JP2018055548A - 対話装置、学習装置、対話方法、学習方法、およびプログラム - Google Patents

対話装置、学習装置、対話方法、学習方法、およびプログラム Download PDF

Info

Publication number
JP2018055548A
JP2018055548A JP2016193240A JP2016193240A JP2018055548A JP 2018055548 A JP2018055548 A JP 2018055548A JP 2016193240 A JP2016193240 A JP 2016193240A JP 2016193240 A JP2016193240 A JP 2016193240A JP 2018055548 A JP2018055548 A JP 2018055548A
Authority
JP
Japan
Prior art keywords
information
learning
response
conversation
unit
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
JP2016193240A
Other languages
English (en)
Other versions
JP6951712B2 (ja
Inventor
誠 久保寺
Makoto Kubodera
誠 久保寺
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nextremer Co Ltd
Original Assignee
Nextremer Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nextremer Co Ltd filed Critical Nextremer Co Ltd
Priority to JP2016193240A priority Critical patent/JP6951712B2/ja
Publication of JP2018055548A publication Critical patent/JP2018055548A/ja
Application granted granted Critical
Publication of JP6951712B2 publication Critical patent/JP6951712B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

【課題】従来、一の対象者があたかも応答しているように感じさせることができなかった。【解決手段】一の対象者が１以上の各コミュニケーション手段に対して入力した２以上の発言情報と、２以上の発言情報のうちの１以上の各発言情報と対になる他人の対話情報とを用いて作成された情報であり、質問情報と回答情報の対である１以上の人格情報を有する学習情報が格納される学習情報格納部と、ユーザの会話を受け付ける会話受付部と、会話を分析し、会話に関する会話情報を取得し、会話情報を学習情報に適用し、対応する応答を取得する応答取得部と、応答を出力する応答出力部とを具備する対話装置により、一の対象者の過去の複数の発言を学習することにより、入力された会話に対して、当該一の対象者があたかも応答しているように感じさせることができる。【選択図】図３

