JP2021140646A - ターゲットユーザ特徴抽出方法、ターゲットユーザ特徴抽出システム及びターゲットユーザ特徴抽出サーバ - Google Patents

Abstract

【課題】ウェブサイトに情報を提供する投稿者が獲得したいユーザ特徴を、ウェブサイトにアクセスしたユーザの履歴から抽出する。【解決手段】計算機が、ウェブサーバのコンテンツにアクセスしたユーザ端末の履歴情報を格納したセッションデータと、ユーザの属性情報を格納したユーザ属性データと、をユーザデータとして取得し、前記コンテンツの属性を格納したページ属性データと、前記コンテンツを提供した投稿者の属性を格納した投稿者属性データと、を投稿者データとして取得し、抽出対象とする投稿者と当該投稿者が獲得目標とするユーザ特徴をターゲットタイプとして取得し、ターゲットタイプから抽出対象のデータの項目と値の範囲を算出し、前記ユーザデータと前記投稿者データから前記項目に対応する抽出対象データを算出し、前記抽出対象データと前記投稿者データから前記項目の値の範囲に基づいてアクセスの特徴量を算出する。【選択図】図３

Description

本発明は、ウェブサイトを閲覧するユーザの履歴情報から特定のユーザ特徴を抽出する技術に関する。

インターネット上のウェブサイトでは、コンテンツにアクセスするユーザの行動履歴（閲覧や視聴又は検索の履歴）に基づいて、コンテンツに表示する広告の内容を決定する技術が知られている。

また、商品やサービスを提供するウェブサイトでは、商品やレビューにアクセスするユーザの行動履歴に基づいてユーザの嗜好を推定し、推薦する商品やサービスを決定する技術が知られている。

ウェブサイトにアクセスするユーザの嗜好を分析するウェブ解析の技術としては、例えば、特許文献１、２が知られている。

特許文献１には、ユーザ情報格納部及びユーザ履歴情報格納部を参照して、ユーザ毎に、レコメンド候補のアイテムを推定する技術が開示されている。また、特許文献２には、ユーザが選択したアイテムの選択履歴からユーザの嗜好分布を解析し、好分布の中心に近く、嗜好分布形状から離れている推薦指標を算出し、算出された前記推薦指標に基づいて、推薦するアイテムを表示する技術が開示されている。

特開２０１５−１４８９７５号公報 特開２０１１−９６０２５号公報

ウェブサイトにコンテンツ等の情報を提供する投稿者は、提供するコンテンツにアクセスするユーザに応じて、新たなビジネスの創出や、既存のユーザの掘り起こしを意図する場合がある。投稿者がターゲットとするユーザの特徴（以下、ユーザ特徴とする）を抽出する際に、重要視される項目は投稿者の嗜好やターゲット（獲得目標）に依存する。

例えば、投稿者には、現在のビジネスを広げるため、既存の顧客へのアプローチを重要視する者もいれば、新たなビジネスを創出するために、潜在する顧客を探ることを重要視する者もいる。投稿者がターゲットとするユーザ特徴を抽出するためには、ユーザのウェブ解析に加えて、投稿者の意図を的確に抽出することが必要となる。

上記従来例の特許文献１では、ユーザの嗜好を判定した後、ユーザの行動履歴からユーザに情報を提示する計画を算出している。この特許文献１に開示されている嗜好判定部では、類似度の判定にはユーザの属性情報と履歴情報を用いているのみで、アイテム（コンテンツ）を提供する側のターゲットに関する意図（又は嗜好）は考慮されていない、という問題があった。

また、従来例の特許文献２では、ユーザの嗜好を解析して、嗜好分布形状から離れている推薦指標を算出して意外性のあるアイテムを提供している。しかし、この特許文献２では、アイテムの提供者が意図するターゲットについては考慮されていない、という問題があった。

そこで本発明は、上記問題点に鑑みてなされたもので、ウェブサイトに情報を提供する投稿者が獲得したいユーザ特徴を、ウェブサイトにアクセスしたユーザの履歴から抽出することを目的とする。

本発明は、プロセッサとメモリを有する計算機が、ウェブサーバのコンテンツにアクセスした履歴情報から投稿者が獲得目標とするユーザ特徴を抽出するターゲットユーザ特徴抽出方法であって、前記計算機が、前記ウェブサーバのコンテンツにアクセスしたユーザ端末の履歴情報を格納したセッションデータと、前記ユーザ端末を利用するユーザの属性情報を格納したユーザ属性データと、をユーザデータとして取得するユーザデータ取得ステップと、前記計算機が、前記コンテンツの属性を格納したページ属性データと、前記コンテンツを提供した前記投稿者の属性を格納した投稿者属性データと、を投稿者データとして取得する投稿者データ取得ステップと、前記計算機が、抽出対象とする投稿者を受け付けて、前記投稿者が獲得目標とするユーザの情報をターゲットタイプとして取得する嗜好取得ステップと、前記計算機が、前記投稿者のターゲットタイプから抽出対象のデータの項目と前記項目の値の範囲を算出するターゲット算出ステップと、前記計算機が、前記ユーザデータと前記投稿者データから前記項目に対応する抽出対象データを算出するセッション特徴算出ステップと、前記計算機が、前記抽出対象データと前記投稿者データから前記項目の値の範囲に基づいてアクセスの特徴量を算出するアクセス特徴抽出ステップと、を含む。

したがって、本発明は、コンテンツを提供する投稿者の嗜好に応じたユーザ特徴を、ウェブサイトにアクセスしたユーザの履歴情報から抽出することが可能となる。これにより、情報の投稿者が期待するユーザの抽出に加えて、投稿者の意図とは異なる新規のユーザ特徴も抽出することが可能となって、新たなビジネスの創出することも可能となる。

本明細書において開示される主題の、少なくとも一つの実施の詳細は、添付されている図面と以下の記述の中で述べられる。開示される主題のその他の特徴、態様、効果は、以下の開示、図面、請求項により明らかにされる。

本発明の実施例を示し、ターゲットユーザ特徴抽出システムの構成の一例を示すブロック図である。 本発明の実施例を示し、ターゲットユーザ特徴抽出サーバの構成の一例を示すブロック図である。 本発明の実施例を示し、ターゲットユーザ特徴抽出サーバで行われる処理の概要を示す図である。 本発明の実施例を示し、セッションデータの一例を示す図である。 本発明の実施例を示し、ユーザ属性データの一例を示す図である。 本発明の実施例を示し、抽出対象データの一例を示す図である。 本発明の実施例を示し、範囲変換情報の一例を示す図である。 本発明の実施例を示し、ターゲットユーザ特徴抽出サーバのセッション特徴算出部で行われる処理の一例を示すフローチャートである。 本発明の実施例を示し、ターゲット算出部で行われる処理の一例を示すフローチャートである。 本発明の実施例を示し、範囲変換部で行われる処理の一例を示すフローチャートである。 本発明の実施例を示し、範囲変換部で行われる処理の一例を示す図である。 本発明の実施例を示し、ターゲット判定項目加工部で行われる処理の一例を示すフローチャートである。 本発明の実施例を示し、学習用の選択データの一例を示す図である。 本発明の実施例を示し、選択データの一例を示すグラフである。 本発明の実施例を示し、カテゴリテーブルの一例を示す図である。 本発明の実施例を示し、条件テーブルの一例を示す図である。 本発明の実施例を示し、選択データの一例を示すグラフである。 本発明の実施例を示し、選択データの一例を示す図である。 本発明の実施例を示し、業種類似度マップの一例を示す図である。 本発明の実施例を示し、閲覧数データの一例を示す図である。 本発明の実施例を示し、業種類似度マップの一例を示す図である。 本発明の実施例を示し、統計データの一例を示す図である。 本発明の実施例を示し、業種類似度マップの一例を示す図である。 本発明の実施例を示し、抽出結果画面の一例を示す図である。 本発明の実施例を示し、抽出対象の一例を示す図である。

以下、本発明の実施形態を添付図面に基づいて説明する。

図１は、本発明の実施例を示し、ターゲットユーザ特徴抽出システムの構成の一例を示すブロック図である。

ターゲットユーザ特徴抽出システムは、コンテンツ２１０及び広告２２０を含むウェブサイトを管理するウェブサーバ２００と、ウェブサイトの情報にアクセスするユーザ端末１００−１〜１００−３と、ウェブサーバ２００に情報を供給する投稿端末３００−１〜３００−３と、投稿端末３００−１〜３００−３から情報を提供する投稿者が獲得したいユーザ（ターゲットタイプ）を、ウェブサーバ２００のアクセス履歴（ログ２３０）から抽出するターゲットユーザ特徴抽出サーバ１を含む。

ユーザ端末１００−１〜１００−３の符号は、個々に特定しない場合では「−」以降を省略した符号「１００」を用いる。他の構成要素の符号についても同様の符号を用いる。

投稿端末３００−１〜３００−３は、それぞれ異なる業種の投稿者Ａ、Ｂ、Ｃによって運用され、各投稿者Ａ〜Ｃは、広告主も兼ねてコンテンツ２１０と広告２２０を提供する。

なお、本実施例では、投稿端末３００を運用する投稿者がコンテンツ２１０の提供と広告主を兼ねる例を示すが、これに限定されるものではなく、コンテンツ２１０の投稿者と広告主が異なってもよい。また、ユーザ端末１００−１〜１００−３は、それぞれ異なる業種ａ、ｂ、ｃのユーザによって運用され、ウェブサーバ２００のコンテンツ２１０や広告２２０を閲覧する。

ウェブサーバ２００は計算機で構成され、ユーザ端末１００のアクセス履歴（履歴情報）と、投稿端末３００を利用する投稿者の情報と、コンテンツ２１０の属性データをターゲットユーザ特徴抽出サーバ１へ送信する。なお、ウェブサーバ２００は、データベースサーバやアプリケーションサーバ等に接続されて、ウェブサイトを構築してもよい。

ターゲットユーザ特徴抽出サーバ１は、ウェブサーバ２００が提供するウェブサイトに情報を提供する投稿者Ａ〜Ｃが獲得したいユーザ（ユーザ端末１００の利用者）を、ウェブサーバ２００にアクセスしたユーザの履歴（セッションデータ）からユーザ特徴を抽出する。また、ターゲットユーザ特徴抽出サーバ１は、投稿端末３００が提供したコンテンツ（ページ）２１０を分析してページ特徴として抽出する。

ターゲットユーザ特徴抽出サーバ１は、ユーザ端末１００のアクセスの履歴を所定の周期（例えば、１ヶ月）で収集して、抽出対象の投稿者についてユーザ特徴とページ特徴を含むアクセスの特徴量を抽出して投稿端末３００へ通知する。

なお、投稿端末３００は、投稿者が獲得したいユーザの情報をターゲットタイプとして、ターゲットユーザ特徴抽出サーバ１へ予め通知しておく。あるいは、投稿者はターゲットタイプを投稿端末３００からウェブサーバ２００に通知し、ターゲットユーザ特徴抽出サーバ１がウェブサーバ２００からターゲットタイプを取得するようにしてもよい。

図２は、ターゲットユーザ特徴抽出サーバ１の構成の一例を示すブロック図である。ターゲットユーザ特徴抽出サーバ１は、プロセッサ１１と、メモリ１２と、ストレージ装置１３と、入力装置１４と、出力装置１５と、通信装置１６を含む計算機である。

通信装置１６は、ネットワーク４００に接続されてウェブサーバ２００及び投稿端末３００と通信を行う。出力装置１５は、ディスプレイ等で構成される。入力装置１４は、キーボードやマウス又はタッチパネルで構成される。

メモリ１２には、処理対象選択部２１と、セッション特徴算出部２２と、ターゲット算出部２３と、アクセス特徴抽出部２７と、ターゲット判定項目加工部２８と、データ加工部３０と、学習部３１がプログラムとしてロードされ、プロセッサ１１によって実行される。

プロセッサ１１は、各機能部のプログラムに従って処理を実行することによって、所定の機能を提供する機能部として稼働する。例えば、プロセッサ１１は、セッション特徴抽出プログラムに従って処理を実行することでセッション特徴算出部２２として機能する。他のプログラムについても同様である。さらに、プロセッサ１１は、各プログラムが実行する複数の処理のそれぞれの機能を提供する機能部としても稼働する。計算機及び計算機システムは、これらの機能部を含む装置及びシステムである。

ストレージ装置１３には、上記各プログラムが使用するデータとして、セッションデータ４１と、ユーザ属性データ４２と、ページ属性データ４３と、投稿者属性データ４４と、投稿者ターゲットデータ４５と、範囲変換情報４６が格納される。

セッションデータ４１は、ウェブサーバ２００が収集したログ２３０のうち、コンテンツ２１０（又は広告２２０）にアクセスしたユーザ端末１００のアクセス履歴を示す。ユーザ属性データ４２は、ユーザ端末１００を利用するユーザの属性を示す。ページ属性データ４３は、コンテンツ２１０の属性を示す。投稿者属性データ４４は、投稿者の属性を示す。投稿者ターゲットデータ４５は、投稿者Ａ〜Ｃが獲得したいユーザ層（ターゲットタイプ）が定性的な情報として設定される。なお、投稿者ターゲットデータ４５は、項目と値の範囲（又は閾値）を設定することもできる。範囲変換情報４６には、ターゲットタイプ毎にユーザ層を特定する分析対象データの項目と、項目の値の範囲（又は閾値）が設定される。なお、各データの詳細については後述する。

次に、ターゲットユーザ特徴抽出サーバ１で稼働する各プログラムの概要について説明する。

処理対象選択部２１は、ウェブサーバ２００から取得したユーザ端末１００のアクセス履歴（セッションデータ４１）のうち、分析に使用するセッションデータ４１の期間と分析対象の投稿者を入力装置１４等から受け付ける。なお、投稿者を指定せずに、セッションデータ４４１の期間を指定して、全ての投稿者のターゲットについて分析を実施してもよい。

ターゲット算出部２３は、分析対象の投稿者を受け付けて、投稿者が獲得したいユーザ特徴の範囲を投稿者ターゲットデータ４５からターゲット情報として取得し、ターゲット情報に基づいてセッションデータを分析する項目と、値の範囲を決定する。

セッションデータを分析する項目と範囲は、後述するように、投稿者Ａ〜Ｃ毎のターゲット情報（獲得目標）や嗜好に応じて設定され、例えば、投稿者のターゲットを判定する項目として、ウェブサーバ２００での閲覧数と滞在時間などを用い、範囲はこれらの数値の範囲や閾値などで指定することができる。

セッションデータ４１を分析する項目と範囲は、範囲算出部２６が範囲変換情報４６を参照して決定する場合と、ターゲット判定モデル２５が項目と範囲を算出する場合がある。

範囲変換部２４は、投稿者ターゲットデータ４５のターゲット情報に対応する範囲変換情報４６が存在する場合には、範囲算出部２６に範囲変換情報４６を参照させて項目と範囲を決定させる。また、範囲変換部２４は、ターゲット情報に対応する範囲変換情報４６が存在しない場合には、指定された期間のセッションデータ４１とユーザ属性データ４２とページ属性データ４３と投稿者属性データ４４及びターゲット情報をターゲット判定モデル２５へ入力して、分析対象の項目と範囲を生成させる。

セッション特徴算出部２２は、処理対象選択部２１が受け付けた期間のセッションデータ４１と、セッションデータ４１に含まれるユーザのユーザ属性データ４２とページ属性データ４３及び投稿者属性データ４４を取得し、ターゲット算出部２３が決定した項目のデータをセッションの特徴を示す抽出対象データとして生成する。なお、セッションデータ４１に上記決定された項目が存在する場合には、指定された期間のセッションデータ４１を抽出対象データ５０とする。

セッション特徴算出部２２は、後述するように、ターゲット判定項目加工部２８とデータ加工部３０を使用して、決定された項目に対応する抽出対象データ５０を生成する。なお、ターゲット判定項目加工部２８では、ターゲットの項目に応じて類似度算出部２９を使用する。

また、セッション特徴算出部２２は、ユーザ端末１００がアクセスしたコンテンツ２１０のページ毎、又はページ属性データ４３のタグ毎、あるいは、コンテンツ２１０を提供する投稿者毎に、ユーザ端末１００がウェブサーバ２００を訪問した履歴を、セッションの特徴を示すデータとして算出することができる。

アクセス特徴抽出部２７は、セッション特徴算出部２２からの抽出対象データと、ターゲット算出部２３からの項目と範囲を受け付けてユーザ特徴とアクセスされたコンテンツ２１０の特徴（ページ特徴）を抽出する。

アクセス特徴抽出部２７は、まず、セッション特徴算出部２２からの抽出対象データと、ターゲット算出部２３からの項目と、項目の値の範囲に基づいてユーザの特徴量をユーザ特徴として算出する。また、アクセス特徴抽出部２７は、投稿者の属性データ（投稿者属性データ４４）と、投稿者がウェブサーバ２００に提供したコンテンツ２１０の属性データ（ページ属性データ４３）を受け付けて、ユーザのアクセス等に関するコンテンツ２１０の特徴量をページ特徴として抽出する。

アクセス特徴抽出部２７が抽出したユーザ特徴とページ特徴は、投稿端末３００に通知される。また、アクセス特徴抽出部２７は、抽出したユーザ特徴とページ特徴を出力装置１５に表示することができる。

アクセス特徴抽出部２７が抽出するユーザ特徴は、特徴量として、例えば、抽出対象の投稿者のコンテンツ２１０をアクセスしたユーザの業種の比率や、セッションの特性（リピート回数の多寡）等を含むことができる。

また、アクセス特徴抽出部２７が抽出するページ特徴は、特徴量として、例えば、アクセスされたコンテンツ２１０のタグの比率や、各ページの平均滞在時間等を含むことができる。

学習部３１は、セッションデータ４１とユーザ属性データ４２と投稿者属性データ４４とページ属性データ４３と投稿者ターゲットデータ４５を入力して機械学習を実施して、ターゲット判定モデル２５を生成する。ターゲット判定モデル２５の生成は、ユーザ特徴５１やページ特徴５２を抽出する以前に予め実施しておく。

＜データ＞
次に、各プログラムが利用するデータについて説明する。図４は、セッションデータ４１の一例を示す図である。セッションデータ４１は、ターゲットユーザ特徴抽出サーバ１がウェブサーバ２００から所定の周期等で収集した履歴情報である。

セッションデータ４１は、ＩＤ４１１と、アクセス時刻４１２と、訪問ページ４１３と、リピート回数４１４と、離脱時刻４１５をひとつのレコードに含むテーブルである。

ＩＤ４１１は、ユーザ端末１００の識別子が格納される。ＩＤ４１１は、ウェブサーバ２００が付与した値で、ターゲットユーザ特徴抽出システム内でユニークな値であればよい。

アクセス時刻４１２は、ユーザ端末１００が当該ページにアクセスを開始した日時を格納する。訪問ページ４１３は、ユーザ端末１００がアクセスしたコンテンツ２１０のＵＲＬを格納する。

リピート回数４１４は、当該ページにアクセスした累計回数を格納する。離脱時刻４１５は、ユーザ端末１００が当該ページの閲覧を終了した時刻を格納する。

図５は、ユーザ属性データ４２の一例を示す図である。ユーザ属性データ４２は、ターゲットユーザ特徴抽出サーバ１で設定するテーブルである。ユーザ属性データ４２は、ＩＤ４２１と、ＩＰ４２２と、業種４２３と、売上４２４をひとつのレコードに含むテーブルである。

ＩＤ４２１は、ユーザ端末１００の識別子を格納する。ＩＤ４２１は、セッションデータ４１のＩＤ４１１と同じ値である。ＩＰ４２２は、ユーザ端末１００のＩＰアドレスを格納する。

業種４２３は、ユーザ端末１００を利用するユーザの会社（又は団体）の業種を格納する。業種４２３は、ユーザ端末１００のＩＰアドレスからユーザが所属する会社を特定できるので、当該会社の情報から業種を決定すればよい。売上４２４は、ユーザが所属する会社の売上高を格納する。

なお、ユーザ端末１００を利用するユーザの業種や売上高は、ターゲットユーザ特徴抽出サーバ１の管理者などが設定してもよいし、予め設定されたデータベースなどから設定してもよい。

図６は、抽出対象データ５０の一例を示す図である。抽出対象データ５０は、セッション特徴算出部２２で算出される中間データである。図示の例では、ユーザ層を特定する抽出対象データの項目として、閲覧数と平均滞在時間がターゲット算出部２３から出力された例を示す。

図示の抽出対象データ５０の場合、処理対象選択部２１が受け付けた期間内のセッションデータ４１から、セッション特徴算出部２２は各ユーザが閲覧したページを投稿者毎に集計して、ユーザ属性データ４２と結合した例を示す。

抽出対象データ５０は、ＩＤ５０１と、投稿者５０２と、閲覧数５０３と、平均滞在時間５０４と、業種５０５をひとつのレコードに含むテーブルである。

ＩＤ５０１は、ユーザ端末１００の識別子が格納される。ＩＤ５０１は、セッションデータ４１のＩＤ４１１と同じ値である。投稿者５０２は、当該ＩＤ５０１のユーザが閲覧したコンテンツ２１０の投稿者の識別子が格納される。コンテンツ２１０の投稿者の識別子は、コンテンツ２１０を構成するページ毎に予め設定された情報で、ウェブサーバ２００から送信されたページ属性データ４３から取得する。

閲覧数５０３は、当該ＩＤ５０１のユーザが閲覧した投稿者５０２が提供したページの合計を格納する。平均滞在時間５０４は、当該ＩＤ５０１のユーザが投稿者５０２によって提供されたページに滞在（閲覧）した平均時間を格納する。業種５０５は、ユーザ属性データ４２の業種４２３を格納する。

図７は、範囲変換情報４６の一例を示す図である。範囲変換情報４６は、投稿者ターゲットデータ４５の定性的な情報を、抽出対象の項目と値の範囲に変換するためのテーブルである。

範囲変換情報４６は、投稿者が獲得したいユーザ層を分類するターゲットタイプ４６１毎に、セッションデータ４１及びユーザ属性データ４２等から算出する抽出対象データ５０の項目とデータの範囲４６２を予め設定した情報である。なお、ターゲットタイプ４６１は、投稿者ターゲットデータ４５のターゲット情報の値である。

ターゲットタイプ４６１の一例として、「新規」、「既存」、「時間をかけて購読する人」、「リピータ」、「優良顧客」、「切削に興味のある人」が設定された例を示している。

「新規」のターゲットタイプ４６１は、投稿者が新たなユーザを獲得することを目的としてウェブサーバ２００のウェブサイトにコンテンツ２１０及び広告２２０の情報を提供することを示す。本実施例では、該当する投稿者のコンテンツ２１０の閲覧数が５０回以下のユーザを「新規」のユーザとする範囲４６２が予め設定される。

「既存」のターゲットタイプ４６１は、投稿者が、既存のユーザを掘り起こすことを目的としてウェブサーバ２００に情報を提供することを示す。本実施例では、該当する投稿者のコンテンツ２１０の閲覧数が５０を超えるユーザを「既存」のユーザとする範囲４６２が予め設定される。

「時間をかけて購読する人」のターゲットタイプ４６１は、投稿者のコンテンツ２１０を時間をかけて閲覧するユーザを獲得することを目的として、ウェブサーバ２００にコンテンツ２１０を提供することを示す。本実施例では、該当する投稿者のコンテンツ２１０の平均滞在時間５０４がページ当たり５００秒以上のユーザを該当するユーザとして判定する範囲４６２が予め設定される。

「リピータ」のターゲットタイプ４６１は、投稿者のコンテンツ２１０を繰り返して閲覧するユーザを獲得することを目的としてウェブサーバ２００に情報を提供することを示す。本実施例では、該当する投稿者のコンテンツ２１０のリピート回数４１４が２回以上で、訪問間隔が１週間以下のユーザを該当するユーザとして判定する範囲４６２が予め設定される。

「優良顧客」のターゲットタイプ４６１は、投稿者のコンテンツ２１０にアクセスするユーザのうち、ユーザが所属する会社の売上４２４が１０億円以上のユーザを該当するユーザとして判定する範囲４６２が予め設定される。

「切削に興味のある人」のターゲットタイプ４６１は、投稿者のコンテンツ２１０のうち、「切削」のタグを含むページにアクセスしたユーザを、該当するユーザとして判定する範囲４６２が予め設定される。

なお、投稿者ターゲットデータ４５のターゲット情報に対応するターゲットタイプ４６１が範囲変換情報４６に存在しない場合、範囲変換部２４は、後述するように、ターゲット判定モデル２５にセッションデータ４１とユーザ属性データ４２とページ属性データ４３及び投稿者属性データ４４を入力して、項目と範囲を生成させる。

ページ属性データ４３は、図示はしないが、各コンテンツ２１０のページ毎に、ＵＲＬと、コンテンツ２１０の種類を示すタグと、コンテンツ２１０を提供する投稿者の識別子を含むテーブルである。なお、ページ属性データ４３は、コンテンツ２１０の使用単語等の静的情報を含めるようにしてもよいし、ｗｏｒｄ２ｖｅｃ等で算出した文章や記事の特徴量を含めるようにしてもよい。

投稿者ターゲットデータ４５には、図示はしないが、投稿者の識別子と、投稿者が予め選択したターゲット情報が設定される。なお、投稿者ターゲットデータ４５のターゲット情報は、上述の範囲変換情報４６のターゲットタイプ４６１の値に対応するが、範囲変換情報４６のターゲットタイプ４６１に含まれない値を設定することができる。また、投稿者ターゲットデータ４５には、定性的な情報以外に、項目と値の範囲を含む情報で設定することができる。また、投稿者属性データ４４は、図示はしないが、投稿者の識別子と、投稿者の業種と、投稿者が所属する部門を格納する。

＜抽出処理＞
以下、ターゲットユーザ特徴抽出サーバ１で行われる処理の一例について説明する。図３は、ターゲットユーザ特徴抽出サーバ１で行われる処理の概要を示す図である。この処理は、ターゲットユーザ特徴抽出サーバ１の利用者の指令に基づいて開始される。

処理対象選択部２１は、抽出対象の期間と投稿者を受け付ける。なお、上述したように、投稿者が入力されない場合にはウェブサーバ２００の全ての投稿者を抽出対象とする。

まず、ターゲット算出部２３は、処理対象選択部２１から投稿者を受け付けて、投稿者ターゲットデータ４５から投稿者毎のターゲットタイプを取得し、範囲変換情報４６又はターゲット判定モデル２５からターゲット情報に対応する項目と値の範囲を決定する。

ターゲット算出部２３は、範囲変換部２４を用いて、投稿者毎に抽出対象データ５０の項目と範囲を決定し、セッション特徴算出部２２へ項目を出力し、アクセス特徴抽出部２７へ範囲を出力する。

上述したように、範囲変換部２４は、ターゲット情報に対応するターゲットタイプ４６１が範囲変換情報４６に存在しない場合には、ターゲット判定モデル２５へセッションデータ４１とユーザ属性データ４２とページ属性データ４３及び投稿者属性データ４４を入力して、抽出対象の項目と範囲を決定させる。

また、ターゲット情報に対応するターゲットタイプ４６１が範囲変換情報４６に存在しない場合には、範囲変換部２４は、ターゲット判定モデル２５によって、抽出対象の項目と範囲を生成することで、アクセス特徴抽出部２７が当該ターゲット情報に合致するユーザ特徴を抽出することが可能となる。

ターゲット判定モデル２５は、予め機械学習によって生成したモデルである。ターゲットユーザ特徴抽出サーバ１の学習部３１は、ユーザ端末１００のセッションデータ４１とユーザ属性データ４２に投稿者属性データ４４とページ属性データ４３を機械学習することで、ターゲット判定モデル２５を生成する。

セッション特徴算出部２２は、処理対象選択部２１から受け付けた期間内のセッションデータ４１を取得し、セッションデータ４１のＩＤ４１１に対応するユーザ属性データ４２を取得する。

セッション特徴算出部２２は、ターゲット算出部２３から項目を受け付けて、指定された期間内のセッションデータ４１とユーザ属性データ４２から指定された項目を含む抽出対象データ５０を生成する。

抽出対象データ５０の項目は、範囲変換情報４６のターゲットタイプ４６１に対応する範囲４６２の内容又はターゲット判定モデル２５の出力に応じて決定される。生成された抽出対象データ５０は、アクセス特徴抽出部２７へ出力される。なお、セッション特徴算出部２２は、抽出対象の投稿者毎に抽出対象データ５０を生成してもよいし、抽出対象の投稿者の全ての項目を含む抽出対象データ５０を生成してもよい。

アクセス特徴抽出部２７は、ターゲット算出部２３から抽出対象の値の範囲を受け付け、セッション特徴算出部２２から抽出対象データ５０を受け付ける。アクセス特徴抽出部２７は、周知又は公知の分析技術を適用して、投稿者毎に抽出対象データ５０から指定された範囲４６２に該当するユーザ特徴を抽出し、セッションの特徴量としてユーザ特徴５１を出力する。

アクセス特徴抽出部２７は、例えば、機械学習で生成した特徴抽出モデルを用いる場合では、説明変数として投稿者のターゲットタイプ、目的変数として閲覧数の範囲を用い、ターゲット情報に含まれるユーザ特徴を推測する。

また、アクセス特徴抽出部２７は、投稿者属性データ４４とページ属性データ４３を取得して、抽出対象データ５０に含まれるユーザがアクセスしたページを抽出して、セッションの特徴量を示すページ特徴５２として出力する。なお、アクセス特徴抽出部２７は、ページ特徴５２の抽出についても、上記と同様に機械学習によって推測することができる。なお、アクセス特徴抽出部２７は、機械学習モデルに限定されるものではなく、平均値や中央値等の統計値などを適用するようにしてもよい。

図２３は、アクセス特徴抽出部２７が抽出したユーザ特徴５１と、ページ特徴５２の抽出結果画面６００の一例を示す図である。また、図２４は、アクセス特徴抽出部２７が分析したセッションデータ４１の一例を示す図である。

図２４において、ユーザ端末１００を利用するユーザ１〜３が投稿者ＡのページＡ１、Ａ２と、投稿者ＢのページＢ１にアクセスし、投稿者ＤのページＤ１のページ特徴もページＡ１、Ａ２、Ｂ１と同様の例を示す。

図２３は、抽出対象として投稿者Ａのターゲットタイプ４６１に該当したユーザのユーザ特徴５１と、ページ特徴５２の抽出結果が表示された例を示す。

投稿者Ａのターゲットタイプ４６１には、図２４で示したユーザ１〜３が該当した例を示す。ユーザ特徴５１としては、ユーザ１〜３の業種は金属業界が６７％で、材料メーカが３３％であること示し、ユーザ１〜３のアクセスはリピート回数４１４が多いことが特徴として抽出される。

また、ユーザ１〜３がアクセスしたページ特徴５２は、ページ属性データ４３のタグとして金属と加工が含まれ、セッションデータ４１の特徴として平均滞在時間５０４が長いことが表示される。

以上の処理によって、ターゲットユーザ特徴抽出サーバ１は、セッション毎のＩＤ４１１と訪問ページ４１３と時刻情報（４１２、４１５）と、ユーザ属性データ４２の業種と、ページ属性データ４３のタグと投稿者から、ターゲット情報（投稿者の嗜好）に合致するユーザ特徴を抽出対象データ５０から抽出することが可能となる。

投稿者のターゲット情報は、例えば、“新規顧客をターゲットとする”という定性的な値であり、このターゲット情報を定量的に変換した項目と範囲は、“投稿者の記事への閲覧数が３０以上５０未満で、投稿者の属性との距離（類似度）が１０以上離れた業種“とする。

アクセス特徴抽出部２７で抽出すべきセッションの特徴（ユーザ特徴）は、一つは、投稿者のコンテンツ２１０に対するユーザの業種毎の訪問数（閲覧数）のデータである。もう一つはユーザの業種の属性同士の距離を示す特徴であり、これはユーザの業種とページ属性データ４３のタグに対する訪問数から、類似度を算出した結果を用いることができる。

そのため、データ加工部３０では、ユーザ毎のページの訪問数については、投稿者のコンテンツ２１０毎にユーザのＩＤ４１１に紐づく属性（業種４２３）毎に合計数を算出したもの算出する。また、データ加工部３０が、距離については、例えば、多次元尺度法等の類似度を算出する手法を用いて特徴量に関する距離を算出して、これらのデータで抽出対象データ５０を構成する。

このような、抽出対象データ５０に対して、アクセス特徴抽出部２７は、投稿者の嗜好である”新規顧客をターゲットとする“に合致するセッションの特徴として、ユーザの業種と訪問数をユーザ特徴５１として提示することができる。さらに、アクセス特徴抽出部２７は、セッションの特徴に含まれるユーザの業種と、投稿者のコンテンツ２１０のリンク先でセッションデータを絞り込んだときに、ユーザの業種が訪問したページの特徴を抽出してページ特徴５２として出力することができる。

範囲４６２としては、上記の他に、ユーザ属性データ４２の業種４２３を用いて、訪問ページ４１３にアクセスした複数のユーザ間の業種の特徴量（類似度）の距離を算出しておくことで、アクセス特徴抽出部２７では、コンテンツ２１０を投稿者毎に、距離に応じたユーザのグループをユーザ特徴５１として提示することができる。

図８は、図３に示したセッション特徴算出部２２で行われる処理の一例を示すフローチャートである。セッション特徴算出部２２は、処理対象選択部２１から期間を受け付け、ターゲット算出部２３から項目を受け付けると、以下の処理を行う。

セッション特徴算出部２２は、受け付けた期間内のデータをセッションデータ４１から取得する（Ｓ１）。次に、セッション特徴算出部２２は、指定期間内のセッションデータ４１に含まれるユーザ（ユーザ端末１００）のユーザ属性データ４２を取得する（Ｓ２）。

セッション特徴算出部２２は、上記ステップＳ１で取得したセッションデータ４１に、ユーザＩＤ４１１、４２１が一致するユーザ属性データ４２を結合して結合データを生成する（Ｓ３）。

セッション特徴算出部２２は、ターゲット算出部２３から受け付けた項目が、上記ステップＳ３で生成した結合データに含まれるか否かを判定する（Ｓ４）。セッション特徴算出部２２は、結合データに抽出対象の項目が全て含まれいる場合には、当該結合したデータを抽出対象データ５０としてそのまま出力する。一方、セッション特徴算出部２２は、結合データに抽出対象の項目が全て含まれいない場合には、ステップＳ５に進んでデータ加工部３０によって、受け付けた項目のデータを結合データから生成する。

データ加工部３０は、ターゲット算出部２３が決定した抽出対象の項目のデータを、ユーザ毎に結合データから生成する。

例えば、項目が平均滞在時間の場合、データ加工部３０は、セッションデータ４１のＩＤ４１１と訪問ページ４１３が一致するレコードについて離脱時刻４１５とアクセス時刻４１２の差分を算出し、同一の訪問ページ４１３の平均値を平均滞在時間として算出する。また、データ加工部３０は、ページ属性データ４３を参照して各訪問ページ４１３の投稿者（識別子）を特定し、投稿者毎に平均滞在時間を算出してもよい。

次に、セッション特徴算出部２２は、ステップＳ６で上記項目毎に生成したデータを抽出対象データ５０としてアクセス特徴抽出部２７へ出力する。

以上の処理によって、セッション特徴算出部２２は、指定された期間内のセッションデータ４１とユーザ属性データ４２から、ターゲット情報の判定に使用する項目のデータを算出して抽出対象データ５０として出力する。

図９は、図３に示したターゲット算出部２３で行われる処理の一例を示すフローチャートである。ターゲット算出部２３は、処理対象選択部２１から投稿者を受け付けて以下の処理を開始する。

ターゲット算出部２３は、受け付けた投稿者について、投稿者ターゲットデータ４５からターゲット情報を取得する（Ｓ１１）。ターゲット算出部２３は、取得したターゲット情報が項目と値の範囲（又は閾値）を含む情報であるか否かを判定する（Ｓ１２）。項目と範囲を含む場合にはステップＳ１４に進み、そうでない場合にはステップＳ１３に進む。

ステップＳ１３では、ターゲット情報が定性的な情報の場合であり、この場合、ターゲット算出部２３は、範囲変換部２４を使用して定性的な情報を項目と範囲に変換する。そして、ステップＳ１４では、変換された項目と値の範囲をセッション特徴算出部２２とアクセス特徴抽出部２７へ出力する。

図１０は、ターゲット算出部２３の範囲変換部２４で行われる処理の一例を示すフローチャートである。ターゲット算出部２３は、ターゲット情報に対応する範囲変換情報４６が存在するか否かを判定する（Ｓ２１）。範囲変換情報４６が存在する場合にはステップＳ２２へ進み、存在しない場合にはステップＳ２３へ進む。

ステップＳ２２では、範囲変換部２４が、範囲変換情報４６を参照して、ターゲット情報に対応するターゲットタイプ４６１から範囲４６２を取得し、範囲４６２に設定されている項目と値の範囲を決定する。

ステップＳ２３では、範囲変換部２４が、ターゲット判定モデル２５にターゲット判定モデル２５へセッションデータ４１とユーザ属性データ４２とページ属性データ４３及び投稿者属性データ４４を入力して、抽出対象の項目と範囲を決定させる。

以上の処理によって、投稿者ターゲットデータ４５のターゲット情報が定性的な情報の場合には、範囲変換情報４６又はターゲット判定モデル２５によって抽出対象の項目と値の範囲が決定される。

図１１は、ターゲット算出部２３の範囲変換部２４で行われるターゲット判定項目加工部２８の一例を示す図である。範囲変換部２４は、ターゲット判定モデル２５を使用する場合、セッションデータ４１とユーザ属性データ４２のユーザデータ５１０に対してターゲット判定項目加工部２８で処理を行って投稿者のコンテンツ２１０（ページ）毎に後述する統計処理を行う（Ｓ２３１）。なお、セッションデータ４１は、処理対象選択部２１から受け付けた期間内のデータである。

次に、範囲変換部２４は、ターゲット判定項目加工の処理結果に、ページ属性データ４３と投稿者属性データ４４と投稿者ターゲットデータ４５を含む投稿者データ５２０を結合させる（Ｓ２３２）。なお、ページ属性データ４３は、処理対象選択部２１から受け付けた期間内のセッションデータ４１に含まれる訪問ページ４１３に該当するデータを使用する。

そして、ユーザデータ５１０のターゲット判定項目加工処理結果と投稿者データ５２０を結合したデータを、ターゲット判定モデル２５へ与えて、抽出対象の項目と値の範囲を決定させる。

図１２は、ターゲット判定項目加工部２８で行われる処理の一例を示すフローチャートである。この処理は、上記図１１のステップＳ２３１で実行される。

ターゲット判定項目加工部２８は、図１１に示したユーザデータ５１０を取得する（Ｓ３２）。ターゲット判定項目加工部２８は、ユーザ属性データ４２を利用するか否かを判定する（Ｓ３２）。ユーザ属性データ４２の利用の有無は、例えば、投稿者ターゲットデータ４５で投稿者の識別子毎に予め設定しておくことができる。

ターゲット判定項目加工部２８は投稿者ターゲットデータ４５を参照してユーザ属性データ４２を利用する場合にはステップＳ３３へ進み、利用しない場合にはステップＳ３６へ進む。

ステップＳ３３では、ターゲット判定項目加工部２８が、ユーザ属性データ４２の業種４２３とセッションデータ４１の訪問ページ４１３とページ属性データ４３のタグを取得して、業種４２３の特徴量を算出する。そして、ターゲット判定項目加工部２８は、算出された特徴量の空間で、ユーザの業種４２３間の距離を多次元尺度解析法（ＭＤＳ：Ｍｕｌｔｉ−Ｄｉｍｅｎｓｉｏｎａｌ Ｓｃａｌｉｎｇ）等を用いて算出し、この距離を類似度とする。

この処理は、図１９で示すように、ページ属性データ４３のタグ毎に、ユーザ属性データ４２の業種４２３毎の閲覧数を投稿者毎に集計し、閲覧数データ５３０を生成する。図１９の閲覧数データ５３０は、コンテンツ２１０のタグ毎に、ユーザ属性データ４２の業種４２３毎の閲覧数の合計値を算出した情報である。

図１９では、投稿者Ａのコンテンツ２１０のタグＡのページについて、業種ａ〜業種ｄのユーザのそれぞれの閲覧数の集計値が格納されている。図１９の閲覧数データ５３０は、投稿者Ａのタグ毎に、ユーザの業種４２３による興味の多寡を表現することができる。

ターゲット判定項目加工部２８は、図１９の閲覧数データ５３０から多次元尺度解析法を用いて、特徴量１、特徴量２を算出し、図２０で示すように特徴量１、特徴量２の空間上に業種４２３が配置される。なお、図２０は、特徴量１、２で表される業種４２３間の距離を類似度として表現したマップである。なお、図示の例では、投稿者Ａのコンテンツ２１０に対する閲覧数データ５３０から類似度を算出した例を示す。

次に、図１２のステップＳ３４では、ターゲット判定項目加工部２８が、セッションの特徴を利用するか否かを判定する。セッションの特徴の利用の有無は、例えば、投稿者ターゲットデータ４５で投稿者の識別子毎に予め設定しておくことができる。

ターゲット判定項目加工部２８は投稿者ターゲットデータ４５を参照してセッションの特徴を利用する場合にはステップＳ３５へ進み、利用しない場合には処理を終了する。ステップＳ３５では、ターゲット判定項目加工部２８が、投稿者のページ毎にユーザデータ５１０と投稿者データ５２０の統計処理を実施する。図２１は統計処理によって生成された統計データ５４０の一例を示す図である。

統計データは、投稿者毎のコンテンツ２１０に対するユーザの業種４２３別の閲覧数をターゲット判定項目加工部２８が集計した結果を示す図である。図２１では、投稿者Ａのコンテンツ２１０について、業種ａ〜業種ｄのユーザのそれぞれの閲覧数の集計値が格納されている。図２１の統計データ５４０は、投稿者毎に、ユーザの業種４２３による興味の多寡を表現することができる。

図２２は、統計処理の結果を図２１のマップに加えた類似度マップの一例を示す図である。図中、業種毎の円の大きさは、投稿者Ａに対する各業種のユーザの閲覧数に比例する。

以上のように、ターゲット判定項目加工部２８は、ユーザ属性データ４２とページ属性データ４３で統計処理を行った業種４２３間の距離を投稿者毎に集計した情報を出力する。

なお、ユーザ属性データ４２を利用しない場合のステップＳ３６では、セッション特徴算出部２２が使用したデータ加工部３０で、訪問ページ４１３毎の滞在時間等のデータ処理を実施して、ターゲット判定モデル２５へ出力する。

以上のように、ターゲット算出部２３がターゲット判定モデル２５を使用する場合には、図１０〜図１２の処理で生成したデータをターゲット判定モデル２５へ入力することにより、範囲変換情報４６がない場合においても項目と値の範囲を決定することができる。

＜学習処理＞
次に、学習部３１で行われるターゲット判定モデル２５を構築するための学習処理について説明する。図１３は、ユーザ属性データ４２や投稿者属性データ４４を利用しない場合にターゲット判定モデル２５の学習を行うデータを定義する選択データ５５０の一例を示す図である。

選択データ５５０は、ＩＤ５５０１と、ターゲット顧客５５０２と、平均滞在時間５５０３と、閲覧数５５０４をひとつのレコードに含むテーブルである。ＩＤ５５０１には、投稿者の識別子が格納される。ターゲット顧客５５０２には、各投稿者が選択したターゲットタイプが格納される。なお、ターゲットタイプは、予め設定された定性的な情報から投稿者毎に選択させればよい。

平均滞在時間５５０３には、当該ＩＤ５５０１の投稿者が提供するページにユーザが滞在（閲覧）した平均時間の条件が格納される。閲覧数５５０４には、当該ＩＤ５５０１の投稿者が提供するページをユーザが閲覧した総数の条件が格納される。

上記選択データ５５０は、ターゲットユーザ特徴抽出サーバ１の管理者が、投稿者から受け付けたターゲットタイプに基づいて生成してもよいし、投稿端末３００から入力させてもよい。

図示の例では、ターゲット判定モデル２５を構築するためのターゲットタイプとして、新規顧客を優先する「新規」と、既存顧客を優先する「既存」の２種類とし、学習処理の項目として、平均滞在時間５５０３と閲覧数５５０４を使用する例を示す。

図１３の選択データ５５０を、平均滞在時間５５０３と閲覧数５５０４の空間で投稿者が選択した領域は、図１４のようになる。図１４は、選択データ５５０の一例を示すグラフである。

図１４では、「既存」を選択した投稿者Ａ、Ｃがターゲットとするユーザ特徴の領域を実線で示し、「新規」を選択した投稿者Ｂ、Ｄがターゲットとするユーザ特徴の領域を破線で示した。

学習部３１は、選択データ５５０で設定された条件の学習用データを生成してターゲット判定モデル２５に与えて学習させる。なお、ターゲット判定モデル２５に与える学習用データは、実際のセッションデータ４１とユーザ属性データ４２から生成してもよいが、ダミーデータを使用してもよい。

なお、ターゲットタイプ（新規又は既存）のセッションの特徴は、実際のデータを加工したものである必要はなく、ダミーデータでいくつかセッションの特徴を示して、複数の投稿者にターゲットタイプを選択して試行させ、試行の結果を保持したデータを用いることができる。また、ターゲットタイプに応じた領域は、予めターゲットタイプの特徴を選択データ５５０の項目に変換したもので、ターゲットタイプ毎にどの項目が選択されたかを図１４のグラフのように出力してもよい。

なお、学習用のデータを図１５Ａ、図１５Ｂで示すカテゴリテーブル５６０と条件テーブル５７０で定義してもよい。図１５Ａは投稿者のターゲットタイプ（嗜好）を反映するカテゴリテーブル５６０の一例を示す。図１５Ｂは、カテゴリ毎の項目と値の範囲を設定する条件テーブルの一例を示す。

図１５Ａのカテゴリテーブル５６０は、ＩＤ５６０１と、ターゲット顧客５６０２と、カテゴリ番号５６０３をひとつのレコードに含む。ＩＤ５６０１には、投稿者の識別子が格納される。ターゲット顧客５６０２には、各投稿者が選択したターゲットタイプが格納される。なお、ターゲットタイプは、予め設定された定性的な情報から投稿者毎に選択させればよい。カテゴリ番号５６０３には、各投稿者が選択したセッションの特徴を示す領域の番号が設定される。なお、カテゴリ番号５６０３は、予め設定された番号の中から、投稿者が選択した番号が格納される。

図１５Ｂの条件テーブル５７０は、ターゲット顧客５７０１と、平均滞在時間５７０２と、閲覧数５７０３をひとつのレコードに含む。ターゲット顧客５７０１には、カテゴリテーブル５６０のカテゴリ番号５６０３に対応する番号が格納される。

平均滞在時間５７０２には、投稿者が提供するページにユーザが滞在（閲覧）した平均時間に関する条件が格納される。閲覧数５７０３には、投稿者が提供するページをユーザが閲覧した総数に関する条件が格納される。

上記選択データ５５０は、ターゲットユーザ特徴抽出サーバ１の管理者が、投稿者から受け付けたターゲットタイプに基づいて生成してもよいし、投稿端末３００から入力させてもよい。

図１５Ａの例では、ターゲットタイプとして「既存」を選択した投稿者Ａ、Ｃは、カテゴリ番号５６０３＝「１」を選択し、「新規」を選択した投稿者Ｂ、Ｄは、それぞれカテゴリ番号５６０３＝２、３を選択した例を示す。

カテゴリ番号５６０３に対応する領域は、条件テーブル５７０の平均滞在時間５７０２と閲覧数５７０３で制限され、図１６で示すような領域となる。図１６において、閲覧数５７０３に関わらず、平均滞在時間が１００時間未満のデータはカテゴリ「２」となる。また、閲覧数５７０３が５０未満で、平均滞在時間が１００時間未満のデータはカテゴリ「３」となり、その他の領域がカテゴリ「１」となる。

以上のように、投稿者の嗜好を格納するカテゴリテーブル５６０と、データの範囲を決定する条件テーブル５７０によって、学習用のデータを生成してもよい。

次に、ターゲット判定モデル２５の学習用のデータを決定する際に、ユーザ属性データ４２と投稿者属性データ４４を利用して、上記図２１、図２２と同様に投稿者とユーザの業種間の距離を用いる例を以下に示す。

図１７は、ターゲット判定モデル２５の学習用のデータを定義する選択データ５８０の一例を示す図である。選択データ５８０は、ＩＤ５８０１と、ターゲット顧客５８０２と、業種５８０３と、選択業種５８０４と、距離５８０５と、閲覧数５８０６をひとつのレコードに含むテーブルである。ＩＤ５８０１には、投稿者の識別子が格納される。ターゲット顧客５８０２には、各投稿者が選択したターゲットタイプが格納される。なお、ターゲットタイプは、予め設定された定性的な情報から投稿者毎に選択させればよい。

業種５８０３は、投稿者属性データ４４に設定された投稿者の業種が格納される。選択業種５８０４には、投稿者が選択したユーザの業種が格納される。距離５８０５には、投稿者とユーザの業種間の類似度の距離が格納される。閲覧数５８０６には、当該ＩＤ５８０１の投稿者が提供するページをユーザが閲覧した総数が格納される。

上記選択データ５８０は、ターゲットユーザ特徴抽出サーバ１の管理者が、投稿者から受け付けたターゲットタイプに基づいて生成してもよいし、投稿端末３００から入力させてもよい。

図示の例では、ＩＤ５８０１＝投稿者Ａのレコードでは、ターゲット顧客５８０２として「既存」を選択し、投稿者Ａの業種５８０３＝ａで、投稿者Ａが選択したターゲットユーザの業種５８０４＝ｂで、業種間の距離５８０５＝Ｌ_ａｂで、閲覧数５８０６が１００以上のデータが学習用のデータとして定義されている。

図１８は、上記図１７に示した選択データ５８０１の投稿者Ａの業種５８０３＝ａと、選択業種５８０４間の類似度のマップを示す。図中、業種毎の円の大きさは、投稿者Ａのコンテンツ２１０に対する各業種ａ〜ｄのユーザの閲覧数に比例する。

この例では、セッションデータ４１とユーザ属性データ４２及び投稿者属性データ４４から業種間の類似度を算出し、その類似度を参照して、投稿者の属性とターゲットタイプから、選択した業種に対する距離と業種に関する情報を抽出する。

なお、図示の例では、ユーザの属性の類似度を、投稿者の属性の類似度として適用しているが、これは、ユーザであっても投稿者であっても業種が似ていれば、興味あるタグへの行動は似ているという前提を使用している。

また、例えば、ユーザの検索単語に対するセッションデータ４１（アクセス履歴）から類似度を算出するなど、タグへのデータを使用するだけに限定されるものではない。これらから抽出したデータを用いて、説明変数を属性とターゲットタイプ又は嗜好とし、目的変数を属性間の距離と訪問数（閲覧数）として、選択された項目をターゲット判定モデル２５に学習させる。学習手法としては、例えば、ＲａｎｄｏｍＦｏｒｅｓｔのような機械学習手法を使用することができる。

＜結び＞
以上のように、本実施例のターゲットユーザ特徴抽出サーバ１は、セッションデータ４１とユーザ属性データ４２とページ属性データ４３及び投稿者属性データ４４から、投稿者が希望するターゲットタイプに基づいて抽出対象データ５０の項目と値の範囲を決定して抽出対象データ５０を生成する。そして、アクセス特徴抽出部２７へ値の範囲と抽出対象データ５０を入力することで、ウェブサーバ２００にコンテンツ２１０を提供する投稿者が獲得したいユーザ特徴を、ウェブサーバ２００にアクセスしたユーザ（ユーザ端末１００）の履歴から抽出することが可能となる。また、ターゲットユーザ特徴抽出サーバ１は、投稿者の意図とは異なる新規のユーザも抽出することが可能となって、新たなビジネスの創出することも可能となる。

また、ターゲットユーザ特徴抽出サーバ１は、抽出したユーザ特徴のセッションデータ４１の特徴をページ属性データ４３から抽出できるため、投稿者のコンテンツ２１０のどのような内容（タグ）にユーザが興味を示したかを絞ることができ、マーケティングを支援することが可能となる。

なお、上記実施例では、ユーザ属性データ４２としてユーザの業種と、投稿者属性データ４４として投稿者の業種を用いる例を示したが、これに限定されるものではない。例えば、ユーザの趣味や趣向と、投稿者の趣味や趣向を属性データとして利用することができ、このような属性データからターゲットユーザ特徴を抽出することができる。

また、抽出対象データ５０の項目と、値の範囲を決定する場合には、投稿者の嗜好を反映したターゲットタイプに対応する範囲変換情報４６が存在しない場合でも、ターゲット判定モデル２５を利用することで、投稿者が獲得したいターゲットタイプのユーザ特徴をセッションデータ４１等から抽出することが可能となる。

以上のように、上記実施例のターゲットユーザ特徴抽出サーバ１は、以下のような構成とすることができる。

（１）プロセッサ１１とメモリ１２を有する計算機（１）が、ウェブサーバ（２００）のコンテンツ（２１０）にアクセスした履歴情報（セッションデータ４１）から投稿者が獲得目標とするユーザ特徴を抽出するターゲットユーザ特徴抽出方法であって、

前記計算機が、前記ウェブサーバ（２００）のコンテンツ（２１０）にアクセスしたユーザ端末（１００）の履歴情報を格納したセッションデータ（４１）と、前記ユーザ端末（１００）を利用するユーザの属性情報を格納したユーザ属性データ（４２）と、をユーザデータ（５１０）として取得するユーザデータ取得ステップと、前記計算機（１）が、前記コンテンツ（２１０）の属性を格納したページ属性データ（４３）と、前記コンテンツ（２１０）を提供した前記投稿者の属性を格納した投稿者属性データ（４４）と、を投稿者データ（５２０）として取得する投稿者データ取得ステップと、前記計算機（１）が、抽出対象とする投稿者を受け付けて、前記投稿者が獲得目標とするユーザの情報をターゲットタイプ（４６１）として取得する嗜好取得ステップと、前記計算機（１）が、前記投稿者のターゲットタイプ（４６１）から抽出対象のデータの項目と前記項目の値の範囲を算出するターゲット算出ステップ（ターゲット算出部２３）と、前記計算機（１）が、前記ユーザデータ（５１０）と前記投稿者データ（５２０）から前記項目に対応する抽出対象データを算出するセッション特徴算出ステップ（セッション特徴算出部２２）と、前記計算機（１）が、前記抽出対象データと前記投稿者データ（５２０）から前記項目の値の範囲に基づいてアクセスの特徴量を算出するアクセス特徴抽出ステップ（アクセス特徴抽出部２７）と、を含むことを特徴とするターゲットユーザ特徴抽出方法。

上記構成により、以上のように、本実施例のターゲットユーザ特徴抽出サーバ１は、セッションデータ４１とユーザ属性データ４２とページ属性データ４３及び投稿者属性データ４４から、投稿者が希望するターゲットタイプに基づいて抽出対象データ５０の項目と値の範囲を決定して抽出対象データ５０を生成する。そして、アクセス特徴抽出部２７へ値の範囲と抽出対象データ５０を入力することで、ウェブサーバ２００にコンテンツ２１０を提供する投稿者が獲得したいユーザ特徴を、ウェブサーバ２００にアクセスしたユーザ（ユーザ端末１００）の履歴から抽出することが可能となる。また、ターゲットユーザ特徴抽出サーバ１は、投稿者の意図とは異なる新規のユーザも抽出することが可能となって、新たなビジネスの創出することも可能となる。

また、ターゲットユーザ特徴抽出サーバ１は、抽出したユーザ特徴のセッションデータ４１の特徴をページ属性データ４３から抽出できるため、投稿者のコンテンツ２１０のどのような内容（タグ）にユーザが興味を示したかを絞ることができ、マーケティングを支援することが可能となる。

なお、上記実施例では、ユーザ属性データ４２としてユーザの業種と、投稿者属性データ４４として投稿者の業種を用いる例を示したが、これに限定されるものではない。例えば、ユーザの趣味や趣向と、投稿者の趣味や趣向を属性データとして利用することができ、このような属性データからターゲットユーザ特徴を抽出することができる。

（２）上記（１）に記載のターゲットユーザ抽出方法であって、前記ターゲット算出ステップ（２３）は、前記ターゲットタイプ（４６１）が定性的な情報の場合には、前記定性的な情報をデータの項目と前記項目の値の範囲に変換する範囲変換ステップ（範囲変換部２４）を、含むことを特徴とするターゲットユーザ特徴抽出方法。

上記構成により、定性的な情報から抽出対象のデータの項目と前記項目の値の範囲を算出することが可能となって、対象とする投稿者の嗜好に合致したユーザ特徴を抽出することが可能となる。

（３）上記（２）に記載のターゲットユーザ特徴抽出方法であって、前記範囲変換ステップ（２３）は、予め設定された判定モデル（ターゲット判定モデル２５）に前記ターゲットタイプ（４６１）と前記ユーザデータ（５１０）と前記投稿者データ（５２０）を入力して、抽出対象のデータの項目と前記項目の値の範囲を出力することを特徴とするターゲットユーザ特徴抽出方法。

上記構成により、予め設定されたターゲット判定モデル２５にターゲットタイプ（４６１）とユーザデータ（５１０）と投稿者データ（５２０）を入力して、定性的な情報から抽出対象のデータの項目と前記項目の値の範囲を算出することが可能となる。

（４）上記（３）に記載のターゲットユーザ特徴抽出方法であって、前記計算機（１）が、前記ユーザデータ（５１０）と前記投稿者データ（５２０）と前記ターゲットタイプ（４６１）を前記判定モデル（２５）に与えて学習させる学習ステップ（学習部３１）を、さらに含むことを特徴とするターゲットユーザ特徴抽出方法。

上記構成により、学習部３１は、ウェブサーバ２００から取得したセッションデータ４１とユーザ属性データ４２とページ属性データ４３と投稿者属性データ４４とターゲットタイプを機械学習させることでターゲット判定モデル２５を生成することができる。

（５）上記（４）に記載のターゲットユーザ特徴抽出方法であって、前記学習ステップ（３１）は、前記ユーザ属性データ（４２）を用いて、ユーザの属性間の類似度を算出する類似度算出ステップ（類似度算出部２９）を含むことを特徴とするターゲットユーザ特徴抽出方法。

上記構成により、ユーザ属性データ４２の業種４２３を用いて、訪問ページ４１３にアクセスした複数のユーザ間の業種の特徴量（類似度）の距離を算出しておくことで、アクセス特徴抽出部２７では、コンテンツ２１０を投稿者毎に、距離に応じたユーザのグループをユーザ特徴５１として提示することができる。

また、類似度算出部２９では、セッションデータ４１とユーザ属性データ４２及び投稿者属性データ４４から業種間の類似度を算出し、アクセス特徴抽出部２７は、この類似度を参照して、投稿者の属性とターゲットタイプから、選択した業種に対する距離と業種に関する情報を抽出することができる。

なお、本発明は上記した実施例に限定されるものではなく、様々な変形例が含まれる。例えば、上記した実施例は本発明を分かりやすく説明するために詳細に記載したものであり、必ずしも説明した全ての構成を備えるものに限定されるものではない。また、ある実施例の構成の一部を他の実施例の構成に置き換えることが可能であり、また、ある実施例の構成に他の実施例の構成を加えることも可能である。また、各実施例の構成の一部について、他の構成の追加、削除、又は置換のいずれもが、単独で、又は組み合わせても適用可能である。

また、上記の各構成、機能、処理部、及び処理手段等は、それらの一部又は全部を、例えば集積回路で設計する等によりハードウェアで実現してもよい。また、上記の各構成、及び機能等は、プロセッサがそれぞれの機能を実現するプログラムを解釈し、実行することによりソフトウェアで実現してもよい。各機能を実現するプログラム、テーブル、ファイル等の情報は、メモリや、ハードディスク、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）等の記録装置、又は、ＩＣカード、ＳＤカード、ＤＶＤ等の記録媒体に置くことができる。

また、制御線や情報線は説明上必要と考えられるものを示しており、製品上必ずしも全ての制御線や情報線を示しているとは限らない。実際には殆ど全ての構成が相互に接続されていると考えてもよい。

１ ターゲットユーザ特徴抽出サーバ
１１ プロセッサ
１２ メモリ
１３ ストレージ装置
１６ 通信装置
２１ 処理対象選択部
２２ セッション特徴算出部
２３ ターゲット算出部
２４ 範囲変換部
２５ ターゲット判定モデル
２６ 範囲算出部
２７ アクセス特徴抽出部
２８ ターゲット判定項目加工部
２９ 類似度算出部
３０ データ加工部
４１ セッションデータ
４２ ユーザ属性データ
４３ ページ属性データ
４４ 投稿者属性データ
４５ 投稿者ターゲットデータ
４６ 範囲変換情報
１００ ユーザ端末
２００ ウェブサーバ
３００ 投稿端末３００
４００ ネットワーク

Claims (15)

1. プロセッサとメモリを有する計算機が、ウェブサーバのコンテンツにアクセスした履歴情報から投稿者が獲得目標とするユーザ特徴を抽出するターゲットユーザ特徴抽出方法であって、
   前記計算機が、前記ウェブサーバのコンテンツにアクセスしたユーザ端末の履歴情報を格納したセッションデータと、前記ユーザ端末を利用するユーザの属性情報を格納したユーザ属性データと、をユーザデータとして取得するユーザデータ取得ステップと、
   前記計算機が、前記コンテンツの属性を格納したページ属性データと、前記コンテンツを提供した前記投稿者の属性を格納した投稿者属性データと、を投稿者データとして取得する投稿者データ取得ステップと、
   前記計算機が、抽出対象とする投稿者を受け付けて、前記投稿者が獲得目標とするユーザの情報をターゲットタイプとして取得する嗜好取得ステップと、
   前記計算機が、前記投稿者のターゲットタイプから抽出対象のデータの項目と前記項目の値の範囲を算出するターゲット算出ステップと、
   前記計算機が、前記ユーザデータと前記投稿者データから前記項目に対応する抽出対象データを算出するセッション特徴算出ステップと、
   前記計算機が、前記抽出対象データと前記投稿者データから前記項目の値の範囲に基づいてアクセスの特徴量を算出するアクセス特徴抽出ステップと、
   を含むことを特徴とするターゲットユーザ特徴抽出方法。
2. 請求項１に記載のターゲットユーザ特徴抽出方法であって、
   前記ターゲット算出ステップは、
   前記ターゲットタイプが定性的な情報の場合には、前記定性的な情報をデータの項目と前記項目の値の範囲に変換する範囲変換ステップを、含むことを特徴とするターゲットユーザ特徴抽出方法。
3. 請求項２に記載のターゲットユーザ特徴抽出方法であって、
   前記範囲変換ステップは、
   予め設定された判定モデルに前記ターゲットタイプと前記ユーザデータと前記投稿者データを入力して、抽出対象のデータの項目と前記項目の値の範囲を出力することを特徴とするターゲットユーザ特徴抽出方法。
4. 請求項３に記載のターゲットユーザ特徴抽出方法であって、
   前記計算機が、前記ユーザデータと前記投稿者データと前記ターゲットタイプを前記判定モデルに与えて学習させる学習ステップを、さらに含むことを特徴とするターゲットユーザ特徴抽出方法。
5. 請求項４に記載のターゲットユーザ特徴抽出方法であって、
   前記学習ステップは、
   前記ユーザ属性データを用いて、ユーザの属性間の類似度を算出する類似度算出ステップを含むことを特徴とするターゲットユーザ特徴抽出方法。
6. プロセッサとメモリを有する抽出サーバと、
   ユーザ端末にコンテンツを提供するウェブサーバと、
   前記ウェブサーバに前記コンテンツを提供する投稿端末と、を有するターゲットユーザ特徴抽出システムであって、
   前記ウェブサーバは、前記ユーザ端末が前記コンテンツにアクセスした履歴情報を収集し、
   前記投稿端末は、前記コンテンツの投稿者が獲得目標とするユーザの情報をターゲットタイプとして前記抽出サーバに通知し、
   前記抽出サーバは、
   前記ウェブサーバのコンテンツにアクセスしたユーザ端末の履歴情報を格納したセッションデータと、前記ユーザ端末を利用するユーザの属性情報を格納したユーザ属性データと、をユーザデータとして取得し、前記コンテンツの属性を格納したページ属性データと、前記コンテンツを提供した前記投稿者の属性を格納した投稿者属性データと、を投稿者データとして取得し、抽出対象とする投稿者の前記ターゲットタイプを取得する処理対象選択部と、
   前記投稿者のターゲットタイプから抽出対象のデータの項目と前記項目の値の範囲を算出するターゲット算出部と、
   前記ユーザデータと前記投稿者データから前記項目に対応する抽出対象データを算出するセッション特徴算出部と、
   前記抽出対象データと前記投稿者データから前記項目の値の範囲に基づいてアクセスの特徴量を算出するアクセス特徴抽出部と、
   を有することを特徴とするターゲットユーザ特徴抽出システム。
7. 請求項６に記載のターゲットユーザ特徴抽出システムであって、
   前記ターゲット算出部は、
   前記ターゲットタイプが定性的な情報の場合には、前記定性的な情報をデータの項目と前記項目の値の範囲に変換する範囲変換部を、有することを特徴とするターゲットユーザ特徴抽出システム。
8. 請求項７に記載のターゲットユーザ特徴抽出システムであって、
   前記範囲変換部は、
   予め設定された判定モデルに前記ターゲットタイプと前記ユーザデータと前記投稿者データを入力して、抽出対象のデータの項目と前記項目の値の範囲を出力することを特徴とするターゲットユーザ特徴抽出システム。
9. 請求項８に記載のターゲットユーザ特徴抽出システムであって、
   前記ユーザデータと前記投稿者データと前記ターゲットタイプを前記判定モデルに与えて学習させる学習部を、さらに有することを特徴とするターゲットユーザ特徴抽出システム。
10. 請求項９に記載のターゲットユーザ特徴抽出システムであって、
    前記学習部は、
    前記ユーザ属性データを用いて、ユーザの属性間の類似度を算出する類似度算出ステップを含むことを特徴とするターゲットユーザ特徴抽出システム。
11. プロセッサとメモリを有して、ウェブサーバのコンテンツにアクセスした履歴情報から投稿者が獲得目標とするユーザ特徴を抽出するターゲットユーザ特徴抽出サーバであって、
    前記ウェブサーバのコンテンツにアクセスしたユーザ端末の履歴情報を格納したセッションデータと、前記ユーザ端末を利用するユーザの属性情報を格納したユーザ属性データと、をユーザデータとして取得し、前記コンテンツの属性を格納したページ属性データと、前記コンテンツを提供した前記投稿者の属性を格納した投稿者属性データと、を投稿者データとして取得し、抽出対象とする投稿者と、前記コンテンツの投稿者が獲得目標とするユーザの情報をターゲットタイプとして取得する処理対象選択部と、
    前記投稿者のターゲットタイプから抽出対象のデータの項目と前記項目の値の範囲を算出するターゲット算出部と、
    前記ユーザデータと前記投稿者データから前記項目に対応する抽出対象データを算出するセッション特徴算出部と、
    前記抽出対象データと前記投稿者データから前記項目の値の範囲に基づいてアクセスの特徴量を算出するアクセス特徴抽出部と、
    を有することを特徴とするターゲットユーザ特徴抽出サーバ。
12. 請求項１１に記載のターゲットユーザ特徴抽出サーバであって、
    前記ターゲット算出部は、
    前記ターゲットタイプが定性的な情報の場合には、前記定性的な情報をデータの項目と前記項目の値の範囲に変換する範囲変換部を、有することを特徴とするターゲットユーザ特徴抽出サーバ。
13. 請求項１２に記載のターゲットユーザ特徴抽出サーバであって、
    前記範囲変換部は、
    予め設定された判定モデルに前記ターゲットタイプと前記ユーザデータと前記投稿者データを入力して、抽出対象のデータの項目と前記項目の値の範囲を出力することを特徴とするターゲットユーザ特徴抽出サーバ。
14. 請求項１３に記載のターゲットユーザ特徴抽出サーバであって、
    前記ユーザデータと前記投稿者データと前記ターゲットタイプを前記判定モデルに与えて学習させる学習部を、さらに有することを特徴とするターゲットユーザ特徴抽出サーバ。
15. 請求項１４に記載のターゲットユーザ特徴抽出サーバであって、
    前記学習部は、
    前記ユーザ属性データを用いて、ユーザの属性間の類似度を算出する類似度算出ステップを含むことを特徴とするターゲットユーザ特徴抽出サーバ。

Images