JP7162417B2 - 推定装置、推定方法、及び推定プログラム - Google Patents

Description

本発明は、推定装置、推定方法、及び推定プログラムに関する。

近年、インターネットの飛躍的な普及に伴い、インターネットを介した販売が盛んになっている。例えば、買い手側が、オークションシステムにおいて一般消費者により出品された商品を、真正なものとして安心して入札することを可能とする技術が知られている。

特許第５１４０４６７号公報

しかしながら、上記の従来技術では、電子商取引サービスにおける情報の正確性の向上を可能にすることが難しい場合がある。例えば、商品の販売元等の出品者が商品のカテゴリ等を入力していない場合や誤ったカテゴリを入力している場合等においては、電子商取引サービスにおける情報の正確性の向上を可能にすることが難しい。

本願は、上記に鑑みてなされたものであって、電子商取引サービスにおける情報の正確性の向上を可能にする推定装置、推定方法、及び推定プログラムを提供することを目的とする。

本願に係る推定装置は、複数の販売元が提供する商品を購入可能な電子商取引サービスにおける出品に関する情報を取得する取得部と、前記取得部により取得された出品に関する情報に基づいて、前記出品の対象に関する情報を推定する推定部と、を備えたことを特徴とする。

実施形態の一態様によれば、電子商取引サービスにおける情報の正確性の向上を可能にすることができるという効果を奏する。

図１は、実施形態に係る生成処理の一例を示す図である。 図２は、実施形態に係る推定処理の一例を示す図である。 図３は、実施形態に係る推定システムの構成例を示す図である。 図４は、実施形態に係る推定装置の構成例を示す図である。 図５は、実施形態に係る学習データ記憶部の一例を示す図である。 図６は、実施形態に係るモデル情報記憶部の一例を示す図である。 図７は、実施形態に係る商品情報記憶部の一例を示す図である。 図８は、実施形態に係る生成処理の一例を示すフローチャートである。 図９は、実施形態に係る推定処理の一例を示すフローチャートである。 図１０は、実施形態に係るモデルの生成の一例を示す図である。 図１１は、実施形態に係る集計処理の一例を示す図である。 図１２は、推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、本願に係る推定装置、推定方法、推定プログラム、及びモデル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推定装置、推定方法、推定プログラム、及びモデル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。

（実施形態）
〔１．生成処理〕
まず、図１を用いて、実施形態に係る生成処理の一例について説明する。図１は、実施形態に係る生成処理の一例を示す図である。図１では、推定装置１００が電子商取引サービスにおける管理者ＧＭ１により正解情報が付与された出品に関する情報（以下、「商品情報」ともいう）に基づいてモデルの生成を行う場合を示す。以下では、正解情報が付与された商品情報を「学習データ」ともいう。なお、図１及び図２の例では、電子商取引サービスが複数のストア（販売元）が出品するネットショッピングモールサービス（以下、単に「ネットショッピングモール」とする）である場合を一例に説明する。なお、電子商取引サービスは、ネットショッピングモールに限らず、オークションサービス等の種々のサービスであってもよい。

例えば、管理者ＧＭ１は、電子商取引サービスを提供する提供元であってもよい。なお、ここでいう商品情報とは、所定の商品またはサービス（以下、併せて「商品」とする）に関する情報を意味する。例えば、商品情報には、商品の提供元が出品時に入力した情報が含まれる。図１の例では、商品情報には、画像情報（以下、単に「画像」ともいう）と文字情報との２つの種別の情報が含まれる場合を示す。また、図１の例では、推定装置１００が正解情報として商品のカテゴリが付与された商品情報に基づいてモデルの生成を行う場合を示す。すなわち、図１の例では、推定装置１００が正解情報として商品のカテゴリが付与された商品情報に基づいて、その商品情報が示す対象である商品のカテゴリを推定するモデルの生成を行う場合を示す。

また、推定装置１００は、生成したモデルを用いて、ある商品が出品された際の商品情報に基づいて、その商品のカテゴリを推定する。また、推定装置１００は、推定した商品のカテゴリに基づいて、サービスを提供したりするが、この点については図２で説明する。

〔推定システムの構成〕
まず、図１の説明に先立って、図３に示す推定システム１について説明する。図３に示すように、推定システム１は、管理者装置１０と、販売元装置２０と、推定装置１００とが含まれる。管理者装置１０と、販売元装置２０と、推定装置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３は、実施形態に係る推定システムの構成例を示す図である。なお、図３に示した推定システム１には、複数台の管理者装置１０や、複数台の販売元装置２０や、複数台の推定装置１００が含まれてもよい。

管理者装置１０は、推定装置１００の管理者によって利用される情報処理装置である。管理者装置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。なお、以下では、管理者装置１０を管理者と表記する場合がある。すなわち、以下では、管理者を管理者装置１０と読み替えることもできる。図１に示す管理者ＧＭ１は、管理者装置１０を操作することにより、推定装置１００の情報を表示したり、推定装置１００に処理を要求したりしてもよい。

例えば、管理者ＧＭ１は、管理者装置１０を用いて、所定の商品情報に正解情報を付与する。例えば、管理者ＧＭ１は、管理者装置１０を用いて、学習データとして用いる商品情報に正解情報を付与する。図１の例では、管理者ＧＭ１は、電子商取引サービスにおけるカテゴリ分類に基づいて、商品情報に正解情報を付与する。

なお、管理者装置１０と推定装置１００とは一体であってもよい。この場合、例えば、推定装置１００が有する画面により推定装置１００が有する情報を表示させ、キーボードやマウス等の入力インターフェイス等を用いて推定装置１００に処理の指示等を行ってもよい。

販売元装置２０は、商品を販売する売主によって利用される情報処理装置である。売主は、個人であってもよいし、法人等であってもよい。例えば、販売元装置２０は、販売元ＳＡ１によって利用される。例えば、販売元ＳＡ１は、販売元装置２０を用いて、電子商取引サービスにおいて販売する商品を追加したり、在庫の管理や価格の設定を行ったりする。また、販売元装置２０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や、デスクトップＰＣや、携帯電話機や、ＰＤＡ等により実現される。なお、以下では、販売元装置２０を販売元と表記する場合がある。すなわち、以下では、販売元を販売元装置２０と読み替えることもできる。具体的には、図２では、販売元装置２０が販売元ＳＡ１により利用されるノート型ＰＣである場合を示す。

推定装置１００は、出品に関する情報（商品情報）に基づいて、出品の対象に関する情報を推定する情報処理装置である。図２の例では、推定装置１００は、商品のカテゴリの推定に用いられるモデルであって、商品情報が入力されたモデルの出力に基づいて、その商品のカテゴリを推定する。

また、推定装置１００は、推定した出品の対象に関する情報に基づいてサービスを提供する。図２の例では、推定装置１００は、商品を出品した販売元へ、推定したその商品のカテゴリに関する情報を提供する。また、推定システム１においては、推定装置１００が複数の販売元が提供する商品を購入可能な電子商取引サービスを提供する。すなわち、推定システム１においては、複数の販売元が提供する商品を購入可能な電子商取引サービスが提供される。

また、推定装置１００は電子商取引サービスや検索サービス等の種々のサービスを提供してもよい。また、外部の情報処理装置が検索サービスや電子商取引サービスを提供する場合、推定装置１００は検索サービスや電子商取引サービスを提供しなくてもよい。この場合、推定装置１００は、検索サービスや電子商取引サービスを提供する外部の情報処理装置等から各種情報を取得し、取得した各種情報に基づいて推定処理や外部の情報処理装置への情報提供を行ってもよい。

図１の示す例では、管理者ＧＭ１は、画像ＩＭ１０１や文字情報ＣＨ１０１等を含む商品情報ＧＤ１０１に対して正解情報を付与する（ステップＳ１１－１）。例えば、管理者ＧＭ１は、商品情報ＧＤ１０１に含まれる画像ＩＭ１０１や文字情報ＣＨ１０１等の内容に基づいて、商品情報ＧＤ１０１のカテゴリが「Ａカテゴリ」であることを示す正解情報を付与する。なお、図１の例では、商品カテゴリを「Ａカテゴリ」等のように抽象的な記号で表記するが、例えば「Ａカテゴリ」は、「食品」や「飲料水」のような具体的なカテゴリを示す情報であるものとする。

なお、上記のように、「商品ＧＤ＊（＊は任意の数値）」と記載した場合、その商品は商品ＩＤ「ＧＤ＊」により識別される商品であることを示す。例えば、「商品ＧＤ１」と記載した場合、その商品は商品ＩＤ「ＧＤ１」により識別される商品である。なお、以下では、「商品ＧＤ＊（＊は任意の数値）」の商品情報を「商品ＧＤ＊（＊は任意の数値）」と表記する場合がある。例えば、以下では、商品ＧＤ１を商品ＧＤ１の商品情報と読み替えることもできる。

また、管理者ＧＭ１は、画像ＩＭ１０２や文字情報ＣＨ１０２等を含む商品情報ＧＤ１０２に対して正解情報を付与する（ステップＳ１１－２）。例えば、管理者ＧＭ１は、商品情報ＧＤ１０２に含まれる画像ＩＭ１０２や文字情報ＣＨ１０２等の内容に基づいて、商品情報ＧＤ１０２のカテゴリが「Ｂカテゴリ」であることを示す正解情報を付与する。

