JP7414906B2 - 情報処理装置、情報処理方法、及び情報処理プログラム - Google Patents

Description

本発明は、情報処理装置、情報処理方法、及び情報処理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、類似のコンテンツ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、類似のコンテンツを適切に抽出する情報処理装置、情報処理方法、及び情報処理プログラムを提供することを目的とする。

本願に係る情報処理装置は、所定のデバイスにおいて実行されるアプリケーションである複数のコンテンツの各々に対応する複数のノードが、前記複数のコンテンツの類似性に応じて連結されたグラフ情報と、一のコンテンツに関するコンテンツ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を検索することにより、前記複数のコンテンツのうち、前記一のコンテンツと類似するコンテンツである類似コンテンツを抽出する検索部と、を備えたことを特徴とする。

実施形態の一態様によれば、類似のコンテンツ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、実施形態に係る情報処理の一例を示す図である。 図２は、実施形態に係る情報処理システムの構成例を示す図である。 図３は、実施形態に係る情報処理装置の構成例を示す図である。 図４は、実施形態に係るコンテンツ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、実施形態に係る情報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、コンテンツの流行判定の一例を示す図である。 図１３は、情報処理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、本願に係る情報処理装置、情報処理方法、及び情報処理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情報処理装置、情報処理方法、及び情報処理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．情報処理〕
図１を用いて、実施形態に係る情報処理の一例について説明する。図１は、実施形態に係る情報処理の一例を示す図である。図１では、情報処理装置１００がコンテンツの一例として、端末装置１０（図２参照）等の所定のデバイスにおいて実行されるアプリケーション（以下、単に「アプリ」ともいう）であるコンテンツ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、一のコンテンツに類似するコンテンツ（以下、「類似コンテンツ」ともいう）を抽出する場合を示す。なお、所定のデバイスは、スマートフォンやＰＣ（Personal Computer）等の種々のコンピュータであってもよい。また、コンテンツは、アプリに限らず、映画等の動画コンテンツや楽曲等の音楽コンテンツや記事コンテンツ等の種々のものであってもよい。図１では、情報処理装置１００は、各コンテンツ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）を用いてコンテンツをグラフ構造化したグラフ情報を用いる場合を一例として説明する。

なお、情報処理装置１００が用いる情報は、ベクトルに限らず、各コンテンツの類似性を表現可能な情報であれば、どのような形式の情報であってもよい。例えば、情報処理装置１００は、各コンテンツに対応する所定のデータや値を用いてコンテンツをグラフ構造化したグラフ情報を用いてもよい。例えば、情報処理装置１００は、各コンテンツから生成された所定の数値（例えば２進数の値や１６進数の値）を用いてコンテンツをグラフ構造化したグラフ情報を用いてもよい。例えば、ベクトルに代えて、データ間の距離（類似度）が定義されていれば任意の形態のデータであっても良い。なお、図１の例では、抽出した類似コンテンツに基づいて、一のコンテンツが流行するかを判定し、判定結果の情報を提供するサービスを行う場合を示すが、類似コンテンツに基づくサービスであればそのようなサービスを提供してもよい。この点についての詳細は後述する。

〔１－１．グラフ情報について〕
また、情報処理装置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用いて情報処理を行う。なお、図１中のグラフ情報ＧＲ１１に示すようなグラフ情報は、情報処理装置１００が生成してもよいし、情報処理装置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、情報処理装置１００は、数百万～数億等の単位の膨大なコンテンツ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、情報処理装置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つの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、コンテンツの類似性を示し、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コンテンツの類似性が、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（コンテンツ）に対応する。コンテンツ情報が様々なコンテンツ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、コンテンツ情報が、テキスト、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、各コンテンツのコンテンツ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、情報処理装置１００は、コンテンツ情報の特徴を抽出するモデルを用いて各コンテンツのコンテンツ情報からＮ次元ベクトルを生成してもよい。図１の例では、情報処理装置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、各コンテンツのコンテンツ情報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（アプリ）」、すなわちコンテンツのデータ（コンテンツ情報）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、情報処理装置１００は、モデルＭ１に任意のコンテンツのコンテンツ情報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、入力したコンテンツ情報と同様の情報を出力する。例えば、情報処理装置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、各コンテンツに対応する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、各コンテンツ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、コンテンツ情報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、入力されたコンテンツ情報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、入力されたコンテンツ情報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、入力されたコンテンツ情報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、圧縮されたコンテンツ情報を復元する処理を行う部分に対応する。

例えば、情報処理装置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、情報処理装置１００は、あるコンテンツのコンテンツ情報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、情報処理装置１００は、あるコンテンツのコンテンツ情報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をそのコンテンツのベクトルの１次元目の要素として抽出してもよい。また、例えば、情報処理装置１００は、あるコンテンツのコンテンツ情報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をそのコンテンツのベクトルの２次元目の要素として抽出してもよい。このように、情報処理装置１００は、各コンテンツのコンテンツ情報をモデルＭ１に入力することにより、各コンテンツに対応するベクトルを生成してもよい。なお、情報処理装置１００は、各コンテンツ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、情報処理装置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、情報処理装置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、情報処理装置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、情報処理装置１００は、あるコンテンツのコンテンツ情報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、情報処理装置１００は、オートエンコーダに限らず、種々のモデルを用いて、コンテンツ情報からの特徴抽出を行ってもよい。例えば、スタートアップメンバ等の所定の目的に適したコンテンツと適さないコンテンツ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、情報処理装置１００は、モデルを用いずに、特徴抽出を行ってもよい。例えば、情報処理装置１００は、情報処理装置１００の管理者等が設定して特徴（素性）に対応する情報をコンテンツ情報から抽出し、ベクトルを生成してもよい。例えば、情報処理装置１００は、コンテンツのジャンル（カテゴリー）や内容等の特徴（素性）に対応する情報をコンテンツ情報から抽出し、ベクトルを生成してもよい。

また、例えば、情報処理装置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、情報処理装置１００は、コンテンツ情報記憶部１２１（図４参照）に記憶された各コンテンツのコンテンツ情報ＣＤＴ１、ＣＤＴ２、ＣＤＴ４５１等を入力として、モデルＭ１を生成してもよい。例えば、情報処理装置１００は、各コンテンツのコンテンツ情報ＣＤＴ１、ＣＤＴ２、ＣＤＴ４５１等を入力として、モデルＭ１を生成してもよい。例えば、コンテンツ情報ＣＤＴ１、ＣＤＴ２、ＣＤＴ４５１等は、コンテンツのジャンル（カテゴリー）や内容等を含んでもよい。例えば、コンテンツ情報ＣＤＴ１、ＣＤＴ２、ＣＤＴ４５１等のコンテンツ情報は、コンテンツがアプリである場合、「天気」、「路線」、「ゲーム」等のカテゴリーを示す情報や、起動時の画面を示す画像情報や、課金額を示す情報等の種々の情報を含んでもよい。例えば、コンテンツ情報ＣＤＴ１、ＣＤＴ２、ＣＤＴ４５１等のコンテンツ情報は、コンテンツが記事コンテンツである場合、その記事コンテンツに対応する文字情報や画像情報等の情報を含んでもよい。また、例えば、コンテンツ情報ＣＤＴ１、ＣＤＴ２、ＣＤＴ４５１等のコンテンツ情報は、コンテンツが動画コンテンツである場合、その動画コンテンツに対応する画像情報や音声情報等の情報を含んでもよい。なお、コンテンツ情報は、コンテンツがアプリである場合、そのソースコード（文字情報）のみであってもよい。

