JP6230725B2 - 因果関係分析装置、及び因果関係分析方法 - Google Patents

Description

本発明は、因果関係分析装置、及び因果関係分析方法に関する。

特許文献１には、「複数の事象間の因果関係を示す構造データと、因果関係のある任意の２つの事象間について当該任意の２つの事象間の因果関係の強さを示す情報を含む、時系列な第１の因果モデルと第２の因果モデルを生成し、第１の事象と因果関係のある各事象について、第１及び第２の因果モデル間で、第１の事象との因果関係の強さの変化量及び当該各事象の起こる確率の変化量を算出し、第１の事象と因果関係のある事象のうち因果関係の強さの変化量が予め定められた閾値以上である事象と第１の事象との因果関係の強さの変化、及び第１の事象と因果関係のある事象のうち確率の変化量が予め定められた閾値以上である事象の変化を、第１及び第２の因果モデル間での第１の事象の変化の要因として特定する。」と記載されている。

特開２００６−１２７０５９号広報

近年、データ分析技術の進展に伴い、政府が公開する統計情報等のオープンデータやニュース記事、ＳＮＳ（Social Networking Service）の発言等を活用して複雑化する社会動向や業界動向や個人の価値観等の時系列な変化を分析し、マーケティング等への積極的な研究や活用が進められている。しかし社会動向や業界動向、個人の価値観は様々な要素が複雑に絡み合い変化するため、ある注目対象の要素の時系列データの変化に着目したとき、その変化の真の要因となる要素を見つけることは必ずしも容易でない。

時間の経過とともに変動するシステムの挙動に着目して時系列な変化の要因を分析する手法としてシステムダイナミクス（System Dynamics）が知られている。システムダイナミクスでは、システムの変動に影響を及ぼす要素（ノード）を特定し、そのノード間の因果関係をモデル化する。そして作成したモデルに基づきシミュレーションを実施することにより、時間経過に伴って変化するシステムの特性を分析する。

システムダイナミクスでは、ノード間の因果関係モデル化する際に因果ループ図を用いる。因果ループ図は、各ノードと因果関係を表す矢印で構成される。矢印には、一方が増加（または減少）すれば他方も増加（または減少）するという「正の相関」を表現するものと、一方が増加（または減少）すれば他方は減少（または増加）するという「負の相関」を表現するものがある。因果ループ図を用いることで、効果が現れるまでに時間が掛かるようなノードについても表現することができる。そのため、因果ループ図は時間経過に伴って変化する要素の特性をモデル化するのに適している。

ここで上記特許文献１では、第１の事象と因果関係のある事象のうち因果関係の強さの変化量が予め定められた閾値以上である事象と第１の事象との因果関係の強さの変化、及び第１の事象と因果関係のある事象のうち確率の変化量が予め定められた閾値以上である事象の変化を、第１及び第２の因果モデル間での第１の事象の変化の要因として特定している。

しかし特許文献１では、事象毎の時系列データの変化の時間差を考慮した分析を行っていないため、例えば、過去に事象Ａで起こった変化が、現在の事象Ｂに及ぼす影響については分析することができない。また因果関係の強さの変化量が閾値以下である場合、変化量の符号が正（負）から負（正）に転じたときの変化については、その要因となるノードを検出することができない。また因果関係モデルを構成しているノード群がループを構成している場合、即ちある結果ノードの変化の要因を、その結果ノードと因果関係にあるノードを遡って（原因ノードを順に辿って）探索した際、上記結果ノードに回帰するような場合の取り扱いについて特許文献１ではとくに言及していない。

本発明はこのような背景に鑑みてなされたもので、システムダイナミクスを社会変動や業界動向、個人の価値観等の時系列な変化の要因分析に応用して因果関係モデルを作成し、因果関係モデルを構成するノードの時系列データの変化に対するノード間の影響を分析することが可能な、因果関係分析装置、及び因果関係分析方法を提供することを目的とする。