また、管理者ＧＭ１は、画像ＩＭ１０３や文字情報ＣＨ１０３等を含む商品情報ＧＤ１０３に対して正解情報を付与する（ステップＳ１１－３）。例えば、管理者ＧＭ１は、商品情報ＧＤ１０３に含まれる画像ＩＭ１０３や文字情報ＣＨ１０３等の内容に基づいて、商品情報ＧＤ１０３のカテゴリが「Ｃカテゴリ」であることを示す正解情報を付与する。

また、管理者ＧＭ１は、画像ＩＭ１０４や文字情報ＣＨ１０４等を含む商品情報ＧＤ１０４に対して正解情報を付与する（ステップＳ１１－４）。例えば、管理者ＧＭ１は、商品情報ＧＤ１０４に含まれる画像ＩＭ１０４や文字情報ＣＨ１０４等の内容に基づいて、商品情報ＧＤ１０４のカテゴリが「Ｄカテゴリ」であることを示す正解情報を付与する。

なお、ステップＳ１１－１～Ｓ１１－４は、処理を説明するためのものであり、ステップＳ１１－１～Ｓ１１－４のいずれが先に行われてもよく、以下、ステップＳ１１－１～Ｓ１１－４を区別せずに説明する場合、ステップＳ１１と総称する。例えば、管理者ＧＭ１は、ステップＳ１１に示すような正解情報の付与を学習データとして用いる多数の商品情報に対して行う。これにより、推定システム１においては、商品情報（出品情報）と正解情報（カテゴリ）が対応づけられた学習データＬＤ１が生成される。なお、図１の例では、正解情報の付与を説明するために、管理者ＧＭ１が付与する場合を示すが、正解情報の付与は、推定装置１００等により機械的に行われてもよい。

そして、推定装置１００は、ステップＳ１１において正解情報が付与された学習データＬＤ１を取得する（ステップＳ１２）。具体的には、推定装置１００は、ステップＳ１１において正解情報が付与された商品情報ＧＤ１０１～ＧＤ１０４等を取得する。

そして、推定装置１００は、ステップＳ１２で取得した学習データＬＤ１に含まれる商品情報を学習データとして追加する（ステップＳ１３）。具体的には、推定装置１００は、学習データＬＤ１を学習データ記憶部１２１に追加する。

そして、推定装置１００は、学習データに基づいてモデルを生成する（ステップＳ１４）。例えば、推定装置１００は、学習データ記憶部１２１中の商品情報ＧＤ１０１～ＧＤ１０４等を学習データ（教師データ）として、学習を行なうことにより、モデルを生成する。

ここで、推定装置１００が生成するモデル（学習器）について簡単に説明する。図１の例において、推定装置１００が生成するモデルＭ１１は、商品情報が入力された場合に複数のカテゴリの各々に対応する複数のスコアＳＣを出力するモデルである。例えば、モデルＭ１１は、分類したいカテゴリがＡカテゴリ～Ｊカテゴリの１０のカテゴリである場合、Ａカテゴリ～Ｊカテゴリの各々に対応する１０個のスコアを出力するモデルである。なお、出力の数は、分類したい内容に応じて適宜設定されてもよい。例えば、推定装置１００は、１００個のカテゴリに商品を分類したい場合、１００個のカテゴリの各々に対応する１００個のスコアを出力するモデルを生成してもよい。また、推定装置１００は、カテゴリに限らず、種々の対象に関する分類を行うモデルを生成してもよい。例えば、推定装置１００は、商品名ごとに分類を行うモデルを生成してもよい。

例えば、図１の例では、推定装置１００が入力された商品情報に対応する商品がＡカテゴリ～Ｚカテゴリの２６個のカテゴリのいずれに属するかを推定するモデルＭ１１を生成するものとする。図１の例において、推定装置１００が生成するモデルＭ１１は、商品情報が入力された場合にＡカテゴリ～Ｚカテゴリの各カテゴリに属する確率を示すスコアＳＣを出力するモデルであるものとする。この場合、モデルＭ１１は、各スコアとして０以上１以下の値を出力する。例えば、Ａカテゴリに対応するスコアが「０．６５」である場合、入力された商品情報に対応する対象（商品）がＡカテゴリに属する確率が「６５％」であることを示す。なお、推定装置１００が生成するモデルＭ１１は上記に限らず、スコアが大きい程、そのスコアに対応するカテゴリに属する可能性が高いことを示すモデルであればどのようなモデルであってもよい。推定装置１００は、モデルＭ１１の出力をソフトマックス関数等の種々の関数を用いて確率に変換した情報を用いてもよい。

ここから、図１に示すモデルＭ１１の構成を説明する。モデルＭ１１は、商品情報のうち、画像情報が入力される入力層を有する部分モデルＭ１１－１、文字情報が入力される入力層を有する部分モデルＭ１１－２、及びスコアを出力する層を有する部分モデルＭ１１－３を含む。

例えば、部分モデルＭ１１－１は、入力された画像情報ＩＭＤから特徴情報ＦＥ１を抽出する部分モデルである。図１の例では、部分モデルＭ１１－１は、画像情報の局所領域の畳み込みとプーリングとを繰り返す、いわゆる畳み込みニューラルネットワーク（ＣＮＮ：Convolutional Neural Network）により構成されるものとする。なお、部分モデルＭ１１－１は、ＣＮＮに限らず、ＲＮＮ（Recurrent Neural Network）、ＬＳＴＭ（Long Short-Term Memory）等といった種々のニューラルネットワークであってもよい。

また、例えば、部分モデルＭ１１－２は、入力された文字情報ＣＨＤから特徴情報ＦＥ２を抽出する部分モデルである。図１の例では、部分モデルＭ１１－２は、ＣＮＮにより構成されるものとする。なお、部分モデルＭ１１－２は、ＣＮＮに限らず、ＲＮＮ、ＬＳＴＭ等といった種々のニューラルネットワークであってもよい。このように、図１に示すモデルＭ１１は、商品情報に含まれる画像情報から特徴情報ＦＥ１を抽出し、文字情報から特徴情報ＦＥ２を抽出する。すなわち、モデルＭ１１は、画像情報と文字情報とから独立して特徴を抽出する。

また、例えば、部分モデルＭ１１－３は、部分モデルＭ１１－１が抽出した特徴情報ＦＥ１及び部分モデルＭ１１－２が抽出した特徴情報ＦＥ２の入力に応じて、スコアを出力する部分モデルである。例えば、部分モデルＭ１１－３は、部分モデルＭ１１－１における出力及び部分モデルＭ１１－２における出力が入力される部分モデルである。

例えば、部分モデルＭ１１－３の入力層には、部分モデルＭ１１－１における出力層及び部分モデルＭ１１－２における出力層が連結される。例えば、部分モデルＭ１１－３の入力層における入力は、部分モデルＭ１１－１における出力層のノード（ニューロン）及び部分モデルＭ１１－２における出力層のノード（ニューロン）が全結合されてもよい。

上記のように、部分モデルＭ１１－２は、特徴情報ＦＥ１、特徴情報ＦＥ２から商品全体の特徴を抽出しスコアを出力する部分モデルである。例えば、部分モデルＭ１１－３は、ＣＮＮにより構成されてもよい。また、部分モデルＭ１１－３は、ＣＮＮに限らず、ＲＮＮ、ＬＳＴＭ等といった種々のニューラルネットワークであってもよい。

なお、部分モデルＭ１１－１や部分モデルＭ１１－２や部分モデルＭ１１－３は、モデルＭ１１内における各部の構成を説明するために便器的に付与する符号である。すなわち、モデルＭ１１は、モデルＭ１１外から見た場合、商品情報である画像情報及び文字情報が入力された場合に、各カテゴリに対応するスコアを出力する１つのモデルである。

例えば、推定装置１００は、学習データＬＤ１を用いてモデルＭ１１を生成する。例えば、推定装置１００は、モデルＭ１１に商品情報ＧＤ１０１が入力された場合に、Ａカテゴリに対応するスコアが「１」に近づくように、学習処理を行う。例えば、推定装置１００は、モデルＭ１１の部分モデルＭ１１－１に商品情報ＧＤ１０１の画像ＩＭ１０１が入力され、部分モデルＭ１１－２に商品情報ＧＤ１０１の文字情報ＣＨ１０１が入力された場合に、部分モデルＭ１１－３が出力するＡカテゴリに対応するスコアが「１」に近づくように、学習処理を行う。

また、例えば、推定装置１００は、モデルＭ１１に商品情報ＧＤ１０２が入力された場合に、Ｂカテゴリに対応するスコアが「１」に近づくように、学習処理を行う。例えば、推定装置１００は、モデルＭ１１に商品情報ＧＤ１０３が入力された場合に、Ｃカテゴリに対応するスコアが「１」に近づくように、学習処理を行う。例えば、推定装置１００は、モデルＭ１１に商品情報ＧＤ１０４が入力された場合に、Ｄカテゴリに対応するスコアが「１」に近づくように、学習処理を行う。すなわち、推定装置１００は、モデルＭ１１における出力（スコア）と、入力した商品情報に対応する正解情報との誤差が少なくなるようにパラメータ（接続係数）を補正するバックプロパゲーション（誤差逆伝播法）等の処理によりモデルＭ１１を生成する。例えば、推定装置１００は、所定の損失（ロス）関数を最小化するようにバックプロパゲーション等の処理を行うことによりモデルＭ１１を生成する。上述のような処理を繰り返すことで、推定装置１００は、入力された商品情報に対応する商品のカテゴリをより精度よく推定可能にするスコアを出力するモデルＭ１１を生成することができる。なお、モデルの学習手法については、上述した手法に限定されるものではなく、任意の公知技術が適用可能である。すなわち、推定装置１００は、学習データに含まれる商品情報が入力された場合に、正解情報に対応するスコアを出力するようにモデルＭ１１を学習可能であれば、どのような手法によりもでるＭ１１の生成を行ってもよい。

