JP6635587B2 - 広告文選択装置及びプログラム - Google Patents

Description

本発明は、広告文選択装置及びプログラムに関する。

これまで、顧客に商品を紹介する販促過程においては、商品開発時に考慮したターゲット層や、購買履歴等からその商品に興味を持ちそうな人に広告の提供先を絞ってきた。
広告の提供先を絞る技術として、購入された商品を配送するときに、顧客の性別や年齢などの属性をもとに新たな別の商品の広告用紙を選んで同梱するシステムがある（例えば、特許文献１参照）。また、ウェブにおいて、入力した検索語に関係する広告を表示するシステムがある（例えば、特許文献２参照）。また、ブックマークなど個人の選んだ文書とマッチする広告を表示させる技術がある(例えば、特許文献３参照）。また、ユーザーに配信した広告の履歴、およびユーザーが閲覧した広告の履歴に基づいて、そのユーザーの興味が高いと推定される広告を優先的に配信する技術がある（例えば、特許文献４参照）。また、ブログ等の投稿記事等、ユーザーの表現履歴やユーザーの既知の属性履歴に基づいて、ユーザーに対して配信する広告を選択する技術がある(例えば、特許文献５参照）。

特開２００６−１５５４２０号公報 特開２０１２−７９０２１号公報 特開２００４−１１８７１６号公報 特開２００７−２８６８３２号公報 特開２００９−１４５９６８号公報

上述した従来の技術は、顧客にあった商品の提示や広告を行うものである。それゆえ、顧客が限定されるような商品や、顧客が少ないと思われる商品は、広告される機会が少ないことがあった。また、広告を個人化するといっても、その人に合う商品の広告しか提供されず、人によっては全く広告されない商品もあった。
加えて、インターネット上で商品を販売するネット店舗が増加し、嗜好が個別化されている現在では、どのような人がその商品とマッチするかは、既存の年齢や性別などの属性では測れなくなっている。これらのことから、特定の層だけを狙って商品を広告し、購入を促進する従来の広告戦略は薄れつつあり、これまで購買者となり得ると考えられていた層を超えて、購買者を新たに開拓していくための広告が必要と考えられる。そのためには、特定の層に限らず幅広い層の人に、広告対象の商品を効果的に広告することが求められている。

本発明は、このような事情を考慮してなされたもので、同一の広告対象についての広告文を個人に合わせて選択することができる広告文選択装置及びプログラムを提供する。

本発明の一態様は、広告対象に対応した複数の広告文データそれぞれについて、前記広告文データに含まれる単語の特徴を表す広告文ベクトルを生成する広告文解析部と、ユーザーが利用した電子コンテンツに関するテキストに含まれる単語の特徴を表すユーザーベクトルを生成するユーザー嗜好解析部と、複数の前記広告文データのそれぞれから生成された前記広告文ベクトルをクラスタリングし、クラスタリングにより得られた複数のクラスタのそれぞれについて、複数の前記広告文データのうち、前記クラスタの中心ベクトルと類似の広告文ベクトルが得られた広告文データを抽出するクラスタ別広告文抽出部と、複数の前記クラスタそれぞれの中心ベクトルのうち、前記ユーザー嗜好解析部が生成した前記ユーザーベクトルと類似の中心ベクトルを選択し、選択された前記中心ベクトルについて前記クラスタ別広告文抽出部が抽出した前記広告文データを、前記ユーザーにマッチする広告文データとして選択するユーザーマッチング部と、を備えることを特徴する広告文選択装置である。
この発明によれば、広告文選択装置は、広告対象に対応した複数の広告文データそれぞれの広告文ベクトルを生成する。広告文ベクトルは、広告文データに含まれる単語の特徴を表す。また、広告文選択装置は、ユーザーが利用した電子コンテンツに関するテキストからユーザーベクトルを生成する。ユーザーベクトルは、電子コンテンツに関するテキストに含まれる単語の特徴を表す。広告文選択装置は、広告文ベクトルをクラスタリングし、各クラスタの中心ベクトルと類似の広告文ベクトルを選択する。広告文選択装置は、ユーザーベクトルと類似の中心ベクトルを選択し、選択した中心ベクトルと類似の広告ベクトルが得られた広告文データを、ユーザーにマッチする広告文データとして選択する。
これにより、広告文選択装置は、同一の広告対象について予め用意された複数の広告文の中から、個人の嗜好に合わせた切り口の広告文を選択することができる。

