JP7460709B2 - 機械学習によりウェブページ上の注文関連データを特定するためのシステム、方法及びコンピュータプログラム - Google Patents

Description

本発明は概してウェブサイトの管理に関し、より具体的には、機械学習によりウェブページ上の注文関連データを特定するためのシステム及び方法に関する。

ウェブページ上の注文関連データを把握することが求められている。このようなデータの用途は広い。例えば、ユーザに対し購入額に応じて報酬又はポイントを提供するショッピングポータルは、注文関連データを用いて、報酬の概算をリアルタイムでユーザに提供する。ショッピングポータルは、クーポンコードフィールド等の、オートフィルの対象となるフィールドを特定するために、チェックアウトカートのデータを把握したい場合もある。分析及びレポートのために注文関連データが用いられる場合もある。例えば、ショッピングカートに商品が残っていることをより良く認識するのに有用な場合がある。

ウェブページ上の注文関連データを特定するためには多くの場合、正規表現に依存したルールベースの手法が用いられる。しかし、多くの業者のウェブページ上の注文関連データを特定しなくてはならないショッピングポータル及び他のシステムにとって、これは厄介であり、スケーリングが難しい可能性がある。電子商取引のウェブサイト及びチェックアウトのページは頻繁に変更され、また、各業者のウェブサイトは異なる。ルールベースの手法は、多くの場合、業者のウェブサイト毎にカスタマイズが必要であり、各業者のウェブサイトの変更をチェックする必要がある。したがって、多岐にわたる業者のウェブサイト上の注文関連データを特定するための、より良好で、スケーリングがより可能な手法が求められている。より詳細には、業者のウェブサイト上の注文関連データを特定するための機械学習手法が必要とされている。

本開示は、機械学習によりウェブページ上の注文関連データを特定するためのシステム、方法及びコンピュータプログラムについて記載するものである。本方法は、サーバ、ストレージシステム、ネットワーク、オペレーティングシステム及びデータベースを含むコンピュータシステムによって実行される。

本発明は、機械学習により、ショピングカートデータ及び注文確認データ等の注文関連データを特定する。本発明を用いて、ユーザが何を購入したか、又はユーザがショッピングカートに何を残した（すなわち、カート内にあるが購入していない）か、を特定することができる。従来の方法では、ルール及び正規表現（すなわち、テキストのパターンマッチング）を用いて、チェックアウトページ及び注文確認ページを特定する。しかし、これは通常、業者ごとにカスタマイズする必要があり、業者がチェックアウト、ショッピングカート又は注文確認ページのレイアウトを変更すると、多くの場合にうまくいかない。また、数百の業者について従来の方法に従ってカスタマイズすることはできるかもしれないが、数千又は数万の業者に対しスケーリングすることは非常に難しい。さらに、注文確認ページを特定し注文関連データを抽出するそのような機械学習方法を用いて、購入後にほぼリアルタイムに顧客に概算キャッシュバック情報を提供することによって、ユーザ体験を向上させることができる。

１つの実施形態において、機械学習によりウェブページ上の注文関連データを特定する方法は、
更なる処理のために、ウェブページ上の１つ以上のＨＴＭＬブロックを特定するステップであって、各ＨＴＭＬブロックは１つ以上のＨＴＭＬタグを含み、前記１つ以上のＨＴＭＬタグの各々がメタデータ及び値と関連付けられている、ステップと、
ＨＴＭＬタグのそれぞれについてベクトル表現を作成するステップと、
ＨＴＭＬタグのそれぞれにニューラルネットワークモデルを適用して、各タグについてのラベル予測を得るステップであって、ニューラルネットワークモデルは、注文関連のラベルを含んだ、ＨＴＭＬタグに対応するラベルを予測できるようにトレーニングはなされている、ステップと、
ＨＴＭＬタグについての機械生成によるラベル予測と対応するタグ値とから、ウェブページ上の注文関連データを特定するステップと、
特定された注文関連データを出力するステップと
を含む。

