山下 遥

Webマーケティングが盛んである現在，クーポン配布は売上増につながる主要なマーケティング施策である．しかし，クーポンを闇雲に配布すると企業の利益率を下げるリスクがあり，クーポン施策を適切に実施するために，施策効果を推定し，施策と得られた結果の因果関係を分析することが重要である．その際，元々購買意欲の低いユーザは，クーポンを配布することで購買確率や粗利が向上する可能性が高い一方で，元々購買意欲の高いユーザにクーポンを配布すると購買確率や粗利を下げる可能性があるなど，ユーザの潜在的な購買意欲が施策効果の違いを生んでいると考えられる．従って，購買意欲と施策効果の関係を分析することで，購買意欲に基づいた施策効果の高いターゲティングを行うことが可能になる．そこで本研究では，ユーザの潜在的な購買意欲により生じる，クーポンの施策効果の差異を分析するための機械学習に基づく実験計画法を提案する．具体的には，機械学習手法を用いて，各ユーザの購買履歴データからユーザの潜在的な購買意欲を予測し，予測値と施策効果の関係を分析可能な手法を提案する．最後に，実際の施策データに提案手法を適用することで有用性を示す．

従来の推薦システムの分野では, ユーザが直接アイテムへの満足度を付与した評価値データを用いた評価値予測のモデルが多かった. 近年では, 購入履歴などの行動履歴データ(暗黙的評価)を活用した推薦モデルが広く活用されている. 暗黙的評価を用いたモデルの1つにNeural Collaborative Ranking(以下, NCR)が提案されている. NCRは暗黙的評価が観測されていないアイテムの中で, 次に暗黙的評価が観測される確率の高いアイテムを推定し順位付けを行う手法である. 一方, 現実問題では, ECサイトにおける購買と閲覧のようにレベルの異なる複数の暗黙的評価が観測される場合が存在する. しかし, 従来のNCRのモデルでは複数の暗黙的評価を区別して学習することはできず, 観測されるデータを十分に活用することができない. そこで本研究では, 複数の暗黙的評価を活用したフレームワークであるDingらの方法を援用し, NCRにレベルの異なる複数の暗黙的評価を考慮したモデルを提案する. また, 実データを用いて, 精度評価を行うことにより, 提案手法の有効性を示す.

株価の変動要因を分析した研究はこれまでいくつか提案されており，テキストデータをモデル構築の際に活用することが有効であるとわかっている．しかし，この方法でテキストデータを活用するにはBag-of-wordsなどによる文章を定量化が必要であり，このとき具体的な情報は抽象化される．そのため，ある時点での株価変動が具体的にどのような要因によって生じたのかについて調べようとする場合には不適切である．この場合にはまずテキストデータ以外を活用してモデルを構築し，そのモデルから着目すべきテキスト情報を明らかにして考察することが望ましい．そこで本研究では，まず経済動向指標等の数値データを用いてモデルを作成する．ここでモデルに関して，本研究で用いる数値データには期間によって異なる影響を与えるデータが含まれるため，時変係数モデルに基づいて行う．そして作成したモデルの残差に着目することで，ある時点での株価変動とその周辺時点でのテキストデータで表される具体的な要因との関係性について解明する．そこから，提案モデルの評価を行って本モデルの妥当性を吟味する．最後に，提案モデルの実世界での活用例を示す．