本発明の一態様は、上述する広告文選択装置であって、前記広告文ベクトルは、前記広告文データに含まれる単語それぞれの分散表現ベクトルを足し合わせたベクトルであり、前記ユーザーベクトルは、ユーザーが利用した電子コンテンツに関するテキストに含まれる単語それぞれの分散表現ベクトルを足し合わせたベクトルである、ことを特徴とする。
この発明によれば、広告文選択装置は、広告文データに含まれる単語それぞれの分散表現ベクトルを足し合わせて広告文ベクトルを生成し、ユーザーが利用した電子コンテンツに関するテキストに含まれる単語それぞれの分散表現ベクトルを足し合わせてユーザーベクトルを生成する。
これにより、広告文選択装置は、広告文に含まれる複数の概念を含んだ広告文ベクトルと、ユーザーが利用した電子コンテンツに関するテキストに含まれる複数の概念を含んだユーザーベクトルを生成し、個人に合わせた広告文の選択に利用する。従って、ユーザーの嗜好に広くマッチした広告文を選択することができる。

本発明の一態様は、上述する広告文選択装置であって、前記ユーザー嗜好解析部は、ユーザーが否定的な評価を与えた電子コンテンツに関するテキストに含まれる単語それぞれの分散表現ベクトルを足し合わせたユーザーネガティブベクトルを生成し、前記ユーザーマッチング部は、複数の前記クラスタそれぞれの中心ベクトルのうち、前記ユーザーベクトルから前記ユーザーネガティブベクトルを減算して得られるベクトルと類似の中心ベクトルを選択する、ことを特徴とする。
この発明によれば、広告文選択装置は、ユーザーが否定的な評価したテキストに含まれる単語の特徴を表すユーザーネガティブベクトルを生成する。広告文選択装置は、広告文データをクラスタリングして得られた各クラスタの中心ベクトルのうち、ユーザーベクトルからユーザーネガティブベクトルを減算して得られたベクトルと類似のものを選択する。広告文選択装置は、選択した中心ベクトルと類似の広告文ベクトルの広告データを、ユーザーの嗜好にあった広告データとして選択する。
これにより、広告文選択装置は、ユーザーが興味を示す概念を含み、かつ、ユーザーが興味を示さない概念については含まれない広告文を選択することができる。

本発明の一態様は、コンピュータを、広告対象に対応した複数の広告文データそれぞれについて、前記広告文データに含まれる単語の特徴を表す広告文ベクトルを生成する広告文解析手段と、ユーザーが利用した電子コンテンツに関するテキストに含まれる単語の特徴を表すユーザーベクトルを生成するユーザー嗜好解析手段と、複数の前記広告文データのそれぞれから生成された前記広告文ベクトルをクラスタリングし、クラスタリングにより得られた複数のクラスタのそれぞれについて、複数の前記広告文データのうち、前記クラスタの中心ベクトルと類似の広告文ベクトルが得られた広告文データを抽出するクラスタ別広告文抽出手段と、複数の前記クラスタそれぞれの中心ベクトルのうち、前記ユーザー嗜好解析手段が生成した前記ユーザーベクトルと類似の中心ベクトルを選択し、選択された前記中心ベクトルについて前記クラスタ別広告文抽出手段が抽出した前記広告文データを、前記ユーザーにマッチする広告文データとして選択するユーザーマッチング手段と、を具備する広告文選択装置として機能させるためのプログラムである。

本発明によれば、同一の広告対象についての広告文を個人に合わせて選択することができる。

本発明の一実施形態による広告配信システムの構成を示す機能ブロック図である。 同実施形態による広告文データ群の例を示す図である。 同実施形態による広告配信装置における広告文ベクトル生成処理を示すフローチャートである。 同実施形態による広告配信装置におけるユーザーベクトル生成処理を示すフローチャートである。 同実施形態による広告配信装置におけるクラスタ別広告文抽出処理を示すフローチャートである。 同実施形態によるクラスタ別広告文データの例を示す図である。 同実施形態による広告配信装置におけるユーザーマッチング処理を示すフローチャートである。

以下、図面を参照しながら本発明の実施形態を詳細に説明する。
本実施形態の広告配信システムは、ある広告対象を特定の層の人ではなく、いろいろな人に広告し、ひいてはその広告対象を利用・購入してもらうことを目的とする。従来の広告配信システムでは、広告対象が嗜好に合いそうな顧客にのみ広告を提供していた。つまり、複数の広告対象の中から個人に合う広告対象を選んで薦めるというアプローチであった。それに対し、本実施形態の広告配信システムは、一つの広告対象をいろいろな人に利用・購入してもらうために、その広告対象からいろいろな切り口で魅力を引き出したＰＲ文句などの広告文を個人に合わせて選択し、選択した広告文を用いた広告を提供する。広告対象は、任意とすることができるが、例として、商品、サービス、放送番組、観光地、企業などが挙げられる。

例えば、広告対象が車であるとする。本実施形態の広告配信システムは、キャンプ好きなＡさんには、「シートアレンジが豊富で、快適な睡眠を実現。」、小さな子供のいるＢさんには、「ピラーレスでベビーカーを載せやすい。」など、顧客によって異なる広告文を選択する。このように、商品の魅力を多角的にとらえ、同じ商品であっても相手に応じて異なる観点の広告文により広告を提供することができる。以下では、広告対象が商品である場合を例に説明する。

