WO2023037781A1 - 広告効果予測装置 - Google Patents

広告効果予測装置 Download PDF

Info

Publication number
WO2023037781A1
WO2023037781A1 PCT/JP2022/028943 JP2022028943W WO2023037781A1 WO 2023037781 A1 WO2023037781 A1 WO 2023037781A1 JP 2022028943 W JP2022028943 W JP 2022028943W WO 2023037781 A1 WO2023037781 A1 WO 2023037781A1
Authority
WO
WIPO (PCT)
Prior art keywords
distribution
information
manuscript
prediction
click rate
Prior art date
Application number
PCT/JP2022/028943
Other languages
English (en)
French (fr)
Inventor
誉仁 石井
宰 出水
Original Assignee
株式会社Ｎｔｔドコモ
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 株式会社Ｎｔｔドコモ filed Critical 株式会社Ｎｔｔドコモ
Priority to JP2023546825A priority Critical patent/JP7523697B2/ja
Priority to US18/293,876 priority patent/US20240346551A1/en
Publication of WO2023037781A1 publication Critical patent/WO2023037781A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • G06Q30/0253—During e-commerce, i.e. online transactions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0242—Determining effectiveness of advertisements
    • G06Q30/0246—Traffic

Definitions

  • the present disclosure relates to an advertising effect prediction device that predicts a click rate in consideration of the mutual influence between a plurality of contents and user information included in a distribution manuscript in all information related to advertising distribution.
  • the click rate is predicted based on the display position of the advertisement on the advertisement distribution surface (for example, the arrangement of images)
  • the advertisement distribution manuscript to be distributed hereinafter referred to as "distribution Accuracy of the click rate in consideration of the mutual influence between multiple contents and user information included in the distribution manuscript for all information related to advertisement distribution including manuscript information of the manuscript and user information of the distribution user
  • a point of focus such as good prediction.
  • the present disclosure has been made in order to solve the above problems.
  • the purpose is to predict the
  • the applicant focuses on a graph neural network (GNN), which is a deep learning method that can handle graph structures, and uses a method related to the graph neural network to By converting the entire distribution design information including the distribution manuscript layout information and distribution user information into a graph structure in light of the user flow line, each node in the graph structure after conversion (multiple contents and contents included in the distribution manuscript).
  • GNN graph neural network
  • the advertising effect prediction device uses an acquisition unit that acquires distribution user information, distribution manuscript information, and distribution result information, and a technique related to a graph neural network based on the distribution user information and the distribution manuscript information. Then, the entire distribution design information including the layout information of the distribution manuscript and the distribution user information is converted into a graph structure by referring to the flow line of the user who reads the distribution manuscript, and the characteristic amount of each node in the graph structure after conversion.
  • a construction unit that builds a model receives a click rate prediction request, distribution user information, and distribution manuscript information related to target distribution, and uses a technique related to a graph neural network based on the distribution user information and the distribution manuscript information.
  • the acquisition unit acquires the distribution user information, the distribution manuscript information, and the distribution result information
  • the building unit converts the distribution user information and the distribution manuscript information to the graph neural network based on the obtained distribution user information and distribution manuscript information.
  • the entire distribution design information including the layout information of the distribution manuscript and the distribution user information is converted into a graph structure by referring to the flow line of users who read the distribution manuscript, and the characteristics of each node in the graph structure after conversion.
  • Prediction for predicting the click rate by deriving the amount, using the obtained feature amount of each node as an explanatory variable, and performing machine learning with the actual click rate value for the same distribution obtained from the distribution result information as the objective variable.
  • the prediction unit receives the click rate prediction request, the distribution user information, and the distribution manuscript information related to the target distribution, and based on the distribution user information and the distribution manuscript information, uses a technique related to a graph neural network to calculate a user flow line.
  • the entire distribution design information including the layout information of the distribution manuscript and distribution user information is converted into a graph structure, the feature value of each node in the graph structure after conversion is derived, and the obtained feature value of each node is input to the prediction model, the click rate output from the prediction model is used as the click rate prediction value for the target distribution.
  • the entire distribution design information including the layout information of the distribution manuscript and the distribution user information is converted into a graph structure by referring to the flow line of the user, and after the conversion, Machine learning is performed using the feature value of each node in the graph structure (nodes corresponding to multiple contents included in the distribution manuscript and distribution users) as an explanatory variable and the actual click rate value of each distribution as an objective variable.
  • each node in the graph structure after conversion (each of the multiple contents included in the distribution manuscript and the distribution user Considering the mutual relationship between nodes corresponding to ) and user flow lines, it is possible to accurately predict the click rate as an advertisement effect.
  • data to be converted (for example, layout information of the distribution manuscript) when converting the entire distribution design information including the layout information of the distribution manuscript and the distribution user information into a graph structure using a technique related to graph neural networks. can be made variable in length, various layouts can be accommodated, processing with less restrictions and a high degree of freedom is possible, and operability and flexibility of processing are improved.
  • FIG. 1 is a functional block configuration diagram of an advertising effect prediction device according to an embodiment of the invention
  • FIG. FIG. 4 is a flow diagram showing details of processing executed in the embodiment of the invention
  • FIG. 10 is a diagram for explaining graph structuring of a distribution manuscript and feature quantity of each node
  • FIG. 10 is a diagram for explaining the graph structuring of the entire distribution design information including the layout information of the distribution manuscript and the distribution user information; It is a figure which shows the data example utilized for a process. It is a figure which shows the hardware structural example of an advertising effect prediction apparatus.
  • the advertising effectiveness prediction device 10 includes a distribution information storage unit 11, an acquisition unit 12, a construction unit 13, a prediction model storage unit 14, and a prediction unit 15. The function of each part will be described below.
  • the distribution information storage unit 11 is a database that stores distribution information related to each distribution, including distribution user information, distribution manuscript information, and distribution result information described below.
  • the distribution user information includes information such as gender, age, and opening history of each distribution user to whom the distribution manuscript is to be distributed. Includes information such as the destination URL (Uniform Resource Locator).
  • Distribution manuscript data is stored in the site indicated by the above storage destination URL, and this distribution manuscript data includes content data (image data, text data), layout information regarding content arrangement, and the like.
  • the distribution result information includes a click flag indicating whether or not each distribution user clicked when reading the distribution manuscript.
  • the distribution user information, the distribution manuscript information, and the distribution result information regarding each distribution user as described above are stored in the distribution information storage unit 11 using a unique user identifier as a key.
  • the acquisition unit 12 is a functional unit that acquires distribution user information, distribution manuscript information, and distribution result information from the distribution information storage unit 11 .
  • the construction unit 13 compares the distribution manuscript layout information and the distribution user information with the flow line of the user who reads the distribution manuscript using a technique related to a graph neural network. Convert the entire design information into a graph structure, derive the feature value of each node in the graph structure after conversion, use the obtained feature value of each node as an explanatory variable, and calculate the click rate for the same distribution obtained from the distribution result information It is a functional part that builds a prediction model for predicting the click rate by performing machine learning with the actual value as the objective variable. Details of such processing by the construction unit 13 will be described later.
  • the prediction model storage unit 14 is a database that stores the prediction model constructed by the construction unit 13.
  • the prediction unit 15 receives the click rate prediction request, the distribution user information, and the distribution manuscript information related to the target distribution from the information terminal 20, and based on the distribution user information and the distribution manuscript information, using a technique related to a graph neural network,
  • the entire distribution design information including the layout information of the distribution manuscript and the distribution user information is converted into a graph structure by referring to the user flow line, and the feature value of each node in the graph structure after conversion is derived, and each node obtained
  • the click rate output from the prediction model is used as the click rate prediction value related to the target distribution, and further, obtained by prediction It is a functional unit that outputs a click rate (click rate predicted value).
  • the prediction unit 15 receives a click rate prediction request related to target distribution from the information terminal 20. You may receive the click rate prediction request
  • this process includes offline processing in which the prediction model is constructed and updated (steps S1 to S4) in the first half, and prediction of the click rate using the prediction model in the latter half (steps S5 to S8). It is roughly divided into online processing and online processing.
  • the offline processing is executed, for example, periodically at a predetermined time or when the operator of the advertising effectiveness prediction device 10 inputs a start command, whereas the online processing is executed for click rate prediction. It is executed on demand triggered by the reception of the click rate prediction request sent by the requester (for example, the user of the information terminal 20).
  • the acquiring unit 12 acquires the distribution user information, the distribution manuscript information, and the distribution result information from the distribution information storage unit 11 (step S1), Based on the number of times the distributed manuscript has been displayed, which is obtained from the number of users who have responded, and the number of clicks related to the same distribution, the actual click rate value for the same distribution is calculated (step S2). For example, assuming that the user-specific distribution information shown in FIG. 5 is user-specific distribution information related to a user who displayed a distribution document linked to each distribution ID, the construction unit 13 uses the distribution ID as a key to (that is, the user who displayed the distribution manuscript related to the same distribution) is specified. In the example of FIG.
  • a user with a user identifier "yyyyy” whose distribution ID is “vwxyz” and a user with a user identifier "bbbbb” whose distribution ID is “vwxyz” are identified as users related to the same distribution.
