JPWO2020240834A1 - 不正推定システム、不正推定方法、及びプログラム - Google Patents

Abstract

不正推定システム（Ｓ）のアイテム情報取得手段（１０５）は、アイテムに関するアイテム情報を取得する。標章特定手段（１０６）は、アイテム情報に基づいて、アイテムの標章を特定する。分類特定手段（１０８）は、アイテム情報に基づいて、アイテムの分類を特定する。推定手段（１０９）は、特定された標章と、特定された分類と、に基づいて、アイテムに関する不正を推定する。

Description

本発明は、不正推定システム、不正推定方法、及びプログラムに関する。

近年、有名ブランドなどの標章を無断で利用した不正アイテムの流通が問題となっている。特許文献１には、アイテムに関する情報が記録されたタグをアイテムに取り付けておき、タグに記録された情報を読み取ることによって、アイテムの不正を推定するシステムが知られている。

特開２０１３−２１４３１４号公報

しかしながら、特許文献１の技術では、アイテムに物理的に取り付けられたタグを読み取る必要があるので、例えば、インターネット上に掲載されているアイテムについては、不正を推定することはできなかった。

本発明は上記課題に鑑みてなされたものであって、その目的は、例えばアイテムに物理的にタグを取り付けたりタグを読み取ったりすることなく、アイテムに関する情報から不正を推定することが可能な不正推定システム、不正推定方法、及びプログラムを提供することである。

上記課題を解決するために、本発明に係る不正推定システムは、アイテムに関するアイテム情報を取得するアイテム情報取得手段と、前記アイテム情報に基づいて、前記アイテムの標章を特定する標章特定手段と、前記アイテム情報に基づいて、前記アイテムの分類を特定する分類特定手段と、前記特定された標章と、前記特定された分類と、に基づいて、前記アイテムに関する不正を推定する推定手段と、を含むことを特徴とする。

本発明に係る不正推定方法は、アイテムに関するアイテム情報を取得するアイテム情報取得ステップと、前記アイテム情報に基づいて、前記アイテムの標章を特定する標章特定ステップと、前記アイテム情報に基づいて、前記アイテムの分類を特定する分類特定ステップと、前記特定された標章と、前記特定された分類と、に基づいて、前記アイテムに関する不正を推定する推定ステップと、を含むことを特徴とする。

本発明に係るプログラムは、アイテムに関するアイテム情報を取得するアイテム情報取得手段、前記アイテム情報に基づいて、前記アイテムの標章を特定する標章特定手段、前記アイテム情報に基づいて、前記アイテムの分類を特定する分類特定手段、前記特定された標章と、前記特定された分類と、に基づいて、前記アイテムに関する不正を推定する推定手段、としてコンピュータを機能させる。

本発明の一態様によれば、前記アイテム情報は、前記アイテムが示されたアイテム画像を含み、前記標章特定手段は、前記アイテム画像に基づいて、前記アイテムの標章を特定する、ことを特徴とする。

本発明の一態様によれば、前記不正推定システムは、認識対象の標章が示された画像に基づいて、標章認識器を作成する標章認識器作成手段を更に含み、前記標章特定手段は、前記アイテム画像と、前記標章認識器と、に基づいて、前記アイテムの標章を特定する、ことを特徴とする。

本発明の一態様によれば、前記不正推定システムは、前記認識対象の標章をクエリにして、前記認識対象の標章が示された画像をインターネット上で検索する検索手段を更に含み、前記標章認識器作成手段は、前記検索された画像に基づいて、前記標章認識器を作成する、ことを特徴とする。

本発明の一態様によれば、前記アイテム情報は、前記アイテムが示されたアイテム画像を含み、前記分類特定手段は、前記アイテム画像に基づいて、前記アイテムの分類を特定する、ことを特徴とする。

本発明の一態様によれば、前記不正推定システムは、認識対象の分類の被写体が示された画像に基づいて、分類認識器を作成する分類認識器作成手段を更に含み、前記分類特定手段は、前記アイテム画像と、前記分類認識器と、に基づいて、前記アイテムの分類を特定する、ことを特徴とする。

本発明の一態様によれば、前記分類特定手段は、予め定められた複数の分類の中から、前記アイテムの分類を特定し、前記分類認識器作成手段は、前記複数の分類に基づいて、前記分類認識器を作成する、ことを特徴とする。

本発明の一態様によれば、前記標章特定手段は、前記アイテム画像に基づいて、前記アイテムの標章を特定し、前記不正推定システムは、前記アイテム画像における、前記特定された標章の位置に関する位置情報を取得する位置情報取得手段を更に含み、前記分類特定手段は、前記アイテム画像と、前記位置情報と、に基づいて、前記アイテムの分類を特定する、ことを特徴とする。

本発明の一態様によれば、前記分類特定手段は、前記アイテム画像のうち、前記位置情報に基づいて定まる部分に加工を施し、当該加工が施された画像に基づいて、前記アイテムの分類を特定する、ことを特徴とする。

本発明の一態様によれば、前記不正推定システムは、語の特徴量を計算する特徴量計算器を作成する特徴量計算器作成手段を更に含み、前記推定手段は、前記特徴量計算器により計算された前記特定された標章の特徴量と、前記特徴量計算器により計算された前記特定された分類の特徴量と、に基づいて、前記アイテムに関する不正を推定する、ことを特徴とする。

本発明の一態様によれば、前記特徴量計算器作成手段は、正規アイテムの説明文に基づいて、前記特徴量計算器を作成する、ことを特徴とする。

本発明の一態様によれば、前記不正推定システムは、複数の標章の各々と、少なくとも１つの分類と、が関連付けられた関連付けデータを取得する関連付けデータ取得手段を更に含み、前記推定手段は、前記特定された標章、前記特定された分類、及び前記関連付けデータに基づいて、前記アイテムに関する不正を推定する、ことを特徴とする。

本発明の一態様によれば、前記アイテムは、商品であり、前記アイテム情報は、前記商品に関する商品情報であり、前記標章特定手段は、前記商品情報に基づいて、前記商品の標章を特定し、前記分類特定手段は、前記商品情報に基づいて、前記商品の分類を特定し、前記推定手段は、前記商品に関する不正を推定する、ことを特徴とする。

本発明によれば、アイテムに物理的にタグを取り付けたりタグを読み取ったりすることなく、アイテムに関する情報から不正を推定することが可能となる。

不正推定システムの全体構成を示す図である。 正当なアイテムのアイテム画像を示す図である。 不正なアイテムのアイテム画像を示す図である。 不正推定システムで実現される機能の一例を示す機能ブロック図である。 アイテムデータベースのデータ格納例を示す図である。 標章画像データベースのデータ格納例を示す図である。 分類画像データベースのデータ格納例を示す図である。 アイテム画像のうち標章部分に加工が施される様子を示す図である。 事前処理の一例を示すフロー図である。 推定処理の一例を示すフロー図である。 変形例（１）における機能ブロック図である。 関連付けデータのデータ格納例を示す図である。

［１．不正推定システムの全体構成］
以下、本発明に係る不正推定システムの実施形態の例を説明する。図１は、不正推定システムの全体構成を示す図である。図１に示すように、不正推定システムＳは、サーバ１０、ユーザ端末２０、及び管理者端末３０を含み、これらは、インターネットなどのネットワークＮに接続可能である。なお、図１では、サーバ１０、ユーザ端末２０、及び管理者端末３０の各々を１台ずつ示しているが、これらは複数台あってもよい。

サーバ１０は、サーバコンピュータである。サーバ１０は、制御部１１、記憶部１２、及び通信部１３を含む。制御部１１は、少なくとも１つのプロセッサを含む。制御部１１は、記憶部１２に記憶されたプログラムやデータに従って処理を実行する。記憶部１２は、主記憶部及び補助記憶部を含む。例えば、主記憶部はＲＡＭなどの揮発性メモリであり、補助記憶部は、ＲＯＭ、ＥＥＰＲＯＭ、フラッシュメモリ、又はハードディスクなどの不揮発性メモリである。通信部１３は、有線通信又は無線通信用の通信インタフェースであり、ネットワークＮを介してデータ通信を行う。

ユーザ端末２０は、ユーザが操作するコンピュータである。例えば、ユーザ端末２０は、携帯電話機（スマートフォンを含む）、携帯情報端末（タブレット型コンピュータを含む）、又はパーソナルコンピュータ等である。本実施形態では、ユーザ端末２０は、制御部２１、記憶部２２、通信部２３、操作部２４、及び表示部２５を含む。制御部２１、記憶部２２、及び通信部２３の物理的構成は、それぞれ制御部１１、記憶部１２、及び通信部１３と同様であってよい。

