JP2021131769A - 要約生成プログラム、要約生成装置および要約生成方法 - Google Patents

Abstract

【課題】ユーザの趣向が反映された要約文を生成すること。【解決手段】本願に係る推定プログラムは、取得手順と、抽出手順と、生成手順とをコンピュータに実行させる。取得手順は、ユーザの興味を示すユーザ情報と、処理対象のコンテンツとを取得する。抽出手順は、処理対象のコンテンツに含まれる文章のうち、ユーザ情報が示す興味の対象が話題となっている文章である対象文を抽出する。生成手順は、対象文に基づいて、処理対象のコンテンツの内容が要約された要約文を生成する。【選択図】図４

Description

本発明は、要約生成プログラム、要約生成装置および要約生成方法に関する。

近年、インターネットの飛躍的な普及に伴い、ネットワークを介して様々なコンテンツの提供が盛んに行われている。また、ユーザにより適したコンテンツを提供する技術が知られている。

例えば、特許文献１では、サーバから提供される任意のコンテンツの表示スタイルをユーザの嗜好に合わせてパーソナライズ化する技術が提案されている。

特開２０１３−７７２４０号公報

しかしながら、上記の従来技術では、必ずしもユーザの趣向が反映された要約文を生成することができるとは限らない。例えば、上記の従来技術では、端末から要求があったコンテンツをサーバから取得し、取得したコンテンツに対して嗜好データに対応する部分をパーソナライズ化し、パーソナライズ化されたコンテンツと取得したコンテンツを切り替えて端末に送信する。

このように、上記の従来技術は、ユーザの嗜好に合わせてコンテンツをパーソナライズ化するものに過ぎず、文字情報から要約文を生成するものではない。したがって、上記の従来技術では、必ずしもユーザの趣向が反映された要約文を生成することができるとは限らない。

本願は、上記に鑑みてなされたものであって、ユーザの趣向が反映された要約文を生成することを目的とする。

本願に係る要約生成プログラムは、ユーザの興味を示すユーザ情報と、処理対象のコンテンツとを取得する取得手順と、前記処理対象のコンテンツに含まれる文章のうち、前記ユーザ情報が示す興味の対象が話題となっている文章である対象文を抽出する抽出手順と、前記対象文に基づいて、処理対象のコンテンツの内容が要約された要約文を生成する生成手順とをコンピュータに実行させる。

実施形態の一態様によれば、ユーザの趣向が反映された要約文を生成することができる。

図１は、実施形態に係る要約生成処理の全体像を示す図である。 図２は、実施形態に係る要約生成装置によって行われる要約生成処理の一例を示す図である。 図３は、木構造を用いた要約生成処理の一例を示す図である。 図４は、実施形態に係る要約生成装置の構成例を示す図である。 図５は、実施形態に係るポジネガマップの一例を示す図である。 図６は、実施形態に係る要約生成処理手順を示すフローチャートである。 図７は、要約生成装置の機能を実現するコンピュータの一例を示すハードウェア構成図である。

以下に、本願に係る要約生成プログラム、要約生成装置および要約生成方法を実施するための形態（以下、「実施形態」と呼ぶ）について図面を参照しつつ詳細に説明する。なお、この実施形態により本願に係る要約生成プログラム、要約生成装置および要約生成方法が限定されるものではない。また、以下の各実施形態において同一の部位には同一の符号を付し、重複する説明は省略される。

〔１．実施形態に係る要約生成処理の概要〕
現在、ロボットをはじめ様々な機器などにＡＩ（実行知能）が搭載されるようになってきており、ユーザ個々により適応した対話やリコメンデーションおよび文章要約を実現することが期待されている。

また、例えば、所定期間分のコンテンツ（例えば、記事コンテンツやメール）を個人の趣向に合わせて要約することが出来れば、ユーザは自身が興味のあるコンテンツだけを容易に見つけだすことができるようになり便利である。

また、例えば、配信候補のコンテンツ（例えば、記事コンテンツ）を配信先のユーザ個々の趣向に合わせて要約することができれば、例えば、コンテンツが表示される配信面をよりパーソナライズ化することがでこるため、ユーザに対する興味を効果的に高めることができる配信面を実現することができるようになると考えられる。

したがって、実施形態に係る要約生成処理は、上記のような前提を踏まえて、文章群のうち、ユーザによる興味の対象が話題となっている文章を特定することで、特定した文章を用いて、このユーザの趣向が反映された要約文を生成するものである。

具体的には、実施形態に係る要約生成処理は、ユーザの興味を示すユーザ情報、および、処理対象のコンテンツを取得し、取得した処理対象のコンテンツに含まれる文章のうち、ユーザ情報が示す興味の対象が話題となっている文章である対象文を抽出する。そして、抽出した対象文に基づいて、処理対象のコンテンツの内容が要約された要約文を生成する。

また、図１および図２で詳細に説明するが、実施形態に係る要約生成処理では、次のようにして対象文を抽出する。実施形態に係る要約生成処理では、ユーザの興味の対象として、処理対象のコンテンツに含まれる固有名詞が指し示す対象であって、ユーザが興味を有する対象が話題となっている文章を対象文として抽出する。より詳細には、実施形態に係る要約生成処理では、表現の異なる複数の固有名詞のうち同義の固有名詞を１つの正式な固有名詞に統一（例えば、名寄せ）し、この正式な固有名詞が示す対象（例えば、チームや人物など）であって、ユーザが興味を有する対象が話題となっている文章を対象文として抽出する。

また、実施形態に係る要約生成処理では、処理対象のコンテンツに含まれる文章のうち、主語が含まれない文章について主語を推定する。そして、主語を推定した文章のうち、その主語が、上記同義の固有名詞（１つの正式な固有名詞）が指し示す対象となっている文章を対象文として抽出する。

〔２．要約生成プログラムおよび要約生成装置について〕
実施形態に係る要約生成プログラムは、上述した実施形態に係る要約生成処理をコンピュータに実行させるためのプログラムである。具体的には、実施形態に係る要約生成プログラムは、ユーザの興味を示すユーザ情報と、処理対象のコンテンツとを取得する取得手順と、処理対象のコンテンツに含まれる文章のうち、ユーザ情報が示す興味の対象が話題となっている文章である対象文を抽出する抽出手順と、対象文に基づいて、処理対象のコンテンツの内容が要約された要約文を生成する生成手順とをコンピュータに実行させるためのプログラムである。

また、本実施形態では、このようなコンピュータの一例として、要約生成装置１００を例に挙げる。すなわち要約生成装置１００は、実施形態に係る要約生成プログラムの制御に従って、ユーザの興味を示すユーザ情報、および、処理対象のコンテンツを取得し、取得した処理対象のコンテンツに含まれる文章のうち、ユーザ情報が示す興味の対象が話題となっている文章である対象文を抽出する。そして、要約生成装置１００は、抽出した対象文に基づいて、処理対象のコンテンツの内容が要約された要約文を生成する。

また、本実施形態では、要約生成装置１００は、サーバ装置やクラウドシステム等により実現されるものとする。一方で、要約生成プログラムが実行されるコンピュータは、例えば、エンドユーザによって利用される情報処理端末であってもよく、このような情報処理端末としては、スマートフォンや、タブレット型端末や、ノート型ＰＣ（Personal Computer）や、デスクトップＰＣや、携帯電話機や、ＰＤＡ（Personal Digital Assistant）等が挙げられる。

〔３．要約生成処理の全体像〕
ここからは、図１を用いて、実施形態に係る要約生成装置１００によって行われる要約生成処理の全体像について説明する。図１は、実施形態に係る要約生成処理の全体像を示す図である。また、本実施形態では、処理対象のコンテンツを「スポーツ記事による記事コンテンツ」とする。そして、本実施形態では、ユーザを特定のスポーツ（例えば、野球）におけるチームのファン（あるいは、特定のスポーツ選手のファン）であるものとして、このユーザの興味や趣向が反映された要約を生成する場面を一例に挙げる。

一方で、実施形態に係る要約生成処理は、スポーツ記事に限定されず、例えば、ニュース記事、ブログなど如何なる記事にも適用可能である。また、実施形態に係る要約生成処理は、記事に限定されず、例えば、メールコンテンツ（メール本文の要約）や書籍（書籍本文の要約）にも適用可能である。

まず、要約生成装置１００は、ユーザの興味を示すユーザ情報を取得する。例えば、要約生成装置１００は、どのようなこと（人、もの、イベント、仕事など）に興味があるか、自身にとってどのようなことが重要であるか、どのようなものが好きであるか、といった、興味に関する情報を示すユーザ情報の登録を受け付けることにより、ユーザの興味を示すユーザ情報を取得する。図１の例では、要約生成装置１００は、ユーザＵ１からユーザ情報の登録を受け付けたことにより、ユーザＵ１からユーザＵ１の興味を示すユーザ情報を取得している。

