JP6933443B2 - 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販売が盛んに行われている。例えば、ＥＣ（Electronic Commerce）サイトに商品を出品し、かかるサイトを介して商品をユーザに販売するものがある。

例えば、ＥＣサイトに出品される商品の商品価格に対する販売促進費の割合に基づいて、商品に関するコンテンツを配信する技術が提案されている（特許文献１）。

特開２０１５−１７９４６９号公報

しかしながら、上記の従来技術では、コンテンツ配信によるユーザの満足度を向上させることができるとは限らない。具体的には、上記の従来技術では、出品される商品の商品価格に対する販売促進費の割合に基づいて、商品に関するコンテンツを配信するため、例えば、ユーザの望まない商品が表示されてしまう場合がある。このような上記の従来技術では、コンテンツ配信によるユーザの満足度を向上させ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、コンテンツ配信によるユーザの満足度を向上させ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、商品毎の商品価格に対する販売促進費の割合を示す販促割合が設定されている販売促進商品とユーザとの関連度、および、当該販売促進商品の販促割合に基づく当該販売促進商品のスコアと、前記販促割合が設定されていない商品である非販売促進商品とユーザとの関連度に基づく当該非販売促進商品のスコアとを算出する算出部と、前記算出部により算出されたスコアに基づいて商品を決定する決定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、コンテンツ配信によるユーザの満足度を向上させ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、実施形態にかかる出品情報記憶部の一例を示す図である。 図４は、実施形態にかかる行動情報記憶部の一例を示す。 図５は、学習モデルを用いた商品スコア算出処理の概要図を示す図である。 図６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７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、実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、出品者端末１０と、端末装置３０と、情報処理装置１００とを有する。そして、出品者端末１０と、端末装置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、複数台の出品者端末１０と、複数台の端末装置３０と、複数台の情報処理装置１００とが含まれてもよい。

出品者端末１０は、情報処理装置１００に商品の出品を依頼する出品者によって利用される端末装置である。例えば、出品者装置１０は、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。

例えば、出品者端末１０は、出品者の操作に従って、商品に関する各種商品情報と、商品の商品価格に対する販売促進費の割合を示す販促割合とを情報処理装置１００に送信する。商品情報には、商品名、販売価格、商品に関するコンテンツのデータ、商品を示すキーワード等が含まれる。

ここで、販売促進費とは、例えば、出品者によって出品された商品が購入された場合に、情報処理装置１００の管理者に対して出品者から支払われる料金である。また、商品に関するコンテンツ（「商品コンテンツ」と表記する場合がある）は、例えば、後述する商品結果一覧ページＷ１において表示される商品毎の商品情報であり、商品画像、見出し、詳細文等を含むものである。

端末装置３０は、ユーザによって利用される端末装置である。端末装置３０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や、デスクトップＰＣや、携帯電話機や、ＰＤＡ等により実現される。例えば、端末装置３０は、ユーザの指示に従って、情報処理装置１００にアクセスすることで、情報処理装置１００から受け付けた所定のウェブページを表示する。

情報処理装置１００は、商品に関する商品情報をユーザに提供し、ユーザから商品の購入を受け付けるサーバ装置である。例えば、情報処理装置１００は、所定のウェブサイトを介して、商品に関する商品情報をユーザに提供するとともに、ユーザから商品の購入を受け付ける。つまり、情報処理装置１００は、ショッピングサーバに対応する装置である。また、以下の実施形態では、情報処理装置１００によって提供される所定のウェブサイトを「Ｙサイト」とする。また、このような商品購入サイトは、ＥＣサイト等と呼ばれる。

また、情報処理装置１００は、商品情報を提供する一例として、ユーザから検索クエリを受け付けると、検索クエリと商品に設定された販促割合とに基づいて、検索結果として表示させる表示対象の商品を決定する。そして、情報処理装置１００は、決定した商品の商品コンテンツを一覧表示した商品結果一覧ページＷ１を端末装置３０に配信する。

また、このようなことから、例えば、出品者は、自身の商品をＰＲして売り上げを向上させたい場合、すなわち自身の商品の商品コンテンツが、他の商品の商品コンテンツよりも優位な状態で情報処理装置１００により提供されるようにしたい場合には、より高い販促割合を設定しようとする。以下の実施形態では、販促割合を設定して売り上げを向上させたい商品を「販売促進商品」とし、販促割合が設定されていない通常の商品を「非販売促進商品」と表記する場合がある。

ここで、情報処理装置１００は、より高い販促割合が設定された商品の商品コンテンツを優位な位置に表示させた場合、販促割合に応じて出品者から支払われる料金により収益を向上させることができる可能性がある。しかしながら、販促割合を重視すると、ユーザの望む商品情報を提供することができない場合がある。ユーザの望む商品情報を提供することができないと、商品情報に対応する商品が購入される可能性は低くなるため、結果的に収益を向上させることはできなくなる。このため、情報処理装置１００は、ユーザの望む商品と販促割合との双方を考慮した情報提供を行う。

具体的には、情報処理装置１００は、表示候補の商品とユーザとの関連度と、当該表示候補の商品の販促割合とに基づいて、商品のスコアを算出する。そして、情報処理装置１００は、算出したスコアに基づいて表示対象の商品を決定する。商品とユーザとの関連度とは、例えば、商品とユーザの検索行動に関する情報との関連度である。さらに一例を挙げると、商品とユーザとの関連度とは、商品とユーザの検索意図（例えば、どのような検索クエリを用いたか）との関連度や、商品の販売価格とユーザの検索意図との関連度等を総合して得られる関連度である。以下では、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。

まず、情報処理装置１００は、所定のパラメータに基づいて、商品とユーザとの関連度の傾向を統計的に学習することにより、商品とユーザとの関連度を算出するための学習モデルを生成する。このように、情報処理装置１００によって生成される学習モデルを、学習モデルＭ１とする。そして、所定のパラメータは、具体的には、商品固有の情報に基づく指標値等である。

さらに具体的には、商品固有の情報に基づく指標値とは、例えば、商品の販売価格とユーザの検索意図との関連度や、商品名とユーザに入力された検索クエリとの一致度である。例えば、ユーザは商品種別等に応じた価格相場に応じて、商品を買い易かったり買い難かったりする。このため、販売価格とユーザとは関連性を有するものである。また、検索クエリと商品名との一致度が高いほど、商品とそのユーザとの関連度は高くなる。このため、一致度は、ユーザと商品との関連度に関する値といえる。

このようなことから、学習モデルＭ１は、販売価格や一致度等のパラメータを総合した値を関連度として算出するものであるため、このように算出される関連度は、例えば、単独のパラメータに基づき算出された関連度と比較して、より高精度なものである。また、学習モデルＭ１を用いて算出される関連度は、商品コンテンツに対するユーザの満足度を示す指標値と言い換えることができる。

ここで、情報処理装置１００は、出品者から商品の出品依頼を受け付けたとする。例えば、出品者端末１０は、出品者の操作に従って、出品依頼として商品に関する商品情報と、かかる商品に対する販促割合とを送信する（ステップＳ１）。これにより、情報処理装置１００は、出品者端末１０から商品に関する商品情報と、かかる商品に対する販促割合とを受け付ける。そして、情報処理装置１００は、受け付けた商品情報や販促割合を出品情報記憶部に記憶する。図１（ａ）は、出品情報記憶部の一例を示す図である。

