JP2022102626A - 訓練データセット生成システム、訓練データセット生成方法、およびリペアリコメンドシステム - Google Patents

Abstract

【課題】訓練データセットを適切に生成し得る訓練データセット生成システムを提供する。【解決手段】記憶装置が、アセットの修理の内容を識別可能な情報である修理クラスごとに修理に用いる部品を示す情報を含む修理情報と、修理クラスとアセットの現象を示す現象情報とを含む修理履歴情報と、アセットを構成する各部品についての上位と下位との関係を示すアセット構成情報とを記憶し、プロセッサが、アセット構成情報を用いて、修理情報の部品の修理クラスを上位の部品の修理クラスに統合することを示す統合パターンの候補を１以上生成し、生成した統合パターンの候補から、所定の条件に合う統合パターンを取り除いて統合パターンを選定し、選定した統合パターンを用いて修理履歴情報の修理クラスを統合することで、アセットの修理を推薦する推薦モデルを学習するための訓練データセットを生成するようにした。【選択図】図２

Description

本発明は、概して、アセットの修理を推薦する推薦モデルを学習するための訓練データセットの生成に関する。

近年、ＩｏＴ（Internet of Things）による産業のデジタル化を背景に、工場、物流、発電施設等では、機器、設備、車両等、多種多様なアセットが運用されている。これらのアセットは、ときに電気的、機械的等の理由で故障が発生することがある。アセットの故障が発生したときには、部品の交換、修繕等の修理を施すことで、運用に大きな支障が出ないようにすることが重要である。

しかしながら、アセットの複雑化、熟練した修理員の不足等から、適切な修理が成されない場合がある。そこで、アセットに関する故障時の情報とアセットに施した修理の情報との組を収集した修理履歴情報をもとに適切な修理を推薦することで熟練した修理員を補い、アセットを安定的に運用できるシステム（「リペアリコメンドシステム」と呼ぶ）が実現されつつある。

リペアリコメンドシステムには、過去の情報から、特定の事象の相関および関係性を統計的に導き出す機械学習技術が多数活用されている。リペアリコメンドシステムでは、修理履歴情報に含まれるアセットに関する故障時の情報と修理クラスとを学習する教師あり学習と呼ばれる枠組みに基づいて、適切な修理を推薦するモデル（「推薦モデル」と呼ぶ）を構築する。修理クラスは、修理（修理作業）の内容が一意に定まる番号であり、修理の修理名称、修理に使用される部品の部品番号等が紐づけられた修理情報としてまとめられていることが多い。ここで、推薦モデルの学習に使用されるデータセットを「訓練データセット」と呼ぶ。

例えば、不具合情報と、該不具合に対処した保守作業である一連の操作と、を記憶して学習することにより、不具合対策の知見の蓄積と、不具合が発生した場合に、学習結果から適切な一連の操作を推論することで、保守効率を向上するエレベータシステムが開示されている（特許文献１参照）。

特開２０１９－０１８９７９号公報

機械学習を用いるリペアリコメンドシステムでは、予測対象の修理クラスの数が多すぎる場合、推薦モデルが新たに発生した故障に対して正しい修理クラスを推薦できる割合（「精度」と呼ぶ）が低くなってしまう。

上記のような問題に対しては、ユーザにとってリペアリコメンドシステムの利用価値が損なわれない範囲で複数の修理クラスを統合することで、修理クラスの数を調整するアプローチが考えられる。ここで、ユーザにとってリペアリコメンドシステムの利用価値が損なわれない範囲とは、少なくとも、修理の対象である部位および部品（「部品」と呼ぶ。）を特定できる範囲である。

しかしながら、ユーザにとってリペアリコメンドシステムの利用価値が損なわれない範囲で修理クラスの数を調整した訓練データセットを手作業で生成するのは困難である。また、特許文献１には、ユーザにとってリペアリコメンドシステムの利用価値が損なわれない範囲で修理クラスの数を調整した訓練データセットを生成する技術について開示されていない。

本発明は、以上の点を考慮してなされたもので、訓練データセットを適切に生成し得る訓練データセット生成システム等を提案しようとするものである。

かかる課題を解決するため本発明においては、情報を記憶する１以上の記憶装置と、前記記憶装置に接続されている１以上のプロセッサと、を備え、前記記憶装置が、アセットの修理の内容を識別可能な情報である修理クラスごとに前記修理に用いる部品を示す情報を含む修理情報と、前記修理クラスと前記アセットの現象を示す現象情報とを含む修理履歴情報と、前記アセットを構成する各部品についての上位と下位との関係を示すアセット構成情報とを記憶し、前記プロセッサが、前記アセット構成情報を用いて、前記修理情報の部品の修理クラスを上位の部品の修理クラスに統合することを示す統合パターンの候補を１以上生成し、生成した統合パターンの候補から、所定の条件に合う統合パターンを取り除いて統合パターンを選定し、選定した統合パターンを用いて前記修理履歴情報の修理クラスを統合することで、前記アセットの修理を推薦する推薦モデルを学習するための訓練データセットを生成するようにした。

上記構成では、アセット構成情報を用いて修理情報の部品の修理クラスが上位の部品の修理クラスに統合されるので、部品を特定できる範囲で統合された修理クラスに対応した訓練データセットを生成することができる。

本発明によれば、訓練データセットを適切に生成することができる。

第１の実施の形態による修理クラスの数と推薦モデルの精度との関係を示す図である。 第１の実施の形態によるリペアリコメンドシステムが備える機能構成の一例である。 第１の実施の形態によるリペアリコメンドシステムのハードウェア構成の一例である。 第１の実施の形態による修理履歴情報の一例を示す図である。 第１の実施の形態による修理情報の一例を示す図である。 第１の実施の形態による製造情報の一例を示す図である。 第１の実施の形態による部品構造の一例を示す図である。 第１の実施の形態による統合パターンの一例を示す図である。 第１の実施の形態による非統合先部品番号の一例を示す図である。 第１の実施の形態による訓練データセットの一例を示す図である。 第１の実施の形態による統合後修理情報の一例を示す図である。 第１の実施の形態による学習フェーズのフローの一例を示す図である。 第１の実施の形態による訓練データセット生成処理の一例を示す図である。 第１の実施の形態による統合パターン候補の一例を示す図である。 第１の実施の形態による統合パターン候補選定の一例を示す図である。 第１の実施の形態による訓練データセット候補選定の一例を示す図である。 第１の実施の形態による推薦フェーズの処理フローの一例を示す図である。 第１の実施の形態による修理履歴情報入力画面の一例を示す図である。 第１の実施の形態による製造情報入力画面の一例を示す図である。 第１の実施の形態による非統合先部品番号入力画面の一例を示す図である。 第１の実施の形態による現象文章入力画面の一例を示す図である。 第１の実施の形態による推薦結果表示画面の一例を示す図である。

（Ｉ）第１の実施の形態
以下、実施の形態について、図面を用いて詳細に説明する。ただし、本発明は、以下に示す実施の形態の記載内容に限定して解釈されるものではない。本発明の思想ないし趣旨から逸脱しない範囲で、その具体的構成を変更し得ることは当業者であれば容易に理解される。

以下に説明する発明の構成において、同一部分または同様な機能を有する部分には同一の符号を異なる図面間で共通して用い、重複する説明は省略することがある。

同一または同様な機能を有する要素が複数ある場合には、同一の符号に異なる添字を付して説明する場合がある。ただし、複数の要素を区別する必要がない場合には、添字を省略して説明する場合がある。

本明細書等における「第１」、「第２」、「第３」等の表記は、構成要素を識別するために付するものであり、必ずしも、数、順序、もしくはその内容を限定するものではない。また、構成要素の識別のための番号は、文脈毎に用いられ、１つの文脈で用いた番号が、他の文脈で必ずしも同一の構成を示すとは限らない。また、ある番号で識別された構成要素が、他の番号で識別された構成要素の機能を兼ねることを妨げるものではない。

