JP6584486B2 - 予測装置、予測方法、及び予測プログラム - Google Patents

Description

本発明は、予測装置、予測方法、及び予測プログラムに関する。

近年、インターネットの飛躍的な普及に伴い、例えば、ＥＣ（Electronic Commerce）サイトにおいて商品またはサービスを販売したり、広告を配信したりする技術が提供されている。また、広告主から入稿された各広告コンテンツに基づいて、各広告コンテンツに関する傾向を解析する技術が知られている。このような技術により、広告コンテンツ等の情報からトレンドを予測する。

特開２０１４−１７４８３５号公報 特開２０１２−１４１６８２号公報

しかしながら、上記の従来技術では、取引対象に関する適切な予測を行うことができるとは限らない。例えば、広告コンテンツの対象は広告主が販売促進や認知度向上等を所望する対象であり、広告コンテンツに基づいて予測する場合、取引対象のトレンドが適切に反映されるとは言い難い。そのため、広告コンテンツに基づいて予測する場合、取引対象に関する情報を適切に予測することが難しい場合がある。

本願は、上記に鑑みてなされたものであって、取引対象に関する情報を適切に予測する予測装置、予測方法、及び予測プログラムを提供することを目的とする。

本願に係る予測装置は、所定の電子商取引サービスにおいて出品者が出品する取引対象に関する出品情報を取得する取得部と、前記取得部により取得された出品情報に基づいて、前記出品者による出品時点よりも後における前記取引対象に関するトレンド情報を予測する予測部と、を備えることを特徴とする。

実施形態の一態様によれば、取引対象に関する情報を適切に予測することができるという効果を奏する。

図１は、実施形態に係る予測処理の一例を示す図である。 図２は、実施形態に係る予測システムの構成例を示す図である。 図３は、実施形態に係る予測装置の構成例を示す図である。 図４は、実施形態に係る出品情報記憶部の一例を示す図である。 図５は、実施形態に係る出品者情報記憶部の一例を示す図である。 図６は、実施形態に係るユーザ情報記憶部の一例を示す図である。 図７は、実施形態に係る行動情報記憶部の一例を示す図である。 図８は、実施形態に係る抽出情報記憶部の一例を示す図である。 図９は、実施形態に係るトレンド情報記憶部の一例を示す図である。 図１０は、実施形態に係る予測処理の一例を示すフローチャートである。 図１１は、実施形態に係る情報抽出の一例を示す図である。 図１２は、実施形態に係る予測に基づくコンテンツ生成の一例を示す図である。 図１３は、予測装置の機能を実現するコンピュータの一例を示すハードウェア構成図である。

以下に、本願に係る予測装置、予測方法、及び予測プログラムを実施するための形態（以下、「実施形態」と呼ぶ）について図面を参照しつつ詳細に説明する。なお、この実施形態により本願に係る予測装置、予測方法、及び予測プログラムが限定されるものではない。また、以下の各実施形態において同一の部位には同一の符号を付し、重複する説明は省略される。

（実施形態）
〔１．予測処理〕
図１を用いて、実施形態に係る予測処理の一例について説明する。図１は、実施形態に係る予測処理の一例を示す図である。具体的には、図１は、予測装置１００が出品者が出品する取引対象に関する出品情報に基づいて、取引対象に関するトレンド情報（以下、「トレンド」ともいう）を予測する一例を示す図である。なお、ここでいう取引対象とは、取引の対象となるものであれば種々のものが含まれてもよく、出品者が出品する商品やサービス（役務）等の種々の対象を含むものとする。

〔予測システムの構成〕
まず、図１及び図２に示す予測システム１について説明する。図２に示すように、予測システム１は、ユーザ端末１０と、出品者端末２０と、予測装置１００とが含まれる。ユーザ端末１０と、出品者端末２０と、予測装置１００とは所定のネットワークＮを介して、有線または無線により通信可能に接続される。図２は、実施形態に係る予測システムの構成例を示す図である。なお、図２に示した予測システム１には、複数台のユーザ端末１０や、複数台の出品者端末２０や複数台の予測装置１００が含まれてもよい。

ユーザ端末１０は、ユーザによって利用される情報処理装置である。ユーザ端末１０は、例えば、スマートフォンや、タブレット型端末や、ノート型ＰＣ（Personal Computer）や、デスクトップＰＣや、携帯電話機や、ＰＤＡ（Personal Digital Assistant）等により実現される。図１に示す例においては、ユーザ端末１０がユーザが利用するスマートフォンである場合を示す。なお、以下では、ユーザ端末１０をユーザと表記する場合がある。すなわち、以下では、ユーザをユーザ端末１０と読み替えることもできる。

また、図１に示す例においては、ユーザ端末１０を利用するユーザに応じて、ユーザ端末１０をユーザ端末１０−１やユーザ端末１０−５として説明する。例えば、ユーザ端末１０−１は、ユーザＩＤ「Ｕ１」により識別されるユーザ（ユーザＵ１）により使用されるユーザ端末１０である。また、例えば、ユーザ端末１０−５は、ユーザＩＤ「Ｕ５」により識別される（ユーザＵ５）により使用されるユーザ端末１０である。また、以下では、ユーザ端末１０−１やユーザ端末１０−５等について、特に区別なく説明する場合には、ユーザ端末１０と記載する。

予測装置１００は、所定の電子商取引サービスにおいて出品者が出品する取引対象に関する出品情報に基づいて、出品者による出品時点よりも後における取引対象に関するトレンド情報を予測する情報処理装置である。また、予測装置１００は、ユーザの行動情報に基づいて、取引対象に関するトレンドを予測する。また、予測装置１００は、取引対象に対応する要素の種類のうち、いずれの種類が流行するかを示すトレンド情報を予測する。図１の例では、予測装置１００は、取引対象に対応する要素のうち、要素「色」及び「キーワード」の２つの要素について、いずれの種類が流行するかを示すトレンド情報を予測する。具体的には、予測装置１００は、取引対象に対応する要素「色」の種類のうち、いずれの種類が流行するかを示すトレンド情報を予測する。すなわち、予測装置１００は、取引対象に対応する要素「色」に対応する赤、青、黄色、緑、紫等の複数の種類のうち、いずれの種類が流行するかを示すトレンド情報を予測する。また、予測装置１００は、取引対象に対応する要素「キーワード」の種類のうち、いずれの種類が流行するかを示すトレンド情報を予測する。すなわち、予測装置１００は、取引対象に対応する要素「キーワード」に対応する「ふわふわ」、「さらさら」、「タイト」、「大人」等の複数の種類のうち、いずれの種類が流行するかを示すトレンド情報を予測する。なお、要素については、「色」及び「キーワード」に限らず、取引対象に対応する要素であればどのような要素であってもよく、例えば、「サイズ」や「スタイル」等の種々の要素であってもよい。

また、予測装置１００は、予測したトレンドに関する情報（トレンド情報）を外部の情報処理装置へ提供する。図１の例では、予測装置１００は、予測したトレンド情報を出品者端末２０へ送信する。

図１の例では、予測装置１００は、所定の電子商取引（Electronic Commerce）サービス（以下、「ＥＣサービス」ともいう）を提供する。例えば、予測装置１００は、ＥＣサービスにおいて取引対象を販売するストアからの出品を受け付ける。例えば、予測装置１００は、出品者から画像情報（以下、単に「画像」ともいう）や文字情報を含む出品情報を受け付ける。例えば、予測装置１００は、ストアから取引対象を示す画像や説明文等の文字情報を含むコンテンツを受け付ける。また、予測装置１００は、ユーザのユーザ端末１０へ取引対象に関する種々の情報を提供する。例えば、予測装置１００は、取引対象を示すコンテンツを配信する。例えば、予測装置１００は、ユーザ端末１０にインストールされたＥＣサービスのアプリケーションに表示するコンテンツをユーザ端末１０へ配信する。例えば、予測装置１００は、ユーザ端末１０からの要求に対応する取引対象のコンテンツをユーザ端末１０へ配信する。

また、予測装置１００は、ユーザ端末１０を利用するユーザがＴｗｉｔｔｅｒ（登録商標）やＦａｃｅｂｏｏｋ（登録商標）等のＳＮＳ（Social Networking Service）において投稿した情報をユーザ端末１０や所定の外部装置から取得する。図１の例では、説明を簡単にするために予測装置１００は、ユーザが所定のＳＮＳへ投稿した情報（投稿情報）をユーザ端末１０から取得する場合を示す。例えば、予測装置１００は、ＳＮＳサービスを提供してもよい。

なお、図１では、予測装置１００が電子商取引サービスを提供する場合を示すが、外部の情報処理装置が電子商取引サービスを提供する場合、予測装置１００は電子商取引サービスを提供しなくてもよい。この場合、予測装置１００は、電子商取引サービスを提供する外部の情報処理装置等から各種情報を取得し、トレンドの予測のみを行ってもよい。また、予測装置１００は、ＳＮＳサービスを提供する外部の情報処理装置や検索サービスを提供する外部の情報処理装置等の種々の外部の情報処理装置からユーザの行動情報を取得してもよい。例えば、予測装置１００は、ＳＮＳサービスを提供する外部の情報処理装置からユーザの投稿情報を取得してもよい。例えば、予測装置１００は、検索サービスを提供する外部の情報処理装置からユーザが検索に用いたクエリに関する情報を取得してもよい。

出品者端末２０は、出品者であるストアの管理者によって利用される情報処理装置である。出品者端末２０は、例えば、スマートフォンや、タブレット型端末や、ノート型ＰＣや、デスクトップＰＣや、携帯電話機や、ＰＤＡ等により実現される。図１に示す例においては、出品者端末２０がユーザが利用するノートＰＣである場合を示す。なお、以下では、出品者端末２０をストアと表記する場合がある。すなわち、以下では、ストアを出品者端末２０と読み替えることもできる。

また、図１に示す例においては、出品者端末２０を利用するストアに応じて、出品者端末２０を出品者端末２０−１〜２０−３として説明する。例えば、出品者端末２０−１は、ストアＩＤ「ＳＴ１」により識別されるストア（ストアＳＴ１）により使用される出品者端末２０である。例えば、出品者端末２０−１は、ストアＳＴ１の管理者Ｍ１により利用される。例えば、出品者端末２０−２は、ストアＩＤ「ＳＴ２」により識別されるストア（ストアＳＴ２）により使用される出品者端末２０である。例えば、出品者端末２０−２は、ストアＳＴ２の管理者Ｍ２により利用される。例えば、出品者端末２０−３は、ストアＩＤ「ＳＴ３」により識別されるストア（ストアＳＴ３）により使用される出品者端末２０である。例えば、出品者端末２０−３は、ストアＳＴ３の管理者Ｍ３により利用される。また、以下では、出品者端末２０−１〜２０−３等について、特に区別なく説明する場合には、出品者端末２０と記載する。

例えば、各ストアの管理者は、出品者端末２０を用いて、電子商取引サービスにおいて販売する商品やサービス等の取引対象に関する情報（出品情報）を予測装置１００に送信することにより、ＥＣサービスへの出品を行う。出品者端末２０は、予測装置１００に出品情報を送信することにより、所望の取引対象をＥＣサービスでの出品物として登録する。

また、図１の例に示す各日時「ｄｔ＊」中の「ｄｔ」に続く「＊（＊は任意の数値）」は、対応する行動等が行われた日時を示し、日時「ｄｔ＊」は、「＊」の値が大きい程、日付が新しいものとする。例えば、日時「ｄｔ１２」は、日時「ｄｔ１１」に比べて、「ｄｔ」に続く数値が大きいため、日付がより新しいことを示す。図１に示す例では、日時「ｄｔ１２」においてユーザＵ１が行った行動は、日時「ｄｔ１１」においてユーザＵ１が行った行動よりも後に行われたことを示す。なお、図１の例では、「日時ｄｔ１１」等のように抽象的に図示するが、「日時ｄｔ１１」は、「２０１７年１２月２３日２３時４１分３２秒」等の具体的な日時が対応するものとする。

図１の例では、予測装置１００は、日時ｄｔ１から日時ｄｔ５１までの期間（例えば１ヶ月等の期間）における情報に基づいて、トレンドを予測する場合を示す。なお、情報を収集する期間は１ヶ月に限らず、２週間や３ヶ月等の種々の期間であってもよい。また、図１の例では、予測装置１００は、女性向けのファッションのカテゴリにおけるトレンドを予測する場合を示す。例えば、予測装置１００は、カテゴリ「ファッション（レディース）」の出品やユーザ属性「女性」に属するユーザの行動情報に基づいて、女性向けのファッションのカテゴリにおいて、予測時点よりも後に流行するトレンドに関する情報（トレンド情報）を予測する。

まず、予測装置１００は、ストアＳＴ１が利用する出品者端末２０−１から出品情報を取得する（ステップＳ１１−１）。図１の例では、予測装置１００は、日時ｄｔ１において、出品者端末２０−１からニットＸをＥＣサイトへ出品することを要求する情報を取得する。予測装置１００は、図１中の出品情報記憶部１２１に示すような出品ＩＤ「ＥＸ１」により識別される出品に対応する出品情報（以下、「出品物ＥＸ１の出品情報」ともいう）を取得する。

例えば、出品物ＥＸ１の出品情報には、ストアＳＴ１が日時ｄｔ１に出品したことを示す情報が含まれる。また、例えば、出品物ＥＸ１の出品情報には、商品「ニットＸ」であり、価格が「３０００」（円）であることを示す情報が含まれる。また、例えば、出品物ＥＸ１の出品情報には、出品物ＥＸ１のカテゴリは、「ファッション（レディース）」であることを示す情報が含まれる。また、出品物ＥＸ１の出品情報には、出品物ＥＸ１（ニットＸ）のコンテンツＣＴ１１やコンテンツＣＴ１２が含まれることを示す。例えば、コンテンツＣＴ１１は、出品物ＥＸ１の商品紹介ページであり、コンテンツＣＴ１２は、コンテンツＣＴ１１のリンク先である。また、出品物ＥＸ１のコンテンツＣＴ１１には、画像情報ＩＭ１１や文字情報ＴＸＴ１１等が含まれる。例えば、コンテンツＣＴ１１の画像情報ＩＭ１１は、女性用のニットＸの商品画面（図１１参照）の画像である。また、例えば、コンテンツＣＴ１１の文字情報ＴＸＴ１１は、例えば、「シャギーニット…ふわふわ…」等の説明文を含む、女性用のニットＸの文字情報である。

また、出品物ＥＸ１のコンテンツＣＴ１２には、文字情報ＴＸＴ１２等が含まれる。この場合、コンテンツＣＴ１２には、画像が含まれないことを示す。例えば、コンテンツＣＴ１２の文字情報ＴＸＴ１２は、例えば、「レディースニット…ふわふわ…」等の説明文を含む、女性用のニットＸの文字情報である。

