JP6986906B2 - 決定装置、決定方法及び決定プログラム - Google Patents

Description

本発明は、決定装置、決定方法及び決定プログラムに関する。

近年、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、入札単価を決定または最適化する助けとなる情報を提供するための技術が提案されている。

特表２０１３−５２８８６６号公報

しかしながら、上記の従来技術では、予算に応じて適切な入札単価を決定す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、入札単価を決定または最適化する助けとなる情報を提供するにすぎず、予算に応じて適切な入札単価を決定す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、予算に応じて適切な入札単価を決定することができる決定装置、決定方法及び決定プログラムを提供することを目的とする。

実施形態の一態様によれば、予算に応じて適切な入札単価を決定することができるといった効果を奏する。

図１は、実施形態に係る決定処理の一例を示す図である。 図２は、実施形態に係る決定システムの構成例を示す図である。 図３は、実施形態に係る決定装置の構成例を示す図である。 図４は、実施形態に係る広告情報記憶部の一例を示す図である。 図５は、実施形態に係る広告配信履歴記憶部の一例を示す図である。 図６は、実施形態に係る予測モデル記憶部の一例を示す図である。 図７は、実施形態に係る対応規則記憶部の一例を示す図である。 図８は、実施形態に係る決定処理の一例を示す図である。 図９は、実施形態に係る対応規則生成処理手順を示すフローチャートである。 図１０は、実施形態に係る決定処理手順を示すフローチャートである。 図１１は、決定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、本願に係る決定装置、決定方法及び決定プログラムを実施するための形態（以下、「実施形態」と記載する。）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決定装置、決定方法及び決定プログラム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。

〔１．決定処理の一例〕
まず、図１を用いて、実施形態に係る決定処理の一例について説明する。図１は、実施形態に係る決定処理の一例を示す図である。図１では、決定装置１００が、今後１か月間に広告コンテンツＡＤ１に費やす予算と過去１か月間に広告コンテンツＡＤ１をクリックしたユーザがコンバージョンを起こすか否かに関する予測値に基づいて、広告コンテンツＡＤ１が配信対象として選択される基準となる入札単価を決定する例を示す。なお、コンバージョンとは、商品購入や資料請求などの行動であって、広告コンテンツをクリックする行動に連動して発生する行動を指す。

なお、ユーザが広告コンテンツを選択する行動であれば、広告コンテンツをクリックする行動に限られない。例えば、ユーザがスマートフォンを用いている場合は、ユーザが広告コンテンツを選択する行動は、タップなど任意の操作が行われることに相当する。

決定装置１００は、広告コンテンツに費やす予算と過去に広告コンテンツをクリックしたユーザがコンバージョンを起こすか否かに関する予測値に基づいて、広告コンテンツが配信対象として選択される基準となる入札単価を決定する情報処理装置である。

以下、ユーザがコンバージョンを起こすか否かに関する予測値のことを、コンバージョン予測値（ｐ）と呼ぶことにする。コンバージョン予測値（ｐ）は、ユーザがコンバージョンを起こす度合いを示す数値である。また、コンバージョン予測値（ｐ）は、０〜１の数値であって、数値が大きいほどコンバージョンを起こす度合いが高いことを示し、数値が小さいほどコンバージョンを起こす度合いが低いことを示す。

また、ユーザがコンバージョンを起こしたか否かの実績のことを、コンバージョン実績（ｙ）と呼ぶことにする。そして、ユーザがコンバージョンを起こした場合、コンバージョン実績（ｙ）の値を１とする。また、ユーザがコンバージョンを起こしていない場合、コンバージョン実績（ｙ）の値を０とする。

以下、図１を用いて、決定処理の一例を説明する。図１に示す例では、決定装置１００は、コンバージョンを起こしそうなユーザほど入札単価を高く決定する（ステップＳ１）。具体的には、過去１か月間に広告コンテンツＡＤ１をクリックしたユーザのコンバージョン予測値（ｐ）の値が大きいほど、そのユーザのコンバージョン予測値（ｐ）に対応する入札単価を高く決定する。また、過去１か月間に広告コンテンツＡＤ１をクリックしたユーザがコンバージョンを起こしている場合、そのユーザのコンバージョン予測値（ｐ）に対応する入札単価を高く決定する。

例えば、ユーザＵ１は、コンバージョン予測値（ｐ）の値が０．８であり、コンバージョン予測値（ｐ）の値が大きいことから、コンバージョンを起こしやすいユーザであるといえる。また、ユーザＵ１は、コンバージョン実績（ｙ）の値が１であることから、コンバージョンを起こしたユーザである。このように、ユーザＵ１のコンバージョン予測値とコンバージョン実績を踏まえると、コンバージョン予測値（ｐ）の値がユーザＵ１のコンバージョン予測値と同じ値（０．８）であるユーザは、コンバージョンを起こす確率が高いと考えられる。したがって、決定装置１００は、広告配信対象のユーザのコンバージョン予測値（ｐ）が０．８である場合は、入札単価を高く決定する。なお、ユーザＵ２についてもユーザＵ１と同様である。

また、決定装置１００は、コンバージョンを起こしそうにないユーザほど入札単価を低く決定する（ステップＳ２）。具体的には、決定装置１００は、過去１か月間に広告コンテンツＡＤ１をクリックしたユーザのコンバージョン予測値（ｐ）の値が小さいほど、そのユーザのコンバージョン予測値（ｐ）に対応する入札単価を低く決定する。また、過去１か月間に広告コンテンツＡＤ１をクリックしたユーザがコンバージョンを起こしていない場合、そのユーザのコンバージョン予測値（ｐ）に対応する入札単価を低く決定する。

例えば、ユーザＵ３は、コンバージョン予測値（ｐ）の値が０．１であり、コンバージョン予測値（ｐ）の値が小さいことから、コンバージョンを起こしにくいユーザであるといえる。また、ユーザＵ３は、コンバージョン実績（ｙ）の値が０であることから、コンバージョンを起こしていないユーザである。このように、ユーザＵ３のコンバージョン予測値とコンバージョン実績を踏まえると、コンバージョン予測値（ｐ）の値がユーザＵ３のコンバージョン予測値と同じ値（０．１）であるユーザは、コンバージョンを起こす確率が低いと考えられる。したがって、決定装置１００は、広告配信対象のユーザのコンバージョン予測値（ｐ）が０．１である場合は、入札単価を低く決定する。なお、ユーザＵ４〜ユーザＵ８についてもユーザＵ３と同様である。

そして、決定装置１００は、入札単価の総和が今後１か月間に広告コンテンツＡＤ１に費やす予算に一致するように入札単価を決定する（ステップＳ３）。具体的には、決定装置１００は、今後１か月間に広告コンテンツＡＤ１をクリックするユーザの総数は、過去１か月間に広告コンテンツＡＤ１をクリックしたユーザの総数８と同数であると仮定する。そして、決定装置１００は、今後１か月間に広告コンテンツＡＤ１をクリックする８人のユーザの入札単価の総和が今後１か月間に広告コンテンツＡＤ１に費やす予算に一致するように入札単価を決定する。

上述したように、決定装置１００は、今後１か月間に広告コンテンツＡＤ１に費やす予算を取得する。また、決定装置１００は、今後１か月間に広告コンテンツＡＤ１に費やす予算と過去１か月間に広告コンテンツＡＤ１をクリックしたユーザがコンバージョンを起こすか否かに関するコンバージョン予測値に基づいて、広告コンテンツＡＤ１が配信対象として選択される基準となる入札単価を決定する。

