JP2024077185A - ユーザベクトル生成装置およびスコア推定装置 - Google Patents

Abstract

【課題】ユーザ能力を測定するためのユーザベクトルを生成することができるユーザベクトル生成装置を提供すること。【解決手段】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。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。【選択図】図２

Description

本発明は、ユーザベクトルを生成するユーザベクトル生成装置およびスコア推定装置に関する。

特許文献１には、ＧＮＮを用いてユーザベクトルを生成することについての記載がある。この特許文献１では、ユーザを示すノード間のエッジの重みを定義づけている。このエッジは、インタラクティブ情報であり、ユーザ間のフォローをしたことなどである。

特開２０２１－９６８８6号公報

近年普及しているテレワークではFace2Faceコミュニケーションで直感的に把握していた仕事への熱量およびやる気といったWork Engagement（ＷＥ）を把握することが難しくなった。

そのため、仕事への熱量等といったコミュニケーション能力を測定するためのユーザの指標が必要とされる。

しかしながら、特許文献１では、ユーザのビジネス上における会議を想定したものではないことから、上記のようなコミュニケーション能力などのユーザ能力を測定するためのユーザベクトルとしてはそぐわない。

そこで、ユーザ能力を測定するためのユーザベクトルを生成することができるユーザベクトル生成装置およびそれを使ったスコア推定装置を提供することを目的とする。

本発明のユーザベクトル生成装置は、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記憶部の前記ログデータに基づいて、ユーザベクトルを生成する生成部、を備える。

本発明によると、仕事への熱量等といったコミュニケーション能力などのユーザ能力を測定するためのユーザベクトルを生成することができる。

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。 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。 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。 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。 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。 隣接行列の作成例を示す図である。 隣接行列の具体的な作成例を示す図である。 隣接行列から系列データを生成する図である。 本開示におけるＷＥ推定処理を行うＷＥ推定装置４００の機能を示すブロック図である。 ＷＥ推定装置４００におけるLightＧＢＭモデル４０２の学習処理を示すフローチャートである。 ＷＥ推定装置４００におけるLightＧＢＭモデル４０２を用いた推定処理を示すフローチャートである。 ＷＥ推定装置４００におけるＷＥ推定処理を模式的に示した図である。 、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ＷＥ推定装置４００のハードウェア構成の一例を示す図である。

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。

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。

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。

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。

ＷＥ（Working Engagement）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、ＷＥスコアを推定する。ＷＥとは、仕事に関連するポジティブで充実した心理状態であり、活力、熱意、没頭によって特徴づけられる。本開示においては、ＷＥを数値化したＷＥスコアを推定（算出）する。

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。

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。

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。

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、ＷＥ推定等に利用することができる。

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。

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。

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。

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。

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。

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６（ｂ）のように系列データが生成される。

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。

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。

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。

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。

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。

つぎに、このように生成されたユーザベクトルを用いて、ＷＥを推定する処理について説明する。図９は、本開示におけるＷＥ推定処理を行うＷＥ推定装置４００の機能を示すブロック図である。本開示のＷＥ推定装置４００は、学習部４０１、LightＧＢＭモデル４０２、およびＷＥ推定部４０３を含んで構成されている。

学習部４０１は、説明変数をユーザベクトルとし、目的変数をＷＥとして、機械学習を行うことにより、LightＧＢＭモデルを学習する部分である。目的変数となるＷＥスコアは、本開示においては、アンケートにより得られる。このアンケートは、ユーザごとのＷＥスコアを計測するための情報をとるものである。ＷＥは、おもに、仕事に対する活力、熱意、没頭に基づいて定義され、それらを計測するためのアンケートを採ることが好ましい。ＷＥのアンケートを採ることは公知であるため、本開示ではその詳細は省略する。

LightＧＢＭモデル４０２は、ユーザベクトルを入力することにより、ＷＥスコアを出力する推定モデルである。LightＧＢＭモデル４０２は、決定木と勾配ブースティングを組み合わせたモデルであり、公知の推定モデルである。上記したとおり、学習部４０１により学習されたモデルである。

ＷＥ推定部４０３は、ユーザベクトルをLightＧＢＭモデル４０２に入力し、その出力としてＷＥを取得することで、ユーザベクトルからＷＥスコアを推定する部分である。

図１０は、ＷＥ推定装置４００におけるLightＧＢＭモデル４０２の学習処理を示すフローチャートである。学習部４０１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取得する（Ｓ２０１）。また、学習部４０１は、ユーザごとのＷＥを示すアンケート結果を取得する（Ｓ２０２）。学習部４０１は、ユーザベクトルを説明変数とし、アンケート結果を目的変数として、学習することにより、LightＧＢＭモデル４０２を学習する（Ｓ４０３）。

図１１は、ＷＥ推定装置４００におけるLightＧＢＭモデル４０２を用いた推定処理を示すフローチャートである。ＷＥ推定部４０３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）。ＷＥ推定部４０３は、ユーザベクトルをLightＧＢＭモデル４０２に入力し（Ｓ３０２）、その出力をＷＥスコアとして取得し、ＷＥスコアの推定を行う（Ｓ３０３）。

図１２は、ＷＥ推定装置４００におけるＷＥ推定処理を模式的に示した図である。図１２（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、ＷＥが出力される。図では、ＷＥは、０－１０４の間のスコアとして出力される。

図１２（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モデルに入力され、その値が出力される。例えば、図１２（ｂ）において、ユーザＡのＷＥスコアは６８と出力される。本開示において、ＷＥスコアの最大値は１０４としていることから、６８のＷＥスコアは、それほど高いＷＥではないと判断できる。

つぎに、本開示のユーザベクトル生成装置１００およびＷＥ推定装置４００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。

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。

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。

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。

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。

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。

本開示において、ログデータは、複数のチーム（グループ）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。

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。

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。

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。

本開示のＷＥ推定装置４００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入力すると、当該ユーザベクトルのユーザにおけるコミュニケーションに関するスコアを導出するLightＧＢＭモデル４０２を備える。このLightＧＢＭモデル４０２は、ユーザベクトルからＷＥスコアを推定する推定モデルである。このLightＧＢＭモデル４０２は、複数のユーザのユーザベクトルと、当該複数のユーザに対する評価結果とに基づいて事前に公知の機械学習手法によって学習される。

この構成によれば、アンケートを必要とせずに日常の業務で発生するテキストチャットツールのログだけからＷＥを推定できるようになり、それによりユーザ（被評価者）のＷＥの低下を把握しやすくなる。また、通信内容であるテキストログを用いずに「誰と誰が何回会話したか」というログのみからＷＥを推定できるため、プライバシーまたは業務上の秘匿情報に関する懸念が低い。

本開示では、ユーザベクトルからＷＥスコアを推定するモデルとしているが、それに限るものではなく、他のユーザに関するスコアを求めてもよいし、そのように学習してもよい。

本開示におけるユーザベクトル生成装置およびスコア推定装置は以下の構成を有する。

［１］
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記憶部の前記ログデータに基づいて、ユーザベクトルを生成する生成部、
を備えるユーザベクトル生成装置。

［２］
前記ログデータは、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、
［１］請求項１に記載のユーザベクトル生成装置。

［３］
前記生成部は、
前記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、当該隣接行列に基づいて前記ユーザベクトルを生成する、
［２］に記載のユーザベクトル生成装置。

［４］
前記生成部は、前記隣接行列から前記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し、当該確率行列に基づいて前記ユーザベクトルを生成する、
［３］に記載のユーザベクトル生成装置。

［５］
前記生成部は、
前記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、
［４］に記載のユーザベクトル生成装置。

［６］
前記生成部は、
前記ログデータから、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、
［１］から［４］のいずれか一に記載のユーザベクトル生成装置。

［７］
前記系列データは、前記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、
［３］に記載のユーザベクトル生成装置。

［８］
前記ログデータは、複数のチームにおけるコミュニケーションを含み、
前記生成部は、前記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、
［１］から［７］のいずれか一に記載のユーザベクトル生成装置。

［９］
前記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、
［１］から［８］のいずれか一に記載のユーザベクトル生成装置。

［１０］
［１］から［９］のいずれか一に記載のユーザベクトル生成装置において生成された前記ユーザベクトルを入力すると、当該ユーザベクトルのユーザにおけるコミュニケーションに関するスコアを導出するユーザ評価モデルを備え、
前記ユーザ評価モデルは、複数のユーザのユーザベクトルと、当該複数のユーザに対する評価結果とに基づいて事前に学習される、
スコア推定装置。

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。

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。

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ＷＥ推定装置４００は、本開示のユーザベクトル生成方法またはＷＥ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１３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ＷＥ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ＷＥ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。

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ＷＥ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。

ユーザベクトル生成装置１００およびＷＥ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。

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４０１、およびＷＥ推定部４０３などは、プロセッサ１００１によって実現されてもよい。

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４０１、ＷＥ推定部４０３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。

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ＷＥ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。

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。

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。

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。

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。

また、ユーザベクトル生成装置１００およびＷＥ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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

「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。

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。

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。

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。

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。

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。

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…ＷＥ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…学習部、４０２…LightＧＢＭモデル、４０３…ＷＥ推定部。

Claims (10)

1. 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記憶部の前記ログデータに基づいて、ユーザベクトルを生成する生成部、
   を備えるユーザベクトル生成装置。
2. 前記ログデータは、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、
   請求項１に記載のユーザベクトル生成装置。
3. 前記生成部は、
   前記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、当該隣接行列に基づいて前記ユーザベクトルを生成する、
   請求項２に記載のユーザベクトル生成装置。
4. 前記生成部は、前記隣接行列から前記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し、当該確率行列に基づいて前記ユーザベクトルを生成する、
   請求項３に記載のユーザベクトル生成装置。
5. 前記生成部は、
   前記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、
   請求項４に記載のユーザベクトル生成装置。
6. 前記生成部は、
   前記ログデータから、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、
   請求項１に記載のユーザベクトル生成装置。
7. 前記系列データは、前記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、
   請求項６に記載のユーザベクトル生成装置。
8. 前記ログデータは、複数のチームにおけるコミュニケーションを含み、
   前記生成部は、前記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、
   請求項１に記載のユーザベクトル生成装置。
9. 前記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、
   請求項１に記載のユーザベクトル生成装置。
10. 請求項１に記載のユーザベクトル生成装置において生成された前記ユーザベクトルを入力すると、当該ユーザベクトルのユーザにおけるコミュニケーションに関するスコアを導出するユーザ評価モデルを備え、
    前記ユーザ評価モデルは、複数のユーザのユーザベクトルと、当該複数のユーザに対する評価結果とに基づいて事前に学習される、
    スコア推定装置。
    

Images