JP2018147351A - 知識モデル構築システム及び知識モデル構築方法 - Google Patents

Abstract

【課題】知識モデルを体系的に、汎用的な枠組みの中で、容易に解釈し得る形態で表現された情報として構築する。【解決手段】知識モデル構築システム１は、当該分野の技術情報の用語を知識モデル２１上の因子として抽出する因子抽出手段３１と、抽出される因子の関係性を抽出する関係性抽出手段３２と、抽出される因子の関係性を定型化して因子の相互関係の情報を生成する相互関係情報生成手段３３と、抽出される因子の関係性、及び生成される因子の相互関係の情報に基づいて、因子の相互関係の強さを示す因子間の寄与度を算出する因子間寄与度算出手段３４と、抽出される因子、抽出される因子の関係性、抽出される因子の相互関係の情報、及び算出される因子間の寄与度を所定の形式に従って記述し、知識モデル２１に格納する知識モデル格納手段３５と、を備える。【選択図】図１

Description

本発明は、当該分野の技術情報に関する知識を所定の形式で記述し、格納する知識モデルを構築する知識モデル構築システム等に関するものである。

従来、当該分野のノウハウや知識は、その分野に従事する人が自身の経験から身に付けていくことで醸成され、それを実務に活用することで有用性を発揮して成果を挙げてきた。しかし、ノウハウや知識は人の頭の中に暗黙知として蓄積・保存されたものであって、定型化された形式知として保存するための適切な（決め手となる）手段は無かった。従って、当該分野において後継者や次世代への技術伝承が必要となったときには、口頭やメモ書き、更には技術分野で内容を詳細に書き表す等によって他者にノウハウや知識を伝授していた。

また、従来から、ノウハウや知識を活用する手段の代表的なものとして、エキスパートシステムと呼ばれるツールが存在する。エキスパートシステムは、熟練者に代わって設問に対する解を生成するツールである。エキスパートシステムでは、熟練者から聞き取ったノウハウや知識をルール化し、人が知識ベース（＝知識をコンピュータが解読できる形にしてデータベース化したもの）を構築する。すなわち、ノウハウや知識の取得手段の主体は、熟練者への聞き取りである。

近年では、ニューラルネットワーク等の学習型の推論ツールを用いて、当該分野のノウハウや知識を技術文書や事例データから学習させて人工知能システムを構築する手法が注目されている。学習型の推論ツールでは、学習データに基づいて内部に知識ベースを構築する。

例えば、特許文献１は、一連の問題と解決方法に関する入力情報（＝人間が日常的に使用している言語による文）から類似の問題の解決方法を自律的に生成する方法を開示している。特許文献２は、問題解決の過程を探索木で表現する知識処理システムを開示している。特許文献３は、知識ベース内の階層関係を意識することなく、一つのオブジェクトから他のオブジェクトを直接に参照出来る知識ベースシステムを開示している。特許文献４は、構造化表示の軸とする単語の複数のキーワードの検索語によって、多次元の軸に沿った構造化表示を可能とする情報構造化表示装置を開示している。

尚、本発明でのノウハウや知識とは、言語や数値で表現される形態のものを意味し、機器の手動操作など、人の動作や行動に関するものは含まれない。最近の報告例に多く見られる動画を活用したノウハウの伝承技術などは、人の動作や行動を伴うノウハウや知識を保存、伝承するための手段の１例である。また、本発明での知識モデルとは、当該分野の技術情報に関する知識を所定の形式で記述し、格納するものである。

特開２０１５−２３２８９４号公報 特開平５−３１３８９６号公報 特開平６−８３６２６号公報 特開平７−２８２０８７号公報

しかしながら、特許文献１〜４を含む公知の技術では、以下に説明する通り、知識モデルを体系的に、汎用的な枠組みの中で、容易に解釈し得る形態で表現された情報として構築する仕組みが確立していない。

口頭やメモ書き、技術文書等による伝承では、伝承される側の人が伝承された内容を理解したり、解読したりすることによって、自己の中で自己に固有の形態によってノウハウや知識を体系化して知識モデルを形成する。しかし、この自己に固有の形態が暗黙知であり、結果的にノウハウを保持している人から伝承される側の人に暗黙知が伝承されるに過ぎない。すなわち、汎用的な枠組みで表現された情報とは言えない。

また、エキスパートシステムについても、人からの聞き取りという手段によって得たノウハウや知識に関する断片的な情報を、ルールという形態の断片的な情報に置き換えたものに過ぎず、体系化された情報とは言えない。

一方、学習型の推論ツールでは、内部に構築される知識ベース（知識モデルに相当する部分を含む。）はツールの枠組みの中でのみ解釈可能な形態の情報に過ぎず、ブラックボックスである。そして、内部の知識ベースは、知識モデルに相当する部分と課題解決用の部分が一体化されているので、知識モデルに相当する部分を分離して他の課題解決用のツールに流用することができない。特に、ニューラルネットワークを用いた推論システムでは、閉じた系の中で全てが一体化された形態の人工知能システムが構築されるので、知識モデルに相当する部分を有意情報として取り出すことができない。すなわち、有意情報として取り出せるような汎用的に利用できる知識モデルは構築できない。

本発明は、前述した問題点に鑑みてなされたものであり、その目的とすることは、知識モデルを体系的に、汎用的な枠組みの中で、容易に解釈し得る形態で表現された情報として構築することが可能な知識モデル構築システム等を提供することである。

前述した目的を達成するための第１の発明は、当該分野の技術情報に係る知識を所定の形式で記述し、格納する知識モデルを構築する知識モデル構築システムであって、当該分野の技術情報の用語を前記知識モデル上の因子として抽出する因子抽出手段と、前記因子抽出手段によって抽出される前記因子の関係性を抽出する関係性抽出手段と、前記関係性抽出手段によって抽出される前記因子の関係性を定型化して前記因子の相互関係の情報を生成する相互関係情報生成手段と、前記関係性抽出手段によって抽出される前記因子の関係性、及び前記相互関係情報生成手段によって生成される前記因子の相互関係の情報に基づいて、前記因子の相互関係の強さを示す前記因子間の寄与度を算出する因子間寄与度算出手段と、前記因子抽出手段によって抽出される前記因子、前記関係性抽出手段によって抽出される前記因子の関係性、前記相互関係情報生成手段によって抽出される前記因子の相互関係の情報、及び前記因子間寄与度算出手段によって算出される前記因子間の寄与度を所定の形式に従って記述し、前記知識モデルに格納する知識モデル格納手段と、を備えることを特徴とする知識モデル構築システムである。第１の発明によって、知識モデルを体系的に、汎用的な枠組みの中で、容易に解釈し得る形態で表現された情報として構築することが可能となる。

第１の発明における前記知識モデルは、前記因子がネットワーク形態で相互接続されることによって前記因子の関係性が表現され、前記因子の関係性が所定の形式に従って記述されることによって当該分野の技術情報に係る知識が形式知として格納されるようにしても良い。これによって、技術分野に依存することなく汎用的な知識モデルを構築することができる。