図１（ａ）に示すように、情報処理装置１００は、出品者「ＳＥ１」〜「ＳＥ５」それぞれから商品の出品依頼を受け付けたものとする。図１（ａ）に示す出品情報記憶部では、例えば、出品者「ＳＥ１」が、出品者端末３０を用いて、商品ＩＤ「Ｐ１」により識別される商品Ｐ１において、商品情報として、商品名「カシミアコート」、販売価格「４５，０００円」、商品Ｐ１の商品コンテンツのデータ「ＡＡＡ」、商品Ｐ１を示すキーワード「コート」を入稿するとともに、商品Ｐ１に対して販促割合「１０％」を設定することにより、Ｙサイトへの商品Ｐ１の出品を情報処理装置１００に依頼した例を示す。

他の出品者についても同様であるため、詳細な説明を省略するが、例えば、出品者「ＳＥ３」は、販促割合「０％」、つまり販促割合を設定していない。このように、情報処理装置１００は、必ずしも販促割合の設定を受け付けなくてもよい。

次に、端末装置３０は、Ｙサイト内の所定のウェブページにおいて、ユーザＵ１による検索クエリ「カシミアコート」の入力を受け付けたとする。かかる場合、端末装置３０は、検索クエリ「カシミアコート」に対応する商品結果を含む商品結果一覧ページＷ１の取得要求を情報処理装置１００に送信する（ステップＳ２）。例えば、端末装置３０は、検索クエリ「カシミアコート」を含む取得要求を情報処理装置１００に送信する。

次に、情報処理装置１００は、商品コンテンツとして表示される表示候補の商品を特定する（ステップＳ３）。例えば、情報処理装置１００は、出品情報記憶部を参照し、検索クエリ「カシミアコート」と、各商品のキーワードとのマッチングを行うことにより、検索クエリ「カシミアコート」と一致する文字列を含むキーワードが対応付けられている商品を表示候補の商品として特定する。図１の例では、情報処理装置１００は、キーワード「コート」が対応付けられている商品Ｐ１〜Ｐ４を、商品コンテンツとして表示される表示候補の商品として特定する。

次に、情報処理装置１００は、特定した表示候補の商品Ｐ１〜Ｐ４それぞれについて、当該商品とユーザＵ１との関連度と当該商品の販促割合とに基づいて、スコアを算出する（ステップＳ４）。以下では、かかるスコアを、「商品スコア」と表記する場合がある。

情報処理装置１００による商品スコア算出について、具体的に説明する。まず、情報処理装置１００は、商品の販売価格とユーザの検索意図との関連度、および、商品とユーザの検索意図との関連度を算出する。商品の販売価格とユーザの検索意図との関連度とは、例えば、検索クエリに対応する商品が一般的にどれくらいの価格のものが購入され易いかといった度合いを示す値である。このような値を以下では、「価格関連度」と表記する。また、商品とユーザの検索意図との関連度とは、例えば、検索クエリと商品名との一致度である。そして、情報処理装置１００は、このような個々の関連度をパラメータとして、上述した学習モデルＭ１に適用することにより総合的な関連度を算出する。そして、情報処理装置１００は、学習モデルＭ１から算出した関連度と販促割合とに基づいて、商品スコアを算出する。

このような商品スコア算出処理について、一例を用いて説明する。まず、商品Ｐ１の商品スコア算出について説明する。情報処理装置１００は、商品Ｐ１の販売価格「４５，０００」とユーザＵ１との価格関連度を算出する。ここでは、情報処理装置１００は、価格関連度「Ｃｏ１１」を算出したとする。また、情報処理装置１００は、検索クエリ「カシミアコート」と、商品Ｐ１の商品名「カシミアコートＡ」との一致度を算出する。ここでは、情報処理装置１００は、商品Ｐ１の商品名「カシミアコート」との一致度として、一致度「Ｃｏ１２」を算出したとする。かかる場合、検索クエリ「カシミアコート」は、商品名「カシミアコートＡ」に完全に含まれるため、例えば、一致度「Ｃｏ１」は、最大の一致度を示す。

次に、情報処理装置１００は、学習モデルＭ１に対し、算出した価格関連度「Ｃｏ１１」と、一致度「Ｃｏ１２」とを入力することにより、商品Ｐ１とユーザＵ１との総合的な関連度を算出する。ここでは、情報処理装置１００は、かかる関連度として、関連度「Ａｓ１」を算出したとする。

そして、情報処理装置１００は、商品Ｐ１の関連度「Ａｓ１」と、商品Ｐ１の販促割合「１０％」とに基づいて、商品Ｐ１の商品スコアを算出する。具体的には、情報処理装置１００は、関連度「Ａｓ１」および販促割合「１０％」それぞれに所定の重み付けを行い、重み付けした値を乗じることにより、商品スコアを算出する。ここでは、情報処理装置１００は、商品Ｐ１の商品スコアとして、商品スコア「Ｓｃ１」を算出したとする。

なお、所定の重み付けとは、算出された商品スコアが、関連度「Ａｓ１」および販促割合「１０％」それぞれの影響力をどのようなバランスで反映させたものとするかを調整するものであり、以下に示す、他の商品スコア算出対象の商品についても同様の重み付けがされる。かかる重み付けについては、後に詳述する。

次に、商品Ｐ２の商品スコア算出について説明する。情報処理装置１００は、商品Ｐ２の販売価格「３５，０００」とユーザＵ１との価格関連度を算出する。ここでは、情報処理装置１００は、価格関連度「Ｃｏ２１」を算出したとする。また、情報処理装置１００は、検索クエリ「カシミアコート」と、商品Ｐ２の商品名「ビジネスコートＢ」との一致度を算出する。ここでは、情報処理装置１００は、商品Ｐ２の商品名「ビジネスコートＢ」との一致度として、一致度「Ｃｏ２２」を算出したとする。

そして、情報処理装置１００は、学習モデルＭ１に対し、算出した価格関連度「Ｃｏ２１」と、一致度「Ｃｏ２２」とを入力することにより、商品Ｐ２とユーザＵ１との関連度を算出する。ここでは、情報処理装置１００は、商品Ｐ２の関連度として、関連度「Ａｓ２」を算出したとする。

そして、情報処理装置１００は、商品Ｐ２の関連度「Ａｓ２」と、商品Ｐ２の販促割合「１５％」とに基づいて、商品Ｐ２の商品スコアを算出する。ここでは、情報処理装置１００は、商品Ｐ２の商品スコアとして、商品スコア「Ｓｃ２」を算出したとする。

次に、商品Ｐ３の商品スコア算出について説明する。情報処理装置１００は、商品Ｐ３の販売価格「１５，０００」とユーザＵ１との価格関連度を算出する。ここでは、情報処理装置１００は、価格関連度「Ｃｏ３１」を算出したとする。また、情報処理装置１００は、検索クエリ「カシミアコート」と、商品Ｐ３の商品名「カシミアコートＣ」との一致度を算出する。ここでは、情報処理装置１００は、商品Ｐ３の商品名「カシミアコートＣ」との一致度として、一致度「Ｃｏ３２」を算出したとする。