操作部２４は、入力デバイスであり、例えば、タッチパネルやマウス等のポインティングデバイス、キーボード、又はボタン等である。操作部２４は、ユーザによる操作内容を制御部２１に伝達する。表示部２５は、例えば、液晶表示部又は有機ＥＬ表示部等である。表示部２５は、制御部２１の指示に従って画像を表示する。

管理者端末３０は、管理者が操作するコンピュータである。例えば、管理者端末３０は、携帯電話機（スマートフォンを含む）、携帯情報端末（タブレット型コンピュータを含む）、又は、パーソナルコンピュータ等である。本実施形態では、管理者端末３０は、制御部３１、記憶部３２、通信部３３、操作部３４、及び表示部３５を含む。制御部３１、記憶部３２、通信部３３、操作部３４、及び表示部３５の物理的構成は、それぞれ制御部２１、記憶部２２、通信部２３、操作部２４、及び表示部２５と同様であってよい。

なお、記憶部１２，２２，３２に記憶されるものとして説明するプログラム及びデータは、ネットワークＮを介して供給されるようにしてもよい。また、上記説明した各コンピュータのハードウェア構成は、上記の例に限られず、種々のハードウェアを適用可能である。例えば、コンピュータ読み取り可能な情報記憶媒体を読み取る読取部（例えば、光ディスクドライブやメモリカードスロット）や外部機器とデータの入出力をするための入出力部（例えば、ＵＳＢポート）が含まれていてもよい。例えば、情報記憶媒体に記憶されたプログラムやデータが読取部や入出力部を介して、各コンピュータに供給されるようにしてもよい。

［２．不正推定システムの概要］
本実施形態では、ユーザがユーザ端末２０を操作して、ＳＮＳや掲示板などに対する投稿を行う場面を例に挙げて、不正推定システムＳの処理を説明する。サーバ１０は、管理者端末３０から所定の要求を受信した場合に、ユーザの投稿に含まれるアイテム画像を解析してアイテムの標章と分類を特定し、これらの組み合わせに基づいて、アイテムに関する不正を推定する。

アイテム画像は、アイテムが示された画像である。別の言い方をすれば、アイテム画像は、アイテムが被写体の画像である。アイテム画像には、アイテムが撮影されている。アイテム画像は、カメラが生成した撮影画像そのものであってもよいし、撮影画像が加工された画像であってもよい。本実施形態では、ユーザが撮影したアイテムのアイテム画像が、サーバ１０にアップロードされる。

アイテムは、標章が付された物体である。別の言い方をすれば、アイテムは、アイテム画像における被写体である。アイテムは、商取引の対象であってもよいし、特に商取引の対象ではなくてもよい。アイテムは、任意の物体であってよく、例えば、衣料品、食料品、家具、家電、文具、玩具、雑貨、又は乗物などであってよい。アイテムには、標章が直接的に印刷されてもよいし、標章が印刷されたシールや布などの物体が付着されていてもよい。なお、アイテムは、有体物に限られず、画像や動画などの無体物であってもよい。

標章は、アイテムの識別情報である。標章は、ロゴ又はエンブレムと呼ばれることもある。例えば、標章は、商品名、メーカ名、販売者名、ブランド名、店舗名、又は系列グループ名などの文字列を含む。また例えば、商品、メーカ、販売者、ブランド、店舗、又は系列グループなどを示す図形を含む。標章は、文字及び図形に限られず、例えば、記号、立体的形状、色彩、又は音声であってもよいし、これらの組み合わせであってもよい。標章は、平面的に示されてもよいし、立体的に示されてもよい。また、標章は、見た目が特に変化しなくてもよいし、見た目が変化してもよい。例えば、標章は、時間経過によって見た目が変化する動画のようなものであってもよいし、角度によって見た目が変化するホログラムのようなものであってもよい。

分類は、アイテムの種類又は性質を示す情報である。分類は、ジャンル、カテゴリ、ラベル、区分、又は属性と呼ばれることもある。分類は、アイテムの用途などに応じて定めておけばよく、例えば、アイテムは、予め定められた複数の分類のうちの少なくとも１つに属する。アイテムは、１つの分類だけに属してもよいし、複数の分類に属してもよい。また、分類は、階層的に定義されていてもよいし、特に階層化されていなくてもよい。

アイテムに関する不正とは、アイテムの標章と分類の組み合わせが不自然なことである。別の言い方をすれば、アイテムに関する不正は、正当な権利者が提供するアイテムでは考えられない標章と分類の組み合わせであることを意味する。例えば、標章を使用する権利を有する権利者が製造又は許諾していない分類のアイテムに対し、当該権利者の標章を付することは、アイテムに関する不正に相当する。別の言い方をすれば、正当なアイテムの分類とは異なる分類のアイテムに対し、標章が付されることは、アイテムに関する不正に相当する。

アイテムに関する不正の推定とは、アイテムの標章と分類の組み合わせが不自然であることを推定すること（例えば、不正なアイテムであるか否かの出力までは行わずに、アイテムの標章と分類の組み合わせが不自然であるか否かを判定する処理まで）を意味してもよいし、不正なアイテムであるか否かを推定することまでを含む意味であってもよい。

ユーザは、正当なアイテムの口コミなどを投稿することもあれば、模倣品（海賊版）などの不正なアイテムを購入して口コミなどを投稿することもある。不正なアイテムの投稿がなされると、標章の正当な権利者に不利益を与えたり、他のユーザに誤った情報が提供されたりする可能性がある。このため、サーバ１０は、アイテム画像を解析することによって、正当なアイテムであるか、不正なアイテムであるかの推定をするようにしている。

図２は、正当なアイテムのアイテム画像を示す図である。ここでは、靴メーカが、自社ブランドの靴に対し、星形の標章ｍ１を付して販売している場合を例に挙げて説明する。サーバ１０は、ユーザが投稿したアイテム画像Ｉ１を解析し、アイテムｉ１に付された標章ｍ１と、アイテムｉ１の分類（ここでは、靴）と、を特定する。これらの特定方法については、後述する。図２の例であれば、靴メーカの標章ｍ１が、靴メーカが販売する靴に対して付されているので、標章とアイテムの組み合わせは、自然（妥当）な組み合わせである。このため、サーバ１０は、アイテムｉ１が不正なアイテムではなく正当なアイテムである、と推定する。

図３は、不正なアイテムのアイテム画像を示す図である。ここでは、靴メーカは、自社ブランドの標章ｍ１を付したカップを販売しておらず、ノベルティ等でも提供していないものとする。サーバ１０は、ユーザが投稿したアイテム画像Ｉ２を解析し、アイテムｉ２に付された標章ｍ１と、アイテムｉ２の分類（ここでは、カップ）と、を特定する。靴メーカは、標章ｍ１を付したカップを販売しておらず、ノベルティ等でも提供していないので、これらは不自然な組み合わせであり、悪意のある者が勝手に標章を借用した模倣品等である蓋然性が高い。このため、サーバ１０は、アイテムｉ１が不正なアイテムであると推定する。

以上のように、本実施形態の不正推定システムＳは、アイテム画像を解析して標章と分類を特定する。不正推定システムＳは、これらの組み合わせが自然であれば、アイテム画像に示されたアイテムが正当なアイテムであると推定する。一方、不正推定システムＳは、これらの組み合わせが不自然であれば、アイテム画像に示されたアイテムが不正なアイテムであると推定する。これにより、管理者が目視でアイテム画像を判断して不正を推定するといった手間を軽減するようにしている。以降、不正推定システムＳの詳細を説明する。

［３．不正推定システムにおいて実現される機能］
図４は、不正推定システムＳで実現される機能の一例を示す機能ブロック図である。図４に示すように、サーバ１０では、データ記憶部１００、検索部１０１、標章認識器作成部１０２、分類認識器作成部１０３、特徴量計算器作成部１０４、アイテム画像取得部１０５、標章特定部１０６、位置情報取得部１０７、分類特定部１０８、及び推定部１０９が実現される。

[３−１．データ記憶部]
データ記憶部１００は、記憶部１２を主として実現される。データ記憶部１００は、本実施形態で説明する処理を実行するために必要なデータを記憶する。ここでは、データ記憶部１００が記憶するデータの一例として、アイテムデータベースＤＢ１、標章画像データベースＤＢ２、及び分類画像データベースＤＢ３について説明する。

