JP6866069B2 - 情報処理装置、情報処理方法および情報処理プログラム - Google Patents

Description

本発明は、情報処理装置、情報処理方法および情報処理プログラムに関する。

近年、インターネットの飛躍的な普及に伴い、インターネットを介した広告配信が盛んに行われている。例えば、広告媒体（ウェブページ）に設定された広告枠に、企業や商品等の広告コンテンツを表示し、かかる広告コンテンツがクリックされた場合に、広告主のウェブページへ遷移させる広告配信が行われている。

また、このような広告配信では、広告コンテンツを掲載する対価として、広告主に課金する課金額である入札単価（ＣＰＣ：Cost Per Click）が使用される場合がある。

ここで、広告コンテンツに対して設定する入札単価を制御する技術が提案されている。例えば、検索キーワードに基づいて、広告コンテンツのコンバージョン率（ＣＶＲ：Conversion Rate）に対応した入札単価を広告コンテンツに対して設定する技術が提案されている（特許文献１）。

また、入札単価の代わりに、所定の広告コンテンツから商品購入や会員登録等の利益につながる成果を１件獲得するのにかかるコストであるコンバージョン単価（ＣＰＡ：Cost Per Action）の目標値である目標コンバージョン単価を広告主に設定させることで、かかる目標コンバージョン単価に基づいて、広告コンテンツに対して設定する入札単価を算出する技術（コンバージョンオプティマイズと呼ばれる）が提案されている。

特開２００６−３５０６６８号公報

しかしながら、上記の従来技術では、コンバージョン率の予測精度を高めることができるとは限らない。具体的には、特許文献１では、広告コンテンツに対して登録される登録キーワードと、検索に用いられた検索キーワードとが一致する広告コンテンツのうち、所定の広告コンテンツを出力する。そして、出力した広告コンテンツに対応する登録キーワードと検索キーワードとの一致度に基づく重みを、出力した広告コンテンツの入札単価に乗じたものを最終的な入札単価とする。

また、コンバージョンオプティマイズでは、目標コンバージョン単価とコンバージョン率とを乗じることにより、入札単価を算出する。ここで、コンバージョン率は、広告コンテンツのクリック数に対する当該広告コンテンツから得られたコンバージョン数の割合として算出されるが、例えば、実績として少ないクリック数やコンバージョン数から算出されたコンバージョン率は必ずしも信頼に足る値といえない場合がある。このようなことから、上記の従来技術では、コンバージョン率の予測精度を高めることができるとは限らない。

本願は、上記に鑑みてなされたものであって、コンバージョン率の予測精度を高めることができる情報処理装置を提供することを目的とする。

本願にかかる情報処理装置は、第１コンテンツの遷移先の第２コンテンツに関する指標値であって、前記第１コンテンツの配信対象のユーザが示す興味の度合いに関する指標値を予測する予測部と、前記予測部によって予測された指標値に基づいて、前記第１コンテンツのコンバージョン率を補正する補正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、コンバージョン率の予測精度を高めることができるといった効果を奏する。

図１は、実施形態にかかる情報処理の一例を示す図である。 図２は、実施形態にかかる情報処理装置の構成例を示す図である。 図３は、実施形態にかかるユーザ情報記憶部の一例を示す図である。 図４は、実施形態にかかる広告情報記憶部の一例を示す図である。 図５は、実施形態にかかる履歴情報記憶部の一例を示す図である。 図６は、実施形態にかかる予測モデル記憶部の一例を示す図である。 図７は、実施形態にかかる情報処理装置による情報処理手順を示すフローチャートである。 図８は、情報処理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、本願にかかる情報処理装置、情報処理方法および情報処理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かかる情報処理装置、情報処理方法および情報処理プログラムが限定されるものではない。

〔１．情報処理〕
まず、図１を用いて、実施形態にかかる情報処理の一例について説明する。図１は、施形態にかかる情報処理の一例を示す図である。図１の例では、情報処理システム１は、広告主端末１０と、端末装置２０と、情報提供装置３０と、情報処理装置１００とを有する。そして、広告主端末１０と、端末装置２０と、情報提供装置３０と、情報処理装置１００とは、ネットワークを介して有線または無線により通信可能に接続される。なお、図１に示す情報処理システム１には、複数台の広告主端末１０と、複数台の端末装置２０と、複数台の情報提供装置３０と、複数台の情報処理装置１００とが含まれてもよい。また、本実施形態では、情報提供装置３０および情報処理装置１００は、事業者Ｔ１によって管理されているものとする。

広告主端末１０は、広告主によって利用される端末装置である。例えば、広告主端末１０は、タブレット型端末、ＰＣ（Personal Computer）、携帯電話機、ＰＤＡ（Personal Digital Assistant）等である。また、広告主端末１０は、広告主の操作に従って、広告コンテンツを情報処理装置１００に入稿する。

例えば、広告主端末１０は、静止画像、動画像、テキストデータ等に該当する広告コンテンツを情報処理装置１００に入稿する。また、例えば、広告主端末１０は、広告コンテンツが選択操作（例えば、クリックやタップ）された場合に、遷移させる遷移先コンテンツのＵＲＬ（Uniform Resource Locator）に該当する広告コンテンツを情報処理装置１００に入稿する。なお、以下では、選択操作をクリックとして説明する。

さらに、広告主端末１０は、広告主の操作に従って、広告コンテンツから商品購入や会員登録等の利益につながる成果を１件獲得するのにかかるコストであるコンバージョン単価の目標値である目標コンバージョン単価を対応する広告コンテンツに設定するよう情報処理装置１００に指示する。

なお、目標コンバージョン単価は、所定数（例えば、「１０」）以上のコンバージョンが得られている広告コンテンツにのみ設定可能とすることが予め決められている。このため、広告主は、例えば、既に入稿している自身の広告コンテンツが所定数以上のコンバージョンを達成している場合には、かかる広告コンテンツについて、目標コンバージョン単価を設定する。

端末装置２０は、ユーザによって利用される端末装置である。例えば、端末装置２０は、タブレット型端末、ＰＣ、携帯電話機、ＰＤＡ等である。例えば、端末装置２０は、情報提供装置３０にアクセスすることで、情報提供装置３０からウェブページを取得し、取得したウェブページを表示画面に表示する。

また、端末装置２０は、ウェブページに広告枠が含まれる場合には、情報処理装置１００にアクセスすることで、情報処理装置１００から広告コンテンツを取得し、取得した広告コンテンツを、かかる広告枠に表示する。

情報提供装置３０は、端末装置２０にウェブページ等のコンテンツを提供するコンテンツサーバである。情報提供装置３０は、例えば、ニュースサイト、オークションサイト、天気予報サイト、ショッピングサイト、ファイナンス（株価）サイト、路線検索サイト、地図提供サイト、旅行サイト、グルメサイト、ウェブブログ等に関する各種ウェブページを提供する。

情報処理装置１００は、広告主端末１０から入稿された広告コンテンツを配信するサーバ装置である。上記の通り、情報処理装置１００は、端末装置２０からアクセスされた場合に、広告コンテンツを端末装置２０に配信する。

また、実施形態にかかる情報処理装置１００は、上記の通り、目標コンバージョン単価の設定を広告主から受け付けることにより、広告主に代わって自動で入札単価を設定する。具体的には、情報処理装置１００は、広告コンテンツ毎に、当該広告コンテンツのコンバージョン率と、当該広告コンテンツに対して設定された目標コンバージョン単価とを乗じることにより、当該広告コンテンツが選択された際に課金する金額である入札単価を算出する。そして、情報処理装置１００は、算出した入札単価に基づいて、広告配信を行う。

ここで、コンバージョン率は、広告コンテンツからコンバージョン至った数（コンバージョン数）を、その広告コンテンツがこれまでにクリックされたクリック数で除算することにより算出される実績値である。このため、コンバージョン数やクリック数が多くなるほどコンバージョン率の精度は統計的に高くなるといえる。言い換えれば、コンバージョン数やクリック数が少ないと、コンバージョン率の精度は統計的に低いといえる。なお、ここでいうコンバージョン率の精度とは、コンバージョン率が統計的に見て、信頼性に足りるか否かといった信頼度に対応するものである。

一例として、広告コンテンツｉを用いて説明する。例えば、広告コンテンツｉについて、クリック数「１０」、コンバージョン数「１」のとき、広告コンテンツｉのコンバージョン率は「０．１」である。しかしながら、クリック数「１０００」となったとき、コンバージョン数が「１００」となることにより、コンバージョン率「０．１」が算出されるとは限らない。例えば、実際には、クリック数「１０００」となったとき、コンバージョン数「２０」となることにより、コンバージョン率「０．０２」と算出されることもあり得る。

このように、コンバージョン率は、配信情報に応じて変化する不安定な値といえる。つまり、ひとたび算出したコンバージョン率が、必ずしも確かな値であるとは限らない。本来、信頼性に足りる十分な数のクリック数と、コンバージョン数から算出したコンバージョン率を用いることが望ましいが、そもそもクリックされ難い広告コンテンツも多く存在するうえに、一般に広告コンテンツがクリックされたとしてもコンバージョンに至る確率は非常に低い。したがって、全ての広告コンテンツのコンバージョン率が統計的に見て信頼に足る値として、どのような値になるかを精度よく予測するのは困難な場合がある。

また、例えば、精度の低いコンバージョン率を用いて入札単価を算出した場合、算出した入札単価も精度の低い値といえる。そして、精度の低い入札単価を用いて、広告配信を行うと目標コンバージョン単価を大きく超えてしまうといったことが起こり得る。

そこで、実施形態にかかる情報処理装置１００は、上記のような、コンバージョン率を取り巻く状況を踏まえて、コンバージョン率の予測精度を高めるための処理を行う。具体的には、情報処理装置１００は、第１コンテンツの一例である広告コンテンツの遷移先である第２コンテンツ（遷移先コンテンツ）にユーザが滞在した場合に予測される滞在時間に基づいて、実績情報に基づくコンバージョン率を補正する。

そして、このように予測情報を用いて、実績情報に基づくコンバージョン率を補正するということは、かかるコンバージョン率が統計的に見て信頼に足る値として、どのような値になるかといったことを予測することに相当する。

広告コンテンツから遷移される遷移先コンテンツは、一般に、ランディングページ等とよばれる。このため、以下では、遷移先コンテンツを「ＬＰ」と表記する場合がある。また、以下では、目標コンバージョン単価を「目標ＣＰＡ」、実績情報から算出された補正前のコンバージョン率を単に「ＣＶＲ」、「ＣＶＲ」を補正することで得られるコンバージョン率の予測値を「補正ＣＶＲ」、入札単価を「ＣＰＣ」と表記する場合がある。

ここで、ＬＰにおけるユーザの滞在時間と、コンバージョン率との関係性について説明する。具体的には、滞在時間が長いユーザほど、コンバージョンに至る可能性が高い傾向にあることが認められている。これは、例えば、ユーザがＬＰから資料請求や商品購入等を行いたい場合、ＬＰに記載の情報を熟読したり、検討しているためであると考えられる。言い換えれば、ＬＰによって示される情報がユーザにとって興味のないものであった場合には、ユーザはＬＰにほとんど滞在することなく、すぐに、かかるＬＰから他のコンテンツへと遷移させてしまう場合が多い。

つまり、ユーザが現在興味を持っているものと、ＬＰによって示される情報との関係性が高いほど、ＬＰにおけるユーザの滞在時間は長くなり、よりコンバージョンに至り易い傾向にある。かかる点について一例を挙げて説明する。

例えば、ユーザＡが直近に検索クエリ「ノートパソコン」を用いて情報検索していたとする。このとき、ユーザは、現在「ノートパソコン」に対して興味を持っているといえる。そして、かかる場合、ユーザＡの端末装置２０に「ノートパソコン」に関する広告コンテンツｘ１が表示されたとすると、ユーザＡは、広告コンテンツｘ１をクリックし対応するＬＰであるＬＰｘ１１へ遷移させる可能性が高い。また、ユーザＡは、商品購入等の検討のためにＬＰｘ１１における滞在時間が長くなり、コンバージョンに至る可能性が高い。

また、広告コンテンツｘ１の他に、「マンション」に関する広告コンテンツｘ２も表示されたとする。かかる場合、ユーザＡは、広告コンテンツｘ２をクリックする可能性が低い。また、ユーザＡは、たとえクリックして対応するＬＰであるＬＰｘ１２に遷移させたとしても、ＬＰｘ１１ほど長くＬＰｘ１２に滞在する可能性は低く、また、コンバージョンに至る可能性も低い。

以上のことから、ＬＰに対してユーザが示す興味の度合い（ＬＰとユーザとの関連度ともいえる）が高いほど、ＬＰにおけるユーザの滞在時間は長くなり、コンバージョンに至り易い、すなわちコンバージョン率が向上する可能性が高くなる。このようなことから、ＬＰにおけるユーザの滞在時間とコンバージョン率の間には相関関係が成立する。このため、滞在時間を用いることで、コンバージョン率を予測する予測精度を高めることができると考えられる。また、このようなことから滞在時間は、ＬＰに対してユーザが示す興味の度合いに関する指標値の一つといえる。

したがって、実施形態にかかる情報処理装置１００は、広告コンテンツの遷移先であるＬＰに関する指標値であって、広告コンテンツの配信対象のユーザが示す興味の度合いに関する指標値を予測する。そして、情報処理装置１００は、予測した指標値に基づいて、広告コンテンツのＣＶＲを補正する。ユーザが示す興味の度合いに関する指標値の一例が、上述してきたＬＰにおけるユーザの滞在時間である。なお、以下では、ＬＰにおけるユーザの滞在時間を単に「滞在時間」と表記する場合がある。

以下では、図１を用いて、情報処理装置１００によって行われる情報処理について具体的に説明する。なお、実施形態にかかる情報処理装置１００は、事業者Ｔ１によって運営されるコンテンツにおいてユーザが最近使用した検索クエリを用いて、配信対象の広告コンテンツを決定する手法を用いるものとする。このような手法は、サーチターゲティング等と呼ばれる。また、情報処理装置１００によって提供される広告コンテンツはクリック課金型の広告コンテンツであるものとする。

まず、広告主端末１０は、広告主の操作に従って、広告コンテンツを情報処理装置１００に入稿するとともに、かかる広告コンテンツに関する各種情報の設定を情報処理装置１００に指示する（ステップＳ１）。これにより、情報処理装置１００は、広告主から広告コンテンツの入稿と各種情報の設定を受け付ける。そして、情報処理装置１００は、受け付けた広告コンテンツと各種情報を広告コンテンツ記憶部に格納する。

また、広告主端末１０は、広告主の操作に従って、当該広告主が入稿している広告コンテンツへの目標ＣＰＡの設定を情報処理装置１００に指示する（ステップＳ２）。これにより、情報処理装置１００は、広告主から目標ＣＰＡの設定を受け付ける。そして、情報処理装置１００は、受け付けた目標ＣＰＡを広告コンテンツに対応付けて広告コンテンツ記憶部に格納する。

図１に示す広告コンテンツ記憶部の例では、情報処理装置１００が、広告主Ｃ１から広告コンテンツＡＤ１１の入稿、広告コンテンツＡＤ１１から遷移されるＬＰのＵＲＬ「ａａ１１．ｃｏｍ」、および、キーワード「保険」の設定を受け付けた例を示す。キーワードは、ユーザのターゲティングに用いられる情報であり、広告コンテンツがどのような内容であるかを示すものである。

また、図１に示す広告コンテンツ記憶部の例では、情報処理装置１００が、広告主Ｃ１から広告コンテンツＡＤ１１に対する目標ＣＰＡ「１５，０００」の設定を受け付けた例を示す。ここでは、広告主Ｃ１を例に説明したが、他の広告主についても図１に示す通りであるため、説明を省略する。

次に、情報処理装置１００は、広告コンテンツ毎に滞在時間予測モデルを生成する（ステップＳ３）。後ほど説明するが、情報処理装置１００は、端末装置２０が広告コンテンツを取得するためにアクセスしてきた場合に、アクセス元のユーザ、すなわち広告コンテンツを配信する配信対象のユーザが、各広告コンテンツに対応するＬＰそれぞれに滞在した場合の滞在時間を予測する。そして、情報処理装置１００は、この滞在時間を予測するための滞在時間予測モデルを予め作成する。

ここで、情報処理装置１００による滞在時間予測モデルの生成例について説明する。具体的には、情報処理装置１００は、配信対象のユーザが、各広告コンテンツに対応するＬＰそれぞれに滞在した場合の滞在時間を予測するために、広告コンテンツ毎に滞在時間予測モデルを予め生成する。

例えば、情報処理装置１００は、広告配信に関する過去の履歴情報を用いて、「どのようなユーザ」が、「どのような広告コンテンツ」のＬＰに「どれくらい滞在するか」といったことを、広告コンテンツ毎に機械学習することにより、広告コンテンツ毎に滞在時間予測モデルを生成する。

つまり、情報処理装置１００は、「どのようなユーザ」に対応するユーザ情報として、履歴情報から得られた「ユーザに用いられた検索クエリ」を説明変数Ｘ１とする。また、情報処理装置１００は、「どのような広告コンテンツ」に対応する広告情報として、「ユーザに表示された広告コンテンツに付与されるキーワード」を説明変数Ｘ２とする。また、情報処理装置１００は、「どれくらい滞在するか」に対応する情報として、履歴情報から得られた「ユーザに表示された広告コンテンツに対応するＬＰでの滞在時間」を目的変数Ｙとする。

そして、情報処理装置１００は、説明変数Ｘ１およびＸ２を組み合わせて、目的変数Ｙを回帰分析することにより係数を推定する。そして、情報処理装置１００は、推定した係数を用いて目的変数Ｙを予測するための滞在時間予測モデルを生成する。図１に示す予測モデル記憶部の例では、情報処理装置１００が、広告コンテンツＡＤ１１に対する滞在時間予測モデルとして、滞在時間予測モデルＭ１１を生成した例を示す。また、他の広告コンテンツについても図示する通りである。

また、ここで、端末装置２０が、ユーザＵ１の操作に従って、ウェブページＰ１の取得要求を情報提供装置３０に送信したとする（ステップＳ４）。これにより、情報提供装置３０は、ウェブページＰ１を取得要求送信元の端末装置２０に配信する（ステップＳ５）。

図１に示すように、ウェブページＰ１には、広告コンテンツが表示される広告枠Ｆ１が含まれる。このため、端末装置２０は、広告コンテンツの取得要求を情報処理装置１００に送信する（ステップＳ６）。

情報処理装置１００は、端末装置２０から広告コンテンツの取得要求を受け付けると、まず、配信候補の広告コンテンツを特定する（ステップＳ７）。例えば、情報処理装置１００は、ユーザ情報記憶部を参照し、ユーザＵ１が最近、情報検索に用いた検索クエリを特定する。図１に示すように、ユーザ情報記憶部は、ユーザが使用した検索クエリに関する履歴情報を記憶する。図１の例では、情報処理装置１００は、ユーザＵ１が最近使用した検索クエリとして、日付の最も新しい検索クエリ「保険」を特定する。このことから、ユーザＵ１は、現時点で「保険」に関して興味を持っている可能性が高い。

そして、情報処理装置１００は、広告コンテンツ記憶部を参照し、検索クエリ「保険」に一致するキーワードが対応付けられている広告コンテンツＡＤ１１およびＡＤ２１を配信候補の広告コンテンツとして特定する。

次に、情報処理装置１００は、ユーザＵ１が配信候補の広告コンテンツＡＤ１１およびＡＤ２１それぞれに対応するＬＰ（ＬＰ１１およびＬＰ２１とする）にアクセスした場合、それぞれのＬＰに滞在する滞在時間を予測する（ステップＳ８）。例えば、情報処理装置１００は、広告コンテンツＡＤ１１に対応する滞在時間予測モデルＭ１１に対し、ユーザＵ１の検索クエリ「保険」と、広告コンテンツＡＤ１１のキーワード「保険」とを適用する。そして、情報処理装置１００は、出力された滞在時間をＬＰ１１におけるユーザＵ１の滞在時間であると予測する。ここでは、情報処理装置１００が、ＬＰ１１における滞在時間を「２．５分」と予測したとする。

同様にして、情報処理装置１００は、広告コンテンツＡＤ２１に対応する滞在時間予測モデルＭ２１に対し、ユーザＵ１の検索クエリ「保険」と、広告コンテンツＡＤ２１のキーワード「保険」とを適用する。そして、情報処理装置１００は、出力された滞在時間をＬＰ２１におけるユーザＵ１の滞在時間であると予測する。ここでは、情報処理装置１００が、ＬＰ２１における滞在時間を「７．５分」と予測したとする。なお、以下では、このように予測した滞在時間を「予測滞在時間」と表記する場合がある。

次に、情報処理装置１００は、ステップＳ８で予測した予測滞在時間を用いて、広告コンテンツＡＤ１１およびＡＤ２１それぞれのＣＶＲを補正する（ステップＳ９）。ここで、広告コンテンツＡＤ１１のＣＶＲを「０．０５」、広告コンテンツＡＤ２１のＣＶＲを「０．０３」とする。

かかる場合、情報処理装置１００は、ＬＰ１１における予測滞在時間に対応する重み値「２．５」と、広告コンテンツＡＤ１１のＣＶＲ「０．０５」とを乗じることにより、広告コンテンツＡＤ１１のＣＶＲを「０．１２５」へと補正する。つまり、情報処理装置１００は、コンバージョン率の予測値として「０．１２５」を得る。また、情報処理装置１００は、ＬＰ２１における予測滞在時間に対応する重み値「７．５」と、広告コンテンツＡＤ２１のＣＶＲ「０．０３」とを乗じることにより、広告コンテンツＡＤ２１のＣＶＲを「０．２２５」へと補正する。このように、実施形態にかかる情報処理装置１００は、予測滞在時間が長いほど、高い補正ＣＶＲとなるように補正するものである。

次に、情報処理装置１００は、ステップＳ９で算出した補正ＣＶＲに基づいて、配信対象の広告コンテンツを抽出する（ステップＳ１０）。具体的には、情報処理装置１００は、補正ＣＶＲと目標ＣＰＡとを乗じることによりＣＰＣを算出する。そして、情報処理装置１００は、算出したＣＰＣとクリック率（ＣＴＲ：Click Through Rate）とを乗じたｅＣＰＭ（effective Cost Per Mill）に基づいて、配信対象の広告コンテンツを抽出する。

図１に示す広告コンテンツ記憶部の例では、広告コンテンツＡＤ１１には、目標ＣＰＡ「１５，０００」が設定され、また、広告コンテンツＡＤ２１には、目標ＣＰＡ「２０，０００」が設定されている。

このため、情報処理装置１００は、広告コンテンツＡＤ１１の補正ＣＶＲ「０．１２５」と、広告コンテンツＡＤ１１の目標ＣＰＡ「１５，０００」とを乗じることにより、広告コンテンツＡＤ１１のＣＰＣ「１，８７５」を算出する。また、情報処理装置１００は、広告コンテンツＡＤ２１の補正ＣＶＲを「０．２２５」と、広告コンテンツＡＤ２１の目標ＣＰＡ「２０，０００」とを乗じることにより、広告コンテンツＡＤ２１のＣＰＣ「４５００」を算出する。

ここで、広告コンテンツＡＤ１１のＣＴＲを「０．０５」、広告コンテンツＡＤ２１のＣＴＲを「０．０３」とする。かかる場合、情報処理装置１００は、広告コンテンツＡＤ１１のＣＰＣ「１，８７５」と、広告コンテンツＡＤ１１のＣＴＲ「０．０５」とを乗じることにより、広告コンテンツＡＤ１１のｅＣＰＭ「９４」を算出する。また、情報処理装置１００は、広告コンテンツＡＤ２１のＣＰＣ「４５００」と、広告コンテンツＡＤ２１のＣＴＲ「０．０３」とを乗じることにより、広告コンテンツＡＤ２１のｅＣＰＭ「１３５」を算出する。

そして、情報処理装置１００は、上記のように算出した２つのｅＣＰＭのうち、値の大きいｅＣＰＭが算出された広告コンテンツＡＤ２１を配信対象の広告コンテンツとして、広告コンテンツ記憶部から抽出する。そして、情報処理装置１００は、抽出した広告コンテンツＡＤ２１を取得要求送信元の端末装置２０に配信する（ステップＳ１１）。そして、端末装置２０は、広告枠Ｆ１に広告コンテンツＡＤ２１を表示させたウェブページＰ１を表示画面に表示する。

このように、実施形態にかかる情報処理装置１００は、広告コンテンツの遷移先であるＬＰにおいて、当該広告コンテンツの配信対象のユーザが滞在した場合の滞在時間を予測する。そして、情報処理装置１００は、予測した滞在時間に基づいて、広告コンテンツのコンバージョン率を補正する。

上述してきたように、コンバージョンオプティマイズにおいて用いられるＣＶＲは、統計的に十分な数の実績情報がそろいにくいコンバージョン数およびクリック数に基づき算出されるため不安定な値である。このため、コンバージョン率と相関関係にある滞在時間を用いて、ＣＶＲを補正することにより、精度の良い補正ＣＶＲを得ることができる。つまり、情報処理装置１００は、ＣＶＲから補正ＣＶＲを予測する予測精度を高めることができる。また、情報処理装置１００は、補正した補正ＣＶＲを用いることで、ＣＰＣの精度を高めることができるため、広告主に設定された目標ＣＰＡをより達成し易くすることができる。

〔２．情報処理装置の構成〕
次に、図２を用いて、実施形態にかかる情報処理装置１００について説明する。図２は、実施形態にかかる情報処理装置１００の構成例を示す図である。図２に示すように、情報処理装置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は、例えば、ＮＩＣ（Network Interface Card）等によって実現される。そして、通信部１１０は、ネットワークと有線または無線で接続され、例えば、端末装置２０や情報提供装置３０との間で情報の送受信を行う。

記憶部１２０は、例えば、ＲＡＭ（Random Access Memory)、フラッシュメモリ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、ユーザ情報記憶部１２１と、広告コンテンツ記憶部１２２と、履歴情報記憶部１２３と、予測モデル記憶部１２４を有する。

（ユーザ情報記憶部１２１について）
ユーザ情報記憶部１２１は、コンテンツに対してユーザが行った行動に関する情報を記憶する。本実施形態では、ユーザ情報記憶部１２１は、所定のコンテンツ（例えば、検索サイト）において、ユーザが情報検索に用いた検索キーワード等を検索履歴として記憶する。ここで、図３に実施形態にかかるユーザ情報記憶部１２１の一例を示す。図３の例では、ユーザ情報記憶部１２１は、「ユーザＩＤ」、「検索キーワード」、「検索日時」といった項目を有する。なお、図３に示すユーザ情報記憶部１２１は、図１に示すユーザ情報記憶部をより詳細に説明するものである。

「ユーザＩＤ」は、ユーザまたはユーザによって利用される端末装置２０を識別するための識別情報を示す。「検索キーワード」は、所定のコンテンツにおいて、ユーザが情報検索に用いた検索キーワードを示す。「検索日時」は、ユーザが、所定のコンテンツに「検索キーワード」を入力することにより情報検索した日時を示す。

すなわち、図３の例では、ユーザＩＤ「Ｕ１」によって識別されるユーザが、「２０１６年３月１日１５時３０分」において、所定のコンテンツに検索キーワード「保険」を入力することにより情報検索した例を示す。なお、図１でも示したが、ユーザＩＤを用いて、ユーザを区別して表記する場合がある。例えば、ユーザＩＤ「Ｕ１」によって識別されるユーザをユーザＵ１と表記する。広告主、広告コンテンツ、ＬＰについても同様に識別情報を用いて表記する。

ここで、本実施形態では、所定のコンテンツは、情報提供装置３０によって提供されるものとする。例えば、情報提供装置３０は、ユーザ操作による端末装置２０からのアクセスに応じて、所定のコンテンツである検索サイト等を、かかる端末装置２０に配信する。このため、情報提供装置３０は、自装置内の所定の記憶部に検索履歴を記憶する。

そこで、情報処理装置１００は、例えば、定期的に情報提供装置３０にアクセスすることにより、情報提供装置３０から検索履歴を取得し、取得した検索履歴をユーザ情報記憶部１２１に格納する。なお、かかる例に限らず、情報処理装置１００は、例えば、端末装置２０から検索履歴を取得してもよい。例えば、端末装置２０は、ユーザによって情報検索が行われる度に、ユーザＩＤと、検索キーワードと、検索日時とを対応付けて、情報処理装置１００に送信する。これにより、情報処理装置１００は、端末装置２０から検索履歴を取得する。

（広告情報記憶部１２２について）
広告情報記憶部１２２は、広告主端末１０から入稿された広告コンテンツや、広告主端末１０から設定を受け付けた広告コンテンツに関する各種情報を記憶する。また、広告情報記憶部１２２は、広告配信に関する実績情報を記憶する。ここで、図４に実施形態にかかる広告情報記憶部１２２の一例を示す。図４の例では、広告情報記憶部１２２は、「広告主ＩＤ」、「広告ＩＤ」、「広告コンテンツ」、「ＬＰ−ＩＤ」、「ＬＰ−ＵＲＬ」、「目標ＣＰＡ」、「キーワード」、「クリック数」、「ＣＴＲ」、「コンバージョン数」といった項目を有する。なお、図４に示す広告情報記憶部１２２は、図１に示す広告コンテンツ記憶部をより詳細に説明するものである。

「広告主ＩＤ」は、広告主または広告主端末を識別するための識別情報を示す。「広告ＩＤ」は、広告コンテンツを識別するための識別情報を示す。「広告コンテンツ」は、広告主端末１０から入稿された広告コンテンツを示す。図４では、「広告コンテンツ」に概念的な情報が格納される例を示すが、実際には、静止画像、動画像、テキストデータ、または、これらの格納場所を示すファイルパス名等が記憶される。

「ＬＰ−ＩＤ」は、対応する広告コンテンツが選択された場合に、遷移される遷移先コンテンツ（ランディングページ）を識別するための識別情報を示す。「ＬＰ−ＵＲＬ」は、かかる遷移先コンテンツのＵＲＬを示す。「ＬＰ−ＵＲＬ」は、例えば、広告コンテンツに張り付けられ、広告コンテンツとともに配信される。

「目標ＣＰＡ」は、対応する広告コンテンツから商品購入や会員登録等の利益につながる成果、すなわちコンバージョンを１件獲得するのにかかるコストであるコンバージョン単価の目標値を示す。「目標ＣＰＡ」は、所定数（例えば、「１０」）以上のコンバージョンが得られている広告コンテンツにのみ設定可能となる。「キーワード」は、ユーザのターゲティングに用いられる情報であり、広告コンテンツがどのような内容であるかを示す。「キーワード」は、広告主により自由に設定されてもよいし、情報処理装置１００が候補となるキーワードを提示することで、広告主に選択させてもよい。

「クリック数」は、広告コンテンツがこれまでにクリックされた回数を示す。「ＣＴＲ」は、「クリック数」を広告コンテンツの表示回数によって除算した値である。なお、端末装置２０に配信されたことがない広告コンテンツのＣＴＲには、予め決められている固定値や、全広告コンテンツにおけるＣＴＲの平均値や、同一の広告カテゴリ（例えば、「車」、「旅行」）に属する全広告コンテンツにおけるＣＴＲの平均値等が記憶される。「コンバージョン数」は、広告コンテンツがこれまでにクリックされコンバージョンに至った数を示す。

すなわち、図４の例では、広告主ＩＤ「Ｃ１」によって識別される広告主が、広告ＩＤ「ＡＤ１１」によって識別される広告コンテンツとして、当該広告コンテンツのデータ「ＸＸ１１」を入稿した例を示す。また、広告主Ｃ１が、自身の広告コンテンツ「ＡＤ１１」に対し、ＬＰ−ＩＤ「ＬＰ１１」によって識別されるＬＰのＵＲＬ「ａａ１１．ｃｏｍ」を指定し、目標ＣＰＡ「１５，０００」、および、キーワード「保険」を設定した例を示す。

（履歴情報記憶部１２３について）
履歴情報記憶部１２３は、ユーザに配信された広告コンテンツのＬＰにおいて、ユーザが滞在した滞在時間を記憶する。ここで、図５に実施形態にかかる履歴情報記憶部１２３の一例を示す。図５の例では、履歴情報記憶部１２３は、「広告主ＩＤ」、「広告ＩＤ」、「ＬＰ−ＩＤ」、「検索クエリ」、「ＬＰ−ＵＲＬ」、「滞在時間」といった項目を有する。

「広告主ＩＤ」、「広告ＩＤ」、「ＬＰ−ＩＤ」、「ＬＰ−ＵＲＬ」については、図４で示したものと同様であるため、ここでの説明を省略する。また、ここでの「検索クエリ」は、対応する広告コンテンツを配信対象として決定する際に、当該広告コンテンツに対応付けられる「キーワード」のターゲットとなった検索クエリを示す。「滞在時間」は、ＬＰにおいて、ユーザが滞在した滞在時間を示す。すなわち、「滞在時間」は、ユーザがＬＰを閲覧している閲覧時間ともいえる。例えば、ユーザは、興味のある商品情報等を含むＬＰには長く滞在する可能性が高い。このため、「滞在時間」は、ＬＰに対してユーザが示す興味の度合いに関する指標値である。

ここで、履歴情報記憶部１２３の最も上の「行」は、最近、検索クエリ「保険」を用いて情報検索を行ったユーザに対し、広告コンテンツＡＤ１１が表示されたことを示す。また、かかるユーザは、広告コンテンツＡＤ１１に対応するＬＰ１１に、「２．６分」と比較的長い時間滞在したことを示す。これは、かかるユーザが、現時点で「保険」に関して興味があるため、「保険」に関する広告コンテンツＡＤ１１をクリックして表示されたＬＰ１１を、例えば、熟読しているためであると考えられる。

一方、履歴情報記憶部１２３の３番目の「行」は、最近、検索クエリ「外資」を用いて情報検索を行ったユーザに対し、広告コンテンツＡＤ１１が表示されたことを示す。情報処理装置１００の有する配信ロジックによっては、このように広告コンテンツＡＤ１１に対応付けられるキーワードに含まれない検索クエリを有するユーザにも広告コンテンツＡＤ１１が配信される場合もある。しかし、このようなユーザは、そもそも広告コンテンツＡＤ１１をクリックする可能性が低く、クリックしてＬＰ１１に遷移させたとしても、図５に示すように滞在時間は「０．１分」と短い。これは、現時点で「外資」に関して興味があり、「保険」に関する広告コンテンツＡＤ１１やＬＰ１１には興味がないためであると考えられる。

また、図示しないが、滞在時間が長いほど、ユーザは、コンバージョンに至りやすい傾向にあることが認められている。このため、上述したように、滞在時間とコンバージョン率との間には、相関関係が成立する。

ここで、滞在時間を測定する測定方法の一例について説明する。例えば、端末装置２０は、広告コンテンツＡＤ１１がクリックされた際の時刻ｔ１を取得する。また、端末装置２０は、ＬＰ１１からページバックされた際の時刻ｔ２を取得する。そして、端末装置２０は、「時刻ｔ１−時刻ｔ２」を滞在時間として算出する。そして、端末装置２０は、広告ＩＤ「ＡＤ１１」と、滞在時間「時刻ｔ１−時刻ｔ２」とを対応付けて情報処理装置１００に送信する。これにより、情報処理装置１００は、広告コンテンツＡＤ１１を配信対象として決定する際にターゲットとなった検索クエリとともに、端末装置２０から受け付けた滞在時間「時刻ｔ１−時刻ｔ２」を履歴情報記憶部１２３に格納する。

（予測モデル記憶部１２４について）
予測モデル記憶部１２４は、滞在時間予測モデルを記憶する。例えば、予測モデル記憶部１２４は、後述するモデル生成部１３２により、広告コンテンツ毎に生成された滞在時間予測モデルを記憶する。ここで、図６に実施形態にかかる予測モデル記憶部１２４の一例を示す。図６の例では、予測モデル記憶部１２４は、「広告ＩＤ」、「ＬＰ−ＩＤ」、「滞在時間予測モデル」といった項目を有する。

「広告ＩＤ」、「ＬＰ−ＩＤ」については、上述した通りである。すなわち、図６の例では、広告コンテンツＡＤ１１に対応するＬＰ１１において、ユーザが滞在する滞在時間を予測する滞在時間予測モデルＭ１１が、モデル生成部１３２によって生成された例を示す。

（制御部１３０について）
図２に戻り、制御部１３０は、ＣＰＵ（Central Processing Unit）やＭＰＵ（Micro Processing Unit）等によって、情報処理装置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、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２に示すように、制御部１３０は、受付部１３１と、モデル生成部１３２と、受信部１３３と、予測部１３４と、補正部１３５と、抽出部１３６と、配信部１３７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２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２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。

（受付部１３１について）
受付部１３１は、広告主端末１０から広告コンテンツの入稿、および、広告コンテンツに関する各種情報の設定を受け付け、受け付けた広告コンテンツや設定情報を広告コンテンツ記憶部１２２に格納する。具体的には、受付部１３１は、静止画像、動画像、テキストデータ等に該当する広告コンテンツの入稿や、ＬＰ−ＵＲＬ、目標ＣＰＡ、キーワード等の設定を受け付ける。

そして、受付部１３１は、広告主ＩＤおよび広告ＩＤを払い出し、払い出した広告主ＩＤおよび広告ＩＤに対応付けて、上記のように受け付けた情報を広告コンテンツ記憶部１２２に格納する。なお、目標ＣＰＡは、所定数（例えば、「１０」）以上のコンバージョンが得られている広告コンテンツにのみ設定可能となる。

（モデル生成部１３２について）
モデル生成部１３２は、広告コンテンツ毎に滞在時間予測モデルを生成する。具体的には、モデル生成部１３２は、配信対象のユーザが、広告コンテンツに対応するＬＰそれぞれに滞在する滞在時間を予測するための、滞在時間予測モデルを広告コンテンツ毎に生成する。

例えば、モデル生成部１３２は、「どのようなユーザ」が、「どのような広告コンテンツ」のＬＰに「どれくらい滞在するか」といったことを、広告コンテンツ毎に機械学習することにより、広告コンテンツ毎に滞在時間予測モデルを生成する。そして、モデル生成部１３２は、ユーザに関するユーザ情報および広告コンテンツに関する広告情報を説明変数とし、滞在時間を目的変数とする。そして、モデル生成部１３２は、説明変数と目的変数の間に当てはめるモデルである滞在時間予測モデルを生成する。

さらに具体的には、モデル生成部１３２は、履歴情報記憶部１２３において、ユーザに入力された検索クエリに対応する説明変数を説明変数Ｘ１とする。また、モデル生成部１３２は、ユーザに配信された広告コンテンツに対応する説明変数を説明変数Ｘ２とする。そして、モデル生成部１３２は、説明変数Ｘ１およびＸ２を組み合わせて、滞在時間に対応する目的変数Ｙを回帰分析（例えば、ポアソン回帰）することにより係数を推定する。そして、モデル生成部１３２は、推定した係数を用いて目的変数Ｙを予測するための滞在時間予測モデルを生成する。

以下では、モデル生成部１３２による滞在時間予測モデル生成処理の一例について説明する。ここでは、モデル生成部１３２が、広告コンテンツＡＤ１１に対応する滞在時間予測モデルＭ１１を生成する場合について説明する。

例えば、モデル生成部１３２は、図５に示す履歴情報記憶部１２３を参照し、キーワード「保険」が対応付けられる広告コンテンツＡＤ１１が表示された各ユーザが、最近使用した検索クエリを取得するとともに、取得した検索クエリ毎のユーザ数を集計する。また、モデル生成部１３２は、広告コンテンツＡＤ１１が表示された各ユーザが広告コンテンツＡＤ１１に対応するＬＰ１１に滞在した滞在時間を取得する。

そして、モデル生成部１３２は、取得した情報を元に、ユーザが使用した検索クエリに応じて、ＬＰ１１での滞在時間がどのような傾向を示すかといったことを機械学習する。そして、モデル生成部１３２は、ユーザが使用した検索クエリを説明変数Ｘ１、広告コンテンツＡＤ１１に対応付けられるキーワードを説明変数Ｘ２、滞在時間を目的変数Ｙとする。そして、モデル生成部１３２は、説明変数Ｘ１およびＸ２を組み合わせて、目的変数Ｙを回帰分析することにより、目的変数Ｙを予測するための滞在時間予測モデルＭ１１を生成する。そして、モデル生成部１３２は、生成した滞在時間予測モデルＭ１１を予測モデル記憶部１２４に格納する。

（受信部１３３について）
受信部１３３は、端末装置２０から広告コンテンツの取得要求を受信する。例えば、受信部１３３は、ＨＴＴＰ（Hypertext Transfer Protocol）リクエスト等により、ウェブページの取得要求を受信する。

（予測部１３４について）
予測部１３４は、広告コンテンツ（第１コンテンツの一例）の遷移先である遷移先コンテンツ（第２コンテンツの一例）に関する指標値であって、広告コンテンツを配信する配信対象のユーザが示す興味の度合いに関する指標値を予測する。例えば、予測部１３４は、受信部１３３によって、広告コンテンツの取得要求が受信された場合に、配信候補の広告コンテンツそれぞれに対応する各遷移先コンテンツに対して、配信対象のユーザが滞在する滞在時間を予測する。また、予測部１３４は、モデル生成部１３２によって広告コンテンツ毎に生成された滞在時間予測モデルを用いて、配信候補の広告コンテンツ毎に滞在時間を予測する。

予測部１３４による予測処理の一例について説明する。例えば、端末装置２０が、ユーザＵ１の操作に従って、広告コンテンツの取得要求を情報処理装置１００に送信したとする。そして、受信部１３３によって、かかる取得要求が受信されると、予測部１３４は、まず、配信候補の広告コンテンツを特定する。例えば、予測部１３４は、ユーザ情報記憶部１２１を参照し、ユーザＵ１が最近使用した検索クエリとして、日付の最も新しい検索クエリを特定する。図３に示すユーザ情報記憶部１２１の例では、予測部１３４は、ユーザＵ１が日付の最も新しい検索クエリとして、検索クエリ「保険」を特定する。

次に、予測部１３４は、広告コンテンツ記憶部１２２を参照し、特定した検索クエリ「保険」を含むキーワードが対応付けられている広告コンテンツを特定する。図４に示す広告コンテンツ記憶部１２２の例では、予測部１３４は、検索クエリ「保険」を含むキーワードが対応付けられている広告コンテンツＡＤ１１およびＡＤ２１を配信候補の広告コンテンツとして特定する。このことから、ユーザＵ１は、現時点で「保険」に関して興味を持っている可能性が高い。

次に、予測部１３４は、広告コンテンツＡＤ１１およびＡＤ２１それぞれに対応するＬＰ１１およびＬＰ２１にアクセスした場合、それぞれのＬＰに滞在する滞在時間を予測する。具体的には、予測部１３４は、広告コンテンツＡＤ１１に対応する滞在時間予測モデルＭ１１に対し、ユーザＵ１の検索クエリ「保険」と、広告コンテンツＡＤ１１のキーワード「保険」とを適用する。そして、予測部１３４は、出力された滞在時間をＬＰ１１におけるユーザＵ１の滞在時間であると予測する。

同様にして、予測部１３４は、広告コンテンツＡＤ２１に対応する滞在時間予測モデルＭ２１に対し、ユーザＵ１の検索クエリ「保険」と、広告コンテンツＡＤ２１のキーワード「保険」とを適用する。そして、情報処理装置１００は、出力された滞在時間をＬＰ２１におけるユーザＵ１の滞在時間であると予測する。

（補正部１３５について）
補正部１３５は、予測部１３４によって予測された滞在時間に基づいて、広告コンテンツのコンバージョン率を補正する。具体的には、補正部１３５は、配信候補の広告コンテンツのコンバージョン率に対し、当該配信候補の広告コンテンツに対応するＬＰにおいて予測された滞在時間に基づく重み値を乗じることによりコンバージョン率を補正する。

補正部１３５による補正処理の一例について説明する。上記のように、配信候補の広告コンテンツが、広告コンテンツＡＤ１１およびＡＤ２１であるとする。そして、予測部１３４により、それぞれの広告コンテンツに対応するＬＰ１１およびＬＰ２１のおける滞在時間として「２．５分」および「７．５分」が予測されたとする。

かかる場合、まず、補正部１３５は、広告コンテンツＡＤ１１およびＡＤ２１それぞれのＣＶＲを算出する。例えば、補正部１３５は、広告コンテンツ記憶部１２２を参照し、広告コンテンツＡＤ１１およびＡＤ２１それぞれについて、コンバージョン数をクリック数によって除算することによりＣＶＲを算出する。

図４に示す広告コンテンツ記憶部１２２の例では、補正部１３５は、コンバージョン数「１５」をクリック数「３００」で除算することにより、広告コンテンツＡＤ１１のＣＶＲ「０．０５」を算出する。また、補正部１３５は、コンバージョン数「２７」をクリック数「９００」で除算することにより、広告コンテンツＡＤ１１のＣＶＲ「０．０３」を算出する。

ここで、補正部１３５は、例えば、予測滞在時間を重み値と見なす。具体的には、補正部１３５は、ＬＰ１１での予測滞在時間「２．５分」を重み値「２．５」とする。そして、補正部１３５は、広告コンテンツＡＤ１１のＣＶＲ「０．０５」に対し、重み値「２．５」を乗じることにより算出した値「０１２５」を、広告コンテンツＡＤ１１のＣＶＲを補正した補正ＣＶＲとする。つまり、補正部１３５は、広告コンテンツＡＤ１１のＣＶＲ「０．０５」を補正することで、広告コンテンツＡＤ１１の予測値「０．１２５」を得る。

また、補正部１３５は、ＬＰ２１での予測滞在時間「７．５分」を重み値「７．５」とする。そして、補正部１３５は、広告コンテンツＡＤ２１のＣＶＲ「０．０３」に対し、重み値「７．５」を乗じることにより算出した値「０．２２５」を、広告コンテンツＡＤ１２のＣＶＲを補正した補正ＣＶＲとする。

ここでは、補正部１３５が、実績として得られているコンバージョン数とクリック数を用いてＣＶＲを算出する例を示したが、実績値から算出されたものは信頼性に欠ける場合が多い。このため、補正部１３５は、機械学習により予めＣＶＲ予測モデルを生成しておくことで、ＣＶＲ予測モデルを用いてＣＶＲを算出してもよい。

なお、補正部１３５が、予測滞在時間をそのまま重み値として用いる例を示したが、これに限定されるものではない。例えば、補正部１３５は、滞在時間に応じた所定の重み値を用いてもよい。一例を示すと、「滞在時間範囲〜１分：重み値１」、「滞在時間範囲１分〜１．５分：重み値１．１」、「滞在時間範囲１．５分〜２分：重み値１．２」といったように、滞在時間範囲毎に予め重み値が設定されていてもよい。かかる場合、補正部１３５は、予測部１３４により算出された予測滞在時間を含む滞在時間範囲に対応付けられる重み値を用いて、ＣＶＲを補正する。

（抽出部１３６について）
抽出部１３６は、配信対象の広告コンテンツを抽出する。具体的には、抽出部１３６は、補正部１３５により補正された補正ＣＶＲに基づいて、配信対象の広告コンテンツを抽出する。さらに具体的には、抽出部１３６は、補正ＣＶＲと目標ＣＰＡとを乗じることによりＣＰＣを算出する。そして、抽出部１３６は、算出したＣＰＣとＣＴＲとを乗じたｅＣＰＭに基づいて、配信対象の広告コンテンツを抽出する。このため、抽出部１３６は、算出部に対応する処理部である。

図４に示す広告コンテンツ記憶部１２２の例では、広告コンテンツＡＤ１１には、目標ＣＰＡ「１５，０００」が設定されている。かかる場合、抽出部１３６は、広告コンテンツＡＤ１１の補正ＣＶＲ「０．１２５」と、目標ＣＰＡ「１５，０００」とを乗じて、広告コンテンツＡＤ１１のＣＰＣ「１８８０」を算出する。さらに、図３に示す広告コンテンツの例では、広告コンテンツＡＤ１１のＣＴＲは「０．０５」である。このため、抽出部１３６は、広告コンテンツＡＤ１１のＣＰＣ「１８７５」と、ＣＴＲ「０．０５」とを乗じて、広告コンテンツＡＤ１１のｅＣＰＭ「９４」を算出する。

また、図４に示す広告コンテンツ記憶部１２２の例では、広告コンテンツＡＤ２１には、目標ＣＰＡ「２０，０００」が設定されている。かかる場合、抽出部１３６は、広告コンテンツＡＤ２１の補正ＣＶＲ「０．２２５」と、目標ＣＰＡ「２０，０００」とを乗じて、広告コンテンツＡＤ２１のＣＰＣ「４５００」を算出する。さらに、図３に示す広告コンテンツの例では、広告コンテンツＡＤ２１のＣＴＲは「０．０３」である。このため、抽出部１３６は、広告コンテンツＡＤ２１のＣＰＣ「４５０」と、ＣＴＲ「０．０３」とを乗じて、広告コンテンツＡＤ１１のｅＣＰＭ「１３５」を算出する。

そして、抽出部１３６は、上記のように算出した２つのｅＣＰＭのうち、値の大きいｅＣＰＭが算出された広告コンテンツＡＤ２１を配信対象の広告コンテンツとして、広告コンテンツ記憶部から抽出する。

さて、上述してきたように、本実施形態では、予測部１３４は、端末装置２０から広告コンテンツの取得要求が受け付けられる度に予測処理を行う。そして、抽出部１３６も、予測部１３４による予測処理に応じて、端末装置２０から広告コンテンツの取得要求が受け付けられる度にＣＰＣを算出する。このため、同一コンテンツであっても、配信時によってＣＰＣが異なるといったことが起こり得る。そこで、情報処理装置１００は、一度ＣＰＣを算出すると、一定期間はＣＰＣの算出を行わないように構成されてもよい。

（配信部１３７について）
配信部１３７は、抽出部１３６によって抽出された広告コンテンツを端末装置２０に配信する。例えば、配信部１３７は、抽出部１３７によって抽出された広告コンテンツに所定の情報を対応付けて端末装置２０に配信する。

抽出部１３６によって広告コンテンツＡＤ２１が抽出された例を用いて説明すると、配信部１３７は、広告コンテンツＡＤ２１にＬＰ２１のＵＲＬを張り付ける。図４に示す広告情報記憶部１２２の例では、配信部１３７は、広告コンテンツＡＤ２１に、ＬＰ２１のＵＲＬ「ｂｂ２１．ｃｏｍ」を張り付ける。配信部１３７は、広告コンテンツＡＤ２１に、抽出部１３６によって算出されたＣＰＣ「４５００」を示す情報を含める。そして、配信部１３７は、広告コンテンツＡＤ２１を端末装置２０に配信する。

また、配信部１３７は、端末装置２０から広告コンテンツがクリックされた旨の情報を受け付けてもよい。例えば、配信部１３７は、端末装置２０から広告コンテンツがクリックされた旨の情報を受け付ける度に、広告コンテンツ記憶部１２２において、対応するクリック数を更新する。

また、配信部１３７は、端末装置２０からコンバージョンを獲得した旨の情報を受け付けてもよい。例えば、配信部１３７は、端末装置２０からコンバージョン獲得に関する情報を受け付ける度に、広告コンテンツ記憶部１２２に記憶において、対応するコンバージョン数を更新する。

〔３．処理手順〕
次に、図７を用いて、実施形態にかかる情報処理装置１００が実行する情報処理の手順について説明する。図７は、実施形態にかかる情報処理装置１００による情報処理手順を示すフローチャートである。なお、情報処理装置１００は、滞在時間予測モデルを予め生成しているものとする。

まず、情報処理装置１００の受信部１３３は、広告コンテンツの取得要求を受け付けたか否かを判定する（ステップＳ１０１）。受信部１３３は、取得要求を受け付けていない場合には（ステップＳ１０１；Ｎｏ）、取得要求を受け付けるまで待機する。

一方、受信部１３３によって取得要求が受け付けられた場合には（ステップＳ１０１；Ｙｅｓ）、予測部１３４は、配信候補の広告コンテンツを特定する（ステップＳ１０２）。次に、予測部１３４は、特定した配信候補の広告コンテンツの中から、ｅＣＰＭを算出していない未処理の広告コンテンツを１つ選択する（ステップＳ１０３）。

そして、予測部１３４は、選択した配信候補の広告コンテンツ（広告コンテンツｉとする）に対応するＬＰにおいて、配信対象のユーザ（取得要求送信元のユーザ）が滞在した場合の滞在時間を予測する（ステップＳ１０４）。

次に、補正部１３５は、ステップＳ１０４で予測された予測滞在時間を用いて、広告コンテンツｉのＣＶＲを補正する（ステップＳ１０５）。次に、抽出部１３６は、広告コンテンツｉのｅＣＰＭを算出する（ステップＳ１０６）。具体的には、抽出部１３６は、ステップＳ１０５で補正された補正ＣＶＲと広告コンテンツｉの目標ＣＰＡと乗じて、ＣＰＣを算出し、また、算出したＣＰＶと広告コンテンツｉのＣＴＲと乗じて、ｅＣＰＭを算出する。

ここで、抽出部１３６は、ステップＳ１０２で特定した配信候補の商品の中に、ｅＣＰＭを算出していない未処理の広告コンテンツが存在するか否かを判定する（ステップＳ１０７）。そして、抽出部１３６は、未処理の商品が存在する場合には（ステップＳ１０７；Ｙｅｓ）、ステップＳ１０３からの処理を繰り返させる。

一方、抽出部１３６は、未処理の広告コンテンツが存在しないと判定した場合には（ステップＳ１０７；Ｎｏ）、ステップＳ１０６で算出したｅＣＰＭに基づいて、配信対象の広告コンテンツを抽出する（ステップＳ１０８）。そして、配信部１３７は、ステップＳ１０７で抽出された広告コンテンツを端末装置２０に配信する（ステップＳ１０９）。

〔４．変形例〕
上記実施形態にかかる情報処理装置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、情報処理装置１００の他の実施形態について説明する。

〔４−１．滞在時間予測モデル〕
上記実施形態では、モデル生成部１３２が、広告コンテンツ毎に予測モデルを生成することにより、予測部１３４が、広告コンテンツ毎に、当該広告コンテンツに対応するＬＰにユーザが滞在した場合の滞在時間を予測する例について説明した。しかし、モデル生成部１３２が、広告主毎に滞在時間予測モデルを生成することにより、予測部１３４は、広告主毎に滞在時間を予測してもよい。

例えば、広告主が複数の広告コンテンツを入稿している場合、モデル生成部１３２は、広告主毎に滞在時間予測モデルを生成してもよい。例えば、図４に示す広告コンテンツ記憶部１２２では、広告主Ｃ１は、広告コンテンツＡＤ１１およびＡＤ１２を入稿している。

かかる例を用いて説明すると、モデル生成部１３２は、図５に示す履歴情報記憶部１２３を参照し、広告コンテンツＡＤ１１およびＡＤ１２が表示された各ユーザが、最近使用した検索クエリを取得するとともに、取得した検索クエリ毎のユーザ数を集計する。また、モデル生成部１３２は、広告コンテンツＡＤ１１およびＡＤ１２が表示された各ユーザがそれぞれに対応するＬＰ１１、ＬＰ１２に滞在した滞在時間を取得する。

そして、モデル生成部１３２は、取得した情報を元に、ユーザが使用した検索クエリに応じて、ＬＰ１１およびＬＰ１２での滞在時間が全体としてどのような傾向を示すかといったことを機械学習する。そして、モデル生成部１３２は、例えば、ユーザが使用した検索クエリを説明変数Ｘ、滞在時間を目的変数Ｙとして、広告主Ｃ１に対する滞在時間予測モデルを生成する。

また、同様にして、モデル生成部１３２は、全ての広告主について、滞在時間予測モデルを生成する。これにより、予測部１３４は、広告コンテンツの取得要求が受け付けられた場合に、広告主毎に滞在時間を予測する。

〔４−２．指標値（１）〕
上記実施形態では、ＬＰに対してユーザが示す興味の度合いに関する指標値として、ＬＰにおいてユーザが滞在した場合の滞在時間を予測部１３４が予測する例について説明した。しかしながら、予測部１３４は、ＬＰに対してユーザが示す興味の度合いに関する指標値として、滞在時間以外の所定の指標値を予測してもよい。具体的には、予測部１３４は、ＬＰにおけるユーザの行動に基づく指標値として、滞在時間以外の所定の指標値を予測してもよい。

例えば、予測部１３４は、広告コンテンツに対応するＬＰから、さらに、かかるＬＰに関連する一連の遷移先コンテンツへ配信対象のユーザが遷移させてゆく遷移数を予測してもよい。

ＬＰを含む遷移先コンテンツに対してユーザが示す興味の度合いが高いほど、ユーザは、情報を得るためにより先へとコンテンツを遷移させてゆく傾向があり、最終的にコンバージョンに至り易い。すなわち、遷移数が多いほどコンバージョン率が向上する可能性が高くなる。このようなことから、遷移数とコンバージョン率の間には相関関係が成立する。このため、予測部１３４は、遷移数を予測してもよい。

例えば、広告コンテンツＹ１がクリックされた場合に遷移される遷移先コンテンツとして、ＬＰ−Ｙ２があるとする。また、ＬＰ−Ｙ２に対し商品購入に関する購入ページＹ３が紐付けられ、さらに、購入ページＹ３に対し商品購入を行ったユーザへ提供される手続完了ページＹ４が紐付けられているとする。かかる場合、広告コンテンツＹ１、ＬＰ−Ｙ２、購入ページＹ３、手続完了ページＹ４は、関連する一連のコンテンツといえる。

ここで、予測部１３４は、広告コンテンツの取得要求が受け付けられると、配信対象のユーザが、このように関連する一連のコンテンツをどこまで遷移させるか（例えば、広告コンテンツＹ１から購入ページＹ３まで遷移させる）を予測する。

また、予測部１３４が、このような予測処理が行えるように、モデル生成部１３２は、予め広告コンテンツ毎または広告主毎に遷移数予測モデルを生成する。

〔４−３．指標値（２）〕
また、予測部１３４は、ＬＰに対してユーザが示す興味の度合いに関する指標値として、ＬＰを配信対象のユーザがスクロールさせるスクロール量を予測してもよい。

ＬＰに対してユーザが示す興味の度合いが高いほど、ユーザは、情報を得るためによりＬＰをスクロールさせる傾向があり、コンバージョンに至り易い。すなわち、スクロール量が多いほどコンバージョン率が向上する可能性が高くなる。このようなことから、スクロール量とコンバージョン率の間には相関関係が成立する。このため、予測部１３４は、スクロール量を予測してもよい。

また、予測部１３４が、このような予測処理が行えるように、モデル生成部１３２は、予め広告コンテンツ毎または広告主毎にスクロール量予測モデルを生成する。

〔４−４．指標値（３）〕
また、予測部１３４は、ＬＰに対してユーザが示す興味の度合いに関する指標値として、ＬＰにおいて配信対象のユーザが行う選択操作（例えば、クリック）の回数を予測してもよい。

ＬＰに対してユーザが示す興味の度合いが高いほど、ユーザは、情報を得るためによりＬＰに含まれる様々なリンク情報をクリックする傾向があり、コンバージョンに至り易い。すなわち、選択操作の回数が多いほどコンバージョン率が向上する可能性が高くなる。このようなことから、選択操作の回数とコンバージョン率の間には相関関係が成立する。このため、予測部１３４は、選択操作の回数を予測してもよい。

また、予測部１３４が、このような予測処理が行えるように、モデル生成部１３２は、予め広告コンテンツ毎または広告主毎に選択操作回数予測モデルを生成する。

〔５．プログラム〕
また、上述してきた実施形態にかかる情報処理装置１００は、例えば図８に示すような構成のコンピュータ１０００によって実現される。図８は、情報処理装置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、ＲＯＭ１３００、ＨＤＤ１４００、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、通信網５０を介して他の機器からデータを受信してＣＰＵ１１００へ送り、ＣＰＵ１１００が生成したデータを、通信網５０を介して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、生成したデータを、入出力インターフェイス１６００を介して出力装置へ出力する。

メディアインターフェイス１７００は、記録媒体１８００に格納されたプログラム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が実施形態にかかる情報処理装置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、通信網５０を介してこれらのプログラムを取得してもよい。

〔６．その他〕
上記実施形態において説明した各処理のうち、自動的に行われるものとして説明した処理の全部または一部を手動的に行うこともでき、あるいは、手動的に行われるものとして説明した処理の全部または一部を公知の方法で自動的に行うこともできる。この他、上記文書中や図面中で示した処理手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。

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。

〔７．効果〕
上述してきたように、情報処理装置１００は、予測部１３４と、補正部１３５とを有する。予測部１３４は、第１コンテンツの遷移先の第２コンテンツに関する指標値であって、第１コンテンツの配信対象のユーザが示す興味の度合いに関する指標値を予測する。補正部１３５は、予測部１３４によって予測された指標値に基づいて、第１コンテンツのコンバージョン率を補正する。

