ホーム > 特許ランキング > ＬＩＮＥヤフー株式会社
知財求人 - 知財ポータルサイト「IP Force」
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】公開特許公報(A)
(11)【公開番号】P2024165298
(43)【公開日】2024-11-28
(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 16/9032 20190101AFI20241121BHJP
【ＦＩ】
G06F16/9032
【審査請求】未請求
【請求項の数】20
【出願形態】ＯＬ
(21)【出願番号】P 2023081383
(22)【出願日】2023-05-17
(71)【出願人】
【識別番号】500257300
【氏名又は名称】ＬＩＮＥヤフー株式会社
(74)【代理人】
【識別番号】110002147
【氏名又は名称】弁理士法人酒井国際特許事務所
(72)【発明者】
【氏名】岩崎 雅二郎
【テーマコード（参考）】
5B175
【Ｆターム（参考）】
5B175FA01
5B175FB04
(57)【要約】
【課題】インデックスのパラメータの値をクエリに応じて推定するモデルを生成可能にする。
【解決手段】本願に係る情報処理装置は、複数のオブジェクトを対象とするインデックスと、クエリ用オブジェクトと、検索を行う場合に要求される第１精度とを取得する取得部と、クエリ用オブジェクトを用いて複数のオブジェクトを対象とした検索における正解検索結果を生成する第１生成部と、インデックスを用いて複数のオブジェクトのうちクエリ用オブジェクトに対応する近傍のオブジェクトを抽出する抽出処理を、検索に関するパラメータの値を変動させて繰り返し実行し、抽出処理の結果と正解検索結果との比較に基づく第２精度が第１精度との差が所定の条件を満たした際のパラメータの値と、クエリ用オブジェクトとを対応付けることにより、パラメータの値を推定するモデルの学習に用いる学習用データを生成する第２生成部とを有する。
【選択図】図４
【解決手段】本願に係る情報処理装置は、複数のオブジェクトを対象とするインデックスと、クエリ用オブジェクトと、検索を行う場合に要求される第１精度とを取得する取得部と、クエリ用オブジェクトを用いて複数のオブジェクトを対象とした検索における正解検索結果を生成する第１生成部と、インデックスを用いて複数のオブジェクトのうちクエリ用オブジェクトに対応する近傍のオブジェクトを抽出する抽出処理を、検索に関するパラメータの値を変動させて繰り返し実行し、抽出処理の結果と正解検索結果との比較に基づく第２精度が第１精度との差が所定の条件を満たした際のパラメータの値と、クエリ用オブジェクトとを対応付けることにより、パラメータの値を推定するモデルの学習に用いる学習用データを生成する第２生成部とを有する。
【選択図】図４
【特許請求の範囲】
【請求項1】
データ検索の対象となる複数のオブジェクトを対象とするインデックスと、前記データ検索での検索クエリ用のクエリ用オブジェクトと、前記複数のオブジェクトを検索対象として検索を行う場合に要求される第１精度を示す基準情報とを取得する取得部と、
前記クエリ用オブジェクトを用いて前記複数のオブジェクトを対象とした検索における正解となるオブジェクトを示す正解検索結果を生成する第１生成部と、
前記インデックスを用いて前記複数のオブジェクトのうち前記クエリ用オブジェクトに対応する近傍のオブジェクトを抽出する抽出処理を、検索に関するパラメータの値を変動させて繰り返し実行し、前記抽出処理の結果と前記正解検索結果との比較に基づく第２精度が前記第１精度との差が所定の条件を満たした際の前記パラメータの値と、前記クエリ用オブジェクトとを対応付けることにより、前記パラメータの値を推定するモデルの学習に用いる学習用データを生成する第２生成部と、
を備えることを特徴とする情報処理装置。
前記クエリ用オブジェクトを用いて前記複数のオブジェクトを対象とした検索における正解となるオブジェクトを示す正解検索結果を生成する第１生成部と、
前記インデックスを用いて前記複数のオブジェクトのうち前記クエリ用オブジェクトに対応する近傍のオブジェクトを抽出する抽出処理を、検索に関するパラメータの値を変動させて繰り返し実行し、前記抽出処理の結果と前記正解検索結果との比較に基づく第２精度が前記第１精度との差が所定の条件を満たした際の前記パラメータの値と、前記クエリ用オブジェクトとを対応付けることにより、前記パラメータの値を推定するモデルの学習に用いる学習用データを生成する第２生成部と、
を備えることを特徴とする情報処理装置。
【請求項2】
前記取得部は、
近似近傍検索に用いられる前記インデックスを取得する
ことを特徴とする請求項１に記載の情報処理装置。
近似近傍検索に用いられる前記インデックスを取得する
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】
前記取得部は、
前記複数のオブジェクトがエッジで連結されたグラフインデックスを前記インデックスとして取得する
ことを特徴とする請求項２に記載の情報処理装置。
前記複数のオブジェクトがエッジで連結されたグラフインデックスを前記インデックスとして取得する
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】
前記第２生成部は、
前記抽出処理の結果の精度が高く変化の方向に前記パラメータの値を段階的に変更して前記抽出処理を繰り返し実行し、前記第２精度が前記第１精度との差が所定の条件を満たした際の前記パラメータの値と、前記クエリ用オブジェクトとを対応付けることにより、前記学習用データを生成する
ことを特徴とする請求項１に記載の情報処理装置。
前記抽出処理の結果の精度が高く変化の方向に前記パラメータの値を段階的に変更して前記抽出処理を繰り返し実行し、前記第２精度が前記第１精度との差が所定の条件を満たした際の前記パラメータの値と、前記クエリ用オブジェクトとを対応付けることにより、前記学習用データを生成する
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】
前記第２生成部は、
前記パラメータの値を段階的に増加させて前記抽出処理を繰り返し実行し、前記第２精度が前記第１精度との差が所定の条件を満たした際の前記パラメータの値と、前記クエリ用オブジェクトとを対応付けることにより、前記学習用データを生成する
ことを特徴とする請求項１に記載の情報処理装置。
前記パラメータの値を段階的に増加させて前記抽出処理を繰り返し実行し、前記第２精度が前記第１精度との差が所定の条件を満たした際の前記パラメータの値と、前記クエリ用オブジェクトとを対応付けることにより、前記学習用データを生成する
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6】
前記取得部は、
学習に用いるオブジェクト群から選択されるオブジェクトである前記クエリ用オブジェクトと、前記クエリ用オブジェクトとして選択されたオブジェクトを前記オブジェクト群から除いた前記複数のオブジェクトを対象とする前記インデックスとを取得する
ことを特徴とする請求項１に記載の情報処理装置。
学習に用いるオブジェクト群から選択されるオブジェクトである前記クエリ用オブジェクトと、前記クエリ用オブジェクトとして選択されたオブジェクトを前記オブジェクト群から除いた前記複数のオブジェクトを対象とする前記インデックスとを取得する
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7】
前記取得部は、
前記オブジェクト群のうちランダムに選択されるオブジェクトである前記クエリ用オブジェクトを取得する
ことを特徴とする請求項６に記載の情報処理装置。
前記オブジェクト群のうちランダムに選択されるオブジェクトである前記クエリ用オブジェクトを取得する
ことを特徴とする請求項６に記載の情報処理装置。
【請求項8】
前記取得部は、
学習に用いるオブジェクト群である前記複数のオブジェクトを対象とする前記インデックスと、前記オブジェクト群以外のオブジェクトである前記クエリ用オブジェクトとを取得する
ことを特徴とする請求項１に記載の情報処理装置。
学習に用いるオブジェクト群である前記複数のオブジェクトを対象とする前記インデックスと、前記オブジェクト群以外のオブジェクトである前記クエリ用オブジェクトとを取得する
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9】
前記取得部は、
前記オブジェクト群とは異なるクエリ用オブジェクト群から前記クエリ用オブジェクトを取得する
ことを特徴とする請求項８に記載の情報処理装置。
前記オブジェクト群とは異なるクエリ用オブジェクト群から前記クエリ用オブジェクトを取得する
ことを特徴とする請求項８に記載の情報処理装置。
【請求項10】
前記学習用データを用いた機械学習により前記モデルを生成する学習部と、
ことを特徴とする請求項１に記載の情報処理装置。
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11】
前記学習部は、
検索クエリとして用いられるデータを入力として、入力されたデータに対応する前記パラメータの値を示す情報を出力する前記モデルを生成する
ことを特徴とする請求項１０に記載の情報処理装置。
検索クエリとして用いられるデータを入力として、入力されたデータに対応する前記パラメータの値を示す情報を出力する前記モデルを生成する
ことを特徴とする請求項１０に記載の情報処理装置。
【請求項12】
前記学習部は、
入力されたデータに対応する前記パラメータの値を示す分類結果を出力する分類モデルである前記モデルを生成する
ことを特徴とする請求項１１に記載の情報処理装置。
入力されたデータに対応する前記パラメータの値を示す分類結果を出力する分類モデルである前記モデルを生成する
ことを特徴とする請求項１１に記載の情報処理装置。
【請求項13】
前記学習部は、
前記学習用データに含まれる一のクエリ用オブジェクトを入力した場合に、前記一のクエリ用オブジェクトに対応付けられた前記パラメータの値が該当する分類結果を出力するように前記モデルを学習する
ことを特徴とする請求項１２に記載の情報処理装置。
前記学習用データに含まれる一のクエリ用オブジェクトを入力した場合に、前記一のクエリ用オブジェクトに対応付けられた前記パラメータの値が該当する分類結果を出力するように前記モデルを学習する
ことを特徴とする請求項１２に記載の情報処理装置。
【請求項14】
前記学習部は、
入力されたデータに対応する前記パラメータの値を出力する前記モデルを生成する
ことを特徴とする請求項１１に記載の情報処理装置。
入力されたデータに対応する前記パラメータの値を出力する前記モデルを生成する
ことを特徴とする請求項１１に記載の情報処理装置。
【請求項15】
前記学習部は、
前記学習用データに含まれる一のクエリ用オブジェクトを入力した場合に、前記一のクエリ用オブジェクトに対応付けられた前記パラメータの値を出力するように前記モデルを学習する
ことを特徴とする請求項１４に記載の情報処理装置。
前記学習用データに含まれる一のクエリ用オブジェクトを入力した場合に、前記一のクエリ用オブジェクトに対応付けられた前記パラメータの値を出力するように前記モデルを学習する
ことを特徴とする請求項１４に記載の情報処理装置。
【請求項16】
前記モデルを用いた推論結果を用いた検索処理を実行する検索処理部と、
ことを特徴とする請求項１に記載の情報処理装置。
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17】
前記検索処理部は、
前記モデルの出力に基づいて前記パラメータの値を設定し、前記検索処理を実行する
ことを特徴とする請求項１６に記載の情報処理装置。
前記モデルの出力に基づいて前記パラメータの値を設定し、前記検索処理を実行する
ことを特徴とする請求項１６に記載の情報処理装置。
【請求項18】
前記取得部は、
処理対象となる検索クエリである対象クエリを取得し、
前記検索処理部は、
前記対象クエリを前記モデルに入力し、前記モデルの出力に対応する値に前記パラメータの値を設定し、前記検索処理を実行する
ことを特徴とする請求項１６に記載の情報処理装置。
処理対象となる検索クエリである対象クエリを取得し、
前記検索処理部は、
前記対象クエリを前記モデルに入力し、前記モデルの出力に対応する値に前記パラメータの値を設定し、前記検索処理を実行する
ことを特徴とする請求項１６に記載の情報処理装置。
【請求項19】
コンピュータが実行する情報処理方法であって、
データ検索の対象となる複数のオブジェクトを対象とするインデックスと、前記データ検索での検索クエリ用のクエリ用オブジェクトと、前記複数のオブジェクトを検索対象として検索を行う場合に要求される第１精度を示す基準情報とを取得する取得工程と、
前記クエリ用オブジェクトを用いて前記複数のオブジェクトを対象とした検索における正解となるオブジェクトを示す正解検索結果を生成する第１生成工程と、
前記インデックスを用いて前記複数のオブジェクトのうち前記クエリ用オブジェクトに対応する近傍のオブジェクトを抽出する抽出処理を、検索に関するパラメータの値を変動させて繰り返し実行し、前記抽出処理の結果と前記正解検索結果との比較に基づく第２精度が前記第１精度との差が所定の条件を満たした際の前記パラメータの値と、前記クエリ用オブジェクトとを対応付けることにより、前記パラメータの値を推定するモデルの学習に用いる学習用データを生成する第２生成工程と、
を含むことを特徴とする情報処理方法。