また、第１の発明は、ユーザとの対話処理によって当該分野の技術情報に係る知識を前記知識モデルに登録する登録手段、を更に具備し、前記登録手段は、キーワード入力を促す画面を表示し、当該分野の技術体系を表現するにあたっての技術情報のキーワードの入力を受け付け、入力される前記キーワードを前記因子として前記知識モデルに登録し、前記因子を束ねる操作を促す画面を表示し、関係がある前記因子同士を束ねる操作を受け付け、前記因子の階層関係指定を促す画面を表示し、束ねられる前記因子の間に階層関係を指定する操作を受け付け、前記因子の結合条件設定を促す画面を表示し、前記階層関係が指定される前記因子の間に結合条件を設定する操作を受け付け、指定される前記階層関係及び設定される前記結合条件を前記知識モデルに登録し、前記因子の接続関係指定を促す画面を表示し、登録されている前記因子について、当該分野の技術体系を表現する上で関係性が認められる前記因子の間に接続関係を指定する操作を受け付け、前記因子の接続条件設定を促す画面を表示し、接続関係が指定される前記因子の間に接続条件を設定する操作を受け付け、指定される前記接続関係及び設定される前記接続条件を前記知識モデルに登録するようにしても良い。これによって、熟練者のノウハウが直接的に保存される仕組みを提供することができる。

また、第１の発明における前記因子抽出手段は、文書データから成る当該分野の技術文書から、自然言語処理によって当該分野の技術情報のキーワードとなる技術用語を前記知識モデル上の前記因子として抽出するようにしても良い。これによって、知識モデルを体系的に構築することができる。

また、第１の発明における前記関係性抽出手段は、文書データから成る当該分野の技術文書から、自然言語処理によって前記因子の関係性を抽出し、個々の前記因子に対する関係因子を特定するようにしても良い。これによって、知識モデルを体系的に構築することができる。

また、第１の発明は、前記関係性抽出手段によって抽出される前記因子の関係性に基づいて、前記因子を接続点として前記因子の相互関係をネットワーク形態で表現される知識構図を生成する知識構図生成手段、を更に含み、前記知識構図によって、知識の構造が視覚的に表現されるようにしても良い。これによって、知識の構造が容易に解釈することができる。

また、第１の発明における前記相互関係情報生成手段は、文書データから成る当該分野の技術文書から、自然言語処理によって前記因子の相互関係の情報を生成するようにしても良い。これによって、知識モデルを体系的に構築することができる。

また、第１の発明における前記相互関係情報生成手段は、前記因子をパラメータとして収集される数値データを含む当該分野の事例データから、機械学習処理によって前記因子の相互関係の情報を生成するようにしても良い。これによって、定量的な情報に基づいて因子の関係性を抽出することができる。

また、第１の発明における前記因子間寄与度算出手段は、前記因子の関係性及び前記因子の相互関係の情報に基づいて、周辺の前記因子によって構成される局部的な前記因子群、又は全ての因子によって構成される全体的な因子群に対して、機械学習処理によって前記因子間の相対的な寄与度を算出するようにしても良い。これによって、現実の知識形態に即した適確な寄与度が算出できる。

また、第１の発明における前記因子間寄与度算出手段は、周辺の前記因子によって構成される局部的な前記因子群、又は全ての因子によって構成される全体的な因子群に対して、前記因子の相互関係の情報を論理式にて記述し、マルコフロジックネットワークを用いて、全ての前記論理式に重みを割り当てて、可能世界の確率を算出することによって、前記因子間の相対的な寄与度を算出するようにしても良い。これによって、局部的な因子群又は全体的な因子群を考慮しながら、因子間の寄与度を算出することができる。特に、マルコフロジックネットワークを用いることによって、与えられた知識全般に対して尤もらしい確率を因子間の寄与度として付与することができるため、矛盾を含む知識であっても扱うことができる。

また、第１の発明における前記因子間寄与度算出手段は、述語記号が含まれる前記論理式に対しては、引数のソートを定義し、前記引数で取りうるソートの１つだけで述語が真になるように前記可能世界を制限するようにしても良い。これによって、可能世界の組み合わせ数が劇的に減少する。

また、第１の発明における前記因子間寄与度算出手段は、前記可能世界を特定の個数サンプリングするようにしても良い。これによって、現実的な時間内で因子間の寄与度を計算することができる。

第２の発明は、コンピュータが、当該分野の技術情報に係る知識を所定の形式で記述し、格納する知識モデルを構築する知識モデル構築方法であって、前記コンピュータが、当該分野の技術情報の用語を前記知識モデル上の因子として抽出し、抽出される前記因子の関係性を抽出し、抽出される前記因子の関係性を定型化して前記因子の相互関係の情報を生成し、抽出される前記因子の関係性、及び生成される前記因子の相互関係の情報に基づいて、前記因子の相互関係の強さを示す前記因子間の寄与度を算出し、抽出される前記因子、抽出される前記因子の関係性、抽出される前記因子の相互関係の情報、及び算出される前記因子間の寄与度を所定の形式に従って記述し、前記知識モデルに格納することを特徴とする知識モデル構築方法である。第２の発明によって、知識モデルを体系的に、汎用的な枠組みの中で、容易に解釈し得る形態で表現された情報として構築することが可能となる。

本発明により、知識モデルを体系的に、汎用的な枠組みの中で、容易に解釈し得る形態で表現された情報として構築することが可能な知識モデル構築システム等を提供することができる。

知識モデル構築システムの概要を示す図 知識モデルにおける因子の相互接続の形態を示す図 ネットワーク形態での因子の相互接続を示す図 知識モデルにおける情報の紐付けを示す図 接続条件に関する情報の紐付けを示す図 因子に保持するデータの一例 ネットワーク形態での相互接続の一例 接続条件の一例 結合条件の一例 知識モデル構築システムの処理体系の一例 文書データ解析ソルバの構成の一例 数値データ解析ソルバの構成の一例 寄与度解析ソルバの構成の一例 知識構図生成ソルバの構成の一例 知識モデル格納手段の構成の一例 文書データ解析ソルバの処理の流れを示すフローチャート 数値データ解析ソルバの処理の流れを示すフローチャート 寄与度解析ソルバの処理の流れを示すフローチャート 知識構図生成ソルバの処理の流れを示すフローチャート 知識モデル構築システムの構成の一例 熟練者ノウハウ登録ソルバを説明する図

本発明は、工学、医学、農学、生物学などの諸分野における熟練者のノウハウや知識を格納する知識モデルの構築システムである。以下図面に基づいて、本発明の実施形態を詳細に説明する。以下では、知識モデルが対象とする当該分野として、生産加工、特に、切削加工を例にして説明する。

最初に、図１を参照しながら、知識モデル構築システム１の概要を説明する。図１に示すように、知識モデル構築システム１は、記憶装置２と制御装置３から構成される。記憶装置２は、ＨＤＤ（Hard Disk Drive）等であり、データとしての知識モデル２１等を記憶する。制御装置３は、ＣＰＵ（Central Processing Unit）、ＲＯＭ（Read Only
Memory）、ＲＡＭ（Random Access Memory）、マウスやキーボード等の入力部、液晶ディスプレイ等の表示部、通信機器等の通信部等で構成され、因子抽出手段３１、関係性抽出手段３２、相互関係情報生成手段３３、因子間寄与度算出手段３４と、知識モデル格納手段３５、知識構図生成手段３６等を備える。制御装置３は、専用のプログラムがインストールされることによって、各種の手段として機能する。記憶装置２及び制御装置３は、１台のコンピュータで両方の機能を実装しても良いし、それぞれを１台又は複数台のコンピュータで実装しても良い。

