特許 6967462 情報処理装置、情報処理方法、及び情報処理プログラム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】6967462

(24)【登録日】2021年10月27日

(45)【発行日】2021年11月17日

(54)【発明の名称】情報処理装置、情報処理方法、及び情報処理プログラム

(51)【国際特許分類】

   G06F 16/901 20190101AFI20211108BHJP

   G06F 16/9035 20190101ALI20211108BHJP

   G06Q 30/06 20120101ALI20211108BHJP

   G16Y 10/45 20200101ALI20211108BHJP

【ＦＩ】

   G06F16/901

   G06F16/9035

   G06Q30/06 330

   G16Y10/45

【請求項の数】12

【全頁数】36

(21)【出願番号】特願2018-6642(P2018-6642)

(22)【出願日】2018年1月18日

(65)【公開番号】特開2019-125257(P2019-125257A)

(43)【公開日】2019年7月25日

【審査請求日】2020年3月9日

(73)【特許権者】

【識別番号】319013263

【氏名又は名称】ヤフー株式会社

(74)【代理人】

【識別番号】110002147

【氏名又は名称】特許業務法人酒井国際特許事務所

(72)【発明者】

【氏名】岩崎 雅二郎

【審査官】 甲斐 哲雄

(56)【参考文献】

【文献】 特開２０１７−１３４５８２（ＪＰ，Ａ）

【文献】 米国特許出願公開第２０１７／０３７２３９８（ＵＳ，Ａ１）

【文献】 特開２００８−２８２１３２（ＪＰ，Ａ）

【文献】 特開２００８−２１７４５９（ＪＰ，Ａ）

【文献】 田村 真一 その他，複数の非類似度を自由に重みづけできる単一のグラフ索引を用いた最近傍探索手法，第８回Ｗｅｂとデータベースに関するフォーラム論文集 ［ｏｎｌｉｎｅ］，情報処理学会，2015年11月17日，2015，pp.182-189

(58)【調査した分野】（Int.Cl.，ＤＢ名）

Ｇ０６Ｆ １６／００−１６／９５８

Ｇ０６Ｑ ３０／００−３０／０８

Ｇ１６Ｙ １０／４５

(57)【特許請求の範囲】

【請求項1】

複数の商品の各々に対応する複数のノードが、前記複数の商品の類似性に応じて連結されたグラフ情報と、通信機能を有するＩｏＴ（Internet of Things）機器としての冷蔵庫に収納される一の商品であって、収納された日時から所定の期間が経過するか、または残量が所定の閾値以下になった一の商品の購入を要求する注文情報を、前記冷蔵庫である要求元から取得する取得部と、
前記一の商品の在庫が無い場合、前記取得部により取得された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、前記複数の商品のうち、前記一の商品に類似する商品である類似商品を抽出する抽出部と、
前記抽出部により抽出された前記類似商品に基づく推奨情報を、前記一の商品の購入を要求する要求元へ送信する送信部と、
を備えたことを特徴とする情報処理装置。

【請求項2】

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、
前記抽出部は、
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、前記類似商品を抽出する
ことを特徴とする請求項１に記載の情報処理装置。

【請求項3】

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２に記載の情報処理装置。

【請求項4】

前記抽出部は、
前記グラフ情報中に前記一の商品に対応するノードが含まれる場合、当該ノードを前記起点ノードとして、前記類似商品を抽出する
ことを特徴とする請求項１に記載の情報処理装置。

【請求項5】

前記取得部は、
前記複数の商品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。

【請求項6】

前記取得部は、
前記複数の商品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。

【請求項7】

前記取得部は、
所定のモデルを用いて前記複数の商品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。

【請求項8】

前記取得部は、
前記複数の商品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商品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。

【請求項9】

前記送信部は、
前記類似商品の購入を促す前記推奨情報を前記要求元へ送信する
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。

【請求項10】

前記取得部は、
前記要求元から前記類似商品を購入するかどうかを示す回答情報を取得する
ことを特徴とする請求項１〜９のいずれか１項に記載の情報処理装置。

【請求項11】

コンピュータが実行する情報処理方法であって、
複数の商品の各々に対応する複数のノードが、前記複数の商品の類似性に応じて連結されたグラフ情報と、通信機能を有するＩｏＴ（Internet of Things）機器としての冷蔵庫に収納される一の商品であって、収納された日時から所定の期間が経過するか、または残量が所定の閾値以下になった一の商品の購入を要求する注文情報を、前記冷蔵庫である要求元から取得する取得工程と、
前記一の商品の在庫が無い場合、前記取得工程により取得された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、前記複数の商品のうち、前記一の商品に類似する商品である類似商品を抽出する抽出工程と、
前記抽出工程により抽出された前記類似商品に基づく推奨情報を、前記一の商品の購入を要求する要求元へ送信する送信工程と、
を含んだことを特徴とする情報処理方法。

【請求項12】

複数の商品の各々に対応する複数のノードが、前記複数の商品の類似性に応じて連結されたグラフ情報と、通信機能を有するＩｏＴ（Internet of Things）機器としての冷蔵庫に収納される一の商品であって、収納された日時から所定の期間が経過するか、または残量が所定の閾値以下になった一の商品の購入を要求する注文情報を、前記冷蔵庫である要求元から取得する取得手順と、
前記一の商品の在庫が無い場合、前記取得手順により取得された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、前記複数の商品のうち、前記一の商品に類似する商品である類似商品を抽出する抽出手順と、
前記抽出手順により抽出された前記類似商品に基づく推奨情報を、前記一の商品の購入を要求する要求元へ送信する送信手順と、
をコンピュータに実行させることを特徴とする情報処理プログラム。

【発明の詳細な説明】

【技術分野】

【0001】

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。

【背景技術】

【0002】

従来、種々の情報をユーザ等に推奨する技術が提供されている。例えば、ユーザに類似するユーザを特定し、類似するユーザが過去に参照したアイテムの情報を、ユーザに対して推奨するアイテムの情報として出力する技術が提供されている。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】特開２０１７−７３１１４号公報

【非特許文献】

【0004】

【非特許文献1】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.

【発明の概要】

【発明が解決しようとする課題】

【0005】

しかしながら、上記の従来技術では、適切な商品の推奨を行うことが難しい場合がある。例えば、類似するユーザが過去に参照した情報を推奨するだけでは、ユーザにとって適切な情報であるとは限らず、適切な商品の推奨を行うことが難しい場合がある。

【0006】

本願は、上記に鑑みてなされたものであって、適切な商品の推奨を行う情報処理装置、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。

【課題を解決するための手段】

【0007】

本願に係る情報処理装置は、複数の商品の各々に対応する複数のノードが、前記複数の商品の類似性に応じて連結されたグラフ情報と、一の商品の購入を要求する注文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、前記複数の商品のうち、前記一の商品に類似する商品である類似商品を抽出する抽出部と、前記抽出部により抽出された前記類似商品に基づく推奨情報を、前記一の商品の購入を要求する要求元へ送信する送信部と、を備えたことを特徴とする。

【発明の効果】

【0008】

実施形態の一態様によれば、適切な商品の推奨を行うことができるという効果を奏する。

【図面の簡単な説明】

【0009】

【図1】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】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】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】図４は、実施形態に係る商品情報記憶部の一例を示す図である。

