特許 6902764 メタデータ抽出プログラム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B1)

(11)【特許番号】6902764

(24)【登録日】2021年6月24日

(45)【発行日】2021年7月14日

(54)【発明の名称】メタデータ抽出プログラム

(51)【国際特許分類】

   G06F 16/58 20190101AFI20210701BHJP

   G06F 16/90 20190101ALI20210701BHJP

【ＦＩ】

   G06F16/58

   G06F16/90 100

【請求項の数】4

【全頁数】28

(21)【出願番号】特願2020-207695(P2020-207695)

(22)【出願日】2020年12月15日

【審査請求日】2020年12月15日

【早期審査対象出願】

(73)【特許権者】

【識別番号】399073034

【氏名又は名称】ソプラ株式会社

(74)【代理人】

【識別番号】100120868

【弁理士】

【氏名又は名称】安彦 元

(72)【発明者】

【氏名】白川 基光

【審査官】 甲斐 哲雄

(56)【参考文献】

【文献】 特開２０００−３５３１７３（ＪＰ，Ａ）

【文献】 特開２０１０−０６８４３４（ＪＰ，Ａ）

【文献】 米国特許出願公開第２００４／０１３０６３６（ＵＳ，Ａ１）

【文献】 Joe Mayo、大澤 文孝、清水 美樹，プログラミング Ｂｏｔ Ｆｒａｍｅｗｏｒｋ，日本，日経ＢＰ社，２０１８年１０月２９日，第1版，pp.215〜223

(58)【調査した分野】（Int.Cl.，ＤＢ名）

Ｇ０６Ｆ １６／００−１６／９５８

(57)【特許請求の範囲】

【請求項1】

情報媒体の画像に含まれる情報からメタデータを抽出するメタデータ抽出プログラムにおいて、
上記情報媒体の画像から特徴を抽出した特徴マップを生成する特徴マップ生成ステップと、
特徴マップと要素毎の特徴ラベルとが互いに関連付けられた１以上の個別推論モデルを参照し、上記特徴マップ生成ステップにおいて生成された特徴マップから上記要素毎の特徴ラベルをメタデータとして抽出する推論ステップとを有し、
上記推論ステップでは、上記個別推論モデルにおいて関連付けられる特徴ラベルから連想可能な連想単語が互いに紐付けられた連想モデルセットを参照し、上記抽出した特徴ラベルから連想単語を導出し、
上記推論ステップにおいて抽出した特徴ラベル並びに導出した連想単語からなるエンティティが、上記画像に対して１対１又は１対複数で紐付けられたエンティティテーブルを生成するエンティティテーブル生成ステップと、
処理動作を特定するための各インテントに対して、会話文情報並びに当該会話文情報に対応付いている１以上の上記各エンティティに関するエンティティ情報が紐付けられたコーパステーブルを生成するコーパステーブル生成ステップと、
会話文を受け付ける会話文受付ステップと、
上記会話文受付ステップにおいて受け付けた会話文に対応する、処理動作を特定するためのインテントを決定するインテント決定ステップと、
上記インテント決定ステップにおいて決定されたインテントに基づいて、上記コーパステーブル生成ステップにおいて生成したコーパステーブルを参照することにより、上記会話文受付ステップにおいて受け付けた１以上の会話文に含まれる１以上のエンティティを抽出するエンティティ抽出ステップと、
上記エンティティテーブル生成ステップにおいて生成したエンティティテーブルを参照し、上記エンティティ抽出ステップにおいて抽出した１以上のエンティティに紐付けられた画像を特定する画像特定ステップとをコンピュータに実行させること
を特徴とするメタデータ抽出プログラム。

【請求項2】

会話文を受け付ける会話文受付ステップと、
上記会話文受付ステップにおいて受け付けた会話文に対応する、処理動作を特定するためのインテントを決定するインテント決定ステップと、
上記インテント決定ステップにおいて決定されたインテントに基づいて、予め取得されたコーパステーブルを参照することにより、上記会話文受付ステップにおいて受け付けた１以上の会話文に含まれる１以上のエンティティを抽出するエンティティ抽出ステップと、
予め取得されたエンティティテーブルを参照し、上記エンティティ抽出ステップにおいて抽出した１以上のエンティティに紐付けられた画像を特定する画像特定ステップとをコンピュータに実行させ、
上記画像特定ステップは、画像から特徴を抽出した特徴マップと要素毎の特徴ラベルとが互いに関連付けられた１以上の個別推論モデルを参照し、情報媒体の画像から特徴を抽出した特徴マップから抽出した上記要素毎の特徴ラベル、並びに上記個別推論モデルにおいて関連付けられる特徴ラベルから連想可能な連想単語が互いに紐付けられた連想モデルセットを参照し、上記抽出した特徴ラベルから導出した連想単語からなるエンティティが、上記画像に対して１対１又は１対複数で紐付けられるエンティティテーブルを参照し、
上記エンティティ抽出ステップは、各インテントに対して、会話文情報並びに当該会話文情報に対応付いている１以上の上記各エンティティに関するエンティティ情報が紐付けられるコーパステーブルを参照すること
を特徴とする画像特定プログラム。

【請求項3】

情報媒体の画像に含まれる情報からメタデータを抽出するメタデータ抽出システムにおいて、
上記情報媒体の画像から特徴を抽出した特徴マップを生成する特徴マップ生成手段と、
特徴マップと要素毎の特徴ラベルとが互いに関連付けられた１以上の個別推論モデルを参照し、上記特徴マップ生成手段において生成された特徴マップから上記要素毎の特徴ラベルをメタデータとして抽出する推論手段を備え、
上記推論手段では、上記個別推論モデルにおいて関連付けられる特徴ラベルから連想可能な連想単語が互いに紐付けられた連想モデルセットを参照し、上記抽出した特徴ラベルから連想単語を導出し、
上記推論手段において抽出した特徴ラベル並びに導出した連想単語からなるエンティティが、上記画像に対して１対１又は１対複数で紐付けられたエンティティテーブルを生成するエンティティテーブル生成手段と、
処理動作を特定するための各インテントに対して、会話文情報並びに当該会話文情報に対応付いている１以上の上記各エンティティに関するエンティティ情報が紐付けられたコーパステーブルを生成するコーパステーブル生成手段と、
会話文を受け付ける会話文受付手段と、
上記会話文受付手段において受け付けた会話文に対応する、処理動作を特定するためのインテントを決定するインテント決定手段と、
上記インテント決定手段において決定されたインテントに基づいて、上記コーパステーブル生成手段において生成したコーパステーブルを参照することにより、上記会話文受付手段において受け付けた１以上の会話文に含まれる１以上のエンティティを抽出するエンティティ抽出手段と、
上記エンティティテーブル生成手段において生成したエンティティテーブルを参照し、上記エンティティ抽出手段において抽出した１以上のエンティティに紐付けられた画像を特定する画像特定手段とをさらに備えること
を特徴とするメタデータ抽出システム。

【請求項4】

会話文を受け付ける会話文受付手段と、
上記会話文受付手段において受け付けた会話文に対応する、処理動作を特定するためのインテントを決定するインテント決定手段と、
上記インテント決定手段において決定されたインテントに基づいて、予め取得されたコーパステーブルを参照することにより、上記会話文受付手段において受け付けた１以上の会話文に含まれる１以上のエンティティを抽出するエンティティ抽出手段と、
予め取得されたエンティティテーブルを参照し、上記エンティティ抽出手段において抽出した１以上のエンティティに紐付けられた画像を特定する画像特定手段とを備え、
上記画像特定手段は、画像から特徴を抽出した特徴マップと要素毎の特徴ラベルとが互いに関連付けられた１以上の個別推論モデルを参照し、情報媒体の画像から特徴を抽出した特徴マップから抽出した上記要素毎の特徴ラベル、並びに上記個別推論モデルにおいて関連付けられる特徴ラベルから連想可能な連想単語が互いに紐付けられた連想モデルセットを参照し、上記抽出した特徴ラベルから導出した連想単語からなるエンティティが、上記画像に対して１対１又は１対複数で紐付けられるエンティティテーブルを参照し、
上記エンティティ抽出手段は、各インテントに対して、会話文情報並びに当該会話文情報に対応付いている１以上の上記各エンティティに関するエンティティ情報が紐付けられるコーパステーブルを参照すること
を特徴とする画像特定システム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、情報媒体の画像に含まれる情報からメタデータを抽出し、更には受け付けた会話文に対応する適切な画像を特定する上で好適なメタデータ抽出プログラムに関する。

【背景技術】

【0002】

近年において、パンフレット、カタログ、会社案内や広告、更には各種文書や説明資料等を始めとする情報媒体は何れも画像データ化された上で提供、共有され、更には保存されるようになっている。今後のペーパーレス化に伴い、このような情報媒体の画像が急増することになればその管理は煩雑になり、また利用者が実際に求める情報媒体の画像を探す上でも多大な労力を要することになる。

【0003】

このような問題を解決するために、各情報媒体の画像毎にメタデータを関連付けることが行われる。ここでいうメタデータとは、情報媒体の画像に対して、決められた属性についてその属性値を書き表したものである。例えば温泉旅館のパンフレットの画像であれば、その画像中に表示されている旅館名や宿泊料金、旅館の住所や連絡先、チェックインからチェックアウトの時間等、文字から読み取れる文字情報に加え、その露天風呂の写真の内容（つまりその写真の内容が「露天風呂」であることを示す情報）、露天風呂の写真から出ている湯気から醸し出される心地よさや温かさ、更には露天風呂の周囲の風景との調和から醸し出される色彩や美しさ、更には食事の写真から抽出できる料理のメニュー等、写真から得られる付帯情報が存在する。これらの付帯情報をテキスト化したものが、情報媒体としての温泉のパンフレットの画像に関連付けられるメタデータとなる。

【0004】

特にデータ管理を行う上で各情報媒体の画像にメタデータを付すことにより、様々なメリットを享受できる。例えばメタデータを画像に関連付けることにより、情報媒体に関する付帯情報が補填されることから、全体的なデータの品質を向上させることができる。またこのようなメタデータを画像に関連付けることにより、データの分析や検索・抽出を容易に行うことができる。特にメタデータのキーワードを介して検索を行うことにより、これらに紐付けられた情報媒体を容易に閲覧することができ、利便性が非常に高くなる。

【先行技術文献】

【特許文献】

【0005】

【特許文献1】特開２０１７−６８８５９号公報

【発明の概要】

【発明が解決しようとする課題】

【0006】

ところで、このような各情報媒体の画像にメタデータを関連付ける作業は非常に煩雑な作業になる。例えば、画像内にある文字情報はそのまま周知のＯＣＲ等の技術を利用することでこれを容易にメタデータ化することができるが、写真についてはこれを即座にメタデータ化することは難しい。特に写真に写し出されている内容物や色彩、更にはその写真から醸し出される雰囲気や感覚をメタデータ化するためには、人間の視覚による判別をするステップを経て手入力でテキストを入力せざるを得ない。特にビジネスにおいて有用性が高いメタデータは人間による定義付けが必要となる場合が多いため、手間がかかるものとなる。

【0007】

これに加えて、画像化された情報媒体の種類は多岐に亘るため、これら情報媒体の画像の事後的な検索を行う上で利便性がより高くなるようなメタデータを生成し、関連付けておく必要がある。特に口語調の会話文で「ラインナップＡの画像ある？」という文言が音声により取得された場合に、受け付けた会話文に対応する適切な情報媒体の画像を即座に抽出するためには、その画像に対応するメタデータを関連付けする必要がある。

【0008】

従来において、画像からメタデータを生成する手法は提案されているものの（例えば、特許文献１参照。）、特に人間の視覚による判別に頼わざるを得ないメタデータの生成には言及がなく、また受け付けた会話文に対して情報媒体の画像の事後的な検索を行う上で利便性がより高くなるようなメタデータを生成や関連付けを行う点については特段の言及がない。

【0009】

そこで、本発明は、上述した問題点に鑑みて案出されたものであり、その目的とするところは、画像に含まれる情報からメタデータを抽出するメタデータ抽出プログラムにおいて、特に人間の視覚による判別に頼わざるを得ないような情報媒体の画像からもメタデータを抽出でき、しかも事後的な検索を行う上で利便性がより高くなるようなメタデータを生成や関連付けを行うことが可能なメタデータ抽出プログラム及びシステムを提供することにある。

【課題を解決するための手段】

【0010】

本発明に係るメタデータ抽出システムは、情報媒体の画像に含まれる情報からメタデータを抽出するメタデータ抽出プログラムにおいて、上記情報媒体の画像から特徴を抽出した特徴マップを生成する特徴マップ生成ステップと、特徴マップと要素毎の特徴ラベルとが互いに関連付けられた１以上の個別推論モデルを参照し、上記特徴マップ生成ステップにおいて生成された特徴マップから上記要素毎の特徴ラベルをメタデータとして抽出する推論ステップとをコンピュータに実行させることを特徴とする。

【0011】

本発明に係る画像特定プログラムは、会話文を受け付ける会話文受付ステップと、上記会話文受付ステップにおいて受け付けた１以上の会話文に含まれる１以上のエンティティを抽出するエンティティ抽出ステップと、特徴ラベル並びに導出した連想単語からなるエンティティが画像に対して１対１又は１対複数で紐付けられたエンティティテーブルを参照し、上記エンティティ抽出ステップにおいて抽出した１以上のエンティティに紐付けられた画像を特定する画像特定ステップとを有することを特徴とする。

【0012】

本発明に係るメタデータ抽出システムは、情報媒体の画像に含まれる情報からメタデータを抽出するメタデータ抽出システムにおいて、上記情報媒体の画像から特徴を抽出した特徴マップを生成する特徴マップ生成手段と、特徴マップと要素毎の特徴ラベルとが互いに関連付けられた１以上の個別推論モデルを参照し、上記特徴マップ生成手段において生成された特徴マップから上記要素毎の特徴ラベルをメタデータとして抽出する推論手段とを備えることを特徴とする。

【発明の効果】

【0013】

上述した構成からなる本発明によれば、各情報媒体の画像にメタデータを関連付ける作業は非常に煩雑な作業を自動的に行うことが可能となる。写真について人間の視覚による判別や定義づけを経ることなくメタデータ化するができ、労力の負担を軽減できる。

【0014】

また本発明によれば、画像化された情報媒体の種類は多岐に亘る中、これら情報媒体の画像の事後的な検索を行う上で利便性がより高くなるようなメタデータを生成することができ、画像と関連付けすることができる。特に口語調の会話文が音声により取得された場合に、受け付けた会話文に対応する適切な情報媒体の画像を高精度に抽出することができ、またこれが実現できるようなメタデータの生成や関連付けを行うことが可能となる。

【0015】

しかもこのメタデータは、連想単語も含めているため、特徴ラベルのキーワードそのものに加え、そこから連想できる様々な単語が含まれる。このため、画像の特定時において、会話文中にこのような連想単語が含まれている場合においても、そこから画像を特定することもできる。このため、画像を見た人間が受ける「暑い」、「重い」、「速い」等のような感覚的な印象に応じたメタデータを生成することも可能となる。

【図面の簡単な説明】

【0016】

【図1】図１は、メタデータ抽出システムの全体構成を示す図である。

【図2】図２は、メタデータ抽出装置のブロック構成図である。

【図3】図３は、本実施の形態による総括推論モデルを示す図である。

【図4】図４は、メタデータを抽出する対象となる画像の例を示す図である。

【図5】図５は、各種推論を行う上で必要となるテーブルの例を示す図である。

【図6】図６は、本実施の形態による連想単語推論モデルを示す図である。

【図7】図７は、画像特定システムのブロック構成図である。

【図8】図８は、メタデータ抽出システムの処理動作を示すフローチャートである。

【図9】図９は、メタデータの抽出から保存までの処理動作を模式的に示した図である。

【図10】図１０は、画像特定システムの動作について説明するための図である。

【図11】図１１は、本実施の形態による総括推論モデルの他の例を示す図である。

【発明を実施するための形態】

【0017】

以下、本発明を適用したメタデータ抽出システムについて図面を参照しながら詳細に説明をする。

【0018】

全体構成
図１は、メタデータ抽出システム１００の全体構成を示している。メタデータ抽出システム１００は、公衆通信網５０へアクセス可能なユーザ端末１０と、公衆通信網５０に接続されたメタデータ抽出装置１と、画像特定システム２とを備えている。

【0019】

公衆通信網５０は、インターネット通信網等であるが、社内等の狭いエリア内で運用する場合には、ＬＡＮ（Local Area Network）で構成されてもよい。また、公衆通信網５０は、いわゆる光ファイバ通信網で構成されてもよい。また、この公衆通信網５０は、有線通信網に限定されるものではなく、無線通信網で実現されてもよい。

【0020】

ユーザ端末１０は、パーソナルコンピュータ（ＰＣ）、スマートフォン、タブレット型端末、携帯電話機、ウェアラブル端末、デジタルカメラ等のような情報媒体の画像を視認することができ、或いは情報媒体の画像を撮像することが可能なあらゆる電子機器が含まれる。ユーザ端末１０は、情報媒体の画像Ａ１を自らに実装されているデジタルカメラによって撮像し、或いは公衆通信網５０を経由して図示しないサーバ等から取得する。ここでいう情報媒体とは、パンフレット、カタログ、会社案内や広告、更には各種文書や説明資料等、情報を示すあらゆる媒体を示す。画像Ａ１は、このような情報媒体を画像データとして構成したものである。ユーザ端末１０は、このようにして取得した画像Ａ１を公衆通信網５０を介してメタデータ抽出装置１へ送信する。

【0021】

メタデータ抽出装置１は、ユーザ端末１０から公衆通信網５０を介して受信した画像Ａ１についてメタデータを抽出するデバイスであり、例えばＰＣ、サーバ等で構成される。このメタデータ抽出装置１では、画像Ａ１毎にメタデータを関連付ける。ここでいうメタデータとは、情報媒体の画像に対して、決められた属性についてその属性値を書き表したものであり、例えば販売中の車のカタログの画像であれば、その画像中に表示されている車の販売元やブランド、価格、燃費や性能等の文字列から読み取れる文字情報に加え、その車の写真の内容（つまりその写真の内容が「車」であることを示す情報）、車の色、車の形状、車の出す雰囲気や速そうなイメージ等、写真から得られる付帯情報のメタデータが存在する。このメタデータ、つまりこれらの付帯情報をテキスト化したものが、情報媒体としての車の画像Ａ１に関連付けられるメタデータとなる。更にこのメタデータは、情報媒体の種類がそもそも何であるのかを示す情報で構成されていてもよく、例えば情報媒体の種類としてパンフレット、レントゲン写真、会社案内、カタログ、宣伝用のちらし、財務諸表等の種別を示す情報で構成されていてもよい。

【0022】

また、例えば温泉旅館のパンフレットの画像であれば、その画像中に表示されている旅館名や宿泊料金、旅館の住所や連絡先、チェックインからチェックアウトの時間等、文字から読み取れる文字情報に加え、その露天風呂の写真の内容（つまりその写真の内容が「露天風呂」であることを示す情報）、露天風呂の写真から出ている湯気から醸し出される心地よさや温かさ、更には露天風呂の周囲の風景との調和から醸し出される色彩や美しさ、更には食事の写真から抽出できる料理のメニュー等、写真から得られる付帯情報のメタデータが存在する。このメタデータ、つまりこれらの付帯情報をテキスト化したものが、情報媒体としての温泉のパンフレットの画像Ａ１に関連付けられるメタデータとなる。

【0023】

メタデータ抽出装置１は、ユーザ端末１０を介して情報媒体に関する画像Ａ１を収集し、この画像Ａ１毎にメタデータを関連付ける処理動作を順次実行する。メタデータ抽出装置１は、このメタデータを関連付けた画像Ａ１につきそれぞれ記憶することで、画像Ａ１にそれぞれのメタデータが関連付けられたデータベースを構築する。

【0024】

画像特定システム２は、このメタデータ抽出装置１において構築された、画像Ａ１とメタデータとの関係が関係付けられたデータベースを参照し、ユーザが望む画像を特定するシステムである。この画像特定システム２では、ユーザから会話文を直接、又はユーザ端末１０から受け付ける。そして画像特定システム２は、メタデータ抽出装置１へアクセスし、受け付けた会話文に対応する適切な画像を特定し、直接ユーザに表示するか、これをユーザ端末１０へ送信する。ユーザ端末１０を操作するユーザは、見たい画像を音声で入力することにより、画像特定システム２から送られてきた所望の画像を取得することが可能となる。

【0025】

以下、メタデータ抽出システム１００を構成するメタデータ抽出装置１と、画像特定システム２の構成について説明をする。

【0026】

メタデータ抽出装置の構成
図２は、メタデータ抽出装置１のブロック構成を示している。メタデータ抽出装置１は、中央制御部２０と、この中央制御部２０にそれぞれ接続された実行部３並びに補助記憶部４とを備えている。

【0027】

中央制御部２０は、例えばＣＰＵ（Central Processing Unit）であって、実行部３に記憶されたプログラムを呼び出すことで処理を実行する。中央制御部２０は、メタデータ抽出装置１内に実装された各構成要素を制御する。実行部３は、画像取得部５、特徴マップ生成部６、総括推論部７、紐づけ部８、抽出部９をそれぞれ備えている。実行部３をＲＡＭ（Random Access Memory）で構成する場合には、これら画像取得部５〜抽出部９の構成に対応するプログラムがこれに格納されている。

【0028】

画像取得部５は、ユーザ端末１０から公衆通信網５０を介して受信した画像Ａ１を取得する。

【0029】

特徴マップ生成部６は、画像Ａ１から特徴を抽出したデータである後述の特徴マップ３０を生成する。特徴マップ３０は、画素単位、又は例えば複数の画素の集合体であるブロック領域単位で構成されており、周知の画像解析に基づいて、必要に応じてディープラーニング技術を利用した、解析画像の特徴量を２次元画像上に反映させたものである。これにより、例えば写真の画像から判別したい対象につき特徴となる部分を際立たせた特徴マップ３０を得ることも可能となる。

【0030】

総括推論部７は、特徴マップ生成部６において生成した特徴マップ３０に対して、後述する１以上の個別推論モデルＤＢ１１〜ＤＢ１６から構成される１つの総括推論モデルＤＢ１を使用する。総括推論モデルＤＢ１を使用して、総括推論部７は、少なくとも、画像Ａ１における少なくとも１つの対象の内容を推論しメタデータを生成する。

【0031】

紐付け部８は、総括推論部７が推論した結果である総括推論結果としての特徴ラベルに対して、１又は複数の連想単語を紐づける。連想単語は、特徴ラベルの単語から連想される単語であり、例えば、特徴ラベルが「車」であれば、「乗り物」、「重い」等が連想単語であり、特徴ラベルが「温泉」であれば、「温かい」、「硫黄」、「アルカリ性」、「湯気」、「保養」等が連想単語である。このような各特徴ラベルに対して連想単語が１又が複数に亘り紐付けられたものが、連想モデルセットＴＢ２であり、補助記憶部４に記憶される。

【0032】

補助記憶部４は、例えばＳＳＤ（Solid State Drive）やＨＤＤ（Hard Disk Drive）であって、テーブル格納部１１と、コーパス格納部１４と、エンティティ格納部１５と、画像データ格納部２６と、メタデータ格納部２７とを備えている。

【0033】

テーブル格納部１１には、１または２以上のテーブルが格納される。このテーブル格納部１１に格納されるテーブルとしては、補助記憶部４に記憶される総括推論モデルＤＢ１と総括推論結果テーブルＴＢ１、連想モデルセットＴＢ２が記憶される。

【0034】

図３に総括推論モデルＤＢの例を示す。総括推論モデルＤＢ１は、１以上の個別推論モデルＤＢ１１〜ＤＢ１５により構成されている。個別推論モデルＤＢ１１〜ＤＢ１５の入力は、共通の特徴マップであり、出力は、個別推論結果である。個別推論結果は、それぞれ推論した結果を示す文言からなるテキストデータで構成される。入力データと出力データとは、互いに連関度を通じて関連付けられる。連関度は、入力データと出力データとの繋がりの度合いを示しており、例えば連関度が高いほど各データの繋がりが強いと判断することができる。連関度は、例えば百分率等の３値以上又は３段階以上で示されるほか、２値又は２段階で関連付けされるものであってもよい。

【0035】

個別推論モデルＤＢ１１〜ＤＢ１５は、学習用の複数の特徴マップと、学習用の複数の個別推論結果とを学習用データセットとして、機械学習により生成する。機械学習としては、例えば畳み込みニューラルネットワーク（ＣＮＮ：Convolution Neural Network）とし、例えば深層学習等が適用される。

【0036】

各個別推論モデルＤＢ１１〜ＤＢ１５は、特徴マップから、情報媒体の画像に映し出されている対象物の内容や色彩、文字等を推論する学習用データセットで構成される。例えば、図４に示すような車のパンフレットからなる情報媒体の画像において、個別推論モデルＤＢ１１，１２，１４は、当該情報媒体の画像に映し出されている対象物の内容として「車」、「木」、「柵」を推論するためのモデルであり、個別推論モデルＤＢ１３は、画像に映し出されている対象物の色を推論するためのモデルであり、個別推論モデルＤＢ１５は、画像に映し出されている文字列を推論するためのモデルとしている。このように、個別推論モデルは、対象物の内容、対象物の色、画像に映し出されている文字列等からなる各要素毎にぞれぞれ独立して設けられている。

【0037】

個別推論結果は、例えば、個別推論モデルＤＢ１１を例に挙げる場合、車：９６．９９９％、木：２．０１％といったように探索解が推論される確率である推論確率で表されるようにしてもよい。総括推論モデルＤＢ１は、１つの特徴マップ３０を入力とし、類論確率の閾値として例えば８０％以上の探索解のみを総括推論結果として出力するようにしてもよい。また、推論確率の閾値以上の探索解が存在せず、閾値未満の探索解のみしか存在しない場合、当該探索解を複数出力するものであってもよい。例えば、ＤＢ１３、ＤＢ１５については総括推論結果として複数の探索解を出力している。

【0038】

総括推論モデルＤＢ１では、個々の個別推論モデルＤＢ１１〜ＤＢ１５の探索解として求められた、テキストデータで表される個別推論結果をそれぞれ総括推論結果とする。図３の例では、個々の個別推論モデルＤＢ１１〜ＤＢ１５の探索解として、「車」、「木」、「赤、緑」、「柵」、「Ａ社、ラインナップＡ」が求められたため、これらを総括推論結果として出力する。なお、この総括推論結果は、総括推論結果テーブルＴＢ１に示すようにテーブル化した上でテーブル格納部１１に格納するようにしてもよい。この総括推論結果テーブルＴＢ１は、特徴マップを形成した情報媒体の画像と、総括推論結果が互いに紐付けられたテーブルで構成される。このように各情報媒体の画像が総括推論結果と関連付けられた総括推論結果テーブルＴＢ１を準備し、テーブル格納部１１に格納しておくことで、事後的に行われる検索の利便性を高めることが可能となる。

【0039】

連想モデルセットＴＢ２は、図５に示すように、特徴ラベルと連想単語が互いに紐付けられたテーブルとして構成される。ここでいう特徴ラベルは、上述した総括推論結果として出力された探索解としてのテキストデータ「車」、「木」、「赤」、「緑」、「柵」、「Ａ社」、「ラインナップＡ」がこれに該当する。

【0040】

また、連想単語は、これらの特徴ラベルから連想することができる単語である。例えば、特徴ラベルが「車」であれば連想単語として「重い」、「乗り物」等がある。また特徴ラベルが「木」であれば連想単語として「資源」、「自然」等がある。また、ある自動車メーカのセール対象のラインナップである「ラインナップＡ」が特徴ラベルであれば「車」、「メーカ」が連想単語として挙げられる。また特徴ラベルとして「赤」であれば、連想単語として「色」が連想単語として挙げられる。

【0041】

このような特徴ラベルに対して１対１又は１対複数の関係で連想単語が紐付けられた連想モデルセットＴＢ２は、システム側（運営者側）において予め設定しておき、これをテーブル格納部１１に格納しておく。このような連想モデルセットＴＢを予め準備しておくことにより、特徴ラベルが入力された場合にこれに紐付けられた１以上の連想単語を出力することが可能となる。

【0042】

ちなみに、この連想モデルセットＴＢ２は、特徴ラベルと連想単語が互いに紐付いているか否かの２値で表される場合に限定されるものでは無く、図６に示すような連関性を以って互いに関連付けられるものであってもよい。

【0043】

この図６の例によれば、入力が特徴ラベルであり、出力は連想単語となる。特徴ラベルと連想単語との間は互いに連関度を通じて関連付けられる。連関度は、入力データと出力データとの繋がりの度合いを示しており、例えば連関度が高いほど各データの繋がりが強いと判断することができる。連関度は、例えば百分率等の３値以上又は３段階以上で示されるほか、２値又は２段階で示されてもよい。このような連関度を構成する隠れ層の各ノードは、ニューラルネットワークのノードで構成されていてよい。

【0044】

かかる場合には、特徴ラベルと連想単語とを学習用データセットとして、機械学習により生成する。機械学習としては、例えば畳み込みニューラルネットワークとし、例えば深層学習等が適用される。

【0045】

連想モデルセットＴＢ２として、このようなニューラルネットワークを予め準備しておくことにより、特徴ラベルが入力された場合にこれと連関度の高い連想単語を出力することが可能となる。

【0046】

エンティティ格納部１５には、１または２以上のエンティティ並びにエンティティ値が格納される。エンティティとは、会話文情報に対応付けられた１または２以上の各単語である。単語とは、文を構成する単位である。単語は、例えば、単に「語」、または「ことば」などと呼んでもよいし、形態素の一種（例えば、後述する自立語）と考えてもよい。

【0047】

エンティティ格納部１５には、図５に示すエンティティテーブルＴＢ３のように、例えば、１以上の各エンティティに対応付けて、１または２以上のエンティティ値が格納される。エンティティ値は、エンティティを具体化した文字列である。

【0048】

エンティティは、通常、コーパス格納部１４に格納されている１以上の会話文情報の中のいずれか１つ又は２以上の会話文情報に対応付いている。従って、エンティティ格納部１５には、例えば、コーパス格納部１４に格納されている１以上の会話文情報ごとに、１または２以上のエンティティが格納されてもよい。

【0049】

エンティティテーブルＴＢ３では、連想モデルセットＴＢ２における一の特徴ラベル又は連想単語をエンティティとした場合、当該連想モデルセットＴＢ２においてそのエンティティに紐付けられているものをエンティティ値とする。例えば連想モデルセットＴＢ２において、特徴ラベル及び連想単語に「車」を含むものについて、これに紐付けられているものは、「車」、「ラインナップＡ」、「重い」、「乗り物」である。このため、「車」をエンティティとした場合、エンティティ値は「車」、「ラインナップＡ」、「重い」、「乗り物」となる。また、「石焼き芋」をエンティティとした場合、エンティティ値は「甘い」、「美味しい」、「作物」、「品種改良」、「土の中」等がエンティティ値となる。

【0050】

エンティティテーブルＴＢ３は、このようなエンティティとエンティティ値が互いに一対一、又は一対複数で紐付けられている。このため、このエンティティテーブルＴＢ３を介して、エンティティ値からこれに関連するエンティティを導出することができ、またエンティティからエンティティ値を導出することも可能となる。

【0051】

エンティティ及びエンティティ値の設定の際には例えば、図示せぬサーバにおいて、特徴ラベル及び連想単語を検索した検索結果の件数の多い文字列である特徴ラベル又は連想単語をエンティティに設定し、検索結果の件数の少ないもう一方の文字列をエンティティ値に設定するようにしてもよい。

【0052】

また、エンティティテーブルＴＢ３は、互いに対応付けされたエンティティ及びエンティティ値に対して更に画像が紐付けされて記憶される。エンティティ及びエンティティ値は、上述したように連想モデルセットＴＢ２から抽出しており、連想モデルセットＴＢにおける特徴ラベルは、総括推論結果テーブルＴＢ１において画像と紐付いている。このため、これら互いに紐付いた対応関係から、エンティティ及びエンティティ値に対して画像を紐付けることが可能となる。その結果、図５に示すように各画像Ａ１、Ａ２、Ａ３、・・・・に対して紐付いたエンティティ及びエンティティ値の関係を格納することが可能となる。

【0053】

なおエンティティやエンティティ値を構成する単語は、例えば、連語でもよい。連語とは、２以上の自律語が結び付いて一定の意味を表す語であり、複合語といってもよい。連語は、例えば、“温泉”と“旅館”が結合した“温泉旅館”や、“ラインナップ”と“Ａ”が結合した“ラインナップＡ”等であるが、“中村一郎”といった氏と名の組でもよく、２以上の語の組であれば何でもよい。

【0054】

また、エンティティテーブルＴＢ３には、１または２以上の日変換情報が格納される。日変換情報とは、日単語を日付に変換するための情報である。日単語とは、日に関する単語である。日単語は、通常、エンティティ名「日付エンティティ」に対応付いた単語であり、例えば、「先月」、「昨日」、「先週」、「今年」、「今月」、「昨年」、「前期」、「今年度」などであるが、日付に変換し得る情報であれば何でもよい。

【0055】

日変換情報は、日単語と、日情報取得情報とを有する。日情報取得情報とは、日情報を取得するための情報である。日情報とは、日単語に対応する日に関する情報であり、問合情報を構成する際に使用する情報である。日情報は、例えば、“４月１日”等の日付を示す情報でもよいし、“４／１〜４／３０”等の開始日付から終了日付までの期間を示す情報でもよく、これらに限定されるものではない。日情報取得情報は、例えば、関数名、またはメソッド名であるが、ＡＰＩ情報でもよいし、プログラム自体でもよく、またこれらに限定されるものではない。

【0056】

具体的には、日単語「先月」に対する日情報取得情報は、例えば、現在時刻情報（例えば“２０２０年５月１０日１１時１５分”：以下同様）を取得し、当該現在時刻情報が有する月（例えば“５月”）に対して前の月（例えば“４月”）を取得し、当該前の月のカレンダー情報を参照して、当該前の月の初日から末日までの日情報（例えば“４／１〜４／３０”等）を取得するプログラム等でもよい。

【0057】

また、日単語「今年」に対する日情報取得情報は、例えば、現在時刻情報を取得し、当該現在時刻情報が有する年（例えば“２０２０年”）のカレンダー情報を参照して、当該年の初日から、当該現在時刻情報が有する日までの日情報（例えば、“２０２０／１／１〜２０２０／５／１０”）を取得するＡＰＩ情報等でもよい。

【0058】

さらに、日単語「昨日」に対する日情報取得情報は、現在時刻情報を取得し、当該現在時刻情報が有する日の前の日の日情報（例えば、“５／９”）を取得するメソッド、またはそのメソッド名等でもよい。

【0059】

コーパス格納部１４には、１または２以上の会話文情報が格納される。会話文情報とは、会話文の情報である。会話文情報は、通常、会話文の例文である。例文は、例えば、“温泉旅館のパンフレット見せて”や“〇〇ブランドの車のカタログ見せて”等であるが、これらに限定されるものではない。

【0060】

ただし、会話文情報は、会話文のテンプレートであってもよい。テンプレートは、例えば、“｛車｝の画像はある？”、“{乗り物}の{パンフレット}を見せて”、“{メーカ}の{車}の{情報}を教えて”、“{企業}の{車}の{情報}を教えて”等であり、テンプレートに含まれる｛車｝等の“｛”，“｝”で表現される情報は、エンティティ、即ち変数である。

【0061】

会話文情報は、通常、インテントに対応付いている。インテントとは、処理動作を特定するための情報ともいえる。処理動作の例としては、例えば「画像検索」、「パンフレット検索」、「画像情報検索」等であり、これらの各処理動作を特定する情報に対応付けて、コーパステーブルＴＢ４に格納されることであってもよい。

【0062】

すなわち、コーパス格納部１４には、例えば、インテント格納部１２に格納されている１以上のインテントごとに、１または２以上の会話文情報が格納される。

【0063】

各インテントに紐付いた会話文情報（コーパス）に関するコーパステーブルＴＢ４の例を図５に示す。コーパステーブルＴＢ４には、通常、格納されている１以上の会話文情報ごとに、１または２以上のエンティティ情報も格納される。エンティティ情報とは、一の会話文情報に対応付いている１以上の各エンティティに関する情報である。エンティティ情報は、上述したエンティティ、エンティティ値に加え、各エンティティの開始位置、終了位置、およびエンティティ名を有する。

【0064】

ここでいう開始位置とは、会話文情報において当該エンティティが始まる位置である。開始位置は、例えば、会話文を構成する文字列において、当該エンティティの最初の文字が何番目の文字であるかを示す値（例えば、“１”や“４”等）で表現される。同様に、終了位置とは、会話文情報において当該エンティティが終わる位置であり、例えば、当該エンティティの最後の文字が何番目の文字であるかを示す値（例えば、“２”や“５”等）で表現される。ただし、開始位置や終了位置の表現形式はこれらに限定されるものではない。なお、開始位置および終了位置は、オフセットといってもよい。また、オフセットは、バイト数で表現されてもよく、また、これに限定されるものではない。

【0065】

エンティティ名とは、エンティティの名称である。エンティティ名は、例えば、「対象物エンティティ」、「日付エンティティ」、「情報エンティティ」等であるが、エンティティの属性を表現し得る情報であれば、その形式はこれらに限定されるものではない。対象物エンティティとは、対象物に関するエンティティであり、表１でいうところの｛乗り物｝や、｛車｝、｛企業｝等である。日付エンティティとは、日付に関するエンティティである。情報エンティティとは、必要とされている情報に関するエンティティである。

【0066】

または、エンティティ情報は、会話文情報がテンプレートの場合、例えば、エンティティ名、および順序情報を有していてもよい。順序情報とは、テンプレートに含まれる１以上の変数において、当該エンティティ名が何番目の変数に対応するかを示す値である。ただし、エンティティ情報の構造は、これに限定されるものではない。

【0067】

なお、実施形態におけるコーパスとは、例えば、コーパス格納部１４に格納されている１以上の会話文情報の各々と考えてもよいし、１以上の会話文情報、および各会話文情報に対応付いているエンティティ情報の集合と考えることもできる。

【0068】

上述した連想モデルセットＴＢ２、エンティティテーブルＴＢ３、コーパステーブルＴＢ４は、例えば、表形式のデータベースであってもよい。テーブルには、例えば、１または２以上の項目名が登録され、さらに、当該１以上の項目名ごとに、１または２以上の値が登録される。なお、項目名は、属性名といってもよいし、一の項目名に対応する１以上の各値は、属性値といってもよい。また、テーブルは、例えば、リレーショナルデータベースのテーブル、ＴＳＶ、エクセル、ＣＳＶ等であるが、その種類はこれらに限定されるものではない。

【0069】

画像データ格納部２６は、画像取得部５を介して取得された画像を格納するための領域である。総括推論結果テーブルＴＢ１やエンティティテーブルＴＢ３において各パラメータに対して各画像が紐付けられているが、その紐付いた画像を即座に読み出すことができるように、これを画像データ格納部２６に格納しておく。

【0070】

メタデータ格納部２７は、補助記憶部４に記憶された各モデルＤＢ１やテーブルＴＢ１〜ＴＢ４は、中央制御部２０が実行部３に対して各種処理動作を実行する上で読み出され、参照される。また補助記憶部４に記憶された各モデルＤＢ１やテーブルＴＢ１〜ＴＢ４は、画像取得部５において取得された画像に基づき、総括推論部７において、新たにメタデータとして特徴ラベルが抽出され、或いは紐付け部８において新たに連想単語が導出される都度、更新されるものであってもよい。

【0071】

抽出部９は、後述する画像特定システム２において抽出されたエンティティと、特徴ラベル及び連想単語の少なくとも１つと、を比較し、抽出されたエンティティと少なくとも一部が一致する特徴ラベル及び連想単語の少なくとも１つと紐づく画像を抽出する。かかる場合には、上述した各モデルＤＢ１やテーブルＴＢ１〜ＴＢ４を参照する。抽出部９は、抽出した画像をユーザ端末１０に送信し、ユーザ端末１０は、画像を表示する。

【0072】

画像特定装置の構成
図７は、画像特定システム２のブロック図である。画像特定システム２は、格納部１９、受付部２９、処理部３９、および出力部４９を備える。

【0073】

格納部１９は、テーブル格納部１１、インテント格納部１２、ＡＰＩ情報格納部１３、コーパス格納部１４、エンティティ格納部１５、および日変換情報格納部１８を備える。受付部２９は、会話文受付手段２１を備える。会話文受付手段２１は、音声受付手段２１１、および音声認識手段２１２を備える。

【0074】

処理部３９は、パラメータ化手段３０、インテント決定手段３１、会話文情報決定手段３２、エンティティ取得部３３、パラメータ取得部３４、ＡＰＩ情報取得手段３５、問合情報構成部３６、および検索結果取得手段３７を備える。パラメータ取得部３４は、判断手段３４１、日情報取得手段３４２、エンティティ名取得手段３４３、翻訳項目名取得手段３４４、テーブル識別子取得手段３４５、主キー識別子取得手段３４６、および変換パラメータ取得手段３４７を備える。出力部４は、検索結果出力手段４１を備える。

【0075】

格納部１９は、各種の情報を格納するデータベースである。各種の情報とは、例えば、テーブル、インテント、ＡＰＩ情報、コーパス、エンティティ、エンティティマッピング情報、ＰＫ項目、および日変換情報などである。なお、テーブル等の情報については後述する。また、その他の情報については、適時説明する。

【0076】

テーブル格納部１１は、メタデータ抽出装置１におけるテーブル格納部１１に記憶される総括推論モデルＤＢ１と総括推論結果テーブルＴＢ１、連想モデルセットＴＢ２と同様のテーブルを記憶する。画像特定システム２において、このテーブル格納部１１は、メタデータ抽出装置１におけるテーブル格納部１１を利用するのであれば、この画像特定システム２側において省略するようにしてもよい。

【0077】

インテント格納部１２には、１または２以上のインテントが格納される。インテントとは、画像特定の処理毎に管理される情報であり、画像特定の処理動作を特定するための情報ともいえる。インテントは、通常、業務処理を特定する処理動作名を有する。処理動作名とは、処理動作の名称である。処理動作とは、通常、ＡＰＩを介して実行される業務処理である。ただし、処理動作は、例えば、ＳＱＬ文に応じて実行される業務処理であってもよい。

【0078】

なお、処理動作名は、通常、後述するＡＰＩ情報にも対応付いている。従って、インテントは、例えば、処理動作名を介して、ＡＰＩ情報に対応付けられる、と考えてもよい。

【0079】

ＡＰＩ情報格納部１３には、１または２以上のＡＰＩ情報が格納される。ＡＰＩ情報とは、ＡＰＩに関する情報である。ＡＰＩとは、プログラムの機能を利用するためのインターフェースである。ＡＰＩは、例えば、関数、メソッド、または実行モジュールなどのソフトウェアである。ＡＰＩは、例えば、ＷｅｂＡＰＩであるが、それ以外のＡＰＩでもよい。ＷｅｂＡＰＩとは、ＨＴＴＰやＨＴＴＰＳなどのＷｅｂ通信のプロトコルを用いて構築されたＡＰＩである。なお、ＷｅｂＡＰＩ等のＡＰＩについては、公知技術であるので、詳しい説明を省略する。

【0080】

ＡＰＩ情報は、インテントに対応付いている情報である。ＡＰＩ情報は、前述したように、例えば、処理動作名を介して、インテントに対応付いている。

【0081】

ＡＰＩ情報は、通常、画像化された情報媒体を検索を行うための情報である。ただし、ＡＰＩ情報は、例えば、情報の登録、または情報に基づく処理などを行うための情報であってもよい。

【0082】

ＡＰＩ情報は、１または２以上のパラメータ特定情報を有する。パラメータ特定情報とは、パラメータを特定する情報である。パラメータとは、特定の属性を有する値である、といってもよい。値は、通常、変数である。変数は、引数といってもよい。

【0083】

パラメータは、通常、エンティティを変換した情報であるが、エンティティそのものでもよい。パラメータは、例えば、ＡＰＩに与える引数、またはＳＱＬ文の変数などである。

【0084】

パラメータは、例えば、属性名と値との組で構成されてもよい。属性名と値との組とは、具体的には、例えば、“ｓｈａｉｎ＿ｃｏｄｅ＝２”、“ｓｔａ＿ｄａｔｅ＝２０１９０４０１，ｅｎｄ＿ｄａｔｅ＝２０１９０４３０”等であるが、その形式はこれらに限定されるものではない。

【0085】

パラメータ特定情報は、例えば、パラメータ名である。パラメータ名とは、パラメータの名称である。または、パラメータ特定情報は、例えば、属性名であるが、パラメータを特定し得る情報であれば何でもよい。

【0086】

コーパス格納部１４には、メタデータ抽出装置１におけるコーパス格納部１４に記憶されるコーパステーブルＴＢ４と同様のテーブルを記憶する。画像特定システム２において、このコーパス格納部１４は、メタデータ抽出装置１におけるコーパス格納部１４を利用するのであれば、この画像特定システム２側において省略するようにしてもよい。

【0087】

エンティティ格納部１５には、メタデータ抽出装置１におけるエンティティ格納部１５に記憶されるエンティティテーブルＴＢ３と同様のテーブルを記憶する。画像特定システム２において、このエンティティ格納部１５は、メタデータ抽出装置１におけるエンティティ格納部１５を利用するのであれば、この画像特定システム２側において省略するようにしてもよい。

【0088】

受付部２９は、各種の情報を受け付ける。各種の情報とは、例えば、会話文である。受付部２９は、会話文等の情報を、例えば、端末から受信するが、キーボードやタッチパネルやマイクロフォン等の入力デバイスを介して受け付けてもよい。または、受付部２９は、例えば、ディスクや半導体メモリ等の記録媒体から読み出された情報を受け付けてもよく、その受け付けの態様は特に限定されるものではない。

【0089】

会話文受付手段２１は、会話文を受け付ける。会話文とは、人が会話する文であり、自然言語による文といってもよい。会話文の受け付けは、例えば、音声での受け付けであるが、テキストでの受け付けでもよい。音声とは、人が発した声である。テキストとは、人が発した声を音声認識した文字列である。文字列は、１または２以上の文字の配列で構成される。

【0090】

音声受付手段２１１は、会話文の音声を受け付ける。音声受付手段２１１は、会話文の音声を、例えば、端末から、端末識別子と対に受信するが、マイクロフォンを介して受け付けてもよい。端末識別子とは、端末を識別する情報である。端末識別子は、例えば、ＭＡＣアドレス、ＩＰアドレス、ＩＤなどであるが、端末を識別し得る情報であれば何でもよい。なお、端末識別子は、端末のユーザを識別するユーザ識別子でもよい。ユーザ識別子は、例えば、メールアドレス、電話番号等であるが、ＩＤや住所・氏名等でもよく、ユーザを識別し得る情報であれば何でもよい。

【0091】

音声認識手段２１２は、音声受付手段２１１が受け付けた音声に対して音声認識処理を行い、文字列である会話文を取得する。なお、音声認識処理は公知技術であり、詳しい説明を省略する。

【0092】

処理部３９は、各種の処理を行う。各種の処理とは、例えば、パラメータ化手段３０、インテント決定手段３１、会話文情報決定手段３２、エンティティ取得部３３、パラメータ取得部３４、ＡＰＩ情報取得手段３５、問合情報構成部３６、検索結果取得手段３７、判断手段３４１、日情報取得手段３４２、エンティティ名取得手段３４３、翻訳項目名取得手段３４４、テーブル識別子取得手段３４５、主キー識別子取得手段３４６、および変換パラメータ取得手段３４７などの処理である。また、各種の処理には、例えば、フローチャートで説明する各種の判別なども含まれる。

【0093】

処理部３９は、例えば、会話文受付手段２１が会話文を受け付けたことに応じて、パラメータ化手段３０及びインテント決定手段３１等の処理を行う。なお、１以上の各端末から、端末識別子と対に会話文が送信される場合、処理部３９は、インテント決定手段３１等の処理を、１以上の端末識別子ごとに行う。

【0094】

パラメータ化手段３０は、会話文受付手段２１が受け付けた１以上の会話文に含まれる１以上のエンティティをパラメータ化する。なお、パラメータ化手段３０は、会話文情報決定手段３２が決定した会話文情報に対応するエンティティをパラメータ化してもよい。

【0095】

詳しくは、パラメータ化手段３０は、音声として入力された会話文に含まれるエンティティ、一例として自立語をパラメータ化する。例えば、「ラインナップＡの画像はある？」という会話文と「ラインナップＡについての画像はありますか？」という会話文を比較すると、助詞が入れ替わっている点以外、２つの会話文に異なる点は無い。これにも拘わらず、これまでの検索結果では、異なる意味を持つ会話文として、必ずしも同じ意味内容であると認識されていないことがあった。そこで、パラメータ化手段３０は、これらの会話文に含まれる「ラインナップＡ」、「画像」という自立語、即ちエンティティをパラメータ化する。

【0096】

インテント決定手段３１は、会話文受付手段２１が受け付けた会話文に対応するインテントを決定する。

【0097】

詳しくは、インテント決定手段３１は、最初、例えば、会話文受付手段２１が受け付けた会話文に対応するテキストを取得する。テキストは、前述したように、例えば、会話文受付手段２１が受け付けた会話文を音声認識した結果であるが、会話文受付手段２１が受け付けた会話文そのものでもよい。

【0098】

すなわち、インテント決定手段３１は、音声である会話文が受け付けられた場合、当該会話文を音声認識し、テキストを取得する。なお、テキストである会話文が受け付けられた場合、インテント決定手段３１は、当該テキストを取得すればよい。

【0099】

次に、インテント決定手段３１は、取得したテキストに対して、例えば、形態素解析、構文解析を行うことにより、当該テキストから１以上の自立語を取得する。なお、形態素解析は公知技術であり、詳しい説明を省略する。

【0100】

そして、インテント決定手段３１は、取得した１以上の自立語と同一または類似する単語を有する処理動作名を有するインテントを決定する。

【0101】

詳しくは、例えば、格納部１に類義語辞書が格納されている。類義語辞書とは、類義語に関する辞書である。類義語辞書には、インテント格納部１２に格納されている１以上の各インテントを構成する処理動作名ごとに、当該処理動作名が有する単語と、当該単語の１または２以上の類義語とが登録されている。

【0102】

例えば、会話文受付手段２１が会話文「メーカー〇〇の車の販売価格情報を教えて」を受け付けた場合、インテント決定手段３１は、当該会話文から、「メーカー〇〇」や「車」や「販売価格情報」等の１以上の自立語を取得し、各自立語をキーにインテント格納部１２を検索して、当該自立語と一致する処理動作名を有するインテントがあるか否かを判断する。なお、一致は、例えば、完全一致であるが、部分一致でもよい。そして、当該自立語と一致する単語を有する、処理動作を特定するインテントがある場合、インテント決定手段３１は、当該インテントを決定する。本例では、表１の例に照らし合わせるのであれば、自立語「メーカー〇〇」と部分一致する単語「メーカー」、「車」と一致する単語「車」、「販売価格情報」と部分一致する単語「情報」とを有するインテントとして「画像情報検索」があるため、当該インテントが決定される。

【0103】

なお、当該自立語と一致する単語を有する処理動作名を有するインテントがない場合、例えば、インテント決定手段３１は、類義語辞書から、当該自立語に対応する１以上の類義語のうち、一の類義語を取得し、当該一の類義語をキーにインテント格納部１２を検索して、当該当該一の類義語と一致する単語を有する処理動作名を有するインテントがあるか否かを判断する。そして、当該一の類義語と一致する単語を有する処理動作名を有するインテントがある場合、インテント決定手段３１は、当該インテントを決定する。かかるインテントがない場合、インテント決定手段３１は、他の類義語について、同様の処理を行い、インテントを決定する。どの類義語についても、かかるインテントがない場合、インテント決定手段３１は、インテントが決定されない旨を出力してもよい。

【0104】

会話文情報決定手段３２は、インテント決定手段３１が決定したインテントをキーにコーパス格納部１４を検索し、当該インテントに対応する１以上の会話文情報の中から、会話文受付手段２１が受け付けた会話文に最も近似する会話文情報を決定する。

【0105】

会話文に最も近似する会話文情報とは、例えば、会話文に対する類似度が最も高い会話文情報である。すなわち、会話文情報決定手段３２は、例えば、受け付けられた会話文と、決定されたインテントに対応する１以上の各会話文情報との類似度を算出し、類似度が最大の会話文情報を決定する。

【0106】

または、会話文情報決定手段３２は、例えば、受け付けられた会話文の名詞の位置を変数にしたテンプレートに一致する会話テンプレートを検索してもよい。すなわち、コーパス格納部１４には、１または２以上の各エンティティ名を変数にしたテンプレートが格納されており、会話文情報決定手段３２は、受け付けられた会話文の１または２以上の各エンティティ名の位置を取得し、取得したエンティティ名の位置に対応するテンプレートを会話文情報に決定する。なお、会話文の１以上の各エンティティ名の位置とは、１以上の各エンティティ名を有するテンプレートにおいて、当該エンティティ名が何番目のエンティティ名かを示す情報である。

【0107】

エンティティ取得部３３は、会話文情報決定手段３２が決定した会話文情報に対応付いている１以上の各エンティティに対応し、会話文受付手段２１が受け付けた会話文が有する単語である１以上のエンティティを取得する。

【0108】

エンティティ取得部３３は、例えば、決定された会話文情報に対応付いている１以上のエンティティごとに、当該エンティティの開始位置および終了位置をコーパス格納部１４から取得し、受け付けられた会話文から、当該開始位置および当該終了位置により特定される単語を取得する。

【0109】

パラメータ取得部３４は、エンティティ取得部３３が取得した１以上の各エンティティに対応する１以上のパラメータを取得する。

【0110】

取得されるパラメータは、例えば、取得されたエンティティそのものであるが、取得されたエンティティを変換した情報でもよい。すなわち、例えば、取得された１以上のエンティティの中に日単語が含まれている場合、パラメータ取得部３４は、当該日単語をパラメータである日情報に変換する。

【0111】

パラメータ取得部３４を構成する判断手段３４１は、エンティティ取得部３３が取得した１以上のエンティティの中に日単語が存在するか否かを判断する。詳しくは、例えば、格納部１に、１または２以上の日単語が格納されており、判断手段３４１は、取得された１以上のエンティティごとに、格納されているいずれかの日単語と一致するか否かの判別を行い、少なくとも１つのエンティティについての判別結果が一致を示す場合に、取得された１以上のエンティティの中に日単語が存在すると判断する。

【0112】

日情報取得手段３４２は、取得された１以上のエンティティの中に日単語が存在すると判断手段３４１が判断した場合に、当該日単語に対応する日変換情報を日変換情報格納部１８から取得し、当該日変換情報を用いて、パラメータである日情報を取得する。

【0113】

具体的には、例えば、格納部１に、日単語「昨年」等が格納されており、会話文「ブランドＢの昨年のパンフレットを見せて」が受け付けられて、３つのエンティティ「ブランドＢ」、「昨年」、および「パンフレット」が取得された場合、判断手段３４１は、エンティティ「先月」が日単語「先月」と一致することから、取得された３のエンティティの中に日単語が存在すると判断する。例えば、現在時刻情報を取得し、日情報（例えば“４／１〜４／３０”等）を取得する。

【0114】

日情報取得手段３４２は、当該日単語「昨年」に対応する日情報取得情報（例えば、プログラム）を日変換情報格納部１８から取得する。そして、日情報取得手段３４２は、当該日情報取得情報を用いて、ＭＰＵ（Micro Processing Unit）の内蔵時計やＮＴＰサーバ等から現在時刻情報（例えば“２０２０年５月１０日１１時１５分”）を取得し、当該現在時刻情報が有する年（例えば“２０２０年”）に対して前の月（例えば“２０１９年”）を取得する。そして、日情報取得手段３４２は、当該前の月のカレンダー情報を参照して、当該前の年の初日から末日までの日情報“２０１９年１月１日〜２０１９年１２月３１日”を取得する。

【0115】

なお、会話文から取得された日単語が「今年」である場合、日情報取得手段３４２は、当該日単語「今年」に対応する日情報取得情報（例えば、ＡＰＩ情報）を日変換情報格納部１８から取得する。そして、日情報取得手段３４２は、当該日情報取得情報を用いて、内蔵時計等から現在時刻情報を取得し、当該現在時刻情報が有する年（例えば“２０２０年”）のカレンダー情報を参照して、当該年の初日から、当該現在時刻情報が有する日までの日情報（例えば、“２０２０年１月１日〜２０２０年１２月３１日”）を取得する。

【0116】

また、取得された日単語が「昨日」である場合、日情報取得手段３４２は、当該日単語「昨日」に対応する日情報取得情報（例えば、メソッド）を日変換情報格納部１８から取得する。そして、日情報取得手段３４２は、当該日情報取得情報を用いて、内蔵時計等から現在時刻情報を取得し、当該現在時刻情報が有する日の前の日の日情報（例えば、“５／９”）を取得する。

【0117】

エンティティ名取得手段３４３は、エンティティ取得部３３が取得した１以上のエンティティごとに、当該エンティティに対応するエンティティ名をエンティティ格納部１５から取得する。

【0118】

当該エンティティに対応するエンティティ名とは、当該エンティティが取得された会話文において、当該エンティティに対応するエンティティの位置に一致または類似する開始位置および終了位置と対になるエンティティ名である。エンティティ名取得手段３４３は、エンティティ取得部３３が取得した１以上のエンティティごとに、例えば、当該エンティティに対応付いたエンティティ情報を用いて、当該エンティティに対応するエンティティ名をエンティティ格納部１５から取得してもよい。

【0119】

具体的には、例えば、受け付けられた会話文「メーカー〇〇の車の販売価格情報を教えて」から３つのエンティティ「メーカー〇〇」、「車」、および「販売価格情報」が取得された場合、エンティティ名取得手段３４３は、コーパス格納部１４に格納されている会話文情報「メーカー〇〇の車の販売価格情報を教えて」において、当該会話文情報に対応付けて格納されている３つのエンティティ情報のうち、受け付けられた会話文「メーカー〇〇の車の販売価格情報を教えて」における「メーカー〇〇」と同じ開始位置および終了位置を有する１つ目のエンティティ情報を用いて、「メーカー〇〇」に対応付いた「メーカエンティティ」を取得する。

【0120】

また、エンティティ名取得手段３４３は、例えば、上記３つのエンティティ情報のうち、会話文「メーカー〇〇の車の販売価格情報を教えて」における「車」と同じ開始位置および終了位置を有する２つ目のエンティティ情報を用いて、「車」に対応付いた「車エンティティ」を取得し、さらに、会話文「メーカー〇〇の車の販売価格情報を教えて」における「販売価格情報」と同じ開始位置および終了位置を有する３つ目のエンティティ情報を用いて、「販売価格情報」に対応付いた「情報エンティティ」を取得する。

【0121】

ＡＰＩ情報取得手段３５は、インテント決定手段３１が決定したインテントに対応するＡＰＩ情報をＡＰＩ情報格納部１３から取得する。

【0122】

ＡＰＩ情報取得手段３５は、例えば、インテント決定手段３１が決定したインテントに対応する処理動作名を有するＡＰＩ情報を、ＡＰＩ情報格納部１３から取得する。

【0123】

具体的には、ＡＰＩ情報格納部１３に、例えば、処理動作名“画像情報検索”と３以上のパラメータ特定情報“企業コード，Ｃｏｐｅ＿ｃｏｄｅ”，“車コード，Ｃａｒ＿ｃｏｄｅ”，および“情報コード，Ｉｎｆｏ＿ｃｏｄｅ”などを有するＡＰＩ情報１が格納されており、インテント名「画像情報検索」で特定されるインテントが取得された場合、ＡＰＩ情報取得手段３５は、当該インテントが有する処理動作名“画像情報検索”を有するＡＰＩ情報１を取得する。

【0124】

問合情報構成部３６は、パラメータ取得部３４が取得した１以上のパラメータと、ＡＰＩ情報取得手段３５が取得したＡＰＩ情報とを用いて、問合情報を構成する。問合情報とは、情報検索するための情報であり、通常、実行可能な情報である。問合情報は、例えば、引数が挿入された関数またはメソッドであるが、完成されたＳＱＬ文でもよいし、ＵＲＬとパラメータの組でもよい。

【0125】

問合情報構成部３６は、例えば、ＡＰＩ情報取得手段３５が取得したＡＰＩ情報が有する１以上の各変数の箇所に、各箇所に対応付くパラメータであり、パラメータ取得部３４が取得したパラメータを配置することにより、問合情報を構成する。

【0126】

検索結果取得手段３７は、問合情報構成部３６が構成した問合情報を実行し、パラメータ化手段３０により得られたパラメータを用いて格納部１（データベース）を検索することにより検索結果を取得する。また、検索結果取得手段３７は、パラメータ化手段３０により得られたパラメータを含むＡＰＩ情報を生成し、生成したＡＰＩ情報に基づいて格納部１（データベース）を検索してもよい。即ち、新たにパラメータを書き込むことにより、あるいは既に書き込まれているパラメータを新たなパラメータに書き換えることによりＡＰＩ情報を生成し、パラメータが反映されたＡＰＩ情報に基づいてデータベースを検索してもよい。なお、ＡＰＩ情報やＳＱＬ等の問合のための情報や、検索結果取得手段３７の詳しい動作については、具体例や変形例で説明する。

【0127】

出力部４９は、各種の情報を出力する。各種の情報とは、例えば、検索した情報媒体の画像である。

【0128】

出力部４９は、例えば、受付部２９が端末識別子と対に会話文等の情報を受信したことに応じて処理部３９が各種の処理を行った結果である検索結果等の情報を、当該端末識別子で識別される端末に送信する。または、例えば、受付部２９がタッチパネルやマイクロフォン等の入力デバイスを介して会話文等の情報を受け付けたことに応じて、出力部４９は、検索結果等の情報を、ディスプレイやスピーカ等の出力デバイスを介して出力してもよい。

【0129】

ただし、出力部４９は、各種の情報を、例えば、プリンタでプリントアウトしたり、記録媒体に蓄積したり、他のプログラムに引き渡したり、外部の装置に送信したりしてもよく、その出力の態様は特に限定されるものではない。

【0130】

検索結果出力手段４１は、検索結果取得手段３７を介して取得した検索結果を出力する。検索結果出力手段４１は、例えば、会話文受付手段２１がユーザ端末１０から会話文を受信したことに応じて検索結果取得手段３７が取得した検索結果としての画像を、当該ユーザ端末１０に送信する。または、検索結果出力手段４１は、例えば、会話文受付手段２１がマイクロフォン等の入力デバイスを介して会話文を受け付けたことに応じて検索結果取得手段３７が取得した検索結果としての画像を、ディスプレイ等の出力デバイスを介して表示してもよい。

【0131】

格納部１９、テーブル格納部１１、インテント格納部１２、ＡＰＩ情報格納部１３、コーパス格納部１４、エンティティ格納部１５、および日変換情報格納部１８は、例えば、ハードディスクやフラッシュメモリといった不揮発性の記録媒体が好適であるが、ＲＡＭなど揮発性の記録媒体でも実現可能である。

【0132】

格納部１９等に情報が記憶される過程は、特に限定されるものではない。例えば、記録媒体を介して情報が格納部１９等で記憶されるようになってもよく、ネットワークや通信回線等を介して送信された情報が格納部１等で記憶されるようになってもよく、あるいは、入力デバイスを介して入力された情報が格納部１等で記憶されるようになってもよい。入力デバイスは、例えば、キーボード、マウス、タッチパネル、マイクロフォン等、何でもよい。

【0133】

受付部２９、会話文受付手段２１、音声受付手段２１１、および音声認識手段２１２は、入力デバイスを含むと考えても、含まないと考えてもよい。受付部２９等は、入力デバイスのドライバーソフトによって、または入力デバイスとそのドライバーソフトとで実現され得る。また、この受付部２９としての機能は、ユーザ端末１０内に実装されており、ユーザ端末１０において取得した会話文情報が公衆通信網５０を介して画像特定システム２に送られるものであってもよい。

【0134】

処理部３９、インテント決定手段３１、会話文情報決定手段３２、エンティティ取得部３３、パラメータ取得部３４、ＡＰＩ情報取得手段３５、問合情報構成部３６、検索結果取得手段３７、判断手段３４１、日情報取得手段３４２、エンティティ名取得手段３４３、翻訳項目名取得手段３４４、テーブル識別子取得手段３４５、主キー識別子取得手段３４６、および変換パラメータ取得手段３４７は、通常、ＣＰＵ（Central Processing Unit）あるいはＭＰＵやメモリ等から実現され得る。処理部３９等の処理手順は、通常、ソフトウェアで実現され、当該ソフトウェアはＲＯＭ等の記録媒体に記録されている。ただし、処理手順は、ハードウェア（専用回路）で実現してもよい。

【0135】

出力部４９、および検索結果出力手段４１は、ディスプレイやスピーカ等の出力デバイスを含むと考えても含まないと考えてもよい。出力部４９等は、出力デバイスのドライバーソフトによって、または出力デバイスとそのドライバーソフトとで実現され得る。

【0136】

なお、受付部２９等の受信機能は、通常、無線または有線の通信手段（例えば、ＮＩＣ(Network interface controller)やモデム等の通信モジュール）で実現されるが、放送を受信する手段（例えば、放送受信モジュール）で実現されてもよい。また、出力部４９等の送信機能は、通常、無線または有線の通信手段で実現されるが、放送手段（例えば、放送モジュール）で実現されてもよい。

【0137】

次に、本発明を適用したメタデータ抽出システム１００の処理動作について図８に示すフローチャートを参照しながら詳細に説明をする。

【0138】

ステップＳ１１〜Ｓ１７は、メタデータ抽出装置１により、各情報媒体の画像からメタデータを抽出する処理動作を示している。

【0139】

ステップＳ１１において、画像取得部５は、情報媒体の画像の取得を行う。情報媒体の画像は、ユーザ端末１０を介して撮像されて公衆通信網５０を介してメタデータ抽出装置１において受信され、或いはメタデータ抽出装置に取り付けられた図示しないカメラを介して直接的に撮像される。

【0140】

ステップＳ１２では、特徴マップ生成部６により、ステップＳ１１において取得された画像について特徴マップを生成する。この特徴マップの生成は、画素単位、又は例えば複数の画素の集合体であるブロック領域単位で、周知の画像解析に基づいて、必要に応じてディープラーニング技術を利用した、解析画像の特徴量を２次元画像上に反映させることで行う。

【0141】

次にステップＳ１３へ移行し、総括推論部７は、特徴マップから対象物の抽出を行う。このステップＳ１３では、テーブル格納部１１に格納された総括推論モデルＤＢ１を利用し、特徴マップから画像中の各対象の内容を推論し、メタデータを生成する。

【0142】

かかる場合には、図３に示すように、総括推論モデルＤＢ１を構成する個別推論モデルＤＢ１１〜ＤＢ１５に特徴マップ、ひいてはこれを構成する特徴量が画素単位又はフロック領域単位で入力が入力される。それぞれ画像中の対象物の内容を判別することを可能とするため、各個別推論モデルＤＢ１１〜ＤＢ１５には、それぞれ対象の内容（「車」、「木」、「柵」等）や色、文字列等の各要素をそれぞれ判別可能とするための学習モデルが予め構築されている。ステップＳ１３においてはこれらの学習モデルを参照し、対象の内容を抽出する。この各個別推論モデルＤＢ１１〜ＤＢ１５からは、例えば、「車：９６．９９％、木：２．０１％」や、「赤 ５０．０１％、緑 ３７．７％」等が出力されるが、個別推論結果としては、これらの出力された結果の１又は２以上について、予めシステム側又は運営側において決めたルールに基づいて個別推論結果を出力する。この個別推論結果が、特徴ラベルとなる。

【0143】

次にステップＳ１４に移行し、紐づけ部８は、連想モデルセットＴＢ２を参照し、ステップＳ１３において出力された総括推論結果としての特徴ラベルから連想単語を導出する。上述したように、連想モデルセットＴＢ２は、特徴ラベルと連想単語が互いに紐付いた状態で記憶されている。このため、特徴ラベルを入力することにより、これに紐づいている１又は２以上の連想単語を容易に抽出することができる。この連想単語を通じて、画像から抽出することができる対象の内容に加え、そこから想起することができる雰囲気や感覚、イメージや感情を膨らませることができる。例えば、連想モデルセットＴＢ２において特徴ラベル「温泉」には、連想単語として「温かい」、「硫黄」、「アルカリ性」、「湯気」、「保養」等が紐付けられている。このため、総括推論結果として、「温泉」が特徴ラベルとして抽出された場合、これに関係するこれらの連想単語「温かい」、「硫黄」、「アルカリ性」、「湯気」、「保養」等のように、特徴ラベルからイメージを膨らませることが可能となる。なお、このステップＳ１４において、この連想単語を導出する上で、必要に応じてインターネットに掲載されている情報を援用するようにしてもよい。かかる場合には、特徴ラベルを検索用タームとして検索エンジンを通じて検索した結果、出現頻度が高い単語を連想単語として取り込むようにしてもよい。

【0144】

ステップＳ１５では、ステップＳ１１において取得した画像に対するメタデータの生成を行う。このメタデータは、上述した個別推論結果としての特徴ラベルの文字列に加え、ステップＳ１４において導出された連想単語も含まれる。メタデータ抽出装置１は、このような特徴ラベル、連想単語からなるメタデータを画像と紐づけた上で、メタデータ格納部２７にこれを格納するようにしてもよいし、この紐付けられた画像を画像データ格納部２６に格納するようにしてもよい。このとき、画像がメタデータと紐づけられた画像メタデータ連想ラベルＴＢ５として記憶するようにしてもよい（ステップＳ１６）。

【0145】

図９は、このようなメタデータの抽出から保存までの処理動作を模式的に示したものである。ステップＳ１３において出力された総括推論結果としての特徴ラベルから連想モデルセットに基づき、連想単語を連想することを新たに取得した画像Ａ１、Ａ２、・・毎に行う。そして、特徴ラベルと、これから派生する連想単語とを各画像Ａ１、Ａ２、・・毎に紐付けた画像メタデータ連想ラベルＴＢ５を生成し、これをメタデータ格納部２７に格納する。これにより、特徴ラベルや連想単語からなるメタデータに対して各画像Ａ１、Ａ２、・・が紐付けられることで、逆にこのようなメタデータの入力を受け付けた場合に、これに紐付いている画像Ａ１、Ａ２、・・を特定することが可能となる。

【0146】

次にステップＳ１７に移行し、生成されたメタデータ（特徴ラベル、連想単語）からエンティティテーブルＴＢ３、コーパステーブルＴＢ４を作成する。

【0147】

エンティティテーブルは、特徴ラベル及び連想単語から、上述したようにエンティティとエンティティ値とを互いに紐付けたからなるテーブルを作成する。このとき、個々のエンティティ及びエンティティ値の組み合わせに対して、それぞれ対応する画像Ａ１、Ａ２、・・を紐付けておく。これにより、事後的に画像を読み出す場合において、エンティティを介して実現することができ、検索の利便性を高めることができる。

【0148】

また、コーパステーブルＴＢ４を作成する場合には、エンティティテーブルＴＢ３に保存されたエンティティに加え、後述するように画像特定システム２において抽出されたインテントや会話文情報とを紐づけることで、コーパステーブルＴＢ４を生成してもよい。

【0149】

次に、上述したステップＳ１１〜Ｓ１７を通じて順次作成したエンティティテーブルＴＢ３、コーパステーブルＴＢ４、画像メタデータ連想ラベルＴＢ５に基づいて、会話文情報の内容に対応する画像を特定する方法について、図８を参照しながら詳細に説明をする。

【0150】

会話文情報の内容に対応する画像の特定は、画像特定システム２によりステップＳ２１〜２６を通じて行う。

【0151】

ステップＳ２１において、受付部２９は、音声により発せられた会話文を認識する。この会話文の認識は、音声から取得する以外に手入力されたテキストデータに記述された会話文から行うようにしてもよい。

【0152】

次にステップＳ２２に移行し、受付部２９は、音声認識を通じて取得した会話文をテキストデータ化する。この音声データをテキストデータ化へ変換する処理動作においては、公知の変換手法を用いるようにしてもよい。

【0153】

次にステップＳ２３へ移行し、テキストデータ化した会話文を形態素解析や構文解析を行う。

【0154】

次にステップＳ２４へ移行し、ステップＳ２３において形態素解析、構文解析されたたテキストデータから１以上の自立語を取得する。次にインテント決定手段３１は、取得した１以上の自立語と同一または類似する単語を有するアクション名を有するインテントを決定する。例えば会話文が「ラインナップＡの画像はある？」の場合には、形態素解析によって、会話文から２つの自立語「ラインナップＡ」、「画像」を取得し、各自立語をキーにインテント格納部１２におけるコーパステーブルＴＢ４を検索し、「ラインナップＡ」と部分一致するアクション名として“画像検索”を有するインテントを決定する。

【0155】

また、ステップＳ２４においては、会話文に含まれるエンティティを取得する。ステップＳ２４では、この取得したエンティティを更にパラメータ化するようにしてもよい。例えば会話文が「ラインナップＡの画像はある？」の場合には、形態素解析によって、会話文から２つの自立語「ラインナップＡ」、「画像」を取得し、このうちエンティティは「ラインナップＡ」となる。

【0156】

次にステップＳ２５に移行し、画像特定処理を行う。この画像特定処理は、ステップＳ２４において決定したインテントや、抽出したエンティティに基づいて行う。

【0157】

エンティティは、上述したエンティティ格納部１５に格納されているエンティティテーブルＴＢ３においてエンティティ及びエンティティ値に対してそれぞれに対応する画像が紐付けられた状態とされている。このため、ステップＳ２４において会話文から抽出したエンティティを、このエンティティテーブルＴＢ３におけるエンティティ及びエンティティ値と照らし合わせる。そしてこの照らし合わせたエンティティ及びエンティティ値に対応する画像を特定する。

【0158】

例えば図１０に示すように、「ラインナップＡ」がエンティティとして抽出されたのであれば、エンティティテーブルＴＢ３におけるエンティティ及びエンティティ値と照らし合わせると、エンティティ値として「ラインナップＡ」に紐付けられた画像Ａ１を特定することができる。また、エンティティとして「石焼き芋」が抽出されたのであれば、エンティティテーブルＴＢ３におけるエンティティ及びエンティティ値と照らし合わせると、エンティティとして「石焼き芋」に紐付けられた画像Ａ３を特定することができる。このようにエンティティテーブルＴＢ３において引用する文言は、エンティティ又はエンティティ値の何れであってもよい。なお、画像を特定する上では、エンティティテーブルＴＢ３の代替として、画像メタデータ連想ラベルＴＢ５を参照するようにしてもよい。画像メタデータ連想ラベルＴＢ５も同様に特徴ラベル、連想単語に対して、画像が紐付けられて記憶されている。このため、ステップＳ２４において会話文から抽出したエンティティに対応する特徴ラベル、連想単語を抽出し、抽出した特徴ラベル、連想単語に紐付けられた画像を特定することができる。

【0159】

ステップＳ２５における画像の特定は、ステップＳ２４において決定したインテントを更に活用するようにしてもよい。インテントは、コーパス格納部１４に格納されたコーパステーブルＴＢ４において、会話文情報、エンティティ、エンティティ値が紐づいている。そして、このエンティティ、エンティティ値は、エンティティテーブルＴＢ３において画像と紐づいている。このため、抽出したインテントに基づき、このコーパステーブルＴＢ４、ひいてはエンティティテーブルＴＢ３を参照することで、より高精度な画像の特定を実現することができる。

【0160】

また、エンティティやエンティティ値に紐付けられる画像をインテント毎に整理してグルーピングし保存しておくことにより、ステップＳ２４において決定したインテントに応じたグループにのみ焦点を当てて検索すればよいため、より迅速に画像を特定することが可能となる。

【0161】

なお、ステップＳ２５において、画像の特定を行う過程では、ＡＰＩを介して画像を検索するようにしてもよい。かかる場合において、検索結果取得手段３７は、抽出したインテントやエンティティや等を含むＡＰＩ情報を生成し、生成したＡＰＩ情報に基づいて格納部１（データベース）から画像検索してもよい。即ち、パラメータ（インテントやエンティティ）が反映されたＡＰＩ情報に基づいて画像検索してもよい。

【0162】

画像を特定した後、ステップＳ２６へ移行し、この特定した画像を表示する。ユーザ端末１０のユーザに画像を表示する場合には、画像特定システム２から公衆通信網５０を介してユーザ端末１０へ画像を送信し、ユーザ端末１０を介して画像を表示する。また、画像特定システム２から直接的に画像を表示するようにしてもよく、かかる場合には出力部４９を介して画像を表示する。

【0163】

上述した構成からなる本発明によれば、各情報媒体の画像にメタデータを関連付ける作業は非常に煩雑な作業を自動的に行うことが可能となる。写真について人間の視覚による判別や定義づけを経ることなくメタデータ化するができ、労力の負担を軽減できる。

【0164】

また本発明によれば、画像化された情報媒体の種類は多岐に亘る中、これら情報媒体の画像の事後的な検索を行う上で利便性がより高くなるようなメタデータを生成することができ、画像と関連付けすることができる。特に口語調の会話文で「ラインナップＡの画像ある？」という文言が音声により取得された場合に、受け付けた会話文に対応する適切な情報媒体の画像を高精度に抽出することができ、またこれが実現できるようなメタデータの生成や関連付けを行うことが可能となる。

【0165】

しかもこのメタデータは、連想単語も含めているため、特徴ラベルのキーワードそのものに加え、そこから連想できる様々な単語が含まれる。このため、画像の特定時において、会話文中にこのような連想単語が含まれている場合においても、そこから画像を特定することもできる。

【0166】

なお本発明は、上述した実施の形態に限定されるものでは無い。図３に示す総括推論モデルＤＢ１は、図１１に示すように個別推論モデルＤＢ１１〜ＤＢ１５に加え、更に個別推論モデルＤＢ１６を加えてもよい。

【0167】

個別推論モデルＤＢ１６は、情報媒体の種類を推論するためのデータベースとし、例えば個別推論モデルＤＢ１６は、情報媒体の形状を介してその種類を推論する。個別推論モデルＤＢ１６は、情報媒体が、例えばパンフレットなのか、カタログなのか、財務諸表なのか、出勤簿なのか、或いはレントゲン写真なのかを判別する。このような情報媒体の種類に関する総括推論結果も同様に特徴ラベル化し、同様にエンティティ、エンティティ値化することで、事後的な検索の利便性を高めることができる。

【符号の説明】

【0168】

１ メタデータ抽出装置
２ 画像特定システム
３ 実行部
４ 補助記憶部
５ 画像取得部
６ 特徴マップ生成部
７ 総括推論部
８ 紐づけ部
９ 抽出部
１０ ユーザ端末
１１ テーブル格納部
１２ インテント格納部
１３ 情報格納部
１４ コーパス格納部
１５ エンティティ格納部
１８ 日変換情報格納部
１９ 格納部
２０ 中央制御部
２１ 会話文受付手段
２６ 画像データ格納部
２７ メタデータ格納部
２９ 受付部
３０ パラメータ化手段
３０ 特徴マップ
３１ インテント決定手段
３２ 会話文情報決定手段
３３ エンティティ取得部
３４ パラメータ取得部
３５ 情報取得手段
３６ 問合情報構成部
３７ 検索結果取得手段
３９ 処理部
４１ 検索結果出力手段
４９ 出力部
５０ 公衆通信網
１００ メタデータ抽出システム
２１１ 音声受付手段
２１２ 音声認識手段
３４１ 判断手段
３４２ 日情報取得手段
３４３ エンティティ名取得手段
３４４ 翻訳項目名取得手段
３４５ テーブル識別子取得手段
３４６ 主キー識別子取得手段
３４７ 変換パラメータ取得手段

【要約】

【課題】画像に含まれる情報からメタデータを抽出する。
【解決手段】情報媒体の画像に含まれる情報からメタデータを抽出するメタデータ抽出プログラムにおいて、上記情報媒体の画像から特徴を抽出した特徴マップを生成する特徴マップ生成ステップと、特徴マップと要素毎の特徴ラベルとが互いに関連付けられた１以上の個別推論モデルを参照し、上記特徴マップ生成ステップにおいて生成された特徴マップから上記要素毎の特徴ラベルをメタデータとして抽出する推論ステップとをコンピュータに実行させることを特徴とする。
【選択図】図３

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】