JP2024027034A - Information processing apparatus, information processing method, and information processing program - Google Patents
Information processing apparatus, information processing method, and information processing program Download PDFInfo
- Publication number
- JP2024027034A JP2024027034A JP2022129735A JP2022129735A JP2024027034A JP 2024027034 A JP2024027034 A JP 2024027034A JP 2022129735 A JP2022129735 A JP 2022129735A JP 2022129735 A JP2022129735 A JP 2022129735A JP 2024027034 A JP2024027034 A JP 2024027034A
- Authority
- JP
- Japan
- Prior art keywords
- information
- information processing
- blob
- search
- processing device
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000010365 information processing Effects 0.000 title claims abstract description 1005
- 238000003672 processing method Methods 0.000 title claims description 7
- 238000000034 method Methods 0.000 claims description 504
- 238000012545 processing Methods 0.000 claims description 404
- 230000008569 process Effects 0.000 claims description 401
- 239000013598 vector Substances 0.000 claims description 240
- 238000013139 quantization Methods 0.000 claims description 162
- 238000004364 calculation method Methods 0.000 claims description 51
- 230000008685 targeting Effects 0.000 claims description 28
- 238000010586 diagram Methods 0.000 description 83
- 239000000284 extract Substances 0.000 description 35
- 238000012986 modification Methods 0.000 description 32
- 230000004048 modification Effects 0.000 description 32
- 101710190981 50S ribosomal protein L6 Proteins 0.000 description 27
- 101710115003 50S ribosomal protein L31, chloroplastic Proteins 0.000 description 20
- 101710156159 50S ribosomal protein L21, chloroplastic Proteins 0.000 description 14
- 230000006870 function Effects 0.000 description 13
- 101000575029 Bacillus subtilis (strain 168) 50S ribosomal protein L11 Proteins 0.000 description 12
- 102100035793 CD83 antigen Human genes 0.000 description 12
- 101000946856 Homo sapiens CD83 antigen Proteins 0.000 description 12
- 102100027867 FH2 domain-containing protein 1 Human genes 0.000 description 11
- 101001060553 Homo sapiens FH2 domain-containing protein 1 Proteins 0.000 description 11
- 238000004891 communication Methods 0.000 description 11
- 101000676341 Bacillus subtilis (strain 168) 50S ribosomal protein L27 Proteins 0.000 description 10
- 101001107782 Homo sapiens Iron-sulfur protein NUBPL Proteins 0.000 description 9
- 102100021998 Iron-sulfur protein NUBPL Human genes 0.000 description 9
- 101100072620 Streptomyces griseus ind2 gene Proteins 0.000 description 8
- 101001101476 Bacillus subtilis (strain 168) 50S ribosomal protein L21 Proteins 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 7
- 239000004065 semiconductor Substances 0.000 description 7
- 101001080597 Spinacia oleracea 50S ribosomal protein 5 alpha, chloroplastic Proteins 0.000 description 6
- 238000007796 conventional method Methods 0.000 description 6
- 102100030886 Complement receptor type 1 Human genes 0.000 description 5
- 101000727061 Homo sapiens Complement receptor type 1 Proteins 0.000 description 5
- 101000868279 Homo sapiens Leukocyte surface antigen CD47 Proteins 0.000 description 5
- 101000878605 Homo sapiens Low affinity immunoglobulin epsilon Fc receptor Proteins 0.000 description 5
- 102100032913 Leukocyte surface antigen CD47 Human genes 0.000 description 5
- 102100038007 Low affinity immunoglobulin epsilon Fc receptor Human genes 0.000 description 5
- 102100024616 Platelet endothelial cell adhesion molecule Human genes 0.000 description 5
- 101710087140 50S ribosomal protein L22, chloroplastic Proteins 0.000 description 4
- 101000946889 Homo sapiens Monocyte differentiation antigen CD14 Proteins 0.000 description 4
- 101001106523 Homo sapiens Regulator of G-protein signaling 1 Proteins 0.000 description 4
- 101000884271 Homo sapiens Signal transducer CD24 Proteins 0.000 description 4
- 102100035877 Monocyte differentiation antigen CD14 Human genes 0.000 description 4
- 102100021269 Regulator of G-protein signaling 1 Human genes 0.000 description 4
- 102100038081 Signal transducer CD24 Human genes 0.000 description 4
- 230000007423 decrease Effects 0.000 description 4
- 101710142585 50S ribosomal protein 6, chloroplastic Proteins 0.000 description 3
- 101710118399 50S ribosomal protein L24, chloroplastic Proteins 0.000 description 3
- 101710139119 50S ribosomal protein L27, chloroplastic Proteins 0.000 description 3
- 101710166678 50S ribosomal protein L28, chloroplastic Proteins 0.000 description 3
- 101710121741 50S ribosomal protein L29, chloroplastic Proteins 0.000 description 3
- 101710205768 50S ribosomal protein L34, chloroplastic Proteins 0.000 description 3
- 102100024222 B-lymphocyte antigen CD19 Human genes 0.000 description 3
- 108700019909 BL 19 Proteins 0.000 description 3
- 101000592939 Bacillus subtilis (strain 168) 50S ribosomal protein L24 Proteins 0.000 description 3
- 102100032912 CD44 antigen Human genes 0.000 description 3
- 102100032768 Complement receptor type 2 Human genes 0.000 description 3
- 101001070329 Geobacillus stearothermophilus 50S ribosomal protein L18 Proteins 0.000 description 3
- 101000608734 Helianthus annuus 11 kDa late embryogenesis abundant protein Proteins 0.000 description 3
- 102100031573 Hematopoietic progenitor cell antigen CD34 Human genes 0.000 description 3
- 101000980825 Homo sapiens B-lymphocyte antigen CD19 Proteins 0.000 description 3
- 101000868273 Homo sapiens CD44 antigen Proteins 0.000 description 3
- 101000941929 Homo sapiens Complement receptor type 2 Proteins 0.000 description 3
- 101000777663 Homo sapiens Hematopoietic progenitor cell antigen CD34 Proteins 0.000 description 3
- 101000725126 Spinacia oleracea 50S ribosomal protein L35, chloroplastic Proteins 0.000 description 3
- 230000002457 bidirectional effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 101710114762 50S ribosomal protein L11, chloroplastic Proteins 0.000 description 2
- 102100022907 Acrosin-binding protein Human genes 0.000 description 2
- -1 CD77 Proteins 0.000 description 2
- 102100027217 CD82 antigen Human genes 0.000 description 2
- 101000623061 Drosophila melanogaster 40S ribosomal protein S26 Proteins 0.000 description 2
- 102100026122 High affinity immunoglobulin gamma Fc receptor I Human genes 0.000 description 2
- 101000756551 Homo sapiens Acrosin-binding protein Proteins 0.000 description 2
- 101000914469 Homo sapiens CD82 antigen Proteins 0.000 description 2
- 101000913074 Homo sapiens High affinity immunoglobulin gamma Fc receptor I Proteins 0.000 description 2
- 101001078143 Homo sapiens Integrin alpha-IIb Proteins 0.000 description 2
- 101001046677 Homo sapiens Integrin alpha-V Proteins 0.000 description 2
- 101000935043 Homo sapiens Integrin beta-1 Proteins 0.000 description 2
- 101000738771 Homo sapiens Receptor-type tyrosine-protein phosphatase C Proteins 0.000 description 2
- 102100025306 Integrin alpha-IIb Human genes 0.000 description 2
- 102100022337 Integrin alpha-V Human genes 0.000 description 2
- 102100025304 Integrin beta-1 Human genes 0.000 description 2
- 102100037422 Receptor-type tyrosine-protein phosphatase C Human genes 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 101710082414 50S ribosomal protein L12, chloroplastic Proteins 0.000 description 1
- 101710164994 50S ribosomal protein L13, chloroplastic Proteins 0.000 description 1
- 101710190962 50S ribosomal protein L9 Proteins 0.000 description 1
- 102100022749 Aminopeptidase N Human genes 0.000 description 1
- 101001105315 Bacillus subtilis (strain 168) 50S ribosomal protein L17 Proteins 0.000 description 1
- 101000682328 Bacillus subtilis (strain 168) 50S ribosomal protein L18 Proteins 0.000 description 1
- 101001093025 Geobacillus stearothermophilus 50S ribosomal protein L7/L12 Proteins 0.000 description 1
- 101000757160 Homo sapiens Aminopeptidase N Proteins 0.000 description 1
- 101000935040 Homo sapiens Integrin beta-2 Proteins 0.000 description 1
- 101001012154 Homo sapiens Inverted formin-2 Proteins 0.000 description 1
- 101100236208 Homo sapiens LTB4R gene Proteins 0.000 description 1
- 101001017969 Homo sapiens Leukotriene B4 receptor 2 Proteins 0.000 description 1
- 102100025390 Integrin beta-2 Human genes 0.000 description 1
- 102100030075 Inverted formin-2 Human genes 0.000 description 1
- 102100033374 Leukotriene B4 receptor 1 Human genes 0.000 description 1
- 102100033375 Leukotriene B4 receptor 2 Human genes 0.000 description 1
- 101100437750 Schizosaccharomyces pombe (strain 972 / ATCC 24843) blt1 gene Proteins 0.000 description 1
- 238000010923 batch production Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
Description
本発明は、情報処理装置、情報処理方法、及び情報処理プログラムに関する。 The present invention relates to an information processing device, an information processing method, and an information processing program.
従来、種々の情報を探索(検索)する技術が提供されている。例えば、検索対象に対応するノードがエッジにより連結されたグラフを生成し、生成したグラフを用いて検索を行う技術が提供されている。また、このような技術は、例えば画像検索等に用いられる。 Conventionally, techniques for searching (searching) various types of information have been provided. For example, there is a technology that generates a graph in which nodes corresponding to a search target are connected by edges, and performs a search using the generated graph. Further, such a technique is used for, for example, image search.
しかしながら、上記の従来技術では、検索処理の効率化の点では改善の余地がある。例えば、上記の従来技術では、グラフのエッジ数等を調整したりして、効率的な検索ができるグラフに変更することにより、検索処理の時間削減等の効率化を行っているが、グラフの変更により検索処理の効率化を図るには限界がある。そのため、例えば検索処理の高速化等、効率的な検索処理に利用可能な情報を生成するために、検索対象となるオブジェクトを分類するグループの概念を導入し、オブジェクトを分類するグループを生成することが望まれている。 However, with the above-mentioned conventional technology, there is room for improvement in terms of improving the efficiency of search processing. For example, in the above-mentioned conventional technology, by adjusting the number of edges of the graph and changing the graph to one that allows efficient searching, efficiency is achieved by reducing search processing time. There is a limit to how much efficiency can be achieved in search processing through changes. Therefore, in order to generate information that can be used for efficient search processing, such as speeding up search processing, the concept of groups for classifying objects to be searched is introduced, and groups for classifying objects are generated. is desired.
本願は、上記に鑑みてなされたものであって、オブジェクトを分類するグループを生成する情報処理装置、情報処理方法、及び情報処理プログラムを提供することを目的とする。 The present application has been made in view of the above, and aims to provide an information processing device, an information processing method, and an information processing program that generate groups for classifying objects.
本願に係る情報処理装置は、データ検索の対象となる複数のオブジェクトを示すオブジェクト情報を取得する取得部と、前記取得部により取得された前記オブジェクト情報に基づいて、前記複数のオブジェクトを分類する第1数のグループである複数の第1グループを示す第1グループ情報と、前記複数の第1グループとは異なる分類となるグループであって、前記複数のオブジェクトを分類する前記第1数よりも多い第2数のグループである複数の第2グループを示す第2グループ情報とを生成する生成部と、を備えたことを特徴とする。 The information processing device according to the present application includes an acquisition unit that acquires object information indicating a plurality of objects that are targets of data search, and a second object that classifies the plurality of objects based on the object information acquired by the acquisition unit. first group information indicating a plurality of first groups that are one number group; and groups that have a different classification from the plurality of first groups and are larger than the first number for classifying the plurality of objects. A generation unit that generates second group information indicating a plurality of second groups that are a second number of groups.
実施形態の一態様によれば、オブジェクトを分類するグループを生成することができるという効果を奏する。 According to one aspect of the embodiment, it is possible to generate groups for classifying objects.
以下に、本願に係る情報処理装置、情報処理方法、及び情報処理プログラムを実施するための形態(以下、「実施形態」と呼ぶ)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情報処理装置、情報処理方法、及び情報処理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。 DESCRIPTION OF THE PREFERRED EMBODIMENTS An information processing apparatus, an information processing method, and an embodiment of an information processing program (hereinafter referred to as "embodiments") according to the present application will be described in detail below with reference to the drawings. Note that the information processing apparatus, information processing method, and information processing program according to the present application are not limited to this embodiment. Further, in each of the embodiments below, the same parts are given the same reference numerals, and redundant explanations will be omitted.
(実施形態)
〔1.第1の実施形態〕
〔1-1.情報処理〕
図1を用いて、第1の実施形態に係る情報処理の一例について説明する。図1は、第1の実施形態に係る情報処理の一例を示す図である。情報処理装置100は、データ検索の対象となる複数のオブジェクトをグラフ構造化したグラフインデックス(単に「グラフ」ともいう)を用いた検索処理を実行する。図1では、情報処理装置100がデータ検索の対象であるオブジェクトがベクトル化された各ベクトルに対応するノードがエッジで連結されたグラフを用いて近傍検索を行う場合の検索処理の一部を示す。情報処理装置100は、グラフの各ノードを検索対象のオブジェクトとして、グラフを辿って与えられた検索クエリ(ベクトル)の近傍のノードを探索する。情報処理装置100は、検索処理により、抽出する近傍のノードの数として指定された所定数(以下「検索数」ともいう)のノードを、検索クエリの近傍のノードとして抽出する。以下では、画像情報をデータ検索の対象とした場合を一例として説明するが、データ検索の対象は、動画情報や音声情報等の種々の対象であってもよい。
(Embodiment)
[1. First embodiment]
[1-1. Information processing〕
An example of information processing according to the first embodiment will be described using FIG. 1. FIG. 1 is a diagram illustrating an example of information processing according to the first embodiment. The information processing apparatus 100 executes a search process using a graph index (also simply referred to as a "graph") that is a graph structure of a plurality of objects that are data search targets. FIG. 1 shows part of a search process when the information processing device 100 performs a neighborhood search using a graph in which nodes corresponding to vectors of the object to be searched are connected by edges. . The information processing apparatus 100 uses each node of the graph as an object to be searched, and searches for nodes near a given search query (vector) by tracing the graph. Through the search process, the information processing apparatus 100 extracts a predetermined number of nodes (hereinafter also referred to as "search number") designated as the number of nearby nodes to be extracted as nodes in the vicinity of the search query. In the following, a case where image information is the object of data search will be described as an example, but the object of data search may be various objects such as video information and audio information.
情報処理装置100は、数百万~数億等の単位の膨大な画像情報に対応するノードを対象に検索処理を行うが、図面においてはその一部(図1ではノードN1等の数十個)のみを図示する。例えば、情報処理装置100は、図1中の空間情報SP1に示すように、ノードN1、N7、N9等に示すような複数のノード(ベクトル)に関する情報を取得する。このように「ノードN*(*は任意の数値)」と記載した場合、そのノードはノードID「N*」により識別されるノードであることを示す。例えば、「ノードN1」と記載した場合、そのノードはノードID「N1」により識別されるノードである。空間情報SP1中の白丸(〇)の各々が各ノードを示す。 The information processing device 100 performs search processing for nodes corresponding to a huge amount of image information in units of millions to hundreds of millions, but in the drawing, only a portion of them (several tens of nodes such as node N1 in FIG. 1) are shown. ) are shown. For example, the information processing apparatus 100 acquires information regarding a plurality of nodes (vectors) such as nodes N1, N7, N9, etc., as shown in spatial information SP1 in FIG. When "node N* (* is an arbitrary numerical value)" is written in this way, it indicates that the node is identified by the node ID "N*". For example, when "node N1" is written, the node is identified by the node ID "N1". Each white circle (◯) in the spatial information SP1 indicates each node.
図1中の空間情報SP1では、主に説明に関係するノードに符号を付すが、符号が付されていない白丸(〇)の各々もノードであり、図示するノード以外にも多数のノードが含まれる。また、各ノードは、各オブジェクト(検索対象)に対応する。例えば、画像から抽出された複数の局所特徴量のそれぞれがオブジェクトであってもよい。また、例えば、オブジェクト間の距離が定義された種々のデータがオブジェクトであってもよい。 In the spatial information SP1 in FIG. 1, codes are mainly attached to nodes related to the explanation, but each white circle (○) without a code is also a node, and many nodes are included in addition to the nodes shown. It will be done. Further, each node corresponds to each object (search target). For example, each of the plurality of local features extracted from the image may be an object. Further, for example, various data in which distances between objects are defined may be objects.
例えば図1中の空間情報SP1は、ユークリッド空間であってもよい。例えば、空間情報SP1は、オブジェクトのベクトルの次元数に対応し、100次元や1000次元等の多次元空間であるものとする。なお、図1では、空間情報SP1に示すように直積量子化によりベクトル(空間)が複数の部分領域(部分空間)に4分割された状態を概念的に図示するが、直積量子化の点については後述する。 For example, the spatial information SP1 in FIG. 1 may be a Euclidean space. For example, it is assumed that the spatial information SP1 corresponds to the number of dimensions of the vector of the object, and is a multidimensional space such as 100 dimensions or 1000 dimensions. Note that FIG. 1 conceptually illustrates a state in which a vector (space) is divided into four subregions (subspaces) by direct product quantization as shown in spatial information SP1, but regarding the point of direct product quantization, will be described later.
空間情報SP1中のノードである白丸(〇)間を接続する点線がノード間を連結するエッジを示す。図1の例では、説明を簡単にするために、ノード間が無向(双方向)エッジ(以下単に「エッジ」ともいう)により連結される場合を示す。なお、ここでいう無向エッジとは、連結されたノード間を双方向にデータを辿ることができるエッジを意味する。例えば、ノードN1を示す白丸(〇)とノードN4を示す白丸(〇)との間は点線で接続されており、ノードN1とノードN4との間はエッジで連結されていることを示す。すなわち、空間情報SP1に示すグラフではノードN1とノードN4との間を双方向に辿ることが可能となる。具体的には、空間情報SP1ではノードN1からノードN4へ辿ることができ、かつノードN4からノードN1へ辿ることができる。 A dotted line connecting white circles (◯) that are nodes in the spatial information SP1 indicates an edge connecting the nodes. In the example of FIG. 1, to simplify the explanation, a case is shown in which nodes are connected by undirected (bidirectional) edges (hereinafter also simply referred to as "edges"). Note that the undirected edge here means an edge that allows data to be traced in both directions between connected nodes. For example, the white circle (◯) indicating the node N1 and the white circle (◯) indicating the node N4 are connected by a dotted line, indicating that the nodes N1 and N4 are connected by an edge. That is, in the graph shown in the spatial information SP1, it is possible to trace the path between the node N1 and the node N4 in both directions. Specifically, the spatial information SP1 can be traced from the node N1 to the node N4, and from the node N4 to the node N1.
なお、図1の例では、図示の関係上、図示したノード間を連結するエッジのみを図示するが、図示したエッジ以外にも多数のエッジが含まれる。このように、図1中の空間情報SP1では、エッジの一部のみを図示するが、例えばk近傍グラフ(k-nearest neighbor graph)であるものとする。なお、空間情報SP1は、種々のグラフであってもよい。 Note that in the example of FIG. 1, for convenience of illustration, only edges connecting the illustrated nodes are illustrated, but many edges other than the illustrated edges are included. In this way, the spatial information SP1 in FIG. 1 shows only a portion of the edges, but it is assumed that the spatial information SP1 in FIG. 1 is, for example, a k-nearest neighbor graph. Note that the spatial information SP1 may be various types of graphs.
また、グラフのエッジは、無向エッジに限らず、有向エッジであってもよい。有向エッジの場合、有向エッジの参照元となっているノードから参照先のノードへのみ辿ることができる。例えば、2つのノード間が、一方を参照元とし他方を参照先とする第1エッジ、及び一方を参照先とし他方を参照元とする第2エッジの2つの有向エッジで連結されている場合、その2つのノード間が無向(双方向)エッジで連結されて状態と同じ状態である。 Furthermore, the edges of the graph are not limited to undirected edges, but may be directed edges. In the case of a directed edge, it is possible to trace only from the node that is the reference source of the directed edge to the reference destination node. For example, if two nodes are connected by two directed edges: a first edge where one is the reference source and the other is the reference destination, and a second edge where one is the reference destination and the other is the reference source. , the two nodes are connected by an undirected (bidirectional) edge and have the same state.
ここから、図1を用いて検索処理について説明する。図1の例では、情報処理装置100は、空間情報SP1に示すようなグラフGR1を取得済みであるものとする。なお、情報処理装置100は、種々の従来技術を適宜用いてグラフGR1を生成してもよい。まず、検索処理の説明に先立ってベクトル(空間)の直積量子化について説明する。 The search process will now be described using FIG. 1. In the example of FIG. 1, it is assumed that the information processing apparatus 100 has already acquired a graph GR1 as shown in the spatial information SP1. Note that the information processing apparatus 100 may generate the graph GR1 using various conventional techniques as appropriate. First, prior to explaining the search process, vector (space) product quantization will be explained.
図1では、空間情報SP1に示すように直積量子化によりベクトル(空間)が4つの部分空間AR11~AR14に分割された状態を概念的に図示する。図1に示す部分空間AR11~AR14は、各ノード(オブジェクト)のベクトル間の距離等の説明のための概念的な図で示すが、各部分空間AR11~AR14は多次元空間となる。例えば、図1に示す部分空間AR11は、平面上に図示するため2次元の態様にて図示されるが、例えば100次元や1000次元等の多次元空間であるものとする。 FIG. 1 conceptually illustrates a state in which a vector (space) is divided into four subspaces AR11 to AR14 by direct product quantization as shown in spatial information SP1. The subspaces AR11 to AR14 shown in FIG. 1 are shown as conceptual diagrams for explaining distances between vectors of nodes (objects), etc., but each of the subspaces AR11 to AR14 is a multidimensional space. For example, the subspace AR11 shown in FIG. 1 is illustrated in a two-dimensional manner because it is illustrated on a plane, but it is assumed that it is a multidimensional space, such as a 100-dimensional or 1000-dimensional space.
各部分空間AR11~AR14の各々は、4分割されるベクトルの各分割(部分ベクトル)に対応する空間を示す。なお、例えば100次元のベクトルを100分割しても良い。例えば、部分空間AR11は、ベクトルが4分割された4つの部分ベクトル(「サブベクトル」ともいう)のうち、先頭の部分ベクトル(「第1サブベクトル」ともいう)に対応する次元の空間(「第1サブ空間」ともいう)を示す。部分空間AR11は、ベクトルの先頭の分割位置に対応する部分空間(第1サブ空間)を示す。検索クエリQE1の場合、部分空間AR11は、先頭の部分ベクトル(第1サブベクトル)である第1部分クエリQE1-1に対応する空間である。 Each of the partial spaces AR11 to AR14 indicates a space corresponding to each division (partial vector) of the vector divided into four. Note that, for example, a 100-dimensional vector may be divided into 100 parts. For example, the subspace AR11 is a dimension space (" (also referred to as "first subspace"). Subspace AR11 indicates a subspace (first subspace) corresponding to the first division position of the vector. In the case of search query QE1, subspace AR11 is a space corresponding to first subquery QE1-1, which is the first subvector (first subvector).
また、部分空間AR12は、ベクトルが4分割された4つの部分ベクトルのうち、先頭から2番目の部分ベクトル(「第2サブベクトル」ともいう)に対応する次元の空間(「第2サブ空間」ともいう)を示す。部分空間AR12は、ベクトルの先頭から2番目の分割位置に対応する部分空間(第2サブ空間)を示す。検索クエリQE1の場合、部分空間AR12は、先頭から2番目の部分ベクトル(第2サブベクトル)である第2部分クエリQE1-2に対応する空間である。 Furthermore, the subspace AR12 is a dimensional space ("second subspace") corresponding to the second subvector from the beginning (also referred to as "second subvector") among the four subvectors obtained by dividing the vector into four. ). Subspace AR12 indicates a subspace (second subspace) corresponding to the second division position from the beginning of the vector. In the case of search query QE1, subspace AR12 is a space corresponding to second subquery QE1-2, which is the second subvector (second subvector) from the beginning.
また、部分空間AR13は、ベクトルが4分割された4つの部分ベクトルのうち、先頭から3番目の部分ベクトル(「第3サブベクトル」ともいう)に対応する次元の空間(「第3サブ空間」ともいう)を示す。部分空間AR13は、ベクトルの先頭から3番目の分割位置に対応する部分空間(第3サブ空間)を示す。検索クエリQE1の場合、部分空間AR13は、先頭から3番目の部分ベクトル(第3サブベクトル)である第3部分クエリQE1-3に対応する空間である。 Further, the subspace AR13 is a dimensional space ("third subspace") corresponding to the third subvector from the beginning (also referred to as "third subvector") among the four subvectors obtained by dividing the vector into four. ). Subspace AR13 indicates a subspace (third subspace) corresponding to the third division position from the beginning of the vector. In the case of search query QE1, subspace AR13 is a space corresponding to third partial query QE1-3, which is the third partial vector (third subvector) from the beginning.
また、部分空間AR14は、ベクトルが4分割された4つの部分ベクトルのうち、先頭から4番目(すなわち最後尾)の部分ベクトル(「第4サブベクトル」ともいう)に対応する次元の空間(「第4サブ空間」ともいう)を示す。部分空間AR14は、ベクトルの先頭から4番目の分割位置に対応する部分空間(第4サブ空間)を示す。検索クエリQE1の場合、部分空間AR14は、先頭から4番目の部分ベクトル(第4サブベクトル)である第4部分クエリQE1-4に対応する空間である。 Furthermore, the subspace AR14 is a dimension space (" 4th subspace). Subspace AR14 indicates a subspace (fourth subspace) corresponding to the fourth division position from the beginning of the vector. In the case of search query QE1, subspace AR14 is a space corresponding to fourth subquery QE1-4, which is the fourth subvector (fourth subvector) from the beginning.
なお、図1の例では、部分空間AR11~AR14を類似の形状で示すが、各部分空間AR11~AR14の形状は異なってもよいし、また各部分空間AR11~AR14における領域の分割態様も異なってもよい。また、ノード間のエッジによる接続関係は部分空間AR11~AR14で共通であるものとする。すなわち、グラフGR1は、空間情報SP1に対応するグラフであり、部分空間AR11~AR14で共通である。 In the example of FIG. 1, the subspaces AR11 to AR14 are shown with similar shapes, but the shapes of the subspaces AR11 to AR14 may be different, and the manner in which the regions in each of the subspaces AR11 to AR14 are divided may also be different. It's okay. Further, it is assumed that the connection relationship between nodes by edges is common to subspaces AR11 to AR14. That is, the graph GR1 is a graph corresponding to the spatial information SP1, and is common to the subspaces AR11 to AR14.
また、図1の例では、分割された部分ベクトル(サブベクトル)ごとにルックアップテーブルが生成される。例えば、第1サブベクトル、第2サブベクトル、第3サブベクトル、及び第4サブベクトルの4つのサブベクトルごとにクラスタリングされ、個別にルックアップテーブル(コードブック情報)が生成される。 Furthermore, in the example of FIG. 1, a lookup table is generated for each divided partial vector (subvector). For example, clustering is performed for each of four subvectors: a first subvector, a second subvector, a third subvector, and a fourth subvector, and a lookup table (codebook information) is generated individually.
図1では、第1サブベクトルについては、部分空間AR11に示すように、コードブックCD11~CD19に対応する9個のグループにクラスタリングされ、コードブックCD11~CD19の各々に対応するベクトルが代表ベクトル(セントロイド)として算出される。例えば、ノードN7、N9等の第1サブベクトルはコードブックCD11に対応するグループにクラスタリングされることを示す。この場合、ノードN7、N9等の第1サブベクトルは距離の計算(算出)において、第1サブベクトルに対応するコードブック情報(「第1コードブック情報」ともいう)を用いて、コードブックCD11のベクトルにベクトル量子化される。 In FIG. 1, the first subvectors are clustered into nine groups corresponding to codebooks CD11 to CD19, as shown in subspace AR11, and the vectors corresponding to each of codebooks CD11 to CD19 are representative vectors ( centroid). For example, the first subvectors such as nodes N7 and N9 indicate that they are clustered into a group corresponding to codebook CD11. In this case, the first subvectors such as nodes N7 and N9 use the codebook information (also referred to as "first codebook information") corresponding to the first subvector in the distance calculation (calculation). is vector quantized into a vector.
また、第2サブベクトルについては、コードブックCD21~CD24等(図2、図9参照)に対応する複数のグループにクラスタリングされ、コードブックCD21~CD24等の各々に対応するベクトルが代表ベクトル(セントロイド)として算出される。この場合、各ノードの第2サブベクトルは距離の計算(算出)において、第2サブベクトルに対応するコードブック情報(「第2コードブック情報」ともいう)を用いて、対応するコードブックのベクトルにベクトル量子化される。 Furthermore, the second sub-vectors are clustered into a plurality of groups corresponding to codebooks CD21 to CD24, etc. (see FIGS. 2 and 9), and the vectors corresponding to each of codebooks CD21 to CD24, etc. are representative vectors (centre Lloyd's). In this case, the second subvector of each node is calculated using the codebook information (also referred to as "second codebook information") corresponding to the second subvector in distance calculation. vector quantized.
第3サブベクトルについては、コードブックCD31~CD34等(図2、図9参照)に対応する複数のグループにクラスタリングされ、コードブックCD31~CD34等の各々に対応するベクトルが代表ベクトル(セントロイド)として算出される。この場合、各ノードの第3サブベクトルは距離の計算(算出)において、第3サブベクトルに対応するコードブック情報(「第3コードブック情報」ともいう)を用いて、対応するコードブックのベクトルにベクトル量子化される。 The third sub-vectors are clustered into multiple groups corresponding to codebooks CD31 to CD34, etc. (see FIGS. 2 and 9), and the vectors corresponding to each of codebooks CD31 to CD34, etc. are representative vectors (centroids). It is calculated as In this case, the third subvector of each node is calculated using the codebook information (also referred to as "third codebook information") corresponding to the third subvector in distance calculation. vector quantized.
第4サブベクトルについては、コードブックCD41~CD44等(図2、図9参照)に対応する複数のグループにクラスタリングされ、コードブックCD24~CD44等の各々に対応するベクトルが代表ベクトル(セントロイド)として算出される。この場合、各ノードの第4サブベクトルは距離の計算(算出)において、第4サブベクトルに対応するコードブック情報(「第4コードブック情報」ともいう)を用いて、対応するコードブックのベクトルにベクトル量子化される。 The fourth sub-vectors are clustered into multiple groups corresponding to codebooks CD41 to CD44, etc. (see FIGS. 2 and 9), and the vectors corresponding to each of codebooks CD24 to CD44, etc. are representative vectors (centroids). It is calculated as In this case, the fourth subvector of each node is calculated using the codebook information (also referred to as "fourth codebook information") corresponding to the fourth subvector in distance calculation. vector quantized.
なお、代表ベクトルを求める処理等、コードブック情報の生成は、種々の技術を適宜用いて生成される。コードブック情報の生成については従来技術であるため詳細な説明を省略する。また、ルックアップテーブルについては上記に限らず、例えば、分割された部分ベクトル(サブベクトル)全体で1つのルックアップテーブル(コードブック情報)を用いてもよいが、この点については後述する。 Note that the codebook information, such as the process of determining the representative vector, is generated using various techniques as appropriate. Since generation of codebook information is a conventional technique, detailed explanation will be omitted. Further, the lookup table is not limited to the above, and for example, one lookup table (codebook information) may be used for all divided partial vectors (subvectors), but this point will be described later.
ここから、検索クエリQE1を対象とする検索処理を説明する。まず、情報処理装置100は、検索クエリQE1を取得する(ステップS11)。例えば、情報処理装置100は、ユーザが利用する端末装置10(図4参照)から検索クエリQE1を取得する。 From here, a search process targeting the search query QE1 will be explained. First, the information processing device 100 obtains the search query QE1 (step S11). For example, the information processing device 100 acquires the search query QE1 from the terminal device 10 (see FIG. 4) used by the user.
そして、情報処理装置100は、検索クエリQE1であるベクトルを4分割する。すなわち、情報処理装置100は、検索クエリQE1を4つの部分クエリに分割する。図1では、情報処理装置100は、検索クエリQE1を、第1サブベクトルである第1部分クエリQE1-1、第2サブベクトルである第2部分クエリQE1-2、第3サブベクトルである第3部分クエリQE1-3、及び第4サブベクトルである第4部分クエリQE1-4との4つのサブベクトルに分割する。具体的には、情報処理装置100は、「45,23,2…」を第1部分クエリQE1-1とし、「127,34,5…」を第2部分クエリQE1-2とし、「20,98,110…」を第3部分クエリQE1-3とし、「12,45,4…」を第4部分クエリQE1-4とする。 Then, the information processing device 100 divides the vector that is the search query QE1 into four. That is, the information processing device 100 divides the search query QE1 into four partial queries. In FIG. 1, the information processing device 100 divides the search query QE1 into a first partial query QE1-1 which is a first subvector, a second partial query QE1-2 which is a second subvector, and a second partial query QE1-2 which is a third subvector. It is divided into four subvectors: 3 partial queries QE1-3 and a fourth partial query QE1-4, which is a fourth subvector. Specifically, the information processing device 100 sets "45, 23, 2..." as a first partial query QE1-1, "127, 34, 5..." as a second partial query QE1-2, and sets "20, 98, 110...'' is the third partial query QE1-3, and ``12, 45, 4...'' is the fourth partial query QE1-4.
そして、情報処理装置100は、検索クエリQE1の各サブベクトルと、そのサブベクトルに対応するコードブックのベクトルとの間の距離を算出する。情報処理装置100は、図2のコードブック情報TB1~TB4に示すように、検索クエリQE1の各サブベクトルと各コードブックのベクトルとの間の距離(差分)を算出する。図2は、第1の実施形態に係るデータの一例を示す図である。 Then, the information processing device 100 calculates the distance between each subvector of the search query QE1 and the vector of the codebook corresponding to that subvector. The information processing device 100 calculates the distance (difference) between each subvector of the search query QE1 and the vector of each codebook, as shown in codebook information TB1 to TB4 in FIG. 2. FIG. 2 is a diagram showing an example of data according to the first embodiment.
コードブック情報TB1は、第1サブベクトルに対応する第1コードブック情報を示し、情報処理装置100は、第1サブベクトルに対応するコードブックCD11~CD19の各々のベクトルと、第1部分クエリQE1-1との間の距離を算出する。図2では、情報処理装置100は、コードブック情報TB1に示すように、コードブックCD11と第1部分クエリQE1-1との間の距離を距離DS11と算出する。同様に、情報処理装置100は、コードブックCD12~CD14等の各々と第1部分クエリQE1-1との間の距離を距離DS12~DS14等と算出する。 The codebook information TB1 indicates first codebook information corresponding to the first subvector, and the information processing apparatus 100 stores each vector of the codebooks CD11 to CD19 corresponding to the first subvector and the first partial query QE1. -1. In FIG. 2, the information processing device 100 calculates the distance between the codebook CD11 and the first partial query QE1-1 as a distance DS11, as shown in codebook information TB1. Similarly, the information processing device 100 calculates the distances between each of the codebooks CD12 to CD14, etc. and the first partial query QE1-1 as distances DS12 to DS14, etc.
同様に、コードブック情報TB2~TB4の各々は、第2~第4サブベクトルの各々に対応する第2~第4コードブック情報を示す。情報処理装置100は、コードブック情報TB2に示すように、コードブックCD21~CD24等の各々と第2部分クエリQE1-2との間の距離を距離DS21~DS24等と算出する。情報処理装置100は、コードブック情報TB3に示すように、コードブックCD31~CD34等の各々と第3部分クエリQE1-3との間の距離を距離DS31~DS34等と算出する。情報処理装置100は、コードブック情報TB4に示すように、コードブックCD41~CD44等の各々と第4部分クエリQE1-4との間の距離を距離DS41~DS44等と算出する。 Similarly, each of codebook information TB2 to TB4 indicates second to fourth codebook information corresponding to each of the second to fourth subvectors. The information processing device 100 calculates the distances between each of the codebooks CD21 to CD24, etc. and the second partial query QE1-2 as distances DS21 to DS24, etc., as shown in the codebook information TB2. The information processing device 100 calculates the distances between each of the codebooks CD31 to CD34, etc. and the third partial query QE1-3 as distances DS31 to DS34, etc., as shown in the codebook information TB3. The information processing device 100 calculates the distances between each of the codebooks CD41 to CD44, etc. and the fourth partial query QE1-4 as distances DS41 to DS44, etc., as shown in codebook information TB4.
なお、図2では説明のため抽象的に示すが、距離DS11~DS44等は具体的な値であるものとする。距離は浮動小数点で表される値であるが、後述のSIMD(Single Instruction, Multiple Data)による高速化のためにscale-offset-compression(「https://www.unidata.ucar.edu/blogs/developer/entry/compression_by_scaling_and_offfset」等参照)により1バイト整数型に圧縮してもよい。情報処理装置100は、各コードブックとクエリとの間の距離算出を、検索クエリQE1を取得したタイミングで行ってもよいし、その情報が必要になったタイミングで行ってもよい。情報処理装置100は、検索処理において、コードブック情報TB1~TB4をルックアップテーブルとして用いて、各ノードと検索クエリQE1との間の距離、すなわち近似距離(「第1距離」ともいう)を算出する。このように、情報処理装置100は、検索処理において、グラフを探索する際には、各ノードと検索クエリとの間の真の距離(「第2距離」ともいう)ではなく、近似距離(第1距離)を計算し処理を行うことにより、効率的な検索処理を可能にすることができる。 Although the distances DS11 to DS44 and the like are shown abstractly in FIG. 2 for the sake of explanation, it is assumed that the distances DS11 to DS44, etc. are concrete values. The distance is a value expressed as a floating point number, but scale-offset-compression (https://www.unidata.ucar.edu/blogs/ developer/entry/compression_by_scaling_and_offfset" etc.) may be used to compress it into a 1-byte integer type. The information processing apparatus 100 may calculate the distance between each codebook and the query at the timing when the search query QE1 is acquired, or at the timing when the information becomes necessary. In the search process, the information processing device 100 uses the codebook information TB1 to TB4 as a lookup table to calculate the distance between each node and the search query QE1, that is, the approximate distance (also referred to as "first distance"). do. In this way, when searching a graph in the search process, the information processing device 100 uses approximate distances (also referred to as "second distances") rather than true distances (also referred to as "second distances") between each node and the search query. 1 distance) and perform the processing, it is possible to perform efficient search processing.
情報処理装置100は、検索クエリQE1を対象とする検索処理を実行する(ステップS12)。情報処理装置100は、検索クエリQE1を対象として、グラフGR1を用いた図11に示すような検索処理を行うことにより、検索クエリQE1の検索結果を得る。図11に示す検索処理についての詳細は後述する。情報処理装置100は、検索クエリQE1を対象として検索処理を行うことにより、検索数のノードを検索クエリQE1の近傍のノードとして抽出する。 The information processing device 100 executes a search process targeting the search query QE1 (step S12). The information processing device 100 obtains a search result for the search query QE1 by performing a search process as shown in FIG. 11 using the graph GR1 for the search query QE1. Details of the search process shown in FIG. 11 will be described later. The information processing device 100 performs a search process on the search query QE1, thereby extracting the searched nodes as nodes in the vicinity of the search query QE1.
情報処理装置100は、検索クエリQE1を対象とする検索処理において、各ノードのうち、所定のノードをグラフGR1の検索の開始点(起点)となるノード(以下「起点ノード」ともいう)として選択する。例えば、情報処理装置100は、起点ノードを、木構造のインデックス等の所定のインデックスを用いて選択する。図1の例では、情報処理装置100は、起点ノードとして、ノードN7を選択するものとする。なお、図1では説明を簡単にするために、所定のインデックスを用いてノードN7のみを起点ノードとして選択する場合を示すが、情報処理装置100は、複数のノードを起点ノードとして選択してもよいし、ランダム等の様々な方法により起点ノードを選択してもよい。 In the search process targeting the search query QE1, the information processing device 100 selects a predetermined node from among the nodes as a node (hereinafter also referred to as "starting point node") that becomes the starting point (starting point) of the search for the graph GR1. do. For example, the information processing apparatus 100 selects the starting node using a predetermined index such as a tree-structured index. In the example of FIG. 1, it is assumed that the information processing apparatus 100 selects node N7 as the starting point node. Note that although FIG. 1 shows a case where only node N7 is selected as the starting point node using a predetermined index to simplify the explanation, the information processing apparatus 100 can also select multiple nodes as the starting point node. Alternatively, the starting node may be selected by various methods such as random.
ここで、情報処理装置100は、検索クエリQE1を対象とする検索処理において、一のノードからのエッジが連結されたノード(以下「接続ノード」ともいう)と検索クエリとの距離を並列化して算出する(ステップS13)。図1では、情報処理装置100は、一括処理情報LT1に示すように、ノードN7からのエッジが連結されたノード(接続ノード)であるノードN9、N12、N54、N85等については、検索クエリQE1との距離を並列化して算出する。 Here, in the search process targeting the search query QE1, the information processing device 100 parallelizes the distance between the search query and a node to which edges from one node are connected (hereinafter also referred to as "connection node"). Calculate (step S13). In FIG. 1, the information processing device 100 uses the search query QE1 for nodes N9, N12, N54, N85, etc., which are nodes (connection nodes) to which edges from the node N7 are connected, as shown in the batch processing information LT1. Calculate the distance between the two in parallel.
例えば、ノードN9は、ノード情報INF1に示すように、第1サブベクトルがコードブックCD12、第2サブベクトルがコードブックCD23、第3サブベクトルがコードブックCD35、及び第4サブベクトルがコードブックCD47に対応付けられていることを示す。なお、変数CDのサイズはコードブックのサイズにより決定されるので、例えばコードブックサイズが16であれば、変数CDは4ビットで良いことになり、大幅なデータの圧縮が可能である。そのため、情報処理装置100は、コードブックCD12の距離DS12、コードブックCD23の距離DS23、コードブックCD35の距離DS35、及びコードブックCD47の距離DS47を用いて、ノードN9と、検索クエリQE1との距離を算出する。例えば、情報処理装置100は、コードブックCD12の距離DS12、コードブックCD23の距離DS23、コードブックCD35の距離DS35、及びコードブックCD47の距離DS47の合計を、ノードN9と検索クエリQE1との距離として算出する。 For example, in node N9, as shown in node information INF1, the first subvector is codebook CD12, the second subvector is codebook CD23, the third subvector is codebook CD35, and the fourth subvector is codebook CD47. Indicates that it is associated with. Note that the size of the variable CD is determined by the size of the codebook, so if the codebook size is 16, for example, the variable CD only needs to be 4 bits, making it possible to significantly compress data. Therefore, the information processing device 100 uses the distance DS12 of the codebook CD12, the distance DS23 of the codebook CD23, the distance DS35 of the codebook CD35, and the distance DS47 of the codebook CD47 to determine the distance between the node N9 and the search query QE1. Calculate. For example, the information processing device 100 calculates the sum of the distance DS12 of the codebook CD12, the distance DS23 of the codebook CD23, the distance DS35 of the codebook CD35, and the distance DS47 of the codebook CD47 as the distance between the node N9 and the search query QE1. calculate.
例えば、ノードN12は、ノード情報INF2に示すように、第1サブベクトルがコードブックCD14、第2サブベクトルがコードブックCD29、第3サブベクトルがコードブックCD31、及び第4サブベクトルがコードブックCD45に対応付けられていることを示す。例えば、情報処理装置100は、コードブックCD14の距離DS14、コードブックCD29の距離DS29、コードブックCD31の距離DS31、及びコードブックCD45の距離DS45の合計を、ノードN12と検索クエリQE1との距離として算出する。同様に、情報処理装置100は、ノードN54のノード情報INF3を用いて、ノードN54と検索クエリQE1との距離を算出し、ノードN85のノード情報INF4を用いて、ノードN85と検索クエリQE1との距離を算出する。 For example, in the node N12, as shown in the node information INF2, the first subvector is codebook CD14, the second subvector is codebook CD29, the third subvector is codebook CD31, and the fourth subvector is codebook CD45. Indicates that it is associated with. For example, the information processing device 100 calculates the sum of the distance DS14 of the codebook CD14, the distance DS29 of the codebook CD29, the distance DS31 of the codebook CD31, and the distance DS45 of the codebook CD45 as the distance between the node N12 and the search query QE1. calculate. Similarly, the information processing device 100 uses the node information INF3 of the node N54 to calculate the distance between the node N54 and the search query QE1, and uses the node information INF4 of the node N85 to calculate the distance between the node N85 and the search query QE1. Calculate distance.
例えば、情報処理装置100は、SIMDの演算に関する並列化により、ノードN9、N12、N54、N85の各々と検索クエリQE1との距離を一括して算出する。これにより、情報処理装置100は、距離計算を並列化することにより、距離計算を高速化することでき、効率的な検索処理を可能にすることができる。 For example, the information processing device 100 calculates the distance between each of the nodes N9, N12, N54, and N85 and the search query QE1 at once by parallelizing SIMD calculations. Thereby, the information processing device 100 can speed up the distance calculation by parallelizing the distance calculation, and can perform efficient search processing.
なお、図1では説明を簡単にするために、4つのノードを対象として距離を並列化して算出する場合を示すが、並列化される数は、情報処理装置100の仕様に基づいて決定される。例えば、情報処理装置100がSIMDにより一括して処理できる数(「一括処理可能単位」ともいう)が「4」である場合、図1と同様の処理となるが、SIMDにより一括して処理できる数(一括処理可能単位)が「16」である場合、情報処理装置100は、16個のノードを対象として距離を並列化して算出する。また、一括処理可能単位が「32」である場合、情報処理装置100は、32個のノードを対象として距離を並列化して算出する。このように、情報処理装置100は、SIMDにより一括して処理できる数(一括処理可能単位)に対応する数のノードの距離計算を一括して行うことにより、効率的な検索処理を可能にすることができる。 Note that, in order to simplify the explanation, FIG. 1 shows a case where the distance is computed in parallel for four nodes, but the number to be computed in parallel is determined based on the specifications of the information processing device 100. . For example, if the number that the information processing device 100 can process at once using SIMD (also referred to as “unit that can be processed at once”) is “4”, the processing will be similar to that shown in FIG. 1, but it will be possible to process at once using SIMD. When the number (unit that can be collectively processed) is "16", the information processing apparatus 100 calculates distances in parallel for 16 nodes. Further, when the batch processable unit is "32", the information processing apparatus 100 calculates distances in parallel for 32 nodes. In this way, the information processing device 100 enables efficient search processing by collectively calculating the distances of the number of nodes corresponding to the number that can be processed at once by SIMD (batch processable unit). be able to.
情報処理装置100は、上記のように複数のノードの距離計算を並列化して行いながら、検索クエリQE1を対象として、グラフGR1を用いた図11に示すような検索処理を行うことにより、検索数のノードを検索クエリQE1の近傍のノードとして抽出する。 The information processing device 100 calculates the number of searches by performing a search process as shown in FIG. The node is extracted as a node in the vicinity of the search query QE1.
上述のように、情報処理装置100は、ベクトル量子化された各ノードのベクトルと検索クエリとの間の近似距離(第1距離)を算出して、第1距離を用いて検索処理を行う事により、効率的な検索処理を可能にすることができる。また、情報処理装置100は、並列化可能な数のノードの距離計算を一括して行うことにより、効率的な検索処理を可能にすることができる。上記のように、情報処理装置100は、グラフのノードの複数の接続ノードとの近似距離を一括して計算することにより、限定されたメモリ領域(ルックアップテーブル)を繰り返し利用する(メモリキャッシュにのる)ので高速化が可能である。 As described above, the information processing device 100 calculates the approximate distance (first distance) between the vector quantized vector of each node and the search query, and performs the search process using the first distance. This enables efficient search processing. Furthermore, the information processing apparatus 100 can perform efficient search processing by performing distance calculations for a number of nodes that can be parallelized at once. As described above, the information processing device 100 repeatedly uses a limited memory area (lookup table) (memory cache) by collectively calculating approximate distances between nodes of the graph and multiple connected nodes. speed).
また、図1の例では、情報処理装置100は、直積量子化により分割したベクトルを用いて検索処理を行うことにより、ベクトルを分割せずに検索処理を行う場合に比べて、より効率的な検索処理を可能にすることができる。例えば、情報処理装置100は、直積量子化により短いベクトル間の距離を算出することとなり、距離計算の対象となるベクトルのサイズを小さくできる。また、情報処理装置100は、距離計算時に利用するルックアップテーブルによりアクセスするメモリ空間を、分割されたサブベクトルのルックアップテーブルに限定することができる。情報処理装置100は、直積量子化により検索精度の低下を抑制しつつ、ベクトルサイズを削減することができる。なお、図1では、直積量子化が行われた場合の処理を説明したが、直積量子化が行われた場合は一例に過ぎず、情報処理装置100は、直積量子化を行われてないベクトルを用いて検索処理を行ってもよい。 In addition, in the example of FIG. 1, the information processing device 100 performs search processing using vectors divided by direct product quantization, thereby achieving more efficient search processing than when performing search processing without dividing vectors. Search processing can be enabled. For example, the information processing device 100 calculates distances between short vectors by direct product quantization, and can reduce the size of vectors that are targets of distance calculation. Further, the information processing apparatus 100 can limit the memory space accessed by the lookup table used during distance calculation to the lookup table of divided subvectors. The information processing apparatus 100 can reduce the vector size while suppressing a decrease in search accuracy by using Cartesian product quantization. In addition, in FIG. 1, the processing in the case where Cartesian product quantization is performed has been described, but the case where Cartesian product quantization is performed is only an example, and the information processing device 100 can process vectors that have not been subjected to Cartesian product quantization. The search process may be performed using .
〔1-1-1.その他〕
上述した処理は一例に過ぎず、情報処理装置100は、効率的な検索処理の為に様々な情報や手法を用いて、検索処理を行ってもよい。この点について、各事項について詳述する。
[1-1-1. others〕
The above-described processing is merely an example, and the information processing apparatus 100 may perform search processing using various information and methods for efficient search processing. Regarding this point, each item will be explained in detail.
(エッジ(接続ノード)の格納態様)
各ノードに連結されるエッジ(接続ノード)の情報について、ノードでのエッジ(接続ノード)の格納態様(格納方法)には、例えば以下の第1格納態様及び第2格納態様の2種類が考えられるため、格納態様については、利用形態によって選択されてもよい。
(Storage mode of edges (connection nodes))
Regarding the information of edges (connection nodes) connected to each node, there are two types of storage modes (storage methods) for edges (connection nodes) in nodes: the following first storage mode and second storage mode. Therefore, the storage mode may be selected depending on the usage mode.
例えば、第1格納態様としては、各ノードには接続ノード(オブジェクト)のIDを対応付けて格納し、別のテーブルに直積量子化されたオブジェクトの情報を格納してもよい。例えば、図7及び図8に示すデータの格納態様が第1格納態様に対応する。第1格納態様の場合、メモリ使用量を削減できる。 For example, as a first storage mode, each node may be stored in association with the ID of the connected node (object), and information on objects subjected to product quantization may be stored in another table. For example, the data storage format shown in FIGS. 7 and 8 corresponds to the first storage format. In the case of the first storage mode, memory usage can be reduced.
また、例えば、第2格納態様としては、各ノードに直に量子化されたオブジェクトを持つ。第2格納態様の場合、あるノードの接続ノード(オブジェクト)が量子化された情報を各ノードに対応付けて記憶する。例えば、ノードN7の接続ノードであるノードN9、N12、N54、N85の各々の量子化された情報(図2中のノード情報INF1~INF4)がノードN7に対応付けて記憶されるデータの格納態様が第2格納態様に対応する。第2格納態様の場合、検索時にシーケンシャルにオブジェクトをアクセスするため速度低下が発生を抑制することができる。 Furthermore, for example, as a second storage mode, each node has a quantized object directly. In the case of the second storage mode, information obtained by quantizing connection nodes (objects) of a certain node is stored in association with each node. For example, a data storage mode in which quantized information (node information INF1 to INF4 in FIG. 2) of nodes N9, N12, N54, and N85, which are connected nodes of node N7, is stored in association with node N7. corresponds to the second storage mode. In the case of the second storage mode, since objects are accessed sequentially during a search, a decrease in speed can be suppressed.
(ルックアップテーブル)
上述した例では、分割したサブベクトルごとに個別にクラスタリングし、個々にルックアップテーブル(コードブック情報)を生成する場合を示したが、この場合に限らず、ルックアップテーブルについては任意の態様であってもよい。
(lookup table)
In the above example, each divided subvector is individually clustered and a lookup table (codebook information) is generated individually, but the lookup table is not limited to this case. There may be.
例えば、全てのサブベクトルに対してクラスタリングし、一つのルックアップテーブルが生成されてもよい。上述した例では、例えば、第1サブベクトル、第2サブベクトル、第3サブベクトル、及び第4サブベクトルの4つのサブベクトル全体を対象にクラスタリングし、一つのルックアップテーブルが生成されてもよい。 For example, all subvectors may be clustered and one lookup table may be generated. In the above example, for example, one lookup table may be generated by clustering all four subvectors: the first subvector, the second subvector, the third subvector, and the fourth subvector. .
また、個々のサブベクトルを部分的にマージして複数のクラスごとに、ルックアップテーブルが生成されてもよい。例えば、分散が類似しているサブベクトルをマージして複数のクラスを形成し、複数のクラスごとに、ルックアップテーブルが生成されてもよい。上述した例では、例えば、第1サブベクトル及び第3サブベクトルの2つのサブベクトの分散が類似し、第2サブベクトル及び第4サブベクトルの2つのサブベクトの分散が類似している場合、第1サブベクトル及び第3サブベクトルをマージして第1クラスとし、第2サブベクトル及び第4サブベクトルをマージして第2クラスとしてもよい。この場合、第1クラスのルックアップテーブル(コードブック情報)と、第2クラスのルックアップテーブル(コードブック情報)との2つのルックアップテーブルが生成されてもよい。 Further, lookup tables may be generated for each of a plurality of classes by partially merging individual subvectors. For example, subvectors with similar variances may be merged to form multiple classes, and a lookup table may be generated for each of the multiple classes. In the above example, for example, if the variances of two subvectors, the first subvector and the third subvector, are similar, and the variances of the two subvectors, the second subvector and the fourth subvector, are similar, then the first The sub-vector and the third sub-vector may be merged to form the first class, and the second sub-vector and the fourth sub-vector may be merged to form the second class. In this case, two lookup tables, a first class lookup table (codebook information) and a second class lookup table (codebook information), may be generated.
(転置)
上述したデータの保持は一例に過ぎず、情報処理装置100は、効率的なデータ参照等が可能となるように、種々の態様によりデータを保持してもよい。例えば、情報処理装置100は、転置したデータを保持してもよい。この点について、図3を用いて説明する。図3は、第1の実施形態に係るデータの一例を示す図である。
(transposed)
The data retention described above is merely an example, and the information processing apparatus 100 may retain data in various ways so as to enable efficient data reference. For example, the information processing device 100 may hold transposed data. This point will be explained using FIG. 3. FIG. 3 is a diagram showing an example of data according to the first embodiment.
例えば、ノード情報INF1~INF4に示すようにデータを保持し、ノード情報INF1~INF4を順次処理した場合、図2のステップS14に示すように、ルックアップテーブルであるコードブック情報TB1~TB4を繰り返し参照することとなる。 For example, if data is held as shown in node information INF1 to INF4 and node information INF1 to INF4 are sequentially processed, codebook information TB1 to TB4, which is a lookup table, is repeatedly processed as shown in step S14 in FIG. Please refer to it.
そこで、ステップS15に示すように、ノード情報INF1~INF4を転置した転置データTR1~TR4が生成される。例えば、情報処理装置100は、ノード情報INF1~INF4を転置した転置データTR1~TR4を生成する。 Therefore, as shown in step S15, transposed data TR1 to TR4 are generated by transposing the node information INF1 to INF4. For example, the information processing device 100 generates transposed data TR1 to TR4 by transposing node information INF1 to INF4.
図3では、ノード情報INF1~INF4のうち、ノードN9、N12、N54、N85の第1サブベクトルに対応するコードブックの一覧である第1データTR1が生成される。具体的には、ノードN9の第1サブベクトルに対応するコードブックCD12、ノードN12の第1サブベクトルに対応するコードブックCD14、ノードN54の第1サブベクトルに対応するコードブックCD13、及びノードN85の第1サブベクトルに対応するコードブックCD18の一覧である第1データTR1が生成される。 In FIG. 3, first data TR1 is generated which is a list of codebooks corresponding to the first subvectors of nodes N9, N12, N54, and N85 among the node information INF1 to INF4. Specifically, codebook CD12 corresponding to the first subvector of node N9, codebook CD14 corresponding to the first subvector of node N12, codebook CD13 corresponding to the first subvector of node N54, and node N85. First data TR1, which is a list of codebook CD18 corresponding to the first subvector of , is generated.
同様に、ノード情報INF1~INF4のうち、ノードN9、N12、N54、N85の第2サブベクトルに対応するコードブックの一覧である第2データTR2が生成される。また、ノード情報INF1~INF4のうち、ノードN9、N12、N54、N85の第3サブベクトルに対応するコードブックの一覧である第3データTR3が生成される。ノード情報INF1~INF4のうち、ノードN9、N12、N54、N85の第4サブベクトルに対応するコードブックの一覧である第4データTR4が生成される。 Similarly, second data TR2 is generated, which is a list of codebooks corresponding to the second subvectors of nodes N9, N12, N54, and N85 among the node information INF1 to INF4. Also, third data TR3 is generated, which is a list of codebooks corresponding to the third subvectors of nodes N9, N12, N54, and N85 among the node information INF1 to INF4. Fourth data TR4 is generated, which is a list of codebooks corresponding to the fourth subvectors of nodes N9, N12, N54, and N85 among the node information INF1 to INF4.
なお、各転置データTR1~TR4の一覧のうち、何番目のデータがどのノードに対応するかの対応付けを示す対応付情報が生成される。図3の例では、各転置データTR1~TR4の一覧のうち、1番目(最初)のデータがノードN9に対応し、2番目のデータがノードN12に対応し、3番目のデータがノードN54に対応し、4番目(最後)のデータがノードN85に対応することを示す対応付情報が生成される。情報処理装置100は、対応付情報を参照することにより、各転置データTR1~TR4の一覧の各データが、どのノードに対応するかを特定することができる。例えば、情報処理装置100は、対応付情報を生成する。 Note that correspondence information is generated that indicates the correspondence between which data in the list of each transposed data TR1 to TR4 corresponds to which node. In the example of FIG. 3, among the list of transposed data TR1 to TR4, the first data corresponds to node N9, the second data corresponds to node N12, and the third data corresponds to node N54. Correspondingly, association information indicating that the fourth (last) data corresponds to node N85 is generated. By referring to the correspondence information, the information processing device 100 can specify which node each data in the list of transposed data TR1 to TR4 corresponds to. For example, the information processing device 100 generates association information.
情報処理装置100は、ノード情報INF1~INF4を転置した転置データTR1~TR4を用いて処理を行う。例えば、情報処理装置100は、転置データTR1を用いてルックアップテーブルを参照する場合、コードブック情報TB1のみを参照することとなり、1つのコードブック情報TB1のみを参照することとなる。同様に、情報処理装置100は、転置データTR2を用いてルックアップテーブルを参照する場合、コードブック情報TB2のみを参照することとなり、1つのコードブック情報TB2のみを参照することとなる。転置データTR3、TR4についても同様に1つのコードブック情報のみを参照することとなる。これにより、情報処理装置100は、効率的にデータを参照することができるため、効率的な検索処理を可能にすることができる。 The information processing device 100 performs processing using transposed data TR1 to TR4 obtained by transposing node information INF1 to INF4. For example, when the information processing device 100 refers to the lookup table using the transposed data TR1, it refers only to the codebook information TB1, and refers to only one codebook information TB1. Similarly, when the information processing device 100 refers to the lookup table using the transposed data TR2, it refers only to the codebook information TB2, and refers to only one codebook information TB2. Similarly, only one codebook information is referred to for the transposed data TR3 and TR4. As a result, the information processing apparatus 100 can efficiently refer to data, thereby enabling efficient search processing.
このように、一括距離計算時にサブクラス(サブベクトル等)ごとのルックアップテーブルの参照するように、ノードの近傍オブジェクト(接続ノード)のデータを転置し、サブクラスごとにまとめ上げた順番でデータをノードにもつことで、参照の局所性がさらに高まり、高速化が可能となる。 In this way, in order to refer to the lookup table for each subclass (subvector, etc.) during batch distance calculation, the data of the neighboring objects (connected nodes) of the node is transposed, and the data is sent to the node in the order in which it is compiled for each subclass. By having both, the locality of reference is further increased and speeding up is possible.
なお、図3では説明を簡単にするために、4つのノードを対象として転置データを生成する場合を示すが、転置データを生成する単位(ノードの数)は、情報処理装置100の仕様に基づいて決定される。例えば、情報処理装置100の一括処理可能単位が「4」である場合、図3と同様の処理となるが、一括処理可能単位が「16」である場合、16個のノードを一つの単位として転置データが生成される。また、一括処理可能単位が「32」である場合、32個のノードを一つの単位として転置データが生成される。このように、情報処理装置100がSIMDにより一括して処理できる数(一括処理可能単位)に応じて生成される転置データを用いることで、情報処理装置100は、効率的にデータを参照することができるため、効率的な検索処理を可能にすることができる。 Note that, in order to simplify the explanation, FIG. 3 shows a case where transposed data is generated for four nodes, but the unit (number of nodes) in which transposed data is generated is based on the specifications of the information processing device 100. Determined by For example, if the batch processable unit of the information processing device 100 is "4", the process is similar to that shown in FIG. 3, but if the batch processable unit is "16", 16 nodes are treated as one unit. Transposed data is generated. Further, when the batch processable unit is "32", transposed data is generated with 32 nodes as one unit. In this way, by using the transposed data that is generated according to the number that the information processing apparatus 100 can process at once using SIMD (units that can be processed at once), the information processing apparatus 100 can refer to data efficiently. This makes it possible to perform efficient search processing.
例えば、上述のような検索処理時の時間の多くは距離計算であるが、距離計算は上記のようなSIMDによる並列計算により高速化を図ることができる。このように距離計算を並列化した場合、オブジェクトデータをフェッチする時間が検索処理を占めることになる。このフェッチ時間を削減することができれば、さらなる高速化が実現される。なお、データをフェッチする時間を削減するにはプリフェッチを行う方法があるが、限界がある。 For example, much of the time during the above-mentioned search process is spent on distance calculation, but distance calculation can be sped up by parallel calculation using SIMD as described above. When distance calculation is parallelized in this way, the time required to fetch object data occupies the search process. If this fetch time can be reduced, further speeding up can be achieved. Note that there is a method of prefetching to reduce the time required to fetch data, but there is a limit.
一方、情報処理装置100は、上述のように参照の局所性を高め、効率的にデータを参照することを可能にすることにより、データのフェッチを抑制し、さらなる高速化を実現することができる。 On the other hand, the information processing device 100 can suppress data fetching and achieve further speedup by increasing the locality of reference and making it possible to efficiently refer to data as described above. .
(検索結果)
なお、上述した第2距離(真の距離)による検索結果を返す場合には、以下の第1の方法及び第2の方法の2つの方法が考えられる。
(search results)
Note that when returning search results based on the second distance (true distance) described above, the following two methods, the first method and the second method, can be considered.
例えば、第1の方法としては、検索数を指定された検索数より多く探索し、探索終了時に、真の距離計算を行って距離でソートし、指定された検索数のオブジェクトを検索結果としてもよい。この場合、情報処理装置100は、指定された検索数(「第1数」ともいう)よりも多い数(「拡張検索数」ともいう)のノードを抽出するように、拡張検索数(「第2数」ともいう)を検索数として設定し、図11に示すような検索処理を行うことにより、拡張検索数のノード、すなわち指定された検索数よりも多い数のノードを近傍候補ノードとして抽出する。そして、情報処理装置100は、近傍候補ノードを対象として、第2距離(真の距離)を算出し、近傍候補ノードのうち、第2距離が短い方から第1数のノードを検索クエリの近傍のノードとして抽出する。 For example, the first method is to search for more than the specified number of searches, and at the end of the search, calculate the true distance, sort by distance, and select the specified number of objects as search results. good. In this case, the information processing device 100 extracts nodes whose number (also referred to as "extended search number") is greater than the specified number of searches (also referred to as "first number"). By setting the number of searches (also referred to as ``number 2'') as the search number and performing the search process as shown in Figure 11, nodes with the extended search number, that is, nodes whose number is greater than the specified number of searches, are extracted as nearby candidate nodes. do. Then, the information processing device 100 calculates a second distance (true distance) for the neighboring candidate nodes, and selects the first number of nodes from among the neighboring candidate nodes, starting from the one with the shortest second distance, in the vicinity of the search query. Extract as a node.
また、例えば、第2の方法としては、探索中に、第1距離(近似距離)に基づいて、ノード(オブジェクト)が探索範囲内または検索範囲内に入った場合のみに、第2距離(真の距離)を計算し、近似距離を真の距離で置き換えることで、真の距離による検索結果を返してもよい。 For example, as a second method, only when a node (object) is within the search range or within the search range based on the first distance (approximate distance), the second distance (true The search result based on the true distance may be returned by calculating the approximate distance (distance) and replacing the approximate distance with the true distance.
ここでいう、検索範囲は、図11中の「r」により規定される範囲であり、探索範囲は、図11中の検索範囲係数「ε」を用いた「r(1+ε)」により規定される範囲である。例えば、検索範囲に入った場合に第2距離(真の距離)を計算する場合、情報処理装置100は、ノードの第1距離(近似距離)が「r」以下となった場合に、そのノードの第2距離(真の距離)を算出する。また、探索範囲に入った場合に第2距離(真の距離)を計算する場合、情報処理装置100は、ノードの第1距離(近似距離)が「r(1+ε)」以下となった場合に、そのノードの第2距離(真の距離)を算出する。 The search range here is the range defined by "r" in FIG. 11, and the search range is defined by "r(1+ε)" using the search range coefficient "ε" in FIG. range. For example, when calculating the second distance (true distance) when the node enters the search range, the information processing device 100 calculates whether the node A second distance (true distance) is calculated. Further, when calculating the second distance (true distance) when the node enters the search range, the information processing device 100 calculates the second distance (true distance) when the first distance (approximate distance) of the node is equal to or less than “r(1+ε)”. , calculate the second distance (true distance) of that node.
例えば、精度を高める場合、探索範囲に入った場合を条件としてもよい。また、処理の高速化を求める場合、検索範囲に入った場合を条件としてもよい。なお、上記は一例に過ぎず、いずれを条件とするかは、検索範囲係数「ε」の値や処理の目的などに応じて適宜設定されてもよい。 For example, to improve accuracy, the condition may be set to be within the search range. Furthermore, when speeding up the processing is desired, the condition may be set to be within the search range. Note that the above is just an example, and which condition is to be used may be set as appropriate depending on the value of the search range coefficient "ε", the purpose of processing, etc.
(ベクトル量子化)
なお、情報処理装置100は、特許文献3に示すように、2段階のベクトル量子化を行ってもよい。そして、情報処理装置100は、下記の式(1)により、検索クエリと各ノードとの距離を算出してもよい。
(vector quantization)
Note that the information processing device 100 may perform two-stage vector quantization as shown in
ここで、上記式(1)中の左辺の値は、例えば、検索クエリとノードとの間の二乗距離を示す。また、例えば、上記式(1)中の「x」は、クエリに対応する。また、例えば、上記式(1)中の「y」は、ノードに対応する。また、例えば、上記式(1)の右辺中の「qc(y)」は、「y」の代表ベクトル(セントロイド)を示す。例えば、情報処理装置100は、上記式(1)中の「y」について、ノードのベクトルデータを有しない場合は、各ノードが属する部分領域のセントロイドの数値を用いてもよい。また、例えば、「y-qc(y)」は、残差ベクトルを示す。また、例えば、上記式(1)の右辺中の「qp」は、所定の量子化器(関数)を示す。 Here, the value on the left side of the above equation (1) indicates, for example, the square distance between the search query and the node. Further, for example, "x" in the above formula (1) corresponds to a query. Further, for example, "y" in the above formula (1) corresponds to a node. Further, for example, "q c (y)" on the right side of the above equation (1) indicates a representative vector (centroid) of "y". For example, when the information processing apparatus 100 does not have node vector data for "y" in the above equation (1), the information processing apparatus 100 may use the numerical value of the centroid of the partial area to which each node belongs. Further, for example, "yq c (y)" indicates a residual vector. Further, for example, “q p ” on the right side of the above equation (1) indicates a predetermined quantizer (function).
また、例えば、上記式(1)の右辺中の「j」は、分割された空間の数であってもよい。例えば、図1の例では、上記式(1)の右辺中の「j」は、分割された空間の数「4」であってもよい。また、例えば、上記式(1)の右辺中の「uj()」は、括弧中のベクトル間の部分残差ベクトルを示す。例えば、情報処理装置100は、上記式(1)を用いて、各部分空間におけるクエリとノードとの間の二乗距離を算出し、合算することにより、クエリとノードとの距離を算出してもよい。 Further, for example, "j" on the right side of the above equation (1) may be the number of divided spaces. For example, in the example of FIG. 1, "j" on the right side of the above equation (1) may be the number of divided spaces "4". Further, for example, "u j ()" on the right side of the above equation (1) indicates a partial residual vector between the vectors in parentheses. For example, the information processing device 100 may calculate the distance between the query and the node by calculating the squared distance between the query and the node in each subspace using the above equation (1), and summing the squared distance between the query and the node. good.
〔1-2.情報処理システムの構成〕
図4に示すように、情報処理システム1は、端末装置10と、情報提供装置50と、情報処理装置100とが含まれる。端末装置10と、情報提供装置50と、情報処理装置100とは所定のネットワークNを介して、有線または無線により通信可能に接続される。図4は、第1の実施形態に係る情報処理システムの構成例を示す図である。なお、図4に示した情報処理システム1には、複数台の端末装置10や、複数台の情報提供装置50や、複数台の情報処理装置100が含まれてもよい。
[1-2. Information processing system configuration]
As shown in FIG. 4, the
端末装置10は、ユーザによって利用される情報処理装置である。端末装置10は、ユーザによる種々の操作を受け付ける。なお、以下では、端末装置10をユーザと表記する場合がある。すなわち、以下では、ユーザを端末装置10と読み替えることもできる。なお、上述した端末装置10は、例えば、スマートフォンや、タブレット型端末や、ノート型PC(Personal Computer)や、デスクトップPCや、携帯電話機や、PDA(Personal Digital Assistant)等により実現される。
The
情報提供装置50は、ユーザ等に種々の情報提供を行うための情報が格納された情報処理装置である。例えば、情報提供装置50は、ウェブサーバ等の種々の外部装置から収集した文字情報等に基づくオブジェクトIDが格納される。例えば、情報提供装置50は、ユーザ等に画像検索サービスを提供する情報処理装置である。例えば、情報提供装置50は、画像検索サービスを提供するための各情報が格納される。例えば、情報提供装置50は、画像検索サービスの対象となる画像に対応するベクトル情報を情報処理装置100に提供する。また、情報提供装置50は、クエリを情報処理装置100に送信することにより、情報処理装置100からクエリに対応する画像を示すオブジェクトID等を受信する。 The information providing device 50 is an information processing device that stores information for providing various information to users and the like. For example, the information providing device 50 stores object IDs based on character information etc. collected from various external devices such as web servers. For example, the information providing device 50 is an information processing device that provides image search services to users and the like. For example, the information providing device 50 stores various pieces of information for providing an image search service. For example, the information providing device 50 provides the information processing device 100 with vector information corresponding to an image that is a target of an image search service. Furthermore, by transmitting a query to the information processing device 100, the information providing device 50 receives an object ID and the like indicating an image corresponding to the query from the information processing device 100.
情報処理装置100は、検索サービスを提供するコンピュータである。情報処理装置100は、検索クエリに対応する指定された検索数のオブジェクトを検索結果として提供する。情報処理装置100は、検索対象となるノード(オブジェクト)がエッジで連結されたグラフを用いて、検索クエリの近傍のノード(オブジェクト)を検索結果として提供する。情報処理装置100は、複数のオブジェクトの各々に対応するノード群がエッジにより連結されたグラフを用いて、検索クエリの近傍のノードを検索する検索処理において、所定の基準により選択された複数のノードと検索クエリとの距離を、ベクトル量子化がされた複数のノードのベクトル情報を用いて算出する。 The information processing device 100 is a computer that provides a search service. The information processing apparatus 100 provides a specified number of search objects corresponding to the search query as search results. The information processing apparatus 100 uses a graph in which search target nodes (objects) are connected by edges to provide nodes (objects) near a search query as search results. The information processing device 100 uses a graph in which a group of nodes corresponding to each of a plurality of objects are connected by edges to search for nodes in the vicinity of a search query. The distance between the search query and the search query is calculated using vector information of a plurality of nodes subjected to vector quantization.
例えば、情報処理装置100は、端末装置10からクエリ(検索クエリ)を受信すると、検索クエリに類似する対象(オブジェクト)を検索し、検索結果を端末装置に提供する。また、例えば、情報処理装置100が端末装置に提供するデータは、画像情報等のデータ自体であってもよいし、URL(Uniform Resource Locator)等の対応するデータを参照するための情報であってもよい。また、検索クエリや検索対象(オブジェクト)は、画像、音声、テキストデータなど、如何なる種類のデータであってもよい。
For example, upon receiving a query (search query) from the
〔1-3.情報処理装置の構成〕
次に、図5を用いて、第1の実施形態に係る情報処理装置100の構成について説明する。図5は、第1の実施形態に係る情報処理装置100の構成例を示す図である。図5に示すように、情報処理装置100は、通信部110と、記憶部120と、制御部130とを有する。なお、情報処理装置100は、情報処理装置100の管理者等から各種操作を受け付ける入力部(例えば、キーボードやマウス等)や、各種情報を表示するための表示部(例えば、液晶ディスプレイ等)を有してもよい。
[1-3. Configuration of information processing device]
Next, the configuration of the information processing apparatus 100 according to the first embodiment will be described using FIG. 5. FIG. 5 is a diagram illustrating a configuration example of the information processing device 100 according to the first embodiment. As shown in FIG. 5, the information processing device 100 includes a
(通信部110)
通信部110は、例えば、NIC(Network Interface Card)等によって実現される。そして、通信部110は、ネットワーク(例えば図4中のネットワークN)と有線または無線で接続され、端末装置10や情報提供装置50との間で情報の送受信を行う。
(Communication Department 110)
The
(記憶部120)
記憶部120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。第1の実施形態に係る記憶部120は、図5に示すように、オブジェクト情報記憶部121と、グラフ情報記憶部122と、量子化情報記憶部123と、コードブック情報記憶部124とを有する。
(Storage unit 120)
The storage unit 120 is realized by, for example, a semiconductor memory element such as a RAM (Random Access Memory) or a flash memory, or a storage device such as a hard disk or an optical disk. As shown in FIG. 5, the storage unit 120 according to the first embodiment includes an object
(オブジェクト情報記憶部121)
第1の実施形態に係るオブジェクト情報記憶部121は、オブジェクトに関する各種情報を記憶する。例えば、オブジェクト情報記憶部121は、オブジェクトIDやベクトルデータを記憶する。図6は、第1の実施形態に係るオブジェクト情報記憶部の一例を示す図である。図6に示すオブジェクト情報記憶部121は、「オブジェクトID」、「ベクトル情報」といった項目が含まれる。
(Object information storage unit 121)
The object
「オブジェクトID」は、オブジェクトを識別するための識別情報を示す。また、「ベクトル情報」は、オブジェクトIDにより識別されるオブジェクトに対応するベクトル情報を示す。すなわち、図6の例では、オブジェクトを識別するオブジェクトIDに対して、オブジェクトに対応するベクトルデータ(ベクトル情報)が対応付けられて登録されている。 "Object ID" indicates identification information for identifying an object. Moreover, "vector information" indicates vector information corresponding to the object identified by the object ID. That is, in the example of FIG. 6, vector data (vector information) corresponding to the object is registered in association with an object ID that identifies the object.
例えば、図6の例では、オブジェクトID「OB1」により識別されるオブジェクト(対象)は、「10,24,51,2・・・」の多次元のベクトル情報が対応付けられることを示す。 For example, the example in FIG. 6 indicates that the object (target) identified by the object ID "OB1" is associated with multidimensional vector information of "10, 24, 51, 2...".
なお、オブジェクト情報記憶部121は、上記に限らず、目的に応じて種々の情報を記憶してもよい。
Note that the object
(グラフ情報記憶部122)
第1の実施形態に係るグラフ情報記憶部122は、グラフに関する各種情報を記憶する。例えば、グラフ情報記憶部122は、生成したグラフを記憶する。図7は、第1の実施形態に係るグラフ情報記憶部の一例を示す図である。図7に示すグラフ情報記憶部122は、「ノードID」、「オブジェクトID」、および「接続ノード情報」といった項目を有する。
(Graph information storage unit 122)
The graph
「ノードID」は、グラフにおける各ノード(対象)を識別するための識別情報を示す。また、「オブジェクトID」は、オブジェクトを識別するための識別情報を示す。なお、ノードIDとオブジェクトIDが共通である場合、「ノードID」にオブジェクトIDが記憶され、グラフ情報記憶部122に「オブジェクトID」の項目は含まれてなくてもよい。例えば、オブジェクトIDとノードIDとして用いる場合、「ノードID」にオブジェクトIDが記憶され、グラフ情報記憶部122に「オブジェクトID」の項目は含まれてなくてもよい。
"Node ID" indicates identification information for identifying each node (object) in the graph. Moreover, "object ID" indicates identification information for identifying an object. Note that if the node ID and object ID are the same, the object ID is stored in the "node ID" and the graph
また、「接続ノード情報」は、対応するノードから辿ることができるノード(参照先のノード)に関する情報を示す。例えば、「接続ノード情報」には、「参照先」といった情報が含まれる。「参照先」は、エッジにより連結され、そのノードから辿ることができる参照先(ノード)を識別するための情報を示す。すなわち、図7の例では、ノードを識別するノードID(オブジェクトID)に対して、そのノードからエッジにより辿ることができる参照先(ノード)が対応付けられて登録されている。なお、「接続ノード情報」には、参照先に接続されるエッジを識別するための情報(エッジID)等が含まれてもよい。 Further, "connected node information" indicates information regarding a node (reference destination node) that can be traced from the corresponding node. For example, "connected node information" includes information such as "reference destination." “Reference destination” indicates information for identifying a reference destination (node) that is connected by an edge and can be traced from that node. That is, in the example of FIG. 7, a reference destination (node) that can be traced from the node by an edge is registered in association with a node ID (object ID) that identifies the node. Note that the "connected node information" may include information (edge ID) for identifying an edge connected to a reference destination.
図7の例では、ノードID「N1」により識別されるノード(ノードN1)は、オブジェクトID「OB1」により識別されるオブジェクト(対象)に対応することを示す。また、ノードN1からは、ノードID「N4」により識別されるノード(ノードN4)にエッジが連結されており、ノードN1からノードN4へ辿ることができることを示す。 The example of FIG. 7 indicates that the node (node N1) identified by the node ID "N1" corresponds to the object (target) identified by the object ID "OB1". Further, an edge is connected from the node N1 to the node (node N4) identified by the node ID "N4", indicating that it is possible to trace from the node N1 to the node N4.
また、ノードID「N2」により識別されるノード(ノードN2)は、オブジェクトID「OB2」により識別されるオブジェクト(対象)に対応することを示す。また、ノードN2からは、ノードID「N6」により識別されるノード(ノードN6)にエッジが連結されており、ノードN2からノードN6へ辿ることができることを示す。 Further, the node (node N2) identified by the node ID "N2" corresponds to the object (target) identified by the object ID "OB2". Further, an edge is connected from the node N2 to the node (node N6) identified by the node ID "N6", indicating that it is possible to trace from the node N2 to the node N6.
また、ノードID「N7」により識別されるノード(ノードN7)は、オブジェクトID「OB7」により識別されるオブジェクト(対象)に対応することを示す。また、ノードN7からは、ノードN9、N12、N54、N85にエッジが連結されており、ノードN2からノードN9、N12、N54、N85の各々へ辿ることができることを示す。 Further, the node (node N7) identified by the node ID "N7" corresponds to the object (target) identified by the object ID "OB7". Furthermore, edges are connected from node N7 to nodes N9, N12, N54, and N85, indicating that each of nodes N9, N12, N54, and N85 can be traced from node N2.
なお、グラフ情報記憶部122は、上記に限らず、目的に応じて種々の情報を記憶してもよい。例えば、グラフ情報記憶部122は、各ノード(ベクトル)間を連結するエッジの長さが記憶されてもよい。すなわち、グラフ情報記憶部122は、各ノード(ベクトル)間の距離を示す情報が記憶されてもよい。なお、グラフ情報記憶部122は、上記に限らず、種々のデータ構造によりグラフ情報を記憶してもよい。
Note that the graph
また、グラフは、クエリを入力とし、グラフ中のエッジを辿ることによりノードを探索し、クエリに類似するノードを抽出し出力するプログラムモジュールを含んでもよい。すなわち、グラフは、グラフを用いて検索処理を行うプログラムモジュールとしての利用が想定されるものであってもよい。例えば、グラフGR1は、クエリとしてベクトルデータが入力された場合に、そのベクトルデータに類似するベクトルデータに対応するノードをグラフ中から抽出し、出力するプログラムであってもよい。例えば、グラフGR1は、クエリ画像に対応する類似画像を検索するプログラムモジュールとして利用されるデータであってもよい。例えば、グラフGR1は、入力されたクエリに基づいて、グラフにおいてそのクエリに類似するノードを抽出し、出力するよう、コンピュータを機能させる。 The graph may also include a program module that receives a query as input, searches for nodes by tracing edges in the graph, and extracts and outputs nodes similar to the query. That is, the graph may be assumed to be used as a program module that performs search processing using the graph. For example, the graph GR1 may be a program that, when vector data is input as a query, extracts nodes corresponding to vector data similar to the vector data from the graph and outputs them. For example, the graph GR1 may be data used as a program module that searches for similar images corresponding to a query image. For example, the graph GR1 causes a computer to function based on an input query to extract and output nodes similar to the query in the graph.
(量子化情報記憶部123)
第1の実施形態に係る量子化情報記憶部123は、割当処理に関する各種情報を記憶する。図8は、第1の実施形態に係る量子化情報記憶部の一例を示す図である。図8の例では、量子化情報記憶部123には、「ノードID」、「オブジェクトID」、および「量子化情報」といった項目を有する。
(Quantization information storage unit 123)
The quantization
「ノードID」は、グラフにおける各ノード(対象)を識別するための識別情報を示す。また、「オブジェクトID」は、オブジェクトを識別するための識別情報を示す。なお、ノードIDとオブジェクトIDが共通である場合、「ノードID」にオブジェクトIDが記憶され、量子化情報記憶部123に「オブジェクトID」の項目は含まれてなくてもよい。
"Node ID" indicates identification information for identifying each node (object) in the graph. Moreover, "object ID" indicates identification information for identifying an object. Note that when the node ID and the object ID are common, the object ID is stored in the "node ID", and the quantization
また、「量子化情報」は、各ノード(オブジェクト)の量子化されたベクトルの情報を示す。例えば、「量子化情報」には、「要素」、「コードブックID」といった情報が含まれる。「要素」は、対応するオブジェクトのベクトルにおける配置を示す。図8の例では、「要素」には、「#1」、「#2」、「#3」、「#4」が含まれる場合を示す。この場合、各ノード(オブジェクト)のベクトルは4分割され、各分割された部分ベクトルがコードブックにより量子化されることを示す。なお、分割数は4に限らず、例えば分割数が6の場合、「要素」には、「#1」、「#2」、「#3」、「#4」、「#5」、「#6」が含まれる。「コードブックID」は、各要素(部分ベクトル)に対応するコードブックを識別するための情報を示す。 Moreover, "quantization information" indicates information on quantized vectors of each node (object). For example, "quantization information" includes information such as "element" and "codebook ID." "Element" indicates the arrangement of the corresponding object in the vector. In the example of FIG. 8, the "element" includes "#1", "#2", "#3", and "#4". In this case, the vector of each node (object) is divided into four parts, and each divided partial vector is quantized by the codebook. Note that the number of divisions is not limited to 4. For example, if the number of divisions is 6, "element" may include "#1", "#2", "#3", "#4", "#5", " #6” is included. "Codebook ID" indicates information for identifying the codebook corresponding to each element (partial vector).
図8の例では、ノードN9(オブジェクトOB9)のベクトルは、4分割された部分ベクトルのうち、先頭の部分ベクトルがコードブックID「CD12」により識別されるコードブック(コードブックCD12)により量子化されることを示す。また、ノードN9(オブジェクトOB9)のベクトルは、4分割された部分ベクトルのうち、先頭から2番目の部分ベクトルがコードブックID「CD23」により識別されるコードブック(コードブックCD23)により量子化されることを示す。 In the example of FIG. 8, the vector of node N9 (object OB9) is quantized by the codebook (codebook CD12) whose first partial vector among the four divided partial vectors is identified by the codebook ID "CD12". Indicates that the In addition, in the vector of node N9 (object OB9), among the four divided partial vectors, the second partial vector from the beginning is quantized by the codebook (codebook CD23) identified by the codebook ID "CD23". to show that
また、ノードN9(オブジェクトOB9)のベクトルは、4分割された部分ベクトルのうち、先頭から3番目の部分ベクトルがコードブックID「CD35」により識別されるコードブック(コードブックCD35)により量子化されることを示す。また、ノードN9(オブジェクトOB9)のベクトルは、4分割された部分ベクトルのうち、先頭から4番目(すなわち最後尾)の部分ベクトルがコードブックID「CD47」により識別されるコードブック(コードブックCD47)により量子化されることを示す。 In addition, in the vector of node N9 (object OB9), among the four divided partial vectors, the third partial vector from the beginning is quantized by the codebook (codebook CD35) identified by the codebook ID "CD35". to show that In addition, the vector of node N9 (object OB9) has a codebook (codebook CD47) in which the fourth (i.e., the last) partial vector from the beginning among the four divided partial vectors is identified by the codebook ID "CD47". ) indicates that it is quantized.
なお、量子化情報記憶部123は、上記に限らず、目的に応じて種々の情報を記憶してもよい。
Note that the quantization
(コードブック情報記憶部124)
第1の実施形態に係るコードブック情報記憶部124は、コードブックに関する各種情報を記憶する。例えば、コードブック情報記憶部124は、コードブックIDや各コードブックのベクトル情報を記憶する。図9は、第1の実施形態に係るコードブック情報記憶部の一例を示す図である。図9の例では、コードブック情報記憶部124は、各コードブックとベクトルとの対応付けを示すルックアップテーブルを記憶する場合を一例として示す。
(Codebook information storage unit 124)
The codebook
コードブック情報記憶部124は、4分割された部分ベクトルのうち、先頭の部分ベクトルを量子化するために用いるコードブック情報TB1、4分割された部分ベクトルのうち、先頭から2番目の部分ベクトルを量子化するために用いるコードブック情報TB2を記憶する。また、コードブック情報記憶部124は、4分割された部分ベクトルのうち、先頭から3番目の部分ベクトルを量子化するために用いるコードブック情報TB3、4分割された部分ベクトルのうち、先頭から4番目(すなわち最後尾)の部分ベクトルを量子化するために用いるコードブック情報TB4等を記憶する。
The codebook
図9の例では、コードブック情報TB1には、コードブックID「CD11」により識別されるコードブック(コードブックCD11)やコードブックID「CD12」により識別されるコードブック(コードブックCD12)等のコードブック情報を記憶する。例えば、コードブックCD11は、「5,13・・・」の多次元のベクトル情報が対応付けられることを示す。また、コードブックCD12は、「27,51・・・」の多次元のベクトル情報が対応付けられることを示す。 In the example of FIG. 9, the codebook information TB1 includes the codebook identified by the codebook ID "CD11" (codebook CD11), the codebook identified by the codebook ID "CD12" (codebook CD12), etc. Store codebook information. For example, codebook CD11 indicates that multidimensional vector information of "5, 13..." is associated. Further, codebook CD12 indicates that multidimensional vector information of "27, 51..." is associated.
なお、コードブック情報記憶部124は、上記に限らず、目的に応じて種々の情報を記憶してもよい。例えば、コードブック情報記憶部124は、各コードブックと検索クエリとの差分(距離)を示す情報を記憶してもよい。
Note that the codebook
(制御部130)
図5の説明に戻って、制御部130は、コントローラ(controller)であり、例えば、CPU(Central Processing Unit)やMPU(Micro Processing Unit)やGPU(Graphics Processing Unit)等によって、情報処理装置100内部の記憶装置に記憶されている各種プログラム(情報処理プログラムの一例に相当)がRAM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130は、コントローラであり、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る。
(Control unit 130)
Returning to the explanation of FIG. 5, the
図5に示すように、制御部130は、取得部131と、生成部132と、検索処理部133と、提供部134とを有し、以下に説明する情報処理の機能や作用を実現または実行する。なお、制御部130の内部構成は、図5に示した構成に限られず、後述する情報処理を行う構成であれば他の構成であってもよい。
As shown in FIG. 5, the
(取得部131)
取得部131は、各種情報を取得する。例えば、取得部131は、記憶部120から各種情報を取得する。例えば、取得部131は、オブジェクト情報記憶部121や、グラフ情報記憶部122や、量子化情報記憶部123や、コードブック情報記憶部124等から各種情報を取得する。また、取得部131は、各種情報を外部の情報処理装置から取得する。取得部131は、端末装置10や情報提供装置50から各種情報を取得する。
(Acquisition unit 131)
The
取得部131は、グラフを取得する。例えば、情報処理装置100は、図1中の空間情報SP1を取得してもよい。例えば、情報処理装置100は、情報提供装置50等の外部装置からグラフを取得してもよい。
The
取得部131は、データ検索の対象となる複数のオブジェクトに対する検索クエリを取得する。例えば、取得部131は、検索クエリQE1に関する情報を取得する。例えば、取得部131は、画像検索に関する検索クエリを取得する。例えば、取得部131は、利用する端末装置10からクエリを取得する。例えば、取得部131は、利用する端末装置10からクエリを受け付けた情報提供装置50からクエリを取得する。
The
(生成部132)
生成部132は、各種情報を生成する。例えば、生成部132は、記憶部120に記憶された情報(データ)から各種情報(データ)を生成する。例えば、生成部132は、オブジェクト情報記憶部121や、グラフ情報記憶部122や、量子化情報記憶部123や、コードブック情報記憶部124等に記憶された情報(データ)から各種情報を生成する。
(Generation unit 132)
The generation unit 132 generates various information. For example, the generation unit 132 generates various information (data) from the information (data) stored in the storage unit 120. For example, the generation unit 132 generates various information from information (data) stored in the object
生成部132は、グラフ情報記憶部122に示すようなグラフを生成してもよい。例えば、生成部132は、空間情報SP1を生成する。また、生成部132は、量子化情報記憶部123に示すようなベクトル量子化に関する情報を生成してもよい。例えば、生成部132は、ノードN1(オブジェクトOB1)等の各オブジェクトがベクトル量子化された情報を生成する。また、生成部132は、コードブック情報記憶部124に示すようなコードブックに関する情報を生成してもよい。生成部132は、コードブックのルックアップテーブルを生成してもよい。例えば、生成部132は、コードブック情報TB1~TB4のような、コードブックに関する情報を生成する。なお、情報処理装置100がグラフ情報記憶部122、量子化情報記憶部123、コードブック情報記憶部124に示す情報を、情報提供装置50等の外部装置から取得する場合、情報処理装置100は、生成部132を有しなくてもよい。
The generation unit 132 may generate a graph as shown in the graph
(検索処理部133)
検索処理部133は、オブジェクトに関する検索サービスを提供する。検索処理部133は、各種情報を探索する。検索処理部133は、各種情報を検索する。例えば、検索処理部133は、グラフを探索することにより、オブジェクトを検索する。例えば、検索処理部133は、取得部131により取得されたクエリが取得された場合、グラフを探索することにより、クエリに類似するオブジェクトを検索する。例えば、検索処理部133は、グラフを探索することにより、クエリに類似するオブジェクトを抽出する。例えば、検索処理部133は、図11に示すような処理手順に基づいて、グラフを探索することにより、クエリに類似するオブジェクトを抽出する。なお、情報処理装置100は、検索サービスを提供しない場合、検索処理部133を有しなくてもよい。
(Search processing unit 133)
The
検索処理部133は、検索処理において各種情報を選択する。検索処理部133は、検索処理において各種情報を抽出する。検索処理部133は、検索処理において各種情報を判定する。検索処理部133は、検索処理において各種情報を決定する。検索処理部133は、検索処理において各種情報を変更する。検索処理部133は、検索処理において各種情報を更新する。
The
検索処理部133は、複数のオブジェクトの各々に対応するノード群がエッジにより連結されたグラフを用いて、検索クエリの近傍のノードを検索する検索処理において、所定の基準により選択された複数のノードと検索クエリとの距離を、ベクトル量子化がされた複数のノードのベクトル情報を用いて算出する。検索処理部133は、複数のノードと検索クエリとの距離の算出を並列化して一括で行う。検索処理部133は、情報処理装置100の仕様に基づいて決定される一括処理数の複数のノードと検索クエリとの距離の算出を並列処理する。
The
検索処理部133は、複数のノードの各々が対応する代表ベクトルに対応付けられたコードブックを用いて、複数のノードと検索クエリとの距離を算出する。検索処理部133は、一のノードからのエッジが連結された複数のノードと検索クエリとの距離を算出する。検索処理部133は、複数のノードと複数のノードの各々が対応付けられた代表ベクトルを示す参照用情報が一のノードに対応付けて記憶されたノード情報を用いて、複数のノードと検索クエリとの距離を算出する。
The
検索処理部133は、直積量子化により、各々が複数の部分ベクトルに分割された複数のノードのベクトル情報を用いて、複数のノードと検索クエリとの距離を算出する。検索処理部133は、複数のノードの各々が分割された複数の部分ベクトルの分割位置ごとのベクトルに対応する代表ベクトルに対応付けられた複数のコードブックを用いて、複数のノードと検索クエリとの距離を算出する。検索処理部133は、複数のノードと複数のノードの各々の複数の部分ベクトルの各々が対応付けられた代表ベクトルを示す参照用情報が一のノードに対応付けて記憶されたノード情報を用いて、複数のノードと検索クエリとの距離を算出する。
The
検索処理部133は、複数のノードの各々に、各ノードの複数の部分ベクトルの各々が対応付けられた代表ベクトルの一覧が対応付けられた参照用情報を用いて、複数のノードと検索クエリとの距離を算出する。検索処理部133は、複数のノードの各々の複数の部分ベクトルの各々が対応する代表ベクトルが、分割位置ごとに一覧で並ぶ転置情報と、複数のノードの各々が一覧で対応する位置を示す対応付情報とを含む参照用情報を用いて、複数のノードと検索クエリとの距離を算出する。検索処理部133は、複数のノードの各々の複数の部分ベクトルの各々が対応する代表ベクトルに対応付けられた一のコードブックを用いて、複数のノードと検索クエリとの距離を算出する。
The
検索処理部133は、検索処理において処理対象となったノードのうち、所定のノードを対象として、ベクトル量子化がされた距離である第1距離とは異なり、ベクトル量子化がされていない第2距離を算出する。検索処理部133は、検索処理において検索クエリの近傍のノードとして抽出するノードの第1数よりも多い数である第2数のノードを近傍候補ノードとして抽出し、近傍候補ノードを対象として第2距離を算出する。検索処理部133は、近傍候補ノードのうち、第2距離が短い方から第1数のノードを検索クエリの近傍のノードとして抽出する。
The
検索処理部133は、第1距離が所定の閾値以内であるノードを対象として第2距離を算出する。検索処理部133は、近傍のノードとして抽出する対象範囲を示す検索範囲内のノードを対象として第2距離を算出する。検索処理部133は、検索処理の対象範囲を示す探索範囲内のノードを対象として第2距離を算出する。
The
(提供部134)
提供部134は、各種情報を提供する。例えば、提供部134は、端末装置10や情報提供装置50に各種情報を送信する。例えば、提供部134は、検索クエリに対応するオブジェクトIDを検索結果として提供する。提供部134は、検索結果を端末装置10へ送信する。提供部134は、検索処理部133により検索されたオブジェクトIDを、検索クエリに対応する検索結果として端末装置10へ提供する。
(Providing unit 134)
The providing
また、提供部134は、検索処理部133により検索されたオブジェクトIDを情報提供装置50へ提供してもよい。例えば、提供部134は、検索処理部133が検索により抽出したオブジェクトIDを情報提供装置50へ提供する。提供部134は、検索処理部133により抽出されたオブジェクトIDをクエリに対応するベクトルを示す情報として情報提供装置50に提供する。
Further, the providing
〔1-4.情報処理のフロー〕
次に、図10を用いて、第1の実施形態に係る情報処理システム1による情報処理の手順について説明する。図10は、第1の実施形態に係る情報処理の一例を示すフローチャートである。
[1-4. Information processing flow]
Next, the procedure of information processing by the
図10に示すように、情報処理装置100は、データ検索の対象となる複数のオブジェクトに対する検索クエリを取得する(ステップS101)。図1の例では、情報処理装置100は、検索クエリQE1を取得する。 As shown in FIG. 10, the information processing apparatus 100 obtains search queries for a plurality of objects that are data search targets (step S101). In the example of FIG. 1, the information processing device 100 obtains the search query QE1.
そして、情報処理装置100は、複数のオブジェクトの各々に対応するノード群がエッジにより連結されたグラフを用いて、検索クエリの近傍のノードを検索する検索処理において、所定の基準により選択された複数のノードと検索クエリとの距離を、ベクトル量子化がされた複数のノードのベクトル情報を用いて算出する(ステップS102)。図1の例では、情報処理装置100は、複数のノードN9、N12、N54、N85と前記検索クエリQE1との距離を、ベクトル量子化がされた複数のノードN9、N12、N54、N85のベクトル情報を用いて算出する。 The information processing apparatus 100 uses a graph in which a group of nodes corresponding to each of a plurality of objects are connected by edges to search for nodes near a search query. The distance between the node and the search query is calculated using vector information of a plurality of nodes subjected to vector quantization (step S102). In the example of FIG. 1, the information processing device 100 calculates the distances between the plurality of nodes N9, N12, N54, N85 and the search query QE1 by vector quantizing the distances between the plurality of nodes N9, N12, N54, N85. Calculate using information.
〔1-5.検索処理例〕
ここで、第1の実施形態に係る検索処理の一例について、図11を一例として説明する。図11は、第1の実施形態に係る検索処理の一例を示すフローチャートである。以下に説明する検索処理は、情報処理装置100の検索処理部133によって行われる。また、以下でいうオブジェクトは、ノードと読み替えてもよい。なお、以下では、情報処理装置100(検索処理部133)が検索処理を行う。なお、検索サービスを提供しない場合、情報処理装置100は検索処理部133を有しなくてもよい。以下で説明する処理の検索クエリは、追加ノードや対象ノードやユーザが指定したオブジェクト等であってもよい。
[1-5. Search processing example]
Here, an example of the search process according to the first embodiment will be described using FIG. 11 as an example. FIG. 11 is a flowchart illustrating an example of search processing according to the first embodiment. The search processing described below is performed by the
ここでは、近傍オブジェクト集合N(G,y)は、ノードyに付与されているエッジにより関連付けられている近傍のオブジェクトの集合である。「G」は、所定のグラフデータ(例えば、空間情報SP1に示すグラフGR1等)であってもよい。例えば、情報処理装置100は、k近傍検索処理を実行する。 Here, the neighboring object set N(G, y) is a set of neighboring objects that are related by edges attached to node y. "G" may be predetermined graph data (for example, graph GR1 shown in spatial information SP1). For example, the information processing device 100 executes k-nearest neighbor search processing.
例えば、情報処理装置100は、超球の半径rを∞(無限大)に設定し(ステップS300)、既存のオブジェクト集合から部分集合Sを抽出する(ステップS301)。例えば、情報処理装置100は、ルートノードとして選択されたオブジェクト(ノード)を部分集合Sとして抽出してもよい。また、例えば、超球とは、検索範囲を示す仮想的な球である。なお、ステップS301において抽出されたオブジェクト集合Sに含まれるオブジェクトは、同時に検索結果のオブジェクト集合Rの初期集合にも含められる。 For example, the information processing device 100 sets the radius r of the hypersphere to ∞ (infinity) (step S300), and extracts a subset S from an existing object set (step S301). For example, the information processing apparatus 100 may extract the object (node) selected as the root node as the subset S. Further, for example, a hypersphere is a virtual sphere that indicates a search range. Note that the objects included in the object set S extracted in step S301 are also included in the initial set of the object set R as a search result.
次に、情報処理装置100は、オブジェクト集合Sに含まれるオブジェクトの中で、検索クエリオブジェクトをyとするとオブジェクトyとの距離が最も短いオブジェクトを抽出し、オブジェクトsとする(ステップS302)。例えば、情報処理装置100は、ルートノードとして選択されたオブジェクト(ノード)のみがSの要素の場合には、結果的にルートノードがオブジェクトsとして抽出される。次に、情報処理装置100は、オブジェクトsをオブジェクト集合Sから除外する(ステップS303)。 Next, among the objects included in the object set S, the information processing apparatus 100 extracts the object having the shortest distance from the object y, assuming that the search query object is y, and sets it as the object s (step S302). For example, when the only object (node) selected as the root node is an element of S, the information processing apparatus 100 extracts the root node as the object s. Next, the information processing device 100 excludes the object s from the object set S (step S303).
次に、情報処理装置100は、オブジェクトsとオブジェクトyとの距離d(s,y)がr(1+ε)を超えるか否かを判定する(ステップS304)。ここで、εは拡張要素であり、r(1+ε)は、探索範囲(この範囲内のノードのみを探索する。検索範囲よりも大きくすることで精度を高めることができる)の半径を示す値である。オブジェクトsとオブジェクトyとの距離d(s,y)がr(1+ε)を超える場合(ステップS304:Yes)、情報処理装置100は、オブジェクト集合Rをオブジェクトyの近傍オブジェクト集合として出力し(ステップS305)、処理を終了する。 Next, the information processing apparatus 100 determines whether the distance d(s, y) between the object s and the object y exceeds r(1+ε) (step S304). Here, ε is an expansion element, and r(1+ε) is a value indicating the radius of the search range (only nodes within this range are searched. Accuracy can be improved by making it larger than the search range). be. If the distance d(s, y) between object s and object y exceeds r(1+ε) (step S304: Yes), the information processing device 100 outputs the object set R as a neighboring object set of object y (step S305), the process ends.
オブジェクトsと検索クエリオブジェクトyとの距離d(s,y)がr(1+ε)を超えない場合(ステップS304:No)、情報処理装置100は、オブジェクトsの近傍オブジェクト集合N(G,s)の要素であるオブジェクトの中からオブジェクト集合Cに含まれないオブジェクトを一つ選択し、選択したオブジェクトuを、オブジェクト集合Cに格納する(ステップS306)。オブジェクト集合Cは、重複検索を回避するために便宜上設けられるものであり、処理開始時には空集合に設定される。 If the distance d(s, y) between the object s and the search query object y does not exceed r(1+ε) (step S304: No), the information processing device 100 determines the neighboring object set N(G, s) of the object s. One object that is not included in object set C is selected from among the objects that are elements of , and the selected object u is stored in object set C (step S306). The object set C is provided for convenience in order to avoid duplicate searches, and is set to be an empty set at the start of processing.
次に、情報処理装置100は、オブジェクトuとオブジェクトyとの距離d(u,y)がr(1+ε)以下であるか否かを判定する(ステップS307)。オブジェクトuとオブジェクトyとの距離d(u,y)がr(1+ε)以下である場合(ステップS307:Yes)、情報処理装置100は、オブジェクトuをオブジェクト集合Sに追加する(ステップS308)。また、オブジェクトuとオブジェクトyとの距離d(u,y)がr(1+ε)以下ではない場合(ステップS307:No)、情報処理装置100は、ステップS309の判定(処理)を行う。 Next, the information processing device 100 determines whether the distance d(u, y) between the object u and the object y is less than or equal to r(1+ε) (step S307). If the distance d(u,y) between the object u and the object y is less than or equal to r(1+ε) (step S307: Yes), the information processing device 100 adds the object u to the object set S (step S308). Further, if the distance d(u,y) between the object u and the object y is not less than or equal to r(1+ε) (step S307: No), the information processing apparatus 100 performs the determination (process) of step S309.
次に、情報処理装置100は、オブジェクトuとオブジェクトyとの距離d(u,y)がr以下であるか否かを判定する(ステップS309)。オブジェクトuとオブジェクトyとの距離d(u,y)がrを超える場合(ステップS309:No)、情報処理装置100は、ステップS315の判定(処理)を行う。すなわち、オブジェクトuとオブジェクトyとの距離d(u,y)がr以下ではない場合、情報処理装置100は、ステップS315の判定(処理)を行う。 Next, the information processing device 100 determines whether the distance d(u, y) between the object u and the object y is less than or equal to r (step S309). If the distance d(u, y) between object u and object y exceeds r (step S309: No), the information processing apparatus 100 performs the determination (process) of step S315. That is, if the distance d(u, y) between object u and object y is not less than or equal to r, the information processing apparatus 100 performs the determination (process) of step S315.
オブジェクトuとオブジェクトyとの距離d(u,y)がr以下である場合(ステップS309:Yes)、情報処理装置100は、オブジェクトuをオブジェクト集合Rに追加する(ステップS310)。そして、情報処理装置100は、オブジェクト集合Rに含まれるオブジェクト数がksを超えるか否かを判定する(ステップS311)。所定数ksは、任意に定められる自然数である。例えば、ksは、検索数や抽出対象数であってもよい。また、例えば、範囲検索等において抽出するオブジェクト数の上限を設けない場合、ksは、無限大に設定されてもよい。例えば、ks=4等であってもよい。オブジェクト集合Rに含まれるオブジェクト数がksを超えない場合(ステップS311:No)、情報処理装置100は、ステップS313の判定(処理)を行う。 If the distance d(u,y) between the object u and the object y is less than or equal to r (step S309: Yes), the information processing device 100 adds the object u to the object set R (step S310). Then, the information processing device 100 determines whether the number of objects included in the object set R exceeds ks (step S311). The predetermined number ks is an arbitrarily determined natural number. For example, ks may be the number of searches or the number of extraction targets. Further, for example, when there is no upper limit on the number of objects to be extracted in a range search or the like, ks may be set to infinity. For example, ks may be 4, etc. If the number of objects included in the object set R does not exceed ks (step S311: No), the information processing device 100 performs the determination (process) of step S313.
オブジェクト集合Rに含まれるオブジェクト数がksを超える場合(ステップS311:Yes)、情報処理装置100は、オブジェクト集合Rに含まれるオブジェクトの中でオブジェクトyとの距離が最も長い(遠い)オブジェクトを、オブジェクト集合Rから除外する(ステップS312)。 If the number of objects included in the object set R exceeds ks (step S311: Yes), the information processing device 100 selects the object that is the longest (farthest) from the object y among the objects included in the object set R. Exclude from object set R (step S312).
次に、情報処理装置100は、オブジェクト集合Rに含まれるオブジェクト数がksと一致するか否かを判定する(ステップS313)。オブジェクト集合Rに含まれるオブジェクト数がksと一致しない場合(ステップS313:No)、情報処理装置100は、ステップS315の判定(処理)を行う。また、オブジェクト集合Rに含まれるオブジェクト数がksと一致する場合(ステップS313:Yes)、情報処理装置100は、オブジェクト集合Rに含まれるオブジェクトの中でオブジェクトyとの距離が最も長い(遠い)オブジェクトと、オブジェクトyとの距離を、新たなrに設定する(ステップS314)。 Next, the information processing device 100 determines whether the number of objects included in the object set R matches ks (step S313). If the number of objects included in the object set R does not match ks (step S313: No), the information processing device 100 performs the determination (process) of step S315. Further, when the number of objects included in the object set R matches ks (step S313: Yes), the information processing device 100 determines that the distance to the object y is the longest (farthest) among the objects included in the object set R. The distance between the object and object y is set to a new r (step S314).
そして、情報処理装置100は、オブジェクトsの近傍オブジェクト集合N(G,s)の要素であるオブジェクトから全てのオブジェクトを選択してオブジェクト集合Cに格納し終えたか否かを判定する(ステップS315)。オブジェクトsの近傍オブジェクト集合N(G,s)の要素であるオブジェクトから全てのオブジェクトを選択してオブジェクト集合Cに格納し終えていない場合(ステップS315:No)、情報処理装置100は、ステップS306に戻って処理を繰り返す。 Then, the information processing device 100 determines whether all objects that are elements of the neighboring object set N(G, s) of the object s have been selected and stored in the object set C (step S315). . If all objects that are elements of the neighboring object set N(G, s) of the object s have not been selected and stored in the object set C (step S315: No), the information processing device 100 selects the objects that are elements of the neighboring object set N(G, s) of the object s and stores them in the object set C (step S315: No). Return to and repeat the process.
オブジェクトsの近傍オブジェクト集合N(G,s)の要素であるオブジェクトから全てのオブジェクトを選択してオブジェクト集合Cに格納し終えた場合(ステップS315:Yes)、情報処理装置100は、オブジェクト集合Sが空集合であるか否かを判定する(ステップS316)。オブジェクト集合Sが空集合でない場合(ステップS316:No)、情報処理装置100は、ステップS302に戻って処理を繰り返す。また、オブジェクト集合Sが空集合である場合(ステップS316:Yes)、情報処理装置100は、オブジェクト集合Rを出力し、処理を終了する(ステップS317)。例えば、情報処理装置100は、オブジェクト集合Rに含まれるオブジェクト(ノード)を追加ノード(入力オブジェクトy)に対応する近傍ノードとして選択してもよい。例えば、情報処理装置100は、オブジェクト集合Rに含まれるオブジェクト(ノード)を対象ノード(入力オブジェクトy)に対応する近傍ノードとして抽出(選択)してもよい。また、例えば、情報処理装置100は、オブジェクト集合Rに含まれるオブジェクト(ノード)を検索クエリ(入力オブジェクトy)に対応する検索結果として、検索を行った端末装置等へ提供してもよい。 When all objects that are elements of the object set N(G, s) in the vicinity of the object s have been selected and stored in the object set C (step S315: Yes), the information processing device 100 It is determined whether or not is an empty set (step S316). If the object set S is not an empty set (step S316: No), the information processing device 100 returns to step S302 and repeats the process. Furthermore, if the object set S is an empty set (step S316: Yes), the information processing device 100 outputs the object set R and ends the process (step S317). For example, the information processing apparatus 100 may select an object (node) included in the object set R as a neighboring node corresponding to the additional node (input object y). For example, the information processing apparatus 100 may extract (select) objects (nodes) included in the object set R as neighboring nodes corresponding to the target node (input object y). Further, for example, the information processing device 100 may provide the objects (nodes) included in the object set R as the search results corresponding to the search query (input object y) to the terminal device or the like that performed the search.
〔2.第2の実施形態〕
ここから、第2の実施形態について説明する。第2の実施形態は、クラスタリングなどにより近傍オブジェクトをグルーピングし、各グループ(以下「ブロブ」ともいう)を一括して距離計算を行う対象とする。すなわち、第2の実施形態では、ブロブ単位で一括距離計算を行う。なお、第1の実施形態と同様の点については、適宜説明を省略する。第2の実施形態においては、情報処理システム1は、情報処理装置100に代えて、情報処理装置100Aを有する。
[2. Second embodiment]
The second embodiment will now be described. In the second embodiment, neighboring objects are grouped by clustering or the like, and each group (hereinafter also referred to as a "blob") is subjected to distance calculation at once. That is, in the second embodiment, batch distance calculation is performed in units of blobs. Note that descriptions of points similar to those in the first embodiment will be omitted as appropriate. In the second embodiment, the
〔2-1.情報処理〕
まず、図12を用いて、第2の実施形態に係る情報処理の概要を説明する。図12は、第2の実施形態に係る情報処理の一例を示す図である。
[2-1. Information processing〕
First, an overview of information processing according to the second embodiment will be explained using FIG. 12. FIG. 12 is a diagram illustrating an example of information processing according to the second embodiment.
図12の例では、情報処理装置100Aは、空間情報SP21に示すようなグラフGR21を取得済みであるものとする。例えば図1中の空間情報SP21は、ユークリッド空間であってもよい。例えば、空間情報SP21は、オブジェクトのベクトルの次元数に対応し、100次元や1000次元等の多次元空間であるものとする。なお、図12の例では、説明を簡単にするために直積量子化が行われていない図を基に説明するが、図1と同様にベクトル(空間)の直積量子化が行われてもよい。 In the example of FIG. 12, it is assumed that the information processing device 100A has already acquired a graph GR21 as shown in the spatial information SP21. For example, the spatial information SP21 in FIG. 1 may be a Euclidean space. For example, it is assumed that the spatial information SP21 corresponds to the number of dimensions of the vector of the object, and is a multidimensional space such as 100 dimensions or 1000 dimensions. Note that the example of FIG. 12 will be explained based on a diagram in which direct product quantization is not performed to simplify the explanation, but vector (space) may be subjected to direct product quantization as in FIG. 1. .
まず、図12で示す各情報について説明する。図12の空間情報SP21中のノードである白丸(〇)間を接続する点線がノード間を連結するエッジを示す。図12では、図1と同様に無向エッジを例として示すが、グラフGR21のエッジは、無向エッジに限らず、有向エッジであってもよい。なお、ノートやエッジについては図1と同様であるため詳細な説明は省略する。 First, each piece of information shown in FIG. 12 will be explained. Dotted lines connecting white circles (◯) that are nodes in the spatial information SP21 in FIG. 12 indicate edges connecting the nodes. In FIG. 12, an undirected edge is shown as an example as in FIG. 1, but the edges of the graph GR21 are not limited to undirected edges and may be directed edges. Note that notes and edges are the same as those in FIG. 1, so detailed explanations will be omitted.
図12の空間情報SP21において、直線で囲まれた領域はクラスタリングなどで近傍のオブジェクトがまとめ上げられた(グループ化された)ものであり、領域をブロブと称する。以下で示す例ではブロブが一括距離計算の処理単位となる。図12は、ブロブBL1~BL10の10個の領域(ブロブ)にクラスタリングされた場合を示す。例えば、ブロブBL1は、ノードN7、N9、N85、N126等の複数のノードが属するブロブであることを示す。なお、ブロブBL1~BL10中の黒い点は、各ブロブのセントロイド(代表ベクトル)を示す。 In the spatial information SP21 of FIG. 12, an area surrounded by straight lines is a region in which nearby objects are grouped together (grouped) by clustering or the like, and the area is called a blob. In the example shown below, blobs are the processing unit for batch distance calculation. FIG. 12 shows a case where clustering is performed into ten regions (blobs) of blobs BL1 to BL10. For example, blob BL1 is a blob to which multiple nodes such as nodes N7, N9, N85, and N126 belong. Note that the black dots in the blobs BL1 to BL10 indicate the centroid (representative vector) of each blob.
なお、ブロブBL1~BL10は、クラスタリング等に関する種々の手法を適宜用いて生成される。例えば、ブロブに分類するためのクラスタリングは、k-meansクラスタリングでもよい。また、例えば、ブロブに分類するためのクラスタリングは、k-meansでの一回のイテレーション(アサイン)で各クラスタの中心座標(平均)で得られたセントロイドを次のイテレーションに使うのではなく、その代わりに、各セントロイドに最も近いオブジェクトにセントロイドを置き換えてから、次のイテレーションを行ってもよい。この場合、k-meansで得られる最終的なクラスタのセントロイドは既存のオブジェクト、つまり、ノードとなる。これにより、クラスタ(ブロブ)と各ノードのエッジ(近傍ノード)が一致する傾向が高まり、検索性能をさらに向上させることができる。 Note that the blobs BL1 to BL10 are generated using various methods related to clustering and the like as appropriate. For example, clustering for classifying into blobs may be k-means clustering. Also, for example, clustering for classification into blobs does not use the centroid obtained at the center coordinates (average) of each cluster in one iteration (assignment) with k-means for the next iteration. Alternatively, the centroids may be replaced with the object closest to each centroid before the next iteration. In this case, the centroid of the final cluster obtained by k-means is an existing object, that is, a node. This increases the tendency for clusters (blobs) and edges (neighboring nodes) of each node to match, making it possible to further improve search performance.
図12の例では、情報処理装置100Aは、空間情報SP21に示すように、複数のノード(オブジェクト)をクラスタリングすることにより、分類した複数のブロブBL1~BL10の情報を用いて、検索処理を行う。 In the example of FIG. 12, the information processing device 100A performs a search process using information on a plurality of classified blobs BL1 to BL10 by clustering a plurality of nodes (objects), as shown in the spatial information SP21. .
ここから、検索クエリQE2を対象とする検索処理を説明する。まず、情報処理装置100Aは、検索クエリQE2を取得する(ステップS21)。例えば、情報処理装置100Aは、ユーザが利用する端末装置10(図4参照)から検索クエリQE2を取得する。 From here, a search process targeting the search query QE2 will be explained. First, the information processing device 100A obtains the search query QE2 (step S21). For example, the information processing device 100A obtains the search query QE2 from the terminal device 10 (see FIG. 4) used by the user.
そして、情報処理装置100Aは、検索クエリQE2のベクトルと、コードブックのベクトルとの間の距離を算出する。図示は省略するが直積量子化を行っていない場合、情報処理装置100Aは、検索クエリQE2のベクトルと、ベクトル全体を量子化するためのコードブックのベクトルとの間の距離(差分)を算出する。そして、情報処理装置100Aは、検索クエリQE2のベクトルと各コードブックのベクトルとの間の距離(差分)を、各コードブックを識別するための情報に対応付けてコードブック情報TB21として保持する。なお、直積量子化を行っている場合、情報処理装置100Aは、図1と同様に、図2のコードブック情報TB1~TB4に示すように、検索クエリQE2の各サブベクトルと各コードブックのベクトルとの間の距離(差分)を算出する。なお、検索クエリのベクトルとコードブックのベクトルとの距離算出は、図1、図2等と同様であるため詳細な説明は省略する。 Then, the information processing device 100A calculates the distance between the vector of the search query QE2 and the vector of the codebook. Although illustration is omitted, when cross product quantization is not performed, the information processing device 100A calculates the distance (difference) between the vector of the search query QE2 and the vector of the codebook for quantizing the entire vector. . The information processing device 100A then stores the distance (difference) between the vector of the search query QE2 and the vector of each codebook as codebook information TB21 in association with information for identifying each codebook. Note that when performing Cartesian product quantization, the information processing device 100A stores each subvector of the search query QE2 and the vector of each codebook, as shown in codebook information TB1 to TB4 of FIG. 2, as in FIG. Calculate the distance (difference) between Note that the calculation of the distance between the vector of the search query and the vector of the codebook is the same as in FIGS. 1, 2, etc., and therefore detailed explanation will be omitted.
情報処理装置100Aは、検索クエリQE2を対象とする検索処理を実行する(ステップS22)。情報処理装置100Aは、検索クエリQE2を対象として、グラフGR21を用いた図16に示すような検索処理を行うことにより、検索クエリQE2の検索結果を得る。図16に示す検索処理についての詳細は後述する。情報処理装置100Aは、検索クエリQE2を対象として検索処理を行うことにより、検索数のノードを検索クエリQE2の近傍のノードとして抽出する。 The information processing device 100A executes a search process targeting the search query QE2 (step S22). The information processing device 100A obtains a search result for the search query QE2 by performing a search process as shown in FIG. 16 using the graph GR21 for the search query QE2. Details of the search process shown in FIG. 16 will be described later. The information processing device 100A performs a search process on the search query QE2, thereby extracting the searched nodes as nodes in the vicinity of the search query QE2.
情報処理装置100Aは、検索クエリQE2を対象とする検索処理において、各ノードのうち、所定のノードをグラフGR21の検索の起点となるノード(起点ノード)として選択する。図12の例では、情報処理装置100Aは、起点ノードとして、ノードN9を選択するものとする。図12の例では、情報処理装置100Aは、例えば、ノードN9を処理対象として検索処理を開始する。 In the search process targeting the search query QE2, the information processing device 100A selects a predetermined node from among the nodes as the node (starting point node) that becomes the starting point for the search of the graph GR21. In the example of FIG. 12, it is assumed that the information processing apparatus 100A selects node N9 as the starting point node. In the example of FIG. 12, the information processing device 100A starts the search process with node N9 as the processing target, for example.
ここで、情報処理装置100Aは、検索クエリQE2を対象とする検索処理において、処理対象となるノードが属するブロブに属する複数のノードと検索クエリとの距離を並列化して算出する(ステップS23)。図12では、情報処理装置100Aは、一括処理情報LT2に示すように、処理対象となるノードN9が属するブロブBL1に属するノードであるノードN7、N9、N85、N126等については、検索クエリQE2との距離を並列化して算出する。 Here, in the search processing targeting the search query QE2, the information processing device 100A parallelizes and calculates distances between the search query and a plurality of nodes belonging to the blob to which the processing target node belongs (step S23). In FIG. 12, as shown in the batch processing information LT2, the information processing device 100A uses the search query QE2 for nodes N7, N9, N85, N126, etc. that belong to the blob BL1 to which the processing target node N9 belongs. Calculate the distance in parallel.
情報処理装置100Aは、コードブック情報TB21が示す各コードブックと検索クエリQE2との間の距離を用いて、ノードN7、N9、N85、N126の各々と検索クエリQE2との距離を算出する。例えば、情報処理装置100Aは、コードブック情報TB21を参照して、ノードN7のベクトルに対応するコードブックの距離を、ノードN7と検索クエリQE2との距離として算出する。なお、直積量子化が行われている場合の距離算出は、図1、図2等と同様であるため詳細な説明は省略する。 The information processing device 100A uses the distance between each codebook indicated by the codebook information TB21 and the search query QE2 to calculate the distance between each of the nodes N7, N9, N85, and N126 and the search query QE2. For example, the information processing device 100A refers to the codebook information TB21 and calculates the distance of the codebook corresponding to the vector of the node N7 as the distance between the node N7 and the search query QE2. Note that distance calculation when cross-product quantization is performed is the same as in FIGS. 1, 2, etc., and detailed description thereof will be omitted.
なお、一括処理可能単位については、情報処理装置100の場合と同様に、情報処理装置100Aの仕様に基づいて決定される。例えば、情報処理装置100AがSIMDにより一括して処理できる数(一括処理可能単位)が「4」である場合、図1と同様に、4個のノードを対象として距離を並列化して算出する。例えば、情報処理装置100Aは、SIMDの演算に関する並列化により、ノードN7、N9、N85、N126の各々と検索クエリQE2との距離を一括して算出する。これにより、情報処理装置100Aは、距離計算を並列化することにより、距離計算を高速化することでき、効率的な検索処理を可能にすることができる。また、情報処理装置100Aは、グラフGR21を用いて、ノードN7からのエッジが接続されたノード(例えばノードN12、N64)を辿り、それらのノードが属するブロブ(例えばブロブBL2、BL3)を対象とした一括距離計算を行って、検索処理を行う。なお、情報処理装置100Aは、検索処理において、同じブロブが繰り返し一括距離計算の対象となることを抑制するが詳細は後述する。 Note that, as in the case of the information processing apparatus 100, the units that can be collectively processed are determined based on the specifications of the information processing apparatus 100A. For example, if the number that the information processing device 100A can process at once using SIMD (unit that can be processed at once) is "4", the distances are computed in parallel for four nodes, as in FIG. 1. For example, the information processing device 100A collectively calculates the distance between each of the nodes N7, N9, N85, and N126 and the search query QE2 by parallelizing SIMD calculations. Thereby, the information processing device 100A can speed up the distance calculation by parallelizing the distance calculation, and can perform efficient search processing. In addition, the information processing device 100A uses the graph GR21 to trace nodes (for example, nodes N12, N64) to which edges from the node N7 are connected, and target blobs (for example, blobs BL2, BL3) to which these nodes belong. The search process is performed by performing batch distance calculation. Note that in the search process, the information processing device 100A suppresses the same blob from being repeatedly subjected to batch distance calculation, but details will be described later.
なお、図12では説明を簡単にするために、4つのノードを対象として距離を並列化して算出する場合を示すが、並列化される数は、情報処理装置100Aの仕様に基づいて決定される。この点についても図1、図2等と同様であるため、詳細な説明は省略する。また、情報処理装置100Aは、図3に示す例と同様に、転置データを用いてもよい。 Note that, in order to simplify the explanation, FIG. 12 shows a case where distances are computed in parallel for four nodes, but the number of parallelized nodes is determined based on the specifications of the information processing device 100A. . This point is also similar to FIGS. 1, 2, etc., so detailed explanation will be omitted. Further, the information processing device 100A may use transposed data similarly to the example shown in FIG.
上述のように、情報処理装置100Aは、ベクトル量子化された各ノードのベクトルと検索クエリとの間の近似距離(第2距離)を算出して、第2距離を用いて検索処理を行う事により、効率的な検索処理を可能にすることができる。また、情報処理装置100Aは、並列化可能な数のノードの距離計算を一括して行うことにより、効率的な検索処理を可能にすることができる。上記のように、情報処理装置100Aは、ブロブを一括処理の単位として一括して計算することにより、効率的な検索処理を可能にすることができる。 As described above, the information processing device 100A calculates the approximate distance (second distance) between the vector quantized vector of each node and the search query, and performs the search process using the second distance. This enables efficient search processing. Further, the information processing device 100A can perform efficient search processing by collectively performing distance calculations for a number of nodes that can be parallelized. As described above, the information processing apparatus 100A can perform efficient search processing by collectively calculating blobs as a unit of batch processing.
情報処理装置100Aは、検索処理において、グラフGR21を辿り処理対象となるノードを対象に上述した処理を行うことにより、検索数のノードを検索クエリQE2の近傍のノードとして抽出する。例えば、情報処理装置100Aは、情報処理装置100と同様に、上述した第1の方法及び第2の方法のいずれかにより検索結果を得る。 In the search process, the information processing device 100A traces the graph GR21 and performs the above-described process on the nodes to be processed, thereby extracting the searched nodes as nodes in the vicinity of the search query QE2. For example, like the information processing device 100, the information processing device 100A obtains search results using either the first method or the second method described above.
上述した処理は一例に過ぎず、情報処理装置100Aは、効率的な検索処理の為に様々な情報や手法を用いて、検索処理を行ってもよい。この点について、各事項について詳述する。例えば、情報処理装置100Aは、各ブロブに属するノードの数が、情報処理装置100がSIMDにより一括して処理できる数(一括処理可能単位)になるように、クラスタリングを行い、ブロブを生成してもよい。 The above-described processing is merely an example, and the information processing device 100A may perform search processing using various information and methods for efficient search processing. Regarding this point, each item will be explained in detail. For example, the information processing device 100A performs clustering and generates blobs so that the number of nodes belonging to each blob becomes the number that the information processing device 100 can process at once using SIMD (batch processable unit). Good too.
また、情報処理装置100Aは、ブロブに関する情報を用いて、重複した処理が行われることを抑制してもよい。情報処理装置100Aは、ブロブ単位にそのブロブの距離計算を行ったかを示すブロブ距離計算フラグ(以下単に「フラグ」ともいう)、および各オブジェクトがどのブロブに属するかを示すテーブルを有してもよい。この場合、情報処理装置100Aは、フラグにより各ブロブが処理済であるか否かを管理してもよい。例えば、情報処理装置100Aは、近傍ノードを逐一処理する直前にノードが属するブロブをテーブルにより特定し、そのブロブが一括距離計算済みかをフラグで判断し、未計算の場合には、一括計算を行い、個々のノードの処理を行ってもよい。この点については、図15や図16においても説明する。これにより、情報処理装置100Aは、重複した処理が行われることを抑制することができる。 Further, the information processing device 100A may use information regarding blobs to suppress redundant processing. The information processing device 100A may have a blob distance calculation flag (hereinafter also simply referred to as a "flag") that indicates whether distance calculation has been performed for each blob, and a table that indicates which blob each object belongs to. good. In this case, the information processing device 100A may manage whether each blob has been processed using a flag. For example, immediately before processing neighboring nodes one by one, the information processing device 100A identifies the blob to which the node belongs based on a table, determines whether the blob has already been subjected to batch distance calculation using a flag, and if the distance has not yet been calculated, performs batch calculation. You may also perform processing on individual nodes. This point will also be explained with reference to FIGS. 15 and 16. Thereby, the information processing device 100A can prevent duplicate processing from being performed.
〔2-2.情報処理装置の構成〕
次に、図13を用いて、第2の実施形態に係る情報処理装置100Aの構成について説明する。図13は、第2の実施形態に係る情報処理装置の構成例を示す図である。図13に示すように、情報処理装置100Aは、通信部110と、記憶部120Aと、制御部130Aとを有する。なお、情報処理装置100Aにおいて、情報処理装置100と同様の点は適宜説明を省略する。
[2-2. Configuration of information processing device]
Next, the configuration of the information processing apparatus 100A according to the second embodiment will be described using FIG. 13. FIG. 13 is a diagram illustrating a configuration example of an information processing apparatus according to the second embodiment. As shown in FIG. 13, the information processing device 100A includes a
(記憶部120A)
記憶部120Aは、例えば、RAM、フラッシュメモリ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。第2の実施形態に係る記憶部120Aは、図13に示すように、オブジェクト情報記憶部121と、グラフ情報記憶部122と、量子化情報記憶部123Aと、コードブック情報記憶部124と、ブロブ情報記憶部125とを有する。
(
The
(量子化情報記憶部123A)
第2の実施形態に係る量子化情報記憶部123Aは、割当処理に関する各種情報を記憶する。図14は、第2の実施形態に係る量子化情報記憶部の一例を示す図である。図14の例では、量子化情報記憶部123Aには、「ノードID」、「オブジェクトID」、「ブロブID」、および「量子化情報」といった項目を有する。
(Quantization
The quantization
「ノードID」は、グラフにおける各ノード(対象)を識別するための識別情報を示す。また、「オブジェクトID」は、オブジェクトを識別するための識別情報を示す。なお、ノードIDとオブジェクトIDが共通である場合、「ノードID」にオブジェクトIDが記憶され、量子化情報記憶部123Aに「オブジェクトID」の項目は含まれてなくてもよい。
"Node ID" indicates identification information for identifying each node (object) in the graph. Moreover, "object ID" indicates identification information for identifying an object. Note that when the node ID and object ID are common, the object ID is stored in the "node ID", and the quantization
「ブロブID」は、ノード(オブジェクト)が属するブロブを識別するための情報を示す。 “Blob ID” indicates information for identifying a blob to which a node (object) belongs.
また、「量子化情報」は、各ノード(オブジェクト)の量子化されたベクトルの情報を示す。例えば、「量子化情報」には、「要素」、「コードブックID」といった情報が含まれる。「要素」は、対応するオブジェクトのベクトルにおける配置を示す。図14の例では、「要素」には、「#1」、「#2」、「#3」、「#4」が含まれる場合を示す。この場合、各ノード(オブジェクト)のベクトルは4分割され、各分割された部分ベクトルがコードブックにより量子化されることを示す。 Moreover, "quantization information" indicates information on quantized vectors of each node (object). For example, "quantization information" includes information such as "element" and "codebook ID." "Element" indicates the arrangement of the corresponding object in the vector. In the example of FIG. 14, the "element" includes "#1", "#2", "#3", and "#4". In this case, the vector of each node (object) is divided into four parts, and each divided partial vector is quantized by the codebook.
図14の例では、ノードN1(オブジェクトOB1)は、ブロブID「BL9」により識別されるブロブ(ブロブBL9)に属することを示す。例えば、直積量子化によりベクトルが4分割される場合、ノードN1の量子化情報には、図8に示すノードN1の量子化情報示す4つのコードブックと同様の情報が格納される。また、例えば、直積量子化が行われない場合、ノードN1の量子化情報には、ノードN1のベクトルを量子化するための、1つのコードブックを示す情報が記憶される。 The example in FIG. 14 indicates that the node N1 (object OB1) belongs to the blob (blob BL9) identified by the blob ID "BL9". For example, when a vector is divided into four by Cartesian product quantization, the quantization information of node N1 stores the same information as the four codebooks indicating the quantization information of node N1 shown in FIG. Further, for example, when cross-product quantization is not performed, the quantization information of the node N1 stores information indicating one codebook for quantizing the vector of the node N1.
なお、量子化情報記憶部123Aは、上記に限らず、目的に応じて種々の情報を記憶してもよい。
Note that the quantization
(ブロブ情報記憶部125)
第2の実施形態に係るブロブ情報記憶部125は、ブロブに関する情報を記憶する。例えば、ブロブ情報記憶部125は、各ブロブに対応付けられたオブジェクトを識別する各種情報を記憶する。図15は、第2の実施形態に係るブロブ情報記憶部の一例を示す図である。図15の例では、ブロブ情報記憶部125は、「ブロブID」、「ノードID」、「ベクトル情報」といった項目が含まれる。
(Blob information storage unit 125)
The blob
「ブロブID」は、ブロブを識別するための識別情報を示す。また、「ノードID」は、ブロブIDにより識別されるブロブに対応付けられたノード(オブジェクト)を示す。「ベクトル情報」は、ブロブのベクトル情報を示す。例えば、「ベクトル情報」は、ブロブのセントロイドに対応するベクトルを示す。 “Blob ID” indicates identification information for identifying a blob. Further, "node ID" indicates a node (object) associated with the blob identified by the blob ID. "Vector information" indicates vector information of a blob. For example, "vector information" indicates the vector corresponding to the centroid of the blob.
図15に示す例では、ブロブID「BL1」により識別されるブロブ(ブロブBL1)に対応付けられたノード(オブジェクト)は、ノードN7、N9、N85、N126等であることを示す。ブロブBL1は、「51,4,102,33・・・」の多次元のベクトル情報が対応付けられることを示す。 The example shown in FIG. 15 indicates that the nodes (objects) associated with the blob (blob BL1) identified by the blob ID "BL1" are nodes N7, N9, N85, N126, etc. Blob BL1 indicates that multidimensional vector information of "51, 4, 102, 33..." is associated with it.
また、ブロブID「BL9」により識別されるブロブ(ブロブBL9)に対応付けられたノード(オブジェクト)は、ノードN1、N4、N5等であることを示す。ブロブBL9は、「12,55,12,6・・・」の多次元のベクトル情報が対応付けられることを示す。 Further, the nodes (objects) associated with the blob (blob BL9) identified by the blob ID "BL9" are nodes N1, N4, N5, etc. Blob BL9 indicates that multidimensional vector information of "12, 55, 12, 6..." is associated with it.
なお、ブロブ情報記憶部125は、上記に限らず、目的に応じて種々の情報を記憶してもよい。ブロブ情報記憶部125は、各ブロブが距離計算の処理対象となったか否かを示すフラグを記憶してもよい。例えば、ブロブ情報記憶部125は、距離計算の対象として処理されていないことを示す値(「未処理フラグ値」ともいう)と、距離計算の対象として処理されたことを示す値(「処理済フラグ値」ともいう)とのいずれかを各ブロブのフラグの値に設定する。例えば、ブロブ情報記憶部125は、検索処理開始時に各ブロブのフラグの値を、そのブロブを対象としての距離計算が未処理であることを示す値(例えば0)に設定し、距離計算の対象となったブロブのフラグの値を、距離計算が処理済みであることを示す値(例えば1)に変更する。
Note that the blob
例えば、情報処理装置100Aは、処理対象となったブロブのフラグの値を参照して、そのブロブについて一括距離計算の処理を実行するか否かを判定する。情報処理装置100Aは、各ブロブのフラグの値を参照し、そのブロブのフラグの値が未処理フラグ値である場合は、そのブロブが一括距離計算の処理前であると判定して、そのブロブに属するノードの一括距離計算を実行する。一方、情報処理装置100Aは、そのブロブのフラグの値が処理済フラグ値である場合は、そのブロブが一括距離計算の処理済みであると判定して、そのブロブに属するノードの一括距離計算を行わない。 For example, the information processing device 100A refers to the value of the flag of the blob that is the processing target and determines whether to perform the batch distance calculation process for that blob. The information processing device 100A refers to the flag value of each blob, and if the blob's flag value is an unprocessed flag value, the information processing device 100A determines that the blob has not yet been processed in the batch distance calculation, and processes the blob. Perform bulk distance calculation of nodes belonging to . On the other hand, if the value of the flag of the blob is the processed flag value, the information processing device 100A determines that the blob has been subjected to the batch distance calculation, and performs the batch distance calculation of the nodes belonging to the blob. Not performed.
(制御部130A)
図13の説明に戻って、制御部130Aは、コントローラ(controller)であり、例えば、CPUやMPUやGPU等によって、情報処理装置100A内部の記憶装置に記憶されている各種プログラム(情報処理プログラムの一例に相当)がRAM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130Aは、コントローラであり、例えば、ASICやFPGA等の集積回路により実現される。
(
Returning to the explanation of FIG. 13, the
図13に示すように、制御部130Aは、取得部131と、生成部132Aと、検索処理部133Aと、提供部134とを有し、以下に説明する情報処理の機能や作用を実現または実行する。なお、制御部130Aの内部構成は、図13に示した構成に限られず、後述する情報処理を行う構成であれば他の構成であってもよい。
As shown in FIG. 13, the
(生成部132A)
生成部132Aは、生成部132と同様に各種情報を生成する。
(Generation unit 132A)
The generation unit 132A generates various information similarly to the generation unit 132.
生成部132Aは、量子化情報記憶部123に示すようなベクトル量子化に関する情報を生成してもよい。例えば、生成部132は、ノードN1(オブジェクトOB1)がブロブBL9に属することを示す情報を生成する。また、生成部132は、ブロブ情報記憶部125に示すようなブロブに関する情報を生成してもよい。例えば、生成部132は、ブロブBL1には、ノードN7、N9、N85、N126等が属することを示す情報を生成する。なお、情報処理装置100がグラフ情報記憶部122、量子化情報記憶部123A、コードブック情報記憶部124、ブロブ情報記憶部125に示す情報を、情報提供装置50等の外部装置から取得する場合、情報処理装置100は、生成部132Aを有しなくてもよい。
The generation unit 132A may generate information related to vector quantization as shown in the quantization
(検索処理部133A)
検索処理部133Aは、検索処理部133と同様に検索処理に関する各種処理を行う。
(
Similar to the
検索処理部133Aは、複数のオブジェクトの各々に対応するノード群を対象として、検索クエリの近傍のノードを検索する検索処理において、複数のオブジェクトを分類した複数のブロブの情報を用いて、一のブロブに属する複数のノードと検索クエリとの距離を、ベクトル量子化された複数のノードのベクトル情報を用いて算出する。検索処理部133Aは、複数のノードと検索クエリとの距離の算出を並列化して一括で行う。検索処理部133Aは、情報処理装置100Aの仕様に基づいて決定される一括処理数の複数のノードと検索クエリとの距離の算出を並列処理する。
The
検索処理部133Aは、検索クエリが該当するブロブと隣接する一のブロブに属する複数のノードと検索クエリとの距離を算出する。検索処理部133Aは、複数のノードがエッジにより連結されたグラフを用いて、検索クエリの近傍のノードを検索する検索処理において、複数のノードと検索クエリとの距離を算出する。検索処理部133Aは、検索処理において処理対象となる対象ノードからのエッジが連結された接続ノードが属する一のブロブに属する複数のノードと検索クエリとの距離を算出する。
The
検索処理部133Aは、対象ノードが属するブロブ以外の一のブロブに属する複数のノードと検索クエリとの距離を算出する。検索処理部133Aは、複数のノードの各々から、複数のノードの各々が属するブロブ以外の他のブロブへ連結されたブロブ用グラフを用いて、検索クエリの近傍のノードを検索する検索処理において、複数のノードと検索クエリとの距離を算出する。検索処理部133Aは、複数のノードがエッジにより連結された変換前のグラフにおいて、複数のノードのうち一のノードからエッジが連結されたノードが属するブロブであって、一のノードが属するブロブ以外のブロブへ、一のノードからエッジを連結することにより生成された変換後のグラフであるブロブ用グラフを用いて、検索クエリの近傍のノードを検索する検索処理において、複数のノードと検索クエリとの距離を算出する。
The
検索処理部133Aは、検索処理において処理対象となる対象ノードからのエッジが連結されたブロブである一のブロブに属する複数のノードと検索クエリとの距離を算出する。検索処理部133Aは、既に処理対象となったブロブである処理済みブロブを示す情報を用いて、一のブロブを処理対象とするかを判定する。検索処理部133Aは、一のブロブが処理済みブロブである場合、一のブロブを処理対象としないと判定する。
The
検索処理部133Aは、検索処理において処理対象となったノードのうち、所定のノードを対象として、ベクトル量子化がされた距離である第1距離とは異なり、ベクトル量子化がされていない第2距離を算出する。検索処理部133Aは、検索処理において検索クエリの近傍のノードとして抽出するノードの第1数よりも多い数である第2数のノードを近傍候補ノードとして抽出し、近傍候補ノードを対象として第2距離を算出する。検索処理部133Aは、近傍候補ノードのうち、第2距離が短い方から第1数のノードを検索クエリの近傍のノードとして抽出する。
The
検索処理部133Aは、第1距離が所定の閾値以内であるノードを対象として第2距離を算出する。検索処理部133Aは、近傍のノードとして抽出する対象範囲を示す検索範囲内のノードを対象として第2距離を算出する。検索処理部133Aは、検索処理の対象範囲を示す探索範囲内のノードを対象として第2距離を算出する。
The
〔2-3.検索処理例〕
ここで、第2の実施形態に係る検索処理の一例について、図16を一例として説明する。図16は、第2の実施形態に係る検索処理の一例を示すフローチャートである。以下に説明する検索処理は、情報処理装置100Aの検索処理部133Aによって行われる。なお、図11等、第1の実施形態と同様の点については適宜説明を省略する。例えば、図16において、図11と同様の点は同じステップ番号を付すことにより、適宜説明を省略する。
[2-3. Search processing example]
Here, an example of the search process according to the second embodiment will be described using FIG. 16 as an example. FIG. 16 is a flowchart illustrating an example of search processing according to the second embodiment. The search processing described below is performed by the
ここでは、近傍オブジェクト集合N(G,y)は、ノードyに付与されているエッジにより関連付けられている近傍のオブジェクトの集合である。「G」は、所定のグラフデータ(例えば、空間情報SP21に示すグラフGR21等)であってもよい。例えば、情報処理装置100Aは、k近傍検索処理を実行する。 Here, the neighboring object set N(G, y) is a set of neighboring objects that are related by edges attached to node y. "G" may be predetermined graph data (for example, graph GR21 shown in spatial information SP21, etc.). For example, the information processing device 100A executes k-nearest neighbor search processing.
例えば、図16に示す検索処理は、ステップS304の後にステップS304aに示す処理を行う点で、図11に示す検索処理と相違する。このように、図16に示す検索処理は、通常のグラフの探索で、まだ、アクセスしていないブロブに到達した場合にそのブロブ内のオブジェクト(ノード)とクエリとの距離を一括して計算し、各ノードの処理を行う。 For example, the search process shown in FIG. 16 differs from the search process shown in FIG. 11 in that the process shown in step S304a is performed after step S304. In this way, the search process shown in FIG. 16 is a normal graph search, and when a blob that has not been accessed yet is reached, the distance between the object (node) in that blob and the query is calculated all at once. , performs processing on each node.
具体的には、図16の検索処理においては、情報処理装置100Aは、オブジェクトsが属するブロブがまだ距離計算していない場合には、以下のすべて(図16中のステップS304a中の「-」に続けて示す4つの処理。以下「第1の処理」~「第4の処理」とする)を実行する(ステップS304a)。ステップS304aにおいて、情報処理装置100Aは、そのブロブ内のオブジェクトを一括距離計算する処理(第1の処理)を実行する。また、ステップS304aにおいて、情報処理装置100Aは、ブロブの距離計算フラグをセットする処理(第2の処理)を実行する。また、ステップS304aにおいて、情報処理装置100Aは、一括距離計算を行ったブロブ内のすべてのオブジェクトをCに格納する処理(第3の処理)を実行する。また、ステップS304aにおいて、情報処理装置100Aは、ブロブのすべてのオブジェクトをuとして逐一ステップS307からステップS314までの処理を行う処理(第4の処理)を実行する。その後、情報処理装置100Aは、ステップS306以降の処理を行う。 Specifically, in the search process of FIG. 16, if the distance of the blob to which the object s belongs has not yet been calculated, the information processing device 100A performs all of the following (“-” in step S304a in FIG. 16). The following four processes (hereinafter referred to as "first process" to "fourth process") are executed (step S304a). In step S304a, the information processing device 100A executes a process (first process) of calculating the distances of objects within the blob at once. Furthermore, in step S304a, the information processing device 100A executes a process (second process) of setting a blob distance calculation flag. Furthermore, in step S304a, the information processing apparatus 100A executes a process (third process) of storing all objects in the blob for which the batch distance calculation has been performed in C. Furthermore, in step S304a, the information processing apparatus 100A executes a process (fourth process) in which all objects of the blob are set as u and processes from step S307 to step S314 are performed one by one. After that, the information processing device 100A performs the processing from step S306 onwards.
〔2-4.変形例〕
ここから、変形例について説明する。第2の実施形態に係る変形例においては、ブロブの概念を含むグラフを用いてもよい。例えば、第2の実施形態に係る変形例においては、ノードからのエッジによる参照先がブロブであるグラフを用いてもよい。なお、第1の実施形態や第2の実施形態と同様の点については、適宜説明を省略する。変形例に係る情報処理装置100Aは、グラフ情報記憶部122に代えて、グラフ情報記憶部122Aを有する。
[2-4. Modified example]
From here, modified examples will be explained. In a modification of the second embodiment, a graph including the concept of blob may be used. For example, in a modification of the second embodiment, a graph may be used in which a blob is referenced by an edge from a node. Note that descriptions of points similar to those in the first embodiment and the second embodiment will be omitted as appropriate. The information processing device 100A according to the modification includes a graph
〔2-4-1.情報処理〕
まず、図17を用いて、変形例に係る情報処理の概要を説明する。図17は、変形例に係る情報処理の一例を示す図である。
[2-4-1. Information processing〕
First, an overview of information processing according to the modified example will be explained using FIG. 17. FIG. 17 is a diagram illustrating an example of information processing according to a modification.
情報処理装置100Aは、ノード間をエッジで連結したグラフGR21を、ノードからのエッジによる参照先がブロブであるグラフGR31に変換する(ステップS31)。すなわち、情報処理装置100Aは、図17に示すように、通常のグラフであるグラフGR21から、ブロブの概念が導入されたグラフ(ブロブ用グラフ)であるグラフGR31を生成する。 The information processing device 100A converts the graph GR21 in which nodes are connected by edges into a graph GR31 in which a blob is referenced by an edge from a node (step S31). That is, as shown in FIG. 17, the information processing device 100A generates a graph GR31, which is a graph in which the concept of a blob is introduced (blob graph), from a graph GR21, which is a normal graph.
図17の例では、情報処理装置100Aは、空間情報SP31に示すように、ノードからブロブへの有向エッジを含むグラフGR31を生成する。なお、グラフGR31においては、各ノード間のエッジについては削除され、グラフGR31には、ノードからブロブへの有向エッジが含まれ、ノード間のエッジは含まれない。図17に示す矢印線は、矢元のノードから矢先のブロブへの有向エッジを示す。すなわち、図17に示す矢印線は、矢元のノードを参照元とし、矢先のブロブを参照先とする有向エッジを示す。例えば、図17では、ノードN1からは、ブロブBL8及びブロブBL10の2つのブロブへのエッジが連結されることを示す。 In the example of FIG. 17, the information processing device 100A generates a graph GR31 including directed edges from nodes to blobs, as shown in spatial information SP31. Note that in the graph GR31, edges between nodes are deleted, and the graph GR31 includes directed edges from nodes to blobs, but does not include edges between nodes. The arrow line shown in FIG. 17 indicates a directed edge from the node at the base of the arrow to the blob at the base of the arrow. That is, the arrow line shown in FIG. 17 indicates a directed edge with the node at the base of the arrow as the reference source and the blob at the tip of the arrow as the reference destination. For example, FIG. 17 shows that edges from node N1 to two blobs, blob BL8 and blob BL10, are connected.
例えば、情報処理装置100Aは、各ノードのエッジを接続ノード(近傍ノード)へのエッジから接続ノードが属するブロブへのエッジに変換する。なお、情報処理装置100Aは、各ノード自身が属するブロブへのエッジは生成しない。図17の例では、情報処理装置100Aは、ノードN9とノードN126は同じブロブBL1に属するため、ノードN9からブロブBL1へのエッジ、及びノードN126からブロブBL1へのエッジは生成しない。一方、図17の例では、情報処理装置100Aは、ノードN9とノードN18は異なるブロブBL1、BL4に属するため、ノードN9からブロブBL4へのエッジ、及びノードN18からブロブBL1へのエッジを生成する。 For example, the information processing device 100A converts the edge of each node from an edge to a connection node (nearby node) to an edge to a blob to which the connection node belongs. Note that the information processing device 100A does not generate edges to the blob to which each node itself belongs. In the example of FIG. 17, since the node N9 and the node N126 belong to the same blob BL1, the information processing device 100A does not generate an edge from the node N9 to the blob BL1 and an edge from the node N126 to the blob BL1. On the other hand, in the example of FIG. 17, since the node N9 and the node N18 belong to different blobs BL1 and BL4, the information processing device 100A generates an edge from the node N9 to the blob BL4 and an edge from the node N18 to the blob BL1. .
図17の例では、情報処理装置100Aは、空間情報SP31に示すように、ノード(オブジェクト)からブロブへの有向エッジを含むグラフGR31を用いて、検索処理を行う。例えば、情報処理装置100Aは、検索クエリQE2を対象として、グラフGR21を用いた図19に示すような検索処理を行うことにより、検索クエリQE2の検索結果を得る。図19に示す検索処理についての詳細は後述する。なお、図17での検索処理は、ブロブの概念を用いて検索処理を行う点で図12と共通し、エッジに関連する処理の点以外は、図12に示す検索処理と同様である。 In the example of FIG. 17, the information processing device 100A performs a search process using a graph GR31 including directed edges from nodes (objects) to blobs, as shown in spatial information SP31. For example, the information processing device 100A obtains the search result of the search query QE2 by performing a search process as shown in FIG. 19 using the graph GR21 for the search query QE2. Details of the search process shown in FIG. 19 will be described later. Note that the search process in FIG. 17 is similar to FIG. 12 in that the search process is performed using the concept of a blob, and is the same as the search process shown in FIG. 12 except for the process related to edges.
〔2-4-2.グラフ〕
次に、図18を用いて、変形例に係るグラフの概要を説明する。図18は、変形例に係るグラフ情報記憶部の一例を示す図である。例えば、図18に示すグラフ情報記憶部122Aは、ブロブの概念が導入されたグラフ(ブロブ用グラフ)を記憶する。図18に示すグラフ情報記憶部122Aは、「ノードID」、「オブジェクトID」、および「ブロブ情報」といった項目を有する。このように、変形例に係るグラフ情報記憶部122Aは、「接続ノード情報」に代えて、「ブロブ情報」を有する点で図7のグラフ情報記憶部122と相違する。なお、図7のグラフ情報記憶部122と同様の点については適宜説明を省略する。
[2-4-2. graph〕
Next, an outline of a graph according to a modified example will be explained using FIG. 18. FIG. 18 is a diagram illustrating an example of a graph information storage unit according to a modification. For example, the graph
また、「ブロブ情報」は、対応するノードから辿ることができるブロブ(参照先のブロブ)に関する情報を示す。例えば、「ブロブ情報」には、「参照先」といった情報が含まれる。「参照先」は、エッジにより連結され、そのノードから辿ることができる参照先(ブロブ)を識別するための情報を示す。すなわち、図18の例では、ノードを識別するノードID(オブジェクトID)に対して、そのノードからエッジにより辿ることができる参照先(ブロブ)が対応付けられて登録されている。なお、「ブロブ情報」には、参照先に接続されるエッジを識別するための情報(エッジID)等が含まれてもよい。 Moreover, "blob information" indicates information regarding a blob (a referenced blob) that can be traced from a corresponding node. For example, "blob information" includes information such as "reference destination." “Reference destination” indicates information for identifying a reference destination (blob) that is connected by an edge and can be traced from that node. That is, in the example of FIG. 18, a reference destination (blob) that can be traced from the node by an edge is registered in association with a node ID (object ID) that identifies the node. Note that the "blob information" may include information (edge ID) for identifying an edge connected to a reference destination.
図18の例では、ノードID「N1」により識別されるノード(ノードN1)は、オブジェクトID「OB1」により識別されるオブジェクト(対象)に対応することを示す。また、ノードN1からは、ブロブID「BL8」により識別されるブロブ(ブロブBL8)にエッジが連結されており、ノードN1からブロブBL8へ辿ることができることを示す。また、ノードN1からは、ブロブID「BL10」により識別されるブロブ(ブロブBL10)にエッジが連結されており、ノードN1からブロブBL10へ辿ることができることを示す。 The example in FIG. 18 indicates that the node (node N1) identified by the node ID "N1" corresponds to the object (target) identified by the object ID "OB1". Furthermore, an edge is connected from the node N1 to the blob (blob BL8) identified by the blob ID "BL8", indicating that it is possible to trace from the node N1 to the blob BL8. Further, an edge is connected from the node N1 to the blob (blob BL10) identified by the blob ID "BL10", indicating that the blob BL10 can be traced from the node N1.
また、ノードID「N2」により識別されるノード(ノードN2)は、オブジェクトID「OB2」により識別されるオブジェクト(対象)に対応することを示す。また、ノードN2からは、ブロブID「BL5」により識別されるブロブ(ブロブBL5)にエッジが連結されており、ノードN1からブロブBL5へ辿ることができることを示す。 Further, the node (node N2) identified by the node ID "N2" corresponds to the object (target) identified by the object ID "OB2". Furthermore, an edge is connected from the node N2 to the blob (blob BL5) identified by the blob ID "BL5", indicating that the blob BL5 can be traced from the node N1.
なお、グラフ情報記憶部122Aは、上記に限らず、目的に応じて種々の情報を記憶してもよい。
Note that the graph
また、グラフは、クエリを入力とし、グラフ中のエッジを辿ることによりノードを探索し、クエリに類似するノードを抽出し出力するプログラムモジュールを含んでもよい。すなわち、グラフは、グラフを用いて検索処理を行うプログラムモジュールとしての利用が想定されるものであってもよい。例えば、グラフGR31は、クエリとしてベクトルデータが入力された場合に、そのベクトルデータに類似するベクトルデータに対応するノードをグラフ中から抽出し、出力するプログラムであってもよい。例えば、グラフGR31は、クエリ画像に対応する類似画像を検索するプログラムモジュールとして利用されるデータであってもよい。例えば、グラフGR31は、入力されたクエリに基づいて、グラフにおいてそのクエリに類似するノードを抽出し、出力するよう、コンピュータを機能させる。 The graph may also include a program module that receives a query as input, searches for nodes by tracing edges in the graph, and extracts and outputs nodes similar to the query. That is, the graph may be assumed to be used as a program module that performs search processing using the graph. For example, the graph GR31 may be a program that, when vector data is input as a query, extracts nodes corresponding to vector data similar to the vector data from the graph and outputs them. For example, the graph GR31 may be data used as a program module that searches for similar images corresponding to a query image. For example, based on an input query, the graph GR31 causes the computer to extract and output nodes similar to the query in the graph.
〔2-4-3.検索処理例〕
ここから、変形例に係る検索処理の一例について、図19を一例として説明する。図19は、変形例に係る検索処理の一例を示すフローチャートである。以下に説明する検索処理は、情報処理装置100Aの検索処理部133Aによって行われる。なお、図11、図16等、第1の実施形態または第2の実施形態と同様の点については適宜説明を省略する。例えば、図19において、図11と同様の点は同じステップ番号を付すことにより、適宜説明を省略する。
[2-4-3. Search processing example]
An example of the search process according to the modified example will now be described using FIG. 19 as an example. FIG. 19 is a flowchart illustrating an example of a search process according to a modification. The search processing described below is performed by the
図19では、集合N(G,y)は、ノードyに付与されているエッジにより関連付けられているブロブの集合である点で、図11及び図16の検索処理と相違する。図19では、N(G、s)およびCはブロブ集合となる。すなわち、図11での「近傍オブジェクト集合N」は、図19では、「ブロブ集合N」と読み替えられ、図11での「オブジェクト集合C」は、図19では、「ブロブ集合C」と読み替えられる。また、上記のブロブへの変更に関連する処理における「オブジェクト」の文言は、適宜「ブロブ」と読み替えられる。「G」は、ブロブの概念が導入されたグラフ(ブロブ用グラフ)データ(例えば、空間情報SP31に示すグラフGR31等)であってもよい。例えば、情報処理装置100Aは、k近傍検索処理を実行する。 In FIG. 19, the set N(G, y) is different from the search processing in FIGS. 11 and 16 in that it is a set of blobs related by edges attached to node y. In FIG. 19, N(G, s) and C are blob sets. That is, "nearby object set N" in FIG. 11 is replaced with "blob set N" in FIG. 19, and "object set C" in FIG. 11 is replaced with "blob set C" in FIG. . Furthermore, the word "object" in the process related to the change to a blob can be read as "blob" as appropriate. "G" may be graph (blob graph) data (for example, graph GR31 shown in spatial information SP31) into which the concept of blob has been introduced. For example, the information processing device 100A executes k-nearest neighbor search processing.
例えば、図19に示す検索処理は、図11からステップS306の処理が以下のように変更される。図19の検索処理においては、情報処理装置100Aは、N(G、s)の中からブロブ集合Cに含まれない、ブロブを一つ選択し、選択したブロブをブロブ集合Cに格納し、ブロブ内のオブジェクトを一括計算し、その集合をB(「対象ブロブ内オブジェクト集合B」ともいう)とする(ステップS306)。 For example, in the search process shown in FIG. 19, the process in step S306 from FIG. 11 is changed as follows. In the search process in FIG. 19, the information processing device 100A selects one blob from N(G, s) that is not included in the blob set C, stores the selected blob in the blob set C, and stores the selected blob in the blob set C. The objects within the blob are collectively calculated, and the set thereof is set as B (also referred to as "object set B within the target blob") (step S306).
また、図19に示す検索処理は、ステップS306の後にステップS306aに示す処理を行う点で、図11に示す検索処理と相違する。具体的には、図19の検索処理においては、情報処理装置100Aは、対象ブロブ内オブジェクト集合Bからオブジェクトuを一つ選択する(ステップS306a)。その後、情報処理装置100Aは、ステップS307以降の処理を行う。 Furthermore, the search process shown in FIG. 19 differs from the search process shown in FIG. 11 in that the process shown in step S306a is performed after step S306. Specifically, in the search process of FIG. 19, the information processing device 100A selects one object u from the target blob object set B (step S306a). After that, the information processing device 100A performs the processing from step S307 onwards.
また、図19に示す検索処理は、ステップS315の前にステップS314aに示す処理を行う点で、図11に示す検索処理と相違する。具体的には、図19の検索処理においては、情報処理装置100Aは、対象ブロブ内オブジェクト集合Bから全て選択したか否かを判定する(ステップS314a)。 The search process shown in FIG. 19 is different from the search process shown in FIG. 11 in that the process shown in step S314a is performed before step S315. Specifically, in the search process of FIG. 19, the information processing device 100A determines whether all objects have been selected from object set B in the target blob (step S314a).
対象ブロブ内オブジェクト集合Bから全て選択し終えた場合(ステップS314a:Yes)、情報処理装置100Aは、ステップS315の処理を行う。一方、対象ブロブ内オブジェクト集合Bから全て選択し終えていない場合(ステップS314a:No)、情報処理装置100Aは、ステップS306aに戻って処理を繰り返す。 If all objects have been selected from object set B within the target blob (step S314a: Yes), the information processing device 100A performs the process of step S315. On the other hand, if all objects have not been selected from object set B within the target blob (step S314a: No), the information processing device 100A returns to step S306a and repeats the process.
〔2-4-4.生成処理の他の例〕
上述した例では、各ノードのエッジを接続ノードへのエッジから接続ノードが属するブロブへのエッジに変換してブロブ用グラフを生成する場合を示したが、情報処理装置100Aは、様々な情報を適宜用いて、ブロブ用グラフを生成してもよい。例えば、情報処理装置100Aは、複数のオブジェクトを検索対象とする近傍検索インデックス(単に「インデックス」ともいう)を用いて、ブロブ用グラフを生成してもよい。なお、上述した内容と同様の点については適宜説明を省略する。
[2-4-4. Other examples of generation processing]
In the above example, a case was shown in which a blob graph is generated by converting the edge of each node from an edge to a connected node to an edge to a blob to which the connected node belongs, but the information processing device 100A converts various information. It may be used as appropriate to generate a blob graph. For example, the information processing device 100A may generate a blob graph using a neighborhood search index (also simply referred to as an "index") that searches for multiple objects. Note that descriptions of points similar to those described above will be omitted as appropriate.
ブロブ用グラフの生成の一例について図20を用いて説明する。図20は、変形例に係る情報処理の他の一例を示す図である。なお、以下では、インデックスの一例としてグラフを用いる場合を一例として説明するが、インデックスは、複数のオブジェクトを検索対象とするものであればどのようなものであってもよい。例えば、インデックスは、ハッシュテーブル等のハッシュに関する記述を利用したインデックス(ハッシュインデックス)、木構造を有するインデックス(ツリーインデックス)等であってもよい。 An example of generating a blob graph will be described using FIG. 20. FIG. 20 is a diagram illustrating another example of information processing according to the modification. In addition, although the case where a graph is used as an example of an index is demonstrated below as an example, the index may be any type of index as long as it searches for a plurality of objects. For example, the index may be an index using a hash-related description such as a hash table (hash index), an index having a tree structure (tree index), or the like.
また、オブジェクトまたはそのオブジェクトに対応するノード(「オブジェクトノード」ともいう)を示す情報を第1情報と記載し、複数のオブジェクトを分類するために用いる情報を第2情報と記載する場合がある。また、ブロブを示す情報を第3情報と記載し、オブジェクトノードをエッジで連結したグラフを第4情報と記載する場合がある。例えば、図20中のグラフGR21は、オブジェクトノードであるノードN1等がエッジで連結されており、第4情報に対応する。また、図17中のグラフGR31及び図20中のグラフGR32は、第4情報とは異なり、オブジェクトノードとブロブとがエッジが連結されたブロブ用グラフ(「グループグラフ」ともいう)である。すなわち、グループグラフは、オブジェクトノードからブロブへエッジが連結され、オブジェクトノードを参照元とし、ブロブ(グループ)を参照先とするグラフである。 Further, information indicating an object or a node corresponding to the object (also referred to as an "object node") may be described as first information, and information used to classify a plurality of objects may be described as second information. Further, information indicating a blob may be described as third information, and a graph in which object nodes are connected by edges may be described as fourth information. For example, the graph GR21 in FIG. 20 has node N1, which is an object node, connected by edges, and corresponds to the fourth information. Also, unlike the fourth information, graph GR31 in FIG. 17 and graph GR32 in FIG. 20 are blob graphs (also referred to as "group graphs") in which object nodes and blobs are connected at edges. In other words, the group graph is a graph in which edges are connected from object nodes to blobs, the object nodes are reference sources, and the blobs (groups) are reference destinations.
情報処理装置100Aは、オブジェクトノード間がエッジで連結したグラフGR21をインデックス(第4情報)として用いて、オブジェクトノードからのエッジによる参照先がブロブとなるグループグラフであるグラフGR32を生成する(ステップS41)。図20では、情報処理装置100Aは、空間情報SP32に示すように、ノードからブロブへの有向エッジを含むグラフGR32を生成する。 The information processing device 100A uses the graph GR21 in which object nodes are connected by edges as an index (fourth information) to generate a graph GR32 that is a group graph in which blobs are referenced by edges from object nodes (step S41). In FIG. 20, the information processing device 100A generates a graph GR32 including directed edges from nodes to blobs, as shown in spatial information SP32.
例えば、情報処理装置100Aは、複数のオブジェクトから一のオブジェクトを選択し、グラフGR21を用いて一のオブジェクトの近傍オブジェクトを検索し、一のオブジェクトに対応する一のオブジェクトノードから、近傍オブジェクトが属する他のグループへエッジを連結する連結処理により、グラフGR32を生成する。例えば、情報処理装置100Aは、複数のオブジェクトからランダムに一のオブジェクトを選択し、選択した一のオブジェクトを対象に連結処理を行い、グラフGR32を生成する。 For example, the information processing device 100A selects one object from a plurality of objects, searches for neighboring objects of the one object using the graph GR21, and determines which neighboring objects belong from one object node corresponding to the one object. A graph GR32 is generated by a connection process that connects edges to other groups. For example, the information processing device 100A randomly selects one object from a plurality of objects, performs a concatenation process on the selected object, and generates the graph GR32.
例えば、情報処理装置100Aは、以下のような処理(1-1)~(1-4)を行い、グラフGR32を生成する。なお、オブジェクトは、オブジェクトに対応するノードと読み替えてもよい。 For example, the information processing device 100A performs the following processes (1-1) to (1-4) to generate the graph GR32. Note that the object may be read as a node corresponding to the object.
(1-1):ランダムでオブジェクトNXを取得(選択)
(1-2):オブジェクトNXの近傍オブジェクトを定数k件検索
(1-3):各近傍オブジェクトの属するブロブを取得
(1-4):オブジェクトNXから取得したブロブへのエッジを生成
(1-1): Obtain object NX randomly (selection)
(1-2): Search for a constant number of k neighboring objects of object NX (1-3): Obtain the blob to which each neighboring object belongs (1-4): Generate an edge to the blob obtained from object NX
例えば処理(1-1)では、情報処理装置100Aは、オブジェクト情報記憶部121に記憶された複数のオブジェクトからランダムに一のオブジェクトNXを取得する。
For example, in process (1-1), the information processing device 100A randomly acquires one object NX from a plurality of objects stored in the object
例えば処理(1-2)では、情報処理装置100Aは、図11に示すような検索処理を、オブジェクトNXを対象(クエリ)とし、グラフGR21を用いて行うことにより、k件(個)のオブジェクトをオブジェクトNXの近傍オブジェクトとして抽出する。 For example, in process (1-2), the information processing device 100A performs a search process as shown in FIG. is extracted as a neighboring object of object NX.
例えば処理(1-3)では、情報処理装置100Aは、ブロブ情報記憶部125に記憶されたブロブの情報を参照し、オブジェクトNXの近傍オブジェクト(ノード)が対応付けられたブロブを取得する。
For example, in process (1-3), the information processing device 100A refers to blob information stored in the blob
例えば処理(1-4)では、情報処理装置100Aは、オブジェクトNXから取得したブロブへのエッジを生成する。例えば、情報処理装置100Aは、量子化情報記憶部123A中のオブジェクトNXに取得したブロブを示す情報を対応付けることにより、グラフGR32を生成する。
For example, in process (1-4), the information processing device 100A generates an edge to the blob acquired from the object NX. For example, the information processing device 100A generates the graph GR32 by associating information indicating the acquired blob with the object NX in the quantization
例えば、情報処理装置100Aは、上記の処理(1-1)~(1-4)を、処理対象となるオブジェクトが無くなるまで繰り返し行い、グラフGR32を生成する。なお、空間情報SP21に示すブロブを検索により生成している場合、ブロブの生成の際の検索結果を流用して、グラフGR32を生成してもよい。なお、ブロブを検索により生成する例については後述する。 For example, the information processing device 100A repeatedly performs the above processes (1-1) to (1-4) until there are no more objects to be processed, and generates the graph GR32. Note that when the blob shown in the spatial information SP21 is generated by a search, the graph GR32 may be generated by using the search results when the blob is generated. Note that an example of generating blobs by search will be described later.
例えば、情報処理装置100Aは、空間情報SP32に示すように、ノード(オブジェクト)からブロブへの有向エッジを含むグラフGR32を用いて、検索処理を行う。例えば、情報処理装置100Aは、検索クエリQE2を対象として、グラフGR32を用いた図19に示すような検索処理を行うことにより、検索クエリQE2の検索結果を得る。 For example, the information processing device 100A performs a search process using a graph GR32 including directed edges from nodes (objects) to blobs, as shown in spatial information SP32. For example, the information processing device 100A obtains the search result of the search query QE2 by performing a search process as shown in FIG. 19 using the graph GR32 for the search query QE2.
また、上述した例では、クラスタリングによりブロブを生成する場合を示したが、ブロブは、クラスタリングに限らず、様々な方法により生成されてもよい。例えば、情報処理装置100Aは、インデックス等の第2情報を用いて、ブロブを示す情報(第3情報)を生成してもよい。 Further, in the above example, a case was shown in which blobs were generated by clustering, but blobs are not limited to clustering, and may be generated by various methods. For example, the information processing device 100A may generate information indicating a blob (third information) using second information such as an index.
情報処理装置100Aは、図21に示すような、グラフGR21をインデックスとして用いて、ブロブを示す第3情報を生成する。図21は、ブロブ情報の生成処理の一例を示す図である。図21の空間情報SP20は、空間情報SP21中のブロブの情報が生成される前の状態を示し、図21のグラフGR21は、図20のグラフGR21と同様のグラフである。なお、図21に示す処理は、後述する第1方法の一部を示すものであるが、詳細は後述する。 The information processing device 100A uses the graph GR21 as an index as shown in FIG. 21 to generate third information indicating a blob. FIG. 21 is a diagram illustrating an example of blob information generation processing. Spatial information SP20 in FIG. 21 shows a state before the blob information in spatial information SP21 is generated, and graph GR21 in FIG. 21 is a graph similar to graph GR21 in FIG. 20. Note that the process shown in FIG. 21 shows a part of the first method described later, and the details will be described later.
例えば、情報処理装置100Aは、グラフGR21を用いた検索により、複数のオブジェクトを複数のブロブに分類する第3情報を生成する。例えば、情報処理装置100Aは、グラフGR21中の複数のノードから一のノード(「処理対象ノード」ともいう)を選択し、処理対象ノードにエッジで連結されたノードである近傍ノードのうち少なくとも一部のノードである分類対象ノード、及び処理対象ノードの各々に対応するオブジェクト群を一のグループに分類する分類処理により、第3情報を生成する。例えば、情報処理装置100Aは、複数のノードから所定の処理により処理対象ノードを選択し、選択した処理対象ノードを対象に分類処理を行い、第3情報を生成する。 For example, the information processing device 100A generates third information that classifies a plurality of objects into a plurality of blobs by searching using the graph GR21. For example, the information processing device 100A selects one node (also referred to as a "processing target node") from a plurality of nodes in the graph GR21, and selects at least one of the neighboring nodes that are nodes connected to the processing target node by an edge. The third information is generated by a classification process of classifying a group of objects corresponding to each of the classification target node, which is a node of the section, and the processing target node into one group. For example, the information processing device 100A selects a processing target node from a plurality of nodes by a predetermined process, performs a classification process on the selected processing target node, and generates third information.
例えば、情報処理装置100Aは、ノードにエッジで連結された近傍ノード(接続ノード)の数に基づいて処理対象ノードを選択してもよい。例えば、情報処理装置100Aは、近傍ノードの数が大きい方から順に処理対象ノードを選択してもよい。近傍ノードの数が大きい方から順に処理対象ノードを選択し、ブロブを示す第3情報を生成する方法を「第1方法」ともいう。また、例えば、情報処理装置100Aは、近傍ノード(接続ノード)の数が小さい方から順に処理対象ノードを選択してもよい。近傍ノードの数が小さい方から順に処理対象ノードを選択し、ブロブを生成する方法を「第2方法」ともいう。また、例えば、情報処理装置100Aは、ランダムに処理対象ノードを選択してもよい。ランダムに処理対象ノードを選択し、ブロブを示す第3情報を生成する方法を「第3方法」ともいう。以下では、第1方法、第2方法、及び第3方法の各々の処理手順の概要を説明する。 For example, the information processing device 100A may select a processing target node based on the number of neighboring nodes (connection nodes) connected to the node by edges. For example, the information processing apparatus 100A may select processing target nodes in descending order of the number of neighboring nodes. A method of selecting processing target nodes in order of increasing number of neighboring nodes and generating third information indicating a blob is also referred to as a "first method." Further, for example, the information processing apparatus 100A may select processing target nodes in descending order of the number of neighboring nodes (connected nodes). A method of selecting processing target nodes in order of decreasing number of neighboring nodes and generating blobs is also referred to as a "second method." Further, for example, the information processing apparatus 100A may randomly select a processing target node. A method of randomly selecting processing target nodes and generating third information indicating a blob is also referred to as a "third method." Below, the outline of each processing procedure of the first method, second method, and third method will be explained.
〔2-4-4-1.第1方法〕
まず、第1方法について説明する。例えば、第1方法の場合、情報処理装置100Aは、以下のような処理(2-1)~(2-3)を行い、ブロブを示す第3情報を生成する。
[2-4-4-1. 1st method]
First, the first method will be explained. For example, in the case of the first method, the information processing device 100A performs the following processes (2-1) to (2-3) to generate third information indicating a blob.
(2-1):各ノードの近傍ノード数(エッジ数)が大きいものからノードNDを取得
(2-2):ノードNDの近傍ノード及びノードNDを一のブロブとする
(2-3):ブロブとしたノード及びそのノードのエッジを削除
(2-1): Obtain the node ND from the one with the largest number of neighboring nodes (number of edges) for each node (2-2): Set the neighboring nodes of the node ND and the node ND as one blob (2-3): Delete blob nodes and edges of those nodes
例えば、情報処理装置100Aは、処理(2-1)~(2-3)を、すべてのノードにおいて実施する。 For example, the information processing device 100A performs processes (2-1) to (2-3) on all nodes.
例えば、処理(2-1)では、情報処理装置100Aは、グラフGR21を参照し、一のノードNDを順次取得する。情報処理装置100Aは、近傍ノードの数が大きい方から順に並べられたノードの一覧情報を用いて、一のノードNDを取得してもよい。 For example, in process (2-1), the information processing device 100A refers to the graph GR21 and sequentially acquires one node ND. The information processing device 100A may obtain one node ND using list information of nodes arranged in descending order of the number of neighboring nodes.
例えば処理(2-2)では、情報処理装置100Aは、処理対象となっているグラフ(グラフGR21等)を参照し、ノードNDの近傍ノード及びノードNDを一のブロブとする情報を生成する。なお、情報処理装置100Aは、すべての近傍ノードをブロブとするのではなく定数K以下の近傍ノードをブロブとしても良い。例えば、情報処理装置100Aは、ノードNDの全近傍ノードをノードNDとともにブロブとするのではなく、近傍ノードのうちK個の近傍ノード及びノードNDを一のブロブとしてもよい。 For example, in process (2-2), the information processing device 100A refers to the graph to be processed (graph GR21, etc.) and generates information regarding the neighboring nodes of the node ND and the node ND as one blob. Note that the information processing device 100A may set neighboring nodes that are less than or equal to a constant K as blobs instead of setting all neighboring nodes as blobs. For example, instead of making all the neighboring nodes of the node ND into a blob together with the node ND, the information processing device 100A may make K neighboring nodes and the node ND among the neighboring nodes into one blob.
例えば処理(2-3)では、情報処理装置100Aは、ノードが重複して選択されないように、処理(2-2)においてブロブとしたノード及びそのノードのエッジを削除する。例えば、情報処理装置100Aは、ブロブとしたノードが他のノードの近傍ノードであれば、その(エッジおよび)ノードを削除する。なお、上記の方法は一例に過ぎず、処理(2-3)は、エッジ等を削除する方法に限らず、ブロブを生成可能であればどのような方法であってもよい。例えば、情報処理装置100Aは、既にブロブに属しているノードのリストを保持して、除外するノードを管理する方法により、ブロブの生成を行ってもよい。例えば、情報処理装置100Aは、ブロブとしたノードに所定のフラグ(削除フラグ等)を立てることにより、既にブロブに属しているノードを管理してもよい。このように、フラグを用いる場合、情報処理装置100Aは、処理の際に各ノードのフラグを参照して、そのノードを処理対象とするかを判定する。 For example, in process (2-3), the information processing device 100A deletes the node that was made into a blob in process (2-2) and the edges of that node so that nodes are not selected redundantly. For example, the information processing device 100A deletes the blob (edge and) node if the node is a neighboring node of another node. Note that the above method is only an example, and the process (2-3) is not limited to the method of deleting edges and the like, but may be any method as long as it is possible to generate blobs. For example, the information processing device 100A may generate a blob by maintaining a list of nodes that already belong to the blob and managing nodes to be excluded. For example, the information processing device 100A may manage nodes that already belong to a blob by setting a predetermined flag (such as a deletion flag) on the node that is a blob. In this way, when using flags, the information processing apparatus 100A refers to the flags of each node during processing and determines whether that node is to be processed.
上述した第1方法の具体例について図21を用いて説明する。図21では、情報処理装置100Aは、グラフGR21のうち、近傍ノードの数が最大の4個であるノードN7を取得する(ステップS51)。図21では、グラフGR21のうちノードN1も近傍ノードの数が4個であるが、情報処理装置100Aは、ノードN7を取得するものとする。なお、近傍ノードの数が同数のノードが複数ある場合、情報処理装置100Aは、その複数のノードからランダムにノードを取得してもよい。 A specific example of the first method described above will be explained using FIG. 21. In FIG. 21, the information processing device 100A acquires the node N7, which has the maximum number of neighboring nodes of four, from the graph GR21 (step S51). In FIG. 21, the node N1 in the graph GR21 also has four neighboring nodes, but the information processing device 100A acquires the node N7. Note that when there are multiple nodes with the same number of neighboring nodes, the information processing device 100A may randomly acquire nodes from the multiple nodes.
そして、情報処理装置100Aは、ノードN7の近傍ノードであるノードN9、N12、N54、N126の4個のノード及びノードN7の5個のノードを一のブロブBL11とする(ステップS52)。情報処理装置100Aは、ノードN7、N9、N12、N54、N126の5個のノードが一のブロブBL11に属することを示す第3情報BLT1を生成する。そして、情報処理装置100Aは、ノードN7、N9、N12、N54、N126の5個のノード及び各ノードのエッジをグラフGR21から削除する。これにより、空間情報SP20-1に示すように、グラフGR21はグラフGR21-1に更新される。 Then, the information processing device 100A sets four nodes N9, N12, N54, and N126, which are neighboring nodes of the node N7, and five nodes including the node N7, as one blob BL11 (step S52). The information processing device 100A generates third information BLT1 indicating that five nodes N7, N9, N12, N54, and N126 belong to one blob BL11. The information processing device 100A then deletes the five nodes N7, N9, N12, N54, and N126 and the edges of each node from the graph GR21. As a result, the graph GR21 is updated to the graph GR21-1, as shown in the spatial information SP20-1.
そして、情報処理装置100Aは、グラフGR21のうち、近傍ノードの数が4個であるノードN1を取得する(ステップS53)。そして、情報処理装置100Aは、ノードN1の近傍ノードであるノードN4、N5、N88、N99の4個のノード及びノードN1の5個のノードを一のブロブBL12とする(ステップS54)。情報処理装置100Aは、ノードN1、N4、N5、N88、N99の5個のノードが一のブロブBL12に属することを示す第3情報BLT2を生成する。そして、情報処理装置100Aは、ノードN1、N4、N5、N88、N99の5個のノード及び各ノードのエッジをグラフGR21-1から削除する。 Then, the information processing device 100A obtains the node N1 having four neighboring nodes from the graph GR21 (step S53). Then, the information processing device 100A sets four nodes N4, N5, N88, and N99, which are neighboring nodes of the node N1, and five nodes including the node N1, as one blob BL12 (step S54). The information processing device 100A generates third information BLT2 indicating that five nodes N1, N4, N5, N88, and N99 belong to one blob BL12. Then, the information processing device 100A deletes the five nodes N1, N4, N5, N88, and N99 and the edges of each node from the graph GR21-1.
情報処理装置100Aは、上述した処理を処理対象となるノードが無くなるまで繰り返し、複数のブロブを示す第3情報を生成する。 The information processing device 100A repeats the above-described processing until there are no more nodes to be processed, and generates third information indicating a plurality of blobs.
〔2-4-4-2.第2方法〕
次に、第2方法について説明する。例えば、第2方法の場合、情報処理装置100Aは、以下のような処理(3-1)~(3-3)を行い、ブロブを示す第3情報を生成する。
[2-4-4-2. Second method]
Next, the second method will be explained. For example, in the case of the second method, the information processing device 100A performs the following processes (3-1) to (3-3) to generate third information indicating a blob.
(3-1):各ノードの近傍ノード数(エッジ数)が小さいものからノードNDを取得
(3-2):ノードNDの近傍ノード及びノードNDを一のブロブとする
(3-3):ブロブとしたノード及びそのノードのエッジを削除
(3-1): Obtain nodes ND from the smallest number of neighboring nodes (number of edges) for each node (3-2): Set neighboring nodes of node ND and node ND as one blob (3-3): Delete blob nodes and edges of those nodes
例えば、情報処理装置100Aは、処理(3-1)~(3-3)を、すべてのノードにおいて実施する。 For example, the information processing device 100A performs processes (3-1) to (3-3) on all nodes.
例えば、処理(3-1)では、情報処理装置100Aは、グラフGR21を参照し、一のノードNDを順次取得する。情報処理装置100Aは、近傍ノードの数が小さい方から順に並べられたノードの一覧情報を用いて、一のノードNDを取得してもよい。 For example, in process (3-1), the information processing device 100A refers to the graph GR21 and sequentially acquires one node ND. The information processing device 100A may obtain one node ND using list information of nodes arranged in descending order of the number of neighboring nodes.
例えば処理(3-2)では、情報処理装置100Aは、処理対象となっているグラフ(グラフGR21等)を参照し、ノードNDの近傍ノード及びノードNDを一のブロブとする情報を生成する。なお、情報処理装置100Aは、すべての近傍ノードをブロブとするのではなく定数K以下の近傍ノードをブロブとしても良い。例えば、情報処理装置100Aは、ノードNDの全近傍ノードをノードNDとともにブロブとするのではなく、近傍ノードのうちK個の近傍ノード及びノードNDを一のブロブとしてもよい。 For example, in the process (3-2), the information processing device 100A refers to the graph to be processed (graph GR21, etc.) and generates information regarding the neighboring nodes of the node ND and the node ND as one blob. Note that the information processing device 100A may set neighboring nodes that are less than or equal to a constant K as blobs instead of setting all neighboring nodes as blobs. For example, instead of making all the neighboring nodes of the node ND into a blob together with the node ND, the information processing device 100A may make K neighboring nodes and the node ND among the neighboring nodes into one blob.
例えば処理(3-3)では、情報処理装置100Aは、ノードが重複して選択されないように、処理(3-2)においてブロブとしたノード及びそのノードのエッジを削除する。例えば、情報処理装置100Aは、ブロブとしたノードが他のノードの近傍ノードであれば、その(エッジおよび)ノードを削除する。なお、第2方法は、ノードの取得順が近傍ノード数(エッジ数)が小さい方から順である点以外は、第1方法と同様であるため、具体例等についての説明は省略する。例えば、処理(3-3)は、第1方法と同様に、エッジ等を削除する方法に限らず、ブロブを生成可能であればどのような方法であってもよい。例えば、情報処理装置100Aは、第1方法と同様に、既にブロブに属しているノードのリストを保持して、除外するノードを管理する方法により、ブロブの生成を行ってもよい。 For example, in process (3-3), the information processing apparatus 100A deletes the node that was made into a blob in process (3-2) and the edges of that node so that nodes are not selected twice. For example, the information processing device 100A deletes the blob (edge and) node if the node is a neighboring node of another node. Note that the second method is the same as the first method except that the order of node acquisition is from the smallest number of neighboring nodes (number of edges), so a description of specific examples and the like will be omitted. For example, like the first method, the process (3-3) is not limited to the method of deleting edges and the like, but may be any method as long as it is possible to generate blobs. For example, similar to the first method, the information processing device 100A may generate a blob by maintaining a list of nodes that already belong to the blob and managing nodes to be excluded.
〔2-4-4-3.第3方法〕
次に、第3方法について説明する。例えば、第3方法の場合、情報処理装置100Aは、以下のような処理(4-1)~(4-3)を行い、ブロブを示す第3情報を生成する。
[2-4-4-3. Third method]
Next, a third method will be explained. For example, in the case of the third method, the information processing device 100A performs the following processes (4-1) to (4-3) to generate third information indicating a blob.
(4-1):ランダムにノードNDを順次取得
(4-2):ノードNDの近傍ノード及びノードNDを一のブロブとする
(4-3):ブロブとしたノード及びそのノードのエッジを削除
(4-1): Randomly acquire nodes ND in sequence (4-2): Make neighboring nodes of node ND and node ND one blob (4-3): Delete the blob node and the edges of that node
例えば、情報処理装置100Aは、処理(4-1)~(4-3)を、すべてのノードにおいて実施する。なお、第3方法は、ノードの取得順がランダムである点以外は、第1方法及び第2方法と同様であり詳細な説明は省略する。例えば、情報処理装置100Aは、すべて同じエッジ数であればランダム順(第3方法)で第3情報の生成を実行してもよい。 For example, the information processing device 100A performs processes (4-1) to (4-3) on all nodes. Note that the third method is similar to the first method and the second method, except that the order of node acquisition is random, and detailed description thereof will be omitted. For example, the information processing device 100A may generate the third information in random order (third method) if the number of edges is the same.
〔2-4-4-4.第4方法〕
なお、上述した第1方法~第3方法は一例に過ぎず、情報処理装置100Aは、様々な処理によりブロブを生成してもよい。例えば、情報処理装置100Aは、複数のオブジェクトを検索対象とする近傍検索インデックス(インデックス)を用いた検索によりブロブを生成してもよい。インデックスを用いた検索によりブロブを生成する方法を「第4方法」ともいう。
[2-4-4-4. Fourth method]
Note that the first to third methods described above are merely examples, and the information processing apparatus 100A may generate blobs by various processes. For example, the information processing device 100A may generate a blob through a search using a neighborhood search index that searches for multiple objects. The method of generating blobs by searching using an index is also referred to as the "fourth method."
以下、第4方法について説明する。なお、上述した内容と同様の点については適宜説明を省略する。以下では、インデックスの一例としてグラフを用いる場合を一例として説明するが、上述したようにインデックスは、複数のオブジェクトを検索対象とするものであればどのようなものであってもよい。例えば、インデックスは、ハッシュインデックス、ツリーインデックス等、どのようなインデックスであってもよい。 The fourth method will be explained below. Note that descriptions of points similar to those described above will be omitted as appropriate. In the following, a case will be described in which a graph is used as an example of the index, but as described above, the index may be of any type as long as it searches for a plurality of objects. For example, the index may be any index such as a hash index or a tree index.
ここから、図21に示すようなグラフGR21をインデックスとして用いた検索により、情報処理装置100Aがブロブを示す第3情報を生成する場合を説明する。例えば、情報処理装置100Aは、以下のような処理(5-1)~(5-4)を行い、グラフGR32を生成する。 From here, a case will be described in which the information processing device 100A generates third information indicating a blob by searching using the graph GR21 as an index as shown in FIG. 21. For example, the information processing device 100A performs the following processes (5-1) to (5-4) to generate the graph GR32.
(5-1):ランダムでオブジェクトNXを取得(選択)
(5-2):オブジェクトNXの近傍オブジェクトを定数k件検索
(5-3):オブジェクトNXの近傍オブジェクト及びオブジェクトNXを一のブロブとする
(5-4):重複処理回避用の処理を実行
(5-1): Obtain object NX randomly (selection)
(5-2): Search for a constant number of k neighboring objects of object NX (5-3): Make neighboring objects of object NX and object NX one blob (5-4): Execute processing to avoid duplicate processing
例えば処理(5-1)では、情報処理装置100Aは、グラフGR21からランダムに一のオブジェクトNXを取得する。 For example, in process (5-1), the information processing device 100A randomly acquires one object NX from the graph GR21.
例えば処理(5-2)では、情報処理装置100Aは、図11に示すような検索処理を、オブジェクトNXを対象(クエリ)とし、グラフGR21を用いて行うことにより、k件(個)のオブジェクトをオブジェクトNXの近傍オブジェクトとして抽出する。なお、情報処理装置100Aは、すべてのオブジェクトをスキャン(検索)して、オブジェクトNXの近傍オブジェクトを抽出してもよい。 For example, in process (5-2), the information processing device 100A performs a search process as shown in FIG. 11 using the graph GR21 with the object NX as the target (query). is extracted as a neighboring object of object NX. Note that the information processing device 100A may scan (search) all the objects and extract neighboring objects of the object NX.
例えば処理(5-3)では、情報処理装置100Aは、オブジェクトNXの近傍オブジェクトの近傍ノード及びオブジェクトNXを一のブロブとする情報を生成する。 For example, in process (5-3), the information processing device 100A generates information that makes the neighboring nodes of the neighboring objects of the object NX and the object NX one blob.
例えば処理(5-4)では、情報処理装置100Aは、一のオブジェクトが重複して検索されたりする等により複数のブロブに属することとならないように、重複処理回避用の処理を実行する。例えば、情報処理装置100Aは、ブロブとしたオブジェクトをインデックスから削除する。例えば、情報処理装置100Aは、ブロブとしたオブジェクトをグラフGR21から削除する。 For example, in process (5-4), the information processing device 100A executes a process for avoiding duplicate processing so that one object does not belong to multiple blobs due to duplicate searches or the like. For example, the information processing device 100A deletes the blob object from the index. For example, the information processing device 100A deletes the blob object from the graph GR21.
なお、情報処理装置100Aは、上記に限らず、一のオブジェクトが複数のブロブに属することとならなければ、どのような方法により重複処理回避用の処理を行ってもよい。例えば、情報処理装置100Aは、ブロブとしたオブジェクトに所定のフラグ(削除フラグ等)を立てることにより、既にブロブに属しているオブジェクトが処理対象となることを抑制してもよい。このように、フラグを用いる場合、情報処理装置100Aは、処理の際に各オブジェクトのフラグを参照して、そのオブジェクトを処理対象とするかを判定する。例えば、情報処理装置100Aは、上述したグループグラフの生成に検索結果を利用する場合には、フラグを用いた方法により重複処理回避用の処理を行ってもよい。 Note that the information processing apparatus 100A is not limited to the above method, and may perform processing for avoiding duplicate processing using any method as long as one object does not belong to multiple blobs. For example, the information processing device 100A may set a predetermined flag (such as a deletion flag) on an object that has been made into a blob, thereby preventing objects that already belong to the blob from becoming processing targets. In this way, when using flags, the information processing apparatus 100A refers to the flag of each object during processing and determines whether the object is to be processed. For example, when the information processing device 100A uses the search results to generate the group graph described above, the information processing device 100A may perform processing to avoid duplicate processing using a method using a flag.
〔2-4-5.変形例に係る情報処理装置〕
第2の実施形態の変形例に係る情報処理装置100Aにおいて取得部131は、以下の処理も行う。取得部131は、データ検索の対象となる複数のオブジェクトを示す第1情報と、複数のオブジェクトを分類するために用いる第2情報とを取得する。取得部131は、複数のオブジェクトを検索対象とするインデックスである第2情報を取得する。取得部131は、複数のオブジェクトの各々に対応する複数のノードがエッジにより連結されたグラフである第2情報を取得する。取得部131は、複数のオブジェクトを検索対象とするインデックスである第4情報を取得する。取得部131は、複数のオブジェクトの各々に対応する複数のオブジェクトノードがエッジにより連結されたグラフである第4情報を取得する。
[2-4-5. Information processing device according to modification]
In the information processing device 100A according to the modification of the second embodiment, the
また、第2の実施形態の変形例に係る情報処理装置100Aにおいて生成部132Aは、以下の処理も行う。生成部132Aは、取得部131により取得された第2情報を用いて、第1情報が示す複数のオブジェクトを分類し、複数のオブジェクトを対象とする検索処理において一括処理を行うために用いられる複数のグループを示す第3情報を生成する。生成部132Aは、第2情報を用いて、複数のオブジェクトを複数のグループに分類する第3情報を生成する。生成部132Aは、第2情報を用いた検索により、複数のオブジェクトを複数のグループに分類する第3情報を生成する。
Furthermore, in the information processing apparatus 100A according to the modification of the second embodiment, the generation unit 132A also performs the following processing. The generation unit 132A uses the second information acquired by the
生成部132Aは、グラフ中の複数のノードから一のノードを選択し、一のノードにエッジで連結されたノードである近傍ノードのうち少なくとも一部のノードである分類対象ノード、及び一のノードの各々に対応するオブジェクト群を一のグループに分類する分類処理により、第3情報を生成する。生成部132Aは、一のノードの近傍ノードのうち所定の数のノードである分類対象ノード、及び一のノードの各々に対応するオブジェクト群を一のグループに分類する分類処理により、第3情報を生成する。生成部132Aは、一のノードの近傍ノードの全てである分類対象ノード、及び一のノードの各々に対応するオブジェクト群を一のグループに分類する分類処理により、第3情報を生成する。 The generation unit 132A selects one node from a plurality of nodes in the graph, and generates classification target nodes that are at least some nodes among neighboring nodes that are nodes connected to the one node by edges, and the one node. The third information is generated by a classification process that classifies the object group corresponding to each of the objects into one group. The generation unit 132A generates the third information through a classification process of classifying into one group a group of objects corresponding to each of the classification target nodes, which are a predetermined number of nodes among the nodes in the vicinity of one node, and one node. generate. The generation unit 132A generates the third information through a classification process of classifying the classification target node, which is all of the neighboring nodes of one node, and the object group corresponding to each of the one node into one group.
生成部132Aは、複数のノードの各々にエッジで連結されたノードである近傍ノードの数に基づいて、複数のノードから一のノードを選択し、一のノードの分類対象ノード及び一のノードの各々に対応するオブジェクト群を一のグループに分類する分類処理により、第3情報を生成する。生成部132Aは、近傍ノードの数が大きい方から順に一のノードを選択し、一のノードの分類対象ノード及び一のノードの各々に対応するオブジェクト群を一のグループに分類する分類処理により、第3情報を生成する。生成部132Aは、近傍ノードの数が小さい方から順に一のノードを選択し、一のノードの分類対象ノード及び一のノードの各々に対応するオブジェクト群を一のグループに分類する分類処理により、第3情報を生成する。 The generation unit 132A selects one node from the plurality of nodes based on the number of neighboring nodes that are nodes connected to each of the plurality of nodes by edges, and selects one node from the plurality of nodes, and selects a classification target node of the one node and a node of the one node. The third information is generated by a classification process of classifying the corresponding object groups into one group. The generation unit 132A selects one node in descending order of the number of neighboring nodes, and performs a classification process of classifying the classification target node of one node and the object group corresponding to each of the one node into one group. Generate third information. The generation unit 132A selects one node in descending order of the number of neighboring nodes, and performs a classification process of classifying the classification target node of one node and the object group corresponding to each of the one node into one group. Generate third information.
生成部132Aは、複数のノードからランダムに一のノードを選択し、一のノードの分類対象ノード及び一のノードの各々に対応するオブジェクト群を一のグループに分類する分類処理により、第3情報を生成する。生成部132Aは、一のグループに分類された一のノードの分類対象ノード及び一のノードである処理済みノード群をグラフから除外し、処理済みノード群を除外した後のグラフを用いて、分類処理を繰り返すことにより、第3情報を生成する。生成部132Aは、処理済みノード群を除外した後のグラフを用いて、分類処理を複数のオブジェクトがいずれかのグループに分類されるまで繰り返すことにより、第3情報を生成する。生成部132Aは、各々に属するオブジェクトが相互に排他的な複数のグループを示す第3情報を生成する。 The generation unit 132A randomly selects one node from the plurality of nodes, and generates third information by performing a classification process of classifying the classification target node of the one node and the object group corresponding to each of the one node into one group. generate. The generation unit 132A excludes the classification target node of the one node classified into the one group and the processed node group that is the one node from the graph, and performs classification using the graph after excluding the processed node group. Third information is generated by repeating the process. The generation unit 132A generates third information by repeating the classification process using the graph after excluding the processed node group until a plurality of objects are classified into any group. The generation unit 132A generates third information indicating a plurality of groups to which objects each belong to are mutually exclusive.
生成部132Aは、第4情報を用いて、複数のオブジェクトのうち少なくとも一部のオブジェクトに対応するノードであるオブジェクトノードから、複数のグループのうち、オブジェクトノードが属するグループ以外の他のグループへエッジが連結されたグループグラフを生成する。生成部132Aは、複数のオブジェクトから一のオブジェクトを選択し、第4情報を用いて複数のオブジェクトを対象に、一のオブジェクトの近傍オブジェクトを検索し、一のオブジェクトに対応する一のオブジェクトノードから、近傍オブジェクトが属する他のグループへエッジを連結する連結処理により、グループグラフを生成する。生成部132Aは、複数のオブジェクトからランダムに一のオブジェクトを選択し、一のオブジェクトの近傍オブジェクトを検索し、一のオブジェクトに対応する一のオブジェクトノードから、近傍オブジェクトが属する他のグループへエッジを連結する連結処理により、グループグラフを生成する。生成部132Aは、第4情報を用いて、グループグラフを生成する。 Using the fourth information, the generation unit 132A generates an edge from an object node, which is a node corresponding to at least some of the plurality of objects, to a group other than the group to which the object node belongs among the plurality of groups. Generates a connected group graph. The generation unit 132A selects one object from the plurality of objects, searches for neighboring objects of the one object among the plurality of objects using the fourth information, and selects one object from the one object node corresponding to the one object. , a group graph is generated by a connection process that connects edges to other groups to which neighboring objects belong. The generation unit 132A randomly selects one object from a plurality of objects, searches for neighboring objects of the one object, and creates an edge from one object node corresponding to the one object to another group to which the neighboring object belongs. A group graph is generated by the concatenation process. The generation unit 132A generates a group graph using the fourth information.
〔2-4-6.情報処理のフロー〕
次に、図22を用いて、変形例に係る情報処理の手順について説明する。図22は、変形例に係る情報処理の一例を示すフローチャートである。
[2-4-6. Information processing flow]
Next, an information processing procedure according to a modified example will be described using FIG. 22. FIG. 22 is a flowchart illustrating an example of information processing according to a modification.
図22に示すように、情報処理装置100Aは、データ検索の対象となる複数のオブジェクトを示す第1情報を取得する(ステップS401)。例えば、情報処理装置100Aは、オブジェクト情報記憶部121から複数のオブジェクトを示す第1情報を取得する。
As shown in FIG. 22, the information processing device 100A acquires first information indicating a plurality of objects that are data search targets (step S401). For example, the information processing device 100A acquires first information indicating a plurality of objects from the object
また、情報処理装置100Aは、複数のオブジェクトを分類するために用いる第2情報を取得する(ステップS402)。例えば、情報処理装置100Aは、グラフ情報記憶部122Aからグラフを第2情報として取得する。
The information processing device 100A also acquires second information used to classify a plurality of objects (step S402). For example, the information processing device 100A obtains a graph as the second information from the graph
そして、情報処理装置100Aは、第2情報を用いて、第1情報が示す複数のオブジェクトを分類し、複数のオブジェクトを対象とする検索処理において一括処理を行うために用いられる複数のグループを示す第3情報を生成する(ステップS403)。例えば、情報処理装置100Aは、各々に属するオブジェクトが相互に排他的な複数のブロブを示す第3情報を生成する。 The information processing device 100A uses the second information to classify the plurality of objects indicated by the first information, and indicates a plurality of groups used for performing batch processing in a search process targeting a plurality of objects. Third information is generated (step S403). For example, the information processing device 100A generates third information indicating a plurality of blobs in which objects belonging to each blob are mutually exclusive.
〔3.第3の実施形態〕
上述した例では、オブジェクトに対応するノード(オブジェクトノード)間をエッジで連結したグラフ(「オブジェクトグラフ」ともいう)、オブジェクトノードとグループ(ブロブ)間をエッジで連結したグラフ(ブロブ用グラフ)の2種類のグラフを用いる説明したが、情報処理システム1は様々な種類のグラフを用いてもよい。例えば、情報処理システム1は、オブジェクトグラフ及びブロブ用グラフとは異なり、グループ(ブロブ)間を連結したグラフ(以下「グループ連結グラフ」または「ブロブ連結グラフ」ともいう)を生成し、ブロブ連結グラフを検索に用いてもよい。
[3. Third embodiment]
In the above example, there are two graphs: a graph (also called an "object graph") in which nodes corresponding to objects (object nodes) are connected by edges, and a graph (blob graph) in which object nodes and groups (blobs) are connected by edges. Although the description uses two types of graphs, the
この点について、以下、第3の実施形態として説明する。第3の実施形態においては、情報処理システム1は、情報処理装置100または情報処理装置100Aに代えて、情報処理装置100Bを有する。なお、第1の実施形態及び第2の実施形態等において上述した内容と同様の点については適宜説明を省略する。
This point will be described below as a third embodiment. In the third embodiment, the
情報処理装置100Bは、インデックス(インデックス情報)を用いて、一のオブジェクトが属する第1グループ(第1ブロブ)ら、一のオブジェクトの近傍オブジェクトが属する第2グループ(第2ブロブ)へエッジが連結されたグループ連結グラフを生成する。以下では、インデックスの一例としてグラフを用いる場合を一例として説明するが、上述したようにインデックスは、複数のオブジェクトを検索対象とするものであればどのようなものであってもよい。例えば、インデックスは、ハッシュインデックス、ツリーインデックス等、どのようなインデックスであってもよい。 The information processing device 100B uses the index (index information) to connect edges from a first group (first blob) to which one object belongs to a second group (second blob) to which neighboring objects of one object belong. generate a group connected graph. In the following, a case will be described in which a graph is used as an example of the index, but as described above, the index may be of any type as long as it searches for a plurality of objects. For example, the index may be any index such as a hash index or a tree index.
〔3-1.情報処理〕
まず、図23を用いて、第3の実施形態に係る情報処理の概要を説明する。図23は、第3の実施形態に係る情報処理の一例を示す図である。
[3-1. Information processing〕
First, an overview of information processing according to the third embodiment will be explained using FIG. 23. FIG. 23 is a diagram illustrating an example of information processing according to the third embodiment.
図23の例では、情報処理装置100Bは、空間情報SP21に示すようなグラフGR21を取得済みであるものとする。なお、情報処理装置100Bは、グラフ生成に関する様々な技術を適宜用いて、グラフGR21を生成してもよい。グラフGR21は図12等で示すグラフGR21と同様であるため説明を省略する。 In the example of FIG. 23, it is assumed that the information processing apparatus 100B has already acquired a graph GR21 as shown in the spatial information SP21. Note that the information processing device 100B may generate the graph GR21 using various techniques related to graph generation as appropriate. Since the graph GR21 is similar to the graph GR21 shown in FIG. 12 etc., the explanation will be omitted.
情報処理装置100Bは、任意の方法により、ブロブBL1~BL10等を示す情報を生成する。情報処理装置100Bは、k-means等の任意のクラスタリングにより各ノードをブロブBL1~BL10のいずれかに分類してもよい。なお、情報処理装置100Bは、ブロブを生成可能であれば、どのような方法によりブロブを生成してもよい。例えば、情報処理装置100Bは、上述した第1方法~第4方法のいずれかの方法によりブロブBL1~BL10等を示す情報を生成してもよい。 The information processing device 100B generates information indicating the blobs BL1 to BL10, etc. using an arbitrary method. The information processing device 100B may classify each node into one of the blobs BL1 to BL10 using arbitrary clustering such as k-means. Note that the information processing device 100B may use any method to generate blobs as long as it is capable of generating blobs. For example, the information processing device 100B may generate information indicating the blobs BL1 to BL10, etc. using any of the first to fourth methods described above.
情報処理装置100Bは、空間情報SP21に示すようなグラフGR21及びブロブの情報を用いて、ブロブ連結グラフを生成する(ステップS61)。図23の例では、情報処理装置100Bは、空間情報SP41に示すように、ブロブ(第1ブロブ)と他のブロブ(第2ブロブ)との間をエッジで連結したブロブ連結グラフであるグラフGR41を生成する。図23に示す矢印線は、矢元のブロブ(第1ブロブ)から矢先のブロブ(第2ブロブ)への有向エッジを示す。すなわち、図23に示す矢印線は、矢元のブロブを参照元とし、矢先のブロブを参照先とする有向エッジを示す。例えば、図23では、ブロブBL1からは、ブロブBL2、ブロブBL3、ブロブBL4、ブロブBL5及びブロブBL8の5つのブロブへのエッジが連結されることを示す。 The information processing device 100B generates a blob connection graph using the graph GR21 as shown in the spatial information SP21 and the blob information (step S61). In the example of FIG. 23, the information processing device 100B uses a graph GR41, which is a blob connection graph in which a blob (first blob) and another blob (second blob) are connected by edges, as shown in spatial information SP41. generate. The arrow line shown in FIG. 23 indicates a directed edge from the blob at the base of the arrow (first blob) to the blob at the tip (second blob). That is, the arrow line shown in FIG. 23 indicates a directed edge that uses the blob at the beginning of the arrow as a reference source and the blob at the tip of the arrow as a reference destination. For example, FIG. 23 shows that edges from blob BL1 to five blobs, blob BL2, blob BL3, blob BL4, blob BL5, and blob BL8, are connected.
例えば、情報処理装置100Bは、グラフGR21を検索し、検索結果を基にグラフGR41を生成する。例えば、情報処理装置100Bは、以下のような処理(6-1)~(6-4)を行い、ブロブ連結グラフであるグラフGR41を生成する。なお、以下のオブジェクトは、オブジェクトに対応するノードと読み替えてもよい。 For example, the information processing device 100B searches for graph GR21 and generates graph GR41 based on the search results. For example, the information processing device 100B performs the following processes (6-1) to (6-4) to generate a graph GR41 that is a blob connection graph. Note that the following objects may be replaced with nodes corresponding to the objects.
(6-1):ランダムでオブジェクトNXを取得(選択)
(6-2):オブジェクトNXの近傍オブジェクトを定数k件検索
(6-3):各近傍オブジェクトの属するブロブを取得
(6-4):オブジェクトNXが属するブロブから取得したブロブへのエッジを生成
(6-1): Obtain object NX randomly (selection)
(6-2): Search constant k neighboring objects of object NX (6-3): Obtain the blob to which each neighboring object belongs (6-4): Generate an edge from the blob to which object NX belongs to the obtained blob
例えば処理(6-1)では、情報処理装置100Bは、オブジェクト情報記憶部121に記憶された複数のオブジェクトからランダムに一のオブジェクトNXを取得する。
For example, in process (6-1), the information processing device 100B randomly acquires one object NX from a plurality of objects stored in the object
例えば処理(6-2)では、情報処理装置100Bは、図11に示すような検索処理を、オブジェクトNXを対象(クエリ)とし、グラフGR21を用いて行うことにより、k件(個)のオブジェクトをオブジェクトNXの近傍オブジェクトとして抽出する。 For example, in process (6-2), the information processing device 100B performs a search process as shown in FIG. is extracted as a neighboring object of object NX.
例えば処理(6-3)では、情報処理装置100Bは、ブロブ情報記憶部125に記憶されたブロブの情報を参照し、オブジェクトNXの近傍オブジェクト(ノード)が対応付けられたブロブを取得する。
For example, in process (6-3), the information processing device 100B refers to the blob information stored in the blob
例えば処理(6-4)では、情報処理装置100Bは、オブジェクトNXが属するブロブから取得したブロブへのエッジを生成する。情報処理装置100Bは、オブジェクトNXが属するブロブからすべての近傍オブジェクトの属するブロブへのエッジを生成する。例えば、情報処理装置100Bは、オブジェクトNXが属するブロブの参照先として取得したブロブを示す情報(ブロブID)を、オブジェクトNXが属するブロブを示す情報(ブロブID)に対応付けて、ブロブ連結グラフ情報記憶部126に登録することにより、グラフGR41を生成する。
For example, in process (6-4), the information processing device 100B generates an edge from the blob to which the object NX belongs to the acquired blob. The information processing device 100B generates edges from the blob to which the object NX belongs to the blobs to which all neighboring objects belong. For example, the information processing device 100B associates the information (blob ID) indicating the blob acquired as a reference destination of the blob to which the object NX belongs with the information (blob ID) indicating the blob to which the object NX belongs, and generates blob connection graph information. By registering in the
例えば、情報処理装置100Bは、上記の処理(6-1)~(6-4)を、処理対象となるオブジェクトが無くなるまで繰り返し行い、グラフGR41を生成する。なお、情報処理装置100Bは、ブロブXの参照先としてブロブYが登録済みの場合、ブロブXに属するオブジェクトの近傍オブジェクトとして、ブロブYに属するオブジェクトが再度検索(抽出)されても、登録をスキップして各ブロブの参照先に同じブロブが重複して登録されることを抑制してもよい。 For example, the information processing device 100B repeatedly performs the above processes (6-1) to (6-4) until there are no more objects to be processed, and generates the graph GR41. Note that if blob Y has already been registered as a reference destination of blob The same blob may be prevented from being registered redundantly in the reference destination of each blob.
例えば、情報処理装置100Bは、空間情報SP41に示すように、ブロブ間をエッジで連結するグラフGR41を用いて検索処理を行う。例えば、情報処理装置100Bは、検索クエリQE2を対象として、ブロブ連結グラフであるグラフGR41を用いた図27及び図28に示すような検索処理を行うことにより、検索クエリQE2の検索結果を得る。 For example, the information processing device 100B performs a search process using a graph GR41 that connects blobs with edges, as shown in spatial information SP41. For example, the information processing device 100B obtains the search results for the search query QE2 by performing search processing as shown in FIGS. 27 and 28 using the graph GR41, which is a blob connection graph, for the search query QE2.
上述したブロブ連結グラフの生成方法は一例に過ぎず、情報処理装置100Bは、様々な方法によりブロブ連結グラフを生成してもよい。例えば、情報処理装置100Bは、グラフを検索することなく、ブロブ連結グラフを生成してもよい。空間情報SP21に示すブロブを検索により生成している場合、ブロブの生成の際の検索結果を流用して、グラフGR41等のブロブ連結グラフを生成してもよい。 The above-described method for generating a blob connected graph is merely an example, and the information processing apparatus 100B may generate a blob connected graph using various methods. For example, the information processing device 100B may generate a blob connection graph without searching for a graph. When the blob shown in the spatial information SP21 is generated by a search, a blob connection graph such as the graph GR41 may be generated by using the search results at the time of blob generation.
例えば、情報処理装置100Bは、グラフGR21でのオブジェクトノードの接続関係を、オブジェクトノードが属するブロブの接続関係に変換して、ブロブ連結グラフを生成してもよい。例えば、ブロブBL9に属するノードN1からはブロブBL8に属するノードN88及びブロブBL10に属するノードにエッジが連結されており、ブロブBL9に属するノードN4からはブロブBL7に属するノードにエッジが連結されている。そのため、情報処理装置100Bは、ブロブBL9から、ブロブBL7、ブロブBL8及びブロブBL10の3つのブロブへのエッジが連結されたブロブ連結グラフを生成する。このように、情報処理装置100Bは、オブジェクトノード間を連結するエッジを基に、ブロブ間をエッジで連結するブロブ連結グラフを生成してもよい。 For example, the information processing device 100B may generate a blob connection graph by converting the connection relationship of object nodes in the graph GR21 into the connection relationship of blobs to which the object nodes belong. For example, an edge is connected from a node N1 belonging to blob BL9 to a node N88 belonging to blob BL8 and a node belonging to blob BL10, and an edge is connected from node N4 belonging to blob BL9 to a node belonging to blob BL7. . Therefore, the information processing device 100B generates a blob connection graph in which edges from blob BL9 to three blobs, blob BL7, blob BL8, and blob BL10, are connected. In this way, the information processing apparatus 100B may generate a blob connection graph that connects blobs with edges, based on edges that connect object nodes.
〔3-2.情報処理装置の構成〕
次に、図24を用いて、第3の実施形態に係る情報処理装置100Bの構成について説明する。図24は、第3の実施形態に係る情報処理装置の構成例を示す図である。図24に示すように、情報処理装置100Bは、通信部110と、記憶部120Bと、制御部130Bとを有する。なお、情報処理装置100Bにおいて、情報処理装置100または情報処理装置100Aと同様の点は適宜説明を省略する。
[3-2. Configuration of information processing device]
Next, the configuration of the information processing apparatus 100B according to the third embodiment will be described using FIG. 24. FIG. 24 is a diagram illustrating a configuration example of an information processing apparatus according to the third embodiment. As shown in FIG. 24, the information processing device 100B includes a
(記憶部120B)
記憶部120Bは、例えば、RAM、フラッシュメモリ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。第3の実施形態に係る記憶部120Bは、図24に示すように、オブジェクト情報記憶部121と、グラフ情報記憶部122と、量子化情報記憶部123と、コードブック情報記憶部124と、ブロブ情報記憶部125と、ブロブ連結グラフ情報記憶部126とを有する。
(
The
(ブロブ連結グラフ情報記憶部126)
第3の実施形態に係るブロブ連結グラフ情報記憶部126は、ブロブ連結グラフに関する各種情報を記憶する。例えば、ブロブ連結グラフ情報記憶部126は、生成したブロブ連結グラフを記憶する。図25は、第3の実施形態に係るブロブ連結グラフ情報記憶部の一例を示す図である。図25に示すブロブ連結グラフ情報記憶部126は、「ブロブID」および「接続ブロブ情報」といった項目を有する。
(Blob connection graph information storage unit 126)
The blob connection graph
「ブロブID」は、グラフにおける各ブロブ(グループ)を識別するための識別情報を示す。「接続ブロブ情報」は、対応するブロブから辿ることができるブロブ(参照先のブロブ)に関する情報を示す。例えば、「接続ブロブ情報」には、「参照先」といった情報が含まれる。「参照先」は、エッジにより連結され、そのブロブから辿ることができる参照先(ブロブ)を識別するための情報を示す。すなわち、図25の例では、ブロブを識別するブロブIDに対して、そのブロブからエッジにより辿ることができる参照先(ブロブ)が対応付けられて登録されている。なお、「接続ブロブ情報」には、参照先に接続されるエッジを識別するための情報(エッジID)等が含まれてもよい。 “Blob ID” indicates identification information for identifying each blob (group) in the graph. “Connection blob information” indicates information regarding a blob (reference destination blob) that can be traced from a corresponding blob. For example, "connection blob information" includes information such as "reference destination." “Reference destination” indicates information for identifying a reference destination (blob) that is connected by an edge and can be traced from the blob. That is, in the example of FIG. 25, a reference destination (blob) that can be traced from the blob by an edge is registered in association with a blob ID that identifies the blob. Note that the "connection blob information" may include information (edge ID) for identifying an edge connected to a reference destination.
図25の例では、ブロブID「BL1」により識別されるブロブ(ブロブBL1)からは、ブロブID「BL2」、「BL3」、「BL4」、「BL5」、「BL8」の各々により識別される5つのブロブにエッジが連結されていることを示す。すなわち、ブロブBL1からは、ブロブBL2、BL3、BL4、BL5、BL8の5つのブロブの各々へ辿ることができることを示す。 In the example of FIG. 25, the blob (blob BL1) identified by the blob ID "BL1" is identified by each of the blob IDs "BL2", "BL3", "BL4", "BL5", and "BL8". Shows that edges are connected to five blobs. That is, it shows that each of the five blobs BL2, BL3, BL4, BL5, and BL8 can be traced from the blob BL1.
なお、ブロブ連結グラフ情報記憶部126は、上記に限らず、目的に応じて種々の情報を記憶してもよい。また、ブロブ連結グラフは、クエリを入力とし、ブロブ連結グラフ中のエッジを辿ることによりオブジェクト(オブジェクトノード)を探索し、クエリに類似するオブジェクトを抽出し出力するプログラムモジュールを含んでもよい。すなわち、ブロブ連結グラフは、ブロブ連結グラフを用いて検索処理を行うプログラムモジュールとしての利用が想定されるものであってもよい。例えば、ブロブ連結グラフであるグラフGR41は、クエリとしてベクトルデータが入力された場合に、そのベクトルデータに類似するベクトルデータに対応するオブジェクトをブロブ連結グラフにより抽出し、出力するプログラムであってもよい。例えば、グラフGR41は、クエリ画像に対応する類似画像を検索するプログラムモジュールとして利用されるデータであってもよい。例えば、グラフGR41は、入力されたクエリに基づいて、ブロブ連結グラフにおいてそのクエリに類似するオブジェクトを抽出し、出力するよう、コンピュータを機能させる。
Note that the blob connection graph
(制御部130B)
図24の説明に戻って、制御部130Bは、コントローラ(controller)であり、例えば、CPUやMPUやGPU等によって、情報処理装置100B内部の記憶装置に記憶されている各種プログラム(情報処理プログラムの一例に相当)がRAM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130Bは、コントローラであり、例えば、ASICやFPGA等の集積回路により実現される。
(
Returning to the explanation of FIG. 24, the
図24に示すように、制御部130Bは、取得部131と、生成部132Bと、検索処理部133Bと、提供部134とを有し、以下に説明する情報処理の機能や作用を実現または実行する。なお、制御部130Bの内部構成は、図24に示した構成に限られず、後述する情報処理を行う構成であれば他の構成であってもよい。
As shown in FIG. 24, the
第3の実施形態に係る取得部131は、データ検索の対象となる複数のオブジェクトが分類された複数のブロブを示すブロブ情報と、複数のオブジェクトを検索対象とするインデックスを示すインデックス情報とを取得する。取得部131は、複数のオブジェクトの各々に対応する複数のノードがエッジにより連結されたグラフを示すインデックス情報を取得する。取得部131は、クラスタリング処理により複数のオブジェクトが分類された複数のブロブを示すブロブ情報を取得する。取得部131は、各々に属するオブジェクトが相互に排他的な複数のブロブを示すブロブ情報を取得する。取得部131は、クエリを取得する。
The
(生成部132B)
生成部132Bは、生成部132または生成部132Aと同様に各種情報を生成する。
(Generation unit 132B)
The generation unit 132B generates various types of information in the same way as the generation unit 132 or the generation unit 132A.
生成部132Bは、取得部131により取得されたインデックス情報を用いて、複数のオブジェクトのうち一のオブジェクトが属する第1ブロブから、一のオブジェクトの近傍オブジェクトが属するブロブである第2ブロブへエッジが連結されたブロブ連結グラフを生成する。生成部132Bは、複数のオブジェクトから一のオブジェクトを選択し、インデックス情報を用いて複数のオブジェクトを対象に、一のオブジェクトの前近傍オブジェクトを検索し、一のオブジェクトが属する第1ブロブから、近傍オブジェクトが属する第2ブロブへエッジを連結することにより、ブロブ連結グラフを生成する。
The generation unit 132B uses the index information acquired by the
生成部132Bは、複数のオブジェクトからランダムに一のオブジェクトを選択し、一のオブジェクトの近傍オブジェクトを検索し、一のオブジェクトが属する第1ブロブから、近傍オブジェクトが属する第2ブロブへエッジを連結することにより、ブロブ連結グラフを生成する。生成部132Bは、グラフを用いて第1ブロブから第2ブロブへエッジが連結されたブロブ連結グラフを生成する。 The generation unit 132B randomly selects one object from a plurality of objects, searches for neighboring objects of the one object, and connects edges from the first blob to which the one object belongs to the second blob to which the neighboring object belongs. By doing this, a blob connected graph is generated. The generation unit 132B uses the graph to generate a blob connection graph in which edges are connected from the first blob to the second blob.
生成部132Bは、グラフを用いて、一のオブジェクトの近傍オブジェクトを検索し、一のオブジェクトが属する第1ブロブから、近傍オブジェクトが属する第2ブロブへエッジを連結することにより、ブロブ連結グラフを生成する。生成部132Bは、第1ブロブから、グラフにおいて一のオブジェクトに対応する一のノードにエッジで連結されたノードである近傍ノードに対応する近傍オブジェクトが属する第2ブロブへエッジを連結することにより、ブロブ連結グラフを生成する。 The generation unit 132B uses the graph to search for neighboring objects of one object, and generates a blob connection graph by connecting edges from the first blob to which the one object belongs to the second blob to which the neighboring object belongs. do. The generation unit 132B connects an edge from the first blob to a second blob to which a neighboring object corresponding to a neighboring node, which is a node connected by an edge to one node corresponding to one object in the graph, belongs. Generate a blob connected graph.
生成部132Bは、第1ブロブから、第1ブロブの代表点である第1代表点と、第2ブロブの代表点である第2代表点との間をエッジで連結することにより、ブロブ連結グラフを生成する。生成部132Bは、第1ブロブのセントロイドである第1代表点と、第2ブロブのセントロイドである第2代表点との間をエッジで連結することにより、ブロブ連結グラフを生成する。生成部132Bは、第1ブロブに属するオブジェクトを基に算出される中心点である第1代表点と、第2ブロブに属するオブジェクトを基に算出される中心点である第2代表点との間をエッジで連結することにより、ブロブ連結グラフを生成する。 The generation unit 132B generates a blob connection graph by connecting, from the first blob, a first representative point that is a representative point of the first blob and a second representative point that is a representative point of a second blob. generate. The generation unit 132B generates a blob connection graph by connecting the first representative point, which is the centroid of the first blob, and the second representative point, which is the centroid of the second blob, with an edge. The generation unit 132B generates an image between a first representative point, which is a center point calculated based on an object belonging to the first blob, and a second representative point, which is a center point calculated based on an object belonging to a second blob. A blob-connected graph is generated by connecting the blobs with edges.
(検索処理部133B)
検索処理部133Bは、検索処理部133または検索処理部133Aと同様に検索処理に関する各種処理を行う。
(Search processing unit 133B)
The search processing unit 133B performs various processes related to search processing in the same way as the
検索処理部133Bは、生成部132Bにより生成されたブロブ連結グラフを用いた検索処理を行う。検索処理部133Bは、ブロブ連結グラフを用いて、検索クエリの近傍オブジェクトを検索する検索処理を行う。検索処理部133Bは、ブロブ連結グラフにおいてブロブ間を連結するエッジを辿ることにより、検索クエリの近傍オブジェクトを検索する検索処理を行う。 The search processing unit 133B performs a search process using the blob connection graph generated by the generation unit 132B. The search processing unit 133B performs a search process to search for nearby objects of the search query using the blob connection graph. The search processing unit 133B performs a search process to search for nearby objects of the search query by tracing edges connecting blobs in the blob connection graph.
検索処理部133Bは、検索処理において、複数のブロブを示すブロブ情報を用いて、一のブロブに属するオブジェクトである対象オブジェクトと検索クエリとの距離を、ベクトル量子化された対象オブジェクトのベクトル情報を用いて算出する。検索処理部133Bは、対象オブジェクトと検索クエリとの距離の算出を並列化して一括で行う。検索処理部133Bは、情報処理装置の仕様に基づいて決定される一括処理数の対象オブジェクトと検索クエリとの距離の算出を並列処理する。 In the search process, the search processing unit 133B uses blob information indicating a plurality of blobs to calculate the distance between the target object, which is an object belonging to one blob, and the search query, and the vector information of the target object that has been vector quantized. Calculate using The search processing unit 133B parallelizes and collectively calculates the distance between the target object and the search query. The search processing unit 133B performs parallel processing to calculate the distance between the search query and the target object of the batch processing number determined based on the specifications of the information processing device.
〔3-3.情報処理のフロー〕
次に、図26を用いて、第3の実施形態に係る情報処理の手順について説明する。図26は、第3の実施形態に係る情報処理の一例を示すフローチャートである。
[3-3. Information processing flow]
Next, the information processing procedure according to the third embodiment will be described using FIG. 26. FIG. 26 is a flowchart illustrating an example of information processing according to the third embodiment.
図26に示すように、情報処理装置100Bは、データ検索の対象となる複数のオブジェクトが分類された複数のグループを示すグループ情報を取得する(ステップS501)。例えば、情報処理装置100Bは、データ検索の対象となる複数のオブジェクトに対応するノード(オブジェクトノード)が分類された複数のブロブを示すブロブ情報を取得する。 As shown in FIG. 26, the information processing apparatus 100B acquires group information indicating a plurality of groups into which a plurality of objects to be data searched are classified (step S501). For example, the information processing device 100B acquires blob information indicating a plurality of blobs in which nodes (object nodes) corresponding to a plurality of objects to be data searched are classified.
情報処理装置100Bは、複数のオブジェクトを検索対象とするインデックスを示すインデックス情報を取得する(ステップS502)。例えば、情報処理装置100Bは、複数のオブジェクトに対応するノード(オブジェクトノード)がエッジで連結されたグラフをインデックスとして取得する。 The information processing apparatus 100B acquires index information indicating an index that searches for a plurality of objects (step S502). For example, the information processing device 100B obtains, as an index, a graph in which nodes (object nodes) corresponding to a plurality of objects are connected by edges.
情報処理装置100Bは、インデックス情報を用いて、複数のオブジェクトのうち一のオブジェクトが属する第1グループから、一のオブジェクトの近傍オブジェクトが属するグループである第2グループへエッジが連結されたグループ連結グラフを生成する(ステップS503)。例えば、情報処理装置100Bは、インデックス情報を用いて、複数のオブジェクトのうち一のオブジェクトが属する第1ブロブから、一のオブジェクトの近傍オブジェクトが属するブロブである第2ブロブへエッジが連結されたブロブ連結グラフを生成する。 The information processing device 100B uses index information to create a group connection graph in which edges are connected from a first group to which one of the plurality of objects belongs to a second group to which a neighboring object of the one object belongs. is generated (step S503). For example, the information processing device 100B uses index information to create a blob whose edges are connected from a first blob to which one of the plurality of objects belongs to a second blob which is a blob to which a neighboring object of the one object belongs. Generate a connected graph.
〔3-4.検索処理例〕
ここで、第3の実施形態に係る検索処理の一例について、図27及び図28を一例として説明する。図27及び図28は、第3の実施形態に係る検索処理の一例を示すフローチャートである。以下に説明する検索処理は、情報処理装置100Bの検索処理部133Bによって行われる。なお、第1の実施形態や第2の実施形態で説明した検索処理と同様の点については適宜説明を省略する。
[3-4. Search processing example]
Here, an example of the search process according to the third embodiment will be described using FIGS. 27 and 28 as examples. 27 and 28 are flowcharts illustrating an example of search processing according to the third embodiment. The search processing described below is performed by the search processing unit 133B of the information processing device 100B. Note that descriptions of points similar to the search processing described in the first embodiment and the second embodiment will be omitted as appropriate.
図27及び図28では、N(G、s)およびCはブロブの集合(ブロブ集合)となる。また、「G」は、ブロブ間がエッジで連結されたグラフ(ブロブ連結グラフ)データ(例えば、空間情報SP41に示すグラフGR41等)であってもよい。例えば、情報処理装置100Bは、k近傍検索処理を実行する。 In FIGS. 27 and 28, N(G, s) and C are a set of blobs (blob set). Further, “G” may be graph data (blob connected graph) in which blobs are connected by edges (for example, graph GR41 shown in spatial information SP41). For example, the information processing device 100B executes k-nearest neighbor search processing.
まず、図27に示す処理(メイン処理)について説明する。例えば、情報処理装置100Bは、超球の半径rを∞(無限大)に設定し、ブロブ集合Cを空集合(Φ)に設定する(ステップS601)。そして、情報処理装置100Bは、既存のブロブ集合(全てのブロブ)から部分ブロブ集合Bを抽出する(ステップS602)。例えば、情報処理装置100Bは、ルートノードとして選択されたオブジェクト(ノード)が属するブロブを部分ブロブ集合Bとして抽出してもよい。また、例えば、情報処理装置100Bは、ランダムにブロブを部分ブロブ集合Bとして抽出してもよい。 First, the process (main process) shown in FIG. 27 will be described. For example, the information processing device 100B sets the radius r of the hypersphere to ∞ (infinity) and sets the blob set C to the empty set (Φ) (step S601). Then, the information processing device 100B extracts a partial blob set B from the existing blob set (all blobs) (step S602). For example, the information processing device 100B may extract, as the partial blob set B, the blob to which the object (node) selected as the root node belongs. Further, for example, the information processing device 100B may randomly extract blobs as the partial blob set B.
そして、情報処理装置100Bは、判定処理を実行する(ステップS603)。情報処理装置100Bは、図28に示すステップS701~S717の判定処理を実行する。図28に示す判定処理の詳細については後述する。 The information processing device 100B then executes determination processing (step S603). The information processing device 100B executes the determination processing of steps S701 to S717 shown in FIG. 28. Details of the determination process shown in FIG. 28 will be described later.
そして、情報処理装置100Bは、ブロブ集合Sに部分ブロブ集合Bを設定する(ステップS604)。 Then, the information processing device 100B sets partial blob set B in blob set S (step S604).
情報処理装置100Bは、ブロブ集合Sに含まれるブロブの中で最小のクエリ距離dのブロブsを選択する(ステップS605)。なお、ここでいう「クエリ距離」とは、ブロブ内の全てのオブジェクトとクエリオブジェクト(クエリ)間の中で最も短い距離である。例えば、情報処理装置100Bは、クエリ(検索クエリ)となるオブジェクトをyとすると、ブロブ集合Sのうち、オブジェクトyとのクエリ距離が最も短いブロブsを選択する。なお、クエリ距離は、上記に限らず、例えばクエリとブロブの代表点(セントロイド等)との間の距離であってもよい。そして、情報処理装置100Bは、ブロブ集合Sからブロブsを除外する(ステップS606)。 The information processing device 100B selects the blob s with the minimum query distance d among the blobs included in the blob set S (step S605). Note that the "query distance" here is the shortest distance between all objects in the blob and the query object (query). For example, when the object serving as a query (search query) is y, the information processing device 100B selects the blob s having the shortest query distance to the object y from the blob set S. Note that the query distance is not limited to the above, and may be, for example, the distance between the query and a representative point (centroid, etc.) of the blob. The information processing device 100B then excludes the blob s from the blob set S (step S606).
そして、情報処理装置100Bは、ブロブsのクエリ距離dがr(1+ε)を超えるか否かを判定する(ステップS607)。ブロブsのクエリ距離dがr(1+ε)を超える場合(ステップS607:Yes)、情報処理装置100Bは、オブジェクト集合Rをオブジェクトyの近傍オブジェクト集合として出力し(ステップS608)、処理を終了する。 Then, the information processing device 100B determines whether the query distance d of the blob s exceeds r(1+ε) (step S607). If the query distance d of the blob s exceeds r(1+ε) (step S607: Yes), the information processing device 100B outputs the object set R as a neighboring object set of the object y (step S608), and ends the process.
ブロブsのクエリ距離dがr(1+ε)を超えない場合(ステップS607:No)、情報処理装置100Bは、ブロブsがブロブ集合Cに含まれるかを判定する(ステップS609)。 If the query distance d of the blob s does not exceed r(1+ε) (step S607: No), the information processing device 100B determines whether the blob s is included in the blob set C (step S609).
ブロブsがブロブ集合Cに含まれる場合(ステップS609:Yes)、情報処理装置100Bは、ステップS605に戻って処理を繰り返す。 If the blob s is included in the blob set C (step S609: Yes), the information processing device 100B returns to step S605 and repeats the process.
ブロブsがブロブ集合Cに含まれない場合(ステップS609:No)、情報処理装置100Bは、ブロブ集合Cにブロブsを追加する(ステップS610)。 If the blob s is not included in the blob set C (step S609: No), the information processing device 100B adds the blob s to the blob set C (step S610).
そして、情報処理装置100Bは、部分ブロブ集合Bにブロブsの近傍ブロブ集合N(G,s)を設定する(ステップS611)。近傍ブロブ集合N(G,s)は、例えばブロブsに関連付けられているブロブ(近傍のブロブ)の集合である。例えば、近傍ブロブ集合N(G,s)は、ブロブsからのエッジが連結されているブロブ(近傍のブロブ)の集合である。そして、情報処理装置100Bは、判定処理を実行する(ステップS612)。詳細は後述するが、例えば、情報処理装置100Bは、上述したステップS603と同様に、図28に示すステップS701~S717の判定処理を実行する。 Then, the information processing device 100B sets a neighboring blob set N(G, s) of the blob s in the partial blob set B (step S611). The neighboring blob set N(G, s) is, for example, a set of blobs (nearby blobs) associated with blob s. For example, the neighboring blob set N(G, s) is a set of blobs (nearby blobs) to which edges from blob s are connected. The information processing device 100B then executes determination processing (step S612). Although details will be described later, for example, the information processing device 100B executes the determination processing of steps S701 to S717 shown in FIG. 28, similar to step S603 described above.
そして、情報処理装置100Bは、ブロブ集合Sが空集合(Φ)であるか否かを判定する(ステップS613)。ブロブ集合Sが空集合でない場合(ステップS613:No)、情報処理装置100Bは、ステップS605に戻って処理を繰り返す。また、ブロブ集合Sが空集合である場合(ステップS613:Yes)、情報処理装置100Bは、オブジェクト集合Rを出力し、処理を終了する(ステップS614)。例えば、情報処理装置100Bは、オブジェクト集合Rに含まれるオブジェクト(ノード)を追加ノード(入力オブジェクトy)に対応する近傍ノードとして選択してもよい。例えば、情報処理装置100Bは、オブジェクト集合Rに含まれるオブジェクト(ノード)を対象ノード(入力オブジェクトy)に対応する近傍ノードとして抽出(選択)してもよい。また、例えば、情報処理装置100Bは、オブジェクト集合Rに含まれるオブジェクト(ノード)を検索クエリ(入力オブジェクトy)に対応する検索結果として、検索を行った端末装置等へ提供してもよい。 Then, the information processing device 100B determines whether the blob set S is an empty set (Φ) (step S613). If the blob set S is not an empty set (step S613: No), the information processing device 100B returns to step S605 and repeats the process. Furthermore, if the blob set S is an empty set (step S613: Yes), the information processing device 100B outputs the object set R and ends the process (step S614). For example, the information processing device 100B may select an object (node) included in the object set R as a neighboring node corresponding to the additional node (input object y). For example, the information processing device 100B may extract (select) objects (nodes) included in the object set R as neighboring nodes corresponding to the target node (input object y). Further, for example, the information processing device 100B may provide the objects (nodes) included in the object set R as the search results corresponding to the search query (input object y) to the terminal device or the like that performed the search.
ここから、図28に示す処理(判定処理)について説明する。まず、情報処理装置100Bは、ブロブ集合Tに部分ブロブ集合Bを設定する(ステップS701)。 From here, the process (determination process) shown in FIG. 28 will be explained. First, the information processing device 100B sets a partial blob set B in the blob set T (step S701).
そして、情報処理装置100Bは、ブロブ集合Tからブロブbを一つ取得し、ブロブ集合Tからブロブbを削除する(ステップS702)。そして、情報処理装置100Bは、判定処理に用いる変数であるminを∞(無限大)に設定する(ステップS703)。 Then, the information processing device 100B obtains one blob b from the blob set T, and deletes blob b from the blob set T (step S702). Then, the information processing device 100B sets min, which is a variable used in the determination process, to ∞ (infinity) (step S703).
そして、情報処理装置100Bは、ブロブbからオブジェクトuを一つ取得し、ブロブbからオブジェクトuを削除する(ステップS704)。 Then, the information processing device 100B acquires one object u from blob b, and deletes object u from blob b (step S704).
そして、情報処理装置100Bは、オブジェクトuとオブジェクトyとの距離d(u,y)がmin未満か否かを判定する(ステップS705)。 Then, the information processing device 100B determines whether the distance d(u, y) between the object u and the object y is less than min (step S705).
オブジェクトuとオブジェクトyとの距離d(u,y)がmin未満である場合(ステップS705:Yes)、情報処理装置100Bは、minの値を距離d(u,y)に設定(更新)し(ステップS706)、ステップS707の処理を行う。 If the distance d(u,y) between the object u and the object y is less than min (step S705: Yes), the information processing device 100B sets (updates) the value of min to the distance d(u,y). (Step S706), and the process of Step S707 is performed.
オブジェクトuとオブジェクトyとの距離d(u,y)がmin未満ではない場合(ステップS705:No)、情報処理装置100Bは、ステップS706の処理を行わず、ステップS707の処理を行う。 If the distance d(u, y) between object u and object y is not less than min (step S705: No), the information processing device 100B does not perform the process of step S706, but performs the process of step S707.
情報処理装置100Bは、オブジェクトuとオブジェクトyとの距離d(u,y)がr(1+ε)以下であるか否かを判定する(ステップS707)。 The information processing device 100B determines whether the distance d(u, y) between the object u and the object y is less than or equal to r(1+ε) (step S707).
オブジェクトuとオブジェクトyとの距離d(u,y)がr(1+ε)以下である場合(ステップS707:Yes)、情報処理装置100Bは、ブロブbをブロブ集合Sに追加し(ステップS708)、ステップS709の処理を行う。 If the distance d(u,y) between the object u and the object y is less than or equal to r(1+ε) (step S707: Yes), the information processing device 100B adds the blob b to the blob set S (step S708), The process of step S709 is performed.
オブジェクトuとオブジェクトyとの距離d(u,y)がr(1+ε)以下ではない場合(ステップS707:No)、情報処理装置100Bは、ステップS708の処理を行わず、ステップS709の処理を行う。 If the distance d(u, y) between object u and object y is not less than or equal to r(1+ε) (step S707: No), the information processing device 100B performs the process of step S709 without performing the process of step S708. .
情報処理装置100Bは、オブジェクトuとオブジェクトyとの距離d(u,y)がr以下であるか否かを判定する(ステップS709)。 The information processing device 100B determines whether the distance d(u, y) between the object u and the object y is less than or equal to r (step S709).
オブジェクトuとオブジェクトyとの距離d(u,y)がr以下である場合(ステップS709:Yes)、情報処理装置100Bは、オブジェクトuをオブジェクト集合Rに追加し(ステップS710)、ステップS711の処理を行う。 If the distance d(u,y) between the object u and the object y is less than or equal to r (step S709: Yes), the information processing device 100B adds the object u to the object set R (step S710) and performs the steps in step S711. Perform processing.
オブジェクトuとオブジェクトyとの距離d(u,y)がr以下ではない場合(ステップS709:No)、情報処理装置100Bは、ステップS710の処理を行わず、ステップS711の処理を行う。 If the distance d(u, y) between the object u and the object y is not less than or equal to r (step S709: No), the information processing device 100B performs the process of step S711 without performing the process of step S710.
情報処理装置100Bは、オブジェクト集合Rに含まれるオブジェクト数がksを超えるか否かを判定する(ステップS711)。所定数ksは、任意に定められる自然数である。例えば、ksは、検索数や抽出対象数であってもよい。また、例えば、範囲検索等において抽出するオブジェクト数の上限を設けない場合、ksは、無限大に設定されてもよい。例えば、ks=4等であってもよい。 The information processing device 100B determines whether the number of objects included in the object set R exceeds ks (step S711). The predetermined number ks is an arbitrarily determined natural number. For example, ks may be the number of searches or the number of extraction targets. Further, for example, when there is no upper limit on the number of objects to be extracted in a range search or the like, ks may be set to infinity. For example, ks may be 4, etc.
オブジェクト集合Rに含まれるオブジェクト数がksを超える場合(ステップS711:Yes)、情報処理装置100Bは、オブジェクト集合Rに含まれるオブジェクトの中でオブジェクトyから最も遠いオブジェクトを、オブジェクト集合Rから除外し(ステップS712)、ステップS713の処理を行う。 If the number of objects included in the object set R exceeds ks (step S711: Yes), the information processing device 100B excludes from the object set R the object that is farthest from the object y among the objects included in the object set R. (Step S712), and performs the process of Step S713.
オブジェクト集合Rに含まれるオブジェクト数がksを超えない場合(ステップS711:No)、情報処理装置100Bは、ステップS712の処理を行わず、ステップS713の処理を行う。 If the number of objects included in the object set R does not exceed ks (step S711: No), the information processing device 100B performs the process of step S713 without performing the process of step S712.
情報処理装置100Bは、オブジェクト集合Rに含まれるオブジェクト数がksと一致するか否かを判定する(ステップS713)。 The information processing device 100B determines whether the number of objects included in the object set R matches ks (step S713).
オブジェクト集合Rに含まれるオブジェクト数がksと一致する場合(ステップS713:Yes)、情報処理装置100Bは、オブジェクト集合Rに含まれるオブジェクトの中でオブジェクトyから最も遠いオブジェクトと、オブジェクトyとの距離をrに設定し(ステップS714)、ステップS715の処理を行う。 If the number of objects included in the object set R matches ks (step S713: Yes), the information processing device 100B determines the distance between the object y and the object that is farthest from the object y among the objects included in the object set R. is set to r (step S714), and the process of step S715 is performed.
オブジェクト集合Rに含まれるオブジェクト数がksと一致しない場合(ステップS713:No)、情報処理装置100Bは、ステップS714の処理を行わず、ステップS715の処理を行う。 If the number of objects included in the object set R does not match ks (step S713: No), the information processing device 100B performs the process of step S715 without performing the process of step S714.
情報処理装置100Bは、ブロブbが空集合(Φ)であるか否かを判定する(ステップS715)。ブロブbが空集合でない場合(ステップS715:No)、情報処理装置100Bは、ステップS704に戻って処理を繰り返す。 The information processing device 100B determines whether blob b is an empty set (Φ) (step S715). If blob b is not an empty set (step S715: No), the information processing device 100B returns to step S704 and repeats the process.
また、ブロブbが空集合である場合(ステップS715:Yes)、情報処理装置100Bは、minを部分ブロブ集合B内のブロブbのブロブのクエリ距離とする(ステップS716)。例えば、情報処理装置100Bは、ブロブbの全てのオブジェクトとクエリとの間の距離のうち最も短い距離をクエリ距離としてminに設定する。 Further, when blob b is an empty set (step S715: Yes), the information processing device 100B sets min as the blob query distance of blob b in partial blob set B (step S716). For example, the information processing device 100B sets the shortest distance among the distances between all objects of blob b and the query to min as the query distance.
情報処理装置100Bは、ブロブ集合Tが空集合(Φ)であるか否かを判定する(ステップS717)。ブロブ集合Tが空集合でない場合(ステップS717:No)、情報処理装置100Bは、ステップS702に戻って処理を繰り返す。 The information processing device 100B determines whether the blob set T is an empty set (Φ) (step S717). If the blob set T is not an empty set (step S717: No), the information processing device 100B returns to step S702 and repeats the process.
また、ブロブ集合Tが空集合である場合(ステップS717:Yes)、判定処理を終了する。 Further, if the blob set T is an empty set (step S717: Yes), the determination process is ended.
〔3-5.変形例〕
ブロブ連結グラフは、上述した例に限らず様々な態様により構成されてもよい。例えば、ブロブ連結グラフは、各グループ(ブロブ)の代表点間がエッジで連結されたグラフであってもよい。この点について、以下、第3の実施形態に係る変形例として説明する。なお、第1の実施形態や第2の実施形態や第3の実施形態と同様の点については、適宜説明を省略する。第3の実施形態の変形例に係る情報処理装置100Bは、ブロブ情報記憶部125及びブロブ連結グラフ情報記憶部126に代えて、ブロブ情報記憶部125A及びブロブ連結グラフ情報記憶部126Aを有する。
[3-5. Modified example]
The blob connection graph is not limited to the example described above, and may be configured in various ways. For example, the blob connected graph may be a graph in which representative points of each group (blob) are connected by edges. This point will be explained below as a modification of the third embodiment. Note that descriptions of points similar to the first embodiment, second embodiment, and third embodiment will be omitted as appropriate. The information processing device 100B according to the modification of the third embodiment includes a blob
〔3-5-1.情報処理〕
まず、図29を用いて、変形例に係る情報処理の概要を説明する。図29は、変形例に係るブロブ連結グラフ情報の一例を示す図である。図29の例ではブロブがクラスタリングにより生成されている場合を示す。
[3-5-1. Information processing〕
First, an overview of information processing according to a modified example will be explained using FIG. 29. FIG. 29 is a diagram illustrating an example of blob connection graph information according to a modification. The example in FIG. 29 shows a case where blobs are generated by clustering.
図29の例では、情報処理装置100Bは、各ブロブのセントロイドを連結したブロブ連結グラフを生成する。情報処理装置100Bは、空間情報SP41に示すように、各ブロブBL1~BL10の各々に対応するセントロイドC1~C10をエッジで連結したブロブ連結グラフであるグラフGR42を生成する。情報処理装置100Bは、グラフ生成に関する種々の従来技術を適宜用いてグラフGR42を生成する。 In the example of FIG. 29, the information processing device 100B generates a blob connection graph that connects the centroids of each blob. The information processing device 100B generates a graph GR42, which is a blob connection graph in which centroids C1 to C10 corresponding to each of the blobs BL1 to BL10 are connected by edges, as shown in the spatial information SP41. The information processing device 100B generates the graph GR42 using various conventional techniques related to graph generation.
例えば、情報処理装置100Bは、ブロブBL1のセントロイドC1がブロブBL2のセントロイドC2、ブロブBL3のセントロイドC3、ブロブBL4のセントロイドC4、ブロブBL7のセントロイドC7、及びブロブBL8のセントロイドC8の5つのセントロイドにエッジで連結されたグラフGR42を生成する。また、例えば、情報処理装置100Bは、ブロブBL2のセントロイドC2が、ブロブBL1のセントロイドC1、ブロブBL3のセントロイドC3、及びブロブBL4のセントロイドC4の3つのセントロイドにエッジで連結されたグラフGR42を生成する。 For example, in the information processing device 100B, the centroid C1 of the blob BL1 is the centroid C2 of the blob BL2, the centroid C3 of the blob BL3, the centroid C4 of the blob BL4, the centroid C7 of the blob BL7, and the centroid C8 of the blob BL8. A graph GR42 is generated which is connected to the five centroids of by edges. For example, the information processing device 100B connects the centroid C2 of the blob BL2 to three centroids, the centroid C1 of the blob BL1, the centroid C3 of the blob BL3, and the centroid C4 of the blob BL4, by edges. Generate graph GR42.
なお、情報処理装置100Bは、どのような方法によりグラフGR42を生成してもよい。情報処理装置100Bは、様々なインデックスを用いて、グラフGR42を生成してもよい。例えば、情報処理装置100Bは、オブジェクトノードが連結されたグラフGR21を用いて、グラフGR42を生成してもよい。この場合、情報処理装置100Bは、図23中のグラフGR41と同様の処理によりグラフGR42を生成できるため、詳細な説明は省略する。例えば、情報処理装置100Bは、図23に示す例と同様の処理により、グラフGR42を生成してもよい。なお、グラフGR42は無向(双方向)エッジを一例として示すが、有向エッジであってもよい。 Note that the information processing device 100B may generate the graph GR42 using any method. The information processing device 100B may generate the graph GR42 using various indexes. For example, the information processing device 100B may generate the graph GR42 using the graph GR21 in which object nodes are connected. In this case, the information processing apparatus 100B can generate the graph GR42 by the same process as the graph GR41 in FIG. 23, so detailed explanation will be omitted. For example, the information processing device 100B may generate the graph GR42 by a process similar to the example shown in FIG. 23. Although the graph GR42 shows an undirected (bidirectional) edge as an example, it may be a directed edge.
このように、変形例に係る情報処理装置100Bは、セントロイドのグラフをブロブ連結グラフとして生成する。そして、情報処理装置100Bは、生成したブロブ連結グラフを用いてセントロイドで通常の検索を行い、距離計算はブロブ単位で行う。このように、情報処理装置100Bは、ブロブをセントロイドで代表させることで、簡便な処理とすることができる。なお、情報処理装置100Bは、ブロブがクラスタリングではない場合には、各ブロブに属するオブジェクトを基に中心点を算出し、算出した中心点を代表点として用いてもよい。 In this way, the information processing device 100B according to the modification generates a centroid graph as a blob connection graph. Then, the information processing device 100B performs a normal search using the centroid using the generated blob connection graph, and performs distance calculation on a blob-by-blob basis. In this way, the information processing apparatus 100B can simplify processing by representing blobs with centroids. Note that if the blobs are not clustered, the information processing device 100B may calculate the center point based on the objects belonging to each blob, and use the calculated center point as the representative point.
図29の例では、情報処理装置100Bは、空間情報SP42に示すように、ブロブの代表点であるセントロイド間がエッジで連結されたグラフGR42を用いて、検索処理を行う。例えば、情報処理装置100Bは、検索クエリQE2を対象として、グラフGR21を用いた図27及び図28に示すような検索処理を行うことにより、検索クエリQE2の検索結果を得る。この点については、上述した例と同様であり詳細な説明は省略する。 In the example of FIG. 29, the information processing device 100B performs a search process using a graph GR42 in which centroids, which are representative points of blobs, are connected by edges, as shown in spatial information SP42. For example, the information processing device 100B obtains the search results for the search query QE2 by performing search processing as shown in FIGS. 27 and 28 using the graph GR21 for the search query QE2. This point is similar to the example described above, and detailed explanation will be omitted.
〔3-5-2.情報〕
次に、図30及び図31を用いて、変形例に係る情報の概要を説明する。図30は、変形例に係るブロブ情報記憶部の一例を示す図である。図31は、変形例に係るブロブ連結グラフ情報記憶部の一例を示す図である。
[3-5-2. information〕
Next, an outline of the information related to the modified example will be explained using FIGS. 30 and 31. FIG. 30 is a diagram illustrating an example of a blob information storage unit according to a modification. FIG. 31 is a diagram illustrating an example of a blob connection graph information storage unit according to a modification.
まず、図30に示す変形例に係るブロブ情報記憶部125Aについて説明する。図30に示す変形例に係るブロブ情報記憶部125Aは、「ブロブID」、「ノードID」、「ベクトル情報」、および「セントロイドID」といった項目が含まれる。このように、変形例に係るブロブ情報記憶部125Aは、「セントロイドID」を有する点で図15のブロブ情報記憶部125と相違する。なお、図15のブロブ情報記憶部125と同様の点については適宜説明を省略する。
First, a blob
「セントロイドID」は、各ブロブのセントロイドを識別するための識別情報を示す。「ベクトル情報」は、ブロブの代表点であるセントロイドのベクトル情報を示す。 "Centroid ID" indicates identification information for identifying the centroid of each blob. "Vector information" indicates vector information of a centroid, which is a representative point of a blob.
図30に示す例では、ブロブID「BL1」により識別されるブロブBL1のセントロイドは、セントロイドID「C1」により識別されるセントロイド(セントロイドC1)であることを示す。ブロブID「BL9」により識別されるブロブBL9のセントロイドは、セントロイドID「C9」により識別されるセントロイド(セントロイドC9)であることを示す。 The example shown in FIG. 30 indicates that the centroid of blob BL1 identified by blob ID "BL1" is the centroid (centroid C1) identified by centroid ID "C1". The centroid of blob BL9 identified by blob ID "BL9" indicates that it is the centroid (centroid C9) identified by centroid ID "C9".
なお、ブロブ情報記憶部125Aは、上記に限らず、目的に応じて種々の情報を記憶してもよい。
Note that the blob
次に、図31に示す変形例に係るブロブ連結グラフ情報記憶部126Aについて説明する。図30に示す変形例に係るブロブ連結グラフ情報記憶部126Aは、「セントロイドID」および「接続セントロイド情報」といった項目を有する。なお、図25のブロブ連結グラフ情報記憶部126と同様の点については適宜説明を省略する。
Next, a blob connection graph
「セントロイドID」は、グラフにおける各ブロブの代表点であるセントロイドを識別するための識別情報を示す。「接続セントロイド情報」は、対応するセントロイドから辿ることができるセントロイド(参照先のセントロイド)に関する情報を示す。例えば、「接続セントロイド情報」には、「参照先」といった情報が含まれる。「参照先」は、エッジにより連結され、そのセントロイドから辿ることができる参照先(セントロイド)を識別するための情報を示す。すなわち、図31の例では、セントロイドを識別するセントロイドIDに対して、そのセントロイドからエッジにより辿ることができる参照先(セントロイド)が対応付けられて登録されている。なお、「接続セントロイド情報」には、参照先に接続されるエッジを識別するための情報(エッジID)等が含まれてもよい。 "Centroid ID" indicates identification information for identifying a centroid that is a representative point of each blob in the graph. “Connection centroid information” indicates information regarding a centroid (reference destination centroid) that can be traced from a corresponding centroid. For example, "connection centroid information" includes information such as "reference destination." “Reference destination” indicates information for identifying a reference destination (centroid) that is connected by an edge and can be traced from the centroid. That is, in the example of FIG. 31, a reference destination (centroid) that can be traced from the centroid by an edge is registered in association with a centroid ID that identifies the centroid. Note that the "connection centroid information" may include information (edge ID) for identifying an edge connected to a reference destination.
図31の例では、セントロイドID「C1」により識別されるセントロイド(セントロイドC1)からは、セントロイドID「C2」、「C3」、「C4」、「C7」、「C8」の各々により識別される5つのセントロイドにエッジが連結されていることを示す。すなわち、セントロイドC1からは、セントロイドC2、C3、C4、C7、C8の5つのセントロイドの各々へ辿ることができることを示す。 In the example of FIG. 31, from the centroid (centroid C1) identified by the centroid ID "C1", each of the centroid IDs "C2", "C3", "C4", "C7", and "C8" The edge is connected to the five centroids identified by . In other words, it is shown that each of the five centroids C2, C3, C4, C7, and C8 can be traced from the centroid C1.
なお、ブロブ連結グラフ情報記憶部126Aは、上記に限らず、目的に応じて種々の情報を記憶してもよい。また、ブロブ連結グラフは、クエリを入力とし、ブロブ連結グラフ中のエッジを辿ることによりオブジェクト(オブジェクトノード)を探索し、クエリに類似するオブジェクトを抽出し出力するプログラムモジュールを含んでもよい。すなわち、ブロブ連結グラフは、ブロブ連結グラフを用いて検索処理を行うプログラムモジュールとしての利用が想定されるものであってもよい。例えば、ブロブ連結グラフであるグラフGR42は、クエリとしてベクトルデータが入力された場合に、そのベクトルデータに類似するベクトルデータに対応するオブジェクトをブロブ連結グラフにより抽出し、出力するプログラムであってもよい。例えば、グラフGR42は、クエリ画像に対応する類似画像を検索するプログラムモジュールとして利用されるデータであってもよい。例えば、グラフGR42は、入力されたクエリに基づいて、ブロブ連結グラフにおいてそのクエリに類似するオブジェクトを抽出し、出力するよう、コンピュータを機能させる。
Note that the blob connection graph
上述したように、各実施形態及び変形例において、情報処理システム1は、以下のような処理を実行する。例えば、情報処理システム1は、ベクトルのクラスタリングでブロブを生成する。例えば、情報処理システム1は、ブロブのセントロイドをノードとしてグラフインデックスを生成する。
As described above, in each embodiment and modification, the
例えば、情報処理システム1は、任意のベクトルを一定数取得して、直積量子化のクラスタリングを行う。つまり、情報処理システム1は、部分ベクトルに分割して、部分ベクトル単位にクラスタリングを行い、コードブックを生成する。
For example, the
例えば、情報処理システム1は、ブロブ単位に属するオブジェクトを直積量子化し、転置インデックスを生成する。例えば、情報処理システム1は、オブジェクトからブロブへのエッジを含むグラフ(ブロブ用グラフ)を生成する。例えば、情報処理システム1は、一般的な直積量子化の手法を用により近傍オブジェクトを検索する。ここでいう一般的な直積量子化の手法とは、例えば、オブジェクトとブロブのすべてのセントロイドとの距離を算出し上位一定数のブロブを取得した後に、ブロブ内のオブジェクトの距離を直積量子化で距離を求めて近傍オブジェクトを取得することであってもよい。なお、情報処理システム1は、上述したように、セントロイドのグラフを生成している場合はグラフを用いて一定数のブロブを検索して取得することが可能である。または、情報処理システム1は、上記した、オブジェクトからブロブへのエッジを含むグラフ(ブロブ用グラフ)ではなく、ブロブ間をエッジで連結したグラフ(ブロブ連結グラフ)を生成してもよい。
For example, the
〔4.第4の実施形態〕
上述した例では、オブジェクトを分類するグループの一例であるブロブを用いる場合を示したが、オブジェクトを分類するグループはブロブのみに限らず、オブジェクトを分類する様々なグラフが用いられてもよい。例えば、ブロブ(第1グループ)以外にもオブジェクトを量子化する単位となる第2グループであるクラスタが用いられてもよい。
[4. Fourth embodiment]
In the above example, a case is shown in which blobs, which are an example of groups for classifying objects, are used, but the groups for classifying objects are not limited to blobs, and various graphs for classifying objects may be used. For example, in addition to blobs (the first group), clusters, which are the second group that serve as units for quantizing objects, may be used.
この点について、以下、第4の実施形態として説明する。第4の実施形態においては、情報処理システム1は、情報処理装置100、情報処理装置100Aまたは情報処理装置100Bに代えて、情報処理装置100Cを有する。なお、第1の実施形態、第2の実施形態及び第3の実施形態等において上述した内容と同様の点については適宜説明を省略する。
This point will be described below as a fourth embodiment. In the fourth embodiment, the
情報処理装置100Cは、複数のオブジェクトを分類する複数のブロブを示すブロブ情報(第1グループ情報)と、ブロブとは異なる分類となるグループであるクラスタを示すクラスタ情報(第2グループ情報)とを生成する。 The information processing device 100C stores blob information (first group information) indicating a plurality of blobs that classify a plurality of objects, and cluster information (second group information) indicating a cluster, which is a group classified differently from the blobs. generate.
〔4-1.情報処理〕
まず、図32を用いて、第4の実施形態に係る情報処理の概要を説明する。図32は、第4の実施形態に係る情報処理の一例を示す図である。なお、図32では、情報処理装置100Cがオブジェクトを複数のブロブに分類し、そのブロブを基にクラスタに分類する場合を示すが、クラスタに分類した後にブロブに分類してもよいが、この点については後述する。
[4-1. Information processing〕
First, an overview of information processing according to the fourth embodiment will be explained using FIG. 32. FIG. 32 is a diagram illustrating an example of information processing according to the fourth embodiment. Note that although FIG. 32 shows a case where the information processing device 100C classifies objects into a plurality of blobs and classifies them into clusters based on the blobs, it is also possible to classify objects into blobs after classifying them into clusters. This will be discussed later.
まず、情報処理装置100Cは、複数のオブジェクトを複数のブロブに分類するブロブ情報を生成する(ステップS71)。図32の例では、情報処理装置100Cは、任意の方法により、複数のオブジェクトをブロブBL1~BL10等に分類するブロブ情報を生成する。情報処理装置100Cは、k-means等の任意のクラスタリングにより各ノードをブロブBL1~BL10のいずれかに分類してもよい。なお、情報処理装置100Cは、ブロブを生成可能であれば、どのような方法によりブロブを生成してもよい。例えば、情報処理装置100Cは、グラフ等のインデックスを用いて、ブロブを生成してもよい。例えば、情報処理装置100Cは、上述した第1方法~第4方法等に任意のいずれかの方法によりブロブBL1~BL10等を示す情報を生成してもよい。 First, the information processing device 100C generates blob information that classifies a plurality of objects into a plurality of blobs (step S71). In the example of FIG. 32, the information processing device 100C generates blob information that classifies a plurality of objects into blobs BL1 to BL10, etc., using an arbitrary method. The information processing device 100C may classify each node into one of the blobs BL1 to BL10 using arbitrary clustering such as k-means. Note that the information processing device 100C may use any method to generate blobs as long as it is capable of generating blobs. For example, the information processing device 100C may generate a blob using an index such as a graph. For example, the information processing device 100C may generate information indicating the blobs BL1 to BL10, etc. using any of the first to fourth methods described above.
なお、図32では、情報処理装置100Cは、空間情報SP41に示すように、ブロブ連結グラフであるグラフGR41を生成するが、グラフGR41を生成しなくてもよい。例えば、情報処理装置100Cは、グラフGR41を生成する場合、図23と同様の情報をもちいた処理によりグラフGR41を生成するが、図23での説明と同様であるため詳細な説明を省略する。 Note that in FIG. 32, the information processing device 100C generates the graph GR41, which is a blob connection graph, as shown in the spatial information SP41, but it is not necessary to generate the graph GR41. For example, when generating the graph GR41, the information processing device 100C generates the graph GR41 by processing using the same information as in FIG. 23, but since it is the same as the explanation in FIG. 23, detailed explanation will be omitted.
そして、情報処理装置100Cは、複数のブロブを複数のクラスタに分類するクラスタ情報を生成する(ステップS72)。例えば、情報処理装置100Cは、任意の方法により、ブロブBL1~BL10等の複数のブロブを分類するクラスタを示すクラスタ情報を生成する。情報処理装置100Cは、k-means等の任意のクラスタリングによりブロブBL1~BL10等の複数のクラスタのいずれかに分類してもよい。なお、情報処理装置100Cは、ブロブを生成可能であれば、どのような方法によりブロブを生成してもよい。例えば、情報処理装置100Cは、グラフ等のインデックスを用いて、ブロブを生成してもよい。 The information processing device 100C then generates cluster information for classifying the plurality of blobs into a plurality of clusters (step S72). For example, the information processing device 100C generates cluster information indicating a cluster for classifying a plurality of blobs such as blobs BL1 to BL10 using an arbitrary method. The information processing device 100C may classify the blobs into any one of a plurality of clusters such as blobs BL1 to BL10 using arbitrary clustering such as k-means. Note that the information processing device 100C may use any method to generate blobs as long as it is capable of generating blobs. For example, the information processing device 100C may generate a blob using an index such as a graph.
図32の例では、情報処理装置100Cは、ブロブBL1~BL10等のクラスタCL1~CL4等に分類するクラスタ情報を生成する。例えば、情報処理装置100Cは、ブロブBL1及びブロブBL7をクラスタCL1に分類する。すなわち、情報処理装置100Cは、ブロブBL1に属するオブジェクト、及びブロブBL7に属するオブジェクトをクラスタCL1に分類する。なお、図32及び図34では、ブロブの境界線がクラスタの境界線上にあるように図示したが、分割の方法によっては一致しない場合があり、また方法によっては空間が境界線で分割されるとも限らない。 In the example of FIG. 32, the information processing device 100C generates cluster information that classifies blobs BL1 to BL10 and the like into clusters CL1 to CL4. For example, the information processing device 100C classifies blob BL1 and blob BL7 into cluster CL1. That is, the information processing device 100C classifies objects belonging to blob BL1 and objects belonging to blob BL7 into cluster CL1. Although the blob boundaries are shown to be on the cluster boundaries in FIGS. 32 and 34, they may not match depending on the dividing method, and depending on the dividing method, the space may be divided by the boundary lines. Not exclusively.
また、情報処理装置100Cは、ブロブBL2及びブロブBL4をクラスタCL2に分類する。すなわち、情報処理装置100Cは、ブロブBL2に属するオブジェクト、及びブロブBL4に属するオブジェクトをクラスタCL2に分類する。 Further, the information processing device 100C classifies the blob BL2 and the blob BL4 into a cluster CL2. That is, the information processing device 100C classifies objects belonging to blob BL2 and objects belonging to blob BL4 into cluster CL2.
また、情報処理装置100Cは、ブロブBL3、ブロブBL8及びブロブBL10をクラスタCL3に分類する。すなわち、情報処理装置100Cは、ブロブBL3に属するオブジェクト、ブロブBL8に属するオブジェクト、及びブロブBL10に属するオブジェクトをクラスタCL3に分類する。 Furthermore, the information processing device 100C classifies blob BL3, blob BL8, and blob BL10 into cluster CL3. That is, the information processing device 100C classifies objects belonging to blob BL3, objects belonging to blob BL8, and objects belonging to blob BL10 into cluster CL3.
また、情報処理装置100Cは、ブロブBL5、ブロブBL6及びブロブBL9をクラスタCL4に分類する。すなわち、情報処理装置100Cは、ブロブBL5に属するオブジェクト、ブロブBL6に属するオブジェクト、及びブロブBL9に属するオブジェクトをクラスタCL4に分類する。 Furthermore, the information processing device 100C classifies blob BL5, blob BL6, and blob BL9 into cluster CL4. That is, the information processing device 100C classifies objects belonging to blob BL5, objects belonging to blob BL6, and objects belonging to blob BL9 into cluster CL4.
例えば、情報処理装置100Cは、クラスタ情報を用いて量子化に関する処理を実行する。情報処理装置100Cは、クラスタ情報を用いて複数のオブジェクトを対象とする量子化に関する処理を行う。例えば、情報処理装置100Cは、クラスタCL1~CL4の各々に属するオブジェクトごとに量子化を行うが、この点については後述する。 For example, the information processing device 100C uses cluster information to perform processing related to quantization. The information processing device 100C performs processing related to quantization targeting a plurality of objects using cluster information. For example, the information processing device 100C performs quantization for each object belonging to each of the clusters CL1 to CL4, but this point will be described later.
上記のように、情報処理装置100Cは、データ検索の対象となる複数のオブジェクトを分類する複数のブロブを示すブロブ情報と、複数のブロブとは異なる分類となる複数のクラスタを示すクラスタ情報とを生成する。これにより、情報処理装置100Cは、複数のオブジェクトを分類する2種類のグループを生成することができ、オブジェクトを分類するグループを生成することができる。 As described above, the information processing device 100C stores blob information indicating a plurality of blobs that classify a plurality of objects that are data search targets, and cluster information indicating a plurality of clusters that are classified differently from the plurality of blobs. generate. Thereby, the information processing apparatus 100C can generate two types of groups for classifying a plurality of objects, and can generate groups for classifying objects.
〔4-1-1.他の処理例〕
なお、図32に示した処理は一例に過ぎず、情報処理装置100Cは、ブロブ情報及びクラスタ情報を生成可能であれば、どのような態様の処理により生成を行ってもよい。
[4-1-1. Other processing examples]
Note that the process shown in FIG. 32 is only an example, and the information processing apparatus 100C may generate blob information and cluster information using any type of process as long as it is capable of generating the blob information and cluster information.
例えば、情報処理装置100Cは、クラスタに分類するクラスタ情報を生成した後に、ブロブに分類するブロブ情報を生成してもよい。この場合、情報処理装置100Cは、複数のオブジェクトをクラスタに分類するクラスタリングにより、各オブジェクトを複数のクラスタのいずれかの分類するクラスタ情報を生成してもよい。例えば、情報処理装置100Cは、k-means等の任意のクラスタリングにより各オブジェクトをクラスタCL1~CL4のいずれかに分類してもよい。 For example, the information processing device 100C may generate cluster information for classifying into clusters, and then generate blob information for classifying into blobs. In this case, the information processing apparatus 100C may generate cluster information for classifying each object into one of the plurality of clusters by performing clustering in which the plurality of objects are classified into clusters. For example, the information processing device 100C may classify each object into one of clusters CL1 to CL4 using arbitrary clustering such as k-means.
そして、情報処理装置100Cは、クラスタCL1~CL4の少なくとも1つを分割し、二以上のブロブを生成することにより、ブロブを示すブロブ情報を生成してもよい。例えば、情報処理装置100Cは、各クラスタに属するオブジェクトをk-means等の任意のクラスタリングによってクラスタリングすることにより、各クラスタを分割しブロブを生成する。例えば、情報処理装置100Cは、クラスタCL1を2つのブロブに分割することにより、ブロブBL1及びブロブBL7を生成してもよい。例えば、情報処理装置100Cは、クラスタCL1に属しているオブジェクトをクラスタ数2でk-meansによりクラスタリングして、クラスタCL1を分割しブロブBL1及びブロブBL7を生成する。 The information processing device 100C may generate blob information indicating the blob by dividing at least one of the clusters CL1 to CL4 and generating two or more blobs. For example, the information processing device 100C divides each cluster and generates blobs by clustering objects belonging to each cluster using arbitrary clustering such as k-means. For example, the information processing device 100C may generate blob BL1 and blob BL7 by dividing cluster CL1 into two blobs. For example, the information processing device 100C clusters objects belonging to the cluster CL1 using k-means with the number of clusters being 2, and divides the cluster CL1 to generate blob BL1 and blob BL7.
例えば、情報処理装置100Cは、クラスタCL2を2つのブロブに分割することにより、ブロブBL2及びブロブBL4を生成してもよい。例えば、情報処理装置100Cは、クラスタCL3を3つのブロブに分割することにより、ブロブBL3、ブロブBL8及びブロブBL10を生成してもよい。例えば、情報処理装置100Cは、クラスタCL4を3つのブロブに分割することにより、ブロブBL5、ブロブBL6及びブロブBL9を生成してもよい。 For example, the information processing device 100C may generate blob BL2 and blob BL4 by dividing cluster CL2 into two blobs. For example, the information processing device 100C may generate blob BL3, blob BL8, and blob BL10 by dividing cluster CL3 into three blobs. For example, the information processing device 100C may generate blob BL5, blob BL6, and blob BL9 by dividing cluster CL4 into three blobs.
〔4-2.情報処理装置の構成〕
次に、図33を用いて、第4の実施形態に係る情報処理装置100Cの構成について説明する。図33は、第4の実施形態に係る情報処理装置の構成例を示す図である。図33に示すように、情報処理装置100Cは、通信部110と、記憶部120Cと、制御部130Bとを有する。なお、情報処理装置100Cにおいて、情報処理装置100、情報処理装置100Aまたは情報処理装置100Bと同様の点は適宜説明を省略する。
[4-2. Configuration of information processing device]
Next, the configuration of an information processing apparatus 100C according to the fourth embodiment will be described using FIG. 33. FIG. 33 is a diagram illustrating a configuration example of an information processing apparatus according to the fourth embodiment. As shown in FIG. 33, the information processing device 100C includes a
(記憶部120C)
記憶部120Cは、例えば、RAM、フラッシュメモリ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。第4の実施形態に係る記憶部120Cは、図33に示すように、オブジェクト情報記憶部121と、グラフ情報記憶部122と、量子化情報記憶部123と、コードブック情報記憶部124と、ブロブ情報記憶部125と、ブロブ連結グラフ情報記憶部126と、クラスタ情報記憶部127とを有する。
(Storage unit 120C)
The storage unit 120C is realized by, for example, a semiconductor memory device such as a RAM or a flash memory, or a storage device such as a hard disk or an optical disk. As shown in FIG. 33, the storage unit 120C according to the fourth embodiment includes an object
第4の実施形態に係るクラスタ情報記憶部127は、第2グループであるクラスタに関する情報を記憶する。クラスタ情報記憶部127は、量子化の単位となるクラスタに関する情報を記憶する。クラスタ情報記憶部127は、各クラスタを識別する識別情報(クラスタID等)に、そのクラスタに属する第1グループであるブロブを示す情報(ブロブID等)を対応付けて記憶してもよい。また、クラスタ情報記憶部127は、各クラスタを識別する識別情報(クラスタID等)に、そのクラスタに属するオブジェクトを示す情報(オブジェクトID等)を対応付けて記憶してもよい。また、クラスタ情報記憶部127は、各クラスタを識別する識別情報(クラスタID等)に、そのクラスタのセントロイド等の基点を特定するための情報(基点ID等)及びそのベクトル等を対応付けて記憶してもよい。
The cluster
(制御部130C)
制御部130Cは、コントローラ(controller)であり、例えば、CPUやMPUやGPU等によって、情報処理装置100C内部の記憶装置に記憶されている各種プログラム(情報処理プログラムの一例に相当)がRAM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130Cは、コントローラであり、例えば、ASICやFPGA等の集積回路により実現される。
(
The
図33に示すように、制御部130Cは、取得部131と、生成部132Cと、検索処理部133Cと、提供部134とを有し、以下に説明する情報処理の機能や作用を実現または実行する。なお、制御部130Cの内部構成は、図33に示した構成に限られず、後述する情報処理を行う構成であれば他の構成であってもよい。
As shown in FIG. 33, the
第4の実施形態に係る取得部131は、データ検索の対象となる複数のオブジェクトを示すオブジェクト情報を取得する。取得部131は、複数のオブジェクトを検索対象とするインデックスを示すインデックス情報を取得する。
The
取得部131は、データ検索の対象となる複数のオブジェクトを分類する複数のブロブと、複数のブロブとは異なる分類となるグループであって、複数のオブジェクトのうち、複数のブロブにおいて同じブロブに属するオブジェクトを同じグループに分類するグループである複数のクラスタとを示す処理用情報を取得する。取得部131は、複数のオブジェクトを分類する第1数のブロブと、複数のオブジェクトを第1数よりも少ない第2数に分類するクラスタとを示す処理用情報を取得する。取得部131は、複数のブロブのうち二以上のブロブの各々に属するオブジェクト群が一のクラスタに分類された複数のクラスタを示す処理用情報を取得する。
The
取得部131は、複数のオブジェクトを対象とする検索処理における一括処理である第1処理を実行するために用いられる複数のブロブを示す処理用情報を取得する。取得部131は、複数のオブジェクトを対象とする量子化に関する処理である第2処理を行うために用いられる複数のクラスタを示す処理用情報を取得する。
The
取得部131は、複数のブロブの各々を識別する複数の第1識別情報と、複数のクラスタの各々を識別する複数の第2識別情報とを対応付けた処理用情報を取得する。取得部131は、一の第2識別情報が二以上の第1識別情報に対応付けられた処理用情報を取得する。
The
取得部131は、複数のオブジェクトの各々が属するブロブの第1識別情報に対応付けられた処理用情報を取得する。取得部131は、複数のオブジェクトの各々が量子化された量子化後オブジェクト情報が第1識別情報に対応付けられた処理用情報を取得する。取得部131は、直積量子化により、複数のオブジェクトの各々に対応するベクトルを分割した各部分ベクトルを量子化するベクトル量子化により生成された量子化後オブジェクト情報が、第1識別情報に対応付けられた処理用情報を取得する。取得部131は、量子化に対応する各セントロイドの各部分領域に対応する各部分セントロイドに基づいて生成された量子化後オブジェクト情報が、第1識別情報に対応付けられた処理用情報を取得する。取得部131は、量子化に対応する各セントロイドと、当該各セントロイドの各部分領域内に対応する各部分セントロイドと、により生成される残差ベクトルに基づいて生成された量子化後オブジェクト情報が、第1識別情報に対応付けられた処理用情報を取得する。
The
(生成部132C)
生成部132Cは、生成部132、生成部132Aまたは生成部132Bと同様に各種情報を生成する。
(Generation unit 132C)
The generation unit 132C generates various information in the same way as the generation unit 132, the generation unit 132A, or the generation unit 132B.
生成部132Cは、取得部131により取得されたオブジェクト情報に基づいて、複数のオブジェクトを分類する複数のブロブを示すブロブ情報を生成する。生成部132Cは、複数のブロブとは異なる分類となるグループであって、複数のオブジェクトのうち、複数のブロブにおいて同じブロブに属するオブジェクトを同じグループに分類するグループである複数のクラスタを示すクラスタ情報を生成する。
The generation unit 132C generates blob information indicating a plurality of blobs that classify a plurality of objects based on the object information acquired by the
生成部132Cは、複数のオブジェクトを第1数のブロブに分類するブロブ情報と、複数のオブジェクトを第1数よりも少ない第2数のクラスタに分類するクラスタ情報とを生成する。生成部132Cは、複数のブロブのうち二以上のブロブの各々に属するオブジェクト群が一のクラスタに分類された複数のクラスタを示すクラスタ情報を生成する。 The generating unit 132C generates blob information that classifies a plurality of objects into a first number of blobs, and cluster information that classifies a plurality of objects into a second number of clusters that are smaller than the first number. The generating unit 132C generates cluster information indicating a plurality of clusters in which a group of objects belonging to each of two or more blobs among the plurality of blobs is classified into one cluster.
生成部132Cは、複数のオブジェクトを対象とする検索処理において一括処理を行うために用いられる複数のブロブを示すブロブ情報を生成する。生成部132Cは、複数のオブジェクトに関する距離の算出を一括して行うために用いられる複数のブロブを示すブロブ情報を生成する。生成部132Cは、検索処理で用いられる検索クエリとオブジェクトとの距離の算出を並列処理するために用いられる複数のブロブを示すブロブ情報を生成する。 The generation unit 132C generates blob information indicating a plurality of blobs used for performing batch processing in a search process targeting a plurality of objects. The generation unit 132C generates blob information indicating a plurality of blobs used to collectively calculate distances regarding a plurality of objects. The generation unit 132C generates blob information indicating a plurality of blobs used to calculate the distance between the search query and the object used in the search process in parallel.
生成部132Cは、複数のオブジェクトを対象とする量子化に関する処理を行うために用いられる複数のクラスタを示すクラスタ情報を生成する。生成部132Cは、量子化の単位となる複数のクラスタを示すクラスタ情報を生成する。生成部132Cは、複数のオブジェクトの各々に対応するベクトルを量子化するために用いられる複数のクラスタを示すクラスタ情報を生成する。 The generation unit 132C generates cluster information indicating a plurality of clusters used to perform processing related to quantization targeting a plurality of objects. The generating unit 132C generates cluster information indicating a plurality of clusters that are units of quantization. The generating unit 132C generates cluster information indicating a plurality of clusters used to quantize vectors corresponding to each of a plurality of objects.
生成部132Cは、複数のブロブの分類後に、複数のクラスタの分類を行う。生成部132Cは、複数のオブジェクトをクラスタリングすることにより複数のブロブを示すブロブ情報を生成する。生成部132Cは、インデックス情報を用いて、複数のブロブを示すブロブ情報を生成する。生成部132Cは、ブロブを示すブロブ情報を用いて、複数のクラスタを示すクラスタ情報を生成する。生成部132Cは、複数のブロブをクラスタリングすることにより複数のクラスタを示すクラスタ情報を生成する。 After classifying the plurality of blobs, the generation unit 132C performs classification of the plurality of clusters. The generation unit 132C generates blob information indicating a plurality of blobs by clustering a plurality of objects. The generation unit 132C uses the index information to generate blob information indicating a plurality of blobs. The generation unit 132C generates cluster information indicating a plurality of clusters using blob information indicating blobs. The generation unit 132C generates cluster information indicating a plurality of clusters by clustering a plurality of blobs.
生成部132Cは、複数のクラスタの分類後に、複数のブロブの分類を行う。生成部132Cは、複数のオブジェクトをクラスタリングすることにより複数のクラスタを示すクラスタ情報を生成する。生成部132Cは、クラスタを示すクラスタ情報を用いて、複数のブロブを示すブロブ情報を生成する。生成部132Cは、複数のクラスタのうち、少なくとも一のクラスタを分割し、二以上のブロブを生成することにより、複数のブロブを示すブロブ情報を生成する。生成部132Cは、各第2グループに属するオブジェクトをクラスタリングすることにより、各第2グループを二以上の第1グループに分割することにより、複数の第1グループを示す第1グループ情報を生成する。 After classifying the plurality of clusters, the generation unit 132C performs classification of the plurality of blobs. The generating unit 132C generates cluster information indicating a plurality of clusters by clustering a plurality of objects. The generating unit 132C generates blob information indicating a plurality of blobs using cluster information indicating a cluster. The generating unit 132C generates blob information indicating a plurality of blobs by dividing at least one cluster among the plurality of clusters and generating two or more blobs. The generation unit 132C generates first group information indicating a plurality of first groups by clustering objects belonging to each second group and dividing each second group into two or more first groups.
(検索処理部133C)
検索処理部133Cは、ブロブに属するオブジェクトを対象とする第1処理、及びクラスタに属するオブジェクトを対象とする第2処理を実行する処理部として機能する。検索処理部133Cは、検索処理部133、検索処理部133Aまたは検索処理部133Bと同様に検索処理に関する各種処理を行う。検索処理部133Cは、生成部132Cにより生成された情報を用いた処理を行う。
(Search processing unit 133C)
The search processing unit 133C functions as a processing unit that executes a first process that targets objects belonging to a blob and a second process that targets objects that belong to a cluster. The search processing unit 133C performs various processes related to search processing in the same way as the
検索処理部133Cは、取得部131により取得された処理用情報を用いて、ブロブに属するオブジェクトを対象とする第1処理と、クラスタに属するオブジェクトを対象とする第2処理とを実行する。検索処理部133Cは、一のクラスタに属するオブジェクト群を対象に第2処理を実行する。検索処理部133Cは、一のブロブに属するオブジェクト群を対象に第1処理を実行する。
The search processing unit 133C uses the processing information acquired by the
検索処理部133Cは、一のブロブに属するオブジェクト群を対象に距離の算出を一括して行う第1処理を実行する。検索処理部133Cは、一のブロブに属するオブジェクト群の各々と、検索処理で用いられる検索クエリとの距離の算出の並列処理である第1処理を実行する。 The search processing unit 133C executes a first process of collectively calculating distances for a group of objects belonging to one blob. The search processing unit 133C executes a first process that is a parallel process of calculating distances between each object group belonging to one blob and a search query used in the search process.
検索処理部133Cは、一のクラスタに属するオブジェクト群を対象に第2処理を実行する。検索処理部133Cは、一のクラスタに属するオブジェクト群を対象に量子化である第2処理を実行する。検索処理部133Cは、一のクラスタに属するオブジェクト群の各々に対応するベクトルを量子化する第2処理を実行する。 The search processing unit 133C executes the second process on a group of objects belonging to one cluster. The search processing unit 133C executes second processing, which is quantization, on a group of objects belonging to one cluster. The search processing unit 133C executes a second process of quantizing the vectors corresponding to each of the object groups belonging to one cluster.
検索処理部133Cは、一のクラスタに二以上のブロブが属する場合、当該二以上のブロブに属するオブジェクト群を対象として第2処理を実行する。検索処理部133Cは、一のクラスタに二以上のブロブが属する場合、当該二以上のブロブに属する全オブジェクトを対象として量子化を実行する。 When two or more blobs belong to one cluster, the search processing unit 133C executes the second process on a group of objects that belong to the two or more blobs. When two or more blobs belong to one cluster, the search processing unit 133C performs quantization on all objects belonging to the two or more blobs.
検索処理部133Cは、処理用情報を参照して、第1処理と第2処理とを実行する。検索処理部133Cは、処理用情報を参照して処理対象となるオブジェクトを特定する。検索処理部133Cは、複数のオブジェクトを対象とする検索処理において、二以上の第1識別情報のうち、一の第1識別情報のブロブを対象として第1処理を行うとともに、一の第2識別情報のクラスタに関して検索処理において参照する参照用情報を生成した後、二以上の第1識別情報のうち、一の第1識別情報以外の他の第1識別情報の他のブロブを対象として第1処理を行い際は参照用情報を生成しない。 The search processing unit 133C refers to the processing information and executes the first process and the second process. The search processing unit 133C refers to the processing information to identify the object to be processed. In a search process targeting a plurality of objects, the search processing unit 133C performs a first process on one blob of first identification information among two or more pieces of first identification information, and also performs a first process on one blob of first identification information. After generating the reference information to be referred to in the search process regarding the information cluster, the first identification information is generated for other blobs of the first identification information other than one of the two or more first identification information. No reference information is generated during processing.
検索処理部133Cは、ブロブ連結グラフを用いた検索処理を行う。検索処理部133Cは、ブロブ連結グラフを用いて、検索クエリの近傍オブジェクトを検索する検索処理を行う。検索処理部133Cは、ブロブ連結グラフにおいてブロブ間を連結するエッジを辿ることにより、検索クエリの近傍オブジェクトを検索する検索処理を行う。 The search processing unit 133C performs search processing using a blob connection graph. The search processing unit 133C performs a search process to search for nearby objects of the search query using the blob connection graph. The search processing unit 133C performs a search process to search for nearby objects of the search query by tracing edges connecting blobs in the blob connection graph.
検索処理部133Cは、検索処理において、複数のブロブを示すブロブ情報を用いて、一のブロブに属するオブジェクトである対象オブジェクトと検索クエリとの距離を、ベクトル量子化された対象オブジェクトのベクトル情報を用いて算出する。検索処理部133Cは、対象オブジェクトと検索クエリとの距離の算出を並列化して一括で行う。検索処理部133Cは、情報処理装置の仕様に基づいて決定される一括処理数の対象オブジェクトと検索クエリとの距離の算出を並列処理する。 In the search process, the search processing unit 133C uses blob information indicating a plurality of blobs to calculate the distance between the target object, which is an object belonging to one blob, and the search query, and the vector information of the target object that has been vector quantized. Calculate using The search processing unit 133C parallelizes and collectively calculates the distance between the target object and the search query. The search processing unit 133C performs parallel processing to calculate the distance between the search query and the target object of the batch processing number determined based on the specifications of the information processing device.
検索処理部133Cは、ブロブ連結グラフを用い、図27及び図28に示す処理により検索処理を行う。例えば、検索処理部133Cは、空間情報SP51に示すように、ブロブ間をエッジで連結するグラフGR41を用いて検索処理を行う。例えば、検索処理部133Cは、検索クエリQE3を対象として、ブロブ連結グラフであるグラフGR41を用いた図27及び図28に示すような検索処理を行うことにより、検索クエリQE3の検索結果を得る。例えば、検索処理部133Cは、ブロブ連結グラフを辿ることにより、処理対象となったブロブについて第1処理を実行する。 The search processing unit 133C uses the blob connection graph to perform search processing as shown in FIGS. 27 and 28. For example, the search processing unit 133C performs a search process using a graph GR41 that connects blobs with edges, as shown in the spatial information SP51. For example, the search processing unit 133C obtains the search results for the search query QE3 by performing search processing as shown in FIGS. 27 and 28 using the graph GR41, which is a blob connection graph, for the search query QE3. For example, the search processing unit 133C executes the first process on the blob that is the processing target by tracing the blob connection graph.
検索処理部133Cは、処理対象となったブロブが属するクラスタについて、参照用情報が未生成である場合、参照用情報を生成する。例えば、検索処理部133Cは、距離のルックアップテーブル(LUT)を参照用情報として生成する。例えば、検索処理部133Cは、検索処理において、クラスタ単位に距離のルックアップテーブルを生成する。すなわち、検索処理部133Cは、検索処理において、ブロブ単位ではなく、クラスタ単位で、距離のルックアップテーブルを生成する。これにより、情報処理装置100Cは、検索時間の増大を抑制することができる。 The search processing unit 133C generates reference information if reference information has not yet been generated for the cluster to which the processing target blob belongs. For example, the search processing unit 133C generates a distance lookup table (LUT) as reference information. For example, the search processing unit 133C generates a distance lookup table for each cluster in the search process. That is, in the search processing, the search processing unit 133C generates a lookup table of distances not in units of blobs but in units of clusters. Thereby, the information processing device 100C can suppress an increase in search time.
検索処理部133Cは、生成した参照用情報を用いて、処理対象となったブロブに属するオブジェクトについて一括して距離計算を実行する。例えば、検索処理部133Cは、処理対象となったブロブが属するクラスタについて、参照用情報が生成済みである場合、参照用情報を生成しない。そして、検索処理部133Cは、既に生成済みである参照用情報を用いて、処理対象となったブロブに属するオブジェクトについて一括して距離計算を実行する。 The search processing unit 133C uses the generated reference information to collectively calculate distances for objects belonging to the blob that is the processing target. For example, the search processing unit 133C does not generate reference information if reference information has already been generated for the cluster to which the blob targeted for processing belongs. Then, the search processing unit 133C uses the reference information that has already been generated to perform distance calculations all at once for objects belonging to the blob that is the processing target.
〔4-3.処理及び情報例〕
ここから、第4の実施形態における処理や処理に用いる情報等の例について説明する。
[4-3. Examples of processing and information]
From here, examples of processing, information used for processing, etc. in the fourth embodiment will be described.
まず、図34を用いて量子化に関する概念について説明する。図34は、第4の実施形態に係る量子化に関する概念図である。 First, the concept regarding quantization will be explained using FIG. 34. FIG. 34 is a conceptual diagram regarding quantization according to the fourth embodiment.
例えば、基点CL1は、クラスタCL1の量子化に用いられる基点を示す。この場合、基点CL1は、ブロブBL1及びブロブBL7を含むクラスタCL1のセントロイドを示す。また、例えば、基点CL2は、クラスタCL2の量子化に用いられる基点を示す。この場合、基点CL2は、ブロブBL2及びブロブBL4を含むクラスタCL2のセントロイドを示す。 For example, base point CL1 indicates a base point used for quantization of cluster CL1. In this case, base point CL1 indicates the centroid of cluster CL1 including blob BL1 and blob BL7. Further, for example, base point CL2 indicates a base point used for quantization of cluster CL2. In this case, base point CL2 indicates the centroid of cluster CL2 including blob BL2 and blob BL4.
例えば、基点CL3は、クラスタCL3の量子化に用いられる基点を示す。この場合、基点CL3は、ブロブBL3、ブロブBL8及びブロブBL10を含むクラスタCL3のセントロイドを示す。また、例えば、基点CL4は、クラスタCL4の量子化に用いられる基点を示す。この場合、基点CL4は、ブロブBL5、ブロブBL6及びブロブBL9を含むクラスタCL4のセントロイドを示す。 For example, base point CL3 indicates a base point used for quantization of cluster CL3. In this case, base point CL3 indicates the centroid of cluster CL3 including blob BL3, blob BL8, and blob BL10. Further, for example, base point CL4 indicates a base point used for quantization of cluster CL4. In this case, base point CL4 indicates the centroid of cluster CL4 including blob BL5, blob BL6, and blob BL9.
この場合、情報処理装置100Cは、4つのクラスタCL1~CL4の各々の中で残差ベクトルを求める。そして、情報処理装置100Cは、4つのクラスタCL1~CL4の各々の中で求めた残差ベクトルを用いて、量子化を行う。例えば、情報処理装置100Cは、クラスタCL1に属するオブジェクトについては基点CL1からの残差ベクトルを用いて、量子化を行う。残差ベクトルを用いた量子化についての詳細な説明は省略するが、情報処理装置100Cは、例えば特許文献3に示す技術などを適宜用いて、残差ベクトルを用いた量子化を行う。
In this case, the information processing device 100C finds residual vectors in each of the four clusters CL1 to CL4. The information processing device 100C then performs quantization using the residual vectors found in each of the four clusters CL1 to CL4. For example, the information processing device 100C performs quantization on objects belonging to the cluster CL1 using the residual vector from the base point CL1. Although a detailed explanation of quantization using residual vectors will be omitted, the information processing device 100C performs quantization using residual vectors, for example, appropriately using the technique disclosed in
なお、図34では図を用いて説明するために、ベクトルを部分ベクトルに分割していない状態を示すが、情報処理装置100Cは、直積量子化により分割された部分空間ごとに基点を導出し、導出した基点を基に残差ベクトルを用いて、量子化を行ってもよい。例えば、情報処理装置100Cは、ベクトルを4つの部分ベクトルに分割して直積量子化を行う場合、各部分ベクトルに対応する部分空間ごとに基点があり、その基点からの残差ベクトルを用いて、量子化を行う。 Note that although FIG. 34 shows a state in which the vector is not divided into subvectors for the sake of illustration, the information processing device 100C derives a base point for each subspace divided by direct product quantization, Quantization may be performed using a residual vector based on the derived base point. For example, when performing Cartesian product quantization by dividing a vector into four partial vectors, the information processing device 100C has a base point for each subspace corresponding to each partial vector, and uses the residual vector from the base point to Perform quantization.
以下、図34を参照しつつ、情報処理装置100Cによるオブジェクトの量子化及び量子化による処理についての一例を説明する。図34では、クエリオブジェクト(検索クエリ)が検索クエリQE3である場合を一例として説明する。なお、以下で説明するオブジェクト(ベクトル)の量子化や直積量子化等において、特許文献3に開示された内容と同様の点については、詳細な説明を適宜省略する。
Hereinafter, an example of object quantization and quantization processing by the information processing apparatus 100C will be described with reference to FIG. 34. In FIG. 34, a case where the query object (search query) is search query QE3 will be described as an example. Note that in the quantization of objects (vectors), direct product quantization, etc. described below, detailed explanations of points similar to those disclosed in
図34の空間情報SP52に示すように、検索クエリQE3と、ノードN7等のクラスタCL1に属する各オブジェクトに対応する各ベクトルとの距離は異なるが、情報処理装置100Cは、ノードN7等のクラスタCL1に属する各オブジェクトに対応するベクトルを用いない。この場合、検索クエリQE3と各ベクトルとの距離は、例えば検索クエリQE3とクラスタCL1の基点CL1に対応するベクトルとの距離とみなされることとなる。すなわち、クラスタCL1に属する各オブジェクトに対応するベクトルは、基点CL1に対応するベクトルに量子化される。具体的には、情報処理装置100Cは、基点CL1からの各ベクトルの差分である残差ベクトルを求めて、その残差ベクトルを直積量子化(さらに部分空間に分割して量子化)する。 As shown in the spatial information SP52 of FIG. 34, although the distances between the search query QE3 and each vector corresponding to each object belonging to the cluster CL1 such as the node N7 are different, the information processing apparatus 100C do not use vectors corresponding to each object belonging to . In this case, the distance between the search query QE3 and each vector is considered to be, for example, the distance between the search query QE3 and the vector corresponding to the base point CL1 of the cluster CL1. That is, the vectors corresponding to each object belonging to cluster CL1 are quantized into vectors corresponding to base point CL1. Specifically, the information processing device 100C obtains a residual vector that is the difference between each vector from the base point CL1, and performs direct product quantization (further divides into subspaces and quantizes) the residual vector.
例えば、情報処理装置100Cは、各クラスタをさらに複数の部分領域に分割し、複数の部分領域に対応する部分セントロイドをコードブックとして生成する。例えば、情報処理装置100Cは、各クラスタに関する残差ベクトルの情報に基づいて、各クラスタが分割された複数の部分領域に対応する部分セントロイドを生成してもよい。 For example, the information processing device 100C further divides each cluster into a plurality of partial regions, and generates partial centroids corresponding to the plurality of partial regions as a codebook. For example, the information processing device 100C may generate partial centroids corresponding to a plurality of partial regions into which each cluster is divided, based on residual vector information regarding each cluster.
例えば、情報処理装置100Cは、各クラスタに含まれるオブジェクトの数に基づいて、各クラスタの部分領域の数を決定してもよいし、所定の設定値に基づいて部分領域の数を決定してもよい。例えば、情報処理装置100Cは、クラスタリングに関する種々の従来技術を適宜用いて、部分領域を決定してもよい。例えば、情報処理装置100Cは、クラスタCL1の各部分領域に含まれるオブジェクトとクラスタCL1の基点CL1から残差ベクトルを算出し、その残差ベクトルから部分領域の部分セントロイドを生成する。例えば、情報処理装置100Cは、クラスタの基点と、各部分領域の部分セントロイドとの残差ベクトルの情報を用いる。例えば、情報処理装置100Cは、クラスタCL1の基点CL1と、その各部分領域の部分セントロイドとの残差ベクトの情報を用いる。例えば、情報処理装置100Cは、各オブジェクトに対応付けてそのオブジェクトが属する部分領域の部分セントロイドの情報を記憶する。 For example, the information processing device 100C may determine the number of partial regions of each cluster based on the number of objects included in each cluster, or may determine the number of partial regions based on a predetermined setting value. Good too. For example, the information processing device 100C may determine the partial area using various conventional techniques related to clustering as appropriate. For example, the information processing device 100C calculates a residual vector from the object included in each partial region of the cluster CL1 and the base point CL1 of the cluster CL1, and generates a partial centroid of the partial region from the residual vector. For example, the information processing device 100C uses information on the residual vector between the base point of the cluster and the partial centroid of each partial region. For example, the information processing device 100C uses information on the residual vector between the base point CL1 of the cluster CL1 and the partial centroid of each partial region thereof. For example, the information processing device 100C stores, in association with each object, information on the partial centroid of the partial area to which the object belongs.
例えば、情報処理装置100Cは、上述した情報を用いることにより、各オブジェクトの位置をそのベクトルが属する部分領域のセントロイドの位置に量子化することができる。これにより、情報処理装置100Cは、検索クエリQE3と各オブジェクトとの距離を、検索クエリQE3と各オブジェクトが属する部分領域の部分セントロイドに対応するベクトルとの距離まで細部化することができる。 For example, by using the above-mentioned information, the information processing device 100C can quantize the position of each object to the position of the centroid of the partial area to which the vector belongs. Thereby, the information processing device 100C can refine the distance between the search query QE3 and each object to the distance between the search query QE3 and the vector corresponding to the partial centroid of the partial area to which each object belongs.
例えば、情報処理装置100Cは、各クラスタの基点のベクトルと、部分セントロイドに関する残差ベクトルとを示す情報とを用いる。これにより、情報処理装置100Cは、例えば検索クエリQE3に対して、部分セントロイドまでの距離を算出することができる。したがって、情報処理装置100Cは、例えば検索クエリQE3と各オブジェクトとの距離を、クラスタの基点よりもさらに近似した部分セントロイドまでの距離とすることができる。 For example, the information processing device 100C uses information indicating the base point vector of each cluster and the residual vector regarding the partial centroid. Thereby, the information processing device 100C can calculate the distance to the partial centroid for, for example, the search query QE3. Therefore, the information processing device 100C can, for example, set the distance between the search query QE3 and each object as the distance to a partial centroid that is even closer than the base point of the cluster.
なお、情報処理装置100Cは、各オブジェクトのベクトルを複数の部分ベクトルに分割して処理してもよい。すなわち、情報処理装置100Cは、いわゆる直積量子化に関する技術を用いて、処理を行ってもよい。この点については、上述した第1の実施形態等と同様であるため、重複する説明は適宜省略する。 Note that the information processing device 100C may divide the vector of each object into a plurality of partial vectors for processing. That is, the information processing device 100C may perform processing using a technique related to so-called direct product quantization. Since this point is similar to the first embodiment and the like described above, overlapping explanation will be omitted as appropriate.
例えば、図34の場合、情報処理装置100Cは、検索クエリQE3のベクトルを複数の部分ベクトル(「検索クエリQE3の部分ベクトル」ともいう)に分割する。この場合、空間情報SP52も複数の部分空間(「空間情報SP52の部分空間」ともいう)に分割される。例えば、情報処理装置100Cは、図1と同様に検索クエリQE3のベクトルを4分割してもよい。この場合、空間情報SP52も4つの部分空間に分割され、各クラスタが複数の部分空間に分割される。 For example, in the case of FIG. 34, the information processing device 100C divides the vector of search query QE3 into a plurality of partial vectors (also referred to as "partial vectors of search query QE3"). In this case, the spatial information SP52 is also divided into a plurality of subspaces (also referred to as "subspaces of the spatial information SP52"). For example, the information processing device 100C may divide the vector of the search query QE3 into four as in FIG. In this case, the spatial information SP52 is also divided into four subspaces, and each cluster is divided into a plurality of subspaces.
例えば、情報処理装置100Cは、4つの部分空間において各オブジェクトが属する領域に対応する部分セントロイド(コードブック)を示す情報を、各オブジェクトに対応付けて記憶する。例えば、情報処理装置100Cは、各オブジェクトに対応する4つのコードブックと検索クエリQE3との距離を合計することにより、各オブジェクトと検索クエリQE3との距離を算出する。 For example, the information processing device 100C stores, in association with each object, information indicating a partial centroid (codebook) corresponding to a region to which each object belongs in the four partial spaces. For example, the information processing device 100C calculates the distance between each object and the search query QE3 by summing the distances between the four codebooks corresponding to each object and the search query QE3.
次に、図35及び図36を用いて、転置インデックスの概要を説明する。図35は、第4の実施形態に係る転置インデックスの一例を示す図である。図36は、第4の実施形態に係る転置インデックスの具体例を示す図である。 Next, an overview of the transposed index will be explained using FIGS. 35 and 36. FIG. 35 is a diagram illustrating an example of a transposed index according to the fourth embodiment. FIG. 36 is a diagram showing a specific example of a transposed index according to the fourth embodiment.
まず、図35に示す転置インデックスIND1について説明する。図35に示す転置インデックスIND1は、「ブロブID」、「クラスタID」、「量子化オブジェクト数」、「量子化オブジェクト#1」、「量子化オブジェクト#2」、「量子化オブジェクト#3」、および「量子化オブジェクト#4」等といった項目が含まれる。なお、図35では、「量子化オブジェクト#1」~「量子化オブジェクト#4」までの4つを図示するが、転置インデックスIND1には、「量子化オブジェクト#5」、「量子化オブジェクト#6」等、各ブロブに属するオブジェクト数に対応する数の項目が含まれる。
First, the transposed index IND1 shown in FIG. 35 will be explained. The transposed index IND1 shown in FIG. 35 includes "blob ID", "cluster ID", "quantization object number", "
「ブロブID」は、第1グループであるブロブを識別するための識別情報を示す。「クラスタID」は、第2グループであるクラスタを識別するための識別情報を示す。「量子化オブジェクト数」は、ブロブに属するオブジェクト数を示す。「量子化オブジェクト#1」~「量子化オブジェクト#4」は、量子化されたオブジェクトを示す。例えば、「量子化オブジェクト#1」~「量子化オブジェクト#4」には、オブジェクトが直積量子化され、各部分ベクトルに対応するコードブックを示す情報の一覧が記憶される。
“Blob ID” indicates identification information for identifying blobs that are the first group. "Cluster ID" indicates identification information for identifying the cluster that is the second group. "Number of quantized objects" indicates the number of objects belonging to the blob. “
図35の例では、ブロブID「1」であるブロブは、クラスタID「2」であるクラスタに属し、属するオブジェクト数が4つであることを示す。また、ブロブID「1」であるブロブについて、「量子化オブジェクト#1」には「4、2、8、10」が格納され、そのオブジェクトが4つの部分ベクトルで構成され、それぞれコードブック「4」、「2」、「8」、「10」で量子化されていることを示す。例えば、ブロブID「1」の「量子化オブジェクト#1」に対応するオブジェクトについては、4つ分割された部分ベクトルのうち、最初の部分ベクトルがコードブック「4」で量子化され、2番目の部分ベクトルがコードブック「2」で量子化され、3番目の部分ベクトルがコードブック「8」で量子化され、最後の部分ベクトルがコードブック「10」で量子化されることを示す。
In the example of FIG. 35, the blob with the blob ID "1" belongs to the cluster with the cluster ID "2", indicating that the number of belonging objects is four. Furthermore, for the blob with blob ID "1", "4, 2, 8, 10" are stored in "
なお、転置インデックスIND1は、上記に限らず、目的に応じて種々の情報を記憶してもよい。例えば、転置インデックスIND1は、各量子化オブジェクトを示す情報(オブジェクトID等)を各量子化オブジェクトに対応付けて記憶してもよい。 Note that the transposed index IND1 is not limited to the above, and may store various information depending on the purpose. For example, the transposed index IND1 may store information indicating each quantization object (object ID, etc.) in association with each quantization object.
次に、図36に示す転置インデックスIND2について説明する。図36は、図32に等に示す例と対応する転置インデックスの具体例を示す。なお、転置インデックスIND1と同様の点については適宜説明を省略する。図36に示す転置インデックスIND2は、「ブロブID」、「クラスタID」、「量子化オブジェクト数」、「量子化オブジェクト#1」等といった項目が含まれる。なお、図36では、「量子化オブジェクト#1」のみを図示するが、転置インデックスIND1と同様に各ブロブに属するオブジェクト数に対応する数の項目が含まれる。
Next, the transposed index IND2 shown in FIG. 36 will be explained. FIG. 36 shows a specific example of a transposed index corresponding to the example shown in FIG. Note that descriptions of points similar to the transposed index IND1 will be omitted as appropriate. The transposed index IND2 shown in FIG. 36 includes items such as "blob ID", "cluster ID", "quantization object number", and "
転置インデックスIND2では、図32に示す空間情報SP51と同様に、ブロブID「BL1」により識別されるブロブBL1は、クラスタID「CL1」であるクラスタCL1に属することを示す。また、ブロブBL1に属するオブジェクト数は、「NM1」であることを示す。なお、図36では「NM1」といった抽象的な符号で示すが、「量子化オブジェクト数」には、転置インデックスIND1と同様に具体的な数を示す値(例えば10や100等)が記憶される。 The transposed index IND2 indicates that the blob BL1 identified by the blob ID "BL1" belongs to the cluster CL1 having the cluster ID "CL1", similar to the spatial information SP51 shown in FIG. 32. Further, the number of objects belonging to blob BL1 is “NM1”. Although it is indicated by an abstract code such as "NM1" in FIG. 36, the "quantization object number" stores a value indicating a specific number (for example, 10, 100, etc.) similarly to the transposed index IND1. .
また、ブロブBL1は、「量子化オブジェクト#1」には「CD51、CD64、CD77、CD82」が格納され、そのオブジェクトが4つの部分ベクトルで構成され、それぞれコードブック「CD51」、「CD64」、「CD77」、「CD82」で量子化されていることを示す。
In addition, in the blob BL1, "
また、転置インデックスIND2では、図32に示す空間情報SP51と同様に、ブロブID「BL2」により識別されるブロブBL2は、クラスタID「CL2」であるクラスタCL2に属することを示す。また、転置インデックスIND2では、図32に示す空間情報SP51と同様に、ブロブID「BL7」により識別されるブロブBL7は、クラスタID「CL1」であるクラスタCL1に属することを示す。 Further, the transposed index IND2 indicates that the blob BL2 identified by the blob ID "BL2" belongs to the cluster CL2 having the cluster ID "CL2", similar to the spatial information SP51 shown in FIG. 32. Further, the transposed index IND2 indicates that the blob BL7 identified by the blob ID "BL7" belongs to the cluster CL1 having the cluster ID "CL1", similarly to the spatial information SP51 shown in FIG. 32.
なお、転置インデックスIND2は、上記に限らず、目的に応じて種々の情報を記憶してもよい。例えば、転置インデックスIND2は、各量子化オブジェクトを示す情報(オブジェクトID等)を各量子化オブジェクトに対応付けて記憶してもよい。このように、転置インデックスには、クラスタを識別する情報(クラスタID)が付与されており、情報処理装置100Cは、転置インデックスを用いて残差ベクトルを算出する。例えば、残差ベクトルはインデックスの生成および検索時に用いられるが、特許文献3等の従来技術における処理と同様であるため詳細な説明を適宜省略する。
Note that the transposed index IND2 is not limited to the above, and may store various information depending on the purpose. For example, the transposed index IND2 may store information indicating each quantization object (object ID, etc.) in association with each quantization object. In this way, information for identifying clusters (cluster ID) is attached to the transposed index, and the information processing device 100C calculates the residual vector using the transposed index. For example, the residual vector is used during index generation and search, but since the process is similar to that in conventional techniques such as
〔4-4.情報処理のフロー〕
次に、図37及び図38を用いて、第4の実施形態に係る情報処理の手順について説明する。図37及び図38は、第4の実施形態に係る情報処理の一例を示すフローチャートである。
[4-4. Information processing flow]
Next, the information processing procedure according to the fourth embodiment will be described using FIGS. 37 and 38. 37 and 38 are flowcharts illustrating an example of information processing according to the fourth embodiment.
まず、図37について説明する。例えば、図37は、グループの生成処理の一例を示すフローチャートである。図37に示すように、情報処理装置100Cは、データ検索の対象となる複数のオブジェクトを示すオブジェクト情報を取得する(ステップS601)。例えば、情報処理装置100Cは、オブジェクト情報記憶部121から複数のオブジェクトを示すオブジェクト情報を取得する。
First, FIG. 37 will be explained. For example, FIG. 37 is a flowchart illustrating an example of group generation processing. As shown in FIG. 37, the information processing apparatus 100C acquires object information indicating a plurality of objects that are data search targets (step S601). For example, the information processing device 100C acquires object information indicating a plurality of objects from the object
情報処理装置100Cは、オブジェクト情報に基づいて、複数のオブジェクトを分類する複数の第1グループを示す第1グループ情報を生成する(ステップS602)。例えば、情報処理装置100Cは、オブジェクト情報に基づいて、複数のオブジェクトを分類する複数のブロブを示すブロブ情報を生成する。 The information processing device 100C generates first group information indicating a plurality of first groups into which a plurality of objects are classified based on the object information (step S602). For example, the information processing device 100C generates blob information indicating a plurality of blobs that classify a plurality of objects based on the object information.
情報処理装置100Cは、複数の第1グループとは異なる分類となるグループであって、複数のオブジェクトのうち、複数の第1グループにおいて同じ第1グループに属するオブジェクトを同じグループに分類するグループである複数の第2グループを示す第2グループ情報を生成する(ステップS603)。例えば、情報処理装置100Cは、少なくとも1つのクラスタが2つ以上のブロブを含む複数のクラスタを示すクラスタ情報を生成する。なお、情報処理装置100Cは、ブロブと一対一に対応するクラスタを示すクラスタ情報を生成してもよい。 The information processing device 100C is a group that has a different classification from the plurality of first groups, and is a group in which objects belonging to the same first group in the plurality of first groups among the plurality of objects are classified into the same group. Second group information indicating a plurality of second groups is generated (step S603). For example, the information processing device 100C generates cluster information indicating a plurality of clusters in which at least one cluster includes two or more blobs. Note that the information processing apparatus 100C may generate cluster information indicating clusters that correspond one-to-one to blobs.
次に、図38について説明する。例えば、図38は、グループを用いた処理の一例を示すフローチャートである。図38に示すように、情報処理装置100Cは、データ検索の対象となる複数のオブジェクトを分類する複数の第1グループと、複数の第1グループとは異なる分類となるグループであって、複数のオブジェクトのうち、複数の第1グループにおいて同じ第1グループに属するオブジェクトを同じグループに分類するグループである複数の第2グループとを示す処理用情報を取得する(ステップS701)。例えば、情報処理装置100Cは、ブロブ情報記憶部125に記憶されたブロブ情報と、クラスタ情報記憶部127に記憶されたクラスタ情報とを処理用情報として取得する。例えば、情報処理装置100Cは、転置インデックスIND1または転置インデックスIND2を取得する。
Next, FIG. 38 will be explained. For example, FIG. 38 is a flowchart illustrating an example of processing using groups. As shown in FIG. 38, the information processing device 100C has a plurality of first groups that classify a plurality of objects that are data search targets, and a plurality of groups that are classified differently from the plurality of first groups. Among the objects, processing information indicating a plurality of second groups, which are groups in which objects belonging to the same first group are classified into the same group, is acquired (step S701). For example, the information processing device 100C obtains blob information stored in the blob
情報処理装置100Cは、処理用情報を用いて、第1グループに属するオブジェクトを対象とする第1処理と、第2グループに属するオブジェクトを対象とする第2処理とを実行する(ステップS702)。例えば、情報処理装置100Cは、ブロブに属するオブジェクトを対象とする一括処理を実行し、クラスタに属するオブジェクトを対象とする量子化を実行する。 The information processing apparatus 100C uses the processing information to execute a first process targeting objects belonging to the first group and a second process targeting objects belonging to the second group (step S702). For example, the information processing device 100C performs batch processing on objects belonging to a blob, and performs quantization on objects belonging to a cluster.
〔5.第5の実施形態〕
なお、上述したようなブロブ間を連結したブロブ連結グラフ(「ブロブグラフ」ともいう)を用いた検索処理を行う際に、複数の観点での検索範囲が用いられてもよい。この点について、以下、第5の実施形態として説明する。第5の実施形態においては、情報処理システム1は、情報処理装置100、情報処理装置100A、情報処理装置100Bまたは情報処理装置100Cに代えて、情報処理装置100Dを有する。なお、第1の実施形態、第2の実施形態、第3の実施形態及び第4の実施形態等において上述した内容と同様の点については適宜説明を省略する。例えば、以下の説明でのブロブBL*(*は任意の数)は、上述したブロブBL*(*は任意の数)と同様にオブジェクトをグルーピングしたグループであるため、詳細な説明は省略する。また、以下の説明でのセントロイドC*(*は任意の数)は、上述したセントロイドC*(*は任意の数)と同様であるため、詳細な説明は省略する。以下の説明でのクラスタCL*(*は任意の数)は、上述したクラスタCL*(*は任意の数)と同様にブロブを分類するクラスタであるため、詳細な説明は省略する。
[5. Fifth embodiment]
Note that when performing a search process using a blob connection graph (also referred to as a "blob graph") in which blobs are connected as described above, a search range from a plurality of viewpoints may be used. This point will be described below as a fifth embodiment. In the fifth embodiment, the
なお、図39及び図40では、クラスタの区別を実線の太い線で示す点及びブロブ間の連結をブロブBLのセントロイドC間を繋ぐ点線で示す点以外の表現態様については、図32と同様である。例えば、実線のうち、太い線がクラスタ及びブロブの分割対応を示し、細い線がブロブの分割対応を示す。例えば、図39及び図40では、実線のうち細い線はクラスタ内でのブロブの分割対応を示す。また、図39及び図40は、セントロイドCN11~CN14は、各クラスタCL11~CL14の各々のセントロイドを示す。クラスタCL11には、ブロブBL11、BL12、BL13の3つのブロブBLが含まれる。ブロブBL11には、ノードN31、N205等が含まれる。クラスタCL12には、ブロブBL14、BL15の2つのブロブBLが含まれる。クラスタCL13には、ブロブBL16、BL17、BL18の3つのブロブBLが含まれる。クラスタCL14には、ブロブBL19、BL20の2つのブロブBLが含まれる。なお、図39及び図40に示すクラスタCL、ブロブBL及びノードN等は一部であり、処理対象となるクラスタCL、ブロブBL及びノードNには、図示したもの以外にも多数のクラスタCL、ブロブBL及びノードNが含まれる。また、ブロブBL及びクラスタCLの符号は、図39のみで図示し、図40では図示を省略するが、図39と図40とは同じ空間情報(空間情報SP61)を示す。 In addition, in FIGS. 39 and 40, the expressions are the same as in FIG. 32 except for the points where the clusters are distinguished by solid thick lines and the connections between blobs are shown by dotted lines connecting centroids C of blobs BL. It is. For example, among the solid lines, thick lines indicate correspondence between clusters and blobs, and thin lines indicate correspondence between divisions of blobs. For example, in FIGS. 39 and 40, thin solid lines indicate blob division correspondence within a cluster. Furthermore, in FIGS. 39 and 40, centroids CN11 to CN14 indicate the centroids of each of the clusters CL11 to CL14. The cluster CL11 includes three blobs BL, BL11, BL12, and BL13. Blob BL11 includes nodes N31, N205, and the like. The cluster CL12 includes two blobs BL, blobs BL14 and BL15. Cluster CL13 includes three blobs BL: blobs BL16, BL17, and BL18. The cluster CL14 includes two blobs BL, blobs BL19 and BL20. Note that the clusters CL, blobs BL, nodes N, etc. shown in FIGS. 39 and 40 are only a part, and the clusters CL, blobs BL, and nodes N to be processed include many clusters CL, A blob BL and a node N are included. Further, although the symbols of the blob BL and the cluster CL are illustrated only in FIG. 39 and omitted from illustration in FIG. 40, FIG. 39 and FIG. 40 indicate the same spatial information (spatial information SP61).
情報処理装置100Dは、データ検索の対象となる複数のオブジェクトが分類された複数のグループ間がエッジにより連結されたグループ連結グラフであるブロブグラフを用いた検索処理を実行する。また、情報処理装置100Dは、グループであるブロブの検索に対応する範囲(以下「第1検索範囲」ともいう)と、複数のオブジェクトの検索に対応する範囲(以下「第2検索範囲」ともいう)とを用いて検索処理を実行する。これにより、情報処理装置100Dは、複数のオブジェクトから、検索クエリに対応する近傍のオブジェクトを抽出する。 The information processing device 100D executes a search process using a blob graph, which is a group-connected graph in which a plurality of groups into which a plurality of objects to be data searched are classified are connected by edges. The information processing device 100D also has a range corresponding to a search for a blob as a group (hereinafter also referred to as a "first search range") and a range corresponding to a search for a plurality of objects (hereinafter also referred to as a "second search range"). ) to execute the search process. Thereby, the information processing device 100D extracts a nearby object corresponding to the search query from the plurality of objects.
〔5-1.情報処理〕
まず、図39及び図40を用いて、第5の実施形態に係る情報処理の概要を説明する。図39及び図40は、第5の実施形態に係る情報処理の一例を示す図である。具体的には、図39は、情報処理装置100Dが実行する検索処理の全体概要を示す。また、図40は、情報処理装置100Dが実行する検索処理における第1検索範囲及び第2検索範囲の変化を示す。このように、図39及び図40では、第1検索範囲及び第2検索範囲の変化及び検索処理の概要を説明し、具体的な検索処理の流れについては図43で示す。
[5-1. Information processing〕
First, an overview of information processing according to the fifth embodiment will be explained using FIGS. 39 and 40. 39 and 40 are diagrams illustrating an example of information processing according to the fifth embodiment. Specifically, FIG. 39 shows an overall outline of the search process executed by the information processing device 100D. Further, FIG. 40 shows changes in the first search range and the second search range in the search process executed by the information processing device 100D. In this way, FIGS. 39 and 40 will explain the changes in the first search range and the second search range and the outline of the search process, and the specific flow of the search process will be shown in FIG. 43.
図39中の空間情報SP61に示すグラフGR61は、図32中の空間情報SP51に示すグラフGR41と同様に、ブロブ間を連結したブロブグラフである。例えば、グラフGR61でブロブBLのセントロイドC間を連結した点線(エッジ)は、グラフGR41でブロブBL間を相互に連結した矢印線(エッジ)と同義である。図39のグラフGR61は、ブロブBL11~BL20の部分を図示したものである。例えば、情報処理装置100Dは、上述した方法によりブロブBL11~BL10等を示す情報を生成してもよいし、他の装置からブロブBL11~BL10等を示す情報を取得してもよい。なお、図40中の空間情報SP61-1~SP61-4は、第1検索範囲及び第2検索範囲の変化の説明の便宜上異なる符号を付すが、図39の空間情報SP61と同様であり、区別せず説明する場合、空間情報SP61と記載する場合がある。 Graph GR61 shown in spatial information SP61 in FIG. 39 is a blob graph in which blobs are connected, similar to graph GR41 shown in spatial information SP51 in FIG. For example, a dotted line (edge) connecting centroids C of blobs BL in graph GR61 is synonymous with an arrow line (edge) connecting blobs BL with each other in graph GR41. Graph GR61 in FIG. 39 illustrates the blobs BL11 to BL20. For example, the information processing device 100D may generate information indicating the blobs BL11 to BL10, etc. using the method described above, or may acquire information indicating the blobs BL11 to BL10, etc. from another device. Note that the spatial information SP61-1 to SP61-4 in FIG. 40 are given different symbols for convenience of explanation of changes in the first search range and the second search range, but they are the same as the spatial information SP61 in FIG. 39 and cannot be distinguished. If the information is not explained, it may be described as spatial information SP61.
なお、グラフGR61は、グラフGR41のうち各ブロブBL11~BL20の部分を図示した状態であってもよい。この場合、空間情報SP51および空間情報SP61は、同じ複数のオブジェクトを対象とし、グラフGR61とグラフGR41とは同じグラフのうちの異なる一部を図示したものである。例えば、図32中のグラフGR41は、ブロブBL1~BL10の部分を図示し、グラフGR61は、ブロブBL11~BL20の部分を図示したものであってもよい。また、グラフGR61は、図29中のグラフGR42のように各ブロブのセントロイド間を連結したグラフであってもよい。すなわち、グラフGR61は、後述する検索処理が実行可能であれば、どのような態様でブロブ間が連結されたグラフであってもよい。 Note that the graph GR61 may be in a state where each of the blobs BL11 to BL20 of the graph GR41 is illustrated. In this case, spatial information SP51 and spatial information SP61 target the same plurality of objects, and graph GR61 and graph GR41 illustrate different parts of the same graph. For example, graph GR41 in FIG. 32 may illustrate a portion of blobs BL1 to BL10, and graph GR61 may illustrate a portion of blobs BL11 to BL20. Further, the graph GR61 may be a graph in which the centroids of each blob are connected like the graph GR42 in FIG. 29. That is, the graph GR61 may be a graph in which blobs are connected in any manner as long as the search process described below can be executed.
図39では、クエリが検索クエリQE11であり、近傍のオブジェクトとして抽出するオブジェクトの数(「近傍オブジェクト抽出数」ともいう)が「5」である場合の処理を一例として示す。検索クエリQE11を中心とする5つの円のうち、一点鎖線の円が第1検索範囲の一例であるブロブ検索範囲SBを示す。なお、図39では、ブロブ検索範囲SBを示す3つの一点鎖線の円のうち、最も半径の大きい円のみに符号「SB」を付すが、3つの一点鎖線の円が検索処理において変化するブロブ検索範囲SBを示す。 FIG. 39 shows, as an example, a process in which the query is search query QE11 and the number of objects extracted as nearby objects (also referred to as "number of extracted nearby objects") is "5". Among the five circles centered on the search query QE11, the circle with a dash-dot line indicates the blob search range SB, which is an example of the first search range. In addition, in FIG. 39, only the circle with the largest radius among the three dot-dashed circles indicating the blob search range SB is given the symbol "SB", but the three dot-dashed circles indicate blob searches that change during the search process. Range SB is shown.
例えば、ブロブ検索範囲SBは、検索クエリQE11を中心とする半径(ブロブ検索半径)により規定される第1検索範囲である。図39中の一点鎖線の矢印線で示すように、ブロブ検索範囲SBは、検索処理が進むにつれて、その範囲(半径)が広くなるが、この点については図40を用いて後述する。なお、図40で示すブロブ検索範囲SB1、SB2、SB3は、図39中の3つのブロブ検索範囲SBの各々に対応する。ブロブ検索範囲SB1、SB2、SB3を区別せず説明する場合、ブロブ検索範囲SBと記載する場合がある。 For example, the blob search range SB is a first search range defined by a radius (blob search radius) centered on the search query QE11. As shown by the dashed-dotted arrow line in FIG. 39, the range (radius) of the blob search range SB becomes wider as the search process progresses, but this point will be described later using FIG. 40. Note that blob search ranges SB1, SB2, and SB3 shown in FIG. 40 correspond to each of the three blob search ranges SB in FIG. 39. When describing the blob search ranges SB1, SB2, and SB3 without distinguishing them, they may be referred to as blob search range SB.
また、図39では、検索クエリQE11を中心とする5つの円のうち、二点鎖線の円が第1検索範囲の一例であるオブジェクト検索範囲SOを示す。なお、図39では、オブジェクト検索範囲SOを示す2つの二点鎖線の円のうち、外側の円のみに符号「SO」を付すが、2つの二点鎖線の円が検索処理において変化するオブジェクト検索範囲SOを示す。 Furthermore, in FIG. 39, among the five circles centered on the search query QE11, the circle indicated by the two-dot chain line indicates the object search range SO, which is an example of the first search range. In addition, in FIG. 39, only the outer circle of the two dashed-dotted circles indicating the object search range SO is marked with the symbol "SO"; Indicates range SO.
例えば、オブジェクト検索範囲SOは、検索クエリQE11を中心とする半径(オブジェクト検索半径)により規定される第2検索範囲である。図39中の二点鎖線の矢印線で示すように、オブジェクト検索範囲SOは、検索処理が進むにつれて、その範囲(半径)が小さくなるが、この点については図40を用いて後述する。なお、図40で示すオブジェクト検索範囲SO1、SO2は、図39中の2つのオブジェクト検索範囲SOの各々に対応する。オブジェクト検索範囲SO1、SO2を区別せず説明する場合、オブジェクト検索範囲SOと記載する場合がある。 For example, the object search range SO is a second search range defined by a radius (object search radius) centered on the search query QE11. As shown by the two-dot chain arrow line in FIG. 39, the range (radius) of the object search range SO becomes smaller as the search process progresses, but this point will be described later using FIG. 40. Note that object search ranges SO1 and SO2 shown in FIG. 40 correspond to each of the two object search ranges SO in FIG. 39. When describing the object search ranges SO1 and SO2 without distinguishing them, they may be referred to as object search range SO.
まず、情報処理装置100Dは、空間情報SP61-1に示す状態から検索処理を開始する。そして、情報処理装置100Dは、空間情報SP61-2に示すように、ブロブ検索範囲SBをブロブ検索範囲SB1に決定し、オブジェクト検索範囲SOを無限大「∞」に決定する。すなわち、図40では、情報処理装置100Dは、ブロブ検索範囲SBを、最近傍のブロブBL20と検索クエリQE11との間の距離に基づく半径で規定されるブロブ検索範囲SB1に決定する。また、図40では、情報処理装置100Dは、ブロブBL20の属するノードN2、N6、N8の各々(に対応するオブジェクト)の3つを、検索クエリQE11に対応する近傍のオブジェクトの候補として抽出し、近傍オブジェクト候補に追加する。なお、近傍オブジェクト候補は3つであり、近傍オブジェクト抽出数「5」以下であるため、オブジェクト検索範囲SOを無限大「∞」が維持される。 First, the information processing device 100D starts the search process from the state shown in the spatial information SP61-1. Then, the information processing device 100D determines the blob search range SB to be the blob search range SB1, and the object search range SO to infinity "∞", as shown in the spatial information SP61-2. That is, in FIG. 40, the information processing apparatus 100D determines the blob search range SB to be the blob search range SB1 defined by the radius based on the distance between the nearest blob BL20 and the search query QE11. In addition, in FIG. 40, the information processing device 100D extracts three nodes (objects corresponding to) nodes N2, N6, and N8 to which the blob BL20 belongs as candidates for nearby objects corresponding to the search query QE11, Add to nearby object candidates. Note that since there are three nearby object candidates and the number of extracted nearby objects is "5" or less, the object search range SO is maintained at infinity "∞".
そして、情報処理装置100Dは、空間情報SP61-3に示すように、ブロブ検索範囲SBをブロブ検索範囲SB2に決定し、オブジェクト検索範囲SOをオブジェクト検索範囲SO1に決定する。すなわち、図40では、情報処理装置100Dは、ブロブ検索範囲SBを、ブロブBL20の次に近傍のブロブBL11と検索クエリQE11との間の距離に基づく半径で規定されるブロブ検索範囲SB2に決定する。また、図40では、情報処理装置100Dは、ブロブBL11の属するノードN31、N205、N312の各々(に対応するオブジェクト)の3つを、検索クエリQE11に対応する近傍のオブジェクトの候補として抽出し、近傍オブジェクト候補に追加する。これにより、近傍オブジェクト候補にはノードN2、N6、N8、N31、N205、N312の6個が含まれ、近傍オブジェクト抽出数「5」を超える。そのため、情報処理装置100Dは、近傍オブジェクト候補のうち検索クエリQE11から距離が近い方から5個を残し、残りを除外する。この場合、情報処理装置100Dは、6個のノードのうち、検索クエリQE11から距離が最も遠いノードN312を除外し、近傍オブジェクト候補の数を5個にする。すなわち、情報処理装置100Dは、近傍オブジェクト候補をノードN2、N6、N8、N31、N205の5個にする。近傍オブジェクト候補の数が近傍オブジェクト抽出数「5」に達したため、情報処理装置100Dは、オブジェクト検索範囲SOを、近傍オブジェクト候補のうち検索クエリQE11から最も遠いノードN205と検索クエリQE11との間の距離に基づく半径で規定されるオブジェクト検索範囲SO1に決定する。 Then, the information processing device 100D determines the blob search range SB to be the blob search range SB2 and the object search range SO to the object search range SO1, as shown in the spatial information SP61-3. That is, in FIG. 40, the information processing device 100D determines the blob search range SB to be the blob search range SB2 defined by the radius based on the distance between the next nearest blob BL11 of the blob BL20 and the search query QE11. . In addition, in FIG. 40, the information processing device 100D extracts three nodes (objects corresponding to) nodes N31, N205, and N312 to which the blob BL11 belongs as candidates for nearby objects corresponding to the search query QE11, Add to nearby object candidates. As a result, the neighboring object candidates include six nodes N2, N6, N8, N31, N205, and N312, which exceeds the number of extracted neighboring objects "5". Therefore, the information processing device 100D leaves five of the nearby object candidates that are closest to the search query QE11, and excludes the rest. In this case, the information processing device 100D excludes the node N312 which is the farthest from the search query QE11 among the six nodes, and sets the number of nearby object candidates to five. That is, the information processing device 100D sets five nearby object candidates: nodes N2, N6, N8, N31, and N205. Since the number of neighboring object candidates has reached the number of neighboring object extractions "5", the information processing device 100D sets the object search range SO to the area between the node N205, which is the farthest from the search query QE11 among the neighboring object candidates, and the search query QE11. The object search range SO1 defined by the radius based on the distance is determined.
そして、情報処理装置100Dは、空間情報SP61-4に示すように、ブロブ検索範囲SBをブロブ検索範囲SB3に決定し、オブジェクト検索範囲SOをオブジェクト検索範囲SO2に決定する。すなわち、図40では、情報処理装置100Dは、ブロブ検索範囲SBを、ブロブBL11の次に近傍のブロブBL19と検索クエリQE11との間の距離に基づく半径で規定されるブロブ検索範囲SB3に決定する。また、図40では、情報処理装置100Dは、ブロブBL19の属するノードN3、N11、N114の各々(に対応するオブジェクト)の3つを、検索クエリQE11に対応する近傍のオブジェクトの候補として抽出し、近傍オブジェクト候補に追加する。これにより、近傍オブジェクト候補にはノードN2、N6、N8、N31、N205、N3、N11、N114の8個が含まれ、近傍オブジェクト抽出数「5」を超える。そのため、情報処理装置100Dは、近傍オブジェクト候補のうち検索クエリQE11から距離が近い方から5個を残し、残りを除外する。この場合、情報処理装置100Dは、検索クエリQE11から距離が遠い方から3個のノードN205、N3、N114を除外し、近傍オブジェクト候補の数を5個にする。すなわち、情報処理装置100Dは、近傍オブジェクト候補をノードN2、N6、N8、N11、N31の5個にする。そして、情報処理装置100Dは、オブジェクト検索範囲SOを、近傍オブジェクト候補のうち検索クエリQE11から最も遠いノードN11と検索クエリQE11との間の距離に基づく半径で規定されるオブジェクト検索範囲SO2に決定する。 Then, the information processing device 100D determines the blob search range SB to be the blob search range SB3 and the object search range SO to the object search range SO2, as shown in the spatial information SP61-4. That is, in FIG. 40, the information processing device 100D determines the blob search range SB to be the blob search range SB3 defined by the radius based on the distance between the next nearest blob BL19 of the blob BL11 and the search query QE11. . In addition, in FIG. 40, the information processing device 100D extracts three nodes (objects corresponding to) nodes N3, N11, and N114 to which the blob BL19 belongs as candidates for nearby objects corresponding to the search query QE11, Add to nearby object candidates. As a result, the neighboring object candidates include eight nodes N2, N6, N8, N31, N205, N3, N11, and N114, which exceeds the number of extracted neighboring objects "5". Therefore, the information processing device 100D leaves five of the nearby object candidates that are closest to the search query QE11, and excludes the rest. In this case, the information processing device 100D excludes the three nodes N205, N3, and N114 from the farthest distance from the search query QE11, and sets the number of nearby object candidates to five. That is, the information processing device 100D sets five nearby object candidates: nodes N2, N6, N8, N11, and N31. Then, the information processing device 100D determines the object search range SO to be an object search range SO2 defined by a radius based on the distance between the search query QE11 and the node N11 which is farthest from the search query QE11 among the neighboring object candidates. .
情報処理装置100Dは、上述のような処理を後述する終了基準#1~#3に当てはまるまで繰り返す。例えば、情報処理装置100Dは、終了基準#1~#3に当てはまる場合、その時点で近傍オブジェクト候補に含まれるオブジェクトを検索クエリQE11の近傍のオブジェクトに決定する。そして、情報処理装置100Dは、検索クエリQE11の近傍のオブジェクトに決定したオブジェクトを示す情報を、検索クエリQE11を指定した検索の要求元等に提供する。
The information processing device 100D repeats the above-described processing until
上記のように、情報処理装置100Dは、第1検索範囲及び第2検索範囲といった複数の観点での検索範囲を用いて検索処理を行い、各検索範囲を検索処理の状況に応じて変化させることにより、グラフを用いて柔軟な検索処理を行うことができる。 As described above, the information processing device 100D performs a search process using search ranges from multiple viewpoints, such as the first search range and the second search range, and changes each search range according to the situation of the search process. This makes it possible to perform flexible search processing using graphs.
ここで、例えばブロブグラフでは、大規模なブロブグラフは無駄なブロブの参照によって検索速度が低下する場合がある。また、従来、直積量子化(Product Quantization:PQ)ではグラフを検索し近傍のブロブを特定したのちに特定されたブロブについて近似距離を算出する方法があるが、この場合も無駄なブロブ参照によって検索速度が低下する。 Here, for example, in a blob graph, search speed may decrease due to unnecessary blob references in a large-scale blob graph. In addition, conventional product quantization (PQ) involves searching a graph, identifying nearby blobs, and then calculating approximate distances for the identified blobs, but in this case too, the search is performed using unnecessary blob references. Speed decreases.
一方で、情報処理装置100Dは、ブロブグラフを探索し近傍順に順位が確定できたブロブに対して逐一ブロブ内のオブジェクトの近似距離を算出し、所定の終了基準を満たした時点で検索を終了することで、無駄なオブジェクト探索を削減できる。 On the other hand, the information processing device 100D searches the blob graph, calculates approximate distances of objects within the blobs for each blob whose rank has been determined in order of proximity, and terminates the search when a predetermined termination criterion is met. This can reduce unnecessary object searches.
〔5-2.情報処理装置の構成〕
次に、図41を用いて、第5の実施形態に係る情報処理装置100Dの構成について説明する。図41は、第5の実施形態に係る情報処理装置の構成例を示す図である。図41に示すように、情報処理装置100Dは、通信部110と、記憶部120Cと、制御部130Bとを有する。なお、情報処理装置100Dにおいて、情報処理装置100、情報処理装置100A、情報処理装置100Bまたは情報処理装置100Cと同様の点は適宜説明を省略する。
[5-2. Configuration of information processing device]
Next, the configuration of the information processing device 100D according to the fifth embodiment will be described using FIG. 41. FIG. 41 is a diagram illustrating a configuration example of an information processing apparatus according to the fifth embodiment. As shown in FIG. 41, the information processing device 100D includes a
(記憶部120C)
記憶部120Cは、例えば、RAM、フラッシュメモリ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。第5の実施形態に係る記憶部120Cは、図41に示すように、オブジェクト情報記憶部121と、グラフ情報記憶部122と、量子化情報記憶部123と、コードブック情報記憶部124と、ブロブ情報記憶部125と、ブロブ連結グラフ情報記憶部126と、クラスタ情報記憶部127とを有する。
(Storage unit 120C)
The storage unit 120C is realized by, for example, a semiconductor memory device such as a RAM or a flash memory, or a storage device such as a hard disk or an optical disk. As shown in FIG. 41, the storage unit 120C according to the fifth embodiment includes an object
(制御部130D)
制御部130Dは、コントローラ(controller)であり、例えば、CPUやMPUやGPU等によって、情報処理装置100D内部の記憶装置に記憶されている各種プログラム(情報処理プログラムの一例に相当)がRAM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130Dは、コントローラであり、例えば、ASICやFPGA等の集積回路により実現される。
(
The
図41に示すように、制御部130Dは、取得部131と、生成部132Cと、検索処理部133Dと、提供部134とを有し、以下に説明する情報処理の機能や作用を実現または実行する。なお、制御部130Dの内部構成は、図41に示した構成に限られず、後述する情報処理を行う構成であれば他の構成であってもよい。
As shown in FIG. 41, the
第5の実施形態に係る取得部131は、記憶部120Cから各種情報を取得する。例えば、第5の実施形態に係る取得部131は、第4の実施形態に係る取得部131と同様に、生成部132Cが用いる各種情報を取得する。
The
取得部131は、データ検索の対象となる複数のオブジェクトが分類された複数のグループ間がエッジにより連結されたグループ連結グラフを取得する。取得部131は、複数のオブジェクトに対する検索クエリを取得する。
The
(検索処理部133D)
検索処理部133Dは、図43に示す検索処理を実行する。例えば、検索処理部133Dは、検索処理部133、検索処理部133A、検索処理部133Bまたは検索処理部133BCと同様に検索処理に関する各種処理を行う。検索処理部133Dは、記憶部120Cに記憶された情報を用いた処理を行う。検索処理部133Dは、生成部132Cにより生成された情報を用いた処理を行う。
(
The
検索処理部133Dは、複数のグループの検索に対応する範囲を示す第1検索範囲と、複数のオブジェクトの検索に対応する範囲を示す第2検索範囲とを用いて、グループ連結グラフを探索することにより、複数のオブジェクトから、検索クエリに対応する近傍のオブジェクトを抽出する検索処理を実行する。検索処理部133Dは、第1検索範囲と、第1検索範囲よりも範囲が広い第2検索範囲とを用いて、検索処理を実行する。
The
検索処理部133Dは、検索処理が進むにつれて範囲が広がる第1検索範囲を用いて、検索処理を実行する。検索処理部133Dは、複数のグループのうち、検索処理の対象とされた一のグループに基づいて決定される第1検索範囲を用いて、検索処理を実行する。検索処理部133Dは、検索処理中の一のグループに基づいて決定される第1検索範囲を用いて、検索処理を実行する。検索処理部133Dは、検索クエリと、一のグループに含まれるオブジェクトのうち検索クエリに最も近いオブジェクト、または一のグループのセントロイドとの間の距離に基づく第1検索範囲を用いて、検索処理を実行する。
The
検索処理部133Dは、検索処理が進むにつれて範囲が狭まる第2検索範囲を用いて、検索処理を実行する。検索処理部133Dは、複数のオブジェクトのうち、検索処理の対象とされた一のオブジェクトに基づいて決定される第2検索範囲を用いて、検索処理を実行する。検索処理部133Dは、検索処理中において、検索クエリに対応する近傍のオブジェクトの候補として抽出されたオブジェクトのうち、検索クエリから最も遠いオブジェクトである一のオブジェクトに基づいて決定される第2検索範囲を用いて、検索処理を実行する。検索処理部133Dは、検索クエリと、一のオブジェクトとの間の距離に基づく第2検索範囲を用いて、検索処理を実行する。
The
検索処理部133Dは、所定の終了条件を満たした場合、検索処理を終了する。検索処理部133Dは、検索処理の対象としたグループの数が条件を満たした場合、検索処理を終了する。検索処理部133Dは、検索処理の対象としたグループの数が所定の閾値を超えた場合、検索処理を終了する。
The
検索処理部133Dは、所定のグループに関する距離が第2検索範囲を超えた場合、検索処理を終了する。検索処理部133Dは、検索処理中の所定のグループに関する距離が第2検索範囲を超えた場合、検索処理を終了する。検索処理部133Dは、所定のグループに含まれるオブジェクトのうち検索クエリに最も近いオブジェクトと、検索クエリとの間の距離が第2検索範囲を超えた場合、検索処理を終了する。
The
検索処理部133Dは、第1検索範囲と第2検索範囲との大小関係が条件を満たす場合、検索処理を終了する。検索処理部133Dは、第1検索範囲が第2検索範囲を超えた場合、検索処理を終了する。
The
〔5-3.情報処理のフロー〕
次に、図42を用いて、第5の実施形態に係る情報処理の手順について説明する。図42は、第5の実施形態に係る情報処理の一例を示すフローチャートである。
[5-3. Information processing flow]
Next, the information processing procedure according to the fifth embodiment will be described using FIG. 42. FIG. 42 is a flowchart illustrating an example of information processing according to the fifth embodiment.
まず、図42について説明する。例えば、図42は、グループの生成処理の一例を示すフローチャートである。図42に示すように、情報処理装置100Dは、データ検索の対象となる複数のオブジェクトが分類された複数のグループ間がエッジにより連結されたグループ連結グラフを取得する(ステップS801)。例えば、情報処理装置100Dは、ブロブ連結グラフ情報記憶部126からブロブ連結グラフをグループ連結グラフとして取得する。
First, FIG. 42 will be explained. For example, FIG. 42 is a flowchart illustrating an example of group generation processing. As shown in FIG. 42, the information processing apparatus 100D obtains a group connection graph in which a plurality of groups into which a plurality of objects to be data searched are classified are connected by edges (step S801). For example, the information processing device 100D obtains a blob connection graph from the blob connection graph
情報処理装置100Dは、複数のオブジェクトに対する検索クエリを取得する(ステップS802)。例えば、情報処理装置100Dは、ユーザが利用する端末装置10(図4参照)から検索クエリを取得する。 The information processing device 100D obtains search queries for a plurality of objects (step S802). For example, the information processing device 100D obtains a search query from the terminal device 10 (see FIG. 4) used by the user.
情報処理装置100Dは、複数のグループの検索に対応する範囲を示す第1検索範囲と、複数のオブジェクトの検索に対応する範囲を示す第2検索範囲とを用いて、グループ連結グラフを探索することにより、複数のオブジェクトから、検索クエリに対応する近傍のオブジェクトを抽出する検索処理を実行する(ステップS803)。例えば、情報処理装置100Dは、第1検索範囲であるブロブ検索範囲と、第2検索範囲であるオブジェクト検索範囲とを用いて、図43に示す検索処理を実行する。 The information processing device 100D searches for a group connection graph using a first search range indicating a range corresponding to a search of a plurality of groups and a second search range indicating a range corresponding to a search of a plurality of objects. Accordingly, a search process is executed to extract a nearby object corresponding to the search query from a plurality of objects (step S803). For example, the information processing device 100D executes the search process shown in FIG. 43 using a blob search range that is a first search range and an object search range that is a second search range.
〔5-4.検索処理例〕
ここで、第5の実施形態に係る検索処理の一例について、図43を一例として説明する。図43は、第5の実施形態に係る検索処理の一例を示すフローチャートである。以下に説明する検索処理は、情報処理装置100Dの検索処理部133Dによって行われる。なお、第1の実施形態、第2の実施形態、第3の実施形態及び第4の実施形態で説明した検索処理と同様の点については適宜説明を省略する。
[5-4. Search processing example]
Here, an example of the search process according to the fifth embodiment will be described using FIG. 43 as an example. FIG. 43 is a flowchart illustrating an example of search processing according to the fifth embodiment. The search processing described below is performed by the
情報処理装置100Dは、探索ブロブ起点集合を取得し、個々のオブジェクトとクエリとの距離を計算する(ステップS901)。例えば、情報処理装置100Dは、探索の起点となるブロブを示す探索ブロブ起点集合を取得し、探索ブロブ起点集合のブロブに含まれる各オブジェクトとクエリとの距離を計算する。例えば、情報処理装置100Dは、ランダムに探索ブロブ起点集合を選択してもよいし、例えばブロブをリーフとする木構造のインデックス等の所定のインデックスを用いて、探索ブロブ起点集合を選択してもよい。例えば、情報処理装置100Dは、上述した近似距離の算出により、探索ブロブ起点集合のブロブに含まれる各オブジェクトとクエリとの近似距離を計算する。 The information processing device 100D obtains a search blob starting point set and calculates the distance between each object and the query (step S901). For example, the information processing device 100D obtains a search blob starting point set indicating blobs that are search starting points, and calculates the distance between each object included in the blobs in the search blob starting point set and the query. For example, the information processing device 100D may select a search blob origin set at random, or may select a search blob origin set using a predetermined index, such as an index of a tree structure in which blobs are leaves. good. For example, the information processing device 100D calculates the approximate distance between each object included in the blob of the search blob origin set and the query by calculating the approximate distance described above.
情報処理装置100Dは、探索ブロブ起点集合のクエリの最近傍ブロブを現最近傍ブロブB(以下単に「ブロブB」ともいう)とする(ステップS902)。例えば、情報処理装置100Dは、探索ブロブ起点集合のうち、クエリに最も近いブロブを現最近傍ブロブBに決定する。 The information processing device 100D sets the nearest neighbor blob of the query of the search blob origin set as the current nearest neighbor blob B (hereinafter also simply referred to as "blob B") (step S902). For example, the information processing device 100D determines the blob closest to the query as the current nearest neighbor blob B from the search blob origin set.
情報処理装置100Dは、各種パラメータを設定する(ステップS903)。図43では、情報処理装置100Dは、ブロブ検索数を「1」に設定する。また、情報処理装置100Dは、第2検索範囲(オブジェクト検索範囲)を示すオブジェクト検索半径Rを「∞(無限大)」に設定する。例えば、オブジェクト検索半径Rは、第2検索範囲を規定するクエリqを中心とする半径である。また、情報処理装置100Dは、第2探索範囲の一例であるオブジェクト探索半径Eを「∞(無限大)」に設定する。 The information processing device 100D sets various parameters (step S903). In FIG. 43, the information processing apparatus 100D sets the number of blob searches to "1". Further, the information processing device 100D sets the object search radius R indicating the second search range (object search range) to “∞ (infinity)”. For example, the object search radius R is a radius centered on the query q that defines the second search range. Further, the information processing device 100D sets the object search radius E, which is an example of the second search range, to “∞ (infinity)”.
また、情報処理装置100Dは、第1検索範囲(ブロブ検索範囲)の一例であるブロブ検索半径Rbを「d(q,B)」に設定する。例えば、ブロブ検索半径Rbは、第1検索範囲を規定するクエリqを中心とする半径である。例えば、情報処理装置100Dは、ブロブ検索半径Rbを、クエリqと現最近傍ブロブBとの間の距離d(q,B)に設定する。例えば、情報処理装置100Dは、ブロブ検索半径Rbを、クエリqと、現最近傍ブロブBに含まれるオブジェクトのうちクエリqに最も近いオブジェクトとの間の距離d(q,B)に設定する。なお、ブロブ検索半径Rbは、クエリqと現最近傍ブロブBのセントロイドとの間の距離であってもよい。また、情報処理装置100Dは、第1探索範囲(ブロブ検索範囲)を示すブロブ探索半径Ebを「Rb×(1+eb)」に設定する。ここで、パラメータebは、ブロブ探索半径拡大率(「第1検索範囲係数」ともいう)であり、例えば0.1等の任意の値が設定される。例えば、情報処理装置100Dは、ブロブ探索半径Ebを、ブロブ検索半径Rbに1+ebが乗算した値を設定する。 Further, the information processing device 100D sets a blob search radius Rb, which is an example of a first search range (blob search range), to “d(q,B)”. For example, the blob search radius Rb is a radius centered on the query q that defines the first search range. For example, the information processing device 100D sets the blob search radius Rb to the distance d(q,B) between the query q and the current nearest neighbor blob B. For example, the information processing device 100D sets the blob search radius Rb to the distance d(q,B) between the query q and the object closest to the query q among the objects included in the current nearest neighbor blob B. Note that the blob search radius Rb may be the distance between the query q and the centroid of the current nearest neighbor blob B. Further, the information processing device 100D sets the blob search radius Eb indicating the first search range (blob search range) to “Rb×(1+eb)”. Here, the parameter eb is a blob search radius expansion rate (also referred to as a "first search range coefficient"), and is set to an arbitrary value such as 0.1, for example. For example, the information processing device 100D sets the blob search radius Eb to a value obtained by multiplying the blob search radius Rb by 1+eb.
情報処理装置100Dは、ブロブB以外の探索ブロブ起点集合を除外ブロブ集合に追加する(ステップS904)。例えば、情報処理装置100Dは、探索ブロブ起点集合のうち、現最近傍ブロブBを除くブロブを除外ブロブ集合に追加する。 The information processing device 100D adds search blob origin sets other than blob B to the excluded blob set (step S904). For example, the information processing device 100D adds blobs excluding the current nearest neighbor blob B from the search blob origin set to the excluded blob set.
情報処理装置100Dは、探索ブロブ起点集合を未探索ブロブ集合及び距離算出済み集合に追加する(ステップS905)。例えば、情報処理装置100Dは、探索ブロブ起点集合のうち、現最近傍ブロブBを含む全ブロブを、未だ探索の処理対象とされていないことを示す未探索ブロブ集合に追加する。例えば、情報処理装置100Dは、探索ブロブ起点集合のうち、現最近傍ブロブBを含む全ブロブを、そのブロブ内のオブジェクトについて距離算出処理済みであることを示す距離算出済み集合に追加する。 The information processing device 100D adds the search blob origin set to the unsearched blob set and the distance calculated set (step S905). For example, the information processing device 100D adds all blobs including the current nearest neighbor blob B from the search blob origin set to an unsearched blob set indicating that they have not yet been searched. For example, the information processing device 100D adds all blobs including the current nearest neighbor blob B from the search blob origin set to a distance calculation completed set indicating that distance calculation processing has been completed for objects within the blobs.
情報処理装置100Dは、未探索ブロブ集合が空であるかどうかを判定する(ステップS906)。情報処理装置100Dは、未探索ブロブ集合が空ではない場合(ステップS906:No)、未探索ブロブ集合から最もクエリに近いブロブTを取得する(ステップS907)。これにより、未探索ブロブ集合からは未探索ブロブ集合が除かれる。例えば、情報処理装置100Dは、未探索ブロブ集合のうち、クエリqとの間の距離が最も短いブロブをブロブTとして取得する。例えば、クエリqとの間の距離は、クエリqと、ブロブに含まれるオブジェクトのうちクエリqに最も近いオブジェクトとの間の距離である。なお、クエリqとの間の距離は、クエリqとブロブのセントロイドとの間の距離であってもよい。 The information processing device 100D determines whether the unsearched blob set is empty (step S906). If the unsearched blob set is not empty (step S906: No), the information processing device 100D acquires the blob T closest to the query from the unsearched blob set (step S907). As a result, the unsearched blob set is removed from the unsearched blob set. For example, the information processing device 100D obtains, as the blob T, the blob with the shortest distance to the query q from among the set of unsearched blobs. For example, the distance between query q is the distance between query q and the object closest to query q among the objects included in the blob. Note that the distance between the query q and the blob may be the distance between the query q and the centroid of the blob.
情報処理装置100Dは、ブロブTがブロブ探索範囲内にあるかどうかを判定する(ステップS908)。例えば、情報処理装置100Dは、ブロブTのクエリqとの間の距離がブロブ探索半径Eb以下であるかどうかを判定する。 The information processing device 100D determines whether the blob T is within the blob search range (step S908). For example, the information processing device 100D determines whether the distance between the blob T and the query q is less than or equal to the blob search radius Eb.
情報処理装置100Dは、ブロブTがブロブ探索範囲内にある場合(ステップS908:Yes)、ブロブTのエッジで接続されているブロブを全て処理したかどうかを判定する(ステップS909)。例えば、情報処理装置100Dは、ブロブTとの間がエッジで接続されているブロブ(「接続ブロブ」ともいう)についての処理有無を示す情報(「処理有無情報」)を用いて、ブロブTの接続ブロブを全て処理したかどうかを判定する。例えば、情報処理装置100Dは、ブロブTの接続ブロブの処理有無をフラグ等の情報により管理してもよい。例えば、情報処理装置100Dは、記憶部120Cに記憶された処理有無情報を処理状況に応じて更新し、記憶部120C中の処理有無情報を参照して、ブロブTの接続ブロブを全て処理したかどうかを判定してもよい。 If the blob T is within the blob search range (step S908: Yes), the information processing device 100D determines whether all blobs connected by the edges of the blob T have been processed (step S909). For example, the information processing device 100D uses information indicating whether or not to process a blob (also referred to as a "connection blob") that is connected to the blob T by an edge ("processing/non-processing information"). Determine whether all connection blobs have been processed. For example, the information processing device 100D may manage whether or not a connected blob of the blob T is processed using information such as a flag. For example, the information processing device 100D updates the processing presence/absence information stored in the storage unit 120C according to the processing status, and refers to the processing presence/absence information in the storage unit 120C to determine whether all connected blobs of the blob T have been processed. You may decide whether
情報処理装置100Dは、ブロブTのエッジで接続されているブロブを全て処理していない場合(ステップS909:No)、ブロブTからエッジで接続されているブロブJを取得する(ステップS910)。例えば、情報処理装置100Dは、ブロブTとの間がエッジで接続されているブロブのうち、ブロブTのエッジで接続されているブロブとしての処理が未処理であるブロブ(「未処理接続ブロブ」ともいう)をブロブJとして取得する。例えば、情報処理装置100Dは、処理有無情報を参照し、ブロブTとの間がエッジで接続されているブロブのうち、未処理接続ブロブをブロブJとして取得し、ブロブJとして取得したブロブについて処理有無情報を処理済みに更新する。 If the information processing device 100D has not processed all the blobs connected by the edges of the blob T (step S909: No), the information processing device 100D acquires the blob J connected by the edges from the blob T (step S910). For example, the information processing device 100D selects a blob that is unprocessed as a blob that is connected to the blob T by an edge (an "unprocessed connected blob") among blobs that are connected to the blob T by an edge. ) is obtained as blob J. For example, the information processing device 100D refers to the processing presence/absence information, acquires an unprocessed connected blob as a blob J among the blobs connected to the blob T by an edge, and processes the blob acquired as the blob J. Update the presence/absence information to processed.
情報処理装置100Dは、ブロブJが距離算出済み集合に存在するかどうかを判定する(ステップS911)。情報処理装置100Dは、ブロブJが距離算出済み集合に存在する場合(ステップS911:Yes)、ステップS909に戻って処理を行う。 The information processing device 100D determines whether blob J exists in the distance calculation completed set (step S911). If the blob J exists in the distance-calculated set (step S911: Yes), the information processing device 100D returns to step S909 and performs the process.
また、情報処理装置100Dは、ブロブJが距離算出済み集合に存在しない場合(ステップS911:No)、ブロブJを距離算出済み集合に追加し(ステップS912)、ブロブJを未探索ブロブ集合に追加する(ステップS913)。そして、情報処理装置100Dは、ブロブJのセントロイドとクエリの距離Deを算出する(ステップS914)。 Further, if blob J does not exist in the distance calculated set (step S911: No), the information processing device 100D adds blob J to the distance calculated set (step S912), and adds blob J to the unsearched blob set. (Step S913). The information processing device 100D then calculates the distance De between the centroid of the blob J and the query (step S914).
情報処理装置100Dは、距離Deがブロブ検索半径Rbよりも小さいかどうかを判定する(ステップS915)。情報処理装置100Dは、距離Deがブロブ検索半径Rbよりも小さくない場合(ステップS915:No)、ブロブJを除外ブロブ集合に追加し(ステップS916)、ステップS909に戻って処理を行う。 The information processing device 100D determines whether the distance De is smaller than the blob search radius Rb (step S915). If the distance De is not smaller than the blob search radius Rb (step S915: No), the information processing device 100D adds blob J to the excluded blob set (step S916), and returns to step S909 for processing.
また、情報処理装置100Dは、距離Deがブロブ検索半径Rbよりも小さい場合(ステップS915:Yes)、現最近傍ブロブBを除外ブロブ集合に追加し、ブロブJを現最近傍ブロブBとする(ステップS917)。このように、情報処理装置100Dは、距離Deがブロブ検索半径Rbよりも小さい場合、現最近傍ブロブBをブロブJに更新する。 Further, if the distance De is smaller than the blob search radius Rb (step S915: Yes), the information processing device 100D adds the current nearest neighbor blob B to the excluded blob set and sets the blob J as the current nearest neighbor blob B ( Step S917). In this way, the information processing device 100D updates the current nearest neighbor blob B to the blob J when the distance De is smaller than the blob search radius Rb.
そして、情報処理装置100Dは、ブロブJに更新された現最近傍ブロブBを基に、ブロブに関するパラメータを更新する(ステップS918)。図43では、情報処理装置100Dは、ブロブJに更新された現最近傍ブロブBを基にブロブ検索半径Rbを「d(q,B)」に更新する。また、情報処理装置100Dは、更新されたブロブ検索半径Rbを基に、ブロブ探索半径Ebを「Rb×(1+eb)」に更新する。そして、情報処理装置100Dは、ステップS909に戻って処理を行う。 Then, the information processing device 100D updates parameters related to the blob based on the current nearest neighbor blob B that has been updated to the blob J (step S918). In FIG. 43, the information processing device 100D updates the blob search radius Rb to “d(q,B)” based on the current nearest neighbor blob B updated to the blob J. Furthermore, the information processing device 100D updates the blob search radius Eb to “Rb×(1+eb)” based on the updated blob search radius Rb. The information processing apparatus 100D then returns to step S909 and performs the process.
情報処理装置100Dは、ブロブTのエッジで接続されているブロブを全て処理した場合(ステップS909:Yes)、ステップS906に戻って処理を行う。情報処理装置100Dは、未探索ブロブ集合が空である場合(ステップS906:Yes)、ステップS920の処理を行う。また、情報処理装置100Dは、ブロブTがブロブ探索範囲内にない場合(ステップS908:No)、ブロブTを未探索ブロブに戻して(ステップS919)、ステップS920の処理を行う。 When the information processing device 100D has processed all the blobs connected by the edges of the blob T (step S909: Yes), the information processing device 100D returns to step S906 and performs the processing. If the unsearched blob set is empty (step S906: Yes), the information processing device 100D performs the process of step S920. Further, if the blob T is not within the blob search range (step S908: No), the information processing device 100D returns the blob T to an unsearched blob (step S919), and performs the process of step S920.
ステップS920では、情報処理装置100Dは、ブロブ検索数に1加える(ステップS920)。そして、情報処理装置100Dは、ブロブB内の全てのオブジェクトの近似距離を算出し、最短距離を当該ブロブBのブロブ距離とする(ステップS921)。例えば、情報処理装置100Dは、ブロブB内の全オブジェクトについてクエリqとの間の近似距離を算出し、クエリqと、現最近傍ブロブBに含まれるオブジェクトのうちクエリqに最も近いオブジェクトとの間の距離を、ブロブBのブロブ距離に設定する。なお、ブロブBのブロブ距離は、ステップS924での終了判定の処理に用いられる。 In step S920, the information processing device 100D adds 1 to the number of blob searches (step S920). Then, the information processing device 100D calculates the approximate distances of all objects in the blob B, and sets the shortest distance as the blob distance of the blob B (step S921). For example, the information processing device 100D calculates approximate distances between all objects in the blob B and the query q, and calculates the distance between the query q and the object closest to the query q among the objects included in the current nearest neighbor blob B. Set the distance between them to the blob distance of blob B. Note that the blob distance of blob B is used in the end determination process in step S924.
情報処理装置100Dは、ブロブB内の全てのオブジェクトを検索結果集合に追加、ソートし、指定された検索数上位のみを検索結果集合とする(ステップS922)。例えば、情報処理装置100Dは、クエリqの近傍のオブジェクトの候補を示す検索結果集合に、ブロブB内の全てのオブジェクトを追加する。そして、情報処理装置100Dは、ブロブB内のオブジェクトを追加後の検索結果集合内のオブジェクトを、クエリqからの距離が短い方から順にソートすることにより検索結果集合を更新し、更新した検索結果集合のうち指定された検索数(例えば5、10等)よりも下位のオブジェクトを検索結果集合から除外する。例えば、情報処理装置100Dは、ブロブB内のオブジェクトを追加後の検索結果集合内のオブジェクトのうち、クエリqからの距離が短い方から検索数(例えば5、10等)までのオブジェクト(すなわち、検索数の個数のオブジェクト)を残し、その他を除外する。 The information processing device 100D adds all the objects in the blob B to the search result set, sorts them, and sets only the designated top search result set as the search result set (step S922). For example, the information processing device 100D adds all objects in the blob B to a search result set indicating object candidates near the query q. The information processing device 100D then updates the search result set by sorting the objects in the search result set after adding the objects in blob B in descending order of distance from the query q, and updates the search result set with the updated search results. Objects lower than a specified number of searches (for example, 5, 10, etc.) in the set are excluded from the search result set. For example, the information processing device 100D selects objects in the search result set after adding the objects in blob B, starting from the one with the shortest distance from the query q, up to the number of searches (for example, 5, 10, etc.) (i.e., Keep the number of searched objects) and exclude the others.
そして、情報処理装置100Dは、更新された検索結果集合を基に、オブジェクトに関するパラメータを更新する(ステップS923)。図43では、情報処理装置100Dは、更新された検索結果集合を基に、オブジェクト検索半径Rを、検索結果集合内のオブジェクトの最大距離に更新する。例えば、情報処理装置100Dは、オブジェクト検索半径Rを、検索結果集合において内のクエリqから最も遠いオブジェクトの距離に更新する。また、情報処理装置100Dは、更新された検索結果集合を基に、オブジェクト探索半径Eを「R×(1+eo)」に設定する。ここで、パラメータeoは、オブジェクト探索半径拡大率(「第2検索範囲係数」ともいう)であり、例えば0.05等の任意の値が設定される。例えば、パラメータeoは、上述した検索範囲係数「ε」に対応する。例えば、情報処理装置100Dは、オブジェクト探索半径Eを、オブジェクト検索半径Rに1+eoが乗算した値を設定する。パラメータeoとパラメータebとは同じ値であってもよい。 Then, the information processing device 100D updates parameters related to the object based on the updated search result set (step S923). In FIG. 43, the information processing device 100D updates the object search radius R to the maximum distance of objects in the search result set based on the updated search result set. For example, the information processing device 100D updates the object search radius R to the distance of the object furthest from the query q in the search result set. Furthermore, the information processing device 100D sets the object search radius E to “R×(1+eo)” based on the updated search result set. Here, the parameter eo is an object search radius expansion rate (also referred to as a "second search range coefficient"), and is set to an arbitrary value such as 0.05, for example. For example, the parameter eo corresponds to the above-mentioned search range coefficient "ε". For example, the information processing device 100D sets the object search radius E to a value obtained by multiplying the object search radius R by 1+eo. Parameter eo and parameter eb may have the same value.
そして、情報処理装置100Dは、終了基準#1~#3に当てはまるかどうかを判定する(ステップS924)。情報処理装置100Dは、処理状況が各終了条件に基づく終了基準#1~#3のいずれかに当てはまるかどうかを判定する。終了基準#1は、ブロブの検索上限数を超えたら終了とする。例えば、終了基準#1は、パラメータであるブロブ検索数が検索上限数(例えば5、10等の任意の値)を超えることを条件とする基準である。
Then, the information processing device 100D determines whether
終了基準#2は、ブロブ距離がオブジェクトの探索半径を超えたら終了とする。例えば、終了基準#2は、ブロブ距離がオブジェクト探索半径Eを超えることを条件とする基準である。終了基準#3は、ブロブの探索半径がオブジェクトの探索半径を超えたら終了とする。例えば、終了基準#3は、ブロブ探索半径Ebがオブジェクト探索半径Eを超えることを条件とする基準である。なお、上記の終了基準#1~#3は一例に過ぎず、様々な終了基準が用いられてもよい。また、複数の終了基準が組み合わせて用いられてもよい。
情報処理装置100Dは、終了基準#1~#3に当てはまらない場合(ステップS924:No)、除外ブロブ集合から最短距離のブロブを取得し、現最近傍ブロブBとする(ステップS925)。例えば、情報処理装置100Dは、除外ブロブ集合のうち、クエリqとの間の距離が最も短いブロブを現最近傍ブロブBとして取得する。これにより、除外ブロブ集合からはその時点での最短距離のブロブが除かれる。例えば、情報処理装置100Dは、除外ブロブ集合のうち、クエリqとの間の距離が最も短いブロブに現最近傍ブロブBを更新する。
If the
そして、情報処理装置100Dは、最短距離のブロブに更新された現最近傍ブロブBを基に、ブロブに関するパラメータを更新する(ステップS926)。図43では、情報処理装置100Dは、最短距離のブロブに更新された現最近傍ブロブBを基にブロブ検索半径Rbを「d(q,B)」に更新する。また、情報処理装置100Dは、更新されたブロブ検索半径Rbを基に、ブロブ探索半径Ebを「Rb×(1+eb)」に更新する。そして、情報処理装置100Dは、ステップS906に戻って処理を行う。 Then, the information processing device 100D updates parameters regarding the blob based on the current nearest neighbor blob B that has been updated to the blob with the shortest distance (step S926). In FIG. 43, the information processing device 100D updates the blob search radius Rb to "d(q,B)" based on the current nearest neighbor blob B that has been updated to the blob with the shortest distance. Furthermore, the information processing device 100D updates the blob search radius Eb to “Rb×(1+eb)” based on the updated blob search radius Rb. The information processing apparatus 100D then returns to step S906 and performs the process.
また、情報処理装置100Dは、終了基準#1~#3に当てはまる場合(ステップS924:Yes)、処理を終了する。例えば、情報処理装置100Dは、終了基準#1~#3に当てはまる場合、その時点で検索結果集合に含まれるオブジェクトをクエリqの近傍のオブジェクトに決定する。そして、情報処理装置100Dは、クエリqの近傍のオブジェクトに決定したオブジェクトを示す情報を、クエリqを指定した検索の要求元等に提供する。
Further, if the
〔6.第6の実施形態〕
上述した例では、オブジェクトを複数のブロブにクラスタリング(分類)し、各ブロブをさらに複数の量子化クラスタ(単に「クラスタ」ともいう)にクラスタリング(分類)する処理を行う場合を示した。例えば、第4の実施形態及び第5の実施形態では、第1グループ(ブロブ)の個数(第1数)がオブジェクトを量子化する単位となる第2グループ(クラスタ)の個数(第2数)より多い場合を示したが、第2グループ(クラスタ)の個数(第2数)が第1グループ(ブロブ)の個数(第1数)より多くてもよい。例えば、第6の実施形態に係る情報処理装置100Eは、第2グループ(クラスタ)の分類をさらに第1グループ(ブロブ)に分類する階層的なクラスタリング(「階層クラスタリング」ともいう)により第1グループ及び第2グループを生成してもよい。すなわち、第2グループ(クラスタ)の方が第1グループ(ブロブ)よりも上位の階層であってもよい。なお、第4の実施形態及び第5の実施形態で示したように、第1グループ(ブロブ)の方が第2グループ(クラスタ)よりも上位の階層であってもよい。
[6. Sixth embodiment]
In the example described above, a case is shown in which an object is clustered (classified) into a plurality of blobs, and each blob is further clustered (classified) into a plurality of quantized clusters (also simply referred to as "clusters"). For example, in the fourth embodiment and the fifth embodiment, the number (first number) of the first group (blob) is the number (second number) of the second group (cluster) that is the unit for quantizing objects. Although the case where the number of clusters is larger is shown, the number of second groups (clusters) (second number) may be larger than the number of first groups (blobs) (first number). For example, the information processing apparatus 100E according to the sixth embodiment performs hierarchical clustering (also referred to as "hierarchical clustering") in which the classification of the second group (cluster) is further classified into the first group (blob). and a second group may be generated. That is, the second group (cluster) may be in a higher hierarchy than the first group (blob). Note that, as shown in the fourth embodiment and the fifth embodiment, the first group (blob) may be in a higher hierarchy than the second group (cluster).
この点について、以下、第6の実施形態として説明する。第6の実施形態においては、情報処理システム1は、情報処理装置100、情報処理装置100A、情報処理装置100B、情報処理装置100Cまたは情報処理装置100Dに代えて、情報処理装置100Eを有する。なお、第1の実施形態、第2の実施形態、第3の実施形態、第4の実施形態及び第5の実施形態等において上述した内容と同様の点については適宜説明を省略する。
This point will be described below as a sixth embodiment. In the sixth embodiment, the
情報処理装置100Eは、複数のオブジェクトを分類する複数のブロブを示すブロブ情報(第1グループ情報)と、ブロブとは異なる分類となるグループであるクラスタを示すクラスタ情報(第2グループ情報)とを生成する。以下では、複数のオブジェクトを第1グループ(ブロブ)に分類する分類処理を第1分類処理と記載し、複数のオブジェクトを第2グループ(クラスタ)に分類する分類処理を第2分類処理と記載する場合がある。 The information processing device 100E stores blob information (first group information) indicating a plurality of blobs that classify a plurality of objects, and cluster information (second group information) indicating a cluster, which is a group classified differently from the blobs. generate. In the following, a classification process for classifying multiple objects into a first group (blob) will be referred to as a first classification process, and a classification process for classifying multiple objects into a second group (cluster) will be referred to as a second classification process. There are cases.
〔6-1.情報処理〕
まず、図44を用いて、第6の実施形態に係る情報処理の概要を説明する。図44は、第6の実施形態に係る情報処理の一例を示す図である。具体的には、図44は、第6の実施形態における第1グループ及び第2グループの第1の生成例を示す図である。なお、以下では、情報処理装置100Eが第2分類処理を実行した後、第1分類処理を実行する場合を示すが、所望の第1グループ及び第2グループが生成可能であれば、第1分類処理を実行した後、第2分類処理を実行してもよい。
[6-1. Information processing〕
First, an overview of information processing according to the sixth embodiment will be explained using FIG. 44. FIG. 44 is a diagram illustrating an example of information processing according to the sixth embodiment. Specifically, FIG. 44 is a diagram showing a first generation example of the first group and the second group in the sixth embodiment. Note that the following describes a case where the information processing device 100E executes the first classification process after executing the second classification process, but if the desired first group and second group can be generated, the first classification After performing the process, a second classification process may be performed.
情報処理装置100Eによる情報処理の説明に先立って、図44の図示態様について簡単に説明する。図44では、ブロブの区別を実線の太い線で示すとともに、ブロブ間の連結をブロブBLのセントロイドC間を繋ぐ点線で示す。このように、各ブロブBLのセントロイドを区別せずに説明する場合、「セントロイドC」と記載する。例えば、実線のうち、太い線がブロブに対応する分割を示し、細い線がクラスタに対応する分割を示す。例えば、図44では、実線のうち細い線はブロブ内でのクラスタに対応する分割を示す。 Prior to explaining information processing by the information processing device 100E, the illustrated aspect of FIG. 44 will be briefly explained. In FIG. 44, the distinction between blobs is shown by solid thick lines, and the connections between blobs are shown by dotted lines connecting centroids C of blobs BL. In this way, when explaining the centroid of each blob BL without distinguishing it, it will be described as "centroid C." For example, among the solid lines, thick lines indicate divisions corresponding to blobs, and thin lines indicate divisions corresponding to clusters. For example, in FIG. 44, thin solid lines indicate divisions corresponding to clusters within a blob.
図44は、セントロイドCN21~CN30は、各クラスタCL21~CL30の各々のセントロイドを示す。なお、各クラスタCLのセントロイドを区別せずに説明する場合、「セントロイドCN」と記載する。また、図44は、セントロイドC21~C24は、各ブロブBL21~BL24の各々のセントロイドを示す。ブロブBL21には、クラスタCL21、CL22、CL23の3つのクラスタCLが含まれる。クラスタCL21には、ノードN31、N205等が含まれる。ブロブBL22には、クラスタCL24、CL25の2つのクラスタCLが含まれる。ブロブBL23には、クラスタCL26、CL27、CL28の3つのクラスタCLが含まれる。ブロブBL24には、クラスタCL29、CL30の2つのクラスタCLが含まれる。なお、図44に示すブロブBL、クラスタCL及びノードN等は一部であり、処理対象となるブロブBL、クラスタCL及びノードNには、図示したもの以外にも多数のブロブBL、クラスタCL及びノードNが含まれる。なお、空間情報SP71に示すグラフGR71を用いた具体的な検索処理の流れについては図48で示す。 In FIG. 44, centroids CN21 to CN30 indicate the centroids of each cluster CL21 to CL30. In addition, when explaining the centroid of each cluster CL without distinguishing it, it is written as "centroid CN." Further, in FIG. 44, centroids C21 to C24 indicate the centroids of each of the blobs BL21 to BL24. Blob BL21 includes three clusters CL21, CL22, and CL23. Cluster CL21 includes nodes N31, N205, etc. The blob BL22 includes two clusters CL24 and CL25. Blob BL23 includes three clusters CL26, CL27, and CL28. The blob BL24 includes two clusters CL29 and CL30. Note that the blob BL, cluster CL, node N, etc. shown in FIG. Node N is included. Note that the flow of a specific search process using the graph GR71 shown in the spatial information SP71 is shown in FIG.
情報処理装置100Eによる第1グループ及び第2グループの生成処理の一例について説明する。まず、情報処理装置100Eは、第2分類処理を実行し、複数のオブジェクトを複数のブロブに分類するブロブ情報を生成する。例えば、情報処理装置100Eは、任意の方法により、複数のオブジェクトを分類するブロブを示すブロブ情報を生成する。情報処理装置100Eは、k-means等の任意のクラスタリングにより複数のオブジェクトを複数のブロブに分類する第2分類処理を実行する。 An example of the first group and second group generation processing performed by the information processing device 100E will be described. First, the information processing device 100E executes a second classification process to generate blob information for classifying a plurality of objects into a plurality of blobs. For example, the information processing device 100E generates blob information indicating a blob that classifies a plurality of objects using an arbitrary method. The information processing device 100E executes a second classification process of classifying a plurality of objects into a plurality of blobs using arbitrary clustering such as k-means.
図44の例では、情報処理装置100Eは、複数のオブジェクトをブロブBL21~BL24等の複数のブロブに分類する。なお、情報処理装置100Eは、複数のオブジェクトを生成可能であれば、どのような方法によりクラスタを生成してもよい。例えば、情報処理装置100Eは、グラフ(例えばグラフGR71)等のインデックスを用いて、ブロブ情報を生成してもよい。 In the example of FIG. 44, the information processing device 100E classifies a plurality of objects into a plurality of blobs such as blobs BL21 to BL24. Note that the information processing apparatus 100E may use any method to generate clusters as long as it can generate a plurality of objects. For example, the information processing device 100E may generate blob information using an index of a graph (for example, graph GR71).
また、情報処理装置100Eは、複数のオブジェクトを複数のクラスタに分類するクラスタ情報を生成する(ステップS71)。情報処理装置100Eは、任意の方法により、複数のオブジェクトをクラスタCL21~CL30等に分類するクラスタ情報を生成する。例えば、情報処理装置100Eは、第2分類処理を実行により生成した情報を用いて、複数のオブジェクトを複数のクラスタに分類するクラスタ情報を生成する。図44の例では、情報処理装置100Eは、ブロブBL21~BL24等の複数のブロブの各々を複数のクラスタに分類する第1分類処理を実行することにより、複数のオブジェクトを複数のクラスタに分類するクラスタ情報を生成する。情報処理装置100Eは、ブロブBL21~BL24等の複数のブロブの各々に含まれる複数のオブジェクトごとに複数のクラスタに分類することにより、複数のオブジェクトを複数のクラスタに分類するクラスタ情報を生成する。 Further, the information processing device 100E generates cluster information for classifying a plurality of objects into a plurality of clusters (step S71). The information processing device 100E generates cluster information for classifying a plurality of objects into clusters CL21 to CL30, etc., using an arbitrary method. For example, the information processing device 100E uses information generated by executing the second classification process to generate cluster information for classifying a plurality of objects into a plurality of clusters. In the example of FIG. 44, the information processing device 100E classifies a plurality of objects into a plurality of clusters by performing a first classification process of classifying each of a plurality of blobs, such as blobs BL21 to BL24, into a plurality of clusters. Generate cluster information. The information processing device 100E generates cluster information for classifying a plurality of objects into a plurality of clusters by classifying a plurality of objects included in each of a plurality of blobs such as blobs BL21 to BL24 into a plurality of clusters.
なお、上記は一例に過ぎず、情報処理装置100Eは、クラスタを生成可能であれば、どのような方法によりクラスタを生成してもよい。情報処理装置100Eは、k-means等の任意のクラスタリングにより各ノード(オブジェクト)をクラスタCL21~CL30のいずれかに分類してもよい。例えば、情報処理装置100Eは、グラフ等のインデックスを用いて、クラスタを生成してもよい。 Note that the above is just an example, and the information processing apparatus 100E may use any method to generate clusters as long as it can generate clusters. The information processing device 100E may classify each node (object) into one of the clusters CL21 to CL30 using arbitrary clustering such as k-means. For example, the information processing apparatus 100E may generate clusters using an index such as a graph.
図44の例では、情報処理装置100Eは、ブロブBL21~BL24等をさらに分割したクラスタCL21~CL30等のクラスタ情報を生成する。例えば、情報処理装置100Eは、ブロブBL21~BL24ごとに、各ブロブに属するオブジェクトをクラスタリングすることにより、各オブジェクトをクラスタCL21~CL30のいずれかに分類してもよい。 In the example of FIG. 44, the information processing device 100E generates cluster information such as clusters CL21 to CL30, which are obtained by further dividing blobs BL21 to BL24, etc. For example, the information processing device 100E may classify each object into one of the clusters CL21 to CL30 by clustering the objects belonging to each blob BL21 to BL24.
図44の例では、情報処理装置100Eは、ブロブBL21をクラスタCL21、クラスタCL22及びクラスタCL23に分割する。すなわち、情報処理装置100Eは、ブロブBL21属するオブジェクトを、クラスタCL21に属するオブジェクト、クラスタCL22に属するオブジェクト及びクラスタCL23に属するオブジェクトに分類する。なお、図44では、クラスタの境界線がブロブの境界線上にあるように図示したが、分割の方法によっては一致しない場合があり、また方法によっては空間が境界線で分割されるとも限らない。また、図44は、生成処理を説明するためにオブジェクト、セントロイド等を概念的に示すものであり、セントロイド等の位置は正確な位置を示すものではない。 In the example of FIG. 44, the information processing device 100E divides the blob BL21 into a cluster CL21, a cluster CL22, and a cluster CL23. That is, the information processing device 100E classifies objects belonging to the blob BL21 into objects belonging to the cluster CL21, objects belonging to the cluster CL22, and objects belonging to the cluster CL23. Note that although the cluster boundaries are shown to be on the blob boundaries in FIG. 44, they may not match depending on the dividing method, and the space may not always be divided by the boundary lines depending on the dividing method. Further, FIG. 44 conceptually shows objects, centroids, etc. in order to explain the generation process, and the positions of centroids, etc. do not indicate accurate positions.
また、情報処理装置100Eは、ブロブBL22をクラスタCL24及びクラスタCL25に分割する。例えば、情報処理装置100Eは、ブロブBL23をクラスタCL26、CL27及びクラスタCL28に分割する。情報処理装置100Eは、ブロブBL24をクラスタCL29及びクラスタCL30に分割する。このように、情報処理装置100Eは、第1グループの情報を用いて、第2グループの情報を生成する。このように、情報処理装置100Eは、第1分類処理により生成した第1グループ情報を用いて、第2分類処理を行う。 Furthermore, the information processing device 100E divides the blob BL22 into a cluster CL24 and a cluster CL25. For example, the information processing device 100E divides the blob BL23 into clusters CL26, CL27, and cluster CL28. The information processing device 100E divides the blob BL24 into a cluster CL29 and a cluster CL30. In this way, the information processing device 100E uses the first group of information to generate the second group of information. In this way, the information processing device 100E performs the second classification process using the first group information generated by the first classification process.
なお、図44では、情報処理装置100Eは、空間情報SP71に示すように、ブロブ連結グラフであるグラフGR71を生成するが、グラフGR71を生成しなくてもよい。例えば、情報処理装置100Eは、グラフGR71を生成する場合、図23及び図29等と同様の情報を用いた処理によりグラフGR71を生成するが、図23及び図29等での説明と同様であるため詳細な説明を省略する。 Note that in FIG. 44, the information processing device 100E generates the graph GR71, which is a blob connection graph, as shown in the spatial information SP71, but it is not necessary to generate the graph GR71. For example, when generating the graph GR71, the information processing device 100E generates the graph GR71 by processing using information similar to that in FIGS. 23, 29, etc. Therefore, detailed explanation will be omitted.
例えば、情報処理装置100Eは、ブロブ情報を用いて量子化に関する処理を実行する。情報処理装置100Eは、ブロブ情報を用いて複数のオブジェクトを対象とする量子化に関する処理を行う。例えば、情報処理装置100Eは、クラスタCL21~CL30の各々に属するオブジェクトごとに量子化を行うが、この点については後述する。 For example, the information processing device 100E executes processing related to quantization using blob information. The information processing device 100E performs processing related to quantization targeting a plurality of objects using blob information. For example, the information processing device 100E performs quantization for each object belonging to each of the clusters CL21 to CL30, but this point will be described later.
上記のように、情報処理装置100Eは、データ検索の対象となる複数のオブジェクトを分類する複数のクラスタを示すクラスタ情報と、複数のクラスタとは異なる分類となる複数のブロブを示すブロブ情報とを生成する。具体的には、情報処理装置100Eは、第1数の第1グループ(ブロブ)と第1数よりも多い第2数の第2グループ(クラスタ)とを生成する。 As described above, the information processing device 100E stores cluster information indicating a plurality of clusters that classify a plurality of objects that are data search targets, and blob information indicating a plurality of blobs that are classified differently from the plurality of clusters. generate. Specifically, the information processing device 100E generates a first number of first groups (blobs) and a second number of second groups (clusters) that is larger than the first number.
これにより、情報処理装置100Eは、複数のオブジェクトを分類する2種類のグループを生成することができ、オブジェクトを分類するグループを生成することができる。例えば、一つの量子化クラスタ(第2グループ)に複数のブロブ(第1グループ)が包含されるデータ構造の場合に高い検索性能が出ない場合がある。このような場合であっても、情報処理装置100Eは、第1数の第1グループと第1数よりも多い第2数の第2グループとを生成することにより、適切なグループの関係にして検索性能を向上させることが可能となる。 Thereby, the information processing apparatus 100E can generate two types of groups for classifying a plurality of objects, and can generate groups for classifying objects. For example, in the case of a data structure in which a plurality of blobs (first group) are included in one quantization cluster (second group), high search performance may not be achieved. Even in such a case, the information processing device 100E maintains an appropriate group relationship by generating a first group with a first number and a second group with a second number larger than the first number. It becomes possible to improve search performance.
〔6-1-1.他の処理例〕
なお、図44に示した処理は一例に過ぎず、情報処理装置100Eは、ブロブ情報及びクラスタ情報を生成可能であれば、どのような態様の処理により生成を行ってもよい。
[6-1-1. Other processing examples]
Note that the process shown in FIG. 44 is only an example, and the information processing apparatus 100E may perform any type of process to generate blob information and cluster information as long as it is capable of generating the blob information and cluster information.
例えば、情報処理装置100Eは、クラスタに分類するクラスタ情報を生成した後に、ブロブに分類するブロブ情報を生成してもよい。この場合、情報処理装置100Eは、複数のオブジェクトをクラスタに分類するクラスタリングにより、各オブジェクトを複数のクラスタのいずれかの分類するクラスタ情報を生成してもよい。例えば、情報処理装置100Eは、k-means等の任意のクラスタリングにより各オブジェクトをクラスタCL21~CL30のいずれかに分類してもよい。 For example, the information processing device 100E may generate cluster information for classifying into clusters and then generate blob information for classifying into blobs. In this case, the information processing apparatus 100E may generate cluster information for classifying each object into one of the plurality of clusters by performing clustering in which the plurality of objects are classified into clusters. For example, the information processing device 100E may classify each object into one of the clusters CL21 to CL30 using arbitrary clustering such as k-means.
そして、情報処理装置100Eは、クラスタCL21~CL30等のブロブBL21~BL24等に分類するブロブ情報を生成する。情報処理装置100Eは、k-means等の任意のクラスタリングによりクラスタCL21~CL30等を複数のブロブのいずれかに分類してもよい。なお、情報処理装置100Eは、ブロブを生成可能であれば、どのような方法によりブロブを生成してもよい。例えば、情報処理装置100Eは、グラフ等のインデックスを用いて、ブロブを生成してもよい。 Then, the information processing device 100E generates blob information that is classified into blobs BL21 to BL24, etc., such as clusters CL21 to CL30. The information processing device 100E may classify clusters CL21 to CL30, etc. into any of a plurality of blobs using arbitrary clustering such as k-means. Note that the information processing device 100E may use any method to generate blobs as long as it is capable of generating blobs. For example, the information processing device 100E may generate a blob using an index such as a graph.
例えば、情報処理装置100Eは、クラスタCL21、クラスタCL22及びクラスタCL23をブロブBL21に分類する。また、情報処理装置100Eは、クラスタCL24及びクラスタCL25をブロブBL22に分類する。例えば、情報処理装置100Eは、クラスタCL26、CL27及びクラスタCL28をブロブBL23に分類する。情報処理装置100Eは、クラスタCL29及びクラスタCL30をブロブBL24に分類する。これにより、情報処理装置100Eは、第2グループの情報を用いて、第1グループの情報を生成する。このように、情報処理装置100Eは、第2分類処理により生成した第2グループ情報を用いて、第1分類処理を行ってもよい。 For example, the information processing device 100E classifies cluster CL21, cluster CL22, and cluster CL23 into blob BL21. Furthermore, the information processing device 100E classifies cluster CL24 and cluster CL25 into blob BL22. For example, the information processing device 100E classifies clusters CL26, CL27, and cluster CL28 into blob BL23. The information processing device 100E classifies cluster CL29 and cluster CL30 into blob BL24. Thereby, the information processing device 100E generates the first group of information using the second group of information. In this way, the information processing device 100E may perform the first classification process using the second group information generated by the second classification process.
〔6-2.情報処理装置の構成〕
次に、図45を用いて、第6の実施形態に係る情報処理装置100Eの構成について説明する。図45は、第6の実施形態に係る情報処理装置の構成例を示す図である。図45に示すように、情報処理装置100Eは、通信部110と、記憶部120Cと、制御部130Bとを有する。なお、情報処理装置100Eにおいて、情報処理装置100、情報処理装置100A、情報処理装置100B、情報処理装置100Cまたは情報処理装置100Dと同様の点は適宜説明を省略する。
[6-2. Configuration of information processing device]
Next, the configuration of the information processing apparatus 100E according to the sixth embodiment will be described using FIG. 45. FIG. 45 is a diagram illustrating a configuration example of an information processing apparatus according to the sixth embodiment. As shown in FIG. 45, the information processing device 100E includes a
(記憶部120C)
記憶部120Cは、例えば、RAM、フラッシュメモリ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。第6の実施形態に係る記憶部120Cは、図45に示すように、オブジェクト情報記憶部121と、グラフ情報記憶部122と、量子化情報記憶部123と、コードブック情報記憶部124と、ブロブ情報記憶部125と、ブロブ連結グラフ情報記憶部126と、クラスタ情報記憶部127とを有する。
(Storage unit 120C)
The storage unit 120C is realized by, for example, a semiconductor memory device such as a RAM or a flash memory, or a storage device such as a hard disk or an optical disk. As shown in FIG. 45, the storage unit 120C according to the sixth embodiment includes an object
(制御部130E)
制御部130Eは、コントローラ(controller)であり、例えば、CPUやMPUやGPU等によって、情報処理装置100E内部の記憶装置に記憶されている各種プログラム(情報処理プログラムの一例に相当)がRAM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130Eは、コントローラであり、例えば、ASICやFPGA等の集積回路により実現される。
(Control unit 130E)
The control unit 130E is a controller, and allows various programs (corresponding to an example of an information processing program) stored in a storage device inside the information processing device 100E to operate the RAM by, for example, a CPU, MPU, GPU, etc. This is achieved by executing it as a region. Further, the control unit 130E is a controller, and is realized by, for example, an integrated circuit such as an ASIC or an FPGA.
図45に示すように、制御部130Eは、取得部131と、生成部132Eと、検索処理部133Eと、提供部134とを有し、以下に説明する情報処理の機能や作用を実現または実行する。なお、制御部130Eの内部構成は、図45に示した構成に限られず、後述する情報処理を行う構成であれば他の構成であってもよい。
As shown in FIG. 45, the control unit 130E includes an
第6の実施形態に係る取得部131は、データ検索の対象となる複数のオブジェクトを示すオブジェクト情報を取得する。取得部131は、複数のオブジェクトを検索対象とするインデックスを示すインデックス情報を取得する。
The
第6の実施形態に係る取得部131は、第1の実施形態~第5の実施形態に係る取得部131と同様に各種情報を取得する。例えば、取得部131は、データ検索の対象となる複数のオブジェクトを示すオブジェクト情報を取得する。例えば、取得部131は、複数のオブジェクトを検索対象とするインデックスを示すインデックス情報を取得する。
The
(生成部132E)
生成部132Eは、生成部132、生成部132A、生成部132Bまたは生成部132Cと同様に各種情報を生成する。
(Generation unit 132E)
The generating unit 132E generates various information in the same way as the generating unit 132, 132A, 132B, or 132C.
生成部132Eは、取得部131により取得されたオブジェクト情報に基づいて、複数のオブジェクトを分類する第1数のグループである複数の第1グループを示す第1グループ情報と、複数の第1グループとは異なる分類となるグループであって、複数のオブジェクトを分類する第1数よりも多い第2数のグループである複数の第2グループを示す第2グループ情報とを生成する。
Based on the object information acquired by the
生成部132Eは、複数のオブジェクトのうち、複数の第2グループにおいて同じ第2グループに属するオブジェクトを同じ第1グループに分類するグループである第1グループ情報を生成する。生成部132Eは、複数の第2グループのうち二以上の第2グループの各々に属するオブジェクト群が一の第1グループに分類された複数の第1グループを示す第1グループ情報を生成する。 The generation unit 132E generates first group information that is a group that classifies objects belonging to the same second group among the plurality of second groups into the same first group. The generation unit 132E generates first group information indicating a plurality of first groups in which objects belonging to each of two or more second groups among the plurality of second groups are classified into one first group.
生成部132Eは、複数のオブジェクトを対象とする検索処理において一括処理を行うために用いられる複数の第1グループを示す第1グループ情報を生成する。生成部132Eは、複数のオブジェクトに関する距離の算出を一括して行うために用いられる複数の第1グループを示す第1グループ情報を生成する。生成部132Eは、検索処理で用いられる検索クエリとオブジェクトとの距離の算出を並列処理するために用いられる複数の第1グループを示す第1グループ情報を生成する。 The generation unit 132E generates first group information indicating a plurality of first groups used for performing batch processing in a search process targeting a plurality of objects. The generation unit 132E generates first group information indicating a plurality of first groups used to collectively calculate distances regarding a plurality of objects. The generation unit 132E generates first group information indicating a plurality of first groups used to calculate the distance between the search query and the object used in the search process in parallel.
生成部132Eは、複数のオブジェクトを対象とする量子化に関する処理を行うために用いられる複数の第2グループを示す第2グループ情報を生成する。生成部132Eは、量子化の単位となる複数の第2グループを示す第2グループ情報を生成する。生成部132Eは、複数のオブジェクトの各々に対応するベクトルを量子化するために用いられる複数の第2グループを示す第2グループ情報を生成する。 The generation unit 132E generates second group information indicating a plurality of second groups used to perform processing related to quantization targeting a plurality of objects. The generation unit 132E generates second group information indicating a plurality of second groups that are units of quantization. The generation unit 132E generates second group information indicating a plurality of second groups used to quantize vectors corresponding to each of the plurality of objects.
生成部132Eは、複数の第2グループの分類後に、複数の第1グループの分類を行う。生成部132Eは、複数のオブジェクトをクラスタリングすることにより複数の第2グループを示す第2グループ情報を生成する。生成部132Eは、インデックス情報を用いて、複数の第2グループを示す第2グループ情報を生成する。生成部132Eは、第2グループを示す第2グループ情報を用いて、複数の第1グループを示す第1グループ情報を生成する。 After classifying the plurality of second groups, the generation unit 132E performs classification of the plurality of first groups. The generation unit 132E generates second group information indicating a plurality of second groups by clustering a plurality of objects. The generation unit 132E uses the index information to generate second group information indicating a plurality of second groups. The generation unit 132E generates first group information indicating a plurality of first groups using second group information indicating a second group.
生成部132Eは、複数の第2グループをクラスタリングすることにより複数の第1グループを示す第1グループ情報を生成する。生成部132Eは、複数の第1グループの分類後に、複数の第2グループの分類を行う。生成部132Eは、複数のオブジェクトをクラスタリングすることにより複数の第1グループを示す第1グループ情報を生成する。 The generation unit 132E generates first group information indicating a plurality of first groups by clustering a plurality of second groups. After classifying the plurality of first groups, the generation unit 132E performs classification of the plurality of second groups. The generation unit 132E generates first group information indicating a plurality of first groups by clustering a plurality of objects.
生成部132Eは、第1グループを示す第1グループ情報を用いて、複数の第2グループを示す第2グループ情報を生成する。生成部132Eは、複数の第1グループのうち、少なくとも一の第1グループを分割し、二以上の第2グループを生成することにより、複数の第2グループを示す第2グループ情報を生成する。生成部132Eは、各第1グループに属するオブジェクトをクラスタリングし、各第1グループを二以上の第2グループに分割することにより、複数の第2グループを示す第2グループ情報を生成する。 The generation unit 132E generates second group information indicating a plurality of second groups using first group information indicating the first group. The generating unit 132E generates second group information indicating the plurality of second groups by dividing at least one first group among the plurality of first groups and generating two or more second groups. The generation unit 132E generates second group information indicating a plurality of second groups by clustering objects belonging to each first group and dividing each first group into two or more second groups.
生成部132Eは、取得部131により取得されたオブジェクト情報に基づいて、複数のオブジェクトを複数の第1グループに分類する分類処理である第1分類処理と、複数のオブジェクトを複数の第1グループとは異なる分類となるグループである複数の第2グループに分類する分類処理である第2分類処理とのうち、いずれか一方の分類処理を実行し、一方の分類処理後に他方の分類処理を一方の分類処理の結果を用いて実行することにより、複数のオブジェクトを分類する複数の第1グループを示す第1グループ情報と、複数のオブジェクトを分類する複数の第2グループを示す第2グループ情報とを生成する。
The generation unit 132E performs a first classification process, which is a classification process of classifying a plurality of objects into a plurality of first groups, based on the object information acquired by the
生成部132Eは、複数のオブジェクトのうち、複数の第2グループにおいて同じ第2グループに属するオブジェクトを同じ第1グループに分類するグループである第1グループ情報を生成する。生成部132Eは、少なくとも一の第2グループに属するオブジェクト群のうち一のオブジェクトが属する一の第1グループとは異なる他の第1グループに他のオブジェクトが分類された複数の第1グループを示す第1グループ情報を生成する。 The generation unit 132E generates first group information that is a group that classifies objects belonging to the same second group among the plurality of second groups into the same first group. The generating unit 132E indicates a plurality of first groups in which other objects are classified into another first group different from the one first group to which one object belongs among the objects belonging to at least one second group. Generate first group information.
生成部132Eは、一方の分類処理である第2分類処理後に、他方の分類処理である第1分類処理を行うことにより、第1グループ情報と第2グループ情報とを生成する。生成部132Eは、複数のオブジェクトをクラスタリングする第2分類処理により複数の第2グループを示す第2グループ情報を生成する。生成部132Eは、インデックス情報を用いた第2分類処理により、第2グループ情報を生成する。 The generation unit 132E generates the first group information and the second group information by performing the first classification process, which is the other classification process, after the second classification process, which is one of the classification processes. The generation unit 132E generates second group information indicating a plurality of second groups by a second classification process that clusters a plurality of objects. The generation unit 132E generates second group information by a second classification process using index information.
生成部132Eは、第2分類処理により生成した第2グループ情報を用いた第1分類処理により、第1グループ情報を生成する。生成部132Eは、複数のオブジェクトをクラスタリングしたクラスタリング結果を用いた第1分類処理により複数の第1グループを示す第1グループ情報を生成する。 The generation unit 132E generates first group information through a first classification process using the second group information generated through the second classification process. The generation unit 132E generates first group information indicating a plurality of first groups by performing a first classification process using a clustering result obtained by clustering a plurality of objects.
生成部132Eは、複数の第2グループの各々に対応する第2セントロイドを用いた第1分類処理により、第1グループ情報を生成する。生成部132Eは、第2グループの各々を、第1グループのうち、属するオブジェクトが最大の第1グループである候補第1グループに属させる第1分類処理により、第1グループ情報を生成する。 The generation unit 132E generates first group information through a first classification process using second centroids corresponding to each of the plurality of second groups. The generation unit 132E generates first group information by performing a first classification process that causes each of the second groups to belong to a candidate first group, which is the first group to which the largest object belongs among the first groups.
生成部132Eは、第2グループの各々を複数に分割した部分グループに対応する部分セントロイドを用いた第1分類処理により、第1グループ情報を生成する。生成部132Eは、第2グループの各々を、第1グループのうち、属する部分セントロイドが最大の第1グループである候補第1グループに属させる第1分類処理により、第1グループ情報を生成する。 The generation unit 132E generates first group information by performing a first classification process using partial centroids corresponding to partial groups obtained by dividing each of the second groups into a plurality of parts. The generation unit 132E generates first group information through a first classification process that causes each of the second groups to belong to a candidate first group, which is the first group to which the partial centroid to which it belongs is the largest among the first groups. .
生成部132Eは、一の第2グループに候補第1グループが複数ある場合、複数の候補第1グループのうち、一の第2グループに対応する第2セントロイドにセントロイドの最も近い第1グループに一の第2グループを属させる第1分類処理により、第1グループ情報を生成する。 When there are a plurality of candidate first groups in one second group, the generation unit 132E selects the first group whose centroid is closest to the second centroid corresponding to one second group among the plurality of candidate first groups. First group information is generated by a first classification process that assigns one second group to the second group.
(検索処理部133E)
検索処理部133Eは、図48に示す検索処理を実行する。例えば、検索処理部133Eは、検索処理部133、検索処理部133A、検索処理部133B、検索処理部133C、または検索処理部133Dと同様に検索処理に関する各種処理を行う。検索処理部133Eは、記憶部120Cに記憶された情報を用いた処理を行う。検索処理部133Eは、生成部132Eにより生成された情報を用いた処理を行う。
(
The
例えば、検索処理部133Eは、複数のグループの検索に対応する範囲を示す第1検索範囲と、複数のオブジェクトの検索に対応する範囲を示す第2検索範囲とを用いて、グループ連結グラフを探索することにより、複数のオブジェクトから、検索クエリに対応する近傍のオブジェクトを抽出する検索処理を実行する。検索処理部133Eは、第1検索範囲と、第1検索範囲よりも範囲が広い第2検索範囲とを用いて、検索処理を実行する。なお、検索処理部133Eが実行する検索処理は、第2グループの第2数が第1グループの第1数よりも多い情報を対象とする点以外、検索処理部133Dと同様であるため、詳細な説明は省略する。
For example, the
〔6-3.転置インデックス例〕
ここから、図46を用いて、第6の実施形態における転置インデックスの例について説明する。図46は、第6の実施形態に係る転置インデックスの一例を示す図である。なお、図46及び図36で示した転置インデックスと同様の点については適宜説明を省略する。
[6-3. Transposed index example]
An example of a transposed index in the sixth embodiment will now be described using FIG. 46. FIG. 46 is a diagram illustrating an example of a transposed index according to the sixth embodiment. Note that descriptions of points similar to the transposed index shown in FIGS. 46 and 36 will be omitted as appropriate.
まず、図46に示す転置インデックスIND3について説明する。図46に示す転置インデックスIND3は、「ブロブID」、「クラスタ数」、「クラスタ#1」、「クラスタ#2」等といった項目が含まれる。なお、図46では「クラスタ#1」、「クラスタ#2」の2つを図示するが、転置インデックスIND3には、各ブロブ(第1グループ)に属するクラスタ(第2グループ)の数に対応する数の項目が含まれる。以下、「クラスタ#1」、「クラスタ#2」等を総称する場合、「クラスタ」と記載する場合がある。
First, the transposed index IND3 shown in FIG. 46 will be explained. The transposed index IND3 shown in FIG. 46 includes items such as "blob ID", "number of clusters", "
「クラスタ#1」、「クラスタ#2」等の「クラスタ」には、「クラスタID」、「量子化オブジェクト数」、「量子化オブジェクト」等といった項目が含まれる。なお、図46では、「量子化オブジェクト」に配列(リスト)のような形式で複数の量子化オブジェクトに関すル情報が記憶される場合を示すが、図35等の「量子化オブジェクト#1」、「量子化オブジェクト#2」、「量子化オブジェクト#3」、および「量子化オブジェクト#4」等のように個別の項目が含まれてもよい。
“Clusters” such as “
「ブロブID」は、第1グループであるブロブを識別するための識別情報を示す。「クラスタ数」は、対応するブロブに属するクラスタの数を示す。「クラスタ」は、対応するブロブに属するクラスタに関する情報を示す。 “Blob ID” indicates identification information for identifying blobs that are the first group. "Number of clusters" indicates the number of clusters belonging to the corresponding blob. “Cluster” indicates information regarding clusters belonging to the corresponding blob.
「クラスタID」は、第2グループであるクラスタを識別するための識別情報を示す。「量子化オブジェクト数」は、クラスタに属するオブジェクト数を示す。「量子化オブジェク」は、量子化されたオブジェクトを示す。例えば、「量子化オブジェクト」には、オブジェクトが直積量子化され、各部分ベクトルに対応するコードブックを示す情報の一覧が記憶される。 "Cluster ID" indicates identification information for identifying the cluster that is the second group. "Number of quantized objects" indicates the number of objects belonging to a cluster. "Quantized object" indicates a quantized object. For example, in "quantization object", an object is subjected to product quantization, and a list of information indicating the codebook corresponding to each partial vector is stored.
図46の例では、ブロブID「1」であるブロブには、4つのクラスタが属することを示す。ブロブID「1」であるブロブには、クラスタID「2」であるクラスタ、クラスタID「5」であるクラスタ等が属することを示す。 The example in FIG. 46 shows that four clusters belong to the blob with blob ID "1". This indicates that a cluster with cluster ID "2", a cluster with cluster ID "5", etc. belong to the blob with blob ID "1".
また、クラスタID「2」であるクラスタに属するオブジェクト数が4つであることを示す。クラスタID「2」であるクラスタに属するオブジェクトを示す情報がクラスタID「2」に対応付けられる。例えば、クラスタID「2」であるクラスタに属するオブジェクトが順番に並べられた一覧リストを示す情報がクラスタID「2」に対応付けられる。 It also shows that the number of objects belonging to the cluster with cluster ID "2" is four. Information indicating an object belonging to the cluster with cluster ID "2" is associated with cluster ID "2". For example, information indicating a list in which objects belonging to the cluster with cluster ID "2" are arranged in order is associated with cluster ID "2".
また、クラスタID「2」であるクラスタについて、「量子化オブジェクト」には「4、2、8、10」が格納され、そのオブジェクトが4つの部分ベクトルで構成され、それぞれコードブック「4」、「2」、「8」、「10」で量子化されていることを示す。例えば、クラスタID「2」であるクラスタに属するオブジェクトのうち1つ目のオブジェクトについては、4つ分割された部分ベクトルのうち、最初の部分ベクトルがコードブック「4」で量子化され、2番目の部分ベクトルがコードブック「2」で量子化され、3番目の部分ベクトルがコードブック「8」で量子化され、最後の部分ベクトルがコードブック「10」で量子化されることを示す。 Furthermore, for the cluster with cluster ID "2", "4, 2, 8, 10" are stored in the "quantization object", and the object is composed of four partial vectors, each with codebook "4", It shows that it is quantized with "2", "8", and "10". For example, for the first object belonging to the cluster with cluster ID "2", the first partial vector among the four divided partial vectors is quantized with codebook "4", and the second The subvector of is quantized with codebook "2", the third subvector is quantized with codebook "8", and the last subvector is quantized with codebook "10".
また、クラスタID「2」であるクラスタについて、「量子化オブジェクト」には「5、6、2、0」が格納され、そのオブジェクトが4つの部分ベクトルで構成され、それぞれコードブック「5」、「6」、「2」、「0」で量子化されていることを示す。例えば、クラスタID「2」であるクラスタに属するオブジェクトのうち2つ目のオブジェクトについては、4つ分割された部分ベクトルのうち、最初の部分ベクトルがコードブック「5」で量子化され、2番目の部分ベクトルがコードブック「6」で量子化され、3番目の部分ベクトルがコードブック「2」で量子化され、最後の部分ベクトルがコードブック「0」で量子化されることを示す。 Furthermore, for the cluster with the cluster ID "2", "5, 6, 2, 0" are stored in the "quantization object", and the object is composed of four partial vectors, each of which has the codebook "5", It shows that it is quantized with "6", "2", and "0". For example, for the second object belonging to the cluster with cluster ID "2", the first partial vector of the four divided partial vectors is quantized with codebook "5", and the second The subvector is quantized with codebook "6", the third subvector is quantized with codebook "2", and the last subvector is quantized with codebook "0".
なお、転置インデックスIND3は、上記に限らず、目的に応じて種々の情報を記憶してもよい。例えば、転置インデックスIND3は、各量子化オブジェクトを示す情報(オブジェクトID等)を各量子化オブジェクトに対応付けて記憶してもよい。 Note that the transposed index IND3 is not limited to the above, and may store various information depending on the purpose. For example, the transposed index IND3 may store information indicating each quantization object (object ID, etc.) in association with each quantization object.
上述したように、転置インデックスには、クラスタを識別する情報(クラスタID)が付与されており、情報処理装置100Eは、転置インデックスを用いて残差ベクトルを算出する。例えば、残差ベクトルはインデックスの生成および検索時に用いられるが、特許文献3等の従来技術における処理と同様であるため詳細な説明を適宜省略する。
As described above, information for identifying clusters (cluster ID) is attached to the transposed index, and the information processing device 100E calculates the residual vector using the transposed index. For example, the residual vector is used during index generation and search, but since the process is similar to that in conventional techniques such as
〔6-4.情報処理のフロー〕
次に、図47を用いて、第6の実施形態に係る情報処理の手順について説明する。図47は、第6の実施形態に係る情報処理の一例を示すフローチャートである。
[6-4. Information processing flow]
Next, the information processing procedure according to the sixth embodiment will be explained using FIG. 47. FIG. 47 is a flowchart illustrating an example of information processing according to the sixth embodiment.
まず、図47について説明する。例えば、図47は、グループの生成処理の一例を示すフローチャートである。図47に示すように、情報処理装置100Eは、データ検索の対象となる複数のオブジェクトを示すオブジェクト情報を取得する(ステップS1001)。例えば、情報処理装置100Eは、オブジェクト情報記憶部121から複数のオブジェクトを示すオブジェクト情報を取得する。
First, FIG. 47 will be explained. For example, FIG. 47 is a flowchart illustrating an example of group generation processing. As shown in FIG. 47, the information processing apparatus 100E acquires object information indicating a plurality of objects that are data search targets (step S1001). For example, the information processing device 100E obtains object information indicating a plurality of objects from the object
情報処理装置100Eは、オブジェクト情報に基づいて、複数のオブジェクトを分類する第1数のグループである複数の第1グループを示す第1グループ情報を生成する(ステップS1002)。例えば、情報処理装置100Eは、オブジェクト情報に基づいて、複数のオブジェクトを分類する複数のブロブを示すブロブ情報を生成する。 The information processing device 100E generates first group information indicating a plurality of first groups, which are a first number of groups into which a plurality of objects are classified, based on the object information (step S1002). For example, the information processing device 100E generates blob information indicating a plurality of blobs that classify a plurality of objects based on the object information.
情報処理装置100Eは、複数の第1グループとは異なる分類となるグループであって、複数のオブジェクトを分類する第1数よりも多い第2数のグループである複数の第2グループを示す第2グループ情報とを生成する(ステップS1003)。例えば、情報処理装置100Eは、第1グループの第1数よりも多い第2数の第2グループを生成する。 The information processing device 100E is configured to display a plurality of second groups that are classified into a group different from the plurality of first groups and have a second number larger than the first number for classifying the plurality of objects. Group information is generated (step S1003). For example, the information processing device 100E generates second groups with a second number greater than the first number of first groups.
〔6-5.検索処理例〕
ここで、第6の実施形態に係る検索処理の一例について、図48を一例として説明する。図48は、第6の実施形態に係る検索処理の一例を示すフローチャートである。以下に説明する検索処理は、情報処理装置100Eの検索処理部133Eによって行われる。図48中のステップS1101~S1128の各々の処理は、図43中のステップS901~S928の各々に対応する。そのため、ステップS1101~S1128の各々の処理において、ステップS901~S928の処理と同様の点については適宜説明を省略する。例えば、図48の処理と図43の処理とは、ステップS1121がステップS921での処理に一部変更がある点以外、図48の処理と図43の処理とは同様である。
[6-5. Search processing example]
Here, an example of the search process according to the sixth embodiment will be described using FIG. 48 as an example. FIG. 48 is a flowchart illustrating an example of search processing according to the sixth embodiment. The search processing described below is performed by the
情報処理装置100Eは、探索ブロブ起点集合を取得し、個々のオブジェクトとクエリとの距離を計算する(ステップS1101)。情報処理装置100Eは、探索ブロブ起点集合のクエリの最近傍ブロブを現最近傍ブロブB(ブロブB)とする(ステップS1102)。情報処理装置100Eは、各種パラメータを設定する(ステップS1103)。 The information processing device 100E obtains the search blob starting point set and calculates the distance between each object and the query (step S1101). The information processing device 100E sets the nearest neighbor blob of the query of the search blob origin set as the current nearest neighbor blob B (blob B) (step S1102). The information processing device 100E sets various parameters (step S1103).
情報処理装置100Eは、ブロブB以外の探索ブロブ起点集合を除外ブロブ集合に追加する(ステップS1104)。情報処理装置100Eは、探索ブロブ起点集合を未探索ブロブ集合及び距離算出済み集合に追加する(ステップS1105)。 The information processing device 100E adds search blob origin sets other than blob B to the excluded blob set (step S1104). The information processing device 100E adds the search blob origin set to the unsearched blob set and the distance calculated set (step S1105).
情報処理装置100Eは、未探索ブロブ集合が空であるかどうかを判定する(ステップS1106)。情報処理装置100Eは、未探索ブロブ集合が空ではない場合(ステップS1106:No)、未探索ブロブ集合から最もクエリに近いブロブTを取得する(ステップS1107)。 The information processing device 100E determines whether the unsearched blob set is empty (step S1106). If the unsearched blob set is not empty (step S1106: No), the information processing device 100E acquires the blob T closest to the query from the unsearched blob set (step S1107).
情報処理装置100Eは、ブロブTがブロブ探索範囲内にあるかどうかを判定する(ステップS1108)。情報処理装置100Eは、ブロブTがブロブ探索範囲内にある場合(ステップS1108:Yes)、ブロブTのエッジで接続されているブロブを全て処理したかどうかを判定する(ステップS1109)。例えば、情報処理装置100Eは、ブロブTとの間がエッジで接続されているブロブ(接続ブロブ)についての処理有無を示す情報(処理有無情報)を用いて、ブロブTの接続ブロブを全て処理したかどうかを判定する。例えば、情報処理装置100Eは、ブロブTの接続ブロブの処理有無をフラグ等の情報により管理してもよい。例えば、情報処理装置100Eは、記憶部120Cに記憶された処理有無情報を処理状況に応じて更新し、記憶部120C中の処理有無情報を参照して、ブロブTの接続ブロブを全て処理したかどうかを判定してもよい。 The information processing device 100E determines whether the blob T is within the blob search range (step S1108). If the blob T is within the blob search range (step S1108: Yes), the information processing device 100E determines whether all blobs connected by the edges of the blob T have been processed (step S1109). For example, the information processing device 100E processes all connected blobs of blob T using information (processing presence/absence information) indicating whether or not to process blobs (connection blobs) that are connected to blob T by an edge. Determine whether or not. For example, the information processing device 100E may manage whether or not a connected blob of the blob T is processed using information such as a flag. For example, the information processing device 100E updates the processing presence/absence information stored in the storage unit 120C according to the processing status, and refers to the processing presence/absence information in the storage unit 120C to determine whether all connected blobs of the blob T have been processed. You may decide whether
情報処理装置100Eは、ブロブTのエッジで接続されているブロブを全て処理していない場合(ステップS1109:No)、ブロブTからエッジで接続されているブロブJを取得する(ステップS1110)。 If the information processing device 100E has not processed all the blobs connected by the edges of the blob T (step S1109: No), the information processing device 100E acquires the blob J connected by the edges from the blob T (step S1110).
情報処理装置100Eは、ブロブJが距離算出済み集合に存在するかどうかを判定する(ステップS1111)。情報処理装置100Eは、ブロブJが距離算出済み集合に存在する場合(ステップS1111:Yes)、ステップS1109に戻って処理を行う。 The information processing device 100E determines whether blob J exists in the distance calculation completed set (step S1111). If the blob J exists in the distance calculation completed set (step S1111: Yes), the information processing device 100E returns to step S1109 and performs the process.
また、情報処理装置100Eは、ブロブJが距離算出済み集合に存在しない場合(ステップS1111:No)、ブロブJを距離算出済み集合に追加し(ステップS1112)、ブロブJを未探索ブロブ集合に追加する(ステップS1113)。そして、情報処理装置100Eは、ブロブJのセントロイドとクエリの距離Deを算出する(ステップS1114)。 Furthermore, if blob J does not exist in the distance calculated set (step S1111: No), the information processing device 100E adds blob J to the distance calculated set (step S1112), and adds blob J to the unsearched blob set. (Step S1113). The information processing device 100E then calculates the distance De between the centroid of the blob J and the query (step S1114).
情報処理装置100Eは、距離Deがブロブ検索半径Rbよりも小さいかどうかを判定する(ステップS1115)。情報処理装置100Eは、距離Deがブロブ検索半径Rbよりも小さくない場合(ステップS1115:No)、ブロブJを除外ブロブ集合に追加し(ステップS1116)、ステップS1109に戻って処理を行う。 The information processing device 100E determines whether the distance De is smaller than the blob search radius Rb (step S1115). If the distance De is not smaller than the blob search radius Rb (step S1115: No), the information processing device 100E adds blob J to the excluded blob set (step S1116), and returns to step S1109 for processing.
また、情報処理装置100Eは、距離Deがブロブ検索半径Rbよりも小さい場合(ステップS1115:Yes)、現最近傍ブロブBを除外ブロブ集合に追加し、ブロブJを現最近傍ブロブBとする(ステップS1117)。このように、情報処理装置100Eは、距離Deがブロブ検索半径Rbよりも小さい場合、現最近傍ブロブBをブロブJに更新する。 Further, if the distance De is smaller than the blob search radius Rb (step S1115: Yes), the information processing device 100E adds the current nearest neighbor blob B to the excluded blob set and sets the blob J as the current nearest neighbor blob B ( Step S1117). In this way, the information processing device 100E updates the current nearest neighbor blob B to the blob J when the distance De is smaller than the blob search radius Rb.
そして、情報処理装置100Eは、ブロブJに更新された現最近傍ブロブBを基に、ブロブに関するパラメータを更新する(ステップS1118)。図48では、情報処理装置100Eは、ブロブJに更新された現最近傍ブロブBを基にブロブ検索半径Rbを「d(q,B)」に更新する。また、情報処理装置100Eは、更新されたブロブ検索半径Rbを基に、ブロブ探索半径Ebを「Rb×(1+eb)」に更新する。そして、情報処理装置100Eは、ステップS1109に戻って処理を行う。 The information processing device 100E then updates the parameters regarding the blob based on the current nearest neighbor blob B that has been updated to the blob J (step S1118). In FIG. 48, the information processing device 100E updates the blob search radius Rb to "d(q,B)" based on the current nearest neighbor blob B updated to blob J. Furthermore, the information processing device 100E updates the blob search radius Eb to “Rb×(1+eb)” based on the updated blob search radius Rb. The information processing apparatus 100E then returns to step S1109 and performs the process.
情報処理装置100Eは、ブロブTのエッジで接続されているブロブを全て処理した場合(ステップS1109:Yes)、ステップS1106に戻って処理を行う。情報処理装置100Eは、未探索ブロブ集合が空である場合(ステップS1106:Yes)、ステップS1120の処理を行う。また、情報処理装置100Eは、ブロブTがブロブ探索範囲内にない場合(ステップS1108:No)、ブロブTを未探索ブロブに戻して(ステップS1119)、ステップS1120の処理を行う。 When the information processing device 100E has processed all the blobs connected by the edges of the blob T (step S1109: Yes), the information processing device 100E returns to step S1106 and performs the processing. If the unsearched blob set is empty (step S1106: Yes), the information processing device 100E performs the process of step S1120. Further, if the blob T is not within the blob search range (step S1108: No), the information processing device 100E returns the blob T to an unsearched blob (step S1119), and performs the process of step S1120.
ステップS1120では、情報処理装置100Eは、ブロブ検索数に1加える(ステップS1120)。そして、情報処理装置100Eは、ブロブB内の全てのクラスタごとにクラスタ内の全てのオブジェクトの近似距離を算出し、最短距離を当該ブロブBのブロブ距離とする(ステップS1121)。このように、図48では、情報処理装置100Eは、ブロブBに属するクラスタの各々についてそのクラスタ内の全てのオブジェクトの近似距離を算出し、近似距離を算出した全てのオブジェクトの距離のうち、最短距離を当該ブロブBのブロブ距離とする。 In step S1120, the information processing device 100E adds 1 to the number of blob searches (step S1120). Then, the information processing device 100E calculates approximate distances of all objects in the cluster for each cluster in the blob B, and sets the shortest distance as the blob distance of the blob B (step S1121). In this way, in FIG. 48, the information processing device 100E calculates approximate distances of all objects in the cluster for each cluster belonging to blob B, and calculates the shortest distance among all the objects for which the approximate distances have been calculated. Let the distance be the blob distance of the blob B.
情報処理装置100Eは、ブロブB内の全てのオブジェクトを検索結果集合に追加、ソートし、指定された検索数上位のみを検索結果集合とする(ステップS1122)。そして、情報処理装置100Eは、更新された検索結果集合を基に、オブジェクトに関するパラメータを更新する(ステップS1123)。そして、情報処理装置100Eは、終了基準#1~#3に当てはまるかどうかを判定する(ステップS1124)。
The information processing device 100E adds all the objects in the blob B to the search result set, sorts them, and sets only the designated top search result set as the search result set (step S1122). Then, the information processing device 100E updates parameters related to the object based on the updated search result set (step S1123). The information processing device 100E then determines whether
情報処理装置100Eは、終了基準#1~#3に当てはまらない場合(ステップS1124:No)、除外ブロブ集合から最短距離のブロブを取得し、現最近傍ブロブBとする(ステップS1125)。
If the
そして、情報処理装置100Eは、最短距離のブロブに更新された現最近傍ブロブBを基に、ブロブに関するパラメータを更新する(ステップS1126)。図48では、情報処理装置100Eは、最短距離のブロブに更新された現最近傍ブロブBを基にブロブ検索半径Rbを「d(q,B)」に更新する。また、情報処理装置100Eは、更新されたブロブ検索半径Rbを基に、ブロブ探索半径Ebを「Rb×(1+eb)」に更新する。そして、情報処理装置100Eは、ステップS1106に戻って処理を行う。 Then, the information processing device 100E updates parameters regarding the blob based on the current nearest neighbor blob B that has been updated to the blob with the shortest distance (step S1126). In FIG. 48, the information processing device 100E updates the blob search radius Rb to "d(q,B)" based on the current nearest neighbor blob B that has been updated to the blob with the shortest distance. Furthermore, the information processing device 100E updates the blob search radius Eb to “Rb×(1+eb)” based on the updated blob search radius Rb. The information processing apparatus 100E then returns to step S1106 and performs the process.
また、情報処理装置100Eは、終了基準#1~#3に当てはまる場合(ステップS1124:Yes)、処理を終了する。例えば、情報処理装置100Eは、終了基準#1~#3に当てはまる場合、その時点で検索結果集合に含まれるオブジェクトをクエリqの近傍のオブジェクトに決定する。そして、情報処理装置100Eは、クエリqの近傍のオブジェクトに決定したオブジェクトを示す情報を、クエリqを指定した検索の要求元等に提供する。
Further, if the
〔6-6.グループの生成例〕
なお、上述した第1の生成例は、グループ生成の一例に過ぎず、情報処理装置100Eは、様々な態様のグループを生成してもよい。図44では、情報処理装置100Eは、階層クラスタリングにより、第1グループをさらに分割したグループを第2グループとして生成(クラスタリング)する場合を一例として説明したが、情報処理装置100Eは、階層クラスタリングに限らず様々な処理により第1グループ及び第2グループを生成してもよい。この点の例示である第2~4の生成例ついて、図49~図51を用いて説明する。図49~図51は、第1グループ及び第2グループの生成の一例を示す図である。なお、上述した処理と同様の点については適宜説明を省略する。
[6-6. Group generation example]
Note that the first generation example described above is only an example of group generation, and the information processing apparatus 100E may generate groups in various ways. In FIG. 44, the information processing apparatus 100E uses hierarchical clustering to generate (clustering) a group by further dividing the first group as the second group. However, the information processing apparatus 100E is limited to hierarchical clustering. The first group and the second group may be generated by various processes. The second to fourth generation examples illustrating this point will be explained using FIGS. 49 to 51. FIGS. 49 to 51 are diagrams showing examples of generation of the first group and the second group. Note that descriptions of points similar to those described above will be omitted as appropriate.
〔6-6-1.第2の生成例〕
まず、図49を用いて、第2の生成例について説明する。図49は、第1グループ及び第2グループの生成の一例を示す図である。具体的には、図49は、第6の実施形態における第1グループ及び第2グループの第2の生成例を示す図である。
[6-6-1. Second generation example]
First, a second generation example will be described using FIG. 49. FIG. 49 is a diagram illustrating an example of generation of the first group and the second group. Specifically, FIG. 49 is a diagram showing a second generation example of the first group and the second group in the sixth embodiment.
図49での図示態様について簡単に説明する。図49では、クラスタの境界を実線で示し、ブロブの境界を一点鎖線で示す。また、図49では、各クラスタがどのブロブに属するかを、クラスタCLのセントロイドCNとブロブBLのセントロイドCとの間を点線で繋ぐことにより示す。例えば、クラスタCL34のセントロイドCN34及びクラスタCL35のセントロイドCN35がブロブBL33のセントロイドC33と繋がれているため、図49では、クラスタCL34及びクラスタCL35がブロブBL33に属する場合を示す。なお、図49は、生成処理を説明するためにオブジェクト、セントロイド等を概念的に示すものであり、セントロイド等の位置は正確な位置を示すものではない。 The illustrated aspect in FIG. 49 will be briefly described. In FIG. 49, the boundaries of clusters are shown by solid lines, and the boundaries of blobs are shown by dashed lines. Further, in FIG. 49, which blob each cluster belongs to is shown by connecting the centroid CN of the cluster CL and the centroid C of the blob BL with a dotted line. For example, since centroid CN34 of cluster CL34 and centroid CN35 of cluster CL35 are connected to centroid C33 of blob BL33, FIG. 49 shows a case where cluster CL34 and cluster CL35 belong to blob BL33. Note that FIG. 49 conceptually shows objects, centroids, etc. in order to explain the generation process, and the positions of centroids, etc. do not indicate exact positions.
ここから、情報処理装置100Eによる第2の生成例に関する情報処理について説明する。情報処理装置100Eは、複数のオブジェクトを複数のクラスタに分類するクラスタ情報を生成する。図49の例では、情報処理装置100Eは、空間情報SP72に示すように、任意の方法により、複数のオブジェクトをクラスタCL31~CL40等に分類するクラスタ情報を生成する。情報処理装置100Eは、k-means等の任意のクラスタリングにより各ノードをクラスタCL31~CL40のいずれかに分類してもよい。なお、情報処理装置100Eは、クラスタを生成可能であれば、どのような方法によりクラスタを生成してもよい。 From here, information processing regarding the second generation example by the information processing apparatus 100E will be described. The information processing device 100E generates cluster information that classifies multiple objects into multiple clusters. In the example of FIG. 49, the information processing device 100E generates cluster information for classifying a plurality of objects into clusters CL31 to CL40, etc., using an arbitrary method, as shown in spatial information SP72. The information processing device 100E may classify each node into one of clusters CL31 to CL40 using arbitrary clustering such as k-means. Note that the information processing apparatus 100E may use any method to generate clusters as long as the clusters can be generated.
そして、情報処理装置100Eは、複数のクラスタを複数のブロブに分類するブロブ情報を生成する。例えば、情報処理装置100Eは、クラスタCL31~CL40等の各々のセントロイドCN31~CN40等を用いて、クラスタCL31~CL40等を分類するブロブを示すブロブ情報を生成する。このように、情報処理装置100Eは、複数の第2グループの各々に対応する第2セントロイドを用いた第1分類処理により、第1グループ情報を生成する。例えば、情報処理装置100Eは、k-means等の任意のクラスタリングによりクラスタCL31~CL40等の各々のセントロイドCN31~CN40等を複数のブロブのいずれかに分類する。例えば、情報処理装置100Eは、クラスタCLの第2数よりも少ない第1数のセントロイドCNを生成し、生成したセントロイドCNにブロブBLのセントロイドCNを対応付けることにより、クラスタCLをブロブBLのいずれかに分類する。 The information processing device 100E then generates blob information that classifies the multiple clusters into multiple blobs. For example, the information processing device 100E uses the centroids CN31 to CN40 of each of the clusters CL31 to CL40 to generate blob information indicating a blob that classifies the clusters CL31 to CL40. In this way, the information processing device 100E generates first group information through the first classification process using the second centroids corresponding to each of the plurality of second groups. For example, the information processing device 100E classifies each of the centroids CN31 to CN40 of the clusters CL31 to CL40 into one of a plurality of blobs using arbitrary clustering such as k-means. For example, the information processing device 100E generates a first number of centroids CN that is smaller than the second number of clusters CL, and associates the generated centroid CN with the centroid CN of the blob BL, thereby converting the cluster CL into a blob BL. Classify into one of the following.
図49の例では、情報処理装置100Eは、セントロイドCN31~CN40等の各々をブロブBL31~BL34のセントロイドC31~C34等のいずれかに割り当てることにより、クラスタCL31~CL40等のブロブBL31~BL34等に分類するブロブ情報を生成する。上述した処理によりクラスタCLの各セントロイドCNは各ブロブBLに割り当てられる。 In the example of FIG. 49, the information processing device 100E assigns each of the centroids CN31 to CN40, etc. to any of the centroids C31 to C34, etc. of the blobs BL31 to BL34. Generate blob information that is classified into etc. Through the process described above, each centroid CN of the cluster CL is assigned to each blob BL.
例えば、情報処理装置100Eは、セントロイドCN31、セントロイドCN38及びセントロイドCN40をセントロイドC31に割り当てることにより、クラスタCL31、クラスタCL38及びクラスタCL40をブロブBL31に分類する。また、情報処理装置100Eは、セントロイドCN32及びセントロイドCN33をセントロイドC32に割り当てることにより、クラスタCL32及びクラスタCL33をブロブBL32に分類する。また、情報処理装置100Eは、セントロイドCN34及びセントロイドCN35をセントロイドC33に割り当てることにより、クラスタCL34及びクラスタCL35をブロブBL33に分類する。また、情報処理装置100Eは、セントロイドCN36、セントロイドCN37及びセントロイドCN39をセントロイドC34に割り当てることにより、クラスタCL36、クラスタCL37及びクラスタCL39をブロブBL34に分類する。 For example, the information processing device 100E classifies cluster CL31, cluster CL38, and cluster CL40 into blob BL31 by assigning centroid CN31, centroid CN38, and centroid CN40 to centroid C31. Furthermore, the information processing device 100E classifies cluster CL32 and cluster CL33 into blob BL32 by assigning centroid CN32 and centroid CN33 to centroid C32. Furthermore, the information processing device 100E classifies cluster CL34 and cluster CL35 into blob BL33 by assigning centroid CN34 and centroid CN35 to centroid C33. Furthermore, the information processing device 100E classifies cluster CL36, cluster CL37, and cluster CL39 into blob BL34 by assigning centroid CN36, centroid CN37, and centroid CN39 to centroid C34.
なお、図49では、図示は省略するが、情報処理装置100Eは、ブロブBL31~BL34等の複数ブロブ間を連結するブロブ連結グラフを生成する。例えば、情報処理装置100Eは、図23、図29及び図44等と同様の情報を用いた処理によりブロブ連結グラフを生成するが詳細な説明を省略する。 Although not shown in FIG. 49, the information processing device 100E generates a blob connection graph that connects a plurality of blobs such as blobs BL31 to BL34. For example, the information processing apparatus 100E generates a blob connection graph by processing using information similar to that shown in FIGS. 23, 29, 44, etc., but detailed description thereof will be omitted.
例えば、情報処理装置100Eは、ブロブ情報を用いて量子化に関する処理を実行する。情報処理装置100Eは、ブロブ情報を用いて複数のオブジェクトを対象とする量子化に関する処理を行う。例えば、情報処理装置100Eは、ブロブBL31~BL34の各々に属するオブジェクトごとに量子化を行うが、この点については上述した処理と同様の点については適宜説明を省略する。 For example, the information processing device 100E executes processing related to quantization using blob information. The information processing device 100E performs processing related to quantization targeting a plurality of objects using blob information. For example, the information processing device 100E performs quantization for each object belonging to each of the blobs BL31 to BL34, but a description of the same processing as described above will be omitted as appropriate.
上記のように、情報処理装置100Eは、データ検索の対象となる複数のオブジェクトを分類する複数のクラスタを示すクラスタ情報と、複数のクラスタとは異なる分類となる複数のブロブを示すブロブ情報とを生成する。これにより、情報処理装置100Eは、複数のオブジェクトを分類する2種類のグループを生成することができ、オブジェクトを分類するグループを生成することができる。 As described above, the information processing device 100E stores cluster information indicating a plurality of clusters that classify a plurality of objects that are data search targets, and blob information indicating a plurality of blobs that are classified differently from the plurality of clusters. generate. Thereby, the information processing apparatus 100E can generate two types of groups for classifying a plurality of objects, and can generate groups for classifying objects.
〔6-6-2.第3の生成例〕
次に、図50を用いて、第3の生成例について説明する。図50は、第1グループ及び第2グループの生成の一例を示す図である。具体的には、図50は、第6の実施形態における第1グループ及び第2グループの第3の生成例を示す図である。なお、上述した処理と同様の点については適宜説明を省略する。
[6-6-2. Third generation example]
Next, a third generation example will be described using FIG. 50. FIG. 50 is a diagram illustrating an example of generation of the first group and the second group. Specifically, FIG. 50 is a diagram showing a third generation example of the first group and the second group in the sixth embodiment. Note that descriptions of points similar to those described above will be omitted as appropriate.
第3の生成例では、情報処理装置100Eは、第2グループの各々を、複数の第1グループのうち、属するオブジェクトが最大の第1グループである候補第1グループに属させる第1分類処理により、第1グループ情報を生成する。例えば、情報処理装置100Eは、クラスタCLの各々を、複数のブロブBLのうち、属するオブジェクトが最大のブロブBLである候補ブロブに属させる第1分類処理により、第1グループ情報を生成する。例えば、情報処理装置100Eは、図50の空間情報SP73に示すように、クラスタCLの第2数よりも少ない第1数のセントロイドCNを生成し、生成したセントロイドCNにブロブBLのセントロイドCNを対応付けることにより、クラスタCLをブロブBLのいずれかに分類する。なお、図50は、生成処理を説明するためにオブジェクト、セントロイド等を概念的に示すものであり、セントロイド等の位置は正確な位置を示すものではない。 In the third generation example, the information processing device 100E performs a first classification process that causes each of the second groups to belong to a candidate first group to which the object belongs to the largest first group among the plurality of first groups. , generates first group information. For example, the information processing device 100E generates the first group information by performing a first classification process in which each of the clusters CL belongs to a candidate blob to which the object belongs to the largest blob BL among the plurality of blobs BL. For example, as shown in spatial information SP73 in FIG. 50, the information processing device 100E generates a first number of centroids CN that is smaller than the second number of clusters CL, and uses the generated centroid CN as the centroid of the blob BL. By associating the CNs, the cluster CL is classified into one of the blobs BL. Note that FIG. 50 conceptually shows objects, centroids, etc. in order to explain the generation process, and the positions of centroids, etc. do not indicate exact positions.
情報処理装置100Eは、任意の手法によりクラスタCLを分類する。例えば、情報処理装置100Eは、クラスタCLのセントロイドCNが最も近いブロブBLのセントロイドCに、そのクラスタCLを割り当ててもよい。例えば、情報処理装置100Eは、全てのオブジェクトをクラスタリングしてブロブBLを生成し、各量子化クラスタ(クラスタCL)に属するオブジェクトの数が最も多いブロブBLに量子化クラスタ(クラスタCL)を割り当てる。例えば、情報処理装置100Eは、一のクラスタCLに属するオブジェクトについて、最も距離が短いオブジェクトの数が最大のセントロイドCに対応するブロブBLを候補ブロブに決定する。例えば、情報処理装置100Eは、個々のブロブBLの最大数が同一の場合には、セントロイドが近い方のブロブBLにクラスタCLを割り当ててもよい。図50では、クラスタCL31については、ノードN9、N126の各々に対応する2つのオブジェクトがセントロイドC33に最も近い。一方、クラスタCL31については、ノードN7に対応する1つのオブジェクトがセントロイドC32に最も近く、ノードN85に対応する1つのオブジェクトがセントロイドC31に最も近い。すなわち、クラスタCL31については、セントロイドC33が最も距離が短いオブジェクトの数が最大のセントロイドCである。 The information processing device 100E classifies the clusters CL using an arbitrary method. For example, the information processing device 100E may assign the cluster CL to the centroid C of the blob BL to which the centroid CN of the cluster CL is closest. For example, the information processing device 100E clusters all objects to generate blobs BL, and assigns a quantization cluster (cluster CL) to a blob BL having the largest number of objects belonging to each quantization cluster (cluster CL). For example, the information processing device 100E determines, as a candidate blob, the blob BL corresponding to the centroid C with the largest number of objects having the shortest distance for objects belonging to one cluster CL. For example, if the maximum number of individual blobs BL is the same, the information processing device 100E may assign the cluster CL to the blob BL with a closer centroid. In FIG. 50, for cluster CL31, the two objects corresponding to each of nodes N9 and N126 are closest to centroid C33. On the other hand, for cluster CL31, one object corresponding to node N7 is closest to centroid C32, and one object corresponding to node N85 is closest to centroid C31. That is, for cluster CL31, centroid C33 is the centroid C that has the largest number of objects with the shortest distance.
そのため、図50では、情報処理装置100Eは、クラスタCL31については、セントロイドC33に対応するブロブBL33を候補ブロブに決定する。クラスタCL31の候補ブロブがブロブBL33の1つであるため、情報処理装置100Eは、クラスタCL31のセントロイドCN31をブロブBL33のセントロイドC33に割り当てることにより、クラスタCL31をブロブBL33に分類する。図50では、他のクラスタCN32~CN40等のクラスタリング結果は、図49と同様となるため詳細な説明は省略する。 Therefore, in FIG. 50, the information processing device 100E determines the blob BL33 corresponding to the centroid C33 as the candidate blob for the cluster CL31. Since the candidate blob of the cluster CL31 is one of the blobs BL33, the information processing device 100E classifies the cluster CL31 into the blob BL33 by assigning the centroid CN31 of the cluster CL31 to the centroid C33 of the blob BL33. In FIG. 50, the clustering results for other clusters CN32 to CN40, etc. are similar to those in FIG. 49, so detailed explanations will be omitted.
なお、情報処理装置100Eは、一の第2グループに候補第1グループが複数ある場合、複数の候補第1グループのうち、一の第2グループに対応する第2セントロイドにセントロイドの最も近い第1グループに一の第2グループを属させる。例えば、情報処理装置100Eは、一のクラスタCLに候補ブロブが複数ある場合、複数の候補ブロブのうち、一のクラスタCLに対応するセントロイドCNにセントロイドCの最も近いブロブBLに属させる。図50では、情報処理装置100Eは、例えばクラスタCL33の候補ブロブがブロブBL31、BL32の2つである場合、ブロブBL31、BL32のうち、クラスタCL33に対応するセントロイドCN33にセントロイドCの最も近いブロブBL32にクラスタCL33を属させる。 Note that when there are a plurality of candidate first groups in one second group, the information processing device 100E selects a centroid whose centroid is closest to a second centroid corresponding to one second group among the plurality of candidate first groups. A second group is made to belong to the first group. For example, when there are multiple candidate blobs in one cluster CL, the information processing apparatus 100E causes the centroid CN corresponding to one cluster CL to belong to the blob BL closest to the centroid C among the multiple candidate blobs. In FIG. 50, for example, when the candidate blobs of cluster CL33 are two blobs BL31 and BL32, the information processing apparatus 100E determines that among blobs BL31 and BL32, centroid C is closest to centroid CN33 corresponding to cluster CL33. Cluster CL33 is made to belong to blob BL32.
上記は一例に過ぎず、情報処理装置100Eは、様々な処理により生成処理を行ってもよい。例えば、情報処理装置100Eは、全てのオブジェクトではなく、各量子化用クラスタ(クラスタCL)から同一数ランダムに抽出したオブジェクト、または、クラスタCLのオブジェクト数の比率に合わせてランダムに抽出したオブジェクトを、クラスタリングしてブロブBLを生成してもよい。そして、情報処理装置100Eは、各量子化クラスタ(クラスタCL)に属するオブジェクトの数が最も多いブロブに量子化クラスタを割り当てる。 The above is just an example, and the information processing device 100E may perform the generation process using various processes. For example, the information processing device 100E may randomly extract the same number of objects from each quantization cluster (cluster CL), or randomly extract objects according to the ratio of the number of objects in the clusters CL, instead of all objects. , clustering may be performed to generate the blob BL. Then, the information processing device 100E assigns a quantization cluster to the blob having the largest number of objects belonging to each quantization cluster (cluster CL).
〔6-6-3.第4の生成例〕
次に、図51を用いて、第4の生成例について説明する。図51は、第1グループ及び第2グループの生成の一例を示す図である。具体的には、図51は、第6の実施形態における第1グループ及び第2グループの第4の生成例を示す図である。なお、上述した処理と同様の点については適宜説明を省略する。
[6-6-3. Fourth generation example]
Next, a fourth generation example will be described using FIG. 51. FIG. 51 is a diagram illustrating an example of generation of the first group and the second group. Specifically, FIG. 51 is a diagram showing a fourth generation example of the first group and the second group in the sixth embodiment. Note that descriptions of points similar to those described above will be omitted as appropriate.
第4の生成例では、情報処理装置100Eは、第2グループの各々を複数に分割した部分グループに対応する部分セントロイドを用いた第1分類処理により、第1グループ情報を生成する。具体的には、情報処理装置100Eは、第2グループの各々を、第1グループのうち、属する部分セントロイドが最大の第1グループである候補第1グループに属させる第1分類処理により、第1グループ情報を生成する。 In the fourth generation example, the information processing device 100E generates first group information by a first classification process using partial centroids corresponding to partial groups obtained by dividing each of the second groups into a plurality of groups. Specifically, the information processing apparatus 100E performs a first classification process that causes each of the second groups to belong to a candidate first group, which is the first group to which the partial centroid to which it belongs is the largest among the first groups. 1 group information is generated.
例えば、情報処理装置100Eは、クラスタCLの各々を複数の部分グループに分割し、各クラスタCLについて、複数のブロブBLのうち、属する部分セントロイドが最大のブロブBLである候補ブロブに属させる第1分類処理により、第1グループ情報を生成する。情報処理装置100Eは、部分クラスタ(部分グループ)のセントロイド(部分セントロイド)の情報を用いて、複数のブロブBLを生成する。情報処理装置100Eは、部分グループの部分セントロイドをクラスタリングすることにより複数のブロブBLを生成する。このように、情報処理装置100Eは、各量子化用クラスタ(クラスタCL)にさらに階層クラスタリングを行い、クラスタ(部分グループ)のセントロイドを生成する。 For example, the information processing device 100E divides each of the clusters CL into a plurality of subgroups, and for each cluster CL, out of the plurality of blobs BL, the information processing device 100E makes the candidate blob belong to the blob BL with the largest partial centroid. First group information is generated by the first classification process. The information processing device 100E generates a plurality of blobs BL using information on centroids (partial centroids) of partial clusters (partial groups). The information processing device 100E generates a plurality of blobs BL by clustering the partial centroids of the partial groups. In this way, the information processing device 100E further performs hierarchical clustering on each quantization cluster (cluster CL) to generate a centroid of the cluster (subgroup).
なお、図51では、空間情報SP74に示すように、各クラスタCLの部分グループへの分割をクラスタCL内の二点鎖線により示す。また、図51では、説明に必要な部分のみクラスタCLを複数の部分グループに対応する部分セントロイドを図示する。具体的には、図51では、クラスタCL31が2つの部分グループに分割され、一方の部分グループ(図51では下側)に対応する部分セントロイドPC11、及び他方の部分グループ(図51では上側)に対応する部分セントロイドPC12のみを示す。部分セントロイドPC11及び部分セントロイドPC12等の部分セントロイドを区別せずに説明する場合、部分セントロイドPCと記載する場合がある。なお、図51では説明のため各クラスタCLが2つの部分グループに分割される例を示すが、各クラスタCLの部分グループの数(分割数)は2に限らず、任意の数であってもよい。例えば、各クラスタCLは、そのクラスタCLの属するオブジェクトの数に応じて決定されてもよい。例えば、各クラスタCLは、そのクラスタCLの属するオブジェクトの数多い程、多い部分グループに分割されてもよい。 In addition, in FIG. 51, as shown in the spatial information SP74, the division of each cluster CL into subgroups is indicated by a chain double-dashed line within the cluster CL. Further, in FIG. 51, partial centroids corresponding to a plurality of partial groups of the cluster CL are illustrated only in a portion necessary for explanation. Specifically, in FIG. 51, the cluster CL31 is divided into two subgroups, the partial centroid PC11 corresponding to one subgroup (lower side in FIG. 51), and the partial centroid PC11 corresponding to the other subgroup (upper side in FIG. 51). Only the partial centroid PC12 corresponding to is shown. When partial centroids such as partial centroid PC11 and partial centroid PC12 are described without distinction, they may be referred to as partial centroid PC. Note that although FIG. 51 shows an example in which each cluster CL is divided into two subgroups for explanation, the number of subgroups (number of divisions) of each cluster CL is not limited to two, but may be any number. good. For example, each cluster CL may be determined according to the number of objects to which the cluster CL belongs. For example, each cluster CL may be divided into as many subgroups as the number of objects to which the cluster CL belongs.
例えば、情報処理装置100Eは、一のクラスタCLに属する部分セントロイドPCについて、最も距離が短い部分セントロイドPCの数が最大のセントロイドCに対応するブロブBLを候補ブロブに決定する。図51では、クラスタCL31については、部分セントロイドPC11がセントロイドC32に最も近く、部分セントロイドPC12がセントロイドC33に最も近い。すなわち、クラスタCL31については、セントロイドC32及びセントロイドC33の2つのセントロイドCが最も距離が短い部分セントロイドPCの数が最大のセントロイドCである。なお、上記は一例に過ぎず、情報処理装置100Eは、任意の手法により各クラスタをブロブに割り当ててもよい。情報処理装置100Eは、各クラスタをクラスタリングして部分クラスタを生成し、そのセントロイドをクラスタリングしてブロブを生成するので、ブロブとクラスタの関係は必然的に分かっている。そのため、情報処理装置100Eは、ブロブの生成により得られたブロブとクラスタの関係を示す情報を基に、各クラスタをブロブに割り当ててもよい。 For example, for partial centroid PCs belonging to one cluster CL, the information processing apparatus 100E determines, as a candidate blob, a blob BL corresponding to a centroid C having the largest number of partial centroid PCs with the shortest distance. In FIG. 51, for cluster CL31, partial centroid PC11 is closest to centroid C32, and partial centroid PC12 is closest to centroid C33. That is, for cluster CL31, two centroids C, centroid C32 and centroid C33, are the centroids C with the shortest distance and the largest number of partial centroids PC. Note that the above is just an example, and the information processing apparatus 100E may allocate each cluster to a blob using any method. Since the information processing device 100E clusters each cluster to generate partial clusters and clusters the centroids thereof to generate blobs, the relationship between blobs and clusters is necessarily known. Therefore, the information processing device 100E may assign each cluster to a blob based on information indicating the relationship between the blob and the cluster obtained by generating the blob.
このように、図51では、クラスタCL31に候補ブロブが複数あるため、情報処理装置100Eは、複数の候補ブロブのうち、クラスタCL31に対応するセントロイドCNにセントロイドCの最も近いブロブBLに属させる。図51では、情報処理装置100Eは、ブロブBL32、BL33のうち、クラスタCL31に対応するセントロイドCN31にセントロイドCの最も近いブロブBL33にクラスタCL31を属させる。図51では、他のクラスタCN32~CN40等のクラスタリング結果も、図50と同様となるため詳細な説明は省略する。 In this way, in FIG. 51, since there are multiple candidate blobs in the cluster CL31, the information processing device 100E selects a blob BL whose centroid C is closest to the centroid CN corresponding to the cluster CL31 among the multiple candidate blobs. let In FIG. 51, the information processing apparatus 100E makes the cluster CL31 belong to the blob BL33 whose centroid C is closest to the centroid CN31 corresponding to the cluster CL31 among the blobs BL32 and BL33. In FIG. 51, the clustering results for other clusters CN32 to CN40, etc. are also similar to those in FIG. 50, so a detailed explanation will be omitted.
なお、情報処理装置100Eは、一の第2グループに候補第1グループが1つである場合、一の第2グループを属させる第1グループの決定については、その候補第1グループとすればよいため、詳細な説明は省略する。 Note that when there is one candidate first group in one second group, the information processing device 100E may determine the first group to which one second group belongs to the candidate first group. Therefore, detailed explanation will be omitted.
〔6-6-4.情報処理のフロー〕
次に、図52を用いて、第6の実施形態に係る情報処理の手順について説明する。図52は、第6の実施形態に係る情報処理の一例を示すフローチャートである。
[6-6-4. Information processing flow]
Next, the information processing procedure according to the sixth embodiment will be described using FIG. 52. FIG. 52 is a flowchart illustrating an example of information processing according to the sixth embodiment.
図52に示すように、情報処理装置100Eは、データ検索の対象となる複数のオブジェクトを示すオブジェクト情報を取得する(ステップS1201)。例えば、情報処理装置100Eは、オブジェクト情報記憶部121から複数のオブジェクトを示すオブジェクト情報を取得する。
As shown in FIG. 52, the information processing apparatus 100E acquires object information indicating a plurality of objects that are data search targets (step S1201). For example, the information processing device 100E obtains object information indicating a plurality of objects from the object
情報処理装置100Eは、複数のオブジェクトを複数の第1グループに分類する分類処理である第1分類処理と、複数のオブジェクトを複数の第1グループとは異なる分類となるグループである複数の第2グループに分類する分類処理である第2分類処理とのうち、いずれか一方の分類処理を実行する(ステップS1202)。例えば、情報処理装置100Eは、複数の第2グループに分類する分類処理である第2分類処理を実行する。 The information processing device 100E performs a first classification process that classifies a plurality of objects into a plurality of first groups, and a plurality of second classification processes that classify a plurality of objects into a plurality of second groups that are different from the plurality of first groups. One of the second classification processes, which is a classification process for classifying into groups, is executed (step S1202). For example, the information processing device 100E executes a second classification process that is a classification process of classifying into a plurality of second groups.
情報処理装置100Eは、一方の分類処理後に他方の分類処理を一方の分類処理の結果を用いて実行することにより、複数のオブジェクトを分類する複数の第1グループを示す第1グループ情報と、複数のオブジェクトを分類する複数の第2グループを示す第2グループ情報とを生成する(ステップS1203)。例えば、情報処理装置100Eは、2分類処理後に、他方の分類処理である第1分類処理を行うことにより、第1グループ情報と第2グループ情報とを生成する。 The information processing device 100E performs one classification process and then performs the other classification process using the result of one classification process, thereby obtaining first group information indicating a plurality of first groups into which a plurality of objects are classified, and a plurality of first group information. second group information indicating a plurality of second groups for classifying the objects (step S1203). For example, the information processing device 100E generates first group information and second group information by performing a first classification process, which is the other classification process, after performing two classification processes.
〔7.効果〕
上述してきたように、第6の実施形態に係る情報処理装置100Eは、取得部131と、生成部132Eとを有する。取得部131は、データ検索の対象となる複数のオブジェクトを示すオブジェクト情報を取得する。生成部132Eは、取得部131により取得されたオブジェクト情報に基づいて、複数のオブジェクトを分類する第1数のグループである複数の第1グループを示す第1グループ情報と、複数の第1グループとは異なる分類となるグループであって、複数のオブジェクトを分類する第1数よりも多い第2数のグループである複数の第2グループを示す第2グループ情報とを生成する。
[7. effect〕
As described above, the information processing apparatus 100E according to the sixth embodiment includes the
このように、第6の実施形態に係る情報処理装置100Eは、複数のオブジェクトを分類する第1数の第1グループと、複数の第1グループとは異なる分類となるグループであって、第1数よりも多い第2数の第2グループとの2種類のグループを生成することができ、オブジェクトを分類するグループを生成することができる。 In this way, the information processing apparatus 100E according to the sixth embodiment has a first number of first groups for classifying a plurality of objects, and a group that is classified differently from the plurality of first groups, It is possible to generate two types of groups, the second group having the second number, which is larger than the number, and the group for classifying objects.
生成部132Eは、複数のオブジェクトのうち、複数の第2グループにおいて同じ第2グループに属するオブジェクトを同じ第1グループに分類するグループである第1グループ情報を生成する。 The generation unit 132E generates first group information that is a group that classifies objects belonging to the same second group among the plurality of second groups into the same first group.
このように、情報処理装置100Eは、包含関係のある2種類のグループを生成することができ、オブジェクトを分類するグループを生成することができる。 In this way, the information processing apparatus 100E can generate two types of groups that have an inclusive relationship, and can generate groups that classify objects.
生成部132Eは、複数の第2グループのうち二以上の第2グループの各々に属するオブジェクト群が一の第1グループに分類された複数の第1グループを示す第1グループ情報を生成する。 The generation unit 132E generates first group information indicating a plurality of first groups in which objects belonging to each of two or more second groups among the plurality of second groups are classified into one first group.
このように、情報処理装置100Eは、包含関係のある2種類のグループを生成することができ、オブジェクトを分類するグループを生成することができる。 In this way, the information processing apparatus 100E can generate two types of groups that have an inclusive relationship, and can generate groups that classify objects.
生成部132Eは、複数のオブジェクトを対象とする検索処理において一括処理を行うために用いられる複数の第1グループを示す第1グループ情報を生成する。 The generation unit 132E generates first group information indicating a plurality of first groups used for performing batch processing in a search process targeting a plurality of objects.
このように、情報処理装置100Eは、複数のオブジェクトを対象とする検索処理において一括処理を行うために用いられる複数の第1グループを含む2種類のグループを生成することができ、オブジェクトを分類するグループを生成することができる。 In this way, the information processing device 100E can generate two types of groups including a plurality of first groups used for performing batch processing in a search process targeting a plurality of objects, and can classify objects. Groups can be created.
生成部132Eは、複数のオブジェクトに関する距離の算出を一括して行うために用いられる複数の第1グループを示す第1グループ情報を生成する。 The generation unit 132E generates first group information indicating a plurality of first groups used to collectively calculate distances regarding a plurality of objects.
このように、情報処理装置100Eは、距離の算出を一括して行うために用いられる第1グループを含む2種類のグループを生成することができ、オブジェクトを分類するグループを生成することができる。 In this way, the information processing apparatus 100E can generate two types of groups including the first group used to collectively calculate distances, and can generate groups for classifying objects.
生成部132Eは、検索処理で用いられる検索クエリとオブジェクトとの距離の算出を並列処理するために用いられる複数の第1グループを示す第1グループ情報を生成する。 The generation unit 132E generates first group information indicating a plurality of first groups used to calculate the distance between the search query and the object used in the search process in parallel.
このように、情報処理装置100Eは、検索処理で用いられる検索クエリとオブジェクトとの距離の算出を並列処理するために用いられる第1グループを含む2種類のグループを生成することができ、オブジェクトを分類するグループを生成することができる。 In this way, the information processing device 100E can generate two types of groups including the first group used for parallel processing of calculating the distance between the search query and the object used in the search process, and It is possible to generate groups for classification.
生成部132Eは、複数のオブジェクトを対象とする量子化に関する処理を行うために用いられる複数の第2グループを示す第2グループ情報を生成する。 The generation unit 132E generates second group information indicating a plurality of second groups used to perform processing related to quantization targeting a plurality of objects.
このように、情報処理装置100Eは、複数のオブジェクトを対象とする量子化に関する処理を行うために用いられる第2グループを含む2種類のグループを生成することができ、オブジェクトを分類するグループを生成することができる。 In this way, the information processing device 100E can generate two types of groups including the second group used to perform processing related to quantization for a plurality of objects, and can generate a group for classifying objects. can do.
生成部132Eは、量子化の単位となる複数の第2グループを示す第2グループ情報を生成する。 The generation unit 132E generates second group information indicating a plurality of second groups that are units of quantization.
このように、情報処理装置100Eは、量子化の単位となる第2グループを含む2種類のグループを生成することができ、オブジェクトを分類するグループを生成することができる。 In this way, the information processing apparatus 100E can generate two types of groups including the second group that is the unit of quantization, and can generate groups for classifying objects.
生成部132Eは、複数のオブジェクトの各々に対応するベクトルを量子化するために用いられる複数の第2グループを示す第2グループ情報を生成する。 The generation unit 132E generates second group information indicating a plurality of second groups used to quantize vectors corresponding to each of the plurality of objects.
このように、情報処理装置100Eは、複数のオブジェクトの各々に対応するベクトルを量子化するために用いられる第2グループを含む2種類のグループを生成することができ、オブジェクトを分類するグループを生成することができる。 In this way, the information processing device 100E can generate two types of groups including the second group used to quantize vectors corresponding to each of a plurality of objects, and generate a group for classifying objects. can do.
生成部132Eは、複数の第2グループの分類後に、複数の第1グループの分類を行う。 After classifying the plurality of second groups, the generation unit 132E performs classification of the plurality of first groups.
このように、情報処理装置100Eは、第2グループの分類、第1グループの分類の順でグループの情報を生成する処理を行うことで、オブジェクトを分類するグループを生成することができる。 In this way, the information processing apparatus 100E can generate groups for classifying objects by performing the process of generating group information in the order of the second group classification and the first group classification.
生成部132Eは、複数のオブジェクトをクラスタリングすることにより複数の第2グループを示す第2グループ情報を生成する。 The generation unit 132E generates second group information indicating a plurality of second groups by clustering a plurality of objects.
このように、情報処理装置100Eは、複数のオブジェクトをクラスタリングすることにより複数の第2グループの分類を行うことで、オブジェクトを分類するグループを生成することができる。 In this way, the information processing apparatus 100E can generate groups into which objects are classified by classifying the plurality of second groups by clustering the plurality of objects.
取得部131は、複数のオブジェクトを検索対象とするインデックスを示すインデックス情報を取得する。生成部132Eは、インデックス情報を用いて、複数の第2グループを示す第2グループ情報を生成する。
The
このように、情報処理装置100Eは、インデックスを用いて複数の第2グループの分類を行う、オブジェクトを分類するグループを生成することができる。 In this way, the information processing apparatus 100E can generate groups for classifying objects by classifying the plurality of second groups using the index.
生成部132Eは、第2グループを示す第2グループ情報を用いて、複数の第1グループを示す第1グループ情報を生成する。 The generation unit 132E generates first group information indicating a plurality of first groups using second group information indicating a second group.
このように、情報処理装置100Eは、第2グループ情報を用いて、複数の第1グループを示す第1グループ情報を生成することで、第2グループの分類を基に第1グループの分類ができ、オブジェクトを分類するグループを生成することができる。 In this way, the information processing device 100E can classify the first group based on the classification of the second group by generating first group information indicating a plurality of first groups using the second group information. , it is possible to generate groups to classify objects.
生成部132Eは、複数の第2グループをクラスタリングすることにより複数の第1グループを示す第1グループ情報を生成する。 The generation unit 132E generates first group information indicating a plurality of first groups by clustering a plurality of second groups.
このように、情報処理装置100Eは、第2グループをクラスタリングして複数の第1グループを示す第1グループ情報を生成することで、第2グループの分類を基に第1グループの分類ができ、オブジェクトを分類するグループを生成することができる。 In this way, the information processing device 100E can classify the first group based on the classification of the second group by clustering the second group and generating first group information indicating a plurality of first groups, Groups can be created to categorize objects.
生成部132Eは、複数の第1グループの分類後に、複数の第2グループの分類を行う。 After classifying the plurality of first groups, the generation unit 132E performs classification of the plurality of second groups.
このように、情報処理装置100Eは、第1グループの分類、第2グループの分類の順でグループの情報を生成する処理を行うことで、オブジェクトを分類するグループを生成することができる。 In this way, the information processing apparatus 100E can generate groups for classifying objects by performing a process of generating group information in the order of first group classification and second group classification.
生成部132Eは、複数のオブジェクトをクラスタリングすることにより複数の第1グループを示す第1グループ情報を生成する。 The generation unit 132E generates first group information indicating a plurality of first groups by clustering a plurality of objects.
このように、情報処理装置100Eは、複数のオブジェクトをクラスタリングすることにより複数の第1グループの分類を行うことで、オブジェクトを分類するグループを生成することができる。 In this way, the information processing apparatus 100E can generate groups into which objects are classified by classifying the plurality of first groups by clustering the plurality of objects.
生成部132Eは、第1グループを示す第1グループ情報を用いて、複数の第2グループを示す第2グループ情報を生成する。 The generation unit 132E generates second group information indicating a plurality of second groups using first group information indicating the first group.
このように、情報処理装置100Eは、第1グループ情報を用いて、複数の第2グループを示す第2グループ情報を生成することで、第1グループの分類を基に第2グループの分類ができ、オブジェクトを分類するグループを生成することができる。 In this way, the information processing device 100E can classify the second group based on the classification of the first group by generating second group information indicating a plurality of second groups using the first group information. , it is possible to generate groups to classify objects.
生成部132Eは、複数の第1グループのうち、少なくとも一の第1グループを分割し、二以上の第2グループを生成することにより、複数の第2グループを示す第2グループ情報を生成する。 The generating unit 132E generates second group information indicating the plurality of second groups by dividing at least one first group among the plurality of first groups and generating two or more second groups.
このように、情報処理装置100Eは、第1グループを分割して複数の第2グループを示す第2グループ情報を生成することで、第1グループの分類を基に第2グループの分類ができ、オブジェクトを分類するグループを生成することができる。 In this way, the information processing device 100E can classify the second group based on the classification of the first group by dividing the first group and generating second group information indicating a plurality of second groups. Groups can be created to categorize objects.
生成部132Eは、各第1グループに属するオブジェクトをクラスタリングし、各第1グループを二以上の第2グループに分割することにより、複数の第2グループを示す第2グループ情報を生成する。 The generation unit 132E generates second group information indicating a plurality of second groups by clustering objects belonging to each first group and dividing each first group into two or more second groups.
このように、情報処理装置100Eは、各第1グループに属するオブジェクトをクラスタリングし、各第1グループを二以上の第2グループに分割して複数の第2グループを示す第2グループ情報を生成することで、第1グループの分類を基に第2グループの分類ができ、オブジェクトを分類するグループを生成することができる。 In this way, the information processing device 100E clusters objects belonging to each first group, divides each first group into two or more second groups, and generates second group information indicating a plurality of second groups. As a result, the second group can be classified based on the first group classification, and groups for classifying objects can be generated.
〔8.ハードウェア構成〕
上述してきた各実施形態に係る情報処理装置100、100A、100B、100C、100D、100Eは、例えば図53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53は、情報処理装置の機能を実現するコンピュータの一例を示すハードウェア構成図である。コンピュータ1000は、CPU1100、RAM1200、ROM(Read Only Memory)1300、HDD(Hard Disk Drive)1400、通信インターフェイス(I/F)1500、入出力インターフェイス(I/F)1600、及びメディアインターフェイス(I/F)1700を有する。
[8. Hardware configuration]
The information processing apparatuses 100, 100A, 100B, 100C, 100D, and 100E according to each of the embodiments described above are realized by, for example, a
CPU1100は、ROM1300またはHDD1400に格納されたプログラムに基づいて動作し、各部の制御を行う。ROM1300は、コンピュータ1000の起動時にCPU1100によって実行されるブートプログラムや、コンピュータ1000のハードウェアに依存するプログラム等を格納する。
CPU 1100 operates based on a program stored in ROM 1300 or HDD 1400, and controls each section. The ROM 1300 stores a boot program executed by the CPU 1100 when the
HDD1400は、CPU1100によって実行されるプログラム、及び、かかるプログラムによって使用されるデータ等を格納する。通信インターフェイス1500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CPU1100へ送り、CPU1100が生成したデータをネットワークNを介して他の機器へ送信する。
The HDD 1400 stores programs executed by the CPU 1100, data used by the programs, and the like.
CPU1100は、入出力インターフェイス1600を介して、ディスプレイやプリンタ等の出力装置、及び、キーボードやマウス等の入力装置を制御する。CPU1100は、入出力インターフェイス1600を介して、入力装置からデータを取得する。また、CPU1100は、生成したデータを入出力インターフェイス1600を介して出力装置へ出力する。 The CPU 1100 controls output devices such as a display and a printer, and input devices such as a keyboard and mouse via an input/output interface 1600. CPU 1100 obtains data from an input device via input/output interface 1600. Further, CPU 1100 outputs the generated data to an output device via input/output interface 1600.
メディアインターフェイス1700は、記録媒体1800に格納されたプログラムまたはデータを読み取り、RAM1200を介してCPU1100に提供する。CPU1100は、かかるプログラムを、メディアインターフェイス1700を介して記録媒体1800からRAM1200上にロードし、ロードしたプログラムを実行する。記録媒体1800は、例えば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である。
例えば、コンピュータ1000が第1の実施形態に係る情報処理装置100として機能する場合、コンピュータ1000のCPU1100は、RAM1200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130の機能を実現する。コンピュータ1000のCPU1100は、これらのプログラムを記録媒体1800から読み取って実行するが、他の例として、他の装置からネットワークNを介してこれらのプログラムを取得してもよい。
For example, when the
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、発明の開示の行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。 As mentioned above, some embodiments of the present application have been described in detail based on the drawings, but these are merely examples, and various modifications and variations can be made based on the knowledge of those skilled in the art, including the embodiments described in the disclosure section of the invention. It is possible to carry out the invention in other forms with modifications.
〔9.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。
[9. others〕
Furthermore, among the processes described in the above embodiments, all or part of the processes described as being performed automatically can be performed manually, or the processes described as being performed manually can be performed manually. All or part of the process can also be performed automatically using known methods. In addition, information including the processing procedures, specific names, and various data and parameters shown in the above documents and drawings may be changed arbitrarily, unless otherwise specified. For example, the various information shown in each figure is not limited to the illustrated information.
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。 Furthermore, each component of each device shown in the drawings is functionally conceptual, and does not necessarily need to be physically configured as shown in the drawings. In other words, the specific form of distributing and integrating each device is not limited to what is shown in the diagram, and all or part of the devices can be functionally or physically distributed or integrated in arbitrary units depending on various loads and usage conditions. Can be integrated and configured.
また、上述してきた各実施形態に記載された各処理は、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。 Furthermore, the processes described in the embodiments described above can be combined as appropriate within a range that does not conflict with the process contents.
また、上述してきた「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、取得部は、取得手段や取得回路に読み替えることができる。 Further, the above-mentioned "section, module, unit" can be read as "means", "circuit", etc. For example, the acquisition unit can be read as an acquisition means or an acquisition circuit.
1 情報処理システム
10 端末装置
50 情報提供装置
100、100A、100B、100C、100D、100E 情報処理装置
120、120A、120B、120C 記憶部
121 オブジェクト情報記憶部
122 グラフ情報記憶部
123、123A 量子化情報記憶部
124 コードブック情報記憶部
125、125A ブロブ情報記憶部
126、126A ブロブ連結グラフ情報記憶部
130、130A、130B、130C、130D、130E 制御部
131 取得部
132、132A、132B、132C、132E 生成部(処理部)
133、133A、133B、133C、133D、133E 検索処理部
134 提供部
1
133, 133A, 133B, 133C, 133D, 133E
Claims (21)
前記取得部により取得された前記オブジェクト情報に基づいて、前記複数のオブジェクトを分類する第1数のグループである複数の第1グループを示す第1グループ情報と、前記複数の第1グループとは異なる分類となるグループであって、前記複数のオブジェクトを分類する前記第1数よりも多い第2数のグループである複数の第2グループを示す第2グループ情報とを生成する生成部と、
を備えることを特徴とする情報処理装置。 an acquisition unit that acquires object information indicating multiple objects to be searched for;
First group information indicating a plurality of first groups that are a first number of groups for classifying the plurality of objects based on the object information acquired by the acquisition unit is different from the plurality of first groups. a generation unit that generates second group information indicating a plurality of second groups, which are groups that are classified and are a second number of groups that are larger than the first number of groups that classify the plurality of objects;
An information processing device comprising:
前記複数のオブジェクトのうち、前記複数の第2グループにおいて同じ第2グループに属するオブジェクトを同じ第1グループに分類するグループである前記第1グループ情報を生成する
ことを特徴とする請求項1に記載の情報処理装置。 The generation unit is
The first group information is generated that is a group that classifies objects belonging to the same second group among the plurality of second groups into the same first group among the plurality of objects. information processing equipment.
前記複数の第2グループのうち二以上の第2グループの各々に属するオブジェクト群が一の第1グループに分類された前記複数の第1グループを示す前記第1グループ情報を生成する
ことを特徴とする請求項1に記載の情報処理装置。 The generation unit is
Generating the first group information indicating the plurality of first groups in which a group of objects belonging to each of two or more second groups among the plurality of second groups is classified into one first group. The information processing device according to claim 1.
前記複数のオブジェクトを対象とする検索処理において一括処理を行うために用いられる前記複数の第1グループを示す前記第1グループ情報を生成する
ことを特徴とする請求項1に記載の情報処理装置。 The generation unit is
The information processing apparatus according to claim 1, wherein the information processing apparatus generates the first group information indicating the plurality of first groups used for performing batch processing in a search process targeting the plurality of objects.
前記複数のオブジェクトに関する距離の算出を一括して行うために用いられる前記複数の第1グループを示す前記第1グループ情報を生成する
ことを特徴とする請求項4に記載の情報処理装置。 The generation unit is
The information processing apparatus according to claim 4, wherein the information processing apparatus generates the first group information indicating the plurality of first groups used to collectively calculate distances regarding the plurality of objects.
前記検索処理で用いられる検索クエリとオブジェクトとの距離の算出を並列処理するために用いられる前記複数の第1グループを示す前記第1グループ情報を生成する
ことを特徴とする請求項4に記載の情報処理装置。 The generation unit is
5. The method according to claim 4, further comprising: generating the first group information indicating the plurality of first groups used for parallel processing calculation of a distance between a search query and an object used in the search process. Information processing device.
前記複数のオブジェクトを対象とする量子化に関する処理を行うために用いられる前記複数の第2グループを示す前記第2グループ情報を生成する
ことを特徴とする請求項1に記載の情報処理装置。 The generation unit is
The information processing apparatus according to claim 1, wherein the information processing apparatus generates the second group information indicating the plurality of second groups used to perform processing related to quantization for the plurality of objects.
前記量子化の単位となる前記複数の第2グループを示す前記第2グループ情報を生成する
ことを特徴とする請求項7に記載の情報処理装置。 The generation unit is
The information processing apparatus according to claim 7, wherein the information processing apparatus generates the second group information indicating the plurality of second groups that are the units of the quantization.
前記複数のオブジェクトの各々に対応するベクトルを量子化するために用いられる前記複数の第2グループを示す前記第2グループ情報を生成する
ことを特徴とする請求項7に記載の情報処理装置。 The generation unit is
The information processing apparatus according to claim 7, wherein the second group information indicating the plurality of second groups used for quantizing the vectors corresponding to each of the plurality of objects is generated.
前記複数の第2グループの分類後に、前記複数の第1グループの分類を行う
ことを特徴とする請求項1に記載の情報処理装置。 The generation unit is
The information processing apparatus according to claim 1, wherein the plurality of first groups are classified after the plurality of second groups are classified.
前記複数のオブジェクトをクラスタリングすることにより前記複数の第2グループを示す前記第2グループ情報を生成する
ことを特徴とする請求項10に記載の情報処理装置。 The generation unit is
The information processing apparatus according to claim 10, wherein the second group information indicating the plurality of second groups is generated by clustering the plurality of objects.
前記複数のオブジェクトを検索対象とするインデックスを示すインデックス情報を取得し、
前記生成部は、
前記インデックス情報を用いて、前記複数の第2グループを示す前記第2グループ情報を生成する
ことを特徴とする請求項10に記載の情報処理装置。 The acquisition unit includes:
obtaining index information indicating an index for searching the plurality of objects;
The generation unit is
The information processing apparatus according to claim 10, wherein the second group information indicating the plurality of second groups is generated using the index information.
前記第2グループを示す前記第2グループ情報を用いて、前記複数の第1グループを示す前記第1グループ情報を生成する
ことを特徴とする請求項10に記載の情報処理装置。 The generation unit is
The information processing apparatus according to claim 10, wherein the first group information indicating the plurality of first groups is generated using the second group information indicating the second group.
前記複数の第2グループをクラスタリングすることにより前記複数の第1グループを示す前記第1グループ情報を生成する
ことを特徴とする請求項10に記載の情報処理装置。 The generation unit is
The information processing apparatus according to claim 10, wherein the first group information indicating the plurality of first groups is generated by clustering the plurality of second groups.
前記複数の第1グループの分類後に、前記複数の第2グループの分類を行う
ことを特徴とする請求項10に記載の情報処理装置。 The generation unit is
The information processing apparatus according to claim 10, wherein the plurality of second groups are classified after the plurality of first groups are classified.
前記複数のオブジェクトをクラスタリングすることにより前記複数の第1グループを示す前記第1グループ情報を生成する
ことを特徴とする請求項15に記載の情報処理装置。 The generation unit is
The information processing apparatus according to claim 15, wherein the first group information indicating the plurality of first groups is generated by clustering the plurality of objects.
前記第1グループを示す前記第1グループ情報を用いて、前記複数の第2グループを示す前記第2グループ情報を生成する
ことを特徴とする請求項15に記載の情報処理装置。 The generation unit is
The information processing apparatus according to claim 15, wherein the second group information indicating the plurality of second groups is generated using the first group information indicating the first group.
前記複数の第1グループのうち、少なくとも一の第1グループを分割し、二以上の第2グループを生成することにより、前記複数の第2グループを示す前記第2グループ情報を生成する
ことを特徴とする請求項15に記載の情報処理装置。 The generation unit is
The second group information indicating the plurality of second groups is generated by dividing at least one first group among the plurality of first groups and generating two or more second groups. The information processing device according to claim 15.
各第1グループに属するオブジェクトをクラスタリングし、前記各第1グループを二以上の第2グループに分割することにより、前記複数の第2グループを示す前記第2グループ情報を生成する
ことを特徴とする請求項15に記載の情報処理装置。 The generation unit is
The second group information indicating the plurality of second groups is generated by clustering objects belonging to each first group and dividing each first group into two or more second groups. The information processing device according to claim 15.
データ検索の対象となる複数のオブジェクトを示すオブジェクト情報を取得する取得工程と、
前記取得工程により取得された前記オブジェクト情報に基づいて、前記複数のオブジェクトを分類する第1数のグループである複数の第1グループを示す第1グループ情報と、前記複数の第1グループとは異なる分類となるグループであって、前記複数のオブジェクトを分類する前記第1数よりも多い第2数のグループである複数の第2グループを示す第2グループ情報とを生成する生成工程と、
を含むことを特徴とする情報処理方法。 An information processing method performed by a computer, the method comprising:
an acquisition step of acquiring object information indicating a plurality of objects to be searched for;
First group information indicating a plurality of first groups that are a first number of groups for classifying the plurality of objects based on the object information acquired in the acquisition step is different from the plurality of first groups. a generation step of generating second group information indicating a plurality of second groups, which are groups to be classified and are a second number of groups larger than the first number for classifying the plurality of objects;
An information processing method characterized by comprising:
前記取得手順により取得された前記オブジェクト情報に基づいて、前記複数のオブジェクトを分類する第1数のグループである複数の第1グループを示す第1グループ情報と、前記複数の第1グループとは異なる分類となるグループであって、前記複数のオブジェクトを分類する前記第1数よりも多い第2数のグループである複数の第2グループを示す第2グループ情報とを生成する生成手順と、
をコンピュータに実行させることを特徴とする情報処理プログラム。 an acquisition procedure for acquiring object information indicating multiple objects to be searched for;
First group information indicating a plurality of first groups that are a first number of groups for classifying the plurality of objects based on the object information acquired by the acquisition procedure is different from the plurality of first groups. a generation procedure for generating second group information indicating a plurality of second groups, which are groups that are classified and are a second number of groups that are larger than the first number of groups that classify the plurality of objects;
An information processing program that causes a computer to execute.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2022129735A JP2024027034A (en) | 2022-08-16 | 2022-08-16 | Information processing apparatus, information processing method, and information processing program |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2022129735A JP2024027034A (en) | 2022-08-16 | 2022-08-16 | Information processing apparatus, information processing method, and information processing program |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2024027034A true JP2024027034A (en) | 2024-02-29 |
Family
ID=90038571
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022129735A Pending JP2024027034A (en) | 2022-08-16 | 2022-08-16 | Information processing apparatus, information processing method, and information processing program |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2024027034A (en) |
-
2022
- 2022-08-16 JP JP2022129735A patent/JP2024027034A/en active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR20150119403A (en) | Compression device, compression method, dictionary generation device, dictionary generation method, expansion device, expansion method, expansion program, and information processing system | |
KR20160132853A (en) | Parallel decision tree processor architecture | |
JPWO2013129580A1 (en) | Approximate nearest neighbor search device, approximate nearest neighbor search method and program thereof | |
US9619501B2 (en) | Index scan device and index scan method | |
CN104484392A (en) | Method and device for generating database query statement | |
JPWO2017072890A1 (en) | Data management system, data management method and program | |
JP6311000B1 (en) | Generating device, generating method, and generating program | |
WO2022007596A1 (en) | Image retrieval system, method and apparatus | |
JP2020086662A (en) | Information processing apparatus, information processing method, and information processing program | |
JP6705764B2 (en) | Generation device, generation method, and generation program | |
JP7273609B2 (en) | Information processing device, information processing method, and information processing program | |
JP2024027034A (en) | Information processing apparatus, information processing method, and information processing program | |
JP2024027038A (en) | Information processing apparatus, information processing method, and information processing program | |
JP6418658B2 (en) | Information processing apparatus, information processing method, and program | |
JP2020027590A (en) | Information processing device, information processing method, and information processing program | |
JP5224537B2 (en) | Locality-detectable hash construction device, similar neighborhood search processing device, and program | |
JP7354188B2 (en) | Information processing device, information processing method, and information processing program | |
JP7353330B2 (en) | Information processing device, information processing method, and information processing program | |
JP7469262B2 (en) | Information processing device, information processing method, and information processing program | |
JP7471264B2 (en) | Information processing device, information processing method, and information processing program | |
JP2023086434A (en) | Information processing device, information processing method, and information processing program | |
KR102062139B1 (en) | Method and Apparatus for Processing Data Based on Intelligent Data Structure | |
JP7121706B2 (en) | Information processing device, information processing method, and information processing program | |
JP6974248B2 (en) | Information processing equipment, information processing methods, and information processing programs | |
JP7109522B2 (en) | Information processing device, information processing method, and information processing program |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A711 | Notification of change in applicant |
Free format text: JAPANESE INTERMEDIATE CODE: A712 Effective date: 20231026 |