図１は、本発明の一実施形態による広告配信システム１の構成を示す機能ブロック図である。同図では、本実施形態と関係する機能ブロックのみを抽出して示してある。広告配信システム１は、広告配信装置２及びユーザー端末３を備えて構成される。

広告配信装置２は、広告文選択装置の一例である。広告配信装置２は、１台または複数台のコンピュータ装置により実現される。複数台のコンピュータ装置により広告配信装置２を実現する場合、いずれの機能部をいずれのコンピュータ装置により実現するかは任意とすることができる。また、１つの機能部を、複数台のコンピュータ装置により実現してもよい。同図に示すように、広告配信装置２は、広告文記憶部２１と、広告文解析部２２と、ユーザー履歴記憶部２３と、ユーザー嗜好解析部２４と、広告文個人化処理部２５と、広告配信部２６とを備えて構成される。

広告文記憶部２１は、広告文データ群を記憶する。広告文データ群は、同一の広告対象についての広告文データを複数含む。各広告文データは、１文又は複数文で記述された広告文である。広告文は、広告対象である商品についてのＰＲ文などのウリ文句である。
広告文解析部２２は、広告文データ群に含まれる各広告文データの広告文ベクトルを生成する。広告文ベクトルは、広告文データが示す広告文に含まれる単語の特徴を表す。

ユーザー履歴記憶部２３は、ユーザーＩＤとユーザー履歴情報とを対応付けて記憶する。ユーザーＩＤは、ユーザーを特定する識別情報である。ユーザー端末３を特定する識別情報である端末ＩＤを、ユーザーＩＤとして用いることもできる。ユーザー履歴情報は、ユーザーＩＤにより特定されるユーザーがユーザー端末３によって利用した電子コンテンツに関するテキストデータを示す。例えば、ユーザー履歴情報は、ユーザー端末３がアクセスしたウェブサイトで提供されるウェブページに含まれるテキストデータである。あるいは、ユーザー履歴情報は、ウェブサイトにおいて検索に用いるためにユーザー端末３から送信した検索語でもよい。また、ユーザー履歴情報は、ユーザー端末３により利用した電子書籍や動画などの電子コンテンツに付加され、その電子コンテンツについての説明が記述されたテキストデータでもよい。ユーザー履歴情報は、ウェブサイトのＵＲＬ（Universal Resource Locator）など、ユーザー端末３により利用した電子コンテンツの格納場所の情報を示してもよい。

ユーザー履歴情報は、任意の従来技術により収集することができる。電子コンテンツがウェブサイトである場合、例えば、クッキー（Cookie）などを利用してユーザー端末３のウェブブラウザから過去にアクセスしたウェブサイトのアドレスの情報を読み出す。クッキーは、ウェブサイトの提供者が、ウェブブラウザを通じて、ウェブサイトへアクセスしたユーザーのコンピュータに一時的にデータを書き込んで保存させる仕組みであり、ユーザーの識別、属性に関する情報や、最後にサイトを訪れた日時などを記録しておくことが多い。ユーザーが再び同じウェブサイトを訪れると、ユーザー端末３に保存されたユーザーの識別などに基づいて前回の続きのようにサービスが提供される。また、ユーザー端末３がウェブサイトにアクセスするときに送信したユーザーＩＤを、そのウェブサイトを提供しているコンピュータサーバーや、そのウェブサイトが提供するウェブページに張り付ける広告を提供するコンピュータサーバーで収集してもよい。ユーザー履歴情報は、このように収集されたユーザーＩＤと、ユーザーがアクセスしたウェブサイトのアドレスとの対応付けに基づき生成される。

ユーザー嗜好解析部２４は、ユーザー履歴記憶部２３からユーザー履歴情報を読み出し、ユーザー履歴情報が示すテキストデータからユーザーベクトルを生成する。ユーザーベクトルは、ユーザー履歴情報が示すテキストデータに含まれる単語の特徴を表す。ユーザー履歴情報が、電子コンテンツの格納場所の情報を含む場合、その格納場所から電子コンテンツを読み出し、読み出した電子コンテンツからテキストデータを取得する。

広告文個人化処理部２５は、ユーザーに合った広告文データを選択する。広告文個人化処理部２５は、広告文ベクトル群記憶部２５１と、ユーザーベクトル記憶部２５２と、クラスタ別広告文抽出部２５３と、クラスタ別広告文記憶部２５４と、ユーザーマッチング部２５５とを備える。

