JP2010020388A - 情報処理装置、情報処理方法、およびプログラム - Google Patents

Abstract

【課題】推定結果に適切なランダム性を持たせることができるようにする。
【解決手段】コンテンツを検索する情報処理装置は、コンテンツの特徴量からコンテンツのメタデータの値を目的変数として推定し、推定されたメタデータの値に基づいてコンテンツを検索する。目的変数推定ブロック５１Aの推定部７６Aは、乱数発生部７５Aが推定式DB７４Aに保存されている正規分布の平均μ_jおよび分散σ² _jに応じた乱数（推定誤差乱数）を含めた推定メタデータを出力する。この平均μ_jおよび分散σ² _jは、推定式学習部７２Aで求めた推定式による実際の誤差をモデリングしたものであるので、推定結果に適切なランダム性を持たせることができる。本発明は、例えば、コンテンツの推薦または検索を行う情報処理装置に適用できる。
【選択図】図２０

Description

本発明は、情報処理装置、情報処理方法、およびプログラムに関し、特に、推定結果に適切なランダム性を持たせることができるようにする情報処理装置、情報処理方法、およびプログラムに関する。

従来、既知のコンテンツのメタデータに基づいて、他のコンテンツの未知のメタデータを推定する技術が本出願人より提案されている（例えば、特許文献１参照）。このメタデータの推定は、例えば、ユーザに最適なコンテンツを推定する推薦処理などに利用される。

例えば、コンテンツとして楽曲を例にした場合で説明すると、楽曲の特徴量からメタデータ推定式を作成する機械学習を行い、機械学習により作成されたメタデータ推定式に所定の楽曲の特徴量を入力することで、その楽曲の未知のメタデータを推定することができるようになる。ここで、楽曲の特徴量とは、楽曲のデータ（信号）を所定の特徴量計算式で計算することによって得られる値であり、楽曲のメタデータとは、明るい、切ない、悲しい、テンポが速い、などユーザの感覚に対応する楽曲の特徴を表す値を表す。

従って、例えば、推定するメタデータのなかに、楽曲の明るさの度合いを表す「明るい」があり、ユーザが「明るい」曲を検索する場合には、検索装置は、ユーザが保有するコンテンツのそれぞれについて、メタデータ推定式に基づき、メタデータ「明るい」の度合いを求め（推定し）、その度合いの高い順に楽曲をソートしてユーザに提示することができる。

しかしながら、このようなメタデータの推定においては、楽曲の特徴量のみから楽曲のメタデータを推定するわけであるから、当然ながら１００％の精度で推定することはできない。すなわち、推定結果には、常に誤差が含まれる。上述の、ユーザが「明るい」曲を検索する場合では、提示された「明るい」曲の提示順番は誤差を含み、真に「明るい」曲の順であるとは言い切れない。

特開２００７−１２２１８６号公報

また、従来のメタデータの推定では、機械学習により作成されるメタデータ推定式が変更されない限り、ユーザが「明るい」曲を検索した場合に、検索装置が算出する各コンテンツのメタデータ「明るい」の度合いは毎回同じ値となるため、検索装置は毎回同じソート順でユーザにコンテンツを提示することとなり、提示されるものにユーザが飽きてしまうという問題があった。

この問題に対しては、ある程度、元のメタデータ「明るい」の順序を保ちつつもランダムに並び換えるなどして提示する方法も行われているが、この並び換えには根拠がなく、結果として適切でない検索結果（提示）になることがある。すなわち、並び換えることにより、「明るい」度合いの低い曲が「明るい」度合いの高い曲より上位のものとして提示されることがあった。

明るい、切ない、悲しい、テンポが速い、などを楽曲の特徴量として用いて、「好き」、「嫌い」などのラベルをメタデータとして、ユーザの好きな楽曲を推定および推薦（提示）する場合についても同様の問題が発生していた。

本発明は、このような状況に鑑みてなされたものであり、推定結果に適切なランダム性を持たせることができるようにするものである。

本発明の一側面の情報処理装置は、コンテンツの特徴量から前記コンテンツの第１の目的変数を推定する第１の推定式を学習する第１の学習手段と、前記第１の学習手段により学習された前記第１の推定式で前記第１の目的変数を推定したときの誤差の第１のモデルを決定する第１の誤差モデリング手段と、前記第１の誤差モデリング手段により決定された前記第１のモデルに応じた誤差を乱数により発生させる第１の誤差発生手段と、前記第１の学習手段により学習された第１の推定式と、前記第１の誤差発生手段により発生された乱数とを用いて、前記コンテンツの第１の目的変数を推定する第１の推定手段とを備える。

前記第１の推定手段により推定された前記コンテンツの第１の目的変数を用いて、コンテンツの検索を行う検索手段をさらに設けることができる。

前記第１の学習手段により学習された第１の推定式のみを用いて得られた第１の目的変数を用いて、第２の目的変数を推定する第２の推定式を学習する第２の学習手段と、前記第２の学習手段により学習された前記第２の推定式で前記第２の目的変数を推定したときの誤差の第２のモデルを決定する第２の誤差モデリング手段と、前記第２の誤差モデリング手段により決定された前記第２のモデルに応じた誤差を乱数により発生させる第２の誤差発生手段と、前記第２の学習手段により学習された第２の推定式と、前記第２の誤差発生手段により発生された乱数とを用いて、前記コンテンツの第２の目的変数を推定する第２の推定手段とをさらに設けることができる。

前記第２の推定手段により推定された前記コンテンツの第２の目的変数を用いて、コンテンツの推薦を行う推薦手段をさらに設けることができる。

本発明の一側面の情報処理方法は、コンテンツの特徴量から前記コンテンツの第１の目的変数を推定する第１の推定式を学習し、学習された前記第１の推定式で前記第１の目的変数を推定したときの誤差の第１のモデルを決定し、決定された前記第１のモデルに応じた誤差を乱数により発生させ、学習された前記第１の推定式と、発生された乱数とを用いて、前記コンテンツの第１の目的変数を推定するステップを含む。

本発明の一側面のプログラムは、コンピュータに、コンテンツの特徴量から前記コンテンツの第１の目的変数を推定する第１の推定式を学習し、学習された前記第１の推定式で前記第１の目的変数を推定したときの誤差の第１のモデルを決定し、決定された前記第１のモデルに応じた誤差を乱数により発生させ、学習された前記第１の推定式と、発生された乱数とを用いて、前記コンテンツの第１の目的変数を推定する処理を実行させる。

本発明の一側面においては、コンテンツの特徴量からコンテンツの第１の目的変数を推定する第１の推定式が学習され、学習された第１の推定式で第１の目的変数を推定したときの誤差の第１のモデルが決定され、決定された第１のモデルに応じた誤差が乱数により発生され、学習された第１の推定式と、発生された乱数とを用いて、コンテンツの第１の目的変数が推定される。

本発明の一側面によれば、推定結果に適切なランダム性を持たせることができる。

図１は、本発明を適用した情報処理装置の一実施の形態の構成例を示している。

図１の情報処理装置１は、コンテンツの検索および推薦処理を行う。なお、以下では、コンテンツとして楽曲を例にした場合で、情報処理装置１の構成および動作について説明するが、以下に説明するコンテンツの検索および推薦処理は、コンテンツが画像などの楽曲以外のものでも適用可能である。

情報処理装置１は、少なくとも、楽曲DB（Data Base）１１、メタデータラベル入力部１２、メタデータラベルDB１３、メタデータ推定式学習部１４、メタデータ推定式DB１５、メタデータラベル推定部１６、嗜好ラベル入力部１７、嗜好ラベルDB１８、嗜好推定式学習部１９、嗜好推定式DB２０、嗜好ラベル推定部２１、検索・推薦要求入力部２２、検索部２３、推薦部２４、および、検索・推薦結果提示部２５により構成されている。

楽曲DB１１は、図示せぬ楽曲入力部により入力された多数の楽曲のデータ（楽曲データ）を、その特徴量とともに保存する。ここで、楽曲の特徴量とは、楽曲のデータ（信号）を所定の特徴量計算式で計算することによって得られる値であり、楽曲データとともに入力されるものでもよいし、楽曲データのみが入力されて、その入力された楽曲データから所定の特徴量計算式によって求められたものでもよい。本実施の形態では、ｎ曲（ｎ＞０）の楽曲と、各楽曲についてｍ種類（ｍ＞０）の特徴量が楽曲DB１１に記憶されているものとする。

メタデータラベル入力部１２は、ユーザによって入力される、楽曲DB１１に保存されている楽曲についてのメタデータラベルを受け付け、メタデータラベルDB１３に供給する。

メタデータラベルとは、楽曲のメタデータの度合いを表す値であり、メタデータとしては、ユーザの感覚に対応する楽曲の特徴である、明るい、切ない、悲しい、テンポが速い、などがある。メタデータの種類は、ｐ種類（ｐ＞０）とする。また、メタデータラベルとして取り得る値は１乃至５であり、メタデータ（例えば、明るい）に対して、全く当てはまらない場合には「１」が、当てはまらない場合には「２」が、どちらともいえない場合には「３」が、当てはまる場合には「４」が、非常によく当てはまる場合には「５」が、ユーザによって入力される。従って、楽曲のメタデータラベルとは、その楽曲の、明るい、切ない、悲しい、テンポが速い、などの度合いを表す値である。

メタデータラベルDB１３は、メタデータラベル入力部１２から供給された楽曲のメタデータラベルを保存する。なお、楽曲DB１１に保存されている全ての楽曲について、メタデータラベルが付与される必要はない。

メタデータ推定式学習部１４は、メタデータラベルDB１３に保存されている楽曲のメタデータラベルとｍ種類の特徴量とを用いて、メタデータを推定するメタデータ推定式を線形回帰により求める。即ち、メタデータ推定式学習部１４は、メタデータラベルDB１３に保存されている各楽曲について、メタデータラベルをメタデータラベルDB１３から取得し、ｍ種類の特徴量を楽曲DB１１から取得して、メタデータを推定するメタデータ推定式を線形回帰により求める。

メタデータ推定式学習部１４は、ｐ種類のメタデータすべてについてメタデータ推定式を求め、メタデータ推定式DB１５に供給する。メタデータ推定式DB１５は、メタデータ推定式学習部１４から供給される各メタデータ推定式を保存する。なお、メタデータ推定式を保存するとは、メタデータ推定式を特定するパラメータを保存することを意味する。後述する嗜好推定式についても同様である。

メタデータラベル推定部１６は、メタデータ推定式DB１５に保存されているメタデータ推定式を用いて、楽曲DB１１に保存されている楽曲の、未知のメタデータを求める（推定する）。より具体的には、楽曲の特徴量を変数とするメタデータ推定式に、メタデータを求めようとする楽曲の特徴量を楽曲DB１１から取得して代入することにより、未知のメタデータを求める。求められた楽曲のメタデータは、必要に応じて、嗜好推定式学習部１９、嗜好ラベル推定部２１、または検索部２３に供給される。

嗜好ラベル入力部１７は、ユーザによって入力される、楽曲DB１１に保存されている楽曲についての嗜好ラベルを受け付け、嗜好ラベルDB１８に供給する。嗜好ラベルDB１８は、嗜好ラベル入力部１７から供給された楽曲の嗜好ラベルを保存する。嗜好ラベルも、楽曲DB１１に保存されている全ての楽曲について付与される必要はない。

嗜好ラベルとは、楽曲の嗜好の度合いを表す値であり、入力対象の楽曲を大嫌いな場合には「１」が、嫌いな場合には「２」が、どちらともいえない場合には「３」が、好きな場合には「４」が、大好きな場合には「５」が、ユーザによって入力される。

嗜好推定式学習部１９は、嗜好ラベルDB１８に保存されている楽曲の嗜好ラベルを用いて、嗜好ラベルを推定する嗜好推定式を線形回帰により求める。具体的には、嗜好推定式学習部１９は、嗜好ラベルDB１８に保存されている楽曲の嗜好ラベルと、メタデータラベル推定部１６から供給されるｐ種類のメタデータラベルとを用いて、嗜好ラベルを推定する嗜好推定式を線形回帰により求める。メタデータラベル推定部１６から供給されるメタデータラベルは、メタデータ推定式学習部１４により求められたメタデータ推定式により推定されたメタデータラベル（以下、推定メタデータラベルという）である。求められた嗜好推定式は、嗜好推定式DB２０に供給され、保存される。

嗜好ラベル推定部２１は、嗜好推定式DB２０に保存されている嗜好推定式を用いて、所定の楽曲に対して嗜好ラベルの推定を行う。推定された楽曲の嗜好ラベル（以下、推定嗜好ラベルという）は、検索部２３で楽曲を検索する際および推薦部２４で楽曲を推薦する際に使用される。従って、嗜好ラベル推定部２１では、必要に応じて、複数の楽曲の嗜好ラベルが推定され、検索部２３または推薦部２４に供給される。

検索・推薦要求入力部２２は、ユーザからの楽曲の検索または推薦の要求を受け付け、検索要求または推薦要求を検索部２３または推薦部２４に供給する。例えば、検索・推薦要求入力部２２において、明るくて速い楽曲の検索がユーザによって入力（指定）された場合、検索・推薦要求入力部２２は、その検索の条件とともに、検索要求を検索部２３に出力する。また例えば、検索・推薦要求入力部２２において、好きな楽曲の推薦がユーザによって入力（指定）された場合、検索・推薦要求入力部２２は、推薦要求を推薦部２４に出力する。

検索部２３は、楽曲DB１１に保存されている楽曲のうち、検索・推薦要求入力部２２から供給される検索の条件を満足する楽曲のリストを、検索結果として検索・推薦結果提示部２５に供給する。より詳細には、検索部２３は、楽曲DB１１に保存されている各楽曲について、推定メタデータラベルをメタデータラベル推定部１６から、推定嗜好ラベルを嗜好ラベル推定部２１から取得して、取得された推定メタデータラベルと推定嗜好ラベルに基づいて、検索の条件を満足する楽曲を検索する。検索部２３は、必要に応じて、メタデータラベル推定部１６に楽曲の推定メタデータラベルを求めさせたり、嗜好ラベル推定部２１に楽曲の推定嗜好ラベルを求めさせることが可能である。

推薦部２４は、検索・推薦要求入力部２２から推薦要求が供給された場合、楽曲DB１１に保存されている楽曲に対する推薦結果を検索・推薦結果提示部２５に供給する。より詳細には、推薦部２４は、楽曲DB１１に保存されている各楽曲の推定嗜好ラベルを嗜好ラベル推定部２１から取得し、推定嗜好ラベルの高い順にソートした楽曲のリストを推薦結果として検索・推薦結果提示部２５に供給する。推薦部２４も、検索部２３と同様に、必要に応じて、嗜好ラベル推定部２１に楽曲の推定嗜好ラベルを求めさせることが可能である。

検索・推薦結果提示部２５は、検索部２３から供給される検索結果または推薦部２４から供給される推薦結果をユーザに提示する。具体的には、検索・推薦結果提示部２５は、検索結果または推薦結果としての楽曲のリストを画面に表示したり、検索結果または推薦結果としての楽曲のリスト順に、楽曲を再生したりする。

以上のように構成される情報処理装置１においては、楽曲DB１１に保存されている楽曲の一部について入力されたメタデータラベルおよび嗜好ラベルに基づいて、メタデータ推定式および嗜好推定式を作成することができる。そして、メタデータ推定式および嗜好推定式を用いて、楽曲DB１１に保存されている全ての楽曲のメタデータおよび嗜好ラベルを推定することができ、推定された楽曲のメタデータおよび嗜好ラベルに基づいて、ユーザに楽曲の検索結果および推薦結果を提示することができる。

情報処理装置１による楽曲の検索結果および推薦結果の提示では、メタデータ推定式および嗜好推定式の誤差を、検索処理および推薦処理の計算に含めることにより、楽曲の検索結果および推薦結果に適切なランダム性を持たせ、多様な検索結果および推薦結果をユーザに提示することができる。

以下、情報処理装置１の各ブロックが行う詳細な処理について、図２乃至図１２を参照して説明する。

図２は、メタデータラベルDB１３に保存されているデータの例を示している。

メタデータラベルDB１３には、メタデータラベル入力部１２においてユーザによって入力された楽曲のメタデータラベルが保存されている。メタデータは、「明るい」、「速い」、「切ない」、「落ち着いた」、・・・、「悲しい」等のｐ種類である。

上述したように、楽曲DB１１に保存されている全ての楽曲について、メタデータラベルが付与される必要はなく、また、１つの楽曲において、全てのメタデータにメタデータラベルが付与される必要もない。従って、例えば、楽曲１には、メタデータ「明るい」に対してのみ、「全く当てはまらない」ことを意味する「１」が付与されており、また例えば、楽曲４と楽曲５については、いずれのメタデータに対してもメタデータラベルが付与されていない。

図３は、嗜好ラベルDB１８に保存されているデータの例を示している。

嗜好ラベルDB１８には、嗜好ラベル入力部１７においてユーザによって入力された楽曲の嗜好ラベルが保存されている。図３の例では、楽曲３に対して、「どちらともいえない」ことを意味する「３」が、楽曲４に対して、「大好き」であることを意味する「５」が保存されている。なお、上述したように、嗜好ラベルも、楽曲DB１１に保存されている全ての楽曲について付与される必要はないため、一部の楽曲にのみ嗜好ラベルが付与されている。

次に、メタデータ推定式学習部１４の処理について説明する。

メタデータ推定式学習部１４は、メタデータ推定式を求めていないメタデータの一つを、メタデータ推定式を求める対象のメタデータ（以下、対象メタデータという）として決定する。なお、メタデータ推定式学習部１４は、ｐ種類のメタデータすべてについてメタデータ推定式を求める処理を行う。即ち、ｐ種類のメタデータすべてが順に対象メタデータとされる。

メタデータ推定式学習部１４は、メタデータラベルDB１３から、対象メタデータに対してラベル（メタデータラベル）が付与されている楽曲のメタデータラベルM_jを取得する。また、メタデータ推定式学習部１４は、メタデータラベルDB１３からメタデータラベルM_jを取得した楽曲のｍ種類の特徴量X₁乃至X_mを、楽曲DB１１から取得する。そして、メタデータ推定式学習部１４は、取得した各楽曲について、メタデータラベルM_jと特徴量X₁乃至X_mを対応付ける。

図４は、対象メタデータがメタデータ「明るい」である場合に、メタデータラベルDB１３から取得した所定の楽曲のメタデータラベルM_jと、その特徴量X₁乃至X_mを楽曲DB１１から取得して対応付けたデータの例を示している。なお、楽曲DB１１に保存されている楽曲（の特徴量）と、メタデータラベルDB１３に保存されている楽曲（のメタデータラベル）との対応は、楽曲名、登録順番、または、楽曲を識別するインデックス番号等により、認識可能となされている。

次に、メタデータ推定式学習部１４は、楽曲の特徴量X₁乃至X_mから、対象メタデータのメタデータラベルM_j’を推定する回帰式を線形回帰により求める。

具体的には、線形結合係数をｂ_j0およびｂ_j1乃至ｂ_jm、真値としての既知のメタデータラベルM_jとそのときの回帰式による推定値M_j’との誤差をｅ_jとすると、メタデータラベルM_jは、特徴量X₁乃至X_mを用いて次式（１）で表すことができる。

メタデータ推定式学習部１４は、図４に示される各楽曲について、メタデータラベルM_jと、その特徴量X₁乃至X_mを式（１）に代入する。その結果、メタデータ「明るい」に対してメタデータラベルが付与されている楽曲の数だけ、メタデータラベルM_jと特徴量X₁乃至X_mを代入した式（１）が作成される。そして、メタデータ推定式学習部１４は、メタデータ「明るい」に対してメタデータラベルが付与されている楽曲の数の、メタデータラベルM_jと特徴量X₁乃至X_mを代入した式（１）を解くことにより、線形結合係数ｂ_j0およびｂ_j1乃至ｂ_jmを求める。即ち、メタデータ推定式学習部１４は、誤差ｅ_j（二乗誤差ｅ_j ²）を最小とするような線形結合係数ｂ_j0およびｂ_j1乃至ｂ_jmを求める。

線形結合係数ｂ_j0およびｂ_j1乃至ｂ_jmが求まると、求まった線形結合係数ｂ_j0およびｂ_j1乃至ｂ_jmと各楽曲のメタデータラベルM_jおよび特徴量X₁乃至X_mを式（１）に代入することにより、各楽曲のメタデータラベルM_jごとの誤差ｅ_jを得ることができる。メタデータ推定式学習部１４は、この楽曲ごとの実際の誤差ｅ_jをサンプルとして、推定メタデータラベルM_j’の回帰式を使用したときに発生する推定誤差を正規分布（ガウス分布）でモデリングする。ここで算出された推定メタデータラベルM_j’についての推定誤差の分布が、平均μ_j、分散σ² _jの正規分布であるとする。

以上より、対象メタデータとしてのｊ番目のメタデータのラベルの推定値である推定メタデータラベルM_j’は、次式（２）で表すことができる。

ここで、NRN（μ_j，σ² _j）は、平均μ_j、分散σ² _jの正規乱数発生関数を表す。

式（２）をｎ曲ある楽曲のうちのｋ番目の楽曲（すなわち、楽曲ｋ）について一般化すると、式（３）のように表すことができる。

式（３）において、M_jk’は、楽曲ｋのｊ番目の推定メタデータラベルを表し、X_kiは楽曲ｋのｉ番目の特徴量を表す。

以上のようにメタデータ推定式学習部１４により求められた、推定メタデータラベルM_j’を求めるための線形結合係数ｂ_j0およびｂ_j1乃至ｂ_jmと、推定誤差分布を特定する平均μ_jおよび分散σ² _jが、推定メタデータラベルM_j’を求めるためのパラメータとして、メタデータ推定式DB１５に供給され、保存される。

次に、メタデータラベル推定部１６の処理について説明する。

メタデータラベル推定部１６は、メタデータラベルを推定する対象となる楽曲の特徴量を楽曲DB１１から取得する。例えば、楽曲ｋのｊ番目のメタデータラベルを推定する場合、メタデータラベル推定部１６は、楽曲ｋの特徴量X_k1乃至X_kmを楽曲DB１１から取得する。図５は、楽曲DB１１から取得された、楽曲２の特徴量X₁乃至X_m（すなわち、特徴量X₂₁乃至X_2m）の例である。

また、メタデータラベル推定部１６は、推定メタデータラベルM_j’を求めるためのパラメータを、メタデータ推定式DB１５から取得する。即ち、メタデータラベル推定部１６は、推定メタデータラベルM_j’を求めるための線形結合係数ｂ_j0およびｂ_j1乃至ｂ_jmと、推定誤差分布を特定する平均μ_jおよび分散σ² _jを、メタデータ推定式DB１５から取得する。そして、メタデータラベル推定部１６は、上述した式（３）により、楽曲ｋのｊ番目のメタデータラベルの推定値（推定メタデータラベル）M_jk’を求める。

なお、メタデータラベル推定部１６は、検索処理または推薦処理に必要な所定数の楽曲またはメタデータ種類について、推定メタデータラベルM_jk’を求めることができる。換言すれば、メタデータラベル推定部１６は、検索部２３および嗜好ラベル推定部２１の要求に応じて必要な楽曲分またはメタデータ分の推定メタデータラベルM_jk’を求めることができる。

次に、嗜好推定式学習部１９の処理について説明する。

嗜好推定式学習部１９は、嗜好ラベルDB１８に保存されている全ての嗜好ラベルを取得する。また、嗜好推定式学習部１９は、嗜好ラベルDB１８から嗜好ラベルを取得した各楽曲の推定メタデータラベルM₁”乃至M_p”を、メタデータラベル推定部１６から取得する。

ここで、嗜好推定式学習部１９がメタデータラベル推定部１６から取得する、楽曲ｋのｊ番目の推定メタデータラベルM_jk”は、式（４）で計算される。

即ち、嗜好推定式学習部１９がメタデータラベル推定部１６から取得する（メタデータラベル推定部１６に計算させる）楽曲の推定メタデータラベルM₁”乃至M_p”は、式（３）の正規乱数発生関数による推定誤差を含まない値である。

図６は、嗜好ラベルDB１８およびメタデータラベル推定部１６から取得した、楽曲の嗜好ラベルおよび推定メタデータラベルM₁”乃至M_p”の例を示している。

なお、嗜好ラベルDB１８に保存されている楽曲の嗜好ラベルと、メタデータラベル推定部１６から取得される推定メタデータラベルM₁”乃至M_p”との対応は、メタデータ推定式学習部１４における場合と同様に、楽曲名、登録順番、または、楽曲を識別するインデックス番号等により、認識することができるようになされている。

次に、嗜好推定式学習部１９は、推定メタデータラベルM₁”乃至M_p”から、その楽曲の嗜好ラベルを推定する回帰式を線形回帰により求める。

具体的には、線形結合係数をｂ₀およびｂ₁乃至ｂ_p、真値としての既知の嗜好ラベルＹとそのときの回帰式による推定値Ｙ’との誤差をｅとすると、嗜好ラベルＹは、推定メタデータラベルM₁”乃至M_p”を用いて次式（５）で表すことができる。

そして、嗜好推定式学習部１９は、メタデータ推定式学習部１４における場合と同様に、図６に示される各楽曲について、式（５）に楽曲の嗜好ラベルＹと、その推定メタデータラベルM₁”乃至M_p”を代入した式を作成し、誤差ｅ（二乗誤差ｅ²）を最小とするような線形結合係数ｂ₀およびｂ₁乃至ｂ_pを求める。

線形結合係数ｂ₀およびｂ₁乃至ｂ_pが求まると、求まった線形結合係数ｂ₀およびｂ₁乃至ｂ_pと、各楽曲の嗜好ラベルＹおよび推定メタデータラベルM₁”乃至M_p”を式（５）に代入することにより、各楽曲の嗜好ラベルＹごとの誤差ｅを得ることができる。嗜好推定式学習部１９は、この楽曲ごとの実際の誤差ｅをサンプルとして、推定嗜好ラベルＹ’の回帰式を使用したときに発生する推定誤差を正規分布（ガウス分布）でモデリングする。ここで算出された推定嗜好ラベルＹ’についての推定誤差の分布が、平均μ、分散σ²であるとする。

以上より、ある楽曲の嗜好ラベルの推定値である推定嗜好ラベルＹ’は、次式（６）で表すことができる。

ここで、NRN（μ，σ²）は、平均μ、分散σ²の正規乱数発生関数を表す。

式（６）をｎ曲ある楽曲のうちのｋ番目の楽曲（すなわち、楽曲ｋ）について一般化すると、式（７）のように表すことができる。

式（７）において、Y_k’は、楽曲ｋの推定嗜好ラベルを表し、M_ki”は楽曲ｋのｉ番目の推定メタデータラベルを表す。

以上のように嗜好推定式学習部１９により求められた、楽曲の推定嗜好ラベルを求めるための線形結合係数ｂ₀およびｂ₁乃至ｂ_pと、推定誤差分布を特定する正規分布の平均μおよび分散σ²が、推定嗜好ラベルＹ’を求めるためのパラメータとして、嗜好推定式DB２０に供給され、保存される。

次に、嗜好ラベル推定部２１の処理について説明する。

嗜好ラベル推定部２１は、嗜好ラベルを推定する対象となる楽曲の推定メタデータラベルM₁”乃至M_p”をメタデータラベル推定部１６から取得する。例えば、楽曲ｋの嗜好ラベルを推定する場合、嗜好ラベル推定部２１は、推定メタデータラベルM_k1”乃至M_kp”をメタデータラベル推定部１６から取得する。図７は、メタデータラベル推定部１６から取得された、楽曲２の推定メタデータラベルM₁”乃至M_p”（すなわち、推定メタデータラベルM₂₁”乃至M_2p”）の例である。

また、嗜好ラベル推定部２１は、推定嗜好ラベルＹ’を求めるためのパラメータを、嗜好推定式DB２０から取得する。即ち、嗜好ラベル推定部２１は、楽曲の推定嗜好ラベルを求めるための線形結合係数ｂ₀およびｂ₁乃至ｂ_pと、推定誤差分布を特定する正規分布の平均μおよび分散σ²を、嗜好推定式DB２０から取得する。そして、嗜好ラベル推定部２１は、上述した式（７）により、楽曲ｋの推定嗜好ラベルＹ_k’を求める。

なお、嗜好ラベル推定部２１は、検索処理または推薦処理に必要な所定数の楽曲について、推定嗜好ラベルＹ_k’を求めることができる。換言すれば、嗜好ラベル推定部２１は、検索部２３および推薦部２４の要求に応じて必要な楽曲分の推定嗜好ラベルＹ_k’を求めることができる。

次に、以上のようにして求めた推定メタデータラベルM_jk’および推定嗜好ラベルＹ_k’を用いた検索および推薦について説明する。

最初に、検索・推薦要求入力部２２において、「明るい」楽曲の検索がユーザにより要求された場合について説明する。

検索部２３は、楽曲１乃至楽曲ｎのそれぞれについて、メタデータ「明るい」の推定メタデータラベルM_j1’乃至M_jn’（ここでのｊは、メタデータ「明るい」に対応する値）をメタデータラベル推定部１６から取得するとともに、推定嗜好ラベルＹ₁’乃至Ｙ_n’を嗜好ラベル推定部２１から取得する。

図８は、楽曲１乃至楽曲ｎそれぞれについての、メタデータ「明るい」の推定メタデータラベルM_j1’乃至M_jn’と、推定嗜好ラベルＹ₁’乃至Ｙ_n’のデータ例を示している。

検索部２３は、推定メタデータラベルの高い順、または、推定嗜好ラベルの高い順に、楽曲１乃至楽曲ｎをソートし、ソート後の楽曲リストを検索結果として、検索・推薦結果提示部２５に供給する。

図９は、推定メタデータラベルの高い順、即ち、メタデータ「明るい」の推定メタデータラベルM_j1’乃至M_jn’の高い順に、ソートした結果を示している。

また例えば、検索条件として、メタデータラベルが範囲で指定される場合もある。そのような場合、検索部２３は、推定メタデータラベルが指定された範囲に属する楽曲であって、推定嗜好ラベルの高い順による楽曲リストを、検索結果として検索・推薦結果提示部２５に供給することができる。

図１０は、メタデータ「明るい」のメタデータラベルが「３以下」という条件がユーザにより入力された場合の、検索結果の例を示している。

図１０では、メタデータ「明るい」の推定メタデータラベルが３以下である楽曲のみが抽出され、その抽出された楽曲がさらに、推定嗜好ラベルの高い順にソートされている。

次に、検索・推薦要求入力部２２から推薦要求が供給された場合について説明する。

推薦部２４は、楽曲１乃至楽曲ｎの推定嗜好ラベルＹ₁’乃至Ｙ_n’を嗜好ラベル推定部２１から取得する。

図１１は、取得された推定嗜好ラベルＹ₁’乃至Ｙ_n’のデータ例を示している。

そして、推薦部２４は、図１２に示されるように、推定嗜好ラベルの高い順に、楽曲１乃至楽曲ｎをソートして、ソート後の楽曲のリストを、推薦結果として検索・推薦結果提示部２５に供給する。

次に、図１３乃至図１９のフローチャートを参照して、メタデータ推定式学習部１４、メタデータラベル推定部１６、嗜好推定式学習部１９、嗜好ラベル推定部２１、検索部２３、推薦部２４、および検索・推薦結果提示部２５それぞれの処理についてさらに説明する。

なお、以下に説明する処理の前には、楽曲DB１１、メタデータラベルDB１３、および嗜好ラベルDB１８のそれぞれには、必要なデータが保存されているものとする。

図１３は、メタデータ推定式学習部１４によるメタデータ推定式学習処理のフローチャートを示している。

初めに、ステップＳ１において、メタデータ推定式学習部１４は、メタデータ推定式を求める対象のメタデータ（以下、対象メタデータという）を決定する。即ち、メタデータ推定式学習部１４は、まだメタデータ推定式を求めていないメタデータの一つを、対象メタデータとして決定する。

ステップＳ２において、メタデータ推定式学習部１４は、メタデータラベルDB１３から、対象メタデータのメタデータラベルM_jを取得する。また、メタデータ推定式学習部１４は、楽曲DB１１から、楽曲の特徴量X₁乃至X_mを取得する。ここで取得される特徴量X₁乃至X_mは、メタデータラベルM_jを取得した楽曲のものである。そして、メタデータ推定式学習部１４は、取得した各楽曲について、メタデータラベルM_jと特徴量X₁乃至X_mを対応付けて記憶する。

ステップＳ３において、メタデータ推定式学習部１４は、楽曲の特徴量X₁乃至X_mから、対象メタデータのメタデータラベルM_j’を推定する回帰式を線形回帰により求める。すなわち、メタデータ推定式学習部１４は、式（１）に各楽曲のメタデータラベルM_jと、その特徴量X₁乃至X_mを代入した式を作成し、その作成した式から、誤差ｅ_j（二乗誤差ｅ_j ²）を最小とするような線形結合係数ｂ_j0およびｂ_j1乃至ｂ_jmを求める。

ステップＳ４において、メタデータ推定式学習部１４は、推定メタデータラベルM_j’の回帰式を使用したときに発生する推定誤差を正規分布（ガウス分布）でモデリングする。即ち、メタデータ推定式学習部１４は、求められた線形結合係数ｂ_j0およびｂ_j1乃至ｂ_jm、および、対象メタデータのメタデータラベルが付与されている各楽曲のメタデータラベルM_jと特徴量X₁乃至X_mを式（１）に代入することにより得られる各楽曲の実際の誤差ｅ_jをサンプルとして、正規分布の平均μ_jおよび分散σ² _jを求める。

ステップＳ５において、メタデータ推定式学習部１４は、推定メタデータラベルM_j’を求めるためのパラメータを、メタデータ推定式DB１５に供給し、保存させる。即ち、メタデータ推定式学習部１４は、推定メタデータラベルM_j’を求めるためのメタデータ推定式の線形結合係数ｂ_j0およびｂ_j1乃至ｂ_jmと、推定誤差の分布を特定する正規分布の平均μ_jおよび分散σ² _jを、メタデータ推定式DB１５に供給し、保存させる。

ステップＳ６において、メタデータ推定式学習部１４は、すべてのメタデータに対してメタデータ推定式を求めたかを判定する。ステップＳ６で、すべてのメタデータに対してまだメタデータ推定式を求めていないと判定された場合、処理はステップＳ１に戻り、まだメタデータ推定式を求めていないメタデータが対象メタデータとされ、ステップＳ２乃至Ｓ６の処理が実行される。

一方、ステップＳ６で、すべてのメタデータに対してメタデータ推定式を求めたと判定された場合、処理は終了する。

次に、図１４のフローチャートを参照して、楽曲ｋの所定のメタデータラベルを推定する場合の、メタデータラベル推定処理について説明する。

初めに、ステップＳ２１において、メタデータラベル推定部１６は、楽曲ｋの特徴量X_k1乃至X_kmを楽曲DB１１から取得する。

ステップＳ２２において、メタデータラベル推定部１６は、推定メタデータラベルを求めるためのパラメータを、メタデータ推定式DB１５から取得する。例えば、楽曲ｋのｊ番目のメタデータラベル（推定メタデータラベルM_jk’）を求める場合、メタデータ推定式学習部１４は、メタデータ推定式の線形結合係数ｂ_j0およびｂ_j1乃至ｂ_jmと、推定誤差分布を特定する正規分布の平均μ_jおよび分散σ² _jを、メタデータ推定式DB１５から取得する。

ステップＳ２３において、メタデータラベル推定部１６は、推定メタデータラベルを求める。例えば、楽曲ｋのｊ番目のメタデータラベルの推定値を求める場合、メタデータラベル推定部１６は、式（３）により、メタデータラベルの推定値M_jk’を求める。

ステップＳ２４において、メタデータラベル推定部１６は、推定メタデータラベルが必要なすべての楽曲およびメタデータについて推定メタデータラベルを求めたかを判定する。

ステップＳ２４で、推定メタデータラベルが必要なすべての楽曲およびメタデータについてまだ求めていないと判定された場合、処理はステップＳ２１に戻り、それ以降の処理が実行される。即ち、次のメタデータまたは楽曲についての推定メタデータラベルを求める処理が実行される。

一方、ステップＳ２４で、推定メタデータラベルが必要なすべての楽曲およびメタデータについて求めたと判定された場合、処理は終了する。

次に、図１５のフローチャートを参照して、嗜好推定式学習部１９による嗜好推定式学習処理について説明する。

ステップＳ４１において、嗜好推定式学習部１９は、嗜好ラベルDB１８に保存されている全ての楽曲の嗜好ラベルを、嗜好ラベルDB１８から取得する。また、ステップＳ４１において、嗜好推定式学習部１９は、嗜好ラベルDB１８から嗜好ラベルを取得した各楽曲の、正規乱数発生関数による推定誤差を含まない推定メタデータラベルM₁”乃至M_p”を、メタデータラベル推定部１６から取得する。

ステップＳ４２において、嗜好推定式学習部１９は、推定メタデータラベルM₁”乃至M_p”に基づいて楽曲の嗜好ラベルを推定する回帰式を線形回帰により求める。すなわち、嗜好推定式学習部１９は、式（５）に各楽曲の嗜好ラベルＹと、その推定メタデータラベルM₁”乃至M_p”を代入した式を作成し、その作成した式から、誤差ｅ（二乗誤差ｅ²）を最小とするような線形結合係数ｂ₀およびｂ₁乃至ｂ_pを求める。

ステップＳ４３において、嗜好推定式学習部１９は、推定嗜好ラベルＹ’の回帰式を使用したときに発生する推定誤差を正規分布（ガウス分布）でモデリングする。即ち、嗜好推定式学習部１９は、求められた線形結合係数ｂ₀およびｂ₁乃至ｂ_pと、各楽曲の嗜好ラベルＹと推定メタデータラベルM₁”乃至M_p”を式（５）に代入することにより得られる各楽曲の実際の誤差ｅをサンプルとして、正規分布の平均μ、分散σ²を求める。

ステップＳ４４において、嗜好ラベル推定部２１は、推定嗜好ラベルＹ’を求めるためのパラメータを、嗜好推定式DB２０に供給し、保存させ、処理を終了する。即ち、嗜好推定式学習部１９は、楽曲の推定嗜好ラベルを求めるための線形結合係数ｂ₀およびｂ₁乃至ｂ_pと、推定誤差の分布を特定する正規分布の平均μおよび分散σ²を、嗜好推定式DB２０に供給し、保存させ、処理を終了する。

次に、図１６のフローチャートを参照して、嗜好ラベル推定部２１による嗜好ラベル推定処理を説明する。

初めに、ステップＳ６１において、嗜好ラベル推定部２１は、嗜好ラベルの推定を行う対象の楽曲を特定する変数ｋを設定する。

ステップＳ６２において、嗜好ラベル推定部２１は、楽曲ｋの推定メタデータラベルM_k1”乃至M_kp”をメタデータラベル推定部１６から取得する。

ステップＳ６３において、嗜好ラベル推定部２１は、楽曲ｋの推定嗜好ラベルＹ_k’を求めるためのパラメータを、嗜好推定式DB２０から取得する。具体的には、嗜好ラベル推定部２１は、嗜好推定式の線形結合係数ｂ₀およびｂ₁乃至ｂ_pと、推定誤差を特定する正規分布の平均μおよび分散σ²を、嗜好推定式DB２０から取得する。

ステップＳ６４において、嗜好ラベル推定部２１は、上述した式（７）により、楽曲ｋの推定嗜好ラベルＹ_k’を求める。

ステップＳ６５において、嗜好ラベル推定部２１は、推定嗜好ラベルが必要なすべての楽曲について推定嗜好ラベルを求めたかを判定する。

ステップＳ６５で、推定嗜好ラベルが必要なすべての楽曲についてまだ求めていないと判定された場合、処理はステップＳ６１に戻り、それ以降の処理が実行される。即ち、次の楽曲について推定嗜好ラベルを求める処理が実行される。

一方、ステップＳ６５で、推定嗜好ラベルが必要なすべての楽曲について求めたと判定された場合、処理は終了する。

次に、図１７のフローチャートを参照して、ユーザからの楽曲の検索または推薦の要求を受け付けて、検索部２３または推薦部２４に対して、検索処理または推薦処理を実行させる検索・推薦要求受付処理について説明する。

初めに、ステップＳ８１において、検索・推薦要求入力部２２は、ユーザからの楽曲の検索または推薦の要求を受け付ける。

ステップＳ８２において、検索・推薦要求入力部２２は、ユーザによって入力された要求が検索要求であるか、または推薦要求であるかを判定する。

ステップＳ８２で、ユーザによって入力された要求が検索要求であると判定された場合、処理はステップＳ８３に進み、検索・推薦要求入力部２２は、ユーザによって入力された検索の条件とともに、検索要求を検索部２３に出力して、処理を終了する。

一方、ステップＳ８２で、ユーザによって入力された要求が推薦要求であると判定された場合、処理はステップＳ８４に進み、検索・推薦要求入力部２２は、推薦要求を推薦部２４に出力して、処理を終了する。

図１８は、上述した図１７のステップＳ８３の検索要求に応じて実行される検索処理のフローチャートを示している。

検索・推薦要求入力部２２から、ユーザによって入力された検索の条件とともに、検索要求が検索部２３に供給されると、検索部２３は、ステップＳ１０１において、楽曲DB１１に保存されている各楽曲についての推定メタデータラベルであって、ユーザによって入力された検索の条件に対応する推定メタデータラベルをメタデータラベル推定部１６から取得する。例えば、ユーザによって入力された検索の条件が「明るい」曲であれば、メタデータ「明るい」の推定メタデータラベルが、メタデータラベル推定部１６から取得される。

ステップＳ１０２において、検索部２３は、楽曲DB１１に保存されている全楽曲の推定嗜好ラベルを嗜好ラベル推定部２１から取得する。

ステップＳ１０３において、検索部２３は、取得された推定メタデータラベルと推定嗜好ラベルに基づく検索結果を、検索・推薦結果提示部２５に出力する。即ち、検索部２３は、推定メタデータラベルの高い順、または、推定嗜好ラベルの高い順に、楽曲１乃至楽曲ｎをソートし、ソート後の楽曲リストを検索結果として、検索・推薦結果提示部２５に供給する。

ステップＳ１０４において、検索・推薦結果提示部２５は、検索部２３から供給される検索結果をユーザに提示する。例えば、検索・推薦結果提示部２５は、検索結果としての楽曲のリストを画面に表示したり、検索結果としての楽曲のリスト順に、楽曲を再生したりする。検索結果のユーザへの提示が終了すると、検索処理は終了する。

図１９は、上述した図１７のステップＳ８４の推薦要求に応じて実行される推薦処理のフローチャートを示している。

検索・推薦要求入力部２２から、ユーザによって入力された推薦要求が推薦部２４に供給されると、推薦部２４は、ステップＳ１１１において、楽曲DB１１に保存されている全楽曲の推定嗜好ラベルを嗜好ラベル推定部２１から取得する。

ステップＳ１１２において、推薦部２４は、取得された推定嗜好ラベルに基づく推薦結果を、検索・推薦結果提示部２５に出力する。即ち、推薦部２４は、推定嗜好ラベルの高い順にソートした楽曲のリストを、推薦結果として検索・推薦結果提示部２５に供給する。

ステップＳ１１３において、検索・推薦結果提示部２５は、推薦部２４から供給される推薦結果をユーザに提示する。例えば、検索・推薦結果提示部２５は、推薦結果としての楽曲のリストを画面に表示したり、推薦結果としての楽曲のリスト順に、楽曲を再生したりする。推薦結果のユーザへの提示が終了すると、推薦処理は終了する。

以上、説明したように、検索部２３は、メタデータラベル推定部１６により推定された推定メタデータラベルと、嗜好ラベル推定部２１により推定された推定嗜好ラベルとに基づいて、検索結果を出力する。また、推薦部２４は、嗜好ラベル推定部２１により推定された推定嗜好ラベルに基づいて、推薦結果を出力する。

メタデータラベル推定部１６により推定された推定メタデータラベル、および、嗜好ラベル推定部２１により推定された推定嗜好ラベルには、正規乱数発生関数が含まれている。これにより、ユーザによって入力された、メタデータラベルDB１３に保存されている楽曲のメタデータラベル、および、嗜好ラベルDB１８に保存されている楽曲の嗜好ラベルに変更がなくても、ユーザに提示される検索結果および推薦結果は、毎回異なるものとなり、ユーザが提示される内容に飽きてしまうことを防止することができる。

正規乱数発生関数の平均および分散は、回帰式による実際の誤差をモデリングしたものであり、根拠のあるランダム性である。即ち、検索結果および推薦結果には、実際のデータに即した適切なランダム性を持たせることができる。

なお、嗜好推定式学習部１９が嗜好推定式を求める際には、正規乱数発生関数による推定誤差を含まない値の推定メタデータラベルM₁”乃至M_p”を取得するので、正確な嗜好推定式を求めることができる。

図２０は、情報処理装置１が有する推定機能についてまとめた機能ブロック図である。

情報処理装置１の推定機能は、目的変数推定ブロック５１Aと上位目的変数推定ブロック５１Bとに分類することができる。

目的変数推定ブロック５１Aと上位目的変数推定ブロック５１Bは、目的変数DB７１、推定式学習部７２、誤差モデリング部７３、および推定式DB７４と、乱数発生部７５を有する推定部７６という同一の構成を有する。即ち、目的変数推定ブロック５１Aは、目的変数DB７１A、推定式学習部７２A、誤差モデリング部７３A、推定式DB７４A、乱数発生部７５Aおよび推定部７６Aを有し、上位目的変数推定ブロック５１Bは、目的変数DB７１B、推定式学習部７２B、誤差モデリング部７３B、推定式DB７４B、乱数発生部７５Bおよび推定部７６Bを有する。

目的変数推定ブロック５１Aは、所定の目的変数（第１の目的変数）を推定し、上位目的変数推定ブロック５１Bは、目的変数推定ブロック５１Aで推定された目的変数を用いて、それより上位の目的変数（第２の目的変数）を推定する。上述した例では、目的変数推定ブロック５１Aが推定する目的変数が楽曲のメタデータであり、上位目的変数推定ブロック５１Bが推定する目的変数が楽曲の嗜好ラベルである。

従って、目的変数DB７１AはメタデータラベルDB１３に対応し、推定式学習部７２Aおよび誤差モデリング部７３Aはメタデータ推定式学習部１４に対応し、推定式DB７４Aはメタデータ推定式DB１５に対応し、乱数発生部７５Aおよび推定部７６Aはメタデータラベル推定部１６に対応する。

また、目的変数DB７１Bは嗜好ラベルDB１８に対応し、推定式学習部７２Bおよび誤差モデリング部７３Bは嗜好推定式学習部１９に対応し、推定式DB７４Bは嗜好推定式DB２０に対応し、乱数発生部７５Bおよび推定部７６Bは嗜好ラベル推定部２１に対応する。

目的変数推定ブロック５１Aの推定部７６Aは、検索処理に使用されるためのメタデータを推定する場合には、推定式DB７４Aに保存されている正規分布の平均μ_j、分散σ² _jに応じて乱数発生部７５Aが発生させた乱数を含めた推定メタデータM_j’を出力するが、上位目的変数推定ブロック５１Bが推定式を求めるための推定メタデータとしては、正規分布の平均μ_j、分散σ² _jに応じた乱数を含めない推定メタデータM_j”を出力する。

これにより、上位目的変数推定ブロック５１Bの推定式学習部７２Bが推定式を求める場合には、より正確な、線形結合係数ｂ₀およびｂ₁乃至ｂ_pを求めることができる。一方、上位目的変数推定ブロック５１Bの推定部７６Bが、検索処理および推薦処理に使用されるための嗜好ラベルを推定する場合には、推定式DB７４Bに保存されている正規分布の平均μおよび分散σ²に応じて乱数発生部７５Bが発生させた乱数を含めた推定嗜好ラベルを出力する。

情報処理装置１では、以上のように、推薦結果および検索結果を提示する場合には、適切なランダム性を持たせた推定結果を出力することができるとともに、正確な推定式を求めることも可能としている。

上述した一連の処理は、ハードウエアにより実行することもできるし、ソフトウエアにより実行することもできる。一連の処理をソフトウエアにより実行する場合には、そのソフトウエアを構成するプログラムが、専用のハードウエアに組み込まれているコンピュータ、または、各種のプログラムをインストールすることで、各種の機能を実行することが可能な、例えば汎用のパーソナルコンピュータなどに、プログラム記録媒体からインストールされる。

図２１は、上述した一連の処理をプログラムにより実行するコンピュータのハードウエアの構成例を示すブロック図である。

コンピュータにおいて、CPU（Central Processing Unit）１０１，ROM（Read Only Memory）１０２，RAM（Random Access Memory）１０３は、バス１０４により相互に接続されている。

バス１０４には、さらに、入出力インタフェース１０５が接続されている。入出力インタフェース１０５には、キーボード、マウス、マイクロホンなどよりなる入力部１０６、ディスプレイ、スピーカなどよりなる出力部１０７、ハードディスクや不揮発性のメモリなどよりなる記憶部１０８、ネットワークインタフェースなどよりなる通信部１０９、磁気ディスク、光ディスク、光磁気ディスク、或いは半導体メモリなどのリムーバブルメディア１１１を駆動するドライブ１１０が接続されている。

例えば、メタデータラベル入力部１２、嗜好ラベル入力部１７、および検索・推薦要求入力部２２は、入力部１０６および出力部１０７に対応する。また、楽曲DB１１、メタデータラベルDB１３、メタデータ推定式DB１５、嗜好ラベルDB１８、および嗜好推定式DB２０は、RAM１０３または記憶部１０８に対応し、検索・推薦結果提示部２５は出力部１０７に対応する。また、メタデータ推定式学習部１４、メタデータラベル推定部１６、嗜好推定式学習部１９、嗜好ラベル推定部２１、検索部２３、および推薦部２４は、CPU１０１およびRAM１０３に対応する。

以上のように構成されるコンピュータでは、CPU１０１が、例えば、記憶部１０８に記憶されているプログラムを、入出力インタフェース１０５及びバス１０４を介して、RAM１０３にロードして実行することにより、上述した一連の処理が行われる。

コンピュータ（CPU１０１）が実行するプログラムは、例えば、磁気ディスク（フレキシブルディスクを含む）、光ディスク（CD-ROM(Compact Disc-Read Only Memory),DVD(Digital Versatile Disc)等）、光磁気ディスク、もしくは半導体メモリなどよりなるパッケージメディアであるリムーバブルメディア１１１に記録して、あるいは、ローカルエリアネットワーク、インターネット、デジタル衛星放送といった、有線または無線の伝送媒体を介して提供される。

なお、コンピュータが実行するプログラムは、本明細書で説明する順序に沿って時系列に処理が行われるプログラムであっても良いし、並列に、あるいは呼び出しが行われたとき等の必要なタイミングで処理が行われるプログラムであっても良い。

本明細書において、フローチャートに記述されたステップは、記載された順序に沿って時系列的に行われる処理はもちろん、必ずしも時系列的に処理されなくとも、並列的あるいは個別に実行される処理をも含むものである。

図１３乃至図１９の各処理は、ユーザによって入力された楽曲の検索または推薦の要求に応じる形で一連の処理として実行するようにしてもよいし、楽曲DB１１、メタデータラベルDB１３、嗜好ラベルDB１８などの各DBのデータが更新されたとき、所定の時間経過後などの所定のタイミングで、独立して実行するようにしてもよい。即ち、各処理が実行されるタイミングは所定のタイミングに特に限定されない。

本発明の実施の形態は、上述した実施の形態に限定されるものではなく、本発明の要旨を逸脱しない範囲において種々の変更が可能である。

本発明を適用した情報処理装置の一実施の形態の構成例を示すブロック図である。 メタデータラベルDBに保存されているデータの例を示す図である。 嗜好ラベルDBに保存されているデータの例を示す図である。 メタデータ推定式学習部が生成するデータの例を示す図である。 楽曲DBから取得した楽曲の特徴量の例を示す図である。 楽曲の嗜好ラベルおよび推定メタデータラベルの例を示す図である。 楽曲の推定メタデータラベルの例を示す図である。 検索処理における推定メタデータラベルと推定嗜好ラベルの例を示す図である。 検索処理において楽曲を推定メタデータラベルの高い順にソートした結果を示す図である。 検索処理において楽曲を推定嗜好ラベルの高い順にソートした結果を示す図である。 推薦処理における推定嗜好ラベルの例を示す図である。 推薦処理において推定嗜好ラベルの高い順にソートした結果を示す図である。 メタデータ推定式学習処理を説明するフローチャートである。 メタデータラベル推定処理を説明するフローチャートである。 嗜好推定式学習処理を説明するフローチャートである。 嗜好ラベル推定処理を説明するフローチャートである。 検索・推薦要求受付処理を説明するフローチャートである。 検索処理を説明するフローチャートである。 推薦処理を説明するフローチャートである。 推定機能についての機能ブロック図である。 本発明を適用したコンピュータの一実施の形態の構成例を示すブロック図である。

符号の説明

１ 情報処理装置， １４ メタデータ推定式学習部， １６ メタデータラベル推定部， １９ 嗜好推定式学習部， ２１ 嗜好ラベル推定部， ７１A，７１B 目的変数DB， ７２A，７２B 推定式学習部， ７３A，７３B 誤差モデリング部， ７４A，７４B 推定式DB， ７５A，７５B 乱数発生部， ７６A，７６B 推定部

Claims (8)

1. コンテンツの特徴量から前記コンテンツの第１の目的変数を推定する第１の推定式を学習する第１の学習手段と、
   前記第１の学習手段により学習された前記第１の推定式で前記第１の目的変数を推定したときの誤差の第１のモデルを決定する第１の誤差モデリング手段と、
   前記第１の誤差モデリング手段により決定された前記第１のモデルに応じた誤差を乱数により発生させる第１の誤差発生手段と、
   前記第１の学習手段により学習された第１の推定式と、前記第１の誤差発生手段により発生された乱数とを用いて、前記コンテンツの第１の目的変数を推定する第１の推定手段と
   を備える情報処理装置。
2. 前記第１のモデルは、前記第１の目的変数を推定したときの誤差の分布を正規分布でモデル化したものである
   請求項１に記載の情報処理装置。
3. 前記第１の推定手段により推定された前記コンテンツの第１の目的変数を用いて、コンテンツの検索を行う検索手段をさらに備える
   請求項２に記載の情報処理装置。
4. 前記検索手段がコンテンツの検索を行うたび、前記第１の推定手段によるコンテンツの第１の目的変数の推定が行われる
   請求項３に記載の情報処理装置。
5. 前記第１の学習手段により学習された第１の推定式のみを用いて得られた第１の目的変数を用いて、第２の目的変数を推定する第２の推定式を学習する第２の学習手段と、
   前記第２の学習手段により学習された前記第２の推定式で前記第２の目的変数を推定したときの誤差の第２のモデルを決定する第２の誤差モデリング手段と、
   前記第２の誤差モデリング手段により決定された前記第２のモデルに応じた誤差を乱数により発生させる第２の誤差発生手段と、
   前記第２の学習手段により学習された第２の推定式と、前記第２の誤差発生手段により発生された乱数とを用いて、前記コンテンツの第２の目的変数を推定する第２の推定手段と
   をさらに備える
   請求項２に記載の情報処理装置。
6. 前記第２の推定手段により推定された前記コンテンツの第２の目的変数を用いて、コンテンツの推薦を行う推薦手段をさらに備える
   請求項５に記載の情報処理装置。
7. コンテンツの特徴量から前記コンテンツの第１の目的変数を推定する第１の推定式を学習し、
   学習された前記第１の推定式で前記第１の目的変数を推定したときの誤差の第１のモデルを決定し、
   決定された前記第１のモデルに応じた誤差を乱数により発生させ、
   学習された前記第１の推定式と、発生された乱数とを用いて、前記コンテンツの第１の目的変数を推定する
   ステップを含む情報処理方法。
8. コンピュータに、
   コンテンツの特徴量から前記コンテンツの第１の目的変数を推定する第１の推定式を学習し、
   学習された前記第１の推定式で前記第１の目的変数を推定したときの誤差の第１のモデルを決定し、
   決定された前記第１のモデルに応じた誤差を乱数により発生させ、
   学習された前記第１の推定式と、発生された乱数とを用いて、前記コンテンツの第１の目的変数を推定する
   処理を実行させるプログラム。

Images