Description

本発明は、ユーザと対話を行う対話装置等に関するものである。
従来、人工知能として人格を実現する、と記載されている先行技術文献があった（特許文献１参照）。かかる文献には、「本技術は、人が客観的に見て、人格にように思える思考、振る舞い、をコンピュータ上で実現し、音響、画像、言語、感覚といった入力データを状況記録としてデータとして内部保存し、プログラムによって処理し、状況に応じて外部に出力する技術である。そして、出力したものが人間に届いたとき、人格（＝キャラクタ）に感じるアルゴリズムとデータ構造および「人間の心」「人格」を機能ブロックとして分割して実現する技術である」と記載されている。
特開２００８−１２９８４５号公報
しかしながら、従来技術においては、一の対象者の過去の複数の発言を学習し、入力された会話を学習した情報に適用し、当該一の対象者があたかも応答しているように感じさせることができる対話装置が存在しなかった。
本第一の発明の対話装置は、一の対象者が１または２以上の各コミュニケーション手段に対して入力した対象者の発言を示す２以上の発言情報と、２以上の発言情報のうちの１以上の各発言情報と対になる他人の対話情報とを用いて作成された情報であり、質問に関する質問情報と質問に対する回答に関する回答情報の対である１以上の人格情報を有する学習情報が格納される学習情報格納部と、ユーザの会話を受け付ける会話受付部と、会話を分析し、会話に関する会話情報を取得し、会話情報を学習情報に適用し、対応する応答を取得する応答取得部と、応答を出力する応答出力部とを具備する対話装置である。
かかる構成により、一の対象者の過去の複数の発言を学習することにより、入力された会話に対して、当該一の対象者があたかも応答しているように感じさせることができる。
また、本第二の発明の対話装置は、第一の発明に対して、学習情報は、一の対象者が発言した２以上の発言情報から抽出された２以上の用語、および２以上の用語間の関連の度合いを示す関連度情報を有する発言グラフを有し、応答取得部は、会話から１以上の用語を抽出し、１以上の用語と予め決められた条件を満たすほど関連の大きい１以上の用語を発言グラフから取得し、関連の大きい１以上の用語を学習情報に適用し、対応する応答を取得する対話装置である。
かかる構成により、一の対象者の過去の複数の発言を学習することにより、入力された会話に対して、当該一の対象者があたかも応答しているように見せかけることができる。
また、本第三の発明の対話装置は、第一または第二の発明に対して、学習情報は、質問情報を有さない１以上の人格情報を含み、質問情報を有さない人格情報は、一般知識を格納している外部のサーバ装置から取得された一般知識情報である対話装置である。
かかる構成により、学習した一の対象者の過去の複数の発言が少なくとも、一般的な知識を用いることにより、入力された会話に対して、適切な応答が可能となる。
また、本第四の発明の対話装置は、第三の発明に対して、応答取得部は、会話が予め決められた条件を満たす場合、１以上の一般知識情報に適用し、対応する応答を取得する対話装置である。
かかる構成により、一の対象者の過去の複数の発言、および一般的な知識を、適切に切り替えて利用できる。
また、本第五の発明の対話装置は、第一から第四いずれか１つの発明に対して、応答取得部は、会話情報を学習情報に適用し、会話情報に対応する応答候補を取得する２以上の応答取得手段と、２以上の各応答取得手段が取得した応答候補に対するスコアを算出するスコア算出手段と、スコア算出手段が算出しスコアが最も高い応答候補を応答として取得する応答選択手段とを具備する対話装置である。
かかる構成により、より適切な応答を出力できる。
また、本第六の発明の対話装置は、第五の発明に対して、２以上の各応答取得手段に対応付けて、会話の分類を示すクラスに対する重み情報が格納される重み情報格納部をさらに具備し、応答取得部は、会話を分析し、会話のクラスを取得するクラス取得手段をさらに具備し、スコア算出手段は、クラス取得手段が取得したクラスに対応する重み情報を用いて、２以上の各応答取得手段が取得した応答候補に対するスコアを算出する対話装置である。
かかる構成により、より適切な応答を出力できる。
また、本第七の発明の対話装置は、第五または第六の発明に対して、応答取得部は、２以上の応答候補ごとに、応答候補と会話との類似度を算出する類似度算出手段をさらに具備し、スコア算出手段は、類似度算出手段が算出した類似度を用いて、２以上の各応答取得手段が取得した応答候補に対するスコアを算出する対話装置である。
かかる構成により、より適切な応答を出力できる。
また、本第八の発明の対話装置は、第五から第七いずれか１つの発明に対して、応答取得部は、一の対象者の発言を示す２以上の発言情報を用いて、２以上の応答候補ごとに、対象者らしさを示す対象者評価値を取得する対象者評価値取得手段をさらに具備し、スコア算出手段は、対象者評価値取得手段が取得した対象者評価値を用いて、２以上の各応答取得手段が取得した応答候補に対するスコアを算出する対話装置である。
かかる構成により、より適切な応答を出力できる。
また、本第九の発明の対話装置は、第一から第八いずれか１つの発明に対して、一の対象者の画像である対象者画像が格納される画像格納部と、応答の出力に対応付けて、対象者画像を出力する対象者画像出力部とをさらに具備する対話装置である。
かかる構成により、対象者があたかも回答しているように、ユーザに感じさせることができる。
また、本第十の発明の対話装置は、第一から第八いずれか１つの発明に対して、一の対象者を模した形状を有するロボットである、対話装置である。
かかる構成により、対象者があたかも回答しているように、ユーザにより感じさせることができる。
また、本第十一の発明の学習装置は、一の対象者が１または２以上の各コミュニケーション手段に対して入力した対象者の発言を示す２以上の発言情報と、２以上の発言情報のうちの１以上の各発言情報と対になる他人の対話情報とを用いて作成された情報であり、質問に関する質問情報と質問に対する回答に関する回答情報の対である１以上の人格情報を有する学習情報が格納される学習情報格納部と、１または２以上のサーバ装置から取得した情報であり、一の対象者が１または２以上の各コミュニケーション手段に対して入力した対象者の発言を示す２以上の発言情報と、２以上の発言情報のうちの１以上の各発言情報と対になる他人の対話情報とを有するコミュニケーション情報が格納されるコミュニケーション情報格納部と、コミュニケーション情報が有する１組以上の発言情報と対話情報との組を分析し、質問に関する質問情報と質問に対する回答に関する回答情報の対である１以上の人格情報を取得し、１以上の人格情報を有する学習情報を構成する学習情報構成部と、学習情報構成部が構成した学習情報を学習情報格納部に蓄積する学習情報蓄積部とを具備する学習装置である。
かかる構成により、対象者の発話を学習できる。
また、本第十二の発明の学習装置は、第十一の発明に対して、一の対象者が１または２以上の各コミュニケーション手段に対して入力した対象者の発言を示す２以上の発言情報を、１以上の外部の装置から取得する発言情報取得部と、２以上の発言情報のうちの１以上の各発言情報と対になる他人の対話情報を、１以上の外部の装置から取得する対話情報取得部とをさらに具備し、コミュニケーション情報格納部のコミュニケーション情報は、発言情報取得部が取得した２以上の発言情報と対話情報取得部が取得した対話情報とを含む学習装置である。
かかる構成により、対象者の発話を外部の装置から取得し、学習できる。
本発明による対話装置によれば、一の対象者の過去の複数の発言を学習することにより、入力された会話に対して、当該一の対象者があたかも応答しているように見せかけることができる。
実施の形態１における対話システムＡの概念図 同学習装置１のブロック図 同対話システムＡのブロック図 同発言グラフの例を示す図 同Ａｓｓｏｃｉａｔｒｏｎを応用した想起の概念図 同第一の方法で使用するネットワークの概要を示す図 同学習装置１の動作について説明するフローチャート 同対話装置２の動作について説明するフローチャート 同コンピュータシステムの概観図 同コンピュータシステムのブロック図
以下、対話装置等の実施形態について図面を参照して説明する。なお、実施の形態において同じ符号を付した構成要素は同様の動作を行うので、再度の説明を省略する場合がある。
（実施の形態１）
本実施の形態において、一の対象者が１または２以上の各コミュニケーション手段に対して入力した当該対象者の発言と各発言と対になる他人の対話とを用いて、他人の質問に対する対象者の回答をデータベース化し、対話に利用する対話システムについて説明する。
また、本実施の形態において、キーワード生成モデルで生成したモデルを用いて、回答を取得し、出力する対話システムについて説明する。
また、本実施の形態において、一般知識のデータベースをも利用して、回答を取得し、出力する対話システムについて説明する。なお、ここで、例えば、対話システムは、質問が予め決められた条件を満たす場合、一般知識のデータベースを用いる。
対話システムについて説明する。
また、本実施の形態において、２以上の回答候補を取得し、各回答候補に対してスコアを算出し、最もスコアが高い回答候補を回答として出力する対話システムについて説明する。
また、本実施の形態において、２以上の発話生成モデルに対して質問を与え、質問のクラス（例えば、疑問文か否か）により、各発話生成モデルに対する重みを変える対話システムについて説明する。
また、本実施の形態において、質問と回答候補との文の類似度を用いて、回答候補のスコアを決定する対話システムについて説明する。
また、本実施の形態において、２以上の各回答候補に対して、対象者の発言らしさを算出し、当該発言らしさを用いて、各回答候補のスコアを決定する対話システムについて説明する。
対話システムについて説明する。
また、本実施の形態において、一の対象者の映像と一緒に、回答を出力する対話システムについて説明する。
また、本実施の形態において、一の対象者を模したロボットである対話装置２を有する対話システムについて説明する。
さらに、本実施の形態において、一の対象者が１または２以上の各コミュニケーション手段に対して入力した当該対象者の発言を示す２以上の発言情報と、前記２以上の発言情報のうちの１以上の各発言情報と対になる他人の対話情報とを学習する学習装置を含む対話システムについて説明する。
図１は、本実施の形態における対話システムＡの概念図である。対話システムＡは、学習装置１、対話装置２、および１または２以上のユーザ端末３を備える。学習装置１は、人格を形成する対象の対象者の発言を学習する装置である。学習装置１は、例えば、いわゆるパーソナルコンピュータ、クラウドサーバやＡＳＰサーバ等のサーバ装置等であり、その種類は問わない。対話装置２は、対象者の発言を学習した結果である学習情報を用いて、受け付けたユーザの会話に対する、仮想的な対象者の回答を取得し、出力する装置である。対話装置２は、例えば、いわゆるパーソナルコンピュータ、クラウドサーバやＡＳＰサーバ等のサーバ装置等であり、その種類は問わない。ユーザ端末３は、対話装置２と対話を行うユーザが使用する端末である。ユーザ端末３は、例えば、いわゆるパーソナルコンピュータ、タブレット端末、スマートフォン等であり、その種類は問わない。
また、図１において、学習装置１、対話装置２、１以上のユーザ端末３、および１または２以上の外部のサーバ装置４とは、インターネット等のネットワークにより通信可能となっている。ただし、学習装置１と対話装置２、対話装置２とサーバ装置４、学習装置１と１以上のユーザ端末３とサーバ装置４は、相互に通信可能でなくても良い。
つまり、学習装置１は、インターネット等のネットワークにより、外部のサーバ装置４と通信可能である。また、対話装置２、および１または２以上のユーザ端末３は、インターネット等のネットワークにより、外部のサーバ装置４と通信可能である。
なお、外部のサーバ装置４は、ｆａｃｅｂｏｏｋ（登録商標）、Ｌｉｎｅ、Ｔｗｉｔｔｅｒ（登録商標）等のＳＮＳのサーバ装置、ブログ等のサービスを提供するサーバ装置、チャットなどのシステムのサーバ装置等である。外部のサーバ装置４は、後述するコミュニケーション手段を実現するサーバ装置である。外部のサーバ装置４は、例えば、ウィキペディア等の一般知識情報を格納しているサーバ装置でも良い。
図２は、本実施の形態における学習装置１のブロック図である。
学習装置１は、学習格納部１１、学習取得部１２、学習部１３を備える。学習格納部１１は、コミュニケーション情報格納部１１１、学習情報格納部１１２を備える。学習取得部１２は、発言情報取得部１２１、対話情報取得部１２２を備える。学習部１３は、学習情報構成部１３１、学習情報蓄積部１３２を備える。
図３は、本実施の形態における対話システムＡのブロック図である。
対話装置２は、格納部２１、受付部２２、処理部２３、出力部２４を備える。
格納部２１は、学習情報格納部１１２、重み情報格納部２１１、画像格納部２１２を備える。受付部２２は、会話受付部２２１を備える。処理部２３は、応答取得部２３１を備える。応答取得部２３１は、応答取得手段２３１１、クラス取得手段２３１２、類似度算出手段２３１３、対象者評価値取得手段２３１４、スコア算出手段２３１５、応答選択手段２３１６を備える。出力部２４は、応答出力部２４１、対象者画像出力部２４２を備える。
ユーザ端末３は、端末格納部３１、端末受付部３２、端末処理部３３、端末送信部３４、端末受信部３５、端末出力部３６を備える。
学習装置１を構成する学習格納部１１は、各種の情報が格納される。各種の情報とは、例えば、後述するコミュニケーション情報、後述する学習情報、後述する一般知識情報等である。各種の情報は、例えば、１または２以上の各コミュニケーション手段を実現する外部のサーバ装置４への通信を実現する通信先情報（例えば、サーバ装置４のＩＰアドレス、発言情報や対話情報が格納されているＵＲＬ等）、およびコミュニケーション手段ごとの対象者のＩＤである。つまり、各種の情報は、例えば、１以上の通信情報である。通信情報は、通信先情報と対象者のＩＤとの組である。対象者のＩＤとは、発言情報をサーバ装置４から取得する際に必要となる情報である。
コミュニケーション情報格納部１１１は、コミュニケーション情報が格納される。コミュニケーション情報は、１または２以上のサーバ装置４から取得した情報である。コミュニケーション情報は、一の対象者が１または２以上の各コミュニケーション手段に対して入力した対象者の発言を示す２以上の発言情報と、２以上の発言情報のうちの１以上の各発言情報と対になる他人の対話情報とを有する。なお、コミュニケーション情報は、当該一の対象者が作成した書籍（例えば、エッセイ）が電子化されている電子書籍等を含んでも良い。
ここで、対象者とは、回答者と言っても良い。対象者は、学習する対象の発言を行った人である。対象者は、例えば、故人、家族、著名人等である。
コミュニケーション手段とは、ｆａｃｅｂｏｏｋ（登録商標）、Ｌｉｎｅ、Ｔｗｉｔｔｅｒ（登録商標）等のＳＮＳ、ブログ等のサービス、チャットなどのシステム等である。コミュニケーション手段は、メールシステム等も含むと考えても良い。コミュニケーション手段は、通常、対話を行えるシステムや手段であるが、一方的に対象者が発言するブログ、一方的に対象者が発言した内容を取得するシステム等も含むと考えても良い。また、対象者の発言情報とは、対象者が発した情報、対象者が入力した情報等である。対話情報とは、通常、対象者では無い人である他人が発した情報、当該他人が入力した情報等である。
学習情報格納部１１２は、学習情報が格納される。学習情報は、１または２以上の人格情報を有する。人格情報は、質問情報と回答情報の対である。ここで、質問情報と回答情報の対とは、質問情報の入力を受け付けた際に回答情報が抽出可能な情報であれば良い。質問情報と回答情報の対とは、必ずしも質問情報と回答情報とがそのまま存在する情報でなくても良い。質問情報は、質問に関する情報である。質問情報は、通常、他人が発した対話情報、または他人が発した対話情報から作られる情報である。質問情報は、質問の文から構成されたベクトルでも良い。なお、かかるベクトルは、例えば、word2vec（「T. Mikolov, et al. Distributed Representations of Words and Phrases and their Compositionality. NIPS 2013」参照のこと）により構成される。また、回答情報は、質問に対する回答に関する情報である。回答情報は、通常、一の対象者の発言情報、または一の対象者の発言情報から作られる情報である。回答情報は、回答を構成するためのベクトルでも良い。つまり、人格情報は、通常、一の対象者が１または２以上の各コミュニケーション手段に対して入力した対象者の発言を示す発言情報と、当該発言情報と対になる他人の対話情報とを用いて作成される情報である。例えば、人格情報を作成する元になる他人の対話情報と、一の対象者の発言情報とは、コミュニケーション手段に対して連続して入力された情報である。学習情報は、例えば、多階層のニューラルネットワークである。
学習情報は、発言グラフを有することは好適である。発言グラフは、一の対象者が発言した２以上の発言情報から抽出された２以上の用語、および２以上の用語間の関連の度合いを示す関連度情報を有する。発言グラフの構成方法については後述する。
また、学習情報は、連想記憶モデルを有することは好適である。連想記憶モデルは、例えば、Associatronモデルである。なお、Associatron モデルは、公知技術であり、「KAORU NAKANO:(1972) 「Associatron - A Model of Associative Memory」IEEE」を参照のこと。
学習情報は、質問情報を有さない１以上の人格情報を含んでも良い。質問情報を有さない人格情報は、例えば、一の対象者の発言情報に基づくが、当該発言情報は、他人の対話情報に対する発言に基づく情報では無い発言情報に基づく。また、質問情報を有さない人格情報は、例えば、一般知識を格納している外部のサーバ装置４から取得された一般知識情報である。かかる場合の外部のサーバ装置４は、例えば、Ｗｉｋｉｐｅｄｉａ（登録商標）の情報を格納しているサーバ装置である。かかる場合、人格情報は、一般常識の情報も有する、と考えられる。かかる場合の人格情報は、例えば、用語とその用語の説明文とを有する。