上記目的を達成するための本発明の因果関係分析装置は、因果関係モデルを構成するノードの時系列データの変化の要因を分析する情報処理装置であって、因果関係モデルを構成するノード間の因果関係を示すデータ、及び前記因果関係モデルを構成する各ノードの時系列データを記憶し、因果関係モデルを構成するノードのうち、その時系列データに変局点を有するノードである注目ノードを起点として、前記ノード間の因果関係を順に遡ることにより特定されるノードについて、より過去の時点に生じた変局点をその時系列データに有するノードを順に探索することにより、前記注目ノードの時系列データの変化に影響を与えたノードを特定する。

その他、本願が開示する課題、及びその解決方法は、発明を実施するための形態の欄、及び図面により明らかにされる。

本発明によれば、因果関係モデルを構成するノードの時系列データの変化に対するノード間の影響を分析することができる。

因果関係分析システム１の概略的な構成を示す図である。 因果関係分析装置１０が備える機能及び因果関係分析装置１０が管理するデータを説明するデータフロー図である。 因果関係モデル（因果ループ図）の一例である。 因果関係モデルデータ２０１の一例である。 ソーシャルメディアデータ２０３の一例である。 オープンデータ２０４の一例である。 時系列データ２０５の一例である。 時系列データ生成処理Ｓ８００を説明するフローチャートである。 因果関係分析処理Ｓ９００を説明するフローチャートである。 分析結果表示画面１０００の一例である。

以下、実施形態について図面を参照しつつ詳細に説明する。

図１に一実施形態として説明する因果関係分析システム１の概略的な構成を示している。同図に示すように、因果関係分析システム１は、因果関係分析装置１０及びサーバ装置２０を含む。因果関係分析装置１０とサーバ装置２０は、通信ネットワーク５を介して通信可能に接続されている。通信ネットワーク５は、例えば、インターネットや専用回線等である。

サーバ装置２０は、例えば、ＳＮＳサーバ（SNS:Social Network Service）、オープンデータサーバ、Ｗｅｂサーバ等であり、通信ネットワーク５を介してアクセスしてくる他の装置に対して情報（データ）を提供する。

因果関係分析装置１０は、通信ネットワーク５を介してサーバ装置２０にアクセスし、サーバ装置２０から情報を取得する。因果関係分析装置１０は、取得した情報を用い、システムダイナミクス（System Dynamics）を社会動向、業界動向、個人の価値観等の変化等の調査に応用して構築した因果関係モデル（因果ループ図（CLD:Causal Loop Diagram））について、上記因果関係モデルを構成するノードの時系列データの変化の要因を分析する。

因果関係分析装置１０は、因果関係モデルを構成するノード間の因果関係を示すデータ、及び因果関係モデルを構成する各ノードの時系列データを記憶する。因果関係分析装置１０は、上記時系列データを、例えば、通信ネットワーク５を介して取得される情報に基づき生成する。

因果関係分析装置１０は、生成した時系列データを用い、因果関係モデルを構成するノードのうち、その時系列データに変局点を有するノードである注目ノードを起点として、ノード間の因果関係を順に遡ることにより特定されるノードについて、より過去の時点に生じた変局点をその時系列データに有するノードを順に探索することにより、注目ノードの時系列データの変化に影響を与えたノードを特定する。より具体的には、例えば、因果関係分析装置１０は、ノード間の因果関係を順に遡ることにより、より過去の時点に生じた変局点をその時系列データに有するノードとして最後に特定されたノードを、注目ノードの時系列データの変化に影響を与えたノードとして特定する。

尚、因果関係分析装置１０は、上記特定に際し、ノード間の結びつきの強さを示す指標である関連度を適宜併用する。例えば、因果関係分析装置１０は、最後に特定されたノードと注目ノードとの関連度が予め設定された強さ以上である場合に、最後に確認されたノードを注目ノードに影響を与えたノードとして特定する。

上記変局点は、例えば、（１）時系列データの変化率の傾きの符号が反転した点、（２）時系列データの変化率の傾きの絶対値が予め設定された閾値以上変化した点、（３）時系列データの変化率の傾きの符号が反転しかつ変化率の傾きの絶対値が予め設定された閾値以上変化した点等である。このような点を変局点とすることで、注目ノードの時系列データの変化に影響を与えたノードを精度よく特定することができる。

尚、因果関係分析装置１０は、ノード間の因果関係を順に辿ることによりループが検出された場合、ループを構成しているノードの原因ノードである、ループを構成していない他のノードについても探索の対象に含める。このように因果関係分析装置１０は、ループの存在を検出するとともに、ループ外に探索範囲を広げるので、注目ノードの時系列データの変化に影響を与えたノードを漏れなく確実に特定することができる。

図１に示すように、因果関係分析装置１０は、プロセッサ１０１、記憶装置１０２、入力装置１０３、出力装置１０４、及び通信装置１０５を備えた情報処理装置（コンピュータ）によって実現される。プロセッサ１０１は、例えば、ＣＰＵ（Central Processing Unit）、ＭＰＵ（Micro Processing Unit）を用いて構成されている。記憶装置１０２は、プログラムやデータを記憶する装置であり、例えば、ＲＯＭ（Read Only Memory）、ＲＡＭ（Random Access Memory）、ＮＶＲＡＭ（Non Volatile RAM）、ハードディスクドライブ、ＳＳＤ（Solid State Drive）、光学式記憶装置等である。入力装置１０３は、ユーザから情報や指示の入力を受け付けるユーザインタフェースであり、例えば、キーボード、マウス、タッチパネル等である。出力装置１０４は、ユーザに情報を提供するユーザインタフェースであり、例えば、グラフィックカード、液晶モニタ等である。通信装置１０５は、通信ネットワーク５を介して他の装置と通信する通信インタフェースであり、例えば、ＮＩＣ（Network Interface Card）や無線ＬＡＮインタフェースである。プロセッサ１０１、記憶装置１０２、入力装置１０３、出力装置１０４、及び通信装置１０５はバス等の通信手段を介して通信可能に接続されている。

図２は因果関係分析装置１０が備える機能及び因果関係分析装置１０が管理するデータを説明するデータフロー図である。因果関係分析装置１０は、時系列データ生成部２０６、因果関係分析部２０７、及び分析結果出力部２０８の各機能を備える。これらの機能は、プロセッサ１０１が、記憶装置１０２に格納されているプログラムを読み出して実行することにより実現される。同図に示す各機能は、因果関係分析装置１０の機能の理解を容易にするために便宜的に設定したものに過ぎず、各機能の分類の仕方や名称はここに示した態様に限定されない。これらの機能は、例えば、ハードウェア（ＡＳＩＣ（Application Specific Integrated Circuit）等）によって実現されるものであってもよい。また例えば、これらの機能の複数が一つのハードウェアによって実現される構成としてもよい。また例えば、これらの機能が複数のハードウェアによって分散もしくは協調して実現される構成としてもよい。

同図に示すように、因果関係分析装置１０は、因果関係モデルデータ２０１、自然言語辞書２０２（類義語辞書や共起語辞書等）、ソーシャルメディアデータ２０３、オープンデータ２０４、及び時系列データ２０５を管理する。因果関係分析装置１０は、これらのデータを、例えば、ＤＢＭＳ（DataBase Management System）が提供するデータベースのテーブルとして管理する。

因果関係モデルデータ２０１は、例えば、社会動向、業界動向、個人の価値観等の変化等に関して因果関係モデルで記述されたノード間の関係を表わすデータである。

図３に因果関係モデルデータ２０１によって表現される因果関係モデル（因果ループ図）の一例を示している。同図において、ノード３０１は、例えば、社会動向Ａを構成するノードを示す。リンク３０２は、ノード間に因果関係があることを示しており、矢印の始点は「原因ノード」に接続し、矢印の終点は「結果ノード」に接続している。実線で示すリンク３０２は、当該リンク３０２が接続する始点のノードと終点のノードとの間に「正の相関」があることを示しており、点線で示すリンク３０２は、当該リンク３０２が接続する始点のノードと終点のノードとの間に「負の相関」があることを示している。

ループ３０３は、あるノードを起点としてノード間の因果関係を順に遡った（原因ノードを順に辿った）結果、上記起点ノードに戻る構造である。この例では、ノードＡの原因ノードがノードＤであり、ノードＤの原因ノードがノードＣであり、ノードＣの原因ノードがノードＢであり、ノードＢの原因ノードがノードＡであることから、ノードＡを起点としてノードＡに戻るループが形成されている。

図４に図３に示した因果関係モデル（因果ループ図）に対応する因果関係モデルデータ２０１を示している。同図に示すように、因果関係モデルデータ２０１は、ノードＩＤ４０１、ノード名称４０２、原因ノードＩＤ４０３、原因ノード間関係４０４、原因ノード間関連度４０５、結果ノードＩＤ４０６、結果ノード間関係４０７、及び結果ノード間関連度４０８の各項目を有する複数のレコードで構成されている。

このうちノードＩＤ４０１には、因果関係モデルを構成するノードの識別子（文字列、数値等）が設定される。またノード名称４０２には、ノードの名称を示す情報（文字列等）が設定され、例えば、ノードの内容を示す情報が設定される。

原因ノードＩＤ４０３には、ノードＩＤ４０１で特定されるノードを結果ノードとしたときに原因ノードに相当するノードのノードＩＤが設定される。原因ノード間関係４０４には、ノードＩＤ４０１で特定されるノードと、原因ノードＩＤ４０３で特定されるノードとの関係（「正の相関」又は「負の相関」）を示す情報が設定される。本実施形態では、ノードＩＤ４０１で特定されるノードと原因ノードＩＤ４０３で特定されるノードとの間に「正の相関」がある場合は「１」が、ノードＩＤ４０１で特定されるノードと原因ノードＩＤ４０３で特定されるノードとの間に「負の相関」がある場合は「０」が設定されるものとする。

原因ノード間関連度４０５には、ノードＩＤ４０１で特定されるノードと、原因ノードＩＤ４０３で特定されるノードとの結びつきの強さを示す指標である関連度（以下、原因ノード間関連度とも称する。）が設定される。因果関係分析部２０７は、例えば、ノードＩＤ４０１で特定されるノードに関連するソーシャルメディアデータ２０３（又はオープンデータ２０４）に含まれる用語（キーワード）と、原因ノードＩＤ４０３で特定されるノードに関連するソーシャルメディアデータ２０３（又はオープンデータ２０４）に含まれる用語（キーワード）との間の共起頻度に基づき関連度を求める。例えば、因果関係分析部２０７は、ノードＩＤ４０１を「ノードＡ」、原因ノードＩＤ４０３を「ノードＤ」としたとき、原因ノードＩＤ４０３の「キーワードａ」及び「キーワードｂ」に合致するソーシャルメディアデータ２０３の件数を分母とし、また原因ノードＩＤ４０３の「キーワードａ」「キーワードｂ」に加えて、更にノードＩＤ４０１の「キーワードｄ」を含むソーシャルメディアデータ２０３の件数を分子として求められる比率に基づき関連度を求める。尚、原因ノード間関連度は、ノードＩＤ４０１で特定されるノードの時系列データ２０５と原因ノードＩＤ４０３で特定されるノードの時系列データ２０５との相関から求めてもよい（その場合、時系列データ２０５に適宜、評価値の正規化や横軸の時間ずれの補正を施してもよい）。

結果ノードＩＤ４０６には、ノードＩＤ４０１で特定されるノードを原因ノードとしたときの結果ノードに相当するノードのノードＩＤが設定される。結果ノード間関係４０７には、ノードＩＤ４０１で特定されるノードと、結果ノードＩＤ４０６で特定されるノードと関係（「正の相関」又は「負の相関」）を示す情報が設定される。本実施形態では、ノードＩＤ４０１で特定されるノードと結果ノードＩＤ４０６で特定されるノードとの間に「正の相関」がある場合は「１」が、ノードＩＤ４０１で特定されるノードと結果ノードＩＤ４０６で特定されるノードとの間に「負の相関」がある場合は「０」が設定されるものとする。

