JP7144468B2 - 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。

関心度又は話題性の高いコンテンツの閲覧率を高める技術が開示されている。例えば、ネットワークに配信された複数のコンテンツのうち、相互に類似する類似コンテンツのそれぞれについて、クリック率と配信からの時間経過とに基づいて、スコアを算出し、類似コンテンツの中で、最新の類似コンテンツのスコアに他の類似コンテンツのスコアを加算し、類似コンテンツそれぞれのスコアに基づいて類似コンテンツの提示順位を制御する技術が開示されている。

特開２０１９－１０５９４２号公報

しかしながら、上記の従来技術では、相互に類似する類似コンテンツのそれぞれについて、クリック率と配信からの時間経過とに基づいて、スコアを算出しているに過ぎない。コンテンツには複数の構成要素が含まれており、その中には、利用者が実際にクリックしたものと、クリックしなかったものとが含まれる。また、利用者が実際にクリックしたものであっても、利用者が再訪した際に再度クリックしたものと、再度クリックしなかったものとが含まれる。しかし、上記の従来技術では、コンテンツの構成要素の品質を評価しているとは言えない。

本願は、上記に鑑みてなされたものであって、コンテンツの構成要素の品質を評価することを目的とする。

本願に係る情報処理装置は、利用者が利用したコンテンツの画面のイメージのベクトルデータを作成する作成部と、前記ベクトルデータから、前記利用者が前記コンテンツを利用してから前記コンテンツを再度利用するまでの離脱期間を示す離脱期間情報を出力するようにモデルに学習させる学習部と、前記離脱期間情報から、前記コンテンツの構成要素の品質スコアを算出する算出部とを備えることを特徴とする。

実施形態の一態様によれば、コンテンツの構成要素の品質を評価することができる。

図１は、実施形態に係る情報処理方法の概要を示す説明図である。 図２は、コンテンツの構成要素の品質スコアの取得方法の概要を示す説明図である。 図３は、実施形態に係る情報処理システムの構成例を示す図である。 図４は、実施形態に係る情報処理装置の構成例を示す図である。 図５は、利用者データベースの一例を示す図である。 図６は、イメージベクトルデータベースの一例を示す図である。 図７は、品質スコアデータベースの一例を示す図である。 図８は、実施形態に係る処理手順を示すフローチャートである。 図９は、ハードウェア構成の一例を示す図である。

以下に、本願に係る情報処理装置、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。また、以下の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．情報処理方法の概要〕
まず、図１を参照し、実施形態に係る情報処理装置が行う情報処理方法の概要について説明する。図１は、実施形態に係る情報処理方法の概要を示す説明図である。なお、図１では、コンテンツの構成要素に定量的な点数をつける場合を例に挙げて説明する。

図１に示すように、情報処理システム１は、端末装置１０と情報処理装置１００と情報提供装置２００とを含む。端末装置１０と情報処理装置１００と情報提供装置２００とは、それぞれネットワークＮ（図３参照）を介して有線又は無線で互いに通信可能に接続される。

端末装置１０は、利用者Ｕにより利用されるスマートフォンやタブレット等のスマートデバイスであり、４Ｇ（Generation）やＬＴＥ（Long Term Evolution）等の無線通信網を介して任意のサーバ装置と通信を行うことができる情報処理装置である。また、端末装置１０は、液晶ディスプレイ等の画面であって、タッチパネルの機能を有する画面を有し、利用者から指やスタイラス等によりタップ操作、スライド操作、スクロール操作等、コンテンツ等の表示データに対する各種の操作を受付ける。なお、画面のうち、コンテンツが表示されている領域上で行われた操作を、コンテンツに対する操作としてもよい。また、端末装置１０は、スマートデバイスのみならず、デスクトップＰＣ（Personal Computer）やノートＰＣ等の情報処理装置であってもよい。

情報提供装置２００は、利用者Ｕの端末装置１０に対して、コンテンツを提供する情報処理装置であり、サーバ装置やクラウドシステム等により実現される。情報提供装置２００は、複数台であってもよい。また、情報提供装置２００は、利用者Ｕの端末装置１０からの検索要求に応じて、インターネットに存在するウェブページ、ウェブサイト、および／または、画像ファイル等のコンテンツを検索する機能を提供する検索サーバ（検索エンジン）であってもよい。例えば、情報提供装置２００は、ポータルサイト等を含む検索サイトを提供してもよい。ここで、情報提供装置２００は、端末装置１０等が情報提供装置２００にアクセスした際に、端末装置１０等からウェブブラウザを介して、情報提供装置２００とウェブブラウザとの間で状態を管理する通信プロトコル、またはそこで用いられるウェブブラウザに保存されたデータであるＨＴＴＰ Ｃｏｏｋｉｅ等を取得してもよい。また、情報提供装置２００は、中継サーバ（Proxy）やリダイレクタ（Redirector）等であってもよい。

情報処理装置１００は、コンテンツの構成要素に定量的な点数（品質スコア）をつける情報処理装置であり、サーバ装置やクラウドシステム等により実現される。なお、情報処理装置１００は、情報提供装置２００の１つであってもよい。すなわち、情報処理装置１００も、コンテンツを提供する情報処理装置であってもよい。

例えば、利用者Ｕは、端末装置１０を用いて、各情報提供装置２００により提供される各種コンテンツを利用する（ステップＳ１）。

各情報提供装置２００は、各利用者Ｕの端末装置１０からのアクセスを集計して、各利用者Ｕのアクセスログを生成する（ステップＳ２）。

情報処理装置１００は、各情報提供装置２００から、各利用者Ｕのアクセスログを取得する（ステップＳ３）。

このとき、情報処理装置１００は、アクセスログの利用に予め同意した利用者Ｕのアクセスログのみを取得するようにしてもよい。例えば、情報処理装置１００は、予め登録された利用者Ｕのアクセスログのみを取得するようにしてもよい。

なお、情報処理装置１００は、自身が各利用者Ｕの端末装置１０に対してコンテンツを提供している場合には、自身が提供するコンテンツに関する各利用者Ｕのアクセスログを生成することができる。

