JP2019008742A - 学習装置、生成装置、学習方法、生成方法、学習プログラム、および生成プログラム - Google Patents

Abstract

【課題】学習データが有する関係性の学習を容易にする。【解決手段】本願に係る学習装置は、それぞれ異なる種別の複数の入力情報を取得する取得部と、前記複数の入力情報を入力した際に、各入力情報と対応する複数の出力情報を出力するように、前記入力情報から当該入力情報が有する特徴を示す特徴情報を生成する複数の符号化器と、当該複数の符号化器が生成した特徴情報を合成した合成情報を生成する合成器と、合成器が生成した合成情報からそれぞれ異なる種別の出力情報を生成する複数の復号器とを含むモデルの学習を行う学習部とを有することを特徴とする。【選択図】図１

Description

本発明は、学習装置、生成装置、学習方法、生成方法、学習プログラム、生成プログラム、およびモデルに関する。

従来、種別が異なる複数のデータの組を学習データとし、学習データが有する関連性をモデルに学習させ、学習結果を用いて各種の処理を実行する技術が知られている。このような技術の一例として、言語データと非言語データとの組を学習データとし、学習データが有する関係性をモデルに学習させ、学習済みのモデルを用いて、非言語データに対応する言語データの推定を行う技術が知られている。

特開２０１６−００４５５０号公報

しかしながら、上述した学習技術では、学習データが有する関係性の学習が困難となる場合がある。

例えば、モデルに学習データの特徴を精度良く学習させる場合には、比較的多くの学習データが必要となる。しかしながら、学習させたい関係性を有するデータの組を準備するのは、手間がかかるため、十分な数の学習データを準備することができない恐れがある。

本願は、上記に鑑みてなされたものであって、学習データが有する関係性の学習を容易にすることを目的とする。

本願に係る学習装置は、それぞれ異なる種別の複数の入力情報を取得する取得部と、前記複数の入力情報を入力した際に、各入力情報と対応する複数の出力情報を出力するように、前記入力情報から当該入力情報が有する特徴を示す特徴情報を生成する複数の符号化器と、当該複数の符号化器が生成した特徴情報を合成した合成情報を生成する合成器と、合成器が生成した合成情報からそれぞれ異なる種別の出力情報を生成する複数の復号器とを含むモデルの学習を行う学習部とを有することを特徴とする。

実施形態の一態様によれば、学習データが有する関係性の学習を容易にすることができる。

図１は、実施形態に係る情報提供装置が実行する処理の一例を示す図である。 図２は、実施形態に係る情報提供装置の構成例を示す図である。 図３は、実施形態に係る学習データデータベースに登録される情報の一例を示す図である。 図４は、実施形態に係るモデルデータベースに登録される情報の一例を示す図である。 図５は、実施形態に係る情報提供装置が学習させる処理モデルの構造の一例を説明する図である。 図６は、実施形態に係る情報提供装置が実行する学習処理の流れの一例を示すフローチャートである。 図７は、実施形態に係る情報提供装置が実行する生成処理の流れの一例を示すフローチャートである。 図８は、ハードウェア構成の一例を示す図である。

以下に、本願に係る学習装置、生成装置、学習方法、生成方法、学習プログラム、生成プログラム、およびモデルを実施するための形態（以下、「実施形態」と記載する。）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学習装置、生成装置、学習方法、生成方法、学習プログラム、生成プログラム、およびモデル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］
〔１−１．情報提供装置の一例〕
まず、図１を用いて、生成装置および学習装置の一例である情報提供装置が実行する学習処理および生成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提供装置が実行する処理の一例を示す図である。図１では、情報提供装置１０は、インターネット等の所定のネットワークＮ（例えば、図２参照）を介して、所定のクライアントが使用するデータサーバ５０および端末装置１００と通信可能である。

情報提供装置１０は、後述する学習処理を実行する情報処理装置であり、例えば、サーバ装置やクラウドシステム等により実現される。また、データサーバ５０は、情報提供装置１０が後述する学習処理を実行する際に用いる学習データや、情報提供装置１０が後述する生成処理を実行する際に出力する配信コンテンツを管理する情報処理装置であり、例えば、サーバ装置やクラウドシステム等により実現される。

例えば、データサーバ５０は、端末装置１００に対してニュースや、利用者によって投稿された各種のコンテンツを配信する配信サービスを実行する。このような配信サービスは、例えば、各種ニュースの配信サイトやＳＮＳ（Social Networking Service）等により実現される。

端末装置１００は、スマートフォンやタブレット等のスマートデバイスであり、３Ｇ（3rd Generation）やＬＴＥ（Long Term Evolution）等の無線通信網を介して任意のサーバ装置と通信を行うことができる携帯端末装置である。なお、端末装置１００は、スマートデバイスのみならず、デスクトップＰＣ（Personal Computer）やノートＰＣ等の情報処理装置であってもよい。

〔１−２．要約の配信について〕
ここで、データサーバ５０は、配信対象となる配信コンテンツが複数存在する場合には、各配信コンテンツを全て配信するのではなく、各配信コンテンツの要約となる要約コンテンツを端末装置１００へと配信し、配信した要約コンテンツのうち利用者が選択した要約コンテンツと対応する配信コンテンツを配信する場合がある。しかしながら、配信コンテンツごとに、人手で要約コンテンツを生成するのは、手間がかかる。

そこで、各種情報が有する特徴を学習したモデルを用いて、配信コンテンツから要約コンテンツを自動的に生成するといった技術が考えらえる。例えば、データサーバ５０が配信する配信コンテンツには、写真等の画像、見出しとなるテキスト、本文となるテキスト等、それぞれ異なる種別の情報が含まれる場合がある。このような場合、配信コンテンツに含まれる各情報の種別ごとに、各情報の特徴を学習されたモデルを個別に生成し、生成した複数のモデルを用いて、配信コンテンツに含まれる各情報から情報の要約を生成するといった手法が考えられる。

例えば、情報ごとに異なるモデルを用いて要約を生成する要約サーバは、配信コンテンツに含まれる画像と、その配信コンテンツの要約である要約コンテンツに含めるべき要約画像（すなわち、サムネイル）とを学習データとして取得する。そして、要約サーバは、画像から要約画像を生成するようにモデルの学習を行う。このような学習は、例えば、複数のノードを多段に接続したＤＮＮ（Deep Neural Network）等のニューラルネットワーク等により実演される。同様に、要約サーバは、配信コンテンツに含まれる見出しや本文から、要約コンテンツに含める要約見出しや要約本文等を生成するようにモデルの学習を行う。そして、要約サーバは、学習した各モデルを用いて、新たな配信コンテンツに含まれる画像、見出し、本文等から要約画像、要約見出し、要約本文をそれぞれ生成し、生成した要約画像、要約見出し、要約本文を用いて要約コンテンツを生成する。

しかしながら、上述した処理では、適切な要約コンテンツを生成することができない恐れがある。例えば、上述した要約サーバは、配信コンテンツに含まれる情報ごとに、異なるモデルを用いて要約を生成するので、各モデルが生成する要約の内容が一致しない恐れがある。より具体的な例を挙げると、複数の人物が撮影された画像と、撮影された人物のうちいずれかの人物に関連する本文を含む配信コンテンツが存在する場合、本文から要約本文を生成するモデルが適切な要約を作成したとしても、画像から要約画像を生成するモデルが、本文に関連する人物とは異なる人物が撮影された範囲を要約画像として抽出する恐れがある。

そこで、配信コンテンツが含む複数の情報から、直接要約コンテンツを生成するといった手法が考えられる。例えば、要約サーバは、配信コンテンツから要約コンテンツを生成するように学習が行われたモデルを用いて、配信コンテンツから要約コンテンツを生成する。しかしながら、このような手法では、モデルの学習に要する時間や計算リソースが増大する。

〔１−３．学習処理について〕
そこで、情報提供装置１０は、以下の学習処理を実行することで、配信コンテンツから要約コンテンツを生成するための処理モデルの学習を行う。まず、情報提供装置１０は、処理モデルの学習に用いるデータ、すなわち、学習データとして、それぞれ異なる種別の情報を取得する。また、情報提供装置１０は、入力情報から入力情報が有する特徴を示す特徴情報を生成する複数の符号化器と、複数の符号化器が生成した特徴情報を合成した合成情報を生成する合成器と、合成器が生成した合成情報からそれぞれ異なる種別の出力情報を生成する複数の復号器とを含む処理モデルを生成する。そして、情報提供装置１０は、複数の入力情報を入力した際に、各入力情報と対応する複数の出力情報を出力するように、処理モデルの学習を行う。

〔１−３−１．部分モデルの生成について〕
以下、情報提供装置１０が実行する学習処理の一例について説明する。まず、情報提供装置１０は、要約の生成対象となる配信コンテンツに含まれる情報の種別ごとに、その情報の要約を生成するためのモデルである部分モデルを準備する。例えば、情報提供装置１０は、配信コンテンツに画像と本文とが含まれる場合は、画像の要約を生成するための第１部分モデルと、本文の要約を生成するための第２部分モデルとを準備する。

このような要約を生成するための部分モデルは、例えば、入力された情報の次元量を圧縮することで入力された情報が有する特徴を抽出する符号化器（以下、「エンコーダー」と記載する場合がある。）と、エンコーダーによって抽出された特徴の次元量を増大させ、エンコーダーに入力された情報よりも次元数が少ない情報、すなわち、入力された情報の要約を出力する復号器（以下、「デコーダー」と記載する場合がある。）との組によって実現される。なお、エンコーダーおよびデコーダーは、単純に入力された情報量の次元数を変化させるニューラルネットワークのみならず、ＣＮＮ（Convolution Neural Network）、ＲＮＮ（Recurrent Neural Network）、ＬＳＴＭ（Long Short-Term Memory）等といった各種のニューラルネットワークが採用可能である。

また、情報提供装置１０は、準備した部分モデルに情報が有する特徴を学習させる。例えば、情報提供装置１０は、画像に対応する第１部分モデルの学習データとして、画像と、その画像のうちサムネイルとして最適な範囲を抽出した要約画像との組を取得する。なお、第１部分モデルの学習データは、配信コンテンツに含まれる画像に関連する学習データである必要はなく、一般的な画像とその画像の要部である要約画像との組により実現される。

そして、情報提供装置１０は、学習データの画像に含まれる各画素の画素値を入力した際に、学習データの要約画像に含まれる各画素の画素値を出力するように、第１部分モデルの学習を行う。例えば、情報提供装置１０は、第１部分モデルが出力した画素値が、学習データの要約画像に含まれる各画素の画素値に近づくように、バックプロパゲーション等の手法により、各ノード間で値が伝達する際に考慮される重み（すなわち、接続係数）の値を修正することで、第１部分モデルに一般的な画像が有する特徴を学習させる。

同様に、情報提供装置１０は、本文に対応する第２部分モデルの学習データとして、文章と、その文章の要約である要約文章との組を取得する。なお、第２部分モデルの学習データは、配信コンテンツに含まれる本文に関連する学習データである必要はなく、一般的な文章とその文章の要約である要約文章との組により実現される。

そして、情報提供装置１０は、学習データの文章に含まれる各単語をベクトル化した情報を入力した際に、学習データの要約文章に含まれる各単語のベクトルを出力するように、第２部分モデルの学習を行う。例えば、情報提供装置１０は、第２部分モデルが出力したベクトルが、学習データの要約文章に含まれる各単語のベクトルに近づくように、バックプロパゲーション等の手法により、各ノード間で値が伝達する際に考慮される重み（すなわち、接続係数）の値を修正することで、第２部分モデルに一般的な文章が有する特徴を学習させる。

〔１−３−２．処理モデルの生成について〕
続いて、情報提供装置１０は、第１部分モデルに含まれるエンコーダーを第１エンコーダーとし、第１部分モデルに含まれるデコーダーを第１デコーダーとして抽出する。また、情報提供装置１０は、第２部分モデルに含まれるエンコーダーを第２エンコーダーとし、第２部分モデルに含まれるデコーダーを第２デコーダーとして抽出する。

そして、情報提供装置１０は、第１エンコーダーの出力、すなわち、入力された画像の特徴を示す情報である特徴情報と、第２エンコーダーの出力、すなわち、入力された本文の特徴を示す情報である特徴情報とを合成した合成情報を生成する合成モデルを、第１エンコーダーおよび第２エンコーダーに連結する。

例えば、情報提供装置１０は、第１エンコーダーが出力する特徴情報と、第２エンコーダーが出力する特徴情報との線形結合を合成情報として出力する合成モデルを生成する。このような合成モデルは、例えば、第１エンコーダーおよび第２エンコーダーが出力した情報であって、画像や本文の特徴を示す多次元量（例えば、ベクトル）である特徴情報を受付け、受付けた特徴情報を線形結合した情報を出力するモデルや中間層等によって実現可能である。なお、後述するように、合成モデルは、各特徴情報に対して所定の重みを適用した合成情報を生成してもよい。

また、情報提供装置１０は、合成モデルが出力する合成情報が第１デコーダーおよび第２デコーダーに入力されるように、第１デコーダーおよび第２デコーダーを連結する。例えば、情報提供装置１０は、合成モデルが出力する合成情報を第１デコーダーの入力層に対応する次元数まで畳み込み、畳み込んだ合成情報を第１デコーダーに入力するように、第１デコーダーを合成モデルに連結する。また、情報提供装置１０は、合成モデルが出力する合成情報を第２デコーダーの入力層に対応する次元数まで畳み込み、畳み込んだ合成情報を第２デコーダーに入力するように、第２デコーダーを合成モデルに連結する。

このように、情報提供装置１０は、それぞれ異なる種別の情報が有する特徴を学習した複数のエンコーダーと、それぞれ異なるエンコーダーと同じ種別の情報が有する特徴を学習した複数のデコーダーとを有する処理モデルを生成する。例えば、情報提供装置１０は、画像の特徴を学習した第１エンコーダーおよび第１デコーダーと、本文の特徴を学習した第２エンコーダーおよび第２デコーダーとを有する処理モデルを生成する。また、情報提供装置１０は、複数のデコーダーとして、合成情報からそれぞれ異なる種別の情報を生成する複数のデコーダーであって、それぞれ異なるエンコーダーに入力される情報と同じ種別の情報を出力する複数のデコーダーを有する処理モデルを生成する。例えば、情報提供装置１０は、第１エンコーダーに入力される情報と同じ種別の情報、すなわち、要約画像を出力する第１デコーダーと、第２エンコーダーに入力される情報と同じ種別の情報、すなわち、要約本文を出力する第２デコーダーとを有する処理モデルを生成する。

このような処理の結果、情報提供装置１０は、画像の特徴と本文の特徴とをそれぞれ個別に抽出した後で、抽出した特徴を合成し、特徴を合成した合成情報から要約画像および要約本文をそれぞれ生成する構成を有する処理モデルを得ることができる。そして、情報提供装置１０は、配信コンテンツと、予め生成された配信コンテンツに対応する要約コンテンツとの組を学習データとして、処理モデルの学習を行う。

例えば、情報提供装置１０は、処理モデルが有する第１エンコーダーに配信コンテンツの画像を入力し、第２エンコーダーに配信コンテンツの本文を入力した際に、処理モデルが出力した要約画像および要約文章が、要約コンテンツに含まれる要約画像および要約文章と一致するように、処理モデルの学習を行う。例えば、情報提供装置１０は、処理モデルが有する第１エンコーダー、第２エンコーダー、第１デコーダー、および第２デコーダーにおける接続係数の修正を個別に行ってもよく、合成モデルに含まれる接続係数の修正を行ってもよい。また、情報提供装置１０は、例えば、第１デコーダーおよび第２デコーダーにおける接続係数の修正のみを行ってもよい。すなわち、情報提供装置１０は、所定のコンテンツに含まれる複数の情報であって、それぞれ種別が異なる情報から、相互に関連する内容の情報を出力するように処理モデルの学習を行うのであれば、任意の学習を行ってよい。

このような処理の結果、情報提供装置１０は、情報の種別ごとに、配信コンテンツに含まれる各情報の特徴を個別に抽出し、抽出した特徴を統合するとともに、統合された特徴に基づいて、配信コンテンツに含まれる各情報の要約をそれぞれ個別に生成する処理モデルを生成することができる。すなわち、情報提供装置１０は、複数種別の情報が入力された場合に複数種別の情報の畳み込み等を行う従来のＣＮＮとは異なり、情報の種別ごとに個別に特徴情報を抽出し、抽出した特徴情報を合成した合成情報を生成し、生成した合成情報から再度情報の種別ごとに個別に出力する情報を生成する処理モデルを生成する。

言い換えると、情報提供装置１０は、相互に接続されていないエンコーダーであって、それぞれ異なる種別の情報が有する特徴を学習したエンコーダーを用いて、特徴情報を抽出し、相互に接続されていないデコーダーであって、それぞれ異なる種別の情報が有する特徴を学習したデコーダーを用いて、各エンコーダーが抽出した特徴情報を合成した合成情報から、それぞれ異なる種別の複数の情報を生成する。この結果、情報提供装置１０は、学習データが有する関係性の学習を容易にすることができる。

例えば、情報提供装置１０は、画像や本文等、情報の種別ごとに、一般的な情報が有する特徴を学習済みの部分モデルを用いて、処理モデルを生成する。この結果、配信コンテンツに含まれる各情報の特徴をプレトレーニングした状態の処理モデルを得ることができる。この結果、情報提供装置１０は、所定の精度を担保するために必要な学習データの数、すなわち、複数の種別の情報を含む配信コンテンツと要約コンテンツとの組の数を少なくすることができ、学習に要する時間や計算リソースを軽減することができる。

また、上述した構造を有する処理モデルは、各入力情報から特徴情報を生成する部分同士が接続されておらず、合成情報から各出力情報を生成する部分同士も接続されていない。この結果、情報提供装置１０は、学習時において考慮すべき接続係数の数を削減する結果、学習に要するリソースを削減できる。

また、上述した処理モデルにおいて、複数の出力情報のうちいずれかの出力情報のみの精度が他の出力情報と比較して低い場合は、精度が低い出力情報を合成情報から生成したデコーダー、または、その出力情報と対応する入力情報から特徴情報を生成したエンコーダー（すなわち、精度が低い出力情報の種別と対応するエンコーダーおよびデコーダーの組）に、精度を低下させる原因があると推定される。このように、上述した構造を有する処理モデルは、学習時に修正すべき部分の推定を容易にすることができるので、学習に要する時間や計算リソースを削減できる。

さらに、情報提供装置１０は、各情報の特徴をそれぞれ個別に用いるのではなく、各情報の特徴を合成した情報、すなわち、各情報の特徴を統合した情報を用いて、各情報の要約をそれぞれ個別に生成する。このため、情報提供装置１０は、要約画像や要約本文等といった生成される要約の内容を揃えることができる。

〔１−４．生成処理について〕
次に、上述した学習処理によって学習が行われた処理モデルを用いて、要約コンテンツを生成する生成処理の一例について説明する。まず、情報提供装置１０は、要約コンテンツの生成対象となる配信コンテンツを取得する。そして、情報提供装置１０は、要約コンテンツに含まれる画像と本文とを処理モデルに入力し、処理モデルが生成した要約画像および要約本文を取得する。その後、情報提供装置１０は、要約画像および要約本文を用いて、要約コンテンツを生成し、生成した要約コンテンツを端末装置１００へと配信する。

すなわち、情報提供装置１０は、それぞれ異なる種別の入力情報から入力情報が有する特徴を示す特徴情報を生成する複数のエンコーダーと、複数のエンコーダーが生成した特徴情報を合成した合成情報を生成する合成モデルと、合成モデルが生成した合成情報から、それぞれ異なる種別の入力情報に対応する出力情報を生成する複数のデコーダーとを用いて、配信コンテンツに含まれる複数の入力情報に対応する複数の出力情報を取得する。そして、情報提供装置１０は、取得した複数の出力情報から、所定のコンテンツに対応する要約コンテンツを生成する。

例えば、情報提供装置１０は、配信コンテンツに含まれる情報であって、それぞれ種別が異なる複数の情報を抽出する。より具体的な例を挙げると、情報提供装置１０は、配信コンテンツに含まれる画像と本文とを抽出する。そして、情報提供装置１０は、抽出した画像に含まれる各画素の画素値を、処理モデルのうち、第１エンコーダーの入力層に対応するノードに入力し、抽出した本文に含まれる各単語のベクトルを、処理モデルのうち、第２エンコーダーの入力装置に対応するノードへと入力する。

この結果、情報提供装置１０は、処理モデルが実行させる処理により、画像の特徴および本文の特徴をそれぞれ個別に抽出し、抽出した特徴を合成した合成情報を生成し、生成した合成情報からそれぞれ個別に生成された要約画像および要約文章を得ることができる。そして、情報提供装置１０は、要約画像および要約文章を用いて、要約コンテンツを生成する。この結果、情報提供装置１０は、配信コンテンツの要約である要約コンテンツを適切に生成することができる。

〔１−５．前処理について〕
ここで、情報提供装置１０は、処理モデルに含まれる第１エンコーダーや第２エンコーダーに配信コンテンツの情報を直接入力するのではなく、各種の情報が有する特徴を示す中間表現を入力してもよい。例えば、情報提供装置１０は、入力情報の種別に応じた構造を有し、入力された情報が有する特徴を示す中間表現を生成する複数の中間モデルと、各中間モデルが生成した中間表現から特徴情報を生成する複数のエンコーダーを用いてもよい。

例えば、情報提供装置１０は、各種の画像から、その画像が有する特徴を示す情報であって、画像の要約を生成する際に必要な情報を含む中間表現を生成するように学習が行われた第１中間モデルを取得する。また、情報提供装置１０は、各種の文章から、その文章が有する特徴を示す情報であって、文章の要約を生成する際に必要な情報を含む中間表現を生成するように学習が行われた第２中間モデルを取得する。

ここで、情報が有する特徴を示す中間表現を生成する中間モデルとしては、各種のニューラルネットワークにより実現可能であるが、情報の特徴を精度良く抽出できるモデルの構造は、情報の種別に応じて異なる。例えば、画像が有する特徴は、単一の画素のみならず、隣接する周囲の画素によると考えられる。このため、画像が有する特徴を抽出するモデルとしては、情報の畳み込みを行うニューラルネットワーク、すなわち、ＣＮＮが望ましい。一方、本文等の文章が有する特徴は、単一の単語のみならず、その単語と前後する他の単語やその単語に続く単語群等によると考えられる。このため、本文が有する特徴を抽出するモデルとしては、ＲＮＮやＬＳＴＭ等、再帰型のニューラルネットワークが望ましい。

そこで、情報提供装置１０は、要約を生成する情報、すなわち、処理対象となる情報の種別ごとに異なる構造を有する中間モデルを取得する。例えば、情報提供装置１０は、画像の中間表現を生成する中間モデルとして、ＣＮＮの構造を含む第１中間モデルを取得する。また、情報提供装置１０は、本文の中間表現を生成する中間モデルとして、ＲＮＮの構造を含む第２中間モデルを取得する。そして、情報提供装置１０は、配信コンテンツに含まれる画像を第１中間モデルに入力し、第１中間モデルが出力した中間表現を処理モデルが有する第１エンコーダーに入力する。また、情報提供装置１０は、配信コンテンツに含まれる文章を第２中間モデルに入力し、第２中間モデルが出力した中間表現を処理モデルが有する第２エンコーダーに入力する。このような処理の結果、情報提供装置１０は、より精度よく各情報の要約を生成することができる。

なお、情報提供装置１０は、中間モデルを含む処理モデルを学習してもよく、処理モデルとは別に中間モデルの学習および使用を行ってもよい。例えば、情報提供装置１０は、処理モデルに中間モデルが含まれない場合は、処理モデルとは個別に学習等が行われた中間モデルを用いて中間表現を生成し、生成した中間表現を処理モデルに入力してもよい。また、情報提供装置１０は、処理モデルに中間モデルが含まれる場合は、配信コンテンツに含まれる各種の情報をそのまま処理モデルに入力してもよい。

〔１−６．処理の一例について〕
次に、図１を用いて、情報提供装置１０が実行する学習処理および生成処理の流れの一例について説明する。まず、情報提供装置１０は、学習処理を実行する。具体的には、情報提供装置１０は、それぞれ異なる種別の情報の特徴を学習したエンコーダーおよびデコーダーの組を学習する（ステップＳ１）。

例えば、情報提供装置１０は、一般的な画像を入力画像として第１エンコーダーＥ１に入力し、第１エンコーダーＥ１が出力した情報を第１デコーダーＤ１に入力した際に、第１デコーダーＤ１が出力した画像が入力画像の要約である要約画像となるように、第１エンコーダーＥ１および第１デコーダーＤ１の学習を行う。また、例えば、情報提供装置１０は、一般的な文章を入力文章として第２エンコーダーＥ２に入力し、第２エンコーダーＥ２が出力した情報を第２デコーダーＤ２に入力した際に、第２デコーダーＤ２が出力した文章が入力文章の要約である要約文章となるように、第２エンコーダーＥ２および第２デコーダーＤ２の学習を行う。なお、以下の説明では、第１エンコーダーＥ１や第２エンコーダーＥ２等の各エンコーダーを「エンコーダーＥ」と総称し、第１デコーダーＤ１や第２デコーダーＤ２等の各デコーダーを「デコーダーＤ」と総称する場合がある。

次に、情報提供装置１０は、処理モデルの学習に用いる学習データをデータサーバ５０から取得する（ステップＳ２）。例えば、情報提供装置１０は、配信コンテンツと、その配信コンテンツの要約である要約コンテンツとの組を学習データとして収集する。そして、情報提供装置１０は、各エンコーダーＥの出力を合成し、各デコーダーＤが合成結果から異なる種別の出力情報を出力するように、処理モデルの学習を行う（ステップＳ３）。

例えば、情報提供装置１０は、画像の中間表現を生成する第１中間モデルＭＭ１および文章の中間表現を生成する第２中間モデルＭＭ２を取得する。そして、情報提供装置１０は、以下の構造を有する処理モデルＭ１を生成する。例えば、情報提供装置１０は、第１中間モデルＭＭ１が出力する中間表現が入力情報として第１エンコーダーＥ１に入力され、第２中間モデルＭＭ２が出力する中間表現が入力情報として第２エンコーダーＥ２に入力される構造の処理モデルＭ１を生成する。また、情報提供装置１０は、第１エンコーダーＥ１が中間表現から生成した特徴情報と、第２エンコーダーＥ２が中間表現から生成した特徴情報とが合成モデルＳＭ１に入力される構造の処理モデルＭ１を生成する。

また、情報提供装置１０は、合成モデルＳＭ１が各特徴情報から合成した合成情報を第１デコーダーＤ１および第２デコーダーＤ２に入力する構造を有する処理モデルＭ１を生成する。すなわち、情報提供装置１０は、図１に示すように、画像が有する特徴を示す特徴情報と、文章が有する特徴を示す特徴情報とをそれぞれ個別に生成し、生成した特徴情報を合成し、合成した合成情報から要約画像と要約文章とをそれぞれ個別に生成する構造の処理モデルＭ１を生成する。

そして、情報提供装置１０は、学習データに含まれる画像を処理モデルＭ１の第１中間モデルＭＭ１に入力するとともに、学習データに含まれる文章を第２中間モデルＭＭ２へと入力する。そして、情報提供装置１０は、処理モデルＭ１の第１デコーダーＤ１が出力した要約画像が、処理モデルＭ１の第１中間モデルＭＭ１に入力した画像の要約となり、処理モデルＭ１の第２デコーダーＤ２が出力した要約文章が、処理モデルＭ１の第２中間モデルＭＭ２に入力した文章の要約となり、かつ、要約画像と要約文章とが共通する事象を示すように、処理モデルＭ１の学習を行う。

例えば、情報提供装置１０は、第１デコーダーＤ１および第２デコーダーＤ２の接続係数のみを修正してもよく、処理モデルＭ１全体の接続係数を修正してもよい。また、例えば、第２デコーダーＤ２が出力する要約文章が適切な要約であるが、第１デコーダーＤ１が生成した要約画像が適切な要約画像ではない場合、第１中間モデルＭＭ１、第１エンコーダーＥ１、および第１デコーダーＤ１の学習精度が低いとも考えられる。そこで、情報提供装置１０は、第２デコーダーＤ２が出力する要約文章が適切な要約であるが、第１デコーダーＤ１が生成した要約画像が適切な要約画像ではない場合、処理モデルＭ１が有する接続係数のうち、第１中間モデルＭＭ１、第１エンコーダーＥ１、および第１デコーダーＤ１の接続係数のみを修正対象としてもよい。

続いて、情報提供装置１０は、生成処理を実行する。具体的には、情報提供装置１０は、データサーバ５０から、要約コンテンツの生成対象となる配信コンテンツを取得する（ステップＳ４）。そして、情報提供装置１０は、処理モデルＭ１を用いて、配信コンテンツから要約コンテンツを生成する（ステップＳ５）。

例えば、情報提供装置１０は、配信コンテンツから処理モデルＭ１に含まれる各エンコーダーＥと対応する種別の情報を抽出する。より具体的には、情報提供装置１０は、配信コンテンツから画像と本文とを抽出する。そして、情報提供装置１０は、画像と本文とを処理モデルＭ１に入力し、要約画像と要約本文とを取得する。その後、情報提供装置１０は、取得した要約画像と要約本文とを用いて要約コンテンツを生成し、生成した要約コンテンツを端末装置１００へと出力する（ステップＳ６）。

〔１−７．処理対象について〕
上述した説明では、情報提供装置１０は、配信コンテンツに含まれる画像の要約である要約画像と、配信コンテンツに含まれる本文の要約である要約本文とを生成する処理モデルＭ１の学習を行った。しかしながら、実施形態は、これに限定されるものではない。例えば、情報提供装置１０は、要約以外にも、入力される情報（以下、「入力情報」と記載する。）に対応する情報（以下、「出力情報」と記載する。）を出力するのであれば、入力情報と任意の関係性を有する出力情報を生成する処理モデルＭ１の生成を行ってよい。また、情報提供装置１０は、任意の種別の入力情報から任意の情報の出力情報を生成してよい。すなわち、情報提供装置１０は、それぞれ異なる種別の入力情報であって、共通するトピックを含む複数の入力情報から、そのトピックを保持した複数の出力情報を出力するのであれば、任意の種別の情報に対して任意の処理を実行する処理モデルＭ１の生成を行ってよい。

例えば、情報提供装置１０は、動画像に含まれる画像の要部と、その動画像に含まれる音声の要部とを抽出する処理モデルＭ１の生成を行ってもよい。かかる要部は、動画像のうち同一の再生位置に含まれる画像および音声であってもよく、異なる再生位置の画像および音声であってもよい。また、情報提供装置１０は、ミュージックビデオの画像と音声とを入力情報とした場合に、動画像に含まれる画像の要部と、歌詞の要約とを出力する処理モデルＭ１の生成を行ってもよい。すなわち、情報提供装置１０は、複数の入力情報であって、各入力情報と対応する出力情報のトピックを共通化したい入力情報であれば、任意の入力情報および出力情報について、上述した処理モデルＭ１の生成を行ってよい。

また、情報提供装置１０は、３つ以上の入力情報から、各入力情報と対応する出力情報であって、トピックを共通化した出力情報の生成を行う処理モデルＭ１の生成を行ってもよい。例えば、情報提供装置１０は、入力情報の種別ごとに異なるエンコーダーを有し、各エンコーダーＥが出力した特徴情報から合成情報を生成し、生成した合成情報から各入力情報と対応する出力情報を生成する処理モデルＭ１であれば、任意の数の種別の入力情報から出力情報を生成する処理モデルＭ１の生成を行ってよい。

例えば、情報提供装置１０は、配信コンテンツ内に画像、タイトル、本文といった複数種別の情報が存在する場合は、画像、タイトル、本文のそれぞれについて特徴を抽出する独立した複数のエンコーダー、各エンコーダーＥが出力する特徴情報を合成する合成モデル、および合成情報から画像、タイトル、本文のそれぞれに対応する情報を個別に出力する独立した複数のデコーダーの組を含む処理モデルＭ１を生成してもよい。また、例えば、情報提供装置１０は、配信コンテンツに含まれる全ての情報について要約を生成する必要はなく、少なくとも、画像が有する特徴を示す特徴情報を生成する第１エンコーダーＥ１と、テキストである本文が有する特徴を示す特徴情報を生成する第２エンコーダーＥ２と、合成情報を生成する合成モデルＳＭ１と、合成情報から画像に対応する出力情報を生成する第１デコーダーＤ１と、合成情報から本文対応する出力情報を生成する第２デコーダーＤ２とを有する処理モデルＭ１を生成してもよい。

〔１−８．合成情報の生成について〕
ここで、合成モデルＳＭ１は、各エンコーダーＥが出力した特徴情報を合成した合成情報を生成するのであれば、任意の合成手法で合成された合成情報を生成してよい。例えば、合成モデルＳＭ１は、第１エンコーダーＥ１が出力した特徴情報の末尾に第２エンコーダーＥ２が出力した特徴情報を結合してもよく、第２エンコーダーＥ２が出力した特徴情報の末尾に第１エンコーダーＥ１が出力した特徴情報を結合してもよい。また、合成モデルＳＭ１は、第１エンコーダーＥ１が出力した特徴情報と第２エンコーダーＥ２が出力した特徴情報とのテンソル積を合成情報としてもよい。

ここで、各エンコーダーＥが出力する特徴情報は、単一のベクトルとして生成された情報のみならず、複数のベクトルであってもよい。例えば、各エンコーダーＥは、複数のベクトルからなる特徴情報を生成してもよい。このような場合、合成モデルＳＭ１は、各エンコーダーＥが出力した複数のベクトルを合成した合成情報を生成してもよく、各ベクトルごとに異なる重みを考慮した合成情報を生成してもよい。

例えば、エンコーダーＥとデコーダーＤとの組からなるエンコーダーデコーダーモデルにおいては、デコーダーＤ側の状態（直前の出力）に応じて、エンコーダーＥが生成する特徴情報を変化させるアテンション機構(attention mechanism)を導入することにより、全体としての精度を向上させる技術が知られている。このようなアテンション機構が導入されたエンコーダーデコーダーモデルでは、エンコーダーＥが入力された単語に対応するベクトルの集合を特徴情報（隠れ状態ベクトル）を出力し、デコーダーＤはそのベクトルの集合の重み付き平均を用いて次の単語を予測する。このようなエンコーダーデコーダーモデルにおいて、デコーダーＤ側の状態に応じて、その重み付き平均の重みを変化させることでソフトアライメントを実現することができる。

また、情報提供装置１０は、第１デコーダーＤ１と第２デコーダーＤ２とに対し、それぞれ異なる重みを考慮した合成情報を出力する合成モデルＳＭ１を用いてもよい。例えば、合成モデルＳＭ１は、第１エンコーダーＥ１が出力した特徴情報に第１の重み（例えば、「０．８」）を積算した値と、第２エンコーダーＥ２が出力した特徴情報に第２の重み（例えば、「０．２」）を積算した値との線形結合を合成情報として、第１デコーダーＤ１に入力する。一方、合成モデルＳＭ１は、第１エンコーダーＥ１が出力した特徴情報に第２の重みを積算した値と、第２エンコーダーＥ２が出力した特徴情報に第１の重みを積算した値との線形結合を合成情報として、第２デコーダーＤ２に入力する。

なお、このような合成モデルＳＭ１は、例えば、以下のような構造を有するニューラルネットワークにより実現される。例えば、合成モデルＳＭ１は、第１エンコーダーＥ１が出力した特徴情報が入力される第１ノード群と、第２エンコーダーＥ２が出力した特徴情報が入力される第２ノード群とを有する中間層を有する。また、合成モデルＳＭ１は、第１ノード群から第１デコーダーＤ１に対して伝達される情報に対して第１の重みを適用する第１の接続係数群と、第２ノード群から第１デコーダーＤ２に対して伝達される情報に対して第２の重みを適用する第２の接続係数群とを有する。また、合成モデルＳＭ１は、第１ノード群から第２デコーダーＤ２に対して伝達される情報に対して第２の重みを適用する第３の接続係数群と、第２ノード群から第２デコーダーＤ２に対して伝達される情報に対して第１の重みを適用する第４の接続係数群とを有する。

なお、合成情報を生成する際、若しくは、合成情報を出力する際に適用される重みは、目的に応じて適宜任意の値が採用可能である。例えば、情報提供装置１０は、処理モデルＭ１が出力する複数の出力情報が有するトピックがそろうように、重みの設定を行ってもよい。また、情報提供装置１０は、第１ノード群に含まれる各ノードおよび第２ノード群に含まれる各ノードから第１デコーダーＤ１や第２デコーダーＤ２に対して伝達される各値に対して、それぞれ異なる重みを適用してもよい。

ここで、要約コンテンツの配信対応においては、要約文章よりも要約画像の方が人目を引く可能性が高いとも考えられる。そこで、情報提供装置１０は、処理モデルＭ１が要約コンテンツを生成する場合、第１の重みを第２の重みよりも大きい値に設定してもよい。すなわち、情報提供装置１０は、処理モデルＭ１の出力情報に関する情報の配信態様に応じて、重みの値を変化させてもよい。

また、情報提供装置１０は、第１デコーダーＤ１に伝達する合成情報と、第２デコーダーＤ２に伝達する合成情報とで、異なる重みを採用してもよい。例えば、情報提供装置１０は、第１エンコーダーＥ１の特徴情報に第１の重みを採用し、第２エンコーダーＥ２の特徴情報に第２の重みを採用した合成情報を第１デコーダーＤ１に伝達し、第１エンコーダーＥ１の特徴情報に第３の重みを採用し、第２エンコーダーＥ２の特徴情報に第４の重みを採用した合成情報を第２デコーダーＤ２に伝達してもよい。

また、情報提供装置１０は、出力情報から生成されるコンテンツ、すなわち、処理モデルＭ１に入力されるコンテンツと対応するコンテンツ（以下、「対応コンテンツ」と記載する。）の出力態様に応じた合成態様で、特徴情報から合成情報を生成してもよい。例えば、情報提供装置１０は、要約コンテンツを閲覧する利用者が画像を重視する属性を有する場合は、第１の重みを第２の重みよりも大きい値にしてもよい。

また、情報提供装置１０は、要約コンテンツにおいて要約画像が表示される領域が、要約本文が表示される領域よりも大きい場合には、第１の重みや第３の重みを第２の重みや第４の重みよりも大きい値にしてもよい。また、これ以外にも、情報提供装置１０は、対象コンテンツの配信先となる利用者の各種デモグラフィック属性やサイコグラフィック属性、購買履歴、検索履歴、各種コンテンツの閲覧履歴、利用者が選択した要約コンテンツの履歴等に応じて、任意の重みが採用可能である。

また、情報提供装置１０は、このような合成モデルＳＭ１が採用する各種の重みを学習してもよい。例えば、情報提供装置１０は、処理モデルＭ１が要約画像や要約文章を適切に出力するように第１デコーダーＤ１や第２デコーダーＤ２の接続係数を修正する際に、合成モデルＳＭが採用する重み、すなわち、合成モデルＳＭの接続係数を修正してもよい。この際、情報提供装置１０は、要約データを選択した利用者の属性に応じて、合成モデルＳＭの接続係数を修正してもよく、要約データを選択しなかった利用者の属性に応じて、合成モデルＳＭの接続係数を修正してもよい。

また、情報提供装置１０は、利用者の属性と合成モデルＳＭが採用する重みとの間の関係性を所定のモデル（以下、「重みモデル」と記載する。）に学習させてもよい。このような場合、情報提供装置１０は、配信コンテンツの要約コンテンツを生成する際に、配信コンテンツの閲覧を所望する利用者の属性に応じて、重みモデルから合成モデルＳＭが採用する重みの値を算出する。そして、情報提供装置１０は、処理モデルＭ１が有する合成モデルＳＭ１に算出された重みの値を設定した上で、要約データを生成してもよい。

このように、情報提供装置１０は、画像が有する情報をより重視した形で合成情報を生成してもよい。このように、情報提供装置１０は、対応コンテンツの出力先となる利用者の属性に応じた合成態様で、特徴情報を合成した合成情報を生成してもよく、特徴情報を線形結合した情報から、対応コンテンツの出力態様に応じた合成情報を生成する合成モデルＳＭ１を用いてもよい。

〔１−９．その他〕
また、情報提供装置１０は、任意の形状の要約画像を生成するように、処理モデルＭ１の学習を行ってよい。例えば、情報提供装置１０は、利用者の属性や画像の属性、本文の内容等に応じて、四角形、三角形、丸型等の任意の形状の要約画像を生成するように、処理モデルＭ１の学習を行ってもよい。また、情報提供装置１０は、配信コンテンツに複数の画像が含まれる場合、各画像のうち注目度が高い領域や本文との関係性が高い範囲をそれぞれ抽出し、抽出した範囲をパッチワークのように合成した画像を要約画像として生成するように、処理モデルＭ１の学習を行ってもよい。

例えば、情報提供装置１０は、本文が人物に関連する内容であれば、画像のうち、本文で言及される人物の顔が撮影されている範囲であって、正方形の範囲を抽出するように、処理モデルＭ１の学習を行ってもよい。また、情報提供装置１０は、本文が車に関連する内容であり、画像に車が撮影されている場合は、車が撮影された長方形の範囲を抽出するように、処理モデルＭ１の学習を行ってもよい。

また、情報提供装置１０は、エンコーダーやデコーダーの構成を、処理対象となる入力情報の種別に応じて変えてもよい。例えば、情報提供装置１０は、第１エンコーダーＥ１および第１デコーダーＤ１をＣＮＮで構成し、第２エンコーダーＥ２および第２デコーダーＤ２をＲＮＮで構成してもよい。

〔２．情報提供装置の構成〕
以下、上記した学習処理を実現する情報提供装置１０が有する機能構成の一例について説明する。図２は、実施形態に係る情報提供装置の構成例を示す図である。図２に示すように、情報提供装置１０は、通信部２０、記憶部３０、および制御部４０を有する。

通信部２０は、例えば、ＮＩＣ（Network Interface Card）等によって実現される。そして、通信部２０は、ネットワークＮと有線または無線で接続され、端末装置１００やデータサーバ５０との間で情報の送受信を行う。

記憶部３０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。また、記憶部３０は、学習データデータベース３１、およびモデルデータベース３２を記憶する。

学習データデータベース３１には、学習データが登録される。例えば、図３は、実施形態に係る学習データデータベースに登録される情報の一例を示す図である。図３に示すように、学習データデータベース３１には、「学習データＩＤ（Identifier）」、「画像データ」、「本文データ」、「要約画像データ」、および「要約本文データ」といった項目を有する情報が登録される。

なお、図３に示す情報のうち「画像データ」および「本文データ」は、図１に示す「学習データ」に対応し、「要約画像データ」および「要約本文データ」は、図１に示す「要約データ」に対応する。なお、図３に示す情報以外にも、学習データデータベース３１には、学習データや要約データを閲覧した利用者に関する各種の情報が登録されていてもよい。なお、図３に示す例では、「画像＃１」、「本文＃１」、「要約画像＃１」、「要約本文＃１」といった概念的な情報を記載したが、実際には、各種の画像データやテキストデータが登録されることとなる。

ここで、「学習データＩＤ」とは、学習データを識別するための識別子である。また、「画像データ」とは、学習データに含まれる画像に関するデータである。また、「本文データ」とは、学習データに含まれるテキストのデータである。また「要約画像データ」とは、要約画像として表示される画像のデータである。また、「要約本文データ」とは、要約本文となるテキストのデータである。

例えば、図３に示す例では、学習データＩＤ「ＩＤ＃１」、画像データ「画像＃１」、本文データ「本文＃１」、要約画像データ「要約画像＃１」、および要約本文データ「要約本文＃１」といった情報が対応付けて登録されている。このような情報は、例えば、学習データＩＤ「ＩＤ＃１」が示す学習データに、画像データ「画像＃１」が示す画像と、本文データ「本文＃１」が示す本文とが含まれており、このような学習データの要約である要約データに、要約画像データ「要約画像＃１」が示す要約画像、および要約本文データ「要約本文＃１」が示す要約本文が含まれる旨を示す。

図２に戻り、説明を続ける。モデルデータベース３２には、処理モデルＭ１として、処理モデルＭ１に含まれる各種のモデルのデータが登録される。例えば、図４は、実施形態に係るモデルデータベースに登録される情報の一例を示す図である。図４に示す例では、モデルデータベース３２には、「モデルＩＤ」、「モデル種別」、および「モデルデータ」といった情報が登録されている。

ここで、「モデルＩＤ」とは、各モデルを識別するための情報である。また、「モデル種別」とは、対応付けられた「モデルＩＤ」が示すモデルが、中間モデルであるか、エンコーダーであるか、デコーダーであるか、合成モデルであるかを示す情報である。また、「モデルデータ」とは、対応付けられた「モデルＩＤ」が示すモデルのデータであり、例えば、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である。

例えば、図４に示す例では、モデルＩＤ「モデル＃１」、モデル種別「中間モデルＭＭ１」、およびモデルデータ「モデルデータ＃１」といった情報が対応付けて登録されている。このような情報は、例えば、モデルＩＤ「モデル＃１」が示すモデルの種別が「中間モデルＭＭ１」であり、そのモデルのデータが「モデルデータ＃１」である旨を示す。なお、図４に示す例では、「モデル＃１」、「中間モデルＭＭ１」、「モデルデータ＃１」といった概念的な情報を記載したが、実際には、モデルを識別するための文字列、モデルの種別を示す文字列、およびモデルの構造や接続係数を示す文字列や数値等が登録されることとなる。

ここで、モデルデータベース３２には、処理モデルＭ１として、第１中間モデルＭＭ１、第２中間モデルＭＭ２、第１エンコーダーＥ１、第２エンコーダーＥ２、合成モデルＳＭ１、第１デコーダーＤ１、および第２デコーダーＤ２の情報が登録される。このような処理モデルＭ１は、それぞれ異なる種別の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（すなわち、接続係数）とに基づく演算を行うことにより、各入力情報と対応する複数の出力情報であって、それぞれ異なる種別の出力情報を示す値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。

なお、処理モデルＭ１がＤＮＮ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場合、処理モデルＭ１が含む第１要素とは、入力層または中間層が有するいずれかのノードと見做すことができ、第２要素とは、第１要素と対応するノードから値が伝達されるノード、すなわち、次段のノードと対応し、第１要素の重みとは、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、すなわち、接続係数である。

情報提供装置１０は、処理モデルＭ１を用いて、出力情報を生成する。より具体的には、処理モデルＭ１は、情報提供装置１０に対し、それぞれ異なる種別の入力情報が入力された場合に、各入力情報ごとに特徴情報を個別に生成し、生成した特徴情報を合成した合成情報を生成し、生成した合成情報から、それぞれ異なる種別の出力情報をそれぞれ個別に生成する一連の処理を実行させるモデルである。

図２に戻り、説明を続ける。制御部４０は、コントローラ（controller）であり、例えば、ＣＰＵ（Central Processing Unit）、ＭＰＵ（Micro Processing Unit）等のプロセッサによって、情報提供装置１０内部の記憶装置に記憶されている各種プログラムがＲＡＭ等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４０は、コントローラ（controller）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てもよい。

また、制御部４０は、記憶部３０に記憶される処理モデルＭ１に従った情報処理により、処理モデルＭ１の入力層に入力された複数の入力情報に対し、処理モデルＭ１が有する係数（すなわち、処理モデルＭ１が学習した各種の特徴に対応する係数）に基づく演算を行い、処理モデルＭ１の出力層から、それぞれ異なる種別の入力情報に対応する情報であって、それぞれ異なる種別の出力情報を出力する。

なお、上記例では、処理モデルＭ１が、それぞれ異なる種別の複数の入力情報が入力された場合に、各入力情報の要約等、各入力情報と対応する出力情報を出力するモデルである例を示した。しかし、実施形態に係る処理モデルＭ１は、処理モデルＭ１にデータの入出力を繰り返すことで得られる結果に基づいて生成される他のモデルであってもよい。例えば、処理モデルＭ１は、ある入力情報を入力した際に、出力情報を出力する他のモデルであって、処理モデルＭ１がその入力情報から生成する出力情報と同じ出力情報を出力するよう学習が行われたモデルであってもよい。

また、情報提供装置１０がＧＡＮ（Generative Adversarial Networks）を用いた学習処理を行う場合、モデル１２３は、ＧＡＮの一部を構成するモデルであってもよい。

図２に示すように、制御部４０は、学習データ取得部４１、学習部４２、出力情報取得部４３、生成部４４、および提供部４５を有する。学習データ取得部４１は、学習データとして、それぞれ異なる種別の情報の組を取得する。例えば、学習データ取得部４１は、学習データとして、配信コンテンツに含まれる画像と本文との組をデータサーバ５０から取得するとともに、要約データとして、その配信コンテンツに含まれる画像の要約である要約画像と、本文の要約である本文要約とを取得する。そして、学習データ取得部４１は、取得した各データを対応付けて学習データデータベース３１に登録する。

学習部４２は、処理モデルＭ１の学習を行い、学習した処理モデルＭ１をモデルデータベース３２に格納する。より具体的には、学習部４２は、学習データを処理モデルＭ１に入力した際に、処理モデルＭ１が要約データを出力するように、処理モデルＭ１が有する各モデルの接続係数の設定を行う。すなわち、学習部４２は、それぞれ種別が異なる入力情報を入力した際に、処理モデルＭ１がそれぞれ種別が異なる出力情報であって、各入力情報に対応する出力情報を出力するように、処理モデルＭ１の学習を行う。

例えば、学習部４２は、処理モデルＭ１が有する入力層のノードであって、入力情報と対応する特徴を学習したエンコーダーＥの入力層と対応するノードに入力情報を入力し、各中間層を辿って処理モデルＭ１の出力層までデータを伝播させることで、出力情報を出力させる。そして、学習部４２は、処理モデルＭ１が実際に出力した出力情報と、入力情報から出力が期待される出力情報との差に基づいて、処理モデルＭ１の接続係数を修正する。例えば、学習部４２は、バックプロパゲーション等の手法を用いて、接続係数の修正を行ってもよい。この際、学習部４２は、例えば、各出力情報が有するトピックの比較結果に応じて、接続係数の修正を行ってもよい。

なお、学習部４２は、いかなる学習アルゴリズムを用いて処理モデルＭ１を学習してもよい。例えば、学習部４２は、ニューラルネットワーク、サポートベクターマシン（support vector machine）、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、処理モデルＭ１に含まれる各モデルを学習してよい。

ここで、学習部４２は、それぞれ異なる種別の入力情報から入力情報が有する特徴を示す特徴情報を生成する複数のエンコーダーＥ１、Ｅ２と、複数のエンコーダーＥ１、Ｅ２が生成した特徴情報を合成した合成情報を生成する合成モデルＳＭ１と、合成モデルＳＭ１が生成した合成情報から、それぞれ異なる種別の入力情報に対応する出力情報を生成する複数のデコーダーＤ１、Ｄ２とを含む処理モデルＭ１の学習を行う。例えば、学習部４２は、複数の入力情報から、関連する内容の出力情報を出力するように、すなわち、出力情報のトピックを揃えるように処理モデルＭ１の学習を行う。

例えば、学習部４２は、学習データに含まれる画像や文章等といった入力情報を、処理モデルＭ１が有する入力層にそれぞれ入力した際に、処理モデルＭ１が出力する各種の出力情報が、要約画像や要約文章等といった入力情報の要約となるように、処理モデルＭ１が有する各モデルの接続係数を修正することで、処理モデルＭ１の学習を行う。より具体的には、学習部４２は、配信コンテンツに含まれる複数の入力情報を、処理モデルＭ１が有する各モデルのうち、入力情報の特徴を示す特徴情報を生成するエンコーダーに入力することで、各入力情報が有する特徴を示す特徴情報を取得する。

また、学習部４２は、複数のデコーダーＤ１、Ｄ２として、合成情報からそれぞれ異なる種別の出力情報を生成する複数のデコーダーＤ１、Ｄ２であって、それぞれ異なるエンコーダーＥ１、Ｅ２に入力される入力情報と同じ種別の出力情報を出力する複数のデコーダーＤ１、Ｄ２を含む処理モデルＭ１の学習を行う。また、学習部４２は、それぞれ異なる種別の情報が有する特徴を学習した複数のエンコーダーＥ１、Ｅ２と、それぞれ異なるエンコーダーＥ１、Ｅ２と同じ種別の情報が有する特徴を学習した複数のデコーダーＤ１、Ｄ２とを用いる。すなわち、学習部４２は、それぞれ異なる種別の情報が有する特徴を学習したエンコーダーとデコーダーとの組に含まれるエンコーダーとデコーダーとを含む処理モデルＭ１の学習を行う。

例えば、学習部４２は、画像が有する特徴を学習した第１エンコーダーＥ１と第１デコーダーＤ１との組、および、文章が有する特徴を学習した第２エンコーダーＥ２と第２デコーダーＤ２との組とを含む処理モデルＭ１の学習を行う。より具体的には、学習部４２は、少なくとも、画像が有する特徴を示す特徴情報を生成する第１エンコーダーＥ１と、テキストが有する特徴を示す特徴情報を生成する第２エンコーダーＥ２と、第１エンコーダーおよび第２エンコーダーが生成した特徴情報を合成した合成情報を生成する合成モデルＳＭ１と、合成情報から画像に対応する出力情報を生成する第１デコーダーＤ１と、合成情報からテキストに対応する出力情報を生成する第２デコーダーＤ２とを含む処理モデルＭ１の学習を行う。

また、学習部４２は、処理モデルＭ１が出力する出力情報を用いて生成されるコンテンツの出力態様に応じた合成態様で、各エンコーダーＥが生成した特徴情報を合成した合成情報を生成する合成モデルＳＭ１を含む処理モデルＭ１の学習を行う。例えば、学習部４２は、コンテンツの出力先となる利用者の属性に応じた合成態様で、各エンコーダーＥが生成した特徴情報を合成した合成情報を生成する合成モデルＳＭを含む処理モデルＭ１の学習を行う。より具体的な例を挙げると、学習部４２は、各エンコーダーＥが生成した特徴情報を線形結合した結合情報から、コンテンツの出力態様に応じた合成情報を生成する合成モデルＳＭ１を含む処理モデルＭ１の学習を行う。

また、学習部４２は、入力情報の種別に応じた構造を有し、入力された情報が有する特徴を示す中間表現を生成する複数の中間モデルＭＭ１、ＭＭ２と、各中間モデルＭＭ１、ＭＭ２が生成した中間表現から特徴情報を生成する複数のエンコーダーＥ１、Ｅ２を用いる。例えば、学習部４２は、入力情報の種別が画像である第１中間モデルＭＭ１については、畳み込みニューラルネットワークを採用し、入力情報の種別がテキストである第２中間モデルについては、再帰型ニューラルネットワークを採用した処理モデルＭ１の学習を行う。

出力情報取得部４３は、それぞれ異なる種別の入力情報から当該入力情報が有する特徴を示す特徴情報を生成する複数のエンコーダーＥ１、Ｅ２と、複数のエンコーダーＥ１、Ｅ２が生成した特徴情報を合成した合成情報を生成する合成モデルＳＭ１と、合成モデルＳＭ１が生成した合成情報から、それぞれ異なる種別の入力情報に対応する出力情報を生成する複数のデコーダーＤ１、Ｄ２とを用いて、所定のコンテンツに含まれる複数の入力情報に対応する複数の出力情報を取得する。すなわち、出力情報取得部４３は、上述した学習部４２によって学習が行われた処理モデルＭ１を用いて、それぞれ異なる種別の出力情報を取得する。

例えば、出力情報取得部４３は、データサーバ５０から、要約コンテンツの生成対象となる配信コンテンツを取得する。このような場合、出力情報取得部４３は、配信コンテンツに含まれる画像と本文とを抽出する。また、出力情報取得部４３は、処理モデルＭ１が有する第１中間モデルＭＭ１の入力層に、配信コンテンツの画像を示す情報を入力し、処理モデルＭ１が有する第２中間モデルＭＭ２の入力層に、配信コンテンツの本文を示す情報を入力する。そして、出力情報取得部４３は、接続係数を考慮しながら、処理モデルＭ１が有する各ノードが出力した値を、そのノードと接続された他のノードに対して順次伝達されることで、処理モデルＭ１に要約画像と要約文章とを生成させる。

生成部４４は、複数の出力情報から、所定のコンテンツに対応する対応コンテンツを生成する。例えば、生成部４４は、配信コンテンツに含まれる画像と本文とから、要約画像と要約本文とが取得された場合は、要約画像と要約本文とを含む要約コンテンツを生成する。

提供部４５は、生成した対応コンテンツを利用者に対して提供する。例えば、提供部４５は、端末装置１００からの要求に応じて、生成部４４が生成した要約コンテンツを配信する。なお、提供部４５は、生成部４４が生成した要約コンテンツをデータサーバ５０に提供し、データサーバ５０から配信させてもよい。

〔３．処理モデルの学習について〕
次に、図５を用いて、情報提供装置１０が学習させる処理モデルの一例について説明する。図５は、実施形態に係る情報提供装置が学習させる処理モデルの構造の一例を説明する図である。例えば、図５に示す例では、配信コンテンツには、画像、タイトル、第１本文等、各種の情報が含まれているものとする。このような場合、情報提供装置１０は、配信コンテンツに含まれる情報の種別ごとに独立して特徴情報を生成する処理モデルＭ１を生成する。

例えば、図５に示す例では、処理モデルＭ１は、画像から中間表現を生成する第１中間モデルＭＭ１および画像の中間表現から特徴情報を生成する第１エンコーダーＥ１とを有する部分モデルＰＭ１を有する。また、処理モデルＭ１は、タイトルから中間表現を生成する第２中間モデルＭＭ２およびタイトルの中間表現から特徴情報を生成する第２エンコーダーＥ２とを有する部分モデルＰＭ２を有する。また、処理モデルＭ１は、第１本文から中間表現を生成する第３中間モデルＭＭ３および第１本文の中間表現から特徴情報を生成する第３エンコーダーＥ３とを有する部分モデルＰＭ３を有する。なお、処理モデルＭ１は、図５に示す部分モデルＰＭ１〜ＰＭ３以外にも、配信コンテンツに含まれる情報の種別ごとに部分モデルを有するものとする。

また、処理モデルＭ１は、各部分モデルＰＭ１〜ＰＭ３等が生成した特徴情報を合成した合成情報を生成する合成モデルＳＭ１を有する。また、処理モデルＭ１は、合成情報から画像に対応する要約画像を生成する第１デコーダーＤ１、合成情報からタイトルに対応する要約タイトルを生成する第２デコーダーＤ２、および合成情報から第１本文に対応する要約第１本文を生成する第３デコーダーＤ３を有する。すなわち、処理モデルＭ１は、配信コンテンツに含まれる情報の種別ごとにエンコーダーとデコーダーとの組を有する。

情報提供装置１０は、このような構成を有する処理モデルＭ１に対して配信コンテンツに含まれる各種の情報を入力情報として入力することで、各種の情報に対応する要約を出力情報として取得する。そして、情報提供装置１０は、取得した出力情報を用いて、入力した配信コンテンツに対応する要約コンテンツを得ることができる。

なお、情報提供装置１０は、各種のパラメーターを用いて、合成モデルＳＭ１による合成態様を変化させてもよい。例えば、情報提供装置１０は、要約を生成する日時や配信コンテンツの配信日等を示す日時情報、配信先となる利用者の属性を示す属性情報等のパラメーターに基づいて、合成モデルＳＭ１が各特徴情報から合成情報を生成する際の合成態様を制御してもよい。このような処理の結果、情報提供装置１０は、配信日時や利用者の属性に応じた出力情報を得ることができる。

なお、このようなパラメーターの値は、学習時において各モデルの接続係数を修正する際に、合わせて学習されてもよい。また、パラメータは、合成モデルＳＭ１の入力とするのではなく、入力情報の一つとして処理モデルＭ１が有する入力層に入力されてもよい。すなわち、情報提供装置１０は、入力情報の種別ごとに独立して特徴情報を生成し、生成した特徴情報を合成した合成情報を生成し、生成した合成情報から出力情報を種別ごとに独立して生成するのであれば、任意の情報を付加的に反映させる構造を有する処理モデルＭ１を生成してよい。

〔４．情報提供装置の処理フロー〕
次に、図６、図７を用いて、情報提供装置１０が実行する学習処理および生成処理の手順の一例について説明する。図６は、実施形態に係る情報提供装置が実行する学習処理の流れの一例を示すフローチャートである。図７は、実施形態に係る情報提供装置が実行する生成処理の流れの一例を示すフローチャートである。

まず、図６を用いて、情報提供装置１０が実行する学習処理の流れの一例について説明する。まず、情報提供装置１０は、エンコーダーおよびデコーダーの組であって、それぞれ異なる情報の特徴を学習した組を取得する（ステップＳ１０１）。続いて、情報提供装置１０は、各エンコーダーＥの出力を、各エンコーダーＥの出力を合成する合成モデルＳＭ１に入力し、合成モデルＳＭ１の出力、すなわち合成情報を、各デコーダーＤに入力する処理モデルＭ１を構成する（ステップＳ１０２）。そして、情報提供装置１０は、各エンコーダーＥに、同一のコンテンツに含まれる情報であって、それぞれ異なる種別の情報を入力した際に、各デコーダーＤが、それぞれ対応する種別の情報の要約を出力するように、モデルの学習を行い（ステップＳ１０３）、学習処理を終了する。

次に、図７を用いて、情報提供装置１０が実行する生成処理の流れの一例について説明する。まず、情報提供装置１０は、要約の作成対象となるコンテンツ、すなわち、配信コンテンツを受付ける（ステップＳ２０１）。このような場合、情報提供装置１０は、配信コンテンツから処理モデルＭ１に含まれる各エンコーダーＥに入力する種別の情報を抽出する（ステップＳ２０２）。そして、情報提供装置１０は、抽出した情報を処理モデルＭ１に入力することで、各情報の要約を取得する（ステップＳ２０３）。その後、情報提供装置１０は、取得した要約を用いて、配信コンテンツの要約である要約コンテンツを生成し、生成した要約コンテンツを配信し（ステップＳ２０４）、処理を終了する。

〔５．変形例〕
上記では、情報提供装置１０による学習処理および生成処理の一例について説明した。しかしながら、実施形態は、これに限定されるものではない。以下、情報提供装置１０が実行する学習処理および生成処理のバリエーションについて説明する。

〔５−１．装置構成〕
情報提供装置１０は、任意の数の端末装置１００と通信可能に接続されていてもよく、任意の数のデータサーバ５０と通信可能に接続されていてもよい。また、情報提供装置１０は、端末装置１００と情報のやり取りを行うフロントエンドサーバと、各種の処理を実行するバックエンドサーバとにより実現されてもよい。このような場合、フロントエンドサーバには、図２に示す提供部４５が配置され、バックエンドサーバには、図２に示す学習データ取得部４１、学習部４２、出力情報取得部４３、および生成部４４が含まれることとなる。

また、情報提供装置１０は、例えば、図２に示す学習データ取得部４１および学習部４２を有し、学習処理を実行する学習サーバと、図２に示す出力情報取得部４３および生成部４４を有し、生成処理を実行する生成サーバと、図２に示す提供部４５を有し、生成サーバが生成した情報を利用者に提供する提供サーバとが協調して動作することにより、実現されてもよい。また、記憶部３０に登録された学習データデータベース３１およびモデルデータベース３２は、外部のストレージサーバによって管理されていてもよい。

〔５−２．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、上記してきた各実施形態は、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。

〔６．プログラム〕
また、上述した実施形態に係る情報提供装置１０は、例えば図８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８は、ハードウェア構成の一例を示す図である。コンピュータ１０００は、出力装置１０１０、入力装置１０２０と接続され、演算装置１０３０、一次記憶装置１０４０、二次記憶装置１０５０、出力ＩＦ（Interface）１０６０、入力ＩＦ１０７０、ネットワークＩＦ１０８０がバス１０９０により接続された形態を有する。

演算装置１０３０は、一次記憶装置１０４０や二次記憶装置１０５０に格納されたプログラムや入力装置１０２０から読み出したプログラム等に基づいて動作し、各種の処理を実行する。一次記憶装置１０４０は、ＲＡＭ等、演算装置１０３０が各種の演算に用いるデータを一次的に記憶するメモリ装置である。また、二次記憶装置１０５０は、演算装置１０３０が各種の演算に用いるデータや、各種のデータベースが登録される記憶装置であり、ＲＯＭ(Read Only Memory)、ＨＤＤ（Hard Disk Drive）、フラッシュメモリ等により実現される。

出力ＩＦ１０６０は、モニタやプリンタといった各種の情報を出力する出力装置１０１０に対し、出力対象となる情報を送信するためのインタフェースであり、例えば、ＵＳＢ（Universal Serial Bus）やＤＶＩ（Digital Visual Interface）、ＨＤＭＩ（登録商標）（High Definition Multimedia Interface）といった規格のコネクタにより実現される。また、入力ＩＦ１０７０は、マウス、キーボード、およびスキャナ等といった各種の入力装置１０２０から情報を受信するためのインタフェースであり、例えば、ＵＳＢ等により実現される。

なお、入力装置１０２０は、例えば、ＣＤ（Compact Disc）、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から情報を読み出す装置であってもよい。また、入力装置１０２０は、ＵＳＢメモリ等の外付け記憶媒体であってもよい。

ネットワークＩＦ１０８０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演算装置１０３０へ送り、また、ネットワークＮを介して演算装置１０３０が生成したデータを他の機器へ送信する。

演算装置１０３０は、出力ＩＦ１０６０や入力ＩＦ１０７０を介して、出力装置１０１０や入力装置１０２０の制御を行う。例えば、演算装置１０３０は、入力装置１０２０や二次記憶装置１０５０からプログラムを一次記憶装置１０４０上にロードし、ロードしたプログラムを実行する。

例えば、コンピュータ１０００が情報提供装置１０として機能する場合、コンピュータ１０００の演算装置１０３０は、一次記憶装置１０４０上にロードされたプログラムまたはデータ（例えば、処理モデルＭ１）を実行することにより、制御部４０の機能を実現する。コンピュータ１０００の演算装置１０３０は、これらのプログラムまたはデータ（例えば、処理モデルＭ１）を一次記憶装置１０４０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。

〔７．効果〕
上述したように、情報提供装置１０は、学習データとして、それぞれ異なる種別の情報の組を取得する。そして、情報提供装置１０は、学習データを入力情報とした際に、その学習データと対応する出力情報を出力するように、それぞれ異なる種別の入力情報からその入力情報が有する特徴を示す特徴情報を生成する複数のエンコーダーＥと、その複数のエンコーダーＥが生成した特徴情報を合成した合成情報を生成する合成モデルＳＭ１と、合成モデルＳＭ１が生成した合成情報から、それぞれ異なる種別の入力情報に対応する出力情報を生成する複数のデコーダーＤとを含む処理モデルＭ１の学習を行う。

上述した処理モデルＭ１は、従来のＤＮＮと比較して、学習に要する時間や計算リソースを削減することができる。この結果、情報提供装置１０は、学習データが有する関係性の学習を容易にすることができる。

また、情報提供装置１０は、複数のデコーダーＤとして、合成情報からそれぞれ異なる種別の出力情報を生成する複数のデコーダーＤであって、それぞれ異なるエンコーダーＥに入力される入力情報と同じ種別の出力情報を出力する複数のデコーダーＤを学習する。また、情報提供装置１０は、それぞれ異なる種別の情報が有する特徴を学習した複数のエンコーダーＥと、それぞれ異なるエンコーダーＥと同じ種別の情報が有する特徴を学習した複数のデコーダーＤとを学習する。このため、情報提供装置１０は、入力情報に対応する出力情報を適切に出力する処理モデルＭ１を学習できる。

また、情報提供装置１０は、少なくとも、画像が有する特徴を示す特徴情報を生成する第１エンコーダーＥ１と、テキストが有する特徴を示す特徴情報を生成する第２エンコーダーＥ２と、第１エンコーダーＥ１および第２エンコーダーＥ２が生成した特徴情報を合成した合成情報を生成する合成器と、その合成情報から画像に対応する出力情報を生成する第１デコーダーＤ１と、その合成情報からテキストに対応する出力情報を生成する第２デコーダーＤ２とを学習する。このため、情報提供装置１０は、画像およびテキストと対応する出力情報を適切に出力する処理モデルＭ１を学習できる。

また、情報提供装置１０は、出力情報の出力態様に応じた合成態様で、各エンコーダーＥが生成した特徴情報を合成した合成情報を生成する合成モデルＳＭ１を学習する。例えば、情報提供装置１０は、対応コンテンツの出力先となる利用者の属性に応じた合成態様で、各エンコーダーＥが生成した特徴情報を合成した合成情報を生成する合成モデルＳＭ１を学習する。また、例えば、情報提供装置１０は、各エンコーダーＥが生成した特徴情報を線形結合した結合情報から、対応コンテンツの出力態様に応じた合成情報を生成する合成モデルＳＭ１を学習する。このため、情報提供装置１０は、対応コンテンツの出力態様を考慮した出力情報を生成する処理モデルＭ１を学習できる。

また、情報提供装置１０は、入力情報の種別に応じた構造を有し、入力された情報が有する特徴を示す中間表現を生成する複数の中間モデルＭＭ１、ＭＭ２と、中間モデルＭＭ１、ＭＭ２が生成した中間表現から特徴情報を生成する複数のエンコーダーＥを学習する。例えば、情報提供装置１０は、テキストである入力情報の中間表現を生成する第２中間モデルＭＭ２として、再帰型ニューラルネットワークであるモデルを学習し、画像である入力情報の中間表現を生成する第１中間モデルＭＭ１として、畳み込みニューラルネットワークであるモデルを学習する。このため、情報提供装置１０は、より適切に入力情報の特徴情報を抽出する処理モデルＭ１を学習できる。

また、情報提供装置１０は、エンコーダーＥとデコーダーＤとの組であって、それぞれ異なる種別の情報が有する特徴を学習した複数の組に含まれる複数のエンコーダーＥと複数のデコーダーＤとの学習を行う。すなわち、情報提供装置１０は、同じ種別の情報を処理するエンコーダーＥとデコーダーＤとの組ごとにプレトレーニングを行う。このため、情報提供装置１０は、処理モデルＭ１の精度を容易に向上させることができる。

また、情報提供装置１０は、所定のコンテンツに含まれる複数の入力情報から、関連する内容の出力情報を出力するように、エンコーダーＥ、合成モデルＳＭ１、およびエンコーダーＥの少なくともいずれか一つの学習を行う。このため、情報提供装置１０は、トピックがそろっている出力情報を生成する処理モデルＭ１を学習することができる。

また、情報提供装置１０は、それぞれ異なる種別の入力情報から入力情報が有する特徴を示す特徴情報を生成する複数のエンコーダーＥと、複数のエンコーダーＥが生成した特徴情報を合成した合成情報を生成する合成モデルＳＭ１と、合成モデルＳＭ１が生成した合成情報から、それぞれ異なる種別の入力情報に対応する出力情報を生成する複数のデコーダーＤとを用いて、所定のコンテンツに含まれる複数の入力情報に対応する複数の出力情報を取得する。すなわち、情報提供装置１０は、処理モデルＭ１を用いて、所定のコンテンツに含まれる複数の入力情報に対応する複数の出力情報を取得する。そして、情報提供装置１０は、取得した複数の出力情報から、所定のコンテンツに対応する対応コンテンツを生成する。このため、情報提供装置１０は、トピックがそろっている出力情報に基づいた対応コンテンツを提供することができる。

以上、本願の実施形態のいくつかを図面に基づいて詳細に説明したが、これらは例示であり、発明の開示の欄に記載の態様を始めとして、当業者の知識に基づいて種々の変形、改良を施した他の形態で本発明を実施することが可能である。

また、上記してきた「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、配信部は、配信手段や配信回路に読み替えることができる。

１０ 情報提供装置
２０ 通信部
３０ 記憶部
３１ 学習データデータベース
３２ モデルデータベース
４０ 制御部
４１ 学習データ取得部
４２ 学習部
４３ 出力情報取得部
４４ 生成部
４５ 提供部
５０ データサーバ
１００ 端末装置

本発明は、学習装置、生成装置、学習方法、生成方法、学習プログラム、および生成プログラムに関する。

以下に、本願に係る学習装置、生成装置、学習方法、生成方法、学習プログラム、および生成プログラムを実施するための形態（以下、「実施形態」と記載する。）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学習装置、生成装置、学習方法、生成方法、学習プログラム、および生成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。

Claims (17)

1. それぞれ異なる種別の複数の入力情報を取得する取得部と、
   前記複数の入力情報を入力した際に、各入力情報と対応する複数の出力情報を出力するように、前記入力情報から当該入力情報が有する特徴を示す特徴情報を生成する複数の符号化器と、当該複数の符号化器が生成した特徴情報を合成した合成情報を生成する合成器と、合成器が生成した合成情報からそれぞれ異なる種別の出力情報を生成する複数の復号器とを含むモデルの学習を行う学習部と
   を有することを特徴とする学習装置。
2. 前記学習部は、前記複数の復号器として、前記合成情報からそれぞれ異なる種別の出力情報を生成する複数の復号器であって、それぞれ異なる符号化器に入力される入力情報と同じ種別の出力情報を出力する前記複数の復号器を学習する
   ことを特徴とする請求項１に記載の学習装置。
3. 前記学習部は、それぞれ異なる種別の情報が有する特徴を学習した前記複数の符号化器と、それぞれ異なる符号化器と同じ種別の情報が有する特徴を学習した前記複数の復号器とを学習する
   ことを特徴とする請求項１または２に記載の学習装置。
4. 前記学習部は、少なくとも、画像が有する特徴を示す特徴情報を生成する第１符号化器と、テキストが有する特徴を示す特徴情報を生成する第２符号化器と、第１符号化器および第２符号化器が生成した特徴情報を合成した合成情報を生成する合成器と、当該合成情報から前記画像に対応する出力情報を生成する第１復号器と、当該合成情報から前記テキストに対応する出力情報を生成する第２復号器とを学習する
   ことを特徴とする請求項１〜３のうちいずれか１つに記載の学習装置。
5. 前記学習部は、前記出力情報の出力態様に応じた合成態様で、各符号化器が生成した特徴情報を合成した合成情報を生成する合成器を学習する
   ことを特徴とする請求項１〜４のうちいずれか１つに記載の学習装置。
6. 前記学習部は、前記出力情報の出力先となる利用者の属性に応じた合成態様で、各符号化器が生成した特徴情報を合成した合成情報を生成する合成器を学習する
   ことを特徴とする請求項５に記載の学習装置。
7. 前記学習部は、各符号化器が生成した特徴情報を線形結合した結合情報から、前記出力情報の出力態様に応じた合成情報を生成する合成器を学習する
   ことを特徴とする請求項５または６に記載の学習装置。
8. 前記学習部は、入力情報の種別に応じた構造を有し、入力された情報が有する特徴を示す中間表現を生成する複数のモデルと、各モデルが生成した中間表現から前記特徴情報を生成する前記複数の符号化器を学習する
   ことを特徴とする請求項１〜７のうちいずれか１つに記載の学習装置。
9. 前記学習部は、テキストである入力情報の中間表現を生成するモデルとして、再帰型ニューラルネットワークであるモデルを学習し、画像である入力情報の中間表現を生成するモデルとして、畳み込みニューラルネットワークであるモデルを学習する
   ことを特徴とする請求項８に記載の学習装置。
10. 前記学習部は、符号化器と復号器との組であって、それぞれ異なる種別の情報が有する特徴を学習した複数の組に含まれる複数の符号化器と複数の復号器との学習を行う
    ことを特徴とする請求項１〜９のうちいずれか１つに記載の学習装置。
11. 前記学習部は、所定のコンテンツに含まれる複数の入力情報から、関連する内容の出力情報を出力するように、前記符号化器、前記合成器、および前記符号化器の少なくともいずれか一つの学習を行う
    ことを特徴とする請求項１〜１０のうちいずれか１つに記載の学習装置。
12. それぞれ異なる種別の入力情報から当該入力情報が有する特徴を示す特徴情報を生成する複数の符号化器と、当該複数の符号化器が生成した特徴情報を合成した合成情報を生成する合成器と、合成器が生成した合成情報から、それぞれ異なる種別の入力情報に対応する出力情報を生成する複数の復号器とを用いて、所定のコンテンツに含まれる複数の入力情報に対応する複数の出力情報を取得する取得部と、
    前記取得部が取得した複数の出力情報から、前記所定のコンテンツに対応する対応コンテンツを生成する生成部と
    を有することを特徴とする生成装置。
13. 学習装置が実行する学習方法であって、
    それぞれ異なる種別の複数の入力情報を取得する取得工程と、
    前記複数の入力情報を入力した際に、各入力情報と対応する複数の出力情報を出力するように、前記入力情報から当該入力情報が有する特徴を示す特徴情報を生成する複数の符号化器と、当該複数の符号化器が生成した特徴情報を合成した合成情報を生成する合成器と、合成器が生成した合成情報からそれぞれ異なる種別の出力情報を生成する複数の復号器とを含むモデルの学習を行う学習工程と
    を含むことを特徴とする学習方法。
14. 生成装置が実行する生成方法であって、
    それぞれ異なる種別の入力情報から当該入力情報が有する特徴を示す特徴情報を生成する複数の符号化器と、当該複数の符号化器が生成した特徴情報を合成した合成情報を生成する合成器と、合成器が生成した合成情報から、それぞれ異なる種別の入力情報に対応する出力情報を生成する複数の復号器とを用いて、所定のコンテンツに含まれる複数の入力情報に対応する複数の出力情報を取得する取得工程と、
    前記取得された複数の出力情報から、前記所定のコンテンツに対応する対応コンテンツを生成する生成工程と
    を含むことを特徴とする生成方法。
15. それぞれ異なる種別の複数の入力情報を取得する取得手順と、
    前記複数の入力情報を入力した際に、各入力情報と対応する複数の出力情報を出力するように、前記入力情報から当該入力情報が有する特徴を示す特徴情報を生成する複数の符号化器と、当該複数の符号化器が生成した特徴情報を合成した合成情報を生成する合成器と、合成器が生成した合成情報からそれぞれ異なる種別の出力情報を生成する複数の復号器とを含むモデルの学習を行う学習手順と
    をコンピュータに実行させるための学習プログラム。
16. それぞれ異なる種別の入力情報から当該入力情報が有する特徴を示す特徴情報を生成する複数の符号化器と、当該複数の符号化器が生成した特徴情報を合成した合成情報を生成する合成器と、合成器が生成した合成情報から、それぞれ異なる種別の入力情報に対応する出力情報を生成する複数の復号器とを用いて、所定のコンテンツに含まれる複数の入力情報に対応する複数の出力情報を取得する取得手順と、
    前記取得された複数の出力情報から、前記所定のコンテンツに対応する対応コンテンツを生成する生成手順と
    をコンピュータに実行させるための生成プログラム。
17. それぞれ異なる種別の入力情報から当該入力情報が有する特徴を示す特徴情報を生成する複数の符号化器と、
    前記複数の符号化器が生成した特徴情報を合成した合成情報を生成する合成器と、
    前記合成器が生成した合成情報から、それぞれ異なる種別の入力情報に対応する出力情報を生成する複数の復号器と
    を含むことを特徴とするモデル。

Images