JP6838376B2 - 製品関連情報を送信する方法、プログラム、及びサーバ装置。 - Google Patents

製品関連情報を送信する方法、プログラム、及びサーバ装置。 Download PDF

Info

Publication number
JP6838376B2
JP6838376B2 JP2016240460A JP2016240460A JP6838376B2 JP 6838376 B2 JP6838376 B2 JP 6838376B2 JP 2016240460 A JP2016240460 A JP 2016240460A JP 2016240460 A JP2016240460 A JP 2016240460A JP 6838376 B2 JP6838376 B2 JP 6838376B2
Authority
JP
Japan
Prior art keywords
post
product
posts
acquired
output value
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
JP2016240460A
Other languages
English (en)
Other versions
JP2017107569A (ja
Inventor
コルプシク マンディ
コルプシク マンディ
チェン フランシーン
チェン フランシーン
茂之 榊
茂之 榊
インイン チェン
インイン チェン
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.)
Fujifilm Business Innovation Corp
Original Assignee
Fuji Xerox Co Ltd
Fujifilm Business Innovation 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 Fuji Xerox Co Ltd, Fujifilm Business Innovation Corp filed Critical Fuji Xerox Co Ltd
Publication of JP2017107569A publication Critical patent/JP2017107569A/ja
Application granted granted Critical
Publication of JP6838376B2 publication Critical patent/JP6838376B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0269—Targeted advertisements based on user profile or attribute
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/01—Social networking

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Accounting & Taxation (AREA)
  • Marketing (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Primary Health Care (AREA)
  • Human Resources & Organizations (AREA)
  • Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computing Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Description