情報処理装置１００は、各利用者Ｕのアクセスログに基づいて、コンテンツの画面全体のイメージ（画像）をベクトルデータ化する（ステップＳ４）。

図１に示す例では、コンテンツの一例として、ＷＥＢ検索結果ページを示す。なお、このＷＥＢ検索結果ページのレイアウトは一例に過ぎない。情報処理装置１００は、各利用者Ｕのアクセスログから、ＷＥＢ検索結果ページ全体のイメージを図１に示すようにベクトルデータ化する。

〔１－１．コンテンツの画面全体のイメージのベクトルデータ化〕
図１に示すように、ＷＥＢ検索結果ページの最上段に該当する位置「０」には、コンテンツを構成するパーツ（部品）として「検索窓」が配置されている。コンテンツを構成するパーツは、コンテンツの構成要素の一例である。ここでは、検索窓には、検索クエリ（検索キーワード）として、「京都 観光」が入力されている。すなわち、当該ＷＥＢ検索結果ページは、「京都 観光」に関する検索結果を示している。

また、付帯情報として、「ＤＱＮＮベクトル」が付与されている。なお、ＤＱＮＮベクトルは、利用者Ｕの検索意図を反映した埋め込みベクトルである。例えば、ＤＱＮＮベクトルは、複数の検索クエリであって、入力した際の利用者の意図が類似する場合には類似するベクトルを出力し、意図が類似しない場合には類似しないベクトルを出力するように学習させたモデルを用いて、利用者が入力した検索クエリから生成されたベクトルである。また、ＤＱＮＮベクトルは、分散表現であってもよい。また、利用者Ｕの行動（アクション）として、クリックの有無を示す「クリック有り（Click:Yes）」が示されている。すなわち、検索窓に検索クエリが入力され、検索が行われたことを示す。

なお、「クリック有り（Click:Yes）」となる動作は、検索窓の横に表示された検索ボタンの押下に限らず、検索窓に検索クエリを入力した状態でのキーボード等のエンターキー（Enterキー）の押下であってもよい。また、クリックはタップと読み替えてもよい。

また、ＷＥＢ検索結果ページの２段目に該当する位置「１」には、パーツとして「スポンサードサーチ（ＳＳ）」が配置されている。「スポンサードサーチ（ＳＳ）」は、リスティング広告（検索連動型広告）を示す。

また、付帯情報として、「ＬＰドメイン」が付与されている。なお、ＬＰドメインは、リスティング広告のランディングページ（ＬＰ）のドメインを示す。ドメインは、サブドメインやＵＲＬ（Uniform Resource Locator）等であってもよい。また、利用者Ｕの行動（アクション）として、クリックの有無を示す「クリック無し（Click:No）」が示されている。すなわち、スポンサードサーチ（ＳＳ）として表示されたリスティング広告が閲覧されなかったことを示す。

また、ＷＥＢ検索結果ページの３段目に該当する位置「２」には、パーツとして「ダイレクトディスプレイ（ＤＤ）」が配置されている。「ダイレクトディスプレイ（ＤＤ）」は、検索結果を直接画面上に表示したものであり、例えば地名を入力して検索した場合は地図が、タレント名なら画像検索結果が直接表示される。ここでは、検索クエリ「京都 観光」に対する検索結果として、京都の観光スポット（名所等）の画像と名称等とが画面上に表示される。なお、画像は動画であってもよい。

また、付帯情報として、「ローカル」が付与されている。なお、ローカルは、地域発の情報や観光情報等を示す。また、利用者Ｕの行動（アクション）として、クリックの有無を示す「クリック有り（Click:Yes）」が示されている。すなわち、ダイレクトディスプレイ（ＤＤ）として直接画面上に表示された検索結果が閲覧されたことを示す。

また、ＷＥＢ検索結果ページの４段目（最下段）に該当する位置「３」には、パーツとして「アルゴリズム検索結果（Algo）」が配置されている。「アルゴリズム検索結果（Algo）」は、検索エンジンのアルゴリズムにより得られた検索結果を示す。すなわち、いわゆる一般的な検索結果を表示する領域である。

また、付帯情報として、「ＬＰドメイン」が付与されている。なお、ＬＰドメインは、検索結果のランディングページ（ＬＰ）のドメインを示す。ドメインは、サブドメインやＵＲＬ（Uniform Resource Locator）等であってもよい。また、利用者Ｕの行動（アクション）として、クリックの有無を示す「クリック有り（Click:Yes）」が示されている。すなわち、検索結果として表示されたリンクのいずれかが選択され、リンク先のページが閲覧されたことを示す。

そして、情報処理装置１００は、モデルに、コンテンツの画面全体のイメージのベクトルデータを入力して、ディープラーニング（深層学習）により、コンテンツの離脱期間（Absence Time）を正解データとして学習させる（ステップＳ５）。

モデルは、任意の種別のモデルが採用可能である。例えば、情報処理装置１００は、ＳＶＭ（Support Vector Machine）やＤＮＮ（Deep Neural Network）をモデルとして採用してもよい。ここで、ＤＮＮは、ＣＮＮ（Convolutional Neural Network）やＲＮＮ（Recurrent Neural Network）であってもよい。また、ＲＮＮは、ＬＳＴＭ（Long short-term memory）等であってもよい。すなわち、モデルは、任意の形式のモデルが採用可能である。また、モデルは、例えば、ＣＮＮとＲＮＮとを組み合わせたモデル等、複数のモデルを組み合わせることで実現されるモデルであってもよい。

また、本実施形態では、情報処理装置１００は、品質スコアを知りたいパーツ（対象パーツ）を含むコンテンツ（対象コンテンツ）の利用終了時から次回の当該コンテンツの利用開始時までのインターバル（間隔）を離脱期間と定義する。なお、離脱期間は、時間に限らず、例えば直近の対象コンテンツの利用時から次回の対象コンテンツの利用時までに利用者Ｕが利用したコンテンツの数や他のパーツの数などであってもよい。すなわち、離脱期間は、利用者Ｕが対象コンテンツを利用してから当該対象コンテンツを再度利用するまでの期間を示す離脱期間情報である。