このように、決定装置１００は、目標コンバージョン単価を用いる代わりに予算を用いて入札単価を決定することにより、例えば、目標コンバージョン単価が低すぎて、コンバージョンにつながるクリックを逃し、総コンバージョン数が減少するといった問題を回避しながら、コンバージョンを得るために有効に予算を使うことできる。したがって、決定装置１００は、予算に応じて適切な入札単価を決定することができる。

なお、図１では、決定装置１００が、今後１か月間に広告コンテンツＡＤ１に費やす予算と過去１か月間に広告コンテンツＡＤ１をクリックしたユーザのコンバージョン予測値に基づいて、広告コンテンツＡＤ１が配信対象として選択される基準となる入札単価を決定する例を示したが、予算を設定する期間の長さは１か月でなくてもよい。また、過去１か月間は、直近の過去１か月間でなくてもよい。例えば、過去１年間に広告コンテンツＡＤ１をクリックしたユーザの人数を１２か月で割ることにより算出した人数を今後１か月間に広告コンテンツＡＤ１をクリックするユーザの予測数であり、過去１か月間の広告コンテンツＡＤ１をクリックしたユーザの人数としてもよい。

〔２．決定システムの構成〕
次に、図２を用いて、実施形態にかかる決定装置１００が含まれる決定システム１の構成について説明する。図２は、実施形態にかかる決定システム１の構成例を示す図である。図２に例示するように、実施形態にかかる決定システム１には、ユーザ端末１０と、アクセスログサーバ２０と、広告主端末３０と、広告配信装置（決定装置）１００とが含まれる。これらの各種装置は、ネットワークＮ（例えば、インターネット）を介して、有線又は無線により通信可能に接続される。なお、図２に示した決定システム１には、複数台のユーザ端末１０や、複数台のアクセスログサーバ２０や、複数台の広告主端末３０が含まれてもよい。また、本実施形態では、アクセスログサーバ２０および広告配信装置（決定装置）１００は、事業者Ｔ１によって管理されているものとする。

ユーザ端末１０は、ユーザによって利用される端末装置である。例えば、ユーザ端末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。例えば、ユーザ端末１０は、所定のウェブサーバにアクセスすることで、所定のウェブサーバ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、ユーザ端末１０は、ウェブページに広告枠が含まれる場合には、広告配信装置（決定装置）１００にアクセスすることで、広告配信装置（決定装置）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。

アクセスログサーバ２０は、ユーザの検索クエリやユーザの訪問ページといったアクセスログを保持している。また、アクセスログサーバ２０は、ショッピングサービスを提供する所定のサーバ装置から、ショッピングサービスを利用しているユーザの購入履歴に関する情報を取得する。具体的には、アクセスログサーバ２０は、ショッピングサービスを提供する所定のサーバ装置から、ショッピングサービスを利用しているユーザが広告主にとって利益につながる行動（例えば、広告コンテンツの広告対象商品の購入等）を起こしたか否かに関する情報を取得する。

広告主端末３０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３０は、タブレット型端末、ＰＣ、携帯電話機、ＰＤＡ等である。また、広告主端末３０は、広告主の操作に従って、広告コンテンツを広告配信装置（決定装置）１００に入稿する。

例えば、広告主端末３０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広告配信装置（決定装置）１００に入稿する。また、例えば、広告主端末３０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広告配信装置（決定装置）１００に入稿してもよい。

さらに、広告主端末３０は、広告主の操作に従って、広告コンテンツに費やす予算を広告配信装置（決定装置）１００に送信する。

広告配信装置（決定装置）１００は、図１で説明した決定処理を行うサーバ装置である。また、広告配信装置（決定装置）１００は、広告主端末３０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。

広告配信装置（決定装置）１００は、広告コンテンツを配信したユーザに関する情報を保持している。具体的には、広告配信装置（決定装置）１００は、広告コンテンツを配信したユーザが広告コンテンツをクリックしたか否かに関する情報や、広告コンテンツを配信したユーザがコンバージョンを起こしたか否かに関する情報を保持している。

なお、図２では、決定システム１の構成例として、アクセスログを集約して保持するアクセスログサーバ２０から決定装置１００がユーザのアクセスログを取得する例を示したが、検索サーバ装置やショッピングサーバ装置といったそれぞれのサーバ装置から決定装置１００がユーザのアクセスログを取得してもよい。

また、図２では、決定システム１の構成例として、決定装置１００が広告コンテンツを配信する例を示したが、広告コンテンツを配信するアドサーバと決定装置１００とは別々の装置であってもよい。

アドサーバと決定装置１００とが別々の装置である例について説明する。具体的には、アドサーバは、広告主端末３０から広告コンテンツの入稿を受け付けるとともに広告コンテンツに費やす予算を取得する。そして、アドサーバは、広告主端末３０から広告コンテンツの入稿を受け付けると、コンバージョン予測値に入札単価を対応させる対応規則を受け付けた広告コンテンツ毎に生成するよう決定装置１００に要求する。例えば、アドサーバは、広告主端末３０から広告コンテンツＡＤ１の入稿を受け付けると、決定装置１００に広告コンテンツＡＤ１の対応規則Ｃ１を生成するよう要求する。

決定装置１００は、アドサーバから広告コンテンツＡＤ１の対応規則Ｃ１の生成要求を受け付けると、過去１か月間に広告コンテンツＡＤ１をクリックしたユーザのコンバージョン予測値を算出する。また、アドサーバから過去１か月間に広告コンテンツＡＤ１をクリックしたユーザがコンバージョンを起こしたか否かの実績を取得する。

そして、決定装置１００は、所定の制約条件の下で、過去１か月間に広告コンテンツＡＤ１をクリックしたユーザがコンバージョンを起こしたか否かの実績（ｙ）と過去１か月間に広告コンテンツＡＤ１をクリックしたユーザがコンバージョンを起こすか否かに関する予測値（ｐ）に基づいて、目的関数（ｆ）を最小にする解を求める最適化問題を解く。

そして、決定装置１００は、最適化問題を解くことにより得られる解に基づいて、コンバージョン予測値に広告コンテンツＡＤ１が配信対象として選択される基準となる入札単価を対応させる対応規則Ｃ１を生成する。

アドサーバは、ユーザ端末１０から広告コンテンツの配信要求を受け付けると、配信候補の広告コンテンツを選択する。そして、アドサーバは、配信候補の広告コンテンツ毎に入札単価を決定するよう決定装置１００に要求する。

決定装置１００は、アドサーバから入札単価の決定要求を受け付けると、広告配信対象のユーザの検索クエリや訪問ページといったアクセスログを配信候補の広告コンテンツ毎に生成された予測モデルに入力する。そして、決定装置１００は、配信対象のユーザのコンバージョン予測値を配信候補の広告コンテンツ毎に算出する。例えば、決定装置１００は、配信候補の広告コンテンツのなかに広告コンテンツＡＤ１が含まれている場合、広告配信対象のユーザの検索クエリや訪問ページといったアクセスログを予測モデルＭ１に入力することにより、広告コンテンツＡＤ１に関する配信対象のユーザのコンバージョン予測値を算出する。

続いて、決定装置１００は、配信候補の広告コンテンツの対応規則を選択する。例えば、決定装置１００は、配信候補の広告コンテンツのなかに広告コンテンツＡＤ１が含まれている場合、広告コンテンツＡＤ１の対応規則Ｃ１を選択する。

続いて、決定装置１００は、選択した対応規則に基づいて、配信候補の広告コンテンツ毎に入札単価を決定する。

続いて、決定装置１００は、配信候補の広告コンテンツ毎に決定した入札単価をアドサーバに送信する。

アドサーバは、配信候補の広告コンテンツ毎に決定された入札単価を決定装置１００から受け付ける。そして、アドサーバは、決定装置１００から受け付けた入札単価に基づいて、配信候補の広告コンテンツのなかから配信する広告コンテンツを決定する。そして、アドサーバは、ユーザ端末１０に決定した広告コンテンツを配信する。

〔３．決定装置の構成〕
次に、図３を用いて、実施形態にかかる広告配信装置（決定装置）１００について説明する。図３は、実施形態にかかる広告配信装置（決定装置）１００の構成例を示す図である。図３に示すように、広告配信装置（決定装置）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）
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、例えば、ユーザ端末１０、アクセスログサーバ２０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。記憶部１２０は、図３に示すように、広告情報記憶部１２１と、広告配信履歴記憶部１２２と、予測モデル記憶部１２３と、対応規則記憶部１２４とを有する。

（広告情報記憶部１２１）
広告情報記憶部１２１は、広告主端末３０から受け付けた広告コンテンツと予算に関する各種情報を記憶する。図４に、実施形態に係る広告情報記憶部１２１の一例を示す。具体的には、図４では、広告情報記憶部１２１の一例を示している。図４に示す例では、広告情報記憶部１２１は、「広告主ＩＤ」、「広告コンテンツＩＤ」、「予算」といった項目を有する。

「広告主ＩＤ」は、広告主端末３０の広告主を識別するための識別情報を示す。

「広告コンテンツＩＤ」は、広告主端末３０から受け付けた広告コンテンツを識別するための識別情報を示す。

「予算（円）」は、広告主端末３０から受け付けた今後１か月間に広告コンテンツに費やす予算を示す。

図４に示す例では、１レコード目は、広告主ＩＤ「Ｃ１」により識別される広告主から、広告コンテンツＩＤ「ＡＤ１」により識別される広告コンテンツを受け付けたことを示す。また、今後１か月間に広告コンテンツＩＤ「ＡＤ１」により識別される広告コンテンツに費やす予算は「１５０，０００」円であることを示している。

（広告配信履歴記憶部１２２）
広告配信履歴記憶部１２２は、広告コンテンツの配信履歴に関する各種情報を記憶する。図５に、実施形態に係る広告配信履歴記憶部１２２の一例を示す。具体的には、図５では、広告配信履歴記憶部１２２の一例を示している。図５に示す例では、広告配信履歴記憶部１２２は、「広告コンテンツＩＤ」、「ユーザＩＤ」、「コンバージョンの有無」、「コンバージョン予測値」といった項目を有する。

「広告コンテンツＩＤ」は、過去１か月間に配信した広告コンテンツを識別するための識別情報を示す。

「ユーザＩＤ」は、過去１か月間に広告コンテンツをクリックしたユーザを識別するための識別情報を示す。

「コンバージョンの有無」は、過去１か月間に広告コンテンツをクリックしたユーザがコンバージョンを起こしたか否かの情報を示す。図５に示す例では、コンバージョンを起こした場合を１、コンバージョンを起こさなかった場合を０で示す。

「コンバージョン予測値」は、ユーザがコンバージョンを起こすか否かに関する予測値を示す。なお、コンバージョン予測値は、０〜１の数値であって、数値が大きいほどコンバージョンを起こす度合いが高く、数値が小さいほどコンバージョンを起こす度合いが低いことを示す。

図５に示す例では、１レコード目は、過去１か月間に広告コンテンツＩＤ「ＡＤ１」により識別される広告コンテンツ（広告コンテンツＡＤ１）が配信され、ユーザＩＤ「Ｕ１」により識別されるユーザ（ユーザＵ１）が広告コンテンツＡＤ１をクリックしたことを示す。また、コンバージョンの有無が「１」であることは、ユーザＵ１が広告コンテンツＡＤ１をクリックしてコンバージョンを起こしたことを示している。そして、コンバージョン予測値が「０．８」であることは、ユーザＵ１がコンバージョンを起こすか否かに関する予測値が「０．８」であることを示している。

（予測モデル記憶部１２３）
予測モデル記憶部１２３は、ユーザのコンバージョン予測値を算出する予測モデルに関する各種情報を記憶する。図６に、実施形態に係る予測モデル記憶部１２３の一例を示す。具体的には、図６では、予測モデル記憶部１２３の一例を示している。図６に示す例では、予測モデル記憶部１２３は、「広告コンテンツＩＤ」、「予測モデルＩＤ」といった項目を有する。

「広告コンテンツＩＤ」は、広告コンテンツを識別するための識別情報を示す。

「予測モデルＩＤ」は、ユーザのコンバージョン予測値を算出する予測モデルを識別するための識別情報を示す。予測モデルは、所定のユーザの検索クエリや訪問ページといったアクセスログからユーザのコンバージョン予測値を算出する予測モデルである。なお、予測モデルは、広告コンテンツごとに生成される。

図６に示す例では、１レコード目は、広告コンテンツＩＤ「ＡＤ１」により識別される広告コンテンツについて、予測モデルＩＤ「Ｍ１」により識別される予測モデルが格納されていることを示している。

（対応規則記憶部１２４）
対応規則記憶部１２４は、コンバージョン予測値に広告コンテンツが配信対象として選択される基準となる入札単価を対応させる対応規則に関する各種情報を記憶する。図７に、実施形態に係る対応規則記憶部１２４の一例を示す。具体的には、図７では、対応規則記憶部１２４の一例を示している。図６に示す例では、対応規則記憶部１２４は、「広告コンテンツＩＤ」、「対応規則ＩＤ」といった項目を有する。

「広告コンテンツＩＤ」は、広告コンテンツを識別するための識別情報を示す。

「対応規則ＩＤ」は、コンバージョン予測値に広告コンテンツが配信対象として選択される基準となる入札単価を対応させる対応規則を識別するための識別情報を示す。

図７に示す例では、１レコード目は、広告コンテンツＩＤ「ＡＤ１」により識別される広告コンテンツについて、対応規則ＩＤ「Ｃ１」により識別される対応規則が格納されていることを示している。

（制御部１３０）
図３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、広告配信装置（決定装置）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。

また、制御部１３０は、予測モデル記憶部１２３に記憶されている予測モデルに従った情報処理により、入力層に入力された所定のユーザの検索クエリや訪問ページといったアクセスログに対し、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、所定のユーザがコンバージョンを起こすか否かに関するコンバージョン予測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。

図３に示すように、制御部１３０は、取得部１３１と、決定部１３２と、配信部１３３とを有し、以下に説明する情報処理の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３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。

（取得部１３１）
取得部１３１は、広告コンテンツに費やす予算を取得する。具体的には、取得部１３１は、広告主端末３０から広告コンテンツの入稿を受け付けるとともに、広告コンテンツに費やす予算を取得する。例えば、取得部１３１は、広告主端末３０から広告コンテンツＡＤ１の入稿を受け付けるとともに、今後１か月間に広告コンテンツＡＤ１に費やす予算を取得する。

（決定部１３２）
決定部１３２は、次の３つの処理を行う。初めに、決定部１３２は、ユーザのコンバージョン予測値（ｐ）を算出する予測モデルを生成する。次に、決定部１３２は、コンバージョン予測値（ｐ）に入札単価を対応させる対応規則（Ｃ）を生成する。最後に、決定部１３２は、ユーザから広告コンテンツの配信要求を受け付けると、広告配信対象のユーザの入札単価を決定する。

初めに、決定部１３２は、ユーザのコンバージョン予測値（ｐ）を算出する予測モデルを生成する。

まず、決定部１３２は、取得部１３１が広告コンテンツの入稿を受け付けると、ユーザのコンバージョン予測値を算出する予測モデルを生成する。決定部１３２は、予測モデルを生成すると、生成した予測モデルを予測モデル記憶部１２３に格納する。

