JP2024077184A - Cohesion Estimator - Google Patents

Cohesion Estimator Download PDF

Info

Publication number
JP2024077184A
JP2024077184A JP2022189093A JP2022189093A JP2024077184A JP 2024077184 A JP2024077184 A JP 2024077184A JP 2022189093 A JP2022189093 A JP 2022189093A JP 2022189093 A JP2022189093 A JP 2022189093A JP 2024077184 A JP2024077184 A JP 2024077184A
Authority
JP
Japan
Prior art keywords
user
cohesion
team
vector
estimation
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.)
Pending
Application number
JP2022189093A
Other languages
Japanese (ja)
Inventor
宏昌 田中
優馬 實成
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.)
NTT Docomo Inc
Original Assignee
NTT Docomo Inc
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 NTT Docomo Inc filed Critical NTT Docomo Inc
Priority to JP2022189093A priority Critical patent/JP2024077184A/en
Publication of JP2024077184A publication Critical patent/JP2024077184A/en
Pending legal-status Critical Current

Links

Images

Landscapes

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

Abstract

【課題】本発明においては、ユーザが参加しようとするチームのコミュニケーションの凝集性(集中度)を向上させることができる人材であるか否かを判断する凝集性判断装置を提供することを目的とする。【解決手段】凝集性推定装置400において、凝集性推定部406は、ユーザ同士のコミュニケーションのログデータに基づいて生成された一のユーザのユーザベクトルに基づいて、一のユーザがチームの凝集性を向上させるか否かを推定する。この構成によれば、コミュニケーションのテキストログ(内容)をみることなく、ログデータから凝集性を判断することができ、プライバシーおよび業務上の秘匿情報を保護することができる。【選択図】図10[Problem] The present invention aims to provide a cohesion determination device that determines whether a user is a human resource capable of improving the cohesion (degree of concentration) of communication in a team in which the user is about to join. [Solution] In a cohesion estimation device 400, a cohesion estimation unit 406 estimates whether a user will improve the cohesion of a team based on a user vector of the user generated based on log data of communication between users. With this configuration, cohesion can be determined from the log data without looking at the text log (content) of the communication, and privacy and confidential business information can be protected. [Selected Figure] Figure 10

Description

本発明は、ユーザの凝集性を判断する凝集性推定装置に関する。 The present invention relates to a cohesion estimation device that judges a user's cohesion.

Slack(登録商標)およびTeams(登録商標)を利用してコミュニケーションを取るうえで、どのような人材がチーム(グループ)を活性化させてくれるのか、オンラインコミュニケーションのみで把握することは難しい。 When communicating using Slack (registered trademark) and Teams (registered trademark), it is difficult to determine from online communication alone what type of talent will energize a team (group).

特許文献1には、会議や講義等、オンラインコミュニケーションが主となる状況において、より効率的なコミュニケーションを行うために、これらのコミュニケーションを客観的に評価することの記載がある。 Patent document 1 describes the objective evaluation of communication in situations where online communication is the norm, such as meetings and lectures, in order to make such communication more efficient.

特許7100938号公報Patent Publication No. 7100938

しかしながら、特許文献1に記載の技術においては、参加したユーザがそのチームの凝集性を向上させる人材であるかの判断はできない。 However, the technology described in Patent Document 1 does not allow for a determination of whether a participating user is a talent that will improve the team's cohesion.

そこで、本発明においては、ユーザが参加しようとするチームのコミュニケーションの凝集性(集中度)を向上させることができる人材であるか否かを判断する凝集性推定装置を提供することを目的とする。 The present invention aims to provide a cohesion estimation device that determines whether a user is a person who can improve the cohesion (concentration) of communication in a team in which the user is about to join.

本発明の凝集性推定装置は、ユーザ同士のコミュニケーションのログデータに基づいて生成された一のユーザのユーザベクトルに基づいて、前記一のユーザがチームの凝集性を向上させるか否かを推定する推定部、を備える。。 The cohesion estimation device of the present invention includes an estimation unit that estimates whether a user improves the cohesion of a team based on a user vector of the user generated based on log data of communication between users.

本発明によると、ユーザが所属するチームに対して凝集性を向上させる人材であるか否かを判断することができる。 The present invention makes it possible to determine whether a user is a person who can improve cohesion in the team to which he or she belongs.

本開示のユーザベクトル生成装置100を含むシステム構成を示す図である。1 is a diagram showing a system configuration including a user vector generating device 100 according to the present disclosure. 本開示のユーザベクトル生成装置100の機能構成を示す図である。FIG. 2 is a diagram illustrating a functional configuration of a user vector generating device 100 according to the present disclosure. 本開示のユーザベクトル生成部102の機能構成を示す図である。2 is a diagram illustrating a functional configuration of a user vector generation unit 102 according to the present disclosure. チャットサーバ200に記憶されているチャットデータのログデータを示す図である。11 is a diagram showing log data of chat data stored in chat server 200. FIG. ユーザベクトル生成装置100の動作を示すフローチャートである。4 is a flowchart showing an operation of the user vector generating device 100. 隣接行列の作成例を示す図である。FIG. 13 is a diagram illustrating an example of creating an adjacency matrix. 隣接行列の具体的な作成例を示す図である。FIG. 13 is a diagram showing a specific example of how to create an adjacency matrix. 隣接行列から系列データを生成する図である。FIG. 13 is a diagram illustrating generation of sequence data from an adjacency matrix. トークルーム(あるチャネル)に、新たにユーザ1が加入したときを示す模式図である。FIG. 13 is a schematic diagram showing when a new user 1 joins a talk room (a certain channel). 凝集性推定装置400の機能構成を示す図である。FIG. 4 is a diagram showing a functional configuration of the cohesion estimation device 400. ユーザベクトル生成装置100および凝集性推定装置400の学習動作を示すフローチャートである。13 is a flowchart showing the learning operations of the user vector generating device 100 and the cohesion estimation device 400. 学習処理を具体的に示した説明図である。FIG. 11 is an explanatory diagram specifically showing a learning process. ログデータから生成されるユーザベクトルxおよび凝集性aを示す図である。FIG. 13 is a diagram showing user vectors x and cohesion a generated from log data. 凝集性推定装置400におけるLightGBMモデル405を用いた推定処理を示すフローチャートである。13 is a flowchart showing an estimation process using the LightGBM model 405 in the cohesion estimation device 400. 凝集性推定装置400における凝集性推定処理を模式的に示した図である。FIG. 2 is a diagram illustrating a cohesion estimation process in the cohesion estimation device 400. 本開示の一実施の形態に係るユーザベクトル生成装置100および凝集性推定装置400のハードウェア構成の一例を示す図である。FIG. 1 is a diagram illustrating an example of a hardware configuration of a user vector generating device 100 and a cohesion estimation device 400 according to an embodiment of the present disclosure.

添付図面を参照しながら本開示の実施形態を説明する。可能な場合には、同一の部分には同一の符号を付して、重複する説明を省略する。 Embodiments of the present disclosure will be described with reference to the accompanying drawings. Where possible, identical parts will be designated by the same reference numerals, and duplicate explanations will be omitted.

図1は、本開示のユーザベクトル生成装置100を含むシステム構成を示す図である。図に示されるとおり、本開示のユーザベクトル生成装置100は、チャットサーバ200におけるチャットデータからユーザベクトルを生成する。 Figure 1 is a diagram showing a system configuration including a user vector generation device 100 of the present disclosure. As shown in the figure, the user vector generation device 100 of the present disclosure generates a user vector from chat data in a chat server 200.

チャットサーバ200は、複数のユーザ端末300からチャットメッセージの送受信を管理する制御サーバである。ユーザ端末300により設定されたチャンネルごとにトークルームを生成し、そのトークルームの中で、チャットメッセージを管理する。 The chat server 200 is a control server that manages the sending and receiving of chat messages from multiple user terminals 300. It creates a talk room for each channel set by the user terminal 300, and manages chat messages in that talk room.

ユーザ端末300は、チャットサーバ200を介して、チャットメッセージの送受信を行うことにより、ユーザ間のコミュニケーションを取ることができる。 The user terminal 300 can communicate with other users by sending and receiving chat messages via the chat server 200.

凝集性推定装置400は、ユーザベクトル生成装置100により生成されたユーザベクトルを用いて、ユーザの凝集性を推定する。本開示における凝集性とは、ユーザがあるチーム(グループ)におけるコミュニケーションがどれぐらい密(Team Activity)であるのかを示す。言い換えると、凝集性は、コミュニケーションの集中度であり、凝集性が向上するとは、コミュニケーションの集中度が向上することと意図する。その意味で、凝集性が向上するとは、コミュニケーションが活性化するという意味も含む場合がある。 The cohesion estimation device 400 estimates the cohesion of a user using the user vector generated by the user vector generation device 100. Cohesion in this disclosure indicates how dense (team activity) communication is in a team (group) in which a user is involved. In other words, cohesion is the degree of concentration of communication, and improving cohesion is intended to mean that the degree of concentration of communication is improved. In that sense, improving cohesion may also mean that communication is activated.

図2は、本開示のユーザベクトル生成装置100の機能構成を示す図である。図に示されるとおり、ユーザベクトル生成装置100は、ログ記憶部101、ユーザベクトル生成部102、およびユーザベクトル記憶部103を含んで構成されている。図3は、ユーザベクトル生成部102の更なる詳細な機能構成を示す図である。ユーザベクトル生成部102は、隣接行列生成部102a、確率行列生成部102b、系列データ生成部102c、SKIPGRAMモデル102dを含んで構成されている。 Figure 2 is a diagram showing the functional configuration of the user vector generation device 100 of the present disclosure. As shown in the figure, the user vector generation device 100 includes a log storage unit 101, a user vector generation unit 102, and a user vector storage unit 103. Figure 3 is a diagram showing a more detailed functional configuration of the user vector generation unit 102. The user vector generation unit 102 includes an adjacency matrix generation unit 102a, a probability matrix generation unit 102b, a sequence data generation unit 102c, and a SKIPGRAM model 102d.

ログ記憶部101は、チャットサーバ200に記憶されているチャットデータのログデータを記憶する部分である。図4は、その具体例を示す図である。図に示されるとおり、トークルームのチャンネルID、メッセージ送信時間、メッセージ送信者ID、およびメッセージ受信者IDを対応付けて記憶する。 The log storage unit 101 is a part that stores log data of chat data stored in the chat server 200. FIG. 4 shows a specific example. As shown in the figure, the talk room channel ID, message sending time, message sender ID, and message recipient ID are stored in association with each other.

