JP6686208B1 - 情報処理装置、情報処理方法、及びプログラム - Google Patents

Abstract

【課題】商品またはサービスの価格の予測精度を向上させることができる情報処理装置、情報処理方法、及びプログラムを提供することである。【解決手段】情報処理装置は、ネットワークを介して販売される第１商品または第１サービスに関する商品情報を取得する取得部と、前記取得部によって取得された前記商品情報に基づいて、過去に販売された複数の第２商品または第２サービスの中から、前記第１商品または第１サービスと類似する前記第２商品または第２サービスを選択する選択部と、前記選択部によって選択された前記第２商品または第２サービスの価格を少なくとも一つの確率変数とした確率分布を推定する推定部と、前記推定部によって推定された前記確率分布に基づいて、前記第１商品または第１サービスの価格を予測する予測部と、を備える。【選択図】図３

Description

本発明は、情報処理装置、情報処理方法、及びプログラムに関する。

ネットワークを介して行われるオークションに出品される商品の商品情報からキーワードを抽出し、商品のカテゴリと、抽出したキーワードとの組み合わせに対応付けられた価格帯ごとの落札実績情報を参照して、商品の相場を予測する技術が知られている（例えば、特許文献１参照）。

特開２０１７−１１６９７７号公報

しかしながら、従来の技術では、商品またはサービスの価格の予測精度が低い場合があった。

本発明は、上記の課題に鑑みてなされたものであり、商品またはサービスの価格の予測精度を向上させることができる情報処理装置、情報処理方法、及びプログラムを提供することを目的としている。

本発明の一態様は、ネットワークを介して販売される第１商品または第１サービスに関する商品情報を取得する取得部と、前記取得部によって取得された前記商品情報に基づいて、過去に販売された複数の第２商品または第２サービスの中から、前記第１商品または第１サービスと類似する前記第２商品または第２サービスを選択する選択部と、前記選択部によって選択された前記第２商品または第２サービスの価格を少なくとも一つの確率変数とした確率分布を推定する推定部と、前記推定部によって推定された前記確率分布に基づいて、前記第１商品または第１サービスの価格を予測する予測部と、を備える情報処理装置である。

本発明の一態様によれば、商品またはサービスの価格の予測精度を向上させることができる。

第１実施形態における情報処理装置１００を含む情報処理システム１の一例を示す図である。 サービス提供装置２０により提供されるウェブページの一例を示す図である。 第１実施形態における情報処理装置１００の構成の一例を示す図である。 落札済み商品情報１３２の一例を示す図である。 第１実施形態における情報処理装置１００による一連の処理の流れを示すフローチャートである。 カーネル密度推定によって推定された確率分布の一例を示す図である。 カーネル密度推定によって推定された確率分布の他の例を示す図である。 第２実施形態における情報処理装置１００Ａの構成の一例を示す図である。 第２実施形態における情報処理装置１００Ａによるランタイムの一連の処理の流れを示すフローチャートである。 第２実施形態における予測モデル２００の一例を示す図である。 第２実施形態における情報処理装置１００Ａによるトレーニングの一連の処理の流れを示すフローチャートである。 第２実施形態における予測モデル２００の他の例を示す図である。 実施形態の情報処理装置１００のハードウェア構成の一例を示す図である。

以下、本発明を適用した情報処理装置、情報処理方法、及びプログラムを、図面を参照して説明する。

［概要］
情報処理装置は、一以上のプロセッサにより実現される。情報処理装置は、ネットワークを介して販売される第１商品または第１サービスに関する商品情報を取得し、取得した商品情報に基づいて、過去に販売された複数の第２商品または第２サービスの中から、第１商品または第１サービスと類似する第２商品または第２サービスを選択する。情報処理装置は、選択した第２商品または第２サービスの価格を少なくとも一つの確率変数とした確率分布を推定し、推定した確率分布に基づいて、第１商品または第１サービスの価格を予測する。この結果、商品またはサービスの価格の予測精度を向上させることができる。以下、商品またはサービスをまとめて単に「商品」と称して説明する。

＜第１実施形態＞
［全体構成］
図１は、第１実施形態における情報処理装置１００を含む情報処理システム１の一例を示す図である。第１実施形態における情報処理システム１は、例えば、一以上の端末装置１０と、サービス提供装置２０と、情報処理装置１００とを備える。これらの装置は、ネットワークＮＷを介して接続される。また、これらの装置のうち一部は、他の装置に仮想的な装置として包含されてもよく、例えば、サービス提供装置２０の機能の一部または全部が、情報処理装置１００の機能によって実現される仮想マシンであってもよい。

図１に示す各装置は、ネットワークＮＷを介して種々の情報を送受信する。ネットワークＮＷは、例えば、インターネット、ＷＡＮ（Wide Area Network）、ＬＡＮ（Local Area Network）、プロバイダ端末、無線通信網、無線基地局、専用回線などを含む。なお、図１に示す各装置の全ての組み合わせが相互に通信可能である必要はなく、ネットワークＮＷは、一部にローカルなネットワークを含んでもよい。

端末装置１０は、例えば、スマートフォンなどの携帯電話、タブレット端末、各種パーソナルコンピュータなどの、入力装置、表示装置、通信装置、記憶装置、および演算装置を備える端末装置である。通信装置は、ＮＩＣ（Network Interface Card）などのネットワークカード、無線通信モジュールなどを含む。端末装置１０では、ウェブブラウザやアプリケーションプログラムなどのＵＡ（User Agent）が起動し、ユーザの入力する内容に応じたリクエストをサービス提供装置２０に送信する。また、ＵＡが起動された端末装置１０は、サービス提供装置２０から取得した情報に基づいて、表示装置に各種情報を表示させる。

