く存在しない可能性があることである。１つの実施形態では、行動ターゲティングシステムは、不十分なデータセットを有するカテゴリーに対してモデル継承技術を利用する。モデル継承技術を用いると、１つのカテゴリーから作成されたモデルが、タクソノミー上で関係カテゴリー又は親カテゴリーについてのモデルとして使用される。例えば、タクソノミーは、タクソノミーにおける親カテゴリー「金融」の下に位置付けられる子カテゴリー「株式＿投資」を含むことができる。ユーザデータセットがカテゴリー「株式＿投資」に対して不十分である場合、「金融」カテゴリーに対するモデルが、「株式＿投資」カテゴリーに対するモデルとして用いることができる。また、モデル継承技術を用いて、幾つかのモデルを生成し次いでこれらのモデルを関係カテゴリーに対して使用することによって、多数のカテゴリーをサポートするシステムにおけるモデル構築プロセスを容易にすることができる。

１つの実施形態では、モデル化プロセスは、モデルの精度を高めるためにユーザの重みを使用する。一般に、ユーザ重みは、モデルを構築するために最高品質の情報を提供するユーザデータセットのユーザを識別する。例示的なユーザデータセットは、以下を含むことができる。

この例示的なデータセットは、クリックの傾向に関して、ジョンとマリーがネガティブユーザであり、ピーターとスーがポジティブユーザであることを示している。しかしながら、マリーは、広告ビューを一度見ただけであるのに対して、ジョンは、広告ビューを１００回見ている。従って、データは、ジョンがマリーよりもノンクリッカー(non-clicker)であるという信頼度のより高いレベルを提供する。同様に、スーは広告ビューを一度見ただけでクリックしており、ピーターは、クリックする前に１００回の広告ビューを経験している。従って、クリッカーとしてのスーのデータの信頼度は、ピーターがクリッカーであるという信頼度よりも高い。モデルを生成する１つの実施形態では、ユーザ重みは、データの品質を測定するためのユーザデータセットからのデータに帰する。上記の実施例では、モデルを生成するときには、スーに関連付けられたデータは、ピーターに関連付けられるデータよりも高いユーザ重みが割り当てられる。

１つの実施形態では、ユーザ重みは、ターゲット目標に関するユーザの期待動作に基づいてユーザに割り当てられる（例えば、ＣＴＲ）。データマイニングアルゴリズムで使用されるターゲット変数は、再調整され、ポジティブユーザ及びネガティブユーザの重みの合計が１になるように正規化される。具体的には、ターゲット変数ｔ_uは、以下のように１又は０に設定することができる。

である場合、
ｔ_u＝１
そうでない場合、
ｔ_u＝０
である。
１つの実施形態では、
ｆ（ａｄｖｉｅｗ）＝ａｄｖｉｅｗ＋ｋ（ここでｋは定数）
である。
他の実施形態では、
ｆ（ａｄｖｉｅｗ）＝ａｄｖｉｅｗ
ｆ（ａｄｖｉｅｗ）＝（１−ｅ^-k*adview）
ｆ（ａｄｖｉｅｗ）＝ｂｉｎ（ａｄｖｉｅｗ）
である。
次にユーザ重み付けは、次式で計算される。

ターゲット変数及びユーザ重みを使用すると、機械学習アルゴリズムは、以下の関係に従って予測の誤差を最小にする。

上式で、ｔ_uは予測ターゲット変数、ｔ_uは実際のターゲット変数である。

１つの実施形態では、データクレンジング技術が、ユーザデータセットからユーザデータを除外するのに使用される。この実施形態では、「ロボット」事象を除外した後モデリング処理を行い、この事象の行動がモデルをバイアスしないようにする。ロボット事象は、特に他のユーザに対するいずれかのスコアリングが存在する場合にモデリングに狂いを生じさせる。従って、最小アクティビティを持つロボット事象及びクッキーがモデルから除外される。

