JP2017151533A - 文献データ解析システム - Google Patents

Abstract

【課題】最新の解決コンセプトを特許明細書を始めとした文献から抽出し、これをイノベーターに対して効果的に提示する。【解決手段】発明に関する情報が記述された文献データから文字列を抽出するマイニングステップと、予め２種以上に定義された各解決コンセプトのうち、１以上の解決コンセプトに上記マイニングステップにおいて抽出した文字列を割り当てる割当ステップとを有し、この割当ステップでは、予め２種以上に定義された発明に関する付帯項目のうち、１以上の付帯項目を上記発明に対してマイニングステップにより抽出された他の文字列を介して割り当て、上記割り当てた解決コンセプトと、上記割り当てた付帯項目との結びつき度をより強くするように制御する。【選択図】図３

Description

本発明は、発明に関する情報が記述された文献データから、新たに人為的に創作される創作物における解決コンセプトを抽出する文献データ解析システム、文献データ解析プログラムに関する。

イノベーションは、大きく分類して市場のニーズに基づいて創出されるニーズ先行型イノベーションと、技術のシーズから社会的な価値につなげるシーズ先行型イノベーションとに分類される。特に後者のシーズ先行型イノベーションは、技術のシーズそのものが従来技術と比較して進歩性のある優れた技術であっても、それが実社会において受け入れられるべきものでない限り、即ち市場のニーズにしっかりとリンクするもので無い限り、本当の意味でのイノベーションとは言いがたい。

つまり、研究開発から製品化、大量普及に至るまでには、乗り越えなければならない、いわゆる死の谷やダーウィンの海が立ちはだかっているのである。そしてこれを乗り越えた場合に、創出された技術のシーズが社会的価値へと発展し、本当の意味でのイノベーションになりえるのである。

特にこのようなイノベーションは、大企業のみならず、中小企業、ひいては個人発明家からも生まれる可能性はある。このイノベーションが創造される過程においては、市場から要求を満たす上で障害となる問題点が存在し、その問題点をクリアすることで創造される場合が多い。この問題点をクリアするための解決コンセプトをヒントにすることでイノベーターによるイノベーションが実現することとなる。逆にイノベーターに対して、その問題点を解決する上で最適な解決コンセプトを効果的に提示することで、イノベーターによるイノベーションの創造を支援することも可能となる。

イノベーション創造を支援するシステムは確かに従来において提案されている（例えば、特許文献１参照。）。この特許文献１には、入力される文字情報同士をグループ化して課題分析手法により課題分析を行い、アイデア創出処理は勿論であるが最終的にはそのシナリオまでも生成することを前提とした技術が開示されている。

特開２００５−２８４５４８号公報

しかしながら、上述した特許文献１の開示技術によれば、特許明細書等を始めとした発明に関する情報が記述された文献データから最新の解決コンセプトをイノベーターに対して必ずしも効果的に提示することができず、イノベーションの創造支援を実現することができないという問題点があった。

そこで本発明は、上述した問題点に鑑みて案出されたものであり、その目的とするところは、最新の解決コンセプトを特許明細書を始めとした文献から抽出し、これをイノベーターに対して効果的に提示することが可能な文献データ解析システム、文献データ解析プログラムを提供することにある。

第１発明に係る文献データ解析システムは、発明に関する情報が記述された文献データから文字列を抽出するマイニング手段と、予め２種以上に定義された各解決コンセプトのうち、１以上の解決コンセプトを上記発明に対して上記マイニング手段により抽出された文字列を介して割り当てる割当手段とを備えることを特徴とする。

第２発明に係る文献データ解析システムは、第１発明において、上記割当手段は、予め取得した各参照用文字列と２種以上に分類された各解決コンセプトとの連関性を参照し、上記マイニング手段により抽出された文字列に応じた参照用文字列と解決コンセプトとの連関性に基づき、１以上の解決コンセプトを割り当てることを特徴とする。

第３発明に係る文献データ解析システムは、第１又は第２発明において、上記割当手段は、予め２種以上に定義された発明に関する付帯項目のうち、１以上の付帯項目を上記発明に対して上記マイニング手段により抽出された他の文字列を介して割り当て、上記割り当てた解決コンセプトと、上記割り当てた付帯項目との結びつき度をより強くするように制御することを特徴とする。

第４発明に係る文献データ解析システムは、第３発明において、上記割当手段は、予め取得した各参照用文字列と２種以上に分類された各付帯項目との連関性を参照し、上記マイニング手段により抽出された文字列に応じた参照用文字列と付帯項目との連関性に基づき、１以上の付帯項目を割り当てることを特徴とする。

第５発明に係る文献データ解析システムは、第３又は第４発明において、上記割当手段は、複数の文献について上記解決コンセプトの割り当て及び上記付帯項目の割り当てを行うことで、上記解決コンセプトと上記付帯項目との結びつき度を都度更新することを特徴とする。

第６発明に係る文献データ解析システムは、第３〜第５発明の何れかにおいて、上記マイニング手段及び／又は上記割当手段は、人工知能により制御されることを特徴とする。

第７発明に係る文献データ解析システムは、第５発明において、上記割当手段は、人工知能により制御され、都度更新する上記解決コンセプトと上記付帯項目との結びつき度の高低を学習することを特徴とする。

第８発明に係る文献データ解析システムは、第４発明において、上記割当手段は、人工知能により制御され、予め取得した各参照用文字列と２種以上に分類された各解決コンセプトとの連関性、予め取得した各参照用文字列と２種以上に分類された各付帯項目との連関性を学習することを特徴とする。

第９発明に係る文献データ解析システムは、第３〜第８発明の何れかにおいて、音声入力又は手動入力により取得した新たに人為的に創作された創作物に関する情報から文字列を抽出する文字列抽出手段と、上記文字列抽出手段により抽出された文字列に応じた参照用文字列と付帯項目との連関性に基づき、当該文字列を１以上の付帯項目に割り当て、その割り当てた付帯項目と解決コンセプトとの結びつき度に基づき、１以上の解決コンセプトを探索する探索手段とを備えることを特徴とする。

第１０発明に係る文献データ解析システムは、第９発明において、上記文字抽出手段及び探索手段は、携帯情報端末内に設けられていることを特徴とする。

第１１発明に係る文献データ解析システムは、第９又は第１０発明において、上記文字抽出手段及び／又は上記探索手段は、人工知能により制御されることを特徴とする。

第１２発明に係る文献データ解析システムは、第３〜１１発明の何れかにおいて、上記携帯情報端末との間で通信網を介して無線通信可能なサーバを備え、上記サーバは、上記割り当てた解決コンセプトと、上記割り当てた付帯項目との結びつき度が記録されていることを特徴とする。

第１３発明に係る文献データ解析プログラムは、発明に関する情報が記述された文献データから文字列を抽出するマイニングステップと、予め２種以上に定義された各解決コンセプトのうち、１以上の解決コンセプトに上記マイニングステップにおいて抽出した文字列を割り当てる割当ステップとをコンピューターに実行させることを特徴とする。

上述した構成からなる本発明によれば、最新の解決コンセプトを特許明細書を始めとした文献から抽出し、これをイノベーターに対して効果的に提示することが可能となる。その結果、イノベーションの創造支援を実現することが可能となる。

本発明を適用した文献データ解析システムの構成例を示す図である。 電子機器のブロック構成を示す図である。 本発明を適用した文献データ解析システムの処理動作のフローチャートである。 参照用文字列の組み合わせと解決コンセプトの連関性を示す模式図である。 参照用文字列の組み合わせと付帯項目の連関性を示す模式図である。 各付帯項目と各解決コンセプトとの関連性を、その結びつき度を介して記述した例を示す図である。 本発明を適用した文献データ解析システムを利用して実際にイノベーション創造を行う場合のフローチャートである。 基本情報が入力された場合における参照用文字列の組み合わせと解決コンセプトの連関性を示す模式図である。 基本情報が入力された場合における参照用文字列の組み合わせと付帯項目の連関性を示す模式図である。 参照用文字列の組み合わせと解決コンセプトの連関性を示す模式図である。 基本情報から解析した文字列がどの範囲まで参照用文字列と対応するかを考える例を示す図である。 基本情報から抽出された文字列、又は提案された解決コンセプトに基づいて具体的な発明の構成を探索する例を示す図である。

以下、本発明を適用した文献データ解析システムについて、図面を参照しながら詳細に説明をする。

本発明を適用した文献データ解析システム１は、例えば図１に示すような構成により具現化される。この文献データ解析システム１は、システムを利用するユーザ用の端末装置１１と、この端末装置１１に対して公衆通信網１２を介して接続されるサーバ１３とを備えている。

公衆通信網１２は、端末装置１１間及びサーバ１３を通信回線を介して接続されるインターネット網等である。ちなみにこの端末装置１１を一定の狭いエリア内で運用する場合には、この公衆通信網１２を、ＬＡＮ（Local Area Network）で構成してもよい。また、この公衆通信網１２につきいわゆる光ファイバ通信網で構成してもよい。また、この公衆通信網１２は、有線通信網に限定されるものではなく、無線通信網で実現するようにしてもよい。

端末装置１１は、例えば、携帯電話、スマートフォン、タブレット型端末、ウェアラブル端末、ノート型のパーソナルコンピュータ（ＰＣ）等であり、少なくともユーザの操作に基づいて公衆通信網１２を介して通信可能なデバイスである。端末装置１１は、ユーザが携帯可能とすることにより、常時持ち運びを可能とするデバイスであるが、これに限定されるものではなく、そえ置き型のＰＣ等、あらゆる電子機器を含む概念である。

なお、この端末装置１１は、後述する文献データ解析プログラムを公衆通信網１２を介してダウンロードすることなく、店頭で販売されているパッケージソフトをインストールする場合には、公衆通信網１２を介した通信を行わない機器であってもよい。以下の例では、この端末装置１１につき、スマートフォンを適用する場合を例にとり説明をする。

図２は、端末装置１１の具体的な構成例を示している。この端末装置１１は、ＲＯＭ（Read Only Memory）２２と、データの蓄積や展開等に使用する作業領域としてのＲＡＭ(Random Access Memory)２３と、端末装置１１全体を制御するためのＣＰＵ（Central Processing Unit）２４と、操作ボタンやキーボード等を介して各種制御用の指令を入力するための操作部２５と、各種情報の表示を制御するための出力Ｉ／Ｆ１６と、ハードディスク等に代表され、実行すべき検索を行うためのプログラムを格納するための記憶部２７と、外部から端末装置１１内へデータを入力し、或いは端末装置１１において生成されたデータを外部へ出力するためのデータ入出力部２９が内部バス２１にそれぞれ接続されている。さらに、この内部バス２１には、通信Ｉ／Ｆ２８、音声入力部３１が接続されている。また、出力Ｉ／Ｆ１６には、実際に情報を表示するモニタとしての表示部２６が接続されている。

ＲＯＭ２２は、端末装置１１全体のハードウェア資源を制御するためのプログラムが格納されている。ＲＡＭ２３は、端末装置１１全体のハードウェア資源を制御するときの各種命令を一時的に記憶する。

ＣＰＵ２４は、内部バス２１を介して制御信号を送信することにより、端末装置１１内に実装された各構成要素を制御するためのいわゆる中央演算ユニットである。また、このＣＰＵ２４は、操作部２５を介したユーザの操作に応じて各種制御用の指令を内部バス２１を介して伝達する。

操作部２５は、タッチパネル等で具体化され、ユーザが実際に解決したい問題に関する情報が入力される他、文献データ解析プログラムを実行するための実行命令がユーザから入力される。この操作部２５は、上記実行命令がユーザにより入力された場合には、これをＣＰＵ２４に通知する。この通知を受けたＣＰＵ２４は、上記プログラムを記憶部２７から読み出して実行する。

出力Ｉ／Ｆ１６は、ＣＰＵ２４による制御に基づいて表示画像を作り出すグラフィックコントローラにより構成されている。この出力Ｉ／Ｆ１６に接続される表示部２６は、例えば、液晶ディスプレイ（ＬＣＤ）等によって実現される。

記憶部２７は、ハードディスクで構成される場合において、ＣＰＵ２４による制御に基づき、各アドレスに対して所定の情報が書き込まれるとともに、必要に応じてこれが読み出される。また、この記憶部２７には、本発明を実行するための文献データ解析プログラムが格納されている。このプログラムはＣＰＵ２４により読み出されて実行されることになる。

通信Ｉ／Ｆ２８は、公衆通信網１２と接続するための回線制御回路や、他の端末装置との間でデータ通信を行うための信号変換回路等が実装されている。通信Ｉ／Ｆ２８は、内部バス２１からの各種命令に変換処理を施してこれを公衆通信網１２側へ送出するとともに、公衆通信網１２からのデータを受信した場合にはこれに所定の変換処理を施して内部バス２１、或いはＣＰＵ２４へ送信する。

データ入出力部２９は、ＰＣ等の電子機器との間でＵＳＢ接続するためのコード等が接続される。このデータ入出力部２９を介して外部の機器との間でデータを入出力することが可能となる。

音声入力部３１は、ユーザから入力された音声を電子データに変換するためのデバイスである。

サーバ１３には、所定のデータベースが構築されている。このデータベースには、公衆通信網１２を介して送られてきた情報が蓄積される。また、このサーバ１３は、端末装置１１からの要求に基づいて、この蓄積した情報を公衆通信網１２を介して端末装置１１へと送信する。

なお、端末装置１１における何れか１以上の構成要素、或いはサーバ１３は、人工知能により制御されるものであってもよい。本発明への人工知能の具体的な応用方法は、従来における全ての公知の人工知能に関する情報の何れか１以上に基づくものであってもよい。

本発明を適用した文献データ解析システム１は、端末装置１１又はサーバ１３側内にインストールされた文献データ解析プログラムを介して実行していくこととなる。端末装置１１又はサーバ１３は、これにインストールされている文献データ解析プログラムを通じ、各種解析を行っていくこととなる。

文献データ解析プロセスにおいては、特許明細書等のような、過去において提案された発明に関する情報が記述された文献データから文字列を抽出するところから開始する。

ここでいう文献データは、特許明細書、実用新案の明細書、意匠公報の記載等、いわゆる出願書類に限定されるものではなく、論文や学会の予稿集、或いは会社内で発行される技報等、発明に関する情報が記載されたあらゆるデータを含むものである。このような文献データを電子情報として取得し、解析を行っていくこととなる。
文献データを取得後、実際に文献データ解析プログラムが処理動作を実行していくこととなる。この文献データ解析プログラムの処理動作フローを図３に示す。

文献データ解析プログラムは、ステップＳ１１において取得した文献データについて解析を行う（ステップＳ１２）。この解析については、既存のあらゆるテキストマイニング技術、データマイニング技術、言語解析処理技術等を用いるようにしてもよい。

次に、この文献データ解析プログラムは、解析対象の文献データを単語、形態素、句、節等、あらゆる文法上の構造単位の中から何れか１以上の単位に亘り、文字列の抽出を行う。例えば、「特許明細書における特許請求の範囲に定義された発明の限定度合をカウントして表示することが可能な特許明細書分析表示装置について、更に高精度に発明の限定度合いを表示することを目的とする。」というテキストデータがあった場合には、「特許明細書」、「特許請求の範囲」、「定義」、「発明」、「限定度合」、「カウント」、「表示する」、「特許明細書分析表示装置」「高精度に」、「目的とする」等といった文字列を抽出することとなる。

この文献データに記載されている情報は、発明のコンセプトや構成以外に、解決しようとする課題の欄等、作用効果の欄、解決手段の欄等、特許明細書におけるいかなる欄から抽出するようにしても良い。例えば「安くて作りやすい」という文字列を抽出した場合、これをテキストマイニングにより解析することにより、「安」「安い」、「作り」、「作りやすい」等のように、文法上の構造単位の中から何れか１以上の単位に亘り、文字列の抽出が行われる。

次に文献データ解析プログラムは、ステップＳ１３へ移行し、ステップＳ１２において抽出した文字列と連関性の高い解決コンセプトの割り当てを開始する。この割り当てを行う前において、端末装置１１は、図４に示すように参照用文字列と２種以上に分類されてなる抽象化された解決コンセプト（以下、解決コンセプトという。）の連関性を予め取得しておく。

解決コンセプトは、問題を解決するための抽象化されたコンセプトである。この解決コンセプトＡ１、Ａ２、Ａ３、Ｂ１、Ｂ２、Ｂ３、Ｃ１、Ｃ２、Ｃ３、・・・は、予めシステム側において定義されているものである。この解決コンセプトは、例えば等価変換理論、ＴＲＩＺ（古典的ＴＲＩＺに加え、発展的なあらゆるＴＲＩＺも含む）、ＡＲＩＺ、ＱＦＤ、タグチメソッド等、既に公知になっているあらゆる問題解決法を含む概念である。この解決コンセプトの例としては、例えば古典的ＴＲＩＺの４０の発明原理を例に挙げるのであれば、セグメンテーション（細分化）、非対称性、逆（リバース）、ダイナミック性、フィードバック、入れ子構造、先取り作用、等位性、機械的な振動、事前の内部応力、害を益に変換（災い転じて福となす）等に相当するものである。

端末装置１１又はサーバ１３は、このような文字列と解決コンセプトが互いにどの程度関連しているかの度合いを示す、連関性を取得しておく。この連関性の表現方法としては、例えば図４に示すような矢印で繋がっている参照用文字列と解決コンセプトは、互いに連関しており、矢印で繋がっていない参照用文字列と解決コンセプトは、互いに連関していない形態で表現するようにしてもよい。例えば解決コンセプトＡ２は、参照用文字列ｃ１１、ａ２１には連関しているが、これ以外の解決コンセプトとは連関していないという形で表現するようにしてもよい。即ち、このケースでは、参照用文字列と解決コンセプトの連関の有無を真または偽の２値により、デジタル的に表現することとなる。

これ以外の連関性の表現方法としては、アナログ的な表現方法を採用するようにしてもよい。例えば解決コンセプトＢ３は、参照用文字列ａ２１、ｂ２１には８０％の割合で連関しており、更に参照用文字列ｃ１１が６０％、参照用文字列ｂ１１が４５％、参照用文字列ｃ２１が２４％、参照用文字列ａ１１が０％等の連関度として表現されていてもよい。例えば、参照用文字列として、「微細化」、「分割」、「細分化」、については、連関度が８０％の解決コンセプトとして、セグメンテーション（細分化）が表現されていてもよい。この解決コンセプトとしてのセグメンテーションとしては、連関度が５０％の参照用文字列として、「分室化」、「別々に」等を登録するようにしてもよい。

解決コンセプトとしての「使い捨て」という技術思想については、連関度が８０％の参照用文字列として、「使い捨て」、連関度が６０％の参照用文字列として、「交換」、「廃棄」等が登録されているようにしてもよい。

解決コンセプトとしての「事前の内部応力」については、連関度が８０％の参照用文字列として、「事前の応力」、「予歪み」等、連関度が６０％の参照用文字列として「荷重」、「力の負荷」等が、連関度が４５％の参照用文字列として「押圧」が、登録されているようにしてもよい。

解決コンセプトとして、「二重構造による強化」は、連関度が７０％の参照用文字列として、「重ねる」、「カバー」、「二重」等、連関度が４０％の参照用文字列として「被覆」、「当てがう」等が登録されているようにしてもよい。

端末装置１１又はサーバ１３は、ステップＳ１３の解析前までに、参照用文字列と解決コンセプトとの連関性を自らの記憶部２７等に記憶しておき、いつでも読み出せるようにしておく。

ステップＳ１３に移行後、文献データ解析プログラムは、ステップＳ１２において抽出した文字列に基づき、解決コンセプトを１又は２以上に亘り割り当てる。この割り当てるルールはいかなるものであってもよいが、一例として以下に説明する方法に基づくようにしてもよい。

この抽出した文字列から解決コンセプトの選択についても、予め取得した参照用文字列と解決コンセプトとの連関性を参照するようにしてもよい。例えば、文献データから抽出した文字列が「予歪み」である場合には、これと同一の参照用文字列がｃ２１において存在していた場合、その参照用文字列ｃ２１である「予歪み」と連関性の高いのはＣ１にある「事前の内部応力」である。このため、この解析した「予歪み」という文字列に対して連関性の高い「事前の内部応力」をその文献データの発明の解決コンセプトとして割り当てることとなる。

例えば、文献データから解析した文字列が「交換」である場合には、参照用文字列と解決コンセプトとの連関性を参照した場合、その「交換」と連関性の高いのは「使い捨て」である。但し、この「交換」と「使い捨て」はそれほど連関度が高いものではないため、解決コンセプトとしてこれを割り当てるか否かは、様々なルールに基づいて判断するようにしてもよい。その判断のルールとしては、例えば同じ「使い捨て」の連関性の高い他の参照用文字列が同一文献データ内にある場合や、他の文献データにおいて、「交換」と「廃棄」がそのデータ内において出現する頻度が高い等の場合等、条件をつけるようにしてもよい。

また抽出した文字列が「押された状態」と「予め」という文言が含まれていた場合、全く同一の参照用文字列は無かったものの、解決コンセプトとしての「事前の内部応力」と連関性のある「予歪み」の「予」が一部一致しており、更に「押される」の「押」が、同じ解決コンセプトとしての「事前の内部応力」と連関性のある「押圧」が一部一致している場合には、この２つの文字列が含まれている文献データの発明につき、解決コンセプトとして「事前の内部応力」を割り当てるようにしてもよい。

更に文献データから抽出した文字列が「線膨張係数」であった場合に、材料間の線膨張係数の差異があれば事前に内部応力が負荷させることは明確であることから、参照用文字列との間に、完全一致又は一部一致しなかった場合であっても、「事前の内部応力」との間では、意味概念において類似性がある。この意味概念の類似性を予めシステム側において設定し、その類似性の高い参照用文字列と連関性の高い解決コンセプトを割り当てるようにしてもよい。

即ち、この抽出した文字列は、参照用文字列と文字が一部一致又は完全一致しているか否か、意味概念の類似性の度合いのみならず、抽出した文字列に対して何らかの対応関係がある参照用文字列であれば、その参照用文字列と連関性の高い解決コンセプトを割り当てるようにしてもよい。

解析した文字列と連関性のより高い解決コンセプトを判別する方法は、上述した方法に限定されるものではない。例えば、参照用文字列と解決コンセプトとの間で予め連関度が設定され、その連関度に基づいて解決コンセプトを選択する場合のみならず、この連関度が連関の有無のみ設定されている場合、つまりデジタル的に真偽のみが設定されている場合も同様である。かかる場合には、その連関度の有無のみに基づいて解決コンセプトを選択していくこととなる。

次にステップＳ１４に移行し、ステップＳ１２において抽出した文字列と連関性の高い付帯項目の割り当てを開始する。この割り当てを行う前において、端末装置１１又はサーバ１３は、図５に示すように参照用文字列と２種以上に定義された、発明に関する付帯項目（以下、付帯項目という。）の連関性を予め取得しておく。

付帯項目は、発明に関するあらゆる情報を含む概念である。付帯項目は、一般的には発明の目的、問題点、解決しようとする課題、作用効果、発明の構成、実施する上での形態、組立方法、実施するための方法等、発明に関するものであればよい。以下では、この付帯項目について解決しようとする課題とする場合を例に挙げて説明をする。かかる場合における付帯項目は、例えば「安価」、「製造容易性」、「汎用性」等が予め定義されているものと仮定する。この付帯項目Ｄ１、Ｄ２、Ｄ３、Ｅ１、Ｅ２、Ｅ３、Ｆ１、Ｆ２、Ｆ３、・・・は、予めシステム側において定義されているものである。

端末装置１１又はサーバ１３は、抽出した文字列と付帯項目が互いにどの程度関連しているかの度合いを示す、連関性を取得しておく。この連関性の表現方法としては、例えば図５に示すような矢印で繋がっている参照用文字列と付帯項目は、互いに連関しており、矢印で繋がっていない参照用文字列と付帯項目は、互いに連関していない形態で表現するようにしてもよい。即ち、このケースでは、参照用文字列と付帯項目の連関の有無を真または偽の２値により、デジタル的に表現することとなる。

これ以外の連関性の表現方法としては、アナログ的な表現方法を採用するようにしてもよい。例えば付帯項目Ｅ３は、参照用文字列ｄ２１、ｅ２１には８０％の割合で連関しており、更に参照用文字列ｆ１１が６０％、参照用文字列ｅ１１が４５％、参照用文字列ｆ２１が２４％、参照用文字列ｄ１１が０％等の連関度として表現されていてもよい。

例えば、付帯項目「安価」、については、連関度が８０％の参照用文字列として、「費用」、「安く」、「コスト」等、連関度が５０％の参照用文字列として「部品点数」等が登録されていてもてよい。また、付帯項目「製造容易性」については、連関度が８０％の参照用文字列として「作りやすい」、「作業性」等が、連関度５０％の参照用文字列として「少ない工程」等が登録されていてもよい。また付帯項目「汎用性」については、連関度が８０％の参照用文字列として「使い易さ」、連関度４０％の参照用文字列として「用途」等が登録されていてもよい。

端末装置１１又はサーバ１３は、ステップＳ１４の解析前までに、参照用文字列と付帯項目との連関性を自らの記憶部２７等に記憶しておき、いつでも読み出せるようにしておく。

この抽出した文字列から付帯項目を選択する際において、上述した予め取得した参照用文字列と付帯項目との連関性を参照するようにしてもよい。例えば、抽出した文字列が「コスト」である場合には、参照用文字列と付帯項目との連関性を参照した場合、その「コスト」と連関性の高いのは「安価」である。このため、この解析した「コスト」という文字列に対して連関性の高い「安価」をその文献データの発明の付帯項目として割り当てることとなる。

例えば、抽出した文字列が「用途」である場合には、参照用文字列と付帯項目との連関性を参照した場合、その「用途」と連関性の高いのは「汎用性」である。但し、この「用途」と「汎用性」はそれほど連関度が高いものではないため、解決コンセプトとしてこれを割り当てるか否かは、様々なルールに基づいて判断するようにしてもよい。その判断のルールとしては、例えば同じ「汎用性」の連関性の高い他の参照用文字列が同一文献データ内にある場合や、他の文献データにおいて、「汎用性」に対して連関性の低い「用途」と、連関性の高い「使い易さ」がその同じデータ内において出現する頻度が高い等の場合等、条件をつけるようにしてもよい。

また抽出した文字列の参照用文字列への当てはめは、ステップＳ１３において説明した方法を随時適用するようにしてもよい。更に抽出した文字列と解決コンセプトの場合と同様に、この抽出した文字列と付帯項目との関係において、一致する参照用文字列が無い場合においても意味概念において類似性を予めシステム側において設定し、その類似性の高い参照用文字列と連関性の高い付帯項目を割り当てるようにしてもよい。

即ち、この抽出した文字列は、参照用文字列と文字が一部一致又は完全一致しているか否か、意味概念の類似性の度合いのみならず、抽出した文字列に対して何らかの対応関係がある参照用文字列であれば、その参照用文字列と連関性の高い付帯項目を割り当てるようにしてもよい。

このステップＳ１４が終了すると、この文献データに記載されている発明につき、１以上の解決コンセプトと、１以上の付帯項目が割り当てられることとなる。即ち、この文献データに記載されている発明は、その割り当てられた付帯項目（解決しようとする課題）の下、その割り当てられた解決コンセプトに基づいて問題解決をしようとした発明であることが判別されることとなる。即ち、上述の例において、割り当てられた付帯項目が「製造容易性」であり、割り当てられた解決コンセプトが「二重構造」であれば、製造容易性を向上させることを目的とし、その解決コンセプトとして二重構造化を行った発明であることが判別されたこととなる。

次にステップＳ１５へ移行し、その文献データに記載されている発明につき、割り当てられた付帯項目と、割り当てられた解決コンセプトとの結びつき度を更新する。各付帯項目と各解決コンセプトは互いに図６に示すように、その結びつき度を介して互いの関連性が記述される。各付帯項目と各解決コンセプトとの結びつき度は、端末装置１１又はサーバ１３において記憶される。ステップＳ１４を経て、その文献データに記載されている発明につき、付帯項目と解決コンセプトが割り当てられたため、その解決コンセプトには、その付帯項目における解決課題と互いに結びつきが相対的に強いものと判別することができる。このため、その文献データに記載の発明について割り当てられた付帯項目と、解決コンセプトとの結びつき度を相対的により強くするように更新する。割り当てられた付帯項目と、解決コンセプトとの結びつき度をどの程度強くするかについては、ステップＳ１３、１４における参照用文字列との連関度等に基づくようにしてもよいし、他のいかなるルールを適用するようにしてもよい。

ステップＳ１５を終了させたあと、その他の文献データが存在しない場合には、そのまま終了となるが、解析対象の他の文献データが存在する場合には、再びステップＳ１５に戻り、上述した処理を繰り返し実行する。

その結果、付帯項目と、解決コンセプトとの結びつき度の更新が随時行われていくこととなる。これを多数の文献データについて実行することにより、付帯項目と、解決コンセプトの結びつき度の関係を多くのデータから反映させることができ、より信憑性の高い両者間の関係が得られることとなる。

本発明を適用した文献データ解析システムでは、これを構成する端末装置１１やサーバ１３に人工知能を実装させることにより、上述した処理動作を何れも人工知能を介して学習させながら行うことができる。

この人工知能による学習については、参照用文字列と解決コンセプトとの関係を学習させるようにしてもよいし、参照用文字列と付帯項目との関係を学習させるようにしてもよい。また、解決コンセプトと付帯項目との関係についても、結びつき度を都度更新させ、これを学習させるようにしてもよい。これらの学習の過程においては、人工知能の一つであるニューラルネットワークの考え方を取り入れ、両者間の連関性や結びつき度の強弱関係を繰り返し学習させるようにしてもよい。また、その他人工知能におけるいかなる周知の学習方法を適用するようにしてもよい。

文献データの数が多くなるにつれてこの学習精度がより高まり、上述した両者間の連関性や結びつき度の強弱関係がより高精度のものとなる。本発明は、このステップＳ１５を終了させた時点で完了させるようにしてもよい。一方、本発明を適用した文献データ解析システム１では、このようにして得られた参照用文字列と解決コンセプトとの連関性、参照用文字列と付帯項目との連関性、解決コンセプトと付帯項目との連関性を利用し、以下に説明するようなイノベーションの創造する上での支援を行うようにしてもよい。

イノベーション創造プロセスにおいては、新たに人為的に創作される創作物に関する情報をユーザ自身が入力するところから開始する。

このユーザにより入力される情報の例としては、社会的ニーズ、問題点、以前に提案されている従来技術、解決しようとする課題、新たに創造した発明の構成、アイデアのシーズ、アイデアのコンセプト、作用効果等を何れもテキストデータ化することが可能な文章や文字列、言語等で表現していくこととなる。このようにしてユーザから入力された情報を、以下、基本情報という。

ユーザは、この基本情報の入力を携帯端末１１における操作部２５を介して手動で行い、又は音声入力部３１を介して音声により入力する。この入力において、他の携帯端末１１やＰＣ等の電子機器において作成した基本情報をデータ入出力部２９から入力するようにしてもよい。またユーザが他の携帯端末１１やＰＣ等の電子機器において作成したテキストデータを、公衆通信網１２を介して実際に問題解決支援プログラムがインストールされた携帯端末１１に送信するようにしてもよい。

このようにして送信又は入力された基本情報は、記憶部２７に記憶されることとなる。

このようにして基本情報が入力された後に、実際に図７に示すようなイノベーション創造支援が行われていくこととなる。

問題解決支援プログラムは、ステップＳ２１において入力された基本情報について解析を行う。（ステップＳ２２）。この解析については、既存のあらゆるテキストマイニング技術、データマイニング技術、言語解析処理技術等を用いるようにしてもよい。

次に、この問題解決支援プログラムは、解析対象の基本情報を単語、形態素、句、節等、あらゆる文法上の構造単位の中から何れか１以上の単位に亘り、文字列の抽出を行う。この文字列の抽出は、上述したステップＳ１２と同様の手法を用いるようにしてもよい。

或いは、この基本情報が断片的にキーワードや単語そのもので入力される場合もある。例えば「ペットのお尻拭き」と入力された場合には、「ペット」「お尻拭き」という文字列を抽出することができる。また、この基本情報は、発明のコンセプトや構成が入力される以外に、解決しようとする課題が入力される場合がある。例えば、「安くて作りやすい」と入力される場合には、これをテキストマイニングにより解析することにより、「安」「安い」、「作り」、「作りやすい」等のように、文法上の構造単位の中から何れか１以上の単位に亘り、文字列の抽出が行われる。

次に問題解決支援プログラムは、ステップＳ２３へ移行し、ステップＳ２２において抽出した文字列と連関性の高い解決コンセプト、又はステップＳ２２において抽出した文字列と連関性の高い付帯項目の探索を開始する。この探索を行う前において、携帯端末１１は、図５に示すように参照用文字列と２種以上に分類されてなる抽象化された解決コンセプト、或いは参照用文字列と付帯項目の連関性は上述したように既に取得されている。

この基本情報から抽出した文字列から解決コンセプト又は付帯項目の選択についても、予め取得した参照用文字列と解決コンセプトとの連関性を参照するようにしてもよい。

例えば図８に示すように、基本情報から解析した文字列が「予歪み」である場合には、上述のように予め作成した参照用文字列と解決コンセプトとの連関性を参照した場合、その「予歪み」と連関性の高いのは「事前の内部応力」である。このため、この解析した「予歪み」という文字列に対して連関性の高い「事前の内部応力」を解決コンセプトとして探索することとなる。この解決コンセプトの探索は、上述したステップＳ１３に基づくものであってもよい。

このように基本情報から抽出した文字列から、参照用文字列を介して直接的に解決コンセプトを探索するようにしてもよいが、一般的には、基本情報から抽出した文字列から、参照用文字列を介して先ず付帯項目を選択し、その選択した付帯項目と結びつき度の高い解決コンセプトを選択する場合の方が多い。

かかる場合には、先ず図９に示すように、基本情報から抽出した文字列から付帯項目を選択していくこととなる。例えば、抽出した文字列が「コスト」である場合には、上述の如く作成した参照用文字列と付帯項目との連関性を参照した場合、その「コスト」と連関性の高いのは「安価」である。このため、この解析した「コスト」という文字列に対して連関性の高い「安価」をその基本情報に対する付帯項目として割り当てることとなる。

例えば、抽出した文字列が「用途」である場合には、参照用文字列と付帯項目との連関性を参照した場合、その「用途」と連関性の高いのは「汎用性」である。但し、この「用途」と「汎用性」はそれほど連関度が高いものではないため、解決コンセプトとしてこれを割り当てるか否かは、様々なルールに基づいて判断するようにしてもよい。また抽出した文字列と参照用文字列との間で、文字の一致度の高低、社会通念上の概念の同一性等も含めて、判断するようにしてもよい。その判断のルールは、上述したステップＳ１４と同様のものであってもよい。

このようにして、入力した基本情報に対して付帯項目が選択されると、次は図６に示す解決コンセプトと付帯項目の結びつき度を参照し、選択した付帯項目と結びつき度の高い解決コンセプトを選択する。基本情報が解決課題の文字列である場合、その文字列と連関性の高い付帯項目が選択され、さらに当該付帯項目と結びつき度の強い解決コンセプトが選択される。この結びつき度が高い解決コンセプトは、過去の文献データを解析し、その付帯項目を構成する解決課題や作用効果と関連性の高いものである。即ち、付帯項目を構成する課題を解決する上で、作用効果を起こさせる上で、過去において頻繁に選択されている解決コンセプトであることを意味する。このため、入力した基本情報に対して連関性の高い付帯項目が選択された場合においても、当該付帯項目につき過去において頻繁に選択される解決コンセプトを提示することとなる。

即ち、この問題解決支援プログラムは、基本情報を解析することで得られた文字列から、これに見合った解決コンセプトを付帯項目を介して即座に選択し、これを出力することができる。この付帯項目と解決コンセプトの結びつき度は、人工知能を介した学習を通じてその精度は高いものとなっている。このため、この付帯項目に対してピンポイントに応えることができる解決コンセプトを高精度に選択することが可能となる。

次に、本発明の他の実施の形態について説明をする。

上述の例では、あくまで一の参照用文字列に対して１又は２以上の解決コンセプトの連関性を参照するものであるのに対して、図１０の例では、複数の参照用文字列間の組み合わせに対する各解決コンセプト（付帯項目）との連関性を参照するものである。

図１０では、参照用文字列として、ａ〜ｇ等があり、これらの組み合わせに対してそれぞれ付帯項目Ａ１、Ａ２、・・・が割り当てられている。実線がその連関性を示すものであり、点線はその組み合わせを示すものである。例えば、ａとｂとが互いに点線でつながっており、そこから実線が、Ａ２、Ｃ１に伸びている。これは、ａとｂの組み合わせに対する連関性の高い付帯項目（解決コンセプト）がＡ２、Ｃ１であることを示している。つまり参照用文字列がａのみであると、何を解決したいのか、何が問題になっているのかが分からない。これに対して、ａとｂが組み合わさると、条件が付加された結果に具体的に何のイノベーションかが分かる。つまり、参照用文字列が「犬」のみであると、犬の何を解決したいのか、何が問題になっているのかが分からない。これに対して、「犬」と「尻拭き」が組み合わさると、犬が糞をした後の肛門を拭くためのイノベーションであることがある程度絞られ、これに応じた付帯項目（解決コンセプト）を絞り込むことが可能となる。ａとｂとｃが組み合わさった場合、つまり、「犬」、「尻拭き」、「ポリ袋」が組み合わさる点線においては、更にＡ２、Ｂ２の付帯項目（解決コンセプト）が連関性の高いものとして繋がる。これは上述した犬の尻拭きに更にポリ袋が加わることで、ポリ袋を使って犬の尻拭きをするための付帯項目（解決コンセプト）が更に絞られてくることを意味する。

上述した参照用文字列の組み合わせは名詞−名詞であるが、例えば、「シール」と「貼る」の組み合わせのように名詞−動詞であってもよい。名詞と動詞が結びつくことにより、実現しようとする命題が「シールを貼る」のように明確になる。そして、このシールを貼ることに対する連関性の高い付帯項目（解決コンセプト）としてＢ３がリンクすることとなる。また、これに加えて、更に「ポリ袋」という参照用文字列が組み合わされば、ポリ袋にシールを貼るための付帯項目（解決コンセプト）が絞られてくることとなる。また「安価」という参照用文字列が加われば、ポリ袋にシールを安価に貼るための付帯項目（解決コンセプト）が絞られてくることとなる。

このような各参照用文字列の組み合わせに対する１以上の付帯項目（解決コンセプト）の連関性を上述した例と同様に予め人工知能を通じて学習して取得しておくことにより、実際に基本情報から解析した文字列から付帯項目（解決コンセプト）を選択する際に、これを参照することが可能となる。特にこの参照用文字列単独よりも、これらを互いに組み合わせにより、意図している付帯項目（解決コンセプト）をより絞り込むことができ、ユーザが本当に所望する付帯項目（解決コンセプト）を効果的に選択して提案することも可能となる。

実際にこの各参照用文字列の組み合わせに対する１以上の付帯項目（解決コンセプト）の連関性を参照する際には、基本情報から複数の文字列を抽出する。そして、この抽出した複数の文字列に応じた、複数の参照用文字列間の組み合わせに対して連関性が高い付帯項目（解決コンセプト）を選択することとなる。かかる場合も上述と同様に、基本情報から解析した文字列は、参照用文字列と文字が一部一致又は完全一致しているか否か、意味概念の類似性の度合いのみならず、基本情報からの文字列に対して何らかの対応関係がある参照用文字列であれば、その参照用文字列と連関性の高い解決コンセプトを探索するようにしてもよい。

このとき、複数の参照用文字列間の組み合わせは、名詞−動詞、名詞−形容詞、形容詞−動詞、名詞−名詞の何れかの組み合わせとされていてもよい。基本情報から文字列を抽出する際には、単語又は句として名詞−動詞、名詞−形容詞、形容詞−動詞、名詞−名詞の何れか１以上の組み合わせで構成される複数の文字列を抽出し、参照用文字列における同じ品詞の組み合わせを参照しながら解決コンセプトを探索するようにしてもよい。

また、サーバ１３が人工知能により制御される場合には、参照用文字列と付帯項目（解決コンセプト）との連関性を学習させるようにしてもよい。つまり、参照用文字列と解決コンセプトや付帯項目の連関性や、参照用文字列間の組み合わせと解決コンセプトや付帯項目との連関性を人工知能による学習により随時更新していく。人工知能は、外部からサーバ１３に対して公衆通信網１２を介して提供された情報に基づいて学習を行う。このサーバ１３に対して外部から提供される情報は、例えば本システムを使用する携帯端末１１から送信されるものであってもよい。携帯端末１１により、本発明を適用した問題解決支援プログラムが使用される結果、ユーザにより選択された参照用文字列と解決コンセプトや付帯項目の関係、或いはユーザにより選択されなかった参照用文字列と解決コンセプトや付帯項目の関係等、過去の履歴情報を携帯端末１１側において記録しておく。そして、これら過去の履歴情報を携帯端末１１からサーバ１３へ送信する。サーバ１３を制御する人工知能は、この送信されてきた過去の履歴情報に基づいて、参照用文字列と解決コンセプトや付帯項目との連関性を更新する。つまり、ユーザにより選択された参照用文字列と解決コンセプトや付帯項目の関係については連関性を高く更新し、またユーザにより選択されなかった参照用文字列と解決コンセプトや付帯項目の関係は連関性をより低く更新する。この更新については、ニューラルネットワーク等を利用してもよい。

このような過去の履歴情報を、本システムを利用する全ての携帯端末１１からサーバ１３へ集められることにより、参照用文字列と解決コンセプトや付帯項目との連関性は、大量のデータに基づいて随時学習がなされ、よりユーザがより受け入れ易く、また解決に最も近道となるような解決コンセプトを提供しやすくなる。

サーバ１３における参照用文字列と解決コンセプトや付帯項目との連関性の学習を、携帯端末１１側に実装した人工知能に行わせるようにしてもよいことは勿論である。

ちなみに、この人工知能が学習する上での外部からのデータは、上述した本システムを利用した携帯端末１１の過去の履歴情報のみならず、公衆通信網を介して取得可能な全てのインターネット情報、ビックデータを利用するものであってもよい。また、特許庁の特許情報プラットフォームから取得可能な特許情報にアクセスし、文字列と解決コンセプトの関係をそこから取得することで、参照用文字列と解決コンセプトや付帯項目との連関性を人工知能による学習により更新するものであってもよい。

例えば、「犬」と「尻拭き」という２つの文字列をand条件でインターネットで検索した場合、犬が糞をした後の肛門を拭くための様々な解決方法が掲載されているホームページが出てくる。そのホームページに記載されている解決方法のテキスト情報を取得し、これをテキストマイニングすることで、いかなる解決コンセプトや付帯項目に対応するのかを人工知能により見出していく。かかる例において、二層に布を重ねることで汚れが指に付着しない旨の解決方法をテキスト情報として取得した場合には、これをテキストマイニング分析し、「二層」という文言から解決コンセプトの「幾層にも積層させて対処する」に関連するものと考えた場合には、「犬」と「尻拭き」という２つの参照用文字列と、解決コンセプトの「幾層にも積層させて対処する」との連関性を強くするように更新する。

また、本発明によれば、文献データや基本情報から解析した文字列と、参照用文字列との対応関係を人工知能により学習させるようにしてもよい。この人工知能による学習は、携帯端末１１側又はサーバ１３側の何れにおいて実行するようにしてもよい。

例えば、図１１に示すように、文献データや基本情報から解析した文字列がどの範囲まで参照用文字列「尻拭き」と対応するかを考えるとき、先ず文字列「尻拭き」は、参照用文字列「尻拭き」とほぼ１００％対応する。これに対して、参照用文字列「尻拭き」に対して、文字列「体拭き」は７０％、文字列「体洗い」は５０％、文字列「ブラシ入れ」は３５％、文字列「エサやり」は５％等、対応関係をパーセント等の数値を介して把握するようにしてもよい。そして外部から提供される情報に基づいて、この対応関係の数値を変更したり、或いは新しい文字列と参照用文字列との関係を定義するようにしてもよい。例えば、インターネットから取得した情報、或いは外部から読み込んだ文書から、「体拭き」と「尻拭き」との共起度（一つのホームページ内、一つの文書内において共に出願する確率）が高い場合には、上述した対応関係のパーセントの数値を上げ、共起度が低い場合には、上述した対応関係のパーセントの数値を下げるように制御するようにしてもよい。

文献データや基本情報から解析した文字列と、参照用文字列との対応関係は、文字が一部一致又は完全一致しているか否か以外に、意味概念の類似性の度合いについても、インターネットから取得した情報、或いは外部から読み込んだ文書から人工知能により学習させるようにしてもよい。例えば「尻拭き」と「糞取り」は、文言上は一致する所は無いものの一つのホームページ内、一つの文書内において共に出願する確率が高い場合には、意味概念が類似のものとして、新たに参照用文字列「尻拭き」に対応する文言として登録するようにしてもよい。

また本発明によれば、ユーザに対して新たに基本情報の入力を促すプロセスを導入するようにしてもよい。この基本情報の入力の促進は、基本情報をマイニングすることで抽出した文字列、又はステップＳ１３における解決コンセプトの探索結果に応じて行うようにしてもよい。

例えば、基本情報から抽出した文字列が、単に「尻拭き」、「安価」のみであった場合、人や犬等、何を対象とした尻拭きであるかを特定しないと解決コンセプトが絞り込めない場合がある。かかる場合には、基本情報をマイニングした結果、尻拭きの対象と考えられる文字列が他に出てこなかった場合には、その対象を特定するために、更なる基本情報の入力を促すようにしてもよい。

また、「犬」、「尻拭き」、「ポリ袋」、「貼る」が基本情報から抽出できた場合には、犬を対象とした尻拭きであり、ポリ袋に貼り付け可能であることは読み取ることができる。特に図１０に示すような複数の参照用文字列の組み合わせに対して連関性の高い解決コンセプトを絞り込む上で、どうしてもその解決課題に関する情報があると更に望ましい場合があるとする。かかる場合において、基本情報をマイニングした結果、解決課題と考えられる文字列が他に出てこなかった場合には、その対象を特定するために、更なる基本情報の入力を促すようにしてもよい。解決課題に対応する文字列の有無の判断は、例えば「安価」、「製造容易性」、「汎用性」等の解決課題のグループ毎に、これらを示す文字列を予め登録しておき、その登録した文字列と全部一致又は一部一致する文字列が基本情報内にあるか否かを判断するようにしてもよい。

更に本発明によれば、基本情報から抽出された文字列、又は提案された解決コンセプトに基づいて具体的な発明の構成を探索してこれを表示するようにしてもよい。或いは基本情報から抽出された文字列及び提案された解決コンセプトの双方に基づいて具体的な発明の構成を探索してこれを表示するようにしてもよい。何れの場合においても、これらの作業は人工知能を介して行うこととなる。

かかる場合において、抽出された文字列として「犬」、「尻拭き」、「指先」、「シール状」、「ポリ袋」、「糞取りの効率性」であり、解決コンセプトが、「フィット性の向上」である場合には、犬の尻拭きにおいてシール状でポリ袋の貼り付るところまでは、文字列をつなげるだけですぐに導き出すことができる。かかる場合において、人工知能は、図１２（ａ）に示すように、ポリ袋７にシール状の犬用の尻拭き体７０を貼り付けるところまでは、インターネット上にある画像の素材等を組み合わせることで簡単に描くことができる。

人工知能は、次に、「指先」、「糞取りの効率性」という文字列と、「フィット性の向上」という解決コンセプトを読み出し、この尻拭き体７０に対して更に構成を付加していく。図１２（ｂ）に示すように、指先とフィット性から、ちょうど指先にフィットするような溝７６、７７、７８を設け、右手であれば溝７８に人差し指、溝７７に中指、溝７６に薬指をはめ込んでフィットさせることで、犬の糞取りの効率性をさせることを人工知能自身が考える。人工知能は、フィット性という文言から、例えばインターネット等から情報を引き出し、フィット性を実現するために対象物の回りを取り囲む、取り囲み体があることを見つけ出し、この取り囲み体はあくまで指を対象としているところまでを見出すことができる。そして、指を取り囲むためには、溝状にシール体を形成させればよいことは、これもインターネット等から周知の技術として抽出することができる。

このようにして、最終的に出来上がった図１２（ｂ）の形態を表示部２６上に表示する。この表示された形態をユーザ自身が理解することにより、コンセプトを纏め上げて商品化へと進めることが可能となる。

１ 文献データ解析システム
７ ポリ袋
１１ 携帯端末
１２ 公衆通信網
１３ サーバ
２１ 内部バス
２２ ＲＯＭ
２３ ＲＡＭ
２４ ＣＰＵ
２５ 操作部
２６ 表示部
２７ 記憶部
２９ データ入出力部
３１ 音声入力部
４１ シーズ

第１発明に係る文献データ解析システムは、発明に関する情報が記述された文献データから文字列を抽出するマイニング手段と、予め２種以上に定義された各解決コンセプトのうち、１以上の解決コンセプトを上記発明に対して上記マイニング手段により抽出された文字列を介して割り当てる割当手段と、音声入力又は手動入力により取得した新たに人為的に創作された創作物に関する情報から文字列を抽出する文字列抽出手段と、各参照用文字列と上記割当手段により割り当てられた各解決コンセプトとの３段階以上の連関度を参照し、上記文字列抽出手段により抽出された文字列に応じた参照用文字列と上記解決コンセプトとの３段階以上の連関度に基づき、１以上の解決コンセプトを探索する探索手段とを備えることを特徴とする。

第５発明に係る文献データ解析システムは、発明に関する情報が記述された文献データから文字列を抽出するマイニング手段と、予め取得した各第１参照用文字列と２種以上に分類された各解決コンセプトとの３段階以上の連関度を参照し、上記マイニング手段により抽出された文字列に応じた第１参照用文字列と解決コンセプトとの３段階以上の連関度に基づき、１以上の解決コンセプトを上記発明に対して割り当てると共に、予め取得した各第２参照用文字列と２種以上に分類された各付帯項目との３段階以上の連関度を参照し、上記マイニング手段により抽出された他の文字列に応じた第２参照用文字列と付帯項目との３段階以上の連関度に基づき、１以上の付帯項目を割り当て、更に上記割り当てた解決コンセプトと上記割り当てた付帯項目との結びつき度をより強くするように制御する割当手段と、音声入力又は手動入力により取得した新たに人為的に創作された創作物に関する情報から文字列を抽出する文字列抽出手段と、上記文字列抽出手段により抽出された文字列に応じた第２の参照用文字列と付帯項目との３段階以上の連関度に基づき、当該文字列を１以上の付帯項目に割り当て、その割り当てた付帯項目と解決コンセプトとの結びつき度に基づき、１以上の解決コンセプトを探索する探索手段とを備えることを特徴とする。

第１２発明に係る文献データ解析プログラムは、発明に関する情報が記述された文献データから文字列を抽出するマイニングステップと、予め２種以上に定義された各解決コンセプトのうち、１以上の解決コンセプトを上記発明に対して上記マイニングステップにおいて抽出した文字列を介して割り当てる割当ステップと、音声入力又は手動入力により取得した新たに人為的に創作された創作物に関する情報から文字列を抽出する文字列抽出ステップと、各参照用文字列と上記割当ステップにおいて割り当てた各解決コンセプトとの３段階以上の連関度を参照し、上記文字列抽出ステップにおいて抽出した文字列に応じた参照用文字列と上記解決コンセプトとの３段階以上の連関度に基づき、１以上の解決コンセプトを探索する探索ステップとをコンピュータに実行させることを特徴とする。

第１３発明に係る文献データ解析プログラムは、発明に関する情報が記述された文献データから文字列を抽出するマイニングステップと、予め取得した各第１参照用文字列と２種以上に分類された各解決コンセプトとの３段階以上の連関度を参照し、上記マイニングステップにおいて抽出した文字列に応じた第１参照用文字列と解決コンセプトとの３段階以上の連関度に基づき、１以上の解決コンセプトを上記発明に対して割り当てると共に、予め取得した各第２参照用文字列と２種以上に分類された各付帯項目との３段階以上の連関度を参照し、上記マイニングステップにおいて抽出した他の文字列に応じた第２参照用文字列と付帯項目との３段階以上の連関度に基づき、１以上の付帯項目を割り当て、更に上記割り当てた解決コンセプトと上記割り当てた付帯項目との結びつき度をより強くするように制御する割当ステップと、音声入力又は手動入力により取得した新たに人為的に創作された創作物に関する情報から文字列を抽出する文字列抽出ステップと、上記文字列抽出ステップにおいて抽出した文字列に応じた第２の参照用文字列と付帯項目との３段階以上の連関度に基づき、当該文字列を１以上の付帯項目に割り当て、その割り当てた付帯項目と解決コンセプトとの結びつき度に基づき、１以上の解決コンセプトを探索する探索ステップとをコンピュータに実行させることを特徴とする。

Claims (13)

1. 発明に関する情報が記述された文献データから文字列を抽出するマイニング手段と、
   予め２種以上に定義された各解決コンセプトのうち、１以上の解決コンセプトを上記発明に対して上記マイニング手段により抽出された文字列を介して割り当てる割当手段とを備えること
   を特徴とする文献データ解析システム。
2. 上記割当手段は、予め取得した各参照用文字列と２種以上に分類された各解決コンセプトとの連関性を参照し、上記マイニング手段により抽出された文字列に応じた参照用文字列と解決コンセプトとの連関性に基づき、１以上の解決コンセプトを割り当てること
   を特徴とする請求項１記載の文献データ解析システム。
3. 上記割当手段は、予め２種以上に定義された発明に関する付帯項目のうち、１以上の付帯項目を上記発明に対して上記マイニング手段により抽出された他の文字列を介して割り当て、上記割り当てた解決コンセプトと、上記割り当てた付帯項目との結びつき度をより強くするように制御すること
   を特徴とする請求項１又は２記載の文献データ解析システム。
4. 上記割当手段は、予め取得した各参照用文字列と２種以上に分類された各付帯項目との連関性を参照し、上記マイニング手段により抽出された文字列に応じた参照用文字列と付帯項目との連関性に基づき、１以上の付帯項目を割り当てること
   を特徴とする請求項３記載の文献データ解析システム。
5. 上記割当手段は、複数の文献について上記解決コンセプトの割り当て及び上記付帯項目の割り当てを行うことで、上記解決コンセプトと上記付帯項目との結びつき度を都度更新すること
   を特徴とする請求項３又は４記載の文献データ解析システム。
6. 上記マイニング手段及び／又は上記割当手段は、人工知能により制御されること
   を特徴とする請求項３〜５のうち何れか１項記載の文献データ解析システム。
7. 上記割当手段は、人工知能により制御され、
   都度更新する上記解決コンセプトと上記付帯項目との結びつき度の高低を学習すること
   を特徴とする請求項５記載の文献データ解析システム。
8. 上記割当手段は、人工知能により制御され、予め取得した各参照用文字列と２種以上に分類された各解決コンセプトとの連関性、予め取得した各参照用文字列と２種以上に分類された各付帯項目との連関性を学習すること
   を特徴とする請求項４記載の文献データ解析システム。
9. 音声入力又は手動入力により取得した新たに人為的に創作された創作物に関する情報から文字列を抽出する文字列抽出手段と、
   上記文字列抽出手段により抽出された文字列に応じた参照用文字列と付帯項目との連関性に基づき、当該文字列を１以上の付帯項目に割り当て、その割り当てた付帯項目と解決コンセプトとの結びつき度に基づき、１以上の解決コンセプトを探索する探索手段とを備えること
   を特徴とする請求項３〜８のうち何れか１項記載の文献データ解析システム。
10. 上記文字抽出手段及び探索手段は、携帯情報端末内に設けられていること
    を特徴とする請求項９記載の文献データ解析システム。
11. 上記文字抽出手段及び／又は上記探索手段は、人工知能により制御されること
    を特徴とする請求項９又は１０項記載の文献データ解析システム。
12. 上記携帯情報端末との間で通信網を介して無線通信可能なサーバを備え、
    上記サーバは、上記割り当てた解決コンセプトと、上記割り当てた付帯項目との結びつき度が記録されていること
    を特徴とする請求項３〜１１のうち何れか１項記載の文献データ解析システム。
13. 発明に関する情報が記述された文献データから文字列を抽出するマイニングステップと、予め２種以上に定義された各解決コンセプトのうち、１以上の解決コンセプトに上記マイニングステップにおいて抽出した文字列を割り当てる割当手段とをコンピューターに実行させること
    を特徴とする文献データ解析プログラム。

Images