JP7244449B2 - 情報処理装置、情報処理方法及び情報処理プログラム - Google Patents
情報処理装置、情報処理方法及び情報処理プログラム Download PDFInfo
- Publication number
- JP7244449B2 JP7244449B2 JP2020046256A JP2020046256A JP7244449B2 JP 7244449 B2 JP7244449 B2 JP 7244449B2 JP 2020046256 A JP2020046256 A JP 2020046256A JP 2020046256 A JP2020046256 A JP 2020046256A JP 7244449 B2 JP7244449 B2 JP 7244449B2
- Authority
- JP
- Japan
- Prior art keywords
- distribution
- content
- information processing
- output
- unit
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000010365 information processing Effects 0.000 title claims description 158
- 238000003672 processing method Methods 0.000 title claims description 12
- 238000009826 distribution Methods 0.000 claims description 258
- 238000000034 method Methods 0.000 claims description 20
- 238000010586 diagram Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 241000699670 Mus sp. Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
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。図1では、情報処理装置100は、編集者等である利用者U1によって作成されたニュース等のコンテンツC1の見出しAのクリック率(CTR:Click Through Rate)の値ごとに、確度を表す分布を特定する。また、情報処理装置100は、特定した確度を表す分布に基づく出力情報を出力する。
ログサーバ10は、情報処理装置100の要求に応じて、情報処理装置100に対してコンテンツの見出しとコンテンツの見出しのクリック率とを含む情報を送信する。情報処理装置100は、コンテンツの見出しとコンテンツの見出しのクリック率とを含む情報(以下、見出し情報ともいう)をログサーバ10から取得する(ステップS1)。
上記では、情報処理装置100による処理の一例について説明した。しかしながら、実施形態は、これに限定されるものではない。以下、情報処理装置100が実行する処理のバリエーションについて説明する。
例えば、利用者U1は、コンテンツC1について2つの見出しAおよび見出しBを作成する。情報処理装置100は、2つの見出しAおよび見出しBを利用者端末20から受け付けて、どちらが良いかを信頼度付きで出力してもよい。例えば、情報処理装置100は、利用者端末20から受け付けた2つの見出しAおよび見出しBそれぞれのクリック率ごとに、確度を表す分布をそれぞれ特定する。続いて、情報処理装置100は、それぞれについて特定した確度を表す分布を重ねて利用者端末20の画面に表示する。
〔1-2-2-1.システムが複数の見出しを作る場合〕
例えば、コンテンツの見出しを生成する生成モデルが、コンテンツC1について複数の見出しを生成する。情報処理装置100は、生成モデルが生成した複数の見出しを取得する。続いて、情報処理装置100は、複数の見出しそれぞれのクリック率ごとに、確度を表す分布をそれぞれ特定する。続いて、情報処理装置100は、各見出しのクリック率ごとの確度を表す分布について、分布を考慮しながら、複数の見出しの組をランキングする。例えば、情報処理装置100は、確度を表す分布における分散が大きい見出しについては、確度を表す分布における分散が小さい見出しよりも、組の中でのランクを下げる。
例えば、複数の編集者がコンテンツC1についてそれぞれ見出しを作成する。情報処理装置100は、複数の編集者それぞれによって作成された複数の見出しを取得する。続いて、情報処理装置100は、複数の見出しそれぞれのクリック率ごとに、確度を表す分布をそれぞれ特定する。続いて、情報処理装置100は、各見出しのクリック率ごとの確度を表す分布について、分布を考慮しながら、複数の見出しの組をランキングする。続いて、情報処理装置100は、ランキング上位の見出しをメタ編集者の利用者端末20に出力する。
〔1-2-3-1.足し算〕