結果ノード間関連度４０８には、ノードＩＤ４０１で特定されるノードと、結果ノードＩＤ４０６で特定されるノードとの結びつきの強さを示す指標である関連度（以下、結果ノード間関連度とも称する。）が設定される。因果関係分析部２０７は、例えば、前述した原因ノード間関連度と同様の方法により結果ノード間関連度を求める。尚、結果ノード間関連度は、ノードＩＤ４０１で特定されるノードの時系列データ２０５と結果ノードＩＤ４０６で特定されるノードの時系列データ２０５との相関から求めてもよい（その場合、時系列データ２０５に適宜、評価値の正規化や横軸の時間ずれの補正を施してもよい）。

図５にサーバ装置２０から取得されるソーシャルメディアデータ２０３の一例を示す。同図に示すように、ソーシャルメディアデータ２０３は、発言者ＩＤ５０１、発言ＩＤ５０２、発言日時５０３、及び発言内容５０４の各項目を有する複数のレコードで構成される。尚、ソーシャルメディアデータ２０３は、例えば、ソーシャルネットワーキングサービス、ブログ、掲示板等によって提供されるデータである。

発言者ＩＤ５０１には、当該ソーシャルメディアデータ２０３の発言者を特定する情報（文字列、数値等）が設定され、例えば、ユーザ名が設定される。発言ＩＤ５０２には、各発言（レコード）を識別する情報（文字列、数値等）が設定される。発言日時５０３には、ソーシャルメディアにおいて当該レコードの発言が掲載（投稿）された日時を示す情報（文字列、数値等）が設定される。発言内容５０４には、ソーシャルメディアに掲載（投稿）された発言の内容を示す情報（文字列、数値等）が設定される。

図６にサーバ装置２０から取得されるオープンデータ２０４の一例を示す。同図に示すように、オープンデータ２０４は、リストＩＤ６０１、タイトル６０２、及びリンク情報６０３の各項目を有する複数のレコードで構成されている。

オープンデータ２０４は、例えば、官公庁、公共機関、企業、研究機関が公開する公的な情報である。またオープンデータ２０４は、例えば、ＴＶなどの媒体により公開され、ニュース、気象情報など公共性、信頼性の高い情報である。またオープンデータ２０４は、例えば、公開日時、公開元などの公開者の属性情報を含む。またオープンデータ２０４は、例えば、「誰が」、「何を」、「いつ」、「どこで」、「なぜ」、「どのように」等の情報を含む。またオープンデータ２０４は、例えば、俗語および意図的な誤入力・誤変換などを用いていない情報を含む。

リストＩＤ６０１には、オープンデータ２０４の各レコードの識別子（文字列、数値等）が設定される。タイトル６０２には、当該レコードのオープンデータ２０４のタイトルに相当する情報（文字列、数値等）が設定される。リンク情報６０３は、当該レコードのオープンデータ２０４の所在を示す情報（例えば、ＵＲＬ（Uniform Resource Locator）が設定される。

図７はソーシャルメディアデータ２０３又はオープンデータ２０４を用いて生成される時系列データ２０５の一例である。同図に示すように、時系列データ２０５は、ノードＩＤ７０１、ノード名称７０２、時間７０３、実データ７０４、及びネガポジ比率７０５の各項目を有する複数のレコードで構成される。

ノードＩＤ７０１には、ノードの識別子（文字列、数値等）が設定される。ノードＩＤ７０１に設定される識別子は、因果関係モデルデータ２０１のノードＩＤ４０１と共通である。ノード名称７０２には、ノードの名称を示す情報（文字列等）が設定され、例えば、ノードの具体的な内容を示す情報が設定される。ノード名称７０２に設定される情報は因果関係モデルデータ２０１のノード名称４０２と共通である。