図面等において示す各構成の位置、大きさ、形状、範囲等は、発明の理解を容易にするため、実際の位置、大きさ、形状、範囲等を表していない場合がある。このため、本発明は、必ずしも、図面等に開示された位置、大きさ、形状、範囲等に限定されない。本明細書で引用した刊行物、特許および特許出願は、そのまま本明細書の説明の一部を構成する。

以下、適宜図面を参照しながら本発明を実施するための代表的な形態を説明する。本実施の形態では、上記でも挙げたアセットが不調、故障となったときに、修理履歴情報に基づいて適切な修理クラスを推薦するリペアリコメンドシステムで用いる訓練データセット生成装置を詳細に説明する。

＜１．概略＞
図１は、修理クラスの数と推薦モデルの精度との関係を示す図である。図１には、修理履歴情報に含まれる修理クラスの数に対する推薦モデルの精度を示すグラフ１が示されている。ここで、ネジ、ワッシャ等、アセットにとって過度に具体的な部品を修理クラスとして推薦モデルの予測対象とする場合、修理クラスの数が増えることでそれぞれの修理クラスを使用したデータ件数が少なくなり、推薦モデルの精度が低くなってしまう。その結果、リペアリコメンドシステム（ＲＲ）のユーザが、推薦結果を信用できなくなり、実際に作業を実施してもらえなくなってしまう。一方、過度に抽象的な部品を修理クラスとして推薦モデルの予測対象とする場合、推薦モデルの精度は、高くなるものの、抽象的な部品には多くの部品が含まれることとなり、部品の交換費用、部品の交換時間等が大きくなってしまう。

この点、本実施の形態では、ユーザにとってリペアリコメンドシステムの利用価値が損なわれない範囲で複数の修理クラスを統合することで、修理クラスの数を調整する。ここで、ユーザにとってリペアリコメンドシステムの利用価値が損なわれない範囲の統合としては、例えば、以下に述べるルールに従った統合が挙げられる。

１つ目は、統合元の修理クラスの部品らを組み合わせた上位に位置する部品（「上位部品」と呼ぶ）の修理クラスで統合することである。これは、修理対象の部品を特定できるようにするためである。２つ目は、ユーザが統合したくない部品を統合しないことである。これは、結合元のクラスの部品代と比べて上位部品の部品代が高い場合等は統合しないといったユーザが所望する条件で統合できるようにするためである。上記２つのルールに限るものではなく、１つ目のルールだけであってもよいし、その他のルールがあってもよい。

本実施の形態では、ユーザにとってリペアリコメンドシステムの利用価値が損なわれない範囲で複数の修理クラスを統合して修理クラスの数を調整した訓練データセットを生成し、精度の高いリペアリコメンドシステムを実現する構成について説明する。

なお、図１では、リペアリコメンドシステムの利用価値を損なわない修理クラスの数が「１０」～「１００」の間に設定されることを例示しているが、修理クラスの数は、この範囲に設定されるとは限らない。修理クラスの数は、「１０」以下に設定されることも、「１００」以上に設定されることもある。

次に、図２を参照して、修理履歴情報の収集、訓練データセットの生成、推薦モデルの学習を行うまでの流れ（「学習フェーズ」と呼ぶ）と、アセット１３の現象に関する文章から修理クラスを推薦するまでの流れ（「推薦フェーズ」と呼ぶ）とに分けて、リペアリコメンドシステム１０の概略を説明する。アセット１３は、機器、設備、車両等である。

＜１－１．学習フェーズ＞
まず、学習フェーズにおいて、修理員１５は、アセット１３の現象に関する文章（修理員１５が入力したアセット１３の現象に関する文章を以下「現象文章」と記すことがある）と、アセット１３の現象を直すために実施した修理の修理名称と、修理に使用された部品の部品番号とを、修理員端末１２を介してリペアリコメンドシステム１０に送る。リペアリコメンドシステム１０は、管理情報受付部１０３１で修理員１５から送られた情報を受け付ける。リペアリコメンドシステム１０は、送られてきた修理名称と修理に使用された部品の部品番号との組に修理クラスを付与し、修理情報管理部１０１２で修理情報として管理する。リペアリコメンドシステム１０は、送られてきた現象文章と付与した修理クラスとの組を生成し、修理履歴情報管理部１０１１で修理履歴情報として管理する。

また、管理者１４は、管理者端末１１を介して、アセット１３を構成する部品の部品名称（部品番号）および部品構成に関する情報が記載されている製造情報をリペアリコメンドシステム１０に送る。リペアリコメンドシステム１０は、管理情報受付部１０３１で管理者１４から送られた製造情報を受け付ける。リペアリコメンドシステム１０は、送られてきた製造情報を、製造情報管理部１０１３で製造情報として管理する。

次に、管理者１４は、任意のタイミングで、管理者端末１１を介して、訓練データセットの生成命令をリペアリコメンドシステム１０に送る。リペアリコメンドシステム１０は、訓練データセットの生成命令を受け付けると、修理履歴情報管理部１０１１で管理している修理履歴情報と、修理情報管理部１０１２で管理している修理情報と、製造情報管理部１０１３で管理している製造情報とを、訓練データセット生成装置１０２に送る。

訓練データセット生成装置１０２は、まず、統合パターン候補生成部１０２１にて、修理情報に含まれる各修理クラスをどのように統合するかを示した統合パターンを、候補として１つまたは複数生成する。ここで、訓練データセット生成装置１０２は、統合先の修理クラスの部品については、製造情報に基づいて、統合元の修理クラスの部品らを組み合わせた上位部品になるようにする。

次に、統合パターン候補選定部１０２２は、管理者１４に、管理者端末１１を介して、統合しない修理クラスに関する情報を要求する。管理者１４は、統合しない修理クラスに関する情報を、管理者端末１１を介して、統合パターン候補選定部１０２２に送る。そして、統合パターン候補選定部１０２２は、統合しない修理クラスを統合している統合パターンを統合パターン候補から取り除く。

次に、訓練データセット候補生成部１０２３は、統合パターン候補を用いて、修理履歴情報に含まれる修理クラスを統合した訓練データセットを候補として１つまたは複数生成する。

そして、訓練データセット候補選定部１０２４は、訓練データセット候補から１つの訓練データセットを選定し、訓練データセット管理部１０１４に送る。また、訓練データセット候補選定部１０２４は、統合した修理クラスの修理名称と修理に使用された部品の部品番号とに基づいて新たに生成した修理情報（「統合後修理情報」と呼ぶことがある）を、修理情報管理部１０１２に送る。

その後、推薦モデル学習部１０３２は、訓練データセット管理部１０１４で管理する訓練データセットを用いて、現象文章から各修理クラスの推薦確率を出力する推薦モデルを学習する。学習された推薦モデルは、推薦モデル管理部１０１５で管理される。

＜１－２．推薦フェーズ＞
次に、推薦フェーズにおいて、修理員１５は、修理員端末１２を介して、アセット１３の現象に関する文章（現象文章）をリペアリコメンドシステム１０に送る。リペアリコメンドシステム１０の現象文章受付部１０４１は、修理員１５から送られた現象文章を受け付ける。

次に、推薦結果算出部１０４２は、推薦モデル管理部１０１５で管理されている推薦モデルを用いて、送られてきた現象文章に対する修理クラスと修理クラスの推薦確率との組を生成する。

そして、推薦結果表示部１０４３は、修理情報管理部１０１２で管理している学習フェーズで新たに生成した修理情報（統合後修理情報）から、各修理クラスに該当する修理名称と修理に使用される部品の部品番号とを取り出し、修理クラスの推薦確率が高い順に並び替えた結果を、修理員端末１２を介して修理員１５に提示する。なお、推薦結果表示部１０４３は、そのものが画像モニタ等の物理的な表示機能を備える必要はない。推薦結果表示部１０４３は、修理員端末１２にデータを送信し、修理員端末１２の液晶画面等にブラウザ等を利用して画像を表示させることにより表示を行うものであってもよい。

