JP2016006593A - 抽出装置、抽出方法及び抽出プログラム - Google Patents

Abstract

【課題】利用者にとって魅力的な創作物を推薦すること。【解決手段】本願に係る抽出装置は、入力データとして利用者が選択した創作物の内容に関する創作物情報を受け付ける受付部と、創作物の特徴をそれぞれ異なる複数の粒度で学習した複数の中間層を有し、入力された創作物情報と対応する創作物の内容の特徴を示す特徴情報を出力する学習器に対して、受付部によって受け付けられた創作物情報を入力し、学習器が出力した特徴情報を出力する出力部とを有することを特徴とする。【選択図】図４

Description

本発明は、抽出装置、抽出方法及び抽出プログラムに関する。

従来、書籍の購入履歴やユーザ属性に応じて利用者に書籍を推薦する技術が知られている。例えば、推薦装置は、利用者とユーザ属性が似ている他の利用者が購入した書籍を利用者に対して推薦する。

特開２００１−２６５８０８号公報

しかしながら、上記の従来技術では、利用者にとって魅力的な創作物を推薦することができるとは限らなかった。例えば、上記の従来技術では、推薦装置は、単に利用者とユーザ属性が似ている他の利用者の購入履歴に基づいて書籍を推薦するに過ぎないので、推薦された書籍が利用者にとって魅力的ではない場合がある。このようなことから、上記の従来技術では、利用者にとって魅力的な創作物を推薦することができるとは限らなかった。

本願は、上記に鑑みてなされたものであって、利用者にとって魅力的な創作物を推薦することができる抽出装置、抽出方法及び抽出プログラムを提供することを目的とする。

本願に係る抽出装置は、入力データとして利用者が選択した創作物の内容に関する創作物情報を受け付ける受付部と、創作物の特徴をそれぞれ異なる複数の粒度で学習した複数の中間層を有し、入力された創作物情報と対応する創作物の内容の特徴を示す特徴情報を出力する学習器に対して、前記受付部によって受け付けられた創作物情報を入力し、当該学習器が出力した特徴情報を出力する出力部とを有することを特徴とする。

実施形態の一態様によれば、利用者にとって魅力的な創作物を推薦することができるという効果を奏する。

図１は、実施形態に係る抽出装置による抽出処理の一例を示す説明図である。 図２は、実施形態に係る学習器の一例を示す図である。 図３は、実施形態に係る推薦システムの構成例を示す図である。 図４は、実施形態に係る抽出装置の構成例を示す図である。 図５は、実施形態に係る学習器の一例を示す図である。 図６は、実施形態に係る抽出装置による生成処理手順を示すフローチャートである。 図７は、実施形態に係る抽出装置による抽出処理手順を示すフローチャートである。 図８は、変形例に係る学習器の一例を示す図である。 図９は、ウェブページの一例を示す図である。 図１０は、抽出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。

以下に、本願に係る抽出装置、抽出方法及び抽出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抽出装置、抽出方法及び抽出プログラムが限定されるものではない。また、以下の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。

〔１．抽出処理〕
まず、図１を用いて、実施形態に係る抽出処理の一例について説明する。図１は、実施形態に係る抽出装置による抽出処理の一例を示す説明図である。図１の例では、抽出装置１００によって利用者に推薦する創作物（例えば、書籍）である推薦創作物を抽出する抽出処理が行われる例を示す。

抽出装置１００は、入力データに対する演算結果を出力するＤＮＮ（Deep Neural Network）である学習器Ｌｅを用いて推薦創作物を抽出するサーバ装置である。例えば、抽出装置１００は、書籍の内容の特徴を学習した学習器Ｌｅを用いて推薦書籍を抽出する。この点について図１を用いて詳細に説明する。

学習器Ｌｅは、入力データに対する演算結果を出力する複数のノード（例えば、ニューロン）を接続したＤＮＮであって書籍の特徴を出力するＤＮＮである。具体的には、学習器Ｌｅは、入力データとして書籍に関する書籍情報が入力された場合に、書籍の特徴に対応するノードが所定の値を出力する。

図１の例では、学習器Ｌｅは、入力層と、多段のノード群によって形成される中間層と、出力層とから構成される。ここで、出力層は、例えば、入力データとして利用者が過去に選択した書籍や購入した書籍の書籍情報が学習器Ｌｅに入力された場合に書籍の特徴を出力するノードを有する。

初めに、抽出装置１００が学習器Ｌｅを生成する生成処理について説明する。まず、抽出装置１００は、学習用の入力データとして書籍に関する書籍情報ＢＩを受け付ける（ステップＳ１１）。例えば、抽出装置１００は、書籍情報ＢＩとして書籍の絵柄（例えば、行間や枠の取り方、絵のタッチ等）、ストーリー、人物の登場分布、台詞といった書籍の創作に関する各種の情報を受け付ける。

続いて、抽出装置１００は、書籍の特徴を学習した学習器Ｌｅを生成する（ステップＳ１２）。具体的には、抽出装置１００は、創作物の特徴をそれぞれ異なる複数の粒度で学習した複数の中間層を有し、入力された創作物情報と対応する創作物の内容の特徴を抽出する学習器Ｌｅを生成する。例えば、抽出装置１００は、書籍情報として書籍の絵柄を受け付けた場合に行間や枠の取り方、絵のタッチ等などの特徴に対応するノードが所定の値を出力する学習器Ｌｅを生成する。

この点について、図２を用いて詳細に説明する。図２は、実施形態に係る学習器の一例を示す図である。抽出装置１００は、書籍の内容を粒度が異なるまとまりごとに学習する。具体的には、抽出装置１００は、書籍の内容を粒度が小さいまとまりから順に書籍の特徴を学習する。例えば、抽出装置１００は、図２に示すように、まず、ページの一部分Ｓｔごとに、書籍の特徴を学習した層を生成する。次に、抽出装置１００は、ページＰｇごとに、書籍の特徴を学習した層を生成する。最後に、抽出装置１００は、書籍Ｂｏごとに、書籍の特徴を学習した層を生成する。すなわち、抽出装置１００は、学習器Ｌｅが有する中間層ごとに、それぞれ異なる粒度で分割した創作物の内容を入力とするプレトレーニングを行う。また、抽出装置１００は、入力層から近い中間層ほど、細かい粒度で分割した創作物の内容を入力とするプレトレーニングを行う。そして、抽出装置１００は、プレトレーニングを行った中間層同士を接続した学習器Ｌｅを生成し、書籍の特徴を抽出するように学習を行う。これにより、抽出装置１００は、粒度が小さいまとまりから学習される特徴を反映して書籍全体の特徴を学習することができるので、書籍の特徴を高い精度で学習した学習器Ｌｅを生成することができる。なお、抽出装置１００が実行する学習の手法は、バックプロパゲーション法や教師なし学習等、任意の従来技術を適用することができる。例えば、抽出装置１００は、学習器Ｌｅが有するノードのうち、書籍の特徴に対応する任意のノードが所定の値を出力するように学習を行えばよい。

