JP5850886B2 - 情報処理装置及び方法 - Google Patents

Description

本発明は、機械学習に基づくネット広告に関する。

スマートデバイスでは、検索語の入力その他の用途で、文字入力に代えて音声認識が広く用いられる。その際、発話された音声から発話内容を表す検索語以外にも、ユーザの性別、年代その他を識別する識別器を用いて属性を推定し、その結果を広告の抽出に用いることで、よりユーザに適した広告を提示することが可能になる。従来、音声から属性を推定するための識別器の教師データとしては、属性が判明しているユーザの音声を用いていた（例えば、特許文献１及び２参照）。

特開２０１２−０２９０９９号 特開２０１２−００２８５６号

しかし、ユーザ登録やアクセス履歴、その他の情報に基づいて属性が判明しているユーザは数が限られる。それ以外の多数のユーザによる発話は教師データとして利用できず、精度向上に限界があった。

本発明の目的は、属性が未知のユーザの音声を機械学習の教師データとして活用することである。

上記の目的をふまえ、本発明の一態様（１）である情報処理装置は、ユーザにより発話された音声を取得する音声取得手段と、取得された前記音声から、予め属性既知の入力データおよび教師データを用いて学習された識別器を用いて属性を推定する属性推定手段と、属性と対応付けられた広告であって前記ユーザへ出力された広告に対する操作を受け付ける操作受付手段と、操作された前記広告に関する属性と、取得された前記音声と、の組を用いて前記識別器のパラメータの更新を行う学習手段と、を備えたことを特徴とする。

本発明の他の態様（５）である情報処理方法は、上記態様を方法のカテゴリで捉えたもので、ユーザにより発話された音声を取得する音声取得処理と、取得された前記音声から、予め属性既知の入力データおよび教師データを用いて学習された識別器を用いて属性を推定する属性推定処理と、属性と対応付けられた広告であって前記ユーザへ出力された前記広告に対する操作を受け付ける操作受付処理と、操作された前記広告に関する属性と、取得された前記音声と、の組を用いて前記識別器のパラメータの更新を行う学習処理と、をコンピュータが実行することを特徴とする。

また、本発明の他の態様（２）は、上記いずれかの態様において、前記属性は、性別であることを特徴とする。

本発明の他の態様（３）は、上記いずれかの態様において、取得された前記音声から語を音声認識する音声認識手段を備え、前記広告選択手段は、音声認識された前記語に基づいて、前記広告記憶手段に記憶されている前記広告のなかから出力する広告を選択し、前記学習手段は、操作された前記広告に対応付けられている前記属性と前記音声との組を前記パラメータの更新に用いることを特徴とする。

本発明の他の態様（４）は、上記いずれかの態様において、取得された前記音声から語を音声認識する音声認識手段を備え、前記広告選択手段は、推定された前記属性または音声認識された前記語の少なくとも一方に基づいて、前記広告記憶手段に記憶されている前記広告のなかから出力する広告を選択し、前記学習手段は、操作された前記広告に対応付けられている前記属性と推定された前記属性と、が一致する場合、前記音声と前記属性の組を前記パラメータの更新に用いることを特徴とする。

本発明によれば、属性が未知のユーザの音声を機械学習の教師データとして活用することができる。

本発明の実施形態について構成を示す機能ブロック図。 本発明の実施形態におけるデータの例を示す図。 本発明の実施形態におけるデータの例を示す図。 本発明の実施形態における処理手順を示すフローチャート。 本発明の実施形態における処理の全体を示す概念図。 本発明の実施形態における処理の一例を示す概念図。 本発明の実施形態における処理の一例を示す概念図。

次に、本発明を実施するための形態（「実施形態」と呼ぶ）について図に沿って例示する。なお、背景技術や課題などで既に述べた内容と共通の前提事項は適宜省略する。

〔１．構成〕
図１は、本実施形態における情報処理装置（「本装置１」とも呼ぶ）の構成を示す。本装置１は、端末Ｔから音声認識で受け付けた検索要求に対し、音声認識した語と、機械学習の結果を用いて音声から推定する属性（例えば、性別であるものとする）と、の少なくとも一方で選択した広告を付した検索結果を端末Ｔへ送り、送った広告に対する操作（例えば、マウスクリックや画面タップなどの選択操作）に応じて機械学習を行うサーバ装置である。本装置１は、機能又は手段毎の装置やシステムを組み合わせて実現してもよい。

端末Ｔは、本装置１に通信ネットワークＮ（インターネット、携帯電話網その他）を介してアクセスするスマートデバイス（例えば、スマートフォン、タブレットＰＣその他）であり、多数のユーザに応じ多数存在する。

本装置１は、コンピュータの構成すなわち、ＣＰＵなどの演算制御部６と、主メモリや補助記憶装置等の記憶装置７と、通信ネットワークＮとの通信装置８（通信機器や通信アダプタなど）と、を備える。端末Ｔも、仕様は異なるが同様にコンピュータの構成を有する（図示省略）ほか、マイクロホン、受話用のマイクロホンやスピーカーその他、モバイル端末としての構成を有する（図示省略）。

本装置１では、記憶装置７に記憶されている図示しないコンピュータプログラムを演算制御部６が実行することで、図１に示す各要素を実現する。

実現される要素のうち、情報の記憶手段は、本装置１内のいわゆるローカル記憶に限らず、ネットワーク・コンピューティング（クラウド）などによるリモート記憶でもよい。また、本出願に示す記憶手段は、説明の便宜に合わせた単位、かつ主なものである。実際の記憶手段は、情報の記憶に付随する入出力や管理などの機能を含んでもよいし、構成の単位を分割または一体化してもよいし、ワークエリアなど他の記憶手段を適宜用いてもよい。

記憶手段のうち、広告記憶手段４５は、属性と対応付けられた広告を記憶している手段である（例えば図２）。図２に例示する広告は、検索連動型広告にユーザの属性を考慮したものである。例えば、広告ＩＤ「Ａ０１」の広告は、端末Ｔからの検索要求に対し、指定語（例えば「紅茶」）を含むか、又はユーザの属性が広告属性（ここでは「女性」）と一致するとき、出力する広告として選択される。

上記の例では、出力される広告は、ＵＲＬ（http://tea・・・）へのハイパーリンクを伴う広告文（例えば「紅茶送料無料・・・」云々）である。このように、出力の条件として広告に対応付けられている属性を「広告属性」と呼ぶこととする。１つの広告に複数の広告属性が対応してもよい。

教師データ記憶手段７５は、機械学習における学習に用いるデータである教師データ（広義の教師データ）を記憶する手段である（例えば図３）。教師データの単位は、発話された音声データを入力データとし、その音声データが与えられたときに出力されることが望ましい属性すなわち狭義の教師データとするデータの組である。

図３に例示するように、教師データは、前回の学習に用いた既存データと（図３の例では「追加フラグ」が既存を表す「０」）、前回の学習より後に追加された追加データと（「追加フラグ」が新規を表す「１」）、を含む。

なお、図１及びその他の図中の矢印は、データ又は制御その他の流れの主な方向の例示で、他の流れの否定も方向の限定も意味しない。また、記憶手段以外の各手段は、以下に述べる情報処理の機能又は作用を実現又は実行する処理手段であるが、これら機能又は作用は、専ら説明のための単位で、実際のハードウェア及びソフトウェアの要素を限定するものではない。

〔２．作用〕
図４は、本装置１の動作を示すフローチャートである。図５は、本実施形態における処理の全体を示す概念図、図６及び図７は、本実施形態における処理の例を示す概念図である。まず、図４のフローチャートに沿って、一部のステップを省略して、動作の概要を説明する。

〔２−１．概要〕
端末Ｔのユーザが音声認識で検索（例えば、ウェブ検索、画像検索、辞書検索、商品検索、ミニブログの投稿検索その他）するとき、端末Ｔは発話された音声のデータを本装置１へ送信する。

本装置１では、音声取得手段２０が、ユーザにより発話された音声を端末Ｔから取得し（ステップＳ１１）、属性推定手段３０は、取得された音声から、最適化されたパラメータＰをもつ識別器を用いて属性を推定する（ステップＳ１２）。

識別器およびパラメータＰの最適化に用いるアルゴリズムは、入力データと、その教師データ（狭義の教師データ）と、（両者併せて広義の教師データ）を用いる方法（教師あり学習）であれば何でもよい。例えば、音声データから性別等を判断する場合、識別器としＧＭＭ（Gaussian Mixture Model）が広く用いられ、そのパラメータの最適化に前記の機械学習としてＥＭアルゴリズムが用いられる。

教師データは、識別器であるＧＭＭのパラメータを最適化するのに使われ、例えば狭義の教師データが男性である音声データ（入力データ）は、男性という属性を識別するためのＧＭＭの学習に用いられる。一方、狭義の教師データが女性である音声データ（入力データ）は、男性のときと同様、女性という属性を識別するためのＧＭＭのパラメータの最適化に用いられる。ここで、最適化されたパラメータを前述のパラメータＰとする。

入力された音声の属性を推定する際には、入力された音声が、男性の音声データで最適化されたＧＭＭと、女性の音声データで最適化されたＧＭＭ、それぞれと照合（スコア計算）され、照合の結果近い（スコアが大きい）とされた性別を「推定属性」と呼ぶこととする。ここで、性別を例に出したが、年齢など別の属性にも応用可能である。

一方、音声認識手段３２は、取得された音声から語を音声認識する（ステップＳ１３）。このように認識された語を「認識語」と呼ぶこととする。音声認識は、公知の技術（例えば、統計的手法、動的時間伸縮法、隠れマルコフモデルその他）による。認識語の用途の一つは、検索キーワードである。検索手段３５は、索引記憶手段３６に記憶されているインデックスデータを用い、認識語をキーとした検索を行って検索結果を得る（ステップＳ１４）。

また、広告選択手段４２は、広告記憶手段４５に記憶されている広告のなかから、検索結果と共に出力する広告を選択する（ステップＳ１５）。広告出力手段５０は、選択された広告を、検索手段３５による検索結果と組み合わせて端末Ｔへ送信することによりユーザへ出力する（ステップＳ１６）。

操作受付手段６０は、出力された広告に対するクリック（広告に対する操作を意味し、マウスクリックに限らずタップその他を含む）を受け付ける（ステップＳ１７）。

広告がクリックされた場合（ステップＳ１７：「ＹＥＳ」）、学習手段７２は、クリックされた広告に関する属性と、取得された音声と、の組を（ステップＳ１９及びＳ２１）機械学習の学習すなわち再学習によるパラメータ調整に用いる（ステップＳ２２及びＳ２３）。より具体的には、クリックされた広告に関する属性（狭義の教師データ）と取得された音声（入力データ）の組である広義の教師データが追加データとして教師データ記憶手段７５に所定数以上貯まると（ステップＳ２２：「ＹＥＳ」）、再学習を行う（ステップＳ２３）。

学習に用いる「クリックされた広告に関する属性」は、例えば、広告属性でもよいし、推定属性であってその広告を選択する根拠となった属性その他でもよく、以下に２つの例を示す。

〔２−２．学習に用いる属性〕
第１の例は、推定属性と広告属性の一致に基づく学習である（図６）。この場合、広告選択手段４２は、推定属性または認識語の少なくとも一方に基づいて、広告記憶手段４５に記憶されている広告のなかから出力する広告を選択する（ステップＳ１５）。

そして、学習手段７２は、クリックされた広告の広告属性と推定属性と、が一致する場合（ステップＳ１８：「ＹＥＳ」）、その一致している属性と音声との組を（ステップＳ１９）学習に用いる（ステップＳ２２及びＳ２３）。例えば、図６の例では、推定属性と、認識語に基づく広告の広告属性がいずれも女性で一致しているので、それらの基となった音声と、属性「女性」との組を学習に用いる。

第２の例は、広告属性を優先する学習である（図７）。図４の流れでは、広告属性と推定属性が不一致の場合に（ステップＳ１８：「ＮＯ」）、広告属性を優先する設定になっているとき（ステップＳ２０：「ＹＥＳ」）、第２の例である広告属性を優先する学習（図７）を行う（ステップＳ２１からＳ２３）。

広告属性を優先する学習が効果を発揮するのは、広告選択手段４２が、広告記憶手段４５に記憶されている広告のなかから出力する広告を認識語に基づいて選択する場合である（ステップＳ１４）。この場合、認識語に基づいて選択された広告の広告属性は、音声に基づく推定属性と一致するとは限らない。

そして、学習手段７２は、クリックされた広告の広告属性と音声との組を（ステップＳ２１）学習に用いる（ステップＳ２２及びＳ２３）。例えば、図７の例では、推定属性（ここでは「男性」）を無視して、認識語（例えば「紅茶」）に基づく広告の広告属性（「女性」）と音声との組を学習に用いる。

〔３．効果〕
（１）以上のように、本実施形態では、属性が未知のユーザにより発話された音声も、操作された広告に関する属性と組み合わせることにより（図５から図７）、広告の選択という目的に適合した機械学習の教師データとして活用することができる。

特に、発話したユーザに対し出力する広告を選ぶ目的のためには、音声からの推定による属性が厳密にそのユーザの真の属性（例えば、生物学的ジェンダー）と一致する必要はない。例えば、たとえ男性でも女性向けの広告を操作する傾向がある人の音声は、女性と推定すべき教師データとして学習に用いても、広告の選択という目的には適合する。

（２）また、本実施形態では、最も基本的なユーザの属性である性別を対象に機械学習を充実させることにより、属性推定の精度向上の利点を多くの応用分野に及ぼすことができる。

（３）また、本実施形態では、操作された広告に対応する属性（広告属性）と音声の組を機械学習に用いることにより（図６）、広告の選択という目的により適合した学習が実現でき、ＣＴＲの改善が期待できる。

（４）また、本実施形態では、広告が選択された根拠が、音声認識された語であっても推定された属性であっても、操作された広告に対応する属性（広告属性）と推定された属性とが一致する場合に、その属性と音声とのペアを学習に用いることにより（図７）、信頼性が高い教師データを増やせる。

〔４．他の実施形態〕
なお、上記実施形態や図の内容は例示に過ぎず、各要素の有無や配置、処理の順序や内容などは適宜変更可能である。このため、本発明は、以下に例示する変形例やそれ以外の他の実施形態も含むものである。例えば、属性は、性別に限らず、年代、居住または出身の地方その他でもよい。

また、本発明の各態様は、明記しない他のカテゴリ（方法、プログラム、端末を含むシステムなど）としても把握できる。方法やプログラムのカテゴリでは、装置のカテゴリで示した「手段」を「処理」や「ステップ」のように適宜読み替えるものとする。また、「手段」の全部又は任意の一部を「部」（ユニット、セクション、モジュール等）と読み替えることができる。

また、実施形態に示した処理やステップについても、順序を変更したり、いくつかをまとめて実行しもしくは一部分ずつ分けて実行するなど変更可能である。また、個々の手段、処理やステップを実現、実行するハードウェア要素などは共通でもよいし、手段、処理やステップごとにもしくはタイミングごとに異なってもよい。

また、本出願で示す個々の手段は、外部のサーバが提供している機能をＡＰＩ（アプリケーションプログラムインタフェース）やネットワーク・コンピューティング（いわゆるクラウドなど）で呼び出して実現してもよい。さらに、手段などの要素は、コンピュータに限らず、現在のまたは将来登場する他の情報処理機構で実現してもよい。

１ 情報処理装置（本装置）
６ 演算制御部
７ 記憶装置
８ 通信装置
２０ 音声取得手段
３０ 属性推定手段
３２ 音声認識手段
３５ 検索手段
３６ 索引記憶手段
４２ 広告選択手段
４５ 広告記憶手段
５０ 広告出力手段
６０ 操作受付手段
７２ 学習手段
７５ 教師データ記憶手段
Ｎ 通信ネットワーク
Ｔ 端末

Claims (5)

1. ユーザにより発話された音声を取得する音声取得手段と、
   識別器を用いて、前記音声取得手段によって取得された前記音声を照合することにより、前記ユーザから操作される傾向にある広告に対応付けられた属性を推定する属性推定手段と、
   属性と対応付けられた広告を記憶する広告記憶手段と、
   前記属性推定手段によって推定された前記属性に基づいて、前記広告記憶手段に記憶されている広告のなかから当該ユーザへ出力する広告を選択する広告選択手段と、
   前記広告選択手段によって選択された広告であって前記ユーザへ出力された広告に対する操作を受け付ける操作受付手段と、
   操作された前記広告に関する属性と、取得された前記音声と、の組を用いて前記識別器の学習を行う学習手段と、
   を備えたことを特徴とする情報処理装置。
2. 前記属性推定手段によって推定される前記ユーザから操作される傾向にある広告に対応付けられた属性は、性別であることを特徴とする請求項１記載の情報処理装置。
3. 取得された前記音声から語を音声認識する音声認識手段を備え、
   前記広告選択手段は、音声認識された前記語に基づいて、前記広告記憶手段に記憶されている前記広告のなかから出力する広告を選択し、
   前記学習手段は、操作された前記広告に対応付けられている前記属性と前記音声との組を用いて学習を行うことを特徴とする請求項１又は２記載の情報処理装置。
4. 前記学習手段は、操作された前記広告に対応付けられている前記属性と、前記属性推定手段によって推定された前記ユーザから操作される傾向にある広告に対応付けられている属性と、が一致する場合、前記音声と前記属性の組を用いて学習を行うことを特徴とする請求項１〜３のいずれか一つに記載の情報処理装置。
5. ユーザにより発話された音声を取得する音声取得処理と、
   識別器を用いて、前記音声取得処理によって取得された前記音声を照合することにより、前記ユーザから操作される傾向にある広告に対応付けられた属性を推定する属性推定処理と、
   属性と対応付けられた広告を記憶する広告記憶処理と、
   前記属性推定処理によって推定された前記属性に基づいて、属性と対応付けられた広告を記憶する広告記憶手段に記憶されている広告のなかから、当該ユーザへ出力する広告を選択する広告選択処理と、
   前記広告選択処理によって選択された広告であって前記ユーザへ出力された広告に対する操作を受け付ける操作受付処理と、
   操作された前記広告に関する属性と、取得された前記音声と、の組を用いて前記識別器の学習を行う学習処理と、
   をコンピュータが実行することを特徴とする情報処理方法。

Images