サービス提供装置２０は、例えば、ＵＡとして起動されたウェブブラウザからのリクエストに応じてウェブページを端末装置１０に提供するウェブサーバである。ウェブページは、例えば、インターネット上において商品がオークション形式で売買されるオークションサイトやフリーマーケットサイト、複数の店舗が出店するショッピングサイト等のウェブサイトを構成するウェブページであってよい。また、サービス提供装置２０は、検索サイトやＳＮＳ（Social Networking Service）、メールサービスなどの各種サービスを提供するウェブページを端末装置１０に提供してもよい。また、サービス提供装置２０は、ＵＡとして起動されたアプリケーションからのリクエストに応じてコンテンツを端末装置１０に提供することで、オークションサイトやフリーマーケットサイトなどの各種ウェブサイトと同様のサービスを提供するアプリケーションサーバであってもよい。以下、一例として、サービス提供装置２０によって提供されるサービスが、「オークションサイト」であるものとして説明するが、このオークションサイトはフリーマーケットサイトやショッピングサイトなどの他のサービスに読み替えてよい。この場合、出品は販売と読み替え、落札は購入と読み替えるものとする。

図２は、サービス提供装置２０により提供されるウェブページの一例を示す図である。図示の例では、オークションサイトにおいて、商品を出品する際に各種情報を入力するためのウェブページ（以下、入力ページと称する）を模式的に示している。

例えば、入力ページには、出品する商品のタイトルを入力する入力欄Ｆ１や、商品の画像を入力する入力欄Ｆ２、予め用意された複数のカテゴリの中から、商品のカテゴリを選択するボタンＢ１、商品が中古または新品なのかを選択するボタンＢ２、商品を落札者に配送する際にかかる送料を、出品者が負担するのか落札者が負担するのかを選択するボタンＢ３、商品の価格（例えば即決価格など）を表示する表示欄Ｆ３などのコンポーネントが含まれる。

例えば、出品者が入力ページの入力欄Ｆにタイトルを入力したり、ボタンＢ１を操作してカテゴリを選択したりすると、表示欄Ｆ３には、暫定的な商品の価格が自動的に表示される。この価格の自動表示の詳細については後述する。

情報処理装置１００は、例えば、オークションサイトに出品（販売）される商品の商品情報を取得し、取得した商品情報に基づいて、既にオークションサイトで落札（購入）された複数の商品の中から、出品される商品と類似する商品を一つまたは複数選択する。情報処理装置１００は、選択した商品の価格を少なくとも一つの確率変数とした確率分布を推定し、推定した確率分布に基づいて、出品される商品の価格を予測する。商品情報には、例えば、上述した商品のタイトル、商品の画像、商品のカテゴリ、中古であるのか否かを示す商品の状態、配送料の負担が出品者であるのか否かを示す送料負担情報といった各種情報が含まれる。

［情報処理装置の構成］
図３は、第１実施形態における情報処理装置１００の構成の一例を示す図である。図示のように、情報処理装置１００は、例えば、通信部１０２と、制御部１１０と、記憶部１３０とを備える。

通信部１０２は、例えば、ＮＩＣ等の通信インターフェースを含む。通信部１０２は、ネットワークＮＷを介して、端末装置１０やサービス提供装置２０などと通信する。

制御部１１０は、例えば、取得部１１２と、選択部１１４と、推定部１１６と、予測部１１８と、通信制御部１２０とを備える。

制御部１１０の構成要素は、例えば、ＣＰＵ（Central Processing Unit）などのプロセッサが記憶部１３０に格納されたプログラムを実行することにより実現される。また、制御部１１０の構成要素の一部または全部は、ＬＳＩ（Large Scale Integration）、ＡＳＩＣ（Application Specific Integrated Circuit）、ＦＰＧＡ（Field-Programmable Gate Array）、またはＧＰＵ（Graphics Processing Unit）などのハードウェア（回路部；circuitry）により実現されてもよいし、ソフトウェアとハードウェアの協働によって実現されてもよい。

記憶部１３０は、例えば、ＨＤＤ（Hard Disc Drive）、フラッシュメモリ、ＥＥＰＲＯＭ（Electrically Erasable Programmable Read Only Memory）、ＲＯＭ（Read Only Memory）、ＲＡＭ（Random Access Memory）などの記憶装置により実現される。記憶部１３０には、ファームウェアやアプリケーションプログラムなどの各種プログラムの他に、落札済み商品情報１３２が格納される。

図４は、落札済み商品情報１３２の一例を示す図である。図示のように、落札済み商品情報１３２は、オークションサイトで落札された商品（以下、落札済み商品と称する）の識別情報を示す商品ＩＤに対して、商品のタイトルと、カテゴリと、画像と、商品の状態と、送料の負担の有無と、実際に落札された価格とが対応付けられたデータである。

［情報処理装置の処理フロー］
以下、制御部１１０の各構成要素の処理内容についてフローチャートを用いて説明する。図５は、第１実施形態における情報処理装置１００による一連の処理の流れを示すフローチャートである。本フローチャートの処理は、例えば、所定の周期で繰り返し行われてよい。

まず、取得部１１２は、通信部１０２を介して、サービス提供装置２０から、オークションサイトの入力ページに入力された各種情報を、出品予定の商品に関する商品情報として取得する（Ｓ１００）。出品予定の商品は、「第１商品または第１サービス」の一例である。

次に、選択部１１４は、取得部１１２によって取得された商品情報に基づいて、落札済み商品情報１３２に含まれる複数の落札済み商品の中から、出品予定の商品に類似する一つまたは複数の落札済み商品を選択する（Ｓ１０２）。落札済み商品は、「第２商品または第２サービス」の一例である。

