JP7231662B2 - 生成装置、生成方法及び生成プログラム - Google Patents

Description

本発明は、生成装置、生成方法及び生成プログラムに関する。

近年、インターネットショッピングや、電子商店街等の電子商取引（ＥＣ：Electronic Commerce）において、利用者によって商品の購買が盛んに行われている。このような背景の中、電子商取引にて取扱われる商品を管理する技術が知られている。例えば、外部サービスから取得した電子メールのデータと、複数の取引データとを統合し、商品の名寄せを行う商品名寄せシステムが開示されている。

特許第６４９５５２４号公報

しかしながら、上記の従来技術では、メール連携部で統合された電子メールのデータと、取引データ連携部で統合された取引データとを学習することにより商品の名寄せを行うに過ぎず、より簡便な手段で適切な学習モデルを生成することができるとは限らない。

本願は、上記に鑑みてなされたものであって、より簡便な手段で適切な学習モデルを生成することができる生成装置、生成方法及び生成プログラムを目的とする。

本願に係る生成装置は、商品に関する商品情報を取得する取得部と、前記商品情報に含まれる情報のうち、前記商品の名称と、前記商品の商品説明との組合せを学習させることで学習モデルを生成する生成部とを備えることを特徴とする。

実施形態の一態様によれば、より簡便な手段で適切な学習モデルを生成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装置が実行する生成処理の一例を示す図である。 図２は、実施形態に係る生成システムの構成例を示す図である。 図３は、実施形態に係る商品情報記憶部の一例を示す図である。 図４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５は、実施形態に係る提供情報記憶部の一例を示す図である。 図６は、実施形態に係る生成装置が実行する生成処理の流れの一例を示すフローチャートである。 図７は、実施形態に係る生成装置が実行する提供処理の流れの一例を示すフローチャートである。 図８は、生成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、本願に係る生成装置、生成方法及び生成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生成装置、生成方法及び生成プログラムが限定されるものではない。また、各実施形態は、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、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。

〔１．生成装置が示す生成処理の一例〕
まず、図１を用いて、生成装置１００が実行す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装置１００が実行する生成処理の一例を示す図である。以下では、まず、生成装置１００が商品の名称と、商品の詳細を示す商品説明とに基づいて、学習モデルを生成する例について説明する。次に、生成装置１００が、生成した学習モデルを用いて、第１商品と、第２商品とが同一か否かを判定する例について説明する。

まず、生成装置１００が商品の名称と、商品の詳細を示す商品説明とに基づいて、学習モデルを生成する例について説明する。図１に示すように、生成装置１００は、商品に関する商品情報をＥＣサーバ５０から取得する（ステップＳ１）。

例えば、生成装置１００は、ＥＣサーバ５０によって提供されるＥＣサービスにおいて取扱われる商品情報を取得する。より具体的な例を挙げると、生成装置１００は、商品情報として、商品の名称に関する情報や、商品説明に関する情報を取得する。

続いて、生成装置１００は、第１商品の名称のうちから、文字列を選択する（ステップＳ２）。図１の例では、第１商品の名称が「ＸＸＸＸＸ ＡＢＣＤ ＹＹＹ」である。この場合、生成装置１００は、第１商品の名称「ＸＸＸＸＸ ＡＢＣＤ ＹＹＹ」から、文字列「ＡＢＣＤ」を選択する。このとき、生成装置１００は、第１商品の名称からランダムに任意の単語を示す文字列を選択する。

そして、生成装置１００は、選択した文字列を含む第２商品の商品説明に対応する第２商品情報によって構成されるクラスタ（群の一例）を生成する（ステップＳ３）。図１の例では、生成装置１００は、選択した文字列「ＡＢＣＤ」を商品説明に含む第２商品の第２商品情報によって構成されるクラスタを生成する。すわなち、生成装置１００は、選択した単語「ＡＢＣＤ」を商品説明に含む第２商品の第２商品情報によって構成されるクラスタを生成する。

続いて、生成装置１００は、第１商品の名称と、第１商品の商品説明との組合せを正例として学習させ、第１商品の名称と、クラスタからランダムに選択された第２商品の商品説明との組合せを負例として学習させることで学習モデルＭＯ１を生成する（ステップＳ４）。

例えば、生成装置１００は、第１商品の名称と、第２商品の名称とを学習モデルＭＯ１に入力することで、第１商品と、第２商品との一致度合いを示すスコアを出力する学習モデルＭＯ１を生成する。ここで、スコアは、「０」又は「１」をとる。スコア「０」は、第１商品と、第２商品とが一致しないことを示す。また、スコア「１」は、第１商品と、第２商品とが一致することを示す。このように、学習モデルＭＯ１は、二値分類器の機能を有する。