そして、抽出装置１００は、生成した学習器Ｌｅを記憶部に格納する。なお、図１の例では、説明を簡単にするため、学習器Ｌｅは、書籍情報ＢＩを学習する例を示したが、実際には十分な数の書籍情報を用いて学習を行う。

次に、抽出装置１００が学習器を用いて推薦書籍を抽出する抽出処理について説明する。抽出装置１００は、創作物の特徴をそれぞれ異なる複数の粒度で学習した複数の中間層を有し、入力された創作物情報と対応する創作物の内容の特徴を抽出する学習器に対して受け付けられた創作物情報を入力した場合の出力結果に基づいて、利用者が選択した創作物と類似する創作物（例えば、推薦創作物）を抽出する。具体的には、抽出装置１００は、まず、入力データとして利用者が選択した創作物の内容に関する創作物情報を受け付ける。例えば、抽出装置１００は、利用者が過去に購入した書籍に関する書籍情報ＰＢを受け付ける（ステップＳ１３）。

続いて、抽出装置１００は、受け付けた書籍情報ＰＢを学習器Ｌｅに入力する。そして、抽出装置１００は、入力データに対して学習器Ｌｅが出力する出力結果に基づいて利用者に推薦する推薦書籍を抽出する（ステップＳ１４）。例えば、抽出装置１００は、利用者が過去に選択した書籍と類似する書籍を抽出する。ここで、学習器Ｌｅは、書籍情報ＰＢを入力した場合に、「行間が大きい」、「枠の取り方が大きい」および「絵のタッチがシンプル」といった特徴に対応するノードが所定の値を出力したものとする。この場合、抽出装置１００は、推薦書籍として、「枠の取り方が大きい」および「絵のタッチがシンプル」といった特徴を有する書籍ＲＢを抽出する。

このように、実施形態に係る抽出装置１００は、入力データとして利用者が選択した創作物の内容に関する創作物情報を受け付ける。また、抽出装置１００は、創作物の特徴をそれぞれ異なる複数の粒度で学習した複数の中間層を有し、入力された創作物情報と対応する創作物の内容の特徴を抽出する学習器に対して前記受付部によって受け付けられた創作物情報を入力した場合の出力結果に基づいて、前記利用者が選択した創作物と類似する創作物を抽出する。

また、抽出装置１００は、学習器を生成する。また、抽出装置１００は、生成された学習器に受け付けられた創作物情報を入力した場合の出力結果に基づいて、利用者が選択した創作物と類似する創作物を抽出する。

これにより、抽出装置１００は、利用者が過去に選択や購入した創作物と同じ特徴を有する創作物を推薦創作物として抽出することができるので、利用者にとって魅力的な創作物を推薦することができる。例えば、抽出装置１００は、利用者にとって魅力的な書籍の広告を配信することができるので、書籍の売上を向上させることができる。

また、抽出装置１００は、利用者自身が気づいていない利用者が嗜好する創作物の特徴を有する創作物を推薦創作物として抽出することができるので、利用者の利便性を向上させることができる。例えば、抽出装置１００は、行間や枠の取り方、絵のタッチ等といった捉えることが難しい特徴に基づいて推薦書籍を抽出することができるので、利用者自身による検索では見つけにくい魅力的な書籍を推薦することができる。

また、抽出装置１００は、創作物に関するデータではなく、創作物の内容に関する創作物情報に基づいて、利用者に推薦する推薦創作物を抽出することができるので、利用者に対して魅力的な創作物を高い精度で推薦することができる。なお、上述した例では、抽出装置１００は、特徴が類似する創作物を抽出したが、実施形態は、これに限定されるものではない。例えば、抽出装置１００は、推薦書籍の候補の創作物情報を学習器Ｌｅに入力した場合に各出力ノードが出力した値をあらかじめ記憶する。また、抽出装置１００は、利用者が選択した書籍の創作物情報を学習器Ｌｅに入力した場合に各出力ノードが出力した値を取得する。そして、抽出装置１００は、推薦書籍の候補のうち、創作物情報を入力した際に学習器Ｌｅの各ノードが出力した値が、利用者が選択した書籍の創作物情報を入力とした際に学習器Ｌｅの各ノードが出力した値と類似する候補を抽出してもよい。

〔２．推薦システムの構成〕
図３を用いて、実施形態に係る推薦システムの構成について説明する。図３は、実施形態に係る推薦システムの構成例を示す図である。図３に示すように、推薦システム１には、端末装置１０と、サーバ装置５０と、抽出装置１００とが含まれる。端末装置１０、サーバ装置５０および抽出装置１００は、ネットワークを介して、有線又は無線により通信可能に接続される。なお、図３に示した推薦システム１には、複数台の端末装置１０や、複数台のサーバ装置５０や、複数台の抽出装置１００が含まれてもよい。

端末装置１０は、例えば、デスクトップ型ＰＣや、ノート型ＰＣや、タブレット型端末や、スマートフォンや、携帯電話機や、ＰＤＡ（Personal Digital Assistant）等の情報処理装置である。例えば、端末装置１０は、ショッピングサイトやＥＣサイト、オークションサイトを閲覧する利用者によって利用される。端末装置１０は、推薦書籍の取得要求を送信する。例えば、端末装置１０は、ウェブページの広告枠に表示される推薦書籍に関する広告コンテンツの取得要求をサーバ装置５０に送信する。一例としては、端末装置１０は、ショッピングサイトのウェブページにアクセスした場合に、推薦書籍の取得要求を送信する。また、端末装置１０は、サーバ装置５０から推薦された推薦書籍に関する情報を表示部に表示する。例えば、端末装置１０は、利用者が閲覧するウェブページに含まれる広告枠にサーバ装置５０から推薦された製品に関する広告コンテンツを表示部に表示する。

サーバ装置５０は、各種ウェブページを端末装置１０に提供するサーバ装置である。具体的には、サーバ装置５０は、ショッピングサイトやＥＣサイト、オークションサイトに関するウェブページを提供する。例えば、サーバ装置５０は、商品を販売する販売ページを端末装置１０に配信する。なお、サーバ装置５０は、ショッピングサイトに限らず、技術解説サイト、検索エンジンサイト、ショッピングサイト、ニュースサイト、ファイナンスサイト（株価サイト）等といった各種のウェブページも提供してもよい。また、サーバ装置５０は、抽出装置１００に対して、利用者が選択した書籍の書籍情報を送信する。例えば、サーバ装置５０は、利用者が過去に購入した書籍の書籍情報を抽出装置１００に送信する。

抽出装置１００は、学習器Ｌｅを用いて、利用者に推薦する推薦創作物を抽出するサーバ装置である。具体的には、抽出装置１００は、まず、入力データとして利用者が選択した書籍に関する書籍情報を学習器Ｌｅに入力する。例えば、抽出装置１００は、入力データとして利用者が過去に購入した書籍に関する書籍情報を学習器Ｌｅに入力する。そして、抽出装置１００は、入力データに対する出力結果に基づいて利用者に推薦する推薦書籍を抽出する。

次に、図３を用いて、推薦システム１による推薦処理について説明する。まず、端末装置１０は、例えば、サーバ装置５０によって提供されるウェブページ（例えば、商品を販売する販売ページ）にアクセスした場合に、利用者に推薦する推薦書籍の取得要求をサーバ装置５０に送信する（ステップＳ２１）。

そして、サーバ装置５０は、端末装置１０から推薦書籍の取得要求を受信した場合に、利用者が選択した書籍の書籍情報を抽出装置１００に送信する。例えば、サーバ装置５０は、利用者が過去に購入した書籍の内容に関する書籍情報を送信する。これにより、抽出装置１００は、利用者が選択した書籍の書籍情報を受け付ける（ステップＳ２２）。

そして、抽出装置１００は、利用者に推薦する推薦書籍を抽出する（ステップＳ２３）。具体的には、抽出装置１００は、書籍の内容の特徴を学習した学習器に受け付けられた書籍情報を入力した場合の出力結果に基づいて、利用者に推薦する推薦書籍を抽出する。

その後、抽出装置１００は、抽出した推薦書籍をサーバ装置５０に通知する（ステップＳ２４）。そして、サーバ装置５０は、抽出装置１００から通知された推薦書籍に関するコンテンツを配信する（ステップＳ２５）。例えば、サーバ装置５０は、推薦書籍の広告コンテンツを端末装置１０に配信する。これにより、端末装置１０は、サーバ装置５０から配信された広告コンテンツを、ウェブページに含まれる広告枠に表示する。

〔３．抽出装置の構成〕
次に、図４を用いて、実施形態に係る抽出装置１００の構成について説明する。図４は、実施形態に係る抽出装置の構成例を示す図である。図４に示すように、抽出装置１００は、通信部１１０と、記憶部１２０と、制御部１３０とを有する。なお、抽出装置１００は、抽出装置１００を利用する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。

（通信部１１０について）
通信部１１０は、例えば、ＮＩＣ等によって実現される。かかる通信部１１０は、ネットワークと有線又は無線で接続され、ネットワークを介して、各種のサーバ装置や端末装置やノードとの間で情報の送受信を行う。

（記憶部１２０について）
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。記憶部１２０は、創作物情報記憶部１２１と、学習器情報記憶部１２２を有する。

（創作物情報記憶部１２１について）
創作物情報記憶部１２１は、創作物の内容に関する創作物情報を記憶する。具体的には、創作物情報記憶部１２１は、サーバ装置５０から送信される創作物情報を記憶する。例えば、創作物情報記憶部１２１は、創作物情報として、書籍の絵柄（例えば、行間や枠の取り方、絵のタッチ等）、ストーリー、人物の登場分布、台詞といった書籍の創作に関する各種の情報である書籍情報を受け付ける。

ここで、図５に、実施形態に係る創作物情報記憶部１２１の一例を示す。図５に示した例では、創作物情報記憶部１２１は、「創作物ＩＤ」、「絵柄」、「ストーリー」、「人物の登場分布」、「台詞」といった項目を有する。「創作物ＩＤ」は、創作物を識別するための識別情報を示す。「絵柄」は、書籍に含まれる絵柄の特徴を示す。例えば、「絵柄」には、行間や枠の取り方、絵のタッチなどの特徴が記憶される。「ストーリー」は、書籍が題材とする物語の特徴を示す。「人物の登場分布」は、書籍の内容に登場する登場人物の分布を示す。例えば、「人物の登場分布」には、登場人物の属性の割合や構成が記憶される。「台詞」は、書籍の内容に出現する台詞の特徴を示す。例えば、「台詞」には、長さの特徴や言葉遣いの特徴が記憶される。

すなわち、図５では、創作物ＩＤ「ＢＩ１」に対応する書籍ＢＩ１は、絵柄が「枠の取り方が大きい」という特徴を有する例を示している。また、図５では、創作物ＩＤ「ＢＩ１」に対応する書籍ＢＩ１は、ストーリーが「主人公が所属するサッカー部が大会を勝ち進む」である例を示している。また、図５では、創作物ＩＤ「ＢＩ１」に対応する書籍ＢＩ１は、台詞が「短い」という特徴を有する例を示している。

（学習器情報記憶部１２２について）
学習器情報記憶部１２２は、学習器（例えば、ＤＮＮ）に関する情報を記憶する。具体的には、学習器情報記憶部１２２は、ＤＮＮ（例えば、オートエンコーダ）に含まれる入力層、中間層および出力層のノードや、ノード間の結合係数に関する情報を記憶する。例えば、学習器情報記憶部１２２は、図１や図２に示す学習器Ｌｅを記憶する。

（制御部１３０について）
制御部１３０は、例えば、ＣＰＵ（Central Processing Unit）やＭＰＵ（Micro Processing Unit）等によって、抽出装置１００内部の記憶装置に記憶されている各種プログラム（抽出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、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、図４に示すように、受付部１３１と、生成部１３２と、抽出部１３３（出力部の一例に相当）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、後述する算出処理を行う構成であれば他の構成であってもよい。また、制御部１３０が有する各処理部の接続関係は、図４に示した接続関係に限られず、他の接続関係であってもよい。

（受付部１３１について）
受付部１３１は、入力データを受け付ける。具体的には、受付部１３１は、入力データとして利用者が選択した創作物の内容に関する創作物情報を受け付ける。例えば、受付部１３１は、利用者が過去に購入した書籍の書籍情報をサーバ装置５０から受け付ける。また、受付部１３１は、学習器Ｌｅの学習に用いる学習用の創作物情報を受け付ける。例えば、受付部１３１は、ショッピングサイトで販売する書籍の内容に関する書籍情報を受け付ける。なお、受付部１３１は、創作物の特徴を学習する上で十分な数の創作物情報を受け付ける。また、受付部１３１は、受け付けた創作物情報を創作物情報記憶部１２１に格納する。

（生成部１３２について）
生成部１３２は、学習器（例えば、ＤＮＮ）を生成する。具体的には、生成部１３２は、創作物の特徴をそれぞれ異なる複数の粒度で学習した複数の中間層を有し、入力された創作物情報と対応する創作物の内容の特徴を抽出する学習器を生成する。例えば、生成部１３２は、創作物情報記憶部１２１に記憶された学習用の書籍情報を入力した場合に書籍の特徴に対応するノードが所定の値を出力する学習器Ｌｅを生成する。一例としては、生成部１３２は、書籍情報として書籍の絵柄を受け付けた場合に行間や枠の取り方、絵のタッチ等などの特徴に対応するノードが所定の値を出力する学習器Ｌｅを生成する。なお、生成部１３２は、バックプロパゲーション法や教師有り学習法といった各種の方法によって学習器Ｌｅを生成する。

ここで、生成部１３２は、創作物の内容を粒度が異なるまとまりごとに順次学習する。具体的には、抽出装置１００は、創作物情報記憶部１２１に記憶された創作物情報を用いて、創作物の内容を粒度が小さいまとまりから順に創作物の特徴を学習する。例えば、生成部１３２は、入力層に近い層から出力層に近い層へと粒度が大きくなるように中間層を生成する。すなわち、生成部１３２は、まず、学習器Ｌｅが有する中間層ごとに、それぞれ異なる粒度で分割した創作物の内容を入力とするプレトレーニングを行う。なお、生成部１３２は、入力層から近い中間層ほど、細かい粒度で分割した創作物の内容を入力とするプレトレーニングを行う。そして、生成部１３２は、プレトレーニングを行った中間層同士を接続した学習器Ｌｅを生成し、書籍の特徴を抽出するように学習を行う。

一例としては、生成部１３２は、まず、書籍を構成するページの一部分ごとに、書籍の特徴を学習した層を生成する。次に、生成部１３２は、書籍に含まれるページごとに、書籍の特徴を学習した層を生成する。最後に、生成部１３２は、書籍ごとに、書籍の特徴を学習した層を生成する。なお、生成部１３２は、例えば、書籍に含まれるページごとに、書籍の特徴を学習した層を生成した後に、１話ごとに書籍の特徴を学習した層を生成してもよい。また、生成部１３２は、例えば、１話ごとに、書籍の特徴を学習した層を生成した後に、数話ごとに書籍の特徴を学習した層を生成してもよい。これにより、生成部１３２は、粒度が小さいまとまりから学習される特徴を反映して創作物全体の特徴を学習することができるので、創作物の特徴を高い精度で学習した学習器を生成することができる。

なお、生成部１３２は、バックプロパゲーション法や教師あり学習により創作物の特徴を学習する。具体的には、生成部１３２は、まず、創作物情報記憶部１２１に記憶された創作物情報を入力した場合に創作物の内容の特徴を出力するＤＮＮに含まれるニューロンの間の結合係数を算出する。そして、生成部１３２は、算出した結合係数を学習器のニューロン間に設定することで創作物の特徴を学習した学習器を生成する。そして、生成部１３２は、生成した学習器Ｌｅを学習器情報記憶部１２２に格納する。なお、生成部１３２は、例えば、学習を行う上で十分な数の学習用の書籍情報が創作物情報記憶部１２１に記憶された場合に、学習器Ｌｅを生成する生成処理を開始する。

（抽出部１３３について）
抽出部１３３は、利用者に推薦する推薦創作物を抽出する。具体的には、抽出部１３３は、創作物の内容の特徴を学習した学習器に受付部１３１によって受け付けられた創作物情報を入力した場合の出力結果に基づいて、利用者に推薦する推薦創作物を抽出する。例えば、抽出部１３３は、入力データとして利用者が選択した創作物の内容に関する創作物情報を学習器に入力した場合の出力結果に基づいて、利用者に推薦する推薦創作物を抽出する。

一例としては、抽出部１３３は、まず、学習器情報記憶部１２２に記憶された学習器であって書籍の内容の特徴を学習した学習器Ｌｅに対して、利用者が過去に購入した書籍に関する書籍情報を入力する。そして、抽出部１３３は、入力データに対して学習器Ｌｅが出力する出力結果に基づいて利用者に推薦する推薦書籍を抽出する。具体的には、抽出部１３３は、創作物の特徴をそれぞれ異なる複数の粒度で学習した複数の中間層を有し、入力された創作物情報と対応する創作物の内容の特徴を抽出する学習器に対して受付部１３１によって受け付けられた創作物情報を入力した場合の出力結果に基づいて、利用者が選択した創作物と類似する創作物を抽出する。例えば、抽出部１３３は、推薦書籍として、学習器Ｌｅが出力する出力結果のうち書籍の絵柄の特徴に対応する出力結果と近い特徴を有する書籍を抽出する。一例としては、抽出部１３３は、学習器Ｌｅが「行間が大きい」、「枠の取り方が大きい」および「絵のタッチがシンプル」といった特徴に対応するノードが所定の値を出力した場合には、推薦書籍として、「枠の取り方が大きい」および「絵のタッチがシンプル」といった特徴を有する書籍を抽出する。また、抽出部１３３は、利用者に推薦する創作物の候補のうち、創作物の候補の内容を示す創作物情報を学習器に入力した際の出力結果が、受付部１３１によって受け付けられた創作物情報を学習器に入力した場合の出力結果と類似する創作物の候補を抽出してもよい。そして、抽出部１３３は、抽出した推薦創作物をサーバ装置５０に通知する。

〔４．生成処理手順〕
次に、図６を用いて、実施形態に係る抽出装置１００による生成処理の手順について説明する。図６は、実施形態に係る抽出装置による生成処理手順を示すフローチャートである。

図６に示すように、抽出装置１００は、学習に必要な数の書籍情報を受け付ける（ステップＳ１０１）。そして、抽出装置１００は、学習に必要な数の書籍情報を受け付けていない場合には（ステップＳ１０１；Ｎｏ）、学習に必要な数の書籍情報を受け付けるまで待機する。

一方、抽出装置１００は、学習に必要な数の書籍情報を受け付けた場合（ステップＳ１０１；Ｙｅｓ）、受け付けた書籍情報を学習器に入力する（ステップＳ１０２）。例えば、抽出装置１００は、創作物情報記憶部１２１に記憶された書籍情報を入力データとして学習器に入力する。

その後、抽出装置１００は、書籍の内容の特徴を学習した学習器を生成する。具体的には、抽出装置１００は、創作物の特徴をそれぞれ異なる複数の粒度で学習した複数の中間層を有し、入力された創作物情報と対応する創作物の内容の特徴を抽出するようにノード間の結合係数を算出する（ステップＳ１０３）。例えば、抽出装置１００は、バックプロパゲーション法によりノード間の結合係数を算出する。

そして、抽出装置１００は、学習器を生成する（ステップＳ１０４）。例えば、抽出装置１００は、算出した結合係数をノード間に設定することで、書籍情報に対して書籍の特徴に対応するノードが所定の値を出力する学習器を生成する。その後、抽出装置１００は、生成した学習器を学習器情報記憶部１２２に格納する（ステップＳ１０５）。

〔５．推薦処理手順〕
次に、図７を用いて、実施形態に係る抽出装置１００による推薦処理の手順について説明する。図７は、実施形態に係る抽出装置による推薦処理手順を示すフローチャートである。

図７に示すように、抽出装置１００は、利用者が選択した書籍の書籍情報を受け付ける。例えば、抽出装置１００は、利用者が過去に購入した書籍の書籍情報を受け付ける（ステップＳ２０１）。

そして、抽出装置１００は、利用者が選択した書籍の書籍情報を受け付けていない場合には（ステップＳ２０１；Ｎｏ）、利用者が選択した書籍の書籍情報を受け付けるまで待機する。

一方、抽出装置１００は、利用者が選択した書籍の書籍情報を受け付けた場合（ステップＳ２０１；Ｙｅｓ）、受け付けた書籍情報を学習器に入力する（ステップＳ２０２）。例えば、抽出装置１００は、受け付けた書籍情報を、学習器情報記憶部１２２に記憶された学習器に入力する。

その後、抽出装置１００は、書籍の内容の特徴を学習した学習器に、受け付けられた創書籍情報を入力した場合の出力結果に基づいて、利用者に推薦する推薦書籍を抽出する（ステップＳ２０３）。具体的には、抽出装置１００は、創作物の特徴をそれぞれ異なる複数の粒度で学習した複数の中間層を有し、入力された創作物情報と対応する創作物の内容の特徴を抽出する学習器に対して受付部１３１によって受け付けられた創作物情報を入力した場合の出力結果に基づいて、利用者が選択した創作物と類似する創作物を抽出する。例えば、抽出装置１００は、学習器が「行間が大きい」、「枠の取り方が大きい」および「絵のタッチがシンプル」といった特徴に対応するノードが所定の値を出力した場合には、推薦書籍として、「枠の取り方が大きい」および「絵のタッチがシンプル」といった特徴を有する書籍を抽出する。そして、抽出部１３３は、抽出した推薦書籍をサーバ装置５０に通知する（ステップＳ２０４）。

〔６．変形例〕
上述した実施形態に係る抽出装置１００は、上記実施形態以外にも種々の異なる形態にて実施されてよい。そこで、以下では、上記の抽出装置１００の他の実施形態について説明する。

〔７−１．ストーリーの特徴を学習〕
上記実施形態では、抽出装置１００は、創作物に含まれる絵柄の特徴を抽出する学習器に創作物情報を入力した場合の出力結果に基づいて、利用者が選択した創作物と類似する創作物を抽出する例を示した。

ここで、抽出装置１００は、創作物に含まれるストーリーの特徴を抽出する学習器に創作物情報を入力した場合の出力結果に基づいて、利用者が選択した創作物と類似する創作物を抽出してもよい。

一例として、学習器Ｌｅは、書籍情報を入力した場合に、書籍のストーリーの特徴として「高校サッカー」といった特徴に対応するノードが所定の値を出力したものとする。この場合、抽出装置１００は、推薦書籍として、ストーリーが「高校サッカー」と近い特徴を有する書籍を抽出する。例えば、抽出装置１００は、推薦書籍として、ストーリーが「高校」や「サッカー」といった特徴を有する書籍を抽出する。そして、抽出装置１００は、抽出した書籍をサーバ装置５０に通知する。

このように、抽出装置１００は、創作物に含まれるストーリーの特徴を抽出する学習器に創作物情報を入力した場合の出力結果に基づいて、利用者が選択した創作物と類似する創作物を抽出する。これにより、抽出装置１００は、利用者が過去に選択した書籍のストーリーと近い特徴を有する書籍を抽出することができるので、利用者が好むストーリーの特徴と近い書籍を推薦することができる。

〔７−２．登場人物の特徴を学習〕
上記変形例では、抽出装置１００は、創作物に含まれるストーリーの特徴を抽出する学習器に創作物情報を入力した場合の出力結果に基づいて、利用者が選択した創作物と類似する創作物を抽出する例を示した。

ここで、抽出装置１００は、創作物に登場する登場人物の特徴を抽出する学習器に創作物情報を入力した場合の出力結果に基づいて、利用者が選択した創作物と類似する創作物を抽出してもよい。

一例として、学習器Ｌｅは、書籍情報を入力した場合に、書籍の登場人物の分布の特徴として「高校生が多い」といった特徴に対応するノードが所定の値を出力したものとする。この場合、抽出装置１００は、推薦書籍として、書籍の登場人物の分布が「高校生が多い」と近い特徴を有する書籍を抽出する。例えば、抽出装置１００は、推薦書籍として、登場人物に「学生が多い」といった特徴を有する書籍を抽出する。そして、抽出装置１００は、抽出した書籍をサーバ装置５０に通知する。

このように、抽出装置１００は、創作物に登場する登場人物の特徴を抽出する学習器に創作物情報を入力した場合の出力結果に基づいて、利用者が選択した創作物と類似する創作物を抽出するする。これにより、抽出装置１００は、利用者が過去に選択した書籍に出現する登場人物の特徴と近い特徴を有する書籍を抽出することができるので、利用者が好む登場人物の特徴と近い登場人物が出現する書籍を推薦することができる。

〔７−３．台詞の特徴を学習〕
上記変形例では、抽出装置１００は、創作物に登場する登場人物の特徴を抽出する学習器に創作物情報を入力した場合の出力結果に基づいて、利用者が選択した創作物と類似する創作物を抽出する例を示した。

ここで、抽出装置１００は、創作物に含まれる台詞の特徴を抽出する学習器に創作物情報を入力した場合の出力結果に基づいて、利用者が選択した創作物と類似する創作物を抽出してもよい。

一例として、学習器Ｌｅは、書籍情報を入力した場合に、書籍に含まれる台詞の特徴として「短い」といった特徴に対応するノードが所定の値を出力したものとする。この場合、抽出装置１００は、推薦書籍として、書籍に含まれる台詞が「短い」書籍を抽出する。例えば、抽出装置１００は、推薦書籍として、スポーツを題材にした漫画など台詞が「短い」という特徴を有する書籍を抽出する。そして、抽出装置１００は、抽出した書籍をサーバ装置５０に通知する。

このように、抽出装置１００は、創作物に含まれる台詞の特徴を抽出する学習器に創作物情報を入力した場合の出力結果に基づいて、利用者が選択した創作物と類似する創作物を抽出する。これにより、抽出装置１００は、利用者が過去に選択した書籍に含まれる台詞の特徴と近い特徴を有する書籍を抽出することができるので、利用者が好む台詞の特徴と近い長さの書籍を推薦することができる。

〔７−４．ミクスチャーオブエキスパート〕
上記実施形態では、抽出装置１００は、創作物の内容の特徴を学習した学習器を生成する例を示した。ここで、抽出装置１００は、創作物の特徴ごとに、特徴を学習した学習器を生成し、生成した学習器の出力を統合した学習器を生成してもよい。

この点について、図８を用いて説明する。図８は、変形例に係る学習器の一例を示す図である。具体的には、抽出装置１００は、まず、創作物情報に含まれる各種の異なる特徴ごとに学習器を生成する。例えば、抽出装置１００は、書籍のストーリーの特徴を学習したストーリー学習器を生成する。また、抽出装置１００は、絵柄のストーリーの特徴を学習した絵柄学習器を生成する。また、抽出装置１００は、書籍の登場人物の特徴を学習した登場人物学習器を生成する。

その後、抽出装置１００は、生成した学習器の出力を統合した学習器を生成する。例えば、抽出装置１００は、各学習器を並列に統合して学習器を接続する。図８の例では、抽出装置１００は、ストーリー学習器、絵柄学習器および登場人物学習器を並列に接続する。そして、抽出装置１００は、図８に示すように、各学習器の出力を統合した統合層を有するミクスチャーオブエキスパートと呼ばれる学習器を生成する。これにより、抽出装置１００は、絵柄が近い、話の展開が近い、ストーリーの流れが近いといった観点から推薦対象を抽出することができる。

また、抽出装置１００は、各コマの絵と台詞との組みを学習した学習器を生成してもよい。例えば、抽出装置１００は、絵が示す単語や単語が示す絵といった組を学習する学習器を生成する。

このように、抽出装置１００は、創作物の特徴ごとに、特徴を学習した学習器を生成し、生成した学習器の出力を統合した学習器を生成する。これにより、抽出装置１００は、創作物の内容の各種の特徴を学習した学習器を生成することができるので、利用者にとって魅力的な書籍を高い精度で抽出することができる。

〔７−５．創作物情報の受け付け〕
上記実施形態では、抽出装置１００は、利用者が過去に購入した創作物の内容に関する創作物情報を受け付ける例を示した。ここで、抽出装置１００は、利用者が過去に購入した創作物の創作物情報に限らず、利用者が閲覧するウェブページに関する創作物の創作物情報を受け付けてもよい。

この点について、図９を用いて説明する。図９は、ウェブページの一例を示す図である。図９に示すように、利用者は、端末装置１０を操作して、サーバ装置５０が提供するウェブページのうち、書籍「ＡＡ 高校野球部」を販売するウェブページＷ１にアクセスしたものとする。この場合、サーバ装置５０は、書籍「ＡＡ 高校野球部」の書籍情報ＢＩ３を抽出装置１００に送信する。これにより、抽出装置１００は、利用者が閲覧するウェブページに関する創作物の創作物情報を受け付ける。そして、抽出装置１００は、受け付けた創作物情報を用いて、推薦書籍を抽出する。その後、抽出装置１００は、抽出した推薦書籍をサーバ装置５０に通知する。そして、サーバ装置５０は、例えば、推薦書籍に関する広告コンテンツをウェブページＷ１に含まれる表示領域ＣＦに表示してウェブページＷ１を端末装置１０に配信する。

このように、抽出装置１００は、利用者が閲覧するウェブページに関する創作物の創作物情報を受け付ける。これにより、抽出装置１００は、利用者が現在閲覧するウェブページに関する創作物と近い特徴を持つ創作物の広告コンテンツをウェブページに表示することができるので、利用者が現在興味を抱いている特徴を有する書籍を推薦することができる。

〔７−６．ＤＮＮ〕
上記実施形態では、抽出装置１００は、３つの層によって構成される学習器を生成する例を示した。ここで、抽出装置１００は、上述した例に限らず、任意の数の層によって構成された学習器を生成してもよい。例えば、抽出装置１００は、中間層に複数のニューロン群が含まれる多段の学習器を生成する。また、ＤＮＮに含まれるニューロン群は、上述した例に限らず、任意の数のニューロンによって構成されてもよい。また、ＤＮＮに含まれる各ニューロンは、上述した例に限らず、公知となっている各種の従来技術によって各ニューロンが結合されてもよい。

〔７−７．適用対象〕
上記実施形態では、抽出装置１００は、創作物として書籍に適用する適用例を示した。ここで、抽出装置１００は、書籍に限らず、各種のデータに適用してもよい。例えば、抽出装置１００は、動画を対象として適用する。これにより、抽出装置１００は、動画を入力データとして入力することで、利用者に推薦する動画を抽出することができる。例えば、抽出装置１００は、動画のストーリーや音声などの特徴を学習した学習器を用いて、推薦対象の動画を抽出する。

〔７−８．学習器の出力〕
上記実施形態では、学習器が出力するデータの形式は、任意である。例えば、学習器は、ストーリーについて、「早い」、「普通」、「遅い」といった属性を示すデータ（例えば、［１、０、０］など出力ノードのどれかが１となるデータ）が出力されてもよい。また、学習器は、各要素における程度を示す多次元データ（例えば、ストーリー、絵柄、登場人物の特徴を示す出力ノードがある場合は、［ｘ、ｙ、ｚ］といったデータ）を出力してもよい。

〔７−９．特徴情報を出力〕
上記実施形態では、抽出装置１００の抽出部１３３は、創作物の特徴をそれぞれ異なる複数の粒度で学習した複数の中間層を有し、入力された創作物情報と対応する創作物の内容の特徴を抽出する学習器に対して受付部１３１によって受け付けられた創作物情報を入力した場合の出力結果に基づいて、利用者が選択した創作物と類似する創作物を抽出する例を示した。ここで、抽出部１３３は、創作物の特徴をそれぞれ異なる複数の粒度で学習した複数の中間層を有し、入力された創作物情報と対応する創作物の内容の特徴を示す特徴情報を出力する学習器に対して、受付部１３１によって受け付けられた創作物情報を入力し、学習器が出力した特徴情報を出力する出力部として動作してもよい。例えば、抽出部１３３は、「行間が大きい」、「枠の取り方が大きい」および「絵のタッチがシンプル」といった特徴情報を出力する。

この場合、抽出装置１００は、図４に示すように、出力部が出力した特徴情報に基づいて、利用者が選択した創作物と類似する創作物を特定する特定部１３４をさらに備える。そして、抽出装置１００は、特定部１３４によって特定された創作物を推薦創作物としてサーバ装置５０に通知する。

このように、抽出装置１００の抽出部１３３は、創作物の特徴をそれぞれ異なる複数の粒度で学習した複数の中間層を有し、入力された創作物情報と対応する創作物の内容の特徴を示す特徴情報を出力する学習器に対して、受付部１３１によって受け付けられた創作物情報を入力し、学習器が出力した特徴情報を出力する。また、特定部１３４は、出力部が出力した特徴情報に基づいて、利用者が選択した創作物と類似する創作物を特定する。

これにより、抽出装置１００は、創作物の内容の特徴情報を出力することができるので、特徴情報を利用者が現在興味を抱いている情報として活用することができる。

また、抽出装置１００は、出力部によって創作物の特徴情報を出力するに限らず、創作物のタイトルなど創作物を示す情報そのものを出力してもよい。また、特定部１３４は、必須の構成要件ではなく、抽出装置１００は、学習器が出力した特長情報を出力するだけでもよい。例えば、抽出装置１００は、入力された創作物情報と対応する創作物と類似する創作物を出力するように学習器を生成した場合は、学習器の出力をそのまま出力すればよい。また、抽出装置１００は、学習器が出力することができるその他任意の情報をそのまま出力することとしてもよい。

〔７−１０．その他〕
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。

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。例えば、図４に示した受付部１３１および生成部１３２は統合されてもよい。

〔７−１１．ハードウェア構成〕
また、上述してきた実施形態に係る抽出装置１００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、抽出装置１００を例に挙げて説明する。図１０は、抽出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、ＲＯＭ１３００、ＨＤＤ１４００、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、およびメディアインターフェイス（Ｉ／Ｆ）１７００を有する。

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。

ＨＤＤ１４００は、ＣＰＵ１１００によって実行されるプログラム、および、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、通信網５００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通信網５００を介して他の機器へ送信する。

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、および、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。

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。

例えば、コンピュータ１０００が実施形態に係る抽出装置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を実行することにより、制御部１３０の機能を実現する。また、ＨＤＤ１４００には、記憶部１２０内のデータが格納される。コンピュータ１０００のＣＰＵ１１００は、これらのプログラムを記録媒体１８００から読み取って実行するが、他の例として、他の装置から通信網５００を介してこれらのプログラムを取得してもよい。

〔８．効果〕
上述してきたように、実施形態に係る抽出装置１００は、受付部１３１と、抽出部１３３とを有する。受付部１３１は、入力データとして利用者が選択した創作物の内容に関する創作物情報を受け付ける。抽出部１３３は、創作物の特徴をそれぞれ異なる複数の粒度で学習した複数の中間層を有し、入力された創作物情報と対応する創作物の内容の特徴を抽出する学習器に対して受付部１３１によって受け付けられた創作物情報を入力した場合の出力結果に基づいて、利用者が選択した創作物と類似する創作物を抽出する。

また、実施形態に係る抽出装置１００において、受付部１３１は、創作物情報として、書籍の内容に関する書籍情報を受け付ける。抽出部１３３は、それぞれ異なる複数の粒度で書籍の内容を分割した情報を用いて、書籍の内容の特徴を学習した複数の中間層を有し、入力された書籍情報と対応する書籍の内容の特徴を抽出する学習器に受付部１３１によって受け付けられた書籍情報を入力した場合の出力結果に基づいて、利用者に推薦する推薦書籍を抽出する。

また、実施形態に係る抽出装置１００において、抽出部１３３は、創作物に含まれる絵柄の特徴を抽出する学習器に創作物情報を入力した場合の出力結果に基づいて、利用者が選択した創作物と類似する創作物を抽出する。

また、実施形態に係る抽出装置１００において、生成部１３２は、学習器を生成する。抽出部１３３は、生成部１３２によって生成された学習器に受付部１３１によって受け付けられた創作物情報を入力した場合の出力結果に基づいて、利用者が選択した創作物と類似する創作物を抽出する。

また、実施形態に係る抽出装置１００において、抽出部１３３は、利用者に推薦する創作物の候補のうち、創作物の候補の内容を示す創作物情報を学習器に入力した際の出力結果が、受付部１３１によって受け付けられた創作物情報を学習器に入力した場合の出力結果と類似する創作物の候補を抽出する。

これにより、実施形態に係る抽出装置１００は、利用者が過去に選択や購入した創作物と同じ特徴を有する創作物を推薦創作物として抽出することができるので、利用者にとって魅力的な創作物を推薦することができる。例えば、抽出装置１００は、利用者にとって魅力的な書籍の広告を配信することができるので、書籍の売上を向上させることができる。

また、抽出装置１００は、利用者自身が気づいていない利用者が嗜好する創作物の特徴を有する創作物を推薦創作物として抽出することができるので、利用者の利便性を向上させることができる。例えば、抽出装置１００は、行間や枠の取り方、絵のタッチ等といった捉えることが難しい特徴に基づいて推薦書籍を抽出することができるので、利用者自身による検索では見つけにくい魅力的な書籍を推薦することができる。

また、抽出装置１００は、創作物に関するデータではなく、創作物の内容に関する創作物情報に基づいて、利用者に推薦する推薦創作物を抽出することができるので、利用者に対して魅力的な創作物を高い精度で推薦することができる。

また、変形例に係る抽出装置１００において、抽出部１３３は、創作物に含まれるストーリーの特徴を抽出する学習器に創作物情報を入力した場合の出力結果に基づいて、利用者が選択した創作物と類似する創作物を抽出する。

これにより、変形例に係る抽出装置１００は、利用者が過去に選択した書籍のストーリーと近い特徴を有する書籍を抽出することができるので、利用者が好むストーリーの特徴と近い書籍を推薦することができる。

また、変形例に係る抽出装置１００において、抽出部１３３は、創作物に登場する登場人物の特徴を抽出する学習器に創作物情報を入力した場合の出力結果に基づいて、利用者が選択した創作物と類似する創作物を抽出する。

これにより、変形例に係る抽出装置１００は、利用者が過去に選択した書籍に出現する登場人物の特徴と近い特徴を有する書籍を抽出することができるので、利用者が好む登場人物の特徴と近い書籍を推薦することができる。

また、変形例に係る抽出装置１００において、抽出部１３３は、創作物に含まれる台詞の特徴を抽出する学習器に創作物情報を入力した場合の出力結果に基づいて、利用者が選択した創作物と類似する創作物を抽出する。

これにより、変形例に係る抽出装置１００は、利用者が過去に選択した書籍に含まれる台詞の特徴と近い特徴を有する書籍を抽出することができるので、利用者が好む台詞の特徴と近い長さの書籍を推薦することができる。

また、変形例に係る抽出装置１００において、生成部１３２は、創作物の特徴ごとに、特徴を学習した学習器を生成し、生成した学習器の出力を統合した学習器を生成する。

これにより、変形例に係る抽出装置１００は、創作物の内容の各種の特徴を学習した学習器を生成することができるので、利用者にとって魅力的な書籍を高い精度で抽出することができる。

また、変形例に係る抽出装置１００において、抽出部１３３は、創作物の特徴をそれぞれ異なる複数の粒度で学習した複数の中間層を有し、入力された創作物情報と対応する創作物の内容の特徴を示す特徴情報を出力する学習器に対して、受付部１３１によって受け付けられた創作物情報を入力し、学習器が出力した特徴情報を出力する。また、特定部１３４は、出力部が出力した特徴情報に基づいて、利用者が選択した創作物と類似する創作物を特定する。

これにより、抽出装置１００は、創作物の内容の特徴情報を出力することができるので、特徴情報を利用者が現在興味を抱いている情報として活用することができる。

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、発明の開示の欄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。

１０ 端末装置
５０ サーバ装置
１００ 抽出装置
１２１ 創作物情報記憶部
１２２ 学習器情報記憶部
１３１ 受付部
１３２ 生成部
１３３ 抽出部

Claims (12)

1. 入力データとして利用者が選択した創作物の内容に関する創作物情報を受け付ける受付部と、
   創作物の特徴をそれぞれ異なる複数の粒度で学習した複数の中間層を有し、入力された創作物情報と対応する創作物の内容の特徴を示す特徴情報を出力する学習器に対して、前記受付部によって受け付けられた創作物情報を入力し、当該学習器が出力した特徴情報を出力する出力部と
   を備えたことを特徴とする抽出装置。
2. 前記出力部が出力した特徴情報に基づいて、前記利用者が選択した創作物と類似する創作物を特定する特定部と
   を備えたことを特徴とする請求項１に記載の抽出装置。
3. 前記特定部は、
   前記創作物に含まれる絵柄の特徴を抽出する学習器に前記創作物情報を入力した場合の特徴情報に基づいて、前記利用者が選択した創作物と類似する創作物を特定する
   ことを特徴とする請求項２に記載の抽出装置。
4. 前記特定部は、
   前記創作物に含まれるストーリーの特徴を抽出する学習器に前記創作物情報を入力した場合の特徴情報に基づいて、前記利用者が選択した創作物と類似する創作物を特定する
   ことを特徴とする請求項２または３に記載の抽出装置。
5. 前記特定部は、
   前記創作物に登場する登場人物の特徴を抽出する学習器に前記創作物情報を入力した場合の特徴情報に基づいて、前記利用者が選択した創作物と類似する創作物を特定する
   ことを特徴とする請求項２〜４のいずれか１つに記載の抽出装置。
6. 前記特定部は、
   前記創作物に含まれる台詞の特徴を抽出する学習器に前記創作物情報を入力した場合の特徴情報に基づいて、前記利用者が選択した創作物と類似する創作物を特定する
   ことを特徴とする請求項２〜５のいずれか１つに記載の抽出装置。
7. 前記学習器を生成する生成部をさらに備え、
   前記抽出部は、
   前記生成部によって生成された学習器に前記受付部によって受け付けられた創作物情報を入力した場合の特徴情報に基づいて、前記利用者が選択した創作物と類似する創作物を抽出する
   ことを特徴とする請求項２〜６のいずれか１つに記載の抽出装置。
8. 前記生成部は、
   それぞれ異なる種別の特徴を学習した学習器を生成し、生成した学習器の出力を統合した学習器を生成する
   ことを特徴とする請求項７に記載の抽出装置。
9. 前記特定部は、
   前記利用者に推薦する創作物の候補のうち、当該創作物の候補の内容を示す創作物情報を前記学習器に入力した際の特徴情報が、前記受付部によって受け付けられた創作物情報を前記学習器に入力した場合の特徴情報と類似する創作物の候補を特定する
   ことを特徴とする請求項２〜８のいずれか１つに記載の抽出装置。
10. 前記受付部は、
    前記創作物情報として、書籍の内容に関する書籍情報を受け付け、
    前記出力部は、
    書籍の特徴をそれぞれ異なる複数の粒度で学習した複数の中間層を有し、入力された書籍情報と対応する書籍の内容の特徴を示す特徴情報を出力する学習器に対して、前記受付部によって受け付けられた書籍情報を入力し、当該学習器が出力した特徴情報を出力する
    ことを特徴とする請求項１〜９のいずれか１つに記載の抽出装置。
11. 抽出装置が実行する抽出方法であって、
    入力データとして利用者が選択した創作物の内容に関する創作物情報を受け付ける受付工程と、
    創作物の特徴をそれぞれ異なる複数の粒度で学習した複数の中間層を有し、入力された創作物情報と対応する創作物の内容の特徴を示す特徴情報を出力する学習器に対して、前記受付工程によって受け付けられた創作物情報を入力し、当該学習器が出力した特徴情報を出力する出力工程と
    を含んだことを特徴とする抽出方法。
12. 入力データとして利用者が選択した創作物の内容に関する創作物情報を受け付ける受付手順と、
    創作物の特徴をそれぞれ異なる複数の粒度で学習した複数の中間層を有し、入力された創作物情報と対応する創作物の内容の特徴を示す特徴情報を出力する学習器に対して、前記受付手順によって受け付けられた創作物情報を入力し、当該学習器が出力した特徴情報を出力する出力手順と
    をコンピュータに実行させることを特徴とする抽出プログラム。

Images