JP7316477B1 - 処理実行システム、処理実行方法、及びプログラム - Google Patents

Abstract

処理実行システム（Ｓ）の第２分類情報取得部（２０２）は、第１データと、当該第１データの分類に関する第１分類情報と、の関係が学習された第１モデルに基づいて、第２データの分類に関する第２分類情報を取得する。有効性推定部（２０６）は、所定の推定方法に基づいて、第２データ及び第２分類情報の組み合わせに関する有効性を推定する。実行部（２０７）は、有効性の推定結果に基づいて、所定の処理を実行する。

Description

本開示は、処理実行システム、処理実行方法、及びプログラムに関する。

従来、機械学習に関するモデルを利用して、所定のデータの分類を推定する技術が知られている。例えば、特許文献１には、検索クエリに含まれるキーワードの分類の推定結果を出力するモデルを利用して、検索クエリを入力したユーザに有益な情報を提供する技術が記載されている。特許文献１の技術では、モデルの出力として、検索結果の種類、検索のタイプ、又は検索対象の種類等を示すドメインが挙げられている。

特開２０２０－１６９６０号公報

しかしながら、特許文献１の技術では、訓練データが十分でないことに起因してモデルの精度が十分ではない場合には、モデルから不適切なドメインが出力されるので、ユーザに有益な情報を提供できない可能性があった。この点は、特許文献１のようなモデルに限られず、他の目的で他の分類を推定するモデルも同様である。このため、従来の技術では、訓練データが十分ではないことに起因してモデルの精度が十分ではない場合には、所望の結果を得ることはできなかった。

本開示の目的の１つは、訓練データが十分ではないことに起因してモデルの精度が十分ではない場合にも、所望の結果を得ることを目的の１つとする。

本開示の一態様に係る処理実行システムは、第１データと、当該第１データの分類に関する第１分類情報と、の関係が学習された第１モデルに基づいて、第２データの分類に関する第２分類情報を取得する第２分類情報取得部と、所定の推定方法に基づいて、前記第２データ及び前記第２分類情報の組み合わせに関する有効性を推定する有効性推定部と、前記有効性の推定結果に基づいて、所定の処理を実行する実行部と、を含む。

本開示によれば、訓練データが十分ではないことに起因してモデルの精度が十分ではない場合にも、所望の結果を得ることができる。

処理実行システムの全体構成の一例を示す図である。 ポータルページから検索が実行される様子の一例を示す図である。 処理実行システムの概要を示す図である。 処理実行システムで実現される機能の一例を示す機能ブロック図である。 ページデータベースの一例を示す図である。 検索クエリデータベースの一例を示す図である。 訓練データベースの一例を示す図である。 クエリ選択データベースの一例を示す図である。 第２モデルの訓練データを生成する方法の一例を示す図である。 処理実行システムで実行される処理の一例を示すフロー図である。 変形例８の機能ブロックの一例を示す図である。 変形例８で実行される処理の概要を示す図である。

［１．処理実行システムの全体構成］
本開示に係る処理実行システムの実施形態の一例を説明する。図１は、処理実行システムの全体構成の一例を示す図である。ネットワークＮは、インターネット又はＬＡＮ等の任意のネットワークである。処理実行システムＳは、少なくとも１つのコンピュータを含めばよく、図１の例に限られない。

検索サーバ１０は、サーバコンピュータである。制御部１１は、少なくとも１つのプロセッサを含む。記憶部１２は、ＲＡＭ等の揮発性メモリと、ハードディスク等の不揮発性メモリと、を含む。通信部１３は、有線通信用の通信インタフェースと、無線通信用の通信インタフェースと、の少なくとも一方を含む。

学習サーバ２０は、サーバコンピュータである。制御部２１、記憶部２２、及び通信部２３の物理的構成は、それぞれ制御部１１、記憶部１２、及び通信部１３と同様である。

検索者端末３０は、検索クエリを入力するユーザである検索者のコンピュータである。例えば、検索者端末３０は、パーソナルコンピュータ、スマートフォン、タブレット端末、又はウェアラブル端末である。制御部３１、記憶部３２、及び通信部３３の物理的構成は、それぞれ制御部１１、記憶部１２、及び通信部１３と同様である。操作部３４は、タッチパネル又はマウス等の入力デバイスである。表示部３５は、液晶ディスプレイ又は有機ＥＬディスプレイである。

作成者端末４０は、検索対象のデータを作成するユーザである作成者のコンピュータである。例えば、作成者端末４０は、パーソナルコンピュータ、スマートフォン、タブレット端末、又はウェアラブル端末である。制御部４１、記憶部４２、通信部４３、操作部４４、及び表示部４５の物理的構成は、それぞれ制御部１１、記憶部１２、通信部１３、操作部３４、及び表示部３５と同様である。

なお、記憶部１２，２２，３２，４２に記憶されるプログラム又はデータは、ネットワークＮを介して供給されてもよい。また、各コンピュータには、コンピュータ読み取り可能な情報記憶媒体を読み取る読取部（例えば、メモリカードスロット）と、外部機器とデータの入出力をするための入出力部（例えば、ＵＳＢポート）と、の少なくとも一方が含まれてもよい。例えば、情報記憶媒体に記憶されたプログラム又はデータが、読取部及び入出力部の少なくとも一方を介して供給されてもよい。

［２．処理実行システムの概要］
本実施形態では、ウェブページの検索サービスに処理実行システムＳを適用した場合を例に挙げる。作成者は、ウェブページを作成し、検索サーバ１０又は他のサーバコンピュータにアップロードする。検索者は、検索者端末３０のブラウザでウェブページを検索する。例えば、検索者が検索者端末３０を操作して検索サーバ１０にアクセスすると、検索サービスのポータルページが表示部３５に表示される。

図２は、ポータルページから検索が実行される様子の一例を示す図である。例えば、検索者は、ポータルページＰ１の入力フォームＦ１０に検索クエリを入力する。検索者がボタンＢ１１を選択すると、検索サーバ１０は、この検索クエリに基づいて、ウェブページの検索処理を実行する。検索者端末３０の表示部３５には、検索者が入力した検索クエリに応じた検索結果を示す検索結果ページＰ２が表示される。

検索者は、何らかの意図を持って検索クエリを入力し、検索サービスを利用する。図２の例では、「ＣＧ ｂａｇ Ｚｅｂｒａ」といった検索クエリが入力されている。この場合、検索者は、「ゼブラ柄のバッグが描かれたコンピュータグラフィック」を検索したいといった意図があると思われる。検索者の意図を推定できれば、例えば、検索サービスにおけるマーケティングに活用したり、検索結果の精度を高めたりできるので、非常に有用である。

そこで、本実施形態では、機械学習を利用したモデルに基づいて、検索者の意図が推定される。以降、検索者の意図を推定するモデルを第１モデルと記載する。第１モデルでは、種々の機械学習手法を利用可能である。第１モデルは、教師有り学習、半教師有り学習、又は教師無し学習の何れであってもよい。例えば、第１モデルは、ニューラルネットワークであってもよい。

本実施形態では、ウェブページのタイトルと、ウェブページの属性及び属性値と、の関係が第１モデルに学習される。タイトルは、ブラウザのタイトルバーに表示される文字列である。例えば、タイトルは、ウェブページの内容を示すキーワードを含む。タイトルは、検索時のインデックスとして利用される。本実施形態では、作成者がタイトルを入力するものとするが、タイトルは、ウェブページに含まれる文字列から自動的に抽出されてもよいし、検索サービスの管理者が入力してもよい。

ウェブページの属性は、ウェブページの分類である。ウェブページの属性は、ウェブページの種類、カテゴリ、又はジャンルということもできる。属性は、文字、数字、その他の記号、又はこれらの組み合わせによって表現される。属性は、所定の観点でウェブページを分類可能なものであればよく、任意の観点で属性を設定可能である。例えば、フリー素材の画像を提供するウェブページには、属性「Ｉｍａｇｅ」が関連付けられる。例えば、ニュース記事等の文書を提供するウェブページには、属性「Ｄｏｃｕｍｅｎｔ」が関連付けられる。

ウェブページの属性値は、属性の具体的な値である。属性は、少なくとも１つの属性値が関連付けられる。ウェブページには、属性に関連付けられた属性値のうちの少なくとも１つが関連付けられる。属性値は、文字、数字、その他の記号、又はこれらの組み合わせによって表現される。属性値は、所定の観点で属性の詳細を定義するものであればよく、任意の観点で属性値を設定可能である。

例えば、属性「Ｉｍａｇｅ」に、属性値「Ｃｏｍｐｕｔｅｒ Ｇｒａｐｈｉｃ」と、属性値「Ｐｈｏｔｏｇｒａｐｈ」と、が関連付けられていたとすると、属性「Ｉｍａｇｅ」のウェブページには、属性値「Ｃｏｍｐｕｔｅｒ Ｇｒａｐｈｉｃ」又は属性値「Ｐｈｏｔｏｇｒａｐｈ」の何れかが関連付けられる。例えば、属性「Ｄｏｃｕｍｅｎｔ」に、属性値「Ｎｅｗｓ」と、属性値「Ａｄｖｅｒｔｉｓｅｍｅｎｔ」と、が関連付けられていたとすると、属性「Ｄｏｃｕｍｅｎｔ」のウェブページには、属性値「Ｎｅｗｓ」又は属性値「Ａｄｖｅｒｔｉｓｅｍｅｎｔ」の何れかが関連付けられる。

作成者は、何らかの意図でウェブページを作成する。例えば、属性「Ｉｍａｇｅ」及び属性値「Ｃｏｍｐｕｔｅｒ Ｇｒａｐｈｉｃ」のウェブページは、コンピュータグラフィックの画像を配信するといった意図のもとで作成される。例えば、属性「Ｄｏｃｕｍｅｎｔ」及び属性値「Ｎｅｗｓ」のウェブページは、ニュース記事の文書を配信するといった意図のもとで作成される。作成者の意図は、ウェブページのタイトル、属性、及び属性値に表れると考えられる。このため、ウェブページのタイトルと、ウェブページの属性及び属性値と、の関係は、検索者が入力した検索クエリと、検索者の意図と、の関係に似ていると考えられる。

そこで、本実施形態では、検索者の意図を推定するために、ウェブページのタイトルと、ウェブページの属性及び属性値と、の関係を訓練データとして学習させた第１モデルを利用する。第１モデルには、ウェブページのタイトルに対応する情報として、検索クエリが入力される。第１モデルは、ウェブページの属性及び属性値に対応する情報として、検索者の意図を出力する。

例えば、第１モデルに学習させる訓練データが十分ではない場合、第１モデルの精度を十分に高めることができない。この場合、検索クエリを第１モデルに入力しても、第１モデルから出力される検索者の意図が不適切なものになる可能性がある。そこで、本実施形態の処理実行システムＳでは、訓練データが十分ではないことに起因して第１モデルの精度が十分ではない場合にも、検索者の意図を精度よく推定できるようになっている。

図３は、処理実行システムＳの概要を示す図である。図３のように、ページデータベースＤＢ１には、ウェブページのタイトルと、ウェブページの属性及び属性値と、が関連付けられて格納されている。これらのペアは、訓練データとして、第１モデルＭ１に学習される。検索クエリデータベースＤＢ２には、過去に入力された検索クエリが格納されている。本実施形態では、この検索クエリを入力した検索者の意図が推定される。

検索クエリが第１モデルＭ１に入力されると、第１モデルＭ１は、検索者の意図として、属性及び属性値を推定する。図３の例では、図２の検索クエリ「ＣＧ ｂａｇ Ｚｅｂｒａ」が第１モデルＭ１に入力される。第１モデルＭ１は、検索者の意図として、属性「Ｉｍａｇｅ」の属性値「Ｃｏｍｐｕｔｅｒ Ｇｒａｐｈｉｃ」、属性「Ｎａｔｉｏｎ」の属性値「Ｒｅｐｕｂｌｉｃ ｏｆ ｔｈｅ Ｃｏｎｇｏ」、及び属性「Ｐａｔｔｅｒｎ」の属性値「Ｚｅｂｒａ」といった３つの推定結果を出力する。

先述したように、図３の検索クエリを入力した検索者の意図は、「ゼブラ柄のバッグが描かれたコンピュータグラフィック」を検索したいといったものである。この意図は、第１モデルＭ１が出力した３つの推定結果のうち、属性「Ｉｍａｇｅ」の属性値「Ｃｏｍｐｕｔｅｒ Ｇｒａｐｈｉｃ」と、属性「Ｐａｔｔｅｒｎ」の属性値「Ｚｅｂｒａ」と、に表れている。

一方、第１モデルＭ１が出力した３つの推定結果のうち、属性「Ｎａｔｉｏｎ」の属性値「Ｒｅｐｕｂｌｉｃ ｏｆ ｔｈｅ Ｃｏｎｇｏ」は、ユーザの意図を表すものではない。例えば、訓練データが十分でないことに起因して第１モデルＭ１の精度が十分ではない場合、このような不適切な推定結果が出力されることがある。これは、検索クエリの一部の文字列「ＣＧ」がコンゴ共和国の国コードであることが、何らかの理由で第１モデルＭ１に学習されていることが原因と考えられる。

