JP7428860B2 - 情報処理装置、情報処理方法、及びプログラム - Google Patents

Description

本発明は、情報処理装置、情報処理方法、及びプログラムに関する。

コンピュータに、電子商取引ウェブサイトのウェブページ上で表示する理想的な商品を選択させる技術が知られている（例えば、特許文献１参照）。

特表２０１９－５０４４０６号公報

しかしながら、従来の技術では、電子商取引において、ユーザがコンバージョンに至りやすい商品又はサービスのカテゴリについて十分な精度で予測できていない場合があった。

本発明は、上記の課題に鑑みてなされたものであり、ユーザがコンバージョンに至りやすい商品又はサービスのカテゴリを精度よく予測することができる情報処理装置、情報処理方法、及びプログラムを提供することを目的としている。

本発明の一態様は、電子商取引において扱われる商品又はサービスの分類先となる複数のカテゴリのそれぞれについて、前記カテゴリに分類された商品又はサービスに対してユーザが最後に第１コンバージョンに至ってから経過した第１時間と、前記カテゴリに分類された商品又はサービスに対して前記ユーザが過去のある期間に前記第１コンバージョンに至った第１累計回数と、前記カテゴリに分類された商品又はサービスに対して前記ユーザが最後に第２コンバージョンに至ってから経過した第２時間と、前記カテゴリに分類された商品又はサービスに対して前記ユーザが過去のある期間に前記第２コンバージョンに至った第２累計回数と、を算出する第１算出部と、前記第１算出部によって前記カテゴリごとに算出された前記第１時間、前記第１累計回数、前記第２時間、及び前記第２累計回数に基づいて、前記カテゴリに対する前記ユーザの嗜好を表すスコアを、前記カテゴリごとに算出する第２算出部と、前記第２算出部によって前記カテゴリごとに算出された前記スコアに基づいて、前記ユーザが将来のある時点で前記第１コンバージョン又は前記第２コンバージョンに至ることが想定される商品又はサービスのカテゴリであるコンバージョンカテゴリを予測する予測部と、を備える情報処理装置である。

本発明の一態様によれば、ユーザがコンバージョンに至りやすい商品又はサービスのカテゴリを精度よく予測することができる。

第１実施形態における情報処理装置１００を含む情報処理システム１の一例を示す図である。 サービス提供装置２０により提供されるウェブページの一例を示す図である。 第１実施形態における情報処理装置１００の構成の一例を示す図である。 第１実施形態における情報処理装置１００によるランタイムの一連の処理の流れを示すフローチャートである。 第１実施形態における情報処理装置１００によるトレーニングの一連の処理の流れを示すフローチャートである。 階層化されたカテゴリの一例を表す図である。 実施形態の情報処理装置１００のハードウェア構成の一例を示す図である。

以下、本発明を適用した情報処理装置、情報処理方法、及びプログラムを、図面を参照して説明する。

［概要］
情報処理装置は、一つ又は複数のプロセッサにより実現される。情報処理装置は、電子商取引において扱われる商品又はサービスの分類先となる複数のカテゴリのそれぞれについて、リーセンシー（Recency）及びフリークエンシー（Frequency）を算出する。

リーセンシーとは、あるカテゴリに分類された商品又はサービスに対して、ユーザが最後にコンバージョンに至ってから経過した時間である。コンバージョンとは、例えば、商品又はサービスが閲覧されたり、購入されたり、ショッピングカートに投入したり、お気に入りに登録されたり、レビューや口コミがなされたりすることである。

フリークエンシーとは、あるカテゴリに分類された商品又はサービスに対して、ユーザが過去のある期間にコンバージョンに至った累計回数である。

情報処理装置は、カテゴリごとにリーセンシー及びフリークエンシーを算出すると、それらリーセンシー及びフリークエンシーに基づいて、カテゴリに対するユーザの嗜好を表すスコアを、カテゴリごとに算出する。そして、情報処理装置は、算出したスコアに基づいて、コンバージョンカテゴリを予測する。コンバージョンカテゴリとは、ユーザが将来のある時点でコンバージョンに至ることが想定（或いは期待）される商品又はサービスのカテゴリである。このようにリーセンシー及びフリークエンシーを基にスコアを算出することで、ユーザがコンバージョンに至りやすい商品又はサービスのカテゴリを精度よく予測することができる。以下、商品又はサービスをまとめて「商品」と称して説明する。

