JP2022077831A - 質問推定装置、学習済みモデル生成装置、質問推定方法、学習済みモデルの生産方法、プログラム及び記録媒体 - Google Patents

Abstract

【課題】誤送信を未然に防ぐことが可能な質問推定装置、質問推定方法、学習済みモデルの生産方法、プログラム及び記録媒体を提供する。【解決手段】質問推定装置１０は、終了した会話の文字データであり複数の文章データから構成される会話履歴データを取得する会話履歴データ取得部１１と、文章データ毎に、質問タイプと回答タイプとを含む文章タイプを識別する文章タイプ識別部１２と、識別の結果に基づき、質問タイプの文章データと回答タイプの文章データとを紐づけて質問回答表を生成する質問回答表生成部１３と、継続中の会話において、他のユーザへの送信前である未送信回答文章を取得する未送信文章取得部１４と、質問回答表及び未送信回答文章に基づき、未送信回答文章に対応する推定質問文章を生成する推定質問文章生成部１５と、を備える。【選択図】図１

Description

本発明は、質問推定装置、学習済みモデル生成装置、質問推定方法、学習済みモデルの生産方法、プログラム及び記録媒体に関する。

カスタマからの質問に対応する担当者を支援するため、前記質問に対する回答を自動的に作成し、必要に応じて担当者により回答させる技術が報告されている（例えば、特許文献１等）。

特開２００４－１７１４７９号公報

しかしながら、複数人のカスタマを１人の担当者が担当する場合、一方のカスタマへの回答を他方のカスタマに誤って送信した事故（誤送信ともいう）が多数発生している。

そこで、本発明は、誤送信を未然に防ぐことが可能な質問推定装置、学習済みモデル生成装置、質問推定方法、学習済みモデルの生産方法、プログラム及び記録媒体を提供することを目的とする。

前記目的を達成するために、本発明の質問推定装置は、
会話履歴データ取得部、文章タイプ識別部、質問回答表生成部、未送信文章取得部、及び推定質問文章生成部を含み、
前記会話履歴データ取得部は、終了した会話の文字データである会話履歴データを取得し、
前記会話履歴データは、複数の文章データから構成され、
前記文章タイプ識別部は、前記文章データ毎に文章タイプを識別し、
前記文章タイプは、質問タイプと、回答タイプとを含み、
前記質問回答表生成部は、前記識別の結果に基づき、前記質問タイプの文章データと前記回答タイプの文章データとを紐づけて質問回答表を生成し、
前記未送信文章取得部は、継続中の会話において、他のユーザへの送信前である未送信回答文章を取得し、
前記推定質問文章生成部は、前記質問回答表及び前記未送信回答文章に基づき、前記未送信回答文章に対応する推定質問文章を生成する、装置である。

本発明の学習済みモデル生成装置は、
データ取得部、及び学習済みモデル生成部を含み、
前記データ取得部は、回答タイプの文章データと紐づけた質問タイプの文章データを教師データとして取得し、
前記学習済みモデル生成部は、前記教師データを用いた機械学習によって、前記回答タイプの文章データを入力した場合に、前記回答タイプの文章データに対応する推定質問文章を生成して出力する第１の学習済みモデルを生成する、装置である。

本発明の質問推定方法は、
会話履歴データ取得工程、文章タイプ識別工程、質問回答表生成工程、未送信文章取得工程、及び推定質問文章生成工程を含み、
前記会話履歴データ取得工程は、終了した会話の文字データである会話履歴データを取得し、
前記会話履歴データは、複数の文章データから構成され、
前記文章タイプ識別工程は、前記文章データ毎に文章タイプを識別し、
前記文章タイプは、質問タイプと、回答タイプとを含み、
前記質問回答表生成工程は、前記識別の結果に基づき、前記質問タイプの文章データと前記回答タイプの文章データとを紐づけて質問回答表を生成し、
前記未送信文章取得工程は、継続中の会話において、他のユーザへの送信前である未送信回答文章を取得し、
前記推定質問文章生成工程は、前記質問回答表及び前記未送信回答文章に基づき、前記未送信回答文章に対応する推定質問文章を生成する、方法である。

本発明の学習済みモデルの生産方法は、
データ取得工程、及び学習済みモデル生成工程を含み、
前記データ取得工程は、回答タイプの文章データと紐づけた質問タイプの文章データを教師データとして取得し、
前記学習済みモデル生成工程は、前記教師データを用いた機械学習によって、前記回答タイプの文章データを入力した場合に、前記回答タイプの文章データに対応する推定質問文章を生成して出力する第１の学習済みモデルを生成する、生産方法である。

本発明によれば、誤送信を未然に防ぐことができる。

図１は、実施形態１の質問推定装置の一例の構成を示すブロック図である。 図２は、実施形態１の質問推定装置のハードウエア構成の一例を示すブロック図である。 図３は、実施形態１の質問推定装置における処理の一例を示すフローチャートである。 図４は、会話履歴データベースの一例を示す図である。 図５は、送信された各文章データの時系列の一例を示す図である。 図６は、実施形態１の質問推定装置における質問回答表の生成の一例を示す図である。 図７（Ａ）は、実施形態２の学習済みモデル生成装置の一例の構成を示すブロック図であり、図７（Ｂ）は、前記学習済みモデル生成装置のハードウエア構成の一例を示すブロック図である。 図８は、実施形態２の学習済みモデル生成装置における処理の一例を示すフローチャートである。 図９は、実施形態３において、質問文章推定モデルを作成する一例について示す図である。 図１０は、実施形態３において、生成した推定質問文章と継続中の会話における送信済み質問文章との類似度を分析する一例を示す図である。

本発明の質問推定装置において、例えば、
前記文章タイプ識別部は、不要文識別部、不要文削除部、形態素解析部、及び識別部を含み、
前記不要文識別部は、前記文章データ内の不要文を識別し、
前記不要文削除部は、前記識別した不要文を前記文章データから削除し、
前記形態素解析部は、前記文章データに対して文単位で形態素解析を行い、
前記識別部は、前記形態素解析に基づき、予め設定した文末表現ルールに従って、前記文章データの文章タイプを識別する、という態様であってもよい。

本発明の質問推定装置において、例えば、
前記質問回答表生成部は、下記条件（１）～（３）の少なくとも一方に基づき、前記質問タイプの文章データと前記回答タイプの文章データとを紐づけて質問回答表を生成する、という態様であってもよい。
（１）前記回答タイプの文章データに、前記回答タイプの文章データよりも送信時刻の古い前記質問タイプの文章データを紐づける
（２）前記回答タイプの文章データを送信したユーザと異なる他のユーザが送信した前記質問タイプの文章データを紐づける
（３）前記回答タイプの文章データとの紐づけの対象となる前記質問タイプの文章データが複数存在する場合に、前記回答タイプの文章データと前記質問タイプの文章データとの類似度を算出し、前記類似度が高い前記回答タイプの文章データと前記質問タイプの文章データとの組み合わせで紐づける

本発明の質問推定装置において、例えば、
前記推定質問文章生成部は、質問文章推定モデルに、取得した前記未送信回答文章を入力して、前記未送信回答文章に対応する推定質問文章を生成し、
前記質問文章推定モデルは、入力された未送信回答文章から前記未送信回答文章に対応する推定質問文章を生成するように学習されたモデルである、という態様であってもよい。

本発明の質問推定装置は、例えば、
さらに、学習処理部を含み、
前記学習処理部は、前記質問回答表における前記質問文章を教師データとし、前記質問タイプの文章データと紐づけられている前記回答タイプの文章データを入力データとして、教師付き機械学習により前記質問文章推定モデルを構築し、
前記推定質問文章生成部は、前記構築した質問文章推定モデルに、取得した前記未送信回答文章を入力して、前記未送信回答文章に対応する推定質問文章を生成する、という態様であってもよい。

前記学習処理部を含む態様の本発明の質問推定装置において、例えば、
前記学習処理部は、前記教師付き機械学習を行う前に、入力された文章データをベクトルに変換するように教師なし学習されたベクトル変換学習済みモデルに、前記質問回答表の各文章データを入力して、前記各文章データをベクトルに変換し、且つ
前記ベクトルに変換した前記質問タイプの文章データを教師データとし、前記ベクトルに変換した前記回答タイプの文章データを入力データとして、教師付き機械学習により前記質問文章推定モデルを構築する、という態様であってもよい。