リアルタイム及びバッチ処理実装
図１２は、長期及び短期ユーザ関心スコアを生成する行動ターゲティングシステムの１つの実施形態を示すブロック図である。上述のインフラストラクチャと同様に、例示的なユーザコンピュータ（１２２０）、ネットワーク１２３０、ウェブサーバ１２４０、及び広告サーバ１２５０が使用される。１つの実施形態では、データベース１２５５、バッチ行動ターゲティング処理１２６０、及びウェアハウスプロファイル１２８０が、長期ユーザ関心スコアを計算するのに使用される。データベース１２５５は、ウェブサーバ１２４０に結合されてログ記録された事象を記憶する。次いで、ログ記録された事象は、バッチ行動ターゲティング処理１２６０において予め設定された間隔で処理される。バッチ行動ターゲティング処理１２６０の出力は、１つのカテゴリー当たりに複数のユーザ関心スコアを含む。スコアは、ウェアハウスプロファイル１２８０に記憶される。

行動ターゲティングシステム１２００はまた、短期ユーザ関心スコアを生成するためにリアルタイム行動ターゲティング処理１２７０及びユーザデータストア１２９０を含む。具体的には、事象は、１時間などの短期時間間隔においてリアルタイム行動ターゲティング処理１２７０において蓄積される。リアルタイム行動ターゲティング処理１２７０は、短期ユーザ関心スコアを生成する。上述のように、短期ユーザ関心スコアを用いて、種々のユーザ及びマーケティング目標に対する広告を選択することができる。別の実施形態では、ユーザデータストアは、長期と短期のユーザ関心スコアの両方を含む。この実施形態では、行動ターゲティングシステム１２００は、以下に説明されるように合成長期及び短期ユーザ関心スコアを生成する。

ユーザスコアの出力メトリクスへのマッピング
幾つかのアプリケーションでは、或る範囲のユーザプロファイルスコアは、カテゴリー全体にわたる相対スコア（すなわち、種々のカテゴリーにおける他のユーザプロファイルスコアと相対的なもの）に変換される。１つの実施形態では、ユーザプロファイルスコアは、各カテゴリーにおいてランク付けされたパーセンテージである。例えば、金融カテゴリーでの「０．２」のユーザプロファイルスコアは、全ユーザに対してトップ１％以内のユーザプロファイルスコアをもたらすことができ、スポーツカテゴリーでの「０．６」のユーザプロファイルスコアは、全ユーザに対してトップ１０％以内のユーザプロファイルスコアをもたらす。この実施例では、スポーツにおける「０．６」のユーザプロファイルスコアは、相対ユーザプロファイルスコア１０に変換され、金融における「０．２」のユーザプロファイルスコアは、相対ユーザプロファイルスコア１に変換される。この技術を使用すると、相対ユーザプロファイルスコアは、種々のユーザの他の関心に対して「スポーツ」及び「金融」におけるユーザの関心の比較を可能にする。別の実施形態では、カテゴリーは、クリックスルー率などの出力メトリクスを使用して全てのカテゴリーにわたってユーザのスコアをランク付けすることにより、ユーザに関するＲＯＩを最大にするように選択される。

別の実施形態では、ユーザプロファイルを複数の層にセグメント化することができる。例えば、マーケティング担当者は、指定されたカテゴリーでのユーザのトップ１０％のみを使用してプログラムを起動することを望むことができる。次に、ユーザの次の１０％は、別の目的のためにランク付けすることができる。ユーザのランキングは、何らかの目的に対するユーザデータの何らかのカテゴリー化に基づくことができる。

上述のように、ターゲット目標に対する未加工のスコアが生成される。例えば、ブランディングスコアをブランディングモデル／規則セットによって生成でき、ダイレクトレスポンススコアをダイレクトレスポンスモデル／規則セットによって生成することができる。未加工のスコアは、長期又は短期データを使用して生成することができる。長期データによって生成された未加工のスコアは、長期未加工スコアと呼ばれ、短期データによって生成された未加工スコアは、短期未加工スコアと呼ばれる。例えば、ダイレクトレスポンススコアは、長期データ及び短期データを使用して生成することができる。