  • the constructing unit 13 obtains the number of specified users (that is, the number of times the distributed manuscript is displayed), and obtains the number of clicks related to the same distribution from the click flags related to the specified users. Then, as an example, the number of clicks is divided by the number of times the distributed manuscript is displayed, and the obtained division result is used as the actual click rate value for the same distribution.
  • the constructing unit 13 compares the acquired distribution manuscript information with the flow line of the user who reads the distribution manuscript (here, the storage destination URL shown in FIG. 5).
  • Content data image data, email title text information
  • content layout information contained in distribution manuscript data saved on the site of and distribution design information including distribution user information are converted into a graph structure (step S3).
  • the content data image data, text information of the mail title
  • the layout information regarding the layout of the content are converted into a graph structure. For example, as shown on the left side of FIG.
  • the mail title and the images A to D included in the distribution manuscript are set as nodes in a graph structure, and the nodes are connected with edges according to the layout information regarding the content arrangement.
  • Meta information of information is converted into a graph structure in the distribution manuscript space.
  • the constructing unit 13 converts the distribution user information into a graph structure in a distribution user space different from the distribution manuscript space, and converts each distribution in the distribution user space by a temporary node. By associating the node corresponding to the user with the distribution manuscript space, the entire distribution design information is converted into a graph structure.
  • the constructing unit 13 derives the feature amount of each node in the converted graph structure (step S4). For example, as shown on the right side of FIG. ⁇ Pin badge campaign” is changed to “Limited item,! , ⁇ pin badge, campaign, medium”.
  • (2) convert each word to an ID and perform Word Embedding. For example, convert each of the above separated words into an ID of "1, 0, 4, 12, 6", and convert each ID into a vector of Embedding Dim.
  • (3) a 1 ⁇ 128-dimensional feature amount is obtained by performing a convolution operation and a linear transformation on the vector of the embedding transformation.
  • a 1 ⁇ 128-dimensional feature amount is derived by an existing method from user information (including user attribute information) of the corresponding broadcast user.
  • the constructing unit 13 performs machine learning using the feature amount of each node as an explanatory variable and the actual click rate value of each distribution calculated in step S2 as an objective variable, thereby predicting the click rate.
  • Build a new model or update an existing prediction model step S5.
  • the constructing unit 13 stores the constructed or updated predictive model in the predictive model storage unit 14 .
  • a prediction model for predicting a click rate is constructed or updated by steps S1 to S4 described above, and stored in the prediction model storage unit 14.
  • the information terminal 20 transmits a click rate prediction request, distribution user information and distribution manuscript information related to the target distribution (step T1), and the prediction unit 15 predicts the click rate.
  • Execution is started by receiving the request, the delivery user information and the delivery manuscript information relating to the target delivery (step S6).
  • the prediction unit 15 compares the flow line of the user who reads the distribution manuscript using a technique related to a graph neural network in the same manner as in step S3 described above, and compares the received distribution manuscript information with meta information (here, Overall distribution design information including content data (image data, text information of mail title) and layout information related to content arrangement) and distribution user information included in distribution manuscript data saved on the site of the save destination URL shown in 5. is converted into a graph structure as shown in FIG. 4 (step S7).
  • the prediction unit 15 derives the feature amount of each node in the converted graph structure by the same method as in step S4 described above, and reads the obtained feature amount of each node from the prediction model storage unit 14.
  • the click rate output from the prediction model is used as the click rate prediction value for the target delivery (step S8).
  • the prediction unit 15 transmits the click rate (click rate prediction value) obtained by prediction to the information terminal 20 that is the transmission source of the click rate prediction request (step S9).
  • the click rate predicted value is received by the information terminal 20 and displayed on, for example, a display (step T2), and the user of the information terminal 20 can confirm the click rate predicted value as requested.
  • nodes nodes corresponding to a plurality of contents included in a distribution manuscript and distribution users
  • data to be converted for example, layout information of the distribution manuscript
  • layout information of the distribution manuscript when converting the entire distribution design information including the layout information of the distribution manuscript and the distribution user information into a graph structure using a technique related to graph neural networks.
  • the constructing unit 13 determines the number of clicks in the same distribution based on the number of times the distribution manuscript has been displayed, which is obtained from the number of users who responded to the same distribution in the distribution result information, and the number of clicks related to the same distribution.
  • the information may be stored in the distribution information storage unit 11 in advance.
  • the advertising effect prediction device 10 includes the distribution information storage unit 11 storing distribution user information, distribution manuscript information, and distribution result information, and the acquisition unit 12 receives distribution information storage information from the outside, not from the outside.
  • the distribution information storage unit 11 stores distribution user information, distribution manuscript information, and distribution result information
  • the acquisition unit 12 receives distribution information storage information from the outside, not from the outside.
  • An example of acquiring distribution user information, distribution manuscript information, and distribution result information from unit 11 has been described.
  • the advertisement effectiveness prediction device 10 since the advertisement effectiveness prediction device 10 has the distribution information storage unit 11 inside, it is not necessary to acquire the distribution user information, the distribution manuscript information, and the distribution result information from the outside when executing the processing of FIG. This can contribute to expediting the processing.
  • each functional block may be implemented using one device that is physically or logically coupled, or directly or indirectly using two or more devices that are physically or logically separated (e.g. , wired, wireless, etc.) and may be implemented using these multiple devices.
  • a functional block may be implemented by combining software in the one device or the plurality of devices.
  • Functions include judging, determining, determining, calculating, calculating, processing, deriving, investigating, searching, checking, receiving, transmitting, outputting, accessing, resolving, selecting, choosing, establishing, comparing, assuming, expecting, assuming, Broadcasting, notifying, communicating, forwarding, configuring, reconfiguring, allocating, mapping, assigning, etc. can't
  • a functional block (component) that makes transmission work is called a transmitting unit or transmitter.
  • the implementation method is not particularly limited.
  • an advertising effect prediction device may function as a computer that performs processing according to this embodiment.
  • FIG. 6 is a diagram showing a hardware configuration example of the advertising effect prediction device 10 according to an embodiment of the present disclosure.
  • the advertising effect prediction device 10 described above may be physically configured as a computer device including a processor 1001, a memory 1002, a storage 1003, a communication device 1004, an input device 1005, an output device 1006, a bus 1007, and the like.
  • the term "apparatus” can be read as a circuit, device, unit, or the like.
  • the hardware configuration of the advertising effect prediction device 10 may be configured to include one or more of each device shown in the figure, or may be configured without some of the devices.
  • Each function in the advertising effectiveness prediction device 10 is performed by the processor 1001 by loading predetermined software (program) on hardware such as the processor 1001 and the memory 1002, and controlling communication by the communication device 1004, It is realized by controlling at least one of data reading and writing in the memory 1002 and the storage 1003 .
  • the processor 1001 for example, operates an operating system and controls the entire computer.
  • the processor 1001 may be configured by a central processing unit (CPU) including an interface with peripheral devices, a control device, an arithmetic device, registers, and the like.
  • CPU central processing unit
  • the processor 1001 reads programs (program codes), software modules, data, etc. from at least one of the storage 1003 and the communication device 1004 to the memory 1002, and executes various processes according to them.
  • programs program codes
  • software modules software modules
  • data etc.
  • the program a program that causes a computer to execute at least part of the operations described in the above embodiments is used.
  • FIG. Processor 1001 may be implemented by one or more chips. Note that the program may be transmitted from a network via an electric communication line.
  • the memory 1002 is a computer-readable recording medium, and is composed of at least one of, for example, ROM (Read Only Memory), EPROM (Erasable Programmable ROM), EEPROM (Electrically Erasable Programmable ROM), RAM (Random Access Memory), etc. may be
  • ROM Read Only Memory
  • EPROM Erasable Programmable ROM
  • EEPROM Electrical Erasable Programmable ROM
  • RAM Random Access Memory
  • the memory 1002 may also be called a register, cache, main memory (main storage device), or the like.
  • the memory 1002 can store executable programs (program code), software modules, etc. for implementing a wireless communication method according to an embodiment of the present disclosure.
  • the storage 1003 is a computer-readable recording medium, for example, an optical disc such as a CD-ROM (Compact Disc ROM), a hard disk drive, a flexible disc, a magneto-optical disc (for example, a compact disc, a digital versatile disc, a Blu-ray disk), smart card, flash memory (eg, card, stick, key drive), floppy disk, magnetic strip, and/or the like.
  • Storage 1003 may also be called an auxiliary storage device.
  • the storage medium described above may be, for example, a database including at least one of memory 1002 and storage 1003, or other suitable medium.
  • the communication device 1004 is hardware (transmitting/receiving device) for communicating between computers via at least one of a wired network and a wireless network, and is also called a network device, a network controller, a network card, a communication module, or the like.
  • the input device 1005 is an input device (for example, keyboard, mouse, microphone, switch, button, sensor, etc.) that receives input from the outside.
  • the output device 1006 is an output device (eg, display, speaker, LED lamp, etc.) that outputs to the outside. Note that the input device 1005 and the output device 1006 may be integrated (for example, a touch panel).
  • Each device such as the processor 1001 and the memory 1002 is connected by a bus 1007 for communicating information.
  • the bus 1007 may be configured using a single bus, or may be configured using different buses between devices.
  • notification of predetermined information is not limited to being performed explicitly, but may be performed implicitly (for example, not notifying the predetermined information). good too.
  • Input/output information may be stored in a specific location (for example, memory) or managed using a management table. Input/output information and the like can be overwritten, updated, or appended. The output information and the like may be deleted. The entered information and the like may be transmitted to another device.
  • a and B are different may mean “A and B are different from each other.”
  • the term may also mean that "A and B are different from C”.
  • Terms such as “separate,” “coupled,” etc. may also be interpreted in the same manner as “different.”