そして、情報処理装置１００は、学習モデルＭ１に対し、算出した価格関連度「Ｃｏ３１」と、一致度「Ｃｏ３２」とを入力することにより、商品Ｐ３とユーザＵ１との関連度を算出する。ここでは、情報処理装置１００は、商品Ｐ３の関連度として、関連度「Ａｓ３」を算出したとする。

そして、情報処理装置１００は、商品Ｐ３の関連度「Ａｓ３」と、商品Ｐ３の販促割合「０％」とに基づいて、商品Ｐ３の商品スコアを算出する。ここでは、情報処理装置１００は、商品Ｐ３の商品スコアとして、商品スコア「Ｓｃ３」を算出したとする。

次に、商品Ｐ４の商品スコア算出について説明する。情報処理装置１００は、商品Ｐ４の販売価格「２５，０００」とユーザＵ１との価格関連度を算出する。ここでは、情報処理装置１００は、価格関連度「Ｃｏ４１」を算出したとする。また、情報処理装置１００は、検索クエリ「カシミアコート」と、商品Ｐ４の商品名「カシミアコートＤ」との一致度を算出する。ここでは、情報処理装置１００は、商品Ｐ４の商品名「カシミアコートＤ」との一致度として、一致度「Ｃｏ４２」を算出したとする。

そして、情報処理装置１００は、学習モデルＭ１に対し、算出した価格関連度「Ｃｏ４１」と、一致度「Ｃｏ４２」とを入力することにより、商品Ｐ４とユーザＵ１との関連度を算出する。ここでは、情報処理装置１００は、商品Ｐ４の関連度として、関連度「Ａｓ４」を算出したとする。

そして、情報処理装置１００は、商品Ｐ４の関連度「Ａｓ４」と、商品Ｐ４の販促割合「６％」とに基づいて、商品Ｐ４の商品スコアを算出する。ここでは、情報処理装置１００は、商品Ｐ４の商品スコアとして、商品スコア「Ｓｃ４」を算出したとする。

ここで、これまで情報処理装置１００により算出された商品Ｐ１〜Ｐ４それぞれの商品スコア「Ｓｃ１」〜「Ｓｃ４」について説明する。

まず、商品Ｐ２について説明する。商品Ｐ２には、最も高い販促割合「１５％」が設定されており、販売価格「３５，０００円」である。このため、情報処理装置１００の管理者の立場から見ると、商品Ｐ２の商品コンテンツをより優位な位置に表示させ、閲覧され易くすることで商品Ｐ２を購入され易くしたい。

しかしながら、商品Ｐ２の商品名は「ビジネスコートＢ」であるため、商品Ｐ１、Ｐ３、Ｐ４と比べて、検索クエリ「カシミアコート」との一致度は低くなる。例えば、商品Ｐ２の関連度「Ａｓ２」は、関連度「Ａｓ１、Ａｓ３、Ａｓ４」と比較して半分以下の値になることが考えられる。このように、販促割合が高くても、一致度が低い、すなわちユーザの望む商品ではない商品Ｐ２は購入される可能性が低く、優位な位置に表示させても収益が見込めないことから、商品Ｐ２の商品スコア「Ｓｃ２」は、表示候補の商品の商品スコアの中で最も低くなることが考えられる。

次に、商品Ｐ１、Ｐ３、Ｐ４について説明する。この中で、商品Ｐ１に最も高い販促割合「１０％」が設定されているが、販売価格が「４５，０００円」と比較的に高価である。一般的なユーザは、このような高価なコートを買い難い傾向にあると考えられるため、ユーザＵ１との関連度「Ａｓ１」は、例えば、関連度の中間値（例えば、「５」）程度か、それより低くなる傾向にある。このため、関連度「Ａｓ１」に対し、高めの販促割合「１０％」が考慮されても、商品スコア「Ｓｃ１」の大きさは、４つの商品スコアの中で２番目の大きさとなる。

商品Ｐ３は販促割合が「０％」、つまり商品Ｐ３には、販促割合が設定されておらず、また、販売価格「１０，０００円」で最も安い。販売価格が安過ぎでも、商品によってはユーザに購入され易いとは限らないため、ユーザＵ１との関連度「Ａｓ３」は、例えば、関連度の中間値（例えば、「５」）程度か、それより低くなる傾向にある。さらに、販促割合が設定されていないということは、商品Ｐ３が購入されても、情報処理装置１００の管理者の収益にはつながらないため、商品スコア「Ｓｃ３」の大きさは、４つの商品スコアの中で３番目の大きさとなる。

商品Ｐ４は販促割合が「６％」であり、一般的なカシミアコートの平均的な販売価格「２５，０００円」が販売価格として設定されている。このため、ユーザＵ１との関連度「Ａｓ４」は、例えば、関連度の中間値（例えば、「５」）より高くなる傾向にある。そして、販促割合が「６％」、販売価格「２５，０００円」であることから、購入されれば確実な収益が見込める。したがって、商品スコア「Ｓｃ４」の大きさは、４つの商品スコアの中で１番目の大きさとなる。

つまり、情報処理装置１００により算出される商品スコアの大きさは、Ｓｃ４＞Ｓｃ１＞Ｓｃ３＞Ｓｃ２といった順になる。また、商品スコアが高い商品ほど、ユーザとの関連度が高いため、ユーザの望む商品である可能性が高く、かつ、販売促進費による収益が見込める商品であるといえる。

そして、情報処理装置１００は、上記のように算出した商品スコアに基づいて、表示対象の商品および表示順を決定する（ステップＳ５）。例えば、商品結果一覧ページＷ１に２０個の商品コンテンツを表示させることが予め決められている場合、情報処理装置１００は、商品スコアの高い上位２０個の商品を表示対象の商品として決定する。

ここでは、説明を簡単にするため、情報処理装置１００は、表示候補の商品Ｐ１〜Ｐ４の全てを表示対象として決定するものとする。また、情報処理装置１００は、商品結果一覧ページＷ１に表示される商品コンテンツの表示順を商品スコアの高い順に、「商品Ｐ４：１位、商品Ｐ１：２位、商品Ｐ３：３位、商品Ｐ２：４位」と決定する。

そして、情報処理装置１００は、決定した表示順に基づいて、商品Ｐ１〜Ｐ４それぞれの商品コンテンツを表示させた商品結果一覧ページＷ１を、端末装置３０に配信する（ステップＳ６）。図１（ｂ）は、端末装置３０の表示画面に表示された商品結果一覧ページＷ１の一例を示す。図１（ｂ）に示すように、商品結果一覧ページＷ１には、商品Ｐ１〜Ｐ４それぞれの商品コンテンツが、上記のように決定された順位で上から順に表示される。

このように、情報処理装置１００は、表示候補の商品とユーザとの関連度と、当該表示候補の商品の販促割合とに基づいて、商品のスコアを算出する。そして、情報処理装置１００は、算出したスコアに基づいて表示対象の商品を決定する。

これにより、情報処理装置１００は、ユーザとの関連度が高く、かつ、販売促進費による、より高い収益が見込める商品の商品コンテンツほど優先的に表示させることができるため、商品コンテンツに対するユーザの満足度を高めるとともに、収益を向上させることができる。