【図5】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】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】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】図８は、実施形態に係る在庫情報記憶部の一例を示す図である。

【図9】図９は、実施形態に係るユーザ情報記憶部の一例を示す図である。

【図10】図１０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11】図１１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12】図１２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13】図１３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14】図１４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。

【発明を実施するための形態】

【0010】

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。

【0011】

（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ＩｏＴ（Internet of Things）機器１０である冷蔵庫から商品の注文情報を取得する場合を示す。また、図１では、情報処理装置１００が商品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、注文された商品の在庫が無い場合に、注文された商品に類似する商品（以下、「類似商品」ともいう）を抽出する場合を示す。図１では、情報処理装置１００は、各商品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）を用いて商品をグラフ構造化したグラフ情報を用いる。なお、情報処理装置１００が用いる情報は、ベクトルに限らず、各商品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、各商品に対応する所定のデータや値を用いて商品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、各商品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）を用いて商品をグラフ構造化したグラフ情報を用いてもよい。また、図１の例では、注文された商品がグラフ情報に含まれない商品である場合を一例として示すが、グラフ情報に含まれる商品など、どのような商品であってもよい。すなわち、対象とする商品（オブジェクト）は、各商品の類似性を表現可能であれば、どのような商品（情報）であってもよい。なお、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。

【0012】

〔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対象に情報処理を行う。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サービス提供装置５０（図２参照）等の他の外部装置から取得してもよい。

【0013】

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。

【0014】

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。

【0015】

例えば、情報処理装置１００は、数百万〜数億単位の商品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。

【0016】

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。

【0017】

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。

【0018】

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。

【0019】

ここで、ベクトルデータ間の距離は、商品の類似性を示し、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対象（商品）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。

【0020】

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。

【0021】

〔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（商品）に対応する。商品データが様々な商品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、商品データが、テキスト（文字情報）、画像等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、各商品の商品データ（商品情報）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。

【0022】

例えば、情報処理装置１００は、商品データの特徴を抽出するモデルを用いて各商品の商品データから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、各商品の商品データ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（商品）」、すなわち商品のデータ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。

【0023】

例えば、情報処理装置１００は、モデルＭ１に任意の商品の商品データ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、入力した商品データ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、各商品に対応するＮ次元のベクトルデータを生成してもよい。

【0024】

ここで、図１２を用いて、各商品に対応するベクトルデータの生成の一例を示す。図１２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１２は、モデルＭ１の概念図である。なお、図１２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１２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、商品データ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、入力された商品データと同様の情報を出力される層である。

【0025】

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、入力された商品データ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、入力された商品データ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、圧縮された商品データを復元する処理を行う部分に対応する。

【0026】

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、ある商品の商品データ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、ある商品の商品データ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をその商品のベクトルの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、ある商品の商品データ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をその商品のベクトルの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、各商品の商品データをモデルＭ１に入力することにより、各商品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、各商品に対応するベクトルをサービス提供装置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。

【0027】

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、ある商品の商品データ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、商品データからの特徴抽出を行ってもよい。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、各商品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。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）に対応する情報を商品データから抽出し、ベクトルを生成してもよい。例えば、情報処理装置１００は、商品カテゴリ、画像情報、製造元、及び内容量等の特徴（素性）に対応する情報を商品データから抽出し、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、その商品がメインターゲットとするユーザ属性に関する情報を用いてベクトルを生成してもよい。

【0028】

また、例えば、情報処理装置１００は、サービス提供装置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、商品情報記憶部１２１（図４参照）に記憶された各商品の商品情報ＧＩＮ１、ＧＩＮ２、ＧＩＮ４５１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、各商品の商品情報ＧＩＮ１、ＧＩＮ２、ＧＩＮ４５１等を入力として、モデルＭ１を生成してもよい。例えば、商品情報ＧＩＮ１、ＧＩＮ２、ＧＩＮ４５１等は、商品カテゴリ、画像情報、製造元、及びサイズ等に関する情報を含んでもよい。例えば、商品情報ＧＩＮ１、ＧＩＮ２、ＧＩＮ４５１等の商品情報は、対応する商品の商品カテゴリが飲料水や酒類や調味料等のいずれであるかを示す情報（第１カテゴリ情報）を含んでもよい。例えば、商品情報ＧＩＮ１、ＧＩＮ２、ＧＩＮ４５１等の商品情報は、対応する商品の商品カテゴリがビールやワインやケッチャプやソース等のいずれであるかを示す詳細な商品カテゴリ（第２カテゴリ情報）を示す情報を含んでもよい。また、例えば、商品情報は、対応する商品が撮像された画像情報を含んでもよい。例えば、商品情報は、対応する商品の製造元がどのメーカであるかを示す情報を含んでもよい。例えば、商品情報は、対応する商品の内容量等どのようなサイズであるかを示す情報を含んでもよい。例えば、商品情報は、対応する商品のターゲットとするユーザが２０代であることを示す情報や対応する商品のターゲットとするユーザが女性であることを示す情報等の商品のターゲットを示す情報を含んでもよい。なお、上記は一例であり、商品情報には、どのような情報が含まれてもよい。

【0029】

情報処理装置１００は、商品の商品情報（商品データ）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商品情報に対し、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サービス提供装置５０等の他の外部装置から取得してもよい。

【0030】

〔１−３．処理例〕
ここから、情報処理装置１００は、他の情報処置装置であるＩｏＴ機器１０から一の商品を注文することを示す情報（注文情報）を取得する場合を一例として説明する。また、図１の例では、情報処理装置１００は、一の商品の在庫が無いため、一の商品に類似する商品を推奨する情報をＩｏＴ機器１０に送信する場合を一例として説明する。

【0031】

図１では、ＩＤ「ＴＩＤ１１」により識別されるＩｏＴ機器１０（ＴＩＤ１１）である冷蔵庫は、住宅ＨＭ内に配置される。例えば、ＩｏＴ機器１０（ＴＩＤ１１）を単にＩｏＴ機器１０と記載する場合がある。この場合、冷蔵庫であるＩｏＴ機器１０は、画像センサ等の種々のセンサにより内部の変化を検知することにより、食品等の各商品が消費を検知してもよい。なお、ＩｏＴ機器１０は、画像センサに限らず、赤外線センサや重量センサ等の種々のセンサにより、各商品の状況を検知してもよい。図１の例では、ＩｏＴ機器１０は、住宅ＨＭに居住するユーザＵ１により利用される。

【0032】

図１の例では、ＩｏＴ機器１０は、内部に収納された商品Ｘの残量が所定の閾値（例えば、内容量の１０％）以下になったため、商品Ｘの注文を行う場合を示す。なお、ＩｏＴ機器１０は、商品Ｘが内部に収納された日時を検知し、検知した日時から所定の期間（例えば２週間や１ヶ月等）が経過した場合に、商品Ｘの注文を行ってもよい。例えば、商品Ｘは、あるメーカＸが製造する調味料（ケチャップ等）であってもよい。

【0033】

まず、商品Ｘの残量が所定の閾値以下になったことを検知したＩｏＴ機器１０は、商品Ｘの注文情報を情報処理装置１００へ送信する。また、図１の例では、ＩｏＴ機器１０は、商品Ｘの商品情報ＧＩＮ１１を情報処理装置１００へ送信する。例えば、ＩｏＴ機器１０は、サービス提供装置５０から商品Ｘの商品情報ＧＩＮ１１を取得し、情報処理装置１００へ送信してもよい。例えば、ＩｏＴ機器１０は、サービス提供装置５０から収集した商品Ｘの商品情報ＧＩＮ１１を情報処理装置１００へ送信する。図１の例では、商品情報ＧＩＮ１１等は、商品カテゴリ、画像情報、製造元、及びサイズ等に関する情報を含む。

【0034】

なお、情報処理装置１００が商品Ｘの商品情報ＧＩＮ１１を取得済みである場合、ＩｏＴ機器１０は、商品Ｘの商品情報ＧＩＮ１１を情報処理装置１００へ送信しなくてもよい。また、サービス提供装置５０が電子商取引サービスを提供する場合、ＩｏＴ機器１０は、商品Ｘの注文情報をサービス提供装置５０へ送信してもよい。

【0035】

そして、情報処理装置１００は、一の商品の注文情報と一の商品に関する商品情報（商品データ）を取得する（ステップＳ１０）。図１の例では、情報処理装置１００は、ＩｏＴ機器１０から商品Ｘの注文情報と商品Ｘに関する商品情報ＧＩＮ１１を取得する。なお、サービス提供装置５０が電子商取引サービスを提供する場合、情報処理装置１００は、サービス提供装置５０がＩｏＴ機器１０から取得した商品Ｘの注文情報や商品Ｘの商品情報ＧＩＮ１１をサービス提供装置５０から取得してもよい。

【0036】

そして、情報処理装置１００は、一の商品の在庫を確認する（ステップＳ１１）。図１の例では、情報処理装置１００は、在庫情報記憶部１２５に記憶された商品Ｘの在庫情報に基づいて、商品Ｘの在庫の有無を確認（判定）する。図１の例では、在庫情報記憶部１２５に示すように商品Ｘの在庫が無しであるため、情報処理装置１００は、商品Ｘの在庫が無いと判定する。なお、例えばサービス提供装置５０が電子商取引サービスを提供する場合、情報処理装置１００は、サービス提供装置５０に商品Ｘの在庫情報を要求し、サービス提供装置５０から商品Ｘの在庫情報を取得し、取得した商品Ｘの在庫情報により商品Ｘの在庫の有無を確認してもよい。なお、商品Ｘの在庫が有る場合、情報処理装置１００は、商品Ｘの決済や商品ＸをユーザＵ１の住所ＡＤ１（図９参照）へ配送する処理を行ってもよい。

【0037】

図１の例では、商品Ｘの在庫が無いため、情報処理装置１００は、商品Ｘの類似商品をＩｏＴ機器１０に推奨する情報を送信する処理を行う。まず、情報処理装置１００は、一の商品に対応する商品データ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、商品Ｘに対応するベクトルを生成する。情報処理装置１００は、商品Ｘに関する商品情報ＧＩＮ１１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、商品Ｘの商品情報ＧＩＮ１１をモデルＭ１に入力する。そして、情報処理装置１００は、商品情報ＧＩＮ１１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、商品情報ＧＩＮ１１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。

【0038】

図１の例では、情報処理装置１００は、商品情報ＧＩＮ１１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、商品Ｘの商品情報ＧＩＮ１１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１２参照）やニューロンＮＬ２に対応する値ＶＥ２（図１２参照）を用いて、ベクトルを生成する。例えば、情報処理装置１００は、商品Ｘの商品情報ＧＩＮ１１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、ある商品の商品データ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。

【0039】

なお、情報処理装置１００は、商品ＸのベクトルＶＤ１１を生成済みである場合、処理群ＰＳ１１の処理を行わなくてもよい。例えば、情報処理装置１００は、商品情報記憶部１２１（図４参照）に商品Ｘのベクトルが格納済みである場合、商品情報記憶部１２１から商品ＸのベクトルＶＤ１１を取得してもよい。

【0040】

そして、情報処理装置１００は、商品Ｘに類似する商品（類似商品）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、商品Ｘの類似商品を検索してもよい。

【0041】

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を用いて商品Ｘの類似商品を検索する。例えば、情報処理装置１００は、グラフ情報記憶部１２３（図６参照）から商品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をサービス提供装置５０等の他の外部装置から取得してもよい。

【0042】

そして、情報処理装置１００は、一の商品（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、商品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。

【0043】

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。

【0044】

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（一の商品）に対応する起点ベクトルを決定することができる。

【0045】

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。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。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、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。

【0046】

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、商品Ｘの類似商品を抽出する（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商品として抽出する。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商品として抽出する。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商品として抽出する。例えば、情報処理装置１００は、所定数（例えば、２個や１０個等）のノードを類似商品として抽出する。例えば、情報処理装置１００は、図１３に示すような検索処理により、商品Ｘの類似商品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を類似商品として抽出する。

【0047】

そして、情報処理装置１００は、抽出した類似商品に基づいて推奨商品を決定する（ステップＳ１７）。図１の例では、情報処理装置１００は、商品ＸのベクトルＶＤ１１に最も類似するノードＮ４５１に対応する商品＃４５１を推奨商品に決定する。例えば、情報処理装置１００は、商品ＸのベクトルＶＤ１１と、各類似商品のベクトルとを比較することにより、商品Ｘに最も類似する商品を決定（特定）してもよい。なお、情報処理装置１００は、１つの商品に限らず、複数個の商品を推奨商品に決定してもよい。

【0048】

そして、情報処理装置１００は、推奨商品に関する情報（推奨情報）をＩｏＴ機器１０に送信する（ステップＳ１８）。図１の例では、情報処理装置１００は、ノードＮ４５１に対応する商品＃４５１を示す情報をＩｏＴ機器１０に送信する。例えば、商品Ｘは、あるメーカＸが製造する商品Ｘ以外の他の調味料や他のメーカＹが製造するケチャップであってもよい。

【0049】

そして、情報処理装置１００から商品＃４５１を示す推奨情報を受信したＩｏＴ機器１０は、商品＃４５１を購入（注文）するかを判定する（ステップＳ１９）。例えば、ＩｏＴ機器１０は、所定の出力手段により、ユーザＵ１に通知し、ユーザＵ１による操作に基づいて商品＃４５１を購入（注文）するかを判定してもよい。例えば、ＩｏＴ機器１０は、所定の表示手段に商品＃４５１を示す推奨商品であることを表示し、ユーザＵ１による商品＃４５１の注文可否を示す操作を受け付けることにより、商品＃４５１を購入（注文）するかを判定してもよい。例えば、ＩｏＴ機器１０は、商品＃４５１を示す推奨商品であることを音声出力することによりユーザＵ１に通知し、ユーザＵ１による操作に基づいて商品＃４５１を購入（注文）するかを判定してもよい。

【0050】

なお、ＩｏＴ機器１０は、ユーザＵ１による操作を介することなく、商品＃４５１を購入（注文）するかを判定してもよい。例えば、ＩｏＴ機器１０は、ユーザＵ１が過去に商品＃４５１を購入（注文）した履歴が有る場合、商品＃４５１を購入すると判定してもよい。例えば、ＩｏＴ機器１０は、ユーザＵ１が過去に商品＃４５１を購入（注文）した履歴が無い場合、商品＃４５１を購入しないと判定してもよい。

【0051】

図１の例では、ＩｏＴ機器１０は、タッチパネル（画面）等のユーザの操作を受け付ける手段を有し、タッチパネルに商品＃４５１を示す推奨商品であることを表示するものとする。そして、ＩｏＴ機器１０は、タッチパネルによりユーザＵ１の操作を受け付けるにより、ユーザＵ１が商品＃４５１を注文することを示す情報を取得する。そして、ＩｏＴ機器１０は、商品＃４５１を注文することを示す情報（回答情報）を情報処理装置１００へ送信する。

【0052】

そして、情報処理装置１００は、ユーザＵ１が商品＃４５１を注文することを示す回答情報を取得する（ステップＳ２０）。図１の例では、情報処理装置１００は、ＩｏＴ機器１０から商品＃４５１を注文することを示す回答情報を取得する。そして、情報処理装置１００は、商品＃４５１の注文処理を行う。例えば、情報処理装置１００は、ユーザＵ１の口座情報等を用いて商品＃４５１の決済処理を行ったり、商品＃４５１をユーザＵ１の住所ＡＤ１に配送する手続を行ったりする。

【0053】

図１の例では、情報処理装置１００は、物流拠点Ａである配送センタＤＢ１に配送を指示する（ステップＳ２１）。例えば、情報処理装置１００は、配送センタＤＢ１に商品＃４５１をユーザＵ１の住所ＡＤ１に配送することを指示する。例えば、情報処理装置１００は、配送センタＤＢ１の情報処理装置（図示せず）に商品＃４５１をユーザＵ１の住所ＡＤ１に配送することを指示する情報を送信する。例えば、配送センタＤＢ１は、ユーザＵ１の住所ＡＤ１に近い物流拠点であってもよい。

【0054】

そして、情報処理装置１００から配送指示を受けた配送センタＤＢ１は、商品＃４５１をユーザＵ１の住所ＡＤ１に配送する（ステップＳ２２）。これにより、ユーザＵ１は、在庫が無かった商品Ｘの類似商品である商品＃４５１を自宅ＨＭで受け取ることができる。

【0055】

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から取得した商品Ｘの類似商品を抽出する。例えば、情報処理装置１００は、インデックス情報ＩＮＤ１１を用いて、商品Ｘの類似商品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、商品Ｘの類似商品を抽出する。そして、情報処理装置１００は、抽出した類似商品に基づいて推奨商品を決定し、推奨商品に関する情報（推奨情報）をＩｏＴ機器１０に送信する。これにより、情報処理装置１００は、適切な商品の推奨を行うことができる。例えば、ディープラーニングといった手法で、商品を識別するという方法もあるが、多種多様な商品が存在する場合においては、各商品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、そのモデルに商品の情報を入力し、出力されたスコアから商品を識別するという方法もあるが、多種多様な商品が存在する場合においては、各商品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、商品の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、各商品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、商品に類似する類似商品を適切に抽出することができる。そのため、情報処理装置１００は、商品がどのような商品に該当するかを精度よく識別することができる。

【0056】

〔１−４．状況に応じた推奨〕
図１の例では、情報処理装置１００は、商品の類似度に基づいて、ＩｏＴ機器１０やユーザの状況等を加味して推奨商品を決定してもよい。例えば、情報処理装置１００は、ＩｏＴ機器１０である冷蔵庫の収納スペースに余裕が無い場合、推奨商品に関する情報を送信しないと決定してもよい。例えば、情報処理装置１００は、ＩｏＴ機器１０である冷蔵庫の容量が所定の閾値以上使用されている場合、推奨商品に関する情報を送信しないと決定してもよい。また、例えば、情報処理装置１００は、ＩｏＴ機器１０である冷蔵庫の容量の９０％以上が使用されている場合、類似商品のうち、容量の小さい商品を推奨商品に決定してもよい。例えば、情報処理装置１００は、ＩｏＴ機器１０である冷蔵庫の容量の９０％以上が使用されている場合、類似商品のうち、容量が最も小さい商品を推奨商品に決定してもよい。

【0057】

また、例えば、情報処理装置１００は、ＩｏＴ機器１０を利用するユーザのスケジュール等の予定情報に基づいて、推奨商品に関する情報を送信するかどうかを決定してもよい。例えば、情報処理装置１００は、ＩｏＴ機器１０を利用するユーザが所定の期間（例えば１ヶ月等）不在にする予定情報が取得された場合、ＩｏＴ機器１０に、推奨商品に関する情報を送信しないと決定してもよい。例えば、情報処理装置１００は、ＩｏＴ機器１０を利用するユーザが所定の期間経過（例えば２週間等）後に不在にする予定情報が取得された場合、類似商品のうち、ユーザが不在になる前の所定の期間で消費可能な容量の商品を推奨商品に決定してもよい。

【0058】

〔１−５．カテゴリごとのモデル及びグラフ情報〕
なお、図１の例では、モデルＭ１を用いる場合を示したが、例えば、情報処理装置１００は、商品のカテゴリごとに異なるモデルを用いてもよい。

【0059】

例えば、情報処理装置１００は、酒類や調味料や野菜や肉類や冷凍食品等の種々の商品カテゴリごとに生成されたモデル（以下、「カテゴリ別モデル」ともいう）を用いて、各カテゴリに対応する商品の類似商品を抽出してもよい。例えば、情報処理装置１００は、カテゴリ別モデルを生成してもよい。情報処理装置１００は、各カテゴリ別モデルに対応するカテゴリの商品情報を入力し、その商品情報と同様の情報を出力するカテゴリ別モデル（オートエンコーダ）を生成してもよい。例えば、情報処理装置１００は、入力する商品情報自体を正解情報として、入力した商品情報と同様の情報を出力するカテゴリ別モデル（オートエンコーダ）を生成する。例えば、カテゴリ別モデルに入力する商品情報は、画像情報、製造元、及びサイズ等に関する情報を含む。この場合、情報処理装置１００は、各カテゴリに対応する商品群ごとにグラフ情報を生成してもよい。また、情報処理装置１００は、各カテゴリに対応する商品群ごとに生成されたグラフ情報をサービス提供装置５０等の外部の情報処理装置から取得してもよい。

【0060】

そして、情報処理装置１００は、酒類のカテゴリに属する商品の類似商品を抽出する場合、酒類のカテゴリに対応するグラフ情報を用いて、検索することにより、酒類のカテゴリに属する商品の類似商品を抽出してもよい。また、情報処理装置１００は、冷凍食品のカテゴリに属する商品の類似商品を抽出する場合、冷凍食品のカテゴリに対応するグラフ情報を用いて、検索することにより、酒類のカテゴリに属する商品の類似商品を抽出してもよい。

【0061】

〔１−６．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。

【0062】

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。

【0063】

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。

【0064】

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、所定の対象に関するより効率的な検索を可能にすることができる。

【0065】

〔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、ＩｏＴ機器１０と、サービス提供装置５０と、情報処理装置１００とが含まれる。ＩｏＴ機器１０と、サービス提供装置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ＩｏＴ機器１０や、複数台のサービス提供装置５０や、複数台の情報処理装置１００が含まれてもよい。

【0066】

ＩｏＴ機器１０は、ユーザによって利用される情報処理装置である。ＩｏＴ機器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、ＩｏＴ機器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ＩｏＴ機器１０と読み替えることもできる。

【0067】

ＩｏＴ機器１０は、ユーザによって利用される情報処理機能を有する各種装置である。例えば、ＩｏＴ機器１０は、通信機能を有し、サービス提供装置５０や情報処理装置１００等が提供するサービスを利用可能であればどのような装置であってもよい。例えば、ＩｏＴ機器１０は、洗濯機、冷蔵庫等のいわゆる家電製品であってもよいし、自動車等の車両であってもよい。例えば、ＩｏＴ機器１０は、スマートスピーカやロボット等の音声等を検知する装置であってもよい。例えば、ＩｏＴ機器１０は、内容物の容量等を検知する商品のパッケージ自体であってもよいし、所定の商品を購入するためのボタン等の装置であってもよい。また、ＩｏＴ機器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）等の情報処理装置であってもよい。また、例えば、ＩｏＴ機器１０は、ユーザが身に着けるウェアラブル端末（Wearable Device）等であってもよい。例えば、ＩｏＴ機器１０は、腕時計型端末やメガネ型端末等であってもよい。なお、以下では、ＩｏＴ機器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ＩｏＴ機器１０と読み替えることもできる。例えば、ＩｏＴ機器１０は、商品データ（商品情報）を収集し、商品データを情報処理装置１００へ送信する。

【0068】

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、複数の商品のうち、一の商品に類似する商品である類似商品を抽出する情報処理装置である。例えば、情報処理装置１００は、一の商品に関する商品情報を取得し、商品情報と、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。

【0069】

情報処理装置１００は、ＩｏＴ機器１０（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、ＩｏＴ機器１０から一の商品の注文情報を取得すると、一の商品情報（以下、「クエリ情報」や「クエリ」ともいう）に類似する商品（ベクトル情報等）を検索し、検索結果に基づく類似商品を示す情報をＩｏＴ機器１０に送信する。例えば、情報処理装置１００は、ＩｏＴ機器１０から一の商品の商品データを取得すると、クエリに類似する商品を検索し、検索結果に基づく類似商品を示す推奨情報をＩｏＴ機器１０に提供する。図１の例では、情報処理装置１００は、ＩｏＴ機器１０から一の商品の商品データを取得すると、一の商品に類似する商品を検索し、検索結果を類似の商品としてＩｏＴ機器１０に提供する。また、例えば、情報処理装置１００がＩｏＴ機器１０に提供するデータは、商品の名称や商品の商品データ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。

【0070】

情報処理装置１００は、また、例えば、情報処理装置１００は、電子商取引サービスを提供してもよい。また、情報処理装置１００は、電子商取引サービスにおいて販売される商品の決済や配送指示等の注文処理を行ってもよい。

【0071】

サービス提供装置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、サービス提供装置５０は、電子商取引サービスを提供するウェブサーバ等の種々の外部装置から収集した商品情報等が格納されてもよい。例えば、サービス提供装置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。

【0072】

また、例えば、サービス提供装置５０は、電子商取引サービスを提供してもよい。また、サービス提供装置５０は、電子商取引サービスにおいて販売される商品の商品情報を情報処理装置１００に提供してもよい。

【0073】

〔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。

【0074】

（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、ＩｏＴ機器１０やサービス提供装置５０との間で情報の送受信を行う。

【0075】

（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、商品情報記憶部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、在庫情報記憶部１２５と、ユーザ情報記憶部１２６とを有する。

【0076】

（商品情報記憶部１２１）
実施形態に係る商品情報記憶部１２１は、商品（オブジェクト）に関する各種情報を記憶する。例えば、商品情報記憶部１２１は、商品ＩＤやベクトルデータを記憶する。図４は、実施形態に係る商品情報記憶部の一例を示す図である。図４に示す商品情報記憶部１２１は、「商品ＩＤ」、「商品」、「商品情報」、「ベクトル情報」といった項目が含まれる。

【0077】

「商品ＩＤ」は、商品（オブジェクト）を識別するための識別情報を示す。また、「商品」は、商品ＩＤにより識別される商品の具体的な名称や内容等を示す。なお、図４の例では、商品を「商品＃１」といった抽象的な符号で示すが、各商品は、どのような商品であるかを示す情報や住所や緯度経度等の位置情報等が含まれてもよい。

【0078】

「商品情報」は、商品ＩＤにより識別される商品に関する情報を示す。なお、図４の例では、商品情報を「ＧＩＮ１」といった抽象的な符号で示すが、各商品情報は、商品ＩＤにより識別される商品カテゴリ、画像情報、製造元、及びサイズ等の種々の商品に関する情報を含む。「ベクトル情報」とは、商品ＩＤにより識別される商品（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、商品（オブジェクト）を識別する商品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。

【0079】

例えば、図４の例では、商品ＩＤ「ＧＤ１」により識別される商品（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、商品＃１については、モデルＭ１等により、商品＃１の特徴を示す「１０，２４，５４，２．．．」の多次元（Ｎ次元）のベクトル情報が商品情報ＧＩＮ１から抽出されたことを示す。

【0080】

なお、商品情報記憶部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。

【0081】

（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。

【0082】

「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。

【0083】

「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。

【0084】

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。

【0085】

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。

【0086】

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。

【0087】

（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」、「商品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。

【0088】

「ノードＩＤ」は、グラフデータにおける各ノード（対象）を識別するための識別情報を示す。また、「商品ＩＤ」は、商品（オブジェクト）を識別するための識別情報を示す。

【0089】

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（対象）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。

【0090】

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、商品ＩＤ「ＧＤ１」により識別される商品（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。

【0091】

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。

【0092】

（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。

【0093】

「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。

【0094】

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（商品）」であり、入力された商品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。

【0095】

モデルＭ１（モデルデータＭＤＴ１）は、所定の商品の商品情報（商品データ）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商品情報に対し、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。

【0096】

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。

【0097】

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。

【0098】

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。

【0099】

（在庫情報記憶部１２５）
実施形態に係る在庫情報記憶部１２５は、商品の在庫に関する各種情報を記憶する。図８は、実施形態に係る在庫情報記憶部の一例を示す図である。例えば、在庫情報記憶部１２５は、オンラインショッピング等の電子商取引サービスにおいて販売される商品に関する情報等を記憶する。図８に示す在庫情報記憶部１２５には、「商品」、「在庫情報」といった項目が含まれる。

【0100】

「商品」は、商品ＩＤにより識別される商品の具体的な名称や内容等を示す。また、「商品」には、商品ＩＤ等の商品を識別するための識別情報が記憶されてもよい。例えば、「在庫情報」は、対応する商品の在庫状況を示す。図８の例では、「在庫情報」は、対応する商品の在庫の有無のみが記憶された場合を図示するが、「在庫情報」には、在庫数等、商品の数に関する情報が記憶されてもよい。

【0101】

図８に示す例において、商品Ｘは、在庫が無いこと示す。例えば、商品Ｘは、電子商取引サービスにおいて在庫が無いこと示す。また、図８に示す例において、商品＃５００は、在庫が有ることを示す。例えば、商品＃５００は、電子商取引サービスにおいて在庫が有ることを示す。

【0102】

なお、在庫情報記憶部１２５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。

【0103】

（ユーザ情報記憶部１２６）
実施形態に係るユーザ情報記憶部１２６は、ユーザに関する情報を記憶する。図９は、実施形態に係るユーザ情報記憶部の一例を示す図である。図９には、ユーザ情報記憶部１２６に記憶されるユーザに関する情報の一例を示す。例えば、ユーザ情報記憶部１２６は、ユーザが利用するＩｏＴ機器に関する情報を記憶する。図９に示すように、ユーザ情報記憶部１２６は、ユーザが利用するＩｏＴ機器に関する情報として、「ユーザＩＤ」、「住所」、「ＩｏＴ機器１」といった項目が含まれる。なお、図９の例では、説明を簡単にするために、「ＩｏＴ機器１」のみを図示するが、ユーザ情報記憶部１２６は、「ＩｏＴ機器２」、「ＩｏＴ機器３」等、ユーザが利用するＩｏＴ機器の数に応じて、各ＩｏＴ機器の情報を記憶してもよい。

【0104】

「ユーザＩＤ」は、ユーザを識別するための識別情報を示す。例えば、ユーザＩＤ「Ｕ１」により識別されるユーザは、図１の例に示すユーザＵ１に対応する。また、「住所」は、ユーザの自宅等の住所（居住地）に関する情報を示す。なお、図９の例では、「住所」に記憶される情報を「ＡＤ１」等の符号で図示するが、「住所」には、「東京都○○区×××アパートＡ２０１号室」等の具体的な日時が記憶されるものとする。

【0105】

また、「ＩｏＴ機器１」には、「種別」や「ＩＤ」といった項目が含まれる。なお、「ＩｏＴ機器１」のみを図示するが、例えば、対応するユーザが利用するＩｏＴ機器が８つである場合、「ＩｏＴ機器１」〜「ＩｏＴ機器８」まで利用するＩｏＴ機器に関する情報が記憶される。すなわち、対応するユーザが利用するＩｏＴ機器が８つである場合、ユーザが利用する８つのＩｏＴ機器に関する情報が記憶される。「ＩｏＴ機器１」の「種別」は、ユーザが利用するＩｏＴ機器の種別を示す。また、「ＩｏＴ機器１」の「ＩＤ」は、対応するＩｏＴ機器を識別するための識別情報を示す。例えば、「ＩｏＴ機器１」の「ＩＤ」は、対応するユーザが利用するＩｏＴ機器を識別するための識別情報を示す。

【0106】

例えば、図９に示す例において、ユーザＩＤ「Ｕ１」により識別されるユーザ（ユーザＵ１）は、住所が「ＡＤ１」であり、性別が「女性」であることを示す。また、図９に示す例において、ユーザＵ１は、種別「冷蔵庫」のＩｏＴ機器を利用しており、ユーザＵ１が利用するＩｏＴ機器（冷蔵庫）のＩＤが「ＴＩＤ１１」であることを示す。また、例えば、図８に示す例において、ユーザＩＤ「Ｕ２」により識別されるユーザ（ユーザＵ２）は、住所が「ＡＤ２」であることを示す。例えば、ユーザＵ２は、種別「スマートフォン」のＩｏＴ機器を利用しており、ユーザＵ２が利用するＩｏＴ機器（スマートフォン）のＩＤが「ＴＩＤ２１」であることを示す。

【0107】

なお、ユーザ情報記憶部１２６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、ユーザ情報記憶部１２６は、性別、年齢、勤務地、興味・関心、氏名、家族構成、収入等の情報を記憶してもよい。例えば、ユーザ情報記憶部１２６は、各ＩｏＴ機器が利用できるサービスが異なる場合、ＩｏＴ機器ごとに利用するサービスに関する情報を関連付けて記憶してもよい。

【0108】

（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、商品の商品情報（商品データ）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商品情報に対し、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。

【0109】

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、抽出部１３４と、送信部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。

【0110】

（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、商品情報記憶部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や、在庫情報記憶部１２５や、ユーザ情報記憶部１２６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、ＩｏＴ機器１０やサービス提供装置５０から各種情報を取得する。

【0111】

取得部１３１は、複数の商品の各々に対応する複数のノードが、複数の商品の類似性に応じて連結されたグラフ情報と、一の商品の購入を要求する注文情報を取得する。取得部１３１は、複数の商品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、複数の商品の各々に対応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と、一の商品に関する商品情報を取得する。また、取得部１３１は、複数の商品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。また、取得部１３１は、所定のモデルを用いて複数の商品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。

【0112】

また、取得部１３１は、複数の商品に関する情報を所定のモデルに入力することにより、抽出される複数の商品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。また、取得部１３１は、所定のＩｏＴ機器１０である要求元から注文情報を取得する。また、取得部１３１は、要求元から類似商品を購入するかどうかを示す回答情報を取得する。

【0113】

例えば、取得部１３１は、データ検索の対象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。

【0114】

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。

【0115】

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。

【0116】

また、取得部１３１は、ユーザが利用するＩｏＴ機器１０から一の商品に関する商品情報を取得する。例えば、取得部１３１は、検索クエリとして、一の商品の商品データを取得する。例えば、取得部１３１は、商品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ＩｏＴ機器１０から商品Ｘに関する商品情報ＧＩＮ１１を取得する。

【0117】

例えば、取得部１３１は、一の商品に関する商品情報（商品データ）を取得する。例えば、取得部１３１は、ＩｏＴ機器１０から商品Ｘに関する商品情報ＧＩＮ１１を取得する。例えば、取得部１３１は、グラフ情報記憶部１２３から商品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。

【0118】

例えば、取得部１３１は、一の商品の注文情報と一の商品に関する商品情報（商品データ）を取得する。例えば、取得部１３１は、ＩｏＴ機器１０から商品Ｘの注文情報と商品Ｘに関する商品情報ＧＩＮ１１を取得する。なお、サービス提供装置５０が電子商取引サービスを提供する場合、取得部１３１は、サービス提供装置５０がＩｏＴ機器１０から取得した商品Ｘの注文情報や商品Ｘの商品情報ＧＩＮ１１をサービス提供装置５０から取得してもよい。

【0119】

図１の例では、取得部１３１は、ユーザＵ１が商品＃４５１を注文することを示す回答情報を取得する。取得部１３１は、ＩｏＴ機器１０から商品＃４５１を注文することを示す回答情報を取得する。

【0120】

（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、商品情報記憶部１２１に記憶された学習データ（商品情報）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、入力した商品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、入力する商品情報自体を正解情報として、入力した商品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。

【0121】

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。

【0122】

生成部１３２は、商品の商品情報（商品データ）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商品情報に対し、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。

【0123】

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、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、商品情報記憶部１２１中の商品情報ＧＩＮ１、ＧＩＮ２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。

【0124】

例えば、生成部１３２は、商品情報ＧＩＮ１が入力された場合に、モデルＭ１が商品情報ＧＩＮ１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、商品情報ＧＩＮ２が入力された場合に、モデルＭ１が商品情報ＧＩＮ２と同様の情報を出力するように、学習処理を行う。生成部１３２は、モデルを生成し、生成したモデルをモデル情報記憶部１２４に格納する。

【0125】

なお、生成部１３２は、オートエンコーダとしてのＭ１に限らず、種々の学習アルゴリズムを用いて商品に対応するモデルＭ２１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等を生成する場合、モデルＭ２１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。

【0126】

図１の例では、生成部１３２は、商品データの特徴を抽出するモデルを用いて各商品の商品データから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、各商品の商品データからベクトルを生成する。

【0127】

また、生成部１３２は、一の商品に対応する商品データ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、商品Ｘに対応するベクトルを生成する。生成部１３２は、商品Ｘに関する商品情報ＧＩＮ１１をモデルＭ１に入力する。具体的には、生成部１３２は、商品Ｘの地盤、地形、海域、土壌、及び天候等の情報を含む商品情報ＧＩＮ１１をモデルＭ１に入力する。そして、生成部１３２は、商品情報ＧＩＮ１１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、商品情報ＧＩＮ１１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。

【0128】

図１の例では、生成部１３２は、商品情報ＧＩＮ１１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、商品Ｘの商品情報ＧＩＮ１１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１２参照）やニューロンＮＬ２に対応する値ＶＥ２（図１２参照）を用いて、ベクトルを生成する。例えば、生成部１３２は、商品Ｘの商品情報ＧＩＮ１１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、商品の商品データ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。

【0129】

（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。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により取得された商品情報と、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、商品情報と、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。また、決定部１３３は、クエリに対応する商品（クエリ商品）がグラフ上に存在する場合、そのクエリ商品を起点ノードに決定する。例えば、決定部１３３は、グラフ情報中に一の商品に対応するノードが含まれる場合、当該ノードを起点ノードとして決定する。

【0130】

図１の例では、決定部１３３は、一の商品（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、商品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。

【0131】

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（一の商品）に対応する起点ベクトルを決定する。

【0132】

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。

【0133】

例えば、決定部１３３は、抽出した類似商品に基づいて推奨商品を決定する。例えば、決定部１３３は、商品ＸのベクトルＶＤ１１に最も類似するノードＮ４５１に対応する商品＃４５１を推奨商品に決定する。例えば、決定部１３３は、商品ＸのベクトルＶＤ１１と、各類似商品のベクトルとを比較することにより、商品Ｘに最も類似する商品を決定（特定）してもよい。なお、決定部１３３は、１つの商品に限らず、複数個の商品を推奨商品に決定してもよい。

【0134】

（抽出部１３４）
抽出部１３４は、各種情報を抽出する。抽出部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、複数の商品のうち、一の商品に類似する商品である類似商品を抽出する。抽出部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、複数の商品のうち、一の商品に類似する商品である類似商品を抽出する。例えば、抽出部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、複数の商品のうち、一の商品に類似する商品である類似商品を抽出する。例えば、抽出部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。抽出部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、類似商品を抽出する。また、抽出部１３４は、一の商品の在庫が無い場合、一の商品の類似商品を抽出する。また、抽出部１３４は、グラフ情報中に一の商品に対応するノードが含まれる場合、当該ノードを起点ノードとして、類似商品を抽出する。また、抽出部１３４は、一の商品に対応するノードを起点ノードとして類似商品を抽出する場合、一の商品を除く商品を類似商品として抽出する。例えば、抽出部１３４は、一の商品に対応するノードを起点ノードとして類似商品を抽出する場合、複数の商品を抽出し、複数の商品から一の商品を除いた商品を類似商品として抽出する。

【0135】

図１の例では、抽出部１３４は、商品Ｘに類似する商品を検索する。例えば、抽出部１３４は、グラフ情報ＧＲ１１を検索することにより、商品Ｘの類似商品を抽出する。抽出部１３４は、ノードＮ４５１の近傍に位置するノードを類似商品として抽出する。例えば、抽出部１３４は、ノードＮ４５１からの距離が近いノードを類似商品として抽出する。例えば、抽出部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商品として抽出する。例えば、抽出部１３４は、所定数（例えば、２個や１０個等）のノードを類似商品として抽出する。例えば、抽出部１３４は、図１３に示すような検索処理により、商品Ｘの類似商品を抽出する。図１の例では、抽出部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を類似商品として抽出する。

【0136】

（送信部１３５）
送信部１３５は、各種情報を送信する。例えば、送信部１３５は、ＩｏＴ機器１０やサービス提供装置５０に各種情報を送信する。例えば、送信部１３５は、ＩｏＴ機器１０やサービス提供装置５０に各種情報を配信する。例えば、送信部１３５は、ＩｏＴ機器１０やサービス提供装置５０に各種情報を送信する。送信部１３５は、抽出部１３４により抽出された類似商品に基づいて、所定のサービスを提供する。また、送信部１３５は、類似商品に関する情報提供サービスを提供する。送信部１３５は、ＩｏＴ機器１０に類似商品に関する情報を送信する。

【0137】

送信部１３５は、抽出部１３４により抽出された類似商品に基づく推奨情報を、一の商品の購入を要求する要求元へ送信する。また、送信部１３５は、類似商品の購入を促す推奨情報を要求元へ送信する。例えば、送信部１３５は、クエリに対応するオブジェクトＩＤを検索結果として送信する。例えば、送信部１３５は、抽出部１３４により選択されたオブジェクトＩＤをサービス提供装置５０へ送信する。送信部１３５は、抽出部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サービス提供装置５０に送信する。また、送信部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送信してもよい。

【0138】

図１の例では、送信部１３５は、推奨商品に関する情報（推奨情報）をＩｏＴ機器１０に送信する。送信部１３５は、ノードＮ４５１に対応する商品＃４５１を示す情報をＩｏＴ機器１０に送信する。

【0139】

また、図１の例では、送信部１３５は、物流拠点Ａである配送センタＤＢ１に配送を指示する。送信部１３５は、配送センタＤＢ１に商品＃４５１をユーザＵ１の住所ＡＤ１に配送することを指示する。例えば、送信部１３５は、配送センタＤＢ１の情報処理装置（図示せず）に商品＃４５１をユーザＵ１の住所ＡＤ１に配送することを指示する情報を送信する。

【0140】

〔４．情報処理のフロー〕
次に、図１０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１０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。

【0141】

図１０に示すように、情報処理装置１００は、ＩｏＴ機器１０から一の商品の注文情報を取得する（ステップＳ１０１）。図１の例では、情報処理装置１００は、ユーザＵ１が利用する冷蔵庫であるＩｏＴ機器１０（ＴＩＤ１１）から商品Ｘの注文情報と商品Ｘに関する商品情報ＧＩＮ１１とを取得する。

【0142】

そして、情報処理装置１００は、一の商品が在庫有りかどうかを判定する（ステップＳ１０２）。図１の例では、情報処理装置１００は、在庫情報記憶部１２５に記憶された在庫情報に基づいて、商品Ｘの在庫が有るかを判定する。例えば、情報処理装置１００は、一の商品の在庫が無い場合（ステップＳ１０２：Ｎｏ）、ステップＳ１０３〜Ｓ１０８の処理を行う。

【0143】

情報処理装置１００は、商品に関するグラフ情報を取得する（ステップＳ１０３）。例えば、情報処理装置１００は、グラフ情報記憶部１２３から商品に関するグラフ情報ＧＲ１１を取得する。

【0144】

そして、情報処理装置１００は、モデルを用いて一の商品に関する商品データからベクトルを生成する（ステップＳ１０４）。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、商品情報ＧＩＮ１１からベクトルＶＤ１１を生成する。

【0145】

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Ｓ１０５）。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。

【0146】

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、一の商品の類似商品を抽出する（ステップＳ１０６）。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を類似商品として抽出する。

【0147】

そして、情報処理装置１００は、類似商品に基づいて推奨商品を決定する（ステップＳ１０７）。図１の例では、情報処理装置１００は、商品Ｘのベクトルに最も類似するノードＮ４５１に対応する商品＃４５１を推奨商品に決定する。

【0148】

そして、情報処理装置１００は、ＩｏＴ機器へ推奨商品を示す推奨情報を送信する（ステップＳ１０８）。図１の例では、情報処理装置１００は、ノードＮ４５１に対応する商品＃４５１を示す情報を推奨情報としてユーザＵ１が利用する冷蔵庫であるＩｏＴ機器１０（ＴＩＤ１１）に提供する。

【0149】

一方、情報処理装置１００は、一の商品の在庫が有る場合（ステップＳ１０２：Ｙｅｓ）、一の商品の注文処理を行う（ステップＳ１０９）。例えば、情報処理装置１００は、ユーザの口座情報等を用いて一の商品の決済処理を行ったり、一の商品をユーザが指定する住所に配送する手続を行ったりする。

【0150】

〔５．生成処理のフロー〕
次に、図１１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１１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。

【0151】

図１１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、商品情報記憶部１２１から学習データを取得する。例えば、情報処理装置１００は、商品情報記憶部１２１から商品情報ＧＩＮ１、ＧＩＮ２等を学習データとして取得する。

【0152】

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、商品情報記憶部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（商品データ）と同様の情報（商品データ）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、商品の商品データ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。

【0153】

〔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１３を一例として説明する。図１３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。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、一の商品の商品データ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、一の商品の商品データ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、商品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。

【0154】

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。

【0155】

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。

【0156】

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）。

【0157】

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。

【0158】

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。

【0159】

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）。

【0160】

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を超える場合（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。

【0161】

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を超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。

【0162】

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）。

【0163】

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）。

【0164】

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。

【0165】

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ＩｏＴ機器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（商品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ＩｏＴ機器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に対応する商品＃４５１や、ノードＮ３５に対応する商品＃３５を示す情報を、商品Ｘに類似する商品の情報としてユーザＵ１が利用するＩｏＴ機器１０に提供する。

【0166】

〔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、抽出部１３４と、送信部１３５とを有する。取得部１３１は、複数の商品の各々に対応する複数のノードが、複数の商品の類似性に応じて連結されたグラフ情報と、一の商品の購入を要求する注文情報を取得する。抽出部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、複数の商品のうち、一の商品に類似する商品である類似商品を抽出する。送信部１３５は、抽出部１３４により抽出された類似商品に基づく推奨情報を、一の商品の購入を要求する要求元へ送信する。

【0167】

このように、実施形態に係る情報処理装置１００は、起点ノードを起点としてグラフ情報を検索し、抽出された類似商品に基づく推奨情報を、一の商品の購入を要求する要求元へ送信することにより、適切な商品の推奨を行うことができる。

【0168】

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。抽出部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、類似商品を抽出する。

【0169】

このように、実施形態に係る情報処理装置１００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ことにより、適切な商品の推奨を行うことができる。

【0170】

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、起点ノードを決定する。

【0171】

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、起点ノードを決定することにより、適切な商品の推奨を行うことができる。

【0172】

また、実施形態に係る情報処理装置１００において、抽出部１３４は、グラフ情報中に一の商品に対応するノードが含まれる場合、当該ノードを起点ノードとして、類似商品を抽出する。

【0173】

このように、実施形態に係る情報処理装置１００は、グラフ情報中に一の商品に対応するノードが含まれる場合、その一の商品に対応するノードを起点ノードとして、その一の商品の類似商品を抽出することにより、類似の商品を適切に抽出することができる。

【0174】

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、複数の商品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。

【0175】

このように、実施形態に係る情報処理装置１００は、複数の商品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、類似の商品を適切に抽出することができる。

【0176】

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、複数の商品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。

【0177】

このように、実施形態に係る情報処理装置１００は、複数の商品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、適切な商品の推奨を行うことができる。

【0178】

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商品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。

【0179】

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商品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、適切な商品の推奨を行うことができる。

【0180】

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、複数の商品に関する情報を所定のモデルに入力することにより、抽出される複数の商品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。

【0181】

このように、実施形態に係る情報処理装置１００は、複数の商品に関する情報を所定のモデルに入力することにより、抽出される複数の商品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、適切な商品の推奨を行うことができる。

【0182】

また、実施形態に係る情報処理装置１００において、送信部１３５は、類似商品の購入を促す推奨情報を要求元へ送信する。

【0183】

このように、実施形態に係る情報処理装置１００は、類似商品の購入を促す推奨情報を要求元へ送信することにより、適切な商品の推奨を行うことができる。

【0184】

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ＩｏＴ機器１０である要求元から注文情報を取得する。

【0185】

このように、実施形態に係る情報処理装置１００は、所定のＩｏＴ機器１０である要求元から注文情報を取得することにより、所定のＩｏＴ機器１０に対して適切な商品の推奨を行うことができる。

【0186】

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、要求元から類似商品を購入するかどうかを示す回答情報を取得する。

【0187】

このように、実施形態に係る情報処理装置１００は、要求元から類似商品を購入するかどうかを示す回答情報を取得することにより、要求元からの推奨した商品に対する回答を取得することができる。

【0188】

また、実施形態に係る情報処理装置１００において、抽出部１３４は、一の商品の在庫が無い場合、一の商品の類似商品を抽出する。

【0189】

このように、実施形態に係る情報処理装置１００は、一の商品の在庫が無い場合、一の商品の類似商品を抽出することにより、一の商品の在庫が無い場合において、一の商品の代替となりうる適切な商品の推奨を行うことができる。

【0190】

〔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１４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１４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。

【0191】

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。

【0192】

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。

【0193】

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。

【0194】

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。

【0195】

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。

【0196】

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。

【0197】

〔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。

【0198】

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。

【0199】

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。

【0200】

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。

【符号の説明】

【0201】

１ 情報処理システム
１００ 情報処理装置
１２１ 商品情報記憶部
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
１２５ 在庫情報記憶部
１２６ ユーザ情報記憶部
１３０ 制御部
１３１ 取得部
１３２ 生成部
１３３ 決定部
１３４ 抽出部
１３５ 送信部
１０ ＩｏＴ機器
５０ サービス提供装置
Ｎ ネットワーク

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】

【図13】

【図14】