JP2019164761A - ラベル付きトレーニングデータの品質向上 - Google Patents

Abstract

【課題】１つ以上のクラウドソーシングプラットフォームから得られるラベル付きトレーニングデータの品質を向上させる。【解決手段】アイテムにラベル付けをするためのプロセスであって、クラウドソーシングシステムに参加しているワーカにラベル付けタスクを発行する。ラベル付けタスクは、アイテムの説明と、分類におけるクラスラベルとに少なくとも部分的に基づいて、階層的分類タクソノミにおけるクラスラベルのうちの１つ以上を含む、推論された分類を評価することを含む。クラウドソーシングシステムから評価決定を受け付ける。評価決定に基づいて分類を検証し、検証結果を得る。検証は、受け付けられた評価決定の集合に対して少なくとも１つの合意基準を適用することを含む。検証結果に基づき、分類におけるクラスラベルのうちの１つ以上に対応するデータを各宛先に送る。【選択図】図３

Description

階層的分類は、入力されたデータを、出力されるクラスの分類学的階層（taxonomic hierarchy）へとマッピングすることを伴う。多くの階層的分類手法が提案されている。例として、一対一（one-against-one）方式及び一対全（one-against-all）方式等の「フラット」な手法がある。これらの手法は、階層構造を無視する代わりに、階層的分類を、全ての非根ノードについて二項分類器の学習を伴う多クラス分類問題として扱うものである。別の手法は「ローカル」な分類手法であり、この手法は、階層内の各ノード、各親ノード、又は各レベルにおいて多クラス分類器をローカルにトレーニングすることを伴う。第４の一般的な手法は「グローバル」な分類手法であり、この手法は、クラス階層全体を同時に考慮することにより、各アイテムが階層内の１つ以上のクラスに割り当てられるように、グローバル分類器をトレーニングすることを伴う。

多くの自動化された分類手法は、特定の分類タスクを実行するためにトレーニングされた機械学習ベースの分類器に頼るものである。他方、このような分類器の精度は、信頼性のある分類モデルをトレーニングするための十分なラベル付きデータを有することに依存する。高品質で安定したトレーニングデータ（推論される真実）を収集する能力は、多くの教師ありアルゴリズムを強化するのに不可欠である。これらのアルゴリズムは、多くの場合、検索エンジンのランキング、画像認識、ニュースのカテゴリ分類等の現代のビジネスソリューションのための基礎である。

手作業により注釈が付けられたトレーニングデータが、多くの機械学習研究の基礎となっている。近年、退屈で労働集約的なラベル付けのタスクをクラウドソーシングプラットフォームのワーカへ外注する権限を研究者に与えて、トレーニングデータを生成するクラウドソーシングが一般的な方法となっている。クラウドソーシングプラットフォームは、コスト管理及び拡張性を向上させるための大規模で安価な労働力を提供する。しかし、クラウドソーシングプラットフォームのワーカによってもたらされる仕事の品質が安定しないことが、クラウドソーシング採用者にとっての大きな懸念である。

最近の研究により、最良の真実推論アルゴリズムはドメインごとに極めて特有のものであり、大部分のシナリオにおいて、１つのアルゴリズムだけが他のアルゴリズムよりも性能が優れているわけではないことがわかっている。ときとして、期待値最大化アルゴリズム等の直観的手法が現実的な解決策である可能性がある。文献においては、研究の進歩は、タスクの困難度、ワーカのバイアス、ワーカの分散を扱うことに焦点を当てている。具体的には、タスクの困難度は、注釈付き回答が要求される質問の曖昧度を表すのに対し、ワーカのバイアス及びワーカの分散は、全てのタスクの困難度が等しいと仮定して、ワーカが誤った回答をする可能性を判断するために、ワーカの資質をモデル化する。

研究によりクラウドソーシングによるラベル付けタスクの課題が明らかになってきているものの、費用対効果及び拡張性の面から、クラウドソーシングがトレーニングデータを生成するための魅力的な手法となることは否定できない。

本明細書にて、１つ以上の機械学習ベースの分類器及び１つ以上のクラウドソーシングプラットフォームを用いて、分類学的階層に従ってアイテムを分類することができる１つ以上のコンピュータプログラムを実行する１つ以上のコンピュータによって実現されるシステムを説明する。

本明細書において説明する主題の実施形態は、アイテムにラベル付けをする方法、システム、装置及び１つ以上のコンピュータプログラムにより符号化された有形で非一時的なキャリア媒体を含む。

特定の実施形態によれば、アイテムの説明を含むアイテム記録が受け付けられる。そのアイテムについて、１つ以上の機械学習ベースの分類器に基づき、階層的分類タクソノミ（hierarchical classification taxonomy）における分類が推論される。階層的分類タクソノミは、各クラスラベルに関連付けられるノードの連続したレベルを含み、分類は、階層的分類タクソノミにおけるクラスラベルのうちの１つ以上のクラスラベルの順序付きシーケンスを含む。ラベル付けのタスクが、通信ネットワークを通して、クラウドソーシングシステムに参加している複数のワーカに発行される。ラベル付けタスクは、アイテムの説明と、分類における１つ以上のクラスラベルとに少なくとも部分的に基づいて、分類を評価することを含む。クラウドソーシングシステムから評価決定が受け付けられる。分類が検証されて検証結果が得られ、この検証は、受け付けられた評価決定の集合に対して少なくとも１つの合意基準を適用することを含む。検証結果に基づき、分類における１つ以上のクラスラベルに対応するデータが、通信ネットワークを通して各宛先に送られる。

