特許 7492489 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】

(24)【登録日】2024-05-21

(45)【発行日】2024-05-29

(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 16/906 20190101AFI20240522BHJP

【ＦＩ】

G06F16/906

【請求項の数】 15

(21)【出願番号】P 2021097519

(22)【出願日】2021-06-10

(65)【公開番号】P2022189127

(43)【公開日】2022-12-22

【審査請求日】2022-10-20

【前置審査】

(73)【特許権者】

【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】吉橋 亮太

【審査官】長 由紀子

(56)【参考文献】

【文献】特開２０１７－０５４２３９（ＪＰ，Ａ）

【文献】特開２０１５－０７９３０８（ＪＰ，Ａ）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ０６Ｆ １６／００－９５８

Ｇ０６Ｆ ４０／００－５８

(57)【特許請求の範囲】

【請求項1】

第１種別のデータセットを用いた学習処理により、前記第１種別のデータセットに対応する第１のカテゴリ群に含まれる複数の第１のカテゴリの各々の第１のスコアのうち、入力情報に対応する第１のカテゴリの第１のスコアが大きくなるように学習され、前記入力情報に対応する前記複数の第１のカテゴリの各々に対応する複数の第１のスコアを第１の分類結果として出力する第１の部分モデル、及び前記第１種別のデータセットとは異なる第２種別のデータセットを用いた学習処理により、前記第２種別のデータセットに対応する第２のカテゴリ群に含まれる複数の第２のカテゴリの各々の第２のスコアであり、前記第１のスコアと比較可能な値である第２のスコアのうち、入力情報に対応する第２のカテゴリの第２のスコアが大きくなるように学習され、前記入力情報に対応する前記複数の第２のカテゴリの各々に対応する複数の第２のスコアを第２の分類結果として出力する第２の部分モデルを含む分類モデルと、分類対象となる分類対象情報とを取得する取得部と、
前記分類対象情報を前記入力情報として前記分類モデルに入力することにより、前記第１の部分モデルが出力した前記第１の分類結果である前記複数の第１のスコアのうち値が最大の前記第１のカテゴリである第１の候補カテゴリと、前記第２の部分モデルが出力した前記第２の分類結果である前記複数の第２のスコアのうち値が最大の前記第２のカテゴリである第２の候補カテゴリを用いて、前記第１の候補カテゴリを、前記第２のカテゴリ群に含まれるカテゴリに変換した変換後第１のカテゴリと、前記第２の候補カテゴリとが一致する場合、前記第２の候補カテゴリを前記分類対象情報が属するカテゴリである対象カテゴリに決定する決定部と、
を備え、
前記決定部は、
前記第１のカテゴリを前記第２のカテゴリに変換するために用いるカテゴリマップを用いて、前記第１の候補カテゴリが変換された前記変換後第１のカテゴリと、前記第２の候補カテゴリとが一致するか否かに基づいて、前記分類対象情報が属する前記対象カテゴリを決定する
ことを特徴とする情報処理装置。

【請求項2】

前記取得部は、
前記入力情報の入力に応じて、前記入力情報の特徴情報を出力する第３の部分モデル、前記第３の部分モデルの出力を用いて前記第１の分類結果を出力する前記第１の部分モデル、前記第３の部分モデルの出力を用いて前記第２の分類結果を出力する前記第２の部分モデルを含む分類モデルを取得する
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】

前記決定部は、
前記第３の部分モデルが出力した前記分類対象情報の特徴情報を用いて、前記第１の部分モデルが出力した前記第１の分類結果が示す前記第１の候補カテゴリと、前記第２の部分モデルが出力した前記第２の分類結果が示す前記第２の候補カテゴリとに基づいて、前記分類対象情報が属する前記対象カテゴリを決定する
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】

前記取得部は、
前記分類対象となる画像である前記分類対象情報を取得する
ことを特徴とする請求項１～３のいずれか１項に記載の情報処理装置。

【請求項5】

前記決定部は、
前記第１の部分モデルに対応する第１のカテゴリ群と、前記第２の部分モデルに対応する第２のカテゴリ群との間の対応関係を示す前記カテゴリマップを用いて、前記第１の候補カテゴリが変換された前記変換後第１のカテゴリと、前記第２の候補カテゴリとが一致するか否かに基づいて、前記分類対象情報が属する前記対象カテゴリを決定する
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】

前記決定部は、
前記変換後第１のカテゴリと、前記第２の候補カテゴリとが異なる場合、前記変換後第１のカテゴリに関する情報と前記第２の候補カテゴリに関する情報との比較に基づいて、前記分類対象情報が属する前記対象カテゴリを決定する
ことを特徴とする請求項１～５のいずれか１項に記載の情報処理装置。

【請求項7】

前記決定部は、
前記変換後第１のカテゴリと、前記第２の候補カテゴリとが異なる場合、前記第１の部分モデルが出力した前記複数の第１のスコアのうち前記第１の候補カテゴリの前記第１のスコアと、前記第２の候補カテゴリの前記第２のスコアとの大小関係の比較に基づいて、前記分類対象情報が属する前記対象カテゴリを決定する
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】

前記決定部は、
前記第２の候補カテゴリの前記第２のスコアが前記第１の候補カテゴリの前記第１のスコア以上である場合、前記第２のカテゴリを前記分類対象情報が属する前記対象カテゴリに決定する
ことを特徴とする請求項７に記載の情報処理装置。

【請求項9】

前記決定部は、
前記第１の候補カテゴリの前記第１のスコアが前記第２の候補カテゴリの前記第２のスコアよりも大きい場合、前記変換後第１のカテゴリを前記分類対象情報が属する前記対象カテゴリに決定する
ことを特徴とする請求項７または請求項８に記載の情報処理装置。

【請求項10】

前記決定部は、
前記変換後第１のカテゴリと、前記第２の候補カテゴリとが異なる場合、前記第２の候補カテゴリを前記分類対象情報が属する前記対象カテゴリに決定する
ことを特徴とする請求項１～６のいずれか１項に記載の情報処理装置。

【請求項11】

前記決定部は、
前記変換後第１のカテゴリと、前記第２の候補カテゴリとが異なる場合、前記変換後第１のカテゴリを前記分類対象情報が属する前記対象カテゴリに決定する
ことを特徴とする請求項１～６のいずれか１項に記載の情報処理装置。

【請求項12】

前記決定部は、
前記変換後第１のカテゴリと、前記第２の候補カテゴリとが一致する場合、前記第２の候補カテゴリを前記分類対象情報が属する前記対象カテゴリに決定する
ことを特徴とする請求項１～６のいずれか１項に記載の情報処理装置。

【請求項13】

前記決定部は、
前記第１の候補カテゴリと、前記第２の候補カテゴリとが一致する場合、前記第２の候補カテゴリを前記分類対象情報が属する前記対象カテゴリに決定する
ことを特徴とする請求項１～１２のいずれか１項に記載の情報処理装置。

【請求項14】

コンピュータが実行する情報処理方法であって、
第１種別のデータセットを用いた学習処理により、前記第１種別のデータセットに対応する第１のカテゴリ群に含まれる複数の第１のカテゴリの各々の第１のスコアのうち、入力情報に対応する第１のカテゴリの第１のスコアが大きくなるように学習され、前記入力情報に対応する前記複数の第１のカテゴリの各々に対応する複数の第１のスコアを第１の分類結果として出力する第１の部分モデル、及び前記第１種別のデータセットとは異なる第２種別のデータセットを用いた学習処理により、前記第２種別のデータセットに対応する第２のカテゴリ群に含まれる複数の第２のカテゴリの各々の第２のスコアであり、前記第１のスコアと比較可能な値である第２のスコアのうち、入力情報に対応する第２のカテゴリの第２のスコアが大きくなるように学習され、前記入力情報に対応する前記複数の第２のカテゴリの各々に対応する複数の第２のスコアを第２の分類結果として出力する第２の部分モデルを含む分類モデルと、分類対象となる分類対象情報とを取得する取得工程と、
前記分類対象情報を前記入力情報として前記分類モデルに入力することにより、前記第１の部分モデルが出力した前記第１の分類結果である前記複数の第１のスコアのうち値が最大の前記第１のカテゴリである第１の候補カテゴリと、前記第２の部分モデルが出力した前記第２の分類結果である前記複数の第２のスコアのうち値が最大の前記第２のカテゴリである第２の候補カテゴリを用いて、前記第１の候補カテゴリを、前記第２のカテゴリ群に含まれるカテゴリに変換した変換後第１のカテゴリと、前記第２の候補カテゴリとが一致する場合、前記第２の候補カテゴリを前記分類対象情報が属するカテゴリである対象カテゴリに決定する決定工程と、
を含み、
前記決定工程は、
前記第１のカテゴリを前記第２のカテゴリに変換するために用いるカテゴリマップを用いて、前記第１の候補カテゴリが変換された前記変換後第１のカテゴリと、前記第２の候補カテゴリとが一致するか否かに基づいて、前記分類対象情報が属する前記対象カテゴリを決定する
ことを特徴とする情報処理方法。

