[发明专利]计算机可读记录介质、确定方法以及信息处理设备

说明书

本发明提供了计算机可读记录介质、确定方法以及信息处理设备。服务器将目标的行为信息输入至训练的机器学习模型，该训练的机器学习模型学习通过将根据多个训练数据项中包括的多个行为生成的行为组合与指示行为组合处于特定状态下的确定性的可能性相关联而获得的多个关联关系，已经通过使用通过将与特定状态相对应的人的行为组合进行关联而获得的多个训练数据项对训练的机器学习进行了训练。服务器基于训练的机器学习模型的输出结果，指定多个关联关系中的每一个中的行为组合与目标的行为信息之间的差异，以及基于该可能性和该差异来确定用于使目标转变为特定状态的附加行为。

技术领域

本文讨论的实施方式涉及确定程序、确定方法以及信息处理设备。

背景技术

在数字营销中，为了提高营销效果，对具有各种目的的人访问网页的行为日志进行分析。具体地，可以将直到用户购买产品的用户行为的状态转变表示为时间序列。例如，用户的行为从最初兴趣很小的“小兴趣”状态开始，逐渐转变为兴趣大的“大兴趣”状态，并最终转变为用户决定购买产品的“购买意向”状态。基本上，状态具有顺序，并且行为可以例如从“大兴趣”状态转变为“购买意向”状态，但是反之，行为不会从“购买意向”状态转换为“大兴趣”状态。

因此，可以通过快速获悉用户处于哪种状态以及用户将要采取哪种动作来鼓励用户采取用于促进状态转变的操作以便转变为另一状态，并且可以提高营销效果。因此，管理员根据用户的行为历史来区分当前状态，并生成用于决定动作的规则。例如，针对访问10次或大于10次并且访问产品价格页面的用户，使用用于分发优惠券的规则。

非专利文献1：Kim Jong-hwa，MORITAKA Masahiro，FUKUDA Susumu和YOON Seong-jung，“A Structure Analysis of Consumer Purchasing Perceptions in the InternetShopping”，Food System Research，2012年，卷19，第4号，第382-393页，2013/12/05。

然而，难以以手动方式根据行为历史考虑动作以使用户转变为下一状态。成本可能高，规则的生成可能被泄漏，并且实时特性可能不利。

如上所述，由于难以通过手动分析来促进用户状态转变，因此还考虑使用根据行为历史来预测状态的决策树的方法。例如，通过将状态i的标签添加到直到每个用户的每个状态i的数据来生成训练数据项。生成用于确定每个状态j是否为状态j的决策树模型。此时，生成与状态的数量一样多的模型(决策树)。此后，当给出用户数据和状态i时，列出特征的校正，以便将用于确定状态i的决策树确定为正。

然而，决策树校正方法有很多模式，但是由于有效的校正方法并不明显并且不清楚决策树的哪部分重要，因此最终以手动方式搜索要校正的部分。如上所述，手动分析方法或者使用决策树的方法都不是有效的方法。

因此，本发明的实施方式的一个方面的目的是提供一种能够有效地促进用户的状态转变的确定程序、确定方法以及信息处理设备。

发明内容

根据实施方式的一个方面，计算机可读记录介质在其中存储使计算机执行如下处理的确定程序，所述处理包括：将待确定的目标的行为信息输入至学习模型，该学习模型通过使用通过使与特定状态相对应的人的行为组合与特定状态相关联而获得的多个训练数据项，对通过使根据多个训练数据项中包括的多个行为生成的行为组合与指示行为组合处于多个状态中的特定状态下的确定性的可能性相关联而获得的多个关联关系进行学习；基于学习模型的输出结果，指定多个关联关系中的每一个中的行为组合与待确定的目标的行为信息之间的差异；以及，基于与行为组合相关联的可能性以及行为组合与行为信息之间的差异，确定用于使待确定的目标转变为特定状态的附加行为。

附图说明

图1是示出根据第一实施方式的系统的整体配置示例的图；