なお、利用者Ｕが対象コンテンツを次に利用しない限り、離脱期間は増大し続ける。仮に、利用者Ｕが対象コンテンツを二度と利用しない場合には、離脱期間は無限大に近づいていく。この場合、離脱期間に上限値を定めてもよい。例えば、情報処理装置１００は、離脱期間が所定の閾値に達した場合には、離脱期間を当該閾値に固定し、利用者Ｕが対象コンテンツから完全に離脱した（利用しなくなった）と判定するようにしてもよい。また、利用者Ｕが対象コンテンツを次に利用していない状態か、それ以外かの２値分類としてもよい。

また、離脱期間は、利用者Ｕが対象パーツを含む対象コンテンツに満足している／魅力を感じているか否かを示す指標となる。例えば、相対的に／所定の閾値と比較して、離脱期間が短い場合には、利用者Ｕが対象コンテンツを積極的に利用しており、利用者Ｕが対象コンテンツに満足している／魅力を感じていると推測される。反対に、離脱期間が長い場合には、利用者Ｕが対象コンテンツをあまり利用しておらず、利用者Ｕが対象コンテンツに不満を抱いている／魅力を感じていないと推測される。すなわち、離脱期間は、対象コンテンツに対する利用者の印象の指標となる指標情報にもなり得る。

〔１－２．コンテンツの構成要素の品質スコアの取得方法〕
図２を参照し、コンテンツの構成要素の品質スコアの取得方法について説明する。図２は、コンテンツの構成要素の品質スコアの取得方法の概要を示す説明図である。

例えば、図２に示すように、情報処理装置１００は、ＷＥＢ検索結果ページをコンテンツとした場合、コンテンツの画面全体のイメージベクトルについて、ベクトルデータの一式をモデルに入力し、コンテンツの離脱期間を正解データとして学習を行う。そして、情報処理装置１００は、品質スコアを取得したいパーツを含むベクトルデータを学習済のモデルに入力し、推定された離脱期間を取得する。例えば、ＷＥＢ検索結果ページの３段目に該当する位置「２」に配置されたパーツ「ダイレクトディスプレイ（ＤＤ）」の品質スコアを取得したい場合、そのパーツを含むコンテンツの画面全体のイメージベクトルを生成し入力する。具体的には、事前に学習データのうち一定の割合のデータをテスト用データとして取り分けておき、テスト用データの中から品質スコアを取得したいパーツを含むベクトルデータ一式をモデルに入力し、その出力である離脱期間の平均値を品質スコアとする。なお、テスト用データからデータ一式を抽出するのではなく、対象パーツ以外の部分をランダムに入力した複数のデータを生成し、そのデータを元に推定する方式でもよい。また、品質スコアを取得する際に入力するデータは学習に用いたものを使ってもよい。平均値は中央値など別の手法でもよい。

例えば、情報処理装置１００は、取得された離脱期間を、上記パーツの品質スコアとしてもよい。また、アクセスログごと（利用者Ｕごと、セッションごと）の離脱期間の平均値又は中央値を、上記パーツの品質スコアとしてもよい。また、品質スコアは、離脱期間の長さに応じて点数化した値（８０点、９０点等）であってもよい。すなわち、品質スコアは、離脱期間の値に応じて得られた算出値であればよい。

ここでは、次回の対象コンテンツの利用開始時までのインターバル（間隔）を離脱期間と定義して品質スコア（≒離脱期間）を求めているが、次回の対象パーツの利用開始時までのインターバル（間隔）を離脱期間と定義して品質スコアを求めてもよい。すなわち、インターバル（間隔）を、コンテンツ単位で計測する、パーツ単位で計測する、または、パーツのアクション単位（クリックする/しないなど）で計測する等、用途目的に応じて異なる単位で計測したインターバル（間隔）を離脱期間と定義して品質スコアを求めてもよい。例えば、コンテンツ単位で計測したインターバル（間隔）をコンテンツ離脱期間と定義し、パーツ単位で計測したインターバル（間隔）をパーツ離脱期間と定義して、それぞれ品質スコアを求めてもよい。

以上のように、本実施形態では、品質スコアを知りたいパーツの「ＷＥＢ検索結果ページの画面全体のイメージのベクトルデータ」を入力し、モデルにより推定された離脱期間を「品質スコア」とする。ここでは、品質スコアは、値が小さい方（離脱期間が短い方）が良いスコアであるものとする。

例えば、ＷＥＢ検索結果ページの３段目に該当する位置「２」に配置されたパーツ「ダイレクトディスプレイ（ＤＤ）」について、京都の観光スポット（名所等）の画像と名称等とが画面上に表示されたものの品質スコアが良くなかったとする。この場合、パーツ「ダイレクトディスプレイ（ＤＤ）」について、例えば京都のグルメガイドやランチガイド（レストラン等）の画像と名称等とが画面上に表示されたものに差し替えて様子を見てもよい。そして、品質スコアが改善された場合には、差し替えた後のものの方が利用者の満足度が高いと推測される。また、差し替えの前後の品質スコアを比較することで、客観的に改善の効果を評価することができる。

〔２．情報処理システムの構成例〕
次に、図３を用いて、実施形態に係る情報処理装置１００が含まれる情報処理システム１の構成について説明する。図３は、実施形態に係る情報処理システム１の構成例を示す図である。図３に示すように、実施形態に係る情報処理システム１は、端末装置１０と情報処理装置１００と情報提供装置２００とを含む。これらの各種装置は、ネットワークＮを介して、有線又は無線により通信可能に接続される。ネットワークＮは、例えば、ＬＡＮ（Local Area Network）や、インターネット等のＷＡＮ（Wide Area Network）である。

また、図３に示す情報処理システム１に含まれる各装置の数は図示したものに限られない。例えば、図３では、図示の簡略化のため、端末装置１０や情報提供装置２００をそれぞれ１台のみ示したが、これはあくまでも例示であって限定されるものではなく、２台以上であってもよい。

端末装置１０は、利用者Ｕによって使用される情報処理装置である。例えば、端末装置１０は、スマートフォンやタブレット端末等のスマートデバイス、フィーチャーフォン、ＰＣ（Personal Computer）、ＰＤＡ（Personal Digital Assistant）、カーナビゲーションシステム、スマートウォッチやヘッドマウントディスプレイ等のウェアラブルデバイス（Wearable Device）、スマートグラス等である。

また、かかる端末装置１０は、ＬＴＥ（Long Term Evolution）、４Ｇ（4th Generation）、５Ｇ（5th Generation：第５世代移動通信システム）等の無線通信網や、Ｂｌｕｅｔｏｏｔｈ（登録商標）、無線ＬＡＮ（Local Area Network）等の近距離無線通信を介してネットワークＮに接続し、情報処理装置１００や情報提供装置２００と通信することができる。

情報処理装置１００や情報提供装置２００は、例えばＰＣやサーバ、あるいはメインフレーム又はワークステーション等である。なお、情報処理装置１００は、クラウドコンピューティングにより実現されてもよい。

〔３．情報処理装置の構成例〕
次に、図４を用いて、実施形態に係る情報処理装置１００の構成について説明する。図４は、実施形態に係る情報処理装置１００の構成例を示す図である。図４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）
通信部１１０は、例えば、ＮＩＣ（Network Interface Card）等によって実現される。また、通信部１１０は、ネットワークＮと有線又は無線で接続される。

（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、又は、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。図４に示すように、記憶部１２０は、利用者データベース１２１と、イメージベクトルデータベース１２２と、品質スコアデータベース１２３とを有する。

（利用者データベース１２１）
利用者データベース１２１は、利用者Ｕに関する各種情報を記憶する。例えば、利用者データベース１２１は、利用者Ｕの属性等の種々の情報を記憶する。図５は、利用者データベース１２１の一例を示す図である。図５に示した例では、利用者データベース１２１は、「利用者ＩＤ（Identifier）」、「年齢」、「性別」、「自宅」、「勤務地」、「コンテンツ」、「アクセスログ」といった項目を有する。

「利用者ＩＤ」は、利用者Ｕを識別するための識別情報を示す。また、「年齢」は、利用者ＩＤにより識別される利用者Ｕの年齢を示す。なお、「年齢」は、例えば３５歳など、利用者ＩＤにより識別される利用者Ｕの具体的な年齢であってもよい。また、「性別」は、利用者ＩＤにより識別される利用者Ｕの性別を示す。

また、「自宅」は、利用者ＩＤにより識別される利用者Ｕの自宅の位置情報を示す。なお、図５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、緯度経度情報等であってもよい。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、利用者ＩＤにより識別される利用者Ｕの勤務地（学生の場合は学校）の位置情報を示す。なお、図５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、緯度経度情報等であってもよい。また、例えば、「勤務地」は、地域名や住所であってもよい。

また、「コンテンツ」は、利用者ＩＤにより識別される利用者Ｕが現在利用しているコンテンツを示す。なお、「コンテンツ」は、複数であってもよい。すなわち、１人の利用者Ｕが複数のコンテンツを同時に利用してもよい。

また、「アクセスログ」は、利用者ＩＤにより識別される利用者Ｕのアクセスログであって、各情報提供装置２００から取得した利用者Ｕのアクセスログを示す。

例えば、図５に示す例において、利用者ＩＤ「Ｕ１」により識別される利用者Ｕ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、利用者ＩＤ「Ｕ１」により識別される利用者Ｕは、自宅が「ＬＣ１１」であることを示す。また、例えば、利用者ＩＤ「Ｕ１」により識別される利用者Ｕは、勤務地が「ＬＣ１２」であることを示す。また、例えば、利用者ＩＤ「Ｕ１」により識別される利用者Ｕは「コンテンツ＃１」を利用しており、そのアクセスログが「ログ＃１」に記録されていることを示す。

ここで、図５に示す例では、「Ｕ１」、「ＬＣ１１」、「ＬＣ１２」、「コンテンツ＃１１」および「ログ＃１」といった抽象的な値を用いて図示するが、「Ｕ１」、「ＬＣ１１」、「ＬＣ１２」、「コンテンツ＃１」および「ログ＃１」には、具体的な文字列や数値等の情報が記憶されるものとする。以下、他の情報に関する図においても、抽象的な値を図示する場合がある。

なお、利用者データベース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、利用者データベース１２１は、利用者Ｕの端末装置１０に関する各種情報を記憶してもよい。また、利用者データベース１２１は、利用者Ｕのデモグラフィック（人口統計学的属性）、サイコグラフィック（心理学的属性）、ジオグラフィック（地理学的属性）、ベヘイビオラル（行動学的属性）等の属性に関する情報を記憶してもよい。例えば、利用者データベース１２１は、氏名、家族構成、職業、職位、収入、資格、居住形態（戸建、マンション等）、車の有無、通学・通勤時間、通学・通勤経路、定期券区間（駅、路線等）、利用頻度の高い駅（自宅・勤務地の最寄駅以外）、行動履歴（利用頻度の高い位置情報）、習い事（場所、時間帯等）、趣味、興味、ライフスタイル等の情報を記憶してもよい。また、利用者データベース１２１は、利用者Ｕが検索エンジン等に入力した検索クエリ（検索キーワード）に関する情報を記憶してもよい。

（イメージベクトルデータベース１２２）
イメージベクトルデータベース１２２は、コンテンツの画面全体のイメージのベクトルデータに関する各種情報を記憶する。図６は、イメージベクトルデータベース１２２の一例を示す図である。図６に示した例では、イメージベクトルデータベース１２２は、「利用者ＩＤ」、「対象コンテンツ」、「位置」、「パーツ」、「付帯情報」、「アクション」、「有無」といった項目を有する。

「利用者ＩＤ」は、利用者Ｕを識別するための識別情報を示す。また、「対象コンテンツ」は、ベクトルデータ化の対象となったコンテンツを示す。また、「位置」は、コンテンツの画面全体のレイアウトにおける位置を示す。また、「パーツ」は、コンテンツを構成するパーツ（部品）であって、その位置に配置されたパーツを示す。また、「付帯情報」は、そのパーツに付帯する各種情報を示す。

また、「アクション」は、パーツに対する利用者Ｕの行動を示す。また、「有無」は、そのアクションの実行の有無を示す。すなわち、「有無」は、そのアクションが行われたか否かを示す。

例えば、図６に示す例において、利用者ＩＤ「Ｕ１」により識別される利用者Ｕは、対象コンテンツ「ＷＥＢ検索結果ページ」を利用したことを示す。また、対象コンテンツ「ＷＥＢ検索結果ページ」の位置「０」にはパーツ「検索窓」が配置されており、パーツ「検索窓」は付帯情報「ＤＱＮＮベクトル」を有し、アクション「クリック」が有ったことを示す。

また、図６に示す例において、利用者ＩＤ「Ｕ１」により識別される利用者Ｕは、対象コンテンツ「地図検索結果ページ」を利用したことを示す。また、対象コンテンツ「地図検索結果ページ」の位置「１」にはパーツ「地図領域」が配置されており、パーツ「地図領域」は付帯情報「中心座標」を有し、アクション「スクロール」が行われた（「有」）ことを示す。なお、パーツ「地図領域」は、画面をスクロールさせるためのスクロールバー等でもよい。また、アクション「スクロール」は、スクロールバーの操作でもよいし、フリックやスワイプ等でもよい。

同様に、対象コンテンツ「地図検索結果ページ」の位置「２」にはパーツ「縮尺」が配置されており、パーツ「縮尺」は付帯情報「表示範囲」を有し、アクション「拡大縮小」が行われた（「有」）ことを示す。なお、パーツ「縮尺」は、画面を拡大縮小させるためのスケールバーや拡大縮小ボタン等でもよい。また、アクション「拡大縮小」は、スケールバーや拡大縮小ボタンの操作でもよいし、ピンチ（ピンチアウト／ピンチイン）やドラッグ等でもよい。

例えば、対象コンテンツ「地図検索結果ページ」において、地図を表示した直後にアクション「スクロール」や「拡大縮小」が行われた（「有」）場合には、検索結果等を受けて最初に表示した地図の中心座標や表示範囲が適切ではなかったため、利用者Ｕが操作して調整した可能性がある。この場合、地図の表示に関する処理に改善の余地があると推測される。

また、対象コンテンツ「地図検索結果ページ」において、地図上に表示されたパーツ「ＰＯＩ」（Point of interest）のマーカ（シンボルマーク）に対してアクション「クリック」が有った場合、そのＰＯＩのマーカに対応する場所・施設等に関する情報が記載された吹き出しが表示される。

また、対象コンテンツ「地図検索結果ページ」において、地図の枠外に表示されたパーツ「グルメアイコン」に対してアクション「クリック」が有った場合、地図上にその周辺の飲食店等を示すアイコンが表示される。これらのアイコンに対してアクション「クリック」が有った場合、これらのアイコンに対応する飲食店等に関する情報が記載された吹き出しが表示される。

なお、イメージベクトルデータベース１２２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、イメージベクトルデータベース１２２は、アクションが行われた日時や順番に関する情報を記憶してもよい。例えば、イメージベクトルデータベース１２２は、各パーツをアクションが行われた順番に並べたシーケンスデータを記憶してもよい。

（品質スコアデータベース１２３）
品質スコアデータベース１２３は、コンテンツを構成するパーツの品質スコアに関する各種情報を記憶する。図７は、品質スコアデータベース１２３の一例を示す図である。図７に示した例では、品質スコアデータベース１２３は、「対象コンテンツ」、「コンテンツ離脱期間」、「対象パーツ」、「パーツ離脱期間」、「品質スコア」といった項目を有する。

「対象コンテンツ」は、ベクトルデータ化の対象となったコンテンツを示す。また、「コンテンツ離脱期間」は、コンテンツの利用終了時から次回のコンテンツの利用開始時までのインターバル（間隔）を示す。また、「対象パーツ」は、コンテンツを構成するパーツ（部品）であって、品質スコアを知りたいパーツを示す。また、「パーツ離脱期間」は、パーツの利用終了時から次回のパーツの利用開始時までのインターバル（間隔）を示す。また、「品質スコア」は、パーツの品質スコアを示す。

例えば、図７に示す例において、対象コンテンツ「ＷＥＢ検索結果ページ」のコンテンツ離脱期間が「コンテンツ離脱期間＃１１」であり、そのコンテンツに含まれるパーツ「検索窓」のパーツ離脱期間が「パーツ離脱期間＃１１」であり、品質スコアが「スコア＃１１」であることを示す。

なお、品質スコアデータベース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、品質スコアデータベース１２３は、コンテンツ単位の品質スコアを示す情報を記憶してもよい。また、品質スコアデータベース１２３は、パーツのアクション単位の品質スコアを示す情報を記憶してもよい。また、品質スコアデータベース１２３は、各対象パーツを利用された順番に並べたシーケンスデータを記憶してもよい。

（制御部１３０）
図４に戻り、説明を続ける。制御部１３０は、コントローラ（Controller）であり、例えば、ＣＰＵ（Central Processing Unit）、ＧＰＵ（Graphics Processing Unit）、ＭＰＵ（Micro Processing Unit）、ＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（Field Programmable Gate Array）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（情報処理プログラムの一例に相当）がＲＡＭ等の記憶領域を作業領域として実行されることにより実現される。図４に示す例では、制御部１３０は、受付部１３１と、取得部１３２と、作成部１３３と、学習部１３４と、算出部１３５と、提供部１３６とを有する。

（受付部１３１）
受付部１３１は、通信部１１０を介して、各利用者Ｕの端末装置１０から、各利用者Ｕに関する各種情報の登録を受付け、利用者データベース１２１に記憶する。

（取得部１３２）
取得部１３２は、通信部１１０を介して、各情報提供装置２００から、各利用者Ｕのアクセスログを取得する。

（作成部１３３）
作成部１３３は、取得された各利用者Ｕのアクセスログから、コンテンツの画面全体のイメージをベクトルデータ化して、コンテンツの画面全体のイメージのベクトルデータを作成する。

（学習部１３４）
学習部１３４は、モデルに、コンテンツの画面全体のイメージのベクトルデータを入力し、コンテンツの離脱期間（Absence Time）を正解データとして学習させる。学習部１３４は、その学習結果に基づいて、離脱期間を予測するモデルを作成する。なお、モデルは、任意の種別のモデルが採用可能である。

