JP2021162997A - 情報処理装置及び情報処理方法 - Google Patents

Abstract

【課題】ユーザによるユースケースに応じたスペックの値を適切に推定する情報処理装置及び情報処理方法を提供する。【解決手段】スペックの値の推定を行う情報処理装置１００は、通信部１１と、入力部１２と、音声出力部１３と、記憶部１４と、制御部１５と、表示部１６と、を有する制御部の対話管理部１５３は、音声対話を管理し、自然言語理解や自動音声認識等の技術を適宜用いて、音声対話制御を実行する。制御部の推定部１５４は、外部の情報処理装置から取得された情報に基づいて、各種情報を推定する。表示部１６は、該当取引対象の類似性、またはユーザに類似する類似ユーザによる該当取引対象の購入履歴に基づいて、該当取引対象を分類し、分類結果を示す推奨情報を表示する。【選択図】図３

Description

本開示は、情報処理装置及び情報処理方法に関する。

インターネット等のネットワークを介した販売が盛んになり、例えば、電子商取引（ＥＣ：Electronic Commerce）により、商品やサービス等の取引対象をユーザに販売する技術が提供されている。例えば、ユーザがインターネット経由で商品を購入する際に、従来の店頭での対面販売などと比べて違和感が無く、自然に商品購入が実行できるような環境を提供するため、ユーザとの対話を制御するシステムが提供されている（例えば、特許文献１）。このようなシステムでは、例えば「デジタルカメラの画素数はどの程度必要ですか？」等の質問をユーザに行うことで、ユーザとの商品購入に関する対話を行う。

国際公開第２００１／０８４３９４号

従来技術によれば、ユーザにデジタルカメラ等の取引対象カテゴリのスペックの値を確認する質問を行い、その質問に対するユーザの回答によりスペックの値を取得する。

しかしながら、従来技術は、ユーザにとって利便性が高いとは言い難い。例えば、ユーザに直接スペックの値を確認する方法では、取引対象の用途等といったユースケースだけが決まっているユーザに対しては、適切なスペックの値を取得できない場合がある。そのため、ユーザによるユースケースに応じたスペックの値を適切に推定することが望まれている。

そこで、本開示では、ユーザによるユースケースに応じたスペックの値を適切に推定することができる情報処理装置及び情報処理方法を提案する。

上記の課題を解決するために、本開示に係る一形態の情報処理装置は、ユーザにより指定されるユースケースを示す文字情報を取得する取得部と、前記文字情報に基づいて、前記ユースケースに対応する取引対象カテゴリのスペックのうち、前記ユースケースに対応する対応スペックの推奨値を推定する推定部と、を備える。

本開示の実施形態に係る情報処理の一例を示す図である。 本開示の実施形態に係る情報の表示の一例を示す図である。 本開示の実施形態に係る情報処理装置の構成例を示す図である。 本開示の実施形態に係るモデル情報記憶部の一例を示す図である。 本開示の実施形態に係る取引対象情報記憶部の一例を示す図である。 本開示の実施形態に係るスペック一覧情報記憶部の一例を示す図である。 本開示の実施形態に係るモデルの一例を示す図である。 本開示の実施形態に係る情報処理の手順を示すフローチャートである。 推奨処理の流れの一例を示す図である。 モデルの学習処理の流れの一例を示す図である。 モデルを用いた応答処理の流れの一例を示す図である。 ログを用いた学習処理の一例を示す図である。 ログを用いた学習処理の一例を示す図である。 本開示の変形例に係る情報処理システムの構成例を示す図である。 本開示の変形例に係る情報処理装置の構成例を示す図である。 情報処理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、本開示の実施形態について図面に基づいて詳細に説明する。なお、この実施形態により本願にかかる情報処理装置及び情報処理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することにより重複する説明を省略する。

以下に示す項目順序に従って本開示を説明する。
１．実施形態
１−１．本開示の実施形態に係る情報処理の概要
１−１−１．背景及び効果等
１−１−２．モデルの生成
１−２．実施形態に係る情報処理装置の構成
１−２−１．モデル例
１−３．実施形態に係る情報処理の手順
１−４．処理フロー例
１−４−１．推奨処理のフロー例
１−４−２．モデルの学習処理のフロー例
１−４−３．ユーザの入力に対する応用処理のフロー例
１−５．学習処理例
１−５−１．ログを用いた学習処理例その１
１−５−１−１．発話の選択方法
１−５−２．ログを用いた学習処理例その２
１−５−２−１．グループの選択方法
２．その他の実施形態
２−１．変形例
２−２．その他の構成例
２−３．その他
３．本開示に係る効果
４．ハードウェア構成

［１．実施形態］
［１−１．本開示の実施形態に係る情報処理の概要］
図１及び図２を用いて、情報処理の概要を説明する。図１は、本開示の実施形態に係る情報処理の一例を示す図である。図２は、本開示の実施形態に係る情報の表示の一例を示す図である。具体的には、図１は、ユーザとの対話により、ユーザによるユースケースに対応するスペックの値を推定する処理（推定処理）の一例を示す図である。また、図１は、推定した値を用いてユーザに商品やサービス等の取引対象を推奨する場合を示す。また、図２は、ユーザに取引対象を推奨する情報（以下「推奨情報」ともいう）の表示の一例を示す図である。

なお、ここでは、実際に商取引で取引される具体的な商品やサービスを「取引対象」と称し、取引対象の上位概念として「取引対象カテゴリ」という文言を用いる。取引対象カテゴリは、その取引対象カテゴリに属する取引対象群の総称（一般的な名称）である。取引対象カテゴリは、上述のカメラや自動車やりんご等のいわゆる一般名称に対応し、取引対象は、実際に取引される取引対象の具体的な名称（商品名やサービス名等）に対応する。各取引対象は、いずれかの取引対象カテゴリに属する。例えば、実際に取引される製品（取引対象）であるカメラＣＡ１や、実際に取引される製品（取引対象）カメラＣＡ２は、取引対象カテゴリ「カメラ」に属する。

また、ここで言うユースケースとは、ユーザによる取引対象の用途やユーザの状況等、取引対象を利用するユーザに関する概念である。例えば、ユースケースは、取引対象の利用シーンや取引対象に対するユーザの使用状況（例えば初心者か否か等）を示す。このように、ユースケースは、ユーザの取引対象の利用に関するコンテキストである。

本開示の実施形態に係る情報処理は、図３に示す情報処理装置１００によって実現される。図３に示す情報処理装置１００は、スペックの値等の推定を行う情報処理装置の一例である。情報処理装置１００は、実施形態に係る情報処理を実行する情報処理装置である。情報処理装置１００は、ユーザに利用される端末装置である。図１では、ユーザが利用する端末装置である情報処理装置１００がスペックの値等の推定を行う例を示す。例えば、情報処理装置１００は、スマートフォンや、タブレット型端末や、スマートスピーカや、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、ユーザによって利用される種々の装置であってもよい。

なお、スペックの値等の推定を行う装置はユーザが利用する端末装置に限らず、どのような装置であってもよい。例えば、スペックの値等の推定を行う情報処理装置と、ユーザが利用する端末装置とは別体であってもよい。なお、サーバ側でスペックの値等の推定を行う場合のシステム構成等については後述する。

以下、図１について具体的に説明する。図１では、ユーザＵ１との対話を通じて、ユーザＵ１のユースケースを指定する発話を基に、そのユースケースに対応するスペックの値を推定する場合を説明する。

図１の例では、情報処理装置１００は、音声信号処理や音声認識や発話意味解析や対話制御等の機能を有する。情報処理装置１００は、音声認識の機能を有してもよい。例えば、情報処理装置１００は、自然言語理解（ＮＬＵ：Natural Language Understanding）や自動音声認識（ＡＳＲ：Automatic Speech Recognition）の機能を有してもよい。例えば、情報処理装置１００は、ユーザの発話による入力情報からユーザのインテント（意図）やエンティティ（対象）に関する情報を推定してもよい。

また、情報処理装置１００は、自然言語理解や自動音声認識の機能を有する音声認識サーバとの間で情報を送受信することにより、スペックの値等の推定に用いる情報を取得してもよい。例えば、情報処理装置１００は、検知したユーザの発話の情報を音声認識サーバへ送信し、その発話の解析結果を音声認識サーバから受信してもよい。

まず、ユーザＵ１は、「子供の運動会を撮影したいので、カメラを買いたいのですが」と発話する（ステップＳ１１）。情報処理装置１００は、「子供の運動会を撮影したいので、カメラを買いたいのですが」とのユーザＵ１の発話を検知する。情報処理装置１００は、ユーザＵ１による発話を入力として受け付ける。例えば、情報処理装置１００は、「子供の運動会を撮影したいので、カメラを買いたいのですが」という発話情報を文字情報に変換する。これにより、情報処理装置１００は、「子供の運動会を撮影したいので、カメラを買いたいのですが」という文字情報（以下「文字情報ＴＸ１」とする）を取得する。

そして、情報処理装置１００は、ユーザの発話にユースケースが含まれるかを判定する（ステップＳ１２）。情報処理装置１００は、文字情報ＴＸ１にユースケースを示す情報が含まれるかを判定する。すなわち、情報処理装置１００は、文字列「子供の運動会を撮影したいので、カメラを買いたいのですが」中にユースケースを示す文字列が含まれるかどうかを判定する。情報処理装置１００は、ユースケースの有無判定に用いるユースケース判定モデルＭ１（以下「モデルＭ１」ともいう）を用いて、文字情報ＴＸ１がユースケースを示すかどうかを判定する。

例えば、モデルＭ１は、文字情報が入力された場合、その文字情報がユースケースを示すかどうかを示すスコアを出力するモデルである。例えば、モデルＭ１は、入力された文字情報がユースケースを示す可能性が高い程高いスコアを出力する。例えば、モデルＭ１は、入力された文字情報がユースケースを示す可能性が高い程「１」に近く、高いスコアを出力し、入力された文字情報がユースケースを示す可能性が低い程「０」に近く、低いスコアを出力する。なお、上記は一例であり、モデルＭ１は種々の形式のモデルであってもよい。また、モデルＭ１の学習等についての詳細は後述する。

情報処理装置１００は、モデルＭ１と所定の閾値（例えば「０．７」等）とを用いて、文字情報がユースケースを示すかどうかを判定する。情報処理装置１００は、文字情報の入力によりモデルＭ１が出力するスコアと、所定の閾値とを比較し、例えばスコアが所定の閾値以上である場合、文字情報がユースケースを示すと判定する。図１では、情報処理装置１００は、文字情報ＴＸ１が入力されたモデルＭ１が出力するスコアが所定の閾値以上であるため、文字情報ＴＸ１がユースケースを示すと判定する。すなわち、情報処理装置１００は、文字列「子供の運動会を撮影したいので、カメラを買いたいのですが」中にユースケースを示す文字列が含まれると判定する。

そして、情報処理装置１００は、各種の情報を推定する（ステップＳ１３）。情報処理装置１００は、文字情報ＴＸ１には、ユーザが購入を希望する対象が「カメラ」であることを示す文字列が含まれるため、取引対象カテゴリを「カメラ」であると推定する。そして、情報処理装置１００は、文字情報ＴＸ１には、「運動会を撮影したい」というユースケースを指定する文字列が含まれるため、ユースケース「運動会の撮影」に対応するスペック（対応スペック）を推定する。情報処理装置１００は、ユースケース「運動会の撮影」の対応スペックが、スペック「ＡＦ（オートフォーカス）」であると推定する。また、情報処理装置１００は、ユースケース「運動会の撮影」においては対応スペック「ＡＦ（オートフォーカス）」が有ったほうが良いと推定する。すなわち、情報処理装置１００は、ユースケース「運動会の撮影」の対応スペック「ＡＦ（オートフォーカス）」の推奨値が「有り」であると推定する。

上述のように、文字情報ＴＸ１には、ユースケースを示す文字列「運動会を撮影したい」が含まれるが、取引対象のスペックの値を具体的に特定するものは含まれない。このように、情報処理装置１００は、具体的に取引対象を示す文字列が含まれない文字情報ＴＸ１に基づいて、スペックの値を推定する。情報処理装置１００は、スペックを示す文字列が含まれない文字情報ＴＸ１に基づいて、値の推定対象となるスペックを推定する。そして、情報処理装置１００は、スペックの値が含まれない文字情報ＴＸ１に基づいて、スペックの値（推奨値）を推定する。図１の例では、情報処理装置１００は、スペック一覧情報記憶部１４４（図６参照）から取引対象カテゴリ「カメラ」に対応するスペック一覧（スペック一覧ＴＢ１）を取得する。そして、情報処理装置１００は、推定後スペック一覧ＳＴＢ１−１に示すように、取引対象カテゴリ「カメラ」のスペックのうち、「ＡＦ」を対応スペックとして、その対応スペック「ＡＦ」の推奨値を「有り」と推定する。

なお、情報処理装置１００は、ルールベースにより、スペックの値を推定してもよいし、機械学習により学習されたモデルを用いて、スペックの値を推定してもよい。例えば、情報処理装置１００は、記憶部１４（図３参照）に記憶されたルール情報群を用いて、スペックの値を推定してもよい。例えば、情報処理装置１００は、ルール情報群のうち、ユースケース「運動会での撮影」と、スペック「ＡＦ」及び値「有り」とが対応付けられたルール情報を用いて、ユースケース「運動会での撮影」に対応する対応スペック「ＡＦ」の推奨値を「有り」と推定してもよい。