時間７０３には、実データ７０４に対応する時間（例えば実データ７０４が発生した時間）を示す情報が設定される。時間７０３は、時系列データ２０５をグラフで表現した場合に横軸の情報として用いられる。時間７０３には、例えば、実データ７０４が取得された時間が設定される。同図では時間７０３に年次を設定した場合を示しているが、時間７０３には、例えば、月次や日付等を設定することもできる。時間７０３の期間や刻み幅はソーシャルメディアデータ２０３やオープンデータ２０４に含まれるデータをそのまま用いてもよいし、それらのデータをユーザ等が適宜加工してもよい。

実データ７０４には、時系列データ２０５の内容（大きさを示す数値等）が設定される。例えば、実データ７０４には、ソーシャルメディアデータ２０３やオープンデータ２０４に含まれている評価値や評価値を加工した値（比率等）が設定される。実データ７０４は、時系列データ２０５をグラフで表現した場合に縦軸の情報として用いられる。

ネガポジ比率７０５には、当該レコードに対応するソーシャルメディアデータ２０３全体における、当該レコードに対応するノードの内容（例えばノード名称７０２の内容）についてのネガティブ（否定的）な内容のソーシャルメディアデータ２０３の件数とポジティブ（肯定的）な内容のソーシャルメディアデータ２０３の件数との比率（以下、ネガポジ比率とも称する。）が設定される。尚、因果関係分析装置１０は、ソーシャルメディアデータ２０３がノードの内容に対してネガティブな内容であるかポジティブな内容であるかを、例えば、ソーシャルメディアデータ２０３の内容、当該レコードのノードの内容、及び自然言語辞書２０２を対照することにより判定する。ネガポジ比率７０５は、時系列データ２０５をグラフで表現した場合に縦軸の情報として用いられる。

続いて、因果関係分析装置１０が行う処理について説明する。尚、以下の説明において、符号の先頭に付している「Ｓ」の文字は処理ステップの略字である。

＜時系列データ生成処理＞
図８は、時系列データ生成部２０６が行う処理(以下、時系列データ生成処理Ｓ８００と称する。）を説明するフローチャートである。以下、同図とともに時系列データ生成処理Ｓ８００について説明する。時系列データ生成処理Ｓ８００は随時実行される。

まず時系列データ生成部２０６は、因果関係モデルデータ２０１のノード（レコード、ノードＩＤ４０１）を一つ選択する（Ｓ８０１）。

続いて、時系列データ生成部２０６は、選択したノードのノード名称４０２に基づき、時系列データ２０５の生成に用いるキーワードを生成する。例えば、ノード名称４０２に「ノードＡ」という文字列が設定されていた場合、時系列データ生成部２０６は、当該文字列に基づき「キーワードａ」、「キーワードｂ」を生成する。キーワードは、ノード名称４０２から抽出される単語をそのまま用いて生成してもよいし、ノード名称４０２から抽出される単語と自然言語辞書２０２とを対照することにより取得される類義語や共起語等を用いて生成してもよい（Ｓ８０２）。

続いて、時系列データ生成部２０６は、Ｓ８０２で生成したキーワードに合致するオープンデータ２０４が存在するか否かを判定する（Ｓ８０３）。生成したキーワードに合致するオープンデータ２０４が存在する場合には（Ｓ８０３：ＹＥＳ）、Ｓ８０４に進む。生成したキーワードに合致するオープンデータ２０４が存在しない場合には（Ｓ８０３：ＮＯ）、Ｓ８０５に進む。

Ｓ８０４では、時系列データ生成部２０６は、Ｓ８０２で生成したキーワードを用いてオープンデータ２０４を取得し、取得したオープンデータ２０４を用いて時系列データ２０５を生成する。その後はＳ８０６に進む。

一方、Ｓ８０５では、時系列データ生成部２０６は、Ｓ８０２で生成したキーワードを用いてソーシャルメディアデータ２０３を取得し、取得したソーシャルメディアデータ２０３を用いて時系列データ２０５を生成する。この場合、時系列データ２０５の縦軸となるデータは、実データ７０４としてもよいし、ネガポジ比率７０５としてもよい。その後はＳ８０６に進む。

