JP2020166426A - 文書分析装置および文書分析方法 - Google Patents
文書分析装置および文書分析方法 Download PDFInfo
- Publication number
- JP2020166426A JP2020166426A JP2019064867A JP2019064867A JP2020166426A JP 2020166426 A JP2020166426 A JP 2020166426A JP 2019064867 A JP2019064867 A JP 2019064867A JP 2019064867 A JP2019064867 A JP 2019064867A JP 2020166426 A JP2020166426 A JP 2020166426A
- Authority
- JP
- Japan
- Prior art keywords
- document
- documents
- isolated
- clustering
- unit
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 40
- 239000013598 vector Substances 0.000 claims abstract description 68
- 238000012545 processing Methods 0.000 claims abstract description 60
- 238000000605 extraction Methods 0.000 claims abstract description 33
- 238000007781 pre-processing Methods 0.000 claims abstract description 26
- 239000000284 extract Substances 0.000 claims abstract description 9
- 238000000034 method Methods 0.000 claims description 69
- 238000011156 evaluation Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 10
- 239000006185 dispersion Substances 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013523 data management Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
【解決手段】文書分析装置Xは、文書分析処理部X1において、分散表現による文書のベクトル化を行い、文書ベクトルを算出する前処理関連機能部3と、文書データ前処理部による前処理を行った文書データにおいて、所定の閾値より類似度が高い文書が所定数より少ない文書を孤立文書として除去する孤立文書除去部3aと、孤立文書除去部3aにより孤立文書を除去した文書データの類似度を考慮してクラスタリングを行うクラスタリング処理部5と、クラスタリング処理部5によりクラスタリングを行ったクラスタから代表文書を抽出する代表文書抽出部7と、を有する。
【選択図】図3
Description
これに対し、従来の技術では、例えば、図2に示すような文書クラスタリング技術が用いられている。文書クラスタリング技術は、大量の文書を、内容が類似する文書の集まりであるクラスタに分類する。図2では、大量の文書群D1,D2,…が、文書DAと内容が類似する文書を含むクラスタ1,文書DBと内容が類似する文書を含むクラスタ2,…というようにクラスタへと分類されている(L2)。そして、各クラスタの文書の内容を把握することにより(L3)、元の大量の文書の主な内容(Sa1)を把握することが行われている。
また、各クラスタの内容を把握するために任意で文書を抽出すると、その文書の内容が元の大量の文書でよくある内容であるとは限らない。クラスタリングでは、よくある内容の文書もそうでない文書もいずれかのクラスタに割り当てられる。そのため、クラスタにはよくある内容の文書とそうでない文書が混在する。従って、文書クラスタリング技術の問題点として、本来抽出したいよくある内容の文書(以下、「代表文書」と呼ぶ)が特定できない点が挙げられる。代表文書としては、元の大量の文書全体において類似する文書の数が多いものが最適である。
例えば、上記特許文献1に記載の技術においても、FAQの抽出作業は人手で行う必要があるという課題がある。
前記孤立文書除去部の処理により、代表文書として所定の閾値より類似度が高い文書が所定数より少ない孤立文書が選ばれることがない。
前記代表文書抽出部は、クラスタ中心点とコサイン距離が最も近い文書ベクトルを持つ文書を抽出することが好ましい。
クラスタ中心点を、前記文書データ前処理部により算出した文書ベクトルからランダム抽出したベクトルとすることで初期化し、前記ランダム抽出において、前記文書ベクトルが抽出される確率が、前記文書ベクトルと初期化済みのクラスタ中心点とのコサイン距離の最小値のα乗と、前記文書ベクトルとのコサイン距離が前記閾値dよりも近い文書ベクトルの個数のβ乗と、に比例する確率であることが好ましい。
文書の類似度とは、例えば、文書ベクトル間のコサイン距離である。
孤立文書とは、所定の閾値より類似度が高い文書が所定数より少ない文書である。
代表文書とは、例えば、元の文書内で類似する他の文書が多い文書である。
以下に、本発明の実施の形態による文書分析技術について図面を参照しながら詳細に説明する。