具体的には、決定部１３２は、取得部１３１が広告主端末３０から広告コンテンツの入稿を受け付けると、広告コンテンツをクリックしていないユーザの検索クエリや訪問ページといったアクセスログをアクセスログサーバ２０から取得する。

続いて、決定部１３２は、広告コンテンツをクリックしていないユーザが広告コンテンツの広告主にとって利益につながる行動（商品購入等）を起こしたか否かに関する情報をアクセスログサーバ２０から取得する。

続いて、決定部１３２は、広告コンテンツをクリックしていないユーザの情報を用いて、所定のユーザの検索クエリや訪問ページといったアクセスログから、所定のユーザが広告コンテンツの広告主にとって利益につながる行動を起こすか否かに関するコンバージョン予測値を算出する予測モデルを生成する。

なお、決定部１３２は、いかなる学習アルゴリズムを用いて予測モデルを生成してもよい。例えば、決定部１３２は、ニューラルネットワーク（neural network）、サポートベクターマシン（support vector machine）、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予測モデルを生成する。一例として、決定部１３２がニューラルネットワークを用いて予測モデルを生成する場合、予測モデルは、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。

予測モデルは、所定のユーザの検索クエリや訪問ページといったアクセスログ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所定のユーザの検索クエリや訪問ページといったアクセスログに応じて、所定のユーザが広告コンテンツの広告主にとって利益につながる行動を起こすか否かに関するコンバージョン予測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。

予測モデルは、所定のユーザの検索クエリや訪問ページといったアクセスログ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所定のユーザの検索クエリや訪問ページといったアクセスログに対し、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、所定のユーザが広告コンテンツの広告主にとって利益につながる行動を起こすか否かに関するコンバージョン予測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。

ここで、予測モデルが「y=a₁*x₁+a₂*x₂+・・・+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、予測モデルが含む第１要素は、x₁やx₂等といった入力データ（x_i）に対応する。また、第１要素の重みは、x_iに対応する係数a_i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、予測モデルがＤＮＮ（Deep Neural Network）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、予測モデルが含む第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。

広告配信装置（決定装置）１００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予測モデルを用いて、コンバージョン予測値の算出を行う。具体的には、予測モデルは、所定のユーザの検索クエリや訪問ページといったアクセスログが入力された場合に、所定のユーザが広告コンテンツの広告主にとって利益につながる行動を起こすか否かに関するコンバージョン予測値を出力するように係数が設定される。広告配信装置（決定装置）１００は、このような予測モデルを用いて、コンバージョン予測値を算出する。

なお、上記例では、予測モデルが、所定のユーザの検索クエリや訪問ページといったアクセスログが入力された場合に、所定のユーザが広告コンテンツの広告主にとって利益につながる行動を起こすか否かに関するコンバージョン予測値を出力する予測モデル（モデルＭ１Ｘとする）である例を示した。しかし、実施形態に係る予測モデルは、モデルＭ１Ｘ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、予測モデルは、所定のユーザの検索クエリや訪問ページといったアクセスログを入力とし、モデルＭ１Ｘが出力する所定のユーザが広告コンテンツの広告主にとって利益につながる行動を起こすか否かに関するコンバージョン予測値を出力とするよう学習されたモデル（モデルＭ１Ｙ)であってもよい。または、予測モデルは、所定のユーザの検索クエリや訪問ページといったアクセスログを入力とし、モデルＭ１Ｙ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、広告配信装置（決定装置）１００がＧＡＮ（Generative Adversarial Networks）を用いた算出処理を行う場合、予測モデルは、ＧＡＮの一部を構成するモデルであってもよい。

次に、決定部１３２は、コンバージョン予測値（ｐ）に入札単価を対応させる対応規則（Ｃ）を生成する。

まず、決定部１３２は、取得部１３１によって取得された予算と過去に広告コンテンツＡＤ１を選択したユーザが広告コンテンツＡＤ１の広告主にとって利益につながる行動を起こすか否かに関する予測値とに基づいて、広告コンテンツＡＤ１が配信対象として選択される基準となる入札単価を決定する。具体的には、決定部１３２は、取得部１３１によって取得された今後１か月間に広告コンテンツＡＤ１に費やす予算と過去１か月間に広告コンテンツＡＤ１を選択したユーザのコンバージョン予測値（ｐ）とに基づいて、広告コンテンツＡＤ１が配信対象として選択される基準となる入札単価を決定する。

また、決定部１３２は、過去に広告コンテンツＡＤ１を選択したユーザが広告コンテンツＡＤ１の広告主にとって利益につながる行動を起こすか否かに関する予測値の値が大きいほど広告コンテンツＡＤ１が配信対象として選択される基準となる入札単価を高く決定する。また、決定部１３２は、過去に広告コンテンツＡＤ１を選択したユーザが広告コンテンツＡＤ１の広告主にとって利益につながる行動を起こすか否かに関する予測値の値が小さいほど広告コンテンツＡＤ１が配信対象として選択される基準となる入札単価を低く決定する。具体的には、決定部１３２は、過去１か月間に広告コンテンツＡＤ１を選択したユーザのコンバージョン予測値（ｐ）の値が大きいほど入札単価を高く決定する。また、決定部１３２は、過去１か月間に広告コンテンツＡＤ１を選択したユーザのコンバージョン予測値（ｐ）の値が小さいほど入札単価を低く決定する。

また、決定部１３２は、過去に広告コンテンツＡＤ１を選択したユーザがコンバージョンを起こしたか否かの実績と過去に広告コンテンツＡＤ１を選択したユーザが広告コンテンツＡＤ１の広告主にとって利益につながる行動を起こすか否かに関する予測値とに基づいて、広告コンテンツＡＤ１が配信対象として選択される基準となる入札単価を決定する。例えば、決定部１３２は、過去１か月間に広告コンテンツＡＤ１を選択したユーザがコンバージョンを起こしたか否かの実績（ｙ）と過去１か月間に広告コンテンツＡＤ１を選択したユーザがコンバージョンを起こすか否かに関する予測値（ｐ）とに基づいて入札単価を決定する。

また、決定部１３２は、過去に広告コンテンツＡＤ１を選択したユーザがコンバージョンを起こしている場合、そのユーザの予測値に対応する入札単価を高く決定する。具体的には、決定部１３２は、過去１か月間に広告コンテンツＡＤ１を選択したユーザがコンバージョンを起こしている（ｙ＝１である）場合、そのユーザのコンバージョン予測値（ｐ）に対応する入札単価を高く決定する。

また、決定部１３２は、過去に広告コンテンツＡＤ１を選択したユーザがコンバージョンを起こしていない場合、そのユーザの予測値に対応する入札単価を低く決定する。具体的には、決定部１３２は、過去１か月間に広告コンテンツＡＤ１を選択したユーザがコンバージョンを起こしていない（ｙ＝０である）場合、そのユーザのコンバージョン予測値（ｐ）に対応する入札単価を低く決定する。

また、決定部１３２は、過去に広告コンテンツＡＤ１を選択したユーザが広告コンテンツＡＤ１の広告主にとって利益につながる行動を起こすか否かに関する予測値を独立変数とする目的関数を最小にする解を求める最適化問題を解く。そして、決定部１３２は、最適化問題を解くことにより得られる解に基づいて、予測値に入札単価を対応させる対応規則を生成する。

具体的には、決定部１３２は、過去１か月間に広告コンテンツＡＤ１を選択したユーザのコンバージョン予測値（ｐ）を独立変数とする目的関数（ｆ）を最小にする解を求める最適化問題を解く。そして、決定部１３２は、最適化問題を解くことにより得られる解に基づいて、コンバージョン予測値（ｐ）に入札単価を対応させる対応規則（Ｃ）を生成する。