データ検索の対象となる複数のオブジェクトを対象とするインデックスと、前記データ検索での検索クエリ用のクエリ用オブジェクトと、前記複数のオブジェクトを検索対象として検索を行う場合に要求される第１精度を示す基準情報とを取得する取得工程と、
前記クエリ用オブジェクトを用いて前記複数のオブジェクトを対象とした検索における正解となるオブジェクトを示す正解検索結果を生成する第１生成工程と、
前記インデックスを用いて前記複数のオブジェクトのうち前記クエリ用オブジェクトに対応する近傍のオブジェクトを抽出する抽出処理を、検索に関するパラメータの値を変動させて繰り返し実行し、前記抽出処理の結果と前記正解検索結果との比較に基づく第２精度が前記第１精度との差が所定の条件を満たした際の前記パラメータの値と、前記クエリ用オブジェクトとを対応付けることにより、前記パラメータの値を推定するモデルの学習に用いる学習用データを生成する第２生成工程と、
を含むことを特徴とする情報処理方法。
【請求項20】
データ検索の対象となる複数のオブジェクトを対象とするインデックスと、前記データ検索での検索クエリ用のクエリ用オブジェクトと、前記複数のオブジェクトを検索対象として検索を行う場合に要求される第１精度を示す基準情報とを取得する取得手順と、
前記クエリ用オブジェクトを用いて前記複数のオブジェクトを対象とした検索における正解となるオブジェクトを示す正解検索結果を生成する第１生成手順と、
前記インデックスを用いて前記複数のオブジェクトのうち前記クエリ用オブジェクトに対応する近傍のオブジェクトを抽出する抽出処理を、検索に関するパラメータの値を変動させて繰り返し実行し、前記抽出処理の結果と前記正解検索結果との比較に基づく第２精度が前記第１精度との差が所定の条件を満たした際の前記パラメータの値と、前記クエリ用オブジェクトとを対応付けることにより、前記パラメータの値を推定するモデルの学習に用いる学習用データを生成する第２生成手順と、
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。
前記クエリ用オブジェクトを用いて前記複数のオブジェクトを対象とした検索における正解となるオブジェクトを示す正解検索結果を生成する第１生成手順と、
前記インデックスを用いて前記複数のオブジェクトのうち前記クエリ用オブジェクトに対応する近傍のオブジェクトを抽出する抽出処理を、検索に関するパラメータの値を変動させて繰り返し実行し、前記抽出処理の結果と前記正解検索結果との比較に基づく第２精度が前記第１精度との差が所定の条件を満たした際の前記パラメータの値と、前記クエリ用オブジェクトとを対応付けることにより、前記パラメータの値を推定するモデルの学習に用いる学習用データを生成する第２生成手順と、
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、種々のインデックスを用いて情報を探索（検索）する技術が提供されている。例えば、検索対象に対応するノードがエッジにより連結されたグラフをインデックスとして生成し、生成したグラフを用いて検索を行う技術が提供されている。また、このような技術は、例えば画像検索等に用いられる。
【先行技術文献】
【特許文献】
【0003】
【特許文献1】特許第６２９３３３５号公報
【特許文献2】特許第６３００９８２号公報
【特許文献3】特許第６３１１０００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、上記の従来技術には改善の余地がある。例えば、上記の従来技術では、グラフ等のインデックスを用いた検索処理時には探索範囲等を規定するパラメータを設定する必要があるが、パラメータの適切な値を設定することは難しい。例えば、パラメータの値は、クエリに応じて変動することが想定され、クエリに応じて適切なパラメータの値設定を可能にすることが望まれている。
【0006】
本願は、上記に鑑みてなされたものであって、インデックスのパラメータの値をクエリに応じて推定するモデルを生成可能にする情報処理装置、情報処理方法、及び情報処理プログラムを提供することを目的とする。
【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、データ検索の対象となる複数のオブジェクトを対象とするインデックスと、前記データ検索での検索クエリ用のクエリ用オブジェクトと、前記複数のオブジェクトを検索対象として検索を行う場合に要求される第１精度を示す基準情報とを取得する取得部と、前記クエリ用オブジェクトを用いて前記複数のオブジェクトを対象とした検索における正解となるオブジェクトを示す正解検索結果を生成する第１生成部と、前記インデックスを用いて前記複数のオブジェクトのうち前記クエリ用オブジェクトに対応する近傍のオブジェクトを抽出する抽出処理を、検索に関するパラメータの値を変動させて繰り返し実行し、前記抽出処理の結果と前記正解検索結果との比較に基づく第２精度が前記第１精度との差が所定の条件を満たした際の前記パラメータの値と、前記クエリ用オブジェクトとを対応付けることにより、前記パラメータの値を推定するモデルの学習に用いる学習用データを生成する第２生成部と、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、インデックスのパラメータの値をクエリに応じて推定するモデルを生成可能にすることができるという効果を奏する。
【図面の簡単な説明】
【0009】
【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〕
以下では、図１及び図２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及び図２は、実施形態に係る情報処理の一例を示す図である。具体的には、図１は、実施形態に係るモデルを学習するためのデータ（「学習用データ」ともいう）を生成する処理（生成処理）の一例を示す。また、図２は、実施形態に係る推論処理に基づく検索処理の一例を示す図である。以下では、近似近傍検索（以下「近傍検索」ともいう）に用いるインデックスのパラメータの値を推定する推定モデルを学習する学習用データの生成処理、生成した学習用データを用いた推定モデルの学習処理、学習した推定モデルを用いた推論処理に基づく近傍検索の検索処理の順で説明する。
〔１．情報処理〕
以下では、図１及び図２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及び図２は、実施形態に係る情報処理の一例を示す図である。具体的には、図１は、実施形態に係るモデルを学習するためのデータ（「学習用データ」ともいう）を生成する処理（生成処理）の一例を示す。また、図２は、実施形態に係る推論処理に基づく検索処理の一例を示す図である。以下では、近似近傍検索（以下「近傍検索」ともいう）に用いるインデックスのパラメータの値を推定する推定モデルを学習する学習用データの生成処理、生成した学習用データを用いた推定モデルの学習処理、学習した推定モデルを用いた推論処理に基づく近傍検索の検索処理の順で説明する。
【0012】
なお、以下の例では、データ検索の対象となる複数のオブジェクトがエッジで連結されたグラフインデックス（単に「グラフ」ともいう）を、近傍検索に用いるインデックスの一例として説明するが、インデックスはグラフに限られない。すなわち、以下に示すグラフはインデックスに一例に過ぎず、インデックスは、近傍検索に用いるインデックスであれば、グラフに限らず、木構造のインデックス、バイナリーインデックス、直積量子化のインデックス等の任意のインデックスであってもよい。
【0013】
また、以下の例では、グラフの検索における検索範囲係数（図２参照）であるパラメータ「ε」（単に「ε」と記載する場合がある）を、値を推定する対象となるパラメータの一例として説明するが、値を推定する対象となるパラメータはεに限られない。すなわち、以下に示すεはパラメータの一例に過ぎず、パラメータは、インデックスを用いた近傍検索で設定するパラメータであれば、εに限らず、任意のパラメータであってもよい。
【0014】
〔１－１．生成処理例〕
まず、図１を用いて、学習用データを生成処理の一例について説明する。なお、図１では、情報処理装置１００（図４参照）が学習に用いるオブジェクト群（「データセット」ともいう）から生成処理時の検索クエリとして用いるオブジェクト（「クエリ用オブジェクト」ともいう）を選択する場合を一例として説明する。なお、クエリ用オブジェクトは、データセット以外から選択されてもよい。この場合、図１では、情報処理装置１００は、例えば、データセットＤＳ１以外とは異なるデータセットであるクエリ用オブジェクト群ＤＳ２からクエリ用オブジェクトを取得する。
まず、図１を用いて、学習用データを生成処理の一例について説明する。なお、図１では、情報処理装置１００（図４参照）が学習に用いるオブジェクト群（「データセット」ともいう）から生成処理時の検索クエリとして用いるオブジェクト（「クエリ用オブジェクト」ともいう）を選択する場合を一例として説明する。なお、クエリ用オブジェクトは、データセット以外から選択されてもよい。この場合、図１では、情報処理装置１００は、例えば、データセットＤＳ１以外とは異なるデータセットであるクエリ用オブジェクト群ＤＳ２からクエリ用オブジェクトを取得する。
【0015】
図１の例では、情報処理装置１００は、オブジェクトＯＢ１、ＯＢ２、ＯＢ３、ＯＢ１０１等の複数のオブジェクトを含むデータセットＤＳ１を用いて、パラメータ「ε」の値を推定する推定モデルであるモデルＭ１（図２参照）の学習用データを生成する。例えば、データセットＤＳ１中の各オブジェクトは、ベクトル化され、ベクトル化されたオブジェクト（ベクトル情報）を対象として、後述する検索処理などの各種処理を行う。なお、オブジェクトは、ベクトルとして表現可能であれば、どのような情報であってもよい。なお、以下では、画像情報を対象としたベクトル情報について説明するが、ベクトル情報の対象は、動画情報や音声情報等の他の対象であってもよい。
【0016】
また、情報処理装置１００が用いる情報は、ベクトルに限らず、各対象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、各対象に対応する所定のデータや値を用いて対象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、各対象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）を用いて対象をグラフ構造化したグラフ情報を用いてもよい。例えば、ベクトルに代えて、データ間の距離（類似度）が定義されていれば任意の形態のデータであっても良い。例えば、情報処理装置１００は、情報提供装置５０（図３参照）等の他の外部装置から取得する。なお、データセットＤＳ１を取得済みである場合、情報処理装置１００は、例えば記憶部１２０（図４参照）からデータセットＤＳ１を取得してもよい。
【0017】
まず、情報処理装置１００は、クエリ用オブジェクトを取得する（ステップＳ１）。図１では、情報処理装置１００は、与えられたデータセットＤＳ１からクエリ用オブジェクトを選択する。情報処理装置１００は、データセットＤＳ１からランダムにクエリ用オブジェクトを選択する。これにより、情報処理装置１００は、データセットに含まれないオブジェクトをクエリ用オブジェクトとすることができる。例えば、情報処理装置１００は、データセットＤＳ１からオブジェクトＯＢ５００等をクエリ用オブジェクトとして選択する。このように、図１の例では、情報処理装置１００は、クエリ用オブジェクトリストＲＱ１に示すように、オブジェクトＯＢ５００をクエリ用オブジェクトＱＥ１として選択する。情報処理装置１００は、データセットＤＳ１から、クエリ用オブジェクトとして選択したオブジェクトを除いたデータ群を検索対象データ群ＴＤ１として生成する。
【0018】
そして、情報処理装置１００は、正解検索結果を生成する（ステップＳ２）。情報処理装置１００は、クエリ用オブジェクトリストＲＱ１に示すように、クエリ用オブジェクトとして選択した各オブジェクトをクエリとして用い、検索対象データ群ＴＤ１を検索した場合の正解検索結果を生成する。図１では、クエリ用オブジェクトＱＥ１として選択したオブジェクトＯＢ５００をクエリとして用い、検索対象データ群ＴＤ１を検索した場合の正解検索結果を生成する。例えば、情報処理装置１００は、検索対象データ群ＴＤ１を線形探索することにより、クエリ用オブジェクトＱＥ１について、ｋ個（ｋは任意の数）のオブジェクト（ノード）を近傍オブジェクト（近傍ノード）として抽出した結果を示す正解検索結果を生成する。
【0019】
図１では、情報処理装置１００は、クエリ用オブジェクトＱＥ１に対応する正解検索結果ＲＲ１を生成する。正解検索結果ＲＲ１に示すように、クエリ用オブジェクトＱＥ１に対応する近似正解情報は、Ｎｏが「１」である、すなわち最も近傍のノードがオブジェクトＯＢ１０１に対応するノードであることを示す。また、クエリ用オブジェクトＱＥ１に対応する近似正解情報は、Ｎｏが「ｋ」である、すなわち最も遠いノード（最遠オブジェクト）がオブジェクトＯＢ５５に対応するノードであることを示す。情報処理装置１００は、正解検索結果ＲＲ１を用いて、後述する精度算出等の処理を行う。
【0020】
正解検索結果の生成については、線形探索に限らず、任意の手法により行われてもよい。例えば、情報処理装置１００は、ステップＳ３で生成するグラフＧＲ１１を用いて、正解検索結果を生成してもよい。この場合、情報処理装置１００は、ステップＳ２よりも先にステップＳ３を行ってもよい。例えば、情報処理装置１００は、パラメータ「ε」の値を所定値以上大きくして、グラフＧＲ１１を用いて、図７に示すような処理を行うことにより、クエリ用オブジェクトＱＥ１に対応する正解検索結果を生成してもよい。なお、上記は一例であり、情報処理装置１００は、どのような処理により、正解検索結果を生成してもよい。