本発明の質問推定装置は、例えば、
さらに、出力部、質問文章取得部、及び類似度分析部を含み、
前記質問文章取得部は、継続中の会話における送信済みであって且つ他のユーザが送信した質問タイプの文章データを取得し、
前記類似度分析部は、前記送信済みの質問タイプの文章データと前記生成した推定質問文章と比較して類似度を分析し、
前記出力部は、前記類似度を出力ずる、という態様であってもよい。

本発明の学習済みモデル生成装置において、例えば、
前記データ取得部は、会話履歴データを取得し、
前記会話履歴データは、複数の文章データから構成され、
前記学習済みモデル生成部は、さらに、前記会話履歴データを用いた教師なし機械学習によって、前記文章データを入力した場合に、前記文章データをベクトルに変換して出力する第２の学習済みモデルを生成する、という態様であってもよい。

本発明の質問推定方法において、例えば、
前記文章タイプ識別工程は、不要文識別工程、不要文削除工程、形態素解析工程、及び識別工程を含み、
前記不要文識別工程は、前記文章データ内の不要文を識別し、
前記不要文削除工程は、前記識別した不要文を前記文章データから削除し、
前記形態素解析工程は、前記文章データに対して文単位で形態素解析を行い、
前記識別工程は、前記形態素解析に基づき、予め設定した文末表現ルールに従って、前記文章データの文章タイプを識別する、という態様であってもよい。

本発明の質問推定方法において、例えば、
前記質問回答表生成工程は、下記条件（１）～（３）の少なくとも一方に基づき、前記質問タイプの文章データと前記回答タイプの文章データとを紐づけて質問回答表を生成する、という態様であってもよい。
（１）前記回答タイプの文章データに、前記回答タイプの文章データよりも送信時刻の古い前記質問タイプの文章データを紐づける
（２）前記回答タイプの文章データを送信したユーザと異なる他のユーザが送信した前記質問タイプの文章データを紐づける
（３）前記回答タイプの文章データとの紐づけの対象となる前記質問タイプの文章データが複数存在する場合に、前記回答タイプの文章データと前記質問タイプの文章データとの類似度を算出し、前記類似度が高い前記回答タイプの文章データと前記質問タイプの文章データとの組み合わせで紐づける

本発明の質問推定方法において、例えば、
前記推定質問文章生成工程は、質問文章推定モデルに、取得した前記未送信回答文章を入力して、前記未送信回答文章に対応する推定質問文章を生成し、
前記質問文章推定モデルは、入力された未送信回答文章から前記未送信回答文章に対応する推定質問文章を生成するように学習されたモデルである、という態様であってもよい。

本発明の質問推定方法は、例えば、
さらに、学習処理工程を含み、
前記学習処理工程は、前記質問回答表における前記質問文章を教師データとし、前記質問タイプの文章データと紐づけられている前記回答タイプの文章データを入力データとして、教師付き機械学習により前記質問文章推定モデルを構築し、
前記推定質問文章生成工程は、前記構築した質問文章推定モデルに、取得した前記未送信回答文章を入力して、前記未送信回答文章に対応する推定質問文章を生成する、という態様であってもよい。

前記学習処理工程を含む態様の本発明の質問推定方法において、例えば、
前記学習処理工程は、前記教師付き機械学習を行う前に、入力された文章データをベクトルに変換するように教師なし学習されたベクトル変換学習済みモデルに、前記質問回答表の各文章データを入力して、前記各文章データをベクトルに変換し、且つ
前記ベクトルに変換した前記質問タイプの文章データを教師データとし、前記ベクトルに変換した前記回答タイプの文章データを入力データとして、教師付き機械学習により前記質問文章推定モデルを構築する、という態様であってもよい。

本発明の質問推定方法は、例えば、
さらに、出力工程、質問文章取得工程、及び類似度分析工程を含み、
前記質問文章取得工程は、継続中の会話における送信済みであって且つ他のユーザが送信した質問タイプの文章データを取得し、
前記類似度分析工程は、前記送信済みの質問タイプの文章データと前記生成した推定質問文章と比較して類似度を分析し、
前記出力工程は、前記類似度を出力ずる、という態様であってもよい。

本発明の学習済みモデルの生産方法において、例えば、
前記データ取得工程は、会話履歴データを取得し、
前記会話履歴データは、複数の文章データから構成され、
前記学習済みモデル生成工程は、さらに、前記会話履歴データを用いた教師なし機械学習によって、前記文章データを入力した場合に、前記文章データをベクトルに変換して出力する第２の学習済みモデルを生成する、という態様であってもよい。

本発明のプログラムは、本発明の方法の各工程を、手順として、コンピュータに実行させるためのプログラムである。

本発明の記録媒体は、本発明のプログラムを記録しているコンピュータ読み取り可能な記録媒体である。

本発明の適用分野は、特に制限されず、会話において、「質問」及び前記質問に対する「回答」の送受信が実行される分野であればよい。なお、本発明において、会話とは、二人以上の話者が話をすることをいう。前記会話は、例えば、チャットやメール等の文字データを用いる形式によって話をする形態でもよいし、通話等の音声データを用いる形式によって話をする形態であってもよい。前記会話は、一方のユーザ（質問者）からの質問の提示から始まり、他方のユーザ（回答者）からの前記質問に対する回答までの一連の流れを１セットとする。前記質問者と前記回答者との関係は、特に制限されないが、例えば、カスタマと担当者、生徒と教師、選手とコーチ等の関係がある。以下において、前記質問者としてカスタマ、前記回答者として担当者を例に挙げて説明する場合もあるが、これに限定されない。

次に、本発明の実施形態について図を用いて説明する。本発明は、以下の実施形態には限定されない。以下の各図において、同一部分には、同一符号を付している。また、各実施形態の説明は、特に言及がない限り、互いの説明を援用でき、各実施形態の構成は、特に言及がない限り、組合せ可能である。

［実施形態１］
図１は、本実施形態の質問推定装置１０の一例の構成を示すブロック図である。図１に示すように、本装置１０は、会話履歴データ取得部１１、文章タイプ識別部１２、質問回答表生成部１３、未送信文章取得部１４、及び推定質問文章生成部１５を含む。本装置１０は、例えば、任意の構成として、さらに、出力部１６、学習処理部１７、質問文章取得部１８、及び類似度分析部１９を含んでもよい。文章タイプ識別部１２は、例えば、不要文識別部１２１、不要文削除部１２２、形態素解析部１２３、及び識別部１２４を含んでもよい。

本装置１０は、例えば、前記各部を含む１つの装置でもよいし、前記各部が、通信回線網を介して接続可能な装置でもよい。また、本装置１０は、前記通信回線網を介して、後述する外部装置と接続可能である。前記通信回線網は、特に制限されず、公知のネットワークを使用でき、例えば、有線でも無線でもよい。前記通信回線網は、例えば、インターネット回線、ＷＷＷ（Ｗｏｒｌｄ Ｗｉｄｅ Ｗｅｂ）、電話回線、ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）、ＳＡＮ（Ｓｔｏｒａｇｅ Ａｒｅａ Ｎｅｔｗｏｒｋ）、ＤＴＮ（Ｄｅｌａｙ Ｔｏｌｅｒａｎｔ Ｎｅｔｗｏｒｋｉｎｇ）、ＬＰＷＡ（Ｌｏｗ Ｐｏｗｅｒ Ｗｉｄｅ Ａｒｅａ）、Ｌ５Ｇ（ローカル５Ｇ）、等があげられる。無線通信としては、例えば、ＷｉＦｉ（Ｗｉｒｅｌｅｓｓ Ｆｉｄｅｌｉｔｙ）、Ｂｌｕｅｔｏｏｔｈ（登録商標）、ローカル５Ｇ、ＬＰＷＡ等が挙げられる。前記無線通信としては、各装置が直接通信する形態（Ａｄ Ｈｏｃ通信）、インフラストラクチャ（infrastructure通信）、アクセスポイントを介した間接通信等であってもよい。本装置１０は、例えば、システムとしてサーバに組み込まれていてもよい。また、本装置１０は、例えば、本発明のプログラムがインストールされたパーソナルコンピュータ（ＰＣ、例えば、デスクトップ型、ノート型）、スマートフォン、タブレット端末等であってもよい。さらに、本装置１０は、例えば、前記各部のうち少なくとも一つがサーバ上にあり、その他の前記各部が端末上にあるような、クラウドコンピューティングやエッジコンピューティング等の形態であってもよい。

