JP2020144771A - Posting management system, posting management server, and posting management program - Google Patents
Posting management system, posting management server, and posting management program Download PDFInfo
- Publication number
- JP2020144771A JP2020144771A JP2019042619A JP2019042619A JP2020144771A JP 2020144771 A JP2020144771 A JP 2020144771A JP 2019042619 A JP2019042619 A JP 2019042619A JP 2019042619 A JP2019042619 A JP 2019042619A JP 2020144771 A JP2020144771 A JP 2020144771A
- Authority
- JP
- Japan
- Prior art keywords
- post
- management system
- post management
- management server
- data
- 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.)
- Pending
Links
- 238000006243 chemical reaction Methods 0.000 claims abstract description 56
- 238000010801 machine learning Methods 0.000 claims description 8
- 230000004044 response Effects 0.000 claims description 7
- 239000000284 extract Substances 0.000 claims description 6
- 238000000034 method Methods 0.000 claims description 5
- 230000000877 morphologic effect Effects 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 12
- 230000008520 organization Effects 0.000 description 10
- 238000012545 processing Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 239000000203 mixture Substances 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000021615 conjugation Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000010079 rubber tapping Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Abstract
Description
本発明は、組織構成員による投稿を管理する投稿管理システム、投稿管理サーバ、及び投稿管理プログラムに関する。 The present invention relates to a post management system, a post management server, and a post management program that manage posts by organizational members.
近年、組織構成員の日々の貢献に対して付与される「ピア・ボーナス」が注目されている。ピア・ボーナスとは、組織構成員が互いの仕事に対して相互に付与する報酬（成果給）である。Ｆｒｉｎｇｅ８１株式会社は、ピア・ボーナスの導入するためのシステムである「Ｕｎｉｐｏｓ」を、ＳａａＳ（Software as a Service）として２０１７年から提供している。 In recent years, attention has been paid to the "peer bonus" given to the daily contributions of organizational members. A peer bonus is a reward (performance salary) given to each other by members of an organization for each other's work. Fringe81 Co., Ltd. has been providing "Unipos", a system for introducing peer bonuses, as SaaS (Software as a Service) since 2017.
Ｕｎｉｐｏｓは、ピア・ボーナスを同僚等の組織構成員に与えるために、所定数のポイントを各組織構成員に支給する。このポイントは所定期間の間に同僚等に与えなければならない。各組織構成員は、Ｕｎｉｐｏｓの利用者がログインするウェブページまたはスマートフォンやパーソナルコンピュータ（ＰＣ）にインストールされた投稿管理プログラム（チャットアプリ）を用いて、仕事上協力してもらった同僚等に対し賞賛コメントを送信するとともに、ポイントを付与することができる。また、賞賛コメントは、組織内の第三者も閲覧可能であり、第三者は拍手機能を用いて賞賛コメントに賛同することにより、コメントを投稿した人と、コメントが投稿された人との両方にポイントが与えられる。そして、個々の組織構成員が一定期間の間に得たポイントの合計値に基づき、各組織構成員に対して現金等のピア・ボーナスが支給される。 Unipos pays a predetermined number of points to each member of the organization in order to give a peer bonus to the members of the organization such as colleagues. This point must be given to colleagues, etc. during the prescribed period. Each member of the organization praises colleagues who cooperated in their work by using the web page where Unipos users log in or the post management program (chat app) installed on their smartphones or personal computers (PCs). You can send comments and give points. In addition, the praise comment can be viewed by a third party in the organization, and the third party uses the applause function to agree with the praise comment so that the person who posted the comment and the person who posted the comment Points are awarded to both. Then, based on the total value of points earned by each organization member during a certain period, a peer bonus such as cash is paid to each organization member.
Ｕｎｉｐｏｓ等、従来の投稿管理システムにおいてピア・ボーナスのポイントが与えられる際、投稿に対する賞賛コメント及び拍手に対して付与されたポイントの合計値を、各組織構成員の組織への貢献度や、組織との間のエンゲージメントとして評価して、ピア・ボーナスが支給されていた。しかしながら、ある投稿に対して拍手等の肯定的反応が少ない初期の段階から、将来、拍手等の肯定的反応が多くなるか否かは、予測できなかった。 When peer bonus points are given in a conventional post management system such as Unipos, the total value of the points given for praise comments and applause for posts is used as the contribution of each organization member to the organization and the organization. A peer bonus was paid in recognition of the engagement with. However, it was not possible to predict whether or not there will be more positive reactions such as applause in the future from the initial stage when there are few positive reactions such as applause for a certain post.
そこで、本発明は、肯定的反応が多くなる可能性がある投稿を予測することができる、投稿管理システム、投稿管理サーバ、及び投稿管理プログラムの提供を目的とする。 Therefore, an object of the present invention is to provide a post management system, a post management server, and a post management program that can predict posts that may have many positive reactions.
本発明の各態様は次の通りである。
（態様１）
投稿管理サーバと、前記投稿管理サーバに通信可能に接続された複数の端末装置とから構成される投稿管理システムであって、
前記複数の端末装置のそれぞれは、前記投稿管理サーバから投稿データを受信し、前記投稿データに対する肯定的反応を前記投稿管理サーバに送信するように構成され、
前記投稿管理サーバは、前記投稿データ及び前記肯定的反応を保存するデータベースと、前記投稿データに含まれる文章に基づき、前記投稿データに対する将来の肯定的反応を予測する予測部とを備え、
前記投稿管理サーバは、予測された前記将来の肯定的反応に基づき、複数の投稿データを選択し、前記複数の投稿データを優先的に表示するように前記端末装置に指示する、投稿管理システム。
Each aspect of the present invention is as follows.
(Aspect 1)
A post management system composed of a post management server and a plurality of terminal devices communicatively connected to the post management server.
Each of the plurality of terminal devices is configured to receive post data from the post management server and transmit a positive reaction to the post data to the post management server.
The post management server includes a database that stores the post data and the positive reaction, and a prediction unit that predicts a future positive reaction to the post data based on the text contained in the post data.
The post management server is a post management system that selects a plurality of post data based on the predicted positive reaction in the future and instructs the terminal device to preferentially display the plurality of post data.
（態様２）
態様１に記載の投稿管理システムであって、
前記予測部は、前記投稿データに含まれる文章を解析して、前記投稿データの特徴量を生成し、前記特徴量に基づき、前記投稿データに対する将来の肯定的反応を予測する、投稿管理システム。
（態様３）
態様２に記載の投稿管理システムであって、
前記予測部は、前記文章に対して形態素解析を実行して得た複数の単語から前記特徴量を生成する、投稿管理システム。
(Aspect 2)
The post management system according to the first aspect.
The prediction unit is a posting management system that analyzes sentences included in the posted data, generates a feature amount of the posted data, and predicts a future positive reaction to the posted data based on the feature amount.
(Aspect 3)
The post management system according to the second aspect.
The prediction unit is a posting management system that generates the feature amount from a plurality of words obtained by performing morphological analysis on the sentence.
（態様４）
態様２〜３のいずれか一項に記載の投稿管理システムであって、
前記予測部は、過去の所定期間における、前記特徴量及び前記肯定的反応に基づき、前記将来の肯定的反応の数を予測する、投稿管理システム。
（態様５）
態様１〜４のいずれか一項に記載の投稿管理システムであって、
前記予測部は、機械学習を実行して前記将来の肯定的反応の数を生成する、投稿管理システム。
（態様６）
態様５に記載の投稿管理システムであって、
前記機械学習は、前記特徴量を入力、前記肯定的反応を教師信号とする教師あり学習手法である、投稿管理システム。
(Aspect 4)
The post management system according to any one of aspects 2 to 3.
The prediction unit is a posting management system that predicts the number of future positive reactions based on the feature amount and the positive reactions in the past predetermined period.
(Aspect 5)
The post management system according to any one of aspects 1 to 4.
The prediction unit is a post management system that executes machine learning to generate the number of positive reactions in the future.
(Aspect 6)
The post management system according to the fifth aspect.
The machine learning is a post management system, which is a supervised learning method in which the feature amount is input and the positive reaction is used as a teacher signal.
（態様７）
態様１〜６のいずれか一項に記載の投稿管理システムであって、
前記将来の肯定的反応の数は、予測時点より前の過去時点から前記予測時点より後の将来時点までの間に予測される肯定的反応の数である、投稿管理システム。
（態様８）
態様７に記載の投稿管理システムであって、
前記データベースは、前記過去時点から前記予測時点までに現実に入力された現実の肯定的反応の数を保存し、
前記予測部は、前記将来の肯定的反応の数及び前記現実の肯定的反応の数から優先表示スコアを生成する、投稿管理システム。
（態様９）
態様８に記載の投稿管理システムであって、
前記予測部は、前記将来の肯定的反応の数及び前記現実の肯定的反応の数の差分から前記優先表示スコアを生成する、投稿管理システム。
（態様１０）
態様８又は９に記載の投稿管理システムであって、
前記予測部は、前記優先表示スコアに基づき、前記複数の投稿を選択する、投稿管理システム。
(Aspect 7)
The post management system according to any one of aspects 1 to 6.
The number of positive reactions in the future is the number of positive reactions predicted between the past time point before the prediction time point and the future time point after the prediction time point.
(Aspect 8)
The post management system according to the seventh aspect.
The database stores the number of real positive reactions actually entered between the past time point and the prediction time point.
The prediction unit is a post management system that generates a priority display score from the number of future positive reactions and the number of actual positive reactions.
(Aspect 9)
The post management system according to the eighth aspect.
The prediction unit is a post management system that generates the priority display score from the difference between the number of future positive reactions and the number of actual positive reactions.
(Aspect 10)
The post management system according to aspect 8 or 9.
The prediction unit is a post management system that selects the plurality of posts based on the priority display score.
（態様１１）
態様１０に記載の投稿管理システムであって、
前記予測部は、前記優先表示スコアが高い複数の投稿を選択する、投稿管理システム。
（態様１２）
態様１０又は１１に記載の投稿管理システムであって、
前記投稿管理サーバは、前記複数の投稿を前記端末装置に送信する、投稿管理システム。
（態様１３）
態様９〜１２のいずれか一項に記載の投稿管理システムであって、
前記予測部は、各投稿者アカウント毎に、過去の所定期間に受け取った投稿のそれぞれに対して、前記優先表示スコアを生成する、投稿管理システム。
（態様１４）
態様１２に記載の投稿管理システムであって、
前記予測部は、各投稿者アカウント毎に、前記優先表示スコアの平均値を算出し、平均値の高い順に所定数の投稿者アカウントを抽出して、前記所定数の投稿者アカウントを前記端末装置に送信する、投稿管理システム。
(Aspect 11)
The post management system according to aspect 10.
The prediction unit is a post management system that selects a plurality of posts having a high priority display score.
(Aspect 12)
The post management system according to aspect 10 or 11.
The post management server is a post management system that transmits the plurality of posts to the terminal device.
(Aspect 13)
The post management system according to any one of aspects 9 to 12.
The prediction unit is a post management system that generates the priority display score for each of the posts received in the past predetermined period for each poster account.
(Aspect 14)
The post management system according to aspect 12,
The prediction unit calculates the average value of the priority display score for each contributor account, extracts a predetermined number of contributor accounts in descending order of the average value, and uses the predetermined number of contributor accounts as the terminal device. Post management system to send to.
（態様１５）
態様１２に記載の投稿管理システムであって、
前記予測部は、前記優先表示スコアの高い投稿を抽出し、前記優先表示スコアの高い投稿をした第１の投稿者アカウントがした、前記優先表示スコアの高い第１の投稿とは異なる第２の投稿に対して、第２の投稿者アカウントが前記肯定的反応を送信しており、前記第１の投稿に対して前記第１の投稿者アカウントから前記肯定的反応を送信していない場合、前記第２の投稿者アカウントに対して、前記第１の投稿に対して前記肯定的反応を送信するよう通知する、投稿管理システム。
(Aspect 15)
The post management system according to aspect 12,
The prediction unit extracts posts with a high priority display score, and a second post different from the first post with a high priority display score made by the first poster account that made the post with a high priority display score. If the second contributor account has sent the positive response to the post and the first contributor account has not sent the positive response to the first post, A post management system that notifies a second contributor account to send the positive response to the first post.
（態様１６）
複数の端末装置と通信可能に接続された投稿管理サーバであって、
前記投稿管理サーバは、複数の端末装置のそれぞれから、投稿データ、及び前記投稿データに対する肯定的反応を受信するように構成され、
前記投稿管理サーバは、前記投稿データ及び前記肯定的反応を保存するデータベースと、前記投稿データに含まれる文章に基づき前記投稿データに対する将来の肯定的反応を予測する予測部とを備え、
前記投稿管理サーバは、予測された前記将来の肯定的反応に基づき、複数の投稿データを選択し、前記複数の投稿データを優先的に表示するように前記端末装置に指示する、投稿管理サーバ。
(Aspect 16)
A post management server that is connected to multiple terminal devices so that it can communicate with each other.
The post management server is configured to receive post data and a positive reaction to the post data from each of the plurality of terminal devices.
The post management server includes a database that stores the post data and the positive reaction, and a prediction unit that predicts a future positive reaction to the post data based on the text contained in the post data.
The post management server is a post management server that selects a plurality of post data based on the predicted positive reaction in the future and instructs the terminal device to preferentially display the plurality of post data.
（態様１７）
態様１６の投稿管理サーバと通信可能に接続された端末装置において実行される投稿管理プログラムであって、
前記投稿管理プログラムは、前記投稿管理サーバから投稿データを受信し、前記投稿データに対する肯定的反応を前記投稿管理サーバに送信するように構成され、
前記投稿管理プログラムは、前記投稿管理サーバが予測した将来の肯定的反応に基づいて抽出された複数の投稿データを前記端末装置に優先的に表示する、投稿管理プログラム。
(Aspect 17)
A post management program executed in a terminal device communicatively connected to the post management server of aspect 16.
The post management program is configured to receive post data from the post management server and send a positive reaction to the post data to the post management server.
The post management program is a post management program that preferentially displays a plurality of post data extracted based on a future positive reaction predicted by the post management server on the terminal device.
本発明の投稿管理システム、投稿管理サーバ、及び投稿管理プログラムは、肯定的反応が多くなる可能性がある複数の投稿データを予測し、複数の投稿データを端末装置に優先的に表示することができるため、予測された複数の投稿データの注目度が向上し、投稿者間の交流を活発化することができる。 The post management system, the post management server, and the post management program of the present invention can predict a plurality of post data that may have many positive reactions and preferentially display the plurality of post data on the terminal device. Therefore, the degree of attention of the predicted plurality of posted data can be improved, and the interaction between the posters can be activated.
本発明の投稿管理システム、投稿管理サーバ、及び投稿管理プログラムに関する実施形態を、図面を参照して説明する。なお、各図において対応する部分は、同じ符号を付して説明は適宜省略する。 An embodiment of the post management system, the post management server, and the post management program of the present invention will be described with reference to the drawings. The corresponding parts in each figure are designated by the same reference numerals, and the description thereof will be omitted as appropriate.
［概要］
本発明の実施形態の投稿管理システムは、投稿に関するモデル学習モジュール（予測部）を備える。投稿管理システムは、このモデル学習モジュールを用いて、投稿に対する感謝等の肯定的反応のパターンを学習して、この学習に基づき予測した予測拍手数（予測肯定的反応数）を用いて、予測拍手数が高いユーザアカウント（投稿者アカウント）のカード投稿（投稿データ）を優先的に複数の端末装置に表示する。
[Overview]
The post management system according to the embodiment of the present invention includes a model learning module (prediction unit) for posting. The post management system uses this model learning module to learn patterns of positive reactions such as appreciation for posts, and uses the predicted number of applause predicted based on this learning (predicted positive reaction number) to predict the applause. Card posts (posted data) of a large number of user accounts (poster accounts) are preferentially displayed on multiple terminal devices.
［ネットワーク構成］
本実施形態の投稿管理システム１０００のネットワーク構成を図１に示す。投稿管理システム１０００は、投稿配信サーバ（投稿管理サーバ）１００と、投稿配信サーバ１００にネットワーク２００を介して接続される複数の端末装置３００（３００Ａ、３００Ｂ）とから構成される。複数の端末装置３００は、スマートフォンやタブレット端末等のモバイル端末装置３００Ａ、またはパーソナルコンピュータ（ＰＣ）３００Ｂといった、サーバ１００と通信可能な任意の端末装置とすることができる。
[Network Configuration]
FIG. 1 shows the network configuration of the post management system 1000 of this embodiment. The post management system 1000 is composed of a post distribution server (post management server) 100 and a plurality of terminal devices 300 (300A, 300B) connected to the post distribution server 100 via a network 200. The plurality of terminal devices 300 can be any terminal device capable of communicating with the server 100, such as a mobile terminal device 300A such as a smartphone or a tablet terminal, or a personal computer (PC) 300B.
［システムのブロック図］
図１の投稿管理システム１０００のブロック図を図１に示す。投稿配信サーバ１００は、端末装置３００との間で投稿に関する通信を行う通信部１１０と、端末装置３００から受信した投稿ログ等を保存するデータベース１３０と、投稿ログ等の処理を制御する制御部１２０と、予測拍手数を予測するモデル学習モジュール１２２とを備えている。端末装置３００は、投稿配信サーバ１００と通信する通信部３１０と、投稿や拍手等を管理又は制御するとともにポイントを付与する投稿管理アプリ（投稿管理プログラム）３２０とを備えている。投稿モデル学習モジュール１２２は、後述するように、カード投稿から算出された特徴量と、当該カード投稿に対する拍手等の肯定的反応の発生パターンとの関係を学習して、この学習に基づき予測拍手数を生成する。なお、投稿配信サーバ１００は、単一のサーバとして構成するか、又はクラウドサーバとして構成してもよい。
[System block diagram]
A block diagram of the post management system 1000 of FIG. 1 is shown in FIG. The post distribution server 100 includes a communication unit 110 that communicates with the terminal device 300 regarding posting, a database 130 that stores a post log or the like received from the terminal device 300, and a control unit 120 that controls processing of the post log or the like. And a model learning module 122 that predicts the predicted number of applause. The terminal device 300 includes a communication unit 310 that communicates with the post distribution server 100, and a post management application (post management program) 320 that manages or controls posts, applause, and the like and gives points. As will be described later, the posting model learning module 122 learns the relationship between the feature amount calculated from the card posting and the occurrence pattern of a positive reaction such as applause for the card posting, and the predicted number of applause based on this learning. To generate. The post distribution server 100 may be configured as a single server or as a cloud server.
［データ処理のフローチャート］
本実施形態の投稿管理システム１０００におけるデータ処理を、図３のフローチャートに示す。ステップＳ３０１で、端末装置３００は、投稿配信サーバ２００にカード投稿及び拍手のログを送信する。ステップＳ３０２で、投稿配信サーバ１００は、通信部１１０を介して複数の端末装置３００からのカード投稿及び拍手のログを受信する。ステップＳ３０３で、投稿配信サーバ１００の制御部１２０は、受信した複数の投稿及び拍手のログをデータベース１３０に保存する。ステップＳ３０４で、モデル学習モジュール１２２は、データベース１３０から取り込んだカード投稿及び／又は拍手数に基づき、後述するサイレントヒーロースコア（ＳＨＳ）を予測又は生成する。なお、ＳＨＳは、特許請求の範囲の優先表示スコアに対応する。ステップＳ３０５で、制御部１２０は、データベース１３０にＳＨＳを保存する。ステップＳ３０６で、制御部１２０は、データベース１３０からＳＨＳを反映した投稿ログを作成し、これを複数の端末装置３００に送信する。ステップＳ３０７で、それぞれの端末装置３００は、投稿配信サーバ１００からＳＨＳを反映した投稿ログを受信し、これを投稿管理アプリ３２０を用いて端末装置のディスプレイに表示する。
[Flowchart of data processing]
The data processing in the post management system 1000 of this embodiment is shown in the flowchart of FIG. In step S301, the terminal device 300 transmits a card posting and applause log to the posting distribution server 200. In step S302, the post distribution server 100 receives card posts and applause logs from the plurality of terminal devices 300 via the communication unit 110. In step S303, the control unit 120 of the post distribution server 100 stores the received logs of the plurality of posts and applause in the database 130. In step S304, the model learning module 122 predicts or generates a silent hero score (SHS), which will be described later, based on the number of card posts and / or applause fetched from the database 130. In addition, SHS corresponds to the priority display score of the claims. In step S305, the control unit 120 stores the SHS in the database 130. In step S306, the control unit 120 creates a posting log reflecting SHS from the database 130, and transmits this to a plurality of terminal devices 300. In step S307, each terminal device 300 receives a post log reflecting SHS from the post distribution server 100, and displays this on the display of the terminal device using the post management application 320.
［ＳＨＳに関する処理］
本実施形態の投稿管理システム１０００におけるＳＨＳに関する処理を、図４のフローチャートに示す。なお、各端末装置３００の投稿管理アプリ３２０は、それぞれ個別のユーザアカウント（投稿者アカウント）が設定されている。データベース１３０は、カード投稿について、その投稿の文章、投稿日時、投稿したユーザアカウント情報、カード投稿に対する拍手の数、及び拍手を実行したユーザアカウント情報を、保存している。
[Processing related to SHS]
The processing related to SHS in the post management system 1000 of this embodiment is shown in the flowchart of FIG. An individual user account (poster account) is set for each post management application 320 of each terminal device 300. For the card posting, the database 130 stores the text of the posting, the posting date and time, the posted user account information, the number of applause for the card posting, and the user account information on which the applause was executed.
ステップＳ４０１で、端末装置３００において投稿管理アプリ３２０が起動された状態で、カード投稿が実行されるか、又は同僚のカード投稿に対して拍手が実行される。この実行に伴い、端末装置３００は、投稿配信サーバ１００に対してカード投稿情報又は拍手情報を通信部３１０を介して送信する。ステップＳ４０２で、投稿配信サーバ１００の制御部１２０は、通信部１１０を介して受信したカード投稿情報又は拍手情報をデータベース１３０に保存して、カード投稿履歴又は拍手履歴を更新する。 In step S401, card posting is executed or applause is executed for a colleague's card posting while the posting management application 320 is activated in the terminal device 300. Along with this execution, the terminal device 300 transmits card posting information or applause information to the posting distribution server 100 via the communication unit 310. In step S402, the control unit 120 of the post distribution server 100 stores the card post information or applause information received via the communication unit 110 in the database 130, and updates the card post history or applause history.
ステップＳ４０３で、モデル学習モジュール１２２は、データベース１３０からカード投稿履歴及び拍手履歴を取り込む。ステップＳ４０４で、モデル学習モジュール１２２は、各カード投稿に含まれる文章から後述の特徴量を生成する。特徴量は、ユーザアカウント毎に、過去のカード投稿から構成される投稿履歴データから生成される。 In step S403, the model learning module 122 fetches the card posting history and the applause history from the database 130. In step S404, the model learning module 122 generates a feature amount described later from the sentences included in each card posting. The feature amount is generated from the post history data composed of past card posts for each user account.
ステップＳ４０５で、モデル学習モジュール１２２は、過去１週間以前の第１の所定期間のカード投稿に対して生成した特徴量を説明変数として、第１の所定期間のカード投稿に対応する拍手数を教師信号とする機械学習を行う。なお、ステップＳ４０５の機械学習に、例えば回帰モデルを用いてもよい。 In step S405, the model learning module 122 teaches the number of applause corresponding to the card posting in the first predetermined period using the feature amount generated for the card posting in the first predetermined period before the past one week as an explanatory variable. Perform machine learning as a signal. A regression model may be used for machine learning in step S405, for example.
ステップＳ４０６で、モデル学習モジュール１２２は、ステップＳ４０５で得られた学習済み回帰モデルを用いて、過去１週間以前の第１の所定期間のカード投稿から生成した特徴量を説明変数として、将来を含む第２の所定期間（今後1週間）の拍手数を予測する。 In step S406, the model learning module 122 includes the future using the trained regression model obtained in step S405 and the feature quantity generated from the card posting in the first predetermined period before the past one week as an explanatory variable. Predict the number of applause for the second predetermined period (next week).
ステップＳ４０７で、モデル学習モジュール１２２は、後述するように、あるカード投稿に対して、過去の第１の所定期間（例えば１週間以内）における実際の拍手数と、モデル学習モジュール１２２が生成した予測拍手数とから、ＳＨＳを計算又は生成する。ステップＳ４０８で、制御部１２０は、複数のＳＨＳをデータベース１３０に保存する。ＳＨＳは、カード投稿毎に生成される。ステップＳ４０９で、制御部１２０は、データベース１３０から複数のＳＨＳを読み出す。 In step S407, the model learning module 122 determines the actual number of applause in the first predetermined period (for example, within one week) in the past and the prediction generated by the model learning module 122 for a certain card posting, as will be described later. SHS is calculated or generated from the number of applause. In step S408, the control unit 120 stores a plurality of SHSs in the database 130. SHS is generated for each card posting. In step S409, the control unit 120 reads a plurality of SHSs from the database 130.
ステップＳ４１０で、投稿管理サーバ１００（制御部１２０）は、読み出された複数のＳＨＳから、ＳＨＳが大きな複数のカード投稿を抽出し、抽出された複数のカード投稿を端末装置３００に送信し、これらのカード投稿を優先的に表示するように端末装置３００に指示する。端末装置３００は、抽出された複数のカード投稿を優先的に表示する。 In step S410, the post management server 100 (control unit 120) extracts a plurality of card posts having a large SHS from the plurality of read SHSs, and transmits the extracted plurality of card posts to the terminal device 300. The terminal device 300 is instructed to preferentially display these card posts. The terminal device 300 preferentially displays the extracted plurality of card posts.