本開示は、製品関連情報を送信する方法、プログラム、及びサーバ装置に関する。
ソーシャルメディアに関連する技術において、ＣＲＭ（customer relationship management）の重要な様相は、個々の顧客とのインタラクション、個々の顧客への対応及び、トレンド及びビジネスインテリジェンスについてのソーシャルメディアデータの分析を含む。また、顧客は、カメラ、携帯電話、車などある種の製品を購入する前に、友人及び家族からの情報を求め、または友人及び家族に尋ねることがよくある。ソーシャルメディアユーザは、ソーシャルメディアを使用して、友人及び家族から情報を取得する場合がある。したがって、ソーシャルメディアは、製品を購入する可能性を有するユーザを識別するキューを提供し得る。購入する可能性を有するユーザを識別することで、単に、製品について供述するユーザを対象とする場合と異なり、広告及び製品情報を、より適切に選択されたユーザに対して表示することができる。
しかしながら、ソーシャルメディア投稿は、有用な、関心を集めている、感動的な、または瑣末なジャンルを含む様々なジャンルをカバーする場合がある。したがって、製品について供述するユーザの投稿は関連性がない場合もあるし、ユーザが製品を購入する可能性があるか否かについて示していない場合もある。したがって、関連技術のアプローチではソーシャルメディア投稿の関連性を決定することはできない。
アミリ（Amiri）ら、"マイクロブログにおける対象依存攪拌分類（Target-Dependent Churn Classification in Microblogs）"、２０１５年、メリーランド大学（University of Maryland）、コンピュータ高度研究所（Institute for Advanced Computer Studies）、コンピュータ言語学及び情報処理ラボ（Computational Linguistics and Information Processing (CLIP) Lab）、［２０１６年１１月２９日検索］、インターネット（URL: http://www.umiacs.umd.edu/~hadi/papers/amiri-aaai-15.pdf） グレイブ（Graves）ら、"ディープリカレントニューラルネットワークによるスピーチ認識（Speech Recognition with Deep Recurrent Neural Networks）"、２０１３年、トロント大学（University of Toronto）、コンピュータサイエンス科（Department of Computer Science）、［２０１６年１１月２９日検索］、インターネット（URL: https://arxiv.org/pdf/1303.5778.pdf） カルチブレナ（Kalchbrenner）ら、"発話単調性のための畳み込みリカレントニューラルネットワーク（Recurrent Convolutional Neural Networks for Discourse Compositionality）"、２０１３年、オクスフォード大学（Oxford University）、コンピュータサイエンス科（Department of Computer Science）、［２０１６年１１月２９日検索］、インターネット（URL:http://arxiv.org/pdf/1306.3584.pdf）
本発明は、ソーシャルメディア投稿に基づいて、ユーザが製品を購入する可能性を適切に判定する、ことを目的とする。
第１の態様は、ユーザの挙動を認識して製品関連情報を送信する方法であって、コンピュータが、製品を示し、第１ソーシャルメディアアカウントに関連付けられている第１投稿及び少なくとも１つの後の投稿を取得し、第１ニューラルネットワークを使用して、取得した前記第１投稿及び少なくとも１つの後の投稿の各々について関連性確率を算出し、第２ニューラルネットワークを使用して、投稿の各々を順次分析することで、投稿の各々に関連付けられている購入確率に関連する出力値を判定し、投稿の各々に関連付けられている、判定された前記出力値及び算出された前記関連性確率に基づいて、前記製品の購入確率を算出し、算出された、前記製品の購入確率に基づいて、取得された前記第１投稿に関連付けられている前記ユーザに対して、製品関連情報を送信する。
第２の態様は、第１の態様の方法であって、前記製品関連情報を送信することは、前記ユーザに関連付けられている第２ソーシャルメディアアカウントを識別し、識別された前記第２ソーシャルメディアアカウントに基づいて、前記ユーザに関連付けられている情報を検出し、検出された前記情報に基づいて、前記製品に関連する前記情報を調整する、ことを含む。
第３の態様は、第１または第２の態様の方法であって、取得した前記第１投稿及び少なくとも１つの後の投稿の各々について関連性確率を算出することは、フィードフォワードニューラルネットワークを使用して、取得した前記第１投稿及び前記少なくとも１つの後の投稿の各々に個別に関連付けられているコンテンツ情報に基づいて、取得した前記第１投稿及び前記少なくとも１つの後の投稿の各々の関連性確率を算出する、ことを含む。
第４の態様は、第１〜第３の何れかの態様の方法であって、取得した前記第１投稿及び少なくとも１つの後の投稿の各々について関連性確率を算出することは、取得した前記第１投稿及び前記少なくとも１つの後の投稿を、前記製品の購入確率の判定に、関連するか関連しないか分類することを含む。
第５の態様は、第１〜第４の何れかの態様の方法であって、購入確率に関連する出力値を判定することは、記憶によるニューラルネットワークを使用して投稿の各々を順次分析することを含む。
第６の態様は、第５の態様の方法であって、投稿の各々を順次分析することは、取得した前記第１投稿に関連付けられている第１出力値を、前記第１投稿のコンテンツに基づいて判定し、前記少なくとも１つの後の投稿に関連付けられている第２出力値を、前記少なくとも１つの後の投稿のコンテンツ及び取得された前記第１投稿の判定された前記第１出力値に基づいて、判定し、最大出力値を、取得した前記第１投稿に関連付けられている判定された前記第１出力値及び前記少なくとも１つの後の投稿に関連付けられている判定された前記第２出力値に基づいて、判定する、ことを含む。
第７の態様は、第６の態様の方法であって、製品の購入確率を算出することは、SOFTMAX関数を使用して、前記製品の購入確率を算出し、信頼レベル閾値を越える、算出された前記購入確率に基づいて、前記製品の購入の可能性を有するユーザを分類し、前記信頼レベル閾値は、取得される後の投稿の数、前記第１投稿及び前記少なくとも１つの後の投稿の各々の算出された関連性確率、所望される購入者強度レベルの高さ、所望される購入者成約率、及び製品のタイプの少なくとも１つに基づいて変動する、ことをさらに含む。
第８の態様は、第１〜第７の何れかの態様の方法であって、算出された前記製品の購入確率に基づいて、予測される購入者としてユーザを分類することをさらに含む。
第９の態様は、第１〜第８の何れかの態様の方法であって、前記第１ソーシャルメディアアカウントはマイクロブログのアカウントである。
第１０の態様は、第１〜第９の何れかの態様の方法であって、第１投稿及び少なくとも１つの後の投稿を取得することは、予め定められた期間の後の投稿を複数収集することを含む。
第１１の態様は、第１０の態様の方法であって、前記期間は６０日間である。
第１２の態様は、プログラムであって、製品を示し、第１ソーシャルメディアアカウントに関連付けられている第１投稿及び少なくとも１つの後の投稿を取得し、第１ニューラルネットワークを使用して、取得した前記第１投稿及び少なくとも１つの後の投稿の各々について関連性確率を算出し、第２ニューラルネットワークを使用して、投稿の各々を順次分析することで、投稿の各々に関連付けられている購入確率に関連する出力値を判定し、投稿の各々に関連付けられている、判定された前記出力値及び算出された前記関連性確率に基づいて、前記製品の購入確率を算出し、算出された、前記製品の購入確率に基づいて、取得された前記第１投稿に関連付けられている前記ユーザに対して、製品関連情報を送信する、ユーザの挙動を認識して製品関連情報を送信する処理をコンピュータに実行させる。
第１３の態様は、第１２の態様のプログラムであって、前記製品関連情報を送信することは、前記ユーザに関連付けられている第２ソーシャルメディアアカウントを識別し、識別された前記第２ソーシャルメディアアカウントに基づいて、前記ユーザに関連付けられている情報を検出し、検出された前記情報に基づいて、前記製品に関連する前記情報を調整する、ことを含む。
第１４の態様は、第１２または第１３の態様のプログラムであって、取得した前記第１投稿及び少なくとも１つの後の投稿の各々について関連性確率を算出することは、フィードフォワードニューラルネットワークを使用して、取得した前記第１投稿及び前記少なくとも１つの後の投稿の各々に個別に関連付けられているコンテンツ情報に基づいて、取得した前記第１投稿及び前記少なくとも１つの後の投稿の各々の関連性確率を算出する、ことを含む。
第１５の態様は、第１２〜第１４の何れかの態様のプログラムであって、購入確率に関連する出力値を判定することは、記憶によるニューラルネットワークを使用して投稿の各々を順次分析することを含み、投稿の各々を順次分析することは、取得した前記第１投稿に関連付けられている第１出力値を、前記第１投稿のコンテンツに基づいて判定し、前記少なくとも１つの後の投稿に関連付けられている第２出力値を、前記少なくとも１つの後の投稿のコンテンツ及び取得された前記第１投稿の判定された前記第１出力値に基づいて、判定し、最大出力値を、取得した前記第１投稿に関連付けられている判定された前記第１出力値及び前記少なくとも１つの後の投稿に関連付けられている判定された前記第２出力値に基づいて、判定する、ことを含む。
第１６の態様は、第１５の態様のプログラムであって、製品の購入確率を算出することは、SOFTMAX関数を使用して、前記製品の購入確率を算出し、信頼レベル閾値を越える、算出された前記購入確率に基づいて、前記製品の購入の可能性を有するユーザを分類し、前記信頼レベル閾値は、取得される後の投稿の数、前記第１投稿及び前記少なくとも１つの後の投稿の各々の算出された関連性確率、所望される購入者強度レベルの高さ、所望される購入者成約率、及び製品のタイプの少なくとも１つに基づいて変動する、ことをさらに含む。
第１７の態様は、ユーザの挙動を認識して製品関連情報を送信するサーバ装置であって、メモリと、プロセッサと、を含む、サーバ装置であって、前記プロセッサは、製品を示し、第１ソーシャルメディアアカウントに関連付けられている第１投稿及び少なくとも１つの後の投稿を取得し、第１ニューラルネットワークを使用して、取得した前記第１投稿及び少なくとも１つの後の投稿の各々について関連性確率を算出し、第２ニューラルネットワークを使用して、投稿の各々を順次分析することで、投稿の各々に関連付けられている購入確率に関連する出力値を判定し、投稿の各々に関連付けられている、判定された前記出力値及び算出された前記関連性確率に基づいて、前記製品の購入確率を算出し、算出された、前記製品の購入確率に基づいて、取得された前記第１投稿に関連付けられている前記ユーザに対して、製品関連情報を送信する。
第１８の態様は、第１７の態様のサーバ装置であって、取得した前記第１投稿及び少なくとも１つの後の投稿の各々について関連性確率を算出することは、フィードフォワードニューラルネットワークを使用して、取得した前記第１投稿及び前記少なくとも１つの後の投稿の各々に個別に関連付けられているコンテンツ情報に基づいて、取得した前記第１投稿及び前記少なくとも１つの後の投稿の各々の関連性確率を算出する、ことによる。
第１９の態様は、第１７または第１８の態様のサーバ装置であって、購入確率に関連する出力値を判定することは、記憶によるニューラルネットワークを使用して、取得した前記第１投稿に関連付けられている第１出力値を、前記第１投稿のコンテンツに基づいて判定し、前記少なくとも１つの後の投稿に関連付けられている第２出力値を、前記少なくとも１つの後の投稿のコンテンツ及び取得された前記第１投稿の判定された前記第１出力値に基づいて、判定し、最大出力値を、取得した前記第１投稿に関連付けられている判定された前記第１出力値及び前記少なくとも１つの後の投稿に関連付けられている判定された前記第２出力値に基づいて、判定する、ことによる。
第２０の態様は、第１９の態様のサーバ装置であって、前記プロセッサは、さらに、SOFTMAX関数を使用して、前記製品の購入確率を算出し、信頼レベル閾値を越える、算出された前記購入確率に基づいて、前記製品の購入の可能性を有するユーザを分類し、前記信頼レベル閾値は、取得される後の投稿の数、前記第１投稿及び前記少なくとも１つの後の投稿の各々の算出された関連性確率、所望される購入者強度レベルの高さ、所望される購入者成約率、及び製品のタイプの少なくとも１つに基づいて変動する。
本発明によれば、ソーシャルメディア投稿に基づいて、ユーザが製品を購入する可能性を適切に判定する、ことができる。
本開示の例示的な実装で使用されるソーシャルメディア環境を例示する。 本開示の例示的な実装で使用されるソーシャルメディア環境を例示する。 本開示の例示的な実装で使用されるソーシャルメディア環境を例示する。 本開示の例示的な実装によるユーザ挙動予測エンジンの概略図を例示する。 本開示の例示的な実装によるユーザフォーカス製品情報を提供するプロセスのフローチャートを例示する。 本開示の例示的な実装によるソーシャルメディア投稿の関連性確率を算出するプロセスのフローチャートを例示する。 本開示の例示的な実装によるユーザが製品を購入する確率を判定するプロセスのフローチャートを例示する。 本開示の例示的な実装によるユーザフォーカス製品情報を提供するプロセスのフローチャートを例示する。 例示的な実装のいくつかで使用される例示的な計算処理デバイスを含む計算処理環境を例示する。
以下の詳細な説明は、図面をさらに詳細に説明し、本開示の例示的な実装を詳細に説明する。複数の図にわたる冗長な構成要素の参照符号及び説明は、記載を明瞭にするために省略する。説明全体にわたって使用される用語は、例示を意図し、限定を意図していない。例えば、用語「自動」は、所望される実装に応じて、全自動またはユーザまたはオペレータの制御が実装のある様相に関与する半自動を含み得る。
図１は、本開示の例示的な実装で使用することができるソーシャルメディア環境１００を示す。例示的な実装のいくつかにおいて、ソーシャルメディア環境はマイクロブログソーシャルメディア環境であってよい。例えば、マイクロブログは、TWITTER（登録商標）、TUMBLR、TOUT、TENCENT Weiboまたは、他の何れかのマイクロブログプラットフォームを含み得るが、これらに限定されない。しかしながら、ソーシャルメディア環境１００の例示的な実装は、マイクロブログに限定されず、何れかのソーシャルメディア環境であり得る。例示的なソーシャルメディア環境１００は、例えば、ネットワーク１０５（例えば、有線及び／または無線接続による）を介して、相互に通信可能に接続される複数のデバイス１１０〜１３５を含む。
デバイス１１０〜１３５は、コンピュータ１１５（例えば、ラップトップ計算処理デバイス）、モバイルデバイス１１０、１３０（例えば、スマートフォンまたはタブレット）、テレビ１２５、乗り物に関連付けられているデバイス１２０、ウェアラブルデバイス１３３（例えば、スマートウォッチ）及びサーバコンピュータ１３５を含み得るが、これらに限定されない。デバイス１１０〜１３５は図９に示されるように計算処理環境を有していてもよい。
例示的な実装のいくつかにおいて、デバイス１１０〜１３５の１つもしくは複数は、ユーザと関連付けられていてもよい。（例えば、デバイス１１０は、ソーシャルメディア投稿１４０のドラフト作成、編集、アップロード及び送信を行うためにユーザ１５０によって使用されてもよい。）例えば、ネットワーク１０５を介して、ユーザ１５０と関連付けられているデバイス１１０が、ソーシャルメディア投稿１４０をソーシャルメディア環境１００に送信し、他のユーザと関連付けられている他のデバイス１１５〜１３５がソーシャルメディア投稿１４０を受信してもよい。他のデバイス１１５〜１３５の各々は、ソーシャルメディア投稿１４０に回答１４５を送信するために使用されてもよい。（破線で示されるように、必須ではない。）本開示の例示的な実装において、少なくとも１つのデバイス１３５は、ユーザ１５０によるソーシャルメディア投稿１４０を分析し、製品に対する参照を検出し、検出した参照に基づいて、図５〜図８で説明するプロセスを使用して、ユーザ１５０が購入する確率を判定してもよい。この分析及び判定は、デバイス１３５に、接続されている、関連付けられている、または統合されているプロセッサ１５５によって実行されてもよい。図２及び図３で説明するように、他の例示的な実装において、ソーシャルメディア投稿に基づいて行われた分析及び判定に基づいて、追加的な分析及びアクションが採られてもよい。
本開示の例示的な実装による機構を提供し、ユーザがフォーカスしている製品情報を主眼とするソーシャルメディア環境２００を、図２に例示する。ソーシャルメディア環境２００は、マイクロブログソーシャルメディア環境であってよい。例えば、マイクロブログは、TWITTER、TUMBLR、TOUT、TENCENT WEIBOまたは何れか他のマイクロブログプラットフォームを含んでいてもよいが、これらに限定されない。しかしながら、ソーシャルメディア環境の例示的な実装はマイクロブログに限定されず、何れかのソーシャルメディア環境であってよい。図１と同様に、例示的なソーシャルメディア環境２００は、例えば、ネットワーク２０５（例えば、有線及び／または無線接続による）を介して、相互に通信可能に接続されている、複数のデバイス２１０〜２３５を含む。
デバイス２１０〜２３５は、コンピュータ２１５（例えば、ラップトップ計算処理デバイス）、モバイルデバイス２１０、２３０（例えば、スマートフォンまたはタブレット）、テレビ２２５、乗り物に関連付けられているデバイス２２０、ウェアラブルデバイス２３３（例えば、スマートウォッチ）及びサーバコンピュータ２３５を含み得るがこれらに限定されない。デバイス２１０〜２３５は、図９に示されるような計算処理環境を有していてもよい。
実装のいくつかにおいて、デバイス２１０〜２３５の１つもしくは複数は、ユーザと関連付けられていてもよい。（例えば、デバイス２１０は、ソーシャルメディア投稿２４０のドラフト作成、編集、アップロード及び送信を行うために、ユーザ２５０によって使用されてもよい。）例えば、ユーザ２５０と関連付けられているデバイス２１０は、ネットワーク２０５を介して、ソーシャルメディア投稿２４０をソーシャルメディア環境２００に送信し、他のデバイス２１５〜２３５でソーシャルメディア投稿２４０を受信してもよい。他のデバイス２１５〜２３５の各々は、ソーシャルメディア投稿２４０に回答２４５を送信するために使用されてもよい。（破線で示されるように、必須ではない。）本開示の例示的な実装において、少なくとも１つのデバイス２３５は、ユーザ２５０によるソーシャルメディア投稿２４０を分析し、製品への参照を検出し、検出した参照に基づいて、図５〜図８で説明するプロセスを使用して、ユーザ２５０が購入する確率を判定してもよい。分析及び判定は、デバイス２３５に接続され、関連付けられ、または統合されているプロセッサ２５５によって実行されてもよい。
ユーザが製品を購入する確率の判定に基づいて、プロセッサ２５５は、ユーザ２５０に、直接、製品に関する情報２６０を、デバイス２３５に、送信させてもよい。例えば、情報２６０は、製品の広告、製品の新しい特徴に関する情報、購入者レビュー、近日行われる予定のセールに関する情報、ディスカウント、もしくはリベート、またはユーザ２５０に製品を購入させるよう仕向ける何れか他の情報を含み得る。
図３は、本開示の他の例示的な実装による機構を提供するユーザがフォーカスする製品情報を主眼とするソーシャルメディア環境３００を例示する。ソーシャルメディア環境３００は、マイクロブログソーシャルメディア環境であってよい。例えば、マイクロブログは、TWITTER、TUMBLR、TOUT、TENCENT WEIBOまたは何れか他のマイクロブログプラットフォームを含み得るが、これらに限定されない。ソーシャルメディア環境の例示的な実装は、マイクロブログに限定されず、何れかのソーシャルメディア環境を含み得る。図１及び図２と同様に、例示的なソーシャルメディア環境３００は、複数のデバイス３１０〜３３５を含み、例えば、ネットワーク３０５（例えば、有線及び／または無線接続による）を介して、少なくとも１つの他のデバイスに通信可能に接続されている。
デバイス３１０〜３３５は、コンピュータ３１５（例えば、ラップトップ計算処理デバイス）、モバイルデバイス３１０、３３０（例えば、スマートフォンまたはタブレット）、テレビ３２５、乗り物に関連付けられているデバイス３２０、ウェアラブルデバイス３３３（例えば、スマートウォッチ）、及びサーバコンピュータ３３５を含み得るが、これらに限定されない。
実装のいくつかにおいて、１つもしくは複数のデバイス３１０〜３３５は、ユーザと関連付けられていてもよい。（例えば、デバイス３１０は、ソーシャルメディア投稿３４０のドラフト作成、編集、アップロード、及び送信を行うためにユーザ３５０によって使用される。）例えば、ユーザ３５０と関連付けられているデバイス３１０は、ネットワーク３０５を介して、ソーシャルメディア環境３００にソーシャルメディア投稿３４０を送信し、ソーシャルメディア投稿３４０は他のデバイス３１５〜３３５で受信されてもよい。他のデバイス３１５〜３３５は、ソーシャルメディア投稿３４０に対する回答３４５を送信するために使用されてもよい。（破線で示されるように、必須ではない。）本開示の例示的な実装において、少なくとも１つのデバイス３３５は、ユーザ３５０によってソーシャルメディア投稿３４０を分析し、製品への参照を検出し、検出された参照に基づいて、図５〜図８で説明するプロセスを使用してユーザ３５０が購入する確率を判定する。この分析及び判定は、デバイス３３５に接続され、関連付けられ、または統合されているプロセッサ３５５によって実行されてもよい。
ユーザ３５０が製品を購入する確率の判定に基づいて、プロセッサ３５５は、ユーザ３５０に関する情報３７０を判定するために、他のソーシャルメディアネットワークまたはデータベース３６５と、デバイス３３５と、を通信させてもよい。例えば、ユーザ３５０が製品を購入する確率の判定に基づいて、デバイス３３５は、ユーザ３５０の他のソーシャルメディアアカウントの他のソーシャルメディアネットワークまたはデータベース（例えば、FACEBOOK（登録商標）、INSTAGRAMなど）をサーチしてもよい。他のソーシャルメディアアカウントを使用して、デバイス３３５は、例えば、年齢、地理的位置、関心、趣味など、ユーザ３５０と関連付けられている情報３７０を検出してもよい。検出した情報３７０に基づいて、プロセッサ３５５は、デバイス３３５を制御し、ユーザ３５０のために調整された製品に関する情報３７５をユーザ３５０に送信してもよい。例えば、情報３７５は、ユーザ３５０の年齢及び他の購買層情報によって調整された製品の広告を含み得る。情報３７５は、ユーザ３５０の趣味によって調整された新しい特徴に関する情報または購入者レビューを含み得る。同様に、情報３７５は、ユーザ３５０の地理的領域において、近日行われる予定のセール、ディスカウントまたはリベートに関する情報を含み得る。
図４は、例示的な実装による挙動予測エンジン４００を例示する。予測エンジン４００は、デバイス（例えば、１３５、２３５または３３５）のプロセッサ（例えば、プロセッサ１５５、２５５または３５５）によって使用され、ユーザが製品を購入する確率を算出するために使用され得る。予測エンジン４００は、入力層４１０を含み、入力層４１０は、１つもしくは複数のソーシャルメディア投稿４２０、４２５、４３０（即ち、ソーシャルメディア投稿４２０は、ソーシャルメディア投稿４２５の発生前に発生し、ソーシャルメディア投稿４２５は、ソーシャルメディア投稿４３０の発生前に発生する。）のシーケンスを受信し、シーケンスは、計算処理デバイスによって、例えば、製品などの特定のサブジェクトへの参照を含むことが検出される。
予測エンジン４００は、最下層４１５を含み、最下層４１５は、第１ニューラルネットワーク（ＮＮ１）を使用して１つもしくは複数のソーシャルメディア投稿４２０、４２５、４３０の各々を分析し、結合４３５Ａ〜４３５Ｃの各々での関連性を判定する。例えば、第１ニューラルネットワーク（ＮＮ１）は４３５Ａで第１ソーシャルメディア投稿を分析してもよい。また、第１ニューラルネットワーク（ＮＮ１）は４３５Ｂで第２ソーシャルメディア投稿４２５を分析してもよい。第１ニューラルネットワーク（ＮＮ１）は４３５Ｃで第３ソーシャルメディア投稿４３０を分析してもよい。
ロジスティック回帰モデル分類手段（Logistic-Regression-Model）、フィードフォワードニューラルネットワーク（Feed-Forward Neural Network）、リカレントニューラルネットワーク（Recurrent Neural Network）、長・短期記憶ニューラルネットワーク（Long Short-Term Memory Neural Network）、または何れか他のニューラルネットワークまたは分類手段を含む、様々なニューラルネットワークまたは他の分類手段を使用することができるが、本実施形態のニューラルネットワークまたは分類手段は、これらに限定されない。最下層４１５を介して関連性を判定する例示的なプロセスについては、図５〜図８を使用して、以下で詳細に説明する。１つもしくは複数のソーシャルメディア投稿４２０、４２５、４３０の各々の関連性分析４３５Ａ、４３５Ｂ、４３５Ｃの結果は、製品を購入する確率を判定するために使用されるSOFTMAX分類手段４５０（即ち、SOFTMAX回帰モデルを実装するコンピュータ実装分類機能）への出力である。
予測エンジン４００は、第２ニューラルネットワーク（ＮＮ２）を使用して、結合４４０Ａ〜４４０Ｃの各々で、１つもしくは複数のソーシャルメディア投稿４２０、４２５、４３０の各々に基づいて、結合４４０Ａ〜４４０Ｃの各々で出力を決定する、隠れ層４０５も含む。以下で説明するように、結合４４０Ａ〜４４０Ｃの各々で決定される出力は、製品の購入の確率を判定するために使用されてもよい。ロジスティック回帰モデル分類手段（Logistic-Regression-Model）、フィードフォワードニューラルネットワーク（Feed-Forward Neural Network）、リカレントニューラルネットワーク（Recurrent Neural Network）、長・短期記憶ニューラルネットワーク（Long Short-Term Memory Neural Network）、または何れか他のニューラルネットワークまたは分類手段を含む、様々なニューラルネットワークまたは他の分類手段を使用することができるが、本実施形態のニューラルネットワークまたは分類手段は、これらに限定されない。ユーザが製品を購入する確率を判定する例示的なプロセスについては、図５〜図８を使用して、以下で詳細に説明する。
例示的な実装のいくつかにおいて、第２ニューラルネットワーク（ＮＮ２）は、１つもしくは複数のソーシャルメディア投稿４２０、４２５、４３０の各々を順次分析し、その後の投稿を分析するために予測分析４４０Ａ〜４４０Ｃの各々の出力を使用する。例えば、第２ニューラルネットワーク（ＮＮ２）は第１ソーシャルメディア投稿４２０を分析し、４４０Ａで第１ソーシャルメディア投稿４２０に関連付けられている出力を判定する。第２ニューラルネットワークは、次に、第２ソーシャルメディア投稿４２５を分析し、４４０Ｂで第２ソーシャルメディア投稿４２５に関連付けられている出力及び第１ソーシャルメディア投稿４２０に関連付けられている４４０Ａから判定された出力のファクタを判定する。同様に、第２ニューラルネットワークは、次に、第３ソーシャルメディア投稿４３０を分析し、４４０Ｃで第２ソーシャルメディア投稿４２５に関連付けられている出力及び、第２ソーシャルメディア投稿４２５に関連付けられている４４０Ｂからの購入に関する判定された出力のファクタを判定する。
ソーシャルメディア投稿４２０、４２５、４３０の各々に関連付けられている４４０Ａ〜４４０Ｃからの出力は、次に、その後のソーシャルメディア投稿４２５、４３０を分析した後、４４５Ａ〜４４５Ｂで最大判定手段（MAX）に入力される。例えば、４４０Ａからの第１ソーシャルメディア投稿４２０に関連付けられている出力及び４４０Ｂからの第２ソーシャルメディア投稿４２５に関連付けられている出力は、第２ソーシャルメディア投稿４２５を分析した後、４４５Ａで最大判定手段（MAX）に入力される。４４５Ａからの最大判定手段（MAX）の結果は、４４５Ｂで、第３ソーシャルメディア投稿４３０と関連付けられている４４０Ｃからの出力と比較される。ソーシャルメディア投稿４２０、４２５、４３０の全てが分析されると、最大判定手段（MAX）の出力は、SOFTMAX分類手段４５０に入力される。
SOFTMAX分類手段４５０は、４４５Ｂでの最大判定手段（MAX）の出力及び最下層から受信される１つもしくは複数のソーシャルメディア投稿４２０、４２５、４３０の各々の関連性分析の結果に基づいて、ユーザが製品を購入する可能性があるか否か、判定する。SOFTMAX分類手段４５０の判定に基づいて、プロセッサ（例えば、プロセッサ１３５、２３５または３３５）はユーザに対して製品の情報を送信してもよいし、以下で説明する他のアクションを行ってもよい。
「最上層」及び「最下層」は、図４の配置に基づくが、本実施形態は、この配置に限定されない。例示的な層は、本実施形態の範囲から乖離することなく、代替的な配置に変更することができる。
図５は、本実施形態の例示的な実装によってユーザにフォーカスした情報を提供するプロセス５００の例示的なフローチャートを示す。例示的なプロセス５００は、デバイス（例えば、デバイス１３５、２３５、または３３５）のプロセッサ（例えば、プロセッサ１５５、２５５、３５５）によって実行され、ユーザフォーカス製品情報を提供してもよい。プロセス５００において、特定の製品を示す情報を含むソーシャルメディア投稿を５０５で検出する。情報は、例えば、製品の名称またはモデルもしくは製品への一般的な参照など、製品を参照するテキストまたは音声、もしくは、製品を記述するテキストまたは音声であってよい。情報は、製品の名称またはモデルに関する画像またはビデオであってもよい。情報は、特定のソーシャルメディアソースまたはネットワークへの全てのソーシャルメディア投稿を分析することで、５０５で検出されてもよい。情報は、一般的な製品、特定のタイプの製品（例えば、カメラ、モバイルフォン、または、車）、または特定の生産者のための、ソーシャルメディアソースまたはネットワークのグループまたはサブグループにフォーカスすることで、５０５で検出されてもよい。グループ及びサブグループは、上記に限定されない。他の例示的なグループ及びサブグループが使用されてもよい。
製品を示す情報を含むソーシャルメディア投稿が検出されると、検出されたソーシャルメディア投稿の後の、同じユーザまたは著者によるソーシャルメディア投稿が、５１０で、予め定められた期間収集される。例示的な実装のいくつかにおいて、同じユーザまたは著者による後のメディア投稿の全てが、製品または製品タイプが特定されているか否かにかかわらず、予め定められた期間収集される。他の例示的な実装において、製品を示す情報を含む後の情報だけが収集される（即ち、最初のソーシャルメディア投稿で検出された製品と同じ製品を示す参照または情報を含むソーシャルメディア投稿だけが収集される）。例示的な実装のいくつかにおいて、後の投稿は６０日間収集されてもよい。他の例示的な実装において、後の投稿は６０日より短い期間収集されてもよいし、６０日より長い期間収集されてもよい。
後の投稿が予め定められた期間収集された後、５１５で、検出された投稿及び後の投稿は、双方とも、第１ニューラルネットワークを使用して、個別に分析され、関連性の確率が算出される。また、検出された投稿及び後の投稿は、閾値を越える、算出された関連性確率に基づいて、購入挙動の確率を判定することに関連する場合、または、関連しない場合、に分類されてもよいが、この分類は必須ではない。例示的な実装のいくつかにおいて、検出された投稿及び後の投稿の関連性の確率を算出することは、フィードフォワードニューラルネットワークによって実行される。他の例示的な実装において、分類することは、他のタイプのニューラルネットワークまたは分類手段によって実行されてもよい。関連性の確率を算出するプロセスについては、図６を使用して、以下で詳細に説明する。
関連性の確率が、検出された投稿及び収集された後の投稿の各々について算出されると、プロセッサは、何れかの投稿が閾値を越える関連性確率を有するか否か、５２０で判定する。閾値を越える関連性確率を有する投稿がない場合（５２０の判定が否定された場合）、プロセス５００を終了してもよい。実施例のいくつかにおいて、プロセス５００は、５０５に戻り、検出されている特定の製品を示す情報を含む新しいソーシャルメディア投稿が検出されるまで待機してもよいが、破線で示されるように、必須ではない。一方、閾値を越える関連性確率を有する何れかの投稿がある場合（５２０の判定が肯定された場合）、プロセス５００は５２５に進む。例示的な実装のいくつかにおいて、閾値を越える関連性確率を有する投稿がない場合でも、プロセス５００は５２５に進んでもよいし、５２０の判定を省略してもよい。
５２５で、製品を示す情報を含む全ての投稿が、第２ニューラルネットワークを使用して順次（即ち、投稿が送信された順で、または作成された順で、）分析され、投稿を作成したユーザが識別された製品を購入する確率を判定する。例示的な実装のいくつかにおいて、５２５で、投稿のいくつかが製品または製品タイプを示す情報を含まない場合であっても（例えば、製品または製品タイプについて記述する最初の投稿をフォローする投稿など）、全ての投稿（即ち、検出された投稿及び収集された全ての投稿）が分析される。例示的な実装のいくつかにおいて、シグモイド関数またはSOFTMAX関数を使用して、５２５で、確率を算出する。
例示的な実装のいくつかにおいて、長・短期記憶ニューラルネットワークを使用して、分析を順次実行する。他の例示的な実装において、順次行われる分析は他のタイプのニューラルネットワークによって行われてもよいが、本実施形態は、これに限定されない。投稿を作成したユーザが識別された製品を購入する確率を判定するプロセスについては、図７を使用して、以下で詳細に説明する。
投稿を作成したユーザが識別された製品を購入する確率が判定されると、プロセッサは、５３０で、確率が信頼レベル閾値を越えるか否か判定してもよい。例示的な実装のいくつかにおいて、信頼レベル閾値は、検出された後の投稿数、取得された最初の投稿及び少なくとも１つの後の投稿の各々の、算出された関連性確率及び参照される製品タイプ、を含む様々なファクタに基づいて変動してもよいが、ファクタは、これらに限定されない。信頼レベル閾値は、所望される購入者強度レベルの高さ（即ち、購入する確率が極めて高い購入者）に基づいて変動してもよい。例えば、購入する「確率が極めて高い」購入者だけを対象とすべき場合、信頼レベル閾値は高く設定される。信頼レベル閾値は、所望される購入者成約カウントの高さ（即ち、多くの購入者を獲得する見込み）に基づいて変動してもよい。例えば、潜在的購入者の全てが対象であれば、信頼レベル閾値は低く設定される。
確率が閾値を越えない場合（５３０の判定が否定された場合）、プロセス５００を終了してもよい。実施例のいくつかにおいて、プロセス５００は、５０５に戻り、検出されている特定の製品を示す情報を含む、新しいソーシャルメディア投稿が検出されるまで待機してもよいが、破線で示されるように、必須ではない。一方、確率が閾値を越えた場合（５３０の判定が肯定された場合）、プロセス５００は５３５に進む。
５３５で、製品に関連する情報は、作成者またはソーシャルメディアアカウントの所有者など、検出された投稿と関連付けられているユーザに送信されてもよい。ユーザに送信される情報のタイプは、製品の広告、製品の新しい機能に関する情報、購入者レビュー、近日行われる予定のセールに関する情報、ディスカウント、またはリベート、もしくは製品の購入をユーザに奨める何れか他の情報であってよいが、これらに限定されない。追加的な情報は、ウェブブラウザポップアップ、電子メール、インスタントメッセージ、ソーシャルメディアメッセージ、または、情報をユーザのソーシャルメディアアカウントに送信する何れか他の機構を含む様々な方法で送信されてもよいが、本実施形態は、これらに限定されない。
５３５で、検出された投稿に関連付けられているユーザに対して、追加的な情報を送信した後、プロセス５００を終了してもよい。実施例のいくつかにおいて、プロセス５００は、５０５に戻り、検出されている特定の製品を示す情報を含む新しいソーシャルメディア投稿が検出されるまで待機してもよいが、破線で示されるように、必須ではない。
図６は、本開示の例示的な実装による関連性確率を算出するプロセス６００の例示的なフローチャートを示す。例示的なプロセス６００は、デバイス（例えば、デバイス１３５、２３５、または３３５）のプロセッサ（例えば、プロセッサ１５５、２５５、３５５）で使用され、ユーザフォーカス製品情報を提供してもよい。プロセス６００を使用して、図５及び図８に例示されるように、ユーザフォーカス製品情報を提供するプロセスの部分としてソーシャルメディア投稿を分類してもよい。しかしながら、プロセス６００は、ユーザフォーカス製品情報を提供するプロセスとして使用されることに限定されない。
ソーシャルメディア投稿の各々の関連性を判定するために、６０５で、投稿の各々について、まず、構文解析を行い、投稿の各々を個別のワードまたはフレーズに分解する。テキストベースまたは音声ベースのソーシャルメディア投稿について、ワードの各々を検出し、既知の自然言語処理技術（例えば、音声認識及びテキスト認識技術）を使用して、認識してもよい。画像ベースまたはビデオベースのソーシャルメディア投稿について、オブジェクト認識技術を使用して、まず、視覚的に表されたコンテンツを識別し、テキストベース記述を生成し、その後、テキストベース記述を個別のワードまたはフレーズに分解してもよい。
投稿の各々が個別のワードまたはフレーズに分解されると、６１０で、予め定められた辞書またはツールキットに基づいて、ベクトル表現がワードまたはフレーズの各々に割り当てられる。例えば、ワードまたはフレーズの各々は、既存のword2vecツールキットなどの予め定められたツールキットを使用してベクトル表現に変換されてもよい。例えば、word2vecなどのツールキットは、例えば、ニュースデータセットなどの様々なソースの既存のデータセットを使用して言語モデリングタスクについて訓練されたニューラルネットワークの重みから、ベクトル表現を学習する。他のツールキットまたは辞書が使用されてもよい。
例示的な実装のいくつかにおいて、６０５における投稿の各々の構文解析及び６１０におけるベクトル表現の割り当ては、ソーシャルメディア投稿の前処理と看做されてもよい。
例示的な実装のいくつかにおいて、ソーシャルメディア投稿の各々の前処理は、２度実行されてもよい。即ち、６０５及び６１０に関連して上記したように、ソーシャルメディア投稿の関連性確率を判定するときと、図７に関連して以下で説明するように、購入の確率を判定するとき、の２度実行されてもよい。他の例示的な実装において、ソーシャルメディア投稿の各々の前処理は、単一のプロセスにおいて、１度だけ実行されてもよい。（例えば、６０５及び６１０でだけ実行され、図７の７０５及び７１０では省略されてもよい。）単一のプロセス（例えば、６０５及び６１０）の結果は、ソーシャルメディア投稿の関連性確率の判定及び購入確率の判定（例えば、７１５〜７３５）の双方で使用されてもよい。
６１５で、ソーシャルメディア投稿のワードまたはフレーズの各々についてベクトルが判定されると、ベクトルの全ては加算され、ソーシャルメディア投稿のベクトル表現を形成する。６１５において判定されたベクトル表現は、ソーシャルメディア投稿に関連付けられている関連性確率に対応する。ソーシャルメディア投稿の各々についてベクトル表現が判定されると、６２０で、関連する投稿か関連しない投稿か分類するために、ベクトル表現（即ち、関連性確率）は、図４の予測エンジン４００の最下層４１５の第１ニューラルネットワークに入力されてもよい。例示的な実装のいくつかにおいて、第1ニューラルネットワークは、フィードフォワードニューラルネットワークであってよい。しかしながら、他の例示的な実装において、ロジスティック回帰モデル分類手段、リカレントニューラルネットワーク、長・短期記憶ニューラルネットワーク、または何れか他のタイプのニューラルネットワークまたは分類手段などの様々なニューラルネットワークまたは他の分類手段を使用してもよい。
第１ニューラルネットワークは、オペレータ（人間）が手動で分類することで、事前訓練されている。事前訓練に基づいて、第１ニューラルネットワークは投稿の各々を分類する。例えば、事前訓練の間、第１ニューラルネットワークに、関心製品（例えば、電話、タブレット、コンピュータ、カメラ、車など）に関連する大量のソーシャルメディア投稿を与える。ソーシャルメディア投稿は、関連するソーシャルメディア投稿か、関連しないソーシャルメディア投稿か、に分類される。事前訓練に基づいて、第１ニューラルネットワークは、６１５で算出したベクトル表現を使用して、新しいソーシャルメディア投稿を、関連するソーシャルメディア投稿か、関連しないソーシャルメディア投稿か、に、分類することができる。
ソーシャルメディア投稿の全てを関連するソーシャルメディア投稿か、関連しないソーシャルメディア投稿か、に分類すると、算出プロセス６００を終了してもよい。実装のいくつかにおいて、投稿の各々のベクトル値（関連性確率）合計を算出した後、算出プロセス６００を６１５で終了してもよい。図５及び図８に例示するように、算出プロセス６００が、ユーザフォーカス製品情報を提供するためにプロセスの部分として実行されている場合、ユーザフォーカス製品情報を提供するプロセスは、図５及び図８を使用して説明するように、継続されてもよい。
図７は、本開示の例示的な実装による、ユーザが製品を購入する確率を判定するプロセス７００のフローチャートを例示する。例示的なプロセス７００は、デバイス（例えば、デバイス１３５、２３５、３３５）のプロセッサ（例えば、プロセッサ１５５、２５５、３５５）によって使用され、ユーザ製品情報を提供してもよい。プロセス７００は、図５及び図８に例示されるように、ユーザフォーカス製品情報を提供するプロセスの部分として、ソーシャルメディア投稿によるユーザが製品を購入する確率を判定するために使用されてもよい。しかしながら、プロセス７００は、ユーザフォーカス製品情報を提供するプロセスに使用されることに限定されず、他の目的に使用されてもよい。
ユーザが、モバイルデバイスまたはカメラなどの製品を購入するか否か予測するために、モデルは、ユーザによって書かれたソーシャルメディア投稿から学習しなければならない。したがって、ユーザが製品を購入する確率を判定するために、７０５で、投稿の各々について、構文解析を行い、投稿の各々を個別のワードまたはフレーズに分解する。テキストベースまたは音声ベースのソーシャルメディア投稿について、ワードの各々を検出し、既知の自然言語処理技術（例えば、音声認識及びテキスト認識技術）を使用して、認識してもよい。画像ベースまたはビデオベースのソーシャルメディア投稿について、オブジェクト認識技術を使用して、まず、視覚的に表されたコンテンツを識別し、テキストベース記述を生成し、その後、テキストベース記述を個別のワードまたはフレーズに分解してもよい。
