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。
(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が複数の個人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、一の個人がグラフ情報(複数の個人)に含まれるかどうかを判定する場合を示す。例えば、個人とは、一人の人であるものとする。図1では、情報処理装置100は、各個人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)を用いて個人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。
なお、情報処理装置100が用いる情報は、ベクトルに限らず、各個人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、各個人に対応する所定のデータや値を用いて個人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、各個人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)を用いて個人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、入館を一例として、個人を対象とするものであれば、入館に限らず、入国等であってもよい。すなわち、情報処理の目的は、個人を対象とするものであれば、どのような目的であってもよい。
〔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。
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。
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。
例えば、情報処理装置100は、数百万〜数億等の単位の膨大な個人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。
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。
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。
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。
ここで、ベクトルデータ間の距離は、個人の類似性を示し、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個人の類似性が、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。
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。
〔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(個人)に対応する。個人情報が様々な個人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、個人情報が、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、各個人の個人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。
例えば、情報処理装置100は、個人情報の特徴を抽出するモデルを用いて各個人の個人情報から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、各個人の個人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(入館)」、すなわち個人のデータ(個人情報)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。
例えば、情報処理装置100は、モデルM1に任意の個人の個人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、入力した個人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、各個人に対応するN次元のベクトルデータを生成してもよい。
ここで、図10を用いて、各個人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、個人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、入力された個人情報と同様の情報を出力される層である。
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、入力された個人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、入力された個人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、圧縮された個人情報を復元する処理を行う部分に対応する。
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、ある個人の個人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、ある個人の個人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をその個人のベクトルの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、ある個人の個人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をその個人のベクトルの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、各個人の個人情報をモデルM1に入力することにより、各個人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、各個人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。
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、ある個人の個人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、個人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個人と適さない個人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)に対応する情報を個人情報から抽出し、ベクトルを生成してもよい。例えば、情報処理装置100は、個人の年齢、性別等の属性情報や顔や全体を撮像した画像や音声や行動等の特徴(素性)に対応する情報を個人情報から抽出し、ベクトルを生成してもよい。
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、個人情報記憶部121(図4参照)に記憶された各個人の個人情報PDT1、PDT2、PDT451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、各個人の個人情報PDT1、PDT2、PDT451等を入力として、モデルM1を生成してもよい。例えば、個人情報PDT1、PDT2、PDT451等は、個人の属性情報や画像や音声や行動等を含んでもよい。例えば、個人情報PDT1、PDT2、PDT451等の個人情報は、対応する個人のデモグラフィック属性情報やサイコグラフィック属性情報等のユーザに関する種々の属性情報を含んでもよい。例えば、個人情報PDT1、PDT2、PDT451等の個人情報は、対応する個人の年齢、性別、住所、興味関心等の情報を含んでもよい。また、例えば、個人情報は、対応する個人を撮像した画像情報を含んでもよい。例えば、個人情報は、対応する個人の顔や全体(全身)を撮像した画像情報を含んでもよい。例えば、個人情報は、対応する個人の発話等の音声情報を含んでもよい。例えば、個人情報は、対応する個人の行動に関する種々の行動情報を含んでもよい。例えば、個人情報は、対応する個人の検索やコンテンツ閲覧や購買等の行動情報を含んでもよい。