また、情報処理装置１００は、販売促進商品（図１の例では、商品Ｐ１、Ｐ２、Ｐ４）と、非販売促進商品（図１の例では、商品Ｐ３）とを、検索クエリに対する商品結果として、混合させて表示させることができる。これにより、情報処理装置１００は、例えば、商品結果一覧ページＷ１に、販売促進商品専用の表示枠、および、非販売促進商品専用の表示枠をそれぞれ設けて、各表示枠毎に表示情報を制御するといった複雑な処理をする必要が無く、処理速度を速めることができる。

さらに、上記のように複数の表示枠を設ける必要がないことから、情報処理装置１００は、ユーザから見て均整のとれた商品結果ページＷ１を提供することができる。

〔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、出品情報記憶部１２１と、行動情報記憶部１２２とを有する。

（出品情報記憶部１２１について）
出品情報記憶部１２１は、出品者端末３０から送信された商品情報や販促割合を記憶する。ここで、図３に実施形態にかかる出品情報記憶部１２１の一例を示す。図３の例では、出品情報記憶部１２１は、「出品者ＩＤ」、「商品ＩＤ」、「商品名」、「販売価格」、「販促割合」、「コンテンツデータ」、「キーワード」といった項目を有する。なお、出品情報記憶部１２１は、図１に示す商品情報記憶部をより詳細に説明するものである。

「出品者ＩＤ」は、出品者または出品者端末３０を識別するための識別情報を示す。「商品ＩＤ」は、出品者が出品する商品を識別する識別情報を示す。また、商品ＩＤを用いて、各商品を区別して表記する場合がある。例えば、商品ＩＤ「Ｐ１」によって識別される商品を商品Ｐ１と表記する場合がある。「商品名」は、出品者が出品する商品の名称を示す。

「販売価格」は、出品者が出品する商品の売値を示す。「販促割合」は、商品の販売価格に対する販売促進費の割合を示す。なお、販売促進費は、商品が購入された場合に、その商品の出品者から情報処理装置１００の管理者に支払われる対価であり、販売価格に販促割合を乗算することで算出される。

「コンテンツデータ」は、商品コンテンツを構成するデータであり、図３に示すように、対応する商品の「画像」、「見出し」、「詳細文」である。例えば、「見出し」や「詳細文」は、テキストデータである。また、コンテンツデータは、かかる例に限定されるものではない。例えば、「コンテンツデータ」には、「音声データ」が含まれてもよい。

「キーワード」は、検索クエリに対応する商品を絞り込むための条件情報であり、出品者により、例えば、商品を特徴付ける単語が設定される。また、「キーワード」として、商品が属するカテゴリ（商品種別）が設定されてもよい。かかる場合、情報処理装置１００が、カテゴリを提示することにより、出品者によりカテゴリを選択させてもよい。なお、図１でも示したように、情報処理装置１００は、検索クエリや商品情報を総合的に評価して表示対象の商品を決定することから、情報処理装置１００は、必ずしもこのような「キーワード」を用いた絞り込みを行う必要は無い。

すなわち、図３では、出品者ＩＤ「ＳＥ１」によって識別される出品者が、商品ＩＤ「Ｐ１」によって識別される商品であって、商品名「カシミアコートＡ」の商品を、販売価格「４５，０００円」で出品している例を示す。また、出品者ＩＤ「ＳＥ１」によって識別される出品者が、商品Ｐ１に対して販促割合「１０％」と、キーワード「コート」とを設定するとともに、商品Ｐ１の商品コンテンツとして表示される画像「ａａａ」、見出し「カシミア専門店！」、詳細文「小物からコートまで品ぞろえ充実・・・」を入稿している例を示す。

また、図３の例では、商品Ｐ１、Ｐ２、Ｐ４、Ｐ５が販売促進商品であり、商品Ｐ３が非販売促進商品である。

なお、図３では、画像を概念的な記号で示しているが、実際には、商品の撮影画像データ等が入稿される。また、図示しないが、出品情報記憶部１２１は、コンテンツデータによって構成される商品コンテンツが選択（例えば、クリック）された場合に、遷移させる遷移先のコンテンツへのリンク情報（例えば、ＵＲＬ：Uniform Resource Locator）を記憶してもよい。

（行動情報記憶部１２２について）
図２に戻り、行動情報記憶部１２２は、商品に対するユーザの行動情報を記憶する。ここで、図４に実施形態にかかる行動情報記憶部１２２の一例を示す。図４の例では、行動情報記憶部１２２は、「商品ＩＤ」、「クリック回数」、「レビュー数」といった項目を有する。

「商品ＩＤ」は、出品者が出品する商品を識別する識別情報を示し、図３に示す「商品ＩＤ」に対応する。「クリック回数」は、対応する「商品ＩＤ」によって示される商品の商品コンテンツが、これまでに選択操作された回数を示す。本実施形態では、かかる選択操作をクリックとして説明するが、他の選択操作であってもよい。例えば、指で触れる操作（タップ）であってもよい。また、「クリック回数」は、商品コンテンツが閲覧された「閲覧回数」に対応するものである。また、ここでの商品コンテンツとは、図１（ｂ）において商品結果一覧ページＷ１に表示される各商品コンテンツであり、かかる商品コンテンツがクリックされる度に、クリックされた商品コンテンツのクリック回数に「１」が加算される。このようなクリック回数のカウントは、例えば、後述する配信部１３６によって行われる。

「レビュー数」は、商品に対するユーザがレビューした数を示す。例えば、商品を購入したユーザが、その商品に対する感想や批評を「Ｙサイト」内の所定のページに書き込む。この書き込まれた数が、商品毎にカウントされ、「レビュー数」として記憶される。このような「レビュー数」のカウントは、例えば、後述する制御部１３０によって行われる。制御部１３０は、例えば、かかる所定のページを定期的に監視することで、「レビュー数」をカウントし、カウント結果を行動情報記憶部１２２に記憶する。なお、行動情報記憶部１２２に記憶される「レビュー数」は、これまでの全レビュー数であってもよいし、直近の所定期間内の「レビュー数」であってもよい。

すなわち、図４では、商品Ｐ１の商品コンテンツが、これまでに「８，５００回」クリックされ、また、商品Ｐ１の商品コンテンツに対するレビューが「５個」存在することを示す。

（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、算出部１３４と、決定部１３５と、配信部１３６とを有し、以下に説明する情報処理の機能や作用を実現または実行する。なお、制御部１３０の内部構成は、図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、出品者端末３０（出品者）から商品の出品依頼として、商品に関する商品情報の入稿を受け付ける。例えば、受付部１３１は、出品者端末３０（出品者）から、「商品名」、「販売価格」、「販促割合」、「コンテンツデータ」、「キーワード」を受け付ける。つまり、本実施形態では、「販促割合」は、出品者により設定されるものである。また、受付部１３１は、商品情報を受け付けると、出品者ＩＤおよび商品ＩＤを割り出し、出品者ＩＤおよび商品ＩＤに対応付けて、受け付けた商品情報を出品情報記憶部１２１に格納する。

（モデル生成部１３２について）
モデル生成部１３２は、ユーザと商品との関連度を算出するための学習モデルＭ１を生成する。具体的には、情報処理装置１００は、商品に関する所定のパラメータに基づいて、ユーザと商品との関連度の傾向を統計的に学習することにより、ユーザと商品との関連度を算出するための学習モデルＭ１を生成する。所定のパラメータは、具体的には、商品固有の情報に基づく指標値、および、商品コンテンツに対するユーザの行動情報に基づく指標値である。

