JP6909685B2 - 生成装置、生成方法、及び生成プログラム - Google Patents

Description

本発明は、生成装置、生成方法、及び生成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、電子商取引サービス等によるインターネットを介した販売が盛んになっている。例えば、異なる種類の複数のオンラインオークションからの類似商品の購入について入札アドバイスを提供する技術が提供されている。

特開２００３−２８１４１０号公報

しかしながら、上記の従来技術では、コンテンツに関するユーザの行動に対応する複数の指標に基づく評価を適切に予測可能にすることが難しい場合がある。例えば、複数のオンラインオークション間の比較だけでは、コンテンツに関するユーザの行動に対応する複数の指標に基づく評価を適切に予測可能にすることが難しい。

本願は、上記に鑑みてなされたものであって、コンテンツに関するユーザの行動に対応する複数の指標に基づく評価を適切に予測可能にする生成装置、生成方法、及び生成プログラムを提供することを目的とする。

本願に係る生成装置は、コンテンツに関するコンテンツ情報を取得する取得部と、前記取得部により取得された前記コンテンツ情報を用いて、前記コンテンツに関するユーザの行動に対応する複数の指標に基づく評価を示すスコアを出力するモデルを生成する生成部と、を備えたことを特徴とする。

実施形態の一態様によれば、コンテンツに関するユーザの行動に対応する複数の指標に基づく評価を適切に予測可能にすることができるという効果を奏する。

図１は、実施形態に係る生成処理の一例を示す図である。 図２は、実施形態に係る配信処理の一例を示す図である。 図３は、実施形態に係る生成システムの構成例を示す図である。 図４は、実施形態に係る生成装置の構成例を示す図である。 図５は、実施形態に係る学習データ記憶部の一例を示す図である。 図６は、実施形態に係るモデル情報記憶部の一例を示す図である。 図７は、実施形態に係るユーザ情報記憶部の一例を示す図である。 図８は、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９は、実施形態に係る商品情報記憶部の一例を示す図である。 図１０は、実施形態に係る生成処理の一例を示すフローチャートである。 図１１は、実施形態に係る配信処理の一例を示すフローチャートである。 図１２は、実施形態に係る所要時間に基づく倍率の変動を示す図である。 図１３は、生成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、本願に係る生成装置、生成方法、生成プログラム、及びモデル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生成装置、生成方法、生成プログラム、及びモデルが限定されるものではない。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。

（実施形態）
〔１．生成処理〕
まず、図１を用いて、実施形態に係る生成処理の一例について説明する。図１は、実施形態に係る生成処理の一例を示す図である。図１では、生成装置１００がコンテンツに関するコンテンツ情報と、配信されたコンテンツがユーザにクリックされたかを示す情報と、配信されたコンテンツに対応する商品が早く売れたかを示す正解情報とに基づいてモデルの生成を行う場合を示す。なお、配信されたコンテンツに対応する商品がコンテンツの配信開始から所定の期間内（例えば２４時間以内）にユーザに購入された場合に早く売れたものとする。

このように、図１の例では、生成装置１００が第１指標「クリック率（ＣＴＲ：Click Through Rate）」に関するユーザの行動や第２指標「早く売れる」に関するユーザの行動を正解情報としてモデルを生成する場合を示す。すなわち、図１の例では、生成装置１００がコンテンツに関するユーザの行動に対応する２つの指標に基づく評価を示すスコアを出力するモデルを生成する場合を示す。以下では、正解情報が対応付けられた対象情報を「学習データ」ともいう。図１及び図２の例では、コンテンツが商品に関するコンテンツである場合を一例に説明するについては後述する。

〔生成システムの構成〕
まず、図１の説明に先立って、図３に示す生成システム１について説明する。図３に示すように、生成システム１は、端末装置１０と、生成装置１００とが含まれる。端末装置１０と、生成装置１００とは所定のネットワークＮを介して、有線または無線により通信可能に接続される。図３は、実施形態に係る生成システムの構成例を示す図である。なお、図３に示した生成システム１には、複数台の端末装置１０や、複数台の生成装置１００が含まれてもよい。

端末装置１０は、ユーザによって利用される情報処理装置である。端末装置１０は、例えば、スマートフォンや、タブレット型端末や、ノート型ＰＣ（Personal Computer）や、デスクトップＰＣや、携帯電話機や、ＰＤＡ（Personal Digital Assistant）等により実現される。図１に示す例においては、端末装置１０がユーザが利用す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をユーザと表記する場合がある。すなわち、以下では、ユーザを端末装置１０と読み替えることもできる。

また、図１に示す例においては、端末装置１０を利用するユーザに応じて、端末装置１０を端末装置１０−１〜１０−５として説明する。例えば、端末装置１０−１は、ユーザＵ１により使用される端末装置１０である。また、例えば、端末装置１０−２は、ユーザＵ２により使用される端末装置１０である。また、以下では、端末装置１０−１〜１０−５について、特に区別なく説明する場合には、端末装置１０と記載する。なお、上記のように、「ユーザＵ＊（＊は任意の数値）」と記載した場合、そのユーザはユーザＩＤ「Ｕ＊」により識別されるユーザであることを示す。例えば、「ユーザＵ１」と記載した場合、そのユーザはユーザＩＤ「Ｕ１」により識別されるユーザである。

生成装置１００は、コンテンツに関するコンテンツ情報を用いて、コンテンツに関するユーザの行動に対応する複数の指標に基づく評価を示すスコアを出力するモデルを生成する情報処理装置である。また、生成装置１００は、コンテンツ情報をモデルに入力することにより、入力されたコンテンツに関する複数の指標に基づく評価を示すスコアを予測する。

また、生成システム１においては、生成装置１００が複数の販売元が提供する商品を購入可能な電子商取引サービスを提供する。すなわち、生成システム１においては、複数の販売元が提供する商品を購入可能な電子商取引サービスが提供される。

また、生成装置１００は電子商取引サービスや検索サービス等の種々のサービスを提供してもよい。また、外部の情報処理装置が検索サービスや電子商取引サービスを提供する場合、生成装置１００は検索サービスや電子商取引サービスを提供しなくてもよい。この場合、生成装置１００は、検索サービスや電子商取引サービスを提供する外部の情報処理装置等から各種情報を取得し、取得した各種情報に基づいて生成処理や外部の情報処理装置への情報提供を行ってもよい。

まず、図１の示す例において、生成装置１００は、正解情報を生成するための情報を収集する。具体的には、生成装置１００は、商品ＧＤ１０１（Ａ商品）〜商品ＧＤ１０５（Ｅ商品）等のコンテンツをユーザに配信し、配信したコンテンツに対するユーザの行動に関する情報（行動情報）を取得する。

なお、上記のように、「商品ＧＤ＊（＊は任意の数値）」と記載した場合、その商品は商品ＩＤ「ＧＤ＊」により識別される商品であることを示す。例えば、「商品ＧＤ１」と記載した場合、その商品は商品ＩＤ「ＧＤ１」により識別される商品である。なお、以下では、「商品ＧＤ＊（＊は任意の数値）」の商品情報を「商品ＧＤ＊（＊は任意の数値）」と表記する場合がある。例えば、以下では、商品ＧＤ１を商品ＧＤ１の商品情報（コンテンツ）と読み替えることもできる。

例えば、生成装置１００は、ユーザＵ１が利用する端末装置１０−１にコンテンツを提供（配信）する（ステップＳ１１−１）。図１の例では、生成装置１００は、端末装置１０−１に商品ＧＤ１０１（Ａ商品）等のコンテンツを提供する。そして、生成装置１００は、ユーザＵ１から商品ＧＤ１０１（Ａ商品）等のコンテンツに対する行動情報を取得する（ステップＳ１２−１）。図１の例では、生成装置１００は、端末装置１０−１からユーザＵ１がＡ商品のコンテンツをクリックし、Ａ商品を購入したことを示す行動情報を取得する。また、図１の例では、ユーザＵ１がＡ商品を購入した時点が、Ａ商品のコンテンツの配信開始後から１時間が経過した時点であるものとする。以下では、配信したコンテンツに対するユーザの行動を対象行動とする場合がある。例えば、生成装置１００は、ユーザＵ１がＡ商品のコンテンツをクリックし、Ａ商品を購入するという対象行動を行ったことを示す行動情報を取得する。

また、例えば、生成装置１００は、ユーザＵ２が利用する端末装置１０−２にコンテンツを配信する（ステップＳ１１−２）。図１の例では、生成装置１００は、端末装置１０−２に商品ＧＤ１０２（Ｂ商品）等のコンテンツを提供する。そして、生成装置１００は、ユーザＵ２から商品ＧＤ１０２（Ｂ商品）等のコンテンツに対する行動情報を取得する（ステップＳ１２−２）。図１の例では、生成装置１００は、端末装置１０−２からユーザＵ２がＢ商品のコンテンツをクリックしたことを示す行動情報を取得する。例えば、生成装置１００は、ユーザＵ２がＢ商品のコンテンツをクリックするという対象行動を行ったことを示す行動情報を取得する。

例えば、生成装置１００は、ユーザＵ３が利用する端末装置１０−３にコンテンツを配信する（ステップＳ１１−３）。図１の例では、生成装置１００は、端末装置１０−３に商品ＧＤ１０３（Ｃ商品）等のコンテンツを提供する。そして、生成装置１００は、ユーザＵ３から商品ＧＤ１０３（Ｃ商品）等のコンテンツに対する行動情報を取得する（ステップＳ１２−３）。図１の例では、生成装置１００は、端末装置１０−３からユーザＵ３がＣ商品のコンテンツをクリックし、Ｃ商品を購入したことを示す行動情報を取得する。また、図１の例では、ユーザＵ３がＣ商品を購入した時点が、Ｃ商品のコンテンツの配信開始後から２０時間が経過した時点であるものとする。例えば、生成装置１００は、ユーザＵ３がＣ商品のコンテンツをクリックし、Ｃ商品を購入するという対象行動を行ったことを示す行動情報を取得する。

また、例えば、生成装置１００は、ユーザＵ４が利用する端末装置１０−４にコンテンツを配信する（ステップＳ１１−４）。図１の例では、生成装置１００は、端末装置１０−４に商品ＧＤ１０４（Ｄ商品）等のコンテンツを提供する。そして、生成装置１００は、ユーザＵ４から商品ＧＤ１０４（Ｄ商品）等のコンテンツに対する行動情報を取得する（ステップＳ１２−４）。図１の例では、生成装置１００は、端末装置１０−４からユーザＵ４がＤ商品のコンテンツに関する行動（対象行動）を行わなかったことを示す行動情報を取得する。例えば、生成装置１００は、端末装置１０−４からユーザＵ４がＤ商品のコンテンツをクリックせず、Ｄ商品の購入も行わなかったことを示す行動情報を取得する。

