JP5469046B2 - Information search apparatus, information search method, and information search program - Google Patents
Information search apparatus, information search method, and information search program Download PDFInfo
- Publication number
- JP5469046B2 JP5469046B2 JP2010274372A JP2010274372A JP5469046B2 JP 5469046 B2 JP5469046 B2 JP 5469046B2 JP 2010274372 A JP2010274372 A JP 2010274372A JP 2010274372 A JP2010274372 A JP 2010274372A JP 5469046 B2 JP5469046 B2 JP 5469046B2
- Authority
- JP
- Japan
- Prior art keywords
- content
- search
- information
- recommendation information
- list
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Description
本発明は、情報を検索する技術に関する。 The present invention relates to a technique for retrieving information.
ブロードバンド網の高度化、ストレージの大容量化、更には分散環境の整備により、オンラインでのコンテンツ流通はもはや日常のものとなっている。特に、2000年代中頃より、画像・音楽・映像等のマルチメディアコンテンツ共有サイトやIPTV・VoD等のサービスが一挙に普及して以来、オンラインコンテンツは文書にとどまらず、画像・音楽・映像等のよりリッチなものを閲覧・視聴できるようになっている。 With the advancement of broadband networks, the increase in storage capacity, and the development of distributed environments, online content distribution is no longer commonplace. In particular, since the middle of the 2000s, since online content sharing sites such as images, music, video, and services such as IPTV / VoD have spread all at once, online content is not limited to documents, but more of images, music, video, etc. You can browse and watch rich things.
一般に、オンラインコンテンツを閲覧・視聴するためには、ユーザは、公開されている非常に多くのコンテンツの中から、検索エンジン等を利用して興味のあるものを探し出す必要がある。現在の検索エンジンでは、検索対象のコンテンツの種別がどのようなものであっても、キーワードに基づいた検索を行う場合が多い。ユーザは、検索対象を1つ以上のキーワードによって表現し、クエリとして問い合わせを行う。例えば、「新宿御苑の桜の画像が見たい」と場合には、画像検索エンジンを用いて「新宿御苑 桜」とクエリ入力する。 In general, in order to browse / view online content, a user needs to find out what is of interest from a large number of publicly available content using a search engine or the like. Current search engines often perform searches based on keywords regardless of the type of content to be searched. The user expresses the search target by one or more keywords and makes an inquiry as a query. For example, in the case of “I want to see an image of a cherry tree in Shinjuku Gyoen”, the user inputs a query “Shinjuku Gyoen Sakura” using an image search engine.
これまでの検索エンジンは、少数のキーワードがクエリとされるような短いクエリに焦点を当てて設計されていた。もちろん、上記例のように、目的のコンテンツが少数のキーワードにより絞り込み可能であればそれでも問題はない。 Traditional search engines have been designed to focus on short queries where a small number of keywords are considered queries. Of course, there is no problem if the target content can be narrowed down by a small number of keywords as in the above example.
しかしながら、近年のオンラインコンテンツの爆発的増加に伴い、少数のキーワードのみでは絞り込みきれない対象を探す場合や、詳細な結果を求めるためにより多くのキーワードを入力するような場合が増えてきている。例えば、神奈川県の日吉駅前周辺の写真を見たいとする。日吉駅は京都にも存在するため、「神奈川県」も含めた「神奈川県 日吉駅 駅前 周辺」という4語のキーワードがクエリ入力に要求される。 However, with the explosion of online content in recent years, there are increasing cases of searching for objects that cannot be narrowed down by only a small number of keywords or inputting more keywords to obtain detailed results. For example, suppose you want to see photos around Hiyoshi Station in Kanagawa Prefecture. Since Hiyoshi Station is also present in Kyoto, four keywords are required for query input, including “Kanagawa Prefecture Hiyoshi Station Station Area” including “Kanagawa Prefecture”.
このような多数のキーワードによる長いクエリは、あまり例がないように感じられるかもしれない。しかしながら、「Exploring Web Scale Language Models for Search Query Processing」(Jian Huang、外5名、In Proceedings of the International World Wide Web Conference、2010年、p.451-460)によれば、20%以上のクエリは4語以上からなる長いクエリであると報告されており、今後ますます増加していくと予想されている。 Such a long query with a large number of keywords may seem uncommon. However, according to “Exploring Web Scale Language Models for Search Query Processing” (Jian Huang, 5 others, In Proceedings of the International World Wide Web Conference, 2010, p.451-460) It is reported that this is a long query consisting of four or more words, and is expected to increase in the future.
キーワードを入力する際には、ユーザがキーボード等の入力デバイスを操作し、クエリとして検索エンジンに入力する必要がある。長いクエリの場合には、それだけ入力操作回数(打鍵数等)が多くなる傾向にあるため、ユーザにとっては不便なものとなる。 When inputting a keyword, it is necessary for the user to operate an input device such as a keyboard and to input it as a query to a search engine. In the case of a long query, the number of input operations (number of keystrokes, etc.) tends to increase accordingly, which is inconvenient for the user.
この不便さは、特にスマートフォン等のモバイル端末を利用した検索時に顕著に表れる。モバイル端末はパソコン等と比較して非常に小型である。当然、パソコンのキー入力と同じようなキーボードはサポートされておらず、通常、モバイル端末と同程度又はそれ以下のサイズのキーボードデバイスか、ソフトウェアキーボードを利用してキー入力を行うことになる。ここで、ソフトウェアキーボードとは、主としてタッチパネル(タッチスクリーン)画面上に、仮想的に実現されるソフトウェアベースのキーボード(バーチャルキーボード)である。 This inconvenience is particularly noticeable when searching using a mobile terminal such as a smartphone. Mobile terminals are very small compared to personal computers. Of course, a keyboard similar to a key input of a personal computer is not supported, and a key input is usually performed using a keyboard device of a size comparable to or smaller than that of a mobile terminal or a software keyboard. Here, the software keyboard is a software-based keyboard (virtual keyboard) which is virtually realized mainly on a touch panel (touch screen) screen.
これらの入力デバイスはいずれも小さいため、ユーザは非常に小さいボタンを操作することとなる。したがって、パソコンのそれと比べて遥かに入力し難く、多くの時間を要すると指摘されている。また、特にソフトウェアキーボードを利用した場合には、画面に触れてのキー入力となるが、ボタンのように押し下げる触覚フィードバックが得られない。このため、不自然であり、更に操作時間が必要とされる等の問題が指摘されている。 Since these input devices are all small, the user operates a very small button. Therefore, it has been pointed out that it is much more difficult to input than that of a personal computer and takes a lot of time. In particular, when a software keyboard is used, key input is made by touching the screen, but tactile feedback for pressing down like a button cannot be obtained. For this reason, problems such as unnaturalness and the need for further operation time have been pointed out.
然るに、長いクエリ入力等のように、入力操作回数を多く要するようなクエリ入力を簡易化し、素早く、簡単に目的とするコンテンツにアクセス可能な情報検索技術が求められている。 However, there is a need for an information search technique that simplifies query input that requires a large number of input operations, such as long query input, and allows quick and easy access to target content.
従来、ユーザの入力操作を簡易化する情報検索技術として、携帯電話におけるコンテンツ検索簡易技術、クエリ拡張技術、クエリ推薦技術が提供されている。 2. Description of the Related Art Conventionally, as information retrieval techniques for simplifying user input operations, a simple content retrieval technique, a query expansion technique, and a query recommendation technique in a mobile phone have been provided.
特許文献1には、パソコン等の据え置き型端末と携帯電話とのコンテンツ検索操作を連動させることによって、携帯電話におけるコンテンツ検索を簡易化するコンテンツ検索簡易技術が開示されている。この技術によれば、比較的操作し易い据え置き型端末で行った検索結果を「お気に入り」(ブックマーク)としてリストに登録しておき、この「お気に入り」リストは携帯電話からも参照可能であるため、携帯電話でコンテンツ検索に係る特別な操作を行うことなく、興味のあるコンテンツを探し出すことができる。 Japanese Patent Application Laid-Open No. 2004-151561 discloses a content search simplification technique that simplifies content search on a mobile phone by linking content search operations between a stationary terminal such as a personal computer and a mobile phone. According to this technology, search results performed on a stationary terminal that is relatively easy to operate are registered in the list as “favorites” (bookmarks), and this “favorites” list can also be referred to from a mobile phone. It is possible to find content of interest without performing a special operation related to content search using a mobile phone.
