JP6023129B2 - 抽出装置、抽出方法及び抽出プログラム - Google Patents

Description

本発明は、抽出装置、抽出方法及び抽出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広告配信が盛んに行われている。このような広告配信においては、宣伝効果を高めるために、ユーザの嗜好、性別、年齢、住所、職業などのユーザ情報を予め登録しておき、ユーザ情報に対応する広告を選択的に配信するターゲティング配信が行われている。

また、上記のようなユーザ情報の活用としては、広告配信の対象であるオーディエンスとウェブページの閲覧傾向が似たようなオーディエンスを特定し、特定したオーディエンスに対しても広告配信を行うことにより、広告配信の対象とするオーディエンスの数を引き上げる技術が知られている。

特開２０１２−９４０９７号公報

しかしながら、上記の従来技術では、広告効果を高めることができるとは限らない。具体的には、上記の従来技術は、広告配信の対象であるユーザと同じようなウェブ閲覧をしているユーザを類似するユーザとして特定する。しかし、ユーザのウェブ閲覧履歴のみでユーザの類似度を特定することは困難であり、類似するユーザを精度よく特定できるとは言い難い。精度よくユーザを特定できなければ、広告に興味のないユーザに広告が配信されることになり、配信される広告の効果が充分に発揮されないことになる。

本願は、上記に鑑みてなされたものであって、広告効果を高めることができる抽出装置、抽出方法及び抽出プログラムを提供することを目的とする。

本願に係る抽出装置は、コンテンツの配信候補であるユーザの行動履歴を取得する取得部と、前記取得部によって取得された行動履歴のうち前記コンテンツの提供主が指定する行動履歴に基づいて、特定の行動をすることが予測される対象のユーザを抽出する抽出部と、を備えたことを特徴とする。

本願に係る抽出装置、抽出方法及び抽出プログラムは、広告効果を高めることができるという効果を奏する。

図１は、実施形態に係る抽出処理の一例を示す図である。 図２は、実施形態に係る抽出装置の構成例を示す図である。 図３は、実施形態に係る行動情報記憶部の一例を示す図である。 図４は、実施形態に係る属性情報記憶部の一例を示す図である。 図５は、実施形態に係るユーザインターフェイスの一例を示す図である。 図６は、実施形態に係る抽出システムによる抽出処理手順を示すシーケンス図である。 図７は、実施形態に係る抽出装置による抽出処理手順を示すフローチャートである。 図８は、抽出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、本願に係る抽出装置、抽出方法及び抽出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抽出装置、抽出方法及び抽出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．抽出処理の概要〕
まず、図１を用いて、実施形態に係る抽出処理の一例について説明する。図１は、実施形態に係る抽出処理の一例を示す図である。図１では、本願に係る抽出装置１００を含む抽出システム１によって、ユーザの抽出処理が行われる例を示す。

図１に示すように、抽出システム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、抽出装置１００とが含まれる。抽出装置１００は、図示しないネットワークＮ（例えば、インターネット）を介して、ユーザ端末１０、広告主端末２０、ウェブサーバ３０と通信可能に接続される。なお、抽出システム１に含まれるユーザ端末１０、広告主端末２０、ウェブサーバ３０の台数は、図１に示した例に限られない。例えば、抽出システム１には、２台以上のユーザ端末１０が含まれてもよい。

ユーザ端末１０は、例えば、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）等の情報処理装置である。例えば、ユーザ端末１０は、ウェブサーバ３０にアクセスすることで、ウェブサーバ３０の提供するウェブサイトからウェブページを取得し、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。

広告主端末２０は、広告主によって利用される情報処理装置である。図１に示す例では、広告主端末２０は、広告主ＣＬ１による操作に従って、抽出装置１００にユーザの抽出処理の条件を送信したり、抽出装置１００からユーザに関する情報を受信したりする。

なお、広告主ＣＬ１は、広告主端末２０を用いて、抽出装置１００にユーザの抽出処理の条件を送信したり、抽出装置１００からユーザに関する情報を受信したりせずに、かかる処理を代理店に依頼する場合もある。この場合、抽出装置１００にかかる処理を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２０だけでなく代理店によって利用される代理店端末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、オークションサイト、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。

なお、ウェブサーバ３０は、ウェブページの配信にあたって、ユーザ端末１０を識別し、ウェブページを配信するユーザ端末１０を特定する。ユーザの識別は、例えば、ユーザ端末１０のブラウザとウェブサーバ３０との間でやり取りされるＨＴＴＰクッキー（HyperText Transfer Protocol Cookie：以下、単に「クッキー」と表記する）にユーザ識別情報を含めることによって行うことができる。

抽出装置１００は、ユーザに関する情報に基づいて、将来特定の行動をする可能性の高いユーザを抽出するサーバ装置である。抽出装置１００は、抽出したユーザに関する情報を広告主端末２０に提供する。

すなわち、抽出装置１００は、ユーザ情報を利用することで、広告効果が高いと想定されるユーザを抽出し、抽出されたユーザに関する情報を広告主に提供する。広告配信を依頼する広告主（例えば、ホテルを経営する企業や、旅行代理店等）は、抽出装置１００を利用することにより、広告配信を契機としてユーザから何らかの成果を得ることのできる可能性が高い広告配信、すなわち、広告効果の高い広告配信を実現できる。なお、ユーザ情報には、一般ユーザによって操作されるユーザ端末１０がウェブサイトにアクセス（ウェブページにおいてバナー広告をクリックしたことを示す情報の送信や、ショッピングページにおいて商品を購買するための要求の送信などを含む）した際のログ（Log）のデータ（すなわち、ユーザの行動履歴）や、ウェブサイトへのアクセス履歴や購入履歴等から導かれるユーザ自体の属性情報（例えば、ユーザの年齢、性別、嗜好など）等が含まれる。

図１の例において、実施形態に係る抽出装置１００は、将来「特定の行動」をする可能性の高いユーザを抽出する。そして、広告主は、抽出されたユーザに対して広告コンテンツを配信させることで、広告コンテンツのコンバージョン（Conversion）率を向上させる。コンバージョンとは、広告コンテンツの配信によって広告主が獲得できる最終成果を示し、広告主への利益に繋がるユーザの行動を意味する。コンバージョンの例としては、ウェブページ上で商品を購入する行動や、会員登録を行う行動や、資料請求を行う行動や、商品等に関する問い合わせを行う行動等が挙げられる。すなわち、「特定の行動」とは、ユーザの行動であって、何らかのコンバージョンに至る行動のことを示す。図１では、抽出装置１００による実施形態に係る抽出処理の一例として、「直近２日以内に沖縄のホテルを予約する」という特定の行動をする可能性の高いユーザを抽出装置１００が抽出する処理を説明する。

図１の例において、抽出装置１００は、ユーザ情報を広告配信に利用する広告主ＣＬ１の求めに応じて、広告主ＣＬ１の目的に沿ったユーザを抽出する処理を実行する。まず、抽出装置１００は、広告主ＣＬ１との情報のやりとりのために、ユーザインターフェイス（User Interface、以下「ＵＩ」と表記する場合がある）を広告主ＣＬ１に提供する（ステップＳ１１）。ＵＩは、例えば、広告主端末２０に表示される画面であって、広告主端末２０からの入力を受け付けることが可能な画面として広告主に提供される。

広告主ＣＬ１は、広告主端末２０を介して、広告を配信させたいユーザに関する条件をＵＩに入力する。まず、広告主ＣＬ１は、広告を配信させたいユーザの特定の行動を入力する（ステップＳ１２）。具体的には、沖縄でホテルを経営する法人である広告主ＣＬ１は、「直近２日以内に沖縄のホテルを予約する」という特定の行動を入力する。言い換えれば、広告主ＣＬ１は、広告の配信を契機として想定されるコンバージョンの内容を入力する。

そして、抽出装置１００は、後述するモデル生成のために、特定の行動をしたユーザのユーザ情報を取得する。具体的には、抽出装置１００は、ユーザ端末１０がウェブサーバ３０にアクセスした際の行動履歴等を取得する。

ここで、ウェブサーバ３０は、ユーザ情報をユーザ端末１０から取得しているものとする。すなわち、図１に示す例において、ユーザ端末１０は、ウェブサーバ３０が提供するウェブページを取得するために、ウェブサーバ３０にアクセスする。そして、ユーザ端末１０は、ウェブサーバ３０へのアクセスに際して、クッキーをウェブサーバ３０に送信する（ステップＳ１３）。

そして、ウェブサーバ３０は、送信されたクッキーに基づいて、ユーザ端末１０のウェブサイトへのアクセス情報として、ウェブサイトにおける閲覧履歴や、商品の購入履歴や、過去の検索クエリなどの行動履歴を含むユーザ情報を取得する（ステップＳ１４）。また、ウェブサーバ３０は、送信されたクッキーに基づいて、ユーザ端末１０を操作するユーザを識別する。そして、ウェブサーバ３０は、クッキーにユーザの属性情報が含まれる場合には、送信されたクッキーに基づいてユーザの属性情報を取得する。

続いて、ウェブサーバ３０は、抽出装置１００にユーザ情報を送信する（ステップＳ１５）。この場合、ウェブサーバ３０は、ユーザ情報を取得した時点で抽出装置１００にユーザ情報を送信してもよいし、抽出装置１００から受け付けるユーザ情報の取得に関する要求に応答してユーザ情報を送信してもよい。

これにより、抽出装置１００は、ウェブサーバ３０にアクセスするユーザ端末１０のユーザ情報を取得する。そして、抽出装置１００は、取得したユーザ情報を蓄積する（ステップＳ１６）。なお、抽出装置１００は、ユーザを識別する情報であるユーザＩＤに基づいて、各ユーザの行動情報や属性情報をユーザ毎に判別可能なように蓄積する。このようにして、抽出装置１００は、広告主ＣＬ１が入力した「特定の行動」に関する行動履歴を蓄積する。

ここで、抽出装置１００は、特定の行動をしたユーザの行動履歴を所定期間又は所定数取得することにより、モデルの生成に十分な数だけ蓄積したものとする。続いて、抽出装置１００は、広告主ＣＬ１から、さらに抽出処理の条件の入力を受け付ける。具体的には、広告主ＣＬ１は、特定の行動をすると想定されるユーザについて、「説明する行動」をＵＩ上で指定する（ステップＳ１７）。

ここで、「説明する行動」とは、ユーザが特定の行動をとると想定される根拠となる行動のことをいう。言い換えれば、「説明する行動」は、ユーザが特定の行動をとると想定することの動機づけが説明されるような行動のことをいう。例えば、広告主ＣＬ１は、「直近２日以内に沖縄のホテルを予約する」という特定の行動を説明する行動として、「スキューバダイビング関連の検索をした」、という行動を指定する。この場合、広告主ＣＬ１は、沖縄のホテルを予約するようなユーザはスキューバダイビング関連に関心を持つことが多い、という経験則による知見を「説明行動」により表現したといえる。なお、以下では、特定の行動のことを、「特定行動」と表記する場合がある。また、説明する行動のことを、「説明行動」と表記する場合がある。

このようにして、抽出装置１００は、広告主ＣＬ１から説明行動の指定を受け付けることにより、広告主ＣＬ１の知見を含んだ抽出処理を実行することができる。すなわち、抽出装置１００は、広告主ＣＬ１から指定された説明行動と、蓄積されたユーザ情報とに基づいて、特定の行動をすると予測されるユーザの行動モデルを生成する。そして、抽出装置１００は、生成されたモデルと、抽出対象となるユーザとの類似性を算出することにより、将来特定の行動をする可能性の高いユーザを抽出する。この点について、以下に説明する。

まず、実施形態に係るモデル生成処理の説明に先立ち、いわゆるターゲティング広告等で想定されるユーザ抽出手法（以下、「想定手法」と表記する）について説明する。想定手法では、ユーザの行動履歴に基づいて、広告配信したいユーザのセグメント（Segment）が設定される。ここで、セグメントとは、マーケティングにおいて、ユーザを所定の属性で分類した群を示す。例えば、想定手法では、「現時点から所定の期間までの行動履歴に、沖縄のホテル予約に関連するウェブページの閲覧を１回以上実行、かつ、沖縄のホテルに関連する検索を３回以上実行、が含まれるユーザ」のように条件を指定することで、ユーザのセグメントを設定する。想定手法における条件は、例えば、特定の行動をしたユーザの過去の行動履歴に比較的多く含まれる行動履歴の中から自動的に選ばれる。そして、想定手法では、設定されたセグメントに含まれるユーザに対し、かかるユーザに訴求力があると想定される広告コンテンツの配信が行われる。このように、想定手法では、ターゲットとなるユーザを過去の行動履歴に基づきセグメントに分類することで、広告効果が高くなると想定されるユーザに広告配信することを可能とする。なお、想定手法においては、ユーザ同士の類似する行動のみならず、類似する属性情報が用いられる場合もある。

しかし、想定手法では、対象ユーザを拡張する場合に問題が生ずる場合が考えられる。例えば、ユーザをセグメントに分類し、分類されたユーザに広告コンテンツを配信するとする。この場合、広告主が希望する配信数よりも配信対象となるユーザ数が少数の場合には、配信対象とするユーザを拡張することが要求される。そこで、想定手法では、例えば、配信対象とするユーザを「現時点から所定の期間までの行動履歴に、沖縄のホテル予約に関連するウェブページの閲覧を１回以上実行、かつ、沖縄のホテルに関連する検索を３回以上実行、が含まれるユーザ」から、「行動履歴に、沖縄のホテル予約に関連するウェブページの閲覧を１回以上実行、かつ、沖縄のホテルに関連する検索を１回以上実行、が含まれるユーザ」のように変更することになる。このようにユーザに関する条件を変更した場合、抽出されるユーザ数は増加するものの、元のセグメントと新たな条件の下で抽出されるユーザとの類似性は低くなる。このため、想定手法では、コンバージョンに至る可能性が低いと想定されるユーザに対しても広告配信がされることになる。

また、想定手法では、ユーザの過去の行動履歴である「スキューバダイビング関連の検索」という行動が、「直近２日以内に沖縄のホテルを予約する」という特定の行動に結びつくものとして、モデル生成側が判定できない場合がある。例えば、「直近２日以内に沖縄のホテルを予約する」という行動に至ったユーザ数のうち、「スキューバダイビング関連の検索」という行動をとっていたユーザ数が比較的少数の場合には、「スキューバダイビング関連の検索」という行動は、特定の行動と関連性のない行動として判定される可能性がある。この場合、「スキューバダイビング関連の検索」という行動は、特定の行動に至るような重要性のある行動とは判定されない。このため、「スキューバダイビング関連の検索」という行動履歴を有するユーザは、コンバージョンに至る可能性の高いユーザとして抽出されない場合がある。

一方、広告主は、自身のホテルに予約をする全顧客のうちスキューバダイビングについて興味を抱いている顧客が比較的多いことを知り得ている。例えば、広告主は、顧客がネットワークＮ上において検索行動を行っていなかったとしても、スキューバダイビングを目的に宿泊する場合が多いことなどの知見を得ている。しかし、上記のように、想定手法では、ユーザの過去の行動履歴に基づいて類似度を判定するため、このような広告主の知見が抽出処理の判定の指標として含まれない。

そこで、実施形態に係る抽出装置１００は、このような広告主の知見を取り入れて、ユーザの行動予測モデルを生成する。すなわち、抽出装置１００は、提供したＵＩ上において、特定行動を説明する行動である「説明行動」の指定を広告主から受け付ける。そして、抽出装置１００は、受け付けた説明行動に基づいたモデルを生成する。例えば、抽出装置１００は、説明行動を含む行動履歴を有するユーザはモデルとの類似度が高いと判定されるようなモデルを生成する。これにより、抽出装置１００が生成するモデルには、広告主の知見が反映されることとなる。

すなわち、抽出装置１００は、広告主ＣＬ１からＵＩ上で指定された内容に基づいて、ユーザ抽出のためのモデルを生成する（ステップＳ１８）。そして、抽出装置１００は、生成されたモデルと、抽出処理対象となるユーザの行動履歴との類似度を判定する。そして、抽出装置１００は、所定の閾値以上の類似度を有するユーザを抽出する。そして、抽出装置１００は、生成されたモデルを用いた抽出処理の結果を広告主ＣＬ１に通知する（ステップＳ１９）。具体的には、抽出装置１００は、抽出されたユーザ数をＵＩ上で表示することにより広告主ＣＬ１に抽出結果を提供する。その後、広告主ＣＬ１は、抽出されたユーザに広告を配信させる場合には、所定の広告配信サーバに広告配信の要求を行う。

このように、実施形態に係る抽出装置１００は、広告コンテンツの配信候補であるユーザの行動履歴を取得する。そして、実施形態に係る抽出装置１００は、取得された行動履歴のうち広告主が指定する行動履歴に基づいて、特定の行動をすることが予測される対象のユーザを抽出する。

すなわち、実施形態に係る抽出装置１００は、抽出対象であるユーザが実際に行動した履歴と、広告主から指定される説明行動とに基づいて、実際に特定の行動に至ったユーザと同様に、将来、特定の行動をするであろうと予測されるユーザを抽出する。言い換えれば、抽出装置１００は、過去のユーザ情報から機械的に導出されるユーザ同士の類似行動や類似属性のみならず、広告主が保持する知見を取り入れてモデルを生成する。これにより、抽出装置１００は、沖縄のホテルを予約するといったコンバージョンにつながる可能性の高いユーザを高精度に抽出することができる。また、抽出装置１００によれば、広告主が持つドメイン知識を有効に活用することができる。また、抽出装置１００は、広告主の知見を含んだモデルを用いることにより、類似度が高いと判定されるユーザを想定手法より多く抽出することができる。このため、抽出装置１００は、広告主に対して多くの広告配信の対象となるユーザを提示できる。これにより、抽出装置１００は、広告主がマーケットの対象とするユーザ層を精度良く拡張することができる。そして、広告主は、抽出装置１００によって抽出されたユーザに対して広告コンテンツを配信させることにより、広告コンテンツの広告効果を向上させることができる。

〔２．抽出装置の構成〕
次に、図２を用いて、実施形態に係る抽出装置１００の構成について説明する。図２は、実施形態に係る抽出装置１００の構成例を示す図である。図２に示すように、抽出装置１００は、通信部１１０と、記憶部１２０と、制御部１３０とを有する。なお、抽出装置１００は、抽出装置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。図２に示すように、記憶部１２０は、ユーザ情報記憶部１２１を有する。

（ユーザ情報記憶部１２１について）
ユーザ情報記憶部１２１は、抽出装置１００が取得したユーザ情報を記憶する。具体的には、ユーザ情報記憶部１２１は、ユーザ端末１０がウェブサーバ３０に対してアクセスしたり、ウェブサーバ３０が提供する検索ページにおいて検索クエリを入力したり、製品の購入要求を送信したりしたことを契機として作成されるユーザの行動のログを含む情報や、ユーザの属性情報などを記憶する。ユーザ情報記憶部１２１は、主にユーザの行動情報を記憶する行動情報記憶部１２２と、主にユーザの属性情報を記憶する属性情報記憶部１２３とを有する。

（行動情報記憶部１２２について）
ここで、図３に、実施形態に係る行動情報記憶部１２２の一例を示す。図３は、実施形態に係る行動情報記憶部１２２の一例を示す図である。図３に示した例では、行動情報記憶部１２２は、「ユーザＩＤ」、「行動が発生した日時」、「行動内容」といった項目を含むログ情報の一群から構成されるユーザ行動ファイルＦ０１を記憶する。ユーザ行動ファイルＦ０１は、抽出装置１００に取得されたユーザ情報を概念的に示したものである。図３では、ユーザ行動ファイルＦ０１を構成するログはユーザＩＤ毎に記載されている例を示しているが、実際には、ログは、行動が発生した日時順にリアルタイムに追加される。

「ユーザＩＤ」は、ユーザ端末１０を識別する識別情報である。図３において、ユーザＩＤは、「ＵｓｅｒＩＤ＝Ｕ１１」と表記される。これは、ユーザ端末１０がユーザＩＤ「Ｕ１１」により識別されていることを示す。ここでは、ユーザＩＤは、ユーザ端末１０を操作するユーザの参照符号と一致するものとする。すなわち、「ＵｓｅｒＩＤ＝Ｕ１１」が記載されたログは、ユーザＵ１１が操作するユーザ端末１０によって行われた行動に関する情報を示すものとする。

「行動が発生した日時」は、図３において、「２０１４／０６／１０＿１８：３０」といった数値で表される。また、「行動内容」は、ユーザ端末１０の実行した行動の内容を示す。例えば、ユーザ端末１０が検索を実行した場合、ログには、「イベント“閲覧 ＝＞ ＵＲＬ＝Ｈ００１”」といったように、行動と、行動の内容が記載される。図３の例においては、「ＵＲＬ＝Ｈ００１」は、ＵＲＬ（Uniform Resource Locator）「Ｈ００１」で特定されるウェブページであり、スキューバダイビング関連のウェブページであるものとする。

すなわち、図３に示したユーザ行動ファイルＦ０１を構成するログの一例は、「２０１４年６月１０日 １８：３０」に、ユーザＩＤが「Ｕ１１」であるユーザＵ１１が、ＵＲＬが「Ｈ００１」で示されるウェブページにアクセスし、かかるウェブページを閲覧したことを示している。

なお、図３では図示することを省略したが、行動情報記憶部１２２には、ユーザ端末１０自体を識別する情報であるデバイスＩＤ等が記憶されてもよい。デバイスＩＤは、ユーザＩＤと異なり、端末装置自体に記録されている識別情報を示す。

また、行動情報記憶部１２２は、抽出装置１００の内部に存在せず、例えば外部に接続された所定のログ記憶サーバなどであってもよい。この場合、後述する取得部１３３は、ネットワークＮを介して、所定のログ記憶サーバに記憶されているログを取得することができる。抽出装置１００は、随時ユーザ情報を取得する場合には、ユーザ情報に係るデータを格納するための大量の記憶容量を要する。ここで、抽出装置１００は、行動情報記憶部１２２に対応する外部のログ記憶サーバを利用することにより、記憶容量の要求を満たすことができる。

（属性情報記憶部１２３について）
次に、図４に、実施形態に係る属性情報記憶部１２３の一例を示す。図４は、実施形態に係る属性情報記憶部１２３の一例を示す図である。図４に示した例では、属性情報記憶部１２３は、「ユーザＩＤ」、「属性情報」といった項目を有する。

「ユーザＩＤ」は、ユーザを識別するための識別情報である。属性情報記憶部１２３において用いられるユーザＩＤと、行動情報記憶部１２２におけるユーザＩＤとは共通性を有する。すなわち、ユーザＩＤ「Ｕ１１」という識別情報は、行動情報記憶部１２２及び属性情報記憶部１２３において、同一のユーザＵ１１を示す。

「属性情報」は、ユーザの属性情報を示す。図４の例の場合、「属性情報」は、「性別」、「住所」、「年齢」といった種別に分けられる。このように、属性情報記憶部１２３の「属性情報」は、人口統計学的なユーザの属性情報を示すデモグラフィック属性を記憶する。なお、図４に示した属性情報は一例であって、属性情報記憶部１２３には、ユーザの嗜好、価値観、ライフスタイル、性格などを示すサイコグラフィック属性が記憶されてもよい。また、図示は省略するが、属性情報記憶部１２３には、ユーザの年収、出身地、職業、家族構成、嗜好の高いジャンル等も記憶されてよい。

例えば、図４では、ユーザＩＤ「Ｕ１１」によって識別されるユーザＵ１１の性別が「男性」であり、住所が「東京都」であり、年齢が「３０歳代」である例を示す。

（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、抽出装置１００内部の記憶装置に記憶されている各種プログラム（予測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２に示すように、制御部１３０は、提供部１３１と、受付部１３２と、取得部１３３と、生成部１３４と、抽出部１３５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２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２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。

（提供部１３１について）
提供部１３１は、広告主に対して情報を提供する。具体的には、実施形態に係る提供部１３１は、抽出装置１００を利用する広告主ＣＬ１に対して、情報をやり取りするための所定のユーザインターフェイスを提供する。例えば、提供部１３１は、ユーザが特定の行動をすることが予測されることを説明する行動として、広告主から行動履歴の指定を受け付けるユーザインターフェイスを提供する。

また、提供部１３１は、広告主から複数の行動履歴の指定を受け付けるユーザインターフェイスを提供する。すなわち、広告主は、特定の行動を説明する行動を複数指定することができる。

また、提供部１３１は、後述する抽出部１３５が抽出した結果をユーザインターフェイス上に表示することにより、広告主ＣＬ１に抽出処理の結果を提供する。また、抽出部１３５は、抽出結果に基づいて、所定の評価レポートを生成することがある。この場合、抽出部１３５は、生成した評価レポートを提供部１３１に返す。そして、提供部１３１は、抽出部１３５が生成した評価レポートを広告主端末２０に提供する。

（受付部１３２について）
受付部１３２は、抽出処理に関する条件を受け付ける。具体的には、実施形態に係る受付部１３２は、提供部１３１が提供するユーザインターフェイスを介して、ユーザの特定行動や指定行動を広告主ＣＬ１から受け付ける。

ここで、図５を用いて、提供部１３１が提供するユーザインターフェイスについて説明する。図５は、実施形態に係るユーザインターフェイス４０の一例を示す図である。図５では、提供部１３１が提供するユーザインターフェイス４０を具現化した表示画面４１を示している。

図５に示すように、ユーザインターフェイス４０は、所定のブラウザソフトウェア上に表示される表示画面４１を有する形態により実現される。表示画面４１には、テキストボックス４２、４３、４４、４５及び５０が含まれる。ユーザインターフェイス４０は、テキストボックス４２、４３、４４及び４５において、広告主端末２０からの入力を受け付ける。また、ユーザインターフェイス４０は、抽出部１３５から受け付けた出力をテキストボックス５０に表示する。

例えば、広告主ＣＬ１は、テキストボックス４２に所望するコンバージョンの内容を入力する。図５に示す例では、広告主ＣＬ１は、「直近２日以内に沖縄のホテルを予約」という行動を入力する。

そして、広告主ＣＬ１は、自身の知見に基づいて、テキストボックス４２に入力したコンバージョンの内容を説明する行動をテキストボックス４３、４４及び４５に入力する。図５に示すように、例えば、広告主ＣＬ１は、テキストボックス４３に「スキューバダイビング関連の検索」等のユーザの行動を入力する。このように、広告主ＣＬ１は、自らの知見に基づきユーザの行動を入力することにより、ユーザの行動履歴のデータ全体から自動的に抽出されにくいユーザであっても、抽出対象に含めることができる。すなわち、ユーザインターフェイス４０によれば、広告主の知見に基づいて、広告配信の対象とするユーザを拡張することができる。また、広告主ＣＬ１は、ユーザの一つ一つの行動を定義して「説明する行動」を入力することができる。このため、ユーザインターフェイス４０によれば、広告主は、抽出するユーザに対する条件などのチューニングを容易に行うことができる。なお、図５の例では、説明する行動を入力する欄は、テキストボックス４３、４４及び４５の３つであることを示している。しかし、広告主ＣＬ１が指定する「説明する行動」は、図示した数に限られず、図示した数より多くても少なくてもよい。

そして、受付部１３２は、後述する取得部１３３及び生成部１３４にユーザインターフェイス４０を介して受け付けた情報を渡す。取得部１３３は、受付部１３２が受け付けた特定の行動をしたユーザの行動履歴を取得する。生成部１３４は、受付部１３２から渡された情報に基づいて、ユーザ抽出のためのモデルを生成する。

（取得部１３３について）
取得部１３３は、ユーザ情報を取得する。具体的には、実施形態に係る取得部１３３は、広告コンテンツの配信候補であるユーザの行動履歴を取得する。すなわち、取得部１３３は、ユーザの行動履歴として、広告主ＣＬ１から受け付けた特定行動や説明行動の履歴を取得する。なお、取得部１３３は、特定行動や説明行動に限られず、後述する生成部１３４がユーザの行動モデルを生成するために用いる種々の行動履歴を取得する。例えば、取得部１３３は、ユーザ端末１０によるウェブページへのアクセスであったり、クエリを入力することで行う検索行動であったり、ショッピングページにおける購買行動等の行動履歴を取得する。

また、取得部１３３は、ユーザの属性情報についても取得する。そして、取得部１３３は、取得したユーザ情報をユーザ情報記憶部１２１が有する行動情報記憶部１２１や、属性情報記憶部１２３に格納する。

（生成部１３４について）
生成部１３４は、広告主が指定する行動履歴に基づいて、特定の行動をしたユーザと、特定の行動をすることが予測される対象のユーザとの類似度を判定するモデルを生成する。具体的には、実施形態に係る生成部１３４は、特定の行動をしたユーザの行動履歴のうち特定の行動をした時点から所定期間だけ過去の時点までに含まれる行動履歴と、特定の行動をしたユーザの属性に関する情報と、受付部１３２によって受け付けられた指定行動とに基づいて、類似度を判定するモデルを生成する。

以下では、図３、図４及び図５に示される情報を用いて、実施形態に係るモデルの生成処理について具体的に説明する。ここでは、図５に示すように、生成部１３４は、受付部１３２によって受け付けられた広告主ＣＬ１が入力した特定の行動である「直近２日以内に沖縄のホテルを予約」という行動をすることが予測されるユーザを抽出するためのモデルを生成する例について説明する。

図３において、ユーザＵ１１及びユーザＵ１２は、ともに「沖縄のホテルを予約」という特定の行動をしたユーザである。例えば、ユーザＵ１１は、沖縄のホテル「ＡＡＡ」の予約を「２０１４年６月１２日１０：００」に行ったユーザである。また、ユーザＵ１２は、沖縄のホテル「ＢＢＢ」の予約を「２０１４年６月２１日１５：００」に行ったユーザである。

一方、図３において、ユーザＵ２１及びユーザＵ２２は、現時点において、特定の行動をしていないユーザであるものとする。この場合、生成部１３４は、特定の行動をしたユーザＵ１１及びＵ１２と、特定の行動をすることが予測される対象のユーザＵ２１及びＵ２２との類似度を判定するモデルを生成する。すなわち、生成部１３４は、各ユーザの行動履歴を参照することによりモデルを生成する。

図３の例において、ユーザＵ１１は、特定の行動「ホテルの予約」の所定期間だけ過去の時点（この例では、特定の行動をした時点から直近２日間以内とする）までに含まれる行動履歴として、「“閲覧 ＝＞ ＵＲＬ＝Ｈ００１”」と、「“検索 ＝＞ 航空チケット＿沖縄”」を有する。ここで、「“検索 ＝＞ 航空チケット＿沖縄”」は、ユーザＵ１１がユーザ端末１０を操作することにより、検索サービスにおいて検索クエリ「航空チケット＿沖縄」を入力して検索を行ったことを示す。

また、ユーザＵ１２は、特定の行動「ホテルの予約」の直近２日間の時点までに含まれる行動履歴として、「“閲覧 ＝＞ ＵＲＬ＝Ｈ００１”」と、「“予約 ＝＞ 航空会社「ＣＣＣ」＿沖縄行”」を有する。ここで、「“予約 ＝＞ 航空会社「ＣＣＣ」＿沖縄行”」は、ユーザＵ１１がユーザ端末１０を操作することにより、予約サービスにおいて航空会社「ＣＣＣ」が提供する沖縄便の航空チケットを予約したことを示す。

この場合、ユーザＵ１１及びユーザＵ１２の行動履歴に基づきモデルが生成される際には、上記の想定手法では、モデル生成時点の直近２日間に、「“閲覧 ＝＞ ＵＲＬ＝Ｈ００１”」や、「“検索 ＝＞ 航空チケット＿沖縄”」や、「“予約 ＝＞ 航空会社「ＣＣＣ」＿沖縄行”」などの行動履歴を有するユーザが、ユーザＵ１１及びユーザＵ１２と類似度が高くなるよう判定されるようなモデルが生成されることになる。なお、かかるモデルの生成においては、図４で示すようなユーザ毎の属性情報が用いられる場合もある。この場合、例えば、ユーザＵ１１及びユーザＵ１２と属性が類似するユーザについては、類似度が高くなるよう判定されるようなモデルが生成され得る。

一方、生成部１３４は、上記のユーザＵ１１及びユーザＵ１２の行動履歴に加えて、広告主ＣＬ１の知見に基づいて指定される「説明行動」に基づく要素を加えたモデルを生成する。例えば、生成部１３４は、図５に示すような、「スキューバダイビング関連の検索」や、「過去に沖縄のホテルを予約したことがある」や、「飛行機関連の検索」など、広告主ＣＬ１から指定された説明行動についても、モデル生成に利用する。

