JP2020160869A - 作業機械に対するサービスに係る文書作成システム - Google Patents

Abstract

【課題】作業機械のトラブルに対するサービスと連動して文書を作成することができる作業機械に対するサービスに係る文書作成システムを提供する。【解決手段】文書作成システムは、記憶部１０と、表示部２０と、事象情報を入力するための入力部２１と、入力された事象情報に対応する下位の事象の一覧または処置を記憶部１０から取得し、表示部２０に出力する出力部２２と、入力された事象情報および出力された処置を記憶する入出力記憶部１７と、作業機械情報および文書情報を含むデータベース３０と、文書作成部３１と、を備える。文書作成部３１は、作業機械に発生した事象、作業機械に対する処置、作業機械情報および文書情報に基づいて、発生した事象および処置に関する文書を作成する。【選択図】図２

Description

作業機械に対するサービスに係る文書作成システムに関する。

クレーン車やフォークリフトといった作業機械に係るサービスマンは、その作業機械に事故や故障といったトラブルが発生すると、このトラブルにともなって発生した作業機械の事象に対して何らかの処置を行い解決する。熟練したサービスマンは、作業機械の様々な事象に対する処置を熟知している。一方、未熟なサービスマンは、この事象に対する適切な処置を知らないことが多く、また、適切な処置を容易に認識することも難しい。

そこで、例えば、特許文献１に開示のような故障診断方法がある。特許文献１に開示の工作機械の制御装置の故障診断部は、ユニット記憶部と、現象記憶部と、不具合発生予想部品記憶部と、処置方法記憶部と、解決策記憶部と、故障診断制御部とを備えている。作業者がタッチパネルからなる表示部を用いて不具合の発生したユニットを選択し、各ユニットに対応する故障の現象を選択し、各現象に対応する不具合を発生し得る部品を選択し、各部品に対応する処置方法を選択して不具合の解決策を絞り込む。これにより、未熟な作業者であっても、工作機械の事象に対応することができる。

ところで、サービスマンは、作業機械の所有者である顧客に対してはそのトラブルに関する見積書を提示する必要があり、所属する部署に対しては作業報告書を提出する必要がある。したがって、サービスマンは、作業機械のトラブル対応の後、これら文書を作成する。

これら文書を最初から作成する作業は、サービスマンに多くの労力および時間を浪費させる。そこで、見積書作成システムや見積書作成方法といった技術が開発されている（例えば、特許文献２参照）。このような見積書発行システムなどによれば、サービスマンは、最初から文書を作成するのに比べれば、労力および時間の浪費を抑えることができる。

しかしながら、この場合にも、サービスマンは、作業機械の対応の後に改めて文書の作成作業を行わなければならず、労力および時間を浪費することは変わらない。また、上記特許文献に開示の技術では、情報を誤入力し、誤った文書を作成してしまう可能性があった。

特開２０１７−６８６７８号公報 特開２００３−２０８５３１号公報

そこで、本発明が解決しようとする課題は、作業機械のトラブルに対するサービスと連動して文書を作成することにより、文書作成に要する労力および時間を軽減するとともに正確な文書を作成することができる文書作成システムを提供することにある。

上記課題を解決するために、本発明の作業機械に対するサービスに係る文書作成システムは、
前記作業機械に発生しうる事象および前記事象に対応する処置を記憶している記憶部と、
入力された情報を表示する表示部と、
前記作業機械に発生した前記事象または前記事象の一部からなる事象情報を入力するための入力部と、
入力された前記事象情報に対応する下位の前記事象の一覧または前記処置を前記記憶部から取得し、前記表示部に出力する出力部と、
前記入力された事象情報および前記出力された処置を記憶する入出力記憶部と、
前記作業機械に関する作業機械情報および作成する文書に関する文書情報を含むデータベースと、
前記作業機械に発生した前記事象、当該事象に対応する前記処置、前記作業機械情報および文書情報に基づいて、当該事象および当該処置に関する文書を作成する文書作成部と、を備え、
前記出力部は、前記事象の一覧から前記事象情報が選択入力されると、さらに、前記入力された事象情報に対応する前記事象の一覧または前記処置を前記記憶部から取得して前記表示部に出力することを特徴とする。