また、決定部１３２は、ユーザが広告コンテンツＡＤ１の広告主にとって利益につながる行動を起こすか否かに関する予測値に入札単価を対応させる対応規則に基づいて、広告コンテンツＡＤ１が配信対象として選択される基準となる入札単価を決定する。具体的には、決定部１３２は、コンバージョン予測値（ｐ）に入札単価を対応させる対応規則（Ｃ）に基づいて、入札単価を決定する。

また、決定部１３２は、目的関数の値の総和が取得部１３１によって取得された予算に一致することを制約条件として、最適化問題を解く。具体的には、決定部１３２は、目的関数（ｆ）の値の総和が今後１か月間に広告コンテンツＡＤ１に費やす予算に一致することを制約条件として、最適化問題を解く。

また、決定部１３２は、目的関数の値が所定の閾値を超えないことを制約条件として、最適化問題を解く。また、決定部１３２は、目的関数の値が所定の閾値を下回らないことを制約条件として、最適化問題を解く。具体的には、決定部１３２は、目的関数（ｆ）の値が所定の閾値ｂを超えないことを制約条件として、最適化問題を解く。また、決定部１３２は、目的関数（ｆ）の値が所定の閾値ａを下回らないことを制約条件として、最適化問題を解く。

また、決定部１３２は、目的関数（ｆ）の値がコンバージョン予測値（ｐ）に応じて単調増加することを条件として、最適化問題を解く。

以下、図８を用いて、決定処理の一例を具体的に説明する。図８に示す例では、決定部１３２は、目的関数（ｆ）の値の総和が取得した予算に一致するという制約条件の下で、過去１か月間に広告コンテンツＡＤ１をクリックしたユーザがコンバージョンを起こしたか否かの実績（ｙ）と過去１か月間に広告コンテンツＡＤ１をクリックしたユーザがコンバージョンを起こすか否かに関する予測値（ｐ）に基づいて、目的関数（ｆ）を最小にする解を求める最適化問題を解く（ステップＳ１１）。

すると、ユーザＵ１は、コンバージョン予測値（ｐ）の値が０．８であり、コンバージョン予測値（ｐ）の値が大きいことから、コンバージョンを起こしやすいユーザであるといえる。また、ユーザＵ１は、コンバージョン実績（ｙ）の値が１であることから、コンバージョンを起こしたユーザである。このように、ユーザＵ１のコンバージョン予測値とコンバージョン実績を踏まえると、コンバージョン予測値（ｐ）の値がユーザＵ１のコンバージョン予測値と同じ値（０．８）であるユーザは、コンバージョンを起こす確率が高いと考えられる。したがって、決定部１３２は、広告配信対象のユーザのコンバージョン予測値（ｐ）が０．８である場合は、入札単価を高く決定する。なお、ユーザＵ２についてもユーザＵ１と同様である。

そこで、決定部１３２は、コンバージョン予測値（ｐ）の値が大きいほど、目的関数（ｆ）の値を大きくするような最適化問題を解く。また、決定部１３２は、コンバージョン実績（ｙ）の値が１であるユーザのコンバージョン予測値（ｐ）については、そのコンバージョン予測値（ｐ）に対応する目的関数（ｆ）の値を大きくするような最適化問題を解く。すると、最適化問題の一部は以下の式（１）で示される。

また、ユーザＵ３は、コンバージョン予測値（ｐ）の値が０．１であり、コンバージョン予測値（ｐ）の値が小さいことから、コンバージョンを起こしにくいユーザであるといえる。また、ユーザＵ３は、コンバージョン実績（ｙ）の値が０であることから、コンバージョンを起こしていないユーザである。このように、ユーザＵ３のコンバージョン予測値とコンバージョン実績を踏まえると、コンバージョン予測値（ｐ）の値がユーザＵ３のコンバージョン予測値と同じ値（０．１）であるユーザは、コンバージョンを起こす確率が低いと考えられる。したがって、決定部１３２は、広告配信対象のユーザのコンバージョン予測値（ｐ）が０．１である場合は、入札単価を低く決定する。なお、ユーザＵ４〜ユーザＵ８についてもユーザＵ３と同様である。

そこで、決定部１３２は、コンバージョン予測値（ｐ）の値が小さいほど、目的関数（ｆ）の値を小さくするような最適化問題を解く。また、決定部１３２は、コンバージョン実績（ｙ）の値が０であるユーザのコンバージョン予測値（ｐ）については、そのコンバージョン予測値（ｐ）に対応する目的関数（ｆ）の値を小さくするような最適化問題を解く。すると、最適化問題の一部は以下の式（２）で示される。

式（１）と式（２）の両方を満たすために、両者を足し合わせると、以下の式（３）のようになる。したがって、決定部１３２は、所定の制約条件の下で、目的関数（ｆ）を最小にする最適化問題を解く。つまり、決定部１３２は、所定の制約条件の下で、以下の式（３）を解く。

ここで、決定部１３２は、最適化問題の制約条件として、目的関数（ｆ）の値に上下限を設ける。目的関数（ｆ）の値の下限値をａ、上限値をｂとすると、一つ目の制約条件は以下の式（４）で示される。なお、ａは入札単価の下限値、ｂは入札単価の上限値にそれぞれ対応する。

また、決定部１３２は、最適化問題の制約条件として、目的関数（ｆ）の値の総和が取得部１３１によって取得された今後１か月間に広告コンテンツＡＤ１に費やす予算に一致するという制約を設ける。ここで、決定部１３２は、今後１か月間に広告コンテンツＡＤ１をクリックするユーザの総数は、過去１か月間に広告コンテンツＡＤ１をクリックしたユーザの総数８と同数であると仮定する。すると、式（５）の和は、今後１か月間に広告コンテンツＡＤ１をクリックする全ユーザについての目的関数（ｆ）の値の総和であり、過去１か月間に広告コンテンツＡＤ１をクリックした全ユーザについての目的関数（ｆ）の値の総和である。予算をＮとすると、二つ目の制約条件は以下の式（５）で示される。

また、決定部１３２は、目的関数（ｆ）の値がコンバージョン予測値（ｐ）に応じて単調増加するという制約を設ける。すると、三つ目の制約条件は以下の式（６）で示される。

以上のように、決定部１３２は、三つの制約条件の下で、目的関数（ｆ）を最小にする解を求める最適化問題を解く。言い換えると、決定部１３２は、式（４）〜式（６）の下で式（３）を解く。そして、決定部１３２は、上記のような最適化問題を解くことにより、最適化問題の解を得る。

続いて、決定部１３２は、最適化問題を解くことにより得られる解に基づいて、コンバージョン予測値に広告コンテンツＡＤ１が配信対象として選択される基準となる入札単価を対応させる対応規則Ｃ１を生成する（ステップＳ１２）。

なお、決定部１３２は、広告コンテンツの広告主にとって利益につながる行動を起こすか否かに関する予測値に入札単価を対応させる対応規則を生成すると、生成した対応規則を対応規則記憶部１２４に格納する。

最後に、決定部１３２は、ユーザから広告コンテンツの配信要求を受け付けると、広告配信対象のユーザの入札単価を決定する。

決定部１３２は、ユーザから広告コンテンツの配信要求を受け付けると、広告配信対象のユーザの検索クエリや訪問ページといったアクセスログを予測モデルＭ１に入力することにより、広告配信対象のユーザのコンバージョン予測値を算出する（ステップＳ１３）。

続いて、決定部１３２は、最適化問題の解に基づいて生成した対応規則Ｃ１に基づいて、広告配信対象のユーザのコンバージョン予測値から広告コンテンツＡＤ１が配信対象として選択される基準となる入札単価を決定する（ステップＳ１４）。

