JP5722783B2 - 傾向の識別に基づくユーザへのカスタマイズ情報の提供 - Google Patents

Description

本発明は、概してデータのストリームにおける傾向の識別に基づいてユーザにカスタマイズ情報を提供することに関する。

インターネットのような有線ネットワークでは、ウェブ広告は、ウェブコンテンツ及び他のサービスプロバイダにとって比較的大きい収入源を提供している。ウェブ広告は、ユーザがターゲティング広告（ターゲティングされた広告）に興味を持ち得ることを示すユーザに関連する情報に基づいて特定のユーザに提示されるターゲティング広告を含む。生成されたターゲティング広告の目的でユーザに関連する情報を調べる通常の手法は、ウェブ検索、オンライン購入又は電子メールのような一般的に使用されるサービス内に検出トリガーを挿入し、検出されたトリガーに基づく情報を含むユーザ毎のイベントレコードを格納することを含む。

イベントレコードは、検索トピック、キーワード、訪問したURL（uniform resource locator）、電子メールの件名、使用されたサービス、使用時間等を含む広範囲の収集情報を含み得る。イベントレコードから情報を抽出し、対応するユーザにとって興味がある可能性のあるターゲティング広告を決定するために、収集情報にデータマイニング技術が適用される。ターゲティング広告を生成する際に一般的に有効であるが、通常のデータマイニング技術は、比較的大量のデータの格納を含み、これは、大規模及び高コストのデータ記憶及び管理インフラストラクチャの提供を必要とする。

ターゲティング広告は、サービスプロバイダにとって比較的大きい収入源を提供し得るが、データマイニング目的で実装される必要がある高コストのインフラストラクチャは、無線通信ネットワークのサービスプロバイダを含むいくつかのサービスプロバイダがこの収入の機会を実施することを思いとどまらせる可能性がある。

概して、実施例によれば、カスタマイズ情報をユーザに提供する方法は、ネットワークノードにおいて、ユーザに関連するデータのストリームを受信することを 含む。データのストリームの少なくとも１つの属性に関連する傾向が識別され、識別された傾向に基づいて、カスタマイズ情報がユーザ局のユーザに提示されるために送信される。
本発明は、例えば、以下を提供する。
（項目１）
カスタマイズ情報をユーザに提供する方法であって、
無線通信ネットワークノードにおいて、前記ユーザに関連するデータのストリームを受信し、
前記無線通信ネットワークノードにおいて、前記データのストリームの少なくとも第１の属性に関連する第１の傾向を識別し、
前記無線通信ネットワークノードにより、前記識別された第１の傾向に基づいて、移動局の前記ユーザに提示するために前記カスタマイズ情報を送信することを有する方法。
（項目２）
前記カスタマイズ情報を送信することは、前記識別された第１の傾向に基づいて、広告情報を送信することを有する、項目１に記載の方法。
（項目３）
前記第１の傾向を表すデータの選択されたアイテムを格納し、
前記第１の傾向を表さないデータの他のアイテムを破棄することを更に有する、項目１に記載の方法。
（項目４）
前記データのストリームの第２の属性に関連する第２の傾向を識別し、
前記識別された第２の傾向に基づいて、前記移動局の前記ユーザに提示するために更なるカスタマイズ情報を送信することを更に有する、項目３に記載の方法。
（項目５）
前記第２の傾向を表すデータの更なる選択されたアイテムを格納し、
前記第１の傾向又は第２の傾向を表さないデータの他のアイテムを破棄することを更に有する、項目４に記載の方法。
（項目６）
前記選択されたアイテムは、データ構造に格納され、
前記方法は、前記第１の傾向を示さないアイテムを前記データ構造から取り除くことを更に有する、項目３に記載の方法。
（項目７）
前記第１の傾向は階層的傾向であり、
前記選択されたアイテムは、複数のレベルのノードを有するツリー構造に格納され、
前記方法は、トップダウン方式で前記ツリー構造を構成することを更に有する、項目３に記載の方法。
（項目８）
前記第１の傾向は階層的傾向であり、
前記選択されたアイテムは、複数のレベルのノードを有するツリー構造に格納され、
前記方法は、ボトムアップ方式で前記ツリー構造を構成することを更に有する、項目３に記載の方法。
（項目９）
前記第１の属性がフラット傾向に関連するか階層的傾向に関連するかを決定し、
前記第１の属性がフラット傾向に関連することを決定したことに応じて、前記第１の傾向を識別する第１の傾向検出アルゴリズムを選択し、
前記第１の属性が階層的傾向に関連することを決定したことに応じて、前記第１の傾向を識別する第２の傾向検出アルゴリズムを選択することを更に有する、項目１に記載の方法。
（項目１０）
前記第１の属性がフラット傾向に関連することを決定したことに応じて、前記第１の傾向を表すデータの選択されたアイテムを第１の形式のデータ構造に格納し、
前記第１の属性が階層的傾向に関連することを決定したことに応じて、前記第１の傾向を表すデータの選択されたアイテムをツリー構造に格納することを更に有する、項目９に記載の方法。
（項目１１）
前記第１の属性の小さい傾向を示す第１の閾値を定義し、
前記第１の属性の大きい傾向を示す第２の閾値を定義することを更に有し、
前記第１の傾向を識別することは、前記第１の属性の前記大きい傾向を識別することを有する、項目１に記載の方法。
（項目１２）
前記識別された第１の傾向は、割合に基づく使用の形式、濃度に基づく使用の形式、間隔に基づく使用の形式、及び量に基づく使用の形式のうち１つであり、
前記方法は、前記第１の傾向の形式に基づいて、前記識別された第１の傾向の１つ以上の閾値を定義することを更に有する、項目１に記載の方法。
（項目１３）
通信ネットワークで使用されるネットワークノードであって、
ユーザに関連するデータのストリームを受信するインタフェースと、
前記データのストリームの少なくとも１つの属性に関連する第１の傾向を識別し、前記識別された第１の傾向に基づいて、ユーザ局のユーザに提示するためにカ スタマイズ情報を送信し、前記識別された第１の傾向について格納されたデータの選択されたアイテムへのポインタを提供するプロセッサと
を有するネットワークノード。
（項目１４）
前記プロセッサは、前記識別された第１の傾向に関連しない他のデータを破棄する、項目１３に記載のネットワークノード。
（項目１５）
前記プロセッサは、更に、前記属性がフラット傾向に関連するか階層的傾向に関連するかを決定し、前記属性がフラット傾向に関連することを決定したことに応 じて、前記第１の傾向を識別する第１の傾向検出アルゴリズムを選択し、前記属性が階層的傾向に関連することを決定したことに応じて、前記第１の傾向を識別する第２の傾向検出アルゴリズムを選択する、項目１３に記載のネットワークノード。
（項目１６）
前記プロセッサは、更に、前記傾向がフラット傾向に関連することを決定したことに応じて、前記選択されたアイテムを第１の形式のデータ構造に格納し、前記 属性が階層的傾向に関連することを決定したことに応じて、前記データの選択されたアイテムをツリー構造に格納する、項目１４に記載のネットワークノード。
（項目１７）
前記カスタマイズ情報は、ターゲティング広告情報を含む、項目１３に記載のネットワークノード。
（項目１８）
実行されたときに、無線通信ネットワークノードのプロセッサに対して、
ユーザに関連するデータのストリームを受信させ、
前記データのストリームの少なくとも１つの属性に関連する第１の傾向を識別させ、
前記識別された第１の傾向に基づいて、移動局の前記ユーザに提示するためにカスタマイズ情報を送信させる命令を含む少なくとも１つのコンピュータ可読記憶媒体を有する物。
（項目１９）
前記カスタマイズ情報は、ターゲティング広告情報を含む、項目１８に記載の物。
（項目２０）
前記命令は、実行されたときに、前記無線通信ノードに対して、更に、
前記属性がフラット傾向に関連するか階層的傾向に関連するかを決定させ、
前記属性がフラット傾向に関連することを決定したことに応じて、前記第１の傾向を識別する第１の傾向検出アルゴリズムを選択させ、
前記属性が階層的傾向に関連することを決定したことに応じて、前記第１の傾向を識別する第２の傾向検出アルゴリズムを選択させる、項目１８に記載の物。

