JP2022061606A - 文書検索装置、方法、プログラムおよび学習装置 - Google Patents

Abstract

【課題】把握容易な検索結果を提供する文書検索装置、文書検索方法、文書検索プログラム及び学習装置を提供する。【解決手段】文書検索装置１０は、複数の文書からクエリに関連する１以上の関連文書を検索する検索部１０１と、関連文書のトピックを抽出する抽出部１０２と、表示順序および文書の要約を生成する学習済みモデルを用いて、関連文書の表示順序を決定する決定部１０３と、表示順序の決定結果と学習済みモデルとを用いて、トピックごとに関連文書の要約を生成する生成部１０４と、を含む。【選択図】図１

Description

本発明の実施形態は、文書検索装置、方法、プログラムおよび学習装置に関する。

文書の電子データ化の普及に伴い、例えば国会の質問主意書、地方議会会議録での質疑応答といった電子データが蓄積されている。このような電子データを提供しているＷｅｂサイトでは、キーワード、会議名、開催回などをクエリとして目的の文書を検索する検索機能が提供される。

しかし、上述の検索機能による絞り込み検索では、新たなトピックや論点が次々発生する文書から、あるトピックに対する一連の流れを把握することが難しい。

特表２０１９－５３６１７８号公報

本開示は、上述の課題を解決するためになされたものであり、把握容易な検索結果を提供することを目的とする。

本実施形態に係る文書検索装置は、検索部と、抽出部と、決定部と、生成部とを含む。検索部は、複数の文書からクエリに関連する１以上の関連文書を検索する。抽出部は、前記関連文書のトピックを抽出する。決定部は、表示順序および文書の要約を生成する学習済みモデルを用いて、前記関連文書の表示順序を決定する。生成部は、前記表示順序の決定結果と前記学習済みモデルとを用いて、前記トピックごとに前記関連文書の要約を生成する。

第１の実施形態に係る文書検索装置を示すブロック図。 第１の実施形態に係る文書検索装置の動作を示すフローチャート。 第１の実施形態に係るトピックの抽出処理の第１例を示す図。 第１の実施形態に係るトピックの抽出処理の第２例を示す図。 第１の実施形態に係るトピックの抽出処理の第３例を示す図。 第１の実施形態に係る学習済みモデルの一例を示す図。 第１の実施形態に係るクエリの検索結果の表示例を示す図。 第１の実施形態に係るクエリの検索結果の別例を示す図。 第２の実施形態に係る学習装置を示すブロック図。 第２の実施形態に係る混合モデルの学習方法を説明する図。 文書検索装置および学習装置のハードウェア構成の一例を示すブロック図。 従来例に係るクエリの検索結果を表示例を示す図。

以下、図面を参照しながら本実施形態に係る文書検索装置、方法、プログラムおよび学習装置について詳細に説明する。なお、以下の実施形態では、同一の参照符号を付した部分は同様の動作を行うものとして、重複する説明を適宜省略する。

（第１の実施形態）
第１の実施形態に係る文書検索装置について図１のブロック図を参照して説明する。
第１の実施形態に係る文書検索装置１０は、検索部１０１と、抽出部１０２と、決定部１０３と、生成部１０４と、表示制御部１０５とを含む。

検索部１０１は、データサーバ２０に格納される検索対象となる複数の文書から、クエリに関連する１以上の関連文書を検索する。クエリは、例えばユーザから入力されるキーワードである。データサーバ２０に格納される検索対象となる文書は、例えば、議事録、国会の質問主意書、地方議会会議録などであり、質問文と回答文とが組となる文書を想定する。なお、これに限らず、対訳文などの第１文書と第１文書に関連する第２文書とが対となる対応構造を有する文書であればよい。

抽出部１０２は、検索部１０１から検索結果となる１以上の関連文書を受け取り、関連文書のトピックに関する情報を抽出する。
決定部１０３は、抽出部１０２からトピックに関する情報を受け取り、順序付けおよび文書の要約を生成する学習済みモデルを用いて、関連文書の表示順序を決定する。

生成部１０４は、決定部１０３による表示順序の決定結果と順序付けおよび文書の要約を生成する学習済みモデルとを用いて、トピックごとに、または後述のトピックグループごとに、関連文書の要約を生成する。
表示制御部１０５は、生成部１０４からトピックごとの関連文書の要約を受け取り、トピックごとに、またはトピックグループごとに、関連文書の要約をグルーピングして、外部のディスプレイなどに表示するように制御する。