図１の例では、生成装置１００は、第１商品の名称「ＸＸＸＸＸ ＡＢＣＤ ＹＹＹ」と、第１商品の商品説明「ＸＸＸＸＸＸＸＸＸＸＸＸＸＸＸＸＸＸＸＸＸＸＸＸＸＸＸＸＸＸＸＸＸＸＸＸＸＸＸＸＸＸＸＸＸＸＸＸＸＸＸＸＸＸＸＸＸＸＸＸＸＸＸＸＸＸＸＸＸＸＸＸＸＸＸＸＸＸ」との組合せを正例として学習モデルＭＯ１に学習させる。そして、生成装置１００は、第１商品の名称「ＸＸＸＸＸ ＡＢＣＤ ＹＹＹ」と、クラスタから選択された第２商品の商品説明との組合せを負例として学習モデルＭＯ１に学習させる。このようにして、生成装置１００は、学習モデルＭＯ１を生成する。なお、上記生成処理は、機械学習等の従来技術を用いることで実現可能である。

次に、生成装置１００が、生成した学習モデルを用いて、第１商品と、第２商品とが同一か否かを判定する例について説明する。図１に示すように、生成装置１００は、提供情報の提供要求をＥＣサーバ５０から受付ける（ステップＳ５）。

続いて、生成装置１００は、学習モデルＭＯ１を用いて、商品が同一か否かを判定する（ステップＳ６）。例えば、第３商品及び第４商品とは、同一の商品か否かを過去に判定されていない商品であるものとする。この場合、生成装置１００は、生成した学習モデルＭＯ１を用いて、第３商品と、第４商品とが同一の商品であるか否かを判定する。なお、第３商品及び第４商品とは、第１商品及び第２商品とは異なる商品である。

例えば、生成装置１００は、学習モデルＭＯ１を用いて、第３商品情報に含まれる情報のうち、第３商品の名称と、第４商品情報に含まれる情報のうち、第４商品の名称とを学習モデルＭＯ１に入力することで、第３商品と、第４商品との一致度合いを示すスコアを出力する。そして、生成装置１００は、スコアが「０」である場合、第３商品と、第４商品とが同一の商品ではないと判定する。一方、生成装置１００は、スコアが「１」である場合、第３商品と、第４商品とが同一の商品であると判定する。

そして、生成装置１００は、提供情報をＥＣサーバ２０に提供する（ステップＳ７）。図１の例では、生成装置１００は、第３商品と、第４商品とが同一の商品であると判定した場合、第３商品と、第４商品とが同一である旨を含む提供情報をＥＣサーバ２０に提供する。

一方、生成装置１００は、第３商品と、第４商品とが同一の商品でないと判定した場合、第３商品と、第４商品とが同一ではない旨を含む提供情報をＥＣサーバ２０に提供する。これにより、生成装置１００は、同一の商品か否かを過去に判定されていない商品に対して上記判定処理を実行することで商品の名寄せを行うために適切な情報をＥＣサーバ５０に提供することができる。

なお、上記実施形態では、生成装置１００が第１商品の名称のうちから、文字列を選択する例を挙げて説明したが、これに限定されない。例えば、生成装置１００は、第１商品の商品説明のうちから、文字列を選択してもよい。この場合、生成装置１００は、選択した文字列を含む第２商品の名称又は商品説明に対応する第２商品情報によって構成されるクラスタを生成してもよい。また、生成装置１００は、第１商品の名称のうちから、文字列を選択した場合、選択した文字列を含む第２商品の名称に対応する第２商品情報によって構成されるクラスタを生成してもよい。

また、生成装置１００は、クラスタを生成せずに、商品全体からランダムに第２商品情報を選択してもよい。この場合、生成装置１００は、第１商品の名称と、第１商品の商品説明との組合せを正例として学習させ、第１商品の名称と、商品全体からランダムに選択された第２商品の商品説明との組合せを負例として学習させることで学習モデルＭＯ１を生成してもよい。

従来技術では、メール連携部で統合された電子メールのデータと、取引データ連携部で統合された取引データとを学習することにより商品の名寄せを行うに過ぎず、より簡便な手段で適切な学習モデルを生成することができるとは限らなかった。また、一般に同一の商品か否かを判定するための学習モデルを生成するうえで、正例又は負例となるラベルつき学習データを収集することが困難であった。また、ラベルとなり得る商品を識別する情報を新規に作成することも容易ではなかった。このような背景の中で、実施形態に係る生成装置１００は、取得した商品情報に含まれる情報のうち、商品の名称と、商品の商品説明との組合せを学習させることで学習モデルを生成することで従来の課題を解決する。このように、生成装置１００は、より簡便な手段で適切な学習モデルを生成することができる。

〔２．生成システムの構成〕
図６に示すように、生成システム１は、ＥＣサーバ５０と、生成装置１００とを含む。ＥＣサーバ５０及び生成装置１００は、ネットワークＮを介して、有線又は無線により通信可能に接続される。なお、図２に示す生成システム１には、複数台のＥＣサーバ５０や、複数台の生成装置１００が含まれてもよい。

実施形態に係るＥＣサーバ５０は、各種ＥＣサービスを提供する情報処理装置であり、例えば、サーバ装置又はクラウドシステム等により実現される。例えば、ＥＣサーバ５０は、電子商取引サービスを、利用者によって利用される端末装置等に提供する。また、ＥＣサーバ５０は、電子商取引サービスにて取扱われている各種商品情報を生成装置１００に提供する。