本実施形態では、不適切な推定結果を除去するための第２モデルＭ２が用意されている。第２モデルＭ２は、機械学習を利用したモデルである。第２モデルＭ２では、種々の機械学習手法を利用可能である。第２モデルＭ２では、教師有り学習、半教師有り学習、又は教師無し学習の何れであってもよい。例えば、第２モデルは、ニューラルネットワークであってもよい。例えば、第２モデルＭ２は、検索クエリ及び検索者の意図のペア（即ち、第１モデルＭ１に入力された検索クエリと、第１モデルＭ１から出力された推定結果と、のペア）が入力されると、このペアの有効性を出力する。

図３の例では、第２モデルＭ２は、第１モデルＭ１が出力した３つの推定結果のうち、属性「Ｉｍａｇｅ」の属性値「Ｃｏｍｐｕｔｅｒ Ｇｒａｐｈｉｃ」と、属性「Ｐａｔｔｅｒｎ」の属性値「Ｚｅｂｒａ」と、が有効であると推定する。第２モデルＭ２は、第１モデルＭ１が出力した３つの推定結果のうち、属性「Ｎａｔｉｏｎ」の属性値「Ｒｅｐｕｂｌｉｃ ｏｆ ｔｈｅ Ｃｏｎｇｏ」が有効ではないと推定する。

本実施形態では、第２モデルＭ２の推定結果に基づいて、第１モデルＭ１の訓練データが生成される。図３の例であれば、検索クエリ「ＣＧ ｂａｇ Ｚｅｂｒａ」と、属性「Ｉｍａｇｅ」の属性値「Ｃｏｍｐｕｔｅｒ Ｇｒａｐｈｉｃ」と、のペアを含む訓練データと、検索クエリ「ＣＧ ｂａｇ Ｚｅｂｒａ」と、属性「Ｐａｔｔｅｒｎ」の属性値「Ｚｅｂｒａ」と、のペアを含む訓練データと、が生成される。第１モデルＭ１には、これら２つの訓練データが学習される。

以上のように、処理実行システムＳは、第１モデルＭ１に基づいて、検索クエリを入力した検索者の意図を推定する。処理実行システムＳは、第２モデルＭ２に基づいて、第１モデルＭ１の推定結果のうち有効ではない推定結果を除去し、第１モデルＭ１の訓練データを生成する。処理実行システムＳは、この訓練データを第１モデルＭ１に学習させる。これにより、ページデータベースＤＢ１に格納された訓練データが十分ではなかったとしても、第１モデルＭ１の精度が高まる。第１モデルＭ１の訓練データを作成する手間を省くこともできる。以降、処理実行システムＳの詳細を説明する。

［３．処理実行システムで実現される機能］
図４は、処理実行システムＳで実現される機能の一例を示す機能ブロック図である。

［３－１．検索サーバで実現される機能］
データ記憶部１００は、記憶部１２を主として実現される。検索部１０１は、制御部１１を主として実現される。

［データ記憶部］
データ記憶部１００は、検索サービスを提供するために必要なデータを記憶する。例えば、データ記憶部１００は、ウェブページのインデックスと、ウェブページのＵＲＬと、が関連付けられて格納されたデータベースを記憶する。インデックスは、検索クエリとの比較対象となる情報である。インデックスは、任意の情報を利用可能である。例えば、ウェブページのタイトル、ウェブページの属性及び属性値、ウェブページに含まれる任意のキーワード、又はこれらの組み合わせがインデックスとして利用される。例えば、データ記憶部１００は、ポータルページＰ１及び検索結果ページＰ２を表示させるためのデータ（例えば、ＨＴＭＬデータ）を記憶する。他にも例えば、データ記憶部１００は、過去に入力された検索クエリの履歴を記憶したり、後述のクエリ選択データを記憶したりしてもよい。

［検索部］
検索部１０１は、検索者が入力した検索クエリに基づいて、検索処理を実行する。検索処理自体は、種々の検索エンジンを適用可能である。例えば、検索部１０１は、検索者が入力した検索クエリと、データ記憶部１００に記憶されたウェブページのインデックスと、に基づいて、ウェブページの検索スコアを計算する。検索スコアは、検索クエリとインデックスとの一致度を示す。検索スコアの計算方法自体は、種々の検索エンジンで採用されている計算方法を適用可能である。

検索部１０１は、検索スコアが高い順に所定数のウェブページを選択し、当該選択されたウェブページへのリンクを含む検索結果ページＰ２を生成する。検索部１０１は、検索者端末３０に、検索結果ページＰ２のデータを送信する。検索部１０１は、検索者端末３０から検索者による選択結果を受信すると、検索者が選択したリンクに対応するウェブページに検索者端末３０をアクセスさせる。検索部１０１は、検索者が入力した検索クエリと、検索者が選択したリンクに対応するウェブページと、の関係をデータ記憶部１００に記録する。この関係は、後述のクエリ選択データに相当する。

［３－２．学習サーバで実現される機能］
データ記憶部２００は、記憶部２２を主として実現される。第１学習部２０１、第２分類情報取得部２０２、候補生成部２０３、第３分類情報取得部２０４、第２学習部２０５、有効性推定部２０６、及び実行部２０７の各々は、制御部２１を主として実現される。

［データ記憶部］
データ記憶部２００は、図３で説明した処理に必要なデータを記憶する。例えば、データ記憶部２００は、ページデータベースＤＢ１、検索クエリデータベースＤＢ２、訓練データベースＤＢ３、クエリ選択データベースＤＢ４、第１モデルＭ１、及び第２モデルＭ２を記憶する。

図５は、ページデータベースＤＢ１の一例を示す図である。ページデータベースＤＢ１は、ウェブページに関する情報が格納されたデータベースである。例えば、ページデータベースＤＢ１には、ウェブページのタイトルと、ウェブページの属性及び属性値と、が関連付けられて格納される。

例えば、学習サーバ２０は、作成者がウェブページをアップロードした検索サーバ１０又は他のサーバから、ウェブページのタイトルと、ウェブページの属性及び属性値と、のペアを取得し、当該取得されたペアをページデータベースＤＢ１に格納する。ページデータベースＤＢ１に格納されたペアは、第１モデルＭ１の訓練データとして利用される。この訓練データは、後述する初期の第１モデルＭ１を生成するために利用される。

第１モデルＭ１の訓練データは、入力部分と出力部分のペアを含む。第１モデルＭ１の訓練データの入力部分は、実際に第１モデルＭ１に入力されるデータと同じ形式である。本実施形態では、検索クエリを示す文字列が第１モデルＭ１に入力されるので、第１モデルＭ１の訓練データの入力部分は文字列である。第１モデルＭ１の訓練データの出力部分は、実際に第１モデルＭ１から出力されるデータと同じ形式である。本実施形態では、属性を示す文字列と、属性値を示す文字列と、の組み合わせが第１モデルＭ１から出力されるので、第１モデルＭ１の訓練データの出力部分は２つの文字列の組み合わせを含む。

図６は、検索クエリデータベースＤＢ２の一例を示す図である。検索クエリデータベースＤＢ２は、過去に入力された検索クエリが格納されたデータベースである。検索サーバ１０は、検索者が入力した検索クエリに基づいて検索処理を実行すると、学習サーバ２０に検索クエリを送信する。学習サーバ２０は、検索サーバ１０から受信した検索クエリを、検索クエリデータベースＤＢ２に格納する。

図７は、訓練データベースＤＢ３の一例を示す図である。訓練データベースＤＢ３は、第１モデルＭ１の訓練データが格納されたデータベースである。この訓練データは、後述の実行部２０７により生成される。この訓練データは、後述する初期の第１モデルＭ１の精度を高めるために利用される。訓練データベースＤＢ３に格納される訓練データの形式は、ページデータベースＤＢ１に格納された訓練データと同様の形式である。ただし、これらの訓練データの形式自体は同様であるが、これらの訓練データが示す具体的な内容は互いに異なる。

例えば、ページデータベースＤＢ１に格納された訓練データの入力部分は、ウェブページのタイトルを示す文字列であるのに対し、訓練データベースＤＢ３に格納された訓練データの入力部分は、検索クエリを示す文字列である。これらの入力部分は、作成者及び検索者の各々が何らかの意図で入力した文字列という意味では同様であるが、具体的な内容は異なる。

例えば、ページデータベースＤＢ１に格納された訓練データの出力部分は、ウェブページの属性及び属性値の各々を示す文字列であるのに対し、訓練データベースＤＢ３に格納された訓練データの出力部分は、検索者の意図を示す文字列である。これらの出力部分は、作成者及び検索者の各々の意図が何らかの形で表れた文字列という意味では同様であるが、具体的な内容は異なる。

図８は、クエリ選択データベースＤＢ４の一例を示す図である。クエリ選択データベースＤＢ４は、クエリ選択データが格納されたデータベースである。クエリ選択データは、検索クエリに対する選択結果を示すデータである。クエリ選択データは、クエリクリックログと呼ばれることもある。例えば、クエリ選択データベースＤＢ４には、検索クエリと、ページ情報と、が関連付けられて格納される。

ページ情報は、ウェブページに関する情報である。このウェブページは、検索クエリを入力した検索者が検索結果ページＰ２で選択したリンクが示すウェブページである。このウェブページは、検索者により実際に選択されているので、検索者の意図に沿ったウェブページといえる。例えば、ページ情報は、ウェブページのタイトル、属性、及び属性値を含む。ページ情報は、任意の情報を含んでよく、例えば、ウェブページのＵＲＬや閲覧日時を含んでもよい。

データ記憶部２００は、学習済みの第１モデルＭ１を記憶する。第１モデルＭ１は、畳み込み等の処理を実行するためのプログラム部分と、重み等のパラメータ部分と、を含む。本実施形態では、第１モデルＭ１は、マルチラベルに対応したモデルである。マルチラベルに対応したモデルは、入力されたデータに対して複数の分類を推定可能である。第１モデルＭ１には、ウェブページのタイトルと、ウェブページの属性及び属性値と、の関係が学習される。

ウェブページのタイトルは、第１データの一例である。このため、ウェブページのタイトルについて説明している箇所は、第１データと読み替えることができる。第１データは、初期の第１モデルＭ１の訓練データのうちの入力部分である。初期の第１モデルＭ１とは、実行部２０７により生成された訓練データが学習される前の第１モデルＭ１である。本実施形態では、ページデータベースＤＢ１を利用して初期の第１モデルＭ１の訓練データが生成されるので、第１データは、ページデータベースＤＢ１に格納されたウェブページのタイトルである。

第１データは、第１モデルＭ１の学習に利用可能なデータであればよく、ウェブページのタイトルに限られない。例えば、第１データは、ウェブページに含まれるタイトル以外の文字列、ウェブページのインデックスとして利用されるキーワード、又はウェブページから作成された要約であってもよい。第１データは、文字列そのものではなく、文字列の何らかの特徴を示す特徴量であってもよい。第１データは、任意の形式であってよく、文字列に限られない。例えば、第１データは、画像データ、動画データ、文書データ、又はその他の任意のデータであってもよい。例えば、第１データは、コンテンツと呼ばれるデータであってもよい。

ウェブページの属性及び属性値は、第１分類情報の一例である。このため、ウェブページの属性及び属性値について説明している箇所は、第１分類情報と読み替えることができる。第１分類情報は、第１データの分類に関する情報である。第１分類情報は、初期の第１モデルＭ１の訓練データのうちの出力部分である。本実施形態では、ページデータベースＤＢ１を利用して初期の第１モデルＭ１の訓練データが生成されるので、第１分類情報は、ページデータベースＤＢ１に格納された属性及び属性値である。本実施形態では、第１データ及び第１分類情報は、検索時のインデックスとして利用されるデータである。

第１分類情報は、第１モデルＭ１の学習に利用可能な情報であればよく、ウェブページの属性及び属性値に限られない。例えば、第１分類情報は、ウェブページの属性又は属性値の何れかのみを示してもよい。第１分類情報は、任意の形式であってよく、文字列に限られない。例えば、第１分類情報は、分類を一意に識別可能なＩＤ又は番号のような情報であってもよい。本実施形態では、属性及び属性値のペアの１つ１つが第１分類情報に相当する場合を説明する。このため、ある１つの第１データに対し、複数の第１分類情報が関連付けられることがある。複数の属性及び属性値のペアを１つの第１分類情報として扱ってもよい。この場合、ある１つの第１データに対し、１つの第１分類情報が関連付けられる。

例えば、第１モデルＭ１には、第１データの候補と、第１分類情報の候補と、を含むページデータベースＤＢ１に基づいて取得された、第１データと、第１分類情報と、の関係が学習される。ページデータベースＤＢ１は、第１データベースの一例である。このため、ページデータベースＤＢについて説明している箇所は、第１データベースと読み替えることができる。第１データベースは、初期の第１モデルＭ１の訓練データの候補となるデータが格納されたデータベースである。第１データベースの全部又は一部のデータが、初期の第１モデルＭ１の訓練データとして利用される。