情報処理装置100は、個人の個人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個人情報に対し、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。
〔1−3.処理例〕
ここから、情報処理装置100は、ユーザから一の個人の個人情報を取得し、一の個人がグラフ情報中、すなわち対象とする複数の個人の中に含まれるかを判定する場合を一例として説明する。具体的には、情報処理装置100は、所定のビル等の入り口に設けられた入館ゲートEGTから入館者である個人Xを取得し、取得した個人Xの情報を基に、個人Xを認証し、入館ゲートEGTを開放するかを判定する。図1の例では、情報処理装置100は、入館ゲートEGTにおいて撮像された個人の画像情報を個人情報として取得し、取得した個人情報を用いて、その個人がグラフ情報GR11中の複数の個人に含まれるかを判定する。例えば、グラフ情報GR11中に含まれる個人#1や個人#451等の複数の個人は、入館ゲートEGTが設けられたビルへの入館が許可された人であるものとする。例えば、グラフ情報GR11中に含まれる個人#1や個人#451等は、入館ゲートEGTが設けられたビルへの入館が許可されたものとして所定の外部装置に登録されている。また、図1の例では、各個人の顔の画像情報である個人情報PDT1、PDT2、PDT451等に基づいてグラフ情報GR11が生成されているものとする。
図1の例では、個人Xが入館ゲートEGTが設けられたビルへの入館を行っている場合を一例として説明する。まず、個人Xの個人情報を取得した入館ゲートEGTは、個人Xの個人情報PDT11を情報処理装置100へ送信する。例えば、入館ゲートEGTは、前方等の所定の範囲を撮像するセンサ(画像センサ等)と、情報処理装置100とネットワーク(例えば図2中のネットワークN)を介して通信する機能を有し、センサにより撮像した画像情報を情報処理装置100へ送信する。例えば、入館ゲートEGTは、前方等の人が接近したことを検知する他のセンサ(赤外線センサ等)を有し、他のセンサにより人の接近が検知された場合、センサが画像情報を撮像し、センサにより撮像した画像情報を情報処理装置100へ送信する。なお、上記は一例であり、情報処理装置100が入館者の画像情報を取得できれば、どのような構成であってもよい。
そして、情報処理装置100は、一の個人に関する個人情報を取得する(ステップS11)。図1の例では、情報処理装置100は、入館ゲートEGTから個人Xに関する個人情報PDT11を取得する。なお、情報処理装置100は、個人Xが携帯する端末装置10(図3参照)から個人Xに関する個人情報PDT11を取得する。
そして、情報処理装置100は、一の個人に対応する個人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、個人Xに対応するベクトルを生成する。情報処理装置100は、個人Xに関する個人情報PDT11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、個人Xの個人情報PDT11をモデルM1に入力する。そして、情報処理装置100は、個人情報PDT11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、個人情報PDT11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。
図1の例では、情報処理装置100は、個人情報PDT11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、個人Xの個人情報PDT11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、個人Xの個人情報PDT11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、ある個人の個人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。
そして、情報処理装置100は、個人Xに類似する個人(以下、「類似個人」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、個人Xの類似個人を検索してもよい。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。
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を用いて個人Xの類似個人を検索する。例えば、情報処理装置100は、グラフ情報記憶部123(図6参照)から個人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。
そして、情報処理装置100は、一の個人(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、個人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。
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。
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(一の個人)に対応する起点ベクトルを決定することができる。
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。
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、個人Xの類似個人を抽出する(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個人として抽出する。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個人として抽出する。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個人として抽出する。例えば、情報処理装置100は、所定数(例えば、2個や10個等)のノードを類似個人として抽出する。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、個人Xの類似個人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を類似個人として抽出する。
そして、例えば、情報処理装置100は、一の個人のベクトルと類似個人のベクトルとを比較することにより、個人が複数の個人に含まれるかどうかを判定する。図1の例では、情報処理装置100は、個人XのベクトルVD11と、対象一覧SPLに示すようなノードN451(個人#451)のベクトルVD451やノードN35(個人#35)のベクトルVD35とを比較し(ステップS17)、判定処理を行う(ステップS18)。
例えば、情報処理装置100は、各ベクトルの比較により、個人Xがグラフ情報GR11中の複数の個人に含まれるかどうかを判定する。例えば、情報処理装置100は、個人XのベクトルVD11と、ノードN451のベクトルVD451やノードN35のベクトルVD35との誤差が所定の閾値以内の誤差であるかを判定する。例えば、情報処理装置100は、個人XのベクトルVD11との誤差が所定の閾値以内であるベクトルのノード(個人)を個人Xであると判定する。すなわち、情報処理装置100は、個人XのベクトルVD11との誤差が所定の閾値以内であるベクトルがある場合、個人Xがグラフ情報GR11中の複数の個人に含まれると判定する。例えば、情報処理装置100は、個人XのベクトルVD11と一致するベクトルのノード(個人)を個人Xと判定してもよい。
図1の例では、情報処理装置100は、判定一覧DRSに示すように、個人XのベクトルVD11と、ノードN35のベクトルVD35とが所定の閾値以内の誤差であると判定し、個人Xが個人#35であると判定する。すなわち、情報処理装置100は、個人Xが入館ゲートETGが設けられたビルへの入館が許可された個人であると判定する。そして、情報処理装置100は、個人Xを適正な入館者として認証する。
なお、上記例では、説明を簡単にするために、情報処理装置100が類似個人を抽出する処理と、類似個人と一の個人との比較による判定を分けて行う場合を示したが、情報処理装置100は、類似個人を抽出する度に、抽出した類似個人と一の個人との比較による判定を行ってもよい。例えば、情報処理装置100は、1つずつ類似個人を抽出することで、ステップS16〜S18の処理を繰り返してもよい。図1の例では、情報処理装置100は、ノードN451を起点ノードとして決定した場合、ノードN451(個人#451)のベクトルVD451と個人XのベクトルVD11との誤差が所定の閾値以内であるかを判定してもよい。そして、情報処理装置100は、ノードN451(個人#451)のベクトルVD451と個人XのベクトルVD11との誤差が所定の閾値以内であると判定した場合、個人Xが個人#451であるとして検索処理を終了してもよい。
一方、情報処理装置100は、ノードN451(個人#451)のベクトルVD451と個人XのベクトルVD11との誤差が所定の閾値以内でないと判定した場合、検索処理を継続し、次の類似個人を抽出し、判定処理を繰り返してもよい。この場合、情報処理装置100は、ノードN451の次にノードN35を類似個人として抽出してもよい。そして、情報処理装置100は、ノードN35(個人#35)のベクトルVD35と個人XのベクトルVD11との誤差が所定の閾値以内であるかを判定してもよい。そして、情報処理装置100は、ノードN35(個人#35)のベクトルVD35と個人XのベクトルVD11との誤差が所定の閾値以内であると判定した場合、個人Xが個人#35であるとして検索処理を終了してもよい。また、情報処理装置100は、ノードN35(個人#35)のベクトルVD35と個人XのベクトルVD11との誤差が所定の閾値以内でないと判定した場合、ノードN35の次に他のノードを類似個人として抽出し、同様の判定処理を行ってもよい。
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、個人Xが個人#35であるとの判定結果に基づいて、入館ゲートEGTにゲート開放を要求する(ステップS19)。情報処理装置100は、入館者である個人Xの入館の認証がOKであるとして、入館ゲートEGTにゲートを開放することを指示する情報を入館ゲートEGTにゲートへ送信する。これにより、入館ゲートEGTにゲートが開放され、個人Xが入館ゲートETGが設けられたビル内へ入館することができる。
また、情報処理装置100は、判定結果や認証結果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、個人Xの入館を許可すると判定したことを示す情報を、入館ゲートETGが設けられたビルの管理者等が利用する端末装置10に送信してもよい。例えば、情報処理装置100は、個人Xを適正な入館者として認証することを示す情報を、入館ゲートETGが設けられたビルの管理者等が利用する端末装置10に送信してもよい。
一方、情報処理装置100は、個人XのベクトルVD11との誤差が所定の閾値以内であるベクトルの個人がグラフ情報GR11に含まれない場合、個人Xがグラフ情報GR11に含まれないと判定する。この場合、情報処理装置100は、個人Xがグラフ情報GR11に含まれないため、個人Xの入館を許可しないと判定する。そして、情報処理装置100は、個人Xを適正な入館者として認証しない。
また、例えば、情報処理装置100は、個人Xの入館を許可しないと判定したことを示す情報を、入館ゲートETGが設けられたビルの管理者等が利用する端末装置10に送信してもよい。例えば、情報処理装置100は、個人Xを適正な入館者として認証しないことを示す情報を、入館ゲートETGが設けられたビルの管理者等が利用する端末装置10に送信してもよい。
また、情報処理装置100は、個人Xの類似個人として抽出された個人の一覧情報を、入館ゲートETGが設けられたビルの管理者等が利用する端末装置10に送信してもよい。例えば、情報処理装置100は、個人Xの類似個人の顔写真を含む一覧情報を、入館ゲートETGが設けられたビルの管理者等が利用する端末装置10に送信してもよい。これにより、類似個人の顔写真を含む一覧情報を受信した管理者等は、類似個人の顔写真と、個人Xとを目視で比較することにより、個人Xが類似個人に含まれないかを確認することができる。
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、個人Xの類似個人を抽出する。例えば、情報処理装置100は、インデックス情報IND11を用いて、個人Xの類似個人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、個人Xの類似個人を抽出する。そして、情報処理装置100は、類似個人の情報を用いて個人Xの判定処理を行う。これにより、情報処理装置100は、所望の人物(個人)に対する処理を適切に行うことを可能にすることができる。
例えば、情報処理装置100は、個人Xと類似する個人(類似個人)が、例えば個人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、個人Xの類似個人として抽出でき、所望の人物(個人)に対する処理を適切に行うことを可能にすることができる。例えば、ディープラーニングといった手法で、Aさんであるか否か等の特定の個人を識別するという方法もあるが、個人の識別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、そのモデルに個人の情報を入力し、出力されたスコアからその個人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、各個人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、個人のベクトルの比較により個人間の類似度を判定し、一の個人が複数の個人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、所望の人物(個人)に対する処理を適切に行うことを可能にすることができる。
〔1−4.用途について〕
図1の例では、判定の一例として、入館時における個人の判定を示したが、個人の判定は、入館に限らず、種々の用途(シーン)で行われてもよい。例えば、情報処理装置100は、入国時において、グラフ情報を用いて個人の判定を行ってもよい。例えば、情報処理装置100は、入国審査を受けている一の個人が、グラフ情報中の複数の個人に含まれるかを判定してもよい。
上記のように入国審査時の判定である場合、例えば、個人情報は、各個人が有するパスポートの情報や渡航履歴等の行動等を含んでもよい。例えば、個人情報は、対応する個人のパスポートの画像やサイン等の情報を含んでもよい。例えば、個人情報は、対応する個人の行動に関する種々の行動情報を含んでもよい。例えば、個人情報は、対応する個人がいつどこに渡航したかの履歴を示す情報を含んでもよい。なお、個人情報は、対応する個人の検索やコンテンツ閲覧や購買等の行動情報を含んでもよい。なお、個人情報は、個人の渡航歴等の履歴情報(文字情報)のみであってもよい。
例えば、情報処理装置100は、グラフ情報GR11と同様に、用途「入国」、すなわち利用シーンが入国時であるモデルM2を用いて生成されたベクトルをグラフ構造化したグラフ情報を用いて、入国審査を受ける個人(「入国者Y」とする)の類似個人を抽出してもよい。そして、情報処理装置100は、抽出された類似個人のベクトルと、入国者Yのベクトルとの差が所定の閾値以内でる場合、入国者Yがグラフ情報に含まれると判定してもよい。すなわち、情報処理装置100は、抽出された類似個人のベクトルと、入国者Yのベクトルとの差が所定の閾値以内でる場合、入国者Yをその類似個人であると判定してもよい。例えば、情報処理装置100は、図12に示すようなグラフ情報GR21を用いて、入国者Yがグラフ情報GR21に含まれるかどうかを判定してもよい。図12は、個人のグラフ情報を概念的に示す図である。
例えば、情報処理装置100は、所定の国に入国する一の個人(入国者Y)を対象として、入国者Yに関する個人情報を取得した場合、その入国者Yに類似する個人(類似個人)の情報をグラフ情報GR21から抽出してもよい。例えば、情報処理装置100は、入国者Yに関する個人情報(個人情報YDT)を取得する。例えば、情報処理装置100は、用途を入国とするグラフ情報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、個人の各々に対応する複数のノードが、複数の個人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M2を用いて、入国者Yの個人情報YDTからベクトル(ベクトルYVD)を生成する。
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図12中の入国者ET5に対応するノード(ノードYNE)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、入国者Yの類似個人(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)のノードを類似個人として抽出する。図12の例では、情報処理装置100は、類似個人範囲SAR11に含まれる入国者ET1(ノードNET1)や入国者ET5(ノードNET5)を類似個人として抽出する。
そして、情報処理装置100は、抽出した類似個人のベクトルと一の個人のベクトルとを比較することにより、個人が複数の個人に含まれるかどうかを判定する。この場合、情報処理装置100は、入国者YのベクトルYVDと、入国者ET1のベクトル(ベクトルVDET1)や入国者ET5のベクトル(ベクトルVDET5)とを比較することにより、入国者ET1がグラフ情報GR21に含まれるかどうかを判定する。例えば、情報処理装置100は、入国者YのベクトルYVDと、入国者ET5のベクトルVDET5とが所定の閾値以内の誤差である場合、入国者Yが入国者ET5であると判定する。すなわち、情報処理装置100は、入国者Yがグラフ情報GR21に含まれると判定する。
この場合、例えば、情報処理装置100は、入国者ET5の情報を記憶部120(図3参照)や外部装置から取得する。そして、情報処理装置100は、取得した入国者ET5の情報に入国者ET5がテロリストや犯罪者等の入国を許可すべきでないことを示す情報が含まれない場合、入国者ET5の入国を許可すると判定する。そして、情報処理装置100は、入国者Yを適正な入国者として認証する。
また、情報処理装置100は、判定結果や認証結果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、入国者ET5の入国を許可すると判定したことを示す情報を、入国者Yの入国審査を行っている審査者が利用する端末装置10に送信してもよい。例えば、情報処理装置100は、入国者Yを適正な入国者として認証することを示す情報を、入国者Yの入国審査を行っている審査者が利用する端末装置10に送信してもよい。
一方、情報処理装置100は、取得した入国者ET5の情報に入国者ET5がテロリストや犯罪者等の入国を許可すべきでないことを示す情報が含まれる場合、入国者ET5の入国を許可しないと判定する。そして、情報処理装置100は、入国者Yを適正な入国者として認証しない。
例えば、情報処理装置100は、入国者YのベクトルYVDとの誤差が所定の閾値以内であるベクトルの入国者がグラフ情報GR21に含まれない場合、入国者Yがグラフ情報GR21に含まれないと判定する。この場合、情報処理装置100は、入国者Yがグラフ情報GR21に含まれないため、入国者ET5の入国を許可しないと判定する。そして、情報処理装置100は、入国者Yを適正な入国者として認証しない。
また、例えば、情報処理装置100は、入国者ET5の入国を許可しないと判定したことを示す情報を、入国者Yの入国審査を行っている審査者が利用する端末装置10に送信してもよい。例えば、情報処理装置100は、入国者Yを適正な入国者として認証しないことを示す情報を、入国者Yの入国審査を行っている審査者が利用する端末装置10に送信してもよい。
また、情報処理装置100は、入国者Yの類似個人として抽出された個人の一覧情報を、入国者Yの入国審査を行っている審査者が利用する端末装置10に送信してもよい。例えば、情報処理装置100は、入国者Yの類似個人の顔写真を含む一覧情報を、入国者Yの入国審査を行っている審査者が利用する端末装置10に送信してもよい。これにより、類似個人の顔写真を含む一覧情報を受信した審査者等は、類似個人の顔写真と、入国者Yとを目視で比較することにより、入国者Yが類似個人に含まれないかを確認することができる。
なお、上記例では、情報処理装置100が類似個人を抽出する処理と、類似個人と一の個人との比較による判定を分けて行う場合を示したが、情報処理装置100は、類似個人を抽出する度に、抽出した類似個人と一の個人との比較による判定を行ってもよい。例えば、情報処理装置100は、入国者ET5のノードNET5を起点ノードとして決定した場合、入国者ET5のベクトルVDET5と入国者YのベクトルYVDとの誤差が所定の閾値以内であるかを判定してもよい。そして、情報処理装置100は、入国者ET5のベクトルVDET5と入国者YのベクトルYVDとの誤差が所定の閾値以内であると判定した場合、入国者Yが入国者ET5であるとして検索処理を終了してもよい。
一方、情報処理装置100は、入国者ET5のベクトルVDET5と入国者YのベクトルYVDとの誤差が所定の閾値以内でないと判定した場合、検索処理を継続し、次の類似個人を抽出し、判定処理を繰り返してもよい。情報処理装置100は、入国者ET5のベクトルVDET5と入国者YのベクトルYVDとの誤差が所定の閾値以内でないと判定した場合、入国者ET1を類似個人として抽出し、同様の判定処理を行ってもよい。
〔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。
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。
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。
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、所定の個人に関するより効率的な検索を可能にすることができる。
〔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。情報処理システム1には、入館ゲートEGTが含まれてもよい。例えば、情報処理装置100と入館ゲートEGTとは、有線または無線により通信可能に接続される。
端末装置10は、個人Xのような各個人や入館ゲートEGTの管理者等の種々の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、個人情報を収集し、個人情報を情報処理装置100へ送信する。
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、複数の個人のうち、一の個人が複数の個人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、一の個人に関する個人情報を取得し、個人情報と、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。
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から一の個人の個人情報(以下、「クエリ情報」や「クエリ」ともいう)を取得すると、クエリに類似する個人(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から一の個人の個人情報を取得すると、一の個人に類似する個人を検索し、検索結果を類似の個人として端末装置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、個人の名称や個人の個人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。
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個人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。
〔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。
(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。
(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、個人情報記憶部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。
(個人情報記憶部121)
実施形態に係る個人情報記憶部121は、個人(オブジェクト)に関する各種情報を記憶する。例えば、個人情報記憶部121は、個人IDやベクトルデータを記憶する。図4の例では、個人に関する個人情報を記憶する。図4は、実施形態に係る個人情報記憶部の一例を示す図である。図4に示す個人情報記憶部121は、「個人ID」、「対象」、「個人情報」、「ベクトル情報」といった項目が含まれる。
「個人ID」は、個人(オブジェクト)を識別するための識別情報を示す。また、「対象」は、個人IDにより識別される個人の具体的な名称や内容等を示す。なお、図4の例では、個人を「個人#1」といった抽象的な符号で示すが、括弧内の「Aさん」等のように、個人を特定するための文字情報等が含まれてもよい。
「個人情報」は、個人IDにより識別される個人に関する情報を示す。なお、図4の例では、個人情報を「PDT1」といった抽象的な符号で示すが、各個人情報は、個人IDにより識別される個人の年齢、性別等の属性情報や年齢、性別等の属性情報や顔や全体を撮像した画像や音声や行動等の種々の個人に関する情報を含んでもよい。「ベクトル情報」とは、個人IDにより識別される個人(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、個人(オブジェクト)を識別する個人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。
例えば、図4の例では、個人ID「PP1」により識別される個人(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、個人#1については、モデルM1等により、個人#1の特徴を示す「10,24,54,2...」の多次元(N次元)のベクトル情報が個人情報PDT1から抽出されたことを示す。
なお、個人情報記憶部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。
(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。
「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。
「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。
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。
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。
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。
(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」、「個人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。
「ノードID」は、グラフデータにおける各ノード(個人)を識別するための識別情報を示す。また、「個人ID」は、個人(オブジェクト)を識別するための識別情報を示す。
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(個人)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。
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、個人ID「PP1」により識別される個人(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。
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。
(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。
「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。
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(入館)」であり、入力された個人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。
モデルM1(モデルデータMDT1)は、個人の個人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個人情報に対し、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。
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。
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。
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。
(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、個人の個人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個人情報に対し、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。
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。
(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、個人情報記憶部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。取得部131は、入館ゲートEGTから各種情報を取得する。
取得部131は、複数の個人の各々に対応する複数のノードが、複数の個人の類似性に応じて連結されたグラフ情報と、一の個人に関する個人情報を取得する。取得部131は、複数の個人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。
取得部131は、所定のモデルを用いて複数の個人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、複数の個人に関する情報を所定のモデルに入力することにより、抽出される複数の個人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。取得部131は、一の個人の個人情報を有する端末装置から一の個人に関する個人情報を取得する。
例えば、取得部131は、データ検索の個人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。
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。
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。
また、取得部131は、入館ゲートEGTから一の個人に関する個人情報を取得する。例えば、取得部131は、検索クエリとして、一の個人の個人情報を取得する。例えば、取得部131は、個人に関する検索クエリを取得する。取得部131は、入館ゲートEGTから個人Xに関する個人情報PDT11を取得する。
また、取得部131は、ユーザが利用する端末装置10から一の個人に関する個人情報を取得してもよい。例えば、取得部131は、検索クエリとして、一の個人の個人情報を取得してもよい。例えば、取得部131は、個人に関する検索クエリを取得してもよい。取得部131は、所定のユーザが利用する端末装置10から個人Xに関する個人情報PDT11を取得してもよい。