図２に、本装置１０のハードウエア構成のブロック図を例示する。本装置１０は、例えば、中央処理装置（ＣＰＵ、ＧＰＵ等）１０１、メモリ１０２、バス１０３、記憶装置１０４、入力装置１０５、表示装置１０６、通信デバイス１０７等を含む。本装置１０の各部は、それぞれのインタフェース（Ｉ／Ｆ）により、バス１０３を介して相互に接続されている。

中央処理装置１０１は、本装置１０の全体の制御を担う。本装置１０において、中央処理装置１０１により、例えば、本発明のプログラムやその他のプログラムが実行され、また、各種情報の読み込みや書き込みが行われる。具体的には、例えば、中央処理装置１０１が、会話履歴データ取得部１１、文章タイプ識別部１２、質問回答表生成部１３、未送信文章取得部１４、及び推定質問文章生成部１５として機能する。また、中央処理装置１０１は、例えば、出力部１６、学習処理部１７、質問文章取得部１８、及び類似度分析部１９としても機能する。

バス１０３は、例えば、外部装置とも接続できる。前記外部装置は、例えば、外部記憶装置（外部データベース等）、プリンター、外部入力装置、外部表示装置、外部撮像装置等があげられる。本装置１０は、例えば、バス１０３に接続された通信デバイス１０７により、外部ネットワーク（前記通信回線網）に接続でき、外部ネットワークを介して、他の装置と接続することもできる。また、本装置１０は、例えば、図１に示すように、バス１０３に接続された通信デバイス１０７により、前記通信回線網を介して、会話履歴データベース１００と接続することもできる。

メモリ１０２は、例えば、メインメモリ（主記憶装置）が挙げられる。中央処理装置１０１が処理を行う際には、例えば、後述する記憶装置１０４に記憶されている本発明のプログラム等の種々の動作プログラムを、メモリ１０２が読み込み、中央処理装置１０１は、メモリ１０２からデータを受け取って、プログラムを実行する。前記メインメモリは、例えば、ＲＡＭ（ランダムアクセスメモリ）である。また、メモリ１０２は、例えば、ＲＯＭ（読み出し専用メモリ）であってもよい。

記憶装置１０４は、例えば、前記メインメモリ（主記憶装置）に対して、いわゆる補助記憶装置ともいう。前述のように、記憶装置１０４には、本発明のプログラムを含む動作プログラムが格納されている。記憶装置１０４は、例えば、記録媒体と、記録媒体に読み書きするドライブとの組合せであってもよい。前記記録媒体は、特に制限されず、例えば、内蔵型でも外付け型でもよく、ＨＤ（ハードディスク）、ＣＤ－ＲＯＭ、ＣＤ－Ｒ、ＣＤ－ＲＷ、ＭＯ、ＤＶＤ、フラッシュメモリー、メモリーカード等が挙げられる。記憶装置１０４は、例えば、記録媒体とドライブとが一体化されたハードディスクドライブ（ＨＤＤ）、及びソリッドステートドライブ（ＳＳＤ）であってもよい。

本装置１０において、メモリ１０２及び記憶装置１０４は、ユーザのログ情報、並びに、外部データベース（図示せず）から取得した情報を記憶することも可能である。

本装置１０は、例えば、さらに、入力装置１０５、及び表示装置１０６を含んでもよい。入力装置１０５は、例えば、タッチパネル、キーボード、マウス等である。表示装置１０６は、例えば、ＬＥＤディスプレイ、液晶ディスプレイ等が挙げられる。

つぎに、本実施形態の質問推定方法の一例を、図３のフローチャートに基づき説明する。本実施形態の質問推定方法は、例えば、図１の質問推定装置１０を用いて、次のように実施する。なお、本実施形態の質問推定方法は、図１の質問推定装置１０の使用には限定されない。

まず、会話履歴データ取得部１１により、終了した会話の文字データである会話履歴データを取得する（Ｓ１１）。前記会話履歴データは、複数の文章データから構成される。前記会話が音声データを用いる形式によって話をする形態である場合、会話履歴データ取得部１１は、例えば、終了した会話の音声データを文字データに変換した会話履歴データを取得してもよい。会話履歴データ取得部１１は、例えば、前記通信回線網を介して、前記会話履歴データを格納している会話履歴データベース１００から前記会話履歴データを取得してもよい。会話履歴データベース１００の一例を図４に示す。図４に示すように、前記会話履歴データは、例えば、前記会話毎にテーブルデータとして記憶されていてもよい。また、前記会話履歴データは、例えば、前記文章データ毎の送信時刻及び送信者に関する送信情報を含んでいてもよい。「終了した会話」とは、すなわち、会話開始のきっかけとなった質問者（カスタマ等）からの質問に対し回答者（担当者等）から回答があった会話を意味する。以下、「終了した会話」を「対応済みの会話」ともいう。会話履歴データベース１００は、例えば、対応済みの会話の会話履歴データと対応中の会話（継続中の会話ともいう）の会話履歴データとを識別して格納してもよい。「対応中の会話」とは、すなわち、会話開始のきっかけとなった質問者（カスタマ等）からの質問に対し回答者（担当者等）から回答がない会話を意味する。図４に示す各文章データの時系列を図５に示す。図５に示すように、１人の担当者は、例えば、並行して複数のカスタマと会話をしている。

次に、文章タイプ識別部１２により、前記文章データ毎に文章タイプを識別する（Ｓ１２）。

文章タイプ識別部１２による処理（前記工程（Ｓ１２））の一例について具体的に説明する。文章タイプ識別部１２は、例えば、不要文識別部１２１、不要文削除部１２２、形態素解析部１２３、及び識別部１２４を含む。まず、不要文識別部１２１により、前記文章データ内の不要文を識別する（Ｓ１２１）。具体的には、例えば、「いつもお世話になっております。」や「ありがとうございます。」等の予め設定した文章及び前記予め設定した文章と類似度の高い文章を不要文として識別する。前記類似度は、特に制限されないが、例えば、後述のコサイン類似度を用いることができる。次に、不要文削除部１２２により、前記識別した不要文を前記文章データから削除する（Ｓ１２２）。次に、形態素解析部１２３により、前記文章データに対して文単位で形態素解析を行う（Ｓ１２３）。次に、識別部１２４により、前記形態素解析に基づき、予め設定した文末表現ルールに従って、前記文章データの文章タイプを識別する（Ｓ１２４）。前記文末表現ルールは、文末の表現と前記文章タイプとを紐づけたものであり、任意に設定できる。具体的に、前記質問タイプと紐づけられた前記文末の表現としては、例えば、「・・・ください。」、「・・・をお願いします。」、「・・・は何ですか？」、「・・・起きますか？」等がある。また、前記回答タイプと紐づけられた前記文末の表現としては、例えば、「・・・になります。」、「・・・解決します。」等がある。文章タイプ識別部１２は、例えば、前記工程（Ｓ１２１）～（Ｓ１２４）の処理を全ての文章データに対して実行する。

次に、質問回答表生成部１３により、前記識別の結果に基づき、前記質問タイプの文章データと前記回答タイプの文章データとを紐づけて質問回答表を生成する（Ｓ１３）。前記質問回答表は、例えば、メモリ１０２及び記憶装置１０４に記憶されてもよい。質問回答表生成部１３は、例えば、下記条件（１）～（３）の少なくとも一方に基づき、質問回答表を生成してもよい。
（１）前記回答タイプの文章データに、前記回答タイプの文章データよりも送信時刻の古い前記質問タイプの文章データを紐づける
（２）前記回答タイプの文章データを送信したユーザと異なる他のユーザが送信した前記質問タイプの文章データを紐づける
（３）前記回答タイプの文章データとの紐づけの対象となる前記質問タイプの文章データが複数存在する場合に、前記回答タイプの文章データと前記質問タイプの文章データとの類似度を算出し、前記類似度が高い前記回答タイプの文章データと前記質問タイプの文章データとの組み合わせで紐づける

図６に、前記質問回答表の生成の一例について示す。図６では、前記会話履歴データにおける各文章データを送信時刻に沿って示している。図６に示す各文章データにおいて、文章タイプ識別部１２により質問タイプと識別された文章データは、送信時刻の順に沿って「Ｑｎ（ｎは１以上の整数）」として示し、回答タイプと識別された文章データは、送信時刻の順に沿って「Ａｍ（ｍは１以上の整数）」として示す。回答タイプの文章データＡ１は、例えば、図６に示すように、質問回答表生成部１３により上記条件（１）及び（２）に従い、文章データＡ１の送信時刻ｔ３よりも前に送信されており、且つ文章データＡ１の送信者Ｘとは異なる送信者Ｙにより送信されている質問タイプの文章データＱ２と紐づけられる。回答タイプの文章データＡ２及びＡ３も、例えば、文章データＡ１と同様にして、それぞれ、質問タイプの文章データＱ１及びＱ３と紐づけられる。このように、回答タイプの文章データは、例えば、複数の質問タイプの文章データと紐づけられてもよい。一方で、例えば、回答タイプの文章データＡ２及びＡ３のように、紐づけの対象となる前記質問タイプの文章データが複数存在する場合は、例えば、上記条件（３）に従い、前記類似度を算出し、前記類似度が高い前記回答タイプの文章データと前記質問タイプの文章データとの組み合わせで紐づけてもよい。前記類似度は、特に制限されないが、例えば、コサイン類似度である。具体的に、例えば、前記類似度の算出として、各文章データをベクトル化して、コサイン類似度を算出する手法が用いられる。前記類似度は、前記類似度が高いほど、前記各文章データが類似していることを意味する。具体的に、回答タイプの文章データＡ２の場合は、例えば、文章データＡ２と文章データＱ１との組み合わせにおける類似度、及び文章データＡ２と文章データＱ３との組み合わせにおける類似度をそれぞれ算出し、前記類似度が高い組み合わせで紐づけを行う。

前記類似度として、コサイン類似度を例に挙げてより具体的に説明する。まず、質問推定装置１０は、各文章データに対し形態素解析を行い、前記各文章データを単語単位に分割する。次に、質問推定装置１０は、文章データ毎に、各単語の出現回数を算出し、前記文章データを長さが単語の数（語彙数ともいう。前記出現回数のことではない）となるベクトルにする。ここまでの処理を、例えば、文章のベクトル化（エンベデッド化）といい、TF-IDF(Term Frequency-Inverse Document Frequency）等の技術を用いることができる。そして、前記ベクトルを用いて、コサイン類似度を算出する。前記コサイン類似度は、比較する各ベクトルが、同じ方向を向いている程度を表す指標であり、例えば、その値は―１から１の間を取り、１に近いほど同一方向であるといえる。すなわち、前記値が１に近いほど、比較する各文章データの類似度が高いと判断される。

次に、未送信文章取得部１４により、継続中の会話において、他のユーザへの送信前である未送信回答文章を取得する（Ｓ１４）。未送信文章取得部１４は、例えば、前記通信回線網を介して、前記回答者（例えば、担当者等）によって外部入力装置から前記未送信回答文章を取得してもよい。

そして、推定質問文章生成部１５により、前記質問回答表及び前記未送信回答文章に基づき、前記未送信回答文章に対応する推定質問文章を生成して（Ｓ１５）、終了する（ＥＮＤ）。推定質問文章生成部１５は、例えば、質問文章推定モデルに、取得した前記未送信回答文章を入力して、前記未送信回答文章に対応する推定質問文章を生成してもよい。前記質問文章推定モデルは、入力された未送信回答文章から前記未送信回答文章に対応する推定質問文章を生成するように学習されたモデルである。前記質問文章推定モデルは、例えば、外部から取得してもよいし、本装置１０が学習処理部１７を含む場合に学習処理部１７により構築してもよい。前記質問文章推定モデルは、例えば、未送信回答文章を入力する入力層と、推定質問文章を出力する出力層と、入力層と出力層との間に設けられる少なくとも１層の中間層とを含む。前記質問文章推定モデルは、例えば、人工知能ソフトウェアの一部であるプログラムモジュールであってもよい。前記多層化ネットワークとしては、例えば、ニューラルネットワーク等が挙げられる。前記ニューラルネットワークとしては、例えば、畳み込みニューラルネットワーク（Ｃｏｎｖｏｌｕｔｉｏｎ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ：ＣＮＮ）等が挙げられる。なお、前記質問文章推定モデルは、前記ＣＮＮに限定されず、例えば、ＣＮＮ以外のニューラルネットワーク、ＳＶＭ（Support Vector Machine）、ベイジアンネットワーク、回帰木等の他の学習アルゴリズムで構築された学習済みモデルであってもよい。

学習処理部１７について説明する。学習処理部１７は、前記工程（Ｓ１３）の後に、前記質問回答表における前記質問文章を教師データとし、前記質問タイプの文章データと紐づけられている前記回答タイプの文章データを入力データとして、教師付き機械学習により前記質問文章推定モデルを構築する（Ｓ１７）。前記教師付き機械学習は、例えば、前述と同様に、ＣＮＮ、ＳＶＭ、ベイジアンネットワーク、回帰木等を用いた機械学習である。学習処理部１７は、例えば、前記教師付き機械学習を行う前に、入力された文章データをベクトルに変換するように教師なし学習されたベクトル変換学習済みモデルに、前記質問回答表の各文章データを入力して、前記各文章データをベクトルに変換してもよい。そして、学習処理部１７は、前記ベクトルに変換した前記質問タイプの文章データを教師データとし、前記ベクトルに変換した前記回答タイプの文章データを入力データとして、教師付き機械学習により前記質問文章推定モデルを構築してもよい。前記ベクトル変換学習済みモデルは、例えば、外部から取得してもよいし、学習処理部１７により構築してもよい。すなわち、学習処理部１７は、例えば、前記教師なし学習を行う事前学習（Ｐｒｅ－ｔｒａｉｎｉｎｇ）のフェーズと、その後に行う教師付き機械学習を行う詳細学習（Ｆｉｎｅ Ｔｕｎｉｎｇ）のフェーズとの２つのフェーズで構成されてもよい。具体的に、前記事前学習は、例えば、大量のラベルなし文章データ（会話履歴データの文章データ）から、文中の単語をマスクし、前記マスクした単語を推測する学習を行う処理である。また、具体的に、前記詳細学習は、例えば、前記ベクトル変換学習済みモデルを初期値に利用し、少量のラベル付きデータ（前記質問回答表）を使って再学習させることで、生成する推定質問文章の精度を高める処理である。

また、例えば、前記工程（Ｓ１５）の後に、出力部１６により、生成した前記推定質問文章を出力し（Ｓ１６）、終了してもよい（ＥＮＤ）。出力部１６は、例えば、前記通信回線網を介して、外部装置に出力してもよいし、表示装置１０６に出力してもよい。

さらに、例えば、質問文章取得部１８により、継続中の会話における送信済みであって且つ他のユーザが送信した質問タイプの文章データを取得してもよい（Ｓ１８）。前記工程（Ｓ１８）を実行するタイミングは、特に制限されない。質問文章取得部１８は、例えば、前記継続中の会話における送信済みの文章データを全て取得し、前記取得した文章データを前述と同様にして、文章タイプ識別部１２により文章タイプを識別し、前記質問タイプと識別された文章データ（送信済み質問文章ともいう）のみを取得してもよい。

前記工程（Ｓ１８）を実行する場合、前記工程（Ｓ１５）及び前記工程（Ｓ１８）の後に、類似度分析部１９により、前記送信済みの質問タイプの文章データと前記生成した推定質問文章と比較して類似度を分析する（Ｓ１９）。前記類似度は、例えば、コサイン類似度を用いることができる。

そして、出力部１６により、前記類似度を出力して（Ｓ２０）、終了する（ＥＮＤ）。前記出力は、例えば、前記類似度が予め設定した値以下であれば、前記類似度が低いことを示す警告を出力してもよい。また、出力部１６は、例えば、前記類似度が予め設定した値以下であれば、前記未送信回答文書を出力（送信）不可にするように制御可能であってもよい。

本実施形態によれば、推定質問文章を生成することで、継続中の会話における質問文章と前記推定質問文章との類似性を確認することに活用でき、誤送信を未然に防ぐことができる。また、本実施形態によれば、例えば、類似度を算出することができるため、継続中の会話における質問文章と前記推定質問文章との類似性の確認が容易である。さらに、本実施形態によれば、事前学習（Ｐｒｅ－ｔｒａｉｎｉｎｇ）のフェーズと、その後に行う詳細学習（Ｆｉｎｅ Ｔｕｎｉｎｇ）のフェーズとの２つのフェーズにより、より精度の高い推定質問文章を生成することができる。

［実施形態２］
図７（Ａ）は、本実施形態の学習済みモデル生成装置２０の一例の構成を示すブロック図である。図７（Ａ）に示すように、本装置２０は、データ取得部２１、及び学習済みモデル生成部２２を含む。

本装置２０は、例えば、前記各部を含む１つの装置でもよいし、前記各部が、前記通信回線網を介して接続可能な装置でもよい。また、本装置２０は、前記通信回線網を介して、前述の外部装置と接続可能である。本装置２０は、例えば、システムとしてサーバに組み込まれていてもよい。また、本装置２０は、例えば、本発明のプログラムがインストールされたパーソナルコンピュータ（ＰＣ、例えば、デスクトップ型、ノート型）、スマートフォン、タブレット端末等であってもよい。さらに、本装置２０は、例えば、前記各部のうち少なくとも一つがサーバ上にあり、その他の前記各部が端末上にあるような、クラウドコンピューティングやエッジコンピューティング等の形態であってもよい。

図７（Ｂ）に、学習済みモデル生成装置２０のハードウエア構成のブロック図を例示する。学習済みモデル生成装置２０は、例えば、中央処理装置（ＣＰＵ、ＧＰＵ等）１０１、メモリ１０２、バス１０３、記憶装置１０４、入力装置１０５、表示装置１０６、通信デバイス１０７等を含む。学習済みモデル生成装置２０のハードウエア構成の各部は、特に言及しない限り、図３に示す質問推定装置１０のハードウエア構成の各部の記載を援用できる。

中央処理装置１０１は、例えば、データ取得部２１及び学習済みモデル生成部２２として機能する。

メモリ１０２及び記憶装置１０４は、本装置２０によって生成された学習済みモデルを記憶してもよい。

つぎに、本実施形態の学習済みモデルの生産方法の一例を、図８のフローチャートに基づき説明する。本実施形態の学習済みモデルの生産方法は、例えば、図７の学習済みモデル生成装置２０を用いて、次のように実施する。なお、本実施形態の学習済みモデルの生産方法は、図７の学習済みモデル生成装置２０の使用には限定されない。

まず、データ取得部２１により、回答タイプの文章データと紐づけた質問タイプの文章データを教師データとして取得する（Ｓ２１）。次に、学習済みモデル生成部２２により、前記教師データを用いた機械学習によって、前記回答タイプの文章データを入力した場合に、前記回答タイプの文章データに対応する推定質問文章を生成して出力する第１の学習済みモデルを生成し（Ｓ２２）、終了する（ＥＮＤ）。前記第１の学習済みモデルは、例えば、前記実施形態１記載の質問推定装置１０において、質問文章推定モデルとして使用されてもよい。

つまり、本装置２０は、機械付き機械学習を行うことで、前記回答タイプの文章データを入力とし、前記推定質問文章を出力とするニューラルネットワークを構築（生成）する、ともいえる。前記ニューラルネットワークとしては、例えば、前述と同様である。前記ニューラルネットワークは、例えば、前記回答タイプの文章データを受け付ける入力層と、前記推定質問文章を出力する出力層と、入力層と出力層との間に設けられる少なくとも１層の中間層とを含んでもよい。

前記入力層は、例えば、前記回答タイプの文章データの入力を受け付ける複数のニューロンを含み、入力された前記回答タイプの文章データを前記中間層に受け渡す。前記中間層は、前記前記回答タイプの文章データの特徴量を抽出する複数のニューロンを含み、抽出した前記特徴量を前記出力層に受け渡す。前記出力層は、推定質問文章を出力する一又は複数のニューロンを含み、前記中間層から出力された前記特徴量に基づいて、前記推定質問文章の生成を行う。

前記教師データ及び前記入力される回答タイプの文章データは、例えば、前記機械学習及び第１の学習済みモデルに供される前に形態素解析（自然言語処理（ＮＬＰ：Natural Language Processing））に供されてもよい。

データ取得部２１は、例えば、さらに、会話履歴データを取得してもよい。前記会話履歴データは、前述と同様であり、複数の文章データから構成される。そして、学習済みモデル生成部２２は、さらに、例えば、前記会話履歴データを用いた教師なし機械学習によって、前記文章データを入力した場合に、前記文章データをベクトルに変換して出力する第２の学習済みモデルを生成してもよい。前記第２の学習済みモデルは、例えば、前記実施形態１記載の質問推定装置１０において、ベクトル変換学習済みモデルとして使用されてもよい。すなわち、本装置２０は、前記質問文章推定モデルと前記ベクトル変換学習済みモデルの２つの学習済みモデルを生成してもよい。

本実施形態によって生成される第１及び第２の学習済みモデルは、例えば、前記実施形態１記載の質問推定装置１０に使用される。これにより、推定質問文章を生成可能であり、誤送信を未然に防ぐことができる。

［実施形態３］
図９を用いて、質問文章推定モデルを作成する一例について具体的に説明する。

図９は、質問文章推定モデルを作成する一例について示す図である。図９に示すように、質問推定装置１０は、質問回答表生成部１３により、取得した前記会話履歴データを用いて、前記質問タイプの文章データと前記回答タイプの文章データとを紐づけて質問回答表（ＱＡ表）を生成する。一方で、質問推定装置１０は、学習処理部１７により、取得した前記会話履歴データを用いて、教師なし機械学習を行い（Pre-training）、前記ベクトル変換学習済みモデルを構築する。前記ベクトル変換学習済みモデルは、例えば、前述のように、外部から取得してもよいし、学習済みモデル生成装置２０により生成された学習済みモデルを用いてもよい。そして、質問推定装置１０は、学習処理部１７により、前記ＱＡ表における各文章データを入力して、前記各文章データをベクトルに変換する。前記ＱＡ表は、例えば、図９に示すように、前記各文章データと前記ベクトルとを紐づけて記憶するデータであってもよい。次に、質問推定装置１０は、学習処理部１７により、前記ＱＡ表における質問タイプの文章データに対し自然言語処理を行い、且つ前記質問タイプの文章データを教師データとし、前記質問タイプの文章データと紐づけられている前記回答タイプの文章データを入力データとして用いて、教師付き機械学習を行い（Fine-tuning）、前記質問文章推定モデルを構築する。前記質問文章推定モデルは、例えば、前述のように、学習済みモデル生成装置２０により生成された学習済みモデルを用いてもよい。

