JP6556660B2 - 特性理解装置、方法、及びプログラム - Google Patents

Description

本発明は、特性理解装置、方法、及びプログラムに関する。

経路探索などの各種サービス実現のために道路の特性を理解したいというニーズがある。例えば、どの道がにぎやかか、明るいかといった特性を理解し、それらの道路を優先的に探索することで、にぎやかな道を通りたい、明るい道を通りたいといったユーザのニーズに応えた経路探索を実現できる。

実世界において地理的に分布する多様な特性を理解するための、いくつかの既存の取り組みがある。

一つの取り組みは、人手で、各道路にその特性の情報を付与することに取り組むものである（非特許文献１）。これらの取り組みは、クラウドソーシングなどを用いてあらかじめ指定された特徴が各道路にあてはまるかを人手で評価し、その結果を道路ネットワーク上の各道路に付与して経路探索などに用いるものである。ここでいう道路ネットワークとは、交差点をノード、道路をエッジとして道路網をグラフの形式で表現したデータ形式のことであり、経路探索などに一般に用いられるものである。

もう一つの取り組みは統計情報から各道路の特性を推定するものである（非特許文献２）。政府の公開しているオープンデータや車などの移動軌跡情報を基に、各道路の安全度やグリーンガス排出量などを推定する取り組みである。

またもう一つの取り組みは、ソーシャルメディアなどのＷｅｂ上の情報を用いて地域の情報を理解しようとする取り組みである（非特許文献３）。これらの取り組みは、緯度経度の紐付いたテキストデータを元に、ＰＯＩ(Point of Interest)単位ないし円状やセル上のエリア単位でどのように特性が分布しているかを理解しようとするものである。ここでいうＰＯＩとは、店舗や観光地など人が興味を持って訪問するスポットのことである。

Daniele Quercia, Rossano Schifanella and Luca Maria Aiello "The shortest path to happiness: recommending beautiful, quiet, and happy routes in the city", in Proc. of Hypertext，2014. B. Yang et al, "Using incomplete information for complete weight annotation of road networks", in IEEE Transactions on Knowledge and Data Engineering，2011. Zhijun Yin et al, "Geographical topic discovery and comparison", in Proc. of WWW，2011.

しかしながら、上記の非特許文献に係る従来技術においても以下の問題がある。

一つ目の問題は、人手での情報付与や指定した情報を抽出する手法はコストが大きく、広範なエリアや様々な情報の取得に適用することが出来ないという点である。

二つ目の問題は、統計情報から特性を推定する取り組みでは収集可能な情報の種類が限定的であり、人の主観に関する特性などを推定することは出来ないという点である。

三つ目の問題は、ソーシャルメディアなどのＷｅｂ上の情報を用いた地域の情報理解の取り組みではＰＯＩ単位やエリア単位での特性理解への取り組みは存在し、その結果を道路に割り当てる取り組みも存在するが、それらは道路とＰＯＩやエリアとの関係性を考慮していないという点である。

ＰＯＩ単位の特性理解を利用して道路の特性を理解する手法の一つとしては、ＰＯＩの情報を近隣の道路に付与する手法が考えられる。図１３に模式図を示す。図１３に示す手法では、各ＰＯＩの特性を最近傍の道路に割り当てる。しかし、この手法では道路とＰＯＩとの関係性を正しく考慮しておらず、正しく特性を推定することは出来ない。

ＰＯＩの特性は、そのＰＯＩ接する道路から影響を受ける部分と、ＰＯＩ独自の部分との組み合わせになっていると考えられる。例えばにぎやかな道の近くにある飲食店はにぎやかな雰囲気だと考えられるが、どういった料理が出るか、といった特性は道路とは無関係である。

また、ＰＯＩが道路から影響を受けるような特性は、同一の道路に接する他のＰＯＩにも影響していると考えられる。これらを考慮しなければ道路自体の特性を推定することは出来ない。また道路の構造関係を考慮して推定することも同時に行う必要がある。なぜなら上記図１３に示すように特性についてのデータが得られない道路も存在するためである。

また、エリア単位の特性理解を利用して道路の特性を理解する手法としてはそのエリア内の道路にその特性を付与する手法も考えられる。図１４に模式図を示す。しかしこの手法ではそのエリア内の道路の特性は一律になってしまい、例えば経路探索においてはそのエリアにある道路のうちどれがユーザのニーズに合致したものであるか分からないという問題がある。

本発明は、上記の事情に鑑みてなされたもので、スポットと道路との関係及び道路間の関係を考慮して、スポットの特性及び道路の特性を精度よく推定することができる特性理解装置、方法、及びプログラムを提供することを目的とする。

上記目的を達成するために、第１の発明に係る特性理解装置は、各道路をエッジとし各交差点をノードとして道路網をグラフの形式で表現し、かつ前記道路の情報が前記グラフに付与されている道路ネットワークと、スポットの位置情報とに基づいて、前記道路の各々に対し前記スポットを割り当てると共に、前記道路の各々について、前記道路網の構造関係を考慮した前記道路間の関係を生成する関係構造化部と、前記スポット毎に紐付けられた単語情報を含むデータ集合と、前記関係構造化部によって得られた、前記道路の各々に対して割り当てられた前記スポット及び前記道路間の関係とに基づいて、前記データ集合に含まれる各単語の特性と、各スポットの特性と、各道路の特性とを含む予め定められた目的関数を最適化するように、前記データ集合に含まれる各単語の特性と、各スポットの特性と、各道路の特性とを推定する特性推定部と、を含んで構成されている。

第２の発明に係る特性理解方法は、関係構造化部及び特性推定部を含む特性理解装置における特性理解方法であって、前記関係構造化部が、各道路をエッジとし各交差点をノードとして道路網をグラフの形式で表現し、かつ前記道路の情報が前記グラフに付与されている道路ネットワークと、スポットの位置情報とに基づいて、前記道路の各々に対し前記スポットを割り当てると共に、前記道路の各々について、前記道路網の構造関係を考慮した前記道路間の関係を生成するステップと、前記特性推定部が、前記スポット毎に紐付けられた単語情報を含むデータ集合と、前記関係構造化部によって得られた、前記道路の各々に対して割り当てられた前記スポット及び前記道路間の関係とに基づいて、前記データ集合の単語情報に含まれる各単語の特性と、各スポットの特性と、各道路の特性とを含む予め定められた目的関数を最適化するように、前記データ集合に含まれる各単語の特性と、各スポットの特性と、各道路の特性とを推定するステップと、を含む。

第１及び第２の発明によれば、関係構造化部が、各道路をエッジとし各交差点をノードとして道路網をグラフの形式で表現し、かつ道路の情報がグラフに付与されている道路ネットワークと、スポットの位置情報とに基づいて、道路の各々に対しスポットを割り当てると共に、道路の各々について、道路網の構造関係を考慮した道路間の関係を生成する。

そして、特性推定部が、スポット毎に紐付けられた単語情報を含むデータ集合と、関係構造化部によって得られた、道路の各々に対して割り当てられたスポット及び道路間の関係とに基づいて、データ集合の単語情報に含まれる各単語の特性と、各スポットの特性と、各道路の特性とを含む予め定められた目的関数を最適化するように、データ集合に含まれる各単語の特性と、各スポットの特性と、各道路の特性とを推定する。

このように、道路ネットワークと、スポットの位置情報とに基づいて、道路の各々に対しスポットを割り当てると共に、道路の各々について、道路網の構造関係を考慮した道路間の関係を生成し、スポット毎に紐付けられた単語情報を含むデータ集合と、道路の各々に対して割り当てられたスポット及び道路間の関係とに基づいて、データ集合に含まれる各単語の特性と、各スポットの特性と、各道路の特性とを含む予め定められた目的関数を最適化するように、各単語の特性と、各スポットの特性と、各道路の特性とを推定することにより、スポットと道路との関係及び道路間の関係を考慮して、スポットの特性及び道路の特性を精度よく推定することができる。

本発明の前記目的関数は、前記スポット毎に紐付けられた前記データ集合の単語情報が表す各単語が出現する回数と、前記データ集合の単語情報に含まれる各単語の特性、各スポットの特性、及び各道路の特性を用いて表される、前記道路に割り当てられた前記スポットにおいて各単語が生成される生成確率とを用いて算出される各スポットの前記データ集合の尤度と、前記道路間の関係から得られる接続された道路間の前記道路の特性の類似度を用いて表される各道路の特性に関する制約とを含むようにすることができる。

また、本発明は、前記特性推定部によって推定された、前記データ集合の単語情報に含まれる各単語の特性を記憶した単語特性記憶部と、前記特性推定部によって推定された、各スポットの特性を記憶した位置特性記憶部と、前記単語特性記憶部に記憶された各単語の特性に基づいて、入力された単語を前記単語の特性に変換する単語前処理部と、前記位置特性記憶部に記憶された各スポットの特性と、前記単語前処理部により変換された前記入力された単語の特性とに基づいて、前記入力された単語と前記スポットの各々との適合度を算出する適合度算出部と、を更に含むようにすることができる。

また、本発明は、前記特性推定部によって推定された、前記データ集合の単語情報に含まれる各単語の特性を記憶した単語特性記憶部と、前記特性推定部によって推定された、各道路の特性を記憶した道路特性記憶部と、前記単語特性記憶部に記憶された各単語の特性に基づいて、入力された単語を前記単語の特性に変換する単語前処理部と、前記道路特性記憶部に記憶された各道路の特性と、前記単語前処理部により変換された前記入力された単語の特性とに基づいて、前記入力された単語と前記道路の各々との適合度を算出する適合度算出部と、を更に含むようにすることができる。

また、本発明のプログラムは、コンピュータを、上記特性理解装置を構成する各部として機能させるためのプログラムである。

以上説明したように、本発明の特性理解装置、方法、及びプログラムによれば、道路ネットワークと、スポットの位置情報とに基づいて、道路の各々に対しスポットを割り当てると共に、道路の各々について、道路網の構造関係を考慮した道路間の関係を生成し、スポット毎に紐付けられた単語情報を含むデータ集合と、道路の各々に対して割り当てられたスポット及び道路間の関係とに基づいて、データ集合に含まれる各単語の特性と、各スポットの特性と、各道路の特性とを含む予め定められた目的関数を最適化するように、各単語の特性と、各スポットの特性と、各道路の特性とを推定することにより、スポットと道路との関係及び道路間の関係を考慮して、スポットの特性及び道路の特性を精度よく推定することができる、という効果が得られる。

本実施の形態の概要を説明するための図である。 本実施の形態に係る特性理解装置の機能的構成を示すブロック図である。 ＰＯＩデータの一例を示す図である。 ＰＯＩデータの形式を変換した一例を示す図である。 ＰＯＩの緯度経度情報の一例を示す図である。 道路ネットワークの一例を示す図である。 道路ネットワークの一例を示す図である。 単語の特性、ＰＯＩの特性、及び道路の特性の一例を示す図である。 単語前処理部の処理の一例を示す図である。 適合度の算出の処理の一例を示す図である。 本実施形態に係る特性理解装置における特性推定処理ルーチンの処理を表すフローチャートである。 本実施形態に係る特性理解装置における適合度算出処理ルーチンの処理を表すフローチャートである。 従来技術の一例を示す図である。 従来技術の一例を示す図である。

以下、図面を参照して、本発明の実施の形態を詳細に説明する。

＜本発明の実施の形態の概要＞

まず、本発明の実施の形態の概要について説明する。本発明の実施の形態は、ソーシャルメディアなどのＷｅｂ上の情報を基に、実世界の状況を理解する手法に関する。本実施の形態においては、データ集合の単位として、スポットの一例であるＰＯＩ(Point of Interest)を用いる。ＰＯＩとは、店舗や観光地など人が興味を持って訪問するスポットのことである。

本発明の実施の形態では、ＰＯＩと道路との関係性と、道路同士の構造関係とを考慮しながら道路の特性を推定し、同時にＰＯＩの特性も推定する。また、所望の特性を持つＰＯＩや道路を人間が探し出すためには、ＰＯＩの特性又は道路の特性と照合可能な形の単語の特性も必要になるため、単語の特性も同時に推定する。

図１に、本実施の形態を説明するための図を示す。

まず、ＰＯＩと道路との関係性をどのように考慮するかについて説明する。上記図１に示すように、ＰＯＩの特性は、そのＰＯＩが接する道路から影響を受ける部分と、ＰＯＩ独自の部分との組み合わせになっていると考え、本実施の形態では、それらを同時に推定することができる仕組みを考える。

次に、道路同士の構造関係について説明する。上記図１に示すように、道路の特性は、接続した道路は似た特性を持つ、接続しているがその規模が大きく異なる道路では特性の類似度が下がる、などの特徴を持つことが考えられる。

例えば、二つの道路の規模が類似していてまっすぐつながっている場合には、雰囲気などが近く、特性も類似すると考えられる。一方、まっすぐではなく９０度に接続されている場合には、特性の類似度は下がると考えられる。

上記の二点を考慮することで、ＰＯＩが多い道路ではその共通している部分を道路の特性として抽出する、ＰＯＩのデータが不足している道路については接続された道路の特性を用いることで推定するといったことが可能になり、道路の特性を高精度に推定することができる。

また、上記の推定の結果得られた単語・ＰＯＩ・道路の特性を組み合わせて用いることで、与えられたキーワードに対して、各ＰＯＩと各道路とが、そのキーワードにどれほど当てはまっているかを示す数値である適合度が算出可能になる。これを用いれば、様々なキーワードを指定しての経路探索や、キーワードに適したＰＯＩの前を通る経路探索などが行えるようになる。

＜本発明の実施形態に係る特性理解装置の構成＞
次に、本発明の実施形態に係る特性理解装置の構成について説明する。図２に示すように、本発明の実施形態に係る特性理解装置１００は、ＣＰＵと、ＲＡＭと、後述する特性推定処理ルーチン、及び適合度算出処理ルーチンを実行するためのプログラムや各種データを記憶したＲＯＭと、を含むコンピュータで構成することができる。この特性理解装置１００は、機能的には図２に示すように入力部１０と、演算部２０と、出力部５０と、を含んで構成されている。なお、本実施の形態に係る特性理解装置は、ＰＯＩについてのデータと道路ネットワークとを用いて、各単語の特性、各ＰＯＩの特性、及び各道路の特性を推定する。また、本実施の形態に係る特性理解装置は、各単語の特性、各ＰＯＩの特性、及び各道路の特性に関する出力結果を利用して、外部から与えられた単語と各道路との適合度及び単語と各ＰＯＩとの適合度を出力する。

入力部１０は、外部から単語を入力として受け付ける。

演算部２０は、ＰＯＩデータ記憶部２２と、ＰＯＩデータ前処理部２４と、ＰＯＩ緯度経度記憶部２６と、道路ネットワーク記憶部２８と、道路ＰＯＩ関係構造化部３０と、特性推定部３２と、単語特性記憶部４０と、位置特性記憶部４２と、道路特性記憶部４４と、単語前処理部４６と、適合度算出部４８とを含んで構成されている。

ＰＯＩデータ記憶部２２には、ＰＯＩの各々に対し、テキストデータが記憶されている。具体的には、ＰＯＩデータ記憶部２２には、ソーシャルメディアなどのＷｅｂ上の情報から収集したデータなど、各ＰＯＩに関するデータ（以後、ＰＯＩデータとする）が記憶されている。ＰＯＩデータの例としては、例えば、ＰＯＩ毎に投稿されたテキストデータである。図３にＰＯＩデータの一例を示す。

ＰＯＩデータ前処理部２４は、ＰＯＩデータ記憶部２２に記憶されているＰＯＩデータの各々について、後述する特性推定部３２の処理に適した形式にデータを処理し、ＰＯＩと単語情報を含むデータ集合とが紐付いたスポット情報を出力する。例えば、ＰＯＩデータ前処理部２４は、ＰＯＩデータのテキストから、テキスト中に各単語が何回出現したかのカウントをまとめたデータ形式であり、単語情報を含むデータ集合の一例であるＢａｇ ｏｆ Ｗｏｒｄｓを生成する。図４にＰＯＩデータ前処理部２４によってＰＯＩデータの形式が変更された例を示す。なお、図４の例においては、入力されるＰＯＩデータは、図３のＰＯＩデータが入力されたものとする。また、ＰＯＩデータ前処理部２４によって、ＰＯＩデータの形式が変更された情報を以後、スポット情報とする。図４の例に示すように、スポット情報は、ＰＯＩと、単語情報を含むデータ集合とが紐付けたものである。

ＰＯＩ緯度経度記憶部２６には、ＰＯＩの各々についての緯度経度情報（以後、ＰＯＩの位置情報）が記憶されている。図５にＰＯＩの位置情報の例を示す。

道路ネットワーク記憶部２８には、道路ネットワークが記憶されている。道路ネットワークとは、各道路をエッジ、各交差点をノードとして道路網をグラフの形式で表現し、さらに道路の規模などのメタデータを表す道路の情報が当該グラフに付与されている形式のデータのことである。

具体的なデータ形式の一例としては、各道路が複数の緯度経度を持つ座標点データのリストとして表現されているものが考えられる。この場合、各道路の始点と終点の座標点が道路ネットワークにおけるノードとなり、共通のノードを始点もしくは終点として持つ道路同士が接続されていることになる。また、道路の規模などのメタデータが各道路について保存されている。道路ネットワークの一例を図６に示す。

関係構造化部３０は、道路ネットワーク記憶部２８に記憶されている道路ネットワークと、ＰＯＩ緯度経度記憶部２６に記憶されているＰＯＩの位置情報の各々とに基づいて、道路の各々に対しＰＯＩを割り当てる。また、関係構造化部３０は、道路ネットワーク記憶部２８に記憶されている道路ネットワークに基づいて、道路の各々について、道路網の構造関係を考慮した道路間の関係としてのグラフを生成する。

具体的には、関係構造化部３０は、ＰＯＩ緯度経度記憶部２６及び道路ネットワーク記憶部２８からデータを読み取り、二つのテーブルを出力する。一つ目は、各ＰＯＩを最近傍の道路に割り当てたテーブルである。二つ目は、道路ネットワークから作成したグラフを表すテーブルである。このグラフは、道路をノードとして、接続された道路の間にエッジを張り、道路間の関係性に応じて重みを設定したものである。この重みは、道路間でどれほど特性が類似すると考えられるかを表すものとする。例えば以下に示す（１）〜（４）のような実現方法が考えられる。

（１）道路が接続されている場合、道路間の重みの初期値を１とする。
（２）規模が異なっていれば０．３をかける。
（３）同じ交差点により規模の大きい道路が存在する場合は０．３をかける。
（４）道路間の角度が１８０度の場合を１、９０度の場合を０．３として、道路間の角度に応じて連続的に変化させた値をかける。

関係構造化部３０における入出力例を図７に示す。関係構造化部３０に対して実際に入力されるデータは、上記図５及び上記図６に示すデータであるが、それぞれの道路とＰＯＩとを緯度経度座標上に可視化したものを図７の入力例に示している。

図７に示す入力例では、ＰＯＩ１とＰＯＩ２とは道路１を最近傍としている。そのため、出力のうち道路とＰＯＩとの関係性テーブルで、道路１とＰＯＩ１、ＰＯＩ２が紐付けられることになる。また、道路１は道路２と道路３とが接続されているため、道路１‐道路２と道路１‐道路３にそれぞれエッジが設定され、道路ネットワークを反映したグラフを表すテーブルのように出力される。

また、道路１と道路２とは、まっすぐつながっているために特性の類似度が高いと考えられるため、重みが大きい。一方、道路１と道路３とはまっすぐではないために特性の類似度は低いと考えられるため、重みが小さくなっている。

特性推定部３２は、ＰＯＩデータ前処理部２４によって得られた、ＰＯＩ毎の単語情報を含むデータ集合と、関係構造化部３０によって得られた、道路の各々に対して割り当てられたＰＯＩ及びグラフとに基づいて、データ集合の単語情報に含まれる各単語の特性と、各ＰＯＩの特性と、各道路の特性とを含む予め定められた目的関数を最適化するように、データ集合の単語情報に含まれる各単語の特性と、各ＰＯＩの特性と、各道路の特性とを推定する。特性推定部３２は、単語特性推定部３４と、ＰＯＩ特性推定部３６と、道路特性推定部３８とを備える。

特性推定部３２は、ＰＯＩデータ前処理部２４及び道路ＰＯＩ関係構造化部３０の出力を受け取り、単語とＰＯＩと道路との特性を同時に推定する。その際、ＰＯＩと道路の関係性と、道路の構造関係を考慮する。

この機能を実現する方法として、グラフ制約と階層構造を考慮したｐＬＳＡ（Probabilistic Latent Semantic Analysis）（例えば、参考文献（T. Hofmann. “Probabilistic latent semantic indexing.” in Proc. of SIGIR, 1999）を参照）を利用することなどが考えられる。ｐＬＳＡはテキストデータから各文書のＢａｇ ｏｆ Ｗｏｒｄｓを入力として、各単語と各文書に対してその意味を表現するようなベクトルを出力する技術である。ｐＬＳＡを処理手法として用いる場合は、各ＰＯＩのテキストを文書とみなし、道路とその近傍ＰＯＩの階層構造と、道路ネットワークの構造を考慮するように拡張することで実現できる。

階層構造を考慮する場合には、例えば、Sparse Additive Generative Model（例えば、参考文献（J.Eisenstein et al, “Sparse additive generative models of text” in Proc. of ICML, 2011）を参照）などを用いることで実現できる。

次に、テキストを情報として用いる場合についての、具体的な式を示す。全てのテキストデータの集合をＣ、各道路ｒの集合をノード集合Ｒ、接続された道路同士の間にエッジを張りその集合をＥと定義し、ＧをＧ＝（Ｒ，Ｅ）とあらわされるグラフとしたとき、全体の目的関数を以下の式（１）のように定義し、これを最小化するように単語・ＰＯＩ・道路の特性を推定する。

（１）

ここでＬ（Ｃ，Ｇ）は各単語の生成確率から計算される各ＰＯＩのデータ集合についての尤度を表す。また、Ｒ（Ｇ）はグラフ構造に基づく各道路の特性に関する制約を表す。λはこの二項に関する重み項である。

道路ｒの近傍にあるＰＯＩの集合をＰｒ、各ＰＯＩｐに紐付けられたデータ集合の単語情報が表す単語ｗが出現した回数をｃ（ｗ，ｐ）、道路ｒの近傍のＰＯＩｐで単語ｗが生成される生成確率をｐ（ｗ｜ｒ，ｐ）としたとき、Ｌ（Ｃ，Ｇ）は以下のように定義される。

（２）

また、ｐ（ｗ｜ｒ，ｐ）は以下のように定義される。

（３）

上記式（３）に示すように、道路ｒに割り当てられたＰＯＩｐにおいて各単語ｗが生成される生成確率ｐ（ｗ｜ｒ，ｐ）は、テキストデータに含まれる各単語の特性、各ＰＯＩの特性、及び各道路の特性を用いて表される。

ここで、ψは各道路の持つ特性を表すベクトル、θは各ＰＯＩの持つ特性を表すベクトル、φは各トピックの持つ単語分布を表す。ψ^ｒ _ｚは道路ｒの特性を表すベクトルのｚ次元目の大きさを表し、θ^ｐ _ｚはＰＯＩｐの特性を表すベクトルのｚ次元目の大きさを表す。φ^ｚ _ｗはトピックｚにおける単語ｗの生成確率を表す。また、Ｋはトピック数を表し、Ｖは全テキスト中に出てきた語彙の集合を表す。

上記式について詳しく説明する。各単語の生成確率は、あるトピックｚのそのＰＯＩにおける生成確率に、トピックｚにおけるその単語の生成確率をかけることを全てのトピックについて行い、その和を取ることで算出される。また、あるＰＯＩｐにおけるトピックの生成確率は、そのＰＯＩが隣接する道路ｒにおけるトピックｚの生成しやすさを示すパラメータであるψ^ｒ _ｚに、ＰＯＩｐと道路の差分を足し合わせた値から算出される。この式を用いてｐ（ｗ｜ｒ，ｐ）を計算することで、ある道路ｒの近傍ＰＯＩで共通して生成されやすい単語があり、またそれぞれのＰＯＩで個別に生成されやすい単語もあることが表現できる。

また、上記式（１）のＲ（Ｇ）は以下のように定義される。

（４）

ここで、ｗ（ｒ，ｒ’）は道路ｒとｒ’の特性の類似度の強さを表す。詳細は後述する。ｄｉｆｆ（ψ^ｒ，ψ^ｒ’）は特性ψの一致度を算出する関数であり、内積などによって実現できる。この式の最大化を図ることで、特性の類似度が高いと考えられる道路において、それぞれの特性の推定結果の値が近くなるようにできる。

ｗ（ｒ，ｒ’）について説明する。ｗ（ｒ，ｒ’）は道路間の特性の類似度を表し、道路ＰＯＩ関係構造化部３０から出力された重みである。これを用いると、道路の構造関係から来る特性の類似度を考慮しながらψを求めることができる。
従って、上記式（１）のＲ（Ｇ）は、関係構造化部３０から出力されたグラフから得られる、接続された道路間の道路の特性の類似度ｄｉｆｆ（ψ^ｒ，ψ^ｒ’）を用いて表される。

以上を考慮しながら、φ，ψ，θを最適化することで単語・ＰＯＩ・道路の特性を推定する。最適化する方法としては、Gibbs Samplingを用いることができる。本実施の形態では、Gibbs Samplingを用いてφ，ψ，θを推定する場合を例に説明する。

具体的には、まず、φ，ψ，θを適当に初期化する。

次に、単語特性推定部３４は、初期化された、又は前回推定されたψ，θを固定して、上記式（１）についてφを最適化する。

ＰＯＩ特性推定部３６は、初期化された、又は前回推定されたθと、単語特性推定部３４によって推定されたφとを固定して、上記式（１）についてψを最適化する。

道路特性推定部３８は、単語特性推定部３４によって推定されたφと、ＰＯＩ特性推定部３６によって推定されたψとを固定して、上記式（１）についてθを最適化する。

そして、予め定められた条件を満たすまで、単語特性推定部３４、ＰＯＩ特性推定部３６、及び道路特性推定部３８の推定処理を繰り返すことで、上記式（１）の目的関数の最適化が実現できる。

単語特性推定部３４、ＰＯＩ特性推定部３６、及び道路特性推定部３８における最適化は、Projected Scaled Sub-Gradient（例えば、参考文献（M. Schmidt, A. Niculescu-Mizil, and K. Murphy, “Learning graphical model structure using l1-regularization paths”, in Proc. of AAAI, 2007.）を参照）などで実現することができる。図８に、出力の例を示す。

単語特性記憶部４０には、特性推定部３２によって推定された各単語の特性が記憶されている。

位置特性記憶部４２には、特性推定部３２によって推定された各ＰＯＩの特性が記憶されている。

道路特性記憶部４４には、特性推定部３２において推定された各道路の特性が記憶されている。

図８に、単語特性記憶部４０に記憶される単語の特性の例、位置特性記憶部４２に記憶されるＰＯＩの特性の例、道路特性記憶部４４に記憶される道路の特性の例を示す。

単語前処理部４６は、単語特性記憶部４０に記憶された各単語の特性に基づいて、入力部１０から入力された単語を、単語の特性に変換する。具体的には、単語前処理部４６は、入力部１０において受け付けた単語について、単語特性記憶部４０に記憶されている各単語の特性のうち、単語が一致する単語の特性を、当該受け付けた単語の特性として取得する。図９に、受け付けた単語が「喫茶店」である場合において、取得される単語特性の例を示す。

適合度算出部４８は、位置特性記憶部４２に記憶された各ＰＯＩの特性と、単語前処理部４６により変換された単語の特性とに基づいて、入力された単語とＰＯＩの各々との適合度を算出し、結果を出力部５０から出力する。

また、適合度算出部４８は、道路特性記憶部４４に記憶された各道路の特性と、単語前処理部４６により変換された単語の特性とに基づいて、入力された単語と道路の各々との適合度を算出し、結果を出力部５０から出力する。

なお、本実施形態においては、各単語の特性、各ＰＯＩの特性、及び各道路の特性をベクトル表現しているため、単語とＰＯＩとの適合度及び単語と道路との適合度は、各々の特性のベクトルの内積で計算する。図１０に、適合度算出部４８における入力と出力とのデータの例を示す。

出力部５０は、適合度算出部４８の出力を受け取り外部へと出力する。

＜本発明の実施形態に係る特性理解装置の作用＞
次に、本発明の実施形態に係る特性理解装置１００の作用について説明する。本発明の実施の形態では、処理プロセスとして、図１１に示すように各特性を推定し蓄積する処理フローと、図１２に示すように入力された単語と各特性との適合度を算出する処理フローとがある。

まず、特性理解装置１００は、ＰＯＩデータ記憶部２２からＰＯＩデータの各々を読み込むと、図１１に示す特性推定処理ルーチンを実行する。

まず、ステップＳ１００において、ＰＯＩデータ前処理部２４は、読み込んだＰＯＩデータの各々について後述するステップＳ１０２の処理に適した形式にデータを処理し、ＰＯＩと単語情報を含むデータ集合とが紐付いたスポット情報を取得する。

次に、ステップＳ１０２において、関係構造化部３０は、道路ネットワーク記憶部２８に記憶されている道路ネットワークと、ＰＯＩ緯度経度記憶部２６に記憶されているＰＯＩの位置情報の各々とに基づいて、道路の各々に対しＰＯＩを割り当てる。

ステップＳ１０４において、特性推定部３２は、上記ステップＳ１００で得られた、ＰＯＩ毎の単語情報を含むデータ集合と、上記ステップＳ１０２で得られた、道路の各々に対して割り当てられたＰＯＩ及びグラフとに基づいて、上記式（１）に示す目的関数を最適化するように、データ集合に含まれる各単語の特性と、各ＰＯＩの特性と、各道路の特性とを推定する。

そして、ステップＳ１０６において、特性推定部３２は、上記ステップＳ１０４で推定した、各単語の特性を単語特性記憶部４０に記憶させ、各ＰＯＩの特性を位置特性記憶部４２に記憶させ、各道路の特性を道路特性記憶部４４に記憶させ、特性推定処理ルーチンを終了する。

次に、特性理解装置１００は、入力部１０において単語を受け付けると、図１２に示す適合度算出処理ルーチンを実行する。

まず、ステップＳ２００では、単語特性記憶部４０に記憶されている各単語の特性と、位置特性記憶部４２に記憶されている各ＰＯＩの特性と、道路特性記憶部４４に記憶されている各道路の特性とを読み込む。

次に、ステップＳ２０２では、単語前処理部４６は、ステップＳ２００において取得した各単語の特性に基づいて、入力部１０において受け付けた単語の特性を取得する。

次に、ステップＳ２０４では、適合度算出部４８は、ステップＳ２００において取得した各ＰＯＩの特性と、ステップＳ２０２において取得した入力部１０において受け付けた単語の特性とに基づいて、当該単語と各ＰＯＩとの適合度の各々を算出する。また、適合度算出部４８は、ステップＳ２００において取得した各道路の特性と、ステップＳ２０２において取得した入力部１０において受け付けた単語の特性とに基づいて、当該単語と各道路との適合度の各々を算出する。

次に、ステップＳ２０６では、ステップＳ２０４において取得した入力部１０において受け付けた単語と各ＰＯＩとの適合度の各々、及び入力部１０において受け付けた単語と各道路との適合度の各々を、出力部５０から出力して、適合度算出処理ルーチンを終了する。

以上説明したように、本発明の実施形態に係る特性理解装置によれば、道路ネットワークと、ＰＯＩの位置情報とに基づいて、道路の各々に対しＰＯＩを割り当てると共に、道路の各々について、道路網の構造関係を考慮した道路間の関係を生成し、ＰＯＩ毎に紐付けられた単語情報を含むデータ集合と、道路の各々に対して割り当てられたＰＯＩ及び道路間の関係とに基づいて、データ集合に含まれる各単語の特性と、各ＰＯＩの特性と、各道路の特性とを含む予め定められた目的関数を最適化するように、各単語の特性と、各ＰＯＩの特性と、各道路の特性とを推定することにより、ＰＯＩと道路との関係及び道路間の関係を考慮して、ＰＯＩの特性及び道路の特性を精度よく推定することができる。

また、記憶された各単語の特性に基づいて、入力された単語を特性に変換し、記憶された各ＰＯＩの特性及び各道路の特性と、変換された入力された単語の特性とに基づいて、入力された単語とＰＯＩの各々との適合度及び入力された単語と道路の各々との適合度を算出することにより、ＰＯＩと道路との関係及び道路間の関係を考慮して、単語とＰＯＩの各々との適合度及び単語と道路の各々との適合度を算出することができる。

また、Ｗｅｂ上に存在する情報を用いて、道路及びＰＯＩの関係性と、道路同士の関係性とを考慮しながら、各ＰＯＩと道路とについて、様々なキーワードとの適合度を高精度に算出する仕組みを構築することができる。これにより、人の主観に関するものなど様々なキーワードについて、そのキーワードと適合するＰＯＩ又は道路を重視した経路探索などのサービスが実現できる。

また、ソーシャルメディアなどのＷｅｂ上の情報を基に、実世界の情報を理解することができる。

なお、本発明は、上述した実施形態に限定されるものではなく、この発明の要旨を逸脱しない範囲内で様々な変形や応用が可能である。

例えば、本実施形態においては、入力された単語とＰＯＩの各々との適合度及び入力された単語と道路の各々との適合度を算出する場合を例に説明したが、これに限定されるものではなく、単語とＰＯＩの各々との適合度及び単語と道路の各々との適合度の何れか一方のみを算出してもよい。

また、本実施形態においてはＰＯＩに関するデータをテキストデータとする場合について説明したが、これに限定されるものではなく、ＰＯＩに関するデータとして、画像データにメタデータとして単語集合が付加されているものを用いてもよい。この場合、ＰＯＩ毎の１画像データを１テキストとみなして、当該画像データに含まれる単語の集合を上述の１テキストとみなして本実施形態に係る特性理解装置の各処理を行えばよい。

また、本実施形態においては、単語の特性、ＰＯＩの特性、及び道路の特性を推定する場合に、ｐＬＳＩを用いる場合について説明したが、これに限定されるものではなく、他の手法を用いてもよい。

また、本実施形態においては、ＰＯＩデータと、ＰＯＩの位置情報とが別々に記憶されている場合について説明したが、これに限定されるものではない。例えば、ＰＯＩデータと、ＰＯＩの位置情報とを合わせてＰＯＩデータとして記憶していてもよい。当該場合、本実施形態においては、ＰＯＩの位置情報は、ＰＯＩデータ記憶部２２から取得されることとなる。

また、データ集合の単位を、ＰＯＩとした場合を例に説明したが、これに限定されるものではない。例えば、ＰＯＩ以外の地点や地域を、データ集合の単位としてもよい。

また、上述の特性理解装置１００は、内部にコンピュータシステムを有しているが、「コンピュータシステム」は、ＷＷＷシステムを利用している場合であれば、ホームページ提供環境（あるいは表示環境）も含むものとする。

また、本願明細書中において、プログラムが予めインストールされている実施形態として説明したが、当該プログラムを、コンピュータ読み取り可能な記録媒体、例えばＣＤ−ＲＯＭやメモリーカード等に格納して提供することも可能である。

１０ 入力部
２０ 演算部
２２ データ記憶部
２４ ＰＯＩデータ前処理部
２６ 緯度経度記憶部
２８ 道路ネットワーク記憶部
３０ 関係構造化部
３２ 特性推定部
３４ 単語特性推定部
３６ 特性推定部
３８ 道路特性推定部
４０ 単語特性記憶部
４２ 位置特性記憶部
４４ 道路特性記憶部
４６ 単語前処理部
４８ 適合度算出部
５０ 出力部
１００ 特性理解装置

Claims (8)

1. 各道路をエッジとし各交差点をノードとして道路網をグラフの形式で表現し、かつ前記道路の情報が前記グラフに付与されている道路ネットワークと、スポットの位置情報とに基づいて、前記道路の各々に対し前記スポットを割り当てると共に、前記道路の各々について、前記道路網の構造関係を考慮した前記道路間の関係を生成する関係構造化部と、
   前記スポット毎に紐付けられた単語情報を含むデータ集合と、前記関係構造化部によって得られた、前記道路の各々に対して割り当てられた前記スポット及び前記道路間の関係とに基づいて、前記データ集合に含まれる各単語の特性と、各スポットの特性と、各道路の特性とを含む予め定められた目的関数を最適化するように、前記データ集合に含まれる各単語の特性と、各スポットの特性と、各道路の特性とを推定する特性推定部と、
   を含む特性理解装置。
2. 前記目的関数は、前記スポット毎に紐付けられた前記データ集合の単語情報が表す各単語が出現する回数と、前記データ集合の単語情報に含まれる各単語の特性、各スポットの特性、及び各道路の特性を用いて表される、前記道路に割り当てられた前記スポットにおいて各単語が生成される生成確率とを用いて算出される各スポットの前記データ集合の尤度と、前記道路間の関係から得られる接続された道路間の前記道路の特性の類似度を用いて表される各道路の特性に関する制約とを含む
   請求項１に記載の特性理解装置。
3. 前記特性推定部によって推定された、前記データ集合の単語情報に含まれる各単語の特性を記憶した単語特性記憶部と、
   前記特性推定部によって推定された、各スポットの特性を記憶した位置特性記憶部と、
   前記単語特性記憶部に記憶された各単語の特性に基づいて、入力された単語を前記単語の特性に変換する単語前処理部と、
   前記位置特性記憶部に記憶された各スポットの特性と、前記単語前処理部により変換された前記入力された単語の特性とに基づいて、前記入力された単語と前記スポットの各々との適合度を算出する適合度算出部と、
   を更に含む請求項１又は請求項２に記載の特性理解装置。
4. 前記特性推定部によって推定された、前記データ集合の単語情報に含まれる各単語の特性を記憶した単語特性記憶部と、
   前記特性推定部によって推定された、各道路の特性を記憶した道路特性記憶部と、
   前記単語特性記憶部に記憶された各単語の特性に基づいて、入力された単語を前記単語の特性に変換する単語前処理部と、
   前記道路特性記憶部に記憶された各道路の特性と、前記単語前処理部により変換された前記入力された単語の特性とに基づいて、前記入力された単語と前記道路の各々との適合度を算出する適合度算出部と、
   を更に含む請求項１又は請求項２に記載の特性理解装置。
5. 関係構造化部及び特性推定部を含む特性理解装置における特性理解方法であって、
   前記関係構造化部が、各道路をエッジとし各交差点をノードとして道路網をグラフの形式で表現し、かつ前記道路の情報が前記グラフに付与されている道路ネットワークと、スポットの位置情報とに基づいて、前記道路の各々に対し前記スポットを割り当てると共に、前記道路の各々について、前記道路網の構造関係を考慮した前記道路間の関係を生成するステップと、
   前記特性推定部が、前記スポット毎に紐付けられた単語情報を含むデータ集合と、前記関係構造化部によって得られた、前記道路の各々に対して割り当てられた前記スポット及び前記道路間の関係とに基づいて、前記データ集合の単語情報に含まれる各単語の特性と、各スポットの特性と、各道路の特性とを含む予め定められた目的関数を最適化するように、前記データ集合に含まれる各単語の特性と、各スポットの特性と、各道路の特性とを推定するステップと、
   を含む特性理解方法。
6. 前記特性推定部によって推定された、前記データ集合の単語情報に含まれる各単語の特性を記憶した単語特性記憶部と、前記特性推定部によって推定された、各スポットの特性を記憶した位置特性記憶部と、単語前処理部と、適合度算出部とを更に含み、
   前記単語前処理部が、前記単語特性記憶部に記憶された各単語の特性に基づいて、入力された単語を前記単語の特性に変換するステップと、
   前記適合度算出部が、前記位置特性記憶部に記憶された各スポットの特性と、前記単語前処理部により変換された前記入力された単語の特性とに基づいて、前記入力された単語と前記スポットの各々との適合度を算出するステップと、
   を含む請求項５に記載の特性理解方法。
7. 前記特性推定部によって推定された、前記データ集合の単語情報に含まれる各単語の特性を記憶した単語特性記憶部と、前記特性推定部によって推定された、各道路の特性を記憶した道路特性記憶部と、単語前処理部と、適合度算出部とを更に含み、
   前記単語前処理部が、前記単語特性記憶部に記憶された各単語の特性に基づいて、入力された単語を前記単語の特性に変換するステップと、
   前記適合度算出部が、前記道路特性記憶部に記憶された各道路の特性と、前記単語前処理部により変換された前記入力された単語の特性とに基づいて、前記入力された単語と前記道路の各々との適合度を算出するステップと、
   を含む請求項５に記載の特性理解方法。
8. コンピュータを、請求項１〜請求項４の何れか１項に記載の特性理解装置を構成する各部として機能させるためのプログラム。