JP2017151860A - 検索制御プログラム、検索制御装置及び検索制御方法 - Google Patents

Abstract

【課題】検索した結果を出力する際の優先度を適切に決定することを可能とする検索制御プログラム、検索制御装置及び検索制御方法を提供する。【解決手段】教師データに含まれる第１質問情報と第１回答情報とのそれぞれからキーワードを抽出し、第１回答情報が前記第１質問情報に対する回答としてどの程度確からしいかを算出するための算出パラメータを、第１質問情報から抽出されたキーワードに対応する付帯情報と、第１回答情報から抽出されたキーワードに対応する付帯情報と、第１回答情報が前記第１質問情報に対して正解であるか否かを示す正誤情報とに基づいて機械学習し、入力された新たな質問情報に対応する複数の回答情報を出力する際に、機械学習した算出パラメータにより、新たな質問情報から抽出されるキーワードに対応する付帯情報と、複数の回答情報それぞれから抽出されるキーワードに対応する付帯情報とに基づいて、複数の回答情報それぞれの確からしさを算出する。【選択図】図７

Description

本発明は、検索制御プログラム、検索制御装置及び検索制御方法に関する。

例えば、利用者に対してサービスを提供する事業者（以下、単に事業者とも呼ぶ）は、利用者に対して各種サービスの提供を行うために、用途に応じた業務システム（以下、情報処理システムとも呼ぶ）を構築して稼働させる。情報処理システムは、例えば、利用者からサービスに関する質問文（以下、質問情報とも呼ぶ）を受け付けた場合に、各質問文に対する回答文（以下、回答情報とも呼ぶ）が記憶された記憶部から、受け付けた質問文に対応する回答文の検索を行う。そして、情報処理システムは、検索した回答文を利用者に送信する。

上記のような回答文の検索を行う場合、情報処理システムは、例えば、受け付けた質問文に対して形態素分割を行い、複数のキーワードからなるキーワード群を生成する。そして、情報処理システムは、例えば、記憶部に記憶された複数の回答文から、生成したキーワード群に含まれるキーワードをより多く含む回答文の抽出を行う。これにより、事業者は、利用者から受け付けた質問文に対応する回答文を利用者に送信することが可能になる（例えば、特許文献１から４参照）。

特開２００２−３３４１０７号公報 特開平９−８１５７８号公報 特開２００３−９１５５６号公報 特開２００７−１０２７２３号公報

上記のような情報処理システムは、利用者から受け付けた質問文に対応する回答文の検索を行った場合、例えば、検索した回答文を利用者が閲覧可能な出力装置に出力する。そして、検索した回答文が複数ある場合、情報処理システムは、例えば、より適切であると判定した回答文の出力を優先的に行う。

しかしながら、利用者が求めている回答文と、情報処理システムが質問文に対してより適切であると判定した回答文とが一致しない場合がある。また、利用者は、出力装置に出力された回答文のうち、優先的に出力された回答文（例えば、出力装置において利用者が閲覧しやすい位置に出力された回答文）のみの閲覧を行う場合がある。そのため、情報処理システムは、利用者に対し、利用者が求めている回答文を閲覧させることができない場合がある。

そこで、一つの側面では、本発明は、検索した結果を出力する際の優先度を適切に決定することを可能とする検索制御プログラム、検索制御装置及び検索制御方法を提供することを目的とする。

実施の形態の一態様では、コンピュータに、教師データに含まれる第１質問情報と第１回答情報とのそれぞれからキーワードを抽出し、前記第１回答情報が前記第１質問情報に対する回答としてどの程度確からしいかを算出するための算出パラメータを、前記第１質問情報から抽出されたキーワードに対応する付帯情報と、前記第１回答情報から抽出されたキーワードに対応する付帯情報と、前記第１回答情報が前記第１質問情報に対して正解であるか否かを示す正誤情報とに基づいて機械学習し、入力された新たな質問情報に対応する複数の回答情報を出力する際に、機械学習した前記算出パラメータにより、前記新たな質問情報から抽出されるキーワードに対応する付帯情報と、前記複数の回答情報それぞれから抽出されるキーワードに対応する付帯情報とに基づいて、前記複数の回答情報それぞれの確からしさを算出する、処理を実行させる。

一つの側面によれば、検索した結果を出力する際の優先度を適切に決定することを可能とする。

情報処理システム１０の構成を示す図である。 回答情報の検索について説明する図である。 回答情報の検索について説明する図である。 情報処理装置１のハードウエア構成を示す図である。 情報処理装置１の機能ブロック図である。 第１の実施の形態における検索制御処理の概略を説明するフローチャート図である。 第１の実施の形態における検索制御処理の概略を説明するフローチャート図である。 第１の実施の形態における検索制御処理の概略を説明する図である。 第１の実施の形態における検索制御処理の概略を説明する図である。 第１の実施の形態における検索制御処理の詳細を説明するフローチャート図である。 第１の実施の形態における検索制御処理の詳細を説明するフローチャート図である。 第１の実施の形態における検索制御処理の詳細を説明するフローチャート図である。 教師データ１３１の具体例を説明する図である。 第１質問情報１３１ａ及び第１回答情報１３１ｂから抽出されたキーワード情報の具体例を説明する図である。 観点テーブル１３２の具体例を説明する図である。 Ｓ２４の処理で特定された付帯情報の具体例を説明する図である。 Ｓ２５の処理で特定された付帯情報の具体例を説明する図である。 Ｓ２６の処理で特定された第１付帯情報の具体例を説明する図である。 Ｓ２６の処理で特定された第１付帯情報の具体例を説明する図である。 第２質問情報１４１ａの具体例を説明する図である。 第２回答情報１４１ｂの具体例を説明する図である。 Ｓ３７の処理で特定された第２付帯情報の具体例を説明する図である。 算出パラメータ１３３の具体例を説明する図である。 優先度情報の具体例を説明する図である。 検索スコアの設定を行った場合における第１付帯情報の具体例を説明する図である。 第２の実施の形態における検索制御処理を説明する図である。

［管理装置及び物理マシンの構成］
図１は、情報処理システム１０の構成を示す図である。図１に示す情報処理システム１０は、例えば、情報処理装置１（以下、検索制御装置１とも呼ぶ）と、記憶部２と、複数の事業者端末１１とを有する。

情報処理装置１は、事業者が使用する端末である事業者端末１１から送信された質問情報を受信した場合、受信した質問情報に対応する回答情報（受信した質問情報に含まれる内容を解決するための情報を含む回答情報）を検索する。そして、情報処理装置１は、検索した回答情報を事業者端末１１に送信する。

事業者端末１１は、事業者が使用する端末であり、例えば、質問情報を情報処理装置１に送信する。具体的に、事業者端末１１は、例えば、利用者から送信されたメール（例えば、サービスに関する問い合わせ内容が記載されたメール）に記載された内容の一部を抽出し、質問情報として情報処理装置１に送信する。また、事業者端末１１は、例えば、利用者から電話連絡を受けた担当者が入力した内容（例えば、サービスに関する問い合わせ内容）を、質問情報として情報処理装置１に送信する。

［回答情報の検索］
次に、回答情報の検索について説明を行う。図２及び図３は、回答情報の検索について説明する図である。

図２に示すように、事業者端末１１は、例えば、利用者が送信したメールを受信した場合、または、利用者から電話連絡を受けた担当者がその電話の内容を入力した場合に、質問情報を情報処理装置１に送信する（図２の（１））。

そして、情報処理装置１は、事業者端末１１が送信した質問情報を受信した場合、受信した質問情報に対応する回答情報を検索する（図２の（２））。具体的に、情報処理装置１は、事業者端末１１から質問情報を受信した場合、例えば、受信した質問情報を形態素分割し、複数のキーワードからなるキーワード群を生成する。そして、情報処理装置１は、各質問情報に対応する各回答情報を記憶した記憶部２にアクセスし、例えば、生成したキーワード群に含まれるキーワードをより多く含む回答情報の抽出を行う。

その後、情報処理装置１は、検索した回答情報を事業者端末１１に送信する（図２の（３））。そして、事業者端末１１は、例えば、情報処理装置１から送信された回答情報を、利用者が閲覧可能な出力装置（図示しない）に出力する（図２の（４））。これにより、利用者は、送信等した問い合わせ内容に対する回答情報を閲覧することが可能になる。

ここで、情報処理装置１は、検索した回答情報が複数存在した場合、例えば、より適切であると判定した回答情報を優先的に事業者端末１１に出力させる。しかしながら、図３に示すように、利用者が求めている回答情報と、情報処理装置１がより適切であると判定した回答情報とが一致しない場合がある。また、利用者は、事業者端末１１に出力された回答情報のうち、優先的に出力された回答情報のみの閲覧を行う場合がある。そのため、情報処理装置１は、利用者に対し、利用者が求めている回答情報を閲覧させることができない場合がある。

そこで、本実施の形態における情報処理装置１は、教師データに含まれる質問情報（以下、第１質問情報とも呼ぶ）と回答情報（以下、第１回答情報とも呼ぶ）とのそれぞれからキーワードを抽出する。そして、情報処理装置１は、第１回答情報が第１質問情報に対する回答としてどの程度確からしいかを算出するための算出パラメータを機械学習する。具体的に、情報処理装置１は、第１質問情報から抽出されたキーワードに対応する付帯情報と、第１回答情報から抽出されたキーワードに対応する付帯情報と、第１回答情報が第１質問情報に対して正解であるか否かを示す正誤情報とに基づいて機械学習を行う。なお、付帯情報は、各キーワードを同一の意味を有するキーワード毎に識別する情報、すなわち、各キーワードを上位概念化した情報である。

その後、情報処理装置１は、入力された新たな質問情報（以下、第２質問情報とも呼ぶ）に対応する複数の回答情報（以下、第２回答情報とも呼ぶ）を出力する際に、複数の第２回答情報の確からしさを算出する。具体的に、情報処理装置１は、機械学習した算出パラメータにより、第２質問情報から抽出されるキーワードに対応する付帯情報と、複数の第２回答情報それぞれから抽出されるキーワードに対応する付帯情報とに基づいて、複数の第２回答情報それぞれの確からしさを算出する。

すなわち、事業者は、例えば、事業者端末１１から受信する可能性が高い質問情報を、予め第１質問情報として選択する。また、事業者は、選択した第１質問情報による検索が行われる場合に、検索されることが望ましい回答情報を、第１回答情報として選択する。さらに、事業者は、例えば、選択した第１質問情報及び第１回答情報と、選択した第１回答情報が第１質問情報に対して適した回答であること（正解であること）を示す正誤情報とを対応させる形で教師データを作成する。また、事業者は、選択した第１質問情報による検索が行われる場合に、検索されることが望ましい回答情報を、他の第１回答情報として選択する。そして、事業者は、例えば、選択した第１質問情報及び他の第１回答情報と、選択した他の第１回答情報が第１質問情報に対して適した回答でないこと（不正解であること）を示す正誤情報とを対応させる形で教師データを作成する。その後、情報処理装置１は、各教師データに含まれる第１質問情報、第１回答情報及び正誤情報を対応させて機械学習を行う。

これにより、情報処理装置１は、第１質問情報に対し、利用者が求めている第１回答情報と、利用者が求めていない第１回答情報（他の第１回答情報）とを区別しながら機械学習することが可能になる。

一方、情報処理装置１は、入力された第２質問情報によって検索した結果である複数の第２回答情報の出力を行う際に、事業者が作成した教師データによって機械学習した算出パラメータを参照する。そして、情報処理装置１は、例えば、利用者がより求めている第２回答情報の確からしさが高くなるように、出力される複数の第２回答情報それぞれの確からしさを算出する。

これにより、情報処理装置１は、例えば、算出された確からしさ（以下、優先度とも呼ぶ）が高い順に、第２回答情報の出力を行うことが可能になる。そのため、情報処理装置１は、利用者に対し、利用者が求めている回答情報を優先的に閲覧させることが可能になる。すなわち、情報処理装置１は、第２回答情報のそれぞれを評価した結果により、利用者が求めている回答情報として確からしい第２回答情報を優先的に提示するための優先度制御を行うことが可能になる。

［情報処理装置のハードウエア構成］
次に、情報処理装置１のハードウエア構成について説明する。図４は、情報処理装置１のハードウエア構成を示す図である。

情報処理装置１は、プロセッサであるＣＰＵ１０１と、メモリ１０２と、外部インターフェース（Ｉ／Ｏユニット）１０３と、記憶媒体１０４とを有する。各部は、バス１０５を介して互いに接続される。

記憶媒体１０４は、例えば、記憶媒体１０４内のプログラム格納領域（図示しない）に、第１回答情報を出力する際の優先度を算出する処理（以下、検索制御処理とも呼ぶ）を行うためのプログラム１１０を記憶する。また、記憶媒体１０４は、例えば、検索制御処理を行う際に用いられる情報を記憶する情報格納領域１３０（以下、記憶部１３０とも呼ぶ）を有する。

ＣＰＵ１０１は、図４に示すように、プログラム１１０の実行時に、プログラム１１０を記憶媒体１０４からメモリ１０２にロードし、プログラム１１０と協働して検索制御処理を行う。また、外部インターフェース１０３は、例えば、イントラネットやインターネット等からなるネットワークＮＷを介して事業者端末１１と通信を行う。

［情報処理装置の機能］
次に、情報処理装置１の機能について説明する。図５は、情報処理装置１の機能ブロック図である。

情報処理装置１のＣＰＵ１０１は、プログラム１１０と協働することにより、例えば、キーワード抽出部１１１（以下、抽出部１１１または受付部１１１とも呼ぶ）と、機械学習実行部１１２と、情報受信部１１３と、情報検索部１１４として動作する。また、情報処理装置１のＣＰＵ１０１は、プログラム１１０と協働することにより、例えば、優先度算出部１１５（以下、単に算出部１１５とも呼ぶ）と、結果出力部１１６として動作する。さらに、情報格納領域１３０には、例えば、教師データ１３１と、観点テーブル１３２と、算出パラメータ１３３と、識別関数１３４と、検索対象データ１３５とが記憶される。なお、以下、教師データ１３１は、第１質問情報１３１ａと、第１回答情報１３１ｂと、正誤情報１３１ｃとを対応させて含むものとして説明を行う。

キーワード抽出部１１１は、情報格納領域１３０に記憶された教師データ１３１に含まれる第１質問情報１３１ａと第１回答情報１３１ｂとのそれぞれからキーワードの抽出を行う。具体的に、キーワード抽出部１１１は、例えば、第１質問情報１３１ａと第１回答情報１３１ｂとのそれぞれに対して形態素分割を行うことにより、キーワードの抽出を行う。

また、キーワード抽出部１１１は、情報検索部１１４が第２質問情報１４１ａから抽出されたキーワードによって第２回答情報１４１ｂを検索した場合、第２質問情報１４１ａと第２回答情報１４１ｂとのそれぞれからキーワードの抽出を行う。具体的に、キーワード抽出部１１１は、例えば、第２質問情報１４１ａと第２回答情報１４１ｂとのそれぞれに対して形態素分割を行うことにより、キーワードの抽出を行う。

具体的に、教師データ１３１は、例えば、情報処理装置１が受信する可能性が高い第１質問情報１３１ａと、利用者が求めている回答である第１回答情報１３１ｂと、第１回答情報１３１ｂが第１質問情報１３１ａに対して適した回答であることを示す正誤情報１３１ｃとを対応させた情報を含む。また、教師データ１３１は、例えば、情報処理装置１が受信する可能性が高い第１質問情報１３１ａと、利用者が求めている回答ではない他の第１回答情報１３１ｂと、他の第１回答情報１３１ｂが第１質問情報１３１ａに対して適した回答でないことを示す正誤情報１３１ｃとを対応させた情報を含む。

これにより、情報処理装置１は、後述するように、第１質問情報に対し、利用者が求めている第１回答情報と、利用者が求めていない第１回答情報（他の第１回答情報）とを区別しながら機械学習することが可能になる。教師データ１３１の具体例については後述する。

なお、事業者等が情報処理装置１に教師データ１３１の入力を行った場合、キーワード抽出部１１１は、教師データ１３１の入力を受け付けるものであってよい。

機械学習実行部１１２は、教師データ１３１に含まれる第１回答情報１３１ｂが第１質問情報１３１ａに対する回答としてどの程度確からしいかを算出するための算出パラメータ１３３を機械学習する。

具体的に、機械学習実行部１１２は、第１質問情報１３１ａから抽出されたキーワードに対応する付帯情報のうち、第１回答情報１３１ｂから抽出されたキーワードに対応する付帯情報に含まれる付帯情報（以下、第１付帯情報、第１相関情報または第１相関度とも呼ぶ）を特定する。そして、機械学習実行部１１２は、第１付帯情報と、第１回答情報１３１ｂの優先度とを学習データとして識別関数１３４に入力し、算出パラメータ１３３の算出を行う。識別関数１３４は、例えば、第１付帯情報と、算出パラメータ１３３とが入力された場合に、第１回答情報１３１ｂの優先度を出力する関数である。なお、第１回答情報１３１ｂに対応する正誤情報１３１ｃが第１回答情報に対して適した回答であることを示している場合、機械学習実行部１１２は、例えば、その第１回答情報１３１ｂの優先度として「１．０」を識別関数１３４に入力するものであってよい。また、第１回答情報１３１ｂに対応する正誤情報１３１ｃが第１回答情報に対して適した回答でないことを示している場合、機械学習実行部１１２は、例えば、その第１回答情報１３１ｂの優先度として「０．０」を識別関数１３４に入力するものであってよい。そして、機械学習実行部１１２は、例えば、第１付帯情報毎の算出パラメータ１３３のそれぞれについて機械学習を行う。

すなわち、機械学習実行部１１２は、識別関数１３４に学習データを入力する毎に、過去に入力された学習データに対してのみでなく、新たに入力された学習データに対しても識別関数１３４が成立するように、算出パラメータ１３３の調整を行う。これにより、機械学習実行部１１２は、識別関数１３４に学習データを入力する毎に、算出パラメータ１３３の精度を高めることが可能になる。そのため、優先度算出部１１５は、後述するように、機械学習の汎化機能によって、機械学習されていない第１付帯情報が入力された場合であっても、入力された第１付帯情報に対応する第１回答情報１３１ｂの優先度を予測して出力することが可能になる。

なお、機械学習実行部１１２は、例えば、ＡＲＯＷ（Ａｄａｐｔｉｖｅ Ｒｅｇｕｌａｒｉｚａｔｉｏｎ ｏｆ Ｗｅｉｇｈｔ Ｖｅｃｔｏｒｓ）、ＣＷ（Ｃｏｎｆｉｄｅｎｃｅ Ｗｅｉｇｈｔｅｄ）、または、ＳＣＷ（Ｓｏｆｔ Ｃｏｎｆｉｄｅｎｃｅ Ｗｅｉｇｈｔｅｄ Ｌｅａｒｎｉｎｇ）等のアルゴリズムに従って動作するものであってよい。

情報受信部１１３は、事業者端末１１が送信した新たな質問情報（以下、第２質問情報１４１ａとも呼ぶ）を受信する。

情報検索部１１４は、キーワード抽出部１１１が抽出したキーワードを用いて、第２質問情報１４１ａに対応する回答情報（以下、第２回答情報１４１ｂとも呼ぶ）の検索を行う。具体的に、情報検索部１１４は、事業者が予め用意した複数の回答情報を含む検索対象データ１３５から、第２回答情報１４１ｂの検索を行う。検索対象データ１３５には、例えば、教師データ１３１に含まれる第１回答情報１３１ｂと同じ回答情報が含まれるものであってもよい。なお、事業者は、情報検索部１１４として、例えば、オープンソースの検索エンジンを利用するものであってよい。

優先度算出部１１５は、情報検索部１１４が第２質問情報１４１ａによって検索した複数の第２回答情報１４１ｂを出力する前に、情報格納領域１３０に記憶された算出パラメータ１３３により、複数の第２回答情報１４１ｂそれぞれの優先度を算出する。具体的に、優先度算出部１１５は、第２質問情報１４１ａから抽出されるキーワードに対応する付帯情報のうち、複数の第２回答情報１４１ｂそれぞれから抽出されるキーワードに対応する付帯情報に含まれる付帯情報（以下、第２付帯情報、第２相関情報または第２相関度とも呼ぶ）を、複数の第２回答情報１４１ｂ毎に特定する。そして、優先度算出部１１５は、第２付帯情報と、算出パラメータ１３３とを識別関数１３４に入力し、出力された優先度を第２回答情報１４１ｂの優先度として取得する。

結果出力部１１６は、情報検索部１１４が検索した第２回答情報１４１ｂを事業者端末１１に送信する。そして、事業者端末１１は、例えば、優先度算出部１１５が算出した優先度が高い順に、受信した第２回答情報１４１ｂを出力装置（利用者が閲覧可能な出力装置）に出力する。なお、観点テーブル１３２については後述する。

［第１の実施の形態］
次に、第１の実施の形態について説明する。図６及び図７は、第１の実施の形態における検索制御処理の概略を説明するフローチャート図である。また、図８及び図９は、第１の実施の形態における検索制御処理の概略を説明する図である。図８及び図９を参照しながら図６及び図７の検索制御処理の概略について説明する。

情報処理装置１は、機械学習実行タイミングになるまで待機する（Ｓ１のＮＯ）。機械学習実行タイミングは、例えば、事業者が教師データ１３１の機械学習を行うタイミングである。具体的に、機械学習実行タイミングは、例えば、事業者が教師データ１３１の機械学習を行う旨の入力を行ったタイミングであってよい。

そして、機械学習実行タイミングになった場合（Ｓ１のＹＥＳ）、情報処理装置１は、図８に示すように、教師データ１３１に含まれる第１質問情報１３１ａからキーワードを抽出する（Ｓ２）。また、情報処理装置１は、この場合、教師データ１３１に含まれる第１回答情報１３１ｂからキーワードを抽出する（Ｓ３）。

そして、情報処理装置１は、Ｓ２の処理で抽出されたキーワードに対応する付帯情報を特定する（Ｓ４）。また、情報処理装置１は、Ｓ３の処理で抽出されたキーワードに対応する付帯情報を特定する（Ｓ５）。その後、情報処理装置１は、Ｓ４の処理で特定した付帯情報と、Ｓ５の処理で特定した付帯情報と、第１回答情報１３１ｂが第１質問情報１３１ａに対して正解であるか否か示す正誤情報１３１ｃとに基づいて機械学習する（Ｓ６）。すなわち、情報処理装置１は、第１質問情報１３１ａに対し、利用者が求めている回答情報である第１回答情報１３１ｂと、利用者が求めていない回答情報である第１回答情報１３１ｂとを区別しながら機械学習させる。

その後、情報処理装置１は、情報出力タイミングまで待機する（Ｓ１１のＮＯ）。情報出力タイミングは、例えば、情報処理装置１が第２質問情報１４１ａによって第２回答情報１４１ｂの検索を行ったタイミングである。そして、情報出力タイミングになった場合（Ｓ１１のＹＥＳ）、情報処理装置１は、図９に示すように、第２質問情報１４１ａからキーワードを抽出する（Ｓ１２）。さらに、情報処理装置１は、第２回答情報１４１ｂからキーワードを抽出する（Ｓ１３）。

そして、情報処理装置１は、Ｓ１２の処理で抽出されたキーワードに対応する付帯情報を特定する（Ｓ１４）。また、情報処理装置１は、Ｓ１３の処理で抽出されたキーワードに対応する付帯情報を特定する（Ｓ１５）。その後、情報処理装置１は、Ｓ１４の処理で特定した付帯情報と、Ｓ１５の処理で特定した付帯情報とに基づいて、複数の第２回答情報１４１ｂに含まれる回答情報それぞれの確からしさ（優先度）を算出する（Ｓ１６）。

すなわち、情報処理装置１は、第２回答情報１４１ｂの検索を行った場合に、第１質問情報１３１ａに対して利用者が求めている第１回答情報１３１ｂの情報を事前に機械学習した算出パラメータ１３３を参照し、第２回答情報１４１ｂの出力時における優先度を算出する。そして、情報処理装置１は、例えば、算出された優先度が高い順に、第２回答情報の出力を行う。これにより、情報処理装置１は、利用者が求めている第２回答情報１４１ｂを優先的に出力することが可能になる。

このように、本実施の形態における情報処理装置１は、教師データ１３１に含まれる第１質問情報１３１ａと第１回答情報１３１ｂとのそれぞれからキーワードを抽出する。そして、情報処理装置１は、第１回答情報１３１ｂが第１質問情報１３１ａに対する回答としてどの程度確からしいかを算出するための算出パラメータ１３３を機械学習する。具体的に、情報処理装置１は、第１質問情報１３１ａから抽出されたキーワードに対応する付帯情報と、第１回答情報１３１ｂから抽出されたキーワードに対応する付帯情報と、第１回答情報１３１ｂが第１質問情報１３１ａに対して正解であるか否かを示す正誤情報１３１ｃとに基づいて機械学習する。

その後、情報処理装置１は、入力された第２質問情報１４１ａに対応する複数の第２回答情報１４１ｂを出力する際に、複数の第２回答情報１４１ｂの確からしさを算出する。具体的に、情報処理装置１は、機械学習した算出パラメータ１３３により、第２質問情報１４１ａから抽出されるキーワードに対応する付帯情報と、複数の第２回答情報１４１ｂそれぞれから抽出されるキーワードに対応する付帯情報とに基づいて、複数の第２回答情報１４１ｂそれぞれの確からしさを算出する。

これにより、情報処理装置１は、利用者が求めている可能性が高い第２回答情報１４１ｂを優先的に出力することが可能になる。そのため、情報処理装置１は、利用者に対し、利用者が求めている可能性が高い第２回答情報１４１ｂを優先的に閲覧させることが可能になる。

［第１の実施の形態の詳細］
次に、第１の実施の形態の詳細について説明する。図１０から図１２は、第１の実施の形態における検索制御処理の詳細を説明するフローチャート図である。また、図１３から図２６は、第１の実施の形態における検索制御処理の詳細を説明する図である。図１３から図２６を参照しながら、図１０から図１２の検索制御処理の詳細を説明する。

情報処理装置１のキーワード抽出部１１１は、図１０に示すように、機械学習実行タイミングになるまで待機する（Ｓ２１のＮＯ）。そして、機械学習実行タイミングになった場合（Ｓ２１のＹＥＳ）、キーワード抽出部１１１は、教師データ１３１に含まれる第１質問情報１３１ａからキーワードを抽出する（Ｓ２２）。また、キーワード抽出部１１１は、この場合、教師データ１３１に含まれる第１回答情報１３１ｂからキーワードを抽出する（Ｓ２３）。具体的に、キーワード抽出部１１１は、第１質問情報１３１ａと第１回答情報１３１ｂとのそれぞれに対して形態素分割を行うことにより、キーワードの抽出を行う。以下、教師データ１３１の具体例及び抽出されたキーワードの具体例について説明を行う。

［教師データの具体例］
図１３は、教師データ１３１の具体例を説明する図である。図１３に示す教師データ１３１は、教師データ１３１に含まれる各情報を識別する「項番」と、第１質問情報１３１ａが設定される「質問情報」と、第１回答情報１３１ｂが設定される「回答情報」とを項目として有する。また、図１３に示す教師データ１３１は、第１回答情報１３１ｂが第１質問情報１３１ａに対する正解の回答であるか否かを示す「正誤情報」を項目として有する。「正誤情報」には、第１回答情報１３１ｂが第１質問情報１３１ａに対する正解の回答であることを示す「正解」、または、第１回答情報１３１ｂが第１質問情報１３１ａに対する不正解の回答であることを示す「不正解」が設定される。

具体的に、図１３に示す例において、「項番」が「１」である情報の「質問情報」には、「ネットワークジョブが終了しません。」という文章が設定されている。また、図１３に示す例において、「項番」が「１」である情報の「回答情報」には、「エラーメッセージが発生している場合、プロセスの異常です。ネットワークジョブに対応するプロセスを停止してください。」という文章が設定されている。さらに、図１３に示す例において、「項番」が「１」である情報の「正誤情報」には、「正解」が設定されている。

すなわち、図１３に示す教師データ１３１は、例えば、事業者端末１１から送信されることが予想される第１質問情報１３１ａと、第１質問情報１３１ａに対する正解の回答であると事業者が定めた第１回答情報１３１ｂとが対応する複数の情報を含む。また、図１３に示す教師データ１３１は、例えば、事業者端末１１から送信されることが予想される第１質問情報１３１ａと、第１質問情報１３１ａに対する不正解の回答であると事業者が定めた第１回答情報１３１ｂとが対応する複数の情報を含む。

これにより、情報処理装置１は、後述するように、第１質問情報１３１ａに対し、利用者が求めている第１回答情報１３１ｂと、利用者が求めていない第１回答情報１３１ｂとを区別しながら機械学習することが可能になる。図１３に含まれる他の情報については説明を省略する。

［質問情報及び回答情報から抽出されたキーワードの具体例］
次に、第１質問情報１３１ａ及び第１回答情報１３１ｂから抽出されたキーワード（以下、キーワード情報とも呼ぶ）の具体例について説明を行う。図１４は、第１質問情報１３１ａ及び第１回答情報１３１ｂから抽出されたキーワード情報の具体例を説明する図である。

図１４に示すキーワード情報は、図１３に示すキーワード情報に含まれる各情報を識別する「項番」と、第１質問情報１３１ａから抽出されたキーワードが設定される「キーワード（質問情報）」とを項目として有する。また、図１４に示すキーワード情報は、第１回答情報１３１ｂから抽出されたキーワードが設定される「キーワード（回答情報）」を項目として有する。

具体的に、図１４に示すキーワード情報において、「項番」が「１」である情報には、「キーワード（質問情報）」として、「ネットワークジョブ」、「終了」及び「しない」が設定されている。また、図１４に示す情報において、「項番」が「１」である情報には、「キーワード（回答情報）」として、「エラーメッセージ」、「発生」、「プロセス」、「ネットワークジョブ」、「対応」、「プロセス」及び「停止」が設定されている。図１４に含まれる他の情報については説明を省略する。

図１０に戻り、情報処理装置１の機械学習実行部１１２は、情報格納領域１３０に記憶された観点テーブル１３２を参照し、Ｓ２２の処理で特定した第１質問情報１３１ａから抽出されたキーワードに対応する付帯情報を特定する（Ｓ２４）。また、機械学習実行部１１２は、観点テーブル１３２を参照し、Ｓ２３の処理で特定した第１質問情報１３１ａから抽出されたキーワードに対応する付帯情報を特定する（Ｓ２５）。観点テーブル１３２は、各キーワードと各付帯情報とを対応付けたテーブルである。観点テーブル１３２は、例えば、事業者によって予め情報格納領域１３０に記憶されるものであってよい。以下、観点テーブル１３２の具体例及び付帯情報の具体例について説明を行う。

［観点テーブルの具体例］
図１５は、観点テーブル１３２の具体例を説明する図である。図１５に示す観点テーブル１３２は、観点テーブル１３２に含まれる各情報を識別する「項番」と、各キーワードに対応する大項目が設定される「大項目」と、各キーワードに対応する小項目が設定される「小項目」とを項目として有する。また、図１５に示す観点テーブル１３２は、各キーワードが設定される「キーワード」を項目として有する。なお、以下、「大項目」に設定された情報と「小項目」に設定された情報とを「−」によって接続した情報が、「キーワード」に設定されたキーワードの付帯情報であるものとして説明を行う。

具体的に、図１５に示す観点テーブル１３２において、「項番」が「１」である情報には、「大項目」として「プロダクトカテゴリ」が設定され、「小項目」として「ＡＡＡ」が設定されている。そして、図１５に示す観点テーブル１３２において、「項番」が「１」である情報には、「キーワード」として「ネットワークジョブ」が設定されている。また、図１５に示す観点テーブル１３２において、「項番」が「１２」である情報には、「大項目」として「イベント」が設定され、「小項目」として「メッセージ異常」が設定されている。そして、図１５に示す観点テーブル１３２において、「項番」が「１２」である情報には、「キーワード」として「エラーメッセージ」が設定されている。図１５に含まれる他の情報については説明を省略する。

［Ｓ２４の処理で特定された付帯情報の具体例］
次に、Ｓ２４の処理で特定された付帯情報の具体例について説明を行う。図１６は、Ｓ２４の処理で特定された付帯情報の具体例を説明する図である。

図１６に示す付帯情報は、付帯情報に含まれる各情報を識別する「項番」と、付帯情報が設定される「付帯情報」と、第１質問情報１３１ａにおいて各付帯情報に対応するキーワードが登場した回数が設定される「回数」とを項目として有している。

具体的に、図１４に示すキーワード情報における「項番」が「１」である情報の「キーワード（質問情報）」には、キーワードとして「ネットワークジョブ」、「終了」及び「しない」が設定されている。この場合、機械学習実行部１１２は、例えば、図１５に示す観点テーブル１３２を参照し、「キーワード」に「ネットワークジョブ」が設定されている情報として、「項番」が「１」及び「６」である情報を特定する。そして、機械学習実行部１１２は、「項番」が「１」及び「６」である情報の付帯情報である「プロダクトカテゴリ−ＡＡＡ」及び「プロダクト名−ＡＡＡマネージャ」を特定する。

続いて、機械学習実行部１１２は、例えば、図１５に示す観点テーブル１３２を参照し、「キーワード」に「終了」が設定されている情報として、「項番」が「１６」である情報を特定する。そして、機械学習実行部１１２は、「項番」が「１６」である情報の付帯情報である「フェーズ−ＥＸＥＣＵＴＩＯＮ」を特定する。

すなわち、機械学習実行部１１２は、図１４における「項番」が「１」である情報の「キーワード（質問情報）」に設定された情報（第１質問情報１３１ａ）に対応する付帯情報として、「プロダクトカテゴリ−ＡＡＡ」、「プロダクト名−ＡＡＡマネージャ」及び「フェーズ−ＥＸＥＣＵＴＩＯＮ」を特定する。

そのため、機械学習実行部１１２は、図１６における「項番」が「１」である情報に示すように、「付帯情報」に「プロダクトカテゴリ−ＡＡＡ」を設定し、「プロダクトカテゴリ−ＡＡＡ」が特定された回数である「１（回）」を「回数」に設定する。また、機械学習実行部１１２は、図１６における「項番」が「２」である情報に示すように、「付帯情報」に「プロダクト名−ＡＡＡマネージャ」を設定し、「プロダクト名−ＡＡＡマネージャ」が特定された回数である「１（回）」を「回数」に設定する。さらに、機械学習実行部１１２は、図１６における「項番」が「３」である情報に示すように、「付帯情報」に「フェーズ−ＥＸＥＣＵＴＩＯＮ」を設定し、「フェーズ−ＥＸＥＣＵＴＩＯＮ」が特定された回数である「１（回）」を「回数」に設定する。

なお、図１５に示す観点テーブル１３２において、「キーワード」に「しない」が設定された情報は存在しない。

［Ｓ２５の処理で特定された付帯情報の具体例］
次に、Ｓ２５の処理で特定された付帯情報の具体例について説明を行う。図１７は、Ｓ２５の処理で特定された付帯情報の具体例を説明する図である。

図１７に示す付帯情報は、付帯情報に含まれる各情報を識別する「項番」と、付帯情報が設定される「付帯情報」と、第１回答情報１３１ｂにおいて各付帯情報に対応するキーワードが登場した回数が設定される「回数」とを項目として有している。

具体的に、図１４に示すキーワード情報における「項番」が「１」である情報の「キーワード（回答情報）」には、キーワードとして「エラーメッセージ」、「発生」、「プロセス」、「ネットワークジョブ」、「対応」、「プロセス」及び「停止」が設定されている。この場合、機械学習実行部１１２は、例えば、図１５に示す観点テーブル１３２を参照し、「キーワード」に「エラーメッセージ」が設定されている情報として、「項番」が「１２」である情報を特定する。そして、機械学習実行部１１２は、「項番」が「１２」である情報の付帯情報である「イベント−メッセージ異常」を特定する。

続いて、機械学習実行部１１２は、例えば、図１５に示す観点テーブル１３２を参照し、「キーワード」に「プロセス」が設定されている情報として、「項番」が「４」及び「１５」である情報を特定する。そして、機械学習実行部１１２は、「項番」が「４」及び「１５」である情報の付帯情報である「プロダクトカテゴリ−ＡＡＡ」及び「フェーズ−ＯＰＥＲＡＴＩＯＮ」を特定する。なお、図１４における「項番」が「１」である情報の「キーワード（回答情報）」に設定される情報において、「プロセス」が２回登場している。そのため、機械学習実行部１１２は、付帯情報である「プロダクトカテゴリ−ＡＡＡ」及び「フェーズ−ＯＰＥＲＡＴＩＯＮ」をそれぞれ２回ずつ特定する。

さらに、機械学習実行部１１２は、例えば、図１５に示す観点テーブル１３２を参照し、「キーワード」に「ネットワークジョブ」が設定されている情報として、「項番」が「１」及び「６」である情報を特定する。そして、機械学習実行部１１２は、「項番」が「１」及び「６」である情報の付帯情報である「プロダクトカテゴリ−ＡＡＡ」及び「プロダクト名−ＡＡＡマネージャ」を特定する。

また、機械学習実行部１１２は、例えば、図１５に示す観点テーブル１３２を参照し、「キーワード」に「停止」が設定されている情報として、「項番」が「１７」である情報を特定する。そして、機械学習実行部１１２は、「項番」が「１７」である情報の付帯情報である「フェーズ−ＥＸＥＣＵＴＩＯＮ」を特定する。

そのため、機械学習実行部１１２は、図１７における「項番」が「１」である情報に示すように、「付帯情報」に「イベント−メッセージ異常」を設定し、「イベント−メッセージ異常」が特定された回数である「１（回）」を「回数」に設定する。また、機械学習実行部１１２は、図１７における「項番」が「２」である情報に示すように、「付帯情報」に「プロダクトカテゴリ−ＡＡＡ」を設定し、「プロダクトカテゴリ−ＡＡＡ」が特定された回数である「３（回）」を「回数」に設定する。さらに、機械学習実行部１１２は、図１７における「項番」が「３」である情報に示すように、「付帯情報」に「プロダクト名−ＡＡＡマネージャ」を設定し、「プロダクト名−ＡＡＡマネージャ」が特定された回数である「１（回）」を「回数」に設定する。

そして、機械学習実行部１１２は、図１７における「項番」が「４」である情報に示すように、「付帯情報」に「フェーズ−ＯＰＥＲＡＴＩＯＮ」を設定し、「フェーズ−ＯＰＥＲＡＴＩＯＮ」が特定された回数である「２（回）」を「回数」に設定する。また、機械学習実行部１１２は、図１７における「項番」が「５」である情報に示すように、「付帯情報」に「フェーズ−ＥＸＥＣＵＴＩＯＮ」を設定し、「フェーズ−ＥＸＥＣＵＴＩＯＮ」が特定された回数である「１（回）」を「回数」に設定する。

なお、図１５に示す観点テーブル１３２において、「キーワード」に「発生」及び「対応」が設定された情報は存在しない。

図１０に戻り、機械学習実行部１１２は、Ｓ２４の処理で特定した付帯情報のうち、Ｓ２５の処理で特定した付帯情報に含まれる第１付帯情報を特定する（Ｓ２６）。以下、第１付帯情報の具体例について説明を行う。

［Ｓ２６の処理で特定された第１付帯情報の具体例］
図１８及び図１９は、Ｓ２６の処理で特定された第１付帯情報の具体例を説明する図である。図１８及び図１９に示す第１付帯情報は、図１６等で説明した付帯情報と同一の項目を有している。

具体的に、図１６で説明した付帯情報と、図１７で説明した付帯情報とにおいて、共通して含まれる付帯情報は、「プロダクトカテゴリ−ＡＡＡ」、「プロダクト名−ＡＡＡマネージャ」及び「フェーズ−ＥＸＥＣＵＴＩＯＮ」である。そのため、機械学習実行部１１２は、例えば、図１８に示すように、「項番」が「１」、「２」及び「３」である情報の「付帯情報」に、それぞれ「プロダクトカテゴリ−ＡＡＡ」、「プロダクト名−ＡＡＡマネージャ」及び「フェーズ−ＥＸＥＣＵＴＩＯＮ」を設定する。

そして、図１６における「付帯情報」に「プロダクトカテゴリ−ＡＡＡ」に設定された情報の「回数」に設定された情報は「１（回）」であり、図１７における「付帯情報」に「プロダクトカテゴリ−ＡＡＡ」に設定された情報の「回数」に設定された情報は「３（回）」である。そのため、機械学習実行部１１２は、例えば、図１８に示すように、「付帯情報」が「プロダクトカテゴリ−ＡＡＡ」である情報の「回数」に、上記の「１（回）」と「３（回）」とを乗算した値である「３（回）」を設定する。

同様に、機械学習実行部１１２は、例えば、図１８に示すように、「付帯情報」が「プロダクト名−ＡＡＡマネージャ」である情報の「回数」に「１（回）」を設定し、「付帯情報」が「フェーズ−ＥＸＥＣＵＴＩＯＮ」である情報の「回数」に「１（回）」を設定する。

なお、機械学習実行部１１２は、図１９に示すように、図１６で説明した付帯情報及び図１７で説明した付帯情報の「回数」に設定された情報に依らず、全ての「回数」に「１（回）」を設定するものであってもよい。

図１０に戻り、機械学習実行部１１２は、Ｓ２６の処理で特定した第１付帯情報と、第１回答情報１３１ｂに対応する正誤情報１３１ｃとを学習データとして識別関数１３４に与えることにより、算出パラメータ１３３の機械学習を行う（Ｓ２７）。

すなわち、機械学習実行部１１２は、第１質問情報１３１ａから抽出されたキーワードの上位概念である付帯情報と、第１回答情報１３１ｂから抽出されたキーワードの上位概念である付帯情報とを比較することにより、第１付帯情報を特定する。そのため、機械学習実行部１１２は、例えば、類似する意味を有しているが表現方法の異なる複数のキーワードが第１質問情報１３１ａに含まれている場合に、これらを同一の付帯情報として処理を行うことが可能になる。また、機械学習実行部１１２は、例えば、類似する意味を有しているが表現方法の異なる複数のキーワードが第１質問情報１３１ａ及び第１回答情報１３１ｂにそれぞれ存在している場合も同様に、これらを同一の付帯情報として処理を行うことが可能になる。

これにより、機械学習実行部１１２は、後述するように、第１質問情報１３１ａ及び第１回答情報１３１ｂのそれぞれから抽出されたキーワードを学習データとして機械学習する際に、キーワード間における細かい言い回しの差異等を排除することが可能になる。そのため、機械学習実行部１１２は、第１質問情報１３１ａ及び第１回答情報１３１ｂのそれぞれが有する内容を、より反映させるように機械学習を行うことが可能になる。

具体的に、機械学習実行部１１２は、Ｓ２７の処理において、第１質問情報１３１ａから抽出されたキーワードに対応する付帯情報のうち、第１回答情報１３１ｂから抽出されたキーワードに対応する付帯情報に含まれる第１付帯情報を特定する。そして、機械学習実行部１１２は、第１付帯情報と、第１回答情報１３１ｂの優先度とを学習データとして識別関数１３４に入力し、算出パラメータ１３３の算出を行う。そして、機械学習実行部１１２は、例えば、第１付帯情報毎の算出パラメータ１３３のそれぞれについて機械学習を行う。

すなわち、機械学習実行部１１２は、識別関数１３４に学習データを入力する毎に、過去に入力された学習データに対してのみでなく、新たに入力された学習データに対しても識別関数１３４が成立するように、算出パラメータ１３３の調整を行う。これにより、機械学習実行部１１２は、識別関数１３４に学習データを入力する毎に、算出パラメータ１３３の精度を高めることが可能になる。そのため、優先度算出部１１５は、後述するように、機械学習の汎化機能によって、機械学習されていない第１付帯情報が入力された場合であっても、入力された第１付帯情報に対応する第１回答情報１３１ｂの優先度を予測して出力することが可能になる。算出パラメータ１３３の具体例については後述する。

図１１に戻り、情報処理装置１の情報受信部１１３は、情報検索タイミングまで待機する（Ｓ３１のＮＯ）。情報検索タイミングは、例えば、事業者端末１１から第２質問情報１４１ａを受信したタイミング（第２質問情報１４１ａが入力されたタイミング）である。そして、情報検索タイミングになった場合（Ｓ３１のＹＥＳ）、キーワード抽出部１１１は、事業者端末１１から送信された第２質問情報１４１ａを形態素分割することによりキーワードを抽出する（Ｓ３２）。

その後、情報処理装置１の情報検索部１１４は、Ｓ３２の処理で抽出されたキーワードを用いて第２回答情報１４１ｂの検索を実行する（Ｓ３３）。以下、第２質問情報１４１ａ及び第２回答情報１４１ｂの具体例について説明を行う。

［Ｓ３１の処理で受信した第２質問情報の具体例］
図２０は、第２質問情報１４１ａの具体例を説明する図である。図２０に示す第２質問情報１４１ａは、第２質問情報１４１ａに含まれる各情報を識別する「項番」と、第２質問情報１４１ａの内容が設定される「質問情報」とを項目として有している。

具体的に、図２０に示す第２質問情報１４１ａは、「項番」が「１」である情報の「質問情報」として、「終了予定時間を１時間経過してもネットワークジョブが終了しません。」が設定されている。

［Ｓ３３の処理で検索された第２回答情報の具体例］
次に、第２回答情報１４１ｂの具体例について説明を行う。図２１は、第２回答情報１４１ｂの具体例を説明する図である。図２１に示す第２回答情報１４１ｂは、第２回答情報１４１ｂに含まれる各情報を識別する「項番」と、第２回答情報１４１ｂの内容が設定される「回答情報」とを項目として有している。

なお、図２１に示す第２回答情報１４１ｂには、「項番」が「１」、「２」及び「３」にそれぞれ対応する３つの回答情報が含まれている。すなわち、図２１に示す第２回答情報１４１ｂは、情報検索部１１４が第２質問情報１４１ａによって検索を行った結果、第２回答情報１４１ｂとして３つの回答情報が検索されたことを示している。

具体的に、図２１に示す第２回答情報１４１ｂは、「項番」が「１」である情報の「回答情報」として、「エラーメッセージが発生している場合、プロセスの異常です。ネットワークジョブに対応するプロセスを停止してください。」が設定されている。図２１に含まれる他の情報については説明を省略する。

図１１に戻り、優先度算出部１１５は、Ｓ３２の処理で抽出されたキーワードに対応する付帯情報を特定する（Ｓ３４）。また、キーワード抽出部１１１は、Ｓ３３の処理で検索された複数の第２回答情報１４１ｂのそれぞれを形態素分割することによりキーワードを抽出する（Ｓ３５）。さらに、優先度算出部１１５は、Ｓ３５の処理で抽出されたキーワードに対応する付帯情報を特定する（Ｓ３６）。その後、優先度算出部１１５は、Ｓ３４の処理で特定した付帯情報のうち、Ｓ３６の処理で特定した付帯情報に含まれる第２付帯情報を特定する（Ｓ３７）。

すなわち、キーワード抽出部１１１及び優先度算出部１１５は、Ｓ３２の処理及びＳ３４からＳ３７の処理において、図１０で説明したＳ２２からＳ２６と同じ処理を行う。これにより、優先度算出部１１５は、算出パラメータ１３３に含まれる第１付帯情報と対比可能な情報である第２付帯情報を特定することが可能になる。以下、Ｓ３３の処理で検索された複数の第２回答情報１４１ｂのうち、ある１つの第２回答情報１４１ｂに対応する第２付帯情報の具体例について説明を行う。

［Ｓ３７の処理で特定された第２付帯情報の具体例］
図２２は、Ｓ３７の処理で特定された第２付帯情報の具体例を説明する図である。図２２に示す第２付帯情報は、図１６等で説明した付帯情報と同一の項目を有している。

具体的に、図２２に示す第２付帯情報において、「項番」が「１」である情報の「付帯情報」には「プロダクトカテゴリ−ＡＡＡ」が設定され、「回数」には「３（回）」が設定されている。図２２に含まれる他の情報については説明を省略する。

図１２に戻り、優先度算出部１１５は、Ｓ３７の処理で特定した第２付帯情報と、Ｓ２７の処理で機械学習した算出パラメータ１３３とを識別関数１３４に与えることにより、Ｓ３３で検索された複数の第２回答情報１４１ｂ毎の優先度を算出する（Ｓ４１）。以下、算出パラメータ１３３の具体例及び優先度情報の具体例について説明を行う。

［算出パラメータの具体例］
図２３は、算出パラメータ１３３の具体例を説明する図である。図２３に示す算出パラメータ１３３は、算出パラメータ１３３に含まれる各情報を識別する「項番」と、各付帯情報が設定される「付帯情報」と、パラメータが設定される「パラメータ」とを項目として有する。

具体的に、図２３に示す算出パラメータ１３３において、「項番」が「１」である情報には、「付帯情報」として「プロダクトカテゴリ−ＡＡＡ」が設定され、「パラメータ」として「０．４」が設定される。また、図２３に示す算出パラメータ１３３において、「項番」が「２」である情報には、「付帯情報」として「プロダクトカテゴリ−ＢＢＢ」が設定され、「パラメータ」として「０．２」が設定される。図２３に含まれる他の情報については説明を省略する。

［優先度情報の具体例］
図２４は、優先度情報の具体例を説明する図である。図２４に示す優先度情報は、優先度情報に含まれる各情報を識別する「項番」と、第２回答情報１４１ｂが設定される「回答情報」とを項目として有する。また、図２４に示す優先度情報は、第２回答情報１４１ｂのそれぞれに対応する優先度情報が設定される「優先度」と、第２回答情報１４１の出力の優先順位を示す「出力順位」とを項目として有する。なお、図２４に示す優先度情報において、「回答情報」には、図２１で説明した第２回答情報１４１ｂの「回答情報」に設定された情報と同じ情報が設定されている。

具体的に、図２２で説明した第２付帯情報の「付帯情報」には、「プロダクトカテゴリ−ＡＡＡ」、「プロダクト名−ＡＡＡマネージャ」及び「フェーズ−ＥＸＥＣＵＴＩＯＮ」が設定されている。そのため、優先度算出部１１５は、例えば、図２３で説明した算出パラメータ１３３を参照し、「付帯情報」に「プロダクトカテゴリ−ＡＡＡ」が設定された情報の「パラメータ」に設定された情報である「０．４」を特定する。同様に、優先度算出部１１５は、「付帯情報」に「プロダクト−ＡＡＡマネージャ」及び「フェーズ−ＥＸＥＣＵＴＩＯＮ」が設定された情報の「パラメータ」に設定された情報である「０．３」及び「０．２」をそれぞれ特定する。そして、優先度算出部１１５は、例えば、特定した情報である「０．４」、「０．３」及び「０．２」のそれぞれに、図２２で説明した第２付帯情報における「プロダクトカテゴリ−ＡＡＡ」等のそれぞれに対応する「回数」に設定された値をそれぞれ乗算する。さらに、優先度算出部１１５は、例えば、乗算して取得した値を加算し、所定の係数を乗算することにより、図２２で説明した第２付帯情報に対応する第２回答情報１４１ｂの優先度を算出する。

すなわち、優先度算出部１１５は、例えば、正解を示す正誤情報１３１ｃに対応する第１付帯情報と第２付帯情報との一致度が他の第２回答情報１４１ｂよりも高い第２回答情報１４１ｂの優先度が、他の第２回答情報１４１ｂの優先度よりも高くなるように優先度の算出を行う。また、優先度算出部１１５は、例えば、不正解を示す正誤情報１３１ｃに対応する第１付帯情報と第２付帯情報との一致度が他の第２回答情報１４１ｂよりも高い第２回答情報１４１ｂの優先度が、他の第２回答情報１４１ｂの優先度よりも低くなるように優先度の算出を行う。

そして、優先度算出部１１５は、例えば、「優先度」に設定される値が大きい順に、第２回答情報１４１ｂの出力順位を決定する。そのため、優先度算出部１１５は、図２４に示すように、例えば、「項番」が「１」である情報の「優先度」に「８８」を設定し、「出力順位」に「１」を設定する。また、優先度算出部１１５は、例えば、「項番」が「２」である情報の「優先度」に「５２」を設定し、「出力順位」に「３」を設定する。さらに、優先度算出部１１５は、例えば、「項番」が「３」である情報の「優先度」に「６７」を設定し、「出力順位」に「２」を設定する。

図１２に戻り、情報処理装置１の結果出力部１１６は、Ｓ４２の処理で算出された優先度が高い順に、Ｓ３３の処理で検索された第２回答情報１４１ｂの出力を行う（Ｓ４２）。具体的に、結果出力部１１６は、例えば、図２４で説明した優先度情報と、第２回答情報１４１ｂとを事業者端末１１に送信する。そして、事業者端末１１は、例えば、送信された優先度情報における「出力順位」に設定された情報が小さい順に、出力装置（利用者が閲覧可能な出力装置）に対する第２回答情報１４１ｂの出力を優先的に行う。

これにより、情報処理装置１は、利用者が求めている可能性が高い第２回答情報１４１ｂを優先的に出力することが可能になる。そのため、情報処理装置１は、利用者が求めている可能性が高い第２回答情報１４１ｂを優先的に閲覧させることが可能になる。

なお、Ｓ２６の処理において、機械学習実行部１１２は、Ｓ２４及びＳ２５で特定した付帯情報以外の情報を考慮して、第１付帯情報を特定するものであってもよい。

具体的に、機械学習実行部１１２は、この場合、例えば、第１質問情報１３１ａから抽出されたキーワードによる第１回答情報１３１ｂの検索を情報検索部１１４に実行させる。そして、機械学習実行部１１２は、例えば、第１質問情報１３１ａから抽出されたキーワードによって検索された第１回答情報１３１ｂのそれぞれについて、情報検索部１１４が算出した出力時の優先度を示す情報（以下、検索スコアとも呼ぶ）を取得する。その後、機械学習実行部１１２は、例えば、取得した検索スコアを第１付帯情報の一部として設定する。以下、検索スコアの設定を行った場合の第１付帯情報の具体例について説明を行う。

［検索スコアを設定した場合の第１付帯情報の具体例］
図２５は、検索スコアの設定を行った場合における第１付帯情報の具体例を説明する図である。図２５に示す第１付帯情報は、図１９で説明した第１付帯情報の項目である「回数」に代えて、回数または検索スコアが設定される「スコア」を項目として有している。具体的に、図２５に示す第１付帯情報において、「項番」が「４」である情報には、「付帯情報」として「検索スコア」が設定され、「回数」として「３２」が設定されている。

そして、優先度算出部１１５は、この場合、Ｓ３３の処理を実行する際に、検索された第２回答情報１４１ｂのそれぞれについての検索スコアを取得する。また、優先度算出部１１５は、取得した検索スコアを第２付帯情報の一部として設定する。これにより、優先度算出部１１５は、Ｓ４１の処理において、第２回答情報１４１ｂの出力の優先度の決定をより精度高く行うことが可能になる。

このように、本実施の形態における情報処理装置１は、教師データ１３１に含まれる第１質問情報１３１ａと第１回答情報１３１ｂとのそれぞれからキーワードを抽出する。そして、情報処理装置１は、第１回答情報１３１ｂが第１質問情報１３１ａに対する回答としてどの程度確からしいかを算出するための算出パラメータ１３３を機械学習する。具体的に、情報処理装置１は、第１質問情報１３１ａから抽出されたキーワードに対応する付帯情報と、第１回答情報１３１ｂから抽出されたキーワードに対応する付帯情報と、第１回答情報１３１ｂが第１質問情報１３１ａに対して正解であるか否かを示す正誤情報１３１ｃとに基づいて機械学習する。

その後、情報処理装置１は、入力された第２質問情報１４１ａに対応する複数の第２回答情報１４１ｂを出力する際に、複数の第２回答情報１４１ｂの確からしさを算出する。具体的に、情報処理装置１は、機械学習した算出パラメータ１３３により、第２質問情報１４１ａから抽出されるキーワードに対応する付帯情報と、複数の第２回答情報１４１ｂそれぞれから抽出されるキーワードに対応する付帯情報とに基づいて、複数の第２回答情報１４１ｂそれぞれの確からしさを算出する。

これにより、情報処理装置１は、利用者が求めている第２回答情報１４１ｂを優先的に出力することが可能になる。そのため、情報処理装置１は、利用者が求めている第２回答情報１４１ｂを優先的に閲覧させることが可能になる。

［第２の実施の形態］
次に、第２の実施の形態について説明する。図２６は、第２の実施の形態における検索制御処理を説明する図である。

第１の実施の形態における情報処理装置１は、算出パラメータ１３３を機械学習し、機械学習された算出パラメータ１３３を参照することにより、第２回答情報１４１ｂの出力の優先度を決定した。

これに対し、第２の実施の形態における情報処理装置１は、算出パラメータ１３３を機械学習する処理（図１０で説明したＳ２１からＳ２７の処理）を行わない。一方、第２の実施の形態における情報処理装置１は、図１１で説明したＳ３１からＳ３７の処理を行い、図２２で説明した第２付帯情報を第２回答情報１４１ｂ毎に生成する。その後、第２の実施の形態における情報処理装置１は、Ｓ４１及びＳ４２の処理において、図２２で説明した第２付帯情報の「回数」に設定された値の総和（以下、総回数とも呼ぶ）を第２回答情報１４１ｂ毎に算出し、算出した総回数が大きい順に、第２回答情報１４１ｂの出力を優先して行う。以下、第２の実施の形態における優先度情報について説明を行う。

［第２の実施の形態における優先度情報の具体例］
図２６は、第２の実施の形態における優先度情報の具体例を説明する図である。図２６に示す優先度情報は、図２４で説明した優先度情報が有する項目である「優先度」に代えて、総回数が設定される「総回数」を項目として有する。

具体的に、図２６に示す優先度情報において、「項番」が「１」である情報には、「総回数」として「６（回）」が設定され、「出力順位」として「１」が設定されている。また、図２６に示す優先度情報において、「項番」が「２」である情報には、「総回数」として「２（回）」が設定され、「出力順位」として「３」が設定されている。さらに、図２６に示す優先度情報において、「項番」が「３」である情報には、「総回数」として「３（回）」が設定され、「出力順位」として「２」が設定されている。すなわち、図２６に示す優先度情報において、「出力順位」に設定された情報は、「総回数」に設定された値の大きさの順位を示している。

これにより、第２の実施の形態における情報処理装置１は、算出パラメータ１３３の機械学習を行う必要がなくなる。また、第２の実施の形態における情報処理装置１は、総回数を決定する際に、識別関数１３４に対する入力等を行う必要がなくなるため、第２回答情報１４１ｂの出力順位を容易に決定することが可能になる。

以上の実施の形態をまとめると、以下の付記のとおりである。

（付記１）
コンピュータに、
教師データに含まれる第１質問情報と第１回答情報とのそれぞれからキーワードを抽出し、
前記第１回答情報が前記第１質問情報に対する回答としてどの程度確からしいかを算出するための算出パラメータを、前記第１質問情報から抽出されたキーワードに対応する付帯情報と、前記第１回答情報から抽出されたキーワードに対応する付帯情報と、前記第１回答情報が前記第１質問情報に対して正解であるか否かを示す正誤情報とに基づいて機械学習し、
入力された新たな質問情報に対応する複数の回答情報を出力する際に、機械学習した前記算出パラメータにより、前記新たな質問情報から抽出されるキーワードに対応する付帯情報と、前記複数の回答情報それぞれから抽出されるキーワードに対応する付帯情報とに基づいて、前記複数の回答情報それぞれの確からしさを算出する、
処理を実行させることを特徴とする検索制御プログラム。

（付記２）
付記１において、
前記付帯情報は、各キーワードを同一の意味を有するキーワード毎に識別する情報を含む、
ことを特徴とする検索制御プログラム。

（付記３）
付記１において、
前記算出パラメータを機械学習する処理では、前記第１質問情報から抽出されたキーワードに対応する付帯情報のうち、前記第１回答情報から抽出されたキーワードに対応する付帯情報に含まれる第１付帯情報と、前記第１回答情報に対応する前記正誤情報とを学習データとして、前記算出パラメータの機械学習を行う、
ことを特徴とする検索制御プログラム。

（付記４）
付記３において、
前記確からしさを算出する処理では、
前記新たな質問情報から抽出されるキーワードに対応する付帯情報のうち、前記複数の回答情報のそれぞれから抽出されるキーワードに対応する付帯情報に含まれる第２付帯情報を、前記複数の回答情報毎に特定し、
機械学習した前記算出パラメータにより、正解であることを示す前記正誤情報に対応する前記第１付帯情報と前記第２付帯情報との一致度が他の回答情報の前記一致度よりも高い回答情報の前記確からしさが、前記他の回答情報の前記確からしさよりも高くなるように、前記複数の回答情報毎の前記確からしさの算出を行う、
ことを特徴とする検索制御プログラム。

（付記５）
付記３において、
前記確からしさを算出する処理では、
前記新たな質問情報から抽出されるキーワードに対応する付帯情報のうち、前記複数の回答情報のそれぞれから抽出されるキーワードに対応する付帯情報に含まれる第２付帯情報を、前記複数の回答情報毎に特定し、
機械学習した前記算出パラメータにより、不正解であることを示す前記正誤情報に対応する前記第１付帯情報と前記第２付帯情報との一致度が他の回答情報の前記一致度よりも高い回答情報の前記確からしさが、前記他の回答情報の前記確からしさよりも低くなるように、前記複数の回答情報毎の前記確からしさの算出を行う、
ことを特徴とする検索制御プログラム。

（付記６）
付記４または５において、
前記第１付帯情報は、前記第１質問情報から抽出されたキーワードによって回答情報の検索を行った場合における、前記第１回答情報の出力の優先度を示す情報を含み、
前記第２付帯情報は、前記新たな質問情報から抽出されたキーワードによって回答情報の検索を行った場合における、前記複数の回答情報のうちの対応する回答情報の出力の優先度を示す情報を含む、
ことを特徴とする検索制御プログラム。

（付記７）
付記１において、さらに、
算出した前記確からしさが高い順に、前記複数の回答情報の出力を優先して行う、
処理をコンピュータに実行させることを特徴とする検索制御プログラム。

（付記８）
コンピュータに、
教師データに含まれる質問情報と回答情報とのそれぞれからキーワードを抽出し、
前記質問情報から抽出されたキーワードに対応する付帯情報と、前記回答情報から抽出されたキーワードに対応する付帯情報との間の相関情報を、前記質問情報に対して前記回答情報が正解であるか否かを示す正誤情報に基づいて算出して記憶部に記憶し、
入力された新たな質問情報に対応する複数の回答情報を出力する際に、前記記憶部に記憶された前記相関情報を参照して算出した、前記新たな質問情報から抽出されるキーワードに対応する付帯情報と前記複数の回答情報それぞれから抽出されるキーワードに対応する付帯情報との間の相関情報に基づいて、前記複数の回答情報の出力の優先順位を決定する、
処理を実行させることを特徴とする検索制御プログラム。

（付記９）
コンピュータに、
質問情報と、回答情報と、前記質問情報に対して前記回答情報が正解であるか否かを示す正誤情報と、を含む教師データの入力を受け付け、
入力される前記質問情報から抽出されるキーワードに対応する付帯情報について、該付帯情報に対応するキーワードを含む回答情報が前記質問情報に対する回答としてどの程度確からしいか算出するためのパラメータを、前記正誤情報に基づいて機械学習し、
新たに入力される質問情報に応じて抽出される複数の回答情報を提示する際に、該複数の回答情報それぞれから抽出されるキーワードに対応する付帯情報と、機械学習した前記パラメータと、に基づいて、前記複数の回答情報それぞれの確からしさを評価する、
処理を実行させることを特徴とする検索制御プログラム。

（付記１０）
コンピュータに、
質問情報と、回答情報と、前記質問情報に対して前記回答情報が正解であるか否かを示す正誤情報と、を含む教師データの入力を受け付け、
前記質問情報から抽出されるキーワードに対応する付帯情報と、前記回答情報から抽出されるキーワードに対応する付帯情報との間の相関度を、前記正誤情報に基づいて算出して記憶部に記憶し、
新たに入力される質問情報に応じて回答情報を提示する際に、前記記憶部に記憶された前記相関度を参照して算出した、新たに入力される該質問情報から抽出されるキーワードに対応する付帯情報と、提示する前記回答情報から抽出されるキーワードに対応する付帯情報との間の相関度に基づいて提示の優先度制御を実行する、
処理を実行させることを特徴とする検索制御プログラム。

（付記１１）
教師データに含まれる第１質問情報と第１回答情報とのそれぞれからキーワードを抽出する抽出部と、
前記第１回答情報が前記第１質問情報に対する回答としてどの程度確からしいかを算出するための算出パラメータを、前記第１質問情報から抽出されたキーワードに対応する付帯情報と、前記第１回答情報から抽出されたキーワードに対応する付帯情報と、前記第１回答情報が前記第１質問情報に対して正解であるか否かを示す正誤情報とに基づいて機械学習する機械学習実行部と、
入力された新たな質問情報に対応する複数の回答情報を出力する際に、機械学習した前記算出パラメータにより、前記新たな質問情報から抽出されるキーワードに対応する付帯情報と、前記複数の回答情報それぞれから抽出されるキーワードに対応する付帯情報とに基づいて、前記複数の回答情報それぞれの確からしさを算出する算出部と、を有する、
ことを特徴とする検索制御装置。

（付記１２）
教師データに含まれる質問情報と回答情報とのそれぞれからキーワードを抽出する抽出部と、
前記質問情報から抽出されたキーワードに対応する付帯情報と、前記回答情報から抽出されたキーワードに対応する付帯情報との間の相関情報を、前記質問情報に対して前記回答情報が正解であるか否かを示す正誤情報に基づいて算出して記憶部に記憶し、入力された新たな質問情報に対応する複数の回答情報を出力する際に、前記記憶部に記憶された前記相関情報を参照して算出した、前記新たな質問情報から抽出されるキーワードに対応する付帯情報と前記複数の回答情報それぞれから抽出されるキーワードに対応する付帯情報との間の相関情報に基づいて、前記複数の回答情報の出力の優先順位を決定する算出部と、を有する、
ことを特徴とする検索制御装置。

（付記１３）
質問情報と、回答情報と、前記質問情報に対して前記回答情報が正解であるか否かを示す正誤情報と、を含む教師データの入力を受け付ける受付部と、
入力される前記質問情報から抽出されるキーワードに対応する付帯情報について、該付帯情報に対応するキーワードを含む回答情報が前記質問情報に対する回答としてどの程度確からしいか算出するためのパラメータを、前記正誤情報に基づいて機械学習する機械学習実行部と、
新たに入力される質問情報に応じて抽出される複数の回答情報を提示する際に、該複数の回答情報それぞれから抽出されるキーワードに対応する付帯情報と、機械学習した前記パラメータと、に基づいて、前記複数の回答情報それぞれの確からしさを評価する算出部と、を有する、
ことを特徴とする検索制御装置。

（付記１４）
質問情報と、回答情報と、前記質問情報に対して前記回答情報が正解であるか否かを示す正誤情報と、を含む教師データの入力を受け付ける受付部と、
前記質問情報から抽出されるキーワードに対応する付帯情報と、前記回答情報から抽出されるキーワードに対応する付帯情報との間の相関度を、前記正誤情報に基づいて算出して記憶部に記憶し、新たに入力される質問情報に応じて回答情報を提示する際に、前記記憶部に記憶された前記相関度を参照して算出した、新たに入力される該質問情報から抽出されるキーワードに対応する付帯情報と、提示する前記回答情報から抽出されるキーワードに対応する付帯情報との間の相関度に基づいて提示の優先度制御を実行する算出部と、を有する、
ことを特徴とする検索制御装置。

（付記１５）
教師データに含まれる第１質問情報と第１回答情報とのそれぞれからキーワードを抽出し、
前記第１回答情報が前記第１質問情報に対する回答としてどの程度確からしいかを算出するための算出パラメータを、前記第１質問情報から抽出されたキーワードに対応する付帯情報と、前記第１回答情報から抽出されたキーワードに対応する付帯情報と、前記第１回答情報が前記第１質問情報に対して正解であるか否かを示す正誤情報とに基づいて機械学習し、
入力された新たな質問情報に対応する複数の回答情報を出力する際に、機械学習した前記算出パラメータにより、前記新たな質問情報から抽出されるキーワードに対応する付帯情報と、前記複数の回答情報それぞれから抽出されるキーワードに対応する付帯情報とに基づいて、前記複数の回答情報それぞれの確からしさを算出する、
ことを特徴とする検索制御方法。

（付記１６）
教師データに含まれる質問情報と回答情報とのそれぞれからキーワードを抽出し、
前記質問情報から抽出されたキーワードに対応する付帯情報と、前記回答情報から抽出されたキーワードに対応する付帯情報との間の相関情報を、前記質問情報に対して前記回答情報が正解であるか否かを示す正誤情報に基づいて算出して記憶部に記憶し、
入力された新たな質問情報に対応する複数の回答情報を出力する際に、前記記憶部に記憶された前記相関情報を参照して算出した、前記新たな質問情報から抽出されるキーワードに対応する付帯情報と前記複数の回答情報それぞれから抽出されるキーワードに対応する付帯情報との間の相関情報に基づいて、前記複数の回答情報の出力の優先順位を決定する、
ことを特徴とする検索制御方法。

（付記１７）
質問情報と、回答情報と、前記質問情報に対して前記回答情報が正解であるか否かを示す正誤情報と、を含む教師データの入力を受け付け、
入力される前記質問情報から抽出されるキーワードに対応する付帯情報について、該付帯情報に対応するキーワードを含む回答情報が前記質問情報に対する回答としてどの程度確からしいか算出するためのパラメータを、前記正誤情報に基づいて機械学習し、
新たに入力される質問情報に応じて抽出される複数の回答情報を提示する際に、該複数の回答情報それぞれから抽出されるキーワードに対応する付帯情報と、機械学習した前記パラメータと、に基づいて、前記複数の回答情報それぞれの確からしさを評価する、
ことを特徴とする検索制御方法。

（付記１８）
質問情報と、回答情報と、前記質問情報に対して前記回答情報が正解であるか否かを示す正誤情報と、を含む教師データの入力を受け付け、
前記質問情報から抽出されるキーワードに対応する付帯情報と、前記回答情報から抽出されるキーワードに対応する付帯情報との間の相関度を、前記正誤情報に基づいて算出して記憶部に記憶し、
新たに入力される質問情報に応じて回答情報を提示する際に、前記記憶部に記憶された前記相関度を参照して算出した、新たに入力される該質問情報から抽出されるキーワードに対応する付帯情報と、提示する前記回答情報から抽出されるキーワードに対応する付帯情報との間の相関度に基づいて提示の優先度制御を実行する、
ことを特徴とする検索制御方法。

１：情報処理装置 ２：記憶部
１１：事業者端末 ＮＷ：ネットワーク

Claims (17)

1. コンピュータに、
   教師データに含まれる第１質問情報と第１回答情報とのそれぞれからキーワードを抽出し、
   前記第１回答情報が前記第１質問情報に対する回答としてどの程度確からしいかを算出するための算出パラメータを、前記第１質問情報から抽出されたキーワードに対応する付帯情報と、前記第１回答情報から抽出されたキーワードに対応する付帯情報と、前記第１回答情報が前記第１質問情報に対して正解であるか否かを示す正誤情報とに基づいて機械学習し、
   入力された新たな質問情報に対応する複数の回答情報を出力する際に、機械学習した前記算出パラメータにより、前記新たな質問情報から抽出されるキーワードに対応する付帯情報と、前記複数の回答情報それぞれから抽出されるキーワードに対応する付帯情報とに基づいて、前記複数の回答情報それぞれの確からしさを算出する、
   処理を実行させることを特徴とする検索制御プログラム。
2. 請求項１において、
   前記付帯情報は、各キーワードを同一の意味を有するキーワード毎に識別する情報を含む、
   ことを特徴とする検索制御プログラム。
3. 請求項１において、
   前記算出パラメータを機械学習する処理では、前記第１質問情報から抽出されたキーワードに対応する付帯情報のうち、前記第１回答情報から抽出されたキーワードに対応する付帯情報に含まれる第１付帯情報と、前記第１回答情報に対応する前記正誤情報とを学習データとして、前記算出パラメータの機械学習を行う、
   ことを特徴とする検索制御プログラム。
4. 請求項３において、
   前記確からしさを算出する処理では、
   前記新たな質問情報から抽出されるキーワードに対応する付帯情報のうち、前記複数の回答情報のそれぞれから抽出されるキーワードに対応する付帯情報に含まれる第２付帯情報を、前記複数の回答情報毎に特定し、
   機械学習した前記算出パラメータにより、正解であることを示す前記正誤情報に対応する前記第１付帯情報と前記第２付帯情報との一致度が他の回答情報の前記一致度よりも高い回答情報の前記確からしさが、前記他の回答情報の前記確からしさよりも高くなるように、前記複数の回答情報毎の前記確からしさの算出を行う、
   ことを特徴とする検索制御プログラム。
5. 請求項４において、
   前記第１付帯情報は、前記第１質問情報から抽出されたキーワードによって回答情報の検索を行った場合における、前記第１回答情報の出力の優先度を示す情報を含み、
   前記第２付帯情報は、前記新たな質問情報から抽出されたキーワードによって回答情報の検索を行った場合における、前記複数の回答情報のうちの対応する回答情報の出力の優先度を示す情報を含む、
   ことを特徴とする検索制御プログラム。
6. 請求項１において、さらに、
   算出した前記確からしさが高い順に、前記複数の回答情報の出力を優先して行う、
   処理をコンピュータに実行させることを特徴とする検索制御プログラム。
7. コンピュータに、
   教師データに含まれる質問情報と回答情報とのそれぞれからキーワードを抽出し、
   前記質問情報から抽出されたキーワードに対応する付帯情報と、前記回答情報から抽出されたキーワードに対応する付帯情報との間の相関情報を、前記質問情報に対して前記回答情報が正解であるか否かを示す正誤情報に基づいて算出して記憶部に記憶し、
   入力された新たな質問情報に対応する複数の回答情報を出力する際に、前記記憶部に記憶された前記相関情報を参照して算出した、前記新たな質問情報から抽出されるキーワードに対応する付帯情報と前記複数の回答情報それぞれから抽出されるキーワードに対応する付帯情報との間の相関情報に基づいて、前記複数の回答情報の出力の優先順位を決定する、
   処理を実行させることを特徴とする検索制御プログラム。
8. コンピュータに、
   質問情報と、回答情報と、前記質問情報に対して前記回答情報が正解であるか否かを示す正誤情報と、を含む教師データの入力を受け付け、
   入力される前記質問情報から抽出されるキーワードに対応する付帯情報について、該付帯情報に対応するキーワードを含む回答情報が前記質問情報に対する回答としてどの程度確からしいか算出するためのパラメータを、前記正誤情報に基づいて機械学習し、
   新たに入力される質問情報に応じて抽出される複数の回答情報を提示する際に、該複数の回答情報それぞれから抽出されるキーワードに対応する付帯情報と、機械学習した前記パラメータと、に基づいて、前記複数の回答情報それぞれの確からしさを評価する、
   処理を実行させることを特徴とする検索制御プログラム。
9. コンピュータに、
   質問情報と、回答情報と、前記質問情報に対して前記回答情報が正解であるか否かを示す正誤情報と、を含む教師データの入力を受け付け、
   前記質問情報から抽出されるキーワードに対応する付帯情報と、前記回答情報から抽出されるキーワードに対応する付帯情報との間の相関度を、前記正誤情報に基づいて算出して記憶部に記憶し、
   新たに入力される質問情報に応じて回答情報を提示する際に、前記記憶部に記憶された前記相関度を参照して算出した、新たに入力される該質問情報から抽出されるキーワードに対応する付帯情報と、提示する前記回答情報から抽出されるキーワードに対応する付帯情報との間の相関度に基づいて提示の優先度制御を実行する、
   処理を実行させることを特徴とする検索制御プログラム。
10. 教師データに含まれる第１質問情報と第１回答情報とのそれぞれからキーワードを抽出する抽出部と、
    前記第１回答情報が前記第１質問情報に対する回答としてどの程度確からしいかを算出するための算出パラメータを、前記第１質問情報から抽出されたキーワードに対応する付帯情報と、前記第１回答情報から抽出されたキーワードに対応する付帯情報と、前記第１回答情報が前記第１質問情報に対して正解であるか否かを示す正誤情報とに基づいて機械学習する機械学習実行部と、
    入力された新たな質問情報に対応する複数の回答情報を出力する際に、機械学習した前記算出パラメータにより、前記新たな質問情報から抽出されるキーワードに対応する付帯情報と、前記複数の回答情報それぞれから抽出されるキーワードに対応する付帯情報とに基づいて、前記複数の回答情報それぞれの確からしさを算出する算出部と、を有する、
    ことを特徴とする検索制御装置。
11. 教師データに含まれる質問情報と回答情報とのそれぞれからキーワードを抽出する抽出部と、
    前記質問情報から抽出されたキーワードに対応する付帯情報と、前記回答情報から抽出されたキーワードに対応する付帯情報との間の相関情報を、前記質問情報に対して前記回答情報が正解であるか否かを示す正誤情報に基づいて算出して記憶部に記憶し、入力された新たな質問情報に対応する複数の回答情報を出力する際に、前記記憶部に記憶された前記相関情報を参照して算出した、前記新たな質問情報から抽出されるキーワードに対応する付帯情報と前記複数の回答情報それぞれから抽出されるキーワードに対応する付帯情報との間の相関情報に基づいて、前記複数の回答情報の出力の優先順位を決定する算出部と、を有する、
    ことを特徴とする検索制御装置。
12. 質問情報と、回答情報と、前記質問情報に対して前記回答情報が正解であるか否かを示す正誤情報と、を含む教師データの入力を受け付ける受付部と、
    入力される前記質問情報から抽出されるキーワードに対応する付帯情報について、該付帯情報に対応するキーワードを含む回答情報が前記質問情報に対する回答としてどの程度確からしいか算出するためのパラメータを、前記正誤情報に基づいて機械学習する機械学習実行部と、
    新たに入力される質問情報に応じて抽出される複数の回答情報を提示する際に、該複数の回答情報それぞれから抽出されるキーワードに対応する付帯情報と、機械学習した前記パラメータと、に基づいて、前記複数の回答情報それぞれの確からしさを評価する算出部と、を有する、
    ことを特徴とする検索制御装置。
13. 質問情報と、回答情報と、前記質問情報に対して前記回答情報が正解であるか否かを示す正誤情報と、を含む教師データの入力を受け付ける受付部と、
    前記質問情報から抽出されるキーワードに対応する付帯情報と、前記回答情報から抽出されるキーワードに対応する付帯情報との間の相関度を、前記正誤情報に基づいて算出して記憶部に記憶し、新たに入力される質問情報に応じて回答情報を提示する際に、前記記憶部に記憶された前記相関度を参照して算出した、新たに入力される該質問情報から抽出されるキーワードに対応する付帯情報と、提示する前記回答情報から抽出されるキーワードに対応する付帯情報との間の相関度に基づいて提示の優先度制御を実行する算出部と、を有する、
    ことを特徴とする検索制御装置。
14. 教師データに含まれる第１質問情報と第１回答情報とのそれぞれからキーワードを抽出し、
    前記第１回答情報が前記第１質問情報に対する回答としてどの程度確からしいかを算出するための算出パラメータを、前記第１質問情報から抽出されたキーワードに対応する付帯情報と、前記第１回答情報から抽出されたキーワードに対応する付帯情報と、前記第１回答情報が前記第１質問情報に対して正解であるか否かを示す正誤情報とに基づいて機械学習し、
    入力された新たな質問情報に対応する複数の回答情報を出力する際に、機械学習した前記算出パラメータにより、前記新たな質問情報から抽出されるキーワードに対応する付帯情報と、前記複数の回答情報それぞれから抽出されるキーワードに対応する付帯情報とに基づいて、前記複数の回答情報それぞれの確からしさを算出する、
    ことを特徴とする検索制御方法。
15. 教師データに含まれる質問情報と回答情報とのそれぞれからキーワードを抽出し、
    前記質問情報から抽出されたキーワードに対応する付帯情報と、前記回答情報から抽出されたキーワードに対応する付帯情報との間の相関情報を、前記質問情報に対して前記回答情報が正解であるか否かを示す正誤情報に基づいて算出して記憶部に記憶し、
    入力された新たな質問情報に対応する複数の回答情報を出力する際に、前記記憶部に記憶された前記相関情報を参照して算出した、前記新たな質問情報から抽出されるキーワードに対応する付帯情報と前記複数の回答情報それぞれから抽出されるキーワードに対応する付帯情報との間の相関情報に基づいて、前記複数の回答情報の出力の優先順位を決定する、
    ことを特徴とする検索制御方法。
16. 質問情報と、回答情報と、前記質問情報に対して前記回答情報が正解であるか否かを示す正誤情報と、を含む教師データの入力を受け付け、
    入力される前記質問情報から抽出されるキーワードに対応する付帯情報について、該付帯情報に対応するキーワードを含む回答情報が前記質問情報に対する回答としてどの程度確からしいか算出するためのパラメータを、前記正誤情報に基づいて機械学習し、
    新たに入力される質問情報に応じて抽出される複数の回答情報を提示する際に、該複数の回答情報それぞれから抽出されるキーワードに対応する付帯情報と、機械学習した前記パラメータと、に基づいて、前記複数の回答情報それぞれの確からしさを評価する、
    ことを特徴とする検索制御方法。
17. 質問情報と、回答情報と、前記質問情報に対して前記回答情報が正解であるか否かを示す正誤情報と、を含む教師データの入力を受け付け、
    前記質問情報から抽出されるキーワードに対応する付帯情報と、前記回答情報から抽出されるキーワードに対応する付帯情報との間の相関度を、前記正誤情報に基づいて算出して記憶部に記憶し、
    新たに入力される質問情報に応じて回答情報を提示する際に、前記記憶部に記憶された前記相関度を参照して算出した、新たに入力される該質問情報から抽出されるキーワードに対応する付帯情報と、提示する前記回答情報から抽出されるキーワードに対応する付帯情報との間の相関度に基づいて提示の優先度制御を実行する、
    ことを特徴とする検索制御方法。

Images