図１０を用いて、類似度を出力する一例について具体的に説明する。

図１０は、生成した推定質問文章と継続中の会話における送信済み質問文章との類似度を分析する一例について示す図である。図１０に示す回答者端末３０は、回答者側の会話支援装置であり、例えば、前記質問者及び前記回答者間のやり取り（対話・会話）を行う装置である。回答者端末３０のディスプレイ（表示装置）には、例えば、図１０に示すように、継続中の会話における複数の文章データが表示される。また、前記ディスプレイには、入力欄が表示されている。前記回答者は、入力装置を用いて前記入力欄内に文章データを入力する。図１０において、前記入力欄に入力された文章データは、回答タイプの文章データであるが、質問対応の文章データが入力されてもよい。質問推定装置１０は、例えば、未送信文章取得部１４により前記入力欄に入力された未送信の文章データを取得して、文章タイプ識別部１２により前記入力欄に入力された文章データの文章タイプを識別してもよい。そして、前記入力欄に入力された文章データの文章タイプが回答タイプと識別された場合に、質問推定装置１０は、例えば、推定質問文章生成部１５による推定質問文章の生成、質問文章取得部１８による送信済み回答文章の取得、類似度分析部１９による類似度の分析等を実行する。一方で、質問推定装置１０は、例えば、回答者端末３０から前記類似度の分析に関するリクエストを取得してもよい。具体的に、前記回答タイプの文章データを入力した回答者は、例えば、ディスプレイに表示された「正当性確認」を押下する。そうすると、回答者端末３０から質問推定装置１０に前記リクエストが送信される。前記リクエストを取得した質問推定装置１０は、未送信文章取得部１４により、前記入力欄に入力された回答タイプの文章データ（未送信回答文章）を取得する。次に、前述と同様に、質問推定装置１０は、推定質問文章生成部１５による推定質問文章の生成、質問文章取得部１８による送信済み回答文章の取得、類似度分析部１９による類似度の分析を実行する。そして、出力部１６により、前記未送信回答文章が前記会話に対する送信対象としての確からしさの程度を示す「正当性」として、前記類似度を回答者端末３０に出力する。出力された前記類似度（正当性）は、例えば、回答者端末３０のディスプレイに表示される。これにより、回答者は、ディスプレイに表示された前記正当性の程度を確認することができ、誤送信の防止につながる。

［実施形態４］
本実施形態のプログラムは、本発明の方法の各工程を、手順として、コンピュータに実行させるためのプログラムである。本発明において、「手順」は、「処理」と読み替えてもよい。また、本実施形態のプログラムは、例えば、コンピュータ読み取り可能な記録媒体に記録されていてもよい。前記記録媒体としては、特に限定されず、例えば、読み出し専用メモリ（ＲＯＭ）、ハードディスク（ＨＤ）、光ディスク等が挙げられる。

以上、実施形態を参照して本発明を説明したが、本発明は、上記実施形態に限定されるものではない。本発明の構成や詳細には、本発明のスコープ内で当業者が理解しうる様々な変更をできる。