特許文献2には、クエリ拡張に基づいて、予め入力されたクエリに関連する別のクエリを考慮した検索結果を生成することによって、検索精度の改善を図るクエリ拡張技術が開示されている。まず、入力されたクエリの検索結果のうち、アクセスの集中する重要なコンテンツを特定する。続いて、得られた重要なコンテンツの文書から特徴的な重要キーワードを抽出し、この重要キーワードによってクエリと関連するキーワードを抽出する。最後に、最初に入力されたクエリと抽出された関連キーワードとを考慮した検索を実行し、その結果をユーザに提示する。
非特許文献1には、ユーザが入力したクエリに関連するクエリを発見し、ユーザに推薦・提示するクエリ推薦技術が開示されている。まず、ユーザが投入したクエリと、その際にアクセスされたコンテンツとの関係を蓄積していき、クエリに対するコンテンツのアクセス頻度をリンクの強さとした二部グラフとして保持する。次に、ユーザが入力したクエリに対して、その二部グラフ上のランダムウォークに基づく関連度の計算により、コンテンツを介してより強く結び付きあっているクエリから順に、関連する確率の高いクエリであると判断し、これらを推薦対象として提示する。
Non-Patent
しかしながら、上記特許文献1に記載の技術では、モバイル端末における検索の簡易化を目的としているものの、事前に据え置き型端末から検索して「お気に入り」リストに予め登録しておく必要があるため、登録されていないコンテンツの場合には、依然としてモバイル端末上でのキー入力が必須とされるという問題があった。
However, although the technique described in
また、上記特許文献2に記載の技術では、入力されたクエリに対応して、検索結果に含まれるコンテンツのアクセス件数が重要さの指標として必要とされるため、既にある程度試行されたクエリであって、かつ、その重要さを判定するに十分なアクセス回数を持つコンテンツを含んでいることが必要であり、めったに入力されないクエリ(キーワード群)に対しては、十分な精度のクエリ拡張が実施できないという問題があった。前述のような多数のキーワードによる長いクエリについては、全く同一のキーワード群を含むようなクエリ入力は頻繁に試行されないため、本技術のみでは上記問題を解決できなかった。
Further, in the technique described in
更に、特許文献3に記載の技術であっても、やはりクエリに対してアクセスされたコンテンツの頻度情報を保持しておく必要があるため、めったに入力されないクエリ(キーワード群)に対しては、上記特許文献2の技術と同様の問題を有するものであった。
Furthermore, even with the technique described in
以上示したように、このような従来技術のみでは、コンテンツ検索の際において、長いクエリに対する入力の不便さを解消することは不可能であった。 As described above, it is impossible to eliminate the inconvenience of input for a long query in content search only by such conventional technology.
本発明は、上記を鑑みてなされたものであり、最少の操作回数で簡易かつ高速にクエリ入力することを課題とする。 The present invention has been made in view of the above, and an object of the present invention is to easily and quickly input a query with the minimum number of operations.
請求項1に記載の情報検索装置は、入力されたコンテンツの検索条件に対するコンテンツの重要度が一定基準以上のコンテンツをコンテンツ記憶手段から検索して、コンテンツリストに記憶させる検索手段と、前記検索条件に対する前記検索されたコンテンツに係るコンテンツ情報の関連度が一定基準以上のコンテンツ情報を前記コンテンツリストから抽出して、検索推薦情報として記憶させた検索推薦情報リストを生成する生成手段と、前記検索推薦情報の大きさ、色、透明度、表示位置の各設定値のうち少なくともいずれか1つのパラメータを前記関連度に基づいて計算する計算手段と、前記コンテンツリストのコンテンツを出力すると共に、前記検索推薦情報リストの検索推薦情報を前記計算されたパラメータで出力する出力手段と、出力された検索推薦情報が選択された場合に、当該選択された検索推薦情報を用いて前記入力されたコンテンツの検索条件を変更する変更手段と、を有し、前記計算手段は、前記検索推薦情報リストの検索推薦情報間の意味的類似度に基づいて1つ以上のグループを構成し、当該グループに応じて前記パラメータを計算することを特徴とする。
The information search device according to
本発明によれば、検索条件に対して重要度の高いコンテンツをコンテンツ群から検索し、検索されたコンテンツから検索条件に関連度の強いコンテンツ情報を検索推薦情報として抽出し、抽出された検索推薦情報を関連度に基づいて出力し、出力された検索推薦情報が選択された場合には選択された検索推薦情報で入力された検索条件を変更するため、最少の操作回数で簡易かつ高速にクエリ入力することができる。 According to the present invention, content that is highly important for a search condition is searched from a content group, content information that is highly relevant to the search condition is extracted from the searched content as search recommendation information, and the extracted search recommendation Information is output based on the degree of relevance, and when the output search recommendation information is selected, the search condition input by the selected search recommendation information is changed, so the query can be easily and quickly performed with the minimum number of operations. Can be entered.
請求項2に記載の情報検索装置は、請求項1に記載の情報検索装置において、前記検索手段は、前記コンテンツのメタデータと前記検索条件との意味的類似度、前記コンテンツの一部である部分コンテンツの特徴量における前記検索条件の出現確率のうちいずれか又は両方を用いて前記重要度を計算することを特徴とする。
The information search device according to
請求項3に記載の情報検索装置は、請求項1又は2に記載の情報検索装置において、前記コンテンツ情報は、前記コンテンツのメタデータ及び/又は前記コンテンツの一部である部分コンテンツであって、前記生成手段は、前記メタデータと前記検索条件との意味的類似度、前記部分コンテンツの特徴量における前記検索条件の出現確率のうちいずれか又は両方を用いて前記関連度を計算することを特徴とする。
The information search device according to
請求項4に記載の情報検索方法は、コンピュータにより行う情報検索方法において、入力されたコンテンツの検索条件に対するコンテンツの重要度が一定基準以上のコンテンツをコンテンツ記憶手段から検索して、コンテンツリストに記憶させる検索ステップと、前記検索条件に対する前記検索されたコンテンツに係るコンテンツ情報の関連度が一定基準以上のコンテンツ情報を前記コンテンツリストから抽出して、検索推薦情報として記憶させた検索推薦情報リストを生成する生成ステップと、前記検索推薦情報の大きさ、色、透明度、表示位置の各設定値のうち少なくともいずれか1つのパラメータを前記関連度に基づいて計算する計算ステップと、前記コンテンツリストのコンテンツを出力すると共に、前記検索推薦情報リストの検索推薦情報を前記計算されたパラメータで出力する出力ステップと、出力された検索推薦情報が選択された場合に、当該選択された検索推薦情報を用いて前記入力されたコンテンツの検索条件を変更する変更ステップと、を有し、前記計算ステップは、前記検索推薦情報リストの検索推薦情報間の意味的類似度に基づいて1つ以上のグループを構成し、当該グループに応じて前記パラメータを計算することを特徴とする。 Information search method according to claim 4 is the information retrieval method performed by a computer, the importance of the content to the search condition of the input content is searched from the content storage means the contents of more than a certain criteria, stored in the content list And a search recommendation information list in which content information having a relevance level of content information related to the searched content with respect to the search condition is equal to or higher than a certain standard is extracted from the content list and stored as search recommendation information A generation step for calculating, a calculation step for calculating at least one parameter among the setting values of the size, color, transparency, and display position of the search recommendation information based on the relevance, and content of the content list And outputting the search recommendation information list An output step of outputting recommendation information with the calculated parameters, and a change for changing the search condition of the input content using the selected search recommendation information when the output search recommendation information is selected And the step of calculating comprises forming one or more groups based on semantic similarity between the search recommendation information in the search recommendation information list, and calculating the parameters according to the groups. It is characterized by.
本発明によれば、検索条件に対して重要度の高いコンテンツをコンテンツ群から検索し、検索されたコンテンツから検索条件に関連度の強いコンテンツ情報を検索推薦情報として抽出し、抽出された検索推薦情報を関連度に基づいて出力し、出力された検索推薦情報が選択された場合には選択された検索推薦情報で入力された検索条件を変更するため、最少の操作回数で簡易かつ高速にクエリ入力することができる。 According to the present invention, content that is highly important for a search condition is searched from a content group, content information that is highly relevant to the search condition is extracted from the searched content as search recommendation information, and the extracted search recommendation Information is output based on the degree of relevance, and when the output search recommendation information is selected, the search condition input by the selected search recommendation information is changed, so the query can be easily and quickly performed with the minimum number of operations. Can be entered.
請求項5に記載の情報検索方法は、請求項4に記載の情報検索方法において、前記検索ステップは、前記コンテンツのメタデータと前記検索条件との意味的類似度、前記コンテンツの一部である部分コンテンツの特徴量における前記検索条件の出現確率のうちいずれか又は両方を用いて前記重要度を計算することを特徴とする。 The information search method according to claim 5 is the information search method according to claim 4 , wherein the search step is a semantic similarity between the metadata of the content and the search condition, and a part of the content. The importance is calculated using one or both of the appearance probabilities of the search condition in the feature amount of the partial content.
請求項6に記載の情報検索方法は、請求項4又は5に記載の情報検索方法において、前記コンテンツ情報は、前記コンテンツのメタデータ及び/又は前記コンテンツの一部である部分コンテンツであって、前記生成ステップは、前記メタデータと前記検索条件との意味的類似度、前記部分コンテンツの特徴量における前記検索条件の出現確率のうちいずれか又は両方を用いて前記関連度を計算することを特徴とする。 The information search method according to claim 6 is the information search method according to claim 4 or 5 , wherein the content information is metadata of the content and / or partial content that is a part of the content, The generation step calculates the relevance using one or both of the semantic similarity between the metadata and the search condition, and the appearance probability of the search condition in the feature amount of the partial content. And
請求項7に記載の情報検索プログラムは、請求項4乃至6のいずれかに記載の情報検索方法における各ステップをコンピュータに実行させることを特徴とする。 Information retrieval program according to claim 7, characterized in that to execute the steps of the information retrieval method according to any one of claims 4 to 6 on a computer.
本発明によれば、最少の操作回数で簡易かつ高速にクエリ入力することができる。 According to the present invention, it is possible to input a query simply and at high speed with the minimum number of operations.
以下、本発明を実施する一実施の形態について説明する。但し、本発明は多くの異なる様態で実施することが可能であり、本実施の形態の記載内容に限定して解釈すべきではない。 Hereinafter, an embodiment for carrying out the present invention will be described. However, the present invention can be implemented in many different modes and should not be construed as being limited to the description of the present embodiment.
〔情報検索システムの構成及び機能について〕
図1は、本実施の形態に係る情報検索システムの機能ブロック構成を示す図である。この情報検索システム1は、ユーザにより入力された検索条件を指示するユーザ端末100と、入力された検索条件に基づいて情報を検索する情報検索装置300とで構成されている。そして、ユーザ端末100と情報検索装置300とは通信網500を介して相互に通信可能に接続されている。
[Configuration and function of information retrieval system]
FIG. 1 is a diagram showing a functional block configuration of the information search system according to the present embodiment. The
ユーザ端末100は、通信網500を介して情報検索装置300に検索条件を指定し、情報検索装置300により提示された検索結果をユーザに閲覧可能に提示する機能を有している。例えば、ウェブ表示機能を有する汎用のパソコンや、スマートフォン等のモバイル端末により実現可能である。なお、ユーザ端末100は1台以上であればよく、数量には何ら制限されない。
The
情報検索装置300は、入力部31と、コンテンツ検索部32と、検索推薦情報リスト生成部33と、提示パラメータ計算部34と、出力部35と、検索条件変更部36と、コンテンツ記憶部37とで構成されている。以下、これら各処理機能部の有する機能について詳述する。
The
コンテンツ記憶部37は、様々な複数のコンテンツ(コンテンツ群)を記憶しておく機能を有している。例えば、図2に示すように、コンテンツとコンテンツに関連するコンテンツ情報とをメタデータとして格納している。
The
コンテンツとしては、例えば、文書、映像、画像、音声、音楽等の各種コンテンツが挙げられる。また、メタデータとは、コンテンツの内容を表現するコンテンツ情報であり、例えば、コンテンツのタイトル、概要文、キーワード等が挙げられる。以下、タイトル、概要文、キーワードのうち少なくともいずれか1つがメタデータに含まれているものとする。なお、このように記憶格納されるコンテンツやコンテンツ情報の入手方法については何ら制限されない。 Examples of contents include various contents such as documents, videos, images, sounds, and music. The metadata is content information that expresses the content of the content, and includes, for example, a content title, a summary sentence, and a keyword. Hereinafter, it is assumed that at least one of a title, a summary sentence, and a keyword is included in the metadata. It should be noted that the method for obtaining the content and content information stored and stored in this way is not limited.
入力部31は、通信網500を介してユーザ端末100から送信された検索条件をクエリとして受け付けて、情報検索装置内に入力する機能を有している。
The
コンテンツ検索部32は、コンテンツ記憶部37のコンテンツ群を参照し、入力されたコンテンツのクエリ(検索条件)に対するコンテンツの重要度を計算し、コンテンツの重要度が高いコンテンツをコンテンツ記憶部37から検索して、コンテンツリストに記憶させる機能を有している。
The
検索推薦情報リスト生成部33は、上記クエリ(検索条件)と上記検索されたコンテンツに係るコンテンツ情報との関連度を計算し、クエリ(検索条件)に対するコンテンツ情報の関連度が高いコンテンツ情報(メタデータ及び/又は後述する部分コンテンツ)をコンテンツリストから抽出して、検索推薦情報として記憶させた検索推薦情報リストを生成する機能を有している。
The search recommendation information
提示パラメータ計算部34は、検索推薦情報リストの検索推薦情報の大きさ、色、透明度、表示位置の各設定値のうち少なくともいずれか1つの提示パラメータを上記関連度に基づいて計算する機能を有している。
The
出力部35は、コンテンツリストを参照して、コンテンツリストのコンテンツをユーザ端末100に提示する提示画面に出力すると共に、検索推薦情報リスト及び提示パラメータを参照して、検索推薦情報リストの検索推薦情報を上記計算された提示パラメータで特徴付けて上記提示画面に出力して、それら出力データからなる提示画面を検索結果としてユーザ端末100に送信する機能を有している。
The
検索条件変更部36は、出力された検索推薦情報がユーザにより選択された場合に、その選択されたタイミングで、選択された検索推薦情報を用いて上記入力されたコンテンツのクエリ(検索条件)を変更し、その変更により新たに生成されたクエリ(検索条件)を用いて、コンテンツ検索部32に対してコンテンツ検索処理を再実行するように要求する機能を有している。
When the output search recommendation information is selected by the user, the search
以上の情報検索装置はコンピュータで構成される。すなわち、情報検索装置を構成している各処理機能部は、メモリやハードディスク等の記憶手段、CPU等の演算手段で実現され、プログラムで実行される。特に、コンテンツ記憶部37については、メモリやストレージに代えて、RDBMS(Relational Database Management System)等により実現可能である。
The above information retrieval apparatus is configured by a computer. That is, each processing function unit constituting the information search apparatus is realized by a storage unit such as a memory or a hard disk, or a calculation unit such as a CPU, and is executed by a program. In particular, the
〔情報検索装置の動作について〕
次に、図3を参照しながら、情報検索装置300の動作について説明する。なお、コンテンツについては、映像を一例に扱う場合について説明するが、前述したような他のコンテンツであっても同様の動作に基づいて同様の作用効果を得ることができる。また、メタデータについては、例えば、映像のタイトル、概要文、キーワード等の映像に関連する情報が記載されているものとする。
[Operation of information retrieval device]
Next, the operation of the
最初に、入力部31が、ユーザ端末100で入力された検索条件をクエリとして受け付けて、その受け付けたクエリをコンテンツ検索部32に送信する(S101)。ここでは、受け付けるクエリをキーワードクエリとする。
First, the
次いで、コンテンツ検索部32が、コンテンツ記憶部37を参照し、受け付けたクエリに対するコンテンツの重要度を計算し、重要度の高いコンテンツをコンテンツ記憶部37から検索して、その重要度の高いコンテンツを格納したコンテンツリストを生成する(S102)。
Next, the
ここで、重要度の計算方法について説明する。コンテンツ記憶部37を参照する場合と参照しない場合とで重要度の計算方法が異なるため各場合について以下説明する。また、それら各場合でそれぞれ計算される複数の重要度を任意の二項演算や線形結合等することにより、両方を組み合わた重要度を用いるようにしてもよい。ユーザに対するコンテンツ検索の即応性が必要であれば、いずれか一方のみの重要度を用いるようにしてもよい。
Here, the calculation method of importance will be described. Since the importance calculation method differs depending on whether the
<コンテンツ記憶部を参照する場合>
コンテンツ記憶部37を参照する場合には、メタデータを用いてクエリに対する重要度を解析する。
<When referring to the content storage unit>
When referring to the
例えば、クエリQがm個のキーワードQ={q1,q2,…,qm}により指定されるとする。クエリQに対して、あるコンテンツciが重要であるか否かは、コンテンツciがクエリQにどの程度適合したものであるかに依存する。この依存性は、コンテンツciとクエリQとの間における意味的な類似度を計算することにより判断することができる。 For example, assume that the query Q is specified by m keywords Q = {q 1 , q 2 ,..., Q m }. For the query Q, whether certain content c i are important, the content c i depends on whether it is that the extent to which conform to the query Q. This dependence can be determined by calculating the semantic similarity between the content c i and the query Q.
コンテンツciの意味的な内容は、コンテンツciのメタデータ(タイトル、概要文、キーワード等)に出現するキーワード群T(ci)={t1(ci),t2(ci),…,tn(ci)}によって表現されるとする。このとき、コンテンツciとクエリQに含まれる単一のクエリqjとの意味的な類似性s(ci|qj)は、そのキーワード群T(ci)に基づいて、例えば、以下の式(1)を用いて計算することができる。
なお、NGD(x,y)は、「The Google Similarity Distance.」(Rudi Cilibrasi、他1名、IEEE Transactions on Knowledge and Data Engineering、2007年、Vol.19、No.3、p.370-383)に記載されたNormalized Google Distanceの略であり、xとyとの間の意味的な距離を表す指標である。また、λは、任意に設定可能なNGDに対する係数である。 NGD (x, y) is "The Google Similarity Distance." (Rudi Cilibrasi, 1 other, IEEE Transactions on Knowledge and Data Engineering, 2007, Vol.19, No.3, p.370-383) Is an abbreviation for Normalized Google Distance, and is an index representing a semantic distance between x and y. Λ is a coefficient for NGD that can be arbitrarily set.
そして、式(1)で計算される意味的な類似性s(ci|qj)を利用して、クエリQに対する候補コンテンツciの重要度IMP(ci|Q)を、例えば、式(2)を用いて計算する。
以上が、コンテンツ記憶部37を参照する場合における重要度の計算方法の一例である。
The above is an example of the importance calculation method when the
<コンテンツ記憶部を参照しない場合>
コンテンツ記憶部37を参照しない場合には、メタデータではなく、通信網500に配置されたウェブサーバ等から取得したコンテンツ自体を解析して、クエリに対する重要度を解析する。
<When not referring to the content storage unit>
When the
コンテンツが文書である場合には、その文書を表す代表的なキーワードを抽出することにより、上記コンテンツ記憶部37を参照する場合と同様の処理に基づいて重要度を計算することができる。
In the case where the content is a document, the importance can be calculated based on the same processing as in the case of referring to the
コンテンツが映像である場合には、映像中の画像信号や音信号を解析して、クエリとの類似度を判断する。ここでは、コンテンツが映像である場合について処理の一例を説明するが、映像には画像や音が含まれるため、コンテンツが画像や音の場合であっても必要な処理を適宜選択することにより適用可能である。 If the content is a video, the image signal and sound signal in the video are analyzed to determine the similarity with the query. Here, an example of processing will be described for the case where the content is video. However, since the video includes images and sounds, the processing is applied by appropriately selecting necessary processing even when the content is images and sounds. Is possible.
まず、映像を複数の映像区間(コンテンツの一部である部分コンテンツ)に分割し、各区間から少数の画像及び音を抽出する。その後、抽出された画像・音の特徴量を解析し、その特徴量に基づいてコンテンツの重要度を判断する。 First, the video is divided into a plurality of video sections (partial contents that are part of the content), and a small number of images and sounds are extracted from each section. After that, the feature quantity of the extracted image / sound is analyzed, and the importance level of the content is determined based on the feature quantity.
映像を区間分割する場合には、例えば、「Structured Video Computing.」(Yoshinobu Tonomura、外3名、IEEE Multimedia、1994年、Vol.1、No. 3、p.34-43)に記載されたカット検出法を利用することができる。このカット検出による区間分割は、一続きの撮影区間を単位として分割することができる。一続きの撮影区間は、そこに含まれる画像フレームが類似している場合が多いため、後の処理において、似たような画像を重複して解析する無駄を省く点でも好適である。このような区間分割後、分割された各区間をクラスタリングすることにより、区間数を絞り込むようにしてもよい。 When the video is divided into sections, the cut described in “Structured Video Computing.” (Yoshinobu Tonomura, 3 others, IEEE Multimedia, 1994, Vol. 1, No. 3, p.34-43) Detection methods can be used. The section division based on this cut detection can be divided in units of a continuous shooting section. Since a series of shooting sections often have similar image frames included therein, it is also preferable in terms of eliminating waste of analyzing similar images in a later process. After such section division, the number of sections may be narrowed down by clustering the divided sections.
続いて、分割された各区間から少数の画像フレーム・音フレームを抽出する。区間中のどのフレームを抽出するか、いくつ抽出するかについては任意性がある。例えば、区間から一定間隔で抽出するようにしてもよい。最も単純には、区間から画像フレーム・音フレームをそれぞれ1つずつ抽出する方法である。この場合には、図4に示すように、区間の中心に位置するフレームを抽出すればよい。区間の時間長がΔtの場合、Δt/2に最も近い位置の画像フレームを抽出し、Δt/2の位置から始まる一定区間(例えば、α分)の音信号を音フレームとして抽出する。 Subsequently, a small number of image frames / sound frames are extracted from each divided section. It is arbitrary about which frame in the section is extracted and how many frames are extracted. For example, it may be extracted from the section at regular intervals. The simplest method is to extract one image frame and one sound frame from the section. In this case, as shown in FIG. 4, the frame located at the center of the section may be extracted. When the time length of the section is Δt, an image frame at a position closest to Δt / 2 is extracted, and a sound signal of a certain section (for example, α minutes) starting from the position of Δt / 2 is extracted as a sound frame.
次に、抽出された画像フレーム・音フレームから特徴量を抽出する。この特徴量としては任意のものを用いることができる。以下、その特徴量の一例について説明する。 Next, feature quantities are extracted from the extracted image frames and sound frames. Any feature amount can be used. Hereinafter, an example of the feature amount will be described.
画像特徴としては、例えば、HSVヒストグラム、L*a*b*ヒストグラム等の色に関するもの、動きベクトルの角度・大きさに対するヒストグラムにより表現される動きに関するもの、Tamura特徴やコントラスト等のテクスチャに関するもの、SIFT(Scale Invariant Feature Transform)、SURF(Speeded-Up Robust Feature)、Fern等の局所特徴、GIST等の景観特徴等を抽出するのが好ましい。また、局所特徴については、それら画像特徴を量子化したのち、各量子の頻度に基づいてヒストグラムを構成し、これを特徴量とするものとしてもよい。 Image features include, for example, colors related to HSV histograms, L * a * b * histograms, etc., motions expressed by histograms with respect to the angle and magnitude of motion vectors, textures such as Tamura features and contrast, It is preferable to extract SIFT (Scale Invariant Feature Transform), SURF (Speeded-Up Robust Feature), local features such as Fern, and landscape features such as GIST. For local features, after quantizing these image features, a histogram may be constructed based on the frequency of each quantum, and this may be used as a feature quantity.
音特徴としては、例えば、ピッチ、音量、パワースペクトル密度、MFCC(Mel Frequency Cepstrum Coefficients)、自己相関係数等を抽出するのが好ましい。 As the sound feature, for example, it is preferable to extract pitch, volume, power spectral density, MFCC (Mel Frequency Cepstrum Coefficients), autocorrelation coefficient, and the like.
続いて、上記抽出した特徴量に基づいて、クエリに対する重要度を算出する。この算出には、予め特徴量とクエリとの関係をモデル化した統計モデルを学習しておき、この統計モデルに基づいて重要度を算出する。 Subsequently, the importance for the query is calculated based on the extracted feature amount. For this calculation, a statistical model obtained by modeling the relationship between the feature quantity and the query is learned in advance, and the importance is calculated based on this statistical model.
仮に、コンテンツciがいくつかの区間(部分コンテンツ)に分割されており、各区間からは1つ以上の画像フレーム・音フレームが抽出されているとする。これらの特徴量を{f1(ci),f2(ci),…,fk(ci)}とし、クエリQがm個のキーワードキーワードQ={q1,q2,…,qm}により表現されるとする。本処理の一例では、各特徴量が与えられた下での各クエリの出現確率を計算する統計モデルp(q|f)を求めておき、これに基づいてコンテンツの重要度を計算する。 If, is divided into the content c i is some interval (partial content), and one or more image frames, sound frame from each segment is extracted. These feature values are {f 1 (c i ), f 2 (c i ),..., F k (c i )}, and the query Q is m keyword keywords Q = {q 1 , q 2 ,. Let q m } be expressed. In an example of this processing, a statistical model p (q | f) for calculating the appearance probability of each query under each feature amount is obtained, and the importance of the content is calculated based on the statistical model p (q | f).
統計モデルp(q|f)は、本実施の形態に係る情報検索装置300を利用する前に事前に得ておき、記憶しておくものである。このためには、コンテンツciに対して、これと関係するキーワードの集合が与えられたデータを用意する必要がある。仮にコンテンツ記憶部37が予め参照できる時には、これを利用しても構わない。コンテンツciのメタデータ(タイトル、概要文、キーワード等)に出現するキーワード群T(ci)={t1(ci),t2(ci),…,tn(ci)}があるとき、fk(ci)に対して、T(ci)に含まれるキーワードを正例、含まれないキーワードを負例とする。このような関係データを複数{c1,c2,…,cn}用意しておき、このデータを基に統計モデルを帰納的に学習する。このような統計モデルには、例えば、Fisher線形判別関数、SVM(Support Vector Machine)、Multiple Kernel Classifier等、任意のものを用いることができる。
The statistical model p (q | f) is obtained and stored in advance before using the
このように得られる統計モデルp(t|f)は、任意の特徴量fに対して各キーワードtが与えられる確率となる。すなわち、任意のコンテンツciのある特徴量fk(ci)において、Q={q1,q2,…,qm}のそれぞれが出現する確率を算出することができる。この統計モデルを用いて、コンテンツciのクエリQに対する重要度IMP(ci|Q)を、例えば、以下の式(3)を用いて計算することができる。
以上が、コンテンツ記憶部37を参照しない場合における重要度の計算方法の一例である。
The above is an example of the importance calculation method when the
ここで、以上のように計算された重要度を有するコンテンツのうち、重要度の高いコンテンツを検索する方法(重要度判定基準選定方法)について説明する。例えば、0.7以上等の閾値を予め設定しておき、その閾値を超える重要度のコンテンツを重要度の高いコンテンツとして検出するようにしてもよい。その他、重要度が上位n個(nは自然数であり、30前後が好ましい)等のコンテンツを検出するようにしてもよい。その他、重要度が上位一定の割合(上位n%、nは10前後が好ましい)分を検出するようにしてもよい。このようなコンテンツの検索方法は、後述する関連度の高いコンテンツ情報を抽出する方法にも適用可能である。 Here, a description will be given of a method (importance criterion selection method) for searching for content with high importance among the contents having importance calculated as described above. For example, a threshold value of 0.7 or higher may be set in advance, and content with an importance level exceeding the threshold value may be detected as content with a high level of importance. In addition, content having the highest importance (n is a natural number, preferably around 30) may be detected. In addition, it is also possible to detect the proportion of the upper importance level (the upper n%, where n is preferably around 10). Such a content search method can also be applied to a method of extracting content information having a high degree of relevance described later.
実用上は、コンテンツリストの生成については上位n個型の検索方法を採用し、検索推薦情報リストの生成については閾値利用型の検索方法を採用することが望ましい。また、閾値利用型の検索方法のみの場合には、設定された閾値以上の重要度を有するコンテンツ等が存在しない状況が発生するため、その場合には上位n%型の検索方法を利用する、というように優先度を付けて複数の検索方法を採用することが望ましい。 Practically, it is desirable to employ the top n search methods for generating the content list and to employ a threshold-based search method for generating the search recommendation information list. Further, in the case of only the threshold-based search method, there occurs a situation in which there is no content or the like having an importance level equal to or higher than the set threshold. In this case, the upper n% type search method is used. It is desirable to adopt a plurality of search methods with priorities.
図3に戻り、S102の後、検索推薦情報リスト生成部33が、S102で生成されたコンテンツリストを受け取り、そのコンテンツリストに含まれる各コンテンツのコンテンツ情報とクエリとの関連度を計算し、その関連度が高いコンテンツ情報をコンテンツリストから抽出して、検索推薦情報として格納した検索推薦情報リストを生成する(S103)。
Returning to FIG. 3, after S102, the search recommendation information
コンテンツ情報は、メタデータと部分コンテンツとのいずれか又は両方からなる。ここでは、その両方についてクエリとの関連度を求める方法について説明する。なお、検索推薦情報リストのうち、メタデータを格納する検索推薦情報リストを検索推薦キーワードリストとし、部分コンテンツを格納する検索推薦情報リストを検索推薦部分コンテンツリストとする。 The content information is composed of either or both of metadata and partial content. Here, a method for obtaining the degree of association with the query for both of them will be described. Of the search recommendation information lists, a search recommendation information list storing metadata is a search recommendation keyword list, and a search recommendation information list storing partial content is a search recommendation partial content list.
検索推薦キーワードリストと検索推薦部分コンテンツリストとの両方を合わせたリストを検索推薦情報リストとしてもよく、ユーザに対するコンテンツ検索の即応性が必要である場合には、いずれか一方のみを用いるようにしてもよい。 A list that combines both the search recommendation keyword list and the search recommendation partial content list may be used as the search recommendation information list. When quick response of content search to the user is required, use only one of them. Also good.
<検索推薦キーワードリストの生成方法>
最初に、検索推薦キーワードリストの生成方法の一例について説明する。コンテンツリストに格納された全てのコンテンツのメタデータのキーワード群を改めてT={t1,t2,…,tn}とする。このとき、クエリQ={q1,q2,…,qm}に対する各キーワードの関連度REL(tk|Q)は、例えば、以下の式(4)を用いて計算することができる。
First, an example of a method for generating a search recommendation keyword list will be described. Let T = {t 1 , t 2 ,..., T n } be a new keyword group of metadata of all contents stored in the content list. At this time, the relevance REL (t k | Q) of each keyword with respect to the query Q = {q 1 , q 2 ,..., Q m } can be calculated using, for example, the following equation (4).
なお、NGD(x,y)は、式(1)と同様にxとyとの間の意味的な距離を表す指標(意味的類似度)であり、ηは、任意に設定可能なNGDに対する係数である。 NGD (x, y) is an index (semantic similarity) indicating a semantic distance between x and y, as in the equation (1), and η is an arbitrarily set NGD. It is a coefficient.
その後、計算された関連度を用いて、関連度の高いキーワードを検索推薦キーワードリストに格納する。 Thereafter, using the calculated degree of relevance, keywords having a high degree of relevance are stored in the search recommendation keyword list.
以上が、検索推薦キーワードリストの生成方法の一例である。 The above is an example of a method for generating a search recommendation keyword list.
<検索推薦部分コンテンツリストの生成方法>
次に、検索推薦部分コンテンツリストの生成方法の一例について説明する。基本的には、<コンテンツ記憶部を参照しない場合>で説明したコンテンツ検索処理と略同様の処理を実行する。
<Method for generating search recommendation partial content list>
Next, an example of a method for generating a search recommendation partial content list will be described. Basically, substantially the same processing as the content search processing described in <When content storage unit is not referred to> is executed.
コンテンツリストに格納された全てのコンテンツから抽出された特徴量を、改めて{f1(ci),f2(ci),…,fk(ci)}とする。先の処理では、特徴量fとキーワードtとの関係を表す統計モデルp(t|f)を利用して、キーワードと特徴量との関連度を求めていた。ここでも同様に、任意のコンテンツciのある特徴量fk(ci)において、クエリQ={q1,q2,…,qm}に対する各キーワードの関連度REL(fk|Q)を、例えば、以下の式(5)を用いて計算する。
その後、計算された関連度の高い特徴量を含む部分コンテンツをクエリとの関連度が高いものとみなして検索推薦キーワードリストに格納する。 Thereafter, the partial content including the calculated feature quantity having a high degree of relevance is regarded as having a high degree of relevance with the query and stored in the search recommendation keyword list.
なお、このような統計モデルp(t|f)を用いることなく、関連度を推定する処理方法もある。もともと、コンテンツリストに格納されたコンテンツはクエリに対する重要度が高いコンテンツであった。したがって、このようなコンテンツ群の中で代表的な部分コンテンツは、やはりクエリに対する関連度が高い傾向にあるため、代表的な部分コンテンツを検出すれば、それは検索推薦部分コンテンツリストに含めるべきものであると言える。 There is also a processing method for estimating the degree of association without using such a statistical model p (t | f). Originally, the content stored in the content list is content with high importance for the query. Therefore, representative partial contents in such a content group tend to have a high degree of relevance to the query. Therefore, if a representative partial content is detected, it should be included in the search recommended partial content list. It can be said that there is.
代表的な部分コンテンツは、例えば、クラスタリングすることによって検出することができる。コンテンツリストに格納されたコンテンツ群の全ての部分コンテンツについて特徴量{f1(ci),f2(ci),…,fk(ci)}が得られているため、この特徴量間の類似度を基にクラスタリングを実行すればよい。 Representative partial content can be detected by, for example, clustering. Since feature quantities {f 1 (c i ), f 2 (c i ),..., F k (c i )} are obtained for all partial contents of the content group stored in the content list, this feature quantity is obtained. Clustering may be executed based on the similarity between the two.
類似度としては、L2ノルム、L1ノルム、カイ二乗距離、Earth Mover’s Distance等の適当な距離を用いることができる。また、クラスタリングについては、k-means法やk-center法等の任意のものを用いることができる。例えば、「Clustering by Passing Messages between Data Points.」(Brendan J. Frey、外1名、Science、2007年、Vol.315、p.972-976)に記載のAffinity Propagation等を用いることにより、事前にクラスタ数を指定することなくクラスタリングを実行することができ、好適である。 As the similarity, an appropriate distance such as L2 norm, L1 norm, chi-square distance, or Earth Mover's Distance can be used. For clustering, an arbitrary method such as a k-means method or a k-center method can be used. For example, by using Affinity Propagation described in “Clustering by Passing Messages between Data Points.” (Brendan J. Frey, 1 other, Science, 2007, Vol.315, p.972-976) Clustering can be executed without specifying the number of clusters, which is preferable.
そして、そのクラスタリングの結果、クラスタ代表となった特徴量を含む部分コンテンツを検索推薦部分コンテンツリストに含める。 Then, as a result of the clustering, the partial content including the feature quantity that is the cluster representative is included in the search recommended partial content list.
以上が、検索推薦部分コンテンツリストの生成方法の一例である。 The above is an example of a method for generating a search recommendation partial content list.
引き続き、S103の後、提示パラメータ計算部34が、S103で生成された検索推薦情報リストを参照し、S103で計算された関連度に基づいて検索推薦情報を配列する際に利用する提示パラメータを計算する(S104)。
Subsequently, after S103, the presentation
ここでいう提示パラメータとは、検索推薦情報リスト内の検索推薦情報をユーザに提示する際の提示画面において、各検索推薦情報の大きさ、色、透明度、表示位置等を表す値(設定値)である。 The presentation parameter here is a value (setting value) representing the size, color, transparency, display position, etc. of each search recommendation information on the presentation screen when the search recommendation information in the search recommendation information list is presented to the user. It is.
人間にとって、一般に、ある文字列を提示する際、その文字列が大きければ大きいほど、色が誘目性の高い色であればあるほど(白地に赤文字等)、透明度が低いほど、目に入りやすく、重要であると認識されやすい。また、検索等のシーンを想定した場合には、その提示位置が上部左上にあるものほどランキング上位、すなわち、重要であると認識されやすい。このような考えに基づき、検索推薦情報(キーワード及び/又は部分コンテンツ)を、関連度の高いものほど目立つように配置する。 For humans, in general, when a character string is presented, the larger the character string, the more attractive the color (such as red letters on a white background), and the lower the transparency, the more it enters the eye. Easy to recognize as important. In addition, when a scene such as a search is assumed, the higher the upper left position of the presentation position, the easier it is to recognize that it is important. Based on such an idea, search recommendation information (keywords and / or partial contents) is arranged so as to be more conspicuous as the degree of relevance increases.
検索推薦情報のうち、キーワードについては、関連度が高いものほど、大きく、目立つ色で、透明度を低く、位置は上部左上に近い位置に提示するように、提示パラメータを決定する。また、部分コンテンツについては、関連度の高いものほど、大きく、透明度を低く、位置は上部左上に近い位置に提示するように、提示パラメータを決定する。 Among the search recommendation information, for the keyword, the presentation parameter is determined so that the higher the degree of relevance is, the larger and more conspicuous color is, the lower the transparency is, and the position is presented at a position near the upper left. For partial content, the presentation parameter is determined so that the higher the degree of relevance is, the lower the transparency is, and the position is presented at a position close to the upper left of the upper part.
例えば、大きさ、色、透明度については、図5に示すように、関連度の値を量子化し、各量子に対応した大きさ、色、透明度を選択することによって決定することができる。 For example, as shown in FIG. 5, the size, color, and transparency can be determined by quantizing the relevance value and selecting the size, color, and transparency corresponding to each quantum.
大きさについては、例えば、基準の大きさを1とし、関連度が0.5未満であれば0.5、0.5以上0.7未満であれば1、0.7以上であれば2等のように決定すればよい。色については、例えば、背景が白である場合には、グレー、黒、赤等といったように設定すれば、関連度が高いほど誘目性が高い色となる。なお、式(4)や式(5)により計算される関連度RELは、正の値で且つ1.0以下の値をとることに注意されたい。 As for the size, for example, if the reference size is 1, and the relevance is less than 0.5, 0.5, 0.5 if less than 0.5 and 1 if 0.7 or more, 2 And so on. For example, when the background is white, if the color is set to be gray, black, red, or the like, the color becomes more attractive as the degree of association increases. Note that the relevance REL calculated by the equations (4) and (5) takes a positive value and a value of 1.0 or less.
また、表示位置については、最も単純には、関連度の高いものから順に、最上部左から右、二行目左から右…と順に配列するものとしていけばよい。一方で、このような単純な配列の場合に被る不利益もある。例として、図6(a)に、クエリが「スポーツ」である場合の、検索推薦キーワードリストのキーワード群を示す。 In addition, the display positions may be arranged in the order of the highest degree of relevance in order from the top left to the right, the second line from the left to the right, and so on. On the other hand, there are also disadvantages incurred with such simple arrays. As an example, FIG. 6A shows a keyword group of the search recommended keyword list when the query is “sports”.
この例では、左上から関連度の高い順に、スポーツに関連したキーワードを配置している。しかしながら、この検索推薦キーワードリストには、「サッカー」に関するもの、「野球」に関するもの、「テニス」に関するもの、その他のもの等、複数のトピックが混在して提示されてしまう。例えば、仮に、ユーザがこの後、「サッカー」に関する絞り込みを行う場合、「サッカー」に関するキーワードを一目して捉えることが難しいため、反対に不便である場合も出てくる。このような不便さを解消するため、推薦キーワード群をトピック毎に分けて提示するとしてもよい。 In this example, keywords related to sports are arranged in descending order from the upper left. However, a plurality of topics such as those related to “soccer”, “baseball”, “tennis”, and others are mixedly presented in this search recommendation keyword list. For example, if the user subsequently narrows down “soccer”, it may be inconvenient on the contrary because it is difficult to catch a keyword related to “soccer” at a glance. In order to eliminate such inconvenience, the recommended keyword group may be presented separately for each topic.
トピック毎にグルーピングするためには、例えば、クラスタリングを用いてキーワード群をまとめればよい。キーワード群T={t1,t2,…,tn}について、各キーワード間の意味的な距離に基づいてクラスタリングすることにより、意味の似た(概念の近い)キーワード同士が同一クラスタに属するようにグループを構成し、各グループに応じて提示パラメータを計算(グループ毎の提示パラメータの再計算)する。 In order to group by topic, for example, a group of keywords may be collected using clustering. For the keyword group T = {t 1 , t 2 ,..., T n }, keywords having similar meanings (similar concepts) belong to the same cluster by clustering based on the semantic distance between the keywords. The groups are configured as described above, and the presentation parameters are calculated according to each group (recalculation of the presentation parameters for each group).
このような意味的な距離としては、先に述べたNGDを利用することができる。また、クラスタリングする事前に、いくつのトピックが混在しているかが既知であるケースはめったにないため、クラスタリング法としては、クラスタ数も含めて自動決定可能な手法、例えば、Affinity Propagation等を用いるのが好適である。 The NGD described above can be used as such a semantic distance. In addition, since it is rarely known how many topics are mixed before clustering, a method that can be automatically determined including the number of clusters, such as Affinity Propagation, is used as the clustering method. Is preferred.
このようなクラスタリング結果に基づけば、図6(b)のような配置が可能となる。この場合には、同一トピックのキーワードは同じ行に、関連度順に配列され、特定のトピックに対して絞り込みを行おうとするユーザにとっての視認性、利便性を高めることができる。 Based on such a clustering result, an arrangement as shown in FIG. 6B is possible. In this case, keywords of the same topic are arranged in the same row in the order of relevance, so that visibility and convenience for a user who wants to narrow down a specific topic can be improved.
以上が、提示パラメータ計算処理の一例である。なお、必ずしもすべての提示パラメータを考慮する必要はなく、例えば、大きさと位置のみをパラメータとして扱う等と限定することも可能である。 The above is an example of the presentation parameter calculation process. Note that it is not always necessary to consider all the presentation parameters. For example, it may be limited that only the size and the position are treated as parameters.
図3に戻り、S104の後、出力部35が、コンテンツリスト、検索推薦情報リスト、提示パラメータを参照し、ユーザに提示する提示画面を生成して、ユーザ端末100に出力する(S105)。
Returning to FIG. 3, after S104, the
ここで、提示画面に対して、コンテンツリスト、検索推薦キーワードリスト、検索推薦部分コンテンツリストを配列する必要がある。その配列の一例を図7に示す。この配列例では、提示画面701が、検索条件投入部702と、コンテンツリスト(検索結果)提示部703と、検索推薦キーワードリスト提示部704と、検索推薦部分コンテンツリスト提示部705とで構成されている。
Here, it is necessary to arrange a content list, a search recommendation keyword list, and a search recommendation partial content list on the presentation screen. An example of the arrangement is shown in FIG. In this arrangement example, the
図7に示すように、コンテンツリストは提示画面右側、検索推薦キーワードリストは左上部、検索推薦部分コンテンツは左下部に提示する等として配列することができる。この際、検索推薦情報については、S104で決定した提示パラメータに従って、大きさや位置を変化させて提示する。 As shown in FIG. 7, the content list can be arranged on the right side of the presentation screen, the search recommendation keyword list is presented on the upper left, the search recommendation partial content is presented on the lower left, and so on. At this time, the search recommendation information is presented by changing the size and position according to the presentation parameters determined in S104.
ユーザは、コンテンツリスト提示部703に提示されたコンテンツを選択することにより、選択したコンテンツを視聴・閲覧することができる。
The user can view and browse the selected content by selecting the content presented in the content
また、検索推薦キーワードリスト提示部704に提示されたキーワードが選択された場合には、検索条件変更部36が選択されたキーワードを用いてクエリを変更することにより、選択したキーワードが検索条件投入部702に追加される(図3のS106)。このとき、検索条件変更部36により新たなクエリを用いた再検索がコンテンツ検索部32に要求されるため、1回のキーワード選択によりコンテンツを再検索することが可能となる。
When the keyword presented in the search recommendation keyword
例えば、図7の提示画面例では、現在、検索条件投入部702には「スポーツ サッカー」の2つのキーワードがクエリとして入力されている。ここで、仮にユーザが、検索推薦キーワードリスト中の「ハイライト」を選択したとすると、このタイミングで検索条件投入部702のクエリが「スポーツ サッカー ハイライト」に変化し、その変更後のクエリで再検索が行われる。
For example, in the example of the presentation screen in FIG. 7, two keywords “sports soccer” are currently input to the search
また、更に、検索推薦部分コンテンツリスト提示部705に提示された部分コンテンツが選択された場合には、選択された部分コンテンツを表す代表的なキーワードが検索条件投入部702に追加され、再検索が行われる。代表的なキーワードの選定は、選択された部分コンテンツを含むコンテンツのメタデータから取得してもよいし、その部分コンテンツの特徴量fに基づいて、この特徴量fが与えられた下でのキーワードtの出現確率p(t|f)が高いものを選出するものとしてもよい。
Furthermore, when the partial content presented in the search recommended partial content
基本的な処理の流れは以上の通りである。ただし、上記S102からS105の各処理の間に、ユーザが検索推薦情報リスト等を用いてクエリを変更した場合には、割り込みをかけてS106として検索条件変更処理を実行するようにしてもよい。この場合、クエリ入力と検索結果提示の非同期化ができるため、より高速な検索を実現することができる。 The basic processing flow is as described above. However, if the user changes the query using the search recommendation information list or the like between the processes of S102 to S105, the search condition change process may be executed in S106 by interruption. In this case, since query input and search result presentation can be made asynchronous, a higher-speed search can be realized.
以上が、本実施形態の一例における情報検索装置、及びその装置で実行されるコンテンツ検索方法の説明である。この情報検索方法で実施される処理プロセスを、コンピュータで読み取り可能なプログラムとして記述することも可能であることはいうまでもない。また、本実施形態では、コンテンツとして映像コンテンツを例に説明したが、文書、音声・音楽コンテンツ等についても、同様に適用できることはいうまでもない。 The above is the description of the information search apparatus and the content search method executed by the apparatus in an example of the present embodiment. It goes without saying that the processing process implemented by this information retrieval method can be described as a computer-readable program. In the present embodiment, the video content is described as an example of the content. However, it is needless to say that the present invention can be similarly applied to a document, audio / music content, and the like.
以上、本実施形態の一例における情報検索装置について詳細に説明した。本発明は説明した実施形態の一例に限定されるものでなく、特許請求の範囲に記載した技術的範囲において各種の変形を行うことが可能である。 Heretofore, the information search apparatus according to an example of the present embodiment has been described in detail. The present invention is not limited to the example of the embodiment described, and various modifications can be made within the technical scope described in the claims.
〔本実施形態の効果について〕
本実施の形態によれば、検索条件として与えられたクエリに対して重要となるコンテンツを検索し、更に当該コンテンツのコンテンツ情報(メタデータや部分コンテンツ)からクエリに関連の強いコンテンツ情報を検索推薦情報として抽出し、クエリに関係の強いもの検索推薦情報ほど目立つように提示し、選択された検索推薦情報で入力されたクエリを変更するので、提示された検索推薦情報をポインティングデバイス等により指定するだけで、当該検索推薦情報を用いた容易な検索を実現することができる。
[Effects of this embodiment]
According to the present embodiment, content that is important for a query given as a search condition is searched, and content information (metadata or partial content) of the content that is strongly related to the query is recommended for search. Information extracted, information that is strongly related to the query is presented more prominently, and the query entered with the selected search recommendation information is changed, so the presented search recommendation information is specified by a pointing device or the like Only by this, an easy search using the search recommendation information can be realized.
本実施の形態に係る情報検索装置を利用しない場合、クエリ入力の際の入力操作数は、入力するキーワードの長さに依存する。例えば、「新宿御苑」と入力する場合、ローマ字入力式のキーボードデバイスを利用した際には「S H I N J U K U G Y O E N」でおよそ13回の操作を要する。一方、本情報検索装置を利用した場合、クエリ入力はキーワードを指定することによって実施できる。ポインティングデバイスを利用すれば、その操作数はキーワードの長さによらず1キーワード当たり1回(1度のポイント)で済む。特に、最近のモバイル端末では、タッチスクリーンのようなポインティングデバイスを備えたものが多く生産されており、今後も普及拡大していく傾向にある。このため、前述のような、モバイル端末において顕著に表れるクエリ入力の負担を解消することができる。 When the information search apparatus according to the present embodiment is not used, the number of input operations when inputting a query depends on the length of the keyword to be input. For example, when “Shinjuku Gyoen” is entered, when a Roman-type keyboard device is used, “SHI N J U K U G Y O E N” requires about 13 operations. On the other hand, when this information retrieval apparatus is used, query input can be performed by designating a keyword. If a pointing device is used, the number of operations is only once per keyword (one point) regardless of the length of the keyword. In particular, recent mobile terminals are often produced with a pointing device such as a touch screen, and are likely to continue to spread in the future. For this reason, the burden of the query input which appears remarkably in a mobile terminal as mentioned above can be eliminated.
さらに、本実施の形態によれば、検索推薦情報として部分コンテンツも含めることができる。通常、クエリ入力を補助するだけならば、関連するキーワードを提示するのみで十分である。しかしながら、同時に部分コンテンツとして、コンテンツの一部を提示することは、特に画像や映像コンテンツを探す場合に効果がある。なぜならば、通常、ユーザは映像や画像を探す際、キーワードではなく、“像”をイメージしている。新宿御苑の桜の画像を探す場合であっても、ユーザによってイメージする画像は違うであろう。然るに、キーワードだけでは、“像”とのギャップが生じているため、自分の探しているものであるか否かの判別がつきにくい。本情報検索装置では、部分コンテンツを提示することによって、このようなギャップを解消し、直感的に把握しやすい形で検索推薦情報を提示できる。 Furthermore, according to the present embodiment, partial content can also be included as search recommendation information. Usually, it is sufficient to present relevant keywords only to assist in query input. However, presenting a part of content as partial content at the same time is particularly effective when searching for image or video content. This is because, normally, when searching for a video or an image, the user images an “image”, not a keyword. Even when searching for a cherry blossom image of Shinjuku Gyoen, the image of the image will differ depending on the user. However, the keyword alone causes a gap with the “image”, so it is difficult to determine whether it is what you are looking for. In this information retrieval apparatus, by presenting partial content, such a gap can be eliminated and retrieval recommendation information can be presented in a form that is intuitively easy to grasp.
以上示したように、本情報検索装置によれば、ユーザのクエリ入力操作を最少にとどめ、ユーザが所望するコンテンツに素早く簡単にアクセス可能にすることができる。これは情報検索技術分野に貢献するものである。 As described above, according to the information search apparatus, the user's query input operation can be minimized, and the content desired by the user can be accessed quickly and easily. This contributes to the information retrieval technology field.
100…ユーザ端末
300…情報検索装置
500…通信網
31…入力部
32…コンテンツ検索部(検索手段)
33…検索推薦情報リスト生成部(生成手段)
34…提示パラメータ計算部(検索手段)
35…出力部(出力手段)
36…検索条件変更部(変更手段)
37…コンテンツ記憶部
701…提示画面
702…検索条件投入部
703…コンテンツリスト提示部、
704…検索推薦キーワードリスト提示部
705…検索推薦部分コンテンツリスト提示部
S101〜S106…ステップ
DESCRIPTION OF
33 ... Search recommendation information list generation unit (generation means)
34 ... Presentation parameter calculation unit (search means)
35 ... Output unit (output means)
36 ... Search condition change part (change means)
37 ...
704 ... Search recommendation keyword
Claims (7)
前記検索条件に対する前記検索されたコンテンツに係るコンテンツ情報の関連度が一定基準以上のコンテンツ情報を前記コンテンツリストから抽出して、検索推薦情報として記憶させた検索推薦情報リストを生成する生成手段と、
前記検索推薦情報の大きさ、色、透明度、表示位置の各設定値のうち少なくともいずれか1つのパラメータを前記関連度に基づいて計算する計算手段と、
前記コンテンツリストのコンテンツを出力すると共に、前記検索推薦情報リストの検索推薦情報を前記計算されたパラメータで出力する出力手段と、
出力された検索推薦情報が選択された場合に、当該選択された検索推薦情報を用いて前記入力されたコンテンツの検索条件を変更する変更手段と、を有し、
前記計算手段は、
前記検索推薦情報リストの検索推薦情報間の意味的類似度に基づいて1つ以上のグループを構成し、当該グループに応じて前記パラメータを計算することを特徴とする情報検索装置。 A search unit that searches the content storage unit for content whose importance with respect to the input content search condition is equal to or higher than a certain standard, and stores the content in the content list;
Generation means for generating a search recommendation information list that extracts content information having a relevance level of content information related to the searched content with respect to the search condition equal to or higher than a certain standard and stored as search recommendation information;
Calculating means for calculating at least any one parameter among the set values of the size, color, transparency, and display position of the search recommendation information based on the relevance;
Outputting the content of the content list, and outputting the search recommendation information of the search recommendation information list with the calculated parameters;
If the search recommendation information output is selected, have a, a changing means for changing the search condition of the input content by using the search recommendation information in which the selected,
The calculating means includes
One or more groups are comprised based on the semantic similarity between the search recommendation information of the said search recommendation information list, The said parameter is calculated according to the said group .