例えば、選択部１１４は、落札済み商品情報１３２の中で、取得部１１２によって取得された商品情報に含まれるタイトルおよびカテゴリと意味的に近いタイトルおよびカテゴリが対応付けられた商品ＩＤの落札済み商品を、出品予定の商品に類似する商品として選択する。意味的に近いとは、例えば、タイトルおよびカテゴリを分散表現によって多次元のベクトルに変換したときに、それらベクトルのコサイン類似度が大きいことである。すなわち、選択部１１４は、取得部１１２によって取得された商品情報に含まれるタイトルおよびカテゴリを分散表現によってベクトルに変換し、そのベクトルとの類似度が閾値以上となる落札済み商品を選択する。選択部１１４は、類似度が閾値以上となる落札済み商品の数が多い場合、類似度が大きい上位所定数の落札済み商品を選択してよい。

次に、推定部１１６は、選択部１１４によって選択された落札済み商品の商品ＩＤに対応付けられた価格を少なくとも一つの確率変数とした確率分布を推定する（Ｓ１０４）。

例えば、推定部１１６は、カーネル密度推定（Kernel Density Estimation；ＫＤＥ）に基づいて確率分布を推定する。カーネル密度推定は、有限の標本データから、その標本データを含む全体の確率分布（確率密度関数によって表現される分布）を推定する手法である。カーネル密度推定は、線形回帰といった他のフィッティング手法に比べて計算に要する時間が短くなりやすく、予測のリアルタイム性を向上させやすいことが知られている。

図６は、カーネル密度推定によって推定された確率分布の一例を示す図である。横軸は、確率変数とした落札済み商品の落札価格を表しており、縦軸は、確率を表している。確率分布がカーネル密度推定によって求められているため、縦軸は、その価格における落札済み商品の数、すなわち頻度として読み替えてもよい。

図示の例では、出品予定の商品に類似する複数の落札済み商品のうち、類似度が大きい上位２００個の落札済み商品の価格から確率分布Ｄ１が推定され、類似度が大きい上位１００個の落札済み商品の価格から確率分布Ｄ２が推定され、類似度が大きい上位５０個の落札済み商品の価格から確率分布Ｄ３が推定され、類似度が大きい上位２０個の落札済み商品の価格から確率分布Ｄ４が推定されている。いずれの確率分布も多峰性を有している。すなわち、いずれの確率分布も多峰性分布である。多峰性とは、確率分布において最も頻繁に出現する最頻値（モードともいう）が複数存在することである。本実施形態における最頻値は、確率分布の全域において頻繁に出現する値であってもよいし、確率分布の各局所的な領域において頻繁に出現する値であってもよい。すなわち、最頻値同士を比較したときに、他方の最頻値に比べて一方の最頻値の方が大きい場合があってもよい。

次に、予測部１１８は、推定部１１６によって推定された確率分布が多峰性分布であるか否かを判定する（Ｓ１０６）。

確率分布が多峰性分布である場合、通信制御部１２０は、通信部１０２を介して、サービス提供装置２０に、入力ページに商品情報を再入力することを求めるリクエスト（以下、再入力リクエストと称する）を送信する（Ｓ１０８）。

サービス提供装置２０は、再入力リクエストを受信すると、出品者が利用する端末装置１０の画面に表示された入力ページ上に、出品予定の商品のタイトルとカテゴリのうち少なくとも一方（好ましくは双方）を再入力するように促す文字や画像を表示させる。通信部１０２と、通信制御部１２０と、サービス提供装置２０とを合わせたものは、「提供部」の一例である。

確率分布が多峰性分布であるということは、出品予定の商品に類似するものとして選択した落札済み商品の中に、実際には類似していない商品が含まれている蓋然性が高いということを示している。例えば、多峰性分布である確率分布Ｄ１において最頻値をとる確率変数は、２５００円程度の落札価格と、８０００円程度の落札価格である。この場合、出品予定の商品に類似する落札済み商品の中に、売買価格の相場が２５００円程度の商品と、売買価格の相場が８０００円程度の商品とが含まれていると判断することができる。通常、価格がかけ離れている場合、それは互いに異なる商品であることが多い。例えば、出品者がスマートフォンの本体を出品する際に、そのスマートフォンの機種名「ＡＢＣＤＥ」をタイトルとした場合、「ＡＢＣＤＥ」という機種名のスマートフォンに付けることが可能なアクセサリー（例えばケースなど）のタイトルにも、「ＡＢＣＤＥ」という文字列が含まれ得る。従って、互いに異なるスマートフォン本体とアクセサリーとが類似した商品として扱われやすくなるが、これらの商品は相場が大きくかけ離れており、落札済み商品の中から、出品予定の商品に対する類似商品を選び直すことが好ましい。

これに対して、本実施形態では、確率分布が多峰性分布である場合に、出品者が利用する端末装置１０に、出品予定の商品のタイトルを再入力したり、出品予定の商品のカテゴリをより詳細なカテゴリに選択し直したりするように促す入力ページを表示させるため、改めてＳ１０２の処理を行うことができる。すなわち、条件を変更して、出品予定の商品に類似する落札済み商品を再選択することができ、その結果、確率分布を再推定することができる。これによって、例えば、出品者がスマートフォンの本体を出品する場合、スマートフォンのアクセサリーなどの商品を除外して、スマートフォン本体のみの落札価格のみを確率変数とした確率分布を推定することができる。

一方、予測部１１８は、推定部１１６によって推定された確率分布が多峰性分布ではなく、最頻値が一つである単峰性分布である場合、その確率分布に基づいて、出品予定の商品の落札価格を予測する（Ｓ１１０）。例えば、予測部１１８は、単峰性分布である確率分布において最頻値をとる価格を、出品予定の商品の落札価格として予測する。

次に、通信制御部１２０は、通信部１０２を介して、サービス提供装置２０に、予測部１１８によって予測された落札価格の情報を送信する（Ｓ１１２）。これを受けて、サービス提供装置２０は、出品者が利用する端末装置１０の画面に表示された入力ページ上の表示欄Ｆ３に、出品予定の商品の落札価格を表示させる。これによって、出品者は、自らが出品する商品をどのような価格にすれば最も落札されやすいのか、すなわち落札の適正価格を、出品時点で知ることができる。この結果、出品者がオークションサイトを利用する際の利便性を向上させることができる。