【請求項15】

第１種別のデータセットを用いた学習処理により、前記第１種別のデータセットに対応する第１のカテゴリ群に含まれる複数の第１のカテゴリの各々の第１のスコアのうち、入力情報に対応する第１のカテゴリの第１のスコアが大きくなるように学習され、前記入力情報に対応する前記複数の第１のカテゴリの各々に対応する複数の第１のスコアを第１の分類結果として出力する第１の部分モデル、及び前記第１種別のデータセットとは異なる第２種別のデータセットを用いた学習処理により、前記第２種別のデータセットに対応する第２のカテゴリ群に含まれる複数の第２のカテゴリの各々の第２のスコアであり、前記第１のスコアと比較可能な値である第２のスコアのうち、入力情報に対応する第２のカテゴリの第２のスコアが大きくなるように学習され、前記入力情報に対応する前記複数の第２のカテゴリの各々に対応する複数の第２のスコアを第２の分類結果として出力する第２の部分モデルを含む分類モデルと、分類対象となる分類対象情報とを取得する取得手順と、
前記分類対象情報を前記入力情報として前記分類モデルに入力することにより、前記第１の部分モデルが出力した前記第１の分類結果である前記複数の第１のスコアのうち値が最大の前記第１のカテゴリである第１の候補カテゴリと、前記第２の部分モデルが出力した前記第２の分類結果である前記複数の第２のスコアのうち値が最大の前記第２のカテゴリである第２の候補カテゴリを用いて、前記第１の候補カテゴリを、前記第２のカテゴリ群に含まれるカテゴリに変換した変換後第１のカテゴリと、前記第２の候補カテゴリとが一致する場合、前記第２の候補カテゴリを前記分類対象情報が属するカテゴリである対象カテゴリに決定する決定手順と、
をコンピュータに実行させ、
前記決定手順は、
前記第１のカテゴリを前記第２のカテゴリに変換するために用いるカテゴリマップを用いて、前記第１の候補カテゴリが変換された前記変換後第１のカテゴリと、前記第２の候補カテゴリとが一致するか否かに基づいて、前記分類対象情報が属する前記対象カテゴリを決定する
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、様々な情報を分類する技術が提供されている。例えば、商品のカテゴリを表す商品カテゴリ表現と正解ラベルとから学習された分類モデルを用いて、各表現から商品カテゴリ表現を分類する技術が提供されている（例えば特許文献１）。

【先行技術文献】

【特許文献】

【0003】

【文献】特開２０１３－２５７７４８号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

しかしながら、上記の従来技術では、分類対象について適切にカテゴリを決定することが難しい場合がある。例えば、表現中に商品カテゴリ表現が含まれない場合、分類対象となるその商品のカテゴリを決定することが難しいといった課題がある。また、上記の従来技術では、テキストデータ以外の情報に対応することが難しい。そのため、分類対象について適切にカテゴリを決定することが望まれている。

【0005】

本願は、上記に鑑みてなされたものであって、分類対象について適切にカテゴリを決定する情報処理装置、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】

【0006】

本願に係る情報処理装置は、入力情報に対応する第１のカテゴリを示す第１の分類結果を出力する第１の部分モデル、及び前記入力情報に対応する第２のカテゴリを示す第２の分類結果を出力する第２の部分モデルを含む分類モデルと、分類対象となる分類対象情報とを取得する取得部と、前記分類対象情報を前記入力情報として前記分類モデルに入力することにより、前記第１の部分モデルが出力した前記第１の分類結果が示す第１の候補カテゴリと、前記第２の部分モデルが出力した前記第２の分類結果が示す第２の候補カテゴリとに基づいて、前記分類対象情報が属するカテゴリである対象カテゴリを決定する決定部と、を備えたことを特徴とする。

【発明の効果】

【0007】

実施形態の一態様によれば、分類対象について適切にカテゴリを決定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】

【0008】

【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の一例を示す図である。

【図3】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4】図４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5】図５は、実施形態に係る第１種別情報記憶部の一例を示す図である。

【図6】図６は、実施形態に係る第２種別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、実施形態に係る情報処理の一例を示すフローチャートである。

【図9】図９は、情報処理システムの適用の一例を示す図である。

【図10】図１０は、ハードウェア構成の一例を示す図である。

【発明を実施するための形態】

【0009】

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。

【0010】

（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、実施形態に係る情報処理のうち、モデルの学習処理の一例を示す。また、図２は、実施形態に係る情報処理のうち、モデルを用いたカテゴリの決定処理の一例を示す。

【0011】

以下では、まず、図１を用いて、カテゴリの決定に用いるモデルである分類モデルＭ１の構造、及び分類モデルＭ１の学習処理の一例を説明する。また、図２を用いて、分類モデルＭ１を用いたカテゴリの決定処理の一例を説明する。なお、以下ではカテゴリの決定対象となる情報（「分類対象情報」ともいう）が画像である場合を一例として説明するが、分類対象情報は、画像に限らず文字情報や音声等、その情報が属するカテゴリの決定（分類）を行う対象となる情報であれば、どのような種別の情報であってもよい。

【0012】

〔１－１．学習処理例〕
ここから、図１を用いて分類モデルＭ１の構造及び学習処理の一例について説明する。分類モデルＭ１は、第１の部分モデルＰＭ１、第２の部分モデルＰＭ２及び第３の部分モデルＰＭ３等を含む。以下では、分類モデルＭ１の入力側から説明する。

【0013】

まず、第３の部分モデルＰＭ３について説明する。第３の部分モデルＰＭ３は、分類モデルＭ１のうち入力された画像等の分類対象情報について、物体検出や特徴抽出を行う部分モデル（特徴抽出モデル）である。例えば、第３の部分モデルＰＭ３は、モデルのバックボーン等として機能し、図９中のＢａｃｋｂｏｎｅに対応する。例えば、第３の部分モデルＰＭ３は、画像に関する一般的な特徴を学習しているサブレイヤである。例えば、第３の部分モデルＰＭ３は、入力された入力情報ＩＮ１の特徴を抽出し特徴情報として出力する。例えば、第３の部分モデルＰＭ３は、入力された画像から抽出した特徴情報を出力する。

【0014】

第１の部分モデルＰＭ１は、第３の部分モデルＰＭ３の出力が入力され、第１の分類結果ＯＴ１を出力する部分モデルである。例えば、第１の部分モデルＰＭ１は、モデルのヘッドとして機能し、図９中の第１Ｈｅａｄに対応する。例えば、第１の部分モデルＰＭ１は、分類（以下「第１の分類」ともいう）を行うというタスクに特化した学習が行われるサブレイヤである。例えば、第１の部分モデルＰＭ１（ヘッド）は、タスクに応じた線形変換を行い、第３の部分モデルＰＭ３（バックボーン）が出力した情報（ベクトル）を変換する。

【0015】

第１の部分モデルＰＭ１は、後述する第１種別のデータセットを用いた学習処理により、第１種別のデータセットに対応するカテゴリ（以下「第１のカテゴリ」ともいう）についての分類結果を出力するよう学習が行われる。すなわち、第１の部分モデルＰＭ１は、第１のカテゴリに対応する第１の分類を行うように学習される。

【0016】

第１の部分モデルＰＭ１は、第３の部分モデルＰＭ３により抽出された画像の特徴情報が入力され、その画像についての第１の分類結果ＯＴ１を出力する。例えば、第１の部分モデルＰＭ１は、第１種別のデータセットに対応する第１のカテゴリ群の各カテゴリのスコア（値）を、第１の分類結果ＯＴ１として出力する。例えば、第１の部分モデルＰＭ１は、ソフトマックス層を有する。この場合、第１の部分モデルＰＭ１は、ソフトマックスの処理を行い、各カテゴリのスコアの総和が１（１００％）になるように各カテゴリのスコアを変換し、各カテゴリのスコアを出力する。

【0017】

第２の部分モデルＰＭ２は、第３の部分モデルＰＭ３の出力が入力され、第２の分類結果ＯＴ２を出力する部分モデルである。例えば、第２の部分モデルＰＭ２は、モデルのヘッドとして機能し、図９中の第２Ｈｅａｄに対応する。例えば、第２の部分モデルＰＭ２は、分類（以下「第２の分類」ともいう）を行うというタスクに特化した学習が行われるサブレイヤである。例えば、第２の部分モデルＰＭ２（ヘッド）は、タスクに応じた線形変換を行い、第３の部分モデルＰＭ３（バックボーン）が出力した情報（ベクトル）を変換する。

【0018】

第２の部分モデルＰＭ２は、後述する第２種別のデータセットを用いた学習処理により、第２種別のデータセットに対応するカテゴリ（以下「第２のカテゴリ」ともいう）についての分類結果を出力するよう学習が行われる。すなわち、第２の部分モデルＰＭ２は、第２のカテゴリに対応する第２の分類を行うように学習される。

