JP6630874B2 - 検索ニーズの評価装置、評価システム、評価方法、及び評価モジュール生産方法 - Google Patents

Description

本発明は、検索エンジンの検索語とされるワードの検索ニーズを評価する技術に関する。

ＳＥＯ（Search Engine Optimization）を支援する技術が各種提案されている。この種の技術を開示した文献として、特許文献１がある。特許文献１のウェブページ解析装置は、あるワードがターゲットキーワードとして入力された場合に、ターゲットキーワードについての検索結果内の複数のウェブページデータの各々を解析対象ウェブページとし、解析対象ウェブページデータに形態素解析処理を施し、形態素解析処理により得られた形態素群における同じ種類の形態素毎の含有数を集計し、検索結果に占める解析対象ウェブページの順位に対する各形態素の寄与の度合いを示す形態素別評価値を求め、形態素別評価値を解析対象ウェブページ毎に並べたリストを解析結果として提示する。特許文献１の技術によると、ＳＥＯ効果の高い形態素を効率よく見出すことができる。

特許６１６４４３６号

https://arxiv.org/pdf/1301.3781.pdf https://arxiv.org/pdf/1301.3781.pdf https://arxiv.org/pdf/1411.2738.pdf http://tkengo.github.io/blog/2016/05/09/understand-how-to-learn-word2vec/

ところで、検索エンジンの検索の仕方には、検索窓に１語だけを入力して検索をかける単ワード検索と、検索窓に２語以上を入力して検索をかける複合ワード検索とがある。複合ワード検索を行う際、単ワードに追加される２語目以降の入力ワードの出現分布には、単ワードそれぞれによって固有の傾向がみられる。ＳＥＯを行う企業には、この傾向が似ている他の単ワードや地域、時期を発見することによって、同様の検索ニーズをもった検索者群に対し、より簡便にＷｅｂサイト等の媒体をリーチさせたいというニーズがある。

しかしながら、特許文献１の技術は、検索窓に入力されるキーワードそれ自体の評価をするものであり、複合ワード検索で利用されるであろう２語目以降のワード群の評価には不向きであった。

本発明は、このような課題に鑑みて為されたものであり、本発明は、このような課題に鑑みて為されたものであり、単ワードごとの検索ニーズの類似性を評価できる技術的手段を提供することを目的とする。

上記課題を解決するために、本発明の好適な態様である検索ニーズの評価装置は、第１の核ワード及び第２の核ワードを入力すると共に、各々が前記核ワードと組み合わせて検索語を構成し得る複数のサブワードを入力する入力手段と、前記第１の核ワードと前記複数のサブワードとの関連度を示す第１の指標を取得すると共に、前記第２の核ワードと前記複数のサブワードとの関連度を示す第２の指標を取得する取得手段と、前記第１の指標及び前記第２の指標の相関を求め、この相関を第１の核ワード及び第２の核ワードの検索ニーズの関係の解析結果として出力する解析手段とを有することを特徴とする。

この態様において、前記サブワードの個数をＮ（Ｎは２以上の自然数）個とし、前記Ｎ個のサブワードのうちのｉ番目のサブワードについての前記第１の指標をｘ_ｉとし、当該指標の平均値をｘバーとすると共に、前記Ｎ個のサブワードのうちのｉ番目のサブワードについての前記第２の指標をｙ_ｉとし、当該指標の平均値とｙバーとし、前記相関を示す指標ρを以下の式（１）に示す関数にしたがって算出してもよい。

また、前記取得手段は、検索エンジンにおける前記第１の核ワードのみを検索語とする検索の所定時間あたりの検索数と前記第１の核ワードと前記サブワードとを組み合わせた語を検索語とする検索の所定時間あたりの検索数の比、又はこの比に所定の前処理を施して得た値を前記第１の指標として取得し、検索エンジンにおける前記第２の核ワードのみを検索語とする検索の所定時間あたりの検索数と前記第２の核ワードと前記サブワードとを組み合わせた語を検索語とする検索の所定時間あたりの検索数の比、又はこの比に所定の前処理を施して得た値を前記第２の指標として取得してもよい。

また、前記取得手段は、検索エンジンにおける前記第１の核ワードのみを検索語とする検索結果の上位コンテンツ内の前記サブワードの頻出度、又はこの頻出度に所定の前処理を施して得た値を前記第１の指標として取得し、検索エンジンにおける前記第２の核ワードのみを検索語とする検索結果の上位コンテンツ内の前記サブワードの頻出度、又はこの頻出度に所定の前処理を施して得た値を前記第２の指標として取得してもよい。

また、前記取得手段は、検索エンジンにおける前記第１の核ワードと前記サブワードとを組み合わせた語を検索語とする検索の検索数、又はこの検索数に所定の前処理を施して得た値を前記第１の指標として取得し、検索エンジンにおける前記第２の核ワードと前記サブワードとを組み合わせた語を検索語とする検索の検索数、又はこの検索数に所定の前処理を施して得た値を前記第２の指標として取得してもよい。

また、前記取得手段は、検索エンジンにおける前記第１の核ワードと前記サブワードとを組み合わせた語を検索語とする検索の検索数に基づいて求まる検索市場の市場規模を表す指標を前記第１の指標として取得し、検索エンジンにおける前記第２の核ワードと前記サブワードとを組み合わせた語を検索語とする検索の検索数に基づいて求まる検索市場の市場規模を表す指標を前記第２の指標として取得してもよい。

本発明の別の好適な態様である検索ニーズの評価システムは、利用者端末と、前記利用者端末と通信する評価装置と、を含み、前記評価装置は、第１の核ワード及び第２の核ワードを入力すると共に、各々が前記核ワードと組み合わせて検索語を構成し得る複数のサブワードを入力する入力手段と、前記第１の核ワードと前記複数のサブワードとの関連度を示す第１の指標を取得すると共に、前記第２の核ワードと前記複数のサブワードとの関連度を示す第２の指標を取得する取得手段と、前記第１の指標及び前記第２の指標の相関を求め、この相関を第１の核ワード及び第２の核ワードの検索ニーズの関係の解析結果として出力する解析手段とを備えることを特徴とする。

本発明の別の好適な態様である検索ニーズの評価方法は、第１の核ワード及び第２の核ワードを入力すると共に、各々が前記核ワードと組み合わせて検索語を構成し得る複数のサブワードを入力する入力ステップと、前記第１の核ワードと前記複数のサブワードとの関連度を示す第１の指標を取得すると共に、前記第２の核ワードと前記複数のサブワードとの関連度を示す第２の指標を取得する取得ステップと、前記第１の指標及び前記第２の指標の相関を求め、この相関を第１の核ワード及び第２の核ワードの検索ニーズの関係の解析結果として出力する解析ステップとを有することを特徴とする。

本発明の別の好適な態様である検索ニーズの評価装置は、核ワードを入力すると共に、各々が前記核ワードと組み合わせて検索語を構成し得る複数のサブワードを入力する入力手段と、第１の時点における前記核ワードと前記複数のサブワードとの関連度を示す第１の指標を取得すると共に、第２の時点における前記核ワードと前記複数のサブワードとの関連度を示す第２の指標を取得する取得手段と、前記第１の指標及び前記第２の指標の相関を求め、この相関を前記核ワードについての前記第１の時点及び前記第２の時点の検索ニーズの関係の解析結果として出力する解析手段とを有することを特徴とする。

この態様において、前記第２の時点は前記第１の時点よりも過去の時点であり、前記サブワードの個数をＮ（Ｎは２以上の自然数）個とし、前記第１の時点ｔと前記第２の時点の時間差をｄとし、第１の時点ｔにおける前記Ｎ個のサブワードのうちのｉ番目のサブワードについての前記第１の指標をｘ_ｉ（ｔ）とし、当該指標の平均値をｘ（ｔ）バーとすると共に、第２の時点ｔ−ｄにおける前記Ｎ個のサブワードのうちのｉ番目のサブワードについての前記第２の指標をｘ_ｉ（ｔ−ｄ）とし、当該指標の平均値をｘ（ｔ−ｄ）バーとし、以下の式（２）に示す関数にしたがって前記相関を示す指標ρ（ｔ，ｄ）を算出してもよい。

また、前記取得手段は、前記第１の時点における前記核ワードのみを検索語とする検索の所定時間あたりの検索数と前記核ワードと前記サブワードとを組み合わせた語を検索語とする検索の所定時間あたりの検索数の比、又はこの比に所定の前処理を施して得た値を前記第１の指標として取得し、前記第２の時点における前記核ワードのみを検索語とする検索の所定時間あたりの検索数と前記核ワードと前記サブワードとを組み合わせた語を検索語とする検索の所定時間あたりの検索数の比、又はこの比に所定の前処理を施して得た値を前記第２の指標として取得してもよい。

また、前記取得手段は、前記第１の時点における前記核ワードのみを検索語とする検索結果の上位コンテンツ内の前記サブワードの頻出度、又はこの頻出度に所定の前処理を施して得た値を前記第１の指標として取得し、前記第２の時点における前記核ワードのみを検索語とする検索結果の上位コンテンツ内の前記サブワードの頻出度、又はこの頻出度に所定の前処理を施して得た値を前記第２の指標として取得してもよい。

また、前記取得手段は、前記第１の時点における前記核ワードと前記サブワードとを組み合わせた語を検索語とする検索の検索数、又はこの検索数に所定の前処理を施して得た値を前記第１の指標として取得し、前記第２の時点における前記核ワードと前記サブワードとを組み合わせた語を検索語とする検索の検索数、又はこの検索数に所定の前処理を施して得た値を前記第２の指標として取得してもよい。

また、前記取得手段は、前記第１の時点における前記核ワードと前記サブワードとを組み合わせた語を検索語とする検索の検索数に基づいて求まる検索市場の市場規模を表す指標を前記第１の指標として取得し、前記第２の時点における前記核ワードと前記サブワードとを組み合わせた語を検索語とする検索の検索数に基づいて求まる検索市場の市場規模を表す指標を前記第２の指標として取得してもよい。

本発明の別の好適な態様である検索ニーズの評価システムは、利用者端末と、前記利用者端末と通信する評価装置と、を含み、前記評価装置は、核ワードを入力すると共に、各々が前記核ワードと組み合わせて検索語を構成し得る複数のサブワードを入力する入力手段と、第１の時点における前記核ワードと前記複数のサブワードとの関連度を示す第１の指標を取得すると共に、第２の時点における前記核ワードと前記複数のサブワードとの関連度を示す第２の指標を取得する取得手段と、前記第１の指標及び前記第２の指標の相関を求め、この相関を前記核ワードについての前記第１の時点及び前記第２の時点の検索ニーズの関係の解析結果として出力する解析手段とを備えることを特徴とする。

本発明の別の好適な態様である検索ニーズの評価方法は、核ワードを入力すると共に、各々が前記核ワードと組み合わせて検索語を構成し得る複数のサブワードを入力する入力ステップと、第１の時点における前記核ワードと前記複数のサブワードとの関連度を示す第１の指標を取得すると共に、第２の時点における前記核ワードと前記複数のサブワードとの関連度を示す第２の指標を取得する取得ステップと、前記第１の指標及び前記第２の指標の相関を求め、この相関を前記核ワードについての前記第１の時点及び前記第２の時点の検索ニーズの関係の解析結果として出力する解析ステップとを有することを特徴とする。

本発明の別の好適な態様である検索ニーズの評価装置は、核ワードを入力すると共に、各々が前記核ワードと組み合わせて検索語を構成し得る複数のサブワードを入力する入力手段と、第１の地点を検索者の位置とした場合における前記核ワードと前記複数のサブワードとの関連度を示す第１の指標を取得すると共に、前記第１の地点と異なる第２の地点を検索者の位置とした場合における前記核ワードと前記複数のサブワードとの関連度を示す第２の指標を取得する取得手段と、前記第１の指標及び前記第２の指標の相関を求め、この相関を前記核ワードについての前記第１の地点及び前記第２の地点の検索ニーズの関係の解析結果として出力する解析手段とを有することを特徴とする。

本発明の別の好適な態様である検索ニーズの評価装置は、前記サブワードの個数をＮ（Ｎは２以上の自然数）個とし、前記第１の地点を検索者の位置とした場合における前記Ｎ個のサブワードのうちのｉ番目のサブワードについての前記第１の指標をｘ_ｉとし、当該指標の平均値をｘバーとすると共に、前記第２の地点を検索者の位置とした場合における前記Ｎ個のサブワードのうちのｉ番目のサブワードについての前記第２の指標をｙ_ｉとし、当該指標の平均値をｙバーとし、以下の式（３）に示す関数にしたがって前記相関を示す指標ρを算出することを特徴とする。

この態様において、前記取得手段は、前記第１の地点を検索者の位置とした場合における前記核ワードのみを検索語とする検索の所定時間あたりの検索数と前記核ワードと前記サブワードとを組み合わせた語を検索語とする検索の所定時間あたりの検索数の比、又はこの比に所定の前処理を施して得た値を前記第１の指標として取得し、前記第２の地点を検索者の位置とした場合における前記核ワードのみを検索語とする検索の所定時間あたりの検索数と前記核ワードと前記サブワードとを組み合わせた語を検索語とする検索の所定時間あたりの検索数の比、又はこの比に所定の前処理を施して得た値を前記第２の指標として取得してもよい。

また、前記取得手段は、前記第１の地点を検索者の位置とした場合における前記核ワードのみを検索語とする検索結果の上位コンテンツ内の前記サブワードの頻出度、又はこの頻出度に所定の前処理を施して得た値を前記第１の指標として取得し、前記第２の地点を検索者の位置とした場合における前記核ワードのみを検索語とする検索結果の上位コンテンツ内の前記サブワードの頻出度、又はこの頻出度に所定の前処理を施して得た値を前記第２の指標として取得してもよい。

また、前記取得手段は、前記第１の地点を検索者の位置とした場合における前記核ワードと前記サブワードとを組み合わせた語を検索語とする検索の検索数、又はこの検索数に所定の前処理を施して得た値を前記第１の指標として取得し、前記第２の地点を検索者の位置とした場合における前記核ワードと前記サブワードとを組み合わせた語を検索語とする検索の検索数、又はこの検索数に所定の前処理を施して得た値を前記第２の指標として取得してもよい。

また、前記取得手段は、前記第１の地点を検索者の位置とした場合における前記核ワードと前記サブワードとを組み合わせた語を検索語とする検索の検索数に基づいて求まる検索市場の市場規模を表す指標を前記第１の指標として取得し、前記第２の地点を検索者の位置とした場合における前記核ワードと前記サブワードとを組み合わせた語を検索語とする検索の検索数に基づいて求まる検索市場の市場規模を表す指標を前記第２の指標として取得してもよい。

本発明の別の好適な態様である検索ニーズの評価システムは、利用者端末と、前記利用者端末と通信する評価装置と、を含み、前記評価装置は、核ワードを入力すると共に、各々が前記核ワードと組み合わせて検索語を構成し得る複数のサブワードを入力する入力手段と、第１の地点を検索者の位置とした場合における前記核ワードと前記複数のサブワードとの関連度を示す第１の指標を取得すると共に、前記第１の地点と異なる第２の地点を検索者の位置とした場合における前記核ワードと前記複数のサブワードとの関連度を示す第２の指標を取得する取得手段と、前記第１の指標及び前記第２の指標の相関を求め、この相関を前記核ワードについての前記第１の地点及び前記第２の地点の検索ニーズの関係の解析結果として出力する解析手段とを備えることを特徴とする。

本発明の別の好適な態様である検索ニーズの評価方法は、核ワードを入力すると共に、各々が前記核ワードと組み合わせて検索語を構成し得る複数のサブワードを入力する入力ステップと、第１の地点を検索者の位置とした場合における前記核ワードと前記複数のサブワードとの関連度を示す第１の指標を取得すると共に、前記第１の地点と異なる第２の地点を検索者の位置とした場合における前記核ワードと前記複数のサブワードとの関連度を示す第２の指標を取得する取得ステップと、前記第１の指標及び前記第２の指標の相関を求め、この相関を前記核ワードについての前記第１の地点及び前記第２の地点の検索ニーズの関係の解析結果として出力する解析ステップとを有することを特徴とする。

本発明の別の好適な態様である検索ニーズの評価装置は、第１の核ワード及び第２の核ワードを入力すると共に、前記核ワードと組み合わせて検索語を構成し得る複数のサブワードであって各々が属する系統のタグが対応付けられている複数のサブワード内における複数の系統にそれぞれ属する系統毎のサブワード群を入力する入力手段と、前記第１の核ワードと前記複数の系統のサブワード群との関連度を示す第１の指標を取得すると共に、前記第２の核ワードと前記複数の系統のサブワード群との関連度を示す第２の指標を取得する取得手段と、前記第１の指標及び前記第２の指標の相関を求め、この相関を第１の核ワード及び第２の核ワードの検索ニーズの関係の解析結果として出力する解析手段とを有することを特徴とする。

この態様において、前記複数の系統の中のｊ番目の系統に属するサブワード群の中のｉ番目のサブワードについての前記第１の指標をｘ_ｉとし、下記の式（４）に示す関数に従って第１の指標の合計Ｘ_ｊを算出し、当該ｊ番目の系統に属するサブワード群の中のｉ番目のサブワードについての前記第２の指標をｙ_ｉとし、下記の式（５）に示す関数に従って第２の指標の合計Ｙ_ｊを算出し、第１の指標の合計Ｘ_ｊ及び第２の指標の合計Ｙ_ｊを以下の式（６）に示す関数に代入することにより、前記相関を示す指標ρを算出してもよい。

本発明の別の好適な態様である検索ニーズの評価システムは、利用者端末と、前記利用者端末と通信する評価装置と、を含み、第１の核ワード及び第２の核ワードを入力すると共に、前記核ワードと組み合わせて検索語を構成し得る複数のサブワードであって各々が属する系統のタグが対応付けられている複数のサブワード内における複数の系統にそれぞれ属する系統毎のサブワード群を入力する入力手段と、前記第１の核ワードと前記複数の系統のサブワード群との関連度を示す第１の指標を取得すると共に、前記第２の核ワードと前記複数の系統のサブワード群との関連度を示す第２の指標を取得する取得手段と、前記第１の指標及び前記第２の指標の相関を求め、この相関を第１の核ワード及び第２の核ワードの検索ニーズの関係の解析結果として出力する解析手段とを備えることを特徴とする。

本発明の別の好適な態様である検索ニーズの評価方法は、第１の核ワード及び第２の核ワードを入力すると共に、前記核ワードと組み合わせて検索語を構成し得る複数のサブワードであって各々が属する系統のタグが対応付けられている複数のサブワード内における複数の系統にそれぞれ属する系統毎のサブワード群を入力する入力ステップと、前記第１の核ワードと前記複数の系統のサブワード群との関連度を示す第１の指標を取得すると共に、前記第２の核ワードと前記複数の系統のサブワード群との関連度を示す第２の指標を取得する取得ステップと、前記第１の指標及び前記第２の指標の相関を求め、この相関を第１の核ワード及び第２の核ワードの検索ニーズの関係の解析結果として出力する解析ステップとを有することを特徴とする。

本発明の別の好適な態様である評価モジュール生産方法は、入力層、中間層、及び出力層を含むニューラルネットワークを有し、核ワードと複数のサブワードとの関連度を示す指標の指標データ群を前記ニューラルネットワークに入力したときに前記ニューラルネットワークから出力される出力信号、又は、前記出力信号及び教師信号を取得し、取得した信号をディープラーニングのアルゴリズムに従って処理し、この処理結果に基づいて、前記入力層と前記中間層との間及び前記中間層と前記出力層との間の重み係数を更新する学習評価部を有し、前記学習評価部による重み係数の更新を経た学習済みモデルを、第１の核ワードの検索ニーズと第２の核ワードの検索ニーズとの関係を評価する評価モジュールとして出力することを特徴とする。

本発明の別の好適な態様である評価モジュール生産方法は、入力層、中間層、及び出力層を含むニューラルネットワークを有し、複数の時点における核ワードと複数のサブワードとの関連度を示す指標を示す指標データ群を前記ニューラルネットワークに入力したときに前記ニューラルネットワークから出力される出力信号、又は、前記出力信号及び教師信号を取得し、取得した信号をディープラーニングのアルゴリズムに従って処理し、この処理結果に基づいて、前記入力層と前記中間層との間及び前記中間層と前記出力層との間の重み係数を更新する学習評価部を有し、前記学習評価部による重み係数の更新を経た学習済みモデルを、第１の時点における核ワードの検索ニーズと第２の時点における核ワードの検索ニーズとの関係を評価する評価モジュールとして出力することを特徴とする。

