JP2019125154A - 情報処理装置、会話データ処理方法及び情報処理システム - Google Patents

Abstract

【課題】少ない計算機リソースで自然言語による対話を実現し、自動応答装置の導入コストや運用コストを低減する。【解決手段】プロセッサと記憶部を有する情報処理装置であって、前記プロセッサは、前記会話データを受け付けて、前記プロセッサは、前記会話データから要点を抽出して、前記プロセッサは、抽出した前記要点を、不可逆な状態を許容して数列に変換する。【選択図】図４

Description

本発明は、自然言語を用いた自動応答装置に関する。

音声を用いて人間との対話を行う自動応答装置が普及しつつある。自動応答を行う技術として、特許文献１や非特許文献１が知られている。特許文献１では、音声認識結果の誤認識の傾向を予め分析しておくことにより、誤認識をルール化して、誤認識を正しく訂正する技術が開示されている。

特許文献１の技術では、ルール化されていない誤認識と問い合わせには対応できないので、非特許文献１のように、過去の会話などのビッグデータにディープラーニングを適用して自然言語による対話を実現する技術が知られている。

特開２００３−２６３１９０号公報

"りんな (人工知能)"、［online］、ウィキペディア、［平成29年11月22日検索］、インターネット〈 URL：https://ja.wikipedia.org/wiki/りんな_(人工知能)〉

上記非特許文献１では、ユーザーの問いかけに対して、返答候補をランク付けして回答することで、自然言語による対話を可能にしている。しかしながら、非特許文献１では、複雑な演算が必要であるため、ユーザーの問いかけに対して高速に応答するためには、大規模な計算機システムが必要となり、導入コストや運用コストが過大になる、という問題があった。

そこで、本発明は上記問題点に鑑みてなされたもので、少ない計算機リソースで自然言語による対話を実現し、自動応答装置の導入コストや運用コストを低減することを目的とする。

本発明は、プロセッサと記憶部を有する情報処理装置であって、前記プロセッサは、前記会話データを受け付けて、前記プロセッサは、前記会話データから要点を抽出して、前記プロセッサは、抽出した前記要点を、不可逆な状態を許容して数列に変換する。

したがって、本発明は、少ない計算機リソースで精度の高い自然言語により人間と対話することが可能となり、情報処理装置の導入コストや運用コストを低減できる。

本発明の実施例１を示し、自動応答装置の一例を示すブロック図である。 本発明の実施例１を示し、自動応答装置の機能の一例を示すブロック図である。 本発明の実施例１を示し、自動応答装置で行われる学習処理の一例を示すフローチャートである。 本発明の実施例１を示し、自動応答装置で行われる認識処理の一例を示すフローチャートの前半部である。 本発明の実施例１を示し、自動応答装置で行われる認識処理の一例を示すフローチャートの後半部である。 本発明の実施例１を示し、会話文−数列関連データベースの一例を示す図である。 本発明の実施例２を示し、自動応答システムの一例を示すブロック図である。 本発明の実施例３を示し、自動応答装置の一例を示すブロック図である。

以下、本発明の実施形態を添付図面に基づいて説明する。

図１は、本発明の実施例１を示し、自動応答装置１の一例を示すブロック図である。自動応答装置１は、ＣＰＵ１１と、メモリ１２と、ストレージ装置１３と、通信インタフェース１４と、利用者１００の音声を取得するマイク２１と、マイク２１のデータを受け付ける入力インタフェース１５と、利用者１００に音声で応答するスピーカ２０と、スピーカ２０を駆動する出力インタフェース１６を有する情報処理装置である。

メモリ１２は、音声認識部１１０と、音声合成部１１５と、学習器１２０と、判定器１３０と、会話文数列変換器１４０と、字句抽出器１５０と、抽出字句数値化部１６０と、文意分類器１７０と、抽出文意数値化部１８０と、ニューラルネットワーク（図中ＮＮ）２００を、プログラムとして格納する。

ＣＰＵ１１は、各機能部のプログラムに従って処理することによって、所定の機能を提供する機能部として稼働する。例えば、ＣＰＵ１１は、会話文数列変換プログラムに従って処理することで会話文数列変換器１４０として機能する。他のプログラムについても同様である。さらに、ＣＰＵ１１は、各プログラムが実行する複数の処理のそれぞれの機能を提供する機能部としても稼働する。計算機及び計算機システムは、これらの機能部を含む装置及びシステムである。