情報処理装置100は、ニュース記事等のコンテンツの見出しのリストに表示される見出しの組を特定してもよい。また、情報処理装置100は、見出しのリストにおける各見出しの表示順を特定してもよい。例えば、情報処理装置100は、リストに含まれる複数の見出しそれぞれのクリック数(またはクリック率)ごとに、確度を表す分布をそれぞれ特定する。続いて、情報処理装置100は、特定した各見出しのクリック数ごとの確度を表す分布(または各見出しのクリック率ごとの確度の分布)を足し合わせることで、リスト全体のクリック数ごとの確度を表す分布(またはリスト全体のクリック率ごとの確度の分布)を特定する。また、情報処理装置100は、例えば、重要度でランキングされた上位X件の記事コンテンツについて、リスト全体のクリック数ごとの確度を表す分布が良くなるように、X件の記事コンテンツの中からY件の記事コンテンツを選択する。あるいは、情報処理装置100は、リスト全体のクリック数ごとの確度を表す分布の良さを表す関数の最適化問題を解くことにより、リスト全体のクリック数ごとの確度を表す分布が良いリストを選択することができる。
一般的に、ニュース記事等のコンテンツの見出しのリストにおいて、内容の類似する見出しのクリック率は相互にブーストされる(ユーザが両方のコンテンツを閲覧するためクリック率が増加する)ことが知られている。そこで、情報処理装置100は、見出しの内容の類似性を考慮した関数f(A,B)(Aは見出しA、Bは見出しBを示す)でブーストされた分布を出力する。例えば、情報処理装置100は、過去の履歴から関数f(A,B)を学習する。あるいは、情報処理装置100は、見出しAの確度を表す分布と見出しBの確度を表す分布との積を用いてブーストされた分布を出力してもよい。また、情報処理装置100は、単純にブースト分を足し算してもよい。なお、見出し同士が離れている場合は相互にブーストされにくいと予想されるため、情報処理装置100は、見出しが上下に並んでいる場合のみブーストを加味してもよい。
情報処理装置100は、強化学習のバンディットアルゴリズムのように、確度を表す分布がなだらかな(予測分散が大きい)見出し(商品・広告)を敢えて出力してもよい。これにより、情報処理装置100は、作成された見出しのクリック率をテストすることができる。
情報処理装置100は、デモグラフィック属性ごとにモデルを生成してもよい。例えば、情報処理装置100は、コンテンツの見出しとコンテンツの見出しのクリック率とを含む情報をデモグラフィック属性ごとにログサーバ10から取得する。続いて、情報処理装置100は、見出し情報を取得すると、コンテンツの見出しとコンテンツの見出しのクリック率とに基づいて、コンテンツの見出しのクリック率を予測するモデルであって、クリック率の値ごとに確度を出力するモデルをデモグラフィック属性ごとに学習する。
次に、図2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2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。なお、情報処理装置100は、情報処理装置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、各種情報を表示させるための表示部(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、ログサーバ10と利用者端末20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(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、見出し情報記憶部121を有する。
見出し情報記憶部121は、見出しに関する各種の情報を記憶する。図3に、実施形態に係る見出し情報記憶部の一例を示す。図3に示す例では、見出し情報記憶部121は、「見出しID」、「見出し」、「CTR」、「コンテンツURL」といった項目を有する。
図2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、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。
取得部131は、コンテンツの見出しとコンテンツの見出しのクリック率とを含む見出し情報をログサーバ10から取得する。取得部131は、見出し情報を取得すると、取得した見出し情報を見出し情報記憶部121に格納する。
学習部132は、自然勾配ブースティングの技術を用いて、配信対象となる配信コンテンツが選択される度合を予測するモデルであって、配信対象となる配信コンテンツが選択される度合ごとに、確度を表す分布を出力するモデルを学習する。学習部132は、自然勾配ブースティングの技術を用いて、配信対象となる配信コンテンツが選択される度合の分布を出力するモデルを学習する。例えば、学習部132は、自然勾配ブースティングの技術を用いて、コンテンツの見出しのクリック率を予測するモデルであって、クリック率の値ごとに、確度を表す分布を出力するモデルを学習する。学習部132は、自然勾配ブースティングの技術を用いて、コンテンツの見出しのクリック率の分布を出力するモデルを学習する。
受付部133は、コンテンツの見出しを利用者端末20から受け付ける。受付部133は、複数のコンテンツの見出しを利用者端末20から受け付けてもよい。
特定部134は、入力情報から実数値の分布を予測するモデルを用いて、配信対象となる配信コンテンツが選択される度合ごとに、確度を表す分布を特定する。例えば、特定部134は、受付部133が受け付けたコンテンツの見出しのクリック率ごとに、確度を表す分布を特定する。特定部134は、受付部133が受け付けたコンテンツの見出しのクリック率の分布を特定する。
出力部135は、特定部134により特定された分布に基づく出力情報を出力する。具体的には、出力部135は、特定部134により特定された分布、分布における確度が所定の閾値を満たす区間、配信コンテンツが選択される度合、配信コンテンツが選択される回数、または分布における分散に対して正または負の寄与度を持つ特徴量のうち少なくともいずれか1つである出力情報を出力する。例えば、出力部135は、特定部134により特定された分布に基づく出力情報を利用者端末20に対して配信する。
例えば、出力部135は、特定部134により特定された確度を表す分布における分散が所定の閾値未満である場合は、配信コンテンツが選択される回数を出力し、特定部134により特定された確度を表す分布における分散が所定の閾値以上である場合は、配信コンテンツが選択される回数を出力しない。例えば、出力部135は、特定部134により特定された確度を表す分布における分散が所定の閾値未満であると判定された場合、特定部134により特定されたコンテンツの見出しについて予測されるクリック数の平均値を出力する。一方、出力部135は、特定部134により特定された確度を表す分布における分散が所定の閾値以上であると判定された場合、特定部134により特定されたコンテンツの見出しについて予測されるクリック数の平均値を出力しない。
次に、図6を用いて、実施形態に係る情報処理の手順について説明する。図6は、実施形態に係る情報処理手順を示すフローチャートである。図6に示す例では、情報処理装置100は、コンテンツの見出しとコンテンツの見出しのCTRとを取得する(ステップS101)。続いて、情報処理装置100は、自然勾配ブースティングの技術を用いて、コンテンツの見出しのCTRを予測するモデルであって、CTRの値ごとに確度を出力するモデルを学習する(ステップS102)。続いて、情報処理装置100は、利用者から見出しの入力を受け付ける(ステップS103)。続いて、情報処理装置100は、CTRの確率分布を生成する(ステップS104)。続いて、情報処理装置100は、確率分布に基づく出力情報を出力する(ステップS105)。
上述してきたように、実施形態に係る情報処理装置100は、特定部134と出力部135を有する。特定部134は、入力情報から実数値の分布を予測するモデルを用いて、配信対象となる配信コンテンツが選択される度合ごとに、確度を表す分布を特定する。出力部135は、特定部134により特定された分布に基づく出力情報を出力する。
また、上述してきた実施形態に係る情報処理装置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を備える。
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。
10 ログサーバ
20 利用者端末
100 情報処理装置
110 通信部
120 記憶部
121 見出し情報記憶部
130 制御部
131 取得部
132 学習部
133 受付部
134 特定部
135 出力部
Claims (9)
- 学習対象のコンテンツである学習コンテンツを入力情報としてモデルに入力した場合に、前記学習コンテンツを配信された利用者によって前記学習コンテンツが選択される度合を示す値ごとの確度を表す分布を出力情報として出力するよう学習された前記モデルを用いて、配信対象となる配信コンテンツから、前記配信コンテンツを配信された利用者によって前記配信コンテンツが選択される度合を示す値ごとの確度を表す分布である前記配信コンテンツの分布を特定する特定部と、
前記特定部により特定された前記配信コンテンツの分布に基づく出力情報を出力する出力部と、
を有し、
前記特定部は、
複数の前記配信コンテンツの分布をそれぞれ特定し、複数の前記配信コンテンツの組におけるランキングにおいて、前記配信コンテンツの分布における分散の値が分散閾値以下である前記配信コンテンツのランクよりも、前記配信コンテンツの分布における分散の値が前記分散閾値を超える前記配信コンテンツのランクを低くする、
ことを特徴とする情報処理装置。 - 前記出力部は、
前記特定部により特定された複数の分布を重ねて表示する、
ことを特徴とする請求項1に記載の情報処理装置。 - 前記出力部は、
前記複数の分布の重なり方に応じた前記出力情報を出力する、
ことを特徴とする請求項2に記載の情報処理装置。 - 前記出力部は、
前記特定部により特定された複数の分布に基づいて、前記複数の前記配信コンテンツのうちいずれの配信コンテンツが適切かを示す前記出力情報を出力する、
ことを特徴とする請求項1に記載の情報処理装置。 - 前記特定部は、
特定された複数の分布に基づいて、同時に配信される複数のコンテンツの組を特定し、
前記出力部は、
前記特定部により特定された組を示す前記出力情報を出力する、
ことを特徴とする請求項1に記載の情報処理装置。 - 前記特定部は、
前記モデルを用いて、過去に特定された分布に対応する配信コンテンツと類似する類似コンテンツから、前記類似コンテンツを配信された利用者によって前記類似コンテンツが選択される度合を示す値ごとの確度を表す前記類似コンテンツの分布を特定し、前記過去に特定された分布と前記類似コンテンツの分布との類似度に基づいて、前記類似度が類似閾値を上回るように前記類似コンテンツの分布を補正し、
前記出力部は、
前記特定部により補正された分布に基づく出力情報を出力する、
ことを特徴とする請求項1に記載の情報処理装置。 - 前記出力部は、
前記特定部により特定された分布、前記分布における確度が確度閾値を満たす区間、前記配信コンテンツが選択される度合、前記配信コンテンツが選択される回数、または前記分布における分散を大きくすることに寄与している特徴量のうち少なくともいずれか1つである前記出力情報を出力する、
ことを特徴とする請求項1に記載の情報処理装置。 - コンピュータが実行する情報処理方法であって、
学習対象のコンテンツである学習コンテンツを入力情報としてモデルに入力した場合に、前記学習コンテンツを配信された利用者によって前記学習コンテンツが選択される度合を示す値ごとの確度を表す分布を出力情報として出力するよう学習された前記モデルを用いて、配信対象となる配信コンテンツから、前記配信コンテンツを配信された利用者によって前記配信コンテンツが選択される度合を示す値ごとの確度を表す分布である前記配信コンテンツの分布を特定する特定工程と、
前記特定工程により特定された前記配信コンテンツの分布に基づく出力情報を出力する出力工程と、
を含み、
前記特定工程は、
複数の前記配信コンテンツの分布をそれぞれ特定し、複数の前記配信コンテンツの組におけるランキングにおいて、前記配信コンテンツの分布における分散の値が分散閾値以下である前記配信コンテンツのランクよりも、前記配信コンテンツの分布における分散の値が前記分散閾値を超える前記配信コンテンツのランクを低くする、
ことを特徴とする情報処理方法。 - 学習対象のコンテンツである学習コンテンツを入力情報としてモデルに入力した場合に、前記学習コンテンツを配信された利用者によって前記学習コンテンツが選択される度合を示す値ごとの確度を表す分布を出力情報として出力するよう学習された前記モデルを用いて、配信対象となる配信コンテンツから、前記配信コンテンツを配信された利用者によって前記配信コンテンツが選択される度合を示す値ごとの確度を表す分布である前記配信コンテンツの分布を特定する特定手順と、
前記特定手順により特定された前記配信コンテンツの分布に基づく出力情報を出力する出力手順と、
をコンピュータに実行させ、
前記特定手順は、
複数の前記配信コンテンツの分布をそれぞれ特定し、複数の前記配信コンテンツの組におけるランキングにおいて、前記配信コンテンツの分布における分散の値が分散閾値以下である前記配信コンテンツのランクよりも、前記配信コンテンツの分布における分散の値が前記分散閾値を超える前記配信コンテンツのランクを低くする、
ことを特徴とする情報処理プログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020046256A JP7244449B2 (ja) | 2020-03-17 | 2020-03-17 | 情報処理装置、情報処理方法及び情報処理プログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020046256A JP7244449B2 (ja) | 2020-03-17 | 2020-03-17 | 情報処理装置、情報処理方法及び情報処理プログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021149258A JP2021149258A (ja) | 2021-09-27 |
JP7244449B2 true JP7244449B2 (ja) | 2023-03-22 |
Family
ID=77848772
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020046256A Active JP7244449B2 (ja) | 2020-03-17 | 2020-03-17 | 情報処理装置、情報処理方法及び情報処理プログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7244449B2 (ja) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013161359A (ja) | 2012-02-07 | 2013-08-19 | Yahoo Japan Corp | 広告評価装置、広告評価方法およびプログラム |
US20160350802A1 (en) | 2015-05-27 | 2016-12-01 | Staples, Inc. | Promotion Selection for Online Customers Using Bayesian Bandits |
JP2018180932A (ja) | 2017-04-13 | 2018-11-15 | ヤフー株式会社 | 広告形態決定装置、広告形態決定方法、及びプログラム |
-
2020
- 2020-03-17 JP JP2020046256A patent/JP7244449B2/ja active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013161359A (ja) | 2012-02-07 | 2013-08-19 | Yahoo Japan Corp | 広告評価装置、広告評価方法およびプログラム |
US20160350802A1 (en) | 2015-05-27 | 2016-12-01 | Staples, Inc. | Promotion Selection for Online Customers Using Bayesian Bandits |
