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

予測装置、予測方法、及び予測プログラム Download PDF

Info

Publication number
JP6584486B2
JP6584486B2 JP2017243148A JP2017243148A JP6584486B2 JP 6584486 B2 JP6584486 B2 JP 6584486B2 JP 2017243148 A JP2017243148 A JP 2017243148A JP 2017243148 A JP2017243148 A JP 2017243148A JP 6584486 B2 JP6584486 B2 JP 6584486B2
Authority
JP
Japan
Prior art keywords
information
trend
prediction
exhibition
seller
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
JP2017243148A
Other languages
English (en)
Other versions
JP2019109787A (ja
Inventor
博基 谷口
博基 谷口
塚本 浩司
浩司 塚本
高橋 健太郎
健太郎 高橋
寿 花岡
寿 花岡
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yahoo Japan Corp
Original Assignee
Yahoo Japan Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Yahoo Japan Corp filed Critical Yahoo Japan Corp
Priority to JP2017243148A priority Critical patent/JP6584486B2/ja
Publication of JP2019109787A publication Critical patent/JP2019109787A/ja
Application granted granted Critical
Publication of JP6584486B2 publication Critical patent/JP6584486B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

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〜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〜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〜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。
JP2017243148A 2017-12-19 2017-12-19 予測装置、予測方法、及び予測プログラム Active JP6584486B2 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2017243148A JP6584486B2 (ja) 2017-12-19 2017-12-19 予測装置、予測方法、及び予測プログラム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2017243148A JP6584486B2 (ja) 2017-12-19 2017-12-19 予測装置、予測方法、及び予測プログラム

Publications (2)

Publication Number Publication Date
JP2019109787A JP2019109787A (ja) 2019-07-04
JP6584486B2 true JP6584486B2 (ja) 2019-10-02

Family

ID=67179918

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2017243148A Active JP6584486B2 (ja) 2017-12-19 2017-12-19 予測装置、予測方法、及び予測プログラム

Country Status (1)

Country Link
JP (1) JP6584486B2 (ja)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111008874B (zh) * 2019-12-20 2023-06-06 浙江大学 技术趋势预测方法、系统及存储介质
JP7499133B2 (ja) 2020-09-18 2024-06-13 東芝テック株式会社 情報処理装置及びプログラム
JP7500123B1 (ja) 2024-04-10 2024-06-17 DART’s株式会社 情報処理システム、情報処理方法及びプログラム

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4185059B2 (ja) * 2005-02-18 2008-11-19 大日本印刷株式会社 トレンド予測装置およびトレンド予測方法
KR20090103457A (ko) * 2008-03-28 2009-10-01 엔에이치엔비즈니스플랫폼 주식회사 쇼핑 트렌드를 이용한 광고 수행 시스템 및 방법
JP2010055391A (ja) * 2008-08-28 2010-03-11 Fujifilm Corp 商品分析装置、商品提案装置、商品分析方法及びプログラム
JP2016009426A (ja) * 2014-06-26 2016-01-18 株式会社日立製作所 トレンド分析装置、及びトレンド分析方法
JP6345872B2 (ja) * 2015-03-16 2018-06-20 富士フイルム株式会社 商品推奨装置、商品推奨方法及びプログラム

Also Published As

Publication number Publication date
JP2019109787A (ja) 2019-07-04

Similar Documents

Publication Publication Date Title
US20200410531A1 (en) Methods, systems, and apparatus for enhancing electronic commerce using social media
US20180218435A1 (en) Systems and methods for customizing search results and recommendations
TW201417019A (zh) 搜尋結果的排序方法和裝置
US11321724B1 (en) Product evaluation system and method of use
JP2018067195A (ja) 提供装置、提供方法、及び提供プログラム
JP6584486B2 (ja) 予測装置、予測方法、及び予測プログラム
JP6698730B2 (ja) 抽出装置、抽出方法及び抽出プログラム
JP6320258B2 (ja) 抽出装置、抽出方法及び抽出プログラム
JP2018190462A (ja) 提供装置、提供方法、及び提供プログラム
JP2020013447A (ja) 決定装置、決定方法および決定プログラム
JP6746442B2 (ja) 分類装置、分類方法、及び分類プログラム
JP2018088282A (ja) 抽出装置、抽出方法及び抽出プログラム
JP6853286B2 (ja) 提供装置、提供方法及び提供プログラム
JP2018185575A (ja) 提供装置、提供方法、及び提供プログラム
WO2020031232A1 (ja) 情報処理システム、情報処理方法、及びプログラム
JP7042787B2 (ja) 判定装置、判定方法、および判定プログラム
JP7443280B2 (ja) 提供装置、提供方法及び提供プログラム
JP2020091816A (ja) 情報処理装置、情報処理方法、及び情報処理プログラム
JP7387971B2 (ja) 情報処理装置、情報処理方法および情報処理プログラム
JP6703592B1 (ja) 情報処理装置、情報処理方法、及び情報処理プログラム
JP7469414B2 (ja) 情報処理装置、情報処理方法および情報処理プログラム
JP7239775B1 (ja) 情報処理装置、情報処理方法および情報処理プログラム
JP7104257B1 (ja) 情報処理装置、情報処理方法、および情報処理プログラム
CN113763107B (zh) 一种对象信息推送方法、装置、设备及存储介质
JP7394512B2 (ja) 情報処理装置、情報処理方法及び情報処理プログラム

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20180516

A871 Explanation of circumstances concerning accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A871

Effective date: 20180516

A975 Report on accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A971005

Effective date: 20180516

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20180925

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20181002

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20181203

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20190226

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20190507

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20190806

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20190903

R150 Certificate of patent or registration of utility model

Ref document number: 6584486

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

S533 Written request for registration of change of name

Free format text: JAPANESE INTERMEDIATE CODE: R313533

R350 Written notification of registration of transfer

Free format text: JAPANESE INTERMEDIATE CODE: R350

S111 Request for change of ownership or part of ownership

Free format text: JAPANESE INTERMEDIATE CODE: R313111

R350 Written notification of registration of transfer

Free format text: JAPANESE INTERMEDIATE CODE: R350

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

S111 Request for change of ownership or part of ownership

Free format text: JAPANESE INTERMEDIATE CODE: R313111

R350 Written notification of registration of transfer

Free format text: JAPANESE INTERMEDIATE CODE: R350