学習取得部１２は、発言情報および対話情報を外部のサーバ装置４から取得する。学習取得部１２は、学習格納部１１の通信情報を用いて、外部のサーバ装置４にアクセスし、対象者の発言情報と、当該対象者の発言情報の直前の対話情報（他人が発言した情報）とを対にして取得する。また、学習取得部１２は、対話情報と対になっていない発言情報も含めて、学習格納部１１の通信情報を用いて、外部のサーバ装置４にアクセスし、対象者の発言情報をすべて取得しても良い。さらに、学習取得部１２は、学習格納部１１の通信情報を用いて、外部のサーバ装置４にアクセスし、対象者の発言情報と、当該発言情報と一連の対話を構成する１以上の対話情報と０または１以上の発言情報とを、群で取得しても良い。なお、一連の対話を構成するか否かは、発言情報または対話情報の間で、引用関係を示す情報が含まれていることを検知し、学習取得部１２が判断しても良い。また、一連の対話を構成するか否かは、発言情報または対話情報がサーバ装置４に受け付けされた時刻または蓄積等された時刻を用いて、予め決められた条件を満たすほど近い時刻に受け付け等されている発言情報と対話情報が一連の対話を構成すると、学習取得部１２が判断しても良い。
発言情報取得部１２１は、一の対象者が１または２以上の各コミュニケーション手段に対して入力した対象者の発言を示す２以上の発言情報を、１以上の外部の装置から取得する。外部の装置とは、上述した外部のサーバ装置４である。発言情報取得部１２１は、例えば、上述した通信情報を用いて、発言情報を取得する。
対話情報取得部１２２は、２以上の発言情報のうちの１以上の各発言情報と対になる他人の対話情報を、１以上の外部の装置から取得する。外部の装置とは、上述した外部のサーバ装置４である。対話情報取得部１２２は、例えば、上述した通信情報を用いて、対話情報を取得する。
学習部１３は、学習情報を取得し、学習情報格納部１１２に蓄積する。
学習情報構成部１３１は、コミュニケーション情報が有する１組以上の発言情報と対話情報との組を分析し、質問に関する質問情報と質問に対する回答に関する回答情報の対である１以上の人格情報を取得し、１以上の人格情報を有する学習情報を構成する。
学習情報構成部１３１は、例えば、以下の第一の方法により学習情報を構成する。学習情報構成部１３１は、学習取得部１２が取得した、対話情報と発言情報の組が有する対話情報を形態素解析し、その結果を、質問を示す文か否かの識別器に入力する。また、学習情報構成部１３１は、学習取得部１２が取得した、対話情報と発言情報の組が有する発言情報を形態素解析し、その結果を、回答を示す文か否かの識別器に入力する。そして、対話情報が質問を示す文であり、かつ発言情報が回答を示す文であるとの識別結果である場合、対話情報を質問情報とし、発言情報を回答情報とする人格情報を構成する。そして、学習情報構成部１３１は、複数の対話情報と発言情報の組に対して、上記の処理を行い、１以上の人格情報を有する学習情報を構成する。なお、かかる識別器は、学習情報構成部１３１が有する、と考えても良いし、外部の識別器でも良い。例えば、別途、回答を示す文、質問等の回答以外を示す文を、公知の機械学習技術（例えば、ＳＶＭや決定木等）により学習し、識別器が生成できる。また、例えば、別途、質問を示す文、質問以外を示す文を、公知の機械学習技術（例えば、ＳＶＭや決定木等）により学習し、識別器が生成できる。なお、かかる識別器または識別器に与えるパラメータを学習情報と考えても良い。
学習情報構成部１３１は、例えば、以下の第二の方法により学習情報を構成する。学習情報構成部１３１は、学習取得部１２が取得した、対話情報と発言情報の組が有する対話情報から文の素性ベクトルを取得する。そして、学習情報構成部１３１は、当該素性ベクトルを、質問を示す文か否かの識別器に入力する。また、学習情報構成部１３１は、学習取得部１２が取得した、対話情報と発言情報の組が有する発言情報から文の素性ベクトルを取得する。そして、学習情報構成部１３１は、当該素性ベクトルを、回答を示す文か否かの識別器に入力する。そして、対話情報が質問を示す文であり、かつ発言情報が回答を示す文であるとの識別結果である場合、対話情報または対話情報の素性ベクトルを質問情報とし、発言情報または発言情報の素性ベクトルを回答情報とする人格情報を構成する。そして、学習情報構成部１３１は、複数の対話情報と発言情報の組に対して、上記の処理を行い、１以上の人格情報を有する学習情報を構成する。なお、かかる識別器も、上述した公知の機械学習技術（例えば、ＳＶＭや決定木等）により生成され得る。
なお、対話情報または発言情報から各文の素性ベクトルを取得する方法は公知技術であるので、詳細な説明を省略する。例えば、学習情報構成部１３１は、対話情報または発言情報を形態素解析し、その結果を用いて、自立語のみを抽出し、当該自立語を有する文のベクトル（これを素性ベクトル、と言っても良い）を取得する。また、例えば、学習情報構成部１３１は、学習情報構成部１３１は、対話情報または発言情報を形態素解析し、すべての形態素からベクトル（これを素性ベクトル、と言っても良い）を取得する。また、例えば、学習情報構成部１３１は、対話情報または発言情報を形態素解析し、形態素のみならず、形態素の品詞の情報をも用いて、ベクトル（これを素性ベクトル、と言っても良い）を構成しても良い。
学習情報構成部１３１は、例えば、以下の第三の方法により学習情報を構成する。第三の方法は、学習情報を構成する発言グラフを構成する方法である。
第三の方法において、対象者の発言に含まれる単語のうち、共起度が高く、かつそれらの単語がその他の単語と類似した共起関係を持つ場合、それらの単語で構成されたクラスタは、過去の発言において似た文脈で利用されている単語である。また、発言グラフ内で高いPageRankをもつ単語は対象者の思想において重要なワードである可能性が高く、クラスタ内でPageRankが高い単語はそのクラスタを説明する意味を含むと考える。なお、ここでのPageRankとは、単語をページ（ノード）としたPageRankである。また、PageRankの算出方法は公知技術であるので、詳細な説明を省略する。そのようにして、発言グラフ内に構成されるクラスタに対して、あるキーワードと同じクラスタに含まれる単語を取得することで、対象者の意図を反映した関連キーワードを抽出できる。
具体的には、例えば、学習情報構成部１３１は、以下の１．から２．の処理を行うことにより、発言グラフの構築を行う。
１．共起関係に基づいたグラフ生成
学習情報構成部１３１は、発言情報を形態素解析し、同文中の単語間の自己相互情報量 (PMI:Point-wise Mutual Information) を算出する。そして、学習情報構成部１３１は、上記により得られた共起関係に基づき、ノードに各単語を設定し、共起関係のある単語間にはPMI を重みとしたエッジを設定した発言グラフを構成する。
なお、１．のグラフ生成の方法は公知技術であり、「Wei Wang, Diep Bich Do, and Xuemin Lin.: Term Graph Model for Text Classification,Springer-Verlag Berlin Heidelberg 2005, pp.19-30, 2005.」および「Samer Hassan, Rada Mihalcea and Carmen Banea. :Random-Walk Term Weighting for Improved Text Classification, 2007.」を参照のこと。
２．クラスタリングと重要単語の決定
学習情報構成部１３１は、１．で構成したグラフに対してinfomap によるクラスタリングを実施する。そして、学習情報構成部１３１は、類似した共起関係を持つ単語によるクラスタを構成する。また、発言グラフに対してPageRank の算出を行い、この値をクラスタ内の重要単語の決定に利用する。
なお、２．のクラスタリングと重要単語の決定の方法は公知技術であり、「Christian Scheible, Hinrich Shutze. : Bootstrapping Sentiment Labels For Unannotated Documents With Polarity PageRank, Proceedings of the Eight International Conference on Language Resources and Evaluation, 2012.」を参照のこと。
以上の処理により、学習情報構成部１３１は、例えば、図４に示す発言グラフを得る。なお、図４において、発言グラフの各エッジは、重みを有しないが、重みを有することは好適である。
学習情報構成部１３１は、例えば、以下の第四の方法により学習情報を構成する。第四の方法は、上述したAssociatron によるキーワード抽出の方法である。第四の方法は、Associatron モデルによる、より個人に特化した判断モデル（学習情報）へのアプローチである。
第四の方法において、学習情報構成部１３１は、事前にデータから素性ベクトルを作成し、素性ベクトルをクラス分けし、クラス中の最も特徴ある言葉を抽出し、各クラスの言葉と、各クラスの特徴語に対して事前に作成した要素が?１または１の相関の低い配列を割り当てる。なお、学習情報構成部１３１は、データから素性ベクトルを作成する処理、および素性ベクトルをクラス分けする処理において、例えば、word2vecを使用する。
ここで、例えば、各クラスの言葉には１５００要素、特徴語には１５００要素を有する行行列を用いることとする。かかる行行列による概念形成を行うことで、対象者個人に特化した対話モデルを獲得できる。
Associatronは連想記憶モデルである。連想記憶とは「関係のある事柄の結びつきAssociatronを記憶し、その事柄の一部分から全体を思いだすような記憶」のことである。なお、Associatronについて、文献「中野馨(1995) 『C でつくる脳の情報システム』（知能システム研究会）近代化学社」「中野馨(1988)『アソシアトロン-連想記憶モデルと知的情報処理』株式会社 昭晃堂」を参照のこと。
Associatronにおいて、記憶すべきパターンである行ベクトルを、以下の数式１で示す。
また、学習情報構成部１３１は、記憶行列Ｍを、以下の数式２を用いて生成する。そして、学習情報蓄積部１３２は、記憶行列Ｍを学習情報格納部１１２に蓄積する。なお、ここで、記憶行列Ｍは、学習情報の例である。
ここでAssociatronの量子化関数φは、以下の数式３である。
また、実験において、例えば、学習情報構成部１３１は、Associatronの学習のための前処理として、形態素解析器（例えば、MeCab、ChaSen等）による分かち書きを行い、例えば、word2vec等を用い素性ベクトルを作成し、素性ベクトルをword2vec等によりクラス分けし、 各クラスの単語また各クラスの特徴語に対し事前に作成した１または１の行ベクトルを割り当て、数式２を用いて記憶行列に記憶させる。
学習情報構成部１３１は、例えば、以下の第五の方法により学習情報を構成する。第五の方法は、ＲＮＮを用いる方法である。ＲＮＮとは、"Recurrent Neural Network"である。学習情報構成部１３１は、多層化したＬＳＴＭを用いて、文字レベルで入出力を実行する。第五の方法で使用するネットワークの概要を図６に示す。図６について、文献「松元 叡一, 中村政義, 山川宏; 階層型リカレントニュートラルネットワークによる対話システムの試作（http://ailab.dwango.co.jp/technical_report/DWAL-TR-2015-001.pdf(2015)」を参考にした。なお、上記文献では、LSTMの前にリザバーを設けているが、実装のしやすさを考慮して、例えば、リザバーは置かなくても良い。学習情報構成部１３１は、例えば、学習データセットとして、対象者の過去の発話並びにＳＮＳの文を用いて、学習情報を構成する。学習情報構成部１３１は、実験では、対象者のオリジナルの文（発話情報）の総数約５０００文からＲＮＮを構成した。ここで、学習情報構成部１３１は、ロス関数はソフトマックスクロスエントロピーとし、文全体を入力した上でバックプロパゲーションをし、確率的勾配降下法(SGD)を用いてＲＮＮを最適化した。なお、ここでは、ＲＮＮが学習情報の一例である。
学習情報構成部１３１は、例えば、以下の第六の方法により学習情報を構成する。第六の方法は、ＤＦＲ（Divergence from randomness）を用いる方法である。ＤＦＲモデルを用いた学習情報の構成、および発話候補の生成処理は、文献「Amati, G. (2003). Probability Models for Information Retrieval based on Diver gence from Randomness . PhD thesis, University of Glasgow.)」に記載されている。学習情報構成部１３１は、一の対象者の発言（例えば、コミュニケーション情報を構成する発言情報）を元に、ＤＦＲを構成する。そして、学習情報蓄積部１３２は、ＤＦＲを学習情報格納部１１２に蓄積する。なお、ここで、ＤＦＲは、学習情報の例である。
学習情報構成部１３１は、例えば、以下の第七の方法により学習情報を構成する。第七の方法は、Skip-Thoughtベクトルを用いた対話モデルによるアプローチセクションである。Skip-Thoughtベクトルにより、さらに個人に特化した判断モデルへのアプローチが可能となる。なお、Skip-Thoughtベクトルについて、文献「Ryan Kiros, Yukun Zhu, Ruslan Salakhutdinov,Richard S. Zemel, Antonio Torralba, Raquel Urtasun,Sanja Fidler: Skip-Thought Vectors. arXiv:1506.06726,(2015)」を参照のこと。
第七の方法では、学習情報構成部１３１は、事前に一般知識情報（例えば、日本語Wikipediaの記事）を用いてSkip-Thoughtモデルを取得する。そして、学習情報蓄積部１３２は、Skip-Thoughtモデルを学習情報格納部１１２に蓄積する。なお、ここで、Skip-Thoughtモデルは、学習情報の例である。なお、事前に一般知識情報を用いてSkip-Thought モデルを取得し、エンコーダーとして用いることで特定の個人の対話ログから個人に特化した対話モデルを得ることができる。日本語Wikipedia等の記事からSkip-Thought によるエンコーダーを学習することで、一般的な知識の獲得が期待される。また、このエンコーダーを用いて個人の対話ログを学習することで、少量の対話ログから個人に特化した対話モデルを獲得することが期待される。
Skip-Thoughtは文章の分散表現を得るためのエンコーダーである。学習時はエンコーダーデコーダーモデルとして、エンコードする文章の前後の文章をデコードするよう学習する。学習にはより一般的な知識の学習を目的として、例えば、日本語Wikipedia の記事を利用する。学習後に得られるSkip-Thoughtモデルは、任意のタスクに用いることのできる汎用的な特徴抽出器と考えることができる。
３つの文章の組を(??i-1, ??i, ??i+1)で表す。??i tを文章??iのt番目の単語とし、xi tをその埋め込み表現とする。また、Nを文章における単語の総数とする。
エンコーダーは単語の集合を文章ベクトルに写像する。本方法では、例えば、GRU RNNをエンコーダーとして用いる。文章のエンコード時は、各ステップで以下の数式４を通して隠れ状態hi tを得る。最終的に得られるhi Nが文章全体を表していると考えることができる。
デコーダーはエンコーダーの出力htで条件付けされた言語モデルであり、エンコーダーの入力である??iの前後の文章??i-1と??i+1を生成する。デコーダーもエンコーダーと同じくGRU RNN を用いる。??i-1と??i+1を生成するデコーダーではそれぞれ異なるパラメータを用いる。両デコーダーのRNNにおける初期状態としてエンコーダーの出力??iを用いる。以下の数式５に??i+1のデコーダーの式を示す。
そして、目的関数は、例えば、２つのデコーダーの対数確率の和となる（数式６参照）。
第七の方法の実験において、Skip-Thoughtの学習は以下のように行った、つまり、学習データには日本語Wikipedia 記事(2016/08/20時点のダンプデータ)１０２８９４０件を用いた。前処理として、Mecabによる分かち書きを行った。Mecabの辞書としてはmecab-ipadic-neologdと、Wikipedia のタイトルから作成した辞書を用いた。
第七の方法の実験において、デコーダーの学習は以下のように行った。つまり、事前に日本語Wikipediaの記事を用いて得られたSkip-Thoughtモデルを入力文章のエンコーダーとして用いた。デコーダー部分にはSkip-Thoughtの学習で用いているのと同等のGRU RNNを利用している。学習データとしては特定の個人のFacebookの投稿を用いた。
以上の処理により、例えば、学習情報構成部１３１は、日本語Wikipediaの記事等の一般知識情報からSkip-Thought によるエンコーダーとデコーダーとを構成する。なお、ここで、エンコーダーとデコーダーとは、学習情報の例である。
学習情報構成部１３１は、例えば、後述するクラス取得手段２３１２が会話のクラスを取得するための学習情報を構成しても良い。例えば、クラス識別子（例えば、「疑問文」または「平叙文」）と文との対の集合をＳＶＭ等の機械学習により学習し、識別器である学習情報を構成しても良い。
また、学習情報構成部１３１は、例えば、後述する類似度算出手段２３１３が文の類似度を算出するための学習情報を構成しても良い。かかる技術は公知技術であるので、詳細な説明は省略する。
また、学習情報構成部１３１は、例えば、後述する対象者評価値取得手段２３１４が対象者評価値を取得するための学習情報を構成しても良い。学習情報構成部１３１は、例えば、対象者の１以上の発言情報と、対象者以外が主体となる文等の情報を用いて、対象者評価値を取得するための学習情報を構成しても良い。なお、対象者評価値は、対象者らしさを示す情報である。対象者評価値は、対象者らしさの度合いを示す情報（通常、数値）でも良い。かかる技術は公知技術であるので、詳細な説明は省略する。
学習情報蓄積部１３２は、学習情報構成部１３１が構成した学習情報を学習情報格納部１１２に蓄積する。ここで、学習情報は、例えば、発言グラフ、連想記憶モデル、ＲＮＮ、ＤＦＲ、Skip-Thought によるエンコーダーとデコーダーである。
対話装置２を構成する格納部２１は、各種の情報が格納される。各種の情報は、例えば、学習情報、後述する重み情報、後述する対象者画像等である。
格納部２１を構成する学習情報格納部１１２は、学習情報が格納される。学習情報は、学習装置１が蓄積した情報であることは好適である。
重み情報格納部２１１は、２以上の各応答取得手段２３１１に対応付けて、会話の分類を示すクラスに対する重み情報が格納される。重み情報格納部２１１は、例えば、クラスを識別するクラス識別子と応答取得手段２３１１を識別する応答取得識別子と重み情報との組であるクラス重み情報を１または２以上格納している。なお、クラス識別子は、例えば、疑問文を示す「疑問文」、または平叙文を示す「平叙文」である。疑問文は、質問文と言っても良い。クラス識別子は、例えば、会話のジャンルを示す情報でも良い。クラス識別子は、例えば、「旅行」、「教育」などである。