具体的には、図１の例では、要約生成装置１００は、「チームＴａ」のファン（「チームＴａ」に興味がある、あるいは、「チームＴａ」が好き）といったユーザ情報をユーザＵ１から取得している。また、図１の例では、要約生成装置１００は、「ＰＹ１選手」のファン（「ＰＹ１選手」に興味がある、あるいは、「ＰＹ１選手」が好き）といったユーザ情報をユーザＵ１から取得している。

なお、要約生成装置１００は、ユーザ登録によりユーザ情報を取得するのではなく、ユーザの行動を示す行動情報（例えば、ユーザの位置情報、ユーザの購買履歴、ユーザの閲覧履歴）などから、ユーザの興味を推定し、推定した情報をユーザの興味を示すユーザ情報として取得してもよい。また、このような推定ができるよう、要約生成装置１００は、ユーザの行動情報（行動履歴）が記憶される記憶部（不図示）を有してもよいし、所定の外部サーバから行動情報を取得してもよい。

次に、要約生成装置１００は、処理対象のコンテンツを取得する。例えば、要約生成装置１００は、処理対象のコンテンツとして、所定期間（例えば、過去１ヶ月分）の記事コンテンツ群を取得する。例えば、「チームＴａ」が野球チームであり、「ＰＹ１選手」が野球選手であるとすると、要約生成装置１００は、野球に関する記事が掲載されたスポーツ記事コンテンツのコンテンツ群を取得する。また、要約生成装置１００は、所定期間の新聞記事を取得してもよいし、インターネット配信された所定期間分のウェブコンテンツを取得してもよい。図１の例では、要約生成装置１００は、このような処理対象のコンテンツを、外部サーバＳＶから取得している。

なお、要約生成装置１００が、どこから処理対象のコンテンツを取得するかは任意であってよい。例えば、ユーザが所定期間分のメール本文（処理対象のコンテンツの一例）の要約を希望する場合、要約生成装置１００は、この所定期間分のメール本文を示す文章情報を登録をユーザから受け付けてもよい。また、ユーザが所定期間分のメール本文（処理対象のコンテンツの一例）の要約を希望する場合、要約生成装置１００は、この所定期間分のメール本文を示す文章情報を所定のメールサーバから取得してもよい。

このようにして、要約生成装置１００は、ユーザの興味を示すユーザ情報、および、処理対象のコンテンツを取得すると、実施形態に係る要約生成処理を開始する。まず、要約生成装置１００は、ユーザＵ１のユーザ情報に基づいて、取得した記事コンテンツ群の中から、ユーザＵ１の興味に関する記事コンテンツを取得することにより、処理対象のコンテンツの絞り込みを行う（ステップＳ１）。例えば、要約生成装置１００は、記事コンテンツ群の中から、ユーザＵ１の興味の対象に関する記事コンテンツを取得する。図１の例によると、ユーザＵ１の興味の対象は、「チームＴａ」および「ＰＹ１選手」である。また、「チームＴａ」および「ＰＹ１選手」は、ともに固有名詞である。

したがって、要約生成装置１００は、記事コンテンツ群の中から、「チームＴａ」および「ＰＹ１選手」に関する記事コンテンツを取得する。例えば、要約生成装置１００は、記事コンテンツ群の中から、ヘッドライン（見出し）あるいは本文に、「チームＴａ」および「ＰＹ１選手」を含む記事コンテンツを取得する。図１では簡単な例として、要約生成装置１００は、１つの記事コンテンツである記事コンテンツＣ１を取得したものとする。よってこの時点で、処理対象のコンテンツは、記事コンテンツＣ１に絞り込まれることになる。なお、興味の対象が固有名詞ではなく例えば一般用語であると判定される場合、要約生成装置１００は、判定した一般用語に最も近しい固有名詞を推定してもよいし、固有名詞を登録するようユーザに警告してもよい。

また、後に示すが、記事コンテンツＣ１には、本文を形成する複数の文章が含まれているが、要約するうえで不必要な情報も含まれる（例えば、写真など）。このため、次に、要約生成装置１００は、記事コンテンツＣ１に対してクレンジング処理（データクレンジング）を行うことにより、記事コンテンツＣ１から不必要な情報を除去する（ステップＳ２）。要約生成装置１００は、このようなクレンジング処理として、任意の従来技術を採用することができる。

次に、要約生成装置１００は、記事コンテンツＣ１に含まれる文章に対して、固有名詞のマージを行う（ステップＳ３）。ここで、人物「ＰＹ１」を例に挙げると、記事コンテンツＣ１中では、「ＰＹ１」という人物が様々な表現で表記される場合がある。例えば、記事コンテンツＣ１中のある文章の主語では「チームＴａのＰＹ１選手」と表記される一方で、記事コンテンツＣ１中の別の文章の主語では「ＰＹ１選手」と表記される場合がある。また、「ＰＹ１選手」は、ファンからは特定のあだ名で呼ばれている場合、記事コンテンツＣ１中のある文章の主語では、このあだ名が用いられる場合がある。

このように、「ＰＹ１」という人物は、複数の異なる表現で表記される場合があるが、全て一人の人物に名寄せすることができる。例えば、「チームＴａのＰＹ１選手」、および、「ＰＹ１選手」は、一人の人物「ＰＹ１」に名寄せすることができる。すなわち、「チームＴａのＰＹ１選手」、および、「ＰＹ１選手」は、ともに一人の人物「ＰＹ１」を指すという点で表現は異なるが同義である。

このようなことから、要約生成装置１００は、ユーザＵ１の興味の対象を示す固有名詞が、異なる複数の固有名詞で表記される場合があるような固有名詞であるか否かを判定する。そして、要約生成装置１００は、異なる複数の固有名詞で表記される場合があると判定した場合、記事コンテンツＣ１に含まれる文章のうち、これら複数の固有名詞それぞれを主語とする文章を特定する。そして、要約生成装置１００は、特定した文章の主語に対して、異なる複数の固有名詞に対する最も正式な固有名詞（例えば、本名）をマージする。図１の例では、要約生成装置１００は、「チームＴａのＰＹ１選手」を主語とする文章において、この主語に対して「ＰＹ１」をマージする。また、図１の例では、要約生成装置１００は、「ＰＹ１選手」を主語とする文章において、この主語に対して「ＰＹ１」をマージする。

なお、ユーザの興味の対象を示す固有名詞は他にどのような表現で表記されることがあるか、また、ユーザの興味の対象を示す固有名詞を含め表現の異なる複数の固有名詞であって、同義の固有名詞は、どのような固有名詞に統一することができるかという情報は、専用の固有名詞辞書に示される。このため、要約生成装置１００は、この固有名詞辞書と、ユーザの興味の対象を示す固有名詞とを比較することで、正式な固有名詞のマージを行うことができる。また、要約生成装置１００は、このような固有名詞のマージを行うことで、本来であれば、ユーザの興味の対象が話題となっている文章であるにも拘らず、この文章が要約対象から除外されてしまうことを防止することができる。この結果、要約生成装置１００は、ユーザの趣向が効果的に反映された要約文を生成することができる。

次に、要約生成装置１００は、記事コンテンツＣ１に含まれる文章のうち、主語が含まれない文章に対して、主語を推定する（ステップＳ４）。日本語の文章では、文脈から明らかに主語を見分けることが可能な場合、あえて主語を省略した文章が用いられることがある。この場合、省略されている主語は「暗黙の主語」などと呼ばれる。ステップＳ４では、要約生成装置１００は、記事コンテンツＣ１に含まれる文章のうち、主語が含まれない文章に対して、この暗黙の主語を推定する。

例えば、要約生成装置１００は、記事コンテンツＣ１に含まれる文章のうち、主語が含まれない文章が存在するか否かを判定し、主語が含まれない文章を判定できた場合には、この文章について暗黙の主語を推定する。例えば、要約生成装置１００は、主語が含まれない文章を判定できた場合には、この文章よりも前の文章の主語（固有名詞マージ後の主語）に基づいて、暗黙の主語を推定する。そして、このような暗黙の主語の推定により、ユーザの興味の対象が話題となっている文章であるにも拘らず、この文章が要約対象から除外されてしまうことを防止することができる。

次に、要約生成装置１００は、記事コンテンツＣ１に含まれる文章のうち、ユーザＵ１の興味の対象が話題となっている文章である対象文を抽出する（ステップＳ５）。例えば、要約生成装置１００は、記事コンテンツＣ１に含まれる文章のうち、ユーザＵ１の興味の対象を主語とする文章を対象文として抽出する。例えば、要約生成装置１００は、記事コンテンツＣ１に含まれる文章のうち、ステップＳ３で固有名詞のマージを行った文章を対象文として抽出する。また、例えば、要約生成装置１００は、ステップＳ４で暗黙の主語が推定された文章のうち、ステップＳ３でマージされた固有名詞が暗黙の主語として推定された文章を対象文として抽出する。

次に、要約生成装置１００は、任意のアルゴリズムに従って、対象文に対して構文解析を行うことで、対象文の木構造を得る（ステップＳ６）。係る木構造は、構文解析による解析結果である。また、係る木構造は、対象文を構成する文節をノードとする木構造である。木構造の一例については図３で説明する。

また、要約生成装置１００は、木構造に含まれる文節（ノード）に基づいて、記事コンテンツＣ１の内容が要約された要約文を生成する（ステップＳ７）。例えば、要約生成装置１００は、木構造に沿って、文節から分岐する分岐数が所定数以下となるように、文節をつなぐことで、記事コンテンツＣ１の内容が要約された要約文を生成する。

ここで、話題や記事が、個人にとってポジティブな印象を与えるか（すなわち、肯定的な感情に変化させるか）、ネガティブな印象を与えるか（すなわち、否定的な感情に変化させるか）は、各個人の興味や嗜好性（好み）に大きく依存する。例えば、あるチームが勝利した記事は、そのチームのファンに対してはポジティブ感情にさせる記事であるが、相手チームのファンに対してはネガティブ感情にさせる記事となる。

より詳細な一例を挙げる。例えば、「チームＴａ」が勝利した記事は、「チームＴａ」のファンに対してポジティブ感情にさせ、また、「チームＴａ」が敗北した記事は、アンチ「チームＴａ」に対してポジティブ感情にさせる。一方、「チームＴａ」が敗北した記事は、「チームＴａ」のファンに対してネガティブ感情にさせ、また、「チームＴａ」が勝利した記事は、アンチ「チームＴａ」に対してネガティブ感情にさせる。

このようなことから、ユーザに提供される情報が、そのユーザに対してポジティブな感情を与えるか、あるいは、ネガティブな感情を与えるかを効果的に判定することができれば、将来的に次のようなことが可能となると考えられる。例えば、ユーザに提供される情報を、ポジティブ感情になる情報、ネガティブ感情になる情報とに分類することができるようになり、これによりユーザは、ポジティブ感情になる情報、すなわち自身にとってより重要度の高い情報のみを容易に見分けることができるようになる。また、個人適応型対話型パーソナルエージェントシステムにおいて、より個人に適応した対話を実現することが可能となる。

このような前提のもと、要約生成装置１００は、ユーザＵ１の興味の対象に対するユーザＵ１の嗜好性に基づいて、感情の種別（ポジティブ感情、ネガティブ感情）ごとに、ステップＳ７で生成した要約文の内容に対する感情の度合いを示す感情値を推定する（ステップＳ８）。例えば、要約生成装置１００は、ユーザＵ１の嗜好性に基づいて、ステップＳ７で生成した要約文の内容に対する、ポジティブ感情を示す感情値、および、ネガティブ感情を示す感情値をそれぞれ推定する。以下、ポジティブ感情を示す感情値、および、ネガティブ感情を示す感情値を「ＰＮ値」と略表記する場合がある。

また、要約生成装置１００は、どのような表現の文章がユーザに対してどれほどポジティブにさせるか、どれほどネガティブにさせるかといった、文章とＰＮ値との関係性が学習されたモデルを用いて、今回の要約文の内容に対するＰＮ値を推定するが、この詳細については後述する。

そして、要約生成装置１００は、ユーザＵ１に対して、ＰＮ値付きの要約文を出力する（ステップＳ９）。例えば、要約生成装置１００は、ＰＮ値付きの要約文がユーザＵ１の端末装置に表示されるよう、ＰＮ値付きの要約文を係る端末装置に送信する。

さて、これまで図１を用いて説明してきたように、要約生成装置１００は、実施形態に係る要約生成プログラムに従って、ユーザの興味を示すユーザ情報、および、処理対象のコンテンツを取得し、取得した処理対象のコンテンツに含まれる文章のうち、ユーザ情報が示す興味の対象が話題となっている文章である対象文を抽出する。そして、要約生成装置１００は、抽出した対象文に基づいて、処理対象のコンテンツの内容が要約された要約文を生成する。

これにより、実施形態に係る要約生成プログラムは、ユーザの趣向が反映された要約文を生成することができる。この結果、実施形態に係る要約生成プログラムは、ユーザに対する興味を効果的に高めることができる要約文を生成することができるようになる。

〔４．要約生成処理の一例〕
ここからは、図２を用いて、実施形態に係る要約生成装置１００によって行われる要約生成処理の一例について説明する。具体的には、図２では、記事コンテンツＣ１に含まれる文章の具体例を用いて、図１で示した流れに応じた要約生成処理の一例を示す。なお、図１と重複する説明については、簡略化または省略する。また、図２に示すステップ番号（Ｓ１など）は、図１に示すステップ番号に対応する。

まず、図２（ａ）には、記事コンテンツＣ１に含まれる文章であって、処理が加えられてない文章である原文が示されている。図２（ａ）に示すように、記事コンテンツＣ１は、原文の状態では、文章ＣＳＮ１１、文章ＣＳＮ１２、文章ＣＳＮ１３、文章ＣＳＮ１４および文章ＣＳＮ１５を含む。

このような状態において、要約生成装置１００は、原文に対してクレンジング処理を行う（ステップＳ２）。クレンジング処理により文章ＣＳＮ１５が除外され、この結果、クレンジング後の記事コンテンツＣ１は、図２（ｂ）のようになる。

次に、要約生成装置１００は、図２（ｂ）の状態において、固有名詞のマージを行う（ステップＳ３）。ここで、ユーザＵ１の興味の対象は、例えば、「ＰＹ１」という人物であるが、文章ＣＳＮ１１では、主語に「チームＴａのＰＹ１選手」が用いられ、また、文章ＣＳＮ１３では、主語に「ＰＹ１選手」が用いられている。そして、「チームＴａのＰＹ１選手」、および、「ＰＹ１選手」は、ともに一人の人物「ＰＹ１」を指すという点で表現は異なるが同義である。このようなことから、「チームＴａのＰＹ１選手」、および、「ＰＹ１選手」は、ユーザＵ１の興味の対象である人物「ＰＹ１」に統一させることができる。

したがって、要約生成装置１００は、「チームＴａのＰＹ１選手」、および、「ＰＹ１選手」それぞれに対して、固有名詞「ＰＹ１」をマージする。この結果、マージ後の記事コンテンツＣ１は、図２（ｃ）のようになる。

次に、要約生成装置１００は、図２（ｃ）の状態において、記事コンテンツＣ１に含まれる文章のうち、主語が含まれない文章が存在するか否かを判定し、主語が含まれない文章を判定できた場合には、この文章について暗黙の主語を推定する。図２（ｃ）の状態では、要約生成装置１００は、主語が含まれない文章として、文章ＣＳＮ１２を判定し、文章ＣＳＮ１２について暗黙の主語を推定する。係る例では、要約生成装置１００は、文章ＣＳＮ１２よりも前の文章の主語（固有名詞マージ後の主語）に基づいて、暗黙の主語「ＰＹ１」を推定する。また、要約生成装置１００は、推定した暗黙の主語を文章ＣＳＮ１２に挿入する。この結果、暗黙の主語推定後の記事コンテンツＣ１は、図２（ｄ）のようになる。このように、文章ＣＳＮ１２の主語（暗黙の主語）は、ユーザＵ１の興味の対象を示す固有名詞であり、ステップＳ４でマージされた固有名詞に対応する。

また、要約生成装置１００は、図２（ｄ）の状態において、記事コンテンツＣ１に含まれる文章のうち、ユーザＵ１の興味の対象を主語とする文章を対象文として抽出する（ステップＳ５）。例えば、要約生成装置１００は、記事コンテンツＣ１に含まれる文章のうち、ステップＳ３で固有名詞のマージを行った文章を対象文として抽出する。また、例えば、要約生成装置１００は、ステップＳ４で暗黙の主語が推定された文章のうち、ステップＳ３でマージされた固有名詞が暗黙の主語として推定された文章を対象文として抽出する。

要約生成装置１００は、文章ＣＳＮ１１、文章ＣＳＭ１２、文章ＣＳＮ１３の全てを抽出してもよいし、いずれかを抽出してもよい。例えば、暗黙の主語が推定された文章を抽出するよう予めルール設定されているとすると、要約生成装置１００は、図２（ｅ）に示されるように、文章ＣＳＮ１１、文章ＣＳＭ１２、文章ＣＳＮ１３のうち、文章ＣＳＭ１２を対象文として抽出する。

次に、要約生成装置１００は、任意のアルゴリズムに従って、対象文である文章ＣＳＮ１２に対して構文解析を行うことで、文章ＣＳＮ１２の木構造を得る（ステップＳ６）。文章ＣＳＮ１２に対応する木構造の一例、および、この木構造を用いた要約生成処理の一例については図３で説明する。

図３は、木構造を用いた要約生成処理の一例を示す図である。図３の例によると、要約生成装置１００は、対象文である文章ＣＳＮ１２に対する構文解析により、ｃｈ００〜ｃｈ１４といった１５の文節（チャンク）をノードする木構造を得る。図３の例では、文節ｃｈ００は「同点の」に対応し、文節ｃｈ０１は「６回には」に対応し、文節ｃｈ０２は「勝ち越しの」に対応し、文節ｃｈ０３は「左翼線適時二塁打を」に対応し、文節ｃｈ０４は「放ったが」に対応し、文節ｃｈ１４は「交代した」に対応する。その他の文節についても図３に示す通りであるため説明を省略する。

また、本実施形態では、文節から分岐する分岐数に応じて、木構造に対応する文章を分類することができる。例えば、分岐のないシンプルな文章を１型、分岐数が２つの文章を２型、分岐数が３つの文章を３型、分岐数が３より多く複雑な分岐を有する文章をｎｘｍ型と定義することができる。このようなルールに従うと、図３に示す木構造に対応する文章（文章ＣＳＮ１２）について、２−３−３−３型と定義することができる。具体的には、図３に示す木構造は、文節ｃｈ０４で「２」つに分岐し、文節ｃｈ０８で「３」つに分岐し、文節ｃｈ１２で「３」つに分岐し、文節ｃｈ１４で「３」つに分岐している。このため、木構造に対応する文章（文章ＣＳＮ１２）について、２−３−３−３型と定義することができる。

このような状態において、要約生成装置１００は、ユーザＵ１の興味の対象や、この興味の対象に対するユーザＵ１の嗜好性に応じた単語を含む文節を選定する。そして、要約生成装置１００は、木構造に沿って、文節から分岐する分岐数が所定数以下となるように、選定した文節をつなぐことで、記事コンテンツＣ１の内容が要約された要約文を生成する。

文節の選定手法について説明する。例えば、要約生成装置１００は、木構造に含まれる文節のうち、ユーザＵ１の興味の対象に対するユーザＵ１の嗜好性に応じてユーザＵ１の感情の変動に影響すると推測される単語を含む文節を選定する。これまでの例によると、ユーザＵ１の興味の対象は「チームＴａ」および「ＰＹ１」である。また、ユーザＵ１はこれらのファンであるため、「チームＴａ」および「ＰＹ１」を好んでいる（重要視している、興味がある）。このようなことから、「チームＴａ」の勝敗、「チームＴａ」や「ＰＹ１」に関する各種成績（ヒット数、本塁打数、決勝リーグへの進出可否など）は、ユーザＵ１の感情をポジティブ感情、あるいは、ネガティブ感情に変えさせる大きな要因となり得る。したがって、要約生成装置１００は、「チームＴａ」の勝敗、「チームＴａ」や「ＰＹ１」に関する各種成績を示す単語を含む文節を選定する。

なお、「チームＴａ」が野球チームであり、「ＰＹ１選手」が野球選手であるとすると、ユーザＵ１は野球自体を好むともいえる。そして、野球を好むユーザ全般にとっては、試合結果や選手成績を示す数情報などは、重要な情報であり、これによりポジティブ感情になることもあれば、ネガティブ感情になることもある。したがって、このような観点から、要約生成装置１００は、試合結果や各種成績を示す単語を含む文節を選定してもよい。

また、要約生成装置１００は、カテゴリ（例えば、スポーツカテゴリなど）ごとに、当該カテゴリで重要視される情報（スポーツカテゴリであれば結果や成績など）が定義されたルール一覧を有しておき、この一覧を参照してルールベースで文節を選定してもよい。

また、要約生成装置１００は、木構造に含まれる文節のうち、興味の対象に対するユーザＵ１の嗜好性に応じてユーザの感情の度合いを示す感情値を変動させると推測される単語を含む文節を選定してもよい。ここでいう感情値とは、ポジティブ感情を示す感情値、および、ネガティブ感情を示す感情値、すなわち「ＰＮ値」である。例えば、分岐のないシンプルな文章すなわち１型の文章となるように文節を組み合わせてできる各要約文を、ＰＮ値を出力するモデル（文章とＰＮ値との関係性が学習されたモデル）に入力する。そして、要約生成装置１００は、出力されたＰＮ値が所定値より大きくなる要約文を構成する文節を選定する。例えば、要約生成装置１００は、ポジティブ感情を示す感情値、または、ネガティブ感情を示す感情値の少なくともいずれか一方が所定値より大きくなる要約文を構成する文節を選定する。

また、要約生成装置１００は、ユーザＵ１の感情の変動に影響すると推測される単語、あるいは、ユーザＵ１の感情の度合いを示す感情値を変動させると推測される単語のうち、現在時期に関連する単語を含む文節を優先的に選定してもよい。例えば、野球であればリーグ優勝が決まりだす時期（月）には、野球に関するこの時期特有のワード（例えば、優勝争いするチーム名や、本塁打争いする選手名、首位打者候補の選手名など）が検索ランキングの上位に出現することがある。したがって、要約生成装置１００は、このような時期の習性（季節性）を有する単語を含む文節を優先的に抽出してもよい。なお、要約生成装置１００は、カテゴリ（例えば、野球カテゴリ）ごとに、当該カテゴリではどの時期にどのワードが頻出するかが学習された辞書を有しておき、係る辞書を参照することで、時期の習性（季節性）を有する単語を特定してもよい。

また、要約生成装置１００は、ユーザＵ１の興味の対象に関連する単語（固有名詞）であって、ユーザＵ１の嗜好性とより関連性の高いの高い単語を含む文節を選定してもよい。これまでの例によると、ユーザＵ１の興味の対象は「チームＴａ」および「ＰＹ１」である。また、ユーザＵ１はこれらのファンであるため、「チームＴａ」および「ＰＹ１」を好んでいる。

ここで、「チームＴａ」を例に挙げると、要約生成装置１００は、「チームＴａ」を好むユーザ（「チームＴａ」のファン）に対して、ポジティブな印象を与える単語、および、ネガティブな印象を与える単語が単語間距離に基づき分布されたポジネガマップを用いて、「チームＴａ」に対しての関連性が高いと推定される単語を特定する。具体的には、要約生成装置１００は、ポジネガマップを参照し、「チームＴａ」との単語間距離が所定値以下の単語を特定することで、特定した単語を含む文節を選定する。なお、単語間距離に基づくポジネガマップの生成については図５で説明する。

ここまで文節の選定手法について説明してきた。要約生成装置１００は、上記のように木構造から文節を選定すると、文節から分岐する分岐数が所定数以下となるように、この木構造に沿って、選定した文節をつなぐことで記事コンテンツＣ１の内容が要約された要約文を生成する。例えば、要約生成装置１００は、文節から分岐する分岐数が「２」以下となるように、選定した文節をつなぐことで記事コンテンツＣ１の内容が要約された要約文を生成する。分岐数が「２」以下となる文章とは、分岐のないシンプルな１型の文章、あるいは、分岐数が２つである２型の文章である。ここでは、要約生成装置１００は、選定した文節をつなぐことで１型の文章を生成し、生成した１型の文章を組み合わせて要約文とするものとする。

ここで、例えば、「勝ち越し」や「二塁打」という単語は、「チームＴａ」を興味の対象とするユーザＵ１に対して感情の変化を与える大きな要因となり得る単語である。また、「ＰＹ１」が「途中交代」したことを示す単語、すなわち「途中」および「交代」は、「ＰＹ１」を興味の対象とするユーザに対して感情の変化を与える大きな要因となり得る単語である。このようなことから、図３の例では、要約生成装置１００は、「勝ち越し」を含む文節ｃｈ０２、「二塁打」を含む文節ｃｈ０３を選定したものとする。また、図３の例では、要約生成装置１００は、「途中」を含む文節ｃｈ１３、「交代」を含む文節ｃｈ１４を選定したものとする。

係る例では、要約生成装置１００は、文節ｃｈ０２および文節ｃｈ０３を選定したことにより、１型の文章となるようにさらに文節ｃｈ０４を選定する。そして、要約生成装置１００は、木構造に沿って、文節ｃｈ０２、文節ｃｈ０３、文節ｃｈ０４、文節ｃｈ１３、文節ｃｈ１４をつなげることにより、１型の文章ＣＳＮ１２１を生成する。具体的には、要約生成装置１００は、対象文である文章ＣＳＮ１２から「勝ち越しの左翼線適時二塁打を放ったが、途中交代した。」という１型の文章ＣＳＮ１２１を生成する。

また、図３の例では、要約生成装置１００は、同様の手法により、対象文である文章ＣＳＮ１１からは「チームＴａのＰＹ１選手が３０号２ラン。」という１型の文章ＣＳＮ１１１を生成している。また、要約生成装置１００は、対象文である文章ＣＳＮ１３からは「ＰＹ１は「様子を見ながらです」と判断。」という１型の文章ＣＳＮ１３１を生成している。

また、これまでの例によると、文章ＣＳＮ１４は対象文として抽出されていない。しかし、文章ＣＳＮ１４には、ユーザＵ１に対して感情の変化を与え得る試合結果に関する情報が含まれている。このようなことから、要約生成装置１００は、文章ＣＳＮ１４からも１型の文章ＣＳＮ１４１を生成している。このように、要約生成装置１００は、対象文でなくともその内容によっては要約文を構成させる文章として採用してもよい。

そして、要約生成装置１００は、各１型の文章ＣＳＮ１１１、ＣＳＮ１２１、ＣＳＮ１３１およびＣＳＮ１４１を組み合わせて、最終的に、図３に示すような要約文ＳＭ１を生成する。図３に示すように、要約文ＳＭ１は、ユーザＵ１の興味の対象に基づく趣向が反映された文章となっている。例えば、従来の要約技術であれば、主語を有しない文章ＣＳＮ１３に基づく、１型の文章ＣＳＮ１３１を含まないような要約文が生成されてしまったり、１型の文章への変換処理がないことで要約が不十分な要約文が生成されてしまう可能性がある。しかし、実施形態に係る要約生成プログラムによれば、ユーザの趣向が反映され、かつ、まとまりのある要約文を生成させることができる。

〔５．要約生成装置の構成〕
次に、図４を用いて、実施形態に係る要約生成装置１００について説明する。図４は、実施形態に係る要約生成装置１００の構成例を示す図である。図４に示すように、要約生成装置１００は、通信部１１０と、記憶部１２０と、制御部１３０とを有する。

（通信部１１０について）
通信部１１０は、例えば、ＮＩＣ（Network Interface Card）等によって実現される。そして、通信部１１０は、ネットワークＮと有線または無線で接続され、例えば、ユーザが有する端末装置との間で情報の送受信を行う。

（記憶部１２０について）
記憶部１２０は、例えば、ＲＡＭ（Random Access Memory)、フラッシュメモリ等の半導体メモリ素子またはハードディスク、光ディスク等の記憶装置によって実現される。記憶部１２０は、辞書データベース１２１と、ユーザ情報記憶部１２２と、コンテンツ記憶部１２３と、要約情報記憶部１２４とを有する。

（辞書データベース１２１について）
辞書データベース１２１は、例えば、一般用語辞書、シソーラス辞書、固有名詞辞書に対応する。また、例えば、固有名詞辞書では、正式な固有名詞に対して、異なる表現の固有名詞が紐付けられている。また、要約生成装置１００は、ユーザの動向に基づいて、時期に影響される用語を学習し、学習した用語とその時期とを紐付けておいてもよい。

（ユーザ情報記憶部１２２について）
ユーザ情報記憶部１２２は、ユーザの興味を示すユーザ情報を記憶する。例えば、後述する受付部１３１は、このようなユーザ情報の登録をユーザから受け付けた場合には、このユーザを識別する識別情報（ユーザＩＤ）に対して、受け付けたユーザ情報を対応付けてユーザ情報記憶部１２２に格納する。

（コンテンツ記憶部１２３について）
コンテンツ記憶部１２３は、処理対象のコンテンツを記憶する。例えば、後述する取得部１３２は、処理対象のコンテンツを取得すると、取得した処理対象のコンテンツをコンテンツ記憶部１２３に格納する。例えば、後述する取得部１３２は、受付部１３１により処理対象のコンテンツの登録が受け付けられた場合には、登録元のユーザを識別する識別情報（ユーザＩＤ）に対して、受け付られたコンテンツを対応付けてコンテンツ記憶部１２３に格納する。

（要約情報記憶部１２４について）
要約情報記憶部１２４は、処理対象のコンテンツの内容が要約された要約文を示す文章情報を記憶する。例えば、後述する生成部１３４は、ユーザによるユーザ情報の登録に応じて、このユーザに対して要約文を生成した場合には、このユーザを識別する識別情報（ユーザＩＤ）に対して、生成した要約文を対応付けて要約情報記憶部１２４に格納する。

なお、図４では付図示であるが、要約生成装置１００は、モデルやポジネガマップを記憶する記憶部をさらに有してもよい。

（制御部１３０について）
制御部１３０は、ＣＰＵ（Central Processing Unit）やＭＰＵ（Micro Processing Unit）等によって、要約生成装置１００内部の記憶装置に記憶されている各種プログラム（例えば、実施形態に係る要約生成プログラム）がＲＡＭを作業領域として実行されることにより実現される。また、制御部１３０は、例えば、ＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（Field Programmable Gate Array）等の集積回路により実現される。

図４に示すように、制御部１３０は、受付部１３１と、取得部１３２と、抽出部１３３と、生成部１３４と、推定部１３５と、出力部１３６と、第１制御部１３７と、第２制御部１３８とを有し、以下に説明する情報処理の機能や作用を実現または実行する。なお、制御部１３０の内部構成は、図４に示した構成に限られず、後述する情報処理を行う構成であれば他の構成であってもよい。また、制御部１３０が有する各処理部の接続関係は、図４に示した接続関係に限られず、他の接続関係であってもよい。

（受付部１３１について）
受付部１３１は、ユーザの興味を示すユーザ情報の登録を受け付ける。例えば、受付部１３１は、ユーザ操作に応じてこのユーザの端末装置から送信されたユーザ情報を受け付け、ユーザ情報を受け付けた場合には、ユーザ情報の登録を受け付けを完了させる。また、受付部１３１は、ユーザから処理対象のコンテンツの登録も受け付けることができる。

（取得部１３２について）
取得部１３２は、ユーザの興味を示すユーザ情報と、処理対象のコンテンツとを取得する。図１の例では、取得部１３２は、ユーザＵ１に対応するユーザ情報として、「チームＴａ」のファン（「チームＴａ」に興味がある、あるいは、「チームＴａ」が好き）といったことを示すユーザ情報を取得している。また、図１の例では、取得部１３２は、ユーザＵ１に対応するユーザ情報として、「ＰＹ１選手」のファン（「ＰＹ１選手」に興味がある、あるいは、「ＰＹ１選手」が好き）といったことを示すユーザ情報を取得している。また、図１の例では、取得部１３２は、処理対象のコンテンツとして、１ヶ月分の記事コンテンツ群を取得している。また、図１の例では、取得部１３２は、１ヶ月分の記事コンテンツ群に対して絞り込みが行われた後では、記事コンテンツＣ１を処理対象のコンテンツとして取得している。

（抽出部１３３について）
抽出部１３３は、処理対象のコンテンツに含まれる文章のうち、ユーザ情報が示す興味の対象が話題となっている文章である対象文を抽出する。例えば、抽出部１３３は、興味の対象として、処理対象のコンテンツに含まれる文章中の固有名詞が指し示す対象であって、ユーザが興味を有する対象が話題となっている文章を対象文として抽出する。

より詳細には、抽出部１３３は、処理対象のコンテンツに含まれる文章中の異なる複数の固有名詞のうち同義の固有名詞が指し示す対象であって、ユーザが興味を有する対象が話題となっている文章を対象文として抽出する。また、抽出部１３３は、処理対象のコンテンツに含まれる文章のうち、主語が含まれない文章について主語を推定し、推定した主語が、上記同義の固有名詞が指し示す対象となっている文章を対象文として抽出する。