未加工のスコアは、ターゲット目標に対するカテゴリーでのユーザの相対的関心尺度を示す。しかしながら、未加工のスコアは、ユーザ動作の傾向を直接測定するものではない。従って、未加工のスコアは、ターゲットを最適化する目的で、本明細書でマップスコアと呼ばれるより有用なスコアに変換又はマップされる。幾つかの実施形態では、マップスコアは、特定の動作に対するユーザの傾向を反映した行動指向スコアである。マップスコアは、関心のあるカテゴリーに対するユーザの動作に関する予測情報を提供するときの、ターゲット最適化目的に有用である。

マップスコアの幾つかの実施例は、パーセンテージで表されるクリック傾向、割合で表されるクリックスルー率及びコンバージョン傾向である。他の実施形態では、他のマップスコアも生成することができる。一般に、カテゴリーに対するユーザのクリックスルー率（ＣＴＲ）は、カテゴリーに関連したコンテンツ（例えば、広告、リンク、その他）をユーザが選択（「クリック」）する可能性を反映する。一般に、カテゴリーにおけるユーザに対するコンバージョン率は、ユーザがカテゴリーに関連した製品又はサービスを買う／購入する確率を反映する。幾つかの実施形態では、未加工のスコアの特定のタイプに対して、長期及び短期未加工のスコアが、長期及び短期マップスコアに変換される。例えば、長期ダイレクトレスポンススコア（ＬＴＤＲ）を長期ＣＴＲスコア（ＬＴＣＴＲ）に変換でき、短期ダイレクトレスポンススコア（ＳＴＤＲ）を短期ＣＴＲスコア（ＳＴＣＴＲ）に変換できる。

同じユーザ及びカテゴリーに対して、未加工のスコアは通常、マップスコアとの線形関係がない。例えば、複数のユーザから集約された統計的行動データに基づいて、ユーザのダイレクトレスポンススコアは、同じカテゴリーにおけるそのＣＴＲスコアとの線形関係がない。図１３は、複数のユーザから集約された統計的データに基づいてダイレクトレスポンススコアの関数としてＣＴＲスコアを示すグラフを表している。図１３に示されるように、ｙ軸上に示されるＣＴＲスコアは、ｘ軸上に示されるダイレクトレスポンススコアが増えるにつれて非線形的に増大する。ダイレクトレスポンス及びＣＴＲスコアは、Ｓ_min及びＣ_minの低い境界でそれぞれ境界付けられ、ここで、Ｓ_minは、その対応するＣＴＲスコアとしてＣ_minを有する非アクティブユーザのダイレクトレスポンススコアを示す。

幾つかの実施形態では、未加工のスコアは、非線形多項マッピング式を使用してマップスコアに変換される。マッピング式は、マップスコアを未加工のスコアと相関付ける複数のユーザから集約された統計的行動データを使用して求めることができる。幾つかの実施形態では、このマッピング式は、以下で表される。
ＲａｗＳｃｏｒｅＴｏＭａｐｐｅｄＳｃｏｒｅ（Ｓ_s）＝ｃ_min＋ｋ₁（ｓ_s−ｓ_min）＋ｋ₂（ｓ_s−ｓ_min）²＝ｃ_s
上式で、
ｓ_s＝未加工のスコア値；
ｓ_min＝カテゴリーにおいて過去にどのようなアクティビティ（ページビュー、検索、クリック、その他）も示さなかったユーザのスコア；
ｃ_min＝ｓ_minに対応するクリックスルー率スコア。過去に行動関心を示していないユーザであってもクリック傾向は非ゼロであり得るので、ｃ_min＞０である点に留意されたい；
ｋ₁及びｋ₂＝定数；
ｃ_s＝マップスコア値。

