JP2022032482A - 部品名称予測プログラム、生成プログラム、部品名称予測方法、生成方法および情報処理装置 - Google Patents

部品名称予測プログラム、生成プログラム、部品名称予測方法、生成方法および情報処理装置 Download PDF

Info

Publication number
JP2022032482A
JP2022032482A JP2020136319A JP2020136319A JP2022032482A JP 2022032482 A JP2022032482 A JP 2022032482A JP 2020136319 A JP2020136319 A JP 2020136319A JP 2020136319 A JP2020136319 A JP 2020136319A JP 2022032482 A JP2022032482 A JP 2022032482A
Authority
JP
Japan
Prior art keywords
information
prediction
name
quotation
prediction model
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.)
Withdrawn
Application number
JP2020136319A
Other languages
English (en)
Inventor
勇樹 古谷
Yuki Furuya
龍雄 早川
Tatsuo Hayakawa
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fujitsu Ltd
Original Assignee
Fujitsu Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Fujitsu Ltd filed Critical Fujitsu Ltd
Priority to JP2020136319A priority Critical patent/JP2022032482A/ja
Publication of JP2022032482A publication Critical patent/JP2022032482A/ja
Withdrawn legal-status Critical Current

Links

Images

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

【課題】部品名称の予測精度の低下を抑止する品名称予測プログラム、生成プログラム、部品名称予測方法、生成方法および情報処理装置を提供する。【解決手段】情報処理装置は、品名情報および品名情報に対応する部品の仕様に関する情報を含む見積書情報を、品名情報および仕様に関する情報に応じた部品名称に含まれる単語を出力する第１予測モデルに入力することで、部品名称に含まれる単語の予測結果を予測する。情報処理装置は、見積書情報および予測結果を、見積書情報と予測結果とに応じた部品名称を予測する第２予測モデルに入力することで、部品名称を予測する。【選択図】図１