＜２．システム構成＞
＜２－１．機能ブロック＞
図２を用いて本実施の形態に係るシステム２の構成を説明する。本システム２は、構成要素として、リペアリコメンドシステム１０と、管理者１４が操作する管理者端末１１と、修理員１５が操作する修理員端末１２と、修理員１５が操作するアセット１３とを備える。これらの構成要素は、有線または無線によるネットワーク１６で相互に接続されている。ネットワーク１６自体は、ＬＡＮ（Local Area Network）、ＷＡＮ（Wide Area Network）等で構成される。なお、上記構成要素は、一例であって、構成要素数は、増減してもよい。例えば、分散処理のため、リペアリコメンドシステム１０が複数に分かれていてもかまわない。

リペアリコメンドシステム１０の詳細について説明する。リペアリコメンドシステム１０は、管理部１０１と訓練データセット生成装置１０２と学習部１０３と推薦部１０４とを備える。管理部１０１は、修理履歴情報管理部１０１１と修理情報管理部１０１２と製造情報管理部１０１３と訓練データセット管理部１０１４と推薦モデル管理部１０１５とを備える。訓練データセット生成装置１０２は、統合パターン候補生成部１０２１と統合パターン候補選定部１０２２と訓練データセット候補生成部１０２３と訓練データセット候補選定部１０２４とを備える。学習部１０３は、管理情報受付部１０３１と推薦モデル学習部１０３２とを備える。推薦部１０４は、現象文章受付部１０４１と推薦結果算出部１０４２と推薦結果表示部１０４３とを備える。なお、推薦フェーズでは、例えば、学習部１０３については省略可能である。

＜２－２．機能およびハードウェア＞
次に、図２と図３とを参照して機能とハードウェアとの対応を説明する。図２は、リペアリコメンドシステム１０が備える機能構成の一例を示している。図３は、リペアリコメンドシステム１０のハードウェア構成の一例を示している。当該ハードウェアは、例えばサーバ装置のようなコンピュータで構成される。

図２に示すリペアリコメンドシステム１０が備える管理部１０１と訓練データセット生成装置１０２と学習部１０３と推薦部１０４とは、図３に示すＣＰＵ（Central Processing Unit）１Ｈ１０１と、ＲＯＭ（Read Only Memory）１Ｈ１０２と、ＲＡＭ（Random Access Memory）１Ｈ１０３と、外部記憶装置１Ｈ１０４と、通信Ｉ／Ｆ（Interface）１Ｈ１０５と、マウス、キーボード等に代表される外部入力装置１Ｈ１０６と、ディスプレイ等に代表される外部出力装置１Ｈ１０７とを備える。ＣＰＵ１Ｈ１０１が、ＲＯＭ１Ｈ１０２または外部記憶装置１Ｈ１０４に格納されたプログラムをＲＡＭ１Ｈ１０３に読み込み、通信Ｉ／Ｆ１Ｈ１０５、外部入力装置１Ｈ１０６、外部出力装置１Ｈ１０７を制御することで、各種機能が実現される。

本実施の形態では、コンピュータにおける計算、制御等の機能は、ＲＯＭ１Ｈ１０２、外部記憶装置１Ｈ１０４等の記憶装置に格納されたプログラムがＣＰＵ１Ｈ１０１等のプロセッサによって実行されることで、定められた処理を他のハードウェアと協働して実現される。コンピュータ等が実行するプログラム、その機能、またはその機能を実現する手段を、「機能」、「手段」、「部」、「ユニット」、「モジュール」、「モデル」等と呼ぶ場合がある。

リペアリコメンドシステム１０の構成は、単体のコンピュータで構成してもよいし、任意の部分が、ネットワークで接続された他のコンピュータで構成されてもよい。発明の思想としては等価であり、変わるところがない。また、本実施の形態中、ソフトウェアで構成した機能と同等の機能は、ＦＰＧＡ（Field Programmable Gate Array）、ＡＳＩＣ（Application Specific Integrated Circuit）等の回路（ハードウェア）でも実現できる。

＜２－３．データ構造＞
図４を用いて、リペアリコメンドシステム１０の管理部１０１の修理履歴情報管理部１０１１が管理する修理履歴情報１Ｄ１を説明する。修理履歴情報１Ｄ１は、管理情報受付部１０３１がアセット１３の現象に関する文章（現象文章）と、修理の修理名称と、修理に使用された部品の部品番号との組が、修理員端末１２を介して収集され、それらが結合されたアセットの修理単位のデータである。修理履歴情報１Ｄ１は、修理単位を特定する来歴Ｎｏ１Ｄ１１と、修理が実施された日時１Ｄ１２と、アセット１３の現象に関する文章を示す現象文章１Ｄ１３と、修理クラス１Ｄ１４とを備える。修理クラスについては、後述するが、実施した修理の修理名称と修理に使用された部品の部品番号とが紐づけられている。なお、本実施の形態では、修理履歴情報１Ｄ１は、上記項目を備えるが、アセット１３に関するその他の項目が含まれてもよいし、上記項目の一部の項目を備えてもよい。

図５を用いて、リペアリコメンドシステム１０の管理部１０１の修理情報管理部１０１２が管理する修理情報１Ｄ２を説明する。修理情報１Ｄ２は、修理員端末１２を介して収集された修理の修理名称と修理に使用された部品の部品番号との組に、当該組を一意に定める修理クラスが付与されたデータである。修理情報１Ｄ２は、修理員端末１２を介して収集された修理の修理名称と修理に使用された部品の部品番号との組を一意に定める番号を示す修理クラス１Ｄ２１と、修理の修理名称を示す修理名称１Ｄ２２と、修理に使用された部品の部品番号を示す部品番号１Ｄ２３とを備える。なお、本実施の形態では、修理情報１Ｄ２は、上記項目を備えるが、修理手順書等に紐づけられた修理種別、修理手順書等のファイルまたはＵＲＬ（Uniform Resource Locator）等、修理作業に関する項目を備えていても構わない。

図６と図７とを用いて、リペアリコメンドシステム１０の管理部１０１の製造情報管理部１０１３が管理する製造情報１Ｄ３を説明する。製造情報１Ｄ３は、アセット１３を構成する部品を階層構造で示したデータである。製造情報１Ｄ３は、上位部品の番号を示す上位部品番号１Ｄ３１と、当該上位部品を構成する下位部品の番号を示す下位部品番号１Ｄ３２とを備える。製造情報１Ｄ３に示す階層構造をグラフで表現したものが、図７に示す部品構造１Ｓ１である。なお、本実施の形態では、製造情報１Ｄ３としてＢＯＭ（Bill Of Materials：部品表）が用いられる。製造情報１Ｄ３としては、ＢＯＭだけでなく、設計図面、マニュアルの部品展開表等、アセット１３の設計に使用された資料データが用いられてもよい。また、製造情報１Ｄ３については、表形式だけでなく、隣接リスト、ＪＳＯＮ（JavaScript（登録商標） Object Notation）等の構造化形式で表現されてもよい。

図８を用いて、リペアリコメンドシステム１０の統合パターン候補生成部１０２１で生成する、修理情報に含まれる各修理クラスをどのように統合するかを示した統合パターン１Ｄ４を説明する。統合パターン１Ｄ４は、修理情報１Ｄ２の修理クラス１Ｄ２１を示す統合元修理クラス１Ｄ４１と、修理情報１Ｄ２の部品番号１Ｄ２３を示す統合元部品番号１Ｄ４２と、１つまたは複数の統合元クラスが統合された統合先の修理クラスを示す統合先修理クラス１Ｄ４３と、１つまたは複数の統合元部品番号が統合された統合先の部品番号を示す統合先部品番号１Ｄ４４を備える。

図９を用いて、リペアリコメンドシステム１０の統合パターン候補選定部１０２２が、管理者端末１１を介して収集した統合先にしない修理クラスの部品番号を示す非統合先部品番号１Ｄ５を説明する。非統合先部品番号１Ｄ５は、統合先にしない部品番号１Ｄ５１を備える。後述するが、統合先にしない部品番号１Ｄ５１に記載されている部品番号に統合する統合パターン１Ｄ４は、統合パターン候補選定部１０２２にて候補から取り除かれる。

図１０を用いて、リペアリコメンドシステム１０の訓練データセット候補生成部１０２３で生成する訓練データセット１Ｄ６を説明する。訓練データセット１Ｄ６は、修理履歴情報１Ｄ１の現象文章１Ｄ１３を示す現象文章１Ｄ６１と、統合パターン１Ｄ４の統合先修理クラス１Ｄ４３で修理履歴情報１Ｄ１の修理クラス１Ｄ１４が変換された修理クラス１Ｄ６２とを備える。後述するが、訓練データセット１Ｄ６は、推薦モデル学習部１０３２において推薦モデルの学習に使用される。

図１１を用いて、リペアリコメンドシステム１０の訓練データセット候補選定部１０２４で生成する統合後修理情報１Ｄ７を説明する。統合後修理情報１Ｄ７は、訓練データセット１Ｄ６に使用された統合パターン１Ｄ４の修理クラス１Ｄ４３が記載された修理クラス１Ｄ７１と、統合元となった１つまたは複数の修理クラスに紐づけられた修理名称１Ｄ２２が結合された修理名称を示す修理名称１Ｄ７２と、統合パターン１Ｄ４の統合先部品番号１Ｄ４４が記載された部品番号１Ｄ７３とを備える。

ここで、入力データの一例として、リペアリコメンドシステム１０の推薦部１０４の現象文章受付部１０４１が受け付ける推薦受付情報を説明する。推薦受付情報は、アセット１３の現象文章が、修理員端末１２を介して現象文章受付部１０４１により受け取られた入力データである（図２１に入力例を示す）。推薦受付情報は、現象文章の項目を備える。なお、本実施の形態では、現象文章受付部１０４１が受け付ける推薦受付情報は、上記項目を備えるが、アセット１３に関するその他の項目があってもよい。

また、出力データの一例として、リペアリコメンドシステム１０の推薦部１０４の推薦結果算出部１０４２が出力する推薦結果を説明する。推薦結果は、現象文章受付部１０４１に送られてきた現象文章に基づいて、推薦結果算出部１０４２が推薦モデル管理部１０１５の推薦モデルを用いて算出した修理クラスと修理クラスの推薦確率とに関する出力データである（図２２に表示例を示す）。推薦結果は、修理クラスの項目と推薦確率の項目とを備える。

＜３．学習フェーズの処理フロー＞
次に、図１２～図１６を用いて学習フェーズの処理フローを説明する。

＜３－１．全体フロー＞
図１２を用いて、全体の流れを説明する。まず、管理情報受付部１０３１が、修理員１５から修理員端末１２を介して送られてきた修理実績情報を収集する（ステップ１Ｆ１０１）。より具体的には、管理情報受付部１０３１は、現象文章と、故障を直すために実施された修理の修理名称と、修理に使用された部品の部品番号とを収集する。

次に、修理情報管理部１０１２は、収集された修理名称と修理に使用された部品の部品番号との組に修理クラスを付与し、修理情報１Ｄ２として登録する（ステップ１Ｆ１０２）。ここで、収集された修理名称と修理に使用された部品の部品番号との組と同じ組が修理情報管理部１０１２に登録されている場合は、登録されている組の修理クラスと同じ修理クラスを収集された組に付与し、収集された組を修理情報として修理情報管理部１０１２に登録しない。

次に、修理履歴情報管理部１０１１は、収集された現象文章と付与された修理クラスとの組を、修理履歴情報１Ｄ１として登録する（ステップ１Ｆ１０３）。

次に、製造情報管理部１０１３は、管理者１４により管理者端末１１を介して入力された、アセット１３を構成する部品の部品名称および部品構成に関する情報を、製造情報１Ｄ３として登録する（ステップ１Ｆ１０４）。

なお、ステップ１Ｆ１０１とステップ１Ｆ１０２とステップ１Ｆ１０３とステップ１Ｆ１０４とは、順番が前後してもよいし、修理履歴情報、修理情報、および製造情報が各管理部に事前に登録されているならば、ステップを飛ばしてもよい。

次に、訓練データセット生成装置１０２は、管理者１４により任意のタイミングで管理者端末１１を介して送信された訓練データセットの生成命令に基づいて、訓練データセット生成処理を行う（ステップ１Ｆ１０５）。訓練データセット生成処理では、訓練データセット生成装置１０２は、修理履歴情報１Ｄ１と、修理情報１Ｄ２と、製造情報１Ｄ３とを用いて、訓練データセット１Ｄ６を生成し、訓練データセット管理部１０１４に登録する。なお、訓練データセット生成処理については、図１３～図１６を用いて説明する。

次に、推薦モデル学習部１０３２は、訓練データセット管理部１０１４の訓練データセット１Ｄ６から現象文章１Ｄ６１と修理クラス１Ｄ６２との組を一部または全て取り出す。次に、推薦モデル学習部１０３２は、現象文章１Ｄ６１と修理クラス１Ｄ６２とに基づいて修理クラスの推薦確率を出力する推薦モデルを学習させる。そして、推薦モデル学習部１０３２は、学習させた推薦モデルを推薦モデル管理部１０１５に登録する（ステップ１Ｆ１０６）。

なお、本実施の形態では、推薦モデルに、現象文章１Ｄ６１を形態素解析により分割した単語（例えば、名詞、動詞）単位のＢｏＷ（Bag of Words）により数値化したものを入力とするＳＶＭ（Support Vector Machine）を使用する。なお、n-gram、Subword等で現象文章１Ｄ１３を分割してもよいし、単純ベイズ分類器、ニューラルネット等のモデルを使用してもよい。いずれのモデルも公知であるため、詳細な説明は省略する。

＜３－２．訓練データセットの生成＞
次に、図１３～図１６を用いて、訓練データセット生成処理（ステップ１Ｆ１０５）について詳細を説明する。

まず、統合パターン候補生成部１０２１は、製造情報管理部１０１３で管理している製造情報１Ｄ３を用いて、修理情報管理部１０１２で管理している修理情報１Ｄ２の部品番号１Ｄ２３の上位に位置する部品番号（「上位部品番号」と呼ぶ）を総当たりで探索し、統合パターン１Ｄ４の候補（統合パターン候補）を生成する（ステップ１Ｆ１０５１）。

図１４に修理情報１Ｄ２（図５）と製造情報１Ｄ３（図６）とを用いて生成した統合パターン候補を示す。統合パターン１（１Ｄ４Ａ）は、上位部品番号に統合していない統合パターンを示している。統合パターン２（１Ｄ４Ｂ）は、統合パターン１（１Ｄ４Ａ）から部品番号「ＳＥ２００」と部品番号「ＳＦ４０４」とを統合して上位部品番号「ＳＢ３００」に統合した統合パターンを示している。統合パターンＣ（１Ｄ４Ｃ）は、上位部品番号への統合を繰り返すことで最も上位の部品を示す部品番号「Ｓ１」に統合した統合パターンを示している。

なお、総当たりで探索する方法は、上位部品から徐々に下位部品に展開することを繰り返して統合パターン候補を生成する方法でもよいし、各修理クラスの部品番号の上位部品番号を全て列記したあと、同じ上位部品番号を持つ各修理クラスを統合することを繰り返して統合パターン候補を生成する方法でもよく、最終的に統合パターン候補が漏れなく生成できればよい。

次に、統合パターン候補選定部１０２２は、管理者１４に、管理者端末１１を介して、統合先にしない修理クラスに関する情報を要求する（ステップ１Ｆ１０５２）。本実施の形態では、非統合先部品番号１Ｄ５が指定される。統合先にしない修理クラスの部品番号は、例えば、統合元の部品らの部品代と比べて部品代が高い部品の部品番号、操作情報を記録した記憶装置等、交換することで情報が消える等の副作用を発生させてしまう部品の部品番号等である。なお、統合先にしない修理クラスが直接指定されてもよい。

次に、統合パターン候補選定部１０２２は、ステップ１Ｆ１０５１で生成された統合パターン候補を選定する（ステップ１Ｆ１０５３）。例えば、統合パターン候補選定部１０２２は、ステップ１Ｆ１０５１で生成された統合パターン候補から、統合先にしない部品番号を統合先にしている統合パターンを取り除く。これにより、リペアリコメンドシステムが対象とする業務の状況を反映した修理クラスを推薦できる。

また、例えば、統合パターン候補選定部１０２２は、修理情報に含まれる２つ以上の修理クラス間で異なる修理名称かつ同じ部品番号となる組があり、かつその組を１つの統合先修理クラスに統合している統合パターンを取り除く。例えば、図１５に示すように、製造情報１Ｄ３の「ＳＤ１」のように複数の上位部品で汎用的に使われる部品を１つの部品番号「ＳＣ８０８」に統合してしまうと、「Ｓ１」を直接構成する「ＳＤ１」を推薦できなくなってしまう。このような統合パターンを取り除くことにより、汎用的に使われる部品を一部の上位部品に統合してしまい、誤った推薦をしてしまうことを防ぐことができる。

次に、訓練データセット候補生成部１０２３は、修理履歴情報管理部１０１１で管理している修理履歴情報１Ｄ１から現象文章１Ｄ１３と修理クラス１Ｄ１４とを取り出す。そして、訓練データセット候補生成部１０２３は、ステップ１Ｆ１０５１で生成された統合パターン候補ごとに、修理クラス１Ｄ１４に含まれる各修理クラスを統合パターン候補の統合先修理クラス１Ｄ４３で置換し、訓練データセット１Ｄ６を生成する（ステップ１Ｆ１０５４）。

次に、訓練データセット候補選定部１０２４は、生成された訓練データセット候補から１つの訓練データセットを選定し、訓練データセット管理部１０１４に登録する。また、訓練データセット候補選定部１０２４は、選定した訓練データセットに使用した統合パターンから、統合後修理情報１Ｄ７を生成し、修理情報管理部１０１２に登録する（ステップ１Ｆ１０５５）。

より具体的には、図１６に示すように、訓練データセット候補選定部１０２４は、ステップ１６０１（ステップ１Ｆ１０５４）で生成された訓練データセット候補について、第１の選定処理１６１０～第３の選定処理１６３０のうちの何れかを行う。

（第１の選定処理１６１０）
訓練データセット候補選定部１０２４は、各統合パターンを適用した訓練データセット候補を用いて学習し（ステップ１６１１）、学習した推薦モデルの精度を算出し、算出した制度に基づいて訓練データセットを選定する（ステップ１６１２）。

より具体的には、訓練データセット候補選定部１０２４は、まず、各訓練データセット候補に対して、訓練データセットのうち８割を学習データセット、２割をテストデータセットとして分割する。次に、訓練データセット候補選定部１０２４は、学習データセットを推薦モデルに学習させ、テストデータセットに対する精度を算出する。そして、訓練データセット候補選定部１０２４は、精度が閾値以上になった推薦モデル（例えば、最も高くなった推薦モデル）に学習させた訓練データセットを選択する。これにより、訓練データセット候補選定部１０２４は、推薦フェーズにて高い精度を出す可能性が高い推薦モデルを構築するための訓練データセットを選ぶことができる。

なお、本実施の形態では、訓練データセット候補選定部１０２４は、８割を学習データセット、２割のテストデータセットとして分割しているが、別の割合で分割してもよいし、交差検証を用いて精度を算出してもよい。また、訓練データセット候補選定部１０２４は、精度の指標としてOverall Accuracyを使用するが、Average Accuracy、Precision、F-measure等，他の指標を使用してもよい。

付言するならば、複数の訓練データセットが選定された場合は、訓練データセット候補選定部１０２４が、精度が最も高くなった推薦モデルに学習させた訓練データセットを選定してもよいし、管理者が管理者端末１１を介して訓練データセットを選定してもよい。

（第２の選定処理１６２０）
訓練データセット候補選定部１０２４は、訓練データセット候補の各々について、各修理クラスに属するデータ件数を算出し（ステップ１６２１）、各修理クラスに属するデータ件数に基づいて訓練データセットを選定する（ステップ１６２２）。

より具体的には、訓練データセット候補選定部１０２４は、まず、各訓練データセット候補に対して、修理クラスごとにデータ件数を算出する。次に、訓練データセット候補選定部１０２４は、データ件数が均一であることを示す度合いとして、データ件数の分散を算出する。なお、分散に限るものではなく、標準偏差、最小値、最頻値、中央値といった他の統計値であってもよい。そして、訓練データセット候補選定部１０２４は、算出した分散が閾値より小さい訓練データセットを選択する。これにより、訓練データセット候補選定部１０２４は、精度の高い推薦モデルを構築するための訓練データセットを選定することができる。

付言するならば、複数の訓練データセットが選定された場合は、訓練データセット候補選定部１０２４が、データ件数の分散が最も小さくなった訓練データセットを選定してもよいし、管理者が管理者端末１１を介して訓練データセットを選定してもよい。

（第３の選定処理）
訓練データセット候補選定部１０２４は、訓練データセット候補の各々について、各修理クラスに属するデータ件数を算出し（ステップ１６３１）、訓練データセット候補から、データ件数に基づいて訓練データセットを選定する（ステップ１６３２）。

より具体的には、訓練データセット候補選定部１０２４は、まず、各訓練データセット候補に対して、修理クラスごとにデータ件数を算出する。次に、訓練データセット候補選定部１０２４は、訓練データセット候補から、データ件数が閾値以下である修理クラスが含まれる訓練データセットを取り除く。これにより、データ件数が少なく推薦が難しい部品が上位の部品に統合されるので、修理員１５は、当該部品を一括で交換できる。

なお、訓練データセット候補選定部１０２４は、第１の選定処理１６１０～第３の選定処理１６３０のうちの何れかの選定処理を行う場合について説明したが、複数の選定処理を組合わせて訓練データセットを選定してもよい。

また、訓練データセット候補選定部１０２４は、統合後修理情報１Ｄ７の修理名称１Ｄ７２については、統合元となった複数の修理クラスの修理名称１Ｄ２２を結合した名称を記載する。より具体的には、訓練データセット候補選定部１０２４は、統合元となった複数の修理クラスの修理名称１Ｄ２２を並べて記載し、「を含む部品交換」を追記した文章を記入する。なお、訓練データセット候補選定部１０２４は、別の文章を追記してもよいし、あらかじめ用意した複数の追記文章から、適切な文章を選択してもよい。

以上のように、リペアリコメンドシステム１０の利用価値が損なわれない範囲で修理クラスの数が調整された訓練データセットであって、推薦モデルに学習させることで高い精度を出す可能性が高い訓練データセットを生成することができる。

＜４．推薦フェーズの処理フロー＞
図１７を用いて推薦フェーズの処理フローを説明する。

まず、現象文章受付部１０４１は、修理員１５により修理員端末１２を介して入力された、アセット１３の現象文章を受け付ける（ステップ１Ｆ２０１）。

次に、推薦結果算出部１０４２は、受け付けられた現象文章を、推薦モデル管理部１０１５で管理している推薦モデルに入力して、推薦結果を算出する（ステップ１Ｆ２０２）。推薦モデルの出力は、現象文章に対する修理クラスとその修理クラスの推薦確率との組となる。

そして、推薦結果表示部１０４３は、推薦結果の修理クラス２Ｄ２１を、統合後修理情報１Ｄ７の修理名称１Ｄ７２と部品番号１Ｄ７３とに変換し、推薦確率２Ｄ２２が高い順に並び替えたものを、修理員１５が操作する修理員端末１２に表示する（ステップ１Ｆ２０３）。

以上に説明したように、リペアリコメンドシステム１０が、修理員端末１２を介して集めた修理履歴情報に基づいて送られてきた現象文章に対して、リペアリコメンドシステムの利用価値が損なわれない範囲で統合した修理クラスを精度高く推薦できる。これにより、修理員１５は、アセット１３の故障を迅速かつ正確に修理することができる。