また、このようなことから、抽出部１３３は、図１および図２のステップＳ１〜ステップＳ５で説明したような一連の抽出処理を行う。

（生成部１３４について）
生成部１３４は、抽出部１３３により抽出された対象文に基づいて、処理対象のコンテンツの内容が要約された要約文を生成する。例えば、生成部１３４は、対象文が構文解析された解析結果である木構造に基づいて、処理対象のコンテンツの内容が要約された要約文を生成する。例えば、生成部１３４は、対象文が構文解析された解析結果である木構造を構成するノードである文節に基づいて、処理対象のコンテンツの内容が要約された要約文を生成する。

一例としては、生成部１３４は、木構造を構成する文節のうち、ユーザによる興味の対象に対するユーザの嗜好性に応じてユーザの感情の変動に影響すると推測される単語を含む文節に基づいて、処理対象のコンテンツの内容が要約された要約文を生成する。より詳細胃は、生成部１３４は、このような単語として、ユーザによる興味の対象に対するユーザの嗜好性に応じてユーザの感情の度合いを示す感情値を変動させると推測される単語を含む文節に基づいて、処理対象のコンテンツの内容が要約された要約文を生成する。

また、生成部１３４は、現在時期に関連する単語を含む文節を優先的に用いて、処理対象のコンテンツの内容が要約された要約文を生成してもよい。

また、生成部１３４は、ユーザによる興味の対象に関連する単語であって、ユーザの嗜好性とより関連性の高いの高い単語を含む文節を優先的に用いて、処理対象のコンテンツの内容が要約された要約文を生成してもよい。

また、生成部１３４は、対象文が構文解析された解析結果である木構造に沿って、文節から分岐する分岐数が所定数以下となるように、選定した文節をつなぐことで、処理対象のコンテンツの内容が要約された要約文を生成する。

また、このようなことから、生成部１３４は、図１のステップＳ６〜ステップＳ７、そして、図３で説明したような一連の生成処理を行う。

（推定部１３５について）
推定部１３５は、ユーザによる興味の対象に対するユーザの嗜好性に基づいて、感情の種別ごとに、要約文の内容に対するそれぞれの感情の度合いを示す感情値（ＰＮ値）を推定する。例えば、推定部１３５は、ユーザの感情の種別として、肯定的な感情（ポジティブな感情）および否定的な感情（ネガティブな感情）それぞれについて、要約文の内容に対する感情の度合いを示す感情値を推定する。

また、例えば、推定部１３５は、固有名詞が除外された任意の文章と、当該任意の文章に対してユーザが評価した値であって、当該任意の文章の内容に対する感情の度合いを示す感情値との関係性が学習されたモデルに基づいて、要約文の内容に対する感情の度合いを示す感情値を推定する。例えば、推定部１３５は、このようなモデルとして、肯定的な感情および否定的な感情うち、ユーザの嗜好性と要約文の内容との関係性に応じた感情ほど高い感情値を出力するように学習されたモデルに基づいて、要約文の内容に対する感情の度合いを示す感情値を推定する。

（出力部１３６について）
出力部１３６は、ユーザに対して、処理対象のコンテンツの内容が要約された要約文を出力する。例えば、出力部１３６は、処理対象のコンテンツの内容が要約された要約文として、推定部１３５により推定されたＰＮ値が付与された要約文を出力する。例えば、出力部１３６は、ＰＮ値付きの要約文がユーザの端末装置に表示されるよう、ＰＮ値付きの要約文を係る端末装置に送信する。

（第１制御部１３７について）
第１制御部１３７は、任意の文章と、当該任意の文章に対してユーザが評価した値であって、当該任意の文章の内容に対する感情の度合いを示す感情値との関係性が学習されたモデルを学習する。具体的には、第１制御部１３７は、固有名詞が除外された任意の文章と、当該任意の文章に対してユーザが評価した値であって、当該任意の文章の内容に対する感情の度合いを示す感情値との関係性が学習されたモデルを生成する。また、ここでいう感情とは肯定的な感情（ポジティブ）感情、および、否定的な感情（ネガティブ感情）である。

また、例えば、第１制御部１３７は、モデルとして、肯定的な感情および否定的な感情うち、ユーザの嗜好性と要約文の内容との関係性に応じた感情ほど高い感情値を出力するようにモデルを学習する。

より詳細な一例を挙げる。例えば、「チームＴａ」が勝利した記事は、「チームＴａ」のファンに対してポジティブ感情にさせ、また、「チームＴａ」が敗北した記事は、アンチ「チームＴａ」に対してポジティブ感情にさせる。一方、「チームＴａ」が敗北した記事は、「チームＴａ」のファンに対してネガティブ感情にさせ、また、「チームＴａ」が勝利した記事は、アンチ「チームＴａ」に対してネガティブ感情にさせる。このように、ユーザの嗜好性と要約文の内容との関係性に応じて、ポジティブ感情およびネガティブ感情のうち、どちらの感情がより強くなるかが決まってくる。

したがって、係る例を用いると、第１制御部１３７は、「チームＴａ」のファンユーザに対しては「チームＴａ」が勝利した内容の要約文について、ポジティブ感情およびネガティブ感情のうち、ポジティブ感情の度合いを示す感情値をより高めるようモデルを学習する。また、第１制御部１３７は、アンチ「チームＴａ」ユーザに対しては「チームＴａ」が敗北した内容の要約文について、ポジティブ感情およびネガティブ感情のうち、ポジティブ感情の度合いを示す感情値をより高めるようモデルを学習する。

一方、第１制御部１３７は、「チームＴａ」のファンユーザに対しては「チームＴａ」が敗北した内容の要約文について、ポジティブ感情およびネガティブ感情のうち、ネガティブ感情の度合いを示す感情値をより高めるようモデルを学習する。また、第１制御部１３７は、アンチ「チームＴａ」のユーザに対しては「チームＴａ」が勝利した内容の要約文について、ポジティブ感情およびネガティブ感情のうち、ネガティブ感情の度合いを示す感情値をより高めるようモデルを学習する。

ここからはモデル学習の一例についてより詳細に説明する。例えば、第１制御部１３７は、図３で明した１型の文章または２型の文章のサンプル文章であって、固有名詞を含まないサンプル文章（すなわち一般用語で構成されたサンプル文章）と、当該サンプル文章に対してユーザがポジティブ感情の感情値またはネガティブ感情の感情値を評価した値との組を学習データセットとして、文章の内容と感情値との関係性を学習する。

例えば、「私は、勝ち越しの左翼線適時二塁打を放ったが、途中交代した。」というサンプル文章（１型の文章）に対して、任意のユーザは各一般用語（例えば、「勝ち越し」、「二塁打」、「途中交代」など）それぞれに対して感情値を評価するとともに、この文章全体としての感情値も評価する。よって、係る例では、第１制御部１３７は、このサンプル文章と、各一般用語に対する感情値と、文章全体としての感情値との組み合わせを学習データセットとして学習を行う。試行回数が多いほど学習精度は高まるため、多くのサンプル文章を用いることが望ましい。

そして、このような状態において、第１制御部１３７は、サンプル文章に対応する木構造に含まれる分岐数、サンプル文章に対応する木構造に含まれる文節数、サンプル文章に対応する木構造に含まれる字句（形態素）数、一般用語で構成される文章全体としての感情値、ユーザ評価による感情値、これらに基づいて、モデルを生成する。また、固有名詞を含まない文章であれば、ユーザ評価にユーザ個人の主観が反映され難いため、要約生成装置１００は、固有名詞を含まない文章を用いることで、より高精度なモデルを生成することができる。

ここで、ユーザ評価による感情値は、一般用語に対してユーザ評価された感情値ではなく、固有名詞に対してユーザ評価された感情値であってもよい。しかし、固有名詞は、数が多いうえに経時的にその数が変化するという性質があるため、ユーザに対して全ての固有名詞を評価させることは困難である。以下で説明する第２制御部１３８は、このような状況に対応する。

（第２制御部１３８について）
第２制御部１３８は、単語と単語の関連性（類似性）を示す単語間距離を算出する。例えば、第２制御部１３８は、固有名詞と一般的用語との単語間距離を算出する。また、第２制御部１３８は、記事などの一般知識に基づいて、固有名詞と一般用語とをクラスタリングする。そして、第２制御部１３８は、同一クラスタ内の単語が、自動的に同じ意味的指向を持つように制御する。このような制御によれば、ユーザがクラスタ内の単語に対してだけ感情値を評価しさえすれば、ユーザ評価が行われておらず感情値が未知の固有名詞も動的に感情値が算出されることになる。この結果、第１制御部１３７は、数が多いうえに経時的にその数が変化するという性質を有するがゆえにユーザ評価が行われていない固有名詞に対する感情値を得ることができるようになるため、この感情値を用いることでより高精度なモデルを生成することができるようになる。

