JP6511186B1 - 広告配信システム - Google Patents

Abstract

【課題】匿名識別情報を有しないオーディエンスの属性を推定することにより、匿名識別情報を有しないオーディエンスに対して適切な広告を配信することが可能な広告配信システムを提供する。【解決手段】広告配信サーバは、既知オーディエンスのアクセス情報を所定のパターンに分解してから、ナイーブベイズアルゴリズムを用いた学習処理を行う。そして、未知オーディエンスのアクセス情報を所定のパターンに分解してから、ナイーブベイズアルゴリズムを用いた推定処理を行う。【選択図】図１

Description

本発明は、広告配信システムに関する。
より詳細には、インターネットにおけるｗｅｂサイトのコンテンツに含まれる広告を、適切なターゲットオーディエンス（target audience:広告が目標とする視聴者）に配信する、広告配信システムに関する。

今日、エンドユーザはインターネットを情報収集閲覧用途に活用している。その用途の殆どが、ｗｅｂブラウザを用いたＨＴＭＬ文書の閲覧である。インターネットが商業用途に利用され始めてから、主たるポータルサイトやブログサイト等では、広告がＨＴＭＬ文書に挿入されている。テレビジョン（以下「テレビ」）の視聴率が低下し、インターネットのトラフィックが倍増している今日において、インターネット上における広告配信技術は、重要性を増している。

テレビ放送は片方向にて情報をブロードキャスト配信する。つまり、テレビ放送におけるコマーシャルは、極めて多くの、不特定多数の視聴者（オーディエンス）に広告を一斉配信する。このため、広告料は高い。
一方、インターネットは基本的に一対一の双方向通信である。つまり、インターネットにおける広告は、あるオーディエンス一人に対し、広告を配信した、という事実を完全に把握可能である。このため、１件当たりの広告配信料を定めることが可能であるため、配信件数を絞れば安価な料金で訴求力の高い広告を配信することができる。
このため、インターネットの広告は、中小企業や個人事業者にも広く利用されている。

なお、本発明に関係すると思われる先行技術文献を、特許文献１及び特許文献２に示す。
特許文献１には、コンテンツに係る属性を評価することができる属性評価装置が開示されている。
特許文献２には、広告主がターゲットオーディエンスを特定し易くするための、オーディエンスを分類する機能を有する、広告配信サーバが開示されている。特に、特許文献２に記載される技術は本発明の基礎となる技術である。

特開２００６−２０２１１８号公報 特許第６３２９０１５号公報

中小企業や個人事業者等の、資力に限りがある事業者の場合、如何に低コストで確実にオーディエンスへ広告を配信するかが肝要である。すなわち、少ない広告資金を効果的に活用するために、自社の商品に興味を持って貰える可能性があるターゲットオーディエンスを特定することが求められる。
これまで、広告配信業者がターゲットオーディエンスを特定する方法は、オーディエンスの過去の購買履歴や商品紹介サイトに対する閲覧履歴に基いていた。しかし、既に商品を購入したオーディエンスが再び同じ商品を購入するとは限らない。このため、オーディエンスが必要としていないと考えているにもかかわらず、オーディエンスがあちこちのサイトを閲覧する度にいつまでも同じ種類の広告が付きまとい、広告が煙たがられる、という逆効果を生じることがしばしば見受けられる。
広告主が真に必要とするターゲットオーディエンスとは、未だ商品を購買していないが購買の可能性があると思われる、「未だ見ぬ顧客」である。この、未だ見ぬ顧客を特定する技術は、未だ確立されているとはいえない。
以上のような状況に鑑みて、発明者らは特許文献２に開示される、広告主がターゲットオーディエンスを特定し易くするための、オーディエンスを分類する機能を有する、広告配信サーバを開発した。

特許文献２に係る広告配信サーバは、オーディエンスが使用する端末で稼働するｗｅｂブラウザにおいて、ＲＦＣ６２６５（http://tools.ietf.org/html/rfc6265）にて定められる周知のＨＴＴＰ Ｃｏｏｋｉｅ（以下「Ｃｏｏｋｉｅ」と略）の保存を許可している場合に、運用が可能である。広告配信サーバはこのＣｏｏｋｉｅを用いて、オーディエンスを一意に識別し、オーディエンスに種々の属性情報を付与して、オーディエンスに適した広告配信サービスを運用する。属性情報とは、オーディエンスの特徴を表す情報である。例えば、当該オーディエンスの性別、年齢層、都道府県の市郡等のおおよその住所、職種、趣味趣向等である。
広告配信サービスにおけるＣｏｏｋｉｅは、当該オーディエンスの個人情報を詳細に特定することなく、当該オーディエンスの匿名性を担保しつつ、当該オーディエンスが概ねどのような人であるのかを識別する「匿名識別情報」としての役割を担う。

しかし、Ｃｏｏｋｉｅはオーディエンスが様々なｗｅｂサイトにアクセスした情報を追跡することが可能であるため、個人情報に類する情報の漏洩を嫌うオーディエンス等、広告配信サービスに対してＣｏｏｋｉｅの保存及び運用を許可しない設定を行うオーディエンスが増加してきた。特に、米Ａｐｐｌｅ社がｗｅｂブラウザに導入したセキュリティ機能「Intelligent Tracking Prevention：ＩＴＰ」を導入したことにより、ＩＴＰを導入した端末ではＣｏｏｋｉｅによる匿名オーディエンスの追跡（トラッキング）ができない。
このような、Ｃｏｏｋｉｅによるオーディエンスの属性の特定が不可能なオーディエンスに対し、従来技術では当該オーディエンスの属性に適した広告を配信することが原理的に不可能である。

本発明は係る状況に鑑みてなされたものであり、匿名識別情報を有しないオーディエンスの属性を推定することにより、匿名識別情報を有しないオーディエンスに対して適切な広告を配信することが可能な広告配信システムを提供することを目的とする。

上記課題を解決するために、本発明の広告配信システムは、アクセス先のホスト及びアクセス日時の時間帯を含むパターン要素群の組み合わせを示す所定のパターンを複数記憶するパターンマスタテーブルと、オーディエンスを一意に識別するオーディエンスＩＤを有する既知オーディエンスの情報端末によるサーバへの１回のアクセスを示すアクセス情報であって少なくともアクセス先のＵＲＬ及びアクセス日時を含む既知オーディエンスアクセス情報を分解してパターン要素群に変換し、変換されたパターン要素群と合致するパターンを所定のパターンのうちから取得し、取得したパターンと既知オーディエンスの特徴を表す属性情報とを用いて、パターンと属性情報との対応関係を計数する学習処理を行うベース学習処理部とを具備する。
更に、オーディエンスＩＤで特定できない未知オーディエンスの情報端末によるサーバへの１回のアクセスを示すアクセス情報であって少なくともアクセス先のＵＲＬ及びアクセス日時を含む未知オーディエンスアクセス情報を分解してパターン要素群に変換し、変換されたパターン要素群と合致するパターンを所定のパターンのうちから取得し、取得したパターンと対応関係のある属性情報を学習処理の係数の結果に応じて取得することで、未知オーディエンスの属性情報を推定する基本判定処理部と、未知オーディエンスに対し、推定された属性情報に合致する広告を選択して配信する広告配信処理部とを具備する。

本発明により、匿名識別情報を有しないオーディエンスの属性を推定することにより、匿名識別情報を有しないオーディエンスに対して適切な広告を配信することが可能な広告配信システムを提供することができる。
上記した以外の課題、構成及び効果は、以下の実施形態の説明により明らかにされる。

本発明の実施形態に関わる、広告配信システムの概略図である。 広告配信システムにおける、広告がオーディエンスの情報端末に配信される動作の流れを示すタイムチャートである。 情報端末のハードウェア構成とソフトウェア機能を示すブロック図である。 ｗｅｂサーバ及び広告配信サーバのハードウェア構成と、ｗｅｂサーバのソフトウェア機能を示すブロック図である。 広告配信サーバのソフトウェア機能を示すブロック図である。 広告配信データベースに含まれるテーブルのフィールド構成を示す図である。 パターンテーブルが形成するイメージの一例を示す図である。 広告配信サーバにおける、時間軸上における動作の流れを示す概略図である。 ベース学習処理部の機能ブロック図である。 基本判定処理部の機能ブロック図である。 ブースト学習処理部の機能ブロック図である。 ウェイト最適化処理部の機能ブロック図である。 変形例に係るウェイトテーブルのフィールド構成を示す図である。