JP2018180932A (ja) | 2017-04-13 | 2018-11-15 | ヤフー株式会社 | 広告形態決定装置、広告形態決定方法、及びプログラム |
Also Published As
Publication number | Publication date |
---|---|
JP2021149258A (ja) | 2021-09-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11620326B2 (en) | User-specific media playlists | |
US20220043810A1 (en) | Reinforcement learning techniques to improve searching and/or to conserve computational and network resources | |
US20190325066A1 (en) | Generating a Topic-Based Summary of Textual Content | |
US10169830B2 (en) | Adjusting sentiment scoring for online content using baseline attitude of content author | |
US20180081978A1 (en) | Method and Apparatus for Processing Information | |
US8209214B2 (en) | System and method for providing targeted content | |
US9715486B2 (en) | Annotation probability distribution based on a factor graph | |
US11055745B2 (en) | Linguistic personalization of messages for targeted campaigns | |
WO2019133164A1 (en) | System and method for recommending features for content presentations | |
JP7244449B2 (ja) | 情報処理装置、情報処理方法及び情報処理プログラム | |
CN110555135B (zh) | 内容推荐方法、内容推荐装置和电子设备 | |
JP2020126694A (ja) | 推定装置、推定方法、及び推定プログラム | |
JP6990757B1 (ja) | 生成装置、生成方法及び生成プログラム | |
JP2017021469A (ja) | 分類装置、分類方法、及び分類プログラム | |
KR102443041B1 (ko) | 이벤트간 유사성 측정을 통한 새로운 이벤트의 수요 예측 방법 및 장치 | |
JP7034015B2 (ja) | 選択装置、学習装置、抽出装置、選択方法、学習方法、抽出方法、選択プログラム、学習プログラム、および抽出プログラム | |
JP7184947B2 (ja) | 特定装置、特定方法及び特定プログラム | |
CN110555131A (zh) | 内容推荐方法、内容推荐装置和电子设备 | |
JP6696018B1 (ja) | 情報処理装置、情報処理方法及び情報処理プログラム | |
JP2024009739A (ja) | 情報処理方法、情報処理装置および情報処理プログラム | |
JP2023159782A (ja) | 情報処理装置、情報処理方法、および情報処理プログラム | |
JP2024009738A (ja) | 情報処理方法、情報処理装置および情報処理プログラム | |
CN115329198A (zh) | 多媒体资源推送方法、装置、电子设备及存储介质 | |
JP2018045394A (ja) | 決定装置、決定方法、及び決定プログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210819 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20220602 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220802 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20221003 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20230207 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230309 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7244449 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313111 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |