JP7221590B2 - 抽出装置、抽出方法、及び抽出プログラム - Google Patents

Description

本発明は、抽出装置、抽出方法、及び抽出プログラムに関する。

従来、種々の情報を抽出する技術が提供されている。例えば、他のカテゴリーに属する概念間の相対的な関係を考慮した上で、概念間の類似性を推定する技術が提供されている。

特開２００７－２１３１５１号公報

岩崎雅二郎 "木構造型インデックスを利用した近似k最近傍グラフによる近傍検索", 情報処理学会論文誌, 2011/2, Vol. 52, No. 2. pp.817-828.

しかしながら、上記の従来技術では、類似の不具合事象を適切に抽出することが難しい場合がある。例えば、他のカテゴリーに属する概念間の類似性を推定するだけでは、所望の情報を抽出することが難しい。例えば、同じカテゴリーに属する情報の類似性を推定することができるとは限らず、このような場合、所望の情報を抽出することが難しい。

本願は、上記に鑑みてなされたものであって、類似の不具合事象を適切に抽出する抽出装置、抽出方法、及び抽出プログラムを提供することを目的とする。

本願に係る抽出装置は、複数の不具合事象の各々に対応する複数のベクトルが類似性に応じて連結されたグラフ情報と、一の不具合事象に関する事象情報を取得する取得部と、前記取得部により取得された前記グラフ情報の前記複数のベクトルのうち、所定の基準に基づいて決定された前記グラフ情報の検索の起点となる起点ベクトルを起点として前記グラフ情報を検索することにより、前記複数の不具合事象のうち、前記一の不具合事象に類似する事象である類似事象を抽出する抽出部と、を備えたことを特徴とする。

実施形態の一態様によれば、類似の不具合事象を適切に抽出することができるという効果を奏する。

図１は、実施形態に係る抽出処理の一例を示す図である。 図２は、実施形態に係る抽出システムの構成例を示す図である。 図３は、実施形態に係る抽出装置の構成例を示す図である。 図４は、実施形態に係る不具合情報記憶部の一例を示す図である。 図５は、実施形態に係るインデックス情報記憶部の一例を示す図である。 図６は、実施形態に係るグラフ情報記憶部の一例を示す図である。 図７は、実施形態に係るモデル情報記憶部の一例を示す図である。 図８は、実施形態に係る抽出処理の一例を示すフローチャートである。 図９は、実施形態に係る生成処理の一例を示すフローチャートである。 図１０は、実施形態に係る特徴量の抽出の一例を示す図である。 図１１は、グラフ情報を用いた検索処理の一例を示すフローチャートである。 図１２は、抽出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、本願に係る抽出装置、抽出方法、及び抽出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抽出装置、抽出方法、及び抽出プログラム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．抽出処理〕
図１を用いて、実施形態に係る抽出処理の一例について説明する。図１は、実施形態に係る抽出処理の一例を示す図である。図１では、抽出装置１００が過去に発生した不具合事象（単に「不具合」ともいう）をグラフ構造化したグラフデータ（グラフ情報）を検索することにより、類似する不具合事象（以下、「類似事象」ともいう）を抽出する場合を示す。図１では、抽出装置１００は、各不具合に対応するベクトルデータ（「ベクトル情報」や、単に「ベクトル」ともいう）を用いて不具合をグラフ構造化したグラフ情報を用いる。なお、図１の例では、不具合事象としてサーバシステムのシステムエラーを対象とする場合を一例として示すが、不具合はシステムエラーに限らず、道路交通に関する不具合や災害に関する不具合など、どのような不具合であってもよい。すなわち、対象とする不具合（オブジェクト）は、ベクトルとして表現可能であれば、どのような不具合（情報）であってもよい。

〔１－１．グラフ情報について〕
また、抽出装置１００は、図１中のグラフ情報ＧＲ１１に示すように、各ベクトル（ノード）が有向エッジにより連結されたグラフデータを対象に抽出処理を行う。なお、図１中のグラフ情報ＧＲ１１に示すようなグラフ情報は、抽出装置１００が生成してもよいし、抽出装置１００は、図１中のグラフ情報ＧＲ１１に示すようなグラフ情報を情報提供装置５０（図２参照）等の他の外部装置から取得してもよい。

また、ここでいう、有向エッジとは、一方向にしかデータを辿れないエッジを意味する。以下では、エッジにより辿る元、すなわち始点となるノードを参照元とし、エッジにより辿る先、すなわち終点となるノードを参照先とする。例えば、所定のノード「Ａ」から所定のノード「Ｂ」に連結される有向エッジとは、参照元をノード「Ａ」とし、参照先をノード「Ｂ」とするエッジであることを示す。なお、各ノードを連結するエッジは、有向エッジに限らず、種々のエッジであってもよい。例えば、各ノードを連結するエッジは、ノードを連結する方向のないエッジであってもよい。例えば、各ノードを連結するエッジは、相互に参照可能なエッジであってもよい。例えば、各ノードを連結するエッジは、全て双方向エッジであってもよい。

例えば、このようにノード「Ａ」を参照元とするエッジをノード「Ａ」の出力エッジという。また、例えば、このようにノード「Ｂ」を参照先とするエッジをノード「Ｂ」の入力エッジという。すなわち、ここでいう出力エッジ及び入力エッジとは、一の有向エッジをその有向エッジが連結する２つのノードのうち、いずれのノードを中心として捉えるかの相違であり、一の有向エッジが出力エッジ及び入力エッジになる。すなわち、出力エッジ及び入力エッジは、相対的な概念であって、一の有向エッジについて、参照元となるノードを中心として捉えた場合に出力エッジとなり、参照先となるノードを中心として捉えた場合に入力エッジとなる。なお、本実施形態においては、エッジについては、出力エッジや入力エッジ等の有向エッジを対象とするため、以下では、有向エッジを単に「エッジ」と記載する場合がある。

例えば、抽出装置１００は、数百万～数億単位の不具合事象に対応するノードを対象に処理を行うが、図面においてはその一部のみを図示する。図１の例では、説明を簡単にするために、８個のノードを図示して処理の概要を説明する。例えば、抽出装置１００は、図１中のグラフ情報ＧＲ１１に示すように、ノードＮ１、Ｎ２、Ｎ３等に示すような複数のノード（ベクトル）を含むグラフ情報を取得する。また、図１の例では、グラフ情報ＧＲ１１における各ノードは、そのノードとの間の距離が近い方から所定数のノードへのエッジ（出力エッジ）が連結される。例えば、所定数は、目的や用途等に応じて、２や５や１０や１００等の種々の値であってもよい。例えば、所定数が２である場合、ノードＮ１からは、ノードＮ１からの距離が最も近いノード及び２番目に距離が近い２つノードに出力エッジが連結される。なお、類似度を示す指標としての距離は、ベクトル（Ｎ次元ベクトル）間の距離として適用可能であれば、どのような距離であってもよく、例えば、ユークリッド距離やマハラノビス距離やコサイン距離等の種々の距離が用いられてもよい。

また、このように「ノードＮ＊（＊は任意の数値）」と記載した場合、そのノードはノードＩＤ「Ｎ＊」により識別されるノードであることを示す。例えば、「ノードＮ１」と記載した場合、そのノードはノードＩＤ「Ｎ１」により識別されるノードである。

また、図１中のグラフ情報ＧＲ１１では、ノードＮ１０は、ノードＮ７へ向かう有向エッジであるエッジＥ７が連結される。すなわち、ノードＮ１０は、ノードＮ７とエッジＥ７により連結される。このように「エッジＥ＊（＊は任意の数値）」と記載した場合、そのエッジはエッジＩＤ「Ｅ＊」により識別されるエッジであることを示す。例えば、「エッジＥ１１」と記載した場合、そのエッジはエッジＩＤ「Ｅ１１」により識別されるエッジである。例えば、ノードＮ１０を参照元とし、ノードＮ７を参照先として連結されるエッジＥ７により、ノードＮ１０からノードＮ７に辿ることが可能となる。この場合、有向エッジであるエッジＥ７は、ノードＮ１０を中心として識別される場合、出力エッジとなり、ノードＮ７を中心として識別される場合、入力エッジとなる。また、図１のグラフ情報ＧＲ１１中の双方向矢印は、両方のノードから他方のノードへの有向エッジが連結されることを示す。例えば、グラフ情報ＧＲ１１中のノードＮ２とノードＮ４５１との間の双方向矢印は、ノードＮ２からノードＮ４５１へ向かう有向エッジと、ノードＮ４５１からノードＮ２へ向かう有向エッジとの２つのエッジが連結されることを示す。

また、図１中のグラフ情報ＧＲ１１は、ユークリッド空間であってもよい。また、図１に示すグラフ情報ＧＲ１１は、各ベクトル間の距離等の説明のための概念的な図であり、グラフ情報ＧＲ１１は、多次元空間である。例えば、図１に示すグラフ情報ＧＲ１１は、平面上に図示するため２次元の態様にて図示されるが、例えば１００次元や１０００次元等の多次元空間であるものとする。

ここで、ベクトルデータ間の距離は、不具合事象の類似性を示し、距離が近いほど類似している。本実施形態においては、グラフ情報ＧＲ１１における各ノードの距離を対応する各オブジェクト間の類似度とする。例えば、各ノードに対応する対象（不具合事象）の類似性が、グラフ情報ＧＲ１１内におけるノード間の距離として写像されているものとする。例えば、各ノードに対応する概念間の類似度が各ノード間の距離に写像されているものとする。ここで、図１に示す例においては、グラフ情報ＧＲ１１における各ノード間の距離が短いオブジェクト同士の類似度が高く、グラフ情報ＧＲ１１における各ノード間の距離が長いオブジェクト同士の類似度が低い。例えば、図１中のグラフ情報ＧＲ１１において、ノードＩＤ「Ｎ３５」により識別されるノードと、ノードＩＤ「Ｎ６９３」により識別されるノードとは近接している、すなわち距離が短い。そのため、ノードＩＤ「Ｎ３５」により識別されるノードに対応するオブジェクトと、ノードＩＤ「Ｎ６９３」により識別されるノードに対応するオブジェクトとは類似度が高いことを示す。

また、例えば、図１中のグラフ情報ＧＲ１１において、ノードＩＤ「Ｎ７」により識別されるノードと、ノードＩＤ「Ｎ２」により識別されるノードとは遠隔にある、すなわち距離が長い。そのため、ノードＩＤ「Ｎ７」により識別されるノードに対応するオブジェクトと、ノードＩＤ「Ｎ２」により識別されるノードに対応するオブジェクトとは類似度が低いことを示す。

〔１－２．ベクトルの生成例〕
また、ここでいう、各ノード（ベクトル）は、各オブジェクト（不具合）に対応する。システムのログが様々なシステムの状態を示す数値データであれば、それをベクトルデータとして、そのまま扱うことも可能である。しかし、システムのログデータが、テキストメッセージ、画像、または、音声であったりする場合には、ベクトルデータへの変換が必要となる。そこで、図１の例では、各不具合（システムエラー）のログデータ（ログ情報）から抽出された特徴量により生成された多次元（Ｎ次元）のベクトルがオブジェクトであってもよい。

例えば、抽出装置１００は、ログデータの特徴を抽出するモデルを用いて各システムエラーのログデータからＮ次元ベクトルを生成してもよい。図１の例では、抽出装置１００は、モデル情報記憶部１２４（図７参照）に示すように、モデルＩＤ「Ｍ１」により識別されるモデル（モデルＭ１）を用いて、各システムエラーのログデータからベクトルを生成する。上記のように、「モデルＭ＊（＊は任意の数値）」と記載した場合、そのモデルはモデル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Ｍ１」と記載した場合、そのモデルはモデルＩＤ「Ｍ１」により識別されるモデルである。また、モデル情報記憶部１２４に示すように、モデルＭ１は用途「特徴抽出（システムエラー）」、すなわちシステムエラーのデータからの特徴抽出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ＭＤＴ１」であることを示す。

例えば、抽出装置１００は、モデルＭ１に不具合のログデータを入力することにより、モデルＭ１中の各要素（ニューロン）の値を演算し、入力したログデータと同様の情報を出力する。例えば、抽出装置１００は、中間層の各要素（ニューロン）の値を特徴量として抽出し、各システムエラーに対応するＮ次元のベクトルデータを生成してもよい。

ここで、図１０を用いて、各システムエラーに対応するベクトルデータの生成の一例を示す。図１０は、実施形態に係る特徴量の抽出の一例を示す図である。図１０は、モデルＭ１の概念図である。なお、図１０では、各要素（ニューロン）の各接続関係を示す線の図示を省略する。図１０に示すように、モデルＭ１は、入力層ＩＬと、中間層ＣＬと、出力層ＯＬとを含む。例えば、モデルＭ１の入力層ＩＬは、不具合のログデータが入力される層である。また、出力層ＯＬは、入力層ＩＬへの入力に応じて、入力されたログデータと同様の情報を出力される層である。

また、例えば、中間層ＣＬの中央部の最も圧縮された圧縮層ＲＰは、入力されたログデータの特徴を表現する層である。例えば、モデルＭ１の中間層ＣＬにおいて、入力層ＩＬから圧縮層ＲＰまでの間は、エンコードの処理を行う部分に対応する。モデルＭ１の中間層ＣＬにおいて、入力層ＩＬから圧縮層ＲＰまでの間は、入力されたログデータの特徴を圧縮する処理を行う部分に対応する。例えば、モデルＭ１の中間層ＣＬにおいて、圧縮層ＲＰから出力層ＯＬまでの間は、デコードの処理を行う部分に対応する。モデルＭ１の中間層ＣＬにおいて、圧縮層ＲＰから出力層ＯＬまでの間は、圧縮されたログデータを復元する処理を行う部分に対応する。

例えば、抽出装置１００は、圧縮層ＲＰに含まれるニューロンＮＬ１やニューロンＮＬ２等の情報をベクトルに用いてもよい。例えば、抽出装置１００は、不具合のログデータが入力された場合に、算出されるニューロンＮＬ１に対応する値ＶＥ１やニューロンＮＬ２に対応する値ＶＥ２をベクトルの要素（一の次元の値）として抽出してもよい。例えば、抽出装置１００は、不具合のログデータが入力された場合に、算出されるニューロンＮＬ１に対応する値ＶＥ１をその不具合のベクトルの１次元目の要素として抽出してもよい。また、例えば、抽出装置１００は、不具合のログデータが入力された場合に、算出されるニューロンＮＬ２に対応する値ＶＥ２をその不具合のベクトルの２次元目の要素として抽出してもよい。このように、抽出装置１００は、各不具合のログデータをモデルＭ１に入力することにより、各不具合に対応するベクトルを生成してもよい。なお、抽出装置１００は、各不具合に対応するベクトルを情報提供装置５０等の他の外部装置から取得してもよい。なお、抽出装置１００は、ベクトルの各要素として、各ニューロンに対応する値自体を用いてもよいし、各ニューロンに対応する値に所定の係数を乗算した値を用いてもよい。また、図１の例では説明を簡単にするために、ベクトルの各要素（値）が整数である場合を示すが、ベクトルの各要素（値）は、小数点以下の数値を含む実数であってもよい。

なお、抽出装置１００は、圧縮層ＲＰの要素（ニューロン）に限らず、中間層ＣＬ中の他の要素（ニューロン）の情報をベクトルに用いてもよい。例えば、抽出装置１００は、エンコード部分のニューロンＮＬ３やデコード部分のニューロンＮＬ４等の情報をベクトルに用いてもよい。例えば、抽出装置１００は、不具合のログデータが入力された場合に、算出されるニューロンＮＬ３に対応する値ＶＥ３やニューロンＮＬ４に対応する値ＶＥ４をベクトルの要素（一の次元の値）として抽出してもよい。なお、上記は、一例であり、抽出装置１００は、オートエンコーダに限らず、種々のモデルを用いて、ログデータからの特徴抽出を行ってもよい。例えば、正常と不具合を識別するように学習させたモデルを生成して、その中間層をベクトルデータとして抽出しても良い。また、例えば、トリプレットロス（triplet loss）といった類似性を学習する方法によりモデルを生成しても良い。また、抽出装置１００は、モデルを用いずに、特徴抽出を行ってもよい。例えば、抽出装置１００は、抽出装置１００の管理者等が設定して特徴（素性）に対応する情報をログデータから抽出し、ベクトルを生成してもよい。例えば、抽出装置１００は、エラーコードやエラーの発生箇所等の特徴（素性）に対応する情報をログデータから抽出し、ベクトルを生成してもよい。

また、例えば、抽出装置１００は、情報提供装置５０等の他の外部装置からモデルＭ１を取得してもよい。なお、抽出装置１００は、不具合情報記憶部１２１（図４参照）に記憶された各システムエラーのログデータＬＧ１、ＬＧ２、ＬＧ４５１等を入力として、モデルＭ１を生成してもよい。例えば、端末装置１０は、各システムエラー発生時に所定のサーバシステムのサーバ装置が出力したログデータＬＧ１、ＬＧ２、ＬＧ４５１等を入力として、モデルＭ１を生成してもよい。例えば、ログデータＬＧ１、ＬＧ２、ＬＧ４５１等は、サーバ装置が出力するエラーログであってもよい。例えば、ログデータＬＧ１、ＬＧ２、ＬＧ４５１等は、サーバ装置が出力するエラーメッセージであってもよい。また、例えば、ログデータＬＧ１、ＬＧ２、ＬＧ４５１等が、サーバ装置が出力するエラーメッセージである場合、抽出装置１００は、Ｗｏｒｄ２ＶｅｃやＤｏｃ２Ｖｅｃのようなアルゴリズム等を用いて、ベクトルを生成してもよい。例えば、抽出装置１００は、エラーメッセージであるログデータＬＧ１、ＬＧ２、ＬＧ４５１等から、Ｄｏｃ２Ｖｅｃを用いてベクトルを生成してもよい。

抽出装置１００は、不具合のログ情報（ログデータ）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ログ情報に対し、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、入力層に入力される情報と同様の情報を出力層から出力するモデルＭ１を生成してもよい。なお、抽出装置１００は、ベクトル生成に用いるモデルを情報提供装置５０等の他の外部装置から取得してもよい。

〔１－３．処理例〕
ここから、抽出装置１００は、ユーザから一のシステムエラーのログデータを取得し、一のシステムエラーに類似するシステムエラーに関する情報提供を行う場合を一例として説明する。図１の例では、端末装置１０は、所定のサーバシステムを管理者であるユーザＵ１が利用し、所定のサーバシステムのログデータを管理する。例えば、端末装置１０は、所定のサーバシステムのサーバ装置が出力するログを収集する。図１の例では、所定のサーバシステムにおいてシステムエラーＸが発生した場合を示す。

まず、システムエラーＸが発生したことを示すログデータを収集した端末装置１０は、システムエラーＸの発生時に対応するログデータＬＧ１１を抽出装置１００へ送信する。例えば、所定のサーバシステムを管理者であるユーザＵ１は、システムエラーＸの発生を確認した後、システムエラーＸの発生時に対応するログデータＬＧ１１を抽出装置１００へ送信するように端末装置１０を操作する。例えば、端末装置１０は、システムエラーＸ発生時に所定のサーバシステムのサーバ装置が出力したログデータＬＧ１１を抽出装置１００へ送信する。例えば、ログデータＬＧ１１等は、サーバ装置が出力するエラーログであってもよい。例えば、ログデータＬＧ１１等は、サーバ装置が出力するエラーメッセージであってもよい。

そして、抽出装置１００は、一の不具合事象に関する事象情報（ログデータ）を取得する（ステップＳ１１）。図１の例では、抽出装置１００は、端末装置１０からシステムエラーＸに関するログデータＬＧ１１を取得する。

そして、抽出装置１００は、一の不具合事象に対応するログデータからグラフ情報の探索に用いるベクトルを生成する。図１の例では、抽出装置１００は、処理群ＰＳ１１に示すような処理により、システムエラーＸに対応するベクトルを生成する。抽出装置１００は、システムエラーＸに関するログデータＬＧ１１をモデルＭ１に入力する（ステップＳ１２）。具体的には、抽出装置１００は、システムエラーＸ発生時に所定のサーバシステムのサーバ装置が出力したログデータＬＧ１１をモデルＭ１に入力する。そして、抽出装置１００は、ログデータＬＧ１１の入力後のモデルＭ１中の情報を用いて、ベクトルを生成する（ステップＳ１３）。例えば、抽出装置１００は、ログデータＬＧ１１が入力されたモデルＭ１中の各要素を用いて、ベクトルデータを生成する。

図１の例では、抽出装置１００は、ログデータＬＧ１１が入力されたモデルＭ１中の各要素の値を用いて、ベクトルデータＶＤ１１（単に「ベクトルＶＤ１１」ともいう）を生成する。例えば、抽出装置１００は、システムエラーＸのログデータＬＧ１１が入力された場合における、モデルＭ１のニューロンＮＬ１に対応する値ＶＥ１（図１０参照）やニューロンＮＬ２に対応する値ＶＥ２（図１０参照）を用いて、ベクトルを生成する。例えば、抽出装置１００は、システムエラーＸのログデータＬＧ１１が入力された場合に、算出されるニューロンＮＬ１に対応する値ＶＥ１をベクトルＶＤ１１の１次元目の要素として抽出してもよい。また、例えば、抽出装置１００は、不具合のログデータが入力された場合に、算出されるニューロンＮＬ２に対応する値ＶＥ２をベクトルＶＤ１１の２次元目の要素として、ベクトルＶＤ１１を生成する。図１の例では、抽出装置１００は、１次元目の要素が「３５」であり、２次元目の要素が「６３」であるようなベクトルＶＤ１１を生成する。

そして、抽出装置１００は、システムエラーＸに類似するシステムエラー（類似事象）を検索する（ステップＳ１４）。例えば、抽出装置１００は、非特許文献１に開示されるような近傍検索の技術等の種々の従来技術を適宜用いて、システムエラーＸの類似事象を検索してもよい。

図１の例では、抽出装置１００は、情報群ＩＮＦ１１に示すように、グラフ情報ＧＲ１１やインデックス情報ＩＮＤ１１を用いてシステムエラーＸの類似事象を検索する。例えば、抽出装置１００は、グラフ情報記憶部１２３（図６参照）からシステムエラーに関するグラフ情報ＧＲ１１を取得する。また、例えば、抽出装置１００は、インデックス情報記憶部１２２（図５参照）から、グラフ情報ＧＲ１１における検索の起点となるノード（以下、「起点ベクトル」ともいう）の決定に用いるインデックス情報ＩＮＤ１１を取得する。なお、インデックス情報ＩＮＤ１１は、抽出装置１００が生成してもよいし、抽出装置１００は、インデックス情報ＩＮＤ１１を情報提供装置５０等の他の外部装置から取得してもよい。

そして、抽出装置１００は、一の不具合（クエリ）に対応する起点ベクトルを決定（特定）するために、インデックス情報ＩＮＤ１１を用いる。図１の例では、抽出装置１００は、システムエラーＸのベクトルＶＤ１１に対応する起点ベクトルを決定（特定）するために、インデックス情報ＩＮＤ１１を用いる。すなわち、抽出装置１００は、ベクトルＶＤ１１とインデックス情報ＩＮＤ１１とを用いて、グラフ情報ＧＲ１１における起点ベクトルを決定する。

図１中のインデックス情報ＩＮＤ１１は、図５中のインデックス情報記憶部１２２に示す階層構造を有する。例えば、インデックス情報ＩＮＤ１１は、ルートＲＴの直下に位置する第１階層のノード（ベクトル）が、節点ＶＴ１、ＶＴ２等であることを示す。また、例えば、インデックス情報ＩＮＤ１１は、節点ＶＴ２の直下の第２階層のノードが、節点ＶＴ２－１～ＶＴ２－４（図示せず）であることを示す。また、例えば、インデックス情報ＩＮＤ１１は、節点ＶＴ２－２の直下の第３階層のノードが、ノードＮ３５、ノードＮ４５１、ノードＮ６９３、すなわちグラフ情報ＧＲ１１中のノード（ベクトル）であることを示す。

例えば、抽出装置１００は、図１中のインデックス情報ＩＮＤ１１に示すような木構造型のインデックス情報を用いて、グラフ情報ＧＲ１１における起点ベクトルを決定する（ステップＳ１５）。図１の例では、抽出装置１００は、ベクトルＶＤ１１を生成した後、インデックス情報ＩＮＤ１１を上から下へ辿ることにより、インデックス情報ＩＮＤ１１の近傍候補となる起点ベクトルを特定することにより、効率的に検索クエリ（一の不具合）に対応する起点ベクトルを決定することができる。

例えば、抽出装置１００は、インデックス情報ＩＮＤ１１をルートＲＴからリーフノード（グラフ情報ＧＲ１１中のノード（ベクトル））まで辿ることにより、ベクトルＶＤ１１に対応する起点ベクトルを決定してもよい。図１の例では、例えば、抽出装置１００は、インデックス情報ＩＮＤ１１をルートＲＴからノードＮ４５１まで辿ることにより、ノードＮ４５１を起点ベクトルとして決定する。例えば、抽出装置１００は、木構造に関する種々の従来技術を適宜用いて、インデックス情報ＩＮＤ１１をルートＲＴからリーフノードまで辿ることにより、辿りついたリーフノードを起点ベクトルとして決定してもよい。例えば、抽出装置１００は、ベクトルＶＤ１１との類似度に基づいて、インデックス情報ＩＮＤ１１を下へ辿ることにより、起点ベクトルを決定してもよい。例えば、抽出装置１００は、ルートＲＴから節点ＶＴ１、ＶＴ２等のいずれの節点に辿るかを、ベクトルＶＤ１１と節点ＶＴ１、ＶＴ２との類似度に基づいて決定してもよい。例えば、抽出装置１００は、ルートＲＴから節点ＶＴ１、ＶＴ２等のうち、ベクトルＶＤ１１との類似度が最も高い節点ＶＴ２へ辿ると決定してもよい。また、例えば、抽出装置１００は、節点ＶＴ２から節点ＶＴ２－１～ＶＴ２－４等のうち、ベクトルＶＤ１１との類似度が最も高い節点ＶＴ２－２へ辿ると決定してもよい。また、例えば、抽出装置１００は、節点ＶＴ２－２からノードＮ３５、Ｎ４５１、Ｎ６９３等のうち、ベクトルＶＤ１１との類似度が最も高い節点ノードＮ４５１へ辿ると決定してもよい。なお、図１の例では、説明を簡単にするために、起点ベクトルを１つ決定する場合を示すが、抽出装置１００は、複数個の起点ベクトルを決定してもよい。例えば、抽出装置１００は、ノードＮ４５１、Ｎ３５、Ｎ６９３、Ｎ２等の複数個のベクトル（ノード）を起点ベクトルとして決定してもよい。なお、インデックス情報ＩＮＤ１１を用いずに、検索開始時にグラフ情報ＧＲ１１からランダムに１つ以上のノードを選択し、それを起点ベクトルとしてもよいし、または、予め指定された１つ以上のノードを起点ベクトルとしても良い。

そして、抽出装置１００は、グラフ情報ＧＲ１１を検索することにより、システムエラーＸの類似事象を抽出する（ステップＳ１６）。例えば、抽出装置１００は、ノードＮ４５１の近傍に位置するノードを類似事象として抽出する。例えば、抽出装置１００は、ノードＮ４５１からの距離が近いノードを類似事象として抽出する。例えば、抽出装置１００は、ノードＮ４５１を起点として、エッジを辿ることにより、ノードＮ４５１から到達可能なノードを類似事象として抽出する。例えば、抽出装置１００は、所定数（例えば、２個や１０個等）のノードを類似事象として抽出する。例えば、抽出装置１００は、図１１に示すような検索処理により、システムエラーＸの類似事象を抽出してもよいが、詳細は後述する。図１の例では、抽出装置１００は、ノードＮ４５１を起点として、グラフ情報ＧＲ１１を探索することにより、ノードＮ４５１やノードＮ３５を類似事象として抽出する。

そして、抽出装置１００は、抽出した類似事象に関する情報を提供する（ステップＳ１７）。図１の例では、抽出装置１００は、ノードＮ４５１に対応するシステムエラー＃４５１や、ノードＮ３５に対応するシステムエラー＃３５をシステムエラーＸに類似する事象としてユーザＵ１が利用する端末装置１０に提供する。

上述したように、抽出装置１００は、グラフ情報ＧＲ１１やインデックス情報ＩＮＤ１１を用いて、ユーザＵ１から取得したシステムエラーＸの類似事象を抽出する。例えば、抽出装置１００は、インデックス情報ＩＮＤ１１を用いて、システムエラーＸの類似事象を抽出する際のグラフ情報ＧＲ１１における起点ベクトルを決定する。そして、抽出装置１００は、決定した起点ベクトルを起点としてグラフ情報ＧＲ１１を探索することにより、システムエラーＸの類似事象を抽出する。これにより、抽出装置１００は、類似の不具合事象を適切に抽出することができる。例えば、ディープラーニングといった手法で、不具合を識別するという方法もあるが、多種多様な不具合が存在する場合においては、各不具合の事例が少ないので、学習ができずに識別精度を向上させることが難しいという問題がある。例えば、ディープラーニングといった学習手法で生成したモデルを用いて、そのモデルに不具合の情報を入力し、出力されたスコアから不具合を識別するという方法もあるが、多種多様な不具合が存在する場合においては、各不具合の事例が少ないため、モデルの精度を向上させることが難しく、不具合の識別精度を向上させることが難しい。一方で、抽出装置１００は、各不具合から抽出した特徴を基に生成した複数のベクトルのグラフ構造化したグラフ情報を用いて検索を行うことにより、発生した不具合に類似する類似事象を適切に抽出することができる。そのため、抽出装置１００は、発生した不具合がどのような不具合に該当するかを精度よく識別することができる。

〔１－４．不具合〕
図１の例では、不具合の一例として、サーバシステムのシステムエラーを示したが、不具合は、システムエラーに限らず、種々の不具合であってもよい。例えば、抽出装置１００は、不具合として、道路交通や災害を対象として、類似事象を抽出してもよい。また、例えば、抽出装置１００は、災害時の通信、例えば、注意報等の不具合を示す通知等を対象として、類似事象を抽出してもよい。

例えば、抽出装置１００は、道路交通を対象として、類似情報を抽出する場合、各道路交通に関する事故等の各事象が発生した際の天候や道路状況や急ブレーキ等の操作等の種々の情報を特徴として用いてもよい。例えば、抽出装置１００は、交通事故等の各事象の発生時における道路交通の状況等を示すログデータから生成されるベクトルデータをグラフ構造化したグラフ情報を用いて、類似事象を抽出してもよい。例えば、抽出装置１００は、グラフ情報ＧＲ１１と同様に、道路交通のモデルＭ２を用いて生成されたベクトルをグラフ構造化したグラフ情報を用いて、類似事象を抽出してもよい。例えば、抽出装置１００は、各道路交通の事象をノードが類似性に応じてエッジにより連結されたグラフ情報（以下、グラフ情報ＧＲ２１とする）を用いて、類似事象を抽出してもよい。