機械学習によりウェブページ上の注文関連データを特定するための、一実施形態による方法を示すフローチャートである。 図１に示す方法の例示的な実施形態を示すフローチャートである。 機械学習予測により概算ユーザ報酬を計算する、一実施形態による方法を示すフローチャートである。 一実施形態による、例示的なソフトウェアアーキテクチャを示すブロック図である。

本開示は、機械学習によりウェブページ上の注文関連データを特定するためのシステム、方法及びコンピュータプログラムについて記載する。本方法は、サーバ、ストレージシステム、ネットワーク、オペレーティングシステム及びデータベースを含むコンピュータシステム（「システム」）によって実行される。コンピュータシステムは、１つのユーザコンピューティングデバイス（例えば、ユーザのモバイルフォン又はタブレット）、又は協働するクライアント及びサービスコンピューティングデバイスとすることができる。

ルール及び正規表現（すなわち、テキストパターンマッチング）によりチェックアウトページ及び注文確認ページを特定する従来の方法とは異なり、本発明は、機械学習手法を用いる。機械学習手法は、数百を大幅に超える業者をスケーリングすることが可能であるという利点を有し、業者のウェブサイトの頻繁な変更に対してロバストであり、購入後に、該さんキャッシュバック情報をほぼリアルタイムで顧客に提供することを含む、複数の用途に用いることができる。

方法の例示的な実施態様を、図１～図４を参照してより詳細に説明する。

１．機械学習によりウェブページ上の注文関連データを特定する方法
図１に、機械学習によりウェブページ上の注文関連データを特定する方法を示す。本明細書において、ウェブページとは、モバイルアプリケーション又はモバイルブラウザにおけるウェブコンテンツ、及びウェブブラウザに表示されるウェブページを含む。システムは、更なる処理のために、ウェブページにおける１つ以上のＨＴＭＬブロックを特定する（ステップ１１０）。ＨＴＭＬブロックは１つ以上のＨＴＭＬタグを有し、各ＨＴＭＬタグは、メタデータ（例えば、タグＩＤ、タグ名、タグクラス、タグタイプ、タグの内部テキスト等）及び値と関連付けられる。ＨＴＭＬブロックは、親子関係及び兄弟関係を含む、元のＨＴＭＬ構造を保持する。ＨＴＭＬブロックは、通常、関連するＨＴＭＬタグに基づいてグループ化される。例えば、ショッピングカートを有するウェブページの場合、全てのタグがショッピングカートに関連付けられたＨＴＭＬブロックが存在し得る。或る特定の実施形態において、フィールドがブランクである場合、値はヌルとすることができる。

更なる処理のためにウェブページ上の１つ以上のＨＴＭＬを特定することは、ウェブページが注文関連情報を有するか否かに関する予備的判断を行う（例えば、ウェブページがショッピングカートを有するチェックアウトページであるか、又は注文確認ページであるかを判断する）ことを含む。１つの実施形態において、予備的判断を行うことは、カートスクレイパが、ＵＲＬとウェブページ上の要素との双方を用いて、いずれかが定義リストのキーワードに一致するかを調べることによって、当該カートスクレイパがチェックアウトページ上にいることを検出することを含む。例えば、ＵＲＬが、「カート」又は「チェックアウト」というキーワードを含む場合、システムは、そのウェブページがチェックアウトページであると判定する。ウェブページ上の要素が「チェックアウト」又は「合計価格」というキーワードを有する場合、システムは同様に、そのウェブページがチェックアウトページであると判断する。このポジティブな、キーワードによる特定と共に、システムは、ネガティブなキーワード（例えば、ホームページ）のリストも用いる。ＵＲＬ又はウェブページ上の要素のいずれかがネガティブなキーワードを含む場合、（ポジティブなキーワードにより特定がなされた場合であっても）そのウェブページはチェックアウトページでないとシステムは判定する。