本発明は、特許文献２に開示される広告配信サーバが生成する成果を利用する。
特許文献２に記載の技術を用いる広告配信サーバは、ｗｅｂブラウザにおいて広告配信サービスのＣｏｏｋｉｅを許可しているオーディエンスについて、当該オーディエンスの属性情報を特定しており、データベースに記録している。
一方、Ｃｏｏｋｉｅを許可していないオーディエンスは、広告配信サーバの立場で見ると、当該オーディエンスの属性情報が全くわからない。このままでは当該オーディエンスに対して適切な広告を配信することができない。

そこで、このようなオーディエンスについては、ｗｅｂブラウザがアクセスしたｗｅｂサイトのＵＲＬ、アクセスした日時、オーディエンスが使用している端末のＯＳ、端末の機種名、ｗｅｂブラウザの種類等のアクセス情報、すなわち、ｗｅｂブラウザがｗｅｂサイトにアクセスした際に広告配信サーバが得られるアクセス情報を基に当該オーディエンスの属性情報を推定する。この推定には、機械学習に関するアルゴリズムが使用される。
なお、これ以降、ｗｅｂブラウザが広告配信サービスのＣｏｏｋｉｅを許可しているオーディエンスを、既に属性情報が判明していることから、既知オーディエンスと呼ぶ。逆に、ｗｅｂブラウザが広告配信サービスのＣｏｏｋｉｅを許可していないオーディエンスを、属性情報が未知であることから、未知オーディエンスと呼ぶ。
本発明は、既知オーディエンスから得られるアクセス情報と属性情報から、未知オーディエンスのアクセス情報を手がかりに、未知オーディエンスの属性情報を推定する技術である。

［広告配信システム１０１の概略］
図１は、本発明の実施形態に関わる、広告配信システムの概略図である。
広告配信システム１０１には、インターネット１０２を通じてアクセス可能な複数の広告配信サーバ１０３を中心に、複数の広告主サイト１０４、複数のポータルサイト１０５、そして複数の広告主クライアント１０６が存在する。複数の広告配信サーバ１０３は周知のクラウドコンピューティングによるｗｅｂサービスを提供する。複数の既知オーディエンス１０７は、広告主サイト１０４及び／又はポータルサイト１０５にアクセスすることで、広告配信サーバ１０３から広告を受信する。
広告主サイト１０４、ポータルサイト１０５、広告配信サーバ１０３は周知のｗｅｂサーバである。ｗｅｂサーバはＨＴＴＰ又はＨＴＴＰＳにて所望のコンテンツを提供する。広告主クライアント１０６は所定のクライアントマシンである。但し、広告主クライアント１０６は広告配信サーバ１０３と非対話型通信を行うため、サーバの形態を採っている。

既知オーディエンス１０７は、ノートパソコン１０８ａ、あるいはスマートフォン１０８ｂ等の情報端末１０８を用いて、広告主サイト１０４やポータルサイト１０５にアクセスし、ＨＴＭＬ文書を閲覧する。この閲覧したＨＴＭＬ文書には、広告配信サーバ１０３から送信された広告が含まれる。
既知オーディエンス１０７は情報端末１０８で動作するｗｅｂブラウザにおいて、広告配信サーバ１０３から送信されるＣｏｏｋｉｅの保存と広告配信サーバ１０３に対するＣｏｏｋｉｅの送信を許可している。このため、広告配信サーバ１０３は既知オーディエンス１０７の属性情報を特定することができるので、既知オーディエンス１０７の属性情報を内部のデータベースに記録している。
そして、広告配信サーバ１０３はこれら既知の属性情報を基に、既知オーディエンス１０７の趣味趣向に適した広告の配信を行う。

未知オーディエンス１０９は、デスクトップパソコン１１０ａ、あるいはスマートフォン１１０ｂ等の情報端末１１０を用いて、広告主サイト１０４やポータルサイト１０５にアクセスし、ＨＴＭＬ文書を閲覧する。この閲覧したＨＴＭＬ文書には、広告配信サーバ１０３から送信された広告が含まれる。
未知オーディエンス１０９は情報端末１１０で動作するｗｅｂブラウザにおいて、広告配信サーバ１０３から送信されるＣｏｏｋｉｅの保存と広告配信サーバ１０３に対するＣｏｏｋｉｅの送信を禁止している。このため、広告配信サーバ１０３は未知オーディエンス１０９の属性情報を特定することができないので、後述する未知オーディエンス１０９に対する属性推定の技術を用いて属性情報を推定する。
そして、広告配信サーバ１０３はこれら推定した属性情報を基に、未知オーディエンス１０９の趣味趣向に適した広告の配信を行う。

［広告が配信される動作の流れ］
図２は、広告配信システム１０１における、広告が既知オーディエンス１０７の情報端末１０８のｗｅｂブラウザに配信される動作の流れを示すタイムチャートである。
ある既知オーディエンス１０７が、情報端末１０８のｗｅｂブラウザを用いてポータルサイト１０５（又は広告主サイト１０４）にアクセスして、ＨＴＭＬ文書を要求する（Ｓ２０１）。ポータルサイト１０５は情報端末１０８のｗｅｂブラウザの要求に応じて、ＨＴＭＬ文書を情報端末１０８のｗｅｂブラウザへ送信する（Ｓ２０２）。情報端末１０８のｗｅｂブラウザはポータルサイト１０５からＨＴＭＬ文書を受信する（Ｓ２０３）。情報端末１０８のｗｅｂブラウザは受信したＨＴＭＬ文書の内、すぐに表示部３０５（図３参照）に表示できる内容について、表示処理を行う（Ｓ２０４）。

そして、情報端末１０８のｗｅｂブラウザは、ＨＴＭＬ文書に含まれる、二種類のスクリプトを実行する。一つのスクリプトは、情報端末１０８のｗｅｂブラウザがポータルサイト１０５にアクセスしてＨＴＭＬ文書を要求したことに関するアクセス情報を広告配信サーバ１０３に送信するスクリプトである。このスクリプトの実行により、情報端末１０８のｗｅｂブラウザは広告配信サーバ１０３に対し、ステップＳ２０１において取得を要求したＨＴＭＬ文書のＵＲＬや、後述するオーディエンスＩＤを含むアクセス情報を送信する（Ｓ２０５）。広告配信サーバ１０３は、情報端末１０８のｗｅｂブラウザが送信するアクセス情報を受信すると、内部のデータベースに含まれる図示しないログファイルにアクセス情報を記録して、情報端末１０８のｗｅｂブラウザに結果情報（レスポンス）を返送する（Ｓ２０６）。そして、情報端末１０８のｗｅｂブラウザはこの結果情報を受信する（Ｓ２０７）。
もう一つのスクリプトは、広告を要求するスクリプトである。このスクリプトの実行により、情報端末１０８のｗｅｂブラウザは広告配信サーバ１０３に対し、広告を要求する（Ｓ２０８）。これらのスクリプトはＪａｖａＳｃｒｉｐｔ（登録商標）やＥＣＭＡＳｃｒｉｐｔ（登録商標）等である。

広告配信サーバ１０３は、情報端末１０８のｗｅｂブラウザが送信する広告の要求を受信すると、内部のデータベースを参照して、当該情報端末１０８のｗｅｂブラウザを使用している既知オーディエンス１０７に付されている属性情報を取得する。そして、この属性情報に合致する広告主の広告主クライアント１０６に対し、広告オークションの参加を呼びかける要求を送信し、広告オークションを実行する（Ｓ２０９）。広告オークション実行の要求は、複数の広告主クライアント１０６に送信される。その中で、所定の条件に合致したと判断した広告主クライアント１０６が、オークション参加表明を広告配信サーバ１０３に返信する（Ｓ２１０、Ｓ２１１）。図２中、第一広告主１０６ａと第二広告主１０６ｂが、オークション参加表明を広告配信サーバ１０３に返信したものとする。

広告配信サーバ１０３は、第一広告主１０６ａが送信したオークション参加表明（Ｓ２１０）を受信する（Ｓ２１２）とともに、第二広告主１０６ｂが送信したオークション参加表明（Ｓ２１１）を受信する（Ｓ２１３）。広告配信サーバ１０３は、所定の時間内に受信した一つ以上のオークション参加表明を受けて、予め内部のデータベースに保持されている、広告主の広告配信条件を参照する。そして、高額な広告料を支払う広告主に対し、広告の配信を決定し、当該広告主のための広告の内容（コンテンツ）を既知オーディエンス１０７の情報端末１０８のｗｅｂブラウザへ送信する（Ｓ２１４）。こうして、既知オーディエンス１０７の情報端末１０８のｗｅｂブラウザは広告配信サーバ１０３から広告の内容を受信して（Ｓ２１５）、これを表示部３０５に表示する（Ｓ２１６）。