実施形態に係る生成装置１００は、インターネット等の所定のネットワークＮを介して、各種の装置と通信可能な情報処理装置であり、例えば、サーバ装置又はクラウドシステム等により実現される。例えば、生成装置１００は、ネットワークＮを介して、他の各種装置と通信可能に接続される。

〔３．生成装置の構成〕
以下、上記した生成装置１００が有する機能構成の一例について説明する。図２は、実施形態に係る生成装置１００の構成例を示す図である。図２に示すように、生成装置１００は、通信部１１０と、記憶部１２０と、制御部１３０とを有する。

（通信部１１０について）
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Ｎと有線又は無線で接続され、他の各種装置との間で情報の送受信を行う。

（記憶部１２０について）
記憶部１２０は、例えば、ＲＡＭ（Random Access Memory)、フラッシュメモリ（Flash Memory）等の半導体メモリ素子、または、ハードディスク、光ディスク等の記憶装置によって実現される。また、記憶部１２０は、商品情報記憶部１２１と、学習データ記憶部１２２と、学習モデル１２３と、提供情報記憶部１２４とを有する。

（商品情報記憶部１２１について）
商品情報記憶部１２１は、商品に関する各種情報を記憶する。ここで、図３に、実施形態に係る商品情報記憶部１２１の一例を示す。図３に示した例では、商品情報記憶部１２１は、「商品ＩＤ」、「利用者情報」といった項目を有する。例えば、利用者情報は、「名称」、「商品説明」といった項目を含む。

「商品ＩＤ」は、商品を識別する識別子である。「名称」は、「商品ＩＤ」に対応付けられた商品の名称に関する情報である。「商品説明」は、「商品ＩＤ」に対応付けられた商品の詳細を示す商品説明に関する情報である。例えば、商品説明は、商品の型番又は品番や、商品の金額や、商品の構成要素や、商品を構成する成分又は原材料等に関する情報である。

例えば、図３では、商品ＩＤによって識別された「Ｍ１」は、名称が「ＭＮ１」であり、商品説明が「ＭＥ１」である。なお、図３に示した例では、名称等を、「ＭＮ１」等の抽象的な符号で表現したが、名称等は、名称等を示す数値や、名称等を示す文字列や、名称等に関する各種情報を含むファイルのファイル形式等であってもよい。

（学習データ記憶部１２２について）
学習データ記憶部１２２は、各種学習データを記憶する。ここで、図４に、実施形態に係る学習データ記憶部１２２の一例を示す。図４に示した例では、学習データ記憶部１２２は、「学習データＩＤ」、「正解ラベル」、「第１商品ＩＤ」、「名称」、「第２商品ＩＤ」、「商品説明」といった項目を有する。

「学習データＩＤ」は、学習データを識別する識別子である。「正解ラベル」は、「学習データＩＤ」に対応付けられた学習データの正解ラベルである。例えば、正解ラベルは、正例や、負例等を示す。「第１商品ＩＤ」は、「学習データＩＤ」に対応付けられた第１商品の識別子である。「名称」は、「学習データＩＤ」に対応付けられ、且つ、「第１商品ＩＤ」に対応付けられた第１商品の名称に関する情報である。「第２商品ＩＤ」は、「学習データＩＤ」に対応付けられた第２商品の識別子である。「商品説明」は、「学習データＩＤ」に対応付けられ、且つ、「第２商品ＩＤ」に対応付けられた商品の詳細を示す商品説明に関する情報である。

例えば、図４では、学習データＩＤによって識別された「Ｄ１」は、正解ラベルが「正例」であり、第１商品ＩＤが「Ｍ１１」であり、名称が「ＭＮ１１」であり、第２商品ＩＤが「Ｍ２１」であり、商品説明が「ＭＥ２１」である。

なお、図４に示した例では、名称等を、「ＭＮ１１」等の抽象的な符号で表現したが、名称等は、名称等を示す数値や、名称等を示す文字列や、名称等に関する各種情報を含むファイルのファイル形式等であってもよい。また、図４に示した例では、素性を、「正例」や、「負例」等で表現したが、素性は、正例や、負例等を示す数値や、正例を「１」、負例を「０」と２値化させて表現した情報等であってもよい。

（提供情報記憶部１２４について）
提供情報記憶部１２４は、提供情報に関する各種情報を記憶する。ここで、図５に、実施形態に係る提供情報記憶部１２４の一例を示す。図５に示した例では、提供情報記憶部１２４は、「提供情報ＩＤ」、「第１商品ＩＤ」、「名称」、「第２商品ＩＤ」、「商品説明」、「スコア」といった項目を有する。

「提供情報ＩＤ」は、提供情報を識別する識別子である。「第１商品ＩＤ」は、「提供情報ＩＤ」に対応付けられた第１商品の識別子である。「名称」は、「提供情報ＩＤ」に対応付けられ、且つ、「第１商品ＩＤ」に対応付けられた第１商品の名称に関する情報である。「第２商品ＩＤ」は、「提供情報ＩＤ」に対応付けられた第２商品の識別子である。「商品説明」は、「提供情報ＩＤ」に対応付けられ、且つ、「第２商品ＩＤ」に対応付けられた商品の詳細を示す商品説明に関する情報である。「スコア」は、「提供情報ＩＤ」に対応付けられた第１商品と、第２商品との一致度合いを示すスコアである。

例えば、図５では、提供情報ＩＤによって識別された「Ｐ１」は、第１商品ＩＤが「Ｍ１１」であり、名称が「ＭＮ１１」であり、第２商品ＩＤが「Ｍ２１」であり、商品説明が「ＭＥ２１」であろ、スコアが「１」である。

（制御部１３０について）
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、生成装置１００内部の記憶装置に記憶されている各種プログラム（生成プログラムの一例）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。

図２に示すように、制御部１３０は、受付部１３１と、取得部１３２と、選択部１３３と、生成部１３４と、判定部１３５と、提供部１３６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２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。また、制御部１３０が有する各処理部の接続関係は、図２に示した接続関係に限られず、他の接続関係であってもよい。

（受付部１３１について）
受付部１３１は、各種情報を受付ける。具体的には、受付部１３１は、提供情報の提供要求をＥＣサーバ５０から受付ける。

（取得部１３２について）
取得部１３２は、各種情報を取得する。具体的には、取得部１３２は、商品情報を取得する。例えば、取得部１３２は、ＥＣサーバ５０によって提供されるＥＣサービスにおいて取扱われる商品情報を取得する。より具体的な例を挙げると、取得部１３２は、商品情報として、商品の名称に関する情報や、商品説明に関する情報を取得する。そして、取得部１３２は、かかる商品情報を商品情報記憶部１２１に記憶する。

（選択部１３３について）
選択部１３３は、各種情報を選択する。具体的には、選択部１３３は、商品情報記憶部１２１を参照して、第１商品の名称又は商品説明のうちから、文字列を選択し、かかる文字列を含む第２商品の名称又は商品説明に対応する第２商品情報によって構成される群を生成する。

図３の例では、選択部１３３は、商品ＩＤによって識別された商品ＩＤ「Ｍ１」の名称「ＭＮ１」のうちから、文字列を選択する。例えば、商品ＩＤ「Ｍ１」の名称が「ＸＸＸＸＸ ＡＢＣＤ ＹＹＹ」であるものとする。この場合、選択部１３３は、名称「ＸＸＸＸＸ ＡＢＣＤ ＹＹＹ」から、文字列「ＡＢＣＤ」を選択する。このとき、選択部１３３は、名称「ＸＸＸＸＸ ＡＢＣＤ ＹＹＹ」からランダムに任意の単語を示す文字列を選択する。

また、図３の例では、商品ＩＤ「Ｍ２」の商品説明「ＭＥ２」と、商品ＩＤ「Ｍ３」の商品説明「ＭＥ３」とが選択した文字列「ＡＢＣＤ」を含むものとする。この場合、選択部１３３は、選択した文字列「ＡＢＣＤ」を商品説明に含む第２商品として、商品ＩＤ「Ｍ２」及び商品ＩＤ「Ｍ３」によって構成されるクラスタを生成する。このように、選択部１３３は、選択した単語「ＡＢＣＤ」を商品説明に含む第２商品の第２商品情報によって構成されるクラスタを生成する。

そして、選択部１３３は、学習データとなるデータセットに関する情報を選択し、かかるデータセットに関する情報を学習データ記憶部１２２に記憶する。例えば、選択部１３３は、第１商品ＩＤと、第１商品の名称との組合せと、第２商品ＩＤと、第２商品の商品説明との組合せとを対応付けて学習データ記憶部１２２に記憶する。この場合、各種学習データに対応付けて正解ラベルに関する情報も記憶される。

（生成部１３４について）
生成部１３４は、商品情報に含まれる情報のうち、商品の名称と、商品の商品説明との組合せを学習させることで学習モデル１２３を生成する。例えば、生成部１３４は、学習データ記憶部１２２を参照して、第１商品の名称と、第２商品の名称とを学習モデル１２３に入力することで、第１商品と、第２商品との一致度合いを示すスコアを出力する学習モデルＭＯ１を生成する。

図４の例では、生成部１３４は、学習データＩＤによって識別された「Ｄ１」を正例として学習させ、学習データＩＤによって識別された「Ｄ２」を負例として学習させることで学習モデル１２３を生成する。この場合、生成部１３４は、第２商品ＩＤに対応する商品説明を、選択部１３３によって生成されたクラスタから選択する。このようにして、生成部１３４は、学習モデル１２３を生成する。

（判定部１３５について）
判定部１３５は、生成部１３４によって生成された学習モデル１２３を用いて、第１商品と、第２商品とが同一の商品であるか否かを判定する。例えば、判定部１３５は、学習モデル１２３を用いて、商品が同一か否かを判定する。そして、判定部１３５は、判定対象である商品情報の組合せと、判定結果とを対応付けて提供情報記憶部１２４に記憶する。

図５の例では、判定部１３５は、学習モデル１２３を用いて、第１商品ＩＤ「Ｍ１１」が示す商品と、第２商品ＩＤ「ＭＥ２１」が示す商品とが同一の商品であるか否かを判定する。例えば、判定部１３５は、学習モデル１２３を用いて、第１商品ＩＤ「Ｍ１１」に対応付けられた名称「ＭＮ１１」と、第２商品ＩＤ「ＭＥ２１」に対応付けられた名称「ＭＥ２１」とを学習モデル１２３に入力することで、第１商品ＩＤ「Ｍ１１」が示す商品と、第２商品ＩＤ「ＭＥ２１」が示す商品との一致度合いを示すスコアを「１」出力する。そして、判定部１３５は、第１商品ＩＤ「Ｍ１１」が示す商品と、第２商品ＩＤ「ＭＥ２１」が示す商品が同一の商品であると判定する。

また、判定部１３５は、学習モデル１２３を用いて、第１商品ＩＤ「Ｍ１３」に対応付けられた名称「ＭＮ１３」と、第２商品ＩＤ「ＭＥ２３」に対応付けられた名称「ＭＥ２３」とを学習モデル１２３に入力することで、第１商品ＩＤ「Ｍ１３」が示す商品と、第２商品ＩＤ「ＭＥ２３」が示す商品との一致度合いを示すスコアを「０」出力する。そして、判定部１３５は、第１商品ＩＤ「Ｍ１３」が示す商品と、第２商品ＩＤ「ＭＥ２３」が示す商品が同一の商品ではないと判定する。

（提供部１３６について）
提供部１３６は、各種情報を提供する。具体的には、提供部１３６は、提供情報記憶部１２４を参照して、提供情報をＥＣサーバ２０に提供する。図５の例では、提供部１３６は、第１商品ＩＤ「Ｍ１１」と、第２商品ＩＤ「ＭＥ２１」とが同一の商品であると判定した場合、第１商品ＩＤ「Ｍ１１」が示す商品と、第２商品ＩＤ「ＭＥ２１」が示す商品とが同一である旨を含む提供情報をＥＣサーバ２０に提供する。

一方、提供部１３６は、第１商品ＩＤ「Ｍ１３」と、第２商品ＩＤ「ＭＥ２３」とが同一の商品でないと判定した場合、第１商品ＩＤ「Ｍ１３」が示す商品と、第２商品ＩＤ「ＭＥ２３」が示す商品とが同一ではない旨を含む提供情報をＥＣサーバ２０に提供する。これにより、提供部１３６は、同一の商品か否かを過去に判定されていない商品に対して上記判定処理を実行することで商品の名寄せを行うために適切な情報をＥＣサーバ５０に提供することができる。

〔４．処理手順（１）生成処理〕
次に、図６を用いて、実施形態に係る生成装置１００が実行する生成処理の手順について説明する。図６は、実施形態に係る生成装置１００が実行する生成処理の流れの一例を示すフローチャートである。

図６に示すように、取得部１３２は、商品情報を取得する（ステップＳ１０１）。そして、選択部１３３は、第１商品の名称のうちから、文字列を選択する（ステップＳ１０２）。また、選択部１３３は、選択した文字列を含む第２商品の商品説明に対応する第２商品情報によって構成されるクラスタを生成する（ステップＳ１０３）。

そして、生成部１３４は、第１商品の名称と、第１商品の商品説明との組合せを正解データとして学習させ、第１商品の名称と、クラスタからランダムに選択された第２商品の商品説明との組合せを不正解データとして学習させることで学習モデル１２３を生成する（ステップＳ１０４）。

〔５．処理手順（２）提供処理〕
次に、図７を用いて、実施形態に係る生成装置１００が実行する提供処理の手順について説明する。図７は、実施形態に係る生成装置１００が実行する提供処理の流れの一例を示すフローチャートである。

図７に示すように、受付部１３１は、提供情報の要求を受付ける（ステップＳ２０１）。具体的には、受付部１３１は、提供情報の要求を受付けていない場合（ステップＳ２０１；Ｎｏ）、提供情報の要求を受付けるまで待機する。

一方、判定部１３５は、受付部１３１が提供情報の要求を受付けた場合（ステップＳ２０１；Ｙｅｓ）、学習モデル１２３を用いて、商品が同一か否かを判定する（ステップＳ２０２）。そして、提供部１３６は、判定部１３５が、商品が同一であると判定した場合（ステップＳ２０２；Ｙｅｓ）、判定結果として商品が同一である旨を含む提供情報を提供する（ステップＳ２０３）。

一方、提供部１３６は、判定部１３５が、商品が同一でないと判定した場合（ステップＳ２０２；Ｎｏ）、判定結果として商品が同一ではない旨を含む提供情報を提供する（ステップＳ２０４）。

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

〔６－１．クラスタ〕
上記実施形態では、実施形態に係る選択部１３３が選択した文字列を含む第２商品の商品説明に対応する第２商品情報によって構成されるクラスタを生成する例を挙げて説明したが、これに限定されない。

例えば、選択した文字列が文字列「ＡＢＣＤ」であるものとする。この場合、選択部１３３は、第１商品の商品説明と、第２商品の商品説明とからランダムに選択した文字列「ＡＢＣＤ」を商品説明に含む第１商品及び第２商品によって構成されるクラスタを生成してもよい。

〔６－２．選択対象となる文字列〕
上記実施形態では、実施形態に係る選択部１３３が第１商品の名称又は商品説明のうちから、文字列を選択する例について説明したが、これに限定されない。例えば、選択部１３３は、商品の種別や、カテゴリを示す文字列以外の文字列を選択してもよい。

より具体的な例を挙げると、学習モデルを商品のカテゴリに応じて、シャツに関する学習モデルＭＯ２と、お茶に関する学習モデルＭＯ３とに生成し分けるものとする。この場合、選択部１３３は、シャツに関する学習モデルＭＯ２を生成するために選択する文字列として、シャツといったカテゴリよりも上位概念の文字列（例えば、洋服等）であり、且つ、シャツといったカテゴリよりも下位概念（例えば、ドレスシャツや、ストライプ柄のシャツ等）に相当する文字列以外の文字列を選択してもよい。

また、選択部１３３は、お茶に関する学習モデルＭＯ３を生成するために選択する文字列として、お茶といったカテゴリよりも上位概念の文字列（例えば、飲料等）であり、且つ、お茶といったカテゴリよりも下位概念（例えば、緑茶や、ほうじ茶等）に相当する文字列以外の文字列を選択してもよい。このように、実施形態に係る生成装置１００の選択部１３３は、学習モデルを生成するために有用な識別力の高い文字列を選択することが可能となる。

〔６－３．選択処理〕
上記実施形態では、実施形態に係る選択部１３３が第１商品の名称又は商品説明のうちから、文字列を選択し、文字列を含む第２商品の名称又は商品説明に対応する第２商品情報によって構成されるクラスタを生成する例について説明したが、これに限定されない。

例えば、選択部１３３は、第１商品の名称又は商品説明のうちから、複数の文字列を選択し、複数の文字列の各々の出現頻度に基づいて、出現頻度が第１閾値以上であり、且つ、出現頻度が第２閾値以下である文字列を含む第２商品の名称又は商品説明に対応する第２商品情報によって構成されるクラスタを生成してもよい。

ここで、出現頻度が高い文字列は、識別力が低い単語であると推定される。また、出現頻度が低い文字列は、識別力が高い単語であると推定される。このため、比較的識別力がある文字列は、出現頻度が低すぎず、且つ、出現頻度が高い過ぎない文字列であると推定される。例えば、高い出現頻度を示す閾値を第２閾値とし、低い出現頻度を示す閾値を第１閾値とする。この場合、選択部１３３は、第１商品の名称又は商品説明のうちから、出現頻度が第１閾値以上であり、且つ、出現頻度が第２閾値以下である文字列を選択し、選択した文字列含む第２商品の名称又は商品説明に対応する第２商品情報によって構成されるクラスタを生成してもよい。これにより、選択部１３３は、出現頻度が低すぎず、且つ、出現頻度が高すぎない文字列を選択することが可能となる。

このように、実施形態に係る生成装置１００の選択部１３３は、第１商品の名称又は商品説明のうちから、複数の文字列を選択し、複数の文字列の各々の出現頻度に基づいて、出現頻度が第１閾値以上であり、且つ、出現頻度が第２閾値以下である文字列を含む第２商品の名称又は商品説明に対応する第２商品情報によって構成されるクラスタを生成するため、より簡便な手段で適切な学習モデルを生成するために必要となるクラスタを好適に生成することができる。

〔６－４．判定処理の対象〕
上記実施形態では、第３商品及び第４商品とは、同一の商品か否かを過去に判定されていない商品である例を挙げて説明したが、これに限定されなくともよい。例えば、判定部１３５は、既に同一の商品として対応付けられた第３商品と、第４商品とが本当に同一の商品であるかを再度判定してもよい。

〔６－５．商品説明〕
上記実施形態では、商品情報として、商品の名称と、商品説明とがある例を説明したが、これに限定されなくともよい。例えば、商品説明は、細分化された情報を含んでもよい。例えば、商品説明は、商品説明の概要を示す商品概要と、商品の詳細を示す商品詳細を含んでもよい。

〔６－６．学習モデル〕
上記実施形態では、実施形態に係る生成装置１００の生成部１３４が第１商品の名称と、第２商品の名称とを学習モデル１２３に入力することで、第１商品と、第２商品との一致度合いを示すスコアを出力する学習モデル１２３を生成する例について説明したが、これに限定されない。

例えば、生成部１３４は、第１商品の名称及び第１商品の商品説明と、第２商品の名称及び第２商品の商品説明とを学習モデル１２３に入力することで、第１商品と、第２商品との一致度合いを示すスコアを出力する学習モデル１２３を生成してもよい。

また、生成部１３４は、第１商品の名称と、第１商品の商品説明とを学習モデル１２３に入力することで、同一の商品が否かを示すスコアを出力する学習モデル１２３を生成してもよい。このように、実施形態に係る生成装置１００の生成部１３４は、各種入力情報に対応した適切な学習モデルを生成することができる。

〔６－７．プログラム〕
また、上述した実施形態に係る生成装置１００は、例えば、図８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８は、ハードウェア構成の一例を示す図である。コンピュータ１０００は、出力装置１０１０、入力装置１０２０と接続され、演算装置１０３０、一次記憶装置１０４０、二次記憶装置１０５０、出力ＩＦ（Interface）１０６０、入力ＩＦ１０７０、ネットワークＩＦ１０８０がバス１０９０により接続された形態を有する。

演算装置１０３０は、一次記憶装置１０４０や二次記憶装置１０５０に格納されたプログラムや入力装置１０２０から読み出したプログラム等に基づいて動作し、各種の処理を実行する。一次記憶装置１０４０は、ＲＡＭ等、演算装置１０３０が各種の演算に用いるデータを一次的に記憶するメモリ装置である。また、二次記憶装置１０５０は、演算装置１０３０が各種の演算に用いるデータや、各種のデータベースが登録される記憶装置であり、ＲＯＭ(Read Only Memory)、ＨＤＤ（Hard Disk Drive）、フラッシュメモリ等により実現される。

出力ＩＦ１０６０は、モニタやプリンタといった各種の情報を出力する出力装置１０１０に対し、出力対象となる情報を送信するためのインタフェースであり、例えば、ＵＳＢ（Universal Serial Bus）やＤＶＩ（Digital Visual Interface）、ＨＤＭＩ（登録商標）（High Definition Multimedia Interface）といった規格のコネクタにより実現される。また、入力ＩＦ１０７０は、マウス、キーボード、およびスキャナ等といった各種の入力装置１０２０から情報を受信するためのインタフェースであり、例えば、ＵＳＢ等により実現される。

なお、入力装置１０２０は、例えば、ＣＤ（Compact Disc）、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から情報を読み出す装置であってもよい。また、入力装置１０２０は、ＵＳＢメモリ等の外付け記憶媒体であってもよい。

ネットワークＩＦ１０８０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演算装置１０３０へ送り、また、ネットワークＮを介して演算装置１０３０が生成したデータを他の機器へ送信する。

演算装置１０３０は、出力ＩＦ１０６０や入力ＩＦ１０７０を介して、出力装置１０１０や入力装置１０２０の制御を行う。例えば、演算装置１０３０は、入力装置１０２０や二次記憶装置１０５０からプログラムを一次記憶装置１０４０上にロードし、ロードしたプログラムを実行する。

例えば、コンピュータ１０００が生成装置１００として機能する場合、コンピュータ１０００の演算装置１０３０は、一次記憶装置１０４０上にロードされたプログラムを実行することにより、制御部１３０の機能を実現する。

〔６－８．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、生成部は、生成手段や生成回路に読み替えることができる。

〔７．効果〕
上述してきたように、実施形態に係る生成装置１００は、取得部１３２と、生成部１３４とを有する。取得部１３２は、商品に関する商品情報を取得する。生成部１３４は、商品情報に含まれる情報のうち、商品の名称と、商品の商品説明との組合せを学習させることで学習モデルを生成する。

これにより、実施形態に係る生成装置１００は、商品情報に含まれる情報のうち、商品の名称と、商品の商品説明との組合せを学習させることで学習モデルを生成するため、より簡便な手段で適切な学習モデルを生成することができる。

また、実施形態に係る生成装置１００において、生成部１３４は、第１商品情報に含まれる情報のうち、第１商品の名称と、第２商品情報に含まれる情報のうち、第２商品の名称とを学習モデルに入力することで、第１商品と、第２商品との一致度合いを示すスコアを出力する学習モデルを生成する。

これにより、実施形態に係る生成装置１００は、第１商品情報に含まれる情報のうち、第１商品の名称と、第２商品情報に含まれる情報のうち、第２商品の名称とを学習モデルに入力することで、第１商品と、第２商品との一致度合いを示すスコアを出力する学習モデルを生成するため、より簡便な手段で適切な学習モデルを生成することができる。

また、実施形態に係る生成装置１００において、生成部１３４は、第１商品情報に含まれる情報のうち、第１商品の名称と、第１商品情報に含まれる情報のうち、第１商品の商品説明との組合せを正例として学習させることで学習モデルを生成する。

これにより、実施形態に係る生成装置１００は、第１商品情報に含まれる情報のうち、第１商品の名称と、第１商品情報に含まれる情報のうち、第１商品の商品説明との組合せを正例として学習させることで学習モデルを生成するため、より簡便な手段で適切な学習モデルを生成することができる。

また、実施形態に係る生成装置１００において、生成部１３４は、第１商品情報に含まれる情報のうち、第１商品の名称と、第２商品情報に含まれる情報のうち、第２商品の商品説明との組合せを負例として学習させることで学習モデルを生成する。

これにより、実施形態に係る生成装置１００は、第１商品情報に含まれる情報のうち、第１商品の名称と、第２商品情報に含まれる情報のうち、第２商品の商品説明との組合せを負例として学習させることで学習モデルを生成するため、より簡便な手段で適切な学習モデルを生成することができる。

また、実施形態に係る生成装置１００において、第１商品の名称又は商品説明のうちから、文字列を選択し、文字列を含む第２商品の名称又は商品説明に対応する第２商品情報によって構成される群を生成する選択部１３３をさらに備える。

これにより、実施形態に係る生成装置１００は、第１商品の名称又は商品説明のうちから、文字列を選択し、文字列を含む第２商品の名称又は商品説明に対応する第２商品情報によって構成される群を生成するため、より簡便な手段で適切な学習モデルを生成するための予備的な学習データ群を好適に生成することができる。

また、実施形態に係る生成装置１００において、選択部１３３は、第１商品の名称又は商品説明のうちから、複数の文字列を選択し、複数の文字列の各々の出現頻度に基づいて、出現頻度が第１閾値以上であり、且つ、出現頻度が第２閾値以下である文字列を含む第２商品の名称又は商品説明に対応する第２商品情報によって構成される群を生成する。

これにより、実施形態に係る生成装置１００は、第１商品の名称又は商品説明のうちから、複数の文字列を選択し、複数の文字列の各々の出現頻度に基づいて、出現頻度が第１閾値以上であり、且つ、出現頻度が第２閾値以下である文字列を含む第２商品の名称又は商品説明に対応する第２商品情報によって構成される群を生成するため、より簡便な手段で適切な学習モデルを生成するための予備的な学習データ群を好適に生成することができる。

また、実施形態に係る生成装置１００において、選択部１３３は、群のうちから、第２商品情報をさらに選択し、生成部１３４は、第１商品の名称と、第２商品情報に含まれる情報のうち、第２商品の商品説明との組合せを負例として学習させることで学習モデルを生成する。

これにより、実施形態に係る生成装置１００は、第１商品の名称と、群のうちから選択した第２商品情報に含まれる情報のうち、第２商品の商品説明との組合せを負例として学習させることで学習モデルを生成するため、より簡便な手段で適切な学習モデルを生成することができる。

また、実施形態に係る生成装置１００において、生成部１３４によって生成された学習モデルを用いて、第１商品と、第２商品とが同一の商品であるか否かを判定する判定部１３５をさらに備える。

これにより、実施形態に係る生成装置１００は、学習モデルを用いて、第１商品と、第２商品とが同一の商品であるか否かを判定するため、商品が同一か否かについて高精度に判定することができる。

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

Ｎ ネットワーク
１ 生成システム
５０ ＥＣサーバ
１００ 生成装置
１１０ 通信部
１２０ 記憶部
１２１ 商品情報記憶部
１２２ 学習データ記憶部
１２３ 学習モデル
１２４ 提供情報記憶部
１３０ 制御部
１３１ 受付部
１３２ 取得部
１３３ 選択部
１３４ 生成部
１３５ 判定部
１３６ 提供部

Claims (7)

1. 商品に関する商品情報を取得する取得部と、
   第１商品情報に含まれる第１商品の名称と当該第１商品の商品説明との組合せを正例として、当該第１商品の名称と、第２商品情報に含まれる第２商品の商品説明との組合せを負例として、学習モデルに学習させ、当該第１商品の名称と当該第２商品の名称とを当該学習モデルに入力することで、当該第１商品と当該第２商品との一致度合いを示すスコアを出力する当該学習モデルを生成する生成部と
   を備えることを特徴とする生成装置。
2. 第１商品の名称又は商品説明のうちから、文字列を選択し、当該文字列を含む第２商品の名称又は商品説明に対応する第２商品情報によって構成される群を生成する選択部をさらに備える
   ことを特徴とする請求項１に記載の生成装置。
3. 前記選択部は、
   前記第１商品の名称又は商品説明のうちから、複数の文字列を選択し、当該複数の文字列の各々の出現頻度に基づいて、当該出現頻度が第１閾値以上であり、且つ、当該出現頻度が第２閾値以下である文字列を含む第２商品の名称又は商品説明に対応する第２商品情報によって構成される前記群を生成する
   ことを特徴とする請求項２に記載の生成装置。
4. 前記選択部は、
   前記群のうちから、前記第２商品情報をさらに選択し、
   前記生成部は、
   前記第１商品の名称と、前記第２商品情報に含まれる情報のうち、第２商品の商品説明との組合せを負例として学習させることで前記学習モデルを生成する
   ことを特徴とする請求項２又は３に記載の生成装置。
5. 前記生成部によって生成された学習モデルを用いて、第１商品と、第２商品とが同一の商品であるか否かを判定する判定部をさらに備える
   ことを特徴とする請求項１～４のいずれか１つに記載の生成装置。
6. コンピュータが実行する生成方法であって、
   商品に関する商品情報を取得する取得工程と、
   第１商品情報に含まれる第１商品の名称と当該第１商品の商品説明との組合せを正例として、当該第１商品の名称と、第２商品情報に含まれる第２商品の商品説明との組合せを負例として、学習モデルに学習させ、当該第１商品の名称と当該第２商品の名称とを当該学習モデルに入力することで、当該第１商品と当該第２商品との一致度合いを示すスコアを出力する当該学習モデルを生成する生成工程と
   を含むことを特徴とする生成方法。
7. 商品に関する商品情報を取得する取得手順と、
   第１商品情報に含まれる第１商品の名称と当該第１商品の商品説明との組合せを正例として、当該第１商品の名称と、第２商品情報に含まれる第２商品の商品説明との組合せを負例として、学習モデルに学習させ、当該第１商品の名称と当該第２商品の名称とを当該学習モデルに入力することで、当該第１商品と当該第２商品との一致度合いを示すスコアを出力する当該学習モデルを生成する生成手順と
   をコンピュータに実行させることを特徴とする生成プログラム。

Images