ユーザベクトル生成部102は、ログデータからユーザベクトルを生成する部分である。図3に示されるとおり、ユーザベクトル生成部102は、隣接行列生成部102a、確率行列生成部102b、系列データ生成部102c、SKIPGRAMモデル102dを含んで構成されている。この生成処理の詳細については後述する。 The user vector generation unit 102 is a part that generates user vectors from log data. As shown in FIG. 3, the user vector generation unit 102 includes an adjacency matrix generation unit 102a, a probability matrix generation unit 102b, a sequence data generation unit 102c, and a SKIPGRAM model 102d. Details of this generation process will be described later.

ユーザベクトル記憶部103は、ユーザベクトルを記憶する部分である。このユーザベクトルは、後述する通り、凝集性推定等に利用することができる。 The user vector storage unit 103 is a part that stores user vectors. These user vectors can be used for cohesion estimation, etc., as described below.

つぎに、ユーザベクトル生成装置100の動作について説明する。図5は、その動作を示すフローチャートである。ユーザベクトル生成部102は、ログ記憶部101からログデータを取得する(S101)。ユーザベクトル生成部102(隣接行列生成部102a)は、チャットの通信ログを示すログデータからソーシャルグラフの隣接行列を生成する(S102)。ユーザベクトル生成部102(確率行列生成部102b)は、隣接行列から確率行列を求める(S103)。ユーザベクトル生成部102(系列データ生成部102c)は、その確率行列に従った確率から、RandomWalkアルゴリズムにより、系列データを生成する(S104)。ユーザベクトル生成部102(SKIPGRAMモデル102d)は、系列データをベクトル化する(S105)。このベクトル化された系列データが、ユーザベクトルとなる。 Next, the operation of the user vector generation device 100 will be described. FIG. 5 is a flowchart showing the operation. The user vector generation unit 102 acquires log data from the log storage unit 101 (S101). The user vector generation unit 102 (adjacency matrix generation unit 102a) generates an adjacency matrix of a social graph from log data indicating a chat communication log (S102). The user vector generation unit 102 (probability matrix generation unit 102b) obtains a probability matrix from the adjacency matrix (S103). The user vector generation unit 102 (sequence data generation unit 102c) generates sequence data by the RandomWalk algorithm from the probability according to the probability matrix (S104). The user vector generation unit 102 (SKIPGRAM model 102d) vectorizes the sequence data (S105). This vectorized sequence data becomes a user vector.

ここで、上記動作における各ステップについて詳述する。図6は、処理S102におけるユーザベクトル生成処理の模式図である。図6は、隣接行列生成部102aによるチャットメッセージから隣接行列を作成するときの説明図である。本開示においては、チャットメッセージCから、隣接行列Aijが作成される。この隣接行列Aijは、成分aijから構成され、例えば、aijは、ユーザiからユーザjへのメッセージ送信回数を示す。すなわち、ユーザ間のチャットメッセージの送信および受信の頻度を示した行列である。 Now, each step in the above operation will be described in detail. FIG. 6 is a schematic diagram of the user vector generation process in process S102. FIG. 6 is an explanatory diagram when the adjacency matrix generation unit 102a creates an adjacency matrix from chat messages. In this disclosure, the adjacency matrix Aij is created from chat messages C. This adjacency matrix Aij is composed of elements aij, where aij indicates, for example, the number of times a message was sent from user i to user j. In other words, it is a matrix that indicates the frequency of sending and receiving chat messages between users.

本開示においては、全チャンネルの全ユーザに対して隣接行列を作成する。チャンネルごとのユーザに対して隣接行列を作成してもよいし、またチャンネルのジャンルごとのユーザに対して隣接行列を作成してもよい。ここでのジャンルとは、例えば、仕事関係のチャンネル、福利厚生関係のチャンネルなど、スラックなのでチャットメッセージのやりとりは仕事のみに限らない場合がある。 In the present disclosure, an adjacency matrix is created for all users of all channels. An adjacency matrix may be created for users for each channel, or for users for each channel genre. A genre here refers to, for example, work-related channels, employee benefits-related channels, etc. Since this is Slack, chat message exchanges may not be limited to work-related.

図7は、隣接行列のより具体的な作成例を示す図である。図7(a)に示されるとおり、チャットメッセージCは、ログデータとしてログ記憶部101に記憶されている。そして、図7(b)に示されるとおり、データ列として、ユーザ間のメッセージ方向が取り出される。ここでは、UserA:UserBは、ユーザAからユーザBにメッセージを送ったことを示す。他も同様である。図7(c)は、その隣接行列を示す。UserA:UserAというものは一般にはないため、その対角成分は0となり、他の成分は、そのメッセージ方向の頻度が示される。 Figure 7 shows a more specific example of how to create an adjacency matrix. As shown in Figure 7(a), chat message C is stored as log data in the log storage unit 101. Then, as shown in Figure 7(b), the message direction between users is extracted as a data string. Here, UserA:UserB indicates that UserA sent a message to UserB. The same is true for the others. Figure 7(c) shows the adjacency matrix. Since there is not generally such a thing as UserA:UserA, the diagonal element is 0, and the other elements indicate the frequency of that message direction.

図8は、系列データ生成部102cによる隣接行列から系列データを生成する図である。この系列データは、隣接行列から得られた確率行列に基づいたデータであり、RandomWalkにより抽出されたデータである。RandomWalkとは、つぎに現れる位置が確率的に無作為(ランダム)に決定されるアルゴリズムであることを示し、グラフの潜在的な特徴を得ることができる公知のアルゴリズムである。 Figure 8 shows how sequence data is generated from an adjacency matrix by the sequence data generation unit 102c. This sequence data is based on a probability matrix obtained from the adjacency matrix, and is data extracted by RandomWalk. RandomWalk is an algorithm in which the next position to appear is determined probabilistically at random, and is a well-known algorithm that can obtain the latent characteristics of a graph.

図8(a)は、ユーザ間のチャットメッセージの模式図であり、ここにはログデータが包含されているとする。ログデータは、上述したとおり、ユーザ間におけるチャットメッセージの送受信の頻度を示す。そして、遷移確率(エッジの重みの割合)にしたがって確率的に系列データを生成すると、例えば、図8(b)のように系列データが生成される。 Figure 8 (a) is a schematic diagram of chat messages between users, which includes log data. As described above, the log data indicates the frequency of sending and receiving chat messages between users. When sequence data is generated probabilistically according to the transition probability (ratio of edge weights), sequence data such as that shown in Figure 8 (b) is generated.

図8(b)は、系列データを示し、RandomWalkにより得られたデータである。ここでは一の系列データは3つのノードを含む。例えば、系列データである系列1は、UserA→UserB→UserCの順番でつながっていることを表している。これはユーザのグラフ的な特徴を示している。 Figure 8 (b) shows sequence data, which was obtained by RandomWalk. Here, one piece of sequence data contains three nodes. For example, sequence 1, which is sequence data, shows that User A → User B → User C are connected in that order. This shows the graphical characteristics of the users.

図8(c)は、隣接行列Aを示す図である。この隣接行列Aは、上記図7にて説明した処理にしたがって得られたものである。例えば、ユーザAからユーザBへチャットメッセージを送信した頻度は11回であることを示す。この頻度に基づいて、確率行列生成部102bにより、図8(d)に示される確率行列が生成される。これはユーザiからユーザjへ遷移するする確率の行列を示す。なお、本開示において、遷移とは、ユーザはチャットメッセージを送信する確率を示すことを表す。 Figure 8 (c) is a diagram showing adjacency matrix A. This adjacency matrix A is obtained according to the process described in Figure 7 above. For example, it shows that the frequency of sending chat messages from user A to user B is 11 times. Based on this frequency, the probability matrix generation unit 102b generates the probability matrix shown in Figure 8 (d). This shows a matrix of the probability of transitioning from user i to user j. Note that in this disclosure, transition refers to the probability that a user will send a chat message.

この確率行列は、(ユーザiからユーザjへの重み)/(ユーザiから出ている重みの和)に基づいて計算される。 This probability matrix is calculated based on (weight from user i to user j)/(sum of weights going out of user i).

このように生成された確率行列を用いて、RandomWalkにより系列データが生成される。図に示されるとおり、系列データは、全体におけるユーザのつながりを特徴化したデータである。 Using the probability matrix generated in this way, sequence data is generated by RandomWalk. As shown in the figure, sequence data characterizes the overall connections between users.

ユーザベクトル生成部102(SKIPGRAMモデル102d)は、この系列データを入力することで、ユーザをベクトル化したユーザベクトルを出力することができる。SKIPGRAMモデル102dは、一つの中間層(隠れ層)を持つニューラルネットワークである。このSKIPGRAMモデル102dは、自然言語を学習するためのモデルでよく利用されるものであり、「ある単語が入力に与えられたとき、(ボキャブラリー中の)他の単語がその周辺である確率」を学習するモデルである。本開示においては、このSKIPGRAMモデル102dを利用して、あるユーザが与えられたときその周辺にいる(よく通信する)ユーザの確率を学習することで、コミュニケーションに基づいてユーザベクトルを学習するモデルである。本開示においては、このように学習されたSKIPGRAMモデル102dにおける中間層から、ユーザごとのユーザベクトルを取得する。 By inputting this sequence data, the user vector generation unit 102 (SKIPGRAM model 102d) can output user vectors obtained by vectorizing users. The SKIPGRAM model 102d is a neural network with one intermediate layer (hidden layer). This SKIPGRAM model 102d is often used as a model for learning natural languages, and is a model that learns "the probability that other words (in the vocabulary) are in the vicinity of a certain word when the input is given." In the present disclosure, this SKIPGRAM model 102d is used to learn the probability of users who are in the vicinity (who communicate frequently) when a certain user is given, thereby learning user vectors based on communication. In the present disclosure, a user vector for each user is obtained from the intermediate layer in the SKIPGRAM model 102d learned in this way.

つぎに、本開示の凝集性について説明する。図9は、ユーザ2、ユーザ3、およびユーザ4で通信可能に構成されたトークルーム(あるチャネル)に、新たにユーザ1が加入したときを示す模式図である。図9(a)は、時刻tにおいて、そのトークルームにユーザ1が加入しようとする時を示す。図9(b)は、その後、ユーザ1からユーザ4においてチャットによる通信が行われていることを示す。 Next, the cohesion of the present disclosure will be described. FIG. 9 is a schematic diagram showing when user 1 newly joins a talk room (a certain channel) configured to enable communication between user 2, user 3, and user 4. FIG. 9(a) shows the time when user 1 attempts to join the talk room at time t. FIG. 9(b) shows subsequent chat communication between user 1 and user 4.