例えば、第２制御部１３８は、以下のルールに従って、経時的かつ現イベントにおける個人の嗜好の変化に応じて各単語が意味的指向をもつように制御する。例えば、単語間距離には、サイズ、視野、動き、といったパラメータが存在し、また、サイズおよび視野には、単語の出現頻度が必要となるため、第２制御部１３８は、このパラメータおよび出現頻度に基づいて、単語間距離を算出するとともに、経時的かつ現イベントにおける個人の嗜好の変化に応じて各単語が意味的指向をもつように制御する。そして、このような制御の結果は、３次元トーラス形式のポジネガマップとして表現させることができる。

図５には、実施形態に係るポジネガマップＰＮ−ＭＰの一例が示される。図５の左に示されるテーブルＴＢでは、「チーム」（チーム名）ごとに、当該チームに所属する「選手」（選手名）がクラスタリングされた状態で、クラスタごとに当該クラスタにおける「チーム」と各「選手」との間で算出された「単語間距離」が一覧表示されている。

図５に示すテーブルＴＢの例では、チーム「Ｔａ」には、選手「ＰＹ１ａ」、選手「ＰＹ２ａ」、選手「ＰＹ３ａ」が、１つのチーム「Ｔａ」としてクラスタリングされている。また、図５に示すテーブルＴＢの例では、チーム名を示す単語「Ｔａ」と、選手名を示す単語「ＰＹ１ａ」との単語間距離として「７４」が算出されている。また、図５に示すテーブルＴＢの例では、チーム名を示す単語「Ｔａ」と、選手名を示す単語「ＰＹ２ａ」との単語間距離として「６４」が算出されている。また、図５に示すテーブルＴＢの例では、チーム名を示す単語「Ｔａ」と、選手名を示す単語「ＰＹ３ａ」との単語間距離として「１５７」が算出されている。

チーム「Ｔｂ」、チーム「Ｔｃ」、チーム「Ｔｄ」、チーム「Ｔｅ」、チーム「Ｔｇ」、チーム「Ｔｆ」については説明を省略する。

そして、図５の右に示されるポジネガマップＰＮ−ＭＰでは、テーブルＴＢの「単語間距離」に基づき、各単語の関係性が３次元トーラス形式で示されている。例えば、ポジネガマップＰＮ−ＭＰでは、図５に示されるように、チーム名を示す単語「Ｔａ」に対応する円球ＣＴａに対して、選手名を示す単語「ＰＹ１ａ」が単語間距離「７４」に基づき配置されている。また、チーム名を示す単語「Ｔａ」に対応する円球ＣＴａに対して、選手名を示す単語「ＰＹ２ａ」が単語間距離「６４」に基づき配置されている。また、チーム名を示す単語「Ｔａ」に対応する円球ＣＴａに対して、選手名を示す単語「ＰＹ３ａ」が単語間距離「１５７」に基づき配置されている。なお、ポジネガマップＰＮ−ＭＰに示される円球の大きさ（直径）は、この円球に対応する単語の出現頻度に対応する。

そして、ポジネガマップＰＮ−ＭＰでは、個人の嗜好の変化に応じて各単語が意味的指向をもつように制御される。このため、「チームＴａ」のファンユーザに対しては、チーム名を示す単語「Ｔａ」に対応する円球ＣＴａの色が例えば特定の色（例えば、赤色）に制御されるとともに、選手名を示す単語「ＰＹ１ａ」、「ＰＹ２ａ」、「ＰＹ３ａ」それぞれに対応する円球の色も同系色（例えば、赤系統の色）に制御される。すなわち、ポジネガマップＰＮ−ＭＰの態様は、個人の嗜好の応じて意味的指向をもつように変化させられる。

一方、アンチ「チームＴａ」に対しては、チーム名を示す単語「Ｔａ」に対応する円球ＣＴａの色が例えば別の特定の色（例えば、青色）に制御されるとともに、選手名を示す単語「ＰＹ１ａ」、「ＰＹ２ａ」、「ＰＹ３ａ」それぞれに対応する円球の色も同系色（例えば、青系統の色）に制御される。

このように、ポジネガマップＰＮ−ＭＰの態様は、個人の嗜好の応じて意味的指向をもつように変化させられる。このため、図３で説明したように、要約生成装置１００は、係るポジネガマップＰＮ−ＭＰを参照することで、「チームＴａ」との単語間距離が所定値以下の単語を特定することができるようになる。

〔６．処理手順〕
次に、図６を用いて、実施形態に係る要約生成処理の手順について説明する。図６は、実施形態に係る要約生成処理手順を示すフローチャートである。

まず、受付部１３１は、ユーザからユーザ情報の登録を受け付けたか否かを判定する（ステップＳ１０１）。受付部１３１は、ユーザ情報の登録を受け付けていないと判定している間は（ステップＳ１０１；Ｎｏ）、ユーザ情報の登録を受け付けたと判定できるまで待機する。

一方、取得部１３２は、受付部１３１によりユーザ情報の登録を受け付けたと判定された場合には（ステップＳ１０１；Ｙｅｓ）、登録に応じて受け付けられたユーザ情報を取得する（ステップＳ１０２）。例えば、取得部１３２は、ユーザ情報記憶部１２２からユーザ情報を取得する。また、取得部１３２は、処理対象のコンテンツも取得する。例えば、取得部１３２は、コンテンツ記憶部１２３から処理対象のコンテンツを取得する。なお、ユーザによる処理対象のコンテンツの登録により、受付部１３１により処理対象のコンテンツも受け付けられた場合には、取得部１３２は、受付部１３１からこの処理対象のコンテンツを取得する。

次に、抽出部１３３は、ユーザ情報に基づいて、処理対象のコンテンツを絞り込みを行う（ステップＳ１０３）。例えば、抽出部１３３は、処理対象のコンテンツの中から、ユーザの興味に関するコンテンツの絞り込みを行う。絞り込まれたコンテンツも処理対象のコンテンツである。また、抽出部１３３は、絞り込み後の処理対象のコンテンツに対してクレンジング処理を行うことで、不必要なデータを除去する（ステップＳ１０４）。

次に、抽出部１３３は、ユーザ情報が示すユーザの興味の対象に基づいて、クレンジング後の処理対象のコンテンツに含まれる文章に対して、固有名詞のマージを行う（ステップＳ１０５）。また、抽出部１３３は、クレンジング後の処理対象のコンテンツに含まれる文章のうち、主語が含まれない文章について暗黙の主語を推定し、推定した主語を挿入する（ステップＳ１０６）。

次に、抽出部１３３は、固有名詞のマージが行われた文章、および、暗黙の主語が推定された文章それぞれのうち、ユーザ情報が示す興味の対象が話題となっている文章である対象文を抽出する（ステップＳ１０７）。例えば、抽出部１３３は、ユーザ情報が示す興味の対象に対応する固有名詞（正式な固有名詞）を主語とする文章を対象文として抽出する。

次に、生成部１３４は、抽出された対象文に対して構文解析を実行することで、解析結果である木構造であって、対象文に対応する木構造を得る（ステップＳ１０８）。そして、生成部１３４は、木構造に基づいて、要約文を生成する（ステップＳ１０９）。例えば、生成部１３４は、木構造に含まれる文節のうち、ユーザによる興味の対象に対するユーザの嗜好性に応じた単語を含む文節を選定し、１型の文章となるように、この選定した文章をつなぐという処理を文章ごとに行う。そして、生成部１３４は、１型の文章を組み合わせることにより要約文を生成する。

次に、推定部１３５は、ユーザの嗜好性に基づいて、感情の種別ごとに、生成された要約文の内容に対する感情の度合いを示す感情値（ＰＮ値）を推定する（ステップＳ１１０）。そして、出力部１３６は、ユーザに対して、感情値が付与された要約文を出力する（ステップＳ１１１）。

〔７．ハードウェア構成〕
また、上記実施形態に係る要約生成装置１００は、例えば図７に示すような構成のコンピュータ１０００によって実現される。図７は、要約生成装置１００の機能を実現するコンピュータ１０００の一例を示すハードウェア構成図である。コンピュータ１０００は、ＣＰＵ１１００、ＲＡＭ１２００、ＲＯＭ１３００、ＨＤＤ１４００、通信インターフェイス（Ｉ／Ｆ）１５００、入出力インターフェイス（Ｉ／Ｆ）１６００、及びメディアインターフェイス（Ｉ／Ｆ）１７００を有する。