知識モデル２１は、当該分野の技術情報のキーワードとなる技術用語を因子として、因子をネットワーク形態で相互接続することによって当該分野の技術情報の関係性を表現し、当該分野のノウハウや知識を形式知として格納する。知識モデル２１に格納される情報は、体系的に、汎用的な枠組みの中で、容易に解釈し得る形態で表現される。

因子抽出手段３１は、当該分野の技術情報の用語を知識モデル２１上の因子として抽出する。関係性抽出手段３２は、因子抽出手段３１によって抽出される因子の関係性を抽出する。相互関係情報生成手段３３は、関係性抽出手段３２によって抽出される因子の関係性を定型化して因子の相互関係の情報を生成する。因子間寄与度算出手段３４は、関係性抽出手段３２によって抽出される因子の関係性、及び相互関係情報生成手段３３によって生成される因子の相互関係の情報に基づいて、因子の相互関係の強さを示す因子間の寄与度を算出する。知識モデル格納手段３５は、因子抽出手段３１によって抽出される因子、関係性抽出手段３２によって抽出される因子の関係性、相互関係情報生成手段３３によって抽出される因子の相互関係の情報、及び因子間寄与度算出手段３４によって算出される因子間の寄与度を所定の形式に従って記述し、知識モデル２１に格納する。知識構図生成手段３６は、関係性抽出手段３２によって抽出される因子の関係性に基づいて、因子の相互関係が表現される知識構図を生成する。

次に、図２〜図９を参照しながら、記憶装置２に記憶される知識モデル２１の詳細について説明する。

図２は、知識モデルにおける因子の相互接続の形態を示す図である。知識モデル２１は、因子４がネットワーク形態で相互接続されることによって因子４の関係性が表現され、因子４の関係性が所定の形式に従って記述されることによって当該分野の技術情報に係る知識が形式知として格納される。

図２は、因子４を相互接続して当該分野の技術情報の関係性を表現するための基本パターンを示している。制御装置３による処理において、処理の対象となっている因子４は基準因子と呼ばれる。図２では、因子４ａが基準因子として図示されている。各因子４には、自身の内部情報である因子情報５が紐付けられる。基準因子と接続される因子４は、接続因子と呼ばれる。図２では、因子４ｂが接続因子として図示されている。因子４ａ及び因子４ｂには接続情報６が紐付けられる。接続情報６は、相互接続される２つの因子４ａ及び因子４ｂの間の接続関係を示し、相互接続される２つの因子４ａ及び因子４ｂの間の接続条件７が紐付けられる。

また、特に、基準因子と上下関係がある因子４は、上位の結合因子又は下位の結合因子と呼ばれる。図２では、因子４ｃが上位の結合因子又は下位の結合因子として図示されている。因子４ａ及び因子４ｃには、お互いの上下関係を示す結合情報８が紐付けられる。また、結合情報８には、結合条件９が紐付けられる。

図３は、ネットワーク形態での因子の相互接続を示す図である。図３は、ネットワーク形態で当該分野の技術情報の関係性を表現した状態を模式的に示したものである。ネットワーク形態は、２つの因子４を接続情報６によって相互接続することを基本パターンとして、当該分野の一定の技術領域を表現するために必要な組合せについて基本パターンを繰り返すものである。知識モデル２１には、図３に示すようなネットワーク形態でノウハウや知識が形式知化されている。これによって、技術分野に依存することなく汎用的な知識モデルを構築することができる。

図４は、知識モデルにおける情報の紐付けを示す図である。図４は、知識モデル２１における各情報の中身と情報の紐付けの例の詳細を示している。尚、図４に示す「ＦＫ」は、外部キーを意味する。

因子４は、因子コードによって一意に識別される。因子４には、因子名称、因子表記タイプ、因子情報コードが保持され、因子情報コードによって因子情報５が紐付けられている。ここで、因子表記タイプは、因子４で扱うデータの表現形式を示すものであり、数値データを表現する数値表記、文字データを表現する文字表記等がある。

数値表記は、例えば、因子４に与えられる実際の数値によって因子４で扱うデータを表現する実値表記、予めレンジとして区切られる数値範囲に対応する数値範囲の代表値によって因子４で扱うデータを表現するレンジ表記、予め設定されるランク付けに対応するランク値によって因子４で扱うデータを表現するランク表記等がある。

文字表記は、例えば、名称によって因子４で扱うデータを表現する名称表記、記号によって因子４で扱うデータを表現する記号表記等がある。

因子情報５は、因子情報コードによって一意に識別される。因子情報５には、実値表記コード、レンジ表記コード、ランク表記コード、名称区分コード、記号区分コードが保持される。

また、因子４には、因子コードを通じて上位因子または下位因子との結合に関する情報である結合情報８が紐付けられ、同じく因子コードを通じて、技術的に関係性のある因子４と相互接続するときの接続に関する情報である接続情報６が紐付けられている。さらに、結合情報８には、結合先である上位因子または下位因子の因子コードと、結合先が上位因子か下位因子かを示す結合方向と、結合条件コードが保持され、結合条件コードによって結合先の因子４との結合関係を示す結合条件９が紐付けられている。また、結合情報８と同様に、接続情報６にも、接続条件コードによって接続条件７が紐付けられている。

ここで、結合条件９と接続条件７について、その違いも含めて説明を加える。結合条件９は、上下関係（親子関係、主従関係）をもつ因子４間で情報伝達を行うためのものである。具体的には、結合条件９は、基準となる因子４のデータ値から上下関係にある結合因子のデータ値を決定するための条件として機能する。そして、結合条件９は、密接な（例えば物理的に）上下関係にある因子４を結合するものであるため、結合条件９によって基準因子のデータ値が概ね直接的に結合因子に反映される。上下関係としては、例えば、下位概念因子及び上位概念因子の組合せ、構成要素因子及び被構成要素因子の組合せ、特性表現因子及び被特性表現因子の組合せ等が挙げられる。

一方、接続条件７は、技術体系を表現する上で技術的に相互関係のある因子４間で情報伝達を行うためのものである。具体的には、接続条件７は、基準となる因子４のデータ値から接続関係にある接続因子のデータ値を決定するための条件として機能する。そして、接続条件７は、結合条件９のような密接な上下関係を定義するものではなく、技術的な相互関係を周辺の因子４の接続条件７と合い交えて表現するものである。従って、基準因子のデータ値が直接的に接続因子に反映されるのではなく、寄与度等に従った重み付けによって限定的な形で接続因子に反映される。

尚、図４に示す協約結合条件は、２つ以上の因子４が一対となって１つの因子４と結合する場合の条件である。同様に、協約接続条件も２つ以上の因子４が一対となって１つの因子４と接続する場合の条件である。これらは、複雑な因子４の結合や接続についての関係性を表現するために取り入れたものである。

図５は、接続条件に関する情報の紐付けを示す図である。図５は、接続条件７に紐付けられた更に詳細な下位の接続条件７の一例である。尚、図５に示す「ＦＫ」は、外部キーを意味する。接続条件７は、相互接続する２つの因子４で扱うデータの因子表記タイプに基づいて定義される。

接続条件７には、自身の内部情報として因子関係コードと因子寄与度が保持され、さらに接続条件コードによって下位の接続条件７が紐付けられている。因子関係コードは基準因子と接続因子の関係を表すコードであり、現象・結果や要求・目標などに対応したコードがある。因子寄与度は、例えば接続因子から見た基準因子の寄与度であり、相互接続における因子４間の重み付けを表す。

下位の接続条件７には、例えば、論理式接続条件７１、算術式接続条件７２、レンジ接続条件７３、ランク接続条件７４、実値接続条件７５、記号接続条件７６、名称接続条件７７等がある。これら下位の接続条件７には、さらに接続条件７の具体的な情報が記述された下位へ繋がるアドレスコード（図５に示す実値／実値接続コード、実値／レンジ接続コード、実値／ランク接続コード等）が保持される。これらのコードをたどって行くことによって具体的な接続条件７の情報を得ることができる。下位の接続条件７が複数存在する場合には、どの条件を優先して用いるかを示す優先度が設定される。

尚、結合条件９にも、同様の形態で下位の結合条件９が紐付けられる。下位の結合条件９には、論理式結合条件、算出式結合条件、レンジ結合条件、ランク結合条件、実値結合条件、記号結合条件、名称結合条件等がある。接続条件７と同様、結合条件９の具体的な情報が記述された下位へ繋がるアドレスコードをたどって行くことによって具体的な結合条件９の情報を得ることができる。

図６は、因子に保持するデータの一例である。図６では、工学の生産・加工分野に属する切削加工を例にして、因子４に保持する情報（因子４に直属する情報）の具体例を示している。ここでの因子４は、切削加工における技術情報のキーワードを意味する。この因子４が保持するデータは、因子名称、因子表記タイプ、因子情報コードであり、図６に示す名称および数値は、その情報の一例である。さらに具体的に説明すると、ここでは、因子名称として性能要件、高能率化、・・・、ワーク、ワーク材質、ワーク材処理、ワーク材硬さ等が保持され、因子表記タイプとしては数値表記、名称表記、記号表記等が保持されている。そして、因子４に因子情報コードが保持されることによって、実際の因子情報５が因子４に紐付けられる。

図７は、ネットワーク形態での相互接続の一例である。図７では、切削加工を例にしている。図７に示す例では、性能要件、ワーク、切削特性、要求工具性能、要求工具特性、工具を最上位因子として、その下にそれぞれの下位因子が紐付けられている。すなわち、最上位因子を頂点としたグループが形成されている。

上位因子と下位因子は、上下関係を示す形態のＬ字線で結ばれ、この線分に対応して結合情報８や結合条件９が定義されている。例えば、「ワーク（加工品）」のグループにおける「ワーク材質」と「硬さ」（以下、「ワーク材硬さ」と呼ぶ。）はＬ字線で結ばれており、この線によって上下関係があることを表している。ここで、「ワーク材質」を基準因子とした場合、下位の結合因子に相当するものが「ワーク材硬さ」である。そして、この２つの因子４を結ぶ線分に対応して結合情報８や結合条件９が定義され、結合方向は「上位から下位」となる。

一方、因子４の関係性を表す相互接続については、各グループに属する因子４と他のグループの因子４とが線分で結ばれ、この線によって技術的に相互関係があることを示している。例えば、「ワーク（加工品）」のグループに属するワーク材質の下の「ワーク材硬さ」と「切削特性」の下の「切削力」が線分で結ばれ、この２つの因子４に相互関係があることを表している。ここで、「ワーク材硬さ」を基準因子とした場合、接続因子に相当するものが「切削力」である。そして、この２つの因子４を結ぶ線分に対応して接続情報６や接続条件７が定義されている。

図８は、接続条件の一例である。図８では、「ワーク材硬さ」と「切削力」の２つの因子４を接続するための接続条件７の一例を示している。図８の例では、具体的な接続条件７は、ランク／ランク接続である。ランク／ランク接続以外に、レンジ／ランク接続など他の接続条件７を同一の因子４間に重複して定義することも可能である。知識モデル２１を探索する際には、それぞれの接続条件７ごとに定義された優先順位によって採用される接続条件７が決められる。図８の例から分かるように、ランク／ランク接続の接続条件７としては、「ワーク材硬さ」のランク値と「切削力」のランク値の対応関係が定義される。そして、この対応関係を参照することによって、「ワーク材硬さ」のランク値から「切削力」のランク値を導くことができる。このとき、「ワーク材硬さ」は基準因子であり、「ワーク材硬さ」のランク値は「ワーク材硬さ」という基準因子のデータ値である。また、「切削力」は接続因子となり、「切削力」のランク値は「切削力」という接続因子のデータ値となる。尚、各ランク値には、それぞれのランク値に対応するランク指標が別途定義されても良い。

接続条件７としては、名称／ランク接続、名称／実値接続、名称／レンジ接続等を用いても良い。すなわち、数値表記の具体的な形態として、ランク表記、実値表記、レンジ表記がある。名称／実値接続は名称表記のデータ値と実値表記のデータ値を接続する接続条件７である。名称／レンジ接続や他の接続条件７の意味づけも同様である。ここで、実値表記とは数値で表される度量衡を実際の数値で表記することを意味する。ランク表記とは度量衡を何段階かのランク値で表記することを意味する。レンジ表記とは度量衡の値を任意の幅で区分し、区分した範囲をレンジ値で代表して表記することを意味する。そして、ランク値にはランク指標が別途定義されても良い。

一方、接続関係を示す数値情報を算術式（近似式を含む。）や論理式で表記することが可能であれば、算術式接続や論理式接続を用いることも可能である。算術式や論理式も数値表記の具体的な形態の一つであり、算術式表記は実値表記やレンジ表記、ランク表記よりも因子４の関係性を高精度に表記できる特徴がある。よって、接続条件７に算術式が加われば、関係性の表現精度が飛躍的に向上するメリットが生ずる。

図９は、結合条件の一例である。図９では、「ワーク材質」を基準因子、「ワーク材硬さ」を結合因子として、結合条件９に名称／ランク結合を用いた場合の例である。ここでは、「ワーク材質」の表記タイプが名称表記であり、「ワーク材硬さ」の表記タイプが数値表記であるため、名称／ランク結合が用いられる。名称／ランク結合に代えて、名称／実値結合や名称／レンジ結合を用いても良い。

以上の通り、知識モデル２１は、当該分野の技術情報の技術用語を因子４とし、因子４がネットワーク形態で相互接続されることによって当該分野の技術情報の関係性が表現され、技術情報の関係性が所定の形式に従って記述されることによって当該分野のノウハウ又は知識が形式知として格納される。知識モデル２１によって、当該分野の技術情報のキーワードとなる因子４を因子４間の相互関係に基づいてネットワーク形態で相互接続することができ、人の頭脳を模擬した形態で当該分野のノウハウや知識を定型化された形態の形式知としてデジタル情報で保存できる。