以上説明した第１実施形態によれば、情報処理装置１００は、ネットワークＮＷを介して販売される商品に関する商品情報を取得し、取得した商品情報に基づいて、過去に販売された複数の販売済み商品の中から、販売予定の商品と類似する販売済み商品を選択する。情報処理装置１００は、選択した販売済み商品の価格を少なくとも一つの確率変数とした確率分布を推定し、推定した確率分布に基づいて、販売予定の商品の価格を予測する。この結果、商品またはサービスの価格の予測精度を向上させることができる。

＜第１実施形態の変形例＞
以下、第１実施形態の変形例について説明する。上述した第１実施形態において、推定部１１６は、カーネル密度推定を用いて、選択部１１４によって選択された落札済み商品の価格を少なくとも一つの確率変数とした確率分布を推定するものとして説明したがこれに限られない。例えば、推定部１１６は、落札済み商品の価格に加えて、更に、選択部１１４が落札済み商品を選択する際に考慮した出品予定の商品との類似度（レレバンシーともいう）を確率変数として確率分布を推定してよい。すなわち、推定部１１６は、複数の確率変数を用いて多次元（２次元以上）の確率分布を推定してよい。

図７は、カーネル密度推定によって推定された確率分布の他の例を示す図である。ｘ軸は、確率変数とした落札済み商品の落札価格を表しており、ｙ軸は、確率変数とした落札済み商品と出品予定の商品との類似度を表しており、ｚ軸は、確率または頻度を表している。図示の例では、３次元の確率分布が推定されている。

例えば、予測部１１８は、３次元の確率分布が多峰性分布であるか否かを判定し、３次元の確率分布が単峰性分布である場合に、その確率分布において最頻値をとる価格を、出品予定の商品の落札価格として予測する。例えば、互いに異なる商品であっても落札価格が近い場合、それらの商品は同一の商品として扱われやすくなる。このような場合、図示のように、ｘ軸で確率分布をみた場合、確率分布は単峰性分布となるが、ｙ軸で見た場合、確率分布は多峰性分布となる。

例えば、スマートフォン本体の落札価格が５万円であったときに、空気清浄機が同じ５万円で落札された場合、落札価格だけでは同じ商品か違う商品かを見分けることができず、確率分布上では同一の商品の価格として扱われ得る。そのため、価格以外にも類似度という新たな確率変数を考慮して３次元の確率分布を推定することで、類似商品を選択する際に、母集団の中から、出品商品に対して意味的に遠い商品を除外することができる。この結果、商品またはサービスの価格の予測精度を更に向上させることができる。

また、選択部１１４は、タイトルおよびカテゴリに加えて、更に、ＪＡＮ（Japanese article number）コードやＥＡＮ（European article number）といった商品コードを用いて、出品予定の商品に類似する落札済み商品を選択してもよい。これによって、商品またはサービスの価格の予測精度を更に向上させることができる。

また、上述した第１実施形態では、情報処理装置１００が、オークションサイトやフリーマーケットサイト、ショッピングサイトなどに出品者或いは販売者が商品を出品（販売）する際に、その商品の適正価格を予測するものとして説明したがこれに限られない。例えば、情報処理装置１００は、オークションサイトやフリーマーケットサイト、ショッピングサイトなどで落札者（購入者）が商品を落札（購入）する際に、その商品の適正価格を予測してもよい。

また、例えば、情報処理装置１００は、タイトルやカテゴリといった情報に加えて、更に、商品の状態（中古か新品か）や、送料が出品者負担なのか落札者負担なのかといった情報を確率変数として確率分布を推定してもよい。

＜第２実施形態＞
以下、第２実施形態について説明する。上述した第１実施形態では、過去に購入された商品の価格などを確率変数とした確率分布を推定し、推定した確率分布に基づいて、商品の価格を予測するものとして説明した。これに対して、第２実施形態では、教師あり学習を用いて、商品の価格を予測する点で上述した第１実施形態と相違する。以下、第１実施形態との相違点を中心に説明し、第１実施形態と共通する点については説明を省略する。なお、第２実施形態の説明において、第１実施形態と同じ部分については同一符号を付して説明する。

図８は、第２実施形態における情報処理装置１００Ａの構成の一例を示す図である。第２実施形態における情報処理装置１００Ａの制御部１１０Ａは、上述した取得部１１２と、選択部１１４と、推定部１１６と、予測部１１８と、通信制御部１２０とに加えて、更に、学習部１２２を備える。また、第２実施形態における情報処理装置１００Ａの記憶部１３０Ａには、ファームウェアやアプリケーションプログラムなどの各種プログラムや、落札済み商品情報１３２の他に、モデル情報１３４が格納される。落札済み商品情報１３２は、モデル情報１３４が示す予測モデル２００の教師データとして利用される。モデル情報１３４については後述する。

［ランタイムの処理フロー］
以下、第２実施形態における情報処理装置１００Ａによるランタイムの一連の処理の流れをフローチャートに即して説明する。ランタイムとは、既に学習された予測モデル２００を利用する状態である。図９は、第２実施形態における情報処理装置１００Ａによるランタイムの一連の処理の流れを示すフローチャートである。本フローチャートの処理は、例えば、所定の周期で繰り返し行われてよい。

まず、取得部１１２は、通信部１０２を介して、サービス提供装置２０から、オークションサイトの入力ページに入力された各種情報を、出品予定の商品に関する商品情報として取得する（Ｓ２００）。

次に、予測部１１８は、モデル情報１３４が示す予測モデル２００に、取得部１１２によって取得された商品情報に含まれるタイトルおよびカテゴリを入力する（Ｓ２０２）。

モデル情報１３４は、予測モデル２００を定義した情報（プログラムまたはデータ構造）である。予測モデル２００は、例えば、コンボリューショナルニューラルネットワーク（Convolutional Neural Network：ＣＮＮ）などの種々のニューラルネットワークによって実現される。