投稿の各々が個別のワードまたはフレーズに分解されると、７１０で、予め定められた辞書またはツールキットに基づいて、ベクトル表現がワードまたはフレーズの各々に割り当てられる。例えば、ワードまたはフレーズの各々は、既存のword2vecツールキットなどの予め定められたツールキットを使用してベクトル表現に変換されてもよい。例えば、word2vecなどのツールキットは、例えば、ニュースデータセットなどの様々なソースの既存のデータセットを使用して言語モデリングタスクについて訓練されたニューラルネットワークの重みから、ベクトル表現を学習する。他のツールキットまたは辞書が使用されてもよい。
例示的な実装のいくつかにおいて、７０５における投稿の各々の構文解析及び７１０におけるベクトル表現の割り当ては、ソーシャルメディア投稿の前処理と看做されてもよい。例示的な実装のいくつかにおいて、ソーシャルメディア投稿の各々の前処理は、２度実行されてもよい。即ち、図６に関連して上記したように、ソーシャルメディア投稿の関連性確率を判定するときと、購入の確率を判定するとき（例えば、７０５及び７１０）、の２度実行されてもよい。他の例示的な実装において、ソーシャルメディア投稿の各々の前処理は、単一のプロセスにおいて、１度だけ実行されてもよい。（例えば、６０５及び６１０でだけ実行され、図７の７０５及び７１０では省略されてもよい。）単一のプロセス（例えば、６０５及び６１０）の結果は、ソーシャルメディア投稿の関連性確率の判定及び購入確率の判定（例えば、７１５〜７３５）の双方で使用されてもよい。
発行されまたは送信された第１時点ソーシャルメディア投稿のワードまたはフレーズの各々についてベクトルが判定されると、第１時点ソーシャルメディア投稿のワードまたはフレーズのベクトルの全ては加算され、７１５で、第１時点ソーシャルメディア投稿のベクトル表現を形成する。
第１時点ソーシャルメディア投稿のベクトル表現が判定されると、隠れ層からの出力が図４の予測エンジン４００の隠れ層４０５の第２ニューラルネットワークに入力され、７２０で、第１時点投稿に関連付けられた出力値を判定する。例示的な実装のいくつかにおいて、第２ニューラルネットワークは、長・短期記憶ニューラルネットワークであってよい。しかしながら、他の例示的な実装において、ロジスティック回帰モデル分類手段、フィードフォワードニューラルネットワーク、リカレントニューラルネットワーク、または何れか他のタイプのニューラルネットワークまたは分類手段などの様々なニューラルネットワークまたは他の分類手段を使用してもよい。
第２ニューラルネットワークは、オペレータ（人間）が手動で分類することで、事前訓練されている。例えば、事前訓練の間、第２ニューラルネットワークに、関心製品（例えば、電話、タブレット、コンピュータ、カメラ、車など）に関連する大量のソーシャルメディア投稿を与える。事前訓練に基づいて、第２ニューラルネットワークは、７１５で算出したベクトル表現を使用して加算したベクトルに基づいて、出力値を算出することができる。
第１時点に関連付けられている出力値が算出されると、７２５で、第２時点ソーシャルメディア投稿のワードまたは部分のベクトルの全てが合計され、第２時点ソーシャルメディア投稿のベクトル表現が形成される。
第２時点ソーシャルメディア投稿のベクトル表現が判定されると、７３０で、取得されたベクトル表現は、図４の予測エンジン４００の隠れ層４０５の第２ニューラルネットワークに入力され、第２時点投稿に関連付けられている出力値を判定する。第２ニューラルネットワークは長・短期記憶ニューラルネットワークであってよい。長・短期記憶ニューラルネットワークは、以前の判定の記憶を含むので、第２ニューラルネットワークは、第２時点投稿のコンテンツだけでなく、例示的な実装のいくつかにおいて判定された第１時点投稿の出力値にも基づいて、第２時点投稿に関連付けられている出力値を判定することができる。したがって、第２ニューラルネットワークは、第１時点投稿の判定された出力値に基づいて、第２時点投稿に関連付けられている判定された出力値を調整することができる。例えば、第２時点投稿に関連付けられている確率出力値は、第１時点投稿に関連付けられている判定された出力値に基づいて、増減されてもよい。
以前の判定の記憶を有する第２ニューラルネットワークを主眼とする例示的な実装において、第２ニューラルネットワークは、ソーシャルメディア投稿を順次（即ち、発行または送信された順に）入力することで訓練されてもよい。規則化するために、早期終了（early stopping）技術及びニューロンドロップ（neuron dropping）が使用されてもよい。例えば、使用されるニューラルネットワークのタイプに依存して、ドロップアウトレートがニューロンの約２５〜５０％であってよい。
７４０で、より多くの投稿を分析する必要があるか、判定が行われる（即ち、収集された２つの投稿より多くの投稿を分析する必要があるか、判定が行われる）。追加的な投稿の分析を必要とする場合（ステップ７４０の判定が肯定された場合）、ステップ７２５及びステップ７３０は、後の投稿（即ち、第３時点投稿、第４時点投稿）について、順次繰り返されてもよい。以前の投稿に関連付けられている判定された出力値を使用して、後の投稿に関連付けられている出力値を判定する。（即ち、第３時点投稿に関連付けられている確率などを判定する場合、第２時点投稿に関連付けられている確率を使用する。）追加的な投稿の分析を必要としない場合（ステップ７４０の判定が否定された場合）、プロセス７００は７３５に進む。
全てのソーシャルメディア投稿に関連付けられている出力値が判定されると、購入確率の合計が、第１時点投稿及び第２時点投稿（及び、必須ではないが、第３時点投稿などさらに後の投稿）に関連付けられている出力値に基づいて、判定される。例示的な実装のいくつかにおいて、確率の合計は、第１時点投稿に関連付けられている出力値と第２時点投稿に関連付けられている出力値との間の極大値であってよい。少なくとも２つの投稿が分析されると、後の投稿の各々と以前の投稿の判定された極大値との間の最大出力値を繰り返し判定するか、または、判定された出力値の全てに順序付けすることで、分析された投稿の全てと関連付けられている出力値の全てから、大局的最大値が判定されてもよい。例示的な実装のいくつかにおいて、投稿に関連付けられているユーザは、判定された確率の合計に基づいて、予測購入者として分類されてもよい。
購入確率の合計が、分析された投稿の全てに基づいて判定されると、プロセス７００は終了する。例示的な実装のいくつかにおいて、プロセス７００は、収集された投稿の全てに対して行われてもよいし、関心製品に関連する情報（即ち、参照）を含む投稿にだけ行われてもよい。プロセス７００は、図５及び図８に例示するように、ユーザフォーカス製品情報を提供するプロセスの部分として実行されてもよい。判定された確率合計は、図５及び図８を使用して説明するように、ユーザフォーカス製品情報を提供するプロセスにおいて、購入確率として、プロセッサによって使用されてもよい。例示的な実装のいくつかにおいて、SOFTMAX分類手段を使用して、収集された投稿に関連付けられている出力値及び図４を使用して説明した、算出された関連性確率に基づいて、購入確率合計を判定してもよい。
図８は、本開示の他の例示的な実装によるユーザフォーカス製品情報を提供するプロセス８００のフローチャートを例示する。図８のプロセス８００は、図５に例示されたプロセス５００といくつかのステップを共有する。したがって、同様の参照符号及び記述が使用されている部分がある。例示的なプロセス８００は、デバイス（例えば、デバイス１３５、２３５、３３５）のプロセッサ（例えば、プロセッサ１５５、２５５、３５５）によって使用され、ユーザフォーカス製品情報を提供してもよい。プロセス８００において、特定の製品を示す情報を含むソーシャルメディア投稿が、ステップ８０５で検出される。情報は、例えば、製品の名称またはモデル、もしくは製品に対する一般的な参照などの、製品を説明する、または参照するテキストまたは音声であってよい。情報は、製品の名称またはモデルを表す画像またはビデオであってもよい。情報は、特定のソーシャルメディアソースまたはネットワークに対するソーシャルメディア投稿の全てを分析することで、８０５で検出されてもよい。情報は、一般的な製品のための、特定のタイプの製品（カメラ、モバイルフォン、カメラなど）のための、または特定の製造者のためのソーシャルメディアソースまたはネットワークのグループまたはサブグループにフォーカスすることで、８０５で、検出されてもよい。
製品を示す情報を含むソーシャルメディア投稿が検出されると、８１０で、検出されたソーシャルメディア投稿の後に発生した、同じユーザまたは著者による後のソーシャルメディア投稿が予め定められた期間の間、収集される。例示的な実装のいくつかにおいて、同じユーザまたは著者による後のソーシャルメディア投稿の全てが予め定められた期間の間収集される。他の例示的な実装において、製品を示す情報を含む後のメディア投稿だけが収集される（即ち、最初のソーシャルメディア投稿で検出された製品と同じ製品を示す参照または情報を含むソーシャルメディア投稿だけが収集される）。例示的な実装のいくつかにおいて、後の投稿は、６０日間だけ収集されてもよい。他の例示的な実装において、後の投稿は、６０日よりも短い期間だけ収集されてもよいし、６０日よりも長い期間だけ収集されてもよい。
後のソーシャルメディア投稿が予め定められた期間の間収集された後、８１５で、第１ニューラルネットワークを使用して、検出された投稿及び後の投稿の両方は、各々個別に分析され、関連性確率が算出される。検出された投稿及び後の投稿は、閾値を越える算出された関連性確率に基づいて、購入挙動の確率の判定に、関連するか関連しないか分類されてもよいが、必須ではない。例示的な実装のいくつかにおいて、検出された投稿及び後の投稿の関連性確率の算出は、フィードフォワードニューラルネットワークによって行われてもよい。他の例示的な実装において、分類は、他のタイプのニューラルネットワークまたは分類手段によって行われてもよい。関連性確率を算出するプロセスについては、図６を使用して上記されている。
検出された投稿の各々及び収集された後の投稿の何れかについて、関連性確率が算出されると、８２０で、プロセッサは、閾値を越える関連性確率を有する投稿があるか否か判定する。閾値を越える関連性確率を有する投稿がない場合（８２０の判定が否定された場合）、プロセス８００は終了してもよい。例示的な実装のいくつかにおいて、プロセス８００は、８０５に戻り、検出されている特定の製品を示す情報を含む新しいソーシャルメディア投稿が検出されるまで待機してもよいが、必須ではない。一方、閾値を越える関連性確率を有する投稿がある場合（８２０の判定が肯定された場合）、プロセス８００は８２５に進む。例示的な実装のいくつかにおいて、閾値を越える関連性確率を有する投稿がない場合であっても、プロセス８００は８２５に進んでもよいし、８２０の判定を省略してもよい。
８２５で、製品を示す情報を含む投稿の全てが、第２ニューラルネットワークを使用して、順次（即ち、投稿が送信され、または、生成された順序で）分析され、投稿を生成したユーザが識別された製品を購入する確率を判定する。例示的な実装のいくつかにおいて、製品を示す情報を含まない投稿がある場合であっても、投稿の全て（即ち、検出された投稿及び収集された後の投稿の全て）が順次分析されてもよい。例示的な実装のいくつかにおいて、８２５で、シグモイド関数またはSOFTMAX関数を使用して、確率を算出してもよい。
例示的な実装のいくつかにおいて、長・短期記憶ニューラルネットワークを使用して、分析を順次実行してもよい。他の例示的な実装において、分析を順次行うことは、他のタイプのニューラルネットワークによって行われてもよい。投稿を生成したユーザが識別された製品を購入する確率を判定するプロセスについては、図７を使用して詳細に上記されている。
投稿を生成したユーザが識別された製品を購入する確率が判定されると、８３０で、プロセッサは、確率が信頼レベル閾値を越えるか否か判定してもよい。例示的な実装のいくつかにおいて、信頼レベル閾値は、検出された後の投稿の数、取得された最初の投稿及び少なくとも１つの後の投稿の各々の、算出された関連性確率、参照された製品のタイプを含む様々なファクタに基づいて、変動してもよい。信頼レベル閾値は、所望される購入者強度レベルの高さ（即ち、購入する確率が極めて高い購入者）に基づいて変動してもよい。例えば、購入する「確率が極めて高い」購入者だけを対象とすべき場合、信頼レベル閾値は高く設定される。信頼レベル閾値は、所望される購入者成約カウントの高さ（即ち、多くの購入者を獲得する見込み）に基づいて変動してもよい。例えば、潜在的購入者の全てが対象であれば、信頼レベル閾値は低く設定される。
確率が閾値を越えない場合（８３０の判定が否定である場合）、プロセス８００を終了してもよい。例示的な実施形態において、プロセス８００は、８０５に戻り、検出されている特定の製品を示す情報を含む新しいソーシャルメディア投稿が検出されるまで待機してもよいが、必須ではない。一方、確率が閾値を越える場合（８３０の判定が肯定である場合）、プロセス８００は８３５に進む。
８３５で、ユーザに関連付けられている１つもしくは複数の第２ソーシャルメディアアカウントが、検出され、収集された投稿に関連付けられている情報に基づいて、識別される。検出され、収集された投稿に関連付けられている、例えば、ユーザ名、実名、または、何れか他のユーザ識別情報を使用して、（８０５で）検出され、（８１０で）収集された投稿の著者に関連付けられている他のソーシャルメディアアカウントを識別してもよい。１つもしくは複数の第２ソーシャルメディアアカウントは、（例えば、FACEBOOK、LINKEDINなど）ネットワークサイト、（例えば、YOUTUBE（登録商標）、INSTAGRAMなど）メディア共有サイト、または、何れか他のサイトを含み得る。
８４０で、１つもしくは複数の第２ソーシャルメディアアカウントを識別した後、ユーザに関連付けられている情報を、１つもしくは複数の第２ソーシャルメディアアカウントから検出する。例えば、ユーザに関連付けられている情報は、年齢、地理的位置、関心、趣味、または何れか他の情報を含み得る。
８４５で、製品に関連する追加的な情報を、１つもしくは複数の第２ソーシャルメディアアカウントから検出される情報に基づいて、ユーザに合わせて調整してもよい。例えば、製品の広告を、ユーザの年齢及び他の購買層情報に合わせて調整してもよい。また、新しい機能または購入者レビューに関する情報を、ユーザの趣味または関心に合わせて調整してもよい。また、近日行われる予定のセール、ディスカウントまたはリベートに関する情報を、ユーザの地理的領域に合わせて調整してもよい。
製品に関する追加的な情報をユーザに合わせて調整した後、８５０で、調整した情報を検出された投稿に関連付けられているユーザ、例えば、ソーシャルメディアアカウントの著者またはユーザ、に送信してもよい。ウェブブラウザポップアップ、電子メール、インスタントメッセージ、ソーシャルメディアメッセージ、または、ソーシャルメディアアカウントユーザに情報を送信する何れか他の機構を含む様々な方法で、情報を送信し得る。
追加的な情報を検出された投稿に関連付けられたユーザに送信した後、プロセス８００を終了してもよい。例示的な実装のいくつかにおいて、プロセス８００は８０５に戻り、検出されている特定の製品を示す情報を含む新しいソーシャルメディア投稿が検出されるまで待機してもよいが、必須ではない。
「例示的な実装の評価」
異なるベースラインモデルのいくつかを使用した例示的な実装で、ソーシャルメディア投稿関連性予測及びユーザ購入確率判定の両方について、評価を行う。評価の結果について、以下で説明する。
投稿関連性予測について検証したベースラインモデルは、単純ロジスティック回帰モデル、フィードフォワード（ＦＦ）ニューラルネットワーク、リカレントニューラルネットワーク（ＲＮＮ）、及び長・短期記憶（ＬＳＴＭ）ニューラルネットワークを含む。ロジスティック回帰モデルは、入力を重みマトリックス及びバイアスベクトルと結合し、確率を生成するSOFTMAX分類層を介して、出力の各々に供給する。フィードフォワードニューラルネットワークは、SOFTMAXの下にある隠れ層を介して、より複雑な関数を算出することができる。シグモイド関数を使用して、隠れ層に非線形の特徴を持たせる。
リカレントニューラルネットワークでは、投稿の始まりのワードの情報を保存し、予測を行うために、投稿の最後のワードに到達するまで、アクセス可能とする。長・短期記憶ニューラルネットワーク実装では、入力ゲート、忘却ゲート、及び候補メモリセル（candidate memory cell）を、現在の「タイムステップ」での入力及び以前の「タイムステップ」での隠れ層を使用して算出する。
モデルを比較するために、ベースラインとして、フィードフォワードネットワーク、リカレントニューラルネットワーク、及び長・短期メモリニューラルネットワークのパフォーマンスを、投稿の個々にわたって順次調べるのではなく、複数のソーシャルメディア投稿、詳細には、マイクロブログ投稿に関して評価した。
ロジスティック、フィードフォワード、リカレントニューラルネットワーク関連性モデルを、まず、別個に訓練し、次に長・短期記憶モデルを訓練する。１０分割交差検証を使用して、パフォーマンスを評価する。
［ソーシャルメディア投稿関連性評価結果］
ソーシャルメディア投稿関連性について、ベースラインモデルを、４セットのソーシャルメディア投稿で評価する。セットの各々は、モバイルデバイス、カメラ、ゲームコンソール、または、モバイルデバイス及びカメラの両方、のカテゴリの１つである製品について記述している。表１は、製品の各々のタイプについてのパフォーマンスを示す。
示された数字は、関連性モデルの各々について、適切に分類された投稿をパーセントで表す。
表１は、１０分割交差検証の結果を示す。例示されるように、モバイルデバイス及びカメラの情報を結合したカテゴリの関連性を判定することは、３個の個別の製品の関連性を判定するよりも困難である。おそらく、カメラについての領域特定関連性指針とモバイルデバイスについての領域特定関連性指針との差異が、関連性の判定を困難とさせている。一方、ゲームコンソールに関するパフォーマンス効率は、モバイルデバイスまたはカメラのパフォーマンス効率より高い。おそらく、ゲームコンソールモデルの数が少なく、したがって、コメントにおける変化が少ないため、パフォーマンス効率が高い。
［顧客購入予測結果］
ソーシャルメディアアカウントユーザの各々について、６０日以内の製品に関する記述を含む全てのソーシャルメディア投稿を使用し、１００より少ない製品に関連するソーシャルメディア投稿を書いたユーザに対する情報を使用した。モバイルデバイス、カメラ及び結合した製品カテゴリに関するモデルについて評価した。製品の購入について記述していないソーシャルメディアアカウントユーザを、負の例として使用し、モデルを当該ユーザの、製品が欲しいと記述した最近の投稿前６０日以内のソーシャルメディア投稿で訓練する。製品の購入について投稿したソーシャルメディアアカウントユーザを正の例として使用する。しかしながら、訓練には、「購入した」投稿（即ち、製品を購入したことを記述した投稿）または、後日書かれた投稿の何れかを使用しない（即ち、「購入した」投稿の投稿前６０日に書かれたソーシャルメディア投稿だけが使用される）。
表２は、多くても６０日よりも以前のソーシャルメディア投稿に基づいて、ユーザが製品を購入するか否か予測する１０分割交差検証の結果を例示する。予測されるように、このタスクは、投稿関連性タスクよりも困難である。長・短期記憶ニューラルネットワークは、リカレントニューラルネットワークよりも矛盾なく動作する。長・短期ニューラルネットワークは、リカレントニューラルネットワークよりも、遡った時間からの情報を保持することができるからである。例示するように、最適モデルは、評価される製品カテゴリに依存して変動する。しかしながら、一般的に、予測確率による長・短期記憶ニューラルネットワークは、単純長・短期記憶ニューラルネットワークよりも適切に動作するようである。関連性最下層との動作の差異については、訓練における、関連性がない投稿に対する関連性がある投稿の割合が、他の製品の各々の割合よりも高い、唯一の製品がカメラであることで説明できるかもしれない。他の製品では、関連性がない投稿が多い。
上記結果は、例示的な目的で提供した。上記結果は、他のテスト結果で置き替えてもよい。例示的な実装は、上記例示的な結果に限定されない。例示的な実装は、様々なファクタに依存して異なる結果を示してもよい。
「例示的な計算処理環境」
図９は、例示的な実装のいくつかでの使用に適した、例示的な計算処理デバイス９０５を含む計算処理環境９００を例示する。計算処理環境９００の計算処理デバイス９０５は、１つもしくは複数の処理ユニット、コア、プロセッサ９１０、メモリ９１５（例えば、ＲＡＭ、ＲＯＭなど）、内部ストレージ９２０（例えば、磁気、光、ソリッドステートストレージ、有機ストレージなど）、及び／または、Ｉ／Ｏインターフェイス９２５を含むことができ、これらの何れかは、通信機構、または、情報の伝達を行うバス９３０によって接続されていてもよいし、計算処理デバイス９０５に埋め込まれていてもよい。
計算処理デバイス９０５は、入力／ユーザインターフェイス９３５及び出力デバイス／インターフェイス９４０と通信可能に接続されていてもよい。入力／ユーザインターフェイス９３５及び出力デバイス／インターフェイス９４０の何れかまたは両方は、有線または無線インターフェイスであってよく、着脱可能であってよい。入力／ユーザインターフェイス９３５は、入力を提供するために使用される何れかのデバイス、コンポーネント、センサ、またはインターフェイス（例えば、ボタン、タッチスクリーンインターフェイス、キーボード、ポインティング／カーソルコントロール、マイクロフォン、カメラ、点字器、モーションセンサ、オプティカルリーダなど）を物理的または仮想的に含むことができる。出力デバイス／インターフェイス９４０は、ディスプレイ、テレビ、モニタ、プリンタ、スピーカ、点字器などを含むことができる。例示的な実装のいくつかにおいて、入力／ユーザインターフェイス９３５及び出力デバイス／インターフェイス９４０は、計算処理デバイス９０５に埋め込まれていてもよいし、計算処理デバイス９０５に物理的に接続されていてもよい。他の例示的な実装において、他の計算処理デバイスが、計算処理デバイス９０５の入力／ユーザインターフェイス９３５及び出力デバイス／インターフェイス９４０として機能してもよいし、これらの機能を提供してもよい。
計算処理デバイス９０５の例は、高機能モバイルデバイス（例えば、スマートフォン、乗り物のデバイス及び他のマシン、人間及び動物によって搬送されるデバイスなど）、モバイルデバイス（例えば、タブレット、ノートブック、ラップトップ、パーソナルコンピュータ、ポータブルテレビ、ラジオなど）、及び、モバイル用に設計されていないデバイス（例えば、デスクトップコンピュータ、サーバデバイス、他のコンピュータ、情報キオスク、１つもしくは複数のプロセッサが埋め込まれた、及び／または、接続されているテレビ、ラジオなど）を含み得るが、これらに限定されない。
計算処理デバイス９０５は、外部ストレージ９４５及びネットワーク９５０と、（例えば、Ｉ／Ｏインターフェイス９２５を介して）通信可能に接続され、何れか複数のネットワークコンポーネント、デバイス及び、同じまたは異なる構成を有する１つもしくは複数の計算処理デバイスを含むシステムと通信を行ってもよい。計算処理デバイス９０５または何れかの接続された計算処理デバイスは、サーバ、クライアント、シンサーバ、汎用マシン、特定用途マシンなどとして機能してもよいし、これらのサービスを提供してもよいし、これらとして参照されてもよい。
Ｉ／Ｏインターフェイス９２５は、何れかの通信またはＩ／Ｏプロトコルまたは規格（例えば、イーサネット（登録商標）、８０２．１１ｘ、ＵＳＢ（Universal System Bus）、ＷｉＭＡＸ、モデム、携帯電話ネットワークプロトコルなど）を使用する有線及び／または無線インターフェイスを含むことができ、少なくとも全ての接続されたコンポーネント、デバイス及びネットワーク計算処理環境９００に、及び／または、これらから情報を伝達してもよい。ネットワーク９５０は、何れかのネットワークまたはネットワークの組み合わせであってよい（例えば、インターネット、ＬＡＮ（local area network）、ＷＡＮ（wide area network）、固定電話ネットワーク、携帯電話ネットワーク、衛星ネットワークなどであってよい）。
計算処理デバイス９０５は、一時的媒体及び非一時的媒体を含む、コンピュータ使用可能またはコンピュータ読取可能媒体を使用してもよいし、及び／または、これらを使用して通信を行ってもよい。一時的媒体は、伝送媒体（例えば、金属ケーブル、光ファイバ）、信号、搬送波などを含む。非一時的媒体は、磁気媒体（例えば、ディスク及びテープ）、光媒体（例えば、ＣＤ−ＲＯＭ、デジタルビデオディスク、Ｂｌｕ−ｒａｙ（登録商標）ディスク）、ソリッドステート媒体（例えば、ＲＡＭ、ＲＯＭ、フラッシュメモリ、ソリッドステートストレージ）及び他の不揮発性ストレージまたはメモリを含む。
計算処理デバイス９０５は、例示的な計算処理環境のいくつかにおける技術、方法、アプリケーション、プロセス、またはコンピュータ実行可能命令を実装するために使用され得る。コンピュータ実行可能命令は、一時的媒体から取り出され、非一時的媒体に保存され、非一時的媒体から取り出されてもよい。実行可能命令は、何れかのプログラミング言語、スクリプト言語、及びマシン言語（例えば、Ｃ、Ｃ＋＋、Ｃ＃、Ｊａｖａ（登録商標）、Ｖｉｓｕａｌ Ｂａｓｉｃ、Ｐｙｔｈｏｎ、Ｐｅｒｌ、ＪａｖａＳｃｒｉｐｔ（登録商標）など）の何れかの１つもしくは複数で生成されていてもよい。
プロセッサ９１０は、自然環境または仮想環境において、(図示しない）オペレーティングシステム（ＯＳ）の何れかの下で稼動してもよい。論理ユニット９５５、ＡＰＩ（application programming interface）ユニット９６０、入力ユニット９６５、出力ユニット９７０、投稿検出ユニット９７５、投稿関連性算出ユニット９８０、確率判定ユニット９８５、情報送信ユニット９９０、及び、異なるユニット間の相互通信を行うユニット間通信機構９９５、ＯＳ、及び（図示しない）他のアプリケーションを含む、１つもしくは複数のアプリケーションを展開することができる。例えば、投稿検出ユニット９７５、投稿関連性算出ユニット９８０、確率判定ユニット９８５、情報送信ユニット９９０は、図５〜図８に示される１つもしくは複数のプロセスを実装してもよい。記述されたユニット及び構成要素は、設計、機能、構成または実装によって変動し得、上記説明に限定されない。
例示的な実装のいくつかにおいて、ＡＰＩユニット９６０が情報または実行命令を受信すると、これらは、１つもしくは複数の他のユニット（例えば、論理ユニット９５５、入力ユニット９６５、出力ユニット９７０、投稿検出ユニット９７５、投稿関連性算出ユニット９８０、確率判定ユニット９８５、及び情報転送ユニット９９０）に伝達されてもよい。例えば、ソーシャルメディア投稿を入力ユニット９６５を介して受信すると、投稿検出ユニット９７５は投稿を分析し、製品に対する参照を検出してもよい。さらに、投稿検出ユニット９７５が参照を検出すると、投稿検出ユニット９７５は後の投稿も収集してもよい。投稿検出ユニット９７５が参照を検出し、後の投稿を収集すると、関連性算出ユニット９８０は、収集した投稿の関連性確率を算出し、必須ではないが、関連する投稿か、関連しない投稿か、分類してもよい。また、確率判定ユニット９８５は、収集した投稿を評価し、参照された製品をユーザが購入する確率を判定してもよい。確率判定ユニット９８５の判定に基づいて、情報送信ユニット９９０は、出力ユニット９７０を使用して参照された製品に関する情報を送信してもよい。
いくつかの例において、論理ユニット９５５は、ユニット間の情報フローを制御し、上記例示的な実装のいくつかにおける、ＡＰＩユニット９６０、入力ユニット９６５、出力ユニット９７０、投稿検出ユニット９７５、投稿関連性算出ユニット９８０、確率判定ユニット９８５、及び情報送信ユニット９９０が提供するサービスを指示する。例えば、１つもしくは複数のプロセスまたは実装のフローを、論理ユニット９５５単独で制御してもよいし、論理ユニット９５５とＡＰＩユニット９６０とで制御してもよい。
ここで説明した内容は、上記の例示的な実装に限定されず、様々な形態で実装され得る。ここで説明した内容は、詳細に定義され、または、説明された事項なしで実行可能であり、もしくは、他の、異なる、または上記していない構成要素または事項によっても実行可能である。
４００ 挙動予測エンジン
４０５ 隠れ層
４１０ 入力層
４１５ 最下層
９００ ネットワーク計算処理環境
９０５ 計算処理デバイス
９１０ プロセッサ
９１５ メモリ