Description

本発明は、部品名称予測プログラム等に関する。
自動車の修理を行う場合に、修理に使用する部品の見積書が作成されが、特殊な仕様の部品を追加する事例が発生する場合がある。たとえば、見積書の品名の入力領域に「フロントバンパー」、「フロントパネル」、「フロントガラス」、「ワイパー」、「サイドミラー」、「サイドミラーヒーター」の部品名称が含まれてものとする。この場合には、「ワイパー」の代わりに特殊な仕様の「寒冷地仕様用のワイパー」を追加することが好ましい。
また、見積書の品名の入力領域に「サイドミラーヒーター」の部品名称が含まれていない場合でも、見積書の備考に「北海道地域の寒冷地仕様」のような記載がある。この場合にも、「ワイパー」の代わりに特殊な仕様の「寒冷地仕様用のワイパー」を追加することが好ましい。
従来では、熟練の作業員が、見積書をチェックし、過去の経験等に基づいて、特殊な仕様の部品を追加しているが、自動的に見積書に追加する部品名称を推定したいというニーズがある。
なお、部品の画像データと、部品の取引データとを一組の教師データとして作成された学習モデルを生成する従来技術が公開されている。
特開２０１９－３２６２３号公報
たとえば、見積書を基にして部品名称を推定する場合に、見積書の文書情報と、見積書に追加する部品名称とを一組の教師データとして学習モデルを生成し、かかる学習モデルによって、部品名称を予測することが考えられる。
しかしながら、見積書において、特殊な仕様の部品を推定するための情報の記載のされ方が様々であり、出現頻度も多くないため、見積書の文書情報と特殊な使用の部品との関係を適切に学習することができず、部品名称の予測精度が低下してしまう。
上記課題は自動車部品に関する見積書に限らず、各種の機械、電子機器の見積書から、特殊な仕様の部品名称を推定する場合にも同様に発生し得る課題である。
１つの側面では、本発明は、部品名称の予測精度の低下を抑止することができる部品名称予測プログラム、生成プログラム、部品名称予測方法、生成方法および情報処理装置を提供することを目的とする。
第１の案では、コンピュータに次の処理を実行させる。コンピュータは、品名情報および品名情報に対応する部品の仕様に関する情報を含む見積書情報を、品名情報および仕様に関する情報に応じた部品名称に含まれる単語を出力する第１予測モデルに入力することで、部品名称に含まれる単語の予測結果を予測する。コンピュータは、見積書情報および予測結果を、見積書情報と予測結果とに応じた部品名称を予測する第２予測モデルに入力することで、部品名称を予測する。
部品名称の予測精度の低下を抑止することができる。
図１は、本実施例に係る情報処理装置の処理を説明するための図である。 図２は、本実施例に係る情報処理装置の構成を示す機能ブロック図である。 図３は、第１学習データテーブルのデータ構造の一例を示す図である。 図４は、見積書情報の一例を示す図である。 図５は、見積書情報の一例を示す図である。 図６は、第２学習データテーブルのデータ構造の一例を示す図である。 図７は、本実施例に係る情報処理装置が予測モデルを学習する処理手順を示すフローチャートである。 図８は、本実施例に係る情報処理装置が部品名称を予測する処理手順を示すフローチャートである。 図９は、実施例の情報処理装置と同様の機能を実現するコンピュータのハードウェア構成の一例を示す図である。
以下に、本願の開示する部品名称予測プログラム、生成プログラム、部品名称予測方法、生成方法および情報処理装置の実施例を図面に基づいて詳細に説明する。なお、この実施例によりこの発明が限定されるものではない。
図１は、本実施例に係る情報処理装置の処理を説明するための図である。情報処理装置は、第１予測モデル１４０ａと、第２予測モデル１４０ｂとを用いて、処理を実行する。
ここで、第１予測モデル１４０ａは、第１学習データテーブル５０ａに含まれる学習データセットを用いて学習された機械学習モデルである。第１学習データテーブル５０ａの学習データセットは、インプットデータを見積書の文書情報とし、ラベルを部品名称の仕様に関する単語とするデータである。見積書の文書情報は、見積書の各入力領域に入力される文書情報である。部品名称（部品名称に示される部品）の仕様に関する単語は、たとえば、「寒冷地仕様」、「林業仕様」、「湿地仕様」等の単語に対応する。以下の説明では、見積書の文書情報を「見積書情報」と表記する。部品名称の仕様に関する単語の情報を「仕様情報」と表記する。
第２予測モデル１４０ｂは、第２学習データテーブル５０ｂに含まれる学習データセットを用いて学習された機械学習モデルである。第２学習データテーブル５０ｂの学習データセットは、インプットデータを見積書情報および仕様情報の組とし、ラベルを部品名称とするデータである。
情報処理装置は、処理対象となる見積書情報１０を受け付けると、見積書情報１０を第１予測モデル１４０ａに入力することで、第１予測モデル１４０ａから出力される中間データ２０を取得する。中間データ２０には、部品名称の仕様に関する単語の情報が含まれる。
続いて、情報処理装置は、見積書情報１０と、中間データ２０とを第２予測モデル１４０ｂに入力することで、見積書情報１０に対応する部品名称を取得する。
上記のように、本実施例に係る情報処理装置は、見積書情報を第１予測モデル１４０ａに入力することで、見積書情報から、中間データ（仕様情報）を抽出しておき、見積書情報と、中間データとの組を、第２予測モデル１４０ｂに入力することで、部品名称を得る。これによって、見積書情報と、仕様情報との組に対応する部品情報を特定することができ、部品名称の予測精度の低下を抑止することができる。
次に、本実施例に係る情報処理装置の構成について説明する。図２は、本実施例に係る情報処理装置の構成を示す機能ブロック図である。図２に示すように、この情報処理装置１００は、通信部１１０と、入力部１２０と、表示部１３０と、記憶部１４０と、制御部１５０とを有する。
通信部１１０は、有線又は無線で外部装置等に接続され、外部装置等との間で情報の送受信を行う。たとえば、通信部１１０は、ＮＩＣ（Network Interface Card）等によって実現される。通信部１１０は、図示しないネットワークに接続されていてもよい。たとえば、通信部１１０は、外部装置から、第１学習データテーブル５０ａの情報、第２学習データテーブル５０ｂの情報を受信する。
入力部１２０は、各種の情報を、情報処理装置１００に入力する入力装置である。入力部１２０は、キーボードやマウス、タッチパネル等に対応する。作業員は、入力部１２０を操作して、見積書情報を情報処理装置１００に入力してもよい。
表示部１３０は、制御部１５０から出力される情報を表示する表示装置である。表示部１３０は、液晶ディスプレイ、有機ＥＬ（Electro Luminescence）ディスプレイ、タッチパネル等に対応する。たとえば、表示部１３０は、制御部１５０に予測された、見積書情報に対応する部品名称の情報を表示する。
記憶部１４０は、第１学習データテーブル５０ａ、第２学習データテーブル５０ｂ、第１予測モデル１４０ａ、第２予測モデル１４０ｂを有する。記憶部１４０は、たとえば、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。
第１学習データテーブル５０ａは、インプットデータを見積書情報とし、ラベルを仕様情報とする学習データセットを保持するテーブルである。図３は、第１学習データテーブルのデータ構造の一例を示す図である。図３に示すように、第１学習データテーブル５０ａは、インプットデータと、ラベルとを対応付ける。
ここで、見積書情報Ｄ１－１～Ｄ１－５の一例について説明する。図４および図５は、見積書情報の一例を示す図である。図４、図５に示す見積書情報には、見積依頼番号、見積依頼日、見積回答予定日、引当担当者、顧客、依頼会社名、品名、備考に対する入力領域が含まれるものとする。各入力領域には、以下に説明するような文書情報が入力されている。
図４の見積書情報Ｄ１－１について説明する。見積書情報Ｄ１－１の見積依頼番号には「１２３４５６－７８９０」が入力されている。見積依頼日には「２０１９／１２／１０」が入力されている。見積回答予定日には「２０１９／１２／１７」が入力されている。引当担当者には「富士通太郎」が入力されている。顧客には「山田一郎」が入力されている。依頼会社名には「ＡＢＧ株式会社」が入力されている。見積書情報Ｄ１－１の品名には「Ａ車用フロントパネル」、「Ａ車両フロントバンパー」、「Ａ車両フロントワイパー」、「Ａ車両サイドミラー」が入力されている。備考には「寒冷地仕様でお願いします。」が入力されている。図３で説明したように、たとえば、見積書情報Ｄ１－１のラベルは「Ａ車適用寒冷地仕様」となる。
図４の見積書情報Ｄ１－２について説明する。見積書情報Ｄ１－２の見積依頼番号には「１２３４５６－７８９０」が入力されている。見積依頼日には「２０１９／１２／１０」が入力されている。見積回答予定日には「２０１９／１２／１７」が入力されている。引当担当者には「富士通太郎」が入力されている。顧客には「山田一郎」が入力されている。依頼会社名には「ＡＢＧ株式会社」が入力されている。見積書情報Ｄ１－２の品名には「Ｂ車用フロントパネル」、「Ｂ車両フロントバンパー」、「Ｂ車両フロントワイパー」、「Ｂ車両サイドミラー」、「寒冷地仕様」が入力されている。なお、備考には、文書情報が入力されていない。図３で説明したように、たとえば、見積書情報Ｄ１－２のラベルは「Ｂ車適用寒冷地仕様」となる。
図４の見積書情報Ｄ１－３について説明する。見積書情報Ｄ１－３の見積依頼番号には「１２３４５６－７８９０」が入力されている。見積依頼日には「２０１９／１２／１０」が入力されている。見積回答予定日には「２０１９／１２／１７」が入力されている。引当担当者には「富士通太郎」が入力されている。顧客には「山田一郎」が入力されている。依頼会社名には「ＡＢＧ株式会社」が入力されている。見積書情報Ｄ１－３の品名には「Ｃ車用フロントパネル＿寒冷地仕様」、「Ｃ車両フロントバンパー＿寒冷地仕様」、「Ｃ車両フロントワイパー＿寒冷地仕様」、「Ｃ車両サイドミラー＿寒冷地仕様」が入力されている。なお、備考には、文書情報が入力されていない。図３で説明したように、たとえば、見積書情報Ｄ１－３のラベルは「Ｃ車適用寒冷地仕様」となる。
図５の見積書情報Ｄ１－４について説明する。見積書情報Ｄ１－４の見積依頼番号には「１２３４５６－７８９０」が入力されている。見積依頼日には「２０１９／１２／１０」が入力されている。見積回答予定日には「２０１９／１２／１７」が入力されている。引当担当者には「富士通太郎」が入力されている。顧客には「山田一郎」が入力されている。依頼会社名には「ＡＢＧ株式会社」が入力されている。見積書情報Ｄ１－４の品名には「Ａ車用フロントパネル＿寒冷地仕様」、「Ａ車両フロントバンパー」、「Ａ車両フロントワイパー」、「Ａ車両サイドミラー」が入力されている。なお、備考には、文書情報が入力されていない。図３で説明したように、たとえば、見積書情報Ｄ１－４のラベルは「Ａ車適用寒冷地仕様」となる。
図５の見積書情報Ｄ１－５について説明する。見積書情報Ｄ１－５の見積依頼番号には「１２３４５６－７８９０」が入力されている。見積依頼日には「２０１９／１２／１０」が入力されている。見積回答予定日には「２０１９／１２／１７」が入力されている。引当担当者には「富士通太郎」が入力されている。顧客には「山田一郎」が入力されている。依頼会社名には「ＡＢＧ株式会社」が入力されている。見積書情報Ｄ１－５の品名には「Ａ車用フロントパネル」、「Ａ車両フロントバンパー」、「Ａ車両フロントワイパー」、「Ａ車両サイドミラー」が入力されている。なお、備考には「北海道地域仕様でお願いします。」が入力されている。図３で説明したように、たとえば、見積書情報Ｄ１－５のラベルは「Ａ車適用寒冷地仕様」となる。
図４、図５で説明したように、特殊部品を判定するための情報の入力パターンは様々である。たとえば、図４の見積書情報Ｄ１－１では、特殊部品を判定するための情報が備考の入力領域に入力されている。見積書情報Ｄ１－２では、特殊部品を判定するための情報が、品名の入力領域に入力されている。見積書情報Ｄ１－３では、各品名の末尾に、備考に特殊部品を判定するための情報が入力されている。
図５の見積書情報Ｄ１－４では、一つの品名の末尾に、備考に特殊部品を判定するための情報が入力されている。見積書情報１－５では、特殊部品を連想させる単語が入力されている。
図示を省略するが、たとえば、見積書情報に、特殊部品を判定するための情報が明確に入力されていなくても、品名に入力される部品名称の組み合わせにより、仕様情報が決定する場合もある。たとえば、ある見積書情報において、品名の入力領域に「アーム」と「バケット」の組が入力されている場合には、ある見積書情報の仕様情報（ラベル）は「林業仕様」となる。このような見積書情報のインプットデータと、ラベルとの関係も、第１学習データテーブル５０ａに登録されているものとする。
図２の説明に戻る。第２学習データテーブル５０ｂは、インプットデータを見積書情報および仕様情報とし、ラベルを部品名称とする学習データセットを保持するテーブルである。図６は、第２学習データテーブルのデータ構造の一例を示す図である。図６に示すように、第２学習データテーブル５０ｂは、インプットデータと、ラベルとを対応付ける。
一例として、図６の１行目の学習データについて説明すると、インプットデータには、見積書情報Ｄ１－１と、Ａ車適用と、寒冷地仕様との組が含まれる。見積書情報Ｄ１－１は、見積書情報に対応する。Ａ車適用および寒冷地仕様は、仕様情報に対応する。ラベルには、Ａ車適用フロントワイパー（寒冷地仕様）、Ａ車適用サイドミラー（右）（寒冷地仕様）、Ａ車適用サイドミラー（左）（寒冷地仕様）が設定されている。
図２の説明に戻る。第１予測モデル１４０ａは、ＮＮ（Neural Network）等の機械学習モデルである。第１予測モデル１４０ａは、第１学習データテーブル５０ａに含まれる学習データセットを基にして学習される。
たとえば、第１予測モデル１４０ａは、入力層、隠れ層、出力層を持つ。入力層、隠れ層、出力層は、複数のノードがエッジで結ばれる構造となっている。隠れ層、出力層は、活性化関数と呼ばれる関数とバイアス値とを持ち、エッジは、重みを持つ。かかるバイアス値、重みが、第１予測モデル１４０ａの学習対象となるパラメータとなる。
第２予測モデル１４０ｂは、ＮＮ等の機械学習モデルである。第２予測モデル１４０ｂは、第２学習データテーブル５０ｂに含まれる学習データセットを基にして学習される。第２予測モデル１４０ｂは、第１予測モデル１４０ａと同様にして、入力層、隠れ層、出力層を持ち、入力層、隠れ層、出力層は、複数のノードがエッジで結ばれる構造となっている。
制御部１５０は、取得部１５１、生成部１５２、第１予測部１５３、第２予測部１５４を有する。制御部１５０は、たとえば、ＣＰＵ（Central Processing Unit）やＭＰＵ(Micro Processing Unit)により実現される。また、制御部１５０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行されてもよい。
取得部１５１は、ネットワークを介して、外部装置等から、第１学習データテーブル５０ａの情報、第２学習データテーブル５０ｂの情報を取得する。取得部１５１は、第１学習データテーブル５０ａの情報、第２学習データテーブル５０ｂの情報を、記憶部１４０に格納する。
生成部１５２は、第１学習データテーブル５０ａを基にして、第１予測モデル１４０ａを生成する。また、生成部１５２は、第２学習データテーブル５０ｂを基にして、第２予測モデル１４０ｂを生成する。
生成部１５２が、第１予測モデル１４０ａを生成する処理の一例について説明する。生成部１５２は、パラメータθ１を初期値に設定したＮＮを用意する。生成部１５２は、第１学習データテーブル５０ａから学習データを取得し、学習データのインプットデータを、ＮＮに入力した場合に、ＮＮから出力されるアウトプットデータを取得する。生成部１５２は、アウトプットデータと、ラベルとの差分を損失関数として設定し、損失関数の誤差を逆伝播し、損失関数の値が最小となるように、パラメータθ１の学習を行う。生成部１５２は、第１学習データテーブル５０ａの学習データセットを用いて、上記処理を繰り返し実行することで、第１予測モデル１４０ａを生成する。生成部１５２は、第１予測モデル１４０ａの情報を、記憶部１４０に格納する。
生成部１５２が、第２予測モデル１４０ｂを生成する処理の一例について説明する。生成部１５２は、パラメータθ２を初期値に設定したＮＮを用意する。生成部１５２は、第２学習データテーブル５０ｂから学習データを取得し、学習データのインプットデータを、ＮＮに入力した場合に、ＮＮから出力されるアウトプットデータを取得する。生成部１５２は、アウトプットデータと、ラベルとの差分を損失関数として設定し、損失関数の誤差を逆伝播し、損失関数の値が最小となるように、パラメータθ２の学習を行う。生成部１５２は、第２学習データテーブル５０ｂの学習データセットを用いて、上記処理を繰り返し実行することで、第２予測モデル１４０ｂを生成する。生成部１５２は、第２予測モデル１４０ｂの情報を、記憶部１４０に格納する。
第１予測部１５３は、見積書情報を取得し、取得した見積書情報を、第１予測モデル１４０ａに入力することで、中間データを予測する処理部である。第１予測部１５３は、入力部１２０から、見積書情報を取得してもよいし、ネットワークを介して、外部装置等から見積書情報を取得してもよい。
第１予測部１５３は、第１予測モデル１４０ａから出力された中間データと、見積書情報とを、第２予測部１５４に出力する。第１予測モデル１４０ａから出力される中間データには、仕様情報に応じた部品名称に含まれる単語が含まれる。たとえば、仕様情報に応じた部品名称に含まれる単語は、「○○車適用」、「寒冷地仕様」、「林業仕様」、「湿地仕様」などの単語に対応する。
第２予測部１５４は、第１予測部１５３から受け付ける見積書情報と、中間データとを、第２予測モデル１４０ｂに入力することで、見積書情報に応じた部品名称を予測する処理部である。第２予測部１５４は、予測した部品名称の情報を、表示部１３０に出力して表示させてもよいし、ネットワークを介して、外部装置等に部品名称を通知してもよい。たとえば、図１で説明した例では、部品名称として、追加部品名称「Ａ車用フロントバンパー（寒冷地仕様）」、「Ａ車用サイドミラー（右）（寒冷地仕様）」、「Ａ車用サイドミラー（左）（寒冷地仕様）」が予測される。
第２予測部１５４は、中間データに複数の単語が含まれている場合には、中間データに対して形態素解析を実行することで、複数の単語に分割し、分割した単語を、第２予測モデル１４０ｂに入力する。たとえば、中間データが「Ａ車適用寒冷地仕様」である場合には、中間データを「Ａ車適用」、「寒冷地仕様」に分割し、見積書情報、「Ａ車適用」、「寒冷地仕様」を、第２予測モデル１４０ｂに入力して、部品名称を通知する。
次に、本実施例に係る情報処理装置１００の処理手順の一例について説明する。図７は、本実施例に係る情報処理装置が予測モデルを学習する処理手順を示すフローチャートである。図７に示すように、情報処理装置１００の生成部１５２は、第１学習データテーブル５０ａから学習データを取得し、第１予測モデルのパラメータθ１を学習する（ステップＳ１０１）。
生成部１５２は、第１予測モデル１４０ａの学習を終了しない場合には（ステップＳ１０２，Ｎｏ）、ステップＳ１０１に移行する。一方、生成部１５２は、第１予測モデル１４０ａの学習を終了する場合には（ステップＳ１０２、Ｙｅｓ）、ステップＳ１０３に移行する。
生成部１５２は、第１予測モデル１４０ａの情報を記憶部１４０に格納する（ステップＳ１０３）。生成部１５２は、第２学習データテーブルから学習データを取得し、第２予測モデル１４０ｂのパラメータθ２を学習する（ステップＳ１０４）。
生成部１５２は、第２予測モデル１４０ｂの学習を終了しない場合には（ステップＳ１０５，Ｎｏ）、ステップＳ１０１に移行する。一方、生成部１５２は、第２予測モデル１４０ｂの学習を終了する場合には（ステップＳ１０５，Ｙｅｓ）、ステップＳ１０６に移行する。生成部１５２は、第２予測モデルの情報を記憶部１４０に格納する。
図８は、本実施例に係る情報処理装置が部品名称を予測する処理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の第１予測部１５３は、見積書情報を取得する（ステップＳ２０１）。第１予測部１５３は、見積書情報を第１予測モデル１４０ａに入力して中間データを取得する（ステップＳ２０２）。
情報処理装置１００の第２予測部１５４は、見積書情報と、中間データとを第２予測モデル１４０ｂに入力して、部品名称を推定する（ステップＳ２０３）。第２予測部１５４は、推定した部品名称を表示部１３０に出力する（ステップＳ２０４）。
次に、本実施例に係る情報処理装置１００の効果について説明する。情報処理装置１００は、見積書情報を第１予測モデル１４０ａに入力することで、見積書情報から、中間データ（仕様情報）を抽出しておき、見積書情報と、中間データとの組を、第２予測モデル１４０ｂに入力することで、部品名称を得る。これによって、見積書情報と、仕様情報との組に対応する部品情報を特定することができ、部品名称の予測精度の低下を抑止することができる。
情報処理装置１００は、インプットデータ「見積書情報」と、ラベル「仕様情報」との組み合わせとなる学習データセットを基にして、第１予測モデル１４０ａを生成する。これによって、見積書情報から、仕様情報を出力するための予測モデルを生成することができる。また、情報処理装置１００は、インプットデータ「見積書情報」および「仕様情報」の組と、ラベル「部品名称」との組み合わせとなる学習データセットを基にして、第２予測モデル１４０ｂを生成する。これによって、見積書情報と、仕様情報との組に対応する部品情報を特定するための予測モデルを生成することができる。
なお、情報処理装置１００は、見積書情報の全文書情報を用いて、第１予測モデル１４０ａを生成する処理、第２予測モデル１４０ｂを生成する処理を実行していたがこれに限定されるものではない。情報処理装置１００は、見積書情報の全文書情報のうち、一部の文書情報を用いて、第１予測モデル１４０ａを生成する処理、第２予測モデル１４０ｂを生成する処理を実行してもよい。情報処理装置１００の生成部１５２は、見積書情報の全文書情報のうち、品名の入力領域および備考の入力領域に入力された文書情報を抽出して、第１予測モデル１４０ａを生成する処理、第２予測モデル１４０ｂを生成する処理を実行する。
また、情報処理装置１００の第１予測部１５３は、見積書情報の全文書情報のうち、品名の入力領域および備考の入力領域に入力された文書情報を抽出して、第１予測モデル１４０ａに入力して、中間データを取得してもよい。この場合、第２予測部１５４は、品名の入力領域および備考の入力領域に入力された文書情報と、中間データを、第２予測モデル１４０ｂに入力して、部品名称を予測する。
次に、上記実施例に示した情報処理装置１００と同様の機能を実現するコンピュータのハードウェア構成の一例について説明する。図９は、実施例の情報処理装置と同様の機能を実現するコンピュータのハードウェア構成の一例を示す図である。
図９に示すように、コンピュータ３００は、各種演算処理を実行するＣＰＵ３０１と、ユーザからのデータの入力を受け付ける入力装置３０２と、ディスプレイ３０３とを有する。また、コンピュータ３００は、有線または無線ネットワークを介して、外部装置等との間でデータの授受を行う通信装置３０４と、インタフェース装置３０５とを有する。また、コンピュータ３００は、各種情報を一時記憶するＲＡＭ３０６と、ハードディスク装置３０７とを有する。そして、各装置３０１～３０７は、バス３０８に接続される。
ハードディスク装置３０７は、取得プログラム３０７ａ、生成プログラム３０７ｂ、第１予測プログラム３０７ｃ、第２予測プログラム３０７ｄを有する。また、ＣＰＵ３０１は、各プログラム３０７ａ～３０７ｄを読み出してＲＡＭ３０６に展開する。
取得プログラム３０７ａは、取得プロセス３０６ａとして機能する。生成プログラム３０７ｂは、生成プロセス３０６ｂとして機能する。第１予測プログラム３０７ｃは、第１予測プロセス３０６ｃとして機能する。第２予測プログラム３０７ｄは、第２予測プロセス３０６ｄとして機能する。
取得プロセス３０６ａの処理は、取得部１５１の処理に対応する。生成プロセス３０６ｂの処理は、生成部１５２の処理に対応する。第１予測プロセス３０６ｃの処理は、第１予測部１５３の処理に対応する。第２予測プロセス３０６ｄの処理は、第２予測部１５４の処理に対応する。
