JP5440815B2 - 情報分析装置、情報分析方法、及びプログラム - Google Patents

Description

本発明は、同一の事象が記述された２種類のテキストを用いて、特定のトピックに対する単語の出現度合いを推定するための統計的モデルを生成する、情報分析装置、情報分析方法、及びプログラムに関する。

近年、大量のテキストを分析するために、様々なテキスト分析方法が開発されている。そのうちの一つの分析方法では、分析対象となるテキストに含まれる各単語について、特定対象となるトピックにおける出現度合いを推定し、その結果を用いて分析が行われる（非特許文献１及び非特許文献２参照）。

例えば、非特許文献１は、新聞データを対象にしたテキスト分析方法を開示している。非特許文献１に開示のテキスト分析方法では、分析対象となる記事（テキスト）に含まれる各単語のトピックに対する出現度合いが推定され、該記事のトピックが同定される。

また、非特許文献２は、トピックセグメンテーションによるテキスト分析方法を開示している。非特許文献２に開示のテキスト分析方法では、トピックに対する単語の出現度合いがモデル化され、得られたモデルを用いて、複数のトピックを含むテキストを同じトピックの塊に分割するトピックセグメンテーションが行われる。

そして、非特許文献１及び非特許文献２のいずれにおいても、分析対象となるテキストに含まれる各単語の、特定対象となるトピックでの出現度合いは、教師データを用いて、該単語の該トピックでの出現頻度等の指標に基づき、統計的に求められる。ここで、教師データとしては、特定対象となるトピックに関して記述されたテキストや、特定対象となるトピック以外のトピックに関して記述されたテキストが挙げられる。具体的に述べると、教師データとしては、元となる事象が分析対象となるテキストと共通しているが、特定対象となるトピックについて、分析対象となるテキストとは異なるプロセスを経て作成されているテキストが挙げられる。

例えば、コールセンターにおいて、通話音声を音声認識した結果からテキストが得られているとする。このテキストにおいて元となる事象は、コールセンターでの通話である。また、コールセンターにおいては、多くの場合、オペレータは、通話から得られた情報を、応対メモという形で記録する。よって、音声認識から得られたテキストを分析対象とするのであれば、この応対メモの内、特定対象となるトピック（例えば、「コンピュータのＰＣ故障状況」等）に関して記述された部分のテキストを、教師データとして捉える事ができる。

また、多数のトピックを含むニュース番組の原稿、又は番組での音声の音声認識の結果から得られたテキストが、分析対象となる場合を考える。この場合、ニュース番組と同一の日の新聞記事は、ニュース番組と同一の事件等に基づいて作成されている。よって、この場合は、該新聞記事の内、特定対象となるトピック（例えば、「経済」等）に該当する記事を、教師データとして捉える事ができる。

このように、分析対象となるテキストと、教師データとなるテキストとが存在する場合は、非特許文献１又は非特許文献２に開示されたテキスト分析方法を実行することができる。その結果、分析対象となるテキストデータ中の各単語の特定対象となるトピックでの出現度合いをモデル化することができ、統計的モデルの学習が可能となる。

横井謙太朗、河原達也、堂下修司著、「単語の共起情報を用いたニュース朗読音声の話題同定機構」、電子情報通信学会技術研究報告（ＳＰ、音声）、Ｖｏｌ．９６、Ｎｏ．４４９、１９９７年、ｐｐ．７１−７８ Rui Amaral and Isabel Trancoso, "Topic Detection in Read Documents", In Proceedingsof 4th European Conference on Research and Advanced Technology for DigitalLibraries, 2000, pp.315-318.

ところで、一般に、分析対象となるテキストと教師データとなるテキストとで、使用される単語、及び使用される単語の傾向が異なる程、該教師データから生成した統計的モデルは、分析対象となるテキストの解析には適さなくなる。また、分析対象となるテキストと、教師データとなるテキストとで、使用される単語が異なる場合は多いと考えられる。そのため、上記非特許文献１及び非特許文献２に開示されたテキスト分析方法には、分析精度が低いという問題がある。

例えば、分析対象となるテキストが、コールセンターにおける通話音声を音声認識した結果から得られたテキストであり、教師データが、コールセンターでの通話から作成された応対メモの内の、特定対象となるトピックに関するテキストである場合を考える。この場合、応対メモは、オペレータが作成するものであり、応対メモには、殆どの場合、通話の情報が簡潔にまとめられた状態で記述されている。

そのため、応対メモのテキストが通話中で使用された単語と異なる場合は、多いと考えられる。また、応対メモのテキストに通話中の該トピックに対する情報が全て含まれていない場合も多いと考えられる。更に、応対メモに、オペレータの判断により、通話にはない該トピックに関する情報が書き加えられる場合もしばしば存在すると考えられる。

このように、分析対象となるテキストと、教師データとなるテキストとでは、多くの場合、使用される単語が異なり、更に、使用される単語の傾向も異なる。この場合、教師データから作成した統計的モデルによるテキスト分析では、分析対象となるテキストに含まれる単語の特定対象となるトピックでの出現度合いは、適切に推定されず、結果、上述するように、分析精度が低いという問題が生じてしまう。

本発明の目的は、上記問題を解消し、分析対象となるテキストと、教師データとなる特定のトピックについて記述されたテキストとの間で使用される単語が異なる場合であっても、分析対象となるテキスト中の単語の出現度合いを推定する統計的モデルにおける、推定精度の低下を抑制し得る、情報分析装置、情報分析方法、及びプログラムを提供する事にある。

上記目的を達成するため、本発明における情報分析装置は、分析対象となる第一のテキストに含まれる各単語についてのトピックに関する統計的モデルを生成する情報分析装置であって、
前記第一のテキストと同一の事象について記載され、且つ、特定のトピックに関する情報を含む第二のテキストと、前記第一のテキストとを対比し、前記第一のテキストにおける、前記第二のテキストの前記情報に関連している部分を特定する、関連箇所特定部と、
前記関連箇所特定部によって特定された前記部分に含まれる単語を抽出する、潜在トピック語抽出部と、
前記第一のテキストに含まれる各単語の前記特定のトピックでの出現度合いを推定する統計的モデルを生成する、統計的モデル生成部とを備え、
前記統計的モデル生成部は、前記第二のテキストに含まれる単語、及び前記潜在トピック語抽出部によって抽出された前記単語についての前記特定のトピックでの出現度合いが、他の単語についての前記出現度合いよりも高くなるように、前記統計的モデルを生成する、ことを特徴とする。

また、上記目的を達成するため、本発明における情報分析方法は、分析対象となる第一のテキストに含まれる各単語についてのトピックに関する統計的モデルを生成するための方法であって、
（ａ）前記第一のテキストと同一の事象について記載され、且つ、特定のトピックに関する情報を含む第二のテキストと、前記第一のテキストとを対比し、前記第一のテキストにおける、前記第二のテキストの前記情報に関連している部分を特定する、ステップと、
（ｂ）前記（ａ）のステップによって特定された前記部分に含まれる単語を抽出する、ステップと、
（ｃ）前記第一のテキストに含まれる各単語の前記特定のトピックでの出現度合いを推定する統計的モデルを生成し、その際、前記第二のテキストに含まれる単語、及び前記（ｂ）のステップによって抽出された前記単語についての前記特定のトピックでの出現度合いが、他の単語についての前記出現度合いよりも高くなるようにする、ステップと、
を有する、ことを特徴とする。

更に、上記目的を達成するため、本発明におけるプログラムは、分析対象となる第一のテキストに含まれる各単語についてのトピックに関する統計的モデルを、コンピュータによって生成するためのプログラムであって、
前記コンピュータに、
（ａ）前記第一のテキストと同一の事象について記載され、且つ、特定のトピックに関する情報を含む第二のテキストと、前記第一のテキストとを対比し、前記第一のテキストにおける、前記第二のテキストの前記情報に関連している部分を特定する、ステップと、
（ｂ）前記（ａ）のステップによって特定された前記部分に含まれる単語を抽出する、ステップと、
（ｃ）前記第一のテキストに含まれる各単語の前記特定のトピックでの出現度合いを推定する統計的モデルを生成し、その際、前記第二のテキストに含まれる単語、及び前記（ｂ）のステップによって抽出された前記単語についての前記特定のトピックでの出現度合いが、他の単語についての前記出現度合いよりも高くなるようにする、ステップと、
を実行させることを特徴とする。

以上の特徴により、本発明によれば、分析対象となるテキストと、教師データとなる特定のトピックについて記述されたテキストとの間で使用される単語が異なる場合であっても、分析対象となるテキスト中の単語の出現度合いを推定する統計的モデルの推定精度の低下を抑制できる。

図１は、本発明の実施の形態１における情報分析装置の構成を示すブロック図である。 図２は、本発明の実施の形態１における情報分析装置の動作を示すフロー図である。 図３は、本発明の実施の形態２における情報分析装置の構成を示すブロック図である。 図４は、本発明の実施の形態２における情報分析装置の動作を示すフロー図である。 図５は、本発明の実施の形態３における情報分析装置の構成を示すブロック図である。 図６は、本発明の実施の形態３における情報分析装置の動作を示すフロー図である。 図７は、実施例１で用いられる通話音声の認識結果の一例を示す図である。 図８は、実施例１で用いられる応対メモの一例を示す図である。 図９は、図７に示す認識結果を文単位でのセグメントに分割した場合の一例を示す図である。 図１０は、図８に示す応対メモを文単位でのセグメントに分割した場合の一例を示す図である。 図１１（ａ）は、図１０に示した応対メモの形態素解析の結果を示す図であり、図１１（ｂ）及び図１１（ｃ）は、それぞれ、図９に示した認識結果の形態素解析の結果を示す図である。 図１２（ａ）は、実施例１で得られた単語ベクトルの一例を示す図であり、図１２（ｂ）は、実施例１で用いられる次元と単語との割り当て表の一例を示す図である。 図１３は、実施例１で実行された対応付け処理の結果の一例を示す図である。 図１４は、実施例１で実行された対応付け処理の結果の他の例を示す図である。 図１５は、実施例１によって得られる統計的モデルの一例を示す図である。 図１６は、実施例１によって得られる統計的モデルの他の例を示す図である。 図１７は、実施例２によって実行された係り受け解析の結果の一例を示す図である。 図１８は、実施例３によって抽出された共通語の一例を示す図である。 図１９は、予め作成された統計的モデルの一例を示す図である。 図２０（ａ）は、図１０に示した応対メモが英語で作成されている場合の形態素解析の結果を示す図であり、図２０（ｂ）及び図２０（ｃ）は、それぞれ、図７に示した会話が英語でなされたときの認識結果から得られる形態素解析の結果を示す図である。 図２１（ａ）は、実施例１で得られた単語ベクトルの他の例を示す図であり、図２１（ｂ）は、実施例１で用いられる次元と単語との割り当て表の他の例を示す図である。 図２２は、実施例２によって実行された係り受け解析の結果の他の例を示す図である。 図２３は、本発明の実施の形態及び実施例におけるプログラムを実行可能なコンピュータを示すブロック図である。

（実施の形態１）
以下、本発明の実施の形態１における、情報分析装置、情報分析方法、及びプログラムについて、図１及び図２を参照しながら説明する。最初に、本実施の形態１における情報分析装置の構成について図１を用いて説明する。図１は、本発明の実施の形態１における情報分析装置の構成を示すブロック図である。

図１に示された、本実施の形態１における情報分析装置３０は、分析対象となるテキスト（以下、「分析対象テキスト」という。）に含まれる各単語についての統計的モデルを生成する装置である。図１に示すように、情報分析装置３０は、関連箇所特定部３１と、潜在トピック語抽出部３２と、統計的モデル生成部３３とを備えている。

関連箇所特定部３１は、分析対象テキストと、それと共に入力されるトピック関連テキストとを対比する。トピック関連テキストは、分析対象テキストと同一の事象について記載されたテキストであって、特定のトピックに関する情報（以下「トピック情報」という。）を含むテキストである。また、関連箇所特定部３１は、対比の結果から、分析対象テキストにおけるトピック情報に関連している部分を特定する。

潜在トピック語抽出部３２は、関連箇所特定部３１によって特定された部分に含まれる単語を抽出する。統計的モデル生成部３３は、分析対象テキストに含まれる各単語の特定のトピックでの出現度合いを推定する統計的モデルを生成する。そして、統計的モデル生成部３３は、統計的モデルを生成する際、トピック関連テキストに含まれる単語及び潜在トピック語抽出部３２によって抽出された単語についての、特定のトピックでの出現度合いが、他の単語についての出現度合いよりも高くなるようにする。

このように、情報分析装置３０では、分析対象テキストにおける、トピック情報に関連しているとして特定された部分の単語は、特定のトピックに関する単語として捉えられ、そのことが反映された統計的モデルが作成されている。よって、分析対象テキストとトピック関連テキストとの間で使用される単語が異なる場合であっても、分析対象テキスト中の単語の出現度合いを推定する統計的モデルの推定精度の低下は、抑制されることになる。

また、統計的モデルの推定精度の低下が抑制される点について、更に詳細に述べる。先ず、分析対象テキストと、トピック関連テキストとは、同一の事象について記載されているため、トピック情報に関連している部分は、ほとんどの場合、分析対象テキストに存在していると考えることができる。

次に、トピック情報に関連している部分は、分析対象テキストにおいて、特定のトピックについて記述されている可能性が高く、この部分に含まれる単語を特定のトピックを示す単語として扱うことに何ら問題は生じないと考えられる。この結果、統計的モデルの作成に際して、トピック関連テキストには出現していないが、特定のトピックとの関連が強い単語が補完されることとなるので、推定精度の高い統計的モデルの生成が可能になる。

ここで、本実施の形態１における情報分析装置３０の構成について更に具体的に説明する。本実施の形態１では、図１に示すように、情報分析装置３０には、入力装置１０と、出力装置２０とが接続されている。また、情報分析装置３０は、後述するように、プログラム制御によって動作するコンピュータによって実現されている。

入力装置１０は、情報分析装置３０に、分析対象テキスト及びトピック関連テキストを入力するための装置である。入力装置１０の具体例としては、テキストデータを出力可能なキーボード等の機器、ネットワーク等を介してテキストデータを出力可能なコンピュータが挙げられる。

また、本実施の形態１では、入力装置１０は、予め作成された、特定のトピックにおける単語の出現度合いを推定可能な統計的モデル、又は特定のトピックに関するトピック関連テキスト以外のテキストを情報分析装置３０に入力する事もできる。なお、ここでいう統計的モデルとしては、例えば、単語と該単語の特定のトピックでの出現度合いとの組データが複数個登録されたリストが挙げられる。

また、本実施の形態１において、分析対象テキストとしては、例えば、コールセンターにおける通話音声を音声認識した結果から得られたテキストが挙げられる。この場合、トピック関連テキストとしては、コールセンターでの通話から作成された応対メモの内の、特定のトピック（例えば、「故障状況」等）に関するテキストが挙げられる。

出力装置２０は、統計的モデル生成部３３が生成した統計的モデルを取得し、取得した統計的モデルを、これを使用する装置へと出力（送信）する。出力装置２０の具体例としては、ネットワーク等を介して接続されたコンピュータが挙げられる。また、出力装置２０と入力装置１０とは同一のコンピュータであっても良い。

また、図１に示すように、本実施の形態１では、関連箇所特定部３１は、更に、セグメント分割部３４と、対応付け部３５とを備えている。セグメント分割部３４は、分析対象テキストとトピック関連テキストとを、それぞれ、設定された処理単位であるセグメントへと分割する。具体的には、セグメント分割部３４は、例えば、分割対象テキスト及びトピック関連テキストを、文毎、段落毎に分割する。また、例えば、これらのテキストが複数人の会話の内容を記載している場合は、更に、発話毎、話者毎に分割してもよい。

対応付け部３５は、分析対象テキストとトピック関連テキストとをそれぞれのセグメント毎に対比し、セグメント間の単語ベクトルによる類似度を求める。そして、対応付け部３５は、求めた類似度に基づき、分析対象テキストの各セグメントについて、トピック関連テキストのセグメントへの対応付けを行う。また、対応付け部３５は、分析対象テキストの対応付けられたセグメントを、分析対象テキストにおけるトピック情報に関連している部分として特定する。

また、トピック関連テキストと分析対象テキストとは同一の事象について記載されているため、トピック関連テキストに含まれるトピック情報に関連する情報は、分析対象テキストに含まれている可能性が高いと考えられる。したがって、トピック関連テキストに含まれるトピック情報に関連する情報が、必ず、分析対象テキストに含まれているという仮定の下、本実施の形態１では、対応付け部３５は、対応付けの際に、トピック関連テキストの各セグメントに、少なくとも一つの分析対象テキストのセグメントを対応付けるのが好ましい。

更に、本実施の形態１では、潜在トピック語抽出部３２は、単語抽出部３６を備えている。単語抽出部３６は、分析対象テキストの対応付けられたセグメントに含まれる単語を抽出する。

本実施の形態１では、関連箇所特定部３１を構成する対応付け部３５は、更に、対応度スコアを算出することができる。対応度スコアは、分析対象テキストの特定された部分とそれが関連しているトピック情報との一致の程度を示す。具体的には、対応度スコアは、対応付けられた分析対象テキストのセグメントと、対応先のトピック関連テキストのセグメントとの内容の一致の程度を示す。

また、対応度スコアは、本実施の形態１では、一致の程度が高い程、値が高くなるように設定されている。そして、この対応度スコアが高いほど、分析対象テキストのセグメントは、対応先のトピック関連テキストのセグメントと内容が一致しているので、分析対象テキストのセグメントが特定のトピックに関する記述となる可能性は高くなる。

そのため、対応度スコアが高い箇所（セグメント）に含まれている単語ほど、その特定のトピックでの出現度合いが高まるように、対応度スコアの算出が行われていると捉える事ができる。このようにして算出される対応度スコアを用いれば、特定のトピックに深く関与する単語を優先的に考慮でき、推定精度の高い統計的モデルを生成する事ができる。したがって、関連箇所特定部３１で対応度スコアを算出し、これを、潜在トピック語抽出部３２を介して統計的モデル生成部３３で利用する事は、推定精度の高い統計的モデルの生成に有効である。

更に、潜在トピック語抽出部３２を構成する単語抽出部３６は、抽出された単語がトピック情報に関連する程度を示すトピック関連スコアを算出することができる。トピック関連スコアは、本実施の形態１では、関連する程度が高い程、値が高くなるように設定される。また、潜在トピック語抽出部３２は、単語抽出部３６により抽出された単語の個数、又は関連箇所特定部３１が算出した対応度スコアを入力として、トピック関連スコアを算出することができる。特に、対応度スコアが入力された場合は、潜在トピック語抽出部３２は、対応度スコアが高い部分に存在する単語程、そのトピック関連スコアが高くなるように、その算出を行うのが良い。

また、トピック関連スコアは、上述したように、各単語が特定のトピックに関連する程度を示す。よって、トピック関連スコアが高い単語ほど、その特定のトピックでの出現度合いが高まるように、トピック関連スコアの算出が行われていると捉える事ができる。このようにして算出されたトピック関連スコアを用いれば、特定のトピックに深く関与する単語を優先的に考慮でき、推定精度の高い統計的モデルを生成する事ができる。したがって、潜在トピック語抽出部３２で関連度スコアを算出し、統計的モデル生成部３３で利用する事は推定精度の高い統計的モデルの生成に有効である。

更に、単語抽出部３６がトピック関連スコアを算出する場合は、統計的モデル生成部３３は、単語抽出部３６によって抽出された単語の出現度合いが、対応するトピック関連スコアの値が高い程、高くなるように、統計的モデルを生成する。このように、トピック関連スコアを用いて統計的モデルを生成した場合は、統計的モデルの推定精度の更なる向上が図られる。なお、対応度スコア、トピック関連スコア、これらを用いた統計的モデルの具体例については、後述する実施例に示す。

次に、本実施の形態１における情報分析装置３０の動作について図２を用いて説明する。図２は、本発明の実施の形態１における情報分析装置の動作を示すフロー図である。また、本実施の形態１においては、情報分析装置３０を動作させることによって、本実施の形態１における情報分析方法が実施される。よって、本実施の形態１における情報分析方法の説明は、情報分析装置３０の動作の説明に代える。また、以下の説明においては、適宜図１を参酌する。

図２に示すように、最初に、セグメント分割部３４は、入力装置１０からの分析対象テキスト及びトピック関連テキストの入力を受け付ける（ステップＡ１）。次に、セグメント分割部３４は、分析対象テキスト及びトピック関連テキストを、処理単位であるセグメントに分割する（ステップＡ２）。ステップＡ２では、具体的には、セグメント分割部３４は、上述したように、各テキストを、文毎、段落毎、発話毎、又は話者毎に分割する。

次に、対応付け部３５は、トピック関連テキスト内の各セグメントに対して、該セグメントと内容が一致する（同じ情報を有する）分析対象テキスト内のセグメントを対応付け（ステップＡ３）、結果を出力する。具体的には、ステップＡ３では、対応付けは、上述した単語ベクトルによる類似度に基づいて行われている。ステップＡ３により、分析対象テキストの各セグメントは、トピック関連テキストのセグメントに対応付けられる。

本実施の形態１において、ステップＡ３では、「トピック関連テキスト内のセグメントの一部が、分析対象テキスト内のセグメントのどれにも対応付けられない」という結果が出力されていても良い。また、上述した「トピック関連テキストに含まれるトピック情報に関連する情報が、必ず、分析対象テキストに含まれる」という仮定に基づき、対応付け部３５は、トピック関連テキストの各セグメントに、少なくとも一つの分析対象テキストのセグメントを対応付けても良い。更に、ステップＡ３では、対応付け部３５は、上述した対応度スコアを算出し、対応度スコアを対応付けの結果と共に出力しても良い。

次に、潜在トピック語抽出部３２は、関連箇所特定部３１が出力した結果を受け取り、分析対象テキストの中で特定された部分に含まれる単語を抽出する（ステップＡ４）。ステップＡ４において抽出された単語は、特定のトピックに関する可能性が高い単語に相当する。

具体的には、ステップＡ４では、単語抽出部３６が、ステップＡ３によって得られた対応付けの結果から、分析対象テキスト内のセグメントの内、トピック関連テキスト内のセグメントに対応付けられたセグメントを特定する。特定されたセグメントは、トピック関連テキストのトピック情報に関連する箇所であり、単語抽出部３６は、特定されたセグメント内の単語を、特定のトピックに関する可能性が高い単語として抽出する。

また、単語抽出部３６は、上述したトピック関連スコアを算出することができる。この場合、単語抽出部３６は、抽出した単語と共に、各単語に対応するトピック関連スコアも出力する。

次に、統計的モデル生成部３３は、入力装置１０からトピック関連テキストを受け取り、潜在トピック語抽出部３２からステップＡ４で得られた抽出結果を受け取る。そして、統計的モデル生成部３３は、受け取った情報を用いて、分析対象テキスト内の各単語の特定のトピックに対する出現度合いを推定する統計的モデルを生成する（ステップＡ５）。また、ステップＡ５では、統計的モデル生成部３３は、トピック関連テキストに含まれる単語及びステップＡ４で抽出された単語についての、特定のトピックでの出現度合いが、他の単語についての出現度合いよりも高くなるように統計的モデルを生成する。

ステップＡ５において、統計的モデル生成部３３は、統計的モデルを生成する際、特定のトピックについて予め作成した別の統計的モデルを用いることもできる。また、統計的モデル生成部３３は、生成対象となる統計的モデルを学習するために、トピック関連テキストとは別の教師データを使用することもできる。なお、これらの場合においても、統計的モデル生成部３３は、トピック関連テキストに含まれる単語及びステップＡ４で抽出された単語についての、特定のトピックでの出現度合いが、他の単語についての出現度合いよりも高くなるように統計的モデルを生成する。

また、ステップＡ５で生成された統計的モデルは、分析対象テキスト内の単語を入力すると、入力された単語の、特定対象のトピックに関する出現度合いを出力するものである。更に、本実施の形態１において、出現度合いとしては、単語の出現のし易さを示す確率を用いることができ、この場合、出現度合いは、例えば、入力された単語が出現し易い程大きい値となり、出現し難い程小さい値となる。

その後、統計的モデル生成部３３は、ステップＡ５で生成された統計的モデルを出力装置２０へと出力する（ステップＡ６）。ステップＡ６の実行により、情報分析装置３０における処理は終了する。なお、出力装置２０は、統計的モデルを使用する他の装置に、取得した統計的モデルを出力する。他の装置では、統計的モデルを用いて、求める単語の出現度合いの算出が行われる。

また、本実施の形態１におけるプログラムは、コンピュータに、図２に示すステップＡ１〜Ａ６を実行させるプログラムであれば良い。このプログラムをコンピュータにインストールして実行することにより、本実施の形態１における情報分析装置３０及び情報分析方法を実現することができる。この場合、コンピュータのＣＰＵ（Central Processing Unit）は、関連箇所特定部３１、潜在トピック語抽出部３２、及び統計的モデル生成部３３として機能し、処理を行なう。

以上のように本実施の形態１では、分析対象テキストと、トピック関連テキストとは、同一の事象について記述されているため、両者のセグメント間で対応付けられた部分同士は、同一の情報に関し、且つ、特定のトピックに関連している可能性が高いと考えられる。そして、この考えの下、トピック関連テキストのセグメントに対応付けられた分析対象テキストのセグメント中の単語は、特定のトピックに関して出現する単語として捉えられる。また、この単語の特定のトピックに対する出現度合いが高くなるように、統計的モデルが生成される。

このため、本実施の形態１によれば、トピック関連テキストに出現していないが、トピックに関連している単語が補完された状態で、統計的モデルが生成される。よって、トピック関連テキストと分析対象テキストとの間で、特定のトピックについて記載された部分が同一でなく、更に使用されている単語が異なっている場合でも、統計的モデルの推定精度の向上が図られる。

（実施の形態２）
次に、本発明の実施の形態２における、情報分析装置、情報分析方法、及びプログラムについて、図３及び図４を参照しながら説明する。最初に、本実施の形態２における情報分析装置の構成について図３を用いて説明する。図３は、本発明の実施の形態２における情報分析装置の構成を示すブロック図である。

図３に示された、本実施の形態２における情報分析装置１３０は、図１に示した実施の形態１における情報分析装置３０と同様に、分析対象テキストに含まれる各単語についての統計的モデルを生成する装置である。

但し、本実施の形態２においては、実施の形態１と異なり、潜在トピック語抽出部１３２が、単語抽出部１３６に加えて、フィルタリング部１３７を備えている。フィルタリング部１３７は、関連箇所特定部１３１によって特定された部分から、特定のトピックに関連する可能性が特に高い単語を特定する。

具体的には、フィルタリング部１３７は、対応付けられた分析対象テキストのセグメントに含まれる単語の中から、一定の条件を満たす単語を特定する。一定の条件を満たす単語としては、下記の（１）〜（６）のいずれかに該当する単語が挙げられる。本実施の形態２においては、フィルタリング部１３７によって特定された単語が、最終的に潜在トピック語抽出部１３２によって抽出される単語に相当する。

（１）予め設定された種類の単語
（２）出現回数が予め設定された閾値以上となる単語
（３）共通語が位置する節の中に位置している単語
（４）共通語からの距離が予め定められた閾値以下となる単語
（５）共通語を含む節からの係り受け距離が予め定められた閾値以下となる節の中に位置している単語
（６）上記（１）〜（５）の単語のうち２以上に相当する単語

また、上記した共通語とは、関連箇所特定部１３１によって特定された部分と、トピック関連テキストのトピック情報とに同じ意味で出現している単語である。具体的には、共通語としては、関連箇所特定部１３１によって特定された部分に含まれる単語の内、トピック関連テキストのトピック情報を示す単語と、原形の表層及び品詞において一致する単語、同義語となる単語、又は類義語となる単語を用いることができる。

なお、上記した点以外については、情報分析装置１３０は、実施の形態１における情報分析装置３０と同様に構成されている。つまり、セグメント分割部１３４、対応付け部１３５、及び単語抽出部１３６は、それぞれ、実施の形態１において図１に示した、セグメント分割部３４、対応付け部３５、及び単語抽出部３６と同様に動作する。

また、統計的モデル生成部１３３は、フィルタリング部１３７の出力結果を利用する以外は、統計的モデル生成部３３と同様に動作する。更に、本実施の形態２において利用される、入力装置１１０及び出力装置１２０は、実施の形態１で利用されている、入力装置１０及び出力装置２０と同様のものである。

次に、本実施の形態２における情報分析装置１３０の動作について図４を用いて説明する。図４は、本発明の実施の形態２における情報分析装置の動作を示すフロー図である。また、本実施の形態２においては、情報分析装置１３０を動作させることによって、本実施の形態２における情報分析方法が実施される。よって、本実施の形態２における情報分析方法の説明は、情報分析装置１３０の動作の説明に代える。また、以下の説明においては、適宜図３を参酌する。

図４に示すように、最初に、セグメント分割部１３４は、入力装置１１０からの分析対象テキスト及びトピック関連テキストの入力を受け付け（ステップＢ１）、これらを複数のセグメントに分割する（ステップＢ２）。なお、ステップＢ１及びＢ２は、それぞれ、図２に示したステップＡ１及びＡ２と同様のステップである。

次に、対応付け部１３５は、トピック関連テキスト内の各セグメントに対して、該セグメントと内容が一致する分析対象テキスト内のセグメントを対応付ける（ステップＢ３）。続いて、単語抽出部１３６が、トピック関連テキスト内のセグメントに対応付けられた分析対象テキスト内のセグメントから、それに含まれる単語を抽出する（ステップＢ４）。

なお、ステップＢ３及びＢ４は、それぞれ、図２に示したステップＡ３及びＡ４と同様のステップである。また、本実施の形態２においても、ステップＢ３において対応度スコア算出し、ステップＢ４においてトピック関連スコアを算出することもできる。

次に、フィルタリング部１３７は、ステップＢ４で抽出された単語の中から、特定のトピックに関連する可能性が特に高い単語、即ち、上述した（１）〜（６）のいずれかに該当する単語を特定する（ステップＢ５）。なお、ステップＢ５において、フィルタリング部１３７は、特定した単語と共に、ステップＢ４において算出したトピック関連スコアを統計的モデル生成部１３３に出力することもできる。また、ステップＢ５において、上述した（１）〜（６）の条件にしたがってトピック関連スコアを新たに算出し、統計的モデル生成部１３３に出力することもできる。

トピック関連スコアは、本実施の形態２においても、実施の形態１で述べたように、各単語が特定のトピックに関連する程度を示す。よって、トピック関連スコアが高い単語ほど、特定のトピックでの出現度合いが高まるように、その算出を行えば、特定のトピックに深く関与する単語を優先的に考慮でき、推定精度の高い統計的モデルを生成する事ができる。したがって、フィルタリング部１３７から関連度スコアを出力し、統計的モデル生成部１３３によって関連度スコアを利用する事は推定精度の高い統計的モデルの生成に有効である。

次に、統計的モデル生成部１３３は、入力装置１１０からトピック関連テキストを受け取り、潜在トピック語抽出部１３２（フィルタリング部１３７）からステップＢ５で得られた結果を受け取り、統計的モデルを生成する（ステップＢ６）。その後、統計的モデル生成部１３３は、ステップＢ６で生成された統計的モデルを出力装置１２０へと出力する（ステップＢ７）。ステップＢ７の実行により、情報分析装置１３０における処理は終了する。なお、ステップＢ６及びＢ７は、それぞれ、図２に示したステップＡ５及びＡ６と同様のステップである。

また、本実施の形態２におけるプログラムは、コンピュータに、図４に示すステップＢ１〜Ｂ７を実行させるプログラムであれば良い。このプログラムをコンピュータにインストールして実行することにより、本実施の形態２における情報分析装置１３０及び情報分析方法を実現することができる。この場合、コンピュータのＣＰＵ（Central Processing Unit）は、関連箇所特定部１３１、潜在トピック語抽出部１３２、及び統計的モデル生成部１３３として機能し、処理を行なう。

以上のように、本実施の形態２では、フィルタリング部１３７により、トピック関連テキストのセグメントに対応付けられた、分析対象テキストのセグメント中の単語の中から、特定のトピックに関連する可能性が特に高いものが特定される。そして、この特定された単語における特定のトピックに関する出現度合いが高くなるように、統計的モデルが生成される。このため、統計的モデルにおいて、特定のトピックへの関連性が低い単語の出現度合いは相対的に高くならないため、結果、本実施の形態２では、実施の形態１よりも、更に、統計的モデルの推定精度の向上が図られる。

（実施の形態３）
次に本発明の実施の形態３における、情報分析装置、情報分析方法、及びプログラムについて、図５及び図６を参照しながら説明する。最初に、本実施の形態３における情報分析装置の構成について図５を用いて説明する。図５は、本発明の実施の形態３における情報分析装置の構成を示すブロック図である。

図５に示された、本実施の形態３における情報分析装置２３０は、図１に示した実施の形態１における情報分析装置３０と同様に、分析対象テキストに含まれる各単語についての統計的モデルを生成する装置である。

但し、本実施の形態３においては、実施の形態１と異なり、情報分析装置２３０は、共通語抽出部２３７を備えている。また、統計的モデル生成部２３３は、図１に示された統計的モデル生成部３３と異なり、共通語抽出部２３７からの出力結果も用いて統計的モデルを生成する。

共通語抽出部２３７は、関連箇所特定部２３１によって特定された部分と、トピック関連テキストのトピック情報とから、これらに共通の意味で出現している共通語を抽出する。本実施の形態３において、共通語は、実施の形態２で述べた共通語と同義である。具体的には、共通語抽出部２３７は、先ず、トピック関連テキストのトピック情報を示す単語を特定する。次に、共通語抽出部２３７は、特定した単語の中から、対応付けられた分析対象テキストのセグメントに含まれる単語と、原形の表層及び品詞において一致する単語、同義語となる単語、又は類義語となる単語を更に特定する。そして、共通語抽出部２３７は、最終的に特定した単語を共通語として抽出する。

また、統計的モデル生成部２３３は、特定のトピックにおいて、トピック関連テキストに含まれる単語、及び潜在トピック語抽出部２３２によって抽出された単語それぞれの出現度合いが、これら以外の単語の出現度合いよりも高くなるように、統計的モデルを生成する。更に、本実施の形態３では、統計的モデル生成部２３３は、共通語抽出部２３７で特定された共通語の出現度合いが、トピック関連テキストに含まれる共通語以外の単語の出現度合いよりも高くなるようにもして、統計的モデルを生成する。

また、共通語抽出部２３７は、記載スコアを算出することができる。記載スコアは、抽出された共通語が、分析対象テキストにおける特定のトピックに関する部分で、使用されている可能性を示す数値である。記載スコアは、使用されている可能性が高い程、値が高くなるように設定されている。更に、この場合、統計的モデル生成部２３３は、抽出された共通語の特定のトピックでの出現度合いが、対応する記載スコアの値が高い程、高くなるように、統計的モデルを生成する。

共通語抽出部２３７は、共通単語抽出部２３７により抽出された単語の個数や、関連箇所特定部２３１が算出した対応度スコアを入力として、記載スコアを算出することができる。また、上述したように、対応度スコアは、分析対象テキストのセグメントと、対応先のトピック関連テキストのセグメントとの内容の一致の程度を示し、一致の程度が高い程、値が高くなる。従って、対応度スコアが高い箇所に含まれている単語ほど、特定のトピックに関する記述となっている可能性が高くなる。そのため、対応度スコアが入力された場合は、対応度スコアが高い部分に存在する共通語程、記載スコアが高くなるように、その算出を行うのが好ましい。この場合、記載スコアは、分析対象テキストにおける特定のトピックに関する部分で使用されている可能性を表すスコアとして適切なものとなる。

なお、上記した点以外については、情報分析装置２３０は、実施の形態１における情報分析装置３０と同様に構成されている。つまり、セグメント分割部２３４、対応付け部２３５、及び単語抽出部２３６は、それぞれ、実施の形態１において図１に示した、セグメント分割部３４、対応付け部３５、及び単語抽出部３６と同様に動作する。

また、統計的モデル生成部２３３は、共通語抽出部２３７の出力結果を利用する以外は、統計的モデル生成部３３と同様に動作する。更に、本実施の形態３において利用される、入力装置２１０及び出力装置２２０は、実施の形態１で利用されている、入力装置１０及び出力装置２０と同様のものである。

次に、本実施の形態３における情報分析装置２３０の動作について図６を用いて説明する。図６は、本発明の実施の形態３における情報分析装置の動作を示すフロー図である。また、本実施の形態３においては、情報分析装置２３０を動作させることによって、本実施の形態３における情報分析方法が実施される。よって、本実施の形態３における情報分析方法の説明は、情報分析装置２３０の動作の説明に代える。また、以下の説明においては、適宜図５を参酌する。

図６に示すように、最初に、セグメント分割部２３４は、入力装置２１０からの分析対象テキスト及びトピック関連テキストの入力を受け付け（ステップＣ１）、これらを複数のセグメントに分割する（ステップＣ２）。なお、ステップＣ１及びＣ２は、それぞれ、図２に示したステップＡ１及びＡ２と同様のステップである。

次に、対応付け部２３５は、トピック関連テキスト内の各セグメントに対して、該セグメントと内容が一致する分析対象テキスト内のセグメントを対応付ける（ステップＣ３）。続いて、単語抽出部２３６が、トピック関連テキスト内のセグメントに対応付けられた分析対象テキスト内のセグメントから、それに含まれる単語を抽出する（ステップＣ４）。

なお、ステップＣ３及びＣ４は、それぞれ、図２に示したステップＡ３及びＡ４と同様のステップである。また、本実施の形態３においても、ステップＣ３において対応度スコア算出することもできるし、ステップＣ４においてトピック関連スコアを算出することもできる。

次に、共通語抽出部２３７は、ステップＣ３で解析された、分析対象テキストとトピック関連テキストとの対応付けの結果を受け取り、トピック関連テキストのトピック情報を示す単語の中から、共通語を抽出する（ステップＣ５）。

また、ステップＣ５においては、共通語抽出部２３７は、記載スコアを算出することができる。この場合、共通語抽出部２３７は、抽出した共通語と記載スコアとを共に、統計的モデル作成部２３３に出力することができる。また、本実施の形態３においては、ステップＣ４とステップＣ５とは、同時に実行されていても良いし、ステップＣ５の実行後にステップＣ４が実行されても良い。ステップＣ４とステップＣ５との間での実行順序は特に限定されるものではない。

次に、統計的モデル生成部２３３は、入力装置２１０から、トピック関連テキストを受け取り、潜在トピック語抽出部２３２から、ステップＣ４で抽出された単語を受け取り、共通語抽出部２３７から、ステップＣ５で抽出された共通語を受け取る。そして、トピックモデル生成部２３３は、これらを用いて、統計的モデルを生成する（ステップＣ６）。

また、ステップＣ６では、統計的モデル生成部２３３は、特定のトピックにおいて、トピック関連テキストに含まれる単語、及びステップＣ４で抽出された単語それぞれの出現度合いが、他の単語についての出現度合いよりも高くなるように統計的モデルを生成する。また、このとき、統計的モデル生成部２３３は、ステップＣ５で抽出された共通語の出現度合いは、トピック関連テキストに含まれる共通語以外の単語の出現度合いよりも高くなるようにもして、統計的モデルを生成する。

また、ステップＣ６では、ステップＡ５同様、統計的モデル生成部２３３は、統計的モデルを生成する際、特定のトピックについて予め作成した別の統計的モデルを用いることもできる。また、統計的モデル生成部２３３は、生成対象となる統計的モデルを学習するために、トピック関連テキストとは別の教師データを使用することもできる。なお、これらの場合でも、統計的モデル生成部２３３は、トピック関連テキストに含まれる単語及びステップＣ４で抽出された単語についての、特定のトピックでの出現度合いが、他の単語についての出現度合いよりも高くなるように、統計的モデルを生成する。更に、このとき、統計的モデル生成部２３３による統計的モデルの生成は、ステップＣ５で抽出された共通語の出現度合いが、トピック関連テキストに含まれる共通語以外の単語の出現度合いよりも高くなるようにも行われる。

その後、統計的モデル生成部２３３は、ステップＣ６で生成された統計的モデルを出力装置２２０へと出力する（ステップＣ７）。ステップＣ７の実行により、情報分析装置２３０における処理は終了する。なお、ステップＣ７は、それぞれ、図２に示したステップＡ６と同様のステップである。

また、本実施の形態３におけるプログラムは、コンピュータに、図６に示すステップＣ１〜Ｃ７を実行させるプログラムであれば良い。このプログラムをコンピュータにインストールして実行することにより、本実施の形態３における情報分析装置２３０及び情報分析方法を実現することができる。この場合、コンピュータのＣＰＵ（Central Processing
Unit）は、関連箇所特定部２３１、潜在トピック語抽出部２３２、統計的モデル生成部２３３、及び共通語抽出部２３７として機能し、処理を行なう。

ところで、トピック関連テキストに含まれる単語が、分析対象テキスト内の特定のトピックについて記述された部分以外の部分で使用されている場合が存在する。この場合、該単語がトピック関連テキストに含まれているため、分析対象テキスト内の該単語の特定トピックでの出現度合いは、実際よりも高い値となり、統計的モデルの推定精度が低下する可能性がある。

これに対して、本実施の形態３では、共通語抽出部２３７により、共通語が抽出され、そして、統計的モデル生成部２３３は、共通語の出現度合いが高められるように統計的モデルを生成する。このため、本実施の形態３によれば、上記場合が存在していても、分析対象テキスト内の特定のトピックについて記述された部分以外で使用されている単語の出現度合いは、分析対象テキスト内の特定のトピックについて記述された部分で使用された単語（共通語）のそれに比べ、相対的に低くなる。この結果、本実施の形態３では、分析対象テキストに含まれる単語の出現度合いの値が不正確となるのが抑制される。

また、本実施の形態３において、情報分析装置２３０は、図３に示されたフィルタリング部１３７を備えることができる。この場合は、図６に示したステップＣ４の後、又はステップＣ５と並列して、図４に示したステップＢ５と同様のステップが実行される。この結果、情報分析装置２３０において、実施の形態２で述べた効果が得られることとなる。

（実施例１の動作）
以下、図７〜図１６、図１９を参照しながら、実施の形態１における情報分析装置及び情報分析方法の具体的な実施例を説明する。また、以下においては、図２に示したフロー図に沿って、実施の形態１におけるテキスト処理装置の動作を説明する。なお、適宜、図１も参酌する。

図７は、実施例１で用いられる通話音声の認識結果の一例を示す図である。図８は、実施例１で用いられる応対メモの一例を示す図である。実施例１では、分析対象テキストは、図７に示すように、コールセンターにおける通話音声を音声認識することによって得られた音声認識テキストである。また、トピック関連テキストは、図８に示すように、図７に示す音声認識テキストの認識の元となった通話から作成された応対メモにおける、「故障状況」の欄に記載されたテキストである。更に、実施例１では、特定のトピックは、図８に示す応対メモの「故障状況」の欄の元となったトピックに設定されている。

また、図７及び図８に示すように、分析対象テキストとトピック関連テキストとは、同一の事象について記載されているため、分析対象テキストには、トピック関連テキストに関連した部分が存在している事が殆どである。そして、分析対象テキストにおいて、トピック関連テキストに関連した部分は、特定のトピックに関する部分である。

但し、分析対象テキストとトピック関連テキストとにおいて、関連する部分同士は同一ではなく、使用される単語も異なっている。例えば、図７に示す分析対象テキストの「故障状況」にあたる部分で使用されている、単語「ガタガタ」、単語「音」、及び単語「エラー」は、図８に示すトピック関連テキストでは使用されていない。

以下、本実施例１では、図７に示す音声認識テキスト（受付ＩＤ＝３１１）内の各単語について、図８に示す応対メモの「故障状況」というトピックに対する出現度合いを推定する、統計的モデルを生成する過程を挙げて説明する。

［ステップＡ１］
まず、入力装置１０は、通話の音声認識テキストを分析対象テキストとして、また、元となった通話から作成された応対メモの特定のトピック「故障状況」に記載されたテキストをトピック関連テキストとして、情報分析装置３０に入力する。これにより、セグメント分割部３４は、入力装置１０からの分析対象テキスト及びトピック関連テキストの入力を受け付ける。

また、本実施例では、情報分析装置３０は、入力装置１０から、図１９に示す、予め作成された統計的モデルの入力を受け付けることができる。図１９は、予め作成された統計的モデルの一例を示す図である。図１９に示す統計的モデルは、特定のトピックにおける単語の出現度合いを推定する統計的モデルである。また、図１９に示すように、この統計的モデルは、表形式のデータで構成されており、単語と該単語の特定のトピックでの出現度合いとの組データのリストを有している。更に、本実施例では、情報分析装置３０は、入力装置１０から、トピック関連テキスト以外の、特定のトピックに関するテキストの入力も受け付けることができる。前記テキストとしては、例えば、受付ＩＤが３１１のテキスト以外のテキストであって、応対メモ内の故障状況部分にあるテキストが挙げられる。

続いて、関連箇所特定部３１は、入力された分析対象テキストから、トピック関連テキストに記述されたトピック情報に関連して記述された部分を特定する（ステップＡ２、Ａ３）。

［ステップＡ２］
具体的には、セグメント分割部３４は、分析対象テキスト及びトピック関連テキストを、分析の処理単位であるセグメントに分割する。例えば、分析単位のセグメントが文である場合、文のセパレータが予め定められているので、セグメント分割部３４は、そのセパレータ間を一つのセグメントとして分割する。

図７及び図８に示すテキストを、「。」と「？」とをセパレータとして分割した場合は、セグメント分割の結果は、それぞれ図９及び図１０に示す通りとなる。図９は、図７に示す認識結果を文単位でのセグメントに分割した場合の一例を示す図である。図１０は、図８に示す応対メモを文単位でのセグメントに分割した場合の一例を示す図である。

また、セグメント分割部３４は、分割対象となるテキストが音声認識テキストである場合は、音声認識エンジンによる無音区間の検出の結果等を利用して、セグメントへの分割を行うことができる。また、この場合は、セグメント分割部３４は、出力される発話を単位として、分割を行うこともできる。

更に、セグメント分割部３４は、分割対象となるテキストが備える情報を用いてセグメント分割を行うこともできる。例えば、図７に示すように、音声認識テキストにおいて、対話の話者を特定できる場合、セグメント分割部３４は、同一話者の部分を一つのセグメントとして分割してもよい。なお、図７においては、表の区切りが同一話者による発話に相当する。

また、セグメント分割部３４は、予め、テキストが、段落等によって、明示的、且つ形式的な塊に分割されている場合は、各塊を各セグメントとして捉えて、分割を行うこともできる。なお、本発明において、セグメントの単位は、ユーザが任意に指定することもでき、実施の形態１及び本実施例１に記述された単位以外であっても良い。

［ステップＡ３］
続いて、対応付け部３５は、トピック関連テキスト内の各セグメントに対して、該セグメントと同じ情報を持つ分析対象テキスト内のセグメントを対応付ける。ここで、図１０に示すトピック関連テキスト内のセグメントＩＤ＝３に対して、図９に示す分析対象テキスト内のセグメントから、同じ情報を持つセグメントを対応付ける処理を例に取り、図１１を用いて、以下に説明する。図１１（ａ）は、図１０に示した応対メモの形態素解析の結果を示す図であり、図１１（ｂ）及び図１１（ｃ）は、それぞれ、図９に示した認識結果の形態素解析の結果を示す図である。

先ず、対応付け部３５は、トピック関連テキスト内のセグメントＩＤ＝３及び分析対象テキスト内の各セグメントに対して形態素解析を実行する。トピック関連テキスト内のセグメントＩＤ＝３及び分析対象テキスト内のセグメントの一部の形態素解析の結果を、図１１（ａ）〜図１１（ｃ）に示す。なお、図１１（ａ）〜（ｃ）は、会話が日本語でなされており、トピック関連テキストも日本語で作成されている場合を示している。

次に、対応付け部３５は、形態素の内、自立語を用いて、一形態素がベクトルの一次元に対応し、全形態素数がベクトルの次元数となるベクトルを生成する。具体的には、対応付け部３５は、図１２（ｂ）に示す、次元と単語との割り当て表を用いて、セグメント毎に、例えば、図１２（ａ）に示す単語ベクトルを生成する。このとき、対応付け部３５は、次元と単語との割当表で次元が設定された形態素が、各セグメントを構成する形態素に存在している場合は、対応する次元の要素の値を１とし、存在していない場合は、対応する次元の要素の値を０とする。図１２（ａ）は、実施例１で得られた単語ベクトルの一例を示す図であり、図１２（ｂ）は、実施例１で用いられる次元と単語との割り当て表の一例を示す図である。

次に、対応付け部３５は、生成したトピック関連テキストのセグメントの単語ベクトルと分析対象テキスト内の各セグメントの単語ベクトルとのコサイン類似度を算出する。例えば、上記したＩＤ＝３(トピック関連テキスト)とＩＤ＝３１（分析対象テキスト）とのコサイン類似度ｃｏｓｉｎｅ(ＩＤ＝３，ＩＤ＝３１)は下記の数１の通りとなる。また、ＩＤ＝３とＩＤ＝３４（分析対象テキスト）とのコサイン類似度は、下記の数２の通りとなる。

また、会話が英語でなされており、トピック関連テキストも英語で作成されている場合は、応対メモの形態素解析の結果、及び認識結果から得られる形態素解析の結果は、図２０（ａ）〜（ｃ）に示す通りとなる。図２０（ａ）は、図１０に示した応対メモが英語で作成されている場合の形態素解析の結果を示す図であり、図２０（ｂ）及び図２０（ｃ）は、それぞれ、図７に示した会話が英語でなされたときの認識結果から得られる形態素解析の結果を示す図である。

更に、会話が英語でなされており、トピック関連テキストも英語で作成されている場合は、図２１（ｂ）に示す割り当て表が用いられ、図２１（ａ）に示す単語ベクトルが作成される。図２１（ａ）は、実施例１で得られた単語ベクトルの他の例を示す図であり、図２１（ｂ）は、実施例１で用いられる次元と単語との割り当て表の他の例を示す図である。また、単語ベクトルが図２１（ａ）に示す例となる場合、コサイン類似度ｃｏｓｉｎｅ(ＩＤ＝３，ＩＤ＝３１)の値は０（ゼロ）となり、コサイン類似度ｃｏｓｉｎｅ(ＩＤ＝３，ＩＤ＝３４)の値は０．８７となる。

次に、対応付け部３５は、算出したコサイン類似度が閾値以上である場合に、この場合の分析対象テキストのセグメントとトピック関連テキストのセグメントとを対応付ける。これにより、対応付け部３５での処理が実現される。なお、閾値は、例えば、教師データや予備実験等を用いて、予め設定される。

ここで、上述した処理による結果の例を図１３に示す。図１３は、実施例１で実行された対応付け処理の結果の一例を示す図である。図１３において、トピック関連テキストのセグメントＩＤの下段にあるＩＤが、対応付けられた分析対象テキストのセグメントＩＤである。また、対応付けられた分析対象テキストのセグメントは一つに限らず、複数個が一つのトピック関連テキストのセグメントに対応付けられていても良い。なお、図１３において、「×」は、分析対象テキスト内のいずれのセグメントも対応付けられていないことを示している。

また、本実施例１においては、実施の形態１で述べたように、分析対象テキストとトピック関連テキストとは、同一事象について記載されているという特徴がある。よって、本実施例１では、対応付け部３５が、この特徴に基づき、対応付けの際に、トピック関連テキストの各セグメントに、少なくとも一つの分析対象テキストのセグメントを対応付ける、といった制約が設定されていても良い。この場合は、上述したコサイン類似度が閾値以下にしかならない、トピック関連テキストのセグメントであっても、コサイン類似度が最も高くなる分析対象テキストのセグメントに対応付けられる。これにより、対応する分析対象テキストのセグメントが存在するにも拘わらず、使用されている単語の異なりが多く、コサイン類似度が低いために、トピック関連テキストのセグメントが、分析対象テキスト内のどのセグメントにも対応付けられない、といった誤った事態の発生が抑制される。

更に、対応付け部３５は、対応付けの結果と共に、図１４に示す「対応度スコア」を出力することもできる。対応度スコアは、分析対象テキスト内のセグメントとトピック関連テキスト内のセグメントとが、互いにどの程度対応付いているかという内容の一致度を表している。本実施例１では、例えば、「対応度スコア」として、コサイン類似度が用いられている。図１４は、実施例１で実行された対応付け処理の結果の他の例を示す図である。

また、分析対象テキストとトピック関連テキストとは同一の事象について記載されているため、殆どの場合、分析対象テキストには、トピック関連テキストに関連した部分が、存在していると考えられる。よって、同一の情報に関するセグメント同士の対応付けは、一般的なセグメント間のアライメントによって行うことも可能であると考えられる。従って、対応付け部３５の他の例として、従来からのアライメント処理を実行可能な対応付け部３５も挙げられる。

例えば、従来からのアライメント処理の例の一つが、下記の参考文献１に記載されている。参考文献１に開示のアライメント処理において、分析対象テキストのセグメントと、トピック関連テキストのセグメントとを入力とすれば、対応付けが実現できる。また、参考文献１に開示のアライメント処理では、二つのセグメントに対するアライメントスコア（値が高い程、二つのセグメントの対応の度合いが高いことを示すスコア）が計算され、得られた値に基づいて、アライメントが実行される。従って、対応付け部３５によってアライメント処理が実行されるのであれば、アライメントスコアが「対応度スコア」として用いられていても良い。

（参考文献１）
R. Barzilay and N. Elhadad, “Sentence
Alignment for Monolingual Comparable Corpora”, In
Proceedings of the Conference on Empirical Methods in NaturalLanguage
Processing (EMNLP 2003), pp.25-32, 2003.

［ステップＡ４］
続いて、潜在トピック語抽出部３２（単語抽出部３６）は、関連箇所特定部３１からの結果を受け取り、分析対象テキストの中でトピック関連テキストに関連付けられた箇所から、特定のトピックに関連する可能性が高い単語を抽出する。具体的には、単語抽出部３６は、ステップＡ３によって得られた、分析対象テキストのトピック関連テキストへの対応付けの結果を受け取る。そして、単語抽出部３６は、分析対象テキスト内のセグメントの内、トピック関連テキスト内のセグメントに対応付けられたセグメントを、トピック関連テキストとの関連箇所として特定する。次いで、単語抽出部３６は、特定したセグメント内の単語を、特定のトピックに関連する可能性が高い単語として抽出する。

ここで、本実施例１における単語抽出部３６の動作を、入力されたデータに応じて場合分けして説明する。先ず、単語抽出部３６に、トピック関連テキストの各セグメントに対応付けられた、分析対象テキストのセグメントのみが、入力された場合について説明する。具体的には、図１３に示した、対応付け処理の結果が入力される。

最初に、単語抽出部３６は、トピック関連テキスト内のセグメントに対応付けられた、分析対象テキスト内のセグメントを特定する。図１３の例では、単語抽出部３６は、セグメントＩＤ＝３０、３１、３３、及び３４を特定する。そして、単語抽出部３６は、セグメントＩＤ＝３０、３１、３３、及び３４のテキスト中の単語を抽出する。

また、このとき、単語抽出部３６は、形態素解析の結果に基づいて、単語を抽出する。例えば、図１３に示したセグメントＩＤ＝３１を例にとると、図１１（ｂ）に示した形態素解析の結果より、１１種類の単語が抽出される。この単語は、特定のトピックに関連する可能性が高いと考えられる。なお、英語の場合は、図２０（ｂ）に示した形態素解析の結果より、１２種類の単語が抽出される。

そして、単語抽出部３６は、抽出した単語を出力するが、このとき、抽出した単語と共に、抽出した単語が特定のトピックに関連する可能性を表す「トピック関連スコア」を出力することもできる。関連箇所特定部３１により特定されたセグメントは、トピック情報に関連して記述された部分であるので、該部分に多く含まれる単語程、その単語の特定のトピックに対する関連度合いは高いと考えられる。従って、トピック関連スコアとしては、例えば、抽出された単語毎に設定され、抽出された個数が多ければ多いほど、値が高くなるようなスコアが挙げられる。

トピック関連スコアを各単語の抽出個数とすると、「昨日（名詞−副詞可能）」（yesterday ; noun）は、トピック関連テキストのセグメントＩＤが２、分析対象テキストのセグメントＩＤが３１の場合に抽出されている。抽出されているセグメントの組は一つであるので、トピック関連スコアは「１」となる。なお、このような場合は、以下、（トピック関連テキストのセグメントＩＤ，分析対象テキストのセグメントＩＤ）＝（２，３１）と表す。

また、「表示（名詞−サ変接続）」（displayed ; verb-past participle）は、（トピック関連テキストのセグメントＩＤ，分析対象テキストのセグメントＩＤ）＝（３，３３），（３，３４）で抽出される。抽出されているセグメントの組は二つであるので、トピック関連スコアは「２」となる。

次に、単語抽出部３６に、トピック関連テキストの各セグメントに対応付けられたセグメントと、対応度スコアとが入力された場合について説明する。具体的には、図１４に示した、対応度スコアが付与された対応付け処理の結果が入力される。

なお、この場合においても、単語抽出部３６は、上記の対応度スコアが入力されなかった例と同様に、セグメントを特定し、特定したセグメントから単語を抽出する。また、単語抽出部３６は、抽出した単語のみを出力しても良いし、抽出した単語と共に、トピック関連スコアを出力しても良い。更に、この場合のトピック関連スコアとしても、上述した、抽出された単語毎に設定され、抽出された個数が多ければ多いほど、値が高くなるスコアを用いることができる。

また、単語抽出部３６は、例えば、各単語について、該単語を含むセグメント同士に付与されている対応度スコアの和を求め、これをトピック関連スコアとしても良い。例えば、「昨日（名詞−副詞可能）」（yesterday ; noun）は、（トピック関連テキストのセグメントＩＤ，分析対象テキストのセグメントＩＤ）＝（２，３１）で抽出されるので、トピック関連スコアは「０．６」となる。

更に、「表示（名詞−サ変接続）」（displayed ; verb-past participle）は、（トピック関連テキストのセグメントＩＤ，分析対象テキストのセグメントＩＤ）＝（３，３３）、（３，３４）で抽出されるので、トピック関連スコアは「１．１」（＝０．４＋０．７）となる。

また、単語抽出部３６は、各単語について、該単語を含む対応付けられたセグメント同士に付与されている対応度スコアのうち、最大値を求め、求めた最大値を該単語のトピック関連スコアとして扱うこともできる。この場合、「昨日（名詞−副詞可能）」（yesterday ; noun）のトピック関連スコアは「０．６」となる。また、「表示（名詞−サ変接続）」（displayed ; verb-past participle）のトピック関連スコアは「０．７」（＝ｍａｘ（０．４，０．７））となる。

［ステップＡ５］
続いて、統計的モデル生成部３３は、入力装置１０から、トピック関連テキストを受け取り、潜在トピック語抽出部３２から、ステップＡ４の抽出結果を受け取る。そして、統計的モデル生成部３３は、これらを用いて、分析対象テキスト内の各単語の特定のトピックに対する出現度合いを推定する統計的モデルを生成する。この時、統計的モデル生成部３３は、トピック関連テキスト内の単語及びステップＡ４で抽出された単語に対して、特定のトピックでの出現度合いが高まるように、統計的モデルを生成する。

具体的には、統計的モデル生成部３３は、例えば、以下の数３によって、各単語に対する特定のトピックでの出現度合いが与えられる、統計的モデルを構築する。

ここで、上記数３において、ｗは単語、ｔは特定のトピック、Ｐ（ｔ｜ｗ)は単語ｗの特定のトピックｔでの出現確率を示す。また、Ｐ_{ｔｏｐｉｃ}（ｗ）は、単語ｗのトピック関連スコアを０以上１以下に正規化することによって得られた値である。なお、統計的モデル生成部３３の入力にトピック関連スコアが与えられなかった場合では、Ｐ_{ｔｏｐｉｃ}（ｗ）は、単語ｗがステップＡ４で抽出された単語リストに出現している場合に１となり、出現しなかった場合に０となる。

Ｅｘｉｓｔ_２（ｗ）は、単語ｗのトピック関連テキストでの出現状況を表す。具体的には、Ｅｘｉｓｔ_２（ｗ）としては、例えば、単語ｗがトピック関連テキストに出現した回数を用いることができる。また、Ｅｘｉｓｔ_２（ｗ）としては、例えば、単語ｗがトピック関連テキストに出現した場合に１、出現しなかった場合に０とする値を用いることができる。

また、上記のトピック関連スコアの正規化は、例えば、次の処理により実現できる。まず、トピック関連スコアに負の値があった場合は、各トピック関連スコアに最小のトピック関連スコアを加算し、全てのトピック関連スコアを０以上の値にする。そして、全てのトピック関連スコアを０以上の値にする補正の後に、各トピック関連スコアを、補正後のトピック関連スコアの最大の値で除算することにより、０以上１以下への正規化が実現できる。

よって、上記数３によって出現度合いが与えられる統計的モデルを生成すれば、トピック関連テキスト及びステップＡ４で抽出した単語リストに出現する単語における、特定のトピックでの出現度合いが高くなる統計的モデルが生成される。

また、本実施例１では、統計的モデル生成部３３は、統計的モデルを生成する際、予め作成された、特定のトピックについての既存の統計的モデルを使用することもできる。つまり、統計的モデル生成部３３は、既定の統計的モデルで定められている各単語の特定のトピックでの出現度合いを補正する事で、分析対象テキスト内の各単語の特定のトピックに対する出現度合いを推定する統計的モデルを生成することもできる。このような既存の統計的モデルとしては、例えば、単語を入力とした場合に、該単語が特定のトピックに出現する度合いとして、出現の確率を出力する、統計的モデルが挙げられる。具体的には、このような統計的モデルを使用する場合は、統計的モデル生成部３３は、例えば、以下の数４を用いて、特定のトピックでの出現度合いを変更する事により、統計的モデルを生成する。

ここで、上記数４において、ｗ、ｔ、Ｅｘｉｓｔ_２（ｗ）、及びＰ_{ｔｏｐｉｃ}（ｗ）の定義は、上記数３における定義と同じである。また、Ｐ_ｏｌｄ（ｔ｜ｗ)は、入力として与えられた既存の統計的モデルで定義されている、単語ｗの特定のトピックｔにおける出現確率ｗを示す。Ｐ_ｎｅｗ（ｔ｜ｗ)は、補正後の単語ｗの特定のトピックｔにおける出現確率を示す。

また、本実施例１では、既存の統計的モデルは、例えば、単語を入力とした場合に、該単語が特定のトピックに出現する度合いとして、出現し易い単語ほど値が大きくなり、出現し難い単語ほど値が小さくなるスコアを出力しても良い。このような統計的モデルを使用する場合、統計的モデル生成部３３は、例えば、以下の数５を用いて、特定のトピックに対する出現度合いを変更する事により、統計的モデルを生成する。

ここで、上記数５において、ｗ、ｔ、及びＥｘｉｓｔ_２（ｗ）の定義は、上記数３における定義と同じである。また、ＳＣ_{ｔｏｐｉｃ}（ｗ）は、単語ｗのトピック関連スコア、又は単語ｗのトピック関連スコアを０以上１以下に正規化することによって得られた値である。なお、統計的モデル生成部３３の入力にトピック関連スコアが与えられなかった場合では、ＳＣ_{ｔｏｐｉｃ}（ｗ）は、単語ｗが、ステップＡ４で抽出された単語リストに出現した場合に１となり、出現しなかった場合に０となる。また、ＳＣ_{ｔｏｐｉｃ}（ｗ）を得るための、トピック関連スコアの０以上１以下への正規化は、上記数３において説明した、Ｐ_{ｔｏｐｉｃ}（ｗ）の場合と同様の処理によって行われる。

また、上記数５において、ａは、予備実験や人手等によって予め定められた０より大きい実数である。Ｓｃｏｒｅ_ｏｌｄ（ｔ｜ｗ)は、入力で与えられた既存の統計的モデルによって定義されている、単語ｗの特定のトピックｔにおける出現度合いを示す。Ｓｃｏｒｅ_ｎｅｗ（ｔ｜ｗ)は、補正後の単語ｗの特定のトピックｔにおける出現度合いを示す。

このように、上記数４及び数５を用いた場合は、トピック関連テキスト内の単語、及び、ステップＡ４で抽出された単語について、出現度合いを高めるための補正が行われる。よって、これらの場合においても、上記数３を用いた場合と同様に、トピック関連テキスト内の単語及びステップＡ４で抽出された単語の特定のトピックでの出現度合いが高くなる統計的モデルが生成される。

また、本実施例１では、統計的モデル生成部３３は、統計的モデルを生成する際、統計的モデルの学習のために、特定のトピックに関するトピック関連テキスト以外のテキストを教師データとして使用することもできる。その場合の統計的モデル生成部３３の動作を以下に説明する。

先ず、統計的モデル生成部３３は、教師データとして入力された、特定のトピックに関するトピック関連テキスト以外のテキストに、二つのデータを加えて新たな教師データを作成し、新たな教師データを用いて、統計的モデルを生成する。この二つのデータとしては、ステップＡ４で抽出された単語と該単語のトピック関連スコアを０以上１以下に正規化して得られた値（以下「正規化値」という。）との組データのリスト、及びトピック関連テキストが挙げられる。

なお、トピック関連スコアの正規化処理は、上記数３におけるＰ_{ｔｏｐｉｃ}（ｗ）を求める場合のトピック関連スコアの正規化処理と同様の処理によって実現できる。また、統計的モデル生成部３３の入力として、トピック関連スコアが与えられなかった場合は、正規化値は１に設定される。

例えば、統計的モデル生成部３３は、新たな教師データを用いて、各単語が特定のトピックに関して出現する確率を、「単語ｗの特定のトピックでの出現確率＝（単語ｗが出現した特定のトピックのデータ数）／（特定のトピックの全データ数）」のように求める。

但し、「ステップＡ４で抽出された単語と該単語の正規化値との組データのリスト」のデータ数は、単語ｗが出現していた場合に、「１」増加させるのではなく、単語ｗのトピック関連スコアを正規化して得られた値の分だけ増加させる。

そして、統計的モデル生成部３３は、以上のようにして求めた単語ｗのトピックでの出現確率と単語ｗとのペアを、統計的モデルとする。また、その他、統計的モデル生成部３３は、新たな教師データの内、特定のトピックに関するデータを正例、該トピック以外に関するデータを負例とし、そして、ＭＥやＳＶＭなどの学習アルゴリズムを用いて、統計的モデルを生成することもできる。

具体的には、統計的モデル生成部３３は、教師データ中の各データから、データ内の単語と該データでの単語の出現度合いとの組データのリストを作成し、これを上記の学習アルゴリズムに入力する。この時、統計的モデル生成部３３は、単語の出現度合いについては、該単語が出現した場合を「１」とし、出現しなかった場合を「０」として扱っても良いし、出現した場合を「出現回数」とし、出現しなかった場合を「０」として扱っても良い。但し、「ステップＡ４で抽出された単語と、該単語の正規化値との組データのリスト」のデータ数は、該単語が出現した場合は「トピック関連スコアを正規化した値（正規化値）」とし、出現しなかった場合は「０」とする。

［ステップＡ６］
最後に、統計的モデル生成部３３は、ステップＡ５で生成された統計的モデルを出力装置２０に出力する。統計的モデルは、図１５又は図１６に示すように、分析対象テキスト内の単語が入力されると、該単語の特定のトピックに関する出現度合いを出力する。ここで、出現度合いは、図１５に示す、単語の出現のし易さを示す確率であっても良いし、図１６に示す、出現し易いほど値が大きくなり、出現し難いほど値が小さくなるスコアであっても良い。図１５は、実施例１によって得られる統計的モデルの一例を示す図である。図１６は、実施例１によって得られる統計的モデルの他の例を示す図である。

（実施例１の効果）
以下に、本実施例１の効果を説明する。一般に、何の関係もない任意の対となったテキスト間においては、セグメント間の単語が似ていても、これらセグメント同士が同じ情報を示し、同一のトピックに関連しているとは限らないと考えられる。これに対して、本実施例１では、分析対象テキストと、トピック関連テキストとは、同一の事象について記載されているので、トピック関連テキストに関連した部分が、分析対象テキストに存在している場合がほとんどである。このため、ある程度、単語類似度が高い場合は、セグメント間において、情報は関連し、且つ、それぞれが関連するトピックは同一である可能性が高いと考えられる。

そして、上記の考えの下、対応付け部３５は、セグメント間の単語類似度が高いか否かに基づいて対応付けを行っている。この場合、トピック関連テキストに対応付けられた分析対象テキストのセグメントは、特定のトピックに関連している可能性は高くなる。更に、上述の通り、統計的モデル生成部３３は、対応付け部３５によってトピック関連テキストのセグメントに対応付けられた、分析対象テキストのセグメント中の単語を、特定のトピックに関して出現する単語として捉える。そして、統計的モデル生成部３３は、該単語の特定のトピックに対する出現度合いが高くなるよう、統計的モデルを生成する。

従って、本実施例１では、統計的モデルの生成において、トピック関連テキストに出現しなかったトピックに関する単語が補完されることとなる。よって、トピック関連テキストと、分析対象テキスト内のトピックに書かれた部分とが同一でなくても、更に使用される単語が異なる場合でも、統計的モデルの推定精度の向上が図られることとなる。

例えば、本実施例１において、「エラー」という単語は、分析対象テキスト（通話音声認識結果（受付ＩＤ＝３１１））において、特定のトピック（故障状況）で使用される単語である。しかし、この単語は、トピック関連テキスト（応対メモ（受付ＩＤ＝３１１））には出現していない。従って、トピック関連テキスト内に出現する単語のみからしか学習を行わない、上記非特許文献１及び２の技術では、「エラー」という単語が特定のトピックで出現する事を学習することは極めて困難である。この場合、生成される統計的モデルの推定精度は、低下してしまう。

これに対して、本実施例１では、トピック関連テキストのセグメントに対応付けられた、分析対象テキストのセグメント（セグメントＩＤ＝３３、３４）中には「エラー」が含まれている。よって、「エラー」は特定のトピックの事例として考慮され、この単語の特定のトピックでの出現度合いが高まるように、統計的モデルが生成されるので、推定精度の向上が図られることとなる。

また、本実施例１では、潜在トピック語抽出部３２を構成する単語抽出部３６は、抽出された単語がトピック情報に関連する程度を示すトピック関連スコアを算出することができる。実施の形態１で述べたように、トピック関連スコアは、特定のトピックに関連する程度が高い程、値が高くなるように設定されている。

例えば、トピック関連スコアとしては、関連箇所特定部３１によって対応付けられたセグメント内に含まれる、各単語の個数を用いることができる。この場合、本実施例１のステップＡ４において記述したように、単語「表示」のトピック関連スコアは「２」となる。一方、単語「何か」のトピック関連スコアは「１」となる。このため、単語「表示」の方が、単語「何か」より、「故障状況」というトピックに関連していると判断できる。従って、潜在トピック語抽出部３２により、トピック関連度スコアを算出し、統計的モデル生成部３３により、トピック関連スコアが高い単語程、特定のトピックでの出現度合いが高まるように統計的モデルを生成するのが良い。これにより、統計的モデルの推定精度の向上が図られることとなる。

また、本実施例１では、関連箇所特定部３１を構成する対応付け部３５は、対応度スコアを算出することができる。実施の形態１で述べたように、対応度スコアは、分析対象テキストのセグメントと対応先のトピック関連テキストのセグメントとの内容の一致の程度を示し、一致の程度が高い程、値が高くなるように設定されている。従って、この対応度スコアが高いほど、分析対象テキストのセグメントは、対応先のトピック関連テキストのセグメントと内容において一致し、特定のトピックに関する記述となっている可能性が高くなる。そのため、対応度スコアが高い箇所に含まれている単語ほど、特定のトピックに関与する可能性が高くなる。

例えば、図１３の例において、（３，３４）（＝（トピック関連テキストのセグメントＩＤ，分析対象テキストのセグメントＩＤ））の対応度スコアは、（３，３３）（＝上記と同様）の対応度スコアより高くなっている。このため、セグメントＩＤが３３の分析対象テキストに含まれている単語「？」よりも、セグメントＩＤが３４の分析対象テキストに含まれている単語「ＸＸＸ」の方が、「故障状況」というトピックに深く関与している事が分かる。従って、関連箇所特定部３１により対応度スコアを算出し、潜在トピック語抽出部３２により、対応度スコアが高い程トピック関連スコアが高くなるように設定し、統計的モデル生成部３３により、関連スコアを用いて、対応度スコアの情報を間接的に利用するのが良い。これにより、統計的モデルの推定精度の向上が図られることとなる。

（実施例２の動作）
次に、図１７を参照しながら、実施の形態２における情報分析装置及び情報分析方法の具体的な実施例を説明する。また、以下においては、図４に示したフロー図に沿って、実施の形態２における情報分析装置の動作を説明する。なお、適宜、図３も参酌する。

本実施例２においても、実施例１と同様に、分析対象テキストは、図７に示された、コールセンターにおける通話音声を音声認識することによって得られた音声認識テキストである。また、トピック関連テキストは、図８に示された、図７に示す音声認識テキストの認識の元となった通話から作成された応対メモにおける、「故障状況」の欄に記載されたテキストである。更に、本実施例２においても、実施例１と同様に、図７に示す音声認識テキスト（受付ＩＤ＝３１１）内の各単語について、図８に示す応対メモの「故障状況」というトピックに対する出現度合いを推定する、統計的モデルを生成する過程を挙げて説明する。

［ステップＢ１〜ステップＢ４］
最初に、ステップＢ１〜Ｂ４が実行される。本実施例２におけるステップＢ１〜Ｂ４は、実施例１におけるステップＡ１〜Ａ４と同様に行われる。但し、本実施例２では、ステップＢ４において、単語抽出部１３６は、抽出した単語、又は抽出した単語とそのトピック関連スコアとを出力するのに加え、各単語が属していたセグメントＩＤも共に出力することができる。この場合、出力されたセグメントＩＤは、フィルタリング部１３７での処理に使用される。

例えば、入力が図１３に示す例である場合は、単語「表示」に関して、「表示（ＩＤ：３３）」と「表示（ＩＤ：３４）」とが出力される。また、入力が図１４に示す例である場合は、「表示（対応度スコア：０．４、ＩＤ：３３）」と「表示（対応度スコア：０．７、ＩＤ：３４）」とが出力される。

［ステップＢ５］
続いて、フィルタリング部１３７は、ステップＢ４で抽出された単語の中から、特定のトピックに関連する可能性が特に高い単語を特定し、特定した単語を出力する。このとき、フィルタリング部１３７は、例えば、上述した実施の形態２で説明した、上記（１）〜（６）のいずれかに該当する単語を特定する。言い換えると、フィルタリング部１３７は、単語の種類、単語の出現回数、単語の位置、単語の共通語からの距離、共通語を含む節からの係り受け距離、及びこれらの組み合わせを判断の基準に用いて、単語の特定を行う。ここで、フィルタリング部１３７の動作を、入力されるデータの種類と単語の特定で用いられる基準の種類とに応じて場合分けし、以下に場合毎に説明する。

［ステップＢ５：場合１］
まず、フィルタリング部１３７に、トピック関連テキスト内のセグメントに対応付けられた、分析対象テキスト内のセグメント中の単語、又は該単語と該単語が属するセグメントＩＤとが入力された場合の動作を説明する。この場合、トピック関連スコアは、フィルタリング部１３７には入力されていない。また、以下の説明では、具体例として、フィルタリング部１３７に、分析対象テキストのセグメントＩＤ＝３１内の１１種類（英語の場合は１２種類）の単語が入力された場合を挙げ、この場合の動作を説明する。

フィルタリング部１３７が、品詞などの単語の種類を基準にして、特定のトピックである可能性が特に高い単語を特定する場合は、予め、特定のトピックに該当する可能性が特に高い単語の種類が設定され、これにより、単語の特定が実現される。例えば、自立語は特定のトピックである可能性が特に高いと定めておくと、上記の具体例において「で」、「昨日」、「印刷」、「出来」、及び「なっ」が特定される。英語の場合は、「And」、「nothing」、「has」、「come」、「printer」、「yesterday」が特定される。また、単語の品詞又は種類に応じて特定トピックである可能性の高さを示すスコアが、予め、人手によって、単語の品詞又は種類毎に設定されていても良い。この場合、フィルタリング部１３７は、各単語の品詞又は種類から、予め設定されたスコアを特定し、該スコアをトピック関連スコアとして出力することができる。

フィルタリング部１３７が、単語の出現回数を基準にして、特定のトピックである可能性が特に高い単語を特定する場合は、例えば、入力となった単語集合に対して、出現回数の閾値が設定される。そして、フィルタリング部１３７は、出現回数が閾値以上の単語を特定する。なお、閾値の設定は、例えば、予め実施された予備実験等の結果を基にして、人手によって行うことができる。また、この場合、フィルタリング部１３７は、単語の出現回数を該単語のトピック関連スコアとして出力することができる。

また、フィルタリング部１３７は、単語の位置を基準にして、特定のトピックである可能性が特に高い単語を特定する場合は、先ず、共通語を特定する。そして、フィルタリング部１３７は、共通語が位置する節の中に位置している単語（節が同一の単語）を特定する。この場合、特定された単語が、特定のトピックに関連する可能性が特に高い単語であると判定される。

実施の形態２において述べたように、共通語は、関連箇所特定部１３１によって特定された部分と、トピック関連テキストのトピック情報とに共通している単語である。例えば、フィルタリング部１３７は、関連箇所特定部１３１によって特定された部分に含まれる単語を特定し、トピック関連テキストのトピック情報を示す単語の内、特定された単語と原形の表層及び品詞において一致する単語を特定する。この特定された単語が、共通語となる。

また、フィルタリング部１３７は、予め用意された同義語辞書又は類義語辞書を用い、上記の最初に特定された単語の同義語又は類義となる単語を更に特定し、トピック関連テキストのトピック情報を示す単語の内、特定された単語と一致する単語も共通語とすることもできる。上記の具体例においては、共通語が、形態素解析の結果より得られた単語と表層及び品詞において一致する単語であり、かつ、自立語である単語とするならば、「昨日」と「印刷」とが共通語となる。

具体例において、「／」によって節の切れ目を表すとすると、セグメントＩＤ＝３１の節は、「で、／昨日から／印刷が／出来なくなって。」となる。ここで、共通語は、「昨日」と「印刷」とであるから、共通語と同一節内にある、「昨日」、「から」、「印刷」、及び「が」が単語として特定される。英語の場合、節は、「And,／nothing／has
come out of／the printer／since
yesterday.」となる。よって、共通語は、「yesterday」と「printer」とであるから、共通語と同一節内にある、「since」、「yesterday」、「the」、「printer」が特定される。

また、上記の場合、特定された単語のトピック関連スコアは、共通語に近い程高くなるように設定されていても良い。フィルタリング部１３７は、特定した単語と共に、各単語のトピック関連スコアを出力する事ができる。例えば、共通語のトピック関連スコアを「２」に設定し、その他の単語のトピック関連スコアとして、該単語に最も近い共通語からの距離の逆数を用いることができる。

また、フィルタリング部１３７は、単語の共通語からの距離を基準にして、特定のトピックである可能性が特に高い単語を判定する場合も、単語の位置を基準にする場合と同様に、先ず、共通語を特定する。そして、フィルタリング部１３７は、共通語からの距離が予め定められた閾値以下となる単語を特定する。この場合、閾値の設定は、予め実施された予備実験等の結果を基にして、人手によって行うことができる。

上記具体例において、例えば、閾値が２に設定されているとする。この場合、フィルタリング部１３７は、「昨日」及び「印刷」それぞれの前後２単語である、「で」、「、」、「昨日」、「から」、「印刷」、「が」、及び「出来」を特定する。英語の場合は、フィルタリング部１３７は、「printer」及び「yesterday」それぞれの前後２単語である、「of」、「the」、「printer」、「since」、「yesterday」及び「.」を特定する。また、上記の場合も、特定された単語のトピック関連スコアは、共通語に近い程高くなるように設定されていても良い。フィルタリング部１３７は、特定した単語と共に、各単語のトピック関連スコアを出力する事ができる。例えば、共通語のトピック関連スコアを２に設定し、その他の単語のトピック関連スコアとして、該単語に最も近い共通語からの距離の逆数を用いることができる。

更に、フィルタリング部１３７は、共通語を含む節からの係り受け距離を基準にして、特定のトピックである可能性が特に高い単語を判定する場合も、単語の位置を基準にする場合と同様に、先ず、共通語を特定する。そして、フィルタリング部１３７は、共通語を含む節からの係り受け距離が、予め定められた閾値以下となる単語を特定する。この場合、閾値の設定は、予め実施された予備実験等の結果を基にして、人手によって行うことができる。

また、本実施例２においては、ある節Ａとある節Ｂの係り受け距離としては、ある節Ａからある節Ｂまで係り受け関係を辿る際に通る係り受け関係の回数が用いられる。上記の具体例において、セグメントＩＤ＝３１の係り受けは図１７に示す通りとなる。図１７は、実施例２によって実行された係り受け解析の結果の一例を示す図である。なお、図１７は、会話が日本語でなされている場合を示している。

図１７に示すように、上記の具体例において、「で」と「出来なくなって」、「昨日から」と「出来なくなって」、「印刷が」と「出来なくなって」、それぞれにおいて係り受け関係の回数は１である。よって、それぞれの係り受け距離は１となる。また、上記の具体例において、共通語は「昨日」と「印刷」とであるので、例えば、閾値が１に設定されているとすると、図１７に示すように、「昨日」又は「印刷」を含む節との距離が１以内である節は、「昨日から」「印刷が」「出来なくなって。」となる。よって、フィルタリング部１３７は、「昨日」、「から」、「印刷」、「が」、「出来」、「なく」、「なっ」、「て」、及び「。」を特定する。

また、英語の場合は、セグメントＩＤ＝３１の係り受けは図２２に示す通りとなる。図２２は、実施例２によって実行された係り受け解析の結果の他の例を示す図である。図２２の例において、「And,」と「has come out of」、「nothing」と「has come out of」、「the printer」と「has come out of」、「since yesterday.」と「has come out of」、それぞれにおいて係り受け関係の回数は１である。よって、図２２の例でも、それぞれの係り受け距離１となる。更に、共通語は、「printer」と「yesterday」とであるので、この場合も閾値が１に設定されているとすると、「printer」又は「yesterday」を含む節との距離が１以内である節は、「has come out of」「the printer」「since yesterday.」となる。よって、フィルタリング部１３７は、「has」、「come」、「out」、「of」、「the」、「printer」、「since」、「yesterday」、「.」を特定する。

また、上記の図１７の例及び図２２の例の場合も、特定された単語のトピック関連スコアは、共通語を含む節に近い程高くなるように設定されていても良い。フィルタリング部１３７は、特定した単語と共に、各単語のトピック関連スコアを出力する事ができる。例えば、共通語のトピック関連スコアを２に設定し、その他の単語のトピック関連スコアとして、該単語が属する節と最も近い共通語を含む節との係り受け距離の逆数を用いることができる。

また、フィルタリング部１３７は、上記した基準を複数組み合わせることにより、特定のトピックに関連する可能性が特に高い単語を特定することもできる。この場合、フィルタリング部１３７は、例えば、各基準に基づく単語の特定によって得られた、各トピック関連スコアの和を求め、特定した単語と共に、トピック関連スコアの和を出力することもできる。

更に、基準に応じて重要度が変わる場合は、各基準に対して、重要度が高いものほど値が大きくなる重みが、予め付与されていても良い。この場合、フィルタリング部１３７は、該重みを用いて、それぞれの尺度により得られたトピック関連スコアの重みつき和を求めることができる。このようにして求められたトピック関連スコアの和も、特定された単語ともに、出力される。

また、フィルタリング部１３７は、上述のようにして特定された単語集合とトピック関連スコアの他に、単語抽出部１３６から入力された単語の内、特定のトピックに関連する可能性が特に高い単語であると判定しなかった単語も出力できる。その際、フィルタリング部１３７は、更に、判定されなかった該単語に加え、該単語のトピック関連スコアも出力できる。なお、判定されなかった該単語のトピック関連スコアは、フィルタリング部１３７により特定のトピックに関連する可能性が特に高いと判定された単語のトピック関連スコアの最小値より低い値に設定される。

［ステップＢ５：場合２］
次に、フィルタリング部１３７に、トピック関連テキスト内のセグメントに対応付けられた、分析対象テキスト内のセグメント中の単語、又は該単語と該単語が属するセグメントＩＤに加えて、単語抽出部１３６で算出されたトピック関連スコアが入力される場合の動作を説明する。

先ず、フィルタリング部１３７は、単語抽出部１３６から入力された各単語に対して、上述のトピック関連スコアが入力されない場合（ステップＢ５：場合１）と同様の動作により、トピック関連スコアを計算する。この場合のトピック関連スコアを「第一のトピック関連スコア」とする。

そして、フィルタリング部１３７は、単語抽出部１３６から単語と共に入力された各単語のトピック関連スコアと、第一のトピック関連スコアとの積を求め、これを「第二のトピック関連スコア」とする。次いで、フィルタリング部１３７は、求めた第二のトピック関連スコアが、予め定められた閾値以上となる単語を、特定のトピックである可能性が特に高い単語として特定する。

その後、フィルタリング部１３７は、特定された単語集合のみ、又は、特定された単語集合と、該単語集合の各単語の第二のトピック関連スコアとを共に出力する。また、フィルタリング部１３７は、特定された単語集合と、該単語集合の各単語の第二のトピック関連スコアとに加えて、第二のトピック関連スコアが閾値以下であった単語を特定する情報を出力することもできる。このとき、フィルタリング部１３７は、第二のトピック関連スコアが閾値以下であった単語と共に、その第二のトピック関連スコアを出力することもできる。

［ステップＢ６〜ステップＢ７］
ステップＢ５の実行後、統計的モデル生成部１３３によってステップＢ６が実行される。これにより、フィルタリング部１３７によって特定された単語の出現度合いが高められた統計的モデルが生成される。そして、統計的モデル生成部１３３は、ステップＢ６の実行後、ステップＢ７を実行する。本実施例２におけるステップＢ６及びＢ７は、実施例１におけるステップＡ５及びＡ６と同様に行われる。

（実施例２の効果）
以下に、本実施例２の効果を説明する。本実施例２では、実施例１と異なり、トピック関連テキストのセグメントに対応付けられた分析対象テキストのセグメントの単語の中から、フィルタリング部１３７によって、特定のトピックに関連する可能性が特に高い単語が特定される。また、本実施例２では、フィルタリング部１３７によって特定された単語の出現度合いが高くなるように統計的モデルが生成される。

このため、本実施例２によれば、特定のトピックへの関係が少ない単語の特定のトピックでの出現度合いが誤って高くなってしまうことが抑制されるので、統計的モデルの推定精度は、実施例１の場合よりも更に向上することとなる。

例えば、上述した具体例において、フィルタリング部１３７は、単語の特定の基準として、単語の種類、共通語を含む節内に単語が位置しているかどうかの情報、共通語を含む節からの係り受け距離等の基準を採用する。このため、フィルタリング部１３７は、採用した基準を用いて、単語を特定するので、分析対象テキスト内のセグメントＩＤ＝３１における「で」、「、」といった、特定のトピックには関係の薄い単語は、特定から排除される。よって、統計的モデルの生成においては、これらの単語の影響が緩和されるので、結果として、推定精度の高い統計的モデルの生成が可能となる。

（実施例３の動作）
次に、図１８を参照しながら、実施の形態３における情報分析装置及び情報分析方法の具体的な実施例を説明する。また、以下においては、図６に示したフロー図に沿って、実施の形態３における情報分析装置の動作を説明する。なお、適宜、図５も参酌する。

本実施例３においても、実施例１と同様に、分析対象テキストは、図７に示された、コールセンターにおける通話音声を音声認識することによって得られた音声認識テキストである。また、トピック関連テキストは、図８に示された、図７に示す音声認識テキストの認識の元となった通話から作成された応対メモにおける、「故障状況」の欄に記載されたテキストである。更に、本実施例３においても、実施例１と同様に、図７に示す音声認識テキスト（受付ＩＤ＝３１１）内の各単語について、図８に示す応対メモの「故障状況」というトピックに対する出現度合いを推定する、統計的モデルを生成する過程を挙げて説明する。

［ステップＣ１〜ステップＣ４］
最初に、ステップＣ１〜Ｃ４が実行される。本実施例３におけるステップＣ１〜Ｃ４は、実施例１におけるステップＡ１〜Ａ４と同様に行われる。

［ステップＣ５］
ステップＣ４と同時に、又はステップＣ４の後に、共通語抽出部２３７は、ステップＣ５を実行する。具体的には、共通語抽出部２３７は、先ず、ステップＣ３における解析によって得られた、分析対象テキストとトピック関連テキストとの対応付けの結果を受け取る。そして、共通語抽出部２３７は、トピック関連テキスト中の単語から、分析対象テキスト中の特定のトピックの部分で使用された単語を抽出する。

具体的には、共通語抽出部２３７は、トピック関連テキスト中の単語の内、対応付けられた分析対象テキストのセグメントの単語と、共通の単語（共通語）とを抽出する。実施例３における「共通語」の定義は、実施例２のステップＢ５で特定される共通語の定義と同義である。ここで、共通語抽出部２３７の動作を、入力されるデータの種類に応じて場合分けし、以下に場合毎に説明する。

［ステップＣ５：場合１］
まず、共通語抽出部２３７に、対応度スコアは入力されず、トピック関連テキストの各セグメントに対応付けられたセグメントのみが入力された場合の動作を説明する。例えば、入力が図１３に示す例である場合、共通語抽出部２３７は、トピック関連テキストのセグメント中に含まれる単語のうち、対応付けられた分析対象テキストのセグメントに含まれる単語と、原形の表層及び品詞において一致する単語とを、共通語として抽出する。これにより、図１８に示す結果が得られる。図１８は、実施例３によって抽出された共通語の一例を示す図である。

そして、共通語抽出部２３７は、図１８に示された共通語を出力する。また、共通語抽出部２３７は、抽出された共通語に加え、それが、分析対象テキスト中の特定のトピックに関する部分で使用されている可能性を示す「記載スコア」を出力することもできる。

記載スコアは、実施の形態３で述べたように、分析対象テキスト中の特定のトピックに関する部分で使用されている可能性が高い程、値が高くなるように設定される。具体的には、共通語抽出部２３７は、記載スコアとして、各単語の抽出個数を用いることができる。この場合、例えば、単語「プリンター」は、（トピック関連テキストのセグメントＩＤ，分析対象テキストのセグメントＩＤ）＝（１，３０）において抽出される。よって、記載スコアは「１」となる。また、単語「表示」は、（トピック関連テキストのセグメントＩＤ，分析対象テキストのセグメントＩＤ）＝（３，３３）と、（３，３４）とで抽出される。よって、記載スコアは「２」となる。

［ステップＣ５：場合２］
次に、共通語抽出部２３７に、トピック関連テキストの各セグメントに対応付けられたセグメントと共に、対応度スコアが入力された場合の動作を説明する。この場合、共通語抽出部２３７は、対応度スコアが入力されなかった上記の場合と同様にして、共通語を抽出する。また、この場合も、共通語抽出部２３７は、抽出した共通語のみを出力しても良いし、抽出した共通語と共に、共通語の記載スコアを出力することもできる。

共通語抽出部２３７は、例えば、共通語が複数のセグメント組に含まれている場合は、組毎の共通語の対応度スコアを求め、これらを合算し、得られた和を記載スコアとして設定できる。共通語抽出部２３７に、図１４に示された例が入力されている場合について説明する。「プリンター」は、（トピック関連テキストのセグメントＩＤ，分析対象テキストのセグメントＩＤ）＝（１，３０）で、つまり、一のセグメント組でのみ抽出されるので、記載スコアは「０．７」である。一方、「表示」は、（トピック関連テキストのセグメントＩＤ，分析対象テキストのセグメントＩＤ）＝（３，３３）と（３，３４）との二つのセグメント組で抽出される。よって、このときの記載スコアは「１．１」（＝０．４＋０．７）となる。

また、共通語抽出部２３７は、共通語が複数のセグメント組に含まれている場合は、共通語に付与された対応度スコアを組同士で対比して、最大の対応度スコアを求め、これを記載スコアとして設定することもできる。共通語抽出部２３７に、図１４に示された例が入力されている場合について説明する。この場合、「プリンター」は、一のセグメント組でのみ抽出されており、記載スコアは「０．７」となる。一方、「表示」は、それぞれ二つのセグメント組で抽出されている。そして、一方のセグメント組では対応度スコアは０．４であり、他方のセグメント組では対応度スコアは０．７である。従って、記載スコアは「０．７」（＝ｍａｘ（０．４，０．７））となる。

［ステップＣ６］
ステップＣ４及びＣ５に続いて、統計的モデル生成部２３３は、入力装置２１０から、トピック関連テキストを受け取り、潜在トピック語抽出部２３２から、ステップＣ４での単語の抽出結果を受け取る。本実施例３では、実施例１及び２と異なり、統計的モデル生成部２３３は、共通語抽出部２３７から、ステップＣ５での共通語の抽出結果も受け取る。そして、統計的モデル生成部２３３は、これらの結果を用いて、分析対象テキスト内の各単語の特定のトピックでの出現度合いを推定する統計的モデルを生成する。

また、統計的モデル生成部２３３は、この場合、ステップＣ４で抽出された単語の特定のトピックでの出現度合いが高まるように、統計的モデルを生成する。また、統計的モデル生成部２３３は、特定のトピックにおいて、ステップＣ５で抽出された共通語の出現度合いが、トピック関連テキスト中の該共通語以外の単語の出現度合いより高くなるようにもして、統計的モデルを生成する。

以下に、本実施例３における統計的モデル生成部２３３の動作を具体的に説明する。具体的には、統計的モデル生成部２３３は、例えば、以下の数６によって、各単語に対する特定のトピックでの出現度合いが与えられる、統計的モデルを構築する。

ここで、上記数６において、ｗ、ｔ、Ｐ（ｔ｜ｗ)、Ｐ_{ｔｏｐｉｃ}（ｗ）、及びＥｘｉｓｔ_２（ｗ）の定義は、上記数３における定義と同じである。また、上記数６において、Ｐ_{ｃｏｍｍｏｎ}（ｗ）は、単語ｗがステップＣ５で抽出された共通語であった場合、共通語ｗの記載スコアを０以上１以下に正規化することによって得られた値であり、単語ｗが前記共通語でなかった場合、０である。なお、統計的モデル生成部２３３の入力にトピック関連スコアが与えられなかった場合では、Ｐ_{ｃｏｍｍｏｎ}（ｗ）は、単語ｗがステップＣ５で抽出された共通語であった場合は１となり、単語ｗが前記共通語でなかった場合は０となる。また、記載スコアの０以上１以下への正規化は、上記数３において説明した、トピック関連スコアの正規化の場合と同様の処理によって行われる。

従って、上記数６では、Ｐ_{ｔｏｐｉｃ}（ｗ）及びＥｘｉｓｔ_２（ｗ）により、トピック関連テキスト内の単語、及び、ステップＣ４で抽出された単語リストに出現する単語の、特定のトピックでの出現度合いが高くなる、統計的モデルが生成される。また、上記数６では、Ｐ_{ｃｏｍｍｏｎ}（ｗ）により、ステップＣ５で抽出された共通語の出現度合いが、トピック関連テキスト中の共通語以外の単語の出現度合いよりも高くなる、統計的モデルが生成される。

また、本実施例３においても、実施例１と同様に、統計的モデル生成部２３３は、統計的モデルを生成する際、予め作成された、特定のトピックについての既存の統計的モデルを使用することができる。この場合、統計的モデル生成部２３３は、該既定の統計的モデルで定められている各単語の特定のトピックでの出現度合いを補正する事により、分析対象テキスト内の各単語の特定のトピックに対する出現度合いを推定する統計的モデルを生成する。このような既存の統計的モデルとしては、例えば、単語を入力とした場合に、該単語が特定のトピックに出現する度合いとして、出現の確率を出力する、統計的モデルが挙げられる。具体的には、このような統計的モデルを使用する場合は、統計的モデル生成部２３３は、例えば、以下の数７を用いて、特定のトピックでの出現度合いを変更することにより、統計的モデルを生成する。

ここで、上記数７において、ｗ、ｔ、Ｐ_{ｔｏｐｉｃ}（ｗ）、Ｅｘｉｓｔ_２（ｗ）の定義は、上記数３における定義と同じである。Ｐ_{ｃｏｍｍｏｎ}（ｗ）の定義は、上記数６における定義と同じである。また、Ｐ_ｎｅｗ（ｔ｜ｗ)及びＰ_ｏｌｄ（ｔ｜ｗ)の定義は、上記数４における定義と同じである。

また、本実施例３においても、実施例１と同様に、既存の統計的モデルは、例えば、単語を入力とした場合、該単語が特定のトピックに出現する度合いとして、出現し易い単語ほど値が大きくなり、出現し難い単語ほど値が小さくなるスコアを出力しても良い。このような統計的モデルを使用する場合、統計的モデル生成部２３３は、例えば、以下の数８を用いて、特定のトピックに対する出現度合いを変更する事により、統計的モデルを生成する。

ここで、上記数８において、ｗ、ｔ、及びＥｘｉｓｔ_２（ｗ）の定義は、上記数３における定義と同じである。また、ａ、ＳＣ_{ｔｏｐｉｃ}（ｗ）、Ｓｃｏｒｅ_ｏｌｄ（ｔ｜ｗ)、及びＳｃｏｒｅ_ｎｅｗ（ｔ｜ｗ)の定義は、上記数５における定義と同じである。

ＳＣ_{ｃｏｍｍｏｎ}は、単語ｗがステップＣ５で抽出された共通語であった場合に、共通語ｗの記載スコア、又は共通語ｗの記載スコアを０以上１以下に正規化することによって得られる値であり、単語ｗが共通語でなかった場合は０となる。なお、統計的モデル生成部２３３の入力に記載スコアが与えられなかった場合では、ＳＣ_{ｃｏｍｍｏｎ}は、単語ｗがステップＣ５で抽出された共通語であった場合は１となり、単語ｗが共通語でなかった場合は０となる。また、この場合の記載スコアの正規化も、上記数３において説明した、トピック関連スコアの正規化の場合と同様の処理によって行われる。

このように、上記数７及び数８を用いた場合も、上記数６を用いた場合と同様に、トピック関連テキスト内、及び、ステップＣ４で抽出された単語リストに出現する単語の、特定のトピックでの出現度合いが高くなる、統計的モデルが生成される。更に、生成された統計的モデルでは、ステップＣ５で抽出された共通語の出現度合いが、トピック関連テキスト中の共通語以外の単語の出現度合いよりも高くなる。

また、本実施例３でも、実施例１と同様に、統計的モデル生成部２３３は、統計的モデルを生成する際、統計的モデルの学習のために、特定のトピックに対するトピック関連テキスト以外のテキストを教師データとして使用することができる。その場合の統計的モデル生成部２３３の動作を以下に説明する。

先ず、統計的モデル生成部２３３は、ステップＣ４で抽出された単語毎に、該単語のトピック関連スコアを０以上１以下に正規化し、値（以下「正規化値」という。）を計算する。このトピック関連スコアの正規化処理は、上記数３におけるＰ_{ｔｏｐｉｃ}（ｗ）を求める場合のトピック関連スコアの正規化処理と同様の処理によって実現できる。なお、統計的モデル生成部２３３の入力として、トピック関連スコアが与えられなかった場合は、正規化値は１に設定される。

そして、統計的モデル生成部２３３は、ステップＣ４で抽出された単語と、該単語のトピック関連スコアを０以上１以下に正規化して得られた正規化値との組データのリストを、教師データの一つとして使用する。

また、統計的モデル生成部２３３は、トピック関連テキスト内の各単語に、ステップＣ５の判定結果を基に、重みを付与する。この場合、ステップ５で抽出された共通語に対する重みを、共通語以外の単語に対する重みより大きく設定する。

例えば、統計的モデル生成部２３３は、ステップＣ５で抽出された共通語に対する重みを、「該単語の記載スコアを０以上１以下に正規化し、得られた値に１を足した値」に設定する。一方、統計的モデル生成部２３３は、共通語以外の単語に対する重みについては「１」に設定する。なお、この場合の記載スコアの正規化処理は、上述したＰ_{ｔｏｐｉｃ}（ｗ）を求めた場合のトピック関連スコアの正規化処理と同様の処理によって行われる。また、統計的モデル生成部２３３の入力として、記載スコアが与えられなかった場合は、ステップＣ５で抽出された共通語の重みは一律に「２」に設定される。

そして、統計的モデル生成部２３３は、上述のように単語に重みが設定されている場合は、重みが設定された単語を有するトピック関連テキストを、教師データの一つとして使用する。

このように、本実施例３では、統計的モデル生成部２３３は、教師データとして入力された、特定のトピックに対するトピック関連テキスト以外のテキストに、新たな二つの教師データを用いて、統計的モデルを生成する。新たな教師データは、ステップＣ４で抽出された単語と該単語の正規化値との組データのリストと、重みが設定された単語を有するトピック関連テキストとの二つのデータである。

例えば、統計的モデル生成部２３３は、新たな教師データを用いて、各単語が特定のトピックに関して出現する確率を、「単語ｗの特定のトピックでの出現確率＝単語ｗが出現した特定のトピックデータ数÷特定のトピックの全データ数」のように求める。

但し、「ステップＣ４で抽出された単語と該単語の正規化値との組データのリスト」のデータ数は、単語ｗが出現していた場合に、「１」増加させるのではなく、単語ｗのトピック関連スコアを正規化して得られた値の分だけ増加させる。また、「重みが設定された単語を持つトピック関連テキスト」のデータ数は、単語ｗが出現していた場合に、「１」増加させるのではなく、単語ｗに付与された重みの値の分だけ増加させる。

そして、統計的モデル生成部２３３は、以上のようにして求めた単語ｗのトピックでの出現確率と単語ｗとのペアを、統計的モデルとする。また、その他、統計的モデル生成部２３３は、新たな教師データの内、特定のトピックに関するデータを正例、該トピック以外に関するデータを負例とし、そして、ＭＥやＳＶＭなどの学習アルゴリズムを用いて、統計的モデルを生成することもできる。

具体的には、統計的モデル生成部２３３は、教師データ中の各データから、データ内の単語と該データでの単語の出現度合いとの組みデータのリストを作成し、これを上記の学習アルゴリズムに入力する。この時、統計的モデル生成部２３３は、単語の出現度合いについては、該単語が出現した場合を「１」とし、出現しなかった場合を「０」として扱っても良いし、出現した場合を「出現回数」とし、出現しなかった場合「０」として扱っても良い。

但し、「ステップＣ４で抽出された単語と、該単語の正規化値との組データのリスト」のデータ数は、該単語が出現した場合は「トピック関連スコアを正規化した値（正規化値）」とし、出現しなかった場合は「０」とする。また、「重みが設定された単語を有するトピック関連テキスト」のデータ数は、該単語が出現した場合は「単語の重み」とし、出現しなかった場合は「０」とする。

［ステップＣ７］
ステップＣ６の実行後、統計的モデル生成部２３３は、ステップＣ７を実行する。本実施例３におけるステップＣ７は、実施例１におけるステップＡ６と同様に行われる。

（実施例３の効果）
本実施例３では、実施例１及び２と異なり、統計的モデル生成部２３３は、特定のトピックについて、共通語抽出部２３７で抽出された共通語の出現度合いが、トピック関連テキスト中の共通語以外の単語の出現度合いよりも高くなるように、統計的モデルを生成する。このため、本実施例３では、実際には分析対象テキスト中の特定のトピック以外の部分で使用されている単語による、統計的モデルへの悪影響が緩和される。本実施例３によれば、統計的モデルの推定精度の更なる向上が図られる。

例えば、分析対象テキストが、図９に示した通話音声の認識結果(受付ＩＤ＝３１１)であり、特定のトピックが応対メモの「対応に関する要望」であるとする。また、トピック関連テキストが応対メモ（受付ＩＤ＝３１１）の「対応に関する要望」の部分に書かれたテキストであるとする。この場合に、トピック関連テキスト内の単語全てに対して、特定のトピックに関する出現度合いを高めるようにすると、単語「確認」についての、特定のトピック「対応に関する要望」での出現度合いが高められてしまう。しかし、単語「確認」は、分析対象テキストにおいては、応対メモの「電話での処置内容」に関するトピックでは出現するが、トピック「対応に関する要望」では出現していない。よって、単語「確認」のトピック「対応に関する要望」での出現度合いが低くなる統計的モデルを生成するべきである。

これに対して、本実施例３では、単語「確認」のトピック「対応に関する要望」での出現度合いが高くならないように統計的モデルが生成される。つまり、本実施例３では、トピック関連テキスト内の単語の内、分析対象テキスト中の特定のトピックに関して記述された部分に含まれる単語が、共通語として特定される。そして、トピック関連テキスト内の共通語以外の単語の特定のトピックでの出現度合いが高くならないように抑制される。

つまり、単語「確認」は、分析対象テキスト中の、トピック「対応に関する要望」に関して記述された部分には含まれていない、と判定され、単語「確認」のトピック「対応に関する要望」での出現度合いが高くならないように抑制される。従って、本実施例３によれば、統計的モデルの推定精度の更なる向上が図られ、分析対象テキストの解析により適した統計的モデルの生成が可能となる。

また、本実施例３においては、共通語抽出部２３７は、抽出された共通単語が分析対象テキスト中の特定のトピックに関する部分で使用されている可能性を示す記載スコアを算出することができる。記載スコアは、可能性が高い程、値が高くなるように設定されている。

例えば、記載スコアが、共通語抽出部２３７で抽出された共通語の抽出個数である場合、実施例３のステップＣ５において記述したように、単語「表示」の記載スコアは「２」となる。一方、単語「プリンター」の記載スコアは「１」となる。そのため、分析対象テキストの「故障状況」というトピックで出現度合いの高い、単語「表示」の記載スコアの方が、単語「プリンター」の記載スコアより大きくなる。従って、共通語抽出部２３７により、記載スコアを算出し、統計的モデル生成部２３３により、記載スコアが高い単語程、特定のトピックでの出現度合いが高まるように統計的モデルを生成するのが良い。これにより、分析対象テキストの解析により適した統計的モデルの生成が可能となる。

また、本実施例３では、関連箇所特定部２３１を構成する対応付け部２３５は、対応度スコアを算出し、該対応度スコアを用いて、記載スコアを算出する事もできる。対応度スコアは、分析対象テキストのセグメントと対応先のトピック関連テキストのセグメントとの内容の一致の程度を示し、一致の程度が高い程、値が高くなる。従って、対応度スコアが高い程、分析対象テキストのセグメントは、対応先のトピック関連テキストのセグメントと内容が一致し、特定のトピックに関する記述となっている可能性が高くなる。そのため、対応度スコアが高い箇所に含まれている単語程、特定のトピックに関与する可能性が高くなる。従って、対応度スコアが高い単語程、記載スコアをその値が高くなるように算出するのが好ましい。これにより、記載スコアは、分析対象テキストにおける特定のトピックに関する部分で使用されている可能性を表すスコアとして適切なものとなる。

なお、実施例２において、ステップＢ４及びステップＢ５の処理と並列してステップＣ５の処理を実行し、更に、ステップＢ６において、ステップＣ５の結果も入力し、ステップＣ６と同様の処理を行うこともできる。この場合は、実施例２においても、実施例３における効果が得られることとなる。

ここで、上述した実施の形態及び実施例におけるプログラムを実行することによって、情報分析装置を実現するコンピュータについて図２３を用いて説明する。図２３は、本発明の実施の形態及び実施例におけるプログラムを実行可能なコンピュータを示すブロック図である。

図２３に示すように、コンピュータ３１０は、ＣＰＵ３１１と、メインメモリ３１２と、記憶装置３１３と、入力インターフェイス３１４と、表示コントローラ３１５と、データリーダ／ライタ３１６と、通信インターフェイス３１７とを備える。これらの各部は、バス３２１を介して、互いにデータ通信可能に接続される。

ＣＰＵ３１１は、記憶装置３１３に格納されたプログラム（コード）をメインメモリ３１２に展開し、これらを所定順序で実行することにより、各種の演算を実施する。メインメモリ３１２は、典型的には、ＤＲＡＭ（Dynamic Random Access Memory）等の揮発性の記憶装置である。また、プログラムは、コンピュータ読み取り可能な記録媒体３２０に格納された状態で提供される。なお、プログラムは、通信インターフェイス３１７を介して接続されたインターネット上で流通するものであっても良い。

また、記憶装置３１３の具体例としては、ハードディスクの他、フラッシュメモリ等の半導体記憶装置が挙げられる。入力インターフェイス３１４は、ＣＰＵ３１１と、キーボード及びマウスといった入力機器３１８との間のデータ伝送を仲介する。表示コントローラ３１５は、ディスプレイ装置３１９と接続され、ディスプレイ装置３１９での表示を制御する。

データリーダ／ライタ３１６は、ＣＰＵ３１１と記録媒体３２０との間のデータ伝送を仲介し、記録媒体３２０からのプログラムの読み出し、及び処理結果の記録媒体３２０への書き込みを実行する。通信インターフェイス３１７は、ＣＰＵ３１１と、他のコンピュータとの間のデータ伝送を仲介する。

また、記録媒体３２０の具体例としては、ＣＦ（Compact Flash）及びＳＤ（Secure Digital）等の汎用的な半導体記憶デバイス、フレキシブルディスク（Flexible Disk）等の磁気記憶媒体、又はＣＤ−ＲＯＭ（Compact Disk
Read Only Memory）等の光学記憶媒体が挙げられる。

以上、実施の形態及び実施例を参照して本願発明を説明したが、本願発明は上記実施の形態及び実施例に限定されるものではない。本願発明の構成や詳細には、本願発明のスコープ内で当業者が理解し得る様々な変更をすることができる。

この出願は、２００９年６月２６日に出願された日本出願特願２００９−１５２７５８を基礎とする優先権を主張し、その開示の全てをここに取り込む。

本願発明における、情報分析装置、情報分析方法、及びコンピュータ読み取り可能な記録媒体は、以下の特徴を有する。

（１）分析対象となる第一のテキストに含まれる各単語についてのトピックに関する統計的モデルを生成する情報分析装置であって、
前記第一のテキストと同一の事象について記載され、且つ、特定のトピックに関する情報を含む第二のテキストと、前記第一のテキストとを対比し、前記第一のテキストにおける、前記第二のテキストの前記情報に関連している部分を特定する、関連箇所特定部と、
前記関連箇所特定部によって特定された前記部分に含まれる単語を抽出する、潜在トピック語抽出部と、
前記第一のテキストに含まれる各単語の前記特定のトピックでの出現度合いを推定する統計的モデルを生成する、統計的モデル生成部とを備え、
前記統計的モデル生成部は、前記第二のテキストに含まれる単語、及び前記潜在トピック語抽出部によって抽出された前記単語についての前記特定のトピックでの出現度合いが、他の単語についての前記出現度合いよりも高くなるように、前記統計的モデルを生成する、ことを特徴とする情報分析装置。

（２）前記関連箇所特定部が、
前記第一のテキストと前記第二のテキストとを、それぞれ、設定された処理単位であるセグメントへ分割し、
前記第一のテキストと前記第二のテキストとをそれぞれのセグメント毎に対比し、セグメント間の単語ベクトルによる類似度に基づき、前記第一のテキストの各セグメントについて前記第二のテキストのセグメントへの対応付けを行い、
前記第一のテキストの対応付けられたセグメントを、前記第一のテキストにおける、前記第二のテキストの前記情報に関連している部分として特定する、上記（１）に記載の情報分析装置。

（３）前記関連箇所特定部が、前記対応付けの際に、前記第二のテキストの各セグメントに、少なくとも一つの前記第一のテキストのセグメントを対応付ける、上記（２）に記載の情報分析装置。

（４）前記関連箇所特定部が、
文毎、又は段落毎に、前記セグメントへの分割を実行し、
更に、前記第一のテキスト及び前記第二のテキストが複数人の会話の内容について記載されている場合に、文毎、段落毎、発話毎、又は話者毎に、前記セグメントへの分割を実行する、上記（２）に記載の情報分析装置。

（５）前記潜在トピック語抽出部が、前記関連箇所特定部によって特定された前記部分に含まれる単語の中から、
予め設定された種類の単語、
出現回数が予め設定された閾値以上となる単語、
前記関連箇所特定部によって特定された前記部分とそれが関連する前記第二のテキストの前記情報とに共通の意味で出現している共通語が位置する節の中に位置している単語、
前記共通語からの距離が予め定められた閾値以下となる単語、
前記共通語を含む節からの係り受け距離が予め定められた閾値以下となる節の中に位置している単語、又は、
これらの単語のうち２以上に相当する単語を特定し、
特定した単語を抽出する、上記（１）に記載の情報分析装置。

（６）前記潜在トピック語抽出部が、更に、抽出された前記単語が前記第二のテキストの前記情報に関連する程度を示し、且つ、関連する程度が高い程、値が高くなるトピック関連スコアを算出し、
前記統計的モデル生成部が、対応する前記トピック関連スコアの値が高い程、抽出された前記単語の出現度合いが高くなるように、前記統計的モデルを生成する、上記（１）に記載の情報分析装置。

（７）前記関連箇所特定部が、更に、特定された前記部分とそれが関連している前記第二のテキストの前記情報との内容の一致の程度を示し、且つ、前記一致の程度が高い程、値が高くなる対応度スコアを算出し、
前記潜在トピック語抽出部が、前記対応度スコアが高い部分に存在する単語程、抽出された前記単語の前記トピック関連スコアが高くなるように、前記トピック関連スコアを算出する、上記（６）に記載の情報分析装置。

（８）前記関連箇所特定部によって特定された前記部分と前記第二のテキストの前記情報とから、これらに共通の意味で出現している共通語を抽出する、共通語抽出部を更に備え、
前記統計的モデル生成部が、更に、前記共通語抽出部によって抽出された前記共通語それぞれの前記出現度合いが、前記共通語以外の前記第二のテキストに含まれる単語の前記出現度合いよりも高くなるように、前記統計的モデルを生成する、上記（１）に記載の情報分析装置。

（９）前記共通語抽出部が、更に、抽出された前記共通語が、前記第一のテキストにおける前記特定のトピックに関する部分で使用されている可能性を示し、且つ、使用されている可能性が高い程、値が高くなる、記載スコアを算出し、
前記統計的モデル生成部が、対応する前記記載スコアの値が高い程、抽出された前記共通語の前記出現度合いが高くなるように、前記統計的モデルを生成する、上記（８）に記載の情報分析装置。

（１０）前記関連箇所特定部が、更に、特定された前記部分とそれが関連している前記第二のテキストの前記情報との内容の一致の程度を示し、且つ、前記一致の程度が高い程、値が高くなる、対応度スコアを算出し、
前記共通語抽出部が、前記対応度スコアが高い部分に存在する単語程、抽出された前記共通語の前記記載スコアが高くなるように、前記記載スコアを算出する、上記（９）に記載の情報分析装置。

（１１）分析対象となる第一のテキストに含まれる各単語についてのトピックに関する統計的モデルを生成するための方法であって、
（ａ）前記第一のテキストと同一の事象について記載され、且つ、特定のトピックに関する情報を含む第二のテキストと、前記第一のテキストとを対比し、前記第一のテキストにおける、前記第二のテキストの前記情報に関連している部分を特定する、ステップと、
（ｂ）前記（ａ）のステップによって特定された前記部分に含まれる単語を抽出する、ステップと、
（ｃ）前記第一のテキストに含まれる各単語の前記特定のトピックでの出現度合いを推定する統計的モデルを生成し、その際、前記第二のテキストに含まれる単語、及び前記（ｂ）のステップによって抽出された前記単語についての前記特定のトピックでの出現度合いが、他の単語についての前記出現度合いよりも高くなるようにする、ステップと、
を有する、ことを特徴とする情報分析方法。

（１２）前記（ａ）のステップにおいて、
前記第一のテキストと前記第二のテキストとを、それぞれ、設定された処理単位であるセグメントへ分割し、
前記第一のテキストと前記第二のテキストとをそれぞれのセグメント毎に対比し、セグメント間の単語ベクトルによる類似度に基づき、前記第一のテキストの各セグメントについて前記第二のテキストのセグメントへの対応付けを行い、
前記第一のテキストの対応付けられたセグメントを、前記第一のテキストにおける、前記第二のテキストの前記情報に関連している部分として特定する、上記（１１）に記載の情報分析方法。

（１３）前記（ａ）のステップにおいて、前記対応付けの際に、前記第二のテキストの各セグメントに、少なくとも一つの前記第一のテキストのセグメントを対応付ける、上記（１２）に記載の情報分析方法。

（１４）前記（ａ）のステップにおいて、
文毎、又は段落毎に、前記セグメントへの分割を実行し、
更に、前記第一のテキスト及び前記第二のテキストが複数人の会話の内容について記載されている場合に、文毎、段落毎、発話毎、又は話者毎に、前記セグメントへの分割を実行する、上記（１２）に記載の情報分析方法。

（１５）前記（ｂ）のステップにおいて、前記（ａ）のステップによって特定された前記部分に含まれる単語の中から、
予め設定された種類の単語、
出現回数が予め設定された閾値以上となる単語、
前記（ａ）のステップによって特定された前記部分とそれが関連する前記第二のテキストの前記情報とに共通の意味で出現している共通語が位置する節の中に位置している単語、前記共通語からの距離が予め定められた閾値以下となる単語、
前記共通語を含む節からの係り受け距離が予め定められた閾値以下となる節の中に位置している単語、又は、
これらの単語のうち２以上に相当する単語を特定し、
特定した単語を抽出する、上記（１１）に記載の情報分析方法。

（１６）前記（ｂ）のステップにおいて、更に、抽出された前記単語が前記第二のテキストの前記情報に関連する程度を示し、且つ、関連する程度が高い程、値が高くなるトピック関連スコアを算出し、
前記（ｃ）のステップにおいて、対応する前記トピック関連スコアの値が高い程、抽出された前記単語の出現度合いが高くなるように、前記統計的モデルを生成する、上記（１１）に記載の情報分析方法。

（１７）前記（ａ）のステップにおいて、更に、特定された前記部分とそれが関連している前記第二のテキストの前記情報との内容の一致の程度を示し、且つ、前記一致の程度が高い程、値が高くなる対応度スコアを算出し、
前記（ｂ）のステップにおいて、前記対応度スコアが高い部分に存在する単語程、抽出された前記単語の前記トピック関連スコアが高くなるように、前記トピック関連スコアを算出する、上記（１６）に記載の情報分析方法。

（１８）（ｄ）前記（ａ）のステップによって特定された前記部分と前記第二のテキストの前記情報とから、これらに共通の意味で出現している共通語を抽出する、ステップを更に備え、
前記（ｃ）のステップにおいて、更に、前記（ｄ）のステップによって抽出された前記共通語それぞれの前記出現度合いが、前記共通語以外の前記第二のテキストに含まれる単語の前記出現度合いよりも高くなるように、前記統計的モデルを生成する、上記（１１）に記載の情報分析方法。

（１９）前記（ｄ）のステップにおいて、更に、抽出された前記共通語が、前記第一のテキストにおける前記特定のトピックに関する部分で使用されている可能性を示し、且つ、使用されている可能性が高い程、値が高くなる、記載スコアを算出し、
前記（ｃ）のステップにおいて、対応する前記記載スコアの値が高い程、抽出された前記共通語の前記出現度合いが高くなるように、前記統計的モデルを生成する、上記（１８）に記載の情報分析方法。

（２０）前記（ａ）のステップにおいて、更に、特定された前記部分とそれが関連している前記第二のテキストの前記情報との内容の一致の程度を示し、且つ、前記一致の程度が高い程、値が高くなる、対応度スコアを算出し、
前記（ｄ）のステップにおいて、前記対応度スコアが高い部分に存在する単語程、抽出された前記共通語の前記記載スコアが高くなるように、前記記載スコアを算出する、上記（１９）に記載の情報分析方法。

（２１）分析対象となる第一のテキストに含まれる各単語についてのトピックに関する統計的モデルを、コンピュータによって生成するためのプログラムであって、
前記コンピュータに、
（ａ）前記第一のテキストと同一の事象について記載され、且つ、特定のトピックに関する情報を含む第二のテキストと、前記第一のテキストとを対比し、前記第一のテキストにおける、前記第二のテキストの前記情報に関連している部分を特定する、ステップと、
（ｂ）前記（ａ）のステップによって特定された前記部分に含まれる単語を抽出する、ステップと、
（ｃ）前記第一のテキストに含まれる各単語の前記特定のトピックでの出現度合いを推定する統計的モデルを生成し、その際、前記第二のテキストに含まれる単語、及び前記（ｂ）のステップによって抽出された前記単語についての前記特定のトピックでの出現度合いが、他の単語についての前記出現度合いよりも高くなるようにする、ステップと、
を実行させるプログラム。

（２２）前記（ａ）のステップにおいて、
前記第一のテキストと前記第二のテキストとを、それぞれ、設定された処理単位であるセグメントへ分割し、
前記第一のテキストと前記第二のテキストとをそれぞれのセグメント毎に対比し、セグメント間の単語ベクトルによる類似度に基づき、前記第一のテキストの各セグメントについて前記第二のテキストのセグメントへの対応付けを行い、
前記第一のテキストの対応付けられたセグメントを、前記第一のテキストにおける、前記第二のテキストの前記情報に関連している部分として特定する、上記（２１）に記載のプログラム。

（２３）前記（ａ）のステップにおいて、前記対応付けの際に、前記第二のテキストの各セグメントに、少なくとも一つの前記第一のテキストのセグメントを対応付ける、上記（２２）に記載のプログラム。

（２４）前記（ａ）のステップにおいて、
文毎、又は段落毎に、前記セグメントへの分割を実行し、
更に、前記第一のテキスト及び前記第二のテキストが複数人の会話の内容について記載されている場合に、文毎、段落毎、発話毎、又は話者毎に、前記セグメントへの分割を実行する、上記（２２）に記載のコプログラム。

（２５）前記（ｂ）のステップにおいて、前記（ａ）のステップによって特定された前記部分に含まれる単語の中から、
予め設定された種類の単語、
出現回数が予め設定された閾値以上となる単語、
前記（ａ）のステップによって特定された前記部分とそれが関連する前記第二のテキストの前記情報とに共通の意味で出現している共通語が位置する節の中に位置している単語、前記共通語からの距離が予め定められた閾値以下となる単語、
前記共通語を含む節からの係り受け距離が予め定められた閾値以下となる節の中に位置している単語、又は、
これらの単語のうち２以上に相当する単語を特定し、
特定した単語を抽出する、上記（２１）に記載のプログラム。

（２６）前記（ｂ）のステップにおいて、更に、抽出された前記単語が前記第二のテキストの前記情報に関連する程度を示し、且つ、関連する程度が高い程、値が高くなるトピック関連スコアを算出し、
前記（ｃ）のステップにおいて、対応する前記トピック関連スコアの値が高い程、抽出された前記単語の出現度合いが高くなるように、前記統計的モデルを生成する、上記（２１）に記載のプログラム。

（２７）前記（ａ）のステップにおいて、更に、特定された前記部分とそれが関連している前記第二のテキストの前記情報との内容の一致の程度を示し、且つ、前記一致の程度が高い程、値が高くなる対応度スコアを算出し、
前記（ｂ）のステップにおいて、前記対応度スコアが高い部分に存在する単語程、抽出された前記単語の前記トピック関連スコアが高くなるように、前記トピック関連スコアを算出する、上記（２６）に記載のプログラム。

（２８）前記プログラムが、前記コンピュータに、更に、
（ｄ）前記（ａ）のステップによって特定された前記部分と前記第二のテキストの前記情報とから、これらに共通の意味で出現している共通語を抽出する、ステップを実行させる、命令を含み、
前記（ｃ）のステップにおいて、更に、前記（ｄ）のステップによって抽出された前記共通語それぞれの前記出現度合いが、前記共通語以外の前記第二のテキストに含まれる単語の前記出現度合いよりも高くなるように、前記統計的モデルを生成する、上記（２１）に記載のプログラム。

（２９）前記（ｄ）のステップにおいて、更に、抽出された前記共通語が、前記第一のテキストにおける前記特定のトピックに関する部分で使用されている可能性を示し、且つ、使用されている可能性が高い程、値が高くなる、記載スコアを算出し、
前記（ｃ）のステップにおいて、対応する前記記載スコアの値が高い程、抽出された前記共通語の前記出現度合いが高くなるように、前記統計的モデルを生成する、上記（２８）に記載のプログラム。

（３０）前記（ａ）のステップにおいて、更に、特定された前記部分とそれが関連している前記第二のテキストの前記情報との内容の一致の程度を示し、且つ、前記一致の程度が高い程、値が高くなる、対応度スコアを算出し、
前記（ｄ）のステップにおいて、前記対応度スコアが高い部分に存在する単語程、抽出された前記共通語の前記記載スコアが高くなるように、前記記載スコアを算出する、上記（２９）に記載のプログラム。

本発明は、分析対象テキストと、該分析対象テキストと同一の事象について記載され、且つ、特定のトピックに関して記述している、トピック関連テキストとが存在する場合に適用できる。特に、本発明は、トピック関連テキストと、分析対象テキスト内の特定のトピックに関する部分とが同一ではなく、それぞれで使用されている単語が互いに異なる場合に効果を発揮する。

例えば、コールセンターの通話音声からは、通話音声の音声認識テキストと、通話音声を書き起こすことによって得られた応対メモとが得られる。本発明は、音声認識テキストを分析対象テキストとし、応対メモにおける特定のトピックについてのテキストをトピック関連テキストとした場合に適用でき、効果を発揮する。

また、本発明は、例えば、ニュース番組のテキストを分析対象テキストとし、ニュース番組と同一の日付の新聞記事のうち特定のトピックに該当する記事をトピック関連テキストとした場合にも適用でき、効果を発揮する。

更に、本発明は、会議音声の音声認識テキストやその書き起こしのテキストを分析対象テキストとし、該会議に対して作成された議事録や該会議における発表資料の中で特定のトピックについてのテキストをトピック関連テキストとした場合にも適用でき、効果を発揮する。

また、本発明は、論文を分析対象テキストとし、該論文の発表資料の中で特定のトピックについてのテキストをトピック関連テキストとした場合にも適用でき、効果を発揮する。

１０ 入力装置（実施の形態１）
２０ 出力装置（実施の形態１）
３０ 情報分析装置（実施の形態１）
３１ 関連箇所特定部（実施の形態１）
３２ 潜在トピック語抽出部（実施の形態１）
３３ 統計的モデル生成部（実施の形態１）
３４ セグメント分割部（実施の形態１）
３５ 対応付け部（実施の形態１）
３６ 単語抽出部（実施の形態１）
１１０ 入力装置（実施の形態２）
１２０ 出力装置（実施の形態２）
１３０ 情報分析装置（実施の形態２）
１３１ 関連箇所特定部（実施の形態２）
１３２ 潜在トピック語抽出部（実施の形態２）
１３３ 統計的モデル生成部（実施の形態２）
１３４ セグメント分割部（実施の形態２）
１３５ 対応付け部（実施の形態２）
１３６ 単語抽出部（実施の形態２）
１３７ フィルタリング部（実施の形態２）
２１０ 入力装置（実施の形態３）
２２０ 出力装置（実施の形態３）
２３０ 情報分析装置（実施の形態３）
２３１ 関連箇所特定部（実施の形態３）
２３２ 潜在トピック語抽出部（実施の形態３）
２３３ 統計的モデル生成部（実施の形態３）
２３４ セグメント分割部（実施の形態３）
２３５ 対応付け部（実施の形態３）
２３６ 単語抽出部（実施の形態３）
２３７ 共通語抽出部（実施の形態３）
３１０ コンピュータ
３１１ ＣＰＵ
３１２ メインメモリ
３１３ 記憶装置
３１４ 入力インターフェイス
３１５ 表示コントローラ
３１６ データリーダ／ライタ
３１７ 通信インターフェイス
３１８ 入力機器
３１９ ディスプレイ装置
３２０ 記録媒体
３２１ バス

Claims (27)

1. 分析対象となる第一のテキストに含まれる各単語についてのトピックに関する統計的モデルを生成する情報分析装置であって、
   前記第一のテキストと同一の事象について記載され、且つ、特定のトピックに関する情報を含む第二のテキストと、前記第一のテキストとを対比し、前記第一のテキストにおける、前記第二のテキストの前記情報に関連している部分を特定する、関連箇所特定部と、
   前記関連箇所特定部によって特定された前記部分に含まれる単語を抽出し、更に、抽出された前記単語が前記第二のテキストの前記情報に関連する程度を示し、且つ、関連する程度が高い程、値が高くなるトピック関連スコアを算出する、潜在トピック語抽出部と、
   前記第一のテキストに含まれる各単語の前記特定のトピックでの出現度合いを推定する統計的モデルを生成する、統計的モデル生成部とを備え、
   前記統計的モデル生成部は、前記第二のテキストに含まれる単語についての前記特定のトピックでの出現度合いが、他の単語についての前記出現度合いよりも高くなり、更に、前記潜在トピック語抽出部によって抽出された前記単語についての前記特定のトピックでの出現度合いが、対応する前記トピック関連スコアの値が高い程高くなるように、前記統計的モデルを生成する、ことを特徴とする情報分析装置。
2. 前記関連箇所特定部が、
   前記第一のテキストと前記第二のテキストとを、それぞれ、設定された処理単位であるセグメントへ分割し、
   前記第一のテキストと前記第二のテキストとをそれぞれのセグメント毎に対比し、セグメント間の単語ベクトルによる類似度に基づき、前記第一のテキストの各セグメントについて前記第二のテキストのセグメントへの対応付けを行い、
   前記第一のテキストの対応付けられたセグメントを、前記第一のテキストにおける、前記第二のテキストの前記情報に関連している部分として特定する、請求項１に記載の情報分析装置。
3. 前記関連箇所特定部が、前記対応付けの際に、前記第二のテキストの各セグメントに、少なくとも一つの前記第一のテキストのセグメントを対応付ける、請求項２に記載の情報分析装置。
4. 前記関連箇所特定部が、
   文毎、又は段落毎に、前記セグメントへの分割を実行し、
   更に、前記第一のテキスト及び前記第二のテキストが複数人の会話の内容について記載されている場合に、文毎、段落毎、発話毎、又は話者毎に、前記セグメントへの分割を実行する、請求項２または３に記載の情報分析装置。
5. 前記潜在トピック語抽出部が、前記関連箇所特定部によって特定された前記部分に含まれる単語の中から、
   予め設定された種類の単語、
   出現回数が予め設定された閾値以上となる単語、
   前記関連箇所特定部によって特定された前記部分とそれが関連する前記第二のテキストの前記情報とに共通の意味で出現している共通語が位置する節の中に位置している単語、
   前記共通語からの距離が予め定められた閾値以下となる単語、
   前記共通語を含む節からの係り受け距離が予め定められた閾値以下となる節の中に位置している単語、又は、
   これらの単語のうち２以上に相当する単語を特定し、
   特定した単語を抽出する、請求項１〜４のいずれかに記載の情報分析装置。
6. 前記関連箇所特定部が、更に、特定された前記部分とそれが関連している前記第二のテキストの前記情報との内容の一致の程度を示し、且つ、前記一致の程度が高い程、値が高くなる対応度スコアを算出し、
   前記潜在トピック語抽出部が、前記対応度スコアが高い部分に存在する単語程、抽出された前記単語の前記トピック関連スコアが高くなるように、前記トピック関連スコアを算出する、請求項１に記載の情報分析装置。
7. 前記関連箇所特定部によって特定された前記部分と前記第二のテキストの前記情報とから、これらに共通の意味で出現している共通語を抽出する、共通語抽出部を更に備え、
   前記統計的モデル生成部が、更に、前記共通語抽出部によって抽出された前記共通語それぞれの前記出現度合いが、前記共通語以外の前記第二のテキストに含まれる単語の前記出現度合いよりも高くなるように、前記統計的モデルを生成する、請求項１〜５のいずれかに記載の情報分析装置。
8. 前記共通語抽出部が、更に、抽出された前記共通語が、前記第一のテキストにおける前記特定のトピックに関する部分で使用されている可能性を示し、且つ、使用されている可能性が高い程、値が高くなる、記載スコアを算出し、
   前記統計的モデル生成部が、対応する前記記載スコアの値が高い程、抽出された前記共通語の前記出現度合いが高くなるように、前記統計的モデルを生成する、請求項７に記載の情報分析装置。
9. 前記関連箇所特定部が、更に、特定された前記部分とそれが関連している前記第二のテキストの前記情報との内容の一致の程度を示し、且つ、前記一致の程度が高い程、値が高くなる、対応度スコアを算出し、
   前記共通語抽出部が、前記対応度スコアが高い部分に存在する単語程、抽出された前記共通語の前記記載スコアが高くなるように、前記記載スコアを算出する、請求項８に記載の情報分析装置。
10. 分析対象となる第一のテキストに含まれる各単語についてのトピックに関する統計的モデルを生成するための方法であって、
    （ａ）前記第一のテキストと同一の事象について記載され、且つ、特定のトピックに関する情報を含む第二のテキストと、前記第一のテキストとを対比し、前記第一のテキストにおける、前記第二のテキストの前記情報に関連している部分を特定する、ステップと、
    （ｂ）前記（ａ）のステップによって特定された前記部分に含まれる単語を抽出し、更に、抽出された前記単語が前記第二のテキストの前記情報に関連する程度を示し、且つ、関連する程度が高い程、値が高くなるトピック関連スコアを算出する、ステップと、
    （ｃ）前記第一のテキストに含まれる各単語の前記特定のトピックでの出現度合いを推定する統計的モデルを生成し、その際、前記第二のテキストに含まれる単語についての前記特定のトピックでの出現度合いが、他の単語についての前記出現度合いよりも高くなり、更に、前記（ｂ）のステップによって抽出された前記単語についての前記特定のトピックでの出現度合が、対応する前記トピック関連スコアの値が高い程高くなるようにする、ステップと、
    を有する、ことを特徴とする情報分析方法。
11. 前記（ａ）のステップにおいて、
    前記第一のテキストと前記第二のテキストとを、それぞれ、設定された処理単位であるセグメントへ分割し、
    前記第一のテキストと前記第二のテキストとをそれぞれのセグメント毎に対比し、セグメント間の単語ベクトルによる類似度に基づき、前記第一のテキストの各セグメントについて前記第二のテキストのセグメントへの対応付けを行い、
    前記第一のテキストの対応付けられたセグメントを、前記第一のテキストにおける、前記第二のテキストの前記情報に関連している部分として特定する、請求項１０に記載の情報分析方法。
12. 前記（ａ）のステップにおいて、前記対応付けの際に、前記第二のテキストの各セグメントに、少なくとも一つの前記第一のテキストのセグメントを対応付ける、請求項１１に記載の情報分析方法。
13. 前記（ａ）のステップにおいて、
    文毎、又は段落毎に、前記セグメントへの分割を実行し、
    更に、前記第一のテキスト及び前記第二のテキストが複数人の会話の内容について記載されている場合に、文毎、段落毎、発話毎、又は話者毎に、前記セグメントへの分割を実行する、請求項１１または１２に記載の情報分析方法。
14. 前記（ｂ）のステップにおいて、前記（ａ）のステップによって特定された前記部分に含まれる単語の中から、
    予め設定された種類の単語、
    出現回数が予め設定された閾値以上となる単語、
    前記（ａ）のステップによって特定された前記部分とそれが関連する前記第二のテキストの前記情報とに共通の意味で出現している共通語が位置する節の中に位置している単語、前記共通語からの距離が予め定められた閾値以下となる単語、
    前記共通語を含む節からの係り受け距離が予め定められた閾値以下となる節の中に位置している単語、又は、
    これらの単語のうち２以上に相当する単語を特定し、
    特定した単語を抽出する、請求項１０〜１３に記載の情報分析方法。
15. 前記（ａ）のステップにおいて、更に、特定された前記部分とそれが関連している前記第二のテキストの前記情報との内容の一致の程度を示し、且つ、前記一致の程度が高い程、値が高くなる対応度スコアを算出し、
    前記（ｂ）のステップにおいて、前記対応度スコアが高い部分に存在する単語程、抽出された前記単語の前記トピック関連スコアが高くなるように、前記トピック関連スコアを算出する、請求項１０に記載の情報分析方法。
16. （ｄ）前記（ａ）のステップによって特定された前記部分と前記第二のテキストの前記情報とから、これらに共通の意味で出現している共通語を抽出する、ステップを更に備え、
    前記（ｃ）のステップにおいて、更に、前記（ｄ）のステップによって抽出された前記共通語それぞれの前記出現度合いが、前記共通語以外の前記第二のテキストに含まれる単語の前記出現度合いよりも高くなるように、前記統計的モデルを生成する、請求項１０〜１４のいずれかに記載の情報分析方法。
17. 前記（ｄ）のステップにおいて、更に、抽出された前記共通語が、前記第一のテキストにおける前記特定のトピックに関する部分で使用されている可能性を示し、且つ、使用されている可能性が高い程、値が高くなる、記載スコアを算出し、
    前記（ｃ）のステップにおいて、対応する前記記載スコアの値が高い程、抽出された前記共通語の前記出現度合いが高くなるように、前記統計的モデルを生成する、請求項１６に記載の情報分析方法。
18. 前記（ａ）のステップにおいて、更に、特定された前記部分とそれが関連している前記第二のテキストの前記情報との内容の一致の程度を示し、且つ、前記一致の程度が高い程、値が高くなる、対応度スコアを算出し、
    前記（ｄ）のステップにおいて、前記対応度スコアが高い部分に存在する単語程、抽出された前記共通語の前記記載スコアが高くなるように、前記記載スコアを算出する、請求項１７に記載の情報分析方法。
19. 分析対象となる第一のテキストに含まれる各単語についてのトピックに関する統計的モデルを、コンピュータによって生成するためのプログラムであって、
    前記コンピュータに、
    （ａ）前記第一のテキストと同一の事象について記載され、且つ、特定のトピックに関する情報を含む第二のテキストと、前記第一のテキストとを対比し、前記第一のテキストにおける、前記第二のテキストの前記情報に関連している部分を特定する、ステップと、
    （ｂ）前記（ａ）のステップによって特定された前記部分に含まれる単語を抽出し、更に、抽出された前記単語が前記第二のテキストの前記情報に関連する程度を示し、且つ、関連する程度が高い程、値が高くなるトピック関連スコアを算出する、ステップと、
    （ｃ）前記第一のテキストに含まれる各単語の前記特定のトピックでの出現度合いを推定する統計的モデルを生成し、その際、前記第二のテキストに含まれる単語についての前記特定のトピックでの出現度合いが、他の単語についての前記出現度合いよりも高くなり、更に、前記（ｂ）のステップによって抽出された前記単語についての前記特定のトピックでの出現度合が、対応する前記トピック関連スコアの値が高い程高くなるようにする、ステップと、
    を実行させるプログラム。
20. 前記（ａ）のステップにおいて、
    前記第一のテキストと前記第二のテキストとを、それぞれ、設定された処理単位であるセグメントへ分割し、
    前記第一のテキストと前記第二のテキストとをそれぞれのセグメント毎に対比し、セグメント間の単語ベクトルによる類似度に基づき、前記第一のテキストの各セグメントについて前記第二のテキストのセグメントへの対応付けを行い、
    前記第一のテキストの対応付けられたセグメントを、前記第一のテキストにおける、前記第二のテキストの前記情報に関連している部分として特定する、請求項１９に記載のプログラム。
21. 前記（ａ）のステップにおいて、前記対応付けの際に、前記第二のテキストの各セグメントに、少なくとも一つの前記第一のテキストのセグメントを対応付ける、請求項２０に記載のプログラム。
22. 前記（ａ）のステップにおいて、
    文毎、又は段落毎に、前記セグメントへの分割を実行し、
    更に、前記第一のテキスト及び前記第二のテキストが複数人の会話の内容について記載されている場合に、文毎、段落毎、発話毎、又は話者毎に、前記セグメントへの分割を実行する、請求項２０または２１に記載のプログラム。
23. 前記（ｂ）のステップにおいて、前記（ａ）のステップによって特定された前記部分に含まれる単語の中から、
    予め設定された種類の単語、
    出現回数が予め設定された閾値以上となる単語、
    前記（ａ）のステップによって特定された前記部分とそれが関連する前記第二のテキストの前記情報とに共通の意味で出現している共通語が位置する節の中に位置している単語、前記共通語からの距離が予め定められた閾値以下となる単語、
    前記共通語を含む節からの係り受け距離が予め定められた閾値以下となる節の中に位置している単語、又は、
    これらの単語のうち２以上に相当する単語を特定し、
    特定した単語を抽出する、請求項１９〜２２に記載のプログラム。
24. 前記（ａ）のステップにおいて、更に、特定された前記部分とそれが関連している前記第二のテキストの前記情報との内容の一致の程度を示し、且つ、前記一致の程度が高い程、値が高くなる対応度スコアを算出し、
    前記（ｂ）のステップにおいて、前記対応度スコアが高い部分に存在する単語程、抽出された前記単語の前記トピック関連スコアが高くなるように、前記トピック関連スコアを算出する、請求項１９に記載のプログラム。
25. 前記プログラムが、前記コンピュータに、更に、
    （ｄ）前記（ａ）のステップによって特定された前記部分と前記第二のテキストの前記情報とから、これらに共通の意味で出現している共通語を抽出する、ステップを実行させる、命令を含み、
    前記（ｃ）のステップにおいて、更に、前記（ｄ）のステップによって抽出された前記共通語それぞれの前記出現度合いが、前記共通語以外の前記第二のテキストに含まれる単語の前記出現度合いよりも高くなるように、前記統計的モデルを生成する、請求項１９〜２３のいずれかに記載のプログラム。
26. 前記（ｄ）のステップにおいて、更に、抽出された前記共通語が、前記第一のテキストにおける前記特定のトピックに関する部分で使用されている可能性を示し、且つ、使用されている可能性が高い程、値が高くなる、記載スコアを算出し、
    前記（ｃ）のステップにおいて、対応する前記記載スコアの値が高い程、抽出された前記共通語の前記出現度合いが高くなるように、前記統計的モデルを生成する、請求項２５に記載のプログラム。
27. 前記（ａ）のステップにおいて、更に、特定された前記部分とそれが関連している前記第二のテキストの前記情報との内容の一致の程度を示し、且つ、前記一致の程度が高い程、値が高くなる、対応度スコアを算出し、
    前記（ｄ）のステップにおいて、前記対応度スコアが高い部分に存在する単語程、抽出された前記共通語の前記記載スコアが高くなるように、前記記載スコアを算出する、請求項２６に記載のプログラム。
    

Images