なお、広告が画像データを伴う場合、ステップＳ２１５から更に画像データを広告主サイト１０４から取得する処理が生じる場合がある。
広告のオークションは、ステップＳ２０８における情報端末１０８のｗｅｂブラウザから送信される広告要求から、ステップＳ２１５における情報端末１０８のｗｅｂブラウザによる広告受信に至るまで、５０ｍｓｅｃ以内で実施することが、広告配信業者の業界内ルールとして定められている。

周知のように、ＨＴＴＰはＨＴＴＰリクエストとＨＴＴＰレスポンスの対で一つの通信が完結する、ステートレスなプロトコルである。図２中、ステップＳ２０１のＨＴＴＰリクエストには、ステップＳ２０３のＨＴＴＰレスポンスが対応する。ステップＳ２０５のＨＴＴＰリクエストには、ステップＳ２０７のＨＴＴＰレスポンスが対応する。ステップＳ２０８のＨＴＴＰリクエストには、ステップＳ２１５のＨＴＴＰレスポンスが対応する。
図２中、ステップＳ２０５の後にステップＳ２０８が実行されているが、これらは順不同である。

広告配信サーバ１０３はＣｏｏｋｉｅを用いて、既知オーディエンス１０７を一意に識別する。広告配信サービスにおけるＣｏｏｋｉｅは、既知オーディエンス１０７の個人情報を詳細に特定することなく、既知オーディエンス１０７の匿名性を担保しつつ、既知オーディエンス１０７が概ねどの様な人であるのかを識別する「匿名識別情報」としての役割を担う。
広告主サイト１０４及びポータルサイト１０５が情報端末１０８のｗｅｂブラウザの要求に応じて出力するＨＴＭＬ文書には、アクセス情報を取得するためのスクリプトが埋め込まれている。ステップＳ２０５に示すように、情報端末１０８のｗｅｂブラウザが初めて広告主サイト１０４又はポータルサイト１０５にアクセスして、スクリプトを実行すると、情報端末１０８のｗｅｂブラウザから広告配信サーバ１０３へアクセス情報が送信される。そして、ステップＳ２０６、Ｓ２０７に示すように、広告配信サーバ１０３は、受信したアクセス情報にＣｏｏｋｉｅが含まれていないことを検出すると、Ｃｏｏｋｉｅを生成して、結果情報と共に情報端末１０８のｗｅｂブラウザに送信し、情報端末１０８のｗｅｂブラウザは受信したＣｏｏｋｉｅを記憶する。これ以降、情報端末１０８のｗｅｂブラウザは広告配信サーバ１０３にアクセス情報を送信する際、このＣｏｏｋｉｅも広告配信サーバ１０３に送信する。

Ｃｏｏｋｉｅには、既知オーディエンス１０７が使用する情報端末１０８のｗｅｂブラウザを一意に識別するためのオーディエンスＩＤが含まれている。このオーディエンスＩＤは、あくまでも特定の既知オーディエンス１０７が使用する情報端末１０８のｗｅｂブラウザがどの広告主サイト１０４やポータルサイト１０５にアクセスしたのかを検出するためだけに設けられるものであり、既知オーディエンス１０７の個人情報を特定する要素は一切含まれない。仮に、既知オーディエンス１０７がパソコンとスマートフォンを所持している場合、パソコンとスマートフォンにはそれぞれ異なるオーディエンスＩＤが付与される。広告配信サーバ１０３が、それらパソコンとスマートフォンの所有者が同一人物であることを知る術はない。但し、既知オーディエンス１０７が使用する情報端末１０８のｗｅｂブラウザのアクセス履歴が広告配信サーバ１０３に蓄積されるので、既知オーディエンス１０７の嗜好がおおよそ推測可能である。

既に述べたように、情報端末１０８のｗｅｂブラウザが広告配信サーバ１０３に送信するアクセス情報とは、情報端末１０８のｗｅｂブラウザのＣｏｏｋｉｅに含まれるオーディエンスＩＤと、ステップＳ２０１において情報端末１０８のｗｅｂブラウザが広告主サイト１０４やポータルサイト１０５から取得しようとするＨＴＭＬ文書のＵＲＬと、情報端末１０８のｗｅｂブラウザのＩＰアドレス等である。
情報端末１０８のｗｅｂブラウザは、ステップＳ２０８において広告配信サーバ１０３に対し広告を要求する際、Ｃｏｏｋｉｅも送信する。したがって、広告配信サーバ１０３は広告がどのオーディエンスＩＤから要求されたのかを把握できる。

以上、広告配信システム１０１が既知オーディエンス１０７に対して広告配信を行う動作の流れを説明した。広告配信システム１０１のこの動作の流れは、未知オーディエンス１０９に対しても同様である。但し、未知オーディエンス１０９が使用する情報端末１１０のｗｅｂブラウザは、ステップＳ２０７で、広告配信サーバ１０３から送信されるＣｏｏｋｉｅを受信しても、Ｃｏｏｋｉｅを記憶しない。したがって、情報端末１１０のｗｅｂブラウザは広告配信サーバ１０３にアクセス情報を送信する際、Ｃｏｏｋｉｅを広告配信サーバ１０３に送信しないので、広告配信サーバ１０３は未知オーディエンス１０９の属性情報をＣｏｏｋｉｅのオーディエンスＩＤから特定することができない。
そこで、広告配信サーバ１０３は、ステップＳ２０５において情報端末１１０のｗｅｂブラウザから広告配信サーバ１０３へ送信されるアクセス情報を手がかりに、未知オーディエンス１０９の属性情報を推定する。
本実施形態の広告配信システム１０１は、広告配信サーバ１０３がステップＳ２０６において、未知オーディエンス１０９が使用する情報端末１１０の属性情報を、未知オーディエンス１０９のアクセス情報から推定するための技術である。

［情報端末１０８及び情報端末１１０のハードウェア構成とソフトウェア機能］
図３Ａは、既知オーディエンス１０７が使用する情報端末１０８のハードウェア構成を示すブロック図である。
情報端末１０８は、バス３０７に接続された、周知のＣＰＵ３０１、ＲＯＭ３０２、ＲＡＭ３０３、ハードディスク装置やフラッシュメモリ等の不揮発性ストレージ３０４、表示部３０５、操作部３０６を備える。
バス３０７には更に、インターネット１０２に接続するためのＮＩＣ（Network Information Card）３０８が接続されている。
なお、図３Ａのブロック図は、図１に示されるデスクトップパソコン１１０ａ、ノートパソコン１０８ａ、そしてスマートフォン１０８ｂを包含する上位概念で記載されている。例えばスマートフォン１０８ｂの場合、表示部３０５は液晶ディスプレイであり、操作部３０６は静電式位置検出装置である。そして、表示部３０５と操作部３０６はタッチパネルディスプレイを構成する。また、スマートフォン１０８ｂの場合、ＮＩＣ３０８はＬＴＥ（Long Term Evolution）等の無線通信機能や無線ＬＡＮインターフェースが該当する。更に、シリアルポートを用いたＰＰＰ（Point to Point Protocol）接続も、本明細書におけるＮＩＣ３０８が指し示す概念として含まれる。つまり、図３ＡにおけるＮＩＣ３０８は、インターネット１０２に接続するための、広義の物理的及び／又は論理的なインターフェースを指す。
図３Ａは、既知オーディエンス１０７が使用する情報端末１０８のハードウェア構成を示すブロック図であるが、未知オーディエンス１０９が使用する情報端末１１０のハードウェア構成も同じである。

図３Ｂは、既知オーディエンス１０７が使用する情報端末１０８のソフトウェア機能を示すブロック図である。
周知のネットワークＯＳとｗｅｂブラウザプログラムが稼働する情報端末１０８は、入出力制御部３０９を有し、入出力制御部３０９は、ユーザ（既知オーディエンス１０７）の操作によって操作部３０６が発する操作情報を受けて、インターネット１０２上のｗｅｂサイトに存在する情報を取得し、取得した情報（ＨＴＭＬ文書等）を表示部３０５に表示する。その際、入出力制御部３０９は必要に応じてＣｏｏｋｉｅ３１０の読み書きも行う。また、入出力制御部３０９はＨＴＭＬ文書に含まれるスクリプトを実行し、その実行結果に応じて所定のｗｅｂサーバにアクセスする機能も備える。

図３Ｃは、未知オーディエンス１０９が使用する情報端末１１０のソフトウェア機能を示すブロック図である。
未知オーディエンス１０９が使用する情報端末１１０のソフトウェア機能は、図３Ｂに示される、既知オーディエンス１０７が使用する情報端末１０８のソフトウェア機能からＣｏｏｋｉｅ３１０が除かれている以外は、等しい機能ブロック構成である。