データ記憶部２００は、学習済みの第２モデルＭ２を記憶する。第２モデルＭ２は、畳み込み等の処理を実行するためのプログラム部分と、重み等のパラメータ部分と、を含む。本実施形態では、第２モデルＭ２は、有効であるか否かを示す情報（有効であることを示す第１の値、又は、有効ではないことを示す第２の値の何れか）を出力する場合を説明するが、第２モデルＭ２は、有効性を示すスコアを出力してもよい。即ち、第２モデルＭ２の出力は、有効であるか否かといった２値的な情報ではなく、スコアのような中間値を有する情報であってもよい。第２モデルＭ２には、検索クエリと属性及び属性値との組み合わせと、当該組み合わせの有効性と、の関係が学習されている。

属性及び属性値が関連付けられた検索クエリは、第３データの一例である。このため、属性及び属性値が関連付けられた検索クエリについて説明している箇所は、第３データと読み替えることができる。第３データは、第２モデルＭ２の訓練データのうちの入力部分である。本実施形態では、クエリ選択データベースＤＢ４を利用して第２モデルＭ２の訓練データが生成されるので、クエリ選択データベースＤＢ４に格納された検索クエリは、第３データに相当する。本実施形態では、初期の第１モデルＭ１の推定結果も第２モデルＭ２の学習で利用されるので、初期の第１モデルＭ１に入力された検索クエリも、第３データに相当する。

第３データは、第２モデルＭ２の学習に利用可能なデータであればよく、検索クエリに限られない。例えば、第３データは、ウェブページのタイトル、ウェブページに含まれるタイトル以外の文字列、ウェブページのインデックスとして利用されるキーワード、又はウェブページから作成された要約であってもよい。第３データは、文字列そのものではなく、文字列の何らかの特徴を示す特徴量であってもよい。第３データは、任意の形式であってよく、文字列に限られない。例えば、第３データは、画像データ、動画データ、文書データ、又はその他の任意のデータであってもよい。例えば、第３データは、コンテンツと呼ばれるデータであってもよい。

検索クエリに関連付けられた属性及び属性値は、第３分類情報の一例である。このため、検索クエリに関連付けられた属性及び属性値について説明している箇所は、第３分類情報と読み替えることができる。第３分類情報は、第３データの分類に関する情報である。第３分類情報は、第２モデルＭ２の訓練データのうちの出力部分である。本実施形態では、クエリ選択データベースＤＢ４を利用して第２モデルＭ２の訓練データが生成されるので、クエリ選択データベースＤＢ４に格納された属性及び属性値は、第３分類情報に相当する。本実施形態では、初期の第１モデルＭ１の推定結果も第２モデルＭ２の学習で利用されるので、初期の第１モデルＭ１により推定された属性及び属性値も、第３分類情報に相当する。

第３分類情報は、第２モデルＭ２の学習に利用可能な情報であればよく、検索クエリに関連付けられた属性及び属性値に限られない。例えば、第３分類情報は、検索クエリに関連付けられた属性又は属性値の何れかのみを示してもよい。第３分類情報は、任意の形式であってよく、文字列に限られない。例えば、第３分類情報は、分類を一意に識別可能なＩＤ又は番号のような情報であってもよい。本実施形態では、属性及び属性値のペアの１つ１つが第３分類情報に相当する場合を説明する。このため、ある１つの第３データに対し、複数の第３分類情報が関連付けられることがある。複数の属性及び属性値のペアを１つの第３分類情報として扱ってもよい。この場合、ある１つの第３データに対し、１つの第３分類情報が関連付けられる。

第２モデルＭ２には、第３データ及び第３分類情報の組み合わせと、当該組み合わせが有効である旨を示す有効性と、の関係が学習される。例えば、第２モデルＭ２には、第３データの候補と、第３分類情報の候補と、を含むクエリ選択データベースＤＢ４であって、クエリ選択データベースＤＢ４に基づいて取得された、第３データと、第３分類情報と、の関係が学習される。クエリ選択データベースＤＢ４は、第２データベースの一例である。このため、クエリ選択データベースＤＢ４について説明している箇所は、第２データベースと読み替えることができる。

第２データベースは、第２モデルＭ２の訓練データの候補となるデータが格納されたデータベースである。第２データベースの全部又は一部のデータが、第２モデルＭ２の訓練データとして利用される。第２データベースは、第１データベースとは異なる観点のデータベースである。観点とは、訓練データとして用いられるデータの具体的な内容である。第１モデルＭ１の訓練データに含まれる入力部分と、第２モデルＭ２の訓練データに含まれる入力部分と、は異なる種類のデータが利用される。本実施形態では、第１モデルＭ１の訓練データに含まれる入力部分は、ウェブページのタイトルであるのに対し、第２モデルＭ２の訓練データに含まれる入力部分は、検索クエリである。ウェブページのタイトルと検索クエリは、文字列という意味では同じであるが、具体的な内容は異なる。

［第１学習部］
第１学習部２０１は、第１モデルＭ１の学習処理を実行する。本実施形態では、ページデータベースＤＢ１に格納されたデータが第１モデルＭ１の訓練データとして用いられるので、第１学習部２０１は、この訓練データに基づいて、第１モデルＭ１の学習処理を実行する。例えば、第１学習部２０１は、訓練データの入力部分であるウェブページのタイトルが入力された場合に、訓練データの出力部分である属性及び属性値が出力されるように、第１モデルＭ１の学習処理を実行する。第１モデルＭ１の学習処理自体は、種々のアルゴリズムを利用可能であり、例えば、誤差逆伝播法又は勾配降下法を利用可能である。

［第２分類情報取得部］
第２分類情報取得部２０２は、ウェブページのタイトルと、当該タイトルの属性及び属性値と、の関係が学習された第１モデルＭ１に基づいて、検索クエリの属性及び属性値（即ち、検索者の意図の推定結果）を取得する。

属性及び属性値が関連付けられていない検索クエリは、第２データの一例である。このため、属性及び属性値が関連付けられていない検索クエリについて説明している箇所は、第２データと読み替えることができる。第２データは、第１モデルＭ１に入力されるデータである。第２データは、第１データと同じ形式である。本実施形態では、属性及び属性値が関連付けられていない検索クエリが検索クエリデータベースＤＢ２に格納されているので、検索クエリデータベースＤＢ２に格納された検索クエリは、第２データに相当する。即ち、第２データは、ユーザが入力した検索クエリである。

第２データは、第１モデルＭ１の推定対象となるデータであればよく、検索クエリに限られない。例えば、検索者の意図ではなく作成者の意図を推定する場合には、第２データは、ウェブページのタイトル、ウェブページに含まれるタイトル以外の文字列、ウェブページのインデックスとして利用されるキーワード、又はウェブページから作成された要約であってもよい。第２データは、文字列そのものではなく、文字列の何らかの特徴を示す特徴量であってもよい。第２データは、任意の形式であってよく、文字列に限られない。例えば、第２データは、画像データ、動画データ、文書データ、又はその他の任意のデータであってもよい。例えば、第２データは、コンテンツと呼ばれるデータであってもよい。

検索クエリに対して推定される属性及び属性値は、第２分類情報の一例である。このため、検索クエリに対して推定される属性及び属性値について説明している箇所は、第２分類情報と読み替えることができる。第２分類情報は、第２データの分類に関する情報である。本実施形態では、第２データが検索クエリなので、第２分類情報は、検索クエリの分類に関する情報である。例えば、第２分類情報は、ユーザが検索クエリを入力した意図に関する情報である。第２分類情報は、第１モデルＭ１により推定された属性及び属性値である。本実施形態では、第２モデルＭ２により有効性が推定されるので、第２モデルＭ２により有効性が推定された属性及び属性値は、第２分類情報に相当する。

第２分類情報は、第１モデルＭ１の推定結果を示す情報であればよく、検索クエリの属性及び属性値に限られない。例えば、第２分類情報は、検索クエリの属性又は属性値の何れかのみを示してもよい。第２分類情報は、任意の形式であってよく、文字列に限られない。例えば、第２分類情報は、分類を一意に識別可能なＩＤ又は番号のような情報であってもよい。本実施形態では、属性及び属性値のペアの１つ１つが第２分類情報に相当する場合を説明する。このため、ある１つの第２データに対し、複数の第２分類情報が関連付けられることがある。複数の属性及び属性値のペアを１つの第２分類情報として扱ってもよい。この場合、ある１つの第２データに対し、１つの第２分類情報が関連付けられる。

例えば、第２分類情報取得部２０２は、検索クエリデータベースＤＢ２に格納された検索クエリを、第２データとして第１モデルＭ１に入力する。第１モデルＭ１は、この検索クエリの特徴量を計算し、特徴量に応じた属性及び属性値を推定結果として出力する。第２分類情報取得部２０２は、第１モデルＭ１から出力された属性及び属性値を、第２分類情報として取得する。本実施形態では、第１モデルＭ１がマルチラベルに対応しているので、第２分類情報取得部２０２は、第１モデルＭ１に基づいて、複数の属性及び属性値を取得する。マルチラベルに対応した第１モデルＭ１だったとしても、属性及び属性値が１つしか推定されないこともある。

なお、本実施形態では、第１モデルＭ１の処理で必要な特徴量などの計算は、第１モデルＭ１内で行われるものとする。このため、第２データがそのまま第１モデルＭ１に入力される場合を説明するが、何らかの集計処理等が必要な第２データであれば、第１モデルＭ１の外部で集計処理等が実行されたうえで第１モデルＭ１に入力されてもよい。即ち、第２データがそのまま第１モデルＭ１に入力されるのではなく、第２データに何らかの処理が実行されたうえで第１モデルＭ１に入力されてもよい。

［候補生成部］
候補生成部２０３は、複数の生成方法の各々に基づいて、第３データである検索クエリと、第３分類情報である属性及び属性値と、の候補を生成する。候補とは、第３データ又は第３分類情報になりうるデータ又は情報である。本実施形態では、クエリ選択データベースＤＢ４を利用した生成方法と、初期の第１モデルＭ１を利用した生成方法と、の２つの生成方法を例に挙げる。候補生成部２０３は、これらの２つの生成方法のうちの何れかだけに基づいて、候補を生成してもよい。

図９は、第２モデルＭ２の訓練データを生成する方法の一例を示す図である。図９のように、候補生成部２０３は、クエリ選択データベースＤＢ４に格納された検索クエリと、当該検索クエリを入力した検索者が選択したウェブページの属性及び属性値と、を候補Ｃ１として取得する。候補生成部２０３は、検索クエリデータベースＤＢ２に格納された検索クエリを、初期の第１モデルＭ１に入力し、初期の第１モデルＭ１から出力された属性及び属性値を取得することによって、候補Ｃ２を取得する。

第２モデルＭ２には、複数の生成方法のうちの複数で生成された候補Ｃ３が、第３データ及び第３分類情報として学習される。図９の例であれば、クエリ選択データベースＤＢ４を利用した生成方法と、初期の第１モデルＭ１を利用した生成方法と、の両方で取得された候補Ｃ３だけが第２モデルＭ２に学習される。候補Ｃ３は、候補Ｃ１及び候補Ｃ２のＡＮＤとなる。クエリ選択データベースＤＢ４を利用した生成方法、又は、初期の第１モデルＭ１を利用した生成方法の何れかだけで取得された候補については、第２モデルＭ２には学習されない。

［第３分類情報取得部］
第３分類情報取得部２０４は、第３データである検索クエリと、第１モデルＭ１と、に基づいて、第３分類情報である属性及び属性値を取得する。この第１モデルＭ１は、初期の第１モデルＭ１である。第３分類情報取得部２０４は、初期の第１モデルＭ１に、クエリ選択データベースＤＢ４に格納された検索クエリを入力する。初期の第１モデルＭ１は、この検索クエリの特徴量を計算し、特徴量に応じた属性及び属性値を推定結果として出力する。第３分類情報としての属性及び属性値を取得するための第１モデルＭ１の処理自体は、第２分類情報としての属性及び属性値を取得するための処理（第２分類情報取得部２０２の機能で説明した処理）と同様である。

本実施形態では、第３分類情報取得部２０４により取得される属性及び属性値は、図９の候補Ｃ２である。本実施形態では、候補Ｃ２のうち、候補Ｃ１でも登場するものが第２モデルＭ２の訓練データになるが、候補Ｃ１は関係なく、候補Ｃ２を第２モデルＭ２の訓練データにしてもよい。即ち、第３分類情報取得部２０４により取得された属性及び属性値がそのまま第２モデルＭ２の訓練データとして用いられてもよい。逆に、候補Ｃ２は関係なく、候補Ｃ１を第２モデルＭ２の訓練データにしてもよい。

［第２学習部］
第２学習部２０５は、第２モデルＭ２の学習処理を実行する。本実施形態では、訓練データベースＤＢ３に格納されたデータが第２モデルＭ２の訓練データとして用いられるので、第２学習部２０５は、この訓練データに基づいて、第２モデルＭ２の学習処理を実行する。例えば、第２学習部２０５は、訓練データの入力部分である検索クエリと属性及び属性値との組み合わせが入力された場合に、当該組み合わせに関する有効性が出力されるように、第２モデルＭ２の学習処理を実行する。第２モデルＭ２の学習処理自体は、種々のアルゴリズムを利用可能であり、例えば、誤差逆伝播法又は勾配降下法を利用可能である。

［有効性推定部］
有効性推定部２０６は、所定の推定方法に基づいて、第２データである検索クエリと、第２分類情報である属性及び属性値と、の組み合わせに関する有効性を推定する。有効性とは、実行部２０７の処理に有効であるか否か、又は、実行部２０７の処理に有効である程度である。本実施形態では、実行部２０７が訓練データの生成処理を実行するので、上記組み合わせが、訓練データとして適しているか否か、又は、訓練データとして適している程度は、有効性に相当する。有効性は、実行部２０７の処理における適性ということもできる。

本実施形態では、有効性推定部２０６が、上記組み合わせが有効であるか否かを判定することが有効性を推定することに相当する場合を説明するが、有効の程度を示すスコアを取得することが有効性を推定することに相当してもよい。スコアは、有効性の高さを示す。スコアは、数字で表現されてもよいし、Ｓランク、Ａランク、Ｂランクといった文字又はその他の記号で表現されてもよい。

本実施形態では、有効性推定部２０６の推定方法の一例として、第３データである検索クエリと第３分類情報である属性及び属性値との組み合わせと、当該組み合わせの有効性と、の関係が学習された第２モデルＭ２を利用した方法を説明する。有効性推定部２０６は、第２モデルＭ２に基づいて、有効性を推定する。検索クエリに対して複数の属性及び属性値が推定された場合には、有効性推定部２０６は、属性及び属性値ごとに、有効性を推定する。例えば、有効性推定部２０６は、属性及び属性値ごとに、検索クエリと当該属性及び属性値との組み合わせを第２モデルＭ２に入力し、第２モデルＭ２から出力された有効性の推定結果を取得する。

図３の例であれば、検索クエリ「ＣＧ ｂａｇ Ｚｅｂｒａ」に対し、属性「Ｉｍａｇｅ」の属性値「Ｃｏｍｐｕｔｅｒ Ｇｒａｐｈｉｃ」、属性「Ｎａｔｉｏｎ」の属性値「Ｒｅｐｕｂｌｉｃ ｏｆ ｔｈｅ Ｃｏｎｇｏ」、及び属性「Ｐａｔｔｅｒｎ」の属性値「Ｚｅｂｒａ」が推定されている。図３のように、１つの検索クエリに対して、属性及び属性値の組み合わせが３つ推定されている場合には、下記のように、有効性の推定結果が３つ取得される。

例えば、有効性推定部２０６は、検索クエリ「ＣＧ ｂａｇ Ｚｅｂｒａ」と、属性「Ｉｍａｇｅ」の属性値「Ｃｏｍｐｕｔｅｒ Ｇｒａｐｈｉｃ」と、の組み合わせである第１の組み合わせを第２モデルＭ２に入力し、第２モデルＭ２から出力された第１の組み合わせの有効性の推定結果を取得する。図３の例では、この推定結果は、第１の組み合わせが有効であることを示す。

例えば、有効性推定部２０６は、検索クエリ「ＣＧ ｂａｇ Ｚｅｂｒａ」と、属性「Ｎａｔｉｏｎ」の属性値「Ｒｅｐｕｂｌｉｃ ｏｆ ｔｈｅ Ｃｏｎｇｏ」と、の組み合わせである第２の組み合わせを第２モデルＭ２に入力し、第２モデルＭ２から出力された第２の組み合わせの有効性の推定結果を取得する。図３の例では、この推定結果は、第２の組み合わせが有効ではないことを示す。

例えば、有効性推定部２０６は、検索クエリ「ＣＧ ｂａｇ Ｚｅｂｒａ」と、属性「Ｐａｔｔｅｒｎ」の属性値「Ｚｅｂｒａ」と、の組み合わせである第３の組み合わせを第２モデルＭ２に入力し、第２モデルＭ２から出力された第３の組み合わせの有効性の推定結果を取得する。図３の例では、この推定結果は、第３の組み合わせが有効であることを示す。

本実施形態では、有効性推定部２０６の推定方法は、過去に入力された検索クエリと、当該検索クエリに基づく検索結果に対する選択結果と、の関係を示すクエリ選択データを利用した方法である。有効性推定部２０６は、クエリ選択データに基づいて、有効性を推定する。本実施形態では、クエリ選択データに基づいて第２モデルＭ２の学習が行われているので、第２モデルＭ２に基づいて有効性を推定することは、クエリ選択データに基づいて有効性を推定することに相当する。

なお、有効性推定部２０６の推定方法は、第２モデルＭ２を利用した方法に限られない。例えば、有効性推定部２０６は、機械学習手法ではなく、予め定められたルールベースの推定方法に基づいて、有効性を推定してもよい。この場合、第２データである検索クエリと、第２分類情報である属性及び属性値と、の組み合わせが入力されると、有効性を出力するルールが予め用意されているものとする。このルールは、決定木のようなものであってもよい。その他の推定方法として、後述の変形例のようなルールベース又は統計ベースの推定方法であってもよい。

［実行部］
実行部２０７は、有効性推定部２０６による有効性の推定結果に基づいて、所定の処理を実行する。本実施形態では、実行部２０７は、第２データである検索クエリと第２分類情報である属性及び属性値との組み合わせと、有効性推定部２０６による有効性の推定結果と、に基づいて、所定の処理として、第１モデルＭ１に学習させる訓練データを生成する生成処理を実行する。生成処理は、所定の処理の一例である。このため、生成処理について説明している箇所は、所定の処理と読み替えることができる。所定の処理は、任意の処理であってよく、生成処理に限られない。所定の処理の他の例は、後述の変形例で説明する。

例えば、実行部２０７は、有効性推定部２０６により有効性が推定された検索クエリと、有効であることを示す推定結果が得られた属性及び属性値と、のペアを訓練データとして訓練データベースＤＢ３に格納することによって、生成処理を実行する。有効性推定部２０６により有効性が推定された検索クエリと、有効であることを示さない推定結果が得られた属性及び属性値と、のペアは、訓練データとして生成されない。

第２分類情報として複数の属性及び属性値が取得された場合には、実行部２０７は、属性及び属性値ごとの有効性に基づいて、生成処理を実行する。例えば、実行部２０７は、複数の属性及び属性値のうち、有効であることを示す推定結果が得られた属性及び属性値についてのみ訓練データを生成する。複数の属性及び属性値のうち、有効であることを示さない推定結果が得られた属性及び属性値については、訓練データとして生成されない。

［３－３．検索者端末で実現される機能］
データ記憶部３００は、記憶部３２を主として実現される。表示制御部３０１及び受付部３０２は、制御部３１を主として実現される。データ記憶部３００は、検索に必要なデータを記憶する。例えば、データ記憶部３００は、ポータルページＰ１及び検索結果ページＰ２を表示させるためのブラウザを記憶する。検索者端末３０に表示される画面は、ブラウザではなく、他のアプリケーションが利用されてもよい。この場合、データ記憶部３００は、当該アプリケーションを記憶する。

表示制御部３０１は、種々の画面を表示部３５に表示させる。例えば、表示制御部３０１は、検索サーバ１０からポータルページＰ１のデータを受信すると、ポータルページＰ１を表示部３５に表示させる。表示制御部３０１は、検索サーバ１０から検索結果ページＰ２のデータを受信すると、検索結果ページＰ２を表示部３５に表示させる。

受付部３０２は、操作部３４から種々の操作を受け付ける。例えば、受付部３０２は、ポータルページＰ１の入力フォームＦ１０に対する検索クエリの入力を受け付ける。検索者端末３０は、当該入力された検索クエリを検索サーバ１０に送信する。例えば、受付部３０２は、検索結果ページＰ２が示す検索結果に含まれるリンクの選択を受け付ける。検索者端末３０は、当該選択されたリンクを検索サーバ１０に送信する。

［３－４．作成者端末で実現される機能］
データ記憶部４００は、記憶部３２を主として実現される。表示制御部４０１及び受付部４０２の各々は、制御部４１を主として実現される。データ記憶部４００は、ウェブページを作成するためのアプリケーションを記憶する。表示制御部４０１は、種々の画面を表示部４５に表示させる。例えば、表示制御部４０１は、ウェブページを作成するためのアプリケーションの画面を表示させる。受付部４０２は、操作部４４から種々の操作を受け付ける。例えば、受付部４０２は、作成者によるウェブページの作成操作を受け付けたり、当該ウェブページのタイトル、属性、及び属性値の指定操作を受け付けたりする。

［４．処理実行システムで実行される処理］
図１０は、処理実行システムＳで実行される処理の一例を示すフロー図である。図１０では、処理実行システムＳで実行される処理のうち、学習サーバ２０により実行される処理を説明する。この処理は、制御部２１が記憶部２２に記憶されたプログラムに従って動作することによって実行される。

図１０のように、学習サーバ２０は、ページデータベースＤＢ１に基づいて、第１モデルＭ１の学習処理を実行する（Ｓ１）。Ｓ１では、学習サーバ２０は、ページデータベースＤＢ１に格納されたウェブページのタイトルが示す文字列が入力された場合に、このタイトルに関連付けられた属性及び属性値が出力されるように、第１モデルＭ１のパラメータが調整される。Ｓ１で学習処理が実行された第１モデルＭ１は、初期の第１モデルＭ１である。初期の第１モデルＭ１は、後述のＳ１０の処理により追加の学習処理が実行される。

学習サーバ２０は、クエリ選択データベースＤＢ４に基づいて、第２モデルＭ２の訓練データの候補Ｃ１を取得する（Ｓ２）。Ｓ２では、学習サーバ２０は、クエリ選択データベースＤＢ４に格納された検索クエリと、この検索クエリを入力した検索者が選択したウェブページの属性及び属性値と、のペアを、第２モデルＭ２の訓練データの候補Ｃ１として取得する。Ｓ２では、学習サーバ２０は、クエリ選択データベースＤＢ４の全部又は一部のペアを取得する。

学習サーバ２０は、初期の第１モデルＭ１に基づいて、第２モデルＭ２の訓練データの候補Ｃ２を取得する（Ｓ３）。Ｓ３では、学習サーバ２０は、検索クエリデータベースＤＢ２に格納された検索クエリを初期の第１モデルＭ１に入力し、初期の第１モデルＭ１から出力された属性及び属性値を取得する。学習サーバ２０は、第１モデルＭ１に入力した検索クエリと、第１モデルＭ１から出力された属性及び属性値と、のペアを訓練データの候補Ｃ２として取得する。Ｓ３では、学習サーバ２０は、検索クエリデータベースＤＢ２の全部又は一部の検索クエリを学習サーバ２０に入力し、当該検索クエリと、学習サーバ２０から出力された属性及び属性値と、のペアを訓練データの候補Ｃ２として取得する。

学習サーバ２０は、Ｓ２で取得した候補Ｃ１と、Ｓ３で取得した候補Ｃ２と、に基づいて、第２モデルＭ２の訓練データを生成する（Ｓ４）。Ｓ４では、学習サーバ２０は、Ｓ２で取得した候補Ｃ１と、Ｓ３で取得した候補Ｃ２と、の両方のＡＮＤを取り、これらの両方に存在する候補Ｃ３を、第２モデルＭ２の訓練データとして生成する。

学習サーバ２０は、Ｓ４で生成した訓練データに基づいて、第２モデルＭ２の学習処理を実行する（Ｓ５）。Ｓ５では、学習サーバ２０は、Ｓ４で生成した訓練データに含まれる入力部分の文字列が入力された場合に、この文字列に関連付けられた属性及び属性値が出力されるように、第２モデルＭ２のパラメータが調整される。

学習サーバ２０は、第１モデルＭ１に基づいて、検索クエリデータベースＤＢ２に格納された検索クエリの属性及び属性値を推定する（Ｓ６）。Ｓ６では、Ｓ３における処理の結果が流用されてもよい。学習サーバ２０は、第２モデルＭ２に基づいて、検索クエリとＳ６で取得した属性及び属性値との組み合わせの有効性を推定する（Ｓ７）。Ｓ７では、学習サーバ２０は、Ｓ６の処理の対象となった検索クエリと、Ｓ６で推定された属性及び属性値と、のペアを第２モデルＭ２入力し、第２モデルＭ２から出力された有効性の推定結果を取得する。

学習サーバ２０は、Ｓ７における有効性の推定結果に基づいて、第１モデルＭ１の訓練データを生成する（Ｓ８）。Ｓ８では、学習サーバ２０は、Ｓ７で有効であると推定された検索クエリと属性及び属性値とのペアを、訓練データとして訓練データベースＤＢ３に格納する。学習サーバ２０は、十分な数の訓練データを生成したか否かを判定する（Ｓ９）。Ｓ９では、Ｓ８で生成された訓練データが所定数に達したか否かを判定する。十分な数の訓練データを生成していないと判定された場合（Ｓ９；Ｎ）、Ｓ６の処理に戻り、訓練データの生成が繰り返される。

Ｓ９において、十分な数の訓練データを生成したと判定された場合（Ｓ９；Ｙ）、学習サーバ２０は、訓練データベースＤＢ３に基づいて、第１モデルＭ１の学習処理を実行する（Ｓ１０）。Ｓ１０では、学習サーバ２０は、訓練データベースＤＢ３に格納された訓練データに含まれる入力部分の文字列が入力された場合に、この文字列に関連付けられた属性及び属性値が出力されるように、第１モデルＭ２のパラメータが調整される。

学習サーバ２０は、学習後の第１モデルＭ１に基づいて、検索クエリデータベースＤＢ２に格納された検索クエリの属性及び属性値を推定し（Ｓ１１）、本処理は終了する。Ｓ１１の処理は、Ｓ３及びＳ６と同様であるが、初期の第１モデルＭ１ではなく、Ｓ１０の処理で学習済みの第１モデルＭ１が用いられる点で異なる。学習サーバ２０は、Ｓ１１で推定した属性及び属性値を、検索クエリに関連付けて記憶部２２に記録する。当該記録された検索クエリと、属性及び属性値と、は任意の目的で利用される。例えば、学習サーバ２０は、処理実行システムＳの管理者により、これらの関連付けの参照が要求された場合にマーケティング目的等でこれらの関連付けを出力する。

本実施形態の処理実行システムＳによれば、所定の推定方法に基づいて、検索クエリと、第１モデルＭ１により推定された属性及び属性値と、の組み合わせに関する有効性を推定する。処理実行システムＳは、有効性を推定したうえで所定の処理を実行するので、訓練データが十分ではないことに起因して第１モデルＭ１の精度が十分ではない場合にも、所望の結果を得ることができる。例えば、所定の処理として生成処理を実行することにより、有効性を推定したうえで第１モデルＭ１の訓練データを生成できるので、第１モデルＭ１の精度が高まる。その結果、第１モデルＭ１が検索クエリの属性及び属性値を推定する精度が高まるので、ユーザの意図を推定するといった所望の結果を得やすくなる。他にも例えば、過去に入力された検索クエリから第１モデルＭ１の訓練データを作成できるので、第１モデルＭ１の訓練データを作成する手間を省くこともできる。

また、処理実行システムＳは、第２モデルＭ２に基づいて、検索クエリと属性及び属性値との組み合わせに関する有効性を推定する。これにより、これらの組み合わせの有効性の推定精度が高まる。有効性の推定精度が高まることによって、所定の処理として生成される第１モデルＭ１の訓練データの精度も高まる。このため、第１モデルＭ１の推定精度が高まるので、所望の結果を得やすくなる。

また、第１モデルＭ１には、ページデータベースＤＢ１に基づいて取得された、ウェブページのタイトルと、属性及び属性値と、の関係が学習される。第２モデルＭ２には、ページデータベースＤＢ１とは異なる観点のクエリ選択データベースＤＢ４に基づいて取得された検索クエリと属性及び属性値との関係が学習される。これにより、第２モデルＭ２による有効性の推定精度が高まる。第１モデルＭ１と同様の訓練データを第２モデルＭ２に学習させても、第１モデルＭ１の推定結果の誤りを特定するような第２モデルＭ２を作成することは難しいと考えられるが、第１モデルＭ１の学習で利用した訓練データとは異なる観点の訓練データを利用することによって、第１モデルＭ１と違った観点で第２モデルＭ２の学習を行うことができる。このため、第１モデルＭ１の推定結果の誤りを特定するような第２モデルＭ２を作成できるので、第２モデルＭ２による有効性の推定精度が高まる。第２モデルＭ２による有効性の推定精度が高まることにより、所定の処理として生成される第１モデルＭ１の訓練データの精度も高まる。このため、第１モデルＭ１の推定精度が高まるので、所望の結果を得やすくなる。

また、第２モデルＭ２には、初期の第１モデルＭ１を利用して推定した検索クエリと属性及び属性値との組み合わせと、当該組み合わせが有効である旨を示す有効性と、の関係が学習される。これにより、第２モデルＭ２の訓練データをより多く生成できるので、第２モデルＭ２による有効性の推定精度が高まる。第２モデルＭ２の訓練データを生成する手間を省くこともできる。第２モデルＭ２による有効性の推定精度が高まることにより、所定の処理として生成される第１モデルＭ１の訓練データの精度も高まる。このため、第１モデルＭ１の推定精度が高まるので、所望の結果を得やすくなる。

また、処理実行システムＳは、複数の生成方法の各々に基づいて、訓練データベースＤＢ３に訓練データとして格納される検索クエリと属性及び属性値との組み合わせの候補を生成する。第２モデルＭ２には、複数の生成方法のうちの複数で生成された候補が訓練データとして学習される。これにより、第２モデルＭ２の訓練データをより多く生成できるので、第２モデルＭ２による有効性の推定精度が高まる。第２モデルＭ２の訓練データを生成する手間を省くこともできる。第２モデルＭ２による有効性の推定精度が高まることにより、所定の処理として生成される第１モデルＭ１の訓練データの精度も高まる。このため、第１モデルＭ１の推定精度が高まるので、所望の結果を得やすくなる。

また、第２モデルＭ２には、ユーザが入力した検索クエリが第２データとして学習され、検索クエリの属性及び属性値が第２分類情報として学習される。これにより、実際に入力された検索クエリを第２モデルＭ２の学習で利用するので、第２モデルＭ２による有効性の推定精度が高まる。第２モデルＭ２による有効性の推定精度が高まることにより、所定の処理として実行される第１モデルＭ１の訓練データの精度も高まる。このため、第１モデルＭ１の推定精度が高まるので、所望の結果を得やすくなる。

また、有効性の推定方法は、過去に入力された検索クエリと、当該検索クエリに基づく検索結果に対する選択結果と、の関係を示すクエリ選択データを利用した方法である。ユーザの意図が表れやすいクエリ選択データを利用することによって、検索クエリと属性及び属性値との組み合わせの有効性の推定精度が高まる。有効性の推定精度が高まることによって、所定の処理として生成される第１モデルＭ１の訓練データの精度も高まる。このため、第１モデルＭ１の推定精度が高まるので、所望の結果を得やすくなる。

また、第１モデルＭ１に学習されるウェブページのタイトルと属性及び属性値とは、検索時のインデックスとして利用されるデータである。これにより、実際の検索時にインデックスとして利用される実用的なデータに基づいて、第１モデルＭ１の学習処理を実行できる。このため、第１モデルＭ１の推定精度が高まるので、所望の結果を得やすくなる。

また、第２分類情報である属性及び属性値が、ユーザが検索クエリを入力した意図に関する情報として推定される。これにより、ユーザが検索クエリを入力した意図を推定できる。例えば、ユーザが検索クエリを入力した意図を推定すれば、検索サービスのマーケティングに活用したり、検索結果の精度を向上したりすることができる。

また、検索クエリと属性及び属性値の組み合わせと、有効性の推定結果と、に基づいて、第１モデルＭ１に学習させる訓練データを生成する生成処理を実行する。これにより、第１モデルＭ１の推定精度が高まるので、所望の結果を得やすくなる。第１モデルＭ１の訓練データを作成する手間を省くこともできる。

また、第１モデルＭ１は、ウェブページのタイトルと、複数の属性及び属性値と、の関係が学習された、マルチラベルに対応したモデルである。これにより、ユーザが入力した検索クエリに複数の属性及び属性値を関連付けることができる。これにより、第１モデルＭ１の推定精度が高まるので、所望の結果を得やすくなる。

［５．変形例］
本開示は、以上に説明した実施形態に限定されるものではない。本開示の趣旨を逸脱しない範囲で、適宜変更可能である。

［５－１．変形例１］
例えば、実施形態では、第２モデルＭ２が、検索クエリと属性及び属性値との組み合わせの有効性があるか否かを示す２値的な情報を、推定結果として出力する場合を説明したが、第２モデルＭ２は、この組み合わせの有効性に関するスコアを、推定結果として出力してもよい。スコアについては、実施形態で説明した通りである。変形例１では、スコアが数字によって表現される場合を説明する。スコアが高いほど有効性が高いことを意味する。スコアは、蓋然性又は確率ということもできる。例えば、第２モデルＭ２は、検索クエリと属性及び属性値との組み合わせが入力されると、この組み合わせのスコアを推定結果として出力する。

変形例１の有効性推定部２０６は、検索クエリと属性及び属性値との組み合わせに基づいて、第２モデルＭ２から出力されたスコアを取得し、当該取得されたスコアに基づいて、有効性を推定する。例えば、有効性推定部２０６は、第２モデルＭ２から出力されたスコアが閾値未満である場合に、検索クエリと属性及び属性値との組み合わせが有効ではないと推定し、第２モデルＭ２から出力されたスコアが閾値以上である場合に、検索クエリと属性及び属性値との組み合わせが有効であると推定する。

変形例１によれば、検索クエリと属性及び属性値との組み合わせに基づいて、第２モデルＭ２から出力されたスコアを取得し、当該取得されたスコアに基づいて、有効性を推定する。第２モデルＭ２が、有効であるか否かを示す２値的な情報を出力するのではなく、有効性の高さを示し、中間値を取り得るスコアを出力することによって、第２モデルＭ２の推定結果を活用しやすくなる。例えば、スコアの値によって、第２モデルＭ２がどの程度の確度で有効であるかを理解しやすくなる。その結果、所定の処理として実行される第１モデルＭ１の訓練データの精度も高まる。例えば、第１モデルＭ１の訓練データを生成するために取得された第２モデルＭ２のスコアが高いほど、第１モデルＭ１の重みを大きくするといったこともできる。この場合、有効性が高い訓練データを第１モデルＭ１に学習させることができる。その結果、第１モデルＭ１の推定精度が高まるので、所望の結果を得やすくなる。

［５－２．変形例２］
例えば、推定方法は、検索クエリと属性及び属性値とに基づくコサイン類似度を利用した方法であってもよい。コサイン類似度は、文字列同士の類似度を計算する手法である。例えば、第１文字列と第２文字列の類否を判定する場合に、第１文字列の特徴を示す第１ベクトルと、第２文字列の特徴を示す第２ベクトルと、のなす角度に基づいて、コサイン類似度が計算される。第１ベクトル及び第２ベクトルが同じ方向を向いているほど、コサイン類似度は高くなる。即ち、検索クエリと、属性及び属性値と、の特徴が似ているほど、コサイン類似度は高くなる。

有効性推定部２０６は、検索クエリと属性及び属性値とに基づくコサイン類似度に基づいて、有効性を推定する。有効性推定部２０６は、検索クエリの特徴を示す第１ベクトルと、属性及び属性値の特徴を示す第２ベクトルと、のコサイン類似度を計算する。第１ベクトル及び第２ベクトルは、実施形態と同様の第２モデルＭ２により計算されてもよいし、Ｗｏｒｄ２Ｖｅｃ又はＤｏｃ２Ｖｅｃといった他のモデルにより計算されてもよい。コサイン類似度の計算方法自体は、自然言語処理で利用されている種々の計算方法を利用可能である。

例えば、有効性推定部２０６は、検索クエリと属性及び属性値とに基づくコサイン類似度が閾値未満である場合に、検索クエリと属性及び属性値との組み合わせが有効ではないと推定し、検索クエリと属性及び属性値とに基づくコサイン類似度が閾値以上である場合に、検索クエリと属性及び属性値との組み合わせが有効であると推定する。変形例１及び変形例２を組み合わせて、変形例１で説明したスコアとして、コサイン類似度が利用されてもよい。なお、コサイン類似度に代えてユークリッド距離などベクトル間の比較のための他の指標が利用されてもよい。

変形例２によれば、コサイン類似度に基づいて、第１モデルＭ１の推定結果の有効性を推定する。比較的計算が簡単なコサイン類似度を利用することによって、処理実行システムＳの処理を高速化できる。

［５－３．変形例３］
例えば、有効性推定部２０６は、複数の推定方法の各々に基づいて、有効性を推定してもよい。複数の推定方法としては、実施形態で説明した推定方法、変形例１で説明した推定方法、及び変形例２で説明した推定方法が挙げられる。他にも例えば、下記に説明するような推定方法が挙げられる。変形例３では、任意の推定方法を組み合わせることができる。

例えば、有効性推定部２０６は、辞書を利用した推定方法に基づいて、有効性を推定してもよい。例えば、辞書は、属性と、属性値の具体的な文字列と、の関係が定義されている。有効性推定部２０６は、第１モデルＭ１により出力された属性及び属性値が辞書に存在しない場合に、第１モデルＭ１の推定結果が有効ではないと推定し、第１モデルＭ１により出力された属性及び属性値が辞書に存在する場合に、第１モデルＭ１の推定結果が有効であると推定する。

なお、辞書を利用した推定方法では、任意の辞書を利用可能であり、上記辞書以外の辞書が利用されてもよい。例えば、有効性推定部２０６は、検索クエリと、有効な属性及び属性値と、の関係が定義された辞書に基づいて、有効性を推定してもよい。この場合、有効性推定部２０６は、第１モデルＭ１に入力された検索クエリと、第１モデルＭ１から出力された属性及び属性値と、の組み合わせが辞書に存在しない場合には、第１モデルＭ１の推定結果が有効ではないと推定し、この組み合わせが辞書に存在する場合に、第１モデルＭ１の推定結果が有効であると推定する。

他にも例えば、有効性推定部２０６は、ｅｘｔｒｅｍｅＴｅｘｔなどのマルチラベル分類ツールを利用した推定方法に基づいて、有効性を推定してもよい。この場合、有効性推定部２０６は、検索クエリと属性及び属性値との組み合わせを分類ツールに入力し、分類ツールから出力されたスコアが閾値未満である場合に、この組み合わせが有効ではないと推定し、このスコアが閾値以上である場合に、この組み合わせが有効であると推定する。

実行部２０７は、複数の推定方法の各々による有効性の推定結果に基づいて、生成処理を実行する。実行部２０７は、複数の推定方法の各々による有効性の推定結果を総合的に考慮して、生成処理を実行する。即ち、実行部２０７は、複数の推定方法の各々による有効性の推定結果に基づく統計的な指標を利用して、生成処理を実行してもよい。例えば、実行部２０７は、有効であると推定された推定方法の数が所定数以上の検索クエリと属性及び属性値との組み合わせを、訓練データベースＤＢ３に格納する。有効であると推定された推定方法の数が所定数未満である検索クエリと属性及び属性値との組み合わせは、訓練データとして利用されない。

例えば、実行部２０７は、複数の推定方法の各々による多数決に基づいて、訓練データを生成して訓練データベースＤＢ３に格納してもよい。推定方法が５つだったとすると、実行部２０７は、５つの推定方法の各々に基づいて、検索クエリと属性及び属性値との組み合わせの有効性を推定する。即ち、実行部２０７は、５つの推定結果を取得する。５つの推定結果のうち、３つ以上で有効であるとの推定結果が得られた場合に、実行部２０７は、検索クエリと属性及び属性値との組み合わせが有効であることを示す訓練データを生成し、訓練データベースＤＢ３に格納する。

例えば、実行部２０７は、複数の推定方法の各々の平均値に基づいて、訓練データを生成して訓練データベースＤＢ３に格納してもよい。推定方法が５つだったとすると、実行部２０７は、５つの推定方法に基づいて、検索クエリと属性及び属性値との組み合わせの有効性を推定する。即ち、実行部２０７は、５つの推定結果を取得する。実行部２０７は、検索クエリと属性及び属性値との組み合わせと、５つの推定結果の平均値と、のペアである訓練データを生成し、訓練データベースＤＢ３に格納する。例えば、５つの推定結果のうち、３つで有効との推定結果が得られた場合には、平均値は、０．６となる。この平均値は、有効性の高さを示す。なお、複数の推定方法を統合的に用いるためのモデルとして、Ｓｎｏｒｋｅｌのようなプログラマブルなラベリングモデルが利用されてもよい。

例えば、実行部２０７は、複数の推定方法の各々による有効性の推定結果に基づいて、総合的な推定結果を示すスコアを計算してもよい。この場合、実行部２０７は、この総合的なスコアが閾値未満の場合には、生成処理を実行せず、総合的なスコアが閾値以上の場合に、生成処理を実行する。例えば、実行部２０７は、有効であると推定された推定方法の数、又は、総合的なスコアに応じて、重みを決定してもよい。この場合、有効であると推定された推定方法の数が多いほど、又は、総合的なスコアが高いほど、訓練データが第１モデルＭ１に強く学習されるように重みが決定される。

変形例３によれば、複数の推定方法の各々に基づいて、有効性を推定し、複数の推定方法の各々による有効性の推定結果に基づいて、生成処理を実行する。これにより、複数の推定方法を総合的に考慮して、検索クエリと属性及び属性値との有効性を推定するので、有効性の推定精度が高まる。第２モデルＭ２による有効性の推定精度が高まることにより、所定の処理として実行される第１モデルＭ１の訓練データの精度も高まる。このため、第１モデルＭ１の推定精度が高まるので、所望の結果を得やすくなる。例えば、有効性の推定で利用する推定方法が多いほど、第１モデルＭ１の訓練データの精度が高まる。一方で、推定方法が多かったり個々の推定方法の基準が厳しかったりすると、第１モデルＭ１の訓練データが少ないので、第１モデルＭ１の学習に十分な数の訓練データを得られない可能性がある。このため、第１モデルＭ１の訓練データの精度と、第１モデルＭ１の訓練データの数と、はトレードオフの関係にあると考えられる。

［５－４．変形例４］
例えば、実施形態では、ウェブページの検索サービスに処理実行システムＳを適用する場合を説明したが、処理実行システムＳは、任意のサービスに適用可能である。例えば、処理実行システムＳは、電子商取引サービス、旅行予約サービス、ネットオークションサービス、施設予約サービス、ＳＮＳ（Social Networking Service）、金融サービス、保険サービス、動画配信サービス、又は通信サービスに利用可能である。変形例４では、電子商取引サービスに処理実行システムＳを適用する場合を説明する。変形例４では、商品が掲載された商品ページが実施形態で説明したウェブページに相当する。

変形例４の第１データは、商品の検索時にインデックスとして利用される商品タイトルである。商品タイトルは、商品の説明を簡潔に示す文字列である。例えば、商品タイトルとは別に商品説明文が用意される。商品タイトルは、商品説明文よりも短い。例えば、商品タイトルは、数文字～１００文字程度の文字列であるのに対し、商品説明文は、数十文字～数千文字程度の文字列である。商品タイトルは、店舗の担当者によって作成される。このため、変形例４では、電子商取引サービスにおける店舗の担当者が作成者に相当する。検索者は、電子商取引サービスを利用して商品を購入するユーザである。

変形例４の第１分類情報は、商品の検索時にインデックスとして利用される商品属性情報である。商品属性情報は、商品の属性に関する情報である。商品属性情報は、属性及び属性値の少なくとも一方を示す。変形例４では、商品属性情報が属性及び属性値の両方を示す場合を説明するが、商品属性情報は、属性又は属性値の何れかを示してもよい。例えば、商品の属性は、商品のジャンル又はカテゴリである。例えば、商品の属性は、商品の色、サイズ、模様パターン、又は形状といった特徴であってもよい。

変形例４のページデータベースＤＢ１には、商品のタイトルと、商品の属性及び属性値と、が関連付けられて格納されている。初期の第１モデルＭ１には、商品のタイトルと、商品の属性及び属性値と、の関係が学習されている。検索クエリデータベースＤＢ２には、電子商取引サービスにおいて過去に入力された検索クエリが、第２データ及び第３データとして格納されている。第２分類情報取得部２０２は、第１モデルＭ１に基づいて、検索クエリデータベースＤＢ２に格納された検索クエリに対応する属性及び属性値を、第２分類情報として取得する。

第２モデルＭ２には、過去に入力された検索クエリと商品の属性及び属性値との組み合わせと、この組み合わせの有効性と、の関係が学習されている。有効性推定部２０６は、第１モデルＭ１に入力された検索クエリと、第１モデルＭ１から出力された商品の属性及び属性値と、の組み合わせを、第２モデルＭ２に入力する。有効性推定部２０６は、第２モデルＭ２からの出力を取得することによって、これらの組み合わせの有効性を推定する。実行部２０７は、有効性推定部２０６により推定された有効性に基づいて、これらの組み合わせを第１モデルＭ１の訓練データとして生成するか否かを決定する。

変形例４によれば、第１データは、商品の検索時にインデックスとして利用される商品タイトルであり、第１分類情報は、商品の検索時にインデックスとして利用される商品属性情報である。これにより、電子商取引サービスに処理実行システムＳを適用した場合であったとしても、所望の結果を得ることができる。例えば、電子商取引サービスを利用するユーザが入力した検索クエリの意図を推定できる。その結果、電子商取引サービスにおけるマーケティングに活用したり、電子商取引サービスの検索結果の精度を高めたりすることができる。

［５－５．変形例５］
例えば、実行部２０７が実行する所定の処理は、実施形態で説明した生成処理に限られない。実行部２０７は、有効性の推定結果に基づいて、所定の処理として、検索クエリに応じた検索処理を実行してもよい。変形例５では、ユーザが検索クエリを入力した場合に、第２分類情報取得部２０２、有効性推定部２０６、及び実行部２０７の処理が実行される。第２分類情報取得部２０２は、第１モデルＭ１に基づいて、ユーザが入力した検索クエリに対応する属性及び属性値を取得する。この第１モデルＭ１は、実施形態と同様の方法により学習済みのモデルであってもよいし、他の方法により学習されたモデルであってもよい。

有効性推定部２０６は、検索クエリと属性及び属性値との組み合わせの有効性を推定する。有効性の推定方法は、実施形態と同様である。実行部２０７は、この組み合わせが有効ではないと推定された場合には、第１モデルＭ１により推定された属性及び属性値を検索処理で利用せずに、ユーザが入力した検索クエリに基づいて、検索処理を実行する。実行部２０７は、この組み合わせが有効であると推定された場合には、第１モデルＭ１により推定された属性及び属性値が検索クエリとして利用されるように、検索処理を実行する。この場合、ユーザが入力した検索クエリとして入力した文字列と、第１モデルＭ１により推定された属性及び属性値と、が検索クエリとして利用される。

変形例５によれば、有効性の推定結果に基づいて、検索クエリに応じた検索処理を実行する。これにより、ユーザが入力した検索クエリだけでなく、有効であると推定された第１モデルＭ１の推定結果を検索処理で利用できるので、検索処理の精度が高まる。

［５－６．変形例６］
例えば、実行部２０７は、有効性の推定結果に基づいて、所定の処理として、検索クエリと属性及び属性値とを出力する出力処理を実行してもよい。実行部２０７は、処理実行システムＳにおける管理者の端末に、有効と推定された検索クエリと属性及び属性値との組み合わせを出力する。実行部２０７は、有効性の推定結果と、検索クエリと属性及び属性値との組み合わせと、を管理者の端末に出力してもよい。管理者の端末への出力は、画像を表示させることによって行われてもよいし、データ出力によって行われてもよい。

変形例６によれば、有効性の推定結果に基づいて、検索クエリと属性及び属性値とを出力する出力処理を実行する。これにより、検索クエリと属性及び属性値との関係を管理者に通知するといったことができるので、マーケティング等に活用できる。

［５－７．変形例７］
例えば、実施形態では、第２データがウェブページの検索クエリである場合を説明したが、第２データは、ユーザの投稿に関するデータであってもよい。投稿は、テキスト及び画像の少なくとも一方を含む。変形例７では、ユーザがＳＮＳに投稿する場合を説明するが、ユーザは、任意のサービスに投稿できる。例えば、インターネット百科事典への投稿、掲示板への投稿、又はニュース記事に対するコメントであってもよい。ＳＮＳの投稿自体は、種々の投稿であってよく、例えば、短文のテキストの投稿、画像、動画、又はこれらの組み合わせであってもよい。

第２分類情報は、投稿の分類に関する情報である。変形例７では、この分類がハッシュタグと呼ばれる情報である場合を例に挙げるが、変形例７の第２分類情報は、ハッシュタグ以外の情報であってもよい。変形例７では、ユーザが投稿をアップロードした場合に、第２分類情報取得部２０２、有効性推定部２０６、及び実行部２０７の処理が実行される。第２分類情報取得部２０２は、第１モデルＭ１に基づいて、ユーザの投稿に対応するハッシュタグを取得する。変形例７の第１モデルＭ１は、過去にＳＮＳにアップロードされた投稿と、この投稿に付与されたハッシュタグと、の関係が学習されているものとする。この第１モデルＭ１は、実施形態と同様の方法により学習済みのモデルであってもよいし、他の方法により学習されたモデルであってもよい。

有効性推定部２０６は、ユーザの投稿とハッシュタグとの組み合わせの有効性を推定する。有効性の推定方法は、実施形態と同様である。実行部２０７は、この組み合わせが有効ではないと推定された場合には、第１モデルＭ１により推定されたハッシュタグをユーザの投稿に付与しない。実行部２０７は、この組み合わせが有効であると推定された場合には、第１モデルＭ１により推定されたハッシュタグをユーザの投稿に付与する。

変形例７によれば、第２データは、ユーザの投稿に関するデータであり、第２分類情報は、投稿の分類に関する情報である。これにより、例えばＳＮＳに処理実行システムＳを適用した場合であったとしても、所望の結果を得ることができる。例えば、ユーザの投稿に適切なハッシュタグを付与することができる。

［５－８．変形例８］
例えば、有効性推定部２０６による有効性の推定方法は、実施形態及び変形例１－７で説明した方法に限られない。変形例８では、他の推定方法の一例を説明する。変形例８では、変形例４と同様に、電子商取引サービスに処理実行システムＳを適用する場合を例に挙げるが、変形例８の推定方法は、電子商取引サービス以外の他のサービスに適用可能である。

図１１は、変形例８の機能ブロックの一例を示す図である。図１１のように、変形例８では、実施形態及び変形例１－７で説明した機能に加えて、第４分類情報取得部２０８が実現される。他の各機能は、実施形態及び変形例１－７と同様であってよいが、データ記憶部２００は、候補群データベースＤＢ５及び第３モデルＭ３を記憶する点で異なる。候補群データベースＤＢ５及び第３モデルＭ３の詳細は、後述する。

図１２は、変形例８で実行される処理の概要を示す図である。図１２のように、変形例８のページデータベースＤＢ１には、電子商取引サービスで購入可能な商品のタイトル、商品のジャンル、商品のタグ群、及び商品のタグが関連付けられている。ジャンル、タグ群、及びタグは、商品の分類の一例である。変形例８では、ページデータベースＤＢ１に格納されたデータが、第１モデルＭ１及び第３モデルＭ３の両方の訓練データとして利用される場合を説明する。

商品のジャンルは、商品の種類である。商品のジャンルは、商品のカテゴリと呼ばれることもある。タグ群は、変形例４で説明した属性の一例である。商品のタグは、変形例４で説明した属性値の一例である。変形例８では、タグ群及びタグは、ジャンル又はカテゴリとは異なる観点の分類である。タグ群及びタグは、商品自体の種類ではなく、色、模様パターン、サイズ、又は形状といった商品の特徴を示す情報である。同じジャンルの商品だとしても、複数のタグ群及びタグの組み合わせが存在する。

変形例８の第１学習部２０１は、ページデータベースＤＢ１に格納された商品のタイトルと、商品のタグ群及びタグと、の関係に基づいて、第１モデルＭ１の学習処理を実行する。第１学習部２０１は、ある商品のタイトルが入力された場合に、この商品のタグ群及びタグが出力されるように、第１モデルＭ１の学習処理を実行する。図１２の例では、ジャンル「１２３４５６」（「Ｌａｄｙ Ｆａｓｈｉｏｎ」を意味するジャンルＩＤ）の商品が示されているが、種々のジャンルの商品のデータがページデータベースＤＢ１に格納されており、種々のジャンルの商品が第１モデルＭ１に学習されるものとする。ジャンルＩＤは、ジャンルを識別可能なＩＤである。ジャンルＩＤは、数字、その他の記号、又はこれらの組み合わせによって表現される。ジャンルは、文字列によって表現されてもよい。

変形例８の第２分類情報取得部２０２は、検索クエリデータベースＤＢ２に格納された検索クエリを第１モデルＭ１に入力し、第１モデルＭ１から出力されたタグ群及びタグを、第２分類情報として取得する。変形例８の第２分類情報は、検索クエリに関するタグ群及びタグの組み合わせを示す。検索クエリのタグ群は、第１属性の一例である。検索クエリのタグは、第１属性値の一例である。このため、検索クエリのタグ群について説明している箇所は、第１属性と読み替えることができる。検索クエリのタグについて説明している箇所は、第１属性値と読み替えることができる。属性及び属性値の意味は、実施形態や変形例４で説明した通りである。

図１２の例では、第２分類情報取得部２０２は、検索クエリ「Ｅｌｅｇａｎｔ Ｌａｄｉｅｓ Ｄｏｗｎ Ｊａｃｋｅｔ」を第１モデルＭ１に入力し、第１モデルＭ１から出力された３つのタグ群及びタグの組み合わせを、３つの第２分類情報として取得する。１つ目の第２分類情報は、タグ群「Ｆａｓｈｉｏｎ Ｔａｓｔｅ」及びタグ「Ｅｌｅｇａｎｔ」の組み合わせである。２つ目の第２分類情報は、タグ群「Ｉｎｔｅｒｉｏｒ Ｔａｓｔｅ」及びタグ「Ｅｌｅｇａｎｔ」の組み合わせである。３つ目の第２分類情報は、タグ群「Ｍａｔｅｒｉａｌ」及びタグ「Ｄｏｗｎ Ｆｅａｔｈｅｒ」の組み合わせである。

変形例８では、検索クエリが、第１モデルＭ１だけではなく第３モデルＭ３にも入力される。第３モデルＭ３は、ページデータベースＤＢ１に格納された商品のタイトルと、商品のジャンルと、の関係が学習されたモデルである。変形例８では、第１モデルＭ１の訓練データとして利用される商品と、第３モデルＭ３の訓練データとして利用される商品と、が同じ場合を説明するが、これらの商品は異なってもよい。即ち、第１モデルＭ１に学習させた商品とは異なる他の商品のタイトルと、当該他の商品のジャンルと、の関係が第３モデルＭ３に学習されてもよい。当該他の商品のタイトルは、第４データの一例である。第４データは、第１データとは異なるデータである。第３モデルＭ３は、第１データ又は第４データと、第１データ又は第４データの第４分類情報と、の関係が学習されたモデルであればよい。

例えば、第４分類情報取得部２０８は、第３モデルＭ３に基づいて、第２分類情報とは異なる観点における検索クエリの分類に関する第４分類情報を取得する。検索クエリのジャンルは、第４分類情報の一例である。このため、検索クエリのジャンルについて説明している箇所は、第４分類情報と読み替えることができる。変形例８では、第４分類情報は、第１属性とは異なる観点における第２属性を示す。ジャンルは、第２属性の一例でもある。第２属性は、ジャンル以外にも、実施形態や変形例４で説明した他の属性であってもよい。

なお、第４分類情報は、第２分類情報とは異なる観点の分類であればよく、ジャンルに限られない。第４分類情報は、処理実行システムＳが適用される場面に応じた分類を示せばよい。例えば、実施形態のようなウェブページの分類に処理実行システムＳが適用される場合、ウェブページが学術論文であれば、論文が示す技術分野が第４分類情報に相当してもよい。他にも例えば、旅行予約システムにおけるウェブページの分類に処理実行システムＳが適用される場合、ホテル、ツアー、高速バス、又はオプションツアーといった旅行商品の種類が第４分類情報に相当してもよい。

第４分類情報取得部２０８は、検索クエリを第３モデルＭ３に入力し、第３モデルＭ３から出力されたジャンルを、第４分類情報として取得する。第３モデルＭ３には、商品のタイトルとジャンルとの関係が学習されているので、検索クエリを商品のタイトルと仮定した場合のジャンルが推定されることになる。別の言い方をすれば、検索クエリを入力したユーザが検索しようとしている商品のジャンルが推定されることになる。図１２の例では、第４分類情報取得部２０８は、検索クエリ「Ｅｌｅｇａｎｔ Ｌａｄｉｅｓ Ｄｏｗｎ Ｊａｃｋｅｔ」を第３モデルＭ３に入力し、第３モデルＭ３から出力されたジャンル「１２３４５６」（「Ｌａｄｙ Ｆａｓｈｉｏｎ」を意味するジャンルＩＤ）を、第４分類情報として取得する。

変形例８では、有効性の推定方法は、第２分類情報と第４分類情報とが対応するか否かを判定することである。第２分類情報と第４分類情報とが対応するとは、第４分類情報が示す分類として適切な第２分類情報であることである。逆に、第２分類情報が示す分類として適切な第４分類情報であることが、第２分類情報と第４分類情報とが対応することに相当してもよい。例えば、第４分類情報が図１２の「１２３４５６」といったジャンルを示す場合、女性用のファッション用品には種々のサイズがあるので、タグ群「Ｓｉｚｅ」を示す第２分類情報は、互いに対応する。一方、女性用のファッション用品をインテリアとして利用することは、原則として考えられないので、タグ群「Ｉｎｔｅｒｉｏｒ Ｔａｓｔｅ」を示す第２分類情報は、第４分類情報に対応しない。

変形例８では、候補群データベースＤＢ５に第２分類情報と第４分類情報との対応付けが定義されている。候補群データベースＤＢ５に定義された第２分類情報と第４分類情報の組み合わせであれば、第２分類情報と第４分類情報とが対応することになる。第２分類情報と第４分類情報との対応付けは、処理実行システムＳの管理者が自身で定義してもよいし、電子商取引サービスにおける商品ページのジャンルとタグ群の対応付けがそのまま利用されてもよい。なお、第２分類情報と第４分類情報との対応付けは、候補群データベースＤＢ５以外のデータベースに定義されていてもよいし、これらの対応付けの適否を判定する学習モデルが存在してもよい。この学習モデルには、互いに対応する第２分類情報と第４分類情報の組み合わせが学習されているものとする。

図１２のように、候補群データベースＤＢ５は、第４分類情報に関する候補ごとに、第２分類情報に関する候補群が関連付けられたデータベースである。例えば、ある１つのジャンルの商品として適切なタグ群が候補群データベースＤＢ５に定義されている。図１２の例では、ジャンル「１２３４５６」の商品として適切なタグ群「Ｆａｓｈｉｏｎ Ｔａｓｔｅ」「Ｍａｔｅｒｉａｌ」「Ｓｉｚｅ」が定義されている。他のジャンルについても同様に、当該他のジャンルに適切なタグ群が候補群データベースＤＢ５に定義されている。候補群データベースＤＢ５には、タグ群だけではなく、タグが定義されていてもよい。この場合、ジャンルと、タグ群及びタグと、の適切な組み合わせが候補群データベースＤＢ５に定義される。

有効性推定部２０６は、第２分類情報と第４分類情報とが対応するか否かを判定し、当該判定結果に基づいて、有効性を推定する。有効性推定部２０６は、第２分類情報と第４分類情報とが対応すると判定しない場合には、検索クエリに対して推定されたタグ群及びタグが有効ではない（即ち、無効である）と判定する。有効性推定部２０６は、第２分類情報と第４分類情報とが対応すると判定した場合には、検索クエリに対して推定されたタグ群及びタグが有効であると判定する。

例えば、有効性推定部２０６は、候補群データベースＤＢ５に基づいて、第２分類情報が第４分類情報に対応するか否かを判定する。即ち、有効性推定部２０６は、第２分類情報が示すタグ群と、第４分類情報が示すジャンルと、が対応するか否かを判定する。有効性推定部２０６は、検索クエリに対して推定されたジャンルと、検索クエリに対して推定されたタグ群と、の組み合わせが候補群データベースＤＢ５に存在する場合、検索クエリに対して推定されたタグ群及びタグが有効であると判定する。

図１２の例では、３つの第２分類情報が示す３つのタグ群「Ｆａｓｈｉｏｎ Ｔａｓｔｅ」「Ｉｎｔｅｒｉｏｒ Ｔａｓｔｅ」「Ｍａｔｅｒｉａｌ」のうち、２つのタグ群「Ｆａｓｈｉｏｎ Ｔａｓｔｅ」「Ｍａｔｅｒｉａｌ」は、候補群データベースＤＢ５において、検索クエリのジャンル「１２３４５６」に関連付けられているので、このジャンルに対応する。一方、タグ群「Ｉｎｔｅｒｉｏｒ Ｔａｓｔｅ」は、候補群データベースＤＢ５において、検索クエリのジャンル「１２３４５６」に関連付けられていないので、このジャンルには対応しない。

このため、有効性推定部２０６は、１つ目の第２分類情報であるタグ群「Ｆａｓｈｉｏｎ Ｔａｓｔｅ」及びタグ「Ｅｌｅｇａｎｔ」の組み合わせと、３つ目の第２分類情報であるタグ群「Ｍａｔｅｒｉａｌ」及びタグ「Ｄｏｗｎ Ｆｅａｔｈｅｒ」の組み合わせと、が有効であると推定する。有効性推定部２０６は、２つ目の第２分類情報であるタグ群「Ｍａｔｅｒｉａｌ」及びタグ「Ｅｌｅｇａｎｔ」の組み合わせが無効であると推定する。有効と推定された第２分類情報の用途は、実施形態及び変形例１－７と同様であってよい。図１２の例では、有効と推定された第２分類情報は第１モデルＭ１の学習で利用される。

なお、第４分類情報の取得方法は、第３モデルＭ３を利用した方法に限られない。第４分類情報取得部２０８は、所定の取得方法に基づいて、第４分類情報を取得すればよい。例えば、他の取得方法としては、機械学習のモデルではなく、検索クエリとして入力されうる内容と、この内容に対して適切なジャンルと、の関係が定義されたデータベースが利用されてもよい。この場合、第４分類情報取得部２０８は、このデータベースを参照し、検索クエリに関連付けられたジャンルを、第４分類情報として取得する。検索クエリと、データベースに格納された内容と、は完全一致又は部分一致が判定されるようにすればよい。

また、第４分類情報は、階層構造を有するジャンルを示してもよい。階層構造は、ツリー構造ということもできる。階層が上位であるほど、ジャンルが示す分類が大まかになり、階層が下位であるほど、ジャンルが示す分類が詳細になる。階層が上位であるほど、商品数が多くなり、階層が下位であるほど、商品数が少なくなる。図１２のジャンル「１２３４５６」であれば、より上位のジャンルとして「ファッション」を示すジャンルＩＤが存在する。更に、より下位のジャンルとして「トップス」「ボトムス」「ワンピース」といったジャンルを示すジャンルＩＤが存在する。

ジャンルが階層構造を有する場合、上位のジャンルと下位のジャンルは、原則として１対多の関係にある。ジャンルの階層は、２階層以上であればよく、階層数は、任意であってよい。候補群データベースＤＢ５には、種々の階層のジャンルと、この階層のジャンルに適切なタグ群と、の関係が定義されているものとする。例えば、ジャンルが上位であるほど、その配下に多くの下位ジャンルが存在するので、対応するタグ群が多くなる。ジャンルが下位であるほど、その配下の下位ジャンルが少ない又は存在しないので、対応するタグ群が少なくなる。