前記コンテンツのメタデータと前記検索条件との意味的類似度、前記コンテンツの一部である部分コンテンツの特徴量における前記検索条件の出現確率のうちいずれか又は両方を用いて前記重要度を計算することを特徴とする請求項1に記載の情報検索装置。 The search means includes
The importance is calculated using one or both of the semantic similarity between the content metadata and the search condition, and the appearance probability of the search condition in the feature amount of the partial content that is a part of the content. The information retrieval apparatus according to claim 1.
前記生成手段は、
前記メタデータと前記検索条件との意味的類似度、前記部分コンテンツの特徴量における前記検索条件の出現確率のうちいずれか又は両方を用いて前記関連度を計算することを特徴とする請求項1又は2に記載の情報検索装置。 The content information is partial content that is metadata of the content and / or part of the content,
The generating means includes
2. The degree of association is calculated using one or both of a semantic similarity between the metadata and the search condition and an appearance probability of the search condition in the feature amount of the partial content. Or the information search device of 2.
入力されたコンテンツの検索条件に対するコンテンツの重要度が一定基準以上のコンテンツをコンテンツ記憶手段から検索して、コンテンツリストに記憶させる検索ステップと、
前記検索条件に対する前記検索されたコンテンツに係るコンテンツ情報の関連度が一定基準以上のコンテンツ情報を前記コンテンツリストから抽出して、検索推薦情報として記憶させた検索推薦情報リストを生成する生成ステップと、
前記検索推薦情報の大きさ、色、透明度、表示位置の各設定値のうち少なくともいずれか1つのパラメータを前記関連度に基づいて計算する計算ステップと、
前記コンテンツリストのコンテンツを出力すると共に、前記検索推薦情報リストの検索推薦情報を前記計算されたパラメータで出力する出力ステップと、
出力された検索推薦情報が選択された場合に、当該選択された検索推薦情報を用いて前記入力されたコンテンツの検索条件を変更する変更ステップと、を有し、
前記計算ステップは、
前記検索推薦情報リストの検索推薦情報間の意味的類似度に基づいて1つ以上のグループを構成し、当該グループに応じて前記パラメータを計算することを特徴とする情報検索方法。 In an information retrieval method using a computer,
A search step of searching the content storage means for content whose importance with respect to the input content search condition is equal to or higher than a certain standard, and storing the content in the content list;
Generating a search recommendation information list that extracts content information having a degree of relevance of the content information related to the searched content with respect to the search condition from the content list and stored as search recommendation information;
A calculation step of calculating at least any one parameter among the set values of the size, color, transparency, and display position of the search recommendation information based on the relevance;
Outputting the content of the content list and outputting search recommendation information of the search recommendation information list with the calculated parameters;
When the output search recommendation information is selected, a change step of changing the input content search condition using the selected search recommendation information, and
The calculation step includes:
One or more groups are comprised based on the semantic similarity between the search recommendation information of the said search recommendation information list, The said parameter is calculated according to the said group, The information search method characterized by the above-mentioned.
前記コンテンツのメタデータと前記検索条件との意味的類似度、前記コンテンツの一部である部分コンテンツの特徴量における前記検索条件の出現確率のうちいずれか又は両方を用いて前記重要度を計算することを特徴とする請求項4に記載の情報検索方法。 The search step includes
The importance is calculated using one or both of the semantic similarity between the content metadata and the search condition, and the appearance probability of the search condition in the feature amount of the partial content that is a part of the content. The information search method according to claim 4 , wherein:
前記生成ステップは、
前記メタデータと前記検索条件との意味的類似度、前記部分コンテンツの特徴量における前記検索条件の出現確率のうちいずれか又は両方を用いて前記関連度を計算することを特徴とする請求項4又は5に記載の情報検索方法。 The content information is partial content that is metadata of the content and / or part of the content,
The generating step includes
Claim 4, characterized in that calculating the degree of association with the semantic similarity of the metadata and the search condition, either or both of the occurrence probabilities of the search conditions in the feature value of the partial contents Or the information search method of 5 .
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2010274372A JP5469046B2 (en) | 2010-12-09 | 2010-12-09 | Information search apparatus, information search method, and information search program |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2010274372A JP5469046B2 (en) | 2010-12-09 | 2010-12-09 | Information search apparatus, information search method, and information search program |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2012123654A JP2012123654A (en) | 2012-06-28 |
JP5469046B2 true JP5469046B2 (en) | 2014-04-09 |
Family
ID=46505017
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2010274372A Expired - Fee Related JP5469046B2 (en) | 2010-12-09 | 2010-12-09 | Information search apparatus, information search method, and information search program |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP5469046B2 (en) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5942649B2 (en) * | 2012-07-09 | 2016-06-29 | 富士ゼロックス株式会社 | Image forming apparatus and program |
KR101620659B1 (en) * | 2012-12-18 | 2016-05-13 | 한양대학교 산학협력단 | Method for selecting similar users for collaborative filtering based on earth movers distance |
KR101612997B1 (en) | 2013-12-24 | 2016-04-18 | 삼성전자주식회사 | System and method for sharing digital content between NFC terminals using context-based search engine |
US20170053034A1 (en) * | 2014-06-11 | 2017-02-23 | Sony Corporation | Display control device, display control method, and program |
CN104239499B (en) * | 2014-09-10 | 2018-01-02 | 广州砺锋信息科技有限公司 | A kind of method and device of the college entrance will intelligent recommendation based on big data |
JP6419393B2 (en) * | 2016-07-11 | 2018-11-07 | 三菱電機株式会社 | Moving image processing apparatus, moving image processing method, and moving image processing program |
JP6835874B2 (en) * | 2017-01-20 | 2021-02-24 | パイオニア株式会社 | Display devices, control methods, programs and storage media |
JP2017102977A (en) * | 2017-03-06 | 2017-06-08 | 株式会社野村総合研究所 | Product retrieval system and product retrieval program |
JP2019066979A (en) * | 2017-09-29 | 2019-04-25 | キヤノンマーケティングジャパン株式会社 | Search device, control method thereof, and program, as well as search system, control method thereof, and program |
JP7172571B2 (en) * | 2018-12-21 | 2022-11-16 | 富士フイルムビジネスイノベーション株式会社 | Search device and search program |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4073586B2 (en) * | 1999-09-02 | 2008-04-09 | 株式会社エヌ・ティ・ティ・データ | Search system, search condition receiving method and recording medium |
JP2006040085A (en) * | 2004-07-29 | 2006-02-09 | Sony Corp | Information processing device and method therefor, storage medium, and program |
WO2008056570A1 (en) * | 2006-11-09 | 2008-05-15 | Panasonic Corporation | Content search apparatus |
JP2009086774A (en) * | 2007-09-27 | 2009-04-23 | Nomura Research Institute Ltd | Retrieval service device |
-
2010
- 2010-12-09 JP JP2010274372A patent/JP5469046B2/en not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
JP2012123654A (en) | 2012-06-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5469046B2 (en) | Information search apparatus, information search method, and information search program | |
US20190340194A1 (en) | Associating still images and videos | |
KR101659097B1 (en) | Method and apparatus for searching a plurality of stored digital images | |
US7917514B2 (en) | Visual and multi-dimensional search | |
KR101377389B1 (en) | Visual and multi-dimensional search | |
JP4540970B2 (en) | Information retrieval apparatus and method | |
JP5161658B2 (en) | Keyword input support device, keyword input support method, and program | |
Qian et al. | Social media based event summarization by user–text–image co-clustering | |
US8874586B1 (en) | Authority management for electronic searches | |
JP6216467B2 (en) | Visual-semantic composite network and method for forming the network | |
JP2010067175A (en) | Hybrid content recommendation server, recommendation system, and recommendation method | |
WO2009064319A1 (en) | Categorization in a system and method for conducting a search | |
KR20110114055A (en) | Semantic based searching apparatus and semantic based searching method and server for providing semantic based metadata and method for operating thereof | |
CN113039539A (en) | Extending search engine capabilities using AI model recommendations | |
JP6185379B2 (en) | RECOMMENDATION DEVICE AND RECOMMENDATION METHOD | |
JP4878591B2 (en) | Content search device, content search method, program, and recording medium | |
JP5197680B2 (en) | Feature information creation apparatus, method, and program | |
JP2014085862A (en) | Prediction server, program, and method for predicting number of future comments on prediction target content | |
JP7395377B2 (en) | Content search methods, devices, equipment, and storage media | |
CN116034401A (en) | System and method for retrieving video using natural language descriptions | |
WO2009064314A1 (en) | Selection of reliable key words from unreliable sources in a system and method for conducting a search | |
KR101508583B1 (en) | Semantic searching system and method for smart device | |
WO2009064313A1 (en) | Correlation of data in a system and method for conducting a search | |
KR100512275B1 (en) | Multimedia data description of content-based image retrieval | |
JP5545876B2 (en) | Query providing apparatus, query providing method, and query providing program |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20130121 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20131023 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20131105 |
|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20131129 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20131217 |
|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20140108 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20140128 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20140130 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 5469046 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
LAPS | Cancellation because of no payment of annual fees |