＜付記＞
上記の実施形態の一部または全部は、以下の付記のように記載されうるが、以下には限られない。
（付記１）
会話履歴データ取得部、文章タイプ識別部、質問回答表生成部、未送信文章取得部、及び推定質問文章生成部を含み、
前記会話履歴データ取得部は、終了した会話の文字データである会話履歴データを取得し、
前記会話履歴データは、複数の文章データから構成され、
前記文章タイプ識別部は、前記文章データ毎に文章タイプを識別し、
前記文章タイプは、質問タイプと、回答タイプとを含み、
前記質問回答表生成部は、前記識別の結果に基づき、前記質問タイプの文章データと前記回答タイプの文章データとを紐づけて質問回答表を生成し、
前記未送信文章取得部は、継続中の会話において、他のユーザへの送信前である未送信回答文章を取得し、
前記推定質問文章生成部は、前記質問回答表及び前記未送信回答文章に基づき、前記未送信回答文章に対応する推定質問文章を生成する、質問推定装置。
（付記２）
前記文章タイプ識別部は、不要文識別部、不要文削除部、形態素解析部、及び識別部を含み、
前記不要文識別部は、前記文章データ内の不要文を識別し、
前記不要文削除部は、前記識別した不要文を前記文章データから削除し、
前記形態素解析部は、前記文章データに対して文単位で形態素解析を行い、
前記識別部は、前記形態素解析に基づき、予め設定した文末表現ルールに従って、前記文章データの文章タイプを識別する、付記１記載の質問推定装置。
（付記３）
前記質問回答表生成部は、下記条件（１）～（３）の少なくとも一方に基づき、前記質問タイプの文章データと前記回答タイプの文章データとを紐づけて質問回答表を生成する、付記１又は２記載の質問推定装置。
（１）前記回答タイプの文章データに、前記回答タイプの文章データよりも送信時刻の古い前記質問タイプの文章データを紐づける
（２）前記回答タイプの文章データを送信したユーザと異なる他のユーザが送信した前記質問タイプの文章データを紐づける
（３）前記回答タイプの文章データとの紐づけの対象となる前記質問タイプの文章データが複数存在する場合に、前記回答タイプの文章データと前記質問タイプの文章データとの類似度を算出し、前記類似度が高い前記回答タイプの文章データと前記質問タイプの文章データとの組み合わせで紐づける
（付記４）
前記推定質問文章生成部は、質問文章推定モデルに、取得した前記未送信回答文章を入力して、前記未送信回答文章に対応する推定質問文章を生成し、
前記質問文章推定モデルは、入力された未送信回答文章から前記未送信回答文章に対応する推定質問文章を生成するように学習されたモデルである、付記１から３のいずれかに記載の質問推定装置。
（付記５）
さらに、学習処理部を含み、
前記学習処理部は、前記質問回答表における前記質問文章を教師データとし、前記質問タイプの文章データと紐づけられている前記回答タイプの文章データを入力データとして、教師付き機械学習により前記質問文章推定モデルを構築し、
前記推定質問文章生成部は、前記構築した質問文章推定モデルに、取得した前記未送信回答文章を入力して、前記未送信回答文章に対応する推定質問文章を生成する、付記１から４のいずれかに記載の質問推定装置。
（付記６）
前記学習処理部は、前記教師付き機械学習を行う前に、入力された文章データをベクトルに変換するように教師なし学習されたベクトル変換学習済みモデルに、前記質問回答表の各文章データを入力して、前記各文章データをベクトルに変換し、且つ
前記ベクトルに変換した前記質問タイプの文章データを教師データとし、前記ベクトルに変換した前記回答タイプの文章データを入力データとして、教師付き機械学習により前記質問文章推定モデルを構築する、付記６記載の質問推定装置。
（付記７）
さらに、出力部、質問文章取得部、及び類似度分析部を含み、
前記質問文章取得部は、継続中の会話における送信済みであって且つ他のユーザが送信した質問タイプの文章データを取得し、
前記類似度分析部は、前記送信済みの質問タイプの文章データと前記生成した推定質問文章と比較して類似度を分析し、
前記出力部は、前記類似度を出力ずる、付記１から６のいずれかに記載の質問推定装置。
（付記８）
データ取得部、及び学習済みモデル生成部を含み、
前記データ取得部は、回答タイプの文章データと紐づけた質問タイプの文章データを教師データとして取得し、
前記学習済みモデル生成部は、前記教師データを用いた機械学習によって、前記回答タイプの文章データを入力した場合に、前記回答タイプの文章データに対応する推定質問文章を生成して出力する第１の学習済みモデルを生成する、学習済みモデル生成装置。
（付記９）
前記データ取得部は、会話履歴データを取得し、
前記会話履歴データは、複数の文章データから構成され、
前記学習済みモデル生成部は、さらに、前記会話履歴データを用いた教師なし機械学習によって、前記文章データを入力した場合に、前記文章データをベクトルに変換して出力する第２の学習済みモデルを生成する、付記８記載の学習済みモデル生成装置。
（付記１０）
会話履歴データ取得工程、文章タイプ識別工程、質問回答表生成工程、未送信文章取得工程、及び推定質問文章生成工程を含み、
前記会話履歴データ取得工程は、終了した会話の文字データである会話履歴データを取得し、
前記会話履歴データは、複数の文章データから構成され、
前記文章タイプ識別工程は、前記文章データ毎に文章タイプを識別し、
前記文章タイプは、質問タイプと、回答タイプとを含み、
前記質問回答表生成工程は、前記識別の結果に基づき、前記質問タイプの文章データと前記回答タイプの文章データとを紐づけて質問回答表を生成し、
前記未送信文章取得工程は、継続中の会話において、他のユーザへの送信前である未送信回答文章を取得し、
前記推定質問文章生成工程は、前記質問回答表及び前記未送信回答文章に基づき、前記未送信回答文章に対応する推定質問文章を生成する、質問推定方法。
（付記１１）
前記文章タイプ識別工程は、不要文識別工程、不要文削除工程、形態素解析工程、及び識別工程を含み、
前記不要文識別工程は、前記文章データ内の不要文を識別し、
前記不要文削除工程は、前記識別した不要文を前記文章データから削除し、
前記形態素解析工程は、前記文章データに対して文単位で形態素解析を行い、
前記識別工程は、前記形態素解析に基づき、予め設定した文末表現ルールに従って、前記文章データの文章タイプを識別する、付記１０記載の質問推定方法。
（付記１２）
前記質問回答表生成工程は、下記条件（１）～（３）の少なくとも一方に基づき、前記質問タイプの文章データと前記回答タイプの文章データとを紐づけて質問回答表を生成する、付記１０又は１１記載の質問推定方法。
（１）前記回答タイプの文章データに、前記回答タイプの文章データよりも送信時刻の古い前記質問タイプの文章データを紐づける
（２）前記回答タイプの文章データを送信したユーザと異なる他のユーザが送信した前記質問タイプの文章データを紐づける
（３）前記回答タイプの文章データとの紐づけの対象となる前記質問タイプの文章データが複数存在する場合に、前記回答タイプの文章データと前記質問タイプの文章データとの類似度を算出し、前記類似度が高い前記回答タイプの文章データと前記質問タイプの文章データとの組み合わせで紐づける
（付記１３）
前記推定質問文章生成工程は、質問文章推定モデルに、取得した前記未送信回答文章を入力して、前記未送信回答文章に対応する推定質問文章を生成し、
前記質問文章推定モデルは、入力された未送信回答文章から前記未送信回答文章に対応する推定質問文章を生成するように学習されたモデルである、付記１０から１２のいずれかに記載の質問推定方法。
（付記１４）
さらに、学習処理工程を含み、
前記学習処理工程は、前記質問回答表における前記質問文章を教師データとし、前記質問タイプの文章データと紐づけられている前記回答タイプの文章データを入力データとして、教師付き機械学習により前記質問文章推定モデルを構築し、
前記推定質問文章生成工程は、前記構築した質問文章推定モデルに、取得した前記未送信回答文章を入力して、前記未送信回答文章に対応する推定質問文章を生成する、付記１０から１３のいずれかに記載の質問推定方法。
（付記１５）
前記学習処理工程は、前記教師付き機械学習を行う前に、入力された文章データをベクトルに変換するように教師なし学習されたベクトル変換学習済みモデルに、前記質問回答表の各文章データを入力して、前記各文章データをベクトルに変換し、且つ
前記ベクトルに変換した前記質問タイプの文章データを教師データとし、前記ベクトルに変換した前記回答タイプの文章データを入力データとして、教師付き機械学習により前記質問文章推定モデルを構築する、付記１４記載の質問推定方法。
（付記１６）
さらに、出力工程、質問文章取得工程、及び類似度分析工程を含み、
前記質問文章取得工程は、継続中の会話における送信済みであって且つ他のユーザが送信した質問タイプの文章データを取得し、
前記類似度分析工程は、前記送信済みの質問タイプの文章データと前記生成した推定質問文章と比較して類似度を分析し、
前記出力工程は、前記類似度を出力ずる、付記１０から１５のいずれかに記載の質問推定方法。
（付記１７）
データ取得工程、及び学習済みモデル生成工程を含み、
前記データ取得工程は、回答タイプの文章データと紐づけた質問タイプの文章データを教師データとして取得し、
前記学習済みモデル生成工程は、前記教師データを用いた機械学習によって、前記回答タイプの文章データを入力した場合に、前記回答タイプの文章データに対応する推定質問文章を生成して出力する第１の学習済みモデルを生成する、学習済みモデルの生産方法。
（付記１８）
前記データ取得工程は、会話履歴データを取得し、
前記会話履歴データは、複数の文章データから構成され、
前記学習済みモデル生成工程は、さらに、前記会話履歴データを用いた教師なし機械学習によって、前記文章データを入力した場合に、前記文章データをベクトルに変換して出力する第２の学習済みモデルを生成する、付記１７記載の学習済みモデルの生産方法。
（付記１９）
コンピュータに、会話履歴データ取得手順、文章タイプ識別手順、質問回答表生成手順、未送信文章取得手順、及び推定質問文章生成手順を含む手順を実行させるためのプログラム：
前記会話履歴データ取得手順は、終了した会話の文字データである会話履歴データを取得し、
前記会話履歴データは、複数の文章データから構成され、
前記文章タイプ識別手順は、前記文章データ毎に文章タイプを識別し、
前記文章タイプは、質問タイプと、回答タイプとを含み、
前記質問回答表生成手順は、前記識別の結果に基づき、前記質問タイプの文章データと前記回答タイプの文章データとを紐づけて質問回答表を生成し、
前記未送信文章取得手順は、継続中の会話において、他のユーザへの送信前である未送信回答文章を取得し、
前記推定質問文章生成手順は、前記質問回答表及び前記未送信回答文章に基づき、前記未送信回答文章に対応する推定質問文章を生成する。
（付記２０）
前記文章タイプ識別手順は、不要文識別手順、不要文削除手順、形態素解析手順、及び識別手順を含み、
前記不要文識別手順は、前記文章データ内の不要文を識別し、
前記不要文削除手順は、前記識別した不要文を前記文章データから削除し、
前記形態素解析手順は、前記文章データに対して文単位で形態素解析を行い、
前記識別手順は、前記形態素解析に基づき、予め設定した文末表現ルールに従って、前記文章データの文章タイプを識別する、付記１９記載のプログラム。
（付記２１）
前記質問回答表生成手順は、下記条件（１）～（３）の少なくとも一方に基づき、前記質問タイプの文章データと前記回答タイプの文章データとを紐づけて質問回答表を生成する、付記１９又は２０記載のプログラム。
（１）前記回答タイプの文章データに、前記回答タイプの文章データよりも送信時刻の古い前記質問タイプの文章データを紐づける
（２）前記回答タイプの文章データを送信したユーザと異なる他のユーザが送信した前記質問タイプの文章データを紐づける
（３）前記回答タイプの文章データとの紐づけの対象となる前記質問タイプの文章データが複数存在する場合に、前記回答タイプの文章データと前記質問タイプの文章データとの類似度を算出し、前記類似度が高い前記回答タイプの文章データと前記質問タイプの文章データとの組み合わせで紐づける
（付記２２）
前記推定質問文章生成手順は、質問文章推定モデルに、取得した前記未送信回答文章を入力して、前記未送信回答文章に対応する推定質問文章を生成し、
前記質問文章推定モデルは、入力された未送信回答文章から前記未送信回答文章に対応する推定質問文章を生成するように学習されたモデルである、付記１９から２１のいずれかに記載のプログラム。
（付記２３）
さらに、学習処理手順を含み、
前記学習処理手順は、前記質問回答表における前記質問文章を教師データとし、前記質問タイプの文章データと紐づけられている前記回答タイプの文章データを入力データとして、教師付き機械学習により前記質問文章推定モデルを構築し、
前記推定質問文章生成手順は、前記構築した質問文章推定モデルに、取得した前記未送信回答文章を入力して、前記未送信回答文章に対応する推定質問文章を生成する、付記１９から２２のいずれかに記載のプログラム。
（付記２４）
前記学習処理手順は、前記教師付き機械学習を行う前に、入力された文章データをベクトルに変換するように教師なし学習されたベクトル変換学習済みモデルに、前記質問回答表の各文章データを入力して、前記各文章データをベクトルに変換し、且つ
前記ベクトルに変換した前記質問タイプの文章データを教師データとし、前記ベクトルに変換した前記回答タイプの文章データを入力データとして、教師付き機械学習により前記質問文章推定モデルを構築する、付記２３記載のプログラム。
（付記２５）
さらに、出力手順、質問文章取得手順、及び類似度分析手順を含み、
前記質問文章取得手順は、継続中の会話における送信済みであって且つ他のユーザが送信した質問タイプの文章データを取得し、
前記類似度分析手順は、前記送信済みの質問タイプの文章データと前記生成した推定質問文章と比較して類似度を分析し、
前記出力手順は、前記類似度を出力ずる、付記１９から２４のいずれかに記載のプログラム。
（付記２６）
コンピュータに、データ取得手順、及び学習済みモデル生成手順を含む手順を実行させるためのプログラム：
前記データ取得手順は、回答タイプの文章データと紐づけた質問タイプの文章データを教師データとして取得し、
前記学習済みモデル生成手順は、前記教師データを用いた機械学習によって、前記回答タイプの文章データを入力した場合に、前記回答タイプの文章データに対応する推定質問文章を生成して出力する第１の学習済みモデルを生成する。
（付記２７）
前記データ取得手順は、会話履歴データを取得し、
前記会話履歴データは、複数の文章データから構成され、
前記学習済みモデル生成手順は、さらに、前記会話履歴データを用いた教師なし機械学習によって、前記文章データを入力した場合に、前記文章データをベクトルに変換して出力する第２の学習済みモデルを生成する、付記２６記載のプログラム。
（付記２８）
付記１９から２７のいずれかに記載のプログラムを記録しているコンピュータ読み取り可能な記録媒体。