上記のような処理により、図１の例では、推定装置１００は、モデル情報記憶部１２２に示すように、モデルＩＤ「Ｍ１１」により識別されるモデル（モデルＭ１１）を生成する。上記のように、「モデルＭ＊（＊は任意の数値）」と記載した場合、その商品は商品ＩＤ「Ｍ＊」により識別されるモデルであることを示す。例えば、「モデルＭ１１」と記載した場合、そのモデルはモデルＩＤ「Ｍ１１」により識別されるモデルである。また、図１中のモデル情報記憶部１２２に示すように、モデルＭ１１は用途「カテゴリ」、すなわちカテゴリ分類のために用いられるモデルであり、その具体的なモデルデータが「モデルデータＭＴＤ１１」であることを示す。例えば、推定装置１００は、モデルＭ１１に商品情報を入力することにより、入力した商品情報のカテゴリがどのカテゴリである可能性が高いかを示すスコアを、モデルＭ１１に出力させ、モデルＭ１１が出力するスコアに基づいてカテゴリを推定する。

上述したように、推定装置１００は、商品情報と正解情報とが対応付けられた学習データを用いて学習することにより、商品のカテゴリを適切に推定可能にするモデルを生成することができる。また、推定装置１００は、商品情報に含まれる画像及び文字情報の各々特徴を個別に抽出した後、商品全体の特徴を抽出するモデルを生成することにより、商品のカテゴリを適切に推定可能にするモデルを生成することができる。これにより、推定装置１００は、電子商取引サービスにおける情報の正確性の向上を可能にするために用いるモデルを生成することができる。したがって、推定装置１００は、上述のように生成したモデルを用いることにより、例えば、電子商取引サービスにおいて表示される商品情報の正確性の向上を可能にすることができる。

〔２．推定処理〕
図２を用いて、実施形態に係る推定処理の一例について説明する。図２は、実施形態に係る推定処理の一例を示す図である。図２では、推定装置１００は、販売元が出品を行う際に、出品の対象の属性情報であるカテゴリを推定し、出品における情報入力をアシストする情報を提供する場合を示す。

まず、推定装置１００は、販売元ＳＡ１が利用する販売元装置２０から出品に関する情報を取得する（ステップＳ２１）。例えば、販売元ＳＡ１は、販売元装置２０に表示された電子商取引サービスの販売元用のサイト等において所定の操作を行うことにより、推定装置１００に出品に関する情報を送信する。図２の例では、販売元装置２０は、画像ＩＭ１１及び文字情報ＣＨ１１を含む商品情報ＧＤ１１を送信する。

販売元装置２０から出品に関する情報を取得した推定装置１００は、出品に関する情報をモデルに入力する（ステップＳ２２）。図２の例では、推定装置１００は、販売元ＳＡ１から取得した商品情報ＧＤ１１をモデルＭ１１に入力する。具体的には、推定装置１００は、画像ＩＭ１１及び文字情報ＣＨ１１をモデルＭ１１に入力する。

例えば、推定装置１００は、画像ＩＭ１１をモデルＭ１１の部分モデルＭ１１－１に入力する。そして、部分モデルＭ１１－１は、画像ＩＭ１１から特徴情報ＦＥ１－１１を抽出する。また、例えば、推定装置１００は、文字情報ＣＨ１１をモデルＭ１１の部分モデルＭ１１－２に入力する。そして、部分モデルＭ１１－２は、文字情報ＣＨ１１から特徴情報ＦＥ２－１１を抽出する。また、部分モデルＭ１１－３は、特徴情報ＦＥ１－１１及び特徴情報ＦＥ２－１１に応じてスコアを算出する。

これにより、推定装置１００は、モデルＭ１１から商品情報ＧＤ１１に対応するスコアを出力させる（ステップＳ２３）。図２の例では、推定装置１００は、スコアＳＣ１１に示すように、Ａカテゴリ～Ｄカテゴリ等の複数のカテゴリの各々に対応するスコアをモデルＭ１１に出力させる。

図２の例では、モデルＭ１１は、スコアＳＣ１１に示すように、商品情報ＧＤ１１について、Ａカテゴリのスコアを「０．０１」、Ｂカテゴリのスコアを「０．６５」、Ｃカテゴリのスコアを「０」、及びＤカテゴリのスコアを「０．０５」と出力する。

そして、推定装置１００は、モデルＭ１１の出力に基づいて、商品情報ＧＤ１１に対応する商品のカテゴリを推定する（ステップＳ２４）。ここで、図２の例では、スコアＳＣ１１に示すように、Ｂカテゴリに対応するスコア「０．６５」が最大値となっている。そのため、推定装置１００は、推定情報ＥＳ１１に示すように、商品情報ＧＤ１１に対応する商品のカテゴリを「Ｂカテゴリ」と推定する。

その後、推定装置１００は、ステップＳ２４において推定したカテゴリに関する情報を販売元装置２０へ提供する（ステップＳ２５）。例えば、推定装置１００は、販売元ＳＡ１による出品の対象のカテゴリがＢカテゴリに該当することを示す情報を提供する。図２の例では、推定装置１００は、商品情報ＧＤ１１に対応する商品のカテゴリがＢカテゴリに該当することを示す情報を販売元装置２０へ提供する。

推定装置１００からカテゴリに関する情報が提供された販売元装置２０は、カテゴリに関する情報を表示する（ステップＳ２６）。例えば、販売元装置２０は、販売元ＳＡ１による出品の対象のカテゴリがＢカテゴリに該当することを示す情報を表示する。図２の例では、販売元装置２０は、商品情報ＧＤ１１に対応する商品のカテゴリがＢカテゴリに該当することを示す情報を表示する。

そして、販売元ＳＡ１は、推定装置１００から提供された情報を基に、出品に関する情報を推定装置１００に登録する（ステップＳ２７）。例えば、販売元装置２０は、商品情報ＧＤ１１に対応する商品のカテゴリとしてＢカテゴリを登録するように要求する情報を推定装置１００に送信する。

そして、販売元装置２０から情報登録の要求を取得した推定装置１００は、出品に関する情報を登録する（ステップＳ２８）。例えば、推定装置１００は、販売元ＳＡ１が出品した対象に関する情報を登録する。図２の例では、推定装置１００は、商品情報ＧＤ１１に関する情報を商品情報記憶部１２３に登録する。

例えば、推定装置１００は、図１中の商品情報記憶部１２３に示すように、商品ＩＤ「ＧＤ１１」により識別される商品（商品ＧＤ１１）のカテゴリとして、Ｂカテゴリを登録する。また、推定装置１００は、商品ＧＤ１１の画像として、画像ＩＭ１１を登録し、商品ＧＤ１１の文字情報として、文字情報ＣＨ１１を登録する。

上述したように、推定装置１００は、販売元が出品した対象のカテゴリを推定し、推定したカテゴリに関する情報を販売元に提供することにより、販売元が間違ったカテゴリを登録することを抑制する。例えば、上記のような複数の販売元が提供する商品を購入可能な電子商取引サービスにおいては、各販売元によって入力する情報の精度や量が異なる場合が多い。例えば、ある販売元は極端に入力する情報が少なかったりする場合がある。このような場合であっても、推定装置１００は、種々のモデルを適宜用いて出品の対象に関する情報を推定することにより、販売元に負荷をかけることなく出品に関する情報を増加することができる。このように、推定装置１００は、電子商取引サービスにおける情報の正確性の向上を可能にすることができる。また、推定装置１００は、販売元に出品における情報入力をアシストする情報を提供することにより、出品における販売元の負荷を低減させることにより、電子商取引サービスにおける出品量を増大させることができる。これにより、推定装置１００は、電子商取引サービスを向上させ、ユーザの満足度を高めることができる。

（２－１．推定情報の利用）
図１及び図２の例においては、ネットショッピングモールにおける場合を例示したが、オークションサービスにおいて個人が出品を行う場合、事業者が行う場合に比べて入力する情報が不足している場合が多い。このような場合であっても、推定装置１００は、種々の用途のモデルを生成し、生成したモデルを用いて取得した出品に関する情報に対して推定処理を行うことにより、推定した情報を販売元に提供することが可能となる。これにより、推定装置１００は、電子商取引サービスにおける情報の正確性の向上を可能にすることができる。

また、オークションサービスに限らず、１つの販売元が商品を販売する形態ではなく、複数の販売元から出品を受け付けるネットショッピングモール等においても同様の課題が生じる。例えば、ＪＡＮ（Japan Article Number）コード等のような商品を識別情報が出品に関する情報に含まれていない場合、どの商品とどの商品が対応するかが不明である場合が多く、商品の販売状況等の管理が難しい。このように、商品を識別情報が出品に関する情報に含まれていない場合であっても、例えば商品名を推定するモデルを用いることにより、商品に関する情報を推定し、その情報に基づいて商品の販売状況等の管理することが可能となる。なお、この点の詳細については、後述する。

（２－２．情報提供サービス）
図１の例では、推定装置１００が販売元に出品における情報入力をアシストする情報を提供する場合を示したが、推定装置１００は、推定した情報を用いて種々のサービスを行ってもよい。例えば、推定装置１００は、推定した出品の対象に関する情報に基づいて、所定のユーザへ推奨する商品に関する情報を提供してもよい。例えば、推定装置１００は、商品名を推定するモデルＭ２１（図１０参照）を用いてユーザが購入した商品を特定できた場合、その商品に関連する商品に関する情報をユーザに提供してもよい。例えば、推定装置１００は、商品名を推定するモデルＭ２１（図１０参照）を用いて、各ユーザが購入した商品の特定の精度を向上させることにより、ユーザに提供する推奨情報の精度を向上させることができる。例えば、推定装置１００は、ユーザの購入履歴に含まれる商品情報をモデルＭ２１（図１０参照）に入力することにより、ユーザが過去に購入した商品を精度よく特定し、特定したユーザが過去に購入した商品に基づいて、ユーザに推奨情報を提供してもよい。

例えば、推定装置１００は、商品の一覧を表示する際に、モデルＭ２１（図１０参照）を用いて推定した商品名等を用いて、一覧に含まれる商品の多様性を向上させてもよい。例えば、推定装置１００は、モデルＭ２１（図１０参照）を用いて推定した商品名が同じである商品情報を表示されないように商品情報が配置された一覧をユーザに提供することにより、同じような商品が並ぶ一覧をユーザに提供することを抑制することができる。例えば、推定装置１００は、推定した出品の対象に関する情報に基づいて、商品のランキング情報を提供してもよい。例えば、推定装置１００は、商品名を推定するモデルＭ２１（図１０参照）を用いてユーザが購入した商品を特定することにより、商品の販売実績を精度よく収集することを可能にし、その情報に基づいて商品の売上ランキング等を生成してもよい。なお、この点につては図１１において詳述する。

（２－３．複数サービス間での情報利用）
また、推定システム１は、複数のサービス間における情報の提供を行ってもよい。例えば、推定装置１００は、電子商取引サービス（例えばオークションサービスとする）とは異なる電子商取引サービス（例えばネットショッピングモールとする）における情報を用いて、推定された出品の対象に関する情報に基づいて、オークションサービスにおける情報入力をアシストする情報を提供してもよい。例えば、推定装置１００は、オークションサービスとは異なるネットショッピングモールにおける情報に基づいて生成されたモデルを用いて、オークションサービスにおける出品の対象に関する情報を推定し、推定した出品の対象に関する情報に基づいて、オークションサービスにおける情報入力をアシストする情報を提供してもよい。この場合、推定装置１００は、図１に示すように、ネットショッピングモールにおける情報に基づいて生成されたモデルを用いて、図２に示すように、オークションサービスにおける情報入力をアシストする情報を提供してもよい。なお、推定装置１００は、推定システム１外のネットショッピングモールを提供する装置から情報を取得してもよいし、推定システム１内においてネットショッピングモールを提供する装置から情報を取得してもよい。また、推定装置１００が、オークションサービス及びネットショッピングモールの両方のサービスを提供してもよい。これにより、推定装置１００は、情報の正確性が相対的に高いサービス（ネットショッピングモール）における情報を用いて、情報の正確度が相対的に低いサービス（オークションサービス）における情報を適切に推定することができる。したがって、推定装置１００は、情報の正確度が相対的に低いサービス（オークションサービス）においても、適切に情報入力をアシストする情報を提供してもよい。

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

（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、ネットワークと有線または無線で接続され、管理者装置１０との間で情報の送受信を行う。

（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。実施形態に係る記憶部１２０は、図４に示すように、学習データ記憶部１２１と、モデル情報記憶部１２２と、商品情報記憶部１２３とを有する。

（学習データ記憶部１２１）
実施形態に係る学習データ記憶部１２１は、学習データに関する各種情報を記憶する。図５は、実施形態に係る学習データ記憶部の一例を示す図である。例えば、学習データ記憶部１２１は、モデルの生成に用いる教師データを記憶する。図５に示す学習データ記憶部１２１には、「商品ＩＤ」、「正解情報」、「画像」、「文字情報」といった項目が含まれる。

「商品ＩＤ」は、商品を識別するための識別情報を示す。例えば、商品ＩＤ「ＧＤ１０１」により識別される商品の商品情報は、図１の例に示した商品情報ＧＤ１０１に対応する。「正解情報」は、商品ＩＤにより識別される商品の分類を示す。「画像」は、商品情報に含まれる画像を示す。図５では「画像」に「ＩＭ１０１」といった概念的な情報が格納される例を示したが、実際には、画像情報、または、その格納場所を示すファイルパス名などが格納される。

「文字情報」は、商品情報の文字情報を示す。図５では「文字情報」に「ＣＨ１０１」といった概念的な情報が格納される例を示したが、実際には、商品情報のタイトルや説明文等の商品情報に関する種々の文字情報が格納される。

例えば、図５に示す例において、商品情報ＩＤ「ＧＤ１０１」により識別される商品情報（商品情報ＧＤ１０１）は、画像ＩＭ１０１や文字情報ＣＨ１０１を含むことを示す。また、例えば、図５に示す例において、商品情報ＩＤ「ＧＤ１０２」により識別される商品情報（商品情報ＧＤ１０２）は、画像ＩＭ１０２や文字情報ＣＨ１０２を含むことを示す。

なお、学習データ記憶部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。例えば、学習データ記憶部１２１は、学習データが追加された日時に関する情報を記憶してもよい。また、例えば、学習データ記憶部１２１は、各学習データがどのような判定処理により追加されたかを示す情報を記憶してもよい。例えば、学習データ記憶部１２１は、各学習データが管理者の選択により判定されたか等を示す情報を記憶してもよい。

（モデル情報記憶部１２２）
実施形態に係るモデル情報記憶部１２２は、モデルに関する情報を記憶する。例えば、モデル情報記憶部１２２は、生成処理により生成されたモデル情報（モデルデータ）を記憶する。図６は、実施形態に係るモデル情報記憶部の一例を示す図である。図６に示すモデル情報記憶部１２２は、「モデルＩＤ」、「用途」、「モデルデータ」といった項目が含まれる。なお、図６では、モデルＭ１１のみを図示するが、モデルＭ１２、Ｍ１３等の複数のモデル情報が記憶されてもよい。

「モデルＩＤ」は、モデルを識別するための識別情報を示す。例えば、モデルＩＤ「Ｍ１１」により識別されるモデルは、図１の例に示したモデルＭ１１に対応する。「用途」は、対応するモデルの用途を示す。また、「モデルデータ」は、対応付けられた対応するモデルのデータを示す。例えば、「モデルデータ」には、各層におけるノードと、各ノードが採用する関数と、ノードの接続関係と、ノード間の接続に対して設定される接続係数とを含む情報が含まれる。

例えば、図６に示す例において、モデルＩＤ「Ｍ１１」により識別されるモデル（モデルＭ１１）は、用途が「カテゴリ」であり、入力された情報に対応する対象のカテゴリの推定に用いられることを示す。また、モデルＭ１１のモデルデータは、モデルデータＭＤＴ１１であることを示す。

モデルＭ１１（モデルデータＭＤＴ１１）は、所定の対象に関する画像情報及び文字情報が入力される入力層と、出力層と、入力層から出力層までのいずれかの層であって出力層以外の層に属する第１要素と、第１要素と第１要素の重みとに基づいて値が算出される第２要素と、を含み、入力層に入力された画像情報及び文字情報に対し、出力層以外の各層に属する各要素を第１要素として、第１要素と第１要素の重みとに基づく演算を行うことにより、所定の対象の推定を定量化した値に関する情報を出力層から出力するよう、コンピュータを機能させるためのモデルである。

例えば、モデルＭ１１が含む第１要素は、入力層または中間層が有するいずれかのノードに対応する。また、第２要素は、第１要素と対応するノードから値が伝達されるノードである次段のノードに対応する。また、第１要素の重みは、第１要素と対応するノードから第２要素と対応するノードに伝達される値に対して考慮される重みである接続係数に対応する。

なお、モデル情報記憶部１２２は、上記に限らず、目的に応じて種々のモデル情報を記憶してもよい。

（商品情報記憶部１２３）
実施形態に係る商品情報記憶部１２３は、商品に関する各種情報を記憶する。図７に、実施形態に係る商品情報記憶部１２３の一例を示す。図７に示す商品情報記憶部１２３は、「商品ＩＤ」、「分類」、「画像」、「文字情報」といった項目を有する。

「商品ＩＤ」は、商品を識別するための識別情報を示す。「分類」は、対応する商品の分類を示す。例えば、「分類」は、モデルにより推定された商品の分類を示す。「画像」は、商品情報である商品情報の画像を示す。図７では「画像」に「ＩＭ１」といった概念的な情報が格納される例を示したが、実際には、画像情報、または、その格納場所を示すファイルパス名などが格納される。

「文字情報」は、商品ＩＤにより識別される商品の商品情報に含まれる文字情報を示す。「文字情報」には、商品ＩＤにより識別される商品の商品情報に含まれるタイトルや説明文等の種々の文字情報が含まれる。なお、図７に示す商品情報記憶部１２３では、文字情報を文字情報「ＣＨ１」等のように抽象的な記号で示すが、例えば「新品バッグＡ…」や「送料無料…」等のように、各タイトルは対応する商品の具体的なタイトルであるものとする。

例えば、図７に示す例において、商品ＩＤ「ＧＤ１」により識別される商品（商品ＧＤ１）の画像は、画像「ＩＭ１」であることを示す。また、商品ＧＤ１の文字情報は、文字情報「ＣＨ１」であることを示す。

なお、商品情報記憶部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。商品情報記憶部１２３は、商品の具体的な名称等を記憶してもよい。

（制御部１３０）
図４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）等によって、推定装置１００内部の記憶装置に記憶されている各種プログラム（推定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。制御部１３０は、モデル情報記憶部１２２に記憶されているモデルＭ１１等に従った情報処理により、所定の対象に関する画像情報及び文字情報が入力される入力層と、出力層と、入力層から出力層までのいずれかの層であって出力層以外の層に属する第１要素と、第１要素と第１要素の重みとに基づいて値が算出される第２要素と、を含み、入力層に入力された画像情報及び文字情報に対し、出力層以外の各層に属する各要素を第１要素として、第１要素と第１要素の重みとに基づく演算を行うことにより、所定の対象の推定を定量化した値に関する情報を出力層から出力する。

図４に示すように、制御部１３０は、取得部１３１と、生成部１３２と、推定部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４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。制御部１３０は、記憶部１２０に記憶されているモデルＭ１１（モデルデータＭＤＴ１１）に従った情報処理により、第１要素と第１要素の重みとに基づいて値が算出される第２要素と、を含み、入力層に入力された画像情報及び文字情報に対し、出力層以外の各層に属する各要素を第１要素として、第１要素と第１要素の重みとに基づく演算を行うことにより、所定の対象の推定を定量化した値に関する情報を出力層から出力する。

（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、学習データ記憶部１２１と、モデル情報記憶部１２２と、商品情報記憶部１２３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してもよい。また、取得部１３１は、各種情報を管理者装置１０や販売元装置２０等から取得してもよい。

例えば、取得部１３１は、複数の販売元が提供する商品を購入可能な電子商取引サービスにおける出品に関する情報を取得する。例えば、取得部１３１は、出品に関する複数の種別の情報を取得する。例えば、取得部１３１は、出品に関する画像情報及び文字情報を取得する。例えば、取得部１３１は、出品に関する複数の種別の情報を取得する。例えば、取得部１３１は、出品に関する画像情報及び文字情報を取得する。

図１の例では、取得部１３１は、正解情報が付与された学習データＬＤ１を取得する。例えば、取得部１３１は、正解情報が付与された商品情報ＧＤ１０１～ＧＤ１０４等を取得する。

図２の例では、取得部１３１は、販売元ＳＡ１が利用する販売元装置２０から出品に関する情報を取得する。例えば、取得部１３１は、販売元装置２０から画像ＩＭ１１及び文字情報ＣＨ１１を含む商品情報ＧＤ１１を取得する。

（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、学習データ記憶部１２１に記憶された学習データを用いて、モデル情報記憶部１２２に示すようなモデルを生成する。例えば、生成部１３２は、取得部１３１により取得された学習データに基づいて、電子商取引サービスにおける対象の推定に用いるモデルを生成する。生成部１３２は、モデルを生成し、生成したモデルをモデル情報記憶部１２２に格納する。具体的には、生成部１３２は、所定の対象に関する画像情報及び文字情報が入力される入力層と、出力層と、入力層から出力層までのいずれかの層であって出力層以外の層に属する第１要素と、第１要素と第１要素の重みとに基づいて値が算出される第２要素と、を含み、入力層に入力された画像情報及び文字情報に対し、出力層以外の各層に属する各要素を第１要素として、第１要素と第１要素の重みとに基づく演算を行うことにより、所定の対象の推定を定量化した値に関する情報を出力層から出力するモデルを生成する。

図１の例では、生成部１３２は、学習データに基づいてモデルを生成する。例えば、生成部１３２は、推定装置１００は、学習データ記憶部１２１中の商品情報ＧＤ１０１～ＧＤ１０４等を学習データ（教師データ）として、学習を行なうことにより、モデルを生成する。

図１の例では、生成部１３２は、学習データＬＤ１を用いてモデルＭ１１を生成する。例えば、生成部１３２は、モデルＭ１１に商品情報ＧＤ１０１が入力された場合に、Ａカテゴリに対応するスコアが「１」に近づくように、学習処理を行う。例えば、生成部１３２は、モデルＭ１１の部分モデルＭ１１－１に商品情報ＧＤ１０１の画像ＩＭ１０１が入力され、部分モデルＭ１１－２に商品情報ＧＤ１０１の文字情報ＣＨ１０１が入力された場合に、部分モデルＭ１１－３が出力するＡカテゴリに対応するスコアが「１」に近づくように、学習処理を行う。

また、図１の例では、生成部１３２は、モデルＭ１１に商品情報ＧＤ１０２が入力された場合に、Ｂカテゴリに対応するスコアが「１」に近づくように、学習処理を行う。例えば、生成部１３２は、モデルＭ１１に商品情報ＧＤ１０３が入力された場合に、Ｃカテゴリに対応するスコアが「１」に近づくように、学習処理を行う。例えば、生成部１３２は、モデルＭ１１に商品情報ＧＤ１０４が入力された場合に、Ｄカテゴリに対応するスコアが「１」に近づくように、学習処理を行う。例えば、生成部１３２は、モデルＭ１１における出力（スコア）と、入力した商品情報に対応する正解情報との誤差が少なくなるようにパラメータ（接続係数）を補正するバックプロパゲーション（誤差逆伝播法）等の処理によりモデルＭ１１を生成する。例えば、生成部１３２は、所定の損失（ロス）関数を最小化するようにバックプロパゲーション等の処理を行うことによりモデルＭ１１を生成する。

（推定部１３３）
推定部１３３は、各種情報を推定する。推定部１３３は、学習データ記憶部１２１と、モデル情報記憶部１２２と、商品情報記憶部１２３等に記憶された情報を用いて種々の情報を推定する。例えば、推定部１３３は、取得部１３１により取得された各種情報に基づいて、種々の情報を推定する。

例えば、推定部１３３は、取得部１３１により取得された出品に関する情報に基づいて、出品の対象に関する情報を推定する。例えば、推定部１３３は、出品の対象の属性情報を出品の対象に関する情報として推定する。例えば、推定部１３３は、出品の対象を出品の対象に関する情報として推定する。

例えば、推定部１３３は、対象の推定に用いられるモデルであって、出品に関する情報が入力されたモデルの出力に基づいて、出品の対象に関する情報を推定する。例えば、推定部１３３は、出品に関する複数の種別の情報が入力されたモデルの出力に基づいて、出品の対象に関する情報を推定する。例えば、推定部１３３は、画像情報及び文字情報が入力されたモデルの出力に基づいて、出品の対象に関する情報を推定する。例えば、推定部１３３は、所定の情報により生成されたニューラルネットワークを含むモデルを用いて、出品の対象に関する情報を推定する。例えば、推定部１３３は、畳み込み処理及びプーリング処理を行うニューラルネットワークを含むモデルを用いて、出品の対象に関する情報を推定する。

図２の例では、推定部１３３は、モデルＭ１１の出力に基づいて、商品情報ＧＤ１１に対応する商品のカテゴリを推定する。例えば、推定部１３３は、推定情報ＥＳ１１に示すように、商品情報ＧＤ１１に対応する商品のカテゴリを「Ｂカテゴリ」と推定する。

例えば、推定部１３３は、上述したニューラルネットワーク等、任意の構造を有するモデルを用いて、スコアの算出を行う。具体的には、モデルＭ１１は、画像及び文字情報を含む商品情報（すなわち、上述したスコアの算出に用いられる各要素）が入力された場合に、所定の対象の推定を定量化した値（すなわち、商品情報に対応する商品がどの分類に属する可能性が高いかを示唆するスコア）を出力するように係数が設定される。推定部１３３は、このようなモデルＭ１１を用いて、各出品の対象に関するスコアを算出する。

なお、上記例では、モデルＭ１１が、画像及び文字情報を含む商品情報が入力された場合に、所定の対象の推定を定量化した値を出力するモデルである例を示した。しかし、実施形態に係るモデル（モデルＸ）は、モデルＭ１１にデータの入出力を繰り返すことで得られる結果に基づいて生成されるモデルであってもよい。例えば、モデルＸは、画像及び文字情報を含む商品情報を入力とし、モデルＭ１１が出力するスコアを出力とするよう学習されたモデル（モデルＹ)であってもよい。または、モデルＭ１１は、画像及び文字情報を含む商品情報を入力とし、モデルＹの出力値を出力とするよう学習されたモデルであってもよい。また、推定部１３３がＧＡＮ（Generative Adversarial Networks）を用いた推定処理を行う場合、モデルＭ１１は、ＧＡＮの一部を構成するモデルであってもよい。

（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、管理者装置１０や販売元装置２０に各種情報を提供する。例えば、提供部１３４は、推定部１３３により推定された出品の対象に関する情報を提供する。

例えば、提供部１３４は、推定部１３３により推定された出品の対象に関する情報に基づいて、所定のユーザへ推奨する商品に関する情報を提供する。例えば、提供部１３４は、推定部１３３により推定された出品の対象に関する情報に基づいて、出品における情報入力をアシストする情報を提供する。例えば、提供部１３４は、推定部１３３により推定された出品の対象に関する情報に基づいて、商品のランキング情報を提供する。

図２の例では、提供部１３４は、推定部１３３により推定されたカテゴリに関する情報を販売元装置２０へ提供する。例えば、提供部１３４は、販売元ＳＡ１による出品の対象のカテゴリがＢカテゴリに該当することを示す情報を提供する。例えば、提供部１３４は、商品情報ＧＤ１１に対応する商品のカテゴリがＢカテゴリに該当することを示す情報を販売元装置２０へ提供する。

〔４．生成処理のフロー〕
次に、図８を用いて、実施形態に係る推定システム１による生成処理の手順について説明する。図８は、実施形態に係る生成処理の一例を示すフローチャートである。

図８に示すように、推定装置１００は、学習データを取得する（ステップＳ１０１）。例えば、推定装置１００は、学習データ記憶部１２１から学習データを取得する。

その後、推定装置１００は、学習データに基づきモデルを生成する（ステップＳ１０２）。図１の例では、推定装置１００は、学習データ記憶部１２１から学習データを用いてモデルＭ１１を生成する。

〔５．推定処理のフロー〕
次に、図９を用いて、実施形態に係る推定システム１による生成処理の手順について説明する。図９は、実施形態に係る推定処理の一例を示すフローチャートである。

図９に示すように、推定装置１００は、販売元から出品情報を取得する（ステップＳ２０１）。図２の例では、推定装置１００は、販売元ＳＡ１が利用する販売元装置２０から出品に関する情報を取得する。

また、推定装置１００は、モデルを用いて出品の対象のカテゴリを推定する（ステップＳ２０２）。図２の例では、推定装置１００は、モデルＭ１１を用いて商品情報ＧＤ１１に対応する商品のカテゴリを「Ｂカテゴリ」と推定する。

また、推定装置１００は、推定した情報を販売元に提供する（ステップＳ２０３）。図２の例では、推定装置１００は、商品情報ＧＤ１１に対応する商品のカテゴリがＢカテゴリに該当することを示す情報を販売元装置２０へ提供する。

〔６．推定の粒度〕
上述した例では、カテゴリを推定する場合を示したが、推定装置１００は、カテゴリに限らず、種々の粒度（階層）の分類を推定してもよい。例えば、推定装置１００は、商品名等を推定してもよい。この点について、図１０を用いて説明する。図１０は、実施形態に係るモデルの生成の一例を示す図である。図１０の例では、推定装置１００は、販売形態や特徴の異別によらず同じ商品を商品として分類するモデルＭ２１を生成する場合を一例として説明する。例えば、推定装置１００は、個数や色やサイズ（内容量）等によらず同じ商品を商品として分類するモデルＭ２１を生成する。なお、図１と同様の点については、同一の部位には同一の符号を付し、適宜説明を省略する。

図１０の示す例では、管理者ＧＭ１は、画像ＩＭ２０１や文字情報ＣＨ２０１等を含む商品情報ＧＤ２０１に対して正解情報を付与する（ステップＳ３１－１）。例えば、管理者ＧＭ１は、商品情報ＧＤ２０１に含まれる画像ＩＭ２０１や文字情報ＣＨ２０１等の内容に基づいて、商品情報ＧＤ２０１の商品が「水Ａ」であることを示す正解情報を付与する。なお、図１０の例では、「水Ａ」は商品名を示す情報であるものとする。

また、管理者ＧＭ１は、画像ＩＭ２０２や文字情報ＣＨ２０２等を含む商品情報ＧＤ２０２に対して正解情報を付与する（ステップＳ３１－２）。例えば、管理者ＧＭ１は、商品情報ＧＤ２０２に含まれる画像ＩＭ２０２や文字情報ＣＨ２０２等の内容に基づいて、商品情報ＧＤ２０２のカテゴリが「水Ａ」であることを示す正解情報を付与する。

このように、図１０の例では、商品情報ＧＤ２０１及び商品情報ＧＤ２０２は、同じ商品名「水Ａ」に関する出品であっても、本数が異なるが、管理者ＧＭ１は、商品情報ＧＤ２０１及び商品情報ＧＤ２０２を同じ商品「水Ａ」を対象とする出品であるものとして、同じ正解情報を付与する。なお、管理者ＧＭ１は、本数の差異に限らず、色やサイズ（内容量）等の違う対象についても同じ商品名であれば、同じ正解情報を付与してもよい。

なお、ステップＳ３１－１、Ｓ３１－２は、処理を説明するためのものであり、ステップＳ３１－１、Ｓ３１－２のいずれが先に行われてもよく、以下、ステップＳ３１－１、Ｓ３１－２を区別せずに説明する場合、ステップＳ３１と総称する。例えば、管理者ＧＭ１は、ステップＳ３１に示すような正解情報の付与を学習データとして用いる多数の商品情報に対して行う。これにより、図１０の例においては、商品情報（出品情報）と正解情報（カテゴリ）が対応づけられた学習データＬＤ２が生成される。

そして、推定装置１００は、ステップＳ３１において正解情報が付与された学習データＬＤ２を取得する（ステップＳ３２）。具体的には、推定装置１００は、ステップＳ３１において正解情報が付与された商品情報ＧＤ２０１、ＧＤ２０２等を取得する。

そして、推定装置１００は、ステップＳ３２で取得した学習データＬＤ２に含まれる商品情報を学習データとして追加する（ステップＳ３３）。具体的には、推定装置１００は、学習データＬＤ２を学習データ記憶部１２１Ａに追加する。

そして、推定装置１００は、学習データに基づいてモデルを生成する（ステップＳ３４）。例えば、推定装置１００は、学習データ記憶部１２１Ａ中の商品情報ＧＤ２０１、ＧＤ２０２等を学習データ（教師データ）として、学習を行なうことにより、モデルを生成する。なお、図１０中の学習データ記憶部１２１Ａにおいて商品ＩＤの欄に図示する「１本」や「１２本」については、対応する商品に含まれる個数を示し、個数は販売元による入力に基づいて特定したり、画像情報や文字情報等から推定したりしてもよい。

図１０の例において、推定装置１００が生成するモデルＭ２１は、商品情報が入力された場合に複数の商品名の各々に対応する複数のスコアＳＣを出力するモデルである。例えば、モデルＭ２１は、分類したい商品名が１０００種類である場合、１０００種類の商品名の各々に対応する１００個のスコアを出力するモデルである。

ここから、図１０に示すモデルＭ２１は図１中のモデルＭ１１と同様の構成であるが、モデルＭ２１の構成について簡単に説明する。モデルＭ２１は、商品情報のうち、画像情報が入力される入力層を有する部分モデルＭ２１－１、文字情報が入力される入力層を有する部分モデルＭ２１－２、及びスコアを出力する層を有する部分モデルＭ２１－３を含む。

例えば、部分モデルＭ２１－１は、入力された画像情報ＩＭＤから特徴情報ＦＥ１を抽出する部分モデルである。図１０の例では、部分モデルＭ２１－１は、画像情報の局所領域の畳み込みとプーリングとを繰り返す、いわゆる畳み込みニューラルネットワークにより構成されるものとする。なお、部分モデルＭ２１－１は、ＣＮＮに限らず、ＲＮＮ、ＬＳＴＭ等といった種々のニューラルネットワークであってもよい。

また、例えば、部分モデルＭ２１－２は、入力された文字情報ＣＨＤから特徴情報ＦＥ２を抽出する部分モデルである。図１０の例では、部分モデルＭ２１－２は、ＣＮＮにより構成されるものとする。なお、部分モデルＭ２１－２は、ＣＮＮに限らず、ＲＮＮ、ＬＳＴＭ等といった種々のニューラルネットワークであってもよい。このように、図１０に示すモデルＭ２１は、商品情報に含まれる画像情報から特徴情報ＦＥ１を抽出し、文字情報から特徴情報ＦＥ２を抽出する。すなわち、モデルＭ２１は、画像情報と文字情報とから独立して特徴を抽出する。

また、例えば、部分モデルＭ２１－３は、部分モデルＭ２１－１が抽出した特徴情報ＦＥ１及び部分モデルＭ２１－２が抽出した特徴情報ＦＥ２の入力に応じて、スコアを出力する部分モデルである。例えば、部分モデルＭ２１－３は、部分モデルＭ２１－１における出力及び部分モデルＭ２１－２における出力が入力される部分モデルである。

例えば、部分モデルＭ２１－３の入力層には、部分モデルＭ２１－１における出力層及び部分モデルＭ２１－２における出力層が連結される。例えば、部分モデルＭ２１－３の入力層における入力は、部分モデルＭ２１－１における出力層のノード（ニューロン）及び部分モデルＭ２１－２における出力層のノード（ニューロン）が全結合されてもよい。

上記のように、部分モデルＭ２１－２は、特徴情報ＦＥ１、特徴情報ＦＥ２から商品全体の特徴を抽出しスコアを出力する部分モデルである。例えば、部分モデルＭ２１－３は、ＣＮＮにより構成されてもよい。また、部分モデルＭ２１－３は、ＣＮＮに限らず、ＲＮＮ、ＬＳＴＭ等といった種々のニューラルネットワークであってもよい。

なお、部分モデルＭ２１－１や部分モデルＭ２１－２や部分モデルＭ２１－３は、モデルＭ２１内における各部の構成を説明するために便器的に付与する符号である。すなわち、モデルＭ２１は、モデルＭ２１外から見た場合、商品情報である画像情報及び文字情報が入力された場合に、各カテゴリに対応するスコアを出力する１つのモデルである。

例えば、推定装置１００は、学習データＬＤ２を用いてモデルＭ２１を生成する。例えば、推定装置１００は、モデルＭ２１に商品情報ＧＤ２０１が入力された場合に、水Ａに対応するスコアが「１」に近づくように、学習処理を行う。例えば、推定装置１００は、モデルＭ２１の部分モデルＭ２１－１に商品情報ＧＤ２０１の画像ＩＭ２０１が入力され、部分モデルＭ２１－２に商品情報ＧＤ２０１の文字情報ＣＨ２０１が入力された場合に、部分モデルＭ２１－３が出力する水Ａに対応するスコアが「１」に近づくように、学習処理を行う。また、例えば、推定装置１００は、モデルＭ２１に商品情報ＧＤ２０２が入力された場合に、水Ａに対応するスコアが「１」に近づくように、学習処理を行う。すなわち、推定装置１００は、モデルＭ２１における出力（スコア）と、入力した商品情報に対応する正解情報との誤差が少なくなるようにパラメータ（接続係数）を補正するバックプロパゲーション等の処理によりモデルＭ２１を生成する。例えば、推定装置１００は、所定の損失（ロス）関数を最小化するようにバックプロパゲーション等の処理を行うことによりモデルＭ２１を生成する。上述のような処理を繰り返すことで、推定装置１００は、入力された商品情報に対応する商品名をより精度よく推定可能にするスコアを出力するモデルＭ２１を生成することができる。なお、モデルの学習手法については、上述した手法に限定されるものではなく、任意の公知技術が適用可能である。すなわち、推定装置１００は、学習データに含まれる商品情報が入力された場合に、正解情報に対応するスコアを出力するようにモデルＭ２１を学習可能であれば、どのような手法によりモデルＭ２１の生成を行ってもよい。

上記のような処理により、推定装置１００は、図１０中のモデル情報記憶部１２２に示すように、モデルＩＤ「Ｍ２１」により識別されるモデル（モデルＭ２１）を生成する。また、図１０中のモデル情報記憶部１２２に示すように、モデルＭ２１は用途「商品」、すなわち商品分類のために用いられるモデルであり、その具体的なモデルデータが「モデルデータＭＴＤ２１」であることを示す。例えば、推定装置１００は、モデルＭ２１に商品情報を入力することにより、入力した商品情報の商品名が何である可能性が高いかを示すスコアを、モデルＭ２１に出力させ、モデルＭ２１が出力するスコアに基づいて商品名を推定する。

上述したように、推定装置１００は、個数や色やサイズ（内容量）等によらず同じ商品を商品として分類するモデルＭ２１を生成することにより、販売形態や特徴が異なる商品であっても、同じ商品の販売として把握可能にすることができる。これにより、推定装置１００は、電子商取引サービスにおける情報の正確性の向上を可能にすることができる。

〔７．集計処理例〕
図１０に示すモデルＭ２１を用いて推定された商品名に基づく集計について図１１を用いて説明する。図１１は、実施形態に係る集計処理の一例を示す図である。図１１中の商品情報記憶部１２３Ａに示すように、推定装置１００は、各商品について販売数を集計する。また、図１１の例では、商品情報記憶部１２３Ａに示すように、分類には図１０中のモデルＭ２１等により推定された商品名が記憶される。図１１の例では、商品ＩＤ「ＧＤ２０１」により識別される商品の販売数は、「１００」であることを示す。また、図１１の例では、商品ＩＤ「ＧＤ２０２」により識別される商品の販売数は、「１０」であることを示す。

推定装置１００は、モデルＭ２１を用いて推定された商品名に基づく集計を行う。図１１の例では、推定装置１００は、モデルＭ２１を用いて推定された商品名「水Ａ」の売上本数を集計する（ステップＳ４１）。ここで、図１１の例では、商品ＩＤ「ＧＤ２０１」により識別される商品は、商品名「水Ａ」であり、商品に含まれる個数が「１」であると推定される。また、図１１の例では、商品ＩＤ「ＧＤ２０２」により識別される商品は、商品名「水Ａ」であり、商品に含まれる個数が「１２」であると推定される。

そのため、推定装置１００は、集計情報ＴＬ４１に示すように、商品情報ＧＤ２０１及び商品情報ＧＤ２０２等の情報に基づいて、水Ａの売上個数を２２０本と集計する。具体的には、推定装置１００は、計算式ＣＦ４１に示すように、商品情報ＧＤ２０１の販売数「１００」に商品情報ＧＤ２０１の個数「１」を乗算した数と、商品情報ＧＤ２０２の販売数「１０」に商品情報ＧＤ２０２の個数「１２」を乗算した数とを合算することにより、水Ａの売上個数を２２０本と集計する。

例えば、商品情報ＧＤ２０１と商品情報ＧＤ２０２とを別の商品として管理した場合、上記のような水Ａとしての売上個数を算出することはできない。また、例えば、商品情報ＧＤ２０１及び商品情報ＧＤ２０２の販売数を単純に合算した場合、その値は「１１０」となり、その値の意味は不明となる。一方で、推定装置１００は、商品情報ＧＤ２０１と商品情報ＧＤ２０２とを同一の商品名の商品を対象とする商品として管理し、各販売数と個数とに基づいて、売上個数を算出することにより、所望の単位での販売状況の把握が可能となる。例えば、推定装置１００は、このように集計した売上個数に基づいて、商品のランキングを生成することにより、より正確に販売状況を反映したランキングを生成可能となる。

また、図１１の例では、推定装置１００は、サイズの異なる商品情報ＧＤ２１１と商品情報ＧＤ２１２とを同一の商品名「化粧水Ｃ」の商品として管理し、売上個数（６０＝５０＋１０）を算出することにより、商品名「化粧水Ｃ」の売上個数での販売状況の把握が可能となる。なお、推定装置１００は、商品情報ＧＤ２１１と商品情報ＧＤ２１２とを同一の商品名「化粧水Ｃ」の商品を対象とする商品として管理し、各販売数と容量とに基づいて、総容量を集計してもよい。また、図１１の例では、推定装置１００は、色の異なる商品情報ＧＤ２２１と商品情報ＧＤ２２２とを同一の商品名「財布Ｅ」の商品として管理し、売上個数（６＝２＋４）を算出することにより、商品名「財布Ｅ」の売上個数での販売状況の把握が可能となる。

〔８．効果〕
上述してきたように、実施形態に係る推定装置１００は、取得部１３１と、推定部１３３とを有する。取得部１３１は、複数の販売元が提供する商品を購入可能な電子商取引サービスにおける出品に関する情報を取得する。また、推定部１３３は、取得部１３１により取得された出品に関する情報に基づいて、出品の対象に関する情報を推定する。

このように、実施形態に係る推定装置１００は、出品に関する情報に基づいて、出品の対象に関する情報を推定することにより、電子商取引サービスにおける情報の正確性の向上を可能にすることができる。

また、実施形態に係る推定装置１００において、推定部１３３は、出品の対象の属性情報を出品の対象に関する情報として推定する。

このように、実施形態に係る推定装置１００は、出品の対象の属性情報を出品の対象に関する情報として推定することにより、電子商取引サービスにおける情報の正確性の向上を可能にすることができる。

また、実施形態に係る推定装置１００において、推定部１３３は、出品の対象を出品の対象に関する情報として推定する。

このように、実施形態に係る推定装置１００は、出品の対象を出品の対象に関する情報として推定することにより、電子商取引サービスにおける情報の正確性の向上を可能にすることができる。

また、実施形態に係る推定装置１００において、推定部１３３は、対象の推定に用いられるモデルであって、出品に関する情報が入力されたモデルの出力に基づいて、出品の対象に関する情報を推定する。

このように、実施形態に係る推定装置１００は、対象の推定に用いられるモデルであって、出品に関する情報が入力されたモデルの出力に基づいて、出品の対象に関する情報を推定することにより、電子商取引サービスにおける情報の正確性の向上を可能にすることができる。

また、実施形態に係る推定装置１００において、取得部１３１は、出品に関する複数の種別の情報を取得する。推定部１３３は、出品に関する複数の種別の情報が入力されたモデルの出力に基づいて、出品の対象に関する情報を推定する。

このように、実施形態に係る推定装置１００は、出品に関する複数の種別の情報が入力されたモデルの出力に基づいて、出品の対象に関する情報を推定することにより、電子商取引サービスにおける情報の正確性の向上を可能にすることができる。

また、実施形態に係る推定装置１００において、取得部１３１は、出品に関する画像情報及び文字情報を取得する。推定部１３３は、画像情報及び文字情報が入力されたモデルの出力に基づいて、出品の対象に関する情報を推定する。

このように、実施形態に係る推定装置１００は、画像情報及び文字情報が入力されたモデルの出力に基づいて、出品の対象に関する情報を推定することにより、電子商取引サービスにおける情報の正確性の向上を可能にすることができる。

また、実施形態に係る推定装置１００において、推定部１３３は、所定の情報により生成されたニューラルネットワークを含むモデルを用いて、出品の対象に関する情報を推定する。

このように、実施形態に係る推定装置１００は、所定の情報により生成されたニューラルネットワーク（ＣＮＮ）を含むモデルを用いて、出品の対象に関する情報を推定することにより、電子商取引サービスにおける情報の正確性の向上を可能にすることができる。

また、実施形態に係る推定装置１００において、推定部１３３は、畳み込み処理及びプーリング処理を行うニューラルネットワークを含むモデルを用いて、出品の対象に関する情報を推定する。

このように、実施形態に係る推定装置１００は、畳み込み処理及びプーリング処理を行うニューラルネットワークを含むモデルを用いて、出品の対象に関する情報を推定することにより、電子商取引サービスにおける情報の正確性の向上を可能にすることができる。

また、実施形態に係る推定装置１００は、生成部１３２を有する。生成部１３２は、モデルを生成する。

このように、実施形態に係る推定装置１００は、モデルを生成し、生成したモデルを用いて出品の対象に関する情報を推定することにより、電子商取引サービスにおける情報の正確性の向上を可能にすることができる。

また、実施形態に係る推定装置１００は、提供部１３４を有する。提供部１３４は、推定部１３３により推定された出品の対象に関する情報を提供する。

このように、実施形態に係る推定装置１００は、推定された出品の対象に関する情報を提供することにより、電子商取引サービスにおける正確性の高い情報を提供することができる。

また、実施形態に係る推定装置１００において、提供部１３４は、推定部１３３により推定された出品の対象に関する情報に基づいて、所定のユーザへ推奨する商品に関する情報を提供する。

このように、実施形態に係る推定装置１００は、推定された出品の対象に関する情報に基づいて、所定のユーザへ推奨する商品に関する情報を提供することにより、電子商取引サービスにおける正確性の高い情報を提供することができる。

また、実施形態に係る推定装置１００において、提供部１３４は、推定部１３３により推定された出品の対象に関する情報に基づいて、出品における情報入力をアシストする情報を提供する。

このように、実施形態に係る推定装置１００は、推定された出品の対象に関する情報に基づいて、出品における情報入力をアシストする情報を提供することにより、電子商取引サービスにおける正確性の高い情報を提供することができる。

また、実施形態に係る推定装置１００において、推定部１３３は、電子商取引サービスとは異なる電子商取引サービスにおける情報を用いて、出品の対象に関する情報を推定する。また、提供部１３４は、推定部１３３により推定された出品の対象に関する情報に基づいて、電子商取引サービスにおける情報入力をアシストする情報を提供する。

このように、実施形態に係る推定装置１００は、電子商取引サービス（例えばオークションサービス）とは異なる電子商取引サービス（例えばネットショッピングモール）における情報を用いて、推定された出品の対象に関する情報に基づいて、電子商取引サービス（例えばオークションサービス）における情報入力をアシストする情報を提供することにより、電子商取引サービス（例えばオークションサービス）における正確性の高い情報を提供することができる。

また、実施形態に係る推定装置１００において、推定部１３３は、電子商取引サービスとは異なる電子商取引サービスにおける情報に基づいて生成されたモデルを用いて、出品の対象に関する情報を推定する。また、提供部１３４は、推定部１３３により推定された出品の対象に関する情報に基づいて、電子商取引サービスにおける情報入力をアシストする情報を提供する。

このように、実施形態に係る推定装置１００は、電子商取引サービス（例えばオークションサービス）とは異なる電子商取引サービス（例えばネットショッピングモール）における情報に基づいて生成されたモデルを用いて、推定された出品の対象に関する情報に基づいて、電子商取引サービス（例えばオークションサービス）における情報入力をアシストする情報を提供することにより、電子商取引サービス（例えばオークションサービス）における正確性の高い情報を提供することができる。

また、実施形態に係る推定装置１００において、提供部１３４は、推定部１３３により推定された出品の対象に関する情報に基づいて、商品のランキング情報を提供する。

このように、実施形態に係る推定装置１００は、推定された出品の対象に関する情報に基づいて、商品のランキング情報を提供することにより、電子商取引サービスにおける正確性の高い情報を提供することができる。

〔９．ハードウェア構成〕
上述してきた実施形態に係る推定装置１００は、例えば図１２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１２は、推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、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。

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、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。

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。

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が実施形態に係る推定装置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またはデータ（例えば、モデルＭ１１（モデルデータＭＤＴ１１））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またはデータ（例えば、モデルＭ１１（モデルデータＭＤＴ１１））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。

以上、本願の実施形態及び変形例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。

〔１０．その他〕
また、上記実施形態及び変形例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。

また、上述してきた実施形態及び変形例は、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。

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。

１ 推定システム
１００ 推定装置
１２１ 学習データ記憶部
１２２ モデル情報記憶部
１２３ 商品情報記憶部
１３０ 制御部
１３１ 取得部
１３２ 生成部
１３３ 推定部
１３４ 提供部
１０ 管理者装置
２０ 販売元装置
Ｎ ネットワーク

Claims (16)

1. 複数の販売元が提供する商品を購入可能な電子商取引サービスにおける出品に関する情報を取得する取得部と、
   前記取得部により取得された出品に関する情報に基づいて、前記出品の対象に関する情報を推定する推定部と、
   前記推定部により推定された前記出品の対象に関する情報に基づくサービスを提供する提供部と、
   を備え、
   前記提供部は、
   前記推定部により推定された前記出品の対象に関する情報に基づいて、異なる商品ＩＤにより管理される出品の対象であって、推定される商品名が同じである出品の対象を１つの商品とし、色の異なる場合も同一の商品として集計した各商品の売上個数に基づいて、商品のランキングを生成し、生成した商品のランキングの情報を提供する処理を前記サービスの一部として少なくとも実行することを特徴とする推定装置。
2. 前記推定部は、
   前記出品の対象の属性情報を前記出品の対象に関する情報として推定する
   ことを特徴とする請求項１に記載の推定装置。
3. 前記推定部は、
   前記出品の対象の名称を前記出品の対象に関する情報として推定する
   ことを特徴とする請求項１または請求項２に記載の推定装置。
4. 前記推定部は、
   対象の推定に用いられるモデルであって、前記出品に関する情報が入力されたモデルの出力に基づいて、前記出品の対象に関する情報を推定する
   ことを特徴とする請求項１～３のいずれか１項に記載の推定装置。
5. 前記取得部は、
   前記出品に関する複数の種別の情報を取得し、
   前記推定部は、
   前記出品に関する複数の種別の情報が入力された前記モデルの出力に基づいて、前記出品の対象に関する情報を推定する
   ことを特徴とする請求項４に記載の推定装置。
6. 前記取得部は、
   前記出品に関する画像情報及び文字情報を取得し、
   前記推定部は、
   前記画像情報及び前記文字情報が入力された前記モデルの出力に基づいて、前記出品の対象に関する情報を推定する
   ことを特徴とする請求項５に記載の推定装置。
7. 前記推定部は、
   所定の情報により生成されたニューラルネットワークを含む前記モデルを用いて、前記出品の対象に関する情報を推定する
   ことを特徴とする請求項４～６のいずれか１項に記載の推定装置。
8. 前記推定部は、
   畳み込み処理及びプーリング処理を行う前記ニューラルネットワークを含む前記モデルを用いて、前記出品の対象に関する情報を推定する
   ことを特徴とする請求項７に記載の推定装置。
9. 前記モデルを生成する生成部、
   をさらに備えることを特徴とする請求項４～８のいずれか１項に記載の推定装置。
10. 前記提供部は、
    前記推定部により推定された前記出品の対象に関する情報を提供する処理を前記サービスの一部としてさらに実行する
    ことを特徴とする請求項１～９のいずれか１項に記載の推定装置。
11. 前記提供部は、
    前記推定部により推定された前記出品の対象に関する情報に基づいて、所定のユーザへ推奨する商品に関する情報を提供する処理を前記サービスの一部としてさらに実行する
    ことを特徴とする請求項１～１０のいずれか１項に記載の推定装置。
12. 前記提供部は、
    前記推定部により推定された前記出品の対象に関する情報に基づいて、前記出品における情報入力をアシストする情報を提供する処理を前記サービスの一部としてさらに実行する
    ことを特徴とする請求項１～１１のいずれか１項に記載の推定装置。
13. 前記推定部は、
    前記電子商取引サービスとは異なる電子商取引サービスにおける情報を用いて、前記出品の対象に関する情報を推定し、
    前記提供部は、
    前記推定部により推定された前記出品の対象に関する情報に基づいて、前記電子商取引サービスにおける情報入力をアシストする情報を提供する処理を前記サービスの一部としてさらに実行する
    ことを特徴とする請求項１～１２のいずれか１項に記載の推定装置。
14. 前記推定部は、
    前記電子商取引サービスとは異なる電子商取引サービスにおける情報に基づいて生成されたモデルを用いて、前記出品の対象に関する情報を推定し、
    前記提供部は、
    前記推定部により推定された前記出品の対象に関する情報に基づいて、前記電子商取引サービスにおける情報入力をアシストする情報を提供する処理を前記サービスの一部としてさらに実行する
    ことを特徴とする請求項１～１３のいずれか１項に記載の推定装置。
15. コンピュータが実行する推定方法であって、
    複数の販売元が提供する商品を購入可能な電子商取引サービスにおける出品に関する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出品に関する情報に基づいて、前記出品の対象に関する情報を推定する推定工程と、
    前記推定工程により推定された前記出品の対象に関する情報に基づくサービスを提供する提供工程と、
    を含み、
    前記提供工程は、
    前記推定工程により推定された前記出品の対象に関する情報に基づいて、異なる商品ＩＤにより管理される出品の対象であって、推定される商品名が同じである出品の対象を１つの商品とし、色の異なる場合も同一の商品として集計した各商品の売上個数に基づいて、商品のランキングを生成し、生成した商品のランキングの情報を提供する処理を前記サービスの一部として少なくとも実行することを特徴とする推定方法。
16. 複数の販売元が提供する商品を購入可能な電子商取引サービスにおける出品に関する情報を取得する取得手順と、
    前記取得手順により取得された出品に関する情報に基づいて、前記出品の対象に関する情報を推定する推定手順と、
    前記推定手順により推定された前記出品の対象に関する情報に基づくサービスを提供する提供手順と、
    をコンピュータに実行させ、
    前記提供手順は、
    前記推定手順により推定された前記出品の対象に関する情報に基づいて、異なる商品ＩＤにより管理される出品の対象であって、推定される商品名が同じである出品の対象を１つの商品とし、色の異なる場合も同一の商品として集計した各商品の売上個数に基づいて、商品のランキングを生成し、生成した商品のランキングの情報を提供する処理を前記サービスの一部として少なくとも実行することを特徴とする推定プログラム。

Images