ＣＰＵ１１００は、ＲＯＭ１３００又はＨＤＤ１４００に格納されたプログラムに基づいて動作し、各部の制御を行う。ＲＯＭ１３００は、コンピュータ１０００の起動時にＣＰＵ１１００によって実行されるブートプログラムや、コンピュータ１０００のハードウェアに依存するプログラム等を格納する。

ＨＤＤ１４００は、ＣＰＵ１１００によって実行されるプログラム、および、係るプログラムによって使用されるデータ等を格納する。通信インターフェイス１５００は、通信網５０を介して他の機器からデータを受信してＣＰＵ１１００へ送り、ＣＰＵ１１００が生成したデータを、通信網５０を介して他の機器へ送信する。

ＣＰＵ１１００は、入出力インターフェイス１６００を介して、ディスプレイやプリンタ等の出力装置、及び、キーボードやマウス等の入力装置を制御する。ＣＰＵ１１００は、入出力インターフェイス１６００を介して、入力装置からデータを取得する。また、ＣＰＵ１１００は、生成したデータを、入出力インターフェイス１６００を介して出力装置へ出力する。

メディアインターフェイス１７００は、記録媒体１８００に格納されたプログラム又はデータを読み取り、ＲＡＭ１２００を介してＣＰＵ１１００に提供する。ＣＰＵ１１００は、係るプログラムを、メディアインターフェイス１７００を介して記録媒体１８００からＲＡＭ１２００上にロードし、ロードしたプログラムを実行する。記録媒体１８００は、例えばＤＶＤ（Digital Versatile Disc）、ＰＤ（Phase change rewritable Disk）等の光学記録媒体、ＭＯ（Magneto-Optical disk）等の光磁気記録媒体、テープ媒体、磁気記録媒体、または半導体メモリ等である。

例えば、コンピュータ１０００が実施形態に係る要約生成装置１００として機能する場合、コンピュータ１０００のＣＰＵ１１００は、ＲＡＭ１２００上にロードされたプログラムを実行することにより、制御部１３０の機能を実現する。また、ＨＤＤ１４００には、記憶部１２０内のデータが格納される。コンピュータ１０００のＣＰＵ１１００は、これらのプログラムを、記録媒体１８００から読み取って実行するが、他の例として、他の装置から、通信網５０を介してこれらのプログラムを取得してもよい。

〔８．その他〕
また、図示した各装置の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、各装置の分散・統合の具体的形態は図示のものに限られず、その全部または一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。

以上、本願の実施形態をいくつかの図面に基づいて詳細に説明したが、これらは例示であり、発明の開示の欄に記載の態様を始めとして、当業者の知識に基づいて種々の変形、改良を施した他の形態で本発明を実施することが可能である。

また、上述してきた「部（section、module、unit）」は、「手段」や「回路」などに読み替えることができる。例えば、取得部は、取得手段や取得回路に読み替えることができる。

１００ 要約生成装置
１２０ 記憶部
１２１ 辞書データベース
１２２ ユーザ情報記憶部
１２３ コンテンツ記憶部
１２４ 要約情報記憶部
１３０ 制御部
１３１ 受付部
１３２ 取得部
１３３ 抽出部
１３４ 生成部
１３５ 推定部
１３６ 出力部
１３７ 第１制御部
１３８ 第２制御部

Claims (17)

1. ユーザの興味を示すユーザ情報と、処理対象のコンテンツとを取得する取得手順と、
   前記処理対象のコンテンツに含まれる文章のうち、前記ユーザ情報が示す興味の対象が話題となっている文章である対象文を抽出する抽出手順と、
   前記対象文に基づいて、処理対象のコンテンツの内容が要約された要約文を生成する生成手順と
   をコンピュータに実行させるための要約生成プログラム。
2. 前記抽出手順は、前記興味の対象として、前記文章に含まれる固有名詞が指し示す対象であって、前記ユーザ情報が示す興味の対象が話題となっている文章を前記対象文として抽出する
   ことを特徴とする請求項１に記載の要約生成プログラム。
3. 前記抽出手順は、前記文章に含まれる異なる複数の固有名詞のうち同義の固有名詞が指し示す対象であって、前記ユーザ情報が示す興味の対象が話題となっている文章を前記対象文として抽出する
   ことを特徴とする請求項２に記載の要約生成プログラム。
4. 前記抽出手順は、前記処理対象のコンテンツに含まれる文章のうち、主語が含まれない文章について主語を推定し、推定した主語が、前記同義の固有名詞が指し示す対象となっている文章を前記対象文として抽出する
   ことを特徴とする請求項３に記載の要約生成プログラム。
5. 前記生成手順は、前記対象文が構文解析された解析結果である木構造に基づいて、前記処理対象のコンテンツの内容が要約された要約文を生成する
   ことを特徴とする請求項１〜４のいずれか１つに記載の要約生成プログラム。
6. 前記生成手順は、前記木構造を構成するノードである文節に基づいて、前記処理対象のコンテンツの内容が要約された要約文を生成する
   ことを特徴とする請求項５に記載の要約生成プログラム。
7. 前記生成手順は、前記文節のうち、前記興味の対象に対する前記ユーザの嗜好性に応じて前記ユーザの感情の変動に影響すると推測される単語を含む文節に基づいて、前記処理対象のコンテンツの内容が要約された要約文を生成する
   ことを特徴とする請求項６に記載の要約生成プログラム。
8. 前記生成手順は、前記単語として、前記興味の対象に対する前記ユーザの嗜好性に応じて前記ユーザの感情の度合いを示す感情値を変動させると推測される単語を含む前記文節に基づいて、前記処理対象のコンテンツの内容が要約された要約文を生成する
   ことを特徴とする請求項７に記載の要約生成プログラム。
9. 前記生成手順は、前記単語のうち、現在時期に関連する単語を含む前記文節を優先的に用いて、前記処理対象のコンテンツの内容が要約された要約文を生成する
   ことを特徴とする請求項７または８に記載の要約生成プログラム。
10. 前記生成手順は、前記興味の対象に関連する単語であって、前記ユーザの嗜好性とより関連性の高いの高い単語を含む前記文節を優先的に用いて、前記処理対象のコンテンツの内容が要約された要約文を生成する
    ことを特徴とする請求項６〜９のいずれか１つに記載の要約生成プログラム。
11. 前記生成手順は、前記木構造に沿って、前記文節から分岐する分岐数が所定数以下となるように、前記文節をつなぐことで、前記処理対象のコンテンツの内容が要約された要約文を生成する
    ことを特徴とする請求項６〜１０のいずれか１つに記載の要約生成プログラム。
12. 前記興味の対象に対する前記ユーザの嗜好性に基づいて、感情の種別ごとに、前記要約文の内容に対する感情の度合いを示す感情値を推定する推定手順
    をコンピュータにさらに実行させる
    ことを特徴とする請求項１〜１１のいずれか１つに記載の要約生成プログラム。
13. 前記推定手順は、前記ユーザの感情の種別として、肯定的な感情および否定的な感情それぞれについて、前記要約文の内容に対する感情の度合いを示す感情値を推定する
    ことを特徴とする請求項１２に記載の要約生成プログラム。
14. 前記推定手順は、固有名詞が除外された任意の文章と、当該任意の文章に対してユーザが評価した値であって、当該任意の文章の内容に対する感情の度合いを示す感情値との関係性が学習されたモデルに基づいて、前記要約文の内容に対する感情の度合いを示す感情値を推定する
    ことを特徴とする請求項１２または１３に記載の要約生成プログラム。
15. 前記推定手順は、前記モデルとして、肯定的な感情および否定的な感情うち、ユーザの嗜好性と要約文の内容との関係性に応じた感情ほど高い感情値を出力するように学習されたモデルに基づいて、前記要約文の内容に対する感情の度合いを示す感情値を推定する
    ことを特徴とする請求項１４に記載の要約生成プログラム。
16. ユーザの興味を示すユーザ情報と、処理対象のコンテンツとを取得する取得部と、
    前記処理対象のコンテンツに含まれる文章のうち、前記ユーザ情報が示す興味の対象が話題となっている文章である対象文を抽出する抽出部と、
    前記対象文に基づいて、処理対象のコンテンツの内容が要約された要約文を生成する生成部と
    を有することを特徴とする要約生成装置。
17. 要約生成装置が実行する要約生成方法であって、
    ユーザの興味を示すユーザ情報と、処理対象のコンテンツとを取得する取得工程と、
    前記処理対象のコンテンツに含まれる文章のうち、前記ユーザ情報が示す興味の対象が話題となっている文章である対象文を抽出する抽出工程と、
    前記対象文に基づいて、処理対象のコンテンツの内容が要約された要約文を生成する生成工程と
    を含むことを特徴とする要約生成方法。

Images