幾つかの実施形態では、マッピング式で使用された定数の値（ｓ_min、ｃ_min、ｋ₁及びｋ₂）は、マップされる未加工のスコアのタイプに応じて変わる。これらの実施形態では、未加工のスコアを生成するのに使用される特定のモデル／規則セットが、後でマッピング式に使用されるこれらの定数値を計算及び記憶する。例えば、ブランディング(branding)スコアをマップスコアに変換するのに使用される定数値は、ダイレクトレスポンススコアをマップスコアに変換するのに使用される定数値とは異なる可能性がある。ブランディングスコアに対する定数値は、ブランディングモデル／規則セットにおいて計算及び記憶することができ、ダイレクトレスポンススコアに対する定数値は、ブランディングモデル／規則セットにおいて計算及び記憶することができる。幾つかの実施形態では、マッピング式で使用された定数の値（例えば、ｓ_min、ｃ_min、ｋ₁及びｋ₂）は、マップスコアのタイプに応じて変わる。例えば、ＣＴＲを生成するのに使用される定数値は、コンバージョンレートスコアを生成するために使用された定数値とは異なることができる。

上述のように、あるタイプの未加工のスコア（例えば、ダイレクトレスポンススコア）において、長期及び短期未加工のスコア（例えば、ＬＴＤＲ及びＳＴＤＲ）が存在することができる。この実施形態では、長期未加工のスコア（例えばＬＴＤＲ）を長期マップスコア（例えばＬＴＣＴＲ）に変換でき、短期未加工のスコア（例えばＳＴＤＲ）を短期マップスコア（例えばＳＴＣＴＲ）に変換できる。これらの長期及び短期マップスコアは、単一の組み合わせマップスコアに組み合わされる。幾つかの実施形態では、組み合わせマップスコアは、複数のユーザから集約された統計的行動データを使用して決定された組み合わせ式を使用して計算される。幾つかの実施形態では、組み合わせ式は、次式で表される。
組み合わせマップスコア（ｃ_st，ｃ_lt）＝（ｃ_st＊ｃ_sl）／（ＥＭＳ）＝ｃ_c
上式で、
ｃ_st＝短期マップスコア値；
ｃ_sl＝長期マップスコア値；
ＥＭＳ＝複数のユーザにわたる期待されるマップスコア；
ｃ_c＝組み合わせマップスコア値。

ＥＭＳ値は、複数のユーザから集約された統計的行動データを使用して決定することができる。幾つかの実施形態では、ＥＭＳ値は、特定のカテゴリー内では一定であるが、異なるカテゴリー間では変わる。一実施例として、長期及び短期マップスコアが長期及び短期ＣＴＲスコアである場合、組み合わせ式は次式で表される。
組み合わせＣＴＲスコア（ｃ_st，ｃ_lt）＝（ｃ_st＊ｃ_sl）／（ＥＣＴＲ）＝ｃ_c
上式で、
ｃ_st＝短期ＣＴＲ傾向；
ｃ_sl＝長期ＣＴＲ傾向；
ＥＣＴＲ＝複数のユーザ間の期待されるＣＴＲ；
ｃ_c＝組み合わせＣＴＲ傾向。

従って、長期及び短期マップスコアが生成されると、組み合わせ式を用いて、長期及び短期マップスコアを反映する単一の組み合わせマップスコアを提供することができる。単一の組み合わせマップは、後でターゲット最適化処理に使用することができる。

長期と短期スコアを組み合わせるプロセスは増分的なものである。この技術により、長期スコアに関連付けられた事象情報を再処理することなく、長期と短期スコアの組み合わせを可能にする。大量の事象情報を処理するのに相当な時間量が必要となる可能性があるので、これは、処理及び時間の両方でかなりの節約をもたらすことになる。従って、長期ユーザプロファイルスコアを短期ユーザプロファイルスコアと組み合わせることによって、長期ユーザプロファイルスコアを生成するためにコンパイルされた事象情報は後で使用することができる。例えば、事象情報は、時間ｔｉｍｅ₀での長期ユーザプロファイルスコアとして計算することができる。一日後、すなわちｔｉｍｅ₀プラス１日で、昨日について短期ユーザプロファイルスコアを計算することができる。ｔｉｍｅ₀の後の２日、すなわちｔｉｍｅ₀プラス２日で、第２短期スコアをリアルタイムで計算することができる。この実施例では、行動ターゲティングシステムは、事象情報を再処理することなく、ｔｉｍｅ₀プラス２日における新しい短期スコアと組み合わせるために新しい長期スコアを再計算することができる。