【0019】

第２の部分モデルＰＭ２は、第３の部分モデルＰＭ３により抽出された画像の特徴情報が入力され、その画像についての第２の分類結果ＯＴ２を出力する。例えば、第２の部分モデルＰＭ２は、第２種別のデータセットに対応する第２のカテゴリ群の各カテゴリのスコア（値）を、第２の分類結果ＯＴ２として出力する。例えば、第２の部分モデルＰＭ２は、ソフトマックス層を有する。この場合、第２の部分モデルＰＭ２は、ソフトマックスの処理を行い、各カテゴリのスコアの総和が１（１００％）になるように各カテゴリのスコアを変換し、各カテゴリのスコアを出力する。

【0020】

なお、上記の構造は一例に過ぎず、分類モデルＭ１の構造は任意の構造が採用可能である。例えば、分類モデルＭ１は、第１の部分モデルＰＭ１が入力された情報に対応する第１のカテゴリを示す情報を出力し、第２の部分モデルＰＭ２が入力された情報に対応する第２のカテゴリを示す情報を出力すれば、どのような構造であってもよい。分類モデルＭ１は、Ｆａｓｔｅｒ Ｒ‐ＣＮＮ(Region-based Convolutional Neural Network)等の構造を利用して構成されてもよい。例えば、分類モデルＭ１は、画像を入力とし、その中の物体の座標(x, y, w, h)と物体カテゴリラベルとを出力する関数であってもよい。

【0021】

次に、分類モデルＭ１の学習について説明する。図１では、情報処理装置１００（図４参照）が分類モデルＭ１を学習する場合を一例として説明するが、分類モデルＭ１の学習は情報処理装置１００以外の装置が行ってもよい。

【0022】

情報処理装置１００は、複数の種別のデータセットを用いて、分類モデルＭ１を学習する。情報処理装置１００は、第１種別のデータセット及び第２種別のデータセットの２種類のデータセットを用いて、分類モデルＭ１を学習する。

【0023】

図１の例では、第１種別のデータセットとして、公開データＤＳ１が用いられる場合を示す。公開データについての詳細は後述するが、公開データＤＳ１は、複数の画像と各画像が属する第１のカテゴリとが対応付けられたデータセットである。例えば、公開データＤＳ１は、車、犬等の物体を含む複数の画像の各々と、その各画像に含まれる物体が属するカテゴリ（車種、犬種等）とが対応付けられたデータセットである。また、図１の例では、第２種別のデータセットとして、内製データＤＳ２が用いられる場合を示す。内製データについての詳細は後述するが、内製データＤＳ２は、複数の画像と各画像が属する第２のカテゴリとが対応付けられたデータセットである。なお、図１では、第１種別のデータセットが公開データＤＳ１であり、第２種別のデータセットが内製データＤＳ２である場合を一例として示すが、第１種別のデータセット及び第２種別のデータセットには任意のデータセットが用いられてもよい。

【0024】

情報処理装置１００は、第１種別のデータセットである公開データＤＳ１を用いて分類モデルＭ１を学習する。まず、情報処理装置１００は、第１種別のデータセットである公開データＤＳ１を用いた学習では、第１の部分モデルＰＭ１及び第３の部分モデルＰＭ３を対象に学習処理（以下「第１学習処理」ともいう）を行う（ステップＳ１）。

【0025】

例えば、情報処理装置１００は、公開データＤＳ１を用いた第１学習処理では、第１の部分モデルＰＭ１から第３の部分モデルＰＭ３への経路を対象にバックプロパゲーションを行うことにより、分類モデルＭ１を学習する。すなわち、情報処理装置１００は、公開データＤＳ１を用いた学習では、第２の部分モデルＰＭ２を学習対象外として、第１の部分モデルＰＭ１及び第３の部分モデルＰＭ３に対応するパラメータ（重み）を更新する。これにより、情報処理装置１００は、第１種別のデータセットを用いた学習では、第１種別のデータセットのデータについて第３の部分モデルＰＭ３が特徴を抽出するように学習するとともに、第１の部分モデルＰＭ１が入力されたデータに対応する第１のカテゴリを示す情報を出力するように学習処理を行う。

【0026】

例えば、情報処理装置１００は、公開データＤＳ１中の一の画像を分類モデルＭ１に入力した場合、第１の部分モデルＰＭ１がその一の画像（画像Ｚ）が対応付けられた第１のカテゴリ（カテゴリＣＺ）を出力するように学習処理が行われる。情報処理装置１００は、画像Ｚを分類モデルＭ１に入力した場合、第１の部分モデルＰＭ１が出力する各カテゴリのスコアのうち、画像Ｚが対応付けられたカテゴリＣＺのスコアが大きくなるように学習処理が行われる。例えば、情報処理装置１００は、画像Ｚを分類モデルＭ１に入力した場合、第１の部分モデルＰＭ１が出力するカテゴリＣＺのスコアが１に近づくように学習処理が行われる。

【0027】

情報処理装置１００は、第２種別のデータセットである内製データＤＳ２を用いて分類モデルＭ１を学習する。例えば、内製データＤＳ２は、車、犬等の物体を含む複数の画像の各々と、その各画像に含まれる物体が属するカテゴリ（車が属するカテゴリ、犬が属するカテゴリ等）とが対応付けられたデータセットである。ここで、情報処理装置１００は、第２種別のデータセットである内製データＤＳ２を用いた学習では、第２の部分モデルＰＭ２及び第３の部分モデルＰＭ３を対象に学習処理（以下「第２学習処理」ともいう）を行う（ステップＳ２）。

【0028】

例えば、情報処理装置１００は、内製データＤＳ２を用いた第２学習処理では、第２の部分モデルＰＭ２から第３の部分モデルＰＭ３への経路を対象にバックプロパゲーションを行うことにより、分類モデルＭ１を学習する。すなわち、情報処理装置１００は、内製データＤＳ２を用いた学習では、第１の部分モデルＰＭ１を学習対象外として、第２の部分モデルＰＭ２及び第３の部分モデルＰＭ３に対応するパラメータ（重み）を更新する。これにより、情報処理装置１００は、第２種別のデータセットを用いた学習では、第２種別のデータセットのデータについて第３の部分モデルＰＭ３が特徴を抽出するように学習するとともに、第２の部分モデルＰＭ２が入力されたデータに対応する第２のカテゴリを示す情報を出力するように学習処理を行う。

【0029】

例えば、情報処理装置１００は、内製データＤＳ２中の一の画像を分類モデルＭ１に入力した場合、第２の部分モデルＰＭ２がその一の画像（画像Ｙ）が対応付けられた第１のカテゴリ（カテゴリＣＹ）を出力するように学習処理が行われる。情報処理装置１００は、画像Ｙを分類モデルＭ１に入力した場合、第２の部分モデルＰＭ２が出力する各カテゴリのスコアのうち、画像Ｙが対応付けられたカテゴリＣＹのスコアが大きくなるように学習処理が行われる。例えば、情報処理装置１００は、画像Ｙを分類モデルＭ１に入力した場合、第２の部分モデルＰＭ２が出力するカテゴリＣＹのスコアが１に近づくように学習処理が行われる。例えば、情報処理装置１００は、上述した第１学習処理及び第２学習処理の切替えを入力データに応じて行う。例えば、情報処理装置１００は、入力データがいずれの種別のデータであるかを示す情報を基に第１学習処理及び第２学習処理の切替えを切り替えてもよい。例えば、第１学習処理及び第２学習処理の切替えは、プログラムのif文等により行われてもよい。

【0030】

上記のように、情報処理装置１００は、学習に用いるデータセットの種別に応じて、学習処理の対象を切り替えることにより、各データセットに応じたカテゴリ分類を精度よく行う複数の部分モデルを含むモデルを生成することができる。また、情報処理装置１００は、共通して用いられる第３の部分モデルＰＭ３については全データセットを加味した学習を行うことができるため、第３の部分モデルＰＭ３がデータの種別に依らず精度良く特徴を抽出することを可能にする。

【0031】

〔１－２．決定処理例〕
次に、図２を用いて、分類モデルＭ１を用いたカテゴリの決定処理の一例を説明する。図２では、画像Ｘが分類対象情報ＴＧ１であり、情報処理装置１００（図４参照）が分類モデルＭ１を用いて分類対象情報ＴＧ１のカテゴリの決定処理を行う場合を一例として説明する。例えば、情報処理装置１００は、記憶部１２０（図４参照）から分類モデルＭ１を取得し、端末装置１０（図３参照）から分類対象情報ＴＧ１を取得する。

【0032】

まず、情報処理装置１００は、分類対象情報ＴＧ１を分類モデルＭ１に入力する（ステップＳ１１）。分類対象情報ＴＧ１が入力された分類モデルＭ１は、第３の部分モデルＰＭ３により分類対象情報ＴＧ１を抽出し、分類対象情報ＴＧ１により抽出された特徴情報を第１の部分モデルＰＭ１及び第２の部分モデルＰＭ２に入力する。

【0033】

第３の部分モデルＰＭ３が出力した分類対象情報ＴＧ１の特徴情報が入力された第１の部分モデルＰＭ１は、第１のカテゴリ群の各カテゴリのスコアを出力する（ステップＳ１２）。情報処理装置１００は、第１の部分モデルＰＭ１の出力を用いて、分類対象情報ＴＧ１が属する候補となる第１のカテゴリ（以下「第１の候補カテゴリ」ともいう）を決定する。例えば、情報処理装置１００は、第１のカテゴリ群のうち、第１の部分モデルＰＭ１が出力したスコアが最大のカテゴリを第１の候補カテゴリＦＲ１に決定する。

【0034】

また、第３の部分モデルＰＭ３が出力した分類対象情報ＴＧ１の特徴情報が入力された第２の部分モデルＰＭ２は、第２のカテゴリ群の各カテゴリのスコアを出力する（ステップＳ１３）。情報処理装置１００は、第２の部分モデルＰＭ２の出力を用いて、分類対象情報ＴＧ１が属する候補となる第２のカテゴリ（以下「第２の候補カテゴリ」ともいう）を決定する。例えば、情報処理装置１００は、第２のカテゴリ群のうち、第２の部分モデルＰＭ２が出力したスコアが最大のカテゴリを第２の候補カテゴリＳＲ１に決定する。

【0035】

ここで、第１のカテゴリ群と第２のカテゴリ群とは、一方には含まれるカテゴリが他方には含まれない場合がある。例えば、第１のカテゴリ群と第２のカテゴリ群とは、互いに重複するカテゴリが含まれる可能性があるが完全には一致せず、カテゴリ（概念）の階層が異なったりする場合がある。例えば第２のカテゴリ群にはカテゴリ「犬」があり、第１のカテゴリ群には犬種ごとのカテゴリがある等、第１のカテゴリ群と第２のカテゴリ群とは、一方が他方の上位概念であったり、下位概念であったりする場合等がある。そこで、情報処理装置１００は、第１の候補カテゴリＦＲ１と第２の候補カテゴリＳＲ１との対応するように変換処理を行う（ステップＳ１４）。図２では、情報処理装置１００は、カテゴリマップＣＭ１を用いて、第１の候補カテゴリＦＲ１を、第２のカテゴリに対応する変換後第１のカテゴリＴＦＲ１に変換する。

【0036】

例えば、カテゴリマップＣＭ１は、第１のカテゴリ群の各カテゴリ（第１のカテゴリ）に、そのカテゴリに対応する第２のカテゴリが関連付けられた一覧情報である。例えば、カテゴリマップＣＭ１では、第１のカテゴリ群での犬種ごとのカテゴリが第２のカテゴリ群でのカテゴリ「犬」が関連付けられる。情報処理装置１００は、カテゴリマップＣＭ１を用いることで、第１の候補カテゴリＦＲ１を、対応する第２のカテゴリにマッピング（写像）することで、変換後第１のカテゴリＴＦＲ１を生成する。

【0037】

情報処理装置１００は、第２の候補カテゴリＳＲ１と変換後第１のカテゴリＴＦＲ１とに基づいて、分類対象情報ＴＧ１である画像Ｘが属するカテゴリ（以下「対象カテゴリ」ともいう）を決定する（ステップＳ１５）。図２では、第２の候補カテゴリＳＲ１と変換後第１のカテゴリＴＦＲ１とが一致するため、情報処理装置１００は、第２の候補カテゴリＳＲ１を、画像Ｘが属する対象カテゴリＴＣ１に決定する。

【0038】

なお、第２の候補カテゴリＳＲ１と変換後第１のカテゴリＴＦＲ１とが異なる場合についての詳細は後述する。また、第２の候補カテゴリＳＲ１と第１の候補カテゴリＦＲ１とが一致する場合、情報処理装置１００は、ステップＳ１４の変換処理を行うことなく、第２の候補カテゴリＳＲ１を、画像Ｘが属する対象カテゴリＴＣ１に決定してもよい。

【0039】

〔１－３．効果等〕
上述したように、情報処理装置１００は、分類モデルＭ１が出力した２つの分類結果を加味して分類対象情報が属するカテゴリを決定することにより、分類対象について適切にカテゴリを決定することができる。例えば、情報処理装置１００は、分類モデルＭ１が第１の部分モデルＰＭ１及び第２の部分モデルＰＭ２のように、分類結果を出力する複数の部分モデル（複数のヘッド）を含むことにより、複数のデータセットの併用を可能にすることができる。また、情報処理装置１００は、カテゴリマップを用いることにより、複数のデータセットの違いを吸収することができ、複数のヘッドが出力する複数の分類結果を用いてカテゴリを決定することができる。

【0040】

〔１－４．その他（データ等）〕
上記の例での第２種別のデータセットである内製データＤＳ２は、オークションサービスやショッピング等の電子商取引サービスの提供に必要となるデータである。例えば、内製データＤＳ２は、電子商取引サービスの提供に必要となる画像と、その画像が電子商取引サービスでのカテゴリ分類（第２の分類）でどのカテゴリ（第２のカテゴリ）に属するかを示す情報を含む。例えば、内製データＤＳ２は、電子商取引サービスの提供に必要となる画像が収集され、収集した画像についてアノテーション等の学習用の正解データの付与作業が行われるため、内製データＤＳ２の生成は高コストとなる。

【0041】

一方で、上記の例での第１種別のデータセットである公開データＤＳ１は、モデルの学習への利用が許可され、インターネット等で広く公開されているデータ（オープンデータ）である。例えば、公開データＤＳ１は、画像と、その画像がカテゴリ分類（第１の分類）でどのカテゴリ（第１のカテゴリ）に属するかを示す情報を含む。例えば、公開データＤＳ１は、研究用の一般画像データ等であり、Open Images Dataset（https://storage.googleapis.com/openimages/web/index.html）等が用いられる。例えば、公開データＤＳ１は、研究用にＳＮＳ（Social Networking Service）のタグ等から収集される。公開データＤＳ１は、内製データＤＳ２に比べて低コストで取得可能である。

【0042】

また、公開データＤＳ１と内製データＤＳ２とは、そのカテゴリ分類の粒度やカバーする範囲に違いがある。情報処理装置１００は、内製データＤＳ２と公開データＤＳ１とを併用することにより、内製データＤＳ２で未収集のカテゴリをカバーすることができる。

【0043】

なお、上記の例で示した公開データＤＳ１及び内製データＤＳ２は一例に過ぎず、第１種別のデータセット及び第２種別のデータセットには任意のデータセットが採用可能である。

【0044】

また、図１及び図２に示した各処理やモデル等は一例に過ぎず、各処理やモデル等は上記に限られない。例えば、分類モデルＭ１の構成は、上記に示す構成に限られない。例えば、分類モデルＭ１における分類を行う部分モデルは、第１の部分モデルＰＭ１及び第２の部分モデルＰＭ２の２つに限らず、３つ以上あってもよい。

【0045】

例えば、データセットが３種類ある場合、分類モデルＭ１には、第１の部分モデルＰＭ１及び第２の部分モデルＰＭ２に加えて、第４の部分モデルが含まれてもよい。この場合、第４の部分モデルは、新たな３つ目の種類のデータセットに対応する分類結果を出力するように学習される。第１の部分モデルＰＭ１及び第２の部分モデルＰＭ２と同様に、第４の部分モデルには、第３の部分モデルＰＭ３の出力が入力される。これにより、情報処理装置１００は、第３の部分モデルＰＭ３を、３種類のデータセットを用いて学習することができる。

【0046】

図２の例では、第２の候補カテゴリＳＲ１と変換後第１のカテゴリＴＦＲ１とが一致する場合を説明したが、情報処理装置１００は、第２の候補カテゴリＳＲ１と変換後第１のカテゴリＴＦＲ１とが異なる場合は、所定の基準を基に画像Ｘが属する対象カテゴリＴＣ１を決定する。この点について以下例示を記載する。

【0047】

第２の候補カテゴリＳＲ１及び変換後第１のカテゴリＴＦＲ１の一方が、カテゴリが決定（特定）でないことを示すカテゴリ（以下「未分類カテゴリ」ともいう）である場合、情報処理装置１００は、他方のカテゴリを画像Ｘが属する対象カテゴリＴＣ１に決定する。例えば、第２の候補カテゴリＳＲ１が未分類カテゴリである場合、情報処理装置１００は、変換後第１のカテゴリＴＦＲ１を画像Ｘが属する対象カテゴリＴＣ１に決定する。また、例えば、変換後第１のカテゴリＴＦＲ１が未分類カテゴリである場合、情報処理装置１００は、第２の候補カテゴリＳＲ１を画像Ｘが属する対象カテゴリＴＣ１に決定する。