［ｗｅｂサーバ４０１のハードウェア構成とソフトウェア機能］
図４Ａは、ｗｅｂサーバ４０１のハードウェア構成を示すブロック図である。なお、広告配信サーバ１０３のハードウェア構成もｗｅｂサーバ４０１と同じである。
ｗｅｂサーバ４０１は、バス４０７に接続された、周知のＣＰＵ４０２、ＲＯＭ４０３、ＲＡＭ４０４、ハードディスク装置やフラッシュメモリ等の不揮発性ストレージ４０５、ＮＩＣ４０６、リアルタイムクロック（RealTime Clock:以下「ＲＴＣ」と略）４０８を備える。なお、情報端末１０８にあった表示部３０５及び操作部３０６は、多くの場合省略されている。

図４Ｂは、ｗｅｂサーバ４０１のソフトウェア機能を示すブロック図である。
ｗｅｂサーバプログラム等で構成される入出力制御部４０９は、情報端末１０８から情報の取得要求を受信すると、要求に応じて、ＨＴＭＬ文書や画像ファイル等の静的コンテンツ４１０や、ｃｇｉ（Common Gateway Interface）等で構成される動的コンテンツ生成処理部４１１の実行結果を情報端末１０８へ返送する。動的コンテンツ生成処理部４１１は、入出力制御部４０９によって実行されると、必要に応じて各種データベース４１２を参照して、動的コンテンツを作成する。
なお、図４Ｂの動的コンテンツ生成処理部４１１による動的コンテンツの生成手段はｃｇｉに限られない。Ｊａｖａ（登録商標）アプレット等、様々な動的コンテンツ生成手段を採り得る。

［広告配信サーバ１０３のソフトウェア機能］
図５は、広告配信サーバ１０３のソフトウェア機能を示すブロック図である。
広告配信サーバ１０３は、実際には複数の計算機を有するクラウドコンピューティングで構成されるが、説明の便宜上、単一の計算機に見立てて機能ブロックを説明する。
ｗｅｂサーバプログラム等で構成される入出力制御部５０１は、既知オーディエンス１０７が使用する情報端末１０８から情報の取得要求を受信すると、オーディエンスアクセス情報取得部５０２を実行する。

オーディエンスアクセス情報取得部５０２は、アクセス情報を広告配信データベース５０３内のオーディエンス行動履歴データ５０４に記録する。
そして、アクセス情報にＣｏｏｋｉｅが含まれていることがわかると、Ｃｏｏｋｉｅ内のオーディエンスＩＤで広告配信データベース５０３内のオーディエンスマスタテーブル５０５を検索して、既知オーディエンス１０７の属性情報を特定する。そして、特定した既知オーディエンス１０７の属性情報を入出力制御部５０１に引き渡す。入出力制御部５０１は、既知オーディエンス１０７の属性情報を広告配信処理部５０６に引き渡して、広告配信処理部５０６を実行する。
また、入出力制御部５０１は、オーディエンスアクセス情報取得部５０２が取得した既知オーディエンス１０７のアクセス情報をブースト学習処理部５０７に引き渡して、ブースト学習処理部５０７を実行する。

入出力制御部５０１は、未知オーディエンス１０９が使用する情報端末１１０から情報の取得要求を受信すると、要求に応じて、オーディエンスアクセス情報取得部５０２を実行する。
オーディエンスアクセス情報取得部５０２は、アクセス情報を広告配信データベース５０３内のオーディエンス行動履歴データ５０４に記録する。但し、未知オーディエンス１０９はＣｏｏｋｉｅが含まれておらず、オーディエンスＩＤを取得できないので、オーディエンスＩＤについては空欄（ＮＵＬＬ）にするか、あるいは特定不可能であることを示す特別なオーディエンスＩＤをオーディエンス行動履歴データ５０４に記録する。そして、アクセス情報にＣｏｏｋｉｅが含まれていないことがわかると、未知オーディエンス１０９のアクセスである旨を入出力制御部５０１に報告する。

入出力制御部５０１は、オーディエンスアクセス情報取得部５０２の報告に基づき、基本判定処理部５０８を実行する。基本判定処理部５０８は、オーディエンスアクセス情報取得部５０２が取得したアクセス情報に基づき、未知オーディエンス１０９の属性情報を推定する。そして、推定した未知オーディエンス１０９の属性情報を入出力制御部５０１に引き渡す。入出力制御部５０１は、未知オーディエンス１０９の属性情報を広告配信処理部５０６に引き渡して、広告配信処理部５０６を実行する。

スケジューラ５０９はＲＴＣ４０８から現在日時情報を取得し、図示しない内部の定められた起動時刻設定に基づいて、クラスタ作成処理部５１０、ベース学習処理部５１１、ウェイト最適化処理部５１２を実行する。

オーディエンスアクセス情報取得部５０２は、既知オーディエンス１０７が使用する情報端末１０８、及び未知オーディエンス１０９が使用する情報端末１１０から、アクセス情報を取得する。オーディエンスアクセス情報取得部５０２が取得したアクセス情報は、オーディエンス行動履歴データ５０４に記録される。
広告配信処理部５０６は、既知オーディエンス１０７に対しては、オーディエンスマスタテーブル５０５から取得できる既知オーディエンス１０７の属性情報に基づいて、既知オーディエンス１０７の属性情報に適した広告配信処理を実行する。未知オーディエンス１０９に対しては、基本判定処理部５０８が推定した未知オーディエンス１０９の属性情報に基づいて、未知オーディエンス１０９の属性情報に適した広告配信処理を実行する。

基本判定処理部５０８は、未知オーディエンス１０９のアクセス情報を手がかりに、機械学習に関するアルゴリズムに基づき、広告配信データベース５０３内のパターンテーブル５１３を参照して、未知オーディエンス１０９の属性情報を推定する。
ブースト学習処理部５０７は、基本判定処理部５０８が推定する未知オーディエンス１０９の属性情報の精度を向上させるために、既知オーディエンス１０７のアクセス情報を用いて、パターンテーブル５１３に対して「強化した学習」を実行する。強化した学習の詳細については図１１で後述する。

オーディエンスアクセス情報取得部５０２、広告配信処理部５０６、基本判定処理部５０８は、入出力制御部５０１が、既知オーディエンス１０７が使用する情報端末１０８、及び未知オーディエンス１０９が使用する情報端末１１０から情報の取得要求を受信したことを受けて、入出力制御部５０１によって実行される。
オーディエンスアクセス情報取得部５０２と広告配信処理部５０６は、既知オーディエンス１０７が使用する情報端末１０８に対しては特許文献２に開示される従来技術と同じ動作を行う。すなわち、オーディエンスアクセス情報取得部５０２と広告配信処理部５０６は、機能的には特許文献２に開示される従来技術と等しい。しかし、オーディエンスアクセス情報取得部５０２と広告配信処理部５０６は、未知オーディエンス１０９が使用する情報端末１１０に対しては、基本判定処理部５０８から得た属性情報に基づいて、既知オーディエンス１０７が使用する情報端末１０８に対する動作と同様の動作を行う。
すなわち、基本判定処理部５０８は、本実施形態において新規に設けられた機能ブロックである。

ブースト学習処理部５０７は、オーディエンス行動履歴データ５０４に基づき、強化した学習を実行する。
クラスタ作成処理部５１０は、オーディエンス行動履歴データ５０４に基づき、図示しないクラスタ作成用のデータベースを形成し、更新することで、オーディエンスマスタテーブル５０５に記録されている既知オーディエンス１０７に属性情報を付与し、あるいは更新する。
ベース学習処理部５１１は、オーディエンス行動履歴データ５０４に基づき、パターンテーブル５１３を作成し、基本的な学習処理を実行する。
ウェイト最適化処理部５１２は、基本判定処理部５０８が使用する、広告配信データベース５０３内のウェイトテーブル５１４の係数を作成し、あるいは更新する。

ブースト学習処理部５０７、クラスタ作成処理部５１０、ベース学習処理部５１１、ウェイト最適化処理部５１２は、予め定められた起動時刻設定に基づいて、スケジューラ５０９によって実行される。
クラスタ作成処理部５１０は、既知オーディエンス１０７が使用する情報端末１０８に対しては特許文献２に開示される従来技術と同じ動作を行う。すなわち、クラスタ作成処理部５１０は、機能的には特許文献２に開示される従来技術と等しい。
ベース学習処理部５１１は、パターンテーブル５１３の作成と更新を行う。なお、図８で詳述するが、ベース学習処理部５１１が実行されている間は、広告配信サーバ１０３は広告配信処理等ができない。したがって、図５に開示される広告配信サーバ１０３は複数台が用意され、それぞれがベース学習処理部５１１の実行タイミングをずらすことで、広告配信サービスの停止を防ぐように構成される。
ブースト学習処理部５０７は、ベース学習処理部５１１では実現し得ない、判定率を向上させるための強化した学習を実行する。なお、図８で詳述するが、ブースト学習処理部５０７の実行タイミングは、ベース学習処理部５１１が実行されていない間に、例えば３０分毎に実行される。
ウェイト最適化処理部５１２は、ウェイトテーブル５１４の作成と更新を行う。
すなわち、ブースト学習処理部５０７、ベース学習処理部５１１、及びウェイト最適化処理部５１２は、本実施形態において新規に設けられた機能ブロックである。