なお、各プログラム３０７ａ～３０７ｄについては、必ずしも最初からハードディスク装置３０７に記憶させておかなくても良い。例えば、コンピュータ３００に挿入されるフレキシブルディスク（ＦＤ）、ＣＤ－ＲＯＭ、ＤＶＤ、光磁気ディスク、ＩＣカードなどの「可搬用の物理媒体」に各プログラムを記憶させておく。そして、コンピュータ３００が各プログラム３０７ａ～３０７ｄを読み出して実行するようにしてもよい。
以上の各実施例を含む実施形態に関し、さらに以下の付記を開示する。
（付記１）コンピュータに、
品名情報および前記品名情報に対応する部品の仕様に関する情報を含む見積書情報を、前記品名情報および前記仕様に関する情報に応じた部品名称に含まれる単語を出力する第１予測モデルに入力することで、前記部品名称に含まれる単語の予測結果を予測し、
前記見積書情報および前記予測結果を、前記見積書情報と前記予測結果とに応じた部品名称を予測する第２予測モデルに入力することで、前記部品名称を予測する
処理を実行させることを特徴とする部品名称予測プログラム。
（付記２）前記部品名称に含まれる単語の予測結果を予測する処理は、前記見積書情報のうち、少なくとも品名情報および前記品名情報に対応する部品の仕様に関する情報を含む部分の文書情報を抽出し、抽出した文書情報を、前記第１予測モデルに入力することで、前記部品名称に含まれる単語の予測結果を予測することを特徴とする付記１に記載の部品名称予測プログラム。
（付記３）前記部品名称を予測する処理は、抽出された前記文書情報と、前記予測結果とを前記文書情報と前記予測結果とに応じた部品名称を予測する第２予測モデルに入力することで、前記部品名称を予測することを特徴とする付記２に記載の部品名称予測プログラム。
（付記４）コンピュータに、
品名情報および前記品名情報に対応する部品の仕様に関する情報を含む見積書情報と、前記品名情報および前記仕様に関する情報に応じた部品名称に含まれる単語とを対応付けた第１学習データを基にして、第１予測モデルを生成し、
前記見積書情報を前記第１予測モデルに入力した場合の予測結果に相当する単語と、前記見積書情報と、前記見積書情報および前記予測結果に応じた部品名称とを対応付けた第２学習データを基にして、第２予測モデルを生成する
処理を実行させることを特徴とする生成プログラム。
（付記５）コンピュータが実行する部品名称予測方法であって、
品名情報および前記品名情報に対応する部品の仕様に関する情報を含む見積書情報を、前記品名情報および前記仕様に関する情報に応じた部品名称に含まれる単語を出力する第１予測モデルに入力することで、前記部品名称に含まれる単語の予測結果を予測し、
前記見積書情報および前記予測結果を、前記見積書情報と前記予測結果とに応じた部品名称を予測する第２予測モデルに入力することで、前記部品名称を予測する
処理を実行することを特徴とする部品名称予測方法。
（付記６）前記部品名称に含まれる単語の予測結果を予測する処理は、前記見積書情報のうち、少なくとも品名情報および前記品名情報に対応する部品の仕様に関する情報を含む部分の文書情報を抽出し、抽出した文書情報を、前記第１予測モデルに入力することで、前記部品名称に含まれる単語の予測結果を予測することを特徴とする付記５に記載の部品名称予測方法。
（付記７）前記部品名称を予測する処理は、抽出された前記文書情報と、前記予測結果とを前記文書情報と前記予測結果とに応じた部品名称を予測する第２予測モデルに入力することで、前記部品名称を予測することを特徴とする付記６に記載の部品名称予測方法。
（付記８）コンピュータが実行する生成方法であって、
品名情報および前記品名情報に対応する部品の仕様に関する情報を含む見積書情報と、前記品名情報および前記仕様に関する情報に応じた部品名称に含まれる単語とを対応付けた第１学習データを基にして、第１予測モデルを生成し、
前記見積書情報を前記第１予測モデルに入力した場合の予測結果に相当する単語と、前記見積書情報と、前記見積書情報および前記予測結果に応じた部品名称とを対応付けた第２学習データを基にして、第２予測モデルを生成する
処理を実行することを特徴とする生成方法。
（付記９）品名情報および前記品名情報に対応する部品の仕様に関する情報を含む見積書情報を、前記品名情報および前記仕様に関する情報に応じた部品名称に含まれる単語を出力する第１予測モデルに入力することで、前記部品名称に含まれる単語の予測結果を予測する第１予測部と、
前記見積書情報および前記予測結果を、前記見積書情報と前記予測結果とに応じた部品名称を予測する第２予測モデルに入力することで、前記部品名称を予測する第２予測部と
を有することを特徴とする情報処理装置。
（付記１０）前記第１予測部は、前記見積書情報のうち、少なくとも品名情報および前記品名情報に対応する部品の仕様に関する情報を含む部分の文書情報を抽出し、抽出した文書情報を、前記第１予測モデルに入力することで、前記部品名称に含まれる単語の予測結果を予測することを特徴とする付記９に記載の情報処理装置。
（付記１１）前記第２予測部は、抽出された前記文書情報と、前記予測結果とを前記文書情報と前記予測結果とに応じた部品名称を予測する第２予測モデルに入力することで、前記部品名称を予測することを特徴とする付記１０に記載の情報処理装置。
（付記１２）品名情報および前記品名情報に対応する部品の仕様に関する情報を含む見積書情報と、前記品名情報および前記仕様に関する情報に応じた部品名称に含まれる単語とを対応付けた第１学習データを基にして、第１予測モデルを生成し、前記見積書情報を前記第１予測モデルに入力した場合の予測結果に相当する単語と、前記見積書情報と、前記見積書情報および前記予測結果に応じた部品名称とを対応付けた第２学習データを基にして、第２予測モデルを生成する生成部
を有することを特徴とする情報処理装置。
５０ａ 第１学習データテーブル
５０ｂ 第２学習データテーブル
１００ 情報処理装置
１１０ 通信部
１２０ 入力部
１３０ 表示部
１４０ 記憶部
１４０ａ 第１予測モデル
１４０ｂ 第２予測モデル
１５０ 制御部
１５１ 取得部
１５２ 生成部
１５３ 第１予測部
１５４ 第２予測部

Claims (8)

  1. コンピュータに、
    品名情報および前記品名情報に対応する部品の仕様に関する情報を含む見積書情報を、前記品名情報および前記仕様に関する情報に応じた部品名称に含まれる単語を出力する第１予測モデルに入力することで、前記部品名称に含まれる単語の予測結果を予測し、
    前記見積書情報および前記予測結果を、前記見積書情報と前記予測結果とに応じた部品名称を予測する第２予測モデルに入力することで、前記部品名称を予測する
    処理を実行させることを特徴とする部品名称予測プログラム。
  2. 前記部品名称に含まれる単語の予測結果を予測する処理は、前記見積書情報のうち、少なくとも品名情報および前記品名情報に対応する部品の仕様に関する情報を含む部分の文書情報を抽出し、抽出した文書情報を、前記第１予測モデルに入力することで、前記部品名称に含まれる単語の予測結果を予測することを特徴とする請求項１に記載の部品名称予測プログラム。
  3. 前記部品名称を予測する処理は、抽出された前記文書情報と、前記予測結果とを前記文書情報と前記予測結果とに応じた部品名称を予測する第２予測モデルに入力することで、前記部品名称を予測することを特徴とする請求項２に記載の部品名称予測プログラム。
  4. コンピュータに、
    品名情報および前記品名情報に対応する部品の仕様に関する情報を含む見積書情報と、前記品名情報および前記仕様に関する情報に応じた部品名称に含まれる単語とを対応付けた第１学習データを基にして、第１予測モデルを生成し、
    前記見積書情報を前記第１予測モデルに入力した場合の予測結果に相当する単語と、前記見積書情報と、前記見積書情報および前記予測結果に応じた部品名称とを対応付けた第２学習データを基にして、第２予測モデルを生成する
    処理を実行させることを特徴とする生成プログラム。
  5. コンピュータが実行する部品名称予測方法であって、
    品名情報および前記品名情報に対応する部品の仕様に関する情報を含む見積書情報を、前記品名情報および前記仕様に関する情報に応じた部品名称に含まれる単語を出力する第１予測モデルに入力することで、前記部品名称に含まれる単語の予測結果を予測し、
    前記見積書情報および前記予測結果を、前記見積書情報と前記予測結果とに応じた部品名称を予測する第２予測モデルに入力することで、前記部品名称を予測する
    処理を実行することを特徴とする部品名称予測方法。
  6. コンピュータが実行する生成方法であって、
    品名情報および前記品名情報に対応する部品の仕様に関する情報を含む見積書情報と、前記品名情報および前記仕様に関する情報に応じた部品名称に含まれる単語とを対応付けた第１学習データを基にして、第１予測モデルを生成し、
    前記見積書情報を前記第１予測モデルに入力した場合の予測結果に相当する単語と、前記見積書情報と、前記見積書情報および前記予測結果に応じた部品名称とを対応付けた第２学習データを基にして、第２予測モデルを生成する
    処理を実行することを特徴とする生成方法。
  7. 品名情報および前記品名情報に対応する部品の仕様に関する情報を含む見積書情報を、前記品名情報および前記仕様に関する情報に応じた部品名称に含まれる単語を出力する第１予測モデルに入力することで、前記部品名称に含まれる単語の予測結果を予測する第１予測部と、
    前記見積書情報および前記予測結果を、前記見積書情報と前記予測結果とに応じた部品名称を予測する第２予測モデルに入力することで、前記部品名称を予測する第２予測部と
    を有することを特徴とする情報処理装置。
  8. 品名情報および前記品名情報に対応する部品の仕様に関する情報を含む見積書情報と、前記品名情報および前記仕様に関する情報に応じた部品名称に含まれる単語とを対応付けた第１学習データを基にして、第１予測モデルを生成し、前記見積書情報を前記第１予測モデルに入力した場合の予測結果に相当する単語と、前記見積書情報と、前記見積書情報および前記予測結果に応じた部品名称とを対応付けた第２学習データを基にして、第２予測モデルを生成する生成部
    を有することを特徴とする情報処理装置。
JP2020136319A 2020-08-12 2020-08-12 部品名称予測プログラム、生成プログラム、部品名称予測方法、生成方法および情報処理装置 Withdrawn JP2022032482A (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2020136319A JP2022032482A (ja) 2020-08-12 2020-08-12 部品名称予測プログラム、生成プログラム、部品名称予測方法、生成方法および情報処理装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2020136319A JP2022032482A (ja) 2020-08-12 2020-08-12 部品名称予測プログラム、生成プログラム、部品名称予測方法、生成方法および情報処理装置

Publications (1)

Publication Number Publication Date
JP2022032482A true JP2022032482A (ja) 2022-02-25

Family

ID=80349900

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2020136319A Withdrawn JP2022032482A (ja) 2020-08-12 2020-08-12 部品名称予測プログラム、生成プログラム、部品名称予測方法、生成方法および情報処理装置

Country Status (1)

Country Link
JP (1) JP2022032482A (ja)

Similar Documents

Publication Publication Date Title
Raponi et al. Kriging-assisted topology optimization of crash structures
CN109359793B (zh) 一种针对新场景的预测模型训练方法及装置
JP5984153B2 (ja) 情報処理装置、プログラム、及び情報処理方法
US10928443B2 (en) System and methods for analyzing and estimating susceptibility of circuits to radiation-induced single-event-effects
CN110991649A (zh) 深度学习模型搭建方法、装置、设备和存储介质
US20130218814A1 (en) Method and system for the dynamic allocation of resources based on fairness, throughput, and user behavior measurement
JP7003753B2 (ja) 探索点決定プログラム、探索点決定方法および探索点決定装置
US11914931B2 (en) Predicting on chip transient thermal response in a multi-chip system using an RNN-based predictor
CN113168589A (zh) 数据生成装置、预测器学习装置、数据生成方法和学习方法
CN111967917B (zh) 预测用户流失的方法以及设备
US20220284374A1 (en) Skills gap management platform
CN111445021B (zh) 学习方法、学习设备和计算机可读记录介质
US20210182701A1 (en) Virtual data scientist with prescriptive analytics
CN117669463A (zh) 用于架构设计布局的计算机系统、方法及计算机网络
US10636044B2 (en) Projecting resource demand using a computing device
JP2014174728A (ja) コスト算出装置、コスト算出方法、及びプログラム
US11562028B2 (en) Concept prediction to create new intents and assign examples automatically in dialog systems
JP2022032482A (ja) 部品名称予測プログラム、生成プログラム、部品名称予測方法、生成方法および情報処理装置
JPWO2020012589A1 (ja) 情報処理システム、情報処理方法及び記憶媒体
CN111626789A (zh) 房屋价格预测方法、装置、设备及存储介质
JP2009217548A (ja) 設計支援装置
US20140236667A1 (en) Estimating, learning, and enhancing project risk
US20220335364A1 (en) Personnel arrangement apparatus, and arrangement method, and program
CN112242959B (zh) 微服务限流控制方法、装置、设备及计算机存储介质
CN114493683A (zh) 广告素材推荐方法、模型训练方法、装置及电子设备

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20230511

A761 Written withdrawal of application

Free format text: JAPANESE INTERMEDIATE CODE: A761

Effective date: 20240126