すなわち、生成部１３４が生成するモデルにおいては、上記の想定手法によるモデル生成に加えて、広告主ＣＬ１が指定した説明行動がユーザ同士の類似度を判定する指標に含まれる。例えば、上記ユーザＵ１１及びユーザＵ１２の行動履歴の例では、「スキューバダイビング関連の検索」や、「過去に沖縄のホテルを予約したことがある」などが含まれない。このため、上記の想定手法では、抽出処理の対象となるユーザＵ２１及びユーザＵ２２の行動履歴に「スキューバダイビング関連の検索」や、「過去に沖縄のホテルを予約したことがある」などが含まれていたとしても、かかる行動履歴が類似度の判定に及ぼす影響が相対的に低く設定されうる。

ここで、広告主ＣＬ１の知見に基づけば、説明行動を行っているユーザは、将来特定の行動をする可能性が高いことが知られているものとする。そこで、生成部１３４は、説明行動についても類似度の判定の指標に組み込んだ上で、モデルを生成する。この場合、上記の想定手法に比べて、説明行動の行動履歴を有するユーザＵ２１及びユーザＵ２２は、生成部１３４が生成するモデルにおいて「特定の行動をすることが予測されるユーザ」に、より類似すると判定されうる。具体的には、ユーザＵ２１の有する「“検索 ＝＞ スキューバダイビング”」や、ユーザＵ２２の有する「２０１３／０７／１０＿１５：００」における「“予約 ＝＞ ホテル「ＡＡＡ」”」（かかる行動履歴は、「過去に沖縄のホテルを予約したことがある」という説明行動に該当する）や、「“検索 ＝＞ 沖縄＿スキューバダイビング”」といった行動履歴に基づいて、生成部１３４は、かかる行動履歴を有しないユーザと比較して、ユーザＵ２１及びユーザＵ２２と特定の行動をすると予測されるユーザのモデルとの類似度が高くなるよう判定されるようなモデルを生成する。

すなわち、生成部１３４は、モデル生成に用いられるサンプルの全体数における割合において所定の行動履歴を有するユーザが少なく、類似度を判定する指標としては用いられにくい所定の行動履歴に関しても、「説明行動」として広告主から指定を受け付けることにより、モデル生成に反映することができる。これにより、生成部１３４は、広告主の知見を取り入れることができるので、精度よくユーザの類似度を判定することのできるモデルを生成することができる。

なお、ユーザの行動情報と、属性情報とは、異なるタイミングで取得部１３３により取得される場合がある。この場合には、生成部１３４は、ユーザＩＤに基づいて、ユーザの行動と属性とを紐づけることにより、それぞれの情報をモデルの生成に用いることができる。

また、図５で示すように、受付部１３２は、広告主から一つの説明行動の指定を受けるのではなく、複数の説明行動の指定を受け付けることができる。このため、生成部１３４は、広告主から指定を受け付けた複数の説明行動の組み合わせに基づいてモデルを生成することができる。これにより、生成部１３４は、広告主からの詳細な要望に対応することができる。また、生成部１３４は、多くの類似度の判定の指標となる情報を得ることができるので、より精度よく類似度を判定することのできるモデルを生成することができる。

（抽出部１３５について）
抽出部１３５は、取得部１３３によって取得されたユーザの行動履歴のうち広告主が指定する行動履歴に基づいて、特定の行動をすることが予測される対象のユーザを抽出する。具体的には、実施形態に係る抽出部１３５は、生成部１３４によって生成されたモデルを用いて、特定の行動をすることが予測される対象のユーザを抽出する。

例えば、抽出部１３５は、生成部１３４によって生成されたモデルと、抽出処理の対象となるユーザとを対照することにより導出される類似度に基づいて、ユーザを抽出する。例えば、抽出部１３５は、数値によって示される類似度に基づいて、抽出処理の対象となるユーザにスコアを付与する。そして、抽出部１３５は、所定の閾値以上のスコアを付与されたユーザを抽出する。

なお、抽出部１３５は、抽出処理にあたり、ユーザの類似度をスコア以外で表現してもよい。例えば、抽出部１３５は、抽出処理の対象であるユーザの分布を２次元座標空間で表現し、所定の閾値を示す線を定義することによって、類似するユーザであるか否かを抽出してもよい。この場合、２次元座標空間における軸は、例えば、広告主に指定される説明行動との関連性であってもよいし、ユーザが有する過去の行動履歴との関連性であってもよい。例えば、説明行動との関連性が高いユーザほど軸における数値が高くなるので、かかるユーザは、原点に対して遠い位置に分布される。また、抽出部１３５は、所定の閾値を示す線を、広告主に指定される説明行動により表現してもよい。また、抽出部１３５は、所定の閾値を示す線を、広告主から指定される広告コンテンツの配信数により表現してもよい。例えば、抽出部１３５は、広告主から指定される配信数に対応するユーザ数が抽出されるような位置に、２次元座標空間における所定の閾値を示す線を設定する。この場合、所定の閾値を示す線で分けられた一方の領域に分布するユーザは、特定の行動をすると予測されるモデルと類似するユーザとして抽出され、他の一方に分布するユーザは抽出されない。

そして、抽出部１３５は、抽出処理の結果を提供部１３１に返す。具体的には、抽出部１３５は、生成部１３４によって生成されたモデルと類似すると判定されたユーザ数を提供部１３１に通知する。そして、提供部１３１は、抽出部１３５が通知したユーザ数をユーザインターフェイス４０が有するテキストボックス５０に表示することにより、抽出結果を広告主ＣＬ１に提供する。

また、抽出部１３５は、抽出結果に基づいて、所定の評価レポートを生成する。評価レポートは、抽出結果と、広告主ＣＬ１が指定した説明行動との関連性を示す。すなわち、広告主ＣＬ１が所定の説明行動を指定したことにより、説明行動が指定されなかったモデルにおける判定に比べて、類似度が高く判定されるユーザ数が増加したとする。この場合、評価レポートにおいては、かかる説明行動の指定が適切であったものとして評価される。

また、抽出部１３５は、評価の高い説明行動の定義について、例えば、リスト化等を行い、記憶部１２０内の所定の記憶領域に格納してもよい。例えば、提供部１３１は、格納された説明行動を広告主に提供することにより、より優れたモデルの生成に供することができる。

〔３−１．抽出処理手順（１）〕
次に、図６を用いて、実施形態に係る抽出システム１による抽出処理の手順について説明する。図６は、実施形態に係る抽出システム１による抽出処理手順を示すシーケンス図である。

図６に示すように、抽出装置１００は、所定のＵＩを広告主端末２０に提供する（ステップＳ１０１）。広告主端末２０は、ＵＩにユーザの特定行動を入力する（ステップＳ１０２）。

一方、ユーザ端末１０は、ウェブサーバ３０にアクセスする際にクッキーを送信する（ステップＳ１０３）。ウェブサーバ３０は、ユーザ端末１０から送信されたクッキーに基づいて、ユーザ端末１０を操作するユーザのユーザ情報を取得する（ステップＳ１０４）。

ここで、抽出装置１００は、ウェブサーバ３０に対して、特定行動の行動履歴を含むユーザ情報の取得要求を送信する（ステップＳ１０５）。ウェブサーバ３０は、抽出装置１００から送信された取得要求に従い、ユーザ情報を抽出装置１００に送信する（ステップＳ１０６）。

そして、抽出装置１００は、ウェブサーバ３０から送信されたユーザ情報を蓄積する（ステップＳ１０７）。続いて、抽出装置１００は、広告主端末２０から説明行動の指定を受け付ける（ステップＳ１０８）。

そして、抽出装置１００は、広告主端末２０から受け付けた内容に従い、ユーザ抽出のためのモデルを生成する（ステップＳ１０９）。続いて、抽出装置１００は、生成されたモデルを用いて、広告主の目的に沿ったユーザの抽出をする。そして、抽出装置１００は、抽出結果を広告主端末２０に提供する（ステップＳ１１０）。以上により、抽出システム１による抽出処理は完了する。

〔３−２．抽出処理手順（２）〕
次に、図７を用いて、実施形態に係る抽出装置１００による抽出処理手順を説明する。図７は、実施形態に係る抽出装置１００による抽出処理手順を示すフローチャートである。

図７に示すように、提供部１３１は、広告主端末２０にＵＩを提供する（ステップＳ２０１）。受付部１３２は、ＵＩを介して、広告主から特定行動の入力を受け付けたか否かを判定する（ステップＳ２０２）。受付部１３２は、広告主から特定行動の入力を受け付けていない場合には（ステップＳ２０２；Ｎｏ）、受け付けるまで待機する。

一方、受付部１３２は、広告主から特定行動の入力を受け付けた場合には（ステップＳ２０２；Ｙｅｓ）、特定行動を含むユーザ情報の取得要求をウェブサーバ３０に送信し、ユーザ情報を取得する（ステップＳ２０３）。

続いて、受付部１３２は、広告主から説明行動の指定を受け付ける（ステップＳ２０４）。そして、生成部１３４は、受付部１３２が受け付けた内容と、保持するユーザ情報とに基づいて、ユーザ抽出のためのモデルを生成する（ステップＳ２０５）。そして、抽出部１３５は、生成部１３４によって生成されたモデルを用いて、特定の行動をすると予測されるユーザの抽出処理を実行する。これにより、抽出部１３５は、ユーザ数を抽出する（ステップＳ２０６）。そして、提供部は、ＵＩを介して、抽出結果を広告主に提供する（ステップＳ２０７）。以上により、抽出装置１００による抽出処理は完了する。

〔３−３．業務プロセス〕
次に、実施形態に係る抽出装置１００を利用する広告主ＣＬ１の業務プロセスの一例を説明する。ここで、広告主ＣＬ１は、広告主端末２０に表示されるＵＩを介して、下記に説明する業務プロセスを実行する。

まず、広告主ＣＬ１は、ＵＩ上において、広告コンテンツの配信候補であるユーザが将来すると予測される「特定の行動」を入力する。図５の例でいえば、広告主ＣＬ１は、テキストボックス４２に「直近２日以内に沖縄のホテルを予約」というテキストを入力することにより、特定の行動の入力を行う。なお、広告主ＣＬ１は、特定の行動として、所定のウェブページの閲覧行動や、所定のショッピングサイトにおける購買行動などを入力することもできる。

そして、広告主ＣＬ１は、抽出装置１００が特定の行動に関する情報を蓄積するまで待機する。例えば、広告主ＣＬ１は、抽出装置１００がモデルを生成することのできる行動履歴を十分に蓄積する所定の期間（例えば、数日間や、数か月間など）、待機する。

続いて、広告主ＣＬ１は、ＵＩ上において、特定の行動をすると予測する動機づけとなる「説明する行動」を指定する。図５の例でいえば、広告主ＣＬ１は、テキストボックス４３に、「スキューバダイビング関連の検索」というテキストを入力することにより、説明する行動の指定を行う。なお、広告主ＣＬ１は、テキストボックス４４及び４５に、さらに説明する行動を指定してもよい。

そして、広告主ＣＬ１は、指定した説明する行動に基づいて抽出装置１００が抽出したユーザに関する情報の提供を受ける。具体的には、広告主ＣＬ１は、ＵＩ上のテキストボックス５０に表示されるユーザ数の通知を受ける。

また、広告主ＣＬ１は、抽出装置１００が生成する評価レポートを閲覧することができる。広告主ＣＬ１は、評価レポートに基づいて、自身が指定した説明行動が適切に指定できているか否かの評価を認識できる。例えば、評価レポートには、評価結果の再現性を表すスコアである信頼度評価や、行動予測の当たり具合を示す精度評価が含まれる。例えば、広告主ＣＬ１は、予測精度が悪いと評価される場合には、指定した説明する行動を精査し、異なる行動を指定することができる。

そして、広告主ＣＬ１は、提供された結果に基づいて、所定の広告配信サーバに広告配信の要求を行う。具体的には、広告主ＣＬ１は、抽出装置１００によって抽出されたユーザ、すなわち、将来特定の行動をすると予測されるユーザに対して広告コンテンツを配信させる。これにより、広告主ＣＬ１は、配信させる広告コンテンツの広告効果を向上させることができる。

〔４．変形例〕
上述した抽出装置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、抽出装置１００の他の実施形態について説明する。

〔４−１．モデルの学習〕
上述した実施形態において、取得部１３３がユーザの行動履歴を取得し、生成部１３４が、取得された行動履歴と、広告主から指定された説明行動とに基づいて、ユーザの行動予測モデルを生成する例を示した。ここで、抽出装置１００は、生成したモデルによる抽出処理の後に、抽出結果を学習したモデルを用いて抽出処理を行ってもよい。

この場合、取得部１３３は、抽出部１３５によって対象のユーザが抽出された後、対象のユーザの抽出後における行動履歴を取得する。そして、生成部１３４は、取得部１３３によって取得された対象のユーザの抽出後における行動履歴に特定の行動が含まれるか否かを判定することで、広告主が指定した説明行動に対して評価するとともに、評価した結果を基に学習されたモデルを生成する。

すなわち、抽出部１３５が抽出処理を実行することにより、特定の行動をすると予測されるユーザが抽出される。そして、取得部１３３は、抽出されたユーザのその後の行動履歴を取得する。これにより、抽出されたユーザが、その後に、実際に特定の行動をすることとなったか否かを判定することができる。

生成部１３４は、抽出されたユーザが実際に特定の行動をしていた場合には、抽出されたユーザを抽出したモデルに係る説明行動が適切であったものと評価する。例えば、生成部１３４は、取得部１３３によって取得された対象のユーザの抽出後における行動履歴に特定の行動が含まれていた場合、対象のユーザの抽出に用いたモデルに係る説明行動について、抽出後の行動履歴に特定の行動が含まれていなかったユーザの抽出に用いたモデルに係る説明行動よりも重みを付けてモデルを生成する。

この場合、生成部１３４は、モデル生成時点において説明行動を評価してもよいし、抽出部１３５が生成した評価レポートに基づいて、所定の説明行動に関する重みを重くするようにしてもよい。

このように、抽出装置１００は、抽出処理に用いた説明行動に関して評価し、評価をモデル生成にさらに反映することにより、段階的に抽出処理の精度を向上させていくことができる。

また、上述した実施形態において、生成部１３４は、広告主から受け付けた特定行動で示される期間だけ過去の時点の行動履歴を利用してモデルを生成する例を示した。しかし、上記の所定期間は、広告主から受け付けた特定行動で示される期間に限定されるものではない。例えば、広告主から受け付けた特定行動が「直近２日以内に沖縄のホテルを予約する」であったとしても、生成部１３４は、異なる期間のユーザの行動履歴を用いてモデルを生成してもよい。この場合、生成部１３４は、抽出結果に基づいて、適切な所定期間を学習することにより、任意の所定期間を設定してモデルを生成してもよい。

〔４−２．ユーザ情報の取得〕
上述した実施形態に係る抽出処理において、取得部１３３は、ユーザ端末１０がウェブサーバ３０の提供するウェブサイトにアクセスした場合におけるユーザ情報を取得する例を示した。しかし、取得部１３３は、ユーザ端末１０がウェブサーバ３０の提供するウェブサイトにアクセスする場合に限らず、ユーザ端末１０からユーザ情報を取得することもある。この点について、以下に説明する。

例えば、ウェブサーバ３０が提供する所定のウェブサイトには、ウェブビーコン（web beacon）等によって実現される、ユーザ情報に関する通知機能が埋め込まれる場合がある。例えば、ウェブビーコンは、ウェブページにアクセスしたユーザが利用する情報端末を抽出装置１００内に格納される透明な画像又は非常に小さな画像（「クリアＧＩＦ」と呼ばれることもある）にアクセスさせる機能を有する。これにより、抽出装置１００は、ユーザが利用するユーザ端末１０からユーザ情報を受信し、取得する。

上記のように、実施形態に係る取得部１３３は、ウェブサーバ３０の提供するウェブサイトに埋め込まれたウェブビーコンのような通知機能を利用することにより、ユーザ端末１０からユーザ情報を取得する。一方、取得部１３３は、ユーザ端末１０が上記のような通知機能を備えないウェブサイトにアクセスした場合には、ユーザ情報を取得することができない。

しかし、ユーザ端末１０がアクセスしたウェブサイトが、抽出装置１００を管理する管理装置（例えば、抽出装置１００に対するフロントエンドサーバ）と同じ管理装置に管理される所定のウェブサーバから提供されている場合、取得部１３３は、ユーザ端末１０からユーザ情報を取得することができる。すなわち、ユーザ端末１０は、管理装置に管理される所定のウェブサーバが提供するウェブサイトにアクセスする際、ユーザ端末１０のユーザ情報を上記管理装置に送信する。これは、ユーザ端末１０が管理装置にクッキーを送信することなどにより実現される。この場合、ユーザ端末１０の送信したユーザ情報は、管理装置を介して、抽出装置１００の備える取得部１３３に送信される。これにより、取得部１３３は、ウェブサーバ３０を介することなく、ユーザ端末１０のユーザ情報を取得することができる。

なお、取得部１３３は、ウェブサーバ３０を介さずに蓄積されたユーザ情報に対応するユーザ端末１０がウェブサーバ３０にアクセスした場合には、ウェブサーバ３０を介さずに蓄積されたユーザ情報に含まれるユーザＩＤ「Ｕ１」と同一のユーザＩＤ「Ｕ１」を含むユーザ情報を取得する。すなわち、取得部１３３は、ウェブサーバ３０を介したユーザ情報であっても、ウェブサーバ３０を介さないユーザ情報であっても、ユーザ端末１０にかかるユーザ識別情報については、同一のユーザＩＤ「Ｕ１」を取得することができる。このことは、ユーザ端末１０が同一のブラウザを用いてウェブサイトにアクセスすることで、ユーザ端末１０が、ウェブサーバ３０と管理装置とに対応するクッキーを送信することにより実現される。あるいは、ユーザ端末１０のデバイスＩＤを照合することにより実現される。

〔４−３．装置構成〕
上述した実施形態に係る抽出処理において、提供部１３１は、抽出処理の結果を広告主に提供する例を示した。そして、広告主は、提供された抽出結果に基づいて、所定の広告配信サーバに広告コンテンツの配信を要求する例を示した。しかし、抽出装置１００は、配信部や、広告コンテンツ記憶部をさらに有し、抽出されたユーザに対して広告の配信を行う広告装置であってもよい。

この場合、抽出装置１００に対応する広告装置は、入稿受付部と、広告コンテンツ記憶部と、配信部とを有する。入稿受付部は、広告主端末２０から広告コンテンツの入稿を受け付ける。広告コンテンツ記憶部は、入稿受付部が受け付けた広告コンテンツを記憶する。配信部は、広告主からの広告コンテンツの配信要求に応答して、抽出されたユーザに広告コンテンツを配信する。

なお、実際に配信される広告コンテンツのデータ自体は、広告装置に係る広告コンテンツ記憶部内に記憶されていなくてもよい。例えば、配信部は、外部に備えられた所定のストレージサーバに広告配信の制御命令を送信することで、ユーザ端末１０に広告コンテンツを配信させてもよい。

〔４−４．広告主から受け付ける条件〕
上述した実施形態では、受付部１３２は、ＵＩ上において、広告主から特定行動や説明行動の入力を受け付ける例を示した。具体的には、受付部１３２は、図５で示すように、広告主が入力するテキストボックス内のテキストを受け付ける例を示した。

しかし、受付部１３２は、異なる手法により広告主から特定行動や説明行動の入力を受け付けてもよい。例えば、広告主が入力する情報は、プルダウン方式により、広告主が選択できる形態でもよい。また、上記のように、説明行動に対する評価レポートの結果がある場合には、広告主が入力する情報は、過去に指定された説明行動の中から広告主が選択できる形態でもよい。

〔４−５．レポート〕
上述した実施形態では、評価レポートにより、広告主が説明行動を適切に指定できているか否かの評価結果が示される例を示した。ここで、評価レポートには、実際に広告が配信された後の、広告コンテンツのＣＰＡ（Cost Per Acquisition）などが含まれてもよい。ＣＰＡは、広告コンテンツによってコンバージョンにつながった（新規顧客を獲得した）場合における、新規顧客の獲得人数あたりの費用を示す。ＣＰＡは、広告費用をコンバージョン数で除算することで求められ、ＣＰＡの値が低いほど、広告の効率がよいことを意味している。これにより、広告主は、顧客の範囲を精度良く拡張できたか否かを判断することができる。

また、抽出されたユーザに関する情報は、広告配信に利用される態様に限られず、他の様々な用途に利用されてもよい。例えば、抽出装置１００の抽出したユーザに関する情報は、抽出装置１００により生成されるユーザリスト等に基づいて、新たなユーザの獲得のための行動（例えば、抽出されたユーザへのメール配信など）に利用されてもよい。

〔４−６．コンテンツ〕
上述した実施形態では、ユーザに配信されるコンテンツは、広告コンテンツである例を示した。また、コンテンツの提供主は広告主である例を示した。しかし、コンテンツは広告コンテンツ以外であってもよい。例えば、コンテンツは、ウェブページであってもよい。この場合、抽出装置１００は、ウェブページをユーザに閲覧させることを所望するウェブページの提供主から、特定行動や説明行動の入力を受け付ける。なお、コンテンツの提供主とは、広告コンテンツやウェブページの提供主本人に限定されるものではない。上述のように、コンテンツの提供主とは、広告代理店であってもよいし、あるいは、広告コンテンツの入稿先である広告配信会社における広告主担当者であってもよい。この場合、広告代理店や、広告配信会社における広告主担当者には、広告主の企業活動や、営業の内容等を知り得る者や、あるいは、直接又は間接的に、広告主から企業活動や、営業の内容についての知見を享受することが可能であり、広告主と同等の知見を有することが可能な者を含む。すなわち、コンテンツの提供主とは、提供主本人のみならず、提供主と同等の知見を有する者や、適宜広告主から知見を得ることのできる者をも含む概念である。

〔５．ハードウェア構成〕
また、上述してきた実施形態に係る抽出装置１００は、例えば図８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、抽出装置１００を例に挙げて説明する。図８は、抽出装置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（ネットワークＮに対応する）を介して他の機器からデータを受信してＣＰＵ１１００へ送り、また、通信網５００を介してＣＰＵ１１００が生成したデータを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が実施形態に係る抽出装置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。

〔６．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２に示した提供部１３１と受付部１３２は統合されてもよい。また、例えば、生成部１３４及び抽出部１３５は、統合された抽出部であってもよい。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、外部に備えられた記憶装置に記憶されてもよい。

また、例えば、上記実施形態では、抽出装置１００が、広告コンテンツの配信対象の候補となるユーザに関する情報を取得する取得処理と、目的とするユーザを抽出する抽出処理とを行う例を示した。しかし、上述した抽出装置１００は、取得処理を行う取得装置と、抽出処理を行う抽出装置とに分離されてもよい。この場合、取得装置は、取得部１３３を有する。また、抽出装置は、提供部１３１と、受付部１３２と、生成部１３４と、抽出部１３５とを有する。

また、上述してきた各実施形態は、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。

〔７．効果〕
上述してきたように、実施形態に係る抽出装置１００は、取得部１３３と、抽出部１３５とを備える。取得部１３３は、コンテンツ（例えば、広告コンテンツ）の配信候補であるユーザの行動履歴を取得する。抽出部１３５は、取得部１３３によって取得された行動履歴のうちコンテンツの提供主（例えば、広告主）が指定する行動履歴に基づいて、特定の行動をすることが予測される対象のユーザを抽出する。

これにより、実施形態に係る抽出装置１００は、広告主の知見に基づいて、特定の行動をすることが予測されるユーザを高精度に抽出することができる。そして、実施形態に係る抽出装置１００によれば、広告主は、広告主の目的に沿う行動を将来行うユーザに広告コンテンツを配信することができるので、配信する広告コンテンツの広告効果を向上させることができる。

また、実施形態に係る抽出装置１００は、広告主が指定する行動履歴である説明行動に基づいて、特定の行動をしたユーザと、特定の行動をすることが予測される対象のユーザとの類似度を判定するモデルを生成する生成部１３４をさらに備える。そして、抽出部１３５は、生成部１３４によって生成されたモデルを用いて、特定の行動をすることが予測される対象のユーザを抽出する。

このように、実施形態に係る抽出装置１００は、ユーザ同士の類似度に基づいて、特定行動を実行すると想定されるユーザを抽出する。このため、実施形態に係る抽出装置１００は、広告配信の対象とするユーザを正確な判定の下で高精度に抽出することができる。

また、取得部１３３は、特定の行動をしたユーザの行動履歴を取得する。生成部１３４は、特定の行動をしたユーザの行動履歴のうち、特定の行動をした時点から所定期間だけ過去の時点までに含まれる行動履歴と、特定の行動をしたユーザの属性に関する情報と、広告主が指定する行動履歴とに基づいてモデルを生成する。

このように、実施形態に係る抽出装置１００は、モデルの生成にあたり、特定の行動をしたユーザの情報について類似度の判定の指標とし、さらに、広告主から指定された説明行動についても類似度の判定の指標とする。このため、実施形態に係る抽出装置１００は、様々な情報を利用してユーザの行動予測モデルを生成できるので、高精度にユーザを抽出するモデルを生成することができる。

また、実施形態に係る抽出装置１００は、ユーザが特定の行動をすることが予測されることを説明する行動として、広告主から行動履歴の指定を受け付けるユーザインターフェイス４０を提供する提供部１３１をさらに備える。そして、生成部１３４は、提供部１３１によって提供されるユーザインターフェイス４０を介して広告主から指定を受け付けた行動履歴に基づいて、モデルを生成する。

このように、実施形態に係る抽出装置１００によれば、広告主は、ユーザインターフェイス４０を介して、抽出装置１００との情報のやり取りを行うことができる。これにより、広告主は、自身の知見に基づいて指定するユーザの行動などに関する入力を容易に行うことができる。すなわち、抽出装置１００は、ユーザインターフェイス４０を提供することで、広告主にとってわかりやすく、かつ、利便性の高い環境を提供するとともに、ユーザの抽出処理を効率よく実行させることができる。

また、提供部１３１は、広告主から複数の行動履歴の指定を受け付けるユーザインターフェイス４０を提供する。生成部１３４は、広告主から指定を受け付けた複数の行動履歴の組み合わせに基づいて、モデルを生成する。

これにより、実施形態に係る抽出装置１００は、広告主の詳細な要望に応じて、広告配信の対象となるユーザを抽出することができる。

また、取得部１３３は、抽出部１３５によって対象のユーザが抽出された後、対象のユーザの抽出後における行動履歴を取得する。生成部１３４は、取得部１３３によって取得された対象のユーザの抽出後における行動履歴に特定の行動が含まれるか否かを判定することで、広告主が指定した行動履歴に対して評価するとともに、評価した結果を基に学習されたモデルを生成する。

具体的には、生成部１３４は、取得部１３３によって取得された対象のユーザの抽出後における行動履歴に特定の行動が含まれていた場合、対象のユーザの抽出に用いたモデルに係る説明行動について、抽出後の行動履歴に特定の行動が含まれていなかったユーザの抽出に用いたモデルに係る説明行動よりも重みを付けてモデルを生成する。

これにより、実施形態に係る抽出装置１００は、ユーザの行動の実態に即して学習された処理を行うモデルを生成することができる。結果として、実施形態に係る抽出装置１００は、より精度良くユーザを抽出することができるようになる。

以上、本願の実施形態のいくつかを図面に基づいて詳細に説明したが、これらは例示であり、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 抽出システム
１０ ユーザ端末
２０ 広告主装置
３０ ウェブサーバ
４０ ユーザインターフェイス
１００ 抽出装置
１１０ 通信部
１２０ 記憶部
１２１ ユーザ情報記憶部
１２２ 行動情報記憶部
１２３ 属性情報記憶部
１３０ 制御部
１３１ 提供部
１３２ 受付部
１３３ 取得部
１３４ 生成部
１３５ 抽出部

Claims (8)

1. コンテンツの配信候補であるユーザの行動履歴と、特定の行動を行動履歴に含むユーザの行動履歴とを取得し、所定の記憶部に格納する取得部と、
   前記所定の記憶部に格納された、前記コンテンツの配信候補であるユーザの行動履歴と、前記特定の行動を行動履歴に含むユーザの行動履歴とに基づいて、当該コンテンツの配信候補であるユーザと当該特定の行動を行動履歴に含むユーザとの類似度を判定するモデルであって、前記特定の行動に関する行動履歴と、前記特定の行動をとる動機付けを説明するための行動である説明行動に関する行動履歴とを用いて類似度を判定するモデルを生成する生成部と、
   前記所定の記憶部に格納された、前記コンテンツの配信候補であるユーザの行動履歴を前記モデルに入力することで、当該コンテンツの配信候補であるユーザのうち、当該モデルによって前記類似度が所定の閾値以上であると判定されたユーザを、当該特定の行動をすることが予測される対象のユーザとして抽出する抽出部と、
   を備えることを特徴とする抽出装置。
2. 前記生成部は、
   前記特定の行動をしたユーザの行動履歴のうち当該特定の行動をした時点から所定期間だけ過去の時点までに含まれる行動履歴と、前記特定の行動をしたユーザの属性に関する情報と、前記コンテンツの提供主が指定する説明行動に関する行動履歴とに基づいて前記モデルを生成する、
   ことを特徴とする請求項１に記載の抽出装置。
3. 前記説明行動として、前記コンテンツの提供主から前記説明行動に関する行動履歴の指定を受け付けるユーザインターフェイスを提供する提供部をさらに備え、
   前記生成部は、
   前記提供部によって提供されるユーザインターフェイスを介して前記コンテンツの提供主から指定を受け付けた前記説明行動に関する行動履歴に基づいて、前記モデルを生成する、
   ことを特徴とする請求項１又は２に記載の抽出装置。
4. 前記提供部は、
   前記コンテンツの提供主から複数の種別の前記説明行動に関する行動履歴の指定を受け付ける前記ユーザインターフェイスを提供し、
   前記生成部は、
   前記コンテンツの提供主から指定を受け付けた複数の種別の前記説明行動に関する行動履歴の組み合わせに基づいて、前記モデルを生成する、
   ことを特徴とする請求項３に記載の抽出装置。
5. 前記取得部は、
   前記抽出部によって前記対象のユーザが抽出された後、該対象のユーザの抽出後における行動履歴を取得し、
   前記生成部は、
   前記取得部によって取得された該対象のユーザの抽出後における行動履歴に前記特定の行動が含まれるか否かを判定することで、前記コンテンツの提供主が指定した前記説明行動に関する行動履歴に対して評価するとともに、評価した結果を基に学習されたモデルを生成する、
   ことを特徴とする請求項１〜４のいずれか一つに記載の抽出装置。
6. 前記生成部は、
   前記取得部によって取得された該対象のユーザの抽出後における行動履歴に前記特定の行動が含まれていた場合、前記対象のユーザの抽出に用いたモデルに係る前記説明行動に関する行動履歴について、抽出後の行動履歴に前記特定の行動が含まれていなかったユーザの抽出に用いたモデルに係る前記説明行動に関する行動履歴よりも重みを付けてモデルを生成する、
   ことを特徴とする請求項５に記載の抽出装置。
7. コンピュータが実行する抽出方法であって、
   コンテンツの配信候補であるユーザの行動履歴と、特定の行動を行動履歴に含むユーザの行動履歴とを取得し、所定の記憶部に格納する取得工程と、
   前記所定の記憶部に格納された、前記コンテンツの配信候補であるユーザの行動履歴と、前記特定の行動を行動履歴に含むユーザの行動履歴とに基づいて、当該コンテンツの配信候補であるユーザと当該特定の行動を行動履歴に含むユーザとの類似度を判定するモデルであって、前記特定の行動に関する行動履歴と、前記特定の行動をとる動機付けを説明するための行動である説明行動に関する行動履歴とを用いて類似度を判定するモデルを生成する生成工程と、
   前記所定の記憶部に格納された、前記コンテンツの配信候補であるユーザの行動履歴を前記モデルに入力することで、当該コンテンツの配信候補であるユーザのうち、当該モデルによって前記類似度が所定の閾値以上であると判定されたユーザを、当該特定の行動をすることが予測される対象のユーザとして抽出する抽出工程と、
   を含んだことを特徴とする抽出方法。
8. コンテンツの配信候補であるユーザの行動履歴と、特定の行動を行動履歴に含むユーザの行動履歴とを取得し、所定の記憶部に格納する取得手順と、
   前記所定の記憶部に格納された、前記コンテンツの配信候補であるユーザの行動履歴と、前記特定の行動を行動履歴に含むユーザの行動履歴とに基づいて、当該コンテンツの配信候補であるユーザと当該特定の行動を行動履歴に含むユーザとの類似度を判定するモデルであって、前記特定の行動に関する行動履歴と、前記特定の行動をとる動機付けを説明するための行動である説明行動に関する行動履歴とを用いて類似度を判定するモデルを生成する生成手順と、
   前記所定の記憶部に格納された、前記コンテンツの配信候補であるユーザの行動履歴を前記モデルに入力することで、当該コンテンツの配信候補であるユーザのうち、当該モデルによって前記類似度が所定の閾値以上であると判定されたユーザを、当該特定の行動をすることが予測される対象のユーザとして抽出する抽出手順と、
   をコンピュータに実行させることを特徴とする抽出プログラム。

Images