ストレージ装置１３は、各プログラムが利用するデータとして、会話文−数列関連データベース１４５と、字句辞書１６５と、文意辞書１８５と、会話履歴データベース１２５を格納する。

なお、本実施例１では、ニューラルネットワーク２００をソフトウェアで構成する例を示したが、ハードウェアで構成しても良い。また、通信インタフェース１４は、図示しないネットワークに接続される。

図２は、自動応答装置の機能の一例を示すブロック図である。学習器１２０は、学習フェーズで機能し、各機能部を利用してニューラルネットワーク２００にディープラーニング（深層学習）を実施させる。学習器１２０は、後述するように、ストレージ装置１３の会話履歴データベース１２５から会話データを取得して、各会話データを不可逆な数列（棋譜化データ）に変換して棋譜化を実施する。

学習器１２０は、棋譜化された数列（棋譜化データ）と会話データを関連付けて会話文−数列関連データベース１４５に登録する。さらに、学習器１２０は、棋譜化データをニューラルネットワーク２００へ入力してディープラーニングを実施させる。学習器１２０は、ニューラルネットワーク２００に会話のパターンを学習させる。

判定器１３０は、認識フェーズで機能し、各機能部を利用してディープラーニングが完了したニューラルネットワーク２００に会話データに対する応答を算出させる。判定器１３０は、後述するように、マイク２１で取得した会話に対する会話データを、不可逆な数列に変換して棋譜化データを生成し、この棋譜化データに対する応答をニューラルネットワーク２００で算出させる。

判定器１３０は、算出された棋譜化データに基づいて会話文−数列関連データベース１４５から応答するテキスト（応答データ）を取得して、音声合成部１１５で応答データを音声に変換して出力インタフェース１６を介してスピーカ２０から応答する。

音声認識部１１０は、マイク２１で取得した会話を認識してテキストに変換して会話データとして出力する。学習器１２０または判定器１３０は、入力された会話データを、字句抽出器１５０に入力する。

字句抽出器１５０は、入力された会話データから単語を抽出し、抽出字句数値化部１６０へ出力する。なお、会話データから単語を抽出する技術については、キーワード抽出などの周知または公知の技術を適用すれば良いので詳述はしない。

抽出字句数値化部１６０は、入力された単語に対応する数値を字句辞書１６５から検索する。字句辞書１６５は、単語に対応する数値が予め設定され、例えば、「カレー」＝１２３という数値が設定される。なお、字句辞書１６５は、単語と数値が１対１で対応するように設定される。抽出字句数値化部１６０は、入力された単語に対応する数値を会話文数列変換器１４０へ入力する。

次に、学習器１２０または判定器１３０は、入力された会話データを文意分類器１７０へ入力する。文意分類器１７０は、入力された会話データの文意を分類し、文意データを出力する。文意分類器１７０は、例えば、「カレーたべたくない？」という会話データを受け付けると、「食べる」という文意データを出力する。

文意分類器１７０としては、例えば、ＩＢＭ社の「ワトソン」（https://www.ibm.com/watson/jp-ja/what-is-watson.html）や、自然言語処理を用いたテキスト自動要約等の周知または公知の技術を適用すれば良いので詳述はしない。

抽出文意数値化部１８０は、入力された文意データに対応する数値を文意辞書１８５から検索する。文意辞書１８５は、文意データに対応する数値が予め設定され、例えば、「食べる」＝１という数値が設定される。なお、文意辞書１８５は、文意データと数値が１対１で対応するように設定される。抽出文意数値化部１８０は、入力された文意データに対応する数値を会話文数列変換器１４０へ入力する。

会話文数列変換器１４０は、単語の数値と文意データの数値から数列を生成して棋譜化データとし、棋譜化データと会話データのペアを会話文−数列関連データベース１４５へ登録する。

会話文数列変換器１４０は、例えば、将棋の棋譜「２、四、金」のように、会話データが「カレーたべたくない？」の場合、単語の数値＝１２３と文意データの数値＝１から数列（１２３、１）を生成して、棋譜化データとする。棋譜化データは、会話データの要点である単語と文意を抽出して数列化したもので、会話データの要点を示す不可逆な情報である。そして、会話文数列変換器１４０は、棋譜化データと会話データ＝「カレーたべたくない？」を関連付けて会話文−数列関連データベース１４５に登録する。

すなわち、本実施例の自動応答装置１は、複雑で冗長な表現を含む自然言語による会話から、要点（単語と文意）だけを抽出し、抽出した要点を不可逆な状態を許容して数列化して会話データを棋譜化データに変換する。変換された棋譜化データは（１２３、１）という数列であるので、元の「カレーたべたくない？」という会話データに対して不可逆である。

そして、会話文数列変換器１４０は、学習フェーズにおいて、棋譜化データと会話データの組合せを会話文−数列関連データベース１４５へ登録する。会話文−数列関連データベース１４５を参照することにより、元の会話データを復元するほどの情報量を含まない棋譜化データから、元の会話データのメッセージ１４５４を取得することができる。

次に、会話文数列変換器１４０は、棋譜化された数列をニューラルネットワーク２００へ入力してディープラーニングを実施させ、会話のパターンを学習算出させる。ニューラルネットワーク２００としては、棋譜を入力とする将棋や囲碁のディープラーニング技術等の周知または公知の技術を適用すれば良い。本実施例１の自動応答装置１では、会話データを棋譜化することで、将棋や囲碁のニューラルネットワーク２００を利用して自然言語を処理することが可能となる。

また、会話文数列変換器１４０は、認識フェーズにおいては、入力された会話データの棋譜化データをニューラルネットワーク２００へ入力して、会話データに対する応答（棋譜化データ）を算出させる。会話文数列変換器１４０は、ニューラルネットワーク２００が算出した棋譜化データ（数列）に対応する会話データを会話文−数列関連データベース１４５から検索し、応答データとして判定器１３０へ出力する。

判定器１３０は、応答データを音声合成部１１５で音声に変換して、出力インタフェース１６を介してスピーカ２０から出力する。

図６は、会話文−数列関連データベース１４５の一例を示す図である。会話文−数列関連データベース１４５は、会話を特定する識別子が格納される会話ＩＤ１４５１と、会話の先手と後手を特定する識別子が格納される会話順序１４５２と、単語の数値と文意データの数値からなる棋譜化データを格納する数列１４５３と、会話データが格納されるメッセージ１４５４をひとつのエントリに含む。

会話ＩＤ１４５１は、自動応答装置１が会話単位で付与する識別子である。会話順序１４５２は、利用者１００からの問いかけを先手、自動応答装置１からの応答を後手とする例を示す。

図３は、学習フェーズで行われる処理の一例を示すフローチャートである。自動応答装置１の学習器１２０は、ストレージ装置１３の会話履歴データベース１２５から過去の会話データを取得する（Ｓ１）。なお、本実施例１では、会話履歴データベース１２５には過去の会話をテキスト化した会話データが格納されているものとする。

次に、学習器１２０は、取得した過去の会話データを字句抽出器１５０へ入力して、会話データに含まれる単語を抽出する（Ｓ２）。学習器１２０は、抽出された単語を抽出字句数値化部１６０へ入力して、字句辞書１６５から単語に対応する数値を取得する（Ｓ３）。

次に、学習器１２０は、取得した過去の会話データを文意分類器１７０へ入力して、会話データの文意を分類し、文意データを取得する（Ｓ４）。学習器１２０は、文意データを抽出文意数値化部１８０へ入力して、文意辞書１８５から文意データに対応する数値を取得する（Ｓ５）。

学習器１２０は、単語の数値と文意データの数値と、会話データを会話文数列変換器１４０へ入力し、単語の数値と文意データの数値から数列を生成して棋譜化データとし、棋譜化データと会話データのペアを会話文−数列関連データベース１４５へ登録させる（Ｓ６）。

学習器１２０は、会話データの全てについて数列化（棋譜化）が完了したか否かを判定し（Ｓ７）、完了していなければ上記ステップＳ１へ戻って残りの会話データの処理を実施する。一方、数列化が完了した場合には、学習器１２０が数列をニューラルネットワーク２００へ入力してディープラーニングを実施させて、会話のパターンを学習させて自然言語による対話モデル（学習済みモデル）を生成する（Ｓ８）。