例えば、抽出装置１００は、一の道路交通の事象（交通事故Ｙ）に関するログデータを取得した場合、その交通事故Ｙに類似する事象の情報をグラフ情報ＧＲ２１から抽出してもよい。例えば、抽出装置１００は、交通事故Ｙに関する事象情報（ログデータＹＬＤ）を取得する。例えば、抽出装置１００は、グラフ情報記憶部１２３から道路交通に関するグラフ情報ＧＲ２１（図示せず）を取得する。そして、抽出装置１００は、モデル情報記憶部１２４に記憶されたモデルＭ２を用いて、ログデータＹＬＧからベクトルＹＶＤを生成する。

そして、抽出装置１００は、生成したベクトルＹＶＤとインデックス情報を用いて起点ベクトルをノードＹＮＤに決定する。そして、抽出装置１００は、起点ベクトルであるノードＹＮＤを起点としてグラフ情報ＧＲ２１を検索することにより、交通事故Ｙの類似事象を抽出する。例えば、抽出装置１００は、ノードＹＮＤを起点として、グラフ情報ＧＲ２１を探索することにより、所定数（例えば５個など）のノードを類似事象として抽出する。

そして、抽出装置１００は、抽出した類似事象に関する情報を提供する。例えば、抽出装置１００は、類似事象として抽出されたノードに対応する交通事故ＹＡや交通事故ＹＢ等を交通事故Ｙに類似する事象としてユーザＵ１が利用する端末装置１０に提供する。

〔１－５．インデックス情報〕
図１の例に示すインデックス情報（インデックスデータ）は一例であり、抽出装置１００は、種々のインデックス情報を用いて、グラフ情報を検索してもよい。また、例えば、抽出装置１００は、検索時に用いるインデックスデータを生成してもよい。例えば、抽出装置１００は、高次元ベクトルを検索する検索インデックスをインデックスデータとして生成する。ここでいう高次元ベクトルとは、例えば、数百次元から数千次元のベクトルであってもよいし、それ以上の次元のベクトルであってもよい。

例えば、抽出装置１００は、図１に示すようなツリー構造（木構造）に関する検索インデックスをインデックスデータとして生成してもよい。例えば、抽出装置１００は、ｋｄ木（k-dimensional tree）に関する検索インデックスをインデックスデータとして生成してもよい。例えば、抽出装置１００は、ＶＰ木（Vantage-Point tree）に関する検索インデックスをインデックスデータとして生成してもよい。

また、例えば、抽出装置１００は、その他の木構造を有するインデックスデータとして生成してもよい。例えば、抽出装置１００は、木構造のインデックスデータのリーフがグラフデータに接続する種々のインデックスデータを生成してもよい。例えば、抽出装置１００は、木構造のインデックスデータのリーフがグラフデータ中のノードに対応する種々のインデックスデータを生成してもよい。また、抽出装置１００は、このようなインデックスデータを用いて検索を行う場合、インデックスデータを辿って到達したリーフ（ノード）からグラフデータを探索してもよい。

なお、上述したようなインデックスデータは一例であり、抽出装置１００は、グラフデータ中のクエリを高速に特定することが可能であれば、どのようなデータ構造のインデックスデータを生成してもよい。例えば、抽出装置１００は、クエリに対応するグラフ情報中のノードを高速に特定することが可能であれば、バイナリ空間分割に関する技術等の種々の従来技術を適宜用いて、インデックスデータを生成してもよい。例えば、抽出装置１００は、高次元ベクトルの検索に対応可能なインデックスであれば、どのようなデータ構造のインデックスデータを生成してもよい。例えば、抽出装置１００は、非特許文献１に記載されるようなグラフ型の検索インデックスに関する情報をインデックス情報として用いてもよい。抽出装置１００は、上述のようなインデックスデータとグラフデータとを用いることにより、所定の対象に関するより効率的な検索を可能にすることができる。

〔２．抽出システムの構成〕
図２に示すように、抽出システム１は、端末装置１０と、情報提供装置５０と、抽出装置１００とが含まれる。端末装置１０と、情報提供装置５０と、抽出装置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２は、実施形態に係る抽出システムの構成例を示す図である。なお、図２に示した抽出システム１には、複数台の端末装置１０や、複数台の情報提供装置５０や、複数台の抽出装置１００が含まれてもよい。

端末装置１０は、ユーザによって利用される情報処理装置である。端末装置１０は、ユーザによる種々の操作を受け付ける。なお、以下では、端末装置１０をユーザと表記する場合がある。すなわち、以下では、ユーザを端末装置１０と読み替えることもできる。なお、上述した端末装置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。例えば、端末装置１０は、所定のサーバシステムを管理者が利用する情報処理装置であってもよい。例えば、端末装置１０は、所定のサーバシステムのログデータを管理し、サーバシステムにシステムエラーが発生した場合、システムエラー発生時に対応するログデータを抽出装置１００へ送信する。

抽出装置１００は、起点ベクトルを起点としてグラフ情報を検索することにより、複数の不具合事象のうち、一の不具合事象に類似する事象である類似事象を抽出する情報処理装置である。例えば、抽出装置１００は、一の不具合事象に関する事象情報を取得し、事象情報と、グラフ情報の検索の起点となる起点ベクトルに関する情報と基づいて、起点ベクトルを決定する。

抽出装置１００は、ユーザ等に種々の情報提供を行うための情報が格納された情報処理装置である。例えば、抽出装置１００は、端末装置１０から一の不具合のログデータ（以下、「クエリ情報」や「クエリ」ともいう）を取得すると、クエリに類似する不具合（ベクトル情報等）を検索し、検索結果を端末装置１０に提供する。図１の例では、抽出装置１００は、端末装置１０から一のシステムエラーのログデータを取得すると、一のシステムエラーに類似するシステムエラーを検索し、検索結果を類似のシステムエラーとして端末装置１０に提供する。また、例えば、抽出装置１００が端末装置１０に提供するデータは、システムエラーの名称やシステムエラーのログデータ自体であってもよいし、ＵＲＬ（Uniform Resource Locator）等の対応するデータを参照するための情報であってもよい。

情報提供装置５０は、抽出装置１００に種々の情報提供を行うための情報が格納された情報処理装置である。例えば、情報提供装置５０は、ウェブサーバ等の種々の外部装置から収集した不具合情報等が格納されてもよい。例えば、情報提供装置５０は、グラフ情報やインデックス情報やモデル等の種々の情報を抽出装置１００に提供する情報処理装置である。

〔３．抽出装置の構成〕
次に、図３を用いて、実施形態に係る抽出装置１００の構成について説明する。図３は、実施形態に係る抽出装置の構成例を示す図である。図３に示すように、抽出装置１００は、通信部１１０と、記憶部１２０と、制御部１３０とを有する。なお、抽出装置１００は、抽出装置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（例えば図２中のネットワークＮ）と有線または無線で接続され、端末装置１０や情報提供装置５０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３に示すように、不具合情報記憶部１２１と、インデックス情報記憶部１２２と、グラフ情報記憶部１２３と、モデル情報記憶部１２４とを有する。

（不具合情報記憶部１２１）
実施形態に係る不具合情報記憶部１２１は、不具合事象（オブジェクト）に関する各種情報を記憶する。例えば、不具合情報記憶部１２１は、不具合ＩＤやベクトルデータを記憶する。図４は、実施形態に係る不具合情報記憶部の一例を示す図である。図４に示す不具合情報記憶部１２１は、「不具合ＩＤ」、「事象」、「ログデータ」、「ベクトル情報」といった項目が含まれる。

「不具合ＩＤ」は、不具合事象（オブジェクト）を識別するための識別情報を示す。また、「事象」は、不具合ＩＤにより識別される不具合事象の具体的な名称や内容等を示す。なお、図４の例では、事象を「システムエラー＃１」といった抽象的な符号で示すが、各事象は、どのような不具合（システムエラー）であるかを示す情報やどのように解決されたかを示す情報等が含まれてもよい。

「ログデータ」は、不具合ＩＤにより識別される不具合事象の発生時に取得されたログを示す。なお、図４の例では、ログデータを「ＬＧ１」といった抽象的な符号で示すが、各ログデータは、サーバ等が出力したエラーログやエラーログから抽出された各要素を示す情報等が含まれてもよい。「ベクトル情報」とは、不具合ＩＤにより識別される不具合事象（オブジェクト）に対応するベクトル情報を示す。すなわち、図４の例では、不具合事象（オブジェクト）を識別する不具合ＩＤに対して、オブジェクトに対応するベクトルデータ（ベクトル情報）が対応付けられて登録されている。

例えば、図４の例では、不具合ＩＤ「ＤＦ１」により識別される不具合事象（オブジェクト）は、「１０，２４，５４，２．．．」の多次元（Ｎ次元）のベクトル情報が対応付けられることを示す。例えば、システムエラー＃１については、モデルＭ１等により、システムエラー＃１（不具合）の特徴を示す「１０，２４，５４，２．．．」の多次元（Ｎ次元）のベクトル情報がログデータＬＧ１から抽出されたことを示す。

なお、不具合情報記憶部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。

（インデックス情報記憶部１２２）
実施形態に係るインデックス情報記憶部１２２は、インデックスに関する各種情報を記憶する。図５は、実施形態に係るインデックス情報記憶部の一例を示す図である。具体的には、図５の例では、インデックス情報記憶部１２２は、ツリー構造のインデックス情報を示す。図５の例では、インデックス情報記憶部１２２は、「ルート階層」、「第１階層」、「第２階層」、「第３階層」等といった項目が含まれる。なお、「第１階層」～「第３階層」に限らず、インデックスの階層数に応じて、「第４階層」、「第５階層」、「第６階層」等が含まれてもよい。

「ルート階層」は、インデックスを用いた起点ノードの決定の開始点となるルート（最上位）の階層を示す。「第１階層」は、インデックスの第１階層に属するノード（節点またはグラフ情報中のベクトル）を識別（特定）する情報が格納される。「第１階層」に格納されるノードは、インデックスの根（ルート）に直接結ばれる階層に対応するノードとなる。

「第２階層」は、インデックスの第２階層に属するノード（節点またはグラフ情報中のベクトル）を識別（特定）する情報が格納される。「第２階層」に格納されるノードは、第１階層のノードに結ばれる直下の階層に対応するノードとなる。「第３階層」は、インデックスの第３階層に属するノード（節点またはグラフ情報中のベクトル）を識別（特定）する情報が格納される。「第３階層」に格納されるノードは、第２階層のノードに結ばれる直下の階層に対応するノードとなる。

例えば、図５に示す例においては、インデックス情報記憶部１２２には、図１中のインデックス情報ＩＮＤ１１に対応する情報が記憶される。例えば、インデックス情報記憶部１２２は、第１階層のノードが、節点ＶＴ１～ＶＴ３等であることを示す。また、各節点の下の括弧内の数値は、各節点に対応するベクトルの値を示す。

また、例えば、インデックス情報記憶部１２２は、節点ＶＴ２の直下の第２階層のノードが、節点ＶＴ２－１～ＶＴ２－４であることを示す。また、例えば、インデックス情報記憶部１２２は、節点ＶＴ２－２の直下の第３階層のノードが、ノードＮ３５、ノードＮ４５１、ノードＮ６９３のグラフ情報ＧＲ１１中のノード（ベクトル）であることを示す。

なお、インデックス情報記憶部１２２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。

（グラフ情報記憶部１２３）
実施形態に係るグラフ情報記憶部１２３は、グラフ情報に関する各種情報を記憶する。図６は、実施形態に係るグラフ情報記憶部の一例を示す図である。図６の例では、グラフ情報記憶部１２３は、「ノードＩＤ」、「不具合ＩＤ」、および「エッジ情報」といった項目を有する。また、「エッジ情報」には、「エッジＩＤ」や「参照先」といった情報が含まれる。

「ノードＩＤ」は、グラフデータにおける各ノード（対象）を識別するための識別情報を示す。また、「不具合ＩＤ」は、不具合事象（オブジェクト）を識別するための識別情報を示す。

また、「エッジ情報」は、対応するノードに接続されるエッジに関する情報を示す。図６の例では、「エッジ情報」は、エッジが有向エッジである場合を示し、対応するノードから出力される出力エッジに関する情報を示す。また、「エッジＩＤ」は、ノード間を連結するエッジを識別するための識別情報を示す。また、「参照先」は、エッジにより連結された参照先（ノード）を示す情報を示す。すなわち、図６の例では、ノードを識別するノードＩＤに対して、そのノードに対応するオブジェクト（対象）を識別する情報やそのノードからの有向エッジ（出力エッジ）が連結される参照先（ノード）が対応付けられて登録されている。

例えば、図６の例では、ノードＩＤ「Ｎ１」により識別されるノード（ベクトル）は、不具合ＩＤ「ＤＦ１」により識別される不具合事象（オブジェクト）に対応することを示す。また、ノードＩＤ「Ｎ１」により識別されるノードからは、エッジＩＤ「Ｅ１１」により識別されるエッジが、ノードＩＤ「Ｎ２５」により識別されるノード（ベクトル）に連結されることを示す。すなわち、図６の例では、ノードＩＤ「Ｎ１」により識別されるノード（ベクトル）からはノードＩＤ「Ｎ２５」により識別されるノード（ベクトル）に辿ることができることを示す。

なお、グラフ情報記憶部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。例えば、グラフ情報記憶部１２３は、各ノード（ベクトル）間を連結するエッジの長さが記憶されてもよい。すなわち、グラフ情報記憶部１２３は、各ノード（ベクトル）間の距離を示す情報が記憶されてもよい。

（モデル情報記憶部１２４）
実施形態に係るモデル情報記憶部１２４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１２４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７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に示すモデル情報記憶部１２４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７では、モデルＭ１、Ｍ２のみを図示するが、Ｍ２１、Ｍ２２等、各用途（予測の対象）に応じて多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「Ｍ１」により識別されるモデルは、図１の例に示したモデルＭ１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７に示す例において、モデルＩＤ「Ｍ１」により識別されるモデル（モデルＭ１）は、用途が「特徴抽出（システムエラー）」であり、入力されたシステムエラーのログ情報からの特徴の抽出に用いられることを示す。また、モデルＭ１のモデルデータは、モデルデータＭＤＴ１であることを示す。

モデルＭ１（モデルデータＭＤＴ１）は、不具合のログ情報（ログデータ）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ログ情報に対し、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、入力層に入力される情報と同様の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。

また、モデルＭ１、Ｍ２等がＤＮＮ（Deep Neural Network）等、１つまたは複数の中間層を有するニューラルネットワークで実現されるとする。この場合、例えば、モデルＭ１、Ｍ２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。

ここで、モデルＭ２１、Ｍ２２等が「ｙ＝ａ１＊ｘ１＋ａ２＊ｘ２＋・・・＋ａｉ＊ｘｉ」で示す回帰モデルで実現されるとする。この場合、例えば、モデルＭ２１、Ｍ２２が含む第１要素は、ｘ１やｘ２等といった入力データ（ｘｉ）に対応する。また、第１要素の重みは、ｘｉに対応する係数ａｉに対応する。ここで、回帰モデルは、入力層と出力層とを有する単純パーセプトロンと見做すことができる。各モデルを単純パーセプトロンと見做した場合、第１要素は、入力層が有するいずれかのノードに対応し、第２要素は、出力層が有するノードと見做すことができる。

なお、モデル情報記憶部１２４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。

（制御部１３０）
図３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、抽出装置１００内部の記憶装置に記憶されている各種プログラム（抽出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１２４に記憶されているモデルＭ１、Ｍ２等に従った情報処理により、不具合のログ情報（ログデータ）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ログ情報に対し、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、入力層に入力される情報と同様の情報を出力層から出力する。

図３に示すように、制御部１３０は、取得部１３１と、生成部１３２と、決定部１３３と、抽出部１３４と、提供部１３５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３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。

（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、記憶部１２０から各種情報を取得する。例えば、取得部１３１は、不具合情報記憶部１２１や、インデックス情報記憶部１２２や、グラフ情報記憶部１２３や、モデル情報記憶部１２４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する。取得部１３１は、端末装置１０や情報提供装置５０から各種情報を取得する。

取得部１３１は、複数の不具合事象の各々に対応する複数のベクトルが類似性に応じて連結されたグラフ情報と、一の不具合事象に関する事象情報を取得する。また、取得部１３１は、複数の不具合事象の各々の特徴を示す複数のベクトルが類似性に応じて連結されたグラフ情報を取得する。また、取得部１３１は、所定のモデルを用いて複数の不具合事象の各々から抽出された特徴量を要素とする複数のベクトルが、類似性に応じて連結されたグラフ情報を取得する。

また、取得部１３１は、複数の不具合事象に関する情報を所定のモデルに入力することにより、抽出される複数の不具合事象の各々の特徴量を要素とする複数のベクトルが、類似性に応じて連結されたグラフ情報を取得する。また、取得部１３１は、災害における複数の不具合事象の各々に対応する複数のベクトルが類似性に応じて連結されたグラフ情報を取得する。

また、取得部１３１は、サーバシステムにおける複数の不具合事象の各々に対応する複数のベクトルが類似性に応じて連結されたグラフ情報を取得する。また、取得部１３１は、道路交通における複数の不具合事象の各々に対応する複数のベクトルが類似性に応じて連結されたグラフ情報を取得する。

例えば、取得部１３１は、データ検索の対象となる複数のノード（ベクトル）を取得する。例えば、取得部１３１は、複数のノードと、複数のノードの各々を連結する複数の有向エッジを含む有向エッジ群を取得する。

例えば、取得部１３１は、外部の情報処理装置からグラフ情報（グラフデータ）を取得する。例えば、取得部１３１は、グラフ情報記憶部１２３からグラフ情報を取得する。例えば、取得部１３１は、グラフ情報を取得する。図１の例では、取得部１３１は、グラフ情報ＧＲ１１を取得する。

例えば、取得部１３１は、外部の情報処理装置からインデックス情報（インデックスデータ）を取得する。例えば、取得部１３１は、インデックス情報記憶部１２２からインデックス情報を取得する。例えば、取得部１３１は、木構造型のインデックス情報を取得する。図１の例では、取得部１３１は、インデックス情報ＩＮＤ１１を取得する。

また、取得部１３１は、ユーザが利用する端末装置１０から一の不具合事象に関する事象情報を取得する。例えば、取得部１３１は、検索クエリとして、一の不具合事象のログデータを取得する。例えば、取得部１３１は、不具合に関する検索クエリを取得する。取得部１３１は、ユーザＵ１が利用する端末装置１０からシステムエラーＸに関するログデータＬＧ１１を取得する。

例えば、取得部１３１は、一の不具合事象に関する事象情報（ログデータ）を取得する。例えば、取得部１３１は、端末装置１０からシステムエラーＸに関するログデータＬＧ１１を取得する。例えば、取得部１３１は、グラフ情報記憶部１２３からシステムエラーに関するグラフ情報ＧＲ１１を取得する。また、例えば、取得部１３１は、インデックス情報記憶部１２２（図５参照）から、グラフ情報ＧＲ１１における検索の起点となるノード（起点ベクトル）の決定に用いるインデックス情報ＩＮＤ１１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、不具合情報記憶部１２１に記憶された学習データ（ログ情報）を用いて、モデル情報記憶部１２４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、入力したログ情報と同様の情報を出力するモデル（オートエンコーダ）を生成する。例えば、生成部１３２は、入力するログ情報自体を正解情報として、入力したログ情報と同様の情報を出力するモデル（オートエンコーダ）を生成する。

例えば、生成部１３２は、モデルＭ１等を生成し、生成したモデルＭ１等をモデル情報記憶部１２４に格納する。なお、生成部１３２は、いかなる学習アルゴリズムを用いてモデルＭ１を生成してもよい。例えば、生成部１３２は、ニューラルネットワーク（neural network）等の学習アルゴリズムを用いてモデルＭ１を生成する。一例として、生成部１３２がニューラルネットワークを用いてモデルＭ１等を生成する場合、モデルＭ１等は、一以上のニューロンを含む入力層と、一以上のニューロンを含む中間層と、一以上のニューロンを含む出力層とを有する。

生成部１３２は、不具合のログ情報（ログデータ）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ログ情報に対し、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、入力層に入力される情報と同様の情報を出力層から出力するモデルを生成する。

例えば、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、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、不具合情報記憶部１２１中のログデータＬＧ１、ＬＧ２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。

例えば、生成部１３２は、ログデータＬＧ１が入力された場合に、モデルＭ１がログデータＬＧ１と同様の情報を出力するように、学習処理を行う。例えば、生成部１３２は、ログデータＬＧ２が入力された場合に、モデルＭ１がログデータＬＧ２と同様の情報を出力するように、学習処理を行う。

なお、生成部１３２は、オートエンコーダとしてのＭ１に限らず、種々の学習アルゴリズムを用いてシステムエラーに対応するモデルＭ２１や道路交通に対応するＭ２２等を生成してもよい。例えば、生成部１３２は、ニューラルネットワーク（neural network）、サポートベクターマシン（ＳＶＭ）、クラスタリング、強化学習等の学習アルゴリズムを用いてモデルＭ２１、Ｍ２２等を生成する。一例として、生成部１３２がニューラルネットワークを用いてモデルＭ２１、Ｍ２２等を生成する場合、モデルＭ２１、Ｍ２２等は、一以上のニューロンを含む入力層と、一以上のニューロンを含む中間層と、一以上のニューロンを含む出力層とを有する。

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１２４に格納する。具体的には、生成部１３２は、不具合のログ情報（ログデータ）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ログ情報に対し、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、不具合の発生の予測に用いられるスコアの値を出力層から出力するモデルを生成する。例えば、生成部１３２は、システムエラーのログ情報（ログデータ）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ログ情報に対し、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、システムエラーの発生の予測に用いられるスコアの値を出力層から出力するモデルＭ２１を生成する。例えば、生成部１３２は、システムエラーが発生した際のログ情報が入力された場合に、スコア「１」を出力するようにモデルＭ２１を生成する。例えば、生成部１３２は、システムエラーが発生しなかった際のログ情報が入力された場合に、スコア「０」を出力するようにモデルＭ２１を生成する。なお、抽出装置１００は、情報提供装置５０等の他の外部装置からモデルを取得する場合、生成部１３２を有しなくてもよい。

図１の例では、生成部１３２は、ログデータの特徴を抽出するモデルを用いて各システムエラーのログデータからＮ次元ベクトルを生成する。生成部１３２は、モデル情報記憶部１２４（図７）に示すモデルＭ１を用いて、各システムエラーのログデータからベクトルを生成する。

また、生成部１３２は、一の不具合事象に対応するログデータからグラフ情報の探索に用いるベクトルを生成する。図１の例では、生成部１３２は、処理群ＰＳ１１に示すような処理により、システムエラーＸに対応するベクトルを生成する。生成部１３２は、システムエラーＸに関するログデータＬＧ１１をモデルＭ１に入力する。具体的には、生成部１３２は、システムエラーＸ発生時に所定のサーバシステムのサーバ装置が出力したログデータＬＧ１１をモデルＭ１に入力する。そして、生成部１３２は、ログデータＬＧ１１の入力後のモデルＭ１中の情報を用いて、ベクトルを生成する。例えば、生成部１３２は、ログデータＬＧ１１が入力されたモデルＭ１中の各要素を用いて、ベクトルデータを生成する。

図１の例では、生成部１３２は、ログデータＬＧ１１が入力されたモデルＭ１中の各要素の値を用いて、ベクトルＶＤ１１を生成する。例えば、生成部１３２は、システムエラーＸのログデータＬＧ１１が入力された場合における、モデルＭ１のニューロンＮＬ１に対応する値ＶＥ１（図１０参照）やニューロンＮＬ２に対応する値ＶＥ２（図１０参照）を用いて、ベクトルを生成する。例えば、生成部１３２は、システムエラーＸのログデータＬＧ１１が入力された場合に、算出されるニューロンＮＬ１に対応する値ＶＥ１をベクトルＶＤ１１の１次元目の要素として抽出してもよい。また、例えば、生成部１３２は、不具合のログデータが入力された場合に、算出されるニューロンＮＬ２に対応する値ＶＥ２をベクトルＶＤ１１の２次元目の要素として、ベクトルＶＤ１１を生成する。図１の例では、生成部１３２は、１次元目の要素が「３５」であり、２次元目の要素が「６３」であるようなベクトルＶＤ１１を生成する。

例えば、生成部１３２は、モデルＭ２１を用いて各システムエラーのログデータからＮ次元ベクトルを生成してもよい。例えば、生成部１３２は、システムエラーに対応するログデータをモデルＭ２１に入力し、各システムエラーのログデータからベクトルを生成する。例えば、生成部１３２は、モデルＭ２１に不具合のログデータを入力することにより、モデルＭ２１中の各要素（ニューロン）の値を演算し、入力したログデータに対応するスコアを出力する。例えば、生成部１３２は、モデルＭ２１の中間層の各要素（ニューロン）の値を特徴量として抽出し、各システムエラーに対応するＮ次元のベクトルデータを生成してもよい。

（決定部１３３）
決定部１３３は、各種情報を決定する。例えば、決定部１３３は、取得部１３１により取得された事象情報と、グラフ情報の検索の起点となる起点ベクトルに関する情報と基づいて、起点ベクトルを決定する。また、決定部１３３は、起点ベクトルの決定に用いるインデックス情報に基づいて、起点ベクトルを決定する。また、決定部１３３は、木構造型のインデックス情報に基づいて、起点ベクトルを決定する。

図１の例では、決定部１３３は、一の不具合（クエリ）に対応する起点ベクトルを決定（特定）するために、インデックス情報ＩＮＤ１１を用いる。例えば、決定部１３３は、システムエラーＸのベクトルＶＤ１１に対応する起点ベクトルを決定（特定）するために、インデックス情報ＩＮＤ１１を用いる。決定部１３３は、ベクトルＶＤ１１とインデックス情報ＩＮＤ１１とを用いて、グラフ情報ＧＲ１１における起点ベクトルを決定する。

例えば、決定部１３３は、図１中のインデックス情報ＩＮＤ１１に示すような木構造型のインデックス情報を用いて、グラフ情報ＧＲ１１における起点ベクトルを決定する。図１の例では、決定部１３３は、ベクトルＶＤ１１を生成した後、インデックス情報ＩＮＤ１１を上から下へ辿ることにより、インデックス情報ＩＮＤ１１の近傍候補となる起点ベクトルを特定することにより、効率的に検索クエリ（一の不具合）に対応する起点ベクトルを決定する。

例えば、決定部１３３は、インデックス情報ＩＮＤ１１をルートＲＴからリーフノード（グラフ情報ＧＲ１１中のノード（ベクトル））まで辿ることにより、ベクトルＶＤ１１に対応する起点ベクトルを決定する。図１の例では、決定部１３３は、インデックス情報ＩＮＤ１１をルートＲＴからノードＮ４５１まで辿ることにより、ノードＮ４５１を起点ベクトルとして決定する。

（抽出部１３４）
抽出部１３４は、各種情報を抽出する。抽出部１３４は、取得部１３１により取得されたグラフ情報の複数のベクトルのうち、所定の基準に基づいて決定されたグラフ情報の検索の起点となる起点ベクトルを起点としてグラフ情報を検索することにより、複数の不具合事象のうち、一の不具合事象に類似する事象である類似事象を抽出する。例えば、抽出部１３４は、決定部１３２により決定された起点ベクトルを起点としてグラフ情報を検索することにより、複数の不具合事象のうち、一の不具合事象に類似する事象である類似事象を抽出する。例えば、抽出部１３４は、グラフ情報記憶部１２３に記憶された各ノード（ベクトル）間を連結するエッジの長さ（距離）の情報を用いてもよいし、各ノードのベクトル情報から各ノード（ベクトル）間を連結するエッジの長さ（距離）の情報を算出し、算出した長さ（距離）の情報を用いてもよい。

図１の例では、抽出部１３４は、システムエラーＸに類似するシステムエラーを検索する。例えば、抽出部１３４は、グラフ情報ＧＲ１１を検索することにより、システムエラーＸの類似事象を抽出する。抽出部１３４は、ノードＮ４５１の近傍に位置するノードを類似事象として抽出する。例えば、抽出部１３４は、ノードＮ４５１からの距離が近いノードを類似事象として抽出する。例えば、抽出部１３４は、ノードＮ４５１を起点として、エッジを辿ることにより、ノードＮ４５１から到達可能なノードを類似事象として抽出する。例えば、抽出部１３４は、所定数（例えば、２個や１０個等）のノードを類似事象として抽出する。例えば、抽出部１３４は、図１１に示すような検索処理により、システムエラーＸの類似事象を抽出する。図１の例では、抽出部１３４は、ノードＮ４５１を起点として、グラフ情報ＧＲ１１を探索することにより、ノードＮ４５１やノードＮ３５を類似事象として抽出する。

（提供部１３５）
提供部１３５は、各種情報を提供する。例えば、提供部１３５は、端末装置１０や情報提供装置５０に各種情報を送信する。例えば、提供部１３５は、端末装置１０や情報提供装置５０に各種情報を配信する。例えば、提供部１３５は、端末装置１０や情報提供装置５０に各種情報を提供する。提供部１３５は、抽出部１３４により抽出された類似事象に基づいて、所定のサービスを提供する。また、提供部１３５は、類似事象に関する情報提供サービスを提供する。提供部１３５は、端末装置１０に類似事象に関する情報を提供する。

例えば、提供部１３５は、クエリに対応するオブジェクトＩＤを検索結果として提供する。例えば、提供部１３５は、抽出部１３４により選択されたオブジェクトＩＤを情報提供装置５０へ提供する。提供部１３５は、抽出部１３４により選択されたオブジェクトＩＤをクエリに対応するベクトルを示す情報として情報提供装置５０に提供する。また、提供部１３５は、生成部１３２により生成されたモデルを外部の情報処理装置へ提供してもよい。

図１の例では、提供部１３５は、抽出部１３４により抽出された類似事象に関する情報を提供する。例えば、提供部１３５は、ノードＮ４５１に対応するシステムエラー＃４５１や、ノードＮ３５に対応するシステムエラー＃３５をシステムエラーＸに類似する事象としてユーザＵ１が利用する端末装置１０に提供する。例えば、提供部１３５は、ノードＮ４５１に対応するシステムエラー＃４５１や、ノードＮ３５に対応するシステムエラー＃３５をシステムエラーＸに類似する事象としてユーザＵ１が利用する端末装置１０に配信（送信）する。

〔４．抽出処理のフロー〕
次に、図８を用いて、実施形態に係る抽出システム１による抽出処理の手順について説明する。図８は、実施形態に係る抽出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、抽出装置１００は、一の不具合事象に関する事象情報（ログデータ）を取得する（ステップＳ１０１）。図１の例では、抽出装置１００は、端末装置１０からシステムエラーＸに関するログデータＬＧ１１を取得する。

抽出装置１００は、不具合事象に関するグラフ情報を取得する（ステップＳ１０２）。例えば、抽出装置１００は、グラフ情報記憶部１２３から不具合事象に関するグラフ情報ＧＲ１１を取得する。

そして、抽出装置１００は、モデルを用いて一の不具合事象に関するログデータからベクトルを生成する（ステップＳ１０３）。図１の例では、抽出装置１００は、モデル情報記憶部１２４に記憶されたモデルＭ１を用いて、ログデータＬＧ１１からベクトルＶＤ１１を生成する。

そして、抽出装置１００は、生成したベクトルとインデックス情報を用いて起点ベクトルを決定する（ステップＳ１０４）。図１の例では、抽出装置１００は、ベクトルＶＤ１１と、インデックス情報記憶部１２２に記憶されたインデックス情報ＩＮＤ１１とを用いて、起点ベクトルをノードＮ４５１に決定する。

そして、抽出装置１００は、グラフ情報を検索することにより、一の不具合事象の類似事象を抽出する（ステップＳ１０５）。図１の例では、抽出装置１００は、ノードＮ４５１を起点として、グラフ情報ＧＲ１１を探索することにより、ノードＮ４５１やノードＮ３５を類似事象として抽出する。

そして、抽出装置１００は、抽出した類似事象に関する情報を提供する（ステップＳ１０６）。図１の例では、抽出装置１００は、ノードＮ４５１に対応するシステムエラー＃４５１や、ノードＮ３５に対応するシステムエラー＃３５をシステムエラーＸに類似する事象としてユーザＵ１が利用する端末装置１０に提供する。

〔５．生成処理のフロー〕
次に、図９を用いて、実施形態に係る抽出システム１による生成処理の手順について説明する。図９は、実施形態に係る生成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、抽出装置１００は、学習データを取得する（ステップＳ２０１）。例えば、抽出装置１００は、不具合情報記憶部１２１から学習データを取得する。例えば、抽出装置１００は、不具合情報記憶部１２１からログデータＬＧ１、ＬＧ２等を学習データとして取得する。

その後、抽出装置１００は、学習データに基づきモデルを生成する（ステップＳ２０２）。例えば、抽出装置１００は、不具合情報記憶部１２１から学習データを用いてモデルＭ１を生成する。例えば、抽出装置１００は、入力層に入力される情報（ログデータ）と同様の情報（ログデータ）を出力層から出力するようにモデルＭ１を生成する。例えば、抽出装置１００は、不具合のログデータを入力とするオートエンコーダとしてのモデルＭ１を生成する。

〔６．検索例〕
ここで、上述したグラフ情報を用いた検索の一例を示す。なお、グラフ情報（グラフデータ）を用いた検索は下記に限らず、種々の手順により行われてもよい。この点について、図１１を一例として説明する。図１１は、グラフデータ（グラフ情報）を用いた検索処理の一例を示すフローチャートである。また、以下でいうオブジェクトは、ベクトルやノードと読み替えてもよい。なお、以下では、抽出装置１００が検索処理を行うものとして説明するが、検索処理は他の装置により行われてもよい。例えば、抽出装置１００は、検索クエリとして、一の不具合のログデータから生成されたベクトルデータを用いる。例えば、抽出装置１００は、一の不具合のログデータから生成されたベクトルデータとインデックス情報とに基づいて決定された起点ベクトルを起点としてグラフデータを検索する。図１の例では、抽出装置１００は、システムエラーＸのベクトルＶＧ１１とインデックス情報ＩＮＤ１１とに基づいて決定された起点ベクトルであるノードＮ４５１を起点としてグラフ情報ＧＲ１１を検索する。

ここでは、近傍オブジェクト集合Ｎ（Ｇ，ｙ）は、ノードｙに付与されているエッジにより関連付けられている近傍のオブジェクトの集合である。「Ｇ」は、所定のグラフデータ（例えば、グラフ情報ＧＲ１１等）であってもよい。例えば、抽出装置１００は、ｋ近傍検索処理を実行する。

例えば、抽出装置１００は、超球の半径ｒを∞（無限大）に設定し（ステップＳ３００）、既存のオブジェクト集合から部分集合Ｓを抽出する（ステップＳ３０１）。例えば、抽出装置１００は、ルートノード（起点ベクトル）として選択されたオブジェクト（ノード）を部分集合Ｓとして抽出してもよい。図１の例では、抽出装置１００は、起点ベクトルであるノードＮ４５１等を部分集合Ｓとして抽出してもよい。また、例えば、超球とは、検索範囲を示す仮想的な球である。なお、ステップＳ３０１において抽出されたオブジェクト集合Ｓに含まれるオブジェクトは、同時に検索結果のオブジェクト集合Ｒの初期集合にも含められる。

次に、抽出装置１００は、オブジェクト集合Ｓに含まれるオブジェクトの中で、検索クエリオブジェクトをｙとするとオブジェクトｙとの距離が最も短いオブジェクトを抽出し、オブジェクトｓとする（ステップＳ３０２）。図１の例では、抽出装置１００は、オブジェクト集合Ｓに含まれるオブジェクトの中で、検索クエリオブジェクトであるベクトルＶＤ１１との距離が最も短いオブジェクトを抽出し、オブジェクトｓとする。例えば、抽出装置１００は、オブジェクト集合Ｓに含まれるオブジェクトの中で、ベクトルＶＤ１１との距離が最も短いノードＮ４５１を抽出し、オブジェクトｓとする。例えば、抽出装置１００は、ルートノード（起点ベクトル）として選択されたオブジェクト（ノード）のみがオブジェクト集合Ｓの要素の場合には、結果的にルートノード（起点ベクトル）がオブジェクトｓとして抽出される。次に、抽出装置１００は、オブジェクトｓをオブジェクト集合Ｓから除外する（ステップＳ３０３）。

次に、抽出装置１００は、オブジェクトｓとオブジェクトｙとの距離ｄ（ｓ，ｙ）がｒ（１＋ε）を超えるか否かを判定する（ステップＳ３０４）。ここで、εは拡張要素であり、ｒ（１＋ε）は、探索範囲（この範囲内のノードのみを探索する。検索範囲よりも大きくすることで精度を高めることができる）の半径を示す値である。オブジェクトｓとオブジェクトｙとの距離ｄ（ｓ，ｙ）がｒ（１＋ε）を超える場合（ステップＳ３０４：Ｙｅｓ）、抽出装置１００は、オブジェクト集合Ｒをオブジェクトｙの近傍オブジェクト集合として出力し（ステップＳ３０５）、処理を終了する。

オブジェクトｓと検索クエリオブジェクトｙとの距離ｄ（ｓ，ｙ）がｒ（１＋ε）を超えない場合（ステップＳ３０４：Ｎｏ）、抽出装置１００は、オブジェクトｓの近傍オブジェクト集合Ｎ（Ｇ，ｓ）の要素であるオブジェクトの中からオブジェクト集合Ｃに含まれないオブジェクトを一つ選択し、選択したオブジェクトｕを、オブジェクト集合Ｃに格納する（ステップＳ３０６）。オブジェクト集合Ｃは、重複検索を回避するために便宜上設けられるものであり、処理開始時には空集合に設定される。

次に、抽出装置１００は、オブジェクトｕとオブジェクトｙとの距離ｄ（ｕ，ｙ）がｒ（１＋ε）以下であるか否かを判定する（ステップＳ３０７）。オブジェクトｕとオブジェクトｙとの距離ｄ（ｕ，ｙ）がｒ（１＋ε）以下である場合（ステップＳ３０７：Ｙｅｓ）、抽出装置１００は、オブジェクトｕをオブジェクト集合Ｓに追加する（ステップＳ３０８）。

次に、抽出装置１００は、オブジェクトｕとオブジェクトｙとの距離ｄ（ｕ，ｙ）がｒ以下であるか否かを判定する（ステップＳ３０９）。オブジェクトｕとオブジェクトｙとの距離ｄ（ｕ，ｙ）がｒを超える場合（ステップＳ３０９：Ｎｏ）、抽出装置１００は、ステップＳ３１５の判定（処理）を行う。

オブジェクトｕとオブジェクトｙとの距離ｄ（ｕ，ｙ）がｒ以下である場合（ステップＳ３０９：Ｙｅｓ）、抽出装置１００は、オブジェクトｕをオブジェクト集合Ｒに追加する（ステップＳ３１０）。そして、抽出装置１００は、オブジェクト集合Ｒに含まれるオブジェクト数がｋｓを超えるか否かを判定する（ステップＳ３１１）。所定数ｋｓは、任意に定められる自然数である。例えば、ｋｓ＝２やｋｓ＝１０等の種々の設定であってもよい。

オブジェクト集合Ｒに含まれるオブジェクト数がｋｓを超える場合（ステップＳ３１１：Ｙｅｓ）、抽出装置１００は、オブジェクト集合Ｒに含まれるオブジェクトの中でオブジェクトｙとの距離が最も長い（遠い）オブジェクトを、オブジェクト集合Ｒから除外する（ステップＳ３１２）。

次に、抽出装置１００は、オブジェクト集合Ｒに含まれるオブジェクト数がｋｓと一致するか否かを判定する（ステップＳ３１３）。オブジェクト集合Ｒに含まれるオブジェクト数がｋｓと一致する場合（ステップＳ３１３：Ｙｅｓ）、抽出装置１００は、オブジェクト集合Ｒに含まれるオブジェクトの中でオブジェクトｙとの距離が最も長い（遠い）オブジェクトと、オブジェクトｙとの距離を、新たなｒに設定する（ステップＳ３１４）。

そして、抽出装置１００は、オブジェクトｓの近傍オブジェクト集合Ｎ（Ｇ，ｓ）の要素であるオブジェクトから全てのオブジェクトを選択してオブジェクト集合Ｃに格納し終えたか否かを判定する（ステップＳ３１５）。オブジェクトｓの近傍オブジェクト集合Ｎ（Ｇ，ｓ）の要素であるオブジェクトから全てのオブジェクトを選択してオブジェクト集合Ｃに格納し終えていない場合（ステップＳ３１５：Ｎｏ）、抽出装置１００は、ステップＳ３０６に戻って処理を繰り返す。

オブジェクトｓの近傍オブジェクト集合Ｎ（Ｇ，ｓ）の要素であるオブジェクトから全てのオブジェクトを選択してオブジェクト集合Ｃに格納し終えた場合（ステップＳ３１５：Ｙｅｓ）、抽出装置１００は、オブジェクト集合Ｓが空集合であるか否かを判定する（ステップＳ３１６）。オブジェクト集合Ｓが空集合でない場合（ステップＳ３１６：Ｎｏ）、抽出装置１００は、ステップＳ３０２に戻って処理を繰り返す。また、オブジェクト集合Ｓが空集合である場合（ステップＳ３１６：Ｙｅｓ）、抽出装置１００は、オブジェクト集合Ｒを出力し、処理を終了する（ステップＳ３１７）。例えば、抽出装置１００は、オブジェクト集合Ｒに含まれるオブジェクト（ノード）を検索クエリ（入力オブジェクトｙ）に対応する検索結果として、検索を行った端末装置１０等へ提供してもよい。図１の例では、抽出装置１００は、オブジェクト集合Ｒに含まれるノードＮ４５１やノードＮ３５を検索クエリ（システムエラーＸのベクトルＶＤ１１）に対応する検索結果として、検索を行った端末装置１０等へ提供してもよい。例えば、抽出装置１００は、ノードＮ４５１に対応するシステムエラー＃４５１や、ノードＮ３５に対応するシステムエラー＃３５をシステムエラーＸに類似する事象としてユーザＵ１が利用する端末装置１０に提供する。

〔７．効果〕
上述してきたように、実施形態に係る抽出装置１００は、取得部１３１と、抽出部１３４とを有する。取得部１３１は、複数の不具合事象の各々に対応する複数のベクトルが類似性に応じて連結されたグラフ情報と、一の不具合事象に関する事象情報を取得する。抽出部１３４は、取得部１３１により取得されたグラフ情報の複数のベクトルのうち、所定の基準に基づいて決定されたグラフ情報の検索の起点となる起点ベクトルを起点としてグラフ情報を検索することにより、複数の不具合事象のうち、一の不具合事象に類似する事象である類似事象を抽出する。

このように、実施形態に係る抽出装置１００は、起点ベクトルを起点としてグラフ情報を検索し、複数の不具合事象のうち、一の不具合事象に類似する事象である類似事象を抽出することにより、類似の不具合事象を適切に抽出することができる。

また、実施形態に係る抽出装置１００は、決定部１３３を有する。決定部１３３は、起点ベクトルの決定に用いるインデックス情報に基づいて、起点ベクトルを決定する。抽出部１３４は、決定部１３３により決定された起点ベクトルを起点として、類似事象を抽出する。

このように、実施形態に係る抽出装置１００は、起点ベクトルの決定に用いるインデックス情報に基づいて、起点ベクトルを決定することにより、類似の不具合事象を適切に抽出することができる。

また、実施形態に係る抽出装置１００において、決定部１３３は、木構造型のインデックス情報に基づいて、起点ベクトルを決定する。

このように、実施形態に係る抽出装置１００は、木構造型のインデックス情報に基づいて、起点ベクトルを決定することにより、類似の不具合事象を適切に抽出することができる。

また、実施形態に係る抽出装置１００において、取得部１３１は、複数の不具合事象の各々の特徴を示す複数のベクトルが類似性に応じて連結されたグラフ情報を取得する。

このように、実施形態に係る抽出装置１００は、複数の不具合事象の各々の特徴を示す複数のベクトルが類似性に応じて連結されたグラフ情報を取得することにより、類似の不具合事象を適切に抽出することができる。

また、実施形態に係る抽出装置１００において、取得部１３１は、所定のモデルを用いて複数の不具合事象の各々から抽出された特徴量を要素とする複数のベクトルが、類似性に応じて連結されたグラフ情報を取得する。

このように、実施形態に係る抽出装置１００は、所定のモデルを用いて複数の不具合事象の各々から抽出された特徴量を要素とする複数のベクトルが、類似性に応じて連結されたグラフ情報を取得することにより、類似の不具合事象を適切に抽出することができる。

また、実施形態に係る抽出装置１００において、取得部１３１は、複数の不具合事象に関する情報を所定のモデルに入力することにより、抽出される複数の不具合事象の各々の特徴量を要素とする複数のベクトルが、類似性に応じて連結されたグラフ情報を取得する。

このように、実施形態に係る抽出装置１００は、複数の不具合事象に関する情報を所定のモデルに入力することにより、抽出される複数の不具合事象の各々の特徴量を要素とする複数のベクトルが、類似性に応じて連結されたグラフ情報を取得することにより、類似の不具合事象を適切に抽出することができる。

また、実施形態に係る抽出装置１００は、提供部１３５を有する。提供部１３５は、抽出部１３４により抽出された類似事象に基づいて、所定のサービスを提供する。

このように、実施形態に係る抽出装置１００は、抽出した類似事象に基づいて、所定のサービスを提供することにより、類似の不具合事象に関する情報を用いたサービスを適切に提供することができる。

また、実施形態に係る抽出装置１００において、提供部１３５は、類似事象に関する情報提供サービスを提供する。

このように、実施形態に係る抽出装置１００は、類似事象に関する情報提供サービスを提供することにより、類似の不具合事象に関する情報を用いたサービスを適切に提供することができる。

また、実施形態に係る抽出装置１００において、取得部１３１は、ユーザが利用する端末装置１０から一の不具合事象に関する事象情報を取得する。提供部１３５は、端末装置１０に類似事象に関する情報を提供する。

このように、実施形態に係る抽出装置１００は、ユーザが利用する端末装置１０から一の不具合事象に関する事象情報を取得し、端末装置１０に類似事象に関する情報を提供することにより、類似の不具合事象に関する情報を用いたサービスを適切に提供することができる。

また、実施形態に係る抽出装置１００において、取得部１３１は、サーバシステム、道路交通、または災害における複数の不具合事象の各々に対応する複数のベクトルが類似性に応じて連結されたグラフ情報を取得する。

このように、実施形態に係る抽出装置１００は、サーバシステム、道路交通、または災害における複数の不具合事象の各々に対応する複数のベクトルが類似性に応じて連結されたグラフ情報を取得することにより、各複具合の種別に応じて類似の不具合事象を適切に抽出することができる。

〔８．ハードウェア構成〕
上述してきた実施形態に係る抽出装置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、抽出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が実施形態に係る抽出装置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Ｍ１（モデルデータＭＤＴ１））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Ｍ１（モデルデータＭＤＴ１））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。

〔９．その他〕
また、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。

また、上述してきた各実施形態に記載された各処理は、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 抽出システム
１００ 抽出装置
１２１ 不具合情報記憶部
１２２ インデックス情報記憶部
１２３ グラフ情報記憶部
１２４ モデル情報記憶部
１３０ 制御部
１３１ 取得部
１３２ 生成部
１３３ 決定部
１３４ 抽出部
１３５ 提供部
１０ 端末装置
５０ 情報提供装置
Ｎ ネットワーク

Claims (11)

1. 道路交通における複数の交通事故の各々に対応する複数のベクトルであって、複数の交通事故の各々における運転操作に関する特徴を含むログデータが所定のモデルによりベクトル化された複数のベクトルが類似性に応じて連結されたグラフ情報と、一の交通事故に関する事象情報であって、一の交通事故における運転操作に関する特徴を含む事象情報を取得する取得部と、
   前記取得部により取得された前記グラフ情報の前記複数のベクトルのうち、所定の基準に基づいて決定された前記グラフ情報の検索の起点となる起点ベクトルを起点として前記グラフ情報を検索することにより、前記複数の交通事故のうち、前記一の交通事故に類似する交通事故である類似交通事故を抽出する抽出部と、
   前記ベクトル化に用いた前記所定のモデルを外部の情報処理装置へ提供する提供部と、
   を備えたことを特徴とする抽出装置。
2. 前記起点ベクトルの決定に用いるインデックス情報に基づいて、前記起点ベクトルを決定する決定部、
   をさらに備え、
   前記抽出部は、
   前記決定部により決定された前記起点ベクトルを起点として、前記類似交通事故を抽出することを特徴とする請求項１に記載の抽出装置。
3. 前記決定部は、
   木構造型の前記インデックス情報に基づいて、前記起点ベクトルを決定する
   ことを特徴とする請求項２に記載の抽出装置。
4. 前記取得部は、
   前記複数の交通事故の各々の特徴を示す前記複数のベクトルが類似性に応じて連結された前記グラフ情報を取得する
   ことを特徴とする請求項１～３のいずれか１項に記載の抽出装置。
5. 前記取得部は、
   前記所定のモデルを用いて前記複数の交通事故の各々から抽出された特徴量を要素とする前記複数のベクトルが、類似性に応じて連結された前記グラフ情報を取得する
   ことを特徴とする請求項１～４のいずれか１項に記載の抽出装置。
6. 前記取得部は、
   前記複数の交通事故に関する情報を前記所定のモデルに入力することにより、抽出される前記複数の交通事故の各々の特徴量を要素とする前記複数のベクトルが、類似性に応じて連結された前記グラフ情報を取得する
   ことを特徴とする請求項１～５のいずれか１項に記載の抽出装置。
7. 前記提供部は、
   前記抽出部により抽出された前記類似交通事故に基づいて、所定のサービスを提供する
   ことを特徴とする請求項１～６のいずれか１項に記載の抽出装置。
8. 前記提供部は、
   前記類似交通事故に関する情報提供サービスを提供する
   ことを特徴とする請求項７に記載の抽出装置。
9. 前記取得部は、
   ユーザが利用する端末装置から前記一の交通事故に関する前記事象情報を取得し、
   前記提供部は、
   前記端末装置に前記類似交通事故に関する情報を提供する
   ことを特徴とする請求項７または請求項８に記載の抽出装置。
10. コンピュータが実行する抽出方法であって、
    道路交通における複数の交通事故の各々に対応する複数のベクトルであって、複数の交通事故の各々における運転操作に関する特徴を含むログデータが所定のモデルによりベクトル化された複数のベクトルが類似性に応じて連結されたグラフ情報と、一の交通事故に関する事象情報であって、一の交通事故における運転操作に関する特徴を含む事象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前記グラフ情報の前記複数のベクトルのうち、所定の基準に基づいて決定された前記グラフ情報の検索の起点となる起点ベクトルを起点として前記グラフ情報を検索することにより、前記複数の交通事故のうち、前記一の交通事故に類似する交通事故である類似交通事故を抽出する抽出工程と、
    前記ベクトル化に用いた前記所定のモデルを外部の情報処理装置へ提供する提供工程と、
    を含んだことを特徴とする抽出方法。
11. 道路交通における複数の交通事故の各々に対応する複数のベクトルであって、複数の交通事故の各々における運転操作に関する特徴を含むログデータが所定のモデルによりベクトル化された複数のベクトルが類似性に応じて連結されたグラフ情報と、一の交通事故に関する事象情報であって、一の交通事故における運転操作に関する特徴を含む事象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前記グラフ情報の前記複数のベクトルのうち、所定の基準に基づいて決定された前記グラフ情報の検索の起点となる起点ベクトルを起点として前記グラフ情報を検索することにより、前記複数の交通事故のうち、前記一の交通事故に類似する交通事故である類似交通事故を抽出する抽出手順と、
    前記ベクトル化に用いた前記所定のモデルを外部の情報処理装置へ提供する提供手順と、
    をコンピュータに実行させることを特徴とする抽出プログラム。

Images