次に、図１０〜図１５を参照しながら、制御装置３が備える各種の手段について説明する。

図１０は、知識モデル構築システムの処理体系の一例である。図１０では、技術文書２２及び事例データ２３（実験データを含む。）から知識モデル２１を構築するための処理手順が示されている。ここで、技術文書２２とは、一般的に公開された公知の技術文献や、企業の技術報告書として纏められた公知又は非公知の技術文献等の文書データ２４を意味する。また、事例データ２３は、当該分野における実際の企業活動からの事例として得られるデータであり、実例として得られたデータや実験等で得られたデータを意味する。具体的には、事例データ２３は、例えば、生産活動に用いる加工データや生産活動中に得られる計測データ、生産活動や顧客対応等におけるトラブル解決事例、研究開発や顧客対応等で実施した実験データ等である。切削加工であれば、加工データとは、加工工程データやＮＣ加工データ等の実際に生産活動に用いる実加工データであり、計測データとは、加工中の温度、振動、力等のデータである。計測データは、いわゆるビックデータと呼ばれる大規模データに属するものが多い。これらの事例データには、中身が数値で表現された数値データ２５や、中身が文書で表現された文書データ２４がある。一般的には、加工データや計測データは数値データ２５であり、トラブル解決事例等は文書データ２４である場合が多い。

文書データ解析ソルバ１００、数値データ解析ソルバ１１０、寄与度解析ソルバ１２０及び知識構図生成ソルバ１３０は、所定の情報処理を実行するコンピュータプログラムである。文書データ解析ソルバ１００は、技術文書２２や事例データ２３の文書データ２４を解析し、当該分野のノウハウや知識を抽出するためのプログラムである。数値データ解析ソルバ１１０は、事例データ２３の数値データ２５を解析し、当該分野のノウハウや知識を抽出するためのプログラムである。寄与度解析ソルバ１２０は、因子４間の相互関係の強さや度合を示す寄与度を算出するためのプログラムである。知識構図生成ソルバ１３０は、因子４の関係性に基づいて、因子４を接続点として因子４の相互関係をネットワーク形態で表現される知識構図を生成するためのプログラムである。

技術文書２２については、文書データ解析ソルバ１００を用いて解析する。事例データ２３については、文書データ２４であれば文書データ解析ソルバ１００を用いて解析し、数値データ２５であれば、数値データ解析ソルバ１１０を用いて解析する。

以下では、説明の便宜上、プログラムとしての各ソルバが動作の主体として記述されることがあるが、実際には、これらのプログラムがインストールされたハードウエアである制御装置３が動作の主体である。

文書データ解析ソルバ１００は、技術文書２２から当該分野の技術情報のキーワードとなる用語を知識モデル２１上の因子４として抽出し（ステップＳ１）、抽出される因子４の関係性を抽出し（ステップＳ２）、個々の因子４に対する関係因子を特定する。そして、文書データ解析ソルバ１００は、抽出される因子４とその関係因子を知識モデル２１に格納する。更に、文書データ解析ソルバ１００は、個々の因子４とその関係因子についての相互関係を抽出し（ステップＳ３）、相互関係の情報を生成し、知識モデル２１に格納する。

図１１は、文書データ解析ソルバの構成の一例である。図１１に示すように、文書データ解析ソルバ１００は、制御装置３を、因子抽出手段３１、因子格納手段３５１、関係性抽出手段３２、関係因子格納手段３５２、相互関係情報生成手段３３及び相互関係情報格納手段３５３として機能させるためのプログラムである。解析対象が文書データ２４であるため、相互関係の抽出は定性的な情報が主となる場合が多い。尚、各手段に対応する各プログラムは、分離した形態であっても良いし、一体化した形態であっても良い。

図１０の説明に戻る。数値データ解析ソルバ１１０は、ニューラルネットワークやディープラーニング等の機械学習の手段を用いて、事例データ２３から因子４の相互関係を抽出し（ステップＳ４）、相互関係の情報を生成し、知識モデル２１に格納する。

図１２は、数値データ解析ソルバの構成の一例である。図１２に示すように、数値データ解析ソルバ１１０は、制御装置３を、相互関係情報生成手段３３及び相互関係情報格納手段３５３として機能させるためのプログラムである。解析対象が数値データ２５であるため、相互関係の抽出は定量的な情報も可能である。

図１０の説明に戻る。寄与度解析ソルバ１２０は、無向グラフィカルモデルであるマルコフロジックネットワーク（Markov Logic Network）等を応用して、相互関係の情報から因子４間の相対的な寄与度を算出する。マルコフロジックネットワークは、近年提案された新たな機械学習の手法である。

図１３は、寄与度解析ソルバの構成の一例である。寄与度解析ソルバ１２０は、制御装置３を、因子間寄与度算出手段３４及び因子間寄与度格納手段３５４として機能させるためのプログラムである。因子間寄与度算出手段３４は、マルコフロジックネットワークを用いて、相互関係を表す論理式等に基づいて各可能世界の確率を学習することによって、任意の因子４間の論理関係の確立を寄与度として解析する。因子間寄与度算出手段３４は、一般的には、因子４の定性的な相互関係を表す論理式等から因子４間の相対的な寄与度を算出するが、数値情報や数式等によって表された定量的な相互関係の情報から寄与度を算出するようにしても良い。

図１０の説明に戻る。知識構図生成ソルバ１３０は、ステップＳ２において抽出される個々の因子４に対する関係因子の情報を用いて、因子４の関係性を知識構図として生成する（ステップＳ６）。

図１４は、知識構図生成ソルバの構成の一例である。知識構図生成ソルバ１３０は、制御装置３を、知識モデル引用手段３６１、知識構図生成手段３６２、知識構図描画手段３６３として機能させるためのプログラムである。知識構図描画手段３６３は、知識モデル２１上の因子４の関係性を知識構図として可視化する。

図１５は、知識モデル格納手段の構成の一例である。因子格納手段３５１、関係因子格納手段３５２、相互関係情報格納手段３５３及び因子間寄与度格納手段３５４は、図１５に示すように、知識モデル格納手段３５として一体化した形態であっても良い。この場合、文書データ解析ソルバ１００、数値データ解析ソルバ１１０及び寄与度解析ソルバ１２０は、一体化された形態の知識モデル格納手段３５を含む構成であっても良い。

次に、図１６〜図１９を参照しながら、各ソルバの処理の詳細について説明する。

図１６は、文書データ解析ソルバの処理の流れを示すフローチャートである。図１６に示すように、文書データ解析ソルバ１００は、技術文書２２又は事例データ２３の文書データ２４を入力し（ステップＳ１１）、知識モデル２１をリンクする（ステップＳ１２）。

次に、文書データ解析ソルバ１００の因子抽出手段３１は、文書データ２４から成る当該分野の技術文書から、自然言語処理によって当該分野の技術情報のキーワードとなる技術用語を知識モデル２１上の因子４として抽出する（ステップＳ１３）。文書データ解析ソルバ１００の因子格納手段３５１は、抽出された因子４を知識モデル２１に格納する（ステップＳ１４）。ステップＳ１３における自然言語処理は、公知の技術を用いることができ、独自のプログラムを利用しても良いし、外部の自然言語処理エンジンを利用しても良い。

次に、文書データ解析ソルバ１００の関係性抽出手段３２は、文書データ２４から成る当該分野の技術文書から、自然言語処理によって因子４の関係性を抽出し、個々の因子４に対する関係因子を特定する（ステップＳ１５）。文書データ解析ソルバ１００の関係因子格納手段３５２は、特定される関係因子を知識モデル２１に格納する（ステップＳ１６）。ステップＳ１５における自然言語処理は、公知の技術を用いることができ、独自のプログラムを利用しても良いし、外部の自然言語処理エンジンを利用しても良い。