実施例に従ってターゲティング広告を提供する機構が組み込まれ得る無線ネットワークを含む通信ネットワークのブロック図 本発明の実施例に従った無線通信ノード及びデータ分析システムのブロック図 実施例に従ってターゲティング広告を提供する際に使用されるデータ構造 複数の代替実施例に従ってターゲティング広告を無線ネットワークのユーザに提供する処理のフローチャート 複数の代替実施例に従ってターゲティング広告を無線ネットワークのユーザに提供する処理のフローチャート 複数の代替実施例に従ってターゲティング広告を無線ネットワークのユーザに提供する処理のフローチャート

他の特徴又は代替の特徴は、以下の詳細な説明、図面及び特許請求の範囲から明らかになる。

以下の説明では、いくつかの実施例の理解を提供するために、複数の詳細が示されている。しかし、或る実施例は、これらの詳細なしに実施されてもよく、記載の実施例から複数の変更又は変形が可能になり得ることが、当業者により分かる。

或る実施例によれば、通信ネットワーク（例えば、有線又は無線通信ネットワーク）のユーザに提供されるカスタマイズ情報（カスタマイズされた情報）の識別を可能にする機構が提供される。或る例では、カスタマイズ情報は、広告情報を含む。“広告情報（advertising information）”は、様々なエンティティ（小売店、オンライン小売業者、教育機関、政府機関等）により提供される商品又はサービスを記述する情報を示す。ユーザへの提示のために選択された広告情報は、ターゲティング広告情報（又はターゲティング広告）と呼ばれる。“ターゲティング”広告情報又は広告は、特定のユーザに関連する情報に基づいて、特定のユーザにとって興味がある可能性が高い広告情報を示す。ターゲティング広告情報を特定のユーザに提供することは、一般的な広告情報を広い閲覧者に提供するより効率的である。

特定のユーザ（又はユーザのグループ）についてターゲティング広告情報を生成する目的で情報を調べる或る実施例による機構は、特定のユーザ（又はユーザのグループ）に関連する全てのデータレコードを格納して調べることを必要としない技術を使用する。その代わりに、この機構は、データのストリームの１つ以上の属性に関連する傾向（又は複数の傾向）を識別する。傾向に関係するデータのサンプルは、後の更なる分析のために格納されてもよい。残りのデータは破棄されてもよい。このように、ターゲティング広告の提供を可能にするために格納される必要があるデータ量は、かなり減少する。ターゲティング広告を提供するためのデータマイニングを可能にするために提供されなければならないデータ記憶及び管理インフラストラクチャは、あまり複雑でなくなり、従って高コストでなくなる可能性がある。

或る実施例による機構を使用して、無線通信ネットワークのサービスプロバイダは、ターゲティング広告を提供することにより、収入の機会の増加を利用することができる。無線通信ネットワークのサービスプロバイダは、無線通信ネットワークで通信サービスを管理及び提供するエンティティを示す。

一般的に、或る実施例によれば、無線通信ネットワークのノードは、ユーザに関連するデータのストリームを受信する。データのストリームの少なくとも１つの属性に関連する傾向が識別され、識別された傾向に基づいて、カスタマイズ情報（例えば、ターゲティングされた広告情報）が移動局のユーザへの提示のために送信される。“傾向（trend）”は、或る指定の閾値を超える特定のユーザ（又はユーザのグループ）に関連する使用又は動作レベルを示す。

次の説明では、ターゲティング広告情報をユーザに提供することについて言及される。しかし、同じ技術又は同様の技術は、他の形式のカスタマイズ情報をユーザに提示するために適用されてもよい。また、カスタマイズ情報を無線通信ネットワークのユーザに関連する移動局に提供することについて言及されるが、カスタマイズ情報はまた、有線ネットワークのユーザ局に提供されてもよい点に留意すべきである。

図１は、無線通信ネットワーク100と、データネットワーク102とを含む例示的な通信ネットワークを示している。データネットワーク102は、インターネットのようなパケットデータネットワークでもよく、他の種類のデータネットワークでもよい。有線端末104は、データネットワーク102に接続される。端末104の例は、コンピュータ、インターネット電話、サーバ（例えば、ウェブサーバ又は他のコンテンツサーバ）等を含む。

無線通信ネットワーク100は、コアネットワークコントローラ108に接続された基地局106を含み、コアネットワークコントローラ108は、データネットワーク102に接続される。