これにより、実施形態にかかる情報処理装置１００は、コンバージョン率の予測精度を高めることができる。また、情報処理装置１００は、補正ＣＶＲと広告主に設定された目標ＣＰＡとを用いることで、入札単価を精度よく算出することができる。

また、実施形態にかかる情報処理装置１００において、予測部１３４は、第２コンテンツにおけるユーザの行動に基づく指標値を予測する。

第２コンテンツに対するユーザの興味度に応じて、第２コンテンツにおけるユーザの行動は変化する傾向にある。このため、実施形態にかかる情報処理装置１００は、第２コンテンツにおけるユーザの行動に基づく指標値を予測し、予測した指標値を用いることで、コンバージョン率の予測精度を高めることができる。

また、実施形態にかかる情報処理装置１００において、予測部１３４は、第２コンテンツにおいて配信対象のユーザが滞在した場合の滞在時間、第２コンテンツから配信対象のユーザが遷移させてゆく遷移数、第２コンテンツを配信対象のユーザがスクロールさせるスクロール量、または、第２コンテンツにおいて配信対象のユーザが行う選択操作の回数のうち、少なくとも何れか１つを予測する。

これにより、情報処理装置１００は、コンバージョン率の精度を高めることができる。

また、実施形態にかかる情報処理装置１００において、予測部１３４は、ユーザに関するユーザ情報と、第１コンテンツに関する所定の情報とに基づき第１コンテンツ毎に生成された予測モデルを用いて、第１コンテンツ毎に指標値を予測する。

ユーザが第２コンテンツに対して示す興味の度合いは、当該第２コンテンツに対応する第１コンテンツ毎に異なる場合が多い。このため、情報処理装置１００は、第１コンテンツ毎に生成された予測モデルを用いて、第１コンテンツ毎に指標値を予測することで、各第１コンテンツに対応するコンバージョン率の予測精度を高めることができる。

また、実施形態にかかる情報処理装置１００において、予測部１３４は、ユーザに関するユーザ情報と、第１コンテンツに関する所定の情報とに基づ記第１コンテンツの入稿元毎に生成された予測モデルを用いて、第１コンテンツの入稿元毎に前記指標値を予測する。

これにより、情報処理装置１００は、入稿元毎に指標値を予測することで、各第１コンテンツに対応する入稿元によって入稿されている第１コンテンツ全体でのコンバージョン率の予想精度を高めることができる。

また、実施形態にかかる情報処理装置１００において、受信部１３３は、端末装置２０から第１コンテンツの取得要求を受信する。また、予測部１３４は、受信部１３３によって取得要求が受信された場合に、取得要求に応じた第１コンテンツに対応する第２コンテンツに関する指標値であって、配信対象のユーザが示す興味の度合いに関する指標値を予測する。

これにより、情報処理装置１００は、取得要求を受信する度にリアルタイムに指標値を予測するため、実績に応じて変動するコンバージョン率に対応した補正処理を行うことができる。

また、実施形態にかかる情報処理装置１００において、補正部１３５は、コンバージョン率に対し、当該コンバージョン率に対応する指標値に関する値を重み値として乗じることにより、当該コンバージョン率を補正する。

これにより、情報処理装置１００は、実績情報等に基づいて算出されたコンバージョン率の予測精度を高めることができる。

また、実施形態にかかる情報処理装置１００において、受付部１３１は、第１コンテンツによりコンバージョンを得るために費やす広告費の目標値の設定を受け付ける。また、算出部（抽出部１３６）は、広告費の目標値と、補正部１３５により補正された補正後のコンバージョン率とに基づいて、第１コンテンツが選択された際に課金する金額である入札単価を算出する。

これにより、情報処理装置１００は、入札単価を精度よく算出することができる。

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。

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、抽出部は、抽出手段や抽出回路に読み替えることができる。

１ 情報処理システム
１０ 広告主端末
２０ 端末装置
３０ 情報提供装置
１００ 情報処理装置
１２１ ユーザ情報記憶部
１２２ 広告コンテンツ記憶部
１２３ 履歴情報記憶部
１２４ 予測モデル記憶部
１３０ 制御部
１３１ 受付部
１３２ モデル生成部
１３３ 受信部
１３４ 予測部
１３５ 補正部
１３６ 抽出部
１３７ 配信部

Claims (9)

1. 第１コンテンツに至ったユーザの行動であって、所定の記憶部に記憶される履歴情報によって示されるユーザの行動、および、前記第１コンテンツの遷移先の第２コンテンツでの当該ユーザの行動との関係性を学習した予測モデルに対して、前記第１コンテンツの配信対象のユーザが前記第１コンテンツに至った行動を示す行動情報を入力することにより、前記第２コンテンツに関する指標値であって、前記配信対象のユーザが示す興味の度合いに関する指標値を予測する予測部と、
   前記予測部によって予測された指標値を重み値として前記第１コンテンツのコンバージョン率に乗じることにより、前記第１コンテンツのコンバージョン率を補正する補正部と
   を有することを特徴とする情報処理装置。
2. 前記予測部は、前記指標値として、前記第２コンテンツにおいて前記配信対象のユーザが滞在した場合の滞在時間、前記第２コンテンツから前記配信対象のユーザが遷移させてゆく遷移数、前記第２コンテンツを前記配信対象のユーザがスクロールさせるスクロール量、または、前記第２コンテンツにおいて前記配信対象のユーザが行う選択操作の回数のうち、少なくとも何れか１つを予測する
   ことを特徴とする請求項１に記載の情報処理装置。
3. 前記予測部は、前記履歴情報によって示されるユーザの行動と、前記第２コンテンツでの当該ユーザの行動との間での関係性を学習することにより生成された予測モデルであって、前記第１コンテンツ毎に生成された前記予測モデルを用いて、前記第１コンテンツ毎に前記指標値を予測する
   ことを特徴とする請求項１または２に記載の情報処理装置。
4. 前記予測部は、前記履歴情報によって示されるユーザの行動と、前記第２コンテンツでの当該ユーザの行動との間での関係性を学習することにより生成された予測モデルであって、前記第１コンテンツの入稿元毎に生成された前記予測モデルを用いて、前記第１コンテンツの入稿元毎に前記指標値を予測する
   ことを特徴とする請求項１または２に記載の情報処理装置。
5. 端末装置から前記第１コンテンツの取得要求を受信する受信部をさらに有し、
   前記予測部は、前記受信部によって前記取得要求が受信された場合に、前記取得要求に応じた前記第１コンテンツに対応する前記第２コンテンツに関する指標値であって、前記配信対象のユーザが示す興味の度合いに関する指標値を予測する
   ことを特徴とする請求項１〜４のいずれか１つに記載の情報処理装置。
6. 前記第１コンテンツによりコンバージョンを得るために費やす広告費の目標値の設定を受け付ける受付部と、
   前記広告費の目標値と、前記補正部により補正された補正後のコンバージョン率とに基づいて、前記第１コンテンツが選択された際に課金する金額である入札単価を算出する算出部と
   をさらに有することを特徴とする請求項１〜５のいずれか１つに記載の情報処理装置。
7. 前記予測部は、前記第１コンテンツである広告コンテンツの遷移先の第２コンテンツに関する指標値であって、当該広告コンテンツの配信対象のユーザが示す興味の度合いに関する指標値を予測する
   ことを特徴とする請求項１〜６のいずれか１つに記載の情報処理装置。
8. 情報処理装置が実行する情報処理方法であって、
   第１コンテンツに至ったユーザの行動であって、所定の記憶部に記憶される履歴情報によって示されるユーザの行動、および、前記第１コンテンツの遷移先の第２コンテンツでの当該ユーザの行動との関係性を学習した予測モデルに対して、前記第１コンテンツの配信対象のユーザが前記第１コンテンツに至った行動を示す行動情報を入力することにより、前記第２コンテンツに関する指標値であって、前記配信対象のユーザが示す興味の度合いに関する指標値を予測する予測工程と、
   前記予測工程によって予測された指標値を重み値として前記第１コンテンツのコンバージョン率に乗じることにより、前記第１コンテンツのコンバージョン率を補正する補正工程と
   を含んだことを特徴とする情報処理方法。
9. 第１コンテンツに至ったユーザの行動であって、所定の記憶部に記憶される履歴情報によって示されるユーザの行動、および、前記第１コンテンツの遷移先の第２コンテンツでの当該ユーザの行動との関係性を学習した予測モデルに対して、前記第１コンテンツの配信対象のユーザが前記第１コンテンツに至った行動を示す行動情報を入力することにより、前記第２コンテンツに関する指標値であって、前記配信対象のユーザが示す興味の度合いに関する指標値を予測する予測手順と、
   前記予測手順によって予測された指標値を重み値として前記第１コンテンツのコンバージョン率に乗じることにより、前記第１コンテンツのコンバージョン率を補正する補正手順と
   をコンピュータに実行させることを特徴とする情報処理プログラム。

Images