JP6098600B2 - 評価対象者の評価装置、評価方法及び評価システム - Google Patents

Description

本発明は、評価対象者の評価装置、評価方法及び評価システムに関する。

企業において、社員（構成員）の業績を向上させたり、入社後に高い業績を上げることができる求職者を採用したりすることは、企業の発展のために大変重要なことである。このため、近年、システム面において、企業の人事制度を支援する技術が提案されている。

例えば、特許文献１においては、構成員（例えば社員）を成功に導くための条件を提示する装置（移行条件提示装置）が開示されている。具体的に、移行条件提示装置は、分析対象となる集団の構成員のそれぞれを、成功者、非成功者、及び又は中間者のいずれかに分類し、評価情報を生成する。また、構成員に対しては、適性検査を受けさせる。移行条件提示装置は、生成した評価情報と、適性検査の判定結果情報とを用いて、統計的分析手法である決定木分析を行い、成功モデルを導き出す。移行条件提示装置は、その成功者への各構成員への適合の割合を算出する。このようにして、特許文献１では、成功者でないと評価された人材について、成功モデルにその時点で部分的にでも適合している割合を算出するとともに、成功モデルに完全に適合するために必要な条件を導き出すことができる。

その他の関連する技術として、特許文献２には、業種に関係なく適切な業務分析を行うことが可能な業務分析方法が開示されている。具体的に、この業務分析方法では、分析対象者の上司が分析対象者の査定を行うとともに、査定を行った上司の偏り度を検定して、その検定結果に基づいて査定結果を修正する。

また、特許文献３には、従業員の研修及び人事評価システムが開示されている。特許文献３において、評価センターは、受講者の研修の評価点と研修依頼企業からの人事考課情報に基づいて、受講者の人事評価点を決定する。

特許文献４には、顧客と営業担当社員の組み合わせを最適にして円滑な営業活動を展開できる営業支援システムが開示されている。具体的に、営業支援システムは、顧客の個性分類を行うとともに営業社員の個性分析を行い、顧客の個性と営業社員の個性とに基づいて、顧客と営業担当社員の組み合わせを決定する。

特許文献５には、通信回線を利用した求人求職支援システムが開示されている。具体的に、求人求職支援システムは、求職者の就労条件と分析結果に基づいて、求人者に合致する求職者の検索及び求職者に合致する求職者を検索する。

特許文献６には、適職診断サービスの提供方法が開示されている。具体的には、求職者のパーソナリティタイプ適性診断結果と仕事スタイル適性診断結果とに基づいて、特定の求人仕事スタイルを抽出し、その求人仕事スタイルに関連する求人情報を求職者に提示する。

特許文献７には、求人求職支援システムが開示されている。具体的に、求人求職支援システムは、通信回線を介して求職者に適性検査の回答を入力させ、適性検査の分析結果と求職者情報及び就労条件とを求人者に通知するとともに、分析結果と就労条件とに合致する求人者を検索して求職者に通知する。

特許文献８には、就職情報提供システムが開示されている。具体的に、就職情報提供システムは、就職希望者に対しては企業情報を提供し、採用希望企業に対しては個人情報を提供する。ここで就職希望者には、能力情報、経歴情報、適性診断に対する回答情報を入力させる。

特許文献９には、適職評価装置が開示されている。具体的に、適職評価装置は、評価質問群に対する回答において、評価対象となる職種への適合度が高いと判定された集団の回答に基づいて、被験者の適合する職種を評価する。

その他の関連技術として、特許文献１０には、データサーチユーザインタフェースが開示されている。また、特許文献１１には、対象物（例えば商品）について、インターネット等に存在する文書集合から人の意見を自動抽出し、その意見を様々な観点で比較分析する分析装置が開示されている。特許文献１２には、ルート集配等の複合業務を分業化するシステムが開示されている。

その他、非特許文献１には、文章の評価において、ｎ−ｇｒａｍの情報を埋め込みベクトル（特徴ベクトル）に圧縮する技術が開示されている。ここで、生成される埋め込みベクトルでは、ｎ−ｇｒａｍの文章中の位置に基づいて、重み付けが変更されている。また、非特許文献２には、サポートベクタマシンにおけるＬｉｂｓｖｍ（A Library for Support Vector Machines）の技術が記載されている。

特開２００５−１４９０３４号公報 特開２００４−１１０５１０号公報 特開２００４−４６７７０号公報 特開２００２−２６９３３５号公報 特開２００２−２５１４５１号公報 特開２００２−２３０１５２号公報 特開２００２−１３３１６９号公報 特開２００１−３５７１２４号公報 特開２０００−７６３２９号公報 特表２００３−５２９１５４号公報 特開２００３−２０３１３６号公報 特開２００２−３６６７１４号公報

D. Bespalov，et.al. ，"Sentiment Classification with Supervised Sequence Embedding", Machine Learning and Knowledge Discovery in Databases, Vol. 7523, pp.159-174, Springer Berlin Heidelberg, 2012 Chih-Chung Chang and Chih-Jen Lin, "LIBSVM -- A Library for Support Vector Machines", [online], [retrieved on 2014-09-08], Retrieved from the Internet:<URL：http://www.csie.ntu.edu.tw/~cjlin/libsvm/>

近年、就職活動において、インターネット上の求人情報サイトが広く利用されるようになった。一般に、求職者が求人情報サイトを利用して就職活動を行うには、求職者は最初に自身の履歴書情報（氏名、年齢、学歴、職歴、免許、資格、希望採用条件等）を求人情報サイトに登録する。次に求人者は、そのサイトに登録された求人企業の中から、自身の希望にマッチする企業を選択し、採用エントリーを行う。

一方、求人企業はまず、求人情報サイトに求人情報（企業情報、採用職種、採用条件等）を登録し、その企業に採用エントリーしてきた求職者の中から、企業の求める人材にマッチする者を選択する。例えば、求人企業は、求職者の中から、採用試験の対象となる求職者を抽出し、抽出した求職者に対して筆記試験や面接等の採用試験を行うことで、求職者の採用合否を判定する。なお、求人企業ではなく、人材派遣会社等の仲介事業者が採用試験を行ってもよい。

この際、求人企業は、多数の求職者の中から採用試験の対象となる求職者を抽出する必要があるため、その抽出には多大な手間と時間を要する。そのため、求人企業は、抽出の手間と時間を削減するため、求職者の学歴のみなど単純な条件のみを用いて抽出を行う傾向があった。その場合、条件にマッチしない優秀な求職者が採用試験の非対象となる（不採用となる）ため、求人企業が優秀な求職者を採用する機会を逸する原因となった。

上述の特許文献１は、構成員の評価に基づいて構成員を成功に導くための条件を提示する技術であって、未知の求職者等の評価を導出することについては開示されていない。特許文献２〜１２でも、この課題を解決することについては同様に開示されていない。

本発明は、このような問題点を解決するためになされたものであり、評価対象者のデータに基づいて、評価対象者を容易に評価可能な評価装置、評価方法及び評価システムを提供することを目的とする。

本発明の第１の態様における評価対象者の評価装置は、第１の評価対象者の行動の結果生じた情報の特徴量を含む第１のデータと、前記第１の評価対象者毎の評価値とに基づいて、前記第１のデータと前記評価値とを関連付ける条件を決定する条件決定部と、第２の評価対象者の行動の結果生じた情報の特徴量を含む第２のデータと、前記条件決定部で決定した前記条件とに基づいて、前記第２の評価対象者の評価値を求める評価部と、を備える。

本発明の第２の態様における評価対象者の評価方法は、以下のステップ（ａ）〜（ｅ）を備える。
（ａ）第１の評価対象者の行動の結果生じた情報の特徴量を含む第1のデータと、前記第１の評価対象者毎の評価値とに基づいて、前記第１のデータと前記評価値とを関連付ける条件を決定する条件決定ステップ、及び
（ｂ）第２の評価対象者の行動の結果生じた情報の特徴量を含む第２のデータと、前記条件決定ステップで決定した前記条件とに基づいて、前記第２の評価対象者の評価値を求める評価ステップ。

本発明の第３の態様における評価対象者の評価システムは、第１の評価対象者の行動の結果生じた情報の特徴量を含む第1のデータと、前記第１の評価対象者毎の評価値とに基づいて、前記第１のデータと前記評価値とを関連付ける条件を決定する条件決定手段と、第２の評価対象者の行動の結果生じた情報の特徴量を含む第２のデータと、前記条件決定手段で決定した前記条件とに基づいて、前記第２の評価対象者の評価値を求める評価手段と、を備える。

本発明によれば、評価対象者のデータに基づいて、評価対象者を容易に評価可能な評価装置、評価方法及び評価システムを提供することができる。

実施の形態１にかかる評価装置の構成例を示したブロック図である。 実施の形態１にかかる評価装置の処理の一例を示したフローチャートである。 実施の形態２にかかる評価装置の構成例を示したブロック図である。 実施の形態２にかかる求職者情報記憶部が格納する求職者情報の一例を示した図である。 実施の形態２にかかる求職者情報記憶部が格納する求職者情報の他の例を示した図である。 実施の形態２にかかる事前学習部が実行する事前学習ステップの処理を示すフローチャートである。 実施の形態２において、履歴書情報を求職者ベクトルに変換した一例を示した図である。 実施の形態２において、特定の求職者における履歴書情報を求職者ベクトルに変換した一例である。 実施の形態２において、特定の求職者における履歴書情報を求職者ベクトルに変換した一例である。 実施の形態２において、特定の求職者における履歴書情報を求職者ベクトルに変換した一例である。 実施の形態２において、文書データを求職者ベクトルに変換した一例を示した図である。 実施の形態２において、特定の求職者における文書データを求職者ベクトルに変換した一例である。 実施の形態２において、特定の求職者における文書データを求職者ベクトルに変換した一例である。 実施の形態２において、求職者評価部が実行する判別ステップの処理を示すフローチャートである。

[実施の形態１]
以下、図面を参照して本発明の実施の形態１について説明する。図１は、実施の形態１にかかる評価装置の構成例を示したブロック図である。評価装置１は、評価対象者を評価する装置である。例えば、評価装置１は、会社等の法人や、国、自治体等の組織において、人材採用に用いられる装置である。具体的に、評価装置１は、求職者の採用試験や、組織の構成員の昇進や異動に際し、仕事の業績評価を行うのに用いられる。

評価装置１は、条件決定部１１と評価部１２を備える。以下、各部について説明する。

条件決定部１１は、第１の評価対象者の行動の結果生じた情報の特徴量を含む第１のデータＤ１と、第１の評価対象者毎の評価値Ｅ１とに基づいて、第１のデータＤ１と評価値Ｅ１とを関連付ける条件ＣＯを決定する。ここで「第１の評価対象者」とは、既にその評価が決定されている評価対象者であり、「第１の評価対象者」のデータＤ１は、以下で説明する「第２の評価対象者」の評価を決定するための教師データとして用いられる。データＤ１は、例えば第１の評価対象者の文書データや行動履歴を示すデータであり、第１の評価対象者を評価するのに有用な特徴量が含まれている。なお、データＤ１には、第１の評価対象者のデータとして複数の人物のデータが含まれている。

また、「第１の評価対象者毎の評価値」とは、第１の評価対象者毎にその適性を評価した値である。例えば、「第１の評価対象者毎の評価値」とは、採用試験における第１の評価対象者毎の採用結果を示した値であってもよいし、第１の評価対象者毎の仕事上の業績を評価した値であってもよい。

評価部１２は、第２の評価対象者の行動の結果生じた情報の特徴量を含む第２のデータＤ２と、条件決定部１１で決定した条件ＣＯとに基づいて、第２の評価対象者の評価値Ｅ２を求める。ここで「第２の評価対象者」とは、評価装置１で評価を決定する１人の対象者である。また、データＤ２は、データＤ１と同様のデータであるため、説明を省略する。

なお、様々な処理を行う機能ブロックとして図１に記載された評価装置１の各要素は、ハードウェア的には、メモリやその他のＩＣ（Integrated Circuit）等の回路で構成することができ、ソフトウェア的には、メモリにロードされたプログラムなどに基づいて実現される。したがって、これらの機能ブロックがハードウェアのみ、ソフトウェアのみ、またはそれらの組合せに基づいていろいろな形で実現できることは当業者には理解されるところであり、いずれかに限定されるものではない。これは、実施の形態２にかかる各要素についても同様である。

図２は、評価装置１の処理の一例を示したフローチャートである。以下、評価装置１の処理について説明する。

まず、条件決定部１１は、第１のデータＤ１と、第１の評価対象者毎の評価値Ｅ１とに基づいて、第１のデータＤ１と評価値Ｅ１とを関連付ける条件ＣＯを決定する（ステップＳ１）。

条件決定部１１は、全ての第１の評価対象者に関して、第１のデータＤ１と評価値Ｅ１とを関連付ける条件ＣＯを決定する。換言すれば、第１の評価対象者毎の第１のデータＤ１に条件ＣＯを適用することで、第１の評価対象者毎の評価値Ｅ１又はそれに近い評価値を導出することができる。このようにして、条件決定部１１は、評価装置１における教師付き学習を行う。

次に、第２のデータＤ２と、ステップＳ１で決定した条件ＣＯとに基づいて、第２の評価対象者の評価値を求める（ステップＳ２）。具体的に、評価部１２は、第２のデータＤ２に条件ＣＯを適用することで、第２の評価対象者の評価値Ｅ２を導出することができる。なお、評価部１２は、複数の第２の評価対象者を評価する場合でも、同様に評価することができる。

以上から、評価装置１は、評価対象者のデータに基づいて、評価対象者を容易に評価することができる。評価装置１は、予め第１の評価対象者のデータ及び評価値で機械学習を行い、学習パラメータを生成しているため、第２の評価対象者のデータがあればその評価値を容易に求められるからである。

[実施の形態２]
以下、図面を参照して本発明の実施の形態２について説明する。実施の形態２では、実施の形態１に記載した評価装置の具体例について、詳細に説明する。

図３は、実施の形態２にかかる評価装置の構成例を示したブロック図である。評価装置２は、求人企業が管理している装置であり、求職者（評価対象者）の採用試験において、求職者の優秀度（又は非優秀度）を評価する装置である。求人企業は、その評価に基づいて、求職者の選別を行う。例えば、求人企業は、求職者の採用選考を次の段階に進ませるか否かを評価に基づいて判定する。あるいは、求人企業は、求職者を採用するか否かを、評価に基づいて判定してもよい。なお、求人企業の代わりに、人材派遣会社等といった、求人企業の代理で採用試験を行う組織が評価装置２を管理してもよい。

評価装置２は、実施の形態２ではサーバを想定している。なお、図３に記載した以外のサーバの機能やハードウェア構成については、一般によく知られているので説明を省略する。ただし、評価装置２は、サーバ等に限られず、他の種類のコンピュータ端末（例えばパーソナルコンピュータ）であってもよい。

評価装置２は、事前学習部２１と求職者評価部２２を備える。事前学習部２１は、過去の求職者のデータに基づいて教師付き機械学習を行い、現在の求職者の評価に必要な学習パラメータを生成する。求職者評価部２２は、事前学習部２１が生成した学習パラメータに基づいて、現在の求職者の評価を行う。過去の求職者、現在の求職者は、それぞれ実施の形態１における第１の評価対象者、第２の評価対象者に対応する。

事前学習部２１は、詳細には、求職者情報記憶部２３と前処理部２４と特徴抽出部２５と教師信号記憶部２６と学習部２７と学習結果記憶部２８を備える。以下、各部について説明する。

求職者情報記憶部２３は、過去の求職者情報Ｄ１を、学習対象のデータとして保持する。求職者情報Ｄ１は、過去の求職者が行動した結果生じた情報であり、例えば、文書データの情報や行動履歴情報が含まれる。求職者情報Ｄ１は、実施の形態１における第１のデータに対応する。

求職者情報Ｄ１における文書データの情報は、求職者の求職申請書類情報（特に履歴書情報及びエントリーシートの情報）、メールの情報、Ｗｅｂ情報、行動履歴情報等がある。履歴書情報には、例えば、履歴書に記載された氏名、年齢、国籍、住所（郵便番号も含む）、通勤経路、学歴、職歴、専門分野、資格（免許等の資格も含まれる）、希望採用条件等の情報が含まれる。エントリーシートの情報には、例えば、求職者が書いた自己紹介テキスト、志望動機等の情報が含まれる。メールの情報は、求職者から求人企業に送信されたメールの情報であり、例えば氏名、学校等の情報が含まれる。Ｗｅｂ情報は、Ｆａｃｅｂｏｏｋ（登録商標）等のＳＮＳ（Social Networking Service）、Ｔｗｉｔｔｅｒ（登録商標）、掲示板、ブログ等へ求職者が書き込んだテキスト情報等が含まれる。

そして、行動履歴情報は、求職者がコンピュータ端末でＷｅｂサイト（特にホームページ）にアクセスした際のクリック操作ログやサイト閲覧記録等のインターネットアクセス履歴、インターネットでの購買履歴や移動履歴等の情報が含まれる。行動履歴情報は、例えば求職者が求人企業のＷｅｂサイトにアクセスした際に取得する。また、行動履歴情報は、利用者の携帯端末に蓄積されたデータであってもよい。この蓄積されたデータは、具体的には、利用者が品物の購入を行ったことを示す購買履歴や、利用者の移動履歴である。購買履歴は、例えば利用者が自身の携帯端末を用いて品物の購入を行った履歴（一例として電子マネーの購買履歴）であってもよい。利用者の移動履歴は、例えば、利用者の携帯端末が有するＧＰＳ（Global Positioning System）センサが検出した利用者の移動履歴であってもよい。

図４は、求職者情報記憶部２３が格納する求職者情報Ｄ１の一例を示した図である。図４における求職者情報Ｄ１には、履歴書情報として、求職者のＩＤ、氏名、年齢、性別、最終学歴、住所、資格、テキスト等が含まれている。

例えば、求職者ＩＤ「Ｐ１」には、氏名「山田一郎」、年齢「１８」、性別「男」、最終学歴「東京大学」、住所「東京」、資格「情報処理」、テキスト「・・・営業・・・ボランティア・・・」の求職者情報が含まれている。求職者ＩＤ「Ｐ２」には、氏名「石田花子」、年齢「２２」、性別「女」、最終学歴「早稲田大学」、住所「埼玉」、資格「司法処理、英検１級」、テキスト「・・・法律・・・司法・・・インターン・・・」の求職者情報が含まれている。求職者ＩＤ「Ｐ３」には、氏名「青山二郎」、年齢「２１」、性別「男」、最終学歴「慶応大学」、住所「神奈川」、資格「なし」、テキスト「・・・研究・・・留学・・・」の求職者情報が含まれている。求職者ＩＤ「Ｐ４」には、氏名「松田三郎」、年齢「２６」、性別「男」、最終学歴「九州大学」、住所「福岡」、資格「情報処理」、テキスト「・・・開発・・・情報処理・・・」の求職者情報が含まれている。求職者ＩＤ「Ｐ５」には、氏名「加藤五郎」、年齢「２５」、性別「男」、最終学歴「京都大学」、住所「京都」、資格「中小企業診断士」、テキスト「・・・経営・・・ＭＢＡ・・・」の求職者情報が含まれている。

図５は、求職者情報記憶部２３が格納する求職者情報Ｄ１の他の例を示した図である。図５における求職者情報Ｄ１には、求職者ＩＤ「Ｐ１」及び「Ｐ２」が記載したエントリーシートの文書データ（自己紹介）が含まれている。求職者ＩＤ「Ｐ１」の文書データの情報には、「私の強みは行動力です。大学の部活動において、入学時にはバスケットボール部がなかったのですが、仲間を集め、大学の事務局と交渉し、大学公認のバスケットボール部を立ち上げることができました。」というテキスト情報が含まれている。求職者ＩＤ「Ｐ２」の文書データの情報には、「私はどんな困難にも、粘り強く最後までやり抜く自信があります。夏休みにインターンで御社の企画部にて研修を行ったのですが、お客様から急に方針変更があったために、企画当日までに準備が間に合わないことがありました。」というテキスト情報が含まれている。

前処理部２４は、学習部２７の指示に応じて、求職者情報記憶部２３から１レコードの求職者情報Ｄ１（１名分の求職者情報）を読み込み、そのレコードの情報を用いて１つの求職者ベクトルＶ１を生成する。

特徴抽出部２５は、前処理部２４が生成した求職者ベクトルＶ１において特徴の抽出を行い、過去の求職者の特徴量を示す求職者特徴ベクトルＦＶ１を生成する。特徴抽出部２５は、求職者の執筆した文書データの特徴抽出においては、文書全体の特徴の分布を踏まえ、重要な特徴項目を自動的に選択して、求職者特徴ベクトルＦＶ１を生成する。なお、特徴抽出部２５は、実施の形態１における条件決定部１１に対応する。また、求職者特徴ベクトルＦＶ１は、実施の形態１における第１のデータの特徴量に対応する。

教師信号記憶部２６は、過去の求職者と教師信号ＩＳ（優秀／非優秀のラベルであり、実施の形態１における評価値に対応）とを関連付けて保持する。教師信号ＩＳには、例えば、求職者に対する求人企業の採用合否結果（合格／不合格）、入社試験・適性検査の採点結果、求職者の企業入社後のパフォーマンス（良い／悪い）などがある。教師信号記憶部２６は、過去の複数の求職者についての教師信号ＩＳを保持する。

学習部２７は、特徴抽出部２５が生成した求職者特徴ベクトルＦＶ１を読み込むと共に、読み込んだ求職者特徴ベクトルに対応する教師信号ＩＳを教師信号記憶部２６から読み込む。学習部２７は、読み込んだ求職者特徴ベクトルＦＶ１及び教師信号ＩＳに基づいて、過去の求職者と教師信号（優秀／非優秀のラベル）との間の関係性を機械学習し、学習パラメータＬＰを生成する。なお、学習部２７は、実施の形態１における学習パラメータ生成部１２に対応する。

学習結果記憶部２８は、学習部２７の学習結果（学習パラメータＬＰ）を保持する。

求職者評価部２２は、詳細には、求職者情報記憶部２９と前処理部３０と特徴抽出部３１と判別部３２と判別結果記憶部３３を備える。以下、各部について説明する。

求職者情報記憶部２９は、現在の求職者情報Ｄ２を保持する。この求職者情報Ｄ２は、求職者情報記憶部２３に保持された求職者情報Ｄ１と同様の情報であるため、説明を省略する。求職者情報Ｄ２は、実施の形態１における第２のデータに対応する。

前処理部３０は、判別部３２の指示に応じて、求職者情報記憶部２９から１レコードの求職者情報Ｄ２（１名分の求職者情報）を読み込み、そのレコードの情報を用いて１つの求職者ベクトルＶ２を生成する。

特徴抽出部３１は、前処理部３０が生成した求職者ベクトルＶ２において特徴の抽出を行い、現在の求職者の特徴量を示す求職者特徴ベクトルＦＶ２を生成する。なお、特徴抽出部３１は、実施の形態１における評価部１２に対応する。また、求職者特徴ベクトルＦＶ２は、実施の形態１における第２のデータの特徴量に対応する。

判別部３２は、特徴抽出部３１が生成した求職者特徴ベクトルＦＶ２を読み込むと共に、学習結果記憶部２８が保持する学習パラメータＬＰを読み込む。判別部３２は、読み込んだ求職者特徴ベクトルＦＶ２及び学習パラメータＬＰに基づいて、現在の求職者の優秀度又は非優秀度を判別する。

判別結果記憶部３３は、判別部３２が判別した求職者の優秀度又は非優秀度の判別スコアＤＳを保持する。

次に、評価装置２の処理について説明する。評価装置２の処理は、事前学習ステップと判別ステップの２つのステップで構成される。事前学習ステップは、事前学習部２１が実行する処理であり、判別ステップは、求職者評価部２２が実行する処理である。

図６は、事前学習部２１が実行する事前学習ステップの処理を示すフローチャートである。以下、図６を用いて、事前学習ステップの詳細について説明する。

まず、学習部２７は、教師信号記憶部２６から、＜求職者ＩＤ、教師信号＞のリストを読み込む（ステップＳ１１）。この例で、教師信号ＩＳは２値分類で表されており、対応する求職者が優秀である場合に教師信号ＩＳは「１」であり、優秀でない場合に教師信号ＩＳは「０」である。

例えば、教師信号は、求職者が所定の企業（例えば東証一部上場企業）に採用されるか否かの合否結果を示す値であってもよい。この場合、教師信号ＩＳは、採用された場合には「１」、不採用の場合には「０」となる。あるいは、教師信号ＩＳは、求職者の所定の企業入社後の業績を示す値であってもよい。この場合、教師信号ＩＳは、業績が良い場合には「１」、業績が悪い場合には「０」となる。

学習部２７は、複数人の求職者について、それぞれの教師信号ＩＳを読み込む。学習部２７は、ステップＳ１１で読み込んだリストの件数分（読み込んだ求職者の人数分）、以降のステップＳ１３〜ステップＳ１５の処理を繰り返す（ステップＳ１２）。

次に学習部２７は、前処理部２４を駆動させ、ステップＳ１１で取得した求職者ＩＤに対応する求職者情報Ｄ１の読み込みを指示する。前処理部２４は、この指示に応じて、求職者情報の前処理を行う。具体的に、前処理部２４は、判別部３２の指示に応じて求職者情報Ｄ１を読み込み、読み込んだ求職者情報Ｄ１をベクトル形式に変換して、求職者ベクトルＶ１を生成する（ステップＳ１３）。

ここで、前処理部２４は、求職者ベクトルＶ１を例えば次のように作成する。前処理部２４は、図４に示した履歴書情報を求職者情報記憶部２３から取得した場合、求職者の性別、住所、最終学歴、資格について、該当するコード項目を「１」とし、該当しないコード項目を「０」とする。

図７Ａは、履歴書情報が変換された求職者ベクトルの一例を示す。Ｖｅｃ（ｘ）は、求職者ＩＤを変数ｘとした求職者ベクトルを示す。図７Ａでは、求職者の性別、住所、最終学歴、資格といった履歴書情報が、求職者ベクトルのコード項目として設けられている。

図７Ｂ〜図７Ｄは、特定の求職者における、履歴書情報が変換された求職者ベクトルの一例を示す。図７Ｂは、求職者ＩＤ１における求職者ベクトルの一例を示し、図７Ｃは、求職者ＩＤ２における求職者ベクトルの一例を示し、図７Ｄは、求職者ＩＤ５における求職者ベクトルの一例を示す。各求職者の履歴者情報は図４に示した通りである。

図７Ｂでは、求職者ＩＤ１に該当するコード項目として、性別「男性」、住所「東京」、最終学歴「東京大学」、資格「情報処理」にそれぞれ「１」が記載され、その他のコード項目に「０」が記載されている。図７Ｃでは、求職者ＩＤ２に該当するコード項目として、性別「女性」、住所「埼玉」、最終学歴「早稲田大学」、資格「司法書士、英検１級」にそれぞれ「１」が記載され、その他のコード項目に「０」が記載されている。図７Ｄでは、求職者ＩＤ５に該当するコード項目として、性別「男性」、住所「京都」、最終学歴「京都大学」、資格「中小企業診断士」にそれぞれ「１」が記載され、その他のコード項目に「０」が記載されている。

また、前処理部２４は、図５に示した文書データを求職者情報記憶部２３から取得した場合、所定の単語について、該当するコード項目を「１」とし、該当しないコード項目を「０」とする。

具体的に、前処理部２４は、文書データを所定の単語に分解し、その所定の単語が文書データ中に記載されている頻度を数える。単語の分解方法は、形態素解析の技術を用いる。なお、形態素解析は、既に広く知られている技術であるため、詳細な説明を省略する。前処理部２４は、所定の単語を求職者ベクトルの項目、所定の単語の頻度をベクトル値に設定する。なお、頻度算出の対象となる所定の単語は、一つの単語でもよいし、複数の単語（例えば二単語〜五単語）が組み合わされたものでもよい。この時の所定の単語における最適な単語数は、学習対象となる求職者の数、文書データの量等に基づいて変更することができる。最適な単語数は、例えば次のようにして求められる。前処理部２４は、文書データ中の一部をテスト用のデータとして選択し、そのテスト用のデータにおける所定の単語の頻度をテストして、モデルの精度を検証する。前処理部２４は、所定の単語の単語数を変えてモデルの精度を検証し、精度が良いモデルを決定することで、最適な単語数を求めることができる。

また、前処理部２４は、頻度を数える対象となる単語を制限してもよい。例えば、前処理部２４は、全ての文書において高頻度で出る単語（例えば助詞）を除外してもよい。このような処理を行い、前処理部２４は、テキストの特徴、つまりそのテキストを書いた求職者の特徴が出るようなベクトル（数値）化を行う。

図８Ａは、文書データが変換された求職者ベクトルの一例を示す。Ｖｅｃ（ｘ）は、求職者ＩＤを変数ｘとした求職者ベクトルを示す。図７Ａでは、「行動力」、「バスケットボール」、「大学」、「仲間」、「困難」、「粘り強い」、「インターン」、「企画」、・・・、「強み−行動力」、「やり抜く−自信」の単語がコード項目として設けられている。なお、「強み−行動力」、「やり抜く−自信」は、２つの単語が助詞等を間に挟んで結合したものである。

図８Ｂ〜図８Ｃは、特定の求職者における、文書データが変換された求職者ベクトルの一例を示す。図８Ｂは、求職者ＩＤ１における求職者ベクトルの一例を示し、図８Ｃは、求職者ＩＤ２における求職者ベクトルの一例を示す。

図８Ｂでは、求職者ＩＤ１に該当するコード項目として、「行動力」に「１」、「バスケットボール」に「２」、「大学」に「３」、「仲間」に「１」、「強み−行動力」に「１」が記載され、その他のコード項目に「０」が記載されている。図８Ｃでは、求職者ＩＤ２に該当するコード項目として、「困難」に「１」、「粘り強い」に「１」、「インターン」に「１」、「企画」に「２」、「やり抜く−自信」に「１」が記載され、その他のコード項目に「０」が記載されている。

このようにして、前処理部２４は、求職者情報の個々の項目を数値化し、求職者情報全体をベクトル化することができる。なお、前処理部２４は、求職者がメール、ＳＮＳ等へ投稿した文書についても、同様に形態素解析ができる。

また、前処理部２４は、求職者がＷｅｂサイトへアクセスした履歴を、求職者の特徴を表すデータに変換することで、求職者ベクトルを生成することもできる。求職者は、興味を持った企業や職業についてインターネットを使って調査するので、そのアクセス履歴を用いることで、求職者の特徴（例えば職業への志向）を含むベクトルが生成できる。前処理部２４は、テキストを数値化する上述の手法と同様に、アクセス先のＵＲＬ（Uniform Resource Locator）名を分解し、そのアクセス頻度又は滞留時間をカウントする。また、前処理部２４は、ＵＲＬ先のＨＴＴＰ（Hypertext Transfer Protocol）文書を単語に分解し、文書中に含まれる所定の単語をカウントする。このアクセス頻度又は滞留時間と、所定の単語数とに基づいて、アクセス履歴をベクトル化する。

図６に戻り、事前学習ステップの説明を続ける。学習部２７は、特徴抽出部２５を駆動させ、ステップＳ１３で生成した求職者ベクトルＶ１の読み込みを指示する。特徴抽出部２５は、指示に応じて求職者ベクトルＶ１を読み込み、読み込んだ求職者ベクトルＶ１の特徴抽出を行う。このようにして、特徴抽出部２５は、求職者特徴ベクトルＦＶ１を生成する（ステップＳ１４）。

一般に、ステップＳ１３で生成する求職者ベクトルＶ１は、非常に大きいベクトル長のデータであるため、そのままでは学習ステップの後段及び判別ステップへの適用が困難である。そのため、特徴抽出部２５は、求職者ベクトルＶ１において特徴となる項のみを選択することで、圧縮したベクトル（求職者特徴ベクトルＦＶ１）を生成する。

上述した通り、特徴抽出部２５は、求職者の書いた文書データの特徴抽出において、文書全体での特徴の分布を踏まえ、重要な特徴項目を自動的に選択して、特徴ベクトルを生成する。特徴ベクトルの生成方法は、様々な方法が適用可能である。例えば、非特許文献１では、自動で特徴ベクトルを生成するよう処理する機構が開示されている。ただし、特徴抽出部２５は、主成分分析等を用いて、求職者ベクトルＶ１中の重要なベクトル項を分析し、そのベクトル項を選択することで、求職者特徴ベクトルＦＶ１を生成してもよい。これらの処理は、例えば特徴抽出部２５を構成するソフトウェアプログラムで実現される。このように、特徴抽出部２５が求職者特徴ベクトルＦＶ１を生成することで、学習部２７が用いる必要のあるデータ量を削減することができるため、学習部２７の処理時間をより短くすることができる。

次に、学習部２７は、ステップＳ１４で計算した求職者特徴ベクトルＦＶ１と、ステップＳ１１で取得した教師信号ＩＳとを用いて、機械学習パラメータＬＰを調整する（ステップＳ１５）。機械学習は、学習部２７において、任意の教師あり機械学習分類器で実現される。機械学習分類器は、例えば、サポートベクタマシン、ニューラルネット、ベイズ分類器などが広く知られている。

学習部２７は、ステップＳ１１で読み込んだリストの件数分（過去の求職者の数分）だけ、以上のステップＳ１３〜ステップＳ１５の処理を繰り返す（ステップＳ１６）。このようにして、学習部２７は、学習パラメータＬＰを適切な値に調整する。

学習部２７は、リストの件数分ステップＳ１３〜ステップＳ１５の処理を繰り返した後、学習パラメータＬＰを学習結果記憶部２８に書き込む（ステップＳ１７）。このようにして、判別ステップにおいて用いられる学習パラメータＬＰが生成される。

以上、事前学習部２１は、特徴抽出部２５から出力される求職者特徴ベクトルＦＶ１と、教師信号記憶部２６が保持する既知の求職者の教師信号ＩＳ（優秀／非優秀のラベル）とに基づいて、学習部２７にて機械学習を行う。このようにして、事前学習部２１は、機械学習パラメータ（重み）を調整する。

図９は、求職者評価部２２が実行する判別ステップの処理を示すフローチャートである。以下、図９を用いて、判別ステップの詳細について説明する。

まず、判別部３２は、学習結果記憶部２８から、学習パラメータＬＰを読み込む（ステップＳ２１）。次に判別部３２は、前処理部３０を駆動させ、優秀／非優秀判別スコアの算出対象である求職者情報Ｄ２の読み込みを指示する（ステップＳ２２）。

前処理部３０は、判別部３２の指示に応じて求職者情報Ｄ２を読み込んだ後、前処理を行うことで、求職者情報Ｄ２をベクトル形式に変換した求職者ベクトルＶ２を生成する（ステップＳ２３）。本ステップは、ステップＳ１３と同様の処理である。

判別部３２は、特徴抽出部３１を駆動させ、ステップＳ２３で生成した求職者ベクトルＶ２の読み込みを指示する。特徴抽出部３１は、指示に応じて求職者ベクトルＶ２を読み込んだ後、求職者ベクトルＶ２の特徴抽出を行い、求職者特徴ベクトルＦＶ２を生成する（ステップＳ２４）。本ステップは、ステップＳ１４と同様の処理である。このように、特徴抽出部３１が求職者特徴ベクトルＦＶ２を生成することで、判別部３２が用いる必要のあるデータ量を削減することができるため、学習部３２の処理時間をより短くすることができる。

判別部３２は、ステップＳ２４で生成した求職者特徴ベクトルＦＶ２と、学習パラメータＬＰとに基づき、対象とする求職者の優秀／非優秀を判別する判別スコアＤＳ（判別結果）を算出する（ステップＳ２５）。なお、優秀／非優秀の判別スコアとは、一例として、サポートベクタマシンのｐｒｏｂａｂｉｌｉｔｙ（確信度、信頼度）と呼ばれる数値である。なお、サポートベクタマシンを用いて判別スコアを算出する場合には、例えば、Ｌｉｂｓｖｍ（非特許文献２に記載）の−ｂオプションを確率推定機能として用いてもよい。

判別部３２は、ステップＳ２５で算出した求職者の判別スコアＤＳを、その求職者の求職者ＩＤと紐づけて、判別結果記憶部３３に書き込む（ステップＳ２６）。上述の事前学習ステップにおいて、優秀な求職者に「１」、優秀でない求職者に「０」のラベルを付けた教師信号ＩＳで学習を行った場合、判別部３２が算出する判別スコアＤＳは、０から１の間の数値となる。判別スコアＤＳは、判別する対象者が優秀である確からしさが高いほど「１」に、優秀でない確からしさが高いほど「０」に近い数値となる。

以上、判別部３２は、事前学習ステップの学習結果を読み込むことで、判別部３２が機械学習パラメータ（重み）を設定する。また、判別部３２は、特徴抽出部３１から出力される現在の求職者の求職者特徴ベクトルＦＶ２と、機械学習パラメータとに基づいて、その求職者の優秀又は非優秀を判別し、判別スコアＤＳを判別結果記憶部３３に書き込む。

このようにして、評価装置２は、現在の求職者を容易に評価することができる。例えば、特許文献１の手法を求職者への評価に応用しようとすると、分析対象となる求職者に適性検査を実施する必要がある。適性検査の受検には、費用と時間を要するため、多数の求職者に適性検査を受けさせることは困難である。また、求人企業の人事担当者が、求職者の作成した履歴書情報等に基づいて求職者の特性を推測することはできるかもしれない。しかしながら、人事担当者が、履歴書を１枚ずつ読んで求職者を評価することは、多大な手間と時間を要する。それに対し、実施の形態２にかかる評価装置２は、予め既知の求職者の履歴書データ等に基づいて学習パラメータを生成しているため、現在の求職者の履歴書データ等があれば、現在の求職者の評価が容易に可能である。従って、多数の求職希望者の中から、適切な求職者を絞り込み、抽出することが容易にできる。そして、履歴書、自己紹介などの求職者情報を人事担当者が理解し、比較する時間と手間を削減することができる。

例えば、複数の求職者において上述の判別スコアの算出を行った場合、求人企業は、その複数の求職者を判別スコアＤＳ順に並び替えることで、判別スコアＤＳが上位にある求職者（優秀と推定される求職者）を何名か抽出してもよい。求人企業は、その抽出した求職者を、採用の次の選考段階に進ませる等の措置を行う。あるいは、判別スコアＤＳが下位にある求職者（優秀でないと推定される求職者）を何名か抽出することもできる。求人企業は、その抽出した求職者を、不採用とする措置を行う。このようにして、判別部３２が算出した判別スコアＤＳを、求職者のフィルタリングに用いることができる。

教師信号ＩＳが、過去の求職者における採用合否結果（合格／不合格）を示す値である場合、判別部３２は、現在の求職者において予想される採用結果を判別する。例えば、教師信号ＩＳが、採用結果が合格である場合に「１」であり、不合格である場合に「０」であるとする。そして、求職者特徴ベクトルＦＶ１及びＦＶ２は、求職者の求職申請書類等の情報のうち、採用の可否の判断差異となっている特徴データが抽出されたデータであるとする。このとき、判別部３２が現在の求職者に対して算出した判別スコアＤＳが「１」に近いほど、その求職者の採用結果が「合格」に近く（採用の確率が高く）、算出した判別スコアＤＳが「０」に近いほど、その求職者の採用結果が「不合格」に近い（採用の確率が低い）と予想される。換言すれば、現在の求職者に対して算出した判別スコアＤＳが「１」に近いほど、その求職者は優秀であると推定することができる。そのため、求人企業は、算出した判別スコアＤＳが「１」に近い値である場合に（例えば判別スコアＤＳが０．８以上の場合に）、その求職者を次の選考段階に進ませる措置を行うことができる。従って、採用試験で優秀な人材を容易に評価することができる。

また、教師信号ＩＳは、過去の求職者における入社後の仕事の業績（優秀／非優秀）を示す値であってもよい。このとき、判別部３２は、現在の求職者において予想される入社後の仕事の業績を判別する。例えば、教師信号ＩＳが、仕事の業績が優秀である場合に「１」であり、仕事の業績が非優秀である場合に「０」であるとする。そして、求職者特徴ベクトルＦＶ１及びＦＶ２は、求職者の求職申請書類等の情報のうち、仕事の業績において優秀／非優秀の差異を生じさせる特徴データが抽出されたデータであるとする。このとき、判別部３２が現在の求職者に対して算出した判別スコアＤＳが「１」に近いほど、その求職者の予想される入社後の仕事の業績が「優秀」であり、算出した判別スコアが「０」に近いほど、その求職者の予想される入社後の仕事の業績が「非優秀」であると予想される。そのため、求人企業は、算出した判別スコアＤＳが「１」に近い値である場合に、その求職者を次の選考段階に進ませる措置を行うことができる。

また、教師信号ＩＳは、過去の求職者の入社後における職種別での仕事の業績（優秀／非優秀）を示す値であってもよい。職種は、例えば、企業における営業、事務、技術開発等の職種である。この場合、以下のようにして、判別部３２は、現在の求職者において予想される、入社後の職種別での仕事の業績を判別する。

特徴抽出部２５は、過去の求職者について、求職者特徴ベクトルを生成する。教師信号記憶部２６には、職種毎に教師信号ＩＳが保持されている。学習部２７は、求職者特徴ベクトルと職種毎の教師信号ＩＳとに基づいて、職種毎に学習パラメータを調整し、学習結果記憶部２８に格納する。つまり、学習部２７は、複数種類の学習パラメータを生成する。特徴抽出部３１は、現在の求職者について、求職者特徴ベクトルを生成する。判別部３２は、求職者特徴ベクトルと、求職者が希望する職種毎の学習パラメータとに基づいて、職種毎に判別スコアＤＳを算出する。

また、求職者情報記憶部２３〜特徴抽出部２５は、過去の求職者について、その職種毎に求職者特徴ベクトルを生成してもよい。教師信号記憶部２６には、職種毎の教師信号ＩＳが保持されている。学習部２７は、職種毎に、求職者特徴ベクトルと教師信号ＩＳとに基づいて学習パラメータを調整し、学習結果記憶部２８に格納する。同様に、求職者情報記憶部２９〜特徴抽出部３１は、現在の求職者について、求職者が希望する職種毎に求職者特徴ベクトルを生成する。判別部３２は、職種毎に、それぞれの求職者特徴ベクトルと学習パラメータとに基づいて、判別スコアＤＳを算出する。

以上から、判別部３２は、現在の求職者において予想される、入社後の職種別での仕事の業績を判別する。このようにして、求人企業は、求職者の判別スコアＤＳに基づいて、求職者の判別スコアＤＳが高い職種について、求職者の選考を行うことができる。例えば、採用される職種の希望を求職者が予め提示している場合には、判別部３２はそのデータも照合して、求職者が希望し、かつ求職者の判別スコアＤＳが所定の値以上ある職種について、求職者の選考を進めてもよい。このようにして、求職者の適性を反映した選考を行うことができる。

[実施の形態３]
実施の形態２においては、求職者における優秀／非優秀について、１つの観点に基づいて総合的な判別を行った。実施の形態３では、各種の特性（スキルや性格等）別に求職者の判別を行い、それらの判別結果に基づいて求職者の適性を総合的に判別する。例えば、外向的／内向的、行動的／思考的、衝動的／計画的、粘り強い／柔軟、攻撃的／守備的、悲観的／楽観的といった性格の特性毎に判別スコアを算出し、現在の求職者の特性を、特性毎に推定できる。その結果に基づき、所定の特性を有する求職者を抽出することが可能である。なお、実施の形態３にかかる評価装置の構成及び処理は、実施の形態２と同様であるため、詳細な説明を省略する。

例えば、上記の性格の６項目に関し、外交的、行動的、衝動的、柔軟、守備的、楽観的な求職者で、特に行動的かつ柔軟性を重視する求職者を抽出したい場合を考える。このとき、教師信号記憶部２６において、外交的な求職者には「１」が、内向的な求職者には「０」の教師信号ＩＳ１が設定されている。同様に、教師信号記憶部２６においては、行動的な求職者には「１」が、思考的な求職者には「０」の教師信号ＩＳ２が設定されている。また、衝動的な求職者には「１」が、計画的な求職者には「０」の教師信号ＩＳ３が設定されている。粘り強い求職者には「１」が、柔軟な求職者には「０」の教師信号ＩＳ４が設定されている。攻撃的な求職者には「１」が、守備的な求職者には「０」の教師信号ＩＳ５が設定されている。悲観的な求職者には「１」が、楽観的な求職者には「０」の教師信号ＩＳ６が設定されている。このように、各項目についての教師信号が教師信号記憶部２６に格納されている。

そして、学習部２７は、教師信号ＩＳ１を使用して上述の機械学習を行うことで、求職者が外向的／内向的かを判断するのに必要な学習パラメータＬＰ１を生成する。他の教師信号ＩＳ２〜ＩＳ６についても、機械学習を行い、学習パラメータＬＰ２〜ＬＰ６を生成する。つまり、学習部２７は、６個の学習パラメータＬＰ１〜ＬＰ６を生成し、学習結果記憶部２８に出力する。

判別部３２は、特徴抽出部３１から出力された求職者特徴ベクトルＦＶ２に対し、学習パラメータＬＰ１を適用させることで、現在の求職者が外向的であるか内向的であるかを判別する判別スコアを算出する。この判別スコアをｖ１とすると、ｖ１が「１」に近いほどこの求職者は外交的であり、「０」に近いほどこの求職者は内向的であると推定できる。判別部３２は、同様にして、他５項目の判別スコアを算出する。ここで、現在の求職者が行動的か思考的かを判別する判別スコアをｖ２、衝動的か計画的かを判別する判別スコアをｖ３、粘り強いか柔軟かを判別する判別スコアをｖ４、攻撃的か守備的かを判別する判別スコアをｖ５、悲観的か楽観的かを判別する判別スコアをｖ６とする。ｖ２が「１」に近いほどこの求職者は行動的であり、「０」に近いほどこの求職者は思考的であると推定できる。ｖ３が「１」に近いほどこの求職者は衝動的であり、「０」に近いほどこの求職者は計画的であると推定できる。ｖ４が「１」に近いほどこの求職者は粘り強く、「０」に近いほどこの求職者は柔軟であると推定できる。ｖ５が「１」に近いほどこの求職者は攻撃的であり、「０」に近いほどこの求職者は守備的であると推定できる。ｖ６が「１」に近いほどこの求職者は悲観的であり、「０」に近いほどこの求職者は楽観的であると推定できる。

判別部３２は、現在の求職者のトータルの判別スコアＶを、次のように算出する。
Ｖ＝ｖ１＊１．０＋ｖ２＊２．０＋ｖ３＊１．０＋（１−ｖ４）＊２．０＋（１−ｖ５）＊１．０＋（１−ｖ６）＊１．０・・・（１）
上述のｖ１〜ｖ６の特性から、現在の求職者が、外交的、行動的、衝動的、柔軟、守備的、楽観的な性格に近いほど、式（１）の判別スコアＶが高く算出される。従って、判別スコアＶが所定の閾値以上の求職者を抽出することで、外交的、行動的、衝動的、柔軟、守備的、楽観的な性格を有する現在の求職者を抽出することができる。特に、式（１）では、判別スコアｖ２及び（１−ｖ４）を、他の判別スコアよりも高く重み付けしているため、求職者が行動的であること及び柔軟性があることの特性が、他の特性よりも判別スコアＶに顕著に表れる。そのため、特に行動的かつ柔軟性を重視する求職者を抽出することができる。

このように、各種の特性（スキルや性格等）別に求職者の判別スコアを算出し、それらの判別スコアに基づいて求職者の適性を判別することができる。このため、求職者の適性を多面的な角度から判別することができる。特に、複数の判別スコアを加算する際に、特性に応じて判別スコア毎の重み付けを変えることで、重視する特性を高く評価した求職者の判別結果を得ることができる。

なお、スコアを高くする特性は、求職者を必要とする職種に応じて、適宜変更することができる。求職者を評価する加算式も、式（１）に限られない。例えば、判別スコアの１次の加算式ではなく、２次以上の加算式であってもよい。また、性格の例は以上に限られない。教師信号は、相反的な第１の性格と第２の性格とがある場合、第１の性格を「１」とし、第２の性格を「０」とするように設定される。特性の数も、上述の例である６つに限られず、２、３、・・・等の他の数（２以上の数）であってよい。

本発明は、人材マネジメント業務全般について適用することができる。例えば、新入社員又はアルバイトの採用、中途採用、社内人事（異動や昇格）、再就職斡旋、人材派遣等の業務について、本発明を適用することができる。

なお、本発明は上記実施の形態に限られたものではなく、趣旨を逸脱しない範囲で適宜変更することが可能である。例えば、実施の形態２において、求職者ベクトルＶ１の情報量が多くないのであれば、求職者ベクトルＶ１を、そのまま求職者特徴ベクトルＦＶ１として用いてもよい。求職者ベクトルＶ２についても同様である。

実施の形態２、３において、算出した判別スコアの値が高いほど、求職者が優秀である（適性がある）と判定される。しかし、逆に、算出した判別スコアの値が低いほど、求職者が優秀である（適性がある）と判定されるように、判別スコアの計算を行ってもよい。

図２に示したフローチャートにおいて、ステップＳ３は、ステップＳ２の前に実行されてもよい。また、図６に示したフローチャートにおいて、ステップＳ１１は、ステップＳ１３〜ステップＳ１５の間において実行されてもよい。同様に、図９に示したフローチャートにおいて、ステップＳ２１は、ステップＳ２２〜ステップＳ２５の間において実行されてもよい。

教師信号は、実施の形態２及び３では２値分類で表したが、多値分類（例:０〜１００の整数値）、連続値（例:０から１の間の数値）としても良い。例えば、教師信号として、適性検査の特定の検査項目の点数、就職後の業績評価の平均値や累積値等のデータを用いてもよい。さらに、教師信号として、求人者が求人企業に対してＦａｃｅｂｏｏｋ上で「イイね！」ボタンを押下した回数、Ｔｗｉｔｔｅｒ上でつぶやいた回数、インターネット掲示板に書き込んだ回数、等を用いてもよい。

求職者情報Ｄ１及びＤ２は、求職者の書いた文書データをそれぞれ含むデータであってもよい。特徴抽出部２５は、過去の求職者の書いた文書データ（第１の文書データ）における所定の単語に関する特徴ベクトルＦＶ１を生成し、特徴抽出部３１は、現在の求職者の書いた文書データ（第２の文書データ）における所定の単語に関する特徴ベクトルＦＶ２を生成する。このようにして、評価装置２は、求職者の特性が表れている文書データにおいて、求職者の優秀／非優秀を示す所定の単語を、評価の基準として用いることができる。そのため、現在の求職者の優秀／非優秀を精度よく評価することができる。文書データは、特に履歴書のデータであってもよい。履歴書のデータを用いることで、採用試験で通常用いる求職申請書類を用いて、現在の求職者の優秀／非優秀を精度よく評価することができる。

求職者情報Ｄ１及びＤ２は、求職者の行動履歴をそれぞれ含むデータであってもよい。求職者の行動履歴を含むデータを用いると、評価装置２は、求職者が書いた文書だけでは分からない求職者の特性を反映させて、現在の求職者の優秀／非優秀を多面的に評価することができる。例えば、行動履歴は、インターネットアクセスの履歴を含んでもよい。特徴抽出部２５は、過去の求職者のインターネットアクセスの履歴（第１の行動履歴）に基づいて、過去の求職者がアクセスしたＷｅｂサイト上の文書中の単語に関する特徴ベクトルＦＶ１を生成する。同様に、特徴抽出部３１は、現在の求職者のインターネットアクセスの履歴（第２の行動履歴）に基づいて、現在の求職者がアクセスしたＷｅｂサイト上の文書中の単語に関する特徴ベクトルＦＶ２を生成する。このようにして、評価装置２は、求職者のインターネット閲覧における志向性を反映させて、現在の求職者の優秀／非優秀を評価することができる。

実施の形態１ないし３では、処理を実行する各処理部が１つの評価装置内に含まれている例を説明した。しかしながら、上述の各処理部と同様の処理を実行する処理手段が、複数の装置に分散して設けられてもよい。この複数の装置は、１つの評価システムを構成する。この評価システムが実行する処理は、上述の評価装置が実行する処理と同様である。

上述した評価装置の処理は、制御方法の１つとして、コンピュータに実行させることができる。例えば、実施の形態１に示した処理のフローを、制御プログラムとしてコンピュータに実行させてもよい。その他の処理フローについても同様にしてコンピュータに実行させることができる。

プログラムは、様々なタイプの非一時的なコンピュータ可読媒体（non-transitory computer readable medium）を用いて格納され、コンピュータに供給することができる。非一時的なコンピュータ可読媒体は、様々なタイプの実体のある記録媒体（tangible storage medium）を含む。非一時的なコンピュータ可読媒体の例は、磁気記録媒体（例えばフレキシブルディスク、磁気テープ、ハードディスクドライブ）、光磁気記録媒体（例えば光磁気ディスク）、ＣＤ−ＲＯＭ、ＣＤ−Ｒ、ＣＤ−Ｒ／Ｗ、半導体メモリ（例えば、マスクＲＯＭ、ＰＲＯＭ（Programmable ROM）、ＥＰＲＯＭ（Erasable PROM）、フラッシュＲＯＭ、ＲＡＭ（Random Access Memory））を含む。また、プログラムは、様々なタイプの一時的なコンピュータ可読媒体（transitory computer readable medium）によってコンピュータに供給されてもよい。一時的なコンピュータ可読媒体の例は、電気信号、光信号、及び電磁波を含む。一時的なコンピュータ可読媒体は、電線及び光ファイバ等の有線通信路、又は無線通信路を介して、プログラムをコンピュータに供給できる。

１、２ 評価装置
１１ 条件決定部
１２ 評価部
２１ 事前学習部
２２ 求職者評価部
２３ 求職者情報記憶部
２４ 前処理部
２５ 特徴抽出部
２６ 教師信号記憶部
２７ 学習部
２８ 学習結果記憶部
２９ 求職者情報記憶部
３０ 前処理部
３１ 特徴抽出部
３２ 判別部
３３ 判別結果記憶部

Claims (6)

1. 第１の評価対象者のインターネットアクセスの履歴に基づいて、前記第１の評価対象者がアクセスしたホームページ上の文書中の単語に関する特徴ベクトルを第１のデータとして生成する第１の特徴ベクトル生成部と、
   第２の評価対象者のインターネットアクセスの履歴に基づいて、前記第２の評価対象者がアクセスしたホームページ上の文書中の単語に関する特徴ベクトルを第２のデータとして生成する第２の特徴ベクトル生成部と、
   前記生成された第１のデータと、前記第１の評価対象者毎の評価値とに基づいて、前記第１のデータと前記評価値とを関連付ける条件を決定する条件決定部と、
   前記生成された第２のデータと、前記条件決定部で決定した前記条件とに基づいて、前記第２の評価対象者の評価値を求める評価部と、
   を備える評価対象者の評価装置。
2. 前記評価装置は、人材採用において前記第２の評価対象者の選別を行うための装置であり、
   前記第１の評価対象者毎の前記評価値は、前記第１の評価対象者毎の採用結果を示す値であり、前記第２の評価対象者の前記評価値は、前記第２の評価対象者において予想される採用結果である、
   請求項１に記載の評価装置。
3. 前記第１の評価対象者毎の前記評価値は、前記第１の評価対象者毎における仕事の業績を示す値であり、前記第２の評価対象者の前記評価値は、前記第２の評価対象者において予想される仕事の業績である、
   請求項１に記載の評価装置。
4. 前記第１の評価対象者毎の前記評価値は、前記第１の評価対象者毎における職種別の仕事の業績を示す値であり、前記第２の評価対象者の前記評価値は、前記第２の評価対象者において予想される職種別の仕事の業績である、
   請求項１に記載の評価装置。
5. 第１の評価対象者のインターネットアクセスの履歴に基づいて、前記第１の評価対象者がアクセスしたホームページ上の文書中の単語に関する特徴ベクトルを第１のデータとして生成し、
   第２の評価対象者のインターネットアクセスの履歴に基づいて、前記第２の評価対象者がアクセスしたホームページ上の文書中の単語に関する特徴ベクトルを第２のデータとして生成し、
   前記生成された第1のデータと、前記第１の評価対象者毎の評価値とに基づいて、前記第１のデータと前記評価値とを関連付ける条件を決定する条件決定ステップと、
   前記生成された第２のデータと、前記条件決定ステップで決定した前記条件とに基づいて、前記第２の評価対象者の評価値を求める評価ステップと、
   を備える評価対象者の評価方法。
6. 第１の評価対象者のインターネットアクセスの履歴に基づいて、前記第１の評価対象者がアクセスしたホームページ上の文書中の単語に関する特徴ベクトルを第１のデータとして生成する第１の特徴ベクトル生成手段と、
   第２の評価対象者のインターネットアクセスの履歴に基づいて、前記第２の評価対象者がアクセスしたホームページ上の文書中の単語に関する特徴ベクトルを第２のデータとして生成する第２の特徴ベクトル生成手段と、
   前記生成された第1のデータと、前記第１の評価対象者毎の評価値とに基づいて、前記第１のデータと前記評価値とを関連付ける条件を決定する条件決定手段と、
   前記生成された第２のデータと、前記条件決定手段で決定した前記条件とに基づいて、前記第２の評価対象者の評価値を求める評価手段と、
   を備える評価対象者の評価システム。

Images