学習は、例えばディープニューラルネットワーク（ＤＮＮ：Deep Neural Network）を利用したディープラーニング（深層学習）等である。また、データマイニングやその他の機械学習アルゴリズムを利用してもよい。学習部１３４は、上述した各種の学習手法により、モデルの学習を行う。

また、学習部１３４は、学習済のモデルに、コンテンツの画面全体のイメージのベクトルデータを入力し、推定された離脱期間を取得する。

（算出部１３５）
算出部１３５は、取得された離脱期間から、対象パーツの品質スコアを算出する。例えば、算出部１３５は、対象パーツの品質スコアとして、アクセスログごと（利用者Ｕごと、セッションごと）の離脱期間の平均値又は中央値を算出する。また、算出部１３５は、対象パーツの品質スコアとして、離脱期間の長さに応じて点数化した値を算出してもよい。あるいは、算出部１３５は、取得された離脱期間を、そのまま対象パーツの品質スコアとしてもよい。

なお、実際には、学習部１３４と算出部１３５は連携／一体化していてもよい。例えば、学習部１３４は、事前に学習データのうち一定の割合のデータをテスト用データとして取り分けておき、テスト用データの中から品質スコアを取得したいパーツを含むベクトルデータ一式をモデルに入力し、離脱期間を出力する。算出部１３５は、その出力である離脱期間の平均値を算出し、品質スコアとする。なお、テスト用データからデータ一式を抽出するのではなく、対象パーツ以外の部分をランダムに入力した複数のデータを生成し、そのデータを元に推定する方式でもよい。また、品質スコアを取得する際に入力するデータは学習に用いたものを使ってもよい。平均値は中央値など別の手法でもよい。

（提供部１３６）
提供部１３６は、通信部１１０を介して、対象パーツの品質スコアに関する情報を外部に提供する。例えば、提供部１３６は、外部からの要求に応じて、対象パーツの品質スコアに関するレポートを提供してもよい。なお、提供部１３７は、対象パーツの品質スコアに関する情報を、ディスプレイ等の表示装置に表示させる表示制御部として機能してもよい。

また、提供部１３６は、通信部１１０を介して、対象パーツの離脱期間に関する情報を外部に提供してもよい。例えば、提供部１３６は、外部からの要求に応じて、対象パーツの離脱期間に関する情報を外部に提供してもよい。

また、提供部１３６は、通信部１１０を介して、各利用者Ｕの端末装置１０に対して、各種サービスを提供してもよい。

〔４．処理手順〕
次に、図８を用いて実施形態に係る情報処理装置１００による処理手順について説明する。図８は、実施形態に係る処理手順を示すフローチャートである。なお、以下に示す処理手順は、情報処理装置１００の制御部１３０によって繰り返し実行される。

情報処理装置１００の制御部１３０は、通信部１１０を介して、各情報提供装置２００から、各利用者Ｕのアクセスログを取得する（ステップＳ１０１）。

制御部１３０は、各利用者Ｕのアクセスログから、コンテンツの画面全体のイメージをベクトルデータ化して、コンテンツの画面全体のイメージのベクトルデータを作成する（ステップＳ１０２）。

制御部１３０は、モデルに、コンテンツの画面全体のイメージのベクトルデータを入力し、コンテンツの離脱期間（Absence Time）を正解データとして学習させ、その学習結果に基づいて、離脱期間を予測するモデルを作成する（ステップＳ１０３）。

制御部１３０は、学習済のモデルに、コンテンツの画面全体のイメージのベクトルデータを入力し、推定された離脱期間を取得する（ステップＳ１０４）。

制御部１３０は、取得された離脱期間から、対象パーツの品質スコアを算出する（ステップＳ１０５）。

制御部１３０は、通信部１１０を介して、対象パーツの品質スコアに関する情報を外部に提供する（ステップＳ１０６）。

〔５．変形例〕
上述した端末装置１０および情報処理装置１００は、上記実施形態以外にも種々の異なる形態にて実施されてよい。そこで、以下では、実施形態の変形例について説明する。

上記の実施形態において、コンテンツの画面全体のイメージ（画像）に限らず、コンテンツの各構成要素のイメージを個別にベクトルデータ化してもよい。この場合、情報処理装置１００は、モデルに、コンテンツの各構成要素のイメージのベクトルデータを入力して、ディープラーニング（深層学習）により、各構成要素の離脱期間を正解データとして学習させる。

また、上記の実施形態において、構成要素を構成する各画像（検索結果の複数の画像等）をベクトルデータ化してもよい。例えば、画像検索の検索結果として表示された複数の画像や、ダイレクトディスプレイ（ＤＤ）として直接画面上に表示された検索結果の複数の画像等を個別にベクトルデータ化してもよい。この場合、情報処理装置１００は、モデルに、構成要素を構成する各画像のベクトルデータを入力して、ディープラーニング（深層学習）により、各画像の離脱期間を正解データとして学習させる。

また、上記の実施形態において、コンテンツの例として、ＷＥＢ検索結果ページ等を挙げているが、実際には、ＧＵＩ（グラフィカルユーザインタフェース）や、アプリケーションソフトウェア（アプリ）の操作画面等であってもよい。例えば、情報処理装置１００は、モデルに、端末装置１０にインストールされたアプリの操作画面全体のイメージのベクトルデータを入力して、ディープラーニング（深層学習）により、アプリの操作画面の構成要素の離脱期間を正解データとして学習させる。そして、情報処理装置１００は、構成要素の離脱期間から、構成要素の品質スコアを求める。なお、アプリの操作画面の構成要素は、アプリの各機能であってもよい。

また、上記の実施形態において、コンテンツの構成要素は、コンテンツ自体が有する機能であってもよい。例えば、ウェブサイトを開いたときに自動的に流れる音声や映像等を構成要素として扱い、その構成要素の離脱期間を正解データとして学習させてもよい。このような音声や映像等に対して利用者Ｕが不満を抱き、そのウェブサイトを使用しなくなる可能性があるため、それらを構成要素として離脱期間を学習させ、品質スコアを求めることは有益である。また、ポップアップやリダイレクト等の機能を構成要素として扱ってもよい。

