JP6810184B2 - 算出装置、算出方法及び算出プログラム - Google Patents

Description

本発明は、算出装置、算出方法及び算出プログラムに関する。

ネットワークを使用したサービスが活発に行われている。例えば、各種の商品やサービスといった取引対象の電子商取引を実現するＥＣ（Electronic Commerce）サイト等で、利用者の属性に応じた取引対象の推薦を行う技術が知られている。

特開２０１３−２０５８７５号公報

しかしながら、上述した従来技術では、利用者の興味を引く情報を提供しているとは言えない場合がある。

例えば、上述した従来技術では、予め登録された利用者の属性に応じた取引対象を推しているに過ぎないため、利用者に推薦を行う際に利用者が所望する取引対象の情報を提供しているとは言えない場合がある。

本願は、上記に鑑みてなされたものであって、利用者がより強く興味を引く情報を提供することができる算出装置、算出方法及び算出プログラムを目的とする。

本願に係る算出装置は、利用者の行動を示す行動情報を取得する取得部と、前記取得部により取得された行動情報に、取引対象の閲覧を示す行動情報が含まれているか否かに基づいて、前記利用者が当該取引対象を購入する可能性を示すスコアを算出する算出部と、を有することを特徴とする。

実施形態の一態様によれば、利用者がより強く興味を引く情報を提供することができるという効果を奏する。

図１は、第１の実施形態に係る算出装置が実行する決定処理の一例を示す図である。 図２は、第１の実施形態に係る算出装置が実行する選択ロジックを選択する選択処理の一例を示す図である。 図３は、第１の実施形態に係る算出装置が実行するログを抽出する抽出処理の一例を示す図である。 図４は、第１の実施形態に係る算出装置の構成例を示す図である。 図５は、第１の実施形態に係るログ情報記憶部の一例を示す図である。 図６は、第１の実施形態に係る選択ロジック記憶部の一例を示す図である。 図７は、第１の実施形態に係る算出装置が実行する決定処理の流れの一例を示すフローチャートである。 図８は、第１の実施形態に係る算出装置が実行するログの推定処理の流れの一例を示すフローチャートである。 図９は、第２の実施形態に係る算出装置が実行する決定処理の一例を示す図である。 図１０は、第２の実施形態に係る算出装置の構成例を示す図である。 図１１は、第２の実施形態に係る算出装置が実行するコンテンツの提供処理の流れの一例を示すフローチャートである。 図１２は、算出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、本願に係る算出装置、算出方法及び算出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算出装置、算出方法及び算出プログラムが限定されるものではない。また、各実施形態は、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、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。

〔１．第１の実施形態〕
〔１−１．算出装置が示す決定処理の一例〕
図１を用いて、第１の実施形態に係る算出装置１００が実行する決定処理の一例について説明する。図１は、第１の実施形態に係る算出装置１００が実行する決定処理の一例を示す図である。具体的には、算出装置１００は、利用者の行動を示す行動情報から利用者に対して情報を提供する取引対象を決定する複数の手法の中から選択された手法を用いて、行動情報から、利用者に対して情報を提供する取引対象を決定する。

ここでいう行動情報とは、利用者によって行われる行動に関する情報である。例えば、行動情報とは、ショッピングサイト及びＥＣ（Electric Commerce）サイトに対して行った利用者の行動に関する情報である。また、例えば、行動情報とは、オークションサイトに対して行った利用者の行動に関する情報である。

また、例えば、行動情報は、利用者によって検索された検索ログ、利用者によって閲覧されたコンテンツの閲覧履歴、利用者によって購買された商品に関する購買履歴等を含む。このような行動情報は、利用者によって利用される端末装置を識別する情報（例えばクッキー（cookie）情報等）に対応付けられて取得することで実現可能である。

また、ここでいう取引対象とは、商品又はサービスである。例えば、サービスとは、利用者によって実際の店舗を介して利用されたサービスのみならず、利用者によってネットワークを介して発注を受け、利用者に対して直接提供されるサービスや、注文を行った利用者以外の利用者に対して提供されたサービス、ネットワークを介して提供されるサービス等を含むものである。また、以下には、取引対象が商品であるものとして例を挙げて説明する。

図１に示すように、算出システム１は、端末装置１０と、算出装置１００とを含む。端末装置１０及び算出装置１００は、図示しない所定の通信網を介して、有線又は無線により通信可能に接続される。なお、図１に示す算出システム１には、複数台の端末装置１０や、複数台の算出装置１００が含まれてもよい。

第１の実施形態に係る端末装置１０は、ブラウザに表示されるウェブページやアプリケーション用のコンテンツ等のコンテンツにアクセスする利用者によって利用される情報処理装置である。例えば、端末装置１０は、デスクトップ型ＰＣ（Personal Computer）や、ノート型ＰＣや、タブレット端末や、携帯電話機や、ＰＤＡ（Personal Digital Assistant）等である。

図１の例では、端末装置１０が利用者によって利用されるスマートフォンである場合を示す。なお、以下では、端末装置１０を利用者と表記する場合がある。すなわち、以下では、利用者を端末装置１０と読み替えることもできる。また、以下では、各利用者によって利用される端末装置１０を区別する必要のない場合には、端末装置１０と表記する場合がある。

第１の実施形態に係る算出装置１００は、例えば、サーバ装置等により実現される。具体的には、算出装置１００は、利用者の行動を示す行動情報を取得する。そして、算出装置１００は、かかる行動情報が示す行動に基づいて、行動情報から利用者に対して情報を提供する取引対象を決定する複数の手法の中からいずれかの手法を選択する。そして、算出装置１００は、かかる手法を用いて、行動情報から、利用者に対して情報を提供する取引対象を決定する。

以下、図１を用いて、算出装置１００による決定処理の一例を流れに沿って説明する。

まず、図１に示すように、算出装置１００は、利用者の行動情報であるログを取得する（ステップＳ１）。例えば、図１の例では、算出装置１００は、ログとして、利用者によって検索された検索ログ、利用者によって閲覧されたコンテンツの閲覧履歴、利用者によって購買された商品に関する購買履歴を利用者によって利用される端末装置１０から取得する。

続いて、算出装置１００は、ログの特徴と、ログに関連する商品の特徴とを学習した学習モデルＭ１を生成する（ステップＳ２）。例えば、算出装置１００は、ロジスティック回帰、ＳＶＭ（Support Vector Machine）、深層学習等の機械学習手法の従来技術により、所定の利用者のログの特徴と、所定の利用者のログに関連する商品の特徴とに基づいて、学習モデルＭ１を生成する。

例えば、算出装置１００は、機械学習手法の従来技術により、所定の利用者のログとして、コンテンツの種別、コンテンツが示すドメインに関する情報、検索ログや購買履歴が示す日時等の特徴と、所定の利用者のログに関連する商品の特徴として、商品に関する情報、商品が示す商品のカテゴリに関する情報等とに基づいて、学習モデルＭ１を生成する。

そして、算出装置１００は、対象の利用者ＩＤ（Identifier）「Ｕ１００」により特定される利用者（以下では、利用者ＩＤ「ＵＮ」により特定される利用者を「利用者ＵＮ（Ｎは任意の数値）」と表記する場合がある）のログを端末装置１０から取得する（ステップＳ３）。すなわち、算出装置１００は、対象の利用者の購買意欲を掻き立てる商品を選択するために必要な情報である対象の利用者のログを取得する。

続いて、算出装置１００は、ログの種別が所定の条件を満たすか否かに基づいて、商品を選択する選択ロジックのうちいずれかの選択ロジックを選択する（ステップＳ４）。すなわち、算出装置１００は、利用者の購買意欲を掻き立てる商品を選択するための選択ロジックであって、それぞれ異なる方式で商品の選択を行う選択ロジックの中から、利用者のログが満たす条件等に基づいて、最も利用者に選択される商品を選択する確率が高い選択ロジックを選択する。具体的には、算出装置１００は、同一の利用者により閲覧された複数の取引対象の関係性に基づいて行動情報が示す行動と関連する取引対象から利用者に対して情報を提供する取引対象を決定する手法である関連性手法を少なくとも含む複数の手法の中から、いずれかの手法を選択する。

また、具体的には、算出装置１００は、利用者が入力した検索クエリと関連性を有する取引対象から利用者に対して情報を提供する取引対象を決定する手法である検索手法を少なくとも含む複数の手法の中から、いずれかの手法を選択する。

より具体的には、算出装置１００は、取引対象により取得された行動情報のうち、取引対象の閲覧を示す行動情報の数若しくは割合が所定の条件を満たす場合は、関連性手法を選択する。また、より具体的には、算出装置１００は、取引対象により取得された行動情報のうち、取引対象の閲覧を示す行動情報の数若しくは割合が所定の条件を満たさない場合は、検索手法を選択する。

ここで、図２を用いて選択ロジックを選択する選択処理について説明する。図２は、第１の実施形態に係る算出装置が実行する選択ロジックを選択する選択処理の一例を示す図である。また、図２に示す選択処理の一例は、図１のステップＳ４に対応する処理である。表ＴＢ１は、対象の利用者のログを示す表である。例えば、図２に示すように、利用者は、ログ情報を有する。具体的には、利用者Ｕ１に対応するログ情報は、ログＩＤ、種別、日時、商品、カテゴリである。

例えば、ログＩＤ「Ｌ１」により特定されるログ（以下では、ログＩＤ「ＬＮ」により特定されるログを「ログＬＮ（Ｎは任意の数値）」と表記する場合がある）に対応する種別は、ショッピング閲覧を示す。また、例えば、ログＬ１に対応する日時は、日時Ｔ１を示す。また、例えば、ログＬ１に対応する商品は、商品ＭＤ１を示す。また、例えば、ログＬ１に対応する商品のカテゴリは、カテゴリＣＡ１を示す。

また、例えば、ログＬ２に対応する種別は、ショッピング検索を示す。また、例えば、ログＬ２に対応する日時は、日時Ｔ２を示す。また、例えば、ログＬ２に対応する商品は、商品ＭＤ２を示す。また、例えば、ログＬ２に対応する商品のカテゴリは、カテゴリＣＡ２を示す。

また、例えば、ログＬ３に対応する種別は、オークション検索を示す。また、例えば、ログＬ３に対応する日時は、日時Ｔ３を示す。また、例えば、ログＬ３に対応する商品は、商品ＭＤ３を示す。また、例えば、ログＬ３に対応する商品のカテゴリは、カテゴリＣＡ３を示す。

また、例えば、ログＬ４に対応する種別は、コマースを示す。ここで、コマースとは、コマース意図があるものである。例えば、コマース意図があるものとは、検索クエリのうち商品名等を含むものや、検索クエリと対応する商品が存在し、かつ、商品の情報や販売に関するコンテンツへのリンクが設定されたものである。また、例えば、ログＬ４に対応する日時は、日時Ｔ４を示す。また、例えば、ログＬ４に対応する商品は、商品ＭＤ４を示す。また、例えば、ログＬ４に対応する商品のカテゴリは、カテゴリＣＡ４を示す。

また、例えば、ログＬ５に対応する種別は、リンクを示す。ここで、リンクとは、異なる他のショッピングサービスに関するリンクが含まれる検索ログである。また、例えば、ログＬ５に対応する日時は、日時Ｔ５を示す。また、例えば、ログＬ５に対応する商品は、商品ＭＤ５を示す。また、例えば、ログＬ５に対応する商品のカテゴリは、カテゴリＣＡ５を示す。

また、表ＴＢ２は、選択ロジックに関する表である。例えば、図２に示すように、表ＴＢ２は、ロジックＩＤ「ＬＧ１」により特定される選択ロジック（以下では、ロジックＩＤ「ＬＧＮ」により特定されるログを「ロジックＬＧＮ（Ｎは任意の数値）」と表記する場合がある）ごとに選択ロジックに関する情報を有する。具体的には、選択ロジックに関する情報は、種別、条件である。

