JP5281527B2

JP5281527B2 - 対話型性格特徴判定装置とその方法と、プログラム

Info

Publication number: JP5281527B2
Application number: JP2009215267A
Authority: JP
Inventors: 豊美目黒; 竜一郎東中; 浩二堂坂; 泰浩南; 秀樹磯崎
Original assignee: Nippon Telegraph and Telephone Corp
Current assignee: Nippon Telegraph and Telephone Corp
Priority date: 2009-09-17
Filing date: 2009-09-17
Publication date: 2013-09-04
Anticipated expiration: 2029-09-17
Also published as: JP2011065403A

Description

この発明は、人間の性格特徴を判定する性格特徴判定技術に属し、特に対話の流れから対話者の性格特徴を判定する対話型性格特徴判定装置とその方法と、プログラムに関する。

近年、より人間的なインタフェースの実現を目指して、対話システムにおいて「個性」を扱うことの重要性が増している。例えば、対話システムが、対話者（利用者）の性格を把握可能であれば、利用者の性格に適応的に対応することが可能である。その結果、利用者に好印象を与え、その対話システムをより長く使ってもらえる可能性を高くすることが出来る。

従来から直接的に利用者の性格特徴を把握する方法として、非特許文献１に開示されているような性格特徴把握のためのテストが在る。ここでは、性格特徴として外向性等の５項目からなるBig−five性格特徴を用いている。非特許文献２では、システム側が利用者と同じような性格特徴を持っていると利用者に感じさせるため、前述のBig-five性格特徴に依存した発話生成を行うことが開示されている。非特許文献３では、社会的対話において信頼感を形成するのに必要な個性の表現についての研究が開示されている。また、非特許文献４では、随筆や音声データなどから筆者や話者の性格特徴を推定している。

The Big Five personality dimensions and job performance: A meta-analysis; Barrick M.R. and Mount M.K.; Personnel psychology, Blackwell Publishing Ltd,1991,Vol.44(1),1-26 Mairesse, F. and Walker, M.(2007).PERSONAGE: Personality Generation for Dialogue. In Proc. ACL, pages 496-503,Prague, Czech Republic. Association for Computational Linguistics. Bickmore, T. and Cassell, J.(2005).Social dialogue with embodied conversational agents. Natural, intelligent and effective interaction with multimodal dialogue systems. New York: Kluwer Academic, pages 23-54. Francois Mairesse and Marilyn Walker. Words Mark the Nerds: Computational Models of Personality Recognition through Language. In Proceedings of the 28th Annual Conference of the Cognitive Science Society (CogSci 2006),pages 543-548, Vancouver, July 2006.

性格特徴把握テストは、利用者に対する物理的な負担（例えば時間的コスト）が大きいだけでなく、心理的な負担も大きい。また、対話システムの利用前にテストを受けてもらうことを前提にすると、様々な場面で対話システムが利用してもらい難くなるという課題が発生する。また、対話システムに実装可能な性格特徴判定の方法としては、例えば、非特許文献４に開示された方法が知られている。しかしその方法は、ユーザ発話に関する断片的な音声特徴や表現から性格特徴を判定するものであって、利用者の性格特徴が現れ易いと考えられる対話の流れを判定に用いていなかった。

この発明は、このような問題点に鑑みてなされたものであり、対話システムに実装可能で、より多くの情報が含まれる対話の流れから利用者の性格特徴を判定する対話型性格特徴判定装置とその方法と、プログラムを提供することを目的とする。

この発明の対話型性格特徴判定装置は、ＨＭＭ学習部と、性格特徴判定部と、を具備する。ＨＭＭ学習部は、ある一つの性格傾向に関する性格特徴の高い対話データと当該性格特徴の低い対話データを学習データとして、期待値最大化アルゴリズムを用いて性格傾向の高い対話の確率モデル（高ＨＭＭ）と性格傾向の低い対話の確率モデル（低ＨＭＭ）とを生成する。性格特徴判定部は、性格傾向の高い対話の確率モデル（高ＨＭＭ）と性格傾向の低い対話の確率モデル（低ＨＭＭ）と、判定対象の対話データとを入力として、その対話データの観測シンボル列の生起確率から、利用者の性格傾向を表す性格特徴スコアを出力する。

この発明の対話型性格特徴判定装置は、予め学習したある一つの性格傾向に関する二つのＨＭＭを用意し、その二つのＨＭＭと判定対象の対話データの観測シンボル系列の生起確率とから、利用者の性格傾向を表す性格特徴スコアを出力する。よって、対話システムに実装可能な対話型性格特徴判定装置を実現することが出来る。また、対話データの観測シンボル系列から利用者の性格特徴を判定するので、従来における、個々のユーザ発話の表現や音声特徴のみに基づく断片的な手法よりも発話の流れを重視した適切な判定を可能にする効果を奏する。

この発明の対話型性格特徴判定装置１００の機能構成例を示す図。対話型性格特徴判定装置１００の動作フローを示す図。聞き役対話の一例を示す図。ＨＭＭ学習部３０の機能構成例を示す図ＨＭＭ学習部３０の動作フローを示す図。遊戯性の高い話し役が参加した聞き役対話から生成されたＨＭＭの一例を示す図。遊戯性の低い話し役が参加した聞き役対話から生成されたＨＭＭの一例を示す図。図６と図７のＨＭＭの状態系列の時間に対する変化を示す図。性格特徴判定手段６０の動作フローを示す図。出力確率の計算の例を説明する図。実験結果の一例を示す図であり、遊戯性の性格傾向の高い対話の確率モデル（高ＨＭＭ）に、遊戯性の高い話し役が参加した対話データを判定対象として入力した場合の計算結果を示す図。実験結果の一例を示す図であり、遊戯性の性格傾向の低い対話の確率モデル（低ＨＭＭ）に、遊戯性の低い話し役が参加した対話データを判定対象として入力した場合の計算結果を示す図。

以下、この発明の実施の形態を図面を参照して説明する。複数の図面中同一のものには同じ参照符号を付し、説明は繰り返さない。

図１にこの発明の対話型性格特徴判定装置１００の機能構成例を示す。動作フローを図２に示す。対話型性格特徴判定装置１００は、ＨＭＭ学習部３０と、性格特徴判定部６０と、を具備する。ＨＭＭ（Hidden Markov Model）は、確率モデルである隠れマルコフモデルである。対話型性格特徴判定装置１００は、例えばＲＯＭ、ＲＡＭ、ＣＰＵ等で構成されるコンピュータに所定のプログラムが読み込まれて、ＣＰＵがそのプログラムを実行することで実現されるものである。

ＨＭＭ学習部３０は、ある一つの性格傾向に関する性格特徴の高い対話データと、同じ性格傾向に関する性格特徴の低い対話データを学習データとして、期待値最大化アルゴリズムを用いてその性格傾向の高い対話の確率モデル（高ＨＭＭ）と性格傾向の低い対話の確率モデル（低ＨＭＭ）とを生成する（ステップＳ３０）。

性格特徴判定部６０は、性格傾向の高い対話の確率モデルと性格傾向の低い対話の確率モデルと、判定対象の対話データとを入力として、その対話データの観測シンボル列の生起確率から、利用者の性格傾向を表す性格特徴スコアを出力する（ステップＳ６０）。

ここで、一つの性格傾向とは、例えば、愛着性、統制性、情動性、外向性、遊戯性、といった性格特徴のことである。（参考文献「５因子性格検査短縮版（ＦＦＰＱ-５０）の作成、藤島寛他著、パーソナリティ研究、日本パーソナリティ心理学界、2005,Vol.13(2)231-241」）

〔学習データ〕
学習データについて説明する。学習データを用意するために、データ収集参加者を集い、事前に性格特徴把握テストを受けてもらい被試験者各自の性格傾向を把握した。

性格傾向を把握したデータ収集参加者に、カウンセリングやインタビューのように話者が聞き約と話し役に分かれ、聞き役が積極的に話し役の話を聞く「聞き役対話」を行ってもらった。

図３にその対話の一例を示す。発話者のＬは聞き役、Ｓは話し役である。図３は、事前の性格特徴把握テストで話し役Ｓは遊戯性が高く、聞き役Ｌは遊戯性が低いと判定された人物間の対話記録の例である。

収録した対話記録の一文毎に、対話データの観測シンボル列として対話行為タグが付与されている。一文とは、基本的に句点、若しくは一発話を切れ目としたものである。

対話行為タグは、表１に示すように７種類とした。

なお、一般的な対話のタグ付けを行うために作られたＤＡＭＳＬタグセットのタグの個数は４３個であるが、この実施例では、対話データをモデリングするのに重要であると思われる最小限のタグとして表１に示した７種類に絞り込んだ。

対話行為タグの付与は、人が行っても良いし、後述するように対話の音声記録を音声認識した対話記録に系列ラベリングの手法を用いて自動的に対話行為タグを付与することも可能である。

以上述べたＨＭＭ学習部３０と性格特徴判定部６０の動作によって、判定対象の利用者の性格傾向を表す性格特徴スコアを出力する。このようにコンピュータ資源によって実現される対話型性格特徴判定装置１００は、対話システムに容易に実装することが可能である。また、対話データの観測シンボル系列から利用者の性格特徴を判定するので、従来の断片的な手法よりも適切な判定を可能にする効果を奏する。以降、各部のより具体的な機能構成例を示して更に詳しくこの発明を説明する。

〔ＨＭＭ学習部〕
図４にＨＭＭ学習部３０の機能構成例を示す。その動作フローを図５に示す。ＨＭＭ学習部３０は、状態設定手段３３と、ＨＭＭ学習手段３４と、ＨＭＭ選択手段３５と、を備える。状態設定手段３３は、ＨＭＭの状態数を変動させた状態系列を設定する（ステップＳ３３）。ＨＭＭ学習手段３４は、状態設定手段３３で設定された状態系列で学習データを学習してＨＭＭパラメータを更新する（ステップＳ３４）。ＨＭＭ選択手段３５は、更新されたＨＭＭパラメータの中から最適なＨＭＭを選択する（ステップＳ３５）。

状態設定手段３３は、ＨＭＭの状態数を１〜１０個の範囲で変動させて設定する。ＨＭＭＭ学習手段３４は、まず、変動するそれぞれの状態数毎に、例えば１００個の初期値を設定する（ステップＳ３４ａ）。これは、初期値に依存してＨＭＭの学習結果が異なることによる。そして、ＨＭＭ学習手段３４は、ＨＭＭの状態数と初期値を変えながら例えば１０００個のＨＭＭを学習する（ステップＳ３４ｂ）。ＨＭＭの学習は、所定数（例えば１０００個）のＨＭＭが得られるまで繰り返される（ステップＳ３４ｃのＮＯ）。

ＨＭＭ選択手段３５は、多数（例えば１０００個）のＨＭＭから、最小記述長のＨＭＭを一つ選ぶ（ステップＳ３５）。選択には、例えば、式（１）に示すＭＤＬ（Minimum Description Length）基準を用いて最適なＨＭＭを一つ選ぶ。

ここでＬは、選択した一つのＨＭＭに、そのＨＭＭを生成するために用いた学習データを与えて得られた対数尤度の合計である。ｋは確率が０でない状態遷移と観測確率の数の合計、ｎは学習データの数である。なお、ＭＤＬ基準の他に、例えば、赤池情報量基準（ＡＩＣ）等を用いても良い。

図６と図７に、判定対象の対話データの観測シンボルを、聞き役用と、話し役用とをそれぞれ表１（７種類）のように設定し、対話行為タグ数を１４個（７種類×２話者）として生成した確率モデルを示す。ＨＭＭの状態の遷移は、全ての状態から全ての状態へ可能な全遷移型モデルとして学習した。また、半分の状態からは一方の話者の対話行為（７種類）しか観測されず、残りの半分の状態からは、もう一方の話者の対話行為（７種類）しか観測されないようにした。

図６は、遊戯性の高い話し役が参加した聞き役対話から生成したＨＭＭである。図７は、遊戯性の低い話し役が参加した聞き役対話から生成したＨＭＭである。○は状態、→は状態遷移を表し、○内の数字は観測確率、→の数字は遷移確率を表す。二重線の○は初期状態を表す。なお、ＨＭＭが見難くなることを避ける目的で遷移確率は０.１以上のもののみを表記している。

例えば、図６のＨＭＭでは、状態３から状態２への状態遷移確率が０．８４と高いことから、状態３から状態２へは非常に遷移し易いことが分かる。また、状態２での自己遷移確率も０.４２と比較的高い。このことから、遊戯性の高い話し役が参加した聞き役対話から生成したＨＭＭは状態２に留まることが多いといえる。また、状態２の観測確率から、遊戯性の高い利用者の場合、聞き役が状態２において自己開示する確率（０.５６７）と、質問をする確率（０.３４３）とが高いことが分かる。

図７のＨＭＭでは、状態３から状態２への状態遷移確率が０.６３であり、図６のＨＭＭにおける状態３から状態２ほど高くない。また、状態２における自己遷移の確率が０.１２と比較的低い。このことから、このＨＭＭでは状態３から状態２にそれほどすぐには遷移するわけではなく、また、遷移すると直ぐに他の状態に遷移することが分かる。また、図から、遊戯性の低い利用者の場合、聞き役が状態３において自己開示する確率（０.５４７）と、相槌をする確率（０.３０１）と、共感する確率（０.１０８）とが高いことが分かる。

図８に、遊戯性が高い話し役が参加した対話データのうちの一つを入力としたときの、図６と７の状態系列の変化を示す。横軸は時間経過をフレーム番号で表す、縦軸は状態番号である。×が遊戯性の高い利用者、|が遊戯性の低い利用者を示す。図６と７の説明の通り、遊戯性の高い話し役が参加した対話では状態２に多く留まり、遊戯性の低い話し役との対話では状態３により多く留まっていることが分かる。

なお、観測シンボル列が付された対話データを用いる例を説明したが、観測シンボル列は自動的に付与するようにしても良い。例えば、対話データが音声信号で与えられる場合、ＨＭＭ学習部３０は、音声認識手段３１とタグ付与手段３２と、を備える。音声認識手段３１は、音声信号の対話データを音声認識して文字データに変換する（ステップＳ３１、図５）。タグ付与手段３２は、文字データを解析して例えば単語の種類に応じて対話行為タグを付与する（ステップＳ３２）。この自動タグ付けは、例えばＣＲＦ（Conditional Random Fields）などの系列ラベリングの手法を用いることが出来る。（参考文献「Applying Conditional Random Fields to Japanese Morphologiaical,Kudo Taku, Yamamoto Kaoru, Matsumoto Yuji, IPSJ SIG Notes, Information Processing Society of Japan(IPSJ),20040513,Vol.2004(47),89-96」）

また、対話データが文字情報で与えられる場合は、タグ付与手段３２に直接、対話データが入力される。タグ付与手段３２で、観測シンボル列として対話行為タグが付与された学習データは状態設定手段３３に入力される。

以上述べたように、ＨＭＭ学習部３０は、ある一つの性格傾向に関する性格特徴の高い対話データとその性格傾向の低い対話データを学習データとして、図６と図７に例示したような２種類のＨＭＭを生成する。

〔性格特徴判定部〕
性格特徴判定部６０は、出力確率算出手段６３と、性格スコア算出手段６４と、を備える（図１参照）。その動作フローを図９に示す。

出力確率算出手段６３は、判定対象の対話データの観測シンボル列の出力確率として、ある一つの性格傾向に関する性格特徴の高い対話の確率モデルの生起確率である高ＨＭＭ出力確率Ｐ_highと、その性格傾向に関する性格特徴の低い対話の確率モデルの生起確率である低ＨＭＭ出力確率Ｐ_lowの、２つを式（２）で算出する（ステップＳ６３）。

ここで、Ｖ^Ｔは観測シンボル列（被評価対話データのタグの系列）、ｒはＴ個の隠れ状態のある特定の系列ｓ^Ｔである。

図１０を用いて出力確率の計算を説明する。図１０は、状態数を２個として、判定対象の対話データのタグの系列が、例えば、「自己開示」と「相槌」だけだと仮定した場合のＨＭＭである。なお、初期状態は二重丸で囲まれたものである。ここで、「自己開示」の後に「相槌」が観測されたとすると、状態Ａの「自己開示」→状態Ｂの「相槌」と、状態Ａの「自己開示」→状態Ａの「相槌」の二通りが考えられる。状態Ａの「自己開示」→状態Ｂの「相槌」の系列の出力確率は０.８×０.３×０.６＝０.１４４である。状態Ａの「自己開示」→状態Ａの「相槌」の系列の出力確率は０.８×０.７×０.２＝０.１２２である。よって、「自己開示」の後に「相槌」が観測される確率は、これらの出力確率を合計した０.２６６となる。

出力確率算出手段８３は、例えば、図６に示したＨＭＭの状態遷移の全ての通りについて足し合わせて高ＨＭＭ出力確率Ｐ_highを算出する。同様に図７に示したＨＭＭの状態遷移の全ての通りについて足し合わせて低ＨＭＭ出力確率Ｐ_lowを算出する。

性格特徴スコア算出手段６４は、高ＨＭＭ出力確率Ｐ_highと低ＨＭＭ出力確率Ｐ_lowとを入力として、性格特徴スコアを、例えば、式（３）の計算で算出する（ステップＳ６４）。

性格特徴スコアを、高ＨＭＭ出力確率Ｐ_highを低ＨＭＭ出力確率Ｐ_lowで除算した対数値として示したが、高ＨＭＭ出力確率Ｐ_highと低ＨＭＭ出力確率Ｐ_lowとの差が分かる値であれば何でも良い。最も簡単な例としては、性格特徴スコア＝高ＨＭＭ出力確率Ｐ_high−低ＨＭＭ出力確率Ｐ_lowが考えられる。

なお、対話データが音声信号で与えられても良い。その場合、性格特徴判定部６０は、音声認識手段６１とタグ付与手段６２とを備える。その動作は、説明済みのＨＭＭ学習部３０と同じである。よって、その説明は省略する。

〔実験結果〕
この発明の動作を確認する目的で、確認実験を行った。評価対象の対話データを次のようにして収集した。

データ収集参加者は全員で１６名、年齢は２１〜２９歳であった。全員に性格特徴把握テストを受けてもらい各人の性格特徴を把握した。性格特徴把握テストには、Five-Factor Personality Questionnairesの簡易版を用い、５つの性格特徴である「愛着性」、「統制性」、「情動性」、「外向性」、「遊戯性」を測った。（参考文献「５因子性格検査担出版（ＦＦＰＱ-５０）の作成、藤島寛他、パーソナリティ研究、日本パーソナリティ心理学会、2005,Vol.13(2),231-241」）

そして実験参加者に２対話聞き役対話を行ってもらい、全部で１６対話を収集した。実験参加者は、聞き役と話し役に分かれ、別々の部屋で収録を行った。対話の内容は、複数のトピックの中から好きなものを選んでもらい３０分間のチャットを行った。トピックは、食べ物、旅行、映画、音楽、芸能人、スポーツ、健康、家事と育児、パソコン及びインターネット、動物、ファッション、ゲームとした。

表２に収集した対話データの内容を示す。

ここで平均単語数とは一発話当たりの平均単語数である。

この実験では、対話データの観測シンボル列は、タグ付与者（アノテータ）が付与した。付与されたタグ数は１１７７個であった。タグの数と発話数が一致しないのは、テキスト対話であるという性質上一発話が長いため、一発話中に文区切りを付けそれ毎にタグ付けしたためである。

遊戯性の高い話し役が参加した８つの対話の内、４つの対話データを用いて、遊戯性の性格傾向の高い対話の確率モデル（高ＨＭＭ）を生成した。また、遊戯性の低い話し役が参加した８つの対話の内、４つの対話データを用いて、遊戯性の性格傾向の低い対話の確率モデル（低ＨＭＭ）を生成した。

確率モデル生成に使用しなかった残りの対話データを、それぞれの確率モデルに与えて計算した出力確率Ｐ_high，Ｐ_lowと、性格特徴スコアを求めた。その結果を図１１と図１２に示す。図１１は、遊戯性の性格傾向の高い対話の確率モデル（高ＨＭＭ）に、遊戯性の高い話し役が参加した対話データを判定対象として入力した場合の計算結果を示す。図１２は、遊戯性の性格傾向の低い対話の確率モデル（低ＨＭＭ）に、遊戯性の低い話し役が参加した対話データを判定対象として入力した場合の計算結果を示す。観測シンボル列の数列は、表１に示した対話行為タグを、聞き役の自己開示を０〜話し役のその他を１３と付番したタグ番号の時系列である。

性格特徴スコアは、遊戯性の高い話し役が参加した８つの対話の内の４つの対話データ（ａ）〜（ｄ）が、順に０.０７３，０.１１９，０.２８４，０.０１７、遊戯性の低い話し役が参加した４つの対話データ（ｅ）〜（ｈ）が、順に−０.０４４，−０.０２２，−０.１１８，−０.０９８と、その性格傾向の高低に対応したスコアが得られている。つまり、性格傾向の高低を識別できている。

このように、この発明の対話型性格特徴判定装置１００によれば、対話の流れから利用者の性格特徴を判定することを可能にする。なお、性格傾向として遊戯性を例に説明を行ったが、その他の性格傾向、愛着性、統制性、情動性、外向性、などについても同様に性格傾向スコアを求めることが可能である。

また、上記方法及び装置において説明した処理は、記載の順に従って時系列に実行され
るのみならず、処理を実行する装置の処理能力あるいは必要に応じて並列的にあるいは個別に実行されるとしてもよい。

また、上記装置における処理手段をコンピュータによって実現する場合、各装置が有すべき機能の処理内容はプログラムによって記述される。そして、このプログラムをコンピュータで実行することにより、各装置における処理手段がコンピュータ上で実現される。

この処理内容を記述したプログラムは、コンピュータで読み取り可能な記録媒体に記録しておくことができる。コンピュータで読み取り可能な記録媒体としては、例えば、磁気記録装置、光ディスク、光磁気記録媒体、半導体メモリ等どのようなものでもよい。具体的には、例えば、磁気記録装置として、ハードディスク装置、フレキシブルディスク、磁気テープ等を、光ディスクとして、ＤＶＤ（Digital Versatile Disc）、ＤＶＤ−ＲＡＭ（Random Access Memory）、ＣＤ−ＲＯＭ（Compact Disc Read Only Memory）、ＣＤ−Ｒ（Recordable）/ＲＷ（ReWritable）等を、光磁気記録媒体として、ＭＯ（Magneto Optical disc）等を、半導体メモリとしてＥＥＰ−ＲＯＭ（Electronically Erasable and Programmable-Read Only Memory）等を用いることができる。

また、このプログラムの流通は、例えば、そのプログラムを記録したＤＶＤ、ＣＤ−ＲＯＭ等の可搬型記録媒体を販売、譲渡、貸与等することによって行う。さらに、このプログラムをサーバコンピュータの記録装置に格納しておき、ネットワークを介して、サーバコンピュータから他のコンピュータにそのプログラムを転送することにより、このプログラムを流通させる構成としてもよい。

また、各手段は、コンピュータ上で所定のプログラムを実行させることにより構成することにしてもよいし、これらの処理内容の少なくとも一部をハードウェア的に実現することとしてもよい。

Claims

ある一つの性格傾向に関する性格特徴の高い対話データと当該性格特徴の低い対話データを学習データとして、期待値最大化アルゴリズムを用いて上記性格傾向の高い対話の確率モデル（高ＨＭＭ）と上記性格傾向の低い対話の確率モデル（低ＨＭＭ）とを生成するＨＭＭ学習部と、（ＨＭＭ:Hidden Markov Model）
上記性格傾向の高い対話の確率モデル（高ＨＭＭ）と上記性格傾向の低い対話の確率モデル（低ＨＭＭ）と、判定対象の対話データとを入力として、その対話データの観測シンボル列の生起確率から、利用者の上記性格傾向を表す性格特徴スコアを出力する性格特徴判定部と、
を具備する対話型性格特徴判定装置。
請求項１に記載の対話型性格特徴判定装置において、
上記ＨＭＭ学習部は、
ＨＭＭの状態数を変動させた状態系列を設定する状態設定手段と、
上記状態系列で上記学習データを学習してＨＭＭパラメータを更新するＨＭＭ学習手段と、
上記状態系列の中から最小記述長のＨＭＭを選択するＨＭＭ選択手段と、
を備えることを特徴とする対話型性格特徴判定装置。
請求項１又は２に記載した対話型性格特徴判定装置において、
上記性格特徴判定部は、
上記判定対象の対話データの観測シンボル列の出力確率として、上記性格傾向の高い対話の確率モデル（高ＨＭＭ）の生起確率である高ＨＭＭ出力確率と上記性格傾向の低い対話の確率モデル（低ＨＭＭ）の生起確率である低ＨＭＭ出力確率と、を算出する出力確率算出手段と、
上記高ＨＭＭ出力確率と上記低ＨＭＭ出力確率とを入力として上記性格特徴スコアを算出する性格特徴スコア算出手段と、
を備えることを特徴とする対話型性格特徴判定装置。
ＨＭＭ学習部が、ある一つの性格傾向に関する性格特徴の高い対話データと当該性格特徴の低い対話データを学習データとして、期待値最大化アルゴリズムを用いて上記性格傾向の高い対話の確率モデル（高ＨＭＭ）と上記性格傾向の低い対話の確率モデル（低ＨＭＭ）とを生成するＨＭＭ学習過程と、（ＨＭＭ:Hidden Markov Model）
性格特徴判定部が、上記性格傾向の高い対話の確率モデル（高ＨＭＭ）と上記性格傾向の低い対話の確率モデル（低ＨＭＭ）と、判定対象の対話データとを入力として、その対話データの観測シンボル列の生起確率から、利用者の上記性格傾向を表す性格特徴スコアを出力する性格特徴判定過程と、
を含む対話型性格特徴判定方法。
請求項４に記載の対話型性格特徴判定方法において、
上記ＨＭＭ学習過程は、
状態設定手段が、ＨＭＭの状態数を変動させた状態系列を設定する状態設定ステップと、
ＨＭＭ学習手段が、上記状態系列で上記学習データを学習してＨＭＭパラメータを更新するＨＭＭ学習ステップと、
ＨＭＭ選択手段が、上記状態系列の中から最小記述長のＨＭＭを選択するＨＭＭ選択ステップと、
を含むことを特徴とする対話型性格特徴判定方法。
請求項４又は５に記載した対話型性格特徴判定方法において、
上記性格特徴判定過程は、
出力確率算出手段が、上記判定対象の対話データの観測シンボル列の出力確率として、上記性格傾向の高い対話の確率モデル（高ＨＭＭ）の生起確率である高ＨＭＭ出力確率と上記性格傾向の低い対話の確率モデル（低ＨＭＭ）の生起確率である低ＨＭＭ出力確率と、を算出する出力確率算出ステップと、
性格特徴スコア算出手段が、上記高ＨＭＭ出力確率と上記低ＨＭＭ出力確率とを入力として上記性格特徴スコアを算出する性格特徴スコア算出ステップと、
を含むことを特徴とする対話型性格特徴判定方法。
請求項１乃至３の何れかに記載した対話型性格特徴判定装置としてコンピュータを機能させるための装置プログラム。