＜第１実施形態＞
［全体構成］
図１は、第１実施形態における情報処理装置１００を含む情報処理システム１の一例を示す図である。第１実施形態における情報処理システム１は、例えば、一以上の端末装置１０と、サービス提供装置２０と、情報処理装置１００とを備える。これらの装置は、ネットワークＮＷを介して接続される。また、これらの装置のうち一部は、他の装置に仮想的な装置として包含されてもよく、例えば、サービス提供装置２０の機能の一部または全部が、情報処理装置１００の機能によって実現される仮想マシンであってもよい。

図１に示す各装置は、ネットワークＮＷを介して種々の情報を送受信する。ネットワークＮＷには、例えば、インターネット、ＷＡＮ（Wide Area Network）、ＬＡＮ（Local Area Network）、プロバイダ端末、無線通信網、無線基地局、専用回線などが含まれる。なお、図１に示す各装置の全ての組み合わせが相互に通信可能である必要はなく、ネットワークＮＷには、一部にローカルなネットワークが含まれてもよい。

端末装置１０は、例えば、入力装置、表示装置、通信装置、記憶装置、および演算装置を備える端末装置である。より具体的には、端末装置１０は、スマートフォンなどの携帯電話、タブレット端末、各種パーソナルコンピュータなどである。通信装置は、ＮＩＣ（Network Interface Card）などのネットワークカード、無線通信モジュールなどを備える。端末装置１０では、ウェブブラウザやアプリケーションプログラムなどのＵＡ（User Agent）が起動し、ユーザの入力する内容に応じたリクエストをサービス提供装置２０に送信する。また、ＵＡが起動された端末装置１０は、サービス提供装置２０から取得した情報に基づいて、表示装置に各種情報を表示させる。

サービス提供装置２０は、例えば、ＵＡとして起動されたウェブブラウザからのリクエストに応じて端末装置１０にウェブページを提供するウェブサーバである。ウェブページは、例えば、インターネット上において複数の店舗が出店するショッピングサイトや、商品がオークション形式で売買されるオークションサイトやフリーマーケットサイトといった種々のウェブサイトを構成するウェブページであってよい。また、サービス提供装置２０は、ＵＡとして起動されたアプリケーションからのリクエストに応じて端末装置１０にコンテンツを提供することで、ショッピングサイトや、オークションサイト、フリーマーケットサイトなどの各種ウェブサイトと同様のサービスを提供するアプリケーションサーバであってもよい。以下、一例として、サービス提供装置２０によって提供されるサービスが、「ショッピングサイト」であるものとして説明するが、このショッピングサイトはオークションサイトやフリーマーケットサイトなどの他のサービスに読み替えてよい。この場合、サイト上での販売は出品と読み替え、購入は落札と読み替えてよい。

図２は、サービス提供装置２０により提供されるウェブページの一例を示す図である。図示の例では、ショッピングサイトにおいて、商品を購入可能なウェブページを模式的に示している。このようなウェブページには、図中Ｒ１の領域のように、例えば、情報処理装置１００によって予測されたコンバージョンカテゴリの商品が併せて表示される。例えば、ウェブページにアクセスしたユーザのコンバージョンカテゴリとして、カテゴリＡとカテゴリＢの２種類のカテゴリが予測されたとする。このような場合、ウェブページには、カテゴリＡに分類される商品と、カテゴリＢに分類される商品とがおすすめ商品などとして表示される。これにより、ユーザに対して閲覧や購入といった所望のコンバージョンを促すことができる。コンバージョンカテゴリの予測方法の詳細については後述する。

情報処理装置１００は、例えば、ショッピングサイト上にアクセスしたユーザの各種コンバージョン情報を取得し、取得したコンバージョン情報に基づいて、上述したリーセンシー及びフリークエンシーを算出し、算出したリーセンシー及びフリークエンシーに基づいて、カテゴリに対するユーザの嗜好を表すスコアをカテゴリごとに算出する。そして、情報処理装置１００は、算出したスコアに基づいて、ユーザのコンバージョンカテゴリを予測する。

［情報処理装置の構成］
図３は、第１実施形態における情報処理装置１００の構成の一例を示す図である。図示のように、情報処理装置１００は、例えば、通信部１０２と、制御部１１０と、記憶部１３０とを備える。