［テーブルのフィールド構成］
図６は、広告配信データベース５０３に含まれるテーブルのフィールド構成を示す図である。
パターンマスタテーブル５１７は、パターンＩＤフィールドと、パターン要素番号フィールドと、パターン要素フィールドを有する。
パターンＩＤフィールドには、パターンを一意に識別するパターンＩＤが格納される。
パターン要素番号フィールドには、パターンＩＤに属する要素を一意に識別する番号（順番）が格納される。
パターン要素フィールドには、パターンの要素を示す情報が格納される。例えば、ＵＲＬのホスト名、ＵＲＬのパス名、時間帯（アクセス日時を粗く分化したもの）、端末ＯＳ、端末機種名等である。
パターンマスタテーブル５１７において、一つのパターンＩＤには複数のパターン要素番号が対応する。すなわち、パターンＩＤとパターン要素番号は１対多の対応関係を有する。
パターン要素番号とパターン要素は、１対１の対応関係を有する。

パターンとは、既知オーディエンス１０７が使用する情報端末１０８、及び未知オーディエンス１０９が使用する情報端末１１０から得られるアクセス情報の構成要素を部分的に抜粋し、正規化を施すことによって、アクセス情報を再構築した情報である。
ｗｅｂサイトに公開されているＨＴＭＬ文書の内容が、特定の属性情報に属するオーディエンスの興味の対象となる内容である場合、未知オーディエンス１０９のアクセス情報が既知オーディエンス１０７のアクセス情報と類似するのであれば、当該未知オーディエンス１０９の属性情報は概ね既知オーディエンス１０７の属性情報に類似する可能性がある。例えば、女性化粧品の企業のｗｅｂサイトであれば、アクセスするオーディエンスの殆どは女性であると推測することができる。

しかし、ｗｅｂサイトに公開されているＨＴＭＬ文書の内容が、不特定多数の属性情報に属するオーディエンスの興味の対象となる内容である場合は、未知オーディエンス１０９の属性情報の推定は難しくなる。
例えば、いわゆるポータルサイトやニュースサイトであれば、アクセスするオーディエンスは老若男女が入り混じり、未知オーディエンス１０９の属性情報を容易に推測することができないと思われる。

発明者らは、アクセス情報を（１）ＵＲＬのホスト名（Fully Qualified Domain Name:ＦＱＤＮ）、（２）ＵＲＬのパス名、（３）アクセス日時の粒度を粗くした時間帯、（４）情報端末のＯＳ、（５）情報端末の機種名、（６）情報端末のｗｅｂブラウザ名、等に分化して、正規化処理を施した。そして、ＦＱＤＮを筆頭に、パス名、時間帯、ＯＳ等を部分的に組み合わせることで、様々なアクセス情報の部分的情報を作成した。
例えば、平日の午前中に、前述のポータルサイトやニュースサイトにアクセスする人達は、児童、学生、会社員の可能性は低く、専業主婦や無職の老人である可能性が高いものと考えられる。つまり、ｗｅｂサイトの内容自体に偏りがなくとも、その他の情報と組み合わせることで、オーディエンスの属性情報の偏りを特定することが可能になる。

属性マスタテーブル５１５は、属性ＩＤフィールドと、属性情報フィールドを有する。
属性ＩＤフィールドには、属性情報を一意に識別する属性ＩＤが格納される。
属性情報フィールドには、オーディエンスの属性に関する情報が格納される。例えば、性別、年齢層、居住地、職種、家族構成、趣味趣向等である。
属性マスタテーブル５１５において、属性ＩＤと属性情報は、１対１の対応関係を有する。

属性グループマスタテーブル５１６は、属性グループＩＤフィールドと、属性ＩＤフィールドを有する。
属性グループＩＤフィールドは、属性グループを一意に識別する属性グループＩＤが格納される。
属性ＩＤフィールドは、属性マスタテーブル５１５の同名フィールドと同じである。

一つの属性グループには、複数の属性ＩＤが属する。
例えば、性別という属性グループには、男を示す属性ＩＤ、女を示す属性ＩＤ、性別不明を示す属性ＩＤが属する。
したがって、属性グループマスタテーブル５１６において、一つの属性グループＩＤには複数の属性ＩＤが対応する。すなわち、属性グループＩＤと属性ＩＤは１対多の対応関係を有する。

パターンテーブル５１３は、パターンＩＤフィールドと、属性ＩＤフィールドと、属性計数値フィールドを有する。
パターンＩＤフィールドは、パターンマスタテーブル５１７の同名フィールドと同じである。
属性ＩＤフィールドは、属性マスタテーブル５１５の同名フィールドと同じである。
属性計数値フィールドには、学習処理における当該属性ＩＤのヒット数が格納される。
パターンテーブル５１３において、一つのパターンＩＤには複数の属性ＩＤが対応する。すなわち、パターンＩＤと属性ＩＤは１対多の対応関係を有する。
属性ＩＤと属性計数値は１対１の対応関係を有する。

本実施形態に係る広告配信サーバ１０３は、周知のナイーブベイズアルゴリズムを利用して、既知オーディエンス１０７のアクセス情報と属性情報から、未知オーディエンス１０９の属性情報を推定する。その際、このパターンテーブル５１３はナイーブベイズアルゴリズムの辞書データとして機能する。

ウェイトテーブル５１４は、属性ＩＤフィールドと、ウェイト係数フィールドを有する。
属性ＩＤフィールドは、属性マスタテーブル５１５の同名フィールドと同じである。
ウェイト係数フィールドには、当該属性ＩＤの、パターンテーブル５１３における属性計数値に乗算するウェイト係数が格納される。
ウェイトテーブル５１４において、属性ＩＤと属性情報は、１対１の対応関係を有する。
なお、図６には示していないが、ウェイト行列テーブル５１８は、複数のウェイトテーブル５１４の集合体である。

オーディエンスマスタテーブル５０５は、オーディエンスＩＤフィールドと、属性ＩＤフィールドを有する。
オーディエンスＩＤフィールドには、オーディエンスを一意に識別するオーディエンスＩＤが格納される。
属性ＩＤフィールドは、属性マスタテーブル５１５の同名フィールドと同じである。
オーディエンスマスタテーブル５０５において、一つのオーディエンスＩＤには複数の属性ＩＤが対応する。すなわち、オーディエンスＩＤと属性ＩＤは１対多の対応関係を有する。

オーディエンス行動履歴データ５０４は、オーディエンスＩＤフィールドと、行動履歴データフィールドを有する。
オーディエンスＩＤフィールドは、オーディエンスマスタテーブル５０５の同名フィールドと同じである。
行動履歴データフィールドには、当該オーディエンスがあるＵＲＬのｗｅｂ文書にアクセスした際のアクセス情報、いわゆるアクセスログが格納される。

［パターンテーブル５１３のイメージ］
図７は、パターンテーブル５１３が形成するイメージの一例を示す図である。
前述の様に、パターンとは、オーディエンスが使用する情報端末から得られるアクセス情報の構成要素を部分的に抜粋し、正規化を施した情報である。言い換えれば、パターンとは、所定の正規化を施したアクセス情報の、構成要素の部分集合（サブセット）である。
アクセス情報は、既知オーディエンス１０７が使用する情報端末１０８、及び未知オーディエンス１０９が使用する情報端末１１０の何れからも等しく取得することができる。したがって、あるパターンについて既知オーディエンス１０７の属性情報に偏りが見受けられる場合、同じパターンの未知オーディエンス１０９は同様の属性情報を有する可能性が高い。

図７において、「パターン１」というパターンＩＤ（Ｐ７０１）には「属性１」、「属性２」、「属性３」…という、複数の属性ＩＤが属する。これがパターンテーブル５１３におけるパターンＩＤフィールドと属性ＩＤフィールドの、１対多の関係である。そして、「属性１」、「属性２」、「属性３」のそれぞれに、属性計数値がある。
「パターン１」（Ｐ７０１）の場合、「属性２」の属性計数値（Ｐ７０２）が他の「属性１」「属性３」と比べて大きい値である。一方、「パターン２」（Ｐ７０３）の場合、「属性１」の属性計数値（Ｐ７０４）が他の「属性２」「属性３」と比べて大きい値である。
例えば、「属性１」と「属性２」が性別を示す属性グループＩＤに属しており、「属性１」が男性を表す属性であり、「属性２」が女性を表す属性である場合、「パターン１」（Ｐ７０１）に合致する未知オーディエンス１０９は女性の可能性が高く、「パターン２」（Ｐ７０３）に合致する未知オーディエンス１０９は男性の可能性が高いと推測できる。

ナイーブベイズの場合、基本判定処理部５０８において、属性計数値を自然対数に変換したスコア値を得る。その後、同一の属性グループＩＤに属する属性ＩＤのスコア同士を相対比較することで、ある属性グループＩＤにおける属性ＩＤの偏りを推定する。但し、本発明の実施形態に係る広告配信サーバ１０３における推定処理は、属性計数値に、ウェイトテーブル５１４のウェイト係数を乗算した値について、対数変換を行う。

［動作の流れ］
図８は、広告配信サーバ１０３における、時間軸上における動作の流れを示す概略図である。
先ず、時点Ｔ８０１において、スケジューラ５０９はベース学習処理部５１１を実行する。これによりベース学習処理Ｐ８０２が開始され、ベース学習処理部５１１はパターンテーブル５１３の作成と更新を行う。そして、ベース学習処理部５１１によるベース学習処理Ｐ８０２が終了する時点Ｔ８０３迄は、スケジューラ５０９はウェイト最適化処理部５１２の実行を禁止すると共に、スケジューラ５０９は入出力制御部５０１にベース学習処理部５１１が実行中である旨を通知する。入出力制御部５０１はこの通知を受けて、オーディエンスアクセス情報取得部５０２、広告配信処理部５０６、基本判定処理部５０８、ブースト学習処理部５０７の実行を禁止する。

時点Ｔ８０３においてベース学習処理部５１１がパターンテーブル５１３の作成及び更新処理を終了したら、スケジューラ５０９はウェイト最適化処理部５１２を実行する。これによりウェイト最適化処理Ｐ８０４が開始され、ウェイト最適化部はウェイトテーブル５１４の作成と更新を行う。そして、ベース学習処理部５１１によるベース学習処理Ｐ８０２が終了した時点Ｔ８０３以降は、スケジューラ５０９は入出力制御部５０１にベース学習処理部５１１が実行されていない旨を通知する。入出力制御部５０１はこの通知を受けて、オーディエンスアクセス情報取得部５０２、広告配信処理部５０６、基本判定処理部５０８、ブースト学習処理部５０７の実行を開始する。これにより、ブースト学習処理部５０７によるブースト学習処理Ｐ８０５、基本判定処理部５０８による基本判定処理Ｐ８０６が開始される。

［ベース学習処理部５１１］
図９は、ベース学習処理部５１１の機能ブロック図である。
オーディエンスＩＤを有する既知オーディエンス１０７のアクセス情報である既知オーディエンスアクセス情報９０１は、パターン分解処理部９０２に入力される。
パターン分解処理部９０２は、行動履歴データを分解した内容でパターンマスタテーブル５１７を検索することで、該当するパターンＩＤを複数個、引き出す。
また、パターン分解処理部９０２は、オーディエンスマスタテーブル５０５をオーディエンスＩＤで検索することで、該当する属性ＩＤを複数個、引き出す。
すると、パターンＩＤと属性ＩＤの組よりなるパターンリスト９０３ができる。これはパターンテーブル５１３から属性計数値フィールドを抜いたものと等しい。

パターンリスト９０３は、ベース加算処理部９０４に入力される。
ベース加算処理部９０４は、パターンリスト９０３のレコード（パターンＩＤと属性ＩＤの組）に合致する（検索にヒットする）パターンテーブル５１３のレコードの属性計数値フィールドを１だけインクリメントする。ベース加算処理部９０４の処理は、ナイーブベイズにおける学習処理そのものである。

［基本判定処理部５０８］
図１０は、基本判定処理部５０８の機能ブロック図である。
オーディエンスＩＤのない未知オーディエンス１０９のアクセス情報である未知オーディエンスアクセス情報１００１は、パターン分解処理部９０２に入力される。
パターン分解処理部９０２は、未知オーディエンスアクセス情報１００１を分解した内容でパターンマスタテーブル５１７を検索することで、該当するパターンＩＤを複数個、引き出す。すると、パターンＩＤを複数個有するパターンＩＤリスト１００３ができる。
なお、このパターン分解処理部９０２は、オーディエンスＩＤを有する既知オーディエンスアクセス情報９０１を与えると、オーディエンスＩＤでオーディエンスマスタテーブル５０５を検索することで、パターンリスト９０３を出力するが、オーディエンスＩＤのない未知オーディエンスアクセス情報１００１を与えると、オーディエンスマスタテーブル５０５を検索できないので、パターンＩＤのみのパターンＩＤリスト１００３を出力する。

パターンＩＤリスト１００３は推定処理部１００４に入力される。
推定処理部１００４は、パターンＩＤでパターンテーブル５１３を検索し、ヒットした
レコードの属性ＩＤ毎の属性計数値に、ウェイトテーブル５１４を参照して導き出したウェイト係数を乗算する。そして得られた値を対数変換した後、属性グループマスタテーブル５１６を参照して、同一属性グループ内の他の属性ＩＤの値と相対比較して、１個の属性グループ内における最も合致する可能性が高い属性ＩＤを特定する。
特定した属性ＩＤは複数個出力され、属性ＩＤリスト１００５となる。
この属性ＩＤリスト１００５は広告配信処理部５０６に送信され、未知オーディエンス１０９に対し、最も相応しいｗｅｂ広告が割り当てられる。

［ブースト学習処理部５０７］
図１１は、ブースト学習処理部５０７の機能ブロック図である。
オーディエンスＩＤを有する既知オーディエンス１０７のアクセス情報である既知オーディエンスアクセス情報９０１は、パターン分解処理部９０２に入力される。
パターン分解処理部９０２は、行動履歴データを分解した内容でパターンマスタテーブル５１７を検索することで、該当するパターンＩＤを複数個、引き出す。
また、パターン分解処理部９０２は、オーディエンスマスタテーブル５０５をオーディエンスＩＤで検索することで、該当する属性ＩＤを複数個、引き出す。
すると、パターンＩＤと属性ＩＤの組よりなるパターンリスト９０３ができる。
ここまではベース学習処理部５１１と全く同じである。

パターンリスト９０３のパターンＩＤは、推定処理部１００４に入力される。
推定処理部１００４は、パターンＩＤでパターンテーブル５１３を検索し、ヒットしたレコードの属性ＩＤ毎の属性計数値に、ウェイトテーブル５１４を参照したウェイト係数を乗算する。そして得られた値を対数変換した後、属性グループマスタテーブル５１６を参照して、同一属性グループ内の他の属性ＩＤの値と相対比較して、属性グループ内における最も可能性が高い属性ＩＤを特定する。
ここで、推定処理部１００４が出力する、ある属性グループＩＤにおいて特定した属性ＩＤを、推定属性ＩＤ１１０１と呼ぶ。

一方、パターンリスト９０３にはパターンＩＤに対して属性ＩＤが組となっている。つまり、パターンリスト９０３のレコードはパターンＩＤに対する正解の属性ＩＤで構成されている。
推定処理部１００４が出力する推定属性ＩＤ１１０１と、パターンリスト９０３から得られる正解属性ＩＤ１１０２は、ブースト加算処理部１１０３に入力される。
ブースト加算処理部１１０３は、推定属性ＩＤ１１０１と正解属性ＩＤ１１０２とを比較して、一致しているか否かを判定する。

推定属性ＩＤ１１０１と正解属性ＩＤ１１０２が一致していれば、パターンリスト９０３のレコード（パターンＩＤと属性ＩＤの組）に合致する（検索にヒットする）パターンテーブル５１３のレコードの属性計数値フィールドを、ベース学習処理部５１１の時より大きい加算値でインクリメントする。この加算値とは、例えば３である。
推定属性ＩＤ１１０１と正解属性ＩＤ１１０２が一致していなければ、パターンリスト９０３のレコード（パターンＩＤと属性ＩＤの組）に合致する（検索にヒットする）パターンテーブル５１３のレコードの属性計数値フィールドを、推定属性ＩＤ１１０１と正解属性ＩＤ１１０２が一致している時の加算値よりも更に大きなブースト加算値（例えば「７」等）にて大幅にインクリメントする。
ブースト加算処理部１１０３の処理は、ナイーブベイズにおける学習処理（図９のベース加算処理部９０４の処理）と比べると、インクリメントする値が異なっている。

［ウェイト最適化処理部５１２］
図１２は、ウェイト最適化処理部５１２の機能ブロック図である。
オーディエンスＩＤを有する既知のオーディエンス行動履歴データ５０４は、パターン分解処理部９０２に入力される。
パターン分解処理部９０２は、行動履歴データを分解した内容でパターンマスタテーブル５１７を検索することで、該当するパターンＩＤを複数個、引き出す。
また、パターン分解処理部９０２は、オーディエンスマスタテーブル５０５をオーディエンスＩＤで検索することで、該当する属性ＩＤを複数個、引き出す。
すると、パターンＩＤと属性ＩＤの組よりなるパターンリスト９０３ができる。
ここまではベース学習処理部５１１と全く同じである。

パターンリスト９０３のパターンＩＤは、推定処理部１００４に入力される。
推定処理部１００４は、パターンＩＤでパターンテーブル５１３を検索し、ヒットしたレコードの属性ＩＤ毎の属性計数値に、ウェイトテーブル５１４を参照したウェイト係数を乗算する。そして得られた値を対数変換した後、属性グループマスタテーブル５１６を参照して、同一属性グループ内の他の属性ＩＤの値と相対比較して、属性グループ内における最も可能性が高い属性ＩＤを特定する。

一方、パターンリスト９０３にはパターンＩＤに対して属性ＩＤが組となっている。つまり、パターンリスト９０３のレコードはパターンＩＤに対する正解属性ＩＤ１１０２で構成されている。
ここまではブースト学習処理部５０７と同じである。

推定処理部１００４が出力する推定属性ＩＤ１１０１と、 パターンリスト９０３から得られる正解属性ＩＤ１１０２は、ウェイト行列最適化処理部１２０１に入力される。
ウェイト行列最適化処理部１２０１は、推定属性ＩＤ１１０１と正解属性ＩＤ１１０２とを比較して、一致しているか否かを判定する。
この判定処理を、大量のパターンリスト９０３において繰り返して、ウェイトテーブル５１４の正解率を算出する。

更に、ウェイトテーブル５１４の要素の値を変化させて上記の演算処理を繰り返して、ウェイト行列テーブル５１８に含まれる、異なるウェイトテーブル５１４における正解率を得る。
ウェイト行列最適化処理部１２０１は最終的に、最も正解率が高い最適なウェイトテーブル５１４を特定する。

ウェイト行列最適化処理部１２０１における、最も正解率が高いウェイトテーブル５１４を特定する処理には、膨大な計算量が必要になる。この計算処理を低減するため、周知の主成分分析等の次元圧縮処理を応用して、ウェイトテーブル５１４を特定する計算処理の低減を図っている。

本システムの特徴は、大きく二つある。
一つ目の特徴は、ＵＲＬ、時刻、デバイス等から得られる情報は僅かであるが、そこに高度な統計処理を行うことで、僅かな手がかりからでも高精度な予測が可能な点である。
二つ目の特徴は、学習や判定に使う情報を、ＵＲＬ、時刻、デバイス等の言語に依存しない情報に絞ることで、あらゆる国や、地域、言語で、オーディエンスの属性情報の推定が可能な点である。

出願人が運用している広告配信システムは、オーディエンスＩＤを有する既知オーディエンス１０７の属性情報が記憶されているオーディエンスマスタテーブル５０５を有している。このオーディエンスマスタテーブル５０５は、オーディエンスの属性情報が確定しているデータである。
そこで、本発明に係る広告配信サーバ１０３は、既知オーディエンス１０７のアクセス情報を機械学習に関するアルゴリズムにおける教師データとして利用することで、未知オーディエンス１０９のアクセス情報から未知オーディエンス１０９の属性情報を推定する。

しかしながら、インターネット上の情報やトレンドは極めて早く変動する。多くの大衆の興味を惹き付ける何らかの新しい情報が出現すると、途端に当該情報が掲載されているｗｅｂサイトやｗｅｂページにアクセスが集中し、ＳＮＳ（Social Networking Service）サイト等で当該情報に関する投稿が急増する。すると、学習に要する時間が長く、また学習に必要な教師データを大量に要するような機械学習に関するアルゴリズムでは、リアルタイムに変動するインターネットのトレンドに追従することが困難である。
発明者らは、当初、ナイーブベイズのみで広告配信システムを試作してみたところ、未知オーディエンス１０９の属性情報に対する実用的な判定率を得ることができなかった。

そこで発明者らは、システム運用中における学習処理に工夫を施すことを試みた。
先ず、システム運用中における学習処理を、通常のナイーブベイズアルゴリズムにおける学習処理よりも、属性計数値のインクリメント処理における加算値を増大させた。更に、誤った推定結果を得た場合には、属性計数値のインクリメント処理における加算値を更に増大させる、ブースト加算値を設定した。これが図１１にて説明した、ブースト学習処理部５０７におけるブースト学習処理である。

更に、ナイーブベイズの推定処理にも工夫を加えた。通常であれば、属性計数値に対数変換を行って、相対比較を行うが、本発明の実施形態に係る広告配信サーバ１０３は、判定処理の際に、属性計数値にウェイト係数を乗算してから対数変換する処理を行う。このウェイト係数は膨大な計算処理によって最も正解率が高いウェイトテーブル５１４で構成される。これが図１２にて説明した、ウェイト最適化処理部５１２におけるウェイト最適化処理である。

以上説明した実施形態には、以下に記す変形例が可能である。
（１）ウェイトテーブル５１４は、ＵＲＬのホスト名（ＦＱＤＮ）毎に異なるウェイトテーブル５１４を使用すると、未知オーディエンス１０９の属性情報の推定精度を向上させることが可能になる。
図１３は、ウェイトテーブル５１４の変形例のフィールド構成を示す図である。
ウェイトテーブル１３０１は、属性ＩＤフィールドと、パターンＩＤフィールドと、パターン要素番号フィールドと、ウェイト係数フィールドを有する。
属性ＩＤフィールドは、属性マスタテーブル５１５の同名フィールドと同じである。
パターンＩＤフィールド及びパターン要素番号フィールドは、パターンマスタテーブル５１７の同名フィールドと同じである。

ウェイト係数フィールドには、当該属性ＩＤの属性計数値に乗算するウェイト係数が格納される。
但し、パターンＩＤとパターン要素番号で特定される、ＵＲＬのホスト名に合致する場合においてのみ、このウェイト係数が適用される。
ウェイトテーブル１３０１において、属性ＩＤ、パターンＩＤ及びパターン要素番号の組と属性情報は、１対１の対応関係を有する。
このウェイトテーブル１３０１は、図１２のウェイト最適化処理において、パターンＩＤ及びパターン要素番号で特定されるＵＲＬのホスト名においてのみ実行される。

（２）図１１にて説明したブースト学習処理、すなわち、正解の場合は通常の学習処理よりインクリメント数を増加させた加算値を与え、不正解の場合は加算値から更にインクリメント数を増加させたブースト加算値を与える、という技術思想は、ナイーブベイズ以外の、他の機械学習に関するアルゴリズムにも適用可能である。すなわち、正解ならＡ回学習させ、不正解ならＢ回学習させる。このとき、ＡとＢは自然数であり、かつ、１＜Ａ＜Ｂである。

（３）上記の実施形態では、情報端末はｗｅｂブラウザを実行するものと仮定して説明したが、広告を表示可能なソフトウェアであれば、必ずしもｗｅｂブラウザでなくてもよい。例えば、近年普及しているスマートフォンのアプリケーションプログラムには、広告を表示するものが多く存在する。特に、インターネットオークション等のアプリケーションプログラムは、オーディエンスの行動履歴に偏りを見出すことが可能である。このような、ｗｅｂブラウザでないソフトウェアであっても、広告配信サーバ１０３は対応が可能である。

本実施形態では、広告配信システム１０１を開示した。
広告配信サーバ１０３は、既知オーディエンス１０７のアクセス情報を所定のパターンに分解してから、ナイーブベイズアルゴリズムを用いた学習処理を行う。そして、未知オーディエンス１０９のアクセス情報を所定のパターンに分解してから、ナイーブベイズアルゴリズムを用いた推定処理を行う。
更に広告配信サーバ１０３は、推定処理の精度を向上させるため、通常運用時における学習処理において、正解の場合は通常の学習処理よりインクリメント数を増加させた加算値を与え、不正解の場合は加算値から更にインクリメント数を増加させたブースト加算値を与える、というブースト学習処理を実行する。
更に広告配信サーバ１０３は、推定処理の精度を向上させるため、判定処理の際に、属性計数値にウェイト係数を乗算してから対数変換する処理を行う。このウェイト係数は膨大な計算処理によって最も正解率が高いウェイトテーブル５１４で構成される。