さらに具体的には、商品固有の情報に基づく指標値とは、例えば、商品の販売価格とユーザの検索意図との関連度や、商品とユーザの検索意図との関連度、すなわち商品名、見出し、詳細文それぞれとユーザに入力された検索クエリとの一致度等である。例えば、ユーザは商品種別等に応じた価格相場に応じて、商品を買い易かったり買い難かったりする。このため、販売価格とユーザとは関連性を有するものである。また、検索クエリと商品名との一致度が高いほど、ユーザとその商品との関連度は高くなる。このため、商品固有の情報に基づく指標値は、ユーザと商品との関連度に関する値といえる。

商品コンテンツに対するユーザの行動情報に基づく指標値とは、例えば、商品コンテンツがクリックされたクリック回数、商品コンテンツに対するレビュー数である。例えば、クリック回数やレビュー数が多い商品コンテンツほど、ユーザにより興味をもたれていると考えられることから、ユーザとその商品コンテンツにより示される商品との関連度は高くなる。このため、ユーザの行動情報に基づく指標値は、ユーザと商品との関連度に関する値といえる。

なお、モデル生成部１３２は、上述した全てのパラメータに基づき学習モデルＭ１を生成してもよいし、任意に組み合わせた複数のパラメータに基づき学習モデルＭ１を生成してもよい。また、モデル生成部１３２は、上述したパラメータのうち、少なくとも１つのパラメータに基づき学習モデルＭ１を生成してもよい。

また、モデル生成部１３２は、学習モデルＭ１を生成するにあたって、例えば、行動情報記憶部１２２に記憶されているクリック回数やレビュー数を用いてもよいし、端末装置３０から得られたログ情報を解析することで、クリック回数やレビュー数を取得してもよい。

そして、モデル生成部１３２は、上記のようなパラメータを用い、例えば、線形モデルや決定木学習といった既存の手法により学習モデルＭ１を生成する。

（受信部１３３について）
受信部１３３は、端末装置３０からウェブページ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。

（算出部１３４について）
算出部１３４は、表示候補の商品とユーザとの関連度、および、当該表示候補の商品の販促割合とに基づいて、表示候補の商品の商品スコアを算出する。具体的には、算出部１３４は、表示候補の商品のうち、販売促進商品においては、販売促進商品とユーザとの関連度、および、当該販売促進商品の販促割合とに基づいて当該販売促進商品の商品スコアを算出する。算出部１３４は、表示候補の商品のうち、非販売促進商品においては、非販売促進商品とユーザとの関連度に基づいて当該非販売促進商品のスコアを算出する。

ここで、算出部１３４は、商品スコアを算出するにあたって、上述した学習モデルＭ１を用いて、表示候補の商品とユーザの検索行動に関する情報との関連度を算出する。表示候補の商品には、販売促進商品と非販売促進商品とが含まれる。

具体的には、算出部１３４は、算出する商品スコアを学習モデルＭ１を用いて算出した関連度、および、販促割合それぞれの影響度をどのようなバランスで反映したものとするかを調整するための調整パラメータを用いて、商品スコアを算出する。

さらに具体的には、算出部１３４は、販売促進商品に対する関連度であって、重み付けした関連度と、当該販売促進商品に対する販促割合であって、調整パラメータを用いて重み付けした販促割合とを乗じることにより当該販売促進商品のスコアを算出する。また、算出部１３４は、非販売促進商品に対する関連度であって、調整パラメータを用いて重み付けした関連度を当該非販売促進商品のスコアとする。

さて、これまで示した算出部１３４による商品スコアの算出処理を、以下に示す式（１）で示すことができる。

Ｓ（ｑ，Ｄ）は、検索クエリｑに対応する表示候補の商品Ｄの商品スコアを示す。σは、シグモイド関数を示す。すなわち、σ（ＭＬＲ（ｑ，Ｄ））は、検索クエリｑに対応する表示候補の商品Ｄとユーザとの関連度であって、学習モデルＭ１を用いて算出される関連度を示す。なお、ＭＬＲは、Machine Learning Rankingの略である。

ＰＲ（Ｄ）は、表示候補の商品Ｄに設定された販促割合を示す。αは、商品スコアにおいて、関連度、および、販促割合それぞれの影響度をどのようなバランスで反映させるかを調整するための調整パラメータを示す。言い換えれば、αは、商品スコアにおいて、関連度、および、販促割合のどちらの影響度を優位にして、どちらの影響度を弱めるか調整するものである。

すなわち、σ（ＭＬＲ（ｑ，Ｄ））^１−αは、検索クエリｑに対応する表示候補の商品Ｄとユーザの検索行動に関する情報と関連度σ（ＭＬＲ（ｑ，Ｄ））を、調整パラメータαに基づく値で重み付けすることを示す。

また、実施形態にかかる情報処理装置１００は、図１でも説明したように、販売促進商品の商品コンテンツと、非販売促進商品の商品コンテンツとを混合して表示可能とするものである。このため、上記式（１）は、販促割合が設定されていない（販促割合０％）場合も考慮した商品スコアを算出するものである。

例えば、検索クエリｑ１に対応する表示候補の商品Ｄ１が、販促割合０％で非販売促進商品であったとすると、ＰＲ（Ｄ１）＝０を上記式（１）に代入することにより、商品Ｄ１の商品スコアＳ（ｑ１，Ｄ１）＝σ（ＭＬＲ（ｑ１，Ｄ１））^１−αとなる。

このような式は、算出部１３４が、非販売促進商品の商品スコアを、当該非販売促進商品とユーザの検索行動に関する情報との関連度に基づき算出することを示す。そして、このような非販売促進商品の商品スコアを算出可能とするために、算出部１３４は、ＰＲ（Ｄ）にさらに「１」が加算された（１＋ＰＲ（Ｄ））を理論的な販促割合とした式（１）を用いて商品スコアを算出する。なお、（１＋ＰＲ（Ｄ））は、販促割合ＰＲ（Ｄ）に所定値（かかる例では、「１」）を加算した値であって、販促割合ＰＲ（Ｄ）に関する値ともいえる。

また、（１＋ＰＲ（Ｄ））^αは、表示候補の商品Ｄに設定された販促割合ＰＲ（Ｄ）に関する値を、調整パラメータαに基づく値で重み付けすることを示す。以下では、算出部１３４による商品スコア算出処理の一例について、図３を用いて説明する。

まず、受信部１３３は、ユーザＵ１によって利用される端末装置３０から検索クエリ「カシミアコート」を含む取得要求を受け付けたとする。ここでの取得要求は、図１に示す商品結果一覧ページＷ１の取得要求であるものとする。かかる場合、算出部１３４は、商品結果一覧ページＷ１において、商品コンテンツとして表示される表示候補の商品を特定する。

例えば、算出部１３４は、出品情報記憶部１２１を参照し、検索クエリ「カシミアコート」と、各商品のキーワードとのマッチングを行うことにより、検索クエリ「カシミアコート」と一致する文字列を含むキーワードが対応付けられている商品を表示候補の商品を特定する。図３の例では、算出部１３４は、キーワード「コート」が対応付けられている商品Ｐ１〜Ｐ４を、商品コンテンツとして表示される表示候補の商品として特定する。