広告文ベクトル群記憶部２５１は、広告文ベクトル群を記憶する。広告文ベクトル群は、同一の広告対象についての複数の広告文データそれぞれについて広告文解析部２２が生成した各広告文ベクトルを含む。
ユーザーベクトル記憶部２５２は、ユーザー嗜好解析部２４が生成したユーザーベクトルを記憶する。
クラスタ別広告文抽出部２５３は、同一の広告対象についての各広告文データから得られた広告文ベクトルをクラスタリングする。クラスタ別広告文抽出部２５３は、各クラスタのそれぞれについて、クラスタの中心ベクトルに類似する広告文ベクトルが得られた広告文データを所定数選択する。
クラスタ別広告文記憶部２５４は、各クラスタの中心ベクトルと、その中心ベクトルについてクラスタ別広告文抽出部２５３が選択した広告文データとを対応付けて記憶する。
ユーザーマッチング部２５５は、クラスタ別広告文記憶部２５４に記憶されている各クラスタの中心ベクトルのうち、ユーザーベクトルと類似する中心ベクトルを選択する。ユーザーマッチング部２５５は、選択した中心ベクトルに対応付けられた広告文データをクラスタ別広告文記憶部２５４から読み出し、ユーザーにマッチする広告文データとする。

広告配信部２６は、広告文個人化処理部２５がユーザーに合うとして選択した広告文データを用いた広告データをユーザー端末３に配信する。

ユーザー端末３は、ユーザーのコンピュータ端末である。例えば、ユーザー端末３は、パーソナルコンピュータ、タブレット端末、スマートフォンなど、インターネットにアクセス可能な端末である。ユーザー端末３は、電子コンテンツに対応したアプリケーションにより、自端末が備えるディスプレイにその電子コンテンツを表示する。例えば、ユーザー端末３は、ウェブブラウザによりウェブページを表示する。

図２は、広告文データ群の例を示す図である。
同図に示すように、広告文データ群は、広告対象を特定する情報である広告対象ＩＤと、その広告対象の複数の広告文データとを対応付けた情報である。広告文データ群は、例えば、広告文データとなり得る内容が記述されている文書データであってもよい。このような文書データとしては、商品企画文書、商品の特徴となる仕様が書かれた文書などを用いることができる。商品を製造・販売する企業では、商品企画の過程や、広報用途のために、商品のウリ文句が書かれた文書を大量に保有していると考えられる。そこで、そのような文書を広告文データ群として用いる。また、広告文データ群として用いる文書データに含まれる内容のうち広告文データとして使用し得る記述箇所に対して、広告文データであることを示す情報を人手により設定してもよい。また、文書データの記述を一部人手で修正し、広告文データ群を生成してもよい。なお、広告文データは、商品のスペックよりも、個人の生活に即した内容のものが好ましい。たとえば、広告対象が車である場合、「積載量＊＊」よりも、家族やグループでの旅行が趣味の人にその積載量であることの利便性を伝える「スーツケースが５つ分乗せられる」、「ピラーレスである」よりも、ベビーカーを利用するような小さい子供を持つ親にピラーレスであることの利便性を伝える「ベビーカーがそのまま載せられる」のほうが、買手により訴えることができる。さらには、広告文個人化処理部２５による広告文データの選択の精度も向上する。

次に、広告配信装置２の動作について説明する。
図３は、広告配信装置２における広告文ベクトル生成処理を示すフローチャートである。広告配信装置２は、広告文データ群ごとに、同図に示す広告文ベクトル生成処理を実行する。
広告文解析部２２は、広告文記憶部２１に記憶されている広告文データ群を読み出す（ステップＳ１１０）。広告文解析部２２は、読み出した広告文データ群からまだ広告文ベクトルを生成していない広告文データを選択し、読み出す（ステップＳ１２０）。

広告文解析部２２は、読み出した広告文データの広告文ベクトルを生成する。そこで、まず、広告文解析部２２は、ステップＳ１２０において読み出した広告文データを形態素解析し、単語に分解する（ステップＳ１３０）。形態素解析には、既存の技術を用いることができる。例えば、既存の形態素解析の技術として、Mecab（例えば、「https://code.google.com/p/mecab/」参照）を用いる。広告文解析部２２は、広告文データの先頭の単語から順に、まだ処理対象としていない単語を選択して取り出す（ステップＳ１４０）。広告文解析部２２は、形態素解析された単語全てを取り出してもよく、名詞などの所定の品詞の単語のみを取り出してもよい。

広告文解析部２２は、ステップＳ１３０において取り出した単語の単語ベクトルを生成する（ステップＳ１５０）。単語ベクトルの生成には、既存の技術を用いることができる。ここでは、単語ベクトル生成の技術として、word2vec（例えば、「https://code.google.com/p/word2vec/」参照）を用いる。word2vecにより生成される単語ベクトルは、分散表現ベクトルである。この分散表現ベクトルは、共起する単語をそれぞれ入力及び出力として学習したニューラルネットワークの中間層である。また、この分散表現ベクトルは、bag-of-wordsのように単語の頻度をベクトル化したものとは異なり、"king"−"man"＋"woman"＝"queen"といった意味的な足し算引き算ができる。単語ベクトルの生成には、学習に用いるテキストデータが必要となる。通常、広告文に含まれる単語数は少ないと考えられるが、様々なトピックの大量の学習データを用いて単語ベクトルを学習することによって、単語ベクトルに含まれる意味的な概念を広くすることができる。なお、予め各単語の単語ベクトルを学習してデータベースに記憶しておき、広告文解析部２２は、ステップＳ１３０において取り出した単語の単語ベクトルをこのデータベースから読み出してもよい。

