JP6344995B2

JP6344995B2 - 特定装置、特定方法及び特定プログラム

Info

Publication number: JP6344995B2
Application number: JP2014126556A
Authority: JP
Inventors: 崇史宮崎
Original assignee: Yahoo Japan Corp
Current assignee: Yahoo Japan Corp
Priority date: 2014-06-19
Filing date: 2014-06-19
Publication date: 2018-06-20
Anticipated expiration: 2034-06-19
Also published as: JP2016004551A

Description

本発明は、特定装置、特定方法及び特定プログラムに関する。

従来、利用者の属性情報に基づいて利用者に商品等を推薦する技術が知られている。例えば、このような技術では、商品に興味を持つと予測される利用者の属性と一致する属性の利用者に対して商品を推薦する。

特開平０９−０３４８６３号公報

しかしながら、上記の従来技術では、利用者にとって魅力的な商品を特定することができるとは限らなかった。例えば、上記の従来技術では、商品に興味を持つ利用者の属性を予測し、予測された属性の利用者に対して商品を推薦する。このため、上記の従来技術では、商品に興味を持つ利用者の属性を誤って予測した場合には、商品に興味を持たない利用者に対して商品を推薦する場合がある。このようなことから、上記の従来技術では、利用者にとって魅力的な商品を特定することができるとは限らなかった。

本願は、上記に鑑みてなされたものであって、利用者にとって魅力的な商品や商品に対する関心が高い利用者を特定することができる特定装置、特定方法及び特定プログラムを提供することを目的とする。

本願に係る特定装置は、第１種別のオブジェクトと第２種別のオブジェクトとを含む入力データを受け付ける受付部と、前記受付部によって受け付けられた入力データに基づいて前記第１種別のオブジェクトの特徴と前記第２種別のオブジェクトの特徴との共起関係を学習した学習器を生成する生成部と、前記生成部によって生成された学習器に前記第１種別のオブジェクトを含む入力データを入力し、当該第１種別のオブジェクトの特徴とともに前記学習器が学習した共起関係に基づいて第２種別のオブジェクトの特徴を特定する特定部とを備えたことを特徴とする。

実施形態の一態様によれば、利用者にとって魅力的な商品を特定することができるという効果を奏する。

図１は、実施形態に係る特定装置による特定処理の一例を示す説明図である。図２は、実施形態に係る特定装置による特定処理の一例を示す説明図である。図３は、実施形態に係る推薦システムの構成例を示す図である。図４は、実施形態に係る特定装置の構成例を示す図である。図５は、特定装置による生成処理手順を示すフローチャートである。図６は、特定装置による特定処理手順を示すフローチャートである。図７は、変形例に係る学習器の一例を示す図である。図８は、変形例に係る学習器の一例を示す図である。図９は、特定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。

以下に、本願に係る特定装置、特定方法及び特定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特定装置、特定方法及び特定プログラムが限定されるものではない。また、以下の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。

〔１．特定処理〕
まず、図１を用いて、実施形態に係る特定処理の一例について説明する。図１は、実施形態に係る特定装置による特定処理の一例を示す説明図である。図１の例では、特定装置１００によって製品と共起する人物の特徴を特定する特定処理が行われる例を示す。

特定装置１００は、学習器Ｌｅによって画像に描出された製品と共起する人物を特定するサーバ装置である。この点について図１を用いて詳細に説明する。学習器Ｌｅは、製品の特徴と人物の特徴との間の共起関係を学習したＤＮＮである。具体的には、学習器Ｌｅは、入力データに対する演算結果を出力する複数のノード（例えば、ニューロン）を接続したＤＮＮ（Deep Neural Network）であって製品が描出された画像を入力データとして入力した場合に製品と共起する人物に対応するノードを出力するＤＮＮである。

図１の例では、学習器Ｌｅは、入力層と、多段のノード群によって形成される中間層と、出力層とから構成される。ここで、出力層は、製品が描出された画像が学習器Ｌｅに入力データとして入力された場合に製品と共起する人物に対応するノードを出力する。例えば、出力層は、製品と共起する人物に対応するノードとして男性に対応するノードや女性に対応するノードを有する。他の例では、出力層は、人物と共起する製品に対応するノードとしてデスクトップ型パソコンに対応するノードを有する。

特定装置１００は、まず、第１種別のオブジェクト（例えば、製品）と第２種別のオブジェクト（例えば、人物）とを含む入力データを受け付ける（ステップＳ１）。例えば、特定装置１００は、図１に示すように、入力データとして製品であるデスクトップ型パソコンと人物である男性とが描出された画像Ｐ１〜Ｐ３を受け付ける。なお、図１では、特定装置１００は、説明を簡単にするため３枚の画像を受け付ける例を示すが、実際には製品と人物との間の共起関係を学習するのに十分な枚数の画像を受け付ける。

続いて、特定装置１００は、受け付けられた入力データに基づいて製品と人物との間の共起関係を学習した学習器Ｌｅを生成する（ステップＳ２）。具体的には、特定装置１００は、入力データとして製品と人物とが描出された画像Ｐ１を受け付けた場合に、人物に対応するノードを出力する学習器Ｌｅを生成する。図１の例では、特定装置１００は、画像Ｐ１にはデスクトップ型パソコンと男性の人物とが描出されているので、男性に対応するノードを出力する学習器Ｌｅを生成する。すなわち、特定装置１００は、デスクトップ型パソコンが男性と共起することを学習する学習器Ｌｅを生成する。なお、特定装置１００は、例えば、教師なし学習を実行することで製品と人物との間の共起関係を学習した学習器Ｌｅを生成する。

その後、特定装置１００は、入力データとして製品が描出された画像を受け付ける（ステップＳ３）。例えば、特定装置１００は、図１に示すように、入力データとして製品であるデスクトップ型パソコンＤＰ１が描出された画像ＴＰ１を受け付ける。

続いて、特定装置１００は、生成された学習器Ｌｅに第１種別のオブジェクトを含む入力データを入力し、第１種別のオブジェクトの特徴とともに学習器Ｌｅが学習した共起関係に基づいて第２種別のオブジェクトの特徴を特定する（ステップＳ４）。具体的には、特定装置１００は、生成された学習器Ｌｅに製品が描出された画像を入力データとして入力した場合に反応する出力ノードに基づいて製品と共起する人物の特徴を特定する。例えば、特定装置１００は、画像ＴＰ１を入力データとして入力した場合に反応する出力ノードＯＤ１である男性に対応するノードに基づいて製品と共起する人物の特徴を特定する。図１の例では、特定装置１００は、男性に対応するノードが反応しているので、デスクトップ型パソコンと共起する人物の特徴は男性であると特定する。

なお、特定装置１００は、入力データとして製品と人物とが描出された画像Ｐ１を受け付けた場合に、人物に対応するノードを出力する学習器Ｌｅに限らず、製品に対応するノードを出力する学習器Ｌｅを生成してもよい。この点について図２を用いて説明する。図２は、実施形態に係る特定装置による特定処理の一例を示す説明図である。この場合、特定装置１００は、入力データとして製品と人物とが描出された画像Ｐ１を受け付けた場合に、製品に対応するノードを出力する学習器Ｌｅを生成する（ステップＳ２）。すなわち、特定装置１００は、男性がデスクトップ型パソコンと共起することを学習する学習器Ｌｅを生成する。

その後、特定装置１００は、入力データとして人物が描出された画像を受け付ける（ステップＳ３）。例えば、特定装置１００は、図２に示すように、入力データとして人物である男性が描出された画像ＴＰ２を受け付ける。

続いて、特定装置１００は、生成された学習器Ｌｅに人物が描出された画像を入力データとして入力し、人物の特徴とともに学習器Ｌｅが学習した共起関係に基づいて製品の特徴を特定する（ステップＳ４）。例えば、特定装置１００は、画像ＴＰ２を入力データとして入力した場合に反応する出力ノードＯＤ２であるデスクトップ型パソコンに対応するノードに基づいて男性と共起する製品を特定する。図２の例では、特定装置１００は、デスクトップ型パソコンに対応するノードが反応しているので、男性と共起する製品はデスクトップ型パソコンであると特定する。

このように、実施形態に係る特定装置１００は、第１種別のオブジェクトと第２種別のオブジェクトとを含む入力データを受け付ける。また、特定装置１００は、受け付けられた入力データに基づいて第１種別のオブジェクトの特徴と第２種別のオブジェクトの特徴との共起関係を学習した学習器を生成する。また、特定装置１００は、学習器に第１種別のオブジェクトを含む入力データを入力し、第１種別のオブジェクトの特徴とともに学習器が学習した共起関係に基づいて第２種別のオブジェクトの特徴を特定する。

これにより、特定装置１００は、製品と共起する人物を特定することができるので、商品に対する関心が高い利用者を特定することができる。例えば、特定装置１００は、商品に対する関心が高い利用者に対して商品を推薦することができるので、商品の売上を高めることができる。また、特定装置１００は、例えば、商品に対する関心が高い利用者に対して商品の広告を配信することができるので、商品の広告効果を高めることができる。

また、特定装置１００は、製品の特徴と共起する人物の特徴を特定することができるので、例えば、新製品を発売する際に新製品を推薦すべき利用者を適切に判定することができる。

また、特定装置１００は、人物と共起する製品を特定することができるので、利用者にとって魅力的な商品を特定することができる。例えば、特定装置１００は、利用者とって魅力的な商品を推薦することができるので、商品の売上を高めることができる。また、特定装置１００は、例えば、利用者とって魅力的な商品の広告を配信することができるので、商品の広告効果を高めることができる。

〔２．推薦システムの構成〕
図３を用いて、実施形態に係る推薦システムの構成について説明する。図３は、実施形態に係る推薦システムの構成例を示す図である。図３に示すように、推薦システム１には、販売者端末１０と、利用者端末２０と、サーバ装置５０と、特定装置１００とが含まれる。販売者端末１０、サーバ装置５０および特定装置１００は、ネットワークを介して、有線又は無線により通信可能に接続される。なお、図３に示した推薦システム１には、複数台の販売者端末１０や、複数台のサーバ装置５０や、複数台の特定装置１００が含まれてもよい。

販売者端末１０は、例えば、デスクトップ型ＰＣや、ノート型ＰＣや、タブレット型端末や、スマートフォンや、携帯電話機や、ＰＤＡ（Personal Digital Assistant）等の情報処理装置である。例えば、販売者端末１０は、ショッピングサイトやＥＣサイト、オークションサイトで商品を販売する販売者によって利用される。販売者端末１０は、販売者が販売する商品が描出された画像をサーバ装置５０に送信する。一例としては、販売者端末１０は、表示部に表示されるウェブページである受付画面に対して所定の操作（例えば、クリック操作）を受け付けた場合に、販売者が販売する製品が描出された画像をサーバ装置５０に送信する。

サーバ装置５０は、各種ウェブページを販売者端末１０に提供するサーバ装置である。具体的には、サーバ装置５０は、ショッピングサイトやＥＣサイト、オークションサイトに関するウェブページを提供する。例えば、サーバ装置５０は、消費者が閲覧するショッピングサイトや商品を販売する販売者が閲覧する管理画面（例えば、受付画面）を提供する。なお、サーバ装置５０は、ショッピングサイトに限らず、技術解説サイト、検索エンジンサイト、ショッピングサイト、ニュースサイト、ファイナンスサイト（株価サイト）等といった各種のウェブページを提供してもよい。

特定装置１００は、学習器Ｌｅを用いて、第１種別のオブジェクト（例えば、製品）と共起する第２種別のオブジェクト（例えば、人物）の特徴を特定するサーバ装置である。具体的には、特定装置１００は、まず、入力データとして製品が描出された画像を学習器Ｌｅに入力する。そして、特定装置１００は、入力データに対する出力に基づいて製品と共起する人物の特徴を特定する。

利用者端末２０は、例えば、デスクトップ型ＰＣや、ノート型ＰＣや、タブレット型端末や、スマートフォンや、携帯電話機や、ＰＤＡ等の情報処理装置である。例えば、利用者端末２０は、ショッピングサイトやＥＣサイト、オークションサイトを閲覧する利用者によって利用される。利用者端末２０は、サーバ装置５０から推薦された製品に関する情報を表示部に表示する。例えば、利用者端末２０は、利用者が閲覧するウェブページに含まれる広告枠にサーバ装置５０から推薦された製品に関する広告コンテンツを表示部に表示する。

次に、図３を用いて、推薦システム１による推薦処理について説明する。まず、販売者端末１０は、例えば、販売者が販売する製品ＤＰ１が描出された画像ＴＰ１をサーバ装置５０に送信する（ステップＳ２１）。

続いて、サーバ装置５０は、販売者端末１０から送信された画像ＴＰ１を特定装置１００に送信する。これにより、特定装置１００は、製品ＤＰ１が描出された画像ＴＰ１を受け付ける（ステップＳ２２）。

そして、特定装置１００は、画像ＴＰ１に描出された製品ＤＰ１を推薦する推薦対象の人物を特定する（ステップＳ２３）。具体的には、特定装置１００は、学習器Ｌｅに画像ＴＰ１を入力データとして入力し、製品の特徴とともに学習器Ｌｅが学習した共起関係に基づいて人物の特徴を特定する。例えば、特定装置１００は、画像ＴＰ１を入力データとして入力した場合に反応する男性に対応するノードに基づいて製品ＤＰ１と共起する人物の特徴を男性と特定する。

その後、特定装置１００は、特定した推薦対象の人物をサーバ装置５０に通知する（ステップＳ２４）。例えば、特定装置１００は、製品ＤＰ１の推薦対象の人物が男性である旨をサーバ装置５０に通知する。

そして、サーバ装置５０は、特定装置１００から通知された推薦対象の人物に製品を推薦する（ステップＳ２５）。例えば、サーバ装置５０は、製品ＤＰ１の推薦対象である男性の利用者が操作する利用者端末２０に製品ＤＰ１に関する広告コンテンツを配信する。一例としては、サーバ装置５０は、利用者端末２０の表示部に表示されるウェブページの広告枠に製品ＤＰ１に関する広告コンテンツを配信する。これにより、サーバ装置５０は、製品ＤＰ１を推薦対象の人物に推薦することができる。

〔３．特定装置の構成〕
次に、図４を用いて、実施形態に係る特定装置１００の構成について説明する。図４は、実施形態に係る特定装置の構成例を示す図である。図４に示すように、特定装置１００は、通信部１１０と、記憶部１２０と、制御部１３０とを有する。なお、特定装置１００は、特定装置１００を管理する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。

（通信部１１０について）
通信部１１０は、例えば、ＮＩＣ等によって実現される。通信部１１０は、ネットワークと有線又は無線で接続され、ネットワークを介して、販売者端末１０やサーバ装置５０、利用者端末２０との間で情報の送受信を行う。

（記憶部１２０について）
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。記憶部１２０は、学習器情報記憶部１２１を有する。

（学習器情報記憶部１２１について）
学習器情報記憶部１２１は、学習器（例えば、ＤＮＮ）に関する情報を記憶する。具体的には、学習器情報記憶部１２１は、ＤＮＮに含まれる入力層、中間層および出力層のノードや、ノード間の結合係数に関する情報を記憶する。例えば、学習器情報記憶部１２１は、図１に示す学習器Ｌｅを記憶する。

（制御部１３０について）
制御部１３０は、例えば、ＣＰＵ（Central Processing Unit）やＭＰＵ（Micro Processing Unit）等によって、特定装置１００内部の記憶装置に記憶されている各種プログラム（生成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、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。

制御部１３０は、図４に示すように、受付部１３１と、生成部１３２と、特定部１３３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４に示した構成に限られず、後述する生成処理を行う構成であれば他の構成であってもよい。また、制御部１３０が有する各処理部の接続関係は、図４に示した接続関係に限られず、他の接続関係であってもよい。

（受付部１３１について）
受付部１３１は、入力データを受け付ける。具体的には、受付部１３１は、学習器の学習を行う際には、第１種別のオブジェクトと第２種別のオブジェクトとを含む入力データを受け付ける。例えば、受付部１３１は、入力データとして販売者が販売する製品と人物とが描出された画像を受け付ける。また、受付部１３１は、推薦対象の人物を特定する際には、入力データとして製品が描出された画像を受け付ける。また、受付部１３１は、推薦対象の製品を特定する際には、入力データとして人物が描出された画像を受け付ける。

（生成部１３２について）
生成部１３２は、学習器（例えば、ＤＮＮ）を生成する。具体的には、生成部１３２は、受付部１３１によって受け付けられた入力データに基づいて第１種別のオブジェクトの特徴と第２種別のオブジェクトの特徴との共起関係を学習した学習器を生成する。一例としては、生成部１３２は、バックプロパゲーション法や教師あり学習によりＤＮＮに含まれるニューロンの間の結合係数を算出することで学習器を生成する。

例えば、生成部１３２は、受付部１３１によって製品と人物とが描出された画像を受け付けた場合には、人物に対応するノードと製品に対応するノードとが所定の値を出力するようにノード間の結合係数を算出する。一例としては、生成部１３２は、受付部１３１によってデスクトップ型パソコンと男性とが描出された画像を受け付けた場合には、デスクトップ型パソコンに対応するノードと男性に対応するノードとが所定の値を出力し、他のノードが所定の値を取得しないようにノード間の結合係数を算出する。すなわち、生成部１３２は、デスクトップ型パソコンと男性とが共起することを学習するノード間の結合係数を算出する。

その後、生成部１３２は、算出した結合係数を学習器に含まれるノード間に設定することで学習器を生成する。これにより、生成部１３２は、製品が描出された画像が受け付けられた場合に、製品の特徴と共起する人物の特徴に対応するノードが所定の値を出力する学習器を生成することができる。また、生成部１３２は、人物が描出された画像が受け付けられた場合に、人物の特徴と共起する製品の特徴に対応するノードが所定の値を出力する学習器を生成することができる。そして、生成部１３２は、生成した学習器を学習器情報記憶部１２１に格納する。

（特定部１３３について）
特定部１３３は、第１種別のオブジェクトと共起する第２種別のオブジェクトを特定する。具体的には、特定部１３３は、生成部１３２によって生成された学習器に第１種別のオブジェクトを含む入力データを入力し、第１種別のオブジェクトの特徴とともに学習器が学習した共起関係に基づいて第２種別のオブジェクトの特徴を特定する。例えば、特定部１３３は、製品ＤＰ１が描出された画像ＴＰ１に対して、学習器情報記憶部１２１に記憶された学習器Ｌｅの「男性」に対応するノードが所定の値を出力した場合には、製品ＤＰ１と共起する人物の特徴を「男性」と特定する。これにより、特定部１３３は、製品ＤＰ１を推薦する推薦対象の人物の特徴を男性と特定する。

他の例では、特定部１３３は、男性が描出された画像ＴＰ２に対して生成部１３２によって生成された学習器Ｌｅの「デスクトップ型パソコン」に対応するノードが所定の値を出力した場合には、男性と共起する製品の特徴を「デスクトップ型パソコン」と特定する。これにより、特定部１３３は、男性に推薦する推薦対象の製品の特徴をデスクトップ型パソコンと特定する。そして、特定部１３３は、特定した推薦対象に関する情報をサーバ装置５０に通知する。

なお、特定部１３３は、人物の特徴としてユーザ属性を用いてもよい。この場合、特定部１３３は、例えば、製品と共起する人物のユーザ属性を学習した学習器を生成する。そして、特定部１３３は、製品が描出された画像を入力し、製品の特徴とともに学習器が学習した共起関係に基づいてユーザ属性を特定する。その後、特定部１３３は、特定したユーザ属性を推薦対象としてサーバ装置５０に通知する。そして、サーバ装置５０は、特定装置１００から通知されたユーザ属性の利用者に対して製品を推薦する。

〔４．生成処理手順〕
次に、図５を用いて、実施形態に係る特定装置１００による生成処理の手順について説明する。図５は、実施形態に係る特定装置による生成処理手順を示すフローチャートである。

図５に示すように、特定装置１００は、第１種別のオブジェクトと第２種別のオブジェクトとを含む入力データを受け付ける。例えば、特定装置１００は、入力データとして製品と人物とが描出された画像を受け付ける（ステップＳ１０１）。そして、特定装置１００は、入力データとして製品と人物とが描出された画像を受け付けていない場合には（ステップＳ１０１；Ｎｏ）、入力データとして製品と人物とが描出された画像を受け付けるまで待機する。

一方、特定装置１００は、入力データとして製品と人物とが描出された画像を受け付けた場合（ステップＳ１０１；Ｙｅｓ）、受け付けた入力データを学習器に入力する（ステップＳ１０２）。例えば、特定装置１００は、入力データとして製品と人物とが描出された画像を学習器に入力する。

その後、特定装置１００は、受付部１３１によって受け付けられた入力データに基づいて第１種別のオブジェクトの特徴と第２種別のオブジェクトの特徴との共起関係を学習した学習器を生成する。具体的には、特定装置１００は、入力データである製品と人物とが描出された画像に対して人物の特徴に対応するノードが所定の値を出力するようにノード間の結合係数を算出する。例えば、特定装置１００は、バックプロパゲーション法により結合係数を算出する（ステップＳ１０３）。

そして、特定装置１００は、学習器を生成する（ステップＳ１０４）。例えば、特定装置１００は、算出した結合係数をノード間に設定することで、製品と人物とが描出された画像に対して人物の特徴に対応するノードが所定の値を出力する学習器を生成する。その後、特定装置１００は、生成した学習器を学習器情報記憶部１２１に格納する（ステップＳ１０５）。

〔５．特定処理手順〕
次に、図６を用いて、実施形態に係る特定装置１００による特定処理の手順について説明する。図６は、実施形態に係る特定装置による特定処理手順を示すフローチャートである。

図６に示すように、特定装置１００は、入力データとして第２種別のオブジェクトが描出された画像を受け付ける。例えば、特定装置１００は、入力データとして製品が描出された画像を受け付ける（ステップＳ２０１）。そして、特定装置１００は、入力データとして製品が描出された画像を受け付けていない場合には（ステップＳ２０１；Ｎｏ）、入力データとして製品が描出された画像を受け付けるまで待機する。

一方、特定装置１００は、入力データとして製品が描出された画像を受け付けた場合（ステップＳ２０１；Ｙｅｓ）、受け付けた入力データである製品が描出された画像を学習器に入力する（ステップＳ２０２）。

その後、特定装置１００は、生成部１３２によって生成された学習器に第１種別のオブジェクトを含む入力データを入力し、第１種別のオブジェクトの特徴とともに学習器が学習した共起関係に基づいて第２種別のオブジェクトの特徴を特定する。例えば、特定装置１００は、学習器に製品が描出された画像を入力データとして入力した場合に反応する出力ノードに対応する人物の特徴を特定する（ステップＳ２０３）。これにより、特定装置１００は、製品を推薦する推薦対象の人物を特定する。

そして、特定装置１００は、特定した人物を推薦対象としてサーバ装置５０に通知する（ステップＳ２０４）。これにより、サーバ装置５０は、例えば、製品と共起関係にある最適な人物に製品を推薦することができる。

〔６．変形例〕
上述した実施形態に係る特定装置１００は、上記実施形態以外にも種々の異なる形態にて実施されてよい。そこで、以下では、上記の特定装置１００の他の実施形態について説明する。

〔６−１．学習器（１）〕
上記実施形態では、特定装置１００は、受付部１３１によって受け付けられた入力データに基づいて第１種別のオブジェクトの特徴と第２種別のオブジェクトの特徴との共起関係を学習した学習器を生成する例を示した。ここで、特定装置１００は、各種の形態の学習器を生成してもよい。

具体的には、特定装置１００は、中間層に複数のノード群を含む学習器を生成する。この点について、図７を用いて説明する。図７は、変形例に係る学習器の一例を示す図である。図７に示すように、特定装置１００は、複数のノード群として、一般情報特徴層と、個人特化情報特徴層と、融合特徴層とを中間層に含む学習器Ｌｅを生成する。ここで、一般情報特徴層は、例えば、製品に関する製品情報の特徴を学習したノードによって形成される層である。個人特化情報特徴層は、例えば、個人の人物に関するユーザ属性の特徴を学習したノードによって形成される層である。融合特徴層は、製品と人物との共起関係の特徴を学習したノードによって形成される層である。

ここで、特定装置１００は、まず、プレトレーニングとして一般情報特徴層および個人特化情報特徴層の学習をそれぞれ個別に行う。例えば、特定装置１００は、一般情報特徴層に所定の入力層および出力層を追加したニューラルネットワークに対し、製品に関する製品情報を入力し、製品に関する製品情報の特徴を学習させる。また、特定装置１００は、個人特化情報特徴層に所定の入力層および出力層を追加したニューラルネットワークに対し、個人の人物に関するユーザ属性を入力し、ユーザ属性の特徴を学習させる。そして、特定装置１００は、一般情報特徴層および個人特化情報特徴層を含むニューラルネットワークに融合特徴層を設置し、製品と人物との共起関係の学習を行う。例えば、特定装置１００は、個人の人物および製品が描出された画像を学習器Ｌｅに入力することで学習を行う。これにより、特定装置１００は、新製品が描出された画像を入力した場合に新製品に対応した個人属性を出力する学習器Ｌｅを生成することができる。

このように、特定装置１００は、第１の特徴と第２の特徴との共起性を学習した学習器Ｌｅを生成する場合は、第１の特徴のプレトレーニングを行った中間層と第２の特徴のプレトレーニングを行った中間層とを含む学習器を生成する。これにより、特定装置１００は、新製品が描出された画像を入力した場合に新製品に対応した個人属性を高い精度で出力する学習器Ｌｅを生成することができる。

〔６−２．学習器（２）〕
上記変形例では、特定装置１００は、中間層に複数のノード群を含む学習器を生成する例を示した。ここで、特定装置１００は、入力データに対して商品の種別を出力する学習器を生成してもよい。

具体的には、特定装置１００は、人物と製品が属する種別との共起関係を学習した学習器を生成する。そして、特定装置１００は、生成された学習器に人物が描出された画像を入力データを入力し、人物の特徴とともに学習器が学習した共起関係に基づいて製品が属する種別の特徴を特定する。

この点について、図８を用いて説明する。図８は、変形例に係る学習器の一例を示す図である。図８に示すように、特定装置１００は、学習器Ｌｅの学習を行う際に、個人および製品が描出された画像とともに製品のカテゴリを受け付ける。

その後、特定装置１００は、人物と製品が属する種別との共起関係を学習した学習器Ｌｅを生成する。例えば、特定装置１００は、個人および製品が描出された画像と製品のカテゴリとを入力データとして入力した場合に製品のカテゴリを出力する学習器Ｌｅを生成する。一例としては、特定装置１００は、バックプロパゲーション法や教師あり学習により、個人および製品が描出された画像と製品のカテゴリとを入力データとして入力した場合に製品のカテゴリを出力するノード間の結合係数を算出する。そして、特定装置１００は、算出した結合係数をノード間に設定することで個人および製品が描出された画像と製品のカテゴリとを入力データとして入力した場合に製品のカテゴリを出力する学習器Ｌｅを生成する。

その後、特定装置１００は、生成された学習器Ｌｅに人物が描出された画像を入力データとして入力した場合に反応する出力ノードに対応する製品が属する種別を特定する。また、特定装置１００は、例えば、商品の種別ごとに分類された個人の写真を出力する。これにより、特定装置１００は、画像に描出された個人に推薦する推薦対象となる製品のカテゴリを特定することができる。

このように、特定装置１００は、人物と製品が属する種別との共起関係を学習した学習器を生成する。そして、特定装置１００は、生成された学習器に人物が描出された画像を入力データとして入力した場合に反応する出力ノードに対応する製品が属する種別を特定する。

これにより、特定装置１００は、画像に描出された個人に推薦する推薦対象を製品のカテゴリごとに特定することができるので、製品ごとに特定する場合と比較して推薦対象を増やすことができる。

〔６−３．ＤＮＮ〕
上記実施形態では、特定装置１００は、入力層、中間層および出力層によって構成される学習器を生成する例を示した。ここで、特定装置１００は、各種の層に任意の数のノード群を含む学習器を生成してもよい。例えば、特定装置１００は、中間層に複数のノード群が含まれる多段の学習器を生成する。また、学習器に含まれるノード群は、任意の数のノードによって構成されてもよい。

〔６−４．適用対象〕
上記実施形態では、特定装置１００は、画像に描出された製品と共起関係にある人物を特定する画像認識の適用例を示した。ここで、特定装置１００は、画像認識に限らず、各種の認識に適用してもよい。具体的には、特定装置１００は、音声を対象とする音声認識に適用する。例えば、特定装置１００は、入力データとして音声データを入力することで話者の分類と製品のカテゴリとの間の共起関係を学習する学習器を生成する。一例としては、音声データから話者の性別と会話で発せられた製品の名称やカテゴリとの間の共起関係を学習する。これにより、特定装置１００は、音声データから話者に推薦する推薦対象の製品を特定することができる。

〔６−５．共起関係〕
上記実施形態では、また、特定装置１００は、製品と人物との共起関係を画像から学習する例を示した。ここで、特定装置１００は、画像に限らず、各種の形態から共起関係を学習してもよい。例えば、特定装置１００は、製品の販売結果などから共起関係にある製品を学習した学習器を生成する。一例としては、特定装置１００は、洗濯機と洗剤とが同時に売れた販売結果から同時に販売された洗濯機と洗剤との共起関係を学習する。そして、特定装置１００は、例えば、消費者が洗濯機を販売する販売ページを閲覧する際に、推薦対象としてかかる洗濯機と同時に販売された洗剤や、かかる洗濯機と同様の特徴を有する洗濯機と共起される潜在をサーバ装置５０に通知する。

このように、特定装置１００は、製品の販売結果から共起関係にある製品を学習する。これにより、特定装置１００は、同時に購入される可能性が高い製品を推薦することができるので、製品の売り上げを向上させることができる。

〔６−６．装置構成〕
上記実施形態では、特定装置１００は、サーバ装置５０と一体となって構成されてもよい。この場合、特定装置１００は、特定した推薦対象の人物に製品を推薦する。例えば、特定装置１００は、特定した人物が操作する利用者端末２０に対して製品に関する広告コンテンツを配信する。また、特定装置１００は、推薦対象を特定する特定処理は行わず、生成部１３２による生成処理のみを行う生成装置であってもよい。この場合、特定装置１００は、少なくとも特定部１３３を有しない。そして、特定部１３３を有する特定装置が、特定装置１００によって生成された学習器を用いて推薦対象を特定し、特定した推薦対象をサーバ装置５０等に配信する。

〔６−７．その他〕
上記実施形態において説明した各処理のうち、自動的に行われるものとして説明した処理の全部または一部を手動的に行うこともでき、あるいは、手動的に行われるものとして説明した処理の全部または一部を公知の方法で自動的に行うこともできる。この他、上記文書中や図面中で示した処理手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。例えば、各図に示した各種情報は、図示した情報に限られない。

また、図示した各装置の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、各装置の分散・統合の具体的形態は図示のものに限られず、その全部または一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。例えば、図３に示した受付部１３１および生成部１３２は統合されてもよい。

〔６−８．ハードウェア構成〕
また、上述してきた実施形態に係る特定装置１００は、例えば図９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。以下、特定装置１００を例に挙げて説明する。図９は、特定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、ＲＯＭ１３００、ＨＤＤ１４００、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、およびメディアインターフェイス（Ｉ／Ｆ）１７００を有する。

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。

ＨＤＤ１４００は、ＣＰＵ１１００によって実行されるプログラム、および、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、通信網５００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通信網５００を介して他の機器へ送信する。

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、および、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。

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が実施形態に係る特定装置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。また、ＨＤＤ１４００には、記憶部１２０内のデータが格納される。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、他の装置から通信網５００を介してこれらのプログラムを取得してもよい。

〔７．効果〕
上述してきたように、実施形態に係る特定装置１００は、受付部１３１と、生成部１３２と、特定部１３３とを有する。受付部１３１は、第１種別のオブジェクトと第２種別のオブジェクトとを含む入力データを受け付ける。生成部１３２は、受付部１３１によって受け付けられた入力データに基づいて第１種別のオブジェクトの特徴と第２種別のオブジェクトの特徴との共起関係を学習した学習器を生成する。特定部１３３は、生成部１３２によって生成された学習器に第１種別のオブジェクトを含む入力データを入力し、第１種別のオブジェクトの特徴とともに学習器が学習した共起関係に基づいて第２種別のオブジェクトの特徴を特定する。

また、実施形態に係る特定装置１００において、受付部１３１は、第１種別のオブジェクトと前記第２種別のオブジェクトとを含む入力データとして人物および製品が描出された画像を受け付ける。生成部１３２は、人物の特徴と製品の特徴との共起関係を学習した学習器を生成する。

また、実施形態に係る特定装置１００において、特定部１３３は、生成部１３２によって生成された学習器に人物が描出された画像を入力データとして入力した場合に反応する出力ノードに対応する製品の特徴を特定する。

また、実施形態に係る特定装置１００において、特定部１３３は、生成部１３２によって生成された学習器に製品が描出された画像を入力データとして入力した場合に反応する出力ノードに対応する人物の特徴を特定する。

これにより、実施形態に係る特定装置１００は、製品と共起する人物の特徴を特定することができるので、商品に対する関心が高い利用者を特定することができる。例えば、特定装置１００は、商品に対する関心が高い利用者に対して商品を推薦することができるので、商品の売上を高めることができる。また、特定装置１００は、例えば、商品に対する関心が高い利用者に対して商品の広告を配信することができるので、商品の広告効果を高めることができる。

また、変形例に係る特定装置１００において、生成部１３２は、人物と製品が属する種別との共起関係を学習した学習器を生成する。特定部１３３は、生成部１３２によって生成された学習器に人物が描出された画像を入力データとして入力した場合に反応する出力ノードに対応する製品が属する種別を特定する。

これにより、変形例に係る特定装置１００は、画像に描出された個人に推薦する推薦対象を製品のカテゴリごとに特定することができるので、製品ごとに特定する場合と比較して推薦対象を増やすことができる。

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

１０販売者端末
２０利用者端末
５０サーバ装置
１００特定装置
１２１学習器情報記憶部
１３１受付部
１３２生成部
１３３特定部

Claims

人物に関するオブジェクトと商品に関するオブジェクトとを含む入力データを受け付ける受付部と、
多段のノード群によって形成される中間層を有する学習器であって、前記受付部によって受け付けられた入力データに基づいて、前記人物に関するオブジェクトの特徴、前記商品に関するオブジェクトの特徴、および、前記人物に関するオブジェクトの特徴と前記商品に関するオブジェクトの特徴との共起関係を中間層で学習した学習器を生成する生成部と、
前記生成部によって生成された学習器に利用者に関するオブジェクトを含む入力データを入力し、当該利用者に関するオブジェクトの特徴とともに前記学習器が学習した共起関係に基づいて、当該利用者に対して推薦する商品に関するオブジェクトの特徴を特定する特定部と
を備えたことを特徴とする特定装置。
前記受付部は、
前記人物に関するオブジェクトと前記商品に関するオブジェクトとを含む入力データとして人物および商品が描出された画像を受け付ける
ことを特徴とする請求項１に記載の特定装置。
前記特定部は、
前記生成部によって生成された学習器に前記利用者が描出された画像を入力データとして入力した場合に反応する出力ノードに対応する商品に関するオブジェクトの特徴を特定する
ことを特徴とする請求項２に記載の特定装置。
前記特定部は、
前記生成部によって生成された学習器に前記商品が描出された画像を入力データとして入力した場合に反応する出力ノードに対応する人物の特徴を特定する
ことを特徴とする請求項２または３に記載の特定装置。
前記生成部は、
前記人物の特徴と前記商品が属する種別との共起関係を学習した学習器をさらに生成し、
前記特定部は、
前記生成部によって生成された学習器に前記利用者が描出された画像を入力データとして入力した場合に反応する出力ノードに対応する商品が属する種別をさらに特定する
ことを特徴とする請求項２〜４のいずれか一つに記載の特定装置。
特定装置が実行する特定方法であって、
人物に関するオブジェクトと商品に関するオブジェクトとを含む入力データを受け付ける受付工程と、
多段のノード群によって形成される中間層を有する学習器であって、前記受付工程によって受け付けられた入力データに基づいて、前記人物に関するオブジェクトの特徴、前記商品に関するオブジェクトの特徴、および、前記人物に関するオブジェクトの特徴と前記商品に関するオブジェクトの特徴との共起関係を中間層で学習した学習器を生成する生成工程と、
前記生成工程によって生成された学習器に利用者に関するオブジェクトを含む入力データを入力し、当該利用者に関するオブジェクトの特徴とともに前記学習器が学習した共起関係に基づいて、当該利用者に対して推薦する商品に関するオブジェクトの特徴を特定する特定工程と
を含んだことを特徴とする特定方法。
人物に関するオブジェクトと商品に関するオブジェクトとを含む入力データを受け付ける受付手順と、
多段のノード群によって形成される中間層を有する学習器であって、前記受付手順によって受け付けられた入力データに基づいて、前記人物に関するオブジェクトの特徴、前記商品に関するオブジェクトの特徴、および、前記人物に関するオブジェクトの特徴と前記商品に関するオブジェクトの特徴との共起関係を中間層で学習した学習器を生成する生成手順と、
前記生成手順によって生成された学習器に利用者に関するオブジェクトを含む入力データを入力し、当該利用者に関するオブジェクトの特徴とともに前記学習器が学習した共起関係に基づいて、当該利用者に対して推薦する商品に関するオブジェクトの特徴を特定する特定手順と
をコンピュータに実行させることを特徴とする特定プログラム。