また、情報処理装置１００は、スペックの推奨値の推定に用いるスペック推定モデルＭ２（以下「モデルＭ２」ともいう）を用いて、文字情報ＴＸ１に対応するスペックの推奨値を推定してもよい。

例えば、モデルＭ２は、複数のスペックの各々に対応する複数のスコアを出力するモデルである。例えば、モデルＭ２は、図６に示すように、文字情報の入力に応じて各スペックに対応するスコアを出力するニューラルネットワークである。この場合、モデルＭ２は、複数のスペックのうち、入力された文字情報が示すユースケースに対応するスペックについては、スコアを出力する。また、モデルＭ２は、複数のスペックのうち、入力された文字情報が示すユースケースに対象外のスペックについては、対象外であることを示す情報（図６中では「Not referred」）を出力する。情報処理装置１００は、モデルＭ２に文字情報を入力し、スコアが出力されたスペックを対応スペックとし、出力されたスコアを基に推奨値を推定する。なお、上記は一例であり、モデルＭ２は種々の形式のモデルであってもよい。また、モデルＭ２の学習等についての詳細は後述する。

例えば、情報処理装置１００は、モデルＭ２の生成前は、ルールベースでスペックの推奨値を推定し、モデルＭ２の生成後は、モデルＭ２を用いてスペックの推奨値を推定してもよい。情報処理装置１００は、スペック一覧のうち、値が設定されたスペックの数が所定数（図１では「３」とする）以上になった場合、そのスペックの値を用いて取引対象を抽出し、取引対象の推奨を行う。この場合、情報処理装置１００は、推定後スペック一覧ＳＴＢ１−１に示すように、取引対象カテゴリ「カメラ」のスペックのうち、スペック「ＡＦ」の値のみが設定され、値が設定されたスペックの数「１」が所定数「３」未満であるため、取引対象の推奨を行わない。なお、情報処理装置１００は、取引対象カテゴリ「カメラ」の取引対象群ＴＧから、スペック「ＡＦ」が「有り」に該当する取引対象を該当取引対象として抽出し、抽出した該当取引対象の数が閾値以下である場合に、推奨情報を生成し、取引対象の推奨を行ってもよい。

そして、情報処理装置１００は、「子供の運動会を撮影したいので、カメラを買いたいのですが」とのユーザＵ１の発話に対する応答を行う（ステップＳ１４）。情報処理装置１００は、音声認識の結果を基にユーザＵ１の発話に対する応答を音声出力する。情報処理装置１００は、対話制御に関する種々の技術を適宜用いて、ユーザＵ１との対話を行う。例えば、情報処理装置１００は、図９中の意味理解モデルＭＵＭや対話戦略モデルＤＳＭ等の各種の対話用のモデルを用いて、ユーザＵ１との対話を制御してもよい。

上述した処理により、情報処理装置１００は、ユーザの発話が「要望伝達」であると意味理解を行う。また、情報処理装置１００は、ユースケース「子供の運動会」からスペック「ＡＦ」の推奨値を「あり」と推定する。そして、情報処理装置１００は、次のアクションを「お勧め機能の説明」や「予算についての質問」に決定する。

情報処理装置１００は、推定したスペックの推奨に関する情報や、他のスペックの値をユーザに要求する質問を音声出力する。図１の例では、情報処理装置１００は、「被写体は動いていると思いますので、オートフォーカス付きのカメラがお勧めです。予算はいくらくらいですか？」といった応答を行う。具体的には、情報処理装置１００は、「被写体は動いていると思いますので、オートフォーカス付きのカメラがお勧めです。」と応答することで、ユーザＵ１にスペック「ＡＦ」の推奨値が「有り」と推定されたことを通知する。また、情報処理装置１００は、「予算はいくらくらいですか？」と応答することで、ユーザＵ１にスペック「価格」の値の指定を要求する。

そして、情報処理装置１００からの応答を認識したユーザＵ１は、「５万円程度を考えています。あと初心者でも扱いやすいものがいいです。」と発話する（ステップＳ１５）。情報処理装置１００は、「５万円程度を考えています。あと初心者でも扱いやすいものがいいです。」とのユーザＵ１の発話を検知する。これにより、情報処理装置１００は、「５万円程度を考えています。あと初心者でも扱いやすいものがいいです。」という文字情報（以下「文字情報ＴＸ２」とする）を取得する。なお、図１の例では、「５万円程度を考えています。あと初心者でも扱いやすいものがいいです。」を１つの文字情報として処理する場合を示すが、「５万円程度を考えています。」と「あと初心者でも扱いやすいものがいいです。」との２つの文字情報に分割して処理を行ってもよい。

そして、情報処理装置１００は、ユーザの発話にユースケースが含まれるかを判定する（ステップＳ１６）。情報処理装置１００は、文字情報ＴＸ２にユースケースを示す情報が含まれるかを判定する。すなわち、情報処理装置１００は、文字列「５万円程度を考えています。」と「あと初心者でも扱いやすいものがいいです。」中にユースケースを示す文字列が含まれるかどうかを判定する。情報処理装置１００は、モデルＭ１を用いて、文字情報ＴＸ２がユースケースを示すかどうかを判定する。図１では、情報処理装置１００は、文字情報ＴＸ２が入力されたモデルＭ１が出力するスコアが所定の閾値以上であるため、文字情報ＴＸ２がユースケースを示すと判定する。すなわち、情報処理装置１００は、文字列「５万円程度を考えています。あと初心者でも扱いやすいものがいいです。」中にユースケースを示す文字列が含まれると判定する。

そして、情報処理装置１００は、各種の情報を推定する（ステップＳ１７）。情報処理装置１００は、文字情報ＴＸ２には、「初心者」というユースケースを指定する文字列が含まれるため、ユースケース「初心者」に対応するスペック（対応スペック）を推定する。情報処理装置１００は、ユースケース「初心者」の対応スペックが、スペック「重さ」であると推定する。また、情報処理装置１００は、ユースケース「初心者」の使用においては対応スペック「重さ」が軽いほうが良いと推定する。すなわち、情報処理装置１００は、ユースケース「初心者」の対応スペック「重さ」の推奨値が「７００ｇ以下」であると推定する。

図１の例では、情報処理装置１００は、推定後スペック一覧ＳＴＢ１−１を推定後スペック一覧ＳＴＢ１−２に更新する。具体的には、情報処理装置１００は、推定後スペック一覧ＳＴＢ１−２に示すように、取引対象カテゴリ「カメラ」のスペックのうち、「重さ」を対応スペックとして、その対応スペック「重さ」の推奨値を「７００ｇ以下」と推定する。

また、情報処理装置１００は、文字情報ＴＸ２には、「５万円」というスペック「価格」の値を指定する文字列が含まれるため、スペック「価格」の推奨値を「５万円」に設定する。具体的には、情報処理装置１００は、推定後スペック一覧ＳＴＢ１−２に示すように、取引対象カテゴリ「カメラ」のスペックのうち、スペック「価格」の推奨値を「５万円」に設定する。なお、情報処理装置１００は、スペック「重さ」の推奨値「７００ｇ以下」やスペック「価格」の推奨値「５万円」を、ルールベースで推定してもよいし、モデルＭ２を用いて推定してもよい。

そして、情報処理装置１００は、スペック一覧のうち、値が設定されたスペックの数と所定数とを比較する。この場合、情報処理装置１００は、推定後スペック一覧ＳＴＢ１−２に示すように、取引対象カテゴリ「カメラ」のスペックのうち、スペック「ＡＦ」、「価格」、「重さ」の値が設定され、値が設定されたスペックの数「３」が所定数「３」以上であるため、そのスペックの値を用いて取引対象の抽出する（ステップＳ１８）。情報処理装置１００は、取引対象カテゴリ「カメラ」の取引対象群ＴＧから、スペック「ＡＦ」が「有り」、スペック「価格」が「５万円」、スペック「重さ」が「７００ｇ以下」に該当する取引対象を該当取引対象として抽出する。図１の例では、情報処理装置１００は、カメラＣＡ１、ＣＡ２、ＣＡ３等を含む取引対象を、該当取引対象ＣＴＧとして抽出する。なお、情報処理装置１００は、該当取引対象ＣＴＧ中の取引対象の数が閾値よりも多い場合、以下のステップＳ１９以降の処理を行う前に、さらにユーザに質問し、該当取引対象をさらに絞り込んでもよい。以下では、情報処理装置１００は、該当取引対象ＣＴＧ中の取引対象の数が閾値以下であるものとして説明する。

情報処理装置１００は、抽出した該当取引対象ＣＴＧを分類する（ステップＳ１９）。情報処理装置１００は、該当取引対象ＣＴＧの類似性、またはユーザＵ１に類似する類似ユーザによる該当取引対象ＣＴＧの購入履歴に基づいて、該当取引対象ＣＴＧを分類する。

例えば、情報処理装置１００は、ルールベースで該当取引対象ＣＴＧを分類する。図１の例では、情報処理装置１００は、分類結果ＣＲ１に示すように、該当取引対象ＣＴＧをグループＡ、Ｂ、Ｃの３つに分類する。なお、分類するグループの数は３つに限らず、２つや４つ以上であってもよい。また、各該当取引対象は２つ以上のグループに属してもよい。

グループＡは、スペック「手ブレ補正」を有する取引対象が分類される。なお、ユースケース「初心者」からスペック「手ブレ補正」の推奨値が「有り」と推定されている場合、グループＡは別の軸（基準）であってもよい。グループＢは、ユーザＵ１と類似するユーザが購入した取引対象が分類される。この場合、情報処理装置１００は、記憶部１４に記憶された各ユーザの属性情報や購入履歴情報を用いて取引対象を分類する。情報処理装置１００は、該当取引対象ＣＴＧのうち、ユーザＵ１の属性（年齢、性別など）に類似するユーザが購入している取引対象をグループＢに分類する。

グループＣは、持ち運びしやすいという抽象的な特性を有する取引対象が分類される。例えば、各取引対象には、スペックとは別に「持ち運びしやすい」等の抽象的な特性を示すタグが割り当てられてもよい。この場合、グループＣには、タグ「持ち運びしやすい」が割り当てられている該当取引対象が分類される。

なお、上記は一例であり、各グループの軸（基準）は、ランダムに設定されてもよいし、情報処理装置１００の管理者等により設定されてもよい。また、情報処理装置１００は、上記のルールベースの分類に限らず、種々のクラスタリング手法を適宜用いて、該当取引対象ＣＴＧを分類してもよい。例えば、情報処理装置１００は、取引対象を分類する分類モデルを用いて、該当取引対象ＣＴＧを分類してもよい。

情報処理装置１００は、該当取引対象ＣＴＧのうち、カメラＣＡ３等をグループＡに分類し、カメラＣＡ１等をグループＢに分類し、カメラＣＡ２等をグループＣに分類することにより、分類結果ＣＲ１を生成する。情報処理装置１００は、分類結果ＣＲ１に基づいて、ユーザＵ１に提示する推奨情報を生成する。

そして、情報処理装置１００は、「承知致しました。それでしたら、以下のカメラがお勧めとなっております！」とのユーザＵ１の発話に対する応答を行う（ステップＳ２０）。情報処理装置１００は、ユーザＵ１に推奨する取引対象を提示することを通知する。

上述した処理により、情報処理装置１００は、ユーザの発話が「要望伝達」であると意味理解を行う。また、情報処理装置１００は、ユースケース「初心者」からスペック「重さ」の推奨値を「７００ｇ以下」と推定する。また、情報処理装置１００は、スペック「価格」の推奨値を「５万円」と推定する。そして、情報処理装置１００は、次のアクションを「対話終了、お勧め商品の推薦」に決定する。

そして、情報処理装置１００は、ユーザに取引対象の購入を推奨する推奨情報をユーザに提示する（ステップＳ２１）。情報処理装置１００は、分類結果ＣＲ１に基づいて、推奨情報をユーザＵ１に提示する。情報処理装置１００は、図２に示すように、推奨情報ＣＴ１１を表示部１６に表示することにより、推奨情報ＣＴ１１をユーザＵ１に提示する。

図２は、情報処理装置１００のディスプレイである表示部１６に推奨情報ＣＴ１１が表示された場合の一例を示す。情報処理装置１００は、「Ｕ１さんにお勧めのカメラです！「運動会で子供を撮影したい」とのことでしたので、「オートフォーカス付き、７００g以下のカメラ」がお勧めです！」と、取引対象の推奨理由を示す情報を表示する。また、情報処理装置１００は、「グループＡ：Ｕ１さんはカメラ初心者ということなので、手ブレ補正のついている商品群です」と、グループＡの分類基準が手ブレ補正付きであることを示す情報を表示する。また、情報処理装置１００は、「グループＢ：Ｕ１さんとよく似た人が買っている商品群です。」と、グループＢの分類基準が類似ユーザの購入であることを示す情報を表示する。また、情報処理装置１００は、「グループＣ：旅行に行くときなどにも持ち運びしやすい商品群です。」と、グループＣの分類基準が持ち運びしやすさであることを示す情報を表示する。このように、情報処理装置１００は、「オートフォーカス有り、価格５万円程度、かつ重さ７００ｇ以下」の条件に合うカメラを３つのグループに分けて提示し、各グループの説明も併せて表示する。これにより、情報処理装置１００は、ユーザＵ１によるユースケースに適した取引対象をユーザＵ１に推奨することができる。

上述のように、情報処理装置１００は、ユーザＵ１のユースケースを示す発話から、そのユースケースに応じたスペックの推奨値を推定する。具体的には、情報処理装置１００は、ユーザＵ１のユースケース「運動会の撮影」に対応する対応スペック「ＡＦ」の推奨値を「有り」と推定する。このように、情報処理装置１００は、ユーザによるユースケースに応じたスペックの値を適切に推定することができる。なお、図１の例では、取引対象カテゴリを示す「カメラ」という文字列が含まれる文字情報を対象に処理する場合を示したが、情報処理装置１００は、取引対象カテゴリが含まれない文字情報を対象に処理を行ってもよい。例えば、情報処理装置１００は、ユースケースを示す文字情報に取引対象カテゴリを示す文字列が含まれない場合、ユースケースに対応する取引対象カテゴリを推定してもよい。例えば、情報処理装置１００は、「子供の運動会を撮影したいのですが」という文字情報に基づいて、ユースケースに対応する取引対象カテゴリを「カメラ」や「ビデオカメラ」であると推定してもよい。情報処理装置１００は、ユースケースと取引対象カテゴリとが対応付けられた取引対象ルール情報を用いて、文字情報が示すユースケースに対応する取引対象カテゴリを推定してもよい。例えば、情報処理装置１００は、記憶部１４に記憶された取引対象ルール情報を用いて、取引対象カテゴリを推定する。情報処理装置１００は、ユースケース「運動会の撮影」と取引対象カテゴリ「カメラ」、「ビデオカメラ」とが対応付けられた取引対象ルール情報を用いて、取引対象カテゴリを推定してもよい。この場合、情報処理装置１００は、「子供の運動会を撮影したいのですが」という文字情報が示すユースケースに対応する取引対象カテゴリを「カメラ」や「ビデオカメラ」と推定する。なお、上記は一例であり、情報処理装置１００は、取引対象カテゴリを推定するモデル（カテゴリ推定モデル）を用いて、取引対象カテゴリを推定してもよい。例えば、情報処理装置１００は、ユースケースを示す文字情報が入力された場合に、その文字情報のユースケースに対応する取引対象カテゴリを示す情報を出力するカテゴリ推定モデルを用いて、取引対象カテゴリを推定してもよい。

[１−１−１．背景及び効果等]
例えば、スペックの具体的な値を指定するなどのスペックベースで商品等の取引対象を指定する必要があるが、取引対象の知識のないユーザはスペックベースで取引対象を指定することが難しい。例えば、「ＡＦ」や「焦点距離」などをカメラ（取引対象カテゴリ）の知識がないユーザが指定することは難しい。また、ユーザの指定に応じた取引対象を単に提示するだけでは、なぜその取引対象が推薦されたかの理由をユーザが知ることができないため、ユーザ視点では本当にその取引対象が自分にふさわしいのかが分からない。

一方で、情報処理装置１００は、ユースケースを指定するなどのユースケースベースでの取引対象の指定が可能となる。また、情報処理装置１００では、取引対象の推薦理由をユーザにフィードバックする機能を持つ。また、情報処理装置１００では、後述する強化学習の仕組みによって推薦される商品群や対話内容がより好ましいものに最適化されていくことが期待される。

上述のように、情報処理装置１００は、ユースケースをスペック（の値）にマッピングすることができる。例えば、情報処理装置１００は、ユースケース「子供の運動会を撮りたい」をスペック「ＡＦ（オートフォーカス）」の値「有り」にマッピングし、ユースケース「初心者」をスペック「重さ」の値「７００ｇ以下（軽め）」にマッピングすることができる。このように、情報処理装置１００は、ユースケースからスペックの値を推定することができる。

また、情報処理装置１００は、なぜその取引対象が推奨（お勧め）されたのか理由をユーザに提示する。図１の例では、情報処理装置１００は、該当取引対象をグルーピングして取引対象（製品）を推奨する。また、情報処理装置１００は、お勧め理由も併せて提示する。

また、詳細は後述するが、情報処理装置１００は、強化学習によってログからモデルを更新し、賢くする。例えば、情報処理装置１００は、発話内容および推薦する取引対象（商品）群の提示がユーザに対して適切なものとなり、賢くなっていく。なお、取引対象には、種々の対象が含まれてもよい。例えば、取引対象には、人材紹介サービス等における人材（人）等が含まれてもよい。

［１−１−２．モデルの生成］
ここで、モデルＭ１のようなユースケース判定モデルやモデルＭ２のようなスペック推定モデルの生成について説明する。まず、情報処理装置１００は、ユースケース判定モデルの生成について説明する。

情報処理装置１００は、発話事例の情報を用いて、モデルＭ１のようなユースケース判定モデルを生成する。例えば、情報処理装置１００は、事例情報記憶部１４１に記憶された発話事例の情報を用いて、モデルＭ１を生成する。情報処理装置１００は、ユースケースを示す発話事例（以下「該当発話事例」ともいう）を正例とし、ユースケースを示さない発話事例（以下「非該当発話事例」ともいう）を負例として、モデルＭ１を生成する。例えば、情報処理装置１００は、正例である該当発話事例（文字情報）がモデルＭ１に入力された場合に、スコア「１」をモデルＭ１が出力するように学習処理を行うことで、モデルＭ１を生成する。例えば、情報処理装置１００は、負例である非該当発話事例（文字情報）がモデルＭ１に入力された場合に、スコア「０」をモデルＭ１が出力するように学習処理を行うことで、モデルＭ１を生成する。なお、上述したユースケース判定モデルの学習は一例であり、情報処理装置１００は、種々の学習手法を適宜用いてモデルＭ１等のユースケース判定モデルを学習してもよい。

情報処理装置１００は、ユースケースを示す該当発話事例と、その発話事例に対応するスペックやそのスペックの値等（以下「正解情報」ともいう）とを対応付けた学習用情報を用いて、モデルＭ２のようなスペック推定モデルを生成する。例えば、情報処理装置１００は、記憶部１４に記憶された学習用情報を用いて、モデルＭ２を生成する。情報処理装置１００は、ユースケースを示す該当発話事例（文字情報）がモデルＭ２に入力された場合に、その該当発話事例に対応する正解情報をモデルＭ２が出力するように学習処理を行うことで、モデルＭ２を生成する。

なお、上述したスペック推定モデルの学習は一例であり、情報処理装置１００は、種々の学習手法を適宜用いてモデルＭ２等のスペック推定モデルを学習してもよい。モデルＭ２等のスペック推定モデルは、全取引対象カテゴリに共通であってもよいし、取引対象カテゴリごとに生成されてもよい。例えば、取引対象カテゴリごとに複数の取引対象カテゴリが用いられてもよい。この場合、モデルＭ２等のスペック推定モデルは、取引対象カテゴリ「カメラ」、「自動車」等の各取引対象カテゴリについて生成され、用いられてもよい。

また、スペック推定モデルは、スペックが共通するカテゴリ（「スペック共通カテゴリ」ともいう）が複数ある場合、複数のスペック共通カテゴリに共通して用いられてもよい。スペック共通カテゴリは、共通するスペックの所定の割合（例えば５０％や７５％等）以上である取引対象カテゴリであってもよい。例えば、取引対象カテゴリ「カメラ」と取引対象カテゴリ「ビデオカメラ」とは、共通するスペックの所定の割合以上であり、スペック共通カテゴリであってもよい。この場合、情報処理装置１００は、取引対象カテゴリ「カメラ」と取引対象カテゴリ「ビデオカメラ」との両方に対応可能なスペック推定モデルを生成してもよい。なお、上記は一例であり、スペック推定モデルは、種々の形態であってもよい。

なお、情報処理装置１００は、ユースケース判定モデルやスペック推定モデルの生成を行わない場合、ユースケース判定モデルやスペック推定モデルを生成する外部のモデル生成装置から、ユースケース判定モデルやスペック推定モデルを取得してもよい。例えば、情報処理装置１００は、スペックの値等の推定の対象となる言語（対象言語）に対応可能なユースケース判定モデルやスペック推定モデルを、モデル生成装置から取得してもよい。例えば、情報処理装置１００は、ユースケース判定モデルやスペック推定モデルをモデル生成装置に要求し、モデル生成装置から対象言語のユースケース判定モデルやスペック推定モデルを取得してもよい。

［１−２．実施形態に係る情報処理装置の構成］
次に、実施形態に係る情報処理を実行する情報処理装置の一例である情報処理装置１００の構成について説明する。図３は、本開示の実施形態に係る情報処理装置１００の構成例を示す図である。例えば、図３に示す情報処理装置１００は、情報処理装置の一例である。情報処理装置１００は、後述する情報処理装置としての機能を実現するコンピュータである。

図３に示すように、情報処理装置１００は、通信部１１と、入力部１２と、音声出力部１３と、記憶部１４と、制御部１５と、表示部１６とを有する。図３の例では、情報処理装置１００は、情報処理装置１００の管理者等から各種操作を受け付ける入力部１２（例えば、キーボードやマウス等）や、各種情報を表示するための表示部１６（例えば、液晶ディスプレイ等）を有する。

通信部１１は、例えば、ＮＩＣ（Network Interface Card）や通信回路等によって実現される。通信部１１は、通信網Ｎ（インターネット等のネットワーク）と有線又は無線で接続され、通信網Ｎを介して、他の装置等との間で情報の送受信を行う。

入力部１２は、各種入力を受け付ける。入力部１２は、センサによる検知を入力として受け付ける。入力部１２は、音声を検知する機能を有する音センサにより音を入力として受け付ける。入力部１２は、音声を検知するマイクにより検知された音声情報を入力情報として受け付ける。入力部１２は、ユーザの発話による音声を入力情報として受け付ける。入力部１２は、ユーザから各種操作が入力される。入力部１２は、ユーザによる入力を受け付ける。入力部１２は、ユーザによる学習方法の選択を受け付けてもよい。入力部１２は、情報処理装置１００に設けられたキーボードやマウスやタッチパネルを介してユーザからの各種操作を受け付けてもよい。

音声出力部１３は、情報を音声で出力する。音声出力部１３は、音声を出力するスピーカーにより実現される。音声出力部１３は、対話管理部１５３の制御に応じて、音声を出力する。音声出力部１３は、対話管理部１５３の制御に応じて、ユーザの発話に対応する応答を音声で出力する。

記憶部１４は、例えば、ＲＡＭ（Random Access Memory)、フラッシュメモリ（Flash Memory）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１４は、事例情報記憶部１４１と、モデル情報記憶部１４２と、取引対象情報記憶部１４３と、スペック一覧情報記憶部１４４とを有する。

なお、記憶部１４は、事例情報記憶部１４１と、モデル情報記憶部１４２と、取引対象情報記憶部１４３と、スペック一覧情報記憶部１４４に記憶される情報に限らず、各種の情報を記憶する。例えば、記憶部１４は、音声認識機能を実現する音声認識アプリケーション（プログラム）の情報を記憶する。例えば、端末装置１０は、音声認識アプリケーションにより音声認識の処理を行う。記憶部１４は、情報の表示に用いる各種情報を記憶する。記憶部１４は、音声認識に用いる各種情報を記憶する。

図示を省略するが、事例情報記憶部１４１は、発話事例に関する情報を記憶する。例えば、事例情報記憶部１４１は、ユースケースを示す発話事例（該当発話事例）と、ユースケースを示さない発話事例（非該当発話事例）とを区別可能に記憶する。例えば、事例情報記憶部１４１は、ユースケースを示す該当発話事例と、ユースケースを示さない非該当発話事例との各々に異なるフラグを対応づけることにより、区別可能に記憶する。事例情報記憶部１４１は、該当発話事例をユースケース判定モデルの学習用データの正例とし、非該当発話事例をユースケース判定モデルの学習用データの負例として記憶する。

例えば、事例情報記憶部１４１は、スペック推定モデルの学習に用いる学習用情報を記憶する。事例情報記憶部１４１は、ユースケースを示す該当発話事例にその発話から推定されたスペックの値やスペックや取引対象カテゴリを対応付けて記憶する。なお、事例情報記憶部１４１は、ユースケースを示す該当発話事例と、ユースケースを示さない非該当発話事例とは個別に記憶されてもよい。例えば、事例情報記憶部１４１は、該当発話事例の情報として、後述するユースケース＆スロット対応データベースＵＳＤの情報を記憶する。また、事例情報記憶部１４１は、非該当発話事例の情報として、後述するＮｏｔユースケース発話事例ＮＵＤの情報を記憶する。

実施形態に係るモデル情報記憶部１４２は、モデルに関する情報を記憶する。例えば、モデル情報記憶部１４２は、モデル（ネットワーク）の構造を示す情報（モデルデータ）を記憶する。図４は、本開示の実施形態に係るモデル情報記憶部の一例を示す図である。図４に、実施形態に係るモデル情報記憶部１４２の一例を示す。図４に示した例では、モデル情報記憶部１４２は、「モデルＩＤ」、「用途」、「モデルデータ」といった項目が含まれる。

「モデルＩＤ」は、モデルを識別するための識別情報を示す。「用途」は、対応するモデルの用途を示す。「モデルデータ」は、モデルのデータを示す。図４では「モデルデータ」に「ＭＤＴ１」といった概念的な情報が格納される例を示したが、実際には、モデルに含まれるネットワークに関する情報や関数等、そのモデルを構成する種々の情報が含まれる。