画像格納部２１２は、対象者画像が格納される。対象者画像は、一の対象者の画像である。対象者画像は、静止画でも動画でも良い。
受付部２２は、各種の情報を受け付ける。各種の情報とは、例えば、ユーザの会話である。ユーザの会話は、疑問文であることは好適である。ただし、ユーザの会話は、平叙文、命令文、感嘆文等でも良い。ここで、受け付けとは、通常、ユーザ端末３からの、有線もしくは無線の通信回線を介した受信であるが、マイクからの音声の受け付け、キーボードやマウス、タッチパネルなどの入力デバイスから入力された情報の受け付け、光ディスクや磁気ディスク、半導体メモリなどの記録媒体から読み出された情報の受け付けなどを含む概念である。
会話受付部２２１は、ユーザの会話を受け付ける。会話受付部２２１は、通常、ユーザ端末３からユーザの会話を受信する。なお、会話は、例えば、音声、テキスト等である。会話のデータタイプは問わない。
処理部２３は、各種の処理を行う。各種の処理とは、応答取得部２３１等が行う処理である。
応答取得部２３１は、会話受付部２２１が受け付けた会話を分析し、会話に関する会話情報を取得し、会話情報を学習情報に適用し、対応する応答を取得する。なお、上記における会話を分析とは、例えば、形態素解析を行い、自立語のベクトルを取得することである。また、上記における会話を分析とは、例えば、会話のクラス（例えば、質問文か平常文か）を取得することである。会話のクラスの取得は、文の分類問題であり、例えば、ＳＶＭ、決定木等の機械学習を用いた公知技術であるので、詳細な説明を省略する。
また、会話情報とは、例えば、文である会話をベクトル化した情報である。会話情報は、会話の種類を示す情報（種類と言っても良い）でも良い。
また、会話情報を学習情報に適用することは、会話情報と学習情報とを用いることである、と言っても良い。
応答取得部２３１は、例えば、会話受付部２２１が受け付けた会話をベクトル化し、当該ベクトルに最も近似する質問情報を学習情報格納部１１２から検索し、当該検索した質問情報と対になる回答情報を応答として取得する。なお、会話のベクトル化のために、例えば、形態素解析器を用いる。
応答取得部２３１は、例えば、会話から１以上の用語を抽出し、１以上の用語と予め決められた条件を満たすほど関連の大きい１以上の用語を発言グラフから取得し、関連の大きい１以上の用語を学習情報に適用し、対応する応答を取得する。なお、用語の抽出は、例えば、形態素解析、パターンマッチング等により行う。なお、関連の大きい１以上の用語を学習情報に適用することは、例えば、会話から抽出した１以上の用語を含む用語群を学習情報に適用することである。
応答取得部２３１は、例えば、会話が予め決められた条件を満たす場合、１以上の一般知識情報に適用し、対応する応答を取得する。ここで、予め決められた条件とは、「Ａとは何ですか」等の、会話がある用語（Ａ）に対する質問であると判断されることである。また、予め決められた条件とは、会話に含まれる１以上の用語が、学習情報の中に予め決められた条件を満たすほど少ない割合または少ない数しか存在しないことである。
応答取得部２３１は、２以上の応答取得手段２３１１を有することは好適である。２以上の各応答取得手段２３１１は、通常、異なるアルゴリズムや異なるモデルを用いて、応答候補を取得する。応答取得手段２３１１は、会話情報を学習情報に適用し、会話情報に対応する応答候補を取得する。
第一の応答取得手段２３１１は、例えば、以下の第一の方法により、応答候補を取得する。第一の方法は、発言グラフを用いた発話候補の作成である。第一の応答取得手段２３１１は、例えば、発言グラフから以下のように関連ワードを抽出する。つまり、第一の応答取得手段２３１１は、ユーザの発話（会話）に含まれる１以上のキーワードを抽出する。そして、第一の応答取得手段２３１１は、かかる１以上の各キーワードを発言グラフに入力として与え、各キーワードが共起グラフに含まれる場合は、発言グラフ内で同じクラスタに属する単語のうちPageRank が高いワードを関連ワードとして取得する。そして、第一の応答取得手段２３１１は、取得した１以上のワードを用いて、発話候補の文を構成する。なお、発話候補の文は、文そのものでも良いし、ワード群や、ワードから構成されるベクトル等でも良い。
第二の応答取得手段２３１１は、例えば、以下の第二の方法により、応答候補を取得する。第二の方法は、連想記憶モデルを用いた発話候補の作成である。第二の応答取得手段２３１１は、ユーザの発話をクラス化した各クラスの言葉と照合し、発話が各クラスに存在すればそのクラスの言葉に対して事前に割り当てたベクトルを、以下の数式７の入力ｙとする。なお、発話をクラス化する処理は、例えば、word2vecを用いるが、他の技術、他のソフトウェアを用いても良い。
すると、記憶行列Ｍと入力ｙによる想起は、以下の数式８で表現される。つまり、第二の応答取得手段２３１１は、入力ｙと記憶行列Ｍとを用いて、数式８により、応答ｚを取得する。応答ｚは、ベクトルであえる。第二の応答取得手段２３１１は、例えば、ベクトルｚから応答の文を生成しても良い。用語のベクトルから文を構成する技術は公知技術であるので、詳細な説明を省略する。
なお、上記において、想起の際の閾値の設定は相関係数を用いる。そして、例えば、相関係数は０．４５である。また、第二の応答取得手段２３１１の実験において、word2vec等でクラス分けした単語に互いに相関の低い配列を割り当てると、記憶行列に存在する単語に対しては、想起されることがわかった。
また、Associatronを応用した想起の概念図を図５に示す。また、言葉とは、文でも良いし、用語でも良い。
第三の応答取得手段２３１１は、例えば、以下の第三の方法により、応答候補を取得する。第三の方法は、ＲＮＮを用いた発話候補の作成である。
第三の方法では、雑談的な会話への対応を主目的として、ＲＮＮを利用した発話候補の作成を行うモデルを設置している。第三の応答取得手段２３１１は、会話受付部２２１が受け付けた会話を、多層化したＬＳＴＭに入力し、応答を得る。
第三の方法を用いた実験では、多層化したＬＳＴＭを用いて、文字レベルで入出力を実行する。第三の方法で使用するネットワークの概要を図６に示す。第三の方法を適用した場合の動作時には、第三の応答取得手段２３１１は、ユーザの発話（会話）の中から適当な単語を選び、その単語を初期入力として文を出力する。第三の方法において、第三の応答取得手段２３１１は、ＬＳＴＭの出力(h)を上位のＬＳＴＭの入力にするとともに、すべてのＬＳＴＭの出力をマージして後続のFully-Connected層に渡している。取得可能な対象者の過去の発話やＳＮＳの文は、一般にはそれほど多くないため、出力のバリエーションが乏しくなる。そこで、文字レベルで文を作成することによって偶然性も利用してバリエーションを広げることを狙った。
第四の応答取得手段２３１１は、例えば、以下の第四の方法により、応答候補を取得する。第四の方法は、ＤＦＲモデルを用いた発話候補の生成である。
第四の方法では、第四の応答取得手段２３１１は、対象者個人を模倣した応答文を生成することを主目的として、会話（例えば、質問文）に含まれるキーワードに類似した過去の発言（ここでは、学習情報）を利用し、発話文を生成する。このモデルを利用することにより、ある質問に対する回答を過去に発言していた場合、その発言を利用することで対象者が過去に行った判断・発言を再利用することを目的としている。
第四の方法において、第四の応答取得手段２３１１は、過去発言（ここでは、学習情報）の検索を行う。そして、第四の応答取得手段２３１１は、過去発言の検索を行うために、例えば、文書の類似度の計算方法には確率モデルを利用したＤＦＲを利用する。確率モデルによる類似度の計算はtf-idfなどのベクトル空間モデルと比較して、検索ワードには含まれない単語も考慮の対象となるため、質問回答に適していると考えＤＦＲを採用した。なお、実装にあたって、例えば、第四の応答取得手段２３１１は、一般的な検索エンジンを利用しＤＦＲを利用した類似度をスコアリングに利用することで質問文のキーワードと類似した過去発言の取得を行っても良い。
第五の応答取得手段２３１１は、例えば、以下の第五の方法により、応答候補を取得する。第五の方法は、Skip-Thoughtベクトルを用いる方法である。つまり、第五の応答取得手段２３１１は、受け付けられた会話（??i）から単語の集合を取得する。そして、第五の応答取得手段２３１１は、当該単語の集合からエンコーダーを用いて文章ベクトルを取得する。次に、第五の応答取得手段２３１１は、文章ベクトルをデコーダーに与え、会話（??i）の次の文（??i+1）を取得する。かかる文（??i+1）が応答である。
クラス取得手段２３１２は、会話を分析し、会話のクラスを取得する。クラス取得手段２３１２は、例えば、会話を形態素解析し、その結果から文の素性ベクトルを取得する。そして、クラス取得手段２３１２は、当該素性ベクトルを、ＳＶＭ等の機械学習を用いて、分類し、クラス識別子（例えば、「疑問文」または「平叙文」）を取得する。
なお、例えば、クラス取得手段２３１２が、ユーザの会話が疑問文か平叙文かなどを判定し、発話作成モデルの得意不得意に即して評価値にオフセットを与える。なお、オフセットとは、重み情報である。なお、かかる文の分類技術（会話のクラスを取得する技術）は公知技術であるので、詳細な説明は省略する。
類似度算出手段２３１３は、２以上の応答候補ごとに、応答候補と会話との類似度を算出する。類似度算出手段２３１３は、例えば、各応答候補と会話とを、それぞれ形態素解析し、各文の素性ベクトルを取得し、応答候補の素性ベクトルと会話の素性ベクトルとの間の類似度を算出する。
類似度算出手段２３１３は、例えば、word2vecにて作成した単語の素性ベクトルを基にして、文に対して素性ベクトルを計算する。word2vecは日本語版wikipediaの全記事に対して前処理を行い学習データセットとする。そして、類似度算出手段２３１３は、ユーザの会話と発話作成モデルの出力した文の素性ベクトルに対してcos類似度を計算する。なお、発話作成モデルの出力した文とは、いずれかの応答取得手段２３１１が出力した応答候補である。
対象者評価値取得手段２３１４は、一の対象者の発言を示す２以上の発言情報を用いて、２以上の応答候補ごとに、対象者評価値を取得する。対象者評価値取得手段２３１４は、応答候補の表現が、対象者らしい度合いを推定する処理を行っていることとなる。
対象者の過去の発話やＳＮＳの文とその他の文を識別する識別器（例えば、ＳＶＭや決定木などの機械学習を用いる）をあらかじめ作成しておき、対象者評価値取得手段２３１４は、識別器が出力する対象者である確率を取得する。なお、識別器は文を双方向のLSTMに通してベクトルにエンコードした後、２層のパーセプトロン層を挟みsoftmax関数で対象者、それ以外の確率値を計算する。ロス関数はソフトマックスクロスエントロピーとし、SGDにて最適化を行う。
スコア算出手段２３１５は、２以上の各応答取得手段２３１１が取得した応答候補に対するスコアを算出する。スコア算出手段２３１５は、３以上の各応答取得手段２３１１が取得した応答候補に対するスコアを算出することは好適である。
スコア算出手段２３１５は、例えば、クラス取得手段２３１２が取得したクラスに対応する重み情報を用いて、２以上の各応答取得手段が取得した応答候補に対するスコアを算出する。クラスに対応する重み情報は、重み情報格納部２１１に格納されている。なお、クラス取得手段２３１２が取得したクラスに対応する重み情報が大きな値であるほど、スコア算出手段２３１５は、通常、高いスコアを算出する。
スコア算出手段２３１５は、類似度算出手段２３１３が算出した類似度を用いて、２以上の各応答取得手段２３１１が取得した応答候補に対するスコアを算出する。なお、類似度算出手段２３１３は、２以上の各応答取得手段２３１１が取得した応答候補（文）と、受け付けられた会話との類似度が大きいほど、通常、高いスコアを算出する。
なお、スコア算出手段２３１５は、例えば、類似度算出手段２３１３が算出したcos類似度をスコアに加算する。なお、かかる処理は、会話の文脈から極端に外れた発話候補を排除することを意図している。
スコア算出手段２３１５は、対象者評価値取得手段２３１４が取得した対象者評価値を用いて、２以上の各応答取得手段が取得した応答候補に対するスコアを算出する。スコア算出手段２３１５は、対象者評価値が高いほど、通常、高いスコアを算出する。そして、スコア算出手段２３１５は、例えば、対象者評価値取得手段２３１４が取得した、対象者らしさの確率をスコアに加算する。
なお、スコア算出手段２３１５は、上記のクラスに対応する重み情報、類似度、対象者評価値のうちの２以上の情報を用いて、スコアを算出することは好適である。スコア算出手段２３１５は、例えば、「重み情報×類似度×対象者評価値」等の３つのパラメータを増加関数とする演算式により、スコアを算出しても良い。また、スコア算出手段２３１５は、例えば、「重み情報＋類似度＋対象者評価値」等の３つのパラメータを増加関数とする演算式により、スコアを算出しても良い。
今、例えば、重み情報格納部２１１に４つのクラス重み情報（クラス識別子「疑問文」，応答取得識別子「RNN」，重み情報「０．５」）、（クラス識別子「疑問文」，応答取得識別子「DFR」，重み情報「１．０」）、（クラス識別子「平叙文」，応答取得識別子「RNN」，重み情報「１．０」）、（クラス識別子「平叙文」，応答取得識別子「DFR」，重み情報「０．５」）が格納されている、とする。なお、雑談向きの応答取得識別子「RNN」で識別される第一の応答取得手段２３１１は、通常、クラス識別子「平叙文」に対する重み情報が大きい。一方、応答取得識別子「DFR」で識別される第二の応答取得手段２３１１は、通常、クラス識別子「疑問文」に対する重み情報が大きい。
そして、クラス取得手段２３１２が、受け付けられた会話に対して取得したクラス識別子が「疑問文」である場合、応答取得識別子「RNN」に対する重み情報「０．５」と、応答取得識別子「DFR」に対する重み情報「１．０」とを取得する。
また、類似度算出手段２３１３は、応答取得識別子「RNN」に対応する第一の応答取得手段２３１１が出力した応答候補と受け付けられた会話との類似度を「０．７」と算出した、とする。そして、類似度算出手段２３１３は、応答取得識別子「DFR」に対応する第二の応答取得手段２３１１が出力した応答候補と受け付けられた会話との類似度を「０．５」と算出した、とする。
さらに、応答取得識別子「RNN」に対応する第一の応答取得手段２３１１が出力した応答候補に対して、対象者評価値取得手段２３１４は、対象者評価値「０．９」と算出した、とする。また、応答取得識別子「DFR」に対応する第二の応答取得手段２３１１が出力した応答候補に対して、対象者評価値取得手段２３１４は、対象者評価値「０．４」と算出した、とする。
そして、スコア算出手段２３１５は、例えば、演算式「重み情報×類似度×対象者評価値」により、第一の応答取得手段２３１１が出力した応答候補に対するスコア「０．５＋０．７＋０．９＝２．１」、第二の応答取得手段２３１１が出力した応答候補に対するスコア「１．０×０．５×０．４＝１．９」を取得する。
応答選択手段２３１６は、スコア算出手段２３１５が算出しスコアが最も高い応答候補を応答として取得する。
出力部２４は、各種の情報等を出力する。ここで、出力とは、通常、ユーザ端末３への送信である。ただし、出力は、ディスプレイへの表示、プロジェクターを用いた投影、プリンタでの印字、音出力、記録媒体への蓄積、他の処理装置や他のプログラムなどへの処理結果の引渡しなどを含む概念である。
応答出力部２４１は、応答を出力する。ここでの出力とは、通常、ユーザ端末３への送信である。ただし、出力は、音声出力、ディスプレイへの表示等でも良い。
対象者画像出力部２４２は、応答の出力に対応付けて、対象者画像を出力する。対象者画像出力部２４２は、対象者画像を用いて、応答の出力中に、対象者が発言しているように動画を出力することは好適である。対象者画像出力部２４２は、例えば、静止画である対象者画像に対して、モーフィング技術を用いて、発言している様の動画を構成し、出力する。対象者画像出力部２４２は、例えば、応答の出力中のみ、発言している間の動画を出力し、応答していない間は口を閉じた静止画を出力する。
ユーザ端末３を構成する端末格納部３１は、各種の情報を格納し得る。各種の情報とは、例えば、ユーザを識別するユーザ識別子、ユーザ端末３を識別する端末識別子等である。
端末受付部３２は、各種の情報や指示等を受け付ける。各種の情報や指示等とは、例えば、ユーザが入力した会話、対話装置２へのログイン指示等である。
各種の情報や指示等の入力手段は、マイクやキーボードやマウスやメニュー画面によるもの等、何でも良い。端末受付部３２は、マイクやキーボード等の入力手段のデバイスドライバーや、メニュー画面の制御ソフトウェア等で実現され得る。
端末処理部３３は、各種の処理を行う。各種の処理とは、例えば、音声入力された会話を音声認識し、会話の文字列を取得する処理である。また、各種の処理とは、例えば、対話装置２から受信した応答を音声合成し、音声データを取得する処理である。
端末送信部３４は、各種の情報や指示等を対話装置２に送信する。各種の情報や指示等とは、例えば、会話である。
端末受信部３５は、各種の情報を対話装置２から受信する。各種の情報とは、例えば、応答である。
端末出力部３６は、端末受信部３５が受信した情報、端末処理部３３が取得した情報、端末受付部３２が受け付けた情報等を出力する。ここで、出力とは、ディスプレイへの表示、プロジェクターを用いた投影、プリンタでの印字、音出力、外部装置への送信、記録媒体への蓄積、他の処理装置や他のプログラムなどへの処理結果の引渡しなどを含む概念である。
学習格納部１１、コミュニケーション情報格納部１１１、学習情報格納部１１２、格納部２１、学習情報格納部１１２、重み情報格納部２１１、画像格納部２１２、端末格納部３１は、不揮発性の記録媒体が好適であるが、揮発性の記録媒体でも実現可能である。
学習格納部１１等に情報が記憶される過程は問わない。例えば、記録媒体を介して情報が学習格納部１１等で記憶されるようになってもよく、通信回線等を介して送信された情報が学習格納部１１等で記憶されるようになってもよく、あるいは、入力デバイスを介して入力された情報が学習格納部１１等で記憶されるようになってもよい。
学習取得部１２、発言情報取得部１２１、対話情報取得部１２２は、通常、有線または無線の通信手段、およびＭＰＵやメモリ等から実現され得る。学習取得部１２の一部の処理手順は、通常、ソフトウェアで実現され、当該ソフトウェアはＲＯＭ等の記録媒体に記録されている。但し、ハードウェア（専用回路）で実現しても良い。
学習部１３、学習情報構成部１３１、学習情報蓄積部１３２、処理部２３、応答取得部２３１、応答取得手段２３１１、スコア算出手段２３１５、クラス取得手段２３１２、類似度算出手段２３１３、対象者評価値取得手段２３１４、応答選択手段２３１６、端末処理部３３は、通常、ＭＰＵやメモリ等から実現され得る。学習部１３の処理手順は、通常、ソフトウェアで実現され、当該ソフトウェアはＲＯＭ等の記録媒体に記録されている。但し、ハードウェア（専用回路）で実現しても良い。
