JP2013161119A - 顧客意見分析装置及びプログラム - Google Patents

Abstract

【課題】顧客の不満・意見・苦情を確実に判別する顧客意見分析装置を提供する。
【解決手段】中央制御部２５は、入力された「顧客の声」としての文に対する事例モデルの判別機能部である事例モデルベース判別部１８、文モデルの判別機能部である文モデルベース判別部１９、及び最終文モデルの判別機能部としての最終文モデルベース判別部２０それぞれにおける、「顧客の声」についてのクラス判別結果を統合する。そして、統合結果をもとに顧客の意見を判別する。
【選択図】図１

Description

本発明は、顧客意見分析装置及びプログラムに係り、特に、顧客の声から苦情、意見、及び要望を抽出する顧客意見分析装置及びプログラムに関する。

企業等において、自社が販売した製品や提供したサービスに関する顧客からの意見・要望をもとに、よりユーザフレンドリ、かつ高品質な製品の改良・開発に役立てることが近年、非常に重要となっている。

例えば、特許文献１は、自由記述式のアンケート回答文に記載された自然文を解析し、その解析によって抽出された意見が肯定的評価を与えているか、否定的評価を与えているかの評価、及びその評価の強さを判定することによって、提供された意見を分類して処理する自然文処理装置を開示している。

また、特許文献２には、文書検索部等によりインターネット上の文書を収集し、検索された文書から問題点や苦情に関する情報を風評として抽出して、この風評表現と、クレーム、要望、賞賛等の意図抽出表現とを含む解析結果を風評抽出結果として出力する情報監視装置が記載されている。このとき、クレーム、要望、賞賛それぞれに対して風評抽出規則が定義され、風評表現に合致した風評抽出規則の重みを、文書の意図スコアに加算する。

一方、特許文献３の苦情／問合せ分析システムは、顧客からの苦情／問合せ情報を、いわゆる５Ｗ１Ｈの観点で整理して、分析する際の入力情報の漏れを防止している。また、特許文献４は、入力された対象物名に関連する意見から分析条件を満たす意見の特徴を分析し、意見から抽出した単語、または単語の組合わせごとに対象物を比較した結果を依頼者に提示する意見収集分析装置を開示している。

特開２００２−１４０４６５号公報 特開２００３−２７１６０９号公報 特開平８−３１４８９３号公報 特開２００６−２８６０２６号公報

上述した特許文献１に記載の自然文処理装置では、顧客の意見が肯定的評価か、あるいは否定的評価かを判断する際、回答文の構文解析において、その文の主語と述語を抽出したり、あるいは主語、目的語、述語を意見とする等、文を単位として回答文の解析をしているため、事例全体、文、最終文等の様々な特徴をとらえたモデルを構築できないという問題がある。同様に、特許文献２に記載の装置も、風評表現に付与された重みを抽出意図別に加算して、検索された文書の意図スコアを作成して風評抽出結果として出力することで、検索された文書の風評を定量的に把握するが、単語の連接に対してスコアを定めているため、事例全体、文、最終文等の様々な特徴をとらえたモデルを構築できない問題がある。

特許文献３に記載のシステムでは、苦情／問合せ情報として、あらかじめ決められた体系により分類したデータを想定しているため、苦情と問合せとが混在したデータの場合、対応策が異なる顧客の意見に対して適切な対応ができないという問題がある。また、特許文献４に係る装置においても、苦情・意見と、苦情・意見以外とを区別していないので、対応策が違う依頼者の意見に対して適切な処理ができないという問題がある。

本発明は、上述した課題を解決するために提案されたものであり、その目的は、顧客の声から、苦情等を効率的、かつ高精度に抽出できる顧客意見分析装置及びプログラムを提供することである。

上記の目的を達成するため、本発明に係る顧客意見分析装置は、少なくとも１つの文からなる入力文に対して形態素解析を行う形態素解析手段と、前記形態素解析手段による形態素解析の結果と、前記入力文の全体に対する特徴ベクトルを用いた所定の機械学習により予め生成された第１学習モデルとに基づいて、前記入力文に含まれる該入力文の提供者の声をクラス判別する第１クラス判別手段と、前記形態素解析手段による形態素解析の結果と、前記入力文を分割した各文に対する特徴ベクトルを用いた所定の機械学習により予め生成した第２学習モデルとに基づいて、前記入力文に含まれる該入力文の提供者の声をクラス判別する第２クラス判別手段と、前記形態素解析手段による形態素解析の結果と、前記入力文の最終文に対する特徴ベクトルを用いた所定の機械学習により予め生成した第３学習モデルとに基づいて、前記入力文に含まれる該入力文の提供者の声のクラス判別をする第３クラス判別手段と、前記第１クラス判別手段、前記第２クラス判別手段、及び前記第３クラス判別手段のうち少なくとも１つのクラス判別手段によって前記提供者の声が不満・意見・要望とクラス判別された場合、該提供者の声を不満・意見・要望と判別するクラス判別決定手段と、を備える。