また、上記の実施形態において、コンテンツの構成要素は、クリック可能なアイコンや画像等であってもよい。また、利用者Ｕが操作可能な対象物に限らず、コンテンツの画面の背景やＣＳＳ（Cascading Style Sheets）等を構成要素として扱ってもよい。

また、上記の実施形態において、コンテンツの画面が、基本の地図に各種データを何層も重ねた地図画面のようなレイヤー構造（階層的構造）である場合、各レイヤー（層）を構成要素として扱ってもよい。

〔６．効果〕
上述してきたように、本願に係る情報処理装置１００は、作成部と、学習部と、算出部とを備える。作成部は、利用者が利用したコンテンツの画面のイメージのベクトルデータを作成する。学習部は、ベクトルデータから、利用者がコンテンツを利用してから当該コンテンツを再度利用するまでの離脱期間を示す離脱期間情報を出力するようにモデルに学習させる。算出部は、離脱期間情報から、コンテンツの構成要素の品質スコアを算出する。これにより、コンテンツの構成要素の品質を評価することができる。なお、コンテンツの構成要素は、例えばコンテンツを構成するパーツ（部品）等である。

また、算出部は、構成要素の品質スコアとして、離脱期間の平均値又は中央値を算出する。もしくは、算出部は、構成要素の品質スコアとして、離脱期間の長さに応じて点数化した値を算出する。これにより、コンテンツの構成要素に定量的な点数をつけることができる。

ベクトルデータは、コンテンツの画面上の位置を示す情報と、その位置に配置された構成要素の種別を示す情報と、その構成要素に対する利用者の行動の有無を示す情報とを含む。これにより、コンテンツの構成要素の品質を評価することができる。

学習部は、ベクトルデータから、利用者がコンテンツの構成要素を利用してから当該構成要素を再度利用するまでの離脱期間を示す離脱期間情報を出力するようにモデルに学習させてもよい。これにより、パーツ単位での離脱期間情報（パーツ離脱期間）から、品質スコアを得ることができる。

また、学習部は、ベクトルデータから、利用者がコンテンツの構成要素に対する所定の行動を実施してから当該所定の行動を再度実施するまでの離脱期間を示す離脱期間情報を出力するようにモデルに学習させてもよい。これにより、パーツのアクション単位での離脱期間情報から、品質スコアを得ることができる。

また、学習部は、事前に学習データのうち一定の割合のデータをテスト用データとして取り分けておき、テスト用データの中から品質スコアを取得したい構成要素を含むベクトルデータをモデルに入力し、離脱期間を出力する。このように、ベクトルデータを入力として、学習済モデルから離脱期間を取得する。

学習部は、コンテンツが有する機能を構成要素として、離脱期間情報を出力するようにモデルに学習させる。これにより、例えばウェブサイトを開いたときに自動的に流れる音声や映像等を構成要素として扱い、その構成要素の離脱期間を正解データとして学習させることができる。

学習部は、アプリケーションの操作画面をコンテンツの画面とし、アプリケーションの各機能を構成要素として、離脱期間情報を出力するようにモデルに学習させる。これにより、これにより、アプリの操作画面を構成するパーツ（部品）の品質を評価することができる。

〔７．ハードウェア構成〕
また、上述した実施形態に係る端末装置１０や情報処理装置１００は、例えば図９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。以下、情報処理装置１００を例に挙げて説明する。図９は、ハードウェア構成の一例を示す図である。コンピュータ１０００は、出力装置１０１０、入力装置１０２０と接続され、演算装置１０３０、一次記憶装置１０４０、二次記憶装置１０５０、出力Ｉ／Ｆ（Interface）１０６０、入力Ｉ／Ｆ１０７０、ネットワークＩ／Ｆ１０８０がバス１０９０により接続された形態を有する。

演算装置１０３０は、一次記憶装置１０４０や二次記憶装置１０５０に格納されたプログラムや入力装置１０２０から読み出したプログラム等に基づいて動作し、各種の処理を実行する。演算装置１０３０は、例えばＣＰＵ（Central Processing Unit）、ＭＰＵ（Micro Processing Unit）、ＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（Field Programmable Gate Array）等により実現される。

一次記憶装置１０４０は、ＲＡＭ（Random Access Memory）等、演算装置１０３０が各種の演算に用いるデータを一次的に記憶するメモリ装置である。また、二次記憶装置１０５０は、演算装置１０３０が各種の演算に用いるデータや、各種のデータベースが登録される記憶装置であり、ＲＯＭ(Read Only Memory)、ＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid State Drive）、フラッシュメモリ等により実現される。二次記憶装置１０５０は、内蔵ストレージであってもよいし、外付けストレージであってもよい。また、二次記憶装置１０５０は、ＵＳＢメモリやＳＤ（Secure Digital）メモリカード等の取り外し可能な記憶媒体であってもよい。また、二次記憶装置１０５０は、クラウドストレージ（オンラインストレージ）やＮＡＳ（Network Attached Storage）、ファイルサーバ等であってもよい。

出力Ｉ／Ｆ１０６０は、ディスプレイ、プロジェクタ、およびプリンタ等といった各種の情報を出力する出力装置１０１０に対し、出力対象となる情報を送信するためのインターフェイスであり、例えば、ＵＳＢ（Universal Serial Bus）やＤＶＩ（Digital Visual Interface）、ＨＤＭＩ（登録商標）（High Definition Multimedia Interface）といった規格のコネクタにより実現される。また、入力Ｉ／Ｆ１０７０は、マウス、キーボード、キーパッド、ボタン、およびスキャナ等といった各種の入力装置１０２０から情報を受信するためのインターフェイスであり、例えば、ＵＳＢ等により実現される。

また、出力Ｉ／Ｆ１０６０および入力Ｉ／Ｆ１０７０はそれぞれ出力装置１０１０および入力装置１０２０と無線で接続してもよい。すなわち、出力装置１０１０および入力装置１０２０は、ワイヤレス機器であってもよい。

また、出力装置１０１０および入力装置１０２０は、タッチパネルのように一体化していてもよい。この場合、出力Ｉ／Ｆ１０６０および入力Ｉ／Ｆ１０７０も、入出力Ｉ／Ｆとして一体化していてもよい。

なお、入力装置１０２０は、例えば、ＣＤ（Compact Disc）、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、又は半導体メモリ等から情報を読み出す装置であってもよい。