上述のように、１つの実施形態では、強度次元は減衰関数を含む。一般に、強度パラメータは、経過した時間量に基づいて事象情報重み付けを減衰させる。増分長期及び短期スコア組み合わせプロセスの１つの実施形態では、新しい長期スコアは、長期スコアの計算と新しい長期スコアを生成するための現在時間との間で経過した時間の量だけ減衰関数を増大させることによって生成される。近時性次元もまた、増分的に更新することができる。１つの実施形態では、近時性パラメータは、近時性パラメータが時間単位当たりに一定の量だけ増大する（例えば、近時性パラメータは、１日毎に１ポイント増分される）ような時間に関して線形関数である。従って、長期スコアに関連した新しい近時性パラメータは、新しい時間（すなわち、長期スコアの計算と現在時間との間）に一致させるために近時性パラメータを増大することによって生成することができる。

長期及び短期スコアの組み合わせは、より正確な行動ターゲティングシステムを提供する。長期スコアは、包括的な行動データを捉える。しかしながら、長期スコアは、現在の行動関心に関して比較的長いラグタイム（例えば１日）を有する。短期データは、行動データをリアルタイムで捉え、従って、ユーザの現在の行動関心を捉える。しかしながら、長期スコアとは異なり、短期スコアは、ユーザの行動のプロファイル全体を捉えない。従って、長期と短期スコアを組み合わせることによって、ユーザ行動プロファイルは、現在の関心並びに過去の関心の両方を取り込み、ユーザの関心の包括的ビュー(view)を提供する。

行動ターゲティングシステムのためのネットワーク環境
図１４は、本発明の行動ターゲティングシステムのオペレーションのためのネットワーク環境１４００の１つの実施形態を示す。ネットワーク環境１４００は、ネットワーク１４３０（インターネット、イントラネット、エクストラネット、仮想プライベートネットワーク、非ＴＣＰ／ＩＰベースネットワーク、何らかのＬＡＮ又はＷＡＮ、又は同様のものなど）及びサーバシステム１４４０₁から１４４０_Nに結合されたクライアントシステム１４２０を含む。サーバシステムは、単一のサーバコンピュータ又は幾つかのサーバコンピュータを含むことができる。クライアントシステム１４２０は、例えばベースコンテンツ及び付加的なコンテンツ（例えばウェブページの形式）を要求し受け取るために、サーバシステム１４４０₁から１４４０_Nのいずれかと通信するよう構成されている。

クライアントシステム１４２０は、デスクトップパーソナルコンピュータ、ワークステーション、ラップトップ、ＰＤＡ、携帯電話、いずれかの無線アプリケーションプロトコル（ＷＡＰ）対応のデバイス、又はネットワークに直接或いは間接的に通信できる他の何らかのデバイスを含むことができる。クライアントシステム１４２０は通常、ウェブブラウジングプログラムを実行し、該プログラムは、クライアントシステム１４２０のユーザがネットワーク１４３０を通じてサーバシステム１４４０₁−１４４０_Nからコンテンツを要求し受け取ることができるようにする。クライアントシステム１４２０は通常、ディスプレイ（例えば、モニタースクリーン、ＬＣＤディスプレイ、その他）上のウェブブラウザのグラフィカルユーザインターフェース（ＧＵＩ）と対話するための１つ又はそれ以上のユーザインターフェースデバイス２２（キーボード、マウス、ローラーボール、タッチスクリーン、ペン、又は同様のものなど）を含む。

幾つかの実施形態では、クライアントシステム１４２０及び／又はシステムサーバ１４４０₁−１４４０_Nは、本明細書に説明される方法を実行するように構成されている。幾つかの実施形態の方法は、ユーザに表示される付加的なコンテンツの選択を最適化するよう構成されたソフトウェア又はハードウェアで実施することができる。