図４、図５は、認識フェーズで行われる処理（認識処理）の一例を示すフローチャートである。自動応答装置１の判定器１３０は、現在進行中の会話をマイク２１で取得して、音声認識部１１０でテキストに変換された会話データを受け付ける（Ｓ１１）。

ステップＳ１２〜Ｓ１８は、図３に示した学習フェーズの処理（学習処理）と同様であり、判定器１３０が処理の主体となる点が相違する。

判定器１３０は、上述のように、会話データから単語と文意を抽出して棋譜化データを生成し、棋譜化データと会話データとペアにして会話文−数列関連データベース１４５へ登録し、棋譜化データをニューラルネットワーク２００へ入力してディープラーニングを実施させて、会話のパターンを学習される。

判定器１３０は、棋譜化された数列をニューラルネットワーク２００（学習済みモデル）へ入力して、会話データに対する応答（数列）を算出させる（Ｓ１９）。次に、判定器１３０は、ニューラルネットワーク２００から取得した応答の数列（棋譜化データ）を、会話文数列変換器１４０へ入力して、数列に対応する会話データを応答データとして取得させる（Ｓ２０）。

判定器１３０は、会話文数列変換器１４０から応答データを取得すると、音声合成部１１５で音声に変換してスピーカ２０から応答する（Ｓ２１）。

上記処理により、利用者１００の発話＝「カレーたべたくない？」をマイク２１で取得すると、音声認識部１１０でテキストに変換された会話データから、まず単語＝「カレー」が抽出され、抽出字句数値化部１６０によって単語の数値が「１２３」と算出される。

次に、判定器１３０は、会話データを文意分類器１７０へ入力して文意＝「食べる」を取得し、この文意を抽出文意数値化部１８０へ入力して文意に対応する数値＝「１」を算出させる。

判定器１３０は、単語の数値＝「１２３」と文意の数値＝「１」から棋譜化された数列＝（１２３、１）を棋譜化データとして算出し、棋譜化データと会話データ＝「カレーたべたくない？」とペアにして会話文−数列関連データベース１４５に登録する。そして、棋譜化データをニューラルネットワーク２００へ入力してディープラーニングを実施させ、会話のパターンを学習させる。

次に、判定器１３０は、棋譜化された数列＝（１２３、１）をニューラルネットワーク２００へ入力して、会話データに対する応答を算出させる。ニューラルネットワーク２００は（１２３、１）という問いかけに対して（４５、５）という数列（棋譜化データ）を応答として算出する。

判定器１３０は、数列＝（４５、５）を会話文数列変換器１４０へ入力して、会話文−数列関連データベース１４５の数列１４５３と一致するメッセージ１４５４を検索させる。本実施例１では、判定器１３０は会話文数列変換器１４０から問いかけに対応するメッセージ＝「いいね、カレー屋に行くかい？」を応答データとして取得し、音声合成部１１５で音声に変換してスピーカ２０から出力する。

以上のように、本実施例１では、自動応答装置１が、会話データから単語＝「カレー」と文意＝「食べる」を抽出して、「カレーたべたくない？」に対して不可逆な状態として、棋譜化を行って単語と文意を数列化する。そして、数列化した棋譜化データと会話データをペアにして会話文−数列関連データベース１４５へ登録する。

そして、自動応答装置１は、棋譜化された数列を将棋や囲碁のディープラーニングを実施するニューラルネットワーク２００へ入力することで、自然言語による会話のパターンの学習を実現することが可能となる。

認識フェーズでは、判定器１３０が、入力された問いかけの会話データを棋譜化データに変換して、棋譜化データをニューラルネットワーク２００へ入力して、棋譜化された数列に対応する応答を算出させる。

そして、判定器１３０は、ニューラルネットワーク２００が出力した数列に対応する応答データを会話文−数列関連データベース１４５のメッセージ１４５４から取得し、音声合成部１１５で音声に変換してスピーカ２０から応答する。

このように、自動応答装置１は、自然言語を棋譜化した数列として扱うことで、少ない計算機リソースで自然言語による対話を実現し、自動応答装置の導入コストや運用コストを低減することが可能となる。