なお、学習済みモデルは、文書検索装置１０において格納部（図示せず）などに保持されていてもよいし、外部サーバなどに保持されてもよい。学習済みモデルが外部サーバに保持される場合は、文書検索装置１０が当該外部サーバにアクセスすることで利用すればよい。

次に、第１の実施形態に係る文書検索装置１０の動作について図２のフローチャートを参照して説明する。
ステップＳ２０１では、検索部１０１が、クエリを取得する。

ステップＳ２０２では、検索部１０１が、クエリを用いてデータサーバ２０を検索し、当該クエリに関連する関連文書を検索結果として取得する。関連文書の取得方法としては、例えば、検索対象となる文書の長さおよび文書群に含まれる単語の出現統計量と、クエリとの包含関係から、文書の適合性の度合いを示す適合性スコアを算出する、ＢＭ２５などの既存手法を用いることができる。
具体的に、適合性スコアは、以下の（１）式により算出される。

（１）式において、Ｄは、関連性スコアを算出したい文書を示し、Ｑは単語ｑ_１，．．．，ｑ_ｎを含むクエリを示す。また、右辺において、ＩＤＦ（Inverse Document Frequency）は逆文書頻度を示しており、ある単語が出現する文書数の逆数に単語数を乗じてｌｏｇを適用したものなどが使われる。ａｖｇｄｌは文書集合の平均単語数を示す。｜Ｄ｜は文書Ｄの単語数を示す。ｋ_１とｂとはそれぞれ任意のパラメータを示し、慣習的にｋ_１＝［１．２，２．０］、ｂ＝０．７５が用いられる。
ステップＳ２０３では、検索部１０１が、検索結果として得られた関連文書のうち、関連性スコアが高い上位の文書から所定数の関連文書を取得する。例えば、検索部１０１が、所定数としてクエリに対する文書の関連度を算出し、関連性スコアの高い順に上位１００件を処理対象の関連文書として取得する。なお、検索結果が所定数未満であれば、そのまま全ての関連文書について以降のステップの処理を実行すればよい。

ステップＳ２０４では、抽出部１０２が、ステップＳ２０３で取得された関連文書ごとに、トピックを抽出する。抽出部１０２は、例えば、文書群に対して付与されたタグまたはラベルに相当する文書属性を手がかりとしてトピックを抽出する。
ステップＳ２０５では、決定部１０３が、トピックが抽出された関連文書について、分散表現を生成する。例えば、文書中の単語をｗｏｒｄ２ｖｅｃなどの処理により、ベクトル表現化することにより、関連文書をベクトル表記する。

ステップＳ２０６では、決定部１０３が、学習済みモデルを用いて、関連文書間で順序付けし、表示順序を決定する。
ステップＳ２０７では、生成部１０４が、学習済みモデルを用いて、ステップＳ２０６で決定した表示順序に基づき、表示順序が上位であると決定された関連文書の要約を生成する。

ステップＳ２０８では、ステップＳ２０３で抽出された全ての文書を処理したか否かが判定される。全ての文書を処理した場合はステップＳ２０９に進み、全ての文書を処理していない、つまり未処理の文書が存在する場合は、ステップＳ２０５に戻り、次の処理対象となる関連文書について、同様の処理を繰り返す。

ステップＳ２０９では、表示制御部１０５が、ここでは、トピックごとにグルーピングし、関連文書を要約表示する。具体的には、例えば、表示制御部１０５が、同じトピックとしてグルーピングされた関連文書の数が多いトピックから順に、トピックごとにグルーピングされた関連文書の要約を表示する。または、表示制御部１０５が、表示順序が上位として決定された関連文書の数が多いトピックから順に、トピックごとにグルーピングされた関連文書の要約を表示するようにしてもよい。また、表示制御部１０５は、後述するトピックをまとめ上げたトピックグループごとに、関連文書の要約を表示してもよい。以上で１つのクエリに対する文書検索装置１０の動作を終了する。

次に、ステップＳ２０４におけるトピックの抽出処理の第１例について図３を参照して説明する。
図３は、一定期間の関連文書群におけるトピックの抽出およびグルーピングの例である。縦軸は文書リソースの種別を示し、横軸は時間を示す。

トピックの抽出方法としては、例えばＬＤＡ（Latent Dirichlet Allocation）に基づくトピックモデルにより、文書に対応付けられたトピックに関する情報を抽出する。また、文書に出現する単語間の包含関係から、Ｋ－ｍｅａｎｓ法に代表されるクラスタリング手法によって、複数の文書をボトムアップしてまとめ上げることで、関連するトピックをグルーピングする。

図３の例では、「国会答弁議事録」「衆参質問主意書」「厚労省専門委員会議事録」といった種別の文書リソースから、それぞれトピックを抽出する。２０２０年６月では、「国会答弁議事録」に含まれる文書群から、「コロナウイルス、厚労省、マスク、ワクチン、感染」といったトピックが、感染症に関するトピック群であるとしてグルーピングされ、まとめ上げられる。また、「給付、家賃支援、経産省」といったトピックが、政策に関するトピック群であるとしてグルーピングされ、まとめ上げられる。なお、まとめ上げられたトピック群をトピックグループとも呼ぶ。

次に、ステップＳ２０４におけるトピックの抽出処理の第２例について図４を参照して説明する。
図４は、図３と同様に縦軸が文書リソースの種別を示し、横軸は時間を示す。図４の例では、１つの文書リソースを対象とし、時系列に起因するトピックの遷移の差分を吸収した類似トピック（または類似トピックグループ）を示す。

トピック抽出の対象となる文書リソースにおいて、例えば１月単位といった所定の単位期間で、文書群を時間軸方向に分割し（スライスし）、単位期間で分割された文書群４１から、トピックを抽出する。生成されたトピックの内容は、各分割単位で独立している。
各分割単位の文書群４１の間において、トピックに含まれる単語の分散表現ベクトルを算出し、当該分散表現ベクトル間の距離としてトピック同士の類似度を、例えばコサイン類似度などを計算することで、時系列にまたがって紐付けられる類似トピックを抽出できる。

具体的には、例えば２０２０年６月頃の「コロナウイルス」のトピックが含まれるトピックグループと、過去の２００３年３月頃の「ＳＡＲＳ」のトピックが含まれるトピックグループとは、内在する単語が高い確率で共起しているため、ここでは類似度が閾値以上であると判定され、類似トピック（または類似トピックグループ）として抽出される。

次に、ステップＳ２０４におけるトピックの抽出処理の第３例について図５を参照して説明する。
図５は、トピックの特異性を算出する場合を示し、図５上図は、図３および図４と同様の図である。図５下図は、時系列に沿ったトピックのＫＬ ｄｉｖｅｒｇｅｎｃｅにより算出されるＫＬ値のグラフである。
本実施形態における特異性とは、文書全体における出現単語の平均的な頻度分布と比較して、特定のトピックを含む関連文書と特定の時間幅に限定した場合に、当該文書中の出現単語の頻度分布から偏りがある場合をいう。ＫＬ ｄｉｖｅｒｇｅｎｃｅによるＫＬ値は、例えば（２）式で算出できる。

図５の例では、トピック「ＳＡＲＳ」を含むトピックグループおよびトピック「コロナウイルス」を含むトピックグループに関する関連文書群は、相対的にＫＬ値が高い。よって、当該トピックグループまたは区間では特異性が大きい、つまり新規な内容のトピックであることを示す。一方、相対的にＫＬ値が低いトピックグループまたは区間では特異性が小さい、つまり一般的な内容のトピックであることを示す。

次に、関連文書間の順序付けおよび要約生成のための学習済みモデルについて図６を参照して説明する。
図６に示す学習済みモデルは、関連文書間の順序付けを行う順序付けモデル６０と、要約を生成する要約生成モデル６５とを含む混合モデルを学習させたモデルである。混合モデルは、多層ニューラルネットワークの構造を想定するが、これに限らず順序付けおよび要約生成を実行できるモデルであれば、どのようなものでもよい。

順序付けモデル６０は、入力層６０１と、隠れ層６０２と、順序付けネットワーク６０３とを含む。要約生成モデル６５は、入力層６５１と、エンコーダ６５２と、デコーダ６５３と、出力層６５４とを含む。
さらに、学習済みモデルは、順序付けモデル６０と要約生成モデル６５との間で、一部の層を共有する。具体的には、順序付けモデル６０の隠れ層６０２と、要約生成モデル６５のエンコーダ６５２との間で少なくとも一部の層を共有する。
なお、要約生成モデル６５は、本実施形態では、いわゆるＴｒａｎｓｆｏｒｍｅｒと呼ばれるエンコーダ－デコーダモデルを想定するが、Ｔｒａｎｓｆｏｒｍｅｒを利用した、ＢＥＲＴ（Bidirectional Encoder Representations from Transformers）、Ｔ５（Text-to-Text Transfer Transformer）といった他のモデルでもよい。または、Ｔｒａｎｓｆｏｒｍｅｒに限らず、ＲＮＮ（Recuurent Neural Network）、ＬＳＴＭ（Long short-term memory）といったモデルでもよく、自然言語処理（ＮＬＰ）の機械学習で一般的に用いられるモデルであれば、どのようなモデルを用いてもよい。

また、説明の便宜上、１つの文書に対してそれぞれ処理する場合を示すよう、入力層６０１－１および６０１－２と、入力層６５１－１および６５１－２とを図示する。これに限らず、１つの入力層において、複数の文書を逐次処理してもよい。

まず、順序付けモデル６０の動作について説明する。
２つの入力層６０１のそれぞれに対し、順序付けの比較対象となる関連文書が入力される。入力される文書は、ここでは、質疑応答が記録された議事録を想定しており、質問文に相当する文書が入力されることを想定する。なお、質問文および回答文の組の文書が入力されてもよい。入力される文書は、例えば決定部１０３により、Ｗｏｒｄ２Ｖｅｃなどの処理が施されており、分散表現化（ベクトル表現化）されていることを想定する。

隠れ層６０２は、１層以上のネットワーク構造であり、隠れ層６０２により、分散表現化された２つの文書がさらに抽象化される。
順序付けネットワーク６０３により、抽象化された２つの文書のどちらが上位に位置づけられるか、例えば表示順序を上位にする文書であるかが出力される。ここでは、ユーザが入力文書の詳細を確認した場合に、詳細を確認した文書の方が上位となるように順序付けモデル６０が学習されていることを想定する。よって、詳細を確認した文書の方が上位となるように２つの文書間の関係が出力される。

図６の例では、入力層６０１－１に文書Ａ「感染症の・・・」が入力され、入力層６０１－２に順序づけの対象となる文書Ｂ「自動車の輸出・・・」が入力される。ここでは、文書Ａのほうが文書Ｂよりも順序が上位の結果が得られた場合を想定し、順序付けモデル６０の出力として「Ａ＞Ｂ」が出力される。

次に、要約生成モデル６５の動作について説明する。
２つの入力層６５１のそれぞれに対し、要約のための文書が入力される。入力層６５１－１には、順序付けモデル６０において上位と判定された文書が入力される。図６の例では、文書Ａが文書Ｂよりも上位であると判定された場合を想定するため、入力層６５１－１には、文書Ａが入力される。入力層６５１－２には、文書Ａの対となる回答文であり、かつ要約対象である文書が文書Ａ’として入力される。なお、要約対象は回答文に限らず、質問文である文書Ａでもよい。この場合、入力層６５１－２に文書Ａが入力される。もちろん、文書Ａと文書Ａ’との組が入力層６５１－２に入力され、文書Ａおよび文書Ａ’の両方の要約が出力されてもよい。

エンコーダ６５２には、入力層６５１－１から文書Ａが入力される。エンコーダ６５２により、文書Ａがエンコードされ、中間データが生成される。
デコーダ６５３には、入力層６５１から文書Ｂが、エンコーダ６５２から中間データがそれぞれ入力され、文書Ａ’がデコードされる。
出力層６５４には、デコードされた文書Ａ’が入力され、文書Ａ’の要約が出力される。すなわち、出力層６５４からは、つまり質問文の内容をふまえた回答文が出力される。

図６の例では、入力層６５１－１には、順序付けモデル６０の入力層６０１－１への入力と同じ文書「感染症の・・・」が入力される。入力層６５１－２には、デコーダ６５３への入力となる文書Ａ’として、文書Ａの回答文全体「ご指摘の内容に・・・」が入力される。出力層６５４からは、例えば文書Ａ’の要旨が回答を控えると内容であったと想定すると、「回答を控えさせていただきます」といった文書Ａ’の要約が出力される。

次に、ステップＳ２０９におけるクエリの検索結果の表示例について図７を参照して説明する。
図７は、ディスプレイなどに表示されるトピックグループごとの要約の表示例である。なお、ここではトピックグループごとの例を示すが、トピックごとにまとめて要約を表示してもよい。

表示制御部１０５は、上述の様に、学習済みモデルより出力された順序付けに基づき、関連文書の数が多いトピックグループの順に表示する。なお、トピックの属性情報として、ＫＬ値を含んでもよい。この場合、ＫＬ値が高いトピックを含むトピックグループから順に表示してもよいし、カウント数に対してＫＬ値を重み付けとして用い、ＫＬ値が高いほど、つまり新規なトピックであるほど表示順序が上位となるように計算され、表示されてもよい。