［ＳＨＳの算出方法及び定義］
本実施の形態において、サイレントヒーロースコア（ＳＨＳ）の算出方法及び定義を、図１２を用いて説明する。ＳＨＳはユーザアカウント毎に計算される。例えば、現時点（予測開始時点）ｔｘより所定日数（例えば、数日〜１週間）前の第１の所定期間（例えば、１週間）Ｐａｂの間における、あるユーザアカウントの全てのカード投稿に対して、各カード投稿の主体情報（カード投稿の文章）から特徴量を算出する。第１の所定期間Ｐａｂは、現時点ｔｘより前の第１の過去時点ｔａから第２の過去時点ｔｂまでの間である。
[SHS calculation method and definition]
In the present embodiment, the calculation method and definition of the silent hero score (SHS) will be described with reference to FIG. SHS is calculated for each user account. For example, for all card postings of a user account during the first predetermined period (for example, one week) Pub that is a predetermined number of days (for example, several days to one week) before the current time (prediction start time) t x. On the other hand, the feature amount is calculated from the subject information (text of the card posting) of each card posting. The first predetermined period P ab is between the first time in the past t a before the current time t x until the second time in the past t b.
上記特徴量を用いて、第２の過去時点ｔｂから将来時点ｔｃまでの第２の所定期間Ｐｂｃの間の予測拍手数を算出する。第２の所定期間Ｐａｂの予測拍手数から、第２の過去時点ｔｂから現時点ｔｘまでの現実の拍手数の差分を取ったものを、ＳＨＳと定義することができる。 Using the above features, the predicted number of applause during the second predetermined period P bc from the second past time point t b to the future time point t c is calculated. The difference between the predicted number of applause of the second predetermined period Pab and the actual number of applause from the second past time point t b to the present time t x can be defined as SHS.
［カード投稿から特徴量の生成］
本実施の形態におけるカード投稿から特徴量の生成の一例を説明する。第１ステップで、カード投稿に含まれる文章を形態素解析で単語に分割する。第２ステップで、動詞などの活用を標準化する。
[Generation of features from card posting]
An example of generating a feature amount from card posting in the present embodiment will be described. In the first step, the sentences included in the card post are divided into words by morphological analysis. In the second step, standardize the conjugation of verbs.
第３ステップで、カード投稿に含まれる各単語について以下で説明するｔｆ−ｉｄｆによって数値化し、得られた数値を並べたものをカード投稿の特徴ベクトル（特徴量）とする。なお、ｔｆ−ｉｄｆとは、文書中に含まれる単語の重要度を評価する手法の1つである。ｔｆ−ｉｄｆは、ｔｆ（Term Frequency、単語の出現頻度）と、ｉｄｆ（Inverse Document Frequency、逆文書頻度）との二つの指標に基づいて計算される。各単語に特徴ベクトルを算出することにより、頻出する単語に重み付けを行うことができる。 In the third step, each word included in the card posting is quantified by tf-idf described below, and the obtained numerical values are arranged and used as a feature vector (feature amount) of the card posting. Note that tf-idf is one of the methods for evaluating the importance of words contained in a document. tf-idf is calculated based on two indexes, tf (Term Frequency, word frequency) and idf (Inverse Document Frequency). By calculating the feature vector for each word, it is possible to weight frequently occurring words.
第４ステップでは、第３ステップで得られた特徴ベクトルに、カード投稿の文章の長さを標準化した数値を特徴ベクトルに加える。標準化は訓練用データにおいて平均値が０、分散が１になるように線形変換を適用する。特徴ベクトルを標準化することにより、カード投稿に含まれる文章の長さの影響を受けずにカード投稿に含まれる特徴ベクトル（特徴量）を比較できる。 In the fourth step, a numerical value that standardizes the length of the text of the card posting is added to the feature vector obtained in the third step. Standardization applies a linear transformation so that the mean value is 0 and the variance is 1 in the training data. By standardizing the feature vector, the feature vector (feature amount) included in the card post can be compared without being affected by the length of the sentence included in the card post.
［拍手数予測］
カード投稿の文章に対する特徴ベクトルを入力信号、カード投稿に対して付与された拍手回数を教師信号として、線形モデルを用いて回帰分析を実行する。回帰分析の最適化アルゴリズムは、例えば、Ｅｌａｓｔｉｃ Ｎｅｔを用いることができる。
[Applause number prediction]
Regression analysis is performed using a linear model using the feature vector for the text of the card posting as the input signal and the number of applause given to the card posting as the teacher signal. As an optimization algorithm for regression analysis, for example, an Elastic Net can be used.
それぞれのカード投稿に対して算出した予測拍手数が所定数以上であり、かつ過去の一定期間（例えば７日間）のカード投稿数が所定数（例えば５０）以上だった場合に、ＳＨＳの降順で所定番目（例えば５番目）までの投稿を、ＳＨＳの高いカード投稿（優先的に表示されるカード投稿）として、端末装置３００の投稿管理アプリ３２０のピックアップタイムラインに表示することができる。
なお、上記説明では、カード投稿から特徴量の生成にｔｆ−ｉｄｆを用いた場合を例示したが、本発明の特徴量の生成手法は、ｔｆ−ｉｄｆに限定されない。例えば、予め登録した複数の単語（例えば、感謝に関連する複数の単語）のテーブルに基づき、特徴量を算出してもよい。
When the predicted number of applause calculated for each card post is equal to or greater than the predetermined number, and the number of card posts for a certain period (for example, 7 days) in the past is equal to or greater than the predetermined number (for example, 50), in descending order of SHS. Posts up to a predetermined number (for example, the fifth) can be displayed on the pickup timeline of the post management application 320 of the terminal device 300 as card posts with high SHS (card posts displayed with priority).
In the above description, the case where tf-idf is used to generate the feature amount from the card posting is illustrated, but the feature amount generation method of the present invention is not limited to tf-idf. For example, the feature amount may be calculated based on a table of a plurality of words (for example, a plurality of words related to gratitude) registered in advance.
［画面構成］
本実施の形態の投稿管理システム１０００において、端末装置３００に表示される画面構成例を説明する。一例として、スマートフォン３００Ａ（端末装置３００）に表示される画面構成例を図５に示す。図５には、カード投稿３３０ａ、３００ｂ、３００ｃから構成されるタイムライン３４０が表示されている。各カード投稿３３０ａ、３００ｂ、３００ｃには、投稿者名、投稿者が入力した文章、当該文章に対する拍手数が表示されている。タイムライン３４０の最上部には、「すべて」（全てのカード投稿）、「ピックアップ」（後述するピックアップされたカード投稿）、「もらった」（もらったカード投稿）、「おくった」（送ったカード投稿）と表示されており、それぞれの領域をタップ等により選択すると、対応するカード投稿のタイムラインが、降順の時系列で表示される。
[screen structure]
In the post management system 1000 of this embodiment, an example of a screen configuration displayed on the terminal device 300 will be described. As an example, FIG. 5 shows an example of a screen configuration displayed on the smartphone 300A (terminal device 300). In FIG. 5, a timeline 340 composed of card posts 330a, 300b, and 300c is displayed. The name of the poster, the text entered by the poster, and the number of applause for the text are displayed on the card posts 330a, 300b, and 300c. At the top of the timeline 340, "all" (all card posts), "pickup" (picked up card posts described later), "received" (received card posts), "sent" (sent) (Card posting) is displayed, and when each area is selected by tapping or the like, the timeline of the corresponding card posting is displayed in chronological order in descending order.
次に、ＰＣ３００Ｂに表示される画面構成例を図６及び図７に示す。図６には、「すべて」のカード投稿についてタイムラインの一部が表示されている。図６の画面で、「ピックアップ」の領域をマウス等で選択すると、図７に示すように、上述したＳＨＳが表示される。なお、図７では、ピックアップされたＳＨＳの１つを表示しているが、複数のＳＨＳを表示することもできる。 Next, a screen configuration example displayed on the PC 300B is shown in FIGS. 6 and 7. FIG. 6 shows a portion of the timeline for "all" card posts. When the "pickup" area is selected with a mouse or the like on the screen of FIG. 6, the above-mentioned SHS is displayed as shown in FIG. Although one of the picked up SHSs is displayed in FIG. 7, a plurality of SHSs can also be displayed.
［第１の変形形態（サイレントヒーローの抽出）］
第１の変形形態では、サイレントヒーローを抽出するために、ＳＨＳの抽出に関する図４のステップ４１０を、次のように実行する。最初に、モデル学習モジュール１２２は、個人ごとに過去１ヶ月間で受け取った複数のカード投稿について、それぞれＳＨＳを算出する。次に、個人ごとにＳＨＳの平均値を算出し、平均値の高い順に所定数（例えば５個）のユーザアカウントを抽出する。最後に、該当５個のユーザアカウントが当月にもらった投稿を一覧化する画面を「サイレントヒーロー特集」とし、一覧として表示する。
[First variant (extraction of silent hero)]
In the first variant, in order to extract the silent hero, step 410 of FIG. 4 relating to the extraction of SHS is performed as follows. First, the model learning module 122 calculates the SHS for each of the plurality of card posts received in the past month for each individual. Next, the average value of SHS is calculated for each individual, and a predetermined number (for example, 5) of user accounts are extracted in descending order of the average value. Finally, the screen that lists the posts received by the five corresponding user accounts this month is called "Silent Hero Special" and displayed as a list.
「サイレントヒーロー特集」の表示例を図８及び図９に示す。図８に示すように、端末装置３００の「お知らせ」表示画面の上側に、「今週のサイレントヒーロー特集が届きました！」と表示される。次に、この領域を選択すると、図９の画面が表示される。図９には、抽出された複数のＳＨＳに関するカード投稿が表示される。ユーザは、表示されたカード投稿に対して、「拍手」の実行、及び／又はメッセージの送信を行うことができる。 A display example of the "silent hero special feature" is shown in FIGS. 8 and 9. As shown in FIG. 8, "This week's silent hero special feature has arrived!" Is displayed on the upper side of the "Notice" display screen of the terminal device 300. Next, when this area is selected, the screen of FIG. 9 is displayed. In FIG. 9, card posts related to the extracted plurality of SHS are displayed. The user can execute "applause" and / or send a message in response to the displayed card posting.
［第２の変形形態（ＳＨＳの高い投稿の自動共有）］
第２の変形形態においては、ＳＨＳの高いカード投稿を自動共有する。第２の変形形態では、ＳＨＳの抽出に関する図４のステップ４１０を、次のように実行する。
[Second variant (automatic sharing of posts with high SHS)]
In the second variant, card posts with high SHS are automatically shared. In the second variant, step 410 of FIG. 4 relating to the extraction of SHS is performed as follows.
最初に、モデル学習モジュール１２２は、個人の第１のユーザアカウントを対象とし、ＳＨＳの高い第１の投稿を抽出する。次に、投稿配信サーバ１００（モデル学習モジュール１２２）は、第２のユーザアカウントがＳＨＳの高い第１の投稿に拍手しておらず、第１のユーザアカウントが受信した別の第２の投稿に対して、第２のユーザアカウントが拍手をしている場合、第２のユーザアカウントに対して、第１の投稿に拍手を促す通知を、メール送信、もしくは投稿管理アプリ３２０で実行する。この処理の意味合いとしては、サイレントヒーローの貢献を見逃さないために、システム側がユーザにリマインドするということである。通知には、「見逃してないですか？この投稿？」等の表現を使用することができる。 First, the model learning module 122 targets the first user account of the individual and extracts the first post with high SHS. Next, the post distribution server 100 (model learning module 122) does not applaud the first post with a high SHS by the second user account, and sends another second post received by the first user account. On the other hand, when the second user account is applauding, the second user account is notified by e-mail transmission or the post management application 320 to applaud the first post. The implication of this process is that the system reminds the user not to overlook the contribution of the silent hero. You can use expressions such as "Did you miss this post?" In the notification.
［第３の変形形態（モデル学習モジュール）］
上記実施の形態において、モデル学習モジュール１２２は、カード投稿の文章に形態素解析を実行して特徴量を生成し、学習エンジンに回帰モデルを用いて、特徴量を説明変数に、拍手数を目的変数として予測拍手数を計算したが、モデル学習モジュール１２２による処理は、形態素解析及び回帰モデルに限定されない。例えば、モデル学習モジュール１２２は、人工知能等の機械学習エンジンを備えてもよい。機械学習としては、ディープラーニング（深層学習）、ニューラルネットワーク、サポートベクターマシン、ランダムフォレスト等を用いることができる。モデル学習モジュール１２２の学習エンジンにディープラーニング又はニューラルネットワークを用いる場合、入力層に過去の第１の所定期間のカード投稿から求めた特徴量、過去の第１の所定期間のカード投稿に対する拍手数を入力層とし、第２の所定期間の予測拍手数を出力層とすることができる。また、入力層にその時点での実際の拍手数を加えることもできる。
[Third variant (model learning module)]
In the above embodiment, the model learning module 122 performs morphological analysis on the text posted on the card to generate features, uses a regression model in the learning engine, uses the features as explanatory variables, and claps as the objective variable. However, the processing by the model learning module 122 is not limited to the morphological analysis and the regression model. For example, the model learning module 122 may include a machine learning engine such as artificial intelligence. As machine learning, deep learning (deep learning), neural networks, support vector machines, random forests, and the like can be used. When deep learning or a neural network is used as the learning engine of the model learning module 122, the feature amount obtained from the card posting in the past first predetermined period and the number of applause for the card posting in the past first predetermined period are input to the input layer. The input layer can be used, and the predicted number of applause in the second predetermined period can be used as the output layer. It is also possible to add the actual number of applause at that time to the input layer.
