JP2012113542A - 感情推定装置、その方法、プログラム及びその記録媒体 - Google Patents

Abstract

【課題】単語の意味情報を記録したデータベース（例えば感情関係語ＤＢ）を用いずに、対象音声データまたは対象テキストデータから感情を推定する感情推定装置、その方法、そのプログラム及びその記録媒体を提供することを目的とする。
【解決手段】対象テキストデータの形態素解析結果と構文解析結果との少なくとも一方を用いて、対象テキストデータ内にどの程度その意味内容が明示されているかを表す明示性特徴量を推定し、怒りの感情が表現されているか否かを示す教師信号付きの学習用テキストデータの明示性特徴量から予め学習された識別器を用いて、対象テキストデータ内に怒りの感情が表現されているか否かを、明示性推定部で推定された対象テキストデータの明示性特徴量から識別する。
【選択図】図１

Description

本発明は対象音声データまたは対象テキストデータから怒りの感情を推定する感情推定装置、その方法、そのプログラム及びその記録媒体に関する。

非特許文献１が対象テキストデータから怒りの感情を推定する従来技術として知られている。非特許文献１では、感情に関係する語（以下「感情関係語」という）と、感情関係語に対する感情スコアとを感情関係語ＤＢに記憶しておき、感情関係語ＤＢを参照して文レベルの感情スコアを推定する。例えば、「子供」や「夏休み」等の感情関係語には、「楽しい」や「ポジティブ」等の感情スコアが対応付けられ、「戦争」や「事故」等の感情関係語には、「怒り」、「悲しい」、「ネガティブ」等の感情スコアが対応付けられる。

菅原久嗣、アレナネビアロスカヤ、石塚満著、「日本語テキストからの感情抽出」、人工知能学会全国大会論文集（ＣＤ−ＲＯＭ）、２００９、巻:２３ｒｄ、頁:ＲＯＭＢＵＮＮＯ．３Ｉ４−２

しかしながら、従来技術は、感情関係語と感情関係語に対する感情スコアとを感情関係語ＤＢに記憶するため、以下のような問題が生じる。

感情関係語ＤＢ内に推定するために十分な量の感情関係語を記憶するためには、甚大な人的、時間的、金銭的コストがかかる。そのため、実用的には、３００語程度の感情関係語を記録する感情関係語ＤＢを作成することになる。そうすると、感情関係語ＤＢに登録されていない感情関係語（以下「未知語」という）が、対象テキストデータ内に多く含まれることとなり、感情スコアを推定することができない場合が多発する。

また、同一の感情関係語であっても、文脈や使われ方（以下「文脈等」という）により、関連する感情は異なる場合があるため、誤って感情を推定する可能性がある。例えば、「君の態度はまるで子供だね」という文章では、「子供」は「ネガティブ」な感情と関連するが、感情関係語ＤＢには、「ポジティブ」な感情に関連する感情関係語として登録されている場合があり、誤った感情を推定する原因となる。

よって、感情関係語ＤＢのような単語の意味情報を記録したデータベースを用いずに、対象音声データまたは対象テキストデータから感情を推定することができる感情推定装置、その方法、そのプログラム及びその記録媒体を提供するという課題がある。単語の意味情報を記録したデータベース（例えば感情関係語ＤＢ）を用いない構成により、未知語の存在により対象テキストデータから感情を推定することができないという問題、及び、文脈等により誤って感情を推定するという問題が生じなくなる。

上記の課題を解決するために、本発明は、対象テキストデータの形態素解析結果と構文解析結果との少なくとも一方を用いて、対象テキストデータ内にどの程度その意味内容が明示されているかを表す明示性特徴量を推定し、怒りの感情が表現されているか否かを示す教師信号付きの学習用テキストデータの明示性特徴量から予め学習された識別器を用いて、対象テキストデータ内に怒りの感情が表現されているか否かを、明示性推定部で推定された対象テキストデータの明示性特徴量から識別する。

本発明に係る感情推定装置は、未知語及び文脈等に影響されずに対象音声データまたは対象テキストデータ内に表現されている怒りの感情を推定することができるという効果を奏する。

感情推定装置１００の機能構成例を示すブロック図。 感情推定装置１００の処理フローの例を示す図。 形態素解析結果の例を示す図。 構文解析結果の例を示す図。 省略格推定部への入力となる構文解析結果の例を示す図。 置換単語推定部または明示単語検出部への入力となる形態素解析結果の例を示す図。 明示単語リスト記憶部のデータ例を示す図。 識別器を生成する感情推定装置１００の機能構成例を示すブロック図。 識別器を生成する感情推定装置１００の処理フローの例を示す図。 感情推定装置２００，３００の機能構成例を示すブロック図。 感情推定装置２００，３００の処理フローの例を示す図。 識別器を生成する感情推定装置２００，３００の機能構成例を示すブロック図。 識別器を生成する感情推定装置２００，３００の処理フローの例を示す図。 モニタリングシステム４００の機能構成例を示すブロック図。 モニタリングシステム４００の出力データの例を示す図。 モニタリングシステム５００の機能構成例を示すブロック図。 モニタリングシステム５００の出力データの例を示す図。

［発明のポイント］
本発明では、対象音声データまたは対象テキストデータ内に表現されている怒りの感情を推定するために、文の明示性、特に、一般対話状況下での発話内容の明示性に着目する。なお、発話内容の明示性とは、発話において主語や対象の省略や「それ」、「これ」などの指示語への置換がどれだけ生じているかを指す。これら省略や置換が生じていない場合を「発話内容の明示性が高い」状態とする。これら省略や置換が多く生じている場合を「発話内容の明示性が低い」状態とする。

怒っている発話内容と怒っていない発話内容の明示性に差異があることを示すために、以下の分析結果について説明する。

あるコールセンタにおける全発話数６６７９に対し人手により怒り発話（発話数３３１２）と平常発話（発話数３３６７）のラベルを付与する。ラベル付きの発話を用いてＳＶＭ（サポートベクターマシン）により識別器を学習する。χ二乗検定で有意水準１％で怒り発話に偏って現れた単語（ｕｎｉｇｒａｍ）のうち、サービス名や人名、数字、業務用語等を人手で除いた２５６個の単語からなる単語リストを生成する。このとき、発話に含まれる単語の出現回数を発話に含まれる全形態素数で割って正規化した値を素性として使用する。

単語リストをパラメータとして、学習した識別器に分析対象発話を入力し、分析対象発話を、怒り発話と平常発話、または、怒られている発話と怒られていない発話、に識別する。なお、コールセンタの発話には、顧客の発話とオペレータの発話とが含まれるが、顧客の発話を怒り発話と平常発話とに分類し、オペレータの発話を怒られている発話と怒られていない発話とに分類する。なお、怒られている発話とは、顧客の怒り発話直後のオペレータの発話を意味し、それ以外の発話を怒られていない発話とする。以下、分析結果を示す。

なお、ランダム抽出した場合の適合率は５０．５％であり、怒っている発話内容と怒っていない発話内容とで言語的特徴があることがわかる。なお、怒り発話に偏って出現した単語としては、一人称の「私」や「わたしら」、二人称の「お宅」等がある。

日本語を母語とする話者が人と会話を行う際には、「あなたは」や「私は」などの単語は省略されることが多い。また、例えば何か対象を指す時、指示語への置換が生じたり、省略されたりすることも多い。これは日本語が可能な限り曖昧性を許す言語であり、対人コミュニケーションにおいて曖昧であることをよしとする日本の社会文化に起因する。しかし、話者の感情状態が「怒り」にある時は、曖昧性を排除し、怒りの対象をより明確にしようとする。例えば、平常時には「あなた」などの２人称名詞がコミュニケーション上表れることは少ないが、怒っている時は「あなた」という言葉は頻出する。同様に平常時には省略されて伝えられていた言葉も、怒っている時は明示されることが多い。例えば、子供が醤油をこぼしたときの母親の子供に対する発言としては、平常発話と怒り発話で以下のような違いが現れる。
平常発話：「こぼしたの？」
怒り発話：「あなたが醤油こぼしたの？」
本発明はこの現象に着目する。発話内容の明示性として「発話中にどれだけ省略や指示語への置換が生じているか」を算出し、発話内容明示性が高い時には話者が怒っていると推定する。

以下、本発明の実施の形態について、詳細に説明する。

＜感情推定装置１００＞
図１及び図２を用いて実施例１に係る感情推定装置１００を説明する。感情推定装置１００は、テキスト解析部１３０と、明示性推定部１４０と、識別器生成部１５０と、感情識別部１６０と、を備える。このような構成により、感情推定装置１００は、対象テキストデータから怒りの感情を推定する。なお、対象テキストデータ中の感情を推定しようとする単位を感情推定単位と呼ぶ。感情推定単位は１文でも良いし、複数文でも良いし、文中の特定の区間でも良い。以下、各部の詳細を説明する。

＜テキスト解析部１３０＞
テキスト解析部１３０は、対象テキストデータを解析し、その対象テキストデータから得られる形態素解析結果と、その形態素解析結果に基づき対象テキストデータ内の係り受け関係を解析した構文解析結果と、を求める（ｓ１３０）。例えば、テキスト解析部１３０は、形態素解析部１３１と構文解析部１３３を有する。以下、各部の詳細を説明する。

（形態素解析部１３１）
形態素解析部１３１は、対象テキストデータを入力とし、その対象テキストデータを形態素解析して、形態素解析結果を求め（ｓ１３１）、それを構文解析部１３３と置換単語推定部１４３と明示単語検出部１４４へ出力する。なお、形態素とは言語的に意味を持つ最小単位のことであり、形態素解析とは、対象言語の文法の知識（文法のルールの集まり）や辞書（品詞等の情報付きの単語リスト）を情報源として用い、自然言語で書かれた文を形態素の列に分割し、それぞれの品詞を判別する作業である。なお、対象言語の文法の知識（文法のルールの集まり）や辞書（品詞等の情報付きの単語リスト）は図示しない記憶部に記憶されているものとする。形態素解析技術としては、従来技術（例えば、［長尾真（編）、「自然言語処理」、岩波講座ソフトウェア科学、第１５巻、岩波書店、１９９６（以下「参考文献１」という）］記載の従来技術）を用いることができる。

例えば、形態素解析部１３１は、対象テキストデータを形態素単位に分割し、分割した各形態素の品詞を判別し、各形態素に対して品詞を付加した対象テキストデータを形態素解析結果として出力する。例えば、「私は少女を見た」という対象テキストデータを形態素解析すると、図３に示す形態素解析結果が得られる。なお、図３中、「／」は形態素の区切りを表す。

（構文解析部１３３）
構文解析部１３３は、形態素解析結果を入力とし、その形態素解析結果を構文解析して、構文解析結果を求め（ｓ１３３）、省略格推定部１４１へ出力する。例えば、構文解析部１３３は、形態素解析結果から文節を求め、さらに、どの文節が主部であるとか、どの文節が述部であるとか、文節の係り受け関係を解析し、解析結果を形態素解析結果に付加して構文解析結果として求める。例えば、図３の形態素解析結果を構文解析すると、図４に示す構文解析結果（文節単位での係り受け関係及び主部／述部等を付加した形態素解析結果）が得られる。なお、構文解析技術としては、従来技術（例えば、参考文献１記載の従来技術）を用いることができる。

＜明示性推定部１４０＞
明示性推定部１４０は、対象テキストデータから得られる形態素解析結果と、形態素解析結果に基づき対象テキストデータ中の係り受け関係を解析した構文解析結果と、を用いて、対象テキストデータ内にどの程度その意味内容が明示されているかを表す明示性特徴量を推定する（ｓ１４０）。例えば、明示性推定部１４０は省略格推定部１４１と、置換単語推定部１４３と、明示単語検出部１４４と、明示単語リスト記憶部１４４ａと、明示性特徴量算出部１４５と、を有する。以下、各部の詳細を説明する。

（省略格推定部１４１）
省略格推定部１４１は、構文解析結果を用いて、対象テキストデータ内に本来あるべき省略されている格を省略格として推定し（ｓ１４１）、省略格の種類と各省略格の省略回数を明示性特徴量算出部１４５へ出力する。

省略格を推定する方法としては、例えば格フレーム辞書を用いる手法がある。例えば、［河原大輔、黒橋禎夫、「自動構築した格フレーム辞書に基づく省略解析の大規模評価」、言語処理学会 第9回年次大会, pp.589-592, 2003.（以下、参考文献２という）］記載の従来技術により、格フレーム辞書を用いて省略格を推定することができる。また、自動構築した格フレーム辞書ではなく、既存の格フレーム辞書、例えば、ＩＰＡＬ動詞辞書［情報処理振興事業協会技術センター、計算機用日本語基本動詞辞書 IPAL, 1987 ］等の格フレーム辞書を用いて省略格を推定してもよい。このとき、格フレーム辞書は図示しない記憶部に予め記憶しておく。

なお、格とは文中における単語間の意味的関係性、特に、動詞と名詞（または名詞句）との間の意味的関係性を示す標識であり、格フレームとは動詞が取りうる格構造のパタンを表し、格フレーム辞書とは個々の動詞について格フレームを記載したデータベースである。なお、格には、表層的に決まる表層格（日本語における「ガ格」、「ヲ格」、「ニ格」等）と、表層だけでは決まらない、真の格を表す深層格があり、動詞の取りうる格を深層格で定義する場合には、（１）動作主格（Ａｇｅｎｔ）、（２）経験者格（Ｅｘｐｅｒｉｅｎｃｅｒ）、（３）道具格（Ｉｎｓｔｒｕｍｅｎｔ）、（４）対象格（Ｏｂｊｅｃｔ）、（５）源泉格（Ｓｏｕｒｃｅ）、（６）目標格（Ｇｏａｌ）、（７）場所格（Ｌｏｃａｔｉｏｎ）、（８）時間格（Ｔｉｍｅ）等が用いられる。

さらに、格フレーム辞書には、動詞が必ず取らなければならない必須格と取る場合もある任意格が定義されている。例えば、動詞「見る」であれば「動作主格」や「対象格」は必須格となり、「場所格」や「道具格」は任意格となる。省略格の推定とは、ある動詞に対する必須格が省略されているか否かを、格フレーム辞書を参照して、推定する処理を意味する。図５に示す構文解析結果に対して省略格の推定を行うと、「見る」の必須格である「対象格」と、「驚く」の必須格である「動作主格」が省略されているので、省略格の種類とその個数である（「対象格」、１個）、（「動作主格」、１個）を省略格推定結果として出力する。

なお、格フレーム辞書には、他の要素、例えば、格に対する意味的な制約が定義されていてもよい。

（置換単語推定部１４３）
置換単語推定部１４３は、形態素解析結果を用いて、対象テキストデータ内に本来あるべき単語の代わりに存在する単語を置換単語として推定し（ｓ１４３）、置換単語の種類と各置換単語の出現回数を明示性特徴量算出部１４５へ出力する。例えば、置換されて用いられる単語（つまり、「置換単語」）として指示語を用いる。指示語とは現場にあるものや文脈上の要素を指し示す表現であり、例えば「これ・それ・あれ」等であり、本来あるべき単語の代わりとして用いられる。

例えば置換単語推定部１４３は、図６に示す形態素解析結果を入力として、置換単語推定を行った場合、置換単語は指示語「これ」なので、置換単語の種類とその個数である（「これ」、１個）を置換単語推定結果として出力する。

（明示単語検出部１４４及び明示単語リスト記憶部１４４ａ）
明示単語リスト記憶部１４４ａは、平常発話において省略されやすい単語を予め記憶しておく。発明のポイントで説明したように、怒り発話時に偏って出現する単語が存在する。例えば、上述のように平常発話では一人称の「私」や「わたしら」二人称の「お宅」等が省略されやすいが、怒り発話では省略されづらい傾向がある。これらの傾向がある単語を明示単語として、予め明示単語リスト記憶部１４４ａに記憶しておく（図７参照）。

明示単語検出部１４４は、形態素解析結果を入力とし、これを用いて、明示単語リスト記憶部１４４ａを参照し、対象テキストデータ内に存在する明示単語を検出し（ｓ１４４）、明示単語の種類とその個数を明示単語検出結果として出力する。

例えば明示単語検出部１４４は、図６に示す形態素解析結果を入力とし、図７に示す明示単語リスト記憶部１４４ａを用いて明示単語検出を行った場合、単語「私」が明示単語なので、明示単語の種類とその個数である（「私」、１個）を明示単語検出結果として出力する。

（明示単語リストの作成方法）
なお、明示単語リスト記憶部１４４ａに記憶する明示単語を代名詞（例えば人称代名詞「あなた」、「私」）等に限定してもよい。これは、代名詞等には、平常発話では省略されやすく、怒り発話では省略されづらい傾向があり、この傾向がドメイン等に影響されないためである。なお、ドメインとは、学習用テキストデータまたは対象テキストデータの取得される媒体（新聞、雑誌、コールセンタの通話の音声認識結果、ＴＶの音声認識結果等）や分野（スポーツ記事、政治記事、経済記事、保険会社のコールセンタの通話の音声認識結果、通信会社のコールセンタの通話の音声認識結果等）等を意味する。この場合、代名詞等のみを対象とすることで、あらゆる単語を網羅する必要がなくなり、明示単語リストの作成のコストを削減できる。またドメイン別にリストを作るコストも削減される。

また、明示単語リスト記憶部１４４ａに記憶する明示単語は、発明のポイントにおいて説明した方法等により決定してもよい。まず、サンプルテキストデータに対し人手により怒り発話と平常発話のラベルを付与する。次に、χ二乗検定で有意水準１％で怒り発話に偏って現れた単語（ｕｎｉｇｒａｍ）のうち、サービス名や人名、数字、業務用語等を人手で除いたものを明示単語とする。この明示単語のリストを明示単語リスト記憶部１４４ａに予め記憶しておく。なお、χ二乗検定の有意水準は、予め実験等により適切な値を求めておき、適宜設定すればよい。

また、明示単語リスト記憶部１４４ａには、格の種類毎に（つまり、「動作主各」や「対象格」等毎に）、平常発話では省略されやすく、怒り発話では省略されづらい傾向がある単語を明示単語として記憶しておいてもよい。その場合、前述した明示単語リスト作成時に予め格の種類毎に分類しておく。明示単語検出部１４４は、構文解析結果を利用して、明示単語リスト記憶部１４４ａを参照し、単語と、その単語の格の種類とが一致する単語を明示単語として検出する。

（明示性特徴量算出部１４５）
明示性特徴量算出部１４５は、省略格推定結果と置換単語推定結果と明示単語検出結果とを用いて、明示性特徴量を算出し（ｓ１４５）、感情識別部１６０へ出力する。例えば、明示性特徴量算出部１４５は、省略格推定結果と置換単語推定結果と明示単語検出結果とを用いて得られる以下の値の何れか、または、それらの組合せを明示性特徴量として算出する。
（１）省略格毎の省略回数
（２）省略格毎の省略の有無（「０」「１」情報）
（３）省略格毎でなく、感情推定単位中に含まれる全ての省略格の合計省略回数
（４）感情推定単位における省略格の有無（「０」「１」情報）
（５）置換単語毎の出現回数
（６）置換単語毎の出現の有無（「０」「１」情報）
（７）置換単語毎でなく、感情推定単位中に含まれる全ての置換単語の合計出現回数
（８）感情推定単位における置換単語の出現の有無（「０」「１」情報）
（９）明示単語毎の出現回数
（１０）明示単語毎の出現の有無（「０」「１」情報）
（１１）明示単語毎でなく、感情推定単位中に含まれる全ての明示単語の合計出現回数
（１２）感情推定単位における明示単語の出現の有無（「０」「１」情報）
なお、明示性特徴量として、（１）と（５）と（９）とのうちの何れか１つ以上の組合せを用いる場合には、省略格推定結果と置換単語推定結果と明示単語検出結果に対して、特別な処理を必要としないため、明示性特徴量算出部１４５を備えず、省略格推定部１４１、置換単語推定部１４３及び明示単語検出部１４４は、それぞれ省略格推定結果、置換単語推定結果及び明示単語検出結果を明示性特徴量として直接、感情識別部１６０へ出力する構成としてもよい。

明示性特徴量の要素数を増やすと後述する感情識別部１６０における識別の精度は上がるが、計算量が増える。よって、適切な明示性特徴量の要素を選択するために、対象テキストデータに応じてサンプルテキストデータを用意し、実験等により明示性特徴量の要素を予め決定しておいてもよい。

＜感情識別部１６０＞
感情識別部１６０は、明示性特徴量を入力とし、後述する識別器生成部１５０において、予め学習された識別器を用いて、対象テキストデータ内に怒りの感情が表現されているか否かを、明示性推定部１４０で推定された対象テキストデータの明示性特徴量から識別する（ｓ１６０）。

感情識別部１６０は、識別器の識別結果（「怒り」または「平常」）をそのまま感情推定装置１００の推定結果として出力しても良いし、識別器がその識別結果に対する尤度も併せて出力する場合には以下のように推定結果を出力しても良い。（Ａ）識別結果が「怒り」であって、かつ、尤度が第一閾値（例えば０．７）以上のときに、推定結果を「怒り」とし、（Ｂ）識別結果が「怒り」であって、かつ、尤度が第一閾値未満第二閾値（例えば０．３）以上のときに、推定結果を推定不能とし、（Ｃ）それ以外のとき（つまり、識別結果が「平常」のとき、または、尤度が第二閾値未満のとき）に、推定結果を「平常」とする。

＜識別器生成部１５０＞
識別器生成部１５０は、教師信号付きの学習用テキストデータの明示性特徴量を用いて識別器を生成する（図９のｓ１５０）。教師信号とは、対応する学習用テキストデータに怒りの感情が表現されているか否かを示す情報である。なお、人が各学習用テキストデータを見て、怒りの感情が表現されているか否かを判断し、各学習用テキストデータに教師信号を付加する。

識別器を生成する手法として機械学習手法がある。例えば、機械学習の学習アルゴリズムとしては様々なものを採用することができ、教師あり学習の線形判別法、ＳＶＭ及びニューラルネット等を用いることができる。

＜学習用テキストデータの明示性特徴量の算出方法＞
図８及び図９を用いて識別器生成部１５０で用いる学習用テキストデータの明示性特徴量の算出方法を説明する。

テキスト解析部１３０は、学習用テキストコーパス９０から入力される学習用テキストデータを解析し、その学習用テキストデータから得られる形態素解析結果と、その形態素解析結果に基づき学習用テキストデータ内の係り受け関係を解析した構文解析結果とを求める（ｓ１３０−２）。

明示性推定部１４０は、学習用テキストデータから得られる形態素解析結果と、その形態素解析結果に基づき学習用テキストデータ中の係り受け関係を解析した構文解析結果と、を用いて、学習用テキストデータ内にどの程度その意味内容が明示されているかを表す明示性特徴量を推定する（ｓ１４０−２）。

つまり、特別な構成を設けずとも、対象テキストデータではなく、学習用テキストデータに基づき、前述のテキスト解析部１３０及び明示性推定部１４０において同様の処理を行うことで、識別器生成部１５０で用いる学習用テキストデータの明示性特徴量を取得することができる。

＜効果＞
このような構成とすることにより、単語の意味情報を記録したデータベース（例えば感情関係語ＤＢ）を用いずに怒りの感情を推定することができる。よって、感情関係語ＤＢ等の作成コストを削減でき、未知語及び文脈等に影響されずに対象テキストデータ内に表現されている怒りの感情を頑健に推定することができる。

［変形例］
別装置等で対象テキストデータに対して予め形態素解析、構文解析等を済ませておき、感情推定装置１００に対して、対象テキストデータの形態素解析結果と構文解析結果とが入力される場合には、感情推定装置１００はテキスト解析部１３０を備えなくともよい。

明示性推定部１４０は、必要に応じて、省略格推定部１４１と置換単語推定部１４３と明示単語検出部１４４のうち少なくとも１つを備えればよい。例えば、明示性特徴量算出部１４５で説明した（１）〜（４）のうちの何れか、または、（１）〜（４）の組合せを明示性特徴量として算出する場合には、少なくとも省略格推定部１４１を備えればよい。（５）〜（８）のうちの何れか、または、（５）〜（８）の組合せを明示性特徴量として算出する場合には、少なくとも置換単語推定部１４３を備えればよい。（９）〜（１２）のうちの何れか、または、（９）〜（１２）の組合せを明示性特徴量として算出する場合には、少なくとも明示単語検出部１４４を備えればよい。なお、省略格推定部１４１を備えない場合には、構文解析結果が不要となるため、構文解析部１３３を備えなくともよく、明示単語検出部１４４を備えない場合には、明示単語リスト記憶部１４４ａを備えなくともよい。

感情推定装置１００は、必ずしも識別器生成部１５０を備えなくともよい。例えば、ある感情推定装置で学習し、生成した識別器を他の感情推定装置で用いる場合には、ある感情推定装置にのみ識別器生成部を備えればよい。

感情推定装置１００は、対象音声データを入力としてもよい。その場合、テキスト解析部１３０の前段に図示しない音声認識部を設ける構成とする。さらに、図示しない音声認識部において、音声認識処理の過程において、形態素解析、構文解析を行う場合には、音声認識の結果として得られる対象テキストデータに対応する形態素解析結果、構文解析結果を明示性推定部１４０で用いる構成としてもよい。この場合も感情推定装置１００はテキスト解析部１３０を備えなくともよい。

＜感情推定装置２００＞
図１０及び図１１を用いて実施例２に係る感情推定装置２００を説明する。なお、実施例１と異なる部分のみ説明する。感情推定装置２００は、音声認識部２１０と、テキスト解析部１３０と、明示性推定部２４０と、識別器生成部１５０と、感情識別部１６０と、を備える。テキスト解析部１３０、識別器生成部１５０及び感情識別部１６０の処理内容は実施例１と同様である。但し、テキスト解析部１３０で扱う対象テキストデータには後述する認識信頼度が付加されており、テキスト解析部１３０は認識信頼度付きの構文解析結果と形態素解析結果を出力する（図１０参照）。また、識別器生成部１５０及び感情識別部１６０において処理する明示性特徴量は、この認識信頼度を利用して求められた値である。

＜音声認識部２１０＞
音声認識部２１０は、対象音声データを入力とし、対象音声データに対して音声認識処理を行い、対象テキストデータへ変換する。音声認識部２１０は、対象音声データから得られる対象テキストデータと、その対象テキストデータ内に含まれる単語毎の認識結果の信頼性を示す認識信頼度と、を求め（ｓ２１０）、認識信頼度付きの対象テキストデータをテキスト解析部１３０へ出力する。なお、認識信頼度とは認識結果の尤もらしさの信頼性を示す値である。認識信頼度が高ければ認識結果が正しいと推測され、低ければ認識結果が誤っていると推測される。なお、音声認識技術としては、従来技術（例えば、［古井貞煕著、「音響・音声工学 (電子・情報工学入門シリーズ)」、近代科学社、１９９２（以下「参考文献３」という）］記載の従来技術）を用いることができる。対象音声データが話者別にステレオ録音されている場合はモノラル録音されている場合よりも音声認識が容易である。なお、モノラル録音の場合は、話者別に音声を識別するための手段と併用する。話者識別技術としては、従来技術（例えば、参考文献３記載の従来技術）を用いることができる。例えば、音声スペクトルを特徴量とし、ＧＭＭ（Gaussian Mixture Model）を用いる方法などがある。

なお、音声認識処理過程において、形態素解析、構文解析を行う場合には、音声認識の結果として得られる対象テキストデータに対応する形態素解析結果、構文解析結果を明示性推定部２４０で用いる構成としてもよい。この場合も感情推定装置２００はテキスト解析部１３０を備えなくともよい。

＜明示性推定部２４０＞
明示性推定部２４０は、認識信頼度付きの形態素解析結果と認識信頼度付きの構文解析結果との少なくとも一方を用いて、対象テキストデータ内にどの程度その意味内容が明示されているかを表す明示性特徴量を推定する（ｓ２４０）。明示性推定部２４０は省略格推定部２４１と、置換単語推定部２４３と、明示単語検出部２４４と、明示性特徴量算出部２４５と、を有する。以下、詳細を説明する。

（省略格推定部２４１）
省略格推定部２４１は、認識信頼度付きの構文解析結果を入力とし、これを用いて、対象テキストデータ内に本来あるべき省略されている格を省略格として推定し（ｓ１４１）、省略格推定結果を明示性特徴量算出部１４５へ出力する。

省略格推定部２４１は、例えば以下のようにして、省略格の推定を行う際に認識信頼度を組合せることで、誤りを含む音声認識結果に対しても頑健に省略格を推定することが可能になる。例えば、図５の対象テキストデータ中に動詞「見る」の認識信頼度が「０．８」で、動詞「驚く」の認識信頼度が「０.２」であったとする。

（１）省略格推定部２４１は、認識信頼度がある閾値以上である動詞に対する省略格の種類とその省略格の省略回数を省略格推定結果として出力する。閾値は事前に定めておく。閾値を「０．５」としていれば、認識信頼度が「０．５」以上である動詞「見る」に対する省略格（対象格）のみを集計し、置換単語推定結果として（「対象格」、１個）を出力する。
（２）置換単語推定部２４３は、省略格の種類と、その省略格に対する動詞の認識信頼度の値の和を置換単語推定結果として出力する。この場合、（「対象格」、０．８）、（「動作主格」、０．２）を出力する。

認識信頼度も絶対では無いので、認識信頼度が低いからといって必ずしも間違っているとは限らない。（１）のように閾値で単純に集計するのではなく、（２）のように集計することで、認識信頼度が低い動詞に対する省略格も推定結果に反映することができる。

（置換単語推定部２４３）
置換単語推定部２４３は、認識信頼度付きの形態素解析結果を用いて、対象テキストデータ内に本来あるべき単語の代わりに存在する単語を置換単語として推定し（ｓ２４３）、置換単語推定結果を明示性特徴量算出部１４５へ出力する。

置換単語推定部２４３は、例えば以下のようにして、置換単語の推定を行う際に認識信頼度を組合せることで、誤りを含む音声認識結果に対しても頑健に置換単語を推定することが可能になる。例えば、対象テキストデータ中に置換単語「それ」が２回出てきていたとし、１個目の「それ」の認識信頼度が「０．８」で２個目の「それ」の認識信頼度が「０.２」であったとする。

（１）置換単語推定部２４３は、認識信頼度がある閾値以上である置換単語の種類とその置換単語の出現回数を置換単語推定結果として出力する。閾値は事前に定めておく。閾値を「０．５」としていれば、認識信頼度が「０．５」以上である１個目の「それ」のみを集計し、置換単語推定結果として（「それ」、１個）を出力する。
（２）置換単語推定部２４３は、置換単語の種類と、その置換単語の認識信頼度の値の和を置換単語推定結果として出力する。この場合、（「それ」、１（＝０．８＋０．２））を出力する。

認識信頼度も絶対では無いので、認識信頼度が低いからといって必ずしも間違っているとは限らない。（１）のように閾値で単純に集計するのではなく、（２）のように集計することで、認識信頼度が低い置換単語も推定結果に反映することができる。
（明示単語検出部２４４）
明示単語検出部２４４は、認識信頼度付きの形態素解析結果を用いて、明示単語リスト記憶部１４４ａを参照し、対象テキストデータ内に存在する明示単語を検出し（ｓ２４４）、明示単語検出結果を明示性特徴量算出部１４５へ出力する。

明示単語検出部２４４は、例えば以下のようにして、明示単語の検出を行う際に認識信頼度を組合せることで、誤りを含む音声認識結果に対しても頑健に明示単語を検出することが可能になる。例えば、対象テキストデータ中に明示単語「あなた」が２回出てきていたとし、１個目の「あなた」の認識信頼度が「０．８」で２個目の「あなた」の認識信頼度が「０.２」であったとし、明示単語リスト記憶部１１４ａには図７に示す明示単語リストが記憶されているものとする。

（１）明示単語検出部２４４は、認識信頼度がある閾値以上である明示単語の種類とその明示単語の出現回数を明示単語検出結果として出力する。閾値は事前に定めておく。閾値を「０．５」としていれば、認識信頼度が「０．５」以上である１個目の「あなた」のみを集計し、明示単語検出結果として（「あなた」、１個）を出力する。
（２）明示単語検出部２４４は、明示単語の種類と、その明示単語の認識信頼度の値の和を明示単語検出結果として出力する。この場合、（「あなた」、１（＝０．８＋０．２））を出力する。

認識信頼度も絶対では無いので、認識信頼度が低いからといって必ずしも間違っているとは限らない。（１）のように閾値で単純に集計するのではなく、（２）のように集計することで、認識信頼度が低い明示単語も検出結果に反映することができる。

（明示性特徴量算出部２４５）
明示性特徴量算出部２４５は、省略格推定結果と置換単語推定結果と明示単語検出結果とを用いて、明示性特徴量を算出し（ｓ２４５）、感情識別部１６０へ出力する。例えば、明示性特徴量算出部２４５は、省略格推定結果と置換単語推定結果と明示単語検出結果とを用いて得られる以下の値の何れか、または、それらの組合せを明示性特徴量として算出する。

（１’）省略格毎の省略回数、または、各省略格に対応する動詞の認識信頼度の値の和
（２）省略格毎の省略の有無（「０」「１」情報）
（３’）省略格毎でなく、感情推定単位中に含まれる全ての省略格の合計省略回数、または、感情推定単位中に含まれる全ての省略格に対応する動詞の認識信頼度の値の和
（４）感情推定単位における省略格の有無（「０」「１」情報）
（５’）置換単語毎の出現回数、または、置換単語毎の認識信頼度の値の和
（６）置換単語毎の出現の有無（「０」「１」情報）
（７’）置換単語毎でなく、感情推定単位中に含まれる全ての置換単語の合計出現回数、または、感情推定単位中に含まれる全ての置換単語の認識信頼度の値の和
（８）感情推定単位における置換単語の出現の有無（「０」「１」情報）
（９’）明示単語毎の出現回数、または、明示単語毎の認識信頼度の値の和
（１０）明示単語毎の出現の有無（「０」「１」情報）
（１１’）明示単語毎でなく、感情推定単位中に含まれる全ての明示単語の合計出現回数、または、感情推定単位中に含まれる全ての明示単語の認識信頼度の値の和
（１２）感情推定単位における明示単語の出現の有無（「０」「１」情報）
なお、（１’）、（３’）、（５’）、（７’）、（９’）、（１１’）を用いる点が、明示性特徴量算出部１４５と異なる。

＜学習用テキストデータの明示性特徴量の算出方法＞
図１２及び図１３を用いて識別器生成部１５０で用いる学習用テキストデータの明示性特徴量の算出方法を説明する。

音声認識部２１０は、学習用音声コーパス９１から入力される学習用音声データに対して音声認識処理を行い、学習用テキストデータへ変換する。音声認識部２１０は、学習用音声データから得られる学習用テキストデータと、その学習用テキストデータ内に含まれる単語毎の認識結果の信頼性を示す認識信頼度と、を求め（ｓ２１０−２）、認識信頼度付きの学習用テキストデータをテキスト解析部１３０へ出力する。

テキスト解析部１３０は、音声認識部２１０から入力される認識信頼度付き学習用テキストデータを解析し、その学習用テキストデータから得られる認識信頼度付き形態素解析結果と、その形態素解析結果に基づき学習用テキストデータ内の係り受け関係を解析した認識信頼度付き構文解析結果とを求める（ｓ１３０−２）。

明示性推定部１４０は、学習用テキストデータから得られる認識信頼度付き形態素解析結果と、その形態素解析結果に基づき学習用テキストデータ中の係り受け関係を解析した認識信頼度付き構文解析結果と、を用いて、学習用テキストデータ内にどの程度その意味内容が明示されているかを表す明示性特徴量を推定する（ｓ２４０−２）。

つまり、特別な構成を設けずとも、対象音声データではなく、学習用音声データに基づき、前述の音声認識部２１０、テキスト解析部１３０及び明示性推定部２４０において同様の処理を行うことで、識別器生成部１５０で用いる学習用テキストデータの明示性特徴量を取得することができる。

＜効果＞
このような構成により実施例１と同様の効果を得ることができる。さらに、認識信頼度を利用することで、誤りを含む音声認識結果に対しても頑健に明示性の推定が可能となる。

韻律情報は感情の識別に有効であることは一般的に知られている。そこで、入力が音声データの場合、実施例２の感情推定装置２００に、声の高さや声の大きさ等といった韻律情報を組合せて感情を推定してもよい。

実施例３では、対象音声データのピッチやパワー等を計算し、それらの平均値や最大・最小値・分散等、さらに、それらの動的特徴量ΔやΔΔの値等を韻律的特徴量として用いる。これらの韻律的特徴量と明示性特徴量を組合せて、感情識別部において感情を識別する際に利用する。このような構成により、より推定精度を上げることができる。

＜感情推定装置３００＞
図１０及び図１１を用いて実施例３に係る感情推定装置３００を説明する。なお、実施例２と異なる部分のみ説明する。感情推定装置３００は、音声認識部２１０と、テキスト解析部１３０と、明示性推定部２４０と、識別器生成部３５０と、感情識別部３６０とに加え、さらに図１０及び図１２中、破線で示す韻律的特徴量算出部３２０と、を備える。音声認識部２１０と、テキスト解析部１３０、明示性推定部２４０の処理内容は実施例２と同様である。

＜韻律的特徴量算出部３２０＞
韻律的特徴量算出部３２０は、対象音声データを用いて、その韻律的特徴量を算出する（図１１中、破線で示すｓ３２０）。韻律的特徴量を算出する技術としては、従来技術（例えば、参考文献３記載の従来技術）を用いることができる。韻律的特徴量としてピッチ（声の高さ）やパワー（声の大きさ）等を利用する。例えば、以下の値の何れか、または、それらの組合せを韻律的特徴量として算出する。
（Ａ）：ピッチの平均値
（Ｂ）：ピッチの最大値
（Ｃ）：ピッチの分散値
（Ｄ）：パワーの平均値
（Ｅ）：パワーの最大値
（Ｆ）：パワーの分散値
（Ｇ）：（Ａ）〜（Ｆ）の何れかの増分Δ
（Ｈ）：（Ｇ）の増分ΔΔ
なお、（Ｇ）や（Ｈ）を用いることで急峻な立ち上がりなど変動の大きさを捉えることができる。明示性特徴量と同様に、韻律的特徴量の要素数を増やすと後述する感情識別部３６０における識別の精度は上がるが、計算量も増える。よって、実験等により韻律的特徴量の要素を予め決定しておいてもよい。

＜感情識別部３６０＞
感情識別部３６０は、学習用テキストデータの明示性特徴量に加え、学習用テキストデータに対応する学習用音声データの韻律的特徴量から予め学習された識別器を用いて、対象音声データ内に怒りの感情が表現されているか否かを、明示性推定部２４０で推定された明示性特徴量と韻律的特徴量算出部３２０で推定された韻律的特徴量とから識別し（ｓ３６０）、識別結果を感情推定装置３００の推定結果として出力する。

＜識別器生成部３５０＞
識別器生成部３５０は、教師信号付きの学習用テキストデータの明示性特徴量に加え、教師信号付きの学習用テキストデータに対応する学習用音声データの韻律的特徴量から識別器を学習し、生成する（図１３のｓ３５０）。なお、教師信号とは、対応する学習用テキストデータ及び学習用音声データに怒りの感情が表現されているか否かを示す情報である。実施例３では、明示性特徴量に加え、韻律的特徴量を考慮するため、人が各学習用音声データを聴き、さらに、人が学習用テキストデータを見て、学習用テキストデータ及び学習用音声データに怒りの感情が表現されているか否かを総合的に判断し、各学習用テキストデータに教師信号を付加する。

＜学習用テキストデータの明示性特徴量の算出方法＞
図１２及び図１３を用いて識別器生成部３５０で用いる学習用音声データの韻律的特徴量と学習用テキストデータの明示性特徴量の算出方法を説明する。

韻律的特徴量算出部３２０は、学習用音声コーパス９１から入力される学習用音声データを用いて、その韻律的特徴量を算出し（図１２中、破線で示すｓ３２０−２）、識別器生成部３５０へ出力する。

実施例２と同様の処理（ｓ２１０−２〜ｓ２４０−２）によって、学習用テキストデータの明示性特徴量を推定し、識別器生成部３５０へ出力する。

つまり、特別な構成を設けずとも、対象音声データではなく、学習用音声データに基づき、前述の韻律的特徴量算出部３２０、音声認識部２１０、テキスト解析部１３０及び明示性推定部１４０において同様の処理を行うことで、識別器生成部３５０で用いる学習用音声データの韻律的特徴量と学習用テキストデータの明示性特徴量を取得することができる。

＜効果＞
このような構成により、韻律的特徴量を考慮することができ、さらに識別性能を向上させることが可能になる。

［変形例］
実施例３において韻律的特徴量算出部３２０において、対象音声データの韻律的特徴量を算出しているが、音声認識処理の過程において、韻律的特徴量を算出できる場合には、別途、韻律的特徴量算出部３２０を設けずに、音声認識部２１０の一部としてもよい。

実施例３では、音声認識部２１０において、認識信頼度付き学習用テキストデータを出力しているが、認識信頼度が付加されていない学習用テキストデータを用いてもよい。その場合には、明示性推定部２４０に代えて実施例１の明示性推定部１４０を用いればよい。

近年、企業の抱えるコールセンタに集まる顧客からの要望や不満といった生の声から、企業にとって何か有益な情報を得ようとする動きが盛んである。またコールセンタは企業の顔という機能としても重要視され始め、顧客が企業に対し抱くイメージを向上させるために、コールセンタのサービスの質の向上も企業は力を入れている。そのような中で、顧客が怒っているクレーム通話を自動で見つけ出す技術がこれまで以上に望まれている。そこで感情推定装置２００を利用したモニタリングシステムについて説明する。

＜モニタリングシステム４００＞
図１４に示すようにモニタリングシステム４００は、前述の感情推定装置２００と、入力部４８０と、出力部４９０と、を備える。モニタリングシステム４００は、コールセンタ等に設置され、顧客からコールセンタへの着信や、コールセンタから顧客への発信をモニタリングし、クレーム通話を検出する。

感情推定装置２００は、入力部４８０を介して、対象音声データＣ_１，Ｃ_２，…，Ｃ_Ｎ（但し、Ｎは１以上の整数）を受け取る。入力部４８０は、例えば、音声入力端子等である。なお、入力部４８０は、コールセンタ内に設置された電話機１_１，１_２，…，１_Ｎと接続されており、モニタリングシステム４００は、リアルタイムで、顧客とオペレータの通話内容を対象音声データとして受け取ることができる。

感情推定装置２００は、対象音声データを予め定めた感情推定単位に分割し、感情推定単位毎に感情を推定し、電話機の識別子Ｐ_１，Ｐ_２，…，Ｐ_Ｎとその推定結果Ｅ_１，Ｅ_２，…，Ｅ_Ｎを随時、出力部４９０に出力する。

出力部４９０は、例えば、ディスプレイ等である。出力部４９０は、電話機の識別子とその推定結果を表示する（図１５参照）。

＜効果＞
このような構成とすることによって、コールセンタの管理者等は、リアルタイムでオペレータの応対状況を監視することができ、クレームの発生を迅速に検出して対応することができる。

［変形例１］
＜モニタリングシステム５００＞
図１６に示すようにモニタリングシステム５００は、前述の感情推定装置２００と、入力部５８０と、出力部５９０と、を備える。モニタリングシステム５００は、コールセンタ等に設置され、顧客からコールセンタへの着信や、コールセンタから顧客への発信を通話データベース２から取得し、通話記録等からクレーム通話を検出する。

また、入力部５８０は、データ転送インターフェース等である。例えば、コールセンタの通話記録等を全て記憶する通話データベース２と入力部４８０とを接続することで、モニタリングシステム５００は、記憶された通話記録を対象音声データとして受け取ることができる。なお、通話データベース２に記憶される際に、対象音声データには、その対象音声データに対応する電話機の識別子、オペレータの識別子、対象音声データの開始時刻と、対象音声データの終了時刻等が付加されるものとする。

感情推定装置２００は、１通話分の対象音声データの感情を推定し、電話機の識別子、オペレータの識別子、対象音声データの開始時刻と、対象音声データの終了時刻、その推定結果等を、出力部５９０に出力する。

出力部５９０は、例えば、ディスプレイやプリンタ等であり、画面や紙に受け取ったデータ（電話機の識別子、オペレータの識別子、対象音声データの開始時刻と、対象音声データの終了時刻、その推定結果等）を表示する（図１７参照）。

＜効果＞
大量の通話記録を聴き起こしながらクレーム通話を探索する作業は非常に大きな人的コストがかかるが、このような構成により、自動的にクレーム通話を検出することができ、出力結果に基づき、通話データベースから容易にクレーム通話を探索することができる。このように探索したクレーム通話を分析することで、顧客の強い要望や不満、商品・サービスの不具合や問題点の発見につながる。またクレーム通話を引き起こすようなオペレータ応対の問題点の発見につながる。

［その他の変形例］
感情推定装置として、実施例３の感情推定装置３００や実施例１の感情推定装置の前段に音声認識部を設けた装置を用いてもよい。

＜プログラム及び記録媒体＞
上述した感情推定装置やモニタリングシステムは、コンピュータにより機能させることもできる。この場合はコンピュータに、目的とする装置（各実施例で図に示した機能構成をもつ装置）として機能させるためのプログラム、またはその処理手順（各実施例で示したもの）の各過程をコンピュータに実行させるためのプログラムを、ＣＤ−ＲＯＭ、磁気ディスク、半導体記憶装置などの記録媒体から、あるいは通信回線を介してそのコンピュータ内にダウンロードし、そのプログラムを実行させればよい。

９０ 学習用テキストコーパス
９１ 学習用音声コーパス
１００，２００，３００ 感情推定装置
２１０ 音声認識部
３２０ 韻律的特徴量算出部
１３０ テキスト解析部
１３１ 形態素解析部
１３３ 構文解析部
１４０，２４０ 明示性推定部
１４１，２４１ 省略格推定部
１４３，２４３ 置換単語推定部
１４４，２４４ 明示単語検出部
１４４ａ 明示単語リスト記憶部
１４５，２４５ 明示性特徴量算出部
１５０，３５０ 識別器生成部
１６０，３６０ 感情識別部
４００，５００ モニタリングシステム
４８０，５８０ 入力部
４９０，５９０ 出力部

Claims (10)

1. 対象テキストデータの形態素解析結果と構文解析結果との少なくとも一方を用いて、前記対象テキストデータ内にどの程度その意味内容が明示されているかを表す明示性特徴量を推定する明示性推定部と、
   怒りの感情が表現されているか否かを示す教師信号付きの学習用テキストデータの明示性特徴量から予め学習された識別器を用いて、前記対象テキストデータ内に怒りの感情が表現されているか否かを、前記明示性推定部で推定された前記対象テキストデータの明示性特徴量から識別する感情識別部と、を備える、
   感情推定装置。
2. 請求項１記載の感情推定装置であって、
   前記明示性推定部は、
   前記構文解析結果を用いて、前記対象テキストデータ内に本来あるべき省略されている格を推定する省略格推定部を有する、
   感情推定装置。
3. 請求項１または請求項２記載の感情推定装置であって、
   前記明示性推定部は、
   前記形態素解析結果を用いて、前記対象テキストデータ内に本来あるべき単語の代わりに存在する単語を推定する置換単語推定部を有する、
   感情推定装置。
4. 請求項１から請求項３の何れかに記載の感情推定装置であって、
   前記明示性推定部は、
   平常発話において、省略されやすい単語を予め記憶しておく明示単語リスト記憶部と、
   前記形態素解析結果を用いて、前記明示単語リスト記憶部を参照し、前記対象テキストデータ内に存在する明示単語を検出する明示単語検出部と、を有する、
   感情推定装置。
5. 請求項２から請求項４の何れかに記載の感情推定装置であって、
   前記明示性推定部は、
   省略格推定部の推定結果と、置換単語推定部の推定結果と、明示単語検出部の検出結果とのうち少なくとも１つを用いて、前記明示性特徴量を算出する明示性特徴量算出部をさらに有する、
   感情推定装置。
6. 請求項１から請求項５の何れかに記載の感情推定装置であって、
   対象音声データに対して音声認識処理を行い、その対象音声データから得られる対象テキストデータと、その対象テキストデータ内に含まれる単語毎の認識結果の信頼性を示す認識信頼度と、を求める音声認識部をさらに備え、
   前記明示性推定部は、前記認識信頼度付きの前記対象テキストデータの前記形態素解析結果と前記構文解析結果との少なくとも一方を用いて、前記対象テキストデータ内にどの程度その意味内容が明示されているかを表す明示性特徴量を推定する、
   感情推定装置。
7. 請求項６に記載の感情推定装置であって、
   前記対象音声データを用いて、その韻律的特徴量を算出する韻律的特徴量算出部をさらに備え、
   前記感情識別部は、前記学習用テキストデータの明示性特徴量に加え、前記学習用テキストデータに対応する学習用音声データの韻律的特徴量を利用して予め学習された識別器を用いて、前記対象音声データ内に怒りの感情が表現されているか否かを、前記明示性推定部で推定された明示性特徴量と前記韻律的特徴量算出部で算出された韻律的特徴量とから識別する、
   感情推定装置。
8. 対象テキストデータの形態素解析結果と構文解析結果との少なくとも一方を用いて、前記対象テキストデータ内にどの程度その意味内容が明示されているかを表す明示性特徴量を推定する明示性推定ステップと、
   怒りの感情が表現されているか否かを示す教師信号付きの学習用テキストデータの明示性特徴量から予め学習された識別器を用いて、前記対象テキストデータ内に怒りの感情が表現されているか否かを、前記明示性推定ステップで推定された前記対象テキストデータの明示性特徴量から識別する感情識別ステップと、を備える、
   感情推定方法。
9. 請求項１から請求項８の何れかに記載の感情推定装置としてコンピュータを機能させるためのプログラム。
10. 請求項９記載のプログラムを記録したコンピュータ読み取り可能な記録媒体。

Images