図3は、本発明の第1の実施の形態による文書分析技術に適用できる文書分析システムY、文書分析装置Xの一構成例を示す機能ブロック図である。図4は、本実施の形態による文書分析技術の処理の流れの一例を示すフローチャート図である。また、表1から表10までは、文書分析に用いられるデータテーブルの一例を示す表である。
以下の各表2から表10までは、表1のデータテーブル一覧に含まれる各データのテーブル一例を示す表である。
後述するB3.分散表現モデルをもとに計算された文書ベクトルデータであり、文書IDはA1、文書データテーブルのIDに対応する。ベクトル要素値v1,v2,…は、ベクトル次元数だけ列が存在する。
文書分析処理部X1は、データベース(記憶装置)DB内の文書データDB1の等を管理する文書データ管理部1と、文書データの前処理関連の処理を行う前処理関連機能部3と、クラスタリング処理部5と、代表文書抽出部7と、代表文書内容表示部11と、を有する。前処理関連機能部3は、孤立文書除去部3aを有する。
次いで、ステップS2において、孤立文書除去部3aが所定の閾値より類似度が高い文書が所定数より少ない孤立文書の除去を行う。孤立文書の除去処理は、例えば、コサイン距離が近い文書ベクトルを持つ他の文書が少ない文書は、孤立していると判断して除外する処理を含む。孤立文書を除去した後の文書ベクトルを文書ベクトルDB2に格納する。
次に、ステップS4において、代表文書抽出部7が、パラメータセットDB6に格納されるパラメータセットD1に基づいて、文書クラスタテーブルC1の文書クラスタから代表文書の抽出を行う。代表文書の抽出処理は、あるクラスタについて、クラスタ中心点と最もコサイン距離が近い文書を選択する処理である。抽出された代表文書は、代表文書DB4に代表文書テーブルC2内のデータとして格納される。この処理において、クラスタから抽出する理由は、複数の代表文書の間で内容の重複をなくすためである。
以上により、処理が終了する(END)。
図5は、図4の文書データ前処理の詳細な処理例を示すフローチャート図である。
まず。処理が開始されると(START)、以下の処理が行われる。
ステップS11: 文書の文への分割
ステップS12: 文の形態素解析
ステップS13: 文中の記号除去
ステップS14: 文書中の定型文除去
ステップS15: 文中の固有表現抽出
ステップS16: 文書の分散表現計算
ステップS17: 文書内容の要約
次に、孤立文書の除去処理について説明する。所定の閾値より類似度が高い文書が所定数より少ない孤立文書の除去処理は、例えば、コサイン距離が所定の閾値dより近い文書数が所定数nより少ない文書を孤立していると判断して除外する処理である。
尚、孤立文書の判定で使うコサイン距離の閾値dは、クラスタリングの処理で使うパラメータdと同じものである。
パラメータdは、文書が類似しているかどうかの判定の基準となる閾値である。孤立文書の除去では、文書全体の中で類似している文書が少ない文書を「孤立している」と判定したいため、文書の類似の判断基準となるパラメータdを閾値として使用する。
尚、以下の第2の実施の形態においてチューニング対象のパラメータとして参照することから、文書数の閾値を「閾値n」とした。
クラスタリングでは、どの文書もいずれかのクラスタに割り当てられる。そのため、孤立文書の除去処理を行わずにクラスタリングを行うと、孤立文書もいずれかのクラスタに割り当てられることになる。孤立文書を含むクラスタは、孤立文書と、それに類似する文書からなる。例えば、上述の所定数nが1の場合、孤立文書とコサイン距離が所定の閾値dより近い文書数は1件未満であり、孤立文書と類似する文書は存在しない。従って、クラスタには孤立文書に類似する文書は含まれず、孤立文書のみからなるクラスタが形成されることになる。そのため、クラスタから代表文書を抽出すると孤立文書が選ばれてしまうことがある。
このように、クラスタリング処理の前に孤立文書の除去処理を行っておくことにより、代表文書として孤立文書が選ばれることを未然に防止することができる。
本実施の形態では、k-means++の改良版アルゴリズムを用いることができる。
k-means++の改良版アルゴリズムでは、従来のk-means++について以下の点を改良している。
1)文書ベクトル間のコサイン距離を考慮したspherical k-means法を用いる(Kurt Hornik, Ingo Feinerer, Martin Kober, Christian Buchta, “Spherical k-Means Clustering,” Journal of Statistical Software, September 2012, Volume 50, Issue 10 参照)。
2)クラスタ中心点の初期値を,文書ベクトルを用いて以下の確率でランダム抽出する。
α: クラスタリング精度および収束スピードの向上
β: 文書ベクトルが集中しているところから、クラスタ中心点の初期値が選ばれやすくなるようにする
d: 文書ベクトルが類似していると判定するコサイン距離の閾値の調整
尚、α=2かつβ=0のとき,数1を用いたアルゴリズムは、従来のk-means++に相当する。
図8(a)は、代表文書の任意抽出処理の様子を示す図であり、図8(b)は、クラスタ中心点とのコサイン距離が最も近い文書ベクトルを持つ文書を代表文書として自動抽出処理の様子を示す図である。
図8(a)に示すように、代表文書の任意抽出処理によれば、代表文書の文書ベクトルがクラスタ中心から離れる可能性がある。従って、代表文書の文書ベクトルに近いコサイン距離の文書ベクトルを持ったクラスタ内文書が少なくなるという課題がある。
図9に示すように、ステップS4のステップS4−1において、クラスタ中心点を取得する。ステップS4−2において、クラスタ内の各文書の文書ベクトルとクラスタ中心点とのコサイン距離を比較する。ステップS4−3において、クラスタ中心点とのコサイン距離が最も近い文書ベクトルを持つ文書を代表文書とする。そして、処理を終了する(END)。
抽出した代表文書は元の大量の文書でよくある内容の文書であるため、代表文書を読むことで元の大量の文書の主な内容を把握することができる。
従って、大量の文書の内容把握作業の効率化が可能である。
次に、本発明の第2の実施の形態による文書分析技術について説明を行う。本実施の形態による文書分析技術においては、第1の実施の形態に加えて、パラメータチューニング支援機能を追加している。
図10は、本実施の形態による文書分析装置の一構成例を示す機能ブロック図であり、図3に対応する図である。図10の文書分析装置Xにおいては、図3の文書分析装置に加えて、評価指標算出部15と、パラメータ設定部17と、散布図表示部21とを有している。また、図3のデータベースに加えて、正解データD2を格納する正解データデータベースDB7を有している(DBa,表10参照)。
次いで、ステップS2aにおいて、孤立文書除去部3aが、孤立文書の除去処理を行う。この処理は、取得したパラメータセットに含まれる閾値nと閾値dを使用して行う処理である。
次いで、ステップS4において、代表文書抽出部7が、代表文書を抽出し、代表文書DB4に登録する。
1)代表文書に類似する文書の件数の割合(第1の指標)
文書データDB1に登録されている文書のうち、当該文書の文書ベクトルと、代表文書DB4に登録されている、いずれか少なくとも一つの代表文書の文書ベクトルとのコサイン距離が、閾値d以下である文書の割合である。
2)クラスタリング精度の評価指標(第2の指標)
文書クラスタテーブルC1と、正解データD2とを比較し、クラスタリング精度の評価指標を算出する。評価指標としては、一例として、Adjusted Rand Indexや、Adjusted Mutual Informationを用いることができる。
そして、ステップS9に戻る。
一方、ステップS9でYesの場合には、ステップS7に進み、散布図表示部21が、全ての評価指標の組を散布図でプロットする。
1)第1の指標と第2の指標の重み付き和を最大化するプロットを自動で選択する。
2)任意のプロットをユーザ判断で選択することも可能である。
次いで、第1の実施の形態と同様のステップS3(クラスタリング処理),ステップS4(代表文書抽出処理)を行う。
以上により、パラメータの再設定を継続して行うパラメータチューニング支援処理を終了する。
例えば、類似文書件数割合(第1の指標)とクラスタリングの評価指標(第2の指標)を用いた散布図によるパラメータ設定効果の可視化を行う。
1)所定の判断基準に基づくプロット自動選択
2)ユーザの判断によるプロット手動選択
また、P2に示すように、散布図上の別のプロットをユーザの判断で選択することもできる。
以上の構成により、パラメータ調整作業の省力化が可能となる。
1)FAQ(代表質問)作成
質問群に対し、類似の質問をクラスタ化し分類する。
各分類の代表的な質問を抽出し、要約文を表記する。
2)故障情報分析
保守点検報告書群に対し、類似の報告書をクラスタ化し分類する。
各分類の代表的な報告書を抽出し、それに記載された内容を読むことで、よくある故障の内容を把握する。
また、高精度は、代表文書に類似する文書数の最大化をすることにより達成することができる。
さらに、処理アルゴリズムにおけるパラメータの最適化処理を支援することができる。従って、パラメータ調整作業を省力化することができる。
上記の実施の形態において、図示されている構成等については、これらに限定されるものではなく、本発明の効果を発揮する範囲内で適宜変更することが可能である。その他、本発明の目的の範囲を逸脱しない限りにおいて適宜変更して実施することが可能である。
また、本実施の形態で説明した機能を実現するためのプログラムをコンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録されたプログラムをコンピュータシステムに読み込ませ、実行することにより各部の処理を行ってもよい。尚、ここでいう「コンピュータシステム」とは、OSや周辺機器等のハードウェアを含むものとする。
また、「コンピュータシステム」は、WWWシステムを利用している場合であれば、ホームページ提供環境(あるいは表示環境)も含むものとする。
X1 文書分析処理部
Y 文書分析システム
NT ネットワーク
DB データベース(記憶装置)
1 文書データ管理部
3 前処理関連機能部
3a 孤立文書除去部
5 クラスタリング処理部
7 代表文書抽出部
11 代表文書内容表示部
15 評価指標算出部
17 パラメータ設定部
21 散布図表示部
Claims (6)
- 分散表現により文書のベクトル化を行い、文書ベクトルを算出する文書データ前処理部と、
前記文書データ前処理部による前処理を行った文書において、所定の閾値より類似度が高い文書が所定数より少ない文書を孤立文書として除去する孤立文書除去部と、
前記孤立文書除去部により孤立文書を除去した文書の類似度を考慮してクラスタリングを行うクラスタリング処理部と、
前記クラスタリング処理部によりクラスタリングを行ったクラスタから代表文書を抽出する代表文書抽出部と
を有することを特徴とする文書分析装置。 - 前記代表文書抽出部は、
クラスタ中心点とコサイン距離が最も近い文書ベクトルを持つ文書を抽出することを特徴とする請求項1に記載の文書分析装置。 - 前記孤立文書除去部は、