本発明によれば、上記構成とすることで、入力文提供者の声、すなわち、「顧客の声」から、苦情、意見、要望を精度良く抽出することができる。

また、本発明に係る顧客意見分析装置は、前記第１クラス判別手段は、前記入力文全体から単語の原形を抽出し、該単語の原形と該単語の原形のbigramを特徴量として抽出し、抽出した特徴量と、前記第１学習モデルとに基づいて、クラス判別し、前記第２クラス判別手段は、前記入力文を分割した各文から単語の原形を抽出し、各文について該単語の原形と該単語の原形のbigramを特徴量として抽出し、各文について抽出した特徴量と、前記第２学習モデルとに基づいて、クラス判別し、前記第３クラス判別手段は、前記入力文の最終文から単語の原形を抽出し、該単語の原形と該単語の原形のbigramを特徴量として抽出し、抽出した特徴量と、前記第３学習モデルとに基づいて、クラス判別する。

本発明において、前記第１クラス判別手段、前記第２クラス判別手段、及び前記第３クラス判別手段の各々は、前記提供者の声を前記不満・意見・要望と、不満・意見・要望以外とにクラス判別することを特徴とする。

また、本発明において、前記クラス判別決定手段は、前記第１クラス判別手段、前記第２クラス判別手段、及び前記第３クラス判別手段による判別結果の多数決をとることにより、前記提供者の声を前記不満・意見・要望、又は前記不満・意見・要望以外と判別することを特徴とする。

本発明において、前記クラス判別決定手段は、前記第１クラス判別手段、前記第２クラス判別手段、及び前記第３クラス判別手段のうち、予め特定したクラス判別手段が前記提供者の声を不満・意見・要望とクラス判別した場合、該提供者の声を不満・意見・要望と決定することを特徴とする。

本発明において、前記提供者には、少なくとも顧客、ユーザ、及び消費者が含まれることを特徴とする。

本発明のプログラムは、コンピュータを、少なくとも１つの文からなる入力文に対して形態素解析を行う形態素解析手段、前記形態素解析手段による形態素解析の結果と、前記入力文の全体に対する特徴ベクトルを用いた所定の機械学習により予め生成された第１学習モデルとに基づいて、前記入力文に含まれる該入力文の提供者の声をクラス判別する第１クラス判別手段、前記形態素解析手段による形態素解析の結果と、前記入力文を分割した各文に対する特徴ベクトルを用いた所定の機械学習により予め生成した第２学習モデルとに基づいて、前記入力文に含まれる該入力文の提供者の声をクラス判別する第２クラス判別手段、前記形態素解析手段による形態素解析の結果と、前記入力文の最終文に対する特徴ベクトルを用いた所定の機械学習により予め生成した第３学習モデルとに基づいて、前記入力文に含まれる該入力文の提供者の声のクラス判別をする第３クラス判別手段、及び前記第１クラス判別手段、前記第２クラス判別手段、及び前記第３クラス判別手段のうち少なくとも１つのクラス判別手段によって前記提供者の声が不満・意見・要望とクラス判別された場合、該提供者の声を不満・意見・要望と判別するクラス判別決定手段として機能させる。

本発明に係る顧客意見分析装置は、顧客から寄せられた声（意見）の分析結果に基づいて、顧客の不満・意見・苦情を確実に、かつ精度よく検出できる、という優れた効果を有する。

本発明の実施形態に係る顧客意見分析装置の全体構成を概略的に示すブロック図である。 （ａ）は「不満・意見・要望」の事例に、（ｂ）は「不満・意見・要望以外」の事例にそれぞれ対応する、事例モデルの構築を説明するための図である。 （ａ）は「不満・意見・要望」の事例に、（ｂ）は「不満・意見・要望以外」の事例にそれぞれ対応する、文モデルの構築を説明するための図である。 （ａ）は「不満・意見・要望」の事例に、（ｂ）は「不満・意見・要望以外」の事例にそれぞれ対応する、最終文モデルの構築を説明するための図である。 顧客意見分析装置による「顧客の声」の意見分析手順を示すフローチャートである。 判別結果の統合処理を示すフローチャートである。

以下、添付図面を参照して本発明の実施形態について詳細に説明する。図１は、本発明の実施形態に係る顧客意見分析装置の全体構成を概略的に示すブロック図である。図１に示す顧客意見分析装置１０において、入力部１１には、「顧客の声」としての文が入力され、顧客意見分析部として機能する中央制御部２５において顧客の意見が分析される。そして、顧客意見分析装置１０は、顧客の意見の分析結果を、例えば、顧客意見クラスの判別結果として出力部２３より出力する。

入力部１１には、後述する意見等の判別処理の対象となる「顧客の声」が文として入力され、例えば、その文のデータが記憶されているメモリや、その文のデータを出力する他のコンピュータ、キーボード等の入力装置等を含んで構成される。顧客意見分析装置１０を、後述するようにコールセンターで使用する場合には、「顧客の声」は文として書き起こされ、その文が入力部１１に入力される。ここでは、顧客が文の提供者である。

顧客意見分析装置１０の中央制御部２５は、例えばマイクロプロセッサからなるＣＰＵ(Central Processing Unit)であり、入力部１１より入力された顧客の意見を分析するため、事例モデルの学習処理機能部、文モデルの学習処理機能部、及び最終文モデルの学習処理機能部を有する。事例モデルの学習処理機能部は、形態素解析部１２からの出力を受けて動作するBigram生成部１５を含んで構成される。また、文モデルの学習処理機能部は、形態素解析部１２からの出力を受けて動作する文分割部１３と、Bigram生成部１６とを含んで構成される。さらに、最終文モデルの学習処理機能部は、形態素解析部１２からの出力を受けて動作する最終文抽出部１４と、Bigram生成部１７と、を含んで構成される。

また、中央制御部２５は、入力部１１より入力された顧客の意見を判別する、事例モデルの判別機能部、文モデルの判別機能部、及び最終文モデルの判別機能部を有する。事例モデルの判別機能部は、Bigram生成部１５と、事例モデルベース判別部１８とを含んで構成される。また、文モデルの判別機能部は、文分割部１３と、Bigram生成部１６と、文モデルベース判別部１９とを含んで構成される。さらに、最終文モデルの判別機能部は、最終文抽出部１４と、Bigram生成部１７と、最終文モデルベース判別部２０とを含んで構成される。

これら事例モデルベース判別部１８、文モデルベース判別部１９、及び最終文モデルベース判別部２０それぞれにおける判別結果は、判別結果統合部２１で統合され、ユーザからの声、すなわち「顧客の声」の分析結果として出力部２３より出力される

中央制御部２５は、データバスＢを介して接続された、読み取り専用メモリ（ＲＯＭ）である記憶部２８ａに格納された、「顧客の声」の分析制御手順を示す意見分析プログラム２８ｂにしたがって、後述する意見分析処理を実行するとともに、オペレーティングシステム（ＯＳ）等の基本プログラム等により顧客意見分析装置１０全体の制御を司る。また、データバスＢを介して中央制御部２５に接続されたメモリ（随時読出し／書込みメモリ（ＲＡＭ））２７に、意見分析処理制御等に用いる各種データが一時的に記憶される。

さらに、顧客意見分析装置１０は、データバスＢを介して接続された、事例モデルについての学習器による学習処理結果を格納する事例モデル格納部３１と、文モデルについての学習器による学習処理結果を格納する文モデル格納部３２と、最終文モデルについての学習器による学習処理結果を格納する最終文モデル格納部３３とを含んで構成される。

ここで、本実施形態に係る顧客意見分析装置における学習処理について説明する。

まず、入力部１１に「顧客の声」、例えば、インターネット、コールセンター等に寄せられるユーザの声が複数の事例文として入力されると、顧客意見分析装置１０の中央制御部２５は、形態素解析部１２における動作により、入力された各事例文を形態素解析する。入力された各事例文は、形態素解析により名詞、助詞、動詞等の単語に分解される。

例えば、形態素解析部１２は、分解した入力事例文に対応する形態素列とともに、各形態素の属性情報、及び各形態素の読み情報を出力する。なお、形態素とは、その文を構成している単語であり、意味を持つ最小言語単位をいう。また、形態素の属性情報とは、その形態素の品詞名、活用形を有する品詞（例えば、動詞、助動詞等）の場合は品詞名及びその活用形（例えば、未然形、終止形、連体形等）、及びその形態素が助詞である場合は、品詞名及びその語彙（単語自体）を含む情報である。

そこで、中央制御部２５は、Bigram生成部１５における動作により、入力された事例文全体について単語原形のbigramの対を作成する。そして、事例文全体から特徴量を抽出する。
図２は、事例モデルの構築を説明するための図である。ここでは、事例文全体に対する特徴ベクトルを用いた機械学習を行う。具体的には、事例文全体から特徴量として単語原形、及び単語原形のbigramを抽出し、抽出結果に対して学習器、例えば、サポートベクターマシン(Support Vector Machine，SVM)を用いて学習させることができる。なお、学習器はＳＶＭに限定されるものではなく、所定の学習機能を実現できるものであれば、例えば、ＣＲＦ(Conditional Random Fields)等の他の方法を用いてもよい。

図２（ａ）は、顧客からの声として、「不満・意見・要望」を表す事例文「カップホルダーはジュースを置いたりできるので便利。ただ大きなカップを置くとＣＤの入口にかぶってしまってＣＤが取りだせないのがやや難点。このくらいのカップが置けないなんて大きいカップはいったいどうしろというんだろう。」（以降において、例文１と呼ぶ。）から特徴抽出を行って、単語原形のbigramの対を作成した例を示している。

また、図２（ｂ）は、顧客からの声として、「不満・意見・要望」以外の声、すなわち、「不満・意見・要望以外」（満足、問合せ）を表す事例文「カップホルダーのおかげで運転中も安心なので重宝する。また小物を入れるのにも意外と使える。だって暑い夏とか指輪を外して運転したい時って多いんだもの。カップホルダーに入れておけばなくならないから便利。」（以降において、例文２と呼ぶ。）より特徴抽出を行って、単語原形のBigramの対を作成した例を示している。

なお、本実施形態において、「顧客の声」を「不満・意見・要望」と「不満・意見・要望以外」とに分けたのは、ユーザの多くが、製品に対して満足度を表明したり、忠告を与えたり、改善を要求するのが通例であることに鑑みて、顧客の意見を分析する際、これらが実用上、特に重要なカテゴリーに属すると考えられるからである。

事例モデルを構築する場合、例文１に含まれる単語原形と、単語原形のbigramを特徴量とする。ここでは、事例全体でbigramを作成する。つまり、複数の文をまたいだbigramも作成するので、例えば、１文目の最後の単語「便利」と、２文目の最初の単語「ただ」とによって、「便利，ただ」というbigramが作成される。例文２についても、例文１と同様に特徴抽出が行われ、事例モデルを構築する。このように、事例モデルの構築において、「不満・意見・要望」の事例をひとまとまりとして特徴抽出を行い、「不満・意見・要望以外」の事例も、ひとまとまりとして特徴抽出を行う。
中央制御部２５は、複数の事例文について事例文全体から抽出された特徴量に基づいてＳＶＭを用いて学習した結果（学習モデル）を、事例モデルとして事例モデル格納部３１に格納する。
このように事例モデルを構築することによって、事例全体を読まなければ、「顧客の声」が「不満・意見・要望」か、あるいは「不満・意見・要望以外」かの判断ができないような事例においても、その事例を適切にモデル化することができる。

一方、本実施形態に係る顧客意見分析装置において、文モデルを構築する場合、分割された各文に対する特徴ベクトルを用いた機械学習を行う。具体的には、中央制御部２５は、文分割部１３における動作によって、入力された事例文全体を文に分割する。Bigram生成部１６における動作により、分割された各文に対して単語bigramの対を作成する。そして、特徴量を抽出し、ＳＶＭによる学習処理をする。

図３は、文モデルの構築を説明するための図であり、図３（ａ）は、「不満・意見・要望」を表す例文１を、「カップホルダーはジュースを置いたりできるので便利」「ただ大きなカップを置くとＣＤの入口にかぶってしまってＣＤが取りだせないのがやや難点」「このくらいのカップが置けないなんて大きいカップはいったいどうしろというんだろう」の３つの文に分割した例を示している。ここでは、分割した各文から特徴抽出を行って、単語bigramの対を作成し、各文それぞれについて、「不満・意見・要望」の事例として学習する。

ここでは、文モデル構築の際、分割された個々の文に対して、不満か否かを示す教師信号を与え、ＳＶＭ学習器にかける。つまり、１つ１つの文が個別に不満か、それ以外かの正解を持って学習する。また、図３（ｂ）は、「不満・意見・要望以外」を表す例文２を３つの文に分割した例であり、分割された例文２も、上記例文１と同様に特徴量を抽出し、ＳＶＭによる学習処理をする。

中央制御部２５は、複数の事例文について各文から抽出された特徴量に基づいてＳＶＭを用いて学習した結果（学習モデル）を、文モデルとして文モデル格納部３２に格納する。
上記のような文モデルの構築によって、例えば、例文１の場合、「ただ大きなカップを置くとＣＤの入口にかぶってしまってＣＤが取りだせないのがやや難点」のように、１文を読むだけで明確に、「顧客の声」が「不満・意見・要望」と判断できる事例を適切にモデル化することができる。

次に、本実施形態に係る顧客意見分析装置において、最終文モデルを構築する場合には、最終文に対する特徴ベクトルを用いた機械学習を行う。具体的には、中央制御部２５は、最終文抽出部１４における動作によって、入力された事例文の中から最終文のみを抽出する。Bigram生成部１７における動作により、抽出された最終文に対して単語bigramの対を作成する。そして、最終文から特徴量を抽出し、ＳＶＭによる学習処理をする。

図４は、最終文モデルの構築を説明するための図であり、図４（ａ）は、「不満・意見・要望」を表す例文１のうち、「このくらいのカップが置けないなんて大きいカップはいったいどうしろというんだろう」の最終文から特徴抽出を行って、単語bigramの対を作成し、その最終文について、「不満・意見・要望」の事例として学習する例を示している。また、図４（ｂ）は、「不満・意見・要望以外」を表す例文２から、「カップホルダーに入れておけばなくならないから便利」を最終文とした例であり、例文２についても、上記例文１と同様に特徴量を抽出し、ＳＶＭによる学習処理をする。

中央制御部２５は、複数の事例文について最終文から抽出された特徴量に基づいてＳＶＭを用いて学習した結果（学習モデル）を、最終文モデルとして最終文モデル格納部３３に格納する。このように、事例文の最終文のみを読めば、それが「不満・意見・要望」か、あるいは「不満・意見・要望以外」かの判断が可能な場合が多いという事実から、最終文モデルの構築では、例文の１文目、２文目等を使用しないで、最終文のみから特徴を抽出することで、効率的で精度のよい最終文モデルを構築できる。特に、「不満・意見・要望以外」は「問い合わせ」でもあることから、最終文で取り易い。そのため、このような場合のモデル構築には、最終文モデルが有効である。
次に、本実施形態に係る顧客意見分析装置における顧客意見の分析処理の手順について説明する。図５は、本実施形態に係る顧客意見分析装置の意見分析プログラムによって「顧客の声」について意見分析する手順を示すフローチャートである。図５のステップＳ１１において、入力部１１に「顧客の声」、例えば、インターネット、コールセンター等に寄せられるユーザの声が文として入力されると、顧客意見分析装置１０の中央制御部２５は、続くステップＳ１３で、形態素解析部１２における動作により、入力された文を形態素解析する。入力された文は、形態素解析により名詞、助詞、動詞等の単語に分解され、次段に接続された機能部へ出力される。

中央制御部２５は、ステップＳ１５において、Bigram生成部１５における動作により、入力された文全体について単語原形のbigramの対を作成する。そして、続くステップＳ１７で、入力された文全体から特徴量を抽出する。

中央制御部２５は、ステップＳ１９において、事例モデルが格納された事例モデル格納部３１から、ＳＶＭを用いて学習した結果（学習モデル）を取得する。そして、ステップＳ２１で、上記ステップＳ１７で抽出された特徴量と、上記ステップＳ１９で得られた事例モデルとに基づいて、「顧客の声」をクラス判別する。

一方、本実施形態に係る顧客意見分析装置において、文モデルを用いた意見の判別処理を行う。具体的には、中央制御部２５は、図５のステップＳ２５において、文分割部１３における動作によって、入力された文を文に分割する。ステップＳ２７では、Bigram生成部１６における動作により、分割された各文に対して単語原形のBigramの対を作成する。そして、続くステップＳ２９で、各文について特徴量を抽出する。
中央制御部２５は、ステップＳ３１において、文モデルが格納された文モデル格納部３２から、ＳＶＭを用いて学習した結果（学習モデル）を取得する。そして、ステップＳ３３で、上記ステップＳ３１で得られた文モデルと、上記ステップＳ２９で抽出された特徴量とに基づいて、分割した各文について「顧客の声」をクラス判別する。

次に、本実施形態に係る顧客意見分析装置において、最終文モデルを用いた判別処理を行う。具体的には、中央制御部２５は、図５のステップＳ３５において、最終文抽出部１４における動作によって、入力された文の中から最終文のみを抽出する。ステップＳ３７では、Bigram生成部１７における動作により、抽出された最終文に対して単語原形のBigramの対を作成する。そして、続くステップＳ３９で、最終文から特徴量を抽出する。

中央制御部２５は、ステップＳ４１において、最終文モデルが格納された最終文モデル格納部３３から、ＳＶＭを用いて学習した結果（学習モデル）を取得する。そして、ステップＳ４３で、上記のステップＳ３９で抽出された特徴量と、上記ステップＳ４１で得られた最終文モデルとに基づいて、「顧客の声」のクラス判別をする。このように、事例文の最終文のみを読めば、それが「不満・意見・要望」か、あるいは「不満・意見・要望以外」かの判断が可能な場合が多いという事実から、最終文モデルを用いて判別を行う。

次に、中央制御部２５は、ステップＳ４５で、上記のステップＳ２１で事例モデルに基づいて「顧客の声」をクラス判別した結果と、上記ステップＳ３３で文モデルに基づいて「顧客の声」をクラス判別した結果と、上記ステップＳ４３で最終文モデルに基づいて「顧客の声」のクラス判別をした結果とを統合して、「顧客の声」の判別を行い、その判別結果を出力する。

図６は、本実施形態に係る顧客意見分析装置において、「顧客の声」のクラス判別結果を統合する処理の詳細を示すフローチャートである。中央制御部２５は、「顧客の声」のクラス判別結果の統合処理として、図６のステップＳ５１で、本実施形態に係る顧客意見分析装置１０の使用環境に基づいて、後述する切り替えを行う。

ここで、顧客意見分析装置１０の使用環境について説明する。本実施形態に係る顧客意見分析装置１０の使用者、運用者等は、例えば、顧客意見分析装置１０内のメモリ２７に、顧客意見分析装置１０の使用環境を予め登録しておくか、あるいは、図示を省略するが、顧客意見分析装置１０にスイッチ、キーボード等の入力装置を接続し、適宜、その入力装置を使用して使用環境を選択できるようになっている。すなわち、顧客意見分析装置１０は、その使用環境を、例えば、「顧客の声」の分析態様等との関係をもとに適宜、切り替え、使い分けが可能な構成となっている。

より具体的には、例えば、コールセンターは、そこに寄せられる多くの電話やメールが企業等への顧客からの直接の声として、取り逃がしてはならない現場であると考えられるため、「顧客の声」に不満が含まれていれば、何時でも取り上げる必要がある。つまり、コールセンターでは、「顧客の声」に少しでも不満が感じ取られる場合には、それを拾い上げることが重要な環境にある。

このような環境にある場合、顧客意見分析装置１０は、図６の選択Ｂのルーチン、すなわち、クラス判別の根拠となった、上述した３種類のモデル化のうち、１つ以上のモデルが「不満・意見・要望」を示していれば、「顧客の声」は「不満・意見・要望」であると判断する処理に入る。

そこで、中央制御部２５は、図６のステップＳ５３において、３つのモデル化のうち、１つ以上のモデルが「不満・意見・要望」を示しているかどうかを判断する。少なくとも１つのモデルが「不満・意見・要望」を示していれば、ステップＳ５５で、「顧客の声」の判別結果として「不満・意見・要望」を出力する。そうでなければ、「顧客の声」が「不満・意見・要望」ではないとして、ステップＳ５７において、「不満・意見・要望以外」を出力する。

よって、コールセンターのように、「顧客の声」から、できるだけ広く不満や意見を吸い上げる環境にある場合には、少なくとも１つのモデルが「不満・意見・要望」を示していれば、「顧客の声」は「不満・意見・要望」である、とする処理を行う。

これに対して、「顧客の声」に何らかの不満がある場合にそれを拾い上げる環境（現場）では、顧客意見分析装置１０は、図６の選択Ａのルーチンを実行する。つまり、中央制御部２５は、選択Ａにおける処理ルーチンとして、ステップＳ５９において、上述した３種類のモデル化のうち、予め特定した１つのモデルが「不満・意見・要望」を示しているかどうかを判断する。そして、その特定モデルが「不満・意見・要望」を示していれば、そのモデルによる「顧客の声」は「不満・意見・要望」であるとして、ステップＳ５５で、「不満・意見・要望」を出力する。

しかし、特定したモデルが「不満・意見・要望」を示していなければ、「顧客の声」が「不満・意見・要望」ではないとして、ステップＳ５７において、「不満・意見・要望以外」を出力する。

一方、苦情等がそれほど多く見られない環境（現場）では、図６の選択Ｃのルーチンを実行して、上述した３つのモデルの多数決をとる。すなわち、図６のステップＳ６１において、３つのモデルのうち、２以上のモデルが「不満・意見・要望」を示していれば、「顧客の声」は「不満・意見・要望」であるとして、ステップＳ５５で、「不満・意見・要望」を出力する。しかし、「不満・意見・要望」を示すモデルが２に達していなければ、「顧客の声」が「不満・意見・要望」ではないとして、ステップＳ５７において、「不満・意見・要望以外」を出力する。

このように、本実施形態に係る顧客意見分析装置１０では、確実に「不満・意見・要望」と判定されたものだけを採用する場合には、３つのモデルの多数決をとり、その結果に基づいて「不満・意見・要望」の有無を判断する。

ここで、本実施形態に係る顧客意見分析装置１０における、「顧客の声」のクラス判別結果の統合処理についての具体例を説明する。

＜「顧客の声」の例（１）＞
図１の入力部１１に、「顧客の声」として、「自分の車には、ＣＤプレーヤーの下に引出し式のカップホルダーがついている。先日、ペットボトルを買ってカップホルダーに置いたら、ペットボトルがＣＤの入口を邪魔してしまった。友人の車は座席横にカップホルダーがついていて、そのようなことはなかった。」という文が入力された場合を考える。

この文の１文目は、単に事実を表明したものであり、上述した事例モデル構築、文モデル構築、及び最終文モデル構築のいずれにおいても、「不満・意見・要望」と判断されない。その一方で、文モデルだけが、２文目を「不満・意見・要望」と判断する。その結果、事例モデルにおいて「不満・意見・要望以外」、文モデルにおいて「不満・意見・要望」、そして、最終文モデルにおいて「不満・意見・要望以外」と判定される。

この例では、顧客意見分析装置１０において、「顧客の声」が事例全体を見るべき事例か、文を見るべき事例か、あるいは、最終文を見るべき事例かが予め特定されていれば、上述した選択Ａのルーチンに切り替えられ、特定した１つのモデルの結果を信頼した処理結果が出力される。また、顧客意見分析装置１０において、１つ以上のモデルが「不満・意見・要望」を示していれば「顧客の声」が「不満・意見・要望」であると判断する処理（選択Ｂのルーチン）に切り替えられれば、上記の例では、１つのモデルで「不満・意見・要望」と判定され、２つのモデルで「不満・意見・要望以外」と判定されているため、「不満・意見・要望」が出力される。

一方、顧客意見分析装置１０において、３つのモデルの多数決をとる処理（選択Ｃのルーチン）に切り替えられていれば、上記の例では、「不満・意見・要望」と判定したモデルの総数が１で、「不満・意見・要望以外」と判定したモデルの総数が２であるため、「顧客の声」として「不満・意見・要望以外」が出力される。

＜「顧客の声」の例（２）＞
「顧客の声」として、図１の入力部１１に、「最近ナビを購入した。これまでは、自分は北が上になるように地図を表示して使っていた。妻は進行方向が上になる方が使いやすいので、運転者によって切り替えていた。これまでのナビではナビの横についたボタンでワンタッチで画面の切り替えができた。新しいナビではナビ画面のとなりにボタンがない。画面を切り替えるにはどうすれば良いのか？」が入力された場合を考える。

この例（２）の文の場合、「最近ナビを購入した」「これまでは、自分は北が上になるように地図を表示して使っていた」等、「顧客の声」の中からいずれか一文を単独で抽出して内容を読んでも、「不満・意見・要望」の声だとは分からない。逆に、文全体を読むと初めて、「自分と妻とでは地図の表示方法が違うが、新しいナビを購入したところ、ナビの横にハードボタンがなくなり、地図の切り替え方法が分からなくなった」ということが理解でき、ナビの操作方法が分からないことに対して、ユーザが不満を感じていることが読み取れる。

このように、「顧客の声」全体を読んで初めて意味の分かる事例に対しては、事例全体の適切なモデル化が必要となるため、上述した事例モデルが有効である。その結果、この例（２）では、事例モデルでのみ、「顧客の声」が「不満・意見・要望」、あるいは「不満・意見・要望以外」であると判別できる。

＜「顧客の声」の例（３）＞
図１の入力部１１に入力された「顧客の声」が、「最近車を新しくした。シートの乗り心地がよく、妻も喜んでいる。また、視界も広いので運転がしやすい。ところが小回りがきかないのが難点。」の場合、以下のように判定される。

例（３）の文では、最終文以外は、「不満・意見・要望以外」のお褒めの文であることが分かる。また、最終文は、「不満・意見・要望」を意味することが分かる。しかし、文全体としては、最終文が結論であり、ユーザが結果的に不満を感じていることが読み取れる。

本願の発明者による事例の分析結果によれば、例（３）のように、２以上の文からなる「顧客の声」の場合、最終文に顧客の言い表したい結論が出現するという特徴がある。このことから、最終文に結論が表れる事例に対しては、最終文のモデル化でのみ、「顧客の声」が「不満・意見・要望」、あるいは「不満・意見・要望以外」であると判別できる。

以上説明したように、本実施形態に係る顧客意見分析装置では、入力された「顧客の声」としての文に対する事例モデルの判別機能部、文モデルの判別機能部、及び最終文モデルの判別機能部それぞれにおける、「顧客の声」についてのクラス判別結果を統合して、顧客の意見を分析することで、顧客からの不満の声や満足の声、製品に対する問合せ等、様々な内容を含む「顧客の声」から、苦情、意見、要望を精度良く抽出できる。

また、「顧客の声」のクラス判別の際、事例全体、文、及び最終文のそれぞれについて、単語原形の並び(bigram)を抽出し、機械学習により構築された事例モデル、文モデル、及び最終文モデルを用いて判別を行うので、「顧客の声」が「不満・意見・要望」か、あるいは「不満・意見・要望以外」かを判断する場合、事例全体を読まなければ「不満・意見・要望」等と判断できないケース、ある文を読めば「不満・意見・要望」と判断できるケース、最終文を読めば「不満・意見・要望」と判断できるケースのいずれのケースでも頑健に判別することができる。

例えば、文モデルによる判断では、全体がいわゆるお褒めの文であっても、文中に１つでも苦情の文言があれば、それを拾い上げることによって、「顧客の声」を「不満・意見・要望」とクラス判別ができる。また、事例モデルでは、文が全体として不満や意見なのか、あるいは、全体として満足なのかといったように、「顧客の声」をおおまかに捉えることが可能となる。

さらに、構築された事例モデル、文モデル、及び最終文モデルのうち、少なくとも１のモデルが「不満・意見・要望」と判別した場合、「顧客の声」を不満・意見・要望と判別することで、広く「不満・意見・要望」を採取できる。その一方で、少なくとも１のモデルが「不満・意見・要望」と判別した場合に「顧客の声」を不満・意見・要望と判別すると、「不満・意見・要望」が採取され過ぎることもあり得るため、これら３つのモデルの判別結果の多数決をとることにより、「不満・意見・要望」と判別されたものを確実に採取できる。

また、「顧客の声」のクラス判別により、「顧客の声」の重要度、緊急度等を同時に判断でき、「顧客の声」が苦情、意見、要望を含む場合、迅速に対応、及び対処することで、顧客に満足感を与えるとともに苦情等の拡大を抑止できる。

本発明は上記実施形態に限定されず、種々の変形が可能である。上記実施形態では、「顧客の声」の「顧客」としてユーザを想定したが、これに限定されない。例えば、職場での上司との関係における「部下」の声、企業における「従業員」の声、及び「一般消費者」の声に対しても、顧客意見分析装置の適用が可能である。

１０ 顧客意見分析装置
１１ 入力部
１２ 形態素解析部
１３ 文分割部
１４ 最終文抽出部
１５，１６，１７ Bigram生成部
１８ 事例モデルベース判別部
１９ 文モデルベース判別部
２０ 最終文モデルベース判別部
２１ 判別結果統合部
２３ 出力部
２５ 中央制御部
２７ メモリ
２８ａ 記憶部
２８ｂ 意見分析プログラム
３１ 事例モデル格納部
３２ 文モデル格納部
３３ 最終文モデル格納部

Claims (7)

1. 少なくとも１つの文からなる入力文に対して形態素解析を行う形態素解析手段と、
   前記形態素解析手段による形態素解析の結果と、前記入力文の全体に対する特徴ベクトルを用いた所定の機械学習により予め生成された第１学習モデルとに基づいて、前記入力文に含まれる該入力文の提供者の声をクラス判別する第１クラス判別手段と、
   前記形態素解析手段による形態素解析の結果と、前記入力文を分割した各文に対する特徴ベクトルを用いた所定の機械学習により予め生成した第２学習モデルとに基づいて、前記入力文に含まれる該入力文の提供者の声をクラス判別する第２クラス判別手段と、
   前記形態素解析手段による形態素解析の結果と、前記入力文の最終文に対する特徴ベクトルを用いた所定の機械学習により予め生成した第３学習モデルとに基づいて、前記入力文に含まれる該入力文の提供者の声のクラス判別をする第３クラス判別手段と、
   前記第１クラス判別手段、前記第２クラス判別手段、及び前記第３クラス判別手段のうち少なくとも１つのクラス判別手段によって前記提供者の声が不満・意見・要望とクラス判別された場合、該提供者の声を不満・意見・要望と判別するクラス判別決定手段と、
   を備える顧客意見分析装置。
2. 前記第１クラス判別手段は、前記入力文全体から単語の原形を抽出し、該単語の原形と該単語の原形のbigramを特徴量として抽出し、抽出した特徴量と、前記第１学習モデルとに基づいて、クラス判別し、
   前記第２クラス判別手段は、前記入力文を分割した各文から単語の原形を抽出し、各文について該単語の原形と該単語の原形のbigramを特徴量として抽出し、各文について抽出した特徴量と、前記第２学習モデルとに基づいて、クラス判別し、
   前記第３クラス判別手段は、前記入力文の最終文から単語の原形を抽出し、該単語の原形と該単語の原形のbigramを特徴量として抽出し、抽出した特徴量と、前記第３学習モデルとに基づいて、クラス判別する
   請求項１に記載の顧客意見分析装置。
3. 前記第１クラス判別手段、前記第２クラス判別手段、及び前記第３クラス判別手段の各々は、前記提供者の声を前記不満・意見・要望と、不満・意見・要望以外とにクラス判別する
   請求項１又は請求項２に記載の顧客意見分析装置。
4. 前記クラス判別決定手段は、前記第１クラス判別手段、前記第２クラス判別手段、及び前記第３クラス判別手段による判別結果の多数決をとることにより、前記提供者の声を前記不満・意見・要望、又は前記不満・意見・要望以外と判別する
   請求項３に記載の顧客意見分析装置。
5. 前記クラス判別決定手段は、前記第１クラス判別手段、前記第２クラス判別手段、及び前記第３クラス判別手段のうち、予め特定したクラス判別手段が前記提供者の声を不満・意見・要望とクラス判別した場合、該提供者の声を不満・意見・要望と決定する
   請求項３に記載の顧客意見分析装置。
6. 前記提供者には、少なくとも顧客、ユーザ、及び消費者が含まれる
   請求項１から請求項５のいずれか１項に記載の顧客意見分析装置。
7. コンピュータを、
   少なくとも１つの文からなる入力文に対して形態素解析を行う形態素解析手段、
   前記形態素解析手段による形態素解析の結果と、前記入力文の全体に対する特徴ベクトルを用いた所定の機械学習により予め生成された第１学習モデルとに基づいて、前記入力文に含まれる該入力文の提供者の声をクラス判別する第１クラス判別手段、
   前記形態素解析手段による形態素解析の結果と、前記入力文を分割した各文に対する特徴ベクトルを用いた所定の機械学習により予め生成した第２学習モデルとに基づいて、前記入力文に含まれる該入力文の提供者の声をクラス判別する第２クラス判別手段、
   前記形態素解析手段による形態素解析の結果と、前記入力文の最終文に対する特徴ベクトルを用いた所定の機械学習により予め生成した第３学習モデルとに基づいて、前記入力文に含まれる該入力文の提供者の声のクラス判別をする第３クラス判別手段、及び
   前記第１クラス判別手段、前記第２クラス判別手段、及び前記第３クラス判別手段のうち少なくとも１つのクラス判別手段によって前記提供者の声が不満・意見・要望とクラス判別された場合、該提供者の声を不満・意見・要望と判別するクラス判別決定手段
   として機能させるためのプログラム。

Images