例えば、ロジックＬＧ１に対応する種別は、協調フィルタリングを示す。ここで、協調フィルタリングとは、例えば、利用者同士の類似性を示す類似度を算出し、関連度に基づいて、商品を選択する方法である。例えば、算出装置１００は、各利用者のログから、同じ利用者によって閲覧される可能性が高い商品を対応付けて記憶部に記憶する。そして、算出装置１００は、対象の利用者の閲覧履歴から対象の利用者が閲覧した商品を特定し、特定した商品と対応付けられた商品を提案する商品として決定する。なお、算出装置１００は、提案する商品が複数決定された場合には、各種選択ロジック等の従来技術により１つに決定する。また、例えば、ロジックＬＧ１に対応する条件は、条件ＣＯＮ１を示す。

また、例えば、ロジックＬＧ２に対応する種別は、履歴選択を示す。ここで、履歴選択とは、例えば、検索された回数が多い商品を選択する方法であり、例えば、検索された回数が所定の閾値以上である商品を特定する方法である。この場合、算出装置１００は、各利用者のログから、検索された回数が所定の閾値以上である商品を特定し、特定した商品を提案する商品として決定する。また、例えば、ロジックＬＧ２に対応する条件は、条件ＣＯＮ２を示す。

また、例えば、ロジックＬＧ３に対応する種別は、関連選択を示す。ここで、関連選択とは、例えば、利用者によって過去に購入された商品と同一のカテゴリに含まれる商品を選択する方法であり、例えば、利用者によって過去に購入された商品と同一のカテゴリに含まれる商品のうち、他の利用者によって購入された回数が多い商品を特定する方法である。この場合、算出装置１００は、各利用者のログから、利用者によって過去に購入された商品と同一のカテゴリに含まれる商品のうち、他の利用者によって購入された回数が多い商品を特定し、特定した商品を提案する商品として決定する。また、例えば、ロジックＬＧ３に対応する条件は、条件ＣＯＮ３を示す。

図２の例では、算出装置１００は、手法ごとに、手法により決定された取引対象を利用者が選択する可能性を示すスコアを行動に基づいて算出し、算出したスコアが最も高い手法を選択する。図２に示すように、算出装置１００は、商品の選択ロジックごとに、ログの種別に応じたスコアを算出し、スコアが最も高い選択ロジックを選択する（ステップＳ２１）。このような処理の結果、算出装置１００は、適切な選択ロジックを選択するので、利用者がより強く興味を有する商品を選択することができる。

例えば、図２の例では、算出装置１００は、表ＴＢ２に含まれる選択ロジックごとにスコアを算出する。例えば、利用者のログに含まれるショッピング閲覧回数が所定の閾値以上である場合に、ショッピング閲覧回数を用いる選択ロジックのスコアを上昇させる。この場合、協調フィルタリングのスコアを上昇させる。換言すると、協調フィルタリングの条件には、ショッピング閲覧回数の回数が大きいほど、スコアの値が高くなる条件が含まれる。例えば、図２の例では、算出装置１００は、表ＴＢ１に含まれるログに基づいて、ロジックＬＧ１に対応付けられた協調フィルタリングに対応するスコアが０．５であると算出する。また、例えば、算出装置１００は、表ＴＢ１に含まれるログに基づいて、ロジックＬＧ２に対応付けられた履歴選択に対応するスコアが０．２であると算出する。また、例えば、算出装置１００は、表ＴＢ１に含まれるログに基づいて、ロジックＬＧ３に対応付けられた関連選択に対応するスコアが０．１であると算出する。そして、算出装置１００は、複数の選択ロジックのうち、最もスコアの高いロジックＬＧ１を選択する。

なお、例えば、過去に閲覧した商品に関する情報を利用者に提供すると、かかる商品が利用者により選択される可能性が高い場合がある。例えば、利用者のログに含まれる過去に閲覧した商品に関する閲覧回数が所定の閾値以上である場合に、閲覧回数を用いる選択ロジックのスコアを上昇させる。この場合、履歴選択のスコアを上昇させる。換言すると、履歴選択には、過去に閲覧した商品に関する閲覧回数の回数が大きいほどスコアの値が高くなる条件が含まれる。また、例えば、利用者のログに含まれる過去に閲覧した商品と同一のカテゴリに含まれる商品のうち、他の利用者によって購入された回数が所定の閾値以上である場合に、購入回数を用いる選択ロジックのスコアを上昇させる。この場合、関連選択のスコアを上昇させる。換言すると、関連選択の条件には、過去に閲覧した商品と同一のカテゴリに含まれる商品のうち、他の利用者によって購入された回数が大きいほどスコアの値が高くなる条件が含まれる。また、各選択ロジックに対応する条件には、時間が経過したログの重みを小さくする条件等が設定されていてもよい。

なお、算出装置１００は、スコアが最も高い選択ロジックを用いて、商品を決定してもよい（ステップＳ２２）。例えば、選択ロジックとして協調フィルタリングが選択されたものとする。この場合、算出装置１００は、協調フィルタリングを用いて対象の利用者に提供する商品を決定してもよい。例えば、図２の例では、算出装置１００は、協調フィルタリングを用いることで、ログＬ１０から商品ＭＤ１を決定する。また、例えば、図２の例では、算出装置１００は、協調フィルタリングを用いることで、ログＬ２０から、商品ＭＤ５を決定する。

また、図２に示した例では、日時を「Ｔ１」等の抽象的な符号で表現したが、日時は、具体的な数値等であってもよい。また、商品を「ＭＤ１」等の抽象的な符号で表現したが、商品は、具体的な商品又はサービスの名称等に関する情報であってもよい。また、カテゴリを「ＣＡ１」等の抽象的な符号で表現したが、カテゴリは、具体的な名称等に関する情報であってもよい。また、条件を「ＣＯＮ１」等の抽象的な符号で表現したが、条件は、具体的な数値等であってもよい。

図１に戻り、第１の実施形態に係る決定処理の一例を説明する。算出装置１００は、学習モデルＭ１を用いて、有用なログを推定する（ステップＳ５）。続いて、算出装置１００は、かかる有用なログを用いて、商品を決定する（ステップＳ６）。

ここで、図３を用いてログを推定する推定処理について説明する。図３は、第１の実施形態に係る算出装置が実行するログを抽出する抽出処理の一例を示す図である。また、図３が示す推定処理の一例は、図１のステップＳ５及びステップＳ６に対応する処理である。表ＴＢ３は、複数の利用者のそれぞれに対応するログを示す表である。具体的には、複数の利用者のそれぞれに対応するログ情報は、ログＩＤ、利用者ＩＤ、種別、日時、商品、カテゴリ、コンテンツに対するクリック数である。

例えば、ログＬ１に対応する利用者ＩＤは、Ｕ１を示す。また、例えば、ログＬ１に対応する種別は、ショッピング閲覧を示す。また、例えば、ログＬ１に対応する日時は、日時Ｔ１を示す。また、例えば、ログＬ１に対応する商品は、商品ＭＤ１を示す。また、例えば、ログＬ１に対応する商品のカテゴリは、カテゴリＣＡ１を示す。また、例えば、ログＬ１に対応するクリック数は、１を示す。

また、例えば、ログＬ２に対応する利用者ＩＤは、Ｕ１を示す。また、例えば、ログＬ２に対応する種別は、ショッピング検索を示す。また、例えば、ログＬ２に対応する日時は、日時Ｔ２を示す。また、例えば、ログＬ２に対応する商品は、商品ＭＤ２を示す。また、例えば、ログＬ２に対応する商品のカテゴリは、カテゴリＣＡ２を示す。また、例えば、ログＬ２に対応するクリック数は、０を示す。

また、例えば、ログＬ３に対応する利用者ＩＤは、Ｕ２を示す。また、例えば、ログＬ３に対応する種別は、オークション検索を示す。また、例えば、ログＬ３に対応する日時は、日時Ｔ３を示す。また、例えば、ログＬ３に対応する商品は、商品ＭＤ３を示す。また、例えば、ログＬ３に対応する商品のカテゴリは、カテゴリＣＡ３を示す。また、例えば、ログＬ３に対応するクリック数は、１を示す。

また、例えば、ログＬ４に対応する利用者ＩＤは、Ｕ３を示す。また、例えば、ログＬ４に対応する種別は、コマースを示す。また、例えば、ログＬ４に対応する日時は、日時Ｔ４を示す。また、例えば、ログＬ４に対応する商品は、商品ＭＤ４を示す。また、例えば、ログＬ４に対応する商品のカテゴリは、カテゴリＣＡ４を示す。また、例えば、ログＬ４に対応するクリック数は、０を示す。

また、例えば、ログＬ５に対応する利用者ＩＤは、Ｕ４を示す。また、例えば、ログＬ５に対応する種別は、リンクを示す。ここで、リンクとは、異なる他のショッピングサービスに関するリンクである。また、例えば、ログＬ５に対応する日時は、日時Ｔ５を示す。また、例えば、ログＬ５に対応する商品は、商品ＭＤ５を示す。また、例えば、ログＬ５に対応する商品のカテゴリは、カテゴリＣＡ５を示す。また、例えば、ログＬ５に対応するクリック数は、１を示す。

図３の例では、算出装置１００は、行動情報が示す行動と関連する取引対象に対する利用者の興味の度合と、行動情報が有する特徴との関連性を学習したモデルを用いて、行動情報ごとに、利用者の興味の度合を推定する。より具体的には、算出装置１００は、特徴として行動情報が示す行動の種別と、利用者の興味の度合との関係性を学習したモデルを用いて、利用者の興味の度合を推定する。より具体的には、算出装置１００は、行動情報が示す行動が行動と関連する取引対象の閲覧であるか否かと利用者の興味の度合との関係性を学習したモデルを用いて、利用者の興味の度合を推定する。

より具体的には、算出装置１００は、行動情報が示す行動が取引対象に関連するウェブ検索であるか否かと利用者の興味の度合との関係性を学習したモデルを用いて、利用者の興味の度合を推定する。より具体的には、算出装置１００は、行動情報が示す行動が取引対象に関連する情報のウェブ検索であって、検索結果に取引対象の情報が表示されたウェブ検索であるか否かと利用者の興味の度合との関係性を学習したモデルを用いて、利用者の興味の度合を推定する。

また、算出装置１００は、行動情報が示す行動が取引対象に関連する情報へのリンクを含む検索結果が表示されたウェブ検索であるか否かと利用者の興味の度合との関係性を学習したモデルを用いて、利用者の興味の度合を推定する。

図３に示すように、算出装置１００は、ログ種別とログに対応する商品を含むコンテンツに対するＣＴＲ（Click Through Rate）との関連性を学習した学習モデルＭ１を生成する。（ステップＳ３１）。例えば、算出装置１００は、ログ種別と、日時と、商品と、カテゴリといった入力情報と、コンテンツに対するクリック数から算出されたＣＴＲとの関連性を学習することで、学習モデルＭ１を生成する。より具体的な例を説明すると、算出装置１００は、ログ種別と、日時と、商品と、カテゴリとを入力した際に、入力されたログ種別と、日時と、商品と、カテゴリとを示すログから算出されたＣＴＲの値を出力するように学習モデルＭ１の学習を行う。

そして、算出装置１００は、学習モデルＭ１を用いて、各ログのＣＴＲを推定する（ステップＳ３２）。例えば、算出装置１００は、学習モデルＭ１に基づいて、予測対象であるログが入力された場合に、スコアを出力する。そして、算出装置１００は、シグモイドフィッティング（Sigmoid fitting）等を用いて学習モデルＭ１から出力されたスコアを確率値に変換することで、各ログに対応するＣＴＲを推定する。

