WO2024135410A1

WO2024135410A1 - 検索装置、検索方法、及び記録媒体

Info

Publication number: WO2024135410A1
Application number: PCT/JP2023/044045
Authority: WO
Inventors: 登吉田; テイテイトウ; 鯤宜; 健全劉
Original assignee: 日本電気株式会社
Priority date: 2022-12-21
Filing date: 2023-12-08
Publication date: 2024-06-27

Abstract

本発明は、少なくとも１つの属性に対して属性値とその属性値の確信度とを指定した検索クエリを受付ける入力受付部と、属性値各々と混同する可能性がある他の属性値を示す参照情報と、検索クエリで指定された属性値及び確信度とに基づき検索クエリを修正し、修正後検索クエリを生成する修正部と、データベースに登録されている登録情報の中から、修正後検索クエリにマッチングする登録情報を検索する検索部と、修正後検索クエリ及び参照情報の少なくとも１つに基づき、検索クエリで指定することを推薦する属性又は属性値を決定し、出力する推薦部と、を有する検索装置を提供する。

Description

検索装置、検索方法、及び記録媒体

　本発明は、検索装置、検索方法、及びプログラムに関する。

　本発明に関連する技術が、特許文献１乃至６に開示されている。

　特許文献１に開示の技術は、ユーザが指定した検索条件に合致する画像を検索し、検索結果を表示する。そして、当該技術は、検索結果に含まれる画像が所望の検索結果であるか否かのユーザ入力を受付ける。そして、当該技術は、所望の検索結果に共通して現れる属性を、検索条件に追加する属性としてユーザに提示する。

　特許文献２に開示の技術は、人物を撮影した画像から特徴量を抽出するとともに、その特徴量の信頼性を示す確信度を決定する。そして、当該技術は、当該確信度を用いて画像検索を行う。

　特許文献３乃至６に開示の技術は、検索クエリにマッチングする人物を含む画像を検索する。検索クエリでは、性別、年齢、服の色、服の種類、めがね、髪の長さ、髪の色、所持物等が指定される。

特開２０１８－１４２１６０号公報特開２０２０－１９８０５３号公報国際公開第２０２２／２０１５４１号公報国際公開第２０２０／２５５３０７号公報特開２０２２－０６２６７５号公報特開２００６－１７８７２１号公報

　ユーザは、所望の検索対象の属性値（特徴）を指定した検索クエリを設定し、所望の検索対象を検索する。検索の一例として、所望の人物を含む画像の検索や、所望の場所で撮影された画像の検索や、所望の物体を含む画像の検索等が挙げられるが、これらに限定されない。

　このような検索において、検索クエリに多種多様な属性値が設定可能であると、データベースに登録されている情報の中から所望の情報に高精度に絞り込んだ検索結果を得ることができる。すなわち、検索結果の中に所望の検索対象以外の情報が含まれる不都合を軽減できる。しかし、設定可能な属性値の選択肢が多い場合、ユーザは、どのような属性値を設定すべきか迷い、適切に検索クエリを設定できなくなる恐れがある。例えば、ユーザが誤った内容の検索クエリを設定する恐れがある。特許文献１乃至６はいずれも、このような課題及び解決手段を開示していない。

　本発明の目的の一例は、上述した問題を鑑み、ユーザが適切な検索クエリを設定できるようにするという課題を解決する検索装置、検索方法、及びプログラムを提供することにある。

　本発明の一態様によれば、
　少なくとも１つの属性に対して属性値と前記属性値の確信度とを指定した検索クエリを受付ける入力受付手段と、
　前記属性値各々と混同する可能性がある他の前記属性値を示す参照情報と、前記検索クエリで指定された前記属性値及び前記確信度とに基づき前記検索クエリを修正し、修正後検索クエリを生成する修正手段と、
　データベースに登録されている登録情報の中から、前記修正後検索クエリにマッチングする前記登録情報を検索する検索手段と、
　前記修正後検索クエリ及び前記参照情報の少なくとも１つに基づき、前記検索クエリで指定することを推薦する前記属性又は前記属性値を決定し、出力する推薦手段と、
を有する検索装置が提供される。

　本発明の一態様によれば、
　１つ以上のコンピュータが、
　　少なくとも１つの属性に対して属性値と前記属性値の確信度とを指定した検索クエリを受付け、
　　前記属性値各々と混同する可能性がある他の前記属性値を示す参照情報と、前記検索クエリで指定された前記属性値及び前記確信度とに基づき前記検索クエリを修正し、修正後検索クエリを生成し、
　　データベースに登録されている登録情報の中から、前記修正後検索クエリにマッチングする前記登録情報を検索し、
　　前記修正後検索クエリ及び前記参照情報の少なくとも１つに基づき、前記検索クエリで指定することを推薦する前記属性又は前記属性値を決定し、出力する検索方法が提供される。

　本発明の一態様によれば、
　コンピュータを、
　　少なくとも１つの属性に対して属性値と前記属性値の確信度とを指定した検索クエリを受付ける入力受付手段、
　　前記属性値各々と混同する可能性がある他の前記属性値を示す参照情報と、前記検索クエリで指定された前記属性値及び前記確信度とに基づき前記検索クエリを修正し、修正後検索クエリを生成する修正手段、
　　データベースに登録されている登録情報の中から、前記修正後検索クエリにマッチングする前記登録情報を検索する検索手段、
　　前記修正後検索クエリ及び前記参照情報の少なくとも１つに基づき、前記検索クエリで指定することを推薦する前記属性又は前記属性値を決定し、出力する推薦手段、
として機能させるプログラムが提供される。

　本発明の一態様によれば、ユーザが適切な検索クエリを設定できるようにするという課題を解決する検索装置、検索方法、及びプログラムが実現される。

　上述した目的及びその他の目的、特徴及び利点は、以下に述べる公的な実施の形態、及びそれに付随する以下の図面によってさらに明らかになる。

検索装置の機能ブロック図の一例を示す図である。検索装置のハードウエア構成の一例を示す図である。参照情報の一例を模式的に示す図である。インデックス情報の一例を模式的に示す図である。検索クエリの履歴の一例を模式的に示す図である。検索クエリの履歴の他の一例を模式的に示す図である。推薦内容を決定する処理の一例を説明するための図である。推薦情報の出力手法の一例を示す図である。推薦情報の出力手法の一例を示す図である。検索装置の処理の流れの一例を示すフローチャートである。検索装置の処理の流れの他の一例を示すフローチャートである。参照情報の他の一例を模式的に示す図である。参照情報の他の一例を模式的に示す図である。参照情報の他の一例を模式的に示す図である。参照情報の他の一例を模式的に示す図である。

　以下、本発明の実施の形態について、図面を用いて説明する。なお、全ての図面において、同様な構成要素には同様の符号を付し、適宜説明を省略する。

＜第１の実施形態＞
　図１は、第１の実施形態に係る検索装置１０の概要を示す機能ブロック図である。検索装置１０は、入力受付部１１と、修正部１２と、検索部１３と、推薦部１４とを有する。

　入力受付部１１は、少なくとも１つの属性に対して属性値とその属性値の確信度とを指定した検索クエリを受付ける。修正部１２は、属性値各々と混同する可能性がある他の属性値を示す参照情報と、検索クエリで指定された属性値及び確信度とに基づき検索クエリを修正し、修正後検索クエリを生成する。検索部１３は、データベースに登録されている登録情報の中から、修正後検索クエリにマッチングする登録情報を検索する。推薦部１４は、修正後検索クエリ及び参照情報の少なくとも１つに基づき、検索クエリで指定することを推薦する属性又は属性値を決定し、出力する。

　このような検索装置１０によれば、ユーザは推薦内容に基づき、適切に検索クエリを設定できるようになる。また、検索装置１０は、上述した特徴的な情報に基づき、検索クエリで指定することを推薦する属性又は属性値を決定する。このような検索装置１０によれば、適切な属性又は属性値を推薦することができる。

＜第２の実施形態＞
「概要」
　第２の実施形態の検索装置１０は、第１の実施形態の検索装置１０を具体化したものである。以下、詳細に説明する。

「ハードウエア構成」
　検索装置１０のハードウエア構成の一例を説明する。検索装置１０の各機能部は、ハードウエアとソフトウエアの任意の組み合わせによって実現される。その実現方法、装置にはいろいろな変形例があることは、当業者には理解されるところである。ソフトウエアは、予め装置を出荷する段階から格納されているプログラムや、ＣＤ（Compact Disc）等の記録媒体やインターネット上のサーバ等からダウンロードされたプログラム等を含む。

　図２は、検索装置１０のハードウエア構成を例示するブロック図である。図２に示すように、検索装置１０は、プロセッサ１Ａ、メモリ２Ａ、入出力インターフェイス３Ａ、周辺回路４Ａ、バス５Ａを有する。周辺回路４Ａには、様々なモジュールが含まれる。検索装置１０は周辺回路４Ａを有さなくてもよい。なお、検索装置１０は物理的及び／又は論理的に分かれた複数の装置で構成されてもよい。この場合、複数の装置各々が上記ハードウエア構成を備えることができる。

　バス５Ａは、プロセッサ１Ａ、メモリ２Ａ、周辺回路４Ａ及び入出力インターフェイス３Ａが相互にデータを送受信するためのデータ伝送路である。プロセッサ１Ａは、例えばＣＰＵ、ＧＰＵ（Graphics Processing Unit）等の演算処理装置である。メモリ２Ａは、例えばＲＡＭ（Random Access Memory）やＲＯＭ（Read Only Memory）等のメモリである。入出力インターフェイス３Ａは、入力装置、外部装置、外部サーバ、外部センサ、カメラ等から情報を取得するためのインターフェイスや、出力装置、外部装置、外部サーバ等に情報を出力するためのインターフェイス等を含む。また、入出力インターフェイス３Ａはインターネット等の通信ネットワークに接続するためのインターフェイスを含む。入力装置は、例えばキーボード、マウス、マイク、物理ボタン、タッチパネル等である。出力装置は、例えばディスプレイ、スピーカ、プリンター、メーラ等である。プロセッサ１Ａは、各モジュールに指令を出し、それらの演算結果をもとに演算を行うことができる。

「機能構成」
　次に、本実施形態の検索装置１０の機能構成を詳細に説明する。図１に、検索装置１０の機能ブロック図の一例を示す。図示するように、検索装置１０は、入力受付部１１と、修正部１２と、検索部１３と、推薦部１４とを有する。

　入力受付部１１は、少なくとも１つの属性に対して属性値とその属性値の確信度とを指定した検索クエリを受付ける。以下に、検索クエリの一例を示す。
「男性：１００％、かつ、３０代：７０％、かつ、赤いズボン着用：１００％」

　「属性」は、検索対象の属性である。予め、検索対象の検索に用いることができる複数の属性が設定される。設定される属性は、検索対象毎に異なる。検索対象は、例えば人物、場所、物体等である。検索クエリを設定するユーザは、予め設定されている属性の範囲内で検索クエリに用いる属性を決定し、決定した属性の属性値を指定する。

　検索対象が人物である場合の属性は、性別、年齢、国籍、体格、身長、体重、髪型、衣服の特徴、所持物の特徴、姿勢、動き等が例示されるが、これらに限定されない。これらの属性は、さらに細分化されてもよい。例えば、衣服の特徴は、帽子の特徴、めがねの特徴、上着の特徴、靴の特徴等のように細分化されてもよい。

　検索対象が場所である場合の属性は、その場所に存在する物体の種類（例：木、建物、看板等）や、その物体の外観の特徴（例：色、形状、大きさ等）等が例示されるが、これらに限定されない。

　検索対象が物体である場合の属性は、その物体の種類（例：机、いす、木、建物、看板等）や、その物体の外観の特徴（例：色、形状、大きさ等）等が例示されるが、これらに限定されない。

　上記検索クエリの例の場合、検索対象は人物であり、性別、年齢、衣服の特徴の３つの属性の属性値が指定されている。

　「属性値」は、上述のような属性の具体的な内容を示す。例えば、「属性：性別」の属性値は、男性、女性である。予め、属性毎に、選択可能な複数の属性値が設定されていてもよい。そして、検索クエリを設定するユーザは、予め設定されている選択可能な属性値の範囲内で検索クエリに用いる属性値を決定してもよい。なお、ここで例示した属性値の入力の受付け方はあくまで一例であり、これに限定されない。

　上記検索クエリの例の場合、「属性：性別」の属性値として「男性」が指定されている。また、「属性：年齢」の属性値として、「３０代」が指定されている。また、「属性：衣服の特徴」の属性値として、「赤いズボン着用」が指定されている。

　「確信度」は、検索クエリとして指定した各属性値が検索対象の属性値と一致している（すなわち正しい）確信の度合を示す。ユーザが、検索クエリとして指定した属性値毎に確信度を指定する。確信度は、例えば０～１００％の間の値で指定されるが、これに限定されない。例えば、ユーザは、信頼できない他人から伝え聞いた検索対象の属性値や、遠い昔の記憶から呼び出した検索対象の属性値等の確信度を低めにすることができる。また、例えば、ユーザは、信頼できる他人から伝え聞いた検索対象の属性値や、最近目撃した検索対象の属性値等の確信度を高めにすることができる。

　上記検索クエリの例の場合、各属性値の後に表示されている数値が、各属性値の確信度を示す。

　入力受付部１１が検索クエリの入力を受付ける手段は特段制限されない。例えば、入力受付部１１は、検索装置１０が備える入力装置を介して、検索クエリの入力を受付けてもよい。その他、検索装置１０は、サーバであってもよい。そして、入力受付部１１は、クライアント端末から送信されてきた検索クエリを取得してもよい。

　修正部１２は、属性値各々と混同する可能性がある他の属性値を示す参照情報と、検索クエリで指定された属性値及び確信度とに基づき検索クエリを修正し、修正後検索クエリを生成する。

　ユーザのあいまいな記憶に基づき検索クエリを設定する場合や、他の人物から伝え聞いた内容に基づき検索クエリを設定するような場合等には、検索対象の属性値がある一定の範囲内で混同され、誤った検索クエリが設定される可能性がある。混同の範囲は、ある一定の範囲に収まり、その範囲から出ることは稀である。例えば、３０代の人物を、２０代、４０代、５０代と混同することはあっても、１０代以下や６０代以上と混同することは稀である。修正部１２は、このような規則性に基づき、ユーザが設定した検索クエリを修正するよう構成される。

　例えば、図３のような参照情報が予め生成され、検索装置１０に登録されてもよい。図３に示す参照情報は、「検索クエリで指定された属性値各々と混同している可能性がある他の属性値」、及び「属性値各々と他の属性値各々とを混同している可能性」を示す。「属性」の欄及び「属性値」の欄の値により、１つの属性値が特定される。そして、「混同属性値」の欄が、「属性」及び「属性値」の欄の値で特定された１つの属性値と混同している可能性がある他の属性値を示す。なお、「混同属性値」の欄で示される各属性値に紐付く数値は、その１つの属性値と他の属性値各々とを混同している可能性を示す。

　図３に示す参照情報では、検索クエリにおいて「３０代」と指定された場合、実際は、検索対象の人物は２０代、４０代及び５０代である可能性があることが示されている。さらに、図３に示す参照情報では検索対象の人物が実際は２０代である可能性（２０％）、４０代である可能性（１４％）、及び５０代である可能性（７％）が示されている。

　このような参照情報は、任意の手段で生成できる。例えば、検索装置１０の管理者（製造メーカの担当者等）は、複数の被験者に、各年代の人物を見てもらい、それらの人物が何才だと思うか回答してもらう。そして、検索装置１０の管理者は、その回答結果を集計して、図３に示すような参照情報を生成することができる。なお、検索装置１０の管理者は、条件を変えて当該実験を行ってもよい。例えば、詳細を伝えずに複数の被験者に各年代の人物を見てもらい、それから一定時間経過後（例：数日後）に、それらの人物が何才だと思ったか回答してもらってもよい。参照情報の生成の仕方の他の例として、検索装置１０の管理者は、自身の経験や感覚に基づき、図３に示すような参照情報を生成してもよい。なお、ここで例示した参照情報の生成の仕方はあくまで一例であり、これらに限定されない。

　ここで、図３に示す参照情報に基づき検索クエリを修正する処理の具体例を説明する。

　修正部１２は、例えば、図３に示す参照情報に基づき、以下に示す検索クエリから、以下に示す修正後検索クエリを生成することができる。以下の修正では、検索クエリに、２０代：１４％、４０代：１０％、かつ、５０代：６％が、アンド条件で付与されている。以下、当該修正処理の特徴を説明する。
（検索クエリ）「男性：１００％、かつ、３０代：７０％、かつ、赤いズボン着用：１００％」
（修正後検索クエリ）「男性：１００％、かつ、３０代：７０％、かつ、２０代：１４％、かつ、４０代：１０％、かつ、５０代：６％、かつ、赤いズボン着用：１００％」

－特徴１－
　上記修正例のように、修正部１２は、検索クエリがある属性（第１の属性）の属性値（第１の属性値）を含む場合、その属性（第１の属性）のその属性値（第１の属性値）とその属性（第１の属性）の他の属性値（第２の属性値）を含む修正後検索クエリを生成する。

　上記修正例の検索クエリは、性別、年齢、衣服の特徴３つの属性の属性値を含む。これら３つの属性が第１の属性となる。そして、各々の属性値である男性、３０代、赤いズボン着用が第１の属性値となる。

　上記修正例では、この３つの第１の属性値の中の３０代に対して修正が行われている。修正部１２は、「３０代（第１の属性値）」、及び「３０代（第１の属性値）と同じ属性の他の属性値である２０代、４０代、５０代（第２の属性値）」を含む修正後検索クエリを生成している。第２の属性値は、図３に示す参照情報において、第１の属性値と紐付けられた混同属性値である。すなわち、第２の属性値は、図３に示す参照情報において、第１の属性値と混同している可能性があることを示されている属性値である。

　なお、修正部１２は、他の第１の属性値、具体的には男性及び赤いズボン着用に対しても同様の修正を行うこともできる。しかし、上記修正例では、これらの第１の属性値は、修正の対象外となっている。その理由は、以下の特徴３で明らかになる。

－特徴２－
　上記修正例のように、修正部１２は、参照情報で示される各属性値と他の属性値とを混同している可能性に基づき、修正後検索クエリにおける第２の属性値の確信度を決定することができる。

　参照情報で示される各属性値と他の属性値とを混同している可能性を用いた第２の属性値の確信度の算出方法は様々である。上記修正例では、修正部１２は、１００％からユーザが設定した第１の属性値の確信度を引いた値を、第１の属性値と第２の属性値各々とを混同している可能性に応じて複数の第２の属性値に按分している。

　具体的には、上記修正例の検索クエリでは、３０代（第１の属性値）の確信度が７０％となっている。このため、修正部１２は、１００％から７０％を引いた値である３０％を、３０代と混同している可能性（２０代：２０％、４０代：１４％、５０代：７％）に応じて、複数の第２の属性値（２０代、４０代、５０代）に按分している。

　上記修正例では、ユーザが設定した第１の属性値の確信度（７０％）は修正されていない。他の例として、ユーザが設定した第１の属性値の確信度（７０％）が修正されてもよい。例えば、図３に示す参照情報では、３０代と２０代とを混同している可能性（２０％）、３０代と４０代とを混同している可能性（１４％）、及び３０代と５０代とを混同している可能性（７％）が示されている。これより、３０代を他の年齢と混同しない可能性は、５９％（＝１００％－（２０％＋１４％＋７％））と考えることができる。そこで、修正部１２は、参照情報で示される当該可能性をそのまま確信度として用いて、以下のように修正後検索クエリを生成してもよい。
（修正後検索クエリの他の例）「男性：１００％、かつ、３０代：５９％、かつ、２０代：２０％、かつ、４０代：１４％、かつ、５０代：７％、かつ、赤いズボン着用：１００％」

－特徴３－
　上記修正例のように、修正部１２は、確信度が所定条件を満たす属性値を、修正の対象とすることができる。そして、修正部１２は、確信度が所定条件を満たさない属性値を、修正の対象としない。

　所定条件は、「確信度が基準値未満」である。基準値は１００％であってもよいし、それより小さい値であってもよい。確信度がある程度高い場合、ユーザは、自信を持ってその属性値を検索クエリに指定している。このような属性値の修正は不要であると考えられる。

　上記修正例の場合、男性及び赤いズボン着用は、ともに確信度が１００％であり、基準値以上となっている。このため、これらの属性値は修正の対象となっていない。そして、これらの属性値と混同している可能性がある他の属性値は、修正後検索クエリに含まれていない。

　なお、変形例として、確信度に関わらず、検索クエリに含まれる全ての属性値を修正の対象としてもよい。

　図１に戻り、検索部１３は、データベースに登録されている登録情報の中から、修正部１２が生成した修正後検索クエリにマッチングする登録情報を検索する。登録情報は画像であるが、テキストや音声等であってもよい。なお、検索部１３は、修正後検索クエリに代えて、ユーザが設定した検索クエリを用いて上記検索を行ってもよい。すなわち、検索部１３は、データベースに登録されている登録情報の中から、ユーザが設定した検索クエリにマッチングする登録情報を検索してもよい。

　以下、検索部１３による検索処理を具体的に説明する。ここでは、人物が検索対象である場合を例にとり説明するが、場所や他の物体等が検索対象である場合も、同様の処理で検索処理が可能である。

　まず、複数の登録情報を解析することで、図４に示すようなインデックス情報が生成される。インデックス情報の生成タイミングは特段制限されない。インデックス情報は、検索のタイミングよりも前に予め生成されてもよいし、検索のタイミングで生成されてもよい。

　図４に示すインデックス情報は、人物識別情報と、画像識別情報と、各人物の属性値と、その確信度と、を示す。

　「人物識別情報」は、登録情報である画像から検出された複数の人物各々を識別する情報である。

　「画像識別情報」は、各人物が写る画像を識別する情報である。画像識別情報では、画像ファイル名が示されてもよい。その他、画像識別情報では、動画ファイルのファイル名と、動画ファイルの一部を示す情報（冒頭からの経過時間等の時間情報）が示されてもよい。

　「属性値及びその確信度」は、各人物が各属性値を備える確信度を示す。なお、検索クエリ及び修正後検索クエリで示される確信度と、インデックス情報で示される確信度を区別するため、以降、インデックス情報で示される確信度をインデックス確信度と呼ぶ。例えば、機械学習で生成された分類器を用いて、登録情報から検出された各人物の属性値及びそのインデックス確信度が算出される。

　検索部１３は、インデックス情報で示される人物毎に、修正後検索クエリとのマッチング度を算出する。そして、検索部１３は、マッチング度が所定のマッチング条件を満たす人物を含む画像を、修正後検索クエリにマッチングする画像として検索する。マッチング条件は、「マッチング度が閾値以上」であってもよい。また、マッチング条件は、「インデックス情報で示される複数の人物の中で、マッチング度が上位所定割合以内又は上位所定数以内に含まれる」であってもよい。なお、ここで例示したマッチング条件は一例であり、これらに限定さない。

　マッチング度は、修正後検索クエリで示される属性値、確信度、及びインデックス情報で示されるその属性値（修正後検索クエリで示される属性値）のインデックス確信度に基づき算出される。修正後検索クエリで示される属性値のインデックス確信度がより高い人物ほど、マッチング度が高くなる。

　例えば、マッチング度Ｍは、Ｍ＝Ｃ_１×ＩＣ_１＋Ｃ_２×ＩＣ_２＋・・・Ｃ_ｎ×ＩＣ_ｎの算出式で算出されてもよい。

　ｎは、修正後検索クエリに含まれる属性値の通番である。例えば、修正後検索クエリが以下の内容である場合、ｎは、男性、３０代、２０代、４０代、５０代、及び赤いズボン着用の６個の属性値各々の通番である。
（修正後検索クエリ）「男性：１００％、かつ、３０代：７０％、かつ、２０代：１４％、かつ、４０代：１０％、かつ、５０代：６％、かつ、赤いズボン着用：１００％」

　Ｃ_ｎは、修正後検索クエリに含まれるｎ番目の属性値の確信度である。

　ＩＣ_ｎは、インデックス情報で示される処理対象（マッチング度の算出対象）の人物の「修正後検索クエリに含まれるｎ番目の属性値」のインデックス確信度である。

　なお、上述した算出式はあくまで一例であり、これに限定されない。例えば、検索部１３は、属性毎にＣ_ｎ×ＩＣ_ｎの統計値を算出し、属性毎の統計値を足し合わせた合計値を、マッチング度Ｍとして算出してもよい。統計値は、平均値、中央値、最頻値、最大値、最小値等である。上記修正後検索クエリは、性別、年齢及び衣服の特徴の３つの属性を含む。そこで、検索部１３は、性別、年齢及び衣服の特徴の各々に対応して、Ｃ_ｎ×ＩＣ_ｎの統計値を算出する。そして、検索部１３は、算出した３つの統計値を足し合わせた合計値を、マッチング度Ｍとして算出する。このようにすることで、マッチング度Ｍに対する複数の属性各々の寄与率を同等にすることができる。

　検索部１３は、検索結果を出力することができる。例えば、検索部１３は、マッチングした登録情報を出力することができる。一例として、検索部１３は、検索装置１０が備えるディスプレイや投影装置を介して、マッチングした登録情報を出力してもよい。その他、検索装置１０がサーバである場合、検索部１３は、マッチングした登録情報をクライアント端末に送信することができる。

　検索部１３は、マッチングした登録情報が複数ある場合、マッチング度の順に並べて登録情報を表示してもよい。検索部１３は、任意の表示手法を用いてマッチングした登録情報を表示した情報を出力することができる。

　図１に戻り、推薦部１４は、検索クエリで指定することを推薦する属性又は属性値を決定し、出力する。推薦部１４は、特徴的な手法で、検索クエリで指定することを推薦する属性又は属性値の候補を決定する。そして、推薦部１４は、上述した修正後検索クエリ及び参照情報の少なくとも１つに基づき、上記候補の中から、検索クエリで指定することを推薦する属性又は属性値を決定する。以下、推薦する属性又は属性値の候補を決定する処理、及び候補の中から推薦する属性又は属性値を決定する処理を詳細に説明する。

－検索クエリで指定することを推薦する属性又は属性値の候補を決定する処理－
　推薦部１４は、以下の中の少なくとも１つに基づき、検索クエリで指定することを推薦する属性又は属性値の候補を決定することができる。以下、これらに基づく候補決定処理の例（候補決定処理例１乃至５）を詳細に説明する。
・過去に設定された検索クエリの履歴
・その時点で設定されている検索クエリ
・その時点で設定されている検索クエリに基づく検索の結果

「候補決定処理例１：過去に設定された検索クエリの履歴に基づき推薦する属性又は属性値の候補を決定する処理」
　推薦部１４は、過去に設定された検索クエリの履歴に基づき、検索クエリで指定することを推薦する属性又は属性値の候補を決定することができる。

　まず、図５に示すように、過去に設定された検索クエリの履歴が検索装置１０に登録される。推薦部１４は、このような検索クエリの履歴に基づき、検索クエリで指定することを推薦する属性又は属性値の候補を決定することができる。

　例えば、推薦部１４は、以下の属性及び属性値の中の少なくとも１つを、検索クエリで指定することを推薦する属性又は属性値の候補として決定することができる。
・過去に設定された検索クエリで指定されていた属性
・過去に設定された検索クエリで指定されていた属性値
・過去に設定された検索クエリで所定回数以上指定されていた属性
・過去に設定された検索クエリで所定回数以上指定されていた属性値
・過去に設定された検索クエリで指定されていた回数が複数の属性の中で多い方から所定数以内、又は所定割合以内に含まれる属性
・過去に設定された検索クエリで指定されていた回数が複数の属性値の中で多い方から所定数以内、又は所定割合以内に含まれる属性値

　他の例とし、図６に示すように、過去に設定された検索クエリの履歴が検索装置１０に登録されてもよい。図６の例では、設定された検索クエリに紐付けて、各検索クエリの関連情報が登録されている。

　関連情報は、設定された日時、及びユーザが入力した入力情報の少なくとも一方を含む。入力情報は、検索時に、検索クエリとともに入力される。

　入力情報は、以下の例の中の少なくとも１つを含むことができる。
・検索クエリを設定するユーザの識別情報
・検索クエリを設定するユーザの各種特性（性別、年齢、国籍、所属部署、職業等）
・検索の目的（迷子検索、犯人検索、落し物検索等）
・検索対象を目撃した場所
・検索対象を目撃した時の環境（時間帯、昼／夜、屋外／屋内等）
・検索対象を目撃した目撃者の各種特性（性別、年齢、国籍等）

　推薦部１４は、このような検索クエリの履歴に基づき、検索クエリで指定することを推薦する属性又は属性値の候補を決定することができる。

　例えば、推薦部１４は、以下の属性及び属性値の中の少なくとも１つを、検索クエリで指定することを推薦する属性又は属性値の候補として決定してもよい。
・過去に設定された検索クエリの中の関連情報が今回の検索でユーザが設定した関連情報との間で所定条件を満たす検索クエリで指定されていた属性
・過去に設定された検索クエリの中の関連情報が今回の検索でユーザが設定した関連情報との間で所定条件を満たす検索クエリで指定されていた属性値
・過去に設定された検索クエリの中の関連情報が今回の検索でユーザが設定した関連情報との間で所定条件を満たす検索クエリで所定回数以上指定されていた属性
・過去に設定された検索クエリの中の関連情報が今回の検索でユーザが設定した関連情報との間で所定条件を満たす検索クエリで所定回数以上指定されていた属性値
・過去に設定された検索クエリの中の関連情報が今回の検索でユーザが設定した関連情報との間で所定条件を満たす検索クエリで指定されていた回数が複数の属性の中で多い方から所定数以内、又は所定割合以内に含まれる属性
・過去に設定された検索クエリの中の関連情報が今回の検索でユーザが設定した関連情報との間で所定条件を満たす検索クエリで指定されていた回数が複数の属性の中で多い方から所定数以内、又は所定割合以内に含まれる属性値

　関連情報に関する上記所定条件は、例えば以下のような例が挙げられるが、これらに限定されない。
・今回の検索でユーザが設定した関連情報に含まれる各種項目の中の少なくとも１つにおいて内容が一致する
・今回の検索でユーザが設定した関連情報に含まれる各種項目の中の所定数以上において内容が一致する
・今回の検索でユーザが設定した関連情報に含まれる各種項目の中の所定割合以上において内容が一致する
・今回の検索でユーザが設定した関連情報に含まれる各種項目の中の全てにおいて内容が一致する

　今回の検索でユーザが設定した関連情報に含まれる各種項目は、設定日時、ユーザの識別情報、ユーザの特性に関する各種項目、検索の目的、検索対象を目撃した場所、検索対象を目撃した時の環境に関する各種項目、検索対象を目撃した目撃者の特性に関する各種項目等である。

「候補決定処理例２：その時点で設定されている検索クエリに基づき推薦する属性又は属性値の候補を決定する処理」
　まず、当該例の登録情報は画像である。そして、属性値は、検索対象の人物の外観の特徴である。そして、検索部１３は、設定された検索クエリにマッチングする人物を含む画像を検索する。

　このような前提のもと、推薦部１４は、その時点で設定されている検索クエリで指定されている属性又は属性値と所定の関係を満たす属性又は属性値を、検索クエリで指定することを推薦する属性又は属性値の候補として決定することができる。「その時点」は、推薦情報を出力する時点である。

　具体的には、推薦部１４は、検索クエリで検索対象の人物の身体の一部分に関する属性値が指定されている場合、以下の属性又は属性値の中の少なくとも１つを、検索クエリで指定することを推薦する属性又は属性値の候補として決定することができる。なお、検索クエリで指定されている属性値に関わる身体の一部分を、「指定部分」と呼ぶ。
・指定部分に関する他の属性
・指定部分に関する他の属性値
・指定部分と所定の位置関係を満たす身体の他の部分に関する属性
・指定部分と所定の位置関係を満たす身体の他の部分に関する属性値

　例えば、検索クエリで「赤い帽子着用」と指定されていたとする。この場合、指定部分は「頭部」となる。そして、属性は「帽子の特徴」となる。

　この場合の「指定部分に関する他の属性」は、例えば「めがねの特徴」、「マスクの特徴」等である。また、「指定部分に関する他の属性値」は、例えば「黒いめがねを着用」、「赤いマスクを着用」等である。属性値は、例えば第２の実施形態で説明した「過去に設定された検索クエリの履歴」に基づき、任意の手段で決定されてもよい。指定部分に関するある属性の属性値が指定されている場合、指定部分の他の属性の内容もユーザが認識し、憶えている可能性が高いことから、当該推薦を行う。

　「指定部分との所定の位置関係」は、指定部分との距離が近い関係である。指定部分が「頭部」の場合、例えば、「指定部分と所定の位置関係を満たす身体の他の部分」は「首」や「上半身」等である。

　この場合の「指定部分と所定の位置関係を満たす身体の他の部分に関する属性」は、例えば「上半身の衣服の特徴」等である。また、「指定部分と所定の位置関係を満たす身体の他の部分に関する属性値」は、例えば「赤の上着を着用」等である。指定部分に関するある属性の属性値が指定されている場合、指定部分と近い部分の属性の内容もユーザが認識し、憶えている可能性が高いことから、当該推薦を行う。

　予め、身体が複数の部分に分類され、各部分に属する属性や属性値を示す情報が検索装置１０に登録されている。また、各部分との間で上記所定の位置関係を満たす他の部分を示す情報が検索装置１０に登録されている。推薦部１４は、これらの情報に基づき、上述のような条件を満たす属性又は属性値を特定することができる。

　なお、候補決定処理例２は「その時点で設定されている検索クエリ」を「その時点で設定されている修正後検索クエリ」と読み替えることができる。

「候補決定処理例３：過去に設定された検索クエリの履歴、及びその時点で設定されている検索クエリに基づき推薦する属性又は属性値の候補を決定する処理」
　推薦部１４は、以下の属性又は属性値の中の少なくとも１つを、検索クエリで指定することを推薦する属性又は属性値の候補として決定することができる。
・過去に設定された検索クエリにおいて、その時点で設定されている検索クエリで指定されている属性と一緒に指定されていた属性
・過去に設定された検索クエリにおいて、その時点で設定されている検索クエリで指定されている属性値と一緒に指定されていた属性値
・過去に設定された検索クエリにおいて、その時点で設定されている検索クエリで指定されている属性と所定回数以上一緒に指定されていた属性
・過去に設定された検索クエリにおいて、その時点で設定されている検索クエリで指定されている属性値と所定回数以上一緒に指定されていた属性値

　「その時点」は、推薦情報を出力する時点である。

　上記「その時点で設定されている検索クエリで指定されている属性」は、以下のいずれかと読み替えることができる。
・その時点で設定されている検索クエリで指定されている属性の全ての属性
・その時点で設定されている検索クエリで指定されている属性の中の少なくとも１つの属性
・その時点で設定されている検索クエリで指定されている属性の中の所定割合以上の属性

　また、上記「その時点で設定されている検索クエリで指定されている属性値」は、以下のいずれかと読み替えることができる。
・その時点で設定されている検索クエリで指定されている属性値の全ての属性値
・その時点で設定されている検索クエリで指定されている属性値の中の少なくとも１つの属性値
・その時点で設定されている検索クエリで指定されている属性値の中の所定割合以上の属性値

　以下、その時点で設定されている検索クエリが「男性：１００％、かつ、３０代：７０％」である場合を例にとり、各々を説明する。

「読み替え例１：「その時点で設定されている検索クエリで指定されている属性の全ての属性」と読み替える場合」
　この場合、例えば、推薦部１４は、性別及び年齢のいずれとも一緒に過去に指定されていた属性を、検索クエリで指定することを推薦する属性の候補として決定することができる。

　なお、推薦部１４は、性別及び年齢の組み合わせと一緒に過去に指定されていた属性を、検索クエリで指定することを推薦する属性の候補として決定してもよい。その他、推薦部１４は、性別及び年齢各々と別々に一緒に過去に指定されていた属性を、検索クエリで指定することを推薦する属性の候補として決定してもよい。

　また、例えば、推薦部１４は、性別及び年齢のいずれとも一緒に過去に所定回数以上指定されていた属性を、検索クエリで指定することを推薦する属性の候補として決定してもよい。

　なお、推薦部１４は、性別及び年齢の組み合わせと一緒に過去に所定回数以上指定されていた属性を、検索クエリで指定することを推薦する属性の候補として決定してもよい。その他、推薦部１４は、性別及び年齢各々と別々に一緒に過去に所定回数以上指定されていた属性を、検索クエリで指定することを推薦する属性の候補として決定してもよい。

「読み替え例２：「その時点で設定されている検索クエリで指定されている属性の中の少なくとも１つの属性」と読み替える場合」
　この場合、例えば、推薦部１４は、性別及び年齢の少なくとも１つと一緒に過去に指定されていた属性を、検索クエリで指定することを推薦する属性の候補として決定することができる。

　また、例えば、推薦部１４は、性別及び年齢の少なくとも１つと一緒に過去に所定回数以上指定されていた属性を、検索クエリで指定することを推薦する属性の候補として決定することができる。

「読み替え例３：「その時点で設定されている検索クエリで指定されている属性の中の所定割合以上の属性」と読み替える場合」
　この場合、推薦部１４は、その時点で設定されている検索クエリで指定されている複数の属性の中の所定割合以上と一緒に過去に指定されていた属性を、検索クエリで指定することを推薦する属性の候補として決定することができる。

　なお、推薦部１４は、その時点で設定されている検索クエリで指定されている複数の属性の中の所定割合以上の組と一緒に過去に指定されていた属性を、検索クエリで指定することを推薦する属性の候補として決定してもよい。その他、推薦部１４は、その時点で設定されている検索クエリで指定されている複数の属性の中の所定割合以上の属性の各々と別々に一緒に過去に指定されていた属性を、検索クエリで指定することを推薦する属性の候補として決定してもよい。

　また、推薦部１４は、その時点で設定されている検索クエリで指定されている複数の属性の中の所定割合以上と一緒に過去に所定回数以上指定されていた属性を、検索クエリで指定することを推薦する属性の候補として決定してもよい。

　なお、推薦部１４は、その時点で設定されている検索クエリで指定されている複数の属性の中の所定割合以上の組と一緒に過去に所定回数以上指定されていた属性を、検索クエリで指定することを推薦する属性の候補として決定してもよい。その他、推薦部１４は、その時点で設定されている検索クエリで指定されている複数の属性の中の所定割合以上の属性の各々と別々に一緒に過去に所定回数以上指定されていた属性を、検索クエリで指定することを推薦する属性の候補として決定してもよい。

「読み替え例４：「その時点で設定されている検索クエリで指定されている属性値の全ての属性値」と読み替える場合」
　この場合、例えば、推薦部１４は、男性及び３０代のいずれとも一緒に過去に指定されていた属性値を、検索クエリで指定することを推薦する属性値の候補として決定することができる。

　なお、推薦部１４は、男性及び３０代の組み合わせと一緒に過去に指定されていた属性値を、検索クエリで指定することを推薦する属性値の候補として決定してもよい。その他、推薦部１４は、男性及び３０代各々と別々に一緒に過去に指定されていた属性値を、検索クエリで指定することを推薦する属性値の候補として決定してもよい。

　また、例えば、推薦部１４は、男性及び３０代のいずれとも一緒に過去に所定回数以上指定されていた属性値を、検索クエリで指定することを推薦する属性値の候補として決定してもよい。

　なお、推薦部１４は、男性及び３０代の組み合わせと一緒に過去に所定回数以上指定されていた属性値を、検索クエリで指定することを推薦する属性値の候補として決定してもよい。その他、推薦部１４は、男性及び３０代各々と別々に一緒に過去に所定回数以上指定されていた属性値を、検索クエリで指定することを推薦する属性値の候補として決定してもよい。

「読み替え例５：「その時点で設定されている検索クエリで指定されている属性値の中の少なくとも１つの属性値」と読み替える場合」
　この場合、例えば、推薦部１４は、男性及び３０代の少なくとも１つと一緒に過去に指定されていた属性値を、検索クエリで指定することを推薦する属性値の候補として決定することができる。

　また、例えば、推薦部１４は、男性及び３０代の少なくとも１つと一緒に過去に所定回数以上指定されていた属性値を、検索クエリで指定することを推薦する属性値の候補として決定することができる。

「読み替え例６：「その時点で設定されている検索クエリで指定されている属性値の中の所定割合以上の属性値」と読み替える場合」
　この場合、推薦部１４は、その時点で設定されている検索クエリで指定されている複数の属性値の中の所定割合以上と一緒に過去に指定されていた属性値を、検索クエリで指定することを推薦する属性値の候補として決定することができる。

　なお、推薦部１４は、その時点で設定されている検索クエリで指定されている複数の属性値の中の所定割合以上の組と一緒に過去に指定されていた属性値を、検索クエリで指定することを推薦する属性値の候補として決定してもよい。その他、推薦部１４は、その時点で設定されている検索クエリで指定されている複数の属性値の中の所定割合以上の属性値の各々と別々に一緒に過去に指定されていた属性値を、検索クエリで指定することを推薦する属性値の候補として決定してもよい。

　また、推薦部１４は、その時点で設定されている検索クエリで指定されている複数の属性値の中の所定割合以上と一緒に過去に所定回数以上指定されていた属性値を、検索クエリで指定することを推薦する属性値の候補として決定してもよい。

　なお、推薦部１４は、その時点で設定されている検索クエリで指定されている複数の属性値の中の所定割合以上の組と一緒に過去に所定回数以上指定されていた属性値を、検索クエリで指定することを推薦する属性値の候補として決定してもよい。その他、推薦部１４は、その時点で設定されている検索クエリで指定されている複数の属性値の中の所定割合以上の属性値の各々と別々に一緒に過去に所定回数以上指定されていた属性値を、検索クエリで指定することを推薦する属性値の候補として決定してもよい。

　なお、候補決定処理例３は「その時点で設定されている検索クエリ」を「その時点で設定されている修正後検索クエリ」と読み替えることができる。

「候補決定処理例４：その時点で設定されている検索クエリに基づく検索の結果に基づき推薦する属性又は属性値の候補を決定する処理」
　推薦部１４は、以下の属性又は属性値の中の少なくとも１つを、検索クエリで指定することを推薦する属性又は属性値の候補として決定することができる。
・その時点で設定されている検索クエリに基づく検索でマッチングした複数の登録情報の集合において属性値各々を備える登録情報の割合又は数が閾値以下の属性値
・その時点で設定されている検索クエリに基づく検索でマッチングした複数の登録情報の集合において属性値各々を備える登録情報の割合又は数が少ない方から所定割合以内又は所定数以内に含まれる属性値

　「その時点」は、推薦情報を出力する時点である。

　推薦部１４は、検索結果で示される登録情報の数をより少ない数に絞り込むために有益な属性又は属性値を、推薦する属性又は属性値の候補として決定することができる。

　図７を用いて、推薦部１４の処理を具体的に説明する。図７の情報は、その時点で設定されている検索クエリに基づく検索でマッチングした複数の登録情報の集合に関する。具体的には、図７の情報は、マッチングした複数の登録情報が示す人物（検索クエリとマッチングした人物）の一覧を示す。

　「マッチングした人物の通番」は、その時点で設定されている検索クエリとマッチングした複数の人物に付された通番である。

　「人物識別情報」は、登録情報である画像から検出された複数の人物各々を識別する情報である（図３参照）。

　図７の情報では、各人物に紐付けて、各属性値を備えるか否かが示されている。各人物は、丸を付された属性値を備えることを意味する。属性値を備えると判定する基準は、例えば「上述したインデックス確信度（図４参照）が閾値以上」であるが、これに限定されない。

　図７の情報に基づき、属性値毎に丸の数をカウントすることで、その時点で設定されている検索クエリに基づく検索でマッチングした複数の登録情報の集合において属性値各々を備える登録情報の数（人物の数）が算出される。そして、この算出した値と、その時点で設定されている検索クエリに基づく検索でマッチングした登録情報の総数（人物の総数）とに基づき、上記割合を算出することができる。

　なお、候補決定処理例４は「その時点で設定されている検索クエリ」を「その時点で設定されている修正後検索クエリ」と読み替えることができる。

「候補決定処理例５：その時点で設定されている検索クエリに基づき推薦する属性又は属性値の候補を決定する処理」
　推薦部１４は、機械学習で生成された学習モデルと、その時点で設定されている検索クエリとに基づき、検索クエリで指定することを推薦する属性又は属性値の候補を決定することができる。

　学習モデルは、検索クエリを入力とし、その検索クエリに加えることが推奨される属性値及び各属性値の絞り込み能力を出力とする。出力される属性値は、入力された検索クエリが設定されている場合に、検索でマッチングする登録情報の絞り込みに有効な属性値である。

　学習モデルは、所定の検索クエリに所定の属性値を新たに指定した場合における検索でマッチングする登録情報の数の変化を示す学習データに基づき生成される。以下、学習データの例を説明する。

　学習データの説明変数は、例えば所定の検索クエリと、その検索クエリに新たに指定される情報とを含む。

　「検索クエリ」は、上述の通り、少なくとも１つの属性に対して属性値とその属性値の確信度とを設定したものである。検索クエリでは、１つの属性値が指定されていてもよいし、複数の属性値が指定されていてもよい。

　「検索クエリに新たに指定される情報」は、少なくとも１つの属性値とその属性値の確信度である。検索クエリに新たに指定される情報は、１つの属性値とその属性値の確信度であってもよい。その他、検索クエリに新たに指定される情報は、複数の属性値と各々の確信度であってもよい。

　学習データの目的変数は、所定の検索クエリに新たな情報を指定した場合の検索結果の絞り込み能力を示す。

　絞り込み能力は、例えば「（Ａ）所定の検索クエリで行った検索の検索結果に含まれる登録情報の数」と「（Ｂ）所定の検索クエリに新たな情報を指定して行った検索の検索結果に含まれる登録情報の数」に基づき示されてもよい。例えば、（Ａ）－（Ｂ）の値を、絞り込み能力としてもよい。この値が大きいほど、絞り込み能力が高いことを意味する。その他、（Ｂ）／（Ａ）の値を、絞り込み能力としてもよい。この値が小さいほど、絞り込み能力が高いことを意味する。また、これらの値に準ずる値を、絞り込み能力としてもよい。

　その他、絞り込み能力は、「（Ａ´）所定の検索クエリで行った検索における所定の人物のマッチング度の順位」と「（Ｂ´）所定の検索クエリに新たな情報を指定して行った検索におけるその所定の人物のマッチング度の順位」とに基づき示されてもよい。例えば、（Ａ´）－（Ｂ´）の値を、絞り込み能力としてもよい。この値が大きいほど、絞り込み能力が高いことを意味する。その他、（Ｂ´）／（Ａ´）の値を、絞り込み能力としてもよい。この値が小さいほど、絞り込み能力が高いことを意味する。また、これらの値に準ずる値を、絞り込み能力としてもよい。これらの値は、所定の人物のマッチング度の順位が、所定の検索クエリにおける新たな情報の指定によりどれだけ浮上したかを示す。

　学習データの説明変数は、次のようにして作成できる。まず、所定の検索クエリで指定する属性値及び確信度の数、及びそれらの内容を変更しながら、複数のパターンの検索クエリを作成する。また、検索クエリで新たに指定する属性値及び確信度の数、及びそれらの内容を変更しながら、複数のパターンの情報（追加情報）を作成する。そして、複数のパターンの検索クエリと、複数のパターンの情報をあらゆるパターンで組み合わせることで、「所定の検索クエリ」と「検索クエリに新たに指定される情報」の組み合わせのパターン（説明変数）が複数作成される。

　そして、これらを用いて実際に検索を行うことで、上述した目的変数が得られる。なお、上述した（Ａ´）及び（Ｂ´）に基づき示される絞り込み能力を用いる場合、マッチング度の順位を参照する所定の人物を切り替えながら順位の変遷を追跡することができる。

　なお、上記作成方法で作成される学習データは、ある検索クエリに１組又は複数組の属性値及び確信度の組み合わせを１回追加した場合の絞り込み能力を示す。例えば、検索クエリが「３０代：７０％」である場合、この検索クエリに「男性：１００％」を追加した場合の絞り込み能力や、この検索クエリに「男性：９０％」を追加した場合の絞り込み能力等を示す。

　他の例として、ある検索クエリに１組又は複数組の属性値及び確信度の組み合わせを２回以上追加した場合の各回の絞り込み能力を示す学習データが生成されてもよい。例えば、学習データは、「３０代：７０％」の検索クエリに「男性：１００％」を追加した場合の絞り込み能力、及びさらにそこに「メガネ着用：８０％」を追加した場合の絞り込み能力等を示してもよい。

　なお、候補決定処理例５は「その時点で設定されている検索クエリ」を「その時点で設定されている修正後検索クエリ」と読み替えることができる。

－修正後検索クエリ及び参照情報の少なくとも１つに基づき、上記候補の中から、検索クエリで指定することを推薦する属性又は属性値を決定する処理－
　以下、修正後検索クエリに基づく処理（推薦内容決定処理例１）と、参照情報に基づく処理（推薦内容決定処理例２）を説明する。

「推薦内容決定処理例１：修正後検索クエリに基づき、候補の中から推薦する属性又は属性値を決定する処理」
　推薦部１４は、検索クエリで指定することを推薦する属性又は属性値として、修正後検索クエリに含まれない属性又は属性値を決定することができる。

　上述の通り、修正部１２は、検索クエリに所定の属性値を加えて修正後検索クエリを生成する。推薦部１４は、修正部１２による修正で既に検索クエリに加えられた属性又は属性値を、検索クエリで指定することを推薦する属性又は属性値から外す。そして、推薦部１４は、検索クエリで指定することを推薦する属性又は属性値として、修正後検索クエリに含まれない属性又は属性値を決定する。

　例えば、推薦部１４は、候補の中の、修正後検索クエリに含まれない属性又は属性値の全てを、検索クエリで指定することを推薦する属性又は属性値として決定してもよい。その他、推薦部１４は、候補の中の、修正後検索クエリに含まれない属性又は属性値の中から、任意の手段（例えば、以下の推薦内容決定処理例２）で、検索クエリで指定することを推薦する属性又は属性値を決定してもよい。

「推薦内容決定処理例２：参照情報に基づき、候補の中から推薦する属性又は属性値を決定する処理」
　推薦部１４は、「属性値毎に算出された、検索クエリに新たに指定して行う検索でマッチングする登録情報の数の絞り込み能力」と、「参照情報で示される混同の可能性」とに基づき、検索クエリで指定することを推薦する属性値を決定する。

　「絞り込み能力」は、上述した「候補決定処理例５：その時点で設定されている検索クエリに基づき推薦する属性又は属性値の候補を決定する処理」で説明した絞り込み能力である。

　ここで、具体例を用いて当該処理を説明する。推薦する候補の中に、「３０代」、「赤のズボン着用」、「リュックサック所持」の３つの属性値が含まれていたとする。そして、「３０代」の絞り込み能力は０．３、「赤のズボン着用」の絞り込み能力は０．９、「リュックサック所持」の絞り込み能力は０．７であったとする。なお、ここでの絞り込み能力は、０から１の間の値をとり、値が大きいほど絞り込み能力が高くなるように正規化されている。

　図３の参照情報によれば、３０代を他の属性値と混同する可能性は、０．４１（＝２０％＋１４％＋７％）である。そして、図３では示されていないが、「赤のズボン着用」を他の属性値と混同する可能性は０．３、「リュックサック所持」を他の属性値と混同する可能性は０．１であったとする。

　推薦部１４は、このような候補の属性値各々の可能性と絞り込み能力とに基づき、属性値毎に統合スコアを算出する。そして、推薦部１４は、統合スコアが所定条件を満たす属性値を、推薦する属性値として決定する。

　統合スコアは、例えば上記可能性と上記絞り込み能力の和又は積であってもよい。その他、統合スコアは、上記可能性と上記絞り込み能力各々に重みを掛けた値の和であってもよい。このようにした場合、上記可能性及び上記絞り込み能力が高いほど、高い統合スコアが算出される。

　統合スコアの所定条件は、統合スコアが基準値以上の属性値、統合スコアが高い方から所定数以内に含まれる属性値、又は統合スコアが高い方から所定割合以内に含まれる属性値である。なお、上述のように上記可能性及び上記絞り込み能力が高いほど、高い統合スコアが算出されることを前提とする。

　変形例として、上記可能性及び上記絞り込み能力が高いほど、低い統合スコアが算出されるように設計してもよい。この場合、統合スコアの所定条件は、統合スコアが基準値以下の属性値、統合スコアが低い方から所定数以内に含まれる属性値、又は統合スコアが低い方から所定割合以内に含まれる属性値である。

　上述のように、推薦部１４は、検索クエリで指定することを推薦する属性を決定し、出力することができる。この場合、推薦部１４は、例えば「検査対象の性別は何ですか？」、「検索対象の年齢はいくつですか？」のように、所定の属性の属性値を問い合わせる情報を出力することができる。推薦部１４は、１度に１つの属性を推薦してもよいし、１度に複数の属性を推薦してもよい。

　また、上述のように、推薦部１４は、検索クエリで指定することを推薦する属性値を決定し、出力することができる。この場合、推薦部１４は、例えば「性別：男を検索クエリに追加しますか？」、「めがね着用を検索クエリに追加しますか？」のように、所定の属性値を検索クエリに含めるか問い合わせる情報を出力することができる。推薦部１４は、１度に１つの属性値を推薦してもよいし、１度に複数の属性値を推薦してもよい。また、１度に複数の属性値を推薦する場合、推薦部１４は、複数の属性値を別々に分けて推薦してもよい。その他、推薦部１４は、複数の属性値を所定の論理演算子（アンド条件、オア条件）で繋いだ状態で、検索クエリに含めることを推薦してもよい。この例としては、「性別：男、かつ、めがね着用を検索クエリに追加しますか？」等が例示される。

　次に、推薦部１４が推薦する情報を出力するタイミングについて説明する。推薦部１４は、検索クエリが設定されている状態で、検索クエリで指定することを推薦する属性又は属性値を出力することができる。

　図８に、ユーザに向けて出力する情報の一例を示す。図示する画面は、検索クエリの欄と、推薦情報の欄を有する。

　検索クエリの欄には、検索クエリを入力するＵＩ部品が表示されている。推薦情報の欄には、推薦部１４が出力した「検索クエリで指定することを推薦する属性又は属性値」が示される。図８の例では、推薦情報の欄には、検索クエリで指定することを推薦する属性値が示されている。

　図８の例では、検索クエリを入力するＵＩ部品に情報が入力されている。すなわち、検索クエリが設定されている。図８の例では、このような検索クエリが設定されている状態で、検索クエリで指定することを推薦する属性又は属性値が出力されている。例えば、検索クエリを入力するＵＩ部品に情報が入力され、検索クエリが設定されたタイミングで、図示するような推薦情報が表示されてもよい。

　また、図８の例では、検索クエリを自動修正するための修正ボタンが表示されている。当該修正ボタンの押下に応じて、検索クエリ欄の表示が、ユーザによって設定された検索クエリから、上述した修正後検索クエリに切り替わる。例えば、修正後検索クエリが表示されたタイミングで、図示するような推薦情報が表示されてもよい。また、修正後検索クエリの表示前から推薦情報が表示されている場合、修正後検索クエリが表示されたタイミングで、推薦情報の内容が更新されてもよい。なお、修正ボタンの押下に応じて修正後検索クエリを表示する構成はあくまで一例であり、その他のタイミングで、検索クエリ欄の表示が、ユーザによって設定された検索クエリから、上述した修正後検索クエリに切り替わってもよい。

　なお、図示していないが、上述した関連情報（検索の目的等）の入力を受付けるＵＩ部品が表示されてもよい。そして、検索クエリが設定されている状態で、関連情報が入力されてもよい。そして、この関連情報に基づき決定された属性又は属性値が、検索クエリで指定することを推薦する属性又は属性値として出力されてもよい。また、関連情報の入力に応じて、推薦情報の欄の内容が更新されてもよい。

　図９に、ユーザに向けて出力する情報の他の一例を示す。図示する画面は、検索クエリの欄と、検索結果の欄と、推薦情報の欄を有する。

　検索クエリの欄には、検索クエリを入力するＵＩ部品が表示されている。検索結果の欄には、検索クエリとマッチングした登録情報が表示されている。推薦情報の欄には、推薦部１４が出力した「検索クエリで指定することを推薦する属性又は属性値」が示される。図９の例では、推薦情報の欄には、検索クエリで指定することを推薦する属性値が示されている。

　図９の例では、検索クエリを入力するＵＩ部品に情報が入力されている。すなわち、検索クエリ又は修正後検索クエリが設定されている。そして、図９の例では、その検索クエリ又は修正後検索クエリに基づく検索結果が表示されている。図９の例では、このような検索クエリ又は修正後検索クエリが設定され、かつ検索結果が表示されている状態で、検索クエリで指定することを推薦する属性又は属性値が出力されている。例えば、検索クエリを入力するＵＩ部品に情報が入力され、検索が行われ、その検索結果が表示されたタイミングで、図示するような推薦情報が表示されてもよい。

　なお、図示していないが、上述した関連情報（検索の目的等）の入力を受付けるＵＩ部品が表示されてもよい。そして、検索クエリが設定され、検索結果が表示されている状態で、関連情報が入力されてもよい。そして、この関連情報に基づき決定された属性又は属性値が、検索クエリで指定することを推薦する属性又は属性値として出力されてもよい。また、関連情報の入力に応じて、推薦情報の欄の内容が更新されてもよい。

　ユーザは、上述のような推薦情報に基づき、検索クエリに新たに加える属性や属性値を決定することができる。なお、確信度については、その特性上、ユーザが自身で設定することになる。

　次に、検索装置１０の処理の流れの一例を説明する。

　まず、図１０のフローチャートを用いて、上述した推薦内容決定処理例２の処理で推薦内容を決定する処理の流れの一例を説明する。

　まず、検索装置１０は、少なくとも１つの属性に対して属性値とその属性値の確信度とを指定した検索クエリを受付ける（Ｓ１０）。次いで、検索装置１０は、検索クエリで指定することを推薦する属性値の候補を決定する（Ｓ１１）。検索装置１０は、上述した候補決定処理例１乃至５のいずれかで、当該候補を決定することができる。

　次いで、検索装置１０は、候補の属性値毎に統合スコアを算出し（Ｓ１２）、算出した統合スコアに基づき、検索クエリで指定することを推薦する属性値を、候補の中から決定する（Ｓ１３）。Ｓ１２及びＳ１３の処理の詳細は、推薦内容決定処理例２として上述している。

　次いで、検索装置１０は、Ｓ１３で決定した推薦内容を出力する（Ｓ１４）。その後、検索装置１０は、検索クエリを修正する入力を受付け（Ｓ１５）、修正された検索クエリを用いて検索を行う（Ｓ１６）。

　なお、検索装置１０は、Ｓ１０の後に、上述した参照情報（図３参照）に基づき検索クエリを修正し、修正後検索クエリを生成してもよい。そして、その後に、Ｓ１１乃至Ｓ１６の処理を行ってもよい。この場合、Ｓ１１の候補の決定は、修正後検索クエリに基づき行われる。

　次に、図１１のフローチャートを用いて、上述した推薦内容決定処理例１の処理で推薦内容を決定する処理の流れの一例を説明する。

　まず、検索装置１０は、少なくとも１つの属性に対して属性値とその属性値の確信度とを指定した検索クエリを受付ける（Ｓ２０）。次いで、検索装置１０は、上述した参照情報（図３参照）に基づき受付けた検索クエリを修正し、修正後検索クエリを生成し、出力する（Ｓ２１）。

　また、検索装置１０は、検索クエリで指定することを推薦する属性又は属性値の候補を決定する（Ｓ２２）。検索装置１０は、上述した候補決定処理例１乃至５のいずれかで、当該候補を決定することができる。なお、Ｓ２１及びＳ２２の処理順は、図１１のフローチャートで示される例に限定されない。

　次いで、検索装置１０は、Ｓ２１で生成された修正後検索クエリに基づき、検索クエリで指定することを推薦する属性又は属性値を、候補の中から決定する（Ｓ２３）。Ｓ２３の処理の詳細は、推薦内容決定処理例１として上述している。

　次いで、検索装置１０は、Ｓ２３で決定した推薦内容を出力する（Ｓ２４）。その後、検索装置１０は、検索クエリを修正する入力を受付け（Ｓ２５）、修正された検索クエリを用いて検索を行う（Ｓ２６）。

「作用効果」
　ユーザのあいまいな記憶に基づき検索クエリを設定する場合や、他の人物から伝え聞いた内容に基づき検索クエリを設定するような場合等には、検索対象の属性値がある一定の範囲内で混同され、誤った検索クエリが設定される可能性がある。第２の実施形態の検索装置１０は、検索クエリで設定された属性値と混同している可能性がある属性値を検索クエリに加えて、修正後検索クエリを生成する。このような第２の実施形態の検索装置１０によれば、混同により誤った検索クエリが設定された場合でも、正しい属性値が修正後検索クエリに含まれることとなるので、所望の検索対象が検索される可能性がある。

　また、第２の実施形態の検索装置１０は、検索クエリで指定されている属性値各々を他の属性値各々と混同している可能性に基づき、修正後検索クエリにおける他の属性値の確信度を決定することができる。このような第２の実施形態の検索装置１０によれば、修正後検索クエリにおいて他の属性値の確信度を適切に設定することができる。結果、検索の精度が向上する。

　また、第２の実施形態の検索装置１０は、確信度が基準値未満である属性値を修正の対象とし、確信度が基準値以上である属性値を修正の対象外とすることができる。ユーザが自信を持って設定している属性値を不要に修正することで、コンピュータの処理負担が不要に大きくなる。確信度が基準値未満である属性値を修正の対象とし、確信度が基準値以上である属性値を修正の対象外とすることで、当該不都合を軽減できる。

　また、第２の実施形態の検索装置１０は、特徴的な処理で、検索クエリで指定することを推薦する属性又は属性値を決定し、出力することができる。ユーザは、当該推薦情報に基づき、適切に検索クエリを修正することができる。

＜第３の実施形態＞
　第３の実施形態の検索装置１０は、修正後検索クエリを生成する処理において、検索クエリで指定されている属性値の修正の仕方を、検索クエリで指定されている各属性値の確信度に応じて異ならせる。確信度が高い場合は混同が生じている可能性は低いが、確信度が低い場合は混同が生じている可能性が高いと考えられる。このような点を考慮して、第３の実施形態の検索装置１０は、検索クエリで指定されている属性値の修正の仕方を、検索クエリで指定されているその属性値の確信度に応じて異ならせる。以下、詳細に説明する。

　修正部１２は、図１２に示すような参照情報に基づき、検索クエリから修正後検索クエリを生成することができる。

　図１２に示す参照情報は、検索クエリで指定された確信度が所定範囲の時に、「各属性値と混同している可能性がある他の属性値」、及び「属性値各々と他の属性値各々とを混同している可能性」を示す。「属性」の欄と「属性値」の欄との値により、１つの属性値が特定される。「確信度」の欄に、特定した１つの属性値の確信度が示される。そして、「混同属性値」の欄が、確信度が「確信度」の欄の値で示される範囲の時に、「属性」及び「属性値」の欄の値で特定された１つの属性値と混同している可能性がある他の属性値を示す。なお、「混同属性値」の欄で示される各属性値に紐付く数値は、属性値各々と他の属性値各々とを混同している可能性を示す。

　図１２に示す参照情報では、検索クエリにおいて「３０代」、確信度が「９０％以上１００％未満」と指定された場合、実際は、検索対象の人物は２０代及び４０代である可能性があることが示されている。さらに、図１２に示す参照情報では検索対象の人物が実際は２０代である可能性（７％）、及び４０代である可能性（４％）が示されている。

　また、図１２に示す参照情報では、検索クエリにおいて「３０代」、確信度が「８０％以上９０％未満」と指定された場合、実際は、検索対象の人物は２０代、４０代及び５０代である可能性があることが示されている。さらに、図１２に示す参照情報では検索対象の人物が実際は２０代である可能性（１４％）、４０代である可能性（１２％）、及び５０代である可能性（１％）が示されている。

　このような参照情報は、任意の手段で生成できる。例えば、検索装置１０の管理者（製造メーカの担当者）は、複数の被験者に、各年代の人物を見てもらい、それらの人物が何才だと思うか、またその確信度を回答してもらう。そして、検索装置１０の管理者は、その回答結果を集計して、図１２に示すような参照情報を生成することができる。なお、検索装置１０の管理者は、条件を変えて当該実験を行ってもよい。例えば、詳細を伝えずに複数の被験者に各年代の人物を見てもらい、それから一定時間経過後（例：数日後）に、それらの人物が何才だと思ったか、またその確信度を回答してもらってもよい。参照情報の生成の仕方の他の例として、検索装置１０の管理者は、自身の経験や感覚に基づき、図１２に示すような参照情報を生成してもよい。なお、ここで例示した参照情報の生成の仕方はあくまで一例であり、これらに限定されない。

　ここで、図１２に示す参照情報に基づき検索クエリを修正する処理の具体例を説明する。

　修正部１２は、例えば、図１２に示す参照情報に基づき、以下に示す検索クエリから、以下に示す修正後検索クエリを生成することができる。以下の修正では、検索クエリに、２０代：１４％、４０代：１０％、かつ、５０代：６％が、アンド条件で付与されている。
（検索クエリ）「男性：１００％、かつ、３０代：７０％、かつ、赤いズボン着用：１００％」
（修正後検索クエリ）「男性：１００％、かつ、３０代：７０％、かつ、２０代：１４％、かつ、４０代：１０％、かつ、５０代：６％、かつ、赤いズボン着用：１００％」

　検索クエリに含まれる３０代を修正対象とする場合、修正部１２は、図１２に示す参照情報において、属性値：３０代、及び確信度７０％以上８０％未満に紐付く混同属性値に基づき、修正後検索クエリを生成する。修正後検索クエリの具体的な生成方法は、第２の実施形態と同様である。

　以上説明したように、修正部１２は、図１２に示すような参照情報と、検索クエリで設定された属性値及び確信度とに基づき、修正後検索クエリに含める他の属性値（第２の属性値）、及びその確信度を決定する。図１２に示す参照情報は、検索クエリで設定された属性値の確信度が所定条件を満たす場合にその属性値と混同している可能性がある他の属性値、及びその可能性を示す。

　第３の実施形態の検索装置１０のその他の構成は、第１及び第２の実施形態の検索装置１０の構成と同様である。

　第３の実施形態の検索装置１０によれば、第１及び第２の実施形態の検索装置１０と同様の作用効果が実現される。また、第３の実施形態の検索装置１０によれば、検索クエリで指定されている属性値の修正の仕方を、検索クエリで指定されている各属性値の確信度に応じて異ならせることができる。確信度が高い場合は混同が生じている可能性は低いが、確信度が低い場合は混同が生じている可能性が高いと考えられる。このような点を考慮して、検索クエリで指定されている各属性値を適切に修正して修正後検索クエリを生成することで、検索の精度が向上する。

＜第４の実施形態＞
　第４の実施形態の検索装置１０は、修正後検索クエリを生成する処理において、検索クエリで指定されている属性値の修正の仕方を、「検索対象を目撃し、検索クエリに含める属性値を提示した目撃者」の属性に応じて異ならせる。

　目撃者の属性に応じて、混同の有無や混同の仕方が異なり得る。例えば、目撃者が子供の場合、目撃者が大人の場合に比べて、２０代から４０代の検索対象の年齢を混同している可能性は高くなる。また、検索対象と異なる国籍の目撃者は、検索対象と同じ国籍の目撃者に比べて、検索対象の年齢を混同している可能性が高くなる。また、検索対象と異なる性別の目撃者は、検索対象と同じ性別の目撃者に比べて、検索対象の衣服や所持物の特徴を混同している可能性が高くなる。また、検索対象と異なるファッション嗜好の目撃者は、検索対象と同じファッション嗜好の目撃者に比べて、検索対象の衣服や所持物の特徴を混同している可能性が高くなる。

　このような点を考慮して、第４の実施形態の検索装置１０は、検索クエリで指定されている属性値の修正の仕方を、「検索対象を目撃し、検索クエリに含める属性値を提示した目撃者」の属性に応じて異ならせる。以下、詳細に説明する。

　修正部１２は、図１３に示すような参照情報に基づき、検索クエリから修正後検索クエリを生成することができる。

　図１３に示す参照情報は、「所定の目撃者条件を満たす目撃者の目撃証言に基づき設定された属性値各々と混同している可能性がある他の属性値」、及び「属性値各々と他の属性値各々とを混同している可能性」を示す。「属性」の欄と「属性値」の欄との値により、１つの属性値が特定される。

　「目撃者条件」の欄に、目撃者の条件が示される。目撃者の条件は、性別、年齢、国籍、髪型、衣服の特徴、所持物の特徴等を用いて定義される。

　そして、「混同属性値」の欄が、所定の目撃者条件を満たす目撃者の場合、「属性」及び「属性値」の欄の値で特定された１つの属性値と混同している可能性がある他の属性値を示す。なお、「混同属性値」の欄で示される各属性値に紐付く数値は、混同している可能性を示す。

　図１３に示す参照情報では、目撃者が「１２才以下」で、かつ、検索クエリにおいて「３０代」と設定された場合、実際は、検索対象の人物は２０代、４０代及び５０代である可能性があることが示されている。さらに、図１３に示す参照情報では検索対象の人物が実際は２０代である可能性（３２％）、４０代である可能性（３０％）、及び５０代である可能性（３％）が示されている。

　また、図１３に示す参照情報では、目撃者が「１８才以上６０才未満」で、かつ、検索クエリにおいて「３０代」と設定された場合、実際は、検索対象の人物は２０代、４０代及び５０代である可能性があることが示されている。さらに、図１３に示す参照情報では検索対象の人物が実際は２０代である可能性（２０％）、４０代である可能性（１４％）、及び５０代である可能性（７％）が示されている。

　このような参照情報は、任意の手段で生成できる。例えば、検索装置１０の管理者（製造メーカの担当者）は、複数の被験者に、各年代の人物を見てもらい、それらの人物が何才だと思うか回答してもらう。そして、検索装置１０の管理者は、その回答結果を、目撃者の属性毎に分けて集計して、図１３に示すような参照情報を生成することができる。なお、検索装置１０の管理者は、条件を変えて当該実験を行ってもよい。例えば、詳細を伝えずに複数の被験者に各年代の人物を見てもらい、それから一定時間経過後（例：数日後）に、それらの人物が何才だと思ったかを回答してもらってもよい。参照情報の生成の仕方の他の例として、検索装置１０の管理者は、自身の経験や感覚に基づき、図１３に示すような参照情報を生成してもよい。なお、ここで例示した参照情報の生成の仕方はあくまで一例であり、これらに限定されない。

　ここで、図１３に示す参照情報に基づき検索クエリを修正する処理の具体例を説明する。

　まず、入力受付部１１は、検索クエリに加えて、目撃者の属性を設定する入力を受付ける。すなわち、ユーザが、目撃者の属性を検索装置１０に入力する。

　修正部１２は、例えば、図１３に示す参照情報に基づき、以下に示す検索クエリから、以下に示す修正後検索クエリを生成することができる。以下の修正では、検索クエリに、２０代：１４％、４０代：１０％、かつ、５０代：６％が、アンド条件で付与されている。
（検索クエリ）「男性：１００％、かつ、３０代：７０％、かつ、赤いズボン着用：１００％」
（修正後検索クエリ）「男性：１００％、かつ、３０代：７０％、かつ、２０代：１４％、かつ、４０代：１０％、かつ、５０代：６％、かつ、赤いズボン着用：１００％」

　例えば、入力された目撃者の属性は、４０才であったとする。そして、検索クエリに含まれる３０代を修正対象とする場合、修正部１２は、図１３に示す参照情報において、属性値：３０代、及び目撃者条件：１８才以上６０才未満に紐付く混同属性値に基づき、修正後検索クエリを生成する。修正後検索クエリの具体的な生成方法は、第２の実施形態と同様である。

　以上説明したように、修正部１２は、設定された目撃者の属性と、図１３に示すような参照情報と、検索クエリで設定された属性値及び確信度とに基づき、修正後検索クエリに含める他の属性値（第２の属性値）、及びその確信度を決定する。図１３に示す参照情報は、目撃者の属性が所定の目撃者条件を満たす場合に属性値各々と混同している可能性がある他の属性値、及びその可能性を示す。

　第４の実施形態の検索装置１０のその他の構成は、第１乃至第３の実施形態の検索装置１０の構成と同様である。

　第４の実施形態の検索装置１０によれば、第１乃至第３の実施形態の検索装置１０と同様の作用効果が実現される。また、第４の実施形態の検索装置１０によれば、検索クエリで指定されている属性値の修正の仕方を、「検索対象を目撃し、検索クエリに含める属性値を提示した目撃者」の属性に応じて異ならせることができる。

　このような点を考慮して、検索クエリで指定されている各属性値を適切に修正して修正後検索クエリを生成することで、検索の精度が向上する。

＜第５の実施形態＞
　第５の実施形態の検索装置１０は、修正後検索クエリを生成する処理において、検索クエリで指定されている属性値の修正の仕方を、検索対象を目撃した時の環境に応じて異ならせる。

　目撃時の環境に応じて、混同の有無や混同の仕方が異なり得る。例えば、夜間、夕方、昼間、朝等のタイミングに応じて、対象物の見え方や色の見え方が異なり得る。また、晴れ、雨、曇り等の天気に応じて、対象物の見え方や色の見え方が異なり得る。また、屋外と屋内とで、対象物の見え方や色の見え方が異なり得る。また、周囲に多くの人がいた場合、対象物の属性を混同している可能性が高くなり得るが、周囲にほとんど又は全く人がいなかった場合、対象物の属性を混同している可能性が低くなり得る。

　このような点を考慮して、第５の実施形態の検索装置１０は、検索クエリで指定されている属性値の修正の仕方を、検索対象を目撃した時の環境に応じて異ならせる。以下、詳細に説明する。

　修正部１２は、図１４に示すような参照情報に基づき、検索クエリから修正後検索クエリを生成することができる。

　図１４に示す参照情報は、「所定の目撃時環境条件を満たす環境での目撃に基づき設定された属性値各々と混同している可能性がある他の属性値」、及び「属性値各々と他の属性値各々とを混同している可能性」を示す。「属性」の欄と「属性値」の欄との値により、１つの属性値が特定される。

　「目撃時環境条件」の欄に、目撃時の環境の条件が示される。目撃時の環境の条件は、時間帯、昼間か夜間か、天気、屋内か屋外か、周囲に多くの人がいたか否か等を用いて定義される。

　そして、「混同属性値」の欄が、所定の目撃時環境条件を満たす環境の場合、「属性」及び「属性値」の欄の値で特定された１つの属性値と混同している可能性がある他の属性値を示す。なお、「混同属性値」の欄で示される各属性値に紐付く数値は、混同している可能性を示す。

　図１４に示す参照情報では、目撃時の環境が「夜間」で、かつ、検索クエリにおいて「３０代」と設定された場合、実際は、検索対象の人物は２０代、４０代及び５０代である可能性があることが示されている。さらに、図１４に示す参照情報では検索対象の人物が実際は２０代である可能性（２６％）、４０代である可能性（２５％）、及び５０代である可能性（６％）が示されている。

　また、図１４に示す参照情報では、目撃時の環境が「昼間」で、かつ、検索クエリにおいて「３０代」と設定された場合、実際は、検索対象の人物は２０代、４０代及び５０代である可能性があることが示されている。さらに、図１４に示す参照情報では検索対象の人物が実際は２０代である可能性（２０％）、４０代である可能性（１４％）、及び５０代である可能性（７％）が示されている。

　このような参照情報は、任意の手段で生成できる。例えば、検索装置１０の管理者（製造メーカの担当者）は、複数の被験者に、所定の環境下で各年代の人物を見てもらい、それらの人物が何才だと思うか回答してもらう。そして、検索装置１０の管理者は、その回答結果を、環境毎に分けて集計して、図１４に示すような参照情報を生成することができる。なお、検索装置１０の管理者は、条件を変えて当該実験を行ってもよい。例えば、詳細を伝えずに複数の被験者に所定の環境下で各年代の人物を見てもらい、それから一定時間経過後（例：数日後）に、それらの人物が何才だと思ったかを回答してもらってもよい。参照情報の生成の仕方の他の例として、検索装置１０の管理者は、自身の経験や感覚に基づき、図１４に示すような参照情報を生成してもよい。なお、ここで例示した参照情報の生成の仕方はあくまで一例であり、これらに限定されない。

　ここで、図１４に示す参照情報に基づき検索クエリを修正する処理の具体例を説明する。

　まず、入力受付部１１は、検索クエリに加えて、目撃時の環境を設定する入力を受付ける。すなわち、ユーザが、目撃時の環境を検索装置１０に入力する。

　修正部１２は、例えば、図１４に示す参照情報に基づき、以下に示す検索クエリから、以下に示す修正後検索クエリを生成することができる。以下の修正では、検索クエリに、２０代：１４％、４０代：１０％、かつ、５０代：６％が、アンド条件で付与されている。
（検索クエリ）「男性：１００％、かつ、３０代：７０％、かつ、赤いズボン着用：１００％」
（修正後検索クエリ）「男性：１００％、かつ、３０代：７０％、かつ、２０代：１４％、かつ、４０代：１０％、かつ、５０代：６％、かつ、赤いズボン着用：１００％」

　例えば、入力された目撃時の環境が昼間であったとする。検索クエリに含まれる３０代を修正対象とする場合、修正部１２は、図１４に示す参照情報において、属性値：３０代、及び目撃時環境条件：昼間に紐付く混同属性値に基づき、修正後検索クエリを生成する。修正後検索クエリの具体的な生成方法は、第２の実施形態と同様である。

　以上説明したように、修正部１２は、設定された目撃時の環境と、図１４に示すような参照情報と、検索クエリで設定された属性値及び確信度とに基づき、修正後検索クエリに含める他の属性値（第２の属性値）及びその確信度を決定する。図１４に示す参照情報は、目撃時の環境が所定の目撃時環境条件を満たす場合に属性値各々と混同している可能性がある他の属性値、及びその可能性を示す。

　第５の実施形態の検索装置１０のその他の構成は、第１乃至第４の実施形態の検索装置１０の構成と同様である。

　第５の実施形態の検索装置１０によれば、第１乃至第４の実施形態の検索装置１０と同様の作用効果が実現される。また、第５の実施形態の検索装置１０によれば、検索クエリで指定されている属性値の修正の仕方を、検索対象を目撃した時の環境に応じて異ならせることができる。

＜第６の実施形態＞
　第６の実施形態の検索装置１０は、修正後検索クエリを生成する処理において、検索クエリで指定されている属性値の修正の仕方を、検索クエリで指定されている他の属性値に応じて異ならせる。

　一例として、検索対象の年齢の修正において、検索クエリで指定された衣服の特徴を利用することができる。例えば、検索クエリにおいて「ミニスカートを着用」が設定されている場合、その特徴に応じて検索対象の人物の年齢がある程度絞り込まれる。また、検索クエリにおいてその属性値の確信度が高く設定されているか否かにおいて、絞り込み方を異ならせることが好ましい。

　このような点を考慮して、第６の実施形態の検索装置１０は、検索クエリで指定されている属性値の修正の仕方を、検索クエリで指定されている他の属性値に応じて異ならせる。以下、詳細に説明する。なお、検索クエリで指定されている「他の属性値」と、各属性値と混同する可能性がある「他の属性値」とを区別するため、以下では、検索クエリで指定されている「他の属性値」を「同時設定属性値」と呼ぶ。

　修正部１２は、図１５に示すような参照情報に基づき、検索クエリから修正後検索クエリを生成することができる。

　図１５に示す参照情報は、検索クエリにおいて、各属性値と一緒に設定された同時設定属性値が所定の同時設定属性値条件を満たす場合、「各属性値と混同している可能性がある他の属性値」、及び「属性値各々と他の属性値各々とを混同している可能性」を示す。「属性」の欄と「属性値」の欄との値により、１つの属性値が特定される。

　「同時設定属性値条件」の欄に、検索クエリで指定された同時設定属性値に関する条件が示される。同時設定属性値条件は、どのような属性値が検索クエリに含まれるか、またどのような属性値がどのような確信度で検索クエリに含まれるか、等の内容で定義される。その他、同時設定属性値条件は、どのような属性値が検索クエリに含まれないか、等の内容で定義されてもよい

　そして、「混同属性値」の欄が、所定の同時設定属性値条件を満たす場合、「属性」及び「属性値」の欄の値で特定された１つの属性値と混同している可能性がある他の属性値を示す。なお、「混同属性値」の欄で示される各属性値に紐付く数値は、混同している可能性を示す。

　図１５に示す参照情報では、検索クエリにおいて「３０代」と設定され、さらに９０％以上の確信度で「ミニスカート着用」と設定された場合、実際は、検索対象の人物は２０代、及び４０代である可能性があることが示されている。さらに、図１５に示す参照情報では検索対象の人物が実際は２０代である可能性（３０％）、及び４０代である可能性（１１％）が示されている。

　また、図１５に示す参照情報では、検索クエリにおいて「３０代」と設定され、９０％以上の確信度で「ミニスカート着用」が設定されていない場合、実際は、検索対象の人物は２０代、４０代、及び５０代である可能性があることが示されている。さらに、図１５に示す参照情報では検索対象の人物が実際は２０代である可能性（２０％）、４０代である可能性（１４％）、及び５０代である可能性（７％）が示されている。

　このような参照情報は、任意の手段で生成できる。例えば、検索装置１０の管理者（製造メーカの担当者）は、複数の被験者に各年代の人物を見てもらい、それらの人物が何才だと思うか回答してもらう。そして、検索装置１０の管理者は、その回答結果を集計する。また、検索装置１０の管理者（製造メーカの担当者）は、無作為に抽出した複数の被験者の属性値の傾向を集計し、傾向を算出する。これにより、各属性値（例：２０代、３０代、４０代等）の人物が所定の属性値（例：ミニスカートを着用）を備える可能性等を算出することができる。検索装置１０の管理者は、上記集計結果を任意の手法で統合して、図１５に示すような参照情報を生成することができる。なお、検索装置１０の管理者は、条件を変えて当該実験を行ってもよい。例えば、詳細を伝えずに複数の被験者に各年代の人物を見てもらい、それから一定時間経過後（例：数日後）に、それらの人物が何才だと思ったかを回答してもらってもよい。参照情報の生成の仕方の他の例として、検索装置１０の管理者は、自身の経験や感覚に基づき、図１５に示すような参照情報を生成してもよい。なお、ここで例示した参照情報の生成の仕方はあくまで一例であり、これらに限定されない。

　ここで、図１５に示す参照情報に基づき検索クエリを修正する処理の具体例を説明する。

　修正部１２は、図１５に示す参照情報を参照し、修正対象の属性値が、いずれの「同時設定属性値条件」を満たすか特定する。そして、修正部１２は、特定した同時設定属性値条件に紐付く混同属性値に基づき、修正後検索クエリを生成する。修正後検索クエリの具体的な生成方法は、第２の実施形態と同様である。

　以上説明したように、修正部１２は、図１５に示すような参照情報に基づき、修正後検索クエリに含める他の属性値（第２の属性値）及びその確信度を決定する。図１５に示す参照情報は、検索クエリで指定された他の属性値が所定の同時設定属性値条件を満たす場合に属性値各々と混同している可能性がある他の属性値、及びその可能性を示す。

　第６の実施形態の検索装置１０のその他の構成は、第１乃至第５の実施形態の検索装置１０の構成と同様である。

　第６の実施形態の検索装置１０によれば、第１乃至第５の実施形態の検索装置１０と同様の作用効果が実現される。また、第６の実施形態の検索装置１０によれば、検索クエリで指定されている属性値の修正の仕方を、検索クエリで指定されている他の属性値に応じて異ならせることができる。

＜第７の実施形態＞
　第７の実施形態の検索装置１０は、検索クエリに設定されている属性値の修正の仕方を、検索対象を目撃したタイミングからの経過時間に応じて異ならせる。

　検索対象を目撃したタイミングからの経過時間に応じて、混同の有無や混同の仕方が異なり得る。一般的に、当該経過時間が大きくなるほど、混同が生じやすくなる。また、当該経過時間が大きくなるほど、混同の範囲が大きくなる。

　このような点を考慮して、第７の実施形態の検索装置１０は、検索クエリに設定されている属性値の修正の仕方を、検索対象を目撃したタイミングからの経過時間に応じて異ならせる。以下、詳細に説明する。

　修正部１２は、検索対象を目撃したタイミングからの経過時間に応じた複数パターンの混同属性値及び混同の可能性を指定した参照情報に基づき、検索クエリを修正し、修正後検索クエリを生成る。修正の仕方は、上述した実施形態と同様である。検索対象を目迎したタイミングからの経過時間は、ユーザが検索装置１０に入力する。

　このような参照情報は、任意の手段で生成できる。例えば、検索装置１０の管理者（製造メーカの担当者）は、複数の被験者に、所定の環境下で各年代の人物を見てもらい、それから所定時間経過後に、その人物が何才だと思うか回答してもらう。この経過時間を、被験者毎に異ならせる。そして、検索装置１０の管理者は、その回答結果を、経過時間毎に分けて集計して、上述のような参照情報を生成することができる。参照情報の生成の仕方の他の例として、検索装置１０の管理者は、自身の経験や感覚に基づき、上述のような参照情報を生成してもよい。なお、ここで例示した参照情報の生成の仕方はあくまで一例であり、これらに限定されない。

　第７の実施形態の検索装置１０のその他の構成は、第１乃至第６の実施形態の検索装置１０の構成と同様である。

　第７の実施形態の検索装置１０によれば、第１乃至第６の実施形態の検索装置１０と同様の作用効果が実現される。また、第７の実施形態の検索装置１０によれば、検索クエリに設定されている属性値の修正の仕方を、検索対象を目撃したタイミングからの経過時間に応じて異ならせることができる。

　このような点を考慮して、検索クエリで設定されている各属性値を適切に修正して修正後検索クエリを生成することで、検索の精度が向上する。

＜第８の実施形態＞
　第８の実施形態の検索装置１０は、第３乃至第７の実施形態で説明した手法の中の複数を組み合わせた手法で、検索クエリから修正後検索クエリを生成する。

　すなわち、第８の実施形態の検索装置１０は、検索クエリで指定されている属性値の修正の仕方を、「検索クエリで指定されている各属性値の確信度」、「検索対象を目撃し、検索クエリに含める属性値を提示した目撃者の属性」、「検索対象を目撃した時の環境」、「検索クエリで指定されている他の属性値」、及び「検索対象を目撃したタイミングからの経過時間」の中の少なくとも２つに応じて異ならせる。

　具体的には、参照情報において、上述のような複数の項目の少なくとも２つを用いて定義された所定条件を満たす場合に、各属性と混同している可能性がある他の属性値、及びその混同の可能性が示される。そして、修正部１２は、当該参照情報を用いて、検索クエリから修正後検索クエリを生成する。

　第８の実施形態の検索装置１０のその他の構成は、第１乃至第７の実施形態の検索装置１０の構成と同様である。第８の実施形態の検索装置１０によれば、第１乃至第７の実施形態の検索装置１０と同様の作用効果が実現される。また、各属性値を他の属性値と混同している可能性を、より細かく場合分けして定義することができる。結果、より適切に検索クエリを修正し、修正後検索クエリを生成することができる。

＜第９の実施形態＞
　第９の実施形態の検索装置１０は、上記実施形態で説明したような混同の傾向を学習した学習モデルを用いて、検索クエリから修正後検索クエリを生成する。

　すなわち、修正部１２は、上記実施形態で説明したような混同の傾向を学習した学習モデルを用いて、検索クエリから修正後検索クエリを生成する。

　例えば、学習モデルは、属性値の入力に応じて、その属性値と混同している可能性がある混同属性値、及びその可能性を出力する。

　その他、学習モデルは、属性値、及びその属性値の確信度の入力に応じて、その属性値と混同している可能性がある混同属性値、及びその可能性を出力してもよい。この学習モデルは、第３の実施形態で説明した混同の傾向を学習したものである。

　その他、学習モデルは、属性値、及び目撃者の属性の入力に応じて、その属性値と混同している可能性がある混同属性値、及びその可能性を出力してもよい。この学習モデルは、第４の実施形態で説明した混同の傾向を学習したものである。

　その他、学習モデルは、属性値、及び目撃時の環境の入力に応じて、その属性値と混同している可能性がある混同属性値、及びその可能性を出力してもよい。この学習モデルは、第５の実施形態で説明した混同の傾向を学習したものである。

　その他、学習モデルは、属性値、及び検索クエリで設定された他の属性値の入力に応じて、その属性値と混同している可能性がある混同属性値、及びその可能性を出力してもよい。この学習モデルは、第６の実施形態で説明した混同の傾向を学習したものである。

　その他、学習モデルは、属性値、及び検索対象を目撃したタイミングからの経過時間の入力に応じて、その属性値と混同している可能性がある混同属性値、及びその可能性を出力してもよい。この学習モデルは、第７の実施形態で説明した混同の傾向を学習したもの

　その他、学習モデルは、「属性値」と、「その属性値の確信度、目撃者の属性、目撃時の環境及び検索クエリで設定された他の属性値、検索対象を目撃したタイミングからの経過時間の中の少なくとも２つ」との入力に応じて、その属性値と混同している可能性がある混同属性値、及びその可能性を出力してもよい。この学習モデルは、第８の実施形態で説明した混同の傾向を学習したものである。

　第９の実施形態の検索装置１０のその他の構成は、第１乃至第８の実施形態の検索装置１０の構成と同様である。第９の実施形態の検索装置１０によれば、第１乃至第８の実施形態の検索装置１０と同様の作用効果が実現される。

＜変形例＞
　以下、上述した全ての実施形態に適用可能な変形例を説明する。当該変形例においても、上述した実施形態と同様の作用効果が実現される。

「変形例１」
（検索クエリ）「３０代：２０％、かつ、４０代：７０％」

　上記例のように、検索クエリにおいて、１つの属性に対応して複数の属性値が設定される場合がある。上記例では、年齢に対応して、３０代及び４０代の２つの属性値が設定されている。

　このような場合、修正部１２は、その複数の属性値に基づき、修正後検索クエリを生成する。具体的には、修正部１２は、その複数の属性値に基づき、修正後検索クエリに含める「その属性に対応する属性値」、及び「その確信度」を決定する。上記例の場合、修正部１２は、３０代及び４０代の２つの属性値に基づき、修正後検索クエリに含める年齢の属性値、及びその確信度を決定する。

　修正の手法は様々である。以下、上記例の検索クエリを、図３の参照情報に基づき修正する場合を例に説明する。

－例１－
　一例として、修正部１２は、検索クエリに設定されている複数の属性値各々と混同している可能性がある他の属性値の全てを、修正後検索クエリに含めてもよい。

　図３の参照情報では、３０代と混同している可能性がある他の属性として、２０代、４０代、及び５０代が示されている。

　また、図３の参照情報では、４０代と混同している可能性がある他の属性として、３０代、及び５０代が示されている。

　当該例の場合、修正部１２は、３０代と混同している可能性がある２０代、４０代、及び５０代と、４０代と混同している可能性がある３０代、及び５０代の全てと、元々検索クエリに含まれている３０代及び４０代を、修正後検索クエリに含める。

　確信度の設定の仕方は様々である。例えば、修正部１２は、検索クエリで設定されている各属性値の確信度、及び参照情報で示される各属性値の今度の可能性の統計値を、修正後検索クエリで設定する各属性値の確信度としてもよい。統計値は、平均値、加重平均値、最大値、最小値、最頻値、中央値等である。

　図３の参照情報では、３０代を５０代と混同している可能性として７％が示されている。また、図３の参照情報では、４０代を５０代と混同している可能性として２１％が示されている。そこで、修正部１２は、７％及び２１％の統計値を、修正後検索クエリにおける５０代の確信度として設定する。加重平均値を採用する場合の重みは、検査クエリにおいて設定されている各属性値の確信度を採用することができる。すなわち、７％の重みは、検索クエリにおいて設定されている３０代の確信度（２０％）である。そして、２１％の重みは、検索クエリにおいて設定されている４０代の確信度（７０％）である。

－例２－
　他の例として、修正部１２は、検索クエリに設定されている同一属性の複数の属性値の中の確信度が最も高い属性値と混同している可能性がある他の属性値を、修正後検索クエリに含めてもよい。

　上記例の検索クエリにおいて、確信度が最も高い属性値は４０代である。当該例の場合、修正部１２は、４０代と混同している可能性がある３０代、及び５０代と、元々検索クエリに含まれている３０代及び４０代を、修正後検索クエリに含める。確信度の設定の仕方は、上記例１と同様である。

－例３－
　他の例として、修正部１２は、検索クエリに設定されている複数の属性値の全てと混同している可能性がある他の属性値を、修正後検索クエリに含めてもよい。

　上記例の検索クエリにおいて、設定されている複数の属性値の全てと混同している可能性がある他の属性値は５０代である。当該例の場合、修正部１２は、５０代と、元々検索クエリに含まれている３０代及び４０代を、修正後検索クエリに含める。確信度の設定の仕方は、上記例１と同様である。

「変形例２」
　予め、修正部１２による修正の対象とする属性と、修正部１２による修正の対象としない属性とが定義されていてもよい。そして、修正部１２は、修正の対象と定義されている属性の属性値のみを修正の対象とし、修正の対象と定義されていない属性の属性値を修正の対象としなくてもよい。

　例えば、性別等のように、混同している可能性が低い属性は、修正の対象外とすることができる。そして、年齢等のように、混同している可能性が高い属性は、修正の対象とすることができる。

「変形例３」
　入力受付部１１は、検索クエリに加えて、検索の目的を指定する入力をさらに受付ける。そして、推薦部１４は、指定された検索の目的に紐付けられた属性又は属性値を、検索クエリで指定することを推薦する属性又は属性値として決定する。

　検索の目的は、例えば迷子検索、犯人検索、落し物検索等である。なお、検索の目的は、その他の目的を含んでもよいし、ここで例示した目的がさらに細分化されてもよい。予め、選択可能な検索の目的が定義されていてもよい。そして、ユーザは、その選択肢の中から１つを指定してもよい。

　当該変形例では、予め、各検索の目的に、少なくとも１つの属性又は属性値を紐付けた情報が、検索装置１０に登録されている。推薦部１４は、当該情報に基づき、指定された検索の目的に紐付けられた属性又は属性値を特定する。

　検索の目的に応じて、着目すべき属性や属性値が異なり得る。例えば、検索の目的が、ひったくり犯の検索である場合、所持物への着目が有効となる。ひったくられた物の特徴を指定した物品の所持を検索クエリに含めることで、検索対象を検索できる確率が上がることが期待される。

「変形例４」
　検索部１３は、設定された検索クエリにマッチングする人物を含む画像を検索する。そして、入力受付部１１は、検索クエリに加えて、その人物が目撃された場所及び時間帯の少なくとも一方を指定する入力をさらに受付ける。

　推薦部１４は、指定された場所及び時間帯の少なくとも一方に紐付けられた属性又は属性値を、検索クエリで指定することを推薦する属性又は属性値として決定する。

　当該変形例では、予め、目撃された場所毎に、また目撃された時間帯毎に、少なくとも１つの属性又は属性値を紐付けた情報が、検索装置１０に登録されている。推薦部１４は、当該情報に基づき、指定された場所及び時間帯の少なくとも一方に紐付けられた属性又は属性値を特定する。

　目撃された場所や時間帯に応じて、着目すべき属性や属性値が異なり得る。例えば、目撃された時間帯が夜間である場合、目撃者は、検索対象の人物の細かい特徴を認識していない可能性が高い。このため、このような場合には、靴の特徴等、細かい部分の属性や属性値を検索クエリに含めず、体格や性別等、比較的認識し易い属性やその属性値を検索クエリに含めることが好ましい。このようにあいまいな情報が検索クエリに含まれることを回避することで、検索対象を高精度に検索できる。一方で、目撃された時間帯が昼間である場合、目撃者は、検索対象の人物の細かい特徴を認識している可能性がある。このため、このような場合は、靴の特徴等、細かい部分の属性や属性値を検索クエリに含めることが好ましい。このようにすることで、検索対象を高精度に検索できる。

　また、目撃された場所が人混み等の場合、目撃者は、検索対象の人物の細かい特徴を認識していない可能性が高い。このため、このような場合には、靴の特徴等、細かい部分の属性や属性値を検索クエリに含めず、体格や性別等、比較的認識し易い属性やその属性値を検索クエリに含めることが好ましい。このようにあいまいな情報が検索クエリに含まれることを回避することで、検索対象を高精度に検索できる。一方で、目撃された場所が人の少ない場所である場合、目撃者は、検索対象の人物の細かい特徴を認識している可能性がある。このため、このような場合は、靴の特徴等、細かい部分の属性や属性値を検索クエリに含めることが好ましい。このようにすることで、検索対象を高精度に検索できる。

「変形例５」
　推薦部１４は、検索クエリで指定されている属性値の中から、削除することを推薦する属性値を決定し、出力してもよい。例えば、推薦部１４は、検索クエリで指定されている属性値の中から、検索クエリで指定されている所定の属性値と組み合わせた場合の絞り込み能力が基準レベルよりも低い属性値を特定してもよい。当該特定は、例えば第２の実施形態で説明した学習モデルを用いて実現される。そして、推薦部１４は、特定したその属性値を、削除することを推薦する属性値として決定し、出力してもよい。

「変形例６」
　上記実施形態では、検索装置１０は、属性値と確信度を指定した検索クエリに基づき検索を行った。変形例として、検索装置１０は、確信度を用いず、属性値に基づき検索を行ってもよい。属性値に基づく検索は、周知のあらゆる技術を用いて実現できる。

「変形例７」
　検索部１３は、入力受付部１１が受付けた検索クエリ（ユーザが設定した検索クエリ）に基づく検索（以下、「第１の検索」）と、修正部１２が生成した修正後検索クエリに基づく検索（以下、「第２の検索」）の両方を実行してもよい。そして、検索装置１０は、第１の検索の結果及び第２の検索の結果をユーザに向けて出力し、検索クエリの修正を実行してよいかユーザに問い合わせる情報を出力してもよい。そして、検索装置１０は、検索クエリの修正を実行してよい旨のユーザ入力に応じて、検索クエリの修正を実行してもよい。

　この場合、入力受付部１１が受付けた検索クエリが、検索画面の検索クエリの欄に表示される。そして、検索クエリの欄にその検索クエリが表示されている状態で、第１の検索の結果及び第２の検索の結果が検索画面に表示される。そして、検索クエリの修正を実行してよい旨のユーザ入力に応じて、検索クエリの欄の内容が、入力受付部１１が受付けた検索クエリから修正部１２が生成した修正後検索クエリに変更される。

　なお、検索装置１０は、第１の検索の結果及び第２の検索の結果をユーザに向けて出力する際に、両方の結果の上位所定数のみを、ユーザに向けて出力してもよい。また、検索装置１０は、第１の検索の結果及び第２の検索の結果をユーザに向けて出力する際に、両方の結果の差異部分を強調表示してもよい。

　以上、図面を参照して本発明の実施形態について述べたが、これらは本発明の例示であり、上記以外の様々な構成を採用することもできる。上述した実施形態の構成は、互いに組み合わせたり、一部の構成を他の構成に入れ替えたりしてもよい。また、上述した実施形態の構成は、趣旨を逸脱しない範囲内において種々の変更を加えてもよい。また、上述した各実施形態や変形例に開示される構成や処理を互いに組み合わせてもよい。

　また、上述の説明で用いた複数のフローチャートでは、複数の工程（処理）が順番に記載されている。しかし、各実施の形態で実行される工程の実行順序は、その記載の順番に制限されない。各実施の形態では、図示される工程の順番を内容的に支障のない範囲で変更することができる。また、上述の各実施の形態は、内容が相反しない範囲で組み合わせることができる。

　上記の実施の形態の一部又は全部は、以下の付記のようにも記載されうるが、以下に限られない。
１．　少なくとも１つの属性に対して属性値と前記属性値の確信度とを指定した検索クエリを受付ける入力受付手段と、
　前記属性値各々と混同する可能性がある他の前記属性値を示す参照情報と、前記検索クエリで指定された前記属性値及び前記確信度とに基づき前記検索クエリを修正し、修正後検索クエリを生成する修正手段と、
　データベースに登録されている登録情報の中から、前記修正後検索クエリにマッチングする前記登録情報を検索する検索手段と、
　前記修正後検索クエリ及び前記参照情報の少なくとも１つに基づき、前記検索クエリで指定することを推薦する前記属性又は前記属性値を決定し、出力する推薦手段と、
を有する検索装置。
２．　前記参照情報は、前記属性値各々と他の前記属性値とを混同する可能性を示し、
　前記推薦手段は、
　　前記属性値毎に算出された、前記検索クエリに新たに指定して行う前記検索でマッチングする前記登録情報の数の絞り込み能力と、前記属性値各々の前記可能性とに基づき、前記検索クエリで指定することを推薦する前記属性値を決定する１に記載の検索装置。
３．　前記推薦手段は、
　　前記属性値各々の前記可能性と前記絞り込み能力とに基づき、前記属性値毎に統合スコアを算出し、
　　前記可能性及び前記絞り込み能力が高いほど、高い前記統合スコアを算出し、
　　前記統合スコアが基準値以上の前記属性値、前記統合スコアが高い方から所定数以内に含まれる前記属性値、又は前記統合スコアが高い方から所定割合以内に含まれる前記属性値を、前記検索クエリで指定することを推薦する前記属性値として決定する２に記載の検索装置。
４．　前記推薦手段は、
　　前記属性値各々の前記可能性と前記絞り込み能力とに基づき、前記属性値毎に統合スコアを算出し、
　　前記可能性及び前記絞り込み能力が高いほど、低い前記統合スコアを算出し、
　　前記統合スコアが基準値以下の前記属性値、前記統合スコアが低い方から所定数以内に含まれる前記属性値、又は前記統合スコアが低い方から所定割合以内に含まれる前記属性値を、前記検索クエリで指定することを推薦する前記属性値として決定する２又は３に記載の検索装置。
５．　前記推薦手段は、
　　所定の前記検索クエリに所定の前記属性値を新たに指定した場合における前記検索でマッチングする前記登録情報の数の変化を示す学習データに基づき生成され、前記検索クエリを入力とし、前記属性値各々の前記絞り込み能力を示すスコアを出力とする学習モデルに基づき、前記属性値各々の前記絞り込み能力を算出する２から４のいずれかに記載の検索装置。
６．　前記推薦手段は、
　　前記検索クエリで指定することを推薦する前記属性又は前記属性値として、前記修正後検索クエリに含まれない前記属性又は前記属性値を決定する１から５のいずれかに記載の検索装置。
７．　前記修正手段は、
　　前記検索クエリが第１の属性の第１の属性値を含む場合、前記第１の属性の前記第１の属性値と、前記第１の属性の第２の属性値とを含む前記修正後検索クエリを生成し、
　前記第１の属性値と前記第２の属性値は互いに異なる１から６のいずれかに記載の検索装置。
８．　前記修正手段は、
　　前記属性値各々と混同している可能性がある他の前記属性値を示す参照情報において前記第１の属性値と混同している可能性があることを示されている前記属性値を前記第２の属性値として含む前記修正後検索クエリを生成する７に記載の検索装置。
９．　１つ以上のコンピュータが、
　　少なくとも１つの属性に対して属性値と前記属性値の確信度とを指定した検索クエリを受付け、
　　前記属性値各々と混同する可能性がある他の前記属性値を示す参照情報と、前記検索クエリで指定された前記属性値及び前記確信度とに基づき前記検索クエリを修正し、修正後検索クエリを生成し、
　　データベースに登録されている登録情報の中から、前記修正後検索クエリにマッチングする前記登録情報を検索し、
　　前記修正後検索クエリ及び前記参照情報の少なくとも１つに基づき、前記検索クエリで指定することを推薦する前記属性又は前記属性値を決定し、出力する検索方法。
１０．　コンピュータを、
　　少なくとも１つの属性に対して属性値と前記属性値の確信度とを指定した検索クエリを受付ける入力受付手段、
　　前記属性値各々と混同する可能性がある他の前記属性値を示す参照情報と、前記検索クエリで指定された前記属性値及び前記確信度とに基づき前記検索クエリを修正し、修正後検索クエリを生成する修正手段、
　　データベースに登録されている登録情報の中から、前記修正後検索クエリにマッチングする前記登録情報を検索する検索手段、
　　前記修正後検索クエリ及び前記参照情報の少なくとも１つに基づき、前記検索クエリで指定することを推薦する前記属性又は前記属性値を決定し、出力する推薦手段、
として機能させるプログラム。

　この出願は、２０２２年１２月２１日に出願された日本出願特願２０２２－２０４３６９号を基礎とする優先権を主張し、その開示の全てをここに取り込む。

　１０　　検索装置
　１１　　入力受付部
　１２　　修正部
　１３　　検索部
　１４　　推薦部
　１Ａ　　プロセッサ
　２Ａ　　メモリ
　３Ａ　　入出力Ｉ／Ｆ
　４Ａ　　周辺回路
　５Ａ　　バス

Claims

　少なくとも１つの属性に対して属性値と前記属性値の確信度とを指定した検索クエリを受付ける入力受付手段と、
　前記属性値各々と混同する可能性がある他の前記属性値を示す参照情報と、前記検索クエリで指定された前記属性値及び前記確信度とに基づき前記検索クエリを修正し、修正後検索クエリを生成する修正手段と、
　データベースに登録されている登録情報の中から、前記修正後検索クエリにマッチングする前記登録情報を検索する検索手段と、
　前記修正後検索クエリ及び前記参照情報の少なくとも１つに基づき、前記検索クエリで指定することを推薦する前記属性又は前記属性値を決定し、出力する推薦手段と、
を有する検索装置。
　前記参照情報は、前記属性値各々と他の前記属性値とを混同する可能性を示し、
　前記推薦手段は、
　　前記属性値毎に算出された、前記検索クエリに新たに指定して行う前記検索でマッチングする前記登録情報の数の絞り込み能力と、前記属性値各々の前記可能性とに基づき、前記検索クエリで指定することを推薦する前記属性値を決定する請求項１に記載の検索装置。
　前記推薦手段は、
　　前記属性値各々の前記可能性と前記絞り込み能力とに基づき、前記属性値毎に統合スコアを算出し、
　　前記可能性及び前記絞り込み能力が高いほど、高い前記統合スコアを算出し、
　　前記統合スコアが基準値以上の前記属性値、前記統合スコアが高い方から所定数以内に含まれる前記属性値、又は前記統合スコアが高い方から所定割合以内に含まれる前記属性値を、前記検索クエリで指定することを推薦する前記属性値として決定する請求項２に記載の検索装置。
　前記推薦手段は、
　　前記属性値各々の前記可能性と前記絞り込み能力とに基づき、前記属性値毎に統合スコアを算出し、
　　前記可能性及び前記絞り込み能力が高いほど、低い前記統合スコアを算出し、
　　前記統合スコアが基準値以下の前記属性値、前記統合スコアが低い方から所定数以内に含まれる前記属性値、又は前記統合スコアが低い方から所定割合以内に含まれる前記属性値を、前記検索クエリで指定することを推薦する前記属性値として決定する請求項２又は３に記載の検索装置。
　前記推薦手段は、
　　所定の前記検索クエリに所定の前記属性値を新たに指定した場合における前記検索でマッチングする前記登録情報の数の変化を示す学習データに基づき生成され、前記検索クエリを入力とし、前記属性値各々の前記絞り込み能力を示すスコアを出力とする学習モデルに基づき、前記属性値各々の前記絞り込み能力を算出する請求項２から４のいずれか１項に記載の検索装置。
　前記推薦手段は、
　　前記検索クエリで指定することを推薦する前記属性又は前記属性値として、前記修正後検索クエリに含まれない前記属性又は前記属性値を決定する請求項１から５のいずれか１項に記載の検索装置。
　前記修正手段は、
　　前記検索クエリが第１の属性の第１の属性値を含む場合、前記第１の属性の前記第１の属性値と、前記第１の属性の第２の属性値とを含む前記修正後検索クエリを生成し、
　前記第１の属性値と前記第２の属性値は互いに異なる請求項１から６のいずれか１項に記載の検索装置。
　前記修正手段は、
　　前記属性値各々と混同している可能性がある他の前記属性値を示す参照情報において前記第１の属性値と混同している可能性があることを示されている前記属性値を前記第２の属性値として含む前記修正後検索クエリを生成する請求項７に記載の検索装置。
　１つ以上のコンピュータが、
　　少なくとも１つの属性に対して属性値と前記属性値の確信度とを指定した検索クエリを受付け、
　　前記属性値各々と混同する可能性がある他の前記属性値を示す参照情報と、前記検索クエリで指定された前記属性値及び前記確信度とに基づき前記検索クエリを修正し、修正後検索クエリを生成し、
　　データベースに登録されている登録情報の中から、前記修正後検索クエリにマッチングする前記登録情報を検索し、
　　前記修正後検索クエリ及び前記参照情報の少なくとも１つに基づき、前記検索クエリで指定することを推薦する前記属性又は前記属性値を決定し、出力する検索方法。
　前記参照情報は、前記属性値各々と他の前記属性値とを混同する可能性を示し、
　前記１つ以上のコンピュータは、
　　前記属性値毎に算出された、前記検索クエリに新たに指定して行う前記検索でマッチングする前記登録情報の数の絞り込み能力と、前記属性値各々の前記可能性とに基づき、前記検索クエリで指定することを推薦する前記属性値を決定する請求項９に記載の検索方法。
　前記１つ以上のコンピュータは、
　　前記属性値各々の前記可能性と前記絞り込み能力とに基づき、前記属性値毎に統合スコアを算出し、
　　前記可能性及び前記絞り込み能力が高いほど、高い前記統合スコアを算出し、
　　前記統合スコアが基準値以上の前記属性値、前記統合スコアが高い方から所定数以内に含まれる前記属性値、又は前記統合スコアが高い方から所定割合以内に含まれる前記属性値を、前記検索クエリで指定することを推薦する前記属性値として決定する請求項１０に記載の検索方法。
　前記１つ以上のコンピュータは、
　　前記属性値各々の前記可能性と前記絞り込み能力とに基づき、前記属性値毎に統合スコアを算出し、
　　前記可能性及び前記絞り込み能力が高いほど、低い前記統合スコアを算出し、
　　前記統合スコアが基準値以下の前記属性値、前記統合スコアが低い方から所定数以内に含まれる前記属性値、又は前記統合スコアが低い方から所定割合以内に含まれる前記属性値を、前記検索クエリで指定することを推薦する前記属性値として決定する請求項１０又は１１に記載の検索方法。
　前記１つ以上のコンピュータは、
　　所定の前記検索クエリに所定の前記属性値を新たに指定した場合における前記検索でマッチングする前記登録情報の数の変化を示す学習データに基づき生成され、前記検索クエリを入力とし、前記属性値各々の前記絞り込み能力を示すスコアを出力とする学習モデルに基づき、前記属性値各々の前記絞り込み能力を算出する請求項１０から１２のいずれか１項に記載の検索方法。
　前記１つ以上のコンピュータは、
　　前記検索クエリで指定することを推薦する前記属性又は前記属性値として、前記修正後検索クエリに含まれない前記属性又は前記属性値を決定する請求項９から１３のいずれか１項に記載の検索方法。
　コンピュータを、
　　少なくとも１つの属性に対して属性値と前記属性値の確信度とを指定した検索クエリを受付ける入力受付手段、
　　前記属性値各々と混同する可能性がある他の前記属性値を示す参照情報と、前記検索クエリで指定された前記属性値及び前記確信度とに基づき前記検索クエリを修正し、修正後検索クエリを生成する修正手段、
　　データベースに登録されている登録情報の中から、前記修正後検索クエリにマッチングする前記登録情報を検索する検索手段、
　　前記修正後検索クエリ及び前記参照情報の少なくとも１つに基づき、前記検索クエリで指定することを推薦する前記属性又は前記属性値を決定し、出力する推薦手段、
として機能させるプログラムを記憶する記録媒体。
　前記参照情報は、前記属性値各々と他の前記属性値とを混同する可能性を示し、
　前記推薦手段は、
　　前記属性値毎に算出された、前記検索クエリに新たに指定して行う前記検索でマッチングする前記登録情報の数の絞り込み能力と、前記属性値各々の前記可能性とに基づき、前記検索クエリで指定することを推薦する前記属性値を決定する請求項１５に記載の記録媒体。
　前記推薦手段は、
　　前記属性値各々の前記可能性と前記絞り込み能力とに基づき、前記属性値毎に統合スコアを算出し、
　　前記可能性及び前記絞り込み能力が高いほど、高い前記統合スコアを算出し、
　　前記統合スコアが基準値以上の前記属性値、前記統合スコアが高い方から所定数以内に含まれる前記属性値、又は前記統合スコアが高い方から所定割合以内に含まれる前記属性値を、前記検索クエリで指定することを推薦する前記属性値として決定する請求項１６に記載の記録媒体。
　前記推薦手段は、
　　前記属性値各々の前記可能性と前記絞り込み能力とに基づき、前記属性値毎に統合スコアを算出し、
　　前記可能性及び前記絞り込み能力が高いほど、低い前記統合スコアを算出し、
　　前記統合スコアが基準値以下の前記属性値、前記統合スコアが低い方から所定数以内に含まれる前記属性値、又は前記統合スコアが低い方から所定割合以内に含まれる前記属性値を、前記検索クエリで指定することを推薦する前記属性値として決定する請求項１６又は１７に記載の記録媒体。
　前記推薦手段は、
　　所定の前記検索クエリに所定の前記属性値を新たに指定した場合における前記検索でマッチングする前記登録情報の数の変化を示す学習データに基づき生成され、前記検索クエリを入力とし、前記属性値各々の前記絞り込み能力を示すスコアを出力とする学習モデルに基づき、前記属性値各々の前記絞り込み能力を算出する請求項１６から１８のいずれか１項に記載の記録媒体。
　前記推薦手段は、
　　前記検索クエリで指定することを推薦する前記属性又は前記属性値として、前記修正後検索クエリに含まれない前記属性又は前記属性値を決定する請求項１５から１９のいずれか１項に記載の記録媒体。