広告文解析部２２は、現在処理対象としている単語が、読み出した広告文データに含まれる最後の単語か否かを判断する（ステップＳ１６０）。広告文解析部２２は、最後の単語ではないと判断した場合（ステップＳ１６０：ＮＯ）、ステップＳ１４０からの処理を繰り返す。

広告文解析部２２は、最後の単語であると判断した場合（ステップＳ１６０：ＹＥＳ）、単語ベクトルから広告文ベクトルを生成する（ステップＳ１７０）。具体的には、広告文解析部２２は、ステップＳ１２０において読み出した広告文データに含まれる各単語について生成した単語ベクトルを全て足し合わせたベクトルを算出する。広告文解析部２２は、算出したベクトルを、そのベクトルの算出のために足し合わせた単語ベクトルの数で除算して正規化し、広告文ベクトルとする。このようにして算出された広告文ベクトルは、広告文データに含まれる単語の意味を足し合わせたものとなる。例えば、広告文データに、ピラーレスがもつ車の機構的な概念と、ベビーカーのもつ子育て的な概念を足し合わせることができる。

広告文解析部２２は、広告文データ群に含まれる全ての広告文データを選択したか否かを判断する（ステップＳ１８０）。広告文解析部２２は、未選択の広告文データがあると判断した場合（ステップＳ１８０：ＮＯ）、ステップＳ１２０からの処理を繰り返す。一方、広告文解析部２２は、全ての広告文データを選択したと判断した場合（ステップＳ１８０：ＹＥＳ）、ステップＳ１９０の処理を行う。すなわち、広告文解析部２２は、広告文データ群に含まれる広告対象ＩＤ及び広告文データと、各広告文データについて生成した広告文ベクトルとを対応付けた広告文ベクトル群を広告文個人化処理部２５に出力する（ステップＳ１９０）。広告文個人化処理部２５の広告文ベクトル群記憶部２５１は、広告文ベクトル群を記憶する。

図４は、広告配信装置２におけるユーザーベクトル生成処理を示すフローチャートである。広告配信装置２は、ユーザー別に、同図に示すユーザーベクトル生成処理を実行する。
ユーザー嗜好解析部２４は、ユーザー履歴記憶部２３に記憶されているユーザー履歴情報を読み出す（ステップＳ２１０）。ユーザー嗜好解析部２４は、読み出したユーザー履歴情報から取得したテキストデータを形態素解析し、単語に分解する（ステップＳ２２０）。形態素解析には、Mecabなどの既存の技術を用いることができる。ユーザー嗜好解析部２４は、テキストデータの先頭の単語から順に、まだ処理対象としていない単語を選択し、取り出す（ステップＳ２３０）。ユーザー嗜好解析部２４は、形態素解析された単語全てを取り出してもよく、名詞などの所定の品詞の単語のみを取り出してもよい。

ユーザー嗜好解析部２４は、ステップＳ２３０において取り出した単語の単語ベクトルを、図３のステップＳ１５０と同様に取得する（ステップＳ２４０）。ユーザー嗜好解析部２４は、現在処理対象としている単語が、ユーザー履歴情報から取得したテキストデータに含まれる最後の単語か否かを判断する（ステップＳ２５０）。ユーザー嗜好解析部２４は、最後の単語ではないと判断した場合（ステップＳ２５０：ＮＯ）、ステップＳ２３０からの処理を繰り返す。

ユーザー嗜好解析部２４は、最後の単語であると判断した場合（ステップＳ２５０：ＹＥＳ）、図３のステップＳ１７０と同様に、単語ベクトルからユーザーベクトルを生成する（ステップＳ２６０）。つまり、ユーザー嗜好解析部２４は、ユーザー履歴情報から取得したテキストデータに含まれる各単語についてword2vecにより生成された単語ベクトルを全て足し合わせたベクトルを算出する。ユーザー嗜好解析部２４は、算出したベクトルを、そのベクトルの算出のために足し合わせた単語ベクトルの数で除算して正規化し、ユーザーベクトルとする。ユーザー嗜好解析部２４は、読み出したユーザー履歴情報に対応付けられたユーザーＩＤと、生成したユーザーベクトルとを広告文個人化処理部２５に出力する（ステップＳ２７０）。広告文個人化処理部２５のユーザーベクトル記憶部２５２は、ユーザー嗜好解析部２４から入力したユーザーＩＤとユーザーベクトルとを対応付けて記憶する。