システムは、ＨＴＭＬタグのそれぞれをベクトル表現に変換する（ステップ１２０）。システムは、ニューラルネットワークモデルをベクトル表現のそれぞれに適用し、別のベクトル表現を得る。この別のベクトル表現は、各タグについての機械生成によるラベル予測（すなわち、タグタイプの予測）に変換される（ステップ１３０）。或る実施形態において、ニューラルネットワークモデルは、双方向型の長・短期記憶（すなわち、双方向型ＬＳＴＭ）ニューラルネットワークである。ニューラルネットワークモデルは、ＨＴＭＬタグに対応する、注文関連ラベルを含んだラベルを予測できるようにトレーニングされる。注文関連ラベルの例は、商品名、商品ＵＲＬ、商品画像、品質、アイテムの価格、小計価格、配送料、税金、合計価格等を含む。システムは、ＨＴＭＬタグについての機械生成によるラベル予測及び対応するタグ値から、ウェブページ上の注文関連データを特定する（ステップ１４０）。システムは、特定された注文関連データを出力し（ステップ１５０）、これを複数の用途に用いる。

或る実施形態において、注文関連データを特定することは、機械生成によるラベル予測を用いてウェブページ上のショッピングカートを特定することを含む。本明細書において、ショッピングカートとは、チェックアウト処理において用いられるチェックアウトカートを含む。或る実施形態において、ショッピングカートを特定することは、ウェブページ上のＨＴＭＬタグの機械生成によるラベル予測がショッピングカートの要件を満たしているか否かを判定することと、ウェブページ上のＨＴＭＬタグの機械生成によるラベル予測がショッピングカートの要件を満たしているとの判定に応じて、ウェブページがショッピングカートを含むと結論付けることとを含む。満たされなくてはならないショッピングカートの要件の例は、（１）少なくとも１つの商品名、商品ＵＲＬ又は画像、（２）金額、及び（３）合計価格、を有する予測ラベルを含む。ウェブページが注文関連情報を有するか否かに関する予備的判断の場合と同様に、ショッピングカートの要件は、ウェブページがショッピングカートを含むと結論付けるために、出現し得ない予測ラベルも指定することができる。別の実施形態において、予測ラベルは、ラベル予測に基づいてショッピングカート及び／又は注文確認ページを分類できるようにトレーニングされた第２のニューラルネットワークに入力することができる。

或る実施形態において、注文関連データを特定することは、機械生成によるラベル予測を用いて、カートの小計と、カートの合計と、１つ以上のラインアイテム（明細項目）と、ラインアイテムごとの、ライン合計（明細合計）、商品ＵＲＬ、及び画像ＵＲＬとを特定することを含む。特定の実施形態において、注文関連データを特定することは、ショッピングカート内に残された商品を特定することを更に含む。

或る実施形態において、注文関連データは、（１）ＨＴＭＬタグについての機械生成によるラベル予測と、（２）ＨＴＭＬタグに関連付けられた値とを含む、キーと値のペアの形態で出力される。各キーは予測されたラベルであり、対応する各値は、ラベルが予測されたＨＴＭＬタグの値である。特定の実施形態において、キーと値のペアは、クライアントアプリケーションに送られ、クライアントアプリケーションは、キーと値のペアを用いてユーザの報酬を計算する。

或る実施形態において、出力された注文関連データは、推薦システムに送られる。推薦システムは、特定された注文関連データを用いて別の商品をユーザに推薦する。或る実施形態において、本方法は、機械生成によるラベル予測から、ウェブページが注文確認ページであると判定することを更に含む。

或る実施形態において、注文関連情報を特定することは、合計購入額を特定することを含む。或る実施形態において、合計購入額は、税金及び送料を除く、購入した商品又はサービスのコストである。他の実施形態において、合計購入額は、税金及び送料を含むことができる。或る実施形態において、本方法は、特定された合計購入額を用いて、概算報酬をユーザに提供することを更に含む。概算報酬は、合計購入額に応じて定まる。或る実施形態において、概算報酬は、概算キャッシュバック報酬である。或る実施形態において、概算報酬は、概算ポイント特典である。或る実施形態において、合計購入額は、ほぼリアルタイムで特定され、概算報酬は、ほぼリアルタイムでユーザに提供される。