また、表示制御部１０５は、第１トピックグループに含まれる関連文書と、第２トピックグループに含まれる関連文書との間で順序付けの結果の多数決により、どちらのトピックグループの表示順序を上位とするかを決定してもよい。つまり、例えば、第１トピックグループに含まれる関連文書と、第２トピックグループに含まれる関連文書とが順序付けモデルに入力され、第１トピックグループのほうが上位であると判定された数が多い場合、表示制御部１０５は、第１トピックグループの表示順序を、第２トピックグループよりも上位とすればよい。具体的に、図７の例では、「コロナウイルス」を含むトピックグループに含まれる関連文書の数が、「石油ストーブ」を含むトピックグループに含まれる関連文書の数よりも多いため、「コロナウイルス」を含むトピックグループが上位に表示される。

検索ウィンドウ７１に、ユーザがクエリを入力すると、文書検索装置１０により、トピックごとの時系列に沿った出現頻度を示すグラフ７２と、トピックグループ７３と、クエリの検索結果となる文書の要約をトピックごとにまとめた要約表示７４～７６が、順序付けモデルにより決定された順序で表示される。トピックグループ７３では、それぞれのトピックグループに含まれるトピックも示される。

図７の例では、「コロナ」と検索した場合、新型コロナウイルスのトピックを含むトピックグループが最上位であると決定された場合を想定し、新型コロナウイルスに関する質疑応答の組が、１つのトピックグループとして１つの囲み内に表示される。ここでは、質問文と、学習済みモデルにより得られる回答文の要約とが組となって表示される。

なお、ここではトピックグループごとに背景を区別して表示する例を示すが、これに限らず、色、文字種、文字サイズ、ハイライト、太字、点滅といった装飾などで区別してもよく、一見してトピックまたはトピックグループが区別して把握できる態様であれば、どのように表示してもよい。

次に、クエリの検索結果表示の別例について図８を参照して説明する。
表示制御部１０５は、検索結果のトピックの出現頻度に応じて、トピックグループにラベルを付与して表示する。
ラベルの例としては、安全、品質のスローガンとして用いられる４Ｈ（初めて、久しぶり、頻繁、引き継ぎ）から抜粋することが挙げられる。

例えば表示制御部１０５が、時系列でみて初めて出現したトピックグループであれば「初めて」のラベルを付与する。同様に、過去に同一のまたは類似のトピックが存在し、かつ当該同一のまたは類似のトピックが出現してから所定期間以上空いていれば「久しぶり」のラベルが付与される。過去に類似のトピックが存在し、かつ当該類似のトピックが出現してから所定期間内に複数回出現していれば「頻繁」のラベルを付与する。

図８の例では、いわゆるハッシュタグの形式でトピックグループごとに、ラベル８１「＃頻繁」「＃久しぶり」および「＃初めて」が表示される。なお、「＃頻繁（他６３件）」といったようにトピック内の検索ヒット数を併せて表示してもよいし、「＃久しぶり（２年前）」といったようにトピックに関する文書の前回の出現時期を併せて表示してもよい。

以上に示した第１の実施形態によれば、クエリに関連する関連文書を取得し、関連文書のトピックを抽出し、順序付けおよび要約生成を実行するように学習された学習済みモデルを用いて関連文書間の順序付けおよび要約生成を実行する。また、関連文書に紐付くトピックが属するトピックごと（またはトピックグループごと）に文書の要約を表示させる。これにより、文書単位で単純に表示されるのではなく、文書が属するトピックおよびトピックグループの単位で表示されるため、トピックの関係性が一見して把握できる。また、各トピックグループにおいて少なくとも回答文が要約表示されることで、ディスプレイなどにおける限られた表示領域でも多くの情報を表示することができる。

さらに、トピックの時間軸方向での出現頻度を算出することで、トピックおよびトピックグループにラベルを付与することができ、要約とは異なる観点の情報を提示できるため、限られた表示領域におけるスニペット表示でも、ユーザはより多くの情報を得ることができる。よって、把握容易な検索結果を提供することができる。

（第２の実施形態）
第２の実施形態では、学習済みモデルを学習するための学習装置について、図９を参照して説明する。
第２の実施形態に係る学習装置９０は、モデル格納部９０１と、学習データ格納部９０２と、学習部９０３とを含む。

モデル格納部９０１は、文書間の順序付けを実行するモデルと要約生成を実行するモデルとを含む、学習前の混合モデルを格納する。

学習データ格納部９０２は、混合モデルを学習させるための、入力データと正解データとの組を学習データとして複数格納する。文書間の順序付けを実行するモデルに対しては、比較対象となる２つの文書（質問文）を入力データとし、２つの文書のうちの一方に付与される関心情報を正解データとした学習データを複数用意する。関心情報は、ユーザが文書をクリックするなどのアクションのログを取ることで得られる、ユーザが文書に関心を持って当該文書の詳細を閲覧したことを示す情報である。
一方、要約生成を実行するモデルに対しては、質問文と回答文とを入力データとし、回答文の要約を正解データとした学習データを複数用意する。要約は、既存のアルゴリズムを用いて、入力された回答文から生成されればよい。既存の要約アルゴリズムとは、例えば、ＴＦＩＤＦ－ｍａｘ、ＬｅｘＲａｎｋおよびＥｍｂＲａｎｋが挙げられる。

学習部９０３は、学習データ格納部９０２に格納される学習データを用いて、モデル格納部９０１に格納される混合モデルを学習させることで、学習済みモデルを生成する。学習データを用いたモデルの学習については、例えば一般的な教師ありの機械学習方法を用いればよい。
なお、学習装置９０は、学習データ格納部９０２を含まず、学習データを格納する外部サーバなどから学習データを取得するようにしてもよい。

次に、混合モデルの学習方法について図１０を参照して説明する。
順序付けモデル６０に対して、関心情報がある文書である文書Ａと、関心情報がない文書である文書Ｂとを入力データを入力し、関心情報がある文書Ａが文書Ｂよりも上位である結果を正解データとして入力することで、順序付けモデル６０の学習を実施する。当該学習を通じて、ユーザが詳細を確認した文書は、詳細が確認されていない文書よりも順位が上位になるように順序付けモデル６０を学習することができる。

一方、要約生成モデル６５の学習においては、要約生成モデル６５に対して、関心情報がある文書（質問文）と、質問文の対となる回答文とを入力データとして入力し、関心情報を得たときの要約アルゴリズムにより生成された回答文の要約を正解データとして入力することで、要約生成モデル６５の学習を実施する。

また、要約生成モデル６５では、順序付けモデル６０の隠れ層をエンコーダの一部の層として共有する。これにより、順序付けモデル６０で関心情報の関する重みを学習した層によって、正解データとなる要約および要約アルゴリズムに対するユーザ観点による良し悪しの情報を伝搬させることができる。

つまり、関心情報が得られる文書、例えばユーザにより詳細を確認するためにクリックされた文書は、ユーザが文書の価値を認めたという仮定の下、文書の順序だけではなく、同時にスニペットとして提示されている要約についても価値があるという仮定をおくことができる。よって、要約の元文書である回答文（または、対応する質問文）に適用された要約アルゴリズムが適切であるという教示を与えることができる。よって、いわゆるマルチタスク学習として、適切な要約文の生成を得ることができる。

関心情報として複数のユーザのクリックログを用いる場合は、集団知としての文書の順序付けを行うことができる。また、関心情報として１人のユーザのクリックログを用いる場合は、ユーザ個別の関心に応じた文書の順序付けを行うことができる。

なお、要約生成モデル６５の正解データの第１の変形例として、複数の要約アルゴリズムのうちランダムに選択されたアルゴリズムを用いて生成された回答文の要約を入力してもよい。この場合、順序付けモデル６０と共有している層により、正解データとして入力された要約アルゴリズムが、適切であるか否かを考慮した学習を実施できる。
また、要約生成モデル６５の正解データの第２の変形例として、回答文の要約に加えて、質問文の要約も併せて正解データとして学習させてもよい。これにより、推論時には、質問文および回答文のそれぞれの要約を出力できる。
さらに、要約生成モデル６５に対して、質問文を含む複数の文書を束ねたトピック文書群を入力データとし、トピック文書群の要約を正解データとして与え、学習させることで、文単位や質問文と回答文との対の単位ではなく、より大きな単位であるトピック単位での要約を出力できる。

なお、学習装置９０では、本実施形態のような混合モデルに限らず、マルチタスクをこなすようにモデルを学習させ、マルチタスクの学習済みモデルを生成してもよい。入力データと共に「順序付け」「要約」といったタスクを指定するラベルを付与することで、本実施形態で説明した混合モデルと同様の処理を実行できる。

以上に示した第２の実施形態によれば、一部の層を共有した順序付けモデルと要約生成モデルとを含む混合モデルを学習することで、入力された文書について適切な順序付けおよび要約生成を実施でき、ユーザのクエリおよび関心を考慮した適切な検索結果および検索結果の要約を提示できる。

次に、上述の実施形態に係る文書検索装置１０および学習装置９０のハードウェア構成の一例を図１１に示す。
文書検索装置１０および学習装置９０は、ＣＰＵ（Central Processing Unit）５１と、ＲＡＭ（Random Access Memory）５２と、ＲＯＭ（Read Only Memory）５３と、ストレージ５４と、表示装置５５と、入力装置５６と、通信装置５７とにより実現され、それぞれバスにより接続される。

ＣＰＵ５１は、プログラムに従って演算処理および制御処理などを実行するプロセッサである。ＣＰＵ５１は、ＲＡＭ５２の所定領域を作業領域として、ＲＯＭ５３およびストレージ５４などに記憶されたプログラムとの協働により各種処理を実行する。なお、ＣＰＵ５１によって、上述した文書検索装置１０の各処理、学習装置９０の各処理が実行されてもよい。

ＲＡＭ５２は、ＳＤＲＡＭ（Synchronous Dynamic Random Access Memory）などのメモリである。ＲＡＭ５２は、ＣＰＵ５１の作業領域として機能する。ＲＯＭ５３は、プログラムおよび各種情報を書き換え不可能に記憶するメモリである。

ストレージ５４は、ＨＤＤ等の磁気記録媒体、フラッシュメモリなどの半導体による記憶媒体、または、ＨＤＤ（Hard Disc Drive）などの磁気的に記録可能な記憶媒体、または光学的に記録可能な記憶媒体などにデータを書き込みおよび読み出しをする装置である。ストレージ５４は、ＣＰＵ５１からの制御に応じて、記憶媒体にデータの書き込みおよび読み出しをする。

表示装置５５は、ＬＣＤ（Liquid Crystal Display）などの表示デバイスである。表示装置５５は、ＣＰＵ５１からの表示信号に基づいて、各種情報を表示する。
入力装置５６は、マウスおよびキーボード等の入力デバイスである。入力装置５６は、ユーザから操作入力された情報を指示信号として受け付け、指示信号をＣＰＵ５１に出力する。
通信装置５７は、ＣＰＵ５１からの制御に応じて外部機器とネットワークを介して通信する。

（比較例）
図１２に従来例となるユーザからのクエリに関する検索結果の表示例を示す。
図１２に示すように、全文検索による検索結果が表示され、ユーザが入力したクエリに対して一致する質問文および回答文の全文が表示される。よって、比較例では、全文を表示するための領域が必要であるために表示領域に表示される質問文および回答文の総数が少なく、さらに全文記載されるため要点が把握しずらい。

一方、本実施形態に係る文書検索装置によれば、文書単位で順に表示されるのではなく、文書が属するトピック単位（またはトピックグループ単位）で文書を要約して表示させ、かつ当該単位ごとに順序付けられて表示される。よって、把握容易な検索結果を提供することができる。

上述の実施形態の中で示した処理手順に示された指示は、ソフトウェアであるプログラムに基づいて実行されることが可能である。汎用の計算機システムが、このプログラムを予め記憶しておき、このプログラムを読み込むことにより、上述した文書検索装置および学習装置の制御動作による効果と同様な効果を得ることも可能である。上述の実施形態で記述された指示は、コンピュータに実行させることのできるプログラムとして、磁気ディスク（フレキシブルディスク、ハードディスクなど）、光ディスク（ＣＤ－ＲＯＭ、ＣＤ－Ｒ、ＣＤ－ＲＷ、ＤＶＤ－ＲＯＭ、ＤＶＤ±Ｒ、ＤＶＤ±ＲＷ、Ｂｌｕ－ｒａｙ（登録商標）Ｄｉｓｃなど）、半導体メモリ、又はこれに類する記録媒体に記録される。コンピュータまたは組み込みシステムが読み取り可能な記録媒体であれば、その記憶形式は何れの形態であってもよい。コンピュータは、この記録媒体からプログラムを読み込み、このプログラムに基づいてプログラムに記述されている指示をＣＰＵで実行させれば、上述した実施形態の文書検索装置および学習装置の制御と同様な動作を実現することができる。もちろん、コンピュータがプログラムを取得する場合又は読み込む場合はネットワークを通じて取得又は読み込んでもよい。
また、記録媒体からコンピュータや組み込みシステムにインストールされたプログラムの指示に基づきコンピュータ上で稼働しているＯＳ（オペレーティングシステム）や、データベース管理ソフト、ネットワーク等のＭＷ（ミドルウェア）等が本実施形態を実現するための各処理の一部を実行してもよい。
さらに、本実施形態における記録媒体は、コンピュータあるいは組み込みシステムと独立した媒体に限らず、ＬＡＮやインターネット等により伝達されたプログラムをダウンロードして記憶または一時記憶した記録媒体も含まれる。
また、記録媒体は１つに限られず、複数の媒体から本実施形態における処理が実行される場合も、本実施形態における記録媒体に含まれ、媒体の構成は何れの構成であってもよい。

なお、本実施形態におけるコンピュータまたは組み込みシステムは、記録媒体に記憶されたプログラムに基づき、本実施形態における各処理を実行するためのものであって、パソコン、マイコン等の１つからなる装置、複数の装置がネットワーク接続されたシステム等の何れの構成であってもよい。
また、本実施形態におけるコンピュータとは、パソコンに限らず、情報処理機器に含まれる演算処理装置、マイコン等も含み、プログラムによって本実施形態における機能を実現することが可能な機器、装置を総称している。

本発明のいくつかの実施形態を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら新規な実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行なうことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれるとともに、特許請求の範囲に記載された発明とその均等の範囲に含まれる。

１０…文書検索装置、２０…データサーバ、４１…文書群、５１…ＣＰＵ、５２…ＲＡＭ、５３…ＲＯＭ、５４…ストレージ、５５…表示装置、５６…入力装置、５７…通信装置、６０…順序付けモデル、６５…要約生成モデル、７１…検索ウィンドウ、７２…グラフ、７３…トピックグループ、７４～７６…要約表示、８１…ラベル、９０…学習装置、１０１…検索部、１０２…抽出部、１０３…決定部、１０４…生成部、１０５…表示制御部、６０１－１，６０１－２…入力層、６０２…隠れ層、６０３…順序付けネットワーク、６５１－１，６５１－２…入力層、６５２…エンコーダ、６５３…デコーダ、６５４…出力層、９０１…モデル格納部、９０２…学習データ格納部、９０３…学習部。

Claims (11)

1. 複数の文書からクエリに関連する１以上の関連文書を検索する検索部と、
   前記関連文書のトピックを抽出する抽出部と、
   表示順序および文書の要約を生成する学習済みモデルを用いて、前記関連文書の表示順序を決定する決定部と、
   前記表示順序の決定結果と前記学習済みモデルとを用いて、前記トピックごとに前記関連文書の要約を生成する生成部と、
   を具備する文書検索装置。
2. 前記トピックごとに前記関連文書の要約をグルーピングして表示する表示制御部をさらに具備する、請求項１に記載の文書検索装置。
3. 前記表示制御部は、関連文書の数が多いトピックから順に表示する、請求項２に記載の文書検索装置。
4. 前記表示制御部は、前記トピックに対して、時系列に沿った前記トピックの出現頻度に基づくラベルを付与する請求項２または請求項３に記載の文書検索装置。
5. 前記関連文書は、第１文書と前記第１文書に関連する第２文書とが対となる構造を有する文書である、請求項１から請求項４のいずれか１項に記載の文書検索装置。
6. 前記生成部は、少なくとも前記第２文書の要約を生成する、請求項５に記載の文書検索装置。
7. 前記関連文書は、第１文書と前記第１文書に関連する第２文書とが対となる構造を有する文書であり、
   前記表示制御部は、同一のトピックを含むとしてグルーピングされた関連文書群において、前記第１文書と前記第２文書の要約とを１組として表示する、請求項２から請求項４のいずれか１項に記載の文書検索装置。
8. 前記第１文書は質問文であり、前記第２文書は前記質問文に対する回答文である、請求項５から請求項７のいずれか１項に記載の文書検索装置。
9. 複数の文書からクエリに関連する１以上の関連文書を検索し、
   前記関連文書のトピックを抽出し、
   表示順序および文書の要約を生成する学習済みモデルを用いて、前記関連文書の表示順序を決定し、
   前記表示順序の決定結果と前記学習済みモデルを用いて、前記トピックごとに前記関連文書の要約を生成する、文書検索方法。
10. コンピュータを、
    複数の文書からクエリに関連する１以上の関連文書を検索する検索手段と、
    前記関連文書のトピックを抽出する抽出手段と、
    表示順序および文書の要約を生成する学習済みモデルを用いて、前記関連文書の表示順序を決定する決定手段と、
    前記表示順序の決定結果と前記学習済みモデルを用いて、前記トピックごとに前記関連文書の要約を生成する生成手段として機能させるための文書検索プログラム。
11. 比較対象となる複数の文書を入力データとし、ユーザが前記複数の文書のうちの１つに関心があることを示す関心情報を正解データとして第１モデルを学習することで、入力された文書のうち関心情報が付与される第１文書が上位となるように表示順序を決定する順序付けモデルを生成し、
    前記第１モデルと一部の層を共有する第２モデルに対し、前記第１文書と、前記第１文書と対となる第２文書とを入力データとし、前記第２文書の要約を正解データとして学習させることで、前記第２文書の要約を生成する要約生成モデルを生成する学習部を具備する、学習装置。
    

Images