【0021】
ここで、パラメータ「ε」の概念について簡単に説明する。図２のグラフＧＲ１１中の「Ｑ」を内部に記載した「○」は、クエリを概念的に示し、クエリに対応する範囲ＡＲ１及び範囲ＡＲ２を概念的に図示する。範囲ＡＲ１は、クエリを中心とする半径ｒ内の範囲を概念的に示し、範囲ＡＲ２は、クエリを中心とする半径ｒをεだけ拡張した半径ｒ（１＋ε）内の範囲を示す。このように、εは、検索範囲を変動（拡張）するためのパラメータとして用いられる。例えば、情報処理装置１００は、パラメータ「ε」を適用した処理により、近傍オブジェクトを抽出する処理を行うが、パラメータ「ε」を用いた処理の詳細は図７において説明する。
【0022】
そして、情報処理装置１００は、グラフを生成する（ステップＳ３）。情報処理装置１００は、データセットＤＳ１についてグラフを生成する。図１では、情報処理装置１００は、データセットＤＳ１のうち、クエリ用オブジェクトとして選択されたオブジェクト（オブジェクトＯＢ５００等）を除いたオブジェクト群（検索対象データ群ＴＤ１）についてグラフを生成する。図１では、情報処理装置１００は、検索対象データ群ＴＤ１について、グラフＧＲ１１を生成する。情報処理装置１００は、グラフ生成に関する種々の技術を適宜用いて、グラフＧＲ１１を生成する。ここで、グラフＧＲ１１について説明する。
【0023】
図１に示すグラフＧＲ１１は、検索対象データ群ＴＤ１に含まれる各オブジェクトに対応するノードが有向エッジで連結されたグラフ情報を示す。なお、図１中のグラフＧＲ１１に示すようなグラフ情報は、情報処理装置１００が生成する場合に限らず、情報処理装置１００は、図１中のグラフＧＲ１１に示すようなグラフ情報を情報提供装置５０等の他の外部装置から取得してもよい。
【0024】
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、全て無向エッジ（双方向エッジ）であってもよい。
【0025】
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個のノードのうち、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。また、ここでいう、各ノードは、各オブジェクトに対応する。例えば、画像から抽出された複数の局所特徴量のそれぞれがオブジェクトであってもよい。また、例えば、オブジェクト間の距離が定義された種々のデータがオブジェクトであってもよい。
【0026】
また、図１中のグラフＧＲ１１には、データセットＤＳ１中の多数のオブジェクト（ノード）が含まれるが、図面においてはその一部のみを図示する。例えば、情報処理装置１００は、図１中のグラフＧＲ１１に示すように、ノードＮ１～Ｎ３、Ｎ４３、Ｎ５３等の複数のノード（ベクトル）を含むグラフ情報を生成する。図１の例では、説明を簡単にするために、５個のノードを図示して処理の概要を説明するが、グラフＧＲ１１にはデータセットＤＳ１中のオブジェクト数に対応する数のノードが含まれる。
【0027】
図１の例では、例えば、情報処理装置１００は、各オブジェクトに対応する各ノードから所定数以上の出力エッジが他のエッジに連結されるように、グラフＧＲ１１を生成する。情報処理装置１００は、グラフＧＲ１１における各ノードが、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）が連結されるようにグラフＧＲ１を生成する。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個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等の種々の距離が用いられてもよい。例えば、距離は、２つのオブジェクト間の類似度を反映するものであれば、どのような情報であってもよく、例えばコサイン類似度等の角度に関する情報であってもよい。
【0028】
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。
【0029】
また、図１中のグラフＧＲ１１では、ノードＮ１は、ノードＮ５３へ向かう有向エッジであるエッジＥ２が連結される。すなわち、ノードＮ１は、ノードＮ５３とエッジＥ２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Ｅ３１」と記載した場合、そのエッジはエッジＩＤ「Ｅ３１」により識別されるエッジである。例えば、ノードＮ１を参照元とし、ノードＮ５３を参照先として連結されるエッジＥ２により、ノードＮ１からノードＮ５３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Ｅ２は、ノードＮ１を中心として識別される場合、出力エッジとなり、ノードＮ５３を中心として識別される場合、入力エッジとなる。
【0030】
言い換えると、有向エッジであるエッジＥ２は、ノードＮ１側からの視点でとらえた場合、自身から他のエッジへ矢印が向いているエッジ、すなわち外向きエッジとなり、ノードＮ５３側からの視点でとらえた場合、自身の方に矢印が向いているエッジ、すなわち内向きエッジとなる。つまり、ここでいう出力エッジは、外向きエッジと読み替えることができ、入力エッジは、内向きエッジと読み替えることができる。また、図１では図示を省略するが、ノードＮ５３は、ノードＮ１へ向かう有向エッジ（エッジＥ５３１とする）が連結されてもよい。このように、ノードＮ５３からの出力エッジであるエッジＥ５３１がノードＮ１に連結されてもよい。この場合、ノードＮ１とノードＮ５３との間には、ノードＮ１からノードＮ５３へ向かう有向エッジであるエッジＥ２と、ノードＮ５３からノードＮ１へ向かう有向エッジであるエッジＥ５３１との２個のエッジが連結される。
【0031】
また、図１中のグラフ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ＧＲ１１は、多次元空間である。例えば、図１に示すグラフ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。なお、各ノードに対応するベクトルデータは、Ｎ次元の実数値ベクトルであってもよい。
【0032】
また、図１の例では、グラフＧＲ１１においては、適宜「ノードＮ＊（＊は任意の数値）」の図示を省略し、各ノードに対応する「○」内に「ノードＮ＊」の「＊」の値を付すことにより表現する。すなわち、「ノードＮ＊」の部分の「＊」が一致するノードに対応する。例えば、グラフＧＲ１１中の左上の「○」であって、内部に「４３」が付された「○」は、ノードＩＤ「Ｎ４３」により識別されるノード（ノードＮ４３）に対応する。
【0033】
ここで、各ノード間の距離は、ノード（画像情報）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画像情報の類似性が、グラフ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の例では、グラフ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。
【0034】
例えば、図１中のグラフＧＲ１１において、ノードＮ４３とノードＮ２とは近接している、すなわち距離が短い（近い）。そのため、ノードＮ４３に対応するオブジェクトと、ノードＮ２に対応するオブジェクトとは類似度が高いことを示す。また、図１中のグラフＧＲ１１において、ノードＮ４３とノードＮ５３とは遠隔にある、すなわち距離が長い（遠い）。そのため、ノードＮ４３に対応するオブジェクトと、ノードＮ５３に対応するオブジェクトとは類似度が低いことを示す。なお、上記は一例であり、情報処理装置１００は、種々の条件を用いて、グラフを生成してもよい。例えば、情報処理装置１００は、各オブジェクトに対応する各ノードから所定の数以上の入力エッジが他のエッジから連結されるように、グラフＧＲ１１を生成してもよい。
【0035】
そして、情報処理装置１００は、学習用データを生成する（ステップＳ４）。情報処理装置１００は、データセットＤＳ１を検索対象として検索を行う場合に要求される精度（「第１精度」ともいう）を示す基準情報ＳＡ１を取得する。例えば、情報処理装置１００は、記憶部１２０から第１精度Ａ１を示す基準情報ＳＡ１を取得する。図１での精度は、データセットＤＳ１を検索対象として検索を行う場合に要求される再現率である場合を一例として説明する。なお、精度は、再現率に限らず、検索処理の精度が測定できれば種々の情報であってもよい。図１での第１精度Ａ１は、データセットＤＳ１を検索対象として検索を行う場合に要求される再現率の値を示す。
【0036】
情報処理装置１００は、対象パラメータ情報ＴＰ１に示すように、パラメータであるεを対象としてεを調整して学習用データを生成する。例えば、情報処理装置１００は、グラフＧＲ１１を用いて検索対象データ群ＴＤ１のうち、クエリ用オブジェクトに対応する近傍のオブジェクトを抽出する抽出処理を、εの値を変動させて繰り返し実行し、抽出処理の結果と正解検索結果との比較に基づく第２精度が第１精度Ａ１との差が所定値以内になった際のεの値と、クエリ用オブジェクトとを対応付けることにより、εの値を推定するモデルＭ１の学習に用いる学習用データを生成する。
【0037】
例えば、情報処理装置１００は、図７に示すような処理により、クエリ用オブジェクトに対応する近傍のオブジェクトを抽出する抽出処理を、εの値を変動させて繰り返し実行してモデルＭ１の学習に用いる学習用データを生成する。例えば、情報処理装置１００は、クエリ用オブジェクトに対応する近傍のオブジェクトを抽出する抽出処理を、εの値段階的に増加させて繰り返し実行して、モデルＭ１の学習に用いる学習用データを生成する。
【0038】
以下、クエリ用オブジェクトＱＥ１（オブジェクトＯＢ５００）を対象としてεの値を決定する場合を一例として説明する。例えば、情報処理装置１００は、クエリ用オブジェクトＱＥ１について、パラメータ「ε」の値を０から段階的に増加させて抽出処理を実行する。例えば、情報処理装置１００は、クエリ用オブジェクトＱＥ１について、パラメータ「ε」の値を０に設定して、グラフＧＲ１１を用いて、図７に示すような処理を行うことにより、クエリ用オブジェクトＱＥ１に対応する抽出処理の結果である抽出結果ＲＳ１を生成する。抽出結果ＲＳ１には、クエリ用オブジェクトＱＥ１について、パラメータ「ε」の値を０に設定して検索処理を行った場合のｋ個の近傍オブジェクトを示す。
【0039】
そして、情報処理装置１００は、抽出処理の結果と正解検索結果との比較に基づいて、設定したパラメータでの精度（「第２精度」ともいう）を算出する。情報処理装置１００は、抽出結果ＲＳ１と正解検索結果ＲＲ１とを用いて、クエリ用オブジェクトＱＥ１についてパラメータ「ε」を０に設定した場合の第２精度を算出する。そして、情報処理装置１００は、第１精度Ａ１と第２精度との差が所定値以内であるか否かを判定する。
【0040】
情報処理装置１００は、第１精度Ａ１と第２精度との差が所定値以内ではない場合、パラメータ「ε」の値を増加させる。例えば、情報処理装置１００は、第１精度Ａ１と第２精度との差が所定値以内ではない場合、パラメータ「ε」の値を所定の値（例えば０．０５、０．１等）だけ増加させる。そして、情報処理装置１００は、増加した後のパラメータ「ε」の値を用いて、クエリ用オブジェクトＱＥ１について上述した処理を繰り返す。
【0041】
一方、情報処理装置１００は、第１精度Ａ１と第２精度との差が所定値以内になった場合、そのパラメータ「ε」の値ＶＬ１（例えば０．１、０．２５等）を、クエリ用オブジェクトＱＥ１に対応づける。図１では、情報処理装置１００は、学習用データＬＤ１に示すように、クエリ用オブジェクトＱＥ１に、第１精度Ａ１と第２精度との差が所定値以内になった場合のパラメータ「ε」の値ＶＬ１を対応づける。
【0042】
そして、情報処理装置１００は、そのパラメータ「ε」の値と、クエリ用オブジェクトＱＥ１とを対応づけた情報を、学習用データ記憶部１２１（図３参照）に登録する。図１では、情報処理装置１００は、学習用データＬＤ１に示すような、オブジェクトＯＢ５００、ＯＢ１２３４等のクエリ用オブジェクトの各々とパラメータの値とを対応づけた情報を、学習用データ記憶部１２１に記憶する。
【0043】
上述したように、情報処理装置１００は、各クエリについてそのクエリを用いて検索処理を実行する場合に適切と推定されるパラメータの値をそのクエリに対応付けて収集する。これにより、情報処理装置１００は、あるクエリ検索処理を実行する際に、そのクエリについて適切と推定されるパラメータの値を出力する推定モデルを生成することが可能となる。したがって、情報処理装置１００は、インデックスのパラメータの値をクエリに応じて推定するモデルを生成可能にすることができる。
【0044】
一般的に、例えば、近似ベクトル近傍検索のような検索では、クエリにより検索精度が異なる。そのため、常に高い検索精度を得るには、例えばε（検索範囲係数）を大きく設定すればよいが、εが小さくても十分な精度が得られるクエリについてもεを大きくすることになり、検索時間の増大することになる。このように、一律にε（検索範囲係数）を大きく設定する場合、不必要に検索時間の増大する場合が生じ得る。
【0045】
そのため、クエリごとに適切なεを推定することが望まれる。そこで、情報処理装置１００は、クエリごとにεの値を推定する推定モデルを生成するために必要な学習用データを収集することにより、精度良い推定が可能な推定モデルを生成することが可能となる。