モデル情報１３４には、例えば、各ニューラルネットワークを構成する入力層、一以上の隠れ層（中間層）、出力層の其々に含まれるニューロン（ユニット）が互いにどのように結合されるのかという結合情報や、結合されたニューロン間で入出力されるデータに付与される結合係数などの各種情報が含まれる。結合情報とは、例えば、各層に含まれるニューロン数や、各ニューロンの結合先のニューロンの種類を指定する情報、各ニューロンを実現する活性化関数、隠れ層のニューロン間に設けられたゲートなどの情報を含む。ニューロンを実現する活性化関数は、例えば、正規化線形関数（ＲｅＬＵ関数）であってもよいし、シグモイド関数や、ステップ関数、その他の関数などであってもよい。ゲートは、例えば、活性化関数によって返される値（例えば１または０）に応じて、ニューロン間で伝達されるデータを選択的に通過させたり、重み付けたりする。結合係数は、活性化関数のパラメータであり、例えば、ニューラルネットワークの隠れ層において、ある層のニューロンから、より深い層のニューロンにデータが出力される際に、出力データに対して付与される重みを含む。また、結合係数は、各層の固有のバイアス成分などを含んでもよい。

図１０は、第２実施形態における予測モデル２００の一例を示す図である。第２実施形態における予測モデル２００には、例えば、第１入力層２０２と、埋め込み層（Embedding）２０４と、データ変形層（Reshape）２０６と、複数の畳み込み層２０８と、複数のプーリング層２１０と、連結層（Concatenate）２１２と、データ変形層２１４と、第２入力層２１６と、埋め込み層２１８と、データ変形層２２０と、連結層２２２と、全結合層２２４と、正規化処理層２２６と、ドロップアウト層２２８と、出力層２３０とが含まれる。

第１入力層２０２には、タイトルを示す文字列に含まれる各文字が入力される。第１入力層２０２に入力された文字は、埋め込み層２０４に出力される。

埋め込み層２０４は、第１入力層２０２から入力された一文字一文字を、次元数が固定された多次元ベクトル（密ベクトル）に変換し、変換した複数のベクトルを配列したテンソル（例えば二階テンソル）を生成する。埋め込み層２０４は、生成したテンソルをデータ変形層２０６に出力する。

データ変形層２０６は、入力されたテンソル（一階のテンソルであるベクトルを含む）を変形し、そのテンソルを複数の畳み込み層２０８のそれぞれに出力する。

各畳み込み層２０８は、データ変形層２０６から入力されたテンソルとカーネルと呼ばれる重み行列とを畳み込み（内積を求め）、カーネルと重なる複数の要素を含む領域を、一つの単位領域に圧縮する。この単位領域には、畳み込みにより得られた単変量値が特徴量として対応付けられている。各畳み込み層２０８は、テンソル上でカーネルをシフト移動させながら畳み込み処理を繰り返し、複数の単位領域により形成されたコンボリューショナルレイヤと呼ばれる畳み込みの特徴量を要素値としたテンソルを生成し、それをプーリング層２１０に出力する。

プーリング層２１０は、畳み込み層２０８から入力されたテンソルの次元数をプーリング（例えばGlobal Average Pooling）などによって圧縮し、そのテンソルを連結層２１２に出力する。

連結層２１２は、複数のプーリング層２１０のぞれぞれから入力されたテンソルを一つに連結し、それをデータ変形層２１４に出力する。複数のプーリング層２１０のぞれぞれから入力されるテンソルの次元数は同じものとする。

データ変形層２１４は、データ変形層２０６と同様に、入力されたテンソルを変形し、そのテンソルを連結層２２２に出力する。

第２入力層２１６には、タイトルを識別するＩＤ（Identification Data）に含まれる各文字や、タイトルを示す文字列に含まれる各文字が入力される。第２入力層２１６に入力された文字は、埋め込み層２１８に出力される。

埋め込み層２１８は、埋め込み層２０４と同様に、第２入力層２１６から入力された一文字一文字を、次元数が固定された多次元ベクトル（密ベクトル）に変換し、変換した複数のベクトルを配列したテンソル（例えば二階テンソル）を生成する。埋め込み層２１８は、生成したテンソルをデータ変形層２２０に出力する。

データ変形層２２０は、データ変形層２０６と同様に、入力されたテンソルを変形し、そのテンソルを連結層２２２に出力する。

連結層２２２は、データ変形層２１４から入力されたテンソル、すなわちタイトルをベースとしたテンソルと、データ変形層２２０から入力されたテンソル、すなわちカテゴリをベースとしたテンソルとを一つに連結し、それを全結合層２２４に出力する。タイトルをベースとしたテンソルは、「第１特徴」の一例であり、カテゴリをベースとしたテンソルは、「第２特徴」の一例である。タイトルをベースとしたテンソルとカテゴリをベースとしたテンソルとを連結したテンソルは、「第３特徴」の一例である。

全結合層２２４は、連結層２２２から入力されたテンソルの要素を、その要素を変数としたときに活性化関数（例えばＲｅＬＵ関数など）によって返される値に、学習によって決定されたバイアス成分を加算した値に置き換えたテンソルを生成する。全結合層２２４は、テンソルの要素値を変更する際に、学習によって決定されたカーネルをテンソルに掛け合わせる。全結合層２２４は、生成したテンソルを正規化処理層２２６に出力する。

正規化処理層２２６は、全結合層２２４から入力されたテンソルの要素値を正規化し、正規化したテンソルをドロップアウト層２２８に出力する。

ドロップアウト層２２８は、過学習を防ぐため、正規化処理層２２６から入力されたテンソルの一部の要素を間引き、出力層２３０に出力する。

出力層２３０は、ドロップアウト層２２８から入力されたテンソルを出力する。出力層２３０によって出力されるテンソルは、０階のテンソルであり、一次元のスカラ値である。すなわち、出力層２３０は、商品の落札価格或いは購入価格を表す数値を出力する。