ネットワークＩ／Ｆ１０８０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演算装置１０３０へ送り、また、ネットワークＮを介して演算装置１０３０が生成したデータを他の機器へ送信する。

演算装置１０３０は、出力Ｉ／Ｆ１０６０や入力Ｉ／Ｆ１０７０を介して、出力装置１０１０や入力装置１０２０の制御を行う。例えば、演算装置１０３０は、入力装置１０２０や二次記憶装置１０５０からプログラムを一次記憶装置１０４０上にロードし、ロードしたプログラムを実行する。

例えば、コンピュータ１０００が情報処理装置１００として機能する場合、コンピュータ１０００の演算装置１０３０は、一次記憶装置１０４０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、コンピュータ１０００の演算装置１０３０は、ネットワークＩ／Ｆ１０８０を介して他の機器から取得したプログラムを一次記憶装置１０４０上にロードし、ロードしたプログラムを実行してもよい。また、コンピュータ１０００の演算装置１０３０は、ネットワークＩ／Ｆ１０８０を介して他の機器と連携し、プログラムの機能やデータ等を他の機器の他のプログラムから呼び出して利用してもよい。

〔８．その他〕
以上、本願の実施形態を説明したが、これら実施形態の内容により本発明が限定されるものではない。また、前述した構成要素には、当業者が容易に想定できるもの、実質的に同一のもの、いわゆる均等の範囲のものが含まれる。さらに、前述した構成要素は適宜組み合わせることが可能である。さらに、前述した実施形態の要旨を逸脱しない範囲で構成要素の種々の省略、置換又は変更を行うことができる。

また、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又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又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、その全部又は一部を、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又は物理的に分散・統合して構成することができる。

例えば、上述した情報処理装置１００は、複数のサーバコンピュータで実現してもよく、また、機能によっては外部のプラットホーム等をＡＰＩ（Application Programming Interface）やネットワークコンピューティング等で呼び出して実現するなど、構成は柔軟に変更できる。

また、上述してきた実施形態および変形例は、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 情報処理システム
１０ 端末装置
１００ 情報処理装置
１１０ 通信部
１２０ 記憶部
１２１ 利用者データベース
１２２ イメージベクトルデータベース
１２３ 品質スコアデータベース
１３０ 制御部
１３１ 受付部
１３２ 取得部
１３３ 作成部
１３４ 学習部
１３５ 算出部
１３６ 提供部
２００ 情報提供装置

Claims (12)

1. 利用者が利用したコンテンツの画面のイメージのベクトルデータを作成する作成部と、
   前記ベクトルデータから、前記利用者が前記コンテンツを利用してから前記コンテンツを再度利用するまでの離脱期間を示す離脱期間情報を出力するようにモデルに学習させる学習部と、
   前記離脱期間情報から、前記コンテンツの構成要素の品質スコアを算出する算出部と
   を備えることを特徴とする情報処理装置。
2. 前記算出部は、前記構成要素の品質スコアとして、前記離脱期間の平均値を算出する
   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、前記構成要素の品質スコアとして、前記離脱期間の中央値を算出する
   ことを特徴とする請求項１に記載の情報処理装置。
4. 前記算出部は、前記構成要素の品質スコアとして、前記離脱期間の長さに応じて点数化した値を算出する
   ことを特徴とする請求項１～３のうちいずれか１つに記載の情報処理装置。
5. 前記ベクトルデータは、コンテンツの画面上の位置を示す情報と、前記位置に配置された構成要素の種別を示す情報と、該構成要素に対する前記利用者の行動の有無を示す情報とを含む
   ことを特徴とする請求項１～４のうちいずれか１つに記載の情報処理装置。
6. 前記学習部は、前記ベクトルデータから、前記利用者が前記コンテンツの前記構成要素を利用してから前記構成要素を再度利用するまでの離脱期間を示す離脱期間情報を出力するようにモデルに学習させる
   ことを特徴とする請求項１～５のうちいずれか１つに記載の情報処理装置。
7. 前記学習部は、前記ベクトルデータから、前記利用者が前記コンテンツの前記構成要素に対する所定の行動を実施してから前記所定の行動を再度実施するまでの離脱期間を示す離脱期間情報を出力するようにモデルに学習させる
   ことを特徴とする請求項１～５のうちいずれか１つに記載の情報処理装置。
8. 前記学習部は、事前に学習データのうち一定の割合のデータをテスト用データとして取り分けておき、前記テスト用データの中から前記品質スコアを取得したい構成要素を含む前記ベクトルデータをモデルに入力し、前記離脱期間を出力する
   ことを特徴とする請求項１～７のうちいずれか１つに記載の情報処理装置。
9. 前記学習部は、前記コンテンツが有する機能を構成要素として、前記離脱期間情報を出力するようにモデルに学習させる
   ことを特徴とする請求項１～８のうちいずれか１つに記載の情報処理装置。
10. 前記学習部は、アプリケーションの操作画面を前記コンテンツの画面とし、前記アプリケーションの各機能を構成要素として、前記離脱期間情報を出力するようにモデルに学習させる
    ことを特徴とする請求項１～９のうちいずれか１つに記載の情報処理装置。
11. 情報処理装置が実行する情報処理方法であって、
    利用者が利用したコンテンツの画面のイメージのベクトルデータを作成する作成工程と、
    前記ベクトルデータから、前記利用者が前記コンテンツを利用してから前記コンテンツを再度利用するまでの離脱期間を示す離脱期間情報を出力するようにモデルに学習させる学習工程と、
    前記離脱期間情報から、前記コンテンツの構成要素の品質スコアを算出する算出工程と
    を含むことを特徴とする情報処理方法。
12. 利用者が利用したコンテンツの画面のイメージのベクトルデータを作成する作成手順と、
    前記ベクトルデータから、前記利用者が前記コンテンツを利用してから前記コンテンツを再度利用するまでの離脱期間を示す離脱期間情報を出力するようにモデルに学習させる学習手順と、
    前記離脱期間情報から、前記コンテンツの構成要素の品質スコアを算出する算出手順と
    をコンピュータに実行させるための情報処理プログラム。

Images