或る実施形態において、ＨＴＭＬタグのそれぞれをベクトル表現に変換することは、ＨＴＭＬタグのメタデータ及び内部テキストを連結して、複数の単語を有する文字列を形成することを含む。文字列内の単語ごとに、システムは、予めトレーニングされたｗｏｒｄ２ｖｅｃモデルにおける単語埋め込み（すなわち、固定長の数値のベクトル）を取得する。次に、システムは、単語埋め込みから文埋め込みを作成する。或る実施形態において、文埋め込みは、単語埋め込みを平均化することによって作成される。文埋め込みは、タグのベクトル表現である。

２．例示的な実施形態
図２に、図１に示した方法の例示的な実施形態を示す。この実施形態は、クライアントアプリケーション２０２と、サーバ上でホスティングされる機械学習（ＭＬ）モジュール２０４とを備える。クライアントアプリケーション２０２は、ＨＴＭＬブロックをＭＬモジュール２０４に送信する（ステップ２０５）。或る実施形態において、クライアントアプリケーション２０２は、ＨＴＭＬブロックをＭＬモジュール２０４のＡＰＩに送信する。或る実施形態において、ＭＬモジュール２０４は、ＨＴＭＬブロックと共にＪＳＯＮフォーマットでスクレイピング要求を受け付ける。ここで、スクレイピング要求は、要求ＩＤに関する情報と、モバイルデバイスを特定するユーザＩＤと、ＵＲＬ情報と、タイムスタンプとを含む。

ＭＬモジュール２０４は、４つの段階、すなわち、前処理と、ＨＴＭＬタグの特徴抽出（文埋め込み）と、ＨＴＭＬタグのラベル予測と、後処理とにおいてＨＴＭＬブロックを処理する。前処理段階において、ＭＬモジュール２０４は、ＨＴＭＬブロックをクレンジングする（すなわち、アクセント及び小文字を取り除く）（ステップ２１０）。ＨＴＭＬタグの特徴抽出段階において、ＭＬモジュール２０４は、タグデータを連結して文字列を形成し（ステップ２１５）、予めトレーニングされたｗｏｒｄ２ｖｅｃモデル２２５における単語埋め込みを調べ（ステップ２２０）、単語埋め込みを用いて文埋め込みを作成する（ステップ２３０）。

ＨＴＭＬタグのラベル予測段階において、ＭＬモジュール２０４は、ディープニューラルネットワーク２３５を文埋め込みに適用し（ステップ２４０）、タグのラベル予測を得る（ステップ２４５）。或る実施形態において、タグのラベル予測は、信頼スコアと共に出力される。後処理段階において、ＭＬモジュール２０４は、全てのブロックの結果を組み立てて（ステップ２５０）、ＨＴＭＬブロック内及びＨＴＭＬブロック間の任意のコンフリクトを解消し（ステップ２５５）、抽出結果を検証し（ステップ２６０）、タグについてのキーと値のペアを出力する（ステップ２７０）。

チェックアウトカートページに関するコンフリクトを解消する１つの例として、商品名及びライン合計について１対１の対応関係が存在すべきである。２つの商品名のラベルと３つのライン合計のラベルが存在する場合、システムは、より高い信頼スコアを有する２つのライン合計のみを保持することによってこのコンフリクトを解消することができる。検証抽出結果の１つの例として、システムは、商品価格が合理的な数値であるか否か、及びライン合計の和が小計額に等しいか否かを判定する。或る実施形態において、キーと値のペアには、抽出が品質レビューにパスしたか否かを示すフラグが付けられる。或る実施形態において、抽出結果はデータベースに記憶され、必要に応じてクライアントアプリケーションに返される。

３．機械学習予測により概算ユーザ報酬を計算する方法
図３に、機械学習予測により概算ユーザ報酬を計算する方法を示す。クライアントアプリケーションは、合計購入額を有する可能性のあるウェブページを特定する（例えば、潜在的な注文確認ページ又はショッピングカートを有するチェックアウトページ）（ステップ３１０）。クライアントアプリケーションは、ＨＴＭＬタグを含むＨＴＭＬブロックを、ウェブページから機械学習（ＭＬ）モジュールに送信する（ステップ３２０）。ＭＬモジュールは、ＨＴＭＬブロックにおけるＨＴＭＬタグのそれぞれについてベクトル表現を作成する（ステップ３３０）。ＭＬモジュールは、ニューラルネットワークモデルをタグベクトル表現のそれぞれに適用し、ＨＴＭＬブロック内のＨＴＭＬタグのそれぞれについて機械生成によるラベル予測を得る（ステップ３４０）。ＭＬモジュールは、機械生成によるラベル予測を用いて、ウェブページが合計購入額を含むか否かを判定する（ステップ３５０）。合計購入額が特定された場合、ＭＬモジュールは、合計購入額をクライアントアプリケーションに提供する（ステップ３６０）。クライアントアプリケーションは、合計購入額に応じて報酬額を計算する（例えば、キャッシュバック報酬又はポイント報酬）（ステップ３７０）。クライアントアプリケーションは、ユーザインタフェースにほぼリアルタイムに概算報酬を表示する（ステップ３８０）。

４．例示的なシステムアーキテクチャ
図４に、本明細書に記載の方法を実行するシステムの例示的なアーキテクチャを示す。しかし、本明細書に記載の方法は、他のシステムにおいて実施されてもよく、例示されるシステムに限定されない。システムは、クライアントアプリケーションと、サーバ４３０とを備える。クライアントアプリケーションは、モバイルデバイスにおけるモバイルアプリケーション４０５又はデスクトップにおけるウェブブラウザ４２０の形態をとることができる。モバイルアプリケーション４０５の場合、１つ以上のモバイルページスクレイパ４１０が、ＨＴＭＬブロックを、サーバ４３０上の機械学習（ＭＬ）モジュール４４０に送る。ＭＬモジュール４４０は、テキストの注文関連のキーと値のペアを、モバイルアプリケーション４０５におけるクライアントスクレイパ管理アプリケーション４１５に返送する。ウェブブラウザ４２０の場合、ブラウザ拡張機能４２５が、ＨＴＭＬブロックをＭＬモジュール４４０に送信する。ＭＬモジュール４４０は、注文関連のキーと値のペアを、ウェブブラウザ４２０におけるブラウザ拡張機能４２５に返送する。

５．全般
図１～図４に関して説明した方法は、ソフトウェアにおいて具現化され、ソフトウェアを実行するコンピュータシステム（１つ以上のコンピューティングデバイスを備える）によって実行される。当業者であれば、コンピュータシステムが、ソフトウェア命令を記憶する１つ以上のメモリユニット、ディスク又は他の物理的コンピュータ可読ストレージ媒体、及びソフトウェア命令を実行する１つ以上のプロセッサを有することを理解するであろう。

当該技術分野に精通した当業者であれば、本発明の趣旨及び本質的な特性から逸脱することなく、本発明を他の特定の形態で具現化することができることを理解するであろう。したがって、上記の開示は、以下の特許請求の範囲に示される本発明の範囲を限定するものではなく、説明するものであることが意図される。

Claims (18)

1. コンピュータシステムによって実行され、機械学習によりウェブページ上の注文関連データを特定する方法であって、
   更なる処理のために、ウェブページ上の１つ以上のＨＴＭＬブロックを特定するステップであって、各ＨＴＭＬブロックは１つ以上のＨＴＭＬタグを含み、前記１つ以上のＨＴＭＬタグの各々がメタデータ及び値と関連付けられている、ステップと、
   前記ＨＴＭＬタグのそれぞれをベクトル表現に変換するステップであって、
   前記ＨＴＭＬタグのメタデータ及び内部テキストを連結し、複数の単語を有する文字列を形成するステップと、
   前記文字列内の単語ごとに、事前にトレーニングされたｗｏｒｄ２ｖｅｃモデルにおける単語埋め込みを取得するステップと、
   前記単語埋め込みから文埋め込みを作成するステップと
   を含むステップと、
   前記ベクトル表現のそれぞれにニューラルネットワークモデルを適用して別のベクトル表現を得るステップであって、前記別のベクトル表現は、各タグについての機械生成によるラベル予測に変換され、前記ニューラルネットワークモデルは、注文関連のラベルを含んだ、ＨＴＭＬタグに対応するラベルを予測できるようにトレーニングがなされている、ステップと、
   前記ＨＴＭＬタグについての前記機械生成によるラベル予測と対応するタグ値とから、前記ウェブページ上の注文関連データを特定するステップと、
   特定された前記注文関連データを出力するステップであって、前記注文関連データは、（１）前記ＨＴＭＬタグについての前記機械生成によるラベル予測と、（２）前記ＨＴＭＬタグに関連付けられた値とを含む、キーと値のペアの形式で出力される、ステップと
   を含む方法。
2. 注文関連データの特定は、前記機械生成によるラベル予測を用いた、前記ウェブページ上のショッピングカートの特定を含む、請求項１に記載の方法。
3. ショッピングカートの特定は、
   前記ウェブページ上の前記ＨＴＭＬタグについての前記機械生成によるラベル予測がショッピングカートの要件を満たしているかどうかの判定と、
   前記ウェブページ上の前記ＨＴＭＬタグについての前記機械生成によるラベル予測がショッピングカートの要件を満たしているとの判断に応じた、前記ウェブページがショッピングカートを含むとの結論付けと
   を含む、請求項２に記載の方法。
4. 前記注文関連データの特定は、前記機械生成によるラベル予測を用いて、カートの小計と、カートの合計と、１つ以上のラインアイテムと、各ラインアイテムのライン合計、商品ＵＲＬ及び画像ＵＲＬとを特定することを含む、請求項２に記載の方法。
5. 注文関連データの特定は、ショッピングカート内に残っている商品の特定を更に含む、請求項２に記載の方法。
6. 前記キーと値のペアはクライアントアプリケーションに送られ、前記クライアントアプリケーションは前記キーと値のペアを用いてユーザの報酬を計算する、請求項１に記載の方法。
7. 出力された前記注文関連データは推薦システムに送られ、前記推薦システムは、特定された前記注文関連データを用いて別の商品をユーザに推薦する、請求項１に記載の方法。
8. 前記機械生成によるラベル予測から、前記ウェブページが注文確認ページであると判定するステップを更に含む請求項１に記載の方法。
9. 注文関連情報の特定は合計購入額の特定を含む、請求項１に記載の方法。
10. 特定された前記合計購入額を用いて、前記合計購入額に応じた概算報酬をユーザに提供するステップを更に含む請求項９に記載の方法。
11. 前記概算報酬が概算キャッシュバック報酬である、請求項１０に記載の方法。
12. 前記概算報酬が概算ポイント特典である、請求項１０に記載の方法。
13. 前記合計購入額がほぼリアルタイムで特定され、概算報酬がほぼリアルタイムでユーザに提供される、請求項９に記載の方法。
14. 前記文埋め込みは、前記単語埋め込みを平均化することによって作成される、請求項１に記載の方法。
15. コンピュータシステムによって実行されると、機械学習によりウェブページ上の注文関連データを特定する処理を前記コンピュータシステムが実行できるようにするコンピュータプログラムを有する非一時的なコンピュータ可読媒体であって、
    前記処理は、
    更なる処理のために、ウェブページ上の１つ以上のＨＴＭＬブロックを特定するステップであって、各ＨＴＭＬブロックは１つ以上のＨＴＭＬタグを含み、前記１つ以上のＨＴＭＬタグの各々がメタデータ及び値と関連付けられている、ステップと、
    前記ＨＴＭＬタグのそれぞれをベクトル表現に変換するステップであって、
    前記ＨＴＭＬタグのメタデータ及び内部テキストを連結し、複数の単語を有する文字列を形成するステップと、
    前記文字列内の単語ごとに、事前にトレーニングされたｗｏｒｄ２ｖｅｃモデルにおける単語埋め込みを取得するステップと、
    前記単語埋め込みから文埋め込みを作成するステップと
    を含むステップと、
    前記ベクトル表現のそれぞれにニューラルネットワークモデルを適用して別のベクトル表現を得るステップであって、前記別のベクトル表現は、各タグについての機械生成によるラベル予測に変換され、前記ニューラルネットワークモデルは、注文関連のラベルを含んだ、ＨＴＭＬタグに対応するラベルを予測できるようにトレーニングがなされている、ステップと、
    前記ＨＴＭＬタグについての前記機械生成によるラベル予測と対応するタグ値とから、前記ウェブページ上の注文関連データを特定するステップと、
    特定された前記注文関連データを出力するステップであって、前記注文関連データは、（１）前記ＨＴＭＬタグについての前記機械生成によるラベル予測と、（２）前記ＨＴＭＬタグに関連付けられた値とを含む、キーと値のペアの形式で出力される、ステップと
    を含む、
    非一時的なコンピュータ可読媒体。
16. 注文関連データの特定は、前記機械生成によるラベル予測を用いた、前記ウェブページ上のショッピングカートの特定を含む、請求項１５に記載の非一時的なコンピュータ可読媒体。
17. 機械学習によりウェブページ上の注文関連データを特定するためのコンピュータシステムであって、
    １つ以上のプロセッサと、
    前記１つ以上のプロセッサに接続され、命令を記憶する１つ以上のメモリユニットと
    を備え、
    前記命令は、前記１つ以上のプロセッサによって実行されると、前記コンピュータシステムに対し、
    更なる処理のために、ウェブページ上の１つ以上のＨＴＭＬブロックを特定するステップであって、各ＨＴＭＬブロックは１つ以上のＨＴＭＬタグを含み、前記１つ以上のＨＴＭＬタグの各々がメタデータ及び値と関連付けられている、ステップと、
    前記ＨＴＭＬタグのそれぞれをベクトル表現に変換するステップであって、
    前記ＨＴＭＬタグのメタデータ及び内部テキストを連結し、複数の単語を有する文字列を形成するステップと、
    前記文字列内の単語ごとに、事前にトレーニングされたｗｏｒｄ２ｖｅｃモデルにおける単語埋め込みを取得するステップと、
    前記単語埋め込みから文埋め込みを作成するステップと
    を含むステップと、
    前記ベクトル表現のそれぞれにニューラルネットワークモデルを適用して別のベクトル表現を得るステップであって、前記別のベクトル表現は、各タグについての機械生成によるラベル予測に変換され、前記ニューラルネットワークモデルは、注文関連のラベルを含んだ、ＨＴＭＬタグに対応するラベルを予測できるようにトレーニングがなされている、ステップと、
    前記ＨＴＭＬタグについての前記機械生成によるラベル予測と対応するタグ値とから、前記ウェブページ上の注文関連データを特定するステップと、
    特定された前記注文関連データを出力するステップであって、前記注文関連データは、（１）前記ＨＴＭＬタグについての前記機械生成によるラベル予測と、（２）前記ＨＴＭＬタグに関連付けられた値とを含む、キーと値のペアの形式で出力される、ステップと
    を実行させる、
    コンピュータシステム。
18. 注文関連データの特定は、前記機械生成によるラベル予測を用いた、前記ウェブページ上のショッピングカートの特定を含む、請求項１７に記載のコンピュータシステム。

Images