基地局106は、無線リンク110（例えば、無線周波数リンク）で、基地局のカバレッジエリア内にある移動局112と無線で通信することができる。実際には、基地局106は、移動局112と無線通信を実施する１つ以上のアンテナを有する基地送受信局（BTS：base transceiver station）を含む複数のノードで実装されてもよい。基地局106はまた、移動局との通信に関連する制御タスクを提供する基地局コントローラ又は無線ネットワークコントローラを含んでもよい。コアネットワークコントローラ108は、無線通信ネットワーク100とデータネットワーク102のような外部ネットワークとの間の通信を管理し、また、無線通信ネットワーク100における移動局間の通信を管理する。１つのみの基地局106が図示されているが、典型的な無線通信ネットワーク100は、無線ネットワークの各カバレッジエリア（例えばセル）のために多数の基地局を含む。

無線通信ネットワーク100の無線アクセス技術は、3GPP（Third Generation Partnership Project）により規定されたGSM（Global System for Mobile）、3GPPにより規定されたUMTS（Universal Mobile Telecommunications System）、3GPP2（Third Generation Partnership Project 2）により規定されたCDMA2000（Code Division Multiple Access 2000）、3GPPにより規定されたLTE（Long Term Evolution）、IEEE（Institute of Electrical and Electronics Engineers）802.16により規定されたWiMAX（Worldwide Interoperability for Microwave Access）等のうちいずれか１つ以上でもよい。LTEは、UMTS技術を拡張することを目的とする。

移動局112に関連するユーザは、移動局112を使用して様々な通信（例えば、音声通信又はデータ通信）を実行してもよい。例えば、ユーザは、無線通信ネットワーク100の他のユーザと通信してもよい。或いは、ユーザは、データネットワーク102に接続されたコンピュータ又は電話に関連するユーザと通信してもよい。更に他の例として、ユーザは、ウェブブラウジングを実行するために移動局112を使用してもよい。ウェブブラウジングは、検索動作、オンライン購入動作及び他の動作を実行するためにデータネットワーク102のウェブサイトにアクセスすることを含む。

無線通信ネットワーク100内のノード又は無線通信ネットワーク100に関連するノードは、移動局112により実行されている様々な通信に関連するデータのストリームを監視し、データのストリームの１つ以上の属性に関連する何らかの傾向を識別してもよい。ターゲティング広告は、識別された傾向に基づいて生成されてもよい。

傾向を検出するためにデータのストリームを監視するために使用され得るノードは、基地局106又はコアネットワークコントローラ108を含み、無線通信ネットワーク100の如何なるノードでもよい。或いは、無線通信ネットワーク100内の他のノード又は無線通信ネットワーク100に関連する他のノードが、無線通信ネットワーク100の各ユーザに関連するデータのストリームを監視するために使用されてもよい。このようなノードは、“無線通信ノード”と呼ばれる。

図２は、概して200として表される無線通信ノードを示している。無線通信ノード200は、無線通信ノード200の１つ以上の中央処理装置（CPU）204で実行可能な傾向検出モジュール202（傾向検出アルゴリズムを実行する）を有する。CPU204は、記憶装置206に接続される。

傾向検出モジュール202は、無線通信ネットワーク100の様々なユーザにより実行された様々な通信に関連する“連続”データストリーム208を受信する。図２に示すデータストリーム208の各ボックスは、データパケットを表す。“連続”データストリームは、このようなデータが通信されている限り、無線通信ノード200により絶え間なく受信されるデータパケットの流れ（又は複数の流れ）を示す。通信されるデータが存在しない場合、連続データストリームは、一時的に中断される。データパケットは、対応する異なるユーザに関連するデータパケットと区別するために、何らかの識別子（移動ノード識別子、ユーザ識別子、又は移動局のユーザに関連する他の種類の識別子）を含んでもよい。

傾向検出モジュール202は、連続データストリーム208において、次の利用可能なアイテムを監視する。傾向検出モジュール202は、アイテムを分析し、対応するユーザを識別し、アイテムが特定の傾向（又は複数の傾向）に関連するか否を決定する。そうである場合、記憶装置206に格納された傾向データ構造212が更新されてもよい。傾向データ構造212は、傾向情報と、各傾向に関連するデータのサンプルとを格納するために使用される。

傾向検出モジュール202により識別された傾向に関係しないデータアイテムは、破棄されてもよい（破棄されたデータ項目は、図２の214として表される）。破棄されたデータアイテムは、傾向検出モジュール202により格納される必要はない。このことは、或る実施例に従って傾向検出アルゴリズム及びターゲティング広告アルゴリズムをサポートするために必要な記憶サブシステムのサイズ及び複雑性を低減する。

傾向（又は複数の傾向）を識別することにより、ターゲティング広告情報は、このような広告に基づいて展開されてもよい。一例では、傾向は、特定のユーザからの呼のうち比較的高い割合が特定の位置（例えば、市、地区、セル等）から生じたことでもよい。このような地理的傾向を検出したことに応じて、特定の位置に関係するターゲティング広告情報（例えば、特定の位置の小売業者に関係するターゲティング広告）が生成されてもよい。他の傾向は、ウェブサイトの上位（例えば10人）のユーザによる比較的頻繁な訪問に関係する。頻繁に訪問されたウェブサイトは、ユーザの興味を推定するために使用されてもよい。ユーザの興味からターゲティング広告が展開されてもよい。検出可能な他の傾向は、通信セッションの時間及び位置の双方に基づく傾向である。例えば、ユーザは、１つの位置からほとんどの日中の呼を発信し、他の位置からほとんどの夜の呼を発信してもよい。このことに基づいて、時間及び位置の双方に基づくターゲティング広告が提示されてもよい。検出可能な他の傾向は、ユーザにより頻繁に電話をかけられる人に基づく傾向でもよい。類似する興味及び人口統計を有するユーザの潜在的なコミュニティを識別するために、“友達の輪（友達仲間）が使用されてもよい。ここからターゲティング広告が生成されてもよい。

図２はまた、傾向に関係する情報を含む傾向データ構造220にアクセスするターゲティング広告モジュール218を含むデータ分析システム216を示している。傾向データ構造220は記憶装置222に格納される。ターゲティング広告モジュール216は、データ分析システム216の１つ以上のCPU224で実行可能なソフトウェアモジュールでもよい。ターゲティング広告モジュール218は、傾向データ構造220の情報に基づいて、ユーザへの提示のために送信されるターゲティング広告を生成する。傾向データ構造220は、無線通信ノード200の記憶装置206に含まれる傾向データ構造212のコピーでもよい。