情報処理装置１００は、コンテンツのコンテンツ情報が入力される入力層と、出力層と、入力層から出力層までのいずれかの層であって出力層以外の層に属する第１要素と、第１要素と第１要素の重みとに基づいて値が算出される第２要素と、を含み、入力層に入力されたコンテンツ情報に対し、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、情報処理装置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、情報処理装置１００は、ユーザから一のコンテンツのコンテンツ情報を取得し、一のコンテンツに類似するコンテンツに基づいてサービスを提供する場合を一例として説明する。図１の例では、端末装置１０は、所定のソフトウェア開発会社に属するユーザＵ１により利用される。例えば、ユーザＵ１は、スマートフォン用のアプリを開発する企業でアプリ開発を行うユーザであってもよい。図１の例では、スマートフォン用のアプリの開発者であるユーザＵ１自身が開発したアプリであるコンテンツＸが流行するかどうかの情報を所望する場合を示す。

まず、端末装置１０は、コンテンツＸのコンテンツ情報ＣＤＴ１１を情報処理装置１００へ送信する。図１の例では、コンテンツ情報ＣＤＴ１１等は、コンテンツ（アプリ）のジャンル（カテゴリー）や内容等に関する情報を含む。なお、コンテンツ情報ＣＤＴ１１等は、コンテンツ（アプリ）のソースコード（文字情報）のみであってもよい。

そして、情報処理装置１００は、一のコンテンツに関するコンテンツ情報を取得する（ステップＳ１１）。図１の例では、情報処理装置１００は、ユーザＵ１の端末装置１０からコンテンツＸに関するコンテンツ情報ＣＤＴ１１を取得する。なお、情報処理装置１００は、コンテンツＸが携帯する端末装置１０（図２参照）からコンテンツＸに関するコンテンツ情報ＣＤＴ１１を取得する。

そして、情報処理装置１００は、一のコンテンツに対応するコンテンツ情報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、情報処理装置１００は、処理群ＰＳ１１に示すような処理により、コンテンツＸに対応するベクトルを生成する。情報処理装置１００は、コンテンツＸに関するコンテンツ情報ＣＤＴ１１をモデルＭ１に入力する（ステップＳ１２）。具体的には、情報処理装置１００は、コンテンツＸのコンテンツ情報ＣＤＴ１１をモデルＭ１に入力する。そして、情報処理装置１００は、コンテンツ情報ＣＤＴ１１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、情報処理装置１００は、コンテンツ情報ＣＤＴ１１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、情報処理装置１００は、コンテンツ情報ＣＤＴ１１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、情報処理装置１００は、コンテンツＸのコンテンツ情報ＣＤＴ１１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、情報処理装置１００は、コンテンツＸのコンテンツ情報ＣＤＴ１１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、情報処理装置１００は、あるコンテンツのコンテンツ情報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、情報処理装置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、情報処理装置１００は、コンテンツＸに類似するコンテンツ（以下、「類似コンテンツ」ともいう）を検索する（ステップＳ１４）。例えば、情報処理装置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、コンテンツＸの類似コンテンツを検索してもよい。例えば、情報処理装置１００は、類似性が高いノード間がエッジで連結されたグラフ情報ＧＲ１１を用いる。

図１の例では、情報処理装置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を用いてコンテンツＸの類似コンテンツを検索する。例えば、情報処理装置１００は、グラフ情報記憶部１２３（図６参照）からコンテンツに関するグラフ情報ＧＲ１１を取得する。また、例えば、情報処理装置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、情報処理装置１００が生成してもよいし、情報処理装置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、情報処理装置１００は、一のコンテンツ（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、情報処理装置１００は、コンテンツ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、情報処理装置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、情報処理装置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、情報処理装置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（一のコンテンツ）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、情報処理装置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、情報処理装置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、情報処理装置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、情報処理装置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、情報処理装置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、情報処理装置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、情報処理装置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、情報処理装置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、情報処理装置１００は、複数個の起点ベクトルを決定してもよい。例えば、情報処理装置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、情報処理装置１００は、グラフ情報ＧＲ１１を検索することにより、コンテンツＸの類似コンテンツを抽出する（ステップＳ１６）。例えば、情報処理装置１００は、ノードＮ４５１の近傍に位置するノードを類似コンテンツとして抽出する。例えば、情報処理装置１００は、ノードＮ４５１からの距離が近いノードを類似コンテンツとして抽出する。例えば、情報処理装置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コンテンツとして抽出する。例えば、情報処理装置１００は、所定数（例えば、２個や１０個等）のノードを類似コンテンツとして抽出する。例えば、情報処理装置１００は、図１１に示すような検索処理により、コンテンツＸの類似コンテンツを抽出してもよいが、詳細は後述する。図１の例では、情報処理装置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を類似コンテンツとして抽出する。

そして、情報処理装置１００は、類似コンテンツの指標値に関する情報を取得する。図１の例では、情報処理装置１００は、コンテンツ情報記憶部１２１（図４参照）から類似コンテンツの指標値を取得する。ここでいう、コンテンツの指標値とは、そのコンテンツが流行したかどうかの判定に用いる情報であれば、コンテンツの売上やコンテンツに関するユーザの投稿回数等の種々の指標値であってもよい。例えば、コンテンツがアプリである場合、ダウンロード数や利用ユーザ数等が指標値として用いられてもよい。また、情報処理装置１００は、複数の指標値を用いてもよい。

図１の例では、コンテンツの指標値として、そのコンテンツ（アプリ）の売上を用いるものとする。図１の例では、情報処理装置１００は、類似情報ＳＬＴに示すようなノードＮ４５１（コンテンツ＃４５１）の指標値ＶＬ４５１やノードＮ３５（コンテンツ＃３５）の指標値ＶＬ３５等の情報を取得する。例えば、指標値ＶＬ４５１は、コンテンツ＃４５１の売上を示し、指標値ＶＬ３５は、コンテンツ＃３５の売上を示す。例えば、指標値ＶＬ４５１や指標値ＶＬ３５は、２００万円や１億円等の具体的な数値であるものとする。

そして、情報処理装置１００は、判定に用いる指標値（判定用指標値）を決定する（ステップＳ１７）。図１の例では、情報処理装置１００は、類似情報ＳＬＴに示すようなノードＮ４５１（コンテンツ＃４５１）の指標値ＶＬ４５１やノードＮ３５（コンテンツ＃３５）の指標値ＶＬ３５等の情報に基づいて、判定用指標値を決定する。

例えば、情報処理装置１００は、類似情報ＳＬＴに含まれる類似コンテンツの評価値（指標値）の平均を判定用指標値として決定する。図１の例では、情報処理装置１００は、ステップＳ１６で抽出した類似コンテンツの指標値の平均を判定用指標値として決定する。すなわち、情報処理装置１００は、類似情報ＳＬＴに含まれるコンテンツ＃４５の指標値ＶＬ４５１やコンテンツ＃３５の指標値ＶＬ３５の平均を判定用指標値として決定する。この場合、情報処理装置１００は、コンテンツ＃４５の指標値ＶＬ４５１やコンテンツ＃３５の指標値ＶＬ３５を加算することにより、類似コンテンツの指標値の合計値を算出する。そして、情報処理装置１００は、類似コンテンツの指標値の合計値を、類似コンテンツ数で除することにより、判定用指標値を算出する。例えば、情報処理装置１００は、類似コンテンツがコンテンツ＃４５とコンテンツ＃３５との2つである場合、指標値ＶＬ４５１と指標値ＶＬ３５とを加算した合計値を類似コンテンツの数「２」で除することにより、判定用指標値を算出する。図１の例では、情報処理装置１００は、判定用情報ＶＬＴに示すように、判定用指標値ＤＶＬ１１を決定する。

なお、上記は一例であり、情報処理装置１００は、類似情報ＳＬＴに含まれる類似コンテンツの指標値に基づけばどのような評価値（指標値）を判定用指標値として決定してもよい。例えば、情報処理装置１００は、類似情報ＳＬＴのうち、最も高い指標値を判定用指標値として決定してもよい。例えば、情報処理装置１００は、類似情報ＳＬＴのうち、最も低い指標値を判定用指標値として決定してもよい。例えば、情報処理装置１００は、類似情報ＳＬＴのうち、最もコンテンツＸに類似するコンテンツの指標値を判定用指標値として決定してもよい。

そして、情報処理装置１００は、判定用指標値を用いて判定処理を行う（ステップＳ１８）。例えば、情報処理装置１００は、判定用指標値と所定の閾値との比較により、コンテンツＸが流行するかどうかを判定する。例えば、情報処理装置１００は、判定用指標値が所定の閾値以上である場合、コンテンツＸが流行すると判定する。例えば、情報処理装置１００は、判定用指標値が所定の閾値未満である場合、コンテンツＸが流行しないと判定する。図１の例では、情報処理装置１００は、閾値情報ＴＬＴに示すような閾値ＴＨ１１を用いて、判定処理を行う。例えば、閾値ＴＨ１１は、５００万円や１億円等の具体的な数値であるものとする。情報処理装置１００は、閾値ＴＨ１１を記憶した記憶部１２０（図３参照）から閾値ＴＨ１１を取得してもよいし、外部の情報処理装置から閾値ＴＨ１１を取得してもよい。例えば、情報処理装置１００が記憶部１２０から閾値ＴＨ１１を取得する場合、閾値ＴＨ１１は記憶部１２０に格納されている。なお、以下では、閾値ＴＨ１１が「１千万円」であり、判定用指標値ＤＶＬ１１が「３千万円」であるものとして説明する。

上記のように、閾値ＴＨ１１が「１千万円」であり、判定用指標値ＤＶＬ１１が「３千万円」であるため、情報処理装置１００は、判定用指標値ＤＶＬ１１と所定の閾値ＴＨ１１とを比較し、判定用指標値ＤＶＬ１１が所定の閾値ＴＨ１１以上であると判定する。この場合、情報処理装置１００は、判定用指標値ＤＶＬ１１が所定の閾値ＴＨ１１以上であるという基準を満たすため、流行判定結果ＤＲＳに示すように、コンテンツＸが流行すると判定する。

そして、情報処理装置１００は、判定結果に基づいてサービスを提供する。図１の例では、情報処理装置１００は、コンテンツＸが流行する可能性があるコンテンツ（流行コンテンツ）であることを示す情報（流行判定情報）を端末装置１０に提供する（ステップＳ１９）。例えば、情報処理装置１００は、コンテンツＸが流行コンテンツであることを示す流行判定情報を端末装置１０に送信する。これにより、ユーザＵ１は、コンテンツＸが流行する可能性があると判断することができる。

一方、情報処理装置１００は、判定用指標値ＤＶＬ１１が所定の閾値ＴＨ１１未満であると判定した場合、コンテンツＸが流行しないと判定する。そして、情報処理装置１００は、コンテンツＸが流行しない可能性が高いことを示す流行判定情報を端末装置１０に送信する。これにより、ユーザＵ１は、コンテンツＸが流行しない可能性が高いと判断でき、コンテンツＸの仕様変更等を行い流行するコンテンツの開発を行うことができる。

上述したように、情報処理装置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から取得したコンテンツＸの類似コンテンツを抽出する。例えば、情報処理装置１００は、インデックス情報ＩＮＤ１１を用いて、コンテンツＸの類似コンテンツ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、情報処理装置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、コンテンツＸの類似コンテンツを抽出する。これにより、情報処理装置１００は、類似のコンテンツを適切に抽出することができる。

例えば、情報処理装置１００は、コンテンツＸと類似するコンテンツ（類似コンテンツ）が、例えばコンテンツＸと一見関係が無いように見える場合であっても、グラフ情報を用いることで、コンテンツＸの類似コンテンツとして抽出でき、類似のコンテンツ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、ＸＸのゲームやＹＹの記事コンテンツ等の所定の目的に適したコンテンツを識別するという方法もあるが、所定の目的に適するかに影響する多種多様な要素が存在する場合においては、各要素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、そのモデルにコンテンツの情報を入力し、出力されたスコアからそのコンテンツが所定の目的に適するかを識別するという方法もあるが、多種多様な要素が存在する場合においては、各要素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、識別精度を向上させることが難しい。一方で、情報処理装置１００は、各コンテンツ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、コンテンツのベクトルの比較によりコンテンツ間の類似度を判定し、一のコンテンツが複数のコンテンツに含まれるかどうかを適切に判定することができる。そのため、情報処理装置１００は、類似のコンテンツを適切に抽出することができる。

〔１－４．サービスについて〕
図１の例では、コンテンツが流行するかの判定を一例として説明したが、情報処理装置１００は、抽出した類似コンテンツの情報を用いて種々のサービスを提供してもよい。この点について、以下説明する。

〔１－４－１．ユーザに関する情報提供〕
例えば、情報処理装置１００は、抽出した類似コンテンツの情報を用いて、コンテンツを利用するユーザに関する情報を提供してもよい。例えば、情報処理装置１００は、抽出した類似コンテンツの情報を用いて、一のコンテンツがどのようなユーザに利用されるかを示す情報を提供してもよい。

図１の例では、情報処理装置１００は、類似コンテンツであるコンテンツ＃４５１やコンテンツ＃３５を利用するユーザの情報を用いて、コンテンツＸがどのようなユーザに利用されるかを示す情報をユーザＵ１に提供してもよい。情報処理装置１００は、類似コンテンツであるコンテンツ＃４５１やコンテンツ＃３５を利用するユーザの情報を用いて、コンテンツＸがどのようなユーザに利用されるかを示す情報（分析情報）をユーザＵ１に提供してもよい。例えば、情報処理装置１００は、コンテンツ＃４５１やコンテンツ＃３５を利用するユーザの属性情報を、ユーザＵ１に提供してもよい。例えば、情報処理装置１００は、コンテンツ＃４５１やコンテンツ＃３５を利用するユーザに２０代男性が多い場合、コンテンツＸが２０代男性のユーザに利用される可能性が高いことを示す分析情報をユーザＵ１の端末装置１０に送信してもよい。

また、例えば、情報処理装置１００は、コンテンツ＃４５１やコンテンツ＃３５を利用するユーザのうち、各属性が占める割合を示す分析情報をユーザＵ１の端末装置１０に送信してもよい。例えば、情報処理装置１００は、コンテンツ＃４５１やコンテンツ＃３５を利用するユーザのうち、男性が８０％であり、女性が２０％である場合、男性が８０％であり、女性が２０％であることを示す分析情報をユーザＵ１の端末装置１０に送信してもよい。

〔１－４－２．生成したコンテンツの判定〕
図１の例では、情報処理装置１００がユーザＵ１から取得したコンテンツＸの流行判定を行ったが、情報処理装置１００は、コンテンツを生成し、生成したコンテンツの流行判定を行ってもよい。例えば、情報処理装置１００は、アプリや動画コンテンツや音楽コンテンツや記事コンテンツ等のコンテンツを生成し、グラフ情報を用いて生成したコンテンツの類似コンテンツを抽出することにより、生成したコンテンツの流行判定を行ってもよい。この点について、図１２を用いて説明する。図１２は、コンテンツの流行判定の一例を示す図である。図１２の例では、コンテンツがアプリである場合を示す。また、グラフ情報ＧＲ２１は、図１中のグラフ情報ＧＲ１１であってもよい。なお、図１と同様の点については適宜説明を省略する。

まず、情報処理装置１００は、コンテンツを生成する（ステップＳ５１）。なお、ここでいうコンテンツの生成は、情報処理装置１００自体が生成を行う場合と情報処理装置１００が他の外部装置に要求してコンテンツを生成する場合が含まれるものとする。情報処理装置１００は、自装置においてアプリＹを生成してもよいし、他の外部装置にアプリＹの生成を要求し、アプリＹを生成した他の外部装置からアプリＹを取得してもよい。例えば、情報処理装置１００は、自動生成に関する技術を適宜用いて、ランダムにアプリＹを生成してもよい。また、例えば、情報処理装置１００は、コンテンツが楽曲等の音楽コンテンツである場合、過去の複数の楽曲から、数秒や数小節等の区間ごとの抽出しランダムに組み合わせることで、音楽コンテンツを生成してもよい。例えば、情報処理装置１００は、過去に流行した複数の楽曲の区間をランダムに組合せることにより生成してもよい。例えば、情報処理装置１００は、売上が所定の閾値（例えば１０億円等）以上等の流行に関する条件を満たす複数の楽曲の区間を、ランダムに組合せることにより生成してもよい。なお、情報処理装置１００は、上記に限らず、コンテンツを生成可能であれば、自動生成に関する技術やランダム生成等のどのような方法によりコンテンツを生成してもよい。例えば、情報処理装置１００は、情報提供装置５０にアプリＹの生成を要求し、アプリＹを生成した情報提供装置５０からアプリＹを取得してもよい。図１２の例では、情報処理装置１００は、アプリＹを生成する。

そして、情報処理装置１００は、グラフ情報を用いてコンテンツの流行判定を行う（ステップＳ５２）。図１２の例では、情報処理装置１００は、グラフ情報ＧＲ２１を用いてアプリＹの流行判定を行う。例えば、情報処理装置１００は、生成した一のコンテンツ（アプリＹ）を対象として、アプリＹに類似するコンテンツ(類似コンテンツ)の情報をグラフ情報ＧＲ２１から抽出する。例えば、情報処理装置１００は、アプリＹに関するコンテンツ情報（コンテンツ情報ＹＬＤ）を取得する。例えば、情報処理装置１００は、グラフ情報ＧＲ２１をグラフ情報記憶部１２３から取得する。例えば、情報処理装置１００は、コンテンツの各々に対応する複数のノードが、複数のコンテンツの類似性に応じて連結されたグラフ情報ＧＲ２１を取得する。そして、情報処理装置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、アプリＹのコンテンツ情報ＹＤＴからベクトル（ベクトルＹＶＤ）を生成する。

そして、情報処理装置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ＹＮＥ（図１２中のアプリＡＰ５に対応）に決定する。そして、情報処理装置１００は、起点ベクトルであるノードＹＮＥを起点としてグラフ情報ＧＲ２１を検索することにより、アプリＹの類似コンテンツ（類似グループ）を抽出する。例えば、情報処理装置１００は、ノードＹＮＥ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２個など）のノードを類似コンテンツとして抽出する。図１２の例では、情報処理装置１００は、類似コンテンツ範囲ＳＡＲ１１に含まれるアプリＡＰ１（ノードＮＥＴ１）やアプリＡＰ５（ノードＮＥＴ５）を類似コンテンツとして抽出する。

そして、情報処理装置１００は、抽出した類似コンテンツの指標値を用いて、アプリＹが流行するかどうかを判定する。例えば、情報処理装置１００は、類似コンテンツの指標値に関する情報を取得する。図１２の例では、コンテンツの指標値として、そのコンテンツ（アプリ）のダウンロード数を用いるものとする。図１２の例では、情報処理装置１００は、コンテンツ情報記憶部１２１（図４参照）から類似コンテンツの指標値を取得する。そして、情報処理装置１００は、判定に用いる指標値（判定用指標値）を決定する。図１２の例では、情報処理装置１００は、アプリＡＰ１とアプリＡＰ５とのうち、最もダウンロード数が多いアプリ（例えばアプリＡＰ１）の指標値ＶＬＡＰ１を、判定用指標値（以下、「判定用指標値ＤＶＬ５１」とする）として決定する。指標値ＶＬＡＰ１は、５万回や１００万回等の具体的な数値であるものとする。

そして、情報処理装置１００は、判定用指標値を用いて判定処理を行う。例えば、情報処理装置１００は、判定用指標値と所定の閾値との比較により、コンテンツＸが流行するかどうかを判定する。図１２の例では、情報処理装置１００は、閾値ＴＨ５１を用いて、判定処理を行う。例えば、閾値ＴＨ１１は、２５万回や５００万回等の具体的な数値であるものとする。情報処理装置１００は、閾値ＴＨ５１を記憶した記憶部１２０（図３参照）から閾値ＴＨ５１を取得してもよいし、外部の情報処理装置から閾値ＴＨ５１を取得してもよい。

例えば、情報処理装置１００は、判定用指標値ＤＶＬ５１が所定の閾値ＴＨ５１以上であると判定した場合、コンテンツＸが流行すると判定する。一方、情報処理装置１００は、判定用指標値ＤＶＬ１１が所定の閾値ＴＨ１１未満であると判定した場合、コンテンツＸが流行しないと判定する。このように、情報処理装置１００は、生成したコンテンツの流行を判定することにより、流行するコンテンツを適切に生成することができる。また、情報処理装置１００は、生成したコンテンツが流行する判定した場合、生成したコンテンツを販売やリリースすると決定してもよい。そして、情報処理装置１００は、生成したコンテンツを端末装置１０や情報提供装置５０等の種々の外部装置に提供してもよい。

〔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、情報処理装置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、情報処理装置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、情報処理装置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、情報処理装置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、情報処理装置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、情報処理装置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、情報処理装置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、情報処理装置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、情報処理装置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、情報処理装置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、情報処理装置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、情報処理装置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、情報処理装置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、情報処理装置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。情報処理装置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、所定のコンテンツ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．情報処理システムの構成〕
図２に示すように、情報処理システム１は、端末装置１０と、情報提供装置５０と、情報処理装置１００とが含まれる。端末装置１０と、情報提供装置５０と、情報処理装置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、実施形態に係る情報処理システムの構成例を示す図である。なお、図２に示した情報処理システム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、複数台の情報処理装置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、コンテンツ情報を収集し、コンテンツ情報を情報処理装置１００へ送信する。

情報処理装置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、複数のコンテンツのうち、一のコンテンツが複数のコンテンツに含まれるかどうかを判定する情報処理装置である。例えば、情報処理装置１００は、一のコンテンツに関するコンテンツ情報を取得し、コンテンツ情報と、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に基づいて、起点ベクトルを決定する。

情報処理装置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、情報処理装置１００は、端末装置１０から一のコンテンツのコンテンツ情報（以下、「クエリ情報」や「クエリ」ともいう）を取得すると、クエリに類似するコンテンツ（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、情報処理装置１００は、端末装置１０から一のコンテンツのコンテンツ情報を取得すると、一のコンテンツに類似するコンテンツを検索し、検索結果を類似のコンテンツとして端末装置１０に提供する。また、例えば、情報処理装置１００が端末装置１０に提供するデータは、コンテンツの名称やコンテンツのコンテンツ情報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、情報処理装置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コンテンツ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情報処理装置１００に提供する情報処理装置である。

〔３．情報処理装置の構成〕
次に、図３を用いて、実施形態に係る情報処理装置１００の構成について説明する。図３は、実施形態に係る情報処理装置の構成例を示す図である。図３に示すように、情報処理装置１００は、通信部１１０と、記憶部１２０と、制御部１３０とを有する。なお、情報処理装置１００は、情報処理装置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、コンテンツ情報記憶部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。また、記憶部１２０は、閾値ＴＨ１１等の情報を記憶してもよい。

（コンテンツ情報記憶部１２１）
実施形態に係るコンテンツ情報記憶部１２１は、コンテンツ（オブジェクト）に関する各種情報を記憶する。例えば、コンテンツ情報記憶部１２１は、コンテンツＩＤやベクトルデータを記憶する。図４の例では、コンテンツに関するコンテンツ情報を記憶する。図４は、実施形態に係るコンテンツ情報記憶部の一例を示す図である。図４に示すコンテンツ情報記憶部１２１は、「コンテンツＩＤ」、「コンテンツ」、「コンテンツ情報」、「指標値」、「ベクトル情報」といった項目が含まれる。

「コンテンツＩＤ」は、コンテンツ（オブジェクト）を識別するための識別情報を示す。また、「コンテンツ」は、コンテンツＩＤにより識別されるコンテンツの具体的な名称や内容等を示す。なお、図４の例では、コンテンツを「コンテンツ＃１」といった抽象的な符号で示すが、括弧内の「Ａコンテンツ」等のように、コンテンツを特定するための文字情報等が含まれてもよい。「指標値」は、コンテンツＩＤにより識別されるコンテンツの所定の指標値を示す。例えば、「指標値」は、指標が「売上」である場合、コンテンツの売上を示す値であってもよい。また、例えば、コンテンツがアプリである場合、「指標値」は、ダウンロード数や利用ユーザ数等であってもよい。なお、「指標値」は、上記に限らず、コンテンツに関するものであれば、どのような指標値であってもよい。また、複数の指標値を用いる場合、「指標値」の項目は、用いる指標値の個数に応じた個数（複数個）であってもよい。なお、図４の例では、指標値を「ＶＬ１」といった抽象的な符号で示すが、１０００や１００万等、指標値に応じた具体的な数値が記憶されてもよい。

「コンテンツ情報」は、コンテンツＩＤにより識別されるコンテンツに関する情報を示す。なお、図４の例では、コンテンツ情報を「ＣＤＴ１」といった抽象的な符号で示すが、各コンテンツ情報は、コンテンツＩＤにより識別されるコンテンツのジャンル（カテゴリー）や内容等の種々のコンテンツに関する情報を含んでもよい。「ベクトル情報」とは、コンテンツＩＤにより識別されるコンテンツ（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、コンテンツ（オブジェクト）を識別するコンテンツ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、コンテンツＩＤ「ＣＴ１」により識別されるコンテンツ（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、コンテンツ＃１については、モデルＭ１等により、コンテンツ＃１の特徴を示す「１０，２４，５４，２．．．」の多次元（Ｎ次元）のベクトル情報がコンテンツ情報ＣＤＴ１から抽出されたことを示す。また、図４の例では、コンテンツ＃１の指標値は、「ＶＬ１」であることを示す。

なお、コンテンツ情報記憶部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」、「コンテンツ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（コンテンツ）を識別するための識別情報を示す。また、「コンテンツＩＤ」は、コンテンツ（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（コンテンツ）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、コンテンツＩＤ「ＣＴ１」により識別されるコンテンツ（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（アプリ）」であり、入力されたコンテンツ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、コンテンツのコンテンツ情報が入力される入力層と、出力層と、入力層から出力層までのいずれかの層であって出力層以外の層に属する第１要素と、第１要素と第１要素の重みとに基づいて値が算出される第２要素と、を含み、入力層に入力されたコンテンツ情報に対し、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、情報処理装置１００内部の記憶装置に記憶されている各種プログラム（情報処理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、コンテンツのコンテンツ情報が入力される入力層と、出力層と、入力層から出力層までのいずれかの層であって出力層以外の層に属する第１要素と、第１要素と第１要素の重みとに基づいて値が算出される第２要素と、を含み、入力層に入力されたコンテンツ情報に対し、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、検索部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、コンテンツ情報記憶部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、複数のコンテンツの各々に対応する複数のノードが、複数のコンテンツの類似性に応じて連結されたグラフ情報と、一のコンテンツに関するコンテンツ情報を取得する。取得部１３１は、複数のコンテンツの各々に対応する複数のベクトルが、複数のコンテンツの類似性に応じて連結されたグラフ情報と、一のコンテンツに関するコンテンツ情報を取得する。取得部１３１は、複数のコンテンツ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。

取得部１３１は、所定のモデルを用いて複数のコンテンツ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。取得部１３１は、複数のコンテンツに関する情報を所定のモデルに入力することにより、抽出される複数のコンテンツ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。

取得部１３１は、類似コンテンツの流行に関する流行情報を取得する。取得部１３１は、類似コンテンツの流行に関する指標値を示す流行情報を取得する。取得部１３１は、ユーザが利用する端末装置から一のコンテンツに関するコンテンツ情報を取得する。

例えば、取得部１３１は、データ検索のコンテンツ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から一のコンテンツに関するコンテンツ情報を取得する。例えば、取得部１３１は、検索クエリとして、一のコンテンツのコンテンツ情報を取得する。例えば、取得部１３１は、コンテンツ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からコンテンツＸに関するコンテンツ情報ＣＤＴ１１を取得する。

例えば、取得部１３１は、一のコンテンツに関するコンテンツ情報を取得する。例えば、取得部１３１は、端末装置１０からコンテンツＸに関するコンテンツ情報ＣＤＴ１１を取得する。例えば、取得部１３１は、グラフ情報記憶部１２３からコンテンツ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。

図１の例では、取得部１３１は、コンテンツ情報記憶部１２１（図４参照）から類似コンテンツの指標値を取得する。取得部１３１は、類似情報ＳＬＴに示すようなノードＮ４５１（コンテンツ＃４５１）の指標値ＶＬ４５１やノードＮ３５（コンテンツ＃３５）の指標値ＶＬ３５等の情報を取得する。また、取得部１３１は、閾値ＴＨ１１を記憶した記憶部１２０から閾値ＴＨ１１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、コンテンツ情報記憶部１２１に記憶された学習データ（コンテンツ情報）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、入力したコンテンツ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、入力するコンテンツ情報自体を正解情報として、入力したコンテンツ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、コンテンツのコンテンツ情報が入力される入力層と、出力層と、入力層から出力層までのいずれかの層であって出力層以外の層に属する第１要素と、第１要素と第１要素の重みとに基づいて値が算出される第２要素と、を含み、入力層に入力されたコンテンツ情報に対し、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、コンテンツ情報記憶部１２１中のコンテンツ情報ＣＤＴ１、ＣＤＴ２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、コンテンツ情報ＣＤＴ１が入力された場合に、モデルＭ１がコンテンツ情報ＣＤＴ１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、コンテンツ情報ＣＤＴ２が入力された場合に、モデルＭ１がコンテンツ情報ＣＤＴ２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モデルＭ１に限らず、種々の学習アルゴリズムを用いてコンテンツ（入館）に対応するモデルＭ２１やコンテンツ（入国）に対応するモデル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。なお、情報処理装置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、コンテンツ情報の特徴を抽出するモデルを用いて各コンテンツのコンテンツ情報から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、各コンテンツのコンテンツ情報からベクトルを生成する。

また、生成部１３２は、一のコンテンツに対応するコンテンツ情報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、コンテンツＸに対応するベクトルを生成する。生成部１３２は、コンテンツＸに関するコンテンツ情報ＣＤＴ１１をモデルＭ１に入力する。具体的には、生成部１３２は、コンテンツＸのジャンル（カテゴリー）や内容等の情報を含むコンテンツ情報ＣＤＴ１１をモデルＭ１に入力する。そして、生成部１３２は、コンテンツ情報ＣＤＴ１１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、コンテンツ情報ＣＤＴ１１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、コンテンツ情報ＣＤＴ１１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、コンテンツＸのコンテンツ情報ＣＤＴ１１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、コンテンツＸのコンテンツ情報ＣＤＴ１１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、コンテンツのコンテンツ情報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。

（決定部１３３）
決定部１３３は、各種情報を決定する。決定部１３３は、起点ノードの決定に用いるインデックス情報に基づいて、起点ノードを決定する。例えば、決定部１３３は、取得部１３１により取得されたコンテンツ情報と、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に基づいて、起点ベクトルを決定する。例えば、決定部１３３は、コンテンツ情報と、グラフ情報の検索の起点ベクトルの決定の基準となる情報とに基づいて、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、一のコンテンツ（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、コンテンツ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（一のコンテンツ）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。

決定部１３３は、判定に用いる指標値（判定用指標値）を決定する。図１の例では、決定部１３３は、類似情報ＳＬＴに示すようなノードＮ４５１（コンテンツ＃４５１）の指標値ＶＬ４５１やノードＮ３５（コンテンツ＃３５）の指標値ＶＬ３５等の情報に基づいて、判定用指標値を決定する。

図１の例では、決定部１３３は、類似情報ＳＬＴに含まれる類似コンテンツの指標値の平均を判定用指標値として決定する。決定部１３３は、類似コンテンツの指標値の平均を判定用指標値として決定する。決定部１３３は、類似情報ＳＬＴに含まれるコンテンツ＃４５の指標値ＶＬ４５１やコンテンツ＃３５の指標値ＶＬ３５の平均を判定用指標値として決定する。この場合、決定部１３３は、コンテンツ＃４５の指標値ＶＬ４５１やコンテンツ＃３５の指標値ＶＬ３５を加算することにより、類似コンテンツの指標値の合計値を算出する。そして、決定部１３３は、類似コンテンツの指標値の合計値を、類似コンテンツ数で除することにより、判定用指標値を算出する。例えば、決定部１３３は、類似コンテンツがコンテンツ＃４５とコンテンツ＃３５との2つである場合、指標値ＶＬ４５１と指標値ＶＬ３５とを加算した合計値を類似コンテンツの数「２」で除することにより、判定用指標値を算出する。図１の例では、決定部１３３は、判定用情報ＶＬＴに示すように、判定用指標値ＤＶＬ１１を決定する。

決定部１３３は、類似情報ＳＬＴに含まれる類似コンテンツの指標値に基づけばどのような指標値を判定用指標値として決定してもよい。例えば、決定部１３３は、類似情報ＳＬＴのうち、最も高い指標値を判定用指標値として決定してもよい。例えば、決定部１３３は、類似情報ＳＬＴのうち、最も低い指標値を判定用指標値として決定してもよい。例えば、決定部１３３は、類似情報ＳＬＴのうち、最もコンテンツＸに類似するコンテンツの指標値を判定用指標値として決定してもよい。

（検索部１３４）
検索部１３４は、各種情報を検索する。例えば、検索部１３４は、取得部１３１により取得された情報を用いて、各種情報を検索する。例えば、検索部１３４は、各種情報を抽出する。例えば、検索部１３４は、取得部１３１により取得された情報を用いて、各種情報を抽出する。例えば、検索部１３４は、各種判定処理を行う。例えば、検索部１３４は、取得部１３１により取得された情報を用いて、各種情報を判定する。例えば、検索部１３４は、記憶部１２０に記憶された各種情報を検索する。例えば、取得部１３１は、コンテンツ情報記憶部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等に記憶された各種情報を検索する。例えば、検索部１３４は、各種情報を用いて算出処理を行う。例えば、検索部１３４は、ベクトルに関する情報を用いて、ベクトル間の距離を算出する。例えば、検索部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。

検索部１３４は、取得部１３１により取得されたグラフ情報の複数のノードのうち、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ノードを起点として、グラフ情報を検索することにより、複数のコンテンツのうち、一のコンテンツと類似するコンテンツである類似コンテンツを抽出する。検索部１３４は、決定部１３３により決定された起点ノードを起点として、類似コンテンツを抽出する。

検索部１３４は、取得部１３１により取得された流行情報に基づいて、一のコンテンツが流行するかどうかを判定する。検索部１３４は、類似コンテンツの指標値が所定の基準を満たす場合、一のコンテンツを流行する可能性がある流行コンテンツであると判定する。検索部１３４は、類似コンテンツの指標値と所定の閾値とを比較し、類似コンテンツの指標値が所定の閾値以上である場合、一のコンテンツを流行コンテンツであると判定する。

検索部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、複数のコンテンツのうち、一のコンテンツに類似するコンテンツである類似コンテンツを抽出する。検索部１３４は、各種情報を抽出する。例えば、検索部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グラフ情報を検索することにより、複数のコンテンツのうち、一のコンテンツに類似するコンテンツである類似コンテンツを抽出する。

検索部１３４は、取得部１３１により取得されたグラフ情報の複数のノードのうち、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ノードを起点として、グラフ情報を検索することにより、一のコンテンツが複数のコンテンツに含まれるかどうかを判定する。検索部１３４は、決定部１３３により決定された起点ノードを起点として、一のコンテンツが複数のコンテンツに含まれるかどうかを判定する。

図１の例では、検索部１３４は、コンテンツＸに類似するコンテンツを検索する。例えば、検索部１３４は、グラフ情報ＧＲ１１を検索することにより、コンテンツＸの類似コンテンツを抽出する。検索部１３４は、ノードＮ４５１の近傍に位置するノードを類似コンテンツとして抽出する。例えば、検索部１３４は、ノードＮ４５１からの距離が近いノードを類似コンテンツとして抽出する。例えば、検索部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コンテンツとして抽出する。例えば、検索部１３４は、所定数（例えば、２個や１０個等）のノードを類似コンテンツとして抽出する。例えば、検索部１３４は、図１１に示すような検索処理により、コンテンツＸの類似コンテンツを抽出する。図１の例では、検索部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を類似コンテンツとして抽出する。

図１の例では、検索部１３４は、判定用指標値を用いて判定処理を行う。検索部１３４は、決定部１３３により決定された判定用指標値を用いて判定処理を行う。例えば、検索部１３４は、判定用指標値と所定の閾値との比較により、コンテンツＸが流行するかどうかを判定する。例えば、検索部１３４は、判定用指標値が所定の閾値以上である場合、コンテンツＸが流行すると判定する。例えば、検索部１３４は、判定用指標値が所定の閾値未満である場合、コンテンツＸが流行しないと判定する。

図１の例では、検索部１３４は、判定用指標値ＤＶＬ１１と所定の閾値ＴＨ１１とを比較し、判定用指標値ＤＶＬ１１が所定の閾値ＴＨ１１以上であると判定する。この場合、検索部１３４は、判定用指標値ＤＶＬ１１が所定の閾値ＴＨ１１以上であるという基準を満たすため、流行判定結果ＤＲＳに示すように、コンテンツＸが流行すると判定する。例えば、検索部１３４は、判定用指標値ＤＶＬ１１が所定の閾値ＴＨ１１未満であると判定した場合、コンテンツＸが流行しないと判定する。

（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、検索部１３４により抽出された類似コンテンツに基づいて、所定のサービスを提供する。また、提供部１３５は、類似コンテンツ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に類似コンテンツに関する情報を提供する。

提供部１３５は、検索部１３４により抽出された類似コンテンツに基づいて、所定のサービスを提供する。提供部１３５は、端末装置１０に所定のサービスを提供する。提供部１３５は、類似コンテンツに関する情報提供サービスを提供する。

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、検索部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、検索部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。

例えば、提供部１３５は、判定結果に基づいてサービスを提供する。図１の例では、提供部１３５は、コンテンツＸが流行する可能性があるコンテンツ（流行コンテンツ）であることを示す情報（流行判定情報）を端末装置１０に提供する。例えば、提供部１３５は、コンテンツＸが流行コンテンツであることを示す流行判定情報を端末装置１０に送信する。例えば、提供部１３５は、コンテンツＸが流行しない可能性が高いことを示す流行判定情報を端末装置１０に送信する。

〔４．情報処理のフロー〕
次に、図８を用いて、実施形態に係る情報処理システム１による情報処理の手順について説明する。図８は、実施形態に係る情報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、情報処理装置１００は、一のコンテンツに関するコンテンツ情報を取得する（ステップＳ１０１）。図１の例では、情報処理装置１００は、端末装置１０からコンテンツＸに関するコンテンツ情報ＣＤＴ１１を取得する。

情報処理装置１００は、複数のコンテンツに関するグラフ情報を取得する（ステップＳ１０２）。例えば、情報処理装置１００は、グラフ情報記憶部１２３からコンテンツに関するグラフ情報ＧＲ１１を取得する。

そして、情報処理装置１００は、モデルを用いて一のコンテンツに関するコンテンツ情報からベクトルを生成する（ステップＳ１０３）。図１の例では、情報処理装置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、コンテンツ情報ＣＤＴ１１からベクトルＶＤ１１を生成する。

そして、情報処理装置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、情報処理装置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、情報処理装置１００は、グラフ情報を検索することにより、一のコンテンツと類似する類似コンテンツを抽出する（ステップＳ１０５）。例えば、情報処理装置１００は、グラフ情報を検索することにより、一のコンテンツと類似するコンテンツを類似コンテンツとして抽出する。

そして、情報処理装置１００は、類似コンテンツに基づいてサービスを提供する（ステップＳ１０６）。図１の例では、情報処理装置１００は、類似コンテンツとして抽出されたコンテンツ＃４５１やコンテンツ＃３５の情報に基づいて、コンテンツＸが流行するかどうかの判定結果を示す情報提供サービスを行う。

〔５．生成処理のフロー〕
次に、図９を用いて、実施形態に係る情報処理システム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、情報処理装置１００は、学習データを取得する（ステップＳ２０１）。例えば、情報処理装置１００は、コンテンツ情報記憶部１２１から学習データを取得する。例えば、情報処理装置１００は、コンテンツ情報記憶部１２１からコンテンツ情報ＣＤＴ１、ＣＤＴ２等を学習データとして取得する。

その後、情報処理装置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、情報処理装置１００は、コンテンツ情報記憶部１２１から学習データを用いてモデルＭ１を生成する。例えば、情報処理装置１００は、入力層に入力される情報（コンテンツ情報）と同様の情報（コンテンツ情報）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、情報処理装置１００は、コンテンツのコンテンツ情報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。以下に説明する検索処理は、例えば情報処理装置１００の検索部１３４によって行われる。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、情報処理装置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、情報処理装置１００は、検索クエリとして、一のコンテンツのコンテンツ情報から生成されたベクトルデータを用いる。例えば、情報処理装置１００は、一のコンテンツのコンテンツ情報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、情報処理装置１００は、コンテンツＸのベクトルＶＤ１１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、情報処理装置１００は、ｋ近傍検索処理を実行する。

例えば、情報処理装置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、情報処理装置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、情報処理装置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、情報処理装置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、情報処理装置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、情報処理装置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、情報処理装置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、情報処理装置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、情報処理装置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）をこえる（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）、情報処理装置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）、情報処理装置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、情報処理装置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）、情報処理装置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）。また、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）以下ではない場合（ステップＳ３０７：Ｎｏ）、情報処理装置１００は、ステップＳ３０９の判定（処理）を行う。

次に、情報処理装置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をこえる場合（ステップＳ３０９：Ｎｏ）、情報処理装置１００は、ステップＳ３１５の判定（処理）を行う。また、オブジェクトｕとオブジェクトｙとの距離ｄ（ｕ，ｙ）がｒ以下ではない場合（ステップＳ３０９：Ｎｏ）、情報処理装置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）、情報処理装置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、情報処理装置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をこ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を超えない場合（ステップＳ３１１：Ｎｏ）、情報処理装置１００は、ステップＳ３１３の判定（処理）を行う。

オブジェクト集合Ｒに含まれるオブジェクト数がｋｓをこえる場合（ステップＳ３１１：Ｙｅｓ）、情報処理装置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、情報処理装置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と一致しない場合（ステップＳ３１３：Ｎｏ）、情報処理装置１００は、ステップＳ３１５の判定（処理）を行う。また、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）、情報処理装置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、情報処理装置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）、情報処理装置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）、情報処理装置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）、情報処理装置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）、情報処理装置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、情報処理装置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、情報処理装置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（コンテンツ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、情報処理装置１００は、ノードＮ４５１に対応するコンテンツ＃４５１や、ノードＮ３５に対応するコンテンツ＃３５をコンテンツＸに類似するコンテンツとしてユーザ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、実施形態に係る情報処理装置１００は、取得部１３１と、検索部１３４とを有する。取得部１３１は、複数のコンテンツの各々に対応する複数のノードが、複数のコンテンツの類似性に応じて連結されたグラフ情報と、一のコンテンツに関するコンテンツ情報を取得する。検索部１３４は、取得部１３１により取得されたグラフ情報の複数のノードのうち、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ノードを起点として、グラフ情報を検索することにより、複数のコンテンツのうち、一のコンテンツと類似するコンテンツである類似コンテンツを抽出する。

このように、実施形態に係る情報処理装置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、複数のコンテンツのうち、一のコンテンツに類似のコンテンツである類似コンテンツを適切に抽出することができる。

また、実施形態に係る情報処理装置１００は、決定部１３３を有する。決定部１３３は、起点ノードの決定に用いるインデックス情報に基づいて、起点ノードを決定する。検索部１３４は、決定部１３３により決定された起点ノードを起点として、類似コンテンツを抽出する。

このように、実施形態に係る情報処理装置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、類似のコンテンツを適切に抽出することができる。

また、実施形態に係る情報処理装置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、実施形態に係る情報処理装置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、類似のコンテンツを適切に抽出することができる。

また、実施形態に係る情報処理装置１００において、取得部１３１は、複数のコンテンツ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、実施形態に係る情報処理装置１００は、複数のコンテンツ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、類似のコンテンツを適切に抽出することができる。

また、実施形態に係る情報処理装置１００において、取得部１３１は、所定のモデルを用いて複数のコンテンツ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、実施形態に係る情報処理装置１００は、所定のモデルを用いて複数のコンテンツ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、類似のコンテンツを適切に抽出することができる。

また、実施形態に係る情報処理装置１００において、取得部１３１は、複数のコンテンツに関する情報を所定のモデルに入力することにより、抽出される複数のコンテンツ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、実施形態に係る情報処理装置１００は、複数のコンテンツに関する情報を所定のモデルに入力することにより、抽出される複数のコンテンツ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、類似のコンテンツを適切に抽出することができる。

また、実施形態に係る情報処理装置１００において、取得部１３１は、類似コンテンツの流行に関する流行情報を取得する。検索部１３４は、取得部１３１により取得された流行情報に基づいて、一のコンテンツが流行するかどうかを判定する。

このように、実施形態に係る情報処理装置１００は、類似コンテンツの流行に関する流行情報に基づいて、一のコンテンツが流行するかどうかを判定することにより、一のコンテンツが流行するかどうかを適切に判定することができる。

また、実施形態に係る情報処理装置１００において、取得部１３１は、類似コンテンツの流行に関する指標値を示す流行情報を取得する。検索部１３４は、類似コンテンツの指標値が所定の基準を満たす場合、一のコンテンツを流行する可能性がある流行コンテンツであると判定する。

このように、実施形態に係る情報処理装置１００は、類似コンテンツの指標値が所定の基準を満たす場合、一のコンテンツを流行する可能性がある流行コンテンツであると判定することにより、一のコンテンツが流行するかどうかを適切に判定することができる。

また、実施形態に係る情報処理装置１００において、検索部１３４は、類似コンテンツの指標値と所定の閾値とを比較し、類似コンテンツの指標値が所定の閾値以上である場合、一のコンテンツを流行コンテンツであると判定する。

このように、実施形態に係る情報処理装置１００は、類似コンテンツの指標値と所定の閾値とを比較し、類似コンテンツの指標値が所定の閾値以上である場合、一のコンテンツを流行コンテンツであると判定することにより、一のコンテンツが流行するかどうかを適切に判定することができる。

また、実施形態に係る情報処理装置１００は、提供部１３５を有する。提供部１３５は、検索部１３４により抽出された類似コンテンツに基づいて、所定のサービスを提供する。

このように、実施形態に係る情報処理装置１００は、抽出した類似コンテンツに基づいて、所定のサービスを提供することにより、類似のコンテンツ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、実施形態に係る情報処理装置１００において、取得部１３１は、ユーザが利用する端末装置から一のコンテンツに関するコンテンツ情報を取得する。提供部１３５は、端末装置１０に所定のサービスを提供する。

このように、実施形態に係る情報処理装置１００は、ユーザが利用する端末装置１０から一のコンテンツに関するコンテンツ情報を取得し、端末装置１０に所定のサービスを提供することにより、類似のコンテンツ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、実施形態に係る情報処理装置１００において、提供部１３５は、類似コンテンツに関する情報提供サービスを提供する。

このように、実施形態に係る情報処理装置１００は、類似コンテンツに関する情報提供サービスを提供することにより、類似のコンテンツ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。

〔８．ハードウェア構成〕
上述してきた実施形態に係る情報処理装置１００は、例えば図１３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１３は、情報処理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が実施形態に係る情報処理装置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 情報処理システム
１００ 情報処理装置
１２１ コンテンツ情報記憶部
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 検索部
１３５ 提供部
１０ 端末装置
５０ 情報提供装置
Ｎ ネットワーク

Claims (15)

1. 所定のデバイスにおいて実行されるアプリケーションである複数のコンテンツの各々に対応する複数のノードが、前記複数のコンテンツの類似性に応じて連結されたグラフ情報と、一のコンテンツに関するコンテンツ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を検索することにより、前記複数のコンテンツのうち、前記一のコンテンツと類似するコンテンツである類似コンテンツを抽出する検索部と、
   を備え、
   前記取得部は、
   前記類似コンテンツの流行に関する流行情報を取得し、
   前記検索部は、
   前記取得部により取得された前記流行情報に基づいて、前記一のコンテンツが流行するかどうかを判定する
   ことを特徴とする情報処理装置。
2. 前記検索部は、
   前記グラフ情報の前記複数のノードのうち、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ノードを起点として、前記グラフ情報を検索することにより、前記類似コンテンツを抽出する
   ことを特徴とする請求項１に記載の情報処理装置。
3. 前記起点ノードの決定に用いるインデックス情報に基づいて、前記起点ノードを決定する決定部、
   をさらに備え、
   前記検索部は、
   前記決定部により決定された前記起点ノードを起点として、前記類似コンテンツを抽出する
   ことを特徴とする請求項２に記載の情報処理装置。
4. 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、前記起点ノードを決定する
   ことを特徴とする請求項３に記載の情報処理装置。
5. 前記取得部は、
   前記複数のコンテンツの各々に対応する複数のベクトルの類似性に応じて、前記複数のノードが連結された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項に記載の情報処理装置。
6. 前記取得部は、
   前記複数のコンテンツ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５に記載の情報処理装置。
7. 前記取得部は、
   所定のモデルを用いて前記複数のコンテンツ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５または請求項６に記載の情報処理装置。
8. 前記取得部は、
   前記複数のコンテンツに関する情報を所定のモデルに入力することにより、抽出される前記複数のコンテンツ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５～７のいずれか１項に記載の情報処理装置。
9. 前記取得部は、
   前記類似コンテンツの流行に関する指標値を示す前記流行情報を取得し、
   前記検索部は、
   前記類似コンテンツの前記指標値が所定の基準を満たす場合、前記一のコンテンツを流行する可能性がある流行コンテンツであると判定する
   ことを特徴とする請求項１～８のいずれか１項に記載の情報処理装置。
10. 前記検索部は、
    前記類似コンテンツの前記指標値と所定の閾値とを比較し、前記類似コンテンツの前記指標値が前記所定の閾値以上である場合、前記一のコンテンツを前記流行コンテンツであると判定する
    ことを特徴とする請求項９に記載の情報処理装置。
11. 前記検索部により抽出された前記類似コンテンツに基づいて、所定のサービスを提供する提供部、
    をさらに備えたことを特徴とする請求項１～１０のいずれか１項に記載の情報処理装置。
12. 前記取得部は、
    ユーザが利用する端末装置から前記一のコンテンツに関する前記コンテンツ情報を取得し、
    前記提供部は、
    前記端末装置に前記所定のサービスを提供する
    ことを特徴とする請求項１１に記載の情報処理装置。
13. 前記提供部は、
    前記類似コンテンツ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１１または請求項１２に記載の情報処理装置。
14. コンピュータが実行する情報処理方法であって、
    所定のデバイスにおいて実行されるアプリケーションである複数のコンテンツの各々に対応する複数のノードが、前記複数のコンテンツの類似性に応じて連結されたグラフ情報と、一のコンテンツに関するコンテンツ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を検索することにより、前記複数のコンテンツのうち、前記一のコンテンツと類似するコンテンツである類似コンテンツを抽出する検索工程と、
    を含み、
    前記取得工程は、
    前記類似コンテンツの流行に関する流行情報を取得し、
    前記検索工程は、
    前記取得工程により取得された前記流行情報に基づいて、前記一のコンテンツが流行するかどうかを判定する
    ことを特徴とする情報処理方法。
15. 所定のデバイスにおいて実行されるアプリケーションである複数のコンテンツの各々に対応する複数のノードが、前記複数のコンテンツの類似性に応じて連結されたグラフ情報と、一のコンテンツに関するコンテンツ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を検索することにより、前記複数のコンテンツのうち、前記一のコンテンツと類似するコンテンツである類似コンテンツを抽出する検索手順と、
    をコンピュータに実行させ、
    前記取得手順は、
    前記類似コンテンツの流行に関する流行情報を取得し、
    前記検索手順は、
    前記取得手順により取得された前記流行情報に基づいて、前記一のコンテンツが流行するかどうかを判定する
    ことを特徴とする情報処理プログラム。

Images