なお、かかる特定処理は、算出部１３４以外の処理部（例えば、受信部１３３）によって行われてもよい。また、かかる特定処理は、必ずしも行われる必要はない。特定処理を行わない場合、算出部１３４は、例えば、出品情報記憶部１２１に記憶される全商品を表示候補の商品として、各商品の商品スコアを算出する。

次に、算出部１３４は、特定した表示候補の商品Ｐ１〜Ｐ４それぞれについて、当該商品とユーザＵ１との関連度と当該商品の販促割合とに基づいて、商品スコアを算出する。

商品Ｐ１の商品スコア算出について説明する。算出部１３４は、検索クエリ「カシミアコート」と、商品Ｐ１の商品名「カシミアコートＡ」との一致度「Ｃｏ１１」を算出する。また、算出部１３４は、検索クエリ「カシミアコート」と、商品Ｐ１の商品コンテンツに含まれる見出し「カシミア専門店！」との一致度「Ｃｏ１２」を算出する。また、算出部１３４は、検索クエリ「カシミアコート」と、商品Ｐ１の商品コンテンツに含まれる詳細文「小物からコートまで品ぞろえ充実・・・」との一致度「Ｃｏ１３」を算出する。

そして、算出部１３４は、学習モデルＭ１を用いて、商品Ｐ１とユーザＵ１との関連度を算出する。ここで、図５に学習モデルＭ１を用いた商品スコア算出処理の概要図を示す。図５に示すように、算出部１３４は、学習モデルＭ１に対し、各パラメータが示す値を入力することにより、商品Ｐ１とユーザＵ１の検索行動に関する情報との関連度を算出する。

具体的には、算出部１３４は、商品Ｐ１の販売価格「４５，０００円」とユーザＵ１との価格関連度「Ｃｏ１１」、検索クエリと商品Ｐ１の商品名との一致度「Ｃｏ１２」、検索クエリと商品Ｐ１の見出しとの一致度「Ｃｏ１３」、検索クエリと商品Ｐ１の詳細文との一致度「Ｃｏ１４」を入力する。

また、算出部１３４は、出品情報記憶部１２１を参照し、学習モデルＭ１に対し、商品Ｐ１の販売価格「４５，０００円」を入力する。また、算出部１３４は、行動情報記憶部１２２を参照し、商品Ｐ１の商品コンテンツがクリックされたクリック回数「８，５００回」、商品Ｐ１の商品コンテンツに対するレビュー数「５」を入力する。

ここでは、算出部１３４は、商品Ｐ１とユーザＵ１との関連度として、関連度「Ｃｏ１１」を算出したとする。そして、算出部１３４は、図５に示すように、算出した関連度「Ａｓ１１」と、商品Ｐ１に設定されている販促割合「１０％」とを、上記式（１）代入し、その解である商品Ｐ１の商品スコアを算出する。ここでは、算出部１３４は、商品Ｐ１の商品スコアとして、商品スコア「Ｓｃ１１」を算出したとする。

また、算出部１３４は、商品Ｐ２〜Ｐ４についても同様に、各商品の商品スコアを算出する。商品Ｐ２〜Ｐ４における商品スコア算出処理については、詳細な説明を省略するが、算出部１３４は、商品Ｐ２の商品スコア「Ｓｃ２１」、商品Ｐ３の商品スコア「Ｓｃ３１」、商品Ｐ４の商品スコア「Ｓｃ４１」をそれぞれ算出したものとする。

算出部１３４により算出された商品Ｐ１〜Ｐ４それぞれの商品スコア「Ｓｃ１１」〜「Ｓｃ４１」について説明する。

（決定部１３５について）
決定部１３５は、算出部１３４により算出された商品スコアに基づいて、表示対象の商品を決定する。例えば、決定部１３５は、商品の購入サイトにおいて表示される表示対象の商品の商品コンテンツを決定する。

一例を示すと、決定部１３５は、商品スコアの高い商品から優先して、購入サイト内の所定のウェブページにおいて商品コンテンツを表示可能な数だけ、表示対象の商品を決定する。また、決定部１３５は、算出部１３４により算出された商品スコアに基づいて、かかる所定のウェブページにおいて表示される商品コンテンツの表示順を決定する。

決定部１３５による決定処理の一例について説明する。上述してきたように、実施形態にかかる情報処理装置１００は、商品購入サイトととしてＹサイトをユーザに提供する。例えば、情報処理装置１００は、端末装置３０から、ユーザに入力された検索クエリを受け付けると、検索クエリに対応する商品結果のページとして、商品結果一覧ページＷ１を端末装置３０に配信する。

ここで、上記のように、受信部１３３により、ユーザＵ１による検索クエリ「カシミアコート」が受け付けられ、また、算出部１３４により、検索クエリ「カシミアコート」に対応する表示候補の商品Ｐ１〜Ｐ４それぞれの商品スコア「Ｓｃ１１」〜「Ｓｃ４１」が算出されたとする。

例えば、算出部１３４により算出された商品スコア「Ｓｃ１１」〜「Ｓｃ４１」の大きさが、Ｓｃ４１＞Ｓｃ１１＞Ｓｃ３１＞Ｓｃ２１であったとする。また、商品結果一覧ページＷ１には、４つの商品コンテンツを表示可能とする。かかる場合、決定部１３５は、表示候補の商品Ｐ１〜Ｐ４の全てを、表示対象の商品として決定する。つまり、決定部１３５は、商品Ｐ１〜Ｐ４それぞれの商品コンテンツを、商品結果一覧ページＷ１に表示させる商品コンテンツとして決定する。

また、決定部１３５は、Ｓｃ４１＞Ｓｃ１１＞Ｓｃ３１＞Ｓｃ２１といった商品スコア順に応じて、商品結果一覧ページＷ１において、上から順に一覧表示される商品コンテンツの表示順を商品スコアの高い順に、「商品Ｐ４：１位、商品Ｐ１：２位、商品Ｐ３：３位、商品Ｐ２：４位」と決定する。

（配信部１３６について）
配信部１３６は、決定部１３５により決定された商品コンテンツとその表示順に基づき、ウェブページを生成する。そして、配信部１３６は、生成したウェブページを検索クエリ送信元の端末装置３０に配信する。

例えば、上記のように、決定部１３５により、「商品Ｐ４：１位、商品Ｐ１：２位、商品Ｐ３：３位、商品Ｐ２：４位」といった表示順が決定されたとする。かかる場合、配信部１３６は、順位が高い商品の商品コンテンツほど上から順に一覧表示させた商品結果一覧ページＷ１を生成する。そして、配信部１３６は、生成した商品結果一覧ページＷ１を検索クエリ送信元の端末装置３０に配信する。なお、商品結果一覧ページＷ１において、商品コンテンツを上から順に一覧表示させるとは、図１（ｂ）に示すように端末装置３０の表示画面の上部から下部といった縦方向に一覧表示させることを意味する。