傾向検出モジュール202及びターゲティング広告モジュール218は、図２で２つの別々のシステム上に示されているが、これらの２つのモジュールは、同じシステム（例えば、無線通信ノード200又はデータ分析システム216）で実行されてもよい点に留意すべきである。

或る実施例によれば、傾向検出は以下の仮定に基づく。
A=傾向検出モジュール202が認識するように構成された属性（例えば、位置属性、時間属性、ウェブサイト属性等）の数
U=連続データストリーム208に存在するデータのユーザの数
T=傾向検出モジュール202が検出するように構成された傾向の数
傾向検出モジュール202が認識できる一式の属性は、以下の通り、列挙した集合として規定される。
属性={a_j|1≦j≦A}
いくつかの属性a_jは、互いに素であり、階層関係に構成されない可能な値を有する。これらはフラット属性（flat attribute）と呼ばれる。フラット属性の例は、曜日及び特定のキーワードを含む。

いくつかの属性はフラットではないが、その代わりに、階層を表す値を有する。地理的位置、IPアドレス及びタイムスタンプのように、階層的属性の多数の例が存在する。位置的位置は、ユーザの位置が大きい地理的位置（例えば、州）又は小さい地理的位置（例えば、市、地区）として示され得るため、階層的である。市は州に存在し、州は国に存在する等である。これは、異なる位置の間で関係の階層を提供する。

階層的属性は、IP（Internet Protocol）アドレスが表される方法に類似した表記を使用して表されてもよい。より具体的には下記の通りである。
a=a₁,a₂,...a_h（ただし、階層の深さがhであり、h>0である）
階層的属性は、完全に適格な値（例えば、IPアドレスの47.99.88.77）を有してもよく、部分的に適格な値（47.*.*.*）を有してもよい。

システムのユーザは、以下のように表される。
ユーザ={u_i|0≦i≦U}
傾向tは、１つ以上の属性の交わりとして定義される。１つの属性から構成された傾向は、１次元の傾向と呼ばれ、以下のように表される。
t_k1=a_j（ただし、0≦j≦Aである）
一般的に、d個の属性を交わることにより生成された傾向は、d次元の傾向と呼ばれ、以下のように表される。
t_kd=a_j1∩... ∩a_jd（ただし、0≦j≦A且つd>0である）
傾向の次元の数は、如何なる正の整数値でもよい。２次元の傾向の一例は、時間及び位置の双方に基づく傾向でもよい。ある例示的な実装では、傾向検出モジュール202は、T個の高い値の傾向の比較的小さい集合（或る所定の基準に基づく最も興味のある傾向）を認識するように構成される。この構成された傾向の集合は以下のように記述される。
傾向={t_kd|0≦k≦T,d>0}
傾向検出モジュール202は、データのストリーム（208）を観測し、全ての使用レコードを格納する必要なく、各ユーザに関連する傾向を検出する。

傾向の定義は、異なる属性及び異なるアプリケーションによって変わる。例えば、モバイル広告アプリケーションでは、ユーザが通常の業務時間中に同じ位置から70%のモバイルの電話を発信したという事実は、傾向を識別するのに十分になり得る。しかし、他の属性又は他のアプリケーションでは、割合は重要でない可能性がある。例えば、インターネットサービスプロバイダのポータルの傾向は、ユーザが１回より多くクリックしたリンクの集合として定義されてもよい。

或る実施例では、傾向は、割合に基づく使用、濃度（cardinality）に基づく使用、間隔に基づく使用、及び量に基づく使用のうち１つの形式でもよい。割合に基づく使用の形式の傾向は、使用又は動作レベルが或る割合の閾値を超えたことに基づいて識別される傾向を示す。濃度に基づく使用の形式の傾向は、使用又は動作レベルが或るサイズの閾値を超えたことに基づいて識別される傾向を示す。間隔に基づく使用の形式の傾向は、時間の閾値に基づいて識別される傾向を示し、量に基づく使用の形式の傾向は、量の閾値に基づいて識別される傾向を示す。前述の形式は網羅的でなく、他の種類の傾向が他の領域で使用されてもよい点に留意すべきである。

各傾向は、傾向関数に関連付けられてもよい。傾向関数は、対応する傾向を検出するために実行される。例えば、傾向関数は、ソフトウェアコードで実装されてもよい。各傾向は、傾向値の境界を定める特定の１つ以上の閾値を有してもよい。例えば、１つの閾値は、傾向が存在するか否かを示してもよい。閾値を超える値（閾値より大きい値又は小さい値）は、傾向が存在することを示し、閾値を超えない値は、傾向が存在しないことを示す。或いは、複数の閾値が指定されてもよい。例えば、第１の閾値は小さい傾向を指定してもよく、第２の閾値は大きい傾向を指定してもよい。一例では、“Trend_Indicator”と呼ばれるインジケータは、以下の値を有してもよい。
Trend_Indicator={no-trend,minor-trend,major-trend,ignored}
ただし、“no-trend”は、傾向が検出されなかったことを示し、“minor-trend”は、小さい傾向が検出されたこと（第１の閾値を超える使用）を示し、“major-trend”は、大きい傾向が検出されたこと（第２の閾値を超える使用）を示し、“ignored”は、この傾向が無視されるべきであることを示す。

この例では、２つの傾向の閾値の傾向閾値タプルは、小さい傾向値及び大きい傾向値を定める境界を表すように規定されてもよい。
Trend_Thold=(TrendType,minor_1b,major_1b)（ただし、0≦minor_1b≦major_1bであり、minor_1bは小さい傾向の閾値であり、major_1bは大きい傾向の閾値であり、TrendType∈{割合,濃度,間隔又は量}である）
或いは、有限値へのマッピングではなく、正規化された傾向スコアが使用されてもよい。

他の例として、“小さい”傾向及び“大きい”傾向の概念が使用されない場合、傾向インジケータTrend_Indicatorは、{no-trend,trend,ignored}の値を有してもよい。

