JP4523413B2 - 複数のメディア参照でのサーチ不明確性の減少 - Google Patents

Description

本発明はメディアオブジェクトをサーチすることに関するものである。

イメージ、オーディオファイル、ビデオ等のデジタルオブジェクトをキャプチャし、格納し、中継するための電子的技術が現在容易に入手可能である。更に、これらの技術がますます日常的に使用されることは多数の容易に取得可能なメディアオブジェクトを発生している。人々は、デジタルカメラ、ドローイングプログラム、写真管理ソフトウエアを使用してピクチャを作成する。彼等はハンドヘルドのビデオカメラでビデオファイルを作成し且つ家庭のエンターテイメントセンターでＣＤを焼く。その結果得られるデジタルオブジェクトは容易にコピーされ且つ格納され、且つ容易にアーカイブ中に蓄積することが可能である。それらは、又、ワールドワイドウエブ、即ちインターネット上で、例えば、電子メール又はウエブサイト上で容易に共有され、多数のメディアオブジェクトを多くの人々に入手可能なものとさせる。

メディアオブジェクトの数及びアクセス可能性が増加するに従い、それらを管理することが益々困難なものとなる場合がある。例えば、１組のイメージがより大きくなればなる程、特定の即ち所望のピクチャを見つけ出すことはより困難なものとなる場合がある。例えば、ある人は、それを作成した時間又はそれを格納したディレクトリーを思い出すことにより特定のイメージを見つけ出そうとする場合がある。同様に、オーディオファイル及びビデオファイルへのアクセスがより多ければ多い程、特定の即ち所望のソング又はムービーを見つけ出すことがより困難なものとなる場合がある。例えば、ある人は、そのタイトル、又はその主役の演技者又は役者の名前を思い出すことにより特定のオーディオ又はビデオレコーディングを見つけ出そうとする場合がある。サーチの意図を画定するためにメディアオブジェクトに関するこのような情報を使用することは問題となる場合がある。何故ならば、それを見つけ出すために特定のオブジェクトに関する詳細について人が覚えることを必要とする場合があるからである。

ある人は、単にそれと関連しているものではなく、そのオブジェクトに内在する特定の特徴又は側面に対してのメディアオブジェクトのコレクション即ち集まりをサーチする場合がある。例えば、ある人は、これらの特徴を記述するパラメータを特定することによりカラー、形状、テクスチャの特定の分布を有するイメージをサーチする場合がある。ある人は、例えば、参照イメージを提供し且つそれに類似するイメージをサーチすることによって特定のオブジェクト又は人を包含するイメージをサーチしようとする場合がある。既存のイメージサーチエンジンは、選択した参照イメージをデータベース内のイメージと比較し、且つこれらのイメージを該参照に多かれ少なかれ類似するものとしてランク付けする。このプロセスは、例えば、該データベースのより小さなサブセットをサーチするための異なる参照を使用して繰り返すことが可能である。

メディアオブジェクトに関する情報及び参照オブジェクトからの情報はデータベースをサーチするための有用な基礎を与える。然しながら、それらはサーチのために使用することが可能な基準に関して制限を課し、且つ、しばしば、サーチャーの意図を適切に特性付けるものではない。

本発明は、サーチ意図を画定する上での不明確性を減少させるために参照特徴を結合することによりサーチ基準を特定するための技術を提供する。一般的に、１つの側面においては、本発明は、サーチのための基準を表わす複合参照情報を発生するために複数個の参照オブジェクトに対するオブジェクト情報を結合するための技術を実現する方法及びコンピュータプログラムプロダクトを提供する。該複合参照情報は、メディアオブジェクトのコレクション即ち集まりにおけるメディアオブジェクトに対するオブジェクト情報と比較されてメディアオブジェクトの該集まりにおける１個又はそれ以上のメディアオブジェクトを識別する。

本方法及びコンピュータプログラムプロダクトの有益的な実現例は以下の特徴のうちの１つ又はそれ以上を包含することが可能である。メディアオブジェクトの集まりにおける１つのメディアオブジェクトは、該オブジェクト情報と該複合参照情報との比較に基づいて選択することが可能である。該複数個の参照オブジェクトはユーザ入力により特定することが可能である。該複数個の参照オブジェクトは、オーディオ、イメージ、テキスト、ＣＤ、ビデオから選択した１つのタイプを有する１つ又はそれ以上のオブジェクトを包含することが可能である。異なるタイプのオブジェクトに対するオブジェクト情報を結合することが可能である。オブジェクト情報を結合することは、参照オブジェクトに対するオブジェクト情報の交差又はユニオン即ち合体を決定することを包含することが可能である。

オブジェクト情報は、該参照オブジェクト及びメディアオブジェクトの集まりにおけるメディアオブジェクトの特徴を特性付けることが可能である。該特徴は、該特徴の相対的重要性を特定するために重み付けすることが可能である。特徴の重み付けは、特徴の相対的重要性を表わすユーザ入力を受取ることが包含することが可能である。特徴は、その特徴に対する幾つかの値の各々の相対的発生頻度により表わすことが可能である。該１組の特徴は、１つのオブジェクトにおけるカラーの相対的発生頻度を記述するカラー情報を包含することが可能である。第一オブジェクトタイプに対する特徴は第二オブジェクトタイプに対する特徴に対してマップさせることが可能である。

本技術は、複合参照情報を改定するために付加的な参照オブジェクトに対するオブジェクト情報を該複合参照情報と結合させることを包含することが可能である。該付加的な参照は、該複合参照情報をメディアオブジェクトに対するオブジェクト情報と比較することにより識別されるメディアオブジェクトとすることが可能である。改訂された複合参照情報は、メディアオブジェクトのコレクション即ち集まりにおけるメディアオブジェクトに対するオブジェクト情報と比較することが可能である。

オブジェクトの複合参照情報に対する類似度を表わす類似度値をメディアオブジェクトの集まりにおけるメディアオブジェクトの各々に対して割当てることが可能である。メディアオブジェクトの集まりにおけるメディアオブジェクトの各々の類似度値は、各参照オブジェクトに対して計算される類似値未満であるか又はそれに等しいものとすることが可能である。メディアオブジェクトは、それらの類似度値に従ってランク付けすることが可能であり、且つメディアオブジェクトはそのランクに基づいて選択することが可能である。

参照及びメディアオブジェクトの各々に対するオブジェクト情報は、コンポーネントの特徴ベクトルとして表現することが可能であり、各特徴ベクトルは対応する参照又はメディアオブジェクトの特徴を表わす１つ又はそれ以上のコンポーネントを包含する。各特徴ベクトルは対応する参照又はメディアオブジェクトと関連するメタデータを表わす１つ又はそれ以上のコンポーネントを包含することが可能である。該複数個の参照オブジェクトの特徴ベクトルは、複合参照ベクトルを発生するために結合させることが可能である。各参照オブジェクトの一部又は全ての特徴を表わすコンポーネントは、第一結合関数に従って結合させることが可能であり、且つ各参照オブジェクトの一部又は全てと関連するメタデータを表わすコンポーネントは第二結合関数に従って結合させることが可能である。

１つ又はそれ以上の特徴の相対的な重要性を特定する重み付けベクトルを定義し且つ特徴ベクトルを結合させる場合に使用することが可能である。特徴ベクトルを結合させるためにＭｉｎ又はＭａｘ関数を使用することが可能である。複合参照ベクトルはメディアオブジェクトの集まりにおける複数個のメディアオブジェクトの各々の特徴ベクトルと比較することが可能である。複合参照ベクトルは、Ｍｉｎ又はＭａｘ関数を使用して、該メディアオブジェクトの各々の特徴ベクトルと比較することが可能である。参照オブジェクトに対するオブジェクト情報は、結合関数を使用して結合することが可能であり、且つ複合参照情報は、該結合関数に基づく比較関数を使用してメディアオブジェクトに対するオブジェクト情報と比較することが可能である。

１つの実現例においては、オブジェクト情報は参照オブジェクト及びメディアオブジェクトの集まりにおけるメディアオブジェクトの特徴を特性付けることが可能であり、且つコンポーネントの特徴ベクトルとして表現することが可能であり、該複数個の参照オブジェクトの特徴ベクトルは複合参照ベクトルを発生するためにＭｉｎ又はＭａｘ関数を使用して結合することが可能であり、且つ複合参照ベクトルはＭｉｎ又はＭａｘ関数を使用してメディアオブジェクトの集まりにおける各メディアオブジェクトの特徴ベクトルと比較することが可能であり、且つメディアオブジェクトの特徴ベクトルの複合参照ベクトルに対する類似度を表わす類似度値をメディアオブジェクトの集まりにおける各メディアオブジェクトに割当てることが可能であり、メディアオブジェクトの集まりにおけるメディアオブジェクトの各々の類似度値は各参照オブジェクトに対して計算した類似度値未満か又はそれに等しい。

一般的に、別の側面においては、本発明は、メディアオブジェクトのコレクション即ち集まりをサーチするシステムを提供する。本システムは、サーチのための基準を表わす複合参照情報を発生するために複数個の参照オブジェクトに対するオブジェクト情報を結合するための手段、及びメディアオブジェクトの集まりにおける１つ又はそれ以上のメディアオブジェクトを識別するために該複合参照情報をメディアオブジェクトの集まりにおけるメディアオブジェクトに対するオブジェクト情報と比較する手段を包含している。

メディアオブジェクトの集まりをサーチするための本システムの有益的な実現例は以下の特徴のうちの１つ又はそれ以上を包含することが可能である。本システムは、複合参照情報に対するオブジェクトの類似度を表わす類似度値をメディアオブジェクトの集まりにおけるメディアオブジェクトの各々へ割当てる手段を包含することが可能であり、その場合に、メディアオブジェクトの集まりにおけるメディアオブジェクトの各々の類似度値は各参照オブジェクトに対して計算された類似度値未満か又はそれに等しい。

オブジェクト情報は、参照オブジェクト及びメディアオブジェクトの集まりのメディアオブジェクトの特徴を特性付けることが可能であり、且つコンポーネントの特徴ベクトルとして表現することが可能である。本システムは、複合参照ベクトルを発生するために該複数個の参照オブジェクトの特徴ベクトルを結合する手段、及び該複合参照ベクトルをメディアオブジェクトの集まりにおけるメディアオブジェクトの各々の特徴ベクトルと比較するための手段を包含することが可能である。

本発明は、以下の利点のうちの１つ又はそれ以上を実現するために実施することが可能である。ユーザは、１組のメディアオブジェクトのサーチを実施する場合にユーザのサーチ意図を反映するサーチ基準を定義することが可能である。ユーザは、その意図が参照により又はオブジェクトと関連する情報により明確に定義されるものでない場合であっても、ユーザのサーチ意図を反映するサーチ基準を定義することが可能である。サーチ基準は、１組の参照オブジェクトを選択することにより定義することが可能である。サーチ基準は、参照オブジェクトの選択が与えられると、自動的に定義することが可能である。サーチ基準は、１組のオブジェクトにおけるオブジェクト間の共通性又は交差として定義することが可能である。サーチ基準は、１組のオブジェクトにおいて包括的なもの、又は特徴のユニオン即ち合体として定義することが可能である。ユーザは、ユーザのサーチ意図に従ってサーチ基準を洗練させることが可能である。サーチ基準は、１組の参照オブジェクトに対してオブジェクトを付加することにより再提示することが可能である。サーチ基準は、１組のイメージに対する情報の結合に従って重み付けすることが可能である。ユーザはサーチ基準を定義するために異なるタイプのメディアオブジェクトを使用することが可能である。ユーザは、別のタイプのメディアオブジェクトにより定義されたサーチ基準を使用して１つのタイプのメディアオブジェクトをサーチすることが可能である。

参照オブジェクトの特徴に基づいてコレクション即ち集まりにおける１つの特定のオブジェクト又は複数のオブジェクトを識別するためにメディアオブジェクトのコレクション即ち集まりをサーチすることが可能である。メディアオブジェクトの集まりをサーチするために参照オブジェクトを使用することは、該参照オブジェクトにおける興味のある特徴が、しばしば、悪く定義されているか又はサーチのためのそれらの重要性に関して不適切にランク付けされているために、少なくとも部分的に不明確である。例えば、典型的に、参照オブジェクトのどの特徴が興味のあるものであるかが不明確である。興味のある特徴が特定された場合であっても、例えばカラー、テクスチャ、形状等のその特徴の種々の側面の相対的な重要性は、典型的に、定義されていない。更に、該参照はユーザにとって興味のある特徴又は側面を包含するものではない場合がある。

サーチ基準を特性付け且つ洗練するために複数の参照を使用することにより、サーチ基準を定義するために参照オブジェクトを使用する場合に内在する不明確性は部分的に又は完全に解消することが可能である。複数の参照オブジェクトを使用して、複合参照、及び、所望により、特徴の重み付けを作成する。複合参照及び特徴の重み付けは選択した参照オブジェクトの特徴を評価することにより、例えば、選択した参照オブジェクトの間の共通性又は差異を見つけ出すことにより定義される。複合参照及び／又は重み付けは、更に、付加的な参照オブジェクトの選択で洗練させることが可能である。このように、サーチ基準は、ユーザのサーチ意図をより良く表わすか又は反映させるために調節することが可能である。

図１は複数の参照オブジェクトの特徴に基づいてオブジェクトのコレクション即ち集まりをサーチする方法を例示している。２個又はそれ以上の参照オブジェクトが選択される（ステップ２）。該参照オブジェクトはサーチすべきオブジェクトの集まりから選択することが可能である。一方、該参照オブジェクトは例えば参照オブジェクトの予め定めた集まり等のその他の供給源から選択することが可能である。該参照オブジェクトは、又、例えば、外部供給源から所望の参照オブジェクトをインポートすることにより、又は例えばコンピュータ上でドローイング又はペインティングプログラムを使用することによって参照オブジェクトを作成することにより、ユーザにより供給させることが可能である。該参照オブジェクトは、複合参照を発生するために使用される（ステップ４）。該複合参照は、例えば、該参照オブジェクトのうちのいずれかにおいて発生する特徴又は該参照オブジェクトに共通な特徴に関しての情報を包含することが可能である。

サーチすべきオブジェクトの集まり即ち組が識別される（ステップ６）。該集まりにおける第一オブジェクトで開始して（ステップ８）、該オブジェクトは複合参照と比較される（ステップ１０）。比較結果、例えば、類似度の尺度が、典型的に、保存又は格納される（ステップ１１）。サーチすべきオブジェクトの集まりの中に別のオブジェクトが存在する場合には（ステップ１２のＹＥＳ分岐）、それは複合参照と比較される（ステップ１４及び１０）。本方法は、サーチすべきオブジェクトの集まりの中に更なるオブジェクトが存在しなくなるまで（ステップ１２のＮＯ分岐）進行する。

少なくとも部分的に該複合参照により定義されるサーチ基準を満足するオブジェクトの集まりの中の１つのオブジェクト又は複数個のオブジェクトを、例えば、該オブジェクトの又はオブジェクトの該複合参照に対する類似度又は非類似度に基づいて選択することが可能である（ステップ１６）。オプションとして、該複合参照に対する類似度又は非類似度に従って該集まりにおけるオブジェクトの幾つか又は全てをランク付けすることが可能である。識別された１つ又は複数のオブジェクト、及びランク付けをユーザへ定義することが可能である。

図２に示したように、ここに記載するサーチ技術は、典型的に、コンピュータ環境において実現される。例えば、ユーザ５０はモニタ５２、スピーカー、又はその他の装置を使用してコンピュータ５４から情報を受取る。該コンピュータは、例えば、パソコン又はネットワーク上のサーバーとすることが可能である。メディアオブジェクトのコレクション即ち集まり６０が、例えば、ファイルシステム又はデータベースにおいてコンピュータ５４上の格納部内に維持される。ユーザ５０はコレクション即ち集まり６０のサーチのための２個又はそれ以上のオブジェクト７０，７２，７４を選択する。該オブジェクトは該コレクション即ち集まりから又は別の供給源からのものとすることが可能である。該オブジェクトは、例えば、イメージとすることが可能であり、且つユーザは選択したイメージ７０，７２，７４とある特徴と共有するイメージを見つけ出すことを所望する場合がある。選択したオブジェクトの複合体７６が作成される。コレクション即ち集まり６０内のオブジェクトが複合体７６と比較され、且つ１つ又はそれ以上のイメージ８０，８２が選択される。これらのイメージは、例えば、該複合体に最も類似した該コレクション即ち集まり内のオブジェクトである場合がある。次いで、該イメージがコンピュータモニタ５２上でユーザ５０に対して表示させることが可能である。このプロセスを繰り返すことが可能である。例えば、このサーチは、複合参照７６又は初期の参照オブジェクト７０，７２，７４のうちの１つ及び該サーチにおいて識別されたイメージ８０，８２のうちの１つを使用することにより洗練化させることが可能である。

一般的に、参照を使用するサーチの目的は、その参照に何らかの態様で類似しているコレクション即ち集まり内のオブジェクトを見つけ出すことである。該サーチは、該参照及びサーチするオブジェクトに対する参照の類似度へアクセスするために使用される比較関数により特定される。該参照は、単一のオブジェクト又は複合参照とすることが可能である。それは興味のある少なくとも幾つかの特徴又は側面を包含するが、興味のない特徴を包含することも可能である。該比較関数は、類似度を評価する場合に考慮される特徴のバランスを制御する重みを特定することが可能であり、且つ該サーチを制限又は調節するために使用することが可能である。該比較関数は、例えばグローバルに又はローカルに実施されるべきであるか否かのサーチの範囲を画定することが可能であり、且つそれは例えば類似であると考えられる寸法又は配向の範囲等の類似度に対する基準を特定することが可能である。該サーチにおいて、参照に対するコレクション即ち集まり内のオブジェクトの類似度が該比較関数に従って決定される。該オブジェクトはそれらの類似度値に従って該参照に対して多かれ少なかれ類似するものとしてランク付けすることが可能であり、従って、ユーザは、例えば、最も良く又は最も少なく類似するオブジェクト、又は１組の最も良く又は最も少なく類似するオブジェクトを選択することが可能である。

参照及び比較関数により画定されるサーチは、例えこのようなオブジェクトがサーチ中のオブジェクトのコレクション即ち集まりにおいて入手可能なものであっても、ユーザのサーチ意図を満足するオブジェクトを発生しない場合がある。該サーチは、以前の１つ又は複数の参照と付加的な参照に対する情報を結合することによりフォーカスさせるか又は洗練化させることが可能である。この結合は、以前に単一の基準が使用された場合には複合参照情報を生成し、且つ前に使用された複合参照情報を再提示する。参照は、例えば、それらのいずれかの特性を網羅するため、又はそれらの全てに対して共通な特性を特定するために結合することが可能である。該参照は、又、特徴の重み付けを定義するために使用することも可能であり、且つ新たな比較関数を定義するために使用することが可能である。該複合参照情報、存在する場合には重み付け、及び、存在する場合には、該新たな比較関数は新たなサーチに対する基礎を形成する新たなサーチ基準を定義する。

サーチすべきメディアオブジェクトのコレクション即ち集まりは、イメージオブジェクト又はファイル、及びオーディオオブジェクト又はファイル、テキストオブジェクト又はファイル、及び例えばイメージ、オーディオ、テキスト等のメディアタイプの結合を包含するオブジェクト又はファイルを包含することが可能である。典型的に、このようなメディアオブジェクトはデジタルデータを包含する。イメージオブジェクトは、例えば特定のオブジェクト、カラー、テクスチャ、形状等の視覚的特徴に対してサーチすることが可能である。オーディオオブジェクトは、例えば特定のサウンド又は単語、トーン、振幅、音量等のサウンド特徴に対してサーチすることが可能である。例えば電子的書籍等のテキストオブジェクトは、例えば特定の単語又は句、文書パターン、又は文法構造等の言語特徴に対してサーチすることが可能である。

結合メディアは、例えば、オーディオ、イメージ、テキストデータを網羅することが可能であり、且つ、例えば、オーディオ、イメージ、又はテキスト特徴に対してサーチすることが可能である。例えば、ビデオは特定のイメージの特徴に対して又はある人の音声の特徴に対してサーチすることが可能である。該ビデオは各フレームを別個のイメージとして取り扱い且つ各フレームを所望のイメージ特徴に対して比較することによりサーチすることが可能である。又、例えば、テキスト及びイメージの両方を包含する本はイメージに対してサーチすることが可能である。該本内の各イメージの該イメージ特徴に対する類似度を決定することが可能である。該本又はビデオはその中のイメージの類似度尺度の１つ又はそれ以上に基づいて、該イメージ特徴に対して多かれ少なかれ類似するものとして評価することが可能である。

異なるタイプのメディアを同一又は異なるタイプのメディアをサーチするために結合させることが可能である。このようなメディアの混合は、メディアオブジェクトが同様又は類似した特徴を有することを必要とする。異なるタイプのメディアオブジェクトは、例えば、例えばパターン、可変性、及び周期性等のメディアタイプにとって特定的なものでない特徴を有することが可能である。このような特徴は、オブジェクトのタイプに拘わらずにオブジェクトをサーチするために結合させ且つ使用することが可能である。１つのタイプの特徴は、又、別のタイプの特徴へ翻訳又は変換することが可能である。

図３に示したように、メディアオブジェクトの集まり又は組１１０は、２個又はそれ以上のメディアオブジェクト１１１−１１４を包含している。Ｎ個のメディアオブジェクトＭ_aがメディアオブジェクトの組内に存在している場合には、｛Ｍ_a｝＝｛Ｍ₁，Ｍ₂，．．．Ｍ_N｝である。同様に、参照オブジェクトの組１２０は１つ又はそれ以上のメディアオブジェクト１２１−１２３を包含している。Ｚ個の参照オブジェクトＲ_aが参照オブジェクトの組内に存在している場合には、｛Ｒ_a｝＝｛Ｒ₁，Ｒ₂，．．．Ｒ_Z｝である。この場合には、Ｎ個のメディアオブジェクトをサーチするためにＺ個の参照オブジェクトが結合される。

２個又はそれ以上の参照オブジェクト１２１−１２３の各々に対する情報が結合されて複合参照情報Ｒ_ｃ１３０を作成する。該情報は、例えば、２つの参照オブジェクトの関数ｇ（Ｒ_ｉ，Ｒ_ｊ）１３２に従って結合させることが可能である。例えばＲ_ａ及びＲ_ｂ１２１−１２２等の２個の参照オブジェクトが存在するに過ぎない場合には、これら２個の参照オブジェクトの各々に対する情報がＲ_ｃ＝ｇ（Ｒ_ａ，Ｒ_ｂ）のように結合される。２個を超える参照オブジェクトは、存在する場合には、それらのオブジェクト情報は対毎のシーケンスで結合させることが可能である。例えば、参照オブジェクトＲ_ａ及びＲ_ｂ１２１−１２２に対する情報は複合参照情報Ｒ_ａｂ １２５を作成するために結合させることが可能であり、従ってＲ_ａｂ＝ｇ（Ｒ_ａ，Ｒ_ｂ）である。次いで、複合参照情報Ｒ_ａｂ１２５は例えばＲ_Ｚ１２３等の第三参照オブジェクトに関する情報と結合させて複合参照情報Ｒ_ｃ１３０を作成することが可能であり、従ってＲ_ｃ＝ｇ（Ｒ_ａｂ，Ｒ_Ｚ）である。

付加的なオブジェクトから又はその他の結合したオブジェクトからの情報は既存の複合参照情報へ付加することが可能であり、多くの参照オブジェクトに対する情報を結合させることを可能とする。参照オブジェクトの組１２０内の２個を超える参照オブジェクト１２１−１２３からの情報を結合するために１つを超える関数を使用することが可能である。参照オブジェクト情報の重み付けした和によってオブジェクト情報を結合させることが可能である。参照イメージが重要性においてランク付けされている場合には、そのランクが重みとして作用する場合がある。２つを超える参照オブジェクトに対するオブジェクト情報は、例えば、関数ｇの対毎の適用によるのではなく加算により直接的に結合させることが可能である。

複合参照情報１３０は関数ｇ１３４を使用して、メディアオブジェクトの集まり又は組１１０内の２つ又はそれ以上のメディアオブジェクト１１１−１１４の各々に対する情報と比較される。関数Ｇは複合参照情報と各メディアオブジェクトに対する情報との間の類似度ｓ１４１−１４４を決定する。類似度値１４１−１４４は、参照オブジェクト１２１−１２３から派生した複合情報Ｒ_c１３０に対して多かれ少なかれ類似するものとして関連するメディアオブジェクト１１１−１１４をランク付けするために使用することが可能である。

関数Ｇ１３４は、２つ又はそれ以上の参照オブジェクトに対する情報を結合するために使用される関数ｇ１３２に対して類似しているか又は同一である要素を包含することが可能である。例えば、関数ｇの要素ｇ_s（Ｍ_i，Ｒ_c）は関数ｇ１３２に対して類似しているか又は非類似である場合がある。このように、ユーザは、ユーザのサーチ意図に従ってその結合及び比較関数を独立的に調整することが可能である。例えば、ユーザは包含的参照を作成するために参照を結合し、次いで、該参照により厳格に類似するオブジェクトをサーチすることが可能である。又、例えば、ユーザは、例えば、結合関数の上に立つ比較関数を使用することにより結合関数を補完する比較関数を選択することが可能である。

関数Ｇは、重み付け要素Ｗ_s１５０を包含することが可能である。該重み付け要素は、例えば、関数ｈ（Ｒ_i，Ｒ_j）１５２に従って２個又はそれ以上の参照オブジェクト１２１−１２３の各々に関する情報を結合することにより参照オブジェクト１２１−１２３の１つ又はそれ以上に対する情報から派生することが可能である。例えばＲ_a及びＲ_b１２１−１２２等の２つの参照オブジェクトが存在するに過ぎない場合には、これら２つの参照オブジェクトの各々に対する情報がＷ_s＝ｈ（Ｒ_a，Ｒ_b）のように結合される。２つを超える参照オブジェクトが存在している場合には、それらのオブジェクト情報は、前述したように対毎のシーケンスで結合させることが可能であり、従って、例えば、Ｗ_s＝ｈ（Ｒ_ab，Ｒ_Z）であり、尚Ｒ_ab＝ｈ（Ｒ_a，Ｒ_b）である。関数ｈは、典型的に、関数ｇと同一であり、その場合には、Ｈ（Ｒ_a，Ｒ_b）＝ｇ（Ｒ_a，Ｒ_b）であり且つＲ_c＝Ｗ_sである。

メディアオブジェクトの特徴を特性付けるために使用される情報は、１組のパラメータにより要約することが可能である。例えば、メディアオブジェクトを特性付ける情報は、「特徴ベクトル」として呼称されるベクトルにおける一連の値として要約することが可能である。特徴ベクトルは、好適には、１つ又はそれ以上の特定の分析方法でメディアオブジェクトの一部又は全部を分析することにより作成又は派生される情報を包含している。特徴ベクトルは、又、該オブジェクト又は該オブジェクトの分析と関連する情報を包含することが可能である。このような情報は、通常、メタデータと呼称される。

複数の参照に対する情報を結合し且つメディアオブジェクトの組をサーチするために特徴ベクトルを使用するサーチの一例を図４に示してある。メディアオブジェクトの組１１０内の各メディアオブジェクト１１１−１１４は、対応する特徴ベクトルＶ_N２１１−２１４を有することが可能である。メディアオブジェクトの組内にＮ個のメディアオブジェクトＭ_aが存在する場合には、｛Ｍ_a｝＝｛Ｍ₁，Ｍ₂．．．Ｍ_N｝及びＮ個の対応する特徴ベクトルＶ_M1，Ｖ_M2．．．Ｖ_MNである。同様に、参照オブジェクトの組１２０内の各メディアオブジェクト１２１−１２３は対応する特徴ベクトルＶ_R２２１−２２３を有している。参照オブジェクトの組内にＸ個の参照オブジェクトＲ_aが存在している場合には、｛Ｒ_a｝＝｛Ｒ₁，Ｒ₂．．．Ｒ_X｝及びＺ個の対応する特徴ベクトルＶ_R1，Ｖ_R2，．．．Ｖ_RZ
である。メディアオブジェクト及び参照オブジェクトに対する特徴ベクトルは、典型的に、同一又は類似のコンポーネントを有している。

参照オブジェクト１２１−１２３の組１２０に対応する特徴ベクトル２２１−２２３は結合されて複合参照ベクトル２５０を作成する。特徴ベクトル２２１−２２３は、例えば、参照オブジェクトに関する情報について前に説明したように、例えば、対毎の態様で２つの特徴ベクトルの関数Ｆ_c（Ｖ_i，Ｖ_j）２３２に従って結合させることが可能である。

複合参照ベクトル２３０は、例えばＴｒ［Ｗ_s＊ｆ_s（Ｖ_i，Ｖ_r）］２３４等の関数を使用してメディアオブジェクトの集まり１１０内の２つ又はそれ以上のメディアオブジェクト１１１−１１４の各々に対する特徴ベクトル２１１−２１４と比較され、尚Ｔｒはベクトル［Ｗ_s＊ｆ_s（Ｖ_i，Ｖ_r）］におけるコンポーネントの和を表わす。ベクトルＷ_s，Ｖ_i，Ｖ_rの各々においてＺ個のコンポーネントｃが存在している場合には、Ｔｒ［Ｗ_sｆ_s（Ｖ_i,Ｖ_r）］＝Σ_(c=1..Z)［Ｗ_s［ｃ］ｆ_s（Ｖ_i［ｃ］，Ｖ_r［ｃ］）］である。例えば、［Ｗ_s＊ｆ_s（Ｖ_i，Ｖ_r）］＝Ｘであり且つＸがＺ個のコンポーネントを有している場合には、Ｔｒ［Ｗ_s＊ｆ_s（Ｖ_i，Ｖ_r）］＝ＴｒＸ＝Ｘ₁＋Ｘ₂＋Ｘ₃．．．Ｘ_Zである。前述した関数Ｇ１３４に対するように、関数Ｔｒ［Ｗ_s＊ｆ_s（Ｖ_i，Ｖ_r）］２３４は複合参照ベクトルとメディアオブジェクトｉ１１１−１１４に対する特徴ベクトルの間の類似度ｓ_i１４１−１４４を決定する。この類似度値は、関連するメディアオブジェクト１１１−１１４を、参照オブジェクト１２１−１２３の特徴ベクトル２２１−２２３から派生した複合参照ベクトル２３０に多かれ少なかれ類似するものとしてランク付けするために使用することが可能である。

関数Ｔｒ［Ｗ_s＊ｆ_s（Ｖ_i，Ｖ_r）］２３４は、関数Ｗ_c＊ｆ_c（Ｖ_i，Ｖ_j）２３２の要素と類似するか又は同一である要素を包含することが可能である。例えば、ｆ_s（Ｖ_i，Ｖ_r）＝ｆ_c（Ｖ_i，Ｖ_j）とすることが可能である。関数Ｔｒ［Ｗ_s＊ｆ_s（Ｖ_i，Ｖ_r）］２３４は、又、重み付け要素Ｗ_s２５０を包含することが可能である。該重み付け要素は、参照オブジェクト１２１−１２３の１つ又はそれ以上に対する特徴ベクトル２２１−２２３から派生することが可能である。重み付け要素は、例えば、複数の参照オブジェクトに対する特徴ベクトルを結合する場合に前述したように、対毎の繰り返しの態様で適用することが可能な２つの特徴ベクトルの関数Ｗ_w＊ｆ_w（Ｖ_i，Ｖ_j）２５２に従って派生させることが可能である。

関数Ｗ_w＊ｆ_w（Ｖ_i，Ｖ_j）２５２は、関数Ｗ_c＊ｆ_c（Ｖ_i，Ｖ_j）２３２又はＴｒ［Ｗ_s＊ｆ_s（Ｖ_i，Ｖ_r）］２３４の要素に類似するか又は同一である要素を包含することが可能である。例えば、ｆ_w（Ｖ_i，Ｖ_j）＝ｆ_c（Ｖ_i，Ｖ_j）又はｆ_w（Ｖ_i，Ｖ_j）＝ｆ_s（Ｖ_i，Ｖ_r）とすることが可能である。同様に、Ｗ_w＝Ｗ_c又はＷ_s＝Ｗ_cとすることが可能である。

参照メディアオブジェクトを包含するメディアオブジェクトに対する特徴ベクトルについて更に詳細に説明する。特徴ベクトルは、典型的に、コンポーネントの一次元ベクトルである。例えば、特徴ベクトルＶはＷ個のコンポーネントの数列であり、従ってＶ＝｛Ｖ₁，Ｖ₂，．．．Ｖ_W｝である。

図５に示したように、特徴ベクトル３００，３０２；３２０，３２２は、コンポーネントの組３１０，３０１−３１４；３２１，３３０−３３４を包含することが可能である。特徴ベクトルのコンポーネントは、例えば、コンポーネントの情報のタイプ又はそれによってコンポーネントが作成された又は派生された方法に従って複数の組又は副組へグループ化することが可能である。例えば、特徴ベクトルの最初の１０００個のコンポーネントはメディアオブジェクトの分析から派生される場合があり且つ該特徴ベクトルの最後の３個のコンポーネントは該メディアオブジェクトと関連する情報である場合がある。この例においては、最初の１０００個のコンポーネントは、例えば、１０００個のカラーの各々である該イメージの割合を決定することから派生することが可能であり、且つ最後の３個のコンポーネントは、例えば、該オブジェクトが作成された日付及び時間及びオブジェクトのファイル名とすることが可能である。

幾つかの組のコンポーネントはメディアオブジェクトから派生することが可能である。例えば、イメージオブジェクトに対する特徴ベクトルはテクスチャＴ３１０、カラーＣ３１１、形状Ｓ３１１を記述するコンポーネントの組を包含することが可能であり、それらの各々はイメージデータの幾つか又は全ての分析により派生される。又、例えば、オーディオオブジェクトに対する特徴ベクトル３２０，３２２はフーリエ変換情報Ｆ３３０、ウエーブレット分解情報Ｗ３３１、フラクタル尺度Ｆｒ３２２を記述するコンポーネントの組を包含することが可能であり、それらの各々はオーディオデータの幾つか又は全ての分析により派生される。特徴ベクトルは、オブジェクト内の１つを超えるタイプのメディアの分析から派生されるコンポーネントを包含することが可能である。例えば、オーディオビジュアルオブジェクトに対する特徴ベクトルは結合したオーディオ及びビジュアルの部分又はオブジェクトの側面の分析から派生されたフラクタル尺度を包含することが可能である。

その他の組のコンポーネントはイメージ又はオーディオオブジェクト又はメタデータと関連する情報を包含することが可能である。例えば、組Ｄ３１３，３３３はファイル名及び該イメージ又はオーディオオブジェクトが作成、コピー、又は格納された日付及び時間を包含することが可能であり、且つ組Ｍ３１４，３３４はその他の組におけるコンポーネントを派生するために使用した分析に関する情報を包含することが可能である。

特徴ベクトル３００，３２０におけるコンポーネントの数は、特徴ベクトルにおけるコンポーネントの各組におけるコンポーネントの数の和である。例えば、組Ｔ，Ｃ，Ｓ，Ａ，Ｍ内に、夫々、Ｊ，Ｋ，Ｌ，２，Ｄ個のコンポーネントが存在している場合には、特徴ベクトル３００はＪ＋Ｋ＋Ｌ＋２＋Ｄ個のコンポーネントを有している。即ち、Ｖ_ｉ＝｛Ｔ_ｉ（ｉ＝１．．．Ｊ），Ｃ_ｉ（ｉ＝Ｊ＋１，．．．Ｊ＋Ｋ），Ｓ_ｉ（ｉ＝Ｊ＋Ｋ＋１．．．Ｊ＋Ｋ＋Ｌ），Ａ_ｉ（ｉ＝Ｊ＋Ｋ＋Ｌ＋１．．．Ｊ＋Ｋ＋Ｌ＋２），Ｍ_ｉ（ｉ＝Ｊ＋Ｋ＋Ｌ＋３．．．Ｊ＋Ｋ＋Ｌ＋２＋Ｄ）｝である。同様に、組Ｆ，Ｗ，Ｆｒ，Ａ，Ｍにおいて夫々Ｕ，Ｖ，Ｗ，２，Ｄ個のコンポーネントが存在している場合には、特徴ベクトル３５０はＵ＋Ｖ＋２＋Ｄ＋Ｗ個のコンポーネントを有している。

イメージオブジェクトの特徴ベクトルにおける組におけるコンポーネントを派生又は作成するために種々の数値的及び統計的方法を使用することが可能である。使用される方法は、オブジェクトにおけるデータの種類に依存する場合がある。例えば、イメージオブジェクトはラスターグラフィックス及びラスターデータ、又はベクトルグラフィックス及びベクトルデータを包含する場合がある。ベクトルデータは、例えば、イメージ内のオブジェクト又はストロークの数、又はイメージ内のある特別の効果の数を記述するコンポーネントを作成するために使用することが可能である。

ベクトルデータと異なり、ラスターデータはイメージ内のオブジェクト又は形状を識別するためにセグメント化するか又はその他の態様で分析せねばならない。形状は、例えば、ほぼ一定のカラーの領域を決定することにより定義することが可能である。矩形形状は米国特許番号第６，２９８，１５７号「埋め込まれたイメージの位置決め及び整合（Ｌｏｃａｔｉｎｇ ａｎｄ ａｌｉｇｎｉｎｇ ｅｍｂｅｄｄｅｄ ｉｍａｇｅｓ）」に記載されている方法を使用して見つけることが可能であり、その特許の全体を引用により本明細書に取り込む。ラスターイメージは例えば、類似したカラー及びテクスチャの領域をフラッドフィルし、交差エッジに対するペナルティを課すことによりセグメント化することが可能である。

ラスター又はベクトルイメージオブジェクトの形状組Ｓ３１２におけるコンポーネントは、該イメージにおける形状を見つけ出すか又は定義し、次いで各形状に対する形状特性を測定することにより作成するか又は派生することが可能である。形状特性は、例えば、対称性、楕円率、又は変調率の尺度を包含することが可能である。形状特性は、例えば、周囲のフラクタル尺度として、又は、より簡単には、該形状の周囲の曲線に沿っての点のリスト又は該周辺に沿っての正接角度のリストとして定義することが可能である。

イメージオブジェクトのカラー組Ｃ３１１におけるコンポーネントは、１つ又はそれ以上のカラースペース即ち色空間に従って該イメージを分析することにより作成又は派生することが可能である。カラースペースは、基本カラーコンポーネント（即ち「色素」）によるカラーの範囲に対するデータ表現を与える。特定の色素は使用されるカラーシステムに依存する。例えば、ＣＭＹＫカラーシステムにおいては、カラーはシアン（Ｃ）、マゼンタ（Ｍ）、イエロー（Ｙ）、キー（Ｋ）（通常ブラック）に対する値の結合として表現され、ＲＧＢカラーシステムにおいては、カラーはレッド（Ｒ）、グリーン（Ｇ）、ブルー（Ｂ）に対する値の結合として表現され、且つＨＳＢカラーシステムにおいては、カラは色相（Ｈ）、飽和度（Ｓ）、輝度（Ｂ）に対する値の結合として表現される。

カラーコンポーネントは、例えば、イメージ内のカラーの平均及び標準偏差の尺度、又は支配的な又は最も共通するカラーのリストを包含することが可能である。カラーコンポーネントはカラーの頻度分布又はこのような分布のエントロピーを記述することが可能である。カラーコンポーネントはカラーと空間座標との積を包含することが可能である。例えば、コンポーネントは＜ｒＣ＞により定義することが可能であり、尚ｒはベクトル又は空間次元であり且つＣはカラー次元のベクトルである。＜ｒＣ＞は１／ＲΣ_r=1...R（ｒ_iＣ_a（ｒ））として定義され、尚Ｒ個の位置ｒが存在しており且つｒ_iはｒにおける空間座標のうちの１つであり且つＣ_a（ｒ）はｒにおけるカラーに対するカラー次元のうちの１つである。このような積はより高い空間周波数を包含することが可能であり、例えば、＜ｒｒＣ＞＝１／ＲΣ_r=1...R（ｒ_iｒ_jＣ_a（ｒ））又は＜ｒｒｒＣ＞である。コンポーネントは、カラーと空間座標との積に対する平均及び標準偏差を包含することが可能である。

カラーの周波数分布において、例えば、組Ｃ３１１におけるコンポーネントの各々ｐ（Ｃ_i）はＫ個のカラーのうちの１つのイメージ内の発生頻度を表わすことが可能である。即ち、各コンポーネントはカラーＣ_iによりカバーされるイメージの分別区域を記述することが可能である。例えば、イメージは、その５分の１が１つのカラーであり、１０分の１が別のカラーであり、１０分の３が３番目のカラーであり、１０分の３が４番目のカラーであり、１０分の１が５番目のカラーであるように５つのカラーに分割することが可能である。このようなイメージに対する組Ｃは｛０．２，０．１，０，３，０．３，０．１｝である。組Ｃは、図７に示したように、周波数プロット５００として観察することが可能である。

ラスターデータの場合、イメージはピクセルから構成されており且つ各ピクセルｒはあるカラーＣ（ｒ）のものである。該カラーは、典型的に、一連のビット（「カラー値」）によって表わされ、特定のビットは、前述したように、該カラーにおいて使用される各色素の量を表わしている。値ｐ（Ｃ_i）はピクセルの総数Ｒによって割られたカラーｉのピクセルの数として計算することが可能である。即ち、
ｐ（Ｃ_i）＝１／ＲΣ_r=1...RΔ（Ｃ_i，Ｃ（ｒ））
尚、
Δ（Ｃ_i，Ｃ（ｒ））＝１、Ｃ（ｒ）がカラーＣ_iと同じであることが分かった場合、及び
０、Ｃ（ｒ）がカラーＣ_iと同じであることが判明しなかった場合。

この例においては、イメージにおける全ての可能なカラーにわたってのｐ（Ｃ_i）の和は１であり、
Σ_i=1...Kｐ（Ｃ_i）＝１。

然しながら、加算して１となる特性を有することのない関数が可能であり且つ使用することも可能である。例えば、関数ｐ（Ｃ_i）＝Σ_r=1...RΔ（Ｃ_i，Ｃ（ｒ））でΣ_i=1...Kｐ（Ｃ_i）＝Ｒを使用することが可能である。又、例えば、不完全な組の特性を使用することが可能である。例えば、カラースペースをＫ個のカラーに分割する場合があるが、これらのカラーのうち幾つかＨのみに対しての情報を特徴ベクトル内に包含させる場合がある。即ち、Σ_i=1...Kｐ（Ｃ_i）＝１である場合には、特徴ベクトルはＣ_iのみを包含することが可能であり、尚ｉ＝１．．．Ｈ及びＨ＜Ｋであって、Σ_i=1...Hｐ（Ｃ_i）＜１である。

ベクトルデータの場合、同様のカラー分布テーブルをその他の手段によって発生することが可能である。例えば、グリッドを該データに対してマップすることが可能であり、且つ該グリッド内の各セルをカラー分布を計算するためにピクセルが取り扱われるように取り扱うことが可能である。又、例えば、イメージを一定のカラー領域に分割又は平坦化させることが可能であり、且つ対応するカラーの領域の寸法に比例してエントリをカラー分布テーブル内に配置させることが可能である。更に別の例において、イメージオブジェクトにおける個別的なベクトルオブジェクトのライン及びフィルカラーの分布からカラー分布を発生させることが可能である。

ラスター又はベクトルイメージオブジェクトのテクスチャ組Ｔ３１０におけるコンポーネントは、例えば、イメージデータに対するガボール（Ｇａｂｏｒ）フィルタ値の統計的モーメントを計算することにより作成又は派生させることが可能である。このような分析はイメージにおけるエッジ情報をキャプチャする。テクスチャコンポーネントはそのイメージのフラクタル尺度とすることが可能である。テクスチャコンポーネントは、又、そのイメージデータのウエーブレット分解又はフーリエ変換に対する係数、又は該係数の平均及び標準偏差とすることが可能である。２つ及びそれ以上の位置においてもカラーコンポーネント間の相関をテクスチャコンポーネントとして使用することが可能である。

イメージオブジェクトの特徴ベクトルにおけるコンポーネントを派生又は作成するために使用されるものを包含する数値的及び統計的方法は、オーディオオブジェクトの特徴ベクトル３２０におけるコンポーネントを派生又は作成するために使用することが可能である。特徴はオーディオトラック全体に対して、又は該トラックの２つ又はそれ以上のセグメントの各々に対して計算することが可能である。Ｆ３３０のコンポーネントは、例えば、オーディオデータのフーリエ変換から派生することが可能である。Ｗ３３１のコンポーネントは、例えば、オーディオデータのウエーブレット分解から派生することが可能である。Ｆｒ３３２のコンポーネントは、例えば、該データのフラクタルディメンジョン、又は該フラクタルディメンジョンの標準偏差とすることが可能である。オーディオオブジェクトの特徴ベクトルにおけるコンポーネントは、前に説明したカラーの分布と類似したオーディオ周波数のパワー分布を包含することが可能である。

図６に示したように、コンパクトディスク即ちＣＤのようなイメージ及びオーディオ情報の両方を有するメディアオブジェクトに対する特徴ベクトル４００，４０１は、前に説明したように、１組のイメージコンポーネント４０３と１組のオーディオコンポーネント４０４及び該オブジェクトを完全に記述するコンポーネントを包含することが可能である。該イメージコンポーネントは、前に説明したように、コンポーネント及びイメージオブジェクトに対するものとしてのコンポーネントの組３１０−３１４を包含することが可能であり、且つオーディオコンポーネントは、前に説明したように、コンポーネント及びオーディオオブジェクトに対するものとしてのコンポーネントの組３３０−３３４を包含することが可能である。

ビデオオブジェクトに対する特徴ベクトル４２０，４２２は、複数組のイメージコンポーネント４２３およびオーディオコンポーネント４２４を包含することが可能である。例えば、該特徴ベクトルはビデオにおけるキーフレームに対する１組のイメージコンポーネントを包含することが可能である。シーン変化の数及びそれらの期間のようなイメージ間の時間的関係を記述するコンポーネントも存在することが可能である。ビデオにおける動きの量を記述するために光学的流れの尺度を使用することが可能であり、この尺度は、例えば、アクティビティのないものからアクティビティを有するサベーランステープを区別するために使用することが可能である。ビデオ用の特徴ベクトルは、又、前に説明したように、オブジェクトの一部又は全てから派生されるコンポーネント４３３、及び該オブジェクトの一部又は全てに対するメタデータ４３４を包含することが可能である。

異なるタイプのメディアオブジェクトの特徴ベクトルコンポーネント又は結合メディアオブジェクトの異なるセグメントを派生するか又は作成するために同様の方法を使用することが可能である。例えば、ローカル時間窓にわたって取られたフーリエ又はウエーブレット周波数コンポーネントを時間の関数（即ち、オーディオトラックにおける位置）としてプロットさせたケプストラム分解を、オーディオ信号の二次元「イメージ」を作成するために使用することが可能である。このような二次元オーディオオブジェクトは、イメージオブジェクトに対するようにコンポーネントで記述することが可能である。例えば、オーディオテクスチャ特徴を該二次元オーディオオブジェクト又はセグメントのウエーブレット分解により発生させることが可能であり、一方イメージテクスチャ特徴はイメージオブジェクト又はセグメントのウエーブレット分解により発生させることが可能である。次いで該オーディオオブジェクトの時間的周波数を該イメージの空間周波数上にマップさせることが可能である。スケールを適宜選択して、オーディオ及びイメージオブジェクト又はセグメントに対して作成した特徴を結合し且つ比較することが可能である。

テキストオブジェクトに対する特徴ベクトルは、テキスト全体又はその一部、例えば、章又はパラグラフを特性付けるコンポーネントを包含することが可能である。該コンポーネントは、例えば、バイグラム、トリグラム等を使用して、意味概念又は単語の同時発生確率等のテキストの部分の統計的尺度から派生することが可能である。テキストオブジェクトの特徴ベクトルにおけるコンポーネントは、前に説明したカラーの分布に類似して、単語又はその他の構成概念の頻度分布を包含することが可能である。その他のタイプのメディアの特徴ベクトルに対するコンポーネントを派生又は作成するために、前に説明したものと同様の方法を使用することが可能である。特徴ベクトルを結合し且つ比較するための関数２３２，２３４について更に詳細に説明する。これらの関数２３２，２３４は、典型的に、２つの特徴ベクトルからなる関数ｆを包含しているが、２つを超える特徴ベクトルから成る関数を包含することが可能である。関数ｆは、典型的に、特徴ベクトルの１つ又はそれ以上のコンポーネントを評価する。典型的に、該関数は２つ又はそれ以上のベクトル間のユークリッド距離を見つけ出すものではない。該関数は特徴ベクトルにより記述される特徴の結合を表わす。例えば、該関数は特徴の交差又はユニオン（合体）を近似することが可能である。該関数は特徴のその他の非ユークリッド結合を近似することも可能である。このような関数の２つの例について更に詳細に説明する。

図７に示したように、２つの特徴ベクトル５００，５１０のコンポーネントは、例えば、それらの共同最小Ｍｉｎ５２０又は共同最大Ｍａｘ５３０を決定することにより結合又は比較することが可能である。この例においては、特徴ベクトルＶ₁５００及びＶ₂５１０の組Ｃにおけるコンポーネントは、前に説明したように、０から１の範囲にスケールされている。Ｖ₁５００の場合、Ｃ＝｛０．２，０．１，０．３，０．３，０．１｝であり、第一イメージの５分の１がＣ₁であり、１０分の１がＣ₂であり、１０分の３がＣ₃であり、１０分の３がＣ₄であり、１０分の１がｃ₅であることを表わしている。該コンポーネントの和は１．０である。何故ならば、第一イメージにおける全てのカラーは集計されたからである。Ｖ₂５１０の場合、Ｃ＝｛０．２，０．１，０．３，０．１，０．３｝であり、第二イメージの５分の１がＣ１であり、１０分の１がＣ₂であり、１０分の３がＣ３であり、１０分の１がＣ４であり、１０分の３がＣ５であることを表わしている。該コンポーネントの和は１．０である。何故ならば、第二イメージにおける全てのカラーは集計されたからである。

Ｍｉｎ関数は２つのベクトルにより定義される組又は関数の交差を決定する。ベクトルＶ₁及びＶ₂は、各コンポーネントに対して、該２つのベクトルに対しての値のうちのより小さいものを決定することにより「Ｍｉｎ」５２０関数を使用して結合又は比較される。例えば、Ｖ₁に対するＣ₄の値は０．３であり且つＶ₂に対するＣ₄の値は０．１である。より小さな値である０．１が結果的に得られる結合又は比較ベクトルＶ_N５２１において表わされる。この例においては、結合又は比較ベクトルＶ_MIN＝Ｖ_NはＣ＝｛０．２，０．１，０．３，０．１，０．１｝を有している。非常に大きな組の場合には、Ｃのコンポーネントは、図８に示したように、連続関数６００，６１０を近似する場合がある。２つのオフセットし且つほぼ正規的な関数６００，６１０に対してのＭｉｎ関数６２０の適用は、ピークを持った曲線６２１を発生し、それはこれら２つの関数のオーバーラップ領域を表わす。

Ｍａｘ関数は２つのベクトルにより定義される組又は関数のユニオン即ち合体を決定する。ベクトルＶ₁及びＶ₂は、各コンポーネントに対して、これら２つのベクトルに対する値のうちのより大きなものを決定することにより「Ｍａｘ」５３０関数を使用して結合又は比較される。例えば、Ｖ₁に対するＣ₅の値は０．１であり、且つＶ₂に対するＣ₅の値は０．１である。より大きな値である０．３は結果的に得られる結合又は比較ベクトル５３１において表わされる。この例においては、結合又は比較ベクトルＶ_MAX＝Ｖ_XはＣ＝｛０．２，０．１，０．３，０．３，０．３｝を有している。図８に示したように、連続関数６００，６１０を近似する非常に大きな組のコンポーネントの場合には、２つのオフセットし且つほぼ正規的な関数６００，６１０に対してのＭａｘ関数６３０の適用は、二峯性即ち平坦化した曲線６３１を発生する。この二峯性即ち平坦化した曲線はこれら２つの関数の下での結合された区域を表わす。

Ｍｉｎ又はＭａｘ関数は、連続的な値を有するコンポーネントを有する特徴ベクトル又は特徴ベクトルにおける組に対して適用することが可能である。即ち、このような関数の使用は、それが適用される各コンポーネントの強度がそのコンポーネントの値に関して単調的に増加又は減少する場合に意味のある結果を発生する。任意の確率分布がこの基準を満足し、従ってＭｉｎ又はＭａｘ関数の適用は意味のある結果を発生する。

その他のコンポーネントがこの基準を満足する場合がある。例えば、オブジェクトが作成された日付及び時間を単一のエキストラコンポーネントとしてその特徴ベクトル内に包含させることが可能である。該コンポーネントの値が何等かの原点時間からの時間である場合には、その特徴コンポーネントはこの基準を満足する。２つのこのような特徴コンポーネントのＭｉｎ関数との結合は、より先の作成時間を発生し、一方Ｍａｘ関数との結合はより後の作成時間を発生する。又、例えば、支配的なイメージカラーを、例えば、カラーのレッド、グリーン、ブルーコンポーネントの和等の単一の値として特徴ベクトル内に包含させることが可能である。異なる強度の２つの支配的なカラーの最小は強度が減少された同様のカラーであり、そのことは該基準を満足する。

殆ど連続的な値を有するコンポーネントは、Ｍｉｎ又はＭａｘ等の関数の適用が該基準を満足する一連のコンポーネントへ変換することが可能である。即ち、殆どの特徴はビンニングにより分布関数へマップさせることが可能である。例えば、オブジェクトの作成時間は、年の各日に対して１つｐ（ｄａｙ）、及び多数の年の各々に対して１つｐ（ｙｅａｒ）のように一連のビンとして表現することが可能である。オブジェクトがｄａｙ＝１０及びｙｅａｒ＝２０に作成された場合には、ｂ（１０）＝１，ｐ（２０）＝１であり、且つ全てのその他のｐ（ｄａｙ）及びｐ（ｙｅａｒ）の値はゼロである。同様に且つ例えば、テクスチャ尺度ｔに対する潜在的な値を複数のビンに分割することが可能である。ｔが０から１の範囲にわたる場合には、これらのビンは、例えば、以下の如くに定義することが可能である。

各ビンは特徴ベクトルＴのコンポーネントであり、且つ、例えば、ｔ＝０．３である場合に、Ｔ＝｛０，０，１，０，０｝であるように１又は０の値を取ることが可能である。この技術は、その値が有限の範囲を有する任意の特徴又は任意の組の値に対してうまく行く。その値が有限であるか又は非常に大きな範囲を有するコンポーネントはより小さな有限の範囲へ変換させることが可能である。例えば、文書における単語数ｎは０から数百万の範囲にわたる場合があるが、より小さな数有限の範囲を有するｎ′＝ｌｏｇ（ｎ＋１）として変換することが可能である。

Ｍｉｎ又はＭａｘ関数は、異なるタイプのオブジェクトの特徴を結合又は比較するために使用することが可能である。例えば、メディアのタイプに特定的なものでない特徴は、前述したようなオブジェクトタイプに拘わらずにオブジェクトに対して結合又は比較することが可能である。１つのタイプのメディアに対して特定的な特徴は、別のタイプの特徴へ翻訳又は変換し且つ後者のタイプのオブジェクトと結合又はそれに対して比較することが可能である。例えば、オーディオオブジェクトに対する波長の周波数分布は、オーディオ波長をカラー波長へマッピングすることによりカラーの周波数分布へマップさせることが可能である。例えば、分布が同様の範囲を有するか、又は特定のオーディオ及びイメージデータに対する分布が同様の形状を有するように、一方を他方へ変換するために比例定数又は関数を使用することが可能である。オーディオ及びカラー波長分布が同様のビン構造を有している場合には、それらは意味のある態様で比較又は結合することが可能である。

サーチ中のオブジェクトと基準との間の類似度を評価するために使用される関数Ｇ［Ｗ_s，ｇ_s（Ｍ_i，Ｒ_c）］１３４は、前述したように、オブジェクトを結合し且つ基準を発生するために使用される関数を補完するために調節することが可能である。例えば、類似度尺度は比較関数に基づくことが可能である。Ｍｉｎ（Ｖ₁，Ｖ₂）又はＭａｘ（Ｖ₁，Ｖ₂）のような関数は、夫々、Ｖ_min又はＶ_maxのような結合ベクトルを定義する。Ｖ_minのような結合又は比較ベクトルにおけるコンポーネントの和又はトレースＴｒは、関連するベクトルＶ_i及びＶ_jの間の類似度ｓの表示とする事が可能である。従って、ベクトルｉ及びｊの類似度はこれらのベクトルに適用される結合関数のトレースとして定義することが可能である。即ち、
ｓ（Ｖ_i，Ｖ_j）＝Ｔｒｆ（Ｖ_i，Ｖ_r）
＝ＴｒＶ_min
であり、例えば、ベクトルＶ₁５００及びＶ₂５１０のコンポーネントの各々は和が１であるが、ベクトルＶ_n５２１のコンポーネントの和は０．８であり、従ってｓ（Ｖ₁，Ｖ₂）＝ＴｒＶ_n＝０．８である。この尺度は、ベクトルＶ₁及びＶ₂が８０％類似していることを表わす。

関数ｆは、典型的に、そのコンポーネントの和が０と１を含んでその間にあるようにベクトルをリターンすべく選択されており、尚０は類似性がないことを表わす且つ１は完全な類似性、即ち同一であることを表わす。一般的に、１つの特徴ベクトルにおける１組のコンポーネントが、該コンポーネントの和が１であるように標準化されている場合には、Ｍｉｎ関数の適用により派生されるベクトルはこのような特性を有している。該オブジェクトが特徴ベクトルにおける該組のコンポーネントにより特性付けられる属性において同一である場合には、Ｖ_minのコンポーネントの和は１となる。例えば、Ｍｉｎ（Ｖ₁，Ｖ₁）
はＶ₁であり、且つＶ₁におけるコンポーネントの和は１であり、ベクトルＶ₁がそれ自身に完全に類似している、即ち同一であることを表わす。これら２つのオブジェクトが特徴ベクトルにおける該組のコンポーネントにより特性付けられるどのような態様においても類似していない場合には、Ｖ_minのコンポーネントの和はゼロと成る。従って、Ｍｉｎ関数は、該オブジェクトの類似度に依存して、標準化された組のコンポーネントに適用された場合にコンポーネントの和が０から１の範囲にわたるベクトルを発生する。

特徴ベクトルが、和が１となるように標準化されていない場合には、Ｍｉｎ関数は、コンポーネントの和が以下の如くに０から１の範囲にわたるベクトルを発生すべく調節することが可能である。

ｓ（Ｖ_i，Ｖ_j）＝Ｔｒ［Ｍｉｎ（Ｖ_i，Ｖ_j）］／Ｍｉｎ（ＴｒＶ_i，ＴｒＶ_j）
この特定の形式は、以下の所望の特性を発生するために選択されており、２つのベクトルＶ₁及びＶ₂を結合することにより発生される参照ベクトルＶ_rはＶ₁及びＶ₂の各々に対して完全に類似しているものとして定義される。例えば、複合参照ベクトルＶ_rが、
Ｖ_r＝Ｍｉｎ（Ｖ₁，Ｖ₂）
である場合には、Ｖ₁に対するその類似度は、
ｓ（Ｖ_r，Ｖ₁）＝Ｔｒ［Ｍｉｎ（Ｖ_r，Ｖ₁）］／Ｍｉｎ（ＴｒＶ_r，ＴｒＶ₁）
であり、それは、
ｓ（Ｖ_r，Ｖ₁）＝Ｔｒ［Ｍｉｎ（Ｖ₁，Ｖ₂）］／Ｔｒ［Ｍｉｎ（Ｖ₁，Ｖ₂）］＝１
へ還元する。

同様に、複合参照ベクトルＶ_rとＶ₂との間の類似度は１であり、
ｓ（Ｖ_r，Ｖ₁）＝Ｔｒ［Ｍｉｎ（Ｖ₁，Ｖ₂）］／Ｔｒ［Ｍｉｎ（Ｖ₁，Ｖ₂）］＝１
である。

この調節は、例えば、ベクトルＶ_N５２１、尚Ｃ＝｛０．２，０．１，０．３，０．１，０．１｝及びＴｒＶ_N＝０．８、をベクトルＶ₁５００、尚Ｃ＝｛０．２，０．１，０．３，０．３，０．１｝及びＴｒＶ₁＝１．０、と比較することを可能とする。この場合には、Ｍｉｎ（Ｖ_N，Ｖ₁）＝｛０．２，０．１，０．３，０．１，０．１｝及びＴｒ［Ｍｉｎ（Ｖ_N，Ｖ₁）］＝０．８である。調節の後に、
ｓ（Ｖ₁，Ｖ₂）＝０．８／Ｍｉｎ［０．８，１．０］＝１
となり、結合ベクトルＶ_NがベクトルＶ₁と完全に類似していることを表わす。一般的に、調節特徴は、Ｍｉｎ関数の適用により発生されるベクトルは、調節の後に、それからそれが派生された２つのベクトルのうちのいずれかに対して完全に類似しているという有用な特性を有している。即ち、
ｓ（Ｖ_i，Ｖ_min）＝ｓ（Ｖ_j，Ｖ_min）＝１
である。この同一性は、又、２つの特徴ベクトルＶ_i及びＶ_jがＭｉｎ関数ではなくＭａｘ関数と結合される場合にも成立する。即ち、
ｓ（Ｖ_i，Ｖ_max）＝ｓ（Ｖ_j，Ｖ_max）＝１
である。この重要な特性は、サーチ基準を定義するために使用した基準オブジェクトは、それら自身、又は非常に類似したメディアオブジェクトがサーチ中のオブジェクトの集まりの中において発生する場合に、該参照に対して類似しているものとして識別されるということを確保する。即ち、各参照項目は、サーチ中のオブジェクトの集まり内に包含されている場合には、複合参照に対してオブジェクトの最も類似するものとしてランク付けされる。

２つの特徴ベクトルを比較する場合に、それらを多かれ少なかれ互いに重み付けすることによって種々の特徴又はコンポーネントを強調させるか又は強調を除去することが可能である。例えば、該１組のコンポーネントＣ内の５個のコンポーネントのうちの最初の３個が興味のあるものであり、一方最後の２つはそうでない場合がある。この場合には、該コンポーネントは、それらのうちの最初の３個のみが考慮されるように重み付けさせることが可能である。この特定の重み付けは、該ベクトルの最初の３個のコンポーネントに１を乗算し且つ最後の２つのコンポーネントに０を乗算することにより達成される。一般的に、結合又は比較特徴ベクトルは、例えば、Ｗ_s＊Ｍｉｎ（Ｖ_i，Ｖ_j）又は、等価的にＷ_s＊Ｖ_minを与えるために重み付けベクトルＷ_s５０により乗算させることが可能である。

重み付けベクトルの使用は前に説明した類似度特性を維持する。重み付けベクトルを使用して、それらの重み付けした和が１であるようにそれらのコンポーネントが正規化されている２つのベクトルＶ_i及びＶ_jの類似度は、以下の如くに、
ｓ（Ｖ_i，Ｖ_r）＝ＴｒＷ_s＊ｆ（Ｖ_i，Ｖ_r）＝ＴｒＷ_s＊Ｖ_min
定義することが可能である。より一般的に且つ標準化されていない組のコンポーネントの場合には、
ｓ（Ｖ_i，Ｖ_r）＝Ｔｒ［Ｗ_sＭｉｎ（Ｖ_i，Ｖ_r）］／Ｍｉｎ（Ｔｒ［Ｗ_sＶ_i］，Ｔｒ［Ｗ_sＶ_r］）
である。これらの関数は、Ｍｉｎ関数の適用により発生されるベクトルは、前述したように、それからそれが派生された２つのベクトルのうちのいずれかに対して同一的に類似しているという有用な特性を維持する。

重み付けベクトルＷ_s５０，２５０は、前述したように、関数Ｈ（Ｒ_i，Ｒ_j）５２に従って２つまたはそれ以上の参照オブジェクトのうちの各々に関する情報を結合することによって参照オブジェクト１２１−１２３のうちの１つ又はそれ以上に対する情報から派生することが可能である。該情報が特徴ベクトルとして表わされる場合には、該重み付けベクトルは関数Ｈ（Ｒ_i，Ｒ_j）＝Ｗ_w＊ｆ_w（Ｖ_i，Ｖ_j）に従って派生することが可能であり、尚、例えば、ｆ_w（Ｖ_i，Ｖ_j）＝Ｍｉｎ（Ｖ_i，Ｖ_j）又はｆ_w（Ｖ_i，Ｖ_j）＝Ｍａｘ（Ｖ_i，Ｖ_j）であり、且つＷ_wは、例えば、ユーザの興味に従って定義される。

ビン処理即ちＭｉｎ又はＭａｘ等の関数を使用して意味があるように比較することが不可能なデータ又はパラメータは特徴ベクトル内に包含させることが可能であるが、特徴を結合するか又は比較する場合に分布データとは異なって取り扱われる。例えば、特徴ベクトルＶは分布組Ｐ＝｛ｐ（ｘ₁），ｐ（ｘ₂），ｐ（ｘ₃），．．．ｐ（ｘ_M）｝及びその他のデータＤ＝｛ｙ₁，ｙ₂，ｙ₃，．．．ｙ_M）｝を包含することが可能であり、Ｖ＝｛Ｐ，Ｄ｝である。２つの特徴ベクトルＶ₁及びＶ₂は２つの関数、即ちＰに対して適用される１つとＤに対して適用される別の１つとを使用して結合させることが可能である。例えば、Ｄ₁及びＤ₂におけるコンポーネントの平均を取りながら、コンポーネントの組Ｐ₁及びＰ₂に対してＭｉｎ関数を適用することによりベクトルを結合することが可能であり、
Ｖ_r＝｛Ｍｉｎ（Ｐ₁，Ｐ₂），（Ｄ₁＋Ｄ₂）／２｝
である。結果的に得られる参照ベクトルＶ_rは、２つの関数を使用してその他のメディアのベクトルに対して比較することが可能である。例えば、
ｓ（Ｖ_i,Ｖ_r）＝ｓ（Ｐ_i，Ｐ_r）＋Ｋ＊ａｂｓ（Ｄ_i＋Ｄ_r）
であり、尚Ｋは類似度比較に対してＤにおけるパラメータの重要性を制御する定数であり且つｓ（Ｐ_i，Ｐ_r）は分布に対して使用される類似度尺度Ｔｒ［Ｗ Ｍｉｎ（Ｐ₁，Ｐ₂）］／Ｍｉｎ（Ｔｒ Ｗ Ｐ₁，Ｔｒ Ｗ Ｐ₂）である。ｘが０から１の範囲にわたる場合には、Ｋは、典型的に、０と１０との間の数字であり、例えば、１．０である。

図９は１組の参照オブジェクトにおける２つまたはそれ以上の参照オブジェクトの各々に対する結合した情報を使用してメディアオブジェクトの集まりをサーチする方法を例示している。ユーザがサーチ基準を定義するための複数個の参照オブジェクトを選択する（ステップ７０１）。典型的に、ユーザは、選択した参照オブジェクトに類似するメディアオブジェクトを見つけ出すことを所望する。該選択した参照オブジェクトは、特定の特徴を有している場合があり、又はユーザが他のメディアオブジェクトにおいて見つけたいと思う一般的な側面を有している場合がある。該選択した参照オブジェクトは、ユーザが他のメディアオブジェクトにおいて見つけたいと思っている特徴又は側面を共有しているか又は共有していない場合がある。ユーザは、又、サーチすべきメディアオブジェクトのコレクション即ち集まりを選択する（ステップ７０２）。ユーザは、典型的に、該選択した参照オブジェクトに類似するメディアオブジェクトの選択したコレクション即ち集まりにおいてオブジェクトを見つけ出すことを所望する。

本方法は、各参照オブジェクト及びサーチすべきメディアオブジェクトに関する情報を必要とする（ステップ７０４）。このような情報は、サーチのために使用可能であるように予め計算し且つ格納することが可能である（ステップ７０４のＹＥＳ分岐）。例えば、特徴ベクトル用のコンポーネントを定義することが可能であり、且つ各参照オブジェクト及びサーチすべきメディアオブジェクトの各々に対する特徴ベクトルは、サーチを開始する前に派生することが可能である。各オブジェクトに対する特徴ベクトルは該オブジェクトと関連して格納することが可能である。

ユーザは、このような情報が入手可能でないか、又はユーザが使用可能な情報を使用しないことを望む場合（ステップ７０４のＮＯ分岐）、参照オブジェクト又はサーチすべきメディアオブジェクトに対する情報を定義し且つ計算することが可能である（ステップ７０６）。例えば、ユーザは、どの組のコンポーネント及びどのコンポーネントが特徴ベクトル内に包含されるべきであるかを特定することが可能である。次いで、選択した参照オブジェクト及びメディアオブジェクトに対する特徴ベクトルを計算することが可能である。典型的に、該参照オブジェクトの各々及びサーチすべきメディアオブジェクトの各々に対する情報も同様に定義される。例えば、該参照及びサーチすべきメディアオブジェクトの特徴ベクトルは同一の系列のコンポーネントを有する。オブジェクトに対する情報は非類似又はオーバーラッピングしない場合があり、その場合には、サーチにおいて使用される情報は、典型的に、参照オブジェクト及びサーチすべきメディアオブジェクトの間で共有される情報に制限される。

本方法は、選択した参照オブジェクトを結合するための結合関数ｇ（ｒ_i，ｒ_j）３２、例えばＷ_c＊ｆ_c（Ｖ_i，Ｖ_j）２３２を必要とする（ステップ７０８）。該結合関数の一部又は全ては、それがサーチのために使用可能であるように予め定義することが可能である（ステップ７０８のＹＥＳ分岐）。ユーザは、このような情報が使用可能でないか、又はユーザが該使用可能な情報を使用することを望まない場合（ステップ７０８のＮＯ分岐）には、結合関数を定義することが可能である（ステップ７１０）。例えば、関数ｆ_c（Ｖ_i，Ｖ_j）を予め定義することが可能であり、一方ユーザは、例えばサーチに対する特徴の相対的な重要性に従って重み付けベクトルＷ_cを定義する。ユーザは、又、サーチの意図に従って関数ｆ_c（Ｖ_i．Ｖ_j）を定義することが可能である。例えば、Ｍａｘ関数は参照オブジェクトにおける特徴の結合した組に対するサーチの意図を満足し、一方Ｍｉｎ関数は全ての参照オブジェクトに対して共通の特徴に対するサーチの意図を満足する。

本方法は、又、比較関数Ｇ［Ｗ_s，ｇ_s（Ｍ_i，Ｒ_c）］３４、例えばＴｒ［Ｗ_s＊ｆ_s（Ｖ_i，Ｖ_r）］２３４を必要とする（ステップ７１２）。該結合関数の一部又は全てを予め定義することが可能であり、又は予め定義した方法に従って計算することが可能である（ステップ７１２のＹＥＳ分岐）。例えば、Ｗ_sは省略するか又は一様な重み付けベクトルであるように予め定義することが可能であり、従ってどの特徴も他のものより多かれ少なかれ重み付けされることはない。Ｗ_sは参照オブジェクトを比較するために使用される重み付け関数Ｗ_cと同じであるように予め定義することが可能である。一方、Ｗ_sは関数ｈ（Ｒ_i，Ｒ_j）５２、例えばＷ_w＊ｆ_w（Ｖ_i，Ｖ_j）２５２に従って計算することが可能であり、且つ関数ｈ（Ｒ_i，Ｒ_j）は前もって定義することが可能である。例えば、それは定義した結合関数ｇ（Ｒ_i，Ｒ_j）１３２又はＷ_c＊ｆ_c（Ｖ_i，Ｖ_j）２３２と同じであるように定義することが可能である。

ユーザは、それが予め定義されていないか、又はユーザが予め定義したＷ_sを使用しないことを望む場合には、Ｗ_sを定義することが可能である（ステップ７１４）。例えば、ユーザは、例えば、あるタイプのフィルタ関数を特定することによって重み付けベクトルを特定することが可能である。一方、ユーザは、結合関数の定義について前に説明したように関数ｆ_w（Ｖ_i，Ｖ_j）及びベクトルＷ_wを定義することが可能である。

サーチ用の重み付けベクトルＷ_s及び結合参照ベクトルＶ_rを派生するために異なる関数ｆ（Ｖ_i，Ｖ_j）の使用は、ユーザに、両方の目的のために同一の関数を使用する場合よりもサーチ結果にわたってより大きな制御を与える。例えば、ユーザはＭａｘ関数ｆ_c（Ｖ_i，Ｖ_j）＝Ｍａｘ（Ｖ_i，Ｖ_j）、従ってＶ_r＝Ｖ_maxを使用して特徴を結合することが可能である。次いで、参照ベクトルをメディアオブジェクトの特徴ベクトルと比較する場合に、ユーザはＭｉｎ関数ｆ_w（Ｖ_i，Ｖ_j）＝Ｍａｘ（Ｖ_i，Ｖ_j）、従ってＷ_s＝Ｖ_minに従って特徴を重み付けすることが可能である。このように、ユーザは、サーチにおいて、参照オブジェクトにおける全ての特徴を網羅するが、サーチを行なう場合に参照オブジェクト間で共有される特徴を強調する。

重み付けベクトルＷ_sに関しては、関数ｆ_s（Ｖ_i，Ｖ_r）は予め定義するか又は自動的に再定義することが可能であり（ステップ７１２のＹＥＳ分岐）、又はユーザにより新たに定義することが可能である（ステップ７１２のＮＯ分岐）。関数ｆ_s（Ｖ_i，Ｖ_r）は、例えば、Ｍｉｎ（Ｖ_i，Ｖ_r）として予め定義することが可能である。関数ｆ_s（Ｖ_i，Ｖ_r）は、例えば、参照オブジェクトを結合するために使用した関数ｆ_c（Ｖ_i，Ｖ_r）と同じであるように自動的に再定義することが可能である。一方、関数ｆ_s（Ｖ_i，Ｖ_r）は、結合関数の定義について前に説明したように、ユーザのサーチ意図に従ってユーザにより新たに定義することが可能である。

参照オブジェクトに対する情報は、複合参照情報Ｒ_c３０、例えばＶ_r２３０を発生するために、定義した結合関数及び、存在する場合に、重み付けに従って結合される（ステップ７１６）。次いで、ユーザは該複合情報を使用して前に選択したメディアオブジェクトのサーチを実施するか否かを選択することが可能である（ステップ７１８）。そのサーチが実施される場合には（ステップ７１８のＹＥＳ分岐）、該複合参照情報が前に定義した比較関数を使用して、メディアオブジェクトの前に選択した集まりにおけるメディアオブジェクトの各々に対する情報と比較される（ステップ７２０）。各比較に対して、類似度値を決定することが可能である。次いで、該類似度値は、該複合参照情報に多かれ少なかれ類似するメディアオブジェクトを識別するために使用することが可能である。

サーチを行なわない場合（ステップ７１８のＮＯ分岐）又はサーチが完了した後に（ステップ７２０）、ユーザは、参照オブジェクトの組に対して１つの参照オブジェクトを付加するか否かを選択することが可能である（ステップ７２２）。そうでない場合には（ステップ７２２のＮＯ分岐）、本プロセスは終了する。然しながら、ユーザは例えば、前のサーチにおいて識別されたオブジェクト等の付加的なオブジェクトの特徴又は側面を組み込むためにサーチを調節することを所望する場合がある。ユーザがそのように所望する場合には（ステップ７２２のＹＥＳ分岐）、ユーザは付加的な参照オブジェクトを選択する（ステップ７２４）。

該新たに選択した参照オブジェクトがメディアオブジェクトの前に選択した集まりの中におけるオブジェクトのうちの１つでない場合には（ステップ７２６のＮＯ分岐）、所望の情報を計算することが必要な場合がある（ステップ７０４）。そうである場合には（ステップ７０４のＹＥＳ分岐）、ユーザは、好適には前に選択した参照オブジェクトに対するように、該新たに選択した参照オブジェクトに対する情報を作成又は派生する。該新たに選択した参照オブジェクトがメディアオブジェクトの前に選択した集まりからのものである場合には（ステップ７２６のＮＯ分岐）、該所望の情報は既に作成又は派生されている。

ユーザは、次に、結合関数を新たに定義するか否かを選択することが可能である（ステップ７０８）。例えば、ユーザはＭｉｎ関数を使用して初期的な複合ベクトルを作成しているかもしれないが、Ｍａｘ関数を使用して第三のベクトルを付加することを望む場合がある。このように、ユーザは、新たに選択したオブジェクトの独特の特徴を既存の複合情報内へ組込むことが可能である。

ユーザは、又、比較関数を新たに定義するか否かを選択することが可能である（ステップ７１２）。例えば、ユーザは、関数ｆ_sを再定義することが可能である。より典型的には、ユーザは、重み付けベクトルを再定義することを望む場合がある。該比較関数は、複数のメディアオブジェクトが選択プロセスにおいて結合されるに従い変化する場合がある。例えば、該比較関数は、該重み付けベクトルが変化する場合に、変化する。該重み付けベクトルは、通常、参照ベクトルの結合として定義される場合に、新たな選択した参照オブジェクトからの情報の付加と共に変化する。１つの実現例において、該比較関数は、複数の参照オブジェクトに対する情報が結合される場合に変化するものではなく、複合参照情報のみが変化する。そうでない場合には、ユーザは以前に存在している重み付けベクトルを維持するべく選択する場合がある。一方、ユーザは、新たな重み付けベクトルを定義することにより新たに選択した参照オブジェクトの独特の特徴を強調することを望む場合がある。

該新たに選択した参照オブジェクトに対する情報は、既存の複合情報と結合されて、新たな複合情報（ステップ７１６）及び、必要且つ所望される場合に、新たな重み付けベクトルを作成する。次いで、本方法は前述したように進行する。新たなサーチが行なわれる場合には（ステップ７１８のＹＥＳ分岐）、該新たな定義された複合情報、存在する場合には、該新たな重み付けベクトル、及び存在する場合に、新たに定義された比較関数が使用される。

本発明は、デジタル電子回路において、又はコンピュータハードウエア、ファームウエア、ソフトウエアにおいて、又はそれらの結合において実現することが可能である。本発明の装置は、プログラム可能なプロセッサによる実行のために機械読取可能な格納装置においてタンジブルに具体化されたコンピュータプログラムプロダクトにおいて実現することが可能であり、且つ本発明の方法ステップは、入力データに関して動作し且つ出力を発生することにより本発明の機能を実施するための命令からなるプログラムを実行するプログラム可能なプロセッサにより実施することが可能である。本発明は、データ及び命令をデータ格納システムから受取り且つデータ及び命令をそれへ送信すべく結合されている少なくとも１個のプログラム可能なプロセッサ、少なくとも１個の入力装置、及び少なくとも１個の出力装置を包含するプログラム可能なシステム上で実行可能な１つ又はそれ以上のコンピュータプログラムにおいて有益的に実現することが可能である。各コンピュータプログラムは、ハイレベル手順又はオブジェクト指向型プログラミング言語で、又は、所望により、アッセンブリ又は機械言語で実現することが可能であり、且ついずれの場合においても、該言語はコンパイル型又はインタプリタ型の言語とすることが可能である。適宜のプロセッサは、例示として、汎用及び特別目的の両方のマイクロプロセッサを包含している。一般的に、プロセッサはリードオンリメモリ及び／又はランダムアクセスメモリから命令及びデータを受取る。コンピュータの基本的なコンポーネントは命令を実行するためのプロセッサ及びメモリである。一般的に、コンピュータはデータファイルを格納するための１つ又はそれ以上の大量格納装置を包含しており、このような装置は、内部ハードディスク及び着脱自在なディスク等の磁気ディスク、磁気−光学的ディスク、及び光学的ディスクを包含している。コンピュータプログラム命令及びデータをタンジブルに具体化するのに適した格納装置は、全ての形式の非揮発性メモリを包含しており、例示として、ＥＰＲＯＭ、ＥＥＰＲＯＭ、フラッシュメモリ装置等の半導体メモリ装置、内部ハードディスク及び着脱自在なディスク等の磁気ディスク、磁気−光学的ディスク、及びＣＤ−ＲＯＭディスクを包含している。前述したもののいずれもがＡＳＩＣ（応用特定集積回路）により補充されるか又はその中に組込むことが可能である。

ユーザとのインタラクションを与えるために、本発明は、ユーザに対して情報を表示するためのモニタ又はＬＣＤスクリーン等のディスプレイ装置及びキーボード及びマウス又はトラックボール等のそれによりユーザがコンピュータシステムへ入力を供給することが可能なポインティング装置を具備するコンピュータシステム上で実現することが可能である。該コンピュータシステムは、それを介してコンピュータプログラムがユーザと相互作用を行うグラフィカルユーザインターフェースを与えるべくプログラムすることが可能である。

本発明を特定の実施例について説明した。その他の実施例は特許請求の範囲内のものである。例えば、本発明のステップは異なる順番で実施することが可能であり、尚且つ、所望の結果を達成する。複数の参照オブジェクトに対する特徴ベクトル又は情報は、一連の対毎の組み合わせではなく、単一のステップで結合することが可能である。メディアオブジェクト及び参照オブジェクトに対する情報は、モデル又は高次元行列として表現することが可能である。Ｍｉｎ及びＭａｘ以外の非ユークリッド関数を、特徴ベクトルを結合又は比較するために使用することが可能である。

複数の参照オブジェクトを使用してサーチを行う方法を示した概略図。 コンピュータ環境においてユーザにより複数の参照オブジェクトを使用してサーチを行う方法の使用を示した概略図。 複合参照情報及びサーチメディアオブジェクトを作成するために複数のメディアオブジェクトを使用する方法を示した概略図。 参照ベクトルを作成し且つメディアオブジェクトをサーチするために複数のメディアオブジェクトの特徴ベクトルを使用するための方法を示した概略図。 イメージオブジェクトに対する特徴ベクトル及びオーディオオブジェクトに対する特徴ベクトルを示した概略図。 ＣＤオブジェクトに対する特徴ベクトル及びビデオオブジェクトに対する特徴ベクトルを示した概略図。 ２つの特徴ベクトルから１組の個別的なコンポーネントを結合又は比較するためにＭｉｎ及びＭａｘ関数の適用を示した概略図。 連続的な関数を近似する２つの特徴ベクトルからコンポーネントを結合又は比較するためにＭｉｎ及びＭａｘ関数の適用を示した概略図。 複数の参照オブジェクトに対する情報を結合し且つそれをいくつかのメディアオブジェクトの各々に対する同様の情報と比較するサーチ方法を示したフローチャート。

Claims (40)

1. 異なるメディアタイプの内の少なくとも一つのメディアタイプのオブジェクトからなるメディアオブジェクトの集まりをサーチするコンピュータによって実現される方法において、コンピュータをして、
   サーチ用の基準を表わす複合参照情報を発生するために異なるメディアタイプの内の少なくとも一つのメディアタイプのオブジェクトからなり且つ前記メディアオブジェクトの集まりから選択されるか又は外部供給源から供給されるか又はコンピュータ上で作成される複数個の参照オブジェクトに共通な第一の特徴に関する分布関数によって決定される各１組のパラメータをＭｉｎ関数又はＭａｘ関数により結合する場合に、前記複数個の参照オブジェクトの内の２個の参照オブジェクトの前記各１組のパラメータを結合させて前記複合参照情報を発生し且つ残存する未だに結合させていない参照オブジェクトが存在する場合には前記残存する未だに結合させていない参照オブジェクトの前記各１組のパラメータを順次前記複合参照情報へ結合する手順、
   １つ又はそれ以上のメディアオブジェクトを識別するためにメディアオブジェクトの集まりにおける複数個のメディアオブジェクトの各夫々の１つに対する前記第一の特徴と同一の特徴に関する分布関数によって決定される１組のパラメータに対して前記複合参照情報をＭｉｎ関数又はＭａｘ関数により比較する手順、
   を実施させることを包含している方法。
2. 請求項１において、更に、コンピュータをして、
   前記複数個の参照オブジェクトを特定するユーザ入力を受取る手順、
   を実施させることを包含している方法。
3. 請求項１において、更に、コンピュータをして、
   前記複合参照情報と各メディアオブジェクトに対する前記第一の特徴に関する分布関数によって決定される１組のパラメータとの比較に基づいてメディアオブジェクトの前記集まりにおいて１つのメディアオブジェクトを選択する手順、
   を実施させることを包含している方法。
4. 請求項１において、前記複数個の参照オブジェクトが、オーディオ、イメージ、テキスト又はビデオから選択した１つのタイプを有する１つ又はそれ以上のオブジェクトを包含している方法。
5. 請求項４において、複数個の参照オブジェクトに共通な第一の特徴に関する分布関数によって決定される各１組のパラメータを結合することが、異なるタイプのオブジェクトに対する各１組のパラメータを結合することを包含している方法。
6. 請求項１において、複合参照情報を発生するために複数個の参照オブジェクトに共通な第一の特徴に関する分布関数によって決定される各１組のパラメータを結合することが、前記参照オブジェクトに対する前記１組のパラメータの交差を決定することを包含している方法。
7. 請求項１において、複合参照情報を発生するために複数個の参照オブジェクトに共通な第一の特徴に関する分布関数によって決定される各１組のパラメータを結合することが、前記参照オブジェクトに対する前記１組のパラメータの合体を決定することを包含している方法。
8. 請求項１において、更に、コンピュータをして、
   前記サーチに対する基準を表わす付加的な複合参照情報を発生するために前記複数個の参照オブジェクトに共通の前記第一の特徴とは別の第二の特徴に関する分布関数によって決定される各１組のパラメータをＭｉｎ関数又はＭａｘ関数により結合する手順、且つ
   １つ又はそれ以上のメディアオブジェクトを識別するために、メディアオブジェクトの前記集まりにおける前記複数個のメディアオブジェクトのうちの各夫々の１つに対する前記第二の特徴に関する分布関数によって決定される各１組のパラメータに対して前記付加的な複合参照情報をＭｉｎ関数又はＭａｘ関数により比較する手順、
   を実施させることを包含している方法。
9. 請求項８において、前記第一の特徴に関する分布関数によって決定される各１組のパラメータ及び前記第二の特徴に関する分布関数によって決定される各１組のパラメータが、夫々の特徴の相対的な重要性を特定するために、重み付けされている方法。
10. 請求項８において、更に、コンピュータをして、
    前記第一の特徴と前記第二の特徴の相対的な重要性を表わすユーザ入力を受取る手順、
    を実施させることを包含している方法。
11. 請求項８において、前記第一の特徴及び前記第二の特徴の各特徴に関する分布関数によって決定される１組のパラメータが、該分布関数を複数個のビンに分割した夫々のビンにおける発生頻度により表わされている方法。
12. 請求項８において、前記第一の特徴及び前記第二の特徴の各特徴に関する分布関数によって決定される各１組のパラメータが、１つのオブジェクトにおけるカラーの相対的な発生頻度を記述するカラー情報を包含している方法。
13. 請求項８において、前記第一の特徴に関する分布関数によって決定される各１組のパラメータが前記第二の特徴に関する分布関数によって決定される各１組のパラメータに対してマップされる方法。
14. 請求項１において、更に、コンピュータをして、
    前記複合参照情報を改訂するために付加的な参照オブジェクトに対する特徴に関する分布関数によって決定される各１組のパラメータを前記複合参照情報と結合させる手順、
    を実施させることを包含している方法。
15. 請求項１４において、更に、コンピュータをして、
    前記改訂した複合参照情報を、メディアオブジェクトの前記集まりにおける改訂前の前記複合参照情報を使用して選択された第二複数個のメディアオブジェクトの各々に対する特徴に関する分布関数によって決定される各１組のパラメータと比較する手順、
    を実施させることを包含している方法。
16. 請求項１において、メディアオブジェクトの集まりにおける複数個のメディアオブジェクトのうちの各夫々の１つに対する前記第一の特徴と同一の特徴に関する分布関数によって決定される各１組のパラメータに対して前記複合参照情報を比較することが、メディアオブジェクトの前記集まりにおける前記メディアオブジェクトの各夫々の１つに対して類似度値を割当てることを包含しており、各類似度値が前記メディアオブジェクトの各々と前記複合参照情報との類似度を表わしている方法。
17. 請求項１６において、更に、コンピュータをして、
    それらの類似度値に従って前記メディアオブジェクトをランク付けする手順、
    そのランクに基づいてメディアオブジェクトの前記集まりにおける１つ又はそれ以上のメディアオブジェクトを選択する手順、
    を実施させることを包含している方法。
18. 請求項８において、各参照及びメディアオブジェクトについて、前記第一の特徴及び前記第二の特徴の各特徴に関する分布関数によって決定される１組のパラメータが特徴ベクトルの１組のコンポーネントとして表現されている方法。
19. 異なるメディアタイプの内の少なくとも一つのメディアタイプのオブジェクトからなるメディアオブジェクトの集まりをサーチするコンピュータによって実現される方法において、コンピュータをして、
    サーチ用の基準を表わす複合参照ベクトルを発生するために異なるメディアタイプの内の少なくとも一つのメディアタイプのオブジェクトからなり且つ前記メディアオブジェクトの集まりから選択されるか又は外部供給源から供給されるか又はコンピュータ上で作成される複数個の参照オブジェクトに共通の２つ又はそれ以上の特徴を表す複数個のコンポーネントからなる特徴ベクトルを結合する場合に、前記複数個の参照オブジェクトの内の２個の参照オブジェクトの前記特徴ベクトルを結合させて前記複合参照ベクトルを発生し且つ残存する未だに結合させていない参照オブジェクトが存在する場合には前記残存する未だに結合させていない参照オブジェクトの前記特徴ベクトルを順次前記複合参照ベクトルへ結合する第１手順であって、前記複合参照ベクトルを発生するためにＭｉｎ又はＭａｘ関数を使用して前記複数個の参照オブジェクトの特徴ベクトルを結合することを包含している第１手順、且つ
    前記複合参照ベクトルをメディアオブジェクトの前記集まりにおける複数個のメディアオブジェクトのうちの各夫々の１つに対する同一の特徴に関する特徴ベクトルと比較する第２手順であって、Ｍｉｎ又はＭａｘ関数を使用してメディアオブジェクトの前記集まりにおける各メディアオブジェクトの特徴ベクトルに対して前記複合参照ベクトルを比較すること、及びメディアオブジェクトの前記集まりにおける各メディアオブジェクトに対して類似度値を割当てること、を包含しており、前記類似度値は、前記メディアオブジェクトの特徴ベクトルの前記複合参照ベクトルに対する類似度を表わしている第２手順、
    を実施させることを包含している方法。
20. 異なるメディアタイプの内の少なくとも一つのメディアタイプのオブジェクトからなるメディアオブジェクトの集まりをサーチするためのコンピュータにより読取可能な媒体上のコンピュータプログラムにおいて、プログラム可能なプロセッサをして、
    サーチ用の基準を表わす複合参照情報を発生するために異なるメディアタイプの内の少なくとも一つのメディアタイプのオブジェクトからなり且つ前記メディアオブジェクトの集まりから選択されるか又は外部供給源から供給されるか又はコンピュータ上で作成される複数個の参照オブジェクトに共通な第一の特徴に関する分布関数によって決定される各１組のパラメータをＭｉｎ関数又はＭａｘ関数により結合する場合に、前記複数個の参照オブジェクトの内の２個の参照オブジェクトの前記各１組のパラメータを結合させて前記複合参照情報を発生し且つ残存する未だに結合させていない参照オブジェクトが存在する場合には前記残存する未だに結合させていない参照オブジェクトの前記各１組のパラメータを順次前記複合参照情報へＭｉｎ関数又はＭａｘ関数により結合する手順、
    １つ又はそれ以上のメディアオブジェクトを識別するために、前記複合参照情報をメディアオブジェクトの集まりにおける複数個のメディアオブジェクトのうちの各夫々の１つに対する前記第一の特徴と同一の特徴に関する分布関数によって決定される１組のパラメータとＭｉｎ関数又はＭａｘ関数により比較する手順、
    を実施させることを包含しているコンピュータプログラム。
21. 請求項２０において、更に、プログラム可能なプロセッサをして、
    前記複数個の参照オブジェクトを特定するユーザ入力を受取らせる手順、
    を実施させることを包含しているコンピュータプログラム。
22. 請求項２０において、更に、プログラム可能なプロセッサをして、
    各メディアオブジェクトに対する前記第一の特徴に関する分布関数によって決定される１組のパラメータと前記複合参照情報との比較に基づいてメディアオブジェクトの前記集まりの中で１つのメディアオブジェクトを選択する手順、
    を実施させることを包含しているコンピュータプログラム。
23. 請求項２０において、前記複数個の参照オブジェクトが、オーディオ、イメージ、テキスト、ＣＤ、又はビデオから選択される１つのタイプを有する１つ又はそれ以上のオブジェクトを包含しているコンピュータプログラム。
24. 請求項２０において、複数個の参照オブジェクトに共通な第一の特徴に関する分布関数によって決定される各１組のパラメータを結合させるための手順が、異なるタイプのオブジェクトに対する各１組のパラメータを結合するための手順を包含しているコンピュータプログラム。
25. 請求項２０において、複合参照情報を発生するために複数個の参照オブジェクトに共通な第一の特徴に関する分布関数によって決定される各１組のパラメータを結合するための手順が、前記参照オブジェクトに対する前記１組のパラメータの交差を決定するための手順を包含しているコンピュータプログラム。
26. 請求項２０において、複合参照情報を発生するために複数個の参照オブジェクトに共通な第一の特徴に関する分布関数によって決定される各１組のパラメータを結合するための手順が、前記参照オブジェクトに対する前記１組のパラメータの合体を決定するための手順を包含しているコンピュータプログラム。
27. 請求項２０において、更に、プログラム可能なプロセッサをして、
    サーチ用の基準を表わす付加的な複合参照情報を発生するために前記複数個の参照オブジェクトに共通の前記第一の特徴とは別の第二の特徴に関する分布関数によって決定される各１組のパラメータをＭｉｎ関数又はＭａｘ関数により結合するための手順、及び
    １つ又はそれ以上のメディアオブジェクトを識別するために、前記付加的な複合参照情報をメディアオブジェクトの前記集まりにおける前記複数個のメディアオブジェクトのうちの各夫々の１つに対する前記第二の特徴に関する分布関数によって決定される各１組のパラメータとＭｉｎ関数又はＭａｘ関数により比較する手順、
    を実施させることを包含しているコンピュータプログラム。
28. 請求項２７において、前記第一の特徴に関する分布関数によって決定される各１組のパラメータ及び前記第二の特徴に関する分布関数によって決定される各１組のパラメータが夫々の特徴の相対的な重要性を特定するために重み付けされているコンピュータプログラム。
29. 請求項２７において、更に、プログラム可能なプロセッサをして、
    前記第一の特徴及び前記第二の特徴の相対的な重要性を表わすユーザ入力を受取る手順、
    を実施させることを包含しているコンピュータプログラム。
30. 請求項２７において、前記第一の特徴及び前記第二の特徴の各特徴に関する分布関数によって決定される１組のパラメータが、該分布関数を複数個のビンに分割した夫々のビンにおける発生頻度により表わされるコンピュータプログラム。
31. 請求項２７において、前記第一の特徴及び前記第二の特徴の各特徴に関する分布関数によって決定される各１組のパラメータが、１つのオブジェクトにおけるカラーの相対的な発生頻度を記述するカラー情報を包含しているコンピュータプログラム。
32. 請求項２７において、前記第一の特徴に関する分布関数によって決定される各１組のパラメータが前記第二の特徴に関する分布関数によって決定される各１組のパラメータに対してマップされるコンピュータプログラム。
33. 請求項２０において、更に、プログラム可能なプロセッサをして、
    前記複合参照情報を改訂するために、付加的な参照オブジェクトに対する特徴に関する分布関数によって決定される各１組のパラメータを前記複合参照情報と結合させる手順、
    を実施させることを包含しているコンピュータプログラム。
34. 請求項３３において、更に、プログラム可能なプロセッサをして、
    前記改訂した複合参照情報をメディアオブジェクトの前記集まりにおける改訂前の前記複合参照情報を使用して選択された第二複数個のメディアオブジェクトの各々に対する特徴に関する分布関数によって決定される各１組のパラメータと比較させる手順、
    を実施させることを包含しているコンピュータプログラム。
35. 請求項２０において、前記複合参照情報をメディアオブジェクトの集まりにおける複数個のメディアオブジェクトのうちの各夫々の１つに対する前記第一の特徴と同一の特徴に関する分布関数によって決定される各１組のパラメータと比較するための手順が、メディアオブジェクトの前記集まりにおける前記メディアオブジェクトの各夫々の１つに対して類似度値を割当てるための手順を包含しており、各類似度値が前記メディアオブジェクトの各々と前記複合参照情報との類似度を表わしているコンピュータプログラム。
36. 請求項３５において、更に、プログラム可能なプロセッサをして、
    それらの類似度値に従って前記メディアオブジェクトをランク付けさせる手順、且つ
    そのランクに基づいてメディアオブジェクトの前記集まりにおける１つ又はそれ以上のメディアオブジェクトを選択させる手順、
    を実施させることを包含しているコンピュータプログラム。
37. 請求項２７において、各参照及びメディアオブジェクトに対して、前記第一の特徴及び前記第二の特徴の各特徴に関する分布関数によって決定される１組のパラメータが特徴ベクトルの１組のコンポーネントとして表わされているコンピュータプログラム。
38. 異なるメディアタイプの内の少なくとも一つのメディアタイプのオブジェクトからなるメディアオブジェクトの集まりをサーチするためのコンピュータによって読取可能な媒体上のコンピュータプログラムにおいて、プログラム可能なプロセッサをして、
    サーチ用の基準を表わす複合参照ベクトルを発生するために異なるメディアタイプの内の少なくとも一つのメディアタイプのオブジェクトからなり且つ前記メディアオブジェクトの集まりから選択されるか又は外部供給源から供給されるか又はコンピュータ上で作成される複数個の参照オブジェクトに共通の２つ又はそれ以上の特徴を表す複数個のコンポーネントからなる特徴ベクトルを結合させる場合に、前記複数個の参照オブジェクトの内の２個の参照オブジェクトの前記特徴ベクトルを結合させて前記複合参照ベクトルを発生し且つ残存する未だに結合させていない参照オブジェクトが存在する場合には前記残存する未だに結合させていない参照オブジェクトの前記特徴ベクトルを順次前記複合参照ベクトルへ結合する第１手順であって、前記複合参照ベクトルを発生するためにＭｉｎ又はＭａｘ関数を使用して前記複数個の参照オブジェクトの特徴ベクトルを結合するための手順を包含している第１手順、且つ
    前記複合参照ベクトルをメディアオブジェクトの前記集まりにおける複数個の前記メディアオブジェクトのうちの各夫々の１つに対する同一の特徴に関する特徴ベクトルと比較する第２手順であって、前記複合参照ベクトルをＭｉｎ又はＭａｘ関数を使用してメディアオブジェクトの前記集まりにおける各メディアオブジェクトの特徴ベクトルと比較すること及びメディアオブジェクトの前記集まりにおける各メディアオブジェクトに対して類似度値を割当てることを包含しており、前記類似度値が前記メディアオブジェクトの特徴ベクトルの前記複合参照ベクトルに対する類似度値を表わしている第２手順、
    を実施させることを包含しているコンピュータプログラム。
39. 異なるメディアタイプの内の少なくとも一つのメディアタイプのオブジェクトからなるメディアオブジェクトの集まりをサーチするシステムにおいて、
    サーチ用の基準を表わす複合参照情報を発生するために異なるメディアタイプの内の少なくとも一つのメディアタイプのオブジェクトからなり且つ前記メディアオブジェクトの集まりから選択されるか又は外部供給源から供給されるか又はコンピュータ上で作成される複数個の参照オブジェクトに共通な第一の特徴に関する分布関数によって決定される各１組のパラメータをＭｉｎ関数又はＭａｘ関数により結合する場合に、前記複数個の参照オブジェクトの内の２個の参照オブジェクトの前記各１組のパラメータを結合させて前記複合参照情報を発生し且つ残存する未だに結合させていない参照オブジェクトが存在する場合には前記残存する未だに結合させていない参照オブジェクトの前記各１組のパラメータを順次前記複合参照情報へ結合する手段、
    １つ又はそれ以上のメディアオブジェクトを識別するために、前記複合参照情報をメディアオブジェクトの集まりにおける複数個のメディアオブジェクトのうちの各夫々の１つに対する前記第一の特徴と同一の特徴に関する分布関数によって決定される１組のパラメータとＭｉｎ関数又はＭａｘ関数により比較する手段、
    を有している、システム。
40. 請求項３９において、前記複合参照情報をメディアオブジェクトの前記集まりにおける複数個のメディアオブジェクトの各夫々の１つに対する前記第一の特徴と同一の特徴に関する分布関数によって決定される１組のパラメータとＭｉｎ関数又はＭａｘ関数により比較する手段が、メディアオブジェクトの前記集まりにおける前記メディアオブジェクトの各夫々の１つに対して類似度値を割り当てるための手段を包含しており、各類似度値が前記メディアオブジェクトの各々と前記複合参照情報との類似度を表わしているシステム。

Images