図５は、広告配信装置２におけるクラスタ別広告文抽出処理を示すフローチャートである。広告配信装置２は、広告対象別に、同図に示すクラスタ別広告文抽出処理を実行する。
クラスタ別広告文抽出部２５３は、広告文ベクトル群記憶部２５１から広告文ベクトル群を読み出す（ステップＳ３１０）。クラスタ別広告文抽出部２５３は、広告文ベクトル群から同一の広告対象ＩＤに対応付けられた複数の広告文ベクトルを読み出してクラスタリングし、任意のＮ個（Ｎは１以上の整数）のクラスタ（グループ）に分割する（ステップＳ３２０）。クラスタリングには、既存のアルゴリズムを用いることができる。例えば、クラスタリングアルゴリズムとして、k-means法（例えば、「https://ja.wikipedia.org/wiki/K%E5%B9%B3%E5%9D%87%E6%B3%95」参照）を用いる。クラスタ数Ｎは、広告の提供者が想定する広告の切り口の数に応じて予め与えられる。なお、クラスタリングにクラスタ数までを決定するアルゴリズムを用いる場合は、クラスタ数Ｎを与える必要はない。

クラスタ別広告文抽出部２５３は、各クラスタの中心ベクトルを求める（ステップＳ３３０）。中心ベクトルとは、クラスタに属するベクトルの各要素の平均値を要素にしたベクトルのことである。続いて、クラスタ別広告文抽出部２５３は、各クラスタの中心ベクトルに類似するｎ個（ｎは１以上の整数）の広告文ベクトルを選択する。そこで、クラスタ別広告文抽出部２５３は、各クラスタの中心ベクトルと各広告文ベクトルとの類似度を算出する。クラスタ別広告文抽出部２５３は、各クラスタの中心ベクトルそれぞれについて、最も類似度が高いものからｎ個の広告文ベクトルを選択する。２つのベクトル間の類似の程度を定量的に表す類似度には、例えば、コサイン類似度を用いることができる。コサイン類似度は、ベクトル同士のなす角度に基づき類似の程度を算出するため、コサイン類似度を用いる場合は必ずしもベクトルの正規化は必要ではない。なお、選択する広告文ベクトルは、中心ベクトルと同じクラスタに属する広告文ベクトルでなくてもよいが、同じクラスタに属する広告文ベクトルに限定してもよい。クラスタ別広告文抽出部２５３は、各クラスタの中心ベクトルと、そのベクトルについて選択したｎ個の広告文ベクトルのそれぞれが得られた広告文データとを対応付けたクラスタ別広告文データを生成する（ステップＳ３４０）。クラスタ別広告文抽出部２５３は、生成したクラスタ別広告文データをクラスタ別広告文記憶部２５４に書き込む。

図６は、クラスタ別広告文データの例を示す図である。同図に示すクラスタ別広告文データは、クラスタ番号と、そのクラスタ番号により特定されるクラスタの中心ベクトルと、その中心ベクトルについて選択されたｎ個の広告文データとを対応付けたデータである。広告文−１〜広告文−ｎには、広告文ベクトルと中心ベクトルとの類似度が高い順に並べた広告文データが設定される。

図７は、広告配信装置２におけるユーザーマッチング処理を示すフローチャートである。ユーザーマッチング処理において、広告配信装置２は、広告配信先のユーザーにマッチする広告データを選択する。
ユーザーマッチング部２５５は、広告配信部２６から、広告配信先のユーザーのユーザーＩＤと、広告対象の情報を受信する。広告配信先のユーザーは、例えば、ウェブページにアクセスしてきたユーザーや、情報の配信を希望して予め電子メールアドレスを登録しておいたユーザーなどである。ユーザーマッチング部２５５は、ユーザーＩＤに対応付けられているユーザーベクトルをユーザーベクトル記憶部２５２から読み出し、広告対象の広告対象ＩＤに対応したクラスタ別広告文データをクラスタ別広告文記憶部２５４から読み出す。ユーザーマッチング部２５５は、クラスタ別広告文データに含まれる各中心ベクトルのうち、ユーザーベクトルに類似するＫ個（Ｋは１以上の整数）の中心ベクトルを選択する（ステップＳ４１０）。そこで、ユーザーマッチング部２５５は、各中心ベクトルとユーザーベクトルとの類似度を算出する。算出する類似度には、例えば、コサイン類似度を用いることができる。ユーザーマッチング部２５５は、ユーザーベクトルと最も類似度が高いものからｋ個の中心ベクトルを選択する。また、ユーザーマッチング部２５５は、ユーザーベクトルとの類似度が所定よりも高い中心ベクトルを選択してもよい。

ユーザーマッチング部２５５は、選択された中心ベクトルに対応付けられた広告文データのうち、ｋ個（ｋは１以上の整数）の広告文データを広告配信部２６に出力する（ステップＳ４２０）。例えば、ユーザーマッチング部２５５は、広告文ベクトルが中心ベクトルと類似する順にｋ個の広告文データを選択してもよく、ランダムにｋ個を選択してもよい。また、ユーザーマッチング部２５５は、各ユーザーに配信された広告文データを記憶しておき、選択された中心ベクトルに対応付けられた複数の広告文データのうち、広告配信先のユーザーに対して過去に配信していない、又は、そのユーザーに対して配信した回数が最も少ない広告文データから優先して選択してもよい。また、複数の中心ベクトルが選択された場合、選択する広告文データの数は、中心ベクトルとユーザーベクトルとが近い程多くしてもよい。