上記文書作成システムは、例えば、
前記文書が、前記作業機械に発生した前記事象および前記作業機械に対する前記処置に関する見積書もしくは報告書またはその両方である。

上記文書作成システムは、例えば、
端末と、文書作成装置と、前記端末および前記文書作成装置と相互に通信可能なサーバと、をさらに備え、
前記端末は、前記表示部と、前記入力部と、前記出力部と、を有し、
前記文書作成装置は、前記データベースと、前記文書作成部と、を有し、
前記サーバは、前記記憶部と、前記出力部と、前記入出力記憶部と、を有する。

上記文書作成システムは、好ましくは、
前記入力された事象情報と前記記憶部に記憶されている前記事象との類似度を算出する類似度算出部をさらに備え、
前記出力部は、さらに、所定以上の類似度が算出された前記事象の一覧を前記表示部に出力する。

上記文書作成システムは、好ましくは、
複数の報告書に記載された前記作業機械に発生した過去の複数の前記事象を学習用データとしてニューラルネットワークを用いて教師なし学習され、単語が入力されると、前記入力された単語の意味に対応する分散表現ベクトルを出力する学習済みニューラルネットワークと、
前記事象情報が入力されると、当該事象情報を単語ごとに分割する形態素解析部と、
前記単語ごとに分割された事象情報を、前記学習済みニューラルネットワークによって単語ごとに分散表現ベクトル化する単語ベクトル化部と、
前記入力された事象情報を、当該事象情報に含まれている単語ごとの分散表現ベクトルに基づいて、事象情報単位で分散表現ベクトルに変換する事象ベクトル化部と、
前記記憶部中の前記事象を分散表現ベクトル化して記憶しているベクトル表現記憶部と、をさらに備え、
前記類似度算出部は、前記事象ベクトル化部によって分散表現ベクトル化された前記事象情報と、前記ベクトル表現記憶部に記憶されている前記分散表現ベクトル化された事象とのコサイン類似度に基づいて、類似度を算出する。

上記文書作成システムは、好ましくは、
前記入力された単語の意味に対応する分散表現ベクトルが、前記入力された単語がＮ−ｇｒａｍ分割されて抽出されたサブワードの分散表現ベクトルに基づく。

上記文書作成システムは、例えば、
前記入力部によって、さらに、サービスマンＭに関するサービスマン情報、日時情報、場所情報、顧客情報のいずれかまたは全てを含む基本情報が入力され、
前記入出力記憶部は、さらに、前記入力部によって入力された前記基本情報を記憶し、
前記文書作成部は、さらに、前記入出力記憶部に記憶されている前記基本情報に基づいて、前記文書を作成する。

本発明に係る文書作成システムは、作業機械に対する故障診断と連動して文書を作成することにより、文書作成に要する時間および労力を軽減するとともに正確な文書を作成することができる。

本発明に係る文書作成システムの一実施形態の概略構成を示す全体図である。 図１の文書作成システムのブロック図である。 過去の事象が記載された報告書の一例を示す図である。 図２の表示部に表示される入力画面の一例を示す図である。 入力画面の別の一例を示す図である。 図２の表示部に表示された処置の一例である。

以下、図を参照しつつ、本発明の作業機械に対するサービスに係る文書作成システムＳの一実施形態について説明する。なお、本実施形態における作業機械は、フォークリフトＦであるが、単なる一例であってこれに限定されない。

図１は、本実施形態に係る文書作成システムＳの概略構成を示す全体図である。サービスマンＭは、フォークリフトＦに事故や故障といったトラブルが発生すると、サーバ１と通信可能なトラブルシューティング用の端末２によってトラブルの要因を特定するとともにその必要な処置を特定する。文書作成装置３は、サーバ１から端末２の入出力情報を取得し、この情報に基づいて報告書、見積書などの文書Ｄを自動的に作成する。

＜サーバ＞
図２に示すように、サーバ１は、記憶部１０と、形態素解析部１１と、単語ベクトル化部１２と、学習済みニューラルネットワーク（以下、単に「学習済みＮＮ」という）１３と、事象ベクトル化部１４と、ベクトル表現記憶部１６と、類似度算出部１５と、入出力記憶部１７と、を有する。また、サーバ１は、端末２および文書作成装置３と相互に通信可能である。

記憶部１０は、フォークリフトＦに発生しうる事象およびこの事象に対応する処置を記憶している。事象および処置は、過去にフォークリフトＦに発生した事象と当該事象に対して行われた処置とからなる複数のトラブル事例から抽出されている。事象および処置は、例えば、過去の報告書３００（図３参照）に記載されたトラブル事例から抽出されてもよい。

形態素解析部１１は、入力部２１（図２の端末２参照）によって事象情報が入力されると、入力された事象情報を単語ごとに分割する。事象情報とは、フォークリフトＦに発生した事象を「エンジンが掛からない」といった文章や「エンジン」「掛からない」といったキーワード的に表現された単語群または単語のことである。形態素解析部１１によって事象情報は、単語ごとにスペースを置いて分割され、分かち書き処理される。例えば、「エンジンが掛からない」という事象情報は、「エンジン」、「が」、「掛から」、「ない」と分割される。形態素解析するためのツールとして、例えば、「Mecab」を使用してもよい。また、予め作成されたフォークリフトＦ用のコーパスを形態素解析ツールとして使用してもよい。これにより、事象情報中の各名詞が適切に抽出されるので好ましい。

単語ベクトル化部１２は、形態素解析部１１によって単語ごとに分割された事象情報を、学習済みＮＮ１３によって単語ごとに分散表現ベクトル化する。

学習済みＮＮ１３は、単語が入力されると、入力された単語の意味に対応する分散表現ベクトルを出力する。学習済みＮＮ１３は、単語ごとに分割された過去の複数の報告書３００に記載された事象を学習用データとしてニューラルネットワークを用いて事前に教師なし学習されており、単語ごとに分割された事象情報が入力されると、事象情報に含まれている各単語同士の関連性に基づいて、この各単語の意味に対応する分散表現ベクトルを出力する。

学習済みＮＮ１３は、同一の事象に出現する可能性（共起性）が高い単語、または同一の事象において近い位置に出現する可能性が高い単語といった関連性の高い単語がそれぞれ入力された場合に、類似する分散表現ベクトルが出力されるように事前学習されている。これは、類似する文脈で出現する単語は、意味的にも類似しているという分布仮説（Harrs, 1954, Rubenstein & Goodenough,1965）に基づく。単語ベクトル化部１２として、例えば、ニューラルネットワーク技術に基づく「Ｗｏｒｄ２Ｖｅｃ」、「Ｇｌｏｖｅ」、「Ｆａｓｔｔｅｘｔ」などの言語モデルが使用されてもよい。分散表現およびＷｏｒｄ２Ｖｅｃについては「MIKOLOV, Tomas, et al. Distributed representations of words and phrases and their compositionality. In: Advances in neural information processing systems. 2013. p. 3111-3119.」などを参照することができる。Ｇｌｏｖｅについては「PENNINGTON, Jeffrey; SOCHER, Richard; MANNING, Christopher D. Glove: Global Vectors for Word Representation. In: EMNLP. 2014. p. 1532-1543.」などを参照することができる。Ｆａｓｔｔｅｘｔについては「JOULIN, Armand, et al. Bag of tricks for efficient text classification. arXiv preprint arXiv:1607.01759, 2016.」などを参照することができる。

学習済みＮＮ１３は、各単語の分散表現ベクトルを出力する方法として、各単語に含まれているサブワードを考慮して分散表現ベクトルを作成することが好ましい。具体的には、単語ベクトル化部１２は、入力された単語をＮ−ｇｒａｍ分割してサブワードを抽出し、入力された単語の意味に対応する分散表現ベクトルを、サブワードの分散表現ベクトルの和または平均とすることが好ましい。サブワードは、例えば、単語「吸気ホース」の場合、「吸」、「吸気」、「気ホ」、「ホー」、「ース」、「ス」が該当する。これにより、学習済みＮＮ１３は、例えば、「吸気ホース」、「吸ホース」および「ホース」には、類似する分散表現ベクトルを出力するので、入力される事象情報の表記上のゆれおよび未知語にも対応することができる。サブワードを考慮して分散表現ベクトルを作成するツールとして、例えば、「Ｆａｓｔｔｅｘｔ」を用いてもよい。

図３に示すように、報告書３００には、各担当者（サービスマンＭ）によってその不具合内容欄にフォークリフトＦに発生した事象が記載されている。したがって、報告書３００には、人の個性も相まって各事象が様々な表現で記載されている。学習済みＮＮ１３は、これら事象の記載を学習用データとされたことにより、様々な表現の事象情報に含まれる各単語を適切に分散表現ベクトル化できる。

事象ベクトル化部１４は、類似度算出部１５が入力された事象情報と記憶部１０に記憶されている事象との類似度を算出することができるように、単語ベクトル化部１２によって単語ごとに分散表現ベクトル化された事象情報を、単語ごとの分散表現ベクトルに基づいて、事象情報単位の分散表現ベクトルに変換する。事象ベクトル化部１４は、事象情報を分散表現ベクトル化する手法として、事象情報に含まれている単語の分散表現ベクトルの平均を事象情報自体の特徴ベクトルとしてもよい。または、事象ベクトル化部１４は、より精度よく事象情報を分散表現ベクトル化する手法として、ＳＣＤＶ（Sparse Composite Document Vectors）を用いた特徴ベクトル平均を用いてもよい。ＳＣＤＶについては、「Dheeraj Mekala et al.: SCDV : Sparse Composite Document Vectors using soft clustering over distributional representations, Proc of EMNLP, 2017」を参照することができる。

類似度算出部１５は、入力された事象情報と記憶部１０に記憶されている事象との類似度を算出する。記憶部１０中の事象は、予め形態素解析部１１によって形態素解析され、単語ベクトル化部１２によって単語ごとに分散化表現ベクトル化され、事象ベクトル化部１４によって事象単位で分散化表現ベクトル化されている。この分散表現ベクトル化された事象は、記憶部１０中の各事象に関連付けてベクトル表現記憶部１６に記憶されている。

類似度算出部１５は、分散表現ベクトル化された事象情報と、ベクトル表現記憶部１６に記憶されている分散表現ベクトル化された事象とのコサイン類似度に基づいて、入力された事象情報と、記憶部１０中の事象との類似度を算出する。コサイン類似度とは、ベクトル空間モデルにおいて、文書同士を比較する際に用いられる類似度計算手法である。コサイン類似度がベクトル同士の成す角度の近さを表現するので、入力された事象情報と、記憶部１０中の事象とは、コサイン類似度が１に近ければより類似しており、０に近ければより類似していないことになる。

入出力記憶部１７は、端末２において行われた入出力の情報を記憶する。

＜端末＞
端末２は、表示部２０と、入力部２１と、出力部２２と、を有する。端末２は、本実施形態では、タブレットであるが単なる一例であって、例えば、ノートパソコン、スマートフォンであってもよい。

表示部２０は、入力された情報を表示する。表示部２０は、タブレットのディスプレイに相当する。

入力部２１は、事象情報などを入力するためのツールである。タブレットの場合、ディスプレイがタッチパネルになっており表示部２０と入力部２１とを兼ねている。入力部２１は、例えば、マウスやキーボードでもよい。サービスマンＭに関するサービスマン情報、日時情報、場所情報、顧客情報のいずれかまたは全てを含む基本情報および事象情報が入力部２１によって入力される。また、出力部２２によって表示部２０に表示させられた事象一覧から、事象（事象情報）が入力部２１によって選択入力される。

出力部２２は、入力された事象情報に対応する下位の事象の一覧または処置を記憶部１０から取得し、表示部２０に出力する。また、出力部２２は、類似度算出部１５によって所定以上の類似度が算出された事象の一覧も表示部２０に出力する。さらに、出力部２２は、事象の一覧から事象が選択入力されると、入力された事象に対応する事象の一覧または処置を記憶部１０から取得して表示部２０に出力する。

＜文書作成装置＞
文書作成装置３は、データベース３０と、文書作成部３１と、文書出力部３２と、を有する。文書作成装置３は、例えば、パーソナルコンピュータからなる。文書作成装置３は、例えば、サービスマンＭが所属する部署の室内に設けられていてもよい。

データベース３０は、文書作成装置３の記憶部に記憶されている。データベース３０には、フォークリフトＦに関するフォークリフト情報および作成する文書Ｄに関する文書情報が含まれている。

フォークリフト情報は、フォークリフトＦのブランド、種別、機種、型式、部位などの情報が含まれている。また、フォークリフト情報には、見積書作成のために、そのフォークリフトＦごとに対するサービスに関する金額も含まれている。フォークリフトＦに対するサービスには、例えば、フォークリフトＦに発生した事象を解析することや事象に対してなされる処置が含まれる。

文書情報は、文書Ｄを作成するのに必要な雛形などの情報が含まれている。

文書作成部３１は、フォークリフトＦに発生した事象、フォークリフトＦに対する処置、フォークリフト情報および文書情報に基づいて、これら事象および処置に関する見積書もしくは報告書またはその両方を作成する。フォークリフトＦに発生した事象、フォークリフトＦに対する処置は、サーバ１の入出力記憶部１７に記憶された端末２の入出力情報に含まれている。したがって、文書作成部３１は、サーバ１から入出力情報を受信することによりフォークリフトＦに発生した事象、フォークリフトＦに対する処置に関する情報を取得する。

文書作成部３１は、見積書の場合、文書情報に含まれている見積書の雛形に、これらフォークリフトＦに発生した事象、フォークリフトＦに対する処置を記載するとともにそれら事象および処置に対応する金額を記載する。サーバ１の入出力記憶部１７には、端末２の入力部２１によって入力されたサービスマンＭに関するサービスマン情報、日時情報、場所情報のいずれかまたは全てを含む基本情報も含まれている。文書作成部３１は、サーバ１からこれら基本情報を受信し見積書の雛形に記載する。これにより、見積書が作成される。

文書出力部３２は、モニタやプリンタなどであって、文書作成部３１によって作成された文書Ｄを表示したり、印刷したりする。

＜文書作成システムの動作＞
以上、本実施形態に係る文書作成システムＳの構成に関して説明した。次いで、本実施形態に係る文書作成システムＳの具体的な動作について図を参照しつつ説明する。

フォークリフトＦにトラブルによる事象が発生すると、サービスマンＭから、入力部２１によって端末２に基本情報などが入力される。入力部２１によって入力された情報は、サーバ１に送信される。入出力記憶部１７は、受信した入力情報を記憶していく。

図４に示すように、表示部２０にフォークリフト情報および事象情報を入力するための画面４００が表示されると、サービスマンＭによって、画像領域４００ａ〜４００ｄにフォークリフトＦのブランド、種別、機種、型式、事象が発生した部位、事象のエラーコードが直接入力されるかまたは選択入力されていく。

次に、図５に示すように、表示部２０にトップ事象を選択するための画面５００が表示され、事象情報５００ａ、５００ｂが表示されると、サービスマンＭによって、いずれかの事象情報が選択入力される。このとき、フォークリフトＦに発生した事象に対応する事象情報が表示された事象情報に含まれていない場合がある。この場合、サービスマンＭによって、図４に示されるキーワード入力領域４００ｅに事象情報が入力される。

類似度算出部１５は、入力された事象情報と記憶部１０に記憶されている事象との類似度を算出し、所定以上の類似度が算出された事象を端末２に送信する。出力部２２は、受信した事象の一覧を表示部２０に出力して表示させる。次いで、出力部２２は、あらためてサービスマンＭによって、表示された事象一覧からフォークリフトＦに発生した事象に対応する事象が選択入力されると、入力された事象に対応する事象の一覧を記憶部１０から受信して表示部２０に出力する。

図６に示すように、出力部２２は、サービスマンＭによって最下位の事象が選択入力されると、この事象に対応する処置６００ａを表示部２０に出力し表示させる。未熟なサービスマンＭであっても、この処置を参照することにより、フォークリフトＦに発生した事象に対応する処置を特定することができる。出力部２２が出力した処置は、サーバ１に送信され、入出力記憶部１７に記憶される。

文書作成部３１は、入出力記憶部１７に記憶された基本情報、フォークリフトＦに発生した事象、フォークリフトＦに対する処置を受信する。次いで、文書作成部３１は、受信した情報および受信した情報に対応するフォークリフト情報を作成する文書Ｄの雛形に記載していく。これにより文書Ｄが作成される。

本実施形態に係る文書作成システムによれば、サービスマンＭは、フォークリフトＦの対応の後に改めて文書Ｄの作成作業を行う必要がない。しかも、端末２の入出力情報から文書Ｄが作成されるので、情報の誤入力がなく、誤った文書が作成されてしまう可能性が減少する。

以上、本発明に係る文書作成システムＳの一実施形態について説明したが、本発明は上記実施形態に限定されるものではない。

（１）文書作成システムＳは、端末２がサーバ１の構成を有していてもよい。この場合、文書作成装置３は、端末２の入出力記憶部１７から基本情報、作業機械に発生した事象、作業機械に対する処置を受信する。

（２）記憶部１０には、さらに、処置に対応する技術資料が記憶されていてもよい。この場合、出力部２２は、処置とともにこの処置に対応する技術資料を表示部２０に出力し表示部２０に表示させてもよい。これにより、未熟なサービスマンであっても、適切に処置を行うことができる。

１ サーバ
１０ 記憶部
１１ 形態素解析部
１２ 単語ベクトル化部
１３ 学習済みニューラルネットワーク
１４ 事象ベクトル化部
１５ 類似度算出部
１６ ベクトル表現記憶部
１７ 入出力記憶部
２ 端末
２０ 表示部
２１ 入力部
２２ 出力部
３ 文書作成装置
３０ データベース
３１ 文書作成部
３２ 文書出力部
３００ 報告書

上記課題を解決するために、本発明の作業機械に対するサービスに係る文書作成システムは、
前記作業機械に発生しうる事象および前記事象に対応する処置を記憶している記憶部と、
入力された情報を表示する表示部と、
前記作業機械に発生した前記事象または前記事象の一部からなる事象情報を入力するための入力部と、
入力された前記事象情報に対応する下位の前記事象の一覧または前記処置を前記記憶部から取得し、前記表示部に出力する出力部と、
前記入力された事象情報および前記出力された処置を記憶する入出力記憶部と、
前記作業機械に関する作業機械情報および作成する文書に関する文書情報を含むデータベースと、
前記作業機械に発生した前記事象、当該事象に対応する前記処置、前記作業機械情報および文書情報に基づいて、当該事象および当該処置に関する文書を作成する文書作成部と、
前記入力された事象情報と前記記憶部に記憶されている前記事象との類似度を算出する類似度算出部と、
複数の報告書に記載された前記作業機械に発生した過去の複数の前記事象を学習用データとしてニューラルネットワークを用いて教師なし学習され、単語が入力されると、前記入力された単語の意味に対応する分散表現ベクトルを出力する学習済みニューラルネットワークと、
前記事象情報が入力されると、当該事象情報を単語ごとに分割する形態素解析部と、
前記単語ごとに分割された事象情報から、前記学習済みニューラルネットワークによって単語ごとの分散表現ベクトルを生成する単語ベクトル化部と、
前記生成された各単語の分散表現ベクトルから、前記入力された事象情報すべてのテキストに対応させた分散表現ベクトルを生成する事象ベクトル化部と、
前記記憶部中の前記事象に対応させて生成された分散表現ベクトルを記憶しているベクトル表現記憶部と、を備え、
前記類似度算出部は、前記入力された事象情報に対応させて生成された前記分散表現ベクトルと、前記ベクトル表現記憶部に記憶されている前記分散表現ベクトルとのコサイン類似度に基づいて、類似度を算出し、
前記出力部は、前記事象の一覧から前記事象情報が選択入力されると、さらに、前記入力された事象情報に対応する前記事象の一覧または前記処置を前記記憶部から取得して前記表示部に出力し、さらに所定以上の類似度が算出された前記事象の一覧を前記表示部に出力することを特徴とする。