通信部１０２は、例えば、ＮＩＣ等の通信インターフェースを含む。通信部１０２は、ネットワークＮＷを介して、端末装置１０やサービス提供装置２０などと通信する。

制御部１１０は、例えば、取得部１１２と、第１算出部１１４と、第２算出部１１６と、予測部１１８と、学習部１２０と、通信制御部１２２とを備える。

制御部１１０の構成要素は、例えば、ＣＰＵ（Central Processing Unit）やＧＰＵ（Graphics Processing Unit）などのプロセッサが記憶部１３０に格納されたプログラムを実行することにより実現される。また、制御部１１０の構成要素の一部または全部は、ＬＳＩ（Large Scale Integration）、ＡＳＩＣ（Application Specific Integrated Circuit）、ＦＰＧＡ（Field-Programmable Gate Array）、またはＧＰＵ（Graphics Processing Unit）などのハードウェア（回路部；circuitry）により実現されてもよいし、ソフトウェアとハードウェアの協働によって実現されてもよい。

記憶部１３０は、例えば、ＨＤＤ（Hard Disk Drive）、フラッシュメモリ、ＥＥＰＲＯＭ（Electrically Erasable Programmable Read Only Memory）、ＲＯＭ（Read Only Memory）、ＲＡＭ（Random Access Memory）などの記憶装置により実現される。記憶部１３０には、ファームウェアやアプリケーションプログラムなどの各種プログラムの他に、第１コンバージョン情報１３２と、第２コンバージョン情報１３４と、モデル情報１３６とが格納される。これらの各種情報については後述する。

［ランタイムの処理フロー］
以下、制御部１１０の各構成要素の処理内容についてフローチャートを用いて説明する。図４は、第１実施形態における情報処理装置１００によるランタイムの一連の処理の流れを示すフローチャートである。ランタイムとは、後述する学習済みのロジスティック回帰モデルＭＤＬを使用（実行）することである。本フローチャートの処理は、例えば、所定の周期で繰り返し行われてよい。

まず、取得部１１２は、通信部１０２を介して、サービス提供装置２０から、ショッピングサイトにアクセスしたユーザ（以下、アクセスユーザと称する）の第１コンバージョン情報１３２及び第２コンバージョン情報１３４を取得する（ステップＳ１００）。

第１コンバージョン情報１３２とは、過去のある第１所定期間において、アクセスユーザが至った第１コンバージョンに関する情報である。第１コンバージョンとは、例えば、ショッピングサイト上で商品を閲覧することである。第１所定期間は、数日、数週間、数か月、数年といった期間であってよく、典型的には数か月間である。第１コンバージョン情報１３２には、例えば、第１コンバージョンに至った日時などが含まれる。

第２コンバージョン情報１３４とは、過去のある第２所定期間において、アクセスユーザが至った第２コンバージョンに関する情報である。第２コンバージョンとは、例えば、ショッピングサイト上で商品を購入することである。第２所定期間は、第１所定期間と同様に、数日、数週間、数か月、数年といった期間であってよく、典型的には数年間である。第２コンバージョン情報１３４には、例えば、第２コンバージョンに至った日時などが含まれる。

次に、第１算出部１１４は、取得部１１２によって取得された第１コンバージョン情報１３２及び第２コンバージョン情報１３４に基づいて、複数のカテゴリの其々について、アクセスユーザのリーセンシー及びフリークエンシーを算出する（ステップＳ１０２）。

例えば、第１算出部１１４は、第１コンバージョン情報１３２を参照して、アクセスユーザが最後に第１コンバージョンに至ってから経過した時間を、第１コンバージョンのリーセンシーとして算出する。言い換えれば、第１算出部１１４は、アクセスユーザがショッピングサイトにアクセスした日時から、過去の第１所定期間内において第１コンバージョンに至った直近の日時までの期間（日数）を、第１コンバージョンのリーセンシーとして算出する。第１コンバージョンのリーセンシーは「第１時間」の一例である。

また、例えば、第１算出部１１４は、第１コンバージョン情報１３２を参照して、アクセスユーザが過去の第１所定期間内に第１コンバージョンに至った累計回数（総回数）を、第１コンバージョンのフリークエンシーとして算出する。第１コンバージョンのフリークエンシーは「第１累計回数」の一例である。

また、例えば、第１算出部１１４は、第２コンバージョン情報１３４を参照して、アクセスユーザが最後に第２コンバージョンに至ってから経過した時間を、第２コンバージョンのリーセンシーとして算出する。言い換えれば、第１算出部１１４は、アクセスユーザがショッピングサイトにアクセスした日時から、過去の第２所定期間内において第２コンバージョンに至った直近の日時までの期間を、第２コンバージョンのリーセンシーとして算出する。第２コンバージョンのリーセンシーは「第２時間」の一例である。