図9(b)に示されるように、ユーザ1が加入することによって、ユーザ2-4を含むメンバー間の凝集性(コミュニケーションの集中度)が向上することがある。本開示においては、あるチームに対する凝集性を向上するユーザを推定することを目的とする。 As shown in FIG. 9(b), the addition of user 1 may improve cohesion (degree of concentration of communication) among members including users 2-4. In this disclosure, the objective is to estimate users who improve cohesion for a certain team.

図10は、凝集性推定装置400の機能構成を示す図である。図に示されるとおり、凝集性推定装置400は、標本平均ベクトル算出部401、凝集性算出部402、入力用ベクトル生成部403、学習部404、LightGBMモデル405、および凝集性推定部406を含んで構成されている。 Figure 10 is a diagram showing the functional configuration of the cohesion estimation device 400. As shown in the figure, the cohesion estimation device 400 includes a sample mean vector calculation unit 401, a cohesion calculation unit 402, an input vector generation unit 403, a learning unit 404, a LightGBM model 405, and a cohesion estimation unit 406.

標本平均ベクトル算出部401は、対象ユーザ(例えばユーザ1)がトークルームに加入する前のユーザ(例えばユーザ2-4)のユーザベクトルの平均値である標本平均ユーザベクトルを算出する部分である。この標本平均ユーザベクトルは、例えば過去の所定期間(例えばt―Δt)における通信履歴(ログデータ)に基づいて算出されたユーザベクトルxiに基づく。 The sample average vector calculation unit 401 is a part that calculates the sample average user vector, which is the average value of the user vectors of users (e.g., users 2-4) before the target user (e.g., user 1) joined the talk room. This sample average user vector is based on the user vector x i calculated based on the communication history (log data) for a certain period of time in the past (e.g., t-Δt).

Figure 2024077184000002

凝集性算出部402は、以下の数式に基づいてチームcにおける凝集性aを算出する部分である。チームとは、ユーザが参加しているトークルームを示す。
Figure 2024077184000002

The cohesion calculation unit 402 is a part that calculates the cohesion a in a team c based on the following formula: A team refers to a talk room in which a user participates.

Figure 2024077184000003
Figure 2024077184000003

上記式のうち重みwijは、ログデータに基づいて定められた数値であり、例えば、通信頻度に基づいて定められる。ユーザiからユーザjにメッセージが送信される度に重みwijに1が加算される。 In the above formula, the weight w ij is a numerical value determined based on log data, for example, based on communication frequency. Every time a message is sent from user i to user j, 1 is added to the weight w ij .

上記の式は、分子がチーム内の密度を表しており、分母がチーム外の人とのコミュニケーションの密度を表す。すなわち、凝集性は、チーム外部の人とのコミュニケーション密度とチーム内の人とのコミュニケーション密度との比である。チーム外の人とのコミュニケーションの広さ・濃さよりもチーム内の人とのコミュニケーションの広さ・濃さが大きいほど、凝集性が高まる。 In the above equation, the numerator represents the density within the team, and the denominator represents the density of communication with people outside the team. In other words, cohesion is the ratio of the density of communication with people outside the team to the density of communication with people within the team. The greater the breadth and intensity of communication with people within the team compared to the breadth and intensity of communication with people outside the team, the higher the cohesion.

入力用ベクトル生成部403は、上記生成された標本平均ベクトルと、凝集性測定対象となるユーザのユーザベクトルと、に基づいて入力用ベクトルを生成する部分である。この入力用ベクトルは、標本平均ベクトルとユーザベクトルとが連結されて構成されている。 The input vector generation unit 403 is a part that generates an input vector based on the generated sample mean vector and the user vector of the user who is the subject of the cohesion measurement. This input vector is composed of the sample mean vector and the user vector concatenated.

例えば、以下の通り、ユーザベクトルx、および標本平均ベクトルが算出されるとする。 For example, assume that a user vector x 1 and a sample mean vector are calculated as follows:

Figure 2024077184000004

Figure 2024077184000005

入力用ベクトル生成部403は、以下の通り、ユーザベクトルxおよび標本平均ベクトルを、縦に並べて連結することで、入力用ベクトルを生成する。
Figure 2024077184000004

Figure 2024077184000005

The input vector generation unit 403 generates an input vector by vertically arranging and concatenating the user vector x1 and the sample mean vector as follows.

Figure 2024077184000006

学習部404は、入力用ベクトルを説明変数とし、ユーザの加入前後に算出された凝集性の差に基づいた情報を目的変数として、公知の機械学習によりLightGBMモデル405を学習して生成する部分である。
Figure 2024077184000006

The learning unit 404 is a part that learns and generates a LightGBM model 405 using well-known machine learning, using the input vector as an explanatory variable and information based on the difference in cohesion calculated before and after the user's subscription as the objective variable.

LightGBMモデル405は、ユーザベクトルを入力すると、凝集性を向上するか否かを出力する推定モデルである。 The LightGBM model 405 is an estimation model that, when a user vector is input, outputs whether or not cohesion is improved.

凝集性推定部406は、ユーザベクトルをLightGBMモデル405に入力して、出力されたユーザの凝集性を向上するか否かの情報を受け取り、推定する部分である。 The cohesion estimation unit 406 inputs the user vector into the LightGBM model 405, receives the output information on whether or not the cohesion of the user will be improved, and makes an estimation.

つぎに、上記ユーザベクトル生成装置100および凝集性推定装置400の動作について説明する。図11は、ユーザベクトル生成装置100および凝集性推定装置400の学習動作を示すフローチャートである。 Next, the operation of the user vector generation device 100 and the cohesion estimation device 400 will be described. FIG. 11 is a flowchart showing the learning operation of the user vector generation device 100 and the cohesion estimation device 400.

ユーザベクトル生成装置100は、ユーザベクトルを生成し、ユーザベクトル記憶部103に記憶する(S201)。 The user vector generating device 100 generates a user vector and stores it in the user vector storage unit 103 (S201).

標本平均ベクトル算出部401は、所定期間(第1の期間)における対象チームの標本平均ベクトルを算出する(S202)。入力用ベクトル生成部403は、入力ベクトルを生成する(S203)。 The sample mean vector calculation unit 401 calculates the sample mean vector of the target team in a predetermined period (first period) (S202). The input vector generation unit 403 generates an input vector (S203).

凝集性算出部402は、上記と同じ期間の所定期間(第1の期間)における対象チームの凝集性を算出する(S204)。また、凝集性算出部402は、上記所定期間経過後の別の所定期間(第2の期間)における対象チームの凝集性を算出する(S205)。 The cohesion calculation unit 402 calculates the cohesion of the target team for a predetermined period (first period) that is the same as the above (S204). The cohesion calculation unit 402 also calculates the cohesion of the target team for another predetermined period (second period) after the above-mentioned predetermined period has elapsed (S205).

学習部404は、入力用ベクトルおよび標本平均ベクトルと、上記所定期間およびその後の所定期間における凝集性に基づく情報とから、LightGBMモデル405を学習する部分である。詳細には、以下の通りである。学習部404は、所定期間(第1の期間)における凝集性から、その後の期間(第2の期間)における凝集性を減算して、その値の正負に基づいて1または0を出力する(S206)。そして、学習部404は、入力用ベクトルを説明変数とし、そのときの凝集性の差に基づく情報を目的変数として学習する(S207)。 The learning unit 404 is a part that learns the LightGBM model 405 from the input vector and sample mean vector, and information based on the cohesion in the above-mentioned specified period and a subsequent specified period. The details are as follows. The learning unit 404 subtracts the cohesion in the subsequent period (second period) from the cohesion in the specified period (first period), and outputs 1 or 0 based on whether the value is positive or negative (S206). The learning unit 404 then uses the input vector as an explanatory variable and learns information based on the difference in cohesion at that time as a target variable (S207).

図12は、上記学習処理を具体的に示した説明図であり、図13は、ログデータから生成されるユーザベクトルxおよび凝集性aを示す図である。図12(a)に示されるとおり、ユーザベクトル生成装置100により、時刻t-Δtのログデータに基づいてユーザ2~ユーザ4のユーザベクトルx、x、およびxが生成される(S201)。 Fig. 12 is an explanatory diagram specifically showing the above learning process, and Fig. 13 is a diagram showing user vector x and cohesion a generated from log data. As shown in Fig. 12(a), the user vector generation device 100 generates user vectors x2 , x3 , and x4 for users 2 to 4 based on the log data at time t-Δt (S201).

例えば、図13に示されるようにチームaからcがあった場合、全チーム(チームaからc)におけるログデータからユーザベクトルxが生成される。上記したとおり、チームとは、チャットアプリにおけるトークルーム(またはチャンネル)を示す。 For example, in the case where there are teams a to c as shown in Fig. 13, a user vector x1 is generated from the log data of all the teams (teams a to c). As described above, a team refers to a talk room (or a channel) in a chat application.

また、図に示されるとおり、標本平均ベクトル算出部401により、これらユーザベクトルから標本平均ベクトルが算出される(S202)。図に示されるとおり、この標本平均ベクトルは、全てのユーザベクトルを合算し、それをその人数で割った値である。図13に示されるとおり、チームCのログデータから標本平均ベクトルは算出される。 As shown in the figure, the sample average vector calculation unit 401 calculates a sample average vector from these user vectors (S202). As shown in the figure, this sample average vector is the sum of all user vectors divided by the number of users. As shown in Figure 13, the sample average vector is calculated from the log data of team C.

図12(b)に示されるとおり、凝集性算出部402により、述した式(1)に従って凝集性aが算出される。 As shown in FIG. 12(b), the cohesion calculation unit 402 calculates the cohesion a according to the above-mentioned formula (1).

図12(c)に示されるとおり、凝集性測定対象であるユーザ1のユーザベクトルが、ユーザベクトル生成装置100により生成される(S201)。このユーザベクトルは、ログデータにおける時刻t-Δt時点のものである。 As shown in FIG. 12(c), the user vector of user 1, who is the subject of cohesion measurement, is generated by the user vector generation device 100 (S201). This user vector is for the time t-Δt in the log data.

図12(d)に示されるとおり、入力用ベクトル生成部403により、ユーザ1のユーザベクトルxおよびユーザ2-4のユーザベクトル(標本平均ベクトル)から入力用ベクトルが生成される(S203)。この入力用ベクトルにおいて、ユーザベクトルxは、全チームに基づいたベクトルであり、標本平均ベクトルは、チームCに基づいたチームベクトルである。 12(d), an input vector is generated from the user vector x1 of user 1 and the user vectors (sample average vectors) of users 2-4 by the input vector generation unit 403 (S203). In this input vector, the user vector x1 is a vector based on all teams, and the sample average vector is a team vector based on team C.

図12(e)に示されるとおり、一のチームCにおける各ユーザベクトルおよび所定期間(第1の期間、第2の期間)における凝集性が、凝集性算出部402により算出される(S204、S205)。そして、学習部404により、その凝集性の差分(または比較結果)が求められ、その符号が求められる(S206)。 As shown in FIG. 12(e), the cohesion calculation unit 402 calculates the cohesion of each user vector in one team C for a predetermined period (first period, second period) (S204, S205). Then, the learning unit 404 calculates the difference (or comparison result) of the cohesion and calculates its sign (S206).

図13に示されるように、チームcの第1の期間“t-Δt”のログデータから、凝集性a [t-Δt,t]が算出される。また、一方で、チームcの第2の期間“t+Δt”のログデータから、凝集性a [t,t+Δt]が算出される。 13, cohesion a c [t- Δt, t] is calculated from the log data of team c in the first period "t-Δt", while cohesion a c [t, t+Δt] is calculated from the log data of team c in the second period "t+Δt".

[t,t+Δt]-a [t-Δt,t]が、正の値であれば1、負であれば0となる2値ラベルが作成される。すなわち、この2値ラベルにおいて、1が凝集性が向上したことを示し、0が凝集性が低下したことを示す。 If a c [t, t + Δt] - a c [t - Δt, t] is a positive value, a binary label is created that is 1, and if it is negative, a binary label is created that is 0. That is, in this binary label, 1 indicates that cohesion has improved, and 0 indicates that cohesion has decreased.

これら入力用ベクトルを説明変数とし、2値ラベルを目的変数として、LightGBMモデル405が学習される。入力用ベクトルは、測定対象となるユーザのユーザベクトルと、そのユーザが加入したチームの標本平均ベクトルとからなる。標本平均ベクトルは、そのチームのチームベクトルを示す。したがって、入力用ベクトルは、測定対象のユーザベクトルと、チームベクトルとの関係を示している。 The LightGBM model 405 is trained using these input vectors as explanatory variables and the binary labels as objective variables. The input vectors consist of the user vector of the user to be measured and the sample mean vector of the team to which the user belongs. The sample mean vector indicates the team vector of that team. Therefore, the input vector indicates the relationship between the user vector to be measured and the team vector.

図14は、凝集性推定装置400におけるLightGBMモデル405を用いた推定処理を示すフローチャートである。凝集性推定部406は、ユーザベクトル生成装置100において生成されたユーザベクトルを取得する(S301)。凝集性推定部406は、ユーザベクトルをLightGBMモデル405に入力し(S302)、その出力を取得し、凝集性推定を行う(S303)。 Figure 14 is a flowchart showing the estimation process using the LightGBM model 405 in the cohesion estimation device 400. The cohesion estimation unit 406 acquires the user vector generated in the user vector generation device 100 (S301). The cohesion estimation unit 406 inputs the user vector to the LightGBM model 405 (S302), acquires the output, and performs cohesion estimation (S303).

図15は、凝集性推定装置400における凝集性推定処理を模式的に示した図である。図15(a)に示されるとおり、ユーザベクトル生成処理においては、チャットメッセージのログデータからグラフデータが生成され、ユーザベクトルが生成される。その後、学習済みのLightGBMモデルにユーザベクトルが入力され、凝集性が出力される。図では、凝集性は、0または1で出力される。 Figure 15 is a diagram showing a schematic diagram of the cohesion estimation process in the cohesion estimation device 400. As shown in Figure 15 (a), in the user vector generation process, graph data is generated from chat message log data, and a user vector is generated. After that, the user vector is input to the trained LightGBM model, and the cohesion is output. In the figure, the cohesion is output as 0 or 1.

図15(b)は、より具体的な値をもってその処理を示す図である。図に示されるとおり、ユーザベクトルは、256次元の数字パラメータから構成されている。このユーザベクトルが、LightGBMモデル405に入力され、その値が出力される。例えば、図15(b)において、ユーザAの凝集性は0と出力され、ユーザAは、凝集性向上には寄与しない人材であると判断できる。 Figure 15(b) is a diagram showing this process with more specific values. As shown in the figure, the user vector is composed of 256-dimensional numerical parameters. This user vector is input to the LightGBM model 405, and its value is output. For example, in Figure 15(b), the cohesion of user A is output as 0, and user A can be determined to be a person who does not contribute to improving cohesion.

つぎに、本開示のユーザベクトル生成装置100の作用効果について説明する。ユーザベクトル生成装置100において、ログ記憶部101は、ユーザ同士のコミュニケーションを示すログデータを記憶する。ユーザベクトル生成部102は、ログデータに基づいて、ユーザベクトルを生成する。 Next, the effects of the user vector generation device 100 of the present disclosure will be described. In the user vector generation device 100, the log storage unit 101 stores log data indicating communication between users. The user vector generation unit 102 generates a user vector based on the log data.

これらログデータは、コミュニケーションの発信元および発信先からなり、ユーザごとに記憶されている。 This log data consists of the source and destination of communications and is stored for each user.

この構成により、ログデータからユーザの特徴を表すユーザベクトルを生成することができる。特に、どのユーザからどのユーザへコミュニケーションをしたかに基づいてユーザベクトルが生成されるため、コミュニケーションの内容の秘匿性を守ることができる。 With this configuration, a user vector representing the characteristics of a user can be generated from the log data. In particular, since the user vector is generated based on which user communicated with which other user, the confidentiality of the content of the communication can be maintained.

また、本開示においては、ユーザベクトル生成部102は、ログデータに基づいてソーシャルグラフを表す隣接行列を生成し、隣接行列からログデータのコミュニケーション頻度に基づいた確率行列を生成する。そして、ユーザベクトル生成部102は、確率行列に基づいて、ユーザ同士のつながりを示す系列データを生成し、当該系列データに基づいてユーザベクトルを生成する。 In addition, in the present disclosure, the user vector generation unit 102 generates an adjacency matrix representing a social graph based on the log data, and generates a probability matrix based on the communication frequency of the log data from the adjacency matrix. Then, the user vector generation unit 102 generates sequence data indicating connections between users based on the probability matrix, and generates a user vector based on the sequence data.

この構成によれば、コミュニケーションの実際のテキストログなどの内容を用いることなく、誰が誰と何回会話(通信)したかというログデータからユーザベクトルを生成することができる。よって、プライバシーまたは業務上の秘匿情報に関する懸念を低くすることができる。 With this configuration, user vectors can be generated from log data on who spoke (communicated) with whom and how many times, without using the contents of the actual text logs of the communications. This reduces concerns about privacy or confidential business information.

なお、ユーザベクトル生成部102は、隣接行列等を用いなくてとも、ログデータから、ユーザ同士のつながりを示す系列データを生成し、当該系列データに基づいてユーザベクトルを生成することができる。系列データは、ログデータにおけるコミュニケーション頻度に基づいたコミュニケーション確率に基づいて生成される。 The user vector generation unit 102 can generate sequence data indicating connections between users from the log data without using an adjacency matrix or the like, and generate a user vector based on the sequence data. The sequence data is generated based on a communication probability based on the communication frequency in the log data.

本開示において、ログデータは、複数のチームにおけるコミュニケーションを含み、ユーザベクトル生成部102は、複数のチームの全部または一部におけるコミュニケーションのログデータに基づいてユーザベクトルを生成する。ここでのチーム(グループ)とは、Teams(登録商標)またはSlack(登録商標)などのチャットアプリにおいて利用されているチャンネルのことをいうため、チャンネルと置き換えてもよい。 In the present disclosure, the log data includes communication in multiple teams, and the user vector generation unit 102 generates a user vector based on the log data of communication in all or part of the multiple teams. Here, a team (group) refers to a channel used in a chat app such as Teams (registered trademark) or Slack (registered trademark), and may be replaced with a channel.

本開示において、コミュニケーションは、電子メール、チャット、またはSNSの少なくとも一つに基づいて行われる。上記したとおりチャットは、TeamsまたはSlackによるチャットである。電子メールも発信元、送信先が定義できるため、適用できる。 In this disclosure, communication is based on at least one of email, chat, or SNS. As described above, chat is chat via Teams or Slack. Email can also be applied because the sender and destination can be defined.

そのほか、SNS(Social Network Service)においても、相手ごとの通信頻度を特定できる限り適用できる。 In addition, this can also be applied to SNS (Social Network Services) as long as the frequency of communication with each contact can be identified.

また、電話通話、SNS等を利用した通話にも適用できる。その際、通話時間も考慮してもよい。また、チャット等においてもテキスト文字数を考慮してもよい。例えば、通話時間が短い、文字数が短い通信はユーザベクトル生成に利用しないなどが考えられる。 It can also be applied to telephone calls, calls using SNS, etc. In such cases, the duration of the call may also be taken into consideration. The number of text characters may also be taken into consideration in chats, etc. For example, communications with short call durations or short number of characters may not be used in generating user vectors.

つぎに、本開示の凝集性推定装置400の作用効果について説明する。本開示の凝集性推定装置400において、凝集性推定部406は、ユーザ同士のコミュニケーションのログデータに基づいて生成された一のユーザのユーザベクトルに基づいて、一のユーザがチームの凝集性を向上させるか否かを推定する。 Next, the effect of the cohesion estimation device 400 of the present disclosure will be described. In the cohesion estimation device 400 of the present disclosure, the cohesion estimation unit 406 estimates whether a user will improve the cohesion of a team based on a user vector of the user generated based on log data of communication between users.

この構成によれば、コミュニケーションのテキストログ(内容)をみることなく、ログデータから凝集性を判断することができ、プライバシーおよび業務上の秘匿情報を保護することができる。 This configuration makes it possible to determine cohesion from log data without looking at the text log (content) of the communication, thereby protecting privacy and confidential business information.