本発明によれば、回答の誤送信を未然に防ぐことができる。このため、本発明は、複数人のカスタマからの質問に対し、回答者として１人の担当者が担当（回答）する場合において特に有用である。

１０ 質問推定装置
１１ 会話履歴データ取得部
１２ 文章タイプ識別部
１３ 質問回答表生成部
１４ 未送信文章取得部
１５ 推定質問文章生成部
１６ 出力部
１７ 学習処理部
１８ 質問文章取得部
１９ 類似度分析部
２０ 学習済みモデル生成装置
２１ データ取得部
２２ 学習済みモデル生成部
１００ 会話履歴データベース
１０１ 中央処理装置
１０２ メモリ
１０３ バス
１０４ 記憶装置
１０５ 入力装置
１０６ 表示装置
１０７ 通信デバイス

Claims (10)

1. 会話履歴データ取得部、文章タイプ識別部、質問回答表生成部、未送信文章取得部、及び推定質問文章生成部を含み、
   前記会話履歴データ取得部は、終了した会話の文字データである会話履歴データを取得し、
   前記会話履歴データは、複数の文章データから構成され、
   前記文章タイプ識別部は、前記文章データ毎に文章タイプを識別し、
   前記文章タイプは、質問タイプと、回答タイプとを含み、
   前記質問回答表生成部は、前記識別の結果に基づき、前記質問タイプの文章データと前記回答タイプの文章データとを紐づけて質問回答表を生成し、
   前記未送信文章取得部は、継続中の会話において、他のユーザへの送信前である未送信回答文章を取得し、
   前記推定質問文章生成部は、前記質問回答表及び前記未送信回答文章に基づき、前記未送信回答文章に対応する推定質問文章を生成する、質問推定装置。
2. 前記文章タイプ識別部は、不要文識別部、不要文削除部、形態素解析部、及び識別部を含み、
   前記不要文識別部は、前記文章データ内の不要文を識別し、
   前記不要文削除部は、前記識別した不要文を前記文章データから削除し、
   前記形態素解析部は、前記文章データに対して文単位で形態素解析を行い、
   前記識別部は、前記形態素解析に基づき、予め設定した文末表現ルールに従って、前記文章データの文章タイプを識別する、請求項１記載の質問推定装置。
3. 前記推定質問文章生成部は、質問文章推定モデルに、取得した前記未送信回答文章を入力して、前記未送信回答文章に対応する推定質問文章を生成し、
   前記質問文章推定モデルは、入力された未送信回答文章から前記未送信回答文章に対応する推定質問文章を生成するように学習されたモデルである、請求項１又は２記載の質問推定装置。
4. さらに、学習処理部を含み、
   前記学習処理部は、前記質問回答表における前記質問文章を教師データとし、前記質問タイプの文章データと紐づけられている前記回答タイプの文章データを入力データとして、教師付き機械学習により前記質問文章推定モデルを構築し、
   前記推定質問文章生成部は、前記構築した質問文章推定モデルに、取得した前記未送信回答文章を入力して、前記未送信回答文章に対応する推定質問文章を生成する、請求項１から３のいずれか一項に記載の質問推定装置。
5. さらに、出力部、質問文章取得部、及び類似度分析部を含み、
   前記質問文章取得部は、継続中の会話における送信済みであって且つ他のユーザが送信した質問タイプの文章データを取得し、
   前記類似度分析部は、前記送信済みの質問タイプの文章データと前記生成した推定質問文章と比較して類似度を分析し、
   前記出力部は、前記類似度を出力ずる、請求項１から４のいずれか一項に記載の質問推定装置。
6. データ取得部、及び学習済みモデル生成部を含み、
   前記データ取得部は、回答タイプの文章データと紐づけた質問タイプの文章データを教師データとして取得し、
   前記学習済みモデル生成部は、前記教師データを用いた機械学習によって、前記回答タイプの文章データを入力した場合に、前記回答タイプの文章データに対応する推定質問文章を生成して出力する第１の学習済みモデルを生成する、学習済みモデル生成装置。
7. 会話履歴データ取得工程、文章タイプ識別工程、質問回答表生成工程、未送信文章取得工程、及び推定質問文章生成工程を含み、
   前記会話履歴データ取得工程は、終了した会話の文字データである会話履歴データを取得し、
   前記会話履歴データは、複数の文章データから構成され、
   前記文章タイプ識別工程は、前記文章データ毎に文章タイプを識別し、
   前記文章タイプは、質問タイプと、回答タイプとを含み、
   前記質問回答表生成工程は、前記識別の結果に基づき、前記質問タイプの文章データと前記回答タイプの文章データとを紐づけて質問回答表を生成し、
   前記未送信文章取得工程は、継続中の会話において、他のユーザへの送信前である未送信回答文章を取得し、
   前記推定質問文章生成工程は、前記質問回答表及び前記未送信回答文章に基づき、前記未送信回答文章に対応する推定質問文章を生成する、質問推定方法。
8. データ取得工程、及び学習済みモデル生成工程を含み、
   前記データ取得工程は、回答タイプの文章データと紐づけた質問タイプの文章データを教師データとして取得し、
   前記学習済みモデル生成工程は、前記教師データを用いた機械学習によって、前記回答タイプの文章データを入力した場合に、前記回答タイプの文章データに対応する推定質問文章を生成して出力する第１の学習済みモデルを生成する、学習済みモデルの生産方法。
9. コンピュータに、会話履歴データ取得手順、文章タイプ識別手順、質問回答表生成手順、未送信文章取得手順、及び推定質問文章生成手順を含む手順を実行させるためのプログラム：
   前記会話履歴データ取得手順は、終了した会話の文字データである会話履歴データを取得し、
   前記会話履歴データは、複数の文章データから構成され、
   前記文章タイプ識別手順は、前記文章データ毎に文章タイプを識別し、
   前記文章タイプは、質問タイプと、回答タイプとを含み、
   前記質問回答表生成手順は、前記識別の結果に基づき、前記質問タイプの文章データと前記回答タイプの文章データとを紐づけて質問回答表を生成し、
   前記未送信文章取得手順は、継続中の会話において、他のユーザへの送信前である未送信回答文章を取得し、
   前記推定質問文章生成手順は、前記質問回答表及び前記未送信回答文章に基づき、前記未送信回答文章に対応する推定質問文章を生成する。
10. コンピュータに、データ取得手順、及び学習済みモデル生成手順を含む手順を実行させるためのプログラム：
    前記データ取得手順は、回答タイプの文章データと紐づけた質問タイプの文章データを教師データとして取得し、
    前記学習済みモデル生成手順は、前記教師データを用いた機械学習によって、前記回答タイプの文章データを入力した場合に、前記回答タイプの文章データに対応する推定質問文章を生成して出力する第１の学習済みモデルを生成する。

Images