次に、文書データ解析ソルバ１００の相互関係情報生成手段３３は、自然言語処理を用いて、文書データ２４から関係因子についての相互関係を抽出し、相互関係の情報を生成する（ステップＳ１７）。文書データ解析ソルバ１００の相互関係情報格納手段３５３は、生成された相互関係の情報を、個々の因子４とその関係因子についての知識モデル２１上の接続情報６や結合情報８として、知識モデル２１に格納する（ステップＳ１８）。ステップＳ１７における自然言語処理は、公知の技術を用いることができ、独自のプログラムを利用しても良いし、外部の自然言語処理エンジンを利用しても良い。

図１７は、数値データ解析ソルバの処理の流れを示すフローチャートである。図１７に示すように、数値データ解析ソルバ１１０は、因子４をパラメータとして収集される数値データ２５を含む当該分野の事例データ２３を入力し（ステップＳ２１）、知識モデル２１をリンクする（ステップＳ２２）。

次に、数値データ解析ソルバ１１０は、相互関係情報の生成に係る知識モデル２１上の因子４を特定する（ステップＳ２３）。数値データ解析ソルバ１１０の相互関係情報生成手段３３は、数値データ２５から、ニューラルネットやディープラーニング等の機械学習処理によって因子４の相互関係を抽出し、相互関係の情報を生成する（ステップＳ２４）。数値データ解析ソルバ１１０の相互関係情報格納手段３５３は、生成された相互関係の情報を因子４の知識モデル２１上の接続情報６や結合情報８として知識モデル２１に格納する（ステップＳ２５）。ステップＳ２４における機械学習処理は、公知の技術を用いることができ、独自のプログラムを利用しても良いし、外部の機械学習処理エンジンを利用しても良い。

図１８は、寄与度解析ソルバの処理の流れを示すフローチャートである。図１８に示すように、寄与度解析ソルバ１２０は、知識モデル２１をリンクし（ステップＳ３１）、因子間寄与度の算出に係る知識モデル２１上の因子群を特定し（ステップＳ３２）、特定される因子群の各因子４間について、知識モデル２１上の接続情報６や結合情報８から、因子４間の相互関係の情報を引用する（ステップＳ３３）。ステップＳ３２において特定される因子群は、周辺の因子４によって構成される局部的な因子群、又は全ての因子４によって構成される全体的な因子群のいずれであっても良い。

次に、寄与度解析ソルバ１２０の因子間寄与度算出手段３４は、因子４の関係性及び因子４の相互関係の情報に基づいて、因子４群に対して、機械学習処理によって因子４間の相対的な寄与度を算出する（ステップＳ３４）。寄与度解析ソルバ１２０の因子間寄与度格納手段３５４は、因子４間の寄与度を、知識モデル２１上の因子間寄与度として、知識モデル２１に格納する（ステップＳ３５）。ステップＳ３４における機械学習処理は、マルコフロジックネットワークを用いて、一般的な論理式から因子４間の相対的な寄与度を算出するものである。

図１９は、知識構図生成ソルバの処理の流れを示すフローチャートである。図１９に示すように、知識構図生成ソルバ１３０の知識モデル引用手段３６１は、個々の因子４とその関係因子を知識モデル２１から引用する（ステップＳ４１）。知識構図生成ソルバ１３０の知識構図生成手段３６２は、因子４の関係性に基づいて、関係する因子４の間に線を引く形態で、因子４の関係性が体系的に表現される知識構図を生成する（ステップＳ４２）。知識構図生成ソルバ１３０の知識構図描画手段３６３は、生成された知識構図を表示部に描画する（ステップＳ４３）。知識構図生成手段３６２によって生成される知識構図は、例えば、図７に示すように、因子４を接続点として因子４の相互関係をネットワーク形態で表現されたものである。そして、知識構図描画手段３６３によって表示部に描画される知識構図によって、知識の構造が視覚的に表現される。

ここで、図１８に示すステップＳ３４における機械学習の詳細を説明する。本発明の実施の形態では、ステップＳ３４における機械学習は、マルコフロジックネットワークを用いる。マルコフロジックネットワークとは、一階述語論理とマルコフネットワークの組み合わせによって、論理推論を用いてマルコフネットワークに基づく確率推定を行う手法である。一般的に、述語論理は述語を論理式の形で数式的に表現できるが、論理式に偽となる述語を一つでも含んでいると式全体が充足不能となり、その確率が０．０となる（現実世界と矛盾する）。このような事象に対しても、マルコフロジックネットワークを用いれば、その確率を０．０〜１．０の範囲として算出することができ、現実の矛盾を含む事象についても表現することができる。

マルコフロジックネットワークは、スコーレム連言標準形で与えられた論理式Ｆ_ｉ（＝当該分野の技術情報に係る知識に相当）に対して、次式に示す対数線形モデルを用いて、可能世界ｘの確率Ｐ（Ｘ＝ｘ）を算出する。

ここで、Ｚは正規化項、ｎ_ｉ（ｘ）は一階述語論理の論理式Ｆ_ｉが真となる個数、ｗ_ｉはｎ_ｉ（ｘ）に対応する重みパラメータである。関数記号が含まれる場合、関数記号の埋込適用回数を制限することで、エルブラン（Herbrand）領域を有限の範囲に抑える。重みパラメータｗ_ｉは、事前に計算される学習パラメータであり、次式に示す対数尤度関数にて上昇勾配法を用いることで更新を行う。

ここで、Ｒｗ_ｉはＬ２正則化項、Ｒは正則化パラメータである。スコーレム連言標準形で表現される任意の論理式Ｆ_ｉの確率は、その論理式が真となる可能世界ｘの確率の和である。このように、述語論理の各論理式に重みを割り当てて積算することで、論理式全体の確率を考慮した尤もらしさを推定することができる。マルコフロジックネットワークは、純粋な論理推論とは異なり、与えられた知識全般に対して尤もらしい確率を付与するため、矛盾を含む知識であっても扱うことができる。

一方、知識モデル２１は、前述の通り、因子４がネットワーク形態で相互接続されることによって因子４の関係性が表現されている。そして、因子４間の結び付きの強度は、０．０〜１．０の範囲にて相対的に表わす寄与度によって表現されている。マルコフロジックネットワークによって算出される確率は、この寄与度の概念と類似していることから、寄与度解析ソルバ１２０の因子間寄与度算出手段３４は、マルコフロジックネットワークによって算出される確率を寄与度として算出する。すなわち、因子間寄与度算出手段３４は、周辺の因子４によって構成される局部的な因子群、又は全ての因子４によって構成される全体的な因子群に対して、因子４の相互関係の情報を論理式にて記述し、マルコフロジックネットワークを用いて、全ての論理式に基づく可能世界の確率を算出することによって、因子４間の相対的な寄与度を算出する。

マルコフロジックネットワークは、直接的に連続値を扱えない為、因子４間の関係は、離散化された尺度によって結びつける。離散化は、各尺度に対するランク分けやレンジ分けによって実現する。低コスト化の度合であれば、例えば、小、やや小、中、やや大、大の５段階に分けて、記号又は離散値にて表現する。低コスト化と工具材質の関係の定義は、例えば、低コスト化（小）→工具材質（ボラゾン）、低コスト化（やや小）→工具材質（超微粒子超硬合金）、低コスト化（中）→工具材質（超硬）、低コスト化（大）→工具材質（ハイス）、となる。また、２つの因子が連続値かつ因子間に正又は負の相関関係が有る場合、離散値間の関係を全て列挙する。ワーク材熱伝導率と切削温度の関係の定義は、例えば、ワーク材熱伝導率（小）→切削温度（高）、ワーク材熱伝導率（大）→切削温度（低）、となる。

また、マルコフロジックネットワークは、対象とする論理式の数に対して、計算時間が２の指数オーダーで増加するため、計算量を効率的に絞り込む必要がある。そこで、本発明の実施の形態では、可能世界を制限するために、ソートの情報を活用する。ソートの階層関係は、ｓ_１＞ｓ_２、ｓ_３、・・・ｓ_ｎ、のように定義する。これは、ｓ_１がｓ_２、ｓ_３、・・・ｓ_ｎを下位のソートとして持つことを意味する。因子間寄与度算出手段３４は、述語記号（＝性質や状態を示す記号）が含まれる論理式に対しては、引数のソートを定義することで、述語の取りうるソートを制限する。このとき、引数のソートに排他ソート宣言を導入し、引数を排他ソートと宣言することによって、その引数で取りうるソートの１つだけで、その述語が真になるように可能世界を制限する。

例えば、被削材として、圧延鋼と炭素鋼が存在するとき、被削材は２つのどちらかであり、両方ということは起きえないので、排他ソートによって原子論理式「被削材（圧延鋼）」と「被削材（炭素鋼）」のどちらかが真になる可能世界しか許さないようにする。これによって、可能世界の組み合わせ数が劇的に減少する。

前述のように、ソートの情報を活用しても、可能世界の数は述語の数に対して指数的に増加するため、因子間寄与度算出手段３４は、可能世界を特定の個数サンプリングすることによって、現実的な時間内で計算可能にする。具体的には、エルブラン（Herbrand）世界の要素にランダムに真偽値を割り当てながら、Ｎ個のエルブラン（Herbrand）解釈（＝可能世界）を生成することで、可能世界をサンプリングする。

以上の説明によれば、知識モデル構築システム１は、知識モデル２１を体系的に、汎用的な枠組みの中で、容易に解釈し得る形態で表現された情報として構築することが可能となる。

図２０は、知識モデル構築システムの構成の一例である。図２０に示す知識モデル構築システム１ａは、図１０に示す例と異なり、３つのソルバが組み込まれる。図２０には、知識モデル構築システム１ａに組み込まれるソルバと、それに対応する入力データの関係を図示している。

図２０に示すように、知識モデル構築システム１ａは、熟練者ノウハウ登録ソルバ１４０、文書データ解析ソルバ１００、数値データ解析ソルバ１１０が制御装置３にインストールされることによって構築される。文書データ解析ソルバ１００及び数値データ解析ソルバ１１０は、前述の説明の通りである。すなわち、文書データ解析ソルバ１００は、公知文献、技術報告書、ノウハウメモ等を入力として知識モデル２１を構築するためのプログラムである。数値データ解析ソルバ１１０は、実加工データ、実験データ、計測データ等を入力として知識モデル２１を構築するためのプログラムである。一方、熟練者ノウハウ登録ソルバ１４０は、対話処理で熟練者自身のノウハウ記述を誘導し、知識モデル２１を自動構築するためのプログラムである。

図２１は、熟練者ノウハウ登録ソルバを説明する図である。図２１に示すように、熟練者ノウハウ登録ソルバ１４０は、技術因子の洗出しを行う処理、階層関係及び結合条件の構築を行う処理、並びに接続関係及び接続条件の構築を行う処理をユーザとの対話形式で行う。

（１）技術因子の洗出しを行う処理
制御装置３は、キーワード入力を促す画面を表示部に表示する。これに対して、熟練者は、入力部を介して、当該分野の技術体系を表現するにあたっての技術情報のキーワードを入力する。言い換えると、制御装置３は、入力部を介して、当該分野の技術体系を表現するにあたっての技術情報のキーワードの入力を受け付ける。そして、制御装置３は、入力されるキーワードを因子４として知識モデル２１に登録する（ステップＳ５１）。

（２）階層関係及び結合条件の構築を行う処理
制御装置３は、因子４を束ねる操作を促す画面を表示部に表示する。これに対して、熟練者は、入力部を介して、上下関係（親子関係や従属関係）にある因子４同士を束ねる（例えば、２つの因子４間に線を引く等）（ステップＳ５２）。言い換えると、制御装置３は、入力部を介して、上下関係にある因子４同士を束ねる操作を受け付ける。

次に、制御装置３は、因子４の階層関係指定を促す画面を表示部に表示する。これに対して、熟練者は、入力部を介して、束ねられた上下関係にある因子４の間に階層関係を指定する（ステップＳ５３）。言い換えると、制御装置３は、入力部を介して、束ねられた上下関係にある因子４の間に階層関係を指定する操作を受け付ける。

次に、制御装置３は、因子４の結合条件設定を促す画面を表示部に表示する。これに対して、熟練者は、入力部を介して、階層関係が指定された因子４の間に結合条件９を設定する（ステップＳ５４）。言い換えると、制御装置３は、入力部を介して、階層関係が指定された因子４の間に結合条件９を設定する操作を受け付ける。そして、制御装置３は、指定される階層関係及び設定される結合条件９を知識モデル２１に登録する（ステップＳ５５）。

（３）接続関係及び接続条件の構築を行う処理
制御装置３は、因子４の接続関係指定を促す画面を表示部に表示する。これに対して、熟練者は、入力部を介して、登録されている因子４について、当該分野の技術体系を表現する上で関係性が認められる因子４の間に接続関係を指定する（ステップＳ５６）。言い換えると、制御装置３は、入力部を介して、登録されている因子４について、当該分野の技術体系を表現する上で関係性が認められる因子４の間に接続関係を指定する操作を受け付ける。

次に、制御装置３は、因子４の接続条件設定を促す画面を表示部に表示する。これに対して、熟練者は、入力部を介して、接続関係が指定された因子４の間に接続条件７を設定する（ステップＳ５７）。言い換えると、制御装置３は、入力部を介して、接続関係が指定された因子４の間に接続条件７を設定する操作を受け付ける。そして、制御装置３は、指定された接続関係及び設定された接続条件７を知識モデル２１に登録する（ステップＳ５８）。

熟練者ノウハウ登録ソルバ１４０は、以上の３段階の処理を基本パターンとして、当該分野の一定の技術領域を表現するために必要な因子４、因子４間の階層関係及び結合条件９、並びに因子４間の接続関係及び接続条件７の登録が完了するまで基本パターンを繰り返し実行する。これによって、当該分野の技術情報に係る知識モデル２１が構築される。

以上の通り、知識モデル構築システム１ａに係る熟練者ノウハウ登録ソルバ１４０は、入力を支援する画面によって熟練者の操作を促しながら、順次処理を進めることができるので、熟練者が自身の操作でノウハウを登録することが可能となる。従って、知識モデル構築システム１ａによれば、熟練者のノウハウが直接的に保存される仕組みを提供することができる。

以上、添付図面を参照しながら、本発明に係る知識モデル構築システム等の好適な実施形態について説明したが、本発明はかかる例に限定されない。当業者であれば、本願で開示した技術的思想の範疇内において、各種の変更例又は修正例に想到し得ることは明らかであり、それらについても当然に本発明の技術的範囲に属するものと了解される。