＜５．ユーザインターフェース＞
図１８を用いて、学習フェーズにおいて、修理員１５が修理員端末１２を介して管理情報受付部１０３１に対して修理履歴情報１Ｄ１を送信するために使う、管理情報受付部１０３１の修理履歴情報入力画面１Ｇ１を説明する。

修理履歴情報入力画面１Ｇ１は、修理日時ボックス１Ｇ１０１と、現象文章ボックス１Ｇ１０２と、修理名称データリスト１Ｇ１０３と、部品番号セレクトボックス１Ｇ１０４と、登録ボタン１Ｇ１０５を備える。

修理日時ボックス１Ｇ１０１には、修理の日時が入力される。現象文章ボックス１Ｇ１０２には、アセット１３の現象に関する文章（現象文章）が入力される。修理名称データリスト１Ｇ１０３には、実施された修理の修理名称が入力される。この項目には、修理情報管理部１０１２で管理している修理情報１Ｄ２の修理名称１Ｄ２２がプルダウン形式で表示されている。修理員１５は、プルダウン形式で表示されている修理名称１Ｄ２２を選択するか、新しい修理名称をテキスト形式で記入する。部品番号セレクトボックス１Ｇ１０４には、実施された修理で使用された部品の部品番号が入力される。この項目には、製造情報管理部１０１３で管理している製造情報１Ｄ３に含まれる上位部品番号１Ｄ３１と下位部品番号１Ｄ３２とがプルダウン形式で表示されている。修理員１５は、登録ボタン１Ｇ１０５を押すことで、入力したデータを管理情報受付部１０３１に送信できる。

なお、本実施の形態では、修理履歴情報１Ｄ１の項目の情報を入力するために、修理履歴情報入力画面１Ｇ１は、修理日時ボックス１Ｇ１０１と、現象文章ボックス１Ｇ１０２と、修理名称データリスト１Ｇ１０３と、部品番号セレクトボックス１Ｇ１０４と、登録ボタン１Ｇ１０５とを備える。ただし、修理履歴情報入力画面１Ｇ１は、アセット１３に関するその他の項目を入力するフォームを備えてもよいし、上記項目の一部の項目を入力するフォームを備えてもよい。

また、修理履歴情報入力画面１Ｇ１は、ボックスとデータリストとセレクトボックスとを入力フォームに用いる。ただし、修理履歴情報入力画面１Ｇ１は、何れの入力フォームを用いてもよいし、チェックリスト、ラジオボタン等、他の入力フォームを用いてもよい。

図１９を用いて、管理情報受付部１０３１の製造情報入力画面１Ｇ２を説明する。製造情報入力画面１Ｇ２は、学習フェーズにおいて、管理者１４が管理者端末１１を介して管理情報受付部１０３１に対してアセット１３を構成する部品の部品名称および部品構成に関する情報が記載されている製造情報１Ｄ３を送信するために使われる。

製造情報入力画面１Ｇ２は、製造情報ファイル送信フォーム１Ｇ２０１と、登録ボタン１Ｇ２０２とを備える。製造情報ファイル送信フォーム１Ｇ２０１は、アセット１３を構成する部品の部品名称および部品構成に関する情報が記載された製造情報１Ｄ３を記載したファイルを入力する。本実施の形態では、製造情報１Ｄ３を記載したＣＳＶ（Comma Separated Value）形式のファイルが指定される。なお、空の表を表示して入力させる形式等、図７のような部品構造を表現できる形式であればよい。管理者１４は、登録ボタン１Ｇ２０２を押すことで、入力したデータを管理情報受付部１０３１に送信できる。

図２０を用いて、統合パターン候補選定部１０２２の非統合先部品番号入力画面１Ｇ３を説明する。非統合先部品番号入力画面１Ｇ３は、学習フェーズにおいて、管理者１４が管理者端末１１を介して統合パターン候補選定部１０２２に対して、統合先にしない修理クラスの部品番号１Ｄ５を送信するために使われる。非統合先部品番号入力画面１Ｇ３は、部品構造表示領域１Ｇ３０１と、部品選択ボタン１Ｇ３０２と、部品構造表示領域スクロールバー１Ｇ３０３と、非統合先部品番号入力ボックス１Ｇ３０４と、決定ボタン１Ｇ３０５とを備える。

部品構造表示領域１Ｇ３０１は、製造情報管理部１０１３で管理されている製造情報１Ｄ３の上位部品番号（親部品番号）と下位部品番号（子部品番号）との関係性を木構造で表示する。ここで、ノードとなる部品は、部品選択ボタン１Ｇ３０２として配置され、部品選択ボタン１Ｇ３０２には、対応する部品番号が表示される。管理者１４は、部品選択ボタン１Ｇ３０２を押すことで、非統合先部品番号入力ボックス１Ｇ３０４に押した部品選択ボタン１Ｇ３０２の部品番号が入力される。これにより、統合先にしない修理クラスの部品番号（修理クラス）を容易に入力できるようになる。部品構造表示領域スクロールバー１Ｇ３０３は、部品構造表示領域１Ｇ３０１の表示範囲を変更する。非統合先部品番号入力ボックス１Ｇ３０４には、統合先にしない修理クラスの部品番号が１つまたは複数入力される。管理者１４は、決定ボタン１Ｇ３０５を押すことで、入力したデータを統合パターン候補選定部１０２２に送信できる。

図２１を用いて、現象文章受付部１０４１の現象文章入力画面１Ｇ４を説明する。現象文章入力画面１Ｇ４は、推薦フェーズにおいて、修理員１５が修理員端末１２を介して現象文章受付部１０４１に対して現象文章２Ｄ１を送信するために使われる。現象文章入力画面１Ｇ４は、現象文章入力ボックス１Ｇ４０１と、送信ボタン１Ｇ４０２とを備える。現象文章入力ボックス１Ｇ４０１には、アセット１３の現象に関する文章（現象文章）が入力される。修理員１５は、送信ボタン１Ｇ４０２を押すことで、入力したデータを現象文章受付部１０４１に送信できる。

図２２を用いて、推薦結果表示画面１Ｇ５を説明する。推薦フェーズにおいて、推薦結果表示部１０４３は、修理員端末１２を介して修理員１５に対して推薦結果表示画面１Ｇ５を表示する。推薦結果表示画面１Ｇ５は、順位表示領域１Ｇ５０１と、修理名称表示領域１Ｇ５０２と、部品番号表示領域１Ｇ５０３と、推薦確率表示領域１Ｇ５０４とを備える。

順位表示領域１Ｇ５０１は、推薦確率が高い順に修理クラスを並び替えたときの順位を表示する。修理名称表示領域１Ｇ５０２は、修理名称１Ｄ７２を表示する。部品番号表示領域１Ｇ５０３は、部品番号１Ｄ７３を表示する。推薦確率表示領域１Ｇ５０４は、推薦確率２Ｄ２２を表示する。なお、本実施の形態では、推薦確率の高い上位３件を推薦結果として表示しているが、全ての修理クラスを表示してもよいし、推薦確率があらかじめ決めた値を超えた修理クラスを表示してもよい。

ここで、機械学習の分野においては、データセットがある場合、データセットにノイズを加えたり、更にデータセットを増やしたりする等、推薦モデルの精度を高める手法について工夫がなされる。しかしながら、推薦モデルが修理を適切に推薦するために、データセットの修理クラスの数を統合するといった観点での工夫は見当たらない。

また、上述した製造情報１Ｄ３は、アセット１３を構成する各部品についての上位と下位との関係を示すアセット構成情報の一例である。アセット構成情報は、アセット１３の設計段階で使用された資料データである。アセット１３の設計段階は、アセット１３を製造する製造企業の管轄である。他方、製造情報１Ｄ３が用いられる推薦モデルの学習は、アセット１３の保守段階において行われる。この保守段階は、アセット１３を保守する保守企業の管轄である。つまり、設計段階で用いられる技術と、保守段階で用いられる技術との関連性は小さいので、保守段階において、設計段階のアセット構成情報を修理クラスの統合に使用することは、通常は想起し得ない。本実施の形態で示した、設計段階でのアセット構成情報を使用して保守段階において修理クラスを統合するという技術思想は、公開されている文献には、開示も示唆もない。

以上に説明したように、本実施の形態によれば、リペアリコメンドシステムの利用価値が損なわれない範囲で修理クラスの数が調整された訓練データセットであって、推薦モデルに学習させることで高い精度を出す可能性が高い訓練データセットを生成することができる。

また、上記訓練データセットを使用して学習した推薦モデルを用いたリペアリコメンドシステムは、修理員に対して、精度の高い推薦結果を出すことができる。これにより、修理員は、アセットの故障を迅速かつ正確に修理することができる。

（ＩＩ）付記
上述の実施の形態には、例えば、以下のような内容が含まれる。

上述の実施の形態においては、本発明をリペアリコメンドシステムに適用するようにした場合について述べたが、本発明はこれに限らず、この他種々のシステム、装置、方法、プログラムに広く適用することができる。

上述の実施の形態において、プログラムの一部またはすべては、プログラムソースから、コンピュータにインストールされてもよい。プログラムソースは、例えば、ネットワークで接続されたプログラム配布サーバまたはコンピュータが読み取り可能な記録媒体（例えば非一時的な記録媒体）であってもよい。また、上述の説明において、２以上のプログラムが１つのプログラムとして実現されてもよいし、１つのプログラムが２以上のプログラムとして実現されてもよい。

また、上述の実施の形態において、各テーブルの構成は一例であり、１つのテーブルは、２以上のテーブルに分割されてもよいし、２以上のテーブルの全部または一部が１つのテーブルであってもよい。

また、上述の実施の形態において、図示および説明した画面は、一例であり、受け付ける情報が同じであるならば、どのようなデザインであってもよい。

また、上述の実施の形態において、図示および説明した画面は、一例であり、提示する情報が同じであるならば、どのようなデザインであってもよい。

また、上述の実施の形態において、情報の出力は、ディスプレイへの表示に限るものではない。情報の出力は、スピーカによる音声出力であってもよいし、ファイルへの出力であってもよいし、印刷装置による紙媒体等への印刷であってもよいし、プロジェクタによるスクリーン等への投影であってもよいし、その他の態様であってもよい。

上述した実施の形態は、例えば、以下の特徴的な構成を有する。

（１）
訓練データセット生成システム（例えば、訓練データセット生成装置１０２）は、情報を記憶する１以上の記憶装置（例えば、ＲＯＭ１Ｈ１０２、ＲＡＭ１Ｈ１０３、外部記憶装置１Ｈ１０４）と、上記記憶装置に接続されている１以上のプロセッサ（例えば、ＣＰＵ１Ｈ１０１）と、を備える。上記記憶装置は、アセット（例えば、アセット１３）の修理の内容を識別可能な情報である修理クラスごとに上記修理に用いる部品を示す情報（例えば、部品番号１Ｄ２３）を含む修理情報（例えば、修理情報１Ｄ２）を記憶する。上記記憶装置は、上記修理クラスと上記アセットの現象を示す現象情報（例えば、現象文章１Ｄ１３）とを含む修理履歴情報（例えば、修理履歴情報１Ｄ１）を記憶する。上記記憶装置は、上記アセットを構成する各部品についての上位と下位との関係（例えば、階層構造）を示すアセット構成情報（例えば、製造情報１Ｄ３）とを記憶する。上記プロセッサ（例えば、統合パターン候補生成部１０２１、回路）は、上記アセット構成情報を用いて、上記修理情報の部品の修理クラスを上位の部品の修理クラスに統合することを示す統合パターン（例えば、統合パターン１Ｄ４）の候補を１以上生成する。上記プロセッサ（例えば、統合パターン候補選定部１０２２、回路）は、生成した統合パターンの候補から、所定の条件に合う統合パターンを取り除いて統合パターンを選定する。所定の条件に合う統合パターンとは、統合先にしない修理クラスが統合先になる統合パターン、異なる修理名称の同じ部品が１つの修理クラスに統合される統合パターン等である。上記プロセッサ（例えば、訓練データセット候補生成部１０２３、訓練データセット候補選定部１０２４、回路）は、選定した統合パターンを用いて上記修理履歴情報の修理クラスを統合することで、上記アセットの修理を推薦する推薦モデルを学習するための訓練データセット（例えば、訓練データセット１Ｄ６）を生成する。
上記構成では、アセット構成情報を用いて修理情報の部品の修理クラスが上位の部品の修理クラスに統合されるので、部品を特定できる範囲で統合された修理クラスに対応した訓練データセットを生成することができる。

（２）
上記記憶装置は、統合先にしない修理クラスの部品を示す情報（例えば、非統合先部品番号１Ｄ５）を記憶する。上記プロセッサにより生成される統合パターンの候補には、統合元の修理クラスの部品を示す情報（例えば、統合元修理クラス１Ｄ４１および統合元部品番号１Ｄ４２）と、統合先の修理クラスの部品を示す情報（例えば、統合先修理クラス１Ｄ４３および統合先部品番号１Ｄ４４）とが含まれる。上記プロセッサは、生成した統合パターンの候補に含まれる統合先の修理クラスの部品を示す情報に、統合先にしない修理クラスの部品を示す情報が含まれる統合パターンを取り除く（例えば、ステップ１Ｆ１０５３参照）。
上記構成では、統合先にしない修理クラスの部品を示す情報に従って、統合先にしない修理クラスが統合される統合パターンが取り除かれるので、例えば、統合元の修理クラスの部品代と比べて統合先の修理クラスの部品代が高価である等、ユーザが統合したくない修理クラスが統合される事態を回避できる。

（３）
上記修理情報には、上記アセットの修理の名称を示す情報（例えば、修理名称１Ｄ２２）が含まれる。上記プロセッサは、上記修理情報に含まれる２つ以上の修理クラスにおいて、異なる修理の名称であり、かつ、同じ部品である組がある場合、上記組を１つの統合先の修理クラスに統合している統合パターンを取り除く（例えば、ステップ１Ｆ１０５３、図１５参照）。
上記構成では、異なる修理名称で同じ部品が１つの修理クラスに統合される統合パターンが取り除かれるので、例えば、汎用品が特定できなくなる事態を回避できる。

（４）
上記プロセッサは、統合パターンを複数選定した場合、以下の処理を行う（例えば、ステップ１Ｆ１０５５、第１の選定処理１６１０参照）。
・上記プロセッサは、上記複数の統合パターンの各々について訓練データセットを生成する（ステップ１６０１）。
・上記プロセッサは、生成した訓練データセットの各々について、上記訓練データセットを学習データセットとテストデータセットとに分け、上記学習データセットを用いて上記推薦モデルを学習する（ステップ１６１１）。
・上記プロセッサは、学習した推薦モデルの精度を、上記テストデータセットを用いて算出し、生成した訓練データセットのうち、学習した推薦モデルの精度が閾値以上になった訓練データセットを選定する（ステップ１６１２）。
上記構成では、精度の高い推薦モデルを構築するための訓練データセットを選定することができる。

（５）
上記プロセッサは、統合パターンを複数選定した場合、以下の処理を行う（例えば、ステップ１Ｆ１０５５、第２の選定処理１６２０参照）。
・上記プロセッサは、上記複数の統合パターンの各々について訓練データセットを生成する（ステップ１６０１）。
・上記プロセッサは、生成した訓練データセットの各々について、各修理クラスに属するデータ件数を算出する（ステップ１６２１）。
・上記プロセッサは、各修理クラスに属するデータ件数が均一であることを示す度合いが閾値以上である訓練データセットを選定する（ステップ１６２２）。
上記構成では、精度の高い推薦モデルを構築するための訓練データセットを選定することができる。

（６）
上記プロセッサは、統合パターンを複数選定した場合、以下の処理を行う（例えば、ステップ１Ｆ１０５５、第３の選定処理１６３０参照）。
・上記プロセッサは、上記複数の統合パターンの各々について訓練データセットを生成する（ステップ１６０１）。
・上記プロセッサは、生成した訓練データセットの各々について、各修理クラスに属するデータ件数を算出する（ステップ１６３１）。
・上記プロセッサは、生成した訓練データセットから、データ件数が閾値以下である修理クラスが含まれる訓練データセットを取り除く（ステップ１６３２）。
上記構成では、各修理クラスに属するデータ件数が閾値以下である訓練データセットが取り除かれるので、データ件数が少なく推薦が難しい部品が上位の部品に統合されるので、当該部品を一括で交換できる。

（７）
情報を表示する表示装置（例えば、管理者端末１１）と、情報を入力する入力装置（例えば、管理者端末１１）とが上記プロセッサに通信可能に接続される。上記プロセッサは、上記アセット構成情報に基づいて上記アセットを構成する部品を選択可能に上記表示装置に表示し、上記表示装置において表示された部品の中から上記入力装置により選択された部品を示す情報を、統合先にしない修理クラスの部品を示す情報として上記記憶装置に記憶する（ステップ１Ｆ１０５２）。
上記構成では、アセットを構成する部品が選択可能に表示されるので、例えば、管理者は、統合先にしない修理クラスの部品を容易に指定することができる。

「Ａ、Ｂ、およびＣのうちの少なくとも１つ」という形式におけるリストに含まれる項目は、（Ａ）、（Ｂ）、（Ｃ）、（ＡおよびＢ）、（ＡおよびＣ）、（ＢおよびＣ）または（Ａ、Ｂ、およびＣ）を意味することができると理解されたい。同様に、「Ａ、Ｂ、またはＣのうちの少なくとも１つ」の形式においてリストされた項目は、（Ａ）、（Ｂ）、（Ｃ）、（ＡおよびＢ）、（ＡおよびＣ）、（ＢおよびＣ）または（Ａ、Ｂ、およびＣ）を意味することができる。

１０……リペアリコメンドシステム、１０２……訓練データセット生成装置。

Claims (9)

1. 情報を記憶する１以上の記憶装置と、
   前記記憶装置に接続されている１以上のプロセッサと、を備え、
   前記記憶装置が、アセットの修理の内容を識別可能な情報である修理クラスごとに前記修理に用いる部品を示す情報を含む修理情報と、前記修理クラスと前記アセットの現象を示す現象情報とを含む修理履歴情報と、前記アセットを構成する各部品についての上位と下位との関係を示すアセット構成情報とを記憶し、
   前記プロセッサが、
   前記アセット構成情報を用いて、前記修理情報の部品の修理クラスを上位の部品の修理クラスに統合することを示す統合パターンの候補を１以上生成し、
   生成した統合パターンの候補から、所定の条件に合う統合パターンを取り除いて統合パターンを選定し、
   選定した統合パターンを用いて前記修理履歴情報の修理クラスを統合することで、前記アセットの修理を推薦する推薦モデルを学習するための訓練データセットを生成する、
   訓練データセット生成システム。
2. 前記記憶装置は、統合先にしない修理クラスの部品を示す情報を記憶し、
   前記プロセッサにより生成される統合パターンの候補には、統合元の修理クラスの部品を示す情報と、統合先の修理クラスの部品を示す情報とが含まれ、
   前記プロセッサは、生成した統合パターンの候補に含まれる統合先の修理クラスの部品を示す情報に、統合先にしない修理クラスの部品を示す情報が含まれる統合パターンを取り除く、
   請求項１に記載の訓練データセット生成システム。
3. 前記修理情報には、前記アセットの修理の名称を示す情報が含まれ、
   前記プロセッサは、前記修理情報に含まれる２つ以上の修理クラスにおいて、異なる修理の名称であり、かつ、同じ部品である組がある場合、前記組を１つの統合先の修理クラスに統合している統合パターンを取り除く、
   請求項１に記載の訓練データセット生成システム。
4. 前記プロセッサは、統合パターンを複数選定した場合、
   前記複数の統合パターンの各々について訓練データセットを生成し、
   生成した訓練データセットの各々について、前記訓練データセットを学習データセットとテストデータセットとに分け、前記学習データセットを用いて前記推薦モデルを学習し、学習した推薦モデルの精度を、前記テストデータセットを用いて算出し、
   生成した訓練データセットのうち、学習した推薦モデルの精度が閾値以上になった訓練データセットを選定する、
   請求項１に記載の訓練データセット生成システム。
5. 前記プロセッサは、統合パターンを複数選定した場合、
   前記複数の統合パターンの各々について訓練データセットを生成し、
   生成した訓練データセットの各々について、各修理クラスに属するデータ件数を算出し、
   各修理クラスに属するデータ件数が均一であることを示す度合いが閾値以上である訓練データセットを選定する、
   請求項１に記載の訓練データセット生成システム。
6. 前記プロセッサは、統合パターンを複数選定した場合、
   前記複数の統合パターンの各々について訓練データセットを生成し、
   生成した訓練データセットの各々について、各修理クラスに属するデータ件数を算出し、
   生成した訓練データセットから、データ件数が閾値以下である修理クラスが含まれる訓練データセットを取り除く、
   請求項１に記載の訓練データセット生成システム。
7. 情報を表示する表示装置と、情報を入力する入力装置とが前記プロセッサに通信可能に接続され、
   前記プロセッサは、前記アセット構成情報に基づいて前記アセットを構成する部品を選択可能に前記表示装置に表示し、前記表示装置において表示された部品の中から前記入力装置により選択された部品を示す情報を、統合先にしない修理クラスの部品を示す情報として前記記憶装置に記憶する、
   請求項２に記載の訓練データセット生成システム。
8. 記憶装置には、アセットの修理の内容を識別可能な情報である修理クラスごとに前記修理に用いる部品を示す情報を含む修理情報と、前記修理クラスと前記アセットの現象を示す現象情報とを含む修理履歴情報と、前記アセットを構成する各部品についての上位と下位との関係を示すアセット構成情報とが記憶され、
   コンピュータが、前記アセット構成情報を用いて、前記修理情報の部品の修理クラスを上位の部品の修理クラスに統合することを示す統合パターンの候補を１以上生成することと、
   コンピュータが、生成された統合パターンの候補から、所定の条件に合う統合パターンを取り除いて統合パターンを選定することと、
   コンピュータが、前記アセットの修理を推薦する推薦モデルを学習するための訓練データセットとして、選定した統合パターンを用いて前記修理履歴情報の修理クラスを統合することと、
   を含む訓練データセット生成方法。
9. 情報を記憶する１以上の記憶装置と、前記記憶装置に接続されている１以上のプロセッサと含むコンピュータを複数備え、
   前記複数のコンピュータの何れかのコンピュータの記憶装置が、アセットの修理の内容を識別可能な情報である修理クラスごとに前記修理に用いる部品を示す情報を含む修理情報と、前記修理クラスと前記アセットの現象を示す現象情報とを含む修理履歴情報と、前記アセットを構成する各部品についての上位と下位との関係を示すアセット構成情報とを記憶し、
   前記複数のコンピュータの何れかのコンピュータのプロセッサが、下記（Ｘ１）乃至（Ｘ６）の処理を行う、
   （Ｘ１）前記アセット構成情報を用いて、前記修理情報の部品の修理クラスを上位の部品の修理クラスに統合することを示す統合パターンの候補を１以上生成する第１の処理、
   （Ｘ２）前記第１の処理で生成された統合パターンの候補から、所定の条件に合う統合パターンを取り除いて統合パターンを選定する第２の処理、
   （Ｘ３）前記第２の処理で選定された統合パターンを用いて前記修理履歴情報の修理クラスを統合することで、前記アセットの修理を推薦する推薦モデルを学習するための訓練データセットを生成する第３の処理、
   （Ｘ４）前記第３の処理で生成された訓練データセットを用いて前記推薦モデルを学習する第４の処理、
   （Ｘ５）前記アセットの現象を示す現象情報を入力する第５の処理、
   （Ｘ６）前記第４の処理で学習された推薦モデルを用いて、前記第５の処理で入力された前記アセットの現象を示す現象情報に対する修理クラスの推薦確率を出力する第６の処理、
   リペアリコメンドシステム。

Images