図８ではあえて述べなかったが、決定部１３２は、ユーザから広告コンテンツの配信要求を受け付けると、広告配信対象の広告コンテンツを決定する。そして、決定部１３２は、広告配信対象の広告コンテンツ毎に広告配信対象のユーザの入札単価を決定する。

具体的には、決定部１３２は、ユーザ端末１０から広告コンテンツの配信要求を受け付けると、配信候補の広告コンテンツを選択する。例えば、決定部１３２は、配信要求元のユーザの直近の検索クエリが「ノートパソコン」である場合、広告コンテンツに設定されたキーワードに「ノートパソコン」が含まれる広告コンテンツを配信候補の広告コンテンツとして選択する。例えば、決定部１３２は、広告コンテンツＡＤ１と広告コンテンツＡＤ２を配信候補の広告コンテンツとして選択する。

続いて、決定部１３２は、配信候補の広告コンテンツ毎に、広告配信対象のユーザのコンバージョン予測値を算出する。具体的には、決定部１３２は、予測モデル記憶部１２３の広告コンテンツＩＤを参照して、配信候補の広告コンテンツの広告コンテンツＩＤに対応する予測モデルを選択する。例えば、決定部１３２は、予測モデル記憶部１２３の広告コンテンツＩＤを参照して、配信候補の広告コンテンツＡＤ１の広告コンテンツＩＤ「ＡＤ１」に対応する予測モデルＭ１を選択する。例えば、決定部１３２は、予測モデル記憶部１２３の広告コンテンツＩＤを参照して、配信候補の広告コンテンツＡＤ２の広告コンテンツＩＤ「ＡＤ２」に対応する予測モデルＭ２を選択する。

そして、決定部１３２は、選択した予測モデルを用いて、コンバージョン予測値を算出する。具体的には、決定部１３２は、広告配信対象のユーザの検索クエリや訪問ページといったアクセスログを選択した予測モデルに入力することにより、広告配信対象のユーザのコンバージョン予測値を算出する。例えば、決定部１３２は、広告コンテンツＡＤ１については、広告配信対象のユーザの検索クエリや訪問ページといったアクセスログを選択した予測モデルＭ１に入力することにより、広告配信対象のユーザのコンバージョン予測値Ｆ１を算出する。例えば、決定部１３２は、広告コンテンツＡＤ２については、広告配信対象のユーザの検索クエリや訪問ページといったアクセスログを選択した予測モデルＭ２に入力することにより、広告配信対象のユーザのコンバージョン予測値Ｆ２を算出する。

続いて、決定部１３２は、配信候補の広告コンテンツ毎に広告配信対象のユーザのコンバージョン予測値を算出すると、対応規則記憶部１２４の広告コンテンツＩＤを参照して、配信候補の広告コンテンツの広告コンテンツＩＤに対応する対応規則を選択する。例えば、決定部１３２は、対応規則記憶部１２４の広告コンテンツＩＤを参照して、配信候補の広告コンテンツＡＤ１の広告コンテンツＩＤ「ＡＤ１」に対応する対応規則Ｃ１を選択する。例えば、決定部１３２は、対応規則記憶部１２４の広告コンテンツＩＤを参照して、配信候補の広告コンテンツＡＤ２の広告コンテンツＩＤ「ＡＤ２」に対応する対応規則Ｃ２を選択する。

続いて、決定部１３２は、選択した対応規則に基づいて、広告配信対象のユーザのコンバージョン予測値に対応する入札単価を配信候補の広告コンテンツ毎に決定する。例えば、決定部１３２は、選択した対応規則Ｃ１に基づいて、広告配信対象のユーザのコンバージョン予測値Ｆ１に対応する入札単価Ｂ１を決定する。例えば、決定部１３２は、選択した対応規則Ｃ２に基づいて、広告配信対象のユーザのコンバージョン予測値Ｆ２に対応する入札単価Ｂ２を決定する。

続いて、決定部１３２は、配信候補の広告コンテンツのなかから、配信する広告コンテンツを抽出する。具体的には、決定部１３２は、決定した入札単価とクリック率（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。

例えば、広告コンテンツＡＤ１の入札単価Ｂ１が「１，８７５」、広告コンテンツＡＤ２の入札単価Ｂ２が「４，５００」であるとする。また、例えば、広告コンテンツＡＤ１のＣＴＲが「０．０５」、広告コンテンツＡＤ２のＣＴＲが「０．０３」であるとする。この場合、決定部１３２は、広告コンテンツＡＤ１の入札単価Ｂ１「１，８７５」と広告コンテンツＡＤ１のＣＴＲ「０．０５」とを乗じることにより、広告コンテンツＡＤ１のｅＣＰＭ「９４」を算出する。また、決定部１３２は、広告コンテンツＡＤ２の入札単価Ｂ２「４，５００」と広告コンテンツＡＤ２のＣＴＲ「０．０３」とを乗じることにより、広告コンテンツＡＤ２のｅＣＰＭ「１３５」を算出する。そして、決定部１３２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ＡＤ２を配信対象の広告コンテンツとして決定する。

（配信部１３４）
配信部１３４は、決定部１３２が決定した広告コンテンツを配信要求元のユーザ端末１０に配信する。例えば、配信部１３４は、決定部１３２がｅＣＰＭに基づいて決定した広告コンテンツＡＤ２を配信要求元のユーザ端末１０に配信する。

〔４．対応規則生成処理のフロー〕
次に、図９を用いて、実施形態に係る対応規則生成処理の手順について説明する。図９は、実施形態に係る対応規則生成処理手順を示すフローチャートである。

図９に示すように、広告配信装置（決定装置）１００は、広告主から予算と広告コンテンツを取得する（ステップＳ１０１）。

続いて、広告配信装置（決定装置）１００は、過去1か月間に広告コンテンツをクリックしたユーザのコンバージョン予測値を算出する（ステップＳ１０２）。

続いて、広告配信装置（決定装置）１００は、予算内で、コンバージョン予測値を独立変数とする目的関数を最小にする解を求める最適化問題を解く（ステップＳ１０３）。

続いて、広告配信装置（決定装置）１００は、最適化問題を解くことにより得られる解に基づいて、コンバージョン予測値に入札単価を対応させる対応規則を生成する（ステップＳ１０４）。

〔５．決定処理のフロー〕
次に、図１０を用いて、実施形態に係る決定処理の手順について説明する。図１０は、実施形態に係る決定処理手順を示すフローチャートである。

図１０に示すように、広告配信装置（決定装置）１００は、ユーザから広告コンテンツの配信要求を受け付けたか否かを判定する（ステップＳ２０１）。広告配信装置（決定装置）１００は、ユーザから広告コンテンツの配信要求を受け付けていない場合（ステップＳ２０１；Ｎｏ）、ユーザから広告コンテンツの配信要求を受け付けるまで待機する。

広告配信装置（決定装置）１００は、ユーザから広告コンテンツの配信要求を受け付けた場合（ステップＳ２０１；Ｙｅｓ）、配信候補の広告コンテンツを選択する（ステップＳ２０２）。

続いて、広告配信装置（決定装置）１００は、配信候補の広告コンテンツ毎に広告配信対象のユーザのコンバージョン予測値を算出する（ステップＳ２０３）。

続いて、広告配信装置（決定装置）１００は、配信候補の広告コンテンツの対応規則を選択する（ステップＳ２０４）。

続いて、広告配信装置（決定装置）１００は、配信候補の広告コンテンツ毎に入札単価を決定する（ステップＳ２０５）。

続いて、広告配信装置（決定装置）１００は、配信候補の広告コンテンツのなかから
配信する広告コンテンツを決定する（ステップＳ２０６）。

続いて、広告配信装置（決定装置）１００は、広告コンテンツを配信する（ステップＳ２０７）。

〔６．変形例〕
上述した実施形態に係る決定システム１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、決定システム１の他の実施形態について説明する。

図１では、決定装置１００は、過去に広告コンテンツをクリックしたユーザのコンバージョン予測値に基づいて広告コンテンツが配信対象として選択される基準となる入札単価を決定する例を示したが、過去に広告コンテンツをクリックしたユーザのコンバージョン率に基づいて、広告コンテンツが配信対象として選択される基準となる入札単価を決定してもよい。この場合、図１のステップＳ１１〜ステップＳ１４のコンバージョン予測値は、コンバージョン率に置き換わる。

具体的には、コンバージョン予測値の代わりにコンバージョン率を用いる場合、決定部１３２は、次の４つの処理を行う。第一に、決定部１３２は、ユーザのコンバージョン予測値を算出する予測モデルを生成する。第二に、決定部１３２は、予測モデルを補正することにより、コンバージョン予測値をコンバージョン率に変換する変換モデルを生成する。第三に、決定部１３２は、コンバージョン率に入札単価を対応させる対応規則（Ｃ）を生成する。第四に、決定部１３２は、ユーザから広告コンテンツの配信要求を受け付けると、配信する広告コンテンツを決定する。

決定部１３２が、予測モデルを補正することにより、コンバージョン予測値をコンバージョン率に変換する変換モデルを生成する処理について説明する。具体的には、決定部１３２は、生成した予測モデルに広告コンテンツをクリックしたユーザの検索クエリや訪問ページといったアクセスログを入力することにより、広告コンテンツをクリックしたユーザのコンバージョン予測値を算出する。そして、決定部１３２は、広告コンテンツをクリックしたユーザのコンバージョン予測値から、広告コンテンツをクリックしたユーザがコンバージョンを起こすか否かに関するコンバージョン率を予測する変換モデルを生成する。

例えば、決定部１３２が、広告コンテンツをクリックユーザのコンバージョン予測値を算出したところ、コンバージョン予測値が０．１であるユーザが１０人いたとする。そして、コンバージョン予測値が０．１であるユーザ１０人のうち、コンバージョンを起こしたユーザは１人であったとする。言い換えると、コンバージョン予測値が０．１であるユーザ１０人のうち、コンバージョンを起こさなかったユーザは９人であったとする。この場合、決定部１３２は、コンバージョン予測値が０．１であるユーザが、コンバージョンを起こすか否かに関するコンバージョン率は１０％であると予測する変換モデルを生成する。なお、決定部１３２が変換モデルを生成する例は、この例に限られない。

なお、決定部１３２は、いかなる学習アルゴリズムを用いて変換モデルを生成してもよい。例えば、決定部１３２は、ニューラルネットワーク（neural network）、サポートベクターマシン（support vector machine）、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変換モデルを生成する。一例として、決定部１３２がニューラルネットワークを用いて変換モデルを生成する場合、変換モデルは、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。

変換モデルは、広告コンテンツをクリックすることなく広告コンテンツの広告主にとって利益につながる行動（商品購入等）を起こしたユーザの情報に基づいて生成された予測モデルを用いて算出されたコンバージョン予測値であって、所定のユーザが広告コンテンツの広告主にとって利益につながる行動を起こすか否かに関するコンバージョン予測値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バージョン予測値に応じて、所定のユーザが広告コンテンツをクリックする行動に連動して広告主にとって利益につながる行動（コンバージョン）を起こすか否かに関するコンバージョン率を出力層から出力するよう、コンピュータを機能させる。

変換モデルは、広告コンテンツをクリックすることなく広告コンテンツの広告主にとって利益につながる行動（商品購入等）を起こしたユーザの情報に基づいて生成された予測モデルを用いて算出されたコンバージョン予測値であって、所定のユーザが広告コンテンツの広告主にとって利益につながる行動（商品購入等）を起こすか否かに関するコンバージョン予測値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バージョン予測値に対し、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、所定のユーザが広告コンテンツをクリックする行動に連動して広告主にとって利益につながる行動（コンバージョン）を起こすか否かに関するコンバージョン率を出力層から出力するよう、コンピュータを機能させる。

ここで、変換モデルが「y=1/(1+exp(-t))、t=a₀+a₁*x₁+a₂*x₂+・・・+a_i*x_i」で示すロジスティック回帰モデルで実現されるとする。この場合、予測モデルが含む第１要素は、x₁やx₂等といった入力データ（x_i）に対応する。ここで、入力データ（x_i）は所定のユーザのコンバージョン予測値である。また、yは予測確率（0〜1の値）であるコンバージョン率である。例えば、yは、所定のユーザが広告コンテンツをクリックする行動に連動して広告コンテンツの広告主にとって利益につながる行動（コンバージョン）を起こすか否かに関するコンバージョン率（コンバージョン率）である。また、第１要素の重みは、x_iに対応する係数a_iに対応する。ここで、ロジスティック回帰モデルは、標準シグモイド関数σを用いると「y=σ(t)=σ(a₁*x₁+a₂*x₂+・・・+a_i*x_i)」のように表せる。したがって、ロジスティック回帰モデルは、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。なお、ロジスティック回帰では、最尤法によりパラメータ（係数a_i）を推定する。具体的には、最尤法では、モデルのパラメータ（係数a_i）を推定する尤度関数を導出する。そして、負の対数尤度関数が最小になるように反復解法を繰り返すことにより、パラメータ（係数a_i）を推定する。

広告配信装置（決定装置）１００は、上述したロジスティック回帰モデル等、発生確率を予測するために用いられるモデルであって、任意の構造を有する変換モデルを用いて、コンバージョン率の算出を行う。具体的には、変換モデルは、広告コンテンツをクリックすることなく広告コンテンツの広告主にとって利益につながる行動（商品購入等）を起こしたユーザの情報に基づいて生成された予測モデルを用いて算出されたコンバージョン予測値であって、所定のユーザが広告コンテンツの広告主にとって利益につながる行動（商品購入等）を起こすか否かに関するコンバージョン予測値が入力された場合に、所定のユーザが広告コンテンツをクリックする行動に連動して広告主にとって利益につながる行動（コンバージョン）を起こすか否かに関するコンバージョン率を出力するように係数が設定される。広告配信装置（決定装置）１００は、このような変換モデルを用いて、コンバージョン率を算出する。

〔７．効果〕
上述してきたように、実施形態に係る決定装置１００は、取得部１３１と、決定部１３２とを有する。取得部１３１は、広告コンテンツに費やす予算を取得する。決定部１３２は、取得部１３１によって取得された予算と過去に広告コンテンツを選択したユーザが広告コンテンツの広告主にとって利益につながる行動を起こすか否かに関する予測値に基づいて、広告コンテンツが配信対象として選択される基準となる入札単価を決定する。

これにより、実施形態に係る決定装置１００は、目標コンバージョン単価を用いる代わりに予算を用いて入札単価を決定することにより、例えば、目標コンバージョン単価が低すぎて、コンバージョンにつながる選択を逃し、総コンバージョン数が減少するといった問題を回避しながら、コンバージョンを得るために有効に予算を使うことできる。したがって、決定装置１００は、予算に応じて適切な入札単価を決定することができる。

また、決定部１３２は、過去に広告コンテンツを選択したユーザが広告コンテンツの広告主にとって利益につながる行動を起こすか否かに関する予測値の値が大きいほど広告コンテンツが配信対象として選択される基準となる入札単価を高く決定する。また、決定部１３２は、過去に広告コンテンツを選択したユーザが広告コンテンツの広告主にとって利益につながる行動を起こすか否かに関する予測値の値が小さいほど広告コンテンツが配信対象として選択される基準となる入札単価を低く決定する。