また、予測装置１００は、ストアＳＴ２が利用する出品者端末２０−２から出品情報を取得する（ステップＳ１１−２）。図１の例では、予測装置１００は、日時ｄｔ２において、出品者端末２０−２からスカートＹをＥＣサイトへ出品することを要求する情報を取得する。予測装置１００は、図１中の出品情報記憶部１２１に示すような出品ＩＤ「ＥＸ２」により識別される出品に対応する出品情報（以下、「出品物ＥＸ２の出品情報」ともいう）を取得する。

例えば、出品物ＥＸ２の出品情報には、ストアＳＴ２が日時ｄｔ２に出品したことを示す情報が含まれる。また、例えば、出品物ＥＸ２の出品情報には、商品「スカートＹ」であり、価格が「４０００」（円）であることを示す情報が含まれる。また、例えば、出品物ＥＸ２の出品情報には、出品物ＥＸ２のカテゴリは、「ファッション（レディース）」であることを示す情報が含まれる。また、出品物ＥＸ２の出品情報には、出品物ＥＸ２（スカートＹ）のコンテンツＣＴ２１が含まれることを示す。例えば、コンテンツＣＴ２１は、出品物ＥＸ２の商品紹介ページである。また、出品物ＥＸ２のコンテンツＣＴ２１には、画像情報ＩＭ２１や文字情報ＴＸＴ２１等が含まれる。例えば、コンテンツＣＴ２１の画像情報ＩＭ２１は、女性用のスカートＹの商品画面の画像である。また、例えば、コンテンツＣＴ２１の文字情報ＴＸＴ２１は、例えば、「５０００円をセール…さらさら…」等の説明文を含む、女性用のスカートＹの文字情報である。

また、予測装置１００は、ストアＳＴ３が利用する出品者端末２０−３から出品情報を取得する（ステップＳ１１−３）。図１の例では、予測装置１００は、日時ｄｔ３において、出品者端末２０−３からコートＺをＥＣサイトへ出品することを要求する情報を取得する。予測装置１００は、図１中の出品情報記憶部１２１に示すような出品ＩＤ「ＥＸ３」により識別される出品に対応する出品情報（以下、「出品物ＥＸ３の出品情報」ともいう）を取得する。

例えば、出品物ＥＸ３の出品情報には、ストアＳＴ３が日時ｄｔ３に出品したことを示す情報が含まれる。また、例えば、出品物ＥＸ３の出品情報には、商品「コートＺ」であり、価格が「１００００」（円）であることを示す情報が含まれる。また、例えば、出品物ＥＸ３の出品情報には、出品物ＥＸ３のカテゴリは、「ファッション（レディース）」であることを示す情報が含まれる。また、出品物ＥＸ３の出品情報には、出品物ＥＸ３（コートＺ）のコンテンツＣＴ３１が含まれることを示す。例えば、コンテンツＣＴ３１は、出品物ＥＸ３の商品紹介ページである。また、出品物ＥＸ３のコンテンツＣＴ３１には、画像情報ＩＭ３１や文字情報ＴＸＴ３１等が含まれる。例えば、コンテンツＣＴ３１の画像情報ＩＭ３１は、女性用のコートＺの商品画面の画像である。また、例えば、コンテンツＣＴ３１の文字情報ＴＸＴ３１は、例えば、「最新の…ふわふわ…」等の説明文を含む、女性用のコートＺの文字情報である。

以下、ステップＳ１１−１〜Ｓ１１−３を区別せずに説明する場合、ステップＳ１１と総称する。また、ステップＳ１１−１〜Ｓ１１−３に限らず、ストアによる出品は、複数回行われてもよい。なお、図１では、３つのストアＳＴ１〜ＳＴ３を図示するが、予測装置１００は、ストアＳＴ１〜ＳＴ３に限らず、ＥＣサイトを利用する多数のストア（例えば、１万ストアや１０万ストア等）のＥＣサイトへの出品に関する出品情報を取得する。

そして、予測装置１００は、出品者端末２０から取得した出品情報を登録する（ステップＳ１２）。例えば、予測装置１００は、ステップＳ１１−１において出品者端末２０−１から取得したニットＸの出品情報をストアＳＴ１の出品物として登録する。図１の例では、予測装置１００は、出品者端末２０−１から取得したニットＸの出品情報をストアＳＴ１に対応付けて出品情報記憶部１２１に記憶する。

例えば、予測装置１００は、ステップＳ１１−２において出品者端末２０−２から取得したスカートＹの出品情報をストアＳＴ２の出品物として登録する。図１の例では、予測装置１００は、出品者端末２０−２から取得したスカートＹの出品情報をストアＳＴ２に対応付けて出品情報記憶部１２１に記憶する。また、例えば、予測装置１００は、ステップＳ１１−３において出品者端末２０−３から取得したコートＺの出品情報をストアＳＴ３の出品物として登録する。図１の例では、予測装置１００は、出品者端末２０−３から取得したコートＺの出品情報をストアＳＴ３に対応付けて出品情報記憶部１２１に記憶する。なお、図１の例では、説明のためにステップＳ１２を１回の処理として図示するが、ステップＳ１２の処理は、各ステップＳ１１が行われる毎に複数回行われてもよい。

また、予測装置１００は、ユーザＵ１が利用するユーザ端末１０−１へコンテンツを配信する（ステップＳ１３）。図１の例では、予測装置１００は、ユーザ端末１０−１からのＥＣサイトの取引対象の情報の要求に応じて、コンテンツを提供する。例えば、予測装置１００は、ユーザ端末１０−１からカテゴリ「ファッション（レディース）」を指定する情報を取得し、ＥＣサイトに出品されたカテゴリ「ファッション（レディース）」の出品物に関するコンテンツを提供する。この場合、測装置１００は、カテゴリ「ファッション（レディース）」に属する出品物ＥＸ１〜ＥＸ３等のコンテンツを提供する。具体的には、予測装置１００は、出品物ＥＸ１のコンテンツＣＴ１１や出品物ＥＸ２のコンテンツＣＴ２１や出品物ＥＸ３のコンテンツＣＴ３１等をユーザ端末１０−１へコンテンツを配信する。

そして、予測装置１００からコンテンツＣＴ１１〜ＣＴ３１等を受信したユーザ端末１０−１は、コンテンツＣＴ１１〜ＣＴ３１等を表示する。そして、ユーザ端末１０−１を利用するユーザＵ１は、出品物ＥＸ１のコンテンツＣＴ１１を選択する。例えば、ユーザ端末１０−１を利用するユーザＵ１は、画面に表示されたコンテンツＣＴ１１をクリックすることにより、コンテンツＣＴ１１を選択する。これにより、ユーザ端末１０−１は、ユーザＵ１がコンテンツＣＴ１１を選択したことを示す情報を予測装置１００へ送信する（ステップＳ１４）。これにより、予測装置１００は、ユーザＵ１がコンテンツＣＴ１１を選択したことを示す情報を取得し、ユーザＵ１の行動情報を取得する。そして、予測装置１００は、コンテンツＣＴ１１のリンク先であるコンテンツＣＴ１２をユーザ端末１０−１へコンテンツを配信する。

また、ユーザ端末１０−５は、ユーザＵ５が画像ＩＭ５１をＳＮＳ＃１へ投稿したことを示す情報を送信する（ステップＳ１５）。例えば、ユーザ端末１０−５は、色「紫」を主とする画像ＩＭ５１をユーザＵ５がＳＮＳ＃１へ投稿したことを示す情報を送信する。例えば、ユーザ端末１０−５は、ユーザＵ５がＳＮＳ＃１へ投稿した画像ＩＭ５１を送信する。そして、予測装置１００は、ユーザＵ５が画像ＩＭ５１をＳＮＳ＃１へ投稿したことを示す情報を取得し、ユーザＵ５の行動情報を取得する。

そして、予測装置１００は、ユーザ端末１０から取得したユーザの行動情報を収集する（ステップＳ１６）。例えば、予測装置１００は、日時ｄｔ１２においてユーザＵ１がコンテンツＣＴ１１を選択したことを示す行動情報を収集する。図１の例では、予測装置１００は、日時ｄｔ１２においてユーザＵ１がコンテンツＣＴ１１を選択したことを示す行動情報（行動情報ＡＣ１２）をユーザＵ１に対応付けて行動情報記憶部１２４に記憶する。また、例えば、予測装置１００は、日時ｄｔ５１においてユーザＵ５が画像ＩＭ５１をＳＮＳ＃１へ投稿したことを示す行動情報を収集する。図１の例では、予測装置１００は、日時ｄｔ５１においてユーザＵ５が色「紫」を主とする画像ＩＭ５１をＳＮＳ＃１へ投稿したことを示す行動情報（行動情報ＡＣ５１）をユーザＵ５に対応付けて行動情報記憶部１２４に記憶する。なお、図１の例では、説明のためにステップＳ１６を１回の処理として図示するが、ステップＳ１６の処理は、各ステップＳ１３〜Ｓ１５等が行われる毎に複数回行われてもよい。

そして、予測装置１００は、情報を抽出する（ステップＳ１７）。例えば、予測装置１００は、出品情報記憶部１２１や行動情報記憶部１２４に記憶された情報からトレンド予測に用いる情報を抽出する。図１の例では、予測装置１００は、日時ｄｔ１〜ｄｔ５１までの期間（以下「対象期間」ともいう）におけるストアの出品情報やユーザの行動情報からトレンド予測に用いる情報を抽出する。例えば、予測装置１００は、対象期間における女性のファッションに関連するカテゴリの出品情報を抽出する。例えば、予測装置１００は、カテゴリ「ファッション（レディース）」に該当する出品物ＥＸ１〜ＥＸ３等の出品情報を抽出する。例えば、予測装置１００は、ユーザ属性が女性であるユーザＵ１の行動情報ＡＣ１１やユーザＵ５の行動情報ＡＣ５１等を抽出する。

また、予測装置１００は、出品物ＥＸ１〜ＥＸ３等の出品情報やユーザＵ１の行動情報ＡＣ１１やユーザＵ５の行動情報ＡＣ５１等の各抽出情報からトレンド予測に用いる情報を抽出する。例えば、予測装置１００は、出品物ＥＸ１の出品情報から、図１中の抽出情報記憶部１２５に示すような情報（抽出情報）を抽出する。例えば、予測装置１００は、出品物ＥＸ１の出品情報に含まれる画像ＩＭ１１から「トレンド要素♯１(色)」に対応する色に関するトレンド予測に用いる情報を抽出する。例えば、予測装置１００は、紫のニットが主に含まれる画像ＩＭ１１（図１１参照）から、色「紫」をトレンド予測に用いる情報として抽出する。

例えば、予測装置１００は、画像において各色が占める割合（以下、「占有率」ともいう）を抽出し、最も占有率が大きい色をトレンド要素として抽出してもよい。例えば、予測装置１００は、画像処理や画像解析の種々の従来手法等を適宜用いて、画像における各色の占有率を示す情報の抽出を行ってもよい。また、予測装置１００は、画像処理や画像解析の種々の従来手法等を適宜用いて、画像におけるオブジェクト（物体）の認識による情報の抽出を行ってもよい。画像ＩＭ１１の場合、色「紫」の占有率が最も大きいため、予測装置１００は、色「紫」を色に関するトレンド要素として抽出する。なお、上記は一例であり、予測装置１００は、種々の従来技術を適宜用いて、画像からトレンド要素として抽出してもよい。

また、例えば、予測装置１００は、出品物ＥＸ１の出品情報に含まれる文字情報ＴＸＴ１１や文字情報ＴＸＴ１２から「トレンド要素♯２(キーワード)」に対応するキーワードに関するトレンドを抽出する。

例えば、予測装置１００は、文字情報からキーワード（トピック）を抽出する。なお、予測装置１００は、トピック分析（解析）等の種々の従来手法を適宜用いて、文字情報からキーワード（トピック）を抽出してもよい。例えば、予測装置１００は、文字情報を形態素解析等の自然言語処理技術を適宜用いて解析することにより、文字情報から重要なキーワードを抽出してもよい。例えば、予測装置１００は、文字情報ＴＸＴ１１から、「シャギーニット」や「ふわふわ」等のキーワードを抽出する。

図１の例では、予測装置１００は、「ふわふわ」といったキーワードが含まれる文字情報ＴＸＴ１１や文字情報ＴＸＴ１２から、キーワード「ふわふわ」をトレンド予測に用いる情報として抽出する。例えば、予測装置１００は、「ニット」や「スカート」等のカテゴリ「ファッション（レディース）」における一般的な単語（キーワード）をトレンド予測に用いる情報として抽出しない。例えば、予測装置１００は、トレンド予測の対象とするキーワードから除外する単語（キーワード）の一覧情報（以下、「除外一覧」ともいう）を記憶部１２０に記憶し、除外一覧に含まれる単語（キーワード）をトレンド予測に用いる情報として抽出しなくてもよい。例えば、予測装置１００は、トレンド予測の対象とするキーワード（「対象キーワード」ともいう）の抽出後、除外一覧に含まれる単語（キーワード）を対象キーワードから除外してもよい。

例えば、予測装置１００は、カテゴリごとに除外一覧を記憶部１２０に記憶し、トレンドを予測する対象のカテゴリの除外一覧に含まれる単語（キーワード）をトレンド予測に用いる情報として抽出しなくてもよい。また、図１の例では、予測装置１００は、「シャギーニット」がカテゴリ「ファッション（レディース）」に対応する除外一覧に含まれない場合、「ふわふわ」とともに「シャギーニット」もトレンド予測に用いる情報として抽出してもよい。なお、上記は一例であり、予測装置１００は、種々の情報を適宜用いてトレンド予測に用いる情報を抽出してもよい。なお、予測装置１００による情報抽出の詳細については、図１１を用いて後述する。

また、例えば、予測装置１００は、出品物ＥＸ２の出品情報から、図１中の抽出情報記憶部１２５に示すような情報（抽出情報）を抽出する。例えば、予測装置１００は、出品物ＥＸ２の出品情報に含まれる画像ＩＭ１２から「トレンド要素♯１(色)」に対応する色に関するトレンド予測に用いる情報を抽出する。例えば、予測装置１００は、黄色のスカートが主に含まれる画像ＩＭ２１から、色「黄色」をトレンド予測に用いる情報として抽出する。

また、例えば、予測装置１００は、出品物ＥＸ２の出品情報に含まれる文字情報ＴＸＴ２１から「トレンド要素♯２(キーワード)」に対応するキーワードに関するトレンドを抽出する。図１の例では、予測装置１００は、文字情報ＴＸＴ２１から、「さらさら」等のキーワードを抽出する。