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

広告効果予測装置（１０）は、配信ユーザ情報と配信原稿情報に基づき、ＧＮＮに係る手法を用いてユーザ動線に照らし合せて配信原稿のレイアウト情報と配信ユーザ情報を含む配信設計情報全体をグラフ構造に変換し、変換後のグラフ構造の各ノードの特徴量を導出し、各ノードの特徴量を説明変数とし、配信結果情報から得られる同一の配信におけるクリック率実績値を目的変数とする機械学習を行って予測モデルを構築する構築部（１３）と、対象の配信ユーザ情報と配信原稿情報に基づき上記と同様の手法で対象の配信設計情報全体をグラフ構造に変換し、変換後のグラフ構造の各ノードの特徴量を予測モデルに入力することで対象の配信に係るクリック率予測値を得る予測部（１５）と、を備える。

Description

広告効果予測装置
　本開示は、広告配信に関わる情報全体において、配信原稿に含まれる複数のコンテンツおよびユーザ情報の間の相互の影響を考慮してクリック率を予測する広告効果予測装置に関する。
　近年、ユーザがインターネットを介してウェブページにアクセスし、そのウェブページに掲載された広告をクリック又はタップした（以後は便宜上「クリックした」と総称する）場合に、広告主のウェブページへユーザを誘導する広告配信の仕組みが採用されている。このような広告配信の仕組みでは、広告を掲載した場合に期待される収益を予測する際に、ユーザが当該広告をクリックする確率であるクリック率（ＣＴＲ：Click　Through　Rate）を予測し、当該予測値を収益予測に用いるのが一般的であり、例えば、収益予測のためクリック率を予測する技術が特許文献１に提案されている。
特開２０１９－０４０３８６号公報
　しかし、上記特許文献１には、広告配信面における広告の表示位置（例えば画像の並びなど）に基づいてクリック率を予測する点は記載されているものの、配信される広告配信原稿（以下「配信原稿」と称する）の原稿情報および配信ユーザのユーザ情報を含んだ広告配信に関わる情報全体において、配信原稿に含まれる複数のコンテンツおよびユーザ情報の間の相互の影響を考慮してクリック率を精度良く予測するといった着眼点は記載されていない。
　本開示は、上記課題を解決するために成されたものであり、広告配信に関わる情報全体において、配信原稿に含まれる複数のコンテンツおよびユーザ情報の間の相互の影響を考慮しつつ、クリック率を精度良く予測することを目的とする。
　出願人は、上記目的を達成するための手法として、グラフ構造を扱える深層学習の一手法であるグラフニューラルネットワーク（ＧＮＮ（Graph　Neural　Network））に注目し、グラフニューラルネットワークに係る手法を用いて、ユーザ動線に照らし合せて配信原稿のレイアウト情報および配信ユーザ情報を含んだ配信設計情報全体をグラフ構造に変換することで、変換後のグラフ構造における各ノード（配信原稿に含まれる複数のコンテンツおよび配信ユーザのそれぞれに対応するノード）間の相互の関係性およびユーザの動線を考慮して、広告効果としてのクリック率を精度良く予測する技術を発明した。
　本開示に係る広告効果予測装置は、配信ユーザ情報、配信原稿情報、および配信結果情報を取得する取得部と、前記配信ユーザ情報および前記配信原稿情報に基づいて、グラフニューラルネットワークに係る手法を用いて、前記配信原稿を読むユーザ動線に照らし合せて前記配信原稿のレイアウト情報および前記配信ユーザ情報を含んだ配信設計情報全体をグラフ構造に変換し、変換後のグラフ構造における各ノードの特徴量を導出し、得られた各ノードの特徴量を説明変数とし、前記配信結果情報から得られる同一の配信におけるクリック率実績値を目的変数とする機械学習を行い、クリック率を予測するための予測モデルを構築する構築部と、対象の配信に係るクリック率予測要求、配信ユーザ情報および配信原稿情報を受け取り、前記配信ユーザ情報および前記配信原稿情報に基づいて、グラフニューラルネットワークに係る手法を用いて、前記ユーザ動線に照らし合せて前記配信原稿のレイアウト情報および前記配信ユーザ情報を含んだ配信設計情報全体をグラフ構造に変換し、変換後のグラフ構造における各ノードの特徴量を導出し、得られた各ノードの特徴量を前記予測モデルに入力することで、当該予測モデルから出力されるクリック率を、前記対象の配信に係るクリック率予測値とする予測部と、を備える。
　上記の広告効果予測装置では、取得部が、配信ユーザ情報、配信原稿情報、および配信結果情報を取得し、構築部が、取得された配信ユーザ情報および配信原稿情報に基づいて、グラフニューラルネットワークに係る手法を用いて、配信原稿を読むユーザ動線に照らし合せて配信原稿のレイアウト情報および配信ユーザ情報を含んだ配信設計情報全体をグラフ構造に変換し、変換後のグラフ構造における各ノードの特徴量を導出し、得られた各ノードの特徴量を説明変数とし、配信結果情報から得られる同一の配信におけるクリック率実績値を目的変数とする機械学習を行い、クリック率を予測するための予測モデルを構築する。そして、予測部が、対象の配信に係るクリック率予測要求、配信ユーザ情報および配信原稿情報を受け取り、配信ユーザ情報および配信原稿情報に基づいて、グラフニューラルネットワークに係る手法を用いて、ユーザ動線に照らし合せて配信原稿のレイアウト情報および配信ユーザ情報を含んだ配信設計情報全体をグラフ構造に変換し、変換後のグラフ構造における各ノードの特徴量を導出し、得られた各ノードの特徴量を予測モデルに入力することで、当該予測モデルから出力されるクリック率を、対象の配信に係るクリック率予測値とする。このように、グラフ構造を扱えるグラフニューラルネットワークに係る手法を用いて、ユーザ動線に照らし合せて配信原稿のレイアウト情報および配信ユーザ情報を含んだ配信設計情報全体をグラフ構造に変換し、変換後のグラフ構造における各ノード（配信原稿に含まれる複数のコンテンツおよび配信ユーザのそれぞれに対応するノード）の特徴量を説明変数とし、各配信のクリック率実績値を目的変数とする機械学習を行って予測モデルを構築し、そして、構築された予測モデルを、対象の配信に係るクリック率予測に用いることにより、変換後のグラフ構造における各ノード（配信原稿に含まれる複数のコンテンツおよび配信ユーザのそれぞれに対応するノード）間の相互の関係性およびユーザの動線を考慮して、広告効果としてのクリック率を精度良く予測することができる。また、グラフニューラルネットワークに係る手法を用いて、配信原稿のレイアウト情報および配信ユーザ情報を含んだ配信設計情報全体をグラフ構造に変換する際、変換対象となるデータ（例えば、配信原稿のレイアウト情報）を可変長にできるという特性があるため、さまざまなレイアウトに対応可能となり、制約の少ない自由度の高い処理が可能となり、処理の操作性および柔軟性が向上する。
　本開示によれば、広告配信に関わる情報全体において、配信原稿に含まれる複数のコンテンツおよびユーザ情報の間の相互の影響を考慮しつつ、クリック率を精度良く予測することができる。
発明の実施形態に係る広告効果予測装置の機能ブロック構成図である。 発明の実施形態において実行される処理内容を示すフロー図である。 配信原稿のグラフ構造化および各ノードの特徴量化を説明するための図である。 配信原稿のレイアウト情報および配信ユーザ情報を含んだ配信設計情報全体のグラフ構造化を説明するための図である。 処理に利用されるデータ例を示す図である。 広告効果予測装置のハードウェア構成例を示す図である。
　添付図面を参照しながら本開示に係る発明の実施形態を説明する。
　図１に示すように、広告効果予測装置１０は、配信情報格納部１１、取得部１２、構築部１３、予測モデル格納部１４、および予測部１５を備える。以下、各部の機能について説明する。
　配信情報格納部１１は、以下に説明する配信ユーザ情報、配信原稿情報および配信結果情報を含んだ、各配信に関する配信情報を格納したデータベースである。図５に例示するように、配信ユーザ情報は、配信原稿の配信先となった配信ユーザそれぞれの性別、年齢、開封履歴などの情報を含み、配信原稿情報は、配信原稿の保存先を示す保存先ＵＲＬ（Uniform　Resource　Locator）などの情報を含む。上記保存先ＵＲＬに示すサイトには、配信原稿データが保存されており、この配信原稿データは、コンテンツデータ（画像データ、テキストデータ）およびコンテンツ配置に関するレイアウト情報などを含む。配信結果情報は、各配信ユーザが配信原稿を読んだ際にクリックしたか否かを示すクリックフラグを含む。上記のような各配信ユーザに関する配信ユーザ情報、配信原稿情報および配信結果情報は、ユニークなユーザ識別子をキーとして配信情報格納部１１に格納されている。
　取得部１２は、配信情報格納部１１から配信ユーザ情報、配信原稿情報、および配信結果情報を取得する機能部である。
　構築部１３は、配信ユーザ情報および配信原稿情報に基づいて、グラフニューラルネットワークに係る手法を用いて、配信原稿を読むユーザ動線に照らし合せて配信原稿のレイアウト情報および配信ユーザ情報を含んだ配信設計情報全体をグラフ構造に変換し、変換後のグラフ構造における各ノードの特徴量を導出し、得られた各ノードの特徴量を説明変数とし、配信結果情報から得られる同一の配信におけるクリック率実績値を目的変数とする機械学習を行い、クリック率を予測するための予測モデルを構築する機能部である。このような構築部１３による処理の詳細は後述する。
　予測モデル格納部１４は、構築部１３により構築された予測モデルを格納したデータベースである。
　予測部１５は、対象の配信に係るクリック率予測要求、配信ユーザ情報および配信原稿情報を情報端末２０から受け取り、配信ユーザ情報および配信原稿情報に基づいて、グラフニューラルネットワークに係る手法を用いて、ユーザ動線に照らし合せて配信原稿のレイアウト情報および配信ユーザ情報を含んだ配信設計情報全体をグラフ構造に変換し、変換後のグラフ構造における各ノードの特徴量を導出し、得られた各ノードの特徴量を、予測モデル格納部１４から読み出した予測モデルに入力することで、当該予測モデルから出力されるクリック率を、対象の配信に係るクリック率予測値とし、さらに、予測により得られたクリック率（クリック率予測値）を出力する機能部である。このような予測部１５による処理の詳細は後述する。なお、本実施形態では、予測部１５が、対象の配信に係るクリック率予測要求を情報端末２０から受信する例を説明するが、この例以外にも、広告効果予測装置１０の操作員により図示しない操作端末から入力された対象の配信に係るクリック率予測要求を受け取ってもよい。
　次に、図２のフロー図に沿って、広告効果予測装置１０において実行される処理を説明する。この処理は、図２に示すように、前半の予測モデルの構築・更新（ステップＳ１～Ｓ４）を行うオフライン処理と、後半の予測モデルを用いたクリック率の予測（ステップＳ５～Ｓ８）を行うオンライン処理とに大別される。このうち、オフライン処理は、例えば予め定められた時刻に定期的に又は広告効果予測装置１０の操作員が開始コマンドを入力したとき等に実行されるのに対し、オンライン処理は、クリック率予測の要求者（例えば情報端末２０のユーザ）により送信されたクリック率予測要求を受信したことをトリガーにオンデマンドで実行される。
　前半のオフライン処理については、取得部１２が、配信情報格納部１１から配信ユーザ情報、配信原稿情報、および配信結果情報を取得し（ステップＳ１）、構築部１３が、配信結果情報における同一配信に対し反応したユーザ数から得られる配信原稿の表示回数と、当該同一配信に係るクリック数とに基づいて、同一の配信におけるクリック率実績値を算出する（ステップＳ２）。例えば、構築部１３は、図５に示すユーザ別配信情報が、それぞれの配信ＩＤに紐づく配信原稿を表示したユーザに関するユーザ別配信情報であるとすると、配信ＩＤをキーとして同一配信に係るユーザ（即ち、同一配信に係る配信原稿を表示したユーザ）を特定する。図５の例では、配信ＩＤが「vwxyz」であるユーザ識別子「yyyyy」のユーザと、同じく配信ＩＤが「vwxyz」であるユーザ識別子「bbbbb」のユーザとが、同一配信に係るユーザとして特定される。そして、構築部１３は、特定されたユーザ数（即ち、配信原稿の表示回数）を求めるとともに、特定されたユーザに関するクリックフラグから当該同一配信に係るクリック数を求める。そして、一例として、クリック数を配信原稿の表示回数によって除算し、得られた除算結果を当該同一配信におけるクリック率実績値とする。
　そして、構築部１３は、グラフニューラルネットワークに係る手法を用いて、配信原稿を読むユーザ動線に照らし合せて、取得された配信原稿情報のメタ情報（ここでは、図５に例示した保存先ＵＲＬのサイトに保存された配信原稿データに含まれたコンテンツデータ（画像データ、メールタイトルのテキスト情報）およびコンテンツ配置に関するレイアウト情報）および配信ユーザ情報を含んだ配信設計情報全体をグラフ構造に変換する（ステップＳ３）。上記のうち、配信原稿データに含まれたコンテンツデータ（画像データ、メールタイトルのテキスト情報）およびコンテンツ配置に関するレイアウト情報については、グラフ構造に変換される。例えば、図３の左側に示すように、メールタイトルと、配信原稿に含まれる画像Ａ～Ｄとをグラフ構造におけるノードとし、コンテンツ配置に関するレイアウト情報に従って、ノード間をエッジで結ぶことで、配信原稿情報のメタ情報を配信原稿空間においてグラフ構造に変換する。さらに、ステップＳ３では、構築部１３は、図４に示すように、上記配信原稿空間とは異なる配信ユーザ空間において、配信ユーザ情報をグラフ構造に変換し、仮ノードによって、配信ユーザ空間における各配信ユーザに対応するノードと配信原稿空間とを関連付けることにより、配信設計情報全体をグラフ構造に変換する。
　次に、構築部１３は、変換後のグラフ構造における各ノードの特徴量を導出する（ステップＳ４）。例えば、図３の右側に示すように、配信原稿空間における各ノードについては、メールタイトルのテキスト情報については、(1)テキスト情報の形態素解析を行うことで、メールタイトル「限定品！〇〇〇〇ピンバッジキャンペーン中」を、『限定品，！，〇〇〇〇ピンバッジ，キャンペーン，中』のように単語ごとに分離する。次に、(2)各単語をIDに変換してWord　Embeddingを行う。例えば、上記の分離された各単語を、『1，0，4，12，6』というIDへ変換し、各IDをEmbedding　Dimのベクトルへ変換する。さらに、(3)Embeddingした変換のベクトルを対象として畳み込み演算・線形変換を行うことで、1×128次元の特徴量とする。また、図３における画像Ａ～Ｄの画像情報については、(1)画像サイズの変換として、(128×128)の画像にリサイズし、(2)リサイズ後の(128×128)の画像を対象として畳み込み演算／プーリング演算を行うことで、1×128次元の特徴量とする。また、配信ユーザ空間における各ノードについては、対応する配信ユーザのユーザ情報（ユーザ属性情報を含む）から既存の手法で1×128次元の特徴量を導出する。
　さらに、構築部１３は、各ノードの特徴量を説明変数とし、ステップＳ２で算出された各配信のクリック率実績値を目的変数とする機械学習を行うことで、クリック率を予測するための予測モデルを新規に構築する又は既存の予測モデルを更新する（ステップＳ５）。また、構築部１３は、構築後又は更新後の予測モデルを予測モデル格納部１４に格納する。以上のステップＳ１～Ｓ４によって、クリック率を予測するための予測モデルが構築又は更新され、予測モデル格納部１４に格納される。
　次に、図２における後半のオンライン処理は、情報端末２０からクリック率予測要求、対象の配信に係る配信ユーザ情報および配信原稿情報が送信され（ステップＴ１）、予測部１５がこれらのクリック率予測要求、対象の配信に係る配信ユーザ情報および配信原稿情報を受信する（ステップＳ６）ことで、実行開始される。予測部１５は、前述したステップＳ３と同様の手法で、グラフニューラルネットワークに係る手法を用いて、配信原稿を読むユーザ動線に照らし合せて、受信した配信原稿情報のメタ情報（ここでは、図５に例示した保存先ＵＲＬのサイトに保存された配信原稿データに含まれたコンテンツデータ（画像データ、メールタイトルのテキスト情報）およびコンテンツ配置に関するレイアウト情報）および配信ユーザ情報を含んだ配信設計情報全体を、図４に示すようなグラフ構造に変換する（ステップＳ７）。
　そして、予測部１５は、前述したステップＳ４と同様の手法で、変換後のグラフ構造における各ノードの特徴量を導出し、得られた各ノードの特徴量を、予測モデル格納部１４から読み出した予測モデルに入力することで、当該予測モデルから出力されるクリック率を、対象の配信に係るクリック率予測値とする（ステップＳ８）。さらに、予測部１５は、予測により得られたクリック率（クリック率予測値）を、クリック率予測要求の送信元である情報端末２０へ送信する（ステップＳ９）。これにより、クリック率予測値は、情報端末２０により受信され、例えばディスプレイへ表示され（ステップＴ２）、情報端末２０のユーザは、要求通り、クリック率予測値を確認することができる。
　以上説明した実施形態によれば、変換後のグラフ構造における各ノード（配信原稿に含まれる複数のコンテンツおよび配信ユーザのそれぞれに対応するノード）間の相互の関係性およびユーザの動線を考慮して、広告効果としてのクリック率を精度良く予測することができる。また、グラフニューラルネットワークに係る手法を用いて、配信原稿のレイアウト情報および配信ユーザ情報を含んだ配信設計情報全体をグラフ構造に変換する際、変換対象となるデータ（例えば、配信原稿のレイアウト情報）を可変長にできるという特性があるため、さまざまなレイアウトに対応可能となり、制約の少ない自由度の高い処理が可能となり、処理の操作性および柔軟性が向上する。
　上記の実施形態では、構築部１３は、配信結果情報における同一配信に対し反応したユーザ数から得られる配信原稿の表示回数と、当該同一配信に係るクリック数とに基づいて、同一の配信におけるクリック率実績値を導出し、得られたクリック率実績値を、機械学習における目的変数とした。これにより、図５に示すようなユーザ別配信情報から、同一の配信におけるクリック率実績値を導出することができ、機械学習における目的変数として活用することができる。ただし、構築部１３が上記のように同一の配信におけるクリック率実績値を導出することは必須要件ではなく、予め外部の装置で導出された「同一の配信におけるクリック率実績値」が、配信結果情報として、配信情報格納部１１に予め格納された構成としてもよい。
　また、上記の実施形態では、広告効果予測装置１０が、配信ユーザ情報、配信原稿情報および配信結果情報を格納した配信情報格納部１１を備え、取得部１２は、外部からでなく、配信情報格納部１１から配信ユーザ情報、配信原稿情報および配信結果情報を取得する例を説明した。このように、広告効果予測装置１０が配信情報格納部１１を、その内部に備えたことで、図２の処理実行時に、外部から配信ユーザ情報、配信原稿情報および配信結果情報を取得する必要が無くなり、処理の迅速化に寄与することができる。
　（用語の説明、ハードウェア構成（図６）の説明など）
　なお、上記の実施形態、変形例の説明に用いたブロック図は、機能単位のブロックを示している。これらの機能ブロック（構成部）は、ハードウェア及びソフトウェアの少なくとも一方の任意の組み合わせによって実現される。また、各機能ブロックの実現方法は特に限定されない。すなわち、各機能ブロックは、物理的又は論理的に結合した１つの装置を用いて実現されてもよいし、物理的又は論理的に分離した２つ以上の装置を直接的又は間接的に（例えば、有線、無線などを用いて）接続し、これら複数の装置を用いて実現されてもよい。機能ブロックは、上記１つの装置又は上記複数の装置にソフトウェアを組み合わせて実現されてもよい。
　機能には、判断、決定、判定、計算、算出、処理、導出、調査、探索、確認、受信、送信、出力、アクセス、解決、選択、選定、確立、比較、想定、期待、見做し、報知（broadcasting）、通知（notifying）、通信（communicating）、転送（forwarding）、構成（configuring）、再構成（reconfiguring）、割り当て（allocating、mapping）、割り振り（assigning）などがあるが、これらに限られない。たとえば、送信を機能させる機能ブロック（構成部）は、送信部（transmitting　unit）、送信機（transmitter）と呼称される。いずれも、上述したとおり、実現方法は特に限定されない。
　例えば、本開示の一実施の形態における広告効果予測装置は、本実施形態における処理を行うコンピュータとして機能してもよい。図６は、本開示の一実施の形態に係る広告効果予測装置１０のハードウェア構成例を示す図である。上述の広告効果予測装置１０は、物理的には、プロセッサ１００１、メモリ１００２、ストレージ１００３、通信装置１００４、入力装置１００５、出力装置１００６、バス１００７などを含むコンピュータ装置として構成されてもよい。
　なお、以下の説明では、「装置」という文言は、回路、デバイス、ユニットなどに読み替えることができる。広告効果予測装置１０のハードウェア構成は、図に示した各装置を１つ又は複数含むように構成されてもよいし、一部の装置を含まずに構成されてもよい。
　広告効果予測装置１０における各機能は、プロセッサ１００１、メモリ１００２などのハードウェア上に所定のソフトウェア（プログラム）を読み込ませることによって、プロセッサ１００１が演算を行い、通信装置１００４による通信を制御したり、メモリ１００２及びストレージ１００３におけるデータの読み出し及び書き込みの少なくとも一方を制御したりすることによって実現される。
　プロセッサ１００１は、例えば、オペレーティングシステムを動作させてコンピュータ全体を制御する。プロセッサ１００１は、周辺装置とのインタフェース、制御装置、演算装置、レジスタなどを含む中央処理装置（ＣＰＵ：Central　Processing　Unit）によって構成されてもよい。
　また、プロセッサ１００１は、プログラム（プログラムコード）、ソフトウェアモジュール、データなどを、ストレージ１００３及び通信装置１００４の少なくとも一方からメモリ１００２に読み出し、これらに従って各種の処理を実行する。プログラムとしては、上述の実施の形態において説明した動作の少なくとも一部をコンピュータに実行させるプログラムが用いられる。上述の各種処理は、１つのプロセッサ１００１によって実行される旨を説明してきたが、２以上のプロセッサ１００１により同時又は逐次に実行されてもよい。プロセッサ１００１は、１以上のチップによって実装されてもよい。なお、プログラムは、電気通信回線を介してネットワークから送信されても良い。
　メモリ１００２は、コンピュータ読み取り可能な記録媒体であり、例えば、ＲＯＭ（Read　Only　Memory）、ＥＰＲＯＭ（Erasable　Programmable　ＲＯＭ）、ＥＥＰＲＯＭ（Electrically　Erasable　Programmable　ＲＯＭ）、ＲＡＭ（Random　Access　Memory）などの少なくとも１つによって構成されてもよい。メモリ１００２は、レジスタ、キャッシュ、メインメモリ（主記憶装置）などと呼ばれてもよい。メモリ１００２は、本開示の一実施の形態に係る無線通信方法を実施するために実行可能なプログラム（プログラムコード）、ソフトウェアモジュールなどを保存することができる。
　ストレージ１００３は、コンピュータ読み取り可能な記録媒体であり、例えば、ＣＤ－ＲＯＭ（Compact　Disc　ＲＯＭ）などの光ディスク、ハードディスクドライブ、フレキシブルディスク、光磁気ディスク(例えば、コンパクトディスク、デジタル多用途ディスク、Ｂｌｕ－ｒａｙ（登録商標）ディスク)、スマートカード、フラッシュメモリ(例えば、カード、スティック、キードライブ)、フロッピー（登録商標）ディスク、磁気ストリップなどの少なくとも１つによって構成されてもよい。ストレージ１００３は、補助記憶装置と呼ばれてもよい。上述の記憶媒体は、例えば、メモリ１００２及びストレージ１００３の少なくとも一方を含むデータベース、その他の適切な媒体であってもよい。
　通信装置１００４は、有線ネットワーク及び無線ネットワークの少なくとも一方を介してコンピュータ間の通信を行うためのハードウェア（送受信デバイス）であり、例えばネットワークデバイス、ネットワークコントローラ、ネットワークカード、通信モジュールなどともいう。
　入力装置１００５は、外部からの入力を受け付ける入力デバイス（例えば、キーボード、マウス、マイクロフォン、スイッチ、ボタン、センサなど）である。出力装置１００６は、外部への出力を実施する出力デバイス（例えば、ディスプレイ、スピーカー、LEDランプなど）である。なお、入力装置１００５及び出力装置１００６は、一体となった構成（例えば、タッチパネル）であってもよい。　また、プロセッサ１００１、メモリ１００２などの各装置は、情報を通信するためのバス１００７によって接続される。バス１００７は、単一のバスを用いて構成されてもよいし、装置間ごとに異なるバスを用いて構成されてもよい。
　本開示において説明した各態様／実施形態は単独で用いてもよいし、組み合わせて用いてもよいし、実行に伴って切り替えて用いてもよい。また、所定の情報の通知（例えば、「Ｘであること」の通知）は、明示的に行うものに限られず、暗黙的（例えば、当該所定の情報の通知を行わない）ことによって行われてもよい。
　以上、本開示について詳細に説明したが、当業者にとっては、本開示が本開示中に説明した実施形態に限定されるものではないということは明らかである。本開示は、請求の範囲の記載により定まる本開示の趣旨及び範囲を逸脱することなく修正及び変更態様として実施することができる。したがって、本開示の記載は、例示説明を目的とするものであり、本開示に対して何ら制限的な意味を有するものではない。
　本開示において説明した各態様／実施形態の処理手順、シーケンス、フローチャートなどは、矛盾の無い限り、順序を入れ替えてもよい。例えば、本開示において説明した方法については、例示的な順序を用いて様々なステップの要素を提示しており、提示した特定の順序に限定されない。
　入出力された情報等は特定の場所（例えば、メモリ）に保存されてもよいし、管理テーブルを用いて管理してもよい。入出力される情報等は、上書き、更新、又は追記され得る。出力された情報等は削除されてもよい。入力された情報等は他の装置へ送信されてもよい。
　本開示において使用する「に基づいて」という記載は、別段に明記されていない限り、「のみに基づいて」を意味しない。言い換えれば、「に基づいて」という記載は、「のみに基づいて」と「に少なくとも基づいて」の両方を意味する。
　本開示において、「含む（include）」、「含んでいる（including）」及びそれらの変形が使用されている場合、これらの用語は、用語「備える（comprising）」と同様に、包括的であることが意図される。さらに、本開示において使用されている用語「又は（or）」は、排他的論理和ではないことが意図される。
　本開示において、例えば、英語でのa,　an及びtheのように、翻訳により冠詞が追加された場合、本開示は、これらの冠詞の後に続く名詞が複数形であることを含んでもよい。
　本開示において、「ＡとＢが異なる」という用語は、「ＡとＢが互いに異なる」ことを意味してもよい。なお、当該用語は、「ＡとＢがそれぞれＣと異なる」ことを意味してもよい。「離れる」、「結合される」などの用語も、「異なる」と同様に解釈されてもよい。
　１０…広告効果予測装置、１１…配信情報格納部、１２…取得部、１３…構築部、１４…予測モデル格納部、１５…予測部、２０…情報端末、１００１…プロセッサ、１００２…メモリ、１００３…ストレージ、１００４…通信装置、１００５…入力装置、１００６…出力装置、１００７…バス。