【0046】
具体的には、情報処理装置１００は、以下の処理（１－１）～（１－５）に示す処理を実行することにより、εの機械学習を行うための学習用データを生成する。
【0047】
（１－１）：登録対象のデータを登録データとクエリデータにランダムに分割
なお、クエリ用のデータが存在する場合、そのデータをクエリデータに利用
（１－２）：クエリデータを用いて線形探索を行い、正解検索結果を生成
（１－３）：登録データを用いてインデックスを生成
（１－４）：εを０から徐々に増やしてインデックスを用いて検索し、正解検索結果を用いて精度を算出
（１－５）：精度がＡに達したεを出力データとする
なお、クエリ用のデータが存在する場合、そのデータをクエリデータに利用
（１－２）：クエリデータを用いて線形探索を行い、正解検索結果を生成
（１－３）：登録データを用いてインデックスを生成
（１－４）：εを０から徐々に増やしてインデックスを用いて検索し、正解検索結果を用いて精度を算出
（１－５）：精度がＡに達したεを出力データとする
【0048】
情報処理装置１００は、上記の処理（１－１）～（１－５）により、多次元ベクトルデータであるクエリデータ（入力データ）とεの値（出力データ）からなる学習用データ（データセット）が生成することができる。情報処理装置１００は、上記の処理（１－１）～（１－５）を繰り返すことで、多数のデータセットを生成することができる。
【0049】
〔１－２．学習処理例〕
ここから、上述した生成処理により生成した学習用データを用いて、情報処理装置１００がモデルＭ１を学習する学習処理の一例について説明する。以下では、モデルＭ１の一例として、検索クエリが入力された場合にその検索クエリに対応するεの値を出力するモデルを学習する場合を一例として説明する。なお、情報処理装置１００は、分類モデルを学習してもよいが、この点については後述する。
ここから、上述した生成処理により生成した学習用データを用いて、情報処理装置１００がモデルＭ１を学習する学習処理の一例について説明する。以下では、モデルＭ１の一例として、検索クエリが入力された場合にその検索クエリに対応するεの値を出力するモデルを学習する場合を一例として説明する。なお、情報処理装置１００は、分類モデルを学習してもよいが、この点については後述する。
【0050】
情報処理装置１００は、モデルＭ１の学習処理に用いるデータ（学習用データ）を取得する。例えば、情報処理装置１００は、モデルＭ１の学習用データを学習用データ記憶部１２１（図４参照）から取得する。図１では、情報処理装置１００は、学習用データＬＤ１に示すような、オブジェクトＯＢ５００、ＯＢ１２３４等のクエリ用オブジェクトの各々とパラメータの値とを対応づけた情報を、モデルＭ１の学習用データとして取得する。
【0051】
情報処理装置１００は、学習用データＬＤ１を用いてモデルＭ１を学習する。例えば、情報処理装置１００は、モデルＭ１が出力する値が、モデルＭ１に入力したクエリ用オブジェクトに対応付けられた正解情報（パラメータの値）に近づくように、バックプロパゲーション（誤差逆伝播法）等の手法により学習処理を行う。例えば、情報処理装置１００は、クエリ用オブジェクトの情報（ベクトル等）が入力されたモデルＭ１が出力する値が、そのストアに対応付けられた正解情報に近づくように学習処理を行う。例えば、情報処理装置１００は、正解情報が「１」である場合、その正解情報が割り当てられたクエリ用オブジェクトが入力された場合に、モデルＭ１が出力する値が「１」に近づくように、学習処理を行う。また、例えば、情報処理装置１００は、正解情報が「０」である場合、その正解情報が割り当てられたクエリ用オブジェクトが入力された場合に、モデルＭ１が出力する値が「０」に近づくように、学習処理を行う。
【0052】
図１では、情報処理装置１００は、オブジェクトＯＢ５００が入力された場合に、モデルＭ１が出力する値がオブジェクトＯＢ５００に対応付けられた値ＶＬ１に近づくように、学習処理を行う。また、情報処理装置１００は、オブジェクトＯＢ１２３４が入力された場合に、モデルＭ１が出力する値がオブジェクトＯＢ１２３４に対応付けられた値ＶＬ２に近づくように、学習処理を行う。
【0053】
例えば、情報処理装置１００は、学習処理によりノード間で値が伝達する際に考慮される重み（すなわち、接続係数）の値を調整する。このように、情報処理装置１００は、モデルＭ１における出力と、入力に対応する正解情報との誤差が少なくなるようにパラメータ（接続係数）を補正するバックプロパゲーション等の処理によりモデルＭ１を学習する。例えば、情報処理装置１００は、所定の損失（ロス）関数を最小化するようにバックプロパゲーション等の処理を行うことによりモデルＭ１を生成する。これにより、情報処理装置１００は、モデルＭ１のパラメータを学習する学習処理を行うことができる。
【0054】
なお、モデルの学習手法については、上述した手法に限定されるものではなく、任意の公知技術が適用可能である。なお、各モデルの生成は、機械学習に関する種々の従来技術を適宜用いて行われてもよい。例えば、モデルの生成は、ＳＶＭ（Support Vector Machine）等の教師あり学習の機械学習に関する技術を用いて行われてもよい。また、例えば、モデルの生成は、教師なし学習の機械学習に関する技術を用いて行われてもよい。例えば、モデルの生成は、深層学習（ディープラーニング）の技術を用いて行われてもよい。例えば、モデルの生成は、ＤＮＮ（Deep Neural Network）やＲＮＮ（Recurrent Neural Network）やＣＮＮ（Convolutional Neural Network）等の種々のディープラーニングの技術を適宜用いて行われてもよい。なお、上記モデルの生成に関する記載は例示であり、モデルの生成は、取得可能な情報等に応じて適宜選択された学習手法により行われてもよい。すなわち、情報処理装置１００は、学習データに含まれるクエリ用オブジェクトの情報が入力された場合に、正解情報に対応する値を出力するようにモデルＭ１を学習可能であれば、どのような手法によりモデルＭ１の生成を行ってもよい。
【0055】
また、上述したモデルは一例に過ぎず、情報処理装置１００は、分類モデルを学習してもよい。この場合、εの値を例えば０．１０、０．１２、…等といった離散値とし、分類問題として入力データと出力データで機械学習を行うことにより、分類モデルを生成してもよい。
【0056】
例えば、情報処理装置１００は、学習用データＬＤ１中の各クエリ用オブジェクトについて、そのクエリ用オブジェクトに対応付けられているパラメータの値を上述した離散値（ラベル）のいずれかに割り当てる。例えば、情報処理装置１００は、クエリ用オブジェクトに対応付けられているパラメータの値を、上述した離散値（ラベル）のうち、そのパラメータの値との差が最も小さい離散値（ラベル）に割り当て、割り当てた離散値（ラベル）をそのクエリ用オブジェクトの正解情報として用いる。
【0057】
例えば、情報処理装置１００は、あるクエリ用オブジェクトを分類モデルに入力した場合、その分類モデルがそのクエリ用オブジェクトに対応付けられた離散値（ラベル）にそのクエリ用オブジェクトを分類するように学習処理が行われる。図１では、情報処理装置１００は、オブジェクトＯＢ５００が入力された場合に、分類モデルがオブジェクトＯＢ５００に対応付けられた離散値（ラベル）に分類した分類結果を出力するように学習処理が行われる。また、情報処理装置１００は、オブジェクトＯＢ１２３４が入力された場合に、分類モデルがオブジェクトＯＢ１２３４に対応付けられた離散値（ラベル）に分類した分類結果を出力するように学習処理が行われる。
【0058】
上述したように、情報処理装置１００は、生成した学習用データを用いることによりクエリについて適切と推定されるパラメータの値を出力する推定モデルを生成することできる。したがって、情報処理装置１００は、インデックスのパラメータの値をクエリに応じて推定するモデルを生成することができる。
【0059】
〔１－３．検索処理例〕
情報処理装置１００は、検索処理時には、学習したモデルを用いてクエリからεの値を推定し、推定したεの値を用いてインデックスによる近似近傍検索の処理を実行する。この点について図２を用いて説明する。
情報処理装置１００は、検索処理時には、学習したモデルを用いてクエリからεの値を推定し、推定したεの値を用いてインデックスによる近似近傍検索の処理を実行する。この点について図２を用いて説明する。
【0060】
図２では、情報処理装置１００は、検索処理に用いるクエリＱＲ１１を取得する。情報処理装置１００は、ユーザからクエリＱＲ１１を検索要求として取得する。例えば情報処理装置１００は、ユーザが利用する端末装置１０からクエリＱＲ１１を受信する。
【0061】
情報処理装置１００は、クエリＱＲ１１を入力情報としてパラメータの値を推定する推定モデルに入力する（ステップＳ１１－１）。図２では、情報処理装置１００は、クエリＱＲ１１のベクトルを入力情報としてモデルＭ１に入力する。入力情報が入力された推定モデルは、パラメータの推定値を出力する（ステップＳ１１－２）。図２では、クエリＱＲ１１のベクトルが入力されたモデルＭ１は、出力情報ＯＴ１に示すように、パラメータ「ε」の推定値ＶＬ１１を出力する。
【0062】
そして、情報処理装置１００は、パラメータ「ε」の値を推定値ＶＬ１１に設定し、クエリＱＲ１１を対象としてグラフＧＲ１１を用いた検索処理を実行する（ステップＳ１２）。例えば、情報処理装置１００は、パラメータ「ε」の値を推定値ＶＬ１１に設定し、図７に示す検索処理を実行することにより、クエリＱＲ１１について、ｋ個のオブジェクトを近傍オブジェクトとして抽出する検索処理を実行する。なお、情報処理装置１００が実行する検索処理は、図７に示すような処理に限らず、インデックスを用いた処理であれば、任意の処理が採用可能である。
【0063】
そして、情報処理装置１００は、クエリＱＲ１１についての検索処理の結果をユーザに提供する。例えば、情報処理装置１００は、クエリＱＲ１１についての検索処理の結果であるｋ個の近傍オブジェクトを示す情報をユーザが利用する端末装置１０へ送信する。
【0064】
上述したように、情報処理装置１００は、クエリについて適切と推定されるパラメータの値を出力する推定モデルを用いることにより、クエリについて適切なパラメータな値を推定することできる。したがって、情報処理装置１００は、適切な値に設定されたパラメータにより、インデックスを用いた検索処理を実行することができる。
【0065】
〔２．情報処理システムの構成〕
次に、図３を用いて情報処理システム１の構成例について説明する。図３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に示すように、情報処理システム１は、情報処理装置１００と、情報提供装置５０と、端末装置１０とが含まれる。情報処理装置１００と、情報提供装置５０と、端末装置１０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。なお、図３に示した情報処理システム１には、複数の情報処理装置１００、複数の情報提供装置５０、複数の端末装置１０が含まれてもよい。
次に、図３を用いて情報処理システム１の構成例について説明する。図３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に示すように、情報処理システム１は、情報処理装置１００と、情報提供装置５０と、端末装置１０とが含まれる。情報処理装置１００と、情報提供装置５０と、端末装置１０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。なお、図３に示した情報処理システム１には、複数の情報処理装置１００、複数の情報提供装置５０、複数の端末装置１０が含まれてもよい。
【0066】
情報処理装置１００は、各種情報処理を実行するコンピュータである。情報処理装置１００は、モデルＭ１等の各種モデルを学習するためのデータ（学習用データ）を生成する生成装置である。また、情報処理装置１００は、生成した学習用データを用いて、モデルＭ１等の各種モデルを学習する学習装置である。また、情報処理装置１００は、学習したモデルＭ１等の各種モデルを用いた推定処理を実行する推論装置である。また、情報処理装置１００は、グラフインデックス等のインデックスを用いた近似近傍検索を実行する検索装置である。また、情報処理装置１００は、学習したモデルＭ１等の各種モデルを用いた推定処理の結果を用いた検索処理を実行する。
【0067】
情報処理装置１００は、端末装置１０を利用するユーザにサービスを提供するコンピュータである。情報処理装置１００は、検索サービスを提供する。情報処理装置１００は、検索処理結果をユーザに提供する。情報処理装置１００は、検索処理結果をユーザが利用する端末装置に送信する。
【0068】
情報提供装置５０は、情報処理装置１００へ各種情報を提供するサーバ装置である。例えば、情報提供装置５０は、グラフインデックス等のインデックスを情報処理装置１００へ提供する。情報提供装置５０は、グラフＧＲ１１等のグラフデータを情報処理装置１００へ提供する。
【0069】
情報提供装置５０は、モデルの学習に利用可能な情報（データ）を情報処理装置１００へ提供する。例えば、情報提供装置５０は、モデルの学習への利用が許可されているデータを、学習用データとして情報処理装置１００へ送信する。例えば、情報提供装置５０は、インターネット上で公開データを公開し、情報処理装置１００等の外部装置からの要求に応じて、要求先の外部装置へ要求されたデータを送信する。例えば、情報提供装置５０は、情報処理装置１００からデータを要求する要求情報を受信し、要求情報の受信に応じて、情報処理装置１００へ要求情報に対応するデータを送信する。
【0070】
端末装置１０は、ユーザによって利用される情報処理装置である。端末装置１０は、例えば、スマートフォンや、タブレット型端末や、ノート型ＰＣ（Personal Computer）や、デスクトップＰＣや、携帯電話機や、ＰＤＡ（Personal Digital Assistant）等により実現される。なお、端末装置１０をユーザと表記する場合がある。すなわち、ユーザを端末装置１０と読み替えることもできる。
【0071】
端末装置１０は、ユーザによる操作を受け付ける。また、端末装置１０は、ユーザの操作に応じて、情報処理装置１００や情報提供装置５０に種々の情報を送信する。例えば、端末装置１０は、情報処理装置１００や情報提供装置５０に各種情報を要求する要求情報等を送信する。また、端末装置１０は、情報処理装置１００や情報提供装置５０から種々の情報を受信する。
【0072】
端末装置１０は、ユーザ入力した検索クエリを情報処理装置１００へ送信する。端末装置１０は、ユーザが入力した検索クエリを検索要求として情報処理装置１００へ送信する。端末装置１０は、情報処理装置１００から各種情報を受信する。例えば、端末装置１０は、情報処理装置１００から検索結果を受信する。例えば、端末装置１０は、情報処理装置１００へ送信した検索クエリの検索処理を、情報処理装置１００から受信する。
【0073】
〔３．情報処理装置の構成〕
次に、図４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４は、実施形態に係る情報処理装置１００の構成例を示す図である。図４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。
次に、図４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４は、実施形態に係る情報処理装置１００の構成例を示す図である。図４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、ネットワークと有線または無線で接続され、端末装置１０や情報提供装置５０との間で情報の送受信を行う。
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、ネットワークと有線または無線で接続され、端末装置１０や情報提供装置５０との間で情報の送受信を行う。
【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４に示すように、学習用データ記憶部１２１と、モデル情報記憶部１２２とを有する。
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４に示すように、学習用データ記憶部１２１と、モデル情報記憶部１２２とを有する。
【0076】
なお、記憶部１２０は、学習用データ記憶部１２１及びモデル情報記憶部１２２に限らず、目的に応じて種々の情報を記憶してもよい。記憶部１２０は、学習用データの生成処理に用いる各種情報を記憶する。例えば、記憶部１２０は、学習用データの生成処理に用いる第１精度を示す基準情報を記憶する。
【0077】
記憶部１２０は、オブジェクトに関する各種情報を記憶する。記憶部１２０は、検索対象となるオブジェクトの情報を記憶する。記憶部１２０は、パラメータの推定対象となるインデックスの情報を記憶する。例えば、記憶部１２０は、グラフインデックス等のインデックス情報を記憶する。例えば、情報処理装置１００が検索サービスを提供する場合、記憶部１２０は、検索サービスに用いる各種情報を記憶する。
【0078】
（学習用データ記憶部１２１）
実施形態に係る学習用データ記憶部１２１は、学習に用いるデータに関する各種情報（学習用データ）を記憶する。学習用データ記憶部１２１は、モデルの生成に用いる教師データを記憶する。学習用データ記憶部１２１は、入力に用いるデータやそのデータに対応する正解情報（正解値）といった情報を含む学習用データ情報を記憶する。学習用データ記憶部１２１は、生成部１３２により生成された学習用データを記憶する。
実施形態に係る学習用データ記憶部１２１は、学習に用いるデータに関する各種情報（学習用データ）を記憶する。学習用データ記憶部１２１は、モデルの生成に用いる教師データを記憶する。学習用データ記憶部１２１は、入力に用いるデータやそのデータに対応する正解情報（正解値）といった情報を含む学習用データ情報を記憶する。学習用データ記憶部１２１は、生成部１３２により生成された学習用データを記憶する。
【0079】
学習用データ記憶部１２１は、クエリと、そのクエリに対応するパラメータの値（正解値）とが対応付けられた学習用データを記憶する。例えば、学習用データ記憶部１２１は、クエリと、そのクエリに対応するパラメータ「ε」の値（正解値）とが対応付けられた学習用データを記憶する。
【0080】
なお、学習用データ記憶部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。例えば、学習用データ記憶部１２１は、入力データの種別を示す情報を各入力データに対応付けて記憶する。
【0081】
（モデル情報記憶部１２２）
実施形態に係るモデル情報記憶部１２２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１２２は、学習処理により学習（生成）された学習済みモデル（モデル）の情報（モデルデータ）を記憶する。図５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５に示した例では、モデル情報記憶部１２２は、「モデルＩＤ」、「用途」、「モデルデータ」といった項目が含まれる。
実施形態に係るモデル情報記憶部１２２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１２２は、学習処理により学習（生成）された学習済みモデル（モデル）の情報（モデルデータ）を記憶する。図５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５に示した例では、モデル情報記憶部１２２は、「モデルＩＤ」、「用途」、「モデルデータ」といった項目が含まれる。
【0082】
「モデルＩＤ」は、モデルを識別するための識別情報を示す。「用途」は、対応するモデルの用途を示す。「モデルデータ」は、モデルのデータを示す。図５では「モデルデータ」に「ＭＤＴ１」といった概念的な情報が格納される例を示したが、実際には、モデルの構成（ネットワーク構成）の情報やパラメータに関する情報等、そのモデルを構成する種々の情報が含まれる。例えば、「モデルデータ」には、ネットワークの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。
【0083】
図５では、モデルＩＤ「Ｍ１」により識別されるモデル（モデルＭ１）は、用途が「パラメータ値推定」であり、例えば、モデルＭ１は、クエリに対応するパラメータの値を推定するために用いられるモデルであることを示す。例えば、モデルＭ１は、クエリを用いた検索処理の際に設定されるパラメータ「ε」の適切な値を推定するために用いられるモデルであることを示す。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。
【0084】
なお、モデル情報記憶部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。なお、モデルＭ１等のモデルは、人工知能ソフトウェアの一部であるプログラムモジュールとしての利用が想定されるものであってもよい。モデルＭ１等のモデルは、プログラムであってもよい。
【0085】
（制御部１３０）
図４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（学習プログラムや生成プログラム等の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。
図４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（学習プログラムや生成プログラム等の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。
【0086】
図４に示すように、制御部１３０は、取得部１３１と、生成部１３２と、学習部１３３と、処理部１３４と、提供部１３５とを有し、以下に説明する情報処理の機能や作用を実現または実行する。なお、制御部１３０の内部構成は、図４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。
【0087】
（取得部１３１）
取得部１３１は、各種情報を取得する。取得部１３１は、端末装置１０や情報提供装置５０等の外部の情報処理装置から各種情報を取得する。取得部１３１は、学習用データ記憶部１２１やモデル情報記憶部１２２等に示す各種情報を、外部の情報処理装置から受信してもよい。
取得部１３１は、各種情報を取得する。取得部１３１は、端末装置１０や情報提供装置５０等の外部の情報処理装置から各種情報を取得する。取得部１３１は、学習用データ記憶部１２１やモデル情報記憶部１２２等に示す各種情報を、外部の情報処理装置から受信してもよい。
【0088】
取得部１３１は、記憶部１２０から各種情報を取得する。取得部１３１は、記憶部１２０からグラフデータを取得する。取得部１３１は、学習用データ記憶部１２１やモデル情報記憶部１２２等から各種情報を取得する。取得部１３１は、外部装置から各種情報を受信する。
【0089】
取得部１３１は、情報提供装置５０から各種情報を受信する。例えば、取得部１３１は、情報提供装置５０から学習に用いる情報を受信する。例えば、取得部１３１は、情報提供装置５０から正解検索結果を受信する。
【0090】
取得部１３１は、ユーザが利用する端末装置１０から各種情報を受信する。取得部１３１は、ユーザから検索処理対象となるクエリを、検索要求として取得する。取得部１３１は、ユーザが利用する端末装置１０からクエリを受信する。
【0091】
取得部１３１は、ノデータ検索の対象となる複数のオブジェクトを対象とするインデックスと、データ検索での検索クエリ用のクエリ用オブジェクトと、複数のオブジェクトを検索対象として検索を行う場合に要求される第１精度を示す基準情報とを取得する。取得部１３１は、近似近傍検索に用いられるインデックスを取得する。取得部１３１は、複数のオブジェクトがエッジで連結されたグラフインデックスをインデックスとして取得する。
【0092】
取得部１３１は、学習に用いるオブジェクト群から選択されるオブジェクトであるクエリ用オブジェクトと、クエリ用オブジェクトとして選択されたオブジェクトをオブジェクト群から除いた複数のオブジェクトを対象とするインデックスとを取得する。取得部１３１は、オブジェクト群のうちランダムに選択されるオブジェクトであるクエリ用オブジェクトを取得する。
【0093】
取得部１３１は、学習に用いるオブジェクト群である複数のオブジェクトを対象とするインデックスと、オブジェクト群以外のオブジェクトであるクエリ用オブジェクトとを取得する。取得部１３１は、オブジェクト群とは異なるクエリ用オブジェクト群からクエリ用オブジェクトを取得する。取得部１３１は、処理対象となる検索クエリである対象クエリを取得する。
【0094】
（生成部１３２）
生成部１３２は、種々の情報を推定する生成処理を実行する。例えば、生成部１３２は、取得部１３１により取得された各種情報に基づいて、生成処理を実行する。生成部１３２は、記憶部１２０に記憶された各種情報に基づいて、生成処理を実行する。生成部１３２は、外部の情報処理装置から受信された各種情報に基づいて、生成処理を実行する。生成部１３２は、学習部１３３によるモデルの学習に用いるデータ（学習用データ）を生成する生成処理を実行する。
生成部１３２は、種々の情報を推定する生成処理を実行する。例えば、生成部１３２は、取得部１３１により取得された各種情報に基づいて、生成処理を実行する。生成部１３２は、記憶部１２０に記憶された各種情報に基づいて、生成処理を実行する。生成部１３２は、外部の情報処理装置から受信された各種情報に基づいて、生成処理を実行する。生成部１３２は、学習部１３３によるモデルの学習に用いるデータ（学習用データ）を生成する生成処理を実行する。
【0095】
生成部１３２は、インデックスを用いて複数のオブジェクトのうちクエリ用オブジェクトに対応する近傍のオブジェクトを抽出する抽出処理を、検索に関するパラメータの値を変動させて繰り返し実行し、抽出処理の結果と正解検索結果との比較に基づく第２精度が第１精度との差が所定の条件を満たした際のパラメータの値と、クエリ用オブジェクトとを対応付けることにより、パラメータの値を推定するモデルの学習に用いる学習用データを生成する。
【0096】
生成部１３２は、抽出処理の結果の精度が高く変化の方向にパラメータの値を段階的に変更して抽出処理を繰り返し実行し、第２精度が第１精度との差が所定の条件を満たした際のパラメータの値と、クエリ用オブジェクトとを対応付けることにより、学習用データを生成する。生成部１３２は、パラメータの値を段階的に増加させて抽出処理を繰り返し実行し、第２精度が第１精度との差が所定の条件を満たした際のパラメータの値と、クエリ用オブジェクトとを対応付けることにより、学習用データを生成する。
【0097】
（学習部１３３）
学習部１３３は、各種情報を学習する。学習部１３３は、学習処理により各種モデルを生成する。例えば、学習部１３３は、学習用データ記憶部１２１等に記憶された情報に基づいて、学習処理を行う。学習部１３３は、学習用データ記憶部１２１等に記憶された情報に基づいて種々のモデルを生成する。例えば、学習部１３３は、学習用データ記憶部１２１に記憶された学習データを用いて、モデルＭ１を学習する。
学習部１３３は、各種情報を学習する。学習部１３３は、学習処理により各種モデルを生成する。例えば、学習部１３３は、学習用データ記憶部１２１等に記憶された情報に基づいて、学習処理を行う。学習部１３３は、学習用データ記憶部１２１等に記憶された情報に基づいて種々のモデルを生成する。例えば、学習部１３３は、学習用データ記憶部１２１に記憶された学習データを用いて、モデルＭ１を学習する。
【0098】
例えば、学習部１３３は、取得部１３１により取得された各種情報に基づいて、学習処理を実行する。例えば、学習部１３３は、生成部１３２により生成された情報に基づいて、モデルを学習する。学習部１３３は、外部の情報処理装置からの情報や記憶部１２０に記憶された情報に基づいて、学習処理を実行する。学習部１３３は、モデル情報記憶部１２２に記憶された情報に基づいて、学習処理を実行する。学習部１３３は、学習により生成したモデルをモデル情報記憶部１２２に格納する。
【0099】
学習部１３３は、学習処理を行う。学習部１３３は、各種学習を行う。学習部１３３は、取得部１３１により取得された情報に基づいて、各種情報を学習する。学習部１３３は、モデルを学習（生成）する。学習部１３３は、モデル等の各種情報を学習する。学習部１３３は、学習によりモデルを生成する。学習部１３３は、種々の機械学習に関する技術を用いて、モデルを学習する。例えば、学習部１３３は、モデル（ネットワーク）のパラメータを学習する。学習部１３３は、種々の機械学習に関する技術を用いて、モデルを学習する。
【0100】
学習部１３３は、学習用データを用いた機械学習によりモデルを生成する。学習部１３３は、検索クエリとして用いられるデータを入力として、入力されたデータに対応するパラメータの値を示す情報を出力するモデルを生成する。学習部１３３は、入力されたデータに対応するパラメータの値を示す分類結果を出力する分類モデルであるモデルを生成する。
【0101】
学習部１３３は、学習用データに含まれる一のクエリ用オブジェクトを入力した場合に、一のクエリ用オブジェクトに対応付けられたパラメータの値が該当する分類結果を出力するようにモデルを学習する。学習部１３３は、入力されたデータに対応するパラメータの値を出力するモデルを生成する。学習部１３３は、学習用データに含まれる一のクエリ用オブジェクトを入力した場合に、一のクエリ用オブジェクトに対応付けられたパラメータの値を出力するようにモデルを学習する。
【0102】
学習部１３３は、モデルＭ１等の各種の学習モデルを生成する。学習部１３３は、ネットワークのパラメータを学習する。例えば、学習部１３３は、モデルＭ１等の各種の学習モデルのネットワークのパラメータを学習する。学習部１３３は、モデル情報記憶部１２２に記憶された学習用データを用いて、学習処理を行うことにより、モデルＭ１等の各種の学習モデルを生成する。例えば、学習部１３３は、クエリに対応するパラメータの値の推定に用いられるモデルを生成する。学習部１３３は、モデルＭ１等の各種の学習モデルのネットワークのパラメータを学習することにより、モデルＭ１等の各種の学習モデルを生成する。
【0103】
学習部１３３は、モデル情報記憶部１２２に記憶された学習用データ（教師データ）に基づいて、学習処理を行う。学習部１３３は、モデル情報記憶部１２２に記憶された学習用データを用いて、学習処理を行うことにより、モデルＭ１等の各種の学習モデルを生成する。
【0104】
例えば、学習部１３３は、モデルＭ１が出力するパラメータの推定値が、モデルＭ１に入力した入力情報（クエリ）に対応付けられた正解情報（望ましいパラメータの値を示す情報）に近づくように、バックプロパゲーション（誤差逆伝播法）等の手法により学習処理を行う。例えば、学習部１３３は、入力情報としてクエリ情報が入力されたモデルＭ１が出力するパラメータの推定値が、入力されたクエリ情報に対応付けられたパラメータの値（正解情報）に近づくように学習処理を行う。
【0105】
上記のように、学習部１３３による学習の手法は特に限定されないが、例えば、データ（入力情報）とその正解情報（出力情報）とを紐づけた学習用データを用意し、その学習用データを多層ニューラルネットワークに基づいた計算モデルに入力して学習してもよい。また、例えばＣＮＮ、３Ｄ－ＣＮＮ等のＤＮＮに基づく手法が用いられてもよい。具体的には、学習部１３３による学習の手法は、Ｕ－ｎｅｔに基づく手法が用いられてもよい。学習部１３３は、音声等のような時系列データを対象とする場合、再帰型ニューラルネットワーク（ＲＮＮ）やＲＮＮを拡張したＬＳＴＭ（Long Short-Term Memory units）に基づく手法を用いてもよい。
【0106】
（処理部１３４）
処理部１３４は、各種情報を処理する。処理部１３４は、記憶部１２０に記憶された情報に基づいて、情報処理を行う。処理部１３４は、推論処理を行う推論部として機能する。処理部１３４は、モデル情報記憶部１２２に記憶されたモデルを用いて、推論処理を行う。例えば、処理部１３４は、モデルＭ１にクエリを入力して、モデルＭ１にパラメータの値を出力させることにより、そのクエリに対応するパラメータの値を推定する推論処理を行う。例えば、処理部１３４は、モデルＭ１を用いて、クエリに対応するパラメータ「ε」の値を推定する推論処理を行う。
処理部１３４は、各種情報を処理する。処理部１３４は、記憶部１２０に記憶された情報に基づいて、情報処理を行う。処理部１３４は、推論処理を行う推論部として機能する。処理部１３４は、モデル情報記憶部１２２に記憶されたモデルを用いて、推論処理を行う。例えば、処理部１３４は、モデルＭ１にクエリを入力して、モデルＭ１にパラメータの値を出力させることにより、そのクエリに対応するパラメータの値を推定する推論処理を行う。例えば、処理部１３４は、モデルＭ１を用いて、クエリに対応するパラメータ「ε」の値を推定する推論処理を行う。
【0107】
処理部１３４は、モデルを用いた推論結果を用いた検索処理を実行する。処理部１３４は、モデルの出力に基づいてパラメータの値を設定し、検索処理を実行する。処理部１３４は、対象クエリをモデルに入力し、モデルの出力に対応する値にパラメータの値を設定し、検索処理を実行する。
【0108】
処理部１３４は、推論処理により推定したパラメータの値を用いて検索処理を実行する。処理部１３４は、各種情報を検索する検索処理部として機能する。例えば、処理部１３４は、検索処理に用いるクエリ（対象クエリ）をモデルＭ１に入力して、対象クエリに対応するパラメータの値を推定する。そして、処理部１３４は、対象クエリを用いた検索処理を実行する際に、パラメータを推定した値に設定する。そして、処理部１３４は、推定した値に設定したパラメータを用いて、対象クエリの検索処理を実行する。
【0109】
処理部１３４は、対象クエリに類似するオブジェクト（ノード）である類似オブジェクト（類似ノード）を抽出する。処理部１３４は、グラフ（グラフデータ）を探索することにより、オブジェクトを検索する。処理部１３４は、取得部１３１により対象クエリが取得された場合、グラフを探索することにより、対象クエリに類似するオブジェクトを検索する。
【0110】
処理部１３４は、グラフを探索することにより、対象クエリに類似するオブジェクトを抽出する。処理部１３４は、図７に示すような処理手順に基づいて、グラフを探索することにより、対象クエリに類似するオブジェクトを抽出する。処理部１３４は、対象クエリを中心とする半径ｒ内の範囲ＡＲ１と、対象クエリを中心とする半径ｒ（１＋ε）内の範囲ＡＲ２とを用いて、グラフを検索し、近傍ノードを抽出する。
【0111】
（提供部１３５）
提供部１３５は、各種情報を提供する。例えば、提供部１３５は、端末装置１０や情報提供装置５０に各種情報を提供する。提供部１３５は、端末装置１０や情報提供装置５０に各種情報を送信する。提供部１３５は、取得部１３１により取得された各種情報に基づいて、種々の情報を提供する。提供部１３５は、生成部１３２により生成された各種情報に基づいて、種々の情報を提供する。
提供部１３５は、各種情報を提供する。例えば、提供部１３５は、端末装置１０や情報提供装置５０に各種情報を提供する。提供部１３５は、端末装置１０や情報提供装置５０に各種情報を送信する。提供部１３５は、取得部１３１により取得された各種情報に基づいて、種々の情報を提供する。提供部１３５は、生成部１３２により生成された各種情報に基づいて、種々の情報を提供する。
【0112】
提供部１３５は、学習部１３３により学習された各種情報に基づいて、種々の情報を提供する。提供部１３５は、学習部１３３により学習されたモデルに基づいて、種々の情報を提供する。提供部１３５は、処理部１３４により処理された各種情報に基づいて、種々の情報を提供する。例えば、提供部１３５は、情報を端末装置１０に送信する。
【0113】
提供部１３５は、処理部１３４により抽出（検索）されたオブジェクトＩＤを端末装置１０や情報提供装置５０へ提供する。提供部１３５は、処理部１３４が検索により抽出したオブジェクトＩＤを情報提供装置５０へ提供する。提供部１３５は、処理部１３４により抽出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、端末装置１０や情報提供装置５０に提供する。
【0114】
提供部１３５は、処理部１３４により抽出された類似オブジェクトに関する情報を提供する。提供部１３５は、類似オブジェクトに関する情報を所定のユーザが利用する端末装置１０に提供する。提供部１３５は、クエリの送信元へ検索結果を提供する。例えば、１の例では、提供部１３５は、対象クエリの類似オブジェクトとして抽出したオブジェクトを示す情報を、検索の要求元へ提供する。情報処理装置１００は、検索要求を行ったユーザが利用する端末装置１０へ対象クエリの類似オブジェクトを示す情報を送信する。
【0115】
〔４．情報処理のフロー〕
次に、図６及び図７を用いて、各情報処理のフローについて説明する。図６及び図７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。具体的には、図６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７は、実施形態に係る検索処理の一例を示すフローチャートである。
次に、図６及び図７を用いて、各情報処理のフローについて説明する。図６及び図７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。具体的には、図６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７は、実施形態に係る検索処理の一例を示すフローチャートである。
【0116】
〔４－１．生成処理のフロー〕
まず、図６に示す処理例について説明する。図６に示すように、情報処理装置１００は、データ検索の対象となる複数のオブジェクトを対象とするインデックスと、データ検索での検索クエリ用のクエリ用オブジェクトと、複数のオブジェクトを検索対象として検索を行う場合に要求される第１精度を示す基準情報とを取得する（ステップＳ１０１）。
まず、図６に示す処理例について説明する。図６に示すように、情報処理装置１００は、データ検索の対象となる複数のオブジェクトを対象とするインデックスと、データ検索での検索クエリ用のクエリ用オブジェクトと、複数のオブジェクトを検索対象として検索を行う場合に要求される第１精度を示す基準情報とを取得する（ステップＳ１０１）。
【0117】
情報処理装置１００は、クエリ用オブジェクトを用いて複数のオブジェクトを対象とした検索における正解となるオブジェクトを示す正解検索結果を生成する（ステップＳ１０２）。
【0118】
情報処理装置１００は、インデックスを用いて複数のオブジェクトのうちクエリ用オブジェクトに対応する近傍のオブジェクトを抽出する抽出処理を、検索に関するパラメータの値を変動させて繰り返し実行し、抽出処理の結果と正解検索結果との比較に基づく第２精度が第１精度との差が所定の条件を満たした際のパラメータの値と、クエリ用オブジェクトとを対応付けることにより、パラメータの値を推定するモデルの学習に用いる学習用データを生成する（ステップＳ１０３）。
【0119】
〔４－２．検索処理のフロー〕
次に、検索処理のフローについて、図７を一例として説明する。図７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。具体的には、図７は、グラフデータを用いた検索処理の一例を示すフローチャートである。なお、図７に示す検索処理には、選択処理も含まれる。以下に説明する検索処理は、情報処理装置１００によって行われる。また、以下でいうオブジェクトは、ノードと読み替えてもよい。なお、情報処理装置１００による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。
次に、検索処理のフローについて、図７を一例として説明する。図７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。具体的には、図７は、グラフデータを用いた検索処理の一例を示すフローチャートである。なお、図７に示す検索処理には、選択処理も含まれる。以下に説明する検索処理は、情報処理装置１００によって行われる。また、以下でいうオブジェクトは、ノードと読み替えてもよい。なお、情報処理装置１００による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。
【0120】
ここでは、近傍集合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。例えば、近傍集合Ｎ（Ｇ，ｙ）は、ノードｙからの出力エッジが連結されたオブジェクト（ノード）の集合である。「Ｇ」は、所定のグラフデータ（例えば、グラフＧＲ１１、ＧＲ２１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。
【0121】
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集合Ｓを抽出する（ステップＳ３０１）。例えば、情報処理装置１００は、起点ノードとして決定（選択）されたオブジェクト（ノード）を集合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集合Ｓに含まれるオブジェクト（ノード）は、検索結果（抽出候補）の集合Ｒの初期集合にも含められる。また、ステップＳ３０１において抽出された集合Ｓに含まれるオブジェクト（ノード）は、集合Ｃに含められてもよい。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てもよい。
【0122】
次に、情報処理装置１００は、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）。例えば、図１の例では、情報処理装置１００は、オブジェクトｙであるクエリＱＥ１に対応する起点ノードであるノードＮ２等が含まれる集合Ｓから、一のノードをオブジェクトｓ（対象ノード）として抽出する。次に、情報処理装置１００は、オブジェクトｓを集合Ｓから除外する（ステップＳ３０３）。例えば、図１の例では、情報処理装置１００は、起点ノードであるノードＮ２を集合Ｓから除外する。
【0123】
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、集合Ｒをオブジェクトｙの近傍集合として出力し（ステップＳ３０５）、処理を終了する。
【0124】
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の近傍集合Ｎ（Ｇ，ｓ）の要素であるオブジェクトの中から集合Ｃに含まれないオブジェクトを、所定の基準に基づいて一つ選択し、選択したオブジェクトｕを、集合Ｃに格納する（ステップＳ３０６）。例えば、図１の例では、情報処理装置１００は、ノードＮ２の連結ノードであるノードＮ１、Ｎ４３等のうち、クエリＱＥ１と最も近いノード（例えばノードＮ４３）をオブジェクトｕとして選択する。
【0125】
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を集合Ｓに追加する（ステップＳ３０８）。また、オブジェクトｕとオブジェクトｙとの距離ｄ（ｕ，ｙ）がｒ（１＋ε）以下ではない場合（ステップＳ３０７：Ｎｏ）、情報処理装置１００は、ステップＳ３０９の判定（処理）を行う。
【0126】
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、情報処理装置１００は、ステップＳ３１５の判定（処理）を行う。また、オブジェクトｕとオブジェクトｙとの距離ｄ（ｕ，ｙ）がｒ以下ではない場合（ステップＳ３０９：Ｎｏ）、情報処理装置１００は、ステップＳ３１５の判定（処理）を行う。
【0127】
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を集合Ｒに追加する（ステップＳ３１０）。そして、情報処理装置１００は、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は、検索における抽出数を示し、「３」や「２０」や「１００」等の任意の値であってもよい。集合Ｒに含まれるオブジェクト数がｋｓを超えない場合（ステップＳ３１１：Ｎｏ）、情報処理装置１００は、ステップＳ３１３の判定（処理）を行う。
【0128】
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、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、集合Ｒから除外する（ステップＳ３１２）。
【0129】
次に、情報処理装置１００は、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）。集合Ｒに含まれるオブジェクト数がｋｓと一致しない場合（ステップＳ３１３：Ｎｏ）、情報処理装置１００は、ステップＳ３１５の判定（処理）を行う。また、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、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）。
【0130】
そして、情報処理装置１００は、オブジェクトｓの近傍集合Ｎ（Ｇ，ｓ）の要素であるオブジェクトから閾値に対応する個数のオブジェクトを選択したか否かを判定する（ステップＳ３１５）。例えば、図１の例では、情報処理装置１００は、ノードＮ２の対象ノードとした繰り返し処理において、関数ＦＣ１の出力値「ｅｐ」である閾値ＴＨ１に対応する数だけノード（判定対象ノード）を選択したかを判定する。オブジェクトｓの近傍集合Ｎ（Ｇ，ｓ）の要素であるオブジェクトから閾値に対応する個数のオブジェクトを選択していない場合（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。
【0131】
オブジェクトｓの近傍集合Ｎ（Ｇ，ｓ）の要素であるオブジェクトから閾値に対応する個数のオブジェクトを選択した場合（ステップＳ３１５：Ｙｅｓ）、情報処理装置１００は、集合Ｓが空集合であるか否かを判定する（ステップＳ３１６）。なお、情報処理装置１００は、オブジェクトｓの近傍集合Ｎ（Ｇ，ｓ）から閾値に対応する個数までオブジェクトを選択する前であっても、オブジェクトｓの近傍集合Ｎ（Ｇ，ｓ）中の全オブジェクトが選択済みである場合、ステップＳ３１６の処理を行ってもよい。すなわち、情報処理装置１００は、オブジェクトｓの近傍集合Ｎ（Ｇ，ｓ）中のオブジェクト数が閾値以下であり、近傍集合Ｎ（Ｇ，ｓ）中の全オブジェクトを選択した場合、ステップＳ３１５がＹｅｓである場合と同様に、ステップＳ３１６の処理を行ってもよい。
【0132】
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、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、集合Ｒを出力し、処理を終了する（ステップＳ３１７）。例えば、図１の例では、情報処理装置１００は、集合Ｒに含まれるノードＮ２、Ｎ４３、Ｎ１等をクエリＱＥ１（入力オブジェクトｙ）に対応する検索結果として出力する。
【0133】
情報処理装置１００は、学習用データ生成時の検索処理を実行においては、集合Ｒに含まれるオブジェクトを精度算出用のデータとして収集する。また、例えば、情報処理装置１００は、ユーザからの検索要求に応じて検索処理を実行した場合、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、検索要求を行ったユーザが利用する端末装置１０等へ提供してもよい。
【0134】
〔５．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、第１生成部（実施形態では生成部１３２）と、第２生成部（実施形態では生成部１３２）とを有する。取得部１３１は、ノデータ検索の対象となる複数のオブジェクトを対象とするインデックスと、データ検索での検索クエリ用のクエリ用オブジェクトと、複数のオブジェクトを検索対象として検索を行う場合に要求される第１精度を示す基準情報とを取得する。生成部１３２は、インデックスを用いて複数のオブジェクトのうちクエリ用オブジェクトに対応する近傍のオブジェクトを抽出する抽出処理を、検索に関するパラメータの値を変動させて繰り返し実行し、抽出処理の結果と正解検索結果との比較に基づく第２精度が第１精度との差が所定の条件を満たした際のパラメータの値と、クエリ用オブジェクトとを対応付けることにより、パラメータの値を推定するモデルの学習に用いる学習用データを生成する。
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、第１生成部（実施形態では生成部１３２）と、第２生成部（実施形態では生成部１３２）とを有する。取得部１３１は、ノデータ検索の対象となる複数のオブジェクトを対象とするインデックスと、データ検索での検索クエリ用のクエリ用オブジェクトと、複数のオブジェクトを検索対象として検索を行う場合に要求される第１精度を示す基準情報とを取得する。生成部１３２は、インデックスを用いて複数のオブジェクトのうちクエリ用オブジェクトに対応する近傍のオブジェクトを抽出する抽出処理を、検索に関するパラメータの値を変動させて繰り返し実行し、抽出処理の結果と正解検索結果との比較に基づく第２精度が第１精度との差が所定の条件を満たした際のパラメータの値と、クエリ用オブジェクトとを対応付けることにより、パラメータの値を推定するモデルの学習に用いる学習用データを生成する。
【0135】
このように、実施形態に係る情報処理装置１００は、インデックスを用いる際のパラメータを推定するモデルを生成するための学習用データを、所望の精度を満たすようにパラメータの値を調整することにより生成することができる。したがって、情報処理装置１００は、インデックスのパラメータの値をクエリに応じて推定するモデルを生成可能にすることができる。
【0136】
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、近似近傍検索に用いられるインデックスを取得する。
【0137】
このように、実施形態に係る情報処理装置１００は、近似近傍検索に用いられるインデックスを用いる際のパラメータを推定するモデルを生成するための学習用データを、所望の精度を満たすようにパラメータの値を調整することにより生成することができる。したがって、情報処理装置１００は、インデックスのパラメータの値をクエリに応じて推定するモデルを生成可能にすることができる。
【0138】
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、複数のオブジェクトがエッジで連結されたグラフインデックスをインデックスとして取得する。
【0139】
このように、実施形態に係る情報処理装置１００は、複数のオブジェクトがエッジで連結されたグラフインデックスを用いる際のパラメータを推定するモデルを生成するための学習用データを、所望の精度を満たすようにパラメータの値を調整することにより生成することができる。したがって、情報処理装置１００は、インデックスのパラメータの値をクエリに応じて推定するモデルを生成可能にすることができる。
【0140】
また、実施形態に係る情報処理装置１００において、生成部１３２は、抽出処理の結果の精度が高く変化の方向にパラメータの値を段階的に変更して抽出処理を繰り返し実行し、第２精度が第１精度との差が所定の条件を満たした際のパラメータの値と、クエリ用オブジェクトとを対応付けることにより、学習用データを生成する。
【0141】
このように、実施形態に係る情報処理装置１００は、抽出処理の結果の精度が高く変化の方向にパラメータの値を段階的に変更して抽出処理を繰り返し実行することにより、効率的に学習用データを生成することができる。したがって、情報処理装置１００は、インデックスのパラメータの値をクエリに応じて推定するモデルを生成可能にすることができる。
【0142】
また、実施形態に係る情報処理装置１００において、生成部１３２は、パラメータの値を段階的に増加させて抽出処理を繰り返し実行し、第２精度が第１精度との差が所定の条件を満たした際のパラメータの値と、クエリ用オブジェクトとを対応付けることにより、学習用データを生成する。
【0143】
このように、実施形態に係る情報処理装置１００は、パラメータの値を段階的に増加させて抽出処理を繰り返し実行することにより、効率的に学習用データを生成することができる。したがって、情報処理装置１００は、インデックスのパラメータの値をクエリに応じて推定するモデルを生成可能にすることができる。
【0144】
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、学習に用いるオブジェクト群から選択されるオブジェクトであるクエリ用オブジェクトと、クエリ用オブジェクトとして選択されたオブジェクトをオブジェクト群から除いた複数のオブジェクトを対象とするインデックスとを取得する。
【0145】
このように、実施形態に係る情報処理装置１００は、学習に用いるオブジェクト群からクエリを選択することにより、効率的に学習用データを生成することができる。したがって、情報処理装置１００は、インデックスのパラメータの値をクエリに応じて推定するモデルを生成可能にすることができる。
【0146】
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、オブジェクト群のうちランダムに選択されるオブジェクトであるクエリ用オブジェクトを取得する。
【0147】
このように、実施形態に係る情報処理装置１００は、オブジェクト群のうちランダムにクエリを選択することにより、効率的に学習用データを生成することができる。したがって、情報処理装置１００は、インデックスのパラメータの値をクエリに応じて推定するモデルを生成可能にすることができる。
【0148】
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、学習に用いるオブジェクト群である複数のオブジェクトを対象とするインデックスと、オブジェクト群以外のオブジェクトであるクエリ用オブジェクトとを取得する。
【0149】
このように、実施形態に係る情報処理装置１００は、オブジェクト群以外からクエリを選択することにより、クエリとして適切な情報を選択することにより、高品質な学習用データを生成することができる。したがって、情報処理装置１００は、インデックスのパラメータの値をクエリに応じて推定するモデルを生成可能にすることができる。
【0150】
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、オブジェクト群とは異なるクエリ用オブジェクト群からクエリ用オブジェクトを取得する。
【0151】
このように、実施形態に係る情報処理装置１００は、オブジェクト群とは異なるクエリ用オブジェクト群からクエリを選択することにより、クエリとして適切な情報を選択することにより、高品質な学習用データを生成することができる。したがって、情報処理装置１００は、インデックスのパラメータの値をクエリに応じて推定するモデルを生成可能にすることができる。
【0152】
また、実施形態に係る情報処理装置１００は、学習部１３３を有する。学習部１３３は、学習用データを用いた機械学習によりモデルを生成する。
【0153】
このように、実施形態に係る情報処理装置１００は、学習用データを用いた機械学習によりモデルを生成することにより、インデックスのパラメータの値をクエリに応じて推定するモデルを生成することができる。
【0154】
また、実施形態に係る情報処理装置１００において、学習部１３３は、検索クエリとして用いられるデータを入力として、入力されたデータに対応するパラメータの値を示す情報を出力するモデルを生成する。
【0155】
このように、実施形態に係る情報処理装置１００は、検索クエリとして用いられるデータを入力として、入力されたデータに対応するパラメータの値を示す情報を出力するモデルを生成することにより、インデックスのパラメータの値をクエリに応じて推定するモデルを生成することができる。
【0156】
また、実施形態に係る情報処理装置１００において、学習部１３３は、入力されたデータに対応するパラメータの値を示す分類結果を出力する分類モデルであるモデルを生成する。
【0157】
このように、実施形態に係る情報処理装置１００は、入力されたデータに対応するパラメータの値を示す分類結果を出力する分類モデルであるモデルを生成することにより、インデックスのパラメータの値をクエリに応じて推定するモデルを生成することができる。
【0158】
また、実施形態に係る情報処理装置１００において、学習部１３３は、学習用データに含まれる一のクエリ用オブジェクトを入力した場合に、一のクエリ用オブジェクトに対応付けられたパラメータの値が該当する分類結果を出力するようにモデルを学習する。
【0159】
このように、実施形態に係る情報処理装置１００は、学習用データに含まれる一のクエリ用オブジェクトを入力した場合に、一のクエリ用オブジェクトに対応付けられたパラメータの値が該当する分類結果を出力するようにモデルを学習することにより、インデックスのパラメータの値をクエリに応じて推定するモデルを生成することができる。
【0160】
また、実施形態に係る情報処理装置１００において、学習部１３３は、入力されたデータに対応するパラメータの値を出力するモデルを生成する。
【0161】
このように、実施形態に係る情報処理装置１００は、入力されたデータに対応するパラメータの値を出力するモデルを生成することにより、インデックスのパラメータの値をクエリに応じて推定するモデルを生成することができる。
【0162】
また、実施形態に係る情報処理装置１００において、学習部１３３は、学習用データに含まれる一のクエリ用オブジェクトを入力した場合に、一のクエリ用オブジェクトに対応付けられたパラメータの値を出力するようにモデルを学習する。
【0163】
このように、実施形態に係る情報処理装置１００は、学習用データに含まれる一のクエリ用オブジェクトを入力した場合に、一のクエリ用オブジェクトに対応付けられたパラメータの値を出力するようにモデルを学習することにより、インデックスのパラメータの値をクエリに応じて推定するモデルを生成することができる。
【0164】
また、実施形態に係る情報処理装置１００は、検索処理部（実施形態では処理部１３４）を有する。処理部１３４は、モデルを用いた推論結果を用いた検索処理を実行する。
【0165】
このように、実施形態に係る情報処理装置１００は、モデルを用いた推論結果を用いた検索処理を実行することにより、クエリに応じて推定したインデックスのパラメータの値を用いた検索処理を実行することができる。
【0166】
また、実施形態に係る情報処理装置１００において、処理部１３４は、モデルの出力に基づいてパラメータの値を設定し、検索処理を実行する。
【0167】
このように、実施形態に係る情報処理装置１００は、モデルの出力に基づいてパラメータの値を設定し、検索処理を実行することにより、クエリに応じて推定したインデックスのパラメータの値を用いた検索処理を実行することができる。
【0168】
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、処理対象となる検索クエリである対象クエリを取得する。処理部１３４は、対象クエリをモデルに入力し、モデルの出力に対応する値にパラメータの値を設定し、検索処理を実行する。
【0169】
このように、実施形態に係る情報処理装置１００は、対象クエリをモデルに入力し、モデルの出力に対応する値にパラメータの値を設定し、検索処理を実行することにより、クエリに応じて推定したインデックスのパラメータの値を用いた検索処理を実行することができる。
【0170】
〔６．ハードウェア構成〕
また、上述した実施形態に係る情報処理装置１００や端末装置１０は、例えば図８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。以下、情報処理装置１００を例に挙げて説明する。図８は、ハードウェア構成の一例を示す図である。コンピュータ１０００は、出力装置１０１０、入力装置１０２０と接続され、演算装置１０３０、一次記憶装置１０４０、二次記憶装置１０５０、出力Ｉ／Ｆ（Interface）１０６０、入力Ｉ／Ｆ１０７０、ネットワークＩ／Ｆ１０８０がバス１０９０により接続された形態を有する。
また、上述した実施形態に係る情報処理装置１００や端末装置１０は、例えば図８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。以下、情報処理装置１００を例に挙げて説明する。図８は、ハードウェア構成の一例を示す図である。コンピュータ１０００は、出力装置１０１０、入力装置１０２０と接続され、演算装置１０３０、一次記憶装置１０４０、二次記憶装置１０５０、出力Ｉ／Ｆ（Interface）１０６０、入力Ｉ／Ｆ１０７０、ネットワークＩ／Ｆ１０８０がバス１０９０により接続された形態を有する。
【0171】
演算装置１０３０は、一次記憶装置１０４０や二次記憶装置１０５０に格納されたプログラムや入力装置１０２０から読み出したプログラム等に基づいて動作し、各種の処理を実行する。演算装置１０３０は、例えばＣＰＵ（Central Processing Unit）、ＭＰＵ（Micro Processing Unit）、ＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（Field Programmable Gate Array）等により実現される。
【0172】
一次記憶装置１０４０は、ＲＡＭ（Random Access Memory）等、演算装置１０３０が各種の演算に用いるデータを一次的に記憶するメモリ装置である。また、二次記憶装置１０５０は、演算装置１０３０が各種の演算に用いるデータや、各種のデータベースが登録される記憶装置であり、ＲＯＭ（Read Only Memory）、ＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid State Drive）、フラッシュメモリ等により実現される。二次記憶装置１０５０は、内蔵ストレージであってもよいし、外付けストレージであってもよい。また、二次記憶装置１０５０は、ＵＳＢメモリやＳＤ（Secure Digital）メモリカード等の取り外し可能な記憶媒体であってもよい。また、二次記憶装置１０５０は、クラウドストレージ（オンラインストレージ）やＮＡＳ（Network Attached Storage）、ファイルサーバ等であってもよい。
【0173】
出力Ｉ／Ｆ１０６０は、ディスプレイ、プロジェクタ、及びプリンタ等といった各種の情報を出力する出力装置１０１０に対し、出力対象となる情報を送信するためのインターフェイスであり、例えば、ＵＳＢ（Universal Serial Bus）やＤＶＩ（Digital Visual Interface）、ＨＤＭＩ（登録商標）（High Definition Multimedia Interface）といった規格のコネクタにより実現される。また、入力Ｉ／Ｆ１０７０は、マウス、キーボード、キーパッド、ボタン、及びスキャナ等といった各種の入力装置１０２０から情報を受信するためのインターフェイスであり、例えば、ＵＳＢ等により実現される。
【0174】
また、出力Ｉ／Ｆ１０６０及び入力Ｉ／Ｆ１０７０はそれぞれ出力装置１０１０及び入力装置１０２０と無線で接続してもよい。すなわち、出力装置１０１０及び入力装置１０２０は、ワイヤレス機器であってもよい。
【0175】
また、出力装置１０１０及び入力装置１０２０は、タッチパネルのように一体化していてもよい。この場合、出力Ｉ／Ｆ１０６０及び入力Ｉ／Ｆ１０７０も、入出力Ｉ／Ｆとして一体化していてもよい。
【0176】
なお、入力装置１０２０は、例えば、ＣＤ（Compact Disc）、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、又は半導体メモリ等から情報を読み出す装置であってもよい。
【0177】
ネットワークＩ／Ｆ１０８０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演算装置１０３０へ送り、また、ネットワークＮを介して演算装置１０３０が生成したデータを他の機器へ送信する。
【0178】
演算装置１０３０は、出力Ｉ／Ｆ１０６０や入力Ｉ／Ｆ１０７０を介して、出力装置１０１０や入力装置１０２０の制御を行う。例えば、演算装置１０３０は、入力装置１０２０や二次記憶装置１０５０からプログラムを一次記憶装置１０４０上にロードし、ロードしたプログラムを実行する。
【0179】
例えば、コンピュータ１０００が情報処理装置１００として機能する場合、コンピュータ１０００の演算装置１０３０は、一次記憶装置１０４０上にロードされたプログラムを実行することにより、制御部１３０の機能を実現する。また、コンピュータ１０００の演算装置１０３０は、ネットワークＩ／Ｆ１０８０を介して他の機器から取得したプログラムを一次記憶装置１０４０上にロードし、ロードしたプログラムを実行してもよい。また、コンピュータ１０００の演算装置１０３０は、ネットワークＩ／Ｆ１０８０を介して他の機器と連携し、プログラムの機能やデータ等を他の機器の他のプログラムから呼び出して利用してもよい。
【0180】
〔７．その他〕
また、上記実施形態及び変形例において説明した各処理のうち、自動的に行われるものとして説明した処理の全部または一部を手動的に行うこともでき、あるいは、手動的に行われるものとして説明した処理の全部または一部を公知の方法で自動的に行うこともできる。この他、上記文書中や図面中で示した処理手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。例えば、各図に示した各種情報は、図示した情報に限られない。
また、上記実施形態及び変形例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。
【0181】
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。
【0182】
また、上述してきた実施形態及び変形例は、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。
【0183】
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】
【0184】
１ 情報処理システム
１００ 情報処理装置
１２１ 学習用データ記憶部
１２２ モデル情報記憶部
１３０ 制御部
１３１ 取得部
１３２ 生成部
１３３ 学習部
１３４ 処理部（検索処理部）
１３５ 提供部
１０ 端末装置
５０ 情報提供装置
Ｎ ネットワーク
１００ 情報処理装置
１２１ 学習用データ記憶部
１２２ モデル情報記憶部
１３０ 制御部
１３１ 取得部
１３２ 生成部
１３３ 学習部
１３４ 処理部（検索処理部）
１３５ 提供部
１０ 端末装置
５０ 情報提供装置
Ｎ ネットワーク
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】