例えば、図３の例では、算出装置１００は、学習モデルＭ１を用いて、ログＬ２１に関する情報からＣＴＲを「０．２」と推定する。また、例えば、算出装置１００は、学習モデルＭ１を用いて、ログＬ２２に関する情報からＣＴＲを「０．００２」と推定する。また、例えば、算出装置１００は、学習モデルＭ１を用いて、ログＬ２３に関する情報からＣＴＲを「０．０００１」と推定する。

また、例えば、算出装置１００は、学習モデルＭ１を用いて、ログＬ２４に関する情報からＣＴＲを「０．０１」と推定する。また、例えば、算出装置１００は、学習モデルＭ１を用いて、ログＬ２５に関する情報からＣＴＲを「０．０５」と推定する。

そして、算出装置１００は、学習モデルＭ１を用いて推定されたＣＴＲのうち、ＣＴＲが所定の閾値以上であるログを用いて、商品を決定する（ステップＳ３３）。すなわち、算出装置１００は、ＣＴＲが高いと推定されたログ、すなわち、利用者の意図をより強く反映していると推定されるログを用いて、商品を選択する。例えば、ＣＴＲが所定の閾値以上であるログがログＬ１０とログＬ２０とであるものとする。また、選択ロジックとして協調フィルタリングが選択されたものとする。この場合、算出装置１００は、協調フィルタリングを用いてＣＴＲが所定の閾値以上であるログに基づいて、対象の利用者に提供する商品を決定する。このような処理の結果、算出装置１００は、利用者の意図をより強く反映するログから商品を選択するので、利用者がより強く興味を有する商品を提案対象として選択することができる。

例えば、図３の例では、算出装置１００は、協調フィルタリング等の選択ロジックを用いることで、ログＬ１０に関する情報から商品ＭＤ１を決定する。また、例えば、図３の例では、算出装置１００は、協調フィルタリング等の選択ロジックを用いることで、ログＬ２０に関する情報から、商品ＭＤ５を決定する。

なお、図３に示した例では、日時を「Ｔ１」等の抽象的な符号で表現したが、日時は、具体的な数値等であってもよい。また、商品を「ＭＤ１」等の抽象的な符号で表現したが、商品は、具体的な商品又はサービスの名称等に関する情報であってもよい。また、カテゴリを「ＣＡ１」等の抽象的な符号で表現したが、カテゴリは、具体的な名称等に関する情報であってもよい。

図１に戻り、第１の実施形態に係る決定処理の一例を説明する。算出装置１００は、商品に関する情報を含むコンテンツを利用者Ｕ１００に提供する（ステップＳ７）。例えば、算出装置１００は、複数の商品に関する情報を含むコンテンツＣＲ１を利用者Ｕ１００に提供する。例えば、図１の例では、算出装置１００は、商品Ａと、商品Ａの価格「１２００円」と、商品Ｂと、商品Ｂの価格「１５００円」と、商品Ｃと、商品Ｃの価格「１７００円」とが所定の場所に表示されたコンテンツＣＲ１を利用者Ｕ１００に提供する。

なお、図１の例では、算出装置１００は、商品Ａに関する情報と、商品Ｂに関する情報と、商品Ｃに関する情報とを含むコンテンツＣＲ１を利用者Ｕ１００に提供する例を挙げたが、上記例に限定されなくてもよい。具体的には、算出装置１００は、３種類以上の商品に関する情報を含むコンテンツを利用者に提供してもよい。例えば、算出装置１００は、商品Ａに関する情報と、商品Ｂに関する情報と、商品Ｃに関する情報と、商品Ｄに関する情報と、商品Ｅに関する情報と、商品Ｆに関する情報とを含むコンテンツを利用者に提供するであってもよい。

このように、第１の実施形態に係る算出装置１００は、利用者の行動を示す行動情報を取得する。そして、算出装置１００は、かかる行動情報が示す行動に基づいて、行動情報から利用者に対して情報を提供する取引対象を決定する複数の手法の中からいずれかの手法を選択する。そして、算出装置１００は、かかる手法を用いて、行動情報から、利用者に対して情報を提供する取引対象を決定する。これにより、第１の実施形態に係る算出装置１００は、手法を用いて、行動情報から、利用者に対して情報を提供する取引対象を決定するため、利用者がより強く興味を引く情報を提供することができる。

この点について説明する。図１の例を用いて説明すると、算出装置１００は、ログの特徴と、ログに関する商品の特徴とを学習した学習モデルＭ１を用いて、有用なログを推定する。そして、算出装置１００は、協調フィルタリング等の選択ロジックを用いることで、かかる有用なログから商品を決定する。これにより、算出装置１００は、利用者にとって適切な商品を決定することができるため、利用者がより強く興味を引く商品を高精度に決定することができる。このことから、算出装置１００は、利用者がより強く興味を引く情報を提供することができるため、よりよいサービスを提供することができる。

〔１−２．算出装置の構成〕
次に、図４を用いて、第１の実施形態に係る算出装置１００の構成について説明する。図４は、第１の実施形態に係る算出装置１００の構成例を示す図である。図４に示すように、算出装置１００は、通信部１１０と、記憶部１２０と、制御部１３０とを有する。

（通信部１１０について）
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又は無線で接続され、端末装置１０との間で情報の送受信を行う。

（記憶部１２０について）
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。記憶部１２０は、ログ情報記憶部１２１と、学習モデル１２２と、選択ロジック記憶部１２３とを有する。

（ログ情報記憶部１２１について）
第１の実施形態に係るログ情報記憶部１２１は、利用者のログに関する情報を記憶する。ここで、図５に、第１の実施形態に係るログ情報記憶部１２１の一例を示す。図５に示した例では、ログ情報記憶部１２１は、「ログＩＤ」、「種別」、「日時」、「商品」、「カテゴリ」といった項目を有する。

「ログＩＤ」は、ログを識別する識別子である。「種別」は、「ログＩＤ」に対応付けられたログの種別に関する情報である。「日時」は、「ログＩＤ」に対応付けられた日時であって、ログが記憶された日時に関する情報である。

「商品」は、「ログＩＤ」に対応付けられた商品に関する情報である。「カテゴリ」は、「ログＩＤ」に対応付けられたカテゴリであって、商品のカテゴリに関する情報である。例えば、商品がビールであるとする。この場合、カテゴリは酒である。

例えば、図５では、ログＩＤによって識別された「Ｌ１」は、種別が「ショッピング閲覧」であり、日時が「Ｔ１」であり、商品が「ＭＤ１」であり、カテゴリが「ＣＡ１」である。なお、図５に示した例では、日時を「Ｔ１」等の抽象的な符号で表現したが、日時は、具体的な数値等であってもよい。また、商品を「ＭＤ１」等の抽象的な符号で表現したが、商品は、具体的な商品の名称等に関する情報であってもよい。また、カテゴリを「ＣＡ１」等の抽象的な符号で表現したが、カテゴリは、具体的な名称等に関する情報であってもよい。

（選択ロジック記憶部１２３について）
第１の実施形態に係る選択ロジック記憶部１２３は、選択ロジックに関する情報を記憶する。ここで、図６に、第１の実施形態に係る選択ロジック記憶部１２３の一例を示す。図６に示した例では、選択ロジック記憶部１２３は、「ロジックＩＤ」、「種別」、「条件」、「スコア」といった項目を有する。

「ロジックＩＤ」は、ロジックを識別する識別子である。「種別」は、「ロジックＩＤ」に対応付けられた選択ロジックの種別に関する情報である。「条件」は、「ロジックＩＤ」に対応付けられた選択ロジックに関する条件についての情報である。「スコア」は、「ロジックＩＤ」に対応付けられた商品の選択ロジックごとにログの種別に応じたスコアに関する情報である。

例えば、図６では、ロジックＩＤによって識別された「ＬＧ１」は、種別が「協調フィルタリング」であり、条件が「ＣＯＮ１」であり、スコアが「０．５」である。なお、図６に示した例では、条件を「ＣＯＮ１」等の抽象的な符号で表現したが、条件は、具体的な数値等であってもよい。

（制御部１３０について）
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、算出装置１００内部の記憶装置に記憶されている各種プログラム（算出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４に示すように、制御部１３０は、取得部１３１と、生成部１３２と、選択部１３３と、推定部１３４と、決定部１３５と、提供部１３６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。なお、制御部１３０の内部構成は、図４に示した構成に限られず、後述する情報処理を行う構成であれば他の構成であってもよい。また、制御部１３０が有する各処理部の接続関係は、図４に示した接続関係に限られず、他の接続関係であってもよい。

（取得部１３１について）
取得部１３１は、各種情報を取得する。具体的には、取得部１３１は、利用者の行動を示す行動情報を取得する。例えば、図１の例では、取得部１３１は、ログとして、利用者によって検索された検索ログ、利用者によって閲覧されたコンテンツの閲覧履歴、利用者によって購買された商品に関する購買履歴を利用者によって利用される端末装置１０から取得する。そして、取得部１３１は、かかるログをログ情報記憶部１２１に記憶する。

（生成部１３２について）
生成部１３２は、ログ情報記憶部１２１に記憶されるログに基づいて、学習モデルを生成する。具体的には、生成部１３２は、ログの特徴と、ログに関連する商品の特徴とを学習した学習モデル１２２を生成する。また、具体的には、生成部１３２は、ログ種別とログに対応する商品を含むコンテンツに対するＣＴＲとの関連性を学習した学習モデル１２２を生成する。

例えば、生成部１３２は、ロジスティック回帰、ＳＶＭ、深層学習等の機械学習手法の従来技術により、所定の利用者のログの特徴と、所定の利用者のログに関連する商品の特徴とに基づいて、学習モデル１２２を生成する。

例えば、生成部１３２は、機械学習手法の従来技術により、所定の利用者のログとして、コンテンツの種別、コンテンツが示すドメインに関する情報、検索ログや購買履歴が示す日時等の特徴と、所定の利用者のログに関連する商品の特徴として、商品に関する情報、商品が示す商品のカテゴリに関する情報等とに基づいて、学習モデル１２２を生成する。

例えば、生成部１３２は、ログ種別と、日時と、商品と、カテゴリといった入力情報と、コンテンツに対するクリック数から算出されたＣＴＲとの関連性を学習することで、学習モデル１２２を生成する。

（選択部１３３について）
選択部１３３は、取得部１３１により取得された行動情報が示す行動に基づいて、行動情報から利用者に対して情報を提供する取引対象を決定する複数の手法の中からいずれかの手法を選択する。具体的には、選択部１３３は、手法ごとに、手法により決定された取引対象を利用者が選択する可能性を示すスコアを行動に基づいて算出し、算出したスコアが最も高い手法を選択する。また、具体的には、選択部１３３は、行動情報が示す行動が所定の条件を満たすか否かに基づいて、複数の手法の中からいずれかの手法を選択する。

より具体的には、選択部１３３は、同一の利用者により閲覧された複数の取引対象の関係性に基づいて行動情報が示す行動と関連する取引対象から利用者に対して情報を提供する取引対象を決定する手法である関連性手法を少なくとも含む複数の手法の中から、いずれかの手法を選択する。すなわち、選択部１３３は、所定の条件が満たされる場合に、選択ロジックとして協調フィルタリングを選択する。

また、より具体的には、選択部１３３は、利用者が入力した検索クエリと関連性を有する取引対象から利用者に対して情報を提供する取引対象を決定する手法である検索手法を少なくとも含む複数の手法の中から、いずれかの手法を選択する。すなわち、選択部１３３は、所定の条件が満たされる場合に、選択ロジックとして履歴選択を選択する。

例えば、選択部１３３は、取引対象により取得された行動情報のうち、取引対象の閲覧を示す行動情報の数若しくは割合が所定の条件を満たす場合は、選択ロジック記憶部１２３から協調フィルタリングを選択する。また、例えば、選択部１３３は、取引対象により取得された行動情報のうち、取引対象の閲覧を示す行動情報の数若しくは割合が所定の条件を満たさない場合は、選択ロジック記憶部１２３から履歴選択を選択する。

例えば、図２の例では、選択部１３３は、手法ごとに、手法により決定された取引対象を利用者が選択する可能性を示すスコアを行動に基づいて算出し、算出したスコアが最も高い手法を選択する。図２に示すように、選択部１３３は、商品の選択ロジックごとに、ログの種別に応じたスコアを算出し、スコアが最も高い選択ロジックを選択する。

例えば、図２の例では、選択部１３３は、表ＴＢ２に含まれる選択ロジックごとにスコアを算出する。例えば、選択部１３３は、表ＴＢ１に含まれるログに基づいて、ロジックＬＧ１に対応付けられた協調フィルタリングに対応するスコアが０．５であると算出する。また、例えば、選択部１３３は、表ＴＢ１に含まれるログに基づいて、ロジックＬＧ２に対応付けられた履歴選択に対応するスコアが０．２であると算出する。また、例えば、選択部１３３は、表ＴＢ１に含まれるログに基づいて、ロジックＬＧ３に対応付けられた関連選択に対応するスコアが０．１であると算出する。そして、選択部１３３は、選択ロジック記憶部１２３に記憶されるスコアを更新する。そして、選択部１３３は、複数の選択ロジックのうち、最もスコアの高いロジックＬＧ１を選択する。

（推定部１３４について）
推定部１３４は、行動情報ごとに、行動情報が示す行動と関連する取引対象に対する利用者の興味の度合を推定する。具体的には、推定部１３４は、行動情報が示す行動と関連する取引対象に対する利用者の興味の度合と、行動情報が有する特徴との関連性を学習したモデルを用いて、行動情報ごとに、利用者の興味の度合を推定する。

より具体的には、推定部１３４は、特徴として行動情報が示す行動の種別と、利用者の興味の度合との関係性を学習したモデルを用いて、利用者の興味の度合を推定する。より具体的には、推定部１３４は、行動情報が示す行動が行動と関連する取引対象の閲覧であるか否かと利用者の興味の度合との関係性を学習したモデルを用いて、利用者の興味の度合を推定する。

より具体的には、推定部１３４は、行動情報が示す行動が取引対象に関連するウェブ検索であるか否かと利用者の興味の度合との関係性を学習したモデルを用いて、利用者の興味の度合を推定する。より具体的には、推定部１３４は、行動情報が示す行動が取引対象に関連する情報のウェブ検索であって、検索結果に取引対象の情報が表示されたウェブ検索であるか否かと利用者の興味の度合との関係性を学習したモデルを用いて、利用者の興味の度合を推定する。

より具体的には、推定部１３４は、行動情報が示す行動が取引対象に関連する情報へのリンクを含む検索結果が表示されたウェブ検索であるか否かと利用者の興味の度合との関係性を学習したモデルを用いて、利用者の興味の度合を推定する。

例えば、推定部１３４は、記憶部１２０に記憶された学習モデル１２２を用いて、各ログのＣＴＲを推定する。例えば、図３の例では、推定部１３４は、学習モデル１２２を用いて、ログＬ２１に関する情報からＣＴＲを「０．２」と推定する。また、例えば、推定部１３４は、学習モデル１２２を用いて、ログＬ２２に関する情報からＣＴＲを「０．００２」と推定する。また、例えば、推定部１３４は、学習モデル１２２を用いて、ログＬ２３に関する情報からＣＴＲを「０．０００１」と推定する。

また、例えば、推定部１３４は、学習モデル１２２を用いて、ログＬ２４に関する情報からＣＴＲを「０．０１」と推定する。また、例えば、推定部１３４は、学習モデル１２２を用いて、ログＬ２５に関する情報からＣＴＲを「０．０５」と推定する。

（決定部１３５について）
決定部１３５は、選択部１３３により選択された手法を用いて、取得部１３１により取得された行動情報から、利用者に対して情報を提供する取引対象を決定する。また、決定部１３５は、推定部１３４により推定された度合が所定の条件を満たす行動情報に基づいて、利用者に対して情報を提供する取引対象を決定する。具体的には、決定部１３５は、選択部１３３により選択された手法を用いて、推定部１３４により推定された度合が所定の条件を満たす行動情報から、利用者に対して情報を提供する取引対象を決定する。

例えば、決定部１３５は、記憶部１２０に記憶される学習モデル１２２を用いて推定されたＣＴＲのうち、ＣＴＲが所定の閾値以上であるログを用いて、商品を決定する。例えば、図３の例では、ＣＴＲが所定の閾値以上であるログがログＬ１０とログＬ２０とであるものとする。また、選択ロジックとして協調フィルタリングが選択されたものとする。この場合、決定部１３５は、協調フィルタリングを用いてＣＴＲが所定の閾値以上であるログに基づいて、対象の利用者に提供する商品を決定する。

例えば、図３の例では、決定部１３５は、協調フィルタリング等の選択ロジックを用いることで、ログＬ１０に関する情報から商品ＭＤ１を決定する。また、例えば、図３の例では、決定部１３５は、協調フィルタリング等の選択ロジックを用いることで、ログＬ２０に関する情報から、商品ＭＤ５を決定する。

（提供部１３６について）
提供部１３６は、各種情報を送信する。具体的には、提供部１３６は、商品に関する情報を含むコンテンツを利用者に提供する。例えば、提供部１３６は、複数の商品に関する情報を含むコンテンツＣＲ１を利用者Ｕ１００に提供する。例えば、図１の例では、提供部１３６は、商品Ａと、商品Ａの価格「１２００円」と、商品Ｂと、商品Ｂの価格「１５００円」と、商品Ｃと、商品Ｃの価格「１７００円」とが所定の場所に表示されたコンテンツＣＲ１を利用者Ｕ１００に提供する。

〔１−３．処理手順（１）決定処理〕
次に、図７を用いて、第１の実施形態に係る算出装置１００が実行する決定処理の手順について説明する。図７は、第１の実施形態に係る算出装置１００が実行する決定処理の流れの一例を示すフローチャートである。

図７に示すように、取得部１３１は、対象の利用者のログを取得する（ステップＳ１０１）。そして、選択部１３３は、取得部１３１が対象の利用者のログを取得していない場合（ステップＳ１０１；Ｎｏ）、対象の利用者のログを取得するまで待機する。

一方、選択部１３３は、取得部１３１が対象の利用者のログを取得した場合（ステップＳ１０１；Ｙｅｓ）、ログの種別が所定の条件を満たすか否かに基づいて、商品を選択する選択ロジックのうちいずれかの選択ロジックを選択する（ステップＳ１０２）。

例えば、図２の例では、算出装置１００は、手法ごとに、手法により決定された取引対象を利用者が選択する可能性を示すスコアを行動に基づいて算出し、算出したスコアが最も高い手法を選択する。図２に示すように、算出装置１００は、商品の選択ロジックごとに、ログの種別に応じたスコアを算出し、スコアが最も高い選択ロジックを選択する。

例えば、図２の例では、選択部１３３は、表ＴＢ２に含まれる選択ロジックごとにスコアを算出する。例えば、選択部１３３は、表ＴＢ１に含まれるログに基づいて、ロジックＬＧ１に対応付けられた協調フィルタリングに対応するスコアが０．５であると算出する。また、例えば、選択部１３３は、表ＴＢ１に含まれるログに基づいて、ロジックＬＧ２に対応付けられた履歴選択に対応するスコアが０．２であると算出する。また、例えば、選択部１３３は、表ＴＢ１に含まれるログに基づいて、ロジックＬＧ３に対応付けられた関連選択に対応するスコアが０．１であると算出する。そして、選択部１３３は、選択ロジック記憶部１２３に記憶されるスコアを更新する。そして、選択部１３３は、複数の選択ロジックのうち、最もスコアの高いロジックＬＧ１を選択する。

そして、決定部１３５は、選択部１３３によって選択された選択ロジックを用いて、商品を決定する（ステップＳ１０３）。例えば、決定部１３５は、スコアが最も高い選択ロジックを用いて、商品を決定する。例えば、選択ロジックとして協調フィルタリングが選択されたものとする。この場合、決定部１３５は、協調フィルタリングを用いて対象の利用者に提供する商品を決定する。例えば、図２の例では、決定部１３５は、協調フィルタリングを用いることで、ログＬ１０から商品ＭＤ１を決定する。また、例えば、図２の例では、算出装置１００は、協調フィルタリングを用いることで、ログＬ２０から、商品ＭＤ５を決定する。

そして、提供部１３６は、商品に関する情報を含むコンテンツを利用者に提供する（ステップＳ１０４）。例えば、提供部１３６は、複数の商品に関する情報を含むコンテンツＣＲ１を利用者Ｕ１００に提供する。例えば、図１の例では、提供部１３６は、商品Ａと、商品Ａの価格「１２００円」と、商品Ｂと、商品Ｂの価格「１５００円」と、商品Ｃと、商品Ｃの価格「１７００円」とが所定の場所に表示されたコンテンツＣＲ１を利用者Ｕ１００に提供する。

〔１−４．処理手順（２）ログの推定処理〕
次に、図８を用いて、第１の実施形態に係る算出装置１００が実行するログの推定処理の手順について説明する。図８は、第１の実施形態に係る算出装置１００が実行するログの推定処理の流れの一例を示すフローチャートである。

図８に示すように、取得部１３１は、利用者のログを取得する（ステップＳ２０１）。そして、生成部１３２は、取得部１３１が利用者のログを取得していない場合（ステップＳ２０１；Ｎｏ）、利用者のログを取得するまで待機する。

一方、生成部１３２は、取得部１３１が利用者のログを取得した場合（ステップＳ２０１；Ｙｅｓ）、ログ種別とログに対応する商品のコンテンツに対するＣＴＲとの関連性を学習した学習モデルＭ１を生成する（ステップＳ２０２）。例えば、生成部１３２は、ログ種別と、日時と、商品と、カテゴリといった入力情報と、コンテンツに対するクリック数から算出されたＣＴＲとの関連性を学習することで、学習モデルＭ１を生成する。

そして、推定部１３４は、生成部１３２によって生成された学習モデルＭ１を用いて、各ログのＣＴＲを推定し、ＣＴＲが所定の閾値以上であるログを有用なログとして推定する（ステップＳ２０３）。例えば、図３の例では、推定部１３４は、学習モデルＭ１を用いて、ログＬ２１に関する情報からＣＴＲを「０．２」と推定する。また、例えば、推定部１３４は、学習モデルＭ１を用いて、ログＬ２２に関する情報からＣＴＲを「０．００２」と推定する。また、例えば、推定部１３４は、学習モデルＭ１を用いて、ログＬ２３に関する情報からＣＴＲを「０．０００１」と推定する。

また、例えば、推定部１３４は、学習モデルＭ１を用いて、ログＬ２４に関する情報からＣＴＲを「０．０１」と推定する。また、例えば、推定部１３４は、学習モデルＭ１を用いて、ログＬ２５に関する情報からＣＴＲを「０．０５」と推定する。そして、推定部１３４は、学習モデルＭ１を用いて推定されたＣＴＲのうち、ＣＴＲが所定の閾値以上であるログを有用なログとして推定する。例えば、図３の例では、ＣＴＲが所定の閾値以上であるログがログＬ１０とログＬ２０とであるものとする。この場合、推定部１３４は、ログＬ１０とログＬ２０とを有用なログとして推定する。