これにより、決定装置１００は、コンバージョンを起こす起こしやすさに応じて、ユーザ毎にメリハリをつけて有効に予算を使うことできる。また、コンバージョンを起こす起こしやすさに応じてユーザ毎にメリハリをつけて入札単価を決定することにより、予算の範囲内でより多くのコンバージョンを得ることができる。

また、決定部１３２は、過去に広告コンテンツを選択したユーザがコンバージョンを起こしたか否かの実績と過去に広告コンテンツを選択したユーザが広告コンテンツの広告主にとって利益につながる行動を起こすか否かに関する予測値に基づいて、広告コンテンツが配信対象として選択される基準となる入札単価を決定する。具体的には、決定部１３２は、過去に広告コンテンツを選択したユーザがコンバージョンを起こしている場合、そのユーザの予測値に対応する入札単価を高く決定する。また、決定部１３２は、過去に広告コンテンツを選択したユーザがコンバージョンを起こしていない場合、そのユーザの予測値に対応する入札単価を低く決定する。

これにより、決定装置１００は、コンバージョンを起こす起こしやすさの予測値に加えて、直近のコンバージョン実績に応じて、ユーザ毎にメリハリをつけて有効に予算を使うことできる。また、ユーザ毎にメリハリをつけて入札単価を決定することにより、予算の範囲内でより多くのコンバージョンを得ることができる。

また、決定部１３２は、過去に広告コンテンツを選択したユーザが広告コンテンツの広告主にとって利益につながる行動を起こすか否かに関する予測値を独立変数とする目的関数を最小にする解を求める最適化問題を解く。そして、決定部１３２は、最適化問題を解くことにより得られる解に基づいて、予測値に入札単価を対応させる対応規則を生成する。また、決定部１３２は、ユーザが広告コンテンツの広告主にとって利益につながる行動を起こすか否かに関する予測値に入札単価を対応させる対応規則に基づいて、広告コンテンツが配信対象として選択される基準となる入札単価を決定する。また、決定部１３２は、目的関数の値の総和が取得部１３１によって取得された予算に一致することを制約条件として、最適化問題を解く。

これにより、決定装置１００は、目標コンバージョン単価を用いる代わりに予算を用いて入札単価を決定することにより、例えば、目標コンバージョン単価が低すぎて、コンバージョンにつながる選択を逃し、総コンバージョン数が減少するといった問題を回避しながら、コンバージョンを得るために有効に予算を使うことできる。したがって、決定装置１００は、予算に応じて適切な入札単価を決定することができる。

また、決定部１３２は、目的関数の値が所定の閾値を超えないことを制約条件として、最適化問題を解く。

これにより、決定装置１００は、入札単価が上限を上回らないように、予算に応じて適切な入札単価を決定することができる。

また、決定部１３２は、目的関数の値が所定の閾値を下回らないことを制約条件として、最適化問題を解く。

これにより、決定装置１００は、入札単価が下限を下回らないように、予算に応じて適切な入札単価を決定することができる。

〔８．ハードウェア構成〕
また、上述してきた実施形態に係る決定装置１００は、例えば図１１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１１は、決定装置１００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、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、所定の通信網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所定の通信網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が実施形態に係る決定装置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、予測モデル）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、予測モデル）を記録媒体１８００から読み取って実行するが、他の例として、他の装置から所定の通信網を介してこれらのプログラムまたはデータ（例えば、予測モデル）を取得してもよい。

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。

〔９．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、決定部は、決定手段や決定回路に読み替えることができる。

１ 決定システム
１０ ユーザ端末
２０ アクセスログサーバ
３０ 広告主端末
１００ 決定装置
１２１ 広告情報記憶部
１２２ 広告配信履歴記憶部
１２３ 予測モデル記憶部
１２４ 対応規則記憶部
１３１ 取得部
１３２ 決定部
１３３ 配信部

Claims (11)

1. 未来の所定期間に広告コンテンツに費やす予算を取得する取得部と、
   過去の所定期間に前記広告コンテンツを選択したユーザのうち、当該広告コンテンツの広告主にとって利益につながる行動を起こすか否かに関する予測値の値が大きいユーザほど前記広告コンテンツが配信対象として選択される基準となる入札単価を高くし、前記予測値の値が小さいユーザほど前記入札単価を低くするとともに、各ユーザの前記入札単価の総和が前記取得部によって取得された予算と一致するように各ユーザの入札単価を決定する決定部と、
   を備えることを特徴とする決定装置。
2. 前記決定部は、
   過去に前記広告コンテンツを選択したユーザがコンバージョンを起こしたか否かの実績と前記予測値に基づいて前記入札単価を決定する
   ことを特徴とする請求項１に記載の決定装置。
3. 前記決定部は、
   過去に前記広告コンテンツを選択したユーザがコンバージョンを起こしている場合、前記ユーザの前記予測値に対応する入札単価を高く決定する
   ことを特徴とする請求項２に記載の決定装置。
4. 前記決定部は、
   過去に前記広告コンテンツを選択したユーザがコンバージョンを起こしていない場合、前記ユーザの前記予測値に対応する入札単価を低く決定する
   ことを特徴とする請求項２に記載の決定装置。
5. 前記決定部は、
   前記予測値を独立変数とし、各ユーザの前記入札単価を目的変数とする目的関数を最小にする解を求める最適化問題を前記広告コンテンツごとに解き、前記最適化問題を解くことにより得られる解に基づく前記広告コンテンツごとの対応規則であって、前記予測値から前記入札単価を算出するための係数である対応規則を前記広告コンテンツごとに生成する
   ことを特徴とする請求項１〜４のいずれか１つに記載の決定装置。
6. 前記決定部は、
   前記対応規則に基づいて、前記広告コンテンツが配信対象として選択される基準となる入札単価を決定する
   ことを特徴とする請求項５に記載の決定装置。
7. 前記決定部は、
   前記目的関数の値の総和が前記取得部によって取得された予算に一致することを制約条件として、前記最適化問題を解く
   ことを特徴とする請求項５に記載の決定装置。
8. 前記決定部は、
   前記目的関数の値が所定の閾値を超えないことを制約条件として、前記最適化問題を解く
   ことを特徴とする請求項５に記載の決定装置。
9. 前記決定部は、
   前記目的関数の値が所定の閾値を下回らないことを制約条件として、前記最適化問題を解く
   ことを特徴とする請求項５に記載の決定装置。
10. コンピュータが実行する決定方法であって、
    未来の所定期間に広告コンテンツに費やす予算を取得する取得工程と、
    過去の所定期間に前記広告コンテンツを選択したユーザのうち、当該広告コンテンツの広告主にとって利益につながる行動を起こすか否かに関する予測値の値が大きいユーザほど前記広告コンテンツが配信対象として選択される基準となる入札単価を高くし、前記予測値の値が小さいユーザほど前記入札単価を低くするとともに、各ユーザの前記入札単価の総和が前記取得工程によって取得された予算と一致するように各ユーザの入札単価を決定する決定工程と、
    を含むことを特徴とする決定方法。
11. 未来の所定期間に広告コンテンツに費やす予算を取得する取得手順と、
    過去の所定期間に前記広告コンテンツを選択したユーザのうち、当該広告コンテンツの広告主にとって利益につながる行動を起こすか否かに関する予測値の値が大きいユーザほど前記広告コンテンツが配信対象として選択される基準となる入札単価を高くし、前記予測値の値が小さいユーザほど前記入札単価を低くするとともに、各ユーザの前記入札単価の総和が前記取得手順によって取得された予算と一致するように各ユーザの入札単価を決定する決定手順と、
    をコンピュータに実行させることを特徴とする決定プログラム。

Images