JP2019152931A

JP2019152931A - Information processing device, information processing method, and information processing program

Info

Publication number: JP2019152931A
Application number: JP2018035897A
Authority: JP
Inventors: 博基谷口; Hiroki Taniguchi
Original assignee: Yahoo Japan Corp
Current assignee: Yahoo Japan Corp
Priority date: 2018-02-28
Filing date: 2018-02-28
Publication date: 2019-09-12
Anticipated expiration: 2038-02-28
Also published as: JP6856567B2

Abstract

To appropriately extract similar contents.SOLUTION: An information processing device has an acquisition unit and a retrieval unit. The acquisition unit acquires graph information in which a plurality of nodes corresponding to each of a plurality of contents are connected in accordance with similarity of the plurality of contents, and content information about one content. The retrieval unit uses a starting point node which becomes a starting point of the retrieval of the graph information determined on the basis of prescribed standards, of the plurality of nodes of the graph information acquired by the acquisition unit, as a starting point, and extracts similar contents which are the contents similar to one content, of the plurality of contents, by retrieving the graph information.SELECTED DRAWING: Figure 3

Description

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。 The present invention relates to an information processing apparatus, an information processing method, and an information processing program.

従来、種々の情報を抽出する技術が提供されている。例えば、他のカテゴリーに属する概念間の相対的な関係を考慮した上で、概念間の類似性を推定する技術が提供されている。 Conventionally, techniques for extracting various information have been provided. For example, a technique for estimating the similarity between concepts in consideration of the relative relationship between concepts belonging to other categories is provided.

特開２００７−２１３１５１号公報JP 2007-213151 A

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.Masajiro Iwasaki "Neighbor Search by Approximate k Nearest Neighbor Graph Using Tree-Structured Index", IPSJ Transactions, 2011/2, Vol. 52, No. 2. pp.817-828.

しかしながら、上記の従来技術では、類似のコンテンツを適切に抽出することが難しい場合がある。例えば、他のカテゴリーに属する概念間の類似性を推定するだけでは、所望の情報を抽出することが難しい。例えば、同じカテゴリーに属する情報の類似性を推定することができるとは限らず、このような場合、所望の情報を抽出することが難しい。 However, with the above-described conventional technology, it may be difficult to appropriately extract similar content. For example, it is difficult to extract desired information only by estimating the similarity between concepts belonging to other categories. For example, it is not always possible to estimate the similarity of information belonging to the same category, and in such a case, it is difficult to extract desired information.

本願は、上記に鑑みてなされたものであって、類似のコンテンツを適切に抽出する情報処理装置、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。 The present application has been made in view of the above, and an object thereof is to provide an information processing apparatus, an information processing method, and an information processing program that appropriately extract similar content.

本願に係る情報処理装置は、複数のコンテンツの各々に対応する複数のノードが、前記複数のコンテンツの類似性に応じて連結されたグラフ情報と、一のコンテンツに関するコンテンツ情報を取得する取得部と、前記取得部により取得された前記グラフ情報の前記複数のノードのうち、所定の基準に基づいて決定された前記グラフ情報の検索の起点となる起点ノードを起点として、前記グラフ情報を検索することにより、前記複数のコンテンツのうち、前記一のコンテンツと類似するコンテンツである類似コンテンツを抽出する検索部と、を備えたことを特徴とする。 An information processing apparatus according to the present application includes: a graph unit in which a plurality of nodes corresponding to each of a plurality of contents are connected according to the similarity of the plurality of contents; and an acquisition unit that acquires content information regarding one content; Searching for the graph information starting from a starting node that is a starting point for searching for the graph information determined based on a predetermined criterion among the plurality of nodes of the graph information acquired by the acquiring unit. Thus, a search unit that extracts a similar content that is similar to the one content among the plurality of contents is provided.

実施形態の一態様によれば、類似のコンテンツを適切に抽出することができるという効果を奏する。 According to one aspect of the embodiment, there is an effect that similar content can be appropriately extracted.

図１は、実施形態に係る情報処理の一例を示す図である。FIG. 1 is a diagram illustrating an example of information processing according to the embodiment. 図２は、実施形態に係る情報処理システムの構成例を示す図である。FIG. 2 is a diagram illustrating a configuration example of the information processing system according to the embodiment. 図３は、実施形態に係る情報処理装置の構成例を示す図である。FIG. 3 is a diagram illustrating a configuration example of the information processing apparatus according to the embodiment. 図４は、実施形態に係るコンテンツ情報記憶部の一例を示す図である。FIG. 4 is a diagram illustrating an example of a content information storage unit according to the embodiment. 図５は、実施形態に係るインデックス情報記憶部の一例を示す図である。FIG. 5 is a diagram illustrating an example of the index information storage unit according to the embodiment. 図６は、実施形態に係るグラフ情報記憶部の一例を示す図である。FIG. 6 is a diagram illustrating an example of the graph information storage unit according to the embodiment. 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。FIG. 7 is a diagram illustrating an example of a model information storage unit according to the embodiment. 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。FIG. 8 is a flowchart illustrating an example of information processing according to the embodiment. 図９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。FIG. 9 is a flowchart illustrating an example of the generation process according to the embodiment. 図１０は、実施形態に係る特徴量の抽出の一例を示す図である。FIG. 10 is a diagram illustrating an example of feature amount extraction according to the embodiment. 図１１は、グラフ情報を用いた検索処理の一例を示すフローチャートである。FIG. 11 is a flowchart illustrating an example of search processing using graph information. 図１２は、コンテンツの流行判定の一例を示す図である。FIG. 12 is a diagram illustrating an example of content trend determination. 図１３は、情報処理装置の機能を実現するコンピュータの一例を示すハードウェア構成図である。FIG. 13 is a hardware configuration diagram illustrating an example of a computer that implements the functions of the information processing apparatus.

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。 Hereinafter, an information processing apparatus, an information processing method, and an information processing program according to the present application (hereinafter referred to as “embodiment”) will be described in detail with reference to the drawings. Note that the information processing apparatus, the information processing method, and the information processing program according to the present application are not limited by this embodiment. In the following embodiments, the same portions are denoted by the same reference numerals, and redundant description is omitted.

（実施形態）
〔１．情報処理〕
図１を用いて、実施形態に係る情報処理の一例について説明する。図１は、実施形態に係る情報処理の一例を示す図である。図１では、情報処理装置１００がコンテンツの一例として、端末装置１０（図２参照）等の所定のデバイスにおいて実行されるアプリケーション（以下、単に「アプリ」ともいう）であるコンテンツをグラフ構造化したグラフデータ（グラフ情報）を検索することにより、一のコンテンツに類似するコンテンツ（以下、「類似コンテンツ」ともいう）を抽出する場合を示す。なお、所定のデバイスは、スマートフォンやＰＣ（Personal Computer）等の種々のコンピュータであってもよい。また、コンテンツは、アプリに限らず、映画等の動画コンテンツや楽曲等の音楽コンテンツや記事コンテンツ等の種々のものであってもよい。図１では、情報処理装置１００は、各コンテンツに対応するベクトルデータ（「ベクトル情報」や、単に「ベクトル」ともいう）を用いてコンテンツをグラフ構造化したグラフ情報を用いる場合を一例として説明する。 (Embodiment)
[1. Information processing)
An example of information processing according to the embodiment will be described with reference to FIG. FIG. 1 is a diagram illustrating an example of information processing according to the embodiment. In FIG. 1, as an example of content, the information processing apparatus 100 forms a graph structure of content that is an application (hereinafter, also simply referred to as “app”) executed on a predetermined device such as the terminal device 10 (see FIG. 2). A case where content similar to one content (hereinafter also referred to as “similar content”) is extracted by searching graph data (graph information) is shown. The predetermined device may be various computers such as a smartphone and a PC (Personal Computer). In addition, the content is not limited to an application, and may be various content such as moving image content such as a movie, music content such as music, and article content. In FIG. 1, the information processing apparatus 100 will be described by taking as an example a case where graph information in which content is graph-structured using vector data (“vector information” or simply “vector”) corresponding to each content is used. .

なお、情報処理装置１００が用いる情報は、ベクトルに限らず、各コンテンツ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、各コンテンツに対応する所定のデータや値を用いてコンテンツ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、各コンテンツ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）を用いてコンテンツ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。なお、図１の例では、抽出した類似コンテンツに基づいて、一のコンテンツが流行するかを判定し、判定結果の情報を提供するサービスを行う場合を示すが、類似コンテンツに基づくサービスであればそのようなサービスを提供してもよい。この点についての詳細は後述する。 Note that the information used by the information processing apparatus 100 is not limited to a vector, and may be information in any format as long as the information can express the similarity of each content. For example, the information processing apparatus 100 may use graph information in which content is graph-structured using predetermined data and values corresponding to each content. For example, the information processing apparatus 100 may use graph information in which content is graph-structured using predetermined numerical values (for example, binary values or hexadecimal values) generated from each content. For example, instead of the vector, any form of data may be used as long as the distance (similarity) between the data is defined. The example in FIG. 1 shows a case where a service is provided that determines whether one content is popular based on the extracted similar content and provides information on the determination result. Such a service may be provided. Details of this point will be described later.

〔１−１．グラフ情報について〕
また、情報処理装置１００は、図１中のグラフ情報ＧＲ１１に示すように、各ベクトル（ノード）が有向エッジにより連結されたグラフデータを用いて情報処理を行う。なお、図１中のグラフ情報ＧＲ１１に示すようなグラフ情報は、情報処理装置１００が生成してもよいし、情報処理装置１００は、図１中のグラフ情報ＧＲ１１に示すようなグラフ情報を情報提供装置５０（図２参照）等の他の外部装置から取得してもよい。 [1-1. About graph information)
The information processing apparatus 100 performs information processing using graph data in which vectors (nodes) are connected by directed edges, as indicated by graph information GR11 in FIG. Note that the graph information as indicated by the graph information GR11 in FIG. 1 may be generated by the information processing apparatus 100, or the information processing apparatus 100 may provide the graph information as indicated by the graph information GR11 in FIG. You may acquire from other external apparatuses, such as the provision apparatus 50 (refer FIG. 2).

また、ここでいう、有向エッジとは、一方向にしかデータを辿れないエッジを意味する。以下では、エッジにより辿る元、すなわち始点となるノードを参照元とし、エッジにより辿る先、すなわち終点となるノードを参照先とする。例えば、所定のノード「Ａ」から所定のノード「Ｂ」に連結される有向エッジとは、参照元をノード「Ａ」とし、参照先をノード「Ｂ」とするエッジであることを示す。なお、各ノードを連結するエッジは、有向エッジに限らず、種々のエッジであってもよい。例えば、各ノードを連結するエッジは、ノードを連結する方向のないエッジであってもよい。例えば、各ノードを連結するエッジは、相互に参照可能なエッジであってもよい。例えば、各ノードを連結するエッジは、全て双方向エッジであってもよい。 Further, the directed edge here means an edge that can trace data only in one direction. In the following, a source traced by an edge, that is, a node as a starting point is referred to as a reference source, and a destination traced by an edge, that is, a node as an end point is defined as a reference destination. For example, the directed edge connected from the predetermined node “A” to the predetermined node “B” indicates that the reference source is the node “A” and the reference destination is the node “B”. Note that the edge connecting the nodes is not limited to the directed edge, and may be various edges. For example, the edge connecting the nodes may be an edge having no direction to connect the nodes. For example, the edges connecting the nodes may be edges that can be referred to each other. For example, all the edges connecting the nodes may be bidirectional edges.

例えば、このようにノード「Ａ」を参照元とするエッジをノード「Ａ」の出力エッジという。また、例えば、このようにノード「Ｂ」を参照先とするエッジをノード「Ｂ」の入力エッジという。すなわち、ここでいう出力エッジ及び入力エッジとは、一の有向エッジをその有向エッジが連結する２つのノードのうち、いずれのノードを中心として捉えるかの相違であり、一の有向エッジが出力エッジ及び入力エッジになる。すなわち、出力エッジ及び入力エッジは、相対的な概念であって、一の有向エッジについて、参照元となるノードを中心として捉えた場合に出力エッジとなり、参照先となるノードを中心として捉えた場合に入力エッジとなる。なお、本実施形態においては、エッジについては、出力エッジや入力エッジ等の有向エッジを対象とするため、以下では、有向エッジを単に「エッジ」と記載する場合がある。 For example, an edge having the node “A” as a reference source in this way is referred to as an output edge of the node “A”. In addition, for example, an edge with the node “B” as a reference destination is referred to as an input edge of the node “B”. In other words, the output edge and the input edge here are differences in which one of the two nodes connected to the directed edge is regarded as the center, and the one directed edge. Becomes the output edge and the input edge. In other words, the output edge and the input edge are relative concepts, and for one directional edge, when the node as the reference source is regarded as the center, the output edge is regarded as the center, and the node as the reference destination is regarded as the center. The input edge. In the present embodiment, since the edges are directed edges such as output edges and input edges, the directed edges may be simply referred to as “edges” below.

例えば、情報処理装置１００は、数百万〜数億等の単位の膨大なコンテンツに対応するノードを対象に処理を行うが、図面においてはその一部のみを図示する。図１の例では、説明を簡単にするために、８個のノードを図示して処理の概要を説明する。例えば、情報処理装置１００は、図１中のグラフ情報ＧＲ１１に示すように、ノードＮ１、Ｎ２、Ｎ３等に示すような複数のノード（ベクトル）を含むグラフ情報を取得する。また、図１の例では、グラフ情報ＧＲ１１における各ノードは、そのノードとの間の距離が近い方から所定数のノードへのエッジ（出力エッジ）が連結される。例えば、所定数は、目的や用途等に応じて、２や５や１０や１００等の種々の値であってもよい。例えば、所定数が２である場合、ノードＮ１からは、ノードＮ１からの距離が最も近いノード及び２番目に距離が近い２つのノードに出力エッジが連結される。なお、類似度を示す指標としての距離は、ベクトル（Ｎ次元ベクトル）間の距離として適用可能であれば、どのような距離であってもよく、例えば、ユークリッド距離やマハラノビス距離やコサイン距離等の種々の距離が用いられてもよい。 For example, the information processing apparatus 100 performs processing on nodes corresponding to enormous contents in units of millions to hundreds of millions, but only a part thereof is illustrated in the drawings. In the example of FIG. 1, in order to simplify the description, the outline of the process will be described by illustrating eight nodes. For example, the information processing apparatus 100 acquires graph information including a plurality of nodes (vectors) as indicated by nodes N1, N2, N3, etc., as indicated by the graph information GR11 in FIG. In the example of FIG. 1, each node in the graph information GR11 is connected with edges (output edges) to a predetermined number of nodes from the closest distance to the node. For example, the predetermined number may be various values such as 2, 5, 10, and 100 depending on the purpose and application. For example, when the predetermined number is 2, the output edge is connected from the node N1 to the node having the shortest distance from the node N1 and the two nodes having the second closest distance. The distance as the index indicating the similarity may be any distance as long as it can be applied as the distance between the vectors (N-dimensional vectors), such as the Euclidean distance, the Mahalanobis distance, and the cosine distance. Various distances may be used.

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。 In addition, when “node N * (* is an arbitrary numerical value)” is described in this way, this indicates that the node is identified by the node ID “N *”. For example, when “node N1” is described, the node is a node identified by the node ID “N1”.

また、図１中のグラフ情報ＧＲ１１では、ノードＮ１０は、ノードＮ７へ向かう有向エッジであるエッジＥ７が連結される。すなわち、ノードＮ１０は、ノードＮ７とエッジＥ７により連結される。このように「エッジＥ＊（＊は任意の数値）」と記載した場合、そのエッジはエッジＩＤ「Ｅ＊」により識別されるエッジであることを示す。例えば、「エッジＥ１１」と記載した場合、そのエッジはエッジＩＤ「Ｅ１１」により識別されるエッジである。例えば、ノードＮ１０を参照元とし、ノードＮ７を参照先として連結されるエッジＥ７により、ノードＮ１０からノードＮ７に辿ることが可能となる。この場合、有向エッジであるエッジＥ７は、ノードＮ１０を中心として識別される場合、出力エッジとなり、ノードＮ７を中心として識別される場合、入力エッジとなる。また、図１のグラフ情報ＧＲ１１中の双方向矢印は、両方のノードから他方のノードへの有向エッジが連結されることを示す。例えば、グラフ情報ＧＲ１１中のノードＮ２とノードＮ４５１との間の双方向矢印は、ノードＮ２からノードＮ４５１へ向かう有向エッジと、ノードＮ４５１からノードＮ２へ向かう有向エッジとの２つのエッジが連結されることを示す。 Further, in the graph information GR11 in FIG. 1, the node N10 is connected to an edge E7 that is a directed edge toward the node N7. That is, the node N10 is connected to the node N7 by the edge E7. Thus, when “edge E * (* is an arbitrary numerical value)” is described, it indicates that the edge is an edge identified by the edge ID “E *”. For example, when “edge E11” is described, the edge is an edge identified by the edge ID “E11”. For example, it is possible to trace from the node N10 to the node N7 by the edge E7 connected with the node N10 as a reference source and the node N7 as a reference destination. In this case, the edge E7 which is a directed edge becomes an output edge when identified with the node N10 as the center, and becomes an input edge when identified with the node N7 as the center. Moreover, the bidirectional arrow in the graph information GR11 in FIG. 1 indicates that the directed edge from both nodes to the other node is connected. For example, the two-way arrow between the node N2 and the node N451 in the graph information GR11 connects two edges, a directed edge from the node N2 to the node N451 and a directed edge from the node N451 to the node N2. Indicates that

また、図１中のグラフ情報ＧＲ１１は、ユークリッド空間であってもよい。また、図１に示すグラフ情報ＧＲ１１は、各ベクトル間の距離等の説明のための概念的な図であり、グラフ情報ＧＲ１１は、多次元空間である。例えば、図１に示すグラフ情報ＧＲ１１は、平面上に図示するため２次元の態様にて図示されるが、例えば１００次元や１０００次元等の多次元空間であるものとする。 Further, the graph information GR11 in FIG. 1 may be a Euclidean space. Further, the graph information GR11 shown in FIG. 1 is a conceptual diagram for explaining the distance between the vectors and the like, and the graph information GR11 is a multidimensional space. For example, the graph information GR11 illustrated in FIG. 1 is illustrated in a two-dimensional manner to be illustrated on a plane, but is assumed to be a multidimensional space such as 100 dimensions or 1000 dimensions.

ここで、ベクトルデータ間の距離は、コンテンツの類似性を示し、距離が近いほど類似している。本実施形態においては、グラフ情報ＧＲ１１における各ノードの距離を対応する各オブジェクト間の類似度とする。例えば、各ノードに対応するコンテンツの類似性が、グラフ情報ＧＲ１１内におけるノード間の距離として写像されているものとする。例えば、各ノードに対応する概念間の類似度が各ノード間の距離に写像されているものとする。ここで、図１に示す例においては、グラフ情報ＧＲ１１における各ノード間の距離が短いオブジェクト同士の類似度が高く、グラフ情報ＧＲ１１における各ノード間の距離が長いオブジェクト同士の類似度が低い。例えば、図１中のグラフ情報ＧＲ１１において、ノードＩＤ「Ｎ３５」により識別されるノードと、ノードＩＤ「Ｎ６９３」により識別されるノードとは近接している、すなわち距離が短い。そのため、ノードＩＤ「Ｎ３５」により識別されるノードに対応するオブジェクトと、ノードＩＤ「Ｎ６９３」により識別されるノードに対応するオブジェクトとは類似度が高いことを示す。 Here, the distance between the vector data indicates the similarity of the contents, and the closer the distance, the more similar. In the present embodiment, the distance between the nodes in the graph information GR11 is set as the similarity between the corresponding objects. For example, it is assumed that the similarity of content corresponding to each node is mapped as a distance between nodes in the graph information GR11. For example, it is assumed that the similarity between concepts corresponding to each node is mapped to the distance between the nodes. Here, in the example shown in FIG. 1, the similarity between objects with short distances between nodes in the graph information GR11 is high, and the similarity between objects with long distances between nodes in the graph information GR11 is low. For example, in the graph information GR11 in FIG. 1, the node identified by the node ID “N35” and the node identified by the node ID “N693” are close to each other, that is, the distance is short. Therefore, the object corresponding to the node identified by the node ID “N35” and the object corresponding to the node identified by the node ID “N693” are highly similar.

また、例えば、図１中のグラフ情報ＧＲ１１において、ノードＩＤ「Ｎ７」により識別されるノードと、ノードＩＤ「Ｎ２」により識別されるノードとは遠隔にある、すなわち距離が長い。そのため、ノードＩＤ「Ｎ７」により識別されるノードに対応するオブジェクトと、ノードＩＤ「Ｎ２」により識別されるノードに対応するオブジェクトとは類似度が低いことを示す。 Further, for example, in the graph information GR11 in FIG. 1, the node identified by the node ID “N7” and the node identified by the node ID “N2” are remote, that is, the distance is long. Therefore, the similarity between the object corresponding to the node identified by the node ID “N7” and the object corresponding to the node identified by the node ID “N2” is low.

〔１−２．ベクトルの生成例〕
また、ここでいう、各ノード（ベクトル）は、各オブジェクト（コンテンツ）に対応する。コンテンツ情報が様々なコンテンツの状態を示す数値データであれば、それをベクトルデータとして、そのまま扱うことも可能である。しかし、コンテンツ情報が、テキスト、画像、または、音声であったりする場合には、ベクトルデータへの変換が必要となる。そこで、図１の例では、各コンテンツのコンテンツ情報から抽出された特徴量により生成された多次元（Ｎ次元）のベクトルがオブジェクトであってもよい。 [1-2. Example of vector generation)
Also, each node (vector) here corresponds to each object (content). If the content information is numerical data indicating various content states, it can be handled as it is as vector data. However, when the content information is text, an image, or a sound, conversion to vector data is necessary. Therefore, in the example of FIG. 1, a multi-dimensional (N-dimensional) vector generated by the feature amount extracted from the content information of each content may be an object.

例えば、情報処理装置１００は、コンテンツ情報の特徴を抽出するモデルを用いて各コンテンツのコンテンツ情報からＮ次元ベクトルを生成してもよい。図１の例では、情報処理装置１００は、モデル情報記憶部１２４（図７参照）に示すように、モデルＩＤ「Ｍ１」により識別されるモデル（モデルＭ１）を用いて、各コンテンツのコンテンツ情報からベクトルを生成する。上記のように、「モデルＭ＊（＊は任意の数値）」と記載した場合、そのモデルはモデルＩＤ「Ｍ＊」により識別されるモデルであることを示す。例えば、「モデルＭ１」と記載した場合、そのモデルはモデルＩＤ「Ｍ１」により識別されるモデルである。また、モデル情報記憶部１２４に示すように、モデルＭ１は用途「特徴抽出（アプリ）」、すなわちコンテンツのデータ（コンテンツ情報）からの特徴抽出のために用いられるモデルであり、その具体的なモデルデータが「モデルデータＭＤＴ１」であることを示す。 For example, the information processing apparatus 100 may generate an N-dimensional vector from the content information of each content using a model that extracts the characteristics of the content information. In the example of FIG. 1, the information processing apparatus 100 uses the model (model M1) identified by the model ID “M1” as shown in the model information storage unit 124 (see FIG. 7) to store the content information of each content. Generate a vector from As described above, when “model M * (* is an arbitrary numerical value)” is described, it indicates that the model is a model identified by the model ID “M *”. For example, when “model M1” is described, the model is a model identified by the model ID “M1”. Further, as shown in the model information storage unit 124, the model M1 is a model used for feature “feature extraction (application)”, that is, feature extraction from content data (content information). The data is “model data MDT1”.

例えば、情報処理装置１００は、モデルＭ１に任意のコンテンツのコンテンツ情報を入力することにより、モデルＭ１中の各要素（ニューロン）の値を演算し、入力したコンテンツ情報と同様の情報を出力する。例えば、情報処理装置１００は、中間層の各要素（ニューロン）の値を特徴量として抽出し、各コンテンツに対応するＮ次元のベクトルデータを生成してもよい。 For example, the information processing apparatus 100 calculates the value of each element (neuron) in the model M1 by inputting content information of arbitrary content to the model M1, and outputs the same information as the input content information. For example, the information processing apparatus 100 may extract the value of each element (neuron) in the intermediate layer as a feature amount and generate N-dimensional vector data corresponding to each content.

ここで、図１０を用いて、各コンテンツに対応するベクトルデータの生成の一例を示す。図１０は、実施形態に係る特徴量の抽出の一例を示す図である。図１０は、モデルＭ１の概念図である。なお、図１０では、各要素（ニューロン）の各接続関係を示す線の図示を省略する。図１０に示すように、モデルＭ１は、入力層ＩＬと、中間層ＣＬと、出力層ＯＬとを含む。例えば、モデルＭ１の入力層ＩＬは、コンテンツ情報が入力される層である。また、出力層ＯＬは、入力層ＩＬへの入力に応じて、入力されたコンテンツ情報と同様の情報を出力される層である。 Here, an example of generation of vector data corresponding to each content is shown using FIG. FIG. 10 is a diagram illustrating an example of feature amount extraction according to the embodiment. FIG. 10 is a conceptual diagram of the model M1. In FIG. 10, illustration of lines indicating the connection relations of the elements (neurons) is omitted. As shown in FIG. 10, the model M1 includes an input layer IL, an intermediate layer CL, and an output layer OL. For example, the input layer IL of the model M1 is a layer into which content information is input. The output layer OL is a layer that outputs information similar to the input content information in response to an input to the input layer IL.

また、例えば、中間層ＣＬの中央部の最も圧縮された圧縮層ＲＰは、入力されたコンテンツ情報の特徴を表現する層である。例えば、モデルＭ１の中間層ＣＬにおいて、入力層ＩＬから圧縮層ＲＰまでの間は、エンコードの処理を行う部分に対応する。モデルＭ１の中間層ＣＬにおいて、入力層ＩＬから圧縮層ＲＰまでの間は、入力されたコンテンツ情報の特徴を圧縮する処理を行う部分に対応する。例えば、モデルＭ１の中間層ＣＬにおいて、圧縮層ＲＰから出力層ＯＬまでの間は、デコードの処理を行う部分に対応する。モデルＭ１の中間層ＣＬにおいて、圧縮層ＲＰから出力層ＯＬまでの間は、圧縮されたコンテンツ情報を復元する処理を行う部分に対応する。 Further, for example, the most compressed compression layer RP at the center of the intermediate layer CL is a layer that expresses the characteristics of the input content information. For example, in the intermediate layer CL of the model M1, the portion from the input layer IL to the compression layer RP corresponds to a portion where encoding processing is performed. In the intermediate layer CL of the model M1, the portion from the input layer IL to the compression layer RP corresponds to a portion that performs processing for compressing the characteristics of the input content information. For example, in the intermediate layer CL of the model M1, the portion from the compression layer RP to the output layer OL corresponds to a portion that performs decoding processing. In the intermediate layer CL of the model M1, the portion from the compression layer RP to the output layer OL corresponds to a portion that performs processing for restoring the compressed content information.

例えば、情報処理装置１００は、圧縮層ＲＰに含まれるニューロンＮＬ１やニューロンＮＬ２等の情報をベクトルに用いてもよい。例えば、情報処理装置１００は、あるコンテンツのコンテンツ情報が入力された場合に、算出されるニューロンＮＬ１に対応する値ＶＥ１やニューロンＮＬ２に対応する値ＶＥ２をベクトルの要素（一の次元の値）として抽出してもよい。例えば、情報処理装置１００は、あるコンテンツのコンテンツ情報が入力された場合に、算出されるニューロンＮＬ１に対応する値ＶＥ１をそのコンテンツのベクトルの１次元目の要素として抽出してもよい。また、例えば、情報処理装置１００は、あるコンテンツのコンテンツ情報が入力された場合に、算出されるニューロンＮＬ２に対応する値ＶＥ２をそのコンテンツのベクトルの２次元目の要素として抽出してもよい。このように、情報処理装置１００は、各コンテンツのコンテンツ情報をモデルＭ１に入力することにより、各コンテンツに対応するベクトルを生成してもよい。なお、情報処理装置１００は、各コンテンツに対応するベクトルを情報提供装置５０等の他の外部装置から取得してもよい。なお、情報処理装置１００は、ベクトルの各要素として、各ニューロンに対応する値自体を用いてもよいし、各ニューロンに対応する値に所定の係数を乗算した値を用いてもよい。また、図１の例では説明を簡単にするために、ベクトルの各要素（値）が整数である場合を示すが、ベクトルの各要素（値）は、小数点以下の数値を含む実数であってもよい。 For example, the information processing apparatus 100 may use information such as the neuron NL1 and the neuron NL2 included in the compression layer RP as a vector. For example, when content information of a certain content is input, the information processing apparatus 100 uses the calculated value VE1 corresponding to the neuron NL1 and the value VE2 corresponding to the neuron NL2 as vector elements (one-dimensional value). It may be extracted. For example, when content information of a certain content is input, the information processing apparatus 100 may extract the value VE1 corresponding to the calculated neuron NL1 as the first dimension element of the content vector. Further, for example, when content information of a certain content is input, the information processing apparatus 100 may extract the value VE2 corresponding to the calculated neuron NL2 as the second dimension element of the content vector. As described above, the information processing apparatus 100 may generate a vector corresponding to each content by inputting the content information of each content to the model M1. Note that the information processing apparatus 100 may acquire a vector corresponding to each content from another external apparatus such as the information providing apparatus 50. Note that the information processing apparatus 100 may use, as each element of the vector, a value corresponding to each neuron itself, or a value obtained by multiplying a value corresponding to each neuron by a predetermined coefficient. In addition, in the example of FIG. 1, for simplicity of explanation, the case where each element (value) of the vector is an integer is shown, but each element (value) of the vector is a real number including a numerical value after the decimal point. Also good.

なお、情報処理装置１００は、圧縮層ＲＰの要素（ニューロン）に限らず、中間層ＣＬ中の他の要素（ニューロン）の情報をベクトルに用いてもよい。例えば、情報処理装置１００は、エンコード部分のニューロンＮＬ３やデコード部分のニューロンＮＬ４等の情報をベクトルに用いてもよい。例えば、情報処理装置１００は、あるコンテンツのコンテンツ情報が入力された場合に、算出されるニューロンＮＬ３に対応する値ＶＥ３やニューロンＮＬ４に対応する値ＶＥ４をベクトルの要素（一の次元の値）として抽出してもよい。なお、上記は、一例であり、情報処理装置１００は、オートエンコーダに限らず、種々のモデルを用いて、コンテンツ情報からの特徴抽出を行ってもよい。例えば、スタートアップメンバ等の所定の目的に適したコンテンツと適さないコンテンツを識別するように学習させたモデルを生成して、その中間層をベクトルデータとして抽出しても良い。また、例えば、トリプレットロス（triplet loss）といった類似性を学習する方法によりモデルを生成しても良い。また、情報処理装置１００は、モデルを用いずに、特徴抽出を行ってもよい。例えば、情報処理装置１００は、情報処理装置１００の管理者等が設定して特徴（素性）に対応する情報をコンテンツ情報から抽出し、ベクトルを生成してもよい。例えば、情報処理装置１００は、コンテンツのジャンル（カテゴリー）や内容等の特徴（素性）に対応する情報をコンテンツ情報から抽出し、ベクトルを生成してもよい。 Note that the information processing apparatus 100 may use not only the elements (neurons) of the compression layer RP but also information on other elements (neurons) in the intermediate layer CL as vectors. For example, the information processing apparatus 100 may use information such as the neuron NL3 of the encoding part and the neuron NL4 of the decoding part as a vector. For example, when content information of a certain content is input, the information processing apparatus 100 uses the calculated value VE3 corresponding to the neuron NL3 or the value VE4 corresponding to the neuron NL4 as a vector element (a one-dimensional value). It may be extracted. Note that the above is an example, and the information processing apparatus 100 may perform feature extraction from content information using various models without being limited to an auto encoder. For example, a model trained to identify content suitable for a predetermined purpose such as a startup member and content that is not suitable may be generated, and the intermediate layer may be extracted as vector data. For example, the model may be generated by a method of learning similarity such as a triplet loss. Further, the information processing apparatus 100 may perform feature extraction without using a model. For example, the information processing apparatus 100 may extract information corresponding to features (features) set by an administrator of the information processing apparatus 100 from content information and generate a vector. For example, the information processing apparatus 100 may extract information corresponding to characteristics (features) such as a content genre (category) and content from content information, and generate a vector.

また、例えば、情報処理装置１００は、情報提供装置５０等の他の外部装置からモデルＭ１を取得してもよい。なお、情報処理装置１００は、コンテンツ情報記憶部１２１（図４参照）に記憶された各コンテンツのコンテンツ情報ＣＤＴ１、ＣＤＴ２、ＣＤＴ４５１等を入力として、モデルＭ１を生成してもよい。例えば、情報処理装置１００は、各コンテンツのコンテンツ情報ＣＤＴ１、ＣＤＴ２、ＣＤＴ４５１等を入力として、モデルＭ１を生成してもよい。例えば、コンテンツ情報ＣＤＴ１、ＣＤＴ２、ＣＤＴ４５１等は、コンテンツのジャンル（カテゴリー）や内容等を含んでもよい。例えば、コンテンツ情報ＣＤＴ１、ＣＤＴ２、ＣＤＴ４５１等のコンテンツ情報は、コンテンツがアプリである場合、「天気」、「路線」、「ゲーム」等のカテゴリーを示す情報や、起動時の画面を示す画像情報や、課金額を示す情報等の種々の情報を含んでもよい。例えば、コンテンツ情報ＣＤＴ１、ＣＤＴ２、ＣＤＴ４５１等のコンテンツ情報は、コンテンツが記事コンテンツである場合、その記事コンテンツに対応する文字情報や画像情報等の情報を含んでもよい。また、例えば、コンテンツ情報ＣＤＴ１、ＣＤＴ２、ＣＤＴ４５１等のコンテンツ情報は、コンテンツが動画コンテンツである場合、その動画コンテンツに対応する画像情報や音声情報等の情報を含んでもよい。なお、コンテンツ情報は、コンテンツがアプリである場合、そのソースコード（文字情報）のみであってもよい。 For example, the information processing apparatus 100 may acquire the model M1 from another external device such as the information providing apparatus 50. Note that the information processing apparatus 100 may generate the model M1 by using the content information CDT1, CDT2, CDT451, and the like of each content stored in the content information storage unit 121 (see FIG. 4). For example, the information processing apparatus 100 may generate the model M1 with the content information CDT1, CDT2, CDT451, etc. of each content as an input. For example, the content information CDT1, CDT2, CDT451, etc. may include the genre (category), content, etc. of the content. For example, content information such as content information CDT1, CDT2, and CDT451 includes information indicating a category such as “weather”, “route”, and “game”, image information indicating a startup screen, and the like when the content is an application. Various information such as information indicating the charge amount may be included. For example, the content information such as content information CDT1, CDT2, CDT451 may include information such as character information and image information corresponding to the article content when the content is the article content. Further, for example, the content information such as the content information CDT1, CDT2, CDT451 may include information such as image information and audio information corresponding to the moving image content when the content is moving image content. In addition, content information may be only the source code (character information) when the content is an application.

情報処理装置１００は、コンテンツのコンテンツ情報が入力される入力層と、出力層と、入力層から出力層までのいずれかの層であって出力層以外の層に属する第１要素と、第１要素と第１要素の重みとに基づいて値が算出される第２要素と、を含み、入力層に入力されたコンテンツ情報に対し、出力層以外の各層に属する各要素を第１要素として、第１要素と第１要素の重みとに基づく演算を行うことにより、入力層に入力される情報と同様の情報を出力層から出力するモデルＭ１を生成してもよい。なお、情報処理装置１００は、ベクトル生成に用いるモデルを情報提供装置５０等の他の外部装置から取得してもよい。 The information processing apparatus 100 includes an input layer to which content information of content is input, an output layer, a first element belonging to any layer other than the input layer and the output layer, and a first element A second element whose value is calculated based on the element and the weight of the first element, and for the content information input to the input layer, each element belonging to each layer other than the output layer as a first element, A model M1 that outputs information similar to information input to the input layer from the output layer may be generated by performing an operation based on the first element and the weight of the first element. Note that the information processing apparatus 100 may acquire a model used for vector generation from another external apparatus such as the information providing apparatus 50.

〔１−３．処理例〕
ここから、情報処理装置１００は、ユーザから一のコンテンツのコンテンツ情報を取得し、一のコンテンツに類似するコンテンツに基づいてサービスを提供する場合を一例として説明する。図１の例では、端末装置１０は、所定のソフトウェア開発会社に属するユーザＵ１により利用される。例えば、ユーザＵ１は、スマートフォン用のアプリを開発する企業でアプリ開発を行うユーザであってもよい。図１の例では、スマートフォン用のアプリの開発者であるユーザＵ１自身が開発したアプリであるコンテンツＸが流行するかどうかの情報を所望する場合を示す。 [1-3. Processing example)
From here, the information processing apparatus 100 will be described by taking as an example a case where content information of one content is obtained from a user and a service is provided based on content similar to the one content. In the example of FIG. 1, the terminal device 10 is used by a user U1 belonging to a predetermined software development company. For example, the user U1 may be a user who develops an application at a company that develops an application for a smartphone. In the example of FIG. 1, the case where the information of whether the content X which is an application which the user U1 who is the developer of the application for smart phones developed is popular is shown.

まず、端末装置１０は、コンテンツＸのコンテンツ情報ＣＤＴ１１を情報処理装置１００へ送信する。図１の例では、コンテンツ情報ＣＤＴ１１等は、コンテンツ（アプリ）のジャンル（カテゴリー）や内容等に関する情報を含む。なお、コンテンツ情報ＣＤＴ１１等は、コンテンツ（アプリ）のソースコード（文字情報）のみであってもよい。 First, the terminal device 10 transmits the content information CDT11 of the content X to the information processing device 100. In the example of FIG. 1, the content information CDT 11 or the like includes information related to the genre (category) or content of the content (application). The content information CDT11 or the like may be only the source code (character information) of the content (application).

そして、情報処理装置１００は、一のコンテンツに関するコンテンツ情報を取得する（ステップＳ１１）。図１の例では、情報処理装置１００は、ユーザＵ１の端末装置１０からコンテンツＸに関するコンテンツ情報ＣＤＴ１１を取得する。なお、情報処理装置１００は、コンテンツＸが携帯する端末装置１０（図２参照）からコンテンツＸに関するコンテンツ情報ＣＤＴ１１を取得する。 Then, the information processing apparatus 100 acquires content information related to one content (step S11). In the example of FIG. 1, the information processing apparatus 100 acquires content information CDT11 related to the content X from the terminal device 10 of the user U1. Note that the information processing apparatus 100 acquires content information CDT11 related to the content X from the terminal device 10 (see FIG. 2) carried by the content X.

そして、情報処理装置１００は、一のコンテンツに対応するコンテンツ情報からグラフ情報の探索に用いるベクトルを生成する。図１の例では、情報処理装置１００は、処理群ＰＳ１１に示すような処理により、コンテンツＸに対応するベクトルを生成する。情報処理装置１００は、コンテンツＸに関するコンテンツ情報ＣＤＴ１１をモデルＭ１に入力する（ステップＳ１２）。具体的には、情報処理装置１００は、コンテンツＸのコンテンツ情報ＣＤＴ１１をモデルＭ１に入力する。そして、情報処理装置１００は、コンテンツ情報ＣＤＴ１１の入力後のモデルＭ１中の情報を用いて、ベクトルを生成する（ステップＳ１３）。例えば、情報処理装置１００は、コンテンツ情報ＣＤＴ１１が入力されたモデルＭ１中の各要素を用いて、ベクトルデータを生成する。 Then, the information processing apparatus 100 generates a vector used for searching for graph information from content information corresponding to one content. In the example of FIG. 1, the information processing apparatus 100 generates a vector corresponding to the content X by processing as shown in the processing group PS11. The information processing apparatus 100 inputs the content information CDT11 related to the content X into the model M1 (step S12). Specifically, the information processing apparatus 100 inputs the content information CDT11 of the content X into the model M1. Then, the information processing apparatus 100 generates a vector using information in the model M1 after the input of the content information CDT11 (step S13). For example, the information processing apparatus 100 generates vector data using each element in the model M1 to which the content information CDT11 is input.

図１の例では、情報処理装置１００は、コンテンツ情報ＣＤＴ１１が入力されたモデルＭ１中の各要素の値を用いて、ベクトルデータＶＤ１１（単に「ベクトルＶＤ１１」ともいう）を生成する。例えば、情報処理装置１００は、コンテンツＸのコンテンツ情報ＣＤＴ１１が入力された場合における、モデルＭ１のニューロンＮＬ１に対応する値ＶＥ１（図１０参照）やニューロンＮＬ２に対応する値ＶＥ２（図１０参照）を用いて、ベクトルを生成する。例えば、情報処理装置１００は、コンテンツＸのコンテンツ情報ＣＤＴ１１が入力された場合に、算出されるニューロンＮＬ１に対応する値ＶＥ１をベクトルＶＤ１１の１次元目の要素として抽出してもよい。また、例えば、情報処理装置１００は、あるコンテンツのコンテンツ情報が入力された場合に、算出されるニューロンＮＬ２に対応する値ＶＥ２をベクトルＶＤ１１の２次元目の要素として、ベクトルＶＤ１１を生成する。図１の例では、情報処理装置１００は、１次元目の要素が「３５」であり、２次元目の要素が「６３」であるようなベクトルＶＤ１１を生成する。 In the example of FIG. 1, the information processing apparatus 100 generates vector data VD11 (also simply referred to as “vector VD11”) using the values of the elements in the model M1 to which the content information CDT11 is input. For example, the information processing apparatus 100 uses the value VE1 (see FIG. 10) corresponding to the neuron NL1 of the model M1 and the value VE2 (see FIG. 10) corresponding to the neuron NL2 when the content information CDT11 of the content X is input. To generate a vector. For example, when the content information CDT11 of the content X is input, the information processing apparatus 100 may extract the value VE1 corresponding to the calculated neuron NL1 as the first dimension element of the vector VD11. For example, when content information of a certain content is input, the information processing apparatus 100 generates the vector VD11 using the calculated value VE2 corresponding to the neuron NL2 as a second-dimensional element of the vector VD11. In the example of FIG. 1, the information processing apparatus 100 generates a vector VD11 in which the first dimension element is “35” and the second dimension element is “63”.

そして、情報処理装置１００は、コンテンツＸに類似するコンテンツ（以下、「類似コンテンツ」ともいう）を検索する（ステップＳ１４）。例えば、情報処理装置１００は、非特許文献１に開示されるような近傍検索の技術等の種々の従来技術を適宜用いて、コンテンツＸの類似コンテンツを検索してもよい。例えば、情報処理装置１００は、類似性が高いノード間がエッジで連結されたグラフ情報ＧＲ１１を用いる。 Then, the information processing apparatus 100 searches for content similar to the content X (hereinafter also referred to as “similar content”) (step S14). For example, the information processing apparatus 100 may search for similar content of the content X by appropriately using various conventional techniques such as the proximity search technique disclosed in Non-Patent Document 1. For example, the information processing apparatus 100 uses graph information GR11 in which nodes having high similarity are connected by edges.

図１の例では、情報処理装置１００は、情報群ＩＮＦ１１に示すように、グラフ情報ＧＲ１１やインデックス情報ＩＮＤ１１を用いてコンテンツＸの類似コンテンツを検索する。例えば、情報処理装置１００は、グラフ情報記憶部１２３（図６参照）からコンテンツに関するグラフ情報ＧＲ１１を取得する。また、例えば、情報処理装置１００は、インデックス情報記憶部１２２（図５参照）から、グラフ情報ＧＲ１１における検索の起点となるノード（以下、「起点ベクトル」ともいう）の決定に用いるインデックス情報ＩＮＤ１１を取得する。なお、インデックス情報ＩＮＤ１１は、情報処理装置１００が生成してもよいし、情報処理装置１００は、インデックス情報ＩＮＤ１１を情報提供装置５０等の他の外部装置から取得してもよい。 In the example of FIG. 1, the information processing apparatus 100 searches for similar content of the content X using the graph information GR11 and the index information IND11 as shown in the information group INF11. For example, the information processing apparatus 100 acquires the graph information GR11 related to the content from the graph information storage unit 123 (see FIG. 6). Further, for example, the information processing apparatus 100 uses the index information storage unit 122 (see FIG. 5) to obtain the index information IND11 used to determine the node (hereinafter also referred to as “starting vector”) that is the starting point of the search in the graph information GR11. get. Note that the index information IND11 may be generated by the information processing apparatus 100, or the information processing apparatus 100 may acquire the index information IND11 from another external device such as the information providing apparatus 50.

そして、情報処理装置１００は、一のコンテンツ（クエリ）に対応する起点ベクトルを決定（特定）するために、インデックス情報ＩＮＤ１１を用いる。図１の例では、情報処理装置１００は、コンテンツＸのベクトルＶＤ１１に対応する起点ベクトルを決定（特定）するために、インデックス情報ＩＮＤ１１を用いる。すなわち、情報処理装置１００は、ベクトルＶＤ１１とインデックス情報ＩＮＤ１１とを用いて、グラフ情報ＧＲ１１における起点ベクトルを決定する。 The information processing apparatus 100 uses the index information IND11 in order to determine (specify) the starting point vector corresponding to one content (query). In the example of FIG. 1, the information processing apparatus 100 uses the index information IND11 in order to determine (specify) the starting point vector corresponding to the vector VD11 of the content X. That is, the information processing apparatus 100 determines a starting vector in the graph information GR11 using the vector VD11 and the index information IND11.

図１中のインデックス情報ＩＮＤ１１は、図５中のインデックス情報記憶部１２２に示す階層構造を有する。例えば、インデックス情報ＩＮＤ１１は、ルートＲＴの直下に位置する第１階層のノード（ベクトル）が、節点ＶＴ１、ＶＴ２等であることを示す。また、例えば、インデックス情報ＩＮＤ１１は、節点ＶＴ２の直下の第２階層のノードが、節点ＶＴ２−１〜ＶＴ２−４（図示せず）であることを示す。また、例えば、インデックス情報ＩＮＤ１１は、節点ＶＴ２−２の直下の第３階層のノードが、ノードＮ３５、ノードＮ４５１、ノードＮ６９３、すなわちグラフ情報ＧＲ１１中のノード（ベクトル）であることを示す。 The index information IND11 in FIG. 1 has a hierarchical structure shown in the index information storage unit 122 in FIG. For example, the index information IND11 indicates that the first layer nodes (vectors) located immediately below the route RT are the nodes VT1, VT2, and the like. Further, for example, the index information IND11 indicates that the nodes in the second layer immediately below the node VT2 are nodes VT2-1 to VT2-4 (not shown). For example, the index information IND11 indicates that the nodes in the third hierarchy immediately below the node VT2-2 are the node N35, the node N451, and the node N693, that is, the nodes (vectors) in the graph information GR11.

例えば、情報処理装置１００は、図１中のインデックス情報ＩＮＤ１１に示すような木構造型のインデックス情報を用いて、グラフ情報ＧＲ１１における起点ベクトルを決定する（ステップＳ１５）。図１の例では、情報処理装置１００は、ベクトルＶＤ１１を生成した後、インデックス情報ＩＮＤ１１を上から下へ辿ることにより、インデックス情報ＩＮＤ１１の近傍候補となる起点ベクトルを特定することにより、効率的に検索クエリ（一のコンテンツ）に対応する起点ベクトルを決定することができる。 For example, the information processing apparatus 100 determines a starting point vector in the graph information GR11 using tree structure type index information as indicated by the index information IND11 in FIG. 1 (step S15). In the example of FIG. 1, the information processing apparatus 100 generates the vector VD11 and then traces the index information IND11 from the top to the bottom, thereby efficiently specifying the starting point vector that is a neighborhood candidate for the index information IND11. A starting vector corresponding to the search query (one content) can be determined.

例えば、情報処理装置１００は、インデックス情報ＩＮＤ１１をルートＲＴからリーフノード（グラフ情報ＧＲ１１中のノード（ベクトル））まで辿ることにより、ベクトルＶＤ１１に対応する起点ベクトルを決定してもよい。図１の例では、例えば、情報処理装置１００は、インデックス情報ＩＮＤ１１をルートＲＴからノードＮ４５１まで辿ることにより、ノードＮ４５１を起点ベクトルとして決定する。例えば、情報処理装置１００は、木構造に関する種々の従来技術を適宜用いて、インデックス情報ＩＮＤ１１をルートＲＴからリーフノードまで辿ることにより、辿りついたリーフノードを起点ベクトルとして決定してもよい。例えば、情報処理装置１００は、ベクトルＶＤ１１との類似度に基づいて、インデックス情報ＩＮＤ１１を下へ辿ることにより、起点ベクトルを決定してもよい。例えば、情報処理装置１００は、ルートＲＴから節点ＶＴ１、ＶＴ２等のいずれの節点に辿るかを、ベクトルＶＤ１１と節点ＶＴ１、ＶＴ２との類似度に基づいて決定してもよい。例えば、情報処理装置１００は、ルートＲＴから節点ＶＴ１、ＶＴ２等のうち、ベクトルＶＤ１１との類似度が最も高い節点ＶＴ２へ辿ると決定してもよい。また、例えば、情報処理装置１００は、節点ＶＴ２から節点ＶＴ２−１〜ＶＴ２−４等のうち、ベクトルＶＤ１１との類似度が最も高い節点ＶＴ２−２へ辿ると決定してもよい。また、例えば、情報処理装置１００は、節点ＶＴ２−２からノードＮ３５、Ｎ４５１、Ｎ６９３等のうち、ベクトルＶＤ１１との類似度が最も高い節点ノードＮ４５１へ辿ると決定してもよい。なお、図１の例では、説明を簡単にするために、起点ベクトルを１つ決定する場合を示すが、情報処理装置１００は、複数個の起点ベクトルを決定してもよい。例えば、情報処理装置１００は、ノードＮ４５１、Ｎ３５、Ｎ６９３、Ｎ２等の複数個のベクトル（ノード）を起点ベクトルとして決定してもよい。なお、インデックス情報ＩＮＤ１１を用いずに、検索開始時にグラフ情報ＧＲ１１からランダムに１つ以上のノードを選択し、それを起点ベクトルとしてもよいし、または、予め指定された１つ以上のノードを起点ベクトルとしても良い。 For example, the information processing apparatus 100 may determine the starting vector corresponding to the vector VD11 by tracing the index information IND11 from the root RT to the leaf node (node (vector) in the graph information GR11). In the example of FIG. 1, for example, the information processing apparatus 100 determines the node N451 as a starting vector by tracing the index information IND11 from the route RT to the node N451. For example, the information processing apparatus 100 may determine the leaf node that has reached the origin vector by tracing the index information IND11 from the root RT to the leaf node by appropriately using various conventional techniques related to the tree structure. For example, the information processing apparatus 100 may determine the starting point vector by tracing down the index information IND11 based on the similarity with the vector VD11. For example, the information processing apparatus 100 may determine which node such as the nodes VT1 and VT2 is to be traced from the route RT based on the similarity between the vector VD11 and the nodes VT1 and VT2. For example, the information processing apparatus 100 may determine to trace from the route RT to the node VT2 having the highest similarity to the vector VD11 among the nodes VT1, VT2, and the like. Further, for example, the information processing apparatus 100 may determine to trace from the node VT2 to the node VT2-2 having the highest similarity to the vector VD11 among the nodes VT2-1 to VT2-4. Further, for example, the information processing apparatus 100 may determine to follow the node VT2-2 from the nodes N35, N451, N693, etc., to the node node N451 having the highest similarity with the vector VD11. In the example of FIG. 1, a case where one starting point vector is determined is shown for ease of explanation, but the information processing apparatus 100 may determine a plurality of starting point vectors. For example, the information processing apparatus 100 may determine a plurality of vectors (nodes) such as nodes N451, N35, N693, and N2 as the starting vector. Note that one or more nodes may be selected at random from the graph information GR11 at the start of the search without using the index information IND11, and may be used as a starting point vector, or one or more nodes specified in advance may be used as starting points. It can be a vector.

そして、情報処理装置１００は、グラフ情報ＧＲ１１を検索することにより、コンテンツＸの類似コンテンツを抽出する（ステップＳ１６）。例えば、情報処理装置１００は、ノードＮ４５１の近傍に位置するノードを類似コンテンツとして抽出する。例えば、情報処理装置１００は、ノードＮ４５１からの距離が近いノードを類似コンテンツとして抽出する。例えば、情報処理装置１００は、ノードＮ４５１を起点として、エッジを辿ることにより、ノードＮ４５１から到達可能なノードを類似コンテンツとして抽出する。例えば、情報処理装置１００は、所定数（例えば、２個や１０個等）のノードを類似コンテンツとして抽出する。例えば、情報処理装置１００は、図１１に示すような検索処理により、コンテンツＸの類似コンテンツを抽出してもよいが、詳細は後述する。図１の例では、情報処理装置１００は、ノードＮ４５１を起点として、グラフ情報ＧＲ１１を探索することにより、ノードＮ４５１やノードＮ３５を類似コンテンツとして抽出する。 Then, the information processing apparatus 100 extracts similar content of the content X by searching the graph information GR11 (step S16). For example, the information processing apparatus 100 extracts a node located in the vicinity of the node N451 as similar content. For example, the information processing apparatus 100 extracts nodes that are close to the node N451 as similar content. For example, the information processing apparatus 100 extracts nodes that can be reached from the node N451 as similar contents by tracing the edges starting from the node N451. For example, the information processing apparatus 100 extracts a predetermined number (for example, 2 or 10) of nodes as similar contents. For example, the information processing apparatus 100 may extract similar content of the content X by a search process as illustrated in FIG. 11, but details will be described later. In the example of FIG. 1, the information processing apparatus 100 extracts the node N451 and the node N35 as similar contents by searching the graph information GR11 starting from the node N451.

そして、情報処理装置１００は、類似コンテンツの指標値に関する情報を取得する。図１の例では、情報処理装置１００は、コンテンツ情報記憶部１２１（図４参照）から類似コンテンツの指標値を取得する。ここでいう、コンテンツの指標値とは、そのコンテンツが流行したかどうかの判定に用いる情報であれば、コンテンツの売上やコンテンツに関するユーザの投稿回数等の種々の指標値であってもよい。例えば、コンテンツがアプリである場合、ダウンロード数や利用ユーザ数等が指標値として用いられてもよい。また、情報処理装置１００は、複数の指標値を用いてもよい。 Then, the information processing apparatus 100 acquires information related to the index value of similar content. In the example of FIG. 1, the information processing apparatus 100 acquires the index value of similar content from the content information storage unit 121 (see FIG. 4). The content index value here may be various index values such as the sales of the content and the number of postings by the user regarding the content as long as it is information used to determine whether the content is popular. For example, when the content is an application, the number of downloads, the number of users, and the like may be used as the index value. Further, the information processing apparatus 100 may use a plurality of index values.

図１の例では、コンテンツの指標値として、そのコンテンツ（アプリ）の売上を用いるものとする。図１の例では、情報処理装置１００は、類似情報ＳＬＴに示すようなノードＮ４５１（コンテンツ＃４５１）の指標値ＶＬ４５１やノードＮ３５（コンテンツ＃３５）の指標値ＶＬ３５等の情報を取得する。例えば、指標値ＶＬ４５１は、コンテンツ＃４５１の売上を示し、指標値ＶＬ３５は、コンテンツ＃３５の売上を示す。例えば、指標値ＶＬ４５１や指標値ＶＬ３５は、２００万円や１億円等の具体的な数値であるものとする。 In the example of FIG. 1, the sales of the content (application) is used as the index value of the content. In the example of FIG. 1, the information processing apparatus 100 acquires information such as the index value VL451 of the node N451 (content # 451) and the index value VL35 of the node N35 (content # 35) as shown in the similar information SLT. For example, the index value VL451 indicates the sales of the content # 451, and the index value VL35 indicates the sales of the content # 35. For example, the index value VL451 and the index value VL35 are specific numerical values such as 2 million yen and 100 million yen.

そして、情報処理装置１００は、判定に用いる指標値（判定用指標値）を決定する（ステップＳ１７）。図１の例では、情報処理装置１００は、類似情報ＳＬＴに示すようなノードＮ４５１（コンテンツ＃４５１）の指標値ＶＬ４５１やノードＮ３５（コンテンツ＃３５）の指標値ＶＬ３５等の情報に基づいて、判定用指標値を決定する。 Then, the information processing apparatus 100 determines an index value (determination index value) used for determination (step S17). In the example of FIG. 1, the information processing apparatus 100 makes a determination based on information such as the index value VL451 of the node N451 (content # 451) and the index value VL35 of the node N35 (content # 35) as shown in the similar information SLT. Determine the index value.

例えば、情報処理装置１００は、類似情報ＳＬＴに含まれる類似コンテンツの評価値（指標値）の平均を判定用指標値として決定する。図１の例では、情報処理装置１００は、ステップＳ１６で抽出した類似コンテンツの指標値の平均を判定用指標値として決定する。すなわち、情報処理装置１００は、類似情報ＳＬＴに含まれるコンテンツ＃４５の指標値ＶＬ４５１やコンテンツ＃３５の指標値ＶＬ３５の平均を判定用指標値として決定する。この場合、情報処理装置１００は、コンテンツ＃４５の指標値ＶＬ４５１やコンテンツ＃３５の指標値ＶＬ３５を加算することにより、類似コンテンツの指標値の合計値を算出する。そして、情報処理装置１００は、類似コンテンツの指標値の合計値を、類似コンテンツ数で除することにより、判定用指標値を算出する。例えば、情報処理装置１００は、類似コンテンツがコンテンツ＃４５とコンテンツ＃３５との2つである場合、指標値ＶＬ４５１と指標値ＶＬ３５とを加算した合計値を類似コンテンツの数「２」で除することにより、判定用指標値を算出する。図１の例では、情報処理装置１００は、判定用情報ＶＬＴに示すように、判定用指標値ＤＶＬ１１を決定する。 For example, the information processing apparatus 100 determines an average of evaluation values (index values) of similar content included in the similar information SLT as a determination index value. In the example of FIG. 1, the information processing apparatus 100 determines the average of the index values of similar content extracted in step S <b> 16 as the determination index value. That is, the information processing apparatus 100 determines the average of the index value VL451 of the content # 45 and the index value VL35 of the content # 35 included in the similar information SLT as the determination index value. In this case, the information processing apparatus 100 calculates the total value of the index values of similar content by adding the index value VL451 of the content # 45 and the index value VL35 of the content # 35. Then, the information processing apparatus 100 calculates the index value for determination by dividing the total value of the index values of similar contents by the number of similar contents. For example, when there are two similar contents, that is, the content # 45 and the content # 35, the information processing apparatus 100 divides the total value obtained by adding the index value VL451 and the index value VL35 by the number of similar contents “2”. Thus, the determination index value is calculated. In the example of FIG. 1, the information processing apparatus 100 determines the determination index value DVL11 as indicated by the determination information VLT.

なお、上記は一例であり、情報処理装置１００は、類似情報ＳＬＴに含まれる類似コンテンツの指標値に基づけばどのような評価値（指標値）を判定用指標値として決定してもよい。例えば、情報処理装置１００は、類似情報ＳＬＴのうち、最も高い指標値を判定用指標値として決定してもよい。例えば、情報処理装置１００は、類似情報ＳＬＴのうち、最も低い指標値を判定用指標値として決定してもよい。例えば、情報処理装置１００は、類似情報ＳＬＴのうち、最もコンテンツＸに類似するコンテンツの指標値を判定用指標値として決定してもよい。 Note that the above is an example, and the information processing apparatus 100 may determine any evaluation value (index value) as the determination index value based on the index value of the similar content included in the similar information SLT. For example, the information processing apparatus 100 may determine the highest index value among the similar information SLT as the determination index value. For example, the information processing apparatus 100 may determine the lowest index value among the similar information SLT as the determination index value. For example, the information processing apparatus 100 may determine the index value of the content most similar to the content X among the similar information SLT as the determination index value.

そして、情報処理装置１００は、判定用指標値を用いて判定処理を行う（ステップＳ１８）。例えば、情報処理装置１００は、判定用指標値と所定の閾値との比較により、コンテンツＸが流行するかどうかを判定する。例えば、情報処理装置１００は、判定用指標値が所定の閾値以上である場合、コンテンツＸが流行すると判定する。例えば、情報処理装置１００は、判定用指標値が所定の閾値未満である場合、コンテンツＸが流行しないと判定する。図１の例では、情報処理装置１００は、閾値情報ＴＬＴに示すような閾値ＴＨ１１を用いて、判定処理を行う。例えば、閾値ＴＨ１１は、５００万円や１億円等の具体的な数値であるものとする。情報処理装置１００は、閾値ＴＨ１１を記憶した記憶部１２０（図３参照）から閾値ＴＨ１１を取得してもよいし、外部の情報処理装置から閾値ＴＨ１１を取得してもよい。例えば、情報処理装置１００が記憶部１２０から閾値ＴＨ１１を取得する場合、閾値ＴＨ１１は記憶部１２０に格納されている。なお、以下では、閾値ＴＨ１１が「１千万円」であり、判定用指標値ＤＶＬ１１が「３千万円」であるものとして説明する。 Then, the information processing apparatus 100 performs a determination process using the determination index value (step S18). For example, the information processing apparatus 100 determines whether the content X is popular by comparing the determination index value with a predetermined threshold value. For example, the information processing apparatus 100 determines that the content X is popular when the determination index value is equal to or greater than a predetermined threshold. For example, the information processing apparatus 100 determines that the content X is not popular when the determination index value is less than a predetermined threshold. In the example of FIG. 1, the information processing apparatus 100 performs a determination process using a threshold value TH11 as shown in the threshold value information TLT. For example, the threshold value TH11 is a specific numerical value such as 5 million yen or 100 million yen. The information processing apparatus 100 may acquire the threshold value TH11 from the storage unit 120 (see FIG. 3) that stores the threshold value TH11, or may acquire the threshold value TH11 from an external information processing apparatus. For example, when the information processing apparatus 100 acquires the threshold value TH11 from the storage unit 120, the threshold value TH11 is stored in the storage unit 120. In the following description, it is assumed that the threshold value TH11 is “10 million yen” and the determination index value DVL11 is “30 million yen”.

上記のように、閾値ＴＨ１１が「１千万円」であり、判定用指標値ＤＶＬ１１が「３千万円」であるため、情報処理装置１００は、判定用指標値ＤＶＬ１１と所定の閾値ＴＨ１１とを比較し、判定用指標値ＤＶＬ１１が所定の閾値ＴＨ１１以上であると判定する。この場合、情報処理装置１００は、判定用指標値ＤＶＬ１１が所定の閾値ＴＨ１１以上であるという基準を満たすため、流行判定結果ＤＲＳに示すように、コンテンツＸが流行すると判定する。 As described above, since the threshold value TH11 is “10 million yen” and the determination index value DVL11 is “30 million yen”, the information processing apparatus 100 determines that the determination index value DVL11 and the predetermined threshold value TH11 And the determination index value DVL11 is determined to be greater than or equal to a predetermined threshold value TH11. In this case, the information processing apparatus 100 determines that the content X is popular, as indicated by the trend determination result DRS, in order to satisfy the criterion that the determination index value DVL11 is equal to or greater than the predetermined threshold value TH11.

そして、情報処理装置１００は、判定結果に基づいてサービスを提供する。図１の例では、情報処理装置１００は、コンテンツＸが流行する可能性があるコンテンツ（流行コンテンツ）であることを示す情報（流行判定情報）を端末装置１０に提供する（ステップＳ１９）。例えば、情報処理装置１００は、コンテンツＸが流行コンテンツであることを示す流行判定情報を端末装置１０に送信する。これにより、ユーザＵ１は、コンテンツＸが流行する可能性があると判断することができる。 The information processing apparatus 100 provides a service based on the determination result. In the example of FIG. 1, the information processing apparatus 100 provides the terminal device 10 with information (fashion determination information) indicating that the content X is content that is likely to be popular (fashionable content) (step S19). For example, the information processing apparatus 100 transmits trend determination information indicating that the content X is trendy content to the terminal device 10. Thereby, the user U1 can determine that the content X may be popular.

一方、情報処理装置１００は、判定用指標値ＤＶＬ１１が所定の閾値ＴＨ１１未満であると判定した場合、コンテンツＸが流行しないと判定する。そして、情報処理装置１００は、コンテンツＸが流行しない可能性が高いことを示す流行判定情報を端末装置１０に送信する。これにより、ユーザＵ１は、コンテンツＸが流行しない可能性が高いと判断でき、コンテンツＸの仕様変更等を行い流行するコンテンツの開発を行うことができる。 On the other hand, when the information processing apparatus 100 determines that the determination index value DVL11 is less than the predetermined threshold value TH11, the information processing apparatus 100 determines that the content X is not popular. Then, the information processing apparatus 100 transmits the trend determination information indicating that there is a high possibility that the content X is not trendy to the terminal apparatus 10. As a result, the user U1 can determine that the content X is not likely to be popular, and can change the specifications of the content X to develop popular content.

上述したように、情報処理装置１００は、グラフ情報ＧＲ１１やインデックス情報ＩＮＤ１１を用いて、ユーザＵ１から取得したコンテンツＸの類似コンテンツを抽出する。例えば、情報処理装置１００は、インデックス情報ＩＮＤ１１を用いて、コンテンツＸの類似コンテンツを抽出する際のグラフ情報ＧＲ１１における起点ベクトルを決定する。そして、情報処理装置１００は、決定した起点ベクトルを起点としてグラフ情報ＧＲ１１を探索することにより、コンテンツＸの類似コンテンツを抽出する。これにより、情報処理装置１００は、類似のコンテンツを適切に抽出することができる。 As described above, the information processing apparatus 100 extracts similar content of the content X acquired from the user U1 using the graph information GR11 and the index information IND11. For example, the information processing apparatus 100 uses the index information IND11 to determine a starting vector in the graph information GR11 when extracting similar content of the content X. Then, the information processing apparatus 100 extracts similar content of the content X by searching the graph information GR11 using the determined starting point vector as a starting point. Thereby, the information processing apparatus 100 can appropriately extract similar content.

例えば、情報処理装置１００は、コンテンツＸと類似するコンテンツ（類似コンテンツ）が、例えばコンテンツＸと一見関係が無いように見える場合であっても、グラフ情報を用いることで、コンテンツＸの類似コンテンツとして抽出でき、類似のコンテンツを適切に抽出することができる。例えば、ディープラーニングといった手法で、ＸＸのゲームやＹＹの記事コンテンツ等の所定の目的に適したコンテンツを識別するという方法もあるが、所定の目的に適するかに影響する多種多様な要素が存在する場合においては、各要素の事例が少ないので、学習ができずに識別精度を向上させることが難しいという問題がある。例えば、ディープラーニングといった学習手法で生成したモデルを用いて、そのモデルにコンテンツの情報を入力し、出力されたスコアからそのコンテンツが所定の目的に適するかを識別するという方法もあるが、多種多様な要素が存在する場合においては、各要素の事例が少ないため、モデルの精度を向上させることが難しく、識別精度を向上させることが難しい。一方で、情報処理装置１００は、各コンテンツから抽出した特徴を基に生成した複数のベクトルのグラフ構造化したグラフ情報を用いて検索を行うことにより、コンテンツのベクトルの比較によりコンテンツ間の類似度を判定し、一のコンテンツが複数のコンテンツに含まれるかどうかを適切に判定することができる。そのため、情報処理装置１００は、類似のコンテンツを適切に抽出することができる。 For example, the information processing apparatus 100 uses the graph information as the similar content of the content X even when the content similar to the content X (similar content) appears to have no apparent relationship with the content X, for example. It is possible to extract similar content appropriately. For example, there is a method of identifying content suitable for a predetermined purpose such as XX game or YY article content by a technique such as deep learning, but there are various elements that affect whether it is suitable for the predetermined purpose. In some cases, since there are few cases of each element, there is a problem that it is difficult to improve the identification accuracy because learning is not possible. For example, there is a method of using a model generated by a learning method such as deep learning, inputting content information into the model, and identifying whether the content is suitable for a given purpose from the output score. When there are various elements, since there are few examples of each element, it is difficult to improve the accuracy of the model, and it is difficult to improve the identification accuracy. On the other hand, the information processing apparatus 100 performs a search using graph information in which a plurality of vectors are generated based on features extracted from each content, thereby comparing the content vectors by comparing the content vectors. It is possible to appropriately determine whether one content is included in a plurality of contents. Therefore, the information processing apparatus 100 can appropriately extract similar content.

〔１−４．サービスについて〕
図１の例では、コンテンツが流行するかの判定を一例として説明したが、情報処理装置１００は、抽出した類似コンテンツの情報を用いて種々のサービスを提供してもよい。この点について、以下説明する。 [1-4. About service)
In the example of FIG. 1, the determination as to whether the content is popular has been described as an example. However, the information processing apparatus 100 may provide various services using information on the extracted similar content. This point will be described below.

〔１−４−１．ユーザに関する情報提供〕
例えば、情報処理装置１００は、抽出した類似コンテンツの情報を用いて、コンテンツを利用するユーザに関する情報を提供してもよい。例えば、情報処理装置１００は、抽出した類似コンテンツの情報を用いて、一のコンテンツがどのようなユーザに利用されるかを示す情報を提供してもよい。 [1-4-1. Provision of information about users)
For example, the information processing apparatus 100 may provide information about a user who uses the content by using the extracted information on similar content. For example, the information processing apparatus 100 may provide information indicating which user uses the one content by using the extracted information on the similar content.

図１の例では、情報処理装置１００は、類似コンテンツであるコンテンツ＃４５１やコンテンツ＃３５を利用するユーザの情報を用いて、コンテンツＸがどのようなユーザに利用されるかを示す情報をユーザＵ１に提供してもよい。情報処理装置１００は、類似コンテンツであるコンテンツ＃４５１やコンテンツ＃３５を利用するユーザの情報を用いて、コンテンツＸがどのようなユーザに利用されるかを示す情報（分析情報）をユーザＵ１に提供してもよい。例えば、情報処理装置１００は、コンテンツ＃４５１やコンテンツ＃３５を利用するユーザの属性情報を、ユーザＵ１に提供してもよい。例えば、情報処理装置１００は、コンテンツ＃４５１やコンテンツ＃３５を利用するユーザに２０代男性が多い場合、コンテンツＸが２０代男性のユーザに利用される可能性が高いことを示す分析情報をユーザＵ１の端末装置１０に送信してもよい。 In the example of FIG. 1, the information processing apparatus 100 uses information on a user who uses content # 451 and content # 35, which are similar contents, to indicate information indicating to which user the content X is used by the user. You may provide to U1. The information processing apparatus 100 uses the information on users who use the content # 451 and the content # 35, which are similar contents, to give information (analysis information) indicating to which user the content X is used to the user U1. May be provided. For example, the information processing apparatus 100 may provide the user U1 with attribute information of a user who uses the content # 451 or the content # 35. For example, when the user who uses the content # 451 or the content # 35 has many males in their 20s, the information processing apparatus 100 displays analysis information indicating that the content X is likely to be used by a male user in their 20s. You may transmit to the terminal device 10 of U1.

また、例えば、情報処理装置１００は、コンテンツ＃４５１やコンテンツ＃３５を利用するユーザのうち、各属性が占める割合を示す分析情報をユーザＵ１の端末装置１０に送信してもよい。例えば、情報処理装置１００は、コンテンツ＃４５１やコンテンツ＃３５を利用するユーザのうち、男性が８０％であり、女性が２０％である場合、男性が８０％であり、女性が２０％であることを示す分析情報をユーザＵ１の端末装置１０に送信してもよい。 Further, for example, the information processing apparatus 100 may transmit analysis information indicating a ratio occupied by each attribute among users using the content # 451 and the content # 35 to the terminal device 10 of the user U1. For example, in the information processing apparatus 100, among the users who use the content # 451 and the content # 35, when the male is 80% and the female is 20%, the male is 80% and the female is 20%. Analysis information indicating this may be transmitted to the terminal device 10 of the user U1.

〔１−４−２．生成したコンテンツの判定〕
図１の例では、情報処理装置１００がユーザＵ１から取得したコンテンツＸの流行判定を行ったが、情報処理装置１００は、コンテンツを生成し、生成したコンテンツの流行判定を行ってもよい。例えば、情報処理装置１００は、アプリや動画コンテンツや音楽コンテンツや記事コンテンツ等のコンテンツを生成し、グラフ情報を用いて生成したコンテンツの類似コンテンツを抽出することにより、生成したコンテンツの流行判定を行ってもよい。この点について、図１２を用いて説明する。図１２は、コンテンツの流行判定の一例を示す図である。図１２の例では、コンテンツがアプリである場合を示す。また、グラフ情報ＧＲ２１は、図１中のグラフ情報ＧＲ１１であってもよい。なお、図１と同様の点については適宜説明を省略する。 [1-4-2. (Determination of generated content)
In the example of FIG. 1, the information processing apparatus 100 performs the trend determination of the content X acquired from the user U1, but the information processing apparatus 100 may generate the content and perform the trend determination of the generated content. For example, the information processing apparatus 100 generates content such as an application, video content, music content, article content, and the like, and performs a trend determination of the generated content by extracting similar content of the content generated using the graph information. May be. This point will be described with reference to FIG. FIG. 12 is a diagram illustrating an example of content trend determination. The example of FIG. 12 shows a case where the content is an application. The graph information GR21 may be the graph information GR11 in FIG. The description of the same points as in FIG. 1 will be omitted as appropriate.