また、例えば、生成装置１００は、ユーザＵ５が利用する端末装置１０−５にコンテンツを配信する（ステップＳ１１−５）。図１の例では、生成装置１００は、端末装置１０−５に商品ＧＤ１０５（Ｅ商品）等のコンテンツを提供する。そして、生成装置１００は、ユーザＵ５から商品ＧＤ１０５（Ｅ商品）等のコンテンツに対する行動情報を取得する（ステップＳ１２−５）。図１の例では、生成装置１００は、端末装置１０−５からユーザＵ５がＥ商品のコンテンツに関する行動（対象行動）を行わなかったことを示す行動情報を取得する。例えば、生成装置１００は、端末装置１０−５からユーザＵ５がＥ商品のコンテンツをクリックせず、Ｅ商品の購入も行わなかったことを示す行動情報を取得する。

以下、ステップＳ１１−１〜Ｓ１１−５を区別せずに説明する場合、ステップＳ１１と総称する。また、ステップＳ１１−１〜Ｓ１１−５に限らず、各ユーザへのコンテンツの配信は、複数回行われてもよい。また、以下、ステップＳ１２−１〜Ｓ１２−５を区別せずに説明する場合、ステップＳ１２と総称する。なお、図１では、５人のユーザＵ１〜Ｕ５を図示するが、生成装置１００は、ユーザＵ１〜Ｕ５に限らず、多数のユーザ（例えば、１００万ユーザや１０００万ユーザ等）による配信されたコンテンツに対する行動情報を取得する。

そして、生成装置１００は、ステップＳ１２において取得した情報に基づいて、学習データを追加する（ステップＳ１３）。例えば、生成装置１００は、配信したコンテンツに関する情報と、配信したコンテンツに対するユーザの行動を正解情報との組み合わせを学習データとして追加する。具体的には、生成装置１００は、コンテンツを配信した商品ＧＤ１０１〜ＧＤ１０５等の各々に対応するデータＤＴ１０１〜ＤＴ１０５等を学習データ記憶部１２１に追加する。

なお、上記のように、「データＤＴ＊（＊は任意の数値）」と記載した場合、そのデータはデータＩＤ「ＤＴ＊」により識別されるデータであることを示す。例えば、「データＤＴ１」と記載した場合、そのデータはデータＩＤ「ＤＴ１」により識別されるデータである。

図１中の学習データ記憶部１２１に示す「データＩＤ」は、データを識別するための識別情報を示す。図１中の学習データ記憶部１２１に示す「対象商品」は、データＩＤにより識別されるデータに対象となる商品を示す。

図１中の学習データ記憶部１２１に示す「正解情報」は、データＩＤにより識別されるデータに対応する正解情報を示す。図１中の学習データ記憶部１２１に示す「正解情報」中の「クリック」は、対応する対象商品のコンテンツが配信先のユーザにクリックされたか否かを示す。例えば、「クリック」が「１」である場合、対応する対象商品のコンテンツが配信先のユーザにクリックされたことを示す。例えば、「クリック」が「０」である場合、対応する対象商品のコンテンツが配信先のユーザにクリックされなかったことを示す。

図１中の学習データ記憶部１２１に示す「正解情報」中の「早く売れる」は、対応する対象商品のコンテンツの配信先となるユーザが、その対象商品を購入したか否かを示す。例えば、「早く売れる」が「１」である場合、対応する対象商品のコンテンツの配信が開始されてから所定の期間内に、ユーザに購入されたことを示す。例えば、「早く売れる」が「１」である場合、対応する対象商品のコンテンツの配信が開始されてから２４時間内に、ユーザに購入されたことを示す。また、「早く売れる」が「１」である場合に示す時間は、対応する対象商品のコンテンツの配信が開始されてからユーザに購入されるまでに経過した時間を示す。また、例えば、「早く売れる」が「０」である場合、対応する対象商品のコンテンツの配信が開始されてから所定の期間内に、ユーザに購入されなかったことを示す。

図１中の学習データ記憶部１２１に示す「コンテンツ情報」は、データＩＤにより識別されるデータに対応するコンテンツに関する情報を示す。「コンテンツ情報」は、データＩＤにより識別されるデータに対応するコンテンツの配信に関する情報を示す。

図１中の学習データ記憶部１２１に示す「コンテンツ情報」中の「コンテンツデータ」は、データＩＤにより識別されるデータに対応する配信においてユーザに提供されたコンテンツデータを示す。図５では「コンテンツデータ」に「ＣＤＴ１０１」といった概念的な情報が格納される例を示したが、実際には、コンテンツに関する種々の情報、または、その格納場所を示すファイルパス名などが格納される。例えば、「コンテンツデータ」には、対応商品に関する商品名やカテゴリや画像やタイトルや説明文等の文字情報等の種々の情報が含まれる。例えば、「コンテンツデータ」には、対応商品に関する商品名やカテゴリや画像やタイトルや説明文等の文字情報等の種々の情報が含まれる。例えば、「コンテンツデータ」は、コンテンツに関する情報のうち、配信先となるユーザや配信日時により変動しない静的な情報であってもよい。例えば、「コンテンツデータ」には、フリーマーケット形式における契約が成立する価格やオークション形式においてオークション期間内であっても契約が成立する価格（即決価格）が含まれてもよい。

図１中の学習データ記憶部１２１に示す「コンテンツ情報」中の「ログデータ」は、データＩＤにより識別されるデータに対応する対象商品のコンテンツ配信における履歴情報を示す。「ログデータ」は、データＩＤにより識別されるデータに対応する対象商品のコンテンツ配信の配信先となるユーザや配信時点における種々の情報が含まれる。図５では「ログデータ」に「ＬＤＴ１０１」といった概念的な情報が格納される例を示したが、実際には、コンテンツ配信に関する種々の情報、または、その格納場所を示すファイルパス名などが格納される。例えば、「ログデータ」は、データＩＤにより識別されるデータに対応する対象商品のコンテンツ配信の配信先となるユーザに関する情報が含まれてもよい。

また、例えば、「ログデータ」には、対象商品に関するユーザの行動（入札）等によって動的に変動する動的情報であって、コンテンツ配信時点における動的情報が含まれてもよい。例えば、「ログデータ」には、コンテンツ配信時点における現在価格や入札数や入札者数や残り時間等の種々の情報が含まれてもよい。なお、上記は一例であり、ログデータには、上記に限らず種々の情報が含まれてもよい。なお、「コンテンツデータ」と「ログデータ」とは、コンテンツに関する情報であれば、互いに重複する情報が含まれてもよい。

例えば、図１に示す例において、データＩＤ「ＤＴ１０１」により識別されるデータ（データＤＴ１０１）は、対象商品が商品ＧＤ１０１（Ａ商品）であることを示す。また、データＤＴ１０１は、正解情報のうち、「クリック」が「１」であり、「早く売れる」が「１（１時間）」であることを示す。また、データＤＴ１０１は、コンテンツ情報のうち、「コンテンツデータ」が「ＣＤＴ１０１」であり、「ログデータ」が「ＬＤＴ１０１（Ｕ１等）」であることを示す。

すなわち、データＤＴ１０１は、商品ＧＤ１０１（Ａ商品）のコンテンツのユーザＵ１への配信に関するデータであることを示す。データＤＴ１０１は、配信された商品ＧＤ１０１のコンテンツをユーザＵ１がクリックしたことを示す。また、データＤＴ１０１は、配信された商品ＧＤ１０１をユーザＵ１が購入したことを示す。また、データＤＴ１０１は、ユーザＵ１による商品ＧＤ１０１の購入が商品ＧＤ１０１のコンテンツの配信開始から１時間後であることを示す。

そして、生成装置１００は、学習データに基づいてモデルを生成する（ステップＳ１４）。例えば、生成装置１００は、学習データ記憶部１２１中のデータＤＴ１０１〜ＤＴ１０５等を学習データ（教師データ）として、学習を行なうことにより、モデルを生成する。例えば、生成装置１００は、コンテンツに関する特徴量を用いて、モデルを生成する。例えば、生成装置１００は、コンテンツの内容に関する特徴量を用いて、モデルを生成する。例えば、生成装置１００は、コンテンツに対応する商品に関する特徴量を用いて、モデルを生成する。例えば、生成装置１００は、コンテンツに対応する商品のカテゴリや販売モード等に関する特徴量を用いて、モデルを生成する。例えば、生成装置１００は、コンテンツの配信先となるユーザに関する特徴量を用いて、モデルを生成する。図１の例では、生成装置１００は、コンテンツ情報に含まれるそのコンテンツに対応する商品等に関する特徴を学習し、そのコンテンツがユーザにクリックされたり、そのコンテンツに対応する商品がユーザに購入されたりするかを予測するモデルを生成する。なお、生成装置１００が学習するコンテンツ情報に含まれる特徴は、生成装置１００の管理者等の人間が生成装置１００に入力してもよいし、生成装置１００に自動的に学習（抽出）させてもよい。

例えば、生成装置１００は、データＤＴ１０１〜ＤＴ１０５を用いてモデルＭ１を生成する。例えば、生成装置１００は、正解情報である第１指標「クリック」及び第２指標「早く売れる」の両方が「１」であるデータＤＴ１０１については、モデルＭ１にデータＤＴ１０１に対応するコンテンツ情報が入力された場合に、モデルＭ１が出力するスコアが「１」に近づくように、学習処理を行う。例えば、生成装置１００は、データＤＴ１０１のコンテンツデータＣＤＴ１０１やログデータＬＤＴ１０１等がモデルＭ１に入力された場合に、モデルＭ１が出力するスコアが「１」に近づくように、学習処理を行う。なお、生成装置１００は、販売開始から購入されるまでの時間に基づいて、第２指標「早く売れる」について重み付けを変動させてもよいが、この点の詳細は後述する。

また、例えば、生成装置１００は、正解情報である第１指標「クリック」が「１」であり、第２指標「早く売れる」が「０」であるデータＤＴ１０２については、モデルＭ１にデータＤＴ１０２に対応するコンテンツ情報が入力された場合に、モデルＭ１が出力するスコアが「０．５」に近づくように、学習処理を行う。例えば、生成装置１００は、データＤＴ１０２のコンテンツデータＣＤＴ１０２やログデータＬＤＴ１０２等がモデルＭ１に入力された場合に、モデルＭ１が出力するスコアが「０．５」に近づくように、学習処理を行う。

また、例えば、生成装置１００は、正解情報である第１指標「クリック」及び第２指標「早く売れる」の両方が「０」であるデータＤＴ１０４については、モデルＭ１にデータＤＴ１０４に対応するコンテンツ情報が入力された場合に、モデルＭ１が出力するスコアが「０」に近づくように、学習処理を行う。例えば、生成装置１００は、データＤＴ１０４のコンテンツデータＣＤＴ１０４やログデータＬＤＴ１０４等がモデルＭ１に入力された場合に、モデルＭ１が出力するスコアが「０」に近づくように、学習処理を行う。

なお、モデルの学習手法については、上述した手法に限定されるものではなく、任意の公知技術が適用可能である。なお、各モデルの生成は、機械学習に関する種々の従来技術を適宜用いて行われてもよい。例えば、モデルの生成は、ＳＶＭ（Support Vector Machine）等の教師あり学習の機械学習に関する技術を用いて行われてもよい。また、例えば、モデルの生成は、教師なし学習の機械学習に関する技術を用いて行われてもよい。例えば、モデルの生成は、深層学習（ディープラーニング）の技術を用いて行われてもよい。例えば、モデルの生成は、ＤＮＮ（Deep Neural Network）やＲＮＮ（Recurrent Neural Network）やＣＮＮ（Convolutional Neural Network）等の種々のディープラーニングの技術を適宜用いて行われてもよい。なお、上記モデルの生成に関する記載は例示であり、モデルの生成は、取得可能な情報等に応じて適宜選択された学習手法により行われてもよい。すなわち、生成装置１００は、学習データに含まれるコンテンツ情報が入力された場合に、正解情報に対応するスコアを出力するようにモデルＭ１を学習可能であれば、どのような手法によりモデルＭ１の生成を行ってもよい。

上記のような処理により、図１の例では、生成装置１００は、モデル情報記憶部１２２に示すように、モデルＩＤ「Ｍ１」により識別されるモデル（モデルＭ１）を生成する。上記のように、「モデルＭ＊（＊は任意の数値）」と記載した場合、そのモデルはモデルＩＤ「Ｍ＊」により識別されるモデルであることを示す。例えば、「モデルＭ１」と記載した場合、そのモデルはモデルＩＤ「Ｍ１」により識別されるモデルである。また、図１中のモデル情報記憶部１２２に示すように、モデルＭ１は予測の対象となる指標を示す予測対象「早く売れる＋ＣＴＲ」、すなわちユーザに配信されるコンテンツがユーザにクリックされ、その対象となる商品がユーザに早く購入されるかの予測に用いられるモデルであり、その具体的なモデルデータが「モデルデータＭＤＴ１」であることを示す。例えば、生成装置１００は、モデルＭ１にコンテンツ情報を入力することにより、入力したコンテンツ情報に対応するコンテンツがクリックされ、コンテンツに対応する商品が早く売れるかを示すスコアを、モデルＭ１に出力させる。そして、生成装置１００は、モデルＭ１が出力するスコアに基づいて、コンテンツに関するユーザの行動に対応する複数の指標に対応するコンテンツの評価を予測する。具体的には、生成装置１００は、モデルＭ１が出力するスコアに基づいて、コンテンツがクリックされるかを示す第１指標「ＣＴＲ」と、コンテンツに対応する商品が早く売れるかを示す第２指標「早く売れる」の２つ指標に対応するコンテンツの評価を予測する。

上述したように、生成装置１００は、コンテンツ情報と正解情報とが対応付けられた学習データを用いて学習することにより、あるコンテンツにおける複数の指標に基づく評価を適切に予測可能にするモデルを生成することができる。したがって、生成装置１００は、上述のように生成したモデルを用いることにより、例えば、あるコンテンツがクリックされやすいか、またそのコンテンツに対応する商品が早く売れるかの２つの指標を加味したコンテンツの評価を精度よく予測することを可能にすることができる。

〔２．配信処理〕
図２を用いて、実施形態に係る配信処理の一例について説明する。図２は、実施形態に係る配信処理の一例を示す図である。図２では、生成装置１００は、ユーザからの配信要求を取得した場合に、予測したスコアに基づいてコンテンツを配信する場合を示す。

まず、生成装置１００は、コンテンツの配信要求を取得する（ステップＳ２１）。図２の例では、生成装置１００は、ユーザＵ１０１が利用する端末装置１０かコンテンツの配信要求を取得する。

コンテンツの配信要求を取得した生成装置１００は、コンテンツ情報をモデルに入力することにより、スコアを予測する。例えば、生成装置１００は、商品情報記憶部１２５に記憶された各商品ＧＤ１〜ＧＤ５、ＧＤ１０１〜ＧＤ１０５等のコンテンツデータや配信先となるユーザＵ１０１に関する情報を、モデルＭ１に入力する。

図２の例では、生成装置１００は、処理群ＰＳ２２−１に示すような処理により、商品ＧＤ１（Ｖ商品）が配信先となるユーザＵ１０１にクリックされかつ早く売れる可能性を示すスコアを算出する。生成装置１００は、コンテンツ情報ＤＴ１をモデルＭ１に入力する（ステップＳ２２−１）。具体的には、生成装置１００は、Ｖ商品のコンテンツデータＣＤＴ１やユーザＵ１０１に関する情報等を含むデータＤＴ１をモデルＭ１に入力する。データＤＴ１が入力されたモデルＭ１は、スコアを出力する（ステップＳ２３−１）。図２の例では、データＤＴ１が入力されたモデルＭ１は、スコアＳＣ１１−１に示すようなスコア「０．２６」を出力する。

また、生成装置１００は、処理群ＰＳ２２−２に示すような処理により、商品ＧＤ２（Ｗ商品）が配信先となるユーザＵ１０１にクリックされかつ早く売れる可能性を示すスコアを算出する。生成装置１００は、コンテンツ情報ＤＴ２をモデルＭ１に入力する（ステップＳ２２−２）。具体的には、生成装置１００は、Ｗ商品のコンテンツデータＣＤＴ２やユーザＵ１０１に関する情報等を含むデータＤＴ２をモデルＭ１に入力する。データＤＴ２が入力されたモデルＭ１は、スコアを出力する（ステップＳ２３−２）。図２の例では、データＤＴ２が入力されたモデルＭ１は、スコアＳＣ１１−２に示すようなスコア「０．２８」を出力する。

図２の例では、生成装置１００は、処理群ＰＳ２２−１、ＰＳ２２−２等に示すような処理により、各商品ＧＤ１〜ＧＤ５、ＧＤ１０１〜ＧＤ１０５等に対応するスコアを予測する（ステップＳ２４）。図２の例では、生成装置１００は、スコア一覧ＳＬ１１に示すように、各商品ＧＤ１〜ＧＤ５、ＧＤ１０１〜ＧＤ１０５等に対応するスコアを予測する。また、生成装置１００は、各商品ＧＤ１〜ＧＤ５、ＧＤ１０１〜ＧＤ１０５等に対応するスコアに基づいて、各商品ＧＤ１〜ＧＤ５、ＧＤ１０１〜ＧＤ１０５等のランキングを予測する。図２の例では、生成装置１００は、スコアが高い方から順に、各商品ＧＤ１〜ＧＤ５、ＧＤ１０１〜ＧＤ１０５等のランキングを高く予測する。

その後、生成装置１００は、予測結果に基づいてコンテンツ配信を行う（ステップＳ２５）。例えば、生成装置１００は、スコアが高い方から順にコンテンツを配信する。図２の例では、生成装置１００は、商品ＧＤ５（Ｚ商品）、商品ＧＤ１０２（Ｂ商品）、商品ＧＤ２（Ｗ商品）、商品ＧＤ１（Ｖ商品）の順にコンテンツをユーザＵ１０１が利用する端末装置１０に配信する。例えば、生成装置１００は、商品ＧＤ５（Ｚ商品）、商品ＧＤ１０２（Ｂ商品）、商品ＧＤ２（Ｗ商品）、商品ＧＤ１（Ｖ商品）の順に一覧表示されるコンテンツを端末装置１０に配信する。

上述したように、生成装置１００は、モデルを用いることにより、商品に関するコンテンツがユーザにクリックされ、その商品がユーザに早く購入されるかの度合いを示すスコアを予測（生成）する。このように、生成装置１００は、モデルを用いることにより、商品に関するコンテンツがユーザにクリックされ、その商品がユーザに早く購入されるかを予測する。例えば、図２の例では、生成装置１００は、Ｖ商品のコンテンツデータＣＤＴ１やユーザＵ１０１に関する情報等を含むデータＤＴ１をモデルＭ１に入力することにより、モデルＭ１にユーザＵ１によりＶ商品のコンテンツがクリックされ、ユーザＵ１にＶ商品が早く購入される度合いを示すスコアを出力させる。また、図２の例では、生成装置１００は、他の各商品についての同様に、モデルＭ１にユーザＵ１により各商品のコンテンツがクリックされ、ユーザＵ１に各商品が早く購入される度合いを示すスコアを出力させる。そして、生成装置１００は、モデルＭ１が出力するスコアが高い程、その商品に関するコンテンツがユーザにクリックされ、その商品がユーザに早く購入される可能性が高いと予測する。そして、図２の例では、生成装置１００は、スコアが高い商品のコンテンツが優先してユーザに視認されるように、ユーザＵ１０１の端末装置１０にコンテンツを配信する。これにより、生成装置１００は、ユーザにクリックされたり、商品が購入されたりするコンテンツを優先してユーザに提供することができる。

（２−１．複数の指標）
上記では、第１指標「ＣＴＲ」と第２指標「早く売れる」の２つの指標に対応するスコアを予測するモデルを予測（生成）する場合を示したが、生成装置１００は、上記２つの指標に限らず、種々の指標に対応するスコアを予測するモデルを生成してもよい。例えば、生成装置１００は、第１指標「ＣＴＲ」と第２指標「コンバージョン率（ＣＶＲ：Conversion Rate）」の２つの指標に対応するスコアを予測するスコアを生成してもよい。例えば、生成装置１００は、第１指標「ＣＶＲ」と第２指標「高く売れる」の２つの指標に対応するスコアを予測するスコアを生成してもよい。なお、上記は一例であり、生成装置１００は、コンテンツに関するユーザの行動に対応する指標であれば、どのような指標を対象としてモデルを生成してもよい。

上述のように、第１指標「ＣＴＲ」と第２指標「早く売れる」の２つの指標に対応するスコアを予測するモデルを生成する場合を示したが、生成装置１００は、２つの指標に限らず、第３指標や第４指標等の３つ以上指標に対応するスコアを予測してもよい。例えば、生成装置１００は、第１指標「ＣＴＲ」、第２指標「コンバージョン率（ＣＶＲ）」、第３指標「早く売れる」、及び第４指標「高く売れる」の４つの指標に対応するスコアを予測するスコアを生成してもよい。

（２−２．売れるまでの時間に基づく重み予測の対象）
なお、図１の例では、説明を簡単にするために、早く売れた場合、その経過時間に関わらず同じスコアとする場合を示したが、生成装置１００は、売れるまでの時間に応じて重み付けしたスコアを設定してもよい。この点について、図１２を用いて説明する。図１２は、実施形態に係る所要時間に基づく倍率の変動を示す図である。

図１２に示すように、生成装置１００は、販売開始から所定の期間内にユーザに購入された商品であっても、販売開始からの経過時間が短い程、重みを大きくしてもよい。例えば、生成装置１００は、販売開始から所定の期間内にユーザに購入された商品であっても、販売開始からの経過時間が短い程、大きなスコアとなるようにモデルを生成してもよい。

第２倍率α２は、第１倍率α１よりも、販売開始時点の重みと閾値における重みとの差が小さい倍率である。すなわち、第２倍率α２は、第１倍率α１よりも、時間経過に伴う重みの低下の割合が小さい倍率である。また、第３倍率α３は、第２倍率α２よりも、販売開始時点の重みと閾値における重みとの差が小さい倍率である。すなわち、第３倍率α３は、第２倍率α２よりも、時間経過に伴う重みの低下の割合が小さい倍率である。生成装置１００は、このように重みが異なる複数の倍率を用いて、モデルの生成等を行ってもよい。

例えば、生成装置１００は、第１倍率α１、第２倍率α２、第３倍率α３等の種々の倍率のうち、最も予測精度が高い倍率を用いてモデルを生成してもよい。例えば、生成装置１００は、第１倍率α１、第２倍率α２、第３倍率α３等の種々の倍率の各々に基づいて、複数のモデルを生成し、生成した複数のモデルのうち、最も予測精度が高いモデルを用いてコンテンツ配信等を行ってもよい。

〔３．生成装置の構成〕
次に、図４を用いて、実施形態に係る生成装置１００の構成について説明する。図４は、実施形態に係る生成装置の構成例を示す図である。図４に示すように、生成装置１００は、通信部１１０と、記憶部１２０と、制御部１３０とを有する。なお、生成装置１００は、生成装置１００の管理者等から各種操作を受け付ける入力部（例えば、キーボードやマウス等）や、各種情報を表示するための表示部（例えば、液晶ディスプレイ等）を有してもよい。

（通信部１１０）
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Ｎと有線または無線で接続され、端末装置１０との間で情報の送受信を行う。

（記憶部１２０）
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。実施形態に係る記憶部１２０は、図４に示すように、学習データ記憶部１２１と、モデル情報記憶部１２２と、ユーザ情報記憶部１２３と、ログ情報記憶部１２４と、商品情報記憶部１２５とを有する。

（学習データ記憶部１２１）
実施形態に係る学習データ記憶部１２１は、学習データに関する各種情報を記憶する。図５は、実施形態に係る学習データ記憶部の一例を示す図である。例えば、学習データ記憶部１２１は、モデルの生成に用いる教師データを記憶する。図５に示す学習データ記憶部１２１には、「データＩＤ」、「対象商品」、「正解情報」、「コンテンツ情報」といった項目が含まれる。「正解情報」には、「クリック」、「早く売れる」といった項目が含まれる。また、「コンテンツ情報」には、「コンテンツデータ」、「ログデータ」といった項目が含まれる。

「データＩＤ」は、データを識別するための識別情報を示す。例えば、データＩＤ「ＤＴ１０１」により識別されるデータは、図１の例に示した、データＤＴ１０１に対応する。「対象商品」は、データＩＤにより識別されるデータに対象となる商品を示す。

「正解情報」は、データＩＤにより識別されるデータに対応する正解情報を示す。「正解情報」中の「クリック」は、対応する対象商品のコンテンツが配信先のユーザにクリックされたか否かを示す。例えば、「クリック」が「１」である場合、対応する対象商品のコンテンツが配信先のユーザにクリックされたことを示す。例えば、「クリック」が「０」である場合、対応する対象商品のコンテンツが配信先のユーザにクリックされなかったことを示す。

「正解情報」中の「早く売れる」は、対応する対象商品のコンテンツの配信先となるユーザが、その対象商品を購入したか否かを示す。例えば、「早く売れる」が「１」である場合、対応する対象商品のコンテンツの配信が開始されてから所定の期間内に、ユーザに購入されたことを示す。例えば、「早く売れる」が「１」である場合、対応する対象商品のコンテンツの配信が開始されてから２４時間内に、ユーザに購入されたことを示す。また、「早く売れる」が「１」である場合に示す時間は、対応する対象商品のコンテンツの配信が開始されてからユーザに購入されるまでに経過した時間を示す。また、例えば、「早く売れる」が「０」である場合、対応する対象商品のコンテンツの配信が開始されてから所定の期間内に、ユーザに購入されなかったことを示す。

「コンテンツ情報」は、データＩＤにより識別されるデータに対応するコンテンツに関する情報を示す。「コンテンツ情報」は、データＩＤにより識別されるデータに対応するコンテンツの配信に関する情報を示す。

「コンテンツ情報」中の「コンテンツデータ」は、データＩＤにより識別されるデータに対応する配信においてユーザに提供されたコンテンツデータを示す。図５では「コンテンツデータ」に「ＣＤＴ１０１」といった概念的な情報が格納される例を示したが、実際には、コンテンツに関する種々の情報、または、その格納場所を示すファイルパス名などが格納される。例えば、「コンテンツデータ」には、対応商品に関する商品名やカテゴリや画像やタイトルや説明文等の文字情報等の種々の情報が含まれる。例えば、「コンテンツデータ」には、対応商品に関する商品名やカテゴリや画像やタイトルや説明文等の文字情報等の種々の情報が含まれる。例えば、「コンテンツデータ」は、コンテンツに関する情報のうち、配信先となるユーザや配信日時により変動しない静的な情報であってもよい。例えば、「コンテンツデータ」には、フリーマーケット形式における契約が成立する価格やオークション形式においてオークション期間内であっても契約が成立する価格（即決価格）が含まれてもよい。

「コンテンツ情報」中の「ログデータ」は、データＩＤにより識別されるデータに対応する対象商品のコンテンツ配信における履歴情報を示す。「ログデータ」は、データＩＤにより識別されるデータに対応する対象商品のコンテンツ配信の配信先となるユーザや配信時点における種々の情報が含まれる。図５では「ログデータ」に「ＬＤＴ１０１」といった概念的な情報が格納される例を示したが、実際には、コンテンツ配信に関する種々の情報、または、その格納場所を示すファイルパス名などが格納される。例えば、「ログデータ」は、データＩＤにより識別されるデータに対応する対象商品のコンテンツ配信の配信先となるユーザに関する情報が含まれてもよい。

また、例えば、「ログデータ」には、対象商品に関するユーザの行動（入札）等によって動的に変動する動的情報であって、コンテンツ配信時点における動的情報が含まれてもよい。例えば、「ログデータ」には、コンテンツ配信時点における現在価格や入札数や入札者数や残り時間等の種々の情報が含まれてもよい。なお、上記は一例であり、ログデータには、上記に限らず種々の情報が含まれてもよい。なお、「コンテンツデータ」と「ログデータ」とは、コンテンツに関する情報であれば、互いに重複する情報が含まれてもよい。

例えば、図５に示す例において、データＩＤ「ＤＴ１０１」により識別されるデータ（データＤＴ１０１）は、対象商品が商品ＧＤ１０１（Ａ商品）であることを示す。また、データＤＴ１０１は、正解情報のうち、「クリック」が「１」であり、「早く売れる」が「１（１時間）」であることを示す。また、データＤＴ１０１は、コンテンツ情報のうち、「コンテンツデータ」が「ＣＤＴ１０１」であり、「ログデータ」が「ＬＤＴ１０１（Ｕ１等）」であることを示す。

すなわち、データＤＴ１０１は、商品ＧＤ１０１（Ａ商品）のコンテンツのユーザＵ１への配信に関するデータであることを示す。データＤＴ１０１は、配信された商品ＧＤ１０１のコンテンツをユーザＵ１がクリックしたことを示す。また、データＤＴ１０１は、配信された商品ＧＤ１０１をユーザＵ１が購入したことを示す。また、データＤＴ１０１は、ユーザＵ１による商品ＧＤ１０１の購入が商品ＧＤ１０１のコンテンツの配信開始から１時間後であることを示す。

なお、学習データ記憶部１２１は、上記に限らず、目的に応じて種々の情報を記憶してもよい。例えば、学習データ記憶部１２１は、学習データが追加された日時に関する情報を記憶してもよい。また、例えば、学習データ記憶部１２１は、各学習データがどのような判定処理により追加されたかを示す情報を記憶してもよい。例えば、学習データ記憶部１２１は、各学習データが管理者の選択により判定されたか等を示す情報を記憶してもよい。

（モデル情報記憶部１２２）
実施形態に係るモデル情報記憶部１２２は、モデルに関する情報を記憶する。例えば、モデル情報記憶部１２２は、生成処理により生成されたモデル情報（モデルデータ）を記憶する。図６は、実施形態に係るモデル情報記憶部の一例を示す図である。図６に示すモデル情報記憶部１２２は、「モデルＩＤ」、「予測対象」、「モデルデータ」といった項目が含まれる。なお、図６では、モデルＭ１〜Ｍ３のみを図示するが、Ｍ４、Ｍ５等、各予測対象（予測の対象）に応じて多数のモデル情報が記憶されてもよい。

「モデルＩＤ」は、モデルを識別するための識別情報を示す。例えば、モデルＩＤ「Ｍ１」により識別されるモデルは、図１の例に示したモデルＭ１に対応する。「予測対象」は、対応するモデルの予測対象を示す。また、「モデルデータ」は、対応付けられた対応するモデルのデータを示す。例えば、「モデルデータ」には、各層におけるノードと、各ノードが採用する関数と、ノードの接続関係と、ノード間の接続に対して設定される接続係数とを含む情報が含まれる。

例えば、図６に示す例において、モデルＩＤ「Ｍ１」により識別されるモデル（モデルＭ１）は、予測対象が「早く売れる＋ＣＴＲ」であり、ユーザに配信されるコンテンツがユーザにクリックされ、その対象となる商品がユーザに早く購入されるかの予測に用いられることを示す。また、モデルＭ１のモデルデータは、モデルデータＭＤＴ１であることを示す。

例えば、モデルＭ１（モデルデータＭＤＴ１）は、コンテンツに関するコンテンツ情報が入力される入力層と、出力層と、入力層から出力層までのいずれかの層であって出力層以外の層に属する第１要素と、第１要素と第１要素の重みとに基づいて値が算出される第２要素と、を含み、入力層に入力されたコンテンツ情報に対し、出力層以外の各層に属する各要素を第１要素として、第１要素と第１要素の重みとに基づく演算を行うことにより、コンテンツに関するユーザの行動に対応する複数の指標に基づく評価の予測に用いられるスコアの値を出力層から出力するよう、コンピュータを機能させるためのモデルである。

ここで、モデルＭ１〜Ｍ３等が「ｙ＝ａ_１＊ｘ_１＋ａ_２＊ｘ_２＋・・・＋ａ_ｉ＊ｘ_ｉ」で示す回帰モデルで実現されるとする。この場合、例えば、モデルＭ１が含む第１要素は、ｘ１やｘ２等といった入力データ（ｘｉ）に対応する。また、第１要素の重みは、ｘｉに対応する係数ａｉに対応する。ここで、回帰モデルは、入力層と出力層とを有する単純パーセプトロンと見做すことができる。各モデルを単純パーセプトロンと見做した場合、第１要素は、入力層が有するいずれかのノードに対応し、第２要素は、出力層が有するノードと見做すことができる。

また、モデルＭ１〜Ｍ３等がＤＮＮ等、１つまたは複数の中間層を有するニューラルネットワークで実現されるとする。この場合、例えば、モデルＭ１が含む第１要素は、入力層または中間層が有するいずれかのノードに対応する。また、第２要素は、第１要素と対応するノードから値が伝達されるノードである次段のノードに対応する。また、第１要素の重みは、第１要素と対応するノードから第２要素と対応するノードに伝達される値に対して考慮される重みである接続係数に対応する。

なお、モデル情報記憶部１２２は、上記に限らず、目的に応じて種々のモデル情報を記憶してもよい。

（ユーザ情報記憶部１２３）
実施形態に係るユーザ情報記憶部１２３は、ユーザに関する各種情報を記憶する。例えば、ユーザ情報記憶部１２３は、クラウドソーシングなどによるタスクを行う複数のワーカ（ユーザ）に関する情報を記憶する。図７は、実施形態に係るユーザ情報記憶部の一例を示す図である。図７に示すユーザ情報記憶部１２３は、「ユーザＩＤ」、「年齢」、「性別」、「自宅」、「勤務地」、「興味」といった項目が含まれる。

「ユーザＩＤ」は、ユーザを識別するための識別情報を示す。例えば、ユーザＩＤ「Ｕ１」により識別されるユーザは、図１の例に示したユーザＵ１に対応する。また、「年齢」は、ユーザＩＤにより識別されるユーザの年齢を示す。なお、「年齢」は、例えば３５歳など、ユーザＩＤにより識別されるユーザの具体的な年齢であってもよい。また、「性別」は、ユーザＩＤにより識別されるユーザの性別を示す。

また、「自宅」は、ユーザＩＤにより識別されるユーザの自宅の位置情報を示す。なお、図７に示す例では、「自宅」は、「ＬＣ１１」といった抽象的な符号を図示するが、緯度や経度を示す情報であってもよい。また、例えば、「自宅」は、地域名や住所であってもよい。

また、「勤務地」は、ユーザＩＤにより識別されるユーザの勤務地の位置情報を示す。なお、図７に示す例では、「勤務地」は、「ＬＣ１２」といった抽象的な符号を図示するが、緯度や経度を示す情報であってもよい。また、例えば、「勤務地」は、地域名や住所であってもよい。

また、「興味」は、ユーザＩＤにより識別されるユーザの興味を示す。すなわち、「興味」は、ユーザＩＤにより識別されるユーザが関心の高い対象を示す。なお、図７に示す例では、「興味」は、各ユーザに１つずつ図示するが、複数であってもよい。

例えば、図７に示す例において、ユーザＩＤ「Ｕ１」により識別されるユーザの年齢は、「２０代」であり、性別は、「男性」であることを示す。また、例えば、ユーザＩＤ「Ｕ１」により識別されるユーザは、自宅が「ＬＣ１１」であることを示す。また、例えば、ユーザＩＤ「Ｕ１」により識別されるユーザは、勤務地が「ＬＣ１２」であることを示す。また、例えば、ユーザＩＤ「Ｕ１」により識別されるユーザは、「スポーツ」に興味があることを示す。

なお、ユーザ情報記憶部１２３は、上記に限らず、目的に応じて種々の情報を記憶してもよい。例えば、ユーザ情報記憶部１２３は、ユーザのデモグラフィック属性に関する情報やサイコグラフィック属性に関する情報を記憶してもよい。例えば、ユーザ情報記憶部１２３は、氏名、家族構成、収入、興味、ライフスタイル等の情報を記憶してもよい。

（ログ情報記憶部１２４）
実施形態に係るログ情報記憶部１２４は、ユーザの行動等の種々の履歴に関する情報を記憶する。図８は、実施形態に係るログ情報記憶部の一例を示す図である。例えば、ログ情報記憶部１２４は、各ユーザの端末装置１０に配信したコンテンツに対するユーザの行動情報等を含む種々の行動情報を記憶する。図８に示すログ情報記憶部１２４には、「ユーザＩＤ」、「履歴ＩＤ」、「種別」、「内容」、「日時」といった項目が含まれる。

「ユーザＩＤ」は、ユーザを識別するための識別情報を示す。例えば、ユーザＩＤ「Ｕ１」により識別されるユーザは、図１の例に示したユーザＵ１に対応する。また、「履歴ＩＤ」は、ユーザの行動を識別する情報を示す。また、「種別」は、対応するユーザの行動の種別に関する情報を示す。また、「内容」は、対応するユーザの行動において対象となった内容を示す。「日時」は、対応するユーザの行動が行われた日時を示す。「日時」には、「ｄｔ１１」等のように抽象的に図示するが、「２０１７年８月６日１９時３１分５２秒」等の具体的な日時が記憶されてもよい。

例えば、図８に示す例において、ユーザＩＤ「Ｕ１」により識別されるユーザ（ユーザＵ１）は、履歴ＩＤ「ＬＧ１１」により識別される履歴（履歴ＬＧ１１）や履歴ＩＤ「ＬＧ１２」により識別される履歴（履歴ＬＧ１２）等に対応する行動を行ったことを示す。具体的には、図８に示す例においてユーザＵ１は、コンテンツの配信要求（履歴ＬＧ１１に対応）を日時ｄｔ１１に行ったことを示す。例えば、履歴ＬＧ１１は、日時ｄｔ１１にＡ商品等のコンテンツがユーザＵ１が利用する端末装置１０に配信されたことを示す。また、図８に示す例においてユーザＵ１は、日時ｄｔ１１後の日時ｄｔ１２においてＡ商品のコンテンツをクリックしたことを示す。また、図８に示す例においてユーザＵ１は、日時ｄｔ１２後の日時ｄｔ１３においてＡ商品を購入したことを示す。

例えば、図８に示す例において、ユーザＩＤ「Ｕ２」により識別されるユーザ（ユーザＵ２）は、履歴ＩＤ「ＬＧ２１」により識別される履歴（履歴ＬＧ２１）や履歴ＩＤ「ＬＧ２２」により識別される履歴（履歴ＬＧ２２）等に対応する行動を行ったことを示す。具体的には、図８に示す例においてユーザＵ２は、コンテンツの配信要求（履歴ＬＧ２１に対応）を日時ｄｔ２１に行ったことを示す。例えば、履歴ＬＧ２１は、日時ｄｔ２１にＢ商品等のコンテンツがユーザＵ２が利用する端末装置１０に配信されたことを示す。また、図８に示す例においてユーザＵ２は、日時ｄｔ２１後の日時ｄｔ２２においてＢ商品のコンテンツをクリックしたことを示す。また、図８に示す例においてユーザＵ２は、Ｂ商品を購入しなかったことを示す。

なお、ログ情報記憶部１２４は、上記に限らず、目的に応じて種々の情報を記憶してもよい。また、図８では、ユーザＩＤごとに行動情報がログ情報記憶部１２４に記憶される場合を示したが、行動情報は、ユーザＩＤごとに限らず、例えば時刻順に記憶されてもよい。

（商品情報記憶部１２５）
実施形態に係る商品情報記憶部１２５は、商品に関する情報を記憶する。例えば、商品情報記憶部１２５には、商品に出品された商品の詳細な情報が記憶される。図９には、商品情報記憶部に記憶される商品に関する情報の一例を示す。図９に示すように、商品情報記憶部１２５は、商品に関する情報として、「商品ＩＤ」、「商品名」、「販売モード」、「コンテンツデータ」といった項目が含まれる。

「商品ＩＤ」は、商品を識別するための識別情報を示す。また、「商品名」は、商品ＩＤにより識別される商品の名称を示す。また、「販売モード」は、対応する商品の販売態様を示す。例えば、「販売モード」は、オークション形式やフリーマーケット形式等の商品の出品形式を示す。例えば、「販売モード」が「フリマ」である場合、その商品の販売形態は、フリーマーケット形式であることを示す。例えば、「販売モード」が「オークション」である場合、その商品の販売形態は、オークション形式であることを示す。例えば、「販売モード」が「オークション（即決有）」である場合、その商品の販売形態は、オークション形式であり、かつオークション期間内であっても契約が成立する価格（即決価格）の設定が有ることを示す。

「コンテンツデータ」は、商品ＩＤにより識別される商品に対応するコンテンツデータを示す。図９では「コンテンツデータ」に「ＣＤＴ１」といった概念的な情報が格納される例を示したが、実際には、コンテンツに関する種々の情報、または、その格納場所を示すファイルパス名などが格納される。例えば、「コンテンツデータ」には、対応する商品に関するカテゴリや画像やタイトルや説明文等の文字情報等の種々の情報が含まれる。例えば、図９中の「コンテンツデータ」は、コンテンツに関する情報のうち、配信先となるユーザや配信日時により変動しない静的な情報であってもよい。例えば、「コンテンツデータ」には、フリーマーケット形式における契約が成立する価格やオークション形式においてオークション期間内であっても契約が成立する価格（即決価格）が含まれてもよい。なお、図９の例では、商品名を図示するために、「商品名」の項目を示したが、「商品名」の情報は「コンテンツデータ」に含まれてもよい。

例えば、図９に示す例において、商品ＩＤ「ＧＤ１」により識別される商品（商品ＧＤ１）は、商品名が「Ｖ商品」であることを示す。また、商品ＧＤ１は、販売モード「フリマ」であり、コンテンツデータが「ＣＤＴ１」であることを示す。

なお、商品情報記憶部１２５は、上記に限らず、目的に応じて種々の情報を記憶してもよい。

（制御部１３０）
図４の説明に戻って、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、生成装置１００内部の記憶装置に記憶されている各種プログラム（生成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。制御部１３０は、モデル情報記憶部１２２に記憶されているモデルＭ１等に従った情報処理により、コンテンツに関するコンテンツ情報が入力される入力層と、出力層と、入力層から出力層までのいずれかの層であって出力層以外の層に属する第１要素と、第１要素と第１要素の重みとに基づいて値が算出される第２要素と、を含み、入力層に入力されたコンテンツ情報に対し、出力層以外の各層に属する各要素を第１要素として、第１要素と第１要素の重みとに基づく演算を行うことにより、コンテンツに関するユーザの行動に対応する複数の指標に基づく評価の予測に用いられるスコアの値を出力層から出力する。

図４に示すように、制御部１３０は、取得部１３１と、生成部１３２と、予測部１３３と、配信部１３４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。制御部１３０は、記憶部１２０に記憶されているモデルＭ１（モデルデータＭＤＴ１）に従った情報処理により、第１要素と第１要素の重みとに基づいて値が算出される第２要素と、を含み、入力層に入力されたコンテンツ情報に対し、出力層以外の各層に属する各要素を第１要素として、第１要素と第１要素の重みとに基づく演算を行うことにより、コンテンツに関するユーザの行動に対応する複数の指標に基づく評価の予測に用いられるスコアの値を出力層から出力する。

（取得部１３１）
取得部１３１は、各種情報を取得する。例えば、取得部１３１は、学習データ記憶部１２１と、モデル情報記憶部１２２と、ユーザ情報記憶部１２３と、ログ情報記憶部１２４と、商品情報記憶部１２５等から各種情報を取得する。また、取得部１３１は、各種情報を外部の情報処理装置から取得してもよい。また、取得部１３１は、各種情報を端末装置１０等から取得してもよい。

例えば、取得部１３１は、コンテンツに関するコンテンツ情報を取得する。例えば、取得部１３１は、ユーザが利用する端末装置へのコンテンツの配信に関するログ情報を含むコンテンツ情報を取得する。例えば、取得部１３１は、コンテンツに関する対象に設定された金額に対する承諾に応じて取引が成立する態様で出品された対象に対応するコンテンツ情報を取得する。例えば、取得部１３１は、コンテンツに関する対象に設定された期間内における対象に対する入札に応じて取引が成立する態様で出品された対象に対応するコンテンツ情報を取得する。

図１の例では、取得部１３１は、ユーザＵ１から商品ＧＤ１０１（Ａ商品）等のコンテンツに対する行動情報を取得する。例えば、取得部１３１は、端末装置１０−１からユーザＵ１がＡ商品のコンテンツをクリックし、Ａ商品を購入したことを示す行動情報を取得する。例えば、取得部１３１は、ユーザＵ２から商品ＧＤ１０２（Ｂ商品）等のコンテンツに対する行動情報を取得する。例えば、取得部１３１は、端末装置１０−２からユーザＵ２がＢ商品のコンテンツをクリックしたことを示す行動情報を取得する。例えば、取得部１３１は、ユーザＵ３から商品ＧＤ１０３（Ｃ商品）等のコンテンツに対する行動情報を取得する。例えば、取得部１３１は、端末装置１０−３からユーザＵ３がＣ商品のコンテンツをクリックし、Ｃ商品を購入したことを示す行動情報を取得する。

また、図１の例では、取得部１３１は、ユーザＵ４から商品ＧＤ１０４（Ｄ商品）等のコンテンツに対する行動情報を取得する。例えば、取得部１３１は、端末装置１０−４からユーザＵ４がＤ商品のコンテンツに関する行動を行わなかったことを示す行動情報を取得する。例えば、取得部１３１は、端末装置１０−４からユーザＵ４がＤ商品のコンテンツをクリックせず、Ｄ商品の購入も行わなかったことを示す行動情報を取得する。例えば、取得部１３１は、ユーザＵ５から商品ＧＤ１０５（Ｅ商品）等のコンテンツに対する行動情報を取得する。例えば、取得部１３１は、端末装置１０−５からユーザＵ５がＥ商品のコンテンツに関する行動を行わなかったことを示す行動情報を取得する。例えば、取得部１３１は、端末装置１０−５からユーザＵ５がＥ商品のコンテンツをクリックせず、Ｅ商品の購入も行わなかったことを示す行動情報を取得する。

例えば、取得部１３１は、コンテンツの配信要求を取得する。図２の例では、取得部１３１は、ユーザＵ１０１が利用する端末装置１０からコンテンツの配信要求を取得する。

（生成部１３２）
生成部１３２は、各種情報を生成する。例えば、生成部１３２は、学習データ記憶部１２１に記憶された学習データを用いて、モデル情報記憶部１２２に示すようなモデルを生成する。例えば、生成部１３２は、取得部１３１により取得されたコンテンツ情報を用いて、コンテンツに関するユーザの行動に対応する複数の指標に基づく評価を示すスコアを出力するモデルを生成する。また、生成部１３２は、コンテンツに関するユーザの行動情報を正解情報として、モデルを生成する。

例えば、生成部１３２は、ユーザによるコンテンツに関する対象の購入有無に関する指標を含む複数の指標に基づく評価を示すスコアを出力するモデルを生成する。例えば、生成部１３２は、コンテンツの配信開始から所定期間以内における対象の購入有無に関する指標であって、対象が早く売れたかを示す指標を含む複数の指標に基づく評価を示すスコアを出力するモデルを生成する。

例えば、生成部１３２は、コンテンツの配信開始から対象が購入されるまでの時間が短い程、高いスコアが出力されるようにモデルを生成する。例えば、生成部１３２は、コンテンツの配信開始から対象が購入されるまでの時間が短い行動情報程、重みを重くすることによりモデルを生成する。例えば、生成部１３２は、ユーザによるコンテンツのクリック有無に関する指標を含む複数の指標に基づく評価を示すスコアを出力するモデルを生成する。例えば、生成部１３２は、複数の指標の各々に対応する行動を行ったユーザの行動情報が入力された場合に高いスコアを出力するようにモデルを生成する。

例えば、生成部１３２は、モデルＭ１〜Ｍ３等を生成し、生成したモデルＭ１〜Ｍ３等をモデル情報記憶部１２２に格納する。なお、生成部１３２は、いかなる学習アルゴリズムを用いてモデルＭ１〜Ｍ３等を生成してもよい。例えば、生成部１３２は、ニューラルネットワーク、サポートベクターマシン（ＳＶＭ）、クラスタリング、強化学習等の学習アルゴリズムを用いてモデルＭ１〜Ｍ３等を生成する。一例として、生成部１３２がニューラルネットワークを用いてモデルＭ１〜Ｍ３等を生成する場合、モデルＭ１〜Ｍ３等は、一以上のニューロンを含む入力層と、一以上のニューロンを含む中間層と、一以上のニューロンを含む出力層とを有する。

生成部１３２は、モデルを生成し、生成したモデルをモデル情報記憶部１２２に格納する。具体的には、生成部１３２は、コンテンツに関するコンテンツ情報が入力される入力層と、出力層と、入力層から出力層までのいずれかの層であって出力層以外の層に属する第１要素と、第１要素と第１要素の重みとに基づいて値が算出される第２要素と、を含み、入力層に入力されたコンテンツ情報に対し、出力層以外の各層に属する各要素を第１要素として、第１要素と第１要素の重みとに基づく演算を行うことにより、コンテンツに関するユーザの行動に対応する複数の指標に基づく評価の予測に用いられるスコアの値を出力層から出力するモデルを生成する。

図１の例では、生成部１３２は、学習データに基づいてモデルを生成する。例えば、生成部１３２は、学習データ記憶部１２１中のデータＤＴ１０１〜ＤＴ１０５等を学習データ（教師データ）として、学習を行なうことにより、モデルを生成する。例えば、生成部１３２は、コンテンツに関する特徴量を用いて、モデルを生成する。例えば、生成部１３２は、コンテンツの内容に関する特徴量を用いて、モデルを生成する。例えば、生成部１３２は、コンテンツに対応する商品に関する特徴量を用いて、モデルを生成する。例えば、生成部１３２は、コンテンツに対応する商品のカテゴリや販売モード等に関する特徴量を用いて、モデルを生成する。例えば、生成部１３２は、コンテンツの配信先となるユーザに関する特徴量を用いて、モデルを生成する。例えば、生成部１３２は、コンテンツ情報に含まれるそのコンテンツに対応する商品等に関する特徴を学習し、そのコンテンツがユーザにクリックされたり、そのコンテンツに対応する商品がユーザに購入されたりするかを予測するモデルを生成する。

図１の例では、生成部１３２は、データＤＴ１０１〜ＤＴ１０５を用いてモデルＭ１を生成する。例えば、生成部１３２は、正解情報である第１指標「クリック」及び第２指標「早く売れる」の両方が「１」であるデータＤＴ１０１については、モデルＭ１にデータＤＴ１０１に対応するコンテンツ情報が入力された場合に、モデルＭ１が出力するスコアが「１」に近づくように、学習処理を行う。例えば、生成部１３２は、データＤＴ１０１のコンテンツデータＣＤＴ１０１やログデータＬＤＴ１０１等がモデルＭ１に入力された場合に、モデルＭ１が出力するスコアが「１」に近づくように、学習処理を行う。

また、例えば、生成部１３２は、正解情報である第１指標「クリック」が「１」であり、第２指標「早く売れる」が「０」であるデータＤＴ１０２については、モデルＭ１にデータＤＴ１０２に対応するコンテンツ情報が入力された場合に、モデルＭ１が出力するスコアが「０．５」に近づくように、学習処理を行う。例えば、生成部１３２は、データＤＴ１０２のコンテンツデータＣＤＴ１０２やログデータＬＤＴ１０２等がモデルＭ１に入力された場合に、モデルＭ１が出力するスコアが「０．５」に近づくように、学習処理を行う。

また、例えば、生成部１３２は、正解情報である第１指標「クリック」及び第２指標「早く売れる」の両方が「０」であるデータＤＴ１０４については、モデルＭ１にデータＤＴ１０４に対応するコンテンツ情報が入力された場合に、モデルＭ１が出力するスコアが「０」に近づくように、学習処理を行う。例えば、生成部１３２は、データＤＴ１０４のコンテンツデータＣＤＴ１０４やログデータＬＤＴ１０４等がモデルＭ１に入力された場合に、モデルＭ１が出力するスコアが「０」に近づくように、学習処理を行う。

図１の例では、生成部１３２は、上記のようなデータＤＴ１０１〜ＤＴ１０５等を含む学習データに基づいてモデルを生成する。例えば、生成部１３２は、学習データ記憶部１２１中のデータＤＴ１０１〜ＤＴ１０５等を学習データ（教師データ）として、学習を行なうことにより、モデルを生成する。図１に示すような処理により生成部１３２は、モデル情報記憶部１２２に示すように、モデルＩＤ「Ｍ１」により識別されるモデル（モデルＭ１）を生成する。

（予測部１３３）
予測部１３３は、各種情報を予測する。予測部１３３は、学習データ記憶部１２１と、モデル情報記憶部１２２と、ユーザ情報記憶部１２３と、ログ情報記憶部１２４と、商品情報記憶部１２５等に記憶された情報を用いて種々の情報を予測する。例えば、予測部１３３は、取得部１３１により取得された各種情報に基づいて、種々の情報を予測する。

例えば、予測部１３３は、モデルを用いて、コンテンツのスコアを予測する。例えば、予測部１３３は、コンテンツに関するコンテンツ情報をモデルに入力することにより、コンテンツのスコアを予測する。例えば、予測部１３３は、モデルＭ１が出力するスコアに基づいて、コンテンツに関するユーザの行動に対応する複数の指標に対応するコンテンツの評価を予測する。例えば、予測部１３３は、モデルＭ１が出力するスコアに基づいて、コンテンツがクリックされるかを示す第１指標「ＣＴＲ」と、コンテンツに対応する商品が早く売れるかを示す第２指標「早く売れる」の２つ指標に対応するコンテンツの評価を予測する。

図２の例では、予測部１３３は、処理群ＰＳ２２−１、ＰＳ２２−２等に示すような処理により、各商品ＧＤ１〜ＧＤ５、ＧＤ１０１〜ＧＤ１０５等に対応するスコアを予測する。例えば、予測部１３３は、スコア一覧ＳＬ１１に示すように、各商品ＧＤ１〜ＧＤ５、ＧＤ１０１〜ＧＤ１０５等に対応するスコアを予測する。例えば、予測部１３３は、各商品ＧＤ１〜ＧＤ５、ＧＤ１０１〜ＧＤ１０５等に対応するスコアに基づいて、各商品ＧＤ１〜ＧＤ５、ＧＤ１０１〜ＧＤ１０５等のランキングを予測する。例えば、予測部１３３は、スコアが高い方から順に、各商品ＧＤ１〜ＧＤ５、ＧＤ１０１〜ＧＤ１０５等のランキングを高く予測する。

例えば、予測部１３３は、上述した回帰モデルやニューラルネットワーク等、任意の構造を有するモデルを用いて、スコアの算出を行う。具体的には、モデルＭ１は、コンテンツに関するコンテンツ情報（すなわち、上述したスコアの算出に用いられる各要素）が入力された場合に、所定の対象の予測を定量化した値（すなわち、複数の指標の各々に対応する行動がユーザにより行われる可能性が高いかを示唆するスコア）を出力するように係数が設定される。予測部１３３は、このようなモデルＭ１を用いて、各出品の対象に関するスコアを算出する。

なお、上記例では、モデルＭ１が、コンテンツに関するコンテンツ情報が入力された場合に、コンテンツに関するユーザの行動に対応する複数の指標に基づく評価を定量化した値を出力するモデルである例を示した。しかし、実施形態に係るモデル（モデルＸ）は、モデルＭ１にデータの入出力を繰り返すことで得られる結果に基づいて生成されるモデルであってもよい。例えば、モデルＸは、コンテンツに関するコンテンツ情報を入力とし、モデルＭ１が出力するスコアを出力とするよう学習されたモデル（モデルＹ)であってもよい。または、モデルＭ１は、コンテンツに関するコンテンツ情報を入力とし、モデルＹの出力値を出力とするよう学習されたモデルであってもよい。また、予測部１３３がＧＡＮ（Generative Adversarial Networks）を用いた予測処理を行う場合、モデルＭ１は、ＧＡＮの一部を構成するモデルであってもよい。

（配信部１３４）
配信部１３４は、各種情報を提供する。例えば、配信部１３４は、端末装置１０に各種情報を提供する。配信部１３４は、予測部１３３により予測されたスコアに基づいてサービスを提供する。例えば、配信部１３４は、予測部１３３により予測されたスコアに基づいて、コンテンツ配信サービスを提供する。また、例えば、配信部１３４は、生成部１３２により生成されたモデルに関する情報を外部の情報処理装置へ提供してもよい。また、例えば、配信部１３４は、モデルが出力する情報を外部の情報処理装置へ提供してもよい。

配信部１３４は、モデルが出力するスコアに基づいて、コンテンツを配信する。例えば、配信部１３４は、オークション形式により取引される対象に関するコンテンツと、フリーマーケット形式により取引される対象に関するコンテンツとを含むコンテンツ群のうち、モデルが出力するスコアに基づいて、コンテンツを配信する。

図１の例では、配信部１３４は、ユーザＵ１〜Ｕ５が利用する端末装置１０−１〜１０−５にコンテンツを配信する。図２の例では、配信部１３４は、予測部１３３による予測結果に基づいてコンテンツ配信を行う。例えば、配信部１３４は、スコアが高い方から順にコンテンツを配信する。例えば、配信部１３４は、商品ＧＤ５（Ｚ商品）、商品ＧＤ１０２（Ｂ商品）、商品ＧＤ２（Ｗ商品）、商品ＧＤ１（Ｖ商品）の順にコンテンツをユーザＵ１０１が利用する端末装置１０に配信する。例えば、配信部１３４は、商品ＧＤ５（Ｚ商品）、商品ＧＤ１０２（Ｂ商品）、商品ＧＤ２（Ｗ商品）、商品ＧＤ１（Ｖ商品）の順に一覧表示されるコンテンツを端末装置１０に配信する。

〔４．生成処理のフロー〕
次に、図１０を用いて、実施形態に係る生成システム１による生成処理の手順について説明する。図１０は、実施形態に係る生成処理の一例を示すフローチャートである。

図１０に示すように、生成装置１００は、学習データを取得する（ステップＳ１０１）。例えば、生成装置１００は、学習データ記憶部１２１から学習データを取得する。

その後、生成装置１００は、学習データに基づきモデルを生成する（ステップＳ１０２）。図１の例では、生成装置１００は、学習データ記憶部１２１に記憶された学習データを用いてモデルＭ１を生成する。

〔５．配信処理のフロー〕
次に、図１１を用いて、実施形態に係る生成システム１による配信処理の手順について説明する。図１１は、実施形態に係る配信処理の一例を示すフローチャートである。

図１１に示すように、生成装置１００は、配信要求を取得する（ステップＳ２０１）。図２の例では、生成装置１００は、ユーザＵ１０１が利用する端末装置１０から配信要求を取得する。

また、生成装置１００は、モデルを用いて各商品のスコアを予測する（ステップＳ２０２）。図２の例では、生成装置１００は、モデルＭ１を用いて、商品ＧＤ１〜ＧＤ５、ＧＤ１０１〜ＧＤ１０５等のコンテンツ（商品情報）のスコアを予測する。

また、生成装置１００は、予測したスコアに基づいて、商品に関するコンテンツを提供する（ステップＳ２０３）。図２の例では、生成装置１００は、商品ＧＤ５（Ｚ商品）、商品ＧＤ１０２（Ｂ商品）、商品ＧＤ２（Ｗ商品）、商品ＧＤ１（Ｖ商品）等、スコアが高い方から順にコンテンツを配信する。

〔６．効果〕
上述してきたように、実施形態に係る生成装置１００は、取得部１３１と、生成部１３２とを有する。取得部１３１は、コンテンツに関するコンテンツ情報を取得する。また、生成部１３２は、取得部１３１により取得されたコンテンツ情報を用いて、コンテンツに関するユーザの行動に対応する複数の指標に基づく評価を示すスコアを出力するモデルを生成する。

このように、実施形態に係る生成装置１００は、コンテンツ情報を用いて、コンテンツに関するユーザの行動に対応する複数の指標に基づく評価を示すスコアを出力するモデルを生成することにより、コンテンツに関するユーザの行動に対応する複数の指標に基づく評価を適切に予測可能にすることができる。

また、実施形態に係る生成装置１００において、取得部１３１は、ユーザが利用する端末装置１０へのコンテンツの配信に関するログ情報を含むコンテンツ情報を取得する。また、生成部１３２は、コンテンツに関するユーザの行動情報を正解情報として、モデルを生成する。

このように、実施形態に係る生成装置１００は、コンテンツに関するユーザの行動情報を正解情報として、モデルを生成することにより、コンテンツに関するユーザの行動に対応する複数の指標に基づく評価を適切に予測可能にすることができる。

また、実施形態に係る生成装置１００において、生成部１３２は、ユーザによるコンテンツに関する対象の購入有無に関する指標を含む複数の指標に基づく評価を示すスコアを出力するモデルを生成する。

このように、実施形態に係る生成装置１００は、ユーザによるコンテンツに関する対象の購入有無に関する指標を含む複数の指標に基づく評価を示すスコアを出力するモデルを生成することにより、コンテンツに関するユーザの行動に対応する複数の指標に基づく評価を適切に予測可能にすることができる。

また、実施形態に係る生成装置１００において、生成部１３２は、コンテンツの配信開始から所定期間以内における対象の購入有無に関する指標であって、対象が早く売れたかを示す指標を含む複数の指標に基づく評価を示すスコアを出力するモデルを生成する。

このように、実施形態に係る生成装置１００は、コンテンツの配信開始から所定期間以内における対象の購入有無に関する指標であって、対象が早く売れたかを示す指標を含む複数の指標に基づく評価を示すスコアを出力するモデルを生成することにより、コンテンツに関するユーザの行動に対応する複数の指標に基づく評価を適切に予測可能にすることができる。

また、実施形態に係る生成装置１００において、生成部１３２は、コンテンツの配信開始から対象が購入されるまでの時間が短い程、高いスコアが出力されるようにモデルを生成する。

このように、実施形態に係る生成装置１００は、コンテンツの配信開始から対象が購入されるまでの時間が短い程、高いスコアが出力されるようにモデルを生成することにより、コンテンツに関するユーザの行動に対応する複数の指標に基づく評価を適切に予測可能にすることができる。

また、実施形態に係る生成装置１００において、生成部１３２は、コンテンツの配信開始から対象が購入されるまでの時間が短い行動情報程、重みを重くすることによりモデルを生成する。

このように、実施形態に係る生成装置１００は、コンテンツの配信開始から対象が購入されるまでの時間が短い行動情報程、重みを重くすることによりモデルを生成することにより、コンテンツに関するユーザの行動に対応する複数の指標に基づく評価を適切に予測可能にすることができる。

また、実施形態に係る生成装置１００において、取得部１３１は、コンテンツに関する対象に設定された金額に対する承諾に応じて取引が成立する態様で出品された対象に対応するコンテンツ情報を取得する。

このように、実施形態に係る生成装置１００は、コンテンツに関する対象に設定された金額に対する承諾に応じて取引が成立する態様で出品された対象に対応するコンテンツ情報を取得することにより、コンテンツに関するユーザの行動に対応する複数の指標に基づく評価を適切に予測可能にすることができる。

また、実施形態に係る生成装置１００において、取得部１３１は、コンテンツに関する対象に設定された期間内における対象に対する入札に応じて取引が成立する態様で出品された対象に対応するコンテンツ情報を取得する。

このように、実施形態に係る生成装置１００は、コンテンツに関する対象に設定された期間内における対象に対する入札に応じて取引が成立する態様で出品された対象に対応するコンテンツ情報を取得することにより、コンテンツに関するユーザの行動に対応する複数の指標に基づく評価を適切に予測可能にすることができる。

また、実施形態に係る生成装置１００において、生成部１３２は、ユーザによるコンテンツのクリック有無に関する指標を含む複数の指標に基づく評価を示すスコアを出力するモデルを生成する。

このように、実施形態に係る生成装置１００は、ユーザによるコンテンツのクリック有無に関する指標を含む複数の指標に基づく評価を示すスコアを出力するモデルを生成することにより、コンテンツに関するユーザの行動に対応する複数の指標に基づく評価を適切に予測可能にすることができる。

また、実施形態に係る生成装置１００において、生成部１３２は、複数の指標の各々に対応する行動を行ったユーザの行動情報が入力された場合に高いスコアを出力するようにモデルを生成する。

このように、実施形態に係る生成装置１００は、複数の指標の各々に対応する行動を行ったユーザの行動情報が入力された場合に高いスコアを出力するようにモデルを生成することにより、コンテンツに関するユーザの行動に対応する複数の指標に基づく評価を適切に予測可能にすることができる。

また、実施形態に係る生成装置１００は、配信部１３４を有する。配信部１３４は、モデルが出力するスコアに基づいて、コンテンツを配信する。

このように、実施形態に係る生成装置１００は、モデルが出力するスコアに基づいて、コンテンツを配信することにより、コンテンツに関するユーザの行動に対応する複数の指標の予測評価に応じた情報提供を行うことができる。

また、実施形態に係る生成装置１００において、配信部１３４は、オークション形式により取引される対象に関するコンテンツと、フリーマーケット形式により取引される対象に関するコンテンツとを含むコンテンツ群のうち、モデルが出力するスコアに基づいて、コンテンツを配信する。

このように、実施形態に係る生成装置１００は、オークション形式により取引される対象に関するコンテンツと、フリーマーケット形式により取引される対象に関するコンテンツとを含むコンテンツ群のうち、モデルが出力するスコアに基づいて、コンテンツを配信することにより、コンテンツに関するユーザの行動に対応する複数の指標の予測評価に応じた情報提供を行うことができる。

〔７．ハードウェア構成〕
上述してきた実施形態に係る生成装置１００は、例えば図１３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１３は、生成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。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または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が生成したデータをネットワークＮ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また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が実施形態に係る生成装置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またはデータ（例えば、モデルＭ１（モデルデータＭＤＴ１））を実行することにより、制御部１３０の機能を実現する。コンピュータ１０００のＣＰＵ１１００は、これらのプログラムまたはデータ（例えば、モデルＭ１（モデルデータＭＤＴ１））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。

以上、本願の実施形態及び変形例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、発明の開示の行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。

〔８．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、取得部は、取得手段や取得回路に読み替えることができる。

１ 生成システム
１００ 生成装置
１２１ 学習データ記憶部
１２２ モデル情報記憶部
１２３ ユーザ情報記憶部
１２４ ログ情報記憶部
１２５ 商品情報記憶部
１３０ 制御部
１３１ 取得部
１３２ 生成部
１３３ 予測部
１３４ 配信部
１０ 端末装置
Ｎ ネットワーク

Claims (13)

1. コンテンツの内容に関するコンテンツデータと、前記コンテンツの配信先となる配信先ユーザが利用する端末装置への前記コンテンツの配信に関するログ情報を含むコンテンツ情報と、前記配信先ユーザの前記コンテンツに関連する行動情報に基づく前記コンテンツに関する複数の指標に対応する前記配信先ユーザによる行動有無を示す正解情報と、を取得する取得部と、
   前記取得部により取得されたコンテンツ情報を入力し、当該コンテンツ情報に対応する正解情報に対応するスコアを出力するようにモデルを学習する学習処理により、入力されたコンテンツ情報に対応するコンテンツに関する前記複数の指標を組み合わせた評価を示すスコアを出力するモデルを生成する生成部と、
   を備えることを特徴とする生成装置。
2. 前記生成部は、
   前記ユーザによる前記コンテンツに関する対象の購入有無に関する指標を含む前記複数の指標を組み合わせた評価を示すスコアを出力するモデルを生成する
   ことを特徴とする請求項１に記載の生成装置。
3. 前記生成部は、
   前記コンテンツの配信開始から所定期間以内における前記対象の購入有無に関する指標であって、前記対象が早く売れたかを示す指標を含む前記複数の指標を組み合わせた評価を示すスコアを出力するモデルを生成する
   ことを特徴とする請求項２に記載の生成装置。
4. 前記生成部は、
   前記コンテンツの配信開始から前記対象が購入されるまでの時間が短い程、高いスコアが出力されるように前記モデルを生成する
   ことを特徴とする請求項３に記載の生成装置。
5. 前記生成部は、
   前記コンテンツの配信開始から前記対象が購入されるまでの時間が短い行動情報程、重みを重くすることにより前記モデルを生成する
   ことを特徴とする請求項４に記載の生成装置。
6. 前記取得部は、
   前記コンテンツに関する対象に設定された金額に対する承諾に応じて取引が成立する態様で出品された前記対象に対応する前記コンテンツ情報を取得する
   ことを特徴とする請求項１〜５のいずれか１項に記載の生成装置。
7. 前記取得部は、
   前記コンテンツに関する対象に設定された期間内における前記対象に対する入札に応じて取引が成立する態様で出品された前記対象に対応する前記コンテンツ情報を取得する
   ことを特徴とする請求項１〜６のいずれか１項に記載の生成装置。
8. 前記生成部は、
   前記ユーザによる前記コンテンツのクリック有無に関する指標を含む前記複数の指標を組み合わせた評価を示すスコアを出力するモデルを生成する
   ことを特徴とする請求項１〜７のいずれか１項に記載の生成装置。
9. 前記生成部は、
   前記複数の指標の各々に対応する行動を行ったユーザの行動情報が入力された場合に高いスコアを出力するように前記モデルを生成する
   ことを特徴とする請求項１〜８のいずれか１項に記載の生成装置。
10. 前記モデルが出力するスコアに基づいて、コンテンツを配信する配信部、
    をさらに備えたことを特徴とする請求項１〜９のいずれか１項に記載の生成装置。
11. 前記配信部は、
    オークション形式により取引される対象に関するコンテンツと、フリーマーケット形式により取引される対象に関するコンテンツとを含むコンテンツ群のうち、前記モデルが出力するスコアに基づいて、コンテンツを配信する
    ことを特徴とする請求項１０に記載の生成装置。
12. コンピュータが実行する生成方法であって、
    コンテンツの内容に関するコンテンツデータと、前記コンテンツの配信先となる配信先ユーザが利用する端末装置への前記コンテンツの配信に関するログ情報を含むコンテンツ情報と、前記配信先ユーザの前記コンテンツに関連する行動情報に基づく前記コンテンツに関する複数の指標に対応する前記配信先ユーザによる行動有無を示す正解情報と、を取得する取得工程と、
    前記取得工程により取得されたコンテンツ情報を入力し、当該コンテンツ情報に対応する正解情報に対応するスコアを出力するようにモデルを学習する学習処理により、入力されたコンテンツ情報に対応するコンテンツに関する前記複数の指標を組み合わせた評価を示すスコアを出力するモデルを生成する生成工程と、
    を含むことを特徴とする生成方法。
13. コンテンツの内容に関するコンテンツデータと、前記コンテンツの配信先となる配信先ユーザが利用する端末装置への前記コンテンツの配信に関するログ情報を含むコンテンツ情報と、前記配信先ユーザの前記コンテンツに関連する行動情報に基づく前記コンテンツに関する複数の指標に対応する前記配信先ユーザによる行動有無を示す正解情報と、を取得する取得手順と、
    前記取得手順により取得されたコンテンツ情報を入力し、当該コンテンツ情報に対応する正解情報に対応するスコアを出力するようにモデルを学習する学習処理により、入力されたコンテンツ情報に対応するコンテンツに関する前記複数の指標を組み合わせた評価を示すスコアを出力するモデルを生成する生成手順と、
    をコンピュータに実行させることを特徴とする生成プログラム。

Images