JP6074524B1 - 学習装置、学習方法及び学習プログラム - Google Patents

Abstract

【課題】提供される情報コンテンツと提供先のユーザとのマッチングを適切に行うこと。【解決手段】本願に係る学習装置は、取得部と、生成部と、特定部とを有する。取得部は、情報コンテンツを受信する端末装置に関する情報である端末情報を取得する。生成部は、所定の情報コンテンツに関する所定の行動が実行されたか否かを示す結果情報と、取得部によって取得された端末情報との関係性を学習することにより、所定の情報コンテンツに関する所定の行動が実行される傾向を示すモデルを生成する。特定部は、生成部によって生成されたモデルに基づいて、所定の情報コンテンツを提供する提供先となる端末装置を特定する。【選択図】図１

Description

本発明は、学習装置、学習方法及び学習プログラムに関する。

近年、インターネットの飛躍的な普及に伴い、インターネットを介した情報提供が盛んに行われている。情報提供の一例として、インターネット広告の配信が挙げられる。例えば、スマートフォン（Smartphone）等の携帯端末において、アプリケーションプログラム（以下「アプリ」とも呼ぶ）やブラウザがコンテンツを表示する表示画面に、バナーなどの広告がコンテンツと共に表示される。ユーザがこのような広告をクリックした場合には、例えば、広告と対応付けられたアプリのダウンロードサイトが表示される。

ユーザは、上記のような広告を介して、アプリを携帯端末にインストールする場合がある。なお、アプリのインストールに関する技術として、インストールされた特定のアプリに関する情報のみをサーバに送信する技術が知られている（例えば、特許文献１）。また、ユーザによる選択操作がオフライン時に行われた場合には、その選択操作を記憶することで、オンライン状態になったときに所定の処理を実行させる技術が知られている（例えば、特許文献２）。

特開２０１４−１６７６８８号公報 特開２０１３−２５７６８３号公報

しかしながら、上記の従来技術では、提供される情報コンテンツと提供先のユーザとのマッチングが適切に行われるとは限らない。広告（情報コンテンツの一例）の配信には費用がかかるため、広告主にとっては、広告の効果が発揮され易いユーザへ優先的に広告が配信されることが望ましい。しかし、上記の従来技術では、配信された広告の成果を測定できるものの、広告を介して新たにアプリをインストールし易いユーザなど、広告の効果が発揮される可能性の高いユーザを精度よく抽出することは難しい。

本願は、上記に鑑みてなされたものであって、提供される情報コンテンツと提供先のユーザとのマッチングを適切に行うことのできる学習装置、学習方法及び学習プログラムを提供することを目的とする。

本願に係る学習装置は、情報コンテンツを受信する端末装置に関する情報である端末情報を取得する取得部と、所定の情報コンテンツに関する所定の行動が実行されたか否かを示す結果情報と、前記取得部によって取得された端末情報との関係性を学習することにより、当該所定の情報コンテンツに関する所定の行動が実行される傾向を示すモデルを生成する生成部と、前記生成部によって生成されたモデルに基づいて、前記所定の情報コンテンツを提供する提供先となる端末装置を特定する特定部、を備えたことを特徴とする。

実施形態の一態様によれば、提供される情報コンテンツと提供先のユーザとのマッチングを適切に行うことができるという効果を奏する。

図１は、実施形態に係る学習処理の一例を示す図である。 図２は、実施形態に係る端末情報の一例を説明する図（１）である。 図３は、実施形態に係る端末情報の一例を説明する図（２）である。 図４は、実施形態に係る学習処理システムの構成例を示す図である。 図５は、実施形態に係る学習装置の構成例を示す図である。 図６は、実施形態に係る広告情報記憶部の一例を示す図である。 図７は、実施形態に係る属性テーブルの一例を示す図である。 図８は、実施形態に係る装置テーブルの一例を示す図である。 図９は、実施形態に係るアプリテーブルの一例を示す図である。 図１０は、実施形態に係る設定テーブルの一例を示す図（１）である。 図１１は、実施形態に係る設定テーブルの一例を示す図（２）である。 図１２は、実施形態に係る変数テーブルの一例を示す図である。 図１３は、実施形態に係るモデルテーブルの一例を示す図である。 図１４は、実施形態に係るユーザ端末の構成例を示す図である。 図１５は、実施形態に係る処理手順を示すフローチャート（１）である。 図１６は、実施形態に係る処理手順を示すフローチャート（２）である。 図１７は、学習装置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。

以下に、本願に係る学習装置、学習方法及び学習プログラムを実施するための形態（以下、「実施形態」と呼ぶ）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学習装置、学習方法及び学習プログラムが限定されるものではない。また、各実施形態は、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、以下の各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．学習処理の一例〕
まず、図１乃至図３を用いて、実施形態に係る学習処理の一例について説明する。図１は、実施形態に係る学習処理の一例を示す図である。図１では、本願に係る学習装置１００によって、所定の情報コンテンツに関する所定の行動を実行したか否かを示す結果情報と、所定の情報コンテンツの提供先となるユーザ端末１０_１が有する端末情報との関係性を学習する処理が行われる例を示している。なお、実施形態では、情報コンテンツとして、ウェブページに表示される広告であって、所定のアプリを宣伝対象とする広告を例に挙げて説明する。この場合、情報提供者とは、広告主である。また、実施形態では、所定の情報コンテンツに関する所定の行動として、所定の広告に対応するアプリを端末装置にインストールする行動を例に挙げて説明する。

図１に示す学習装置１００は、広告主から入稿される広告を保持するサーバ装置である。学習装置１００は、ユーザが操作する端末装置から広告配信の要求を受け付けた場合に、保持している広告の中から、端末装置に配信する広告を選択する。そして、学習装置１００は、選択した広告を端末装置に配信する。

図１に示すユーザ端末１０_１及び１０_２は、スマートフォン等の情報処理端末である。実施形態において、ユーザ端末１０_１は、ユーザＵ０１によって利用される。また、ユーザ端末１０_２は、ユーザＵ０２によって利用される。ユーザ端末１０_１及び１０_２は、取得したコンテンツ（例えば、ウェブページ）に広告表示領域が存在する場合には、広告表示領域で表示する広告を配信するよう、学習装置１００に要求する。そして、ユーザ端末１０_１及び１０_２は、取得した広告を広告表示領域に表示する。なお、以下では、ユーザ端末１０_１及び１０_２を区別する必要のないときは、「ユーザ端末１０」と表記する。

図１に示す広告主端末２０は、広告主によって利用される端末装置である。例えば、広告主端末２０は、広告主による操作に従って、広告を学習装置１００に入稿する。実施形態において、広告主が入稿する広告には、アプリが宣伝対象として対応付けられている。例えば、ユーザ端末１０に表示された広告をユーザがクリックした場合には、ユーザ端末１０は、広告に対応付けられているアプリをインストールする。もしくは、ユーザ端末１０は、広告に対応付けられているアプリのダウンロードページ等に画面表示を遷移する。

図１において、学習装置１００は、ユーザ端末１０から広告配信の要求を受け付けた場合、ユーザ端末１０に配信すべき適切な広告、すなわち、広告効果が高くなると想定される広告を判定する。例えば、学習装置１００は、アプリが対応付けられた広告が配信される場合に、配信先であるユーザ端末１０において、広告に対応付けられたアプリがユーザ端末１０にインストールされる可能性が高いか否かを判定する。学習装置１００は、上記の判定処理のため、アプリがユーザ端末１０にインストールされる可能性を評価するモデルを生成する。そして、学習装置１００は、生成したモデルを用いて、広告の配信先となるユーザ端末１０を特定する。例えば、学習装置１００は、モデルに基づいて、ユーザ端末１０に広告が配信された場合にアプリがインストールされる確率などの指標値を算出することによって、配信先のユーザ端末１０を特定する。以下、図１を用いて、学習装置１００によって行われる学習処理の一例を流れに沿って説明する。

まず、学習装置１００は、広告主端末２０を介して、広告主からアプリに関する広告の入稿を受け付ける（ステップＳ１１）。学習装置１００は、受け付けた広告を広告情報記憶部１２１に記憶する。また、学習装置１００は、広告に対応付けられたアプリを特定する。そして、学習装置１００は、当該アプリを処理対象として、モデルの生成処理を行う。すなわち、学習装置１００は、アプリごとにモデルを生成する。これは、アプリと広告とが１対１で対応付けられている場合、広告ごとにモデルが生成される、と言い換えることもできる。なお、学習装置１００は、モデルの生成に要する情報を蓄積するまでは、モデルを用いずに、広告主から入稿された広告をユーザ端末１０に配信する（ステップＳ１２）。図１の例では、モデルが用いられずに広告が配信されたユーザ端末１０を、ユーザ端末１０_１と表記することとする。

続いて、学習装置１００は、処理対象であるアプリが対応付けられた広告が配信されたユーザ端末１０_１から、ユーザ端末１０_１に関する情報である端末情報を取得する（ステップＳ１３）。なお、図１では図示を省略しているが、広告が配信されたユーザ端末１０_１は、学習処理を行うのに充分な相当数が存在するものとする。また、端末情報の詳細については後述するが、端末情報は、ユーザ端末１０_１を利用する各ユーザの素性を示す特徴情報を含む。このため、学習装置１００は、端末情報を取得することで、ユーザ端末１０_１がどのような特徴を有するユーザＵ０１によって利用されているかという傾向を捉えることができる。学習装置１００は、取得した端末情報を端末情報記憶部１２２に記憶する。

また、学習装置１００は、処理対象であるアプリに対応付けられた広告が配信されたユーザ端末１０_１において、実際にアプリがインストールされたか否かといった結果情報を取得する。すなわち、学習装置１００は、広告が配信されたユーザ端末１０_１ごとに、アプリがインストールされたか否かといった結果情報を取得するとともに、ユーザ端末１０_１から端末情報を取得する。

そして、学習装置１００は、処理対象とされたアプリをインストールしたか否かを示す結果情報と、広告が配信されたユーザ端末１０_１から取得した端末情報との関係性を学習することにより、処理対象とされたアプリをインストールする傾向を示すモデルを生成する。言い換えれば、学習装置１００は、アプリをインストールする傾向にあるユーザＵ０１に関する機械学習を行う（ステップＳ１４）。より具体的には、学習装置１００は、処理対象とされたアプリをインストールしたか否かを示す結果情報を目的変数とし、端末情報から抽出される情報であって、ユーザの特徴を示すと想定される特徴情報を説明変数としたモデルを生成する。学習装置１００は、生成したモデルを学習モデル記憶部１２６に格納する。

学習装置１００は、機械学習の結果に基づき生成されたモデルを用いて、アプリに関する広告をユーザ端末１０_２に配信する（ステップＳ１５）。生成されたモデルを用いることで、学習装置１００は、処理対象とされたアプリをインストールする傾向にあるユーザを精度よく特定することができる。例えば、学習装置１００は、広告の配信の要求をユーザ端末１０_２から受け付けた場合、ユーザ端末１０_２の端末情報を取得する。そして、学習装置１００は、広告の配信先の候補であるユーザ端末１０_２から取得された端末情報をモデルに入力する。学習装置１００は、モデルから出力される情報に基づいて、ユーザ端末１０_２がアプリをインストールする可能性の高いユーザＵ０２によって利用されているか否かを判定する。学習装置１００は、ユーザ端末１０_２がアプリをインストールする可能性の高いユーザＵ０２によって利用されていると判定した場合には、広告の配信先としてユーザ端末１０_２を特定する。そして、学習装置１００は、当該アプリが対応付けられている広告をユーザ端末１０_２に配信する。

このように、学習装置１００は、広告を受信するユーザ端末１０に関する情報である端末情報を取得する。また、学習装置１００は、広告に対応付けられているアプリがインストールされたか否かを示す結果情報と、取得された端末情報との関係性を学習することにより、広告に対応付けられているアプリがインストールされる傾向を示すモデルを生成する。さらに、学習装置１００は、生成されたモデルに基づいて、広告を配信する配信先となるユーザ端末１０を特定する。

すなわち、学習装置１００は、端末情報に基づいて、広告に対応付けられたアプリをインストールするといったような、所定の行動を実行し易いユーザを判定するモデルを生成する。そして、学習装置１００は、モデルに基づいて広告の配信先を特定することにより、過去にアプリをインストールしたユーザと類似する傾向にあるユーザに広告を配信することができる。このため、学習装置１００は、モデルを用いずに広告を配信した場合と比較して、広告に対応付けられたアプリがインストールされる可能性を高めることができる。言い換えれば、学習装置１００は、配信する広告が発揮する広告効果を向上させることができる。このようにして、学習装置１００は、配信される広告と配信先のユーザとのマッチングを適切に行う。

ところで、図１では、学習装置１００が、広告が配信されたユーザ端末１０_１の端末情報を用いることでモデルを生成する例を示した。この場合、モデルの精度を上げるためには、学習装置１００は、ユーザＵ０１を的確に特徴付ける情報を端末情報から多く抽出することが望ましい。ここで、図２及び図３を用いて、学習装置１００が取得する端末情報の一例について説明する。

図２は、実施形態に係る端末情報の一例を説明する図（１）である。図２では、端末情報の一例として、ユーザ端末１０の装置自体が有する情報（以下、「装置情報」と表記する）について説明する。

学習装置１００は、例えば、ユーザ端末１０から広告配信の要求を受け付けた際に、ユーザ端末１０の端末情報を取得する。端末情報が含む装置情報は、例えば、ユーザ端末１０に設定されている型番４０である。学習装置１００は、例えば、ユーザ端末１０から送信される装置固有の識別情報を取得することによって、型番４０の情報を取得する。さらに、学習装置１００は、型番４０から抽出される特徴情報４２についても、装置情報の一例として取得する。例えば、学習装置１００は、ユーザ端末１０を製造したメーカーによってユーザ端末１０にブランド名が付されている場合には、型番４０に基づいて、ブランド名を特徴情報として抽出する。図２の例では、ユーザ端末１０には、ブランド名「ＡＡＡ」がメーカーによって付けられているものとする。なお、学習装置１００は、型番４０とブランド名「ＡＡＡ」との対応付けが記憶された所定のデータベースを参照することで、上記のような抽出処理を行うことができる。

また、学習装置１００は、型番４０に基づいて、例えば、ユーザ端末１０が発売後「３３６日」経過しているという特徴情報を抽出する。また、学習装置１００は、型番４０に基づいて、通信キャリアが「ＢＢＢ」社であるという特徴情報を抽出する。また、学習装置１００は、型番４０に基づいて、ユーザ端末１０の画面の解像度が「１２８０×７２０」であるという特徴情報を抽出する。

学習装置１００は、端末情報から抽出される型番４０や、特徴情報４２等を、ユーザ端末１０を特徴付ける要素とする。言い換えれば、学習装置１００は、端末情報に基づいて、ユーザ端末１０を利用するユーザの特徴を抽出する。これは、ユーザ端末１０の型番４０や、特徴情報４２が、ユーザを特徴付ける要素として機能することを示している。

例えば、ユーザ端末１０のブランド名「ＡＡＡ」は、世間一般に男性が好むブランドであり、洗練されたイメージを有するものとする。この場合、ブランド名「ＡＡＡ」が付与されたユーザ端末１０を利用しているユーザは、男性であり洗練されたイメージを好むような人物像が想定される。このように、学習装置１００は、ユーザ端末１０のブランド名を、ユーザＵ０１という人物を特徴付ける一要素として用いることができる。また、学習装置１００は、「発売から経過した日数」を、ユーザ端末１０を利用するユーザが比較的新しい物を好むタイプであるか否かという特徴付けの要素として扱う。また、学習装置１００は、「通信キャリア」を、ユーザ端末１０を利用するユーザが安定した通信回線を望むのか、あるいは、料金の安さを望むのか、などの特徴付けの要素として扱う。また、学習装置１００は、「解像度」を、ユーザが比較的大きな画面を好むか否かなどの特徴付けの要素として扱う。

そして、学習装置１００は、取得した装置情報をモデルにおける説明変数の１つとして用いることで、ユーザの特徴を反映したモデルを生成する。例えば、学習装置１００は、処理対象のアプリをユーザがインストールする傾向と、ユーザが利用しているユーザ端末１０のブランド名が「ＡＡＡ」であることが、所定の関係性を有する否かを学習する。同様に、学習装置１００は、処理対象のアプリをユーザがインストールする傾向と、ユーザ端末１０の発売後の日数や、通信キャリアや、解像度とが、どのような関係性を有するかを学習する。このように、学習装置１００は、ユーザ端末１０のユーザを特徴付ける要素の一例として、ユーザ端末１０の装置自体の情報を用いることができる。

また、学習装置１００は、端末情報として、さらに異なる情報を学習に用いることができる。この点について、図３を用いて説明する。図３は、実施形態に係る端末情報の一例を説明する図（２）である。図３では、端末情報の一例として、ユーザ端末１０にインストールされたアプリに関する情報（以下、「アプリ情報」と表記する）について説明する。図３には、ユーザ端末１０にインストールされた複数のアプリを示している。

図３に示す例では、ユーザ端末１０のユーザは、他のユーザとの通信を行う通信系アプリ５０や５２をユーザ端末１０にインストールしている。また、ユーザは、交通系アプリ５４、ファイナンスアプリ５６、ショッピングアプリ５８や６０、運動系アプリ６２や６４、賃貸検索アプリ６６、子育てアプリ６８、戦略系ゲームアプリ７０、声優系ゲームアプリ７２をインストールしている。

ここで、学習装置１００は、ユーザ端末１０にインストールされたアプリと、ユーザを特徴付ける要素である特徴情報との対応付けが記憶された所定のデータベースを参照する。例えば、所定のデータベースでは、通信系アプリ５０や５２と、「ライフスタイル」や「ＳＮＳ（Social Networking Service）」といった特徴情報が対応付けられているものとする。これは、通信系アプリ５０や５２といった、他のユーザとの通信を主な機能として有するタイプのアプリを利用するユーザは、「ライフスタイル」や「ＳＮＳ」といった要素に興味関心を抱く傾向にあるユーザであるとの推定による。同様に、交通系アプリ５４には、「乗換案内」といった特徴情報が対応付けられていたり、ファイナンスアプリ５６には、「株価・為替」といった特徴情報が対応付けられていたりする。

そして、学習装置１００は、ユーザ端末１０にインストールされたアプリに基づいて、ユーザを特徴付ける要素である特徴情報を抽出する。例えば、学習装置１００は、ユーザ端末１０に通信系アプリ５０や５２がインストールされているという端末情報を取得する。この場合、学習装置１００は、ユーザ端末１０を利用しているユーザは、「ライフスタイル」や「ＳＮＳ」に興味関心を抱いていると特徴付ける。

具体的には、学習装置１００は、ユーザ端末１０に通信系アプリ５０や５２がインストールされている場合、ユーザ端末１０を説明する説明変数として、「関心＿ライフスタイル」や「関心＿ＳＮＳ」といった変数をユーザ端末１０に付与する。また、学習装置１００は、交通系アプリ５４やファイナンスアプリ５６がインストールされている場合、「関心＿乗換案内」や「関心＿株価・為替」といった変数を、適宜ユーザ端末１０に付与する。

なお、学習装置１００は、ゲームに関するアプリがユーザ端末１０にインストールされている場合、ゲーム以外のアプリで用いられる変数とは異なる変数を付与するようにしてもよい。これは、ゲームに関するアプリの場合、ゲームのタイプごとにユーザの特徴付けを細分化することによって、よりユーザの特徴を明確に示す要素となりうるからである。

例えば、学習装置１００は、ユーザ端末１０にゲームアプリがインストールされている場合、ユーザ端末１０を説明する説明変数として、「ゲーム嗜好」という種別で分類される変数をユーザ端末１０に付与する。具体的には、学習装置１００は、ユーザ端末１０に戦略系ゲームアプリ７０がインストールされている場合、「ゲーム嗜好＿戦略」や「ゲーム嗜好＿シミュレーション」といった変数をユーザ端末１０に付与する。また、学習装置１００は、声優系ゲームアプリ７２がインストールされている場合、「ゲーム嗜好＿声優」や「ゲーム嗜好＿育成」といった変数をユーザ端末１０に付与する。ユーザ端末１０にインストールされたアプリから抽出される変数の集合である特徴情報８０は、ユーザ端末１０ごと（すなわち、ユーザごと）に生成される。

上記のように、学習装置１００は、取得したアプリ情報をモデルにおける説明変数の要素として用いることで、ユーザの特徴を反映したモデルを生成することができる。すなわち、学習装置１００は、処理対象のアプリをユーザがインストールする傾向にあるか否かが、ユーザが利用しているアプリとどのような関係性を有するかを学習する。例えば、学習装置１００は、処理対象のアプリをインストールしたユーザと、ユーザが利用している処理対象以外のアプリとの関係性を学習する。これにより、学習装置１００は、どのようなアプリを利用しているユーザが、処理対象のアプリを今後インストールする可能性が高いかといった可能性を評価可能なモデルを生成することができる。このように、学習装置１００は、ユーザ端末１０のユーザを特徴付ける要素の一例として、ユーザ端末１０にインストールされたアプリのアプリ情報を用いる。なお、詳細は後述するが、学習装置１００は、ユーザ端末１０にインストールされているアプリの合計数や、ゲームアプリとゲーム以外のアプリの数等に関しても、アプリ情報として学習に用いることができる。

上述してきたように、学習装置１００は、ユーザ端末１０から取得可能な端末情報を用いることで、ユーザ端末１０に処理対象のアプリがインストールされる傾向を示すモデルを生成する。以下、このような処理を行う学習装置１００、及び、学習装置１００を含む学習処理システム１の構成等について、詳細に説明する。

〔２．学習処理システムの構成〕
図４を用いて、実施形態に係る学習装置１００が含まれる学習処理システム１の構成について説明する。図４は、実施形態に係る学習処理システム１の構成例を示す図である。図４に例示するように、実施形態に係る学習処理システム１には、ユーザ端末１０と、広告主端末２０と、ウェブサーバ３０と、学習装置１００とが含まれる。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。なお、図４に示した学習処理システム１には、複数台のユーザ端末１０や、複数台の広告主端末２０や、複数台のウェブサーバ３０が含まれてもよい。

ユーザ端末１０は、例えば、スマートフォンや、デスクトップ型ＰＣ（Personal Computer）や、ノート型ＰＣや、タブレット型端末や、携帯電話機、ＰＤＡ（Personal Digital Assistant）、ウェアラブルデバイス（Wearable Device）等の情報処理装置である。ユーザ端末１０は、ユーザによる操作に従って、ウェブサーバ３０にアクセスすることで、ウェブサーバ３０から提供されるウェブサイトからウェブページを取得する。そして、ユーザ端末１０は、取得したウェブページを表示装置（例えば、液晶ディスプレイ）に表示する。なお、本明細書中においては、ユーザとユーザ端末１０とを同一視する場合がある。例えば、「ユーザに情報コンテンツを提供する」とは、実際には、「ユーザが利用するユーザ端末１０に情報コンテンツを提供する」ことを意味する場合がある。

広告主端末２０は、学習装置１００に広告配信を依頼する広告主によって利用される情報処理装置である。広告主端末２０は、広告主による操作に従って、学習装置１００にアプリに関する広告を入稿する。

なお、広告主は、広告主端末２０を用いて、学習装置１００に広告を入稿せずに、かかる入稿等を代理店に依頼する場合もある。この場合、学習装置１００に広告を入稿等するのは代理店となる。以下では、「広告主」といった表記は、広告主だけでなく代理店を含む概念であり、「広告主端末」といった表記は、広告主端末だけでなく代理店によって利用される代理店装置を含む概念であるものとする。

ウェブサーバ３０は、ユーザ端末１０からアクセスされた場合に、各種ウェブページを提供するサーバ装置である。ウェブサーバ３０は、例えば、ニュースサイト、天気予報サイト、ショッピングサイト、ファイナンス（株価）サイト、路線検索サイト、地図提供サイト、旅行サイト、飲食店紹介サイト、ウェブブログなどに関する各種ウェブページを提供する。

上述のように、ウェブサーバ３０によって提供されるウェブページには、広告を表示するための表示領域である広告枠が含まれる。そして、広告枠を含むウェブページには、広告枠に表示する情報コンテンツを取得するための取得命令が含まれる。例えば、ウェブページを形成するＨＴＭＬ（HyperText Markup Language）ファイル等には、学習装置１００のＵＲＬ等が取得命令として記述される。ウェブページを取得したユーザ端末１０は、ＨＴＭＬファイル等に記述されているＵＲＬにアクセスすることで、学習装置１００から広告の配信を受ける。

学習装置１００は、広告主端末２０から受け付けた広告について、配信先となるユーザ端末１０を適切に特定するサーバ装置である。上述のように、学習装置１００は、ユーザ端末１０にアプリがインストールされたか否かを示す結果情報と、当該ユーザ端末１０の端末情報とに基づいて、モデルを生成する。そして、学習装置１００は、生成したモデルを用いて、配信先となるユーザ端末１０を特定する。

なお、上述のように、学習装置１００は、広告の配信にあたって、ユーザ端末１０を識別したり、ユーザ端末１０の端末情報を取得したりする。例えば、ユーザ端末１０の端末情報の取得は、ユーザ端末１０のウェブブラウザやブラウザアプリと、学習装置１００との間でやり取りされるクッキーに情報を含めることによって行うことができる。ただし、端末情報を取得する手法は上記に限られない。例えば、ユーザ端末１０に専用のプログラムを設定し、かかる専用プログラムから端末情報を学習装置１００に送信させてもよい。また、学習装置１００は、ユーザ端末１０からアクセスを受けたウェブサーバ３０から、ユーザ端末１０の端末情報を取得してもよい。

〔３．学習装置の構成〕
次に、図５を用いて、実施形態に係る学習装置１００の構成について説明する。図５は、実施形態に係る学習装置１００の構成例を示す図である。図５に示すように、学習装置１００は、通信部１１０と、記憶部１２０と、制御部１３０とを有する。なお、学習装置１００は、学習装置１００を利用する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、各種情報を表示するための表示部（例えば、液晶ディスプレイ等）を有してもよい。

（通信部１１０について）
通信部１１０は、例えば、ＮＩＣ（Network Interface Card）等によって実現される。かかる通信部１１０は、ネットワークＮと有線又は無線で接続され、ネットワークＮを介して、ユーザ端末１０や、広告主端末２０や、ウェブサーバ３０との間で情報の送受信を行う。

（記憶部１２０について）
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、広告情報記憶部１２１と、端末情報記憶部１２２と、学習モデル記憶部１２６とを有する。

（広告情報記憶部１２１について）
広告情報記憶部１２１は、広告主端末２０から入稿される広告に関する情報を記憶する。ここで、図６に、実施形態に係る広告情報記憶部１２１の一例を示す。図６は、実施形態に係る広告情報記憶部１２１の一例を示す図である。図６に示した例では、広告情報記憶部１２１は、「広告主ＩＤ」、「広告ＩＤ」、「対応アプリＩＤ」といった項目を有する。

「広告主ＩＤ」は、広告主又は広告主端末２０を識別するための識別情報を示す。「広告ＩＤ」は、広告主から入稿された広告を識別するための識別情報を示す。「対応アプリＩＤ」は、広告に対応付けられたアプリを識別するための識別情報を示す。

なお、本明細書中では、図６に示したような識別情報を参照符号として用いる場合がある。例えば、広告主ＩＤ「Ｂ１０」によって識別される広告主を「広告主Ｂ１０」と、広告ＩＤ「Ｃ１０」によって識別される広告を「広告Ｃ１０」と、（対応）アプリＩＤ「Ａ１０」によって識別されるアプリを「アプリＡ１０」と、表記する場合がある。

すなわち、図６に示したデータの一例は、広告主ＩＤ「Ｂ１０」によって識別される広告主Ｂ１０が、広告ＩＤ「Ｃ１０」や「Ｃ１１」によって識別される広告を入稿していることを示す。また、広告Ｃ１０に対応付けられているアプリは、対応アプリＩＤ「Ａ１０」によって識別されるアプリＡ１０であることを示す。

なお、アプリは、広告と１対１で対応付けられるのではなく、複数の広告と対応付けられてもよい。例えば、図６に示すように、アプリＡ２０は、広告Ｃ２０と広告Ｃ２１とに対応付けられている。これは、広告Ｃ２０と広告Ｃ２１とが、広告の画像データ等の内容は異なるものの、同一のアプリＡ２０を宣伝対象としていることを示している。

なお、実際にユーザ端末１０に配信される広告のコンテンツデータ（テキストデータや、動画コンテンツや静止画コンテンツ）は、学習装置１００とは別に備えられた所定のストレージサーバに記憶されてもよい。この場合、学習装置１００は、広告情報記憶部１２１に記憶された広告ＩＤに基づいて、外部のストレージサーバに記憶された広告を特定する。そして、学習装置１００は、ストレージサーバに対して、特定された広告をユーザ端末１０に対して配信するよう制御する。

また、広告情報記憶部１２１には、広告に関する他の情報が記憶されてもよい。例えば、広告情報記憶部１２１には、広告毎に指定される配信先の条件や、広告毎に指定される配信数（指定インプレッション数）などが記憶されてもよい。また、広告情報記憶部１２１には、広告効果を示す指標値が記憶されてもよい。例えば、広告情報記憶部１２１には、広告毎に、ＣＰＩ（Cost Per Install）や、ＣＴＲ（Click Through Rate）等の指標値が記憶されてもよい。

（端末情報記憶部１２２について）
端末情報記憶部１２２は、広告の配信対象であるユーザ端末１０に関する情報を記憶する。図５に示すように、端末情報記憶部１２２は、端末情報を記憶するデータテーブルとして、属性テーブル１２３と、装置テーブル１２４と、アプリテーブル１２５とを含む。

（属性テーブル１２３について）
ここで、図７に、実施形態に係る属性テーブル１２３の一例を示す。図７は、実施形態に係る属性テーブル１２３の一例を示す図である。属性テーブル１２３は、主として、ユーザ端末１０を利用するユーザの属性に関する情報を記憶する。図７に示した例では、属性テーブル１２３は、「端末ＩＤ」、「性別」、「年齢」、「地域」といった項目を有する。

「端末ＩＤ」は、ユーザ端末１０を識別する識別情報である。「性別」は、ユーザ端末１０を利用するユーザの性別を示す。「年齢」は、ユーザ端末１０を利用するユーザの年齢を示す。「地域」は、ユーザ端末１０を利用するユーザの居住地を示す。なお、「地域」には、具体的な住所ではなく、ユーザの居住地に対応する一定の範囲を示す地域名（関東地方など）や、国名などが記憶されてもよい。

すなわち、図７に示したデータの一例は、端末ＩＤ「Ｆ１１」によって識別されるユーザ端末１０のユーザの性別が「男性」であり、年齢が「３０歳代」であり、居住する地域が「Ａ県」であることを示す。

なお、属性テーブル１２３に記憶される属性情報は、必ずしも正確な情報でなくともよい。例えば、学習装置１００は、装置情報から推定される「推定性別」や「推定年齢」等を属性テーブル１２３に記憶してもよい。また、属性テーブル１２３には、「地域」に加え、その地域の都会度を示す「都会度ランク」等の情報が記憶されてもよい。

（装置テーブル１２４について）
続いて、図８に、実施形態に係る装置テーブル１２４の一例を示す。図８は、実施形態に係る装置テーブル１２４の一例を示す図である。装置テーブル１２４は、主として、ユーザ端末１０という装置自体の情報を示した装置情報を記憶する。図８に示した例では、装置テーブル１２４は、「端末ＩＤ」、「型番」、「ブランド名」、「発売後経過日数」、「通信キャリア」、「メーカー名」、「解像度」といった項目を有する。

「端末ＩＤ」は、図７に示した同様の項目と対応する。「型番」は、ユーザ端末１０の型番を示す。「ブランド名」は、ユーザ端末１０に付与されたブランド名を示す。「発売後経過日数」は、ユーザ端末１０が発売されてから経過した日数を示す。「通信キャリア」は、ユーザ端末１０の通信回線を提供している通信キャリアの社名を示す。「解像度」は、ユーザ端末１０の画面の解像度を示す。

すなわち、図８に示したデータの一例では、端末ＩＤ「Ｆ１１」によって識別されるユーザ端末１０は、型番が「ＸＸ−ＹＹ０１」であり、ブランド名が「ＡＡＡ」であることを示す。また、端末ＩＤ「Ｆ１１」によって識別されるユーザ端末１０は、発売後に「３３６日」が経過しており、通信キャリアは「ＢＢＢ社」であり、製造したメーカーは「ＣＣＣ社」であり、解像度は「１２８０×７２０」であることを示す。

（アプリテーブル１２５について）
続いて、図９に、実施形態に係るアプリテーブル１２５の一例を示す。図９は、実施形態に係るアプリテーブル１２５の一例を示す図である。アプリテーブル１２５は、主として、ユーザ端末１０にインストールされたアプリに関する情報を記憶する。図９に示した例では、アプリテーブル１２５は、「端末ＩＤ」、「インストールアプリ数」、「非ゲームアプリ数」、「ゲームアプリ数」、「新作アプリ数」、「旧作アプリ数」、「インストール済アプリＩＤ」といった項目を有する。

「端末ＩＤ」は、図７に示した同様の項目と対応する。「インストールアプリ数」は、ユーザ端末１０にインストールされているアプリの合計数を示す。「非ゲームアプリ数」は、インストールされているアプリのうち、ゲームアプリ以外のアプリの数を示す。「ゲームアプリ数」は、インストールされているアプリのうち、ゲームアプリの数を示す。「新作アプリ数」は、インストールされているアプリのうち、比較的最近（例えば、１年以内など）提供が開始されたアプリの数を示す。「旧作アプリ数」は、インストールされているアプリのうち、新作アプリ以外のアプリの数を示す。「インストール済アプリＩＤ」は、ユーザ端末１０にインストールされている各アプリの識別情報を示す。

すなわち、図９に示したデータの一例では、端末ＩＤ「Ｆ１１」によって識別されるユーザ端末１０には、「３５」個のアプリがインストールされていることを示す。また、端末ＩＤ「Ｆ１１」によって識別されるユーザ端末１０にインストールされたアプリのうち、非ゲームアプリ数は「２２」で、ゲームアプリ数は「１３」であることを示す。さらに、端末ＩＤ「Ｆ１１」によって識別されるユーザ端末１０にインストールされたアプリのうち、新作アプリ数は「１５」で、旧作アプリ数は「２０」であることを示す。また、端末ＩＤ「Ｆ１１」によって識別されるユーザ端末１０にインストールされたアプリは、「Ａ１０１」や、「Ａ１０３」や、「Ａ１０７」や、「Ａ１０８」や、「Ａ１２２」等の識別情報で識別されるアプリであることを示す。

（学習モデル記憶部１２６について）
学習モデル記憶部１２６は、学習装置１００の学習処理に関する情報を記憶する。図５に示すように、学習モデル記憶部１２６は、学習処理に関する情報を記憶するデータテーブルとして、設定テーブル１２７と、変数テーブル１２８と、モデルテーブル１２９とを含む。

（設定テーブル１２７について）
設定テーブル１２７は、主として、端末情報と、端末情報から抽出される変数との設定に関する情報を記憶する。設定テーブル１２７は、記憶された情報の種別ごとに、さらに複数のテーブルを含む。なお、設定テーブル１２７に記憶される設定内容は、例えば、学習装置１００の管理者によって入力されたり、後述するように、アプリを紹介するサイト等から抽出される情報に基づいて自動的に設定が行われたりする。

ここで、図１０に、実施形態に係る設定テーブル１２７の一例を示す。図１０は、実施形態に係る設定テーブル１２７の一例を示す図（１）である。図１０では、設定テーブル１２７の一例として、学習に用いる変数の識別情報と、変数の種別や内容との対応付けが設定された変数設定テーブル１２７Ａを示す。図１０に示した例では、変数設定テーブル１２７Ａは、「変数ＩＤ」、「種別」、「変数名」といった項目を有する。

「変数ＩＤ」は、変数を識別する識別情報を示す。「種別」は、変数ＩＤに対応する種別を示す。種別は、変数を分類するために用いられる。「変数名」は、種別を細分化した変数ごとの名称を示す。

すなわち、図１０に示したデータの一例では、変数ＩＤ「Ｅ２６」によって識別される変数は、「興味関心」という種別に関する変数であり、特に「ネットショッピング」への関心を示す変数であることを示す。また、変数ＩＤ「Ｅ５８」によって識別される変数は、「ゲーム嗜好」という種別に関する変数であり、特に「シューティング」への関心を示す変数であることを示す。

次に、図１１に、実施形態に係る設定テーブル１２７の他の例を示す。図１１は、実施形態に係る設定テーブル１２７の一例を示す図（２）である。図１１では、設定テーブル１２７の一例として、アプリに対応付けられる変数が設定されたアプリ設定テーブル１２７Ｂを示す。図１１に示した例では、アプリ設定テーブル１２７Ｂは、「アプリＩＤ」、「タイプ」、「要素」、「変数名」といった項目を有する。

「アプリＩＤ」は、アプリを識別する識別情報を示す。「タイプ」は、アプリのタイプを示す。「要素」は、アプリが有する要素を示す。「変数名」は、アプリのタイプや要素に基づいて設定される変数を示す。

すなわち、図１１に示したデータの一例では、アプリＩＤ「Ａ５１」によって識別されるアプリＡ５１は、「通信系」というタイプに属するアプリであり、「コミュニケーション」や、「連絡」や、「チャット」や、「ＳＮＳ」といったキーワードによって示される要素を有するアプリであることを示す。このため、アプリＡ５１には、「関心＿ライフスタイル」や、「関心＿ＳＮＳ」や、「関心＿出会い」といった名称で識別される変数が設定されていることを示す。

（変数テーブル１２８について）
次に、図１２に、実施形態に係る変数テーブル１２８の一例を示す。図１２は、実施形態に係る変数テーブル１２８の一例を示す図である。図１２に示すように、変数テーブル１２８は、「処理対象アプリＩＤ」、「端末ＩＤ」、「対象アプリインストール（目的変数）」、「特徴情報データ（説明変数）」といった項目を有する。

「処理対象アプリＩＤ」は、モデルが生成される対象となるアプリを識別する識別情報を示す。「端末ＩＤ」は、ユーザ端末１０を識別する識別情報を示す。

「対象アプリインストール（目的変数）」は、学習装置１００が生成するモデルにおける目的変数となる情報である。具体的には、「対象アプリインストール（目的変数）」とは、処理対象とされるアプリが、ユーザ端末１０にインストールされたか否かを示す情報である。図１２の例では、「対象アプリインストール（目的変数）」の項目が「１」であれば、処理対象アプリがユーザ端末１０にインストールされていることを示す。一方、「対象アプリインストール（目的変数）」の項目が「０」であれば、処理対象アプリがユーザ端末１０にインストールされていないことを示す。

「特徴情報データ（説明変数）」は、学習装置１００が生成するモデルにおける説明変数となる情報である。図１２の例では、「Ｇ１１」といったように概念的に表記しているが、実際には、「特徴情報データ（説明変数）」は、ユーザ端末１０が有する複数の説明変数が羅列されたデータである。すなわち、特徴情報データは、ユーザ端末１０の端末情報から抽出された特徴情報の集合体であり、ユーザ端末１０（言い換えれば、ユーザ端末１０を利用するユーザ）の特徴を示すデータである。

すなわち、図１２に示したデータの一例では、処理対象アプリＩＤ「Ａ１００」によって識別されるアプリＡ１００は、端末ＩＤ「Ｆ１１」によって識別されるユーザ端末１０と、端末ＩＤ「Ｆ１３」によって識別されるユーザ端末１０にインストールされたことを示す。一方、アプリＡ１００は、端末ＩＤ「Ｆ１２」によって識別されるユーザ端末１０にはインストールされなかったことを示す。また、端末ＩＤ「Ｆ１１」によって識別されるユーザ端末１０の特徴情報データは「Ｇ１１」であり、端末ＩＤ「Ｆ１２」によって識別されるユーザ端末１０の特徴情報データは「Ｇ１２」であり、端末ＩＤ「Ｆ１３」によって識別されるユーザ端末１０の特徴情報データは「Ｇ１３」であることを示す。

（モデルテーブル１２９について）
次に、図１３に、実施形態に係るモデルテーブル１２９の一例を示す。図１３は、実施形態に係るモデルテーブル１２９の一例を示す図である。図１３に示すように、モデルテーブル１２９は、「モデルＩＤ」、「対応アプリＩＤ」といった項目を有する。

「モデルＩＤ」は、モデルを識別する識別情報を示す。「対応アプリＩＤ」は、モデルに対応するアプリを識別する識別情報を示す。

すなわち、図１３に示したデータの一例では、モデルＩＤ「Ｍ１００」によって識別されるモデルＭ１００は、アプリＩＤ「Ａ１００」に対応したモデルであることを示す。

（制御部１３０について）
制御部１３０は、例えば、ＣＰＵ（Central Processing Unit）やＭＰＵ（Micro Processing Unit）等によって、学習装置１００内部の記憶装置に記憶されている各種プログラム（学習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、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。

図５に示すように、制御部１３０は、入稿受付部１３１と、取得部１３２と、学習部１３３と、抽出部１３４と、生成部１３５と、受信部１３６と、特定部１３７と、配信部１３８とを有し、以下に説明する情報処理の機能や作用を実現または実行する。なお、制御部１３０の内部構成は、図５に示した構成に限られず、後述する情報処理を行う構成であれば他の構成であってもよい。また、制御部１３０が有する各処理部の接続関係は、図５に示した接続関係に限られず、他の接続関係であってもよい。

（入稿受付部１３１について）
入稿受付部１３１は、広告主端末２０から広告の入稿を受け付ける。そして、入稿受付部１３１は、入稿元の広告主を識別する広告主ＩＤと、広告を識別する広告ＩＤと、広告に対応するアプリを識別する対応アプリＩＤとを対応付けて、広告情報記憶部１２１に記憶する。

なお、入稿受付部１３１は、広告毎に指定される配信数や、配信先のユーザに関する条件等を広告主から受け付けてもよい。また、入稿受付部１３１は、広告（すなわち、アプリ）に対応するモデルを用いずに広告が配信される場合のために、例えば、広告の配信先となるユーザの属性の指定などのターゲティング要素を受け付けてもよい。

（取得部１３２について）
取得部１３２は、各種情報を取得する。例えば、取得部１３２は、広告を受信するユーザ端末１０に関する情報である端末情報を取得する。具体的には、取得部１３２は、端末情報として、ユーザ端末１０を利用するユーザの属性情報を取得する。また、取得部１３２は、端末情報として、ユーザ端末１０の装置自体の情報である装置情報を取得する。また、取得部１３２は、端末情報として、ユーザ端末１０にインストールされているアプリに関する情報であるアプリ情報を取得する。

また、取得部１３２は、端末情報として、受信した広告に関する情報であって、広告に対するユーザの行動に関する情報を取得してもよい。例えば、取得部１３２は、ユーザが広告を選択（例えば、クリック）した際に、広告が表示されていたウェブページや、広告枠の場所に関する情報を取得する。また、取得部１３２は、ユーザが最後に任意の広告を選択し、その後どのくらいの時間が経過しているかといった時間情報を取得してもよい。また、取得部１３２は、ユーザが一日のうちのどの時間帯で広告を選択することが多いかといった広告への接触時間帯といった情報を取得してもよい。このように取得部１３２によって取得された情報は、後述する学習部１３３によって、ユーザ端末１０の説明変数として用いられる場合がある。

また、取得部１３２は、広告を受信したユーザ端末１０が、広告に関する所定の行動を実行したか否かを示す結果情報を取得してもよい。具体的には、取得部１３２は、ユーザ端末１０が、後述する学習部１３３によって学習処理の対象となるアプリをインストールしたか否かを示す結果情報を取得する。

なお、取得部１３２は、端末情報や結果情報をどのようなタイミングで取得してもよい。例えば、取得部１３２は、ユーザ端末１０から広告配信の要求を受け付けた際に端末情報等を取得してもよい。また、広告に対応付けられたアプリがユーザ端末１０にインストールされた際に、ユーザ端末１０側から所定の通信を学習装置１００側に送るようなプログラムがされている場合には、取得部１３２は、かかる通信を受け付ける際に端末情報等を取得する。あるいは、取得部１３２は、端末情報等をユーザ端末１０から取得するのではなく、外部サーバから任意のタイミングでユーザ端末１０の端末情報等を取得してもよい。

そして、取得部１３２は、取得した情報を所定の記憶部に格納する。例えば、取得部１３２は、端末情報を取得した場合には、取得した情報を端末情報記憶部１２２に記憶する。あるいは、取得部１３２は、取得した情報を学習部１３３等の処理部に送ってもよい。

なお、取得部１３２は、広告がクリックされたか否か、広告に対応するアプリがインストールされたか否か等、広告に関する情報を取得する手法については、既知の種々の手法により実現してもよい。例えば、取得部１３２は、ウェブビーコン（web beacon）等によって実現される通知機能を利用して、広告に関する情報を取得してもよい。

（学習部１３３について）
学習部１３３は、所定の情報コンテンツに関する所定の行動を実行したか否かを示す結果情報と、端末情報との関係性を学習する。そして、学習部１３３は、学習した結果に基づいて、所定の情報コンテンツに関する所定の行動を実行する傾向を示すモデルを生成する。また、学習部１３３は、モデルを生成した後にも端末情報を取得し、モデルの学習を継続することで、モデルを最適化する。学習部１３３は、抽出部１３４と、生成部１３５とを有し、上記の処理を実現する。

（抽出部１３４について）
抽出部１３４は、取得部１３２によって取得された端末情報から、ユーザ端末１０を特徴付ける特徴情報を抽出する。例えば、抽出部１３４は、装置情報に基づいて、ユーザ端末１０のブランド名や、発売後経過日数等の情報を抽出する。

また、抽出部１３４は、アプリ情報に基づいて、ユーザ端末１０（すなわち、ユーザ端末１０のユーザ）を特徴付ける特徴情報を抽出する。例えば、抽出部１３４は、ユーザ端末１０にインストールされているアプリを特定する。そして、抽出部１３４は、アプリに設定されているアプリのタイプや要素を特定する。また、抽出部１３４は、アプリのタイプや要素に基づいて設定されている変数を特定する。すなわち、抽出部１３４は、端末情報から抽出される特徴情報として、後述するモデルで用いる変数を特定する。

抽出部１３４は、例えば、学習装置１００の管理者によって入力される設定に基づいて、端末情報から特徴情報を抽出する。図１１を例に挙げると、抽出部１３４は、アプリＡ５１に「関心＿ライフスタイル」や、「関心＿ＳＮＳ」や、「関心＿出会い」といった変数が対応付けられていることを特定する。そして、抽出部１３４は、処理対象となるユーザ端末１０にインストールされているアプリとして、アプリＡ５１を特定した場合には、ユーザ端末１０を特徴付ける情報として、上記の変数を抽出する。

なお、抽出部１３４は、学習装置１００の管理者によって入力される設定以外の情報を用いて、特徴情報の抽出を行ってもよい。例えば、アプリのダウンロードサイト等では、アプリごとに、アプリに関する紹介文であるテキストデータが対応付けられている場合がある。この場合、抽出部１３４は、テキストデータを解析することにより、アプリのタイプや要素となるキーワードを抽出する。例えば、抽出部１３４は、アプリＡ５１に対応付けられているテキストデータ内を形態素解析することで、「コミュニケーション」や「連絡」等の名詞を抽出したとする。この場合、抽出部１３４は、抽出した名詞をキーワードとして、アプリＡ５１の要素として設定する。さらに、抽出部１３４は、要素として設定した単語に紐づけられた変数を、アプリＡ５１に対応する変数として設定する。これにより、抽出部１３４は、学習装置１００の管理者等、人為的な処理を介することなく、アプリに変数（特徴情報）を対応付けることができる。

（生成部１３５について）
生成部１３５は、所定の情報コンテンツに関する所定の行動が実行されたか否かを示す結果情報と、取得部１３２によって取得された端末情報との関係性を学習することにより、所定の情報コンテンツに関する所定の行動が実行される傾向を示すモデルを生成する。具体的には、生成部１３５は、所定のアプリをインストールしたか否かを示す結果情報と、端末情報との関係性を学習することにより、所定のアプリをインストールする傾向を示すモデルを生成する。

上述のように、生成部１３５は、アプリごと（アプリと広告が１対１に対応する場合には、「広告ごと」と言い換えることもできる）にモデルを生成する。すなわち、生成部１３５は、所定のアプリをインストールしたか否かを示す結果情報を、機械学習における目的変数とする。そして、生成部１３５は、所定のアプリに対応付けられた広告を受信したユーザ端末１０における特徴情報を、機械学習における説明変数とする。そして、生成部１３５は、目的変数と説明変数とを用いて、所定のアプリに関するモデルを生成する。これにより、生成部１３５は、所定のアプリをインストールする傾向にあるユーザ端末１０を精度よく特定することのできるモデルを生成する。

生成部１３５は、種々の説明変数を用いてモデルを生成する。例えば、生成部１３５は、ユーザ端末１０にインストールされたアプリから抽出されるユーザの特徴情報を説明変数として用いる。一例として、生成部１３５は、アプリ情報から抽出される特徴情報として、ユーザ端末１０にインストールされたアプリに設定されるタイプもしくは要素に基づき特定される情報であって、ユーザ端末１０のユーザの関心を示す情報である関心情報を用いて、モデルを生成する。また、生成部１３５は、アプリ情報から抽出される特徴情報として、ユーザ端末１０にインストールされたゲームアプリに設定されるタイプもしくは要素に基づき特定される情報であって、ユーザ端末１０のユーザのゲーム嗜好を示す情報である嗜好情報を用いて、モデルを生成してもよい。なお、上述のように、アプリのタイプもしくは要素は、抽出部１３４がダウンロードサイト等の紹介文を解析することにより、アプリごとに設定されてもよい。すなわち、生成部１３５は、アプリを提供する提供者側からアプリに対して設定されるアプリの紹介に基づいて、ユーザ端末１０にインストールされたアプリのタイプもしくは要素を設定することができる。

下記に、生成部１３５が生成するモデルの一例を説明する。なお、生成部１３５が生成するモデルに関する学習手法は、下記の例に限らず、種々の既知の機械学習の手法が採用されてもよい。

例えば、生成部１３５は、ユーザ端末１０において所定のアプリがインストールされたか否かと、ユーザ端末１０の端末情報との関係を示す式を生成する。さらに、生成部１３５は、ユーザ端末１０の端末情報から抽出される個々の特徴情報が、所定のアプリがインストールされるという事象に対して、どのような重みを有するかを算出する。これにより、生成部１３５は、所定のアプリのインストールという事象に対して、個々の特徴情報がどのくらい寄与するのかといった情報を得ることができる。例えば、生成部１３５は、図１２で示したアプリＡ１００がインストールされる傾向を示すモデルの生成にあたり、下記式（１）を作成する。

ｙ_{（Ａ１００）} ＝ ω_１・ｘ_１ ＋ ω_２・ｘ_２ ＋ ω_３・ｘ_３ ・・・＋ ω_Ｎ・ｘ_Ｎ ・・・（１）（Ｎは任意の数）

上記式（１）は、例えば、アプリＡ１００が対応付けられた広告が配信されたユーザ端末１０ごとに作成される。上記式（１）において、「ｙ_{（Ａ１００）}」は、「広告が配信されたユーザ端末１０において、アプリＡ１００がインストールされたか否か」という事象を示す。

また、上記式（１）において、「ｘ」は、ユーザ端末１０の各説明変数に対応する。また、上記式（１）における「ｘ_１、ｘ_２、ｘ_３、・・・、ｘ_Ｎ」という説明変数は、図１０に示した変数に対応する。具体的には、上記式（１）に「ｘ_２６」が含まれる場合、「ｘ_２６」は、図１０に示した変数ＩＤ「Ｅ２６」の変数に対応し、その内容は、「関心＿ネットショッピング」である。すなわち、上記式（１）の右辺は、図１２で示したような、ユーザ端末１０の端末情報から抽出された特徴情報データに対応する。

また、上記式（１）において、「ω」は、「ｘ」の係数であり、所定の重み値を示す。具体的には、「ω_１」は、「ｘ_１」の重み値であり、「ω_２」は、「ｘ_２」の重み値であり、「ω_３」は、「ｘ_３」の重み値である。このように、上記式（１）は、端末情報から抽出された特徴情報に対応する説明変数「ｘ」と、所定の重み値「ω」とを含む変数（例えば、「ω_１・ｘ_１」）を組合せることにより作成される。

図７及び図１１を参照し、具体例を挙げて説明する。なお、以下の説明では、便宜上、端末ＩＤをユーザの参照符号として用いる。例えば、端末ＩＤ「Ｆ１１」で識別されるユーザ端末１０のユーザを、「ユーザＦ１１」として表記する。また、上記式（１）において、仮に、「ｘ_１」が「性別」に対応し、「ｘ_２」が「年齢」に対応し、「ｘ_３」が「地域」に対応する説明変数であるとする。この場合、ユーザＦ１１に対応する上記式（１）は、以下の式（２）のように表すことができる。

ｙ_{（Ａ１００、Ｆ１１）}（＝ １） ＝ ω_１・（男性） ＋ ω_２・（３０歳代） ＋ ω_３・（Ａ県） ＋ ω_Ｎ・ｘ_Ｎ ・・・（２）

同様に、ユーザＦ１２や、ユーザＦ１３については、それぞれ下記式（３）、（４）のように表すことができる。

ｙ_{（Ａ１００、Ｆ１２）}（＝ ０） ＝ ω_１・（男性） ＋ ω_２・（４０歳代） ＋ ω_３・（Ｂ県） ＋ ω_Ｎ・ｘ_Ｎ ・・・（３）
ｙ_{（Ａ１００、Ｆ１３）}（＝ １） ＝ ω_１・（女性） ＋ ω_２・（２０歳代） ＋ ω_３・（Ｃ県） ＋ ω_Ｎ・ｘ_Ｎ ・・・（４）

生成部１３５は、上記式（２）、（３）及び（４）のように、ユーザごと（ユーザ端末１０ごと）に式を生成し、生成した式を機械学習のサンプルとする。そして、生成部１３５は、サンプルとなる式の演算処理を行うことにより、所定の重み値「ω」に対応する値を導出する。すなわち、生成部１３５は、上記式（２）、（３）及び（４）を満たすような所定の重み値「ω」を決定する。言い換えれば、生成部１３５は、所定の説明変数が目的変数「ｙ」に与える影響を示す重み値「ω」を決定することができる。例えば、アプリＡ１００をインストールするユーザの特徴を示す情報として、「性別」が他の変数と比較して大きく寄与しているのであれば、「性別」に対応する重み値「ω_１」の値は、他の変数と比較して大きな値が算出される。なお、上記の例では、説明変数が「性別」や「年齢」や「地域」など、ユーザの属性情報である例を示したが、実際には、上記式（２）等には、ユーザ端末１０の装置情報や、アプリ情報など、種々の説明変数が含まれる。すなわち、生成部１３５は、図７乃至図１２で例示したような、端末情報又は端末情報から抽出される種々の特徴情報を説明変数として、モデルを生成することができる。

上記のようにして、生成部１３５は、アプリＡ１００がインストールされる傾向という事象と、ユーザ端末１０から取得する端末情報とを関連付けるモデルを生成する。なお、上記式（２）、（３）及び（４）を用いた算出処理では、左辺を「１」や「０」そのものとするのではなく、所定の誤差を想定し、かかる誤差との差異を２乗した値が最小値となるよう近似する最小二乗法などの手法を用いて、「ω」の最適解を算出してもよい。

なお、生成部１３５は、生成したモデルに、ユーザ端末１０の端末情報から抽出された特徴情報を代入する場合には、「関心＿ネットショッピング」などの「有る」か「無し」かによって判定される変数については、「１」や「０」の数値を代入する。また、生成部１３５は、解像度などの変数に関しては、既知の手法に従い、説明変数として示される事象を、モデルで扱うことができるよう正規化するなど、様々な既知の手法を応用してもよい。

また、生成部１３５は、モデルを生成した後に、取得部１３２が新たな端末情報を取得した場合には、随時、モデルを更新してもよい。これにより、生成部１３５は、アプリをインストールする傾向にあるユーザ端末１０の特徴を示したモデルを最適化していくことができる。

（受信部１３６について）
受信部１３６は、広告の配信要求を受信する。具体的には、受信部１３６は、ウェブページを表示するユーザ端末１０から送信される要求であって、ウェブページに含まれる広告枠で表示する広告の配信に関する要求を受信する。

また、受信部１３６は、ユーザ端末１０から送信される情報提供の要求を受け付けるとともに、ユーザ端末１０から端末情報を受信してもよい。例えば、受信部１３６は、ユーザ端末１０の端末情報の一例として、ユーザ端末１０を識別する識別情報を受信する。この場合、受信部１３６は、受信した情報を取得部１３２や特定部１３７へ送る。

（特定部１３７について）
特定部１３７は、生成部１３５によって生成されたモデルに基づいて、所定の情報コンテンツを提供する提供先となるユーザ端末１０を特定する。具体的には、特定部１３７は、広告に対応付けられたアプリがインストールされる傾向を示すモデルが示した傾向（すなわち、出力される値）に基づいて、当該アプリが対応付けられた広告を配信する配信先となるユーザ端末１０を特定する。

例えば、特定部１３７は、受信部１３６によって広告配信の要求が受信された場合、要求を送信したユーザ端末１０の端末情報を取得する。そして、特定部１３７は、取得した端末情報を、生成部１３５が生成したモデルに入力する。そして、特定部１３７は、モデルから出力される結果に基づいて、モデルに対応する広告を配信するか否かを判定する。例えば、特定部１３７は、モデルから出力される結果に基づいて、ユーザがアプリをインストールする確率を算出する。そして、特定部１３７は、算出された確率が所定の値以上を示す場合に、当該モデルに対応する広告を配信すると判定し、配信先となるユーザ端末１０を特定する。

他の例としては、特定部１３７は、モデルから出力される値が所定の閾値を超えている場合に、モデルに対応するアプリが配信先のユーザ端末１０においてインストールされる可能性が高いと判定する。そして、特定部１３７は、当該アプリに対応する広告を配信する配信先を特定する。一方、特定部１３７は、モデルから出力される値が所定の閾値を超えていない場合は、モデルに対応するアプリが配信先のユーザ端末１０においてインストールされる可能性が低いと判定する。この場合、特定部１３７は、例えば、モデルから出力される値が所定の閾値を超えるまで、別のモデルに端末情報を入力することを繰り返してもよい。あるいは、特定部１３７は、モデルを用いずに広告を配信すると判定してもよい。なお、特定部１３７は、配信しようとする広告に対応するモデルが存在しない場合にも、モデルを用いずに広告を配信すると判定してもよい。上記の例の場合、モデルが出力する値とは、アプリをインストールする確率に限られず、任意の指標値であればよい。

また、特定部１３７は、モデルを生成した以後も、所定の場合には、広告を配信するユーザ端末１０を、モデルを用いずに特定してもよい。例えば、学習処理が過度に行われた場合、特定部１３７は、あるユーザ端末１０に対して、常に同じ広告を配信するよう判定する可能性がある。このような場合、広告配信において一定のランダム性を確保するため、特定部１３７は、モデルを用いずに特定処理を行ってもよい。

（配信部１３８について）
配信部１３８は、特定部１３７によって判定された結果に基づき、広告の配信先として判定されたユーザ端末１０に対して、広告を配信する。

なお、上述のように、実際にユーザ端末１０に配信される広告のデータ自体は、学習装置１００に係る広告情報記憶部１２１内に記憶されていなくてもよい。例えば、配信部１３８は、外部に備えられた所定のストレージサーバに制御命令を送信することで、広告をユーザ端末１０に配信させてもよい。

〔４．端末装置の構成〕
次に、図１４を用いて、実施形態に係るユーザ端末１０の構成について説明する。図１４は、実施形態に係るユーザ端末１０の構成例を示す図である。図１４に示すように、ユーザ端末１０は、通信部１１と、入力部１２と、表示部１３と、検知部１４と、記憶部１５と、制御部１６とを有する。なお、ユーザ端末１０が有する各処理部の接続関係は、図１４に示した接続関係に限られず、他の接続関係であってもよい。

通信部１１は、ネットワークＮと有線又は無線で接続され、ウェブサーバ３０や学習装置１００との間で情報の送受信を行う。例えば、通信部１１は、ＮＩＣ等によって実現される。

入力部１２は、ユーザから各種操作を受け付ける入力装置である。例えば、入力部１２は、ユーザ端末１０に備えられた操作キー等によって実現される。また、入力部１２には、画像を撮影するための撮像装置（カメラ等）や、音声を集音する集音機器（マイク等）が含まれてもよい。

表示部１３は、各種情報を表示するための表示装置である。例えば、表示部１３は、液晶ディスプレイ等によって実現される。なお、ユーザ端末１０にタッチパネルが採用される場合には、入力部１２の一部と表示部１３とは一体化される。

検知部１４は、ユーザ端末１０に対する各種操作や、ユーザ端末１０の周囲の環境情報等を検知する。例えば、検知部１４は、各種情報を検知するセンサやアンテナにより実現される。具体的には、検知部１４は、ユーザ端末１０と接続されている機器に関する通信状況や、ユーザ端末１０の周囲の照度や騒音、ユーザ端末１０の物理的な動き、ユーザ端末１０の位置情報等を検知する。

記憶部１５は、各種情報を記憶する。記憶部１５は、例えば、ＲＡＭ、フラッシュメモリ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。図１４に示す例では、記憶部１５は、インストール情報記憶部１５１を有する。インストール情報記憶部１５１は、例えば、ユーザ端末１０にインストールされたアプリの情報を記憶する。

制御部１６は、例えば、ＣＰＵやＭＰＵ等によって、ユーザ端末１０内部の記憶装置に記憶されている各種プログラムが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１６は、例えば、ＡＳＩＣやＦＰＧＡ等の集積回路により実現される。

制御部１６は、ユーザ端末１０において行われる各種処理を制御する。図１４に示すように、制御部１６は、受信部１６１と、取得部１６２と、実行部１６３と、送信部１６４とを有し、以下に説明する情報処理の機能や作用を実現または実行する。

受信部１６１は、各種情報を受信する。例えば、受信部１６１は、ウェブサーバ３０や学習装置１００から送信される情報を受信する。具体的には、受信部１６１は、広告配信の要求に応じて配信された広告を受信する。また、受信部１６１は、検知部１４が検知する各種情報を受信する。

取得部１６２は、各種情報やデータを取得する。例えば、取得部１６２は、ウェブサーバ３０にアクセスすることで、ユーザが閲覧を所望するウェブページを取得する。また、取得部１６２は、受信部１６１によって受信された広告データ等を取得する。また、取得部１６２は、アプリのダウンロードサイト等を介して、アプリのインストールに用いるデータを取得する。

実行部１６３は、ユーザ端末１０における各種処理を実行する。例えば、実行部１６３は、アプリをインストールする処理を実行する。実行部１６３がアプリをインストールした場合、インストールに関する情報は、インストール情報記憶部１５１に格納される。

送信部１６４は、各種情報を送信する。例えば、送信部１６４は、取得部１６２によって取得されたウェブページに広告枠が含まれる場合には、広告配信の要求を学習装置１００に送信する。また、送信部１６４は、記憶部１５等を参照し、ユーザ端末１０の端末情報を学習装置１００に送信する。

〔５．処理手順〕
次に、図１５及び図１６を用いて、実施形態に係る学習装置１００による処理の手順について説明する。まず、図１５を用いて、モデルの生成に関する処理手順を説明する。図１５は、実施形態に係る処理手順を示すフローチャート（１）である。

図１５に示すように、学習装置１００は、広告主端末２０から広告の入稿を受け付ける（ステップＳ１０１）。そして、学習装置１００は、入稿された広告に対応するアプリを特定する（ステップＳ１０２）。

その後、学習装置１００は、ユーザ端末１０から広告配信の要求を受け付けたか否かを判定する（ステップＳ１０３）。学習装置１００は、広告配信の要求を受け付けていない場合、受け付けるまで待機する（ステップＳ１０３；Ｎｏ）。

一方、広告配信の要求を受け付けた場合（ステップＳ１０３；Ｙｅｓ）、学習装置１００は、要求を送信したユーザ端末１０に対して広告を配信する（ステップＳ１０４）。その後、学習装置１００は、広告を配信したユーザ端末１０から、広告に対応したアプリをインストールしたか否かを示す結果情報と、端末情報とを取得する（ステップＳ１０５）。

そして、学習装置１００は、端末情報から特徴情報を抽出する（ステップＳ１０６）。続いて、学習装置１００は、処理対象となるアプリに対応するモデルが既に存在しているか否かを判定する（ステップＳ１０７）。モデルが存在する場合には（ステップＳ１０７；Ｙｅｓ）、学習装置１００は、取得した端末情報に基づいて、モデルの更新処理を行う（ステップＳ１０８）。

一方、モデルが存在しない場合には（ステップＳ１０７；Ｎｏ）、学習装置１００は、取得した結果情報と端末情報とに基づいて、新たにモデルの生成処理を行う（ステップＳ１０９）。その後、学習装置１００は、端末情報の取得処理を繰り返すことにより、モデルを最適化していく。なお、学習装置１００は、結果情報や端末情報を外部サーバ等から取得可能な場合には、ステップＳ１０１乃至Ｓ１０４の処理を省略してもよい。

次に、図１６を用いて、広告配信に関する処理手順を説明する。図１６は、実施形態に係る処理手順を示すフローチャート（２）である。

図１６に示すように、学習装置１００は、ユーザ端末１０から広告配信の要求を受け付けたか否かを判定する（ステップＳ２０１）。学習装置１００は、広告配信の要求を受け付けていない場合、受け付けるまで待機する（ステップＳ２０１；Ｎｏ）。

一方、広告配信の要求を受け付けた場合（ステップＳ２０１；Ｙｅｓ）、学習装置１００は、要求を送信したユーザ端末１０から端末情報を取得する（ステップＳ２０２）。そして、学習装置１００は、取得した端末情報を説明変数として、任意に選択したモデルに入力する（ステップＳ２０３）。

そして、学習装置１００は、出力された値が一定の閾値を超えたか否かを判定する（ステップＳ２０４）。所定の閾値を超えた場合（ステップＳ２０４；Ｙｅｓ）、学習装置１００は、モデルに対応する広告をユーザ端末１０に配信する（ステップＳ２０５）。

一方、出力された値が一定の閾値を超えない場合（ステップＳ２０４；Ｎｏ）、学習装置１００は、他のモデルが存在するか否かを判定する（ステップＳ２０６）。他のモデルが存在しない場合（ステップＳ２０６；Ｎｏ）、学習装置１００は、モデルを利用せずに広告を配信する（ステップＳ２０７）。

一方、他のモデルが存在する場合（ステップＳ２０６；Ｙｅｓ）、学習装置１００は、他のモデルを選択する（ステップＳ２０８）。そして、学習装置１００は、選択したモデルに端末情報を入力する処理を繰り返す（ステップＳ２０３）。

〔６．変形例〕
上述した学習装置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、学習装置１００の他の実施形態について説明する。

〔６−１．変数の種類〕
上述した実施形態において、取得部１３２は、端末情報として、ユーザ端末１０のユーザの属性情報や、ユーザ端末１０の装置情報や、アプリ情報を取得する例を示した。また、抽出部１３４は、取得部１３２が取得した情報に基づいて、特徴情報を抽出する例を示した。取得部１３２や抽出部１３４は、これらの例に限られず、さらに種々の端末情報を取得したり、特徴情報を抽出したりしてもよい。

例えば、取得部１３２は、ユーザ端末１０のＯＳ（Operating System）の種類やバージョン情報、縦画面や横画面の解像度、総画素数等を取得してもよい。また、取得部１３２は、ユーザ端末１０にインストールされたアプリのうち、ゲームアプリの占める割合等を取得するようにしてもよい。

また、抽出部１３４は、端末情報から抽出される特徴情報として、図１０に例示した変数以外にも抽出するようにしてもよい。例えば、抽出部１３４は、抽出される特徴情報の種別として、興味関心であれば、アルバイトや転職、出会いや結婚、住居や車、家計簿やクーポンやポイント、暇つぶし、ゴルフ等の種々のスポーツ、英語などの語学や料理、旅行やファッションやブランド、ダイエットや女性ターゲット商品や学生ターゲット商品、フリーマーケット、イラストや写真など、種々の情報を特徴情報（説明変数）として抽出してもよい。抽出部１３４は、例えば、アプリごとに設定された要素に基づいて、各種興味関心に対応する変数を抽出する。

また、抽出部１３４は、端末情報から抽出される特徴情報の種別として、ゲーム嗜好であれば、図１０に例示したジャンル以外のジャンル（例えば、スポーツ、カジュアル、ボード、恋愛、美少女、育成、戦国・三国志）や、カード、戦略、シナリオ、ギャンブルといったような分類、キャラ、課金の有無など、種々の情報を特徴情報（説明変数）として抽出してもよい。すなわち、抽出部１３４によれば、ユーザ端末１０のユーザが、例えば、「ゲーム嗜好＿カード」や、「ゲーム嗜好＿戦略」といった変数が与えられるようなゲームアプリをインストールしている、といった情報を抽出できる。そして、特定部１３７は、抽出された情報を説明変数としてモデルに入力することで、そのモデルに対応付けられたアプリが当該ユーザからインストールされる傾向にあるか否かという情報を出力することができる。

〔６−２．情報コンテンツの種類〕
上記実施形態では、ユーザに提供される情報コンテンツとして、アプリが対応付けられた広告を例に挙げた。しかし、情報コンテンツは、このような広告に限られない。例えば、情報コンテンツは、アプリが対応付けられていない広告であって、選択された場合にランディングページを表示するような広告であってもよい。この場合、生成部１３５は、目的変数を「広告がクリックされること」としたモデルを生成してもよい。これにより、特定部１３７は、配信される広告をクリックする傾向にあるユーザを特定して、広告を配信させることができる。

また、情報コンテンツは、広告に限られず、商品のレコメンド情報等でもよい。この場合、生成部１３５は、目的変数を「レコメンドされた商品が購入されること」としたモデルを生成してもよい。これにより、特定部１３７は、レコメンドされた商品を購入する傾向にあるユーザを特定して、レコメンド情報を提供させることができる。

〔６−３．媒体との関係〕
上述した実施形態において、特定部１３７は、生成部１３５によって生成されたモデルに基づいて、広告を配信するユーザ端末１０を特定する例を示した。ここで、特定部１３７は、さらに、広告主から受け付ける所定の条件に基づいて、特定処理を行ってもよい。

例えば、広告主によっては、自身が入稿する広告を表示させる媒体コンテンツ（例えば、ウェブページやアプリなど）を指定する場合がある。具体的には、広告主は、広告の訴求効果を高めるため、特定のカテゴリの情報が掲載されているコンテンツに自身の広告を表示させたい場合がある。あるいは、広告主は、競合他社が提供するウェブページには、自身が入稿する広告を表示させないようにさせたい場合がある。

この場合、特定部１３７は、モデルにより出力される結果とともに、広告主から指定された条件も加味して、広告を配信するユーザ端末１０を特定するようにしてもよい。これにより、広告主は、例えインストールされる可能性が高いユーザが表示しているウェブページであっても、自身の広告が掲載されることを望まないウェブページには、広告を表示させないことができる。

〔６−４．外部情報の利用〕
学習装置１００は、端末情報として、ユーザ端末１０を利用するユーザに関するさらに詳細な情報を利用してモデルを生成することができる場合には、それらの情報を利用してもよい。例えば、学習装置１００は、ユーザに関して、公共機関等が発表する公的な調査結果などを取得する。一例として、学習装置１００は、ユーザを含む国民一般の平均的な年収と地域との関係性などの調査結果を取得する。そして、学習装置１００は、ユーザの地域を特定できる場合には、その地域における平均の年収額を特徴情報の１つとして利用してもよい。

また、他の例として、学習装置１００は、ユーザを含む国民一般の娯楽や育児に費やす平均的な時間と年齢との関係性などの調査結果を取得する。そして、学習装置１００は、ユーザの年齢を特定もしくは推定できる場合には、その年齢に対応する娯楽や育児に費やす平均的な時間を特徴情報の１つとして利用してもよい。このような処理により、学習装置１００は、端末間では取得しにくい情報を利用したモデルを生成することができる。これにより、学習装置１００は、ユーザの特徴をより的確に捉える特徴情報を得ることができる。

〔７．ハードウェア構成〕
上述してきた実施形態に係る学習装置１００やユーザ端末１０は、例えば図１７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、学習装置１００を例に挙げて説明する。図１７は、学習装置１００の機能を実現するコンピュータ１０００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を有する。

ＣＰＵ１１００は、ＲＯＭ１３００又はＨＤＤ１４００に記憶されたプログラムに基づいて動作し、各部の制御を行う。ＲＯＭ１３００は、コンピュータ１０００の起動時にＣＰＵ１１００によって実行されるブートプログラムや、コンピュータ１０００のハードウェアに依存するプログラム等を記憶する。

ＨＤＤ１４００は、ＣＰＵ１１００によって実行されるプログラム、及び、かかるプログラムによって使用されるデータ等を記憶する。通信インターフェイス１５００は、通信網５００（図４に示したネットワークＮに対応）を介して他の機器からデータを受信してＣＰＵ１１００へ送り、ＣＰＵ１１００が生成したデータを、通信網５００を介して他の機器へ送信する。

ＣＰＵ１１００は、入出力インターフェイス１６００を介して、ディスプレイやプリンタ等の出力装置、及び、キーボードやマウス等の入力装置を制御する。ＣＰＵ１１００は、入出力インターフェイス１６００を介して、入力装置からデータを取得する。また、ＣＰＵ１１００は、入出力インターフェイス１６００を介して生成したデータを出力装置へ出力する。

メディアインターフェイス１７００は、記録媒体１８００に記憶されたプログラム又はデータを読み取り、ＲＡＭ１２００を介してＣＰＵ１１００に提供する。ＣＰＵ１１００は、かかるプログラムを、メディアインターフェイス１７００を介して記録媒体１８００からＲＡＭ１２００上にロードし、ロードしたプログラムを実行する。記録媒体１８００は、例えば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、または半導体メモリ等である。

例えば、コンピュータ１０００が実施形態に係る学習装置１００として機能する場合、コンピュータ１０００のＣＰＵ１１００は、ＲＡＭ１２００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、ＨＤＤ１４００には、記憶部１２０内のデータが記憶される。コンピュータ１０００のＣＰＵ１１００は、これらのプログラムを記録媒体１８００から読み取って実行するが、他の例として、他の装置から通信網５００を介してこれらのプログラムを取得してもよい。

〔８．その他〕
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。

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、その全部または一部を、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または物理的に分散・統合して構成することができる。例えば、図５に示した取得部１３２と、受信部１３６とは統合されてもよい。また、図５に示した特定部１３７は、モデルに基づいてユーザ端末１０がアプリをインストールする確率を算出する算出部と、算出された結果に基づいてユーザ端末１０に広告を配信するか否かを判定する判定部と、判定された結果に基づいて配信先のユーザ端末１０を特定する特定部と、に分散されてもよい。また、例えば、記憶部１２０に記憶される情報は、ネットワークＮを介して、外部に備えられた所定の記憶装置に記憶されてもよい。

また、上記実施形態では、学習装置１００が、例えば、広告（情報コンテンツ）の入稿を受け付ける受付処理と、アプリとユーザとの関係性を学習する学習処理と、広告を配信する配信処理とを行う例を示した。しかし、上述した学習装置１００は、受付処理を行う受付装置と、学習処理を行う学習装置と、配信処理を行う配信装置とに分離されてもよい。この場合、受付装置は、少なくとも入稿受付部１３１を有する。学習装置は、少なくとも学習部１３３を有する。また、配信装置は、少なくとも配信部１３８を有する。そして、上記の学習装置１００による処理は、受付装置と、学習装置と、配信装置との各装置を有する学習処理システム１によって実現される。

また、上述してきた実施形態及び変形例は、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。

〔９．効果〕
上述してきたように、実施形態に係る学習装置１００は、取得部１３２と、生成部１３５と、特定部１３７とを有する。取得部１３２は、情報コンテンツ（例えば、広告）を受信するユーザ端末１０に関する情報である端末情報を取得する。生成部１３５は、所定の情報コンテンツに関する所定の行動が実行されたか否かを示す結果情報と、取得部１３２によって取得された端末情報との関係性を学習することにより、所定の情報コンテンツに関する所定の行動が実行される傾向を示すモデルを生成する。特定部１３７は、生成部１３５によって生成されたモデルに基づいて、所定の情報コンテンツを提供する提供先となるユーザ端末１０を特定する。

このように、実施形態に係る学習装置１００は、提供する情報コンテンツに対する所定の行動と、情報コンテンツが提供された提供先の端末情報との関係性を学習することで、情報コンテンツに対応するモデルを生成することができる。学習装置１００は、生成したモデルが示す傾向（例えば、所定の情報コンテンツに関する所定の行動が実行される確率）を用いて情報コンテンツの提供先を特定することにより、提供される情報コンテンツと提供先のユーザとのマッチングを適切に行うことができる。

また、生成部１３５は、結果情報と、端末情報から抽出される情報であって、ユーザ端末１０又はユーザ端末１０を利用するユーザの特徴を示す情報である特徴情報との関係性を学習することにより、モデルを生成する。

このように、実施形態に係る学習装置１００は、取得した端末情報から、ユーザ端末１０や、ユーザ端末１０のユーザの特徴を示す情報を抽出する。これにより、学習装置１００は、ユーザ端末１０や、ユーザ端末１０のユーザの特徴を示す多数の情報を取得することができるため、より的確に情報コンテンツの提供先の特徴をモデルに反映することができる。このため、学習装置１００は、生成するモデルの精度を向上させることができる。

また、生成部１３５は、端末情報から抽出される特徴情報として、ユーザの属性を示す情報である属性情報を用いて、モデルを生成する。具体的には、生成部１３５は、属性情報として、ユーザの性別、年齢、居住地の少なくとも１つを用いて、モデルを生成する。

このように、実施形態に係る学習装置１００は、ユーザの属性情報を用いて、モデルを生成する。ユーザの属性情報には、年齢や性別など、ユーザの素性を示す情報が多く含まれる。すなわち、学習装置１００は、属性情報を用いてモデルを生成することで、ユーザの特徴をより反映させたモデルを生成することができる。これにより、学習装置１００は、モデルの精度を向上させることができる。

また、取得部１３２は、端末情報として、ユーザ端末１０の製品としての情報である装置情報を取得する。生成部１３５は、装置情報から抽出される特徴情報を用いて、モデルを生成する。具体的には、生成部１３５は、装置情報から抽出される特徴情報として、ユーザ端末１０に設定された型番、ブランド名、販売から経過した時間、通信キャリア名、メーカー名、解像度の少なくとも１つを用いて、モデルを生成する。

このように、実施形態に係る学習装置１００は、ユーザ端末１０の製品としての情報を取得し、情報コンテンツの提供先としての特徴を示す情報として用いる。製品としての情報は、ブランドやスペックなどを含むため、ユーザ端末１０を利用するユーザの好みや性格といった特徴を反映させる要素となりうる。そして、学習装置１００は、装置情報をモデルに反映させることで、ユーザの特徴を多角的に入力することができるため、情報コンテンツの提供先となるユーザを的確に特定できるモデルを生成することができる。

また、取得部１３２は、アプリに関する広告を受信可能なユーザ端末１０であって、当該アプリをインストール可能なユーザ端末１０に関する端末情報を取得する。生成部１３５は、所定のアプリがユーザ端末１０にインストールされたか否かを示す結果情報と、取得部１３２によって取得された端末情報との関係性を学習することにより、当該所定のアプリがインストールされる傾向を示すモデルを生成する。特定部１３７は、生成部１３５によって生成されたモデルに基づいて、所定のアプリに関する広告の提供先となるユーザ端末１０を特定する。

これにより、実施形態に係る学習装置１００は、広告に対応付けられたアプリをインストールし易いユーザを判定するモデルを生成することができる。そして、学習装置１００は、モデルに基づいて広告の配信先を特定することにより、過去にアプリをインストールしたユーザと類似する傾向にあるユーザに広告を配信する。このため、学習装置１００は、配信される広告と配信先のユーザとのマッチングを適切に行うことができる。

また、取得部１３２は、端末情報として、ユーザ端末１０にインストールされたアプリに関する情報であるアプリ情報を取得する。生成部１３５は、結果情報と、アプリ情報から抽出される特徴情報との関係性を学習することにより、所定のアプリをインストールする傾向を示すモデルを生成する。

このように、実施形態に係る学習装置１００は、ユーザ端末１０内に既にインストールされたアプリに関する情報を取得することで、例えば、似たようなアプリをインストールする傾向にあるユーザなどを精度よく推定することができる。これにより、学習装置１００は、生成するモデルの精度を向上させることができる。

また、生成部１３５は、アプリ情報から抽出される特徴情報として、ユーザ端末１０にインストールされたアプリの総数、ユーザ端末１０にインストールされたゲームアプリの数、ユーザ端末１０にインストールされたゲーム以外のアプリの数、又は、ユーザ端末１０にインストールされたアプリの総数とゲームアプリの数との割合の少なくとも１つを用いて、モデルを生成する。

このように、実施形態に係る学習装置１００は、ユーザ端末１０内にインストールされたアプリの数に関する情報を特徴情報として用いる。これらの情報は、例えば、ユーザ端末１０にインストールされたアプリの数が多いユーザほど新たなアプリをインストールする可能性が高いことや、ゲームアプリの数が多いユーザほど他のゲームアプリをインストールする可能性が高いことなど、ユーザの行動や特徴を示す情報となりうる。学習装置１００は、このような情報を学習してモデルを生成することで、モデルの精度を向上させることができる。

また、生成部１３５は、アプリ情報から抽出される特徴情報として、ユーザ端末１０にインストールされたアプリに設定されるタイプもしくは要素に基づき特定される情報であって、ユーザ端末１０のユーザの関心を示す情報である関心情報を用いて、モデルを生成する。また、生成部１３５は、アプリ情報から抽出される特徴情報として、ユーザ端末１０にインストールされたゲームアプリに設定されるタイプもしくは要素に基づき特定される情報であって、ユーザ端末１０のユーザのゲーム嗜好を示す情報である嗜好情報を用いて、モデルを生成してもよい。

このように、実施形態に係る学習装置１００は、インストールされたアプリの数に限らず、アプリのタイプや、アプリが有する要素も加味して、ユーザを特徴付ける特徴情報を抽出する。このため、学習装置１００は、ユーザに関して詳細な特徴付けを行うことができ、また、その情報をモデルに反映することで、モデルの精度を向上させることができる。

また、生成部１３５は、アプリを提供する提供者側からアプリに対して設定されるアプリの紹介に基づいて、ユーザ端末１０にインストールされたアプリのタイプもしくは要素を設定する。

このように、実施形態に係る学習装置１００は、例えば、アプリのダウンロードサイト等に登録されるアプリの紹介文などを解析することで、アプリに対してタイプや要素を設定することができる。これにより、学習装置１００は、人為的にアプリにタイプや要素の特徴付けを行うことなく、自動的にアプリに対してタイプや要素を設定することができる。このため、学習装置１００は、例えば、学習装置１００の管理者等の手間を軽減させることができる。

以上、本願の実施形態を図面に基づいて詳細に説明したが、これは例示であり、発明の開示の欄に記載の態様を始めとして、当業者の知識に基づいて種々の変形、改良を施した他の形態で本発明を実施す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 学習処理システム
１０ ユーザ端末
２０ 広告主端末
３０ ウェブサーバ
１００ 学習装置
１１０ 通信部
１２０ 記憶部
１２１ 広告情報記憶部
１２２ 端末情報記憶部
１２３ 属性テーブル
１２４ 装置テーブル
１２５ アプリテーブル
１２６ 学習モデル記憶部
１２７ 設定テーブル
１２８ 変数テーブル
１２９ モデルテーブル
１３０ 制御部
１３１ 入稿受付部
１３２ 取得部
１３３ 学習部
１３４ 抽出部
１３５ 生成部
１３６ 受信部
１３７ 特定部
１３８ 配信部

Claims (14)

1. 端末装置に組み込まれる所定のプログラムと対応付けられた情報コンテンツを受信する当該端末装置に関する情報である端末情報を取得する取得部と、
   所定の情報コンテンツに対応付けられた所定のプログラムを前記端末装置に組み込む処理が実行されたか否かを示す結果情報と、前記取得部によって取得された端末情報との関係性を学習することにより、当該所定の情報コンテンツに対応付けられた所定のプログラムを前記端末装置に組み込む処理が実行される傾向を示すモデルを生成する生成部と、
   前記生成部によって生成されたモデルに基づいて、前記所定の情報コンテンツを提供する提供先となる端末装置を特定する特定部と、
   を備えたことを特徴とする学習装置。
2. 前記生成部は、
   前記結果情報と、前記端末情報から抽出される情報であって、前記端末装置又は当該端末装置を利用するユーザの特徴を示す情報である特徴情報との関係性を学習することにより、前記モデルを生成する、
   ことを特徴とする請求項１に記載の学習装置。
3. 前記生成部は、
   前記端末情報から抽出される特徴情報として、前記ユーザの属性を示す情報である属性情報を用いて、前記モデルを生成する、
   ことを特徴とする請求項２に記載の学習装置。
4. 前記生成部は、
   前記属性情報として、前記ユーザの性別、年齢、居住地の少なくとも１つを用いて、前記モデルを生成する、
   ことを特徴とする請求項３に記載の学習装置。
5. 前記取得部は、
   前記端末情報として、前記端末装置の製品としての情報である装置情報を取得し、
   前記生成部は、
   前記装置情報から抽出される特徴情報を用いて、前記モデルを生成する、
   ことを特徴とする請求項２〜４のいずれか一つに記載の学習装置。
6. 前記生成部は、
   前記装置情報から抽出される特徴情報として、前記端末装置に設定された型番、ブランド名、販売から経過した時間、通信キャリア名、メーカー名、解像度の少なくとも１つを用いて、前記モデルを生成する、
   ことを特徴とする請求項５に記載の学習装置。
7. 前記取得部は、
   アプリに関する広告を受信可能な端末装置であって、当該アプリをインストール可能な端末装置に関する端末情報を取得し、
   前記生成部は、
   所定のアプリが前記端末装置にインストールされたか否かを示す結果情報と、前記取得部によって取得された端末情報との関係性を学習することにより、当該所定のアプリがインストールされる傾向を示すモデルを生成し、
   前記特定部は、
   前記生成部によって生成されたモデルに基づいて、前記所定のアプリに関する広告の提供先となる端末装置を特定する、
   ことを特徴とする請求項１〜６のいずれか一つに記載の学習装置。
8. 前記取得部は、
   前記端末情報として、前記端末装置にインストールされたアプリに関する情報であるアプリ情報を取得し、
   前記生成部は、
   前記結果情報と、前記アプリ情報から抽出される特徴情報との関係性を学習することにより、前記所定のアプリがインストールされる傾向を示すモデルを生成する、
   ことを特徴とする請求項７に記載の学習装置。
9. 前記生成部は、
   前記アプリ情報から抽出される特徴情報として、前記端末装置にインストールされたアプリの総数、前記端末装置にインストールされたゲームアプリの数、前記端末装置にインストールされたゲーム以外のアプリの数、又は、前記端末装置にインストールされたアプリの総数とゲームアプリの数との割合の少なくとも１つを用いて、前記モデルを生成する、
   ことを特徴とする請求項８に記載の学習装置。
10. 前記生成部は、
    前記アプリ情報から抽出される特徴情報として、前記端末装置にインストールされたアプリに設定されるタイプもしくは要素に基づき特定される情報であって、前記端末装置のユーザの関心を示す情報である関心情報を用いて、前記モデルを生成する、
    ことを特徴とする請求項８又は９に記載の学習装置。
11. 前記生成部は、
    前記アプリ情報から抽出される特徴情報として、前記端末装置にインストールされたゲームアプリに設定されるタイプもしくは要素に基づき特定される情報であって、前記端末装置のユーザのゲーム嗜好を示す情報である嗜好情報を用いて、前記モデルを生成する、
    ことを特徴とする請求項８〜１０のいずれか一つに記載の学習装置。
12. 前記生成部は、
    アプリを提供する提供者側から当該アプリに対して設定されるアプリの紹介に基づいて、前記端末装置にインストールされたアプリのタイプもしくは要素を設定する、
    ことを特徴とする請求項１０又は１１に記載の学習装置。
13. コンピュータが実行する学習方法であって、
    端末装置に組み込まれる所定のプログラムと対応付けられた情報コンテンツを受信する当該端末装置に関する情報である端末情報を取得する取得工程と、
    所定の情報コンテンツに対応付けられた所定のプログラムを前記端末装置に組み込む処理が実行されたか否かを示す結果情報と、前記取得工程によって取得された端末情報との関係性を学習することにより、当該所定の情報コンテンツに対応付けられた所定のプログラムを前記端末装置に組み込む処理が実行される傾向を示すモデルを生成する生成工程と、
    前記生成工程によって生成されたモデルに基づいて、前記所定の情報コンテンツを提供する提供先となる端末装置を特定する特定工程と、
    を含んだことを特徴とする学習方法。
14. 端末装置に組み込まれる所定のプログラムと対応付けられた情報コンテンツを受信する当該端末装置に関する情報である端末情報を取得する取得手順と、
    所定の情報コンテンツに対応付けられた所定のプログラムを前記端末装置に組み込む処理が実行されたか否かを示す結果情報と、前記取得手順によって取得された端末情報との関係性を学習することにより、当該所定の情報コンテンツに対応付けられた所定のプログラムを前記端末装置に組み込む処理が実行される傾向を示すモデルを生成する生成手順と、
    前記生成手順によって生成されたモデルに基づいて、前記所定の情報コンテンツを提供する提供先となる端末装置を特定する特定手順と、
    をコンピュータに実行させることを特徴とする学習プログラム。

Images