図１５は、行動ターゲティングシステム１５００の概念図を示す。行動ターゲティングシステム１５００は、クライアントシステム１５０５、ベースコンテンツサーバ１５１０（ベースコンテンツを包含する）、付加的なコンテンツサーバ１５１５（付加的なコンテンツを包含する）、ユーザプロファイルのデータベース１５２０、及び行動ターゲティングサーバ１５３５を含む。行動ターゲティングサーバ１５３５は、事象情報を受け取るオプティマイザモジュール１５３７を含む。行動ターゲティングシステム１５００は、ユーザのプロファイルに基づいてユーザに送られる付加的なコンテンツを選択するよう構成されている。クライアントシステム１５０５は、ベース及び付加的なコンテンツを受け取り、ベース及び付加的なコンテンツをユーザに（例えば公開ウェブページとして）表示するよう構成されている。最適化システムの種々の部分は、１つ又はそれ以上のサーバ（サーバ１４４０₁−１４４０_Nなど）及び／又は１つ又はそれ以上のクライアントシステム（クライアントシステム１４２０など）に在ることができる。

ユーザプロファイルデータベース１５２０は、複数のユーザ／クライアントシステムのためのユーザプロファイルを記憶し、各ユーザプロファイルは、ユーザによって使用された特定のクライアントシステム１５０５に対して割り当てられた固有のユーザ識別番号を有する。ユーザ識別番号は、例えばユーザによって使用されるクライアントシステム１５０５のクッキーに記憶することができる。ユーザがベースコンテンツサーバ１５１０からベースコンテンツの１つの要素を要求すると、クッキーがクライアントシステム１５０５からベースコンテンツサーバ１５１０に、次いで、行動ターゲティングサーバ１５３５に転送される。次に、行動ターゲティングサーバ１５３５は、ユーザプロファイルデータベース１５２０から特定のユーザプロファイルを検索するためにクッキーにあるユーザ識別番号を使用する。

行動ターゲティングシステムは、ハードウェア又はソフトウェアのいずれかに実装することができる。ソフトウェア実装では、行動ターゲティングシステムは、汎用コンピュータシステム上での実装のための複数のコンピュータ実行可能命令を含むソフトウェアである。汎用コンピュータシステムにロードする前に、行動ターゲティングシステムソフトウェアは、磁気フロッピー(登録商標)ディスク、磁気テープ、及びコンパクトディスク読出し専用メモリ（ＣＤ−ＲＯＭ）などのコンピュータ可読媒体上に符号化情報として在ることができる。

本発明を特定の例示的な実施形態に関して説明してきたが、種々の修正及び変更が、本発明の精神及び範囲から逸脱することなく当業者によって行い得ることは理解されるであろう。

一般化された行動ターゲティングシステムを示すブロック図である。 マーケティング目標を識別するマーケティングファンネルを示す図である。 一般化された行動ターゲティングシステムの１つの実施形態を示すブロック図である。 本発明の行動ターゲティングシステムの１つの実施形態を示すブロック図である。 本発明の一般化された行動ターゲティングシステムの１つの実施形態を示すフロー図である。 行動ターゲティングシステムのための事象カテゴリー化の１つの実施形態を示すブロック図である。 本発明の１つの実施形態によるネットワークにおける事象の自動カテゴリー化を容易にするための方法を示すフローチャートである。 行動ターゲティングシステムを使用して広告を提供するための１つの実施形態を示すブロック図である。 行動ターゲティングシステムにおける次元処理のための１つの実施形態を示すブロック図である。 長期ダイレクトレスポンスユーザ関心スコアを生成するための１つの実施形態を示すフロー図である。 短期ダイレクトレスポンスユーザ関心スコアを生成するための１つの実施形態を示すフロー図である。 長期及び短期ユーザ関心スコアを生成する行動ターゲティングシステムの１つの実施形態を示すブロック図である。 複数のユーザから集約された統計的データに基づいてダイレクトレスポンススコアの関数としてＣＴＲスコアを示すグラフである。 本発明の行動ターゲティングシステムのオペレーションのためのネットワーク環境の１つの実施形態を示す図である。 行動ターゲティングシステムを示す概念図である。

Claims (9)

1. オンラインアクティビティからユーザプロファイルをコンピュータにより決定する方法であって、前記コンピュータが、
   複数のイベントからの複数のタイプをもつユーザイベント情報を含むユーザデータセットを処理する段階であって、前記ユーザデータセットのユーザとエンティティとの間における過去のオンラインアクティビティから編集されている前記ユーザデータセットを処理する当該段階と、
   前記ユーザイベント情報のパフォーマンスのレベルを確認して、それぞれが主題を特定する複数のカテゴリーの各々におけるユーザ関心を予測するために前記ユーザデータセットを解析する段階と、
   複数のカテゴリーに関する複数のモデルを生成する段階であって、複数のカテゴリーの各々について一つのモデルであり、各モデルは、対応するカテゴリーに対するユーザ関心を予測するユーザプロファイルスコアを決定するための複数の重み値を含む当該段階と、
   対応するカテゴリー内のユーザ関心を予測するため、ユーザイベント情報のタイプのパフォーマンスに従い当該ユーザイベント情報の複数のタイプに対する予測値を生じさせることによって前記モデルの重み値を生成する段階と、
   前記カテゴリーに関する前記エンティティでのモデルを記憶する段階と、
   少なくとも１つのユーザイベント情報を受信する段階と、
   前記受信されたユーザイベント情報を前記カテゴリーの一つに分類する段階と、
   前記受信されたユーザイベント情報のタイプを識別する段階と、
   カテゴリーに対するユーザプロファイルスコアを生成するために、前記カテゴリーに基づいてモデルを選択する段階と、
   前記受信されたユーザイベント情報のタイプと、前記受信されたユーザイベント情報に基づいて選択されたモデルからのカテゴリーとに基づき、少なくとも１つの重み値を適用することによって、前記カテゴリーに対する少なくとも１つのユーザプロファイルスコアを生成する段階であって、前記ユーザプロファイルスコアはユーザが前記カテゴリーの主題に関心があることを示している当該段階と、
   を実行する方法。
2. 前記コンピュータが、
   新しいパラメータ及び規則を含む少なくとも１つの新しいモデルを追加して拡張性を提供するようにする段階と、
   前記エンティティにおいてユーザイベント情報を受け取る段階と、
   ユーザプロファイルスコアを生成するために前記新しいモデルを選択する段階と、
   選択された前記新しいモデルからの前記新しいパラメータ及び規則を前記ユーザイベント情報に適用することによって、カテゴリーにおいて少なくとも１つのユーザプロファイルスコアを生成する段階と、
   を更に実行する、請求項１に記載の方法。
3. 前記ユーザプロファイルスコアに基づいて前記ユーザに広告を提供する段階を更に含む、請求項１に記載の方法。
4. 前記重み値は、ユーザイベント情報がどのくらい最近に発生したかに基づいて前記ユーザプロファイルスコアに対する入力を提供する近時性次元重み値を含む、請求項１に記載の方法。
5. 前記重み値は、前記カテゴリーにおけるユーザの関心を予測するためにユーザイベント情報の有効性に基づいて前記ユーザプロファイルスコアに対する入力を提供する強度次元重み値を含む、請求項１に記載の方法。
6. 前記重み値は、ユーザイベント情報の発生頻度に基づいて前記ユーザプロファイルスコアに対する入力を提供する頻度次元重み値を含む、請求項１に記載の方法。
7. ユーザプロファイルスコアを生成するためにモデルを前記コンピュータによって選択する前記段階が、ターゲティング目標に基づいてモデルを選択する段階を含み、
   少なくとも１つのユーザプロファイルスコアを前記コンピュータによって生成する前記段階が、前記ターゲティング目標に対するユーザプロファイルスコアを生成する段階を含む、請求項１に記載の方法。
8. 前記ターゲティング目標がブランド広告を含む、請求項７に記載の方法。
9. 前記ターゲティング目標がダイレクトレスポンス広告を含む、請求項７に記載の方法。

Images