〔１−５．変形例〕
上述した算出装置１００は、上記実施形態以外にも種々の異なる形態にて実施されてよい。そこで、以下では、算出装置１００の他の実施形態について説明する。

〔１−５−１．選択処理（１）ショッピング〕
上記実施形態では、算出装置１００の選択部１３３がログに基づいて、複数の選択ロジックのうち、最もスコアの高いロジックＬＧ１を選択する選択処理の一例を説明したが、上記選択処理に限定されない。具体的には、選択部１３３は、取引対象の閲覧を示す行動情報の数若しくは割合に基づいて、手法を選択してもよい。

例えば、ログに含まれる商品の閲覧回数が「２０」であるものとする。また、商品の閲覧回数が所定の閾値以上である場合に選択ロジックとして協調フィルタリングが選択されるものとする。また、商品の閲覧回数が所定の閾値より小さい場合に選択ロジックとして履歴選択が選択されるものとする。また、所定の閾値が「５０」であるものとする。この場合、選択部１３３は、ログに含まれる商品の閲覧回数が「２０」であり、所定の閾値より小さいため、選択ロジックとして履歴選択が選択されてもよい。

これにより、第１の実施形態に係る算出装置１００の選択部１３３は、取引対象の閲覧を示す行動情報の数若しくは割合に基づいて、手法を選択するため、利用者がより強く興味を引く情報を提供することができる。

〔１−５−２．選択処理（２）検索クエリ〕
上記実施形態では、算出装置１００の選択部１３３がログに基づいて、複数の選択ロジックのうち、最もスコアの高いロジックＬＧ１を選択する選択処理の一例を説明したが、上記選択処理に限定されない。具体的には、選択部１３３は、取引対象に関連するウェブ検索を示す行動情報の数若しくは割合に基づいて、手法を選択してもよい。

例えば、ログに含まれる商品に関する検索回数が「１００」であるものとする。また、商品の検索回数が所定の閾値以上である場合に選択ロジックとして協調フィルタリングが選択されるものとする。また、商品の検索回数が所定の閾値より小さい場合に選択ロジックとして履歴選択が選択されるものとする。また、所定の閾値が「５０」であるものとする。この場合、選択部１３３は、ログに含まれる商品の検索回数が「１００」であり、所定の閾値以上であるため、選択ロジックとして協調フィルタリングが選択されてもよい。

これにより、第１の実施形態に係る算出装置１００の選択部１３３は、取引対象に関連するウェブ検索を示す行動情報の数若しくは割合に基づいて、手法を選択するため、利用者がより強く興味を引く情報を提供することができる。

〔１−５−３．選択処理（３）コマース意図〕
上記実施形態では、算出装置１００の選択部１３３がログに基づいて、複数の選択ロジックのうち、最もスコアの高いロジックＬＧ１を選択する選択処理の一例を説明したが、上記選択処理に限定されない。具体的には、選択部１３３は、取引対象に関連する情報のウェブ検索であって、検索結果に取引対象の情報が表示されたウェブ検索を示す行動情報の数若しくは割合に基づいて、手法を選択してもよい。

例えば、ログに含まれる商品に関連する情報の検索であって、検索結果に商品の情報が表示された検索に関する検索回数が「１００」であるものとする。また、検索回数が所定の閾値以上である場合に選択ロジックとして協調フィルタリングが選択されるものとする。また、検索回数が所定の閾値より小さい場合に選択ロジックとして履歴選択が選択されるものとする。また、所定の閾値が「５０」であるものとする。この場合、選択部１３３は、ログに含まれる商品に関連する情報の検索であって、検索結果に商品の情報が表示された検索に関する検索回数が「１００」であり、所定の閾値以上であるため、選択ロジックとして協調フィルタリングが選択されてもよい。

これにより、第１の実施形態に係る算出装置１００の選択部１３３は、取引対象に関連する情報のウェブ検索であって、検索結果に取引対象の情報が表示されたウェブ検索を示す行動情報の数若しくは割合に基づいて、手法を選択するため、利用者がより強く興味を引く情報を提供することができる。

〔１−５−４．選択処理（４）リンク〕
上記実施形態では、算出装置１００の選択部１３３がログに基づいて、複数の選択ロジックのうち、最もスコアの高いロジックＬＧ１を選択する選択処理の一例を説明したが、上記選択処理に限定されない。具体的には、選択部１３３は、取引対象に関連する情報へのリンクを含む検索結果が表示されたウェブ検索を示す行動情報の数若しくは割合に基づいて、手法を選択してもよい。

例えば、ログに含まれる商品に関連する情報へのリンクを含む検索結果が表示される検索に関する検索回数が「１００」であるものとする。また、検索回数が所定の閾値以上である場合に選択ロジックとして協調フィルタリングが選択されるものとする。また、検索回数が所定の閾値より小さい場合に選択ロジックとして履歴選択が選択されるものとする。また、所定の閾値が「５０」であるものとする。この場合、選択部１３３は、ログに含まれる商品に関連する情報へのリンクを含む検索結果が表示される検索に関する検索回数が「１００」であり、所定の閾値以上であるため、選択ロジックとして協調フィルタリングが選択されてもよい。

これにより、第１の実施形態に係る算出装置１００の選択部１３３は、取引対象に関連する情報へのリンクを含む検索結果が表示されたウェブ検索を示す行動情報の数若しくは割合に基づいて、手法を選択するため、利用者がより強く興味を引く情報を提供することができる。

〔１−５−５．選択処理（５）ドメインに応じて〕
上記実施形態では、算出装置１００の選択部１３３がログに基づいて、複数の選択ロジックのうち、最もスコアの高いロジックＬＧ１を選択する選択処理の一例を説明したが、上記選択処理に限定されない。具体的には、選択部１３３は、行動情報が示す行動と対応するドメインに基づいて、複数の手法の中からいずれかの手法を選択してもよい。

例えば、ログに含まれる商品を含むコンテンツが示すドメインの数が「１００」であるものとする。また、ドメインの数が所定の閾値以上である場合に選択ロジックとして協調フィルタリングが選択されるものとする。また、ドメインの数が所定の閾値より小さい場合に選択ロジックとして履歴選択が選択されるものとする。また、所定の閾値が「５０」であるものとする。この場合、選択部１３３は、ログに含まれる商品を含むコンテンツが示すドメインの回数が「１００」であり、所定の閾値以上であるため、選択ロジックとして協調フィルタリングが選択されてもよい。

これにより、第１の実施形態に係る算出装置１００の選択部１３３は、行動情報が示す行動と対応するドメインに基づいて、複数の手法の中からいずれかの手法を選択するため、利用者がより強く興味を引く情報を提供することができる。

〔１−５−６．選択処理（６）経過時間〕
上記実施形態では、算出装置１００の選択部１３３がログに基づいて、複数の選択ロジックのうち、最もスコアの高いロジックＬＧ１を選択する選択処理の一例を説明したが、上記選択処理に限定されない。具体的には、選択部１３３は、行動情報が示す行動が行われてから経過した期間に基づいて、複数の手法の中からいずれかの手法を選択してもよい。

例えば、ログに含まれる商品を含むコンテンツが閲覧されてから経過した経過時間が「１週間」であるものとする。また、経過時間が所定の閾値よりも小さい場合に選択ロジックとして協調フィルタリングが選択されるものとする。また、経過時間が所定の閾値以上である場合に選択ロジックとして履歴選択が選択されるものとする。また、所定の閾値が「１か月」であるものとする。この場合、選択部１３３は、ログに含まれる商品を含むコンテンツが閲覧されてから経過した経過時間が「１週間」であり、所定の閾値よりも小さいため、選択ロジックとして協調フィルタリングが選択されてもよい。

これにより、第１の実施形態に係る算出装置１００の選択部１３３は、行動情報が示す行動が行われてから経過した期間に基づいて、複数の手法の中からいずれかの手法を選択するため、利用者がより強く興味を引く情報を提供することができる。

〔１−５−７．推定処理（１）ドメインに応じて〕
上記実施形態では、算出装置１００の推定部１３４が学習モデルＭ１を用いて、各ログのＣＴＲを推定する推定処理の一例を説明したが、上記選択処理に限定されない。具体的には、推定部１３４は、行動情報が示す行動と対応するドメインと利用者の興味の度合との関係性を学習したモデルを用いて、利用者の興味の度合を推定してもよい。

例えば、学習モデルＭ１がログ種別と、日時と、商品と、カテゴリと、コンテンツが示すドメインといった入力情報と、コンテンツに対するクリック数から算出されたＣＴＲとの関連性を学習することで、生成されたものとする。この場合、推定部１３４は、学習モデルＭ１を用いて、各ログのＣＴＲを推定してもよい。

これにより、第１の実施形態に係る算出装置１００の推定部１３４は、行動情報が示す行動と対応するドメインと利用者の興味の度合との関係性を学習したモデルを用いて、利用者の興味の度合を推定するため、利用者がより強く興味を引く情報を提供することができる。

〔１−５−８．推定処理（２）経過時間〕
上記実施形態では、算出装置１００の推定部１３４が学習モデルＭ１を用いて、各ログのＣＴＲを推定する推定処理の一例を説明したが、上記選択処理に限定されない。具体的には、推定部１３４は、行動情報が示す行動が行われてから経過した期間と利用者の興味の度合との関係性を学習したモデルを用いて、利用者の興味の度合を推定してもよい。

例えば、学習モデルＭ１がログ種別と、日時と、商品と、カテゴリと、コンテンツを閲覧してから経過した経過時間といった入力情報と、コンテンツに対するクリック数から算出されたＣＴＲとの関連性を学習することで、生成されたものとする。この場合、推定部１３４は、学習モデルＭ１を用いて、各ログのＣＴＲを推定してもよい。

なお、上記例では、推定部１３４が行動情報が示す行動が行われてから経過した期間と利用者の興味の度合との関係性を学習したモデルを用いて、利用者の興味の度合を推定する一例を挙げて説明したが、行動情報が示す行動が行われてから経過した期間が短いログを重要として学習したモデルを用いて、利用者の興味の度合いを推定してもよい。例えば、経過時間が所定の閾値よりも短いログを選択するものとする。このときのログは、ログ種別と、日時と、商品と、カテゴリである。また、経過時間が所定の閾値よりも短いログである入力情報と、コンテンツに対するクリック数から算出されたＣＴＲとの関連性を学習することで、学習モデルＭ１が生成されたものとする。この場合、推定部１３４は、学習モデルＭ１を用いて、各ログのＣＴＲを推定してもよい。

これにより、第１の実施形態に係る算出装置１００の推定部１３４は、行動情報が示す行動が行われてから経過した期間と利用者の興味の度合との関係性を学習したモデルを用いて、利用者の興味の度合を推定するため、利用者がより強く興味を引く情報を提供することができる。

〔１−５−９．推定処理（３）回数〕
上記実施形態では、算出装置１００の推定部１３４が学習モデルＭ１を用いて、各ログのＣＴＲを推定する推定処理の一例を説明したが、上記選択処理に限定されない。具体的には、推定部１３４は、行動情報が示す行動と関連する取引対象に対する利用者の興味の度合と、決定部１３５が取引対象を決定する際に行動情報を用いた回数との関連性を学習したモデルを用いて、行動情報ごとに、利用者の興味の度合を推定してもよい。ここで、推定部１３４は、行動情報が用いられる度に回数を数えることで取引対象を決定する際に行動情報を用いた回数を算出する。

例えば、推定部１３４によって予め商品を決定する際にログを用いた回数が数えられているものとする。また、学習モデルＭ１がログ種別と、日時と、商品と、カテゴリと、商品を決定する際にログを用いた回数といった入力情報と、コンテンツに対するクリック数から算出されたＣＴＲとの関連性を学習することで、生成されたものとする。この場合、推定部１３４は、学習モデルＭ１を用いて、各ログのＣＴＲを推定してもよい。

これにより、第１の実施形態に係る算出装置１００の推定部１３４は、行動情報が示す行動と関連する取引対象に対する利用者の興味の度合と、決定部１３５が取引対象を決定する際に行動情報を用いた回数との関連性を学習したモデルを用いて、行動情報ごとに、利用者の興味の度合を推定するため、利用者がより強く興味を引く情報を提供することができる。

〔１−５−１０．決定処理〕
上記実施形態では、算出装置１００の決定部１３５が協調フィルタリングを用いてＣＴＲが所定の閾値以上であるログに基づいて、対象の利用者に提供する商品を決定する決定処理の一例を説明したが、上記決定処理に限定されない。具体的には、選択部１３３は、複数の手法の中から２つ以上の手法を選択し、決定部１３５は、選択部１３３により選択された各手法を用いて取引対象を決定してもよい。

より具体的には、決定部１３５は、手法ごとに異なる数の取引対象を決定してもよい。そして、決定部１３５は、各種手法を用いて決定した取引対象同士の関連性に基づいて、情報の表示対象とする取引対象の絞り込みを行う。

例えば、協調フィルタリングによって選択される商品が商品ＭＤ１と、商品ＭＤ２と、商品ＭＤ３とであるものとする。また、履歴選択によって選択される商品が商品ＭＤ１と、商品ＭＤ３と、商品ＭＤ５とであるものとする。この場合、決定部１３５は、協調フィルタリングを用いて、学習モデルＭ１に基づいて推定された有用なログから商品ＭＤ１と、商品ＭＤ２と、商品ＭＤ３とを決定する。また、決定部１３５は、履歴選択を用いて、学習モデルＭ１に基づいて推定された有用なログから商品ＭＤ１と、商品ＭＤ３と、商品ＭＤ５とを決定する。そして、決定部１３５は、各種手法を用いて決定した商品同士の関連性に基づいて、商品ＭＤ１と商品ＭＤ３とを利用者に対して上方を提供する商品として決定してもよい。

これにより、第１の実施形態に係る算出装置１００の決定部１３５は、各手法を用いて取引対象を決定するため、利用者がより強く興味を引く情報を提供することができる。また、第１の実施形態に係る算出装置１００の決定部１３５は、手法ごとに異なる数の取引対象を決定するため、利用者がより強く興味を引く情報を提供することができる。また、第１の実施形態に係る算出装置１００の決定部１３５は、各種手法を用いて決定した取引対象同士の関連性に基づいて、情報の表示対象とする取引対象の絞り込みを行うため、利用者がより強く興味を引く情報を提供することができる。

なお、各手法によっていくつの商品を選択するかについては、任意の設定が可能であってもよい。例えば、スコアが高い手法ほどより多くの商品を選択するようにしてもよい。例えば、協調フィルタリングのスコアが０．５であり、履歴選択のスコアが０．５であり、商品の数が６個であるものとする。この場合、決定部１３５は、協調フィルタリングを用いて、学習モデルＭ１に基づいて推定された有用なログから商品を３個と、履歴選択を用いて、学習モデルＭ１に基づいて推定された有用なログから商品を３個と決定してもよい。また、例えば、協調フィルタリングのスコアが０．８であり、履歴選択のスコアが０．４であり、商品の数が６個であるものとする。この場合、決定部１３５は、協調フィルタリングを用いて、学習モデルＭ１に基づいて推定された有用なログから商品を４個と、履歴選択を用いて、学習モデルＭ１に基づいて推定された有用なログから商品を２個と決定してもよい。

〔１−５−１１．学習モデル〕
上記実施形態では、算出装置１００が有用ログの推定とは個別に、ログが条件を満たすかどうかで、選択ロジックを選択する例を挙げて説明したが、上記実施形態に限定されなくともよく、推定した有用ログが条件を満たすかどうかで、選択ロジックを選択してもよい。例えば、算出装置１００は、学習モデルＭ１を用いて推定された有用なログの種別が所定の条件を満たすか否かに基づいて、商品を選択する選択ロジックのうちいずれかの選択ロジックを選択してもよい。

また、算出装置１００は選択ロジックの選択を行わずともよい。例えば、算出装置１００は、有用ログを用いて、予め定められた所定の選択ロジック（例えば、協調フィルタリング）のみで、商品を決定してもよい。また、算出装置１００は、選択ロジックの選択を行った場合は、有用ログ以外のすべてのログに基づいて、商品を決定してもよい。すなわち、上述した選択処理と推定処理とは、それぞれ任意の組み合わせで実施されてもよいし、個別に実施されてもよい。

〔１−５−１２．ＣＴＲ〕
上記実施形態では、算出装置１００が学習モデルＭ１を用いて、各ログのＣＴＲを推定する推定処理の一例を説明したが、ＣＴＲに限定されなくともよく、利用者による反応として如何なる指標を推定してもよい。例えば、算出装置１００は、学習モデルＭ１を用いて、各ログのＣＶＲ（Conversion Rate）を推定してもよい。

〔２．第２の実施形態〕
〔２−１．算出装置が示す決定処理の一例〕
次に、第２の実施形態について説明する。上述してきた第１の実施形態では、算出装置１００は、選択ロジックを用いて有用なログに基づいて決定された商品に関する情報を含むコンテンツを利用者に提供する処理の一例を説明した。第２の実施形態では、算出装置２００は、選択ロジックを用いて有用なログに基づいて決定された商品に関する情報を含むコンテンツを、購買意思の高い利用者に提供する処理の例を示す。

まず、図９を用いて、第２の実施形態に係る算出装置２００が実行する決定処理の一例について説明する。図９は、第２の実施形態に係る算出装置２００が実行する決定処理の一例を示す図である。具体的には、算出装置２００は、利用者の行動を示す行動情報に、取引対象の閲覧を示す行動情報が含まれているか否かに基づいて、利用者が取引対象を購入する可能性を示すスコアを算出する。

ここでいう行動情報とは、第１の実施形態の例で説明した内容と同様であるため、説明を省略する。また、ここでいう取引対象とは、第１の実施形態の例で説明した内容と同様であるため、説明を省略する。また、以下には、第１の実施形態の例と同様に取引対象が商品であるものとして例を挙げて説明する。

図９に示すように、算出システム２は、端末装置１０と、算出装置２００とを含む。端末装置１０、算出装置２００は、図示しない所定の通信網を介して、有線又は無線により通信可能に接続される。なお、図９に示す算出システム２には、複数台の端末装置１０や、複数台の算出装置２００が含まれてもよい。

第２の実施形態に係る端末装置１０は、第１の実施形態に係る端末装置１０と同様の構成であるため、説明を省略する。

第２の実施形態に係る算出装置２００は、例えば、サーバ装置等により実現される。具体的には、算出装置２００は、利用者の行動を示す行動情報を取得する。そして、算出装置２００は、かかる行動情報に、取引対象の閲覧を示す行動情報が含まれているか否かに基づいて、利用者が取引対象を購入する可能性を示すスコアを算出する。なお、以下では、選択ロジックを用いて有用なログに基づいて商品に関する情報を予め決定したものとして説明する。

以下、図９を用いて、算出装置２００による決定処理の一例を流れに沿って説明する。

まず、図９に示すように、算出装置２００は、利用者Ｕ２００からログを取得する（ステップＳ４１）。続いて、算出装置２００は、利用者Ｕ２０１からログを取得する（ステップＳ４２）。そして、算出装置２００は、ログに、商品の閲覧を示す行動情報が含まれているか否かに基づいて、利用者が商品を購入する可能性を示すスコアである購入スコアを算出する（ステップＳ４３）。すなわち、算出装置２００は、利用者の購入意思に応じて商品に関する情報を含むコンテンツを提供し分けるため、各利用者の購買意欲を反映する購買スコアを算出する。

具体的には、算出装置２００は、取引対象の閲覧を示す行動情報が含まれているか否かに基づいて、利用者が取引対象を購入する可能性を示すスコアを算出する。より具体的には、算出装置２００は、行動情報に基づいて、取引対象に関するコンテンツの閲覧頻度を特定し、特定した閲覧頻度に基づいて、取引対象のスコアを算出する。

例えば、図９の例では、購入スコアは、利用者の商品に関するコンテンツの閲覧回数に比例して大きい値を示す所定の式に基づいて算出されるものとする。また、購入スコアは、０〜１の範囲の値を示すものとする。また、利用者Ｕ２００の商品に関するコンテンツの閲覧回数が「２００」であるものとする。また、利用者Ｕ２０１の商品に関するコンテンツの閲覧回数が「５０」であるものとする。この場合、算出装置２００は、閲覧回数「２００」に基づいて、利用者Ｕ２００の購入スコアを「０．８」と算出する。また、算出装置２００は、閲覧回数「５０」に基づいて、利用者Ｕ２０１の購入スコアを「０．２」と算出する。

続いて、算出装置２００は、購入スコアに基づいて、商品に関する情報を提供するか否かを判定する（ステップＳ４４）。すなわち、算出装置２００は、利用者の購入意思に応じて商品に関する情報を含むコンテンツを提供し分けるため、各利用者の購買意欲を反映する購買スコアに基づいて商品に関する情報を含むコンテンツを提供するか否か判定する。具体的には、算出装置２００は、スコアに基づいて、電子商店街とは異なるドメインのコンテンツ上に、取引対象に関する情報を表示するか否かを判定する。例えば、図９の例では、購入スコアが所定の閾値以上である場合に、商品に関する情報を提供すると判定するものとする。利用者Ｕ２００の購入スコアが「０．８」であるものとする。また、利用者Ｕ２０１の購入スコアが「０．２」であるものとする。また、所定の閾値が「０．７」であるものとする。この場合、算出装置２００は、利用者Ｕ２００の購入スコアが所定の閾値以上であるため、商品に関する情報を提供すると判定する。一方、算出装置２００は、利用者Ｕ２０１の購入スコアが所定の閾値よりも小さいため、商品に関する情報を提供しないと判定する。

そして、算出装置２００は、判定結果に基づいて、商品に関する情報を含むコンテンツＣＲ２を利用者Ｕ２００に提供する（ステップＳ４５）。例えば、算出装置２００は、判定結果に基づいて、選択ロジックを用いて有用なログに基づく商品に関する情報を含むコンテンツを利用者に提供する。例えば、図９の例では、算出装置２００は、商品Ａと、商品Ａの価格「１２００円」と、商品Ｂと、商品Ｂの価格「１５００円」と、商品Ｃと、商品Ｃの価格「１７００円」とが所定の場所に表示されたコンテンツＣＲ２を利用者Ｕ２００に提供する。

続いて、算出装置２００は、判定結果に基づいて、商品に関する情報を含まないコンテンツＣＲ３を利用者Ｕ２０１に提供する（ステップＳ４６）。例えば、算出装置２００は、判定結果に基づいて、選択ロジックを用いて有用なログに基づく商品に関する情報を含まないコンテンツＣＲ３を利用者Ｕ２０１に提供する。

このように、第２の実施形態に係る算出装置２００は、利用者の行動を示す行動情報を取得する。そして、算出装置２００は、かかる行動情報に、取引対象の閲覧を示す行動情報が含まれているか否かに基づいて、利用者が取引対象を購入する可能性を示すスコアを算出する。これにより、第２の実施形態に係る算出装置２００は、取引対象の閲覧を示す行動情報が含まれているか否かに基づいて、利用者が取引対象を購入する可能性を示すスコアを算出するため、利用者がより強く興味を引く情報を提供することができる。

この点について説明する。図９の例を用いて説明すると、算出装置２００は、購入スコアに基づいて、商品に関する情報を利用者に提供するか否かを判定する。これにより、算出装置２００は、購入スコアが高い利用者は、商品を購入する可能性が高いと予測されるため、商品に関する情報を含むコンテンツを提供する。一方、算出装置２００は、購入スコアが低い利用者は、商品を購入する可能性が低いと予測されるため、商品に関する情報を含まないコンテンツを提供する。このように、算出装置２００は、利用者の購入意思に応じてコンテンツを提供し分けることができるため、コンテンツの訴求効果を高めることができる。また、算出装置２００は、購入意思が高いと予測される利用者に対して、商品に関する情報を含むコンテンツを提供するため、利用者がより強く興味を引く情報を効率的に提供することができる。したがって、算出装置１００は、利用者がより強く興味を引く情報を効率的に提供することができるため、よりよいサービスを提供することができる。

〔２−２．算出装置の構成〕
次に、図１０を用いて、第２の実施形態に係る算出装置２００の構成について説明する。図１０は、第２の実施形態に係る算出装置２００の構成例を示す図である。図１０に示すように、算出装置２００は、通信部１１０と、記憶部１２０と、制御部２３０とを有する。

（制御部２３０について）
制御部２３０は、コントローラであり、例えば、ＣＰＵやＭＰＵ等によって、算出装置２００内部の記憶装置に記憶されている各種プログラム（算出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２３０は、コントローラであり、例えば、ＡＳＩＣやＦＰＧＡ等の集積回路により実現される。

図１０に示すように、制御部２３０は、取得部１３１と、生成部１３２と、選択部１３３と、推定部１３４と、決定部１３５と、算出部２３１と、判定部２３２と、提供部１３６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。なお、制御部２３０の内部構成は、図１０に示した構成に限られず、後述する情報処理を行う構成であれば他の構成であってもよい。また、制御部２３０が有する各処理部の接続関係は、図１０に示した接続関係に限られず、他の接続関係であってもよい。

（算出部２３１について）
算出部２３１は、取得部１３１により取得された行動情報に、取引対象の閲覧を示す行動情報が含まれているか否かに基づいて、利用者が取引対象を購入する可能性を示すスコアを算出する。具体的には、算出部２３１は、行動情報に基づいて、取引対象に関するコンテンツの閲覧頻度を特定し、特定した閲覧頻度に基づいて、取引対象のスコアを算出する。

例えば、図９の例では、購入スコアは、利用者の商品に関するコンテンツの閲覧回数に比例して大きい値を示す所定の式に基づいて算出されるものとする。また、購入スコアは、０〜１の範囲の値を示すものとする。また、利用者Ｕ２００の商品に関するコンテンツの閲覧回数が「２００」であるものとする。また、利用者Ｕ２０１の商品に関するコンテンツの閲覧回数が「５０」であるものとする。この場合、算出装置２００は、閲覧回数「２００」に基づいて、利用者Ｕ２００の購入スコアを「０．８」と算出する。また、算出装置２００は、閲覧回数「５０」に基づいて、利用者Ｕ２０１の購入スコアを「０．２」と算出する。

（判定部２３２について）
判定部２３２は、算出部２３１により算出されたスコアに基づいて、電子商店街とは異なるドメインのコンテンツ上に、取引対象に関する情報を表示するか否かを判定する。例えば、図９の例では、購入スコアが所定の閾値以上である場合に、商品に関する情報を提供すると判定するものとする。利用者Ｕ２００の購入スコアが「０．８」であるものとする。また、利用者Ｕ２０１の購入スコアが「０．２」であるものとする。また、所定の閾値が「０．７」であるものとする。この場合、算出装置２００は、利用者Ｕ２００の購入スコアが所定の閾値以上であるため、商品に関する情報を提供すると判定する。一方、算出装置２００は、利用者Ｕ２０１の購入スコアが所定の閾値よりも小さいため、商品に関する情報を提供しないと判定する。

〔２−３．処理手順〕
次に、図１１を用いて、第２の実施形態に係る算出装置２００が実行する決定処理の手順について説明する。図１１は、第２の実施形態に係る算出装置が実行する決定処理の流れの一例を示すフローチャートである。

図１１に示すように、取得部１３１は、対象の利用者のログを取得する（ステップＳ３０１）。そして、算出部２３１は、取得部１３１が対象の利用者のログを取得していない場合（ステップＳ３０１；Ｎｏ）、対象の利用者のログを取得するまで待機する。

一方、算出部２３１は、取得部１３１が対象の利用者のログを取得した場合（ステップＳ３０１；Ｙｅｓ）、ログに、商品の閲覧を示す行動情報が含まれているか否かに基づいて、購入スコアを算出する（ステップＳ３０２）。

例えば、図９の例では、購入スコアは、利用者の商品に関するコンテンツの閲覧回数に比例して大きい値を示す所定の式に基づいて算出されるものとする。また、購入スコアは、０〜１の範囲の値を示すものとする。また、利用者Ｕ２００の商品に関するコンテンツの閲覧回数が「２００」であるものとする。また、利用者Ｕ２０１の商品に関するコンテンツの閲覧回数が「５０」であるものとする。この場合、算出装置２００は、閲覧回数「２００」に基づいて、利用者Ｕ２００の購入スコアを「０．８」と算出する。また、算出装置２００は、閲覧回数「５０」に基づいて、利用者Ｕ２０１の購入スコアを「０．２」と算出する。

そして、判定部２３２は、算出部２３１によって算出された購入スコアに基づいて、商品に関する情報を提供するか否か判定する（ステップＳ３０３）。例えば、図９の例では、購入スコアが所定の閾値以上である場合に、商品に関する情報を提供すると判定するものとする。利用者Ｕ２００の購入スコアが「０．８」であるものとする。また、利用者Ｕ２０１の購入スコアが「０．２」であるものとする。また、所定の閾値が「０．７」であるものとする。この場合、算出装置２００は、利用者Ｕ２００の購入スコアが所定の閾値以上であるため、商品に関する情報を提供すると判定する。一方、算出装置２００は、利用者Ｕ２０１の購入スコアが所定の閾値よりも小さいため、商品に関する情報を提供しないと判定する。

そして、提供部１３６は、判定部２３２によって商品に関する情報を提供すると判定された場合（ステップＳ３０３；Ｙｅｓ）、商品に関する情報を含むコンテンツを利用者に提供する（ステップＳ３０４）。例えば、提供部１３６は、判定部２３２によって判定された判定結果に基づいて、選択ロジックを用いて有用なログに基づく商品に関する情報を含むコンテンツを利用者に提供する。例えば、図９の例では、提供部１３６は、商品Ａと、商品Ａの価格「１２００円」と、商品Ｂと、商品Ｂの価格「１５００円」と、商品Ｃと、商品Ｃの価格「１７００円」とが所定の場所に表示されたコンテンツＣＲ２を利用者Ｕ２００に提供する。

一方、提供部１３６は、判定部２３２によって商品に関する情報を提供しないと判定された場合（ステップＳ３０３；Ｎｏ）、商品に関する情報を含まないコンテンツを利用者に提供する（ステップＳ３０５）。例えば、算出装置２００は、判定結果に基づいて、選択ロジックを用いて有用なログに基づく商品に関する情報を含まないコンテンツＣＲ３を利用者Ｕ２０１に提供する。

〔２−４．変形例〕
上述した算出装置２００は、上記実施形態以外にも種々の異なる形態にて実施されてよい。そこで、以下では、算出装置２００の他の実施形態について説明する。

〔２−４−１．算出処理（１）支払能力に関する情報〕
上記実施形態では、算出装置２００の算出部２３１がログに基づいて、利用者が商品を購入する可能性を示すスコアである購入スコアを算出する算出処理の一例を説明したが、上記選択処理に限定されない。具体的には、取得部１３１は、利用者による取引対象の購入能力を示す能力情報を取得し、算出部２３１は、行動情報と、能力情報とに基づいて、スコアを算出してもよい。なお、ここでいう能力情報とは、例えば、利用者の与信、利用者の購入金額、利用者のクレジットカード使用履歴、利用者のクレジットカードのランク等である。

例えば、購入スコアは、利用者の商品に関するコンテンツの閲覧回数と信用スコアとに比例して大きい値を示す所定の式に基づいて算出されるものとする。また、購入スコアは、０〜１の範囲の値を示すものとする。また、利用者Ｕ２００の商品の閲覧回数が「２００」であるものとする。また、利用者Ｕ２０１の商品の閲覧回数が「５０」であるものとする。また、利用者Ｕ２００の与信の度合いを示す信用スコアが「０．９」であるものとする。また、利用者Ｕ２０１の与信の度合いを示す信用スコアが「０．５」であるものとする。この場合、算出装置２００は、閲覧回数「２００」と信用スコア「０．９」とに基づいて、利用者Ｕ２００の購入スコアを「０．９」と算出する。また、算出装置２００は、閲覧回数「５０」と信用スコア「０．５」とに基づいて、利用者Ｕ２０１の購入スコアを「０．３」と算出してもよい。

これにより、第２の実施形態に係る算出装置２００の算出部２３１は、行動情報と、能力情報とに基づいて、スコアを算出するため、利用者がより強く興味を引く情報を提供することができる。

〔２−４−２．算出処理（２）動画の閲覧〕
上記実施形態では、算出装置２００の算出部２３１がログに基づいて、利用者が商品を購入する可能性を示すスコアである購入スコアを算出する算出処理の一例を説明したが、上記選択処理に限定されない。具体的には、算出部２３１は、行動情報に、取引対象に関する動画像の閲覧を示す行動情報がさらに含まれているか否かに基づいて、スコアを算出してもよい。

例えば、購入スコアは、利用者の商品に関するコンテンツの閲覧回数と商品に関する動画の閲覧回数とに比例して大きい値を示す所定の式に基づいて算出されるものとする。また、購入スコアは、０〜１の範囲の値を示すものとする。また、利用者Ｕ２００の商品の閲覧回数が「２００」であるものとする。また、利用者Ｕ２０１の商品の閲覧回数が「５０」であるものとする。また、利用者Ｕ２００の商品に関する動画の閲覧回数が「１００」であるものとする。また、利用者Ｕ２０１の商品に関する動画の閲覧回数が「５０」であるものとする。この場合、算出装置２００は、閲覧回数「２００」と動画の閲覧回数「１００」とに基づいて、利用者Ｕ２００の購入スコアを「０．８」と算出する。また、算出装置２００は、閲覧回数「５０」と動画の閲覧回数「５０」とに基づいて、利用者Ｕ２０１の購入スコアを「０．３」と算出してもよい。

これにより、第２の実施形態に係る算出装置２００の算出部２３１は、行動情報に、取引対象に関する動画像の閲覧を示す行動情報がさらに含まれているか否かに基づいて、スコアを算出するため、利用者がより強く興味を引く情報を提供することができる。

〔２−４−３．提供処理（１）商品を購入した場合〕
上記実施形態では、算出装置２００の提供部１３６が商品に関する情報を含むコンテンツを利用者に提供する提供処理の一例を説明したが、上記選択処理に限定されない。具体的には、算出部２３１は、行動情報に基づいて、利用者が取引対象を購入したか否かを判定し、購入した場合には、取引対象を購入する可能性を示すスコアを所定の値にする。そして、判定部２３２は、算出部２３１により算出された所定の値に基づいて、電子商店街とは異なるドメインのコンテンツ上に、取引対象に関する情報を表示しないと判定する。そして、提供部１３６が商品に関する情報を含まないコンテンツを利用者に提供してもよい。

例えば、所定の値が「０．０」であるものとする。また、購入スコアが所定の閾値以上である場合に、商品に関する情報を提供すると判定するものとする。また、所定の閾値が「０．７」であるものとする。この場合、算出部２３１は、利用者が商品を購入した場合には、購入スコアを所定の値「０．０」とする。そして、判定部２３２は、利用者の購入スコアが所定の閾値よりも小さいため、商品に関する情報を提供しないと判定する。そして、提供部１３６は、判定結果に基づいて、商品に関する情報を含まないコンテンツを利用者に提供してもよい。

これにより、第２の実施形態に係る算出装置２００の提供部１３６は、行動情報に基づいて、利用者が取引対象を購入したか否かを判定し、購入した場合には、取引対象を購入する可能性を示すスコアを所定の値にするため、利用者がより強く興味を引く情報を提供することができる。

〔２−４−４．提供処理（２）クーポン〕
上記実施形態では、算出装置２００の提供部１３６が商品に関する情報を含むコンテンツを利用者に提供する提供処理の一例を説明したが、上記選択処理に限定されない。具体的には、提供部１３６は、算出部２３１により算出されたスコアが所定の条件を満たす場合は、行動情報が示す行動と関連する取引対象の購入に対する処理の利益を利用者に提供してもよい。なお、ここでいう処理の利益とは、例えば、商品の購入時に利用できるクーポン等である。

例えば、購入スコアが所定の閾値以上である場合に、商品の購入時に利用できるクーポンを提供するものとする。また、利用者の購入スコアが「０．９」であるものとする。また、所定の閾値が「０．７」であるものとする。この場合、提供部１３６は、利用者の購入スコアが「０．９」であり、所定の閾値以上であるため、商品に関する情報と、商品の購入時に利用できるクーポンを含むコンテンツを利用者に提供してもよい。

これにより、第２の実施形態に係る算出装置２００の提供部１３６は、スコアが所定の条件を満たす場合は、行動情報が示す行動と関連する取引対象の購入に対する処理の利益を利用者に提供するため、利用者がより強く興味を引く情報を提供することができる。

〔２−４−５．提供処理（３）割引率〕
上記実施形態では、算出装置２００の提供部１３６が商品に関する情報を含むコンテンツを利用者に提供する提供処理の一例を説明したが、上記選択処理に限定されない。具体的には、提供部１３６は、スコアの値に応じて異なる内容の利益を利用者に提供してもよい。なお、ここでいう異なる内容の利益とは、例えば、商品に関する割引率等である。

例えば、割引率は、購入スコアに比例して大きい値を示す所定の式に基づいて算出されるものとする。また、割引率は、０〜０．５の範囲の値を示すものとする。また、利用者の購入スコアが「０．９」であるものとする。この場合、提供部１３６は、購入スコア「０．９」に基づいて、利用者が利用できる割引率を「０．５」と算出する。そして、提供部１３６は、商品と、価格から割引率「０．５」が引かれた金額とを含むコンテンツを利用者に提供してもよい。

これにより、第２の実施形態に係る算出装置２００の提供部１３６は、スコアの値に応じて異なる内容の利益を利用者に提供するため、利用者がより強く興味を引く情報を提供することができる。

〔３．ハードウェア構成〕
また、上述してきた実施形態に係る端末装置１０及び算出装置１００又は２００は、例えば図１２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。以下、算出装置１００を例に挙げて説明する。図１２は、算出装置１００の機能を実現するコンピュータ１０００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、ＲＯＭ（Read Only Memory）１３００、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又は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がネットワークＮを介して生成したデータを他の機器へ送信する。

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、入出力インターフェイス１６００を介して生成したデータを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又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が実施形態に係る算出装置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。また、ＨＤＤ１４００には、記憶部１２０内のデータが格納される。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。

〔４．その他〕
また、上記実施形態及び変形例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変更することができる。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及び変形例は、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、算出部は、算出手段や算出回路に読み替えることができる。

〔５．効果〕
上述してきたように、実施形態に係る算出装置１００は、取得部１３１と、算出部２３１とを有する。取得部１３１は、利用者の行動を示す行動情報を取得する。算出部２３１は、取得部１３１により取得された行動情報に、取引対象の閲覧を示す行動情報が含まれているか否かに基づいて、利用者が取引対象を購入する可能性を示すスコアを算出する。

これにより、実施形態に係る算出装置１００は、取得された行動情報に、取引対象の閲覧を示す行動情報が含まれているか否かに基づいて、利用者が取引対象を購入する可能性を示すスコアを算出するため、利用者がより強く興味を引く情報を提供することができる。

また、実施形態に係る算出装置１００において、算出部２３１により算出されたスコアに基づいて、電子商店街とは異なるドメインのコンテンツ上に、取引対象に関する情報を表示するか否かを判定する判定部２３２を有する。

これにより、実施形態に係る算出装置１００は、算出されたスコアに基づいて、電子商店街とは異なるドメインのコンテンツ上に、取引対象に関する情報を表示するか否かを判定するため、利用者がより強く興味を引く情報を提供することができる。

また、実施形態に係る算出装置１００において、算出部２３１により算出されたスコアが所定の条件を満たす場合は、行動情報が示す行動と関連する取引対象の購入に対する処理の利益を利用者に提供する提供部１３６を有する。

これにより、実施形態に係る算出装置１００は、算出されたスコアが所定の条件を満たす場合は、行動情報が示す行動と関連する取引対象の購入に対する処理の利益を利用者に提供するため、利用者がより強く興味を引く情報を提供することができる。

また、実施形態に係る算出装置１００において、提供部１３６は、スコアの値に応じて異なる内容の利益を利用者に提供する。

これにより、実施形態に係る算出装置１００は、スコアの値に応じて異なる内容の利益を利用者に提供するため、利用者がより強く興味を引く情報を提供することができる。

また、実施形態に係る算出装置１００において、算出部２３１は、行動情報に基づいて、利用者が取引対象を購入したか否かを判定し、購入した場合には、取引対象を購入する可能性を示すスコアを所定の値にする。

これにより、実施形態に係る算出装置１００は、行動情報に基づいて、利用者が取引対象を購入したか否かを判定し、購入した場合には、取引対象を購入する可能性を示すスコアを所定の値にするため、利用者がより強く興味を引く情報を提供することができる。

また、実施形態に係る算出装置１００において、取得部１３１は、利用者による取引対象の購入能力を示す能力情報を取得し、算出部２３１は、行動情報と、能力情報とに基づいて、スコアを算出する。

これにより、実施形態に係る算出装置１００は、行動情報と、能力情報とに基づいて、スコアを算出するため、利用者がより強く興味を引く情報を提供することができる。

また、実施形態に係る算出装置１００において、算出部２３１は、行動情報に、取引対象に関する動画像の閲覧を示す行動情報がさらに含まれているか否かに基づいて、スコアを算出する。

これにより、実施形態に係る算出装置１００は、行動情報に、取引対象に関する動画像の閲覧を示す行動情報がさらに含まれているか否かに基づいて、スコアを算出するため、利用者がより強く興味を引く情報を提供することができる。

また、実施形態に係る算出装置１００において、算出部２３１は、行動情報に基づいて、取引対象に関するコンテンツの閲覧頻度を特定し、特定した閲覧頻度に基づいて、取引対象のスコアを算出する。

これにより、実施形態に係る算出装置１００は、行動情報に基づいて、取引対象に関するコンテンツの閲覧頻度を特定し、特定した閲覧頻度に基づいて、取引対象のスコアを算出するため、利用者がより強く興味を引く情報を提供することができる。

以上、本願の実施形態のいくつか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、発明の開示の欄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。

１ 算出システム
２ 算出システム
１０ 端末装置
１００ 算出装置
１１０ 通信部
１２０ 記憶部
１２１ ログ情報記憶部
１２２ 学習モデル
１２３ 選択ロジック記憶部
１３０ 制御部
１３１ 取得部
１３２ 生成部
１３３ 選択部
１３４ 推定部
１３５ 決定部
１３６ 提供部
２００ 算出装置
２３０ 制御部
２３１ 算出部
２３２ 判定部

Claims (10)

1. 利用者による取引対象に関するコンテンツの閲覧を示す行動情報を取得する取得部と、
   前記利用者が前記取引対象を購入する可能性を示すスコアを算出するための前記取引対象に関するコンテンツの閲覧回数に比例する所定の式から、前記取得部により取得された行動情報に基づいて、前記利用者が閲覧したコンテンツに関する前記取引対象に対する当該スコアを算出する算出部と、
   前記算出部により算出されたスコアに基づいて、前記取引対象に関する情報を表示する所定の表示枠であって、一の表示枠に複数の取引対象に関する情報を表示する所定の表示枠を含むコンテンツを提供するか、当該所定の表示枠を含まないコンテンツを提供するかを判定する判定部と、
   を有することを特徴とする算出装置。
2. 前記コンテンツは、電子商店街とは異なるドメインのコンテンツである、
   ことを特徴とする請求項１に記載の算出装置。
3. 前記算出部により算出されたスコアが所定の条件を満たす場合は、前記行動情報が示す行動と関連する取引対象の購入に対する処理の利益を前記利用者に提供する提供部
   を有することを特徴とする請求項１または２に記載の算出装置。
4. 前記提供部は、
   前記スコアの値に応じて異なる内容の利益を前記利用者に提供する、
   ことを特徴とする請求項３に記載の算出装置。
5. 前記算出部は、
   前記行動情報に基づいて、前記利用者が前記取引対象を購入したか否かを判定し、購入した場合には、当該取引対象を購入する可能性を示すスコアを所定の値にする、
   ことを特徴とする請求項１〜４のうちいずれか１つに記載の算出装置。
6. 前記取得部は、
   前記利用者による取引対象の購入能力を示す能力情報を取得し、
   前記算出部は、
   前記行動情報と、前記能力情報とに基づいて、前記スコアを算出する、
   ことを特徴とする請求項１〜５のうちいずれか１つに記載の算出装置。
7. 前記算出部は、
   前記行動情報に、前記取引対象に関する動画像の閲覧を示す行動情報がさらに含まれているか否かに基づいて、前記スコアを算出する、
   ことを特徴とする請求項１〜６のうちいずれか１つに記載の算出装置。
8. 前記算出部は、
   前記行動情報に基づいて、前記取引対象に関するコンテンツの閲覧頻度を特定し、特定した閲覧頻度に基づいて、当該取引対象のスコアを算出する、
   ことを特徴とする請求項１〜７のうちいずれか１つに記載の算出装置。
9. 算出装置が実行する算出方法であって、
   利用者による取引対象に関するコンテンツの閲覧を示す行動情報を取得する取得工程と、
   前記利用者が前記取引対象を購入する可能性を示すスコアを算出するための前記取引対象に関するコンテンツの閲覧回数に比例する所定の式から、前記取得工程により取得された行動情報に基づいて、前記利用者が閲覧したコンテンツに関する前記取引対象に対する当該スコアを算出する算出工程と、
   前記算出工程により算出されたスコアに基づいて、前記取引対象に関する情報を表示する所定の表示枠であって、一の表示枠に複数の取引対象に関する情報を表示する所定の表示枠を含むコンテンツを提供するか、当該所定の表示枠を含まないコンテンツを提供するかを判定する判定工程と、
   を含むことを特徴とする算出方法。
10. 利用者による取引対象に関するコンテンツの閲覧を示す行動情報を取得する取得手順と、
    前記利用者が前記取引対象を購入する可能性を示すスコアを算出するための前記取引対象に関するコンテンツの閲覧回数に比例する所定の式から、前記取得手順により取得された行動情報に基づいて、前記利用者が閲覧したコンテンツに関する前記取引対象に対する当該スコアを算出する算出手順と、
    前記算出手順により算出されたスコアに基づいて、前記取引対象に関する情報を表示する所定の表示枠であって、一の表示枠に複数の取引対象に関する情報を表示する所定の表示枠を含むコンテンツを提供するか、当該所定の表示枠を含まないコンテンツを提供するかを判定する判定手順と、
    をコンピュータに実行させるための算出プログラム。

Images