広告配信部２６は、ユーザーマッチング部２５５から入力した広告文データを用いて生成した広告データを、広告配信先のユーザーのユーザー端末３に配信する（ステップＳ４３０）。例えば、広告配信部２６は、広告文データを除いて予め生成しておいた広告データに、選択された広告文データを埋め込み、配信する広告データを生成する。広告配信部２６は、生成した広告データをユーザー端末３に配信する。広告データは、例えば、ウェブページに埋め込まれるバナー広告であってもよく、予め登録されたユーザーのアドレス宛てに配信する電子メールであってもよい。

広告文データに含まれる単語は少ないと考えられるため、広告文ベクトルの中にはクラスタ中心からはずれたような、解析上ノイズとなるものが含まれ得る。そこで、ノイズとなり得るような広告文ベクトルではなく、中心ベクトルに近い信頼性のある広告文ベクトルの広告文データが選択されるよう、ユーザーベクトルと広告文ベクトルとを直接比較せず、中心ベクトルとの比較に基づいてユーザーにマッチする広告文データを選択している。また、比較にかかる処理負荷を軽減することもできる。

上述した広告配信システム１によれば、ひとつの商品がもつ多面的な魅力をそれぞれ主張する広告文の中から、個人に合わせた広告文を自動的に抽出し、その広告文により商品の魅力をアピールすることができる。競争が激しい現代においては、ＰＲの切り口（セールスポイント）が多い商品がよく提供される。各セールスポイントを謳った広告文を予め登録しておくことにより、広告配信システム１は、個人の嗜好に合わせた広告文を選択して広告に埋め込んで配信するために、どの顧客に対しても相手に合わせた商品ＰＲができる。従って、想定されたターゲット層以外も顧客を開拓することができ、その結果市場を広げることができる。また、買い手にとっても、いままでは自分には関係ないと思って見過ごしてきたような商品でも、実は自分の生活に役立つことがわかり、新たな発見が得られる。また、商品に限らず、他の広告対象についても同様に、様々な層の人に対して、その人に合わせたＰＲを行うことができる。

なお、広告対象が番組の場合、広告文データ群として、ＥＰＧ（Electronic Program Guide）などの番組ガイドを用いることができる。広告文データ群がＥＰＧである場合、広告文データには、番組説明文（番組の概要や番組の詳細を説明した文）を用いる。また、出演者のリストを広告文データに用いることができる。またあるいは、広告文データ群として番組のクローズドキャプションのような字幕を使用することができる。広告文データ群として、ＥＰＧを用いる場合も、クローズドキャプションを用いる場合も、広告文データとして使用し得る箇所に対して、広告文データであることを示す情報を人手により設定してもよい。

また、広告文データ群が、広告対象に関する評判が記述された文書データであってもよい。このような文書データには、クチコミやレビュー、アンケートにより得られた自由意見などを用いることができる。

また、広告配信装置２において、ユーザーが好みでない、興味がないというネガティブな（否定的な）評価を入力した電子コンテンツに関するテキストデータを収集可能であるとする。例えば、広告配信装置２は、ユーザーがネガティブな評価を入力したウェブサイトの情報をユーザー端末３から収集する。この場合、広告配信装置２のユーザー嗜好解析部２４は、ユーザーによりネガティブと評価されたウェブサイトに含まれるテキストデータを用いて、ユーザーネガティブベクトルを作成する。ユーザーネガティブベクトルは、ユーザー履歴情報からユーザーベクトルを生成したと同様の処理により生成される。つまり、ユーザー嗜好解析部２４は、ネガティブと評価されたウェブサイトのテキストデータに含まれる各単語について取得した単語ベクトルを足し合わせ、足し合わせた単語ベクトルの数で除算してユーザーネガティブベクトルを生成する。ユーザー嗜好解析部２４は、ユーザーのユーザー履歴情報に基づき生成したユーザーベクトルから、ユーザーネガティブベクトルを減算した（各要素で引き算した）結果を、広告文個人化処理部２５に出力するユーザーベクトルとする。

また、本実施形態の広告配信装置２を、顧客に合う商品を選んで広告するという従来型の個人化広告に適用することもできる。
広告配信装置２は、商品別に、その商品の広告文について生成された広告文ベクトルをすべて足し合わせ（要素ごとに和をとる）、商品ベクトルを算出する。広告配信装置２は、ユーザーベクトルと近い商品ベクトルをもつ商品を特定し、特定した商品について上述した実施形態と同様に広告文データを選択する。広告配信装置２は、選択した広告文データを用いて広告データを生成し、ユーザー端末３に配信する。

以上説明した実施形態によれば、広告配信システムは、同一の広告対象について予め用意された複数の広告文の中から、個人の嗜好に合わせた切り口の広告文を選択し、選択した広告文を用いた広告を配信することができる。

なお、上述の広告配信装置２及びユーザー端末３は、内部にコンピュータシステムを有している。そして、広告配信装置２及びユーザー端末３の動作の過程は、プログラムの形式でコンピュータ読み取り可能な記録媒体に記憶されており、このプログラムをコンピュータシステムが読み出して実行することによって、上記処理が行われる。ここでいうコンピュータシステムとは、ＣＰＵ及び各種メモリやＯＳ、周辺機器等のハードウェアを含むものである。

また、「コンピュータシステム」は、ＷＷＷシステムを利用している場合であれば、ホームページ提供環境（あるいは表示環境）も含むものとする。
また、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ＲＯＭ、ＣＤ−ＲＯＭ等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。さらに「コンピュータ読み取り可能な記録媒体」とは、インターネット等のネットワークや電話回線等の通信回線を介してプログラムを送信する場合の通信線のように、短時間の間、動的にプログラムを保持するもの、その場合のサーバやクライアントとなるコンピュータシステム内部の揮発性メモリのように、一定時間プログラムを保持しているものも含むものとする。また上記プログラムは、前述した機能の一部を実現するためのものであってもよく、さらに前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるものであってもよい。

１ 広告配信システム
２ 広告配信装置
３ ユーザー端末
２１ 広告文記憶部
２２ 広告文解析部
２３ ユーザー履歴記憶部
２４ ユーザー嗜好解析部
２５ 広告文個人化処理部
２６ 広告配信部
２５１ 広告文ベクトル群記憶部
２５２ ユーザーベクトル記憶部
２５３ クラスタ別広告文抽出部
２５４ クラスタ別広告文記憶部
２５５ ユーザーマッチング部

Claims (4)

1. 広告対象に対応した複数の広告文データそれぞれについて、前記広告文データに含まれる単語の特徴を表す広告文ベクトルを生成する広告文解析部と、
   ユーザーが利用した電子コンテンツに関するテキストに含まれる単語の特徴を表すユーザーベクトルを生成するユーザー嗜好解析部と、
   複数の前記広告文データのそれぞれから生成された前記広告文ベクトルをクラスタリングし、クラスタリングにより得られた複数のクラスタのそれぞれについて、複数の前記広告文データのうち、前記クラスタの中心ベクトルと類似の広告文ベクトルが得られた広告文データを抽出するクラスタ別広告文抽出部と、
   複数の前記クラスタそれぞれの中心ベクトルのうち、前記ユーザー嗜好解析部が生成した前記ユーザーベクトルと類似の中心ベクトルを選択し、選択された前記中心ベクトルについて前記クラスタ別広告文抽出部が抽出した前記広告文データを、前記ユーザーにマッチする広告文データとして選択するユーザーマッチング部と、
   を備えることを特徴する広告文選択装置。
2. 前記広告文ベクトルは、前記広告文データに含まれる単語それぞれの分散表現ベクトルを足し合わせたベクトルであり、
   前記ユーザーベクトルは、ユーザーが利用した電子コンテンツに関するテキストに含まれる単語それぞれの分散表現ベクトルを足し合わせたベクトルである、
   ことを特徴とする請求項１に記載の広告文選択装置。
3. 前記ユーザー嗜好解析部は、ユーザーが否定的な評価を与えた電子コンテンツに関するテキストに含まれる単語それぞれの分散表現ベクトルを足し合わせたユーザーネガティブベクトルを生成し、
   前記ユーザーマッチング部は、複数の前記クラスタそれぞれの中心ベクトルのうち、前記ユーザーベクトルから前記ユーザーネガティブベクトルを減算して得られるベクトルと類似の中心ベクトルを選択する、
   ことを特徴とする請求項２に記載の広告文選択装置。
4. コンピュータを、
   広告対象に対応した複数の広告文データそれぞれについて、前記広告文データに含まれる単語の特徴を表す広告文ベクトルを生成する広告文解析手段と、
   ユーザーが利用した電子コンテンツに関するテキストに含まれる単語の特徴を表すユーザーベクトルを生成するユーザー嗜好解析手段と、
   複数の前記広告文データのそれぞれから生成された前記広告文ベクトルをクラスタリングし、クラスタリングにより得られた複数のクラスタのそれぞれについて、複数の前記広告文データのうち、前記クラスタの中心ベクトルと類似の広告文ベクトルが得られた広告文データを抽出するクラスタ別広告文抽出手段と、
   複数の前記クラスタそれぞれの中心ベクトルのうち、前記ユーザー嗜好解析手段が生成した前記ユーザーベクトルと類似の中心ベクトルを選択し、選択された前記中心ベクトルについて前記クラスタ別広告文抽出手段が抽出した前記広告文データを、前記ユーザーにマッチする広告文データとして選択するユーザーマッチング手段と、
   を具備する広告文選択装置として機能させるためのプログラム。

Images