図５は、アイテムデータベースＤＢ１のデータ格納例を示す図である。図５に示すように、アイテムデータベースＤＢ１は、不正の推定対象となるアイテムに関する情報が格納されたデータベースである。例えば、アイテムデータベースＤＢ１には、アイテムを一意に識別するアイテムＩＤ、アップロードされたアイテム画像、アイテムの説明文、標章特定部１０６により特定された標章を識別する標章情報、分類特定部１０８により特定された分類を識別する分類情報、及び推定部１０９による推定結果が格納される。

説明文は、アイテムに関する文章であり、例えば、アイテムの特徴や感想などが記述される。本実施形態では、ユーザが自由に説明文を入力可能であるものとするが、ユーザが選択した定型文などであってもよい。標章情報は、アイテムの標章を識別可能な情報であればよく、例えば、標章を一意に識別するＩＤであってもよいし、標章を示す文字列であってもよい。同様に、分類情報は、アイテムの分類を識別可能な情報であればよく、例えば、分類を一意に識別するＩＤであってもよいし、分類を示す文字列であってもよい。なお、説明文以外にも、アイテムの特徴を示す表や画像などがアイテムデータベースＤＢ１に格納されていてもよいし、ユーザがアイテムに対して指定した標章や分類を識別する情報がアイテムデータベースＤＢ１に格納されていてもよい。

図６は、標章画像データベースＤＢ２のデータ格納例を示す図である。図６に示すように、標章画像データベースＤＢ２は、標章画像が格納されたデータベースであり、例えば、標章情報と、少なくとも１つの標章画像と、が格納される。後述するように、本実施形態では、標章画像がネット検索によって取得されるので、標章情報は、検索時のクエリとされた文字列であってもよいし、当該文字列が変換されたＩＤであってもよい。

標章画像は、後述する標章認識器Ｍ１を作成するために用いられる画像である。標章画像は、原則として、正当なアイテムの画像であるものとするが、不正なアイテムの画像が一部に混じっていてもよい。標章画像は、アイテムデータベースＤＢ１に格納されたアイテム画像であってもよいし、特にアイテムデータベースＤＢ１には格納されていない画像であってもよい。本実施形態では、後述する検索部１０１により検索された標章画像が標章画像データベースＤＢ２に格納される。後述する標章認識器Ｍ１の学習時には、標章画像中の標章部分以外の部分をマスク又はインペインティング等の加工をしたうえで学習されてもよいし、特にこれらの加工をせずに学習されてもよい。

図７は、分類画像データベースＤＢ３のデータ格納例を示す図である。図７に示すように、分類画像データベースＤＢ３は、分類画像が格納されたデータベースであり、例えば、分類画像データベースＤＢ３には、分類情報ごとに、少なくとも１つの分類画像が格納される。

分類画像は、後述する分類認識器Ｍ２を作成するために用いられる画像である。分類画像は、一般的な物体の形状を学習させるための画像である。本実施形態では、分類画像には、アイテムだけが示されており、標章が示されていないものとするが、分類画像には、標章が付されたアイテムが分類画像に示されていてもよい。この場合、後述する分類認識器Ｍ２の学習時には、分類画像中の標章部分をマスク又はインペインティング等の加工をしたうえで学習されてもよいし、特にこれらの加工をせずに学習されてもよい。

なお、分類画像は、アイテムデータベースＤＢ１に格納されたアイテム画像であってもよいし、特にアイテムデータベースＤＢ１には格納されていない画像であってもよい。本実施形態では、研究目的で画像を提供する他のシステムからダウンロードされた画像が分類画像に相当する場合を説明するが、特に他のシステムからダウンロードされた画像でなくてもよく、管理者が自ら分類画像を用意してもよい。

なお、データ記憶部１００に記憶されるデータは、上記の例に限られない。例えば、データ記憶部１００は、標章を認識するための標章認識器Ｍ１を記憶する。標章認識器Ｍ１は、プログラム（アルゴリズム）やパラメータなどを含み、本実施形態では、画像認識で用いられる機械学習モデルを例に挙げて説明する。機械学習自体は、公知の種々の手法を適用可能であり、例えば、ＣＮＮ（Convolutional Neural Network）、ＲｅｓＮｅｔ（Residual Network）、又はＲＮＮ（Recurrent Neural Network）を利用可能である。標章認識器Ｍ１は、アイテム画像又はその特徴量を入力すると、アイテム画像における標章及びその位置に関する位置情報を出力する。なお、標章認識器Ｍ１は、特に標章の位置情報を出力しなくてもよい。

例えば、標章認識器Ｍ１は、上記説明した例以外にも、ＣＡＭ、ＹＯＬＯ、又はＳＳＤと呼ばれる手法を利用可能である。これらの手法によれば、標章の認識結果と、認識の際に着目された部分に関する情報（例えば、ヒートマップ）と、の両方を出力可能である。例えば、画像における標章の位置（例えば、バウンディングボックス）がアノテーションされている場合には、ＹＯＬＯ又はＳＳＤを利用すれば、標章だけではなく、その位置まで検出することができる。また例えば、標章の位置がアノテーションされていない場合であっても、標章認識器Ｍ１とは別に、Ｇｒａｄ−ＣＡＭと呼ばれる手法を利用することで、標章認識器Ｍ１が標章の認識に着目した部分に関する情報（例えば、ヒートマップ）が出力されるので、標章の大まかな位置を推定可能である。

また例えば、データ記憶部は、分類認識器Ｍ２を記憶する。分類認識器Ｍ２は、プログラム（アルゴリズム）やパラメータなどを含み、本実施形態では、画像認識で用いられる機械学習モデルを例に挙げて説明する。標章認識器Ｍ１と同様、分類認識器Ｍ２についても、機械学習自体は、公知の種々の手法を適用可能である。例えば、分類認識器Ｍ２についても、ＣＮＮ、ＲｅｓＮｅｔ、又はＲＮＮといった手法を利用可能である。分類認識器Ｍ２は、アイテム画像又はその特徴量を入力すると、アイテム画像に示されたアイテムの分類を出力する。

また例えば、データ記憶部は、特徴量計算器Ｍ３を記憶する。特徴量計算器Ｍ３は、プログラム（アルゴリズム）、パラメータ、及び単語を特徴量に変換するための辞書データなどを含み、本実施形態では、自然言語処理で利用される機械学習モデルを例に挙げて説明する。標章認識器Ｍ１及び分類認識器Ｍ２と同様、特徴量計算器Ｍ３についても、公知の種々の手法を適用可能である。例えば、特徴量計算器Ｍ３は、Ｗｏｒｄ２Ｖｅｃ又はＧｌｏｖｅと呼ばれる手法を利用可能である。特徴量計算器Ｍ３は、文字列を入力すると、その意味を示す特徴量を出力する。本実施形態では、特徴量がベクトル形式で示されるものとするが、特徴量は、任意の形式で示されてよく、例えば、配列形式であってもよいし、単一の数値で示されてもよい。

［３−２．検索部］
検索部１０１は、制御部１１を主として実現される。検索部１０１は、認識対象の標章をクエリにして、認識対象の標章が示された画像をインターネット上で検索する。検索自体は、ポータルサイトなどで提供されている公知の種々の検索エンジンを利用可能である。また、検索範囲は、任意の範囲であってよく、例えば、ポータルサイトから検索可能な範囲（インターネット上の全範囲）であってもよいし、オンラインショッピングモールなどの特定のデータベースの範囲であってもよい。

例えば、検索部１０１は、管理者端末３０から管理者が入力した標章の文字列を取得し、当該取得した文字列をクエリとして、画像検索を実行する。検索部１０１は、クエリとなった商標に関連付けて、検索でヒットした画像の全部又は一部を、標章画像として標章画像データベースＤＢ２に格納する。例えば、検索部１０１は、検索時のスコアが高い順に所定数の画像を取得し、標章画像として標章画像データベースＤＢ２に格納する。また例えば、検索結果の中からランダムに選択した画像を標章画像として標章画像データベースＤＢ２に格納する。また例えば、検索部１０１は、管理者端末３０の表示部３５に検索結果を表示させ、管理者が選択した画像を標章画像として標章画像データベースＤＢ２に格納する。

なお、検索部１０１は、少なくとも１つの標章画像を標章画像データベースＤＢ２に格納すればよく、その数は、任意であってよい。例えば、検索部１０１は、予め定められた所定数の標章画像を標章画像データベースＤＢ２に格納してもよいし、検索時のスコアが閾値以上の標章画像の全部又は一部を標章画像データベースＤＢ２に格納してもよい。また、本実施形態では、標章の文字列をクエリとする場合を説明するが、標章が示された画像をクエリとし、類似画像が検索されてもよい。この場合、クエリとなる画像は、１つだけであってもよいし、標章に対する光の当たり具合や角度などを互いに変えた複数の画像をクエリとしてもよい。

［３−３．標章認識器作成部］
標章認識器作成部１０２は、制御部１１を主として実現される。標章認識器作成部１０２は、認識対象の標章が示された標章画像に基づいて、標章認識器Ｍ１を作成する。標章認識器Ｍ１の作成とは、標章認識器Ｍ１のモデルを調整することであり、例えば、標章認識器Ｍ１のアルゴリズム又はパラメータを調整することである。本実施形態では、検索部１０１により標章画像が検索されるので、標章認識器作成部１０２は、検索された画像に基づいて、標章認識器Ｍ１を作成することになる。

例えば、標章認識器作成部１０２は、標章画像データベースＤＢ２に格納された標章画像に基づいて、標章画像又はその特徴量を入力とし、標章画像に示された標章を出力とする教師データを取得する。標章認識器作成部１０２は、当該取得された教師データに基づいて、標章認識器Ｍ１を学習させる。学習自体は、公知の機械学習で用いられる手法を利用可能であり、例えば、ＣＮＮ、ＲｅｓＮｅｔ、又はＲＮＮの学習方法を利用可能である。標章認識器作成部１０２は、教師データが示す入出力の関係が得られるように、標章認識器Ｍ１を作成する。

［３−４．分類認識器作成部］
分類認識器作成部１０３は、制御部１１を主として実現される。分類認識器作成部１０３は、認識対象の分類の被写体が示された画像に基づいて、分類認識器Ｍ２を作成する。分類認識器Ｍ２の作成とは、分類認識器Ｍ２のモデルを調整することであり、例えば、分類認識器Ｍ２のアルゴリズム又はパラメータを調整することである。本実施形態では、他のシステムから取得された分類画像が用意されているので、標章認識器作成部１０２は、当該分類画像に基づいて、分類認識器Ｍ２を作成することになる。

例えば、分類認識器作成部１０３は、分類画像データベースＤＢ３に格納された分類画像に基づいて、分類画像又はその特徴量を入力とし、分類画像に示された分類を出力とする教師データを取得する。標章認識器作成部１０２は、当該取得された教師データに基づいて、標章認識器Ｍ１を学習させる。学習自体は、公知の機械学習で用いられる手法を利用可能であり、例えば、ＣＮＮ、ＲｅｓＮｅｔ、又はＲＮＮの学習方法を利用可能である。分類認識器作成部１０３は、教師データが示す入出力の関係が得られるように、分類認識器Ｍ２を作成する。

本実施形態では、複数の分類が予め用意されているので、分類認識器作成部１０３は、当該複数の分類の各々の分類情報に基づいて、分類認識器Ｍ２を作成する。当該分類は、管理者により指定された分類であればよく、例えば、オンラインショッピングモールで取り扱う商品のジャンル又はカテゴリであってもよい。分類認識器作成部１０３は、予め定められた複数の分類の何れかの分類情報を出力するように、分類認識器Ｍ２を調整する。

［３−５．特徴量計算器作成部］
特徴量計算器作成部１０４は、制御部１１を主として実現される。特徴量計算器作成部１０４は、語の特徴量を計算する特徴量計算器Ｍ３を作成する。特徴量計算器Ｍ３の作成とは、特徴量計算器Ｍ３のモデルを調整することであり、例えば、特徴量計算器Ｍ３のアルゴリズム又はパラメータを調整したり、特徴量計算器Ｍ３の辞書データを作成したりすることである。

特徴量計算器Ｍ３の作成方法自体は、公知の手法を利用可能であり、例えば、Ｗｏｒｄ２Ｖｅｃ又はＧｌｏｖｅと呼ばれる手法を利用可能である。例えば、特徴量計算器作成部１０４は、正規アイテムの説明文に基づいて、特徴量計算器Ｍ３を作成してもよい。正規アイテムは、推定部１０９の推定結果が不正ではなかったアイテムである。例えば、特徴量計算器作成部１０４は、アイテムデータベースＤＢ１に格納された説明文に基づいて、特徴量計算器Ｍ３を作成する。

なお、特徴量計算器作成部１０４は、アイテムデータベースＤＢ１に格納された説明文ではなく、他のシステムから文書データベースを取得して特徴量計算器Ｍ３を作成してもよいし、管理者が用意した文書データベースを取得して特徴量計算器Ｍ３を作成してもよい。文書データベースは、例えば、百科事典を提供するウェブサイトの記事、まとめサイトの記事、又はオンラインショッピングモールにおける商品説明文といった任意のデータベースを利用可能である。

［３−６．アイテム画像取得部］
アイテム画像取得部１０５は、制御部１１を主として実現される。アイテム画像取得部１０５は、アイテムが示されたアイテム画像を取得する。例えば、アイテム画像取得部１０５は、アイテムデータベースＤＢ１を参照し、処理対象となるアイテム画像を取得する。アイテム画像取得部１０５は、少なくとも１つのアイテム画像を取得すればよく、アイテム画像を１つだけ取得してもよいし、複数のアイテム画像を取得してもよい。

なお、アイテム画像は、アイテム情報に含まれる情報の一例である。このため、本実施形態でアイテム画像と記載した箇所は、アイテム情報と読み替えることができる。アイテム情報は、アイテムに関する情報を含めばよく、画像以外にも、例えば、文字列、表、図、動画、又は音声といった他の情報を含んでいてもよいし、これらの複数を含んでいてもよい。

［３−７．標章特定部］
標章特定部１０６は、制御部１１を主として実現される。標章特定部１０６は、アイテム画像に基づいて、アイテムの標章を特定する。ここでの特定とは、アイテム画像の中から、アイテムの標章を抽出することである。標章特定部１０６は、標章を文字列又はＩＤとして特定してもよいし画像として特定してもよい。

本実施形態では、標章認識器作成部１０２により標章認識器Ｍ１が作成されるので、標章特定部１０６は、アイテム画像と、標章認識器Ｍ１と、に基づいて、アイテムの標章を特定する。標章特定部１０６は、アイテム画像又はその特徴量を標章認識器Ｍ１に入力する。標章認識器Ｍ１は、入力されたアイテム画像又は特徴量に基づいて、アイテム画像に示された標章を識別する標章情報を出力する。標章特定部１０６は、標章認識器Ｍ１の出力を取得することによって、アイテムの標章を特定する。

なお、標章の特定方法は、標章認識器Ｍ１を利用した方法に限られず、種々の画像解析技術を利用可能である。例えば、標章特定部１０６は、見本画像とのパターンマッチングを利用して、アイテム画像からアイテムの標章を特定してもよい。この場合、標章の基本形状を示す見本画像をデータ記憶部１００に記憶させておき、標章特定部１０６は、アイテム画像の中から見本画像と類似する部分の有無を判定することによって、アイテムの標章を特定する。他にも例えば、標章特定部１０６は、アイテム画像から特徴点又は輪郭線を抽出し、特徴点又は輪郭線のパターンに基づいて、アイテムの標章を特定してもよい。

［３−８．位置情報取得部］
位置情報取得部１０７は、制御部１１を主として実現される。位置情報取得部１０７は、アイテム画像における、特定された標章の位置に関する位置情報を取得する。本実施形態では、標章認識器Ｍ１が、アイテム画像に示された標章の位置に関する位置情報を出力するので、位置情報取得部１０７は、標章認識器Ｍ１から出力された位置情報を取得する。

位置情報は、アイテム画像のうち、標章が示された画像部分の位置を示す情報である。本実施形態では、位置情報が、標章を囲むバウンディングボックスの位置を示す場合を説明するが、位置情報は、バウンディングボックスではなく、標章を示す何れかの画素の位置を示してもよい。例えば、位置情報は、アイテム画像に設定された二次元座標軸の座標情報によって示される。二次元座標軸は、アイテム画像の所定位置を原点として設定されるようにすればよく、例えば、アイテム画像の左上を原点とし、右方向にＸ軸が設定され、下方向にＹ軸が設定される。

なお、標章認識器Ｍ１ではなく、パターンマッチングによって標章を特定する場合には、位置情報取得部１０７は、アイテム画像のうち、見本画像と類似する部分を特定することによって、位置情報を取得してもよい。他にも例えば、位置情報取得部１０７は、アイテム画像のうち、標章部分と推定される特徴点又は輪郭線を特定することによって、位置情報を取得してもよい。

［３−９．分類特定部］
分類特定部１０８は、制御部１１を主として実現される。分類特定部１０８は、アイテム画像に基づいて、アイテムの分類を特定する。ここでの特定とは、複数の分類の中で、アイテム画像に示されたアイテムが属する分類を判定することである。分類特定部１０８は、予め定められた複数の分類の中から、アイテムの分類を特定する。

本実施形態では、分類認識器作成部１０３により分類認識器Ｍ２が作成されるので、分類特定部１０８は、アイテム画像と、分類認識器Ｍ２と、に基づいて、アイテムの分類を特定する。分類特定部１０８は、アイテム画像又はその特徴量を分類認識器Ｍ２に入力する。分類認識器Ｍ２は、入力されたアイテム画像又は特徴量に基づいて、アイテム画像に示されたアイテムの分類を識別する分類情報を出力する。分類特定部１０８は、分類認識器Ｍ２の出力を取得することによって、アイテムの分類を特定する。

また、本実施形態では、分類特定部１０８は、アイテム画像と、位置情報と、に基づいて、アイテムの分類を特定する。例えば、分類特定部１０８は、アイテム画像のうち、位置情報に基づいて定まる部分に加工を施し、当該加工が施された画像に基づいて、アイテムの分類を特定する。ここでの加工は、標章部分の特徴が低下又は無くなる画像処理加工であればよく、例えば、標章部分をマスクすること、標章部分を所定の色又は周囲の色で塗りつぶすこと、又は標章部分にぼかし処理を施すことである。他にも例えば、色だけでなく、テクスチャや形状等についても周囲と調和するように塗りつぶし（いわゆるコンテンツに応じた塗りつぶし）が行われてもよい。

図８は、アイテム画像のうち標章部分に加工が施される様子を示す図である。図８に示すように、例えば、分類特定部１０８は、アイテム画像Ｉ２のうち、標章部分を示すバウンディングボックスｂ１に対し、マスク等の加工をしたうえで、アイテムの分類を特定する。分類特定部１０８は、加工したアイテム画像又はその特徴量を分類認識器Ｍ２に入力し、分類認識器Ｍ２の出力を取得することによって、アイテムの分類を特定する。

なお、分類の特定方法は、分類認識器Ｍ２を利用した方法に限られず、種々の画像解析技術を利用可能である。例えば、分類特定部１０８は、見本画像とのパターンマッチングを利用して、アイテム画像からアイテムの分類を特定してもよい。この場合、各分類に属する物体の基本形状を示す見本画像をデータ記憶部１００に記憶させておき、分類特定部１０８は、アイテム画像の中から見本画像と類似する部分の有無を判定することによって、アイテムの分類を特定する。他にも例えば、分類特定部１０８は、アイテム画像から特徴点又は輪郭線を抽出し、特徴点又は輪郭線のパターンに基づいて、アイテムの分類を特定してもよい。

［３−１０．推定部］
推定部１０９は、制御部１１を主として実現される。推定部１０９は、標章特定部１０６により特定された標章と、分類特定部１０８により特定された分類と、に基づいて、アイテムに関する不正を推定する。例えば、推定部１０９は、標章と分類の組み合わせが自然（妥当）な組み合わせであるか否かを判定する。推定部１０９は、標章と分類の組み合わせが自然な組み合わせである場合に、アイテムに関する不正がないと推定し、標章と分類の組み合わせが不自然な組み合わせである場合に、アイテムに関する不正があると推定する。

また例えば、推定部１０９は、アイテムの標章と分類の組み合わせに基づいて、所定の基準を満たすか否かを判定する。この基準は、アイテムが不正であるか否かの判定基準であればよく、本実施形態では、標章の特徴量と分類の特徴量の距離に関する基準である場合を説明する。なお、基準は、特徴量の距離に限られず、後述する変形例のように、標章と分類が所定の組み合わせであるか否かを判定してもよい。他にも例えば、標章と分類を入力とし、不正の推定結果を出力とする機械学習モデルを用意しておき、推定部１０９は、当該機械学習モデルを利用することによって、不正を推定してもよい。

本実施形態では、推定部１０９は、特徴量計算器Ｍ３により計算された標章の特徴量と、特徴量計算器Ｍ３により計算された分類の特徴量と、に基づいて、アイテムに関する不正を推定する。例えば、推定部１０９は、標章特定部１０６により特定された標章を示す文字列を特徴量計算器Ｍ３に入力し、特徴量計算器Ｍ３により計算された特徴量を取得する。また例えば、推定部１０９は、分類特定部１０８により特定された分類を示す文字列を特徴量計算器Ｍ３に入力し、特徴量計算器Ｍ３により計算された特徴量を取得する。なお、標章情報が文字列である場合には、当該文字列がそのまま特徴量計算器Ｍ３に入力され、標章情報がＩＤである場合には、ＩＤが文字列に変換されたうえで特徴量計算器Ｍ３に入力される。同様に、分類情報が文字列である場合には、当該文字列がそのまま特徴量計算器Ｍ３に入力され、分類情報がＩＤである場合には、ＩＤが文字列に変換されたうえで特徴量計算器Ｍ３に入力される。

推定部１０９は、標章の特徴量と分類の特徴量の差異が閾値以上であるか否かを判定する。本実施形態では、特徴量がベクトル形式で示されるので、差異は、ベクトル空間における距離である。特徴量が他の形式で示される場合には、差異は、数値の差であってよい。推定部１０９は、差異が閾値未満である場合に、アイテムに関する不正がないと推定し、差異が閾値以上である場合に、アイテムに関する不正があると推定する。推定部１０９は、アイテム画像に関連付けて、推定結果をアイテムデータベースＤＢ１に格納する。

なお、推定部１０９により不正と推定された場合、その後には、任意の処理が実行されてよい。例えば、管理者端末３０に不正と推定されたアイテム画像の一覧を表示させ、管理者により選択されたアイテム画像については、サーバ１０から削除するようにしてもよい。また例えば、管理者は、不正と推定されたアイテム画像を投稿したユーザに対し、電子メール等で連絡を取ってアイテムについて確認をしてもよい。また例えば、不正と推定されたアイテム画像については、サーバ１０から強制的に削除されるようにしてもよい。

［４．本実施形態において実行される処理］
次に、本実施形態において実行される処理を説明する。ここでは、標章認識器Ｍ１、分類認識器Ｍ２、及び特徴量計算器Ｍ３を作成するための事前処理と、アイテムの不正を推定するための推定処理と、について説明する。

［４−１．事前処理］
図９は、事前処理の一例を示すフロー図である。図９に示す事前処理は、制御部１１，３１が記憶部１２，３２に記憶されたプログラムに従って動作することによって実行される。下記に説明する処理は、図４に示す機能ブロックにより実行される処理の一例である。なお、ここでは、標章認識器Ｍ１、分類認識器Ｍ２、及び特徴量計算器Ｍ３の各々が、一連の処理の中で作成される場合を説明するが、これらは別個の処理で作成されてもよい。

図９に示すように、管理者端末３０において、制御部３１は、サーバ１０に対し、管理者が入力した標章をクエリとした標章画像の検索要求を送信する（Ｓ１００）。Ｓ１００においては、管理者は、操作部３４からクエリとする標章の文字列を入力する。制御部３１は、管理者が入力した文字列をクエリとする検索要求を送信する。

サーバ１０においては、検索要求を受信すると、制御部１１は、管理者が入力した標章をクエリとして、インターネット上の標章画像を検索する（Ｓ１０１）。ここでは、制御部１１は、検索でヒットした所定数の標章画像を取得するものとするが、検索結果を管理者端末３０に送信し、管理者による選択を受け付けるようにしてもよい。

制御部１１は、Ｓ１０１で検索した標章画像を、標章画像データベースＤＢ２に格納する（Ｓ１０２）。Ｓ１０２においては、制御部１１は、管理者が入力した標章と、Ｓ１０１で取得した標章画像と、を関連付けて標章画像データベースＤＢ２に格納する。

制御部１１は、標章画像データベースＤＢ２に格納された標章画像に基づいて、標章認識器Ｍ１を作成する（Ｓ１０３）。Ｓ１０３においては、制御部１１は、標章画像又はその特徴量を入力とし、管理者が入力した標章を出力とする教師データを作成する。制御部１１は、作成された教師データに基づいて、標章認識器Ｍ１を学習させる。

管理者端末３０において、制御部３１は、サーバ１０に対し、分類認識器Ｍ２の作成要求を送信する（Ｓ１０４）。分類認識器Ｍ２の作成要求は、予め定められた形式の情報が送信されることによって行われるようにすればよい。なお、ここでは、分類画像データベースＤＢ３に予め分類画像が格納されている場合を説明するが、分類認識器Ｍ２の作成要求に分類画像が含まれていてもよい。他にも例えば、サーバ１０が、分類認識器Ｍ２の作成要求を受信した場合に、他のシステムから分類画像をダウンロードしてもよい。

サーバ１０においては、分類認識器Ｍ２の作成要求を受信すると、制御部１１は、分類画像データベースＤＢ３に格納された分類画像に基づいて、分類認識器Ｍ２を作成する（Ｓ１０５）。Ｓ１０５においては、制御部１１は、分類画像又はその特徴量を入力とし、分類画像に関連付けられた分類を出力とする教師データを作成する。制御部１１は、作成された教師データに基づいて、分類認識器Ｍ２を学習させる。

管理者端末３０において、制御部３１は、サーバ１０に対し、特徴量計算器Ｍ３の作成要求を送信する（Ｓ１０６）。特徴量計算器Ｍ３の作成要求は、予め定められた形式の情報が送信されることによって行われるようにすればよい。なお、ここでは、アイテムデータベースＤＢ１の説明文を利用する場合を説明するが、特徴量計算器Ｍ３の作成要求に、特徴量計算器Ｍ３の作成に必要な文書データが含まれていてもよい。他にも例えば、サーバ１０が、特徴量計算器Ｍ３の作成要求を受信した場合に、他のシステムから文書データをダウンロードしてもよい。

サーバ１０においては、特徴量計算器Ｍ３の作成要求を受信すると、制御部１１は、アイテムデータベースＤＢ１に基づいて、特徴量計算器Ｍ３を作成し（Ｓ１０７）、本処理は終了する。Ｓ１０７においては、制御部１１は、アイテムデータベースＤＢ１に格納された説明文を単語に分割し、特徴量を計算する関数を利用して、各単語を特徴量化することによって、特徴量計算器Ｍ３を作成する。

［４−２．推定処理］
図１０は、推定処理の一例を示すフロー図である。図１０に示す推定処理は、制御部１１，３１が記憶部１２，３２に記憶されたプログラムに従って動作することによって実行される。下記に説明する処理は、図４に示す機能ブロックにより実行される処理の一例である。

図１０に示すように、まず、管理者端末３０において、制御部３１は、サーバ１０に対し、推定処理の実行要求を送信する（Ｓ２００）。推定処理の実行要求は、予め定められた形式の情報が送信されることによって行われるようにすればよい。なお、ここでは、アイテムデータベースＤＢ１に推定結果が格納されていないアイテム画像が処理対象となる場合を説明するが、推定処理の実行要求に、処理対象とするアイテム画像のアイテムＩＤが含まれていてもよい。また、推定処理は、管理者からの指示ではなく、他の任意のタイミングで実行されてよい。例えば、推定処理は、定期的に実行されてもよいし、アイテム画像が所定枚数蓄積されたことに応じて実行されてもよい。

サーバ１０においては、推定処理の実行要求を受信すると、制御部１１は、アイテムデータベースＤＢ１に基づいて、処理対象のアイテム画像を取得する（Ｓ２０１）。Ｓ２０１においては、制御部１１は、アイテムデータベースＤＢ１を参照し、推定結果が格納されていないアイテム画像の何れかを取得する。

制御部１１は、処理対象のアイテム画像と、標章認識器Ｍ１と、に基づいて、アイテムの標章と位置情報を特定する（Ｓ２０２）。Ｓ２０２においては、制御部１１は、アイテム画像又はその特徴量を標章認識器Ｍ１に入力する。標章認識器Ｍ１は、入力されたアイテム画像又は特徴量に基づいて、学習済みの複数の標章のうちの少なくとも１つを示す標章情報と、標章の位置情報と、を出力する。制御部１１は、標章認識器Ｍ１の出力結果を取得する。なお、標章認識器Ｍ１が標章の位置情報を出力する機能を持たない場合には、制御部１１は、Ｇｒａｄ−ＣＡＭ等を利用して位置情報を取得すればよい。

制御部１１は、処理対象のアイテム画像、Ｓ２０２で取得した標章の位置情報、及び分類認識器Ｍ２に基づいて、アイテムの分類を特定する（Ｓ２０３）。Ｓ２０３においては、制御部１１は、アイテム画像のうち位置情報が示す領域に対し、マスク又はインペインティング等の加工を行う。制御部１１は、加工されたアイテム画像又はその特徴量を標章認識器Ｍ１に入力する。標章認識器Ｍ１は、入力されたアイテム画像又は特徴量に基づいて、学習済みの複数の分類のうちの少なくとも１つを示す分類情報を出力する。制御部１１は、標章認識器Ｍ１から出力された分類情報を取得する。

制御部１１は、特徴量計算器Ｍ３に基づいて、Ｓ２０２で特定した標章の特徴量と、Ｓ２０３で特定した分類の特徴量と、の距離を計算する（Ｓ２０４）。Ｓ２０４においては、制御部１１は、特徴量計算器Ｍ３に標章情報を入力し、標章の特徴量を取得する。制御部１１は、特徴量計算器Ｍ３に分類情報を入力し、分類の特徴量を取得する。制御部１１は、標章の特徴量と分類の特徴量との距離を計算する。

制御部１１は、標章の特徴量と分類の特徴量の距離が閾値以上であるか否かを判定する（Ｓ２０５）。閾値は、予め定められた値であればよく、固定値であってもよいし、可変値であってもよい。閾値を可変値とする場合には、標章及び分類の少なくとも一方に基づいて決定されるようにすればよい。

距離が閾値以上であると判定された場合（Ｓ２０５；Ｙ）、制御部１１は、アイテムを不正と推定する（Ｓ２０６）。Ｓ２０６においては、制御部１１は、処理対象のアイテム画像に関連付けて、アイテムの標章情報、分類情報、及び推定結果をアイテムデータベースＤＢ１に格納する。

一方、距離が閾値未満であると判定された場合（Ｓ２０５；Ｎ）、制御部１１は、アイテムを正当と推定する（Ｓ２０７）。Ｓ２０７においては、制御部１１は、処理対象のアイテム画像に関連付けて、アイテムの標章情報、分類情報、及び推定結果をアイテムデータベースＤＢ１に格納する。

制御部１１は、アイテムデータベースＤＢ１に基づいて、処理対象の全てのアイテム画像に対して推定を行ったか否かを判定する（Ｓ２０８）。Ｓ２０８においては、制御部１１は、まだ推定結果が取得されていないアイテム画像が存在するか否かを判定する。

まだ推定を行っていないアイテム画像が存在する場合（Ｓ２０８；Ｎ）、Ｓ２０１の処理に戻り、次のアイテム画像に対する処理が実行される。一方、全てのアイテム画像に対して推定を行った場合（Ｓ２０８；Ｙ）、本処理は終了する。

以上説明した不正推定システムＳによれば、アイテム画像に基づいて、アイテムの標章とアイテムの分類とを特定し、これらの組み合わせに基づいて、アイテムに関する不正を推定することで、アイテムに物理的にタグを取り付けたりタグを読み取ったりすることなく、アイテムに関する情報から不正を推定することができる。例えば、従来技術のように、アイテムに物理的なタグを取り付ける手法では、管理者がわざわざ店舗等に出向いてタグを読み取らなければならないが、不正推定システムＳによれば、アイテム画像があれば不正を推定することができるので、迅速に不正を検出することができる。即ち、アイテム画像が投稿等されてから不正を検出するまでを早くすることができる。また、管理者等が目視で不正を判断する必要がなく、アイテムの不正を推定する手間を軽減することができる。例えば、アイテムの現物がなかったとしても、アイテム画像などの情報から不正を推定することができるので、管理者自らアイテム画像を視認して不正を判断するといった手間をなくすことができる。

また、アイテムの説明文などのように、投稿者によって自由に入力することができる情報に基づいて、アイテムの標章を特定しようとしても、このような情報は、誤魔化しやすく信憑性が低いので、不正を見抜くのが難しいことがある。この点、不正推定システムＳは、誤魔化すことが比較的難しいアイテム画像に基づいて、アイテムの標章を特定することにより、不正を推定する精度を高めることができる。また、説明文などの情報がそもそも存在しなかったとしても、アイテム画像さえあれば、不正を推定することができる。

また、不正推定システムＳは、認識対象の標章が示された標章画像に基づいて、標章認識器Ｍ１を作成し、アイテム画像と標章認識器Ｍ１とに基づいて、アイテムの標章を特定することで、標章を特定する精度を高めることができる。その結果、アイテムの不正を推定する精度も高めることができる。

また、不正推定システムＳは、認識対象の標章をクエリにして、認識対象の標章が示された標章画像をインターネット上で検索し、検索された画像に基づいて、標章認識器Ｍ１を作成することで、より手軽に標章画像を収集し、標章認識器Ｍ１を作成する手間を軽減することができる。また、インターネット上に存在する種々の標章画像を利用することで、標章認識器Ｍ１の精度を効果的に高めることができる。その結果、アイテムの不正を推定する精度も高めることができる。

また、アイテムの説明文などのように、投稿者によって自由に入力することができる情報に基づいて、アイテムの分類を特定しようとしても、このような情報は、誤魔化しやすく信憑性が低いので、不正を見抜くのが難しいことがある。この点、不正推定システムＳは、誤魔化すことが比較的難しいアイテム画像に基づいて、アイテムの分類を特定することにより、不正を推定する精度を高めることができる。また、説明文などの情報がそもそも存在しなかったとしても、アイテム画像さえあれば、不正を推定することができる。

また、不正推定システムＳは、認識対象の分類の被写体が示された分類画像に基づいて、分類認識器Ｍ２を作成し、アイテム画像と分類認識器Ｍ２とに基づいて、アイテムの分類を特定することで、分類を特定する精度を高めることができる。その結果、アイテムの不正を推定する精度も高めることができる。

また、不正推定システムＳは、予め定められた複数の分類の中から、アイテムの分類を特定し、複数の分類に基づいて、分類認識器Ｍ２を作成することで、分類認識器Ｍ２の精度を効果的に高めることができる。その結果、アイテムの不正を推定する精度も高めることができる。

また、不正推定システムＳは、アイテム画像における標章の位置に関する位置情報を取得し、アイテム画像と位置情報とに基づいて、アイテムの分類を特定することで、分類を特定する精度を高めることができる。

また、不正推定システムＳは、アイテム画像のうち、位置情報に基づいて定まる部分を加工したうえで分類を推定することにより、標章部分の影響を強く受けることによって誤った分類がなされるといったことを防止することができる。その結果、アイテムの不正を推定する精度も高めることができる。

また、不正推定システムＳは、語の特徴量を計算する特徴量計算器Ｍ３を作成し、特徴量計算器Ｍ３により計算された特定された標章の特徴量と、特徴量計算器Ｍ３により計算された特定された分類の特徴量と、に基づいて、アイテムに関する不正を推定することで、アイテムの不正を推定する精度を高めることができる。例えば、後述する変形例のように、標章と分類の関連付けを予め用意することも考えられるが、この場合、管理者が誤った関連付けを指定してしまったり、関連付けの指定が漏れていたりした場合には、不正の推定精度が低下する可能性がある。この点、語の特徴量という客観的な指標を利用してアイテムの不正を推定することにより、不正の推定精度が低下するといったことを防止することができる。

また、不正推定システムＳは、正規アイテムの説明文に基づいて、特徴量計算器Ｍ３を作成することで、特徴量計算器Ｍ３の精度を高めることができる。例えば、不正アイテムの説明文については、悪意のあるユーザがわざと不正な文章を入力する可能性があるが、このような説明文を排除することによって、特徴量計算器Ｍ３の精度を高めることができる。その結果、アイテムの不正を推定する精度も高めることができる。

［５．変形例］
なお、本発明は、以上に説明した実施の形態に限定されるものではない。本発明の趣旨を逸脱しない範囲で、適宜変更可能である。

（１）例えば、推定部１０９による不正の推定方法は、実施形態で説明した例に限られない。推定部１０９は、アイテムの標章と分類の組み合わせが自然であるか否かを判定すればよく、例えば、これらの自然な組み合わせ、又は、これらの不自然な組み合わせを予め用意しておいてもよい。

図１１は、変形例（１）における機能ブロック図である。図１１に示すように、変形例（１）では、データ記憶部１００が関連付けデータＤＴ１を記憶し、実施形態で説明した機能に加えて、データ取得部１１０が実現される。データ取得部１１０は、制御部１１を主として実現される。なお、変形例（１）では、データ記憶部１００は、特徴量計算器Ｍ３を記憶しなくてもよく、不正推定システムＳは、特徴量計算器作成部１０４を含まなくてもよい。

図１２は、関連付けデータＤＴ１のデータ格納例を示す図である。図１２に示すように、関連付けデータＤＴ１には、複数の標章の各々の標章情報と、少なくとも１つの分類の分類情報と、が格納されている。別の言い方をすれば、関連付けデータＤＴ１には、標章情報ごとに、少なくとも１つの分類情報が格納されている。ここでは、関連付けデータＤＴ１に、標章と分類の自然な組み合わせが定義されている場合を説明するが、関連付けデータＤＴ１には、標章と分類の不自然な組み合わせが定義されていてもよい。

ここでは、管理者が関連付けデータＤＴ１を用意する場合を説明するが、関連付けデータＤＴ１は、アイテムデータベースＤＢ１の統計を取ることによって自動的に生成されてもよい。例えば、管理者は、アイテムの製造者のカタログやホームページなどを利用して、標章と分類の自然な組み合わせを特定する。管理者は、管理者端末３０の操作部３４からこれらの組み合わせを入力して関連付けデータＤＴ１を作成し、サーバ１０にアップロードする。サーバ１０は、管理者がアップロードした関連付けデータＤＴ１を受信すると、データ記憶部１００に格納する。

データ取得部１１０は、複数の標章の各々と、少なくとも１つの分類と、が関連付けられた関連付けデータＤＴ１を取得する。本変形例では、関連付けデータＤＴ１がデータ記憶部１００に記憶されているので、データ取得部１１０は、データ記憶部１００に記憶された関連付けデータＤＴ１を取得する。

推定部１０９は、特定された標章、特定された分類、及び関連付けデータＤＴ１に基づいて、アイテムに関する不正を推定する。例えば、標章と分類の自然な組み合わせが関連付けデータＤＴ１に定義されている場合、推定部１０９は、アイテムの標章と分類の組み合わせが関連付けデータＤＴ１に存在するか否かを判定する。推定部１０９は、これらの組み合わせが関連付けデータＤＴ１に存在する場合、アイテムに関する不正がないと推定し、これらの組み合わせが関連付けデータＤＴ１に存在しない場合、アイテムに関する不正があると推定する。

なお、標章と分類の不自然な組み合わせが関連付けデータＤＴ１に定義されている場合には、推定部１０９は、アイテムの標章と分類の組み合わせが関連付けデータＤＴ１に存在しない場合、アイテムに関する不正がないと推定し、これらの組み合わせが関連付けデータＤＴ１に存在する場合、アイテムに関する不正があると推定する。

変形例（１）によれば、特定された標章、特定された分類、及び関連付けデータＤＴ１に基づいて、アイテムに関する不正を推定することによって、不正を推定する手間を軽減することができる。例えば、実施形態で説明した手法では、サーバ１０は、特徴量計算器Ｍ３を作成したり特徴量を計算したりする必要があるが、変形例（１）の手法では、このような処理を実行する必要がないため、簡易な処理で不正を推定することができ、サーバ１０の処理負荷を軽減することもできる。

（２）また例えば、実施形態では、ＳＮＳや掲示板などに対して投稿されたアイテム画像に基づいて、アイテムに関する不正が推定される場合を説明したが、不正推定システムＳは、他の任意の場面に適用可能である。例えば、オンラインショッピングモールに出品されている商品に関する不正を判定する場面に、不正推定システムＳを利用してもよい。

本変形例では、サーバ１０は、オンラインショッピングモールのウェブサイトを管理する。ユーザ端末２０を操作するユーザは、オンラインショッピングモールに出店している店舗のスタッフなどである。ユーザは、自身の店舗で取り扱っている商品に関する商品情報をサーバ１０にアップロードする。アイテムデータベースＤＢ１には、店舗が販売する商品を一意に識別するアイテムＩＤ、商品画像であるアイテム画像、商品の説明文、標章認識器Ｍ１により特定された標章を識別する標章情報、分類認識器Ｍ２により特定された分類を識別する分類情報、及び推定部１０９の推定結果が格納される。これらの情報に基づいて、商品を購入するための商品ページが表示される。

本変形例では、アイテムは、商品であり、アイテム情報は、商品に関する商品情報となる。商品は、オンラインショッピングモールにおける取引の対象となる物であればよい。商品情報は、商品に関する基本情報であればよく、店舗のスタッフなどであるユーザによって入力された情報であればよい。

標章特定部１０６は、商品情報に基づいて、商品の標章を特定し、分類特定部１０８は、商品情報に基づいて、商品の分類を特定する。標章と分類の特定方法自体は、実施形態で説明した通りである。推定部１０９は、商品に関する不正を推定する。不正の推定方法は、実施形態で説明した手法を利用してもよいし、変形例（１）で説明した手法を利用してもよい。例えば、管理者は、不正と推定されたアイテムを購入するページを表示させないようにしたり、当該アイテムを販売する店舗にペナルティを与えたりする。

なお、アイテムデータベースＤＢ１には、店舗が指定した商品の分類を識別する分類情報、商品のタイトル、商品の価格、及び商品の在庫などの他の情報が格納されてもよい。この場合、分類特定部１０８は、分類認識器Ｍ２を利用せずに、店舗が指定した分類情報を参照することによって、商品の分類を特定してもよい。同様に、標章特定部１０６は、商品の説明文又はタイトルから標章を特定してもよい。

変形例（２）によれば、商品情報に基づいて、商品の標章と商品の分類を特定し、商品に関する不正を推定することで、不正な商品が販売されることを防止することができる。

（３）また例えば、実施形態では、アイテム情報の一例としてアイテム画像を説明したが、アイテム情報は、文字列、動画、又は音声といった他の情報であってもよい。例えば、アイテム情報が文字列である場合、標章特定部１０６は、アイテムに関連付けられた文字列に、標章を示す文字列が含まれているか否かを判定することによって、標章を特定してもよい。この場合、位置情報は、文章全体の中における標章の文字列の位置を示すことになる。分類特定部１０８は、アイテムに関連付けられた文字列に、分類を示す文字列が含まれているか否かを判定したり、アイテムに関連付けられた分類情報を参照したりすることによって、分類を特定してもよい。また例えば、分類特定部１０８は、位置情報が示す標章部分の文字列を隠したうえで、アイテムの分類を特定してもよい。

また例えば、アイテム情報が動画である場合、標章特定部１０６及び分類特定部１０８は、動画を構成する個々の画像に対し、実施形態又は変形例で説明した手法を利用して、標章及び分類を特定すればよい。また例えば、アイテム情報が音声である場合には、標章は、ＣＭなどで使用されている音声となる。標章特定部１０６は、アイテム情報の音声を解析し、標章を示す波形が得られたか否かを判定することによって、標章を特定する。分類特定部１０８は、音声を解析することによって分類を特定してもよいし、文字列や画像などの他の情報が存在する場合には、当該他の情報を参照することによって分類を特定してもよい。

また例えば、標章特定部１０６は、アイテム画像を参照して標章を特定し、分類特定部１０８は、説明文や分類情報を参照して分類を特定するといったように、アイテム情報に含まれる別々の項目を参照することによって、標章と分類が特定されるようにしてもよい。

また例えば、主な機能がサーバ１０で実現される場合を説明したが、各機能は、複数のコンピュータで分担されてもよい。例えば、サーバ１０、ユーザ端末２０、及び管理者端末３０の各々で機能が分担されてもよい。例えば、分類などの処理がサーバ１０で実行されるのではなく、ユーザ端末２０又は管理者端末３０で実行されてもよい。また例えば、不正推定システムＳが複数のサーバコンピュータを含む場合には、これら複数のサーバコンピュータで機能が分担されてもよい。また例えば、データ記憶部１００で記憶されるものとして説明したデータは、サーバ１０以外のコンピュータによって記憶されてもよい。

Claims (15)

1. アイテムに関するアイテム情報を取得するアイテム情報取得手段と、
   前記アイテム情報に基づいて、前記アイテムの標章を特定する標章特定手段と、
   前記アイテム情報に基づいて、前記アイテムの分類を特定する分類特定手段と、
   前記特定された標章と、前記特定された分類と、に基づいて、前記アイテムに関する不正を推定する推定手段と、
   を含むことを特徴とする不正推定システム。
2. 前記アイテム情報は、前記アイテムが示されたアイテム画像を含み、
   前記標章特定手段は、前記アイテム画像に基づいて、前記アイテムの標章を特定する、
   ことを特徴とする請求項１に記載の不正推定システム。
3. 前記不正推定システムは、認識対象の標章が示された画像に基づいて、標章認識器を作成する標章認識器作成手段を更に含み、
   前記標章特定手段は、前記アイテム画像と、前記標章認識器と、に基づいて、前記アイテムの標章を特定する、
   ことを特徴とする請求項２に記載の不正推定システム。
4. 前記不正推定システムは、前記認識対象の標章をクエリにして、前記認識対象の標章が示された画像をインターネット上で検索する検索手段を更に含み、
   前記標章認識器作成手段は、前記検索された画像に基づいて、前記標章認識器を作成する、
   ことを特徴とする請求項３に記載の不正推定システム。
5. 前記アイテム情報は、前記アイテムが示されたアイテム画像を含み、
   前記分類特定手段は、前記アイテム画像に基づいて、前記アイテムの分類を特定する、
   ことを特徴とする請求項１〜４の何れかに記載の不正推定システム。
6. 前記不正推定システムは、認識対象の分類の被写体が示された画像に基づいて、分類認識器を作成する分類認識器作成手段を更に含み、
   前記分類特定手段は、前記アイテム画像と、前記分類認識器と、に基づいて、前記アイテムの分類を特定する、
   ことを特徴とする請求項５に記載の不正推定システム。
7. 前記分類特定手段は、予め定められた複数の分類の中から、前記アイテムの分類を特定し、
   前記分類認識器作成手段は、前記複数の分類に基づいて、前記分類認識器を作成する、
   ことを特徴とする請求項６に記載の不正推定システム。
8. 前記標章特定手段は、前記アイテム画像に基づいて、前記アイテムの標章を特定し、
   前記不正推定システムは、前記アイテム画像における、前記特定された標章の位置に関する位置情報を取得する位置情報取得手段を更に含み、
   前記分類特定手段は、前記アイテム画像と、前記位置情報と、に基づいて、前記アイテムの分類を特定する、
   ことを特徴とする請求項５〜７の何れかに記載の不正推定システム。
9. 前記分類特定手段は、前記アイテム画像のうち、前記位置情報に基づいて定まる部分に加工を施し、当該加工が施された画像に基づいて、前記アイテムの分類を特定する、
   ことを特徴とする請求項８に記載の不正推定システム。
10. 前記不正推定システムは、語の特徴量を計算する特徴量計算器を作成する特徴量計算器作成手段を更に含み、
    前記推定手段は、前記特徴量計算器により計算された前記特定された標章の特徴量と、前記特徴量計算器により計算された前記特定された分類の特徴量と、に基づいて、前記アイテムに関する不正を推定する、
    ことを特徴とする請求項１〜９の何れかに記載の不正推定システム。
11. 前記特徴量計算器作成手段は、正規アイテムの説明文に基づいて、前記特徴量計算器を作成する、
    ことを特徴とする請求項１０に記載の不正推定システム。
12. 前記不正推定システムは、複数の標章の各々と、少なくとも１つの分類と、が関連付けられた関連付けデータを取得する関連付けデータ取得手段を更に含み、
    前記推定手段は、前記特定された標章、前記特定された分類、及び前記関連付けデータに基づいて、前記アイテムに関する不正を推定する、
    ことを特徴とする請求項１〜１１の何れかに記載の不正推定システム。
13. 前記アイテムは、商品であり、
    前記アイテム情報は、前記商品に関する商品情報であり、
    前記標章特定手段は、前記商品情報に基づいて、前記商品の標章を特定し、
    前記分類特定手段は、前記商品情報に基づいて、前記商品の分類を特定し、
    前記推定手段は、前記商品に関する不正を推定する、
    ことを特徴とする請求項１〜１２の何れかに記載の不正推定システム。
14. アイテムに関するアイテム情報を取得するアイテム情報取得ステップと、
    前記アイテム情報に基づいて、前記アイテムの標章を特定する標章特定ステップと、
    前記アイテム情報に基づいて、前記アイテムの分類を特定する分類特定ステップと、
    前記特定された標章と、前記特定された分類と、に基づいて、前記アイテムに関する不正を推定する推定ステップと、
    を含むことを特徴とする不正推定方法。
15. アイテムに関するアイテム情報を取得するアイテム情報取得手段、
    前記アイテム情報に基づいて、前記アイテムの標章を特定する標章特定手段、
    前記アイテム情報に基づいて、前記アイテムの分類を特定する分類特定手段、
    前記特定された標章と、前記特定された分類と、に基づいて、前記アイテムに関する不正を推定する推定手段、
    としてコンピュータを機能させるためのプログラム。

Images