例えば、取得部131は、一の個人に関する個人情報を取得する。例えば、取得部131は、端末装置10から個人Xに関する個人情報PDT11を取得する。例えば、取得部131は、グラフ情報記憶部123から個人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。
(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、個人情報記憶部121に記憶された学習データ(個人情報)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、入力した個人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、入力する個人情報自体を正解情報として、入力した個人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、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。
生成部132は、個人の個人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個人情報に対し、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。
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、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、個人情報記憶部121中の個人情報PDT1、PDT2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。
例えば、生成部132は、個人情報PDT1が入力された場合に、モデルM1が個人情報PDT1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、個人情報PDT2が入力された場合に、モデルM1が個人情報PDT2と同様の情報を出力するように、学習処理を行う。
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個人(入館)に対応するモデルM21や個人(入国)に対応する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。
図1の例では、生成部132は、個人情報の特徴を抽出するモデルを用いて各個人の個人情報から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、各個人の個人情報からベクトルを生成する。
また、生成部132は、一の個人に対応する個人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、個人Xに対応するベクトルを生成する。生成部132は、個人Xに関する個人情報PDT11をモデルM1に入力する。具体的には、生成部132は、個人Xの個人の年齢、性別等の属性情報や顔や全体を撮像した画像や音声や行動等の情報を含む個人情報PDT11をモデルM1に入力する。そして、生成部132は、個人情報PDT11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、個人情報PDT11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。
図1の例では、生成部132は、個人情報PDT11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、個人Xの個人情報PDT11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、個人Xの個人情報PDT11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、個人の個人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。
(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により取得された個人情報と、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、個人情報と、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。
図1の例では、決定部133は、一の個人(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、個人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。
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(一の個人)に対応する起点ベクトルを決定する。
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。
(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、個人情報記憶部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。
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、複数の個人のうち、一の個人と類似する個人である類似個人を抽出する。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、類似個人を抽出する。検索部134は、複数の個人のうち、一の個人と類似する個人を類似個人として抽出する。
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、複数の個人のうち、一の個人に類似する個人である類似個人(類似個人)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、複数の個人のうち、一の個人に類似する個人である類似個人を抽出する。
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、一の個人が複数の個人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、一の個人が複数の個人に含まれるかどうかを判定する。
図1の例では、検索部134は、個人Xに類似する個人を検索する。例えば、検索部134は、グラフ情報GR11を検索することにより、個人Xの類似個人を抽出する。検索部134は、ノードN451の近傍に位置するノードを類似個人として抽出する。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個人として抽出する。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個人として抽出する。例えば、検索部134は、所定数(例えば、2個や10個等)のノードを類似個人として抽出する。例えば、検索部134は、図11に示すような検索処理により、個人Xの類似個人を抽出する。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を類似個人として抽出する。
図1の例では、検索部134は、一の個人のベクトルと類似個人のベクトルとを比較することにより、個人が複数の個人に含まれるかどうかを判定する。検索部134は、個人XのベクトルVD11と、対象一覧SPLに示すようなノードN451(個人#451)のベクトルVD451やノードN35(個人#35)のベクトルVD35とを比較する。検索部134は、ベクトルを比較し、判定処理を行う。
例えば、検索部134は、各ベクトルの比較により、個人Xがグラフ情報GR11中の複数の個人に含まれるかどうかを判定する。例えば、検索部134は、個人XのベクトルVD11と、ノードN451のベクトルVD451やノードN35のベクトルVD35との誤差が所定の閾値以内の誤差であるかを判定する。例えば、検索部134は、個人XのベクトルVD11との誤差が所定の閾値以内であるベクトルのノード(個人)を個人Xであると判定する。検索部134は、個人XのベクトルVD11との誤差が所定の閾値以内であるベクトルがある場合、個人Xがグラフ情報GR11中の複数の個人に含まれると判定する。
図1の例では、検索部134は、判定一覧DRSに示すように、個人XのベクトルVD11と、ノードN35のベクトルVD35とが所定の閾値以内の誤差であると判定し、個人Xが個人#35であると判定する。この場合、検索部134は、個人Xが入館ゲートETGが設けられたビルへの入館が許可された個人であると判定する。そして、検索部134は、個人Xを適正な入館者として認証する。
(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個人に基づいて、所定のサービスを提供する。また、提供部135は、類似個人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に類似個人に関する情報を提供する。
提供部135は、検索部134による判定結果に基づいて、所定のサービスを提供する。提供部135は、判定結果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に判定結果に関する情報を提供する。提供部135は、判定結果に基づく認証サービスを提供する。提供部135は、一の個人を認証する認証サービスを提供する。
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。
図1の例では、例えば、提供部135は、個人Xが個人#35であるとの判定結果に基づいて、入館ゲートEGTにゲート開放を要求する。例えば、提供部135は、入館者である個人Xの入館の認証がOKであるとして、入館ゲートEGTにゲートを開放することを指示する情報を入館ゲートEGTへ送信する。
また、図1の例では、例えば、提供部135は、検索部134により抽出された類似個人に関する情報を提供してもよい。例えば、提供部135は、ノードN451に対応する個人#451や、ノードN35に対応する個人#35が個人Xの類似個人であることを示す情報を、入館ゲートEGTの管理者の端末装置10や入館者(個人X)が利用する端末装置10等に提供してもよい。
〔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。
図8に示すように、情報処理装置100は、一の個人に関する個人情報する(ステップS101)。図1の例では、情報処理装置100は、端末装置10から個人Xに関する個人情報PDT11を取得する。
情報処理装置100は、複数の個人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から個人に関するグラフ情報GR11を取得する。
そして、情報処理装置100は、モデルを用いて一の個人に関する個人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、個人情報PDT11からベクトルVD11を生成する。
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。
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、個人が複数の個人に含まれるかどうかを判定する(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、一の個人と類似する個人を類似個人として抽出する。そして、情報処理装置100は、一の個人のベクトルと類似個人のベクトルとを比較することにより、個人が複数の個人に含まれるかどうかを判定する。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を類似個人として抽出する。そして、情報処理装置100は、個人XのベクトルVD11と、ノードN451のベクトルVD451やノードN35のベクトルVD35とを比較することにより、個人が複数の個人に含まれるかどうかを判定する。例えば、情報処理装置100は、個人XのベクトルVD11と、ノードN35のベクトルVD35とが所定の閾値以内の誤差であると判定し、個人Xが個人#35であると判定し、個人Xがグラフ情報GR11中の複数の個人に含まれると判定する。
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(ステップS106)。図1の例では、情報処理装置100は、個人Xが個人#35であるとの判定結果に基づいて、入館ゲートEGTにゲート開放を要求する。
〔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。
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、個人情報記憶部121から学習データを取得する。例えば、情報処理装置100は、個人情報記憶部121から個人情報PDT1、PDT2等を学習データとして取得する。
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、個人情報記憶部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(個人情報)と同様の情報(個人情報)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、個人の個人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。
〔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、一の個人の個人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、一の個人の個人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、個人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。
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。
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。
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)。
次に、情報処理装置100は、オブジェクトsとオブジェクトyとの距離d(s,y)がr(1+ε)を超えるか否かを判定する(ステップS304)。ここで、εは拡張要素であり、r(1+ε)は、探索範囲(この範囲内のノードのみを探索する。検索範囲よりも大きくすることで精度を高めることができる)の半径を示す値である。オブジェクトsとオブジェクトyとの距離d(s,y)がr(1+ε)を超える場合(ステップS304:Yes)、情報処理装置100は、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。
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。
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。
次に、情報処理装置100は、オブジェクトuとオブジェクトyとの距離d(u,y)がr以下であるか否かを判定する(ステップS309)。オブジェクトuとオブジェクトyとの距離d(u,y)がrを超える場合(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。
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を超えるか否かを判定する(ステップS311)。所定数ksは、任意に定められる自然数である。例えば、ks=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。
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)。
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)。
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。
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に基づいて、入力オブジェクトyが所定のグラフデータ内に含まれるかを判定する。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のうち、ノードN35のベクトルが検索クエリ(個人XのベクトルVD11)と所定の範囲内の誤差であるとして、個人Xがグラフ情報RG11に含まれると判定する。すなわち、情報処理装置100は、個人XがノードN35に対応する個人#35であると判定する。例えば、情報処理装置100は、個人Xが個人#35であるとの判定結果に基づいて、個人Xが入館ゲートETGを開放してよいユーザであると認証する。そして、情報処理装置100は、入館ゲートEGTにゲート開放を要求する。
〔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、複数の個人の各々に対応する複数のノードが、複数の個人の類似性に応じて連結されたグラフ情報と、一の個人に関する個人情報を取得する。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、一の個人が複数の個人に含まれるかどうかを判定する。
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し、複数の個人のうち、一の個人が複数の個人に含まれるかどうかを判定することにより、所望の人物(個人)に対する処理を適切に行うことを可能にすることができる。
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、一の個人が複数の個人に含まれるかどうかを判定する。
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、所望の人物(個人)に対する処理を適切に行うことを可能にすることができる。
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。
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、所望の人物(個人)に対する処理を適切に行うことを可能にすることができる。
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、複数の個人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。
このように、実施形態に係る情報処理装置100は、複数の個人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、所望の人物(個人)に対する処理を適切に行うことを可能にすることができる。
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個人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個人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、所望の人物(個人)に対する処理を適切に行うことを可能にすることができる。
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、複数の個人に関する情報を所定のモデルに入力することにより、抽出される複数の個人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。
このように、実施形態に係る情報処理装置100は、複数の個人に関する情報を所定のモデルに入力することにより、抽出される複数の個人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、所望の人物(個人)に対する処理を適切に行うことを可能にすることができる。
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による判定結果に基づいて、所定のサービスを提供する。
このように、実施形態に係る情報処理装置100は、一の個人が複数の個人に含まれるかどうかの判定結果に基づいて、所定のサービスを提供することにより、所望の人物(個人)に関するサービスを適切に提供することができる。
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、判定結果に関する情報提供サービスを提供する。
このように、実施形態に係る情報処理装置100は、判定結果に関する情報提供サービスを提供することにより、所望の人物(個人)に関するサービスを適切に提供することができる。
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、一の個人の個人情報を有する端末装置から一の個人に関する個人情報を取得する。提供部135は、端末装置10に判定結果に関する情報を提供する。
このように、実施形態に係る情報処理装置100は、個人(ユーザ)が利用する端末装置10から一の個人に関する個人情報を取得し、端末装置10に判定結果に関する情報を提供することにより、対応個人(例えば類似個人)に関するサービスを適切に提供することができる。
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、判定結果に基づく認証サービスを提供する。
このように、実施形態に係る情報処理装置100は、判定結果に基づく認証サービスを提供することにより、所望の人物(個人)に関するサービスを適切に提供することができる。
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、一の個人の個人情報を有する端末装置から一の個人に関する個人情報を取得する。提供部135は、一の個人を認証する認証サービスを提供する。
このように、実施形態に係る情報処理装置100は、個人(ユーザ)が利用する端末装置10から一の個人に関する個人情報を取得し、一の個人を認証する認証サービスを提供することにより、対応個人(例えば類似個人)に関するサービスを適切に提供することができる。
〔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。
CPU1100は、ROM1300またはHDD1400に格納されたプログラムに基づいて動作し、各部の制御を行う。ROM1300は、コンピュータ1000の起動時にCPU1100によって実行されるブートプログラムや、コンピュータ1000のハードウェアに依存するプログラム等を格納する。
HDD1400は、CPU1100によって実行されるプログラム、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。
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。
メディアインターフェイス1700は、記録媒体1800に格納されたプログラムまたはデータを読み取り、RAM1200を介してCPU1100に提供する。CPU1100は、かかるプログラムを、メディアインターフェイス1700を介して記録媒体1800からRAM1200上にロードし、ロードしたプログラムを実行する。記録媒体1800は、例えばDVD(Digital Versatile Disc)、PD(Phase change rewritable Disk)等の光学記録媒体、MO(Magneto-Optical disk)等の光磁気記録媒体、テープ媒体、磁気記録媒体、または半導体メモリ等である。
例えば、コンピュータ1000が実施形態に係る情報処理装置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。
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。
〔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。
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。
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。
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。