Claims (20)

  1. コンピュータが、
    製品を示し、第１ソーシャルメディアアカウントに関連付けられている第１投稿及び少なくとも１つの後の投稿を取得し、
    第１ニューラルネットワークを使用して、取得した前記第１投稿及び少なくとも１つの後の投稿の各々について関連性確率を算出し、
    第２ニューラルネットワークを使用して、投稿の各々を順次分析することで、投稿の各々に関連付けられている購入確率に関連する出力値を判定し、
    投稿の各々に関連付けられている、判定された前記出力値及び算出された前記関連性確率に基づいて、前記製品の購入確率を算出し、
    算出された、前記製品の購入確率に基づいて、取得された前記第１投稿に関連付けられているユーザに対して、製品関連情報を送信する、
    ユーザの挙動を認識して製品関連情報を送信する方法。
  2. 前記製品関連情報を送信することは、
    前記ユーザに関連付けられている第２ソーシャルメディアアカウントを識別し、
    識別された前記第２ソーシャルメディアアカウントに基づいて、前記ユーザに関連付けられている情報を検出し、
    検出された前記情報に基づいて、前記製品に関連する前記情報を調整する、
    ことを含む、
    請求項１に記載の方法。
  3. 取得した前記第１投稿及び少なくとも１つの後の投稿の各々について関連性確率を算出することは、フィードフォワードニューラルネットワークを使用して、取得した前記第１投稿及び前記少なくとも１つの後の投稿の各々に個別に関連付けられているコンテンツ情報に基づいて、取得した前記第１投稿及び前記少なくとも１つの後の投稿の各々の関連性確率を算出する、ことを含む、
    請求項１または請求項２に記載の方法。
  4. 取得した前記第１投稿及び少なくとも１つの後の投稿の各々について関連性確率を算出することは、取得した前記第１投稿及び前記少なくとも１つの後の投稿を、前記製品の購入確率の判定に、関連するか関連しないか分類することを含む、
    請求項１〜請求項３の何れか１項に記載の方法。
  5. 購入確率に関連する出力値を判定することは、記憶によるニューラルネットワークを使用して投稿の各々を順次分析することを含む、
    請求項１〜請求項４の何れか１項に記載の方法。
  6. 投稿の各々を順次分析することは、
    取得した前記第１投稿に関連付けられている第１出力値を、前記第１投稿のコンテンツに基づいて判定し、
    前記少なくとも１つの後の投稿に関連付けられている第２出力値を、前記少なくとも１つの後の投稿のコンテンツ及び取得された前記第１投稿の判定された前記第１出力値に基づいて、判定し、
    最大出力値を、取得した前記第１投稿に関連付けられている判定された前記第１出力値及び前記少なくとも１つの後の投稿に関連付けられている判定された前記第２出力値に基づいて、判定する、
    ことを含む、
    請求項５に記載の方法。
  7. 製品の購入確率を算出することは、
    SOFTMAX関数を使用して、前記製品の購入確率を算出し、
    信頼レベル閾値を越える、算出された前記購入確率に基づいて、前記製品の購入の可能性を有するユーザを分類し、
    前記信頼レベル閾値は、取得される後の投稿の数、前記第１投稿及び前記少なくとも１つの後の投稿の各々の算出された関連性確率、所望される購入者強度レベルの高さ、所望される購入者成約率、及び製品のタイプの少なくとも１つに基づいて変動する、
    ことをさらに含む、
    請求項６に記載の方法。
  8. 算出された前記製品の購入確率に基づいて、予測される購入者としてユーザを分類することをさらに含む、請求項１〜請求項７の何れか１項に記載の方法。
  9. 前記第１ソーシャルメディアアカウントはマイクロブログのアカウントである、請求項１〜請求項８の何れか１項に記載の方法。
  10. 第１投稿及び少なくとも１つの後の投稿を取得することは、予め定められた期間内にされた前記後の投稿を複数収集することを含む、請求項１〜請求項９の何れか１項に記載の方法。
  11. 前記期間は６０日間である、請求項１０に記載の方法。
  12. 製品を示し、第１ソーシャルメディアアカウントに関連付けられている第１投稿及び少なくとも１つの後の投稿を取得し、
    第１ニューラルネットワークを使用して、取得した前記第１投稿及び少なくとも１つの後の投稿の各々について関連性確率を算出し、
    第２ニューラルネットワークを使用して、投稿の各々を順次分析することで、投稿の各々に関連付けられている購入確率に関連する出力値を判定し、
    投稿の各々に関連付けられている、判定された前記出力値及び算出された前記関連性確率に基づいて、前記製品の購入確率を算出し、
    算出された、前記製品の購入確率に基づいて、取得された前記第１投稿に関連付けられているユーザに対して、製品関連情報を送信する、
    ユーザの挙動を認識して製品関連情報を送信する処理をコンピュータに実行させるためのプログラム。
  13. 前記製品関連情報を送信することは、
    前記ユーザに関連付けられている第２ソーシャルメディアアカウントを識別し、
    識別された前記第２ソーシャルメディアアカウントに基づいて、前記ユーザに関連付けられている情報を検出し、
    検出された前記情報に基づいて、前記製品に関連する前記情報を調整する、
    ことを含む、
    請求項１２に記載のプログラム。
  14. 取得した前記第１投稿及び少なくとも１つの後の投稿の各々について関連性確率を算出することは、フィードフォワードニューラルネットワークを使用して、取得した前記第１投稿及び前記少なくとも１つの後の投稿の各々に個別に関連付けられているコンテンツ情報に基づいて、取得した前記第１投稿及び前記少なくとも１つの後の投稿の各々の関連性確率を算出する、ことを含む、
    請求項１２または請求項１３に記載のプログラム。
  15. 購入確率に関連する出力値を判定することは、記憶によるニューラルネットワークを使用して投稿の各々を順次分析することを含み、
    投稿の各々を順次分析することは、
    取得した前記第１投稿に関連付けられている第１出力値を、前記第１投稿のコンテンツに基づいて判定し、
    前記少なくとも１つの後の投稿に関連付けられている第２出力値を、前記少なくとも１つの後の投稿のコンテンツ及び取得された前記第１投稿の判定された前記第１出力値に基づいて、判定し、
    最大出力値を、取得した前記第１投稿に関連付けられている判定された前記第１出力値及び前記少なくとも１つの後の投稿に関連付けられている判定された前記第２出力値に基づいて、判定する、
    ことを含む、
    請求項１２〜請求項１４の何れか１項に記載のプログラム。
  16. 製品の購入確率を算出することは、
    SOFTMAX関数を使用して、前記製品の購入確率を算出し、
    信頼レベル閾値を越える、算出された前記購入確率に基づいて、前記製品の購入の可能性を有するユーザを分類し、
    前記信頼レベル閾値は、取得される後の投稿の数、前記第１投稿及び前記少なくとも１つの後の投稿の各々の算出された関連性確率、所望される購入者強度レベルの高さ、所望される購入者成約率、及び製品のタイプの少なくとも１つに基づいて変動する、
    ことをさらに含む、
    請求項１５に記載のプログラム。
  17. メモリと、
    プロセッサと、
    を含む、サーバ装置であって、
    前記プロセッサは、
    製品を示し、第１ソーシャルメディアアカウントに関連付けられている第１投稿及び少なくとも１つの後の投稿を取得し、
    第１ニューラルネットワークを使用して、取得した前記第１投稿及び少なくとも１つの後の投稿の各々について関連性確率を算出し、
    第２ニューラルネットワークを使用して、投稿の各々を順次分析することで、投稿の各々に関連付けられている購入確率に関連する出力値を判定し、
    投稿の各々に関連付けられている、判定された前記出力値及び算出された前記関連性確率に基づいて、前記製品の購入確率を算出し、
    算出された、前記製品の購入確率に基づいて、取得された前記第１投稿に関連付けられているユーザに対して、製品関連情報を送信する、
    ユーザの挙動を認識して製品関連情報を送信するサーバ装置。
  18. 取得した前記第１投稿及び少なくとも１つの後の投稿の各々について関連性確率を算出することは、フィードフォワードニューラルネットワークを使用して、取得した前記第１投稿及び前記少なくとも１つの後の投稿の各々に個別に関連付けられているコンテンツ情報に基づいて、取得した前記第１投稿及び前記少なくとも１つの後の投稿の各々の関連性確率を算出する、ことによる、
    請求項１７に記載のサーバ装置。
  19. 購入確率に関連する出力値を判定することは、記憶によるニューラルネットワークを使用して、
    取得した前記第１投稿に関連付けられている第１出力値を、前記第１投稿のコンテンツに基づいて判定し、
    前記少なくとも１つの後の投稿に関連付けられている第２出力値を、前記少なくとも１つの後の投稿のコンテンツ及び取得された前記第１投稿の判定された前記第１出力値に基づいて、判定し、
    最大出力値を、取得した前記第１投稿に関連付けられている判定された前記第１出力値及び前記少なくとも１つの後の投稿に関連付けられている判定された前記第２出力値に基づいて、判定する、
    ことによる、
    請求項１７または請求項１８に記載のサーバ装置。
  20. 前記プロセッサは、さらに、
    SOFTMAX関数を使用して、前記製品の購入確率を算出し、
    信頼レベル閾値を越える、算出された前記購入確率に基づいて、前記製品の購入の可能性を有するユーザを分類し、
    前記信頼レベル閾値は、取得される後の投稿の数、前記第１投稿及び前記少なくとも１つの後の投稿の各々の算出された関連性確率、所望される購入者強度レベルの高さ、所望される購入者成約率、及び製品のタイプの少なくとも１つに基づいて変動する、
    請求項１９に記載のサーバ装置。
JP2016240460A 2015-12-11 2016-12-12 製品関連情報を送信する方法、プログラム、及びサーバ装置。 Active JP6838376B2 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US14/966,438 2015-12-11
US14/966,438 US10453099B2 (en) 2015-12-11 2015-12-11 Behavior prediction on social media using neural networks