Claims (4)

  1. 　配信ユーザ情報、配信原稿情報、および配信結果情報を取得する取得部と、
    　前記配信ユーザ情報および前記配信原稿情報に基づいて、グラフニューラルネットワークに係る手法を用いて、前記配信原稿を読むユーザ動線に照らし合せて前記配信原稿のレイアウト情報および前記配信ユーザ情報を含んだ配信設計情報全体をグラフ構造に変換し、変換後のグラフ構造における各ノードの特徴量を導出し、得られた各ノードの特徴量を説明変数とし、前記配信結果情報から得られる同一の配信におけるクリック率実績値を目的変数とする機械学習を行い、クリック率を予測するための予測モデルを構築する構築部と、
    　対象の配信に係るクリック率予測要求、配信ユーザ情報および配信原稿情報を受け取り、前記配信ユーザ情報および前記配信原稿情報に基づいて、グラフニューラルネットワークに係る手法を用いて、前記ユーザ動線に照らし合せて前記配信原稿のレイアウト情報および前記配信ユーザ情報を含んだ配信設計情報全体をグラフ構造に変換し、変換後のグラフ構造における各ノードの特徴量を導出し、得られた各ノードの特徴量を前記予測モデルに入力することで、当該予測モデルから出力されるクリック率を、前記対象の配信に係るクリック率予測値とする予測部と、
    　を備える広告効果予測装置。
  2. 　前記予測部は、前記対象の配信に係るクリック率予測値を、前記クリック率予測要求の送信元へ出力する、
    　請求項１に記載の広告効果予測装置。
  3. 　前記構築部は、前記配信結果情報における同一配信に対し反応したユーザ数から得られる配信原稿の表示回数と、当該同一配信に係るクリック数とに基づいて、前記同一の配信におけるクリック率実績値を導出し、得られたクリック率実績値を、前記機械学習における目的変数とする、
    　請求項１又は２に記載の広告効果予測装置。
  4. 　前記広告効果予測装置は、
    　前記配信ユーザ情報、前記配信原稿情報、および前記配信結果情報を格納した配信情報格納部、
    　をさらに備え、
    　前記取得部は、前記配信情報格納部から前記配信ユーザ情報、前記配信原稿情報、および前記配信結果情報を取得する、
    　請求項１～３の何れか一項に記載の広告効果予測装置。
PCT/JP2022/028943 2021-09-07 2022-07-27 広告効果予測装置 WO2023037781A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2023546825A JP7523697B2 (ja) 2021-09-07 2022-07-27 広告効果予測装置
US18/293,876 US20240346551A1 (en) 2021-09-07 2022-07-27 Advertisement effect prediction device

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2021145302 2021-09-07
JP2021-145302 2021-09-07

Publications (1)

Publication Number Publication Date
WO2023037781A1 true WO2023037781A1 (ja) 2023-03-16

Family

ID=85507457

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2022/028943 WO2023037781A1 (ja) 2021-09-07 2022-07-27 広告効果予測装置

Country Status (3)

Country Link
US (1) US20240346551A1 (ja)
JP (1) JP7523697B2 (ja)
WO (1) WO2023037781A1 (ja)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118688741B (zh) * 2024-04-18 2025-06-10 军工保密资格审查认证中心 基于子图融合的谐波雷达目标识别方法、设备、存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019149171A (ja) * 2019-03-19 2019-09-05 ヤフー株式会社 算出装置、算出方法および算出プログラム
CN111581510A (zh) * 2020-05-07 2020-08-25 腾讯科技（深圳）有限公司 分享内容处理方法、装置、计算机设备和存储介质
CN112101380A (zh) * 2020-08-28 2020-12-18 合肥工业大学 基于图文匹配的产品点击率预测方法和系统、存储介质

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11055735B2 (en) * 2016-09-07 2021-07-06 Adobe Inc. Creating meta-descriptors of marketing messages to facilitate in delivery performance analysis, delivery performance prediction and offer selection
US10397056B2 (en) * 2016-12-16 2019-08-27 Google Llc Optimized digital component analysis system
US11308276B2 (en) * 2019-07-01 2022-04-19 Adobe Inc. Generating message effectiveness predictions and insights
US20210406779A1 (en) * 2020-06-26 2021-12-30 Facebook, Inc. System and methods for feature engineering based on graph learning
CN112446739B (zh) * 2020-12-10 2023-04-18 中科人工智能创新技术研究院(青岛)有限公司 一种基于分解机和图神经网络的点击率预测方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019149171A (ja) * 2019-03-19 2019-09-05 ヤフー株式会社 算出装置、算出方法および算出プログラム
CN111581510A (zh) * 2020-05-07 2020-08-25 腾讯科技（深圳）有限公司 分享内容处理方法、装置、计算机设备和存储介质
CN112101380A (zh) * 2020-08-28 2020-12-18 合肥工业大学 基于图文匹配的产品点击率预测方法和系统、存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
ZEKUN LI; ZEYU CUI; SHU WU; XIAOYU ZHANG; LIANG WANG: "Fi-GNN: Modeling Feature Interactions via Graph Neural Networks for CTR Prediction", ARXIV.ORG, CORNELL UNIVERSITY LIBRARY, 201 OLIN LIBRARY CORNELL UNIVERSITY ITHACA, NY 14853, 24 July 2020 (2020-07-24), 201 Olin Library Cornell University Ithaca, NY 14853 , XP081704041, DOI: 10.1145/3357384.3357951 *

Also Published As

Publication number Publication date
US20240346551A1 (en) 2024-10-17
JP7523697B2 (ja) 2024-07-26
JPWO2023037781A1 (ja) 2023-03-16

Similar Documents

Publication Publication Date Title
TWI436223B (zh) 使用者產生內容項目與實體之匹配
US20140244641A1 (en) Holistic customer record linkage via profile fingerprints
JP6029192B2 (ja) 入力支援システム、入力支援方法および入力支援プログラム
CN113377473B (zh) 任务创建方法、装置、电子设备及计算机可读存储介质
WO2023037781A1 (ja) 広告効果予測装置
JP7541533B2 (ja) 対話支援装置
CN104657406A (zh) 用于社会协作环境中的条目的交互分割的方法和系统
CN105580041A (zh) 赞助内容项目内的预约调度器
CN112308490A (zh) 提供在线客服的方法、装置、电子设备以及存储介质
KR102372432B1 (ko) 클릭 및 노출 정보를 활용한 추천 콘텐츠 제공 방법, 장치 및 시스템
CN110941342A (zh) 一种数据处理方法、vr终端及服务器
Yang et al. Interrelationship between randomized F-policy and randomized N-policy queues
US20150081576A1 (en) Generating a supplemental description of an entity
WO2023037780A1 (ja) 広告効果予測装置
WO2023037782A1 (ja) 広告効果予測装置
CN110120918B (zh) 一种标识解析方法及装置
JP7572809B2 (ja) 情報提供装置
US20230214716A1 (en) Learning device
JP5861545B2 (ja) 情報処理装置、履歴制御方法および履歴制御プログラム
CN115018586A (zh) 跨平台商品推送方法、装置、设备及存储介质
White A new policy evaluation algorithm for Markov decision processes with quasi birth-death structure
WO2023037766A1 (ja) サービス需要ポテンシャル予測装置
JP7423405B2 (ja) 情報処理装置
WO2022163204A1 (ja) 情報処理装置
KR102774432B1 (ko) 키워드 별 검색 결과 및 키워드를 철자로 포함하는 검색 결과를 제공하는 전자 장치의 제어 방법

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 22867103

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 2023546825

Country of ref document: JP

WWE Wipo information: entry into national phase

Ref document number: 18293876

Country of ref document: US

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 22867103

Country of ref document: EP

Kind code of ref document: A1