なお、配信部１３６は、商品コンテンツがクリックされたクリック回数を計数してもよい。例えば、配信部１３６は、商品結果一覧ページＷ１に商品コンテンツがクリックされたクリック回数を計数する。かかる場合、ユーザにより商品コンテンツがクリックされる度に、端末装置３０が、クリック情報として、例えば、クリックされた商品コンテンツによって示される商品の商品ＩＤと、クリック回数「１」とを対応付けて情報処理装置１００に送信する。

そして、配信部１３６は、クリック回数「１」を受け付けると、行動情報記憶部１２２にアクセスし、対応する商品ＩＤの現在のクリック回数に、クリック回数「１」を加算する。

また、ウェブページの生成は、端末装置３０によって行われてもよい。例えば、配信部１３６は、表示順と商品コンテンツとを対応付けて、検索クエリ送信元の端末装置３０に配信する。そして、端末装置３０は、受け付けた表示順と商品コンテンツとに基づいて、商品結果一覧ページＷ１を生成する。

このように、商品スコアの高い商品の商品コンテンツほど、上に表示させるようにするのは、一般的にユーザは、ウェブページにおいて、上から下へと複数のコンテンツが一覧表示されていた場合、より上のコンテンツを閲覧し易いといった傾向があるためである。

また、商品スコアの高い商品の商品コンテンツほど、ユーザとの関連性が高いためユーザの満足度を高められる可能性があり、かつ、販売促進費による収益が見込めるコンテンツといえる。このため、情報処理装置１００は、ユーザに閲覧され易い優位な位置に、より商品スコアの高い商品の商品コンテンツを表示させることで、商品コンテンツや、その商品コンテンツを表示する商品結果一覧ページＷ１、さらに全体のＹサイトに対するユーザの満足度を高めることができる。

また、ユーザ満足度の高い商品コンテンツを、ユーザに閲覧され易い優位な位置に表示させることで、その商品コンテンツによって示される商品はより購入され易くなると考えられる。このため、情報処理装置１００は、確実に販売促進費による収益を高めることができる。

〔３．処理手順〕
次に、図６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６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、出品者から商品の出品として、商品情報の入稿を受け付けているものとする。また、情報処理装置１００は、学習モデルＭ１を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、検索クエリを受け付けたか否かを判定する（ステップＳ１０１）。受信部１３３は、検索クエリを受け付けていない場合には（ステップＳ１０１；Ｎｏ）、検索クエリを受け付けるまで待機する。

一方、受信部１３３によって検索クエリが受け付けられた場合には（ステップＳ１０１；Ｙｅｓ）、算出部１３４は、受け付けられた検索クエリ（検索クエリｑとする）に対応する商品、すなわち表示候補の商品を特定する（ステップＳ１０２）。

次に、算出部１３４は、特定した表示候補の商品の中から、商品スコアを算出していない未処理の商品を１つ（商品Ｄとする）選択する（ステップＳ１０３）。そして、算出部１３４は、商品ＤとユーザＵ１との価格関連度、検索クエリｑと商品Ｄの商品名との一致度、検索クエリｑと商品Ｄの商品コンテンツに含まれる見出しとの一致度、検索クエリｑと商品Ｄの商品コンテンツに含まれる詳細文との一致度をそれぞれ算出する（ステップＳ１０４）。

また、算出部１３４は、商品Ｄと検索クエリｑを入力したユーザＵの検索行動に関する情報との関連度Ａｓを算出する（ステップＳ１０５）。具体的には、算出部１３４は、ステップＳ１０５で算出した各一致度、商品Ｄの販売価格、商品Ｄの商品コンテンツに対するクリック回数、商品Ｄの商品コンテンツに対するレビュー数を学習モデルＭ１に適用することで、関連度Ａｓを算出する。

そして、算出部１３４は、商品Ｄの商品スコア（商品スコアＳｃとする）を算出する（ステップＳ１０６）。例えば、算出部１３４は、出品情報記憶部１２１を参照し、商品Ｄに設定される販促割合を特定し、特定した販促割合と、ステップＳ１０５で算出した関連度Ａｓを上記式（１）に代入することで、商品Ｄの商品スコアＳｃを算出する。

ここで、算出部１３４は、ステップＳ１０２で特定した表示候補の商品の中に、商品スコアを算出していない未処理の商品が存在するか否かを判定する（ステップＳ１０７）。そして、算定部１３４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す。

一方、算出部１３４によって未処理の商品が存在しないと判定された場合には（ステップＳ１０７；Ｎｏ）、決定部１３５は、算出部１３４により算出された各商品Ｄの商品スコアＳｃに基づいて、表示対象の商品を決定するとともに、決定した表示対象の商品コンテンツの表示順を決定する（ステップＳ１０８）。

そして、配信部１３６は、決定部１３５により決定された商品コンテンツの表示順に基づいて、商品結果一覧ページＷ１を生成し、生成した商品結果一覧ページＷ１を端末装置３０に配信する（ステップＳ１０９）。

なお、図６では、情報処理装置１００が、表示候補の商品に対し、１つずつ順に商品スコアを算出してゆく例を示したが、必ずしもこれに限定される必要はない。例えば、情報処理装置１００は、表示候補の商品が複数存在する場合、各商品に対し同時に商品スコアを算出してもよい。

〔４．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７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７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。

〔５．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。

〔６．効果〕
上述してきたように、情報処理装置１００は、算出部１３４と、決定部１３５とを有する。算出部１３４は、商品毎の商品価格に対する販売促進費の割合を示す販促割合が設定されている販売促進商品とユーザとの関連度、および、当該販売促進商品の販促割合に基づく当該販売促進商品のスコアと、販促割合が設定されていない商品である非販売促進商品とユーザとの関連度に基づく当該非販売促進商品のスコアとを算出する。決定部１３５は、算出部１３４により算出されたスコアに基づいて商品を決定する。

これにより、実施形態にかかる情報処理装置１００は、ユーザとの関連度が高く、かつ、販売促進費による、より高い収益が見込める商品の商品コンテンツほど優先的に表示させることができるため、商品コンテンツに対するユーザの満足度を高めるとともに、収益を向上させることができる。

また、実施形態にかかる情報処理装置１００において、算出部１３４は、販売促進商品とユーザとの関連度として、販売促進商品とユーザの検索行動に関する情報との関連度を算出し、非販売促進商品とユーザとの関連度として、非販売促進商品とユーザの検索行動に関する情報との関連度を算出する。

これにより、実施形態にかかる情報処理装置１００は、商品コンテンツに対するユーザの満足度を高めるとともに、収益を向上させることができる。

また、実施形態にかかる情報処理装置１００において、算出部１３４は、商品に関する所定のパラメータに基づき生成された学習モデルを用いて、関連度を算出する。

これにより、実施形態にかかる情報処理装置１００は、精度よく関連度を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、算出部１３４は、所定のパラメータとして、ユーザにより入力された検索クエリと商品の商品名との一致度、検索クエリと商品に関するコンテンツに含まれる見出しとの一致度、検索クエリと商品に関するコンテンツに含まれる詳細情報との一致度、商品の価格、商品に関するコンテンツが閲覧された閲覧回数、および、商品に関するコンテンツへのレビュー数のうち、少なくともいずれかを含むパラメータに基づき生成された学習モデルを用いて、関連度を算出する。