以上、本発明の実施形態について説明したが、本発明は上記実施形態に限定されるものではなく、特許請求の範囲に記載した本発明の要旨を逸脱しない限りにおいて、他の変形例、応用例を含む。

１０１…広告配信システム、１０２…インターネット、１０３…広告配信サーバ、１０４…広告主サイト、１０５…ポータルサイト、１０６…広告主クライアント、１０６ａ…第一広告主、１０６ｂ…第二広告主、１０７…既知オーディエンス、１０８…情報端末、１０８ａ…ノートパソコン、１０８ｂ…スマートフォン、１０９…未知オーディエンス、１１０…情報端末、１１０ａ…デスクトップパソコン、１１０ｂ…スマートフォン、３０１…ＣＰＵ、３０２…ＲＯＭ、３０３…ＲＡＭ、３０４…不揮発性ストレージ、３０５…表示部、３０６…操作部、３０７…バス、３０８…ＮＩＣ、３０９…入出力制御部、３１０…Ｃｏｏｋｉｅ、４０１…ｗｅｂサーバ、４０２…ＣＰＵ、４０３…ＲＯＭ、４０４…ＲＡＭ、４０５…不揮発性ストレージ、４０６…ＮＩＣ、４０７…バス、４０８…ＲＴＣ、４０９…入出力制御部、４１０…静的コンテンツ、４１１…動的コンテンツ生成処理部、４１２…データベース、５０１…入出力制御部、５０２…オーディエンスアクセス情報取得部、５０３…広告配信データベース、５０４…オーディエンス行動履歴データ、５０５…オーディエンスマスタテーブル、５０６…広告配信処理部、５０７…ブースト学習処理部、５０８…基本判定処理部、５０９…スケジューラ、５１０…クラスタ作成処理部、５１１…ベース学習処理部、５１２…ウェイト最適化処理部、５１３…パターンテーブル、５１４…ウェイトテーブル、５１５…属性マスタテーブル、５１６…属性グループマスタテーブル、５１７…パターンマスタテーブル、５１８…ウェイト行列テーブル、９０１…既知オーディエンスアクセス情報、９０２…パターン分解処理部、９０３…パターンリスト、９０４…ベース加算処理部、１００１…未知オーディエンスアクセス情報、１００３…パターンＩＤリスト、１００４…推定処理部、１００５…属性ＩＤリスト、１１０３…ブースト加算処理部、１２０１…ウェイト行列最適化処理部、１３０１…ウェイトテーブル、１１０１…推定属性ＩＤ、１１０２…正解属性ＩＤ

Claims (6)

1. アクセス先のホスト及びアクセス日時の時間帯を含むパターン要素群の組み合わせを示す所定のパターンを複数記憶するパターンマスタテーブルと、
   オーディエンスを一意に識別するオーディエンスＩＤを有する既知オーディエンスの情報端末によるサーバへの１回のアクセスを示すアクセス情報であって少なくともアクセス先のＵＲＬ及びアクセス日時を含む既知オーディエンスアクセス情報を分解して前記パターン要素群に変換し、変換された前記パターン要素群と合致するパターンを前記所定のパターンのうちから取得し、取得したパターンと前記既知オーディエンスの特徴を表す属性情報とを用いて、パターンと属性情報との対応関係を計数する学習処理を行うベース学習処理部と、
   前記オーディエンスＩＤで特定できない未知オーディエンスの情報端末によるサーバへの１回のアクセスを示すアクセス情報であって少なくともアクセス先のＵＲＬ及びアクセス日時を含む未知オーディエンスアクセス情報を分解して前記パターン要素群に変換し、変換された前記パターン要素群と合致するパターンを前記所定のパターンのうちから取得し、取得したパターンと対応関係のある属性情報を前記学習処理の係数の結果に応じて取得することで、前記未知オーディエンスの属性情報を推定する基本判定処理部と、
   前記未知オーディエンスに対し、前記推定された属性情報に合致する広告を選択して配信する広告配信処理部と
   を具備する広告配信システム。
2. 更に、
   前記パターンを一意に識別するパターンＩＤが格納されるパターンＩＤフィールドと、前記属性情報を一意に識別する属性ＩＤが格納される属性ＩＤフィールドと、学習処理における当該属性ＩＤのヒット数が格納される属性計数値フィールドとを有するパターンテーブルと
   を備え、
   前記ベース学習処理部は、
   前記オーディエンスＩＤを含む前記既知オーディエンスアクセス情報が入力される時には前記既知オーディエンスアクセス情報を所定のパターンに再構築して前記パターンＩＤを得ると共に、前記オーディエンスＩＤに合致する属性ＩＤを得て、前記パターンＩＤと前記属性ＩＤの組よりなるパターンリストを出力するパターン分解処理部と、
   前記パターンリストに基づいて、前記パターンテーブルの前記属性計数値フィールドの値をインクリメントするベース加算処理部と
   を具備し、
   前記基本判定処理部は、
   前記オーディエンスＩＤを含まない前記未知オーディエンスアクセス情報が入力される時には前記未知オーディエンスアクセス情報を所定のパターンに再構築して前記パターンＩＤを得て、前記パターンＩＤを複数有するパターンＩＤリストを出力する前記パターン分解処理部と、
   前記パターン分解処理部が出力する前記パターンＩＤリストから得られる前記パターンＩＤに基づいて前記パターンテーブルを検索して、前記ヒット数に基づいて最も合致する可能性が高い属性ＩＤの集合体である属性ＩＤリストを出力する推定処理部と
   を具備する、請求項１に記載の広告配信システム。
3. 更にブースト学習処理部を具備し、
   前記ブースト学習処理部は、前記パターン分解処理部と、前記推定処理部とを含み、
   前記パターンリストから得られる前記パターンＩＤを前記推定処理部に入力して推定属性ＩＤを得て、前記パターンリストの前記パターンＩＤと組になっている正解属性ＩＤと前記推定属性ＩＤと一致しているか否かを判定し、一致していれば、前記パターンテーブルの前記属性計数値フィールドの値を１より大きい所定の加算数でインクリメントし、一致していなければ、前記パターンテーブルの前記属性計数値フィールドの値を前記加算数より更に大きい所定のブースト加算数でインクリメントする、ブースト加算処理部と
   を具備する、請求項２に記載の広告配信システム。
4. 更に、
   前記属性ＩＤフィールドと、前記パターンテーブルにおける前記属性ＩＤに属する前記属性計数値フィールドの値に乗算するウェイト係数が格納されるウェイト係数フィールドとを有するウェイトテーブルと
   を具備し、
   前記推定処理部は、前記パターン分解処理部が出力する前記パターンＩＤリストから得られる前記パターンＩＤに基づいて前記パターンテーブルを検索して、得られた属性ＩＤに対応する属性計数値に前記ウェイトテーブルのウェイト係数を乗算した後、対数変換を行い、単一の属性グループに属する複数の前記属性ＩＤ同士で前記対数変換を行った値の相対比較を行う、
   請求項３に記載の広告配信システム。
5. 更にウェイト最適化処理部を具備し、
   前記ウェイト最適化処理部は、前記パターン分解処理部と、前記推定処理部とを含み、 前記パターンリストから得られる前記パターンＩＤを前記推定処理部に入力して推定属性ＩＤを得て、前記パターンリストの前記パターンＩＤと組になっている正解属性ＩＤと前記推定属性ＩＤと一致しているか否かを判定し、複数の前記ウェイトテーブルにおける正解属性ＩＤと前記推定属性ＩＤの正解率を算出して、最も正解率が高いウェイトテーブルを特定するウェイト行列最適化処理部と
   を具備する、請求項４に記載の広告配信システム。
6. 前記ウェイトテーブルは更に、前記パターンＩＤフィールドと、前記パターンＩＤに属する要素を一意に識別する番号であるパターン要素番号が格納されるパターン要素番号フィールドとを有し、
   前記推定処理部は、前記パターン分解処理部が出力する前記パターンＩＤリストから得られる前記パターンＩＤに基づいて前記パターンテーブルを検索して得られた前記属性ＩＤ、前記パターンＩＤ及び前記アクセス情報におけるＵＲＬのホスト名を指し示す前記パターン要素番号の組に対応する属性計数値に前記ウェイトテーブルのウェイト係数を乗算した後、対数変換を行い、単一の属性グループに属する複数の前記属性ＩＤ同士で前記対数変換を行った値の相対比較を行う、
   請求項５に記載の広告配信システム。

Images