本明細書において説明される主題の特定の実施形態は、プロセッサによって実行される実行可能命令を記憶するメモリ部を備える、コンピュータにより読出し可能なデータ記憶装置を含む。特定の実施形態によれば、メモリ部は、アイテムについて、１つ以上の機械学習ベースの分類器に基づき、各クラスラベルに関連付けられるノードの連続したレベルを含む階層的分類タクソノミにおける分類を推論するための実行可能命令を含み、分類は、階層的分類タクソノミにおけるクラスラベルのうちの１つ以上のクラスラベルの順序付きシーケンスを含む。メモリ部は更に、通信ネットワークを通して、クラウドソーシングシステムに参加している複数のワーカにラベル付けタスクを発行するための実行可能命令を含み、ラベル付けタスクは、アイテムの説明と、分類における１つ以上のクラスラベルとに少なくとも部分的に基づいて、分類を評価することを含む。メモリ部は更に、ラベル付けタスクに関する評価決定をクラウドソーシングシステムから受け付けるための実行可能命令を含む。メモリ部は更に、分類を検証して検証結果を得るための実行可能命令を含み、検証のための実行可能命令は、受け付けられた評価決定の集合に対して少なくとも１つの合意基準を適用するための実行可能命令を含む。メモリ部は、検証結果に基づき、通信ネットワークを通して、分類における１つ以上のクラスラベルに対応するデータを各宛先に送るための実行可能命令を更に含む。

特定の実施形態に基づくシステムは、通信インタフェースとプロセッサとを備える。通信インタフェースは、通信ネットワークを通して、クラウドソーシングシステムに参加している複数のワーカにラベル付けタスクを発行するものであり、ラベル付けタスクは、アイテムの説明と、分類における１つ以上のクラスラベルとに少なくとも部分的に基づいて、階層的分類タクソノミの連続したレベルにおける１つ以上のクラスラベルの順序付きシーケンスを含む、推論された分類を評価することを含む。クラウドソーシングシステムから各評価決定が受け付けられる。プロセッサは、分類を検証して検証結果を取得し、この検証は、受け付けられた評価決定の集合に対して少なくとも１つの合意基準を適用することと、検証結果に基づき、通信ネットワークを通して、分類における１つ以上のクラスラベルに対応するデータを各宛先に送ることとを含む。

本明細書において説明される主題の他の特徴、態様、目的及び利点は、説明、図面及び特許請求の範囲から明らかになるであろう。

木に対応する、ノードの例示的な分類学的階層の説明図である。 統合されたデータラベル付けシステムの一例を示すブロック図である。 アイテムにラベル付けを行うための例示的なプロセスのフロー図である。 図１に示すノードの例示的な分類学的階層におけるノードの例示的な有向パスの説明図である。 図４Ａに示す例示的な分類パス内のノードに対応する出力クラスのシーケンスへとマッピングされる、アイテム説明に対応する入力のシーケンス図である。 ノードの例示的な分類学的階層の説明図である。 例示的なコンピュータ装置のブロック図である。

以下の説明では、同様の要素を示す際に同様の符号を用いる。さらに、図面は、例示的な実施形態の主な特徴を模式的に示すためのものである。図面は、実際の実施形態のあらゆる特徴を示すことを目的としたものではなく、描かれている要素の相対的な寸法を表すためのものでもなく、一定の縮尺で描かれているわけでもない。

本明細書では、１つ以上のクラウドソーシングプラットフォームから得られるラベル付きトレーニングデータの品質を向上させるための効率的なエンドツーエンドのマルチレベルハイブリッド解決策の例を説明する。これらの例は、ラベル付きトレーニングデータに基づいて、アイテムを階層的分類タクソノミに分類するためにトレーニングされる機械学習ベースの階層的分類システムとの関係で説明する。

図１に例示的な分類学的階層１０を示す。この分類学的階層１０は、１つの根ノード１２と複数の非根ノードとを有する木構造として構成される。各非根ノードは、別の単一のノードからの有向エッジにより接続される。末端の非根ノードは葉ノード（又は葉）と呼ばれ、その他の非根ノードは内部ノードと呼ばれる。木構造は、根ノード１２からの非根ノードの深さに応じてレベル１４、１６、１８及び２０に編成され、同じ深さにあるノードは分類学的階層において同じレベルにある。各非根ノードは、分類学的階層内の各クラスを表す。他の例では、分類学的階層は、有向非巡回グラフとして構成することができる。一般に、分類学的階層１０を用いて、数多くの異なるタイプのデータアイテムを異なる分類学的クラスに分類することができる。

いくつかの例において、各データアイテムは、分類学的階層１０内の１つ以上のレベルを通るそれぞれのパスに沿って分類される。これらの例のうちのいくつかにおいて、１以上の上位レベルの広いクラスから、０個又は１つ以上の徐々に狭くなるクラスを経て、葉ノードレベルのクラスへと至るまでの階層内の各レベルにつき１つのノードを含むパスに沿って、アイテムが分類される。他の例では、分類学的階層１０を通る複数のパスに沿って、アイテムが分類される。いくつかの例において、分類学的階層１０内の異なるレベルを横切るノードからなる部分的なパス又はセグメントに沿って、アイテムが分類される。これらの例のうちのいくつかにおいて、パス情報により分類の性能が向上する。

他の例において、それぞれの分類器（例えば、単語埋込み及びテキスト分類を学習するためのニューラルネットワークベースの分類器等の機械学習分類器）により、分類学的階層１０内の各レベルにおいて、他のレベルから独立して、データアイテムが分類される。これらの例のうちのいくつかにおいて、各機械学習モデルは、分類学的階層１０内のそれぞれのレベルに関連するそれぞれのトレーニングデータ（例えば、アイテム説明データ）の組に関してトレーニングされる。

本システムは、クラウドソーシングワーカ及びドメインエキスパート双方の強みを動的に、かつ高いコスト効率で活用する品質管理方式により、高品質のラベル付きトレーニングデータが得られるように設計される。このようにして、機械学習モデルは、クラウドソースによるラベルとエキスパートによるラベルとの組み合わせに関してトレーニングされる。

第１の運用段階では、バイアス及び分散が大きい可能性がある回答を受ける可能性が低くなるように設計された方法により、クラウドソーシングのワーカから、コスト効果の高い真実推論が収集される。いくつかの例において、解決手段の実施形態は、分類学的階層内の単一のノード（例えば、あるアイテムタイプに対応する葉ノード）に対してアイテム説明を評価するようクラウドソーシングワーカに要求するのではなく、分類学的階層内の連続したレベルを通る完全又は部分的な分類パスを評価するようワーカに要求する。この手法は、アイテム説明（及び潜在的には、そのアイテムに関連付けられる他のデータ）を評価するための分類コンテキストを増やし、それにより、クラウドソーシングコストを上げずに、高品質で安定したトレーニングデータを受ける可能性を高めるものである。

第２の運用段階では、特定のタスクに関するワーカからの回答の集合において合意が得られない場合に、当該タスクは１人以上の熟練したドメインエキスパートに渡される。このドメインエキスパートは、当人が受けるトレーニング及び報奨金により、ワーカのバイアス及びワーカの分散が小さいラベル付けタスクを行うことが期待される。熟練したエキスパートは、分類学的階層内のアイテム分類と、任意の所与の製品アイテムに最も適したアイテムカテゴリラベルを割り当てるための指針とを熟知している。いくつかの例において、ドメインエキスパートは、曖昧な事例を回避するために、高難度のタスクを「解決不可能」と明示するように指示されている。

いくつかの例において、手作業で注釈を付けられた高品質のトレーニングデータを提供するために、自動化された統合データラベル付けエンジン（integrated data labeling engine, ＩＤＬＥ）によって、十分に熟練したドメインエキスパートとクラウドソーシングワーカとの間の協調が促進される。ＩＤＬＥフレームワークは、ラベル付きデータを（クラウドソーシングによって）フィルタリングするプロセスと、フィルタ処理されたデータに（インハウスのドメインエキスパートによって）ラベル付替えを行うプロセスとを自動化することによって、高品質のトレーニングデータを生成するためのワークフローを効率化する。また、ＩＤＬＥフレームワークは、ＩＤＬＥシステムによって生成される分類結果の品質を評価するためだけでなく、トレーニングデータ生成タスクを管理するための統合環境も提供する。

図２に、ＩＤＬＥシステムアーキテクチャ３０の一例を示す。データラベル付けフレームワーク内に以下の４つの主要な構成要素がある。
（１）ドメインエキスパート３４及び１つ以上のクラウドソーシングプラットフォーム３６に対し、アダプタ３８を通してタスクを割り当て、ワーカ資質評価４０及び回答集約４２をも行うマルチレベルワーカプラットフォーム３２
（２）ジョブ依頼者が種々のサンプリング方式の中から選択できるようにする、統合ユーザインタフェースを備えるサンプリング方式インタフェース４４
（３）ジョブ依頼者が種々のタイプのジョブ（例えば、フィルタジョブ４８、ラベル付替えジョブ５０及び監査ジョブ５２）をローンチできるようにするジョブ処理インタフェース４６
（４）クラウドソーシングからの集約結果及び機械学習モデル５６の向上を表示するデータレポータダッシュボード５４

マルチレベルワーカプラットフォーム３２は、ジョブ依頼者が１つ以上のアダプタを通してＭＴｕｒｋ及びＣｒｏｗｄｆｌｏｗｅｒ等の種々のクラウドソーシングプラットフォームにジョブを提示できるようにする統合インタフェースを有する。さらに、ジョブ依頼者は、難しいラベル付けジョブをドメインエキスパートに割り当てることができ、ドメインエキスパートは、自らのＩＤＬＥシステムアカウントにサインインして、データにラベル付けをする。また、マルチレベルワーカプラットフォーム３２は、ワーカ除外及び回答集約等の、種々のクラウドソーシングプラットフォーム３６にわたって共通の機能に関する、統一された機能インタフェースを含む。

１つ以上のアダプタ３８は、（１）ジョブのローンチ、（２）ジョブの停止、及び（３）結果取得のために、サポートされるクラウドソーシングプラットフォームのアプリケーションプログラミングインタフェース（例えば、ＭＴｕｒｋ ＡＰＩ）にジョブ依頼者が接続できるようにする各インタフェースを提供する。アダプタは、ユーザ体験又はＩＤＬＥシステム３０の他の部分に大幅な変更を加えることなく、複数のクラウドソーシングプラットフォームを容易に統合できるようにする。

複数のクラウドソーシングワーカから返される回答は必ずしも一致しているとは限らず、ワーカ資質は様々である（例えば、ＭＴｕｒｋにおけるマスターワーカと非マスターワーカ）。これらの課題に対処するために、回答集約部４２は、特定のタスクに対してワーカから受けた応答を集約し、返された回答からグラウンドトゥルースを推論する能力を向上させる。いくつかの例において、以下のアルゴリズム、すなわち、多数決、重み付き多数決及びベイズ投票のうちの１つ以上を用いて、タスク応答を集約し、合意を評価する。さらに、ＩＤＬＥシステム３０の開発者が、カスタマイズされた回答集約アルゴリズムを容易に実施できるようにするために、回答集約インタフェースが設けられる。いくつかの例において、ジョブ依頼者は、最終回答を決定するために、［＃ａｎｓｗｅｒ，＃ｙｅｓ］形式の合意規則を定めることができる。いくつかの例において、規則テンプレートは、総＃ａｎｓｗｅｒ回答数における＃ｙｅｓ／＃ａｎｓｗｅｒの合意レベルに関して合意基準を定める。合意規則のシーケンスを通して、より複雑な回答集約方式を表すことができる。例えば、合意基準規則［３，３］と後続の規則［４，３］とによって、まず３つの回答の中での完全合意（［３，３］）を探すよう本システムに指示し、回答が最初の合意基準を満たさない質問については、第２の［４，３］合意基準に基づいて本システムは別の回答（＃ａｎｓｗｅｒ＝３＋１）を求める。いくつかの例において、クラウドソーシングジョブについて受け付けられたワーカの評価決定に、３つ以上の連続した合意基準が適用される。

ワーカ資質評価部４０は、ワーカ資質を評価する。ワーカの資質は、クラウドソーシングプラットフォームにおいて非常に多様である。この資質が事前にはわからないという事実により、ワーカの資質を評価することが更に重要になる。例となるＩＤＬＥシステム３０は、ワーカの資質を推定するために、グラウンドトゥルース回答を有する集められた質問群（「ゴールデンタスク（golden task）」と呼ばれる）から質問をランダムに選択する。種々の異なる方式を用いて、ワーカ資質を評価することができる。いくつかの例において、ＩＤＬＥシステム３０は、ジョブを実行する前にまずゴールデンタスクに合格するようワーカに要求する認定試験を実行する。いくつかの例において、ＩＤＬＥシステム３０は、ゴールデンタスクを正規ジョブの質問と混在させる隠れ試験（hidden test）を実行し、ジョブが完了した後にゴールデンタスクに基づいて、ワーカの資質を評価する。いくつかの例において、ジョブ依頼者は、ワーカの資質を推定するために、一方又は両方の方式を使用することができる。

サンプリング方式インタフェース４４は、ジョブ依頼者が、種々の統計的サンプリング方式の中から選択できるようにする。ＩＤＬＥシステム３０は、要求されたサンプリング方式を開発者が実現できるようにする汎用インタフェースを含む。その目的は、ジョブ依頼者が多様なデータセットからサンプリングデータを取得することである。いくつかの例において、ＩＤＬＥシステム３０は、データクラスタリング及びその後の層化されたサンプリングと、トピックモデリング及びその後の層化されたサンプリングとを含む、いくつかの階層的なサンプリング方式を含む。

ジョブ処理インタフェース４６は、ジョブ依頼者が、種々のタイプのジョブ（例えば、フィルタジョブ４８、ラベル付替えジョブ５０及び監査ジョブ５２）をローンチできるようにする。

フィルタジョブ４８においては、あらかじめラベルが付けられたデータから小さいデータセットがサンプリングされ、１つ以上のクラウドソーシングプラットフォームに送られてそれらのラベルが確認される。いくつかの例において、フィルタジョブ質問は、イエス／ノー質問（例えば、「与えられたラベルがこのデータと一致するか？」）又は多肢選択質問（例えば、「以下のラベルのうちのどれがこのデータと最も一致するか？」）のいずれかとして提示される。また、フィルタジョブは、資質が低いワーカを特定し、そのジョブに参加させないようにするために、１つ以上のゴールデンタスク質問を含むこともできる。ワーカが自分の回答を提出した後に、それらの結果は回答集約部４２により収集され、回答集約部において、それらの結果が所定の手法に従って集約され、集約された結果が、上記のように１つ以上の合意基準に従って評価される。高い信頼水準に関連付けられる結果は、機械学習モデル５６のための新たなトレーニングデータとして使用される。（フィルタリングにより除外された）残りのデータは、不正ラベル付きデータ（mislabeled data）として扱われ、上記のように、ドメインエキスパートによって処理されるラベル付替えジョブのための入力データとなる。クラウドソーシングワーカにとって自明なデータは直ちに通過することができ、ラベル付けをするのが難しいデータはフィルタリングにより除外されることが期待され、それゆえ、「フィルタ」ジョブと呼ばれる。ドメインエキスパートのコストはクラウドソーシングワーカよりはるかに高く、そのため、最初にクラウドソーシングによる労働力に大量の自明の質問に関するフィルタジョブを実行させ、その後、少数の難しいラベル付替えジョブをドメインエキスパートに委ねる方が、コスト効率が良い。

データがフィルタジョブ部４８を通過した後に、ＩＤＬＥシステム３０は、フィルタリングにより除外された不正ラベル付きデータを自動的に収集し、その不正ラベル付きデータを、ドメインエキスパートがラベル付替えのために入手できるようにする。上述のように、ドメインエキスパートは、不正ラベル付きデータに正しいラベルを割り当てることに熟練している。したがって、ドメインエキスパートによってラベルが付け替えられるデータは、機械学習モデル５６のためのトレーニングデータとする前に、品質管理又は真実推論の措置が必要ない。それでも、ドメインエキスパートでさえもラベル付けができないデータが存在する場合があり、これらのデータは拒否されたデータと見なされ、更なる解析のために記録される。

いくつかの例において、フィルタジョブ及びラベル付替えジョブが完了した後に、サンプリングされた全てのデータが、機械学習モデルのための新たなトレーニングデータとして、又は解析のための拒否データとして特定される。新たなトレーニングデータを用いて分類エンジンにおいて機械学習モデル５６を再トレーニングした後に、そのモデルは、新たなトレーニングデータを処理し、製品カテゴリラベルを更新する。いくつかの例において、再トレーニングされた機械学習モデルの精度を評価するために、監査ジョブ５２が実行される。フィルタジョブと同様に、正確にラベル付けがされたデータを識別するために、小さいデータセットがサンプリングされ、１つ以上のクラウドソーシングプラットフォーム３６に送られる。高い信頼水準を有するデータを識別し、不正ラベル付きデータを単に破棄しながらモデル精度を計算するために、クラウドソーシングによる回答に回答集約部４２が適用される。

クラウドソーシングの有効性を最大限にし、コストを最小限にするために、ＩＤＬＥシステム３０はデータレポータ５４を備える。このデータレポータは、管理者及び解析者がクラウドソーシングの有効性及び機械学習アルゴリズムの性能を評価するためのデータ視覚化ダッシュボードを有する。例えば、データレポータ５４は、解析者が、ラベル付替えジョブによって取り扱う必要のあるフィルタジョブ質問の比率を決定できるようにする。いくつかの例において、データレポータ５４は、クラウドソーシング報告及び機械学習モデル報告を含む。

クラウドソーシング報告は、クラウドソーシングの有効性及び効率の評価を提供する。クラウドソーシング報告は、回答分布及び処理時間等の洞察が与えられるように設計される。クラウドソーシング報告には、クラウドソーシングジョブの統計値及び結果が含まれる。フィルタジョブ及び監査ジョブの場合、統計値は、イエス、ノーの比、及びジョブ完了時間を含む。ラベル付替えジョブの場合、報告は、ラベル付替え率とジョブ完了時間との比を示す。ジョブごとにクラウドソーシングの全体的性能を推定するために、ダッシュボードは、全処理時間に加えて、不正ラベル付きデータと高い信頼水準を有するデータとの比も示す。

機械学習報告は、機械学習モデルに関する改善率を追跡する。したがって、機械学習報告は、モデルのための精度の履歴だけではなく、クラウドソーシングを通して処理されるデータの比率をも示す。

図３は、分類学的クラスラベルを用いてアイテムにラベル付けをするためにＩＤＬＥシステム３０によって実行される例示的なプロセス６０のフロー図である。アイテムは、分類学的クラスラベルを用いてラベル付けをすることができる任意のタイプのものとすることができる。いくつかの例において、アイテムは製品に対応する。

このプロセスによれば、図２に示したＩＤＬＥシステム３０内のトレーニングデータのデータベース部６２が、アイテムの説明を含むアイテム記録を受け付ける（図３、ブロック６４）。このアイテム記録は、ジョブ処理部４６又は他の何らかの供給源から受け取ることができる。いくつかの例において、アイテム記録は複数の、属性と値とのペアを含む。アイテム記録属性（データフィールドタイプとも呼ばれる）の例は、業者名、業者ウェブアドレス、アイテム説明、アイテム名、アイテム量、アイテム価格、アイテム画像、及び業者ウェブサイト上のアイテム画像へのハイパーリンクのうちの１つ以上を含む。

１つ以上の機械学習ベースの分類器に基づいて、ＩＤＬＥシステム３０の機械学習部５６は、当該アイテムに関して、それぞれのクラスラベルに関連付けられるノードの連続したレベルを含む階層的分類タクソノミにおける分類パスを推論し、ここで、この分類は、階層的分類タクソノミ内のクラスラベルのうちの１つ以上のクラスラベルの順序付きシーケンスを含む（図３、ブロック６４）。いくつかの例において、機械学習部５６が、アイテム説明と、潜在的にアイテム記録に含まれる１つ以上の他の属性値とから、分類を推論する。

図４Ａに、分類学的階層１０の木構造内の非根ノードの、例示的な構造化された分類パス７０を示す。ノードの構造化された分類パス７０は、ノード１とノード１．２とノード１．２．２とノード１．２．２．２との順序付きシーケンスからなる。この例において、各非根ノードは、分類学的階層１０内の異なるそれぞれのレベルに対応する。

図４Ｂに示すように、いくつかの例において、機械学習部５６は、階層的分類タクソノミの根からレベルごとに葉レベルに至るまで、１つ以上のアイテム記録値７２（例えば、製品説明）に関する階層的分類（例えば、単純ベイズの機械学習モデルを使用する）を行って、構造化された階層的分類パス７０内のノードのシーケンスを推論することに対応する出力｛Ｙ１，Ｙ２，．．．，Ｙ４｝のシーケンス７４を生成する。この例において、入力のシーケンス７２は、製品の説明（すなわち、「女性用デニムシャツライトデニムＬ」）に対応し、分類学的階層１０は、階層的な製品分類体系を定める。図示の例では、階層的分類体系３０は、入力された（複数の）アイテム記録値を、出力されるノードのクラスラベルの有向階層シーケンス（「衣類及びアクセサリ」、「衣類」、「トップス及びＴシャツ」、及び「女性用」）へと変換する。他の例では、機械学習部５６は、葉ノードカテゴリを予測し、分類学的階層１０に基づいて、構造化された分類パス７０を推論する。

階層的分類構造を通る単一の個別の分類パスをアイテム記録ごとに推論することに加えて、例となる機械学習部５６は、アイテムに関連付けられる１つ以上の記録値７２（例えば、製品説明）に基づいて、アイテムを階層的分類構造における複数のパスに分類するようにトレーニングすることもできる（すなわち、マルチラベル分類）。例えば、図５に、分類学的階層構造７５内の異なるクラスに対応する２つのノード７７、７９及び２つの異なるパスにアイテムがマッピングされる例を示す。上述の手法に類似の手法を用いて、機械学習部５６をトレーニングし、入力に関連付けられる全てのクラスラベルを取り込む出力分類を生成することができる。

図２に戻ると、図示の例において、当該アイテムに関して階層的分類タクソノミ内の分類を推論した後に（図３、ブロック６４）、機械学習部５６はデータ記録をロードする。このデータ記録は、推論された分類と、アイテム記録値７２のうちの１つ以上とを、あらかじめラベル付けがされたデータとしてデータベース８０内に含む。いくつかの例において、ジョブ依頼者が、サンプリング方式インタフェース４４を用いて、フィルタジョブを生成する。このプロセスにおいて、ジョブ依頼者は、フィルタジョブに関するサンプリング方式及びサンプル数を選択する。また、ジョブ依頼者は、クラウドソーシングタスクのパラメータ、例えば、業務当たりの報酬、及びＨＩＴ（ヒューマンインテリジェンスタスク）当たりの業務数も設定する。いくつかの例において、ジョブ依頼者は、クラウドソーシングワーカへの分類の提示を調整することができる。例えば、ジョブ依頼者は、分類タクソノミの上位部分、下位部分又は中間部分内の１つ以上のノード等の、推論された分類内のレベルの一部のみを提示することを選ぶ場合がある。他の例では、ジョブ依頼者は、分類の修正版を提示することに決める場合があり、そのバージョンでは、ワーカに提示される分類内で、複数のノードが組み合わされて単一のノードとされる（例えば、連続したノードを組み合わせて単一のノードとすることによる）。ワーカの資質を推定するために、本システムは、ジョブ内にゴールデンタスク（例えば、品質管理質問）を自動的に含むように構成することもできる。いくつかの例において、ジョブ生成前に、クラウドソーシングジョブの設定が再検討され、確認される。

図３に戻ると、クラウドソーシングジョブが確認された後に、ＩＤＬＥシステム３０のジョブ処理部４６は、通信ネットワークを通して、クラウドソーシングシステムに参加している複数のワーカにラベル付けタスクを発行し、ここで、ラベル付けタスクは、アイテムの説明と、提示される分類パス内のクラスラベルとに少なくとも部分的に基づいて、提示される分類を評価することを含む（図３、ブロック８２）。いくつかの例において、ラベル付けタスクは、アイテムの説明と、分類内のクラスラベルの順序付きシーケンスとに少なくとも部分的に基づいて、分類を確認することを伴う。これらの例のうちのいくつかにおいて、分類の確認は、アイテムの説明を含むオンライン検索クエリの結果に更に基づく。いくつかの例において、アイテム記録は、当該アイテムに関連付けられる業者を含み、分類パスの確認は業者に更に基づく。いくつかの例において、アイテム記録は、当該アイテムに関連付けられる価格を含み、提示される分類パスの確認は価格に更に基づく。

いくつかの例において、ＩＤＬＥシステム３０は、ワーカのそれぞれのコンピューティングデバイス上にラベル付けタスクを提示し、ラベル付けタスクに対するワーカの応答（例えば、妥当であるとの応答又は妥当ではないとの応答）を受け付けるためのインタフェース仕様を発行する。

１つ以上のクラウドソーシングプラットフォーム３６にジョブを発行した後に、ＩＤＬＥシステム３０のジョブ処理部４６は、１つ以上のクラウドソーシングシステムから評価決定を受け付ける（図３、ブロック８４）。受け付けられる評価決定のタイプは、クラウドソーシングシステムに提示されるラベル付けタスクによって決まる。いくつかの例において、フィルタジョブは、イエス／ノー質問（例えば、「与えられたラベルがこのデータと一致するか？」）として提示される質問に回答するラベル付けタスクを含む。いくつかの例において、フィルタジョブが、多肢選択質問（例えば、「以下のラベルのうちのどれがこのデータと最も一致するか？」）として提示される質問に回答するラベル付けタスクを含む。いくつかの例において、フィルタジョブは、アイテムに対する代替分類を与えるラベル付けタスクを含む。

クラウドソーシングジョブに関する評価決定を受け付けた後に、ジョブ処理部４６は、分類を検証して検証結果を取得し、ここで、検証は、受け付けられた評価決定の集合に対して少なくとも１つの合意基準を適用することを含む（図３、ブロック８６）。いくつかの例において、ＩＤＬＥシステム３０のジョブ処理部４６は、クラウドソーシングワーカから評価決定を受け付けると、回答集約を自動的に実行する。上記の合意手法のいずれかを含む、多種多様の異なる回答集約アルゴリズムを用いて、検証結果が得られる。

いくつかの例において、検証結果は、以下の分類、すなわち、妥当な分類と、妥当ではない分類と、不確定な分類とのうちの１つとすることができる。いくつかの例において、検証は、最初の合意基準が満たされない場合に、クラウドソーシングシステムに参加している少なくとも１人の別のワーカにラベル付けタスクを発行することと、当該少なくとも１人の別のワーカから各評価決定を受け付けることとを含む。これらの例において、少なくとも１人の別のワーカから受けた評価決定を含む、受け付けられた評価決定の集合に対して第２の合意基準が適用される。上述のように、いくつかの例においては、クラウドソーシングジョブに関して受け付けられたワーカの評価決定に対して３つ以上の連続した合意基準が適用される。

分類の検証後、ＩＤＬＥシステム３０のジョブ処理部４６は、検証結果に基づいて、通信ネットワークを通して、分類内の１つ以上のクラスラベルに対応するデータを各宛先に送る（図３、ブロック８８）。いくつかの例では、分類パスが妥当な場合に、分類パス内のクラスラベルのうちの１つ以上が、機械学習ベースの分類器のうちの１つ以上のためのトレーニングデータとして指定され、トレーニングデータのデータベースへ送られる。いくつかの例においては、分類パスが妥当ではない場合に、ラベル付けタスクは、通信ネットワークを通して、ラベル付けに関する少なくとも１人のドメインエキスパートへ送られる。少なくとも１人のドメインエキスパートから、分類パス内のクラスラベルのうちの１つ以上のクラスラベルのラベル付替え済みバージョンを受け付けられた後に、分類パス内の１つ以上のクラスラベルのラベル付替え済みバージョンは、機械学習ベースの分類器のうちの１つ以上のためのトレーニングデータとして指定され、トレーニングデータのデータベースに送られる。

図６に、本明細書において説明される階層的アイテム分類システムのうちの１つ以上を実現するように構成されるコンピュータ装置の例示的な実施形態を示す。コンピュータ装置３２０は、処理ユニット３２２と、システムメモリ３２４と、処理ユニット３２２をコンピュータ装置３２０内の様々な構成要素に接続するシステムバス３２６とを備える。処理ユニット３２２は、１つ以上のデータプロセッサを含むことができ、それらのデータプロセッサのそれぞれは、様々な市販のコンピュータプロセッサのうちの任意の１つの形態とすることができる。システムメモリ３２４は、通常、ソフトウェアアプリケーションに利用可能なアドレスを定めるソフトウェアアプリケーションアドレス指定空間に関連付けられた１つ以上の、コンピュータにより読出し可能な媒体を含む。システムメモリ３２４は、コンピュータ装置３２０の起動ルーチンを含む基本入出力システム（ＢＩＯＳ）を記憶する読み出し専用メモリ（ＲＯＭ）と、ランダムアクセスメモリ（ＲＡＭ）とを備えることができる。システムバス３２６は、メモリバス、周辺バス又はローカルバスとすることができ、ＰＣＩ、ＶＥＳＡ、Ｍｉｃｒｏｃｈａｎｎｅｌ（マイクロチャネル）、ＩＳＡ、及びＥＩＳＡを含む様々なバスプロトコルのうちの任意のものと互換性を有することができる。コンピュータ装置３２０は、永続的記憶メモリ３２８（例えば、ハードドライブ、フロッピードライブ、ＣＤ ＲＯＭドライブ、磁気テープドライブ、フラッシュメモリデバイス、及びデジタルビデオディスク）をも備える。この永続的記憶メモリは、システムバス３２６に接続され、データ、データ構造体及びコンピュータ実行可能命令の不揮発性記憶装置又は永続的記憶装置を提供する１つ以上の、コンピュータにより読出し可能な媒体ディスクを含む。

ユーザは、１つ以上の入力デバイス３３０（例えば、１つ以上のキーボード、コンピュータマウス、マイクロフォン、カメラ、ジョイスティック、物理運動センサ、及びタッチパッド）を用いて、コンピュータ装置３２０とインタラクトする（例えば、コマンド又はデータを入力する）ことができる。情報は、表示コントローラ３３４によって制御される表示モニタ３３２上でユーザに提示されるグラフィカルユーザインタフェース（ＧＵＩ）を通じて示すことができる。コンピュータ装置３２０は、他の入出力ハードウェア（例えば、スピーカ及びプリンタ等の周辺出力デバイス）も備えていてもよい。コンピュータ装置３２０は、ネットワークアダプタ３３６（「ネットワークインタフェースカード」又はＮＩＣとも呼ばれる）を通じて他のネットワークノードに接続する。

アプリケーションプログラミングインタフェース３３８（ＡＰＩ）と、オペレーティングシステム（ＯＳ）３４０（例えば、マイクロソフト社（米国ワシントン州レドモンド）から市販されるＷｉｎｄｏｗｓ（登録商標）オペレーティングシステム）と、本明細書において説明される階層的分類システムにおけるステップ、タスク、動作又はプロセスのうちの１つ以上を実行するようにコンピュータ装置３２０をプログラミングする１つ以上のソフトウェアアプリケーションを含むソフトウェアアプリケーション３４１と、ドライバ３４２（例えば、ＧＵＩドライバ）と、ネットワークトランスポートプロトコル３４４と、データ３４６（例えば、入力データ、出力データ、プログラムデータ、レジストリ、及び構成設定）とを含む複数のプログラムモジュールを、システムメモリ３２４に記憶することができる。

開示されるシステム、方法、プロセス、機能動作及び論理フローを含む、本明細書において説明される主題の例は、入力に関する処理を行い、出力を生成することによって機能を実行するように動作可能なデータ処理装置（例えば、コンピュータハードウェア及びデジタル電子回路）において実現することができる。また、本明細書において説明される主題の例は、データ処理装置によって実行するための、１つ以上の有形の非一時的なキャリア媒体（例えば、機械可読記憶デバイス、基板又はシーケンシャルアクセスメモリデバイス）上に符号化される一組以上のコンピュータ命令として、ソフトウェア又はファームウェアにおいて有形に具現化することができる。

本明細書において説明される具体的な実施態様の詳細は、特定の発明の特定の実施形態に特有な場合があり、特許請求される任意の発明の範囲に関する限定と解釈されるべきではない。例えば、別々の実施形態との関連で説明される特徴は、単一の実施形態に組み込むこともでき、単一の実施形態との関連で説明される特徴は、複数の別々の実施形態において実現することもできる。さらに、特定の順序において実行されるステップ、タスク、動作又はプロセスの開示は必ずしも、その特定の順序においてそれらのステップ、タスク、動作又はプロセスが実行されることを要するものではない。代わりに、場合によっては、開示されるステップ、タスク、動作及びプロセスのうちの１つ以上が、別の順序で、又はマルチタスクスケジュールに従って、又は並列に実行される場合がある。

他の実施形態は特許請求の範囲に含まれる。

Claims (20)

1. アイテムにラベル付けを行う、コンピュータによる方法であって、
   アイテムの説明を含むアイテム記録を受け付けるステップと、
   前記アイテムについて、１つ以上の機械学習ベースの分類器に基づき、各クラスラベルに関連付けられるノードの連続したレベルを有する階層的分類タクソノミにおける分類を推論するステップであって、分類パスは前記階層的分類タクソノミにおけるクラスラベルのうちの１つ以上を含む、ステップと、
   通信ネットワークを通して、クラウドソーシングシステムに参加している複数のワーカにラベル付けタスクを発行するステップであって、前記ラベル付けタスクは、前記アイテムの説明と、前記分類における１つ以上のクラスラベルとに少なくとも部分的に基づいて、前記分類を評価することを含む、ステップと、
   前記クラウドソーシングシステムから評価決定を受け付けるステップと、
   前記分類を検証して検証結果を得るステップであって、前記検証は、受け付けられた前記評価決定の集合に対する少なくとも１つの合意基準の適用を含む、ステップと、
   前記検証結果に基づき、通信ネットワークを通して、前記分類におけるクラスラベルのうちの１つ以上に対応するデータを各宛先へ送るステップと
   を含む方法。
2. 前記推論は前記アイテム記録に基づく、請求項１に記載の方法。
3. 前記分類は、前記階層的分類タクソノミの連続したレベルにおける各クラスラベルの順序付きシーケンスに対応する分類パスを含む、請求項１に記載の方法。
4. 前記ラベル付けタスクは、前記アイテムの説明と、前記分類パスにおけるクラスラベルの順序付きシーケンスとに少なくとも部分的に基づいて、前記分類パスを確認することを含む、請求項３に記載の方法。
5. 前記分類パスの確認は更に、前記アイテムの説明を含むオンライン検索クエリの結果に基づく、請求項４に記載の方法。
6. 前記アイテム記録は前記アイテムに関連付けられる業者を含み、前記分類パスの確認は更に前記業者に基づく、請求項４に記載の方法。
7. 前記アイテム記録は前記アイテムに関連付けられる価格を含み、前記分類パスの確認は更に前記価格に基づく、請求項４に記載の方法。
8. 前記検証は、
   第１の合意基準が満たされないときに、前記クラウドソーシングシステムに参加している少なくとも１人の別のワーカに前記ラベル付けタスクを発行することと、
   少なくとも１人の前記別のワーカから各評価決定を受け付けることと
   を含み、
   前記適用は、受け付けられた前記評価決定の集合に対して第２の合意基準を適用することを含む、請求項１に記載の方法。
9. 前記分類パスが妥当である場合に、前記分類における前記クラスラベルのうちの１つ以上のクラスラベルが、１つ以上の前記機械学習ベースの分類器のためのトレーニングデータとして指定される、請求項１に記載の方法。
10. 前記分類が妥当ではない場合に、前記送るステップが、通信ネットワークを通して、ラベル付替えを行う少なくとも１人のドメインエキスパートに対して前記ラベル付けタスクを発行することを含む、請求項１に記載の方法。
11. 少なくとも１人の前記ドメインエキスパートから、前記分類における１つ以上のクラスラベルのうち、ラベル付替えがなされたクラスラベルを受け付けるステップと、
    前記分類において前記ラベル付替えがなされたクラスラベルを、１つ以上の前記機械学習ベースの分類器のためのトレーニングデータとして指定するステップと
    を更に含む請求項１０に記載の方法。
12. 重複するタスクを前記発行の前にフィルタリングにより除外するステップを更に含む請求項１に記載の方法。
13. 推論される前記分類は、前記階層的分類タクソノミ内の１つのレベルから、前記階層的分類タクソノミ内の連続したレベルを経て、前記階層的分類タクソノミ内の別のレベルへと延びるものである、請求項１に記載の方法。
14. 前記階層的分類タクソノミ内の別のレベルは、前記階層的分類タクソノミ内の葉ノードレベルに対応するものである、請求項１３に記載の方法。
15. 推論される前記分類は、前記階層的分類タクソノミ内の連続したレベルを経て延び、葉ノードレベルの前に終了する、請求項１に記載の方法。
16. 前記アイテム記録が製品の説明を含む、請求項１に記載の方法。
17. プロセッサにより実行される実行可能命令を記憶するメモリ部を備える、コンピュータにより読出し可能なデータ記憶装置であって、
    前記メモリ部は、
    アイテムについて、１つ以上の機械学習ベースの分類器に基づき、各クラスラベルに関連付けられるノードの連続したレベルを有する階層的分類タクソノミにおける分類を推論するための実行可能命令であって、分類パスは前記階層的分類タクソノミにおけるクラスラベルのうちの１つ以上を含む、実行可能命令と、
    通信ネットワークを通して、クラウドソーシングシステムに参加している複数のワーカにラベル付けタスクを発行するための実行可能命令であって、前記ラベル付けタスクは、前記アイテムの説明と、前記分類における１つ以上のクラスラベルとに少なくとも部分的に基づいて、前記分類を評価することを含む、実行可能命令と、
    前記クラウドソーシングシステムからラベル付けタスクに関する評価決定を受け付けるための実行可能命令と、
    前記分類を検証して検証結果を得るための実行可能命令であって、受け付けられた前記評価決定の集合に対して少なくとも１つの合意基準を適用するための実行可能命令を含む実行可能命令と、
    前記検証結果に基づき、通信ネットワークを通して、前記分類におけるクラスラベルのうちの１つ以上に対応するデータを各宛先に送るための実行可能命令と
    を有する、コンピュータにより読出し可能なデータ記憶装置。
18. 前記分類は、前記階層的分類タクソノミの連続したレベルにおける各クラスラベルの順序付きシーケンスに対応する分類パスを含む、請求項１７に記載のコンピュータにより読出し可能なデータ記憶装置。
19. 通信ネットワークを通して、クラウドソーシングシステムに参加している複数のワーカにラベル付けタスクを発行するステップであって、前記ラベル付けタスクは、階層的分類タクソノミの連続したレベルにおける各クラスラベルの順序付きシーケンスを含む、推論された分類を、アイテムの説明と、分類パス内のクラスラベルとに少なくとも部分的に基づいて評価することを含む、ステップと、
    前記クラウドソーシングシステムから各評価決定を受け付けるステップと
    を行う通信インタフェースと、
    前記分類を検証して検証結果を得るステップであって、前記検証は、受け付けられた前記評価決定の集合に対して少なくとも１つの合意基準を適用することを含む、ステップと、
    前記検証結果に基づき、通信ネットワークを通して、前記分類におけるクラスラベルのうちの１つ以上に対応するデータを各宛先へ送るステップと
    を行うプロセッサと
    を備えるシステム。
20. 前記分類パスが妥当ではない場合に、前記プロセッサは、通信ネットワークを通して、ラベル付替えを行う少なくとも１人のドメインエキスパートに前記ラベル付けタスクを送る、請求項１９に記載のシステム。