また、例えば、第１算出部１１４は、第２コンバージョン情報１３４を参照して、アクセスユーザが過去の第２所定期間内に第２コンバージョンに至った累計回数を、第２コンバージョンのフリークエンシーとして算出する。第２コンバージョンのフリークエンシーは「第２累計回数」の一例である。

次に、第２算出部１１６は、第１算出部１１４によってカテゴリごとに算出された第１コンバージョンのリーセンシー、第１コンバージョンのフリークエンシー、第２コンバージョンのリーセンシー、及び第２コンバージョンのフリークエンシーに基づいて、各カテゴリに対するアクセスユーザの嗜好を表すスコア（以下、カテゴリ嗜好スコアＳと称する）を、カテゴリごとに算出する（ステップＳ１０４）。

例えば、第２算出部１１６は、モデル情報１３６が示すロジスティック回帰モデルＭＤＬを用いて、各カテゴリのカテゴリ嗜好スコアＳを算出する。

モデル情報１３６は、ロジスティック回帰モデルＭＤＬを定義した情報（プログラムまたはデータ構造）である。例えば、モデル情報１３６には、複数の偏回帰係数ａやバイアス成分ｂなどが含まれる。ロジスティック回帰モデルＭＤＬは、例えば、数式（１）及び（２）によって表される。

ｘ_１からｘ_４は、ロジスティック回帰モデルＭＤＬの説明変数を表している。ａ_１は説明変数ｘ_１の偏回帰係数を表し、ａ_２は説明変数ｘ_２の偏回帰係数を表し、ａ_３は説明変数ｘ_３の偏回帰係数を表し、ａ_４は説明変数ｘ_４の偏回帰係数を表している。また、ｂは、上記の通りバイアス成分を表している。これら複数の偏回帰係数ａ及びバイアス成分ｂは、後述する学習部１２０によって予め決定される。

Ｒ_１は、ある対象カテゴリｃ_ｉについて算出された第１コンバージョンのリーセンシーを表し、Ｆ_１は，対象カテゴリｃ_ｉについて算出された第１コンバージョンのフリークエンシーを表し、Ｒ_２は，対象カテゴリｃ_ｉについて算出された第２コンバージョンのリーセンシーを表し、Ｆ_２は，対象カテゴリｃ_ｉについて算出された第２コンバージョンのフリークエンシーを表している。数式（２）の通り、説明変数ｘ_１は、第１コンバージョンのリーセンシーＲ_１の対数値であり、説明変数ｘ_２は、第１コンバージョンのフリークエンシーＦ_１の対数値であり、説明変数ｘ_３は、第２コンバージョンのリーセンシーＲ_２の対数値であり、説明変数ｘ_４は、第２コンバージョンのフリークエンシーＦ_２の対数値である。ユーザによってはリーセンシーＲやフリークエンシーＦが他人よりも非常に大きかったり小さかったりする場合がある。そのため、各リーセンシーＲやフリークエンシーＦの対数をとることで、それらリーセンシーＲやフリークエンシーＦの値が他者と著しく異なる場合であっても簡単にスコアＳを計算することができる。

例えば、第２算出部１１６は、ロジスティック回帰モデルＭＤＬを表す数式（１）に対して、第１コンバージョンのリーセンシーＲ_１の対数値を説明変数ｘ_１として入力し、第１コンバージョンのフリークエンシーＦ_１の対数値を説明変数ｘ_２として入力し、第２コンバージョンのリーセンシーＲ_２の対数値を説明変数ｘ_３として入力し、第２コンバージョンのフリークエンシーＦ_２の対数値を説明変数ｘ_４として入力する。これによって、ロジスティック回帰モデルＭＤＬは、対象カテゴリｃ_ｉのカテゴリ嗜好スコアＳを目的変数として出力する。ロジスティック回帰モデルＭＤＬによって出力されるカテゴリ嗜好スコアＳは、確率として扱われてよい。

例えば、ショッピングサイトで扱われる商品の分類先となるカテゴリがｍ種類存在する場合、第２算出部１１６は、ｍ個のカテゴリの中で対象カテゴリｃ_ｉを変更しながらカテゴリ嗜好スコアＳを算出することを繰り返し、ｍ個の全てのカテゴリについてカテゴリ嗜好スコアＳを算出する。

次に、予測部１１８は、第２算出部１１６によってカテゴリごとに算出されたカテゴリ嗜好スコアＳに基づいて、アクセスユーザが将来のある時点で第１コンバージョン又は第２コンバージョンに至ることが想定或いは期待される商品のカテゴリ、すなわちコンバージョンカテゴリを予測する（ステップＳ１０６）。

例えば、予測部１１８は、ｍ個のカテゴリの其々のカテゴリ嗜好スコアＳを比較し、最もスコアＳの高いカテゴリを、コンバージョンカテゴリとして予測してよい。また、予測部１１８は、スコアＳが高い上位所定数のカテゴリを、コンバージョンカテゴリとして予測してもよい。

次に、通信制御部１２２は、通信部１０２を介して、サービス提供装置２０に、予測部１１８によって予測されたコンバージョンカテゴリの情報を送信する（ステップＳ１０８）。これを受けて、サービス提供装置２０は、アクセスユーザが利用する端末装置１０に、コンバージョンカテゴリに分類される商品を掲載したウェブページなどを表示させてよい。これによって、ユーザの興味関心を高めることができ、ショッピングサイト等で商品を販売する販売者によって所望されるコンバージョン（例えば購入等）が生じやすくなる。

［トレーニングの処理フロー］
以下、第１実施形態における情報処理装置１００のトレーニングの一連の処理の流れをフローチャートに即して説明する。トレーニングとは、ランタイムに使用されるロジスティック回帰モデルＭＤＬを学習させることである。図５は、第１実施形態における情報処理装置１００によるトレーニングの一連の処理の流れを示すフローチャートである。本フローチャートの処理は、例えば、所定の周期で繰り返し行われてよい。

まず、取得部１１２は、通信部１０２を介して、サービス提供装置２０から、不特定多数の利用済みユーザの其々の第１コンバージョン情報１３２及び第２コンバージョン情報１３４を取得する（ステップＳ２００）。利用済みユーザとは、過去にショッピングサイトにアクセスし、そのショッピングサイトにおいて第２コンバージョンに至ったことのあるユーザである。例えば、第２コンバージョンが商品を購入することである場合、利用済みユーザを、過去にショッピングサイトで商品を購入したユーザと読み替えてよい。利用済みユーザは「学習対象のユーザ」の一例である。

次に、第１算出部１１４は、取得部１１２によって取得された第１コンバージョン情報１３２及び第２コンバージョン情報１３４に基づいて、複数のカテゴリの其々について、不特定多数の利用済みユーザの其々のリーセンシー及びフリークエンシーを算出する（ステップＳ２０２）。

例えば、第１算出部１１４は、第１コンバージョン情報１３２において、ある過去の基準日を定め、その基準日よりも更に過去の第１所定期間内において利用済みユーザが第１コンバージョンに至った直近の日時までの期間を、第１コンバージョンのリーセンシーとして算出する。

また、例えば、第１算出部１１４は、第１コンバージョン情報１３２において、基準日よりも更に過去の第１所定期間内に利用済みユーザが第１コンバージョンに至った累計回数を、第１コンバージョンのフリークエンシーとして算出する。

また、例えば、第１算出部１１４は、第２コンバージョン情報１３４において、基準日よりも更に過去の第２所定期間内において利用済みユーザが第２コンバージョンに至った直近の日時までの期間を、第２コンバージョンのリーセンシーとして算出する。

また、例えば、第１算出部１１４は、第２コンバージョン情報１３４において、基準日よりも更に過去の第２所定期間内に利用済みユーザが第２コンバージョンに至った累計回数を、第２コンバージョンのフリークエンシーとして算出する。

次に、学習部１２０は、第１算出部１１４によって算出されたリーセンシー及びフリークエンシーに基づいて、ロジスティック回帰モデルＭＤＬを学習する（ステップＳ２０４）。

例えば、学習部１２０は、基準日よりも将来の第３所定期間において利用済みユーザが第２コンバージョンに至った商品のカテゴリを正解のコンバージョンカテゴリとしてロジスティック回帰モデルＭＤＬを学習する。第３所定期間は、第１所定期間や第２所定期間と同様に、数日、数週間、数か月、数年といった期間であってよく、典型的には数週間であってよい。例えば、数週間よりも更に将来のコンバージョンカテゴリを予測したい場合、第３所定期間は、数か月や数年といった期間に設定されてよい。

より具体的には、学習部１２０は、上記の基準日以前のリーセンシー及びフリークエンシーの対数値を説明変数ｘとして入力したときに、基準日よりも将来の第３所定期間において利用済みユーザが第２コンバージョンに至った商品のカテゴリのカテゴリ嗜好スコアＳが高くなるように（１に近くなるように）、且つ第３所定期間において利用済みユーザが第２コンバージョンに至らなかった商品のカテゴリのカテゴリ嗜好スコアＳが低くなるように（０に近くなるように）、ロジスティック回帰モデルＭＤＬの偏回帰係数ａ及びバイアス成分ｂを最小二乗法などで決定する。

そして、学習部１２０は、学習によって偏回帰係数ａ及びバイアス成分ｂを決定したロジスティック回帰モデルＭＤＬのモデル情報１３６を記憶部１３０に記憶させる（ステップＳ２０６）。これによって、本フローチャートの処理が終了する。このようなトレーニングによって、ランタイムに第２コンバージョンに至りやすい商品のカテゴリがコンバージョンカテゴリとして予測されることになる。

なお、上述したトレーニングのフローチャートでは、学習部１２０が、基準日よりも将来の第３所定期間において利用済みユーザが「第２コンバージョン」に至った商品のカテゴリを正解のコンバージョンカテゴリとしてロジスティック回帰モデルＭＤＬを学習するものとして説明したがこれに限られない。例えば、学習部１２０は、基準日よりも将来の第３所定期間において利用済みユーザが「第１コンバージョン」に至った商品のカテゴリを正解のコンバージョンカテゴリとしてロジスティック回帰モデルＭＤＬを学習してもよい。これによって、ランタイムに第１コンバージョンに至りやすい商品のカテゴリがコンバージョンカテゴリとして予測される。

以上説明した第１実施形態によれば、情報処理装置１００は、ショッピングサイト等において扱われる商品の分類先となる複数のカテゴリのそれぞれについて、第１コンバージョンのリーセンシーと、第１コンバージョンのフリークエンシーと、第２コンバージョンのリーセンシーと、第２コンバージョンのフリークエンシーとを算出する。情報処理装置１００は、算出した各種リーセンシー及びフリークエンシーに基づいて、各カテゴリのカテゴリ嗜好スコアＳを算出する。そして、情報処理装置１００は、算出した各カテゴリのカテゴリ嗜好スコアＳに基づいて、ユーザが将来のある時点で第１コンバージョン又は第２コンバージョンに至ることが想定される商品のカテゴリを、コンバージョンカテゴリとして予測する。このような処理によって、ユーザがコンバージョンに至りやすい商品又はサービスのカテゴリを精度よく予測することができる。

＜第２実施形態＞
以下、第２実施形態について説明する。第２実施形態では、カテゴリが階層化されている点で上述した第１実施形態と相違する。以下、第１実施形態との相違点を中心に説明し、第１実施形態と共通する点については説明を省略する。なお、第２実施形態の説明において、第１実施形態と同じ部分については同一符号を付して説明する。

図６は、階層化されたカテゴリの一例を表す図である。図示のように、第１階層に含まれる「食品」というカテゴリには、第２階層のカテゴリがあり、その第２階層のカテゴリには、「お米、「野菜」、「麺類」、「パン」」、「ドリンク」といった複数のカテゴリが含まれている。第２階層の「お米」というカテゴリと「ドリンク」というカテゴリには、第３階層のカテゴリが存在している。「お米」という第２階層のカテゴリの下位階層である第３階層のカテゴリには、「精白米」、「無洗米」、「玄米」、「穀物米」といった複数のカテゴリが含まれている。「ドリンク」という第２階層のカテゴリの下位階層である第３階層のカテゴリには、「ワイン」、「焼酎」、「日本酒」、「ビール」といった複数のカテゴリが含まれている。

このように複数のカテゴリが階層化されている場合、第２算出部１１６は、階層構造に依存せずに、第１実施形態のときと同様に、各階層の其々のカテゴリのカテゴリ嗜好スコアＳを算出する。例えば、第２算出部１１６は、複数の階層の中から、第３階層を対象階層として選択したとする。この場合、第２算出部１１６は、選択した第３階層に含まれる複数のカテゴリの其々のカテゴリ嗜好スコアＳを、第３階層よりも上位の第１階層や第２階層に含まれるカテゴリと、第３階層よりも下位の第４階層以降に含まれるカテゴリとに依存せずに算出する。

そして、予測部１１８は、対象階層よりも上位の階層に含まれるカテゴリのカテゴリ嗜好スコアＳと、対象階層に含まれるカテゴリのカテゴリ嗜好スコアＳとに基づいて、対象階層においてコンバージョンカテゴリを予測する。

例えば、第３階層を対象階層とした場合、予測部１１８は、「精白米」や「無洗米」といったカテゴリのカテゴリ嗜好スコアＳだけでなく、その上位層の「お米」というカテゴリのカテゴリ嗜好スコアＳを考慮して、第３階層においてコンバージョンカテゴリを予測してよい。具体的には、予測部１１８は、第３階層のカテゴリのカテゴリ嗜好スコアＳに対して、第２階層のカテゴリのカテゴリ嗜好スコアＳを加重平均したり、相加平均したり、重み付き加算したりしてよい。

これによって、例えば、第２階層において「お米」というカテゴリよりも「ドリンク」というカテゴリのカテゴリ嗜好スコアＳの方が高い場合、、第３階層において「精白米」や「無洗米」といった「お米」に関するカテゴリのカテゴリ嗜好スコアＳに比べて、「ワイン」や「焼酎」といった「ドリンク」に関するカテゴリのカテゴリ嗜好スコアＳが同程度或いは低い場合であっても、第３階層において「ワイン」や「焼酎」といった「ドリンク」に関するカテゴリがコンバージョンカテゴリに選ばれやすくなる。

以上説明した第２実施形態によれば、情報処理装置１００は、対象階層よりも上位の階層に含まれるカテゴリのカテゴリ嗜好スコアＳと、対象階層に含まれるカテゴリのカテゴリ嗜好スコアＳとに基づいて、対象階層においてコンバージョンカテゴリを予測する。これによって、更にユーザがコンバージョンに至りやすい商品又はサービスのカテゴリを精度よく予測することができる。

＜ハードウェア構成＞
上述した実施形態の情報処理装置１００は、例えば、図７に示すようなハードウェア構成により実現される。図７は、実施形態の情報処理装置１００のハードウェア構成の一例を示す図である。

情報処理装置１００は、ＮＩＣ１００－１、ＣＰＵ１００－２、ＲＡＭ１００－３、ＲＯＭ１００－４、フラッシュメモリやＨＤＤなどの二次記憶装置１００－５、およびドライブ装置１００－６が、内部バスあるいは専用通信線によって相互に接続された構成となっている。ドライブ装置１００－６には、光ディスクなどの可搬型記憶媒体が装着される。二次記憶装置１００－５、またはドライブ装置１００－６に装着された可搬型記憶媒体に格納されたプログラムがＤＭＡコントローラ（不図示）などによってＲＡＭ１００－３に展開され、ＣＰＵ１００－２によって実行されることで、制御部１１０が実現される。制御部１１０が参照するプログラムは、ネットワークＮＷを介して他の装置からダウンロードされてもよい。

以上、本発明を実施するための形態について実施形態を用いて説明したが、本発明はこうした実施形態に何ら限定されるものではなく、本発明の要旨を逸脱しない範囲内において種々の変形及び置換を加えることができる。

１…情報処理システム、１０…端末装置、２０…サービス提供装置、１００…情報処理装置、１０２…通信部、１１０…制御部、１１２…取得部、１１４…第１算出部、１１６…第２算出部、１１８…予測部、１２０…学習部、１２２…通信制御部、１３０…記憶部

Claims (8)

1. 電子商取引において扱われる商品又はサービスの分類先となる複数のカテゴリのそれぞれについて、前記カテゴリに分類された商品又はサービスに対してユーザがコンバージョンに至ってから経過した時間と、前記カテゴリに分類された商品又はサービスに対して前記ユーザが前記コンバージョンに至った回数と、を算出する算出部と、
   前記複数のカテゴリのそれぞれの前記時間及び前記回数に基づいて、前記ユーザが将来のある時点で前記コンバージョンに至ることが想定される商品又はサービスのカテゴリであるコンバージョンカテゴリを予測する予測部と、を備え、
   前記算出部は、更に、前記カテゴリごとに算出した前記時間及び前記回数に基づいて、前記カテゴリに対する前記ユーザの嗜好を表すスコアを、前記カテゴリごとに算出し、
   前記予測部は、前記カテゴリごとに算出された前記スコアに基づいて、前記コンバージョンカテゴリを予測し、
   前記算出部は、前記複数のカテゴリが階層化されている場合、ある対象階層に含まれる一つ又は複数のカテゴリの其々について前記スコアを算出し、
   前記予測部は、前記対象階層よりも上位の階層に含まれるカテゴリの前記スコアと、前記対象階層に含まれるカテゴリの前記スコアとに基づいて、前記対象階層において前記コンバージョンカテゴリを予測する、
   情報処理装置。
2. 前記算出部は、前記カテゴリに分類された商品又はサービスに対して前記ユーザが至った、互いに種類の異なる複数のコンバージョンの其々について、前記時間及び前記回数を算出し、
   前記予測部は、各カテゴリにおける前記複数のコンバージョンの其々の前記時間及び前記回数に基づいて、前記ユーザが将来のある時点で前記複数のコンバージョンのいずれかに至ることが想定される商品又はサービスの前記コンバージョンカテゴリを予測する、
   請求項１に記載の情報処理装置。
3. 前記複数のコンバージョンには、前記カテゴリに分類された商品又はサービスを閲覧することと、前記カテゴリに分類された商品又はサービスを購入することが含まれる、
   請求項２に記載の情報処理装置。
4. 前記算出部は、ロジスティック回帰モデルに対して、前記時間及び前記回数を説明変数として入力することで、前記ロジスティック回帰モデルの目的変数として前記スコアを得る、
   請求項１に記載の情報処理装置。
5. 前記ロジスティック回帰モデルは、学習対象のユーザの前記時間及び前記回数が入力されたときに、前記学習対象のユーザが前記コンバージョンに至った商品又はサービスのカテゴリの前記スコアが高くなるように学習される、
   請求項４に記載の情報処理装置。
6. 前記算出部は、前記対象階層よりも上位の階層に含まれるカテゴリと、前記対象階層よりも下位の階層に含まれるカテゴリとに依存せずに、前記対象階層のカテゴリの前記スコアを算出する、
   請求項１に記載の情報処理装置。
7. コンピュータが、
   電子商取引において扱われる商品又はサービスの分類先となる複数のカテゴリのそれぞれについて、前記カテゴリに分類された商品又はサービスに対してユーザがコンバージョンに至ってから経過した時間と、前記カテゴリに分類された商品又はサービスに対して前記ユーザが前記コンバージョンに至った回数と、を算出し、
   前記複数のカテゴリのそれぞれの前記時間及び前記回数に基づいて、前記ユーザが将来のある時点で前記コンバージョンに至ることが想定される商品又はサービスのカテゴリであるコンバージョンカテゴリを予測し、
   前記カテゴリごとに算出した前記時間及び前記回数に基づいて、前記カテゴリに対する前記ユーザの嗜好を表すスコアを、前記カテゴリごとに算出し、
   前記カテゴリごとに算出された前記スコアに基づいて、前記コンバージョンカテゴリを予測し、
   前記複数のカテゴリが階層化されている場合、ある対象階層に含まれる一つ又は複数のカテゴリの其々について前記スコアを算出し、
   前記対象階層よりも上位の階層に含まれるカテゴリの前記スコアと、前記対象階層に含まれるカテゴリの前記スコアとに基づいて、前記対象階層において前記コンバージョンカテゴリを予測する、
   情報処理方法。
8. コンピュータに、
   電子商取引において扱われる商品又はサービスの分類先となる複数のカテゴリのそれぞれについて、前記カテゴリに分類された商品又はサービスに対してユーザがコンバージョンに至ってから経過した時間と、前記カテゴリに分類された商品又はサービスに対して前記ユーザが前記コンバージョンに至った回数と、を算出すること、
   前記複数のカテゴリのそれぞれの前記時間及び前記回数に基づいて、前記ユーザが将来のある時点で前記コンバージョンに至ることが想定される商品又はサービスのカテゴリであるコンバージョンカテゴリを予測すること、
   前記カテゴリごとに算出した前記時間及び前記回数に基づいて、前記カテゴリに対する前記ユーザの嗜好を表すスコアを、前記カテゴリごとに算出すること、
   前記カテゴリごとに算出された前記スコアに基づいて、前記コンバージョンカテゴリを予測すること、
   前記複数のカテゴリが階層化されている場合、ある対象階層に含まれる一つ又は複数のカテゴリの其々について前記スコアを算出すること、
   前記対象階層よりも上位の階層に含まれるカテゴリの前記スコアと、前記対象階層に含まれるカテゴリの前記スコアとに基づいて、前記対象階層において前記コンバージョンカテゴリを予測すること、
   を実行させるためのプログラム。

Images