まず、情報処理装置１００は、コンテンツを生成する（ステップＳ５１）。なお、ここでいうコンテンツの生成は、情報処理装置１００自体が生成を行う場合と情報処理装置１００が他の外部装置に要求してコンテンツを生成する場合が含まれるものとする。情報処理装置１００は、自装置においてアプリＹを生成してもよいし、他の外部装置にアプリＹの生成を要求し、アプリＹを生成した他の外部装置からアプリＹを取得してもよい。例えば、情報処理装置１００は、自動生成に関する技術を適宜用いて、ランダムにアプリＹを生成してもよい。また、例えば、情報処理装置１００は、コンテンツが楽曲等の音楽コンテンツである場合、過去の複数の楽曲から、数秒や数小節等の区間ごとの抽出しランダムに組み合わせることで、音楽コンテンツを生成してもよい。例えば、情報処理装置１００は、過去に流行した複数の楽曲の区間をランダムに組合せることにより生成してもよい。例えば、情報処理装置１００は、売上が所定の閾値（例えば１０億円等）以上等の流行に関する条件を満たす複数の楽曲の区間を、ランダムに組合せることにより生成してもよい。なお、情報処理装置１００は、上記に限らず、コンテンツを生成可能であれば、自動生成に関する技術やランダム生成等のどのような方法によりコンテンツを生成してもよい。例えば、情報処理装置１００は、情報提供装置５０にアプリＹの生成を要求し、アプリＹを生成した情報提供装置５０からアプリＹを取得してもよい。図１２の例では、情報処理装置１００は、アプリＹを生成する。 First, the information processing apparatus 100 generates content (step S51). Note that the content generation here includes a case where the information processing apparatus 100 itself performs generation and a case where the information processing apparatus 100 requests other external devices to generate the content. The information processing apparatus 100 may generate the app Y in its own device, or may request another external device to generate the app Y and acquire the app Y from the other external device that generated the app Y. . For example, the information processing apparatus 100 may generate the app Y randomly using a technique related to automatic generation as appropriate. Further, for example, when the content is music content such as music, the information processing apparatus 100 generates music content by extracting and randomly combining sections such as seconds or bars from a plurality of past music. May be. For example, the information processing apparatus 100 may generate the information by randomly combining sections of a plurality of songs popular in the past. For example, the information processing apparatus 100 may generate a plurality of music sections that satisfy a fashion-related condition such as sales exceeding a predetermined threshold (for example, 1 billion yen) or more at random. Note that the information processing apparatus 100 is not limited to the above, and the content may be generated by any method such as a technique related to automatic generation or random generation as long as the content can be generated. For example, the information processing apparatus 100 may request the information providing apparatus 50 to generate the application Y and acquire the application Y from the information providing apparatus 50 that has generated the application Y. In the example of FIG. 12, the information processing apparatus 100 generates an application Y.

そして、情報処理装置１００は、グラフ情報を用いてコンテンツの流行判定を行う（ステップＳ５２）。図１２の例では、情報処理装置１００は、グラフ情報ＧＲ２１を用いてアプリＹの流行判定を行う。例えば、情報処理装置１００は、生成した一のコンテンツ（アプリＹ）を対象として、アプリＹに類似するコンテンツ(類似コンテンツ)の情報をグラフ情報ＧＲ２１から抽出する。例えば、情報処理装置１００は、アプリＹに関するコンテンツ情報（コンテンツ情報ＹＬＤ）を取得する。例えば、情報処理装置１００は、グラフ情報ＧＲ２１をグラフ情報記憶部１２３から取得する。例えば、情報処理装置１００は、コンテンツの各々に対応する複数のノードが、複数のコンテンツの類似性に応じて連結されたグラフ情報ＧＲ２１を取得する。そして、情報処理装置１００は、モデル情報記憶部１２４に記憶されたモデルＭ１を用いて、アプリＹのコンテンツ情報ＹＤＴからベクトル（ベクトルＹＶＤ）を生成する。 Then, the information processing apparatus 100 performs content trend determination using the graph information (step S52). In the example of FIG. 12, the information processing apparatus 100 determines the trend of the app Y using the graph information GR21. For example, the information processing apparatus 100 extracts information on content (similar content) similar to the application Y from the graph information GR21 for the generated one content (application Y). For example, the information processing apparatus 100 acquires content information (content information YLD) related to the app Y. For example, the information processing apparatus 100 acquires the graph information GR21 from the graph information storage unit 123. For example, the information processing apparatus 100 acquires graph information GR21 in which a plurality of nodes corresponding to each of the contents are connected according to the similarity of the plurality of contents. Then, the information processing apparatus 100 generates a vector (vector YVD) from the content information YDT of the app Y using the model M1 stored in the model information storage unit 124.

そして、情報処理装置１００は、生成したベクトルＹＶＤとインデックス情報を用いて起点ベクトルをノードＹＮＥ（図１２中のアプリＡＰ５に対応）に決定する。そして、情報処理装置１００は、起点ベクトルであるノードＹＮＥを起点としてグラフ情報ＧＲ２１を検索することにより、アプリＹの類似コンテンツ（類似グループ）を抽出する。例えば、情報処理装置１００は、ノードＹＮＥを起点として、グラフ情報ＧＲ２１を探索することにより、所定数（例えば２個など）のノードを類似コンテンツとして抽出する。図１２の例では、情報処理装置１００は、類似コンテンツ範囲ＳＡＲ１１に含まれるアプリＡＰ１（ノードＮＥＴ１）やアプリＡＰ５（ノードＮＥＴ５）を類似コンテンツとして抽出する。 Then, the information processing apparatus 100 determines a starting vector as a node YNE (corresponding to the application AP5 in FIG. 12) using the generated vector YVD and index information. Then, the information processing apparatus 100 extracts the similar content (similar group) of the app Y by searching the graph information GR21 using the node YNE that is the starting point vector as a starting point. For example, the information processing apparatus 100 searches the graph information GR21 starting from the node YNE, thereby extracting a predetermined number (for example, two) of nodes as similar content. In the example of FIG. 12, the information processing apparatus 100 extracts the application AP1 (node NET1) and the application AP5 (node NET5) included in the similar content range SAR11 as similar contents.

そして、情報処理装置１００は、抽出した類似コンテンツの指標値を用いて、アプリＹが流行するかどうかを判定する。例えば、情報処理装置１００は、類似コンテンツの指標値に関する情報を取得する。図１２の例では、コンテンツの指標値として、そのコンテンツ（アプリ）のダウンロード数を用いるものとする。図１２の例では、情報処理装置１００は、コンテンツ情報記憶部１２１（図４参照）から類似コンテンツの指標値を取得する。そして、情報処理装置１００は、判定に用いる指標値（判定用指標値）を決定する。図１２の例では、情報処理装置１００は、アプリＡＰ１とアプリＡＰ５とのうち、最もダウンロード数が多いアプリ（例えばアプリＡＰ１）の指標値ＶＬＡＰ１を、判定用指標値（以下、「判定用指標値ＤＶＬ５１」とする）として決定する。指標値ＶＬＡＰ１は、５万回や１００万回等の具体的な数値であるものとする。 Then, the information processing apparatus 100 determines whether the app Y is popular using the extracted index value of the similar content. For example, the information processing apparatus 100 acquires information related to index values of similar content. In the example of FIG. 12, the number of downloads of the content (application) is used as the content index value. In the example of FIG. 12, the information processing apparatus 100 acquires an index value of similar content from the content information storage unit 121 (see FIG. 4). Then, the information processing apparatus 100 determines an index value (determination index value) used for determination. In the example of FIG. 12, the information processing apparatus 100 uses an index value VLAP1 of an application (for example, the application AP1) having the largest number of downloads among the applications AP1 and AP5 as a determination index value (hereinafter referred to as “determination index value”). DVL51 "). The index value VLAP1 is a specific numerical value such as 50,000 times or 1 million times.

そして、情報処理装置１００は、判定用指標値を用いて判定処理を行う。例えば、情報処理装置１００は、判定用指標値と所定の閾値との比較により、コンテンツＸが流行するかどうかを判定する。図１２の例では、情報処理装置１００は、閾値ＴＨ５１を用いて、判定処理を行う。例えば、閾値ＴＨ１１は、２５万回や５００万回等の具体的な数値であるものとする。情報処理装置１００は、閾値ＴＨ５１を記憶した記憶部１２０（図３参照）から閾値ＴＨ５１を取得してもよいし、外部の情報処理装置から閾値ＴＨ５１を取得してもよい。 Then, the information processing apparatus 100 performs a determination process using the determination index value. For example, the information processing apparatus 100 determines whether the content X is popular by comparing the determination index value with a predetermined threshold value. In the example of FIG. 12, the information processing apparatus 100 performs a determination process using the threshold value TH51. For example, the threshold value TH11 is a specific numerical value such as 250,000 times or 5 million times. The information processing apparatus 100 may acquire the threshold value TH51 from the storage unit 120 (see FIG. 3) that stores the threshold value TH51, or may acquire the threshold value TH51 from an external information processing apparatus.

例えば、情報処理装置１００は、判定用指標値ＤＶＬ５１が所定の閾値ＴＨ５１以上であると判定した場合、コンテンツＸが流行すると判定する。一方、情報処理装置１００は、判定用指標値ＤＶＬ１１が所定の閾値ＴＨ１１未満であると判定した場合、コンテンツＸが流行しないと判定する。このように、情報処理装置１００は、生成したコンテンツの流行を判定することにより、流行するコンテンツを適切に生成することができる。また、情報処理装置１００は、生成したコンテンツが流行する判定した場合、生成したコンテンツを販売やリリースすると決定してもよい。そして、情報処理装置１００は、生成したコンテンツを端末装置１０や情報提供装置５０等の種々の外部装置に提供してもよい。 For example, when the information processing apparatus 100 determines that the determination index value DVL51 is equal to or greater than a predetermined threshold TH51, the information processing apparatus 100 determines that the content X is popular. On the other hand, when the information processing apparatus 100 determines that the determination index value DVL11 is less than the predetermined threshold value TH11, the information processing apparatus 100 determines that the content X is not popular. As described above, the information processing apparatus 100 can appropriately generate the trending content by determining the trend of the generated content. In addition, when it is determined that the generated content is popular, the information processing apparatus 100 may determine to sell or release the generated content. The information processing apparatus 100 may provide the generated content to various external devices such as the terminal device 10 and the information providing device 50.

〔１−５．インデックス情報〕
図１の例に示すインデックス情報（インデックスデータ）は一例であり、情報処理装置１００は、種々のインデックス情報を用いて、グラフ情報を検索してもよい。また、例えば、情報処理装置１００は、検索時に用いるインデックスデータを生成してもよい。例えば、情報処理装置１００は、高次元ベクトルを検索する検索インデックスをインデックスデータとして生成する。ここでいう高次元ベクトルとは、例えば、数百次元から数千次元のベクトルであってもよいし、それ以上の次元のベクトルであってもよい。 [1-5. Index information)
The index information (index data) illustrated in the example of FIG. 1 is an example, and the information processing apparatus 100 may search for graph information using various index information. For example, the information processing apparatus 100 may generate index data used at the time of search. For example, the information processing apparatus 100 generates a search index for searching for a high-dimensional vector as index data. The high-dimensional vector here may be, for example, a vector of several hundreds to thousands of dimensions, or a vector of more dimensions.

例えば、情報処理装置１００は、図１に示すようなツリー構造（木構造）に関する検索インデックスをインデックスデータとして生成してもよい。例えば、情報処理装置１００は、ｋｄ木（k-dimensional tree）に関する検索インデックスをインデックスデータとして生成してもよい。例えば、情報処理装置１００は、ＶＰ木（Vantage-Point tree）に関する検索インデックスをインデックスデータとして生成してもよい。 For example, the information processing apparatus 100 may generate a search index related to a tree structure (tree structure) as shown in FIG. 1 as index data. For example, the information processing apparatus 100 may generate a search index related to a kd tree (k-dimensional tree) as index data. For example, the information processing apparatus 100 may generate a search index related to a VP tree (Vantage-Point tree) as index data.

また、例えば、情報処理装置１００は、その他の木構造を有するインデックスデータとして生成してもよい。例えば、情報処理装置１００は、木構造のインデックスデータのリーフがグラフデータに接続する種々のインデックスデータを生成してもよい。例えば、情報処理装置１００は、木構造のインデックスデータのリーフがグラフデータ中のノードに対応する種々のインデックスデータを生成してもよい。また、情報処理装置１００は、このようなインデックスデータを用いて検索を行う場合、インデックスデータを辿って到達したリーフ（ノード）からグラフデータを探索してもよい。 Further, for example, the information processing apparatus 100 may generate the index data having another tree structure. For example, the information processing apparatus 100 may generate various index data in which leaves of tree-structured index data are connected to graph data. For example, the information processing apparatus 100 may generate various index data in which the leaf of the tree-structured index data corresponds to a node in the graph data. Further, when performing a search using such index data, the information processing apparatus 100 may search for graph data from a leaf (node) that has arrived by tracing the index data.

なお、上述したようなインデックスデータは一例であり、情報処理装置１００は、グラフデータ中のクエリを高速に特定することが可能であれば、どのようなデータ構造のインデックスデータを生成してもよい。例えば、情報処理装置１００は、クエリに対応するグラフ情報中のノードを高速に特定することが可能であれば、バイナリ空間分割に関する技術等の種々の従来技術を適宜用いて、インデックスデータを生成してもよい。例えば、情報処理装置１００は、高次元ベクトルの検索に対応可能なインデックスであれば、どのようなデータ構造のインデックスデータを生成してもよい。例えば、情報処理装置１００は、非特許文献１に記載されるようなグラフ型の検索インデックスに関する情報をインデックス情報として用いてもよい。情報処理装置１００は、上述のようなインデックスデータとグラフデータとを用いることにより、所定のコンテンツに関するより効率的な検索を可能にすることができる。 Note that the index data as described above is an example, and the information processing apparatus 100 may generate index data of any data structure as long as it can identify a query in the graph data at high speed. . For example, if the information processing apparatus 100 can identify the node in the graph information corresponding to the query at a high speed, the information processing apparatus 100 generates index data by appropriately using various conventional techniques such as a technique related to binary space division. May be. For example, the information processing apparatus 100 may generate index data having any data structure as long as it is an index that can be used to search for a high-dimensional vector. For example, the information processing apparatus 100 may use information related to a graph-type search index as described in Non-Patent Document 1 as index information. The information processing apparatus 100 can enable more efficient search regarding predetermined content by using the index data and the graph data as described above.

〔２．情報処理システムの構成〕
図２に示すように、情報処理システム１は、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。図２は、実施形態に係る情報処理システムの構成例を示す図である。なお、図２に示した情報処理システム１には、複数台の端末装置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。 [2. Configuration of information processing system]
As illustrated in FIG. 2, the information processing system 1 includes a terminal device 10, an information providing device 50, and an information processing device 100. The terminal device 10, the information providing device 50, and the information processing device 100 are connected via a predetermined network N so as to be communicable by wire or wireless. FIG. 2 is a diagram illustrating a configuration example of the information processing system according to the embodiment. Note that the information processing system 1 illustrated in FIG. 2 may include a plurality of terminal devices 10, a plurality of information providing devices 50, and a plurality of information processing devices 100.

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、ユーザによる種々の操作を受け付ける。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。なお、上述した端末装置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。例えば、端末装置１０は、所定のサーバシステムを管理者が利用する情報処理装置であってもよい。例えば、端末装置１０は、コンテンツ情報を収集し、コンテンツ情報を情報処理装置１００へ送信する。 The terminal device 10 is an information processing device used by a user. The terminal device 10 receives various operations by the user. Hereinafter, the terminal device 10 may be referred to as a user. That is, hereinafter, the user can be read as the terminal device 10. The terminal device 10 described above is realized by, for example, a smartphone, a tablet terminal, a notebook PC (Personal Computer), a desktop PC, a mobile phone, a PDA (Personal Digital Assistant), or the like. For example, the terminal device 10 may be an information processing device in which a manager uses a predetermined server system. For example, the terminal device 10 collects content information and transmits the content information to the information processing device 100.

情報処理装置１００は、起点ベクトルを起点としてグラフ情報を検索することにより、複数のコンテンツのうち、一のコンテンツが複数のコンテンツに含まれるかどうかを判定する情報処理装置である。例えば、情報処理装置１００は、一のコンテンツに関するコンテンツ情報を取得し、コンテンツ情報と、グラフ情報の検索の起点となる起点ベクトルに関する情報とに基づいて、起点ベクトルを決定する。 The information processing apparatus 100 is an information processing apparatus that determines whether one content among a plurality of contents is included in the plurality of contents by searching for graph information using the starting point vector as a starting point. For example, the information processing apparatus 100 acquires content information regarding one content, and determines a starting point vector based on the content information and information regarding a starting point vector that is a starting point for searching graph information.

情報処理装置１００は、ユーザ等に種々の情報提供を行うための情報が格納された情報処理装置である。例えば、情報処理装置１００は、端末装置１０から一のコンテンツのコンテンツ情報（以下、「クエリ情報」や「クエリ」ともいう）を取得すると、クエリに類似するコンテンツ（ベクトル情報等）を検索し、検索結果を端末装置１０に提供する。図１の例では、情報処理装置１００は、端末装置１０から一のコンテンツのコンテンツ情報を取得すると、一のコンテンツに類似するコンテンツを検索し、検索結果を類似のコンテンツとして端末装置１０に提供する。また、例えば、情報処理装置１００が端末装置１０に提供するデータは、コンテンツの名称やコンテンツのコンテンツ情報自体であってもよいし、ＵＲＬ（Uniform Resource Locator）等の対応するデータを参照するための情報であってもよい。 The information processing apparatus 100 is an information processing apparatus in which information for providing various information to a user or the like is stored. For example, when the content information of one content (hereinafter also referred to as “query information” or “query”) is acquired from the terminal device 10, the information processing apparatus 100 searches for content (vector information or the like) similar to the query, The search result is provided to the terminal device 10. In the example of FIG. 1, when the information processing apparatus 100 acquires content information of one content from the terminal device 10, the information processing apparatus 100 searches for content similar to the one content and provides the search result to the terminal device 10 as similar content. . Further, for example, the data provided by the information processing apparatus 100 to the terminal device 10 may be a content name or content information itself, or refer to corresponding data such as a URL (Uniform Resource Locator). It may be information.

情報提供装置５０は、情報処理装置１００に種々の情報提供を行うための情報が格納された情報処理装置である。例えば、情報提供装置５０は、ウェブサーバ等の種々の外部装置から収集したコンテンツ情報等が格納されてもよい。例えば、情報提供装置５０は、グラフ情報やインデックス情報やモデル等の種々の情報を情報処理装置１００に提供する情報処理装置である。 The information providing apparatus 50 is an information processing apparatus in which information for providing various information to the information processing apparatus 100 is stored. For example, the information providing device 50 may store content information collected from various external devices such as a web server. For example, the information providing apparatus 50 is an information processing apparatus that provides the information processing apparatus 100 with various types of information such as graph information, index information, and models.

〔３．情報処理装置の構成〕
次に、図３を用いて、実施形態に係る情報処理装置１００の構成について説明する。図３は、実施形態に係る情報処理装置の構成例を示す図である。図３に示すように、情報処理装置１００は、通信部１１０と、記憶部１２０と、制御部１３０とを有する。なお、情報処理装置１００は、情報処理装置１００の管理者等から各種操作を受け付ける入力部（例えば、キーボードやマウス等）や、各種情報を表示するための表示部（例えば、液晶ディスプレイ等）を有してもよい。 [3. Configuration of information processing apparatus]
Next, the configuration of the information processing apparatus 100 according to the embodiment will be described with reference to FIG. FIG. 3 is a diagram illustrating a configuration example of the information processing apparatus according to the embodiment. As illustrated in FIG. 3, the information processing apparatus 100 includes a communication unit 110, a storage unit 120, and a control unit 130. The information processing apparatus 100 includes an input unit (for example, a keyboard and a mouse) that receives various operations from an administrator of the information processing apparatus 100 and a display unit (for example, a liquid crystal display) for displaying various types of information. You may have.

（通信部１１０）
通信部１１０は、例えば、ＮＩＣ（Network Interface Card）等によって実現される。そして、通信部１１０は、ネットワーク（例えば図２中のネットワークＮ）と有線または無線で接続され、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。 (Communication unit 110)
The communication unit 110 is realized by, for example, a NIC (Network Interface Card). The communication unit 110 is connected to a network (for example, the network N in FIG. 2) by wire or wireless, and transmits and receives information to and from the terminal device 10 and the information providing device 50.

（記憶部１２０）
記憶部１２０は、例えば、ＲＡＭ（Random Access Memory）、フラッシュメモリ（Flash Memory）等の半導体メモリ素子、または、ハードディスク、光ディスク等の記憶装置によって実現される。実施形態に係る記憶部１２０は、図３に示すように、コンテンツ情報記憶部１２１と、インデックス情報記憶部１２２と、グラフ情報記憶部１２３と、モデル情報記憶部１２４とを有する。また、記憶部１２０は、閾値ＴＨ１１等の情報を記憶してもよい。 (Storage unit 120)
The storage unit 120 is realized by, for example, a semiconductor memory device such as a RAM (Random Access Memory) or a flash memory, or a storage device such as a hard disk or an optical disk. As illustrated in FIG. 3, the storage unit 120 according to the embodiment includes a content information storage unit 121, an index information storage unit 122, a graph information storage unit 123, and a model information storage unit 124. The storage unit 120 may store information such as the threshold value TH11.

（コンテンツ情報記憶部１２１）
実施形態に係るコンテンツ情報記憶部１２１は、コンテンツ（オブジェクト）に関する各種情報を記憶する。例えば、コンテンツ情報記憶部１２１は、コンテンツＩＤやベクトルデータを記憶する。図４の例では、コンテンツに関するコンテンツ情報を記憶する。図４は、実施形態に係るコンテンツ情報記憶部の一例を示す図である。図４に示すコンテンツ情報記憶部１２１は、「コンテンツＩＤ」、「コンテンツ」、「コンテンツ情報」、「指標値」、「ベクトル情報」といった項目が含まれる。 (Content information storage unit 121)
The content information storage unit 121 according to the embodiment stores various types of information related to content (objects). For example, the content information storage unit 121 stores a content ID and vector data. In the example of FIG. 4, content information related to content is stored. FIG. 4 is a diagram illustrating an example of a content information storage unit according to the embodiment. The content information storage unit 121 illustrated in FIG. 4 includes items such as “content ID”, “content”, “content information”, “index value”, and “vector information”.

「コンテンツＩＤ」は、コンテンツ（オブジェクト）を識別するための識別情報を示す。また、「コンテンツ」は、コンテンツＩＤにより識別されるコンテンツの具体的な名称や内容等を示す。なお、図４の例では、コンテンツを「コンテンツ＃１」といった抽象的な符号で示すが、括弧内の「Ａコンテンツ」等のように、コンテンツを特定するための文字情報等が含まれてもよい。「指標値」は、コンテンツＩＤにより識別されるコンテンツの所定の指標値を示す。例えば、「指標値」は、指標が「売上」である場合、コンテンツの売上を示す値であってもよい。また、例えば、コンテンツがアプリである場合、「指標値」は、ダウンロード数や利用ユーザ数等であってもよい。なお、「指標値」は、上記に限らず、コンテンツに関するものであれば、どのような指標値であってもよい。また、複数の指標値を用いる場合、「指標値」の項目は、用いる指標値の個数に応じた個数（複数個）であってもよい。なお、図４の例では、指標値を「ＶＬ１」といった抽象的な符号で示すが、１０００や１００万等、指標値に応じた具体的な数値が記憶されてもよい。 “Content ID” indicates identification information for identifying content (object). “Content” indicates a specific name or content of the content identified by the content ID. In the example of FIG. 4, the content is indicated by an abstract code such as “content # 1”, but may include character information for specifying the content such as “A content” in parentheses. Good. The “index value” indicates a predetermined index value of the content identified by the content ID. For example, the “index value” may be a value indicating the sales of content when the index is “sales”. For example, when the content is an application, the “index value” may be the number of downloads, the number of users, and the like. The “index value” is not limited to the above, and may be any index value as long as it relates to content. When a plurality of index values are used, the “index value” item may be a number (a plurality) according to the number of index values to be used. In the example of FIG. 4, the index value is indicated by an abstract code such as “VL1”, but a specific numerical value corresponding to the index value such as 1000 or 1 million may be stored.

「コンテンツ情報」は、コンテンツＩＤにより識別されるコンテンツに関する情報を示す。なお、図４の例では、コンテンツ情報を「ＣＤＴ１」といった抽象的な符号で示すが、各コンテンツ情報は、コンテンツＩＤにより識別されるコンテンツのジャンル（カテゴリー）や内容等の種々のコンテンツに関する情報を含んでもよい。「ベクトル情報」とは、コンテンツＩＤにより識別されるコンテンツ（オブジェクト）に対応するベクトル情報を示す。すなわち、図４の例では、コンテンツ（オブジェクト）を識別するコンテンツＩＤに対して、オブジェクトに対応するベクトルデータ（ベクトル情報）が対応付けられて登録されている。 “Content information” indicates information regarding the content identified by the content ID. In the example of FIG. 4, the content information is indicated by an abstract code such as “CDT1”. However, each piece of content information includes information on various contents such as the genre (category) and content of the content identified by the content ID. May be included. “Vector information” indicates vector information corresponding to the content (object) identified by the content ID. That is, in the example of FIG. 4, vector data (vector information) corresponding to an object is registered in association with a content ID for identifying the content (object).

例えば、図４の例では、コンテンツＩＤ「ＣＴ１」により識別されるコンテンツ（オブジェクト）は、「１０，２４，５４，２．．．」の多次元（Ｎ次元）のベクトル情報が対応付けられることを示す。例えば、コンテンツ＃１については、モデルＭ１等により、コンテンツ＃１の特徴を示す「１０，２４，５４，２．．．」の多次元（Ｎ次元）のベクトル情報がコンテンツ情報ＣＤＴ１から抽出されたことを示す。また、図４の例では、コンテンツ＃１の指標値は、「ＶＬ１」であることを示す。 For example, in the example of FIG. 4, the content (object) identified by the content ID “CT1” is associated with multidimensional (N-dimensional) vector information of “10, 24, 54, 2. Indicates. For example, for the content # 1, multi-dimensional (N-dimensional) vector information “10, 24, 54, 2...” Indicating the characteristics of the content # 1 is extracted from the content information CDT1 by the model M1 or the like. It shows that. In the example of FIG. 4, the index value of the content # 1 is “VL1”.

なお、コンテンツ情報記憶部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。 The content information storage unit 121 is not limited to the above, and may store various types of information according to the purpose.

（インデックス情報記憶部１２２）
実施形態に係るインデックス情報記憶部１２２は、インデックスに関する各種情報を記憶する。図５は、実施形態に係るインデックス情報記憶部の一例を示す図である。具体的には、図５の例では、インデックス情報記憶部１２２は、ツリー構造のインデックス情報を示す。図５の例では、インデックス情報記憶部１２２は、「ルート階層」、「第１階層」、「第２階層」、「第３階層」等といった項目が含まれる。なお、「第１階層」〜「第３階層」に限らず、インデックスの階層数に応じて、「第４階層」、「第５階層」、「第６階層」等が含まれてもよい。 (Index information storage unit 122)
The index information storage unit 122 according to the embodiment stores various types of information related to the index. FIG. 5 is a diagram illustrating an example of the index information storage unit according to the embodiment. Specifically, in the example of FIG. 5, the index information storage unit 122 indicates tree structure index information. In the example of FIG. 5, the index information storage unit 122 includes items such as “root hierarchy”, “first hierarchy”, “second hierarchy”, “third hierarchy”, and the like. In addition to “first hierarchy” to “third hierarchy”, “fourth hierarchy”, “fifth hierarchy”, “sixth hierarchy”, and the like may be included depending on the number of index hierarchies.

「ルート階層」は、インデックスを用いた起点ノードの決定の開始点となるルート（最上位）の階層を示す。「第１階層」は、インデックスの第１階層に属するノード（節点またはグラフ情報中のベクトル）を識別（特定）する情報が格納される。「第１階層」に格納されるノードは、インデックスの根（ルート）に直接結ばれる階層に対応するノードとなる。 The “root hierarchy” indicates a hierarchy of the root (highest level) that is a starting point for determining an origin node using an index. The “first hierarchy” stores information for identifying (specifying) nodes (nodes or vectors in graph information) belonging to the first hierarchy of the index. The node stored in the “first hierarchy” is a node corresponding to the hierarchy directly connected to the root of the index.

「第２階層」は、インデックスの第２階層に属するノード（節点またはグラフ情報中のベクトル）を識別（特定）する情報が格納される。「第２階層」に格納されるノードは、第１階層のノードに結ばれる直下の階層に対応するノードとなる。「第３階層」は、インデックスの第３階層に属するノード（節点またはグラフ情報中のベクトル）を識別（特定）する情報が格納される。「第３階層」に格納されるノードは、第２階層のノードに結ばれる直下の階層に対応するノードとなる。 The “second hierarchy” stores information for identifying (specifying) nodes (nodes or vectors in graph information) belonging to the second hierarchy of the index. The node stored in the “second hierarchy” is a node corresponding to the hierarchy directly below the node of the first hierarchy. The “third hierarchy” stores information for identifying (specifying) a node (a node or a vector in graph information) belonging to the third hierarchy of the index. The node stored in the “third hierarchy” is a node corresponding to the hierarchy directly below the second hierarchy node.

例えば、図５に示す例においては、インデックス情報記憶部１２２には、図１中のインデックス情報ＩＮＤ１１に対応する情報が記憶される。例えば、インデックス情報記憶部１２２は、第１階層のノードが、節点ＶＴ１〜ＶＴ３等であることを示す。また、各節点の下の括弧内の数値は、各節点に対応するベクトルの値を示す。 For example, in the example shown in FIG. 5, the index information storage unit 122 stores information corresponding to the index information IND11 in FIG. For example, the index information storage unit 122 indicates that the first layer nodes are nodes VT1 to VT3 and the like. The numerical value in parentheses below each node indicates a vector value corresponding to each node.

また、例えば、インデックス情報記憶部１２２は、節点ＶＴ２の直下の第２階層のノードが、節点ＶＴ２−１〜ＶＴ２−４であることを示す。また、例えば、インデックス情報記憶部１２２は、節点ＶＴ２−２の直下の第３階層のノードが、ノードＮ３５、ノードＮ４５１、ノードＮ６９３のグラフ情報ＧＲ１１中のノード（ベクトル）であることを示す。 For example, the index information storage unit 122 indicates that the nodes in the second hierarchy immediately below the node VT2 are the nodes VT2-1 to VT2-4. Further, for example, the index information storage unit 122 indicates that the node in the third hierarchy immediately below the node VT2-2 is a node (vector) in the graph information GR11 of the node N35, the node N451, and the node N693.

なお、インデックス情報記憶部１２２は、上記に限らず、目的に応じて種々の情報を記憶してもよい。 The index information storage unit 122 is not limited to the above, and may store various information according to the purpose.

（グラフ情報記憶部１２３）
実施形態に係るグラフ情報記憶部１２３は、グラフ情報に関する各種情報を記憶する。図６は、実施形態に係るグラフ情報記憶部の一例を示す図である。図６の例では、グラフ情報記憶部１２３は、「ノードＩＤ」、「コンテンツＩＤ」、および「エッジ情報」といった項目を有する。また、「エッジ情報」には、「エッジＩＤ」や「参照先」といった情報が含まれる。 (Graph information storage unit 123)
The graph information storage unit 123 according to the embodiment stores various types of information regarding the graph information. FIG. 6 is a diagram illustrating an example of the graph information storage unit according to the embodiment. In the example of FIG. 6, the graph information storage unit 123 includes items such as “node ID”, “content ID”, and “edge information”. The “edge information” includes information such as “edge ID” and “reference destination”.

「ノードＩＤ」は、グラフデータにおける各ノード（コンテンツ）を識別するための識別情報を示す。また、「コンテンツＩＤ」は、コンテンツ（オブジェクト）を識別するための識別情報を示す。 “Node ID” indicates identification information for identifying each node (content) in the graph data. The “content ID” indicates identification information for identifying the content (object).

また、「エッジ情報」は、対応するノードに接続されるエッジに関する情報を示す。図６の例では、「エッジ情報」は、エッジが有向エッジである場合を示し、対応するノードから出力される出力エッジに関する情報を示す。また、「エッジＩＤ」は、ノード間を連結するエッジを識別するための識別情報を示す。また、「参照先」は、エッジにより連結された参照先（ノード）を示す情報を示す。すなわち、図６の例では、ノードを識別するノードＩＤに対して、そのノードに対応するオブジェクト（コンテンツ）を識別する情報やそのノードからの有向エッジ（出力エッジ）が連結される参照先（ノード）が対応付けられて登録されている。 “Edge information” indicates information related to an edge connected to the corresponding node. In the example of FIG. 6, “edge information” indicates a case where the edge is a directed edge, and indicates information regarding an output edge output from the corresponding node. “Edge ID” indicates identification information for identifying an edge connecting nodes. “Reference destination” indicates information indicating a reference destination (node) connected by an edge. That is, in the example of FIG. 6, with respect to a node ID for identifying a node, information for identifying an object (content) corresponding to the node and a reference destination to which a directed edge (output edge) from the node is linked ( Node) is registered in association with each other.

例えば、図６の例では、ノードＩＤ「Ｎ１」により識別されるノード（ベクトル）は、コンテンツＩＤ「ＣＴ１」により識別されるコンテンツ（オブジェクト）に対応することを示す。また、ノードＩＤ「Ｎ１」により識別されるノードからは、エッジＩＤ「Ｅ１１」により識別されるエッジが、ノードＩＤ「Ｎ２５」により識別されるノード（ベクトル）に連結されることを示す。すなわち、図６の例では、ノードＩＤ「Ｎ１」により識別されるノード（ベクトル）からはノードＩＤ「Ｎ２５」により識別されるノード（ベクトル）に辿ることができることを示す。 For example, in the example of FIG. 6, the node (vector) identified by the node ID “N1” corresponds to the content (object) identified by the content ID “CT1”. The node identified by the node ID “N1” indicates that the edge identified by the edge ID “E11” is connected to the node (vector) identified by the node ID “N25”. That is, in the example of FIG. 6, the node (vector) identified by the node ID “N1” can be traced to the node (vector) identified by the node ID “N25”.

なお、グラフ情報記憶部１２３は、上記に限らず、目的に応じて種々の情報を記憶してもよい。例えば、グラフ情報記憶部１２３は、各ノード（ベクトル）間を連結するエッジの長さが記憶されてもよい。すなわち、グラフ情報記憶部１２３は、各ノード（ベクトル）間の距離を示す情報が記憶されてもよい。 The graph information storage unit 123 is not limited to the above, and may store various types of information according to the purpose. For example, the graph information storage unit 123 may store the length of an edge connecting each node (vector). That is, the graph information storage unit 123 may store information indicating the distance between each node (vector).

（モデル情報記憶部１２４）
実施形態に係るモデル情報記憶部１２４は、モデルに関する情報を記憶する。例えば、モデル情報記憶部１２４は、生成処理により生成されたモデル情報（モデルデータ）を記憶する。図７は、実施形態に係るモデル情報記憶部の一例を示す図である。図７に示すモデル情報記憶部１２４は、「モデルＩＤ」、「用途」、「モデルデータ」といった項目が含まれる。なお、図７では、モデルＭ１、Ｍ２のみを図示するが、Ｍ２１、Ｍ２２等、各用途（予測の対象）に応じて多数のモデル情報が記憶されてもよい。 (Model information storage unit 124)
The model information storage unit 124 according to the embodiment stores information about the model. For example, the model information storage unit 124 stores model information (model data) generated by the generation process. FIG. 7 is a diagram illustrating an example of a model information storage unit according to the embodiment. The model information storage unit 124 illustrated in FIG. 7 includes items such as “model ID”, “use”, and “model data”. In FIG. 7, only the models M1 and M2 are illustrated, but a large number of model information such as M21 and M22 may be stored according to each application (target of prediction).

「モデルＩＤ」は、モデルを識別するための識別情報を示す。例えば、モデルＩＤ「Ｍ１」により識別されるモデルは、図１の例に示したモデルＭ１に対応する。「用途」は、対応するモデルの用途を示す。また、「モデルデータ」は、対応付けられた対応するモデルのデータを示す。例えば、「モデルデータ」には、各層におけるノードと、各ノードが採用する関数と、ノードの接続関係と、ノード間の接続に対して設定される接続係数とを含む情報が含まれる。 “Model ID” indicates identification information for identifying a model. For example, the model identified by the model ID “M1” corresponds to the model M1 illustrated in the example of FIG. “Use” indicates the use of the corresponding model. “Model data” indicates data of a corresponding model associated with the model data. For example, “model data” includes information including nodes in each layer, functions adopted by the nodes, connection relationships between the nodes, and connection coefficients set for connections between the nodes.

例えば、図７に示す例において、モデルＩＤ「Ｍ１」により識別されるモデル（モデルＭ１）は、用途が「特徴抽出（アプリ）」であり、入力されたコンテンツ情報からの特徴の抽出に用いられることを示す。また、モデルＭ１のモデルデータは、モデルデータＭＤＴ１であることを示す。 For example, in the example illustrated in FIG. 7, the model (model M1) identified by the model ID “M1” has a usage of “feature extraction (application)” and is used for feature extraction from input content information. It shows that. The model data of the model M1 is model data MDT1.

モデルＭ１（モデルデータＭＤＴ１）は、コンテンツのコンテンツ情報が入力される入力層と、出力層と、入力層から出力層までのいずれかの層であって出力層以外の層に属する第１要素と、第１要素と第１要素の重みとに基づいて値が算出される第２要素と、を含み、入力層に入力されたコンテンツ情報に対し、出力層以外の各層に属する各要素を第１要素として、第１要素と第１要素の重みとに基づく演算を行うことにより、入力層に入力される情報と同様の情報を出力層から出力するよう、コンピュータを機能させるためのモデルである。 The model M1 (model data MDT1) includes an input layer to which content information of content is input, an output layer, and a first element belonging to any layer from the input layer to the output layer other than the output layer A first element and a second element whose value is calculated based on the weight of the first element, and for each content element input to the input layer, each element belonging to each layer other than the output layer is a first This is a model for causing a computer to function so that information similar to information input to the input layer is output from the output layer by performing calculations based on the first element and the weight of the first element as elements.

また、モデルＭ１、Ｍ２等がＤＮＮ（Deep Neural Network）等、１つまたは複数の中間層を有するニューラルネットワークで実現されるとする。この場合、例えば、モデルＭ１、Ｍ２が含む第１要素は、入力層または中間層が有するいずれかのノードに対応する。また、第２要素は、第１要素と対応するノードから値が伝達されるノードである次段のノードに対応する。また、第１要素の重みは、第１要素と対応するノードから第２要素と対応するノードに伝達される値に対して考慮される重みである接続係数に対応する。 Further, it is assumed that the models M1, M2, etc. are realized by a neural network having one or a plurality of intermediate layers, such as DNN (Deep Neural Network). In this case, for example, the first element included in the models M1 and M2 corresponds to any node of the input layer or the intermediate layer. The second element corresponds to the next node, which is a node to which a value is transmitted from the node corresponding to the first element. The weight of the first element corresponds to a connection coefficient that is a weight considered for a value transmitted from a node corresponding to the first element to a node corresponding to the second element.

ここで、モデルＭ２１、Ｍ２２等が「ｙ＝ａ１＊ｘ１＋ａ２＊ｘ２＋・・・＋ａｉ＊ｘｉ」で示す回帰モデルで実現されるとする。この場合、例えば、モデルＭ２１、Ｍ２２が含む第１要素は、ｘ１やｘ２等といった入力データ（ｘｉ）に対応する。また、第１要素の重みは、ｘｉに対応する係数ａｉに対応する。ここで、回帰モデルは、入力層と出力層とを有する単純パーセプトロンと見做すことができる。各モデルを単純パーセプトロンと見做した場合、第１要素は、入力層が有するいずれかのノードに対応し、第２要素は、出力層が有するノードと見做すことができる。 Here, it is assumed that the models M21, M22 and the like are realized by a regression model represented by “y = a1 * x1 + a2 * x2 +... + Ai * xi”. In this case, for example, the first elements included in the models M21 and M22 correspond to input data (xi) such as x1 and x2. The weight of the first element corresponds to the coefficient ai corresponding to xi. Here, the regression model can be regarded as a simple perceptron having an input layer and an output layer. When each model is regarded as a simple perceptron, the first element can correspond to any node of the input layer, and the second element can be regarded as a node of the output layer.

なお、モデル情報記憶部１２４は、上記に限らず、目的に応じて種々のモデル情報を記憶してもよい。 The model information storage unit 124 is not limited to the above, and may store various model information according to the purpose.

（制御部１３０）
図３の説明に戻って、制御部１３０は、コントローラ（controller）であり、例えば、ＣＰＵ（Central Processing Unit）やＭＰＵ（Micro Processing Unit）等によって、情報処理装置１００内部の記憶装置に記憶されている各種プログラム（情報処理プログラムの一例に相当）がＲＡＭを作業領域として実行されることにより実現される。また、制御部１３０は、コントローラであり、例えば、ＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（Field Programmable Gate Array）等の集積回路により実現される。制御部１３０は、モデル情報記憶部１２４に記憶されているモデルＭ１、Ｍ２等に従った情報処理により、コンテンツのコンテンツ情報が入力される入力層と、出力層と、入力層から出力層までのいずれかの層であって出力層以外の層に属する第１要素と、第１要素と第１要素の重みとに基づいて値が算出される第２要素と、を含み、入力層に入力されたコンテンツ情報に対し、出力層以外の各層に属する各要素を第１要素として、第１要素と第１要素の重みとに基づく演算を行うことにより、入力層に入力される情報と同様の情報を出力層から出力する。 (Control unit 130)
Returning to the description of FIG. 3, the control unit 130 is a controller, and is stored in a storage device inside the information processing apparatus 100 by, for example, a CPU (Central Processing Unit) or an MPU (Micro Processing Unit). Various programs (corresponding to an example of an information processing program) are executed by using the RAM as a work area. The control unit 130 is a controller, and is realized by an integrated circuit such as an application specific integrated circuit (ASIC) or a field programmable gate array (FPGA). The control unit 130 performs processing based on the models M1, M2, and the like stored in the model information storage unit 124, the input layer to which content information of content is input, the output layer, and the input layer to the output layer. A first element belonging to any layer other than the output layer, and a second element whose value is calculated based on the first element and the weight of the first element, and is input to the input layer Information similar to the information input to the input layer by performing an operation based on the first element and the weight of the first element, with each element belonging to each layer other than the output layer as the first element Is output from the output layer.

図３に示すように、制御部１３０は、取得部１３１と、生成部１３２と、決定部１３３と、検索部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３に示した構成に限られず、後述する情報処理を行う構成であれば他の構成であってもよい。 As illustrated in FIG. 3, the control unit 130 includes an acquisition unit 131, a generation unit 132, a determination unit 133, a search unit 134, and a provision unit 135. Information processing functions and operations described below Realize or execute. Note that the internal configuration of the control unit 130 is not limited to the configuration illustrated in FIG. 3, and may be another configuration as long as the information processing described below is performed.

（取得部１３１）
取得部１３１は、各種情報を取得する。例えば、取得部１３１は、記憶部１２０から各種情報を取得する。例えば、取得部１３１は、コンテンツ情報記憶部１２１や、インデックス情報記憶部１２２や、グラフ情報記憶部１２３や、モデル情報記憶部１２４等から各種情報を取得する。また、取得部１３１は、各種情報を外部の情報処理装置から取得する。取得部１３１は、端末装置１０や情報提供装置５０から各種情報を取得する。 (Acquisition part 131)
The acquisition unit 131 acquires various types of information. For example, the acquisition unit 131 acquires various types of information from the storage unit 120. For example, the acquisition unit 131 acquires various types of information from the content information storage unit 121, the index information storage unit 122, the graph information storage unit 123, the model information storage unit 124, and the like. The acquisition unit 131 acquires various types of information from an external information processing apparatus. The acquisition unit 131 acquires various types of information from the terminal device 10 and the information providing device 50.

取得部１３１は、複数のコンテンツの各々に対応する複数のノードが、複数のコンテンツの類似性に応じて連結されたグラフ情報と、一のコンテンツに関するコンテンツ情報を取得する。取得部１３１は、複数のコンテンツの各々に対応する複数のベクトルが、複数のコンテンツの類似性に応じて連結されたグラフ情報と、一のコンテンツに関するコンテンツ情報を取得する。取得部１３１は、複数のコンテンツの各々の特徴を示す複数のベクトルが類似性に応じて連結されたグラフ情報を取得する。 The acquisition unit 131 acquires graph information in which a plurality of nodes corresponding to each of a plurality of contents are connected according to the similarity of the plurality of contents, and content information regarding one content. The acquisition unit 131 acquires graph information in which a plurality of vectors corresponding to each of a plurality of contents are connected according to the similarity of the plurality of contents, and content information regarding one content. The acquisition unit 131 acquires graph information in which a plurality of vectors indicating features of a plurality of contents are connected according to similarity.

取得部１３１は、所定のモデルを用いて複数のコンテンツの各々から抽出された特徴量を要素とする複数のベクトルが、類似性に応じて連結されたグラフ情報を取得する。取得部１３１は、複数のコンテンツに関する情報を所定のモデルに入力することにより、抽出される複数のコンテンツの各々の特徴量を要素とする複数のベクトルが、類似性に応じて連結されたグラフ情報を取得する。 The acquisition unit 131 acquires graph information in which a plurality of vectors whose elements are feature amounts extracted from each of a plurality of contents using a predetermined model are connected according to similarity. The acquisition unit 131 inputs information related to a plurality of contents into a predetermined model, and thereby graph information in which a plurality of vectors each having the feature amount of each of the plurality of contents extracted are connected according to similarity. To get.

取得部１３１は、類似コンテンツの流行に関する流行情報を取得する。取得部１３１は、類似コンテンツの流行に関する指標値を示す流行情報を取得する。取得部１３１は、ユーザが利用する端末装置から一のコンテンツに関するコンテンツ情報を取得する。 The acquisition unit 131 acquires trend information regarding the trend of similar content. The acquisition unit 131 acquires trend information indicating an index value related to the trend of similar content. The acquisition unit 131 acquires content information regarding one content from a terminal device used by the user.

例えば、取得部１３１は、データ検索のコンテンツとなる複数のノード（ベクトル）を取得する。例えば、取得部１３１は、複数のノードと、複数のノードの各々を連結する複数の有向エッジを含む有向エッジ群を取得する。 For example, the acquisition unit 131 acquires a plurality of nodes (vectors) serving as data search contents. For example, the acquisition unit 131 acquires a directed edge group including a plurality of nodes and a plurality of directed edges that connect each of the plurality of nodes.

例えば、取得部１３１は、外部の情報処理装置からグラフ情報（グラフデータ）を取得する。例えば、取得部１３１は、グラフ情報記憶部１２３からグラフ情報を取得する。例えば、取得部１３１は、グラフ情報を取得する。図１の例では、取得部１３１は、グラフ情報ＧＲ１１を取得する。 For example, the acquisition unit 131 acquires graph information (graph data) from an external information processing apparatus. For example, the acquisition unit 131 acquires graph information from the graph information storage unit 123. For example, the acquisition unit 131 acquires graph information. In the example of FIG. 1, the acquisition unit 131 acquires graph information GR11.

例えば、取得部１３１は、外部の情報処理装置からインデックス情報（インデックスデータ）を取得する。例えば、取得部１３１は、インデックス情報記憶部１２２からインデックス情報を取得する。例えば、取得部１３１は、木構造型のインデックス情報を取得する。図１の例では、取得部１３１は、インデックス情報ＩＮＤ１１を取得する。 For example, the acquisition unit 131 acquires index information (index data) from an external information processing apparatus. For example, the acquisition unit 131 acquires index information from the index information storage unit 122. For example, the acquisition unit 131 acquires tree structure type index information. In the example of FIG. 1, the acquisition unit 131 acquires index information IND11.

また、取得部１３１は、ユーザが利用する端末装置１０から一のコンテンツに関するコンテンツ情報を取得する。例えば、取得部１３１は、検索クエリとして、一のコンテンツのコンテンツ情報を取得する。例えば、取得部１３１は、コンテンツに関する検索クエリを取得する。取得部１３１は、ユーザＵ１が利用する端末装置１０からコンテンツＸに関するコンテンツ情報ＣＤＴ１１を取得する。 The acquisition unit 131 acquires content information related to one content from the terminal device 10 used by the user. For example, the acquisition unit 131 acquires content information of one content as a search query. For example, the acquisition unit 131 acquires a search query related to content. The acquisition unit 131 acquires content information CDT11 related to the content X from the terminal device 10 used by the user U1.

例えば、取得部１３１は、一のコンテンツに関するコンテンツ情報を取得する。例えば、取得部１３１は、端末装置１０からコンテンツＸに関するコンテンツ情報ＣＤＴ１１を取得する。例えば、取得部１３１は、グラフ情報記憶部１２３からコンテンツに関するグラフ情報ＧＲ１１を取得する。また、例えば、取得部１３１は、インデックス情報記憶部１２２（図５参照）から、グラフ情報ＧＲ１１における検索の起点となるノード（起点ベクトル）の決定に用いるインデックス情報ＩＮＤ１１を取得する。 For example, the acquisition unit 131 acquires content information related to one content. For example, the acquisition unit 131 acquires content information CDT11 related to the content X from the terminal device 10. For example, the acquisition unit 131 acquires graph information GR11 related to content from the graph information storage unit 123. Further, for example, the acquiring unit 131 acquires index information IND11 used for determining a node (starting point vector) serving as a starting point of search in the graph information GR11 from the index information storing unit 122 (see FIG. 5).

図１の例では、取得部１３１は、コンテンツ情報記憶部１２１（図４参照）から類似コンテンツの指標値を取得する。取得部１３１は、類似情報ＳＬＴに示すようなノードＮ４５１（コンテンツ＃４５１）の指標値ＶＬ４５１やノードＮ３５（コンテンツ＃３５）の指標値ＶＬ３５等の情報を取得する。また、取得部１３１は、閾値ＴＨ１１を記憶した記憶部１２０から閾値ＴＨ１１を取得する。 In the example of FIG. 1, the acquisition unit 131 acquires an index value of similar content from the content information storage unit 121 (see FIG. 4). The acquisition unit 131 acquires information such as the index value VL451 of the node N451 (content # 451) and the index value VL35 of the node N35 (content # 35) as shown in the similar information SLT. The acquisition unit 131 acquires the threshold value TH11 from the storage unit 120 that stores the threshold value TH11.

（生成部１３２）
生成部１３２は、各種情報を生成する。例えば、生成部１３２は、コンテンツ情報記憶部１２１に記憶された学習データ（コンテンツ情報）を用いて、モデル情報記憶部１２４に示すようなモデルを生成する。例えば、生成部１３２は、取得部１３１により取得された学習データに基づいて、入力したコンテンツ情報と同様の情報を出力するモデル（オートエンコーダ）を生成する。例えば、生成部１３２は、入力するコンテンツ情報自体を正解情報として、入力したコンテンツ情報と同様の情報を出力するモデル（オートエンコーダ）を生成する。 (Generator 132)
The generation unit 132 generates various types of information. For example, the generation unit 132 uses the learning data (content information) stored in the content information storage unit 121 to generate a model as shown in the model information storage unit 124. For example, the generation unit 132 generates a model (auto encoder) that outputs information similar to the input content information, based on the learning data acquired by the acquisition unit 131. For example, the generation unit 132 generates a model (auto encoder) that outputs the same information as the input content information using the input content information itself as correct information.

例えば、生成部１３２は、モデルＭ１等を生成し、生成したモデルＭ１等をモデル情報記憶部１２４に格納する。なお、生成部１３２は、いかなる学習アルゴリズムを用いてモデルＭ１を生成してもよい。例えば、生成部１３２は、ニューラルネットワーク（neural network）等の学習アルゴリズムを用いてモデルＭ１を生成する。一例として、生成部１３２がニューラルネットワークを用いてモデルＭ１等を生成する場合、モデルＭ１等は、一以上のニューロンを含む入力層と、一以上のニューロンを含む中間層と、一以上のニューロンを含む出力層とを有する。 For example, the generation unit 132 generates a model M1 and the like, and stores the generated model M1 and the like in the model information storage unit 124. Note that the generation unit 132 may generate the model M1 using any learning algorithm. For example, the generation unit 132 generates the model M1 using a learning algorithm such as a neural network. As an example, when the generation unit 132 generates a model M1 or the like using a neural network, the model M1 or the like includes an input layer including one or more neurons, an intermediate layer including one or more neurons, and one or more neurons. Including an output layer.

生成部１３２は、コンテンツのコンテンツ情報が入力される入力層と、出力層と、入力層から出力層までのいずれかの層であって出力層以外の層に属する第１要素と、第１要素と第１要素の重みとに基づいて値が算出される第２要素と、を含み、入力層に入力されたコンテンツ情報に対し、出力層以外の各層に属する各要素を第１要素として、第１要素と第１要素の重みとに基づく演算を行うことにより、入力層に入力される情報と同様の情報を出力層から出力するモデルを生成する。 The generation unit 132 includes an input layer to which content information of content is input, an output layer, a first element belonging to any layer from the input layer to the output layer other than the output layer, and a first element And a second element whose value is calculated on the basis of the weight of the first element. With respect to the content information input to the input layer, each element belonging to each layer other than the output layer is defined as a first element. By performing an operation based on the weight of one element and the first element, a model that outputs information similar to information input to the input layer from the output layer is generated.

例えば、生成部１３２は、学習データに基づいてモデルを生成する。例えば、生成部１３２は、コンテンツ情報記憶部１２１中のコンテンツ情報ＣＤＴ１、ＣＤＴ２等を学習データ（教師データ）として、学習を行なうことにより、モデルを生成する。 For example, the generation unit 132 generates a model based on the learning data. For example, the generation unit 132 generates a model by performing learning using the content information CDT1, CDT2, and the like in the content information storage unit 121 as learning data (teacher data).

例えば、生成部１３２は、コンテンツ情報ＣＤＴ１が入力された場合に、モデルＭ１がコンテンツ情報ＣＤＴ１と同様の情報を出力するように、学習処理を行う。例えば、生成部１３２は、コンテンツ情報ＣＤＴ２が入力された場合に、モデルＭ１がコンテンツ情報ＣＤＴ２と同様の情報を出力するように、学習処理を行う。 For example, when the content information CDT1 is input, the generation unit 132 performs a learning process so that the model M1 outputs the same information as the content information CDT1. For example, when the content information CDT2 is input, the generation unit 132 performs a learning process so that the model M1 outputs the same information as the content information CDT2.

なお、生成部１３２は、オートエンコーダとしてのモデルＭ１に限らず、種々の学習アルゴリズムを用いてコンテンツ（入館）に対応するモデルＭ２１やコンテンツ（入国）に対応するモデルＭ２２等を生成してもよい。例えば、生成部１３２は、ニューラルネットワーク（neural network）、サポートベクターマシン（ＳＶＭ）、クラスタリング、強化学習等の学習アルゴリズムを用いてモデルＭ２１、Ｍ２２等を生成する。一例として、生成部１３２がニューラルネットワークを用いてモデルＭ２１、Ｍ２２等を生成する場合、モデルＭ２１、Ｍ２２等は、一以上のニューロンを含む入力層と、一以上のニューロンを含む中間層と、一以上のニューロンを含む出力層とを有する。なお、情報処理装置１００は、情報提供装置５０等の他の外部装置からモデルを取得する場合、生成部１３２を有しなくてもよい。 The generation unit 132 is not limited to the model M1 as an auto encoder, and may generate a model M21 corresponding to content (entrance), a model M22 corresponding to content (entrance), and the like using various learning algorithms. . For example, the generation unit 132 generates models M21, M22, and the like using a learning algorithm such as a neural network, a support vector machine (SVM), clustering, and reinforcement learning. As an example, when the generation unit 132 generates models M21, M22, and the like using a neural network, the models M21, M22, and the like include an input layer including one or more neurons, an intermediate layer including one or more neurons, and one And an output layer including the above neurons. Note that the information processing apparatus 100 may not include the generation unit 132 when acquiring a model from another external apparatus such as the information providing apparatus 50.

図１の例では、生成部１３２は、コンテンツ情報の特徴を抽出するモデルを用いて各コンテンツのコンテンツ情報からＮ次元ベクトルを生成する。生成部１３２は、モデル情報記憶部１２４（図７）に示すモデルＭ１を用いて、各コンテンツのコンテンツ情報からベクトルを生成する。 In the example of FIG. 1, the generation unit 132 generates an N-dimensional vector from the content information of each content using a model that extracts the feature of the content information. The generation unit 132 generates a vector from the content information of each content using the model M1 shown in the model information storage unit 124 (FIG. 7).

また、生成部１３２は、一のコンテンツに対応するコンテンツ情報からグラフ情報の探索に用いるベクトルを生成する。図１の例では、生成部１３２は、処理群ＰＳ１１に示すような処理により、コンテンツＸに対応するベクトルを生成する。生成部１３２は、コンテンツＸに関するコンテンツ情報ＣＤＴ１１をモデルＭ１に入力する。具体的には、生成部１３２は、コンテンツＸのジャンル（カテゴリー）や内容等の情報を含むコンテンツ情報ＣＤＴ１１をモデルＭ１に入力する。そして、生成部１３２は、コンテンツ情報ＣＤＴ１１の入力後のモデルＭ１中の情報を用いて、ベクトルを生成する。例えば、生成部１３２は、コンテンツ情報ＣＤＴ１１が入力されたモデルＭ１中の各要素を用いて、ベクトルデータを生成する。 Further, the generation unit 132 generates a vector used for searching for graph information from the content information corresponding to one content. In the example of FIG. 1, the generation unit 132 generates a vector corresponding to the content X by processing as shown in the processing group PS11. The generation unit 132 inputs content information CDT11 related to the content X into the model M1. Specifically, the generation unit 132 inputs content information CDT11 including information such as the genre (category) and content of the content X to the model M1. Then, the generation unit 132 generates a vector using information in the model M1 after the input of the content information CDT11. For example, the generation unit 132 generates vector data using each element in the model M1 to which the content information CDT11 is input.

図１の例では、生成部１３２は、コンテンツ情報ＣＤＴ１１が入力されたモデルＭ１中の各要素の値を用いて、ベクトルＶＤ１１を生成する。例えば、生成部１３２は、コンテンツＸのコンテンツ情報ＣＤＴ１１が入力された場合における、モデルＭ１のニューロンＮＬ１に対応する値ＶＥ１（図１０参照）やニューロンＮＬ２に対応する値ＶＥ２（図１０参照）を用いて、ベクトルを生成する。例えば、生成部１３２は、コンテンツＸのコンテンツ情報ＣＤＴ１１が入力された場合に、算出されるニューロンＮＬ１に対応する値ＶＥ１をベクトルＶＤ１１の１次元目の要素として抽出してもよい。また、例えば、生成部１３２は、コンテンツのコンテンツ情報が入力された場合に、算出されるニューロンＮＬ２に対応する値ＶＥ２をベクトルＶＤ１１の２次元目の要素として、ベクトルＶＤ１１を生成する。図１の例では、生成部１３２は、１次元目の要素が「３５」であり、２次元目の要素が「６３」であるようなベクトルＶＤ１１を生成する。 In the example of FIG. 1, the generation unit 132 generates a vector VD11 using the value of each element in the model M1 to which the content information CDT11 is input. For example, the generation unit 132 uses the value VE1 (see FIG. 10) corresponding to the neuron NL1 of the model M1 and the value VE2 (see FIG. 10) corresponding to the neuron NL2 when the content information CDT11 of the content X is input. To generate a vector. For example, when the content information CDT11 of content X is input, the generation unit 132 may extract the value VE1 corresponding to the calculated neuron NL1 as the first dimension element of the vector VD11. For example, when content information of content is input, the generation unit 132 generates the vector VD11 using the value VE2 corresponding to the calculated neuron NL2 as the second-dimensional element of the vector VD11. In the example of FIG. 1, the generation unit 132 generates a vector VD11 in which the first dimension element is “35” and the second dimension element is “63”.

（決定部１３３）
決定部１３３は、各種情報を決定する。決定部１３３は、起点ノードの決定に用いるインデックス情報に基づいて、起点ノードを決定する。例えば、決定部１３３は、取得部１３１により取得されたコンテンツ情報と、グラフ情報の検索の起点となる起点ベクトルに関する情報とに基づいて、起点ベクトルを決定する。例えば、決定部１３３は、コンテンツ情報と、グラフ情報の検索の起点ベクトルの決定の基準となる情報とに基づいて、起点ベクトルを決定する。また、決定部１３３は、起点ベクトルの決定に用いるインデックス情報に基づいて、起点ベクトルを決定する。また、決定部１３３は、木構造型のインデックス情報に基づいて、起点ベクトルを決定する。 (Determining unit 133)
The determination unit 133 determines various types of information. The determining unit 133 determines the starting node based on the index information used for determining the starting node. For example, the determination unit 133 determines the starting point vector based on the content information acquired by the acquiring unit 131 and information on the starting point vector that is the starting point of the graph information search. For example, the determination unit 133 determines the starting point vector based on the content information and information that serves as a reference for determining the starting point vector of the graph information search. Further, the determination unit 133 determines a starting point vector based on the index information used for determining the starting point vector. Also, the determination unit 133 determines a starting point vector based on the tree structure type index information.

図１の例では、決定部１３３は、一のコンテンツ（クエリ）に対応する起点ベクトルを決定（特定）するために、インデックス情報ＩＮＤ１１を用いる。例えば、決定部１３３は、コンテンツＸのベクトルＶＤ１１に対応する起点ベクトルを決定（特定）するために、インデックス情報ＩＮＤ１１を用いる。決定部１３３は、ベクトルＶＤ１１とインデックス情報ＩＮＤ１１とを用いて、グラフ情報ＧＲ１１における起点ベクトルを決定する。 In the example of FIG. 1, the determination unit 133 uses the index information IND11 to determine (specify) the starting point vector corresponding to one content (query). For example, the determination unit 133 uses the index information IND11 in order to determine (specify) the starting point vector corresponding to the vector VD11 of the content X. The determination unit 133 determines a starting point vector in the graph information GR11 using the vector VD11 and the index information IND11.

例えば、決定部１３３は、図１中のインデックス情報ＩＮＤ１１に示すような木構造型のインデックス情報を用いて、グラフ情報ＧＲ１１における起点ベクトルを決定する。図１の例では、決定部１３３は、ベクトルＶＤ１１を生成した後、インデックス情報ＩＮＤ１１を上から下へ辿ることにより、インデックス情報ＩＮＤ１１の近傍候補となる起点ベクトルを特定することにより、効率的に検索クエリ（一のコンテンツ）に対応する起点ベクトルを決定する。 For example, the determination unit 133 determines a starting vector in the graph information GR11 using tree structure type index information as indicated by the index information IND11 in FIG. In the example of FIG. 1, after the determination unit 133 generates the vector VD11, the determination unit 133 traces the index information IND11 from the top to the bottom, thereby specifying the starting point vector that is a neighborhood candidate of the index information IND11, thereby efficiently searching. A starting vector corresponding to the query (one content) is determined.

例えば、決定部１３３は、インデックス情報ＩＮＤ１１をルートＲＴからリーフノード（グラフ情報ＧＲ１１中のノード（ベクトル））まで辿ることにより、ベクトルＶＤ１１に対応する起点ベクトルを決定する。図１の例では、決定部１３３は、インデックス情報ＩＮＤ１１をルートＲＴからノードＮ４５１まで辿ることにより、ノードＮ４５１を起点ベクトルとして決定する。 For example, the determination unit 133 determines the starting vector corresponding to the vector VD11 by tracing the index information IND11 from the root RT to the leaf node (the node (vector) in the graph information GR11). In the example of FIG. 1, the determination unit 133 determines the node N451 as a starting vector by tracing the index information IND11 from the route RT to the node N451.

決定部１３３は、判定に用いる指標値（判定用指標値）を決定する。図１の例では、決定部１３３は、類似情報ＳＬＴに示すようなノードＮ４５１（コンテンツ＃４５１）の指標値ＶＬ４５１やノードＮ３５（コンテンツ＃３５）の指標値ＶＬ３５等の情報に基づいて、判定用指標値を決定する。 The determination unit 133 determines an index value (determination index value) used for determination. In the example of FIG. 1, the determination unit 133 uses the information such as the index value VL451 of the node N451 (content # 451) and the index value VL35 of the node N35 (content # 35) as shown in the similar information SLT. Determine the index value.

図１の例では、決定部１３３は、類似情報ＳＬＴに含まれる類似コンテンツの指標値の平均を判定用指標値として決定する。決定部１３３は、類似コンテンツの指標値の平均を判定用指標値として決定する。決定部１３３は、類似情報ＳＬＴに含まれるコンテンツ＃４５の指標値ＶＬ４５１やコンテンツ＃３５の指標値ＶＬ３５の平均を判定用指標値として決定する。この場合、決定部１３３は、コンテンツ＃４５の指標値ＶＬ４５１やコンテンツ＃３５の指標値ＶＬ３５を加算することにより、類似コンテンツの指標値の合計値を算出する。そして、決定部１３３は、類似コンテンツの指標値の合計値を、類似コンテンツ数で除することにより、判定用指標値を算出する。例えば、決定部１３３は、類似コンテンツがコンテンツ＃４５とコンテンツ＃３５との2つである場合、指標値ＶＬ４５１と指標値ＶＬ３５とを加算した合計値を類似コンテンツの数「２」で除することにより、判定用指標値を算出する。図１の例では、決定部１３３は、判定用情報ＶＬＴに示すように、判定用指標値ＤＶＬ１１を決定する。 In the example of FIG. 1, the determination unit 133 determines an average of index values of similar content included in the similar information SLT as a determination index value. The determination unit 133 determines the average of the index values of similar contents as the determination index value. The determination unit 133 determines the average of the index value VL451 of the content # 45 and the index value VL35 of the content # 35 included in the similar information SLT as the determination index value. In this case, the determination unit 133 calculates the total value of the index values of similar contents by adding the index value VL451 of the content # 45 and the index value VL35 of the content # 35. Then, the determination unit 133 calculates a determination index value by dividing the total value of index values of similar contents by the number of similar contents. For example, when there are two similar contents, content # 45 and content # 35, the determination unit 133 divides the total value obtained by adding the index value VL451 and the index value VL35 by the number of similar contents “2”. Thus, a determination index value is calculated. In the example of FIG. 1, the determination unit 133 determines the determination index value DVL11 as shown in the determination information VLT.

決定部１３３は、類似情報ＳＬＴに含まれる類似コンテンツの指標値に基づけばどのような指標値を判定用指標値として決定してもよい。例えば、決定部１３３は、類似情報ＳＬＴのうち、最も高い指標値を判定用指標値として決定してもよい。例えば、決定部１３３は、類似情報ＳＬＴのうち、最も低い指標値を判定用指標値として決定してもよい。例えば、決定部１３３は、類似情報ＳＬＴのうち、最もコンテンツＸに類似するコンテンツの指標値を判定用指標値として決定してもよい。 The determination unit 133 may determine any index value as the determination index value based on the index value of the similar content included in the similar information SLT. For example, the determination unit 133 may determine the highest index value among the similar information SLT as the determination index value. For example, the determination unit 133 may determine the lowest index value among the similar information SLT as the determination index value. For example, the determination unit 133 may determine the index value of the content most similar to the content X among the similar information SLT as the determination index value.

（検索部１３４）
検索部１３４は、各種情報を検索する。例えば、検索部１３４は、取得部１３１により取得された情報を用いて、各種情報を検索する。例えば、検索部１３４は、各種情報を抽出する。例えば、検索部１３４は、取得部１３１により取得された情報を用いて、各種情報を抽出する。例えば、検索部１３４は、各種判定処理を行う。例えば、検索部１３４は、取得部１３１により取得された情報を用いて、各種情報を判定する。例えば、検索部１３４は、記憶部１２０に記憶された各種情報を検索する。例えば、取得部１３１は、コンテンツ情報記憶部１２１や、インデックス情報記憶部１２２や、グラフ情報記憶部１２３や、モデル情報記憶部１２４等に記憶された各種情報を検索する。例えば、検索部１３４は、各種情報を用いて算出処理を行う。例えば、検索部１３４は、ベクトルに関する情報を用いて、ベクトル間の距離を算出する。例えば、検索部１３４は、グラフ情報記憶部１２３に記憶された各ノード（ベクトル）間を連結するエッジの長さ（距離）の情報を用いてもよいし、各ノードのベクトル情報から各ノード（ベクトル）間を連結するエッジの長さ（距離）の情報を算出し、算出した長さ（距離）の情報を用いてもよい。 (Search unit 134)
The search unit 134 searches various information. For example, the search unit 134 searches for various types of information using the information acquired by the acquisition unit 131. For example, the search unit 134 extracts various information. For example, the search unit 134 extracts various types of information using the information acquired by the acquisition unit 131. For example, the search unit 134 performs various determination processes. For example, the search unit 134 determines various types of information using the information acquired by the acquisition unit 131. For example, the search unit 134 searches for various information stored in the storage unit 120. For example, the acquisition unit 131 searches for various information stored in the content information storage unit 121, the index information storage unit 122, the graph information storage unit 123, the model information storage unit 124, and the like. For example, the search unit 134 performs calculation processing using various types of information. For example, the search unit 134 calculates the distance between vectors using information about vectors. For example, the search unit 134 may use information on the length (distance) of the edges connecting the nodes (vectors) stored in the graph information storage unit 123, or may calculate each node ( Information on the length (distance) of the edges connecting the vectors) may be calculated, and the information on the calculated length (distance) may be used.

検索部１３４は、取得部１３１により取得されたグラフ情報の複数のノードのうち、所定の基準に基づいて決定されたグラフ情報の検索の起点となる起点ノードを起点として、グラフ情報を検索することにより、複数のコンテンツのうち、一のコンテンツと類似するコンテンツである類似コンテンツを抽出する。検索部１３４は、決定部１３３により決定された起点ノードを起点として、類似コンテンツを抽出する。 The search unit 134 searches for graph information starting from a starting node that is a starting point for searching for graph information determined based on a predetermined criterion among a plurality of nodes of the graph information acquired by the acquiring unit 131. Thus, similar content that is content similar to one content is extracted from the plurality of contents. The search unit 134 extracts similar content using the starting node determined by the determining unit 133 as a starting point.

検索部１３４は、取得部１３１により取得された流行情報に基づいて、一のコンテンツが流行するかどうかを判定する。検索部１３４は、類似コンテンツの指標値が所定の基準を満たす場合、一のコンテンツを流行する可能性がある流行コンテンツであると判定する。検索部１３４は、類似コンテンツの指標値と所定の閾値とを比較し、類似コンテンツの指標値が所定の閾値以上である場合、一のコンテンツを流行コンテンツであると判定する。 The search unit 134 determines whether one content is popular based on the trend information acquired by the acquisition unit 131. When the index value of the similar content satisfies a predetermined criterion, the search unit 134 determines that the content is trendy content that may be trendy. The search unit 134 compares the index value of the similar content with a predetermined threshold, and determines that the one content is trendy content when the index value of the similar content is equal to or greater than the predetermined threshold.

検索部１３４は、取得部１３１により取得されたグラフ情報の複数のベクトルのうち、所定の基準に基づいて決定されたグラフ情報の検索の起点となる起点ベクトルを起点としてグラフ情報を検索することにより、複数のコンテンツのうち、一のコンテンツに類似するコンテンツである類似コンテンツを抽出する。検索部１３４は、各種情報を抽出する。例えば、検索部１３４は、決定部１３３により決定された起点ベクトルを起点としてグラフ情報を検索することにより、複数のコンテンツのうち、一のコンテンツに類似するコンテンツである類似コンテンツを抽出する。 The search unit 134 searches the graph information using a starting point vector as a starting point for searching for the graph information determined based on a predetermined criterion among a plurality of vectors of the graph information acquired by the acquiring unit 131. The similar content that is similar to the one content is extracted from the plurality of contents. The search unit 134 extracts various information. For example, the search unit 134 searches the graph information using the starting point vector determined by the determining unit 133 as a starting point, and thereby extracts similar content that is similar to one content from among the plurality of contents.

検索部１３４は、取得部１３１により取得されたグラフ情報の複数のノードのうち、所定の基準に基づいて決定されたグラフ情報の検索の起点となる起点ノードを起点として、グラフ情報を検索することにより、一のコンテンツが複数のコンテンツに含まれるかどうかを判定する。検索部１３４は、決定部１３３により決定された起点ノードを起点として、一のコンテンツが複数のコンテンツに含まれるかどうかを判定する。 The search unit 134 searches for graph information starting from a starting node that is a starting point for searching for graph information determined based on a predetermined criterion among a plurality of nodes of the graph information acquired by the acquiring unit 131. Thus, it is determined whether one content is included in a plurality of contents. The search unit 134 determines whether one content is included in a plurality of contents, starting from the starting node determined by the determining unit 133.

図１の例では、検索部１３４は、コンテンツＸに類似するコンテンツを検索する。例えば、検索部１３４は、グラフ情報ＧＲ１１を検索することにより、コンテンツＸの類似コンテンツを抽出する。検索部１３４は、ノードＮ４５１の近傍に位置するノードを類似コンテンツとして抽出する。例えば、検索部１３４は、ノードＮ４５１からの距離が近いノードを類似コンテンツとして抽出する。例えば、検索部１３４は、ノードＮ４５１を起点として、エッジを辿ることにより、ノードＮ４５１から到達可能なノードを類似コンテンツとして抽出する。例えば、検索部１３４は、所定数（例えば、２個や１０個等）のノードを類似コンテンツとして抽出する。例えば、検索部１３４は、図１１に示すような検索処理により、コンテンツＸの類似コンテンツを抽出する。図１の例では、検索部１３４は、ノードＮ４５１を起点として、グラフ情報ＧＲ１１を探索することにより、ノードＮ４５１やノードＮ３５を類似コンテンツとして抽出する。 In the example of FIG. 1, the search unit 134 searches for content similar to the content X. For example, the search unit 134 extracts similar content of the content X by searching the graph information GR11. The search unit 134 extracts nodes located in the vicinity of the node N451 as similar contents. For example, the search unit 134 extracts nodes that are close to the node N451 as similar content. For example, the search unit 134 extracts nodes that can be reached from the node N451 as similar contents by tracing the edges starting from the node N451. For example, the search unit 134 extracts a predetermined number (for example, 2 or 10) of nodes as similar contents. For example, the search unit 134 extracts similar content of the content X by a search process as shown in FIG. In the example of FIG. 1, the search unit 134 extracts the node N451 and the node N35 as similar contents by searching the graph information GR11 starting from the node N451.

図１の例では、検索部１３４は、判定用指標値を用いて判定処理を行う。検索部１３４は、決定部１３３により決定された判定用指標値を用いて判定処理を行う。例えば、検索部１３４は、判定用指標値と所定の閾値との比較により、コンテンツＸが流行するかどうかを判定する。例えば、検索部１３４は、判定用指標値が所定の閾値以上である場合、コンテンツＸが流行すると判定する。例えば、検索部１３４は、判定用指標値が所定の閾値未満である場合、コンテンツＸが流行しないと判定する。 In the example of FIG. 1, the search unit 134 performs a determination process using the determination index value. The search unit 134 performs determination processing using the determination index value determined by the determination unit 133. For example, the search unit 134 determines whether the content X is popular by comparing the determination index value with a predetermined threshold value. For example, the search unit 134 determines that the content X is popular when the determination index value is equal to or greater than a predetermined threshold. For example, the search unit 134 determines that the content X is not popular when the determination index value is less than a predetermined threshold.

図１の例では、検索部１３４は、判定用指標値ＤＶＬ１１と所定の閾値ＴＨ１１とを比較し、判定用指標値ＤＶＬ１１が所定の閾値ＴＨ１１以上であると判定する。この場合、検索部１３４は、判定用指標値ＤＶＬ１１が所定の閾値ＴＨ１１以上であるという基準を満たすため、流行判定結果ＤＲＳに示すように、コンテンツＸが流行すると判定する。例えば、検索部１３４は、判定用指標値ＤＶＬ１１が所定の閾値ＴＨ１１未満であると判定した場合、コンテンツＸが流行しないと判定する。 In the example of FIG. 1, the search unit 134 compares the determination index value DVL11 with a predetermined threshold value TH11, and determines that the determination index value DVL11 is equal to or greater than the predetermined threshold value TH11. In this case, the search unit 134 determines that the content X is popular, as indicated by the trend determination result DRS, in order to satisfy the criterion that the determination index value DVL11 is equal to or greater than the predetermined threshold value TH11. For example, the search unit 134 determines that the content X is not popular when it is determined that the determination index value DVL11 is less than the predetermined threshold value TH11.

（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に各種情報を送信する。例えば、提供部１３５は、端末装置１０や情報提供装置５０に各種情報を配信する。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、検索部１３４により抽出された類似コンテンツに基づいて、所定のサービスを提供する。また、提供部１３５は、類似コンテンツに関する情報提供サービスを提供する。提供部１３５は、端末装置１０に類似コンテンツに関する情報を提供する。 (Providing unit 135)
The providing unit 135 provides various types of information. For example, the providing unit 135 transmits various types of information to the terminal device 10 and the information providing device 50. For example, the providing unit 135 distributes various types of information to the terminal device 10 and the information providing device 50. For example, the providing unit 135 provides various types of information to the terminal device 10 and the information providing device 50. The providing unit 135 provides a predetermined service based on the similar content extracted by the search unit 134. The providing unit 135 provides an information providing service related to similar content. The providing unit 135 provides information related to similar content to the terminal device 10.

提供部１３５は、検索部１３４により抽出された類似コンテンツに基づいて、所定のサービスを提供する。提供部１３５は、端末装置１０に所定のサービスを提供する。提供部１３５は、類似コンテンツに関する情報提供サービスを提供する。 The providing unit 135 provides a predetermined service based on the similar content extracted by the search unit 134. The providing unit 135 provides a predetermined service to the terminal device 10. The providing unit 135 provides an information providing service regarding similar content.

例えば、提供部１３５は、クエリに対応するオブジェクトＩＤを検索結果として提供する。例えば、提供部１３５は、検索部１３４により選択されたオブジェクトＩＤを情報提供装置５０へ提供する。提供部１３５は、検索部１３４により選択されたオブジェクトＩＤをクエリに対応するベクトルを示す情報として情報提供装置５０に提供する。また、提供部１３５は、生成部１３２により生成されたモデルを外部の情報処理装置へ提供してもよい。 For example, the providing unit 135 provides an object ID corresponding to the query as a search result. For example, the providing unit 135 provides the object ID selected by the search unit 134 to the information providing apparatus 50. The providing unit 135 provides the information providing apparatus 50 with the object ID selected by the search unit 134 as information indicating a vector corresponding to the query. The providing unit 135 may provide the model generated by the generating unit 132 to an external information processing apparatus.

例えば、提供部１３５は、判定結果に基づいてサービスを提供する。図１の例では、提供部１３５は、コンテンツＸが流行する可能性があるコンテンツ（流行コンテンツ）であることを示す情報（流行判定情報）を端末装置１０に提供する。例えば、提供部１３５は、コンテンツＸが流行コンテンツであることを示す流行判定情報を端末装置１０に送信する。例えば、提供部１３５は、コンテンツＸが流行しない可能性が高いことを示す流行判定情報を端末装置１０に送信する。 For example, the providing unit 135 provides a service based on the determination result. In the example of FIG. 1, the providing unit 135 provides the terminal device 10 with information (trend determination information) indicating that the content X is content (trend content) that is likely to be trendy. For example, the providing unit 135 transmits trend determination information indicating that the content X is trendy content to the terminal device 10. For example, the providing unit 135 transmits the trend determination information indicating that there is a high possibility that the content X is not trendy to the terminal device 10.

〔４．情報処理のフロー〕
次に、図８を用いて、実施形態に係る情報処理システム１による情報処理の手順について説明する。図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。 [4. Information processing flow)
Next, the procedure of information processing by the information processing system 1 according to the embodiment will be described with reference to FIG. FIG. 8 is a flowchart illustrating an example of information processing according to the embodiment.

図８に示すように、情報処理装置１００は、一のコンテンツに関するコンテンツ情報を取得する（ステップＳ１０１）。図１の例では、情報処理装置１００は、端末装置１０からコンテンツＸに関するコンテンツ情報ＣＤＴ１１を取得する。 As illustrated in FIG. 8, the information processing apparatus 100 acquires content information regarding one content (step S101). In the example of FIG. 1, the information processing apparatus 100 acquires content information CDT 11 related to the content X from the terminal device 10.

情報処理装置１００は、複数のコンテンツに関するグラフ情報を取得する（ステップＳ１０２）。例えば、情報処理装置１００は、グラフ情報記憶部１２３からコンテンツに関するグラフ情報ＧＲ１１を取得する。 The information processing apparatus 100 acquires graph information regarding a plurality of contents (step S102). For example, the information processing apparatus 100 acquires graph information GR11 related to content from the graph information storage unit 123.

そして、情報処理装置１００は、モデルを用いて一のコンテンツに関するコンテンツ情報からベクトルを生成する（ステップＳ１０３）。図１の例では、情報処理装置１００は、モデル情報記憶部１２４に記憶されたモデルＭ１を用いて、コンテンツ情報ＣＤＴ１１からベクトルＶＤ１１を生成する。 Then, the information processing apparatus 100 generates a vector from the content information regarding one content using the model (step S103). In the example of FIG. 1, the information processing apparatus 100 generates a vector VD11 from the content information CDT11 using the model M1 stored in the model information storage unit 124.

そして、情報処理装置１００は、生成したベクトルとインデックス情報を用いて起点ベクトルを決定する（ステップＳ１０４）。図１の例では、情報処理装置１００は、ベクトルＶＤ１１と、インデックス情報記憶部１２２に記憶されたインデックス情報ＩＮＤ１１とを用いて、起点ベクトルをノードＮ４５１に決定する。 Then, the information processing apparatus 100 determines a starting point vector using the generated vector and index information (step S104). In the example of FIG. 1, the information processing apparatus 100 determines the starting vector as the node N451 using the vector VD11 and the index information IND11 stored in the index information storage unit 122.

そして、情報処理装置１００は、グラフ情報を検索することにより、一のコンテンツと類似する類似コンテンツを抽出する（ステップＳ１０５）。例えば、情報処理装置１００は、グラフ情報を検索することにより、一のコンテンツと類似するコンテンツを類似コンテンツとして抽出する。 Then, the information processing apparatus 100 extracts similar content similar to the one content by searching for graph information (step S105). For example, the information processing apparatus 100 extracts content similar to one content as similar content by searching for graph information.

そして、情報処理装置１００は、類似コンテンツに基づいてサービスを提供する（ステップＳ１０６）。図１の例では、情報処理装置１００は、類似コンテンツとして抽出されたコンテンツ＃４５１やコンテンツ＃３５の情報に基づいて、コンテンツＸが流行するかどうかの判定結果を示す情報提供サービスを行う。 Then, the information processing apparatus 100 provides a service based on similar content (step S106). In the example of FIG. 1, the information processing apparatus 100 performs an information providing service indicating a determination result as to whether or not the content X is prevalent based on the information of the content # 451 and the content # 35 extracted as similar content.

〔５．生成処理のフロー〕
次に、図９を用いて、実施形態に係る情報処理システム１による生成処理の手順について説明する。図９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。 [5. Generation process flow)
Next, a generation process procedure performed by the information processing system 1 according to the embodiment will be described with reference to FIG. FIG. 9 is a flowchart illustrating an example of the generation process according to the embodiment.

図９に示すように、情報処理装置１００は、学習データを取得する（ステップＳ２０１）。例えば、情報処理装置１００は、コンテンツ情報記憶部１２１から学習データを取得する。例えば、情報処理装置１００は、コンテンツ情報記憶部１２１からコンテンツ情報ＣＤＴ１、ＣＤＴ２等を学習データとして取得する。 As shown in FIG. 9, the information processing apparatus 100 acquires learning data (step S201). For example, the information processing apparatus 100 acquires learning data from the content information storage unit 121. For example, the information processing apparatus 100 acquires content information CDT1, CDT2, and the like from the content information storage unit 121 as learning data.

その後、情報処理装置１００は、学習データに基づきモデルを生成する（ステップＳ２０２）。例えば、情報処理装置１００は、コンテンツ情報記憶部１２１から学習データを用いてモデルＭ１を生成する。例えば、情報処理装置１００は、入力層に入力される情報（コンテンツ情報）と同様の情報（コンテンツ情報）を出力層から出力するようにモデルＭ１を生成する。例えば、情報処理装置１００は、コンテンツのコンテンツ情報を入力とするオートエンコーダとしてのモデルＭ１を生成する。 Thereafter, the information processing apparatus 100 generates a model based on the learning data (step S202). For example, the information processing apparatus 100 generates a model M1 using learning data from the content information storage unit 121. For example, the information processing apparatus 100 generates the model M1 so that information (content information) similar to information (content information) input to the input layer is output from the output layer. For example, the information processing apparatus 100 generates a model M1 as an auto encoder that receives content information of content.

〔６．検索例〕
ここで、上述したグラフ情報を用いた検索の一例を示す。なお、グラフ情報（グラフデータ）を用いた検索は下記に限らず、種々の手順により行われてもよい。この点について、図１１を一例として説明する。図１１は、グラフデータ（グラフ情報）を用いた検索処理の一例を示すフローチャートである。以下に説明する検索処理は、例えば情報処理装置１００の検索部１３４によって行われる。また、以下でいうオブジェクトは、ベクトルやノードと読み替えてもよい。なお、以下では、情報処理装置１００が検索処理を行うものとして説明するが、検索処理は他の装置により行われてもよい。例えば、情報処理装置１００は、検索クエリとして、一のコンテンツのコンテンツ情報から生成されたベクトルデータを用いる。例えば、情報処理装置１００は、一のコンテンツのコンテンツ情報から生成されたベクトルデータとインデックス情報とに基づいて決定された起点ベクトルを起点としてグラフデータを検索する。図１の例では、情報処理装置１００は、コンテンツＸのベクトルＶＤ１１とインデックス情報ＩＮＤ１１とに基づいて決定された起点ベクトルであるノードＮ４５１を起点としてグラフ情報ＧＲ１１を検索する。 [6. Search example)
Here, an example of the search using the graph information described above is shown. The search using the graph information (graph data) is not limited to the following, and may be performed by various procedures. This point will be described using FIG. 11 as an example. FIG. 11 is a flowchart illustrating an example of a search process using graph data (graph information). The search process described below is performed by the search unit 134 of the information processing apparatus 100, for example. Further, the object described below may be read as a vector or a node. In the following description, it is assumed that the information processing apparatus 100 performs a search process, but the search process may be performed by another apparatus. For example, the information processing apparatus 100 uses vector data generated from content information of one content as a search query. For example, the information processing apparatus 100 searches for graph data using a starting point vector determined based on vector data generated from content information of one content and index information as a starting point. In the example of FIG. 1, the information processing apparatus 100 searches the graph information GR11 using a node N451, which is a starting vector determined based on the vector VD11 of the content X and the index information IND11, as a starting point.

ここでは、近傍オブジェクト集合Ｎ（Ｇ，ｙ）は、ノードｙに付与されているエッジにより関連付けられている近傍のオブジェクトの集合である。「Ｇ」は、所定のグラフデータ（例えば、グラフ情報ＧＲ１１等）であってもよい。例えば、情報処理装置１００は、ｋ近傍検索処理を実行する。 Here, the neighboring object set N (G, y) is a set of neighboring objects that are related by the edge given to the node y. “G” may be predetermined graph data (eg, graph information GR11). For example, the information processing apparatus 100 performs k neighborhood search processing.

例えば、情報処理装置１００は、超球の半径ｒを∞（無限大）に設定し（ステップＳ３００）、既存のオブジェクト集合から部分集合Ｓを抽出する（ステップＳ３０１）。例えば、情報処理装置１００は、ルートノード（起点ベクトル）として選択されたオブジェクト（ノード）を部分集合Ｓとして抽出してもよい。図１の例では、情報処理装置１００は、起点ベクトルであるノードＮ４５１等を部分集合Ｓとして抽出してもよい。また、例えば、超球とは、検索範囲を示す仮想的な球である。なお、ステップＳ３０１において抽出されたオブジェクト集合Ｓに含まれるオブジェクトは、同時に検索結果のオブジェクト集合Ｒの初期集合にも含められる。 For example, the information processing apparatus 100 sets the radius r of the hypersphere to ∞ (infinite) (step S300), and extracts the subset S from the existing object set (step S301). For example, the information processing apparatus 100 may extract the object (node) selected as the root node (starting vector) as the subset S. In the example of FIG. 1, the information processing apparatus 100 may extract the starting point vector such as the node N451 as a subset S. Further, for example, a hypersphere is a virtual sphere that indicates a search range. Note that the objects included in the object set S extracted in step S301 are also included in the initial set of the search result object set R at the same time.

次に、情報処理装置１００は、オブジェクト集合Ｓに含まれるオブジェクトの中で、検索クエリオブジェクトをｙとするとオブジェクトｙとの距離が最も短いオブジェクトを抽出し、オブジェクトｓとする（ステップＳ３０２）。図１の例では、情報処理装置１００は、オブジェクト集合Ｓに含まれるオブジェクトの中で、検索クエリオブジェクトであるベクトルＶＤ１１との距離が最も短いオブジェクトを抽出し、オブジェクトｓとする。例えば、情報処理装置１００は、オブジェクト集合Ｓに含まれるオブジェクトの中で、ベクトルＶＤ１１との距離が最も短いノードＮ４５１を抽出し、オブジェクトｓとする。例えば、情報処理装置１００は、ルートノード（起点ベクトル）として選択されたオブジェクト（ノード）のみがオブジェクト集合Ｓの要素の場合には、結果的にルートノード（起点ベクトル）がオブジェクトｓとして抽出される。次に、情報処理装置１００は、オブジェクトｓをオブジェクト集合Ｓから除外する（ステップＳ３０３）。 Next, the information processing apparatus 100 extracts, from the objects included in the object set S, an object having the shortest distance from the object y when the search query object is y, and sets it as an object s (step S302). In the example of FIG. 1, the information processing apparatus 100 extracts an object having the shortest distance from the vector VD11 that is a search query object among the objects included in the object set S and sets it as an object s. For example, the information processing apparatus 100 extracts the node N451 having the shortest distance from the vector VD11 from the objects included in the object set S and sets it as the object s. For example, when only the object (node) selected as the root node (starting vector) is an element of the object set S, the information processing apparatus 100 extracts the root node (starting vector) as the object s as a result. . Next, the information processing apparatus 100 excludes the object s from the object set S (step S303).

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）をこえる（超える）か否かを判定する（ステップＳ３０４）。ここで、εは拡張要素であり、ｒ（１＋ε）は、探索範囲（この範囲内のノードのみを探索する。検索範囲よりも大きくすることで精度を高めることができる）の半径を示す値である。オブジェクトｓとオブジェクトｙとの距離ｄ（ｓ，ｙ）がｒ（１＋ε）を超える場合（ステップＳ３０４：Ｙｅｓ）、情報処理装置１００は、オブジェクト集合Ｒをオブジェクトｙの近傍オブジェクト集合として出力し（ステップＳ３０５）、処理を終了する。 Next, the information processing apparatus 100 determines whether or not the distance d (s, y) between the object s and the object y exceeds (exceeds) r (1 + ε) (step S304). Here, ε is an expansion element, and r (1 + ε) is a value indicating the radius of the search range (search only for nodes within this range. The accuracy can be increased by making it larger than the search range). is there. When the distance d (s, y) between the object s and the object y exceeds r (1 + ε) (step S304: Yes), the information processing apparatus 100 outputs the object set R as a neighborhood object set of the object y (step S304). S305), the process is terminated.

オブジェクトｓと検索クエリオブジェクトｙとの距離ｄ（ｓ，ｙ）がｒ（１＋ε）を超えない場合（ステップＳ３０４：Ｎｏ）、情報処理装置１００は、オブジェクトｓの近傍オブジェクト集合Ｎ（Ｇ，ｓ）の要素であるオブジェクトの中からオブジェクト集合Ｃに含まれないオブジェクトを一つ選択し、選択したオブジェクトｕを、オブジェクト集合Ｃに格納する（ステップＳ３０６）。オブジェクト集合Ｃは、重複検索を回避するために便宜上設けられるものであり、処理開始時には空集合に設定される。 When the distance d (s, y) between the object s and the search query object y does not exceed r (1 + ε) (step S304: No), the information processing apparatus 100 determines the neighborhood object set N (G, s) of the object s. One object that is not included in the object set C is selected from the objects that are the elements of the selected element u, and the selected object u is stored in the object set C (step S306). The object set C is provided for convenience in order to avoid duplicate search, and is set to an empty set at the start of processing.

次に、情報処理装置１００は、オブジェクトｕとオブジェクトｙとの距離ｄ（ｕ，ｙ）がｒ（１＋ε）以下であるか否かを判定する（ステップＳ３０７）。オブジェクトｕとオブジェクトｙとの距離ｄ（ｕ，ｙ）がｒ（１＋ε）以下である場合（ステップＳ３０７：Ｙｅｓ）、情報処理装置１００は、オブジェクトｕをオブジェクト集合Ｓに追加する（ステップＳ３０８）。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。 Next, the information processing apparatus 100 determines whether or not the distance d (u, y) between the object u and the object y is equal to or less than r (1 + ε) (step S307). When the distance d (u, y) between the object u and the object y is equal to or less than r (1 + ε) (step S307: Yes), the information processing apparatus 100 adds the object u to the object set S (step S308). When the distance d (u, y) between the object u and the object y is not equal to or less than r (1 + ε) (step S307: No), the information processing apparatus 100 performs the determination (processing) in step S309.

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をこえる場合（ステップＳ３０９：Ｎｏ）、情報処理装置１００は、ステップＳ３１５の判定（処理）を行う。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。 Next, the information processing apparatus 100 determines whether the distance d (u, y) between the object u and the object y is equal to or smaller than r (step S309). When the distance d (u, y) between the object u and the object y exceeds r (step S309: No), the information processing apparatus 100 performs the determination (processing) in step S315. If the distance d (u, y) between the object u and the object y is not equal to or less than r (step S309: No), the information processing apparatus 100 performs the determination (processing) in step S315.

オブジェクトｕとオブジェクトｙとの距離ｄ（ｕ，ｙ）がｒ以下である場合（ステップＳ３０９：Ｙｅｓ）、情報処理装置１００は、オブジェクトｕをオブジェクト集合Ｒに追加する（ステップＳ３１０）。そして、情報処理装置１００は、オブジェクト集合Ｒに含まれるオブジェクト数がｋｓをこえるか否かを判定する（ステップＳ３１１）。所定数ｋｓは、任意に定められる自然数である。例えば、ｋｓ＝２やｋｓ＝１０等の種々の設定であってもよい。オブジェクト集合Ｒに含まれるオブジェクト数がｋｓを超えない場合（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。 When the distance d (u, y) between the object u and the object y is equal to or less than r (step S309: Yes), the information processing apparatus 100 adds the object u to the object set R (step S310). Then, the information processing apparatus 100 determines whether or not the number of objects included in the object set R exceeds ks (step S311). The predetermined number ks is a natural number that is arbitrarily determined. For example, various settings such as ks = 2 and ks = 10 may be used. When the number of objects included in the object set R does not exceed ks (step S311: No), the information processing apparatus 100 performs determination (processing) in step S313.

オブジェクト集合Ｒに含まれるオブジェクト数がｋｓをこえる場合（ステップＳ３１１：Ｙｅｓ）、情報処理装置１００は、オブジェクト集合Ｒに含まれるオブジェクトの中でオブジェクトｙとの距離が最も長い（遠い）オブジェクトを、オブジェクト集合Ｒから除外する（ステップＳ３１２）。 When the number of objects included in the object set R exceeds ks (step S311: Yes), the information processing apparatus 100 determines an object having the longest (far) object from the object y among the objects included in the object set R. Exclude from the object set R (step S312).

次に、情報処理装置１００は、オブジェクト集合Ｒに含まれるオブジェクト数がｋｓと一致するか否かを判定する（ステップＳ３１３）。オブジェクト集合Ｒに含まれるオブジェクト数がｋｓと一致しない場合（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、オブジェクト集合Ｒに含まれるオブジェクト数がｋｓと一致する場合（ステップＳ３１３：Ｙｅｓ）、情報処理装置１００は、オブジェクト集合Ｒに含まれるオブジェクトの中でオブジェクトｙとの距離が最も長い（遠い）オブジェクトと、オブジェクトｙとの距離を、新たなｒに設定する（ステップＳ３１４）。 Next, the information processing apparatus 100 determines whether or not the number of objects included in the object set R matches ks (step S313). When the number of objects included in the object set R does not match ks (step S313: No), the information processing apparatus 100 performs the determination (processing) of step S315. When the number of objects included in the object set R matches ks (step S313: Yes), the information processing apparatus 100 has the longest (far) distance from the object y among the objects included in the object set R. The distance between the object and the object y is set to a new r (step S314).

そして、情報処理装置１００は、オブジェクトｓの近傍オブジェクト集合Ｎ（Ｇ，ｓ）の要素であるオブジェクトから全てのオブジェクトを選択してオブジェクト集合Ｃに格納し終えたか否かを判定する（ステップＳ３１５）。オブジェクトｓの近傍オブジェクト集合Ｎ（Ｇ，ｓ）の要素であるオブジェクトから全てのオブジェクトを選択してオブジェクト集合Ｃに格納し終えていない場合（ステップＳ３１５：Ｎｏ）、情報処理装置１００は、ステップＳ３０６に戻って処理を繰り返す。 Then, the information processing apparatus 100 determines whether all objects have been selected from the objects that are elements of the neighboring object set N (G, s) of the object s and stored in the object set C (step S315). . When all the objects have not been selected and stored in the object set C from the objects that are elements of the neighboring object set N (G, s) of the object s (step S315: No), the information processing apparatus 100 performs step S306. Return to and repeat the process.

オブジェクトｓの近傍オブジェクト集合Ｎ（Ｇ，ｓ）の要素であるオブジェクトから全てのオブジェクトを選択してオブジェクト集合Ｃに格納し終えた場合（ステップＳ３１５：Ｙｅｓ）、情報処理装置１００は、オブジェクト集合Ｓが空集合であるか否かを判定する（ステップＳ３１６）。オブジェクト集合Ｓが空集合でない場合（ステップＳ３１６：Ｎｏ）、情報処理装置１００は、ステップＳ３０２に戻って処理を繰り返す。また、オブジェクト集合Ｓが空集合である場合（ステップＳ３１６：Ｙｅｓ）、情報処理装置１００は、オブジェクト集合Ｒを出力し、処理を終了する（ステップＳ３１７）。例えば、情報処理装置１００は、オブジェクト集合Ｒに含まれるオブジェクト（ノード）を検索クエリ（入力オブジェクトｙ）に対応する検索結果として、検索を行った端末装置１０等へ提供してもよい。図１の例では、情報処理装置１００は、オブジェクト集合Ｒに含まれるノードＮ４５１やノードＮ３５を検索クエリ（コンテンツＸのベクトルＶＤ１１）に対応する検索結果として、検索を行った端末装置１０等へ提供してもよい。例えば、情報処理装置１００は、ノードＮ４５１に対応するコンテンツ＃４５１や、ノードＮ３５に対応するコンテンツ＃３５をコンテンツＸに類似するコンテンツとしてユーザＵ１が利用する端末装置１０に提供する。 When all the objects are selected from the objects that are elements of the neighboring object set N (G, s) of the object s and stored in the object set C (step S315: Yes), the information processing apparatus 100 determines that the object set S It is determined whether or not is an empty set (step S316). When the object set S is not an empty set (step S316: No), the information processing apparatus 100 returns to step S302 and repeats the process. If the object set S is an empty set (step S316: Yes), the information processing apparatus 100 outputs the object set R and ends the process (step S317). For example, the information processing apparatus 100 may provide an object (node) included in the object set R as a search result corresponding to the search query (input object y) to the terminal device 10 that performed the search. In the example of FIG. 1, the information processing apparatus 100 provides the node N 451 and the node N 35 included in the object set R as search results corresponding to the search query (content X vector VD 11) to the terminal device 10 that performed the search. May be. For example, the information processing apparatus 100 provides the content # 451 corresponding to the node N451 and the content # 35 corresponding to the node N35 to the terminal device 10 used by the user U1 as content similar to the content X.

〔７．効果〕
上述してきたように、実施形態に係る情報処理装置１００は、取得部１３１と、検索部１３４とを有する。取得部１３１は、複数のコンテンツの各々に対応する複数のノードが、複数のコンテンツの類似性に応じて連結されたグラフ情報と、一のコンテンツに関するコンテンツ情報を取得する。検索部１３４は、取得部１３１により取得されたグラフ情報の複数のノードのうち、所定の基準に基づいて決定されたグラフ情報の検索の起点となる起点ノードを起点として、グラフ情報を検索することにより、複数のコンテンツのうち、一のコンテンツと類似するコンテンツである類似コンテンツを抽出する。 [7. effect〕
As described above, the information processing apparatus 100 according to the embodiment includes the acquisition unit 131 and the search unit 134. The acquisition unit 131 acquires graph information in which a plurality of nodes corresponding to each of a plurality of contents are connected according to the similarity of the plurality of contents, and content information regarding one content. The search unit 134 searches for graph information starting from a starting node that is a starting point for searching for graph information determined based on a predetermined criterion among a plurality of nodes of the graph information acquired by the acquiring unit 131. Thus, similar content that is content similar to one content is extracted from the plurality of contents.

このように、実施形態に係る情報処理装置１００は、起点ベクトルを起点としてグラフ情報を検索することにより、複数のコンテンツのうち、一のコンテンツに類似のコンテンツである類似コンテンツを適切に抽出することができる。 As described above, the information processing apparatus 100 according to the embodiment appropriately extracts similar content that is similar to one content among a plurality of content by searching the graph information using the starting point vector as a starting point. Can do.

また、実施形態に係る情報処理装置１００は、決定部１３３を有する。決定部１３３は、起点ノードの決定に用いるインデックス情報に基づいて、起点ノードを決定する。検索部１３４は、決定部１３３により決定された起点ノードを起点として、類似コンテンツを抽出する。 Further, the information processing apparatus 100 according to the embodiment includes a determination unit 133. The determining unit 133 determines the starting node based on the index information used for determining the starting node. The search unit 134 extracts similar content using the starting node determined by the determining unit 133 as a starting point.

このように、実施形態に係る情報処理装置１００は、起点ベクトルの決定に用いるインデックス情報に基づいて、起点ベクトルを決定することにより、類似のコンテンツを適切に抽出することができる。 As described above, the information processing apparatus 100 according to the embodiment can appropriately extract similar content by determining the starting point vector based on the index information used for determining the starting point vector.

また、実施形態に係る情報処理装置１００において、決定部１３３は、木構造型のインデックス情報に基づいて、起点ベクトルを決定する。 In the information processing apparatus 100 according to the embodiment, the determination unit 133 determines a starting point vector based on the tree structure type index information.

このように、実施形態に係る情報処理装置１００は、木構造型のインデックス情報に基づいて、起点ベクトルを決定することにより、類似のコンテンツを適切に抽出することができる。 As described above, the information processing apparatus 100 according to the embodiment can appropriately extract similar content by determining the starting point vector based on the tree structure type index information.

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、複数のコンテンツの各々の特徴を示す複数のベクトルが類似性に応じて連結されたグラフ情報を取得する。 In the information processing apparatus 100 according to the embodiment, the acquisition unit 131 acquires graph information in which a plurality of vectors indicating features of a plurality of contents are connected according to similarity.

このように、実施形態に係る情報処理装置１００は、複数のコンテンツの各々の特徴を示す複数のベクトルが類似性に応じて連結されたグラフ情報を取得することにより、類似のコンテンツを適切に抽出することができる。 As described above, the information processing apparatus 100 according to the embodiment appropriately extracts similar content by acquiring graph information in which a plurality of vectors indicating features of a plurality of contents are connected according to similarity. can do.

また、実施形態に係る情報処理装置１００において、取得部１３１は、所定のモデルを用いて複数のコンテンツの各々から抽出された特徴量を要素とする複数のベクトルが、類似性に応じて連結されたグラフ情報を取得する。 Further, in the information processing apparatus 100 according to the embodiment, the acquisition unit 131 connects a plurality of vectors whose elements are feature amounts extracted from each of a plurality of contents using a predetermined model according to similarity. Get the graph information.

このように、実施形態に係る情報処理装置１００は、所定のモデルを用いて複数のコンテンツの各々から抽出された特徴量を要素とする複数のベクトルが、類似性に応じて連結されたグラフ情報を取得することにより、類似のコンテンツを適切に抽出することができる。 As described above, the information processing apparatus 100 according to the embodiment includes graph information in which a plurality of vectors each having a feature amount extracted from each of a plurality of contents using a predetermined model are connected according to similarity. By acquiring, similar content can be extracted appropriately.

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、複数のコンテンツに関する情報を所定のモデルに入力することにより、抽出される複数のコンテンツの各々の特徴量を要素とする複数のベクトルが、類似性に応じて連結されたグラフ情報を取得する。 Further, in the information processing apparatus 100 according to the embodiment, the acquisition unit 131 inputs a plurality of content information into a predetermined model, and thereby obtains a plurality of vectors whose elements are the feature amounts of the plurality of contents to be extracted. However, the graph information connected according to the similarity is acquired.

このように、実施形態に係る情報処理装置１００は、複数のコンテンツに関する情報を所定のモデルに入力することにより、抽出される複数のコンテンツの各々の特徴量を要素とする複数のベクトルが、類似性に応じて連結されたグラフ情報を取得することにより、類似のコンテンツを適切に抽出することができる。 As described above, the information processing apparatus 100 according to the embodiment inputs a plurality of pieces of content information to a predetermined model, so that a plurality of vectors each having the feature amount of each of the plurality of extracted contents are similar to each other. By acquiring the graph information linked according to the sex, similar content can be appropriately extracted.

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、類似コンテンツの流行に関する流行情報を取得する。検索部１３４は、取得部１３１により取得された流行情報に基づいて、一のコンテンツが流行するかどうかを判定する。 Further, in the information processing apparatus 100 according to the embodiment, the acquisition unit 131 acquires trend information regarding the trend of similar content. The search unit 134 determines whether one content is popular based on the trend information acquired by the acquisition unit 131.

このように、実施形態に係る情報処理装置１００は、類似コンテンツの流行に関する流行情報に基づいて、一のコンテンツが流行するかどうかを判定することにより、一のコンテンツが流行するかどうかを適切に判定することができる。 As described above, the information processing apparatus 100 according to the embodiment appropriately determines whether one content is prevalent by determining whether one content is prevalent based on the trend information related to the prevalence of similar content. Can be determined.

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、類似コンテンツの流行に関する指標値を示す流行情報を取得する。検索部１３４は、類似コンテンツの指標値が所定の基準を満たす場合、一のコンテンツを流行する可能性がある流行コンテンツであると判定する。 In the information processing apparatus 100 according to the embodiment, the acquisition unit 131 acquires trend information indicating an index value related to the trend of similar content. When the index value of the similar content satisfies a predetermined criterion, the search unit 134 determines that the content is trendy content that may be trendy.

このように、実施形態に係る情報処理装置１００は、類似コンテンツの指標値が所定の基準を満たす場合、一のコンテンツを流行する可能性がある流行コンテンツであると判定することにより、一のコンテンツが流行するかどうかを適切に判定することができる。 As described above, the information processing apparatus 100 according to the embodiment determines that one content is a trendy content that may be popular when the index value of the similar content satisfies a predetermined criterion. Can be appropriately determined whether or not.

また、実施形態に係る情報処理装置１００において、検索部１３４は、類似コンテンツの指標値と所定の閾値とを比較し、類似コンテンツの指標値が所定の閾値以上である場合、一のコンテンツを流行コンテンツであると判定する。 In the information processing apparatus 100 according to the embodiment, the search unit 134 compares the index value of the similar content with a predetermined threshold value, and if the index value of the similar content is greater than or equal to the predetermined threshold value, It is determined as content.

このように、実施形態に係る情報処理装置１００は、類似コンテンツの指標値と所定の閾値とを比較し、類似コンテンツの指標値が所定の閾値以上である場合、一のコンテンツを流行コンテンツであると判定することにより、一のコンテンツが流行するかどうかを適切に判定することができる。 As described above, the information processing apparatus 100 according to the embodiment compares the index value of the similar content with a predetermined threshold value, and if the index value of the similar content is equal to or greater than the predetermined threshold value, the one content is the trendy content. It is possible to appropriately determine whether one content is popular.

また、実施形態に係る情報処理装置１００は、提供部１３５を有する。提供部１３５は、検索部１３４により抽出された類似コンテンツに基づいて、所定のサービスを提供する。 In addition, the information processing apparatus 100 according to the embodiment includes a providing unit 135. The providing unit 135 provides a predetermined service based on the similar content extracted by the search unit 134.

このように、実施形態に係る情報処理装置１００は、抽出した類似コンテンツに基づいて、所定のサービスを提供することにより、類似のコンテンツに関する情報を用いたサービスを適切に提供することができる。 As described above, the information processing apparatus 100 according to the embodiment can appropriately provide a service using information related to similar content by providing a predetermined service based on the extracted similar content.

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、ユーザが利用する端末装置から一のコンテンツに関するコンテンツ情報を取得する。提供部１３５は、端末装置１０に所定のサービスを提供する。 In the information processing apparatus 100 according to the embodiment, the acquisition unit 131 acquires content information related to one content from a terminal device used by the user. The providing unit 135 provides a predetermined service to the terminal device 10.

このように、実施形態に係る情報処理装置１００は、ユーザが利用する端末装置１０から一のコンテンツに関するコンテンツ情報を取得し、端末装置１０に所定のサービスを提供することにより、類似のコンテンツに関する情報を用いたサービスを適切に提供することができる。 As described above, the information processing apparatus 100 according to the embodiment acquires content information related to one content from the terminal device 10 used by the user and provides a predetermined service to the terminal device 10 to thereby provide information related to similar content. Services using can be provided appropriately.

また、実施形態に係る情報処理装置１００において、提供部１３５は、類似コンテンツに関する情報提供サービスを提供する。 In the information processing apparatus 100 according to the embodiment, the providing unit 135 provides an information providing service related to similar content.

このように、実施形態に係る情報処理装置１００は、類似コンテンツに関する情報提供サービスを提供することにより、類似のコンテンツに関する情報を用いたサービスを適切に提供することができる。 As described above, the information processing apparatus 100 according to the embodiment can appropriately provide a service using information related to similar content by providing an information providing service related to similar content.

〔８．ハードウェア構成〕
上述してきた実施形態に係る情報処理装置１００は、例えば図１３に示すような構成のコンピュータ１０００によって実現される。図１３は、情報処理装置の機能を実現するコンピュータの一例を示すハードウェア構成図である。コンピュータ１０００は、ＣＰＵ１１００、ＲＡＭ１２００、ＲＯＭ（Read Only Memory）１３００、ＨＤＤ（Hard Disk Drive）１４００、通信インターフェイス（Ｉ／Ｆ）１５００、入出力インターフェイス（Ｉ／Ｆ）１６００、及びメディアインターフェイス（Ｉ／Ｆ）１７００を有する。 [8. Hardware configuration)
The information processing apparatus 100 according to the embodiment described above is realized by a computer 1000 configured as shown in FIG. 13, for example. FIG. 13 is a hardware configuration diagram illustrating an example of a computer that implements the functions of the information processing apparatus. The computer 1000 includes a CPU 1100, a RAM 1200, a ROM (Read Only Memory) 1300, an HDD (Hard Disk Drive) 1400, a communication interface (I / F) 1500, an input / output interface (I / F) 1600, and a media interface (I / F). ) 1700.

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。 The CPU 1100 operates based on a program stored in the ROM 1300 or the HDD 1400 and controls each unit. The ROM 1300 stores a boot program executed by the CPU 1100 when the computer 1000 is started up, a program depending on the hardware of the computer 1000, and the like.

ＨＤＤ１４００は、ＣＰＵ１１００によって実行されるプログラム、及び、かかるプログラムによって使用されるデータ等を格納する。通信インターフェイス１５００は、ネットワークＮを介して他の機器からデータを受信してＣＰＵ１１００へ送り、ＣＰＵ１１００が生成したデータをネットワークＮを介して他の機器へ送信する。 The HDD 1400 stores programs executed by the CPU 1100, data used by the programs, and the like. The communication interface 1500 receives data from other devices via the network N and sends the data to the CPU 1100, and transmits data generated by the CPU 1100 to other devices via the network N.

ＣＰＵ１１００は、入出力インターフェイス１６００を介して、ディスプレイやプリンタ等の出力装置、及び、キーボードやマウス等の入力装置を制御する。ＣＰＵ１１００は、入出力インターフェイス１６００を介して、入力装置からデータを取得する。また、ＣＰＵ１１００は、生成したデータを入出力インターフェイス１６００を介して出力装置へ出力する。 The CPU 1100 controls an output device such as a display and a printer and an input device such as a keyboard and a mouse via the input / output interface 1600. The CPU 1100 acquires data from the input device via the input / output interface 1600. In addition, the CPU 1100 outputs the generated data to the output device via the input / output interface 1600.

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。 The media interface 1700 reads a program or data stored in the recording medium 1800 and provides it to the CPU 1100 via the RAM 1200. The CPU 1100 loads such a program from the recording medium 1800 onto the RAM 1200 via the media interface 1700, and executes the loaded program. The recording medium 1800 is, for example, an optical recording medium such as a DVD (Digital Versatile Disc) or PD (Phase change rewritable disk), a magneto-optical recording medium such as an MO (Magneto-Optical disk), a tape medium, a magnetic recording medium, or a semiconductor memory. Etc.

例えば、コンピュータ１０００が実施形態に係る情報処理装置１００として機能する場合、コンピュータ１０００のＣＰＵ１１００は、ＲＡＭ１２００上にロードされたプログラムまたはデータ（例えば、モデルＭ１（モデルデータＭＤＴ１））を実行することにより、制御部１３０の機能を実現する。コンピュータ１０００のＣＰＵ１１００は、これらのプログラムまたはデータ（例えば、モデルＭ１（モデルデータＭＤＴ１））を記録媒体１８００から読み取って実行するが、他の例として、他の装置からネットワークＮを介してこれらのプログラムを取得してもよい。 For example, when the computer 1000 functions as the information processing apparatus 100 according to the embodiment, the CPU 1100 of the computer 1000 executes a program or data (for example, model M1 (model data MDT1)) loaded on the RAM 1200. The function of the control unit 130 is realized. The CPU 1100 of the computer 1000 reads and executes these programs or data (for example, model M1 (model data MDT1)) from the recording medium 1800. As another example, these programs or data are transmitted from other devices via the network N. May be obtained.

以上、本願の実施形態のいくつかを図面に基づいて詳細に説明したが、これらは例示であり、発明の開示の行に記載の態様を始めとして、当業者の知識に基づいて種々の変形、改良を施した他の形態で本発明を実施することが可能である。 As described above, some of the embodiments of the present application have been described in detail with reference to the drawings. However, these are merely examples, and various modifications based on the knowledge of those skilled in the art, including the aspects described in the disclosure line of the invention. It is possible to implement the present invention in other forms with improvements.

〔９．その他〕
また、上記実施形態において説明した各処理のうち、自動的に行われるものとして説明した処理の全部または一部を手動的に行うこともでき、あるいは、手動的に行われるものとして説明した処理の全部または一部を公知の方法で自動的に行うこともできる。この他、上記文書中や図面中で示した処理手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。例えば、各図に示した各種情報は、図示した情報に限られない。 [9. Others]
In addition, among the processes described in the above embodiment, all or part of the processes described as being automatically performed can be performed manually, or the processes described as being performed manually can be performed. All or a part can be automatically performed by a known method. In addition, the processing procedures, specific names, and information including various data and parameters shown in the document and drawings can be arbitrarily changed unless otherwise specified. For example, the various types of information illustrated in each drawing is not limited to the illustrated information.

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。 Further, each component of each illustrated apparatus is functionally conceptual, and does not necessarily need to be physically configured as illustrated. In other words, the specific form of distribution / integration of each device is not limited to that shown in the figure, and all or a part thereof may be functionally or physically distributed or arbitrarily distributed in arbitrary units according to various loads or usage conditions. Can be integrated and configured.

また、上述してきた各実施形態に記載された各処理は、処理内容を矛盾させない範囲で適宜組み合わせることが可能である。 In addition, the processes described in the embodiments described above can be appropriately combined within a range in which the process contents are not contradictory.

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。 In addition, the “section (module, unit)” described above can be read as “means” or “circuit”. For example, the acquisition unit can be read as acquisition means or an acquisition circuit.

１情報処理システム
１００情報処理装置
１２１コンテンツ情報記憶部
１２２インデックス情報記憶部
１２３グラフ情報記憶部
１２４モデル情報記憶部
１３０制御部
１３１取得部
１３２生成部
１３３決定部
１３４検索部
１３５提供部
１０端末装置
５０情報提供装置
Ｎネットワーク DESCRIPTION OF SYMBOLS 1 Information processing system 100 Information processing apparatus 121 Content information storage part 122 Index information storage part 123 Graph information storage part 124 Model information storage part 130 Control part 131 Acquisition part 132 Generation part 133 Determination part 134 Search part 135 Provision part 10 Terminal apparatus 50 Information provider N network

Claims

複数のコンテンツの各々に対応する複数のノードが、前記複数のコンテンツの類似性に応じて連結されたグラフ情報と、一のコンテンツに関するコンテンツ情報を取得する取得部と、
前記取得部により取得された前記グラフ情報の前記複数のノードのうち、所定の基準に基づいて決定された前記グラフ情報の検索の起点となる起点ノードを起点として、前記グラフ情報を検索することにより、前記複数のコンテンツのうち、前記一のコンテンツと類似するコンテンツである類似コンテンツを抽出する検索部と、
を備えたことを特徴とする情報処理装置。 A plurality of nodes corresponding to each of a plurality of contents connected to each other in accordance with the similarity of the plurality of contents, an acquisition unit that acquires content information about one content;
By searching the graph information starting from a starting node that is a starting point for searching for the graph information determined based on a predetermined criterion among the plurality of nodes of the graph information acquired by the acquiring unit. A search unit that extracts similar content that is similar to the one content among the plurality of content;
An information processing apparatus comprising:

前記起点ノードの決定に用いるインデックス情報に基づいて、前記起点ノードを決定する決定部、
をさらに備え、
前記検索部は、
前記決定部により決定された前記起点ノードを起点として、前記類似コンテンツを抽出する
ことを特徴とする請求項１に記載の情報処理装置。 A determination unit that determines the starting node based on index information used to determine the starting node;
Further comprising
The search unit
The information processing apparatus according to claim 1, wherein the similar content is extracted using the starting node determined by the determining unit as a starting point.

前記決定部は、
木構造型の前記インデックス情報に基づいて、前記起点ノードを決定する
ことを特徴とする請求項２に記載の情報処理装置。 The determination unit is
The information processing apparatus according to claim 2, wherein the starting node is determined based on the tree structure type index information.

前記取得部は、
前記複数のコンテンツの各々に対応する複数のベクトルの類似性に応じて、前記複数のノードが連結されたグラフ情報を取得する
ことを特徴とする請求項１〜３のいずれか１項に記載の情報処理装置。 The acquisition unit
The graph information in which the plurality of nodes are connected is acquired in accordance with the similarity of a plurality of vectors corresponding to each of the plurality of contents. Information processing device.

前記取得部は、
前記複数のコンテンツの各々の特徴を示す前記複数のベクトルが類似性に応じて連結された前記グラフ情報を取得する
ことを特徴とする請求項４に記載の情報処理装置。 The acquisition unit
The information processing apparatus according to claim 4, wherein the graph information obtained by connecting the plurality of vectors indicating the characteristics of the plurality of contents according to similarity is acquired.

前記取得部は、
所定のモデルを用いて前記複数のコンテンツの各々から抽出された特徴量を要素とする前記複数のベクトルが、類似性に応じて連結された前記グラフ情報を取得する
ことを特徴とする請求項４または請求項５に記載の情報処理装置。 The acquisition unit
5. The graph information obtained by connecting the plurality of vectors each having a feature amount extracted from each of the plurality of contents using a predetermined model according to similarity is obtained. Alternatively, the information processing apparatus according to claim 5.

前記取得部は、
前記複数のコンテンツに関する情報を所定のモデルに入力することにより、抽出される前記複数のコンテンツの各々の特徴量を要素とする前記複数のベクトルが、類似性に応じて連結された前記グラフ情報を取得する
ことを特徴とする請求項４〜６のいずれか１項に記載の情報処理装置。 The acquisition unit
By inputting information on the plurality of contents into a predetermined model, the graph information in which the plurality of vectors each having the feature amount of each of the plurality of contents to be extracted are connected according to similarity is obtained. It acquires. The information processing apparatus of any one of Claims 4-6 characterized by the above-mentioned.

前記取得部は、
前記類似コンテンツの流行に関する流行情報を取得し、
前記検索部は、
前記取得部により取得された前記流行情報に基づいて、前記一のコンテンツが流行するかどうかを判定する
ことを特徴とする請求項７に記載の情報処理装置。 The acquisition unit
Obtaining trend information regarding the trend of similar content,
The search unit
The information processing apparatus according to claim 7, wherein whether or not the one content is popular is determined based on the trend information acquired by the acquisition unit.

前記取得部は、
前記類似コンテンツの流行に関する指標値を示す前記流行情報を取得し、
前記検索部は、
前記類似コンテンツの前記指標値が所定の基準を満たす場合、前記一のコンテンツを流行する可能性がある流行コンテンツであると判定する
ことを特徴とする請求項８に記載の情報処理装置。 The acquisition unit
Obtaining the trend information indicating an index value relating to the trend of the similar content;
The search unit
The information processing apparatus according to claim 8, wherein when the index value of the similar content satisfies a predetermined criterion, it is determined that the content is a trendy content that is likely to be popular.

前記検索部は、
前記類似コンテンツの前記指標値と所定の閾値とを比較し、前記類似コンテンツの前記指標値が前記所定の閾値以上である場合、前記一のコンテンツを前記流行コンテンツであると判定する
ことを特徴とする請求項９に記載の情報処理装置。 The search unit
The index value of the similar content is compared with a predetermined threshold, and when the index value of the similar content is equal to or greater than the predetermined threshold, the one content is determined to be the trendy content. The information processing apparatus according to claim 9.

前記検索部により抽出された前記類似コンテンツに基づいて、所定のサービスを提供する提供部、
をさらに備えたことを特徴とする請求項１〜１０のいずれか１項に記載の情報処理装置。 A providing unit for providing a predetermined service based on the similar content extracted by the search unit;
The information processing apparatus according to claim 1, further comprising:

前記取得部は、
ユーザが利用する端末装置から前記一のコンテンツに関する前記コンテンツ情報を取得し、
前記提供部は、
前記端末装置に前記所定のサービスを提供する
ことを特徴とする請求項１１に記載の情報処理装置。 The acquisition unit
Obtaining the content information relating to the one content from a terminal device used by a user;
The providing unit includes:
The information processing apparatus according to claim 11, wherein the predetermined service is provided to the terminal apparatus.

前記提供部は、
前記類似コンテンツに関する情報提供サービスを提供する
ことを特徴とする請求項１１または請求項１２に記載の情報処理装置。 The providing unit includes:
The information processing apparatus according to claim 11, wherein an information providing service related to the similar content is provided.

コンピュータが実行する情報処理方法であって、
複数のコンテンツの各々に対応する複数のノードが、前記複数のコンテンツの類似性に応じて連結されたグラフ情報と、一のコンテンツに関するコンテンツ情報を取得する取得工程と、
前記取得工程により取得された前記グラフ情報の前記複数のノードのうち、所定の基準に基づいて決定された前記グラフ情報の検索の起点となる起点ノードを起点として、前記グラフ情報を検索することにより、前記複数のコンテンツのうち、前記一のコンテンツと類似するコンテンツである類似コンテンツを抽出する検索工程と、
を含んだことを特徴とする情報処理方法。 An information processing method executed by a computer,
A plurality of nodes corresponding to each of the plurality of contents connected to each other in accordance with the similarity of the plurality of contents, and an acquisition step of acquiring content information relating to one content;
By searching the graph information starting from a starting node that is a starting point of the search of the graph information determined based on a predetermined criterion among the plurality of nodes of the graph information acquired by the acquiring step A search step of extracting similar content that is similar to the one content among the plurality of content;
An information processing method comprising:

複数のコンテンツの各々に対応する複数のノードが、前記複数のコンテンツの類似性に応じて連結されたグラフ情報と、一のコンテンツに関するコンテンツ情報を取得する取得手順と、
前記取得手順により取得された前記グラフ情報の前記複数のノードのうち、所定の基準に基づいて決定された前記グラフ情報の検索の起点となる起点ノードを起点として、前記グラフ情報を検索することにより、前記複数のコンテンツのうち、前記一のコンテンツと類似するコンテンツである類似コンテンツを抽出する検索手順と、
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。 A plurality of nodes corresponding to each of a plurality of contents connected to each other in accordance with the similarity of the plurality of contents, an acquisition procedure for acquiring content information related to one content;
By searching for the graph information starting from a starting node that is a starting point for searching for the graph information determined based on a predetermined criterion among the plurality of nodes of the graph information acquired by the acquiring procedure A search procedure for extracting similar content that is similar to the one content among the plurality of content;
An information processing program for causing a computer to execute.