１０００ 投稿管理システム
１００ 投稿管理サーバ
１１０ 通信部
１２０ 制御部
１２２ モデル学習モジュール（予測部）
１３０ データベース
２００ ネットワーク
３００ 端末装置
３００Ａ スマートフォン
３００Ｂ パーソナルコンピュータ
３１０ 通信部
３２０ 投稿管理アプリ
３３０ カード投稿
３４０ タイムライン
1000 Post management system 100 Post management server 110 Communication unit 120 Control unit 122 Model learning module (prediction unit)
130 Database 200 Network 300 Terminal equipment 300A Smartphone 300B Personal computer 310 Communication unit 320 Post management application 330 Card post 340 Timeline
Claims (17)
前記複数の端末装置のそれぞれは、前記投稿管理サーバから投稿データを受信し、前記投稿データに対する肯定的反応を前記投稿管理サーバに送信するように構成され、
前記投稿管理サーバは、前記投稿データ及び前記肯定的反応を保存するデータベースと、前記投稿データに含まれる文章に基づき、前記投稿データに対する将来の肯定的反応を予測する予測部とを備え、
前記投稿管理サーバは、予測された前記将来の肯定的反応に基づき、複数の投稿データを選択し、前記複数の投稿データを優先的に表示するように前記端末装置に指示する、投稿管理システム。 A post management system composed of a post management server and a plurality of terminal devices communicatively connected to the post management server.
Each of the plurality of terminal devices is configured to receive post data from the post management server and transmit a positive reaction to the post data to the post management server.
The post management server includes a database that stores the post data and the positive reaction, and a prediction unit that predicts a future positive reaction to the post data based on the text contained in the post data.
The post management server is a post management system that selects a plurality of post data based on the predicted positive reaction in the future and instructs the terminal device to preferentially display the plurality of post data.
前記予測部は、前記投稿データに含まれる文章を解析して、前記投稿データの特徴量を生成し、前記特徴量に基づき、前記投稿データに対する将来の肯定的反応を予測する、投稿管理システム。 The post management system according to claim 1.
The prediction unit is a posting management system that analyzes sentences included in the posted data, generates a feature amount of the posted data, and predicts a future positive reaction to the posted data based on the feature amount.
前記予測部は、前記文章に対して形態素解析を実行して得た複数の単語から前記特徴量を生成する、投稿管理システム。 The post management system according to claim 2.
The prediction unit is a posting management system that generates the feature amount from a plurality of words obtained by performing morphological analysis on the sentence.
前記予測部は、過去の所定期間における、前記特徴量及び前記肯定的反応に基づき、前記将来の肯定的反応の数を予測する、投稿管理システム。 The post management system according to any one of claims 2 to 3.
The prediction unit is a posting management system that predicts the number of future positive reactions based on the feature amount and the positive reactions in the past predetermined period.
前記予測部は、機械学習を実行して前記将来の肯定的反応の数を生成する、投稿管理システム。 The post management system according to any one of claims 1 to 4.
The prediction unit is a post management system that executes machine learning to generate the number of positive reactions in the future.
前記機械学習は、前記特徴量を入力、前記肯定的反応を教師信号とする教師あり学習手法である、投稿管理システム。 The post management system according to claim 5.
The machine learning is a post management system, which is a supervised learning method in which the feature amount is input and the positive reaction is used as a teacher signal.
前記将来の肯定的反応の数は、予測時点より前の過去時点から前記予測時点より後の将来時点までの間に予測される肯定的反応の数である、投稿管理システム。 The post management system according to any one of claims 1 to 6.
The number of positive reactions in the future is the number of positive reactions predicted between the past time point before the prediction time point and the future time point after the prediction time point.
前記データベースは、前記過去時点から前記予測時点までに現実に入力された現実の肯定的反応の数を保存し、
前記予測部は、前記将来の肯定的反応の数及び前記現実の肯定的反応の数から優先表示スコアを生成する、投稿管理システム。 The post management system according to claim 7.
The database stores the number of real positive reactions actually entered between the past time point and the prediction time point.
The prediction unit is a post management system that generates a priority display score from the number of future positive reactions and the number of actual positive reactions.
前記予測部は、前記将来の肯定的反応の数及び前記現実の肯定的反応の数の差分から前記優先表示スコアを生成する、投稿管理システム。 The post management system according to claim 8.
The prediction unit is a post management system that generates the priority display score from the difference between the number of future positive reactions and the number of actual positive reactions.
前記予測部は、前記優先表示スコアに基づき、前記複数の投稿を選択する、投稿管理システム。 The post management system according to claim 8 or 9.
The prediction unit is a post management system that selects the plurality of posts based on the priority display score.
前記予測部は、前記優先表示スコアが高い複数の投稿を選択する、投稿管理システム。 The post management system according to claim 10.
The prediction unit is a post management system that selects a plurality of posts having a high priority display score.
前記投稿管理サーバは、前記複数の投稿を前記端末装置に送信する、投稿管理システム。 The post management system according to claim 10 or 11.
The post management server is a post management system that transmits the plurality of posts to the terminal device.
前記予測部は、各投稿者アカウント毎に、過去の所定期間に受け取った投稿のそれぞれに対して、前記優先表示スコアを生成する、投稿管理システム。 The post management system according to any one of claims 8 to 12.
The prediction unit is a post management system that generates the priority display score for each of the posts received in the past predetermined period for each poster account.
前記予測部は、各投稿者アカウント毎に、前記優先表示スコアの平均値を算出し、平均値の高い順に所定数の投稿者アカウントを抽出して、前記所定数の投稿者アカウントを前記端末装置に送信する、投稿管理システム。 The post management system according to claim 12.
The prediction unit calculates the average value of the priority display score for each contributor account, extracts a predetermined number of contributor accounts in descending order of the average value, and uses the predetermined number of contributor accounts as the terminal device. Post management system to send to.
前記予測部は、前記優先表示スコアの高い投稿を抽出し、前記優先表示スコアの高い投稿をした第１の投稿者アカウントがした、前記優先表示スコアの高い第１の投稿とは異なる第２の投稿に対して、第２の投稿者アカウントが前記肯定的反応を送信しており、前記第１の投稿に対して前記第１の投稿者アカウントから前記肯定的反応を送信していない場合、前記第２の投稿者アカウントに対して、前記第１の投稿に対して前記肯定的反応を送信するよう通知する、投稿管理システム。 The post management system according to claim 12.
The prediction unit extracts posts with a high priority display score, and a second post different from the first post with a high priority display score made by the first poster account that made the post with a high priority display score. If the second contributor account has sent the positive response to the post and the first contributor account has not sent the positive response to the first post, A post management system that notifies a second contributor account to send the positive response to the first post.
前記投稿管理サーバは、複数の端末装置のそれぞれから、投稿データ、及び前記投稿データに対する肯定的反応を受信するように構成され、
前記投稿管理サーバは、前記投稿データ及び前記肯定的反応を保存するデータベースと、前記投稿データに含まれる文章に基づき前記投稿データに対する将来の肯定的反応を予測する予測部とを備え、
前記投稿管理サーバは、予測された前記将来の肯定的反応に基づき、複数の投稿データを選択し、前記複数の投稿データを優先的に表示するように前記端末装置に指示する、投稿管理サーバ。 A post management server that is connected to multiple terminal devices so that it can communicate with each other.
The post management server is configured to receive post data and a positive reaction to the post data from each of the plurality of terminal devices.
The post management server includes a database that stores the post data and the positive reaction, and a prediction unit that predicts a future positive reaction to the post data based on the text contained in the post data.
The post management server is a post management server that selects a plurality of post data based on the predicted positive reaction in the future and instructs the terminal device to preferentially display the plurality of post data.
前記投稿管理プログラムは、前記投稿管理サーバから投稿データを受信し、前記投稿データに対する肯定的反応を前記投稿管理サーバに送信するように構成され、
前記投稿管理プログラムは、前記投稿管理サーバが予測した将来の肯定的反応に基づいて抽出された複数の投稿データを前記端末装置に優先的に表示する、投稿管理プログラム。 A post management program executed in a terminal device communicatively connected to the post management server of claim 16.
The post management program is configured to receive post data from the post management server and send a positive reaction to the post data to the post management server.
The post management program is a post management program that preferentially displays a plurality of post data extracted based on a future positive reaction predicted by the post management server on the terminal device.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2019042619A JP2020144771A (en) | 2019-03-08 | 2019-03-08 | Posting management system, posting management server, and posting management program |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2019042619A JP2020144771A (en) | 2019-03-08 | 2019-03-08 | Posting management system, posting management server, and posting management program |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2020144771A true JP2020144771A (en) | 2020-09-10 |
Family
ID=72354299
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2019042619A Pending JP2020144771A (en) | 2019-03-08 | 2019-03-08 | Posting management system, posting management server, and posting management program |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2020144771A (en) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2012525654A (en) * | 2009-04-29 | 2012-10-22 | グーグル インコーポレイテッド | Technology that targets video that is expected to develop many viewers |
| JP2014085862A (en) * | 2012-10-24 | 2014-05-12 | Kddi Corp | Prediction server, program, and method for predicting number of future comments on prediction target content |
| JP2014164576A (en) * | 2013-02-26 | 2014-09-08 | Kddi Corp | Prediction server, program, and method for predicting number of future comments in prediction object content |
| JP2017117130A (en) * | 2015-12-22 | 2017-06-29 | 株式会社Ｆｌｙｂｌｕｅ | Information analyzing apparatus, information analysis method, and information analysis program |
| JP2018018353A (en) * | 2016-07-28 | 2018-02-01 | Kddi株式会社 | Device, program and method capable of estimating evaluation on the basis of period shift correlation |
-
2019
- 2019-03-08 JP JP2019042619A patent/JP2020144771A/en active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2012525654A (en) * | 2009-04-29 | 2012-10-22 | グーグル インコーポレイテッド | Technology that targets video that is expected to develop many viewers |
| JP2014085862A (en) * | 2012-10-24 | 2014-05-12 | Kddi Corp | Prediction server, program, and method for predicting number of future comments on prediction target content |
| JP2014164576A (en) * | 2013-02-26 | 2014-09-08 | Kddi Corp | Prediction server, program, and method for predicting number of future comments in prediction object content |
| JP2017117130A (en) * | 2015-12-22 | 2017-06-29 | 株式会社Ｆｌｙｂｌｕｅ | Information analyzing apparatus, information analysis method, and information analysis program |
| JP2018018353A (en) * | 2016-07-28 | 2018-02-01 | Kddi株式会社 | Device, program and method capable of estimating evaluation on the basis of period shift correlation |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ahuja et al. | Development of a comprehensive model of social entrepreneurial intention formation using a quality tool | |
| Ryan et al. | The unrealized potential of technology in selection assessment | |
| Sheffield et al. | Systems thinking: Taming complexity in project management | |
| US20170323211A1 (en) | Automated accuracy assessment in tasking system | |
| Beckner et al. | The emergence of linguistic structure in an online iterated learning task | |
| US20180374374A1 (en) | A System and A Method for Monitoring Progress of a Learner Through an Experiential Learning Cycle | |
| Trotter et al. | Improvisation: theory, measures and known influencing factors | |
| Schragenheim et al. | Supply chain management at warp speed: Integrating the system from end to end | |
| KR102210504B1 (en) | System of customized education program using ai education platform based on big data | |
| Andrews-Todd et al. | Application of ontologies for assessing collaborative problem solving skills | |
| ANDRADE et al. | Active Methodology, Educational Data Mining and Learning Analytics: A Systematic Mapping Study. | |
| US10095796B2 (en) | Method system and computer readable medium for dynamic gamification over a network | |
| Zubkova et al. | Intelligent user interface design of application programs | |
| Srivastava | Did chatbots miss their “Apollo Moment”? Potential, gaps, and lessons from using collaboration assistants during COVID-19 | |
| Pupara et al. | An institution recommender system based on student context and educational institution in a mobile environment | |
| Nelson | Compliance as management | |
| JP2021026550A (en) | Server and system for managing post | |
| Shonman et al. | Simulating phishing email processing with instance-based learning and cognitive chunk activation | |
| JP2020144771A (en) | Posting management system, posting management server, and posting management program | |
| Lindell et al. | A tutorial on DynaSearch: A Web-based system for collecting process-tracing data in dynamic decision tasks | |
| Huang | Experimental riskology: a new discipline for risk analysis | |
| Elam et al. | Process improvement using arena simulation software | |
| Ryttare | Change management: a key in achieving successful cyber security: a multiple case study of organizations in Sweden | |
| Zheng et al. | Synergizing Human-AI Agency: A Guide of 23 Heuristics for Service Co-Creation with LLM-Based Agents | |
| Nelson | The dark side of compliance |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220304 |
|
| A711 | Notification of change in applicant |
Free format text: JAPANESE INTERMEDIATE CODE: A712 Effective date: 20220304 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A821 Effective date: 20220304 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220425 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230118 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230207 |
|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20230801 |