或る実装では、傾向検出モジュール202により分析されているユーザ毎に傾向ベクトルが定義されてもよい。傾向ベクトルの目的は、そのユーザについて監視されている全ての属性と、これらの属性のそれぞれに関連する傾向値と、その傾向を集約するデータへのポインタとを識別することである。

傾向ベクトルの各要素は、以下に示すTrend_Elementである。
Trend_Element={Trend_Indicator,Trend_data pointer}
ただし、Trend_Indicatorは前述の通りであり、Trend_data pointerは、対応する傾向を表すデータサンプルの位置へのポインタ（例えば、アドレス、位置識別子、ユニフォーム・リソース・ロケータ等）である。

傾向ベクトルは、Trend_Elementの配列として定義され、各傾向の１つの要素が、傾向検出モジュール202により観測される。
Trend_Vector=Trend_Elementの配列[k]（ただし、0<k≦Tである）
この構成で、ユーザの傾向情報を必要とするアプリケーションが、そのユーザの傾向の集合を迅速に決定することが可能になる。例えば、特定のユーザに広告をターゲティングしようとするモバイル広告アプリケーション（例えば、図２のターゲティング広告モジュール218）は、ユーザの使用履歴から検出された傾向を使用し、ユーザの嗜好及び興味に最も一致する広告情報を選択してもよい。これは、ユーザの傾向を決定するユーザのTrend_Vectorをスキャンし、興味のある傾向を選択し、対応する傾向データを取得することにより実現されてもよい。

Trend_Vectorは、どのようにアプリケーションが異なる傾向を優先させたいか、又はどのようにアプリケーションが大きい傾向と小さい傾向とを扱いたいかに応じて、複数の異なる選択アルゴリズムをサポートしてもよい点に留意すべきである。

傾向の識別を可能にする様々な構造について記載したが、代替の実装では、その代わりに他の形式の構造が使用されてもよい点に留意すべきである。

データの連続ストリームで傾向を見つける問題は、フラット属性では比較的簡単であり、主に特定の属性値の発生を数えることを含む。しかし、階層的属性を扱う場合には問題が複雑になる。この理由は、傾向が生じる階層のレベルを決定する必要があるからである。また、階層の特定のレベルでの発生の数が傾向であるか否か、又はその祖先の１つが傾向であるという事実により影響を受けているか否かを決定する必要がある。以下の部分での例は、階層的属性で傾向を見つける困難性を示すのに役立つ。

一例では、以下の属性が考えられる。
・曜日（DOW）：日、月、火、水、木、金及び土の値を有するフラット属性
・位置（Loc）：国.県/州.市.地区.通りの形式の値を有する階層的属性
・タイムスタンプ（Time）：年.月.日.時.分の形式の値を有する階層的属性
・訪問URL（URL）：URLは定義自体が階層的であるため、これを階層的属性と扱うことが可能である。しかし、モバイル広告アプリケーションの目的では、完全に適格なURL（ホスト名及びドメイン）を考えることが興味深い。このため、URLはフラット属性として扱われてもよい。

前述の例では、A=4であり、属性={DOW,Loc,Time,URL}である。URL;Loc;Time;DOWという１次元の傾向が考えられる。

また、Loc及びTime;Loc及びDOWという２次元の傾向が考えられる。従って、T=6であり、傾向={Loc,URL,Time,DOW,Loc∩TIme,Loc∩DOW}である。

URLの傾向は、以下の閾値を有する濃度に基づくものとして定義されてもよい。
傾向なし：URLへの２回未満の訪問
小さい傾向：URLへの２回以上、５回未満の訪問
大きい傾向：URLへの５回以上の訪問
前述の例では、URL傾向閾値タプルTrend_Thold_URLは以下のようになる。
Trend_Thold_URL=(濃度,2,5)
同様に、Locでは、傾向閾値は以下のように定義されてもよい。
傾向なし：特定の位置からの5%未満のトラヒック
小さい傾向：特定の位置からの5%以上、20%未満のトラヒック
大きい傾向：特定の位置からの20%以上のトラヒック
閾値タプルは以下のように表されてもよい。
Trend_Thold_Loc=(割合,5%,20%)
以下の傾向閾値は、他の閾値について以下のように指定されてもよい。

Trend_Thold_Time=(割合,20%,50%)
Trend_Thold_DOW=(量,1M,10M)
Trend_Thold_{Loc及びTime}=(割合,10%,20%)
Trend_Thold_Loc及びDOW=(割合,10%,20%)
図３は、前述の例のTrend_Vectorを示している。Trend_Vectorは、複数のTrend_Elementを含み、各Trend_Elementは、Trend_IndicatorとTrend_Data pointerとを含む点に留意すべきである。図３では、Trend_Element302は、URL傾向について提供されており、Trend_Element304は、Loc傾向について提供されており、Trend_Element306は、Loc∩DOWについて提供されている。

URL傾向のTrend_Element302は、“大きい傾向”のTrend_Indicator値を有する。これは、URL傾向に大きい傾向が識別されたことを示す。URLのTrend_Element302のTrend_Data pointer303は、様々なURL及び関連する訪問数を記載するデータ構造308を示す。従って、ユーザがwww.cbc.caのURLを９回訪問しており、www.canada.comを８回訪問している。ユーザはまた、www.ottawa.caを２回訪問しており、www.yahoo.comを１回訪問しており、www.google.caを５回訪問している。前述の例で定義された例示的な大きい閾値及び小さい閾値に基づいて、前述のように訪問したウェブサイトのうち３つ（www.cbc.ca、www.canada.com及びwww.google.ca）が大きい傾向を表す。URLの傾向から、ウェブ広告アプリケーションは、ユーザについての特定の情報を推定してもよい。例えば、ウェブ広告アプリケーションは、ユーザがカナダの居住者であり、ユーザがカナダのコンテンツに最も興味があり、ユーザがカナダのニュースに興味があることを推定してもよい。ユーザのURLの傾向はまた、大きい傾向ではないが、小さい傾向の一部でもよいいくつかの属性を含む。前述の例では、１つの小さい傾向はwww.ottawa.caである。この傾向の情報は、データにおける特定の傾向を推定するのに十分に主要であるとは限らないが、発見された大きい傾向の精度を更に高めるのに有用になり得る。例えば、前述の例では、ウェブ広告アプリケーションは、ニュースに関するコンテンツを楽しむオタワの居住者に訴える広告を選択するために、小さい傾向を使用してもよい。

図３の例はまた、階層的なLocの傾向を示している。Locの傾向のTrend_Element304は、データ構造310を示すTrend_Data pointer305を有する。Locの傾向は階層的傾向であるため、Trend_Data pointer305により示されるデータ構造310は、ツリー構造として表されてもよい。

図３では、ツリー構造310の最上位レベルは、カナダを表す（カナダに関する限られた動作（例えば、呼）が存在することを示す）。ツリー構造310の下位レベルは、カナダの県、市及び他の小さい地理的領域に関する動作を示す。この傾向の傾向閾値は、以下のように構成されてもよい。
Trend_Thold_Loc=(割合,5%,20%)
ツリー構造310の各ノードに関連する値は、対応する位置から生じたトラヒックの割合を示す。例えば、100%のトラヒックがカナダで生じており、61%がオタワで生じている等である。リーフノード（リーフノード“Main”、“Carp”、“Moodie”、“Carling”及び“Mont-Bleu”）の傾向を識別することは比較的容易である。リーフノードのカウント（数）は、Trend_Thold_Locの閾値と直接比較されてもよい。リーフノードでは、“Carp”の位置のみが大きい傾向として識別される（28%は20%より大きいため）。

ツリー構造310の上位レベルでは、傾向検出は、少し難しくなる。例えば、38%の発生数に関連する地区“Stittsville”が大きい傾向であると考えられるべきか否かについて決定が行われる必要がある。“Stittsville”の位置の38%の高い値は、大部分は“Carp”の位置の比較的大きい値（28%）に基づく。“Carp”のような大きい傾向の子孫のカウントが祖先“Stittsville”のカウントから除かれた場合、“Stittsville”は、10%のスコアを有することになり、これは、大きい傾向を表さない。この場合、或る実装では、位置“Stittsville”は、大きい傾向に対応するものとして識別されない。しかし、異なる実装では、位置“Stittsville”は、このような大きい傾向が高いカウントに関連する子孫により生じたとしても、大きい傾向に対応するものとして識別されてもよい。

ツリー構造の他の例は、39%のカウントを有するOutaouaisの市に対応する高いレベルのノードである。しかし、位置Outaouaisの子孫は、Mont-Bleuの通りの形式の１つのみの子孫を有する地区の位置Gatineauを含んでいる点に留意すべきである。この場合、その子孫ではなく、Outaouaisの市を大きい傾向に対応するものとして識別することが適切である。

傾向が存在するか否かの決定は、傾向検出モジュール202が傾向を検出する目的で連続データストリームを観測する収集期間（P）として定義されたサンプリング間隔に関する。時間間隔、観測されたイベントの数等のように、収集期間Pが測定される複数の方法が存在する。収集期間Pは、傾向を認識するのに十分なサンプルが取得されることを確保するように、十分に大きくなるべきである。収集期間Pが短すぎる場合、傾向は、細かい精度のイベントにより歪められ、傾向を適切に記述しない可能性がある。

収集期間Pの終了時に、傾向が明らかになるべきである。次の収集期間に移動する前に、傾向検出モジュール202（図２）は、傾向検出処理が完了したかのように、最後の収集期間Pの間に観測されたデータを正規化する。このことにより、傾向データ構造が最新の傾向見通しを提供することが可能になり、傾向見通しは、広告選択を行うために使用されてもよい。初期の収集期間の後に、データ構造は、２つのデータの視点を提供する。(1)前の観測期間に基づく傾向の正確な推定と、(2)現在の観測期間中の最近の観測の要約である。

各収集期間Pの終了時に実行され得る正規化は、カウントを割合又は確率に変換することを含んでもよく、他の正規化タスクを含んでもよい。正規化は、Normalize()関数により実行されてもよい。Normalize()関数はまた、（階層的傾向について）傾向ツリー構造の枝を取り除き、傾向を構成しないいずれかの小さい発生データを除去する役目をする。これは、あまり生じないイベントが時間と共に集まって或る長い期間の後に傾向として誤って現れることを回避するため、望ましい。

誤った決定のため、傾向検出アルゴリズムが何らかの量の誤りを有する可能性が存在する。例えば、傾向検出アルゴリズムは、数個の観測に基づいて傾向が存在することを誤って推定する可能性がある。しかし、更なる収集期間に渡って多くの観測が集められると、傾向検出アルゴリズムは、これらの観測が傾向を表さないことを認識してもよい。これらの誤りがデータ構造から除去されない場合、これらの誤った観測は、時間と共に集まり、誤って大きい傾向として現れる可能性がある。このような誤りを回避するため、データ構造はスキャンされ、何らかの誤り又は不正確性が除去されてもよい。

何らかの不正確性を検出し、データ構造を適切なものとして再構成するために、傾向データ構造をスキャンするCondense()関数が定義されてもよい。圧縮間隔は、Condense()関数がその誤った検出を実行してタスクを再構成する間隔を示すように定義されてもよい。P及びCの相対サイズは、特定のアプリケーションに応じて変わる。PはCと同じでもよく、PはCより小さくてもよく、PはCより大きくてもよい。

傾向検出アルゴリズムはまた、Update()関数を定義してもよい。Update()関数は、最新のデータストリームの観測を行い、データストリームの観測をユーザの傾向データ構造（図２の傾向データ構造212）に格納する役目をする。典型的には、このステップは、観測されたイベントが傾向の一部であるか否かについて推定を行い、データ構造を適切に調整することを含む。

図４は、フラット傾向に対応する属性について、図２の傾向検出モジュール202により実行される傾向検出を示している。連続データストリームが受信されると、傾向に対応するデータパケットが受信された場合、傾向カウントが更新される（402）。例えば、ユーザが特定のURLを訪問したことを示すデータパケットが受信されると、対応するURL傾向のカウントがインクリメントされてもよい。更新は、前述のUpdate()関数により実行されてもよい。

また、傾向に関連する傾向データ構造（図２の212）もまた更新されてもよい点に留意すべきである（403）。例えば、Update()関数は、各傾向のいくつかのサンプルが収集されることを指定してもよい。

傾向検出モジュール202はまた、カウントを正規化し（404）、前述のNormalize()関数等を使用することにより、傾向データ構造から傾向でない情報を除去してもよい。正規化は、例えば、生のカウントを割合に変換すること、又は他の種類の正規化を含む。正規化されたカウントに基づいて、傾向検出モジュール202は、傾向閾値に基づいて小さい傾向又は大きい傾向を識別する（406）。いずれかのこのような識別された小さい／大きい傾向を反映するように、傾向データ構造が更新される。

前述の処理は、存在する収集期間Pの間に繰り返される（408）。

階層的傾向では、複数の異なる可能なアルゴリズムが使用されてもよい。楽観的アルゴリズムが図５に示されている。楽観的アルゴリズムは、トップダウン方式で階層的傾向のツリー構造（例えば、図３の310）を更新する。まず、ノードは、現在最も一般的なレベルのツリーデータ構造に追加される（502）。最初に、現在最も一般的なレベルは、ツリー構造のルートレベルである。しかし、この処理が反復してツリー構造の下に進むにつれて、現在最も一般的なレベルは下位レベルになってもよい。

受信したデータアイテムに基づいて、大きい傾向の閾値に交わるまでUpdate()関数等を使用することにより、この追加されたノードは更新される（504）。換言すると、トップダウン手法を使用して、大きい傾向が生じたことを上位レベルのノードが示すまで、ツリー構造の下位レベルのノードはツリーデータ構造に追加されない。

大きい傾向のノードが識別されると、この大きい傾向の下のノードが構成される（506）。Normalize()関数等を使用することにより、傾向でない情報は取り除かれる（508）。この処理は、ツリー構造のノードを進行的に更新するために、収集期間Pの間に繰り返す（510）。

楽観的手法では、新たなノードは、大きい傾向に関連するノードの下にある場合、傾向ツリー構造に追加される。しかし、楽観的手法は、ノードを外す可能性がある。これに対処するため、大きい傾向のノードになり得るノードを推定するために、推定アルゴリズムが使用されてもよい。このような推定ノードは、傾向ツリー構造に追加されてもよい。例えば、このような推定は、Condense()関数により実行されてもよい。いずれかの誤って推定されたノードは、Normalize()関数により、後に取り除かれてもよい。

楽観的手法は、高いレベルで大きい傾向が検出されるまで下位レベルのノードが傾向ツリー構造に追加されないため、計算効率が良い。楽観的手法は、支配的な傾向が存在するアプリケーションの傾向を識別する際にうまく動作するが、あまり支配的な傾向を有さないアプリケーションにはうまく動作しない可能性がある。

図６は、階層的傾向の傾向検出の悲観的手法を示している。悲観的手法では、傾向ツリー構造は、各データレコードを傾向ツリー構造に追加することにより、ボトムアップから構成される（602）。Update()関数等で、傾向ツリー構造に追加される各ノードに関連するカウントが更新される（604）。

Normalize()関数を使用して、傾向でない情報は、傾向ツリー構造から取り除かれてもよい（606）。また、リーフノードは、高いレベルの傾向ノードに折りたたまれる（608）。これは、低いレベルのノードに関連するカウントを収集し、高いレベルのノードが大きい傾向を示すか否かを決定することを含む。この処理は、収集期間Pで繰り返す（610）。

悲観的手法は、特に多数のあまり支配的でない傾向を有するデータストリームにとって、計算集約的である。この理由は、全てのデータレコードがツリー構造に追加され、データレコードが大きい傾向に関連しない場合に後に取り除かれるからである。悲観的手法は、あまり支配的でない傾向を有するアプリケーションでうまく動作するが、支配的な傾向を有するアプリケーションには不要に計算コストが高くなる。

図５に示す楽観的アルゴリズムに類似した折衷アルゴリズムが使用されてもよい。折衷アルゴリズムは、小さい傾向と大きい傾向とを考慮する。折衷アルゴリズムでは、傾向ツリー構造の各内部ノードは、失ったイベント（大きい傾向として識別されないデータレコードに関連するイベント）のリストを含む。収集期間Pの終了時に、小さい傾向に対応するこれらのイベントのいずれかが保存される。全ての他の重要でないイベントは破棄される。Condense()関数を使用して、ツリー構造は、（傾向ツリー構造の内部ノードの１つから子孫ノードを追加することにより）小さい傾向のイベントを含むように再構成される。

前述の技術のいずれかを使用して識別された大きい傾向に基づいて、ターゲティング広告が生成され、無線通信ネットワークの移動局のユーザに提示されれもよい。

或る実施例による技術を使用して、入力ストリームで受信した全てのデータレコードを格納することを含まないターゲティング広告（又は他のカスタマイズ情報）を提供する効率的な技術が提供される。このように、大規模で高コストのデータ記憶及び管理インフラストラクチャを提供する必要なく、データレコードのマイニングが可能になる。従って、無線通信ネットワークに関連するサービスオペレータは、高コストのインフラストラクチャに投資する必要なく、収入の機会を利用することができる。

前述のソフトウェアに関連する命令（例えば、図１の傾向検出モジュール202、ターゲティング広告モジュール218等）は、プロセッサ（例えば、図１のCPU204及び224）での実行のためにロードされてもよい。プロセッサは、マイクロプロセッサ、マイクロコントローラ、プロセッサモジュール若しくはサブシステム（１つ以上のマイクロプロセッサ又はマイクロコントローラを含む）、又は他の制御若しくは計算装置を含む。“プロセッサ”は、単一の構成要素を示してもよく、複数の構成要素を示してもよい。

（ソフトウェア）のデータ及び命令は、各記憶装置に格納される。各記憶装置は、１つ以上のコンピュータ可読記憶媒体又はコンピュータ使用可能記憶媒体として実装される。記憶媒体は、半導体メモリ装置（ダイナミック又はスタティックランダムアクセスメモリ（DRAM又はSRAM）、消去可能及びプログラム可能読み取り専用メモリ（EPROM）、電気的消去可能及びプログラム可能読み取り専用メモリ（EEPROM）及びフラッシュメモリ等）、磁気ディスク（固定ディスク、フロッピーディスク及び取り外し可能ディスク等）、他の磁気媒体（テープを含む）、及び光学媒体（コンパクトディスク（CD）又はデジタルビデオディスク（DVD）等）を含む異なる種類のメモリを含む。