Publications (2)

Publication Number Publication Date
JP2017107569A JP2017107569A (ja) 2017-06-15
JP6838376B2 true JP6838376B2 (ja) 2021-03-03

Family

ID=59019335

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2016240460A Active JP6838376B2 (ja) 2015-12-11 2016-12-12 製品関連情報を送信する方法、プログラム、及びサーバ装置。

Country Status (2)

Country Link
US (1) US10453099B2 (ja)
JP (1) JP6838376B2 (ja)

Families Citing this family (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11676060B2 (en) * 2016-01-20 2023-06-13 Adobe Inc. Digital content interaction prediction and training that addresses imbalanced classes
JP6719727B2 (ja) * 2016-03-23 2020-07-08 富士ゼロックス株式会社 購買行動分析装置およびプログラム
US10699183B2 (en) * 2016-03-31 2020-06-30 ZenDesk, Inc. Automated system for proposing help center articles to be written to facilitate resolving customer-service requests
US10580012B2 (en) * 2016-03-31 2020-03-03 ZenDesk, Inc. Article-suggestion system for automatically resolving customer-service requests
US11436610B2 (en) * 2016-03-31 2022-09-06 ZenDesk, Inc. Automatically clustering customer-support requests to form customer-support topics
US10452671B2 (en) * 2016-04-26 2019-10-22 Facebook, Inc. Recommendations from comments on online social networks
US10171407B2 (en) * 2016-08-11 2019-01-01 International Business Machines Corporation Cognitive adjustment of social interactions to edited content
JP6178480B1 (ja) * 2016-10-20 2017-08-09 株式会社Ｆｒｏｎｔｅｏ データ分析システム、その制御方法、プログラム、及び、記録媒体
US10878478B2 (en) * 2016-12-22 2020-12-29 Facebook, Inc. Providing referrals to social networking users
US10902345B2 (en) 2017-01-19 2021-01-26 International Business Machines Corporation Predicting user posting behavior in social media applications
US10817509B2 (en) * 2017-03-16 2020-10-27 Massachusetts Institute Of Technology System and method for semantic mapping of natural language input to database entries via convolutional neural networks
US10002322B1 (en) 2017-04-06 2018-06-19 The Boston Consulting Group, Inc. Systems and methods for predicting transactions
US11074500B2 (en) 2017-06-20 2021-07-27 Battelle Memorial Institute Prediction of social media postings as trusted news or as types of suspicious news
CN107506414B (zh) * 2017-08-11 2020-01-07 武汉大学 一种基于长短期记忆网络的代码推荐方法
US10678786B2 (en) * 2017-10-09 2020-06-09 Facebook, Inc. Translating search queries on online social networks
US11488203B2 (en) * 2018-02-01 2022-11-01 Socialminingai, Inc. System and a method for identifying prospects with a buying intent and connecting them with relevant businesses
US11200591B2 (en) * 2018-05-30 2021-12-14 Paypal, Inc. Electronic content based on neural networks
US20200142962A1 (en) * 2018-11-07 2020-05-07 Jpmorgan Chase Bank, N.A. Systems and methods for content filtering of publications
US11720927B2 (en) * 2021-01-13 2023-08-08 Samsung Electronics Co., Ltd. Method and apparatus for generating user-ad matching list for online advertisement
US11714997B2 (en) 2021-03-17 2023-08-01 Paypal, Inc. Analyzing sequences of interactions using a neural network with attention mechanism
US11983230B2 (en) 2021-08-03 2024-05-14 Capital One Services, Llc Systems and methods for data aggregation and cyclical event prediction

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2508586A1 (en) * 2004-05-28 2005-11-28 Infinian Corporation Service provider system and method for marketing programs
JP2009098964A (ja) * 2007-10-17 2009-05-07 Oki Telecommunication Systems Co Ltd ネットワークサービスシステム、サーバ、方法及びプログラム
US20100121707A1 (en) * 2008-11-13 2010-05-13 Buzzient, Inc. Displaying analytic measurement of online social media content in a graphical user interface
US10235688B2 (en) * 2010-12-24 2019-03-19 First Data Corporation Web and mobile device advertising
US20140244361A1 (en) * 2013-02-25 2014-08-28 Ebay Inc. System and method of predicting purchase behaviors from social media
US20160012511A1 (en) * 2013-06-25 2016-01-14 Kobo Incorporated Methods and systems for generating recommendation list with diversity
US9620145B2 (en) * 2013-11-01 2017-04-11 Google Inc. Context-dependent state tying using a neural network
JP6169511B2 (ja) * 2014-03-10 2017-07-26 Kddi株式会社 コメント文章に基づいて投稿者の心理遷移を分析する装置、プログラム及び方法
US20160267377A1 (en) * 2015-03-12 2016-09-15 Staples, Inc. Review Sentiment Analysis

Also Published As

Publication number Publication date
US10453099B2 (en) 2019-10-22
US20170169475A1 (en) 2017-06-15
JP2017107569A (ja) 2017-06-15

Similar Documents

Publication Publication Date Title
JP6838376B2 (ja) 製品関連情報を送信する方法、プログラム、及びサーバ装置。
Kumar et al. Systematic literature review of sentiment analysis on Twitter using soft computing techniques
US11087202B2 (en) System and method for using deep learning to identify purchase stages from a microblog post
EP3757995A1 (en) Music recommendation method and apparatus, and computing device and medium
US20140279751A1 (en) Aggregation and analysis of media content information
JP6662119B2 (ja) ソーシャルメディア投稿のキャプションを生成する方法、プログラム及びサーバ装置
US11416680B2 (en) Classifying social media inputs via parts-of-speech filtering
WO2016035072A2 (en) Sentiment rating system and method
CN109933782B (zh) 用户情绪预测方法和装置
Sulthana et al. Sentiment analysis in twitter data using data analytic techniques for predictive modelling
Ahmed et al. Sentiment analysis for smart cities: state of the art and opportunities
Gandhe et al. Sentiment analysis of Twitter data with hybrid learning for recommender applications
US11501059B2 (en) Methods and systems for auto-filling fields of electronic documents
Del Mar-Raave et al. A machine learning-based forensic tool for image classification-A design science approach
Sharma et al. Various methods to classify the polarity of text based customer reviews using sentiment analysis
Shaik et al. Recurrent neural network with emperor penguin-based Salp swarm (RNN-EPS2) algorithm for emoji based sentiment analysis
WO2022233421A1 (en) Systems and methods for real-time determinations of mental health disorders using multi-tier machine learning models based on user interactions with computer systems
Kancharapu et al. Suicidal ideation prediction based on social media posts using a GAN-infused deep learning framework with genetic optimization and word embedding fusion
Latha et al. Product recommendation using enhanced convolutional neural network for e-commerce platform
Anwar et al. Social relationship analysis using state-of-the-art embeddings
Kotsakis et al. A web framework for information aggregation and management of multilingual hate speech
Singh et al. AI-based personality prediction for human well-being from text data: a systematic review
Anjum et al. Sentiment analysis of Twitter tweets for mobile phone brands
Ghosh et al. Social media sentiment analysis on third booster dosage for COVID-19 vaccination: a holistic machine learning approach
US11973832B2 (en) Resolving polarity of hosted data streams

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20191125

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20200914

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20201104

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20201223

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: 20210112

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20210125

R150 Certificate of patent or registration of utility model

Ref document number: 6838376

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