この凝集性推定部406は、一のユーザが加入しようとする一のチームにおける標本平均ベクトル(チームベクトル)をさらに加えて、一のユーザが一のチームにおいて、凝集性を向上させるか否かを推定する。 The cohesion estimation unit 406 further adds the sample mean vector (team vector) of a team to which a user is to join, and estimates whether the user will improve cohesion in the team.

本開示の凝集性推定装置400は、一のユーザのユーザベクトルおよび標本平均ベクトル(チームベクトル)を入力し、一のユーザが一のチームにおける凝集性を向上させるか否かを推定するLightGBMモデル405(推定モデル)をさらに備える。そして、凝集性推定部406は、LightGBMモデル405を用いて一のユーザが一のチームにおいて凝集性を向上させるか、を推定する。 The cohesion estimation device 400 of the present disclosure further includes a LightGBM model 405 (estimation model) that inputs a user vector and a sample mean vector (team vector) of a single user and estimates whether the single user will improve cohesion in a single team. The cohesion estimation unit 406 then uses the LightGBM model 405 to estimate whether the single user will improve cohesion in a single team.

このLightGBMモデル405は、学習用データとして用意された学習用ユーザベクトルを説明変数とし、学習用データとして用意された一のチームにおける凝集性向上結果データを目的変数として学習される。 This LightGBM model 405 is trained using the learning user vectors prepared as learning data as explanatory variables and the cohesion improvement result data for a team prepared as learning data as objective variables.

この凝集性向上結果データは、測定対象となるユーザがチームに加入する前後における当該チームの凝集性a(上記式(1)参照)に基づき、具体的には、ユーザがチームに加入する前における所定期間(第1の期間)の凝集性a [t-Δt,t]と、加入した後における所定期間(第2の期間)の凝集性a [t,t+Δt]-とを比較することにより得られる。 This cohesion improvement result data is based on the cohesion a of the team before and after the user being measured joins the team (see formula (1) above), specifically, it is obtained by comparing the cohesion a c [t-Δt, t] for a specified period (first period) before the user joins the team with the cohesion a c [t, t+Δt] for a specified period (second period) after the user joins the team.

ユーザが加入した後にチームの凝集性が向上した場合に、そのユーザは凝集性向上に寄与する人材であると判断することができる。 If team cohesion improves after a user joins, the user can be determined to be a valuable asset that will contribute to improving cohesion.

学習用ユーザベクトルは、学習対象となるユーザのユーザベクトルと、当該ユーザが加入しようとする前のチームの標本平均ベクトル(チームベクトル)とに基づいて構成される。ここで、ユーザベクトルは、全ログデータに基づいて生成され、標本平均ベクトル(チームベクトル)は、チームにおけるログデータに基づいて生成される。 The learning user vector is constructed based on the user vector of the user to be learned and the sample mean vector (team vector) of the team the user was previously attempting to join. Here, the user vector is generated based on all log data, and the sample mean vector (team vector) is generated based on the log data of the team.

本開示において、凝集性は、チーム内のコミュニケーションの密度およびチーム外とのコミュニケーションの密度に基づいて算出される。この凝集性は、一のユーザの加入によりチーム内のコミュニケーションの集中度が向上することを示す指標である。 In this disclosure, cohesion is calculated based on the density of communication within the team and the density of communication with outside the team. This cohesion is an indicator that the addition of a user increases the concentration of communication within the team.

本開示において、ユーザベクトルは、ログデータにおける送信相手と送信回数とに基づいて生成される。 In this disclosure, user vectors are generated based on the transmission destinations and number of transmissions in the log data.

本開示における凝集性推定装置は以下の構成を有する。 The cohesion estimation device disclosed herein has the following configuration:

[1]
ユーザ同士のコミュニケーションのログデータに基づいて生成された一のユーザのユーザベクトルに基づいて、前記一のユーザがチームの凝集性を向上させるか否かを推定する推定部、
を備える凝集性推定装置。
[1]
an estimation unit that estimates whether a user improves team cohesion based on a user vector of the user generated based on log data of communication between users;
The cohesion estimation device comprises:

[2]
前記推定部は、前記一のユーザが加入しようとする一のチームにおけるチームベクトルをさらに加えて、前記一のユーザが前記一のチームにおいて、凝集性を向上させるか否かを推定する推定部と、
を備える、[1]に記載の凝集性推定装置。
[2]
The estimation unit estimates whether the one user will improve cohesion in the one team by further adding a team vector in the one team to which the one user will join;
The cohesion estimation device according to [1],

[3]
前記一のユーザのユーザベクトルおよび前記チームベクトルを入力し、前記一のユーザが前記一のチームにおける凝集性を向上させるか否かを推定する推定モデルをさらに備え、
前記推定部は、前記推定モデルを用いて前記一のユーザが前記一のチームにおいて凝集性を向上させるか、を推定する、
[2]に記載の凝集性推定装置。
[3]
The method further includes an estimation model that receives a user vector of the one user and the team vector and estimates whether the one user will improve cohesion in the one team;
The estimation unit estimates whether the one user improves cohesion in the one team by using the estimation model.
The cohesion estimation device according to [2].

[4]
前記推定モデルは、
学習用データとして用意された学習用ユーザベクトルを説明変数とし、学習用データとして用意された一のチームにおける凝集性向上結果データを目的変数として学習される、
[3]に記載の凝集性推定装置。
[4]
The estimation model is
The learning user vector prepared as the learning data is used as an explanatory variable, and the cohesion improvement result data in one team prepared as the learning data is used as a target variable.
The cohesion estimation device according to [3].

[5]
前記学習用ユーザベクトルは、
学習対象となるユーザのユーザベクトルと、当該ユーザが加入しようとする前のチームのチームベクトルとに基づいて構成される、
[4]に記載の凝集性推定装置。
[5]
The training user vector is
Based on the user vector of the user to be learned and the team vector of the team to which the user is to join,
The cohesion estimation device according to [4].

[6]
前記ユーザベクトルは、全ログデータに基づいて生成され、
前記チームベクトルは、前記チームにおけるログデータに基づいて生成される、
[5]に記載の凝集性推定装置。
[6]
The user vector is generated based on all log data;
The team vector is generated based on log data of the team.
The cohesion estimation device according to [5].

[7]
前記凝集性向上結果データは、
前記測定対象となるユーザが前記チームに加入する前後における当該チームの凝集性に基づく、
[5]または[6]に記載の凝集性推定装置。
[7]
The cohesiveness improvement result data is
Based on the cohesion of the team before and after the user to be measured joins the team,
The cohesion estimation device according to [5] or [6].

[8]
前記凝集性向上結果データは、
前記ユーザが前記チームに加入する前における所定期間の凝集性と、加入した後における所定期間の凝集性とを比較することにより得られる、
[7]に記載の凝集性推定装置。
[8]
The cohesiveness improvement result data is
by comparing the cohesion of the user for a predetermined period before joining the team with the cohesion of the user for a predetermined period after joining the team;
The cohesion estimation device according to [7].

[9]
前記凝集性は、チーム内のコミュニケーションの密度およびチーム外とのコミュニケーションの密度に基づいて算出され、
前記凝集性は、前記一のユーザの加入により前記チーム内のコミュニケーションの集中度が向上することを示す指標である、
[1]から[8]のいずれか一に記載の凝集性推定装置
[10]
前記ユーザベクトルは、
ログデータにおける送信相手と送信回数とに基づいて生成される、
[1]から[9]のいずれか一に記載の凝集性推定装置。
[9]
The cohesion is calculated based on a density of communication within the team and a density of communication with outside the team;
The cohesion is an index showing that the intensiveness of communication within the team is improved by the addition of the one user.
The cohesion estimation device according to any one of [1] to [8] [10]
The user vector is
Generated based on the transmission destination and the number of transmissions in the log data.
The cohesion estimation device according to any one of [1] to [9].

上記実施形態の説明に用いたブロック図は、機能単位のブロックを示している。これらの機能ブロック(構成部)は、ハードウェアおよびソフトウェアの少なくとも一方の任意の組み合わせによって実現される。また、各機能ブロックの実現方法は特に限定されない。すなわち、各機能ブロックは、物理的または論理的に結合した1つの装置を用いて実現されてもよいし、物理的または論理的に分離した2つ以上の装置を直接的または間接的に(例えば、有線、無線などを用いて)接続し、これら複数の装置を用いて実現されてもよい。機能ブロックは、上記1つの装置または上記複数の装置にソフトウェアを組み合わせて実現されてもよい。 The block diagrams used to explain the above embodiments show functional blocks. These functional blocks (components) are realized by any combination of at least one of hardware and software. Furthermore, the method of realizing each functional block is not particularly limited. That is, each functional block may be realized using one device that is physically or logically coupled, or may be realized using two or more devices that are physically or logically separated and connected directly or indirectly (e.g., using wires, wirelessly, etc.) and these multiple devices. The functional blocks may be realized by combining the one device or the multiple devices with software.

機能には、判断、決定、判定、計算、算出、処理、導出、調査、探索、確認、受信、送信、出力、アクセス、解決、選択、選定、確立、比較、想定、期待、見做し、報知(broadcasting)、通知(notifying)、通信(communicating)、転送(forwarding)、構成(configuring)、再構成(reconfiguring)、割り当て(allocating、mapping)、割り振り(assigning)などがあるが、これらに限られない。たとえば、送信を機能させる機能ブロック(構成部)は、送信部(transmitting unit)や送信機(transmitter)と呼称される。いずれも、上述したとおり、実現方法は特に限定されない。 Functions include, but are not limited to, judgement, determination, judgment, calculation, computation, processing, derivation, investigation, search, confirmation, reception, transmission, output, access, resolution, selection, selection, establishment, comparison, assumption, expectation, regarding, broadcasting, notifying, communicating, forwarding, configuring, reconfiguring, allocating, mapping, and assignment. For example, a functional block (component) that performs the transmission function is called a transmitting unit or transmitter. As mentioned above, there are no particular limitations on the method of realization for either of these.

例えば、本開示の一実施の形態におけるユーザベクトル生成装置100および凝集性推定装置400は、本開示のユーザベクトル生成方法または凝集性推定方法の処理を行うコンピュータとして機能してもよい。図16は、本開示の一実施の形態に係るユーザベクトル生成装置100および凝集性推定装置400のハードウェア構成の一例を示す図である。上述のユーザベクトル生成装置100および凝集性推定装置400は、物理的には、プロセッサ1001、メモリ1002、ストレージ1003、通信装置1004、入力装置1005、出力装置1006、バス1007などを含むコンピュータ装置として構成されてもよい。 For example, the user vector generation device 100 and the cohesion estimation device 400 in one embodiment of the present disclosure may function as a computer that performs processing of the user vector generation method or the cohesion estimation method of the present disclosure. FIG. 16 is a diagram showing an example of the hardware configuration of the user vector generation device 100 and the cohesion estimation device 400 according to one embodiment of the present disclosure. The above-mentioned user vector generation device 100 and the cohesion estimation device 400 may be physically configured as a computer device including a processor 1001, a memory 1002, a storage 1003, a communication device 1004, an input device 1005, an output device 1006, a bus 1007, etc.

なお、以下の説明では、「装置」という文言は、回路、デバイス、ユニットなどに読み替えることができる。ユーザベクトル生成装置100および凝集性推定装置400のハードウェア構成は、図に示した各装置を1つまたは複数含むように構成されてもよいし、一部の装置を含まずに構成されてもよい。 In the following description, the term "apparatus" can be interpreted as a circuit, device, unit, etc. The hardware configuration of the user vector generation apparatus 100 and the cohesion estimation apparatus 400 may be configured to include one or more of the apparatuses shown in the figure, or may be configured to exclude some of the apparatuses.

ユーザベクトル生成装置100および凝集性推定装置400における各機能は、プロセッサ1001、メモリ1002などのハードウェア上に所定のソフトウェア(プログラム)を読み込ませることによって、プロセッサ1001が演算を行い、通信装置1004による通信を制御したり、メモリ1002およびストレージ1003におけるデータの読み出しおよび書き込みの少なくとも一方を制御したりすることによって実現される。 The functions of the user vector generating device 100 and the cohesion estimating device 400 are realized by loading specific software (programs) onto hardware such as the processor 1001 and memory 1002, causing the processor 1001 to perform calculations, control communications via the communication device 1004, and control at least one of the reading and writing of data in the memory 1002 and storage 1003.

プロセッサ1001は、例えば、オペレーティングシステムを動作させてコンピュータ全体を制御する。プロセッサ1001は、周辺装置とのインターフェース、制御装置、演算装置、レジスタなどを含む中央処理装置(CPU:Central Processing Unit)によって構成されてもよい。例えば、上述のユーザベクトル生成部102、学習部404、および凝集性推定部406などは、プロセッサ1001によって実現されてもよい。 The processor 1001, for example, operates an operating system to control the entire computer. The processor 1001 may be configured with a central processing unit (CPU) including an interface with peripheral devices, a control device, an arithmetic unit, a register, etc. For example, the above-mentioned user vector generation unit 102, learning unit 404, and cohesion estimation unit 406, etc. may be realized by the processor 1001.

また、プロセッサ1001は、プログラム(プログラムコード)、ソフトウェアモジュール、データなどを、ストレージ1003および通信装置1004の少なくとも一方からメモリ1002に読み出し、これらに従って各種の処理を実行する。プログラムとしては、上述の実施の形態において説明した動作の少なくとも一部をコンピュータに実行させるプログラムが用いられる。例えば、ユーザベクトル生成部102、学習部404、凝集性推定部406は、メモリ1002に格納され、プロセッサ1001において動作する制御プログラムによって実現されてもよく、他の機能ブロックについても同様に実現されてもよい。上述の各種処理は、1つのプロセッサ1001によって実行される旨を説明してきたが、2以上のプロセッサ1001により同時または逐次に実行されてもよい。プロセッサ1001は、1以上のチップによって実装されてもよい。なお、プログラムは、電気通信回線を介してネットワークから送信されても良い。 The processor 1001 also reads out programs (program codes), software modules, data, etc. from at least one of the storage 1003 and the communication device 1004 into the memory 1002, and executes various processes according to these. As the programs, those that cause a computer to execute at least a part of the operations described in the above-mentioned embodiment are used. For example, the user vector generation unit 102, the learning unit 404, and the cohesion estimation unit 406 may be realized by a control program stored in the memory 1002 and operating in the processor 1001, and other functional blocks may be similarly realized. Although the above-mentioned various processes have been described as being executed by one processor 1001, they may be executed simultaneously or sequentially by two or more processors 1001. The processor 1001 may be implemented by one or more chips. The programs may be transmitted from a network via a telecommunication line.

メモリ1002は、コンピュータ読み取り可能な記録媒体であり、例えば、ROM(Read Only Memory)、EPROM(Erasable Programmable ROM)、EEPROM(Electrically Erasable Programmable ROM)、RAM(Random Access Memory)などの少なくとも1つによって構成されてもよい。メモリ1002は、レジスタ、キャッシュ、メインメモリ(主記憶装置)などと呼ばれてもよい。メモリ1002は、本開示の一実施の形態に係るユーザベクトル生成方法または凝集性推定方法を実施するために実行可能なプログラム(プログラムコード)、ソフトウェアモジュールなどを保存することができる。 The memory 1002 is a computer-readable recording medium, and may be composed of at least one of, for example, a read only memory (ROM), an erasable programmable ROM (EPROM), an electrically erasable programmable ROM (EEPROM), a random access memory (RAM), etc. The memory 1002 may also be called a register, a cache, a main memory (primary storage device), etc. The memory 1002 can store a program (program code), software module, etc. that is executable to implement a user vector generation method or a cohesion estimation method according to one embodiment of the present disclosure.

ストレージ1003は、コンピュータ読み取り可能な記録媒体であり、例えば、CD-ROM(Compact Disc ROM)などの光ディスク、ハードディスクドライブ、フレキシブルディスク、光磁気ディスク(例えば、コンパクトディスク、デジタル多用途ディスク、Blu-ray(登録商標)ディスク)、スマートカード、フラッシュメモリ(例えば、カード、スティック、キードライブ)、フロッピー(登録商標)ディスク、磁気ストリップなどの少なくとも1つによって構成されてもよい。ストレージ1003は、補助記憶装置と呼ばれてもよい。上述の記憶媒体は、例えば、メモリ1002およびストレージ1003の少なくとも一方を含むデータベース、サーバその他の適切な媒体であってもよい。 Storage 1003 is a computer-readable recording medium, and may be, for example, at least one of an optical disk such as a CD-ROM (Compact Disc ROM), a hard disk drive, a flexible disk, a magneto-optical disk (e.g., a compact disk, a digital versatile disk, a Blu-ray (registered trademark) disk), a smart card, a flash memory (e.g., a card, a stick, a key drive), a floppy (registered trademark) disk, a magnetic strip, and the like. Storage 1003 may also be referred to as an auxiliary storage device. The above-mentioned storage medium may be, for example, a database, a server, or other suitable medium including at least one of memory 1002 and storage 1003.

通信装置1004は、有線ネットワークおよび無線ネットワークの少なくとも一方を介してコンピュータ間の通信を行うためのハードウェア(送受信デバイス)であり、例えばネットワークデバイス、ネットワークコントローラ、ネットワークカード、通信モジュールなどともいう。通信装置1004は、例えば周波数分割複信(FDD:Frequency Division Duplex)および時分割複信(TDD:Time Division Duplex)の少なくとも一方を実現するために、高周波スイッチ、デュプレクサ、フィルタ、周波数シンセサイザなどを含んで構成されてもよい。 The communication device 1004 is hardware (transmitting/receiving device) for communicating between computers via at least one of a wired network and a wireless network, and is also called, for example, a network device, a network controller, a network card, a communication module, etc. The communication device 1004 may be configured to include a high-frequency switch, a duplexer, a filter, a frequency synthesizer, etc., to realize, for example, at least one of Frequency Division Duplex (FDD) and Time Division Duplex (TDD).

入力装置1005は、外部からの入力を受け付ける入力デバイス(例えば、キーボード、マウス、マイクロフォン、スイッチ、ボタン、センサなど)である。出力装置1006は、外部への出力を実施する出力デバイス(例えば、ディスプレイ、スピーカー、LEDランプなど)である。なお、入力装置1005および出力装置1006は、一体となった構成(例えば、タッチパネル)であってもよい。 The input device 1005 is an input device (e.g., a keyboard, a mouse, a microphone, a switch, a button, a sensor, etc.) that accepts input from the outside. The output device 1006 is an output device (e.g., a display, a speaker, an LED lamp, etc.) that performs output to the outside. Note that the input device 1005 and the output device 1006 may be integrated into one device (e.g., a touch panel).

また、プロセッサ1001、メモリ1002などの各装置は、情報を通信するためのバス1007によって接続される。バス1007は、単一のバスを用いて構成されてもよいし、装置間ごとに異なるバスを用いて構成されてもよい。 In addition, each device such as the processor 1001 and memory 1002 is connected by a bus 1007 for communicating information. The bus 1007 may be configured using a single bus, or may be configured using different buses between each device.

また、ユーザベクトル生成装置100および凝集性推定装置400は、マイクロプロセッサ、デジタル信号プロセッサ(DSP:Digital Signal Processor)、ASIC(Application Specific Integrated Circuit)、PLD(Programmable Logic Device)、FPGA(Field Programmable Gate Array)などのハードウェアを含んで構成されてもよく、当該ハードウェアにより、各機能ブロックの一部または全てが実現されてもよい。例えば、プロセッサ1001は、これらのハードウェアの少なくとも1つを用いて実装されてもよい。 The user vector generating device 100 and the cohesion estimating device 400 may also be configured to include hardware such as a microprocessor, a digital signal processor (DSP), an application specific integrated circuit (ASIC), a programmable logic device (PLD), or a field programmable gate array (FPGA), and some or all of the functional blocks may be realized by the hardware. For example, the processor 1001 may be implemented using at least one of these pieces of hardware.

情報の通知は、本開示において説明した態様/実施形態に限られず、他の方法を用いて行われてもよい。例えば、情報の通知は、物理レイヤシグナリング(例えば、DCI(Downlink Control Information)、UCI(Uplink Control Information))、上位レイヤシグナリング(例えば、RRC(Radio Resource Control)シグナリング、MAC(Medium Access Control)シグナリング、報知情報(MIB(Master Information Block)、SIB(System Information Block)))、その他の信号またはこれらの組み合わせによって実施されてもよい。また、RRCシグナリングは、RRCメッセージと呼ばれてもよく、例えば、RRC接続セットアップ(RRC Connection Setup)メッセージ、RRC接続再構成(RRC Connection Reconfiguration)メッセージなどであってもよい。 The notification of information is not limited to the aspects/embodiments described in the present disclosure, and may be performed using other methods. For example, the notification of information may be performed by physical layer signaling (e.g., Downlink Control Information (DCI), Uplink Control Information (UCI)), higher layer signaling (e.g., Radio Resource Control (RRC) signaling, Medium Access Control (MAC) signaling, broadcast information (Master Information Block (MIB), System Information Block (SIB))), other signals, or a combination of these. In addition, the RRC signaling may be called an RRC message, and may be, for example, an RRC Connection Setup message, an RRC Connection Reconfiguration message, etc.

本開示において説明した各態様/実施形態の処理手順、シーケンス、フローチャートなどは、矛盾の無い限り、順序を入れ替えてもよい。例えば、本開示において説明した方法については、例示的な順序を用いて様々なステップの要素を提示しており、提示した特定の順序に限定されない。 The processing steps, sequences, flow charts, etc. of each aspect/embodiment described in this disclosure may be reordered unless inconsistent. For example, the methods described in this disclosure present elements of various steps using an example order and are not limited to the particular order presented.

入出力された情報等は特定の場所(例えば、メモリ)に保存されてもよいし、管理テーブルを用いて管理してもよい。入出力される情報等は、上書き、更新、または追記され得る。出力された情報等は削除されてもよい。入力された情報等は他の装置へ送信されてもよい。 The input and output information may be stored in a specific location (e.g., memory) or may be managed using a management table. The input and output information may be overwritten, updated, or added to. The output information may be deleted. The input information may be transmitted to another device.

判定は、1ビットで表される値(0か1か)によって行われてもよいし、真偽値(Boolean:trueまたはfalse)によって行われてもよいし、数値の比較(例えば、所定の値との比較)によって行われてもよい。 The determination may be based on a value represented by one bit (0 or 1), a Boolean (true or false) value, or a numerical comparison (e.g., with a predetermined value).

本開示において説明した各態様/実施形態は単独で用いてもよいし、組み合わせて用いてもよいし、実行に伴って切り替えて用いてもよい。また、所定の情報の通知(例えば、「Xであること」の通知)は、明示的に行うものに限られず、暗黙的(例えば、当該所定の情報の通知を行わない)ことによって行われてもよい。 Each aspect/embodiment described in this disclosure may be used alone, in combination, or switched depending on the execution. In addition, notification of specific information (e.g., notification that "X is the case") is not limited to being done explicitly, but may be done implicitly (e.g., not notifying the specific information).

以上、本開示について詳細に説明したが、当業者にとっては、本開示が本開示中に説明した実施形態に限定されるものではないということは明らかである。本開示は、請求の範囲の記載により定まる本開示の趣旨および範囲を逸脱することなく修正および変更態様として実施することができる。したがって、本開示の記載は、例示説明を目的とするものであり、本開示に対して何ら制限的な意味を有するものではない。 Although the present disclosure has been described in detail above, it is clear to those skilled in the art that the present disclosure is not limited to the embodiments described herein. The present disclosure can be implemented in modified and altered forms without departing from the spirit and scope of the present disclosure as defined by the claims. Therefore, the description of the present disclosure is intended as an illustrative example and does not have any limiting meaning on the present disclosure.

ソフトウェアは、ソフトウェア、ファームウェア、ミドルウェア、マイクロコード、ハードウェア記述言語と呼ばれるか、他の名称で呼ばれるかを問わず、命令、命令セット、コード、コードセグメント、プログラムコード、プログラム、サブプログラム、ソフトウェアモジュール、アプリケーション、ソフトウェアアプリケーション、ソフトウェアパッケージ、ルーチン、サブルーチン、オブジェクト、実行可能ファイル、実行スレッド、手順、機能などを意味するよう広く解釈されるべきである。 Software shall be construed broadly to mean instructions, instruction sets, code, code segments, program code, programs, subprograms, software modules, applications, software applications, software packages, routines, subroutines, objects, executable files, threads of execution, procedures, functions, etc., whether referred to as software, firmware, middleware, microcode, hardware description language, or otherwise.

また、ソフトウェア、命令、情報などは、伝送媒体を介して送受信されてもよい。例えば、ソフトウェアが、有線技術(同軸ケーブル、光ファイバケーブル、ツイストペア、デジタル加入者回線(DSL:Digital Subscriber Line)など)および無線技術(赤外線、マイクロ波など)の少なくとも一方を使用してウェブサイト、サーバ、または他のリモートソースから送信される場合、これらの有線技術および無線技術の少なくとも一方は、伝送媒体の定義内に含まれる。 Software, instructions, information, etc. may also be transmitted and received via a transmission medium. For example, if the software is transmitted from a website, server, or other remote source using wired technologies (such as coaxial cable, fiber optic cable, twisted pair, Digital Subscriber Line (DSL)), and/or wireless technologies (such as infrared, microwave), then these wired and/or wireless technologies are included within the definition of a transmission medium.

本開示において説明した情報、信号などは、様々な異なる技術のいずれかを使用して表されてもよい。例えば、上記の説明全体に渡って言及され得るデータ、命令、コマンド、情報、信号、ビット、シンボル、チップなどは、電圧、電流、電磁波、磁界若しくは磁性粒子、光場若しくは光子、またはこれらの任意の組み合わせによって表されてもよい。 The information, signals, etc. described in this disclosure may be represented using any of a variety of different technologies. For example, the data, instructions, commands, information, signals, bits, symbols, chips, etc. that may be referred to throughout the above description may be represented by voltages, currents, electromagnetic waves, magnetic fields or magnetic particles, optical fields or photons, or any combination thereof.

なお、本開示において説明した用語および本開示の理解に必要な用語については、同一のまたは類似する意味を有する用語と置き換えてもよい。例えば、チャネルおよびシンボルの少なくとも一方は信号(シグナリング)であってもよい。また、信号はメッセージであってもよい。また、コンポーネントキャリア(CC:Component Carrier)は、キャリア周波数、セル、周波数キャリアなどと呼ばれてもよい。 Note that the terms described in this disclosure and the terms necessary for understanding this disclosure may be replaced with terms having the same or similar meanings. For example, at least one of the channel and the symbol may be a signal (signaling). Also, the signal may be a message. Also, a component carrier (CC) may be called a carrier frequency, a cell, a frequency carrier, etc.

また、本開示において説明した情報、パラメータなどは、絶対値を用いて表されてもよいし、所定の値からの相対値を用いて表されてもよいし、対応する別の情報を用いて表されてもよい。例えば、無線リソースはインデックスによって指示されるものであってもよい。 In addition, the information, parameters, etc. described in this disclosure may be represented using absolute values, may be represented using relative values from a predetermined value, or may be represented using other corresponding information. For example, radio resources may be indicated by an index.

上述したパラメータに使用する名称はいかなる点においても限定的な名称ではない。さらに、これらのパラメータを使用する数式等は、本開示で明示的に開示したものと異なる場合もある。様々なチャネル(例えば、PUCCH、PDCCHなど)および情報要素は、あらゆる好適な名称によって識別できるので、これらの様々なチャネルおよび情報要素に割り当てている様々な名称は、いかなる点においても限定的な名称ではない。 The names used for the parameters described above are not intended to be limiting in any way. Furthermore, the formulas etc. using these parameters may differ from those explicitly disclosed in this disclosure. The various channels (e.g., PUCCH, PDCCH, etc.) and information elements may be identified by any suitable names, and therefore the various names assigned to these various channels and information elements are not intended to be limiting in any way.

本開示においては、「移動局(MS:Mobile Station)」、「ユーザ端末(user terminal)」、「ユーザ装置(UE:User Equipment)」、「端末」などの用語は、互換的に使用され得る。 In this disclosure, terms such as "Mobile Station (MS)," "user terminal," "User Equipment (UE)," and "terminal" may be used interchangeably.

移動局は、当業者によって、加入者局、モバイルユニット、加入者ユニット、ワイヤレスユニット、リモートユニット、モバイルデバイス、ワイヤレスデバイス、ワイヤレス通信デバイス、リモートデバイス、モバイル加入者局、アクセス端末、モバイル端末、ワイヤレス端末、リモート端末、ハンドセット、ユーザエージェント、モバイルクライアント、クライアント、またはいくつかの他の適切な用語で呼ばれる場合もある。 A mobile station may also be referred to by those skilled in the art as a subscriber station, mobile unit, subscriber unit, wireless unit, remote unit, mobile device, wireless device, wireless communication device, remote device, mobile subscriber station, access terminal, mobile terminal, wireless terminal, remote terminal, handset, user agent, mobile client, client, or some other suitable terminology.

本開示で使用する「判断(determining)」、「決定(determining)」という用語は、多種多様な動作を包含する場合がある。「判断」、「決定」は、例えば、判定(judging)、計算(calculating)、算出(computing)、処理(processing)、導出(deriving)、調査(investigating)、探索(looking up、search、inquiry)(例えば、テーブル、データベースまたは別のデータ構造での探索)、確認(ascertaining)した事を「判断」「決定」したとみなす事などを含み得る。また、「判断」、「決定」は、受信(receiving)(例えば、情報を受信すること)、送信(transmitting)(例えば、情報を送信すること)、入力(input)、出力(output)、アクセス(accessing)(例えば、メモリ中のデータにアクセスすること)した事を「判断」「決定」したとみなす事などを含み得る。また、「判断」、「決定」は、解決(resolving)、選択(selecting)、選定(choosing)、確立(establishing)、比較(comparing)などした事を「判断」「決定」したとみなす事を含み得る。つまり、「判断」「決定」は、何らかの動作を「判断」「決定」したとみなす事を含み得る。また、「判断(決定)」は、「想定する(assuming)」、「期待する(expecting)」、「みなす(considering)」などで読み替えられてもよい。 As used in this disclosure, the terms "determining" and "determining" may encompass a wide variety of actions. "Determining" and "determining" may include, for example, judging, calculating, computing, processing, deriving, investigating, looking up, searching, inquiring (e.g., searching in a table, database, or other data structure), ascertaining, and the like. "Determining" and "determining" may also include receiving (e.g., receiving information), transmitting (e.g., sending information), input, output, accessing (e.g., accessing data in memory), and the like. Additionally, "judgment" and "decision" can include considering resolving, selecting, choosing, establishing, comparing, etc., to have been "judged" or "decided." In other words, "judgment" and "decision" can include considering some action to have been "judged" or "decided." Additionally, "judgment (decision)" can be interpreted as "assuming," "expecting," "considering," etc.

「接続された(connected)」、「結合された(coupled)」という用語、またはこれらのあらゆる変形は、2またはそれ以上の要素間の直接的または間接的なあらゆる接続または結合を意味し、互いに「接続」または「結合」された2つの要素間に1またはそれ以上の中間要素が存在することを含むことができる。要素間の結合または接続は、物理的なものであっても、論理的なものであっても、或いはこれらの組み合わせであってもよい。例えば、「接続」は「アクセス」で読み替えられてもよい。本開示で使用する場合、2つの要素は、1またはそれ以上の電線、ケーブルおよびプリント電気接続の少なくとも一つを用いて、並びにいくつかの非限定的かつ非包括的な例として、無線周波数領域、マイクロ波領域および光(可視および不可視の両方)領域の波長を有する電磁エネルギーなどを用いて、互いに「接続」または「結合」されると考えることができる。 The terms "connected," "coupled," or any variation thereof, refer to any direct or indirect connection or coupling between two or more elements, and may include the presence of one or more intermediate elements between two elements that are "connected" or "coupled" to each other. The coupling or connection between elements may be physical, logical, or a combination thereof. For example, "connected" may be read as "access." As used in this disclosure, two elements may be considered to be "connected" or "coupled" to each other using at least one of one or more wires, cables, and printed electrical connections, as well as electromagnetic energy having wavelengths in the radio frequency range, microwave range, and optical (both visible and invisible) range, as some non-limiting and non-exhaustive examples.

本開示において使用する「に基づいて」という記載は、別段に明記されていない限り、「のみに基づいて」を意味しない。言い換えれば、「に基づいて」という記載は、「のみに基づいて」と「に少なくとも基づいて」の両方を意味する。 As used in this disclosure, the phrase "based on" does not mean "based only on," unless expressly stated otherwise. In other words, the phrase "based on" means both "based only on" and "based at least on."

本開示において使用する「第1の」、「第2の」などの呼称を使用した要素へのいかなる参照も、それらの要素の量または順序を全般的に限定しない。これらの呼称は、2つ以上の要素間を区別する便利な方法として本開示において使用され得る。したがって、第1および第2の要素への参照は、2つの要素のみが採用され得ること、または何らかの形で第1の要素が第2の要素に先行しなければならないことを意味しない。 Any reference to an element using a designation such as "first," "second," etc., used in this disclosure does not generally limit the quantity or order of those elements. These designations may be used in this disclosure as a convenient way to distinguish between two or more elements. Thus, a reference to a first and a second element does not imply that only two elements may be employed or that the first element must precede the second element in some way.

本開示において、「含む(include)」、「含んでいる(including)」およびそれらの変形が使用されている場合、これらの用語は、用語「備える(comprising)」と同様に、包括的であることが意図される。さらに、本開示において使用されている用語「または(or)」は、排他的論理和ではないことが意図される。 When the terms "include," "including," and variations thereof are used in this disclosure, these terms are intended to be inclusive, similar to the term "comprising." Additionally, the term "or," as used in this disclosure, is not intended to be an exclusive or.

本開示において、例えば、英語でのa, anおよびtheのように、翻訳により冠詞が追加された場合、本開示は、これらの冠詞の後に続く名詞が複数形であることを含んでもよい。 In this disclosure, where articles have been added through translation, such as a, an, and the in English, the disclosure may include that the noun following these articles is in the plural.

本開示において、「AとBが異なる」という用語は、「AとBが互いに異なる」ことを意味してもよい。なお、当該用語は、「AとBがそれぞれCと異なる」ことを意味してもよい。「離れる」、「結合される」などの用語も、「異なる」と同様に解釈されてもよい。 In this disclosure, the term "A and B are different" may mean "A and B are different from each other." The term may also mean "A and B are each different from C." Terms such as "separate" and "combined" may also be interpreted in the same way as "different."

100…ユーザベクトル生成装置、200…チャットサーバ、300…ユーザ端末、400…凝集性推定装置、101…ログ記憶部、102…ユーザベクトル生成部、103…ユーザベクトル記憶部、401…標本平均ベクトル算出部、402…凝集性算出部、403…入力用ベクトル生成部、404…学習部、405…LightGBMモデル、406…凝集性推定部。 100...user vector generation device, 200...chat server, 300...user terminal, 400...cohesion estimation device, 101...log storage unit, 102...user vector generation unit, 103...user vector storage unit, 401...sample average vector calculation unit, 402...cohesion calculation unit, 403...input vector generation unit, 404...learning unit, 405...LightGBM model, 406...cohesion estimation unit.

Claims (10)

ユーザ同士のコミュニケーションのログデータに基づいて生成された一のユーザのユーザベクトルに基づいて、前記一のユーザがチームの凝集性を向上させるか否かを推定する推定部、
を備える凝集性推定装置。
an estimation unit that estimates whether a user improves team cohesion based on a user vector of the user generated based on log data of communication between users;
The cohesion estimation device comprises:
前記推定部は、前記一のユーザが加入しようとする一のチームにおけるチームベクトルをさらに加えて、前記一のユーザが前記一のチームにおいて、凝集性を向上させるか否かを推定する推定部と、
を備える、請求項1に記載の凝集性推定装置。
The estimation unit estimates whether the one user will improve cohesion in the one team by further adding a team vector in the one team to which the one user will join;
The cohesion estimation device according to claim 1 , comprising:
前記一のユーザのユーザベクトルおよび前記チームベクトルを入力し、前記一のユーザが前記一のチームにおける凝集性を向上させるか否かを推定する推定モデルをさらに備え、
前記推定部は、前記推定モデルを用いて前記一のユーザが前記一のチームにおいて凝集性を向上させるか、を推定する、
請求項2に記載の凝集性推定装置。
The method further includes an estimation model that receives a user vector of the one user and the team vector and estimates whether the one user will improve cohesion in the one team;
The estimation unit estimates whether the one user improves cohesion in the one team by using the estimation model.
The cohesion estimation device according to claim 2 .
前記推定モデルは、
学習用データとして用意された学習用ユーザベクトルを説明変数とし、学習用データとして用意された一のチームにおける凝集性向上結果データを目的変数として学習される、
請求項3に記載の凝集性推定装置。
The estimation model is
The learning user vector prepared as the learning data is used as an explanatory variable, and the cohesion improvement result data in one team prepared as the learning data is used as a target variable.
The cohesion estimation device according to claim 3 .
前記学習用ユーザベクトルは、
学習対象となるユーザのユーザベクトルと、当該ユーザが加入しようとする前のチームのチームベクトルとに基づいて構成される、
請求項4に記載の凝集性推定装置。
The training user vector is
Based on the user vector of the user to be learned and the team vector of the team to which the user is to join,
The cohesion estimation device according to claim 4 .
前記ユーザベクトルは、全ログデータに基づいて生成され、
前記チームベクトルは、前記チームにおけるログデータに基づいて生成される、
請求項5に記載の凝集性推定装置。
The user vector is generated based on all log data;
The team vector is generated based on log data of the team.
The cohesion estimation device according to claim 5 .
前記凝集性向上結果データは、
前記学習対象となるユーザが前記チームに加入する前後における当該チームの凝集性に基づく、
請求項5に記載の凝集性推定装置。
The cohesiveness improvement result data is
Based on the cohesion of the team before and after the user to be studied joins the team,
The cohesion estimation device according to claim 5 .
前記凝集性向上結果データは、
前記ユーザが前記チームに加入する前における所定期間の凝集性と、加入した後における所定期間の凝集性とを比較することにより得られる、
請求項7に記載の凝集性推定装置。
The cohesiveness improvement result data is
by comparing the cohesion of the user for a predetermined period before joining the team with the cohesion of the user for a predetermined period after joining the team;
The cohesion estimation device according to claim 7 .
前記凝集性は、チーム内のコミュニケーションの密度およびチーム外とのコミュニケーションの密度に基づいて算出され、
前記凝集性は、前記一のユーザの加入により前記チーム内のコミュニケーションの集中度が向上することを示す指標である、
請求項1に記載の凝集性推定装置。
The cohesion is calculated based on a density of communication within the team and a density of communication with outside the team;
The cohesion is an index showing that the intensiveness of communication within the team is improved by the addition of the one user.
The cohesion estimation device according to claim 1 .
前記ユーザベクトルは、
ログデータにおける送信相手と送信回数とに基づいて生成される、
請求項1に記載の凝集性推定装置。
The user vector is
Generated based on the transmission destination and the number of transmissions in the log data.
The cohesion estimation device according to claim 1 .
JP2022189093A 2022-11-28 2022-11-28 Cohesion Estimator Pending JP2024077184A (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2022189093A JP2024077184A (en) 2022-11-28 2022-11-28 Cohesion Estimator

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2022189093A JP2024077184A (en) 2022-11-28 2022-11-28 Cohesion Estimator

Publications (1)

Publication Number Publication Date
JP2024077184A true JP2024077184A (en) 2024-06-07

Family

ID=91334392

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2022189093A Pending JP2024077184A (en) 2022-11-28 2022-11-28 Cohesion Estimator

Country Status (1)

Country Link
JP (1) JP2024077184A (en)

Similar Documents

Publication Publication Date Title
KR101541620B1 (en) Persistent personal messaging in a distributed system
US9560003B2 (en) Erroneous addressing prevention for electronic messaging
US11108713B2 (en) Ensuring that all users of a group message receive a response to the group message
CN105141510B (en) A kind of message prompt method and device
US9686219B2 (en) Systems, methods, and apparatuses for facilitating determination of a message recipient
US20150052072A1 (en) Community notification based on profile update
CN106911556A (en) A kind of prompting message management method and terminal
JP2011096259A (en) Method and system for automatically changing or update configuration or setting of communication system
WO2019202788A1 (en) Dialogue system
CN103460651A (en) Automatic correction of contact list errors in a collaboration system
CN112715020A (en) Presenting selected electronic messages in a computing system
JP2024077184A (en) Cohesion Estimator
CN104618555A (en) User information labeling method, device and system
WO2020059428A1 (en) Information processing device and hint provision method
JP2024077185A (en) User vector generation device and score estimation device
US9270631B2 (en) Communicating via a virtual community using outside contact information
Arshad et al. Robust collaborative spectrum sensing in the presence of deleterious users
JP6944594B2 (en) Dialogue device
JP2019103020A (en) Resource allocation device
JP7471145B2 (en) Presentation device
JP6745402B2 (en) Question estimator
WO2024053187A1 (en) Message transmission device
JP6889056B2 (en) Information processing device and credit rating calculation method
JP6545855B1 (en) Sentence matching system
JP6934825B2 (en) Communication control system