図４に示す例では、モデルＩＤ「Ｍ１」により識別されるモデル（モデルＭ１）は、用途が「ユースケース判定」であることを示す。モデルＭ１は、スペックの値の推定に用いられるユースケース判定モデルであることを示す。また、モデルＭ１のモデルデータは、モデルデータＭＤＴ１であることを示す。

図４に示す例では、モデルＩＤ「Ｍ２」により識別されるモデル（モデルＭ２）は、用途が「スペック推定」であることを示す。モデルＭ２は、スペックの値の推定に用いられるスペック推定モデルであることを示す。また、モデルＭ２のモデルデータは、モデルデータＭＤＴ２であることを示す。図４では、モデルＭ１、Ｍ２のみを図示するが、モデル情報記憶部１４２は、モデルＭ１、Ｍ２以外のモデルを記憶してもよい。

なお、モデル情報記憶部１４２は、上記に限らず、目的に応じて種々の情報を記憶してもよい。例えば、モデル情報記憶部１４２は、学習処理により学習（生成）されたモデルの情報を記憶する。モデル情報記憶部１４２は、学習処理により学習（生成）されたモデルＭ１、Ｍ２のパラメータ情報を記憶する。

取引対象情報記憶部１４３は、取引対象に関する各種情報を記憶する。図５は、本開示の実施形態に係る取引対象情報記憶部の一例を示す図である。例えば、取引対象情報記憶部１４３は、商品やサービス等の各種の取引対象に関する各種情報を記憶する。実施形態に係る取引対象情報記憶部１４３の一例を示す。図５の例では、事例情報記憶部１４１は、「取引対象ＩＤ」、「取引対象」、「取引対象カテゴリ」、「スペック情報」といった項目が含まれる。

「取引対象ＩＤ」は、取引対象を識別するための識別情報を示す。また、「取引対象」は、取引対象ＩＤに対応する取引対象を示す。なお、図５の例では、取引対象を「カメラＣＡ１」といった抽象的な符号で示すが、取引対象は具体的な製品（商品）やサービスなどである。

また、「取引対象カテゴリ」は、対応する取引対象が属する取引対象カテゴリを示す。「スペック情報」は、対応する取引対象のスペックの情報を示す。なお、図５の例では、スペック情報を「ＳＩＮＦ１」といった抽象的な符号で示すが、スペック情報は、取引対象の値段や性質（性能や機能）などのスペックを示す各種情報が含まれる。例えば、スペック情報は、取引対象カテゴリが「カメラ」である場合、取引対象の画素数や重さや価格といった各種スペックの具体的な情報である。

図５の例では、取引対象ＩＤ「ＴＴ１」により識別される取引対象（取引対象ＴＴ１）は、カメラＣＡ１であることを示す。カメラＣＡ１は、取引対象カテゴリ「カメラ」に属することを示す。カメラＣＡ１のスペック情報は、「スペック情報ＳＩＮＦ１」であることを示す。スペック情報ＳＩＮＦ１には、例えば、カメラＣＡ１の画素数「１０００万」や重さ「５００ｇ」や価格「１０万円」等の各種スペックの具体的な情報が含まれる。

なお、取引対象情報記憶部１４３は、上記に限らず、目的に応じて種々の情報を記憶してもよい。取引対象情報記憶部１４３は、取引対象カテゴリごとにスペック一覧（テーブル）を分けて取引対象を記憶してもよい。

実施形態に係るスペック一覧情報記憶部１４４は、スペック一覧に関する各種情報を記憶する。スペック一覧情報記憶部１４４は、取引対象カテゴリごとにスペック一覧に関する各種情報を記憶する。図６は、本開示の実施形態に係るスペック一覧情報記憶部の一例を示す図である。

図６の例では、スペック一覧情報記憶部１４４は、スペック一覧情報ＴＢ１やスペック一覧情報ＴＢ２等のように取引対象カテゴリごとに情報（スペック一覧）を記憶する。例えば、スペック一覧情報ＴＢ１は、取引対象カテゴリ「カメラ」のスペック一覧に関する情報を示す。また、例えば、スペック一覧情報ＴＢ２は、取引対象カテゴリ「自動車」のスペック一覧に関する情報を示す。

図６に示すスペック一覧情報ＴＢ１やスペック一覧情報ＴＢ２等は、「取引対象カテゴリ」、「スペック」といった項目が含まれる。また、「スペック」には、「＃１」、「＃２」、「＃３」、「＃４」といった項目が含まれる場合を図示する。なお、「スペック」には、「＃１」、「＃２」、「＃３」、「＃４」に限らず、「＃５」、「＃６」等、スペックに対応する数の項目が含まれてもよい。また、各スペックの項目中の括弧書きは、具体的なスペック（名称）を示す。

図６の例では、スペック一覧情報ＴＢ１は、取引対象カテゴリ「カメラ」について、スペック「＃１（ＡＦ）」、「＃２（画素数）」、「＃３（価格）」、「＃４（重さ）」といった項目が含まれることを示す。すなわち、取引対象カテゴリ「カメラ」のスペックには、ＡＦ（オートフォーカス）、画素数、価格、重さといったスペックが含まれることを示す。

なお、スペック一覧情報記憶部１４４は、上記に限らず、目的に応じて種々の情報を記憶してもよい。例えば、スペック一覧情報記憶部１４４は、全取引対象カテゴリのスペックの和集合である１つのスペック一覧に関する情報を記憶してもよい。

図３に戻り、説明を続ける。制御部１５は、例えば、ＣＰＵ（Central Processing Unit）やＭＰＵ（Micro Processing Unit）等によって、情報処理装置１００内部に記憶されたプログラム（例えば、本開示に係る情報処理プログラム）がＲＡＭ（Random Access Memory）等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１５は、コントローラ（controller）であり、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てもよい。

図３に示すように、制御部１５は、取得部１５１と、学習部１５２と、対話管理部１５３と、推定部１５４と、抽出部１５５と、生成部１５６と、送信部１５７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１５の内部構成は、図３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。

取得部１５１は、各種情報を取得する。取得部１５１は、外部の情報処理装置から各種情報を取得する。取得部１５１は、記憶部１４から各種情報を取得する。取得部１５１は、入力部１２により受け付けられた情報を取得する。

取得部１５１は、記憶部１４から各種情報を取得する。取得部１５１は、事例情報記憶部１４１やモデル情報記憶部１４２や取引対象情報記憶部１４３やスペック一覧情報記憶部１４４から各種情報を取得する。取得部１５１は、学習用データを取得する。取得部１５１は、事例情報記憶部１４１から辞書情報を取得する。

取得部１５１は、モデルを取得してもよい。取得部１５１は、モデルのネットワーク構造を示す情報を取得してもよい。取得部１５１は、モデルを提供する外部の情報処理装置や記憶部１４からモデルを取得する。例えば、取得部１５１は、モデルＭ１やモデルＭ２をモデル情報記憶部１４２から取得する。例えば、取得部１５１は、モデルＭ１やモデルＭ２のネットワーク構造を示す情報をモデル情報記憶部１４２から取得する。取得部１５１は、機械学習によるモデルの学習に用いる学習用データを取得する。取得部１５１は、事例情報記憶部１４１からモデルの学習に用いる学習用データを取得する。

取得部１５１は、学習部１５２が学習した各種情報を取得する。取得部１５１は、推定部１５４が推定した各種情報を取得する。取得部１５１は、抽出部１５５により抽出された情報を取得する。取得部１５１は、生成部１５６が生成した各種情報を取得する。

取得部１５１は、ユーザにより指定されるユースケースを示す文字情報を取得する。取得部１５１は、ユーザの発話に基づく文字情報を取得する。取得部１５１は、対応スペックの値が含まれない文字情報を取得する。取得部１５１は、スペックを示す文字列が含まれない文字情報を取得する。取得部１５１は、取引対象カテゴリを示す文字列が含まれない文字情報を取得する。取得部１５１は、取引対象カテゴリに属する取引対象を示す文字列が含まれない文字情報を取得する。取得部１５１は、取引対象カテゴリの用途を示す文字情報を取得する。取得部１５１は、取引対象カテゴリの利用シーンを示す文字情報を取得する。取得部１５１は、ユーザの状況を示す文字情報を取得する。取得部１５１は、取引対象カテゴリの取引対象に対するユーザの使用状況を示す文字情報を取得する。取得部１５１は、ユーザが取引対象カテゴリの取引対象の使用ついて初心者か否かを示す文字情報を取得する。

学習部１５２は、学習処理を行う。学習部１５２は、各種学習を行う。学習部１５２は、取得部１５１により取得された情報に基づいて、各種情報を学習する。学習部１５２は、モデルを学習（生成）する。学習部１５２は、モデル等の各種情報を学習する。学習部１５２は、学習によりモデルを生成する。学習部１５２は、種々の機械学習に関する技術を用いて、モデルを学習する。例えば、学習部１５２は、モデル（ネットワーク）のパラメータを学習する。学習部１５２は、種々の機械学習に関する技術を用いて、モデルを学習する。

学習部１５２は、各種学習を行う。学習部１５２は、記憶部１４に記憶された情報に基づいて、各種情報を学習する。学習部１５２は、事例情報記憶部１４１やモデル情報記憶部１４２に記憶された情報に基づいて、モデルを学習する。

学習部１５２は、ネットワークのパラメータを学習する。例えば、学習部１５２は、モデルＭ１やモデルＭ２のネットワークのパラメータを学習する。学習部１５２は、モデルＭ１やモデルＭ２のネットワークのパラメータを学習することにより、モデルＭ１やモデルＭ２を学習する。

学習部１５２は、学習用バイト列と学習用バイト列に対応する正解情報との組合せである学習データを用いてモデルを学習する。学習部１５２は、文字列に対応する言語の学習データを用いて言語に対応するモデルを学習する。学習部１５２は、事例情報記憶部１４１に記憶された学習用データ（教師データ）に基づいて、学習処理を行うことにより、モデルを生成する。学習部１５２は、事例情報記憶部１４１に記憶された学習用データを用いて、学習処理を行うことにより、モデルを生成する。例えば、学習部１５２は、スペックの値等の推定に用いられるモデルを生成する。学習部１５２は、モデルＭ１やモデルＭ２のネットワークのパラメータを学習し、モデルＭ１やモデルＭ２を生成する。

学習部１５２による学習の手法は特に限定されないが、例えば、文字列に対応するバイト列と、その文字列の確率分布とを紐づけた学習用データを用意し、その学習用データを多層ニューラルネットワークに基づいた計算モデルに入力して学習してもよい。また、例えばＣＮＮ（Convolutional Neural Network）、３Ｄ−ＣＮＮ等のＤＮＮ（Deep Neural Network）に基づく手法が用いられてもよい。学習部１５２は、再帰型ニューラルネットワーク（Recurrent Neural Network：ＲＮＮ）やＲＮＮを拡張したＬＳＴＭ（Long Short-Term Memory units）に基づく手法を用いてもよい。

学習部１５２は、学習により生成したモデルをモデル情報記憶部１４２に格納する。学習部１５２は、モデルＭ１やモデルＭ２を生成する。この場合、学習部１５２は、生成したモデルＭ１やモデルＭ２をモデル情報記憶部１４２に格納する。学習部１５２は、学習用データとして用いられる各データと正解情報とに基づいて、モデルを学習する。

対話管理部１５３は、音声対話を管理する。対話管理部１５３は、音声対話に関する処理を実行する。対話管理部１５３は、音声対話制御を実行する。対話管理部１５３は、音声認識機能を実現する。対話管理部１５３は、自然言語理解（ＮＬＵ）や自動音声認識（ＡＳＲ）等の技術を適宜用いて、音声対話制御を実行する。対話管理部１５３は、ユーザとの音声対話を実行する。対話管理部１５３は、音声出力部１３を制御し音声を出力させる。対話管理部１５３は、ユーザの発話に対応する応答を音声で音声出力部１３に出力させる。なお、対話管理部１５３は、推定部１５４と一体であってもよい。

推定部１５４は、推定処理を行う。推定部１５４は、各種情報を推定する。推定部１５４は、外部の情報処理装置から取得された情報に基づいて、各種情報を推定する。推定部１５４は、記憶部１４に記憶された情報に基づいて、各種情報を推定する。推定部１５４は、事例情報記憶部１４１やモデル情報記憶部１４２や取引対象情報記憶部１４３やスペック一覧情報記憶部１４４に記憶された情報に基づいて、各種情報を推定する。

推定部１５４は、解析処理を行う。推定部１５４は、各種情報を解析する。推定部１５４は、外部の情報処理装置から取得された情報に基づいて、各種情報を解析する。推定部１５４は、記憶部１４に記憶された情報に基づいて、各種情報を解析する。推定部１５４は、事例情報記憶部１４１やモデル情報記憶部１４２や取引対象情報記憶部１４３やスペック一覧情報記憶部１４４に記憶された情報に基づいて、各種情報を解析する。

推定部１５４は、ユーザの発話に対応する文字情報を、形態素解析等の自然言語処理技術を適宜用いた解析を実行する。推定部１５４は、ユーザの発話に対応する文字情報を用いて、意味解析により、ユーザの発話の内容を推定（特定）する。推定部１５４は、文字情報を、意味解析や対話状態推定を適宜用いて解析することにより、文字情報の内容を推定（特定）する。例えば、推定部１５４は、文字情報を構文解析等の種々の従来技術を適宜用いて解析することにより、文字情報に対応するユーザの発話の内容を推定する。