例えば、有効性推定部２０６は、第２分類情報と第４分類情報とが対応すると判定された場合に、第２分類情報と対応すると判定された第４分類情報の階層に基づいて、有効性の確度を推定してもよい。例えば、有効性推定部２０６は、第２分類情報と対応すると判定された第４分類情報の階層が下位であるほど、有効性の確度を高くする。有効性推定部２０６は、第２分類情報と対応すると判定された第４分類情報の階層が上位であるほど、有効性の確度を低くする。例えば、有効性の確度は、訓練データベースＤＢ３に格納される。第１モデルＭ１の学習処理では、確度が閾値以上の訓練データのみが利用されてもよいし、確度が高い順に所定数の訓練データが利用されてもよい。

変形例８によれば、検索クエリの第２分類情報と、検索クエリの第４分類情報と、が対応するか否かを判定し、当該判定結果に基づいて、検索クエリと第２分類情報の組み合わせの有効性を推定する。これにより、有効性の推定精度が高まる。例えば、計算量が比較的少ない処理によって、有効性を推定できるので、学習サーバ２０の処理負荷を軽減し、かつ、有効性を推定する処理を高速化できる。

また、処理実行システムＳは、第３モデルＭ３に基づいて、第４分類情報を取得する。これにより、未知の検索クエリ（ページデータベースＤＢ１に格納された商品のタイトルとは異なる文字列の検索クエリ）だったとしても、第４分類情報を推定できる。このため、未知の検索クエリに対して推定された第２分類情報の有効性を推定できるようになる。

また、処理実行システムＳは、第４分類情報に関する候補ごとに、第２分類情報に関する候補群が関連付けられた候補群データベースＤＢ５に基づいて、第２分類情報が第４分類情報に対応するか否かを判定する。これにより、第２分類情報が第４分類情報に対応するか否かを正確に判定できる。更に、検索クエリの第２分類情報と、検索クエリの第４分類情報と、の組み合わせが候補群データベースＤＢ５に存在するか否かを判定すればよいので、より計算量の少ない処理によって、検索クエリと第２分類情報の組み合わせの有効性を判定できる。このため、学習サーバ２０の処理負荷を軽減し、かつ、有効性を推定する処理を高速化できる。

また、処理実行システムＳは、第２分類情報が示すタグ群と、第４分類情報が示すジャンルと、が対応するか否かを判定する。これにより、電子商取引サービスのように、複数の観点の分類が商品に関連付けられている場合に、これら複数の観点の分類の組み合わせの適否を利用することによって、検索クエリと第２分類情報の組み合わせの有効性を精度よく推定できる。

また、処理実行システムＳは、第２分類情報と第４分類情報とが対応すると判定された場合に、第２分類情報と対応すると判定された第４分類情報の階層に基づいて、有効性の確度を推定する。これにより、階層構造を利用して、検索クエリと第２分類情報の組み合わせの有効性を精度よく推定できる。

［５－９．その他の変形例］
例えば、上記説明した変形例を組み合わせてもよい。

例えば、検索サーバ１０で実現されるものとして説明した機能は、他のコンピュータで実現されてもよいし、複数のコンピュータで分担されてもよい。学習サーバ２０で実現されるものとして説明した機能は、他のコンピュータで実現されてもよいし、複数のコンピュータで分担されてもよい。例えば、データ記憶部１００，２００に記憶されるものとしたデータは、データベースサーバに記憶されていてもよい。

Claims (25)

1. 第１データを入力とし、複数の属性の中で前記第１データが属する属性と、当該属性の中で前記第１データが属する属性値と、を含む第１分類情報を出力とする第１モデルに基づいて、前記複数の属性の中で第２データが属する属性と、当該属性の中で前記第２データが属する属性値と、を含む第２分類情報を取得する第２分類情報取得部と、
   機械学習手法に基づいて、前記第２データ及び前記第２分類情報の組み合わせに関する有効性を推定する有効性推定部と、
   前記有効性の推定結果に基づいて、所定の処理を実行する実行部と、
   を含む処理実行システム。
2. 第１データを入力とし、当該第１データの分類に関する第１分類情報を出力とする第１モデルに基づいて、第２データの分類に関する第２分類情報を取得する第２分類情報取得部と、
   第３データ及び第３データの分類に関する第３分類情報の組み合わせを入力とし、当該組み合わせの有効性を出力とする第２モデルに基づいて、前記有効性を推定する有効性推定部と、
   前記有効性の推定結果に基づいて、所定の処理を実行する実行部と、
   を含む処理実行システム。
3. 第１データを入力とし、当該第１データの分類に関する第１分類情報を出力とする第１モデルに基づいて、第２データの分類に関する第２分類情報を取得する第２分類情報取得部と、
   前記第２データの特徴を示すベクトルと、前記第２分類情報の特徴を示すベクトルと、の間のコサイン類似度に基づいて、前記第２データ及び前記第２分類情報の組み合わせに関する有効性を推定する有効性推定部と、
   前記有効性の推定結果に基づいて、所定の処理を実行する実行部と、
   を含む処理実行システム。
4. 第１データを入力とし、当該第１データの分類に関する第１分類情報を出力とする第１モデルに基づいて、第２データの分類に関する第２分類情報を取得する第２分類情報取得部と、
   機械学習手法を含む複数の推定方法の各々に基づいて、前記第２データ及び前記第２分類情報の組み合わせに関する有効性を推定する有効性推定部と、
   前記複数の推定方法の各々による前記有効性の推定結果に基づいて、所定の処理を実行する実行部と、
   を含む処理実行システム。
5. 第１データを入力とし、当該第１データの分類に関する第１分類情報を出力とする第１モデルに基づいて、ユーザが入力した検索クエリである第２データの分類に関する第２分類情報を取得する第２分類情報取得部と、
   機械学習手法に基づいて、前記第２データ及び前記第２分類情報の組み合わせに関する有効性を推定する有効性推定部と、
   前記有効性の推定結果に基づいて、所定の処理を実行する実行部と、
   を含む処理実行システム。
6. 第１データを入力とし、当該第１データの分類に関する第１分類情報を出力とする第１モデルに基づいて、第２データの分類に関する第２分類情報を取得する第２分類情報取得部と、
   機械学習手法に基づいて、前記第２データ及び前記第２分類情報の組み合わせに関する有効性を推定する有効性推定部と、
   前記第２データ及び前記第２分類情報の組み合わせと、前記有効性の推定結果と、に基づいて、前記第１モデルに学習させる訓練データを生成する処理を実行する実行部と、
   を含む処理実行システム。
7. 第１データを入力とし、当該第１データの分類に関する第１分類情報を出力とする第１モデルに基づいて、ユーザの投稿に関する第２データの分類に関する第２分類情報を取得する第２分類情報取得部と、
   機械学習手法に基づいて、前記第２データ及び前記第２分類情報の組み合わせに関する有効性を推定する有効性推定部と、
   前記有効性の推定結果に基づいて、所定の処理を実行する実行部と、
   を含む処理実行システム。
8. 第１データを入力とし、当該第１データの分類に関する第１分類情報を出力とする第１モデルに基づいて、第２データの分類に関する第２分類情報を取得する第２分類情報取得部と、
   所定の取得方法に基づいて、前記第２データの分類に関する第４分類情報であって、前記第２分類情報とは異なる前記第４分類情報を取得する第４分類情報取得部と、
   前記第２分類情報と前記第４分類情報とが対応するか否かを判定し、当該判定結果に基づいて、前記第２データ及び前記第２分類情報の組み合わせに関する有効性を推定する有効性推定部と、
   前記有効性の推定結果に基づいて、所定の処理を実行する実行部と、
   を含む処理実行システム。
9. 前記第１モデルには、前記第１データの候補と、前記第１分類情報の候補と、を含む第１データベースに基づいて取得された、前記第１データと、前記第１分類情報と、が学習され、
   前記第２モデルには、前記第３データの候補と、前記第３分類情報の候補と、を含む第２データベースに基づいて取得された、前記第３データと、前記第３分類情報と、が学習される、
   請求項２に記載の処理実行システム。
10. 前記処理実行システムは、前記第３データと、前記第１モデルと、に基づいて、前記第３分類情報を取得する第３分類情報取得部を更に含み、
    前記第２モデルには、前記第３データ及び前記第３分類情報の組み合わせと、当該組み合わせが有効である旨を示す有効性と、が学習される、
    請求項２又は９に記載の処理実行システム。
11. 前記処理実行システムは、複数の生成方法の各々に基づいて、前記第３データ及び前記第３分類情報の候補を生成する候補生成部を更に含み、
    前記第２モデルには、前記複数の生成方法のうちの複数で生成された前記候補が、前記第３データ及び前記第３分類情報として学習される、
    請求項２又は９又は１０に記載の処理実行システム。
12. 前記有効性推定部は、前記第２データ及び前記第２分類情報の組み合わせに基づいて、前記第２モデルから出力されたスコアを取得し、当該取得されたスコアに基づいて、前記有効性を推定する、
    請求項２又は９又は１０又は１１に記載の処理実行システム。
13. 前記有効性推定部は、過去に入力された検索クエリと、当該検索クエリに基づく検索結果に対する選択結果と、の関係を示すクエリ選択データに基づいて、前記有効性を推定する、
    請求項５に記載の処理実行システム。
14. 前記第１データ及び前記第１分類情報は、検索時のインデックスとして利用されるデータである、
    請求項５又は１３に記載の処理実行システム。
15. 前記第１データは、商品の検索時に前記インデックスとして利用される商品タイトルであり、
    前記第１分類情報は、前記商品の検索時に前記インデックスとして利用される商品属性情報である、
    請求項１４に記載の処理実行システム。
16. 前記第２分類情報は、前記ユーザが前記検索クエリを入力した意図に関する情報である、
    請求項５又は１３又は１４又は１５に記載の処理実行システム。
17. 前記実行部は、前記有効性の推定結果に基づいて、前記処理として、前記検索クエリに応じた検索処理を実行する、
    請求項５又は１３又は１４又は１５又は１６に記載の処理実行システム。
18. 前記第１モデルは、マルチラベルに対応したモデルであり、
    前記第２分類情報取得部は、前記第１モデルに基づいて、複数の前記第２分類情報を取得し、
    前記有効性推定部は、前記第２分類情報ごとに、前記有効性を推定し、
    前記実行部は、前記第２分類情報ごとの前記有効性に基づいて、前記処理を実行する、
    請求項１～１７の何れかに記載の処理実行システム。
19. 前記実行部は、前記有効性の推定結果に基づいて、前記処理として、前記第２データ及び前記第２分類情報を出力する出力処理を実行する、
    請求項１～１８の何れかに記載の処理実行システム。
20. 前記取得方法は、前記第１データ又は第４データを入力とし、前記第１データ又は前記第４データの前記第４分類情報を出力とする第３モデルを利用した方法であり、
    前記第４分類情報取得部は、前記第３モデルに基づいて、前記第４分類情報を取得する、
    請求項８に記載の処理実行システム。
21. 前記有効性推定部は、前記第４分類情報に関する候補ごとに、前記第２分類情報に関する候補群が関連付けられた候補群データベースに基づいて、前記第２分類情報が前記第４分類情報に対応するか否かを判定する、
    請求項８又は２０に記載の処理実行システム。
22. 前記第２分類情報は、前記第２データに関する第１属性及び第１属性値の組み合わせを示し、
    前記第４分類情報は、第２属性を示し、
    前記有効性推定部は、前記第２分類情報が示す前記第１属性と、前記第４分類情報が示す前記第２属性と、が対応するか否かを判定する、
    請求項８又は２０又は２１に記載の処理実行システム。
23. 前記第４分類情報は、階層構造を有する分類を示し、
    前記有効性推定部は、前記第２分類情報と前記第４分類情報とが対応すると判定された場合に、前記第２分類情報と対応すると判定された前記第４分類情報の階層に基づいて、前記有効性の確度を推定する、
    請求項８又は２０又は２１又は２２に記載の処理実行システム。
24. コンピュータが、
    第１データを入力とし、複数の属性の中で前記第１データが属する属性と、当該属性の中で前記第１データが属する属性値と、を含む第１分類情報を出力とする第１モデルに基づいて、前記複数の属性の中で第２データが属する属性と、当該属性の中で前記第２データが属する属性値と、を含む第２分類情報を取得する第２分類情報取得ステップと、
    機械学習手法に基づいて、前記第２データ及び前記第２分類情報の組み合わせに関する有効性を推定する有効性推定ステップと、
    前記有効性の推定結果に基づいて、所定の処理を実行する実行ステップと、
    を実行する処理実行方法。
25. 第１データを入力とし、複数の属性の中で前記第１データが属する属性と、当該属性の中で前記第１データが属する属性値と、を含む第１分類情報を出力とする第１モデルに基づいて、前記複数の属性の中で第２データが属する属性と、当該属性の中で前記第２データが属する属性値と、を含む第２分類情報を取得する第２分類情報取得部、
    機械学習手法に基づいて、前記第２データ及び前記第２分類情報の組み合わせに関する有効性を推定する有効性推定部、
    前記有効性の推定結果に基づいて、所定の処理を実行する実行部、
    としてコンピュータを機能させるためのプログラム。

Images