受付部２２、会話受付部２２１、端末受信部３５は、通常、無線または有線の通信手段で実現されるが、放送を受信する手段で実現されても良い。
出力部２４、応答出力部２４１、対象者画像出力部２４２、端末送信部３４は、通常、無線または有線の通信手段で実現されるが、放送手段で実現されても良い。
端末出力部３６は、ディスプレイやスピーカー等の出力デバイスを含むと考えても含まないと考えても良い。端末出力部３６は、出力デバイスのドライバーソフトまたは、出力デバイスのドライバーソフトと出力デバイス等で実現され得る。
次に、対話システムＡの動作について説明する。まず、学習装置１の動作について、図７のフローチャートを用いて説明する。
（ステップＳ７０１）学習取得部１２は、カウンタｉに１を代入する。
（ステップＳ７０２）学習取得部１２は、ｉ番目の通信先情報が学習格納部１１に存在するか否かを判断する。ｉ番目の通信先情報が存在すればステップＳ７０３に行き、存在しなければステップＳ７０９に行く。
（ステップＳ７０３）学習取得部１２は、ｉ番目の通信先情報を学習格納部１１から取得する。
（ステップＳ７０４）学習取得部１２は、ｉ番目の通信先情報を用いて、通信先情報に対応するサーバ装置４と接続し、ｉ番目の通信先情報が有する対象者識別子で識別される一の対象者の１以上の発言情報および当該発言情報と対になる１以上の対話情報をサーバ装置４から受信する。
（ステップＳ７０５）学習取得部１２は、ステップＳ７０４で取得された１以上の発言情報および１以上の対話情報から１以上のコミュニケーション情報を構成し、コミュニケーション情報格納部１１１に蓄積する。
（ステップＳ７０６）学習取得部１２は、カウンタｉを１、インクリメントする。ステップＳ７０２に戻る。
（ステップＳ７０７）学習取得部１２は、一般知識情報を取得するか否かを判断する。一般知識情報を取得場合はステップＳ７０８に行き、一般知識情報を取得しない場合はステップＳ７１０に行く。なお、一般知識情報を取得するか否かを判断方法は問わない。学習取得部１２は、常に取得すると判断しても良いし、一度、一般知識情報を取得した後は、一般知識情報を取得しないと判断しても良い。また、学習取得部１２は、常に取得しないと判断しても良い。また、学習取得部１２は、以前に一般知識情報を取得してから、予め決められた期間以上の期間が経過している場合に、一般知識情報を取得すると判断しても良い。
（ステップＳ７０８）学習取得部１２は、外部のサーバ装置（サーバ装置４でも良い）から一般知識情報を取得する。かかる処理は公知技術である。
（ステップＳ７０９）学習取得部１２は、ステップＳ７０８で取得した一般知識情報を学習格納部１１に蓄積する。
（ステップＳ７１０）学習部１３は、学習処理を行うか否かを判断する。学習処理を行う場合はステップＳ７１１に行き、学習処理を行わない場合はステップＳ７０１に戻る。なお、学習部１３は、例えば、学習格納部１１にコミュニケーション情報または一般知識情報が、新たに追加された場合に、学習処理を行うと判断することは好適である。ただし、学習処理の開始のトリガーは問わない。
（ステップＳ７１１）学習情報構成部１３１は、学習格納部１１のコミュニケーション情報、またはコミュニケーション情報と一般知識情報、またはコミュニケーション情報と学習情報、または一般知識情報と学習情報、またはコミュニケーション情報と一般知識情報と学習情報のいずれかを用いて、学習情報を構成する処理を行う。かかる処理の例は、上述した。
（ステップＳ７１２）学習情報蓄積部１３２は、ステップＳ７１１で構成された学習情報を学習情報格納部１１２に蓄積する。ステップＳ７０１に戻る。
なお、図７のフローチャートにおいて、電源オフや処理終了の割り込みにより処理は終了する。
次に、対話装置２の動作について、図８のフローチャートを用いて説明する。
（ステップＳ８０１）会話受付部２２１は、会話を受け付けたか否かを判断する。会話を受け付けた場合はステップＳ８０２に行き、会話を受け付けない場合はステップＳ８０１に戻る。
（ステップＳ８０２）応答取得部２３１は、カウンタｉに１を代入する。
（ステップＳ８０３）応答取得部２３１は、ｉ番目の応答取得手段２３１１が存在するか否かを判断する。ｉ番目の応答取得手段２３１１が存在する場合はステップＳ８０４に行き、存在しない場合はステップＳ８０６に行く。
（ステップＳ８０４）応答取得部２３１は、ｉ番目の応答取得手段２３１１に、ステップＳ８０１で受け付けられた会話を与え、ｉ番目の応答取得手段２３１１を動作させる。そして、ｉ番目の応答取得手段２３１１は、会話に対するｉ番目の応答候補を得て、当該応答候補を図示しないバッファに一時蓄積する。
（ステップＳ８０５）応答取得部２３１は、カウンタｉを１、インクリメントする。ステップＳ８０３に戻る。
（ステップＳ８０６）クラス取得手段２３１２は、ステップＳ８０１で受け付けられた会話のクラスを識別するクラス識別子を取得する。
（ステップＳ８０７）応答取得部２３１は、カウンタｉに１を代入する。
（ステップＳ８０８）応答取得部２３１は、ｉ番目の応答候補がバッファに存在するか否かを判断する。ｉ番目の応答候補が存在する場合はステップＳ８０９に行き、存在しない場合はステップＳ８１４に行く。
（ステップＳ８０９）スコア算出手段２３１５は、ステップＳ８０６で取得されたクラス識別子およびｉ番目の応答取得手段２３１１に対応する重み情報を重み情報格納部２１１から取得する。
（ステップＳ８１０）類似度算出手段２３１３は、ステップＳ８０１で受け付けられた会話と、ｉ番目の応答候補との類似度を算出する。
（ステップＳ８１１）対象者評価値取得手段２３１４は、ｉ番目の応答候補の対象者評価値を取得する。
（ステップＳ８１２）スコア算出手段２３１５は、ステップＳ８０９で取得した重み情報、ステップＳ８１０で取得された類似度、およびステップＳ８１１で取得された対象者評価値のうちの、１または２以上の情報を用いて、ｉ番目の応答候補に対するスコアを算出する。そして、スコア算出手段２３１５は、ｉ番目の応答候補に対応付けて、スコアを蓄積する。
（ステップＳ８１３）応答取得部２３１は、カウンタｉを１、インクリメントする。ステップＳ８０８に戻る。
（ステップＳ８１４）応答選択手段２３１６は、スコアが最も高い応答候補を取得する。
（ステップＳ８１５）応答出力部２４１は、ステップＳ８１４で取得された応答候補を、応答として出力する。ステップＳ８０１に戻る。
なお、図８のフローチャートのステップＳ８１５において、対象者画像出力部２４２は、応答と同期をとり、対象者画像を出力することは好適である。
また、図８のフローチャートにおいて、電源オフや処理終了の割り込みにより処理は終了する。
次に、ユーザ端末３の動作例について説明する。まず、端末受付部３２は、ユーザが入力した会話を受け付ける。そして、端末処理部３３は、例えば、音声入力された会話を音声認識し、会話の文字列を取得する。次に、端末送信部３４は、文字列である会話を対話装置２に送信する。そして、会話の送信に応じて、端末受信部３５は、対話装置２から応答を受信する。次に、端末処理部３３は、受信された応答を音声データに変換する。ここで、端末処理部３３は、対象者の音声データを分析して取得した音声の１以上の特徴量を反映させた音声データを取得することは好適である。かかる音声処理は公知技術であるので、詳細な説明は省略する。次に、端末出力部３６は、当該応答の音声データを音声出力する。
以上、本実施の形態によれば、一の対象者の過去の複数の発言を学習することにより、入力された会話に対して、当該一の対象者があたかも応答しているように感じさせることができる対話装置を提供できる。かかることにより、会えなくなった故人、会うことが難しい著名人等の仮想的な対話相手を実現できる。
また、本実施の形態によれば、学習した一の対象者の過去の複数の発言が少なくとも、一般的な知識を用いることにより、入力された会話に対して、適切な応答が可能となる。
また、本実施の形態によれば、対象者画像も応答と一緒に出力することにより、対象者があたかも回答しているように、ユーザに感じさせることができる。
さらに、本実施の形態によれば、対象者を模した形状を有するロボットが応答を出力することにより、対象者があたかも回答しているように、ユーザにより感じさせることができる。なお、かかるロボットは、例えば、大阪大学石黒研究室のアンドロイド（人間酷似型ロボット）（「ｈｔｔｐ：／／ｗｗｗ．ｉｒｌ．ｓｙｓ．ｅｓ．ｏｓａｋａ−ｕ．ａｃ．ｊｐ／ｈｏｍｅ／ｒｅｓｅａｒｃｈ」参照）である。
なお、本実施の形態において、応答取得部２３１は、会話が予め決められた条件を満たす場合、会話を１以上の一般知識情報に適用し、対応する応答を取得しても良い。かかることにより、一の対象者の過去の複数の発言、および一般的な知識を、適切に切り替えて利用できる。
さらに、本実施の形態における処理は、ソフトウェアで実現しても良い。そして、このソフトウェアをソフトウェアダウンロード等により配布しても良い。また、このソフトウェアをＣＤ−ＲＯＭなどの記録媒体に記録して流布しても良い。なお、このことは、本明細書における他の実施の形態においても該当する。なお、本実施の形態における対話装置２を実現するソフトウェアは、以下のようなプログラムである。つまり、このプログラムは、コンピュータがアクセス可能な記録媒体は、一の対象者が１または２以上の各コミュニケーション手段に対して入力した当該対象者の発言を示す２以上の発言情報と、前記２以上の発言情報のうちの１以上の各発言情報と対になる他人の対話情報とを用いて作成された情報であり、質問に関する質問情報と当該質問に対する回答に関する回答情報の対である１以上の人格情報を有する学習情報が格納される学習情報格納部を具備し、コンピュータを、ユーザの会話を受け付ける会話受付部と、前記会話を分析し、当該会話に関する会話情報を取得し、当該会話情報を前記学習情報に適用し、対応する応答を取得する応答取得部と、前記応答を出力する応答出力部として機能させるためのプログラムである。
また、上記プログラムにおいて、前記学習情報は、前記一の対象者が発言した２以上の発言情報から抽出された２以上の用語、および２以上の用語間の関連の度合いを示す関連度情報を有する発言グラフを有し、前記応答取得部は、前記会話から１以上の用語を抽出し、当該１以上の用語と予め決められた条件を満たすほど関連の大きい１以上の用語を前記発言グラフから取得し、当該関連の大きい１以上の用語を前記学習情報に適用し、対応する応答を取得するものとして、コンピュータを機能させるプログラムであることは好適である。
また、上記プログラムにおいて、前記学習情報は、質問情報を有さない１以上の人格情報を含み、当該質問情報を有さない人格情報は、一般知識を格納している外部のサーバ装置から取得された一般知識情報であるものとして、コンピュータを機能させるプログラムであることは好適である。
また、上記プログラムにおいて、前記応答取得部は、前記会話が予め決められた条件を満たす場合、前記１以上の一般知識情報に適用し、対応する応答を取得するものとして、コンピュータを機能させるプログラムであることは好適である。
また、上記プログラムにおいて、前記応答取得部は、前記会話情報を前記学習情報に適用し、当該会話情報に対応する応答候補を取得する２以上の応答取得手段と、前記２以上の各応答取得手段が取得した応答候補に対するスコアを算出するスコア算出手段と、前記スコア算出手段が算出しスコアが最も高い応答候補を応答として取得する応答選択手段とを具備するものとして、コンピュータを機能させるプログラムであることは好適である。
また、上記プログラムにおいて、記録媒体は、２以上の各応答取得手段に対応付けて、会話の分類を示すクラスに対する重み情報が格納される重み情報格納部をさらに具備し、
前記応答取得部は、前記会話を分析し、当該会話のクラスを取得するクラス取得手段をさらに具備し、前記スコア算出手段は、前記クラス取得手段が取得したクラスに対応する重み情報を用いて、前記２以上の各応答取得手段が取得した応答候補に対するスコアを算出するものとして、コンピュータを機能させるプログラムであることは好適である。
また、上記プログラムにおいて、前記応答取得部は、前記２以上の応答候補ごとに、応答候補と前記会話との類似度を算出する類似度算出手段をさらに具備し、前記スコア算出手段は、前記類似度算出手段が算出した類似度を用いて、前記２以上の各応答取得手段が取得した応答候補に対するスコアを算出するものとして、コンピュータを機能させるプログラムであることは好適である。
また、上記プログラムにおいて、前記応答取得部は、前記一の対象者の発言を示す２以上の発言情報を用いて、前記２以上の応答候補ごとに、当該対象者らしさを示す対象者評価値を取得する対象者評価値取得手段をさらに具備し、前記スコア算出手段は、前記対象者評価値取得手段が取得した対象者評価値を用いて、前記２以上の各応答取得手段が取得した応答候補に対するスコアを算出するものとして、コンピュータを機能させるプログラムであることは好適である。
また、上記プログラムにおいて記録媒体は、前記一の対象者の画像である対象者画像が格納される画像格納部を具備し、前記応答の出力に対応付けて、前記対象者画像を出力する対象者画像出力部としてさらにコンピュータを機能させるプログラムであることは好適である。
また、本実施の形態における学習装置１を実現するソフトウェアは、以下のようなプログラムである。つまり、このプログラムは、コンピュータがアクセス可能な記録媒体は、一の対象者が１または２以上の各コミュニケーション手段に対して入力した当該対象者の発言を示す２以上の発言情報と、前記２以上の発言情報のうちの１以上の各発言情報と対になる他人の対話情報とを用いて作成された情報であり、質問に関する質問情報と当該質問に対する回答に関する回答情報の対である１以上の人格情報を有する学習情報が格納される学習情報格納部と、１または２以上のサーバ装置から取得した情報であり、一の対象者が１または２以上の各コミュニケーション手段に対して入力した当該対象者の発言を示す２以上の発言情報と、前記２以上の発言情報のうちの１以上の各発言情報と対になる他人の対話情報とを有するコミュニケーション情報が格納されるコミュニケーション情報格納部とを具備し、コンピュータを、前記コミュニケーション情報が有する１組以上の発言情報と対話情報との組を分析し、質問に関する質問情報と当該質問に対する回答に関する回答情報の対である１以上の人格情報を取得し、当該１以上の人格情報を有する学習情報を構成する学習情報構成部と、前記学習情報構成部が構成した学習情報を前記学習情報格納部に蓄積する学習情報蓄積部として機能させるためのプログラムである。
また、図９は、本明細書で述べたプログラムを実行して、上述した実施の形態の学習装置１、対話装置２等を実現するコンピュータの外観を示す。上述の実施の形態は、コンピュータハードウェア及びその上で実行されるコンピュータプログラムで実現され得る。図９は、このコンピュータシステム３００の概観図であり、図１０は、システム３００のブロック図である。
図９において、コンピュータシステム３００は、ＣＤ−ＲＯＭドライブを３０１２含むコンピュータ３０１と、キーボード３０２と、マウス３０３と、モニタ３０４と、マイク３０５と、スピーカー３０６とを含む。
図１０において、コンピュータ３０１は、ＣＤ−ＲＯＭドライブ３０１２と、ＭＰＵ３０１３と、バス３０１４と、ＲＯＭ３０１５と、ＲＡＭ３０１６と、ハードディスク３０１７とを含む。ＲＯＭ３０１５は、ブートアッププログラム等のプログラムを記憶している。ＲＡＭ３０１６は、ＭＰＵ３０１３に接続され、アプリケーションプログラムの命令を一時的に記憶するとともに一時記憶空間を提供する。ハードディスク３０１７は、通常、アプリケーションプログラム、システムプログラム、及びデータを記憶している。ここでは、図示しないが、コンピュータ３０１は、さらに、ＬＡＮへの接続を提供するネットワークカードを含んでも良い。
コンピュータシステム３００に、上述した実施の形態の対話装置２等の機能を実行させるプログラムは、ＣＤ−ＲＯＭ３１０１に記憶されて、ＣＤ−ＲＯＭドライブ３０１２に挿入され、さらにハードディスク３０１７に転送されても良い。また、プログラムは、図示しないネットワークを介してコンピュータ３０１に送信され、ハードディスク３０１７に記憶されても良い。プログラムは実行の際にＲＡＭ３０１６にロードされる。プログラムは、ＣＤ−ＲＯＭ３１０１またはネットワークから直接、ロードされても良い。
プログラムは、コンピュータ３０１に、上述した実施の形態の対話装置２等の機能を実行させるオペレーティングシステム（ＯＳ）、またはサードパーティープログラム等は、必ずしも含まなくても良い。プログラムは、制御された態様で適切なモジュールを呼び出し、所望の結果が得られるようにする命令の部分のみを含んでいれば良い。コンピュータシステム３００がどのように動作するかは周知であり、詳細な説明は省略する。
なお、上記プログラムにおいて、情報を送信するステップや、情報を受信するステップなどでは、ハードウェアによって行われる処理、例えば、送信ステップにおけるモデムやインターフェースカードなどで行われる処理（ハードウェアでしか行われない処理）は含まれない。
また、上記プログラムを実行するコンピュータは、単数であってもよく、複数であってもよい。すなわち、集中処理を行ってもよく、あるいは分散処理を行ってもよい。
また、上記各実施の形態において、一の装置に存在する２以上の通信手段は、物理的に一の媒体で実現されても良いことは言うまでもない。
また、上記各実施の形態において、各処理（各機能）は、単一の装置（システム）によって集中処理されることによって実現されてもよく、あるいは、複数の装置によって分散処理されることによって実現されてもよい。
本発明は、以上の実施の形態に限定されることなく、種々の変更が可能であり、それらも本発明の範囲内に包含されるものであることは言うまでもない。
以上のように、本発明にかかる対話装置は、一の対象者の過去の複数の発言を学習することにより、入力された会話に対して、当該一の対象者があたかも応答しているように感じさせることができるという効果を有し、対話ロボット等として有用である。
１ 学習装置
２ 対話装置
３ ユーザ端末
４ サーバ装置
１１ 学習格納部
１２ 学習取得部
１３ 学習部
２１ 格納部
２２ 受付部
２３ 処理部
２４ 出力部
３１ 端末格納部
３２ 端末受付部
３３ 端末処理部
３４ 端末送信部
３５ 端末受信部
３６ 端末出力部
１１１ コミュニケーション情報格納部
１１２ 学習情報格納部
１２１ 発言情報取得部
１２２ 対話情報取得部
１３１ 学習情報構成部
１３２ 学習情報蓄積部
２１１ 情報格納部
２１２ 画像格納部
２２１ 会話受付部
２３１ 応答取得部
２４１ 応答出力部
２４２ 対象者画像出力部
２３１１ 応答取得手段
２３１２ クラス取得手段
２３１３ 類似度算出手段
２３１４ 対象者評価値取得手段
２３１５ スコア算出手段
２３１６ 応答選択手段