本発明の別の好適な態様である評価モジュール生産方法は、入力層、中間層、及び出力層を含むニューラルネットワークを有し、複数の地点における核ワードと複数のサブワードとの関連度を示す指標を示す指標データ群を前記ニューラルネットワークに入力したときに前記ニューラルネットワークから出力される出力信号、又は、前記出力信号及び教師信号を取得し、取得した信号をディープラーニングのアルゴリズムに従って処理し、この処理結果に基づいて、前記入力層と前記中間層との間及び前記中間層と前記出力層との間の重み係数を更新する学習評価部を有し、前記学習評価部による重み係数の更新を経た学習済みモデルを、第１の地点における核ワードの検索ニーズと第２の地点における核ワードの検索ニーズとの関係を評価する評価モジュールとして出力することを特徴とする。

本発明の別の好適な態様である評価モジュール生産方法は、入力層、中間層、及び出力層を含むネットワークを有し、核ワードを所定のベクトル表現としたベクトルデータを入力信号とし、サブワードを所定のベクトル表現としたベクトルデータ又は当該サブワードに関わる指標を教師信号とし、前記入力信号を前記ニューラルネットワークに入力したときに前記ニューラルネットワークから出力される出力信号及び前記教師信号を取得し、取得した信号をディープラーニングのアルゴリズムに従って処理し、この処理結果に基づいて、前記入力層と前記中間層との間及び前記中間層と前記出力層との間の重み係数を更新する学習評価部を有し、前記学習評価部による重み係数の更新を経た学習済みモデルを、第１の核ワードの検索ニーズと第２の核ワードの検索ニーズとの関係を評価する評価モジュールとして出力することを特徴とする。

本発明の別の好適な態様である評価モジュール生産方法は、入力層、中間層、及び出力層を含むネットワークを有し、サブワードを所定のベクトル表現としたベクトルデータを入力信号とし、核ワードを所定のベクトル表現としたベクトルデータを教師信号とし、前記入力信号を前記ニューラルネットワークに入力したときに前記ニューラルネットワークから出力される出力信号及び前記教師信号を取得し、取得した信号をディープラーニングのアルゴリズムに従って処理し、この処理結果に基づいて、前記入力層と前記中間層との間及び前記中間層と前記出力層との間の重み係数を更新する学習評価部を有し、前記学習評価部による重み係数の更新を経た学習済みモデルを、第１の核ワードの検索ニーズと第２の核ワードの検索ニーズとの関係を評価する評価モジュールとして出力することを特徴とする。

本発明によれば、ある核ワードと組み合わされるサブワード群と別の核ワードと組み合わされるサブワード群との相関を、２つの核ワードの検索ニーズの類似性として定量的に評価することができる。よって、本発明によると、これからＳＥＯを行うワードに関わるサイトに既に成果をあげているものと同様のＳＥＯを施したときに相応の成果が期待できるのか否かを、ある程度の確度をもって事前に判断することができる。

本発明の第１実施形態である評価装置２０を含む評価システム１の全体構成を示す図である。 本発明の第１実施形態である評価装置２０のＣＰＵ２２が評価プログラム２６にしたがって実行する評価方法の流れを示すフローチャートである。 本発明の第１実施形態である評価装置２０の入力処理を説明するための図である。 本発明の第１実施形態である評価装置２０の取得処理及び解析処理を説明するための図である。 本発明の第２実施形態である評価装置２０の取得処理及び解析処理を説明するための図である。 本発明の第３実施形態である評価装置２０の取得処理及び解析処理を説明するための図である。 本発明の第４実施形態である評価装置２０のＣＰＵ２２が評価プログラム２６にしたがって実行する評価方法の流れを示すフローチャートである。 本発明の第４実施形態である評価装置２０の入力処理を説明するための図である。 本発明の第４実施形態である評価装置２０の取得処理及び解析処理を説明するための図である。 本発明の第５実施形態である評価装置２０の取得処理及び解析処理を説明するための図である。 本発明の第６実施形態である評価装置２０の取得処理及び解析処理を説明するための図である。 本発明の第７実施形態である評価装置２０のＣＰＵ２２が評価プログラム２６にしたがって実行する評価方法の流れを示すフローチャートである。 本発明の第７実施形態である評価装置２０の入力処理を説明するための図である。 本発明の第７実施形態である評価装置２０の入力処理を説明するための図である。 本発明の第７実施形態である評価装置２０の取得処理及び解析処理を説明するための図である。 本発明の第８実施形態である評価装置２０の取得処理及び解析処理を説明するための図である。 本発明の第９実施形態である評価装置２０の取得処理及び解析処理を説明するための図である。 本発明の第１０実施形態である評価装置２０の効果を説明するための図である。 本発明の変形例である評価装置２０の動作を説明するための図である。 本発明の変形例である評価装置の動作を説明する図である。 本発明の変形例である評価装置の動作を説明する図である。 本発明の変形例である評価装置の動作を説明する図である。 本発明の変形例である評価装置の動作を説明する図である。 本発明の変形例である評価装置の動作を説明する図である。 本発明の変形例である評価装置の動作を説明する図である。 本発明の変形例である評価装置の動作を説明する図である。 本発明の変形例である評価装置の動作を説明する図である。

以下、図面を参照しつつ本発明の実施形態を説明する。
＜第１実施形態＞
図１は、本発明の第１実施形態である評価装置２０を含む評価システム１の全体構成を示す図である。図１に示す評価システム１は、検索エンジンの検索語とされるワードの検索ニーズ間の類似性の定量評価を可能とするものである。

図１示すように、評価システム１は、利用者端末１０、及び評価装置２０を有する。利用者端末１０、及び評価装置２０は、インターネット９０を介して接続されている。インターネット９０には、検索エンジンサーバ装置５０が接続されている。

検索エンジンサーバ装置５０は、検索エンジンサービスを提供する役割を果たす装置である。検索エンジンサーバ装置５０は、インターネット９０を巡回し、インターネット９０上に、文書データ（ＨＴＭＬ（Hｙper Teｘt Markup Language）などのマークアップ言語により記述されたデータ）として散在するｗｅｂサイト、ｗｅｂページ、又はｗｅｂコンテンツから得た情報をインデクシングする巡回処理と、検索者のコンピュータから検索語を含むＨＴＴＰ（Hｙper Teｘt Transfer Protocol）リクエスト（検索クエリ）を受信し、検索クエリ内の検索語を用いて検索したｗｅｂサイト、ｗｅｂページ、及びｗｅｂコンテンツのタイトル、ＵＲＬ（Uniform Resource Locator）、スニペット（Snippet）のセットを上位（順位が高い）のものから順に配した検索結果を返信する検索処理とを行う。図１では、検索エンジンサーバ装置５０が１つだけ図示されているが、検索エンジンサーバ装置５０の数は複数であってもよい。

利用者端末１０は、パーソナルコンピュータである。利用者端末１０のユーザには、固有のＩＤとパスワードが付与されている。ユーザは、自らの利用者端末１０から評価装置２０にアクセスして認証手続を行い、評価装置２０により提供されるサービスを利用する。図１では、利用者端末１０が１つだけ図示されているが、評価システム１における利用者端末１０の数は複数であってもよい。

評価装置２０は、検索ニーズの類似性の定量評価サービスを提供する役割を果たす装置である。検索ニーズの類似性の定量評価サービスは、ユーザから、２つのワードを核ワードとして受け取り、一方の核ワードによる検索の検索結果の絞り込みのときに組み合わされるであろうサブワードと他方の核ワードによる検索の検索結果の絞り込みのときに組み合わされるであろうサブワードとの相関を求め、この相関を２つの核ワード間の検索ニーズの関係の解析結果としてユーザに提示するサービスである。

図１に示すように、評価装置２０は、通信インターフェース２１、ＣＰＵ（Central Processing Unit）２２、ＲＡＭ（Random Access Memorｙ）２３、ＲＯＭ（Read Onlｙ Memorｙ）２４、ハードディスク２５を有する。通信インターフェース２１は、インターネット９０に接続された装置との間でデータを送受信する。ＣＰＵ２２は、ＲＡＭ２３をワークエリアとして利用しつつ、ＲＯＭ２４やハードディスク２５に記憶された各種プログラムを実行する。ＲＯＭ２４には、ＩＰＬ（Initial Program Loader）などが記憶されている。ハードディスク２５には、本実施形態に特有の機能を有する評価プログラム２６が記憶されている。

次に、本実施形態の動作について説明する。図２は、評価装置２０のＣＰＵ２２が評価プログラム２６にしたがって実行する評価方法の流れを示すフローチャートである。ＣＰＵ２２は、評価プログラム２６を実行することで、入力処理（ステップＳＡ１００）を実行する入力手段、取得処理（ステップＳＡ１１０）を実行する取得手段、及び解析処理（ステップＳＡ１２０）を実行する解析手段として機能する。

図２に示すように、入力処理は、ステップＳＡ１００ａとステップＳＡ１００ｂとを有する。ステップＳＡ１００ａでは、第１及び第２の核ワードを入力する。ステップＳＡ１００ｂでは、複数のサブワードを入力する。本実施形態では、図３(Ａ)に示すように、ＣＰＵ２２は、認証手続を済ませた利用者端末１０に対し、入力画面の構造をＨＴＭＬにより記述したウェブページデータを送信する。利用者端末１０は、このウェブページデータを受信すると、入力画面を表示する。入力画面には、「核ワードを入力してください」という文字列が表示される。その下には、核ワード入力欄５１及び５２がある。その下には、「サブワードを入力してください」という文字列が表示される。その下には、サブワード入力欄５３がある。その下には、送信ボタン５４がある。

核ワード入力欄５１には、解析対象の２つの核ワードのうち一方がユーザによって入力される。核ワード入力欄５２には、解析対象の２つのワードのうち他方がユーザによって入力される。サブワード入力欄５３には、各々が核ワードと組み合わせて検索語を構成し得る複数のサブワードがユーザによって入力される。

サブワード入力欄５３の入力手順についてより詳細に説明すると、本実施形態では、入力画面のウェブページデータに複数のサブワードリストが埋め込まれている。サブワードリストには、「ランキング」や「人気」などといった、予め選定された複数のサブワードが収録されている。複数のサブワードリストの各々は、個別のテーマ毎に選定されたサブワードを取り纏めたものにしてもよいし、無作為に選定されたサブワードを取り纏めたものにしてもよい。また、サブワードを複数のサブワードリストに分けずに、全てのサブワードを一つのサブワードリストに収録してもよい。図３（Ｂ）に示すように、利用者端末１０は、サブワード入力欄５３のリスト展開を指示する操作がされると、複数のサブワードリストのリスト名のプルダウンメニューを展開する。利用者端末１０は、プルダウンメニュー内のリスト名の１つを選択する操作がされると、選択されたリスト名をサブワード入力欄５３内に表示させ、そのリスト名のサブワードリストをウェブページデータから取り出す。

ユーザは、入力画面の核ワード入力欄５１に第１の核ワードを入力し、核ワード入力欄５２に第２の核ワードを入力し、サブワード入力欄５３にサブワードリストを入力し、送信ボタン５４を押下する。送信ボタン５４が押下されると、利用者端末１０は、核ワード入力欄５１内の核ワード、核ワード入力欄５２内の核ワード、及びサブワード入力欄５３内のサブワードリストをなす複数のサブワードを、入力情報として評価装置２０へ送信する。ＣＰＵ２２は、インターネット９０を介して利用者端末１０から入力情報を受信すると、受信した入力情報をＲＡＭ２３に書き込む。ここで、簡便のため、入力情報内の第１の核ワードを核ワードＸと記し、入力情報内の第２の核ワードを核ワードＹと記し、入力情報内の複数個のサブワードをサブワードＺ_ｉ（ｉ＝１〜Ｎ、ｉは、サブワードを示すインデックス、Ｎはサブワードの総数）と記す。サブワードの個数Ｎは、２以上の自然数であればいくつであってもよい。

図２において、ＣＰＵ２２は、取得処理（ステップＳＡ１１０）を実行する。取得処理では、ＣＰＵ２２は、核ワードＸとサブワードＺ_ｉ（ｉ＝１〜Ｎ）との関連度を示す指標ｘ_ｉ（ｉ＝１〜Ｎ）を取得すると共に、核ワードＹとサブワードＺ_ｉ（ｉ＝１〜Ｎ）との関連度を示す指標ｙ_ｉ（ｉ＝１〜Ｎ）を取得する。具体的には、図４（Ａ）の例に示すように、取得処理では、ＣＰＵ２２は、検索エンジンサーバ装置５０における核ワードＸ（図４（Ａ）の例では、核ワードＸは化粧水）だけを検索語とする単ワード検索の過去一か月の検索総数ＸＲ、及び核ワードＹ（図４（Ａ）の例では、核ワードＹは日焼け止め）だけを検索語とする単ワード検索の過去一か月の検索総数ＹＲを取得する。

ＣＰＵ２２は、検索エンジンサーバ装置５０における核ワードＸとサブワードリスト内の１番目のサブワードＺ_１（図４（Ａ）の例では、サブワードＺ_１はランキング）の２語を検索語とする複合ワード検索の過去一か月の検索総数ＸＲ_１’を取得する。同様に、ＣＰＵ２２は、核ワードＸとサブワードＺ_２（図４（Ａ）の例では、サブワードＺ_２は人気）の２語を検索語とする複合ワード検索の過去一か月の検索総数ＸＲ_２’、核ワードＸとサブワードＺ_３（図４（Ａ）の例では、サブワードＺ_３は売れ筋）の２語を検索語とする複合ワード検索の過去一か月の検索総数ＸＲ_３’・・・核ワードＸとサブワードＺ_Ｎ（図４（Ａ）の例では、サブワードＺ_３は安い）の２語を検索語とする複合ワード検索の過去一か月の検索総数ＸＲ_Ｎ’をそれぞれ取得する。

ＣＰＵ２２は、検索エンジンサーバ装置５０における核ワードＹとサブワードリスト内の１番目のサブワードＺ_１の２語を検索語とする複合ワード検索の過去一か月の検索総数ＹＲ_１’を取得する。同様に、ＣＰＵ２２は、核ワードＹとサブワードＺ_２の２語を検索語とする複合ワード検索の過去一か月の検索総数ＹＲ_２’、核ワードＹとサブワードＺ_３の２語を検索語とする複合ワード検索の過去一か月の検索総数ＹＲ_３’・・・核ワードＹとサブワードＺ_Ｎの２語を検索語とする複合ワード検索の過去一か月の検索総数ＹＲ_Ｎ’をそれぞれ取得する。

ＣＰＵ２２は、検索総数ＸＲと検索総数ＸＲ_１’の比率ＸＲ_１’／ＸＲを核ワードＸとサブワードＺ_１の関連度の指標ｘ_１とし、検索総数ＸＲと検索総数ＸＲ_２’の比率ＸＲ_２’／ＸＲを核ワードＸとサブワードＺ_２の関連度の指標ｘ_２とし、検索総数ＸＲと検索総数ＸＲ_３’の比率ＸＲ_３’／ＸＲを核ワードＸとサブワードＺ_３の関連度の指標ｘ_３とし・・・検索総数ＸＲと検索総数ＸＲ_Ｎ’の比率ＸＲ_Ｍ’／ＸＲを核ワードＸとサブワードＺ_Ｎの関連度の指標ｘ_Ｎとする。

ＣＰＵ２２は、検索総数ＹＲと検索総数ＹＲ_１’の比率ＹＲ_１’／ＹＲを核ワードＹとサブワードＺ_１の関連度の指標ｙ_１とし、検索総数ＹＲと検索総数ＹＲ’_２の比率ＹＲ_２’／ＹＲを核ワードＹとサブワードＺ_２の関連度の指標ｙ_２とし、検索総数ＹＲと検索総数ＹＲ_３’の比率ＹＲ_３’／ＹＲを核ワードＹとサブワードＺ_３の関連度の指標ｙ_３とし・・・、検索総数ＹＲと検索総数ＹＲ_Ｎ’の比率ＹＲ_Ｍ’／ＹＲを核ワードＹとサブワードＺ_Ｎの関連度の指標ｙ_Ｎとする。

図２において、ＣＰＵ２２は、解析処理（ステップＳＡ１２０）を実行する。解析処理では、第１の指標ｘ_ｉ（ｉ＝１〜Ｎ）と第２の指標ｙ_ｉ（ｉ＝１〜Ｎ）の相関を求め、この相関を核ワードＸの検索ニーズ及び核ワードＹの検索ニーズの関係の解析結果として出力する。具体的には、図４（Ｂ）に示すように、解析処理では、ＣＰＵ２２は、取得処理で得た指標ｘ_ｉ（ｉ＝１〜Ｎ）の平均（ｘ_１＋ｘ_２＋ｘ_３・・・＋ｘ_Ｎ）／Ｎを求めると共に、指標ｙ_ｉ（ｉ＝１〜Ｎ）の平均（ｙ_１＋ｙ_２＋ｙ_３・・・＋ｙ_Ｎ）／Ｎを求める。ＣＰＵ２２は、指標ｘ_ｉ（ｉ＝１〜Ｎ）、ｙ_ｉ（ｉ＝１〜Ｎ）、平均（ｘ_１＋ｘ_２＋ｘ_３・・・＋ｘ_Ｎ）／Ｎ、（ｙ_１＋ｙ_２＋ｙ_３・・・＋ｙ_Ｎ）／Ｎを以下の式（１）の関数に作用させることにより、指標ｘ_ｉ（ｉ＝１〜Ｎ）及びｙ_ｉ（ｉ＝１〜Ｎ）の相関を示す指標ρを求める。ＣＰＵ２２は、核ワードＸ（図４（Ｂ）の例では化粧水）、核ワードＹ（図４（Ｂ）の例では日焼け止め）、「検索ニーズの解析結果」の文字、及び指標ρ（図４（Ｂ）の例では０．８２）を含む画面のデータを利用者端末１０に送信する。

ここで、式（１）におけるｘバー（ｘの上にバーが記されたもの）は、平均（ｘ_１＋ｘ_２＋ｘ_３・・・＋ｘ_Ｎ）／Ｎである。ｙバー（ｙの上にバーが記されたもの）は、平均（ｙ_１＋ｙ_２＋ｙ_３・・・＋ｙ_Ｎ）／Ｎである。

以上が、本実施形態の詳細である。本実施形態では、比率ＸＲ_ｉ’／ＸＲ（ｉ＝１〜Ｎ）を第１の指標ｘ_ｉ（ｉ＝１〜Ｎ）とすると共に比率ＹＲ_ｉ’／ＹＲ（ｉ＝１〜Ｎ）を第２の指標ｙ_ｉ（ｉ＝１〜Ｎ）とし、指標ｘ_ｉ（ｉ＝１〜Ｎ）及びｙ_ｉ（ｉ＝１〜Ｎ）間の相関ρを求め、この相関を第１及び第２の核ワード間の検索ニーズの解析結果として提示する。ここで、比率ＸＲ_ｉ’／ＸＲ（ｉ＝１〜Ｎ）や比率ＹＲ_ｉ’／ＹＲ（ｉ＝１〜Ｎ）は、検索者の行動に基づくものであるから、比率ＸＲ_ｉ’／ＸＲ（ｉ＝１〜Ｎ）や比率ＹＲ_ｉ’／ＹＲ（ｉ＝１〜Ｎ）には、検索者が核ワードそのものに対してどのような検索ニーズを持っているかが現れる。よって、本実施形態によると、ある核ワードと組み合わされるサブワード群と別の核ワードと組み合わされるサブワード群との相関を、２つの核ワードの検索ニーズの類似性として定量的に評価することができる。従って、本実施形態によると、これからＳＥＯを行うワードに関わるサイトに既に成果をあげているものと同様のＳＥＯを施したときに相応の成果が期待できるのか否かを、ある程度の確度をもって事前に判断することができる。例えば、「化粧水」と「日焼け止め」の間のρが高く、「化粧水」と「洗顔料」の間のρが低かった場合、もし「化粧水」での成功事例があれば同ニーズの「日焼け止め」に対しても同じ戦略が有効な可能性が高く、「洗顔料」では別途戦略を立て直した方が有効な可能性が高い、といった判断がし易くなる。

＜第２実施形態＞
本実施形態の第２実施形態を説明する。本実施形態は、取得処理（ステップＳＡ１１０）及び解析処理（ステップＳＡ１２０）が第１実施形態と異なる。図５（Ａ）に示すように、取得処理では、ＣＰＵ２２は、検索エンジンサーバ装置５０における核ワードＸ（図５（Ａ）の例では、核ワードＸは化粧水）だけを検索語とする単ワード検索を行い、検索結果内の上位Ｍ（例えば、Ｍ＝１００位）位のｗｅｂサイト、ｗｅｂページ、及びｗｅｂコンテンツの文書データＸＤ_ｊ（ｊ＝１〜Ｍ）を取得する。また、ＣＰＵ２２は、検索エンジンサーバ装置５０における核ワードＹ（図５（Ａ）の例では、核ワードＹは日焼け止め）だけを検索語とする単ワード検索を行い、検索結果内の上位Ｍ（例えば、Ｍ＝１００位）位のｗｅｂサイト、ｗｅｂページ、及びｗｅｂコンテンツの文書データＹＤ_ｊ（ｊ＝１〜Ｍ）を取得する。

ＣＰＵ２２は、文書データＸＤ_ｊ（ｊ＝１〜Ｍ）内の全ワード数ＸＮｕｍ、文書データＸＤ_ｊ（ｊ＝１〜Ｍ）内におけるサブワードＺ_１（図５（Ａ）の例では、サブワードＺ_１はランキング）の出現数ＸＮｕｍ_１’、サブワードＺ_２（図５（Ａ）の例では、サブワードＺ_２は人気）の出現数ＸＮｕｍ_２’、サブワードＺ_３（図５（Ａ）の例では、サブワードＺ_３は売れ筋）の出現数ＸＮｕｍ_３’・・・サブワードＺ_Ｎ（図５（Ａ）の例では、サブワードＺ_Ｎは安い）の出現数ＸＮｕｍ_Ｎ’をそれぞれカウントする。

ＣＰＵ２２は、文書データＹＤ_ｊ（ｊ＝１〜Ｍ）内の全ワード数ＹＮｕｍ、文書データＹＤ_ｊ（ｊ＝１〜Ｍ）内におけるサブワードＺ_１の出現数ＹＮｕｍ_１’、サブワードＺ_２の出現数ＹＮｕｍ_２’、サブワードＺ_３の出現数ＹＮｕｍ_３’・・・サブワードＺ_Ｎの出現数ＹＮｕｍ_Ｎ’をそれぞれカウントする。

ＣＰＵ２２は、サブワードＺ_１の出現数ＸＮｕｍ_１’を全ワード数ＸＮｕｍで除算した値ＸＮｕｍ_１’／ＸＮｕｍをサブワードＺ_１の頻出度とし、この値Ｎｕｍ_１’／ＸＮｕｍを核ワードＸとサブワードＺ_１との関連度の指標ｘ_１とする。同様に、ＣＰＵ２２は、サブワードＺ_２の出現数ＸＮｕｍ_２’を全ワード数ＸＮｕｍで除算した値ＸＮｕｍ_２’／ＸＮｕｍを核ワードＸとサブワードＺ_２との関連度の指標ｘ_２とし、サブワードＺ_３の出現数ＸＮｕｍ_３’を全ワード数ＸＮｕｍで除算した値ＸＮｕｍ_３’／ＸＮｕｍを核ワードＸとサブワードＺ_３との関連度の指標ｘ_３とし・・・サブワードＺ_Ｎの出現数ＸＮｕｍ_Ｎ’を全ワード数ＸＮｕｍで除算した値ＸＮｕｍ_Ｎ’／ＸＮｕｍを核ワードＸとサブワードＺ_Ｎとの関連度の指標ｘ_Ｎとする。

ＣＰＵ２２は、サブワードＺ_１の出現数ＹＮｕｍ_１’を全ワード数ＹＮｕｍで除算した値ＹＮｕｍ_１’／ＹＮｕｍをサブワードＺ_１の頻出度とし、この値Ｎｕｍ_１’／ＹＮｕｍを核ワードＹとサブワードＺ_１との関連度の指標ｙ_１とする。同様に、ＣＰＵ２２は、サブワードＺ_２の出現数ＹＮｕｍ_２’を全ワード数ＹＮｕｍで除算した値ＹＮｕｍ_２’／ＹＮｕｍを核ワードＹとサブワードＺ_２との関連度の指標ｙ_２とし、サブワードＺ_３の出現数ＹＮｕｍ_３’を全ワード数ＹＮｕｍで除算した値ＹＮｕｍ_３’／ＹＮｕｍを核ワードＹとサブワードＺ_３との関連度の指標ｙ_３とし・・・サブワードＺ_Ｎの出現数ＹＮｕｍ_Ｎ’を全ワード数ＹＮｕｍで除算した値ＹＮｕｍ_Ｎ’／ＹＮｕｍを核ワードＹとサブワードＺ_Ｎとの関連度の指標ｙ_Ｎとする。

図５（Ｂ）に示すように、解析処理では、ＣＰＵ２２は、取得処理で得た指標ｘ_ｉ（ｉ＝１〜Ｎ）の平均（ｘ_１＋ｘ_２＋ｘ_３・・・＋ｘ_Ｎ）／Ｎを求めると共に、指標ｙ_ｉ（ｉ＝１〜Ｎ）の平均（ｙ_１＋ｙ_２＋ｙ_３・・・＋ｙ_Ｎ）／Ｎを求める。その上で、指標ｘ_ｉ（ｉ＝１〜Ｎ）、ｙ_ｉ（ｉ＝１〜Ｎ）、平均（ｘ_１＋ｘ_２＋ｘ_３・・・＋ｘ_Ｎ）／Ｎ、（ｙ_１＋ｙ_２＋ｙ_３・・・＋ｙ_Ｎ）／Ｎを上記の式（１）の関数に作用させることにより、指標ｘ_ｉ（ｉ＝１〜Ｎ）及びｙ_ｉ（ｉ＝１〜Ｎ）の相関を示す指標ρを求める。ＣＰＵ２２は、核ワードＸ（図４（Ｂ）の例では化粧水）、核ワードＹ（図４（Ｂ）の例では日焼け止め）、「検索ニーズの解析結果」の文字、及び指標ρ（図４（Ｂ）の例では０．８２）を含む画面のデータを利用者端末１０に送信する。ここで、頻出度ＸＮｕｍ_ｉ’／ＸＮｕｍ（ｉ＝１〜Ｎ）や頻出度ＹＮｕｍ_ｉ’／ＹＮｕｍ（ｉ＝１〜Ｎ）は、核ワードのみの検索結果を重視するものであるから、頻出度ＸＮｕｍ_ｉ’／ＸＮｕｍ（ｉ＝１〜Ｎ）や頻出度ＹＮｕｍ_ｉ’／ＹＮｕｍ（ｉ＝１〜Ｎ）には、核ワードのみで検索した際の検索者のニーズが現れる。よって、本実施形態によると、第１実施形態と同様の効果が得られる。

＜第３実施形態＞
本実施形態の第３実施形態を説明する。本実施形態は、取得処理（ステップＳＡ１１０）及び解析処理（ステップＳＡ１２０）が第１〜第２実施形態と異なる。図６（Ａ）に示すように、取得処理では、ＣＰＵ２２は、検索エンジンサーバ装置５０における核ワードＸとサブワードリスト内の１番目のサブワードＺ_１（図４（Ａ）の例では、サブワードＺ_１はランキング）の２語を検索語とする複合ワード検索の過去一か月の検索総数ＸＲ_１’、核ワードＸとサブワードＺ_２（図４（Ａ）の例では、サブワードＺ_２は人気）の２語を検索語とする複合ワード検索の過去一か月の検索総数ＸＲ_２’、核ワードＸとサブワードＺ_３（図４（Ａ）の例では、サブワードＺ_３は売れ筋）の２語を検索語とする複合ワード検索の過去一か月の検索総数ＸＲ_３’・・・核ワードＸとサブワードＺ_Ｎ（図４（Ａ）の例では、サブワードＺ_３は安い）の２語を検索語とする複合ワード検索の過去一か月の検索総数ＸＲ_Ｎ’をそれぞれ取得し、検索総数ＸＲ_１’、ＸＲ_２’、ＸＲ_３’・・・ＸＲ_Ｎ’に所定の前処理を施す。前処理では、検索総数ＸＲ_１’、ＸＲ_２’、ＸＲ_３’・・・ＸＲ_Ｎ’を数の多い順に順位付けし、サブワードＺ_１の検索総数ＸＲ_１’の順位ＸＲｎｋ_１、サブワードＺ_２の検索総数ＸＲ_２’の順位ＸＲｎｋ_２、サブワードＺ_３の検索総数ＸＲ_３’の順位ＸＲｎｋ_３・・・サブワードＺ_Ｎの検索総数ＸＲ_Ｎ’の順位ＸＲｎｋ_Ｎを求める。ＣＰＵ２２は、サブワードＺ_１の検索数に前処理を施して得た値ＸＲｎｋ_１を核ワードＸとサブワードＺ_１との関連度の指標ｘ_１とする。同様に、ＣＰＵ２２は、サブワードＺ_２の検索数に前処理を施して得た値ＸＲｎｋ_２を核ワードＸとサブワードＺ_２との関連度の指標ｘ_２とし、サブワードＺ_３の検索数に前処理を施して得た値ＸＲｎｋ_３を核ワードＸとサブワードＺ_３との関連度の指標ｘ_３とし・・・サブワードＺ_Ｎの検索数に前処理を施して得た値ＸＲｎｋ_Ｎを核ワードＸとサブワードＺ_Ｎとの関連度の指標ｘ_Ｎとする。

ＣＰＵ２２は、検索エンジンサーバ装置５０における核ワードＹとサブワードリスト内の１番目のサブワードＺ_１の２語を検索語とする複合ワード検索の過去一か月の検索総数ＹＲ_１’、核ワードＹとサブワードＺ_２の２語を検索語とする複合ワード検索の過去一か月の検索総数ＹＲ_２’、核ワードＹとサブワードＺ_３の２語を検索語とする複合ワード検索の過去一か月の検索総数ＹＲ_３’・・・核ワードＹとサブワードＺ_Ｎの２語を検索語とする複合ワード検索の過去一か月の検索総数ＹＲ_Ｎ’をそれぞれ取得し、検索総数ＹＲ_１’、ＹＲ_２’、ＹＲ_３’・・・ＹＲ_Ｎ’に所定の前処理を施す。前処理では、検索総数ＹＲ_１’、ＹＲ_２’、ＹＲ_３’・・・ＹＲ_Ｎ’を数の多い順に順位付けし、サブワードＺ_１の検索総数ＹＲ_１’の順位ＹＲｎｋ_１、サブワードＺ_２の検索総数ＹＲ_２’の順位ＹＲｎｋ_２、サブワードＺ_３の検索総数ＹＲ_３’の順位ＹＲｎｋ_３・・・サブワードＺ_Ｎの検索総数ＹＲ_Ｎ’の順位ＹＲｎｋ_Ｎを求める。ＣＰＵ２２は、サブワードＺ_１の検索数に前処理を施して得た値ＹＲｎｋ_１を核ワードＹとサブワードＺ_１との関連度の指標ｙ_１とする。同様に、ＣＰＵ２２は、サブワードＺ_２の検索数に前処理を施して得た値ＹＲｎｋ_２を核ワードＹとサブワードＺ_２との関連度の指標ｙ_２とし、サブワードＺ_３の検索数に前処理を施して得た値ＹＲｎｋ_３を核ワードＹとサブワードＺ_３との関連度の指標ｙ_３とし・・・サブワードＺ_Ｎの検索数に前処理を施して得た値ＹＲｎｋ_Ｎを核ワードＹとサブワードＺ_Ｎとの関連度の指標ｙ_Ｎとする。

図６（Ｂ）に示すように、解析処理では、ＣＰＵ２２は、取得処理で得た指標ｘ_ｉ（ｉ＝１〜Ｎ）の平均（ｘ_１＋ｘ_２＋ｘ_３・・・＋ｘ_Ｎ）／Ｎを求めると共に、指標ｙ_ｉ（ｉ＝１〜Ｎ）の平均（ｙ_１＋ｙ_２＋ｙ_３・・・＋ｙ_Ｎ）／Ｎを求める。その上で、指標ｘ_ｉ（ｉ＝１〜Ｎ）、ｙ_ｉ（ｉ＝１〜Ｎ）、平均（ｘ_１＋ｘ_２＋ｘ_３・・・＋ｘ_Ｎ）／Ｎ、（ｙ_１＋ｙ_２＋ｙ_３・・・＋ｙ_Ｎ）／Ｎを上記の式（１）の関数に作用させることにより、指標ｘ_ｉ（ｉ＝１〜Ｎ）及びｙ_ｉ（ｉ＝１〜Ｎ）の相関を示す指標ρを求める。ＣＰＵ２２は、核ワードＸ（図４（Ｂ）の例では化粧水）、核ワードＹ（図４（Ｂ）の例では日焼け止め）、「検索ニーズの解析結果」の文字、及び指標ρ（図４（Ｂ）の例では０．８２）を含む画面のデータを利用者端末１０に送信する。本実施形態によると、第１〜第２実施形態と同様の効果が得られる。

＜第４実施形態＞
図７は、本発明の第４実施形態である評価装置２０のＣＰＵ２２が評価プログラム２６にしたがって実行する評価方法の流れを示すフローチャートである。ＣＰＵ２２は、評価プログラム２６を実行することで、入力処理（ステップＳＡ２００）を実行する入力手段、取得処理（ステップＳＡ２１０）を実行する取得手段、及び解析処理（ステップＳＡ２２０）を実行する解析手段として機能する。

図７に示すように、入力処理は、ステップＳＡ２００ａとステップＳＡ２００ｂとを有する。ステップＳＡ２００ａでは、核ワードを入力する。ステップＳＡ２００ｂでは、複数のサブワードを入力する。ステップＳＡ２００ｃでは、第１及び第２の時点のサブワードを入力する。本実施形態では、図８(Ａ)に示すように、ＣＰＵ２２は、認証手続を済ませた利用者端末１０に対し、入力画面の構造をＨＴＭＬにより記述したウェブページデータを送信する。利用者端末１０は、このウェブページデータを受信すると、入力画面を表示する。入力画面には、「核ワードを入力してください」という文字列が表示される。その下には、核ワード入力欄６１がある。その下には、「サブワードを入力してください」という文字列が表示される。その下には、サブワード入力欄６２がある。その下には、「第１の日時を指定して下さい」という文字列が表示される。その下には、日時入力欄６３がある。その下には、「第２の日時を時間差で指定して下さい」という文字列が表示される。その下には、日時入力欄６４がある。その下には、送信ボタン６５がある。

核ワード入力欄６１には、解析対象の核ワードがユーザによって入力される。サブワード入力欄６２には、各々が核ワードと組み合わせて検索語を構成し得る複数のサブワードがユーザによって入力される。日時入力欄６３には、第１の時点の日時情報がユーザによって入力される。日時入力欄６４には、第２の時点として、第１の時点との時間差を示す時間差情報がユーザによって入力される。日時入力欄６４内の時間差情報は、第１の時点との時間差を、日単位で示すものであってもよいし、週単位で示すものであってもよいし、月単位で示すものであってもよいし、年単位で示すものであってもよい。

サブワード入力欄６２の入力手順についてより詳細に説明すると、本実施形態では、入力画面のウェブページデータに複数のサブワードリストが埋め込まれている。サブワードリストには、「ランキング」や「人気」などといった、予め選定された複数のサブワードが収録されている。複数のサブワードリストの各々は、個別のテーマ毎に選定されたサブワードを取り纏めたものにしてもよいし、無作為に選定されたサブワードを取り纏めたものにしてもよい。また、サブワードを複数のサブワードリストに分けずに、全てのサブワードを一つのサブワードリストに収録してもよい。図８（Ｂ）に示すように、利用者端末１０は、サブワード入力欄６２のリスト展開を指示する操作がされると、複数のサブワードリストのリスト名のプルダウンメニューを展開する。利用者端末１０は、プルダウンメニュー内のリスト名の１つを選択する操作がされると、選択されたリスト名をサブワード入力欄６２内に表示させ、そのリスト名のサブワードリストをウェブページデータから取り出す。

ユーザは、入力画面の核ワード入力欄６１に核ワードを入力し、サブワード入力欄６２にサブワードリストを入力し、日時入力欄６３に第１の日時を入力し、日時入力欄６４に第２の日時を入力し、送信ボタン６５を押下する。送信ボタン６５が押下されると、利用者端末１０は、核ワード入力欄６１内の核ワード、サブワード入力欄６２内のサブワードリストをなす複数のサブワード、日時入力欄６３内の日時情報、及び日時入力欄６４内の時間差情報を、入力情報として評価装置２０へ送信する。ＣＰＵ２２は、インターネット９０を介して利用者端末１０から入力情報を受信すると、受信した入力情報をＲＡＭ２３に書き込む。ここで、簡便のため、入力情報内の核ワードを核ワードＡと記し、入力情報内の複数個のサブワードをサブワードＺ_ｉ（ｉ＝１〜Ｎ、ｉは、サブワードを示すインデックス、Ｎはサブワードの総数）と記す。ここで、サブワードの個数Ｎは、２以上の自然数であればいくつであってもよい。

図７において、ＣＰＵ２２は、取得処理（ステップＳＡ２１０）を実行する。取得処理では、ＣＰＵ２２は、第１の時点における核ワードＡとサブワードＺ_ｉ（ｉ＝１〜Ｎ）との関連度を示す指標ｘ_ｉ（ｔ）（ｉ＝１〜Ｎ）を取得すると共に、第２の時点における核ワードＡとサブワードＺ_ｉ（ｉ＝１〜Ｎ）との関連度を示す指標ｘ_ｉ（ｔ−ｄ）（ｉ＝１〜Ｎ）を取得する。具体的には、図９（Ａ）の例に示すように、取得処理では、ＣＰＵ２２は、日時入力欄６３内の日付（図９（Ａ）の例では２０１７年１２月１２日）を第１の時点ｔとし、この時点ｔから日時入力欄６４内の時間差ｄだけ遡った日付（図９（Ａ）の例では２０１７年１２月５日）を第２の時点ｔ−ｄとする。

ＣＰＵ２２は、第１の時点ｔの核ワードＡ（図９（Ａ）の例では、核ワードＡは化粧水）だけを検索語とする単ワード検索の過去一か月の検索総数ＸＲ（ｔ）、及び第２の時点ｔ−ｄの核ワードＡだけを検索語とする単ワード検索の過去一か月の検索総数ＸＲ（ｔ−ｄ）を取得する。

ＣＰＵ２２は、第１の時点ｔの核ワードＡとサブワードリスト内の１番目のサブワードＺ_１（図９（Ａ）の例では、サブワードＺ_１はランキング）の２語を検索語とする複合ワード検索の過去一か月の検索総数ＸＲ_１（ｔ）’を取得する。同様に、ＣＰＵ２２は、第１の時点ｔの核ワードＡとサブワードＺ_２（図９（Ａ）の例では、サブワードＺ_２は人気）の２語を検索語とする複合ワード検索の過去一か月の検索総数ＸＲ_２（ｔ）’、核ワードＡとサブワードＺ_３（図９（Ａ）の例では、サブワードＺ_３は売れ筋）の２語を検索語とする複合ワード検索の過去一か月の検索総数ＸＲ_３（ｔ）’・・・核ワードＡとサブワードＺ_Ｎ（図９（Ａ）の例では、サブワードＺ_３は安い）の２語を検索語とする複合ワード検索の過去一か月の検索総数ＸＲ_Ｎ（ｔ）’をそれぞれ取得する。

ＣＰＵ２２は、第２の時点ｔ−ｄの核ワードＡとサブワードリスト内の１番目のサブワードＺ_１の２語を検索語とする複合ワード検索の過去一か月の検索総数ＸＲ_１（ｔ−ｄ）’を取得する。同様に、ＣＰＵ２２は、第２の時点ｔ−ｄの核ワードＡとサブワードＺ_２の２語を検索語とする複合ワード検索の過去一か月の検索総数ＸＲ_２（ｔ−ｄ）’、核ワードＡとサブワードＺ_３の２語を検索語とする複合ワード検索の過去一か月の検索総数ＸＲ_３（ｔ−ｄ）’・・・核ワードＡとサブワードＺ_Ｎの２語を検索語とする複合ワード検索の過去一か月の検索総数ＸＲ_Ｎ（ｔ−ｄ）’をそれぞれ取得する。

ＣＰＵ２２は、検索総数ＸＲ（ｔ）と検索総数ＸＲ_１（ｔ）’の比率ＸＲ_１（ｔ）’／ＸＲ（ｔ）を核ワードＡとサブワードＺ_１の関連度の指標ｘ_１（ｔ）とし、検索総数ＸＲ（ｔ）と検索総数ＸＲ_２（ｔ）’の比率ＸＲ_２（ｔ）’／ＸＲ（ｔ）を核ワードＡとサブワードＺ_２の関連度の指標ｘ_２（ｔ）とし、検索総数ＸＲ（ｔ）と検索総数ＸＲ_３（ｔ）’の比率ＸＲ_３（ｔ）’／ＸＲ（ｔ）を核ワードＡとサブワードＺ_３の関連度の指標ｘ_３（ｔ）とし・・・検索総数ＸＲ（ｔ）と検索総数ＸＲ_Ｎ（ｔ）’の比率ＸＲ_Ｎ（ｔ）’／ＸＲ（ｔ）を核ワードＡとサブワードＺ_Ｎの関連度の指標ｘ_Ｎ（ｔ）とする。

ＣＰＵ２２は、検索総数ＸＲ（ｔ−ｄ）と検索総数ＸＲ_１（ｔ−ｄ）’の比率ＸＲ_１（ｔ−ｄ）’／ＸＲ（ｔ−ｄ）を核ワードＡとサブワードＺ_１の関連度の指標ｘ_１（ｔ−ｄ）とし、検索総数ＸＲ（ｔ−ｄ）と検索総数ＸＲ（ｔ−ｄ）’_２の比率ＸＲ（ｔ−ｄ）_２’／ＸＲ（ｔ−ｄ）を核ワードＡとサブワードＺ_２の関連度の指標ｘ_２（ｔ−ｄ）とし、検索総数ＸＲ（ｔ−ｄ）と検索総数ＸＲ_３（ｔ−ｄ）’の比率ＸＲ_３（ｔ−ｄ）’／ＸＲ（ｔ−ｄ）を核ワードＡとサブワードＺ_３の関連度の指標ｘ_３（ｔ−ｄ）とし・・・、検索総数ＸＲ（ｔ−ｄ）と検索総数ＸＲ_Ｎ（ｔ−ｄ）’の比率ＸＲ_Ｎ（ｔ−ｄ）’／ＸＲ（ｔ−ｄ）を核ワードＡとサブワードＺ_Ｎの関連度の指標ｘ_Ｎ（ｔ−ｄ）とする。

図７において、ＣＰＵ２２は、解析処理（ステップＳＡ２２０）を実行する。解析処理では、第１の指標ｘ_ｉ（ｔ）（ｉ＝１〜Ｎ）と第２の指標ｘ_ｉ（ｔ−ｄ）（ｉ＝１〜Ｎ）の相関を求め、この相関を、核ワードＡについての第１の時点の検索ニーズ及び第２の時点の検索ニーズの関係の解析結果として出力する。具体的には、図９（Ｂ）に示すように、解析処理では、ＣＰＵ２２は、取得処理で得た指標ｘ_ｉ（ｔ）（ｉ＝１〜Ｎ）の平均（ｘ_１（ｔ）＋ｘ_２（ｔ）＋ｘ_３（ｔ）・・・＋ｘ_Ｎ（ｔ））／Ｎを求めると共に、指標ｘ_ｉ（ｔ−ｄ）（ｉ＝１〜Ｎ）の平均（ｘ_１（ｔ−ｄ）＋ｘ_２（ｔ−ｄ）＋ｘ（ｔ−ｄ）_３・・・＋ｘ（ｔ−ｄ）_Ｎ）／Ｎを求める。ＣＰＵ２２は、指標ｘ（ｔ）_ｉ（ｉ＝１〜Ｎ）、ｘ_ｉ（ｔ−ｄ）（ｉ＝１〜Ｎ）、平均（ｘ_１（ｔ）＋ｘ_２（ｔ）＋ｘ_３（ｔ）・・・＋ｘ_Ｎ（ｔ））／Ｎ、（ｘ_１（ｔ−ｄ）＋ｘ_２（ｔ−ｄ）＋ｘ_３（ｔ−ｄ）・・・＋ｘ_Ｎ（ｔ−ｄ））／Ｎを以下の式（２）の関数に作用させることにより、指標ｘ_ｉ（ｔ）（ｉ＝１〜Ｎ）及びｘ_ｉ（ｔ−ｄ）（ｉ＝１〜Ｎ）の相関を示す指標ρ（ｔ，ｄ）を求める。ＣＰＵ２２は、核ワードＡ（図９（Ｂ）の例では化粧水）、「検索ニーズの解析結果」の文字、及び指標ρ（ｔ，ｄ）（図９（Ｂ）の例では０．８２）を含む画面のデータを利用者端末１０に送信する。

ここで、式（２）におけるｘ（ｔ）バー（ｘ（ｔ）の上にバーが記されたもの）は、平均（ｘ_１（ｔ）＋ｘ_２（ｔ）＋ｘ_３（ｔ）・・・＋ｘ_Ｎ（ｔ））／Ｎである。ｘ（ｔ−ｄ）バーバー（ｘ（ｔ−ｄ）の上にバーが記されたもの）は、平均（ｘ_１（ｔ−ｄ）＋ｘ_２（ｔ−ｄ）＋ｘ_３（ｔ−ｄ）・・・＋ｘ_Ｎ（ｔ−ｄ））／Ｎである。

以上が、本実施形態の詳細である。本実施形態によると、解析対象のワードの検索ニーズが時間軸上においてどのように変化しているのかを定量的に評価し、ＳＥＯの時期的な戦略を立て易くすることができる。例えば、「ホテル」の４半期間隔（ｄが3ヶ月）のρ（ｔ，ｄ）が低いことがわかれば、「ホテル」に関わるサイトのＳＥＯの計画を４半期間隔で立てる、といった戦略が可能となる。また、夏は「ホテル 沖縄」などが多く、秋には「ホテル 京都」などが多い、といったことが分かれば、それを検索者ニーズに合致したページ内容の検討に活かすことができる。もし「ホテル」に対する異なる時間でのρ（ｔ，ｄ）が高ければ、各季節においてページ内容を季節に特色があるものに変更することがそこまで有効ではないのではないと類推ができる。

＜第５実施形態＞
本実施形態の第５実施形態を説明する。本実施形態は、取得処理（ステップＳＡ２１０）及び解析処理（ステップＳＡ２２０）が第１〜第４実施形態と異なる。図１０（Ａ）に示すように、取得処理では、ＣＰＵ２２は、第１の時点ｔ（図１０（Ａ）の例では、第１の時点ｔは２０１７年１２月１２日）における核ワードＡ（図１０（Ａ）の例では、核ワードＡは化粧水）だけを検索語とする単ワード検索を行い、検索結果内の上位Ｍ（例えば、Ｍ＝１００位）位のｗｅｂサイト、ｗｅｂページ、及びｗｅｂコンテンツの文書データＸＤ（ｔ）_ｊ（ｊ＝１〜Ｍ）を取得する。また、ＣＰＵ２２は、第２の時点ｔ−ｄ（図１０（Ｂ）の例では、第２の時点ｔ−ｄは２０１７年１２月５日）における核ワードＡだけを検索語とする単ワード検索を行い、検索結果内の上位Ｍ（例えば、Ｍ＝１００位）位のｗｅｂサイト、ｗｅｂページ、及びｗｅｂコンテンツの文書データＸＤ（ｔ−ｄ）_ｊ（ｊ＝１〜Ｍ）を取得する。

ＣＰＵ２２は、文書データＸＤ（ｔ）_ｊ（ｊ＝１〜Ｍ）内の全ワード数ＸＮｕｍ（ｔ）、文書データＸＤ（ｔ）_ｊ（ｊ＝１〜Ｍ）内におけるサブワードＺ_１（図１０（Ａ）の例では、サブワードＺ_１はランキング）の出現数ＸＮｕｍ_１（ｔ）’、サブワードＺ_２（図１０（Ａ）の例では、サブワードＺ_２は人気）の出現数ＸＮｕｍ_２（ｔ）’、サブワードＺ_３（図１０（Ａ）の例では、サブワードＺ_３は売れ筋）の出現数ＸＮｕｍ_３（ｔ）’・・・サブワードＺ_Ｎ（図１０（Ａ）の例では、サブワードＺ_Ｎは安い）の出現数ＸＮｕｍ_Ｎ（ｔ）’をそれぞれカウントする。

ＣＰＵ２２は、文書データＸＤ（ｔ−ｄ）_ｊ（ｊ＝１〜Ｍ）内の全ワード数ＸＮｕｍ（ｔ−ｄ）、文書データＸＤ（ｔ−ｄ）_ｊ（ｊ＝１〜Ｍ）内におけるサブワードＺ_１の出現数ＸＮｕｍ_１（ｔ−ｄ）’、サブワードＺ_２の出現数ＸＮｕｍ_２（ｔ−ｄ）’、サブワードＺ_３の出現数ＸＮｕｍ_３（ｔ−ｄ）’・・・サブワードＺ_Ｎの出現数ＸＮｕｍ_Ｎ（ｔ−ｄ）’をそれぞれカウントする。

ＣＰＵ２２は、サブワードＺ_１の出現数ＸＮｕｍ_１（ｔ）’を全ワード数ＸＮｕｍ（ｔ）で除算した値ＸＮｕｍ_１（ｔ）’／ＸＮｕｍ（ｔ）をサブワードＺ_１の頻出度とし、この値Ｎｕｍ_１（ｔ）’／ＸＮｕｍ（ｔ）を核ワードＡとサブワードＺ_１との関連度の指標ｘ_１（ｔ）とする。同様に、ＣＰＵ２２は、サブワードＺ_２の出現数ＸＮｕｍ_２（ｔ）’を全ワード数ＸＮｕｍ（ｔ）で除算した値ＸＮｕｍ_２（ｔ）’／ＸＮｕｍ（ｔ）を核ワードＡとサブワードＺ_２との関連度の指標ｘ_２（ｔ）とし、サブワードＺ_３の出現数ＸＮｕｍ_３（ｔ）’を全ワード数ＸＮｕｍ（ｔ）で除算した値ＸＮｕｍ_３（ｔ）’／ＸＮｕｍ（ｔ）を核ワードＡとサブワードＺ_３との関連度の指標ｘ_３（ｔ）とし・・・サブワードＺ_Ｎの出現数ＸＮｕｍ_Ｎ（ｔ）’を全ワード数ＸＮｕｍ（ｔ）で除算した値ＸＮｕｍ_Ｎ（ｔ）’／ＸＮｕｍ（ｔ）を核ワードＡとサブワードＺ_Ｎとの関連度の指標ｘ_Ｎ（ｔ）とする。

ＣＰＵ２２は、サブワードＺ_１の出現数ＸＮｕｍ_１（ｔ−ｄ）’を全ワード数ＸＮｕｍ（ｔ−ｄ）で除算した値ＸＮｕｍ_１（ｔ−ｄ）’／ＸＮｕｍ（ｔ−ｄ）をサブワードＺ_１の頻出度とし、この値Ｎｕｍ_１（ｔ−ｄ）’／ＸＮｕｍ（ｔ−ｄ）を核ワードＡとサブワードＺ_１との関連度の指標ｘ_１（ｔ−ｄ）とする。同様に、ＣＰＵ２２は、サブワードＺ_２の出現数ＸＮｕｍ_２（ｔ−ｄ）’を全ワード数ＸＮｕｍ（ｔ−ｄ）で除算した値ＸＮｕｍ_２（ｔ−ｄ）’／ＸＮｕｍ（ｔ−ｄ）を核ワードＡとサブワードＺ_２との関連度の指標ｘ_２（ｔ−ｄ）とし、サブワードＺ_３の出現数ＸＮｕｍ_３（ｔ−ｄ）’を全ワード数ＸＮｕｍ（ｔ−ｄ）で除算した値ＸＮｕｍ_３（ｔ−ｄ）’／ＸＮｕｍ（ｔ−ｄ）を核ワードＡとサブワードＺ_３との関連度の指標ｘ_３（ｔ−ｄ）とし・・・サブワードＺ_Ｎの出現数ＸＮｕｍ_Ｎ（ｔ−ｄ）’を全ワード数ＸＮｕｍ（ｔ−ｄ）で除算した値ＸＮｕｍ_Ｎ（ｔ−ｄ）’／ＸＮｕｍ（ｔ−ｄ）を核ワードＡとサブワードＺ_Ｎとの関連度の指標ｘ_Ｎ（ｔ−ｄ）とする。

図１０（Ｂ）に示すように、解析処理では、ＣＰＵ２２は、取得処理で得た指標ｘ_ｉ（ｔ）（ｉ＝１〜Ｎ）の平均（ｘ_１（ｔ）＋ｘ_２（ｔ）＋ｘ_３（ｔ）・・・＋ｘ_Ｎ（ｔ））／Ｎを求めると共に、指標ｘ_ｉ（ｔ−ｄ）（ｉ＝１〜Ｎ）の平均（ｘ_１（ｔ−ｄ）＋ｘ_２（ｔ−ｄ）＋ｘ_３（ｔ−ｄ）・・・＋ｘ_Ｎ（ｔ−ｄ））／Ｎを求める。その上で、指標ｘ_ｉ（ｔ）（ｉ＝１〜Ｎ）、ｘ_ｉ（ｔ−ｄ）（ｉ＝１〜Ｎ）、平均（ｘ_１（ｔ）＋ｘ_２（ｔ）＋ｘ_３（ｔ）・・・＋ｘ_Ｎ（ｔ））／Ｎ、（ｘ_１（ｔ−ｄ）＋ｘ_２（ｔ−ｄ）＋ｘ_３（ｔ−ｄ）・・・＋ｘ_Ｎ（ｔ−ｄ））／Ｎを上記の式（２）の関数に作用させることにより、指標ｘ_ｉ（ｔ）（ｉ＝１〜Ｎ）及びｘ_ｉ（ｔ−ｄ）（ｉ＝１〜Ｎ）の相関を示す指標ρ（ｔ，ｄ）を求める。ＣＰＵ２２は、核ワードＡ（図１０（Ｂ）の例では化粧水）、「検索ニーズの解析結果」の文字、及び指標ρ（ｔ，ｄ）（図１０（Ｂ）の例では０．８２）を含む画面のデータを利用者端末１０に送信する。本実施形態によると、第４実施形態と同様の効果が得られる。

＜第６実施形態＞
本実施形態の第６実施形態を説明する。本実施形態は、取得処理（ステップＳＡ２１０）及び解析処理（ステップＳＡ２２０）が第１〜第５実施形態と異なる。図１１（Ａ）に示すように、取得処理では、ＣＰＵ２２は、第１の時点ｔ（図１１（Ａ）の例では、第１の時点ｔは２０１７年１２月１２日）における核ワードＸとサブワードリスト内の１番目のサブワードＺ_１（図４（Ａ）の例では、サブワードＺ_１はランキング）の２語を検索語とする複合ワード検索の過去一か月の検索総数ＸＲ_１（ｔ）’、核ワードＸとサブワードＺ_２（図４（Ａ）の例では、サブワードＺ_２は人気）の２語を検索語とする複合ワード検索の過去一か月の検索総数ＸＲ_２（ｔ）’、核ワードＸとサブワードＺ_３（図１１（Ａ）の例では、サブワードＺ_３は売れ筋）の２語を検索語とする複合ワード検索の過去一か月の検索総数ＸＲ_３’・・・核ワードＸとサブワードＺ_Ｎ（図１１（Ａ）の例では、サブワードＺ_３は安い）の２語を検索語とする複合ワード検索の過去一か月の検索総数ＸＲ_Ｎ（ｔ）’をそれぞれ取得し、検索総数ＸＲ_１（ｔ）’、ＸＲ_２（ｔ）’、ＸＲ_３（ｔ）’・・・ＸＲ_Ｎ（ｔ）’に所定の前処理を施す。前処理では、検索総数ＸＲ_１（ｔ）’、ＸＲ_２（ｔ）’、ＸＲ_３（ｔ）’・・・ＸＲ_Ｎ（ｔ）’を数の多い順に順位付けし、サブワードＺ_１の検索総数ＸＲ_１（ｔ）’の順位ＸＲｎｋ_１（ｔ）、サブワードＺ_２の検索総数ＸＲ_２（ｔ）’の順位ＸＲｎｋ_２（ｔ）、サブワードＺ_３の検索総数ＸＲ_３（ｔ）’の順位ＸＲｎｋ_３（ｔ）・・・サブワードＺ_Ｎの検索総数ＸＲ_Ｎ（ｔ）’の順位ＸＲｎｋ_Ｎ（ｔ）を求める。ＣＰＵ２２は、サブワードＺ_１の検索数に前処理を施して得た値ＸＲｎｋ_１（ｔ）を核ワードＸとサブワードＺ_１との関連度の指標ｘ_１（ｔ）とする。同様に、ＣＰＵ２２は、サブワードＺ_２の検索数に前処理を施して得た値ＸＲｎｋ_２（ｔ）を核ワードＸとサブワードＺ_２との関連度の指標ｘ_２（ｔ）とし、サブワードＺ_３の検索数に前処理を施して得た値ＸＲｎｋ_３（ｔ）を核ワードＸとサブワードＺ_３との関連度の指標ｘ_３（ｔ）とし・・・サブワードＺ_Ｎの検索数に前処理を施して得た値ＸＲｎｋ_Ｎ（ｔ）を核ワードＸとサブワードＺ_Ｎとの関連度の指標ｘ_Ｎ（ｔ）とする。

ＣＰＵ２２は、第２の時点ｔ−ｄ（図１１（Ａ）の例では、第２の時点ｔ−ｄは２０１７年１２月５日）における核ワードＸとサブワードリスト内の１番目のサブワードＺ_１（図４（Ａ）の例では、サブワードＺ_１はランキング）の２語を検索語とする複合ワード検索の過去一か月の検索総数ＸＲ_１（ｔ−ｄ）’、核ワードＸとサブワードＺ_２（図４（Ａ）の例では、サブワードＺ_２は人気）の２語を検索語とする複合ワード検索の過去一か月の検索総数ＸＲ_２（ｔ−ｄ）’、核ワードＸとサブワードＺ_３（図１１（Ａ）の例では、サブワードＺ_３は売れ筋）の２語を検索語とする複合ワード検索の過去一か月の検索総数ＸＲ_３’・・・核ワードＸとサブワードＺ_Ｎ（図１１（Ａ）の例では、サブワードＺ_３は安い）の２語を検索語とする複合ワード検索の過去一か月の検索総数ＸＲ_Ｎ（ｔ−ｄ）’をそれぞれ取得し、検索総数ＸＲ_１（ｔ−ｄ）’、ＸＲ_２（ｔ−ｄ）’、ＸＲ_３（ｔ−ｄ）’・・・ＸＲ_Ｎ（ｔ−ｄ）’に所定の前処理を施す。前処理では、検索総数ＸＲ_１（ｔ−ｄ）’、ＸＲ_２（ｔ−ｄ）’、ＸＲ_３（ｔ−ｄ）’・・・ＸＲ_Ｎ（ｔ−ｄ）’を数の多い順に順位付けし、サブワードＺ_１の検索総数ＸＲ_１（ｔ−ｄ）’の順位ＸＲｎｋ_１（ｔ−ｄ）、サブワードＺ_２の検索総数ＸＲ_２（ｔ−ｄ）’の順位ＸＲｎｋ_２（ｔ−ｄ）、サブワードＺ_３の検索総数ＸＲ_３（ｔ−ｄ）’の順位ＸＲｎｋ_３（ｔ−ｄ）・・・サブワードＺ_Ｎの検索総数ＸＲ_Ｎ（ｔ−ｄ）’の順位ＸＲｎｋ_Ｎ（ｔ−ｄ）を求める。ＣＰＵ２２は、サブワードＺ_１の検索数に前処理を施して得た値ＸＲｎｋ_１（ｔ−ｄ）を核ワードＸとサブワードＺ_１との関連度の指標ｘ_１（ｔ−ｄ）とする。同様に、ＣＰＵ２２は、サブワードＺ_２の検索数に前処理を施して得た値ＸＲｎｋ_２（ｔ−ｄ）を核ワードＸとサブワードＺ_２との関連度の指標ｘ_２（ｔ−ｄ）とし、サブワードＺ_３の検索数に前処理を施して得た値ＸＲｎｋ_３（ｔ−ｄ）を核ワードＸとサブワードＺ_３との関連度の指標ｘ_３（ｔ−ｄ）とし・・・サブワードＺ_Ｎの検索数に前処理を施して得た値ＸＲｎｋ_Ｎ（ｔ−ｄ）を核ワードＸとサブワードＺ_Ｎとの関連度の指標ｘ_Ｎ（ｔ−ｄ）とする。

図１１（Ｂ）に示すように、解析処理では、ＣＰＵ２２は、取得処理で得た指標ｘ_ｉ（ｔ）（ｉ＝１〜Ｎ）の平均（ｘ_１（ｔ）＋ｘ_２（ｔ）＋ｘ_３（ｔ）・・・＋ｘ_Ｎ（ｔ））／Ｎを求めると共に、指標ｘ_ｉ（ｔ−ｄ）（ｉ＝１〜Ｎ）の平均（ｘ_１（ｔ−ｄ）＋ｘ_２（ｔ−ｄ）＋ｘ_３（ｔ−ｄ）・・・＋ｘ_Ｎ（ｔ−ｄ））／Ｎを求める。その上で、指標ｘ_ｉ（ｔ）（ｉ＝１〜Ｎ）、ｘ_ｉ（ｔ−ｄ）（ｉ＝１〜Ｎ）、平均（ｘ_１（ｔ）＋ｘ_２（ｔ）＋ｘ_３（ｔ）・・・＋ｘ_Ｎ（ｔ））／Ｎ、（ｘ_１（ｔ−ｄ）＋ｘ_２（ｔ−ｄ）＋ｘ_３（ｔ−ｄ）・・・＋ｘ_Ｎ（ｔ−ｄ））／Ｎを上記の式（２）の関数に作用させることにより、指標ｘ_ｉ（ｔ）（ｉ＝１〜Ｎ）及びｘ_ｉ（ｔ−ｄ）（ｉ＝１〜Ｎ）の相関を示す指標ρ（ｔ，ｄ）を求める。ＣＰＵ２２は、核ワードＡ（図１１（Ｂ）の例では化粧水）、「検索ニーズの解析結果」の文字、及び指標ρ（ｔ，ｄ）（図１１（Ｂ）の例では０．８２）を含む画面のデータを利用者端末１０に送信する。本実施形態によると、第４〜第５実施形態と同様の効果が得られる。