【0048】

また、第２の候補カテゴリＳＲ１及び変換後第１のカテゴリＴＦＲ１のいずれも未分類カテゴリではない場合、情報処理装置１００は、種々の方法により対象カテゴリＴＣ１を決定する。この場合、例えば、情報処理装置１００は、第２の候補カテゴリＳＲ１を画像Ｘが属する対象カテゴリＴＣ１に決定してもよい。また、例えば、情報処理装置１００は、変換後第１のカテゴリＴＦＲ１を画像Ｘが属する対象カテゴリＴＣ１に決定してもよい。

【0049】

また、第２の候補カテゴリＳＲ１と変換後第１のカテゴリＴＦＲ１とが異なる場合、情報処理装置１００は、第１の部分モデルＰＭ１及び第２の部分モデルＰＭ２の出力を用いて、画像Ｘが属する対象カテゴリＴＣ１を決定してもよい。例えば、情報処理装置１００は、第１の部分モデルＰＭ１が出力したスコアと、第２の部分モデルＰＭ２が出力したスコアとを用いて、画像Ｘが属する対象カテゴリＴＣ１を決定してもよい。

【0050】

情報処理装置１００は、第１の部分モデルＰＭ１が出力したスコアにうち、第１の候補カテゴリＦＲ１（変換後第１のカテゴリＴＦＲ１）に対応するスコア（以下「第１のスコア」ともいう）を用いて、画像Ｘが属する対象カテゴリＴＣ１を決定してもよい。また、情報処理装置１００は、第２の部分モデルＰＭ２が出力したスコアのうち、第２の候補カテゴリＳＲ１に対応するスコア（以下「第２のスコア」ともいう）を用いて、画像Ｘが属する対象カテゴリＴＣ１を決定してもよい。情報処理装置１００は、変換後第１のカテゴリＴＦＲ１に対応する第１のスコアと第２の候補カテゴリＳＲ１に対応する第２のスコアとの比較に基づいて、画像Ｘが属する対象カテゴリＴＣ１を決定してもよい。

【0051】

情報処理装置１００は、第２の候補カテゴリＳＲ１に対応する第２のスコアが変換後第１のカテゴリＴＦＲ１に対応する第１のスコア以上である場合、第２の候補カテゴリＳＲ１を画像Ｘが属する対象カテゴリＴＣ１に決定する。または、情報処理装置１００は、変換後第１のカテゴリＴＦＲ１に対応する第１のスコアが、第２の候補カテゴリＳＲ１に対応する第２のスコアよりも大きい場合、変換後第１のカテゴリＴＦＲ１を画像Ｘが属する対象カテゴリＴＣ１に決定する。なお、上記は一例に過ぎず、情報処理装置１００は、様々な情報を適宜用いて、画像Ｘが属する対象カテゴリＴＣ１を決定してもよい。

【0052】

〔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、端末装置１０と、情報提供装置５０と、情報処理装置１００とが含まれる。端末装置１０と、情報提供装置５０と、情報処理装置１００とは所定のネットワークＮを介して、有線または無線により通信可能に接続される。なお、図３に示した情報処理システム１には、複数台の端末装置１０や、複数台の情報提供装置５０や、複数台の情報処理装置１００が含まれてもよい。

【0053】

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、以下では、端末装置１０をユーザと表記する場合がある。すなわち、以下では、ユーザを端末装置１０と読み替えることもできる。

【0054】

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に文字情報等のコンテンツを要求する情報等を送信する。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。例えば、端末装置１０は、情報処理装置１００から分類結果を受信する。例えば、端末装置１０は、情報処理装置１００から受信した分類結果を表示する。

【0055】

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へ提供するサーバ装置である。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であるオープンデータ（公開データ）を情報処理装置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公開データを送信する。例えば、情報提供装置５０は、情報処理装置１００から公開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公開データを送信する。

【0056】

例えば、情報提供装置５０は、画像とその画像が属するカテゴリとを対応付けた情報を公開データとして、情報処理装置１００へ送信する。例えば、情報提供装置５０が提供する公開データは上述したOpen Images Dataset等であってもよい。なお、上記は一例に過ぎず、情報提供装置５０が提供する公開データは情報処理装置１００が第１種別のデータセットとして利用可能であり、第１の部分モデルＰＭ１の学習に利用可能なデータであれば、どのようなデータであってもよい。

【0057】

情報処理装置１００は、分類対象情報が属するカテゴリを決定するコンピュータである。例えば、情報処理装置１００は、画像を分類対象として、その画像が属するカテゴリを、モデルの出力を基に決定する決定装置である。情報処理装置１００は、図２に示すように、分類対象情報をモデルに入力し、モデルが出力した分類結果に基づいて、分類対象情報が属するカテゴリを決定する。

【0058】

例えば、情報処理装置１００は、学習処理を行う学習装置である。情報処理装置１００は、図１に示すように、複数の種別のデータセットを用いて、モデルを学習する。

【0059】

情報処理装置１００は、決定したカテゴリを示す情報を端末装置１０に情報提供してもよい。情報処理装置１００は、分類対象となった画像とその画像の分類結果とを含むコンテンツを、端末装置１０に配信してもよい。この場合、情報処理装置１００は、コンテンツ配信サービスを提供する外部の情報処理装置等から各種情報を取得し、取得した各種情報に基づいて情報処理や外部の情報処理装置への情報提供を行ってもよい。

【0060】

〔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。

【0061】

（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。

【0062】

（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、第１種別情報記憶部１２１と、第２種別情報記憶部１２２と、モデル情報記憶部１２３と、カテゴリマップ記憶部１２４とを有する。

【0063】

（第１種別情報記憶部１２１）
実施形態に係る第１種別情報記憶部１２１は、第１種別に関する各種情報を記憶する。図５は、実施形態に係る第１種別情報記憶部の一例を示す図である。例えば、第１種別情報記憶部１２１は、モデルの生成に用いる第１種別に関する教師データを記憶する。図５に示す第１種別情報記憶部１２１には、「データＩＤ」、「データ」、「第１のカテゴリ」といった項目が含まれる。

【0064】

「データＩＤ」は、各データを識別するための識別情報を示す。また、「データ」は、データＩＤにより識別されるデータを示す。「データ」は、分類対象となる画像等のデータを示す。図５では「データ」に「ＦＤＴ１」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、分類対象となる画像等のデータ自体、または、その格納場所を示すファイルパス名などが格納される。

【0065】

「第１のカテゴリ」は、対応するデータ（画像）に対応する正解となる分類結果（第１のカテゴリ）を示す。「第１のカテゴリ」は、対応するデータがモデルに入力された場合に、モデルが出力することが期待される分類結果を示す。具体的には、「第１のカテゴリ」は、対応する画像が分類モデルＭ１に入力された場合に、分類モデルＭ１の第１の部分モデルＰＭ１が出力することが期待される分類結果（第１のカテゴリ）を示す。

【0066】

図５の例では、データＩＤ「ＦＩＤ１」により識別されるデータＦＤＴ１は、第１のカテゴリが「ＦＣ１」であることを示す。図５の例では「ＦＣ１」～「ＦＣ８」のように抽象的に図示するが、「第１のカテゴリ」には、認識対象に関連する分類結果を示す第１のカテゴリ（値）であるものとする。例えば、「ＦＣ１」～「ＦＣ８」は、データ（画像）が分類される第１のカテゴリのいずれかとなる。

【0067】

なお、第１種別情報記憶部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。例えば、第１種別情報記憶部１２１は、画像や音声等の教師データの種別を示す情報を各データに対応付けて記憶する。例えば、第１種別情報記憶部１２１は、データの種別を示す情報を各データに対応付けて記憶する。図５の例では、データは、種別が「画像」であることを示す情報を各データに対応付けて記憶する。

【0068】

例えば、第１種別情報記憶部１２１は、各データが学習データであるか、評価用データであるか等を特定可能に記憶してもよい。例えば、第１種別情報記憶部１２１は、学習データと評価用データとを区別可能に記憶する。第１種別情報記憶部１２１は、各データが学習データや評価用データであるかを識別する情報を記憶してもよい。情報処理装置１００は、学習データとして用いられる各データと第１のカテゴリ（正解データ）とに基づいて、モデルを学習する。情報処理装置１００は、評価用データとして用いられる各データと第１のカテゴリとに基づいて、モデルの精度を測定する。情報処理装置１００は、評価用データを入力した場合にモデルが出力する出力結果（分類結果）と、第１のカテゴリとを比較した結果を収集することにより、モデルの精度を測定する。

【0069】

（第２種別情報記憶部１２２）
実施形態に係る第２種別情報記憶部１２２は、第２種別に関する各種情報を記憶する。図６は、実施形態に係る第２種別情報記憶部の一例を示す図である。例えば、第２種別情報記憶部１２２は、モデルの生成に用いる第２種別に関する教師データを記憶する。図６に示す第２種別情報記憶部１２２には、「データＩＤ」、「データ」、「第２のカテゴリ」といった項目が含まれる。

【0070】

「データＩＤ」は、各データを識別するための識別情報を示す。また、「データ」は、データＩＤにより識別されるデータを示す。「データ」は、分類対象となる画像等のデータを示す。図６では「データ」に「ＳＤＴ１」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、分類対象となる画像等のデータ自体、または、その格納場所を示すファイルパス名などが格納される。

【0071】

「第２のカテゴリ」は、対応するデータ（画像）に対応する正解となる分類結果（第２のカテゴリ）を示す。「第２のカテゴリ」は、対応するデータがモデルに入力された場合に、モデルが出力することが期待される分類結果を示す。具体的には、「第２のカテゴリ」は、対応する画像が分類モデルＭ１に入力された場合に、分類モデルＭ１の第２の部分モデルＰＭ２が出力することが期待される分類結果（第２のカテゴリ）を示す。

【0072】

図６の例では、データＩＤ「ＳＩＤ１」により識別されるデータＳＤＴ１は、第２のカテゴリが「ＳＣ１」であることを示す。図６の例では「ＳＣ１」～「ＳＣ３」のように抽象的に図示するが、「第２のカテゴリ」には、認識対象に関連する分類結果を示す第２のカテゴリ（値）であるものとする。例えば、「ＳＣ１」～「ＳＣ３」は、データ（画像）が分類される第２のカテゴリのいずれかとなる。

【0073】

なお、第２種別情報記憶部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。例えば、第２種別情報記憶部１２２は、画像や音声等の教師データの種別を示す情報を各データに対応付けて記憶する。例えば、第２種別情報記憶部１２２は、データの種別を示す情報を各データに対応付けて記憶する。図６の例では、データは、種別が「画像」であることを示す情報を各データに対応付けて記憶する。

【0074】

例えば、第２種別情報記憶部１２２は、各データが学習データであるか、評価用データであるか等を特定可能に記憶してもよい。例えば、第２種別情報記憶部１２２は、学習データと評価用データとを区別可能に記憶する。第２種別情報記憶部１２２は、各データが学習データや評価用データであるかを識別する情報を記憶してもよい。情報処理装置１００は、学習データとして用いられる各データと第２のカテゴリ（正解データ）とに基づいて、モデルを学習する。情報処理装置１００は、評価用データとして用いられる各データと第２のカテゴリとに基づいて、モデルの精度を測定する。情報処理装置１００は、評価用データを入力した場合にモデルが出力する出力結果（分類結果）と、第２のカテゴリとを比較した結果を収集することにより、モデルの精度を測定する。

【0075】

（モデル情報記憶部１２３）
実施形態に係るモデル情報記憶部１２３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１２３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に示した例では、モデル情報記憶部１２３は、「モデルＩＤ」、「用途」、「モデルデータ」といった項目が含まれる。

【0076】

「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７等では「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。

【0077】

図７に示す例では、モデルＩＤ「Ｍ１」により識別されるモデル（分類モデルＭ１）は、用途が「画像分類」であることを示す。すなわち、分類モデルＭ１は、入力された画像データの分類を示す情報を出力するモデルであることを示す。また、分類モデルＭ１のモデルデータは、モデルデータＭＤＴ１であることを示す。

【0078】

なお、モデル情報記憶部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、モデル情報記憶部１２３は、モデル内の構成の詳細を示す情報を記憶してもよい。例えば、モデル情報記憶部１２３は、分類モデルＭ１が第１の部分モデルＰＭ１、第２の部分モデルＰＭ２、及び第３の部分モデルＰＭ３を含むことを示す情報や各部分モデルの接続関係を示す情報を記憶してもよい。例えば、モデル情報記憶部１２３は、分類モデルＭ１において、第３の部分モデルＰＭ３にデータが入力され、第３の部分モデルＰＭ３の出力が第１の部分モデルＰＭ１及び第２の部分モデルＰＭ２に入力されることを示すネットワーク構成の情報を記憶する。なお、分類モデル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。分類モデルＭ１等のモデルは、プログラムであってもよい。

【0079】

（カテゴリマップ記憶部１２４）
実施形態に係るカテゴリマップ記憶部１２４は、カテゴリマップに関する情報を記憶する。例えば、カテゴリマップ記憶部１２４は、第１のカテゴリを第２のカテゴリに変換するために用いるカテゴリマップを記憶する。

【0080】

例えば、カテゴリマップ記憶部１２４は、第１の部分モデルに対応する第１のカテゴリ群と、第２の部分モデルに対応する第２のカテゴリ群との間の対応関係を示すカテゴリマップを記憶する。例えば、カテゴリマップ記憶部１２４は、第１のカテゴリの一覧と、一覧中の各第１のカテゴリに対応する第２のカテゴリが関連付けられたカテゴリマップを記憶する。

【0081】

なお、カテゴリマップは、第１のカテゴリを第２のカテゴリに変換可能であれば、どのような情報であってもよい。例えば、カテゴリマップは、ルールベースで作成された第１のカテゴリを第２のカテゴリに変換ルール（規則）を示す情報であってもよい。また、カテゴリマップは、第１のカテゴリを入力として、入力された第１のカテゴリに対応する第２のカテゴリを出力する変換モデルであってもよい。

【0082】

情報処理装置１００は、カテゴリマップを生成してもよい。例えば、情報処理装置１００は、第２のカテゴリ付与された画像に対して第１の部分モデルＰＭ１が出力する第１のカテゴリを用いてカテゴリマップを生成してもよい。例えば、情報処理装置１００は、内製データカテゴリ付与された画像（ボックスは未付与）に第１ヘッドを適用してもよい。例えば、情報処理装置１００は、第１の部分モデルＰＭ１により決定（予測）された画像の第１のカテゴリと、画像に付与された正解ラベル（第２のカテゴリ）の相関に基づいて、カテゴリマップを生成してもよい。例えば、情報処理装置１００は、予測された画像の第１のカテゴリと、画像に付与された第２のカテゴリとの相関を調べ、その相関を基にカテゴリマップを生成してもよい。

【0083】

（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。

【0084】

図４に示すように、制御部１３０は、取得部１３１と、学習部１３２と、決定部１３３と、提供部１３４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。

【0085】

（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、第１種別情報記憶部１２１や第２種別情報記憶部１２２やモデル情報記憶部１２３やカテゴリマップ記憶部１２４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。

【0086】

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、第１種別情報記憶部１２１や第２種別情報記憶部１２２やモデル情報記憶部１２３やカテゴリマップ記憶部１２４等から各種情報を取得する。

【0087】

取得部１３１は、第１種別の文字情報である第１文字情報と、第１種別とは異なる第２種別の文字情報である第２文字情報とを取得する。取得部１３１は、変換モデルが出力する文字情報の種別を選択する選択情報を取得する。取得部１３１は、変換モデルに入力する学習文字情報に対応する種別である学習種別を選択する選択情報を取得する。

【0088】

取得部１３１は、入力情報に対応する第１のカテゴリを示す第１の分類結果を出力する第１の部分モデル、及び入力情報に対応する第２のカテゴリを示す第２の分類結果を出力する第２の部分モデルを含む分類モデルを取得する。取得部１３１は、分類対象となる分類対象情報を取得する。取得部１３１は、入力情報の入力に応じて、入力情報の特徴情報を出力する第３の部分モデル、第３の部分モデルの出力を用いて第１の分類結果を出力する第１の部分モデル、第３の部分モデルの出力を用いて第２の分類結果を出力する第２の部分モデルを含む分類モデルを取得する。取得部１３１は、分類対象となる画像である分類対象情報を取得する。

【0089】

（学習部１３２）
学習部１３２は、各種情報を学習する。学習部１３２は、学習処理により各種モデルを生成する。例えば、学習部１３２は、第１種別情報記憶部１２１や第２種別情報記憶部１２２等に記憶された情報に基づいて、学習処理を行う。学習部１３２は、第１種別情報記憶部１２１や第２種別情報記憶部１２２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。

【0090】

例えば、学習部１３２は、第１種別情報記憶部１２１や第２種別情報記憶部１２２に記憶された学習データを用いて、分類モデルＭ１を学習する。

【0091】

学習部１３２は、複数の種別のデータセットを用いて、分類モデルＭ１を学習する。学習部１３２は、第１種別のデータセット及び第２種別のデータセットの２種類のデータセットを用いて、分類モデルＭ１を学習する。

【0092】

学習部１３２は、第１種別のデータセットである公開データＤＳ１を用いて分類モデルＭ１を学習する。学習部１３２は、公開データＤＳ１を用いた学習では、第１の部分モデルＰＭ１から第３の部分モデルＰＭ３への経路を対象にバックプロパゲーションを行うことにより、分類モデルＭ１を学習する。

【0093】

学習部１３２は、第２種別のデータセットである内製データＤＳ２を用いて分類モデルＭ１を学習する。学習部１３２は、内製データＤＳ２を用いた学習では、第２の部分モデルＰＭ２から第３の部分モデルＰＭ３への経路を対象にバックプロパゲーションを行うことにより、分類モデルＭ１を学習する。

【0094】

（決定部１３３）
決定部１３３は、各種情報を決定する。決定部１３３は、決定処理により分類対象情報が属するカテゴリを決定する。例えば、決定部１３３は、モデル情報記憶部１２３等に記憶された情報に基づいて、決定処理を行う。決定部１３３は、モデル情報記憶部１２３に記憶されたモデルを用いて、分類対象情報が属するカテゴリを決定する。分類モデルＭ１に分類対象情報を入力し、分類モデルＭ１の出力を用いて、分類対象情報が属するカテゴリを決定する。

【0095】

決定部１３３は、分類対象情報を入力情報として分類モデルに入力することにより、第１の部分モデルが出力した第１の分類結果が示す第１の候補カテゴリと、第２の部分モデルが出力した第２の分類結果が示す第２の候補カテゴリとに基づいて、分類対象情報が属するカテゴリである対象カテゴリを決定する。決定部１３３は、第３の部分モデルが出力した分類対象情報の特徴情報を用いて、第１の部分モデルが出力した第１の分類結果が示す第１の候補カテゴリと、第２の部分モデルが出力した第２の分類結果が示す第２の候補カテゴリとに基づいて、分類対象情報が属する対象カテゴリを決定する。

【0096】

決定部１３３は、第１の部分モデルが出力した第１の分類結果が示す第１の候補カテゴリを、第２の部分モデルに対応する形式に変換した変換後第１のカテゴリと、第２の候補カテゴリとに基づいて、分類対象情報が属する対象カテゴリを決定する。決定部１３３は、第１の部分モデルに対応する第１のカテゴリ群と、第２の部分モデルに対応する第２のカテゴリ群との間の対応関係を示すカテゴリマップを用いて、第１の候補カテゴリが変換された変換後第１のカテゴリと、第２の候補カテゴリとに基づいて、分類対象情報が属する対象カテゴリを決定する。決定部１３３は、第１のカテゴリを第２のカテゴリに変換するために用いるカテゴリマップを用いて、第１の候補カテゴリが変換された変換後第１のカテゴリと、第２の候補カテゴリとに基づいて、分類対象情報が属する対象カテゴリを決定する。

【0097】

決定部１３３は、変換後第１のカテゴリと、第２の候補カテゴリとが異なる場合、所定の基準に基づいて、分類対象情報が属する対象カテゴリを決定する。決定部１３３は、変換後第１のカテゴリと、第２の候補カテゴリとが異なる場合、変換後第１のカテゴリに対応する第１のスコアと、第２の候補カテゴリに対応する第２のスコアとの比較に基づいて、分類対象情報が属する対象カテゴリを決定する。

【0098】

決定部１３３は、第２のスコアが第１のスコア以上である場合、第２のカテゴリを分類対象情報が属する対象カテゴリに決定する。決定部１３３は、第１のスコアが第２のスコアよりも大きい場合、変換後第１のカテゴリを分類対象情報が属する対象カテゴリに決定する。

【0099】

決定部１３３は、変換後第１のカテゴリと、第２の候補カテゴリとが異なる場合、第２の候補カテゴリを分類対象情報が属する対象カテゴリに決定する。決定部１３３は、変換後第１のカテゴリと、第２の候補カテゴリとが異なる場合、変換後第１のカテゴリを分類対象情報が属する対象カテゴリに決定する。

【0100】

決定部１３３は、変換後第１のカテゴリと、第２の候補カテゴリとが一致する場合、第２の候補カテゴリを分類対象情報が属する対象カテゴリに決定する。決定部１３３は、第１の候補カテゴリと、第２の候補カテゴリとが一致する場合、第２の候補カテゴリを分類対象情報が属する対象カテゴリに決定する。

【0101】

（提供部１３４）
提供部１３４は、各種情報を提供する。例えば、提供部１３４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１３４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１３４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１３４は、学習部１３２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１３４は、学習部１３２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１３４は、決定部１３３により決定された各種情報に基づいて、種々の情報を提供する。

【0102】

例えば、提供部１３４は、分類対象情報の提供先に、分類対象情報の分類結果を示す情報を提供する。提供部１３４は、分類対象情報が端末装置１０から提供された場合、分類対象情報の分類結果を示す情報を端末装置１０に送信する。

【0103】

〔４．情報処理のフロー〕
次に、図８を用いて、情報処理装置１００による情報処理のフローについて説明する。図８は、実施形態に係る情報処理の一例を示すフローチャートである。

【0104】

図８に示すように、情報処理装置１００は、第１の分類結果を出力する第１の部分モデル、及び第２の分類結果を出力する第２の部分モデルを含む分類モデルを取得する（ステップＳ１０１）。例えば、情報処理装置１００は、モデル情報記憶部１２３から分類モデルＭ１を取得する。

【0105】

情報処理装置１００は、分類対象となる分類対象情報を取得する（ステップＳ１０２）。例えば、情報処理装置１００は、端末装置１０から分類対象となる分類対象情報ＴＧ１を受信する。

【0106】

そして、情報処理装置１００は、分類対象情報を入力情報として分類モデルに入力する（ステップＳ１０３）。例えば、情報処理装置１００は、分類モデルＭ１に分類対象情報ＴＧ１を入力する。

【0107】

その後、情報処理装置１００は、第１の部分モデルが出力した第１の分類結果が示す第１の候補カテゴリと、第２の部分モデルが出力した第２の分類結果が示す第２の候補カテゴリとに基づいて、分類対象情報が属する対象カテゴリを決定する（ステップＳ１０２）。例えば、情報処理装置１００は、やカテゴリマップＣＭ１を用いて第１の候補カテゴリを変換した変換後第１の候補カテゴリと、第２の候補カテゴリとに基づいて、分類対象情報ＴＧ１が属する対象カテゴリを決定する。

【0108】

〔５．情報処理システムの適用例〕
ここで、図９を用いて、上述した情報処理システム１の適用例について説明する。図９は、情報処理システムの適用の一例を示す図である。以下、図９の各要素について説明する。

【0109】

図９において「Training(Multi-task learning)」と表記された第１処理群ＰＳ１１は、学習処理に関連する構成及びデータを示し、ＯｐｅｎＩｍａｇｅｓデータと内製データを用いて、分類モデルＭ１が学習されることを示す。図９において「Detector」と表記された箇所はモデルを示し、第１処理群ＰＳ１１で学習される分類モデルＭ１に対応する。

【0110】

図９において「Inference」と表記された第２処理群ＰＳ１２は、カテゴリの決定処理（推論処理）に関連する構成及びデータを示し、第１処理群ＰＳ１１で学習された分類モデルＭ１、カテゴリマップなどを用いて推論処理が行われることを示す。

【0111】

図９中のＯｐｅｎＩｍａｇｅｓデータは、第１種別のデータセットとして用いられるデータを示す。図９中のＯｐｅｎＩｍａｇｅｓデータは、図１中の公開データＤＳ１に対応する。

【0112】

図９中の内製データは、第２種別のデータセットとして用いられるデータを示す。図９中の内製データは、図１中の内製データＤＳ２に対応する。

【0113】

図９中の第１Ｈｅａｄは、第１の部分モデルＰＭ１に対応する。例えば、図９中の第１Ｈｅａｄは、画像について第１カテゴリの分類（第１の分類）を行うというタスクに特化した学習が行われるサブレイヤである。図９中の第１Ｈｅａｄは、ＯｐｅｎＩｍａｇｅｓデータで学習される。

【0114】

図９中の第２Ｈｅａｄは、第２の部分モデルＰＭ２に対応する。例えば、図９中の第２Ｈｅａｄは、画像について第２カテゴリの分類（第２の分類）を行うというタスクに特化した学習が行われるサブレイヤである。図９中の第２Ｈｅａｄは、内製データで学習される。

【0115】

図９中のＢａｃｋｂｏｎｅは、第３の部分モデルＰＭ３に対応する。例えば、図９中のＢａｃｋｂｏｎｅは、画像に関する一般的な特徴を学習しているサブレイヤである。図９中のＢａｃｋｂｏｎｅは、ＯｐｅｎＩｍａｇｅｓデータと内製データの両方で学習される。

【0116】

図９中のカテゴリマップは、図２中のカテゴリマップＣＭ１に対応する。例えば、図９中のカテゴリマップは、第１Ｈｅａｄの出力結果を基に決定された第１のカテゴリを第２のカテゴリへマッピングするために用いられる情報である。

【0117】

図９中の対応カテゴリは、図２中の対象カテゴリＴＣ１に対応する。例えば、図９中の対応カテゴリは、第１Ｈｅａｄの出力結果及び第２Ｈｅａｄの出力結果の両方の結果を加味して決定されたカテゴリを示す情報である。

