JP2018045551A - 決定装置、決定方法および決定プログラム - Google Patents

Abstract

【課題】取引対象に付されるラベルの精度を向上させる。【解決手段】本願に係る決定装置は、取引対象に関する情報を用いて当該取引対象を分類する複数の分類モデルであって、それぞれ異なる組に前記取引対象を分類する分類モデルを用いて、前記取引対象が属する組を特定する特定部と、前記特定部により特定された組に基づいて、前記取引対象に付与するラベルを決定する決定部とを有することを特徴とする。【選択図】図１

Description

本発明は、決定装置、決定方法および決定プログラムに関する。

従来、各種のデータに対してデータのカテゴリを示すラベル付けが行われている。例えば、インターネットオークションに商品やサービス（以下「取引対象」と記載する。）を出品する場合に、出品者は、取引対象のカテゴリ検索や絞込み検索を行えるようにするため、予め用意されたカテゴリの中から出品する取引対象が属するカテゴリを手動で選択することで取引対象に対してラベル付けを行う。

特開２０１６−０５７９２５号公報

しかしながら、上記の方法では、適切なラベルを付けることができるとは限らなかった。

例えば、上記の方法では、出品者は、取引対象が属するカテゴリのラベルを恣意的に判断し、取引対象のラベルを決定する。このため、上記の方法では、取引対象に対して不適切なラベルが付けられる場合がある。

本願は、上記に鑑みてなされたものであって、取引対象に付されるラベルの精度を向上させることを目的とする。

本願に係る決定装置は、取引対象に関する情報を用いて当該取引対象を分類する複数の分類モデルであって、それぞれ異なる組に前記取引対象を分類する分類モデルを用いて、前記取引対象が属する組を特定する特定部と、前記特定部により特定された組に基づいて、前記取引対象に付与するラベルを決定する決定部とを有することを特徴とする。

実施形態の一態様によれば、取引対象に付されるラベルの精度を向上させる。

図１は、実施形態に係る決定装置が実行する決定処理の一例を示す図である。 図２は、実施形態に係る決定装置の構成例を示す図である。 図３は、実施形態に係るモデルデータベースに登録される情報の一例を示す図である。 図４は、実施形態に係る取引対象データベースに登録される情報の一例を示す図である。 図５は、実施形態に係る決定装置が実行する学習処理の一例を示す図である。 図６は、実施形態にかかる決定装置が実行する決定処理の流れの一例を示すフローチャートである。 図７は、ハードウェア構成の一例を示す図である。

以下に、本願に係る決定装置、決定方法および決定プログラムを実施するための形態（以下、「実施形態」と記載する。）について図面を参照しつつ詳細に説明する。なお、この実施形態により本願に係る決定装置、決定方法および決定プログラムが限定されるものではない。また、以下の各実施形態において同一の部位には同一の符号を付し、重複する説明は省略される。

［実施形態］
〔１−１．決定装置の一例〕
まず、図１を用いて、決定装置が実行する決定処理の一例について説明する。図１は、実施形態に係る決定装置が実行する決定処理の一例を示す図である。図１では、決定装置１０は、インターネット等の所定のネットワークＮを介して、ＥＣ（Electronic Commerce）サーバ１００や利用者Ｕ０１が使用する端末装置２００（例えば、図２）と通信可能である。なお、決定装置１０は、任意の数のＥＣサーバ１００や任意の数の端末装置２００と通信可能であってよい。

ＥＣサーバ１００は、電子商取引に関する各種サービスを提供する情報処理装置であり、サーバ装置やクラウドシステム等により実現される。例えば、ＥＣサーバ１００は、任意の商品やサービス（以下、「取引対象」と記載する。）の提供を販売する電子商店街のサービスを利用者Ｕ０１に対して提供する。なお、ＥＣサーバ１００は、オークションに関するサービスを提供するサーバであってもよい。すなわち、ＥＣサーバ１００は、電子商取引に関するサービスであれば、任意のサービスの提供を行ってよい。

端末装置２００は、利用者Ｕ０１が使用する端末装置であり、例えば、スマートフォンやタブレット等といった携帯移動端末装置やＰＣ（Personal Computer）端末、サーバ装置等により実現される。例えば、利用者Ｕ０１は、端末装置２００を用いて、ＥＣサーバ１００が提供する電子商店街に取引対象の出品を行う。より具体的には、端末装置２００は、出品対象となる取引対象の画像や説明文等といった取引対象情報を決定装置１０に通知し、取引対象の登録を依頼する。このような場合、決定装置１０は、取引対象の情報をＥＣサーバ１００に登録する。

〔１−２．決定処理について〕
ここで、電子商取引他の対象となる取引対象には、取引対象の属性を示すラベルが付与される場合がある。例えば、取引対象には、取引対象が商品であるか、サービスであるか、コンピュータ関連商品であるか、コンピュータに関連しない商品であるか、プリンタであるかインクであるか等といった、取引対象が属するカテゴリを示すラベルが付与される場合がある。また、取引対象には、階層構造を有するカテゴリを示すラベルが付与される場合がある。例えば、取引対象がプリンタである場合は、取引対象のカテゴリが「商品」に属する「コンピュータ関連商品」のうち、「プリンタ」である旨のラベルとして「商品＞コンピュータ関連商品＞プリンタ」といったラベルが付与される場合がある。

しかしながら、従来技術では、取引対象を取引対象の登録を行う利用者等が恣意的に設定していたため、商品に対して不適切なラベルが付与される場合があった。例えば、ある取引対象が複数のカテゴリに属しうる場合には、同じ取引対象に対して異なる複数のラベルが付与されてしまう恐れがある。また、従来のカテゴリに収まらない取引対象を登録する場合には、どのラベルを付与すればいいか不明である。また、取引対象に最適ではないカテゴリのラベルが付与された場合は、取引対象の検索時等に、適切な検索結果を提供することができなくなる恐れがある。

そこで、決定装置１０は、以下の処理を実行する。まず、決定装置１０は、取引対象に関する情報を用いてその取引対象を分類する複数の分類モデル（以下、「モデル」と記載する。）であって、それぞれ異なる組に取引対象を分類するモデルを用いて、取引対象が属する組を特定する。例えば、決定装置１０は、所定の取引対象に付与されたラベルを正例として、所定の取引対象をラベルと対応する組に分類するモデルの学習を行い、学習されたモデルを用いて、取引対象が属する組を特定する。そして、決定装置１０は、特定した組に基づいて、取引対象に付与するラベルを決定する。

すなわち、決定装置１０は、取引対象が撮像された画像や説明文を用いて、多クラス分類的に取引対象が属するカテゴリを特定し、特定したカテゴリを示すラベルを決定する。このため、決定装置１０は、例えば、取引対象が新規なカテゴリに属する場合であっても、既存のカテゴリのうち、最も適切であると推定されるカテゴリに分類することができる。

〔１−３．階層構造について〕
ここで、決定装置１０は、カテゴリが有する階層構造に合わせて各モデルを段階的に利用することで、取引対象が属するカテゴリを特定してもよい。例えば、決定装置１０は、カテゴリの階層構造と対応する階層構造を有する複数の組に対して取引対象を分類するモデルであって、同じ階層のカテゴリと対応する組に取引対象を分類するモデルを段階的に利用することで、取引対象が属するカテゴリであって、階層関係を有するカテゴリを段階的に特定する。そして、決定装置１０は、特定したカテゴリに基づいて、階層構造を有するラベルを決定する。

より具体的な例について説明する。例えば、階層構造を有するカテゴリとして、「カテゴリ＃１」の下位に「カテゴリ＃１１」および「カテゴリ＃１２」が存在し、「カテゴリ＃１１」の下位に「カテゴリ＃１１１」および「カテゴリ＃１１２」が存在し、「カテゴリ＃１２」の下位に「カテゴリ＃１２１」、「カテゴリ＃１２２」および「カテゴリ＃１２３」が存在するものとする。

このような階層構造を有するカテゴリに取引対象を分類する場合、決定装置１０は、取引対象の画像から、取引対象を「カテゴリ＃１１」に対応する組、または「カテゴリ＃１２」に対応する組に分類するモデル「モデル＃１」を学習する。また、決定装置１０は、取引対象のうち、「カテゴリ＃１１」に属する取引対象、すなわち、「カテゴリ＃１１」よりも下位のカテゴリに属する取引対象の画像から、取引対象を「カテゴリ＃１１１」に対応する組、または「カテゴリ＃１１２」に対応する組に分類するモデル「モデル＃１１」を学習する。また、決定装置１０は、取引対象のうち、「カテゴリ＃１２」に属する取引対象、すなわち、「カテゴリ＃１２」よりも下位のカテゴリに属する取引対象の画像から、取引対象を「カテゴリ＃１２１」に対応する組、「カテゴリ＃１２２」に対応する組、または「カテゴリ＃１２３」に属する組のいずれかに分類するモデル「モデル＃１２」を学習する。

すなわち、決定装置１０は、あるカテゴリの階層に属するカテゴリごとに、そのカテゴリに属する取引対象を、そのカテゴリの下位に属するカテゴリ（以下、「下位カテゴリ」と記載する。）のうちいずれかの下位カテゴリに分類するモデルの学習を行う。そして、決定装置１０は、各モデルを段階的に利用することで、取引対象が属するカテゴリを特定する。

例えば、決定装置１０は、第１のモデルを用いて所定の取引対象が属する第１の組を特定し、第１の組の下位に属する複数の組のうちいずれかの組に取引対象を分類する第２のモデルを用いて、第１の組の下位に属する複数の組のうち、所定の取引対象が属する第２の組を特定する。そして、決定装置１０は、第１の組および第２の組が有する階層構造に基づいて、取引対象に付与するラベルであって、階層構造を有するラベルを決定する。

例えば、決定装置１０は、「カテゴリ＃１」に対応する組、「カテゴリ＃１１」に対応する組、および「カテゴリ＃１１１」に対応する組に取引対象を分類した場合には、「カテゴリ＃１＞カテゴリ＃１１＞カテゴリ＃１１１」といった階層構造を有するラベルを取引対象に付与する。すなわち、決定装置１０は、取引対象を分類した第１の組に対応するラベルと、そのラベルの下位に属するラベルのうち、取引対象を分類した第２の組に属するラベルとを用いて、階層構造を有するラベルを決定する。

なお、決定装置１０は、階層構造を考慮しない分類を行ってもよい。例えば、決定装置１０は、それぞれ異なる組に取引対象を分類する複数のモデルを用いて、取引対象の分類を行う。そして、決定装置１０は、取引対象が分類された全ての組に基づいて、取引対象にラベルを付与すればよい。すなわち、決定装置１０は、それぞれ異なる観点から取引対象を分類する複数のモデルを用いて、取引対象の特徴を多クラス分類的に特定し、特定した特徴を示すラベル、すなわち、取引対象が分類された全ての組（若しくは、その組み合わせ）を示すラベルを付与すればよい。

〔１−４．モデルについて〕
ここで、決定装置１０は、取引対象に関する情報から、その取引対象が属する組であって、カテゴリに対応する組に分類するモデルであれば、任意のモデルを採用可能である。例えば、決定装置１０は、ＳＶＭ（Support Vector Machine）といったモデルのみならず、ＤＮＮ（Deep Neural Network）、ＲＮＮ（Recurrent Neural Network）等といったニューラルネットワークの技術を用いたモデルを用いて、取引対象の分類を行ってもよい。

例えば、決定装置１０は、適切なラベルが付与された取引対象の画像と、そのラベルとを正例、すなわち正解データとして収集する。例えば、決定装置１０は、ＥＣサーバ１００から、取引対象の画像と、ラベルとの組を正解データとして収集する。なお、決定装置１０は、決定装置１０の管理を行う管理者によってあらかじめ選択された取引対象の画像とラベルとの組を正解データとして収集してもよい。また、このような正解データは、全てのカテゴリに属する取引対象について偏向なく収集するのが望ましい。

そして、決定装置１０は、正解データを用いて、各モデルの学習を行う。例えば、決定装置１０は、「モデル＃１」の学習を行う場合は、「カテゴリ＃１１」に属する取引対象と、「カテゴリ＃１２」に属する取引対象とについての正解データを抽出する。例えば、決定装置１０は、「カテゴリ＃１１１」または「カテゴリ＃１１２」に属する取引対象の画像を、「カテゴリ＃１１」に属する第１の取引対象として収集する。また、例えば、決定装置１０は、「カテゴリ＃１２１」、「カテゴリ＃１２２」および「カテゴリ＃１２３」に属する取引対象の画像を、「カテゴリ＃１２」に属する第２の取引対象として収集する。

そして、決定装置１０は、各取引対象の画像を入力した際に、かかる画像に撮像された取引対象が第１の取引対象であるか、第２の取引対象であるかを特定するように、「モデル＃１」の学習を行う。例えば、決定装置１０は、各取引対象の画像を分散表現に変換し、変換後の分散表現が示す特徴、すなわち、取引対象そのものの特徴や取引対象が撮像された画像の特徴から、取引対象が第１の取引対象であるか、第２の取引対象であるかを判定するモデルの学習を行う。なお、決定装置１０は、このような分類を行うモデルの学習については、例えば、特徴量を分類する超平面の算出や、バックプロパゲーション法等により実現される。

続いて、決定装置１０は、「モデル＃１１」の学習を行う。例えば、決定装置１０は、「モデル＃１１」の学習を行う場合は、「カテゴリ＃１１１」に属する取引対象と、「カテゴリ＃１１２」に属する取引対象とについての正解データを抽出する。そして、決定装置１０は、各取引対象の画像を入力した際に、かかる画像に撮像された取引対象が「カテゴリ＃１１１」に属する取引対象と、「カテゴリ＃１１２」に属する取引対象とのいずれであるかの学習を行う。なお、決定装置１０は、例えば、「カテゴリ＃１１１」の下位に「カテゴリ＃１１１１」や「カテゴリ＃１１１２」といったカテゴリが存在する場合は、「カテゴリ＃１１１１」や「カテゴリ＃１１１２」といったカテゴリに属する取引対象を全て「カテゴリ＃１１１」に属する取引対象としてもよい。

すなわち、決定装置１０は、階層構造を有するカテゴリのそれぞれに対応するモデルであって、そのカテゴリに属する取引対象を、下位カテゴリのいずれかに分類するモデルの学習を行う。そして、決定装置１０は、各モデルを段階的に用いることで、取引対象が属するカテゴリを特定し、特定したカテゴリを示すラベルを決定する。

例えば、決定装置１０は、利用者Ｕ０１が取引対象＃Ａの新規登録を行う場合は、取引対象＃Ａの画像を用いて、取引対象＃Ａに付与するラベルを決定する。例えば、決定装置１０は、「カテゴリ＃１」と対応する「モデル＃１」が取引対象＃Ａを「カテゴリ＃１１」に分類した場合は、「カテゴリ＃１１」と対応するモデル「モデル＃１１」を用いて、取引対象＃Ａの分類を行う。そして、決定装置１０は、「モデル＃１１」が取引対象＃Ａを「カテゴリ＃１１２」に分類した場合は、取引対象＃Ａのカテゴリが「カテゴリ＃１＞カテゴリ＃１１＞カテゴリ＃１１２」である旨のラベルを、取引対象＃Ａに付与するラベルとして決定する。その後、決定装置１０は、取引対象＃Ａのカテゴリとして、決定したラベルが示すカテゴリを利用者Ｕ０１に対して提案する。

〔１−５．確率を用いた分類について〕
ここで、決定装置１０は、取引対象が各組に属する可能性を算出するモデルを用いて、取引対象が各組に属する可能性をそれぞれ算出し、取引対象が各組に属する可能性に基づいて、取引対象が属する組を特定してもよい。例えば、決定装置１０は、「モデル＃１」を用いて、取引対象＃Ａが「カテゴリ＃１１」に属する確率と、「カテゴリ＃１２」に属する確率とを算出する。そして、決定装置１０は、取引対象＃Ａが「カテゴリ＃１１」に属する確率の方が高い場合は、取引対象＃Ａが「カテゴリ＃１１」に属すると判定すればよい。

なお、例えば、決定装置１０は、取引対象＃Ａが「カテゴリ＃１１」に属する確率と、「カテゴリ＃１２」に属する確率とが同じになった場合は、「モデル＃１１」および「モデル＃１２」を用いて、「カテゴリ＃１１」および「カテゴリ＃１２」の下位カテゴリである「カテゴリ＃１１１」、「カテゴリ＃１１２」、「カテゴリ＃１２１」、「カテゴリ＃１２２」、および「カテゴリ＃１２３」に取引対象＃Ａが属する確率をそれぞれ算出し、算出した確率が最も高いカテゴリに取引対象＃Ａを分類すればよい。

なお、決定装置１０は、可能性を算出するモデルを用いた場合、取引対象が各カテゴリに属する確率を算出することができる。そこで、決定装置１０は、算出した確率が高いものから所定の数のカテゴリを候補として利用者に提示してもよい。

〔１−６．分類に用いる情報について〕
ここで、決定装置１０は、取引対象に関する情報であれば、任意の情報から特定可能な取引対象の任意の特徴に基づいて分類を行うモデルを用いてよい。例えば、決定装置１０は、取引対象が撮像された画像または取引対象の説明文のいずれか１もしくは両方を用いて分類を行うモデルを用いてよい。

例えば、決定装置１０は、取引対象の外観、素材、色彩、大きさ（サイズ）等に基づいて分類を行うモデルを用いてもよい。また、決定装置１０は、取引対象の画像そのものや、画像から特定可能な任意の特徴を分散表現に変換し、分散表現に基づいて分類を行うモデルを用いてもよい。例えば、決定装置１０は、入力された画像を分散表現に変換し、変換後の分散表現に基づいて取引対象の分類を行うモデルであって、正解データの画像を入力した際に、正解データのラベルと対応する組に取引対象を分類するように学習が行われたモデルを用いてもよい。

このような学習が行われたモデルは、外観や性能等といった取引対象が有する明確な特徴のみならず、同じカテゴリに属する取引対象が暗示的に共有している特徴を示す分散表現に基づいて、取引対象の分類を行うこととなる。この結果、決定装置１０は、新規なカテゴリに属する取引対象や、分類が困難な取引対象であっても、関連性が低いカテゴリに分類するといった誤分類を防ぐことができる。

なお、決定装置１０は、取引対象に関する情報であるならば、任意の情報を取引対象の属性として採用可能である。例えば、電子商店街やオークション等といった電子商取引においては、取引対象の状態や性能等といった属性を示す説明文が登録される場合がある。また、このような説明文の内容によっては、男性が頻繁に購買したり、女性が頻繁に購買するというように、購買する利用者の傾向が変化するとも考えられる。そこで、決定装置１０は、取引対象の画像と取引対象の説明文とを取引対象情報としてモデルに入力し、入力した取引対象情報に基づいて、取引対象の分類を行わせてもよい。

また、決定装置１０は、モデルの学習を行う場合と、モデルを用いて取引対象の分類を行う場合とで、異なる取引対象情報を利用してもよい。例えば、決定装置１０は、正解データとして、ラベルが付与された取引対象の画像や説明文のみならず、取引対象の購買履歴（購買された個数、日時、購買した利用者の属性等）、取引対象の販売店舗や販売者を示す情報、取引対象のメーカー、取引対象に対する評価等、取引対象に関する任意の情報等を取引対象情報としてもよい。そして、決定装置１０は、正解データの取引対象情報を入力した際に、正解データのラベルが示すカテゴリに取引対象を分類するようにモデルの学習を行う。そして、決定装置１０は、利用者Ｕ０１が取引対象の登録を行う際に、取引対象情報として、取引対象の画像および説明文のみを取引対象としてモデルに入力し、取引対象の分類を行ってもよい。

〔１−７．ラベルについて〕
ここで、上述した処理においては、決定装置１０は、取引対象が属するカテゴリを示すラベルを決定した。しかしながら、実施形態は、これに限定されるものではない。例えば、決定装置１０は、取引対象の検索等に用いるラベルの決定を行ってもよい。例えば、決定装置１０は、電子商店街のサービス等において、利用者が取引対象を体系的に検索する際に用いる情報、すなわち、カテゴリを示す情報のみならず、利用者が入力した検索クエリに対応する取引対象を検索する際に用いる情報をラベルとして付与してもよい。

〔１−８．決定処理の一例について〕
次に、図１を用いて、決定装置１０が実行する決定処理の一例について説明する。例えば、決定装置１０は、ＥＣサーバ１００から、正解データとして、取引対象の情報を取得する（ステップＳ１）。より具体的には、決定装置１０は、取引対象の画像や説明文等といった取引対象情報と、取引対象が分類されたカテゴリを示すラベルを取得する。

このような場合、決定装置１０は、画像や説明文を含む取引対象情報を入力とし、取引対象が属するカテゴリを正解として、カテゴリと同様の階層構造を有する各モデルの学習を行う（ステップＳ２）。例えば、図１に示す例では、決定装置１０は、「カテゴリ＃１」に対応する「モデル＃１」、「カテゴリ＃１１」に対応する「モデル＃１１」、「カテゴリ＃１２」に対応する「モデル＃１２」、「カテゴリ＃１１１」に対応する「モデル＃１１１」、「カテゴリ＃１１２」に対応する「モデル＃１１２」、「カテゴリ＃１２１」に対応する「モデル＃１２１」、「カテゴリ＃１２２」に対応する「モデル＃１２２」、および「カテゴリ＃１２３」に対応する「モデル＃１２３」を準備する。

続いて、決定装置１０は、「カテゴリ＃１１」または「カテゴリ＃１１」の下位カテゴリに属する取引対象の取引対象情報が入力された場合は、取引対象が「カテゴリ＃１１」に属すると判定し、「カテゴリ＃１２」または「カテゴリ＃１２」の下位カテゴリに属する取引対象の取引対象情報が入力された場合は、取引対象が「カテゴリ＃１２」に属すると判定するように、「モデル＃１」の学習を行う。

また、決定装置１０は、「カテゴリ＃１１１」または「カテゴリ＃１１１」の下位カテゴリに属する取引対象の取引対象情報が入力された場合は、取引対象が「カテゴリ＃１１１」に属すると判定し、「カテゴリ＃１１２」または「カテゴリ＃１１２」の下位カテゴリに属する取引対象の取引対象情報が入力された場合は、取引対象が「カテゴリ＃１１２」に属すると判定するように、「モデル＃１１」の学習を行う。

また、決定装置１０は、「カテゴリ＃１２１」または「カテゴリ＃１２１」の下位カテゴリに属する取引対象の取引対象情報が入力された場合は、取引対象が「カテゴリ＃１２１」に属すると判定し、「カテゴリ＃１２２」または「カテゴリ＃１２２」の下位カテゴリに属する取引対象の取引対象情報が入力された場合は、取引対象が「カテゴリ＃１２２」に属すると判定し、「カテゴリ＃１２３」または「カテゴリ＃１２３」の下位カテゴリに属する取引対象の取引対象情報が入力された場合は、取引対象が「カテゴリ＃１２３」に属すると判定するように、「モデル＃１２」の学習を行う。

上述したように、決定装置１０は、階層構造を有するカテゴリのうち、所定のカテゴリに属すると判定された取引対象を分類するモデルであって、所定のカテゴリの下位カテゴリのうち、どのカテゴリに属するかを判定する複数のモデルの学習を行う。

続いて、決定装置１０は、利用者Ｕ０１から登録対象となる取引対象の情報を取得する（ステップＳ３）。このような場合、決定装置１０は、画像や説明文を含む取引対象を入力として、取引対象が各カテゴリに属する確率を算出し、算出結果に基づいてカテゴリの推定を行う（ステップＳ４）。例えば、決定装置１０は、利用者Ｕ０１が登録する取引対象＃Ａの画像や説明文を取引対象情報として「モデル＃１」に入力する。ここで、図１に示す例では、「モデル＃１」は、取引対象＃Ａが「カテゴリ＃１１」に属する確率を「２０％」と判定し、「カテゴリ＃１２」に属する確率を「８０％」と判定したものとする。

続いて、決定装置１０は、取引対象＃Ａの取引対象情報を「モデル＃１１」および「モデル＃１２」に入力する。この結果、図１に示す例では、「モデル＃１１」は、取引対象＃Ａが「カテゴリ＃１１１」に属する確率を「２０％」と判定し、「カテゴリ＃１１２」に属する確率を「８０％」と判定したものとする。また、図１に示す例では、「モデル＃１２」は、取引対象＃Ａが「カテゴリ＃１２１」に属する確率を「１０％」と判定し、「カテゴリ＃１２２」に属する確率を「８０％」と判定し、「カテゴリ＃１２３」に属する確率を「１０％」と判定したものとする。

また、決定装置１０は、取引対象＃Ａの取引対象情報を「モデル＃１１１」、「モデル＃１１２」、「モデル＃１２１」、「モデル＃１２２」、および「モデル＃１２３」に入力する。この結果、図１に示す例では、「モデル＃１１１」は、取引対象＃Ａが「カテゴリ＃１１１１」に属する確率を「２０％」と判定し、「カテゴリ＃１１１２」に属する確率を「８０％」と判定したものとする。また、図１に示す例では、「モデル＃１１２」は、取引対象＃Ａが「カテゴリ＃１１２１」に属する確率を「２０％」と判定し、「カテゴリ＃１１２２」に属する確率を「８０％」と判定したものとする。また、図１に示す例では、「モデル＃１２１」は、取引対象＃Ａが「カテゴリ＃１２１１」に属する確率を「２０％」と判定し、「カテゴリ＃１２１２」に属する確率を「８０％」と判定したものとする。また、図１に示す例では、「モデル＃１２２」は、取引対象＃Ａが「カテゴリ＃１２２１」に属する確率を「２０％」と判定し、「カテゴリ＃１２２２」に属する確率を「８０％」と判定したものとする。また、図１に示す例では、「モデル＃１２３」は、取引対象＃Ａが「カテゴリ＃１２３１」に属する確率を「２０％」と判定し、「カテゴリ＃１２３２」に属する確率を「８０％」と判定したものとする。

この結果、「カテゴリ＃１１１１」〜「カテゴリ＃１２３２」のうち、取引対象＃Ａが属する可能性が最も高いのは、「カテゴリ＃１２２２」となる。この結果、決定装置１０は、「カテゴリ＃１２２２」が取引対象＃Ａを分類するカテゴリとする。より具体的には、決定装置１０は、「カテゴリ＃１＞カテゴリ＃１２＞カテゴリ＃１２２＞カテゴリ＃１２２２」といった階層構造を有するカテゴリの情報を、利用者Ｕ０１に対して提案する（ステップＳ５）。

なお、決定装置１０は、全てのモデルを用いずとも、各モデルが算出した可能性が最も高いカテゴリと対応するモデルを段階的に使用してもよい。例えば、決定装置１０は、モデル＃１によって、取引対象＃Ａが「カテゴリ＃１１」に属する可能性よりも、「カテゴリ＃１２」に属する可能性が高いと判定された場合は、「カテゴリ＃１２」に対応する「モデル＃１２」を用いて、取引対象の分類を行えばよい。

〔２．決定装置の構成〕
以下、上記した決定処理を実現する決定装置１０が有する機能構成の一例について説明する。図２は、実施形態に係る決定装置の構成例を示す図である。図２に示すように、決定装置１０は、通信部２０、記憶部３０、および制御部４０を有する。

通信部２０は、例えば、ＮＩＣ（Network Interface Card）等によって実現される。そして、通信部２０は、ネットワークＮと有線または無線で接続され、ＥＣサーバ１００や端末装置２００との間で情報の送受信を行う。

記憶部３０は、例えば、ＲＡＭ（Random Access Memory)、フラッシュメモリ（Flash Memory）等の半導体メモリ素子、または、ハードディスク、光ディスク等の記憶装置によって実現される。また、記憶部３０は、モデルデータベース３１、および取引対象データベース３２（以下、「各データベース３１〜３２」と総称する場合がある。）を記憶する。

モデルデータベース３１には、取引対象の分類を行うモデルが格納される。例えば、図３は、実施形態に係るモデルデータベースに登録される情報の一例を示す図である。図３に示すように、モデルデータベース３１には、「モデルＩＤ（Identifier）」、「モデルデータ」、「対応カテゴリ」および「配下モデル」といった項目を有する情報が登録されている。

ここで、「モデルＩＤ」とは、モデルを識別するための識別子である。また、「モデルデータ」とは、モデルのデータである。また、「対応カテゴリ」とは、対応付けられたモデルと対応するカテゴリを示す情報である。また、配下モデルとは、対応付けられたモデルＩＤが示すモデルによって分類された取引対象をさらに分類するモデルのモデルＩＤ、すなわち、下位カテゴリの分類を行うモデルである。

例えば、図３に示す例では、モデルデータベース３１には、モデルＩＤ「ＩＤ＃１１」、モデルデータ「モデル＃１１」、対応カテゴリ「カテゴリ＃１１」および配下モデル「ＩＤ＃１１１、ＩＤ＃１１２・・・」が対応付けて登録されている。このような情報は、モデルＩＤ「ＩＤ＃１１」が示すモデルのモデルデータが「モデル＃１１」であり、対応カテゴリ「カテゴリ＃１１」である旨を示す。すなわち、このような情報は、モデルＩＤ「ＩＤ＃１１」が示すモデルが、「カテゴリ＃１１」に分類された取引対象を下位カテゴリに分類するモデルである旨を示す。また、このような情報は、モデルＩＤ「ＩＤ＃１１」が示すモデルによって下位カテゴリに分類された取引対象を、配下モデル「ＩＤ＃１１１、ＩＤ＃１１２・・・」が示すモデルがさらに下位カテゴリに分類する旨を示す。

なお、図３に示す例では、「ＩＤ＃１」、「モデル＃１」、「カテゴリ＃１」等といった概念的な値を記載したが、実際には、各モデルを示すテキストや数値、モデルとして動作するＳＶＭのデータ、ニューラルネットワークのノード情報や伝達係数、カテゴリの名称等といったデータが登録されることとなる。

図２に戻り、説明を続ける。取引対象データベース３２には、取引対象の取引対象情報が格納される。例えば、図４は、実施形態に係る取引対象データベースに登録される情報の一例を示す図である。図４に示すように、取引対象データベース３２には、「取引対象ＩＤ」および「取引対象情報」といった項目を有する情報が登録されている。また「取引対象情報」には、「カテゴリ」、「画像」、「説明文」などといった情報、すなわち、取引対象情報の各項目が含まれる。なお、取引対象データベース３２には、他にも、取引対象に関連する情報であれば、任意の情報が登録されていてよい。

ここで、「取引対象ＩＤ」とは、取引対象の識別子である。また、「カテゴリ」とは、取引対象が属するカテゴリを示す情報、すなわち、ラベルである。また、「画像」とは、取引対象の画像である。また、「説明文」とは、取引対象の説明文である。

例えば、図４に示す例では、取引対象ＩＤ「ＩＤ＃１」、カテゴリ「カテゴリ＃１＞カテゴリ＃１１＞カテゴリ＃１１１・・・」、画像「画像＃１」、説明文「説明文＃１」といった情報が対応付けて登録されている。このような情報は、取引対象ＩＤ「ＩＤ＃１」が示す取引対象が属するカテゴリがカテゴリ「カテゴリ＃１＞カテゴリ＃１１＞カテゴリ＃１１１・・・」であり、画像が画像「画像＃１」であり、説明文が説明文「説明文＃１」である旨を示す。

なお、図４に示す例では、「ＩＤ＃１」、「カテゴリ＃１＞カテゴリ＃１１＞カテゴリ＃１１１・・・」、「画像＃１」、「説明文＃１」等といった概念的な値を記載したが、実際には、各項目を示すテキストや数値、画像データ等が登録されることとなる。

図２に戻り、説明を続ける。制御部４０は、コントローラ（controller）であり、例えば、ＣＰＵ（Central Processing Unit）、ＭＰＵ（Micro Processing Unit）等のプロセッサによって、決定装置１０内部の記憶装置に記憶されている各種プログラムがＲＡＭ等を作業領域として実行されることにより実現される。また、制御部４０は、コントローラ（controller）であり、例えば、ＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（Field Programmable Gate Array）等の集積回路により実現されてもよい。

図２に示すように、制御部４０は、収集部４１、受付部４２、特定部４３、決定部４４および学習部４５を有する。収集部４１は、正解データとして、取引対象の取引対象情報や取引対象のカテゴリ、すなわち、ラベルを収集する。例えば、収集部４１は、所定の時間間隔で、ＥＣサーバ１００から、登録済みの取引対象の取引対象情報やラベルを収集し、収集した取引対象情報やラベルを取引対象データベース３２に登録する。

受付部４２は、端末装置２００から、新規に登録される取引対象の取引対象情報を受付ける。決定装置１０は、このような新規に登録される取引対象の取引対象情報を受付けた場合は、決定処理を実行することで、取引対象に付与するラベルを決定する。

特定部４３は、取引対象が撮像された画像を用いて取引対象を分類する複数のモデルであって、それぞれ異なる組に取引対象を分類するモデルを用いて、取引対象が属する組を特定する。より具体的には、特定部４３は、学習部４５によって学習されたモデルを用いて、取引対象が属する組を特定する。

例えば、特定部４３は、モデルデータベース３１を参照し、使用するモデルを抽出する。そして、特定部４３は、複数のモデルを段階的に用いて、取引対象が属する複数の組であって、階層関係を有する複数の組を段階的に特定する。より具体的には、特定部４３は、第１のモデルを用いて取引対象が属する第１の組を特定し、第１の組に属する複数の組のうちいずれかの組に取引対象を分類する第２のモデルを用いて、第１の階層に属する複数の組のうち取引対象が属する第２の組を特定する。

例えば、特定部４３は、新規な取引対象（以下、「取引対象＃Ａ」とする。）の取引対象情報が受け付けられた場合は、モデルデータベース３１を参照し、最上位のカテゴリである「カテゴリ＃１」と対応付けられた「モデル＃１」を抽出する。そして、特定部４３は、「モデル＃１」を用いて、取引対象情報から、取引対象＃Ａが属するカテゴリを特定する。

ここで、特定部４３は、「モデル＃１」により、取引対象＃Ａが「カテゴリ＃１１」に属すると判定された場合は、モデルデータベース３１を参照し、「カテゴリ＃１１」と対応付けられた「モデル＃１１」を抽出する。そして、特定部４３は、「モデル＃１１」を用いて、取引対象情報から、取引対象＃Ａが属するカテゴリ、すなわち、「カテゴリ＃１１」の下位カテゴリを特定する。また、特定部４３は、「モデル＃１１」により、取引対象＃Ａが「カテゴリ＃１１２」に属すると判定された場合は、モデルデータベース３１を参照し、「カテゴリ＃１１２」と対応付けられた「モデル＃１１２」を抽出する。そして、特定部４３は、「モデル＃１１２」を用いて、取引対象情報から、取引対象＃Ａが属するカテゴリ、すなわち、「カテゴリ＃１１２」の下位カテゴリを特定する。このような処理を繰り返すことで、特定部４３は、複数のモデルを段階的に用いることで、取引対象＃Ａが属するカテゴリを段階的に特定する。

なお、特定部４３は、取引対象が各組に属する可能性をそれぞれ算出するモデルを用いて、取引対象が各組に属する可能性をそれぞれ算出し、取引対象が各組に属する可能性に基づいて、取引対象が属する組を特定してもよい。このような処理を実行する場合は、特定部４３は、モデルデータベース３１に登録された全てのモデルを用いて、取引対象＃Ａが各カテゴリに属する確率を算出し、算出結果に基づいて、取引対象＃Ａが属するカテゴリを特定すればよい。

決定部４４は、特定された組（すなわち、カテゴリ）に基づいて、取引対象に付与するラベルを決定する。具体的には、決定部４４は、特定された階層構造を有する複数の組に基づいて、階層構造を有するラベルを決定する。例えば、決定部４４は、取引対象が分類された第１の組および第２の組が有する階層構造に基づいて、取引対象に付与するラベルであって、階層構造を有するラベルを決定する。より具体的な例を挙げると、決定部４４は、第１の組と対応する第１のラベルと、第１のラベルの下位に属するラベルのうち、第２の組と対応する第２のラベルとを用いて、階層構造を有するラベルを決定する。

例えば、決定部４４は、取引対象＃Ａが「カテゴリ＃１＞カテゴリ＃１１＞カテゴリ＃１１２」に分類された場合は、「カテゴリ＃１」を示すラベルと、「カテゴリ＃１１」を示すラベルと、「カテゴリ＃１１２」を示すラベルとを用いて、階層構造を有するラベルを生成し、生成したラベルを取引対象＃Ａに付与するラベルとする。そして、決定部４４は、生成したラベルを、取引対象＃Ａを分類するカテゴリを示すラベルとして、端末装置２００に通知し、利用者Ｕ０１に提案する。

学習部４５は、所定の取引対象に付与されたラベルを正例として、所定の取引対象をラベルと対応する組に分類する分類モデルを学習する。例えば、学習部４５は、取引対象データベース３２に登録された取引対象情報を用いて、モデルの学習を行う。

例えば、図５は、実施形態に係る決定装置が実行する学習処理の一例を示す図である。なお、図５に示す例では、図５中（Ａ）に示すように、「カテゴリ＃１１１」に属する取引対象＃１、「カテゴリ＃１１２」に属する取引対象＃２、「カテゴリ＃１２１」に属する取引対象＃３、「カテゴリ＃１２２」に属する取引対象＃４、「カテゴリ＃１２３」に属する取引対象＃５の取引対象情報を用いて、モデルの学習を行う処理の一例について記載した。なお、「カテゴリ＃１１１」および「カテゴリ＃１１２」は、「カテゴリ＃１１」の下位カテゴリであり、「カテゴリ＃１２１」、「カテゴリ＃１２２」、および「カテゴリ＃１２３」は、「カテゴリ＃１２」の下位カテゴリであるものとする。

例えば、学習部４５は、図５中（Ｂ）に示すように、取引対象＃１〜取引対象＃５の取引対象情報と学習データとして、取引対象＃１〜取引対象＃５を、「カテゴリ＃１１」または「カテゴリ＃１２」に分類するように、モデル＃１の学習を行う。より具体的には、学習部４５は、「カテゴリ＃１１」の下位カテゴリである「カテゴリ＃１１１」および「カテゴリ＃１１２」に属する取引対象＃１および取引対象＃２を、「カテゴリ＃１１」に分類し、「カテゴリ＃１２」の下位カテゴリである「カテゴリ＃１２１」、「カテゴリ＃１２２」、および「カテゴリ＃１２３」に属する取引対象＃３〜取引対象＃５を、「カテゴリ＃１２」に分類するように、モデル＃１の学習を行う。

続いて、学習部４５は、図５中（Ｃ）に示すように、「カテゴリ＃１１」に分類された取引対象＃１と取引対象＃２とを、「カテゴリ＃１１１」と「カテゴリ＃１１２」に分類するように、モデル＃１１の学習を行う。より具体的には、学習部４５は、取引対象＃１を「カテゴリ＃１１１」に分類し、取引対象＃２を「カテゴリ＃１１２」に分類するように、モデル＃１１の学習を行う。

また、学習部４５は、図５中（Ｄ）に示すように、「カテゴリ＃１２」に分類された取引対象＃３〜取引対象＃５を、「カテゴリ＃１２１」、「カテゴリ＃１２２」、または「カテゴリ＃１２３」に分類するように、モデル＃１２の学習を行う。より具体的には、学習部４５は、取引対象＃３を「カテゴリ＃１２１」に分類し、取引対象＃４を「カテゴリ＃１２２」に分類し、取引対象＃５を「カテゴリ＃１２３」に分類するように、モデル＃１２の学習を行う。

この結果、学習部４５は、取引対象を、段階的に分類する複数のモデルを学習することができる。そして、学習部４５は、学習したモデルをモデルデータベース３１に登録する。

〔３．決定処理の流れの一例〕
続いて、図６を用いて、決定装置１０が実行する決定処理の流れについて説明する。図６は、実施形態にかかる決定装置が実行する決定処理の流れの一例を示すフローチャートである。例えば、決定装置１０は、新規取引対象の画像と説明文とを含む取引対象情報を取得する（ステップＳ１０１）。このような場合、決定装置１０は、取引対象を分類するカテゴリと同様の階層構造を有する複数のモデルを用いて、新規取引対象の取引対象情報から、取引対象が属するカテゴリを多クラス分類的に特定する（ステップＳ１０２）。そして、決定装置１０は、特定したカテゴリを示すラベルを決定し（ステップＳ１０３）、決定したラベルを利用者Ｕ０１に提供して（ステップＳ１０４）、処理を終了する。

〔４．変形例〕
上記では、決定装置１０による決定処理の一例について説明した。しかしながら、実施形態は、これに限定されるものではない。以下、決定装置１０が実行する決定処理のバリエーションについて説明する。

〔４−１．装置構成〕
決定装置１０は、ＥＣサーバ１００と同一視可能なサーバ装置やクラウドシステム等により実現されてもよく、ＥＣサーバ１００のバックエンドサーバとして動作してもよい。また、決定装置１０が発揮する機能は、ＥＣサーバ１００内に含まれていてもよい。

また、決定装置１０は、複数の装置が協調することにより、上述した決定処理や学習処理を実現してもよい。例えば、決定装置１０は、収集部４１、受付部４２、特定部４３および決定部４４を有する決定サーバと、学習部４５を有する学習サーバにより実現されてもよい。また、記憶部３０に格納された各データベース３１〜３２は、決定装置１０の内部ではなく、例えば、外部のストレージサーバ等に格納されていてもよい。

〔４−２．登録処理〕
決定装置１０は、新規な取引対象の登録を行ってよい。例えば、決定装置１０は、新規取引対象が属するカテゴリを特定した場合は、特定したカテゴリを示すラベルと共に、取引対象情報をＥＣサーバ１００へと送信することで、新規取引対象の登録を行ってもよい。

〔４−３．その他〕
また、上記実施形態において説明した各処理のうち、自動的に行われるものとして説明した処理の全部または一部を手動的に行うこともでき、あるいは、手動的に行われるものとして説明した処理の全部または一部を公知の方法で自動的に行うこともできる。この他、上記文書中や図面中で示した処理手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。例えば、各図に示した各種情報は、図示した情報に限られない。

また、図示した各装置の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、各装置の分散・統合の具体的形態は図示のものに限られず、その全部または一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。

また、上記してきた各実施形態は、処理内容を矛盾させない範囲で適宜組み合わせることが可能である。

〔５．プログラム〕
また、上述してきた実施形態に係る決定装置１０は、例えば図７に示すような構成のコンピュータ１０００によって実現される。図７は、ハードウェア構成の一例を示す図である。コンピュータ１０００は、出力装置１０１０、入力装置１０２０と接続され、演算装置１０３０、一次記憶装置１０４０、二次記憶装置１０５０、出力ＩＦ（Interface）１０６０、入力ＩＦ１０７０、ネットワークＩＦ１０８０がバス１０９０により接続された形態を有する。

演算装置１０３０は、一次記憶装置１０４０や二次記憶装置１０５０に格納されたプログラムや入力装置１０２０から読み出したプログラム等に基づいて動作し、各種の処理を実行する。一次記憶装置１０４０は、ＲＡＭ等、演算装置１０３０が各種の演算に用いるデータを一次的に記憶するメモリ装置である。また、二次記憶装置１０５０は、演算装置１０３０が各種の演算に用いるデータや、各種のデータベースが登録される記憶装置であり、ＲＯＭ(Read Only Memory)、ＨＤＤ、フラッシュメモリ等により実現される。

出力ＩＦ１０６０は、モニタやプリンタといった各種の情報を出力する出力装置１０１０に対し、出力対象となる情報を送信するためのインタフェースであり、例えば、ＵＳＢ（Universal Serial Bus）やＤＶＩ（Digital Visual Interface）、ＨＤＭＩ（登録商標）（High Definition Multimedia Interface）といった規格のコネクタにより実現される。また、入力ＩＦ１０７０は、マウス、キーボード、およびスキャナ等といった各種の入力装置１０２０から情報を受信するためのインタフェースであり、例えば、ＵＳＢ等により実現される。

なお、入力装置１０２０は、例えば、ＣＤ（Compact Disc）、ＤＶＤ（Digital Versatile Disc）、ＰＤ（Phase change rewritable Disk）等の光学記録媒体、ＭＯ（Magneto-Optical disk）等の光磁気記録媒体、テープ媒体、磁気記録媒体、または半導体メモリ等から情報を読み出す装置であってもよい。また、入力装置１０２０は、ＵＳＢメモリ等の外付け記憶媒体であってもよい。

ネットワークＩＦ１０８０は、ネットワークＮを介して他の機器からデータを受信して演算装置１０３０へ送り、また、ネットワークＮを介して演算装置１０３０が生成したデータを他の機器へ送信する。

演算装置１０３０は、出力ＩＦ１０６０や入力ＩＦ１０７０を介して、出力装置１０１０や入力装置１０２０の制御を行う。例えば、演算装置１０３０は、入力装置１０２０や二次記憶装置１０５０からプログラムを一次記憶装置１０４０上にロードし、ロードしたプログラムを実行する。

例えば、コンピュータ１０００が決定装置１０として機能する場合、コンピュータ１０００の演算装置１０３０は、一次記憶装置１０４０上にロードされたプログラムを実行することにより、制御部４０の機能を実現する。

〔６．効果〕
上述したように、決定装置１０は、取引対象に関する情報を用いて取引対象を分類する複数のモデルであって、それぞれ異なる組に取引対象を分類する分類モデルを用いて、取引対象が属する組を特定し、特定された組に基づいて、取引対象に付与するラベルを決定する。このため、決定装置１０は、取引対象に付されるラベルの精度を向上させることができる。

また、決定装置１０は、複数の分類モデルを段階的に用いて、取引対象が属する複数の組であって、階層関係を有する複数の組を段階的に特定する。そして、決定装置１０は、特定された複数の組に基づいて、階層構造を有するラベルを決定する。例えば、決定装置１０は、第１の分類モデルを用いて取引対象が属する第１の組を特定し、第１の組に属する複数の組のうちいずれかの組に取引対象を分類する第２の分類モデルを用いて、第１の階層に属する複数の組のうち取引対象が属する第２の組を特定する。そして、決定装置１０は、第１の組および第２の組が有する階層構造に基づいて、取引対象に付与するラベルであって、階層構造を有するラベルを決定する。例えば、決定装置１０は、第１の組と対応する第１のラベルと、第１のラベルの下位に属するラベルのうち、第２の組と対応する第２のラベルとを用いて、階層構造を有するラベルを決定する。

上述した処理により、決定装置１０は、階層構造を有するカテゴリのうち、取引対象が属するカテゴリを適切に特定し、取引対象が属するカテゴリの階層構造を示すラベルを付与することができる。

また、決定装置１０は、分類モデルとして、取引対象が組に属する可能性をそれぞれ算出する分類モデルを用いて、取引対象が各組に属する可能性をそれぞれ算出し、取引対象が各組に属する可能性に基づいて、取引対象が属する組を特定する。このため、決定装置１０は、取引対象が属するカテゴリを適切に特定することができる。

また、決定装置１０は、所定の取引対象に付与されたラベルを正例として、所定の取引対象をラベルと対応する組に分類する分類モデルを学習する。そして、決定装置１０は、学習された分類モデルを用いて、取引対象が属する組を特定する。このため、決定装置１０は、取引対象の画像から取引対象が属するカテゴリを適切に特定することができる。

また、決定装置１０は、取引対象に関する情報として、取引対象が撮像された画像または取引対象の説明文のすくなくともいずれか１つを用いて、取引対象を分類する複数の分類モデルであって、それぞれ異なる組に取引対象を分類する分類モデルを用いて、取引対象が属する組を特定する。このため、決定装置１０は、取引対象を適切なカテゴリに分類することができる。

以上、本願の実施形態のいくつかを図面に基づいて詳細に説明したが、これらは例示であり、発明の開示の欄に記載の態様を始めとして、当業者の知識に基づいて種々の変形、改良を施した他の形態で本発明を実施することが可能である。

また、上記してきた「部（section、module、unit）」は、「手段」や「回路」などに読み替えることができる。例えば、特定部は、特定手段や特定回路に読み替えることができる。

１０ 決定装置
２０ 通信部
３０ 記憶部
３１ モデルデータベース
３２ 取引対象データベース
４０ 制御部
４１ 収集部
４２ 受付部
４３ 特定部
４４ 決定部
４５ 学習部
１００ ＥＣサーバ
２００ 端末装置

Claims (9)

1. 取引対象に関する情報を用いて当該取引対象を分類する複数の分類モデルであって、それぞれ異なる組に前記取引対象を分類する分類モデルを用いて、前記取引対象が属する組を特定する特定部と、
   前記特定部により特定された組に基づいて、前記取引対象に付与するラベルを決定する決定部と
   を有することを特徴とする決定装置。
2. 前記特定部は、複数の前記分類モデルを段階的に用いて、前記取引対象が属する複数の組であって、階層関係を有する複数の組を段階的に特定し、
   前記決定部は、前記特定部により特定された複数の組に基づいて、階層構造を有するラベルを決定する
   ことを特徴とする請求項１に記載の決定装置。
3. 前記特定部は、第１の分類モデルを用いて前記取引対象が属する第１の組を特定し、当該第１の組に属する複数の組のうちいずれかの組に前記取引対象を分類する第２の分類モデルを用いて、前記第１の組に属する複数の組のうち前記取引対象が属する第２の組を特定し、
   前記決定部は、前記第１の組および前記第２の組が有する階層構造に基づいて、前記取引対象に付与するラベルであって、階層構造を有するラベルを決定する
   ことを特徴とする請求項１または２に記載の決定装置。
4. 前記決定部は、前記第１の組と対応する第１のラベルと、当該第１のラベルの下位に属するラベルのうち、前記第２の組と対応する第２のラベルとを用いて、前記階層構造を有するラベルを決定する
   ことを特徴とする請求項３に記載の決定装置。
5. 前記特定部は、前記分類モデルとして、前記取引対象が前記組に属する可能性をそれぞれ算出する分類モデルを用いて、前記取引対象が各組に属する可能性をそれぞれ算出し、前記取引対象が各組に属する可能性に基づいて、前記取引対象が属する組を特定する
   ことを特徴とする請求項１〜４のうちいずれか１つに記載の決定装置。
6. 所定の取引対象に付与されたラベルを正例として、当該所定の取引対象を当該ラベルと対応する組に分類する前記分類モデルを学習する学習部
   を有し、
   前記特定部は、前記学習部によって学習された分類モデルを用いて、前記取引対象が属する組を特定する
   ことを特徴とする請求項１〜５のうちいずれか１つに記載の決定装置。
7. 前記特定部は、前記取引対象に関する情報として、当該取引対象が撮像された画像または当該取引対象の説明文の少なくともいずれか１つを用いて当該取引対象を分類する複数の分類モデルであって、それぞれ異なる組に前記取引対象を分類する分類モデルを用いて、前記取引対象が属する組を特定する
   ことを特徴とする請求項１〜６のうちいずれか１つに記載の決定装置。
8. 決定装置が実行する決定方法であって、
   取引対象に関する情報を用いて当該取引対象を分類する分類モデルであって、それぞれ異なる組に前記取引対象を分類する複数の分類モデルを用いて、前記取引対象が属する複数の組を特定する特定工程と、
   前記特定工程により特定された複数の組に基づいて、前記取引対象に付与するラベルを決定する決定工程と
   を含むことを特徴とする決定方法。
9. コンピュータに、
   取引対象に関する情報を用いて当該取引対象を分類する分類モデルであって、それぞれ異なる組に前記取引対象を分類する複数の分類モデルを用いて、前記取引対象が属する複数の組を特定する特定手順と、
   前記特定手順により特定された複数の組に基づいて、前記取引対象に付与するラベルを決定する決定手順と
   を実行させるための決定プログラム。

Images