コサイン距離が閾値dよりも近い文書ベクトルをもつ類似文書数が閾値nより少ない文書を孤立していると判断して除外する請求項1又は2に記載の文書分析装置。 - 前記クラスタリング処理部は、実数値ベクトルをクラスタリングする手法を用いて文書ベクトルをクラスタ化することにより、文書の類似度を考慮したクラスタリングを行い、
クラスタ中心点を、前記文書データ前処理部により算出した文書ベクトルからランダム抽出したベクトルとすることで初期化し、
前記ランダム抽出において、前記文書ベクトルが抽出される確率が、前記文書ベクトルと初期化済みのクラスタ中心点とのコサイン距離の最小値のα乗と、前記文書ベクトルとのコサイン距離が前記閾値dよりも近い文書ベクトルの個数のβ乗と、に比例する確率であることを特徴とする請求項3に記載の文書分析装置。 - さらに、
前記孤立文書除去部における処理で用いるn及びdと、前記クラスタリング処理部における処理で用いるα,βと、クラスタ数kと、をパラメータのセットとして、代表文書に類似する文書の件数の割合である第1の指標と、クラスタリングの正解データと比較したクラスタリング精度の評価指標である第2の指標とを算出する評価指標算出部を有し、
前記第1の指標と前記第2の指標の組をプロットして表示する散布図表示部をさらに有し、
前記散布図表示部で表示されたプロットから、所定の判断基準に基づき自動で選択されたプロットか、または、ユーザの判断により手動で選択されたプロットに基づいて、前記パラメータを再設定することを特徴とする請求項4に記載の文書分析装置。 - コンピュータによる文書分析方法であって、
分散表現により文書のベクトル化を行い、文書ベクトルを算出する文書データ前処理ステップと、
前記文書データ前処理ステップによる前処理を行った文書において、所定の閾値より類似度が高い文書が所定数より少ない文書を孤立文書として除去する孤立文書除去ステップと、
前記孤立文書除去ステップにより孤立文書を除去した文書の類似度を考慮してクラスタリングを行うクラスタリング処理ステップと、
前記クラスタリング処理ステップによりクラスタリングを行ったクラスタから代表文書を抽出する代表文書抽出ステップと
を有することを特徴とする文書分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019064867A JP7272846B2 (ja) | 2019-03-28 | 2019-03-28 | 文書分析装置および文書分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019064867A JP7272846B2 (ja) | 2019-03-28 | 2019-03-28 | 文書分析装置および文書分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020166426A true JP2020166426A (ja) | 2020-10-08 |
JP7272846B2 JP7272846B2 (ja) | 2023-05-12 |
Family
ID=72714474
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019064867A Active JP7272846B2 (ja) | 2019-03-28 | 2019-03-28 | 文書分析装置および文書分析方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7272846B2 (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2022126428A (ja) * | 2021-02-18 | 2022-08-30 | ヤフー株式会社 | 情報提供装置、情報提供方法および情報提供プログラム |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004086262A (ja) * | 2002-08-23 | 2004-03-18 | Nippon Telegr & Teleph Corp <Ntt> | 視覚的情報分類方法、視覚的情報分類装置、視覚的情報分類プログラムおよびそのプログラムを記録した記録媒体 |
JP2009294939A (ja) * | 2008-06-05 | 2009-12-17 | Toshiba Corp | 文書分類装置 |
JP2013196212A (ja) * | 2012-03-16 | 2013-09-30 | Fujitsu Ltd | 文書分割装置、文書分割プログラムおよび文書分割方法 |
WO2015181962A1 (ja) * | 2014-05-30 | 2015-12-03 | 株式会社日立製作所 | 検索方法及び装置並びに記憶媒体 |
-
2019
- 2019-03-28 JP JP2019064867A patent/JP7272846B2/ja active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004086262A (ja) * | 2002-08-23 | 2004-03-18 | Nippon Telegr & Teleph Corp <Ntt> | 視覚的情報分類方法、視覚的情報分類装置、視覚的情報分類プログラムおよびそのプログラムを記録した記録媒体 |
JP2009294939A (ja) * | 2008-06-05 | 2009-12-17 | Toshiba Corp | 文書分類装置 |