【0118】

〔６．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、決定部１３３とを有する。取得部１３１は、入力情報に対応する第１のカテゴリを示す第１の分類結果を出力する第１の部分モデル、及び入力情報に対応する第２のカテゴリを示す第２の分類結果を出力する第２の部分モデルを含む分類モデルと、分類対象となる分類対象情報とを取得する。また、決定部１３３は、分類対象情報を入力情報として分類モデルに入力することにより、第１の部分モデルが出力した第１の分類結果が示す第１の候補カテゴリと、第２の部分モデルが出力した第２の分類結果が示す第２の候補カテゴリとに基づいて、分類対象情報が属するカテゴリである対象カテゴリを決定する。

【0119】

このように、実施形態に係る情報処理装置１００は、第１の分類結果を出力する第１の部分モデル及び第２の分類結果を出力する第２の部分モデルを含む分類モデルを用いて、分類対象情報が属するカテゴリを決定することで、複数の分類結果を基にカテゴリを決定することができるため、分類対象について適切にカテゴリを決定することができる。

【0120】

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、入力情報の入力に応じて、入力情報の特徴情報を出力する第３の部分モデル、第３の部分モデルの出力を用いて第１の分類結果を出力する第１の部分モデル、第３の部分モデルの出力を用いて第２の分類結果を出力する第２の部分モデルを含む分類モデルを取得する。

【0121】

このように、実施形態に係る情報処理装置１００は、入力情報の特徴情報を出力する第３の部分モデルを含む分類モデルを用いることで、適切に抽出された情報を基に分類対象情報が属するカテゴリを決定することができるため、分類対象について適切にカテゴリを決定することができる。

【0122】

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、第３の部分モデルが出力した分類対象情報の特徴情報を用いて、第１の部分モデルが出力した第１の分類結果が示す第１の候補カテゴリと、第２の部分モデルが出力した第２の分類結果が示す第２の候補カテゴリとに基づいて、分類対象情報が属する対象カテゴリを決定する。

【0123】

このように、実施形態に係る情報処理装置１００は、第３の部分モデルが出力した分類対象情報の特徴情報を第１の部分モデル及び第２の部分モデルの両方が用いることで、特徴情報を共通して用いることができるため、分類対象について適切にカテゴリを決定することができる。

【0124】

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、分類対象となる画像である分類対象情報を取得する。

【0125】

このように、実施形態に係る情報処理装置１００は、画像について適切にカテゴリを決定することができる。

【0126】

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、第１の部分モデルが出力した第１の分類結果が示す第１の候補カテゴリを、第２の部分モデルに対応する形式に変換した変換後第１のカテゴリと、第２の候補カテゴリとに基づいて、分類対象情報が属する対象カテゴリを決定する。

【0127】

このように、実施形態に係る情報処理装置１００は、第１の分類結果が示す第１の候補カテゴリを、第２の部分モデルに対応する形式に変換した変換後第１のカテゴリを用いることで、共通のカテゴリ分類を基づく分類結果となるため、分類対象について適切にカテゴリを決定することができる。

【0128】

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、第１の部分モデルに対応する第１のカテゴリ群と、第２の部分モデルに対応する第２のカテゴリ群との間の対応関係を示すカテゴリマップを用いて、第１の候補カテゴリが変換された変換後第１のカテゴリと、第２の候補カテゴリとに基づいて、分類対象情報が属する対象カテゴリを決定する。

【0129】

このように、実施形態に係る情報処理装置１００は、第１のカテゴリ群と第２のカテゴリ群との間の対応関係を示すカテゴリマップを用いることで、第１のカテゴリを第２のカテゴリに適切に写像することができるため、分類対象について適切にカテゴリを決定することができる。

【0130】

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、第１のカテゴリを第２のカテゴリに変換するために用いるカテゴリマップを用いて、第１の候補カテゴリが変換された変換後第１のカテゴリと、第２の候補カテゴリとに基づいて、分類対象情報が属する対象カテゴリを決定する。

【0131】

このように、実施形態に係る情報処理装置１００は、カテゴリマップを用いることで、第１の候補カテゴリを第２のカテゴリに対応する変換後第１のカテゴリに変換することができるため、分類対象について適切にカテゴリを決定することができる。

【0132】

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、変換後第１のカテゴリと、第２の候補カテゴリとが異なる場合、所定の基準に基づいて、分類対象情報が属する対象カテゴリを決定する。

【0133】

このように、実施形態に係る情報処理装置１００は、変換後第１のカテゴリと、第２の候補カテゴリとが異なる場合は、両方を考慮して分類対象情報が属する対象カテゴリを決定することで、分類対象について適切にカテゴリを決定することができる。

【0134】

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、変換後第１のカテゴリと、第２の候補カテゴリとが異なる場合、変換後第１のカテゴリに対応する第１のスコアと、第２の候補カテゴリに対応する第２のスコアとの比較に基づいて、分類対象情報が属する対象カテゴリを決定する。

【0135】

このように、実施形態に係る情報処理装置１００は、変換後第１のカテゴリに対応する第１のスコアと、第２の候補カテゴリに対応する第２のスコアとを比較して分類対象情報が属する対象カテゴリを決定することで、各部分モデルの分類結果の確信度を考慮して、分類対象について適切にカテゴリを決定することができる。

【0136】

また、実施形態に係る情報処理装置１００において、決定部１３３は、第２のスコアが第１のスコア以上である場合、第２のカテゴリを分類対象情報が属する対象カテゴリに決定する。

【0137】

このように、実施形態に係る情報処理装置１００は、第２のスコアが第１のスコア以上である場合、第２のカテゴリを分類対象情報が属する対象カテゴリに決定することで、各部分モデルの分類結果の確信度を考慮して、分類対象について適切にカテゴリを決定することができる。

【0138】

また、実施形態に係る情報処理装置１００において、決定部１３３は、第１のスコアが第２のスコアよりも大きい場合、変換後第１のカテゴリを分類対象情報が属する対象カテゴリに決定する。

【0139】

このように、実施形態に係る情報処理装置１００は、第１のスコアが第２のスコアよりも大きい場合、変換後第１のカテゴリを分類対象情報が属する対象カテゴリに決定することで、各部分モデルの分類結果の確信度を考慮して、分類対象について適切にカテゴリを決定することができる。

【0140】

また、実施形態に係る情報処理装置１００において、決定部１３３は、変換後第１のカテゴリと、第２の候補カテゴリとが異なる場合、第２の候補カテゴリを分類対象情報が属する対象カテゴリに決定する。

【0141】

このように、実施形態に係る情報処理装置１００は、変換後第１のカテゴリと、第２の候補カテゴリとが異なる場合、第２の候補カテゴリを分類対象情報が属する対象カテゴリに決定することで、カテゴリ変換が必要ない方のカテゴリを重要視し、分類対象について適切にカテゴリを決定することができる。

【0142】

また、実施形態に係る情報処理装置１００において、決定部１３３は、変換後第１のカテゴリと、第２の候補カテゴリとが異なる場合、変換後第１のカテゴリを分類対象情報が属する対象カテゴリに決定する。

【0143】

このように、実施形態に係る情報処理装置１００は、変換後第１のカテゴリと、第２の候補カテゴリとが異なる場合、第２の候補カテゴリを分類対象情報が属する対象カテゴリに決定することで、多くのデータで学習された部分モデルの出力を重要視し、分類対象について適切にカテゴリを決定することができる。

【0144】

また、実施形態に係る情報処理装置１００において、決定部１３３は、変換後第１のカテゴリと、第２の候補カテゴリとが一致する場合、第２の候補カテゴリを分類対象情報が属する対象カテゴリに決定する。

【0145】

このように、実施形態に係る情報処理装置１００は、変換後第１のカテゴリと、第２の候補カテゴリとが一致する場合、一致したカテゴリを分類対象情報が属する対象カテゴリに決定することで、分類対象について適切にカテゴリを決定することができる。

【0146】

また、実施形態に係る情報処理装置１００において、決定部１３３は、第１の候補カテゴリと、第２の候補カテゴリとが一致する場合、第２の候補カテゴリを分類対象情報が属する対象カテゴリに決定する。

【0147】

このように、実施形態に係る情報処理装置１００は、第１の候補カテゴリと、第２の候補カテゴリとが一致する場合、一致したカテゴリを分類対象情報が属する対象カテゴリに決定することで、分類対象について適切にカテゴリを決定することができる。

【0148】

〔７．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１０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１０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。

【0149】

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。

【0150】

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。

【0151】

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。

【0152】

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。

【0153】

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。

【0154】

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。

【0155】

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。

【0156】

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。

【0157】

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。

【0158】

〔８．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。

【0159】

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。

【0160】

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。

【0161】

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】

【0162】

１ 情報処理システム
１００ 情報処理装置
１２１ 第１種別情報記憶部
１２２ 第２種別情報記憶部
１２３ モデル情報記憶部
１３０ 制御部
１３１ 取得部
１３２ 学習部
１３３ 決定部
１３４ 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】

【図9】

【図10】