＜第７実施形態＞
図１２は、本発明の第７実施形態である評価装置２０のＣＰＵ２２が評価プログラム２６にしたがって実行する評価方法の流れを示すフローチャートである。ＣＰＵ２２は、評価プログラム２６を実行することで、入力処理（ステップＳＡ３００）を実行する入力手段、取得処理（ステップＳＡ３１０）を実行する取得手段、及び解析処理（ステップＳＡ３２０）を実行する解析手段として機能する。

図１２に示すように、入力処理は、ステップＳＡ３００ａとステップＳＡ３００ｂとを有する。ステップＳＡ３００ａでは、核ワードを入力する。ステップＳＡ３００ｂでは、複数のサブワードを入力する。ステップＳＡ３００ｃでは、第１及び第２の地点を入力する。本実施形態では、図１３(Ａ)に示すように、ＣＰＵ２２は、認証手続を済ませた利用者端末１０に対し、入力画面の構造をＨＴＭＬにより記述したウェブページデータを送信する。利用者端末１０は、このウェブページデータを受信すると、入力画面を表示する。入力画面には、「核ワードを入力してください」という文字列が表示される。その下には、核ワード入力欄７１がある。その下には、「サブワードを入力してください」という文字列が表示される。その下には、サブワード入力欄７２がある。その下には、「第１の地点を指定して下さい」という文字列が表示される。その下には、地点入力欄７３がある。その下には、「第２の地点を指定して下さい」という文字列が表示される。その下には、地点入力欄７４がある。その下には、送信ボタン７５がある。

核ワード入力欄７１には、解析対象の核ワードがユーザによって入力される。サブワード入力欄７２には、各々が核ワードと組み合わせて検索語を構成し得る複数のサブワードがユーザによって入力される。地点入力欄７３には、第１の地点の位置情報がユーザによって入力される。地点入力欄７４には、第２の地点の位置情報がユーザによって入力される。

サブワード入力欄７２の入力手順についてより詳細に説明すると、本実施形態では、入力画面のウェブページデータに複数のサブワードリストが埋め込まれている。サブワードリストには、「ランキング」や「人気」などといった、予め選定された複数のサブワードが収録されている。複数のサブワードリストの各々は、個別のテーマ毎に選定されたサブワードを取り纏めたものにしてもよいし、無作為に選定されたサブワードを取り纏めたものにしてもよい。また、サブワードを複数のサブワードリストに分けずに、全てのサブワードを一つのサブワードリストに収録してもよい。図１３（Ｂ）に示すように、利用者端末１０は、サブワード入力欄７２のリスト展開を指示する操作がされると、複数のサブワードリストのリスト名のプルダウンメニューを展開する。利用者端末１０は、プルダウンメニュー内のリスト名の１つを選択する操作がされると、選択されたリスト名をサブワード入力欄７２内に表示させ、そのリスト名のサブワードリストをウェブページデータから取り出す。

地点入力欄７３及び７４の入力手順についてより詳細に説明すると、本実施形態では、図１４に示すように、我が国を５つの地域（“北海道”、“東北”、“関東”、“関西”、および“九州”の５つの地域）に区分けした場合の各地域の代表点Ｒｋ（ｋ＝１〜ｎ）の各々について、代表点Ｒｋの位置情報と代表点Ｒｋの地域名を示す文字列（“北海道”、“東北”、“関東”、“関西”および“九州”の各々）とを対応付けて格納したテーブルが上記ｗｅｂページデータに埋め込まれている。なお、上記位置情報の具体例としては、代表点Ｒｋの示す地域において人口が最大の都道府県の庁舎の緯度および経度を示す地理情報や当該地理情報との相互変換が可能な情報（例えば、当該都道府県の名称或いは当該都道府県の庁舎の名称を表す文字列）が挙げられる。

利用者端末１０は、地点入力欄５２にマウスポインタを移動させて左クリックする操作がされると、上記５つの地域名を配列したプルダウンリストを出現させて地域名の選択を促す。プルダウンリスト内の何れかの地域名が選択されると、選択された地域名を地点入力欄５２に表示させるとともに、その地域名と対応付けてテーブルに格納されている代表点Ｒｋの位置情報を取得する。また、利用者端末１０は、地点入力欄５３にマウスポインタを移動させて左クリックする操作がされると、上記５つの地域名を配列したプルダウンリストを出現させて地域名の選択を促す。プルダウンリスト内の何れかの地域名が選択されると、選択された地域名を地点入力欄５３に表示させるとともに、その地域名と対応付けてテーブルに格納されている代表点Ｒｋの位置情報を取得する。

なお、第２の地点を示す位置情報として第１の地点と同じ位置情報が入力された場合には、再入力を促すメッセージを利用者端末１０に出力させるようにするとよい。また、第１地点と同じ位置情報が入力されることを避けるために、第２の地点を指定させるためのプルダウンリストの表示の際に第１の地点として指定された地域名を除外したプルダウンリストを表示してもよい。

ユーザは、入力画面の核ワード入力欄７１に核ワードを入力し、サブワード入力欄７２にサブワードリストを入力し、地点入力欄７３に第１の地点を入力し、地点入力欄７４に第２の地点を入力し、送信ボタン７５を押下する。送信ボタン７５が押下されると、利用者端末１０は、核ワード入力欄７１内の核ワード、サブワード入力欄７２内のサブワードリストをなす複数のサブワード、地点入力欄７３内の位置情報、及び地点入力欄７４内の位置情報を、入力情報として評価装置２０へ送信する。ＣＰＵ２２は、インターネット９０を介して利用者端末１０から入力情報を受信すると、受信した入力情報をＲＡＭ２３に書き込む。ここで、簡便のため、入力情報内の核ワードを核ワードＡと記し、入力情報内の複数個のサブワードをサブワードＺ_ｉ（ｉ＝１〜Ｎ、ｉは、サブワードを示すインデックス、Ｎはサブワードの総数）と記す。ここで、サブワードの個数Ｎは、２以上の自然数であればいくつであってもよい。

図１２において、ＣＰＵ２２は、取得処理（ステップＳＡ３１０）を実行する。取得処理では、ＣＰＵ２２は、第１の地点を検索者の位置とした場合における核ワードＡとサブワードＺ_ｉ（ｉ＝１〜Ｎ）との関連度を示す指標ｘ_ｉ（ｉ＝１〜Ｎ）を取得すると共に、第２の地点を検索者の位置とした場合における核ワードＡとサブワードＺ_ｉ（ｉ＝１〜Ｎ）との関連度を示す指標ｙ_ｉ（ｉ＝１〜Ｎ）を取得する。具体的には、図１５（Ａ）の例に示すように、取得処理では、ＣＰＵ２２は、地点入力欄７３内の位置情報と対応する地点を（図１５（Ａ）の例では東京）を第１の地点とし、地点入力欄７４内の位置情報と対応する地点（図１５（Ａ）の例では北海道）を第２の地点とする。

ＣＰＵ２２は、第１の地点の核ワードＡ（図１５（Ａ）の例では、核ワードＡは化粧水）だけを検索語とする単ワード検索の過去一か月の検索総数ＸＲ、及び第２の地点の核ワードＡだけを検索語とする単ワード検索の過去一か月の検索総数ＹＲを取得する。

ＣＰＵ２２は、第１の地点の核ワードＡとサブワードリスト内の１番目のサブワードＺ_１（図１５（Ａ）の例では、サブワードＺ_１はランキング）の２語を検索語とする複合ワード検索の過去一か月の検索総数ＸＲ_１’を取得する。同様に、ＣＰＵ２２は、第１の地点の核ワードＡとサブワードＺ_２（図１５（Ａ）の例では、サブワードＺ_２は人気）の２語を検索語とする複合ワード検索の過去一か月の検索総数ＸＲ_２’、核ワードＡとサブワードＺ_３（図１５（Ａ）の例では、サブワードＺ_３は売れ筋）の２語を検索語とする複合ワード検索の過去一か月の検索総数ＸＲ_３’・・・核ワードＡとサブワードＺ_Ｎ（図１５（Ａ）の例では、サブワードＺ_３は安い）の２語を検索語とする複合ワード検索の過去一か月の検索総数ＸＲ_Ｎ’をそれぞれ取得する。

ＣＰＵ２２は、第２の地点の核ワードＡとサブワードリスト内の１番目のサブワードＺ_１の２語を検索語とする複合ワード検索の過去一か月の検索総数ＹＲ_１’を取得する。同様に、ＣＰＵ２２は、第２の地点の核ワードＡとサブワードＺ_２の２語を検索語とする複合ワード検索の過去一か月の検索総数ＹＲ_２’、核ワードＡとサブワードＺ_３の２語を検索語とする複合ワード検索の過去一か月の検索総数ＹＲ_３’・・・核ワードＡとサブワードＺ_Ｎの２語を検索語とする複合ワード検索の過去一か月の検索総数ＹＲ_Ｎ’をそれぞれ取得する。

ＣＰＵ２２は、検索総数ＸＲと検索総数ＸＲ_１’の比率ＸＲ_１’／ＸＲを核ワードＡとサブワードＺ_１の関連度の指標ｘ_１とし、検索総数ＸＲと検索総数ＸＲ_２’の比率ＸＲ_２’／ＸＲを核ワードＡとサブワードＺ_２の関連度の指標ｘ_２とし、検索総数ＸＲと検索総数ＸＲ_３’の比率ＸＲ_３’／ＸＲを核ワードＡとサブワードＺ_３の関連度の指標ｘ_３とし・・・検索総数ＸＲと検索総数ＸＲ_Ｎ’の比率ＸＲ_Ｍ’／ＸＲを核ワードＡとサブワードＺ_Ｎの関連度の指標ｘ_Ｎとする。

ＣＰＵ２２は、検索総数ＹＲと検索総数ＹＲ_１’の比率ＹＲ_１’／ＹＲを核ワードＡとサブワードＺ_１の関連度の指標ｙ_１とし、検索総数ＹＲと検索総数ＹＲ’_２の比率ＹＲ_２’／ＹＲを核ワードＡとサブワードＺ_２の関連度の指標ｙ_２とし、検索総数ＹＲと検索総数ＹＲ_３’の比率ＹＲ_３’／ＹＲを核ワードＡとサブワードＺ_３の関連度の指標ｙ_３とし・・・、検索総数ＹＲと検索総数ＹＲ_Ｎ’の比率ＹＲ_Ｍ’／ＹＲを核ワードＡとサブワードＺ_Ｎの関連度の指標ｙ_Ｎとする。

図１２において、ＣＰＵ２２は、解析処理（ステップＳＡ３２０）を実行する。解析処理では、第１の指標ｘ_ｉ（ｉ＝１〜Ｎ）と第２の指標ｙ_ｉ（ｉ＝１〜Ｎ）の相関を求め、この相関を、核ワードＡについての第１の地点の検索ニーズ及び第２の地点の検索ニーズの関係の解析結果として出力する。具体的には、図１５（Ｂ）に示すように、解析処理では、ＣＰＵ２２は、取得処理で得た指標ｘ_ｉ（ｉ＝１〜Ｎ）の平均（ｘ_１＋ｘ_２＋ｘ_３・・・＋ｘ_Ｎ）／Ｎを求めると共に、指標ｙ_ｉ（ｉ＝１〜Ｎ）の平均（ｙ_１＋ｙ_２＋ｙ_３・・・＋ｙ_Ｎ）／Ｎを求める。ＣＰＵ２２は、指標ｘ_ｉ（ｉ＝１〜Ｎ）、ｘ_ｉ（ｉ＝１〜Ｎ）、平均（ｘ_１＋ｘ_２＋ｘ_３・・・＋ｘ_Ｎ）／Ｎ、（ｙ_１＋ｙ_２＋ｙ_３・・・＋ｙ_Ｎ）／Ｎを以下の式（３）の関数に作用させることにより、指標ｘ_ｉ（ｉ＝１〜Ｎ）及びｙ_ｉ（ｉ＝１〜Ｎ）の相関を示す指標ρを求める。ＣＰＵ２２は、核ワードＡ（図１５（Ｂ）の例では化粧水）、「検索ニーズの解析結果」の文字、及び指標ρ（図１５（Ｂ）の例では０．８２）を含む画面のデータを利用者端末１０に送信する。

ここで、式（３）におけるｘバー（ｘの上にバーが記されたもの）は、平均（ｘ_１＋ｘ_２＋ｘ_３・・・＋ｘ_Ｎ）／Ｎである。ｙバー（ｙの上にバーが記されたもの）は、平均（ｙ_１＋ｙ_２＋ｙ_３・・・＋ｙ_Ｎ）／Ｎである。

以上が、本実施形態の詳細である。本実施形態によると、解析対象の核ワードについて、検索ニーズが地域間でどの程度異なるのかを定量的に評価し、ＳＥＯの地域的な戦略を立て易くすることができる。例えば、例えば核ワード「ラーメン」について、ある地域ではサブワード「塩」との関連度が高くてサブワード「醤油」との関連度が低く、別の地域ではその逆である場合、核ワード「ラーメン」についての２つの地域間のρは低くなる。このようなことが分かれば、塩ラーメン店をチェーン展開する際に、どの地域までなら集客できる見込みがあるかを推定できる。

＜第８実施形態＞
本実施形態の第８実施形態を説明する。本実施形態は、取得処理（ステップＳＡ３１０）及び解析処理（ステップＳＡ３２０）が第１〜第７実施形態と異なる。図１６（Ａ）に示すように、取得処理では、ＣＰＵ２２は、第１の地点（図１６（Ａ）の例では、第１の地点は東京）における核ワードＡ（図１６（Ａ）の例では、核ワードＡは化粧水）だけを検索語とする単ワード検索を行い、検索結果内の上位Ｍ（例えば、Ｍ＝１００位）位のｗｅｂサイト、ｗｅｂページ、及びｗｅｂコンテンツの文書データＸＤ_ｊ（ｊ＝１〜Ｍ）を取得する。また、ＣＰＵ２２は、第２の地点（図１６（Ｂ）の例では、第２の地点は札幌）における核ワードＡだけを検索語とする単ワード検索を行い、検索結果内の上位Ｍ（例えば、Ｍ＝１００位）位のｗｅｂサイト、ｗｅｂページ、及びｗｅｂコンテンツの文書データＹＤ_ｊ（ｊ＝１〜Ｍ）を取得する。

ＣＰＵ２２は、文書データＸＤ_ｊ（ｊ＝１〜Ｍ）内の全ワード数ＸＮｕｍ、文書データＸＤ_ｊ（ｊ＝１〜Ｍ）内におけるサブワードＺ_１（図１６（Ａ）の例では、サブワードＺ_１はランキング）の出現数ＸＮｕｍ_１’、サブワードＺ_２（図１６（Ａ）の例では、サブワードＺ_２は人気）の出現数ＸＮｕｍ_２’、サブワードＺ_３（図１６（Ａ）の例では、サブワードＺ_３は売れ筋）の出現数ＸＮｕｍ_３’・・・サブワードＺ_Ｎ（図１６（Ａ）の例では、サブワードＺ_Ｎは安い）の出現数ＸＮｕｍ_Ｎ’をそれぞれカウントする。

ＣＰＵ２２は、文書データＹＤ_ｊ（ｊ＝１〜Ｍ）内の全ワード数ＹＮｕｍ、文書データＹＤ_ｊ（ｊ＝１〜Ｍ）内におけるサブワードＺ_１の出現数ＹＮｕｍ_１’、サブワードＺ_２の出現数ＹＮｕｍ_２’、サブワードＺ_３の出現数ＹＮｕｍ_３’・・・サブワードＺ_Ｎの出現数ＹＮｕｍ_Ｎ’をそれぞれカウントする。

ＣＰＵ２２は、サブワードＺ_１の出現数ＸＮｕｍ_１’を全ワード数ＸＮｕｍで除算した値ＸＮｕｍ_１’／ＸＮｕｍをサブワードＺ_１の頻出度とし、この値ＸＮｕｍ_１’／ＸＮｕｍを核ワードＡとサブワードＺ_１との関連度の指標ｘ_１とする。同様に、ＣＰＵ２２は、サブワードＺ_２の出現数ＸＮｕｍ_２’を全ワード数ＸＮｕｍで除算した値ＸＮｕｍ_２’／ＸＮｕｍを核ワードＡとサブワードＺ_２との関連度の指標ｘ_２とし、サブワードＺ_３の出現数ＸＮｕｍ_３’を全ワード数ＸＮｕｍで除算した値ＸＮｕｍ_３’／ＸＮｕｍを核ワードＡとサブワードＺ_３との関連度の指標ｘ_３とし・・・サブワードＺ_Ｎの出現数ＸＮｕｍ_Ｎ’を全ワード数ＸＮｕｍで除算した値ＸＮｕｍ_Ｎ’／ＸＮｕｍを核ワードＡとサブワードＺ_Ｎとの関連度の指標ｘ_Ｎとする。

ＣＰＵ２２は、サブワードＺ_１の出現数ＹＮｕｍ_１’を全ワード数ＹＮｕｍで除算した値ＹＮｕｍ_１’／ＹＮｕｍをサブワードＺ_１の頻出度とし、この値ＹＮｕｍ_１’／ＹＮｕｍを核ワードＡとサブワードＺ_１との関連度の指標ｙ_１とする。同様に、ＣＰＵ２２は、サブワードＺ_２の出現数ＹＮｕｍ_２’を全ワード数ＹＮｕｍで除算した値ＹＮｕｍ_２’／ＹＮｕｍを核ワードＡとサブワードＺ_２との関連度の指標ｙ_２とし、サブワードＺ_３の出現数ＹＮｕｍ_３’を全ワード数ＹＮｕｍで除算した値ＹＮｕｍ_３’／ＹＮｕｍを核ワードＡとサブワードＺ_３との関連度の指標ｙ_３とし・・・サブワードＺ_Ｎの出現数ＹＮｕｍ_Ｎ’を全ワード数ＹＮｕｍで除算した値ＹＮｕｍ_Ｎ’／ＹＮｕｍを核ワードＡとサブワードＺ_Ｎとの関連度の指標ｙ_Ｎとする。

図１６（Ｂ）に示すように、解析処理では、ＣＰＵ２２は、取得処理で得た指標ｘ_ｉ（ｉ＝１〜Ｎ）の平均（ｘ_１＋ｘ_２＋ｘ_３・・・＋ｘ_Ｎ）／Ｎを求めると共に、指標ｙ_ｉ（ｉ＝１〜Ｎ）の平均（ｙ_１＋ｙ_２＋ｙ_３・・・＋ｙ_Ｎ）／Ｎを求める。その上で、指標ｘ_ｉ（ｉ＝１〜Ｎ）、ｙ_ｉ（ｉ＝１〜Ｎ）、平均（ｘ_１＋ｘ_２＋ｘ_３・・・＋ｘ_Ｎ）／Ｎ、（ｙ_１＋ｙ_２＋ｙ_３・・・＋ｙ_Ｎ）／Ｎを上記の式（３）の関数に作用させることにより、指標ｘ_ｉ（ｉ＝１〜Ｎ）及びｙ_ｉ（ｉ＝１〜Ｎ）の相関を示す指標ρを求める。ＣＰＵ２２は、核ワードＡ（図１６（Ｂ）の例では化粧水）、「検索ニーズの解析結果」の文字、及び指標ρ（図１６（Ｂ）の例では０．８２）を含む画面のデータを利用者端末１０に送信する。本実施形態によると、第７実施形態と同様の効果が得られる。

＜第９実施形態＞
本実施形態の第９実施形態を説明する。本実施形態は、取得処理（ステップＳＡ３１０）及び解析処理（ステップＳＡ３２０）が第１〜第８実施形態と異なる。図１７（Ａ）に示すように、取得処理では、ＣＰＵ２２は、第１の地点（図１７（Ａ）の例では、第１の地点は東京）における核ワードＸとサブワードリスト内の１番目のサブワードＺ_１（図４（Ａ）の例では、サブワードＺ_１はランキング）の２語を検索語とする複合ワード検索の過去一か月の検索総数ＸＲ_１’、核ワードＸとサブワードＺ_２（図１７（Ａ）の例では、サブワードＺ_２は人気）の２語を検索語とする複合ワード検索の過去一か月の検索総数ＸＲ_２’、核ワードＸとサブワードＺ_３（図１７（Ａ）の例では、サブワードＺ_３は売れ筋）の２語を検索語とする複合ワード検索の過去一か月の検索総数ＸＲ_３’・・・核ワードＸとサブワードＺ_Ｎ（図１７（Ａ）の例では、サブワードＺ_３は安い）の２語を検索語とする複合ワード検索の過去一か月の検索総数ＸＲ_Ｎ’をそれぞれ取得し、検索総数ＸＲ_１’、ＸＲ_２’、ＸＲ_３’・・・ＸＲ_Ｎ’に所定の前処理を施す。前処理では、検索総数ＸＲ_１’、ＸＲ_２’、ＸＲ_３’・・・ＸＲ_Ｎ’を数の多い順に順位付けし、サブワードＺ_１の検索総数ＸＲ_１’の順位ＸＲｎｋ_１、サブワードＺ_２の検索総数ＸＲ_２’の順位ＸＲｎｋ_２、サブワードＺ_３の検索総数ＸＲ_３’の順位ＸＲｎｋ_３・・・サブワードＺ_Ｎの検索総数ＸＲ_Ｎ’の順位ＸＲｎｋ_Ｎを求める。ＣＰＵ２２は、サブワードＺ_１の検索数に前処理を施して得た値ＸＲｎｋ_１を核ワードＸとサブワードＺ_１との関連度の指標ｘ_１とする。同様に、ＣＰＵ２２は、サブワードＺ_２の検索数に前処理を施して得た値ＸＲｎｋ_２を核ワードＸとサブワードＺ_２との関連度の指標ｘ_２とし、サブワードＺ_３の検索数に前処理を施して得た値ＸＲｎｋ_３を核ワードＸとサブワードＺ_３との関連度の指標ｘ_３とし・・・サブワードＺ_Ｎの検索数に前処理を施して得た値ＸＲｎｋ_Ｎを核ワードＸとサブワードＺ_Ｎとの関連度の指標ｘ_Ｎとする。

ＣＰＵ２２は、第２の地点（図１７（Ａ）の例では、第２の地点は北海道）における核ワードＹとサブワードリスト内の１番目のサブワードＺ_１の２語を検索語とする複合ワード検索の過去一か月の検索総数ＹＲ_１’、核ワードＹとサブワードＺ_２の２語を検索語とする複合ワード検索の過去一か月の検索総数ＹＲ_２’、核ワードＹとサブワードＺ_３の２語を検索語とする複合ワード検索の過去一か月の検索総数ＹＲ_３’・・・核ワードＹとサブワードＺ_Ｎの２語を検索語とする複合ワード検索の過去一か月の検索総数ＹＲ_Ｎ’をそれぞれ取得し、検索総数ＹＲ_１’、ＹＲ_２’、ＹＲ_３’・・・ＹＲ_Ｎ’に所定の前処理を施す。前処理では、検索総数ＹＲ_１’、ＹＲ_２’、ＹＲ_３’・・・ＹＲ_Ｎ’を数の多い順に順位付けし、サブワードＺ_１の検索総数ＹＲ_１’の順位ＹＲｎｋ_１、サブワードＺ_２の検索総数ＹＲ_２’の順位ＹＲｎｋ_２、サブワードＺ_３の検索総数ＹＲ_３’の順位ＹＲｎｋ_３・・・サブワードＺ_Ｎの検索総数ＹＲ_Ｎ’の順位ＹＲｎｋ_Ｎを求める。ＣＰＵ２２は、サブワードＺ_１の検索数に前処理を施して得た値ＹＲｎｋ_１を核ワードＹとサブワードＺ_１との関連度の指標ｙ_１とする。同様に、ＣＰＵ２２は、サブワードＺ_２の検索数に前処理を施して得た値ＹＲｎｋ_２を核ワードＹとサブワードＺ_２との関連度の指標ｙ_２とし、サブワードＺ_３の検索数に前処理を施して得た値ＹＲｎｋ_３を核ワードＹとサブワードＺ_３との関連度の指標ｙ_３とし・・・サブワードＺ_Ｎの検索数に前処理を施して得た値ＹＲｎｋ_Ｎを核ワードＹとサブワードＺ_Ｎとの関連度の指標ｙ_Ｎとする。

図１７（Ｂ）に示すように、解析処理では、ＣＰＵ２２は、取得処理で得た指標ｘ_ｉ（ｉ＝１〜Ｎ）の平均（ｘ_１＋ｘ_２＋ｘ_３・・・＋ｘ_Ｎ）／Ｎを求めると共に、指標ｙ_ｉ（ｉ＝１〜Ｎ）の平均（ｙ_１＋ｙ_２＋ｙ_３・・・＋ｙ_Ｎ）／Ｎを求める。その上で、指標ｘ_ｉ（ｉ＝１〜Ｎ）、ｙ_ｉ（ｉ＝１〜Ｎ）、平均（ｘ_１＋ｘ_２＋ｘ_３・・・＋ｘ_Ｎ）／Ｎ、（ｙ_１＋ｙ_２＋ｙ_３・・・＋ｙ_Ｎ）／Ｎを上記の式（３）の関数に作用させることにより、指標ｘ_ｉ（ｉ＝１〜Ｎ）及びｙ_ｉ（ｉ＝１〜Ｎ）の相関を示す指標ρを求める。ＣＰＵ２２は、核ワードＡ（図１７（Ｂ）の例では化粧水）、「検索ニーズの解析結果」の文字、及び指標ρ（図１７（Ｂ）の例では０．８２）を含む画面のデータを利用者端末１０に送信する。本実施形態によると、第７〜第８実施形態と同様の効果が得られる。

＜第１０実施形態＞
本発明の第１０実施形態を説明する。本実施形態では、サブワードリスト内の複数のサブワードに、各々が属する系統のタグを対応付けておく。例えば、サブワードリスト内における「新宿」、「新橋」、「池袋」などの「地域」に関わるサブワード群には「地域」のタグを対応付け、「安い」、「高い」、「ただ」などの「値段」に関わるサブワード群には「値段」のタグを対応付ける。

その上で、本実施形態では、入力画面において、第１の核ワード、第２の核ワード、及び複数の系統を入力する。ＣＰＵ２２は、入力処理では、入力画面において入力された第１の核ワード及び第２の核ワードを入力すると共に、入力画面において入力された系統と複数の系統のサブワード群（例えば、「地域」と「値段」という２つの系統が入力されたのであれば、「地域」のタグが対応付けられたサブワード群と「値段」のタグが対応付けられたサブワード群）を入力する。

ＣＰＵ２２は、取得処理では、第１の核ワードと複数の系統のサブワード群との関連度を示す第１の指標を取得すると共に、第２の核ワードと複数の系統のサブワード群との関連度を示す第２の指標を取得する。ＣＰＵ２２は、解析処理では、第１の指標及び第２の指標の相関を求め、この相関を第１の核ワード及び第２の核ワードの検索ニーズの関係の解析結果として出力する。

より具体的には、ＣＰＵ２２は、複数の系統の中のｊ番目の系統に属するサブワード群の中のｉ番目のサブワードについての第１の指標をｘ_ｉとし、下記の式（４）に示す関数に従って第１の指標の合計Ｘ_ｊを算出する。

ＣＰＵ２２は、ｊ番目の系統に属するサブワード群の中のｉ番目のサブワードについての第２の指標をｙ_ｉとし、下記の式（５）に示す関数に従って第２の指標の合計Ｙ_ｊを算出する。

ＣＰＵ２２は、第１の指標の合計Ｘ_ｊ及び第２の指標の合計Ｙ_ｊを以下の式（６）に示す関数に代入することにより、第１の核ワード及び第２の核ワード間の相関を示す指標ρを算出する。式（６）において、Ｘバーは、第１の指標ｘ_ｉの平均であり、Ｙバーは、第２の指標ｙ_ｉの平均である。

以上が、本実施形態の詳細である。本実施形態では、各タグで集計を行ったものをＸ_ｊ
Ｙ_ｊとし、Ｘ_ｊ及びＹ_ｊ間の相関を、２つの核ワード間の検索ニーズの関係の解析結果として出力する。本実施形態によると、系統の共通性という観点で見た検索ニーズの類似性を定量的に評価することができる。例えば、図１８に示すように、核ワード「映画館」と「居酒屋」は、「新宿」、「新橋」、「池袋」といった厳密な地名で見たならば検索ニーズの類似性は低いが、「地域」の系統という観点で見たならば検索ニーズの類似性が高い、といった複眼的な評価ができるようになる。

＜変形例＞
以上本発明の第１〜第１０実施形態について説明したが、この実施形態に以下の変形を加えてもよい。

（１）上記第１〜第１０実施形態では、評価装置２０を含む評価システム１について説明したが、評価装置２０を単体で製造・販売してもよい。また、上記実施形態では、ＣＰＵ２２を評価プログラム２６にしたがって作動させることで、当該ＣＰＵ２２に本発明の特徴を顕著に示す評価方法を実行させた。しかし、入力処理を実行する入力手段、取得処理を実行する取得手段、及び解析処理を実行する解析手段の各々を電気回路で構成し、これら各手段を組み合わせて本発明の評価装置２０を構成してもよい。

（２）上記第１〜第１０実施形態では、本発明の特徴を顕著に示す評価方法をＣＰＵ２２に実行させる評価プログラム２６が評価装置２０のハードディスク２５に予め記憶されていた。しかし、ＤＶＤ（Digital Versatile Disc）やＵＳＢ（Universal Serial Bus）メモリなどのコンピュータ読み取り可能な記録媒体に上記評価プログラム２６を書き込んで配布してもよく、インターネットなどの電気通信回線経由のダウンロードにより評価プログラム２６を配布してもよい。このようにして配布される評価プログラム２６にしたがって一般的なコンピュータを作動させることで、当該コンピュータを本発明の評価装置２０として機能させることが可能になる。

（３）上記第１〜第１０実施形態において、図１９（Ａ）に示すように、解析対象である複数の核ワード（図１９の例では、１９個のワードＸ１、Ｘ２、Ｘ３、Ｘ４、Ｘ５、Ｘ６、Ｘ７、Ｘ８、Ｘ９、Ｘ１０、Ｘ１１、Ｘ１２、Ｘ１３、Ｘ１４、Ｘ１５、Ｘ１６、Ｘ１７、Ｘ１８、Ｘ１９）の中から２つの核ワードを選んだ場合の全ての組み合わせについて、当該２つのワード間の検索ニーズの関係を示す指標ρを求め、求めた指標をテーブルとして評価装置２０のメモリに格納するとよい。この場合において、図１９（Ｂ）に示すように、評価装置２０に対してテーブル内の指標ρのマッピング表示を指示する操作がされると、テーブル内の全ての指標ρにばねモデルを適応し、核ワード間の指標ρを、Ｘ軸、Ｙ軸、及びＺ軸の広がりを持った空間にマッピングした画像を出力するとよい。ばねモデルの適応処理では、空間にテーブル内の２つの核ワードの各組み合わせと対応するノードを配置し、ノード間を結ぶエッジをフックの法則にしたがうばねとみなし、ノードの位置が変化しなくなるまで、ノードの挙動の計算と位置の移動とを繰り返すようにするとよい。

（４）上記第３、第６、及び第９実施形態では、検索総数ＸＲ_ｉ’（ｉ＝１〜Ｎ）に所定の前処理を施して得た値ＸＲｎｋ_ｉ（ｉ＝１〜Ｎ）を核ワードＸとサブワードＺ_ｉ（ｉ＝１〜Ｎ）との関連度の指標ｘ_ｉ（ｉ＝１〜Ｎ）とし、検索総数ＹＲ_ｉ’（ｉ＝１〜Ｎ）に所定の前処理を施して得た値ＹＲｎｋ_ｉ（ｉ＝１〜Ｎ）を核ワードＹとサブワードＺ_ｉ（ｉ＝１〜Ｎ）との関連度の指標ｙ_ｉ（ｉ＝１〜Ｎ）とした。しかし、検索総数ＸＲ_ｉ’（ｉ＝１〜Ｎ）そのものを核ワードＸとサブワードＺ_ｉ（ｉ＝１〜Ｎ）との関連度の指標ｘ_ｉ（ｉ＝１〜Ｎ）とし、検索総数ＹＲ_ｉ’（ｉ＝１〜Ｎ）そのものを核ワードＹとサブワードＺ_ｉ（ｉ＝１〜Ｎ）との関連度の指標ｙ_ｉ（ｉ＝１〜Ｎ）としてもよい。また、上記第３、第６、及び第９実施形態において、第１の核ワードＸとサブワードＺ_ｉ（ｉ＝１〜Ｎ）とを組み合わせた語を検索語とする検索の検索数に基づいて求まる検索市場の市場規模を表す指標（より具体的には、該当の検索語の検索数にその検索語の広告単価を乗じて得られる指標）を、第１の核ワードＸとサブワードＺ_ｉ（ｉ＝１〜Ｎ）との関連度の指標ｘ_ｉ（ｉ＝１〜Ｎ）とし、第２の核ワードＹとサブワードＺ_ｉ（ｉ＝１〜Ｎ）とを組み合わせた語を検索語とする検索の検索数に基づいて求まる検索市場の市場規模を表す指標を、第２の核ワードＹとサブワードＺ_ｉ（ｉ＝１〜Ｎ）との関連度の指標ｙ_ｉ（ｉ＝１〜Ｎ）としてもよい。

（５）上記第１、第４、及び第７実施形態では、検索総数ＸＲと検索総数ＸＲ_ｉ’（ｉ＝１〜Ｎ）の比率ＸＲ_ｉ’（ｉ＝１〜Ｎ）／ＸＲを核ワードＸとサブワードＺ_ｉ（ｉ＝１〜Ｎ）の関連度の指標ｘ_ｉ（ｉ＝１〜Ｎ）とし、検索総数ＹＲと検索総数ＹＲ_ｉ’（ｉ＝１〜Ｎ）の比率ＹＲ_ｉ’（ｉ＝１〜Ｎ）／ＹＲを核ワードＹとサブワードＺ_ｉ（ｉ＝１〜Ｎ）の関連度の指標ｙ_ｉ（ｉ＝１〜Ｎ）とした。しかし、比率ＸＲ_ｉ’（ｉ＝１〜Ｎ）／ＸＲに所定の前処理（例えば、比率ＸＲ_ｉ’（ｉ＝１〜Ｎ）／ＸＲに値の大きい順の順位を付与し、比率ＸＲ_ｉ’（ｉ＝１〜Ｎ）／ＸＲを順位に置き換える処理）を施して得た値を核ワードＸとサブワードＺ_ｉ（ｉ＝１〜Ｎ）の関連度の指標ｘ_ｉ（ｉ＝１〜Ｎ）とし、比率ＹＲ_ｉ’（ｉ＝１〜Ｎ）／ＹＲに同様の前処理を施して得た値を核ワードＹとサブワードＺ_ｉ（ｉ＝１〜Ｎ）の関連度の指標ｙ_ｉ（ｉ＝１〜Ｎ）としてもよい。

（６）上記第２、第５、及び第８実施形態では、文書データＸＤ_ｊ（ｊ＝１〜Ｍ）内のサブワードＺ_ｉ（ｉ＝１〜Ｎ）の出現数ＸＮｕｍ_ｉ’（ｉ＝１〜Ｎ）を全ワード数ＸＮｕｍで除算した頻出度ＸＮｕｍ_ｉ’（ｉ＝１〜Ｎ）／ＸＮｕｍを核ワードＸとサブワードＺ_ｉ（ｉ＝１〜Ｎ）との関連度の指標ｘ_ｉ（ｉ＝１〜Ｎ）とし、文書データＹＤ_ｊ（ｊ＝１〜Ｍ）内のサブワードＺ_ｉ（ｉ＝１〜Ｎ）の出現数ＹＮｕｍ_ｉ’（ｉ＝１〜Ｎ）を全ワード数ＹＮｕｍで除算した頻出度ＹＮｕｍ_ｉ’（ｉ＝１〜Ｎ）／ＹＮｕｍを核ワードＹとサブワードＺ_ｉ（ｉ＝１〜Ｎ）との関連度の指標ｙ_ｉ（ｉ＝１〜Ｎ）とした。しかし、頻出度ＸＮｕｍ_ｉ’（ｉ＝１〜Ｎ）／ＸＮｕｍに所定の前処理（例えば、頻出度ＸＮｕｍ_ｉ’（ｉ＝１〜Ｎ）／ＸＮｕｍに値の大きい順の順位を付与し、頻出度ＸＮｕｍ_ｉ’（ｉ＝１〜Ｎ）／ＸＮｕｍを順位に置き換える処理）を施して得た値を核ワードＸとサブワードＺ_ｉ（ｉ＝１〜Ｎ）の関連度の指標ｘ_ｉ（ｉ＝１〜Ｎ）とし、頻出度ＹＮｕｍ_ｉ’（ｉ＝１〜Ｎ）／ＹＮｕｍに同様の前処理を施して得た値を核ワードＹとサブワードＺ_ｉ（ｉ＝１〜Ｎ）の関連度の指標ｙ_ｉ（ｉ＝１〜Ｎ）としてもよい。

（７）上記第１〜第３実施形態において、図２０に示すように、ニューラルネットワーク８５と学習評価部８６とを有するシステムにより、任意の２つの核ワード間の検索ニーズの関係を評価する評価モジュールを生成してもよい。具体的には、様々な核ワードについて、当該核ワードと複数のサブワードとの関係を示す指標データ群をメモリ内に準備する。１つの核ワードの指標データ群は、第１指標（核ワードだけを検索語とする単ワード検索の検索数Ｒと、核ワードとサブワードの２語を検索語とする複合ワード検索の検索数Ｒ_ｉ’（ｉ＝１〜Ｎ）の比Ｒ_ｉ’／Ｒ（ｉ＝１〜Ｎ））の指標データ群、第２指標（核ワードだけを検索語とする単ワード検索の上位の文書データ内の全ワード数Ｎｕｍで上位の文書データ内におけるサブワードの出現数Ｎｕｍ_ｉ’（ｉ＝１〜Ｎ）を除算した頻出度Ｎｕｍ_ｉ’／Ｎｕｍ（ｉ＝１〜Ｎ））の指標データ群、及び第３指標（核ワードとサブワードの２語を検索語とする複合ワード検索の検索数に第３実施形態と同様の前処理を施して得た値Ｒｎｋ_ｉ’（ｉ＝１〜Ｎ））の指標データ群を含む。また、解析対象である複数の核ワードの中から２つを選んだ場合の全ての組み合わせについて、一方の核ワードの指標データ群と他方の核ワードの指標データ群との類似度を示すデータをメモリ内に準備する。類似度を示すデータは、被験者に、一方の核ワードの指標データ群と他方の核ワードの指標データ群の両方を見せ、「指標の傾向がどの程度似ていると感じますか。０．００〜１．００の間で答えてください。」というアンケートをしたときの被験者の回答データであることが望ましい。

学習評価部８６は、「化粧水」と「日焼け止め」、「化粧水」と「ラーメン」、「日焼け止め」と「ラーメン」といった２つの核ワードの様々な組み合わせについて、当該組み合わせの一方の核ワードの指標データ群及び他方の核ワードの指標データ群を入力信号Ｘ１及びＸ２としてニューラルネットワーク８５に入力したときにニューラルネットワーク８５から出力される出力信号Ｙ、並びに当該組み合わせの類似度を示す教師信号Ｔを取得し、取得した信号Ｙ並びにＴをディープラーニングのアルゴリズムに従って処理し、この処理結果に基づいて、ニューラルネットワーク８５内の入力層と中間層との間の重み係数及び及び中間層と出力層との間の重み係数を更新し、重み係数の更新を経た学習済みモデルを、第１の核ワードの検索ニーズと第２の核ワードの検索ニーズとの関係を評価する評価モジュールとして出力する。

学習評価部８６による重み係数の更新の手順について、より詳細に説明すると、図２１に示すように、学習評価部８６は、ニューラルネットワーク８５の出力信号Ｙと教師信号Ｔの誤差を以下の式（７）のＥとする。

学習評価部８６は、誤差Ｅをニューラルネットワーク８５の中間層及び出力層間の１番目の重み係数Ｗ_１ ^２で偏微分した偏導関数∂Ｅ／∂Ｗ_１ ^２を求め、重み係数Ｗ_１ ^２をＷ_１ ^２−α（αは正の整数）×（∂Ｅ／∂Ｗ_１ ^２）に置き換える。すなわち、∂Ｅ／∂Ｗ_１ ^２が正であればＷ_１ ^２を所定量だけ小さな値にし、∂Ｅ／∂Ｗ_１ ^２が負であればＷ_１ ^２を所定量だけ大きな値にする。中間層及び出力層間の２番目以降の重み係数Ｗ_２ ^２、Ｗ_３ ^２・・・も同様に、Ｗ_２ ^２−α×（∂Ｅ／∂Ｗ_２ ^２）、Ｗ_３ ^２−α×（∂Ｅ／∂Ｗ_３ ^２）・・・に置き換える。

学習評価部８６は、誤差Ｅをニューラルネットワーク８５の入力層及び中間層間の１番目の重み係数Ｗ_１ ^１で偏微分した偏導関数∂Ｅ／∂Ｗ_１ ^１を求め、重み係数Ｗ_１ ^１をＷ_１ ^１−α（αは正の整数）×（∂Ｅ／∂Ｗ_１ ^１）に置き換える。すなわち、∂Ｅ／∂Ｗ_１ ^１が正であればＷ_１ ^１を所定量だけ小さな値にし、∂Ｅ／∂Ｗ_１ ^１が負であればＷ_１ ^１を所定量だけ大きな値にする。中間層及び出力層間の２番目以降の重み係数Ｗ_２ ^１、Ｗ_３ ^１・・・も同様に、Ｗ_２ ^１−α×（∂Ｅ／∂Ｗ_２ ^１）、Ｗ_３ ^１−α×（∂Ｅ／∂Ｗ_３ ^１）・・・に置き換える。

学習評価部８６は、ニューラルネットワーク８５の出力信号Ｙ及びこれと対応する教師信号Ｔを取得する度に、以上の処理を繰り返し、所定回数又は所定期間に渡る更新を経た重み係数のセットを学習済みモデルとする。

（８）上記第４〜第６実施形態において、図２２に示すように、ニューラルネットワーク８５と学習評価部８６とを有するシステムにより、任意の２つの時点間の検索ニーズの関係を評価する評価モジュールを生成してもよい。具体的には、様々な核ワードについて、１年の中の様々な時点における当該核ワードと複数のサブワードとの関係を示す指標データ群をメモリ内に準備する。１つの核ワードの指標データ群は、第１指標（核ワードだけを検索語とする単ワード検索の検索数Ｒと、核ワードとサブワードの２語を検索語とする複合ワード検索の検索数Ｒ_ｉ’（ｉ＝１〜Ｎ）の比Ｒ_ｉ’／Ｒ（ｉ＝１〜Ｎ））の指標データ群、第２指標（核ワードだけを検索語とする単ワード検索の上位の文書データ内の全ワード数Ｎｕｍで上位の文書データ内におけるサブワードの出現数Ｎｕｍ_ｉ’（ｉ＝１〜Ｎ）を除算した頻出度Ｎｕｍ_ｉ’／Ｎｕｍ（ｉ＝１〜Ｎ））の指標データ群、及び第３指標（核ワードとサブワードの２語を検索語とする複合ワード検索の検索数に第６実施形態と同様の前処理を施して得た値Ｒｎｋ_ｉ’（ｉ＝１〜Ｎ））の指標データ群を含む。また、解析対象である複数の時点の中から２つを選んだ場合の全ての組み合わせについて、一方の時点の指標データ群と他方の時点の指標データ群との類似度を示すデータをメモリ内に準備する。類似度を示すデータは、被験者に、一方の時点の指標データ群と他方の時点の指標データ群の両方を見せ、「指標の傾向がどの程度似ていると感じますか。０．００〜１．００の間で答えてください。」というアンケートをしたときの被験者の回答データであることが望ましい。

学習評価部８６は、「１月１日」と「４月１日」、「４月１日」と「７月１日」、「７月１日」と「１０月１日」といった２時点の様々な組み合わせについて、当該組み合わせの一方の時点の指標データ群及び他方の時点の指標データ群を入力信号Ｘ１及びＸ２としてニューラルネットワーク８５に入力したときにニューラルネットワーク８５から出力される出力信号Ｙ、並びに当該組み合わせの類似度を示す教師信号Ｔを取得し、取得した信号Ｙ並びにＴをディープラーニングのアルゴリズムに従って処理し、この処理結果に基づいて、ニューラルネットワーク８５内の入力層と中間層との間の重み係数及び及び中間層と出力層との間の重み係数を更新し、重み係数の更新を経た学習済みモデルを、核ワードについての第１の時点の検索ニーズと第２の時点の検索ニーズとの関係を評価する評価モジュールとして出力する。学習評価部８６による重み係数の更新の手順は、（７）と同じにするとよい。

（９）上記第７〜第９実施形態において、図２３に示すように、ニューラルネットワーク８５と学習評価部８６とを有するシステムにより、任意の２つの地点間の検索ニーズの関係を評価する評価モジュールを生成してもよい。具体的には、様々な核ワードについて、様々な地点における当該核ワードと複数のサブワードとの関係を示す指標データ群をメモリ内に準備する。１つの核ワードの指標データ群は、第１指標（核ワードだけを検索語とする単ワード検索の検索数Ｒと、核ワードとサブワードの２語を検索語とする複合ワード検索の検索数Ｒ_ｉ’（ｉ＝１〜Ｎ）の比Ｒ_ｉ’／Ｒ（ｉ＝１〜Ｎ））の指標データ群、第２指標（核ワードだけを検索語とする単ワード検索の上位の文書データ内の全ワード数Ｎｕｍで上位の文書データ内におけるサブワードの出現数Ｎｕｍ_ｉ’（ｉ＝１〜Ｎ）を除算した頻出度Ｎｕｍ_ｉ’／Ｎｕｍ（ｉ＝１〜Ｎ））の指標データ群、及び第３指標（核ワードとサブワードの２語を検索語とする複合ワード検索の検索数に第９実施形態と同様の前処理を施して得た値Ｒｎｋ_ｉ’（ｉ＝１〜Ｎ））の指標データ群を含む。また、解析対象である複数の地点の中から２つを選んだ場合の全ての組み合わせについて、一方の地点の指標データ群と他方の地点の指標データ群との類似度を示すデータをメモリ内に準備する。類似度を示すデータは、被験者に、一方の地点の指標データ群と他方の地点の指標データ群の両方を見せ、「指標の傾向がどの程度似ていると感じますか。０．００〜１．００の間で答えてください。」というアンケートをしたときの被験者の回答データであることが望ましい。

学習評価部８６は、「東京」と「北海道」、「北海道」と「大阪」、「大阪」と「東京」といった２地点の様々な組み合わせについて、当該組み合わせの一方の地点の指標データ群及び他方の地点の指標データ群を入力信号Ｘ１及びＸ２としてニューラルネットワーク８５に入力したときにニューラルネットワーク８５から出力される出力信号Ｙ、並びに当該組み合わせの類似度を示す教師信号Ｔを取得し、取得した信号Ｙ並びにＴをディープラーニングのアルゴリズムに従って処理し、この処理結果に基づいて、ニューラルネットワーク８５内の入力層と中間層との間の重み係数及び及び中間層と出力層との間の重み係数を更新し、重み係数の更新を経た学習済みモデルを、核ワードについての第１の地点の検索ニーズと第２の地点の検索ニーズとの関係を評価する評価モジュールとして出力する。学習評価部８６による重み係数の更新の手順は、（７）と同じにするとよい。

（１０）（７）、（８）、及び（９）において、教師信号Ｔありのディープラーニングではなく、教師信号Ｔなしのディープラーニングにより、ニューラルネットワーク８５内の重み係数の更新をしてもよい。また、図２０、図２２、及び図２３では、簡便のため、ニューラルネットワーク８５の中間層を１層としたが、中間層を複数層としてもよい。中間層を複数層とする場合、学習評価部８６は、信号Ｙ及びＴをディープラーニングのアルゴリズムに従って処理し、この処理結果に基づいて、入力層と中間層との間、中間層の相前後する層の間、及び中間層と出力層との間の重み係数を更新するようにするとよい。

（１１）（７）において、ニューラルネットワーク８５の入力信号及び教師信号のうちの一方又は両方をWord2Vecにより構成してもよい。Word2Vecは、単語をベクトル表現にする技術である。代表的なWord2Vecには、Skip-GramモデルとCBOW（Continuous Bag-of-Word）モデルとがある。Skip-Gramモデルは、対象の単語から周辺の単語を予測する課題を与え、ネットワークを学習させるものである。CBOWモデルは、周辺の単語から対象の単語を予測する課題を与え、ネットワークを学習させるものである。Skip-Gramモデルの詳細は、非特許文献１を参照されたい。CBOWモデルの詳細は、非特許文献２を参照されたい。また、両モデルにおける学習方法の詳細は、非特許文献３及び４を参照されたい。

以下に、本発明をSkip-Gramモデルに適用した変形例２つと、本発明をCBOWモデルに適用した変形例２つを紹介する。図２４は、Skip-Gramモデルの第１の変形例を示す図である。図２４の変形例は、核ワードをone-hot-vector化したベクトルデータｘ₁、ｘ₂、ｘ₃・・・ｘ_Vcoreを入力信号とし、サブワードをone-hot-vector化したベクトルデータＴ_1,1、Ｔ_1,2、Ｔ_1,3・・・Ｔ_1,Vsub、Ｔ_2,1、Ｔ_2,2、Ｔ_2,3・・・Ｔ_2,Vsub、Ｔ_C,1、Ｔ_C,2、Ｔ_C,3・・・Ｔ_C,Vsubを教師信号とする。

図２４の変形例では、学習評価部８５は、入力信号ｘ₁、ｘ₂、ｘ₃・・・ｘ_Vcoreをニューラルネットワーク８５に入力したときにニューラルネットワーク８５から出力される出力信号ｙ_1,1、ｙ_1,2、ｙ_1,3・・・ｙ_1,Vsub、ｙ_2,1、ｙ_2,2、ｙ_2,3・・・ｙ_2,Vsub、ｙ_C,1、ｙ_C,2、ｙ_C,3・・・ｙ_C,Vsub及び教師信号Ｔ_1,1、Ｔ_1,2、Ｔ_1,3・・・Ｔ_1,Vsub、Ｔ_2,1、Ｔ_2,2、Ｔ_2,3・・・Ｔ_2,Vsub、Ｔ_C,1、Ｔ_C,2、Ｔ_C,3・・・Ｔ_C,Vsubを取得し、取得した信号ｙ_1,1、ｙ_1,2、ｙ_1,3・・・ｙ_1,Vsub、ｙ_2,1、ｙ_2,2、ｙ_2,3・・・ｙ_2,Vsub、ｙ_C,1、ｙ_C,2、ｙ_C,3・・・ｙ_C,Vsub、Ｔ_1,1、Ｔ_1,2、Ｔ_1,3・・・Ｔ_1,Vsub、Ｔ_2,1、Ｔ_2,2、Ｔ_2,3・・・Ｔ_2,Vsub、Ｔ_C,1、Ｔ_C,2、Ｔ_C,3・・・Ｔ_C,Vsubをディープラーニングのアルゴリズムに従って解析し、この処理結果に基づいて、ニューラルネットワーク８５内の入力層と中間層との間の重み行列Ｗ_Vcore×N及び中間層と出力層との間の重み行列Ｗ’_N×Vsubを更新する。

図２４の変形例では、学習評価部８５による重み行列Ｗ_Vcore×N及びＷ’_N×Vsubの更新を経た学習済みモデルを、第１の核ワードの検索ニーズと第２の核ワードの検索ニーズとの関係を評価する評価モジュールとして出力する。この評価モジュールは、第１の核ワード及び第２の核ワードが入力された場合に、第１の核ワードの検索ニーズ及び第２の核ワードの検索ニーズの関係を示す指標ρを求め、この指標ρを検索ニーズの解析結果として出力する。指標ρの算出の手順は以下の通りである。第１の核ワードをone-hot-vector化したベクトルデータをｘ_ａとし、下記の式（８）に従ってｈ_ａを求める。また、第２の核ワードをone-hot-vector化したベクトルデータをｘ_ｂとし、下記の式（９）に従ってｈ_ｂを求める。その上で、式（８）及び（９）により求めた値ｈ_ａ及びｈ_ｂを下記の式（１０）に代入し、指標ρを求める。

ここで、核ワードとして現れる傾向が高い語句とサブワードとして現れる傾向が高い語句は異なるため、核ワードの対象とする語彙とサブワードの対象とする語彙を必ずしも一致させなくてもよい。よって、図２４の変形例では、入力信号はＶcore次元のベクトルとし、出力信号はＶsub次元のベクトルとする。また、入力ベクトルは核ワードのone-hot-vectorとなり、出力ベクトルは各サブワードの予測出現率となる。通常のSkip-Gramモデルでは、教師信号は対象単語の周辺語であるが、図２４の変形例では、教師信号は、核ワードと複数のサブワードとの関連度に関わる指標データ群（（７）の第１指標、第２指標、第３指標）を基に絞り込んだ所定数のサブワードをone-hot-vector化したものとする。

図２５は、Skip-Gramモデルの第２の変形例を示す図である。図２５の変形例は、核ワードをone-hot-vector化したベクトルデータｘ₁、ｘ₂、ｘ₃・・・ｘ_Vcoreを入力信号とし、核ワードと複数のサブワードとの関連度に関わる指標データ群（（７）の第１指標、第２指標、第３指標）を示すデータＴ₁、Ｔ₂、Ｔ₃・・・Ｔ_Vsubを教師信号とする。

図２５の変形例では、学習評価部８５は、入力信号ｘ₁、ｘ₂、ｘ₃・・・ｘ_Vcoreをニューラルネットワーク８５に入力したときにニューラルネットワーク８５から出力される出力信号ｙ₁、ｙ₂、ｙ₃・・・ｙ_Vsub及び教師信号Ｔ₁、Ｔ₂、Ｔ₃・・・Ｔ_Vsubを取得し、取得した信号ｙ₁、ｙ₂、ｙ₃・・・ｙ_Vsub、Ｔ₁、Ｔ₂、Ｔ₃・・・Ｔ_Vsubをディープラーニングのアルゴリズムに従って解析し、この処理結果に基づいて、ニューラルネットワーク８５内の入力層と中間層との間の重み行列Ｗ_Vcore×N及び中間層と出力層との間の重み行列Ｗ’_N×Vsubを更新する。

図２５の変形例では、学習評価部８５による重み行列Ｗ_Vcore×N及びＷ’_N×Vsubの更新を経た学習済みモデルを、第１の核ワードの検索ニーズと第２の核ワードの検索ニーズとの関係を評価する評価モジュールとして出力する。指標ρの算出の手順は、図２４の変形例と同じである。

ここで、図２４の変形例は、核ワードから出現するサブワードを予測する課題を基に、ニューラルネットワーク８５内の重み行列Ｗ_Vcore×N及びＷ’_N×Vsubを更新するものであり、核ワードと複数のサブワードとの関連度に関わる指標データ群（（７）の第１指標、第２指標、第３指標）は対象のサブワードの絞り込みにのみ使用されていた。このため、図２４の変形例では、ニューラルネットワーク８５がsoftmax関数を含んでいた。これに対し、図２５の変形例では、核ワードと複数のサブワードとの関連度に関わる指標データ群の大小を積極的に学習に利用するために、課題を核ワードのone-hot-vectorから関連度に関わる指標データ群を推定するものに置き換えた。このため、図２５の変形例のニューラルネットワーク８５は、softmax関数を除去したものとなる。図２５の変形例では、ニューラルネットワーク８５の学習は、教師信号である核ワードと複数のサブワードとの関連度に関わる指標データ群と、入力ベクトル（核ワードのone-hot-vector）と重み行列Ｗ_Vcore×N及びＷ’_N×Vsubから得られた推定値との誤差が最小となるように、誤差逆伝搬法を用いて重みを更新することで行う。

図２６は、CBOWモデルの第１の変形例を示す図である。図２６の変形例は、サブワードをone-hot-vector化したベクトルデータｘ_1,1、ｘ_1,2、ｘ_1,3・・・ｘ_1,Vsub、ｘ_2,1、ｘ_2,2、ｘ_2,3・・・ｘ_2,Vsub、ｘ_C,1、ｘ_C,2、ｘ_C,3・・・ｘ_C,Vsubを入力信号とし、核ワードをone-hot-vector化したベクトルデータＴ₁、Ｔ₂、Ｔ₃・・・Ｔ_Vcoreを教師信号とする。

図２６の変形例では、学習評価部８５は、入力信号ｘ_1,1、ｘ_1,2、ｘ_1,3・・・ｘ_1,Vsub、ｘ_2,1、ｘ_2,2、ｘ_2,3・・・ｘ_2,Vsub、ｘ_C,1、ｘ_C,2、ｘ_C,3・・・ｘ_C,Vsubをニューラルネットワーク８５に入力したときにニューラルネットワーク８５から出力される出力信号ｙ₁、ｙ₂、ｙ₃・・・ｙ_Vcore及び教師信号Ｔ₁、Ｔ₂、Ｔ₃・・・Ｔ_Vcoreを取得し、取得した信号ｙ₁、ｙ₂、ｙ₃・・・ｙ_Vcore、Ｔ₁、Ｔ₂、Ｔ₃・・・Ｔ_Vcoreをディープラーニングのアルゴリズムに従って解析し、この処理結果に基づいて、ニューラルネットワーク８５内の入力層と中間層との間の重み行列Ｗ_Vcore×N及び中間層と出力層との間の重み行列Ｗ’_N×Vsubを更新する。

図２６の変形例では、学習評価部８５による重み行列Ｗ_Vcore×N及びＷ’_N×Vsubの更新を経た学習済みモデルを、第１の核ワードの検索ニーズと第２の核ワードの検索ニーズとの関係を評価する評価モジュールとして出力する。この評価モジュールは、第１の核ワード及び第２の核ワードが入力された場合に、第１の核ワードの検索ニーズ及び第２の核ワードの検索ニーズの関係を示す指標ρを求め、この指標ρを検索ニーズの解析結果として出力する。指標ρの算出の手順は以下の通りである。第１の核ワードをone-hot-vector化したベクトルデータをｙ_ａとし、下記の式（１１）に従ってｈ_ａを求める。また、第２の核ワードをone-hot-vector化したベクトルデータをｙ_ｂとし、下記の式（１２）に従ってｈ_ｂを求める。その上で、式（１１）及び（１２）により求めた値ｈ_ａ及びｈ_ｂを下記の式（１３）に代入し、指標ρを求める。

ここで、図２６の変形例は、本発明にCBOWモデルを適用したものである。図２６の変形例では、入力信号は、核ワードと複数のサブワードとの関連度に関わる指標データ群（（７）の第１指標、第２指標、第３指標）を基に絞り込んだ所定数のサブワードをone-hot-vector化したものとする。図２６の変形例では、出力信号が、核ワードと複数のサブワードとの関連度に関わる指標データ群ではなく、核ワードの予測出現率となる。このため、softmax関数は必要となる。

図２７は、CBOWモデルの第２の変形例を示す図である。図２７は、Skip-Gramモデルの第２の変形例を示す図である。図２７の変形例は、サブワードをone-hot-vector化したベクトルデータｘ₁、ｘ₂、ｘ₃・・・ｘ_Vsubを入力信号とし、核ワードと複数のサブワードとの関連度に関わる指標データ群（（７）の第１指標、第２指標、第３指標）を示すデータＴ₁、Ｔ₂、Ｔ₃・・・Ｔ_Vcoreを教師信号とする。

図２７の変形例では、学習評価部８５は、入力信号ｘ₁、ｘ₂、ｘ₃・・・ｘ_Vsubをニューラルネットワーク８５に入力したときにニューラルネットワーク８５から出力される出力信号ｙ₁、ｙ₂、ｙ₃・・・ｙ_Vcore及び教師信号Ｔ₁、Ｔ₂、Ｔ₃・・・Ｔ_Vcoreを取得し、取得した信号ｙ₁、ｙ₂、ｙ₃・・・ｙ_Vcore、Ｔ₁、Ｔ₂、Ｔ₃・・・Ｔ_Vcoreをディープラーニングのアルゴリズムに従って解析し、この処理結果に基づいて、ニューラルネットワーク８５内の入力層と中間層との間の重み行列Ｗ_Vcore×N及び中間層と出力層との間の重み行列Ｗ’_N×Vsubを更新する。

図２７の変形例では、学習評価部８５による重み行列Ｗ_Vcore×N及びＷ’_N×Vsubの更新を経た学習済みモデルを、第１の核ワードの検索ニーズと第２の核ワードの検索ニーズとの関係を評価する評価モジュールとして出力する。指標ρの算出の手順は、図２６の変形例と同じである。

ここで、図２７の変形例は、図２６の変形例と異なり、核ワードと複数のサブワードとの関連度に関わる指標データの大小をニューラルネットワーク８５の学習に積極的に利用するものである。図２７の変形例におけるニューラルネットワーク８５の学習は、核ワードと複数のサブワードとの関連度に関わる指標データ群から、核ワードを確率的に推定する課題を基に行われる。図２７の変形例では、出力信号が、核ワードと複数のサブワードとの関連度に関わる指標データ群ではなく、核ワードの予測出現率となる。このため、softmax関数は必要となる。

1…評価システム、１０…利用者端末、２０…評価装置、２１…通信インターフェース、２２…ＣＰＵ、２３…ＲＡＭ、２４…ＲＯＭ、２５…ハードディスク、２６…評価プログラム、５０…検索エンジンサーバ装置。

Claims (33)

1. 第１の核ワード及び第２の核ワードを入力すると共に、各々が前記核ワードと組み合わせて検索語を構成し得る複数のサブワードを入力する入力手段と、
   前記第１の核ワードと前記複数のサブワードとの関連度の強弱を示す第１の指標群を取得すると共に、前記第２の核ワードと前記複数のサブワードとの関連度の強弱を示す第２の指標群を取得する取得手段と、
   前記第１の指標群及び前記第２の指標群の相関を求め、この相関を第１の核ワード及び第２の核ワードの検索ニーズの関係の解析結果として出力する解析手段と
   を有することを特徴とする検索ニーズの評価装置。
2. 前記サブワードの個数をＮ（Ｎは２以上の自然数）個とし、
   前記Ｎ個のサブワードのうちのｉ番目のサブワードについての前記第１の指標をｘ_ｉとし、当該指標の平均値をｘバーとすると共に、前記Ｎ個のサブワードのうちのｉ番目のサブワードについての前記第２の指標をｙ_ｉとし、当該指標の平均値とｙバーとし、前記相関を示す指標ρを以下の式（１）に示す関数にしたがって算出することを特徴とする請求項１に記載の評価装置。
   
3. 前記取得手段は、
   検索エンジンにおける前記第１の核ワードのみを検索語とする検索の所定時間あたりの検索数と前記第１の核ワードと前記サブワードとを組み合わせた語を検索語とする検索の所定時間あたりの検索数の比、又はこの比に所定の前処理を施して得た値を前記第１の指標として取得し、
   検索エンジンにおける前記第２の核ワードのみを検索語とする検索の所定時間あたりの検索数と前記第２の核ワードと前記サブワードとを組み合わせた語を検索語とする検索の所定時間あたりの検索数の比、又はこの比に所定の前処理を施して得た値を前記第２の指標として取得する
   ことを特徴とする請求項２に記載の評価装置。
4. 前記取得手段は、
   検索エンジンにおける前記第１の核ワードのみを検索語とする検索結果の上位コンテンツ内の前記サブワードの頻出度、又はこの頻出度に所定の前処理を施して得た値を前記第１の指標として取得し、
   検索エンジンにおける前記第２の核ワードのみを検索語とする検索結果の上位コンテンツ内の前記サブワードの頻出度、又はこの頻出度に所定の前処理を施して得た値を前記第２の指標として取得する
   ことを特徴とする請求項２に記載の評価装置。
5. 前記取得手段は、
   検索エンジンにおける前記第１の核ワードと前記サブワードとを組み合わせた語を検索語とする検索の検索数、又はこの検索数に所定の前処理を施して得た値を前記第１の指標として取得し、
   検索エンジンにおける前記第２の核ワードと前記サブワードとを組み合わせた語を検索語とする検索の検索数、又はこの検索数に所定の前処理を施して得た値を前記第２の指標として取得する
   ことを特徴とする請求項２に記載の評価装置。
6. 前記取得手段は、
   検索エンジンにおける前記第１の核ワードと前記サブワードとを組み合わせた語を検索語とする検索の検索数に基づいて求まる検索市場の市場規模を表す指標を前記第１の指標として取得し、
   検索エンジンにおける前記第２の核ワードと前記サブワードとを組み合わせた語を検索語とする検索の検索数に基づいて求まる検索市場の市場規模を表す指標を前記第２の指標として取得する
   ことを特徴とする請求項２に記載の評価装置。
7. 利用者端末と、前記利用者端末と通信する評価装置と、を含み、
   前記評価装置は、
   第１の核ワード及び第２の核ワードを入力すると共に、各々が前記核ワードと組み合わせて検索語を構成し得る複数のサブワードを入力する入力手段と、
   前記第１の核ワードと前記複数のサブワードとの関連度の強弱を示す第１の指標群を取得すると共に、前記第２の核ワードと前記複数のサブワードとの関連度の強弱を示す第２の指標群を取得する取得手段と、
   前記第１の指標群及び前記第２の指標群の相関を求め、この相関を第１の核ワード及び第２の核ワードの検索ニーズの関係の解析結果として出力する解析手段と
   を備えることを特徴とする検索ニーズの評価システム。
8. 第１の核ワード及び第２の核ワードを入力すると共に、各々が前記核ワードと組み合わせて検索語を構成し得る複数のサブワードを入力する入力ステップと、
   前記第１の核ワードと前記複数のサブワードとの関連度の強弱を示す第１の指標群を取得すると共に、前記第２の核ワードと前記複数のサブワードとの関連度の強弱を示す第２の指標群を取得する取得ステップと、
   前記第１の指標群及び前記第２の指標群の相関を求め、この相関を第１の核ワード及び第２の核ワードの検索ニーズの関係の解析結果として出力する解析ステップと
   を有することを特徴とする検索ニーズの評価方法。
9. 核ワードを入力すると共に、各々が前記核ワードと組み合わせて検索語を構成し得る複数のサブワードを入力する入力手段と、
   第１の時点における前記核ワードと前記複数のサブワードとの関連度を示す第１の指標を取得すると共に、第２の時点における前記核ワードと前記複数のサブワードとの関連度を示す第２の指標を取得する取得手段と、
   前記第１の指標及び前記第２の指標の相関を求め、この相関を前記核ワードについての前記第１の時点及び前記第２の時点の検索ニーズの関係の解析結果として出力する解析手段と
   を有することを特徴とする検索ニーズの評価装置。
10. 前記第２の時点は前記第１の時点よりも過去の時点であり、
    前記サブワードの個数をＮ（Ｎは２以上の自然数）個とし、
    前記第１の時点ｔと前記第２の時点の時間差をｄとし、第１の時点ｔにおける前記Ｎ個のサブワードのうちのｉ番目のサブワードについての前記第１の指標をｘ_ｉ（ｔ）とし、当該指標の平均値をｘ（ｔ）バーとすると共に、第２の時点ｔ−ｄにおける前記Ｎ個のサブワードのうちのｉ番目のサブワードについての前記第２の指標をｘ_ｉ（ｔ−ｄ）とし、当該指標の平均値をｘ（ｔ−ｄ）バーとし、以下の式（２）に示す関数にしたがって前記相関を示す指標ρ（ｔ，ｄ）を算出することを特徴とする請求項９に記載の評価装置。
    
11. 前記取得手段は、
    前記第１の時点における前記核ワードのみを検索語とする検索の所定時間あたりの検索数と前記核ワードと前記サブワードとを組み合わせた語を検索語とする検索の所定時間あたりの検索数の比、又はこの比に所定の前処理を施して得た値を前記第１の指標として取得し、
    前記第２の時点における前記核ワードのみを検索語とする検索の所定時間あたりの検索数と前記核ワードと前記サブワードとを組み合わせた語を検索語とする検索の所定時間あたりの検索数の比、又はこの比に所定の前処理を施して得た値を前記第２の指標として取得する
    ことを特徴とする請求項１０に記載の評価装置。
12. 前記取得手段は、
    前記第１の時点における前記核ワードのみを検索語とする検索結果の上位コンテンツ内の前記サブワードの頻出度、又はこの頻出度に所定の前処理を施して得た値を前記第１の指標として取得し、
    前記第２の時点における前記核ワードのみを検索語とする検索結果の上位コンテンツ内の前記サブワードの頻出度、又はこの頻出度に所定の前処理を施して得た値を前記第２の指標として取得する
    ことを特徴とする請求項１０に記載の評価装置。
13. 前記取得手段は、
    前記第１の時点における前記核ワードと前記サブワードとを組み合わせた語を検索語とする検索の検索数、又はこの検索数に所定の前処理を施して得た値を前記第１の指標として取得し、
    前記第２の時点における前記核ワードと前記サブワードとを組み合わせた語を検索語とする検索の検索数、又はこの検索数に所定の前処理を施して得た値を前記第２の指標として取得する
    ことを特徴とする請求項１０に記載の評価装置。
14. 前記取得手段は、
    前記第１の時点における前記核ワードと前記サブワードとを組み合わせた語を検索語とする検索の検索数に基づいて求まる検索市場の市場規模を表す指標を前記第１の指標として取得し、
    前記第２の時点における前記核ワードと前記サブワードとを組み合わせた語を検索語とする検索の検索数に基づいて求まる検索市場の市場規模を表す指標を前記第２の指標として取得する
    ことを特徴とする請求項１０に記載の評価装置。
15. 利用者端末と、前記利用者端末と通信する評価装置と、を含み、
    前記評価装置は、
    核ワードを入力すると共に、各々が前記核ワードと組み合わせて検索語を構成し得る複数のサブワードを入力する入力手段と、
    第１の時点における前記核ワードと前記複数のサブワードとの関連度を示す第１の指標を取得すると共に、第２の時点における前記核ワードと前記複数のサブワードとの関連度を示す第２の指標を取得する取得手段と、
    前記第１の指標及び前記第２の指標の相関を求め、この相関を前記核ワードについての前記第１の時点及び前記第２の時点の検索ニーズの関係の解析結果として出力する解析手段と
    を備えることを特徴とする検索ニーズの評価システム。
16. 核ワードを入力すると共に、各々が前記核ワードと組み合わせて検索語を構成し得る複数のサブワードを入力する入力ステップと、
    第１の時点における前記核ワードと前記複数のサブワードとの関連度を示す第１の指標を取得すると共に、第２の時点における前記核ワードと前記複数のサブワードとの関連度を示す第２の指標を取得する取得ステップと、
    前記第１の指標及び前記第２の指標の相関を求め、この相関を前記核ワードについての前記第１の時点及び前記第２の時点の検索ニーズの関係の解析結果として出力する解析ステップと
    を有することを特徴とする検索ニーズの評価方法。
17. 核ワードを入力すると共に、各々が前記核ワードと組み合わせて検索語を構成し得る複数のサブワードを入力する入力手段と、
    第１の地点を検索者の位置とした場合における前記核ワードと前記複数のサブワードとの関連度を示す第１の指標を取得すると共に、前記第１の地点と異なる第２の地点を検索者の位置とした場合における前記核ワードと前記複数のサブワードとの関連度を示す第２の指標を取得する取得手段と、
    前記第１の指標及び前記第２の指標の相関を求め、この相関を前記核ワードについての前記第１の地点及び前記第２の地点の検索ニーズの関係の解析結果として出力する解析手段と
    を有することを特徴とする検索ニーズの評価装置。
18. 前記サブワードの個数をＮ（Ｎは２以上の自然数）個とし、
    前記第１の地点を検索者の位置とした場合における前記Ｎ個のサブワードのうちのｉ番目のサブワードについての前記第１の指標をｘ_ｉとし、当該指標の平均値をｘバーとすると共に、前記第２の地点を検索者の位置とした場合における前記Ｎ個のサブワードのうちのｉ番目のサブワードについての前記第２の指標をｙ_ｉとし、当該指標の平均値をｙバーとし、以下の式（３）に示す関数にしたがって前記相関を示す指標ρを算出することを特徴とする請求項１７に記載の評価装置。
    
19. 前記取得手段は、
    前記第１の地点を検索者の位置とした場合における前記核ワードのみを検索語とする検索の所定時間あたりの検索数と前記核ワードと前記サブワードとを組み合わせた語を検索語とする検索の所定時間あたりの検索数の比、又はこの比に所定の前処理を施して得た値を前記第１の指標として取得し、
    前記第２の地点を検索者の位置とした場合における前記核ワードのみを検索語とする検索の所定時間あたりの検索数と前記核ワードと前記サブワードとを組み合わせた語を検索語とする検索の所定時間あたりの検索数の比、又はこの比に所定の前処理を施して得た値を前記第２の指標として取得する
    ことを特徴とする請求項１８に記載の評価装置。
20. 前記取得手段は、
    前記第１の地点を検索者の位置とした場合における前記核ワードのみを検索語とする検索結果の上位コンテンツ内の前記サブワードの頻出度、又はこの頻出度に所定の前処理を施して得た値を前記第１の指標として取得し、
    前記第２の地点を検索者の位置とした場合における前記核ワードのみを検索語とする検索結果の上位コンテンツ内の前記サブワードの頻出度、又はこの頻出度に所定の前処理を施して得た値を前記第２の指標として取得する
    ことを特徴とする請求項１８に記載の評価装置。
21. 前記取得手段は、
    前記第１の地点を検索者の位置とした場合における前記核ワードと前記サブワードとを組み合わせた語を検索語とする検索の検索数、又はこの検索数に所定の前処理を施して得た値を前記第１の指標として取得し、
    前記第２の地点を検索者の位置とした場合における前記核ワードと前記サブワードとを組み合わせた語を検索語とする検索の検索数、又はこの検索数に所定の前処理を施して得た値を前記第２の指標として取得する
    ことを特徴とする請求項１８に記載の評価装置。
22. 前記取得手段は、
    前記第１の地点を検索者の位置とした場合における前記核ワードと前記サブワードとを組み合わせた語を検索語とする検索の検索数に基づいて求まる検索市場の市場規模を表す指標を前記第１の指標として取得し、
    前記第２の地点を検索者の位置とした場合における前記核ワードと前記サブワードとを組み合わせた語を検索語とする検索の検索数に基づいて求まる検索市場の市場規模を表す指標を前記第２の指標として取得する
    ことを特徴とする請求項１８に記載の評価装置。
23. 利用者端末と、前記利用者端末と通信する評価装置と、を含み、
    前記評価装置は、
    核ワードを入力すると共に、各々が前記核ワードと組み合わせて検索語を構成し得る複数のサブワードを入力する入力手段と、
    第１の地点を検索者の位置とした場合における前記核ワードと前記複数のサブワードとの関連度を示す第１の指標を取得すると共に、前記第１の地点と異なる第２の地点を検索者の位置とした場合における前記核ワードと前記複数のサブワードとの関連度を示す第２の指標を取得する取得手段と、
    前記第１の指標及び前記第２の指標の相関を求め、この相関を前記核ワードについての前記第１の地点及び前記第２の地点の検索ニーズの関係の解析結果として出力する解析手段と
    を備えることを特徴とする検索ニーズの評価システム。
24. 核ワードを入力すると共に、各々が前記核ワードと組み合わせて検索語を構成し得る複数のサブワードを入力する入力ステップと、
    第１の地点を検索者の位置とした場合における前記核ワードと前記複数のサブワードとの関連度を示す第１の指標を取得すると共に、前記第１の地点と異なる第２の地点を検索者の位置とした場合における前記核ワードと前記複数のサブワードとの関連度を示す第２の指標を取得する取得ステップと、
    前記第１の指標及び前記第２の指標の相関を求め、この相関を前記核ワードについての前記第１の地点及び前記第２の地点の検索ニーズの関係の解析結果として出力する解析ステップと
    を有することを特徴とする検索ニーズの評価方法。
25. 第１の核ワード及び第２の核ワードを入力すると共に、前記核ワードと組み合わせて検索語を構成し得る複数のサブワードであって各々が属する系統のタグが対応付けられている複数のサブワード内における複数の系統にそれぞれ属する系統毎のサブワード群を入力する入力手段と、
    前記第１の核ワードと前記複数の系統のサブワード群との関連度を示す第１の指標を取得すると共に、前記第２の核ワードと前記複数の系統のサブワード群との関連度を示す第２の指標を取得する取得手段と、
    前記第１の指標及び前記第２の指標の相関を求め、この相関を第１の核ワード及び第２の核ワードの検索ニーズの関係の解析結果として出力する解析手段と
    を有することを特徴とする検索ニーズの評価装置。
26. 前記複数の系統の中のｊ番目の系統に属するサブワード群の中のｉ番目のサブワードについての前記第１の指標をｘ_ｉとし、下記の式（４）に示す関数に従って第１の指標の合計Ｘ_ｊを算出し、当該ｊ番目の系統に属するサブワード群の中のｉ番目のサブワードについての前記第２の指標をｙ_ｉとし、下記の式（５）に示す関数に従って第２の指標の合計Ｙ_ｊを算出し、第１の指標の合計Ｘ_ｊ及び第２の指標の合計Ｙ_ｊを以下の式（６）に示す関数に代入することにより、前記相関を示す指標ρを算出することを特徴とする請求項２５に記載の評価装置。
    
27. 利用者端末と、前記利用者端末と通信する評価装置と、を含み、
    第１の核ワード及び第２の核ワードを入力すると共に、前記核ワードと組み合わせて検索語を構成し得る複数のサブワードであって各々が属する系統のタグが対応付けられている複数のサブワード内における複数の系統にそれぞれ属する系統毎のサブワード群を入力する入力手段と、
    前記第１の核ワードと前記複数の系統のサブワード群との関連度を示す第１の指標を取得すると共に、前記第２の核ワードと前記複数の系統のサブワード群との関連度を示す第２の指標を取得する取得手段と、
    前記第１の指標及び前記第２の指標の相関を求め、この相関を第１の核ワード及び第２の核ワードの検索ニーズの関係の解析結果として出力する解析手段と
    を備えることを特徴とする検索ニーズの評価システム。
28. 第１の核ワード及び第２の核ワードを入力すると共に、前記核ワードと組み合わせて検索語を構成し得る複数のサブワードであって各々が属する系統のタグが対応付けられている複数のサブワード内における複数の系統にそれぞれ属する系統毎のサブワード群を入力する入力ステップと、
    前記第１の核ワードと前記複数の系統のサブワード群との関連度を示す第１の指標を取得すると共に、前記第２の核ワードと前記複数の系統のサブワード群との関連度を示す第２の指標を取得する取得ステップと、
    前記第１の指標及び前記第２の指標の相関を求め、この相関を第１の核ワード及び第２の核ワードの検索ニーズの関係の解析結果として出力する解析ステップと
    を有することを特徴とする検索ニーズの評価方法。
29. 入力層、中間層、及び出力層を含むニューラルネットワークを有し、
    核ワードと複数のサブワードとの関連度を示す指標の指標データ群を前記ニューラルネットワークに入力したときに前記ニューラルネットワークから出力される出力信号、又は、前記出力信号及び教師信号を取得し、取得した信号をディープラーニングのアルゴリズムに従って処理し、この処理結果に基づいて、前記入力層と前記中間層との間及び前記中間層と前記出力層との間の重み係数を更新する学習評価部を有し、
    前記学習評価部による重み係数の更新を経た学習済みモデルを、
    第１の核ワードの検索ニーズと第２の核ワードの検索ニーズとの関係を評価する評価モジュールとして出力する
    ことを特徴とする評価モジュール生産方法。
30. 入力層、中間層、及び出力層を含むニューラルネットワークを有し、
    複数の時点における核ワードと複数のサブワードとの関連度を示す指標を示す指標データ群を前記ニューラルネットワークに入力したときに前記ニューラルネットワークから出力される出力信号、又は、前記出力信号及び教師信号を取得し、取得した信号をディープラーニングのアルゴリズムに従って処理し、この処理結果に基づいて、前記入力層と前記中間層との間及び前記中間層と前記出力層との間の重み係数を更新する学習評価部を有し、
    前記学習評価部による重み係数の更新を経た学習済みモデルを、
    第１の時点における核ワードの検索ニーズと第２の時点における核ワードの検索ニーズとの関係を評価する評価モジュールとして出力する
    ことを特徴とする評価モジュール生産方法。
31. 入力層、中間層、及び出力層を含むニューラルネットワークを有し、
    複数の地点における核ワードと複数のサブワードとの関連度を示す指標を示す指標データ群を前記ニューラルネットワークに入力したときに前記ニューラルネットワークから出力される出力信号、又は、前記出力信号及び教師信号を取得し、取得した信号をディープラーニングのアルゴリズムに従って処理し、この処理結果に基づいて、前記入力層と前記中間層との間及び前記中間層と前記出力層との間の重み係数を更新する学習評価部を有し、
    前記学習評価部による重み係数の更新を経た学習済みモデルを、
    第１の地点における核ワードの検索ニーズと第２の地点における核ワードの検索ニーズとの関係を評価する評価モジュールとして出力する
    ことを特徴とする評価モジュール生産方法。
32. 入力層、中間層、及び出力層を含むネットワークを有し、
    核ワードを所定のベクトル表現としたベクトルデータを入力信号とし、サブワードを所定のベクトル表現としたベクトルデータ又は当該サブワードに関わる指標を教師信号とし、前記入力信号を前記ニューラルネットワークに入力したときに前記ニューラルネットワークから出力される出力信号及び前記教師信号を取得し、取得した信号をディープラーニングのアルゴリズムに従って処理し、この処理結果に基づいて、前記入力層と前記中間層との間及び前記中間層と前記出力層との間の重み係数を更新する学習評価部を有し、
    前記学習評価部による重み係数の更新を経た学習済みモデルを、
    第１の核ワードの検索ニーズと第２の核ワードの検索ニーズとの関係を評価する評価モジュールとして出力する
    ことを特徴とする評価モジュール生産方法。
33. 入力層、中間層、及び出力層を含むネットワークを有し、
    サブワードを所定のベクトル表現としたベクトルデータを入力信号とし、核ワードを所定のベクトル表現としたベクトルデータを教師信号とし、前記入力信号を前記ニューラルネットワークに入力したときに前記ニューラルネットワークから出力される出力信号及び前記教師信号を取得し、取得した信号をディープラーニングのアルゴリズムに従って処理し、この処理結果に基づいて、前記入力層と前記中間層との間及び前記中間層と前記出力層との間の重み係数を更新する学習評価部を有し、
    前記学習評価部による重み係数の更新を経た学習済みモデルを、
    第１の核ワードの検索ニーズと第２の核ワードの検索ニーズとの関係を評価する評価モジュールとして出力する
    ことを特徴とする評価モジュール生産方法。