Claims (7)

1. 作業機械に対するサービスに係る文書作成システムであって、
   前記作業機械に発生しうる事象および前記事象に対応する処置を記憶している記憶部と、
   入力された情報を表示する表示部と、
   前記作業機械に発生した前記事象または前記事象の一部からなる事象情報を入力するための入力部と、
   入力された前記事象情報に対応する下位の前記事象の一覧または前記処置を前記記憶部から取得し、前記表示部に出力する出力部と、
   前記入力された事象情報および前記出力された処置を記憶する入出力記憶部と、
   前記作業機械に関する作業機械情報および作成する文書に関する文書情報を含むデータベースと、
   前記作業機械に発生した前記事象、当該事象に対応する前記処置、前記作業機械情報および文書情報に基づいて、当該事象および当該処置に関する文書を作成する文書作成部と、を備え、
   前記出力部は、前記事象の一覧から前記事象情報が選択入力されると、さらに、前記入力された事象情報に対応する前記事象の一覧または前記処置を前記記憶部から取得して前記表示部に出力する
   ことを特徴とする文書作成システム。
2. 前記文書は、前記作業機械に発生した前記事象および前記作業機械に対する前記処置に関する見積書もしくは報告書またはその両方である
   ことを特徴とする請求項１に記載の文書作成システム。
3. 端末と、文書作成装置と、前記端末および前記文書作成装置と相互に通信可能なサーバと、をさらに備え、
   前記端末は、前記表示部と、前記入力部と、前記出力部と、を有し、
   前記文書作成装置は、前記データベースと、前記文書作成部と、を有し、
   前記サーバは、前記記憶部と、前記出力部と、前記入出力記憶部と、を有する、
   ことを特徴とする請求項１または２に記載の文書作成システム。
4. 前記入力された事象情報と前記記憶部に記憶されている前記事象との類似度を算出する類似度算出部をさらに備え、
   前記出力部は、さらに、所定以上の類似度が算出された前記事象の一覧を前記表示部に出力する
   ことを特徴とする請求項１〜３のいずれか１項に記載の文書作成システム。
5. 複数の報告書に記載された前記作業機械に発生した過去の複数の前記事象を学習用データとしてニューラルネットワークを用いて教師なし学習され、単語が入力されると、前記入力された単語の意味に対応する分散表現ベクトルを出力する学習済みニューラルネットワークと、
   前記事象情報が入力されると、当該事象情報を単語ごとに分割する形態素解析部と、
   前記単語ごとに分割された事象情報を、前記学習済みニューラルネットワークによって単語ごとに分散表現ベクトル化する単語ベクトル化部と、
   前記入力された事象情報を、当該事象情報に含まれている単語ごとの分散表現ベクトルに基づいて、事象情報単位で分散表現ベクトルに変換する事象ベクトル化部と、
   前記記憶部中の前記事象を分散表現ベクトル化して記憶しているベクトル表現記憶部と、をさらに備え、
   前記類似度算出部は、前記事象ベクトル化部によって分散表現ベクトル化された前記事象情報と、前記ベクトル表現記憶部に記憶されている前記分散表現ベクトル化された事象とのコサイン類似度に基づいて、類似度を算出する
   ことを特徴とする請求項４に記載の文書作成システム。
6. 前記入力された単語の意味に対応する分散表現ベクトルは、前記入力された単語がＮ−ｇｒａｍ分割されて抽出されたサブワードの分散表現ベクトルに基づく
   ことを特徴とする請求項５に記載の文書作成システム。
7. 前記入力部によって、さらに、サービスマンＭに関するサービスマン情報、日時情報、場所情報、顧客情報のいずれかまたは全てを含む基本情報が入力され、
   前記入出力記憶部は、さらに、前記入力部によって入力された前記基本情報を記憶し、
   前記文書作成部は、さらに、前記入出力記憶部に記憶されている前記基本情報に基づいて、前記文書を作成する
   ことを特徴とする請求項１〜６のいずれか１項に記載の文書作成システム。

Images