Claims (15)

  1. 一の対象者が１または２以上の各コミュニケーション手段に対して入力した当該対象者の発言を示す２以上の発言情報と、前記２以上の発言情報のうちの１以上の各発言情報と対になる他人の対話情報とを用いて作成された情報であり、質問に関する質問情報と当該質問に対する回答に関する回答情報の対である１以上の人格情報を有する学習情報が格納される学習情報格納部と、
    ユーザの会話を受け付ける会話受付部と、
    前記会話を分析し、当該会話に関する会話情報を取得し、当該会話情報を前記学習情報に適用し、対応する応答を取得する応答取得部と、
    前記応答を出力する応答出力部とを具備する対話装置。
  2. 前記学習情報は、
    前記一の対象者が発言した２以上の発言情報から抽出された２以上の用語、および２以上の用語間の関連の度合いを示す関連度情報を有する発言グラフを有し、
    前記応答取得部は、
    前記会話から１以上の用語を抽出し、当該１以上の用語と予め決められた条件を満たすほど関連の大きい１以上の用語を前記発言グラフから取得し、当該関連の大きい１以上の用語を前記学習情報に適用し、対応する応答を取得する請求項１記載の対話装置。
  3. 前記学習情報は、
    質問情報を有さない１以上の人格情報を含み、
    当該質問情報を有さない人格情報は、一般知識を格納している外部のサーバ装置から取得された一般知識情報である請求項１または請求項２記載の対話装置。
  4. 前記応答取得部は、
    前記会話が予め決められた条件を満たす場合、前記１以上の一般知識情報に適用し、対応する応答を取得する請求項３記載の対話装置。
  5. 前記応答取得部は、
    前記会話情報を前記学習情報に適用し、当該会話情報に対応する応答候補を取得する２以上の応答取得手段と、
    前記２以上の各応答取得手段が取得した応答候補に対するスコアを算出するスコア算出手段と、
    前記スコア算出手段が算出しスコアが最も高い応答候補を応答として取得する応答選択手段とを具備する請求項１から請求項４いずれか一項に記載の対話装置。
  6. ２以上の各応答取得手段に対応付けて、会話の分類を示すクラスに対する重み情報が格納される重み情報格納部をさらに具備し、
    前記応答取得部は、
    前記会話を分析し、当該会話のクラスを取得するクラス取得手段をさらに具備し、
    前記スコア算出手段は、
    前記クラス取得手段が取得したクラスに対応する重み情報を用いて、前記２以上の各応答取得手段が取得した応答候補に対するスコアを算出する請求項５記載の対話装置。
  7. 前記応答取得部は、
    前記２以上の応答候補ごとに、応答候補と前記会話との類似度を算出する類似度算出手段をさらに具備し、
    前記スコア算出手段は、
    前記類似度算出手段が算出した類似度を用いて、前記２以上の各応答取得手段が取得した応答候補に対するスコアを算出する請求項５または請求項６記載の対話装置。
  8. 前記応答取得部は、
    前記一の対象者の発言を示す２以上の発言情報を用いて、前記２以上の応答候補ごとに、当該対象者らしさを示す対象者評価値を取得する対象者評価値取得手段をさらに具備し、
    前記スコア算出手段は、
    前記対象者評価値取得手段が取得した対象者評価値を用いて、前記２以上の各応答取得手段が取得した応答候補に対するスコアを算出する請求項５から請求項７いずれか一項に記載の対話装置。
  9. 前記一の対象者の画像である対象者画像が格納される画像格納部と、
    前記応答の出力に対応付けて、前記対象者画像を出力する対象者画像出力部とをさらに具備する請求項１から請求項８いずれか一項に記載の対話装置。
  10. 前記一の対象者を模した形状を有するロボットである、請求項１から請求項８いずれか一項に記載の対話装置。
  11. 一の対象者が１または２以上の各コミュニケーション手段に対して入力した当該対象者の発言を示す２以上の発言情報と、前記２以上の発言情報のうちの１以上の各発言情報と対になる他人の対話情報とを用いて作成された情報であり、質問に関する質問情報と当該質問に対する回答に関する回答情報の対である１以上の人格情報を有する学習情報が格納される学習情報格納部と、
    １または２以上のサーバ装置から取得した情報であり、一の対象者が１または２以上の各コミュニケーション手段に対して入力した当該対象者の発言を示す２以上の発言情報と、前記２以上の発言情報のうちの１以上の各発言情報と対になる他人の対話情報とを有するコミュニケーション情報が格納されるコミュニケーション情報格納部と、
    前記コミュニケーション情報が有する１組以上の発言情報と対話情報との組を分析し、質問に関する質問情報と当該質問に対する回答に関する回答情報の対である１以上の人格情報を取得し、当該１以上の人格情報を有する学習情報を構成する学習情報構成部と、
    前記学習情報構成部が構成した学習情報を前記学習情報格納部に蓄積する学習情報蓄積部とを具備する学習装置。
  12. 記録媒体は、
    一の対象者が１または２以上の各コミュニケーション手段に対して入力した当該対象者の発言を示す２以上の発言情報と、前記２以上の発言情報のうちの１以上の各発言情報と対になる他人の対話情報とを用いて作成された情報であり、質問に関する質問情報と当該質問に対する回答に関する回答情報の対である１以上の人格情報を有する学習情報が格納される学習情報格納部を具備し、
    会話受付部、応答取得部、および応答出力部により実現される対話方法であって、
    前記会話受付部が、ユーザの会話を受け付ける会話受付ステップと、
    前記応答取得部が、前記会話を分析し、当該会話に関する会話情報を取得し、当該会話情報を前記学習情報に適用し、対応する応答を取得する応答取得ステップと、
    前記応答出力部が、前記応答を出力する応答出力ステップとを具備する対話方法。
  13. 記録媒体は、
    一の対象者が１または２以上の各コミュニケーション手段に対して入力した当該対象者の発言を示す２以上の発言情報と、前記２以上の発言情報のうちの１以上の各発言情報と対になる他人の対話情報とを用いて作成された情報であり、質問に関する質問情報と当該質問に対する回答に関する回答情報の対である１以上の人格情報を有する学習情報が格納される学習情報格納部と、
    １または２以上のサーバ装置から取得した情報であり、一の対象者が１または２以上の各コミュニケーション手段に対して入力した当該対象者の発言を示す２以上の発言情報と、前記２以上の発言情報のうちの１以上の各発言情報と対になる他人の対話情報とを有するコミュニケーション情報が格納されるコミュニケーション情報格納部とを具備し、
    学習情報構成部、および学習情報蓄積部により実現される学習方法であって、
    前記学習情報構成部が、前記コミュニケーション情報が有する１組以上の発言情報と対話情報との組を分析し、質問に関する質問情報と当該質問に対する回答に関する回答情報の対である１以上の人格情報を取得し、当該１以上の人格情報を有する学習情報を構成する学習情報構成ステップと、
    前記学習情報蓄積部が、前記学習情報構成ステップで構成された学習情報を前記学習情報格納部に蓄積する学習情報蓄積ステップとを具備する学習方法。
  14. コンピュータがアクセス可能な記録媒体は、
    一の対象者が１または２以上の各コミュニケーション手段に対して入力した当該対象者の発言を示す２以上の発言情報と、前記２以上の発言情報のうちの１以上の各発言情報と対になる他人の対話情報とを用いて作成された情報であり、質問に関する質問情報と当該質問に対する回答に関する回答情報の対である１以上の人格情報を有する学習情報が格納される学習情報格納部を具備し、
    コンピュータを、
    ユーザの会話を受け付ける会話受付部と、
    前記会話を分析し、当該会話に関する会話情報を取得し、当該会話情報を前記学習情報に適用し、対応する応答を取得する応答取得部と、
    前記応答を出力する応答出力部として機能させるためのプログラム。
  15. コンピュータがアクセス可能な記録媒体は、
    一の対象者が１または２以上の各コミュニケーション手段に対して入力した当該対象者の発言を示す２以上の発言情報と、前記２以上の発言情報のうちの１以上の各発言情報と対になる他人の対話情報とを用いて作成された情報であり、質問に関する質問情報と当該質問に対する回答に関する回答情報の対である１以上の人格情報を有する学習情報が格納される学習情報格納部と、
    １または２以上のサーバ装置から取得した情報であり、一の対象者が１または２以上の各コミュニケーション手段に対して入力した当該対象者の発言を示す２以上の発言情報と、前記２以上の発言情報のうちの１以上の各発言情報と対になる他人の対話情報とを有するコミュニケーション情報が格納されるコミュニケーション情報格納部とを具備し、
    コンピュータを、
    前記コミュニケーション情報が有する１組以上の発言情報と対話情報との組を分析し、質問に関する質問情報と当該質問に対する回答に関する回答情報の対である１以上の人格情報を取得し、当該１以上の人格情報を有する学習情報を構成する学習情報構成部と、
    前記学習情報構成部が構成した学習情報を前記学習情報格納部に蓄積する学習情報蓄積部として機能させるためのプログラム。
JP2016193240A 2016-09-30 2016-09-30 対話装置、対話システム、対話方法、およびプログラム Active JP6951712B2 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2016193240A JP6951712B2 (ja) 2016-09-30 2016-09-30 対話装置、対話システム、対話方法、およびプログラム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2016193240A JP6951712B2 (ja) 2016-09-30 2016-09-30 対話装置、対話システム、対話方法、およびプログラム

Publications (2)

Publication Number Publication Date
JP2018055548A true JP2018055548A (ja) 2018-04-05
JP6951712B2 JP6951712B2 (ja) 2021-10-20

Family

ID=61836639

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2016193240A Active JP6951712B2 (ja) 2016-09-30 2016-09-30 対話装置、対話システム、対話方法、およびプログラム

Country Status (1)

Country Link
JP (1) JP6951712B2 (ja)

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108920599A (zh) * 2018-06-27 2018-11-30 北京计算机技术及应用研究所 一种基于知识本体库的问答系统答案精准定位和抽取方法
WO2019208222A1 (ja) * 2018-04-27 2019-10-31 日本電信電話株式会社 回答選択装置、回答選択方法、回答選択プログラム
JP2019192073A (ja) * 2018-04-27 2019-10-31 日本電信電話株式会社 回答選択装置、モデル学習装置、回答選択方法、モデル学習方法、プログラム
JP2019212308A (ja) * 2018-06-01 2019-12-12 ネイバー コーポレーションＮＡＶＥＲ Ｃｏｒｐｏｒａｔｉｏｎ 動画サービス提供方法およびこれを用いるサービスサーバ
KR102060486B1 (ko) 2018-07-12 2019-12-30 주식회사 아카인텔리전스 시맨틱 그래프 데이터베이스 기반의 챗봇 발언 생성 방법
JP2020004382A (ja) * 2018-06-27 2020-01-09 バイドゥ オンライン ネットワーク テクノロジー （ベイジン） カンパニー リミテッド 音声対話方法及び装置
WO2020100739A1 (ja) * 2018-11-15 2020-05-22 日本電信電話株式会社 学習装置、学習方法、及び学習プログラム
JP2020527788A (ja) * 2018-04-11 2020-09-10 平安科技（深▲せん▼）有限公司Ｐｉｎｇ Ａｎ Ｔｅｃｈｎｏｌｏｇｙ （Ｓｈｅｎｚｈｅｎ） Ｃｏ．，Ｌｔｄ． 疾患予測方法および装置、コンピューター装置及び可読記憶媒体
CN112749260A (zh) * 2019-10-31 2021-05-04 阿里巴巴集团控股有限公司 信息交互方法、装置、设备及介质
JP2021103556A (ja) * 2020-09-18 2021-07-15 ベイジン バイドゥ ネットコム サイエンス アンド テクノロジー カンパニー リミテッド 対話生成方法、装置、電子機器及び記憶媒体
CN113377938A (zh) * 2021-06-24 2021-09-10 北京小米移动软件有限公司 一种对话处理方法及装置
JP2021174363A (ja) * 2020-04-28 2021-11-01 株式会社Ａｓｋプロジェクト 自然言語処理装置及び自然言語処理方法
CN113938697A (zh) * 2021-10-13 2022-01-14 广州方硅信息技术有限公司 直播间内的虚拟发言方法、装置及计算机设备
WO2022130541A1 (ja) * 2020-12-16 2022-06-23 日本電信電話株式会社 意見集約装置、意見集約方法、およびプログラム
JP2023082970A (ja) * 2021-12-03 2023-06-15 株式会社ビデオリサーチ 専門家回答システム
US12001465B2 (en) 2018-04-27 2024-06-04 Nippon Telegraph And Telephone Corporation Response selecting apparatus, response selecting method, and response selecting program

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005505077A (ja) * 2001-10-04 2005-02-17 コーニンクレッカ　フィリップス　エレクトロニクス　エヌ　ヴィ ユーザインタフェースアプリケーションを実行するデバイス
JP2005071050A (ja) * 2003-08-22 2005-03-17 Nippon Hoso Kyokai <Nhk> 情報提示システム、情報提示装置、及び情報提示プログラム。
JP2012094075A (ja) * 2010-10-28 2012-05-17 Toshiba Corp 対話装置
KR20150034785A (ko) * 2012-07-20 2015-04-03 비비오, 인크. 대화형 상호작용 시스템에서 서치 입력에서의 사용자 의도를 추론하는 방법 및 이를 위한 시스템
WO2015107741A1 (ja) * 2014-01-15 2015-07-23 ソニー株式会社 情報処理装置、情報処理方法およびプログラム
WO2016104736A1 (ja) * 2014-12-26 2016-06-30 株式会社オルツ コミュニケーション提供システム及びコミュニケーション提供方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005505077A (ja) * 2001-10-04 2005-02-17 コーニンクレッカ　フィリップス　エレクトロニクス　エヌ　ヴィ ユーザインタフェースアプリケーションを実行するデバイス
JP2005071050A (ja) * 2003-08-22 2005-03-17 Nippon Hoso Kyokai <Nhk> 情報提示システム、情報提示装置、及び情報提示プログラム。
JP2012094075A (ja) * 2010-10-28 2012-05-17 Toshiba Corp 対話装置
KR20150034785A (ko) * 2012-07-20 2015-04-03 비비오, 인크. 대화형 상호작용 시스템에서 서치 입력에서의 사용자 의도를 추론하는 방법 및 이를 위한 시스템
WO2015107741A1 (ja) * 2014-01-15 2015-07-23 ソニー株式会社 情報処理装置、情報処理方法およびプログラム
WO2016104736A1 (ja) * 2014-12-26 2016-06-30 株式会社オルツ コミュニケーション提供システム及びコミュニケーション提供方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
三上 佳孝、外１名: "再帰型ニューラルネットワークを用いた特定話者の個性を学習可能な非タスク指向型対話システム", 言語処理学会第２２回年次大会 発表論文集 ［ＯＮＬＩＮＥ］, JPN6018027737, 29 February 2016 (2016-02-29), pages 1125 - 1128, ISSN: 0004507293 *
三枝 優一、外３名: "Ｗｉｋｉｐｅｄｉａの語彙資源を利用したインタラクティブ型Ｗｅｂ質問応答システム", マルチメディア，分散，協調とモバイル（ＤＩＣＯＭＯ２００８）シンポジウム論文集 情報処理学会シンポジ, vol. 第２００８巻，第１号, JPN6021017227, 2 July 2008 (2008-07-02), JP, pages 1973 - 1802, ISSN: 0004507291 *
星野 高志、他２名: "話者の意図理解に基づく対話応答システムＨｅｒｍｅｓ", 情報処理学会 研究報告 音声言語情報処理（ＳＬＰ） ２０１３−ＳＬＰ−９６ ［ＯＮＬＩＮＥ］, JPN6018023641, 16 May 2013 (2013-05-16), JP, pages 1 - 8, ISSN: 0004507290 *
本間 幸徳、外１名: "自然言語を扱う時系列処理ニューラルネットワーク", 電子情報通信学会技術研究報告, vol. 第１１３巻，第５００号, JPN6018021304, 10 March 2014 (2014-03-10), JP, pages 151 - 156, ISSN: 0004507294 *
東 宏樹、外３名: "語の意味処理に基づく知識文からの回答抽出方式", 第８５回 知識ベースシステム研究会資料, JPN6021017220, 25 February 2009 (2009-02-25), JP, pages 17 - 22, ISSN: 0004507289 *
野澤 哲生: "第３部：対話技術編 より自然な会話の実現目指す 究極の「環境認識」も始まる", 日経エレクトロニクス, vol. 第１１７０号, JPN6020014847, 20 July 2016 (2016-07-20), JP, pages 42 - 49, ISSN: 0004507292 *

Cited By (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020527788A (ja) * 2018-04-11 2020-09-10 平安科技（深▲せん▼）有限公司Ｐｉｎｇ Ａｎ Ｔｅｃｈｎｏｌｏｇｙ （Ｓｈｅｎｚｈｅｎ） Ｃｏ．，Ｌｔｄ． 疾患予測方法および装置、コンピューター装置及び可読記憶媒体
WO2019208222A1 (ja) * 2018-04-27 2019-10-31 日本電信電話株式会社 回答選択装置、回答選択方法、回答選択プログラム
JP2019192073A (ja) * 2018-04-27 2019-10-31 日本電信電話株式会社 回答選択装置、モデル学習装置、回答選択方法、モデル学習方法、プログラム
WO2019208199A1 (ja) * 2018-04-27 2019-10-31 日本電信電話株式会社 回答選択装置、モデル学習装置、回答選択方法、モデル学習方法、プログラム
US12001465B2 (en) 2018-04-27 2024-06-04 Nippon Telegraph And Telephone Corporation Response selecting apparatus, response selecting method, and response selecting program
JP7111154B2 (ja) 2018-04-27 2022-08-02 日本電信電話株式会社 回答選択装置、回答選択方法、回答選択プログラム
JP7099031B2 (ja) 2018-04-27 2022-07-12 日本電信電話株式会社 回答選択装置、モデル学習装置、回答選択方法、モデル学習方法、プログラム
JPWO2019208222A1 (ja) * 2018-04-27 2021-05-13 日本電信電話株式会社 回答選択装置、回答選択方法、回答選択プログラム
JP2019212308A (ja) * 2018-06-01 2019-12-12 ネイバー コーポレーションＮＡＶＥＲ Ｃｏｒｐｏｒａｔｉｏｎ 動画サービス提供方法およびこれを用いるサービスサーバ
CN108920599B (zh) * 2018-06-27 2021-08-27 北京计算机技术及应用研究所 一种基于知识本体库的问答系统答案精准定位和抽取方法
CN108920599A (zh) * 2018-06-27 2018-11-30 北京计算机技术及应用研究所 一种基于知识本体库的问答系统答案精准定位和抽取方法
JP2020004382A (ja) * 2018-06-27 2020-01-09 バイドゥ オンライン ネットワーク テクノロジー （ベイジン） カンパニー リミテッド 音声対話方法及び装置
US10984793B2 (en) 2018-06-27 2021-04-20 Baidu Online Network Technology (Beijing) Co., Ltd. Voice interaction method and device
KR102060486B1 (ko) 2018-07-12 2019-12-30 주식회사 아카인텔리전스 시맨틱 그래프 데이터베이스 기반의 챗봇 발언 생성 방법
JP7081455B2 (ja) 2018-11-15 2022-06-07 日本電信電話株式会社 学習装置、学習方法、及び学習プログラム
WO2020100739A1 (ja) * 2018-11-15 2020-05-22 日本電信電話株式会社 学習装置、学習方法、及び学習プログラム
JP2020086549A (ja) * 2018-11-15 2020-06-04 日本電信電話株式会社 学習装置、学習方法、及び学習プログラム
CN112749260A (zh) * 2019-10-31 2021-05-04 阿里巴巴集团控股有限公司 信息交互方法、装置、设备及介质
JP2021174363A (ja) * 2020-04-28 2021-11-01 株式会社Ａｓｋプロジェクト 自然言語処理装置及び自然言語処理方法
JP7276752B2 (ja) 2020-04-28 2023-05-18 株式会社Ａｓｋプロジェクト 自然言語処理装置及び自然言語処理方法
JP2021103556A (ja) * 2020-09-18 2021-07-15 ベイジン バイドゥ ネットコム サイエンス アンド テクノロジー カンパニー リミテッド 対話生成方法、装置、電子機器及び記憶媒体
JP7216133B2 (ja) 2020-09-18 2023-01-31 ベイジン バイドゥ ネットコム サイエンス テクノロジー カンパニー リミテッド 対話生成方法、装置、電子機器及び記憶媒体
WO2022130541A1 (ja) * 2020-12-16 2022-06-23 日本電信電話株式会社 意見集約装置、意見集約方法、およびプログラム
JP7492166B2 (ja) 2020-12-16 2024-05-29 日本電信電話株式会社 意見集約装置、意見集約方法、およびプログラム
CN113377938A (zh) * 2021-06-24 2021-09-10 北京小米移动软件有限公司 一种对话处理方法及装置
CN113938697B (zh) * 2021-10-13 2024-03-12 广州方硅信息技术有限公司 直播间内的虚拟发言方法、装置及计算机设备
CN113938697A (zh) * 2021-10-13 2022-01-14 广州方硅信息技术有限公司 直播间内的虚拟发言方法、装置及计算机设备
JP2023082970A (ja) * 2021-12-03 2023-06-15 株式会社ビデオリサーチ 専門家回答システム
JP7352761B2 (ja) 2021-12-03 2023-09-28 株式会社ビデオリサーチ 専門家回答予測システム

Also Published As

Publication number Publication date
JP6951712B2 (ja) 2021-10-20

Similar Documents

Publication Publication Date Title
JP6951712B2 (ja) 対話装置、対話システム、対話方法、およびプログラム
CN110427617B (zh) 推送信息的生成方法及装置
CN111368996B (zh) 可传递自然语言表示的重新训练投影网络
Chen et al. Multimodal sentiment analysis with word-level fusion and reinforcement learning
Chandrasekaran et al. Multimodal sentimental analysis for social media applications: A comprehensive review
Akhtar et al. Multi-task learning for multi-modal emotion recognition and sentiment analysis
CN109844743B (zh) 在自动聊天中生成响应
CN112818107B (zh) 一种用于日常生活的对话机器人及其聊天方法
CN109564572A (zh) 生成用于自动聊天的问题-答案对
Deng et al. Multimodal utterance-level affect analysis using visual, audio and text features
KR102315830B1 (ko) 반지도 학습 기반 단어 단위 감정 임베딩과 lstm 모델을 이용한 대화 내에서 발화의 감정 분류 방법
CN107112005A (zh) 深度神经支持向量机
An et al. Lexical and Acoustic Deep Learning Model for Personality Recognition.
JP2017228272A (ja) 意味生成方法、意味生成装置及びプログラム
WO2021135457A1 (zh) 基于循环神经网络的情绪识别方法、装置及存储介质
CN112214585A (zh) 回复消息生成方法、系统、计算机设备及存储介质
CN114911932A (zh) 基于主题语义增强的异构图结构多会话者情感分析方法
JP2018190077A (ja) 発話生成装置、発話生成方法及び発話生成プログラム
CN116049387A (zh) 一种基于图卷积的短文本分类方法、装置、介质
Zhuang et al. An ensemble approach to conversation generation
US20230290371A1 (en) System and method for automatically generating a sign language video with an input speech using a machine learning model
Deena et al. Exploring the use of acoustic embeddings in neural machine translation
KR20210051523A (ko) 도메인 자동 분류 대화 시스템
CN116978367A (zh) 语音识别方法、装置、电子设备和存储介质
CN115204181A (zh) 文本检测方法、装置、电子设备以及计算机可读存储介质

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20190514

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20200311

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20200428

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20200629

A02 Decision of refusal

Free format text: JAPANESE INTERMEDIATE CODE: A02

Effective date: 20201117

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20210215

C60 Trial request (containing other claim documents, opposition documents)

Free format text: JAPANESE INTERMEDIATE CODE: C60

Effective date: 20210215

A911 Transfer to examiner for re-examination before appeal (zenchi)

Free format text: JAPANESE INTERMEDIATE CODE: A911

Effective date: 20210219

C21 Notice of transfer of a case for reconsideration by examiners before appeal proceedings

Free format text: JAPANESE INTERMEDIATE CODE: C21

Effective date: 20210224

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20210525

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20210726

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20210817

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20210915

R150 Certificate of patent or registration of utility model

Ref document number: 6951712

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150