このように、実施形態にかかる情報処理装置１００は、例えば、複数のパラメータによって示される値を組み合わせて生成された学習モデルを用いるため、精度よく関連度を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、算出部１３４は、販売促進商品とユーザとの関連度、および、当該販売促進商品の販促割合とを乗じることにより当該販売促進商品のスコアを算出するとともに、非販売促進商品とユーザとの関連度を当該非販売促進商品のスコアとする。

これにより、実施形態にかかる情報処理装置１００は、関連度と販促割合とを加味して商品スコアを算出することができるため、例えば、ユーザによる満足度が高く、かつ、収益が見込める商品ほど高い商品スコアを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、算出部１３４は、スコアに対して関連度および販促割合それぞれが及ぼす影響を調整するためのパラメータである調整パラメータを用いて重み付けした販売促進商品に対する関連度と、当該パラメータを用いて重み付けした当該販売促進商品に対する販促割合とを乗じることにより当該販売促進商品のスコアを算出するとともに、当該調整パラメータを用いて重み付けした非販売促進商品に対する関連度を当該非販売促進商品のスコアとする。

これにより、実施形態にかかる情報処理装置１００は、関連度と販促割合とがバランスよく反映された商品スコアを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、決定部１３５は、商品の購入サイトにおいて表示されるコンテンツとして、算出部１３４により算出されたスコアに基づき決定した商品に関するコンテンツを決定する。

これにより、実施形態にかかる情報処理装置１００は、例えば、ＥＣサイトにおいて表示される商品および商品コンテンツに対するユーザの満足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、算出部１３４は、購入サイトに商品を出品する出品者によって設定された販促割合に基づいて、スコアを算出する。

これにより、実施形態にかかる情報処理装置１００は、出品者が希望する販促割合を用いて算出した商品スコアに基づいて、商品コンテンツを配信することができる。また、情報処理装置１００は、商品毎に販売促進費を算出して設定する出品者の手間を軽減させることができる。

また、実施形態にかかる情報処理装置１００において、決定部１３５は、スコアに基づいて、購入サイトに表示されるコンテンツの表示順を決定する。

これにより、実施形態にかかる情報処理装置１００は、ユーザによる満足度が高く、かつ、収益が見込める商品ほど高い商品スコアを有する商品コンテンツほど優位な位置に表示させることができるため、かかる商品コンテンツに対応する商品をユーザにより購入させ易くることができる。また、これにより、情報処理装置１００は、収益を向上させることができる。

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 出品者端末
３０ 端末装置
１００ 情報処理装置
１２１ 出品情報記憶部
１２２ 行動情報記憶部
１３０ 制御部
１３１ 受付部
１３２ モデル生成部
１３３ 受信部
１３４ 算出部
１３５ 決定部
１３６ 配信部

Claims (9)

1. 商品毎の商品価格に対する販売促進費の割合を示す販促割合が設定されている販売促進商品とユーザとの関連度、および、当該販売促進商品の販促割合に基づく当該販売促進商品のスコアと、前記販促割合が設定されていない商品である非販売促進商品とユーザとの関連度に基づく当該非販売促進商品のスコアとを算出する算出部と、
   前記算出部により算出されたスコアに基づいて商品を決定する決定部と
   を有し、
   前記算出部は、前記関連度及び前記販促割合の各々のスコアに対する影響度を調整するための一のパラメータを所定の値から減算した値に基づき重み付けした前記販売促進商品に対する関連度と、当該一のパラメータに基づき重み付けした前記販売促進商品に対する販促割合とを乗じることにより前記販売促進商品のスコアを算出するとともに、前記一のパラメータを所定の値から減算した値に基づき重み付けした前記非販売促進商品に対する関連度から前記非販売促進商品のスコアを算出する
   ことを特徴とする情報処理装置。
2. 前記算出部は、前記販売促進商品とユーザとの関連度として、前記販売促進商品と前記ユーザの検索行動に関する情報との関連度を算出するとともに、前記非販売促進商品とユーザとの関連度として、前記非販売促進商品と前記ユーザの検索行動に関する情報との関連度を算出する
   ことを特徴とする請求項１に記載の情報処理装置。
3. 前記算出部は、前記商品に関する所定のパラメータに基づき生成された学習モデルを用いて、前記関連度を算出する
   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. 前記算出部は、前記所定のパラメータとして、前記ユーザにより入力された検索クエリと前記商品の商品名との一致度、当該検索クエリと前記商品に関するコンテンツに含まれる見出しとの一致度、当該検索クエリと前記商品に関するコンテンツに含まれる詳細情報との一致度、前記商品価格、前記商品に関するコンテンツが閲覧された閲覧回数、および、前記商品に関するコンテンツへのレビュー数のうち、少なくとも何れかを含むパラメータに基づき生成された学習モデルを用いて、前記関連度を算出する
   ことを特徴とする請求項３に記載の情報処理装置。
5. 前記決定部は、商品の購入サイトにおいて表示されるコンテンツとして、前記算出部により算出されたスコアに基づき決定した商品に関するコンテンツを決定する
   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. 前記算出部は、前記購入サイトに商品を出品する出品者によって設定された販促割合に基づいて、前記スコアを算出する
   ことを特徴とする請求項５に記載の情報処理装置。
7. 前記決定部は、前記スコアに基づいて、前記購入サイトに表示されるコンテンツの表示順を決定する
   ことを特徴とする請求項５または６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、
   商品毎の商品価格に対する販売促進費の割合を示す販促割合が設定されている販売促進商品とユーザとの関連度、および、当該販売促進商品の販促割合に基づく当該販売促進商品のスコアと、前記販促割合が設定されていない商品である非販売促進商品とユーザとの関連度に基づく当該非販売促進商品のスコアとを算出する算出工程と、
   前記算出工程により算出されたスコアに基づいて商品を決定する決定工程と
   を含み、
   前記算出工程は、前記関連度及び前記販促割合の各々のスコアに対する影響度を調整するための一のパラメータを所定の値から減算した値に基づき重み付けした前記販売促進商品に対する関連度と、当該一のパラメータに基づき重み付けした前記販売促進商品に対する販促割合とを乗じることにより前記販売促進商品のスコアを算出するとともに、前記一のパラメータを所定の値から減算した値に基づき重み付けした前記非販売促進商品に対する関連度から前記非販売促進商品のスコアを算出する
   ことを特徴とする情報処理方法。
9. 商品毎の商品価格に対する販売促進費の割合を示す販促割合が設定されている販売促進商品とユーザとの関連度、および、当該販売促進商品の販促割合に基づく当該販売促進商品のスコアと、前記販促割合が設定されていない商品である非販売促進商品とユーザとの関連度に基づく当該非販売促進商品のスコアとを算出する算出手順と、
   前記算出手順により算出されたスコアに基づいて商品を決定する決定手順と
   をコンピュータに実行させ、
   前記算出手順は、前記関連度及び前記販促割合の各々のスコアに対する影響度を調整するための一のパラメータを所定の値から減算した値に基づき重み付けした前記販売促進商品に対する関連度と、当該一のパラメータに基づき重み付けした前記販売促進商品に対する販促割合とを乗じることにより前記販売促進商品のスコアを算出するとともに、前記一のパラメータを所定の値から減算した値に基づき重み付けした前記非販売促進商品に対する関連度から前記非販売促進商品のスコアを算出する
   ことを特徴とする情報処理プログラム。

Images