JP2013196212A (ja) * | 2012-03-16 | 2013-09-30 | Fujitsu Ltd | 文書分割装置、文書分割プログラムおよび文書分割方法 |
WO2015181962A1 (ja) * | 2014-05-30 | 2015-12-03 | 株式会社日立製作所 | 検索方法及び装置並びに記憶媒体 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2022126428A (ja) * | 2021-02-18 | 2022-08-30 | ヤフー株式会社 | 情報提供装置、情報提供方法および情報提供プログラム |
JP7410066B2 (ja) | 2021-02-18 | 2024-01-09 | Lineヤフー株式会社 | 情報提供装置、情報提供方法および情報提供プログラム |
Also Published As
Publication number | Publication date |
---|---|
JP7272846B2 (ja) | 2023-05-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021017679A1 (zh) | 地址信息解析方法、装置、系统及数据获取方法 | |
Pranckevičius et al. | Comparison of naive bayes, random forest, decision tree, support vector machines, and logistic regression classifiers for text reviews classification | |
CN107122352B (zh) | 一种基于k-means、word2vec的抽取关键词的方法 | |
CN112667794A (zh) | 一种基于孪生网络bert模型的智能问答匹配方法及系统 | |
CN108073568A (zh) | 关键词提取方法和装置 | |
CN108846422A (zh) | 跨社交网络的账号关联方法及系统 | |
US20150199567A1 (en) | Document classification assisting apparatus, method and program | |
WO2018176913A1 (zh) | 搜索方法、装置及非临时性计算机可读存储介质 | |
CN112434211A (zh) | 一种数据处理方法、装置、存储介质及设备 | |
CN110046264A (zh) | 一种面向手机文档的自动分类方法 | |
CN113535963A (zh) | 一种长文本事件抽取方法、装置、计算机设备及存储介质 | |
CN114153978A (zh) | 模型训练方法、信息抽取方法、装置、设备及存储介质 | |
JP2016153931A (ja) | 情報処理方法、情報処理装置及び情報処理プログラム | |
CN112528022A (zh) | 主题类别对应的特征词提取和文本主题类别识别方法 | |
CN115688760A (zh) | 一种智能化导诊方法、装置、设备及存储介质 | |
CN112347223A (zh) | 文档检索方法、设备及计算机可读存储介质 | |
CN111680506A (zh) | 数据库表的外键映射方法、装置、电子设备和存储介质 | |
CN112989813A (zh) | 一种基于预训练语言模型的科技资源关系抽取方法及装置 | |
CN115146062A (zh) | 融合专家推荐与文本聚类的智能事件分析方法和系统 | |
KR20180066705A (ko) | 학습자 취약점 분석 방법 및 장치 | |
JP7272846B2 (ja) | 文書分析装置および文書分析方法 | |
CN111125329B (zh) | 一种文本信息筛选方法、装置及设备 | |
CN107533672A (zh) | 模式识别装置、模式识别方法以及程序 | |
CN111949770A (zh) | 一种文档分类方法及装置 | |
Nurhachita et al. | A comparison between naïve bayes and the k-means clustering algorithm for the application of data mining on the admission of new students |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220215 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230120 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230228 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230329 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20230411 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230427 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7272846 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |