JP4405736B2 - データベースシステム - Google Patents
データベースシステム Download PDFInfo
- Publication number
- JP4405736B2 JP4405736B2 JP2003023053A JP2003023053A JP4405736B2 JP 4405736 B2 JP4405736 B2 JP 4405736B2 JP 2003023053 A JP2003023053 A JP 2003023053A JP 2003023053 A JP2003023053 A JP 2003023053A JP 4405736 B2 JP4405736 B2 JP 4405736B2
- Authority
- JP
- Japan
- Prior art keywords
- database system
- data
- model
- logical
- search
- 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.)
- Expired - Lifetime
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Description
【０００１】
【発明の属する技術分野】
本発明は、動的な事象変化に対応可能なデータベースシステムに関する。
【０００２】
【従来の技術】
近年のコンピュータシステムおよびコンピュータネットワークの発達にともない、電子化された大量のデータを蓄積および管理するデータベースが広く利用されるようになっている。これらのデータベースにおいては、事象を記述したデータを２次元のテーブルで表現し、テーブル間のリレーションを定義するリレーショナルデータベース（ＲＤＢ；Relational DataBase）が主に使用されている。ＲＤＢにおいては、データベース操作を効率化するためにデータ構造は正規化されることが多い。
【０００３】
しかし、正規化されたデータ構造を有するＲＤＢには、データの局所操作が困難であり、事象の変化に柔軟に対応できないという欠点がある。このため、事象の変化に柔軟に対応するための様々な技術が検討されてきた。
【０００４】
事象の変化に柔軟に対応するための技術としては、大きく分けてふたつの技術があげられる。すなわち、データ構造を事象の変化にあわせて柔軟に変化させる技術と、データベースへのアクセス方法を事象の変化にあわせて柔軟に変化させる技術とが存在する。
【０００５】
上述のデータ構造を事象の変化にあわせて柔軟に変化させる技術としては、データおよびアルゴリズムを一体化しており、局所的なデータ操作が可能なオブジェクト指向データベース（OODB；Object Oriented DataBase）の技術が提案されている（特許文献１）。また、階層型データ構造を有する階層型データベースを用いる技術も提案されている（特許文献２）。特許文献２に開示されている技術は、データ構造の変化履歴を保存しておき、データ構造変化があった場合でも変化前の構造にアクセス可能な点を特徴としている。
【０００６】
また、データベースへのアクセス方法を事象の変化にあわせて柔軟に変化させる技術としては、ユーザのデータベース操作履歴を記述したユーザプロファイルを補助的に利用して、データベースアクセス効率を向上する技術が提案されている（特許文献３および４）。
【０００７】
【特許文献１】
特開２００１−３３１３１５号公報
【特許文献２】
特開平１１−２９６５４４号公報
【特許文献３】
特開平１１−５３３９４号広報
【特許文献４】
特開２００２−２３００２１号広報
【０００８】
【発明が解決しようとする課題】
上述の特許文献１および２の技術によれば、単発的な事象の変化には柔軟に対応可能ではあるものの、時間とともに継続的に変化してゆく動的な事象変化には十分に対応できないという問題がある。
【０００９】
また、特許文献３および４の技術によれば、事象の変化にも対応可能ではある。しかし、これらの技術は、アクセス対象となるデータベースのデータが特定のデータ構造で規定されていることを前提としている。そして、このデータ構造が事象を適切に反映していなければ、これらの技術は十分に機能しない。このため、データベース使用開始直後にこれらの技術が有効の場合であっても、事象の変化によりデータ構造が最適な状態でなくなれば非効率的なデータベースアクセスを強いられることになる。すなわち、これらの技術は、時間とともに継続的に変化してゆく動的な事象変化には必ずしも有効な技術ではない。
【００１０】
本発明は、これらの問題を解決するためになされたもので、時間とともに継続的に変化してゆく動的な事象変化に対応可能なデータベースシステムを提供することを目的とする。
【００１１】
【課題を解決するための手段】
上記の課題を解決するために、請求項１の発明は、データベースシステムであって、データ群を格納するデータストアと、データ検索における論理的指針を前記データ群の具体的データ内容とは独立して表現した論理モデルを保持する論理モデル保持手段と、検索要求の入力を受け付ける入力手段と、前記検索要求に対応した検索論理を前記論理モデルに基づいて生成し、前記検索論理に従って前記データ群を検索することにより、前記検索要求に対応した検索出力を得る検索論理適用手段と、前記データ群の情報の対象となっている事象群での既知の条件とそれに対応した既知の結果とを結ぶ論理経路を解析して前記論理モデルの更新の基礎となる情報である更新情報を生成する生成手段と、前記更新情報に応じて前記論理モデルを更新する論理モデル更新手段とを備え、前記条件と前記結果との新たな組合せが与えられるごとに当該組合せに対応する論理経路の解析を行い、当該組合せが前記論理モデルには含まれていない組合せであるときには当該組合せの論理経路を追加するように前記論理モデルを修正することによって前記論理モデルを進化させるとともに、前記組合せの論理経路を追加した後の前記論理モデルに基づいて特定される情報について、前記データベースシステムのユーザに対して当該情報の利用を推奨する表示形式のガイダンスを生成して、当該ガイダンスを表示装置に表示させる生成手段、をさらに備えることを特徴とする。
【００１５】
また、請求項２の発明は、請求項１の発明に係るデータベースシステムにおいて、前記論理モデルが前記データベースシステムのユーザまたはユーザ群と対応づけられて設けられており、前記論理モデルの更新が上記の対応づけられたユーザまたはユーザ群ごとに行われる。
【００１７】
また、請求項３の発明は、請求項１の発明に係るデータベースシステムにおいて、前記ガイダンスが、前記データベースシステムの操作に関するガイダンスを含む。
【００１８】
また、請求項４の発明は、請求項１の発明に係るデータベースシステムにおいて、前記データ群が、前記データベースシステムの外部において生起した事象の情報を蓄積しており、前記ガイダンスが、前記事象に関するガイダンスを含む。
【００１９】
また、請求項５の発明は、請求項１ないし請求項４のいずれかの発明に係るデータベースシステムにおいて、前記論理モデルが、他のデータベースシステムにエクスポート可能である。
【００２０】
また、請求項６の発明は、請求項１ないし請求項４のいずれかの発明に係るデータベースシステムにおいて、前記論理モデルが、他のデータベースシステムからインポート可能である。
【００２１】
また、請求項７の発明は、請求項１ないし請求項４のいずれかの発明に係るデータベースシステムにおいて、前記論理モデル保持手段が、複数の論理モデルを保持可能である。
【００２２】
また、請求項８の発明は、請求項６または請求項７の発明に係るデータベースシステムにおいて、前記複数の論理モデルを結合する結合手段をさらに備える。
【００２３】
また、請求項９の発明は、請求項１ないし請求項４のいずれかの発明に係るデータベースシステムにおいて、前記論理モデルが複数のデータ群に適用可能である。
【００２４】
【発明の実施の形態】
＜基本概念＞
まず、本発明のデータベースシステム１の基本概念を図１の概念的ブロック図を参照しながら説明する。
【００２５】
このデータベースシステム１は、ユーザの検索要求３に対して検索論理２を適用し、データ群５から検索要求３に応じた検索出力４を選択するように構成されている。検索論理２は検索要求３の具体的内容に依存して特定されるが、この検索論理２を特定する際の上位の指針としての論理モデル（論理パターンを構成する基本原理）６がデータベースシステム１内に保持されている。
【００２６】
この論理モデル６は、データ群５に蓄積されている情報の対象となっている事象群中に関する条件７から結果８を導く一般的関係である。論理モデル６も検索論理２もともに「論理」であるという点では類似しているが、数学的アナロジーで言えば、論理モデル６は、検索要求３と検索結果４とを結ぶ「一般解」に相当し、検索論理２は、データ群５および検索要求３が具体的に特定されたときに検索結果４を与えるための「特殊解」ないしは「数値解」に相当する。換言すれば、論理モデル６は、「関数的な」関係ないしは「写像」をモデルとして表現していることによってその適用範囲が広いグローバルなルールであり、検索論理２は、論理モデル６を状況に応じて具体化することにより、時点の検索要求３から検索結果４を得るためのローカルかつテンポラリなルールである。
【００２７】
そして、本発明のデータベースシステム１は、データ群の情報の対象となっている事象群における条件と結果とを結ぶ論理経路を解析し、その解析結果に基づいて論理モデル６を更新する。それ以後に新たな検索要求３があったときに適用される検索論理２は、更新された論理モデル６に基づいて特定される新たな論理内容を持つ。ここにおいて、論理モデル６がデータベースの検索そのもののルールを規定するモデルである場合は、典型的には、検索要求３の内容が「条件」であり、検索出力４の中からユーザが最終的に選択したデータが「結果」である。
【００２８】
このようにして、本発明のデータベースシステム１は、論理モデル６が時間とともに継続的に進化し、それに応じて検索論理２もまた継続的に進化する点において主たる特徴を有する。
【００２９】
また、論理モデル６は、データ群５に蓄積された具体的なデータ内容には依存しないモデルとして構成される。上記と同じく数学的アナロジーで言えば、これは次のように説明できる。
【００３０】
すなわち、検索要求ｘと検索出力ｙの関係を関数ｙ＝ｆ(ｘ)のように表現した場合、検索要求ｘと検索出力ｙとが具体的数値としてたとえばｆ(１)＝５、ｆ(３)＝１０、のような関係を定めておいてもそれはそのデータ群限りの関係であって、他のデータ群についての入出力の具体的値を得ることはできない。つまりこのような具体的な検索論理はデータ群の具体的内容に依存し、データ群から切り離して適用はできない。これに対してｙ＝ｆ(ｘ)の「関数形」ないしはそれを導くためのルールをモデルとして保持しておけば、他のデータ群についてもそのモデルを適用して具体的な検索論理を特定できる。論理モデル６がこのようなモデルであり、その「進化」は、たとえば関数ｆ(ｘ)に含まれるパラメータを、検索の条件と結果との関係の解析によって継続的に変更することに相当する。
【００３１】
特に、論理モデル６が、条件と結果とを結ぶそれぞれのルートの単なる「無機的な」集合ではなく、事象群の「傾向」を反映していることによって、そのような「傾向」が共通に期待される他のデータ群ないしは他のユーザにも利用可能となる。つまり検索の条件と結果との関係を「意味」として解析し、それを論理モデル６に反映させることによって、論理モデル６は自立的発展性を持つ有機的存在となる。
【００３２】
また、このデータベースシステム１では、論理モデル６に基づいてデータ構造９を最適化する。つまり、データ構造９は固定的なものではなく、論理モデル６のひとつの作用として動的に進化する。これにより、データベースシステム１では、検索論理２による検索が効率的に実行されるようになる。
【００３３】
このように、広く適用できる論理モデルを、データ群５の具体的内容と独立して、換言すればデータ群５とは分離可能にかつ可変に保持しておくことによって、論理モデル６の拡張性が高まり、論理モデル６を他のデータベースシステムに移植するようなことが可能になる。
【００３４】
論理モデル６の適用対象となる事象群は、データベースシステム１の検索操作に関する事象群であってもよいし、それ以外の事象群、たとえばこのシステムの外部で生じる自然現象、人的現象、社会的現象などであってもよい。各種の適用例は後述する。データベースシステム１そのものに関する事象群（典型的にはその検索操作の関する事象群）以外の場合には、事象群における条件７と結果８との論理的関係の基礎となる経験的情報はデータベースシステム１の外部で生じる。たとえば、後に具体例として詳述する教育教材データベースシステムにおいて、ある生徒に対して特定の教材を与えたときの学習効果がどうであったかという、原因と結果との関係はデータベースシステム１の外部で生じる事項である。このため、そのような外部で生じた因果関係の情報は、マニュアルでデータベースシステム１に入力することによって条件７と結果８とが特定され、そのその対応関係の解析結果を論理モデル６（したがって以後の検索論理２）に反映させることができる。すなわち、論理モデル６の進化は、データベースシステム１の内部のみならず、外部で生じる事象によっても進行可能である（論理モデル６の成長）。また、自然現象などを事象群としている場合には、センサなどの検知手段を用いてオンライン的に外部の情報を入力することも可能である。
【００３５】
以上では本発明のデータベースシステム１について一般的な基本概念を説明したが、以下ではより具体的な例をあげて本発明のデータベースシステム１に対応する実施形態と、それらの適用の具体例について説明する。
【００３６】
＜ハードウエア構成＞
この実施形態に係るデータベースシステムのハードウエア構成を図２のブロック図を参照しながら説明する。
【００３７】
データベースシステム１は、ネットワーク上に構成されたクライアント・サーバ型のデータベースシステムである。データベースシステム１は、データベースサーバ１０、クライアント２０およびルータ３０を備える。データベースサーバ１０、クライアント２０およびルータ３０は、ネットワーク４０によって接続され、相互に通信可能である。ネットワーク４０は、有線ＬＡＮ（Local Area Network)および無線ＬＡＮのいずれであってもよいし、無線ＬＡＮと有線ＬＡＮとが混在していてもよい。また、ネットワーク４０の一部あるいは全部が公衆電話回線を利用して構築されていてもよい。
【００３８】
データベースサーバ１０は、データを記憶する記憶媒体を備えたコンピュータである。データベースサーバ１０には、データベース管理システム（ＤＢＭＳ）およびミドルウエアがインストールされる。これにより、データベースサーバ１０は、データベースシステム１の本体部として機能する。データベースサーバ１０は、ネットワーク４０を介して得られたクライアント２０の指示に応答可能である。
【００３９】
クライアント２０は、ＣＲＴディスプレイ等の表示装置２１およびキーボード等の入力装置２２を備えたコンピュータである。クライアント２０には、データベース用アプリケーションがインストールされる。これにより、クライアント２０は、ネットワーク４０を介してデータベースサーバ１０へ指示を送信可能である。また、送信した指示に対するデータベースサーバ１０からの応答（検索出力等）を表示装置２１に表示可能である。これらにより、クライアント２０は、データベースシステム１の入出力端末（ユーザインターフェース）として機能する。
【００４０】
ルータ３０は、ネットワーク４０と外部ネットワークであるインターネット５０とを接続する。ルータ３０により、データベースシステム１は外部のデータソースからもデータを取得可能となる。
【００４１】
上述のデータベースシステム１においては、データベースサーバ１０、クライアント２０およびルータ３０が各々ひとつずつ設けられた単純な場合について説明したが、本発明に係るデータベースシステムはこのような態様に制限されない。すなわち、データベースサーバ、クライアントおよびルータが各々複数設けられてもよい。また、これらの一部または全部が一体化されていてもよい。さらに、データベースサーバおよびクライアントに異なるプラットフォームのコンピュータが混在していてもよい。
【００４２】
＜機能＞
次に、データベースシステム１の機能を、サブシステム間の関係を説明するブロック図（図３）を参照しながら各サブシステムごとに説明する。
【００４３】
○ユーザインターフェース１１０；
データベースシステム１には、ユーザがデータベースシステム１を操作する手段となるユーザインターフェース１１０が設けられる。ユーザインターフェース１１０は、ユーザの検索要求をエクゼキュートコンポジション１２０へ出力可能である。また、ユーザインターフェース１１０は、ユーザによって入力された追加データをデータストア１３０へ出力可能である。また、ユーザの検索要求に対するデータベースシステム１の応答を表示可能である。
【００４４】
○エクゼキュートコンポジション部１２０；
データベースシステム１には、検索要求をクエリに変換するエクゼキュートコンポジション部１２０が設けられ、このエクゼキュートコンポジション部１２０は図１の「検索論理２」の要部に対応する。エクゼキュートコンポジション部１２０は、ユーザインターフェース１１０から出力された検索要求をクエリに変換する。このクエリは、クエリ構造モデル１２１によって規定されるクエリ構造を備える。さらに、変換したクエリをクエリエンジンマイニング部１５０へ出力する。また、エクゼキュートコンポジション部１２０は、クエリエンジンマイニング部１５０が抽出したデータを取得してユーザインターフェース１１０へ出力する。このとき、エクゼキュートコンポジション部１２０は、後述するリアライゼーションストア１６０に格納された知識・構造・発見（ＫＳＤ；Knowledge Structure Discovery）モデル１６１を出力するデータに反映可能である。換言すれば、ＫＳＤモデルを検索論理に反映可能である。具体的には、ユーザが必要としているデータをＫＳＤモデル１６１から推測して、優先的にユーザインターフェース１１０へ出力したり、データをより適切に抽出できる検索要求の方法をユーザインターフェース１１０へ出力したり等の処理が可能である。さらに、エクゼキュートコンポジション部１２０は、ユーザインターフェース１１０との間の入出力内容を、ユーザの一連のデータベース操作の間保持して、リアライゼーションストア１６０へ出力可能である。
【００４５】
○データストア１３０；
データベースシステム１には、データ群１３２が格納されるデータストア１３０が設けられる。データストア１３０には、データ構造モデル１３１によって規定されるデータ構造と整合性を保った状態でデータ群１３２が格納されている。なお、データ構造モデル１３１は、後述するリストラクチャエンジン１７０によって更新可能である。
【００４６】
○トランスレータ１４０；
データベースシステム１には、外部データソースからデータを取得するトランスレータ１４０が設けられる。トランスレータ１４０は、外部データソース１８０から得られるデータを解析して、データ構造モデル１３１と整合性を持つデータへ変換可能である。変換されたデータは、データストア１３０に出力され、データ群１３２に追加される。
【００４７】
図４のブロック図に示すように、トランスレータ１４０には、データソースやデータフォーマットの種類ごとにコンポーネント１４１〜１４４が実装される。具体的には、外部データソース１８０の外部データベース１８１、ＷＷＷ（World Wide Web）１８２、ファイル１８３および画像・動画１８４にそれぞれ対応した、データベースコンポーネント１４１、ＷＷＷコンポーネント１４２、ファイルコンポーネント１４３および画像・動画コンポーネント１４４が実装される。トランスレータ１４０は、新規のデータソースやデータフォーマットに対応したコンポーネントを追加することにより、新規のデータソースやデータフォーマットのデータ変換も可能になる。
【００４８】
また、印刷物などの非電子化データ１８５は、スキャナやＯＣＲ等のデジタル化手段を使用してデジタル電子データに変換されてからトランスレータ１４０で処理される。
【００４９】
○クエリエンジンマイニング部１５０；
データベースシステム１には、クエリとマッチングするデータをデータ群１３２から抽出するクエリエンジンマイニング部１５０が設けられる。クエリエンジンマイニング部１５０は、エクゼキュートコンポジション部１２０から入力されたクエリと、データストア１３０に格納されたデータ群１３２との間でパターンマッチングを行い、クエリとパターンが一致するデータを抽出する。また、エクゼキュートコンポジション部１２０から入力されたクエリの末端要素をキーワードとして全文検索を行い、キーワードを含むデータを抽出する。さらに、クエリエンジンマイニング部１５０は、抽出したデータをエクゼキュートコンポジション部１２０へ出力する。
【００５０】
○リアライゼーションストア１６０；
データベースシステム１には、リアライゼーションストア１６０が設けられる。リアライゼーションストア１６０には、データベースシステム１が対象としている事象群中の未知事象に関する条件から結果を導く論理モデルであるＫＳＤモデル１６１が格納されている。このリアライゼーションストア１６０は、図１の「論理モデル６」を保持するとともに、それを進化させる要素に対応する。ＫＳＤモデル１６１は、既知事象に関する条件と結果との間の論理経路を解析し、その論理経路の特性を論理モデルとして特定するＫＳＤモデル構築部１６２によって随時更新可能である。すなわち、ＫＳＤモデル構築部１６２は、特定事象群の中の既知事象から上述の条件と結果との間の相関の分析および因果関係の特定を行う。さらに、ＫＳＤモデル構築部１６２は、その特定結果に基づいてＫＳＤモデル１６１を更新可能である。これにより、リアライゼーションストア１６０は、未知の事象に関して条件が与えられた場合に、特定した因果関係を利用して結果を推測することが可能になる。
【００５１】
上述の条件と結果とは、ユーザのデータベース操作に関するものであってもよいし、それ以外のものであってもよい。ユーザのデータベース操作に関する事象としては、たとえば、ユーザが検索要求に用いたキーワードが条件であり、データベースシステムからの検索出力の中からユーザが選択した情報が結果となる場合があげられる。ユーザのデータベース操作以外に関する事象としては、たとえば、学校の教育教材データベースにおいて、ユーザの検索要求に対してデータベースシステム１から出力された教材が条件であり、その教材による教育成果が結果となる場合があげられる。この教育成果は所定の手順でデータベースシステム１に入力される。
【００５２】
さらに、リアライゼーションストア１６０は、単に特定の時点までに得られた条件と結果との相関を算出する計算手段ではなく、時間の経過（データベース使用履歴の蓄積）にしたがって進化する動的な学習装置である。したがって、同じ条件と結果とが繰り返された場合、単に同じ論理モデルを繰り返し特定するのではなく、繰り返しの回数が増加するにつれて結果予測能力が向上するように構成される。すなわち、継続的に学習を続けることによって、条件と結果との間の意味理解を深めることが可能なように構成される。換言すれば、追加学習が可能なように構成される。これにより、条件から結果への論理経路が経時的に変化する場合、リアライゼーションストア１６０は論理経路の変化に合わせて論理モデルを少しづつ（すなわち段階的ないしは連続的に）変化させて結果予測能力を絶えず維持および向上可能である。この意味において、リアライゼーションストア１６０は、単に相関を計算する計算機ではなく、動的判断が可能なインテリジェントな人工知能である。
【００５３】
なお、上述の追加学習の結果予測能力への寄与の大きさは、データベースシステムに応じて様々に設計可能である。すなわち、遠い過去よりも近い過去の学習の方が重要であるデータベースシステム（たとえば、小売業において季節的な流行や売れ筋商品を調査するために設計されたデータベースシステム）の場合は、追加学習の寄与を大きくして古い学習を少しづつ「忘れる」ようにリアライゼーションストア１６０を構成する。また、遠い過去および近い過去の学習が同程度に重要であるデータベースシステム（たとえば、成熟技術分野の文献検索のために設計されたデータベースシステム）の場合は、追加学習の寄与を比較的小さくして、古い学習結果の結果予測能力への寄与を長期間維持できるようにリアライゼーションストア１６０を構成する。
【００５４】
次に、リアライゼーションストア１６０における「論理経路」「論理モデル」についてより具体的に説明する。まず、条件（例：検索における「キーワード」）が条件Ａ（ｉ）（ｉ＝１，２，・・・，ｎ）であり、この条件Ａ（ｉ）に対応する結果（例：ユーザが選択した情報）が結果Ｂ（ｉ）であるとする。このときの条件Ａ（ｉ）→結果Ｂ（ｉ）の各々の対応が「論理経路」に相当する。そして、ｉ＝１，２，・・・，ｎの複数の論理経路を包含する一般的な関係（写像）ｆ：条件群Ａ→結果群Ｂが「論理モデル」であり、ここで、
条件群Ａ＝｛Ａ（１），Ａ（２），・・・，Ａ（ｎ）｝，
結果群Ｂ＝｛Ｂ（１），Ｂ（２），・・・，Ｂ（ｎ）｝
である。条件Ａ（ｉ）および結果Ｂ（ｉ）が数値である場合、写像ｆは数学的な関数である。写像ｆは、一般的な関係であるから、新たな条件Ａ（ｊ）に対する結果Ｂ（ｊ）を推測するのに使用可能である。実際のデータベースシステムにおいては、写像ｆは、完全に正しい結果を与える場合だけでなく、近似的に正しい結果を与える近似関係をも含むが、サンプル数ｎが増加するにしたがって写像ｆの精度ないしは近似度は向上する。すなわち、データベースシステム１の使用頻度が深まるほど、リアライゼーションストア１６０はより正確に結果を予測可能になる。この意味で、リアライゼーションストア１６０は、自律的に「学習」を行う「進化するデータベース」であると言える。
【００５５】
さらに、写像ｆは経時的に変化可能でもある。すなわち、時間が経過して上述したｎ個の条件Ａ（ｉ），結果Ｂ（ｉ）に、それぞれ新たにｋ個の条件：
Ａ’＝｛Ａ（ｎ＋１），Ａ（ｎ＋２），・・・，Ａ（ｎ＋ｋ）｝
およびｋ個の結果
Ｂ’＝｛Ｂ（ｎ＋１），Ｂ（ｎ＋２），・・・，Ｂ（ｎ＋ｋ）｝
が追加された場合、写像ｆは、
・複数の条件群を結合した集合すなわち条件群Ａ＋Ａ’と、
・複数の結果群を結合した集合すなわち結果群Ｂ＋Ｂ’と、
の関係を反映したものに進化する。このため、写像ｆ’：Ａ’→Ｂ’が写像ｆと異なる場合、写像ｆは写像ｆ’を考慮して修正される。これが、上述した追加学習に相当する。もちろん、写像ｆ’が写像ｆと同じである場合は、写像ｆは修正されない。
【００５６】
また、写像ｆは、データ群１３２とは分離されて生成される。このため、特定のユーザまたはユーザ群（以下、単にユーザと略記する）にのみ適用可能な属人的なものではなく、拡張利用可能である。より具体的には、特定のユーザについて得られた写像ｆを他のユーザに適用可能である。さらに、複数の写像ｆ1，ｆ2を結合して新たな写像、たとえば
線形結合写像： ｃ1ｆ1＋ｃ2ｆ2、（ｃ1およびｃ2は定数）
を作成して利用することも可能である。
【００５７】
なお、上述した学習には、ニューラルネットワークやルールベースが好適に用いられる。後述する実施例において、データベースシステムにおける学習にニューラルネットワークやルールベースを適用する方法について単純な例をあげて説明する。
【００５８】
○リストラクチャエンジン１７０；
データベースシステム１には、データ構造を最適化するリストラクチャエンジン１７０が設けられる。リストラクチャエンジン１７０は、図５のブロック図に示すように、構造変化判断部１７１とリファクタリング部１７２とを備える。構造変化判断部１７１は、ＫＳＤモデル１６１とデータ構造モデル１３１とを対比して、データ構造モデル１３１がＫＳＤモデル１６１を反映しているかどうかの判断を行う。さらに、構造変化判断部１７１は、データ構造モデル１３１がＫＳＤモデル１６１を反映していない場合に、構造変化指示信号をリファクタリング部１７２へ出力する。リファクタリング部１７２は、この構造変化指示信号に応答して、データ構造モデル１３１をＫＳＤモデル１６１が反映されたものに変更する。さらに、変更後のデータ構造モデル１３１に適合するようにトランスレータ１４０を更新する。
【００５９】
ここで、データ構造モデル１３１の変更について、より具体的な例をあげて説明する。ここでは、データ構造モデル１３１が階層型のデータ構造を有している場合を例にあげる。ＫＳＤモデル１６１によって高頻度で出力されると予測される複数のデータ要素Ｃ（ｉ）（ｉ＝１，２，３）が、図６の階層図に示すように離れたノードに分散して記述されている場合、データの検索効率が低い。このため、このような場合は、構造変化判断部１７１によってデータ構造モデル１３１がＫＳＤモデル１６１を反映していないことを示す構造変化指示信号がリファクタリング部１７２へ出力される。構造変化指示信号を受けたリファクタリング部１７２は、データ構造モデル１３１を変更して、図７の階層図に示すようにデータ要素Ｃ（ｉ）（ｉ＝１，２，３）を近接したノードに集中させる。これは、ＫＳＤモデル１６１に対して最適化されていないデータ構造モデル１３１をより最適化された状態に近づけるデータ構造操作である。これにより、データの検索効率を向上でき、ＫＳＤモデル１６１の検索支援機能をより有効に機能させることができる。
【００６０】
上述のデータ構造変更例は単純化した一例であって、データ構造変更方法はこれに限定されない。たとえば、新たなノードを追加して適切なデータを記述するデータ構造変更やデータ中の構造化されていない部分を新たに構造化するデータ構造変更であってもよい。これらの具体例のいくつかは後述する実施例で説明するが、データ構造変更方法はこれらの実施例によっても制限されるものではなく、定義されたデータ構造をなんらかの形で変更する方法は全て許容される。
【００６１】
＜データ構造＞
上述したように、データストア１３０に格納されたデータ群１３２や検索要求を変換して得られたクエリは特定のデータ構造を有している。以下の説明においては、データ構造の例として階層型の例を説明するが、本発明におけるデータ構造はこれに限定されない。たとえば、リレーショナル型やネットワーク型のデータ構造も使用可能である。
【００６２】
本実施形態におけるクエリ構造モデル１２１およびデータ構造モデル１３１は、階層型のデータ構造を備える。階層構造は各要素にデータが記述されたグラフによって表現される。該表現にはＸＭＬ（eXtended Markup Language）が用いられ、ＲＤＦ（Resource Description Framework）が表現形式として採用される。なお、データ構造の表現手段はこれに限られることなく、データ構造を特定可能な様々表現形式を利用可能である。
【００６３】
クエリ構造モデル１２１の階層構造を図８にグラフで示す。図８に示すクエリ構造モデル１２１は学術論文データベースの検索クエリを例としている。この場合、クエリ構造モデル１２１は、ルート要素"root"に"query-id","query","keyword"の予約属性を持つ。"query-id"には、クエリを識別する固有の自然数が記述される。該自然数はクエリ作成時に作成され変更されることはない。"query"には、ユーザが入力した検索内容が記述される。"keyword"には、ユーザが入力したキーワードが記述される。この例の場合、ふたつのキーワードがあるため、ふたつの"keyword"ノードが作成されている。なお、必要に応じて上述の予約属性以外の属性を追加することも可能である。図８では学術論文データベースの検索クエリの場合を例としてあげたが、属性の内容はデータベースの目的に応じて様々に変更可能である。
【００６４】
次に、データ構造モデル１３１の階層構造を図９にグラフで示す。図９に示すデータ構造モデルは学術論文データベースのデータを例としている。この場合、データ構造モデル１３１は、ルート要素"root"に"data-id","data"の予約属性を持つ。"data-id"には、データを識別する固有の自然数が記述される。該自然数はデータストア１３０への登録時に作成され、変更されることはない。"data"には、オリジナルデータへのポインタがＵＲＬ（Uniform Resource Locator）で記述される。予約属性以外の任意属性である"field"には、学術論文の分野が記述される。なお、必要に応じて属性を追加してもよい。図９では、学術論文データベースのデータ構造の場合を例としてあげたが、クエリ構造モデル１２１の場合と同様に属性の内容はデータベースの目的に応じて様々に変更可能である。
【００６５】
＜その他＞
以上の実施形態においては、本発明に係るデータベースシステムについて一般化して説明したが、以下の実施例ではより具体的なデータベースシステムを例にあげて説明する。なお、上述のデータベースシステムで説明した構成が各実施例の各々に全て含まれているとは限られない。また、一部の構成が変形されている実施例も存在する。これらは、データベースシステムの具体的な特徴に合わせた設計事項に過ぎない。
【００６６】
【発明の実施例】
＜＜第１実施例 学術論文検索用データベースシステム＞＞
第１実施例に係るデータベースシステム１は、医療分野の学術論文（以後、単に「論文」と略記する）検索用のデータベースシステムである。
【００６７】
＜１．１ データ構造＞
○論文のＸＭＬ文書化；
検索対象となる論文は、トランスレータ１４０によってＸＭＬ文書に変換されてデータストア１３０に格納される。ＸＭＬ文書に変換前後の論文の例をそれぞれ図１０および図１１の模式図に示す。
【００６８】
図１０および図１１に示すように、論文２００の「タイトル」「著者」「キーワード」等の書誌項目は、各書誌項目名を要素名とする要素としてＸＭＬ文書２０１に記述される。たとえば、論文２００の「著者」である「山田太郎」は、ＸＭＬ文書２０１の「著者」という要素に記述される。また、論文２００の本体部の内容は、各セクション名を要素名とする要素としてＸＭＬ文書２０１に記述される。たとえば、論文２００の「はじめに」というセクションの内容は、ＸＭＬ文書２０１の「はじめに」という要素に記述される。
【００６９】
○データ構造モデル；
ＸＭＬ文書２０１の要素間の関係すなわちＸＭＬ文書２０１の構造は、ＲＤＦにより表現される。第１実施例の初期状態においては、ＸＭＬ文書２０１の構造は図１２の階層図に示すような階層型のデータ構造２１０となっている。具体的には、ルートセグメントから派生して、論文２００の分野を示すセッションセグメント２１１（図１２中にはひとつのセグメントしか記載されていないが実際は複数存在する）が設けられ、各セッションセグメントから派生してタイトルセグメント２１２が設けられ、各タイトルセグメントから派生して著者セグメント２１３、はじめにセグメント２１４、キーワードセグメント２１５、本文セグメント２１６、まとめセグメント２１７が設けられる。もちろん、このような階層型は一例であって他の階層型が採用されてもよい。また、一部の要素が構造化されない状態であってもよい。たとえば、「本文」を「理論」「計算」「実験方法」「実験結果」等にさらに階層化可能であっても、階層化しないで「本文」セグメントにそのまま記述している半構造化の状態であってもよい。
【００７０】
上述の構造はデータ構造モデル１３１としてデータストア１３０に格納される。格納されたデータ構造モデル１３１は、後述するようにデータベースシステム１の進化にともなって継続的に更新される。換言すれば、データ構造モデル１３１がデータ本体部１３２と同様にデータベースシステム１の客体（処理対象）となっている。この点で、本データベースシステム１は、データ構造モデル１３１がデータベースシステム１を規定しているため、継続的な進化を実現することが困難な従来のデータベースシステムとは異なる。このような特徴により、本データベースシステム１は、データ構造が完全に構造化されていない半構造化データの処理が容易であり、ユーザの使用状況に合わせてデータ構造モデル１３１を動的に進化させることができる。
【００７１】
＜１．２ データベース操作＞
○ユーザインターフェース；
データベースシステム１とユーザとの間の情報入出力はユーザインターフェース１１０を用いて行われる。ユーザインターフェース１１０には周知の各種ＧＵＩ（Graphical User Interface）を採用可能である。ユーザのデータベース操作はクライアント２０にインストールされたデータベース用アプリケーションを使用して行われる。以下では、ＧＵＩの画面表示例を参照しながらデータベース操作について説明する。
【００７２】
○認証；
第１実施例のデータベースシステム１は、ユーザごとにＫＳＤモデル１６１を保持するため、ユーザを特定する必要がある。したがって、使用開始前に認証手続きが行われる。より具体的には、図１３に示すように、データベースシステム１使用前にユーザはログイン画面２３０でユーザＩＤ欄２３１およびパスワード欄２３２の入力を行った後にＯＫボタン２３３を押下する。入力したユーザＩＤおよびパスワードが、データベースシステム１内に事前に登録されたユーザＩＤおよびパスワードと一致する場合、ログイン処理が完了しユーザはデータベースシステム１を使用可能になる。ユーザは、終了ボタン２３４を押下することによりデータベース操作を終了することもできる（以下の画面表示例においても、終了ボタンは同様の機能を有する）。
【００７３】
○検索；
第１実施例のデータベースシステム１では、ユーザが日常使用する自然文を入力して論文検索を実行可能である。検索は、図１４に示すように、検索画面２４０の検索入力欄２４１に検索に使用する自然文を入力して、検索ボタン２４２を押下することにより行う。たとえば、ユーザが胃がんの臨床例について調べる場合は、「胃がんの臨床例が記述された論文」を検索入力欄２４１に入力する。
【００７４】
○検索結果表示；
第１実施例のデータベースシステム１の検索結果表示画面２５０を図１５に示す。検索結果には、出力された論文数を示す該当件数２５１、出力順序を示すＮＯ２５２、出力された論文のセッション名２５３、タイトル２５４、データベースシステムが推測した検索入力との関連の強さを示すパラメータであるスコア２５５が表示される。ここで、スコア２５５は、０％〜１００％の数値範囲をとり、数値が大きいほど検索入力との関連が強いことを意味する。また、論文の出力順序はスコア２５５の降順となる。
【００７５】
表示された論文のタイトル２５４には、アンダーライン２５４ａが引かれており、詳細情報へのリンクが埋め込まれていることが示されている。ユーザは、マウスポインタを当該アンダーライン２５４ａにあわせてマウスボタンをクリックすることにより次に説明する詳細表示画面２６０を閲覧可能である。また、ユーザは、戻るボタン２５６を押下することにより、検索画面２４０を再度表示させることもできる。
【００７６】
○詳細表示；
上述した詳細表示画面２６０を図１６に示す。詳細表示画面２６０には、検索結果表示画面２５０で選択した論文の詳細が表示される。具体的には、タイトル２６１に加えて、はじめに２６２，本文２６３、まとめ２６４が表示される。ユーザは、ダウンロードボタン２６５を押下することにより、当該論文を所定のファイル形式でダウンロードして閲覧および印刷等を行うことも可能である。また、戻るボタン２６６を押下すれば、検索結果表示画面２５０を再度表示させて他の論文の詳細を選択可能である。
【００７７】
＜１．３ クエリ＞
○検索処理の最適化；
ユーザによって入力された検索文は、エクゼキュートコンポジション部１２０で解析されて、クエリエンジンマイニング部１５０の検索処理が最適になるようなクエリに変換される。図１７は、第１実施例に係るエクゼキュートコンポジション部１２０の機能を説明するブロック図である。以下では、「胃がんの臨床例が記述された論文」という自然文２７１が検索入力された場合を例として、エクゼキュートコンポジション部１１０の詳細を図１７を参照しながら説明する。
【００７８】
まず、ユーザインターフェース２８０から入力された「胃がんの臨床例が記述された論文」という自然文２７１は、形態素解析部２７４によって文節ごとに分解される。すなわち、「胃がん」「の」「臨床例」「が」「記述された」「論文」の７つの文節２７２に分解される。文節２７２に分解された検索入力は、クエリ生成部２７６に出力される。クエリ生成部２７６は、医療分野で使用される専門用語が記載された医療分野辞書２７５を参照して、入力された文節の中から専門用語のみを抽出する。この例の場合、「胃がん」「臨床例」のふたつの専門用語２７３が抽出されることになる。さらに、クエリ生成部２７６は、クエリ構造モデル１２１を参照して、抽出された専門用語２７３をクエリ構造モデル１２１と整合性を持つ形式に変換して、クエリエンジンマイニング部１５０へ出力する。
【００７９】
なお、エクゼキュートコンポジション部１２０に、「胃がん」「胃ガン」のような同義語で同等の検索出力が得られるように検索入力の多義性を解消する機能を搭載してもよい。
【００８０】
○検索処理と検索結果出力；
エクゼキュートコンポジション部１２０から入力されたクエリを用いて、クエリエンジンマイニング部１５０はクエリの「胃がん」「臨床例」を含む論文を全文検索によりデータストア１３０から抽出する。抽出された論文はエクゼキュートコンポジション部１２０に出力される。出力された論文は、先述した検索結果表示画面２５０に表示される。なお、検索結果表示画面２５０のスコア２５５は、第１実施例のデータベースシステム１の拡張機能によって与えられるものであり、詳細は後述の拡張機能欄で説明する。
【００８１】
＜１．４ ＫＳＤモデルの構築＞
ＫＳＤモデル１６１の構築には様々な態様が考えられるが、ここでは次のような事例をあげて説明する。すなわち、ユーザの検索入力から生成したクエリのキーワード（以下、「ユーザキーワード」と略記する）と、ユーザがダウンロードした論文の著者が論文に付したキーワード（以下、「１次キーワード」と略記する）との関係をニューラルネットワークに学習させてＫＳＤモデル１８１として蓄積する場合を考える。この場合、ユーザの一連のデータベース操作で得られた「ユーザキーワード」と「１次キーワード」とが、エクゼキュートコンポジション部１２０からリアライゼーションストア１６０に出力されてＫＳＤモデル１６１の構築に利用される。
【００８２】
本事例では、ユーザキーワードおよび１次キーワードは、それぞれ、発明の実施の形態で説明した条件Ａおよび結果Ｂに相当する。この場合、原理的には、医療分野辞書２７５に記載された全ての専門用語が条件Ａに、データストア１３０に格納されている全ての論文に付された全ての１次キーワードが結果Ｂとなりうる。本項では説明を簡潔にするために、医療分野辞書２７５に「胃がん」「臨床例」「骨折」の３語のみが、１次キーワードに「抗がん剤」「転移」「ギブス」の３語のみが含まれる単純なニューラルネットワークを例にあげて説明する。
【００８３】
第１実施例のニューラルネットワーク３００の模式図を図１８に示す。ニューラルネットワーク３００は、ニューロンを３個ずつ備える入力層Ｉ、中間層Ｍ、出力層Ｏの３層からなるパーセプトロンである。ここでは、「胃がん」「臨床例」「骨折」の各語をそれぞれ入力Ｘ１，Ｘ２，Ｘ３に対応づける。入力Ｘ１，Ｘ２，Ｘ３は、それぞれ「０」または「１」の値をとり、ユーザキーワードに含まれる語を「１」で、含まれない語を「０」で表現する。つまり、ユーザキーワードに「胃がん」「臨床例」が含まれる場合は、入力は（Ｘ１，Ｘ２，Ｘ３）＝（１,１,０）となる。同様に、「抗がん剤」「転移」「ギブス」の各語をそれぞれ、出力Ｙ１，Ｙ２，Ｙ３に対応づける。出力Ｙ１，Ｙ２，Ｙ３は、それぞれ「０」または「１」の値をとり、１次キーワードに含まれる語を「１」で、含まれない語を「０」で表現する。つまり、１次キーワードに「抗がん剤」「転移」が含まれる場合に対応する出力は（Ｙ１，Ｙ２，Ｙ３）＝（１,１,０）となる。
【００８４】
入力（Ｘ１，Ｘ２，Ｘ３）は、それぞれ入力層のニューロンＩ１，Ｉ２，Ｉ３に入力される。また、ニューロンＩ１，Ｉ２，Ｉ３の各出力は中間層のニューロンＭ１，Ｍ２，Ｍ３全てに入力される。さらに続けて、ニューロンＭ１，Ｍ２，Ｍ３の各出力は出力層のニューロンＯ１，Ｏ２，Ｏ３全てに入力される。ニューロンＯ１，Ｏ２，Ｏ３の出力は、それぞれ、出力Ｙ１，Ｙ２，Ｙ３となる。
【００８５】
ここで、ニューロンについて説明する。図１９に示すように、一般にニューロン３１０は入力ｘ1，ｘ2，・・・，ｘN（本事例ではＮ＝３）に応じて、出力ｙを決定可能である。入力ｘ1，ｘ2，・・・，ｘNには、それぞれ、各入力の重みである結合加重ｗ1，ｗ2，・・・，ｗNが定められている。ニューロン３１０に入力が与えられた場合、入力ｘ1，ｘ2，・・・，ｘNと結合加重ｗ1，ｗ2，・・・，ｗNとから算出されるネット値ｕ（数１）および結合関数Ｆ（数２）によって出力ｙが決定される。
【００８６】
【数１】
【００８７】
【数２】
【００８８】
数２におけるθは、結合関数Ｆのしきい値である。つまり、ネット値ｕがしきい値θを超えると出力が「０」から「１」へ変化することを示す。なお、上述の結合加重ｗ1，ｗ2，・・・，ｗNはニューラルネットワーク３００の学習によって変化する。また、上述の結合関数Ｆは一例であって、データベースシステムの特徴によって様々に変更されうる。
【００８９】
次に、ニューラルネットワーク３００の学習について説明する。ニューラルネットワーク３００は、エクゼキュートコンポジション部１２０からリアライゼーションストア１６０が取得した１次キーワードを、対応するユーザキーワードに対する教師信号として学習を行う。すなわち、ニューラルネットワーク３００において、入力信号ベクトルｖi＝（Ｘ１，Ｘ２，Ｘ３）＝（１，１，０）に対するニューラルネットワーク３００の出力信号ベクトルｖo＝（Ｙ１，Ｙ２，Ｙ３）＝（１，０，１）が、教師信号となる１次キーワードベクトルｖkey＝（Ｙ１’，Ｙ２’，Ｙ３’）＝（１，１，０）に近づくように、ニューロンの結合加重を変化させるプロセスを実行する（これらの関係を図２０に一覧表にして示す）。学習は、たとえば標準デルタ則に基づいて行われる。具体的には、ニューロンＭjからニューロンＯiへの学習前の結合加重がＶijであるとき、数３で定められるＶij’をニューロンＭjからニューロンＯiへの新たな結合加重として採用することによって、ニューラルネットワーク３００に学習させる。
【００９０】
【数３】
【００９１】
ただし、εは正の実数であり、直近の学習の寄与度を示すパラメータである。ａjはニューロンＭjの出力である。
【００９２】
数３より明らかなように、教師信号と出力信号とが等しい場合は、結合加重の変化はなく学習は行われない。ある出力に対応するニューロンの出力信号が「０」で教師信号が「１」の場合は、ニューロンの出力が大きくなるように結合加重が増加させられる。逆に、ある出力に対応するニューロンの出力信号が「１」で教師信号が「０」の場合は、ニューロンの出力が小さくなるように結合加重が減少させられる。これらにより、特定の入力信号に対する出力信号を教師信号に近づけるように結合加重は変化してゆくことになる。
【００９３】
なお、上述の学習プロセスにおいては中間層Ｍの結合加重は変化しないが、実際のデータベースシステムにおいては、バックプロパゲーション等のより高度な学習則により中間層Ｍの結合加重を変化させることもできる。
【００９４】
これらの学習を繰り返すことにより（すなわち、ユーザが検索入力とダウンロードを繰り返せば繰り返すほど）、リアライゼーションストア１６０における条件（ユーザキーワード）から結果（１次キーワード）への写像の近似度を向上することが可能である。近似度が向上すれば、ユーザがデータベース操作を行うために新たに検索入力を行った場合に、リアライゼーションストア１６０はユーザが必要とする論文に含まれる１次キーワードをより正確に推測可能になる。この推測能力向上は、次節以降で説明するデータベース構造の変更や拡張機能等のユーザに有用な諸機能を提供するのに利用可能である。
【００９５】
また、ユーザの検索入力やダウンロードする論文の傾向が経時的に変化しても（たとえば、学部学生→大学院生→教官と進むにつれて、ありふれた病気から難病に関する論文を検索することが多くなるような場合）、ＫＳＤモデル１６１はそのような変化に対応して変化することができるので、ユーザにとってのデータベースシステム１の有用性は維持される。
【００９６】
＜１．５ データ構造モデルの進化＞
第１実施例においては、ＫＳＤモデル１６１が追加学習を行うたびにデータ構造モデル１３１が変化する例を説明する。つまり、この例ではＫＳＤモデル１６１のデータ予測能力向上と並列的にデータ構造モデル１３１が変化する。
【００９７】
○構造変化判断；
ユーザの一連のデータベース操作においてユーザキーワードおよび１次キーワードが決定されると、１次キーワードがユーザキーワードを反映しているかどうかを構造変化判断部１７１が判断する。より具体的には、全てのユーザキーワードが１次キーワードに含まれている場合は１次キーワードがユーザキーワードを反映していると判断し、１次キーワードに含まれていないユーザキーワードが存在する場合は１次キーワードがユーザキーワードを反映していないと判断する。
【００９８】
○構造変更プロセス；
１次キーワードがユーザキーワードを反映していないと構造変化判断部１７１が判断した場合、構造変化指示信号が構造変化判断部１７１からリファクタリング部１７２に出力される。構造変更指示信号が入力されたリファクタリング部１７２は、構造変更プロセス（データ構造の再構築）を実行する。この構造変更プロセスについて、図２１のフローチャートを参照しながら説明する。
【００９９】
まず、ステップＳ２０１では現時点のデータ構造モデル１３１を確認して分岐処理を行う。すなわち、リファクタリング部１７２は、対応する論文のキーワードセグメント２１５の下層に１次キーワードセグメント３２２およびユーザキーワードセグメント３２３（図２２の階層図にて示すデータ構造３２０参照）が存在するかどうかを確認する。これらのセグメントが存在する場合はステップＳ２０３へ移行する。これらのセグメントが存在しない場合はステップＳ２０２へ移行する。
【０１００】
ステップＳ２０２においては、キーワードセグメント３２１の下層に１次キーワードセグメント３２２およびユーザキーワードセグメント３２３を新たに作成する。さらに、データ構造２１０のキーワードセグメント２１５に記述されているキーワードを１次キーワードセグメント３２２に複製して記述する。これらの処理が終了した後に、ステップＳ２０３へ移行する。
【０１０１】
ステップＳ２０３では、ユーザキーワードのうち、１次キーワードに含まれないキーワードをユーザキーワードセグメント３２３に追記して今回の構造変更プロセスを終了する。
【０１０２】
以上の構造変更プロセスにより、著者が論文に与えたキーワード以外のユーザキーワードが追加される。
【０１０３】
検索処理は全文検索により行われるので、追加されたユーザキーワードは論文のいずれかの箇所に含まれていた専門用語である。つまり、論文の著者があらかじめ予想しなかったものの論文には含まれていた専門用語によって、当該論文がユーザによって抽出されたということになる。
【０１０４】
第１実施例のデータベースシステム１では、以後のデータベース操作において、このようにして追加されたユーザキーワードを１次キーワードと同等のものとして取り扱う。すなわち、以後のデータベース操作において、ニューラルネットワーク３００の教師信号となる１次キーワードに「胃がん」や「抗がん剤」をも含めて取り扱う。これにより、論文のキーワードにユーザが使用するキーワード（より正確にはユーザが検索入力する自然文に含まれる専門用語）が論文の特徴を表現するキーワードとして追加されるだけでなく、ニューラルネットワーク３００の出力もこのようなキーワードを出力する傾向が強くなるように学習が行われる。そして、新たな検索処理が行われるごとにこのような構造変更プロセスが実行されるため、データベースシステム１が活用されればされるほど、ユーザは自分が必要とする論文を検索する作業が容易になる。この容易性は蓄積される性質を有しており、従来のデータベースシステムでは実現が難しいものである。
【０１０５】
以上の構造変更プロセスにより、データ構造２１０にはＫＳＤモデル１６１に蓄積される論理モデル６に対応する構造が与えられることになる。これは、リアライゼーションストア１６０によるデータベース進化をより促進するものである。このため、以上のような構造変更プロセスを備えることにより、データベースシステム１におけるデータ群１３２へのアクセス効率が向上し、ユーザのデータベース操作をより強力に支援できる。
【０１０６】
＜１．６ 拡張機能＞
第１実施例に係るデータベースシステム１は、ＫＳＤモデル１６１を利用してユーザに検索機能以外の様々な拡張機能を提供することが可能である。本節では、そのような拡張機能の具体例について説明する。
【０１０７】
○検索結果表示順序；
検索結果表示画面２５０（図１５）で説明したように、検索結果にはスコア２５５が付加され、出力された論文はスコア２５５の降順に表示される。このスコア２５５は、対応する論文の１次キーワードベクトルｖkeyと出力信号ベクトルｖoとのなす角φの余弦ｃｏｓφ（図２３参照）と正の相関を有する量として与えられる。つまり、エクゼキュートコンポジション部１２０は、値φが小さくなるほど高いスコア２５５を算出するように構成される。出力信号ベクトルｖoは、リアライゼーションストア１６０が推測した必要な論文に含まれるキーワードであるから、当該キーワードを実際に１次キーワードとして含んでいる論文が高いスコア２５５を得て、検索結果の上位に表示されることになる。
【０１０８】
また、検索入力を繰り返せば繰り返すほど、リアライゼーションストア１６０の推測能力は向上するので、出力されるスコア２５５もより的確な数字に変化することになる。これにより、ユーザは、必要とする論文をより効率的に検索することが可能になる。
【０１０９】
○非熟練ユーザへのガイダンス；
第１実施例のデータベースシステム１は、ＫＳＤモデル１６１を利用して非熟練ユーザにガイダンスを行うことができる。ここでは、クエリエンジンマイニング部１５０が論文を絞り込むのにほとんど役立たない抽象的な検索入力を行う非熟練ユーザに、より適切な検索を行うガイダンスを行う例を例示する。
【０１１０】
たとえば、非熟練ユーザが「薬」という漠然とした検索入力を行った場合を考える。この場合に、図２４の検索結果表示画面３３０に示すように多数の検索結果が出力されたものの、出力された論文のスコアは極めて低く検索結果から有用な情報は得られなかったとする。これは、「薬」という専門用語が多数の論文で使用されている一方で、ニューラルネットワーク３００上で強く結合している１次キーワードが少ない、すなわち、多くの１次キーワードと弱く結合していることを示している。このような場合、ニューラルネットワーク３００上で相対的に強く結合している、すなわち「薬」という入力を与えたときに比較的大きなネット値ｕが得られる出力層Ｏのニューロンに対応する１次キーワードを推奨キーワード３３１として、検索結果表示画面３３０に出力する。図２４には、推奨キーワード３３１として、「合成抗菌剤」「副作用」が表示された例を示す。つまり、「薬」という漠然としたキーワードが入力されたときであっても、それ以前の多数回の検索プロセスの解析によって、このデータベースを使用する一群のユーザは「合成抗菌剤」「副作用」に関連する論文を必要としている場合が多いということがニューラルネットワーク３００上で学習されているために、その学習結果によって特定された推奨キーワード３３１がユーザに提供される。これらの推奨キーワード３３１には、リンクが埋め込まれていることを示すアンダーライン３３２が引かれており、タイトル２５４についての説明時に述べたのと同様の方法でＧＵＩの操作を行うことにより、クリックしたキーワードの検索を自動的に実施することが可能である。
【０１１１】
○ＫＳＤモデルのエクスポート、インポート；
先述したＫＳＤモデル１６１は、データストア１３０に格納されたデータ群１３２とは分離しているので、このデータベースシステム１と同様の構造を有する他のデータベースシステム（以下「同種データベース」）に対してエクスポート可能である。たとえば、医療分野の学術論文検索用のデータベースシステム１におけるＫＳＤモデル１６１を、医薬製造分野の学術論文検索用のデータベースシステムへエクスポートしてＫＳＤモデルとして利用することも可能である。エクスポートは、たとえば、結合加重を所定形式のファイルに記述して異なるデータベースシステムへ複製することにより行う。
【０１１２】
これらのデータベースシステムが相互に類似の機能構成を持つために、医薬製造分野の学術論文検索用のデータベースシステムのＫＳＤモデルを、医療分野の学術論文検索用のデータベースシステムへインポートする逆の操作も同様の方法で可能である。
【０１１３】
これにより、新規のデータベースシステムを立ち上げる場合でも、ＫＳＤモデルを初期状態から学習させることなく、新規データベースシステム使用開始直後から高度に学習が進行したＫＳＤモデルを使用可能になる。また、使用者が少なくＫＳＤモデルの学習が進行しにくいような場合でも、高度に学習が進行したＫＳＤモデルをインポートすることにより、ユーザの検索作業を強力に支援できる。
【０１１４】
すなわち、図１の論理モデル６に相当する図３のＫＳＤモデル１６１は、データストア１３０の内容とは分離可能に構築されかつ進化するため、ＫＳＤモデル１６１（論理モデル６）は複数のデータベースシステム間で汎用となっており、それらのデータベースの間で論理モデル６のインポートもエクスポートも可能である。換言すれば、論理モデル６（ＫＳＤモデル１６１）は各データベースに固有のデータ蓄積内容とは独立した自己完結性を持つために、複数のデータベース間で移植可能である。
【０１１５】
○ＫＳＤモデルの結合；
また、第１実施例ではＫＳＤモデル１６１はユーザごとに設けられるが、複数のユーザのＫＳＤモデルを結合して新たなＫＳＤモデルを作成することも可能である。
【０１１６】
すなわち、複数のユーザと複数のデータベースとが存在する場合、それらに利用される論理モデルの種類として、
1) 各ユーザごとに固有であるが、複数のデータベースに共通に利用できる論理モデル（以下「データベース汎用型の論理モデル」）；
2) 各データベースごとに固有であるが、複数のユーザに共通に利用できる論理モデル（以下「ユーザ汎用型の論理モデル」）；
3) 各ユーザと各データベースとどの組合せにも共通の論理モデル（以下「全汎用型の論理モデル」）；
4) ユーザとデータベースとの組合せごとに異なる論理モデル（以下「固有論理モデル」）、
の４種類が存在し得る。前項で説明した医療分野と医薬製造分野とのそれぞれの学術論文検索用のデータベース間で移植されるの論理モデル６は、上記４種のうちの「データベース汎用型の論理モデル」に対応するものである。この場合には、個々のユーザの論理モデルはそのユーザの性格や能力（ユーザグループであればそのグループの特質）を反映した「属人的」なものであるため、その論理モデルはそのユーザに対しては他の同種データベースにも利用可能であることが多いとの原理に立脚した態様である。
【０１１７】
これに対して、上記４種のうちの「ユーザ汎用型の論理モデル」は、同じデータベースについての各ユーザの論理モデルを結合することによって、そのデータベースについて、各ユーザに共通でかつ高度の論理モデルを構築することか可能としている。たとえば類似の論文検索傾向を有する（たとえば、循環器系の外科医同士）ユーザＵおよびＶのＫＳＤモデル１６１を結合することによってこのような進化を達成可能である。
【０１１８】
このような場合には、ユーザＵおよびＶの結合加重をそれぞれＷU，ＷVとする。また、ユーザＵおよびＶのデータベース使用頻度をそれぞれＰU，ＰV（ＰU＋ＰV＝１）とする。このとき、使用頻度ＰU，ＰVを重みとした結合加重ＷU，ＷVの加重和（ＰUＷU＋ＰVＷV）を新たな結合加重として算出して、この新たな結合加重を含むＫＳＤモデル１６１（論理モデル６）をユーザＵおよびＶに共通の論理モデルとして提供する。これにより、各ユーザのそれぞれについて単独に進化させたＫＳＤモデル１６１よりも高度に学習が進行したＫＳＤモデル１６１を利用可能となり、各ユーザの検索効率を高めることができる。
【０１１９】
＜１．７ 変形例＞
上述の第１実施例では、ユーザキーワードと１次キーワードとの間に存在する論理モデルをニューラルネットワークで特定して保持し、データ構造変更に利用する場合を説明したが、ＫＳＤモデル１６１はこれ以外にも様々な態様が考えられる。たとえば、ユーザキーワードが含まれる数を各セクションごとに累積記憶して、累積記憶数が大きいセクションを構造化するような場合が考えられる。たとえば、図２５の階層図に示すように、構造化されていない本文中のサブセクションにおいて、ユーザキーワードの累積含有数が大きい「実験方法」「実験結果」「実験装置」を新たに構造化するような場合が考えられる。このような構造変更を行った場合、トランスレータ１４０も同時に更新して、新たに追加される論文があらかじめこのようなデータ構造モデル１３１と整合性を保持している状態にする。
【０１２０】
＜＜第２実施例 学校の教育教材データベースシステム＞＞
データベースシステム１の第２実施例は、学校の教育教材（以下、単に「教材」と略記する）を管理するデータベースシステムとして構築される。このデータベースシステム１は、特に、入力された教育成果から生徒に最適化された教材を決定して、教師が生徒を指導するときに使用する教材選択を支援するために用いられる。以下で、当該データベースシステム１について説明を行うが、第１実施例と同様の点については詳細説明を省略する。
【０１２１】
＜２．１ データ構造＞
第２実施例のデータベースシステム１のデータストア１３０には、教材データ、教育成果データ、生徒特徴データと、そのデータ構造モデル１３１とが格納されている。
【０１２２】
○教材データ；
教材データは、第１実施例の論文５０と同様にＸＭＬ文書として記述される。ＸＭＬ文書には、指導に用いられる教材の内容が科目、単元、指導方法別に記述されている。記述内容は、図２６の階層図に示すようなデータ構造４００を有する。すなわち、教材セグメント４０１から派生して汎用の教材を意味する基本教材セグメント４０２が設けられ、基本教材セグメント４０２から科目セグメント４０３〜４０５が設けられ、各科目セグメントから単元セグメント４０６〜４０８が設けられ、各単元セグメントから派生して講義中心型、バランス型、演習中心型等の教材セグメント４０９〜４１１が設けられる。教材セグメント４０９〜４１１には、教材の具体的内容、その教材を使用する場合の指導上の注意事項、テスト問題の雛形が記述されている。すなわち、教師が参照する教材が複数記述されている。ここで、講義中心型および演習中心型は、それぞれ講義および演習の比率を標準より高めた教材である。一方、バランス型は講義と演習との比率が標準的な教材である。
【０１２３】
○教育成果データ；
教育成果データは、生徒、科目、単元別に、使用した教材と教育成果がＸＭＬ文書として記述される。当該ＸＭＬ文書のデータ構造４２０を図２７の階層図に示す。図２７からわかるように、教育成果セグメント４２１から派生して、生徒セグメント４２２〜４２３が設けられ、各生徒セグメントから派生して科目セグメント４２４〜４２６が設けられ、各科目セグメントから派生して単元セグメント４２７〜４２９が設けられる。単元セグメント４２７〜４２９には、使用した教材と教育成果（Ａ，Ｂ，Ｃ）が記述されている。教育成果は、たとえば、テスト結果等の生徒の理解度を示す情報であり、所定の分類基準にしたがってＡ〜Ｃの３段階にランク分けされる。
【０１２４】
○生徒特徴データ；
生徒特徴データには、生徒の入学時学力、性格、希望進路が生徒ごとにＸＭＬ文書として記述される。当該ＸＭＬ文書のデータ構造４３０を図２８の階層図に示す。図２８からわかるように、生徒特徴セグメント４３１から派生して、生徒セグメント４３２〜４３３が設けられ、各生徒セグメントから派生して入学時学力セグメント４４４、性格セグメント４４５、希望進路セグメント４４６等の特徴項目のセグメントが設けられる。入学時学力セグメント４４４、性格セグメント４４５、希望進路セグメント４４６には、入学時学力、性格、希望進路が所定の分類基準に基づいて記述される。
【０１２５】
上記の教材データのデータ構造モデル１３１は、第１実施例と同様にデータベースシステム１の進化にともなって継続的に更新される。すなわち、後述するように、教材選択（条件）→教育成果（結果）確認を繰り返して得られたＫＳＤモデル１６１を利用して、生徒の個性に対して最適化された教材を的確に提供できるように構造が変化してゆく。したがって、図２６に示すデータ構造４００は初期状態であり、データベースシステム１の運用実績が増加するにつれて変化する。
【０１２６】
＜２．２ データベース操作＞
○ユーザインターフェース；
第２実施例のデータベースシステム１は第１実施例と同様にＧＵＩを採用している。ユーザは、教材問い合わせ画面４５０で所定の項目を入力することにより、データストア１３０に格納された教材を閲覧可能であるとともに、使用した教材による教育成果を教育成果画面４７０で登録可能である。以下では、教材問い合わせおよび教育成果登録の方法について、ＧＵＩの画面表示例を参照しながら説明する。
【０１２７】
○教材問い合わせ；
図２９は教材問い合わせに使用されるＧＵＩの画面表示例である。教材問い合わせ画面４５０には、生徒名欄４５１、科目欄４５２、単元欄４５３の記入欄が設けられている。ユーザ（主として教師を想定している）は、これらの記入欄に所定事項を入力して問い合わせボタン４５４を押下することにより、入力した科目・単元において、生徒名を入力した生徒に対して最適化された教材をＧＵＩで閲覧可能である。また、終了ボタン４５５を押下することによりデータベース操作を終了することができる（以下の画面表示例においても、終了ボタン４５５は同様の機能を有する）。
【０１２８】
○教材表示画面；
次に、ＧＵＩで表示される教材表示画面４６０を図３０に示す。図３０は、最適化された教材として「講義中心型」が表示された場合である。もちろん、「演習中心型」が最適であると推測される生徒には、「演習中心型」の教材が表示される。また、データベース使用開始直後等で最適な教材が推測できない場合は、「講義中心型」「バランス型」「演習中心型」の全ての教材が表示される。このような場合、ユーザは表示された教材から適宜選択して生徒の指導を行うことになる。
【０１２９】
教材表示画面４６０には、生徒名、科目、単元の他に、教材の具体的内容、その教材を使用する場合の指導上の注意事項、テスト問題の雛形が表示されている。
【０１３０】
○教育成果登録；
図３１は使用した教材による教育成果を登録する場合に使用されるＧＵＩの教育成果登録画面４７０である。教育成果登録画面４７０には、生徒名欄４７１、教材欄４７２、理解度欄４７３、科目欄４７４、単元欄４７５の記入欄が設けられている。ユーザは、これらの記入欄に所定事項を入力して登録ボタン４７６を押下することにより、データストア１３０に格納された教育成果データに新規データを追加可能である。なお、この新規データの追加は、入力項目と同等の内容が含まれる別の電子データからトランスレータ１４０を使用して行うことも可能である。
【０１３１】
＜２．３ クエリ＞
○教材問い合わせと出力；
ユーザによって教材問い合わせが行われると、問い合わせはエクゼキュートコンポジション部１２０でクエリに変換されてクエリエンジンマイニング部１５０に出力される。クエリエンジンマイニング部１５０は、続いて、基本教材セグメントと同じ階層に、入力された生徒名に対応する生徒セグメントが存在するかどうかを確認する（図３２のデータ構造４８０参照；なおデータ構造４００からデータ構造４８０への構造変更については後述する）。対応する生徒セグメントが存在する場合、当該セグメントの下層に存在する、入力された科目・単元に対応する教材をクエリエンジンマイニング部１５０は抽出して、エクゼキュートコンポジション部１２０に出力する。対応するセグメントが存在しない場合、基本教材セグメントの下層に存在する、入力された科目・単元に対応する教材をクエリエンジンマイニング部１５０は抽出して、エクゼキュートコンポジション部１２０に出力する。
【０１３２】
エクゼキュートコンポジション部１２０は、入力された教材をＨＴＭＬ（Hyper Text Markup Language）形式等の閲覧に適した形式に変換して、ユーザインターエース１１０に出力する。この出力結果が図３０の教材表示画面４６０に相当する。
【０１３３】
＜２．４ ＫＳＤモデルの構築＞
○分散分析；
第２実施例におけるＫＳＤモデル１６１には、生徒の特徴と効果的な教材との関係が蓄積される。生徒の特徴としては、データストア１３０に蓄積された生徒特徴データに記述された項目を全て考慮可能であるが、ここでは入学時学力のみを考慮した場合を説明する。
【０１３４】
まず、ＫＳＤモデル構築部１６２は、単元ごとにおける、全ての生徒の入学時学力と使用された教材とが教育成果に与える影響を解析する。これにより、入学時学力（条件）ごとに教育成果を最大化できる教材（結果）を単元ごとに算出する。これは、発明の実施の形態で説明したＡ（ｉ）→Ｂ（ｉ）の論理経路を解析することに相当する。第２実施例における解析では、教材による教育成果の差はないという結果を得ることもありうるが、この場合は新たな知見は得られなかったものとして、後続するＫＳＤモデル１６１の蓄積等の処理を行わないことにする。
【０１３５】
第２実施例の解析は、教育成果を目的変数、入学時学力および教材を説明変数として、分散分析によって行う。この手順を図３３のフローチャートを参照しながら説明する。
【０１３６】
まず、ステップＳ１において、データ数が十分であるかどうかを確認する。すなわち、所定の閾値と現在のデータ蓄積数を比較し、分散分析処理に必要なデータがそろっているかどうかにより分岐処理を行う。現在のデータ蓄積数が閾値より小さくてデータ数が不十分の場合、処理を終了する。すなわち、ＫＳＤモデル１６１の更新は行われない。データ数が十分である場合、次のステップＳ２へ移行する。ここでの「データ数が十分」であるとは、データを繰り返しのある２元配置に配置できるという意味であるが、この基準は様々な統計処理方法に応じて変更されうる。
【０１３７】
ステップＳ２では、教育成果を目的変数、入学時学力および使用された教材を２元配置した説明変数として分散分析を行う。ここで、入学時学力はデータストア１３０に格納された生徒特徴データから、使用された教材はデータストア１３０に格納された教育成果データから読み込まれる。つまり、ふたつの異なるデータ体系を結合して解析が行われる。
【０１３８】
分散分析の結果、入学時学力および使用された教材に交互作用がある（入学時学力によって最適教材選択基準が異なる）と判断される場合は、ステップＳ３へ移行する。一方、分散分析の結果、入学時学力および使用された教材に交互作用がない（最適教材選択基準は入学時学力に影響されない）と判断される場合は、ステップＳ４へ移行する。
【０１３９】
ステップＳ３では、入学時学力ごとに使用された教材と教育成果との関係を解析する。すなわち、教育成果データを入学時学力別に層別して分散分析を行う。この分散分析は、使用された教材を説明変数、教育成果を目的変数とした１元配置の分散分析である。この分散分析において有意差があると判断される場合には、ステップＳ５へ移行する。有意差がないと判断される場合は処理を中止する。
【０１４０】
ステップＳ４では、交互作用項をプーリング（交互作用項を誤差項に含める）して再度分散分析を実施する。この分散分析において有意差があると判断される場合は、ステップＳ５へ移行する。有意差がないと判断される場合は処理を終了する。
【０１４１】
ステップＳ５では、入学時学力ごとの最適な教材をＫＳＤモデル１６１に蓄積して、処理を終了する（蓄積方法は後述）。もちろん、入学時学力と最適教材選択基準とが無関係の場合は全ての生徒に対して同じ指導方法が登録されることになる。
【０１４２】
以上の処理により、有効性が統計的に有意な教材があれば、それをＫＳＤモデル１６１に蓄積することが可能であり、有効な指導法がなければＫＳＤモデル１６１は特に変化しないことになる。
【０１４３】
○ＫＳＤモデル；
ＫＳＤモデル構築部１６２は、上述の分散分析による解析によって得られた知見をＫＳＤモデル１６１に蓄積する。知見は、第１実施例と同様にニューラルネットワークを使用して行われる。
【０１４４】
第２実施例で使用されるニューラルネットワークの模式図を図３４に示す。第２実施例におけるニューラルネットワークは第１実施例と類似しているので、第１実施例と異なる点のみを説明し、残余の点の詳細説明は省略する。
【０１４５】
第２実施例のニューラルネットワークは、第１実施例と同様にニューロンを複数備える入力層Ｉ・中間層Ｍ・出力層Ｏの３層からなるパーセプトロンである。第２実施例では、「入学時学力Ａ」「入学時学力Ｂ」「入学時学力Ｃ」をそれぞれ入力Ｘ１，Ｘ２，Ｘ３に対応づける。同様に、「講義中心型」「バランス型」「演習中心型」をそれぞれ出力Ｙ１，Ｙ２，Ｙ３に対応づける。入力Ｘ１，Ｘ２，Ｘ３は、それぞれ「０」または「１」の値をとり、「入学時学力Ａ」「入学時学力Ｂ」「入学時学力Ｃ」に対応する入力は、それぞれ、
（Ｘ１，Ｘ２，Ｘ３）＝（１,０,０），（０,１,０），（０，０，１）
となる。出力Ｙ１，Ｙ２，Ｙ３は、それぞれ「０」または「１」の値をとり、「講義中心型」「バランス型」「演習中心型」に対応する出力は、それぞれ、
（Ｙ１，Ｙ２，Ｙ３）＝（１,０,０），（０,１,０），（０，０，１）
となる。第１実施例の場合と異なり、Ｘ１〜Ｘ３は、ふたつ以上が同時に１の値をとることはない。たとえば、（Ｘ１，Ｘ２，Ｘ３）＝（１，１，０）のような入力は存在しない。一方、出力要素Ｙ１〜Ｙ３は、それらのうちのふたつ以上が同時に「１」の値をとることも許可される。ふたつ以上が同時に「１」の値をとる場合は、効果的な指導方法が複数存在するとニューラルネットワークが推測していることを意味する。
【０１４６】
第２実施例のニューラルネットワークの教師信号は、前述した分散分析により得られた結果である。すなわち、各単元ごとに解析された入学時学力ごとの効果的な教材が解析されるが、これは実施形態の説明のインデックスｉを単元として条件Ａ（ｉ）→結果Ｂ（ｉ）が解析されたことに相当する。この条件Ａ（ｉ）→結果Ｂ（ｉ）の解析結果から、一般的な写像ｆ：Ａ→Ｂを特定するのが、第２実施例のニューラルネットワークの役割である。なお、学習の方法は、第１実施例で説明したのと同様の手法が適用可能である。
【０１４７】
ニューラルネットワークが学習を繰り返すことにより（すなわち、教材選択→教育成果入力が繰り返されるほど）、リアライゼーションストア１６０における条件（入学時学力）から結果（最適教材）への写像の近似度を向上することが可能である。つまり、生徒の入学時学力がわかれば、最適教材をより正確に推測可能になる。また、入学時学力と最適教材との関係が少しづつ変化しても（たとえば、教育すべき内容が少しづつ抽象的になって、入学時学力が低い生徒も高い生徒も、演習中心の指導でなければ教育成果があげらなくなるような場合）、ＫＳＤモデル１６１は適切な推測を行うことができるので、データベースシステム１の有効性は維持される。つまり、第２実施例として構成されたデータベースシステム１は、教育環境の動的な変化に対しても対応可能である。この点で、第２実施例として構成されたデータベースシステム１は、従来から存在する、単に教材を電子データに置き換えて検索の手間を減少させる検索エンジンや、過去の学習成果を分析する統計処理装置とは異なる。
【０１４８】
なお、第２実施例のＫＳＤモデル構築が第１実施例と異なる点のひとつは、論理モデルを特定するときに、教材データ、教育成果データ、生徒特徴データという複数の異なるデータ体系を参照している点である。このような複数のデータの参照、換言すれば多次元的な参照により、データベースシステム１はより高度な論理モデルの特定、すなわちＫＳＤモデル１６１の構築が可能になる。
【０１４９】
＜２．５ データ構造モデルの進化＞
第２実施例では、構築されたＫＳＤモデル１６１は、教材データのデータ構造モデル１３１を更新するために使用される。以下、データ構造モデル１３１の更新処理の方法を説明する。
【０１５０】
まず、構造変化判断部１７１は、所定の期間間隔ごとに、ＫＳＤモデル１６１から、入学時学力ごとの効果的な教材を取得する。つまり、入力（Ｘ１，Ｘ２，Ｘ３）をニューラルネットワークに与えたときに得られる出力を取得する。同時に、生徒特徴データに記述されている各生徒ごとの入学時学力を取得する。これらのデータから、各生徒ごとに効果的な指導方法を決定する。
【０１５１】
次に、構造変化判断部１７１は、教材データのデータ構造モデル１３１を参照して、基本教材セグメントと同じ階層に、最適教材を記述した生徒セグメントが存在するかどうかを確認する。存在しない場合、基本教材セグメントと同じ階層に生徒名を付した生徒セグメント４８１〜４８２を追加する。さらに、その生徒セグメントの下層に基本教材セグメントの下層の教材部分をその生徒に最適なものに変更した構造を追加する。一方、存在する場合は、最新のＫＳＤモデル１６１の内容に基づいてデータ構造モデル１３１を更新する（図２６および図３２参照）。これにより、教材データには、各生徒に最適化された教材が随時更新されながら記述されることになる。
【０１５２】
この生徒別の生徒セグメント４８１〜４８２は、上述したようにユーザがデータベース操作で教材を問い合わせたときに使用される。すなわち、問い合わせた生徒用の教材が記述されている場合は、その内容を表示する。また、記述されていない場合は基本教材を表示する。
【０１５３】
このような構造変更により、ユーザは、生徒ごとに個別にＫＳＤモデル１６１を参照する場合よりも、生徒に対して最適化された教材を高速に取得することが可能になる。またいったん決定された教材も教育環境の変化に応じて適切な内容に継続的に更新されてゆく。また、ＫＳＤモデル１６１の学習があまり進行していない初期状態では、複数の基本教材がそのまま出力される場合が多いと考えられるが、このような場合でも熟練した教師が教材選択、指導、教育成果登録を繰り返すことにより、熟練教師の教育ノウハウがＫＳＤモデル１６１に内在するようになる。これにより、経験の少ない教師でも適切な教材選択をできるようになる。
【０１５４】
また、第２実施例の上述の説明においては、生徒の入学時学力のみを考慮に入れたが、性格や希望進路を考慮に入れれば、より適切な構造化が可能である。
【０１５５】
＜２．６ 拡張機能＞
第２実施例に係るデータベースシステムは、ＫＳＤモデル１６１を利用してユーザに検索機能以外の拡張機能を提供することが可能である。本節では、そのような拡張機能の具体例について説明する。
【０１５６】
○ＫＳＤモデルのエクスポート、インポート、結合
第２実施例におけるＫＳＤモデル１６１は、教材データ、教育成果データ、生徒特徴データと分離されている。したがって、ＫＳＤモデル１６１は特定の学校にのみ適用可能なものではなく、他の学校における教育実践にも適用可能である。このため、第１実施例と同様の方法で他の学校のデータベースシステム（同種データベースシステム）との間で論理モデル６（ＫＳＤモデル１６１）のインポートおよびエクスポートが可能である。また、複数の学校間でＫＳＤモデル１６１を結合可能である。これにより、過疎地の小規模学校でも最適な教材選択が可能になる。
【０１５７】
＜＜第３実施例 複写機のサービスマニュアルデータベースシステム＞＞
第３実施例に係るデータベースシステム１は、顧客の元に設置された複写機の定期保全を行うサービスマンの作業マニュアル（以下、単に「サービスマニュアル」と略記する）を管理するデータベースシステムである。第３実施例のデータベースシステム１は、サービスマンに複写機の定期保全方法を指示する。さらに、サービスマンが顧客元で実際に実行した作業内容を記録する。
【０１５８】
以下では、当該データベースシステム１について説明を行うが、第１実施例〜第２実施例と同様の点については詳細説明を省略する。
【０１５９】
＜３．１ 携帯情報端末＞
○ハードウエア；
図３５は、第３実施例として構成されたデータベースシステム１のハードウエア構成を説明する模式図である。
【０１６０】
サービスマンは、各複写機ごとの定期保全指示を携帯情報端末６０１によって受け取る。定期保全指示は、携帯情報端末６０１と通信可能なデータベースサーバ６０２から送信される。第３実施例に係るデータベースシステム１においては、携帯情報端末６０１とデータベースサーバ６０２との間の通信は公衆電話回線を介して行われる。
【０１６１】
次に、図３６の外観図を参照しながら携帯情報端末６０１の詳細を説明する。携帯情報端末６０１は、定期保全指示が表示される液晶モニタ６１０を備える。液晶モニタ６１０はタッチパネルとなっている。このため、携帯情報端末６０１本体から着脱可能なスタイラス６１１で液晶モニタ６１０に触れることにより、液晶モニタ６１０上に表示されたＧＵＩで携帯情報端末６０１における入力操作が可能である。また、携帯情報端末６０１は操作スイッチ群６１２を備える。サービスマンは、操作スイッチ群６１２の操作により電源ＯＮ／ＯＦＦ等の操作を行うことができる。これらの操作手段では、様々な携帯情報端末で採用されている周知の操作体系を採用可能である。
【０１６２】
さらに、携帯情報端末６０１には、アンテナ６１３および図示しないＲＦ(Radio Frequency)回路が内蔵されており、携帯情報端末６０１とデータベースサーバ６０２との間で公衆電話回線を介した無線通信が可能なように構成される。
【０１６３】
○定期保全指示画面；
携帯情報端末６０１の液晶モニタ６１０に表示された定期保全指示画面８００を図３７に示す。定期保全指示画面８００には、機種、保全日、サービスマン等の保全作業情報８０１が表示される。さらに、定期保全指示画面８００には、具体的な保全作業指示８０２が表示される。図３７には、クリーナユニットに関して、クリーナブレード交換、モルトプレーン交換、トナー受け清掃等の保全作業指示８０２が表示されている。これらの保全作業指示８０２の各作業項目付近には、当該作業を実際に実行したかどうかを記録するラジオボタン８０３〜８０５が表示されている。サービスマンは、これらの保全作業を実際に実行した場合に、液晶モニタ６１０のラジオボタン８０３〜８０５付近を押下する。これにより、サービスマンは、ラジオボタンに保全作業を実際に実行したことを示すチェックを入れることが可能である。
【０１６４】
サービスマンは、表示された保全作業指示８０２を参照しながら複写機の保全作業を実行する。さらに、保全作業指示８０２以外の作業を実施した場合には、追加作業欄８０６に実施した作業の内容を入力する。具体的には、部品の交換を所定の交換期限より早く交換した場合等にその内容を入力する。さらに、定期保全指示画面８００には、稼働時間欄８０７が設けられている。サービスマンは、複写機に設けられた稼働時間を示すカウンタを読み取って稼働時間欄８０７に入力する。
【０１６５】
上述の入力作業完了後、サービスマンは完了ボタン８０８を押下して定期保全に関する情報をデータベースサーバ６０２に送信する。
【０１６６】
○故障修理報告画面；
携帯情報端末６０１の液晶モニタ６１０に表示された故障修理報告画面８１０を図３８に示す。故障修理報告画面８１０は、複写機の故障に対応して上述の定期保全とは別に実施した故障修理の結果を報告するために用いられる。
【０１６７】
故障修理報告画面８１０には、機種、修理日、サービスマン等の故障修理情報８１１が表示される。また、故障修理表示画面８１０には、故障場所記入欄８１２および稼働時間欄８１３が設けられている。サービスマンは、故障修理を終了後に、故障場所および稼働時間をそれぞれ故障場所記入欄８１２および稼働時間欄８１３に記入して完了ボタン８１４を押下する。これにより、故障修理報告はデータベースサーバ６０２に送信される。
【０１６８】
＜３．２ データ構造＞
データストア１３０には、サービスマニュアルデータ、定期保全データ、故障修理データが格納される。サービスマニュアルは、サービスマンの管理者によってデータベースサーバ６０２に入力される。また、サービスマニュアルのうち定期保全で実行すべき作業内容がサービスマンが携帯する携帯情報端末６０１に定期保全ごとに送信されて、定期保全指示画面８００に表示される。
【０１６９】
定期点保全データおよび故障修理データは、上述したように各サービスマンに付与された携帯情報端末６０１を介してデータベースサーバ６０２に集められる。
【０１７０】
これらのデータは、データストア１３０に格納されたデータ構造モデル１３１と整合性を保った状態で保持される。以下では、このデータ構造モデル１３１について説明する。
【０１７１】
○サービスマニュアルデータ；
サービスマニュアルデータは、ＸＭＬ文書として記述される。ＸＭＬ文書には、給紙ユニット、現像器、クリーナユニット等の保全部位、クリーナブレード交換、モルトプレーン交換、トナー受け交換等の定期保全作業内容が機種別に記述されている。記述内容は、図３９の階層図に示すデータ構造８２０を有する。すなわち、サービスマニュアルセグメント８２１から派生して機種セグメント８２２〜８２３が設けられ、各機種セグメントから派生して保全部位セグメント８２４〜８２６が設けられ、各保全部位セグメントから派生して定期保全作業セグメント８２７〜８２９が設けられる。定期保全作業セグメント８２７〜８２９には、定期保全作業の具体的な手順や実行間隔が記述される。データベースシステム１は、サービスマニュアルデータに記述されている内容に基づいて、各複写機ごとの実行すべき定期保全作業内容を携帯情報端末６０１に送信する。その内容が上述した定期保全指示画面８００である。
【０１７２】
○定期保全データ；
定期保全データは、ＸＭＬ文書として記述される。ＸＭＬ文書には、定期保全時の複写機の稼働時間、クリーナブレード交換・モルトプレーン交換・トナー受け交換等の実行済の定期保全作業内容が複写機別に記述されている。記述内容は、図４０の階層図に示すデータ構造８３０を有する。すなわち、定期保全セグメント８３１から派生して複写機セグメント８３２〜８３３が設けられ、各複写機セグメントから派生して稼働時間セグメント８３４〜８３６が設けられ、各稼働時間セグメントから派生して保全作業セグメント８３７〜８３９が設けられる。
【０１７３】
○故障修理データ；
故障修理データは、ＸＭＬ文書として記述される。ＸＭＬ文書には、故障が発生した複写機の稼働時間、クリーナブレード等の故障部品が複写機別に記述されている。記述内容は、図４１の階層図に示すデータ構造８４０を有する。すなわち、故障修理セグメント８４１から派生して複写機セグメント８４２〜８４３が設けられ、各複写機セグメントから派生して稼働時間セグメント８４４〜８４６が設けられ、各稼働時間セグメントから派生して故障部品セグメント８４７が設けられる。
【０１７４】
＜３．３ ＫＳＤモデルの構築＞
第３実施例におけるＫＳＤモデル１６１には、サービスマンの定期保全作業内容と故障との関係が蓄積される。以下では、その具体的な内容を例示する。これらは、第１実施例〜第２実施例のようなニューラルネットワークを用いて蓄積される。第２実施例のように統計処理が補助的に併用されてもよい。
【０１７５】
○事例１ 故障時間の推定；
定期保全指示画面８００でサービスマンは複写機の稼働時間を入力しているので、部品が実際に交換された稼働時間の間隔をＫＳＤモデル構築部１６２は取得可能である。また、サービスマンは故障修理報告画面８１０で部品の故障が発生した稼働時間を入力しているので、ＫＳＤモデル構築部１６２は故障した部品の寿命を特定可能である。
【０１７６】
ＫＳＤモデル構築部１６２は、多数の故障部品の寿命から部品の「Ｂ１０ライフ」（全ての部品のうち１０％が故障する稼働時間）を推定してＫＳＤモデル１６１に蓄積する。この推定には、打ち切りデータを配慮した累積ハザード解析等の方法が使用される。そして、各複写機の前回部品交換後の稼働時間がＢ１０ライフに到達したときに、データベースシステム１は、当該部品の部品交換指示を定期保全指示画面８００に表示する。
【０１７７】
ＫＳＤモデル１６１への蓄積にニューラルネットワークを使用すれば（入力を部品名、出力を寿命とする）、製造品質の向上によりＢ１０ライフが少しづつ長くなっても、適正な稼働時間間隔で部品交換がなされる。これにより、必要以上に高い頻度で部品交換を行うことによる保全コストの向上や、初期故障の増加を防止することが可能になる。また、部品交換間隔が長すぎることによる故障の増加を防止することができる。すなわち、サービスマニュアル作成時点でフィールドでの寿命が適切に推定されなかった場合（たとえば、製品開発段階での加速試験で仮定した加速係数が妥当なものではなかった場合）や、品質向上により寿命が伸びた場合でも、データベースシステム１は状況の変化に柔軟に対応して適正な部品交換間隔を指示可能である。
【０１７８】
○事例２ 優良サービスマンのノウハウの水平展開；
ＫＳＤモデル構築部１６２は、事例１の場合と同様に、担当サービスマンごとの複写機の平均故障時間と追加作業内容とを取得できる。このデータをニューラルネットワークに登録すれば、故障時間を短縮できる追加作業をＫＳＤモデル１６１は推測可能である。このような追加作業を定期保全指示画面８００にあわせて表示すれば、平均故障時間を短縮可能である。
【０１７９】
また、サービスマンの技能向上や人員の交代が少しづつ進行しても、ＫＳＤモデルはそれに対応できるので、環境の動的変化に対応してデータベースシステム１は適切な保全指示を出すことができる。
【０１８０】
＜３．４ データ構造の変更＞
上述の事例１で、最適化された部品交換間隔が決定された場合、サービスマニュアルデータに記述されている部品交換間隔をこの時間で更新する。また、事例２でわかった追加作業のセグメントをサービスマニュアルに追加する。これらのデータ構造の変更により、データベースシステム１は、データ群１３２へのアクセス効率が向上し、適切なデータを高速に出力可能となる。
【０１８１】
＜３．５ 拡張機能＞
第３実施例に係るデータベースシステムもまた、ＫＳＤモデル１６１を利用してユーザに検索機能以外の拡張機能を提供することが可能である。すなわち、第１実施例〜第２実施例の場合と同様に、蓄積されたＫＳＤモデル１６１は、別の機種や別のサービスマン群へも適用可能である。これにより、十分なＫＳＤモデル１６１の蓄積ができない場合でも適切な保全を実行することができる。
【０１８２】
＜第４実施例 デパートにおける売れ筋商品管理データベースシステム＞
第４実施例に係るデータベースシステム１は、デパートにおける売れ筋商品を管理するデータベースシステムである。特に、第４実施例のデータベースシステム１は、顧客の購買傾向を解析し、顧客の購買傾向に合わせた商品宣伝を行うことが可能なデータベースシステムである。
【０１８３】
以下では、当該データベースシステム１について説明を行うが、第１実施例〜第３実施例と同様の点ついては詳細説明を省略する。
【０１８４】
＜４．１ 携帯情報端末＞
○ハードウエア；
第４実施例のデータベースシステム１は、第３実施例と同様のハードウエア構成を有している。デパートに入店した顧客には、デパートからの宣伝を受け取るための携帯情報端末６０１が配布される。デパートからの宣伝は、携帯情報端末６０１と通信可能なデータベースサーバ６０２から送信される。ただし、実施例３の場合と異なり、携帯情報端末６０１とデータベースサーバ６０２との通信は、公衆電話回線ではなく、無線ＬＡＮによって行われる。また、第４実施例に係るデータベースシステム１においては、携帯情報端末６０１にカメラが設けられており、携帯情報端末６０１が配布された顧客の画像を取得可能である。取得された画像はデータベースサーバ６０２に送信され、データベースサーバ６０２を操作するオペレータによって、性別、年齢層、服装の特徴を特定される。特定されたこれらの情報はデータストア１３０に格納される。また、携帯情報端末６０１には、顧客の購買行動を把握するためにＲＦＩＤ（Radio Frequency IDentification）タグが内蔵されている。店内のレジにはＲＦＩＤタグの検出装置が設置されており、携帯情報端末６０１を携帯する顧客が購入した商品に関する情報を、ＲＦＩＤタグによって特定されるＩＤとともにデータベースサーバ６０２に送信可能である。
【０１８５】
○宣伝画面；
携帯情報端末６０１の液晶モニタ６１０に表示された宣伝画面９００を図４２に示す。宣伝画面９００には、顧客ごとに最適化された宣伝が実施される。すなわち、図４２の宣伝画面９００には、お勧め商品と売り場とが顧客ごとに表示されている。顧客はこの宣伝を参考にして買い物を行う。
【０１８６】
＜４．２ データ構造モデル＞
データストア１３０には、デパートの各売り場に陳列されている商品に関する情報を記述した商品データが格納される。商品データは、データストア１３０に格納されたデータ構造モデル１３１と整合性を保った状態で保持される。以下では、このデータ構造モデル１３１について説明する。
【０１８７】
○商品データ構造；
商品データは、ＸＭＬ文書として記述される。ＸＭＬ文書には、ワンピース・スカート等の商品種類、色合い・形状の商品特徴が商品売り場別に記述されている。記述内容は、図４３の階層図に示すデータ構造９１０を有する。すなわち、商品データセグメント９１１から派生して売り場セグメント９１２〜９１３が設けられ、各売り場セグメントから派生して商品セグメント９１４〜９１５が設けられ、各商品セグメントから派生して商品特徴セグメント９１６〜９１７が設けられる。商品特徴セグメント９１６〜９１７には、商品の特徴に関する情報が具体的に記述される。データベースサーバ６０２は、商品データから適宜選択した情報を宣伝として携帯情報端末６０１に送信する。その内容が上述した宣伝画面９００である。
【０１８８】
＜４．３ ＫＳＤモデルの構築＞
第４実施例におけるＫＳＤモデル１６１には、顧客の属性と購入商品との関係が蓄積される。以下では、その具体的な内容を例示する。これらは、第１実施例〜第３実施例と同様に、ニューラルネットワークを用いて蓄積される。すなわち、顧客の属性を入力、購入商品を出力として、実際の購買行動を教師信号としたニューラルネットワークが用いられる。
【０１８９】
たとえば、３０代で暖色系の服装をした女性客が来店して赤色のセータを購入したとする。この場合、ニューラルネットワークの顧客の属性（女性、３０代、暖色系の服装）に対応する入力に対する教師信号として、購買行動（赤色のセータ）を与えて学習させる。したがって、同じ属性を持つ顧客が同じ購買行動を繰り返せば、ＫＳＤモデル１６１には、暖色系の服装をした３０代の女性は赤色のセータを購入するという知見が内在される。もちろん、服装や年齢に関係なく多数の女性が赤色のセータを購入すれば、女性は赤色のセータを購入するという知見が内在されることになる。これにより、新たに３０代で暖色系の服装をした女性が来店した場合、先述の宣伝画面９００に赤色のセータとその売り場所を宣伝することができる。さらに、この顧客の属性と購買行動が流行とともに変化する場合でも、データベースシステム１は流行に対応して適切な宣伝を行うことができる。
【０１９０】
＜４．４ データベース構造の変化＞
上述のＫＳＤモデル１６１に基づいて商品データ構造９１０を変化させることにより、データベースシステム１は宣伝を高速に表示することが可能になる。たとえば、図４４に示すように、各売り場ごとに顧客属性セグメント９２１を追加して、顧客が購入する確率の高い商品をその下の階層のセグメント９２２に記述する。
【０１９１】
＜４．５ 拡張機能＞
第４実施例に係るデータベースシステム１もまた、ＫＳＤモデル１６１を利用してユーザに検索機能以外の拡張機能を提供することが可能である。すなわち、第１実施例〜第３実施例の場合と同様に、蓄積されたＫＳＤモデル１６１は別の店舗へも適用可能である。これにより、十分なＫＳＤモデル１６１の蓄積ができない店舗でも適切な宣伝を実行することができる。
【０１９２】
【発明の効果】
以上説明したように、請求項１ないし請求項９の発明によれば、データ群の具体的な内容に依存しない形で論理モデルを構築する一方、そのデータ群の情報の対象となっている事象群での既知の条件とそれに対応した既知の結果とを結ぶ論理経路の解析結果を論理モデルに反映させることによって、時間とともに継続的に進化してゆく動的な事象に対応可能なデータベースシステムを実現可能である。
【０１９４】
また、そのような論理モデルに基づいてユーザに対するガイダンスを生成するため、データベースシステムのユーザは、より的確な検索出力を取得可能である。
【０１９５】
また、請求項５ないし請求項９の発明によれば、特定の事象群に対応する論理モデルをそれ以外の事象群に拡張利用可能となる。
【図面の簡単な説明】
【図１】本発明のデータベースシステム１の基本概念を示す概念的ブロック図である。
【図２】本件発明の実施形態であるデータベースシステム１のハードウエア構成を説明するブロック図である。
【図３】データベースシステム１のサブシステム間の関係を説明するブロック図である。
【図４】トランスレータ１４０の詳細構成を説明するブロック図である。
【図５】リストラクチャエンジン１７０の詳細構成を説明するブロック図である。
【図６】データ構造モデルの階層構造を示す階層図である。
【図７】データ構造モデルの階層構造を示す階層図である。
【図８】クエリ構造モデル１２１の階層構造を示すグラフである。
【図９】データ構造モデル１３１の階層構造を示すグラフである。
【図１０】ＸＭＬ文書に変換前の論文を示す模式図である。
【図１１】ＸＭＬ文書に変換前の論文を示す模式図である。
【図１２】ＸＭＬ文書２０１の階層構造を示す階層図である。
【図１３】ログイン画面２３０を示す模式図である。
【図１４】検索画面２４０を示す模式図である。
【図１５】検索結果表示画面２５０を示す模式図である。
【図１６】詳細表示画面２６０を示す模式図である。
【図１７】エクゼキュートコンポジション部２７０の機能を説明するブロック図である。
【図１８】ニューラルネットワーク３００を説明する模式図である。
【図１９】ニューロン３１０を説明する模式図である。
【図２０】ニューロン３１０の結合加重を変化させるプロセスを説明する図である。
【図２１】構造変更プロセスを説明するフローチャートである。
【図２２】データ構造３２０の階層構造を示す階層図である。
【図２３】論文の１次キーワードベクトルｖkeyと出力信号ベクトルｖoを示す図である。
【図２４】検索結果表示画面３３０を示す模式図である。
【図２５】ＸＭＬ文書の階層構造を示す階層図である。
【図２６】教材データの階層構造を示す階層図である。
【図２７】教育成果データの階層構造を示す階層図である。
【図２８】生徒特徴データの階層構造を示す階層図である。
【図２９】教材問い合わせ画面４５０を示す模式図である。
【図３０】教材表示画面４６０を示す模式図である。
【図３１】教育成果登録画面４７０を示す模式図である。
【図３２】教材データの階層構造を示す階層図である。
【図３３】入学時学力と指教材とが教育成果に与える影響を解析する方法を説明するフローチャートである。
【図３４】ニューラルネットワークを説明する模式図である。
【図３５】第３実施例に係るデータベースシステムのハードウエア構成を説明する模式図である。
【図３６】携帯情報端末６０１の詳細を説明する外観図である。
【図３７】定期保全指示画面８００を示す模式図である。
【図３８】故障修理報告画面８１０を示す模式図である。
【図３９】サービスマニュアルの階層構造を示す階層図である。
【図４０】定期保全データの階層構造を示す階層図である。
【図４１】故障修理データの階層構造を示す階層図である。
【図４２】宣伝画面９００を示す模式図である。
【図４３】商品データの階層構造を示す階層図である。
【図４４】商品データの階層構造を示す階層図である。
【符号の説明】
１２１ クエリ構造モデル
１３１ データ構造モデル
２３０ ログイン画面
２４０ 検索画面
２５０，３３０ 検索結果表示画面
２６０ 詳細表示画面
３００ ニューラルネットワーク
３１０ ニューロン
４５０ 教材問い合わせ画面
４６０ 教材表示画面
４７０ 教育成果登録画面
６０１ 携帯情報端末
６０２ データベースサーバ
６１０ 液晶モニタ
６１１ スタイラス
６１２ 操作スイッチ群
６１３ アンテナ
８００ 定期保全指示画面
８１０ 故障修理報告画面
９００ 宣伝画面
【発明の属する技術分野】
本発明は、動的な事象変化に対応可能なデータベースシステムに関する。
【０００２】
【従来の技術】
近年のコンピュータシステムおよびコンピュータネットワークの発達にともない、電子化された大量のデータを蓄積および管理するデータベースが広く利用されるようになっている。これらのデータベースにおいては、事象を記述したデータを２次元のテーブルで表現し、テーブル間のリレーションを定義するリレーショナルデータベース（ＲＤＢ；Relational DataBase）が主に使用されている。ＲＤＢにおいては、データベース操作を効率化するためにデータ構造は正規化されることが多い。
【０００３】
しかし、正規化されたデータ構造を有するＲＤＢには、データの局所操作が困難であり、事象の変化に柔軟に対応できないという欠点がある。このため、事象の変化に柔軟に対応するための様々な技術が検討されてきた。
【０００４】
事象の変化に柔軟に対応するための技術としては、大きく分けてふたつの技術があげられる。すなわち、データ構造を事象の変化にあわせて柔軟に変化させる技術と、データベースへのアクセス方法を事象の変化にあわせて柔軟に変化させる技術とが存在する。
【０００５】
上述のデータ構造を事象の変化にあわせて柔軟に変化させる技術としては、データおよびアルゴリズムを一体化しており、局所的なデータ操作が可能なオブジェクト指向データベース（OODB；Object Oriented DataBase）の技術が提案されている（特許文献１）。また、階層型データ構造を有する階層型データベースを用いる技術も提案されている（特許文献２）。特許文献２に開示されている技術は、データ構造の変化履歴を保存しておき、データ構造変化があった場合でも変化前の構造にアクセス可能な点を特徴としている。
【０００６】
また、データベースへのアクセス方法を事象の変化にあわせて柔軟に変化させる技術としては、ユーザのデータベース操作履歴を記述したユーザプロファイルを補助的に利用して、データベースアクセス効率を向上する技術が提案されている（特許文献３および４）。
【０００７】
【特許文献１】
特開２００１−３３１３１５号公報
【特許文献２】
特開平１１−２９６５４４号公報
【特許文献３】
特開平１１−５３３９４号広報
【特許文献４】
特開２００２−２３００２１号広報
【０００８】
【発明が解決しようとする課題】
上述の特許文献１および２の技術によれば、単発的な事象の変化には柔軟に対応可能ではあるものの、時間とともに継続的に変化してゆく動的な事象変化には十分に対応できないという問題がある。
【０００９】
また、特許文献３および４の技術によれば、事象の変化にも対応可能ではある。しかし、これらの技術は、アクセス対象となるデータベースのデータが特定のデータ構造で規定されていることを前提としている。そして、このデータ構造が事象を適切に反映していなければ、これらの技術は十分に機能しない。このため、データベース使用開始直後にこれらの技術が有効の場合であっても、事象の変化によりデータ構造が最適な状態でなくなれば非効率的なデータベースアクセスを強いられることになる。すなわち、これらの技術は、時間とともに継続的に変化してゆく動的な事象変化には必ずしも有効な技術ではない。
【００１０】
本発明は、これらの問題を解決するためになされたもので、時間とともに継続的に変化してゆく動的な事象変化に対応可能なデータベースシステムを提供することを目的とする。
【００１１】
【課題を解決するための手段】
上記の課題を解決するために、請求項１の発明は、データベースシステムであって、データ群を格納するデータストアと、データ検索における論理的指針を前記データ群の具体的データ内容とは独立して表現した論理モデルを保持する論理モデル保持手段と、検索要求の入力を受け付ける入力手段と、前記検索要求に対応した検索論理を前記論理モデルに基づいて生成し、前記検索論理に従って前記データ群を検索することにより、前記検索要求に対応した検索出力を得る検索論理適用手段と、前記データ群の情報の対象となっている事象群での既知の条件とそれに対応した既知の結果とを結ぶ論理経路を解析して前記論理モデルの更新の基礎となる情報である更新情報を生成する生成手段と、前記更新情報に応じて前記論理モデルを更新する論理モデル更新手段とを備え、前記条件と前記結果との新たな組合せが与えられるごとに当該組合せに対応する論理経路の解析を行い、当該組合せが前記論理モデルには含まれていない組合せであるときには当該組合せの論理経路を追加するように前記論理モデルを修正することによって前記論理モデルを進化させるとともに、前記組合せの論理経路を追加した後の前記論理モデルに基づいて特定される情報について、前記データベースシステムのユーザに対して当該情報の利用を推奨する表示形式のガイダンスを生成して、当該ガイダンスを表示装置に表示させる生成手段、をさらに備えることを特徴とする。
【００１５】
また、請求項２の発明は、請求項１の発明に係るデータベースシステムにおいて、前記論理モデルが前記データベースシステムのユーザまたはユーザ群と対応づけられて設けられており、前記論理モデルの更新が上記の対応づけられたユーザまたはユーザ群ごとに行われる。
【００１７】
また、請求項３の発明は、請求項１の発明に係るデータベースシステムにおいて、前記ガイダンスが、前記データベースシステムの操作に関するガイダンスを含む。
【００１８】
また、請求項４の発明は、請求項１の発明に係るデータベースシステムにおいて、前記データ群が、前記データベースシステムの外部において生起した事象の情報を蓄積しており、前記ガイダンスが、前記事象に関するガイダンスを含む。
【００１９】
また、請求項５の発明は、請求項１ないし請求項４のいずれかの発明に係るデータベースシステムにおいて、前記論理モデルが、他のデータベースシステムにエクスポート可能である。
【００２０】
また、請求項６の発明は、請求項１ないし請求項４のいずれかの発明に係るデータベースシステムにおいて、前記論理モデルが、他のデータベースシステムからインポート可能である。
【００２１】
また、請求項７の発明は、請求項１ないし請求項４のいずれかの発明に係るデータベースシステムにおいて、前記論理モデル保持手段が、複数の論理モデルを保持可能である。
【００２２】
また、請求項８の発明は、請求項６または請求項７の発明に係るデータベースシステムにおいて、前記複数の論理モデルを結合する結合手段をさらに備える。
【００２３】
また、請求項９の発明は、請求項１ないし請求項４のいずれかの発明に係るデータベースシステムにおいて、前記論理モデルが複数のデータ群に適用可能である。
【００２４】
【発明の実施の形態】
＜基本概念＞
まず、本発明のデータベースシステム１の基本概念を図１の概念的ブロック図を参照しながら説明する。
【００２５】
このデータベースシステム１は、ユーザの検索要求３に対して検索論理２を適用し、データ群５から検索要求３に応じた検索出力４を選択するように構成されている。検索論理２は検索要求３の具体的内容に依存して特定されるが、この検索論理２を特定する際の上位の指針としての論理モデル（論理パターンを構成する基本原理）６がデータベースシステム１内に保持されている。
【００２６】
この論理モデル６は、データ群５に蓄積されている情報の対象となっている事象群中に関する条件７から結果８を導く一般的関係である。論理モデル６も検索論理２もともに「論理」であるという点では類似しているが、数学的アナロジーで言えば、論理モデル６は、検索要求３と検索結果４とを結ぶ「一般解」に相当し、検索論理２は、データ群５および検索要求３が具体的に特定されたときに検索結果４を与えるための「特殊解」ないしは「数値解」に相当する。換言すれば、論理モデル６は、「関数的な」関係ないしは「写像」をモデルとして表現していることによってその適用範囲が広いグローバルなルールであり、検索論理２は、論理モデル６を状況に応じて具体化することにより、時点の検索要求３から検索結果４を得るためのローカルかつテンポラリなルールである。
【００２７】
そして、本発明のデータベースシステム１は、データ群の情報の対象となっている事象群における条件と結果とを結ぶ論理経路を解析し、その解析結果に基づいて論理モデル６を更新する。それ以後に新たな検索要求３があったときに適用される検索論理２は、更新された論理モデル６に基づいて特定される新たな論理内容を持つ。ここにおいて、論理モデル６がデータベースの検索そのもののルールを規定するモデルである場合は、典型的には、検索要求３の内容が「条件」であり、検索出力４の中からユーザが最終的に選択したデータが「結果」である。
【００２８】
このようにして、本発明のデータベースシステム１は、論理モデル６が時間とともに継続的に進化し、それに応じて検索論理２もまた継続的に進化する点において主たる特徴を有する。
【００２９】
また、論理モデル６は、データ群５に蓄積された具体的なデータ内容には依存しないモデルとして構成される。上記と同じく数学的アナロジーで言えば、これは次のように説明できる。
【００３０】
すなわち、検索要求ｘと検索出力ｙの関係を関数ｙ＝ｆ(ｘ)のように表現した場合、検索要求ｘと検索出力ｙとが具体的数値としてたとえばｆ(１)＝５、ｆ(３)＝１０、のような関係を定めておいてもそれはそのデータ群限りの関係であって、他のデータ群についての入出力の具体的値を得ることはできない。つまりこのような具体的な検索論理はデータ群の具体的内容に依存し、データ群から切り離して適用はできない。これに対してｙ＝ｆ(ｘ)の「関数形」ないしはそれを導くためのルールをモデルとして保持しておけば、他のデータ群についてもそのモデルを適用して具体的な検索論理を特定できる。論理モデル６がこのようなモデルであり、その「進化」は、たとえば関数ｆ(ｘ)に含まれるパラメータを、検索の条件と結果との関係の解析によって継続的に変更することに相当する。
【００３１】
特に、論理モデル６が、条件と結果とを結ぶそれぞれのルートの単なる「無機的な」集合ではなく、事象群の「傾向」を反映していることによって、そのような「傾向」が共通に期待される他のデータ群ないしは他のユーザにも利用可能となる。つまり検索の条件と結果との関係を「意味」として解析し、それを論理モデル６に反映させることによって、論理モデル６は自立的発展性を持つ有機的存在となる。
【００３２】
また、このデータベースシステム１では、論理モデル６に基づいてデータ構造９を最適化する。つまり、データ構造９は固定的なものではなく、論理モデル６のひとつの作用として動的に進化する。これにより、データベースシステム１では、検索論理２による検索が効率的に実行されるようになる。
【００３３】
このように、広く適用できる論理モデルを、データ群５の具体的内容と独立して、換言すればデータ群５とは分離可能にかつ可変に保持しておくことによって、論理モデル６の拡張性が高まり、論理モデル６を他のデータベースシステムに移植するようなことが可能になる。
【００３４】
論理モデル６の適用対象となる事象群は、データベースシステム１の検索操作に関する事象群であってもよいし、それ以外の事象群、たとえばこのシステムの外部で生じる自然現象、人的現象、社会的現象などであってもよい。各種の適用例は後述する。データベースシステム１そのものに関する事象群（典型的にはその検索操作の関する事象群）以外の場合には、事象群における条件７と結果８との論理的関係の基礎となる経験的情報はデータベースシステム１の外部で生じる。たとえば、後に具体例として詳述する教育教材データベースシステムにおいて、ある生徒に対して特定の教材を与えたときの学習効果がどうであったかという、原因と結果との関係はデータベースシステム１の外部で生じる事項である。このため、そのような外部で生じた因果関係の情報は、マニュアルでデータベースシステム１に入力することによって条件７と結果８とが特定され、そのその対応関係の解析結果を論理モデル６（したがって以後の検索論理２）に反映させることができる。すなわち、論理モデル６の進化は、データベースシステム１の内部のみならず、外部で生じる事象によっても進行可能である（論理モデル６の成長）。また、自然現象などを事象群としている場合には、センサなどの検知手段を用いてオンライン的に外部の情報を入力することも可能である。
【００３５】
以上では本発明のデータベースシステム１について一般的な基本概念を説明したが、以下ではより具体的な例をあげて本発明のデータベースシステム１に対応する実施形態と、それらの適用の具体例について説明する。
【００３６】
＜ハードウエア構成＞
この実施形態に係るデータベースシステムのハードウエア構成を図２のブロック図を参照しながら説明する。
【００３７】
データベースシステム１は、ネットワーク上に構成されたクライアント・サーバ型のデータベースシステムである。データベースシステム１は、データベースサーバ１０、クライアント２０およびルータ３０を備える。データベースサーバ１０、クライアント２０およびルータ３０は、ネットワーク４０によって接続され、相互に通信可能である。ネットワーク４０は、有線ＬＡＮ（Local Area Network)および無線ＬＡＮのいずれであってもよいし、無線ＬＡＮと有線ＬＡＮとが混在していてもよい。また、ネットワーク４０の一部あるいは全部が公衆電話回線を利用して構築されていてもよい。
【００３８】
データベースサーバ１０は、データを記憶する記憶媒体を備えたコンピュータである。データベースサーバ１０には、データベース管理システム（ＤＢＭＳ）およびミドルウエアがインストールされる。これにより、データベースサーバ１０は、データベースシステム１の本体部として機能する。データベースサーバ１０は、ネットワーク４０を介して得られたクライアント２０の指示に応答可能である。
【００３９】
クライアント２０は、ＣＲＴディスプレイ等の表示装置２１およびキーボード等の入力装置２２を備えたコンピュータである。クライアント２０には、データベース用アプリケーションがインストールされる。これにより、クライアント２０は、ネットワーク４０を介してデータベースサーバ１０へ指示を送信可能である。また、送信した指示に対するデータベースサーバ１０からの応答（検索出力等）を表示装置２１に表示可能である。これらにより、クライアント２０は、データベースシステム１の入出力端末（ユーザインターフェース）として機能する。
【００４０】
ルータ３０は、ネットワーク４０と外部ネットワークであるインターネット５０とを接続する。ルータ３０により、データベースシステム１は外部のデータソースからもデータを取得可能となる。
【００４１】
上述のデータベースシステム１においては、データベースサーバ１０、クライアント２０およびルータ３０が各々ひとつずつ設けられた単純な場合について説明したが、本発明に係るデータベースシステムはこのような態様に制限されない。すなわち、データベースサーバ、クライアントおよびルータが各々複数設けられてもよい。また、これらの一部または全部が一体化されていてもよい。さらに、データベースサーバおよびクライアントに異なるプラットフォームのコンピュータが混在していてもよい。
【００４２】
＜機能＞
次に、データベースシステム１の機能を、サブシステム間の関係を説明するブロック図（図３）を参照しながら各サブシステムごとに説明する。
【００４３】
○ユーザインターフェース１１０；
データベースシステム１には、ユーザがデータベースシステム１を操作する手段となるユーザインターフェース１１０が設けられる。ユーザインターフェース１１０は、ユーザの検索要求をエクゼキュートコンポジション１２０へ出力可能である。また、ユーザインターフェース１１０は、ユーザによって入力された追加データをデータストア１３０へ出力可能である。また、ユーザの検索要求に対するデータベースシステム１の応答を表示可能である。
【００４４】
○エクゼキュートコンポジション部１２０；
データベースシステム１には、検索要求をクエリに変換するエクゼキュートコンポジション部１２０が設けられ、このエクゼキュートコンポジション部１２０は図１の「検索論理２」の要部に対応する。エクゼキュートコンポジション部１２０は、ユーザインターフェース１１０から出力された検索要求をクエリに変換する。このクエリは、クエリ構造モデル１２１によって規定されるクエリ構造を備える。さらに、変換したクエリをクエリエンジンマイニング部１５０へ出力する。また、エクゼキュートコンポジション部１２０は、クエリエンジンマイニング部１５０が抽出したデータを取得してユーザインターフェース１１０へ出力する。このとき、エクゼキュートコンポジション部１２０は、後述するリアライゼーションストア１６０に格納された知識・構造・発見（ＫＳＤ；Knowledge Structure Discovery）モデル１６１を出力するデータに反映可能である。換言すれば、ＫＳＤモデルを検索論理に反映可能である。具体的には、ユーザが必要としているデータをＫＳＤモデル１６１から推測して、優先的にユーザインターフェース１１０へ出力したり、データをより適切に抽出できる検索要求の方法をユーザインターフェース１１０へ出力したり等の処理が可能である。さらに、エクゼキュートコンポジション部１２０は、ユーザインターフェース１１０との間の入出力内容を、ユーザの一連のデータベース操作の間保持して、リアライゼーションストア１６０へ出力可能である。
【００４５】
○データストア１３０；
データベースシステム１には、データ群１３２が格納されるデータストア１３０が設けられる。データストア１３０には、データ構造モデル１３１によって規定されるデータ構造と整合性を保った状態でデータ群１３２が格納されている。なお、データ構造モデル１３１は、後述するリストラクチャエンジン１７０によって更新可能である。
【００４６】
○トランスレータ１４０；
データベースシステム１には、外部データソースからデータを取得するトランスレータ１４０が設けられる。トランスレータ１４０は、外部データソース１８０から得られるデータを解析して、データ構造モデル１３１と整合性を持つデータへ変換可能である。変換されたデータは、データストア１３０に出力され、データ群１３２に追加される。
【００４７】
図４のブロック図に示すように、トランスレータ１４０には、データソースやデータフォーマットの種類ごとにコンポーネント１４１〜１４４が実装される。具体的には、外部データソース１８０の外部データベース１８１、ＷＷＷ（World Wide Web）１８２、ファイル１８３および画像・動画１８４にそれぞれ対応した、データベースコンポーネント１４１、ＷＷＷコンポーネント１４２、ファイルコンポーネント１４３および画像・動画コンポーネント１４４が実装される。トランスレータ１４０は、新規のデータソースやデータフォーマットに対応したコンポーネントを追加することにより、新規のデータソースやデータフォーマットのデータ変換も可能になる。
【００４８】
また、印刷物などの非電子化データ１８５は、スキャナやＯＣＲ等のデジタル化手段を使用してデジタル電子データに変換されてからトランスレータ１４０で処理される。
【００４９】
○クエリエンジンマイニング部１５０；
データベースシステム１には、クエリとマッチングするデータをデータ群１３２から抽出するクエリエンジンマイニング部１５０が設けられる。クエリエンジンマイニング部１５０は、エクゼキュートコンポジション部１２０から入力されたクエリと、データストア１３０に格納されたデータ群１３２との間でパターンマッチングを行い、クエリとパターンが一致するデータを抽出する。また、エクゼキュートコンポジション部１２０から入力されたクエリの末端要素をキーワードとして全文検索を行い、キーワードを含むデータを抽出する。さらに、クエリエンジンマイニング部１５０は、抽出したデータをエクゼキュートコンポジション部１２０へ出力する。
【００５０】
○リアライゼーションストア１６０；
データベースシステム１には、リアライゼーションストア１６０が設けられる。リアライゼーションストア１６０には、データベースシステム１が対象としている事象群中の未知事象に関する条件から結果を導く論理モデルであるＫＳＤモデル１６１が格納されている。このリアライゼーションストア１６０は、図１の「論理モデル６」を保持するとともに、それを進化させる要素に対応する。ＫＳＤモデル１６１は、既知事象に関する条件と結果との間の論理経路を解析し、その論理経路の特性を論理モデルとして特定するＫＳＤモデル構築部１６２によって随時更新可能である。すなわち、ＫＳＤモデル構築部１６２は、特定事象群の中の既知事象から上述の条件と結果との間の相関の分析および因果関係の特定を行う。さらに、ＫＳＤモデル構築部１６２は、その特定結果に基づいてＫＳＤモデル１６１を更新可能である。これにより、リアライゼーションストア１６０は、未知の事象に関して条件が与えられた場合に、特定した因果関係を利用して結果を推測することが可能になる。
【００５１】
上述の条件と結果とは、ユーザのデータベース操作に関するものであってもよいし、それ以外のものであってもよい。ユーザのデータベース操作に関する事象としては、たとえば、ユーザが検索要求に用いたキーワードが条件であり、データベースシステムからの検索出力の中からユーザが選択した情報が結果となる場合があげられる。ユーザのデータベース操作以外に関する事象としては、たとえば、学校の教育教材データベースにおいて、ユーザの検索要求に対してデータベースシステム１から出力された教材が条件であり、その教材による教育成果が結果となる場合があげられる。この教育成果は所定の手順でデータベースシステム１に入力される。
【００５２】
さらに、リアライゼーションストア１６０は、単に特定の時点までに得られた条件と結果との相関を算出する計算手段ではなく、時間の経過（データベース使用履歴の蓄積）にしたがって進化する動的な学習装置である。したがって、同じ条件と結果とが繰り返された場合、単に同じ論理モデルを繰り返し特定するのではなく、繰り返しの回数が増加するにつれて結果予測能力が向上するように構成される。すなわち、継続的に学習を続けることによって、条件と結果との間の意味理解を深めることが可能なように構成される。換言すれば、追加学習が可能なように構成される。これにより、条件から結果への論理経路が経時的に変化する場合、リアライゼーションストア１６０は論理経路の変化に合わせて論理モデルを少しづつ（すなわち段階的ないしは連続的に）変化させて結果予測能力を絶えず維持および向上可能である。この意味において、リアライゼーションストア１６０は、単に相関を計算する計算機ではなく、動的判断が可能なインテリジェントな人工知能である。
【００５３】
なお、上述の追加学習の結果予測能力への寄与の大きさは、データベースシステムに応じて様々に設計可能である。すなわち、遠い過去よりも近い過去の学習の方が重要であるデータベースシステム（たとえば、小売業において季節的な流行や売れ筋商品を調査するために設計されたデータベースシステム）の場合は、追加学習の寄与を大きくして古い学習を少しづつ「忘れる」ようにリアライゼーションストア１６０を構成する。また、遠い過去および近い過去の学習が同程度に重要であるデータベースシステム（たとえば、成熟技術分野の文献検索のために設計されたデータベースシステム）の場合は、追加学習の寄与を比較的小さくして、古い学習結果の結果予測能力への寄与を長期間維持できるようにリアライゼーションストア１６０を構成する。
【００５４】
次に、リアライゼーションストア１６０における「論理経路」「論理モデル」についてより具体的に説明する。まず、条件（例：検索における「キーワード」）が条件Ａ（ｉ）（ｉ＝１，２，・・・，ｎ）であり、この条件Ａ（ｉ）に対応する結果（例：ユーザが選択した情報）が結果Ｂ（ｉ）であるとする。このときの条件Ａ（ｉ）→結果Ｂ（ｉ）の各々の対応が「論理経路」に相当する。そして、ｉ＝１，２，・・・，ｎの複数の論理経路を包含する一般的な関係（写像）ｆ：条件群Ａ→結果群Ｂが「論理モデル」であり、ここで、
条件群Ａ＝｛Ａ（１），Ａ（２），・・・，Ａ（ｎ）｝，
結果群Ｂ＝｛Ｂ（１），Ｂ（２），・・・，Ｂ（ｎ）｝
である。条件Ａ（ｉ）および結果Ｂ（ｉ）が数値である場合、写像ｆは数学的な関数である。写像ｆは、一般的な関係であるから、新たな条件Ａ（ｊ）に対する結果Ｂ（ｊ）を推測するのに使用可能である。実際のデータベースシステムにおいては、写像ｆは、完全に正しい結果を与える場合だけでなく、近似的に正しい結果を与える近似関係をも含むが、サンプル数ｎが増加するにしたがって写像ｆの精度ないしは近似度は向上する。すなわち、データベースシステム１の使用頻度が深まるほど、リアライゼーションストア１６０はより正確に結果を予測可能になる。この意味で、リアライゼーションストア１６０は、自律的に「学習」を行う「進化するデータベース」であると言える。
【００５５】
さらに、写像ｆは経時的に変化可能でもある。すなわち、時間が経過して上述したｎ個の条件Ａ（ｉ），結果Ｂ（ｉ）に、それぞれ新たにｋ個の条件：
Ａ’＝｛Ａ（ｎ＋１），Ａ（ｎ＋２），・・・，Ａ（ｎ＋ｋ）｝
およびｋ個の結果
Ｂ’＝｛Ｂ（ｎ＋１），Ｂ（ｎ＋２），・・・，Ｂ（ｎ＋ｋ）｝
が追加された場合、写像ｆは、
・複数の条件群を結合した集合すなわち条件群Ａ＋Ａ’と、
・複数の結果群を結合した集合すなわち結果群Ｂ＋Ｂ’と、
の関係を反映したものに進化する。このため、写像ｆ’：Ａ’→Ｂ’が写像ｆと異なる場合、写像ｆは写像ｆ’を考慮して修正される。これが、上述した追加学習に相当する。もちろん、写像ｆ’が写像ｆと同じである場合は、写像ｆは修正されない。
【００５６】
また、写像ｆは、データ群１３２とは分離されて生成される。このため、特定のユーザまたはユーザ群（以下、単にユーザと略記する）にのみ適用可能な属人的なものではなく、拡張利用可能である。より具体的には、特定のユーザについて得られた写像ｆを他のユーザに適用可能である。さらに、複数の写像ｆ1，ｆ2を結合して新たな写像、たとえば
線形結合写像： ｃ1ｆ1＋ｃ2ｆ2、（ｃ1およびｃ2は定数）
を作成して利用することも可能である。
【００５７】
なお、上述した学習には、ニューラルネットワークやルールベースが好適に用いられる。後述する実施例において、データベースシステムにおける学習にニューラルネットワークやルールベースを適用する方法について単純な例をあげて説明する。
【００５８】
○リストラクチャエンジン１７０；
データベースシステム１には、データ構造を最適化するリストラクチャエンジン１７０が設けられる。リストラクチャエンジン１７０は、図５のブロック図に示すように、構造変化判断部１７１とリファクタリング部１７２とを備える。構造変化判断部１７１は、ＫＳＤモデル１６１とデータ構造モデル１３１とを対比して、データ構造モデル１３１がＫＳＤモデル１６１を反映しているかどうかの判断を行う。さらに、構造変化判断部１７１は、データ構造モデル１３１がＫＳＤモデル１６１を反映していない場合に、構造変化指示信号をリファクタリング部１７２へ出力する。リファクタリング部１７２は、この構造変化指示信号に応答して、データ構造モデル１３１をＫＳＤモデル１６１が反映されたものに変更する。さらに、変更後のデータ構造モデル１３１に適合するようにトランスレータ１４０を更新する。
【００５９】
ここで、データ構造モデル１３１の変更について、より具体的な例をあげて説明する。ここでは、データ構造モデル１３１が階層型のデータ構造を有している場合を例にあげる。ＫＳＤモデル１６１によって高頻度で出力されると予測される複数のデータ要素Ｃ（ｉ）（ｉ＝１，２，３）が、図６の階層図に示すように離れたノードに分散して記述されている場合、データの検索効率が低い。このため、このような場合は、構造変化判断部１７１によってデータ構造モデル１３１がＫＳＤモデル１６１を反映していないことを示す構造変化指示信号がリファクタリング部１７２へ出力される。構造変化指示信号を受けたリファクタリング部１７２は、データ構造モデル１３１を変更して、図７の階層図に示すようにデータ要素Ｃ（ｉ）（ｉ＝１，２，３）を近接したノードに集中させる。これは、ＫＳＤモデル１６１に対して最適化されていないデータ構造モデル１３１をより最適化された状態に近づけるデータ構造操作である。これにより、データの検索効率を向上でき、ＫＳＤモデル１６１の検索支援機能をより有効に機能させることができる。
【００６０】
上述のデータ構造変更例は単純化した一例であって、データ構造変更方法はこれに限定されない。たとえば、新たなノードを追加して適切なデータを記述するデータ構造変更やデータ中の構造化されていない部分を新たに構造化するデータ構造変更であってもよい。これらの具体例のいくつかは後述する実施例で説明するが、データ構造変更方法はこれらの実施例によっても制限されるものではなく、定義されたデータ構造をなんらかの形で変更する方法は全て許容される。
【００６１】
＜データ構造＞
上述したように、データストア１３０に格納されたデータ群１３２や検索要求を変換して得られたクエリは特定のデータ構造を有している。以下の説明においては、データ構造の例として階層型の例を説明するが、本発明におけるデータ構造はこれに限定されない。たとえば、リレーショナル型やネットワーク型のデータ構造も使用可能である。
【００６２】
本実施形態におけるクエリ構造モデル１２１およびデータ構造モデル１３１は、階層型のデータ構造を備える。階層構造は各要素にデータが記述されたグラフによって表現される。該表現にはＸＭＬ（eXtended Markup Language）が用いられ、ＲＤＦ（Resource Description Framework）が表現形式として採用される。なお、データ構造の表現手段はこれに限られることなく、データ構造を特定可能な様々表現形式を利用可能である。
【００６３】
クエリ構造モデル１２１の階層構造を図８にグラフで示す。図８に示すクエリ構造モデル１２１は学術論文データベースの検索クエリを例としている。この場合、クエリ構造モデル１２１は、ルート要素"root"に"query-id","query","keyword"の予約属性を持つ。"query-id"には、クエリを識別する固有の自然数が記述される。該自然数はクエリ作成時に作成され変更されることはない。"query"には、ユーザが入力した検索内容が記述される。"keyword"には、ユーザが入力したキーワードが記述される。この例の場合、ふたつのキーワードがあるため、ふたつの"keyword"ノードが作成されている。なお、必要に応じて上述の予約属性以外の属性を追加することも可能である。図８では学術論文データベースの検索クエリの場合を例としてあげたが、属性の内容はデータベースの目的に応じて様々に変更可能である。
【００６４】
次に、データ構造モデル１３１の階層構造を図９にグラフで示す。図９に示すデータ構造モデルは学術論文データベースのデータを例としている。この場合、データ構造モデル１３１は、ルート要素"root"に"data-id","data"の予約属性を持つ。"data-id"には、データを識別する固有の自然数が記述される。該自然数はデータストア１３０への登録時に作成され、変更されることはない。"data"には、オリジナルデータへのポインタがＵＲＬ（Uniform Resource Locator）で記述される。予約属性以外の任意属性である"field"には、学術論文の分野が記述される。なお、必要に応じて属性を追加してもよい。図９では、学術論文データベースのデータ構造の場合を例としてあげたが、クエリ構造モデル１２１の場合と同様に属性の内容はデータベースの目的に応じて様々に変更可能である。
【００６５】
＜その他＞
以上の実施形態においては、本発明に係るデータベースシステムについて一般化して説明したが、以下の実施例ではより具体的なデータベースシステムを例にあげて説明する。なお、上述のデータベースシステムで説明した構成が各実施例の各々に全て含まれているとは限られない。また、一部の構成が変形されている実施例も存在する。これらは、データベースシステムの具体的な特徴に合わせた設計事項に過ぎない。
【００６６】
【発明の実施例】
＜＜第１実施例 学術論文検索用データベースシステム＞＞
第１実施例に係るデータベースシステム１は、医療分野の学術論文（以後、単に「論文」と略記する）検索用のデータベースシステムである。
【００６７】
＜１．１ データ構造＞
○論文のＸＭＬ文書化；
検索対象となる論文は、トランスレータ１４０によってＸＭＬ文書に変換されてデータストア１３０に格納される。ＸＭＬ文書に変換前後の論文の例をそれぞれ図１０および図１１の模式図に示す。
【００６８】
図１０および図１１に示すように、論文２００の「タイトル」「著者」「キーワード」等の書誌項目は、各書誌項目名を要素名とする要素としてＸＭＬ文書２０１に記述される。たとえば、論文２００の「著者」である「山田太郎」は、ＸＭＬ文書２０１の「著者」という要素に記述される。また、論文２００の本体部の内容は、各セクション名を要素名とする要素としてＸＭＬ文書２０１に記述される。たとえば、論文２００の「はじめに」というセクションの内容は、ＸＭＬ文書２０１の「はじめに」という要素に記述される。
【００６９】
○データ構造モデル；
ＸＭＬ文書２０１の要素間の関係すなわちＸＭＬ文書２０１の構造は、ＲＤＦにより表現される。第１実施例の初期状態においては、ＸＭＬ文書２０１の構造は図１２の階層図に示すような階層型のデータ構造２１０となっている。具体的には、ルートセグメントから派生して、論文２００の分野を示すセッションセグメント２１１（図１２中にはひとつのセグメントしか記載されていないが実際は複数存在する）が設けられ、各セッションセグメントから派生してタイトルセグメント２１２が設けられ、各タイトルセグメントから派生して著者セグメント２１３、はじめにセグメント２１４、キーワードセグメント２１５、本文セグメント２１６、まとめセグメント２１７が設けられる。もちろん、このような階層型は一例であって他の階層型が採用されてもよい。また、一部の要素が構造化されない状態であってもよい。たとえば、「本文」を「理論」「計算」「実験方法」「実験結果」等にさらに階層化可能であっても、階層化しないで「本文」セグメントにそのまま記述している半構造化の状態であってもよい。
【００７０】
上述の構造はデータ構造モデル１３１としてデータストア１３０に格納される。格納されたデータ構造モデル１３１は、後述するようにデータベースシステム１の進化にともなって継続的に更新される。換言すれば、データ構造モデル１３１がデータ本体部１３２と同様にデータベースシステム１の客体（処理対象）となっている。この点で、本データベースシステム１は、データ構造モデル１３１がデータベースシステム１を規定しているため、継続的な進化を実現することが困難な従来のデータベースシステムとは異なる。このような特徴により、本データベースシステム１は、データ構造が完全に構造化されていない半構造化データの処理が容易であり、ユーザの使用状況に合わせてデータ構造モデル１３１を動的に進化させることができる。
【００７１】
＜１．２ データベース操作＞
○ユーザインターフェース；
データベースシステム１とユーザとの間の情報入出力はユーザインターフェース１１０を用いて行われる。ユーザインターフェース１１０には周知の各種ＧＵＩ（Graphical User Interface）を採用可能である。ユーザのデータベース操作はクライアント２０にインストールされたデータベース用アプリケーションを使用して行われる。以下では、ＧＵＩの画面表示例を参照しながらデータベース操作について説明する。
【００７２】
○認証；
第１実施例のデータベースシステム１は、ユーザごとにＫＳＤモデル１６１を保持するため、ユーザを特定する必要がある。したがって、使用開始前に認証手続きが行われる。より具体的には、図１３に示すように、データベースシステム１使用前にユーザはログイン画面２３０でユーザＩＤ欄２３１およびパスワード欄２３２の入力を行った後にＯＫボタン２３３を押下する。入力したユーザＩＤおよびパスワードが、データベースシステム１内に事前に登録されたユーザＩＤおよびパスワードと一致する場合、ログイン処理が完了しユーザはデータベースシステム１を使用可能になる。ユーザは、終了ボタン２３４を押下することによりデータベース操作を終了することもできる（以下の画面表示例においても、終了ボタンは同様の機能を有する）。
【００７３】
○検索；
第１実施例のデータベースシステム１では、ユーザが日常使用する自然文を入力して論文検索を実行可能である。検索は、図１４に示すように、検索画面２４０の検索入力欄２４１に検索に使用する自然文を入力して、検索ボタン２４２を押下することにより行う。たとえば、ユーザが胃がんの臨床例について調べる場合は、「胃がんの臨床例が記述された論文」を検索入力欄２４１に入力する。
【００７４】
○検索結果表示；
第１実施例のデータベースシステム１の検索結果表示画面２５０を図１５に示す。検索結果には、出力された論文数を示す該当件数２５１、出力順序を示すＮＯ２５２、出力された論文のセッション名２５３、タイトル２５４、データベースシステムが推測した検索入力との関連の強さを示すパラメータであるスコア２５５が表示される。ここで、スコア２５５は、０％〜１００％の数値範囲をとり、数値が大きいほど検索入力との関連が強いことを意味する。また、論文の出力順序はスコア２５５の降順となる。
【００７５】
表示された論文のタイトル２５４には、アンダーライン２５４ａが引かれており、詳細情報へのリンクが埋め込まれていることが示されている。ユーザは、マウスポインタを当該アンダーライン２５４ａにあわせてマウスボタンをクリックすることにより次に説明する詳細表示画面２６０を閲覧可能である。また、ユーザは、戻るボタン２５６を押下することにより、検索画面２４０を再度表示させることもできる。
【００７６】
○詳細表示；
上述した詳細表示画面２６０を図１６に示す。詳細表示画面２６０には、検索結果表示画面２５０で選択した論文の詳細が表示される。具体的には、タイトル２６１に加えて、はじめに２６２，本文２６３、まとめ２６４が表示される。ユーザは、ダウンロードボタン２６５を押下することにより、当該論文を所定のファイル形式でダウンロードして閲覧および印刷等を行うことも可能である。また、戻るボタン２６６を押下すれば、検索結果表示画面２５０を再度表示させて他の論文の詳細を選択可能である。
【００７７】
＜１．３ クエリ＞
○検索処理の最適化；
ユーザによって入力された検索文は、エクゼキュートコンポジション部１２０で解析されて、クエリエンジンマイニング部１５０の検索処理が最適になるようなクエリに変換される。図１７は、第１実施例に係るエクゼキュートコンポジション部１２０の機能を説明するブロック図である。以下では、「胃がんの臨床例が記述された論文」という自然文２７１が検索入力された場合を例として、エクゼキュートコンポジション部１１０の詳細を図１７を参照しながら説明する。
【００７８】
まず、ユーザインターフェース２８０から入力された「胃がんの臨床例が記述された論文」という自然文２７１は、形態素解析部２７４によって文節ごとに分解される。すなわち、「胃がん」「の」「臨床例」「が」「記述された」「論文」の７つの文節２７２に分解される。文節２７２に分解された検索入力は、クエリ生成部２７６に出力される。クエリ生成部２７６は、医療分野で使用される専門用語が記載された医療分野辞書２７５を参照して、入力された文節の中から専門用語のみを抽出する。この例の場合、「胃がん」「臨床例」のふたつの専門用語２７３が抽出されることになる。さらに、クエリ生成部２７６は、クエリ構造モデル１２１を参照して、抽出された専門用語２７３をクエリ構造モデル１２１と整合性を持つ形式に変換して、クエリエンジンマイニング部１５０へ出力する。
【００７９】
なお、エクゼキュートコンポジション部１２０に、「胃がん」「胃ガン」のような同義語で同等の検索出力が得られるように検索入力の多義性を解消する機能を搭載してもよい。
【００８０】
○検索処理と検索結果出力；
エクゼキュートコンポジション部１２０から入力されたクエリを用いて、クエリエンジンマイニング部１５０はクエリの「胃がん」「臨床例」を含む論文を全文検索によりデータストア１３０から抽出する。抽出された論文はエクゼキュートコンポジション部１２０に出力される。出力された論文は、先述した検索結果表示画面２５０に表示される。なお、検索結果表示画面２５０のスコア２５５は、第１実施例のデータベースシステム１の拡張機能によって与えられるものであり、詳細は後述の拡張機能欄で説明する。
【００８１】
＜１．４ ＫＳＤモデルの構築＞
ＫＳＤモデル１６１の構築には様々な態様が考えられるが、ここでは次のような事例をあげて説明する。すなわち、ユーザの検索入力から生成したクエリのキーワード（以下、「ユーザキーワード」と略記する）と、ユーザがダウンロードした論文の著者が論文に付したキーワード（以下、「１次キーワード」と略記する）との関係をニューラルネットワークに学習させてＫＳＤモデル１８１として蓄積する場合を考える。この場合、ユーザの一連のデータベース操作で得られた「ユーザキーワード」と「１次キーワード」とが、エクゼキュートコンポジション部１２０からリアライゼーションストア１６０に出力されてＫＳＤモデル１６１の構築に利用される。
【００８２】
本事例では、ユーザキーワードおよび１次キーワードは、それぞれ、発明の実施の形態で説明した条件Ａおよび結果Ｂに相当する。この場合、原理的には、医療分野辞書２７５に記載された全ての専門用語が条件Ａに、データストア１３０に格納されている全ての論文に付された全ての１次キーワードが結果Ｂとなりうる。本項では説明を簡潔にするために、医療分野辞書２７５に「胃がん」「臨床例」「骨折」の３語のみが、１次キーワードに「抗がん剤」「転移」「ギブス」の３語のみが含まれる単純なニューラルネットワークを例にあげて説明する。
【００８３】
第１実施例のニューラルネットワーク３００の模式図を図１８に示す。ニューラルネットワーク３００は、ニューロンを３個ずつ備える入力層Ｉ、中間層Ｍ、出力層Ｏの３層からなるパーセプトロンである。ここでは、「胃がん」「臨床例」「骨折」の各語をそれぞれ入力Ｘ１，Ｘ２，Ｘ３に対応づける。入力Ｘ１，Ｘ２，Ｘ３は、それぞれ「０」または「１」の値をとり、ユーザキーワードに含まれる語を「１」で、含まれない語を「０」で表現する。つまり、ユーザキーワードに「胃がん」「臨床例」が含まれる場合は、入力は（Ｘ１，Ｘ２，Ｘ３）＝（１,１,０）となる。同様に、「抗がん剤」「転移」「ギブス」の各語をそれぞれ、出力Ｙ１，Ｙ２，Ｙ３に対応づける。出力Ｙ１，Ｙ２，Ｙ３は、それぞれ「０」または「１」の値をとり、１次キーワードに含まれる語を「１」で、含まれない語を「０」で表現する。つまり、１次キーワードに「抗がん剤」「転移」が含まれる場合に対応する出力は（Ｙ１，Ｙ２，Ｙ３）＝（１,１,０）となる。
【００８４】
入力（Ｘ１，Ｘ２，Ｘ３）は、それぞれ入力層のニューロンＩ１，Ｉ２，Ｉ３に入力される。また、ニューロンＩ１，Ｉ２，Ｉ３の各出力は中間層のニューロンＭ１，Ｍ２，Ｍ３全てに入力される。さらに続けて、ニューロンＭ１，Ｍ２，Ｍ３の各出力は出力層のニューロンＯ１，Ｏ２，Ｏ３全てに入力される。ニューロンＯ１，Ｏ２，Ｏ３の出力は、それぞれ、出力Ｙ１，Ｙ２，Ｙ３となる。
【００８５】
ここで、ニューロンについて説明する。図１９に示すように、一般にニューロン３１０は入力ｘ1，ｘ2，・・・，ｘN（本事例ではＮ＝３）に応じて、出力ｙを決定可能である。入力ｘ1，ｘ2，・・・，ｘNには、それぞれ、各入力の重みである結合加重ｗ1，ｗ2，・・・，ｗNが定められている。ニューロン３１０に入力が与えられた場合、入力ｘ1，ｘ2，・・・，ｘNと結合加重ｗ1，ｗ2，・・・，ｗNとから算出されるネット値ｕ（数１）および結合関数Ｆ（数２）によって出力ｙが決定される。
【００８６】
【数１】
【数２】
数２におけるθは、結合関数Ｆのしきい値である。つまり、ネット値ｕがしきい値θを超えると出力が「０」から「１」へ変化することを示す。なお、上述の結合加重ｗ1，ｗ2，・・・，ｗNはニューラルネットワーク３００の学習によって変化する。また、上述の結合関数Ｆは一例であって、データベースシステムの特徴によって様々に変更されうる。
【００８９】
次に、ニューラルネットワーク３００の学習について説明する。ニューラルネットワーク３００は、エクゼキュートコンポジション部１２０からリアライゼーションストア１６０が取得した１次キーワードを、対応するユーザキーワードに対する教師信号として学習を行う。すなわち、ニューラルネットワーク３００において、入力信号ベクトルｖi＝（Ｘ１，Ｘ２，Ｘ３）＝（１，１，０）に対するニューラルネットワーク３００の出力信号ベクトルｖo＝（Ｙ１，Ｙ２，Ｙ３）＝（１，０，１）が、教師信号となる１次キーワードベクトルｖkey＝（Ｙ１’，Ｙ２’，Ｙ３’）＝（１，１，０）に近づくように、ニューロンの結合加重を変化させるプロセスを実行する（これらの関係を図２０に一覧表にして示す）。学習は、たとえば標準デルタ則に基づいて行われる。具体的には、ニューロンＭjからニューロンＯiへの学習前の結合加重がＶijであるとき、数３で定められるＶij’をニューロンＭjからニューロンＯiへの新たな結合加重として採用することによって、ニューラルネットワーク３００に学習させる。
【００９０】
【数３】
ただし、εは正の実数であり、直近の学習の寄与度を示すパラメータである。ａjはニューロンＭjの出力である。
【００９２】
数３より明らかなように、教師信号と出力信号とが等しい場合は、結合加重の変化はなく学習は行われない。ある出力に対応するニューロンの出力信号が「０」で教師信号が「１」の場合は、ニューロンの出力が大きくなるように結合加重が増加させられる。逆に、ある出力に対応するニューロンの出力信号が「１」で教師信号が「０」の場合は、ニューロンの出力が小さくなるように結合加重が減少させられる。これらにより、特定の入力信号に対する出力信号を教師信号に近づけるように結合加重は変化してゆくことになる。
【００９３】
なお、上述の学習プロセスにおいては中間層Ｍの結合加重は変化しないが、実際のデータベースシステムにおいては、バックプロパゲーション等のより高度な学習則により中間層Ｍの結合加重を変化させることもできる。
【００９４】
これらの学習を繰り返すことにより（すなわち、ユーザが検索入力とダウンロードを繰り返せば繰り返すほど）、リアライゼーションストア１６０における条件（ユーザキーワード）から結果（１次キーワード）への写像の近似度を向上することが可能である。近似度が向上すれば、ユーザがデータベース操作を行うために新たに検索入力を行った場合に、リアライゼーションストア１６０はユーザが必要とする論文に含まれる１次キーワードをより正確に推測可能になる。この推測能力向上は、次節以降で説明するデータベース構造の変更や拡張機能等のユーザに有用な諸機能を提供するのに利用可能である。
【００９５】
また、ユーザの検索入力やダウンロードする論文の傾向が経時的に変化しても（たとえば、学部学生→大学院生→教官と進むにつれて、ありふれた病気から難病に関する論文を検索することが多くなるような場合）、ＫＳＤモデル１６１はそのような変化に対応して変化することができるので、ユーザにとってのデータベースシステム１の有用性は維持される。
【００９６】
＜１．５ データ構造モデルの進化＞
第１実施例においては、ＫＳＤモデル１６１が追加学習を行うたびにデータ構造モデル１３１が変化する例を説明する。つまり、この例ではＫＳＤモデル１６１のデータ予測能力向上と並列的にデータ構造モデル１３１が変化する。
【００９７】
○構造変化判断；
ユーザの一連のデータベース操作においてユーザキーワードおよび１次キーワードが決定されると、１次キーワードがユーザキーワードを反映しているかどうかを構造変化判断部１７１が判断する。より具体的には、全てのユーザキーワードが１次キーワードに含まれている場合は１次キーワードがユーザキーワードを反映していると判断し、１次キーワードに含まれていないユーザキーワードが存在する場合は１次キーワードがユーザキーワードを反映していないと判断する。
【００９８】
○構造変更プロセス；
１次キーワードがユーザキーワードを反映していないと構造変化判断部１７１が判断した場合、構造変化指示信号が構造変化判断部１７１からリファクタリング部１７２に出力される。構造変更指示信号が入力されたリファクタリング部１７２は、構造変更プロセス（データ構造の再構築）を実行する。この構造変更プロセスについて、図２１のフローチャートを参照しながら説明する。
【００９９】
まず、ステップＳ２０１では現時点のデータ構造モデル１３１を確認して分岐処理を行う。すなわち、リファクタリング部１７２は、対応する論文のキーワードセグメント２１５の下層に１次キーワードセグメント３２２およびユーザキーワードセグメント３２３（図２２の階層図にて示すデータ構造３２０参照）が存在するかどうかを確認する。これらのセグメントが存在する場合はステップＳ２０３へ移行する。これらのセグメントが存在しない場合はステップＳ２０２へ移行する。
【０１００】
ステップＳ２０２においては、キーワードセグメント３２１の下層に１次キーワードセグメント３２２およびユーザキーワードセグメント３２３を新たに作成する。さらに、データ構造２１０のキーワードセグメント２１５に記述されているキーワードを１次キーワードセグメント３２２に複製して記述する。これらの処理が終了した後に、ステップＳ２０３へ移行する。
【０１０１】
ステップＳ２０３では、ユーザキーワードのうち、１次キーワードに含まれないキーワードをユーザキーワードセグメント３２３に追記して今回の構造変更プロセスを終了する。
【０１０２】
以上の構造変更プロセスにより、著者が論文に与えたキーワード以外のユーザキーワードが追加される。
【０１０３】
検索処理は全文検索により行われるので、追加されたユーザキーワードは論文のいずれかの箇所に含まれていた専門用語である。つまり、論文の著者があらかじめ予想しなかったものの論文には含まれていた専門用語によって、当該論文がユーザによって抽出されたということになる。
【０１０４】
第１実施例のデータベースシステム１では、以後のデータベース操作において、このようにして追加されたユーザキーワードを１次キーワードと同等のものとして取り扱う。すなわち、以後のデータベース操作において、ニューラルネットワーク３００の教師信号となる１次キーワードに「胃がん」や「抗がん剤」をも含めて取り扱う。これにより、論文のキーワードにユーザが使用するキーワード（より正確にはユーザが検索入力する自然文に含まれる専門用語）が論文の特徴を表現するキーワードとして追加されるだけでなく、ニューラルネットワーク３００の出力もこのようなキーワードを出力する傾向が強くなるように学習が行われる。そして、新たな検索処理が行われるごとにこのような構造変更プロセスが実行されるため、データベースシステム１が活用されればされるほど、ユーザは自分が必要とする論文を検索する作業が容易になる。この容易性は蓄積される性質を有しており、従来のデータベースシステムでは実現が難しいものである。
【０１０５】
以上の構造変更プロセスにより、データ構造２１０にはＫＳＤモデル１６１に蓄積される論理モデル６に対応する構造が与えられることになる。これは、リアライゼーションストア１６０によるデータベース進化をより促進するものである。このため、以上のような構造変更プロセスを備えることにより、データベースシステム１におけるデータ群１３２へのアクセス効率が向上し、ユーザのデータベース操作をより強力に支援できる。
【０１０６】
＜１．６ 拡張機能＞
第１実施例に係るデータベースシステム１は、ＫＳＤモデル１６１を利用してユーザに検索機能以外の様々な拡張機能を提供することが可能である。本節では、そのような拡張機能の具体例について説明する。
【０１０７】
○検索結果表示順序；
検索結果表示画面２５０（図１５）で説明したように、検索結果にはスコア２５５が付加され、出力された論文はスコア２５５の降順に表示される。このスコア２５５は、対応する論文の１次キーワードベクトルｖkeyと出力信号ベクトルｖoとのなす角φの余弦ｃｏｓφ（図２３参照）と正の相関を有する量として与えられる。つまり、エクゼキュートコンポジション部１２０は、値φが小さくなるほど高いスコア２５５を算出するように構成される。出力信号ベクトルｖoは、リアライゼーションストア１６０が推測した必要な論文に含まれるキーワードであるから、当該キーワードを実際に１次キーワードとして含んでいる論文が高いスコア２５５を得て、検索結果の上位に表示されることになる。
【０１０８】
また、検索入力を繰り返せば繰り返すほど、リアライゼーションストア１６０の推測能力は向上するので、出力されるスコア２５５もより的確な数字に変化することになる。これにより、ユーザは、必要とする論文をより効率的に検索することが可能になる。
【０１０９】
○非熟練ユーザへのガイダンス；
第１実施例のデータベースシステム１は、ＫＳＤモデル１６１を利用して非熟練ユーザにガイダンスを行うことができる。ここでは、クエリエンジンマイニング部１５０が論文を絞り込むのにほとんど役立たない抽象的な検索入力を行う非熟練ユーザに、より適切な検索を行うガイダンスを行う例を例示する。
【０１１０】
たとえば、非熟練ユーザが「薬」という漠然とした検索入力を行った場合を考える。この場合に、図２４の検索結果表示画面３３０に示すように多数の検索結果が出力されたものの、出力された論文のスコアは極めて低く検索結果から有用な情報は得られなかったとする。これは、「薬」という専門用語が多数の論文で使用されている一方で、ニューラルネットワーク３００上で強く結合している１次キーワードが少ない、すなわち、多くの１次キーワードと弱く結合していることを示している。このような場合、ニューラルネットワーク３００上で相対的に強く結合している、すなわち「薬」という入力を与えたときに比較的大きなネット値ｕが得られる出力層Ｏのニューロンに対応する１次キーワードを推奨キーワード３３１として、検索結果表示画面３３０に出力する。図２４には、推奨キーワード３３１として、「合成抗菌剤」「副作用」が表示された例を示す。つまり、「薬」という漠然としたキーワードが入力されたときであっても、それ以前の多数回の検索プロセスの解析によって、このデータベースを使用する一群のユーザは「合成抗菌剤」「副作用」に関連する論文を必要としている場合が多いということがニューラルネットワーク３００上で学習されているために、その学習結果によって特定された推奨キーワード３３１がユーザに提供される。これらの推奨キーワード３３１には、リンクが埋め込まれていることを示すアンダーライン３３２が引かれており、タイトル２５４についての説明時に述べたのと同様の方法でＧＵＩの操作を行うことにより、クリックしたキーワードの検索を自動的に実施することが可能である。
【０１１１】
○ＫＳＤモデルのエクスポート、インポート；
先述したＫＳＤモデル１６１は、データストア１３０に格納されたデータ群１３２とは分離しているので、このデータベースシステム１と同様の構造を有する他のデータベースシステム（以下「同種データベース」）に対してエクスポート可能である。たとえば、医療分野の学術論文検索用のデータベースシステム１におけるＫＳＤモデル１６１を、医薬製造分野の学術論文検索用のデータベースシステムへエクスポートしてＫＳＤモデルとして利用することも可能である。エクスポートは、たとえば、結合加重を所定形式のファイルに記述して異なるデータベースシステムへ複製することにより行う。
【０１１２】
これらのデータベースシステムが相互に類似の機能構成を持つために、医薬製造分野の学術論文検索用のデータベースシステムのＫＳＤモデルを、医療分野の学術論文検索用のデータベースシステムへインポートする逆の操作も同様の方法で可能である。
【０１１３】
これにより、新規のデータベースシステムを立ち上げる場合でも、ＫＳＤモデルを初期状態から学習させることなく、新規データベースシステム使用開始直後から高度に学習が進行したＫＳＤモデルを使用可能になる。また、使用者が少なくＫＳＤモデルの学習が進行しにくいような場合でも、高度に学習が進行したＫＳＤモデルをインポートすることにより、ユーザの検索作業を強力に支援できる。
【０１１４】
すなわち、図１の論理モデル６に相当する図３のＫＳＤモデル１６１は、データストア１３０の内容とは分離可能に構築されかつ進化するため、ＫＳＤモデル１６１（論理モデル６）は複数のデータベースシステム間で汎用となっており、それらのデータベースの間で論理モデル６のインポートもエクスポートも可能である。換言すれば、論理モデル６（ＫＳＤモデル１６１）は各データベースに固有のデータ蓄積内容とは独立した自己完結性を持つために、複数のデータベース間で移植可能である。
【０１１５】
○ＫＳＤモデルの結合；
また、第１実施例ではＫＳＤモデル１６１はユーザごとに設けられるが、複数のユーザのＫＳＤモデルを結合して新たなＫＳＤモデルを作成することも可能である。
【０１１６】
すなわち、複数のユーザと複数のデータベースとが存在する場合、それらに利用される論理モデルの種類として、
1) 各ユーザごとに固有であるが、複数のデータベースに共通に利用できる論理モデル（以下「データベース汎用型の論理モデル」）；
2) 各データベースごとに固有であるが、複数のユーザに共通に利用できる論理モデル（以下「ユーザ汎用型の論理モデル」）；
3) 各ユーザと各データベースとどの組合せにも共通の論理モデル（以下「全汎用型の論理モデル」）；
4) ユーザとデータベースとの組合せごとに異なる論理モデル（以下「固有論理モデル」）、
の４種類が存在し得る。前項で説明した医療分野と医薬製造分野とのそれぞれの学術論文検索用のデータベース間で移植されるの論理モデル６は、上記４種のうちの「データベース汎用型の論理モデル」に対応するものである。この場合には、個々のユーザの論理モデルはそのユーザの性格や能力（ユーザグループであればそのグループの特質）を反映した「属人的」なものであるため、その論理モデルはそのユーザに対しては他の同種データベースにも利用可能であることが多いとの原理に立脚した態様である。
【０１１７】
これに対して、上記４種のうちの「ユーザ汎用型の論理モデル」は、同じデータベースについての各ユーザの論理モデルを結合することによって、そのデータベースについて、各ユーザに共通でかつ高度の論理モデルを構築することか可能としている。たとえば類似の論文検索傾向を有する（たとえば、循環器系の外科医同士）ユーザＵおよびＶのＫＳＤモデル１６１を結合することによってこのような進化を達成可能である。
【０１１８】
このような場合には、ユーザＵおよびＶの結合加重をそれぞれＷU，ＷVとする。また、ユーザＵおよびＶのデータベース使用頻度をそれぞれＰU，ＰV（ＰU＋ＰV＝１）とする。このとき、使用頻度ＰU，ＰVを重みとした結合加重ＷU，ＷVの加重和（ＰUＷU＋ＰVＷV）を新たな結合加重として算出して、この新たな結合加重を含むＫＳＤモデル１６１（論理モデル６）をユーザＵおよびＶに共通の論理モデルとして提供する。これにより、各ユーザのそれぞれについて単独に進化させたＫＳＤモデル１６１よりも高度に学習が進行したＫＳＤモデル１６１を利用可能となり、各ユーザの検索効率を高めることができる。
【０１１９】
＜１．７ 変形例＞
上述の第１実施例では、ユーザキーワードと１次キーワードとの間に存在する論理モデルをニューラルネットワークで特定して保持し、データ構造変更に利用する場合を説明したが、ＫＳＤモデル１６１はこれ以外にも様々な態様が考えられる。たとえば、ユーザキーワードが含まれる数を各セクションごとに累積記憶して、累積記憶数が大きいセクションを構造化するような場合が考えられる。たとえば、図２５の階層図に示すように、構造化されていない本文中のサブセクションにおいて、ユーザキーワードの累積含有数が大きい「実験方法」「実験結果」「実験装置」を新たに構造化するような場合が考えられる。このような構造変更を行った場合、トランスレータ１４０も同時に更新して、新たに追加される論文があらかじめこのようなデータ構造モデル１３１と整合性を保持している状態にする。
【０１２０】
＜＜第２実施例 学校の教育教材データベースシステム＞＞
データベースシステム１の第２実施例は、学校の教育教材（以下、単に「教材」と略記する）を管理するデータベースシステムとして構築される。このデータベースシステム１は、特に、入力された教育成果から生徒に最適化された教材を決定して、教師が生徒を指導するときに使用する教材選択を支援するために用いられる。以下で、当該データベースシステム１について説明を行うが、第１実施例と同様の点については詳細説明を省略する。
【０１２１】
＜２．１ データ構造＞
第２実施例のデータベースシステム１のデータストア１３０には、教材データ、教育成果データ、生徒特徴データと、そのデータ構造モデル１３１とが格納されている。
【０１２２】
○教材データ；
教材データは、第１実施例の論文５０と同様にＸＭＬ文書として記述される。ＸＭＬ文書には、指導に用いられる教材の内容が科目、単元、指導方法別に記述されている。記述内容は、図２６の階層図に示すようなデータ構造４００を有する。すなわち、教材セグメント４０１から派生して汎用の教材を意味する基本教材セグメント４０２が設けられ、基本教材セグメント４０２から科目セグメント４０３〜４０５が設けられ、各科目セグメントから単元セグメント４０６〜４０８が設けられ、各単元セグメントから派生して講義中心型、バランス型、演習中心型等の教材セグメント４０９〜４１１が設けられる。教材セグメント４０９〜４１１には、教材の具体的内容、その教材を使用する場合の指導上の注意事項、テスト問題の雛形が記述されている。すなわち、教師が参照する教材が複数記述されている。ここで、講義中心型および演習中心型は、それぞれ講義および演習の比率を標準より高めた教材である。一方、バランス型は講義と演習との比率が標準的な教材である。
【０１２３】
○教育成果データ；
教育成果データは、生徒、科目、単元別に、使用した教材と教育成果がＸＭＬ文書として記述される。当該ＸＭＬ文書のデータ構造４２０を図２７の階層図に示す。図２７からわかるように、教育成果セグメント４２１から派生して、生徒セグメント４２２〜４２３が設けられ、各生徒セグメントから派生して科目セグメント４２４〜４２６が設けられ、各科目セグメントから派生して単元セグメント４２７〜４２９が設けられる。単元セグメント４２７〜４２９には、使用した教材と教育成果（Ａ，Ｂ，Ｃ）が記述されている。教育成果は、たとえば、テスト結果等の生徒の理解度を示す情報であり、所定の分類基準にしたがってＡ〜Ｃの３段階にランク分けされる。
【０１２４】
○生徒特徴データ；
生徒特徴データには、生徒の入学時学力、性格、希望進路が生徒ごとにＸＭＬ文書として記述される。当該ＸＭＬ文書のデータ構造４３０を図２８の階層図に示す。図２８からわかるように、生徒特徴セグメント４３１から派生して、生徒セグメント４３２〜４３３が設けられ、各生徒セグメントから派生して入学時学力セグメント４４４、性格セグメント４４５、希望進路セグメント４４６等の特徴項目のセグメントが設けられる。入学時学力セグメント４４４、性格セグメント４４５、希望進路セグメント４４６には、入学時学力、性格、希望進路が所定の分類基準に基づいて記述される。
【０１２５】
上記の教材データのデータ構造モデル１３１は、第１実施例と同様にデータベースシステム１の進化にともなって継続的に更新される。すなわち、後述するように、教材選択（条件）→教育成果（結果）確認を繰り返して得られたＫＳＤモデル１６１を利用して、生徒の個性に対して最適化された教材を的確に提供できるように構造が変化してゆく。したがって、図２６に示すデータ構造４００は初期状態であり、データベースシステム１の運用実績が増加するにつれて変化する。
【０１２６】
＜２．２ データベース操作＞
○ユーザインターフェース；
第２実施例のデータベースシステム１は第１実施例と同様にＧＵＩを採用している。ユーザは、教材問い合わせ画面４５０で所定の項目を入力することにより、データストア１３０に格納された教材を閲覧可能であるとともに、使用した教材による教育成果を教育成果画面４７０で登録可能である。以下では、教材問い合わせおよび教育成果登録の方法について、ＧＵＩの画面表示例を参照しながら説明する。
【０１２７】
○教材問い合わせ；
図２９は教材問い合わせに使用されるＧＵＩの画面表示例である。教材問い合わせ画面４５０には、生徒名欄４５１、科目欄４５２、単元欄４５３の記入欄が設けられている。ユーザ（主として教師を想定している）は、これらの記入欄に所定事項を入力して問い合わせボタン４５４を押下することにより、入力した科目・単元において、生徒名を入力した生徒に対して最適化された教材をＧＵＩで閲覧可能である。また、終了ボタン４５５を押下することによりデータベース操作を終了することができる（以下の画面表示例においても、終了ボタン４５５は同様の機能を有する）。
【０１２８】
○教材表示画面；
次に、ＧＵＩで表示される教材表示画面４６０を図３０に示す。図３０は、最適化された教材として「講義中心型」が表示された場合である。もちろん、「演習中心型」が最適であると推測される生徒には、「演習中心型」の教材が表示される。また、データベース使用開始直後等で最適な教材が推測できない場合は、「講義中心型」「バランス型」「演習中心型」の全ての教材が表示される。このような場合、ユーザは表示された教材から適宜選択して生徒の指導を行うことになる。
【０１２９】
教材表示画面４６０には、生徒名、科目、単元の他に、教材の具体的内容、その教材を使用する場合の指導上の注意事項、テスト問題の雛形が表示されている。
【０１３０】
○教育成果登録；
図３１は使用した教材による教育成果を登録する場合に使用されるＧＵＩの教育成果登録画面４７０である。教育成果登録画面４７０には、生徒名欄４７１、教材欄４７２、理解度欄４７３、科目欄４７４、単元欄４７５の記入欄が設けられている。ユーザは、これらの記入欄に所定事項を入力して登録ボタン４７６を押下することにより、データストア１３０に格納された教育成果データに新規データを追加可能である。なお、この新規データの追加は、入力項目と同等の内容が含まれる別の電子データからトランスレータ１４０を使用して行うことも可能である。
【０１３１】
＜２．３ クエリ＞
○教材問い合わせと出力；
ユーザによって教材問い合わせが行われると、問い合わせはエクゼキュートコンポジション部１２０でクエリに変換されてクエリエンジンマイニング部１５０に出力される。クエリエンジンマイニング部１５０は、続いて、基本教材セグメントと同じ階層に、入力された生徒名に対応する生徒セグメントが存在するかどうかを確認する（図３２のデータ構造４８０参照；なおデータ構造４００からデータ構造４８０への構造変更については後述する）。対応する生徒セグメントが存在する場合、当該セグメントの下層に存在する、入力された科目・単元に対応する教材をクエリエンジンマイニング部１５０は抽出して、エクゼキュートコンポジション部１２０に出力する。対応するセグメントが存在しない場合、基本教材セグメントの下層に存在する、入力された科目・単元に対応する教材をクエリエンジンマイニング部１５０は抽出して、エクゼキュートコンポジション部１２０に出力する。
【０１３２】
エクゼキュートコンポジション部１２０は、入力された教材をＨＴＭＬ（Hyper Text Markup Language）形式等の閲覧に適した形式に変換して、ユーザインターエース１１０に出力する。この出力結果が図３０の教材表示画面４６０に相当する。
【０１３３】
＜２．４ ＫＳＤモデルの構築＞
○分散分析；
第２実施例におけるＫＳＤモデル１６１には、生徒の特徴と効果的な教材との関係が蓄積される。生徒の特徴としては、データストア１３０に蓄積された生徒特徴データに記述された項目を全て考慮可能であるが、ここでは入学時学力のみを考慮した場合を説明する。
【０１３４】
まず、ＫＳＤモデル構築部１６２は、単元ごとにおける、全ての生徒の入学時学力と使用された教材とが教育成果に与える影響を解析する。これにより、入学時学力（条件）ごとに教育成果を最大化できる教材（結果）を単元ごとに算出する。これは、発明の実施の形態で説明したＡ（ｉ）→Ｂ（ｉ）の論理経路を解析することに相当する。第２実施例における解析では、教材による教育成果の差はないという結果を得ることもありうるが、この場合は新たな知見は得られなかったものとして、後続するＫＳＤモデル１６１の蓄積等の処理を行わないことにする。
【０１３５】
第２実施例の解析は、教育成果を目的変数、入学時学力および教材を説明変数として、分散分析によって行う。この手順を図３３のフローチャートを参照しながら説明する。
【０１３６】
まず、ステップＳ１において、データ数が十分であるかどうかを確認する。すなわち、所定の閾値と現在のデータ蓄積数を比較し、分散分析処理に必要なデータがそろっているかどうかにより分岐処理を行う。現在のデータ蓄積数が閾値より小さくてデータ数が不十分の場合、処理を終了する。すなわち、ＫＳＤモデル１６１の更新は行われない。データ数が十分である場合、次のステップＳ２へ移行する。ここでの「データ数が十分」であるとは、データを繰り返しのある２元配置に配置できるという意味であるが、この基準は様々な統計処理方法に応じて変更されうる。
【０１３７】
ステップＳ２では、教育成果を目的変数、入学時学力および使用された教材を２元配置した説明変数として分散分析を行う。ここで、入学時学力はデータストア１３０に格納された生徒特徴データから、使用された教材はデータストア１３０に格納された教育成果データから読み込まれる。つまり、ふたつの異なるデータ体系を結合して解析が行われる。
【０１３８】
分散分析の結果、入学時学力および使用された教材に交互作用がある（入学時学力によって最適教材選択基準が異なる）と判断される場合は、ステップＳ３へ移行する。一方、分散分析の結果、入学時学力および使用された教材に交互作用がない（最適教材選択基準は入学時学力に影響されない）と判断される場合は、ステップＳ４へ移行する。
【０１３９】
ステップＳ３では、入学時学力ごとに使用された教材と教育成果との関係を解析する。すなわち、教育成果データを入学時学力別に層別して分散分析を行う。この分散分析は、使用された教材を説明変数、教育成果を目的変数とした１元配置の分散分析である。この分散分析において有意差があると判断される場合には、ステップＳ５へ移行する。有意差がないと判断される場合は処理を中止する。
【０１４０】
ステップＳ４では、交互作用項をプーリング（交互作用項を誤差項に含める）して再度分散分析を実施する。この分散分析において有意差があると判断される場合は、ステップＳ５へ移行する。有意差がないと判断される場合は処理を終了する。
【０１４１】
ステップＳ５では、入学時学力ごとの最適な教材をＫＳＤモデル１６１に蓄積して、処理を終了する（蓄積方法は後述）。もちろん、入学時学力と最適教材選択基準とが無関係の場合は全ての生徒に対して同じ指導方法が登録されることになる。
【０１４２】
以上の処理により、有効性が統計的に有意な教材があれば、それをＫＳＤモデル１６１に蓄積することが可能であり、有効な指導法がなければＫＳＤモデル１６１は特に変化しないことになる。
【０１４３】
○ＫＳＤモデル；
ＫＳＤモデル構築部１６２は、上述の分散分析による解析によって得られた知見をＫＳＤモデル１６１に蓄積する。知見は、第１実施例と同様にニューラルネットワークを使用して行われる。
【０１４４】
第２実施例で使用されるニューラルネットワークの模式図を図３４に示す。第２実施例におけるニューラルネットワークは第１実施例と類似しているので、第１実施例と異なる点のみを説明し、残余の点の詳細説明は省略する。
【０１４５】
第２実施例のニューラルネットワークは、第１実施例と同様にニューロンを複数備える入力層Ｉ・中間層Ｍ・出力層Ｏの３層からなるパーセプトロンである。第２実施例では、「入学時学力Ａ」「入学時学力Ｂ」「入学時学力Ｃ」をそれぞれ入力Ｘ１，Ｘ２，Ｘ３に対応づける。同様に、「講義中心型」「バランス型」「演習中心型」をそれぞれ出力Ｙ１，Ｙ２，Ｙ３に対応づける。入力Ｘ１，Ｘ２，Ｘ３は、それぞれ「０」または「１」の値をとり、「入学時学力Ａ」「入学時学力Ｂ」「入学時学力Ｃ」に対応する入力は、それぞれ、
（Ｘ１，Ｘ２，Ｘ３）＝（１,０,０），（０,１,０），（０，０，１）
となる。出力Ｙ１，Ｙ２，Ｙ３は、それぞれ「０」または「１」の値をとり、「講義中心型」「バランス型」「演習中心型」に対応する出力は、それぞれ、
（Ｙ１，Ｙ２，Ｙ３）＝（１,０,０），（０,１,０），（０，０，１）
となる。第１実施例の場合と異なり、Ｘ１〜Ｘ３は、ふたつ以上が同時に１の値をとることはない。たとえば、（Ｘ１，Ｘ２，Ｘ３）＝（１，１，０）のような入力は存在しない。一方、出力要素Ｙ１〜Ｙ３は、それらのうちのふたつ以上が同時に「１」の値をとることも許可される。ふたつ以上が同時に「１」の値をとる場合は、効果的な指導方法が複数存在するとニューラルネットワークが推測していることを意味する。
【０１４６】
第２実施例のニューラルネットワークの教師信号は、前述した分散分析により得られた結果である。すなわち、各単元ごとに解析された入学時学力ごとの効果的な教材が解析されるが、これは実施形態の説明のインデックスｉを単元として条件Ａ（ｉ）→結果Ｂ（ｉ）が解析されたことに相当する。この条件Ａ（ｉ）→結果Ｂ（ｉ）の解析結果から、一般的な写像ｆ：Ａ→Ｂを特定するのが、第２実施例のニューラルネットワークの役割である。なお、学習の方法は、第１実施例で説明したのと同様の手法が適用可能である。
【０１４７】
ニューラルネットワークが学習を繰り返すことにより（すなわち、教材選択→教育成果入力が繰り返されるほど）、リアライゼーションストア１６０における条件（入学時学力）から結果（最適教材）への写像の近似度を向上することが可能である。つまり、生徒の入学時学力がわかれば、最適教材をより正確に推測可能になる。また、入学時学力と最適教材との関係が少しづつ変化しても（たとえば、教育すべき内容が少しづつ抽象的になって、入学時学力が低い生徒も高い生徒も、演習中心の指導でなければ教育成果があげらなくなるような場合）、ＫＳＤモデル１６１は適切な推測を行うことができるので、データベースシステム１の有効性は維持される。つまり、第２実施例として構成されたデータベースシステム１は、教育環境の動的な変化に対しても対応可能である。この点で、第２実施例として構成されたデータベースシステム１は、従来から存在する、単に教材を電子データに置き換えて検索の手間を減少させる検索エンジンや、過去の学習成果を分析する統計処理装置とは異なる。
【０１４８】
なお、第２実施例のＫＳＤモデル構築が第１実施例と異なる点のひとつは、論理モデルを特定するときに、教材データ、教育成果データ、生徒特徴データという複数の異なるデータ体系を参照している点である。このような複数のデータの参照、換言すれば多次元的な参照により、データベースシステム１はより高度な論理モデルの特定、すなわちＫＳＤモデル１６１の構築が可能になる。
【０１４９】
＜２．５ データ構造モデルの進化＞
第２実施例では、構築されたＫＳＤモデル１６１は、教材データのデータ構造モデル１３１を更新するために使用される。以下、データ構造モデル１３１の更新処理の方法を説明する。
【０１５０】
まず、構造変化判断部１７１は、所定の期間間隔ごとに、ＫＳＤモデル１６１から、入学時学力ごとの効果的な教材を取得する。つまり、入力（Ｘ１，Ｘ２，Ｘ３）をニューラルネットワークに与えたときに得られる出力を取得する。同時に、生徒特徴データに記述されている各生徒ごとの入学時学力を取得する。これらのデータから、各生徒ごとに効果的な指導方法を決定する。
【０１５１】
次に、構造変化判断部１７１は、教材データのデータ構造モデル１３１を参照して、基本教材セグメントと同じ階層に、最適教材を記述した生徒セグメントが存在するかどうかを確認する。存在しない場合、基本教材セグメントと同じ階層に生徒名を付した生徒セグメント４８１〜４８２を追加する。さらに、その生徒セグメントの下層に基本教材セグメントの下層の教材部分をその生徒に最適なものに変更した構造を追加する。一方、存在する場合は、最新のＫＳＤモデル１６１の内容に基づいてデータ構造モデル１３１を更新する（図２６および図３２参照）。これにより、教材データには、各生徒に最適化された教材が随時更新されながら記述されることになる。
【０１５２】
この生徒別の生徒セグメント４８１〜４８２は、上述したようにユーザがデータベース操作で教材を問い合わせたときに使用される。すなわち、問い合わせた生徒用の教材が記述されている場合は、その内容を表示する。また、記述されていない場合は基本教材を表示する。
【０１５３】
このような構造変更により、ユーザは、生徒ごとに個別にＫＳＤモデル１６１を参照する場合よりも、生徒に対して最適化された教材を高速に取得することが可能になる。またいったん決定された教材も教育環境の変化に応じて適切な内容に継続的に更新されてゆく。また、ＫＳＤモデル１６１の学習があまり進行していない初期状態では、複数の基本教材がそのまま出力される場合が多いと考えられるが、このような場合でも熟練した教師が教材選択、指導、教育成果登録を繰り返すことにより、熟練教師の教育ノウハウがＫＳＤモデル１６１に内在するようになる。これにより、経験の少ない教師でも適切な教材選択をできるようになる。
【０１５４】
また、第２実施例の上述の説明においては、生徒の入学時学力のみを考慮に入れたが、性格や希望進路を考慮に入れれば、より適切な構造化が可能である。
【０１５５】
＜２．６ 拡張機能＞
第２実施例に係るデータベースシステムは、ＫＳＤモデル１６１を利用してユーザに検索機能以外の拡張機能を提供することが可能である。本節では、そのような拡張機能の具体例について説明する。
【０１５６】
○ＫＳＤモデルのエクスポート、インポート、結合
第２実施例におけるＫＳＤモデル１６１は、教材データ、教育成果データ、生徒特徴データと分離されている。したがって、ＫＳＤモデル１６１は特定の学校にのみ適用可能なものではなく、他の学校における教育実践にも適用可能である。このため、第１実施例と同様の方法で他の学校のデータベースシステム（同種データベースシステム）との間で論理モデル６（ＫＳＤモデル１６１）のインポートおよびエクスポートが可能である。また、複数の学校間でＫＳＤモデル１６１を結合可能である。これにより、過疎地の小規模学校でも最適な教材選択が可能になる。
【０１５７】
＜＜第３実施例 複写機のサービスマニュアルデータベースシステム＞＞
第３実施例に係るデータベースシステム１は、顧客の元に設置された複写機の定期保全を行うサービスマンの作業マニュアル（以下、単に「サービスマニュアル」と略記する）を管理するデータベースシステムである。第３実施例のデータベースシステム１は、サービスマンに複写機の定期保全方法を指示する。さらに、サービスマンが顧客元で実際に実行した作業内容を記録する。
【０１５８】
以下では、当該データベースシステム１について説明を行うが、第１実施例〜第２実施例と同様の点については詳細説明を省略する。
【０１５９】
＜３．１ 携帯情報端末＞
○ハードウエア；
図３５は、第３実施例として構成されたデータベースシステム１のハードウエア構成を説明する模式図である。
【０１６０】
サービスマンは、各複写機ごとの定期保全指示を携帯情報端末６０１によって受け取る。定期保全指示は、携帯情報端末６０１と通信可能なデータベースサーバ６０２から送信される。第３実施例に係るデータベースシステム１においては、携帯情報端末６０１とデータベースサーバ６０２との間の通信は公衆電話回線を介して行われる。
【０１６１】
次に、図３６の外観図を参照しながら携帯情報端末６０１の詳細を説明する。携帯情報端末６０１は、定期保全指示が表示される液晶モニタ６１０を備える。液晶モニタ６１０はタッチパネルとなっている。このため、携帯情報端末６０１本体から着脱可能なスタイラス６１１で液晶モニタ６１０に触れることにより、液晶モニタ６１０上に表示されたＧＵＩで携帯情報端末６０１における入力操作が可能である。また、携帯情報端末６０１は操作スイッチ群６１２を備える。サービスマンは、操作スイッチ群６１２の操作により電源ＯＮ／ＯＦＦ等の操作を行うことができる。これらの操作手段では、様々な携帯情報端末で採用されている周知の操作体系を採用可能である。
【０１６２】
さらに、携帯情報端末６０１には、アンテナ６１３および図示しないＲＦ(Radio Frequency)回路が内蔵されており、携帯情報端末６０１とデータベースサーバ６０２との間で公衆電話回線を介した無線通信が可能なように構成される。
【０１６３】
○定期保全指示画面；
携帯情報端末６０１の液晶モニタ６１０に表示された定期保全指示画面８００を図３７に示す。定期保全指示画面８００には、機種、保全日、サービスマン等の保全作業情報８０１が表示される。さらに、定期保全指示画面８００には、具体的な保全作業指示８０２が表示される。図３７には、クリーナユニットに関して、クリーナブレード交換、モルトプレーン交換、トナー受け清掃等の保全作業指示８０２が表示されている。これらの保全作業指示８０２の各作業項目付近には、当該作業を実際に実行したかどうかを記録するラジオボタン８０３〜８０５が表示されている。サービスマンは、これらの保全作業を実際に実行した場合に、液晶モニタ６１０のラジオボタン８０３〜８０５付近を押下する。これにより、サービスマンは、ラジオボタンに保全作業を実際に実行したことを示すチェックを入れることが可能である。
【０１６４】
サービスマンは、表示された保全作業指示８０２を参照しながら複写機の保全作業を実行する。さらに、保全作業指示８０２以外の作業を実施した場合には、追加作業欄８０６に実施した作業の内容を入力する。具体的には、部品の交換を所定の交換期限より早く交換した場合等にその内容を入力する。さらに、定期保全指示画面８００には、稼働時間欄８０７が設けられている。サービスマンは、複写機に設けられた稼働時間を示すカウンタを読み取って稼働時間欄８０７に入力する。
【０１６５】
上述の入力作業完了後、サービスマンは完了ボタン８０８を押下して定期保全に関する情報をデータベースサーバ６０２に送信する。
【０１６６】
○故障修理報告画面；
携帯情報端末６０１の液晶モニタ６１０に表示された故障修理報告画面８１０を図３８に示す。故障修理報告画面８１０は、複写機の故障に対応して上述の定期保全とは別に実施した故障修理の結果を報告するために用いられる。
【０１６７】
故障修理報告画面８１０には、機種、修理日、サービスマン等の故障修理情報８１１が表示される。また、故障修理表示画面８１０には、故障場所記入欄８１２および稼働時間欄８１３が設けられている。サービスマンは、故障修理を終了後に、故障場所および稼働時間をそれぞれ故障場所記入欄８１２および稼働時間欄８１３に記入して完了ボタン８１４を押下する。これにより、故障修理報告はデータベースサーバ６０２に送信される。
【０１６８】
＜３．２ データ構造＞
データストア１３０には、サービスマニュアルデータ、定期保全データ、故障修理データが格納される。サービスマニュアルは、サービスマンの管理者によってデータベースサーバ６０２に入力される。また、サービスマニュアルのうち定期保全で実行すべき作業内容がサービスマンが携帯する携帯情報端末６０１に定期保全ごとに送信されて、定期保全指示画面８００に表示される。
【０１６９】
定期点保全データおよび故障修理データは、上述したように各サービスマンに付与された携帯情報端末６０１を介してデータベースサーバ６０２に集められる。
【０１７０】
これらのデータは、データストア１３０に格納されたデータ構造モデル１３１と整合性を保った状態で保持される。以下では、このデータ構造モデル１３１について説明する。
【０１７１】
○サービスマニュアルデータ；
サービスマニュアルデータは、ＸＭＬ文書として記述される。ＸＭＬ文書には、給紙ユニット、現像器、クリーナユニット等の保全部位、クリーナブレード交換、モルトプレーン交換、トナー受け交換等の定期保全作業内容が機種別に記述されている。記述内容は、図３９の階層図に示すデータ構造８２０を有する。すなわち、サービスマニュアルセグメント８２１から派生して機種セグメント８２２〜８２３が設けられ、各機種セグメントから派生して保全部位セグメント８２４〜８２６が設けられ、各保全部位セグメントから派生して定期保全作業セグメント８２７〜８２９が設けられる。定期保全作業セグメント８２７〜８２９には、定期保全作業の具体的な手順や実行間隔が記述される。データベースシステム１は、サービスマニュアルデータに記述されている内容に基づいて、各複写機ごとの実行すべき定期保全作業内容を携帯情報端末６０１に送信する。その内容が上述した定期保全指示画面８００である。
【０１７２】
○定期保全データ；
定期保全データは、ＸＭＬ文書として記述される。ＸＭＬ文書には、定期保全時の複写機の稼働時間、クリーナブレード交換・モルトプレーン交換・トナー受け交換等の実行済の定期保全作業内容が複写機別に記述されている。記述内容は、図４０の階層図に示すデータ構造８３０を有する。すなわち、定期保全セグメント８３１から派生して複写機セグメント８３２〜８３３が設けられ、各複写機セグメントから派生して稼働時間セグメント８３４〜８３６が設けられ、各稼働時間セグメントから派生して保全作業セグメント８３７〜８３９が設けられる。
【０１７３】
○故障修理データ；
故障修理データは、ＸＭＬ文書として記述される。ＸＭＬ文書には、故障が発生した複写機の稼働時間、クリーナブレード等の故障部品が複写機別に記述されている。記述内容は、図４１の階層図に示すデータ構造８４０を有する。すなわち、故障修理セグメント８４１から派生して複写機セグメント８４２〜８４３が設けられ、各複写機セグメントから派生して稼働時間セグメント８４４〜８４６が設けられ、各稼働時間セグメントから派生して故障部品セグメント８４７が設けられる。
【０１７４】
＜３．３ ＫＳＤモデルの構築＞
第３実施例におけるＫＳＤモデル１６１には、サービスマンの定期保全作業内容と故障との関係が蓄積される。以下では、その具体的な内容を例示する。これらは、第１実施例〜第２実施例のようなニューラルネットワークを用いて蓄積される。第２実施例のように統計処理が補助的に併用されてもよい。
【０１７５】
○事例１ 故障時間の推定；
定期保全指示画面８００でサービスマンは複写機の稼働時間を入力しているので、部品が実際に交換された稼働時間の間隔をＫＳＤモデル構築部１６２は取得可能である。また、サービスマンは故障修理報告画面８１０で部品の故障が発生した稼働時間を入力しているので、ＫＳＤモデル構築部１６２は故障した部品の寿命を特定可能である。
【０１７６】
ＫＳＤモデル構築部１６２は、多数の故障部品の寿命から部品の「Ｂ１０ライフ」（全ての部品のうち１０％が故障する稼働時間）を推定してＫＳＤモデル１６１に蓄積する。この推定には、打ち切りデータを配慮した累積ハザード解析等の方法が使用される。そして、各複写機の前回部品交換後の稼働時間がＢ１０ライフに到達したときに、データベースシステム１は、当該部品の部品交換指示を定期保全指示画面８００に表示する。
【０１７７】
ＫＳＤモデル１６１への蓄積にニューラルネットワークを使用すれば（入力を部品名、出力を寿命とする）、製造品質の向上によりＢ１０ライフが少しづつ長くなっても、適正な稼働時間間隔で部品交換がなされる。これにより、必要以上に高い頻度で部品交換を行うことによる保全コストの向上や、初期故障の増加を防止することが可能になる。また、部品交換間隔が長すぎることによる故障の増加を防止することができる。すなわち、サービスマニュアル作成時点でフィールドでの寿命が適切に推定されなかった場合（たとえば、製品開発段階での加速試験で仮定した加速係数が妥当なものではなかった場合）や、品質向上により寿命が伸びた場合でも、データベースシステム１は状況の変化に柔軟に対応して適正な部品交換間隔を指示可能である。
【０１７８】
○事例２ 優良サービスマンのノウハウの水平展開；
ＫＳＤモデル構築部１６２は、事例１の場合と同様に、担当サービスマンごとの複写機の平均故障時間と追加作業内容とを取得できる。このデータをニューラルネットワークに登録すれば、故障時間を短縮できる追加作業をＫＳＤモデル１６１は推測可能である。このような追加作業を定期保全指示画面８００にあわせて表示すれば、平均故障時間を短縮可能である。
【０１７９】
また、サービスマンの技能向上や人員の交代が少しづつ進行しても、ＫＳＤモデルはそれに対応できるので、環境の動的変化に対応してデータベースシステム１は適切な保全指示を出すことができる。
【０１８０】
＜３．４ データ構造の変更＞
上述の事例１で、最適化された部品交換間隔が決定された場合、サービスマニュアルデータに記述されている部品交換間隔をこの時間で更新する。また、事例２でわかった追加作業のセグメントをサービスマニュアルに追加する。これらのデータ構造の変更により、データベースシステム１は、データ群１３２へのアクセス効率が向上し、適切なデータを高速に出力可能となる。
【０１８１】
＜３．５ 拡張機能＞
第３実施例に係るデータベースシステムもまた、ＫＳＤモデル１６１を利用してユーザに検索機能以外の拡張機能を提供することが可能である。すなわち、第１実施例〜第２実施例の場合と同様に、蓄積されたＫＳＤモデル１６１は、別の機種や別のサービスマン群へも適用可能である。これにより、十分なＫＳＤモデル１６１の蓄積ができない場合でも適切な保全を実行することができる。
【０１８２】
＜第４実施例 デパートにおける売れ筋商品管理データベースシステム＞
第４実施例に係るデータベースシステム１は、デパートにおける売れ筋商品を管理するデータベースシステムである。特に、第４実施例のデータベースシステム１は、顧客の購買傾向を解析し、顧客の購買傾向に合わせた商品宣伝を行うことが可能なデータベースシステムである。
【０１８３】
以下では、当該データベースシステム１について説明を行うが、第１実施例〜第３実施例と同様の点ついては詳細説明を省略する。
【０１８４】
＜４．１ 携帯情報端末＞
○ハードウエア；
第４実施例のデータベースシステム１は、第３実施例と同様のハードウエア構成を有している。デパートに入店した顧客には、デパートからの宣伝を受け取るための携帯情報端末６０１が配布される。デパートからの宣伝は、携帯情報端末６０１と通信可能なデータベースサーバ６０２から送信される。ただし、実施例３の場合と異なり、携帯情報端末６０１とデータベースサーバ６０２との通信は、公衆電話回線ではなく、無線ＬＡＮによって行われる。また、第４実施例に係るデータベースシステム１においては、携帯情報端末６０１にカメラが設けられており、携帯情報端末６０１が配布された顧客の画像を取得可能である。取得された画像はデータベースサーバ６０２に送信され、データベースサーバ６０２を操作するオペレータによって、性別、年齢層、服装の特徴を特定される。特定されたこれらの情報はデータストア１３０に格納される。また、携帯情報端末６０１には、顧客の購買行動を把握するためにＲＦＩＤ（Radio Frequency IDentification）タグが内蔵されている。店内のレジにはＲＦＩＤタグの検出装置が設置されており、携帯情報端末６０１を携帯する顧客が購入した商品に関する情報を、ＲＦＩＤタグによって特定されるＩＤとともにデータベースサーバ６０２に送信可能である。
【０１８５】
○宣伝画面；
携帯情報端末６０１の液晶モニタ６１０に表示された宣伝画面９００を図４２に示す。宣伝画面９００には、顧客ごとに最適化された宣伝が実施される。すなわち、図４２の宣伝画面９００には、お勧め商品と売り場とが顧客ごとに表示されている。顧客はこの宣伝を参考にして買い物を行う。
【０１８６】
＜４．２ データ構造モデル＞
データストア１３０には、デパートの各売り場に陳列されている商品に関する情報を記述した商品データが格納される。商品データは、データストア１３０に格納されたデータ構造モデル１３１と整合性を保った状態で保持される。以下では、このデータ構造モデル１３１について説明する。
【０１８７】
○商品データ構造；
商品データは、ＸＭＬ文書として記述される。ＸＭＬ文書には、ワンピース・スカート等の商品種類、色合い・形状の商品特徴が商品売り場別に記述されている。記述内容は、図４３の階層図に示すデータ構造９１０を有する。すなわち、商品データセグメント９１１から派生して売り場セグメント９１２〜９１３が設けられ、各売り場セグメントから派生して商品セグメント９１４〜９１５が設けられ、各商品セグメントから派生して商品特徴セグメント９１６〜９１７が設けられる。商品特徴セグメント９１６〜９１７には、商品の特徴に関する情報が具体的に記述される。データベースサーバ６０２は、商品データから適宜選択した情報を宣伝として携帯情報端末６０１に送信する。その内容が上述した宣伝画面９００である。
【０１８８】
＜４．３ ＫＳＤモデルの構築＞
第４実施例におけるＫＳＤモデル１６１には、顧客の属性と購入商品との関係が蓄積される。以下では、その具体的な内容を例示する。これらは、第１実施例〜第３実施例と同様に、ニューラルネットワークを用いて蓄積される。すなわち、顧客の属性を入力、購入商品を出力として、実際の購買行動を教師信号としたニューラルネットワークが用いられる。
【０１８９】
たとえば、３０代で暖色系の服装をした女性客が来店して赤色のセータを購入したとする。この場合、ニューラルネットワークの顧客の属性（女性、３０代、暖色系の服装）に対応する入力に対する教師信号として、購買行動（赤色のセータ）を与えて学習させる。したがって、同じ属性を持つ顧客が同じ購買行動を繰り返せば、ＫＳＤモデル１６１には、暖色系の服装をした３０代の女性は赤色のセータを購入するという知見が内在される。もちろん、服装や年齢に関係なく多数の女性が赤色のセータを購入すれば、女性は赤色のセータを購入するという知見が内在されることになる。これにより、新たに３０代で暖色系の服装をした女性が来店した場合、先述の宣伝画面９００に赤色のセータとその売り場所を宣伝することができる。さらに、この顧客の属性と購買行動が流行とともに変化する場合でも、データベースシステム１は流行に対応して適切な宣伝を行うことができる。
【０１９０】
＜４．４ データベース構造の変化＞
上述のＫＳＤモデル１６１に基づいて商品データ構造９１０を変化させることにより、データベースシステム１は宣伝を高速に表示することが可能になる。たとえば、図４４に示すように、各売り場ごとに顧客属性セグメント９２１を追加して、顧客が購入する確率の高い商品をその下の階層のセグメント９２２に記述する。
【０１９１】
＜４．５ 拡張機能＞
第４実施例に係るデータベースシステム１もまた、ＫＳＤモデル１６１を利用してユーザに検索機能以外の拡張機能を提供することが可能である。すなわち、第１実施例〜第３実施例の場合と同様に、蓄積されたＫＳＤモデル１６１は別の店舗へも適用可能である。これにより、十分なＫＳＤモデル１６１の蓄積ができない店舗でも適切な宣伝を実行することができる。
【０１９２】
【発明の効果】
以上説明したように、請求項１ないし請求項９の発明によれば、データ群の具体的な内容に依存しない形で論理モデルを構築する一方、そのデータ群の情報の対象となっている事象群での既知の条件とそれに対応した既知の結果とを結ぶ論理経路の解析結果を論理モデルに反映させることによって、時間とともに継続的に進化してゆく動的な事象に対応可能なデータベースシステムを実現可能である。
【０１９４】
また、そのような論理モデルに基づいてユーザに対するガイダンスを生成するため、データベースシステムのユーザは、より的確な検索出力を取得可能である。
【０１９５】
また、請求項５ないし請求項９の発明によれば、特定の事象群に対応する論理モデルをそれ以外の事象群に拡張利用可能となる。
【図面の簡単な説明】
【図１】本発明のデータベースシステム１の基本概念を示す概念的ブロック図である。
【図２】本件発明の実施形態であるデータベースシステム１のハードウエア構成を説明するブロック図である。
【図３】データベースシステム１のサブシステム間の関係を説明するブロック図である。
【図４】トランスレータ１４０の詳細構成を説明するブロック図である。
【図５】リストラクチャエンジン１７０の詳細構成を説明するブロック図である。
【図６】データ構造モデルの階層構造を示す階層図である。
【図７】データ構造モデルの階層構造を示す階層図である。
【図８】クエリ構造モデル１２１の階層構造を示すグラフである。
【図９】データ構造モデル１３１の階層構造を示すグラフである。
【図１０】ＸＭＬ文書に変換前の論文を示す模式図である。
【図１１】ＸＭＬ文書に変換前の論文を示す模式図である。
【図１２】ＸＭＬ文書２０１の階層構造を示す階層図である。
【図１３】ログイン画面２３０を示す模式図である。
【図１４】検索画面２４０を示す模式図である。
【図１５】検索結果表示画面２５０を示す模式図である。
【図１６】詳細表示画面２６０を示す模式図である。
【図１７】エクゼキュートコンポジション部２７０の機能を説明するブロック図である。
【図１８】ニューラルネットワーク３００を説明する模式図である。
【図１９】ニューロン３１０を説明する模式図である。
【図２０】ニューロン３１０の結合加重を変化させるプロセスを説明する図である。
【図２１】構造変更プロセスを説明するフローチャートである。
【図２２】データ構造３２０の階層構造を示す階層図である。
【図２３】論文の１次キーワードベクトルｖkeyと出力信号ベクトルｖoを示す図である。
【図２４】検索結果表示画面３３０を示す模式図である。
【図２５】ＸＭＬ文書の階層構造を示す階層図である。
【図２６】教材データの階層構造を示す階層図である。
【図２７】教育成果データの階層構造を示す階層図である。
【図２８】生徒特徴データの階層構造を示す階層図である。
【図２９】教材問い合わせ画面４５０を示す模式図である。
【図３０】教材表示画面４６０を示す模式図である。
【図３１】教育成果登録画面４７０を示す模式図である。
【図３２】教材データの階層構造を示す階層図である。
【図３３】入学時学力と指教材とが教育成果に与える影響を解析する方法を説明するフローチャートである。
【図３４】ニューラルネットワークを説明する模式図である。
【図３５】第３実施例に係るデータベースシステムのハードウエア構成を説明する模式図である。
【図３６】携帯情報端末６０１の詳細を説明する外観図である。
【図３７】定期保全指示画面８００を示す模式図である。
【図３８】故障修理報告画面８１０を示す模式図である。
【図３９】サービスマニュアルの階層構造を示す階層図である。
【図４０】定期保全データの階層構造を示す階層図である。
【図４１】故障修理データの階層構造を示す階層図である。
【図４２】宣伝画面９００を示す模式図である。
【図４３】商品データの階層構造を示す階層図である。
【図４４】商品データの階層構造を示す階層図である。
【符号の説明】
１２１ クエリ構造モデル
１３１ データ構造モデル
２３０ ログイン画面
２４０ 検索画面
２５０，３３０ 検索結果表示画面
２６０ 詳細表示画面
３００ ニューラルネットワーク
３１０ ニューロン
４５０ 教材問い合わせ画面
４６０ 教材表示画面
４７０ 教育成果登録画面
６０１ 携帯情報端末
６０２ データベースサーバ
６１０ 液晶モニタ
６１１ スタイラス
６１２ 操作スイッチ群
６１３ アンテナ
８００ 定期保全指示画面
８１０ 故障修理報告画面
９００ 宣伝画面
Claims (9)
- データベースシステムであって、
データ群を格納するデータストアと、
データ検索における論理的指針を前記データ群の具体的データ内容とは独立して表現した論理モデルを保持する論理モデル保持手段と、
検索要求の入力を受け付ける入力手段と、
前記検索要求に対応した検索論理を前記論理モデルに基づいて生成し、前記検索論理に従って前記データ群を検索することにより、前記検索要求に対応した検索出力を得る検索論理適用手段と、
前記データ群の情報の対象となっている事象群での既知の条件とそれに対応した既知の結果とを結ぶ論理経路を解析して前記論理モデルの更新の基礎となる情報である更新情報を生成する生成手段と、
前記更新情報に応じて前記論理モデルを更新する論理モデル更新手段と、
を備え、
前記条件と前記結果との新たな組合せが与えられるごとに当該組合せに対応する論理経路の解析を行い、当該組合せが前記論理モデルには含まれていない組合せであるときには当該組合せの論理経路を追加するように前記論理モデルを修正することによって前記論理モデルを進化させるとともに、
前記組合せの論理経路を追加した後の前記論理モデルに基づいて特定される情報について、前記データベースシステムのユーザに対して当該情報の利用を推奨する表示形式のガイダンスを生成して、当該ガイダンスを表示装置に表示させる生成手段、
をさらに備えることを特徴とするデータベースシステム。 - 請求項１に記載のデータベースシステムにおいて、
前記論理モデルが前記データベースシステムのユーザまたはユーザ群と対応づけられて設けられており、
前記論理モデルの更新が上記の対応づけられたユーザまたはユーザ群ごとに行われることを特徴とするデータベースシステム。 - 請求項１に記載のデータベースシステムにおいて、
前記ガイダンスが、前記データベースシステムの操作に関するガイダンスを含むことを特徴とするデータベースシステム。 - 請求項１に記載のデータベースシステムにおいて、
前記データ群が、前記データベースシステムの外部において生起した事象の情報を蓄積しており、
前記ガイダンスが、前記事象に関するガイダンスを含むことを特徴とするデータベースシステム。 - 請求項１ないし請求項４のいずれかに記載のデータベースシステムにおいて、
前記論理モデルが、他のデータベースシステムにエクスポート可能であることを特徴とするデータベースシステム。 - 請求項１ないし請求項４のいずれかに記載のデータベースシステムにおいて、
前記論理モデルが、他のデータベースシステムからインポート可能であることを特徴とするデータベースシステム。 - 請求項１ないし請求項４のいずれかに記載のデータベースシステムにおいて、
前記論理モデル保持手段が、複数の論理モデルを保持可能であることを特徴とするデータベースシステム。 - 請求項６または請求項７に記載のデータベースシステムにおいて、
前記複数の論理モデルを結合する結合手段、
をさらに備えることを特徴とするデータベースシステム。 - 請求項１ないし請求項４のいずれかに記載のデータベースシステムにおいて、
前記論理モデルが複数のデータ群に適用可能であることを特徴とするデータベースシステム。
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2003023053A JP4405736B2 (ja) | 2003-01-31 | 2003-01-31 | データベースシステム |
| US10/446,941 US8332398B2 (en) | 2003-01-31 | 2003-05-29 | Database system in which logical principles for a data retrieval process can evolve based upon learning |
| US12/000,044 US20080098016A1 (en) | 2003-01-31 | 2007-12-07 | Database system in which logical principles for a data retrieval process can evolve based upon learning |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2003023053A JP4405736B2 (ja) | 2003-01-31 | 2003-01-31 | データベースシステム |
Related Child Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2006344721A Division JP4191762B2 (ja) | 2006-12-21 | 2006-12-21 | データベースシステム |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2004234404A JP2004234404A (ja) | 2004-08-19 |
| JP4405736B2 true JP4405736B2 (ja) | 2010-01-27 |
Family
ID=32767564
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2003023053A Expired - Lifetime JP4405736B2 (ja) | 2003-01-31 | 2003-01-31 | データベースシステム |
Country Status (2)
| Country | Link |
|---|---|
| US (2) | US8332398B2 (ja) |
| JP (1) | JP4405736B2 (ja) |
Families Citing this family (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050125240A9 (en) * | 2002-10-21 | 2005-06-09 | Speiser Leonard R. | Product recommendation in a network-based commerce system |
| WO2004038547A2 (en) | 2002-10-21 | 2004-05-06 | Ebay Inc. | Listing recommendation in a network-based commerce system |
| US7333994B2 (en) * | 2003-12-18 | 2008-02-19 | Microsoft Corporation | System and method for database having relational node structure |
| US7481368B2 (en) * | 2004-12-14 | 2009-01-27 | Siemens Corporate Research, Inc. | Systems, devices, and methods for managing RFID data |
| US8200687B2 (en) | 2005-06-20 | 2012-06-12 | Ebay Inc. | System to generate related search queries |
| US7814112B2 (en) | 2006-06-09 | 2010-10-12 | Ebay Inc. | Determining relevancy and desirability of terms |
| US8260776B2 (en) | 2006-08-28 | 2012-09-04 | Katherine Lynn France-Prouvoste | Method, system and apparatus for dynamic registry of books and for modeling real-time market demand for books within academic sectors |
| US8166026B1 (en) * | 2006-12-26 | 2012-04-24 | uAffect.org LLC | User-centric, user-weighted method and apparatus for improving relevance and analysis of information sharing and searching |
| US8051040B2 (en) | 2007-06-08 | 2011-11-01 | Ebay Inc. | Electronic publication system |
| KR100938830B1 (ko) * | 2007-12-18 | 2010-01-26 | 한국과학기술정보연구원 | 지식베이스 구축 방법 및 그 서버 |
| KR100976722B1 (ko) * | 2007-12-18 | 2010-08-18 | 한국과학기술정보연구원 | 사용자 맞춤형 연구 정보 제공 방법 및 시스템 |
| US8620936B2 (en) * | 2008-05-05 | 2013-12-31 | The Boeing Company | System and method for a data dictionary |
| US8010578B2 (en) * | 2008-06-27 | 2011-08-30 | Microsoft Corporation | Method of refactoring a running database system |
| US8793645B2 (en) * | 2010-04-02 | 2014-07-29 | Microsoft Corporation | Replacement of data element in a graph |
| US8682921B2 (en) * | 2010-07-07 | 2014-03-25 | Johnson Controls Technology Company | Query engine for building management systems |
| JP2015141567A (ja) * | 2014-01-29 | 2015-08-03 | 株式会社躍進館 | 個別学習計画表の作成支援システム及びプログラム |
| JP6543986B2 (ja) * | 2015-03-25 | 2019-07-17 | 日本電気株式会社 | 情報処理装置、情報処理方法およびプログラム |
| US10474704B2 (en) | 2016-06-27 | 2019-11-12 | International Business Machines Corporation | Recommending documents sets based on a similar set of correlated features |
| JP6603192B2 (ja) * | 2016-10-25 | 2019-11-06 | ファナック株式会社 | 学習モデル構築装置、故障予測システム、学習モデル構築方法及び学習モデル構築プログラム |
| CN107577736B (zh) * | 2017-08-25 | 2021-12-17 | 武汉数字智能信息科技有限公司 | 一种基于bp神经网络的文件推荐方法及系统 |
| CN110727799B (zh) * | 2018-06-29 | 2022-08-16 | 杭州海康威视数字技术股份有限公司 | 本体构建方法及装置 |
Family Cites Families (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH03129472A (ja) * | 1989-07-31 | 1991-06-03 | Ricoh Co Ltd | 文書検索装置における処理方法 |
| US5202422A (en) | 1989-10-27 | 1993-04-13 | The Scripps Research Institute | Compositions containing plant-produced glycopolypeptide multimers, multimeric proteins and method of their use |
| US5959177A (en) | 1989-10-27 | 1999-09-28 | The Scripps Research Institute | Transgenic plants expressing assembled secretory antibodies |
| US5180674A (en) | 1990-04-16 | 1993-01-19 | The Trustees Of The University Of Pennsylvania | Saccharide compositions, methods and apparatus for their synthesis |
| JPH09503905A (ja) | 1993-07-15 | 1997-04-22 | ネオゼ ファーマシューティカルス | 糖組成物の合成方法 |
| EP0816503B1 (en) | 1996-01-24 | 2006-07-05 | Toyo Boseki Kabushiki Kaisha | Alpha-1-6 fucosyltransferases |
| US7001998B2 (en) | 1996-08-02 | 2006-02-21 | The Austin Research Institute | Nucleic acids encoding a chimeric glycosyltransferase |
| JP4003093B2 (ja) | 1997-07-29 | 2007-11-07 | 東洋紡績株式会社 | 糖類の製造方法 |
| JPH1153394A (ja) | 1997-07-29 | 1999-02-26 | Just Syst Corp | 文書処理装置、文書処理プログラムが記憶された記憶媒体、及び文書処理方法 |
| US6182068B1 (en) * | 1997-08-01 | 2001-01-30 | Ask Jeeves, Inc. | Personalized search methods |
| DE19754622A1 (de) | 1997-12-09 | 1999-06-10 | Antje Von Dr Schaewen | Pflanzliche GntI-Sequenzen und Verwendung derselben zur Gewinnung von Pflanzen mit verminderter oder fehlender N-Acetylglucosaminyltransferase I (GnTI)-Aktivität |
| JP3912895B2 (ja) | 1998-04-15 | 2007-05-09 | 富士通株式会社 | 構造化データ管理システム、構造化データ管理プログラムを記録したコンピュータ読み取り可能な記録媒体、及び構造化データ管理方法 |
| PT1071700E (pt) | 1998-04-20 | 2010-04-23 | Glycart Biotechnology Ag | Modificação por glicosilação de anticorpos para melhorar a citotoxicidade celular dependente de anticorpos |
| BE1012981A3 (nl) * | 1998-04-22 | 2001-07-03 | Het Babbage Inst Voor Kennis E | Werkwijze en systeem voor het weervinden van documenten via een elektronisch databestand. |
| US6598047B1 (en) * | 1999-07-26 | 2003-07-22 | David W. Russell | Method and system for searching text |
| US6701314B1 (en) * | 2000-01-21 | 2004-03-02 | Science Applications International Corporation | System and method for cataloguing digital information for searching and retrieval |
| US6571239B1 (en) | 2000-01-31 | 2003-05-27 | International Business Machines Corporation | Modifying a key-word listing based on user response |
| JP2001331315A (ja) | 2000-05-24 | 2001-11-30 | Sony Corp | データ処理システム及び方法、並びに、記憶媒体 |
| US6751614B1 (en) * | 2000-11-09 | 2004-06-15 | Satyam Computer Services Limited Of Mayfair Centre | System and method for topic-based document analysis for information filtering |
| JP2002230021A (ja) | 2001-01-30 | 2002-08-16 | Canon Inc | 情報検索装置及び情報検索方法並びに記憶媒体 |
| US7152059B2 (en) * | 2002-08-30 | 2006-12-19 | Emergency24, Inc. | System and method for predicting additional search results of a computerized database search user based on an initial search query |
-
2003
- 2003-01-31 JP JP2003023053A patent/JP4405736B2/ja not_active Expired - Lifetime
- 2003-05-29 US US10/446,941 patent/US8332398B2/en not_active Expired - Fee Related
-
2007
- 2007-12-07 US US12/000,044 patent/US20080098016A1/en not_active Abandoned
Also Published As
| Publication number | Publication date |
|---|---|
| US8332398B2 (en) | 2012-12-11 |
| US20040153463A1 (en) | 2004-08-05 |
| US20080098016A1 (en) | 2008-04-24 |
| JP2004234404A (ja) | 2004-08-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP4405736B2 (ja) | データベースシステム | |
| Liu et al. | Analyzing changes in hotel customers’ expectations by trip mode | |
| Ming et al. | ProtoSteer: Steering deep sequence model with prototypes | |
| JP5921536B2 (ja) | コンピュータ化エージェントのシステムとユーザ指図セマンティックネットワーキング | |
| US7761478B2 (en) | Semantic business model management | |
| US9141966B2 (en) | Opinion aggregation system | |
| CN107111608A (zh) | 从语言输入数据自动生成n‑元和概念关系 | |
| Shao et al. | Personalized travel recommendation based on sentiment-aware multimodal topic model | |
| Yan et al. | Implementation of a product-recommender system in an IoT-based smart shopping using fuzzy logic and apriori algorithm | |
| van Capelleveen et al. | The influence of knowledge in the design of a recommender system to facilitate industrial symbiosis markets | |
| Sen et al. | An approach for iterative event pattern recommendation | |
| Maiz et al. | Automatic ontology merging by hierarchical clustering and inference mechanisms | |
| Vu et al. | A graph-based approach for inferring semantic descriptions of wikipedia tables | |
| De Maio et al. | Contextual fuzzy-based decision support system through opinion analysis: a case study at university of the Salerno | |
| Basharat et al. | Semantically enriched task and workflow automation in crowdsourcing for linked data management | |
| JP4191762B2 (ja) | データベースシステム | |
| Ye et al. | An interpretable mechanism for personalized recommendation based on cross feature | |
| Roith et al. | Supporting the building design process with graph-based methods using centrally coordinated federated databases | |
| Champiri et al. | A contextual Bayesian user experience model for scholarly recommender systems | |
| Wang et al. | Modeling users’ multifaceted interest correlation for social recommendation | |
| Li et al. | Key product review extraction based on the RLRSA-CL algorithm | |
| Mosharraf | A semantic model to publish open source software on the web of data | |
| US20230012895A1 (en) | Geo javascript object notation (json)-based ethnic classifier and search engine for an online search tool | |
| Degachi et al. | From the Development to the Evaluation of the MOTunAr Ontology | |
| Li et al. | Building a Knowledge Graph to Enrich Chatgpt Responses in Manufacturing Service Discovery |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A711 | Notification of change in applicant |
Free format text: JAPANESE INTERMEDIATE CODE: A712 Effective date: 20050613 |
|
| RD03 | Notification of appointment of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7423 Effective date: 20050701 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20060214 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20060417 |
|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20061024 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20061221 |
|
| A911 | Transfer to examiner for re-examination before appeal (zenchi) |
Free format text: JAPANESE INTERMEDIATE CODE: A911 Effective date: 20070207 |
|
| A912 | Re-examination (zenchi) completed and case transferred to appeal board |
Free format text: JAPANESE INTERMEDIATE CODE: A912 Effective date: 20070316 |
|
| RD04 | Notification of resignation of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7424 Effective date: 20090129 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20090717 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20091009 |
|
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20091105 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20121113 Year of fee payment: 3 |
|
| R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 Ref document number: 4405736 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20121113 Year of fee payment: 3 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20131113 Year of fee payment: 4 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| S531 | Written request for registration of change of domicile |
Free format text: JAPANESE INTERMEDIATE CODE: R313531 |
|
| S533 | Written request for registration of change of name |
Free format text: JAPANESE INTERMEDIATE CODE: R313533 |
|
| R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| EXPY | Cancellation because of completion of term |