図９のフローチャートの説明に戻る。次に、通信制御部１２０は、予測モデル２００から出力結果である商品の予測価格を取得し、取得した予測価格を示す情報を、、通信部１０２を介してサービス提供装置２０に送信する（Ｓ２０４）。これを受けて、サービス提供装置２０は、出品者が利用する端末装置１０の画面に表示された入力ページ上の表示欄Ｆ３に、出品予定の商品の落札価格を表示させる。これによって、出品者は、自らが出品する商品をどのような価格にすれば最も落札されやすいのか、すなわち落札の適正価格を、出品時点で知ることができる。この結果、出品者がオークションサイトを利用する際の利便性を向上させることができる。

［トレーニングの処理フロー］
以下、第１実施形態における情報処理装置１００のトレーニングの一連の処理の流れをフローチャートに即して説明する。トレーニングとは、ランタイムに利用される予測モデル２００を学習させる状態である。図１１は、第２実施形態における情報処理装置１００Ａによるトレーニングの一連の処理の流れを示すフローチャートである。

まず、学習部１２２は、予測モデル２００を学習させるために、記憶部１３０Ａに格納された落札済み商品情報１３２から、各落札済み商品の商品ＩＤに対応付けられたタイトルおよびカテゴリを取得し、取得したタイトルおよびカテゴリを予測モデル２００に入力する（Ｓ３００）。

具体的には、学習部１２２は、落札済み商品のタイトルを示す文字列に含まれる各文字を第１入力層２０２に入力し、落札済み商品のタイトルを識別するＩＤに含まれる各文字や、タイトルを示す文字列に含まれる各文字を第２入力層２１６に入力する。

一般的に、単語埋め込み表現（Word Embedding(s)）として、ニューラルネットワークの埋め込み層には、複数の文字の塊である単語（ワード）や句（フレーズ）が入力されることが多い。この場合、学習に利用しなかった単語や句が、ランタイムに入力された場合、価格の予測精度が低下しやすい傾向にある。これに対して、本実施形態では、予測モデル２００への入力を、単語単位や句単位とせずに、文字単位とするため、ランタイムに入力されることが推定されるあらゆる文字を満遍なく学習することができる。この結果、価格の予測精度を向上させることができる。

次に、学習部１２２は、落札済み商品のタイトルおよびカテゴリを入力した予測モデル２００から出力結果、すなわち落札済み商品の予測価格を取得する（Ｓ３０２）。

次に、学習部１２２は、予測モデル２００から取得した予測価格と、予測モデル２００に入力したタイトルおよびカテゴリに教師ラベルとした対応付けられた実際の落札価格との誤差を算出する（Ｓ３０４）。例えば、学習部１２２は、予測価格と実際の落札価格との平均絶対誤差を算出してよい。

次に、学習部１２２は、算出した誤差が閾値以内であるか否かを判定し（Ｓ３０６）、その誤差が閾値を超える場合、誤差逆伝番等の勾配法に基づいて、予測モデル２００のパラメータを学習する（Ｓ３０８）。これによって、本フローチャートの処理が終了する。

以上説明した第２実施形態によれば、情報処理装置１００Ａは、落札済み商品に関する商品情報（タイトルおよびカテゴリを含む）に、落札済み商品の実際の落札価格が対応付けられた落札済み商品情報１３２（教師データの一例）に基づいて、予測モデル２００を学習しておき、出品者がオークションサイトなどに商品を出品する際に、その出品予定の商品に関する商品情報を、学習済みの予測モデル２００に入力することで、出品予定の商品の落札価格を予測する。この結果、第１実施形態と同様に、商品またはサービスの価格の予測精度を向上させることができる。

＜第２実施形態の変形例＞
以下、第２実施形態の変形例について説明する。上述した第２実施形態において、情報処理装置１００Ａは、ランタイムにおいて、予測モデル２００が出力した価格を、出品予定の商品の適正落札価格として予測したがこれに限られない。

例えば、情報処理装置１００Ａは、ランタイムにおいて、予測モデル２００が出力した価格と、販売済み商品の価格を少なくとも一つの確率変数とした確率分布を推定し、推定した確率分布に基づいて予測した価格（第１実施形態の手法で予測した価格）との平均などの統計的計算値を、出品予定の商品の適正落札価格として予測してもよい。

また、例えば、情報処理装置１００Ａは、タイトルやカテゴリといった商品情報に加えて、カーネル密度推定の計算結果や、出品予定の商品に類似する落札済み商品の商品概要や商品説明などの文字列を予測モデル２００に入力することで、出品予定の商品の適正落札価格として予測してもよい。

図１２は、第２実施形態における予測モデル２００の他の例を示す図である。予測モデル２００には、上述した構成に加えて、更に、第３入力層２３２と、埋め込み層２３４と、データ変形層２３６とが含まれる。

第３入力層２３２には、例えば、落札済み商品の商品概要や商品説明を表す文字列の各文字が入力されたり、カーネル密度推定によって推定された確率分布から求めた落札価格を示す数値が入力されたりする。第３入力層２３２に入力された文字は、埋め込み層２３４に出力される。

埋め込み層２３４は、埋め込み層２０４と同様に、第３入力層２３２から入力された一文字一文字を、次元数が固定された多次元ベクトル（密ベクトル）に変換し、変換した複数のベクトルを配列したテンソルを生成する。埋め込み層２３４は、生成したテンソルをデータ変形層２３６に出力する。

データ変形層２３６は、データ変形層２０６と同様に、入力されたテンソルを変形し、そのテンソルを連結層２２２に出力する。

連結層２２２は、データ変形層２１４から入力されたテンソル、すなわちタイトルをベースとしたテンソルと、データ変形層２２０から入力されたテンソル、すなわちカテゴリをベースとしたテンソルと、データ変形層２３６から入力されたテンソル、すなわち商品概要や商品説明、カーネル密度推定による予測価格などをベースとしたテンソルとを一つに連結し、それを全結合層２２４に出力する。このように、タイトルやカテゴリだけでなく、商品概要や商品説明、カーネル密度推定による予測価格などの他の情報を用いて予測モデル２００を学習することで、商品またはサービスの価格の予測精度を更に向上させることができる。