なお、図４では、認識フェーズでニューラルネットワーク２００による学習（Ｓ１８）を行う例を示したが、ステップＳ１８を省略しても良い。

また、上記実施例１では、ひとつの会話データから、ひとつの単語を抽出する例を示したが、複数の単語を抽出してもよい。また、ひとつの会話データから抽出する単語は、会話データを代表する単語が望ましく、例えば、会話データの要約に含まれる単語である。

また、上記実施例１では、会話文−数列関連データベース１４５をストレージ装置１３に格納する例を示したが、メモリ１２へ格納してもよく、メモリ１２とストレージ装置１３が提供する記憶領域（記憶部）に格納すれば良い。

図７は、本発明の実施例２を示し、自動応答システム（情報処理システム）の一例を示すブロック図である。本実施例２では、前記自動応答装置１の処理負荷を低減するために、ネットワーク６を介して提供されるサービスを利用する例を示す。

本実施例２の自動応答装置１は、前記実施例１の字句抽出器１５０と、抽出字句数値化部１６０と、文意分類器１７０と、抽出文意数値化部１８０と、ニューラルネットワーク（図中ＮＮ）２００と、会話文−数列関連データベース１４５と、字句辞書１６５と、文意辞書１８５と、会話履歴データベース１２５を外部の装置に移動したもので、その他の構成は前記実施例１と同様である。

本実施例２の自動応答システムは、自動応答装置１がネットワーク６に接続された各サーバのサービスを利用して自然言語による会話を実施する。ネットワーク６には、字句抽出サーバ２と、文意抽出サーバ３と、ＤＢサーバ４と、ＮＮサーバ５が接続される。

字句抽出サーバ２は、前記実施例１に示した字句抽出器１５０と抽出字句数値化部１６０と字句辞書１６５を有する。字句抽出サーバ２は、会話データを入力として、会話データに含まれる単語に対応する数値を出力する。

文意抽出サーバ３は、前記実施例１に示した文意分類器１７０と抽出文意数値化部１８０と文意辞書１８５を有する。文意抽出サーバ３は、会話データを入力として、会話データの文意に対応する数値を出力する。

ＤＢサーバ４は、前記実施例１に示した会話文−数列関連データベース１４５と会話履歴ＤＢ１２５を有する。ＮＮサーバ５は、前記実施例１に示したニューラルネットワーク２００を有する。

自動応答装置１は、会話データが入力されると、会話データを字句抽出サーバ２へ送信して単語の数値を取得する。また、自動応答装置１は会話データを文意抽出サーバ３へ送信して文意の数値を取得する。

自動応答装置１の会話文数列変換器１４０は、単語の数値と文意の数値から棋譜化された数列を棋譜化データとして算出し、棋譜化データと会話データをペアにしてＤＢサーバ４へ送信し、会話文−数列関連データベース１４５に登録させる。

次に、自動応答装置１は、棋譜化された数列をＮＮサーバ５へ送信し、ディープラーニングで会話のパターンを学習させる。また、自動応答装置１は、棋譜化された数列をＮＮサーバ５へ送信し、この数列に対応する応答の数列を算出させる。自動応答装置１の会話文数列変換器１４０は、ＮＮサーバ５から応答の数列を受信すると、当該応答の数列をＤＢサーバ４の会話文−数列関連データベース１４５に問い合わせて、当該数列に対応するメッセージ１４５４を応答データとして取得する。

そして、自動応答装置１は、応答データを音声合成部１１５で音声に変換してスピーカ２０から出力する。

以上のように、本実施例２の自動応答システムは、自動応答装置１がネットワーク６に接続された各サーバの各サービスを利用することで、少ない計算機リソースで自然言語による対話を実現し、自動応答装置の導入コストや運用コストを低減することが可能となる。

なお、上記実施例２では、字句抽出サーバ２と、文意抽出サーバ３と、ＤＢサーバ４と、ＮＮサーバ５の４つのサーバに機能を分散させる例を示したが、これらの字句抽出サーバ２〜ＮＮサーバ５の４つのサーバの機能をひとつにまとめて、第２の情報処理装置として機能させてもよい。

