JP2016075854A - モデル学習装置、人物属性分類装置、方法、及びプログラム - Google Patents

Abstract

【課題】人物属性を精度よく分類することができるようにする。
【解決手段】学習用素性抽出部２０３が、ユーザ発話が表す人物属性の分類が予め付与された学習用ユーザ発話、及び当該学習用ユーザ発話より前に出現した発話であって、かつ当該学習用ユーザ発話を誘発した発話の形態素解析結果から、単語の表記を示す素性、単語のカテゴリを示す素性、機能語を示す素性、及び副詞を示す素性を抽出する。そして、学習部２１２が、学習用素性抽出部２０３によって抽出された各素性と、学習用ユーザ発話に予め付与された人物属性の分類とに基づいて、発話から抽出された各素性からユーザ発話が表す人物属性を分類するための分類モデルを学習する。
【選択図】図１

Description

本発明は、モデル学習装置、人物属性分類装置、方法、及びプログラムに関する。

従来、数ヶ月分のブログやマイクロブログのテキストの集合を入力として、性別や年代等人物属性に対応する属性値を、テキストにどんな単語が出現しているかから推定するシステムがあった（例えば、非特許文献１）。

具体的には、所望の人物属性ごとに、属性値集合を用意し、単語の表記と日本語語彙大系のカテゴリ等の名詞や動詞等の内容語に基づく素性を用いた機械学習手法を用いて分類していた。人物属性の分類の一例を以下に示す。

（例）性別：男性ｏｒ女性、年代：１０代ｏｒ２０代ｏｒ３０代ｏｒ４０代以上

平野徹、牧野俊郎、松尾義博、「Markov Logicを用いたテキストからのユーザ属性推定」、２０１３年度人工知能学会年次大会（２７回）、３Ｅ３−３（２０１３）

上記非特許文献１に記載の技術は、想定している入力が異なる点、既定の人物属性値の分類問題である点から、厳密には本発明の人物属性を分類する分野と異なる技術であるが、利用している素性や機械学習手法などは、本発明の人物属性を分類する分野にも適用可能なものである。

上記非特許文献１に記載の技術を本発明の人物属性を分類する分野に適用させた場合の概念図を図５に示す。図５に示すように、上記非特許文献１に記載の技術を本発明の人物属性を分類する分野に適用させた場合、ユーザが自身のことについて述べた１発話（＋直前発話）、もしくは、自身のことに述べたテキストである１文（＋他ユーザへの返信の場合は返信元文）を入力とし、図６で指定する３４種類のどの人物属性に関する発話であるかを分類する。なお、分類には、日本語語彙大系のカテゴリ等の主に名詞や動詞等の内容語に基づく素性を用いた機械学習手法を用いて分類する。

上記非特許文献１に記載の技術を本発明の人物属性を分類する分野に適用させた場合の手法では、人間関係や性別、年代等の内容語によって区別できる人物属性は正しく分類することはできるが、習慣又は行動特性や、経験又は記憶以降の人物属性は内容語だけでは区別できないものであり、例えば下記の「テニスをしている」を誤って経験又は記憶と分類するなど、正しく分類することができなかった。

テニスをしている→習慣又は行動特性
テニスをしたことがある→ 経験又は記憶

本発明は、上記の事情に鑑みてなされたもので、人物属性を精度よく分類するための分類モデルを得ることができるモデル学習装置、方法、及びプログラムを提供することを目的とする。
また、人物属性を精度よく分類することができる人物属性分類装置、方法、及びプログラムを提供することを目的とする。

上記目的を達成するために、本発明のモデル学習装置は、ユーザ発話が表す人物属性の分類が予め付与された学習用ユーザ発話、及び前記学習用ユーザ発話より前に出現した発話であって、かつ前記学習用ユーザ発話を誘発した発話の形態素解析結果から、単語の表記を示す素性、単語のカテゴリを示す素性、機能語を示す素性、及び副詞を示す素性を抽出する学習用素性抽出手段と、前記学習用素性抽出手段によって抽出された各素性と、前記学習用ユーザ発話に予め付与された前記人物属性の分類とに基づいて、発話から抽出された前記各素性からユーザ発話が表す人物属性を分類するための分類モデルを学習する学習手段と、を含んで構成されている。

本発明のモデル学習方法は、学習用素性抽出手段、及び学習手段を含むモデル学習装置におけるモデル学習方法であって、前記学習用素性抽出手段が、ユーザ発話が表す人物属性の分類が予め付与された学習用ユーザ発話、及び前記学習用ユーザ発話より前に出現した発話であって、かつ前記学習用ユーザ発話を誘発した発話の形態素解析結果から、単語の表記を示す素性、単語のカテゴリを示す素性、機能語を示す素性、及び副詞を示す素性を抽出するステップと、前記学習手段が、前記学習用素性抽出手段によって抽出された各素性と、前記学習用ユーザ発話に予め付与された前記人物属性の分類とに基づいて、発話から抽出された前記各素性からユーザ発話が表す人物属性を分類するための分類モデルを学習するステップと、
を含んで構成されている。

本発明の人物属性分類装置は、入力されたユーザ発話、及び前記ユーザ発話より前に出現した発話であって、かつ前記ユーザ発話を誘発した発話の形態素解析結果から、単語の表記を示す素性、単語のカテゴリを示す素性、機能語を示す素性、及び副詞を示す素性を抽出する素性抽出手段と、前記素性抽出手段によって抽出された各素性と、発話から抽出された前記各素性からユーザ発話が表す人物属性を分類するための予め学習された分類モデルとに基づいて、前記ユーザ発話が表す人物属性を分類する分類手段と、
を含んで構成されている。

本発明の人物属性分類方法は、素性抽出手段、及び分類手段を含む人物属性分類装置における人物属性分類方法であって、前記素性抽出手段が、入力されたユーザ発話、及び前記ユーザ発話より前に出現した発話であって、かつ前記ユーザ発話を誘発した発話の形態素解析結果から、単語の表記を示す素性、単語のカテゴリを示す素性、機能語を示す素性、及び副詞を示す素性を抽出するステップと、前記分類手段が、前記素性抽出手段によって抽出された各素性と、発話から抽出された前記各素性からユーザ発話が表す人物属性を分類するための予め学習された分類モデルとに基づいて、前記ユーザ発話が表す人物属性を分類するステップと、
を含んで構成されている。

本発明の前記人物属性の分類は、「習慣又は行動特性」と、「経験又は記憶」とを含むようにすることができる。

本発明に係る第１のプログラムは、コンピュータに、本発明のモデル学習装置の各手段として機能させるためのプログラムである。

本発明に係る第２のプログラムは、コンピュータに、本発明の人物属性分類装置の各手段として機能させるためのプログラムである。

以上説明したように、本発明のモデル学習装置、方法、及びプログラムによれば、学習用ユーザ発話及び当該学習用ユーザ発話より前に出現した発話であって、かつ当該学習用ユーザ発話を誘発した発話の形態素解析結果から、単語の表記を示す素性、単語のカテゴリを示す素性、機能語を示す素性、及び副詞を示す素性を抽出し、抽出された各素性と、学習用ユーザ発話に予め付与された人物属性の分類とに基づいて、発話から抽出された各素性からユーザ発話が表す人物属性を分類するための分類モデルを学習することにより、人物属性を精度よく分類するための分類モデルを得ることができる、という効果が得られる。

また、本発明の人物属性分類装置、方法、及びプログラムによれば、ユーザ発話及びユーザ発話より前に出現した発話であって、かつ当該ユーザ発話を誘発した発話の形態素解析結果から、単語の表記を示す素性、単語のカテゴリを示す素性、機能語を示す素性、及び副詞を示す素性を抽出し、抽出された各素性と、発話から抽出された各素性からユーザ発話が表す人物属性を分類するための分類モデルとに基づいて、ユーザ発話が表す人物属性を分類することにより、人物属性を精度よく分類することができる、という効果が得られる。

本発明の実施の形態に係るモデル学習装置の構成の一例を示す図である。 本発明の実施の形態に係る人物属性分類装置の構成の一例を示す図である。 本発明の実施の形態に係る学習処理ルーチンのフローチャートの一例である。 本発明の実施の形態に係る人物属性分類処理ルーチンのフローチャートの一例である。 従来技術を本発明の分野に適用させた場合の処理を説明するための図である。 人物属性の一例を示す図である。

＜概要＞
まず、本発明の実施の形態の概要について説明する。

本発明の実施の形態は、ユーザが自身のことについて述べた１発話、または、自身のことに述べた１テキストを、ユーザのどの人物属性に関することかに分類する技術に関するものである。本発明の実施の形態では、例えば以下に示すようなユーザ発話に基づいて、人物属性を分類することを目的とする。

例：「歌手Ａが好きだよ」→人物属性＝趣味又は嗜好
例：「イギリスに行ったことがある」→人物属性＝経験又は記憶

本発明の実施の形態では、内容語だけでは区別できない習慣や経験などの人物属性を分類するために、機能語を示す素性と副詞を示す素性とを利用する。

機能語を示す素性とは、参考文献１（今村賢治、泉朋子、菊井玄一郎、佐藤理史、「述部機能表現の意味ラベルタガー」、言語処理学会 第１７回年次大会、（２０１１）、Ｐ２−５、ｐ．３０８−３１１）において利用している機能語の辞書（例えば参考文献２（松吉俊、佐藤理史、宇津呂武仁、「日本語機能表現辞書の編纂」、自然言語処理、第１４巻、第５号、（２００７）、ｐ．１２３−１４６）を参照。）を利用して、完了や継続などの意味ラベル（機能表現意味ラベル）を素性として抽出する。

なお、期待する動作としては、継続の意味ラベルがあれば習慣に、完了の意味ラベルがあれば経験に、可能の意味ラベルがあれば能力に、といった分類が可能になることである。

副詞を示す素性とは、以下のように人物属性ごとに頻出する副詞をグループ化して素性として抽出する。

いつも、よく、しばしば、等→習慣又は行動特性
さっき、まだ、昨日、等→経験又は記憶

本発明の実施の形態では、ユーザ発話が表す人物属性を分類するための分類モデルを学習するモデル学習装置と、ユーザ発話が表す人物属性を分類する人物属性分類装置とに本発明を適用させた場合を例に説明する。

＜モデル学習装置のシステム構成＞
以下、図面を参照して本発明の実施の形態を詳細に説明する。図１は、本発明の実施の形態に係るモデル学習装置の構成の一例を示す図である。本実施の形態に係るモデル学習装置１００は、ＣＰＵと、ＲＡＭと、後述する学習処理ルーチンを実行するためのプログラム及び各種データを記憶したＲＯＭとを備えたコンピュータで構成されている。また、記憶手段としてＨＤＤを設けてもよい。

このコンピュータは、機能的には、図１に示すように、学習用入力部１０、学習用演算部２０、及びモデル記憶部３０を含んだ構成で表わすことができる。

学習用入力部１０は、学習用ユーザ発話、及び当該学習用ユーザ発話より前に出現した発話であって、かつ当該学習用ユーザ発話を誘発した発話の組み合わせを複数受け付ける。学習用ユーザ発話には、ユーザ発話が表す人物属性の分類が予め付与されている。本発明の実施の形態では、学習用ユーザ発話より前に出現した発話であって、かつ当該学習用ユーザ発話を誘発した発話として、学習用ユーザ発話の直前発話（以下、学習用直前発話と称する。）を用いる。

学習用演算部２０は、学習用発話データベース２００と、学習用形態素解析部２０２と、学習用素性抽出部２０３と、学習部２１２とを備えている。

学習用発話データベース２００には、学習用入力部１０によって受け付けた、学習用ユーザ発話及び学習用直前発話の組み合わせが複数格納される。

学習用形態素解析部２０２は、学習用発話データベース２００に格納された学習用ユーザ発話及び学習用直前発話の組み合わせの各々に対し、形態素解析を行う。具体的には、学習用形態素解析部２０２は、周知の形態素解析技術により、入力された学習用発話と直前発話とを単語に区切る。例えば、発話として「いつもテニスをしている」が入力された場合、「いつも」「テニス」「を」「し」「て」「い」「る」に区切られる。

学習用素性抽出部２０３は、学習用形態素解析部２０２によって得られた形態素解析結果から、単語の表記を示す素性、単語のカテゴリを示す素性、機能語を示す素性、及び副詞を示す素性を抽出する。学習用素性抽出部２０３は、学習用単語表記素性抽出部２０４と、学習用内容語素性抽出部２０６と、学習用機能語素性抽出部２０８と、学習用副詞素性抽出部２１０とを備えている。

学習用単語表記素性抽出部２０４は、学習用発話データベース２００に格納された学習用ユーザ発話及び学習用直前発話の組み合わせの各々に対し、学習用形態素解析部２０２によって得られた形態素解析結果から、単語の表記を示す素性を抽出する。具体的には、学習用単語表記素性抽出部２０４は、学習用発話と直前発話との形態素解析結果を入力とし、各単語の表記を素性として抽出する。上述の例の場合は、 「いつも」「テニス」「を」「し」「て」「い」「る」が素性として抽出される。

学習用内容語素性抽出部２０６は、学習用発話データベース２００に格納された学習用ユーザ発話及び学習用直前発話の組み合わせの各々に対し、学習用形態素解析部２０２によって得られた形態素解析結果から、単語のカテゴリを示す素性を抽出する。具体的には、学習用内容語素性抽出部２０６は、学習用発話と直前発話との形態素解析結果を入力とし、各単語と対応づけた日本語語彙大系のカテゴリ等を素性として抽出する。これらは主に名詞や動詞等の内容語のカテゴリである。上述の例の場合は、「テニス」に対して「スポーツ」カテゴリが、「し（する）」に対して「実行」カテゴリが素性として抽出される。

学習用機能語素性抽出部２０８は、学習用発話データベース２００に格納された学習用ユーザ発話及び学習用直前発話の組み合わせの各々に対し、学習用形態素解析部２０２によって得られた形態素解析結果から、機能語を示す素性を抽出する。具体的には、学習用機能語素性抽出部２０８は、学習用発話と直前発話との形態素解析結果を入力とし、機能語の意味辞書を用いて、機能語の意味ラベルを素性として抽出する。上述の例の場合は、「ている」に対して「継続」が素性として抽出される。意味ラベルの例は、上記参考文献１に記載がある。

学習用副詞素性抽出部２１０は、学習用発話データベース２００に格納された学習用ユーザ発話及び学習用直前発話の組み合わせの各々に対し、学習用形態素解析部２０２によって得られた形態素解析結果から、副詞を示す素性を抽出する。具体的には、学習用副詞素性抽出部２１０は、ユーザ発話と直前発話の形態素解析結果を入力し、事前に準備した副詞のグループ辞書を用いて、副詞のグループ情報を素性として抽出する。なお副詞グループ辞書には、以下に示すグループ情報等が登録されている。

グループ１（習慣又は行動特性）：いつも、よく、しばしば
グループ２（経験又は記憶）：さっき、まだ、昨日

上述の例の場合は、「いつも」に対して、「グループ１」が素性として抽出される。

学習部２１２は、学習用発話データベース２００に格納された学習用ユーザ発話及び学習用直前発話の組み合わせの各々に対し、学習用素性抽出部２０３によって抽出された各素性と、学習用発話に予め付与された人物属性の分類とに基づいて、発話から抽出された各素性から当該ユーザ発話が表す人物属性を分類するための分類モデルを学習する。なお、人物属性の分類としては、「習慣又は行動特性」と、「経験又は記憶」とを含んでいる。

学習部２１２は、周知の機械学習手法を用いて、教師データとなる学習用発話に予め付与された人物属性の分類と、従来技術の素性に加えて、上記の機能語を示す素性及び副詞を示す素性を抽出した結果とを対応付けた素性とに基づいて、分類モデルを学習する。

なお、上記の素性は、（１）学習用直前発話と学習用ユーザ発話とを区別した素性にした場合、（２）学習用直前発話と学習用ユーザ発話を区別しない素性にした場合のどちらでもよいし、また両方利用してもよい。

例；（１）区別あり：「学習用直前発話＿○○」「学習用直前発話＿××」・・・「学習用ユーザ発話＿◆◆」
（２）区別なし：「学習用発話＿○○」「学習用発話＿××」・・・「学習用発話＿◆◆」

モデル記憶部３０には、学習部２１２によって学習された分類モデルが記憶される。

＜人物属性分類装置のシステム構成＞
図２は、本発明の実施の形態に係る人物属性分類装置の構成の一例を示す図である。本実施の形態に係る人物属性分類装置１５０は、ＣＰＵと、ＲＡＭと、後述する人物属性分類処理ルーチンを実行するためのプログラム及び各種データを記憶したＲＯＭとを備えたコンピュータで構成されている。また、記憶手段としてＨＤＤを設けてもよい。

このコンピュータは、機能的には、図２に示すように、入力部４０、モデル記憶部５０、演算部６０、及び出力部７０を含んだ構成で表わすことができる。

入力部４０は、人物属性分類対象のユーザ発話、及び当該ユーザ発話より前に出現した発話であって、かつ当該ユーザ発話を誘発した発話を受け付ける。上記モデル学習装置１００と同様に、本発明の実施の形態では、ユーザ発話より前に出現した発話であって、かつ当該ユーザ発話を誘発した発話として、ユーザ発話の直前発話を用いる。

モデル記憶部５０には、モデル学習装置１００によって学習された、発話から抽出された各素性から当該ユーザ発話が表す人物属性を分類するための分類モデルが記憶されている。

演算部６０は、形態素解析部６００と、素性抽出部６０１と、分類部６１０とを備えている。

形態素解析部６００は、入力部４０によって受け付けたユーザ発話及び直前発話に対し、学習用形態素解析部２０２と同様に、形態素解析を行う。

素性抽出部６０１は、学習用素性抽出部２０３と同様に、形態素解析部６００によって得られた形態素解析結果から、単語の表記を示す素性、単語のカテゴリを示す素性、機能語を示す素性、及び副詞を示す素性を抽出する。素性抽出部６０１は、単語表記素性抽出部６０２と、内容語素性抽出部６０４と、機能語素性抽出部６０６と、副詞素性抽出部６０８とを備えている。

単語表記素性抽出部６０２は、学習用単語表記素性抽出部２０４と同様に、形態素解析部６００によって得られた形態素解析結果から、単語の表記を示す素性を抽出する。

内容語素性抽出部６０４は、学習用内容語素性抽出部２０６と同様に、形態素解析部６００によって得られた形態素解析結果から、単語のカテゴリを示す素性を抽出する。

機能語素性抽出部６０６は、学習用機能語素性抽出部２０８と同様に、形態素解析部６００によって得られた形態素解析結果から、機能語を示す素性を抽出する。

副詞素性抽出部６０８は、学習用副詞素性抽出部２１０と同様に、形態素解析部６００によって得られた形態素解析結果から、副詞を示す素性を抽出する。

分類部６１０は、素性抽出部６０１によって抽出された各素性と、モデル記憶部５０に記憶された分類モデルとに基づいて、ユーザ発話が表す人物属性を分類する。
具体的には、分類部６１０は、従来の素性に加えて、上記の機能語を示す素性と副詞を示す素性とを抽出した結果と、モデル学習装置１００によって予め学習された分類モデルとを用いて、上記図６に示す既定の人物属性へ分類する。

なお、上記の素性は、（１）直前発話とユーザ発話とを区別した素性にした場合、（２）直前発話とユーザ発話を区別しない素性にした場合のどちらでもよいし、また両方利用してもよい。

例；（１）区別あり：「直前発話＿○○」「直前発話＿××」・・・「ユーザ発話＿◆◆」
（２）区別なし：「発話＿○○」「発話＿××」・・・「発話＿◆◆」

従来技術では、例えば「テニスをしている」を、人物属性として、誤って「経験又は記憶」に分類してしまう。しかし、本発明の実施の形態では、機能語を示す素性及び副詞を示す素性を素性として用いるため、「習慣又は行動特性」と、「経験又は記憶」とを、精度よく分類することができる。

出力部７０は、分類部６１０によって分類された人物属性を、結果として出力する。

＜モデル学習装置１００の動作＞
次に、本実施の形態に係るモデル学習装置１００の作用について説明する。まず、学習用ユーザ発話及び学習用直前発話の複数の組み合わせである学習用発話集合がモデル学習装置１００に入力されると、モデル学習装置１００によって、入力された学習用発話集合が、学習用発話データベース２００へ格納される。そして、モデル学習装置１００によって、図３に示す学習処理ルーチンが実行される。

まず、ステップＳ１００において、学習用発話データベース２００から１組の学習用発話及び学習用直前発話の組み合わせを取り出す。

次に、ステップＳ１０２において、学習用形態素解析部２０２によって、上記ステップＳ１００で取り出された学習用ユーザ発話及び学習用直前発話の組み合わせに対し、形態素解析を行う。

ステップＳ１０４において、学習用単語表記素性抽出部２０４によって、上記ステップＳ１００で取り出された学習用ユーザ発話及び学習用直前発話の組み合わせに対し、上記ステップＳ１０２で得られた形態素解析結果から、単語の表記を示す素性を抽出する。

ステップＳ１０６において、学習用内容語素性抽出部２０６によって、上記ステップＳ１００で取り出された学習用ユーザ発話及び学習用直前発話の組み合わせに対し、上記ステップＳ１０２で得られた形態素解析結果から、単語のカテゴリを示す素性を抽出する。

ステップＳ１０８において、学習用機能語素性抽出部２０８によって、上記ステップＳ１００で取り出された学習用ユーザ発話及び学習用直前発話の組み合わせに対し、上記ステップＳ１０２で得られた形態素解析結果から、機能語を示す素性を抽出する。

ステップＳ１１０において、学習用副詞素性抽出部２１０によって、上記ステップＳ１００で取り出された学習用ユーザ発話及び学習用直前発話の組み合わせに対し、上記ステップＳ１０２で得られた形態素解析結果から、副詞を示す素性を抽出する。そして、抽出された各素性を、学習データとしてメモリ（図示省略）に記憶する。

そして、ステップＳ１１２において、学習用発話データベース２００に記憶されている全ての学習用ユーザ発話及び学習用直前発話の組み合わせについて、上記ステップＳ１００〜Ｓ１１０の処理を実行したか否かを判定する。そして、上記ステップＳ１００〜Ｓ１１０の処理を実行していない学習用ユーザ発話及び学習用直前発話の組み合わせが存在する場合には、上記ステップＳ１００へ戻り、当該組み合わせを取り出す。一方、全ての学習用ユーザ発話及び学習用直前発話の組み合わせについて、上記ステップＳ１００〜Ｓ１１０の処理を実行した場合には、ステップＳ１１４へ進む。

そして、ステップＳ１１４において、学習部２１２によって、上記ステップＳ１１０でメモリに記憶された複数の学習データを用いて、機械学習手法によって、発話から抽出された各素性からユーザ発話が表す人物属性を分類するための分類モデルを学習する。

そして、ステップＳ１１６において、上記ステップＳ１１４で学習された分類モデルをモデル記憶部３０に記憶して、学習処理ルーチンを終了する。

＜人物属性分類装置の作用＞
次に、本実施の形態に係る人物属性分類装置１５０の作用について説明する。まず、モデル学習装置１００のモデル記憶部３０に記憶されている分類モデルが、人物属性分類装置１５０に入力されると、モデル記憶部５０に格納される。そして、人物属性分類対象のユーザ発話及び直前発話が人物属性分類装置１５０に入力されると、人物属性分類装置１５０によって、図４に示す人物属性分類処理ルーチンが実行される。

まず、ステップＳ２００において、入力部４０によって、人物属性分類対象のユーザ発話及び直前発話を受け付ける。

ステップＳ２０２において、形態素解析部６００によって、上記ステップＳ２００で受け付けたユーザ発話及び直前発話に対し、形態素解析を行う。

ステップＳ２０４において、単語表記素性抽出部６０２によって、上記ステップＳ２０２で得られた形態素解析結果から、単語の表記を示す素性を抽出する。

ステップＳ２０６において、内容語素性抽出部６０４によって、上記ステップＳ２０２で得られた形態素解析結果から、単語のカテゴリを示す素性を抽出する。

ステップＳ２０８において、機能語素性抽出部６０６によって、上記ステップＳ２０２で得られた形態素解析結果から、機能語を示す素性を抽出する。

ステップＳ２１０において、副詞素性抽出部６０８によって、上記ステップＳ２０２で得られた形態素解析結果から、副詞を示す素性を抽出する。

ステップＳ２１２において、分類部６１０によって、上記ステップＳ２０４〜Ｓ２１０で抽出された各素性と、モデル記憶部５０に記憶された分類モデルとに基づいて、ユーザ発話が表す人物属性を分類する。

そして、ステップＳ２１４において、出力部７０によって、上記ステップＳ２１２で分類された人物属性を、結果として出力して、人物属性分類処理ルーチンを終了する。

以上説明したように、本実施の形態に係るモデル学習装置１００によれば、学習用ユーザ発話及び学習用直前発話の形態素解析結果から、単語の表記を示す素性、単語のカテゴリを示す素性、機能語を示す素性、及び副詞を示す素性を抽出し、抽出された各素性と、学習用ユーザ発話に予め付与された人物属性の分類とに基づいて、発話から抽出された各素性からユーザ発話が表す人物属性を分類するための分類モデルを学習することにより、人物属性を精度よく分類するための分類モデルを得ることができる。

また、本実施の形態に係る人物属性分類装置１５０によれば、ユーザ発話及び直前発話の形態素解析結果から、単語の表記を示す素性、単語のカテゴリを示す素性、機能語を示す素性、及び副詞を示す素性を抽出し、抽出された各素性と、予め学習された分類モデルとに基づいて、ユーザ発話が表す人物属性を分類することにより、ユーザ発話が表す人物属性を精度よく分類することができる。

また、人間関係や性別、年代等の内容語によって区別できる人物属性だけでなく、単語のカテゴリを示す素性（例えば、内容語）だけでは区別できない人物属性も正しく分類することができるようになる。

また、上記図６に示した、「習慣又は行動特性」以降の分類、すなわち、「習慣又は行動特性」、「経験又は記憶」、「特技又は得意」、「能力」、「意見又は感想」、「願望」、「知識」、「その他」について、精度よく分類することができる。

なお、本発明は、上述した実施形態に限定されるものではなく、この発明の要旨を逸脱しない範囲内で様々な変形や応用が可能である。

例えば、上記実施の形態のモデル学習装置では、モデル記憶部３０を備えている場合について説明したが、例えばモデル記憶部３０がモデル学習装置の外部装置に設けられ、モデル学習装置は、外部装置と通信手段を用いて通信することにより、モデル記憶部３０を参照するようにしてもよい。
同様に、人物属性分類装置についても、モデル記憶部５０を備えている場合について説明したが、例えばモデル記憶部５０が人物属性分類装置の外部装置に設けられ、人物属性分類装置は、外部装置と通信手段を用いて通信することにより、モデル記憶部５０を参照するようにしてもよい。

また、上記実施の形態では、モデル学習装置１００と人物属性分類装置１５０とを別々の装置として構成する場合を例に説明したが、モデル学習装置１００と人物属性分類装置１５０とを１つの装置として構成してもよい。

また、上記実施の形態では、発話より前に出現した発話であって、かつ当該ユーザ発話を誘発した発話として直前発話を用いる場合を例に説明したが、これに限定されるものではなく、他の発話を用いてもよい。また、ユーザ発話より前に出現した発話であって、かつ当該ユーザ発話を誘発した発話を用いずに、ユーザ発話のみを用いて、ユーザ発話が表す人物属性を分類してもよい。

また、上述のモデル学習装置１００及び人物属性分類装置１５０は、内部にコンピュータシステムを有しているが、コンピュータシステムは、ＷＷＷシステムを利用している場合であれば、ホームページ提供環境（あるいは表示環境）も含むものとする。

また、本願明細書中において、プログラムが予めインストールされている実施形態として説明したが、当該プログラムを、コンピュータ読取り可能な記録媒体に格納して提供することも可能である。

１０ 学習用入力部
２０ 学習用演算部
３０，５０ モデル記憶部
４０ 入力部
６０ 演算部
７０ 出力部
１００ モデル学習装置
１５０ 人物属性分類装置
２００ 学習用発話データベース
２０２ 学習用形態素解析部
２０３ 学習用素性抽出部
２０４ 学習用単語表記素性抽出部
２０６ 学習用内容語素性抽出部
２０８ 学習用機能語素性抽出部
２１０ 学習用副詞素性抽出部
２１２ 学習部
６００ 形態素解析部
６０１ 素性抽出部
６０２ 単語表記素性抽出部
６０４ 内容語素性抽出部
６０６ 機能語素性抽出部
６０８ 副詞素性抽出部
６１０ 分類部

Claims (8)

1. ユーザ発話が表す人物属性の分類が予め付与された学習用ユーザ発話、及び前記学習用ユーザ発話より前に出現した発話であって、かつ前記学習用ユーザ発話を誘発した発話の形態素解析結果から、単語の表記を示す素性、単語のカテゴリを示す素性、機能語を示す素性、及び副詞を示す素性を抽出する学習用素性抽出手段と、
   前記学習用素性抽出手段によって抽出された各素性と、前記学習用ユーザ発話に予め付与された前記人物属性の分類とに基づいて、発話から抽出された前記各素性からユーザ発話が表す人物属性を分類するための分類モデルを学習する学習手段と、
   を含むモデル学習装置。
2. 前記人物属性の分類は、「習慣又は行動特性」と、「経験又は記憶」とを含む
   請求項１記載のモデル学習装置。
3. 入力されたユーザ発話、及び前記ユーザ発話より前に出現した発話であって、かつ前記ユーザ発話を誘発した発話の形態素解析結果から、単語の表記を示す素性、単語のカテゴリを示す素性、機能語を示す素性、及び副詞を示す素性を抽出する素性抽出手段と、
   前記素性抽出手段によって抽出された各素性と、発話から抽出された前記各素性からユーザ発話が表す人物属性を分類するための予め学習された分類モデルとに基づいて、前記ユーザ発話が表す人物属性を分類する分類手段と、
   を含む人物属性分類装置。
4. 前記人物属性の分類は、「習慣又は行動特性」と、「経験又は記憶」とを含む
   請求項３記載の人物属性分類装置。
5. 学習用素性抽出手段、及び学習手段を含むモデル学習装置におけるモデル学習方法であって、
   前記学習用素性抽出手段が、ユーザ発話が表す人物属性の分類が予め付与された学習用ユーザ発話、及び前記学習用ユーザ発話より前に出現した発話であって、かつ前記学習用ユーザ発話を誘発した発話の形態素解析結果から、単語の表記を示す素性、単語のカテゴリを示す素性、機能語を示す素性、及び副詞を示す素性を抽出するステップと、
   前記学習手段が、前記学習用素性抽出手段によって抽出された各素性と、前記学習用ユーザ発話に予め付与された前記人物属性の分類とに基づいて、発話から抽出された前記各素性からユーザ発話が表す人物属性を分類するための分類モデルを学習するステップと、
   を含むモデル学習方法。
6. 素性抽出手段、及び分類手段を含む人物属性分類装置における人物属性分類方法であって、
   前記素性抽出手段が、入力されたユーザ発話、及び前記ユーザ発話より前に出現した発話であって、かつ前記ユーザ発話を誘発した発話の形態素解析結果から、単語の表記を示す素性、単語のカテゴリを示す素性、機能語を示す素性、及び副詞を示す素性を抽出するステップと、
   前記分類手段が、前記素性抽出手段によって抽出された各素性と、発話から抽出された前記各素性からユーザ発話が表す人物属性を分類するための予め学習された分類モデルとに基づいて、前記ユーザ発話が表す人物属性を分類するステップと、
   を含む人物属性分類方法。
7. コンピュータに、請求項１又は請求項２記載のモデル学習装置の各手段として機能させるためのプログラム。
8. コンピュータに、請求項３又は請求項４記載の人物属性分類装置の各手段として機能させるためのプログラム。