また、上述した第２実施形態では、出品予定の商品の適正落札価格を予測するために、予測モデル２００にタイトルおよびカテゴリを入力するもの、すなわち、出品者が入力ページに出品予定の商品のタイトルとカテゴリとを商品情報として入力する必要があるものとして説明したがこれに限られない。例えば、情報処理装置１００Ａは、出品者がカテゴリを選択せず、出品予定の商品のカテゴリが未知である場合であっても、タイトルから、その商品の適正落札価格を予測してよい。

例えば、推定部１１６は、カーネル密度推定を用いて、過去に落札された落札済み商品のカテゴリのＩＤを確率変数とした確率分布を推定する。予測部１１８は、推定部１１６によって推定された確率分布が単峰性分布である場合、その確率分布において最頻値をとるカテゴリＩＤを、出品予定の商品のカテゴリとして予測する。

そして、予測部１１８は、学習済みの予測モデル２００に対して、出品者が入力したタイトルと、確率分布から予測したカテゴリとを入力することで、出品予定の商品の落札価格を予測する。このように、少なくともタイトルが入力されていれば、そのタイトルからカテゴリを予測し、更に、出品予定の商品の落札価格を予測することができる。

＜ハードウェア構成＞
上述した実施形態の情報処理装置１００は、例えば、図１３に示すようなハードウェア構成により実現される。図１３は、実施形態の情報処理装置１００のハードウェア構成の一例を示す図である。

情報処理装置１００は、ＮＩＣ１００−１、ＣＰＵ１００−２、ＲＡＭ１００−３、ＲＯＭ１００−４、フラッシュメモリやＨＤＤなどの二次記憶装置１００−５、およびドライブ装置１００−６が、内部バスあるいは専用通信線によって相互に接続された構成となっている。ドライブ装置１００−６には、光ディスクなどの可搬型記憶媒体が装着される。二次記憶装置１００−５、またはドライブ装置１００−６に装着された可搬型記憶媒体に格納されたプログラムがＤＭＡコントローラ（不図示）などによってＲＡＭ１００−３に展開され、ＣＰＵ１００−２によって実行されることで、制御部１１０が実現される。制御部１１０が参照するプログラムは、ネットワークＮＷを介して他の装置からダウンロードされてもよい。

以上、本発明を実施するための形態について実施形態を用いて説明したが、本発明はこうした実施形態に何ら限定されるものではなく、本発明の要旨を逸脱しない範囲内において種々の変形及び置換を加えることができる。

１…情報処理システム、１０…端末装置、２０…サービス提供装置、１００…情報処理装置、１０２…通信部、１１０…制御部、１１２…取得部、１１４…選択部、１１６…推定部、１１８…予測部、１２０…通信制御部、１２２…学習部、１３０…記憶部、２００…予測モデル

Claims (15)

1. ネットワークを介して販売される第１商品または第１サービスに関する商品情報を取得する取得部と、
   前記取得部によって取得された前記商品情報に基づいて、過去に販売された複数の第２商品または第２サービスの中から、前記第１商品または第１サービスと類似する前記第２商品または第２サービスを選択する選択部と、
   前記選択部によって選択された前記第２商品または第２サービスの価格を少なくとも一つの確率変数とした確率分布を推定する推定部と、
   前記推定部によって推定された前記確率分布に基づいて、前記第１商品または第１サービスの価格を予測する予測部と、
   前記第１商品または第１サービスの販売者が利用可能な端末装置に、前記商品情報を入力可能な画面を提供する提供部と、を備え、
   前記提供部は、前記確率分布が多峰性を有する場合、前記販売者に前記商品情報を再入力するように促す画面を前記端末装置に提供する、
   情報処理装置。
2. ネットワークを介して販売される第１商品または第１サービスに関する商品情報を取得する取得部と、
   前記取得部によって取得された前記商品情報に基づいて、過去に販売された複数の第２商品または第２サービスの中から、前記第１商品または第１サービスと類似する前記第２商品または第２サービスを選択する選択部と、
   前記選択部によって選択された前記第２商品または第２サービスの価格を少なくとも一つの確率変数とした確率分布を推定する推定部と、
   前記推定部によって推定された前記確率分布に基づいて、前記第１商品または第１サービスの価格を予測する予測部と、を備え、
   前記予測部は、更に、
   前記第２商品または第２サービスに関する商品情報に、前記第２商品または第２サービスの価格が対応付けられた教師データに基づき学習されたモデルに対して、前記取得部により取得された前記第１商品または第１サービスの商品情報を入力し、
   前記第１商品または第１サービスの商品情報を入力した前記モデルの出力結果に基づいて、前記第１商品または第１サービスの価格を予測する、
   情報処理装置。
3. 前記予測部は、前記確率分布において前記確率変数として最頻値をとる価格を、前記第１商品または第１サービスの価格として予測する、
   請求項１または２に記載の情報処理装置。
4. 前記推定部は、カーネル密度推定に基づいて、前記確率分布を推定する、
   請求項１から３のうちいずれか一項に記載の情報処理装置。
5. 前記推定部は、前記選択部によって選択された前記第２商品または第２サービスの価格と、前記第１商品または第１サービスおよび前記第２商品または前記第２サービスとの類似度とのそれぞれを前記確率変数とした前記確率分布を推定する、
   請求項１から４のうちいずれか一項に記載の情報処理装置。
6. 前記商品情報には、少なくともタイトルを示す文字列が含まれており、
   前記モデルを、前記タイトルを示す文字列に含まれる各文字を多次元の第１特徴に変換し、前記第１特徴に基づいて価格を出力するように学習する学習部を更に備える、
   請求項２に記載の情報処理装置。
7. 前記商品情報には、更にカテゴリを示す文字列が含まれており、
   前記学習部は、前記モデルを、前記カテゴリを示す文字列に含まれる各文字を多次元の第２特徴に変換し、前記第１特徴と前記第２特徴とを合わせて第３特徴に変換し、前記第３特徴に基づいて価格を出力するように学習する、
   請求項６に記載の情報処理装置。
8. 前記予測部は、前記第２商品または第２サービスの商品情報に含まれるタイトルから、前記第２商品または第２サービスのカテゴリを予測し、
   前記学習部は、前記モデルを、前記予測部によって予測された前記カテゴリを示す文字列に含まれる各文字を多次元の第２特徴に変換し、前記第１特徴と前記第２特徴とを合わせて第３特徴に変換し、前記第３特徴に基づいて価格を出力するように学習する、
   請求項７に記載の情報処理装置。
9. ネットワークを介して販売される第１商品または第１サービスに関する商品情報を取得する取得部と、
   過去に販売された第２商品または第２サービスに関する商品情報に、前記第２商品または第２サービスの価格が対応付けられた教師データに基づき学習されたモデルに対して、前記取得部により取得された前記第１商品または第１サービスの商品情報を入力したときに得られる前記モデルの出力結果に基づいて、前記第１商品または第１サービスの価格を予測する予測部と、
   を備える情報処理装置。
10. コンピュータが、
    ネットワークを介して販売される第１商品または第１サービスに関する商品情報を取得し、
    前記取得した商品情報に基づいて、過去に販売された複数の第２商品または第２サービスの中から、前記第１商品または第１サービスと類似する前記第２商品または第２サービスを選択し、
    前記選択した第２商品または第２サービスの価格を少なくとも一つの確率変数とした確率分布を推定し、
    前記推定した確率分布に基づいて、前記第１商品または第１サービスの価格を予測し、
    前記第１商品または第１サービスの販売者が利用可能な端末装置に、前記商品情報を入力可能な画面を提供し、
    前記確率分布が多峰性を有する場合、前記販売者に前記商品情報を再入力するように促す画面を前記端末装置に提供する、
    情報処理方法。
11. コンピュータが、
    ネットワークを介して販売される第１商品または第１サービスに関する商品情報を取得し、
    前記取得した商品情報に基づいて、過去に販売された複数の第２商品または第２サービスの中から、前記第１商品または第１サービスと類似する前記第２商品または第２サービスを選択し、
    前記選択した第２商品または第２サービスの価格を少なくとも一つの確率変数とした確率分布を推定し、
    前記推定した確率分布に基づいて、前記第１商品または第１サービスの価格を予測し、
    前記第２商品または第２サービスに関する商品情報に、前記第２商品または第２サービスの価格が対応付けられた教師データに基づき学習されたモデルに対して、取得した前記第１商品または第１サービスの商品情報を入力し、
    前記第１商品または第１サービスの商品情報を入力した前記モデルの出力結果に基づいて、前記第１商品または第１サービスの価格を予測する、
    情報処理方法。
12. コンピュータが、
    ネットワークを介して販売される第１商品または第１サービスに関する商品情報を取得し、
    過去に販売された第２商品または第２サービスに関する商品情報に、前記第２商品または第２サービスの価格が対応付けられた教師データに基づき学習されたモデルに対して、前記取得した前記第１商品または第１サービスの商品情報を入力したときに得られる前記モデルの出力結果に基づいて、前記第１商品または第１サービスの価格を予測する、
    情報処理方法。
13. コンピュータに、
    ネットワークを介して販売される第１商品または第１サービスに関する商品情報を取得する処理と、
    前記取得した商品情報に基づいて、過去に販売された複数の第２商品または第２サービスの中から、前記第１商品または第１サービスと類似する前記第２商品または第２サービスを選択する処理と、
    前記選択した第２商品または第２サービスの価格を少なくとも一つの確率変数とした確率分布を推定する処理と、
    前記推定した確率分布に基づいて、前記第１商品または第１サービスの価格を予測する処理と、
    前記第１商品または第１サービスの販売者が利用可能な端末装置に、前記商品情報を入力可能な画面を提供する処理と、
    前記確率分布が多峰性を有する場合、前記販売者に前記商品情報を再入力するように促す画面を前記端末装置に提供する処理と、
    を実行させるためのプログラム。
14. コンピュータに、
    ネットワークを介して販売される第１商品または第１サービスに関する商品情報を取得する処理と、
    前記取得した商品情報に基づいて、過去に販売された複数の第２商品または第２サービスの中から、前記第１商品または第１サービスと類似する前記第２商品または第２サービスを選択する処理と、
    前記選択した第２商品または第２サービスの価格を少なくとも一つの確率変数とした確率分布を推定する処理と、
    前記推定した確率分布に基づいて、前記第１商品または第１サービスの価格を予測する処理と、
    前記第２商品または第２サービスに関する商品情報に、前記第２商品または第２サービスの価格が対応付けられた教師データに基づき学習されたモデルに対して、取得した前記第１商品または第１サービスの商品情報を入力する処理と、
    前記第１商品または第１サービスの商品情報を入力した前記モデルの出力結果に基づいて、前記第１商品または第１サービスの価格を予測する処理と、
    を実行させるためのプログラム。
15. コンピュータに、
    ネットワークを介して販売される第１商品または第１サービスに関する商品情報を取得する処理と、
    過去に販売された第２商品または第２サービスに関する商品情報に、前記第２商品または第２サービスの価格が対応付けられた教師データに基づき学習されたモデルに対して、前記取得した前記第１商品または第１サービスの商品情報を入力したときに得られる前記モデルの出力結果に基づいて、前記第１商品または第１サービスの価格を予測する処理と、
    を実行させるためのプログラム。