また、推定部１５４は、ユーザの発話を解析することにより、ユーザの発話の意図等の内容を推定してもよい。例えば、推定部１５４は、種々の従来技術を適宜用いてユーザの発話の意図等の内容を推定する。例えば、推定部１５４は、種々の従来技術を適宜用いて、ユーザの発話を解析することにより、ユーザの発話の内容を推定する。例えば、推定部１５４は、ユーザの発話の文字情報から重要なキーワードを抽出し、抽出したキーワードに基づいてユーザの発話の内容を推定する。

推定部１５４は、各種判定を行う。推定部１５４は、文字情報がユースケースを示すか否かを判定する。推定部１５４は、取得部１５１により取得された情報に基づいて、各種判定を行う。推定部１５４は、学習部１５２により学習されたモデル（ユースケース判定モデル）に基づいて、文字情報がユースケースを示すか否かを判定する。

推定部１５４は、文字情報に基づいて、ユースケースに対応する取引対象カテゴリのスペックのうち、ユースケースに対応する対応スペックの推奨値を推定する。推定部１５４は、文字情報の入力に応じて、推奨値を示すスコアを出力するモデルを用いて、推奨値を推定する。推定部１５４は、複数のスペックの各々に対応する複数のスコアを出力するモデルを用いて、モデルがスコアを出力したスペックの推奨値を推定する。

推定部１５４は、対応スペックの値が含まれない文字情報に基づいて、推奨値を推定する。推定部１５４は、スペックを示す文字列が含まれない文字情報に基づいて、推奨値の推定対象となる対応スペックを推定する。推定部１５４は、取引対象カテゴリを示す文字列が含まれない文字情報に基づいて、推奨値の推定対象となる取引対象カテゴリを推定する。推定部１５４は、取引対象カテゴリに属する取引対象を示す文字列文字情報に基づいて、推奨値の推定対象となる取引対象カテゴリを推定する。

推定部１５４は、用途で用いられる取引対象カテゴリの対応スペックの推奨値を推定する。推定部１５４は、利用シーンでの使用に適した取引対象カテゴリの対応スペックの推奨値を推定する。推定部１５４は、ユーザの状況に対応する取引対象カテゴリの対応スペックの推奨値を推定する。推定部１５４は、ユーザの使用状況に対応する取引対象カテゴリの対応スペックの推奨値を推定する。推定部１５４は、ユーザが初心者である場合、取引対象カテゴリの対応スペックの推奨値を、初心者に対応する値に推定する。推定部１５４は、複数のスペックの各々に対応する複数の推奨値を推定する。

抽出部１５５は、各種抽出を行う。抽出部１５５は、取得部１５１により取得された情報に基づいて、各種情報を抽出する。抽出部１５５は、推定部１５４により推定された情報に基づいて、各種情報を抽出する。取得部１５１は、抽出部１５５により抽出された情報に基づいて、各種情報を抽出する。抽出部１５５は、記憶部１４に記憶された情報に基づいて、各種情報を抽出する。抽出部１５５は、事例情報記憶部１４１やモデル情報記憶部１４２や取引対象情報記憶部１４３やスペック一覧情報記憶部１４４に記憶された情報に基づいて、各種情報を抽出する。抽出部１５５は、記憶部１４に記憶された情報から、各種情報を抽出する。抽出部１５５は、取引対象情報記憶部１４３に記憶された情報から、各種情報を抽出する。

抽出部１５５は、取引対象カテゴリの取引対象群から、対応スペックの値が推奨値に該当する取引対象を該当取引対象として抽出する。抽出部１５５は、複数のスペックの複数の値の各々が複数の推奨値に該当する該当取引対象を抽出する。

生成部１５６は、各種生成を行う。生成部１５６は、取得部１５１により取得された情報に基づいて、各種情報を生成する。生成部１５６は、推定部１５４により推定された情報に基づいて、各種情報を生成する。取得部１５１は、抽出部１５５により抽出された情報に基づいて、各種情報を生成する。生成部１５６は、記憶部１４に記憶された情報に基づいて、各種情報を生成する。生成部１５６は、事例情報記憶部１４１やモデル情報記憶部１４２や取引対象情報記憶部１４３やスペック一覧情報記憶部１４４に記憶された情報に基づいて、各種情報を生成する。

生成部１５６は、表示部１６に表示する各種情報を生成する。生成部１５６は、表示部１６に表示する文字情報やグラフといった画像情報などの各種情報を生成してもよい。この場合、生成部１５６は、画面に関する情報（画像）を画像に関連する種々の従来技術を適宜用いて生成する。生成部１５６は、画像をＧＵＩに関する種々の従来技術を適宜用いて生成する。例えば、生成部１５６は、ＣＳＳ（Cascading Style Sheets）、ＪａｖａＳｃｒｉｐｔ（登録商標）、ＨＴＭＬ（HyperText Markup Language）、あるいは、上述した情報表示や操作受付等の情報処理を記述可能な任意の言語により画像を生成してもよい。

生成部１５６は、抽出部１５５により抽出された該当取引対象に基づいて、ユーザに取引対象の購入を推奨する推奨情報を生成する。生成部１５６は、該当取引対象の数が閾値以下である場合、推奨情報を生成する。生成部１５６は、該当取引対象を分類した分類結果を示す推奨情報を生成する。生成部１５６は、該当取引対象の類似性、またはユーザに類似する類似ユーザによる該当取引対象の購入履歴に基づいて、該当取引対象を分類し、分類結果を示す推奨情報を生成する。

送信部１５７は、各種情報を送信する。送信部１５７は、各種情報の提供を行う。送信部１５７は、外部の情報処理装置へ各種情報を提供する。送信部１５７は、外部の情報処理装置へ各種情報を送信する。送信部１５７は、記憶部１４に記憶された情報を送信する。送信部１５７は、事例情報記憶部１４１やモデル情報記憶部１４２や取引対象情報記憶部１４３やスペック一覧情報記憶部１４４に記憶された情報を送信する。送信部１５７は、学習部１５２により学習されたモデルの情報を送信する。送信部１５７は、推定部１５４による推定結果を送信する。取得部１５１は、抽出部１５５により抽出された情報を送信する。送信部１５７は、生成部１５６により生成された情報を送信する。

表示部１６は、各種情報を表示する。表示部１６は、ディスプレイ等の表示装置（表示部）であり、各種情報を表示する。表示部１６は、推定部１５４による推定結果の情報を表示する。表示部１６は、生成部１５６により生成された情報を表示する。

表示部１６は、生成部１５６により生成された推奨情報を表示する。表示部１６は、該当取引対象を分類した分類結果を示す推奨情報を表示する。表示部１６は、該当取引対象の類似性、またはユーザに類似する類似ユーザによる該当取引対象の購入履歴に基づいて、該当取引対象を分類し、分類結果を示す推奨情報を表示する。なお、情報処理装置１００は、音声のみで出力を行い場合、表示部１６を有しなくてもよい。

［１−２−１．モデル例］
ここで、図７を用いて、情報処理装置１００が用いるスペック推定モデルの一例を説明する。図７は、本開示の実施形態に係るモデルの一例を示す図である。図７に示すニューラルネットワーク（Neural Network）であるモデルＭ２は、文字情報を入力として、その文字情報に対応するスペックのスコアを出力する。図７では、入力（input）は、文字情報であり、出力（output）は、スペックＳＰ１〜ＳＰ７等の複数のスペックの各々に対応する複数の出力である。なお、出力（output）は、スペックＳＰ１〜ＳＰ７の７個に限らず、８個以上であってもよいし、６個以下であってもよい。

スペックＳＰ１の出力はスペック「ＡＦ」に対応する。スペックＳＰ２の出力はスペック「セルフィー」に対応する。スペックＳＰ３の出力はスペック「タイムラプス」に対応する。スペックＳＰ４の出力はスペック「予算下限」に対応する。スペックＳＰ５の出力はスペック「予算上限」に対応する。スペックＳＰ６の出力はスペック「重さ下限」に対応する。スペックＳＰ７の出力はスペック「重さ上限」に対応する。

図７の例では、モデルＭ２に、「運動会で子供の写真を撮りたい。」という文字情報ＩＮ１が入力された場合の出力情報ＯＵＴ１を一例として示す。この場合、モデルＭ２は、スペックＳＰ１の出力としてスコアＳＣ１に示すように「あり」に対応する値（例えば「１」等）を出力する。モデルＭ２は、スペックＳＰ２〜ＳＰ５の出力としてスコアＳＣ２〜ＳＣ５に示すように対象外を示す「Not referred」に対応する値を出力する。すなわち、図７の例では、「運動会で子供の写真を撮りたい。」という文字情報ＩＮ１が示すユースケースでは、スペックＳＰ２〜ＳＰ５は推定の対象外であることを示す。また、モデルＭ２は、スペックＳＰ６の出力としてスコアＳＣ６に示すように「０ｇ」に対応する値を出力する。モデルＭ２は、スペックＳＰ７の出力としてスコアＳＣ７に示すように「７００ｇ」に対応する値を出力する。

このように、図７の例では、「運動会で子供の写真を撮りたい。」という文字情報ＩＮ１からスペック「ＡＦ」の値が「有り」、スペック「重さ」の値が「０ｇ〜７００ｇ」と推定される。なお、上記は一例であり、モデルＭ２は種々の形態であってもよい。

［１−３．実施形態に係る情報処理の手順］
次に、図８を用いて、実施形態に係る情報処理の手順について説明する。図８は、本開示の実施形態に係る情報処理の手順を示すフローチャートである。

図８に示すように、情報処理装置１００は、ユーザにより指定されるユースケースを示す文字情報を取得する（ステップＳ１０１）。例えば、情報処理装置１００は、ユーザとの対話に応じて、ユーザの発話に基づく文字情報を取得する。情報処理装置１００は、文字情報に基づいて、ユースケースに対応する取引対象カテゴリのスペックのうち、ユースケースに対応する対応スペックの推奨値を推定する（ステップＳ１０２）。例えば、情報処理装置１００は、ユースケースに対応する取引対象カテゴリのスペック一覧を用いて、対応スペックの推奨値を推定する。

［１−４．処理フロー例］
ここから、図９〜図１１を用いて、処理フローについて説明する。

［１−４−１．推奨処理のフロー例］
まず、図９を用いて、推奨処理のフローについて説明する。図９は、推奨処理の流れの一例を示す図である。具体的には、図９は、ユーザとの対話に応じた商品の推奨の処理フローの一例を示す図である。なお、図１や図２と同様の点については適宜説明を省略する。

図９では、情報処理装置１００は、ユーザの入力を受け付ける（ステップＳ２０１）。例えば、情報処理装置１００は、ユーザの発話により入力された文字情報を取得する。

そして、情報処理装置１００は、対話管理処理を実行する（ステップＳ２０２）。例えば、情報処理装置１００は、意味理解モデルＭＵＭやユースケース＆スロット対応データベースＵＳＤや対話戦略モデルＤＳＭ等の情報を用いて、対話管理処理を実行する。例えば、情報処理装置１００は、ユーザの発話に対応する応答を決定する。

例えば、対話管理処理は、以下の第１の処理〜第３の処理までの３つの処理を含む。

対話管理処理は、第１の処理としてユーザの発話の意味理解を含む。例えば、第１の処理は、ユーザの発話の意図が挨拶、質問、要望伝達等のいずれであるかの意図理解を含む。例えば、情報処理装置１００は、ユーザの発話の意味が要望を伝えてきている場合、スペックを推定する。また、情報処理装置１００は、ユーザの発話が「５万円以下がいいです。」である場合、スペック「価格」の推奨値を「５万円以下」であると推定する。また、情報処理装置１００は、ユーザの発話が「運動会で子供を撮りたい」である場合、スペック「ＡＦ（オートフォーカス）」の推奨値を「有り」であると推定する。

対話管理処理は、第２の処理として内部状態の更新を含む。例えば、第２の処理は、過去の履歴を参考に内部状態（スペック）を更新する。例えば、情報処理装置１００は、スペック一覧の情報をスペック「ＡＦ」の値を「有り」に更新し、スペック「価格」の値を「５万円以下」に更新する。

対話管理処理は、第３の処理として次発話内容や対話終了等のアクションの決定を含む。例えば、第３の処理は、内部状態を基に発話内容を決定する。例えば、情報処理装置１００は、「旅行などで使う予定はありますか？」といったユースケースをユーザに確認する応答を行うと決定する。また、情報処理装置１００は、所定の条件を満たす場合、対話を終了し、お勧め商品等の取引対象群の提示および推薦理由の説明に移行する。

取引対象群の提示および推薦理由の説明は、例えば以下のような処理を含む。情報処理装置１００は、絞り込んだ条件から３グループ程度にクラスタリングを行い提示する。また、グループの作り方は種々の態様であってもよい。例えば、情報処理装置１００は、値が設定されていないような他のスペックを基に分類する。例えば、情報処理装置１００は、「動画撮影可能」な商品群や「持ち運びがしやすい」商品群等に分類する。例えば、情報処理装置１００は、性別、年齢、性格などが似た人（類似ユーザ）が購入している商品（取引対象）を１つのグループに分類する。例えば、情報処理装置１００は、対話で得た情報を活用して分類を行う。例えば、情報処理装置１００は、「初心者」でも扱いやすい商品群に分類する。

そして、情報処理装置１００は、応答を実行する（ステップＳ２０３）。例えば、情報処理装置１００は、ユーザの発話に対する応答を音声として出力する。

そして、情報処理装置１００は、対話を終了するかを判定する（ステップＳ２０４）。例えば、情報処理装置１００は、値が設定されたスペックの数や値が設定されたスペックに基づいて抽出した該当取引対象の数を用いて、対話を終了するかを判定する。例えば、情報処理装置１００は、値が設定されたスペックの数が所定数以上である場合、または値が設定されたスペックに基づいて抽出した該当取引対象の数が所定個数以下である場合、対話を終了すると判定する。

情報処理装置１００は、対話を終了すると判定した場合（ステップＳ２０４：Ｙｅｓ）、取引対象を推薦するとともに、その推薦理由の説明をユーザに提示する（ステップＳ２０５）。一方、情報処理装置１００は、対話を終了しないと判定した場合（ステップＳ２０４：Ｎｏ）、ステップＳ２０１に戻って処理を繰り返す。

［１−４−２．モデルの学習処理のフロー例］
次に、図１０を用いてモデルの学習処理のフローについて説明する。図１０は、モデルの学習処理の流れの一例を示す図である。例えば、図１０は、ユースケースベースの発話に対応するためのデータ収集、機械学習モデルの作成の一例を示す。

図１０に示すように、情報処理装置１００は、知識検索サービスや購入相談スレッドのログ情報等の種々のＷｅｂデータを含むログデータベースＷＤに記憶された情報をテキスト加工することにより、ユースケース＆スロット対応データベースＵＳＤの情報を生成する（ステップＳ３０１）。なお、ログデータベースＷＤには、Ｗｅｂデータに限らず、種々の情報が含まれてもよい。ログデータベースＷＤには、実店舗でのユーザの購買に関するログが含まれてもよい。例えば、ログデータベースＷＤには、実店舗の店員が装着したカメラやマイクなどで収集（検知）されたセンサデータ等の実店舗データ（画像、音声等）が含まれてもよい。ログデータベースＷＤには、実店舗の店員の接客時のセンサデータとその接客対象のユーザの購入有無や購入した商品等の取引対象を対応付けた実店舗データが含まれてもよい。

また、情報処理装置１００は、ログデータベースＷＤを用いて、Ｎｏｔユースケース発話事例ＮＵＤの情報を生成してもよし、過去の発話事例の情報を提供する外部装置からＮｏｔユースケース発話事例ＮＵＤの情報を取得してもよい。

そして、情報処理装置１００は、機械学習により、ユースケース判定モデル（model#1）であるモデルＭ１を生成する（ステップＳ３０２）。情報処理装置１００は、ユースケース＆スロット対応データベースＵＳＤの情報やＮｏｔユースケース発話事例ＮＵＤの情報を用いて、モデルＭ１を生成する。情報処理装置１００は、ユースケース＆スロット対応データベースＵＳＤの情報を正例とし、Ｎｏｔユースケース発話事例ＮＵＤの情報を負例として、モデルＭ１を生成する。なお、この点については上述したため説明を省略する。

また、情報処理装置１００は、機械学習により、スペック推定モデル（model#2）であるモデルＭ２を生成する（ステップＳ３０３）。情報処理装置１００は、ユースケース＆スロット対応データベースＵＳＤの情報を用いて、モデルＭ２を生成する。情報処理装置１００は、ユースケース＆スロット対応データベースＵＳＤの情報を学習用情報として、モデルＭ２を生成する。なお、この点については上述したため説明を省略する。

［１−４−３．ユーザの入力に対する応用処理のフロー例］
次に、図１１を用いて、ユーザの入力に対する応用処理のフローについて説明する。図１１は、モデルを用いた応答処理の流れの一例を示す図である。例えば、図１１は、ユーザとの対話時の処理の流れの一例を示す。

図１１では、情報処理装置１００は、ユーザの入力を受け付ける（ステップＳ４０１）。例えば、情報処理装置１００は、ユーザの発話により入力された文字情報を取得する。

まず、情報処理装置１００は、ユーザの入力がユースケースを示すかどうかを判定する（ステップＳ４０２）。情報処理装置１００は、ユースケース判定モデルであるモデルＭ１を用いて、ユーザの入力がユースケースを示すかどうかを判定する。

情報処理装置１００は、ユーザの入力がユースケースを示すと判定した場合（ステップＳ４０２：Ｙｅｓ）、ユースケースに最適なスペックの推定を行う（ステップＳ４０３）。情報処理装置１００は、スペック推定モデルであるモデルＭ２を用いて、ユースケースに対応するスペックの推奨値を推定する。

そして、情報処理装置１００は、対話管理処理を実行する（ステップＳ４０４）。例えば、情報処理装置１００は、ユーザの発話に対応する応答を決定する。

そして、情報処理装置１００は、応答を実行する（ステップＳ４０５）。例えば、情報処理装置１００は、ユーザの発話に対する応答を音声として出力する。

一方、情報処理装置１００は、ユーザの入力がユースケースを示さないと判定した場合（ステップＳ４０２：Ｎｏ）、対話管理処理を実行する（ステップＳ４０６）。すなわち、情報処理装置１００は、ユーザの入力がユースケースを示さないと判定した場合、スペックの値の推定を行うことなく、対話管理処理を実行する。例えば、情報処理装置１００は、ユーザの発話に対応する応答を決定する。

そして、情報処理装置１００は、応答を実行する（ステップＳ４０７）。例えば、情報処理装置１００は、ユーザの発話に対する応答を音声として出力する。

［１−５．学習処理例］
次に、図１２及び図１３を用いて、学習処理例について説明する。図１２及び図１３は、ログを用いた学習処理の一例を示す図である。具体的には、図１２は、発話選択に関するログを用いた強化学習の処理の一例を示す図である。また、図１３は、取引対象推奨に関するログを用いた強化学習の処理の一例を示す図である。

［１−５−１．ログを用いた学習処理例その１］
まず、図１２について説明する。例えば、図１２は、発話選択時を対象として、ログを用いた強化学習の仕組みを示す。

図１２は、スペック「ＡＦ」があり、予算が５万円程度であり、発話意図が要求を伝えるという状態情報ＩＮＦ１が与えられた場合を示す。すなわち、状態情報ＩＮＦ１は、スペック「ＡＦ」の推奨値が「有り」であり、スペック「価格」の推奨値が「５万円程度」に設定されていることを示す。状態情報ＩＮＦ１は、現状で埋まっているスペックや直前のユーザ発話の意図を示す。

そして、発話候補群ＳＧ１や対話終了ＤＥ１は、次にどの発話を行うか、または対話を打ち切り取引対象の推薦に移行するかの選択肢を示す。発話候補群ＳＧ１や対話終了ＤＥ１は、次に取り得る行動の選択肢を示す。発話候補群ＳＧ１は、発話候補＃１である候補ＣＤ１、発話候補＃２である候補ＣＤ２、発話候補＃Ｎである候補ＣＤＮ等の複数の発話候補を含む。

そして、図１２では、報酬は、ユーザがお勧め取引対象を購入したか否かである。すなわち、最終的に推薦した取引対象が購入されたか否かで報酬が与えられる。このように、情報処理装置１００は、状態情報ＩＮＦ１に示す状態、発話候補群ＳＧ１や対話終了ＤＥ１に示す行動、及び上記の報酬を基に強化学習を行う。例えば、情報処理装置１００は、複数の発話候補及び対話の終了等の選択肢から、次に行う行動を決定する行動決定モデルを用いて、次に行う行動を決定してもよい。この場合、情報処理装置１００は、上述した強化学習により、行動決定モデルを更新してもよい。なお、情報処理装置１００は、モデルベースの強化学習に限らず、モデルフリーの強化学習等を行ってもよい。

［１−５−１−１．発話の選択方法］
なお、発話の選択方法は、ログの有無に応じて適宜変更されてもよい。例えば、情報処理装置１００は、所定量以上のログがない場合、ルールベースで発話を決定したり、どのスペックを埋めるべきかを探索で決定したりしてもよい。例えば、情報処理装置１００は、十分なログがない場合、所定のルール情報を用いて発話を決定し、推定するスペックや値を決定する。

また、例えば、情報処理装置１００は、ログが集まった場合、報酬の期待値が高い発話を選択する。例えば、情報処理装置１００は、所定量以上のログがある場合、報酬の期待値が高い発話を選択する。なお、情報処理装置１００は、上述した行動決定モデルを用いて、発話の選択や対話の終了などの次に行う行動を決定してもよい。

［１−５−２．ログを用いた学習処理例その２］
次に、図１３について説明する。なお、図１２と同様の点については説明を省略する。例えば、図１３は、取引対象推薦時を対象として、ログを用いた強化学習の仕組みを示す。

図１３は、スペック「ＡＦ」があり、予算が５万円程度であり、獲得情報が初心者という状態情報ＩＮＦ２が与えられた場合を示す。すなわち、状態情報ＩＮＦ２は、スペック「ＡＦ」の推奨値が「有り」であり、スペック「価格」の推奨値が「５万円程度」に設定されていることを示す。また、状態情報ＩＮＦ２は、対話を行っているユーザが初心者であることを示す。状態情報ＩＮＦ２は、現状で埋まっているスペックや対話時に獲得した情報を示す。

そして、グループＡである分類ＧＰ１、グループＢである分類ＧＰ２、グループＸである分類ＧＰＸ等は、どのグループを提示するかの選択肢を示す。

そして、図１３では、報酬は、ユーザがお勧め取引対象を購入したか否かである。すなわち、最終的に推薦した取引対象が購入されたか否かで報酬が与えられる。このように、情報処理装置１００は、状態情報ＩＮＦ２に示す状態、分類ＧＰ１、ＧＰ２、ＧＰＸ等に示す行動、及び上記の報酬を基に強化学習を行う。例えば、情報処理装置１００は、複数のグループから、提示するグループを選択するグループ選択モデルを用いて、提示するグループを選択してもよい。この場合、情報処理装置１００は、上述した強化学習により、グループ選択モデルを更新してもよい。なお、情報処理装置１００は、モデルベースの強化学習に限らず、モデルフリーの強化学習等を行ってもよい。

［１−５−２−１．グループの選択方法］
なお、発話の選択方法は、ログの有無に応じて適宜変更されてもよい。例えば、情報処理装置１００は、所定量以上のログがない場合、出来るだけ観点が異なるようにグループを選択したり、探索したりする。例えば、情報処理装置１００は、十分なログがない場合、所定のルール情報を用いて、グループを選択する。

また、例えば、情報処理装置１００は、ログが集まった場合、報酬の期待値が高いグループを選択する。例えば、情報処理装置１００は、所定量以上のログがある場合、報酬の期待値が高いグループを選択する。なお、情報処理装置１００は、上述したグループ選択モデルを用いて、提示するグループを選択してもよい。

［２．その他の実施形態］
上述した各実施形態に係る処理は、上記各実施形態以外にも種々の異なる形態（変形例）にて実施されてよい。例えばシステム構成は、上述した例に限らず、種々の態様であってもよい。この点について以下説明する。なお、以下では、実施形態に係る情報処理装置１００と同様の点については、適宜説明を省略する。

［２−１．変形例］
例えば、上述した例では、ユーザが利用する端末装置である情報処理装置１００が推定処理を行う例を示したが、スペックの値等の推定や取引対象の抽出や推奨情報の生成を行う情報処理装置と、ユーザが利用する端末装置とは別体であってもよい。この点について、図１４及び図１５を用いて説明する。図１４は、本開示の変形例に係る情報処理システムの構成例を示す図である。図１５は、本開示の変形例に係る情報処理装置の構成例を示す図である。

図１４に示すように、情報処理システム１には、端末装置１０と、情報処理装置１００Ａとが含まれる。端末装置１０及び情報処理装置１００Ａは通信網Ｎを介して、有線又は無線により通信可能に接続される。なお、図１４に示した情報処理システム１には、複数台の端末装置１０や、複数台の情報処理装置１００Ａが含まれてもよい。この場合、情報処理装置１００Ａは、通信網Ｎを介して端末装置１０と通信し、端末装置１０への情報の提供やユーザが端末装置１０を介して入力した文字情報を対象として、スペックの値等の推定や取引対象の抽出や推奨情報の生成を行なったりしてもよい。また、情報処理装置１００Ａは、ユーザが端末装置１０を介して指定したパラメータ等の情報を基に、モデルの学習を行なったりしてもよい。

端末装置１０は、ユーザによって利用される情報処理装置である。端末装置１０は、例えば、ノート型ＰＣ（Personal Computer）や、デスクトップＰＣや、スマートフォンや、タブレット型端末や、携帯電話機や、ＰＤＡ（Personal Digital Assistant）等により実現される。なお、端末装置１０は、情報処理装置１００Ａが提供する情報を表示可能であればどのような端末装置であってもよい。端末装置１０は、クライアント端末である。

端末装置１０は、ユーザによる発話を入力として受け付ける。また、端末装置１０は、ユーザによる操作を受け付ける。図１４に示す例において、端末装置１０は、情報処理装置１００Ａが提供する情報を画面に表示する。また、端末装置１０は、ユーザにより指定されるユースケースを示す文字情報を情報処理装置１００Ａへ送信する。端末装置１０は、ユーザの発話に基づく文字情報を情報処理装置１００Ａへ送信する。

端末装置１０は、対応スペックの値が含まれない文字情報を情報処理装置１００Ａへ送信する。端末装置１０は、スペックを示す文字列が含まれない文字情報を情報処理装置１００Ａへ送信する。端末装置１０は、取引対象カテゴリを示す文字列が含まれない文字情報を情報処理装置１００Ａへ送信する。端末装置１０は、取引対象カテゴリに属する取引対象を示す文字列が含まれない文字情報を情報処理装置１００Ａへ送信する。

端末装置１０は、取引対象カテゴリの用途を示す文字情報を情報処理装置１００Ａへ送信する。端末装置１０は、取引対象カテゴリの利用シーンを示す文字情報を情報処理装置１００Ａへ送信する。端末装置１０は、ユーザの状況を示す文字情報を情報処理装置１００Ａへ送信する。端末装置１０は、取引対象カテゴリの取引対象に対するユーザの使用状況を示す文字情報を情報処理装置１００Ａへ送信する。端末装置１０は、ユーザが取引対象カテゴリの取引対象の使用ついて初心者か否かを示す文字情報を情報処理装置１００Ａへ送信する。

端末装置１０は、情報処理装置１００Ａから受信した情報を表示する。端末装置１０は、情報処理装置１００Ａから推奨情報を受信する。端末装置１０は、情報処理装置１００Ａから受信した推奨情報を表示する。端末装置１０は、該当取引対象を分類した分類結果を示す推奨情報を表示する。端末装置１０は、該当取引対象の類似性、またはユーザに類似する類似ユーザによる該当取引対象の購入履歴に基づいて、該当取引対象を分類し、分類結果を示す推奨情報を表示する。

情報処理装置１００Ａは、端末装置１０に情報を提供したり、端末装置１０から情報を取得したりする点で情報処理装置１００と相違する以外は、情報処理装置１００と同様の情報処理を実現する。情報処理装置１００Ａは、クライアント端末である端末装置１０にサービスを提供するサーバである。例えば、情報処理装置１００Ａは、端末装置１０から取得した文字情報を基に、スペックの値等の推定や取引対象の抽出や推奨情報の生成の処理を実行し、その実行結果を端末装置１０へ送信する。

図１５に示すように、情報処理装置１００Ａは、通信部１１と、記憶部１４と、制御部１５Ａとを有する。通信部１１は、通信網Ｎ（インターネット等）と有線又は無線で接続され、通信網Ｎを介して、端末装置１０との間で情報の送受信を行う。この場合、情報処理装置１００Ａは、情報処理装置１００のような情報を表示する機能を有しなくてもよい。なお、情報処理装置１００Ａは、情報処理装置１００Ａの管理者等が利用する入力部（例えば、キーボードやマウス等）や表示部（例えば、液晶ディスプレイ等）を有してもよい。

制御部１５Ａは、例えば、ＣＰＵやＭＰＵ等によって、情報処理装置１００Ａ内部に記憶されたプログラム（例えば、本開示に係る情報処理プログラム）がＲＡＭ等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１５Ａは、例えば、ＡＳＩＣやＦＰＧＡ等の集積回路により実現されてもよい。

図１５に示すように、制御部１５Ａは、取得部１５１Ａと、学習部１５２と、対話管理部１５３と、推定部１５４と、抽出部１５５と、生成部１５６と、送信部１５７Ａ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１５Ａの内部構成は、図１５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。

取得部１５１Ａは、取得部１５１と同様に各種情報を取得する。取得部１５１Ａは、端末装置１０から各種情報を取得する。取得部１５１Ａは、端末装置１０からユーザの入力情報を取得する。取得部１５１Ａは、記憶部１４から各種情報を取得する。

送信部１５７Ａは、送信部１５７と同様に各種情報の提供を行う。送信部１５７Ａは、端末装置１０に各種情報を提供する。送信部１５７Ａは、端末装置１０へ各種情報を送信する。送信部１５７Ａは、生成部１５６により生成された情報を端末装置１０に提供する。送信部１５７Ａは、推定部１５４による解析結果を端末装置１０に提供する。送信部１５７Ａは、端末装置１０に表示させる情報を端末装置１０に送信する。送信部１５７Ａは、生成部１５６により生成された推奨情報を端末装置１０へ送信する。

［２−２．その他の構成例］
また、上述した各実施形態や変形例に係る処理は、上記実施形態や変形例以外にも種々の異なる形態（変形例）にて実施されてよい。例えば、モデルを学習する装置（学習装置）と、モデルを用いてスペックの値等を推定する装置（推定装置）と、取引対象を抽出する装置（抽出装置）と、推奨情報を生成する装置（生成装置）は別体であってもよい。この場合、情報処理システムは、学習装置と、スペックの値等の推定を行う情報処理装置である推定装置と、抽出装置と、生成装置とを含んでもよい。なお、上記は一例であり、情報処理システムは種々の構成により実現されてもよい。

［２−３．その他］
また、上記各実施形態において説明した各処理のうち、自動的に行われるものとして説明した処理の全部または一部を手動的に行うこともでき、あるいは、手動的に行われるものとして説明した処理の全部または一部を公知の方法で自動的に行うこともできる。この他、上記文書中や図面中で示した処理手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。例えば、各図に示した各種情報は、図示した情報に限られない。

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。

また、上述してきた各実施形態及び変形例は、処理内容を矛盾させない範囲で適宜組み合わせることが可能である。

また、本明細書に記載された効果はあくまで例示であって限定されるものでは無く、他の効果があってもよい。

［３．本開示に係る効果］
上述のように、本開示に係る情報処理装置（実施形態では情報処理装置１００、１００Ａ）は、取得部（実施形態では取得部１５１、１５１Ａ）と、推定部（実施形態では推定部１５４）とを備える。取得部は、ユーザにより指定されるユースケースを示す文字情報を取得する。推定部は、文字情報に基づいて、ユースケースに対応する取引対象カテゴリのスペックのうち、ユースケースに対応する対応スペックの推奨値を推定する。

これにより、本開示に係る情報処理装置は、ユーザにより指定されるユースケースを示す文字情報に基づいて、ユースケースに対応する対応スペックの推奨値を推定することで、ユーザによるユースケースに応じたスペックの値を適切に推定することができる。また、情報処理装置は、ユースケースに応じたスペックの値を推定することで、ユーザにスペックの値を入力させることなく、ユーザが所望するスペックの取引対象をユーザに推奨することが可能となる。

また、取得部は、ユーザの発話に基づく文字情報を取得する。これにより、情報処理装置は、ユーザとの対話の中でユースケースを示す文字情報を取得し、ユーザによるユースケースに応じたスペックの値を適切に推定することができる。

また、推定部は、文字情報の入力に応じて、推奨値を示すスコアを出力するモデルを用いて、推奨値を推定する。これにより、情報処理装置は、推奨値を示すスコアを出力するモデルを用いてことで、ユーザによるユースケースに応じたスペックの値を適切に推定することができる。

また、推定部は、複数のスペックの各々に対応する複数のスコアを出力するモデルを用いて、モデルがスコアを出力したスペックの推奨値を推定する。これにより、情報処理装置は、複数のスペックの各々に対応する複数のスコアを出力するモデルを用いてことで、モデルがスコアを出力したスペックを対象として、値を適切に推定することができる。

また、取得部は、対応スペックの値が含まれない文字情報を取得する。推定部は、対応スペックの値が含まれない文字情報に基づいて、推奨値を推定する。これにより、情報処理装置は、対応スペックの値が含まれない前文字情報を対象として、文字情報に含まれないスペックの値を適切に推定することができる。

また、取得部は、スペックを示す文字列が含まれない文字情報を取得する。推定部は、スペックを示す文字列が含まれない文字情報に基づいて、推奨値の推定対象となる対応スペックを推定する。これにより、情報処理装置は、スペックを示す文字列が含まれない前文字情報を対象として、推奨値を推定すべきスペックを適切に推定することができる。

また、取得部は、取引対象カテゴリを示す文字列が含まれない文字情報を取得する。推定部は、取引対象カテゴリを示す文字列が含まれない文字情報に基づいて、推奨値の推定対象となる取引対象カテゴリを推定する。これにより、情報処理装置は、取引対象カテゴリを示す文字列が含まれない前文字情報を対象として、推奨値を推定すべき取引対象カテゴリを適切に推定することができる。

また、取得部は、取引対象カテゴリに属する取引対象を示す文字列が含まれない文字情報を取得する。推定部は、取引対象カテゴリに属する取引対象を示す文字列文字情報に基づいて、推奨値の推定対象となる取引対象カテゴリを推定する。これにより、情報処理装置は、取引対象カテゴリに属する取引対象を示す文字列が含まれない前文字情報を対象として、推奨値を推定すべき取引対象カテゴリを適切に推定することができる。

また、取得部は、取引対象カテゴリの取引対象の用途を示す文字情報を取得する。推定部は、用途で用いられる取引対象カテゴリの対応スペックの推奨値を推定する。これにより、情報処理装置は、ユーザによる取引対象カテゴリの取引対象の用途に応じたスペックの値を適切に推定することができる。

また、取得部は、取引対象カテゴリの取引対象の利用シーンを示す文字情報を取得する。推定部は、利用シーンでの使用に適した取引対象カテゴリの対応スペックの推奨値を推定する。これにより、情報処理装置は、ユーザによる取引対象カテゴリの取引対象の利用シーンに応じたスペックの値を適切に推定することができる。

また、取得部は、ユーザの状況を示す文字情報を取得する。推定部は、ユーザの状況に対応する取引対象カテゴリの対応スペックの推奨値を推定する。これにより、情報処理装置は、ユーザの状況に応じたスペックの値を適切に推定することができる。

また、取得部は、取引対象カテゴリの取引対象に対するユーザの使用状況を示す文字情報を取得する。推定部は、ユーザの使用状況に対応する取引対象カテゴリの対応スペックの推奨値を推定する。これにより、情報処理装置は、取引対象カテゴリの取引対象に対するユーザの使用状況に応じたスペックの値を適切に推定することができる。

また、取得部は、ユーザが取引対象カテゴリの取引対象の使用ついて初心者か否かを示す文字情報を取得する。推定部は、ユーザが初心者である場合、取引対象カテゴリの対応スペックの推奨値を、初心者に対応する値に推定する。これにより、情報処理装置は、取引対象カテゴリの取引対象の初心者であるユーザに対応するスペックの値を適切に推定することができる。

また、本開示に係る情報処理装置は、抽出部（実施形態では抽出部１５５）を備える。抽出部は、取引対象カテゴリの取引対象群から、対応スペックの値が推奨値に該当する取引対象を該当取引対象として抽出する。このように、情報処理装置は、推定したスペックの値を用いて、取引対象カテゴリの取引対象群から該当取引対象を抽出することで、ユーザのユースケースに適した取引対象を抽出することができる。

また、推定部は、複数のスペックの各々に対応する複数の推奨値を推定する。抽出部は、複数のスペックの複数の値の各々が複数の推奨値に該当する該当取引対象を抽出する。これにより、情報処理装置は、推定した複数のスペックの各々に対応する複数の推奨値を用いて、該当取引対象を抽出することで、ユーザのユースケースに適した取引対象を抽出することができる。

また、本開示に係る情報処理装置は、生成部（実施形態では生成部１５６）を備える。生成部は、抽出部により抽出された該当取引対象に基づいて、ユーザに取引対象の購入を推奨する推奨情報を生成する。このように、情報処理装置は、該当取引対象に基づいて、ユーザに取引対象の購入を推奨する推奨情報を生成することで、ユーザのユースケースに適した取引対象の購入を促すことが可能になる。

また、生成部は、該当取引対象の数が閾値以下である場合、推奨情報を生成する。これにより、情報処理装置は、ユーザの推奨する取引対象を絞り込んだ上で、ユーザのユースケースに適した取引対象の購入を促すことが可能になる。したがって、情報処理装置は、ユーザに推奨情報が提供された場合に、推奨した取引対象がユーザにより購入される可能性を高めることができる。

また、生成部は、該当取引対象を分類した分類結果を示す推奨情報を生成する。これにより、情報処理装置は、ユーザの推奨する取引対象を分類した上でユーザに推奨することが可能になる。したがって、情報処理装置は、ユーザに推奨情報が提供された場合に、ユーザが分類結果を参考にすることで取引対象を選択しやすくなり、推奨した取引対象がユーザにより購入される可能性を高めることができる。

また、生成部は、該当取引対象の類似性、またはユーザに類似する類似ユーザによる該当取引対象の購入履歴に基づいて、該当取引対象を分類し、分類結果を示す推奨情報を生成する。これにより、情報処理装置は、該当取引対象の類似性や類似ユーザの購入傾向を基に、ユーザの推奨する取引対象を分類した上でユーザに推奨することが可能になる。したがって、情報処理装置は、ユーザに推奨情報が提供された場合に、ユーザが分類結果を参考にすることで取引対象を選択しやすくなり、推奨した取引対象がユーザにより購入される可能性を高めることができる。

［４．ハードウェア構成］
上述してきた各実施形態に係る情報処理装置１００、１００Ａ等の情報機器は、例えば図１６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１６は、情報処理装置１００、１００Ａ等の情報処理装置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。以下、実施形態に係る情報処理装置１００を例に挙げて説明する。コンピュータ１０００は、ＣＰＵ１１００、ＲＡＭ１２００、ＲＯＭ（Read Only Memory）１３００、ＨＤＤ（Hard Disk Drive）１４００、通信インターフェイス１５００、及び入出力インターフェイス１６００を有する。コンピュータ１０００の各部は、バス１０５０によって接続される。

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。例えば、ＣＰＵ１１００は、ＲＯＭ１３００又はＨＤＤ１４００に格納されたプログラムをＲＡＭ１２００に展開し、各種プログラムに対応した処理を実行する。

ＲＯＭ１３００は、コンピュータ１０００の起動時にＣＰＵ１１００によって実行されるＢＩＯＳ（Basic Input Output System）等の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、及び、かかるプログラムによって使用されるデータ等を非一時的に記録する、コンピュータが読み取り可能な記録媒体である。具体的には、ＨＤＤ１４００は、プログラムデータ１４５０の一例である本開示に係る情報処理プログラムを記録する記録媒体である。

通信インターフェイス１５００は、コンピュータ１０００が外部ネットワーク１５５０（例えばインターネット）と接続するためのインターフェイスである。例えば、ＣＰＵ１１００は、通信インターフェイス１５００を介して、他の機器からデータを受信したり、ＣＰＵ１１００が生成したデータを他の機器へ送信したりする。

入出力インターフェイス１６００は、入出力デバイス１６５０とコンピュータ１０００とを接続するためのインターフェイスである。例えば、ＣＰＵ１１００は、入出力インターフェイス１６００を介して、キーボードやマウス等の入力デバイスからデータを受信する。また、ＣＰＵ１１００は、入出力インターフェイス１６００を介して、ディスプレイやスピーカーやプリンタ等の出力デバイスにデータを送信する。また、入出力インターフェイス１６００は、所定の記録媒体（メディア）に記録されたプログラム等を読み取るメディアインターフェイスとして機能してもよい。メディアとは、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が実施形態に係る情報処理装置１００として機能する場合、コンピュータ１０００のＣＰＵ１１００は、ＲＡＭ１２００上にロードされた情報処理プログラムを実行することにより、制御部１５等の機能を実現する。また、ＨＤＤ１４００には、本開示に係る情報処理プログラムや、記憶部１４内のデータが格納される。なお、ＣＰＵ１１００は、プログラムデータ１４５０をＨＤＤ１４００から読み取って実行するが、他の例として、外部ネットワーク１５５０を介して、他の装置からこれらのプログラムを取得してもよい。

なお、本技術は以下のような構成も取ることができる。
（１）
ユーザにより指定されるユースケースを示す文字情報を取得する取得部と、
前記文字情報に基づいて、前記ユースケースに対応する取引対象カテゴリのスペックのうち、前記ユースケースに対応する対応スペックの推奨値を推定する推定部と、
を備える情報処理装置。
（２）
前記取得部は、
前記ユーザの発話に基づく前記文字情報を取得する、
（１）に記載の情報処理装置。
（３）
前記推定部は、
前記文字情報の入力に応じて、前記推奨値を示すスコアを出力するモデルを用いて、前記推奨値を推定する、
（１）または（２）に記載の情報処理装置。
（４）
前記推定部は、
複数のスペックの各々に対応する複数のスコアを出力する前記モデルを用いて、前記モデルがスコアを出力したスペックの前記推奨値を推定する、
（３）に記載の情報処理装置。
（５）
前記取得部は、
前記対応スペックの値が含まれない前記文字情報を取得し、
前記推定部は、
前記対応スペックの値が含まれない前記文字情報に基づいて、前記推奨値を推定する、
（１）〜（４）のいずれか１項に記載の情報処理装置。
（６）
前記取得部は、
スペックを示す文字列が含まれない前記文字情報を取得し、
前記推定部は、
スペックを示す文字列が含まれない前記文字情報に基づいて、前記推奨値の推定対象となる前記対応スペックを推定する、
（５）に記載の情報処理装置。
（７）
前記取得部は、
前記取引対象カテゴリを示す文字列が含まれない前記文字情報を取得し、
前記推定部は、
前記取引対象カテゴリを示す文字列が含まれない前記文字情報に基づいて、前記推奨値の推定対象となる前記取引対象カテゴリを推定する、
（５）または（６）に記載の情報処理装置。
（８）
前記取得部は、
前記取引対象カテゴリに属する取引対象を示す文字列が含まれない前記文字情報を取得し、
前記推定部は、
前記取引対象カテゴリに属する取引対象を示す文字列前記文字情報に基づいて、前記推奨値の推定対象となる前記取引対象カテゴリを推定する、
（５）〜（７）のいずれか１項に記載の情報処理装置。
（９）
前記取得部は、
前記取引対象カテゴリの取引対象の用途を示す前記文字情報を取得し、
前記推定部は、
前記用途で用いられる前記取引対象カテゴリの前記対応スペックの前記推奨値を推定する、
（１）〜（８）のいずれか１項に記載の情報処理装置。
（１０）
前記取得部は、
前記取引対象カテゴリの取引対象の利用シーンを示す前記文字情報を取得し、
前記推定部は、
前記利用シーンでの使用に適した前記取引対象カテゴリの前記対応スペックの前記推奨値を推定する、
（９）に記載の情報処理装置。
（１１）
前記取得部は、
前記ユーザの状況を示す前記文字情報を取得し、
前記推定部は、
前記ユーザの状況に対応する前記取引対象カテゴリの前記対応スペックの前記推奨値を推定する、
（１）〜（１０）のいずれか１項に記載の情報処理装置。
（１２）
前記取得部は、
前記取引対象カテゴリの取引対象に対する前記ユーザの使用状況を示す前記文字情報を取得し、
前記推定部は、
前記ユーザの使用状況に対応する前記取引対象カテゴリの前記対応スペックの前記推奨値を推定する、
（１１）に記載の情報処理装置。
（１３）
前記取得部は、
前記ユーザが前記取引対象カテゴリの取引対象の使用ついて初心者か否かを示す前記文字情報を取得し、
前記推定部は、
前記ユーザが前記初心者である場合、前記取引対象カテゴリの前記対応スペックの前記推奨値を、前記初心者に対応する値に推定する、
（１２）に記載の情報処理装置。
（１４）
前記取引対象カテゴリの取引対象群から、前記対応スペックの値が前記推奨値に該当する取引対象を該当取引対象として抽出する抽出部、
をさらに備える（１）〜（１３）のいずれか１項に記載の情報処理装置。
（１５）
前記推定部は、
複数のスペックの各々に対応する複数の推奨値を推定し、
前記抽出部は、
前記複数のスペックの複数の値の各々が前記複数の推奨値に該当する前記該当取引対象を抽出する
（１４）に記載の情報処理装置。
（１６）
前記抽出部により抽出された前記該当取引対象に基づいて、前記ユーザに取引対象の購入を推奨する推奨情報を生成する生成部、
をさらに備える（１４）または（１５）に記載の情報処理装置。
（１７）
前記生成部は、
前記該当取引対象の数が閾値以下である場合、前記推奨情報を生成する、
（１６）に記載の情報処理装置。
（１８）
前記生成部は、
前記該当取引対象を分類した分類結果を示す前記推奨情報を生成する、
（１６）または（１７）に記載の情報処理装置。
（１９）
前記生成部は、
前記該当取引対象の類似性、または前記ユーザに類似する類似ユーザによる前記該当取引対象の購入履歴に基づいて、前記該当取引対象を分類し、前記分類結果を示す前記推奨情報を生成する、
（１８）に記載の情報処理装置。
（２０）
ユーザにより指定されるユースケースを示す文字情報を取得し、
前記文字情報に基づいて、前記ユースケースに対応する取引対象カテゴリのスペックのうち、前記ユースケースに対応する対応スペックの推奨値を推定する、
処理を実行する情報処理方法。

１００、１００Ａ 情報処理装置
１１ 通信部
１２ 入力部
１３ 音声出力部（スピーカ）
１４ 記憶部
１４１ 事例情報記憶部
１４２ モデル情報記憶部
１４３ 取引対象情報記憶部
１４４ スペック一覧情報記憶部
１５、１５Ａ 制御部
１５１、１５１Ａ 取得部
１５２ 学習部
１５３ 対話管理部
１５４ 推定部
１５５ 抽出部
１５６ 生成部
１５７、１５７Ａ 送信部
１６ 表示部（ディスプレイ）

Claims (20)

1. ユーザにより指定されるユースケースを示す文字情報を取得する取得部と、
   前記文字情報に基づいて、前記ユースケースに対応する取引対象カテゴリのスペックのうち、前記ユースケースに対応する対応スペックの推奨値を推定する推定部と、
   を備える情報処理装置。
2. 前記取得部は、
   前記ユーザの発話に基づく前記文字情報を取得する、
   請求項１に記載の情報処理装置。
3. 前記推定部は、
   前記文字情報の入力に応じて、前記推奨値を示すスコアを出力するモデルを用いて、前記推奨値を推定する、
   請求項１に記載の情報処理装置。
4. 前記推定部は、
   複数のスペックの各々に対応する複数のスコアを出力する前記モデルを用いて、前記モデルがスコアを出力したスペックの前記推奨値を推定する、
   請求項３に記載の情報処理装置。
5. 前記取得部は、
   前記対応スペックの値が含まれない前記文字情報を取得し、
   前記推定部は、
   前記対応スペックの値が含まれない前記文字情報に基づいて、前記推奨値を推定する、
   請求項１に記載の情報処理装置。
6. 前記取得部は、
   スペックを示す文字列が含まれない前記文字情報を取得し、
   前記推定部は、
   スペックを示す文字列が含まれない前記文字情報に基づいて、前記推奨値の推定対象となる前記対応スペックを推定する、
   請求項５に記載の情報処理装置。
7. 前記取得部は、
   前記取引対象カテゴリを示す文字列が含まれない前記文字情報を取得し、
   前記推定部は、
   前記取引対象カテゴリを示す文字列が含まれない前記文字情報に基づいて、前記推奨値の推定対象となる前記取引対象カテゴリを推定する、
   請求項５に記載の情報処理装置。
8. 前記取得部は、
   前記取引対象カテゴリに属する取引対象を示す文字列が含まれない前記文字情報を取得し、
   前記推定部は、
   前記取引対象カテゴリに属する取引対象を示す文字列前記文字情報に基づいて、前記推奨値の推定対象となる前記取引対象カテゴリを推定する、
   請求項５に記載の情報処理装置。
9. 前記取得部は、
   前記取引対象カテゴリの取引対象の用途を示す前記文字情報を取得し、
   前記推定部は、
   前記用途で用いられる前記取引対象カテゴリの前記対応スペックの前記推奨値を推定する、
   請求項１に記載の情報処理装置。
10. 前記取得部は、
    前記取引対象カテゴリの取引対象の利用シーンを示す前記文字情報を取得し、
    前記推定部は、
    前記利用シーンでの使用に適した前記取引対象カテゴリの前記対応スペックの前記推奨値を推定する、
    請求項９に記載の情報処理装置。
11. 前記取得部は、
    前記ユーザの状況を示す前記文字情報を取得し、
    前記推定部は、
    前記ユーザの状況に対応する前記取引対象カテゴリの前記対応スペックの前記推奨値を推定する、
    請求項１に記載の情報処理装置。
12. 前記取得部は、
    前記取引対象カテゴリの取引対象に対する前記ユーザの使用状況を示す前記文字情報を取得し、
    前記推定部は、
    前記ユーザの使用状況に対応する前記取引対象カテゴリの前記対応スペックの前記推奨値を推定する、
    請求項１１に記載の情報処理装置。
13. 前記取得部は、
    前記ユーザが前記取引対象カテゴリの取引対象の使用ついて初心者か否かを示す前記文字情報を取得し、
    前記推定部は、
    前記ユーザが前記初心者である場合、前記取引対象カテゴリの前記対応スペックの前記推奨値を、前記初心者に対応する値に推定する、
    請求項１２に記載の情報処理装置。
14. 前記取引対象カテゴリの取引対象群から、前記対応スペックの値が前記推奨値に該当する取引対象を該当取引対象として抽出する抽出部、
    をさらに備える請求項１に記載の情報処理装置。
15. 前記推定部は、
    複数のスペックの各々に対応する複数の推奨値を推定し、
    前記抽出部は、
    前記複数のスペックの複数の値の各々が前記複数の推奨値に該当する前記該当取引対象を抽出する
    請求項１４に記載の情報処理装置。
16. 前記抽出部により抽出された前記該当取引対象に基づいて、前記ユーザに取引対象の購入を推奨する推奨情報を生成する生成部、
    をさらに備える請求項１４に記載の情報処理装置。
17. 前記生成部は、
    前記該当取引対象の数が閾値以下である場合、前記推奨情報を生成する、
    請求項１６に記載の情報処理装置。
18. 前記生成部は、
    前記該当取引対象を分類した分類結果を示す前記推奨情報を生成する、
    請求項１６に記載の情報処理装置。
19. 前記生成部は、
    前記該当取引対象の類似性、または前記ユーザに類似する類似ユーザによる前記該当取引対象の購入履歴に基づいて、前記該当取引対象を分類し、前記分類結果を示す前記推奨情報を生成する、
    請求項１８に記載の情報処理装置。
20. ユーザにより指定されるユースケースを示す文字情報を取得し、
    前記文字情報に基づいて、前記ユースケースに対応する取引対象カテゴリのスペックのうち、前記ユースケースに対応する対応スペックの推奨値を推定する、
    処理を実行する情報処理方法。

Images