JP2006195619A - 情報検索装置および情報検索方法 - Google Patents

Abstract

【課題】 本発明は、記憶されている情報の全てを検索することなく、適切な情報を短時間で検索することができる情報検索装置および情報検索方法を提供することを課題とする。
【解決手段】 選択された代表曲に基づいて楽曲データベースを検索することで、楽曲マップにおいて代表曲が配置されているニューロンを代表ニューロンとしてその座標を特定し、検索テーブルを参照することで、検索された楽曲数が予め定められた検索数以上になるまで、代表ニューロンから外側に向けてニューロンに配置されている楽曲データを順次検索する。検索テーブルは、楽曲マップにおける各ニューロンの座標と、各ニューロンに配置されている楽曲データとからなる。
【選択図】 図１０

Description

本発明は、任意空間上にマッピングされた複数の情報を検索する情報検索装置および情報検索方法に関し、特に複数の部分空間に分割された任意空間上のいずれかの部分空間に配置された情報を検索する情報検索装置および情報検索方法に関する。

近年、ＨＤＤ等の大容量の記憶手段が開発され、大容量の記憶手段に大量の楽曲データを記憶させることができるようになっている。大容量の記憶手段に記憶されている大量の楽曲データの検索は、アーティスト名や曲名、その他のキーワード等の書誌データを用いて行うのが一般的であるが、書誌データで検索した場合には、楽曲が持っている情感を考慮することができず、印象の異なる楽曲が検索される可能性があり、聴取した際の印象が同じような楽曲を検索したい場合には、不向きである。

そこで、楽曲に対する主観的な印象に基づいて利用者の希望する楽曲を検索可能にするために、検索を希望する楽曲に対するユーザの主観的な要件を入力して数値化して出力し、その出力から、検索対象の楽曲の印象を数量化した予測印象値を算出し、算出した予測印象値をキーとして、複数の楽曲の音響信号およびその楽曲の印象を数量化した印象値を記憶した楽曲データベースを検索することにより、利用者の楽曲に対する主観的なイメージに基づいて、希望する楽曲を検索する装置が提案されている（例えば、特許文献１参照）。

しかしながら、従来技術では、予測印象値をキーとして、複数の楽曲の音響信号およびその楽曲の印象を数量化した印象値を記憶した楽曲データベースを検索するようにしているため、予測印象値と楽曲データベースに記憶されている全楽曲の印象値との距離をそれぞれ計算する必要があり、楽曲データベースに記憶されている楽曲数が大量になると、膨大な計算量になり、検索時間が長くなってしまうという問題点があった。
特開２００２−２７８５４７号公報

本発明は斯かる問題点を鑑みてなされたものであり、その目的とするところは、記憶されている情報の全てを検索することなく、適切な情報を短時間で検索することができる情報検索装置および情報検索方法を提供する点にある。

本発明は上記課題を解決すべく、以下に掲げる構成とした。
本発明の情報検索装置は、任意空間上にマッピングされた複数の情報を検索する情報検索装置であって、前記任意空間は、前記情報が配置される複数の部分空間に分割されており、複数の前記部分空間のいずれかを中心空間として特定する中心空間特定手段と、予め定められた検索数以上になるまで前記中心空間から外側に向けて前記部分空間に配置された前記情報を検索する検索手段と、該検索手段によって検索された前記情報を出力する出力手段とを具備することを特徴とする。

さらに、本発明の情報検索装置は、前記任意空間は、学習が施された自己組織化マップであり、複数の前記部分空間は、それぞれ異なる特徴ベクトルが付与された複数のニューロンであり、前記情報は、前記情報が有する特徴量を入力ベクトルとし、当該入力ベクトルと最も距離が短い前記特徴ベクトルが付与されている前記ニューロンに配置されていることを特徴とする。

さらに、本発明の情報検索装置は、前記検索手段は、前記部分空間の座標と、前記部分空間に配置されている前記情報とからなる検索テーブルに基づいて前記情報を検索することを特徴とする。

また、本発明の情報検索方法は、任意空間上にマッピングされた複数の情報を検索する情報検索方法であって、複数の前記情報は、前記任意空間を構成する複数の部分空間のいずれかにそれぞれ配置されており、複数の前記部分空間のいずれかを中心空間として特定し、予め定められた検索数以上になるまで前記中心空間から外側に向けて前記部分空間に配置された前記情報を検索し、該検索した前記情報を出力することを特徴とする。

さらに、本発明の情報検索方法は、前記任意空間は、学習が施された自己組織化マップであり、複数の前記部分空間は、それぞれ異なる特徴ベクトルが付与された複数のニューロンであり、前記情報は、前記情報が有する特徴量を入力ベクトルとし、当該入力ベクトルと最も距離が短い前記特徴ベクトルが付与されている前記ニューロンに配置されていることを特徴とする。

さらに、本発明の情報検索方法は、前記部分空間の座標と、前記部分空間に配置されている前記情報とからなる検索テーブルに基づいて前記情報を検索することを特徴とする請求項４又は５記載の情報検索方法。

本発明の情報検索装置および情報検索方法は、任意空間を構成する複数の部分空間のいずれかに複数の情報をそれぞれ配置し、複数の部分空間のいずれかを中心空間として特定することで、予め定められた検索数以上になるまで中心空間から外側に向けて部分空間に配置された情報を検索するように構成することにより、記憶されている情報の全てを検索することなく、適切な情報を短時間で検索することができるという効果を奏する。

さらに、本発明の情報検索装置および情報検索方法は、任意空間を学習が施された自己組織化マップとすると共に、複数の部分空間をそれぞれ異なる特徴ベクトルが付与された複数のニューロンとし、情報が有する特徴量を入力ベクトルとして当該入力ベクトルと最も距離が短い特徴ベクトルが付与されているニューロンに情報を配置するように構成することにより、記憶されている情報の全てを検索することなく、類似した情報を短時間で検索することができるという効果を奏する。

さらに、本発明の情報検索装置および情報検索方法は、部分空間の座標と、部分空間に配置されている情報とからなる検索テーブルに基づいて情報を検索するように構成することにより、記憶されている情報の全てを検索することなく、適切な情報をさらに短時間で検索することができるという効果を奏する。

以下、本発明の実施の形態を図面に基づいて詳細に説明する。

図１は、本発明に係る情報検索装置の実施の形態の構成を示すブロック図であり、図２は、図１に示す情報検索装置に用いられるニューラルネットワークを事前に学習させるニューラルネットワーク学習装置の構成を示すブロック図である。

本実施の形態は、図１を参照すると、情報検索装置１０と、端末装置３０とがＵＳＢ等のデータ伝送路で接続されており、端末装置３０は、情報検索装置１０から切り離して携帯することができる構成となっている。

情報検索装置１０は、図１を参照すると、楽曲データ入力部１１と、圧縮処理部１２と、特徴データ抽出部１３と、印象度データ変換部１４と、楽曲データベース１５と、楽曲マッピング部１６と、楽曲マップ記憶部１７と、楽曲検索部１８と、ＰＣ操作部１９と、ＰＣ表示部２０と、送受信部２１と、音声出力部２２とからなる。

楽曲データ入力部１１は、ＣＤ、ＤＶＤ等の楽曲データが記憶されている記憶媒体を読み取る機能を有し、ＣＤ、ＤＶＤ等の記憶媒体から楽曲データを入力し、圧縮処理部１２および特徴データ抽出部１３に出力する。ＣＤ、ＤＶＤ等の記憶媒体以外にインターネット等のネットワークを経由した楽曲データ（配信データ）を入力するように構成しても良い。なお、圧縮された楽曲データが入力される場合には、圧縮された楽曲データを伸長して特徴データ抽出部１３に出力する。

圧縮処理部１２は、楽曲登録時には、楽曲データ入力部１１から入力された楽曲データをＭＰ３やＡＴＲＡＣ（Adaptive Transform Acoustic Coding ）等の圧縮形式で圧縮し、圧縮した楽曲データを、アーティスト名、曲名等の書誌データと共に楽曲データベース１５に記憶させる。

特徴データ抽出部１３は、楽曲データ入力部１１から入力された楽曲データから、ゆらぎ情報からなる特徴データを抽出し、抽出した特徴データを印象度データ変換部１４に出力する。

印象度データ変換部１４は、予め学習が施された階層型ニューラルネットワークを用いて、特徴データ抽出部１３から入力された特徴データを、人間の感性によって判断される印象度データに変換し、変換した印象度データを楽曲マッピング部１６に出力すると共に、特徴データ抽出部１３から入力された特徴データと変換した印象度データとを楽曲データに関連づけて楽曲データベース１５に登録する。

楽曲データベース１５は、ＨＤＤ等の大容量の記憶手段であり、圧縮処理部１２によって圧縮された楽曲データ、書誌データと、特徴データ抽出部１３によって抽出された特徴データと、印象度データ変換部１４によって変換された印象度データとが関連づけられて記憶される。

楽曲マッピング部１６は、印象度データ変換部１４から入力された印象度データに基づいて、任意空間である楽曲マップに楽曲データをマッピングし、楽曲データをマッピングした楽曲マップを楽曲マップ記憶部１７に記憶させる。

楽曲マップ記憶部１７は、ＨＤＤ等の大容量の記憶手段であり、楽曲マッピング部１６によって楽曲データがマッピングされた楽曲マップが記憶される。

楽曲検索部１８は、ＰＣ操作部１９から書誌データに基づいて楽曲データベース１５を検索し、当該検索結果をＰＣ表示部２０に表示すると共に、ＰＣ操作部１９によって選択された代表曲に基づいて楽曲マップ記憶部１７を検索し、当該代表曲検索結果をＰＣ表示部２０に表示する。また、楽曲検索部１８は、送受信部２１を介してＰＣ操作部１９によって選択された楽曲データを端末装置３０に出力する。

ＰＣ操作部１９は、キーボードやマウス等の入力手段であり、楽曲データベース１５および楽曲マップ記憶部１７に記憶されている楽曲データを検索する検索条件の入力、端末装置３０に出力する楽曲データを選択する入力が行われる。

ＰＣ表示部２０は、例えば液晶ディスプレイ等の表示手段であり、楽曲マップ記憶部１７に記憶されている楽曲データのマッピング状況の表示、楽曲データベース１５および楽曲マップ記憶部１７に記憶されている楽曲データを検索する検索条件の表示、検索された楽曲データ（検索結果）の表示等が行われる。

送受信部２１は、端末装置３０の送受信部３１との間をＵＳＢ等のデータ伝送路で接続可能に構成されており、楽曲検索部１８によって検索され、ＰＣ操作部１９によって選択された楽曲データを端末装置３０の送受信部３１に出力すると共に、端末装置３０からの修正指示を受信する。

音声出力部２２は、楽曲データベース１５に記憶されている楽曲データを伸長して再生するオーディオプレーヤである。

端末装置３０は、ＨＤＤ等の大容量の記憶手段を有するポータブルオーディオ、ＭＤプレーヤ等の音声再生装置であり、図１を参照すると、送受信部３１と、検索結果記憶部３２と、端末操作部３３、端末表示部３４と、音声出力部３５とからなる。

送受信部３１は、情報検索装置１０の送受信部２１との間をＵＳＢ等のデータ伝送路で接続可能に構成されており、情報検索装置１０の送受信部２１から入力された楽曲データを検索結果記憶部３２に記憶させる。

端末操作部３３は、検索結果記憶部３２に記憶されている楽曲データの選択・再生を指示する入力、ボリュームコントロールの入力等、楽曲データの再生に係る入力が行われる。

端末表示部３４は、例えば液晶ディスプレイ等の表示手段であり、再生中の曲名や、各種操作ガイダンスが表示される。

音声出力部３５は、検索結果記憶部３２に圧縮されて記憶されている楽曲データを伸長して再生するオーディオプレーヤである。

ニューラルネットワーク学習装置４０は、印象度データ変換部１４で用いられる階層型ニューラルネットワークと、楽曲マッピング部１６で用いられる楽曲マップとの学習を行う装置であり、図２を参照すると、楽曲データ入力部４１と、音声出力部４２と、特徴データ抽出部４３と、印象度データ入力部４４と、結合重み値学習部４５と、楽曲マップ学習部４６と、結合重み値出力部４７と、特徴ベクトル出力部４８とからなる。

楽曲データ入力部４１は、ＣＤ、ＤＶＤ等の楽曲データが記憶されている記憶媒体を読み取る機能を有し、ＣＤ、ＤＶＤ等の記憶媒体から楽曲データを入力し、音声出力部４２および特徴データ抽出部４３に出力する。ＣＤ、ＤＶＤ等の記憶媒体以外にインターネット等のネットワークを経由した楽曲データ（配信データ）を入力するように構成しても良い。なお、圧縮された楽曲データが入力される場合には、圧縮された楽曲データを伸長して音声出力部４２および特徴データ抽出部４３に出力する。

音声出力部４２は、楽曲データ入力部４１から入力された楽曲データを伸長して再生するオーディオプレーヤである。

特徴データ抽出部４３は、楽曲データ入力部４１から入力された楽曲データから、ゆらぎ情報からなる特徴データを抽出し、抽出した特徴データを結合重み値学習部４５に出力する。

印象度データ入力部４４は、音声出力部４２からの音声出力に基づく、評価者による印象度データの入力を受け付け、受け付けた印象度データを、階層型ニューラルネットワークの学習に用いる教師信号として結合重み値学習部４５に出力すると共に自己組織化マップへの入力ベクトルとして楽曲マップ学習部４６に出力する。

結合重み値学習部４５は、特徴データ抽出部４３から入力された特徴データと、印象度データ入力部４４から入力された印象度データとに基づいて階層型ニューラルネットワークに学習を施し、各ニューロンの結合重み値を更新し、結合重み値出力部４７を介して更新した結合重み値を出力する。学習が施された階層型ニューラルネットワーク（更新された結合重み値）は、情報検索装置１０の印象度データ変換部１４に移植される。

楽曲マップ学習部４６は、印象度データ入力部４４から入力された印象度データを自己組織化マップへの入力ベクトルとして自己組織化マップに学習を施し、各ニューロンの特徴ベクトルを更新し、特徴ベクトル出力部４８を介して更新した特徴ベクトルを出力する。学習が施された自己組織化マップ（更新された特徴ベクトル）は、楽曲マップとして情報検索装置１０の楽曲マップ記憶部１７に記憶される。

次に、本実施の形態の動作について図３乃至図９を参照して詳細に説明する。
図３は、図１に示す情報検索装置における楽曲登録動作を説明するためのフローチャートであり、図４は、図１に示す特徴データ抽出部における特徴データ抽出動作を説明するためのフローチャートであり、図５は、図２に示すニューラルネットワーク学習装置における階層型ニューラルネットワークの学習アルゴリズムを説明するための説明図であり、図６は、図２に示すニューラルネットワーク学習装置における楽曲マップの学習アルゴリズムを説明するための説明図であり、図７は、図１に示す楽曲マップ記憶部に記憶される検索テーブル例を示す図であり、図８は、図２に示すニューラルネットワーク学習装置における階層型ニューラルネットワークの学習動作を説明するためのフローチャートであり、図９は、図２に示すニューラルネットワーク学習装置における楽曲マップの学習動作を説明するためのフローチャートある。

まず、情報検索装置１０における楽曲登録動作について図３を参照して詳細に説明する。
図３は、図１に示す情報検索装置における楽曲登録動作を説明するためのフローチャートであり、

楽曲データ入力部１１にＣＤ、ＤＶＤ等の楽曲データが記憶されている記憶媒体をセットし、楽曲データ入力部１１から楽曲データを入力する（ステップＡ１）。

圧縮処理部１２は、楽曲データ入力部１１から入力された楽曲データを圧縮し（ステップＡ２）、圧縮した楽曲データを、アーティスト名、曲名等の書誌データと共に楽曲データベース１５に記憶させる（ステップＡ３）。

特徴データ抽出部１３は、楽曲データ入力部１１から入力された楽曲データから、ゆらぎ情報からなる特徴データを抽出する（ステップＡ４）。

特徴データ抽出部１３における特徴データの抽出動作は、図４を参照すると、楽曲データの入力を受け付け（ステップＢ１）、楽曲データの予め定められたデータ解析開始点から一定のフレーム長に対しＦＦＴ（高速フーリエ変換）を行い（ステップＢ２）、パワースペクトルを算出する。なお、ステップＢ２の前に高速化を目的としてダウンサンプリングを行うようにしても良い。

次に、特徴データ抽出部１３は、Ｌｏｗ、Ｍｉｄｄｌｅ、Ｈｉｇｈの周波数帯域を予め設定しておき、Ｌｏｗ、Ｍｉｄｄｌｅ、Ｈｉｇｈの３帯域のパワースペクトルを積分し、平均パワーを算出すると共に（ステップＢ３）、Ｌｏｗ、Ｍｉｄｄｌｅ、Ｈｉｇｈの周波数帯域の内、最大のパワーを持つ帯域をＰｉｔｃｈのデータ解析開始点値とし、Ｐｉｔｃｈを測定する（ステップＢ４）。

ステップＢ２〜ステップＢ４の処理動作は、予め定められたフレーム個数分行われ、特徴データ抽出部１３は、ステップＢ２〜ステップＢ４の処理動作を行ったフレーム個数が予め定められた設定値に達したか否かを判断し（ステップＢ５）、ステップＢ２〜ステップＢ４の処理動作を行ったフレーム個数が予め定められた設定値に達していない場合には、データ解析開始点をシフトしながら（ステップＢ６）、ステップＢ２〜ステップＢ４の処理動作を繰り返す。

ステップＢ２〜ステップＢ４の処理動作を行ったフレーム個数が予め定められた設定値に達した場合には、特徴データ抽出部１３は、ステップＢ２〜ステップＢ４の処理動作によって算出したＬｏｗ、Ｍｉｄｄｌｅ、Ｈｉｇｈの平均パワーの時系列データに対しＦＦＴを行うと共に、ステップＢ２〜ステップＢ４の処理動作によって測定したＰｉｔｃｈの時系列データに対しＦＦＴを行う（ステップＢ７）。

次に、特徴データ抽出部１３は、Ｌｏｗ、Ｍｉｄｄｌｅ、Ｈｉｇｈ、ＰｉｔｃｈにおけるＦＦＴ分析結果から、横軸を対数周波数、縦軸を対数パワースペクトルとしたグラフにおける回帰直線の傾きと、回帰直線のＹ切片とをゆらぎ情報として算出し（ステップＢ８）、Ｌｏｗ、Ｍｉｄｄｌｅ、Ｈｉｇｈ、Ｐｉｔｃｈのそれぞれにおける回帰直線の傾きおよびＹ切片を８項目からなる特徴データとして印象度データ変換部１４に出力する。

印象度データ変換部１４は、図５に示すような入力層（第１層）、中間層（第ｎ層）、出力層（第Ｎ層）からなる階層型ニューラルネットワークを用い、入力層（第１層）に特徴データ抽出部１３で抽出された特徴データを入力することによって、出力層（第Ｎ層）から印象度データを出力、すなわち特徴データを印象度データに変換し（ステップＡ５）、出力層（第Ｎ層）から出力された印象度データを、楽曲マッピング部１６に出力すると共に、特徴データ抽出部１３から入力された特徴データと出力層（第Ｎ層）から出力された印象度データを楽曲データと共に楽曲データベース１５に記憶させる。なお、中間層（第ｎ層）の各ニューロンの結合重み値ｗは、評価者によって予め学習が施されている。また、本実施の形態の場合には、入力層（第１層）に入力される特徴データ、すなわち特徴データ抽出部１３によって抽出される特徴データの項目は、前述のように８項目であり、印象度データの評価項目としては、人間の感性によって判断される「明るい、暗い」、「重い、軽い」、「かたい、やわらかい」、「安定、不安定」、「澄んだ、にごった」、「滑らか、歯切れの良い」、「激しい、穏やか」、「厚い、薄い」の８項目を設定し、各評価項目を７段階評価で表すように設定した。従って、入力層（第１層）のニューロン数Ｌ_１と出力層（第Ｎ層）のニューロン数Ｌ_Ｎとは、それぞれ８個となっており、中間層（第ｎ層：ｎ＝２，…，Ｎ−１）のニューロン数Ｌｎは、適宜設定されている。

楽曲マッピング部１６は、楽曲データ入力部１１から入力された楽曲データを楽曲マップ記憶部１７に記憶されている楽曲マップの該当箇所にマッピングする。楽曲マッピング部１６におけるマッピング動作に用いられる任意空間である楽曲マップは、複数の部分空間に分割されており、楽曲データは、複数の部分空間のいずれかに配置される。楽曲マップとしては、例えばニューロンが２次元に規則的に配置（図６に示す例では、９＊９の正方形）されている自己組織化マップ（ＳＯＭ）を用いることができ、この場合には、ニューロンが複数の部分空間に対応する。

本実施の形態では、楽曲マップとしてニューロンが１００＊１００の正方形に配列された２次元ＳＯＭを使用し、楽曲マップの各ニューロンには、（１，１）〜（１００，１００）の座標が付与され、座標によりニューロン間の距離が認識できるように構成されている。楽曲マップにマッピングされた楽曲データは、楽曲マップ記憶部１７に記憶される検索テーブルによって管理されると共に、楽曲データが配置されたニューロンの座標が楽曲データと共に楽曲データベース１５に記憶される。検索テーブルは、該当するニューロンを検索し、検索されたニューロンに配置されている楽曲データを特定するためのものであり、図７に示すように、楽曲マップにおける各ニューロンの座標と、各ニューロンに配置されている楽曲データとからなる。なお、本実施の形態では、楽曲マップとしてニューロンが正方形に配列された２次元ＳＯＭを用いたが、ニューロンの配列は、長方形であっても、蜂の巣であっても良く、さらに３次元ＳＯＭを用いるようにしても良い。

また、楽曲マッピング部１６におけるマッピング動作に用いられる楽曲マップは、予め学習が施されており、各ニューロンには、予め学習されたｎ次元の特徴ベクトルｍ_ｉ（ｔ）∈Ｒ^ｎが付与されており、楽曲マッピング部１６は、印象度データ変換部１４によって変換された印象度データを入力ベクトルｘ_ｊとし、入力ベクトルｘ_ｊに最も近いニューロン、すなわちユークリッド距離‖ｘ_ｊ−ｍ_ｉ‖を最小にするニューロンに、入力された楽曲データを配置し（ステップＡ６）、楽曲データがマッピングされた楽曲マップを楽曲マップ記憶部１７に記憶させる。なお、Ｒは、印象度データの各評価項目の評価段階数を示し、ｎは、印象度データの項目数を示す。

次に、印象度データ変換部１４における変換動作（ステップＡ５）に用いられる階層型ニューラルネットワークの学習動作について図８を参照して詳細に説明する。
評価者による階層型ニューラルネットワーク（結合重み値ｗ）の学習は、例えば、図２に示すニューラルネットワーク学習装置４０を用いて行われ、まず、階層型ニューラルネットワーク（結合重み値ｗ）を事前学習させるための事前学習データ（楽曲データの特徴データ＋印象度データ）の入力が行われる。

楽曲データ入力部４１にＣＤ、ＤＶＤ等の楽曲データが記憶されている記憶媒体をセットし、楽曲データ入力部４１から楽曲データを入力し（ステップＣ１）、特徴データ抽出部４３は、楽曲データ入力部４１から入力された楽曲データから、ゆらぎ情報からなる特徴データを抽出する（ステップＣ２）。

また、音声出力部４２は、楽曲データ入力部４１から入力された楽曲データを音声出力し（ステップＣ３）、評価者は、音声出力部４２からの音声出力を聞くことによって、楽曲の印象度を感性によって評価し、評価結果を印象度データとして印象度データ入力部４４から入力し（ステップＣ４）、結合重み値学習部４５は、印象度データ入力部４４から入力された印象度データを教師信号として受け付ける。なお、本実施の形態では、印象度の評価項目としては、人間の感性によって判断される「明るい、暗い」、「重い、軽い」、「かたい、やわらかい」、「安定、不安定」、「澄んだ、にごった」、「滑らか、歯切れの良い」、「激しい、穏やか」、「厚い、薄い」の８項目を設定し、各評価項目についての７段階評価を印象度データとして楽曲データ入力部４１で受け付けるように構成した。

次に、特徴データと入力された印象度データとからなる学習データが予め定められたサンプル数Ｔ_１に達したか否かを判断し（ステップＣ５）、学習データがサンプル数Ｔ_１に達するまでステップＣ１〜Ｃ４の動作が繰り返される。

結合重み値学習部４５における階層型ニューラルネットワークの学習、すなわち各ニューロンの結合重み値ｗの更新は、誤差逆伝播学習法を用いて行う。
まず、初期値として、中間層（第ｎ層）の全てニューロンの結合重み値ｗを乱数によって−０．１〜０．１程度の範囲の小さな値に設定しておき、結合重み値学習部４５は、特徴データ抽出部４３によって抽出された特徴データを入力信号ｘ_ｊ(ｊ＝１，２，…，８) として入力層（第１層）に入力し、入力層（第１層）から出力層（第Ｎ層）に向けて、各ニューロンの出力を計算する。

次に、結合重み値学習部４５は、印象度データ入力部４４から入力された印象度データを教師信号ｙ_ｊ(ｊ＝１，２，…，８) とし、出力層（第Ｎ層）の出力out_j ^Ｎと、教師信号ｙ_ｊとの誤差から、学習則δ_j ^Ｎを次式によって計算する。

次に、結合重み値学習部４５は、学習則δ_j ^Ｎを使って、中間層（第ｎ層）の誤差信号 δ_j ⁿ を次式によって計算する。

なお、数式２において、ｗは、第 n 層 j 番目と第 n -1 層ｋ番目のニューロンの間の結合重み値を表している。

次に、結合重み値学習部４５は、中間層（第ｎ層）の誤差信号 δ_j ⁿ を用いて各ニューロンの結合重み値ｗの変化量Δｗを次式によって計算し、各ニューロンの結合重み値ｗを更新する（ステップＣ６）。なお、次式において、ηは、学習率を表し、評価者による学習では、η_１(0＜η_１≦1)に設定されている。

ステップＣ６では、サンプル数Ｔ_１の事前学習データのそれぞれについて学習が行われ、次に、次式に示す２乗誤差Ｅが予め定められた事前学習用の基準値Ｅ_１よりも小さいか否かが判断され（ステップＣ７）、２乗誤差Ｅが基準値Ｅ_１よりも小さくなるまでステップＣ６の動作が繰り返される。なお、２乗誤差Ｅが基準値Ｅ_１よりも小さくなると想定される学習反復回数Ｓを予め設定しておき、ステップＣ６の動作を学習反復回数Ｓ回繰り返すようにしても良い。

ステップＣ７で２乗誤差Ｅが基準値Ｅ_１よりも小さいと判断された場合には、結合重み値学習部４５は、事前学習させた各ニューロンの結合重み値ｗを結合重み値出力部４７によって出力し（ステップＣ８）、結合重み値出力部４７から出力された各ニューロンの結合重み値ｗは、印象度データ変換部１４に記憶される。

次に、楽曲マッピング部１６におけるマッピング動作（ステップＡ６）に用いられる楽曲マップの学習動作について図９を参照して詳細に説明する。

楽曲データ入力部４１にＣＤ、ＤＶＤ等の楽曲データが記憶されている記憶媒体をセットし、楽曲データ入力部４１から楽曲データを入力し（ステップＤ１）、音声出力部４２は、楽曲データ入力部４１から入力された楽曲データを音声出力し（ステップＤ２）、評価者は、音声出力部４２からの音声出力を聞くことによって、楽曲の印象度を感性によって評価し、評価結果を印象度データとして印象度データ入力部４４から入力し（ステップＤ３）、楽曲マップ学習部４６は、印象度データ入力部４４から入力された印象度データを自己組織化マップへの入力ベクトルとして受け付ける。なお、本実施の形態では、印象度の評価項目としては、人間の感性によって判断される「明るい、暗い」、「重い、軽い」、「かたい、やわらかい」、「安定、不安定」、「澄んだ、にごった」、「滑らか、歯切れの良い」、「激しい、穏やか」、「厚い、薄い」の８項目を設定し、各評価項目についての７段階評価を印象度データとして楽曲データ入力部４１で受け付けるように構成した。

楽曲マップ学習部４６は、は、印象度データ入力部４４から入力された印象度データを入力ベクトルｘ_ｊ（ｔ）∈Ｒ^ｎとし、各ニューロンの特徴ベクトルｍ_ｉ（ｔ）∈Ｒ^ｎを学習させる。なお、ｔは、学習回数を表し、学習回数を定める設定値Ｔを予め設定しておき、学習回数ｔ＝０，１，…，Ｔについて学習を行わせる。なお、Ｒは、各評価項目の評価段階を示し、ｎは、印象度データの項目数を示す。

まず、初期値として、全てのニューロンの特徴ベクトルｍ_ｃ（０）をそれぞれ０〜１の範囲でランダムに設定しておき、楽曲マップ学習部４６は、ｘ_ｊ（ｔ）に最も近いニューロンｃ、すなわち‖ｘ_ｊ（ｔ）−ｍ_ｃ（ｔ）‖を最小にする勝者ニューロンｃを求め、勝者ニューロンｃの特徴ベクトルｍ_ｃ（ｔ）と、勝者ニューロンｃの近傍にある近傍ニューロンｉの集合Ｎｃのそれぞれの特徴ベクトルｍ_ｉ（ｔ）（ｉ∈Ｎｃ）とを、次式に従ってそれぞれ更新する（ステップＤ４）。なお、近傍ニューロンｉを決定するための近傍半径は、予め設定されているものとする。

なお、数式５において、ｈ_ｃｉ（ｔ）は、学習率を表し、次式によって求められる。

なお、α_initは学習率の初期値であり、Ｒ^２（ｔ）は、単調減少する一次関数もしくは指数関数が用いられる。

次に、楽曲マップ学習部４６は、学習回数ｔが設定値Ｔに達したか否かを判断し（ステップＤ５）、学習回数ｔが設定値Ｔに達するまでステップＤ１〜ステップＤ４の処理動作を繰り返し、学習回数ｔが設定値Ｔに達すると、再び最初のサンプルから同じ処理動作を行う。この反復回数が予め定められたＳ回になった時点で、特徴ベクトル出力部４８を介して学習させた特徴ベクトルｍ_ｉ（Ｔ）∈Ｒ^ｎを出力する（ステップＤ６）。出力された各ニューロンｉの特徴ベクトルｍ_ｉ（Ｔ）は、情報検索装置１０の楽曲マップ記憶部１７に楽曲マップとして記憶される。

次に、情報検索装置１０における楽曲検索動作について図１０乃至図１５を参照して詳細に説明する。
図１０は、図１に示す情報検索装置における楽曲検索動作を説明するためのフローチャートであり、図１１は、図１に示すＰＣ表示部に表示される検索条件入力画面例を示す図であり、図１２は、図１に示すＰＣ表示部に表示される条件検索結果表示画面例を示す図であり、図１３は、図１に示すＰＣ表示部に表示される代表曲検索結果表示画面例を示す図であり、図１４は、図１に示すＰＣ表示部に表示される楽曲リスト表示画面例を示す図であり、図１５は、図１に示すＰＣ表示部に表示される楽曲マップ表示画面例を示す図である。

楽曲検索部１８は、ＰＣ表示部２０に、検索条件を入力する検索条件入力画面５１を表示し、ＰＣ操作部１９からのユーザ入力を受け付ける。検索条件入力画面５１は、図１１に示すように、検索条件として書誌データを入力する書誌データ入力領域５１１と、検索の実行を指示する検索実行ボタン５１２と、全楽曲リスト表示ボタン５１３と、楽曲マップ表示ボタン５１４とからなり、ユーザは、検索条件として書誌データをＰＣ操作部１９から入力し（ステップＥ１）、検索実行ボタン５１２をクリックすることで、書誌データに基づく検索を楽曲検索部１８に指示する。

楽曲検索部１８は、ＰＣ操作部１９から入力された書誌データに基づいて楽曲データベース１５を検索し（ステップＥ２）、条件検索結果を表示する条件検索結果表示画面５２をＰＣ表示部２０に表示させる（ステップＥ３）。条件検索結果表示画面５２は、図１２を参照すると、条件検索結果の中から代表曲を選択する代表曲選択領域５２１と、選択された代表曲に基づく検索を指示する代表曲検索実行ボタン５２２と、条件検索結果の出力を指示する出力ボタン５２３とからなる。

次に、ユーザは、代表曲選択領域５２１に表示されている検索結果の中から代表曲を選択し（ステップＥ４）、代表曲検索実行ボタン５２２をクリックすることで、代表曲に基づく検索を楽曲検索部１８に指示する。なお、この時点で出力ボタン５２３がクリックされた場合には、楽曲検索部１８は、送受信部２１を介して代表曲検索結果表示画面５３に表示されている条件検索結果の楽曲データを端末装置３０に出力する。

楽曲検索部１８は、選択された代表曲に基づいて楽曲データベース１５を検索することで、楽曲マップにおいて代表曲が配置されているニューロン（以下、代表ニューロンと称す）の座標を特定する（ステップＥ５）。

次に、楽曲検索部１８は、変数ｎに０を設定し（ステップＥ６）、楽曲マップ記憶部１７に記憶されている図７に示す検索テーブルを参照することで、ステップＥ５で特定した代表ニューロンから距離ｎのニューロンに配置されている楽曲データを検索し（ステップＥ７）、検索された楽曲数が予め定められた検索数以上であるか否かを判断する（ステップＥ８）。

ステップＥ８で検索された楽曲数が予め定められた検索数未満である場合には、楽曲検索部１８は、変数ｎをインクリメントし（ステップＥ９）、ステップＥ７に戻り、検索された楽曲数が予め定められた検索数以上になるまでステップＥ７およびステップＥ８を繰り返す。

ステップＥ８で検索された楽曲数が予め定められた検索数以上である場合には、楽曲検索部１８は、検索された楽曲データを予め定められた検索数まで絞り込んだ後（ステップＥ１０）、絞り込んだ楽曲データを代表曲検索結果として表示する代表曲検索結果表示画面５３をＰＣ表示部２０に表示する（ステップＥ１１）。代表曲検索結果表示画面５３は、図１３を参照すると、出力する楽曲データを選択する出力楽曲選択領域５３１と、選択された楽曲データの出力を指示する出力ボタン５３２とからなる。

ステップＥ１０における検索された楽曲データの絞り込みは、代表ニューロンの特徴ベクトルもしくは代表曲の印象度データ変換部１４によって変換された印象度データを入力ベクトルｘ_ｊとし、検索された楽曲データの印象度データを検索対象ベクトルＸ_ｊとすると、入力ベクトルｘ_ｊに近い検索対象ベクトルＸ_ｊ、すなわちユークリッド距離‖Ｘ_ｊ−ｘ_ｊ‖が小さいものを順に予め定められた検索数まで検索することで行われる。なお、ステップＥ１０における検索された楽曲データの絞り込みは、代表ニューロンから最も離れたニューロン、すなわち代表ニューロンから検索に用いた変数ｎの最大値分離れたニューロンに配置されている楽曲データに対してのみ行うようにすると、距離計算を行う対象件数を少なくすることができるため、検索時間（計算時間）を短縮することができる。また、ステップＥ１０における検索された楽曲データの絞り込みを行うことなく、検索された楽曲データを全て代表曲検索結果として図１３に示す代表曲検索結果表示画面５３に表示するようにしても良く、この場合には、距離計算を行うことなく検索を行うことができるため、検索時間（計算時間）をさらに短縮することができる。

次に、ユーザは、代表曲検索結果表示画面５３に表示されている代表曲検索結果の中から端末装置３０に出力する楽曲データを選択し（ステップＥ１２）、出力ボタン５３２をクリックすることで、選択した楽曲データの出力を楽曲検索部１８に指示し、楽曲検索部１８は、送受信部２１を介してユーザによって選択された楽曲データを端末装置３０に出力する（ステップＥ１３）。

検索条件入力画面５１において、楽曲リスト表示ボタン５１３がクリックされると、楽曲検索部１８は、記憶されている全楽曲データの楽曲リストを表示する楽曲リスト表示画面５４をＰＣ表示部２０に表示させる。楽曲リスト表示画面５４は、図１４を参照すると、全楽曲データの楽曲リストの中から代表曲を選択する代表曲選択領域５４１と、選択された代表曲に基づく検索を指示する代表曲選択実行ボタン５４２とからなる。

ユーザが代表曲選択領域５４１に表示されている楽曲リストの中から代表曲を選択し（ステップＥ４）、代表曲検索実行ボタン５４２をクリックすることで、選択された代表曲に基づく検索が楽曲検索部１８に指示され、以下、ステップＥ５〜ステップＥ１３の楽曲検索動作が行われる。

また、検索条件入力画面５１において、楽曲マップ表示ボタン５１４がクリックされると、楽曲検索部１８は、楽曲マップのニューロンをポイントとして表示する楽曲マップ表示画面５５をＰＣ表示部２０に表示させる。楽曲マップ表示画面５５は、図１５を参照すると、検索の中心とするニューロンを選択するニューロン選択領域５５１と、選択されたニューロンに基づく検索を指示するマップ検索実行ボタン５５２とからなる。

ユーザがニューロン選択領域５５１に表示されているニューロンの中から検索の中心とするニューロンを選択し、マップ検索実行ボタン５５２をクリックすることで、ステップＥ５で特定される代表ニューロンの替わりに、ニューロン選択領域５５１で選択されたニューロンに基づく検索が楽曲検索部１８に指示され、以下、ステップＥ６〜ステップＥ１３の楽曲検索動作が行われる。

なお、ニューロン選択領域５５１においては、楽曲データが配置されているニューロンのみが表示され、楽曲がマッピンクされているニューロンにカーソルを移動させると、カーソルが位置するニューロンに配置されている楽曲データの楽曲名のポップアップ表示５５３が行われるように構成されている。

以上説明したように、本実施の形態によれば、楽曲マップを構成する複数の部分空間のいずれかに複数の楽曲データをそれぞれ配置し、複数の部分空間のいずれかを中心空間として特定することで、予め定められた検索数以上になるまで中心空間から外側に向けて部分空間に配置された楽曲データを検索するように構成することにより、楽曲データベース１５に記憶されている楽曲データの全てを検索することなく、適切な楽曲データを短時間で検索することができるという効果を奏する。

さらに、本実施の形態によれば、楽曲マップを学習が施された自己組織化マップとすると共に、複数の部分空間をそれぞれ異なる特徴ベクトルが付与された複数のニューロンとし、楽曲データが有する特徴量を入力ベクトルとして当該入力ベクトルと最も距離が短い特徴ベクトルが付与されているニューロンに楽曲データを配置するように構成することにより、楽曲データベース１５に記憶されている楽曲データの全てを検索することなく、類似した楽曲データを短時間で検索することができるという効果を奏する。

さらに、本実施の形態によれば、部分空間の座標と、部分空間に配置されている楽曲データとからなる検索テーブルに基づいて楽曲データを検索するように構成することにより、楽曲データベース１５に記憶されている楽曲データの全てを検索することなく、適切な楽曲データをさらに短時間で検索することができるという効果を奏する。

なお、本発明が上記各実施の形態に限定されず、本発明の技術思想の範囲内において、各実施の形態は適宜変更され得ることは明らかである。また、上記構成部材の数、位置、形状等は上記実施の形態に限定されず、本発明を実施する上で好適な数、位置、形状等にすることができる。なお、各図において、同一構成要素には同一符号を付している。

本発明に係る情報検索装置の実施の形態の構成を示すブロック図である。 図１に示す情報検索装置に用いられるニューラルネットワークを事前に学習させるニューラルネットワーク学習装置の構成を示すブロック図である。 図１に示す情報検索装置における楽曲登録動作を説明するためのフローチャートである。 図１に示す特徴データ抽出部における特徴データ抽出動作を説明するためのフローチャートである。 図２に示すニューラルネットワーク学習装置における階層型ニューラルネットワークの学習アルゴリズムを説明するための説明図である。 図２に示すニューラルネットワーク学習装置における楽曲マップの学習アルゴリズムを説明するための説明図である。 図１に示す楽曲マップ記憶部に記憶される検索テーブル例を示す図である。 図２に示すニューラルネットワーク学習装置における階層型ニューラルネットワークの学習動作を説明するためのフローチャートである。 図２に示すニューラルネットワーク学習装置における楽曲マップの学習動作を説明するためのフローチャートある。 図１に示す情報検索装置における楽曲検索動作を説明するためのフローチャートである。 図１に示すＰＣ表示部に表示される検索条件入力画面例を示す図である。 図１に示すＰＣ表示部に表示される条件検索結果表示画面例を示す図である。 図１に示すＰＣ表示部に表示される代表曲検索結果表示画面例を示す図である。 図１に示すＰＣ表示部に表示される楽曲リスト表示画面例を示す図である。 図１に示すＰＣ表示部に表示される楽曲マップ表示画面例を示す図である。

符号の説明

１０ 情報検索装置
１１ 楽曲データ入力部
１２ 圧縮処理部
１３ 特徴データ抽出部
１４ 印象度データ変換部
１５ 楽曲データベース
１６ 楽曲マッピング部
１７ 楽曲マップ記憶部
１８ 楽曲検索部（中心空間特定手段、検索手段）
１９ ＰＣ操作部
２０ ＰＣ表示部
２１ 送受信部（出力手段）
２２ 音声出力部
３０ 端末装置
３１ 送受信部
３２ 検索結果記憶部
３３ 端末操作部
３４ 端末表示部
３５ 音声出力部
４０ ニューラルネットワーク学習装置
４１ 楽曲データ入力部
４２ 音声出力部
４３ 特徴データ抽出部
４４ 印象度データ入力部
４５ 結合重み値学習部
４６ 楽曲マップ学習部
４７ 結合重み値出力部
４８ 特徴ベクトル出力部
５１ 検索条件入力画面
５２ 条件検索結果表示画面
５３ 代表曲検索結果表示画面
５４ 楽曲リスト表示画面
５５ 楽曲マップ表示画面
５１１ 書誌データ入力領域
５１２ 検索実行ボタン
５１３ 全楽曲リスト表示ボタン
５１４ 楽曲マップ表示ボタン
５２１ 代表曲選択領域
５２２ 代表曲検索実行ボタン
５２３ 出力ボタン
５３１ 出力楽曲選択領域
５３２ 出力ボタン
５４１ 代表曲選択領域
５４２ 代表曲選択実行ボタン
５５１ ニューロン選択領域
５５２ マップ検索実行ボタン
５５３ ポップアップ表示

Claims (6)

1. 任意空間上にマッピングされた複数の情報を検索する情報検索装置であって、
   前記任意空間は、前記情報が配置される複数の部分空間に分割されており、
   複数の前記部分空間のいずれかを中心空間として特定する中心空間特定手段と、
   予め定められた検索数以上になるまで前記中心空間から外側に向けて前記部分空間に配置された前記情報を検索する検索手段と、
   該検索手段によって検索された前記情報を出力する出力手段とを具備することを特徴とする情報検索装置。
2. 前記任意空間は、学習が施された自己組織化マップであり、
   複数の前記部分空間は、それぞれ異なる特徴ベクトルが付与された複数のニューロンであり、
   前記情報は、前記情報が有する特徴量を入力ベクトルとし、当該入力ベクトルと最も距離が短い前記特徴ベクトルが付与されている前記ニューロンに配置されていることを特徴とする請求項１記載の情報検索装置。
3. 前記検索手段は、前記部分空間の座標と、前記部分空間に配置されている前記情報とからなる検索テーブルに基づいて前記情報を検索することを特徴とする請求項１又は２記載の情報検索装置。
4. 任意空間上にマッピングされた複数の情報を検索する情報検索方法であって、
   複数の前記情報は、前記任意空間を構成する複数の部分空間のいずれかにそれぞれ配置されており、
   複数の前記部分空間のいずれかを中心空間として特定し、
   予め定められた検索数以上になるまで前記中心空間から外側に向けて前記部分空間に配置された前記情報を検索し、
   該検索した前記情報を出力することを特徴とする情報検索方法。
5. 前記任意空間は、学習が施された自己組織化マップであり、
   複数の前記部分空間は、それぞれ異なる特徴ベクトルが付与された複数のニューロンであり、
   前記情報は、前記情報が有する特徴量を入力ベクトルとし、当該入力ベクトルと最も距離が短い前記特徴ベクトルが付与されている前記ニューロンに配置されていることを特徴とする請求項４記載の情報検索方法。
6. 前記部分空間の座標と、前記部分空間に配置されている前記情報とからなる検索テーブルに基づいて前記情報を検索することを特徴とする請求項４又は５記載の情報検索方法。

Images