前述の説明では、本発明の理解を提供するために複数の詳細が示されている。しかし、本発明はこれらの詳細なしに実施されてもよいことが、当業者によりわかる。本発明は、限られた数の実施例に関して開示されているが、当業者は複数の変更及び変形を認識する。特許請求の範囲は、本発明の真の要旨及び範囲内に入るこのような変更及び変形をカバーすることを意図する。

Claims (17)

1. カスタマイズ情報をユーザに提供する方法であって、
   無線通信ネットワークノードにおいて、前記ユーザに関連するデータのストリームを受信することと、
   前記無線通信ネットワークノードにおいて、前記データのストリームの少なくとも第１の属性に関連する第１の傾向を識別することであって、前記第１の傾向を識別することは、前記第１の属性がフラット傾向に関連する場合には第１の傾向検出アルゴリズムを実行し、前記第１の属性が階層的傾向に関連する場合には第２の傾向検出アルゴリズムを実行することによって行われ、前記識別された第１の傾向は、所定の閾値を超える、ユーザに関連する使用レベルである、ことと、
   前記無線通信ネットワークノードが、移動局の前記ユーザに提示するために前記カスタマイズ情報を送信することと
   を含む、方法。
2. 前記カスタマイズ情報を送信することは、前記識別された第１の傾向に基づいて、広告情報を送信することを含む、請求項１に記載の方法。
3. 前記第１の傾向を表すデータの選択されたアイテムを格納することと、
   前記第１の傾向を表さないデータの他のアイテムを破棄することと
   をさらに含む、請求項１に記載の方法。
4. 前記データのストリームの第２の属性に関連する第２の傾向を識別することと、
   前記識別された第２の傾向に基づいて、前記移動局の前記ユーザに提示するために更なるカスタマイズ情報を送信することと
   をさらに含む、請求項３に記載の方法。
5. 前記第２の傾向を表すデータの更なる選択されたアイテムを格納することと、
   前記第１の傾向または前記第２の傾向を表さないデータの他のアイテムを破棄することと
   をさらに含む、請求項４に記載の方法。
6. 前記選択されたアイテムは、データ構造に格納され、
   前記方法は、前記第１の傾向を示さないアイテムを前記データ構造から取り除くことをさらに含む、請求項３に記載の方法。
7. 前記第１の傾向は、階層的傾向であり、
   前記選択されたアイテムは、複数のレベルのノードを有するツリー構造に格納され、
   前記方法は、トップダウン方式で前記ツリー構造を構成することをさらに含む、請求項３に記載の方法。
8. 前記第１の傾向は、階層的傾向であり、
   前記選択されたアイテムは、複数のレベルのノードを有するツリー構造に格納され、
   前記方法は、ボトムアップ方式で前記ツリー構造を構成することをさらに含む、請求項３に記載の方法。
9. 前記第１の属性がフラット傾向に関連することを決定したことに応答して、前記第１の傾向を表すデータの選択されたアイテムを第１の形式のデータ構造に格納することと、
   前記第１の属性が階層的傾向に関連することを決定したことに応答して、前記第１の傾向を表すデータの選択されたアイテムをツリー構造に格納することと
   をさらに含む、請求項１に記載の方法。
10. 前記第１の属性の小さい傾向を示す第１の閾値を定義ことと、
    前記第１の属性の大きい傾向を示す第２の閾値を定義することと
    をさらに含み、
    前記第１の傾向を識別することは、前記第１の属性の前記大きい傾向を識別することを含む、請求項１に記載の方法。
11. 前記識別された第１の傾向は、割合に基づく使用の形式、濃度に基づく使用の形式、間隔に基づく使用の形式のうちの１つであり、
    前記方法は、前記第１の傾向の形式に基づいて、前記識別された第１の傾向の１つ以上の閾値を定義することをさらに含む、請求項１に記載の方法。
12. 通信ネットワークで使用されるネットワークノードであって、前記ネットワークノードは、
    ユーザに関連するデータのストリームを受信するインタフェースと、
    プロセッサと
    を含み、
    前記プロセッサは、
    前記データのストリームの少なくとも第１の属性に関連する第１の傾向を識別することであって、前記第１の傾向を識別することは、前記第１の属性がフラット傾向に関連する場合には第１の傾向検出アルゴリズムを実行し、前記第１の属性が階層的傾向に関連する場合には第２の傾向検出アルゴリズムを実行することによって行われ、前記識別された第１の傾向は、所定の閾値を超える、ユーザに関連する使用レベルである、ことと、
    前記識別された第１の傾向に基づいてカスタマイズ情報を選択することと、
    ユーザ局の前記ユーザに提示するために前記カスタマイズ情報を送信することと、
    前記識別された第１の傾向について格納されたデータの選択されたアイテムへのポインタを提供することと
    を行う、ネットワークノード。
13. 前記プロセッサは、前記識別された第１の傾向に関連しない他のデータを破棄する、請求項１２に記載のネットワークノード。
14. 前記プロセッサは、
    前記属性がフラット傾向に関連することを決定したことに応答して、前記選択されたアイテムを第１の形式のデータ構造に格納することと、
    前記属性が階層的傾向に関連することを決定したことに応答して、前記データの選択されたアイテムをツリー構造に格納することと
    をさらに行う、請求項１２に記載のネットワークノード。
15. 前記カスタマイズ情報は、ターゲティング広告情報を含む、請求項１２に記載のネットワークノード。
16. コンピュータ読み取り可能な記憶媒体であって、前記コンピュータ読み取り可能な記憶媒体は、命令を含み、前記命令は、実行されると、
    ユーザに関連するデータのストリームを受信することと、
    前記データのストリームの少なくとも１つの属性に関連する第１の傾向を識別することであって、前記第１の傾向を識別することは、前記第１の属性がフラット傾向に関連する場合には第１の傾向検出アルゴリズムを実行し、前記第１の属性が階層的傾向に関連する場合には第２の傾向検出アルゴリズムを実行することによって行われ、前記識別された第１の傾向は、所定の閾値を超える、ユーザに関連する使用レベルである、ことと、
    前記識別された第１の傾向に基づいてカスタマイズ情報を選択することと、
    移動局の前記ユーザに提示するために前記カスタマイズ情報を送信することと
    を無線通信ネットワークノードのプロセッサに行わせる、コンピュータ読み取り可能な記憶媒体。
17. 前記カスタマイズ情報は、ターゲティング広告情報を含む、請求項１６に記載のコンピュータ読み取り可能な記憶媒体。

Images