１………知識モデル構築システム
２………記憶装置
３………制御装置
４………因子
５………因子情報
６………接続情報
７………接続条件
８………結合情報
９………結合条件
１０………協約接続条件
１１………協約結合条件
１２………登録協約因子グループ
２１………知識モデル
２２………技術文書
２３………事例データ
２４………文書データ
２５………数値データ
３１………因子抽出手段
３２………関係性抽出手段
３３………相互関係情報生成手段
３４………因子間寄与度算出手段
３５………知識モデル格納手段
３６………知識構図生成手段
１００………文書データ解析ソルバ
１１０………数値データ解析ソルバ
１２０………寄与度解析ソルバ
１３０………知識構図生成ソルバ
１４０………熟練者ノウハウ登録ソルバ

Claims (14)

1. 当該分野の技術情報に係る知識を所定の形式で記述し、格納する知識モデルを構築する知識モデル構築システムであって、
   当該分野の技術情報の用語を前記知識モデル上の因子として抽出する因子抽出手段と、
   前記因子抽出手段によって抽出される前記因子の関係性を抽出する関係性抽出手段と、
   前記関係性抽出手段によって抽出される前記因子の関係性を定型化して前記因子の相互関係の情報を生成する相互関係情報生成手段と、
   前記関係性抽出手段によって抽出される前記因子の関係性、及び前記相互関係情報生成手段によって生成される前記因子の相互関係の情報に基づいて、前記因子の相互関係の強さを示す前記因子間の寄与度を算出する因子間寄与度算出手段と、
   前記因子抽出手段によって抽出される前記因子、前記関係性抽出手段によって抽出される前記因子の関係性、前記相互関係情報生成手段によって抽出される前記因子の相互関係の情報、及び前記因子間寄与度算出手段によって算出される前記因子間の寄与度を所定の形式に従って記述し、前記知識モデルに格納する知識モデル格納手段と、
   を備えることを特徴とする知識モデル構築システム。
2. 前記知識モデルは、前記因子がネットワーク形態で相互接続されることによって前記因子の関係性が表現され、前記因子の関係性が所定の形式に従って記述されることによって当該分野の技術情報に係る知識が形式知として格納される
   ことを特徴とする請求項１に記載の知識モデル構築システム。
3. ユーザとの対話処理によって当該分野の技術情報に係る知識を前記知識モデルに登録する登録手段、を更に具備し、
   前記登録手段は、
   キーワード入力を促す画面を表示し、当該分野の技術体系を表現するにあたっての技術情報のキーワードの入力を受け付け、
   入力される前記キーワードを前記因子として前記知識モデルに登録し、
   前記因子を束ねる操作を促す画面を表示し、関係がある前記因子同士を束ねる操作を受け付け、
   前記因子の階層関係指定を促す画面を表示し、束ねられる前記因子の間に階層関係を指定する操作を受け付け、
   前記因子の結合条件設定を促す画面を表示し、前記階層関係が指定される前記因子の間に結合条件を設定する操作を受け付け、
   指定される前記階層関係及び設定される前記結合条件を前記知識モデルに登録し、
   前記因子の接続関係指定を促す画面を表示し、登録されている前記因子について、当該分野の技術体系を表現する上で関係性が認められる前記因子の間に接続関係を指定する操作を受け付け、
   前記因子の接続条件設定を促す画面を表示し、接続関係が指定される前記因子の間に接続条件を設定する操作を受け付け、
   指定される前記接続関係及び設定される前記接続条件を前記知識モデルに登録する
   ことを特徴とする請求項１又は請求項２に記載の知識モデル構築システム。
4. 前記因子抽出手段は、文書データから成る当該分野の技術文書から、自然言語処理によって当該分野の技術情報のキーワードとなる技術用語を前記知識モデル上の前記因子として抽出する
   ことを特徴とする請求項１乃至請求項３のいずれか１項に記載の知識モデル構築システム。
5. 前記関係性抽出手段は、文書データから成る当該分野の技術文書から、自然言語処理によって前記因子の関係性を抽出し、個々の前記因子に対する関係因子を特定する
   ことを特徴とする請求項１乃至請求項４のいずれか１項に記載の知識モデル構築システム。
6. 前記関係性抽出手段によって抽出される前記因子の関係性に基づいて、前記因子を接続点として前記因子の相互関係をネットワーク形態で表現される知識構図を生成する知識構図生成手段、を更に含み、
   前記知識構図によって、知識の構造が視覚的に表現される
   ことを特徴とする請求項１乃至請求項５のいずれか１項に記載の知識モデル構築システム。
7. 前記相互関係情報生成手段は、文書データから成る当該分野の技術文書から、自然言語処理によって前記因子の相互関係の情報を生成する
   ことを特徴とする請求項１乃至請求項６のいずれか１項に記載の知識モデル構築システム。
8. 前記相互関係情報生成手段は、前記因子をパラメータとして収集される数値データを含む当該分野の事例データから、機械学習処理によって前記因子の相互関係の情報を生成する
   ことを特徴とする請求項１乃至請求項７のいずれか１項に記載の知識モデル構築システム。
9. 前記事例データは、当該分野における実際の企業活動からの事例として得られるデータである
   ことを特徴とする請求項８に記載の知識モデル構築システム。
10. 前記因子間寄与度算出手段は、前記因子の関係性及び前記因子の相互関係の情報に基づいて、周辺の前記因子によって構成される局部的な前記因子群、又は全ての因子によって構成される全体的な因子群に対して、機械学習処理によって前記因子間の相対的な寄与度を算出する
    ことを特徴とする請求項１乃至請求項９のいずれか１項に記載の知識モデル構築システム。
11. 前記因子間寄与度算出手段は、周辺の前記因子によって構成される局部的な前記因子群、又は全ての因子によって構成される全体的な因子群に対して、前記因子の相互関係の情報を論理式にて記述し、マルコフロジックネットワークを用いて、全ての前記論理式に重みを割り当てて、可能世界の確率を算出することによって、前記因子間の相対的な寄与度を算出する
    ことを特徴とする請求項１０に記載の知識モデル構築システム。
12. 前記因子間寄与度算出手段は、述語記号が含まれる前記論理式に対しては、引数のソートを定義し、前記引数で取りうるソートの１つだけで述語が真になるように前記可能世界を制限する
    ことを特徴とする請求項１１に記載の知識モデル構築システム。
13. 前記因子間寄与度算出手段は、前記可能世界を特定の個数サンプリングする
    ことを特徴とする請求項１１又は請求項１２に記載の知識モデル構築システム。
14. コンピュータが、当該分野の技術情報に係る知識を所定の形式で記述し、格納する知識モデルを構築する知識モデル構築方法であって、
    前記コンピュータが、
    当該分野の技術情報の用語を前記知識モデル上の因子として抽出し、
    抽出される前記因子の関係性を抽出し、
    抽出される前記因子の関係性を定型化して前記因子の相互関係の情報を生成し、
    抽出される前記因子の関係性、及び生成される前記因子の相互関係の情報に基づいて、前記因子の相互関係の強さを示す前記因子間の寄与度を算出し、
    抽出される前記因子、抽出される前記因子の関係性、抽出される前記因子の相互関係の情報、及び算出される前記因子間の寄与度を所定の形式に従って記述し、前記知識モデルに格納する
    ことを特徴とする知識モデル構築方法。

Images