図８は、本発明の実施例３を示し、自動応答装置１の一例を示すブロック図である。本実施例３では、前記実施例１に示した、マイク２１、スピーカ２０、音声認識部１１０及び音声合成部１１５を省略して、テキストによる対話を行う例を示す。その他の構成は、前記実施例１と同様である。

自動応答装置１は、ネットワーク６を介して利用者端末１０１に接続される。利用者端末１０１では、テキストで通信を行うアプリケーションが実行されて、自動応答装置１とテキストによる対話を実施する。

利用者端末１０１から送信されたテキストによる会話データは自動応答装置１の判定器１３０に入力され、前記実施例１と同様に字句と文章の数列化が実施され、数列に対応する応答データがテキストで出力される。利用者端末１０１は、自動応答装置１からの応答データを受信して表示することで、テキストによる対話を実現することができる。

実施例３では、前記実施例１と同様に、自動応答装置１が自然言語を棋譜化した数列として扱うことで、少ない計算機リソースで自然言語による対話を実現し、自動応答装置の導入コストや運用コストを低減することが可能となる。

なお、本発明は上記した実施例に限定されるものではなく、様々な変形例が含まれる。例えば、上記した実施例は本発明を分かりやすく説明するために詳細に記載したものであり、必ずしも説明した全ての構成を備えるものに限定されるものではない。また、ある実施例の構成の一部を他の実施例の構成に置き換えることが可能であり、また、ある実施例の構成に他の実施例の構成を加えることも可能である。また、各実施例の構成の一部について、他の構成の追加、削除、又は置換のいずれもが、単独で、又は組み合わせても適用可能である。

また、上記の各構成、機能、処理部、及び処理手段等は、それらの一部又は全部を、例えば集積回路で設計する等によりハードウェアで実現してもよい。また、上記の各構成、及び機能等は、プロセッサがそれぞれの機能を実現するプログラムを解釈し、実行することによりソフトウェアで実現してもよい。各機能を実現するプログラム、テーブル、ファイル等の情報は、メモリや、ハードディスク、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）等の記録装置、または、ＩＣカード、ＳＤカード、ＤＶＤ等の記録媒体に置くことができる。

また、制御線や情報線は説明上必要と考えられるものを示しており、製品上必ずしも全ての制御線や情報線を示しているとは限らない。実際には殆ど全ての構成が相互に接続されていると考えてもよい。

１ 自動応答装置
１１ ＣＰＵ
１２ メモリ
１３ ストレージ装置
２０ スピーカ
２１ マイク
１１０ 音声認識部
１１５ 音声合成部
１２０ 学習器
１２５ 会話履歴データベース
１３０ 判定器
１４０ 会話文数列変換器
１５０ 字句抽出器
１６０ 抽出字句数値化部
１６５ 字句辞書
１７０ 文意分類器
１８０ 抽出文意数値化部
１８５ 文意辞書
２００ ニューラルネットワーク

Claims (15)

1. プロセッサと記憶部を有する情報処理装置であって、
   前記プロセッサは、会話データを受け付けて、
   前記プロセッサは、前記会話データから要点を抽出して、
   前記プロセッサは、抽出した前記要点を、不可逆な状態を許容して数列に変換することを特徴とする情報処理装置。
2. 請求項１に記載の情報処理装置であって、
   前記要点は、会話データの単語と文意を含み、
   前記プロセッサは、前記数列と前記会話データを対応付けて会話文数列関連情報へ格納することを特徴とする情報処理装置。
3. 請求項１に記載の情報処理装置であって、
   前記プロセッサは、前記数列をニューラルネットワークで深層学習を実施して、会話のパターンを学習することを特徴とする情報処理装置。
4. 請求項３に記載の情報処理装置であって、
   前記プロセッサは、前記数列を前記ニューラルネットワークへ入力して、前記会話データに対する応答を数列として算出することを特徴とする情報処理装置。
5. 請求項２に記載の情報処理装置であって、
   前記プロセッサは、前記数列をニューラルネットワークで深層学習を実施して、会話のパターンを学習し、
   前記プロセッサは、前記受け付けた会話データを前記ニューラルネットワークへ入力して、前記会話データの応答に対応する数列を算出し、
   前記プロセッサは、前記算出された前記数列に対応する前記会話データを前記会話文数列関連情報から取得して、当該会話データを応答データとして出力することを特徴とする情報処理装置。
6. プロセッサと記憶部を有する情報処理装置で、受け付けた会話データを処理する会話データ処理方法であって、
   前記情報処理装置が、前記会話データを受け付ける第１のステップと、
   前記情報処理装置が、前記会話データから要点を抽出する第２のステップと、
   前記情報処理装置が、抽出した前記要点を、不可逆な状態を許容して数列に変換する第３のステップと、
   を含むことを特徴とする会話データ処理方法。
7. 請求項６に記載の会話データ処理方法であって、
   前記要点は、会話データの単語と文意を含み、
   前記情報処理装置が、前記数列と前記会話データを対応付けて会話文数列関連情報へ格納する第４のステップを、
   さらに含むことを特徴とする会話データ処理方法。
8. 請求項６に記載の会話データ処理方法であって、
   前記情報処理装置が、前記数列をニューラルネットワークで深層学習を実施して、会話のパターンを学習する第５のステップを、
   さらに含むことを特徴とする会話データ処理方法。
9. 請求項８に記載の会話データ処理方法であって、
   前記情報処理装置が、前記数列を前記ニューラルネットワークへ入力して、前記会話データに対する応答を数列として算出する第６のステップを、
   さらに含むことを特徴とする会話データ処理方法。
10. 請求項７に記載の会話データ処理方法であって、
    前記情報処理装置が、前記数列をニューラルネットワークで深層学習を実施して、会話のパターンを学習する第５のステップと、
    前記情報処理装置が、前記数列を前記ニューラルネットワークへ入力して、前記会話データの応答に対する数列を算出する第６のステップと、
    前記情報処理装置が、前記算出された前記数列に対応する前記会話データを前記会話文数列関連情報から取得して、当該会話データを応答データとして出力する第７のステップと、をさらに含むことを特徴とする会話データ処理方法。
11. プロセッサと記憶部を有する第１の情報処理装置と、
    ネットワークを介して前記第１の情報処理装置に接続された第２の情報処理装置と、を有する情報処理システムであって、
    前記第１の情報処理装置は、会話データを受け付けて、前記会話データを前記第２の情報処理装置へ送信し、
    前記第２の情報処理装置は、前記会話データから要点を抽出して、前記要点に対応する数値を算出し、当該数値を前記第１の情報処理装置へ送信し、
    前記第１の情報処理装置は、受信した前記数値を、不可逆な状態を許容して数列に変換することを特徴とする情報処理システム。
12. 請求項１１に記載の情報処理システムであって、
    前記要点は、会話データの単語と文意を含み、
    前記第１の情報処理装置は、前記数列と前記会話データを前記第２の情報処理装置へ送信し、
    前記第２の情報処理装置は、前記数列と前記会話データを対応付けて会話文数列関連情報へ格納することを特徴とする情報処理システム。
13. 請求項１１に記載の情報処理システムであって、
    前記第１の情報処理装置は、前記数列を前記第２の情報処理装置へ送信し、
    前記第２の情報処理装置は、前記数列をニューラルネットワークへ入力して深層学習を実施して、会話のパターンを学習することを特徴とする情報処理システム。
14. 請求項１３に記載の情報処理システムであって、
    前記第１の情報処理装置は、前記数列を前記第２の情報処理装置へ送信し、
    前記第２の情報処理装置は、前記受信した数列を前記ニューラルネットワークへ入力して、前記会話データに対する応答を数列として算出することを特徴とする情報処理システム。
15. 請求項１２に記載の情報処理システムであって、
    前記第１の情報処理装置は、前記数列を前記第２の情報処理装置へ送信し、
    前記第２の情報処理装置は、前記数列をニューラルネットワークへ入力して深層学習を実施して、会話のパターンを学習し、
    前記第２の情報処理装置は、前記数列を前記ニューラルネットワークへ入力して、前記会話データに対する応答を数列として算出し、前記応答に対応する数列前記第１の情報処理装置へ送信し、
    前記第１の情報処理装置は、受信した数列に対応する前記会話データを前記第２の情報処理装置の前記会話文数列関連情報から取得して、当該会話データを応答データとして出力することを特徴とする情報処理システム。

Images