例えば、予測装置１００は、ユーザＵ１が選択したコンテンツＣＴ１１から、図１中の抽出情報記憶部１２５に示すような情報（抽出情報）を抽出する。例えば、予測装置１００は、コンテンツＣＴ１１に含まれる画像ＩＭ１１から「トレンド要素♯１(色)」に対応する色に関するトレンド予測に用いる情報を抽出する。例えば、予測装置１００は、紫のニットが主に含まれる画像ＩＭ１１（図１１参照）から、色「紫」をトレンド予測に用いる情報として抽出する。

また、例えば、予測装置１００は、コンテンツＣＴ１１に含まれる文字情報ＴＸＴ１１から「トレンド要素♯２(キーワード)」に対応するキーワードに関するトレンドを抽出する。図１の例では、予測装置１００は、文字情報ＴＸＴ１１から、「ふわふわ」等のキーワードを抽出する。

例えば、予測装置１００は、ユーザＵ５がＳＮＳ＃１に投稿した画像ＩＭ５１から、図１中の抽出情報記憶部１２５に示すような情報（抽出情報）を抽出する。例えば、予測装置１００は、画像ＩＭ５１から「トレンド要素♯１(色)」に対応する色に関するトレンド予測に用いる情報を抽出する。例えば、予測装置１００は、紫色の占有率が高い画像ＩＭ５１から、色「紫」をトレンド予測に用いる情報として抽出する。

そして、予測装置１００は、図１中の抽出情報記憶部１２５に示すような抽出情報に基づいて、トレンドを予測する（ステップＳ１８）。例えば、予測装置１００は、図１中の抽出情報記憶部１２５に示すような抽出情報に基づいて、女性向けファッションに関するトレンドを予測する。例えば、予測装置１００は、日時ｄｔ１〜ｄｔ５１までの対象期間に収集された情報から、対象期間よりも先に流行する女性向けファッションに関するトレンドを予測する。予測装置１００は、図１中のトレンド情報記憶部１２６に示すように、抽出情報に基づいて、日時ｄｔ１〜ｄｔ５１までの対象期間に対応するトレンドを予測する。

例えば、予測装置１００は、「トレンド要素♯１(色)」に該当する各色の数をカウント（計数）し、カウント数が最大の色をトレンドとなる色として予測する。図１の例では、予測装置１００は、抽出ＩＤ「ＳＭ１１」により識別される抽出情報（抽出情報ＳＭ１１）のトレンド要素♯１(色)の「紫」や抽出ＩＤ「ＳＭ１２」により識別される抽出情報（抽出情報ＳＭ１２）のトレンド要素♯１(色)の「黄色」等の数をカウント（計数）する。図１の例では、色「紫」は、抽出情報ＳＭ１１や抽出ＩＤ「ＳＭ１３」により識別される抽出情報（抽出情報ＳＭ１３）や抽出ＩＤ「ＳＭ２１」により識別される抽出情報（抽出情報ＳＭ２１）や抽出ＩＤ「ＳＭ３１」により識別される抽出情報（抽出情報ＳＭ３１）等の多数の抽出情報に含まれ、カウント数が最大の色となる。そのため、予測装置１００は、色「紫」をトレンド要素♯１(色)に対応するトレンドと予測する。すなわち、予測装置１００は、色「紫」を日時ｄｔ１〜ｄｔ５１までの対象期間よりも後にトレンドとなり、流行色となる色と予測する。

なお、予測装置１００は、カウント数を計数する際に、各抽出情報の重みを用いてもよい。例えば、予測装置１００は、抽出情報の重みが大きい程、大きなスコアとしてカウント数を計数してもよい。例えば、予測装置１００は、抽出情報の重みが「中」である場合、スコア「１」とし、抽出情報の重みが「低」である場合、スコア「０．５」とし、抽出情報の重みが「高」である場合、スコア「２」としてもよい。例えば、予測装置１００は、抽出情報ＳＭ１１の重みが「高」であるため、抽出情報ＳＭ１１についてはスコア「２」として、色「紫」のカウント数として計数してもよい。例えば、予測装置１００は、抽出情報ＳＭ１２の重みが「低」であるため、抽出情報ＳＭ１２についてはスコア「０．５」として、色「黄色」のカウント数として計数してもよい。また、例えば、予測装置１００は、重みが「低」である場合、その抽出情報についてはカウント対象から除外してもよい。例えば、予測装置１００は、抽出情報ＳＭ１２の重みが「低」であるため、抽出情報ＳＭ１２についてはカウントの対象から除外してもよい。

また、例えば、予測装置１００は、「トレンド要素♯２(キーワード)」に該当する各キーワードの数をカウント（計数）し、カウント数が最大のキーワードをトレンドとなるキーワード（単語）として予測する。図１の例では、予測装置１００は、抽出情報ＳＭ１１のトレンド要素♯２(キーワード)の「ふわふわ」や抽出情報ＳＭ１２のトレンド要素♯２(キーワード)の「さらさら」等の数をカウント（計数）する。図１の例では、キーワード「ふわふわ」は、抽出情報ＳＭ１１や抽出情報ＳＭ１３や抽出情報ＳＭ２１等の多数の抽出情報に含まれ、カウント数が最大のキーワードとなる。そのため、予測装置１００は、キーワード「ふわふわ」をトレンド要素♯２(キーワード)に対応するトレンドと予測する。すなわち、予測装置１００は、キーワード「ふわふわ」を日時ｄｔ１〜ｄｔ５１までの対象期間よりも後にトレンドとなり、流行語になると予測する。

そして、予測装置１００は、ストアにトレンド情報を提供する（ステップＳ１９）。例えば、予測装置１００は、予測したトレンドとは異なる要素を含む出品情報を登録しているストアに、予測したトレンド情報を提供する。例えば、予測装置１００は、トレンド情報に含まれる色「紫」やキーワード「ふわふわ」とは異なる要素を含む出品情報を登録しているストアに、予測したトレンド情報を提供する。図１の例では、予測装置１００は、トレンド情報に含まれる色「紫」とは異なる色「黄色」やキーワード「ふわふわ」とは異なるキーワード「さらさら」といった要素を含む出品情報を登録しているストアＳＴ２に、予測したトレンド情報を提供する。

このように、予測装置１００は、収集したストアの出品情報やユーザの行動情報を用いて、所定の取引対象が属するカテゴリのトレンドを予測する。例えば、ストア等の商品等の取引対象の販売元は、取引対象に関する色やキーワード等がユーザ等による社会において流行する前に出品を行うため、ストアの出品情報は、先行情報としての利用が可能である。すなわち、ストアの出品情報は、ユーザ等の間でトレンドとなる前、すなわち将来トレンドになる可能性がある対象に関する情報が含まれる。例えば、ストアの出品情報は、広告主が入稿する広告情報やユーザが投稿する投稿情報等よりも先行して、ＥＣサイト等に登録され、ユーザに提供される場合が多い。そして、その出品情報を閲覧したユーザが、その出品情報に対応する商品等を購入し、商品等の販売数等が上昇することに応じて、ユーザ等の社会における取引対象の色やキーワード等の要素がユーザに認知され、ユーザ間においてトレンドとなる。そのため、ストアの出品情報は、広告主が入稿する広告情報やユーザが投稿する投稿情報等よりも先行してトレンドを予測するための情報として利用することができる。したがって、予測装置１００は、ストアの出品情報から情報を抽出し、抽出した情報に基づいてトレンドを予測することにより、取引対象に関する適切な予測を行うことができる。また、予測装置１００は、予測したトレンドとは異なる要素を含む出品情報を登録しているストアに、予測したトレンド情報を提供することにより、ストアによる販売を促進することができる。また、トレンド情報の提供を受けたストアは、自身が提供する商品またはサービスについて、提供されたトレンド情報に基づいて、新商品等の開発やマーケティング等を行うことができる。なお、図１の例では、カテゴリ「ファッション（レディース）」のトレンド予測を一例として示したが、カテゴリは「ファッション（レディース）」に限らず種々のカテゴリであってもよいし、予測装置１００は、カテゴリに関わらず全カテゴリの出品に関する出品情報を用いて、トレンドを予測してもよい。

〔１−１．重みについて〕
図１の例では、抽出情報ＳＭ１１の重みが「高」であり、抽出情報ＳＭ１２の重みが「低」であり、抽出情報ＳＭ１３の重みが「高」である場合を示したが、予測装置１００は、種々の情報を用いて、各抽出情報の重みを決定（生成）してもよい。

〔１−１−１．出品者〕
予測装置１００は、出品者情報記憶部１２２（図５参照）に記憶された出品者（ストア）の情報に基づいて、各抽出情報の重みを決定（生成）してもよい。

例えば、予測装置１００は、ストアの売上が所定の第１閾値（例えば１０００万円等）以上である場合、そのストアの出品情報から抽出された抽出情報の重みを「高」としてもよい。例えば、予測装置１００は、ストアの売上が所定の第２閾値（例えば５００万円等）以上である場合、そのストアの出品情報から抽出された抽出情報の重みを「中」としてもよい。

例えば、予測装置１００は、ストアの売上のランキングが所定の第１順位（例えば１０位等）以上である場合、そのストアの出品情報から抽出された抽出情報の重みを「高」としてもよい。例えば、予測装置１００は、ストアの売上が所定の第１順位未満かつ所定の第２順位（例えば５０位等）以上である場合、そのストアの出品情報から抽出された抽出情報の重みを「中」としてもよい。

例えば、予測装置１００は、ストアのトレンド実績が所定の第１割合（例えば５０％等）以上である場合、そのストアの出品情報から抽出された抽出情報の重みを「高」としてもよい。例えば、予測装置１００は、ストアのトレンド実績が所定の第１割合未満かつ所定の第２割合（例えば２５％等）以上である場合、そのストアの出品情報から抽出された抽出情報の重みを「中」としてもよい。

なお、ここでいうトレンド実績とは、例えばストアの出品情報に、その出品物が出品された期間内の情報で予測されたトレンドの要素（色やキーワード等）が含まれていた割合や回数であってもよい。また、トレンド実績とは、例えばストアの出品情報から抽出されたトレンド要素が、その出品物の出品後にトレンドとなった（流行した）割合や回数であってもよい。なお、どの要素がいつトレンドになったかは、予測装置１００の管理者等が適宜設定してもよい。例えば、予測装置１００の管理者等は、テレビ等のマスメディアでの情報を基に、どの要素がいつトレンドになったかを判断して、ある要素がトレンドとなった時期（日時）を設定してもよい。

例えば、予測装置１００は、ストアのトレンド実績が所定の第１回数（例えば１００回等）以上である場合、そのストアの出品情報から抽出された抽出情報の重みを「高」としてもよい。例えば、予測装置１００は、ストアのトレンド実績が所定の第１回数未満かつ所定の第２回数（例えば５０回等）以上である場合、そのストアの出品情報から抽出された抽出情報の重みを「中」としてもよい。

例えば、予測装置１００は、ストアのトレンド実績のランキングが所定の第１順位（例えば１０位等）以上である場合、そのストアの出品情報から抽出された抽出情報の重みを「高」としてもよい。例えば、予測装置１００は、ストアのトレンド実績が所定の第１順位未満かつ所定の第２順位（例えば５０位等）以上である場合、そのストアの出品情報から抽出された抽出情報の重みを「中」としてもよい。

また、予測装置１００は、上記に限らず出品者に関する種々の情報を用いて、各抽出情報の重みを決定（生成）してもよい。例えば、予測装置１００は、売上に限らず、ストアの販売実績に関する種々の情報を用いて、各抽出情報の重みを決定（生成）してもよい。例えば、予測装置１００は、ストアの出品物に関するコンテンツの表示回数が多い程、重みを大きくしてもよい。また、例えば、予測装置１００は、ストアの販売年数（営業年数）が長い程、重みを大きくしてもよい。

〔１−１−２．価格〕
また、予測装置１００は、取引対象の価格に応じて、各抽出情報の重みを決定（生成）してもよい。例えば、予測装置１００は、取引対象が定価よりも値引きして販売されているかどうかに応じて、抽出情報の重みを変更してもよい。例えば、予測装置１００は、定価よりも値引きして販売されている取引対象に関する抽出情報の重みを、定価で販売されている取引対象の抽出情報の重みよりも低くしてもよい。

図１の例では、予測装置１００は、抽出情報ＳＭ１３に対応するスカートＹである出品物ＥＸ２は、スカートＹの定価「５０００円」から１０００円値引きされた「４０００円」で販売されているため、抽出情報ＳＭ１３の重みを「低」としてもよい。また、予測装置１００は、抽出情報ＳＭ１１に対応するニットＸである出品物ＥＸ１は、ニットＸの定価「３０００円」で販売されているため、抽出情報ＳＭ１１の重みを「高」としてもよい。

また、予測装置１００は、抽出情報ＳＭ１２に対応するスカートＹである出品物ＥＸ２は、スカートＹの定価「５０００円」から１０００円値引きされた「４０００円」で販売されているため、抽出情報ＳＭ１２のトレンド予測の情報として用いなくてもよい。予測装置１００は、抽出情報ＳＭ１２に対応するスカートＹである出品物ＥＸ２は、スカートＹの定価「５０００円」から１０００円値引きされた「４０００円」で販売されているため、抽出情報ＳＭ１２を抽出情報記憶部１２５から除外してもよい。

〔１−２．出品者〕
また、図１の例では、出品者として、所定の電子商取引サービスにおいて取引対象を販売するストアを一例として示すが、出品者には、ストアに限らず、取引対象を販売する種々の主体が含まれてもよい。例えば、出品者には、オークションサービス等において出品するユーザ等が含まれてもよい。

〔１−３．対象情報〕
なお、予測装置１００がトレンドの予測に用いる情報は、上記に限らず種々の情報が含まれてもよい。例えば、予測装置１００は、Ｉｎｓｔａｇｒａｍ（登録商標）等のＳＮＳに投稿された画像を用いて、トレンドを予測してもよい。図１の例では、予測装置１００は、日時ｄｔ１〜ｄｔ５１までの対象期間内にＩｎｓｔａｇｒａｍ（登録商標）等のＳＮＳに投稿された画像を用いて、トレンドを予測してもよい。

例えば、予測装置１００は、有名人や芸能人等、そのユーザが発信する情報の他のユーザへの影響力が大きいユーザ（以下、「インフルエンサー」ともいう）のＳＮＳのページに含まれる画像を用いて、トレンドを予測してもよい。例えば、予測装置１００は、フォロワー数等、そのユーザと所定の関連を有する他のユーザの数が所定の閾値以上のユーザをインフルエンサーとして、そのユーザのＳＮＳのページに含まれる画像を用いて、トレンドを予測してもよい。例えば、予測装置１００は、画像処理や画像解析の種々の従来手法等を適宜用いて、インフルエンサーのＳＮＳのページやインフルエンサーが投稿した画像等を解析することにより、情報を抽出してもよい。そして、予測装置１００は、インフルエンサーが投稿した情報から抽出した抽出情報を用いて、トレンドを予測してもよい。なお、上記は一例であり、予測装置１００は、種々の情報を適宜用いてトレンドを予測してもよい。

〔１−４．抽出の一例〕
ここで、図１１を用いて、図１中の予測装置１００による情報抽出について説明する。図１１は、実施形態に係る情報抽出の一例を示す図である。具体的には、図１１は、出品物ＥＸ１の出品情報に含まれるコンテンツＣＴ１１から情報を抽出する一例を示す。コンテンツＣＴ１１には、画像ＩＭ１１や文字情報ＴＸＴ１１が含まれる。

図１１中の画像ＩＭ１１には、中央に紫色の服であるニットＷＲ１１を来た女性モデルが含まれ、女性モデルの右側に紫色以外の色の服である３つのニットが含まれる。このように、画像ＩＭ１１には、中央の大部分の領域に紫色のニットＷＲ１１が配置され、その右側に他の色である赤色のニットＷＲ１２や青色のニットＷＲ１３や黄色のニットＷＲ１４が紫色のニットＷＲ１１よりも小さい領域に配置される。

図１１の例では、予測装置１００は、コンテンツＣＴ１１の画像ＩＭ１１を画像解析する（ステップＳ２１）。例えば、予測装置１００は、画像処理や画像解析の種々の従来手法等を適宜用いて、画像ＩＭ１１におけるオブジェクト（物体）の認識による情報の抽出を行ってもよい。例えば、予測装置１００は、画像ＩＭ１１における特徴領域を抽出することにより、画像ＩＭ１１におけるニットＷＲ１１〜ＷＲ１４の各々が含まれる領域を抽出してもよい。なお、予測装置１００は、サリエンシーディテクション（Saliency Detection）等の画像処理における種々の従来手法を適宜用いて、画像ＩＭ１１における特徴領域を抽出してもよい。例えば、予測装置１００は、Ｒ−ＣＮＮ(Regions with Convolutional Neural Network)等の画像認識技術を用いた画像処理を適宜用いて、画像ＩＭ１１におけるニットＷＲ１１〜ＷＲ１４の各々が含まれる領域の抽出を行ってもよい。

図１１の例では、上記の処理により、予測装置１００は、色リストＣＬ１１に示すように、画像ＩＭ１１に含まれる各色の割合を示す情報を生成する。例えば、予測装置１００は、色リストＣＬ１１に示すように、色「紫」が画像ＩＭ１１に占める割合を「Ｒ１」（％）であることを示す情報を生成する。例えば、予測装置１００は、色「紫」のニットＷＲ１１が画像ＩＭ１１に占める割合を「Ｒ１」（％）であることを示す情報を生成する。例えば、予測装置１００は、色リストＣＬ１１に示すように、色「赤」が画像ＩＭ１１に占める割合を「Ｒ２」（％）であることを示す情報を生成する。例えば、予測装置１００は、色「赤」のニットＷＲ１２が画像ＩＭ１１に占める割合を「Ｒ２」（％）であることを示す情報を生成する。図１１に示す「Ｒ１」及び「Ｒ２」は、例えば、「５０」や「１５」等の具体的な数値であるものとする。「Ｒ１」は、「Ｒ２」よりも大きい値であるものとする。

このように、予測装置１００は、紫色のニットＷＲ１１の占有率が、赤色のニットＷＲ１２の占有率や青色のニットＷＲ１３の占有率や黄色のニットＷＲ１４の占有率よりも大きいことを示す情報を生成する。なお、予測装置１００は、ニットＷＲ１１〜ＷＲ１４等の物体を認識することなく、画像ＩＭ１１に色の割合を示す情報を生成してもよい。また、この場合、予測装置１００は、背景色に対応する色をトレンド要素の候補から除外してもよい。例えば、予測装置１００は、画像ＩＭ１１の背景色が白である場合、色「白」をトレンド要素の候補から除外し、色「白」の占有率を抽出しなくてもよい。

そして、予測装置１００は、各色の占有率に基づいて、色に関するトレンド要素を抽出する（ステップＳ２２）。図１１の例では、予測装置１００は、紫色のニットＷＲ１１の占有率が最も大きいため、トレンドリストＴＲ１に示すように、色「紫」を色に関するトレンド要素として抽出する。

また、図１１の例では、予測装置１００は、出品物ＥＸ１の出品情報に含まれる文字情報ＴＸＴ１１から文字列（キーワード）を抽出する（ステップＳ２３）。例えば、予測装置１００は、文字情報からキーワード（トピック）を抽出する。なお、予測装置１００は、トピック分析（解析）等の種々の従来手法を適宜用いて、文字情報からキーワード（トピック）を抽出してもよい。例えば、予測装置１００は、文字情報を形態素解析等の自然言語処理技術を適宜用いて解析することにより、文字情報から重要なキーワードを抽出してもよい。

図１１の例では、予測装置１００は、キーワードリストＥＬ１１に示すように、文字情報ＴＸＴ１１から、キーワード「シャギー」、「ニット」、「ふわふわ」等のキーワードを抽出する。

そして、予測装置１００は、キーワードに関するトレンド要素を抽出する（ステップＳ２４）。図１１の例では、予測装置１００は、キーワードリストＥＬ１１からキーワードに関するトレンド要素を抽出する。例えば、予測装置１００は、カテゴリ「ファッション（レディース）」の除外一覧に含まれる単語以外をキーワードに関するトレンド要素を抽出する。例えば、カテゴリ「ファッション（レディース）」には、「シャギー」や「ニット」等の単語が含まれるものとする。そのため、図１１の例では、予測装置１００は、トレンドリストＴＲ２に示すように、キーワード「ふわふわ」をキーワードに関するトレンド要素として抽出する。なお、上記は一例であり、予測装置１００は、種々の情報を適宜用いてトレンド予測に用いる情報を抽出してもよい。

〔１−５．トレンドに応じた最適化〕
また、予測装置１００は、図１の例において予測したトレンドに基づいて、コンテンツ等の種々の情報の最適化を行ってもよい。この点について、図１２を用いて以下説明する。図１２は、実施形態に係る予測に基づくコンテンツ生成の一例を示す図である。具体的には、図１２は、所定の出品の出品情報に含まれるコンテンツＣＴ８１を予測したトレンド情報に基づいて変更する一例を示す。コンテンツＣＴ８１には、画像ＩＭ８１や文字情報ＴＸＴ８１が含まれる。

図１２の例では、トレンド情報記憶部１２６に示すように、図１において予測装置１００が予測した色「紫」及びキーワード「ふわふわ」を用いて、コンテンツＣＴ８１を最適化する場合を示す。例えば、予測装置１００は、ユーザ端末１０や出品者端末２０（図２参照）等の外部の情報処理装置から第１コンテンツであるコンテンツＣＴ８１を取得する。また、例えば、予測装置１００は、出品情報記憶部１２１等の記憶部１２０（図３参照）から第１コンテンツであるコンテンツＣＴ８１を取得する。

図１２中の画像ＩＭ８１には、中央に赤の服であるニットＷＲ８１を来た女性モデルが含まれ、女性モデルの左側に赤色以外の色の服である１つのニットが含まれる。このように、画像ＩＭ８１には、中央の大部分の領域に赤色のニットＷＲ８１が配置され、その左側に他の色である紫色のニットＷＲ８２が赤色のニットＷＲ８１よりも小さい領域に配置される。なお、図１２の例では、予測装置１００は、画像ＩＭ８１に対する図１１と同様の画像解析等の処理により、画像ＩＭ８１における赤色のニットＷＲ８１の占有率や紫色のニットＷＲ８２の占有率を示す情報を生成する。すなわち、予測装置１００は、画像ＩＭ８１における赤色の割合の方が、紫色の割合よりも大きいことを示す情報を生成する。

そして、予測装置１００は、各色の占有率に応じて、色を変更する（ステップＳ３１）。例えば、予測装置１００は、各色の占有率を比較し、その比較結果に基づいて、トレンドの色と他の色とを変更する。図１２の例では、予測装置１００は、予測したトレンドである紫色のニットＷＲ８２よりも占有率が大きい赤色のニットＷＲ８１が画像ＩＭ８１に含まれるため、赤と紫の色を変更する。

例えば、予測装置１００は、予測したトレンドである紫色のニットＷＲ８２よりも占有率が大きい赤色のニットＷＲ８１が画像ＩＭ８１に含まれるため、赤と紫の色を変更した画像ＩＭ８２を生成する。図１２の例では、予測装置１００は、赤色が紫色に変更されたニットＷＲ８１−２と、紫色が赤色に変更されたニットＷＲ８２−２とを含む画像ＩＭ８２を生成する。例えば、予測装置１００は、画像処理の種々の従来手法等を適宜用いて、画像ＩＭ８１中の赤を紫に変更し、紫を赤に変更することにより、画像ＩＭ８２を生成する。

また、図１２の例では、予測装置１００は、コンテンツＣＴ８１に含まれる文字情報ＴＸＴ８１に対する図１１と同様の形態素解析等の処理により、文字情報ＴＸＴ８１から文字列（キーワード）を抽出する。例えば、予測装置１００は、文字情報ＴＸＴ８１から「Ｖネック」や「ニット」や「ゆったり」等のキーワードを抽出する。

そして、予測装置１００は、トレンドのキーワードと、文字情報ＴＸＴ８１中のキーワードとの対応関係に応じて、キーワードを変更する（ステップＳ３２）。例えば、予測装置１００は、トレンドのキーワードと、文字情報ＴＸＴ８１中の各キーワードとを比較し、その比較結果に基づいて、トレンドのキーワードと文字情報ＴＸＴ８１中のキーワードとを変更する。例えば、予測装置１００は、文字情報ＴＸＴ８１中の各キーワードのうち、トレンドのキーワードとの類似度が高いキーワードをトレンドのキーワードに変更する。図１２の例では、予測装置１００は、予測したトレンドであるキーワード「ふわふわ」と、文字情報ＴＸＴ８１中のキーワード「ゆったり」との類似度が「Ｖネック」や「ニット」等よりも高いため、文字情報ＴＸＴ８１中のキーワード「ゆったり」をトレンドのキーワード「ふわふわ」に変更する。例えば、予測装置１００は、文字情報ＴＸＴ８１中のキーワード「ゆったり」をトレンドのキーワード「ふわふわ」に置き換えた、文字情報ＴＸＴ８２を生成する。

このように、予測装置１００は、トレンド情報に基づいて、コンテンツに含まれる画像の色を変更する。また、予測装置１００は、トレンド情報に基づいて、コンテンツに含まれる文字情報のキーワードを変更する。これにより、予測装置１００は、トレンド情報により最適化されたコンテンツＣＴ８２を生成する。このように、予測装置１００は、第１コンテンツであるコンテンツＣＴ８１から、第２コンテンツであるコンテンツＣＴ８２を生成する。すなわち、予測装置１００は、コンテンツＣＴ８１から、予測したトレンド色である「紫」の画像ＩＭ８１中に占める割合が多く、トレンドキーワードである「ふわふわ」が文字情報ＴＸＴ８２に含まれるコンテンツＣＴ８２を生成する。したがって、予測装置１００は、トレンドに対応する適切なコンテンツを生成することができる。

このように、予測装置１００は、出品者が出品（入稿）してきた情報を予測したトレンドに応じて最適化することにより、出品者の利便性を向上させることができ、取引を促進させることができる。なお、図１２では、予測装置１００がコンテンツを変更（生成）する場合を一例として示したが、予測装置１００は、変更することを示す情報をストアへ提供してもよい。この場合、提供を受けたストアがトレンド情報に基づく変更を行うかどうかを判断し、自身のコンテンツをトレンドに沿って最適化することができる。なお、コンテンツの最適化は、色やキーワードの変更に限らず、コンテンツのうち画像全体の明るさ（ブライトネス）やシャープネス等の変更や、文字情報全体のトーンの変更であってもよい。例えば、予測装置１００は、画像にフィルタを掛けることにより、画像全体のトーンを変更し、コンテンツを最適化してもよい。また、例えば、予測装置１００は、文字情報の語尾等を変更することにより、文字情報全体のトーンを変更し、コンテンツを最適化してもよい。例えば、予測装置１００は、種々の情報を適宜用いて、コンテンツを最適化してもよい。

〔２．予測装置の構成〕
次に、図３を用いて、実施形態に係る予測装置１００の構成について説明する。図３は、実施形態に係る予測装置の構成例を示す図である。図３に示すように、予測装置１００は、通信部１１０と、記憶部１２０と、制御部１３０とを有する。なお、予測装置１００は、予測装置１００の管理者等から各種操作を受け付ける入力部（例えば、キーボードやマウス等）や、各種情報を表示するための表示部（例えば、液晶ディスプレイ等）を有してもよい。

（通信部１１０）
通信部１１０は、例えば、ＮＩＣ（Network Interface Card）等によって実現される。そして、通信部１１０は、ネットワークと有線または無線で接続され、例えば予測システム１に含まれるユーザ端末１０や出品者端末２０との間で情報の送受信を行う。

（記憶部１２０）
記憶部１２０は、例えば、ＲＡＭ（Random Access Memory）、フラッシュメモリ（Flash Memory）等の半導体メモリ素子、または、ハードディスク、光ディスク等の記憶装置によって実現される。実施形態に係る記憶部１２０は、図３に示すように、出品情報記憶部１２１と、出品者情報記憶部１２２と、ユーザ情報記憶部１２３と、行動情報記憶部１２４と、抽出情報記憶部１２５と、トレンド情報記憶部１２６とを有する。

（出品情報記憶部１２１）
実施形態に係る出品情報記憶部１２１は、商品やサービス等の出品に関する各種情報を記憶する。出品情報記憶部１２１は、出品者が出品した商品やサービス等の取引対象に関する各種情報を記憶する。図４は、実施形態に係る出品情報記憶部の一例を示す図である。図４に示す出品情報記憶部１２１は、「ストアＩＤ」、「出品ＩＤ」、「日時」、「取引対象」、「取引対象」、「価格（円）」、「カテゴリ」、「コンテンツ（ページ）」、「画像情報」、「文字情報」といった項目を有する。

「ストアＩＤ」は、対応する取引対象を出品するストア（出品者）を識別するための識別情報を示す。「出品ＩＤ」は、出品された取引対象を識別するための識別情報を示す。「日時」は、出品ＩＤにより識別される取引対象である商品やサービス等が出品された日時を示す。「日時」には、「ｄｔ１」等のように抽象的に図示するが、「２０１７年１２月１４日１９時３４分５８秒」等の具体的な日時が記憶されてもよい。「取引対象」は、出品ＩＤにより識別される取引対象である商品やサービス等の具体的な名称等を示す。

また、「価格（円）」は、対応する取引対象の販売価格（提供価格）を示す。また、「カテゴリ」は、対応する取引対象が属するカテゴリを示す。「コンテンツ（ページ）」は、出品ＩＤにより識別される取引対象に関するコンテンツを示す。例えば、「コンテンツ（ページ）」は、出品ＩＤにより識別される取引対象に関する情報をユーザに提供するウェブページ等のコンテンツを示す。

「画像情報」は、対応するコンテンツに含まれる画像情報を示す。図４では「画像情報」に「ＩＭ１１」といった概念的な情報が格納される例を示したが、実際には、ウェブページ等のコンテンツに含まれる静止画像や動画像、または、これらの格納場所を示すファイルパス名などが格納される。また、「文字情報」は、対応するコンテンツに含まれる文字情報を示す。図４では「文字情報」に「ＴＸＴ１１」といった概念的な情報が格納される例を示したが、実際には、ウェブページ等のコンテンツに含まれるテキストデータ等、または、その格納場所を示すファイルパス名などが格納される。また、図４の例では、文字情報に含まれるキーワード等の具体的に示すために、「文字情報」中の「ＴＸＴ１１」等の符号の下の括弧内に、その一部を図示する。

図４に示す例において、ストアＩＤ「ＳＴ１」により識別されるストア（ストアＳＴ１）は、出品ＩＤ「ＥＸ１」により識別される出品物（出品物ＥＸ１）等を出品した出品者であることを示す。また、出品物ＥＸ１は、ストアＳＴ１が日時ｄｔ１に出品したことを示す。また、出品物ＥＸ１は、商品「ニットＸ」であり、価格が「３０００」（円）であることを示す。また、出品物ＥＸ１のカテゴリは、「ファッション（レディース）」であることを示す。また、出品物ＥＸ１のコンテンツには、コンテンツＣＴ１１やコンテンツＣＴ１２が含まれることを示す。例えば、コンテンツＣＴ１１は、出品物ＥＸ１の商品紹介ページであり、コンテンツＣＴ１２は、コンテンツＣＴ１１のリンク先である。コンテンツＣＴ１１は、出品物ＥＸ１のランディングページであり、コンテンツＣＴ１２は、ランディングページであるコンテンツＣＴ１１におけるユーザの選択等の操作に応じた遷移先である。例えば、コンテンツＣＴ１２は、商品「ニットＸ」である出品物ＥＸ１の購入ページであってもよい。

また、出品物ＥＸ１のコンテンツＣＴ１１には、画像情報ＩＭ１１や文字情報ＴＸＴ１１等が含まれる。例えば、コンテンツＣＴ１１の画像情報ＩＭ１１は、女性用のニットＸの商品画面（図１１参照）の画像である。また、例えば、コンテンツＣＴ１１の文字情報ＴＸＴ１１は、例えば、「シャギーニット…ふわふわ…」等の説明文を含む、女性用のニットＸの文字情報である。

また、出品物ＥＸ１のコンテンツＣＴ１２には、文字情報ＴＸＴ１２等が含まれる。この場合、コンテンツＣＴ１２には、画像が含まれないことを示す。例えば、コンテンツＣＴ１２の文字情報ＴＸＴ１２は、例えば、「レディースニット…ふわふわ…」等の説明文を含む、女性用のニットＸの文字情報である。

なお、出品情報記憶部１２１は、上記に限らず、目的に応じて種々の情報を記憶してもよい。例えば、出品情報記憶部１２１は、取引対象の定価を示す情報を記憶してもよい。また、例えば、出品情報記憶部１２１は、出品物の価格と取引対象の定価とに基づいて算出された割引率等の情報を記憶してもよい。各ストアの評価値に関する情報を記憶してもよい。例えば、予測装置１００は、所定の外部情報処理装置から各取引対象の定価を示す情報を取得し、各取引対象と定価とを対応付けて記憶部１２０へ記憶してもよい。例えば、予測装置１００は、出品情報記憶部１２１に記憶された出品物の価格と、記憶部１２０に記憶された取引対象の定価とに基づいて割引率等を示す情報を生成し、出品情報記憶部１２１に格納してもよい。

（出品者情報記憶部１２２）
実施形態に係る出品者情報記憶部１２２は、出品者（販売元）であるストアに関する各種情報を記憶する。図５は、実施形態に係る出品者情報記憶部の一例を示す図である。例えば、出品者情報記憶部１２２は、ストアが販売する商品に関する情報を記憶する。図５に示す出品者情報記憶部１２２には、「ストアＩＤ」、「売上」、「トレンド実績」といった項目が含まれる。「売上」には、「金額（万円）」や「ランキング」といった項目が含まれる。「商品数」には、「％（回数）」や「ランキング」といった項目が含まれる。

「ストアＩＤ」は、対応する取引対象を出品するストア（出品者）を識別するための識別情報を示す。

「売上」中の「金額（万円）」は、対応するストアの売上を示す。「金額（万円）」には、「ＴＫ１」等のように抽象的に図示するが、「１０００」（万円）等の具体的な日時が記憶されてもよい。また、「売上」中の「ランキング」は、対応するストアの売上に関するランキング（順位）を示す。例えば、「ランキング」は、所定の電子商取引サービスにおける全ストアのうち、対応するストアの売上が何番目に高いかを示すランキング（順位）であってもよい。

「トレンド実績」中の「％（回数）」は、対応するストアが出品した出品物のコンテンツに、対応する期間のトレンドにおけるトレンド要素（色やキーワード等）が含まれていた割合（回数）を示す。「％（回数）」は、対応する期間のトレンドにおけるトレンド要素（色やキーワード等）が含まれていた割合を示す。例えば、１００回のトレンドのうち、５０回のトレンドにおいてストアが出品した出品物のコンテンツに、トレンド要素（色やキーワード等）が含まれていた場合、そのストアのトレンド実績は「５０％（＝５０／１００＊１００）」となる。なお、「％（回数）」中の括弧内は対応する期間のトレンドにおけるトレンド要素（色やキーワード等）が含まれていた回数を示す。

また、「トレンド実績」中の「ランキング」は、対応するストアのトレンド実績に関するランキング（順位）を示す。例えば、「ランキング」は、所定の電子商取引サービスにおける全ストアのうち、対応するストアのトレンド実績が何番目に良いかを示すランキング（順位）であってもよい。

例えば、図５に示す例において、ストアＩＤ「ＳＴ１」により識別されるストア（ストアＳＴ１）は、売上がＴＫ１（万円）であることを示す。また、ストアＳＴ１は、売上に関する順位が５位であることを示す。また、ストアＳＴ１は、トレンド実績が８０％（１６０回）であることを示す。この場合、ストアＳＴ１のコンテンツには、過去２００回のトレンドのうち、１６０回のトレンドで、その期間のトレンドにおけるトレンド要素（色やキーワード等）が含まれていたことを示す。また、ストアＳＴ１は、トレンド実績に関する順位が１位であることを示す。

なお、出品者情報記憶部１２２は、上記に限らず、目的に応じて種々の情報を記憶してもよい。

（ユーザ情報記憶部１２３）
実施形態に係るユーザ情報記憶部１２３は、ユーザ属性に関する各種情報を記憶する。例えば、ユーザ情報記憶部１２３は、ユーザ属性情報を記憶する。図６は、実施形態に係るユーザ情報記憶部の一例を示す図である。図６に示すユーザ情報記憶部１２３は、「ユーザＩＤ」、「年齢」、「性別」といった項目が含まれる。

「ユーザＩＤ」は、ユーザを識別するための識別情報を示す。例えば、ユーザＩＤ「Ｕ１」により識別されるユーザは、図１の例に示したユーザＵ１に対応する。「年齢」は、ユーザ端末１０を利用するユーザの年齢を示す。なお、「年齢」は、例えば３５歳など、ユーザＩＤにより識別されるユーザの具体的な年齢であってもよい。「性別」は、ユーザ端末１０を利用するユーザの性別を示す。

例えば、図６に示す例において、ユーザＩＤ「Ｕ１」により識別されるユーザの年齢は、「２０代」であり、ユーザの性別は、「女性」であることを示す。また、例えば、図６に示す例において、ユーザＩＤ「Ｕ２」により識別されるユーザの年齢は、「２０代」であり、ユーザの性別は、「女性」であることを示す。

なお、ユーザ情報記憶部１２３は、上記に限らず、目的に応じて種々の情報を記憶してもよい。例えば、ユーザ情報記憶部１２３は、ユーザのデモグラフィック属性に関する情報やサイコグラフィック属性に関する情報を記憶してもよい。例えば、ユーザ情報記憶部１２３は、氏名、住所、勤務先、家族構成、収入、興味、ライフスタイル等の情報を記憶してもよい。

（行動情報記憶部１２４）
実施形態に係る行動情報記憶部１２４は、ユーザの行動に関する各種情報を記憶する。図７は、実施形態に係る行動情報記憶部の一例を示す図である。例えば、行動情報記憶部１２４は、各ユーザのユーザ端末１０を用いて行ったコンテンツの閲覧や、画像の投稿や、検索等を含む種々の行動情報を記憶する。図７に示す行動情報記憶部１２４には、「ユーザＩＤ」、「行動ＩＤ」、「種別」、「内容」、「日時」といった項目が含まれる。

「ユーザＩＤ」は、ユーザを識別するための識別情報を示す。例えば、ユーザＩＤ「Ｕ１」により識別されるユーザは、図１の例に示したユーザＵ１に対応する。また、「行動ＩＤ」は、ユーザの行動を識別する情報を示す。また、「種別」は、対応するユーザの行動の種別に関する情報を示す。また、「内容」は、対応するユーザの行動において対象となった内容を示す。「日時」は、対応するユーザの行動が行われた日時を示す。「日時」には、「ｄｔ１１」等のように抽象的に図示するが、「２０１７年１２月１４日２２時３１分５２秒」等の具体的な日時が記憶されてもよい。

例えば、図７の例では、ユーザＩＤ「Ｕ１」により識別されるユーザ（ユーザＵ１）は、行動ＩＤ「ＡＣ１１」により識別される行動（行動ＡＣ１１）や行動ＩＤ「ＡＣ１２」により識別される行動（行動ＡＣ１２）等を行ったことを示す。具体的には、図７の例ではユーザＵ１は、コンテンツＣＴ１１の閲覧（行動ＡＣ１１）を日時ｄｔ１１に行ったことを示す。例えば、行動ＡＣ１１は、日時ｄｔ１１にコンテンツＣＴ１１がユーザＵ１が利用するユーザ端末１０に提供（配信）され、表示されたことを示す。また、図７の例ではユーザＵ１は、日時ｄｔ１１においてコンテンツＣＴ１１の閲覧した後の日時ｄｔ１２において、コンテンツＣＴ１１をクリックにより選択する操作を行ったことを示す。

また、例えば、図７の例では、ユーザＩＤ「Ｕ５」により識別されるユーザ（ユーザＵ５）は、行動ＩＤ「ＡＣ５１」により識別される行動（行動ＡＣ５１）等を行ったことを示す。具体的には、図７の例ではユーザＵ５は、所定のＳＮＳサイトであるＳＮＳ＃１への画像ＩＭ５１の投稿（行動ＡＣ５１）を日時ｄｔ５１に行ったことを示す。例えば、行動ＡＣ５１は、日時ｄｔ５１にユーザＵ５がユーザ端末１０を操作に画像ＩＭ５１をＳＮＳ＃１へ投稿したことを示す。

なお、行動情報記憶部１２４は、上記に限らず、目的に応じて種々の情報を記憶してもよい。例えば、行動情報記憶部１２４は、各行動情報が取得された際のユーザの位置情報を各行動情報に対応付けて記憶してもよい。また、図７では、ユーザＩＤごとに行動情報が行動情報記憶部１２４に記憶される場合を示したが、行動情報は、ユーザＩＤごとに限らず、例えば時刻順に記憶されてもよい。

（抽出情報記憶部１２５）
実施形態に係る抽出情報記憶部１２５は、トレンド予測の基となる情報として抽出された各種情報を記憶する。図８は、実施形態に係る抽出情報記憶部の一例を示す図である。例えば、抽出情報記憶部１２５は、出品情報記憶部１２１や行動情報記憶部１２４から抽出されたトレンド予測の基となる情報を記憶する。図８に示す抽出情報記憶部１２５には、「種別」、「抽出ＩＤ」、「ＩＤ」、「日時」、「行動主体」、「重み」、「トレンド要素♯１(色)」、「トレンド要素♯２（キーワード）」といった項目が含まれる。なお、トレンド要素は、「トレンド要素♯１(色)」、「トレンド要素♯２（キーワード）」に限らず、「トレンド要素♯３」、「トレンド要素♯４」等の種々の要素が含まれてもよい。

また、「種別」は、抽出された情報（抽出情報）の種別を示す。「抽出ＩＤ」は、情報の抽出を識別するための識別情報を示す。また、「ＩＤ」は、抽出された情報を識別する情報を示す。例えば、「ＩＤ」には、出品ＩＤや行動ＩＤ等の抽出された情報を特定するための種々の情報が記憶される。例えば、「日時」は、対応する抽出情報に関する日時を示す。例えば、「日時」は、抽出情報に対応する出品や行動が行われた日時を示す。

また、「行動主体」は、抽出情報に対応する出品等の行動の主体を示す。例えば、「行動主体」には、ストアＩＤやユーザＩＤ等の行動の主体を特定するための種々の情報が記憶される。「重み」は、各抽出情報の重み（重要度）を示す。図８の例では、「重み」には、「高」、「中」、「低」等のような、各情報の重要度を示す情報が記憶される。なお、図８の例では、種別「出品」に対応する抽出情報にのみ、重み付けがされる場合を示すが、種別「選択（クリック）」や「投稿」等のユーザの行動に対応する抽出情報にも重みが対応付けられてもよい。

また、「トレンド要素♯１(色)」は、対応する抽出情報から抽出されたトレンド予測の基となる要素（トレンド要素）を示す。例えば、「トレンド要素♯１(色)」は、トレンド要素のうち、色に関するトレンド要素を示す。また、「トレンド要素♯２（キーワード）」は、対応する抽出情報から抽出されたトレンド予測の基となる要素（トレンド要素）を示す。例えば、「トレンド要素♯２（キーワード）」は、トレンド要素のうち、所定の対象を示すキーワードに関するトレンド要素を示す。例えば、「トレンド要素♯２（キーワード）」は、ファッションの場合、形やサイズやスタイル等の種々の対象を示すキーワードに関するトレンド要素であってもよい。

例えば、図８の例では、抽出情報の種別には、「出品」や「選択（クリック）」や「投稿」等が含まれることを示す。また、種別「出品」のうち、抽出ＩＤ「ＳＭ１１」により識別される抽出情報（抽出情報ＳＭ１１）は、ＩＤ「ＥＸ１」すなわち、出品ＩＤ「ＥＸ１」により識別される出品に関する情報であることを示す。また、出品ＩＤ「ＥＸ１」により識別される出品は、日時ｄｔ１に行われたことを示す。また、出品ＩＤ「ＥＸ１」により識別される出品の行動主体は、ストアＩＤ「ＳＴ１」により識別されるストア（ストアＳＴ１）であることを示す。

また、抽出情報ＳＭ１１の重みは、「高」、すなわち重要度が高いことを示す。また、抽出情報ＳＭ１１における「トレンド要素♯１(色)」は、「紫」であることを示す。この場合、「トレンド要素♯１(色)」については、出品ＩＤ「ＥＸ１」により識別される出品に関する情報から「紫」が抽出されたことを示す。具体的には、「トレンド要素♯１(色)」については、出品ＩＤ「ＥＸ１」により識別される出品に関する情報に含まれるコンテンツＣＴ１１の画像ＩＭ１１等から、「紫」が抽出されたことを示す。

また、抽出情報ＳＭ１１における「トレンド要素♯２（キーワード）」は、「ふわふわ」であることを示す。この場合、「トレンド要素♯２（キーワード）」については、出品ＩＤ「ＥＸ１」により識別される出品に関する情報から「ふわふわ」が抽出されたことを示す。具体的には、「トレンド要素♯２（キーワード）」については、出品ＩＤ「ＥＸ１」により識別される出品に関する情報に含まれるコンテンツＣＴ１１の文字情報ＴＸＴ１１等から、「ふわふわ」が抽出されたことを示す。

なお、抽出情報記憶部１２５は、上記に限らず、目的に応じて種々の情報を記憶してもよい。また、図８では、抽出ＩＤごとに行動情報が抽出情報記憶部１２５に記憶される場合を示したが、行動情報は、抽出ＩＤごとに限らず、例えば時刻順に記憶されてもよい。

（トレンド情報記憶部１２６）
実施形態に係るトレンド情報記憶部１２６は、トレンドに関する各種情報を記憶する。トレンド情報記憶部１２６は、予測したトレンドに関する各種情報を記憶する。図９は、実施形態に係るトレンド情報記憶部の一例を示す図である。図９に示すトレンド情報記憶部１２６は、「対象期間」、「トレンド情報」といった項目を有する。「トレンド情報」には、「トレンド要素♯１(色)」、「トレンド要素♯２（キーワード）」といった項目が含まれる。

「対象期間」は、対応するトレンド情報を予測するために用いた情報が収集された期間を示す。「トレンド情報」は、予測したトレンドに関する応報を示す。「トレンド要素♯１(色)」は、対応する対象期間の情報から予測されたトレンドのうち、色に関するトレンド（トレンド要素）を示す。また、「トレンド要素♯２（キーワード）」は、対応する対象期間の情報から予測されたトレンドのうち、所定の対象を示すキーワードに関するトレンド要素を示す。例えば、「トレンド要素♯２（キーワード）」は、ファッションの場合、形やサイズやスタイル等の種々の対象を示すキーワードであってもよい。

図９の例は、日時ｄｔ１から日時ｄｔ５１までの間に収集された情報から予測されたトレンドワード情報は、「トレンド要素♯１(色)」については「紫」であることを示す。また、日時ｄｔ１から日時ｄｔ５１までの間に収集された情報から予測されたトレンドワード情報は、「トレンド要素♯２（キーワード）」については「ふわふわ」であることを示す。

また、トレンド情報記憶部１２６は、上記に限らず、目的に応じて種々の情報を記憶してもよい。例えば、トレンド情報記憶部１２６は、各要素に対して複数個の情報を記憶してもよい。例えば、トレンド情報記憶部１２６は、「トレンド要素♯１(色)」について、１位「紫」、２位「緑」等のように、１つの対象について順位付けされた複数個の情報をトレンド情報として記憶してもよい。

（制御部１３０）
図３の説明に戻って、制御部１３０は、コントローラ（controller）であり、例えば、ＣＰＵ（Central Processing Unit）やＭＰＵ（Micro Processing Unit）等によって、予測装置１００内部の記憶装置に記憶されている各種プログラム（予測プログラムの一例に相当）がＲＡＭを作業領域として実行されることにより実現される。また、制御部１３０は、コントローラであり、例えば、ＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（Field Programmable Gate Array）等の集積回路により実現される。

図３に示すように、制御部１３０は、取得部１３１と、抽出部１３２と、予測部１３３と、生成部１３４と、提供部１３５とを有し、以下に説明する情報処理の機能や作用を実現または実行する。

（取得部１３１）
取得部１３１は、各種情報を取得する。例えば、取得部１３１は、ユーザ端末１０や出品者装置２０等の外部の情報処理装置から各種情報を取得する。例えば、取得部１３１は、記憶部１２０から各種情報を取得する。例えば、取得部１３１は、出品情報記憶部１２１や出品者情報記憶部１２２やユーザ情報記憶部１２３や行動情報記憶部１２４や抽出情報記憶部１２５やトレンド情報記憶部１２６等から各種情報を取得する。

例えば、取得部１３１は、所定の電子商取引サービスにおいて出品者が出品する取引対象に関する出品情報を取得する。また、取得部１３１は、取引対象を示す画像情報を含む出品情報を取得する。また、取得部１３１は、取引対象を示す文字情報を含む出品情報を取得する。また、取得部１３１は、第１コンテンツを取得する。

また、取得部１３１は、ユーザの行動情報を取得する。また、取得部１３１は、取引対象に関するユーザの行動を示す行動情報を取得する。また、取得部１３１は、出品者が出品した取引対象を示す所定のページの選択を示す行動情報を取得する。また、取得部１３１は、出品者に関する出品者情報と、出品者とは異なる他の出品者に関する他の出品者情報とに基づく出品者の順位を示す情報を取得する。

また、取得部１３１は、ユーザ端末１０を利用するユーザがＴｗｉｔｔｅｒ（登録商標）やＦａｃｅｂｏｏｋ（登録商標）等のＳＮＳにおいて投稿した情報をユーザ端末１０や所定の外部装置から取得する。例えば、取得部１３１は、ユーザが所定のＳＮＳへ投稿した投稿情報をユーザ端末１０から取得する。

図１の例では、取得部１３１は、予測装置１００は、ストアＳＴ１が利用する出品者端末２０−１から出品情報を取得する。例えば、取得部１３１は、日時ｄｔ１において、出品者端末２０−１からニットＸをＥＣサイトへ出品することを要求する情報を取得する。取得部１３１は、出品物ＥＸ１の出品情報を取得する。

また、取得部１３１は、ストアＳＴ２が利用する出品者端末２０−２から出品情報を取得する。取得部１３１は、日時ｄｔ２において、出品者端末２０−２からスカートＹをＥＣサイトへ出品することを要求する情報を取得する。取得部１３１は、出品物ＥＸ２の出品情報を取得する。

また、取得部１３１は、ストアＳＴ３が利用する出品者端末２０−３から出品情報を取得する。例えば、取得部１３１は、日時ｄｔ３において、出品者端末２０−３からコートＺをＥＣサイトへ出品することを要求する情報を取得する。取得部１３１は、出品物ＥＸ３の出品情報を取得する。

また、取得部１３１は、ユーザＵ１がコンテンツＣＴ１１を選択したことを示す情報を取得し、ユーザＵ１の行動情報を取得する。また、取得部１３１は、ユーザＵ５が画像ＩＭ５１をＳＮＳ＃１へ投稿したことを示す情報を取得し、ユーザＵ５の行動情報を取得する。

（抽出部１３２）
抽出部１３２は、種々の情報を抽出する。例えば、抽出部１３２は、種々の情報を抽出する。抽出部１３２は、取得部１３１により取得された出品情報から、トレンド情報の予測に用いる情報を抽出する。

図１の例では、抽出部１３２は、情報を抽出する。例えば、抽出部１３２は、出品情報記憶部１２１や行動情報記憶部１２４に記憶された情報からトレンド予測に用いる情報を抽出する。例えば、抽出部１３２は、日時ｄｔ１〜ｄｔ５１までの対象期間におけるストアの出品情報やユーザの行動情報からトレンド予測に用いる情報を抽出する。例えば、抽出部１３２は、対象期間における女性のファッションに関連するカテゴリの出品情報を抽出する。例えば、抽出部１３２は、カテゴリ「ファッション（レディース）」に該当する出品物ＥＸ１〜ＥＸ３等の出品情報を抽出する。例えば、予測装置１００は、ユーザ属性が女性であるユーザＵ１の行動情報ＡＣ１１やユーザＵ５の行動情報ＡＣ５１等を抽出する。

また、抽出部１３２は、出品物ＥＸ１〜ＥＸ３等の出品情報やユーザＵ１の行動情報ＡＣ１１やユーザＵ５の行動情報ＡＣ５１等の各抽出情報からトレンド予測に用いる情報を抽出する。例えば、抽出部１３２は、出品物ＥＸ１の出品情報から、図１中の抽出情報記憶部１２５に示すような情報（抽出情報）を抽出する。例えば、抽出部１３２は、出品物ＥＸ１の出品情報に含まれる画像ＩＭ１１から「トレンド要素♯１(色)」に対応する色に関するトレンド予測に用いる情報を抽出する。例えば、予測装置１００は、紫のニットが主に含まれる画像ＩＭ１１（図１１参照）から、色「紫」をトレンド予測に用いる情報として抽出する。

また、例えば、抽出部１３２は、出品物ＥＸ１の出品情報に含まれる文字情報ＴＸＴ１１や文字情報ＴＸＴ１２から「トレンド要素♯２(キーワード)」に対応するキーワードに関するトレンドを抽出する。図１の例では、抽出部１３２は、「ふわふわ」といったキーワードが含まれる文字情報ＴＸＴ１１や文字情報ＴＸＴ１２から、キーワード「ふわふわ」をトレンド予測に用いる情報として抽出する。

また、例えば、抽出部１３２は、出品物ＥＸ２の出品情報から、図１中の抽出情報記憶部１２５に示すような情報（抽出情報）を抽出する。例えば、抽出部１３２は、出品物ＥＸ２の出品情報に含まれる画像ＩＭ１２から「トレンド要素♯１(色)」に対応する色に関するトレンド予測に用いる情報を抽出する。例えば、予測装置１００は、黄色のスカートが主に含まれる画像ＩＭ２１から、色「黄色」をトレンド予測に用いる情報として抽出する。

また、例えば、抽出部１３２は、出品物ＥＸ２の出品情報に含まれる文字情報ＴＸＴ２１から「トレンド要素♯２(キーワード)」に対応するキーワードに関するトレンドを抽出する。図１の例では、予測装置１００は、文字情報ＴＸＴ２１から、「さらさら」等のキーワードを抽出する。

例えば、抽出部１３２は、ユーザＵ１が選択したコンテンツＣＴ１１から、図１中の抽出情報記憶部１２５に示すような情報（抽出情報）を抽出する。例えば、抽出部１３２は、コンテンツＣＴ１１に含まれる画像ＩＭ１１から「トレンド要素♯１(色)」に対応する色に関するトレンド予測に用いる情報を抽出する。例えば、抽出部１３２は、紫のニットが主に含まれる画像ＩＭ１１（図１１参照）から、色「紫」をトレンド予測に用いる情報として抽出する。

また、例えば、抽出部１３２は、コンテンツＣＴ１１に含まれる文字情報ＴＸＴ１１から「トレンド要素♯２(キーワード)」に対応するキーワードに関するトレンドを抽出する。図１の例では、抽出部１３２は、文字情報ＴＸＴ１１から、「ふわふわ」等のキーワードを抽出する。

例えば、抽出部１３２は、ユーザＵ５がＳＮＳ＃１に投稿した画像ＩＭ５１から、図１中の抽出情報記憶部１２５に示すような情報（抽出情報）を抽出する。例えば、抽出部１３２は、画像ＩＭ５１から「トレンド要素♯１(色)」に対応する色に関するトレンド予測に用いる情報を抽出する。例えば、抽出部１３２は、紫色の占有率が高い画像ＩＭ５１から、色「紫」をトレンド予測に用いる情報として抽出する。

（予測部１３３）
予測部１３３は、種々の情報を予測する。例えば、予測部１３３は、種々のトレンド情報を予測する。予測部１３３は、取得部１３１により取得された出品情報に基づいて、出品者による出品時点よりも後における取引対象に関するトレンド情報を予測する。予測部１３３は、抽出部１３２により抽出された情報に基づいて、トレンド情報を予測する。予測部１３３は、取引対象に対応する要素の種類のうち、出品時点よりも後にいずれの種類が流行するかを示すトレンド情報を予測する。予測部１３３は、取引対象に対応する色の種類のうち、出品時点よりも後にいずれの種類が流行するかを示すトレンド情報を予測する。

また、予測部１３３は、出品者の売上が所定の基準を満たす場合、出品情報の重みを大きくして、出品者による出品時点よりも後における取引対象に関するトレンド情報を予測する。また、予測部１３３は、出品者の売上が所定の閾値以上である場合、出品情報の重みを大きくして、出品者による出品時点よりも後における取引対象に関するトレンド情報を予測する。予測部１３３は、取得部１３１により取得された出品者の順位を示す情報に基づく出品情報の重みに応じて、出品者による出品時点よりも後における取引対象に関するトレンド情報を予測する。

また、予測部１３３は、取得部１３１により取得されたユーザの行動情報に基づいて、出品者による出品時点よりも後における取引対象に関するトレンド情報を予測する。また、予測部１３３は、出品者が取引対象を通常の価格よりも低い価格で出品する場合、出品情報の重みを小さくして、出品者による出品時点よりも後における取引対象に関するトレンド情報を予測する。

図１の例では、予測部１３３は、図１中の抽出情報記憶部１２５に示すような抽出情報に基づいて、トレンド情報を予測する。予測部１３３は、図１中の抽出情報記憶部１２５に示すような抽出情報に基づいて、女性向けファッションに関するトレンド情報を予測する。例えば、予測部１３３は、日時ｄｔ１〜ｄｔ５１までの対象期間に収集された情報から、対象期間よりも先に流行する女性向けファッションに関するトレンド情報を予測する。予測部１３３は、図１中のトレンド情報記憶部１２６に示すように、抽出情報に基づいて、日時ｄｔ１〜ｄｔ５１までの対象期間に対応するトレンド情報を予測する。

例えば、予測部１３３は、「トレンド要素♯１(色)」に該当する各色の数をカウント（計数）し、カウント数が最大の色をトレンドとなる色として予測する。図１の例では、予測部１３３は、抽出情報ＳＭ１１のトレンド要素♯１(色)の「紫」や抽出情報ＳＭ１２のトレンド要素♯１(色)の「黄色」等の数をカウント（計数）する。予測部１３３は、色「紫」をトレンド要素♯１(色)に対応するトレンドと予測する。予測部１３３は、色「紫」を日時ｄｔ１〜ｄｔ５１までの対象期間よりも後にトレンドとなり、流行色となる色と予測する。

また、例えば、予測部１３３は、「トレンド要素♯２(キーワード)」に該当する各キーワードの数をカウント（計数）し、カウント数が最大のキーワードをトレンドとなるキーワード（単語）として予測する。図１の例では、予測部１３３は、抽出情報ＳＭ１１のトレンド要素♯２(キーワード)の「ふわふわ」や抽出情報ＳＭ１２のトレンド要素♯２(キーワード)の「さらさら」等の数をカウント（計数）する。予測部１３３は、キーワード「ふわふわ」をトレンド要素♯２(キーワード)に対応するトレンドと予測する。すなわち、予測装置１００は、キーワード「ふわふわ」を日時ｄｔ１〜ｄｔ５１までの対象期間よりも後にトレンドとなり、流行語になると予測する。

（生成部１３４）
生成部１３４は、種々の情報を生成する。例えば、生成部１３４は、コンテンツを生成する。例えば、生成部１３４は、予測部１３３により予測されたトレンドに基づいて、コンテンツを生成する。例えば、生成部１３４は、予測部１３３により予測されたトレンドに基づいて、コンテンツの最適化する。例えば、生成部１３４は、予測部１３３により予測されたトレンドに基づいて、コンテンツにおける色を変更する。例えば、生成部１３４は、予測部１３３により予測されたトレンドに基づいて、コンテンツにおける所定の色をトレントとして予測された色に変更する。生成部１３４は、予測部１３３により予測されたトレンド情報に基づいて、コンテンツを生成する。生成部１３４は、トレンド情報に基づいて、取得部１３１により取得された第１コンテンツから第２コンテンツを生成する。

図１１の例では、生成部１３４は、色リストＣＬ１１に示すように、画像ＩＭ１１に含まれる各色の割合を示す情報を生成する。例えば、生成部１３４は、色リストＣＬ１１に示すように、色「紫」が画像ＩＭ１１に占める割合を「Ｒ１」（％）であることを示す情報を生成する。例えば、生成部１３４は、色「紫」のニットＷＲ１１が画像ＩＭ１１に占める割合を「Ｒ１」（％）であることを示す情報を生成する。例えば、生成部１３４は、色リストＣＬ１１に示すように、色「赤」が画像ＩＭ１１に占める割合を「Ｒ２」（％）であることを示す情報を生成する。例えば、生成部１３４は、色「赤」のニットＷＲ１２が画像ＩＭ１１に占める割合を「Ｒ２」（％）であることを示す情報を生成する。

図１２の例では、生成部１３４は、画像ＩＭ８１に対する図１１と同様の画像解析等の処理により、画像ＩＭ８１における赤色のニットＷＲ８１の占有率や紫色のニットＷＲ８２の占有率を示す情報を生成する。すなわち、生成部１３４は、画像ＩＭ８１における赤色の割合の方が、紫色の割合よりも大きいことを示す情報を生成する。

そして、生成部１３４は、各色の占有率に応じて、色を変更する。例えば、生成部１３４は、各色の占有率を比較し、その比較結果に基づいて、トレンドの色と他の色とを変更する。図１２の例では、生成部１３４は、予測したトレンドである紫色のニットＷＲ８２よりも占有率が大きい赤色のニットＷＲ８１が画像ＩＭ８１に含まれるため、赤と紫の色を変更する。

例えば、生成部１３４は、予測したトレンドである紫色のニットＷＲ８２よりも占有率が大きい赤色のニットＷＲ８１が画像ＩＭ８１に含まれるため、赤と紫の色を変更した画像ＩＭ８２を生成する。図１２の例では、生成部１３４は、赤色が紫色に変更されたニットＷＲ８１−２と、紫色が赤色に変更されたニットＷＲ８２−２とを含む画像ＩＭ８２を生成する。例えば、生成部１３４は、画像処理の種々の従来手法等を適宜用いて、画像ＩＭ８１中の赤を紫に変更し、紫を赤に変更することにより、画像ＩＭ８２を生成する。

図１２の例では、生成部１３４は、予測したトレンドであるキーワード「ふわふわ」と、文字情報ＴＸＴ８１中のキーワード「ゆったり」との類似度が「Ｖネック」や「ニット」等よりも高いため、文字情報ＴＸＴ８１中のキーワード「ゆったり」をトレンドのキーワード「ふわふわ」に変更する。例えば、生成部１３４は、文字情報ＴＸＴ８１中のキーワード「ゆったり」をトレンドのキーワード「ふわふわ」に置き換えた、文字情報ＴＸＴ８２を生成する。生成部１３４は、トレンド情報により最適化されたコンテンツＣＴ８２を生成する。

（提供部１３５）
提供部１３５は、種々の情報を提供する。例えば、提供部１３５は、ユーザ端末１０や出品者端末２０等の外部装置に各種情報を提供する。例えば、提供部１３５は、ユーザ端末１０や出品者端末２０等の外部装置に各種情報を送信する。例えば、提供部１３５は、ユーザ端末１０や出品者端末２０等の外部装置に各種情報を配信する。

図１の例では、提供部１３５は、ストアにトレンド情報を提供する。例えば、提供部１３５は、予測したトレンドとは異なる要素を含む出品情報を登録しているストアに、予測したトレンド情報を提供する。例えば、提供部１３５は、トレンド情報に含まれる色「紫」やキーワード「ふわふわ」とは異なる要素を含む出品情報を登録しているストアに、予測したトレンド情報を提供する。例えば、提供部１３５は、トレンド情報に含まれる色「紫」とは異なる色「黄色」やキーワード「ふわふわ」とは異なるキーワード「さらさら」といった要素を含む出品情報を登録しているストアＳＴ２に、予測したトレンド情報を提供する。例えば、提供部１３５は、ストアＳＴ２の出品者端末２０に色「紫」及びキーワード「ふわふわ」を含むトレンド情報を送信する。

〔３．予測処理のフロー〕
ここで、図１０を用いて、実施形態に係る予測装置１００による予測処理の手順について説明する。図１０は、実施形態に係る予測処理の一例を示すフローチャートである。

図１０に示すように、予測装置１００は、出品者が出品する取引対象に関する出品情報を取得する（ステップＳ１０１）。図１の例では、予測装置１００は、ストアＳＴ１〜ＳＴ３等から出品情報を取得する。

また、予測装置１００は、ユーザの行動情報を取得する（ステップＳ１０２）。図１の例では、予測装置１００は、ユーザ端末１０−１からユーザＵ１がコンテンツＣＴ１１を選択する操作を行ったことを示す行動情報を取得する。また、図１の例では、予測装置１００は、ユーザ端末１０−５から画像ＩＭ５１をユーザＵ５がＳＮＳ＃１へ投稿したことを示す行動情報を取得する。

そして、予測装置１００は、取得した情報からトレンド予測に用いる情報を抽出する（ステップＳ１０３）。図１の例では、予測装置１００は、出品情報記憶部１２１や行動情報記憶部１２４に記憶された情報からトレンド予測に用いる情報を抽出する。

そして、予測装置１００は、抽出した情報に基づいて、トレンドを予測する（ステップＳ１０４）。図１の例では、予測装置１００は、日時ｄｔ１から日時ｄｔ５１までの期間（例えば１ヶ月等の期間）における情報に基づくトレンドは、「トレンド要素♯１(色)」については「紫」であり、「トレンド要素♯２（キーワード）」については「ふわふわ」であると予測する。

〔４．効果〕
上述してきたように、実施形態に係る予測装置１００は、取得部１３１と、予測部１３３とを有する。取得部１３１は、所定の電子商取引サービスにおいて出品者が出品する取引対象に関する出品情報を取得する。予測部１３３は、取得部１３１により取得された出品情報に基づいて、出品者による出品時点よりも後における取引対象に関するトレンド情報を予測する。

これにより、実施形態に係る予測装置１００は、所定の電子商取引サービスにおいて出品者が出品する取引対象に関する出品情報に基づいて、出品者による出品時点よりも後における取引対象に関するトレンド情報を予測することができるため、取引対象に関する情報を適切に予測することができる。

また、実施形態に係る予測装置１００において、取得部１３１は、取引対象を示す画像情報を含む出品情報を取得する。

これにより、実施形態に係る予測装置１００は、取引対象を示す画像情報を含む出品情報を取得することにより、取引対象に関する情報を適切に予測することができる。

また、実施形態に係る予測装置１００において、取得部１３１は、取引対象を示す文字情報を含む出品情報を取得する。

これにより、実施形態に係る予測装置１００は、取引対象を示す文字情報を含む出品情報を取得することにより、取引対象に関する情報を適切に予測することができる。

また、実施形態に係る予測装置１００において、予測部１３３は、取引対象に対応する要素の種類のうち、出品時点よりも後にいずれの種類が流行するかを示すトレンド情報を予測する。

これにより、実施形態に係る予測装置１００は、取引対象に対応する要素の種類のうち、出品時点よりも後にいずれの種類が流行するかを示すトレンド情報を予測することができ、取引対象に関する情報を適切に予測することができる。

また、実施形態に係る予測装置１００において、予測部１３３は、取引対象に対応する色の種類のうち、出品時点よりも後にいずれの種類が流行するかを示すトレンド情報を予測する。

これにより、実施形態に係る予測装置１００は、取引対象に対応する要素の種類のうち、出品時点よりも後にいずれの種類が流行するかを示すトレンド情報を予測することができ、取引対象に関する情報を適切に予測することができる。

また、実施形態に係る予測装置１００は、抽出部１３２を有する。抽出部１３２は、取得部１３１により取得された出品情報から、トレンド情報の予測に用いる情報を抽出する。予測部１３３は、抽出部１３２により抽出された情報に基づいて、トレンド情報を予測する。

これにより、実施形態に係る予測装置１００は、出品情報から、トレンド情報の予測に用いる情報を抽出し、抽出した情報に基づいて、トレンド情報を予測することにより、取引対象に関する情報を適切に予測することができる。

また、実施形態に係る予測装置１００において、予測部１３３は、出品者が取引対象を通常の価格よりも低い価格で出品する場合、出品情報の重みを小さくして、トレンド情報を予測する。

これにより、実施形態に係る予測装置１００は、出品者が取引対象を通常の価格よりも低い価格で出品する場合、出品情報の重みを小さくして、トレンド情報を予測することにより、取引対象に関する情報を適切に予測することができる。

また、実施形態に係る予測装置１００において、予測部１３３は、出品者の売上が所定の基準を満たす場合、出品情報の重みを大きくして、トレンド情報を予測する。

これにより、実施形態に係る予測装置１００は、出品者の売上が所定の基準を満たす場合、出品情報の重みを大きくして、トレンド情報を予測することにより、取引対象に関する情報を適切に予測することができる。

また、実施形態に係る予測装置１００において、予測部１３３は、出品者の売上が所定の閾値以上である場合、出品情報の重みを大きくして、トレンド情報を予測する。

これにより、実施形態に係る予測装置１００は、出品者の売上が所定の閾値以上である場合、出品情報の重みを大きくして、トレンド情報を予測することにより、取引対象に関する情報を適切に予測することができる。

また、実施形態に係る予測装置１００において、取得部１３１は、出品者に関する出品者情報と、出品者とは異なる他の出品者に関する他の出品者情報とに基づく出品者の順位を示す情報を取得する。予測部１３３は、取得部１３１により取得された出品者の順位を示す情報に基づく出品情報の重みに応じて、トレンド情報を予測する。

これにより、実施形態に係る予測装置１００は、出品者情報と他の出品者情報とに基づいて、トレンド情報を予測することができ、取引対象に関する情報を適切に予測することができる。

また、実施形態に係る予測装置１００において、取得部１３１は、ユーザの行動情報を取得する。予測部１３３は、取得部１３１により取得されたユーザの行動情報に基づいて、トレンド情報を予測する。

これにより、実施形態に係る予測装置１００は、ユーザの行動情報に基づいて、トレンド情報を予測することができ、取引対象に関する情報を適切に予測することができる。

また、実施形態に係る予測装置１００において、取得部１３１は、取引対象に関するユーザの行動を示す行動情報を取得する。

これにより、実施形態に係る予測装置１００は、取引対象に関するユーザの行動を示す行動情報を取得することにより、取引対象に関する情報を適切に予測することができる。

また、実施形態に係る予測装置１００において、取得部１３１は、出品者が出品した取引対象を示す所定のページの選択を示す行動情報を取得する。

これにより、実施形態に係る予測装置１００は、出品者が出品した取引対象を示す所定のページの選択を示す行動情報を取得することにより、取引対象に関する情報を適切に予測することができる。

また、実施形態に係る予測装置１００は、生成部１３４を有する。生成部１３４は、予測部１３３により予測されたトレンド情報に基づいて、コンテンツを生成する。

これにより、実施形態に係る予測装置１００は、予測したトレンド情報に基づいて、コンテンツを生成することにより、トレンドを適切に反映したコンテンツを生成することができる。

また、実施形態に係る予測装置１００において、取得部１３１は、第１コンテンツを取得する。生成部１３４は、トレンド情報に基づいて、取得部１３１により取得された第１コンテンツから第２コンテンツを生成する。

これにより、実施形態に係る予測装置１００は、トレンド情報に基づいて、第１コンテンツから第２コンテンツを生成することにより、あるコンテンツを基にトレンドを適切に反映した他のコンテンツを生成することができる。すなわち、予測装置１００は、コンテンツをトレンドに応じて最適化することができる。

〔５．ハードウェア構成〕
上述してきた実施形態に係る予測装置１００は、例えば図１３に示すような構成のコンピュータ１０００によって実現される。図１３は、予測装置の機能を実現するコンピュータの一例を示すハードウェア構成図である。コンピュータ１０００は、ＣＰＵ１１００、ＲＡＭ１２００、ＲＯＭ１３００、ＨＤＤ（Hard Disk Drive）１４００、通信インターフェイス（Ｉ／Ｆ）１５００、入出力インターフェイス（Ｉ／Ｆ）１６００、及びメディアインターフェイス（Ｉ／Ｆ）１７００を有する。

ＣＰＵ１１００は、ＲＯＭ１３００またはＨＤＤ１４００に格納されたプログラムに基づいて動作し、各部の制御を行う。ＲＯＭ１３００は、コンピュータ１０００の起動時にＣＰＵ１１００によって実行されるブートプログラムや、コンピュータ１０００のハードウェアに依存するプログラム等を格納する。

ＨＤＤ１４００は、ＣＰＵ１１００によって実行されるプログラム、及び、かかるプログラムによって使用されるデータ等を格納する。通信インターフェイス１５００は、ネットワークＮを介して他の機器からデータを受信してＣＰＵ１１００へ送り、ＣＰＵ１１００が生成したデータをネットワークＮを介して他の機器へ提供する。

ＣＰＵ１１００は、入出力インターフェイス１６００を介して、ディスプレイやプリンタ等の出力装置、及び、キーボードやマウス等の入力装置を制御する。ＣＰＵ１１００は、入出力インターフェイス１６００を介して、入力装置からデータを取得する。また、ＣＰＵ１１００は、生成したデータを入出力インターフェイス１６００を介して出力装置へ出力する。

メディアインターフェイス１７００は、記録媒体１８００に格納されたプログラムまたはデータを読み取り、ＲＡＭ１２００を介してＣＰＵ１１００に提供する。ＣＰＵ１１００は、かかるプログラムを、メディアインターフェイス１７００を介して記録媒体１８００からＲＡＭ１２００上にロードし、ロードしたプログラムを実行する。記録媒体１８００は、例えばＤＶＤ（Digital Versatile Disc）、ＰＤ（Phase change rewritable Disk）等の光学記録媒体、ＭＯ（Magneto-Optical disk）等の光磁気記録媒体、テープ媒体、磁気記録媒体、または半導体メモリ等である。

例えば、コンピュータ１０００が実施形態に係る予測装置１００として機能する場合、コンピュータ１０００のＣＰＵ１１００は、ＲＡＭ１２００上にロードされたプログラムを実行することにより、制御部１３０の機能を実現する。コンピュータ１０００のＣＰＵ１１００は、これらのプログラムを記録媒体１８００から読み取って実行するが、他の例として、他の装置からネットワークＮを介してこれらのプログラムを取得してもよい。

以上、本願の実施形態を図面に基づいて詳細に説明したが、これらは例示であり、発明の開示の行に記載の態様を始めとして、当業者の知識に基づいて種々の変形、改良を施した他の形態で本発明を実施することが可能である。

〔６．その他〕
また、上記実施形態において説明した各処理のうち、自動的に行われるものとして説明した処理の全部または一部を手動的に行うこともでき、あるいは、手動的に行われるものとして説明した処理の全部または一部を公知の方法で自動的に行うこともできる。この他、上記文書中や図面中で示した処理手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に生成することができる。例えば、各図に示した各種情報は、図示した情報に限られない。

また、図示した各装置の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、各装置の分散・統合の具体的形態は図示のものに限られず、その全部または一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。

また、上述してきた実施形態に記載された各処理は、処理内容を矛盾させない範囲で適宜組み合わせることが可能である。

また、上述してきた「部（section、module、unit）」は、「手段」や「回路」などに読み替えることができる。例えば、取得部は、取得手段や取得回路に読み替えることができる。

１ 予測システム
１００ 予測装置
１２１ 出品情報記憶部
１２２ 出品者情報記憶部
１２３ ユーザ情報記憶部
１２４ 行動情報記憶部
１２５ 抽出情報記憶部
１２６ トレンド情報記憶部
１３０ 制御部
１３１ 取得部
１３２ 抽出部
１３３ 予測部
１３４ 生成部
１３５ 提供部
１０ ユーザ端末
２０ 出品者端末
Ｎ ネットワーク

Claims (26)

1. 所定の電子商取引サービスにおいて出品者が出品する取引対象に関する出品情報であって、文字情報を含む出品情報と、トレンドの予測に関連する前記出品者の所定の実績を示すトレンド実績とを取得する取得部と、
   前記取得部により取得された出品情報のうち、前記文字情報における出現頻度の大きさに応じて抽出される流行語に関するトレンド要素と、前記取得部により取得されたトレンド実績とに基づいて、前記出品者による出品時点よりも後における前記取引対象に関するトレンド情報を予測する予測部と、
   を備えることを特徴とする予測装置。
2. 所定の電子商取引サービスにおいて出品者が出品する取引対象に関する出品情報であって、文字情報を含む出品情報と、発信する情報の他のユーザへの影響力が大きいユーザであるインフルエンサーが投稿した投稿情報とを取得する取得部と、
   前記取得部により取得された出品情報のうち、前記文字情報における出現頻度の大きさに応じて抽出される流行語に関するトレンド要素と、前記投稿情報とに基づいて、前記出品者による出品時点よりも後における前記取引対象に関するトレンド情報を予測する予測部と、
   を備えることを特徴とする予測装置。
3. 所定の電子商取引サービスにおいて出品者が出品する取引対象に関する出品情報と、取引対象に対応する情報を含む第１コンテンツと、トレンドの予測に関連する前記出品者の所定の実績を示すトレンド実績とを取得する取得部と、
   前記取得部により取得された出品情報と、前記取得部により取得されたトレンド実績とに基づいて、前記出品者による出品時点よりも後における前記取引対象に関するトレンド情報を予測する予測部と、
   前記予測部により予測された前記トレンド情報に基づいて、前記取得部により取得された前記第１コンテンツ中における取引対象に対応する一の要素を他の要素に変換することにより、第２コンテンツを生成する生成部と、
   を備えることを特徴とする予測装置。
4. 所定の電子商取引サービスにおいて出品者が出品する取引対象に関する出品情報と、取引対象に対応する情報を含む第１コンテンツと、発信する情報の他のユーザへの影響力が大きいユーザであるインフルエンサーが投稿した投稿情報とを取得する取得部と、
   前記取得部により取得された出品情報と、前記投稿情報とに基づいて、前記出品者による出品時点よりも後における前記取引対象に関するトレンド情報を予測する予測部と、
   前記予測部により予測された前記トレンド情報に基づいて、前記取得部により取得された前記第１コンテンツ中における取引対象に対応する一の要素を他の要素に変換することにより、第２コンテンツを生成する生成部と、
   を備えることを特徴とする予測装置。
5. 前記予測部により予測された前記トレンド情報に基づいて、コンテンツを生成する生成部、
   をさらに備えることを特徴とする請求項１または請求項２に記載の予測装置。
6. 前記取得部は、
   第１コンテンツを取得し、
   前記生成部は、
   前記トレンド情報に基づいて、前記取得部により取得された前記第１コンテンツから第２コンテンツを生成する
   ことを特徴とする請求項５に記載の予測装置。
7. 前記取得部は、
   前記取引対象を示す画像情報を含む前記出品情報を取得する
   ことを特徴とする請求項１〜６のいずれか１項に記載の予測装置。
8. 前記取得部は、
   前記取引対象を示す文字情報を含む前記出品情報を取得する
   ことを特徴とする請求項１〜７のいずれか１項に記載の予測装置。
9. 前記予測部は、
   前記取引対象に対応する要素の種類のうち、前記出品時点よりも後にいずれの種類が流行するかを示す前記トレンド情報を予測する
   ことを特徴とする請求項１〜８のいずれか１項に記載の予測装置。
10. 前記予測部は、
    前記取引対象に対応する色の種類のうち、前記出品時点よりも後にいずれの種類が流行するかを示す前記トレンド情報を予測する
    ことを特徴とする請求項９に記載の予測装置。
11. 前記取得部により取得された前記出品情報から、前記トレンド情報の予測に用いる情報を抽出する抽出部、
    をさらに備え、
    前記予測部は、
    前記抽出部により抽出された情報に基づいて、前記トレンド情報を予測する
    ことを特徴とする請求項１〜１０のいずれか１項に記載の予測装置。
12. 前記予測部は、
    前記出品者が前記取引対象を通常の価格よりも低い価格で出品する場合、前記出品情報の重みを小さくして、前記トレンド情報を予測する
    ことを特徴とする請求項１〜１１のいずれか１項に記載の予測装置。
13. 前記予測部は、
    前記出品者の売上が所定の基準を満たす場合、前記出品情報の重みを大きくして、前記トレンド情報を予測する
    ことを特徴とする請求項１〜１２のいずれか１項に記載の予測装置。
14. 前記予測部は、
    前記出品者の売上が所定の閾値以上である場合、前記出品情報の重みを大きくして、前記トレンド情報を予測する
    ことを特徴とする請求項１３に記載の予測装置。
15. 前記取得部は、
    前記出品者に関する出品者情報と、前記出品者とは異なる他の出品者に関する他の出品者情報とに基づく前記出品者の順位を示す情報を取得し、
    前記予測部は、
    前記取得部により取得された前記出品者の順位を示す情報に基づく前記出品情報の重みに応じて、前記トレンド情報を予測する
    ことを特徴とする請求項１〜１４のいずれか１項に記載の予測装置。
16. 前記取得部は、
    ユーザの行動情報を取得し、
    前記予測部は、
    前記取得部により取得されたユーザの行動情報に基づいて、前記トレンド情報を予測する
    ことを特徴とする請求項１〜１５のいずれか１項に記載の予測装置。
17. 前記取得部は、
    前記取引対象に関する前記ユーザの行動を示す前記行動情報を取得する
    ことを特徴とする請求項１６に記載の予測装置。
18. 前記取得部は、
    前記出品者が出品した前記取引対象を示す所定のページの選択を示す前記行動情報を取得する
    ことを特徴とする請求項１７に記載の予測装置。
19. コンピュータが実行する予測方法であって、
    所定の電子商取引サービスにおいて出品者が出品する取引対象に関する出品情報であって、文字情報を含む出品情報と、トレンドの予測に関連する前記出品者の所定の実績を示すトレンド実績とを取得する取得工程と、
    前記取得工程により取得された出品情報のうち、前記文字情報における出現頻度の大きさに応じて抽出される流行語に関するトレンド要素と、前記取得工程により取得されたトレンド実績とに基づいて、前記出品者による出品時点よりも後における前記取引対象に関するトレンド情報を予測する予測工程と、
    を含むことを特徴とする予測方法。
20. コンピュータが実行する予測方法であって、
    所定の電子商取引サービスにおいて出品者が出品する取引対象に関する出品情報であって、文字情報を含む出品情報と、発信する情報の他のユーザへの影響力が大きいユーザであるインフルエンサーが投稿した投稿情報とを取得する取得工程と、
    前記取得工程により取得された出品情報のうち、前記文字情報における出現頻度の大きさに応じて抽出される流行語に関するトレンド要素と、前記投稿情報とに基づいて、前記出品者による出品時点よりも後における前記取引対象に関するトレンド情報を予測する予測工程と、
    を含むことを特徴とする予測方法。
21. 所定の電子商取引サービスにおいて出品者が出品する取引対象に関する出品情報であって、文字情報を含む出品情報と、トレンドの予測に関連する前記出品者の所定の実績を示すトレンド実績とを取得する取得手順と、
    前記取得手順により取得された出品情報のうち、前記文字情報における出現頻度の大きさに応じて抽出される流行語に関するトレンド要素と、前記取得手順により取得されたトレンド実績とに基づいて、前記出品者による出品時点よりも後における前記取引対象に関するトレンド情報を予測する予測手順と、
    をコンピュータに実行させることを特徴とする予測プログラム。
22. 所定の電子商取引サービスにおいて出品者が出品する取引対象に関する出品情報であって、文字情報を含む出品情報と、発信する情報の他のユーザへの影響力が大きいユーザであるインフルエンサーが投稿した投稿情報とを取得する取得手順と、
    前記取得手順により取得された出品情報のうち、前記文字情報における出現頻度の大きさに応じて抽出される流行語に関するトレンド要素と、前記投稿情報とに基づいて、前記出品者による出品時点よりも後における前記取引対象に関するトレンド情報を予測する予測手順と、
    をコンピュータに実行させることを特徴とする予測プログラム。
23. コンピュータが実行する予測方法であって、
    所定の電子商取引サービスにおいて出品者が出品する取引対象に関する出品情報と、取引対象に対応する情報を含む第１コンテンツと、トレンドの予測に関連する前記出品者の所定の実績を示すトレンド実績とを取得する取得工程と、
    前記取得工程により取得された出品情報と、前記取得工程により取得されたトレンド実績とに基づいて、前記出品者による出品時点よりも後における前記取引対象に関するトレンド情報を予測する予測工程と、
    前記予測工程により予測された前記トレンド情報に基づいて、前記取得工程により取得された前記第１コンテンツ中における取引対象に対応する一の要素を他の要素に変換することにより、第２コンテンツを生成する生成工程と、
    を含むことを特徴とする予測方法。
24. コンピュータが実行する予測方法であって、
    所定の電子商取引サービスにおいて出品者が出品する取引対象に関する出品情報と、取引対象に対応する情報を含む第１コンテンツと、発信する情報の他のユーザへの影響力が大きいユーザであるインフルエンサーが投稿した投稿情報とを取得する取得工程と、
    前記取得工程により取得された出品情報と、前記投稿情報とに基づいて、前記出品者による出品時点よりも後における前記取引対象に関するトレンド情報を予測する予測工程と、
    前記予測工程により予測された前記トレンド情報に基づいて、前記取得工程により取得された前記第１コンテンツ中における取引対象に対応する一の要素を他の要素に変換することにより、第２コンテンツを生成する生成工程と、
    を含むことを特徴とする予測方法。
25. 所定の電子商取引サービスにおいて出品者が出品する取引対象に関する出品情報と、取引対象に対応する情報を含む第１コンテンツと、トレンドの予測に関連する前記出品者の所定の実績を示すトレンド実績とを取得する取得手順と、
    前記取得手順により取得された出品情報と、前記取得手順により取得されたトレンド実績とに基づいて、前記出品者による出品時点よりも後における前記取引対象に関するトレンド情報を予測する予測手順と、
    前記予測手順により予測された前記トレンド情報に基づいて、前記取得手順により取得された前記第１コンテンツ中における取引対象に対応する一の要素を他の要素に変換することにより、第２コンテンツを生成する生成手順と、
    をコンピュータに実行させることを特徴とする予測プログラム。
26. 所定の電子商取引サービスにおいて出品者が出品する取引対象に関する出品情報と、取引対象に対応する情報を含む第１コンテンツと、発信する情報の他のユーザへの影響力が大きいユーザであるインフルエンサーが投稿した投稿情報とを取得する取得手順と、
    前記取得手順により取得された出品情報と、前記投稿情報とに基づいて、前記出品者による出品時点よりも後における前記取引対象に関するトレンド情報を予測する予測手順と、
    前記予測手順により予測された前記トレンド情報に基づいて、前記取得手順により取得された前記第１コンテンツ中における取引対象に対応する一の要素を他の要素に変換することにより、第２コンテンツを生成する生成手順と、
    をコンピュータに実行させることを特徴とする予測プログラム。

Images