Ｓ８０６では、時系列データ生成部２０６は、Ｓ８０１にて全てのノードを選択済か否かを判定する。全てのノードを選択済である場合（Ｓ８０６：ＹＥＳ）、時系列データ生成部２０６は時系列データ生成処理Ｓ８００を終了する。未選択のノードが残存する場合（Ｓ８０６：ＮＯ）、時系列データ生成部２０６はＳ８０１で未選択のノードを一つ選択してＳ８０２からの処理を実行する。

以上の時系列データ生成処理Ｓ８００が実行されることにより、ソーシャルメディアデータ２０３又はオープンデータ２０４に基づく時系列データ２０５が生成される。

＜因果関係分析処理＞
図９は因果関係分析部２０７が行う処理（以下、因果関係分析処理Ｓ９００と称する。）を説明するフローチャートである。因果関係分析処理Ｓ９００が実行されることにより、因果関係モデルにおける注目ノードの時系列データ２０５の変化に影響を与えたノード（以下、要因ノードとも称する。）を特定することができる。以下、同図とともに因果関係分析処理Ｓ９００について説明する。因果関係分析処理Ｓ９００は、時系列データ生成処理が実行された後に実行される。

まず因果関係分析部２０７は、因果関係モデル（因果ループ図）の各ノード（因果関係モデルデータ２０１の各ノード（レコード、ノードＩＤ４０１））の関連度（原因ノード間関連度４０５、結果ノード間関連度４０８）を算出する（Ｓ９０１）。

続いて、因果関係分析部２０７は、因果関係モデル（因果ループ図）の各ノード（因果関係モデルデータ２０１の各ノード（レコード、ノードＩＤ４０１））について時系列データ２０５の変化率を算出する。例えば、因果関係分析部２０７は、前年度の評価値と今年度の評価値の差分に基づき、各年毎の時系列データ２０５の変化率を算出する（Ｓ９０２）。

続いて、因果関係分析部２０７は、因果関係モデル（因果ループ図）を構成している各ノードについて、その時系列データ２０５に変局点を有するノードが存在するか否かを判定する（Ｓ９０３）。そのようなノードが存在する場合（Ｓ９０３：ＹＥＳ）、因果関係分析部２０７は、Ｓ９０４からの処理を行う。一方、そのようなノードが存在しない場合（Ｓ９０３：ＮＯ）、因果関係分析部２０７は、因果関係分析処理Ｓ９００を終了する。

Ｓ９０４では、因果関係分析部２０７は、その時系列データ２０５に変局点を有するノードの中から、注目ノードとするノードを一つ選択する（Ｓ９０４）。上記選択は、例えば、その時系列データ２０５に変局点を有するノードの中から、変局点の発生時点の前後で原因ノード間関係４０４又は結果ノード間関係４０７が崩れているノード（例えば、正の相関から負の相関に変化している、もしくはその逆の変化が生じているノード等）を選択することにより行う。また例えば、上記選択はユーザが行うようにしてもよい。

続いて、因果関係分析部２０７は、注目ノードの原因ノードの時系列データ２０５が、注目ノードの変局点が生じた時刻ｔ１よりも過去に生じた変局点を有しているか否かを判定する（Ｓ９０５）。注目ノードの原因ノードの時系列データ２０５が、注目ノードの変局点が生じた時刻ｔ１よりも過去に生じた変局点を有している場合（Ｓ９０５：ＹＥＳ）、処理はＳ９０６に進む。一方、注目ノードの原因ノードの時系列データ２０５が、注目ノードの変局点が生じた時刻ｔ１よりも過去に生じた変局点を有していない場合（Ｓ９０５：ＮＯ）、処理はＳ９０７に進む。

Ｓ９０６では、因果関係分析部２０７は、Ｓ９０５の条件に合致したノード（その時系列データ２０５が注目ノードの変局点が生じた時刻ｔ１よりも過去に生じた変局点を有していると判定されたノード）を末端ノードとして設定する。尚、Ｓ９０５の条件に合致するノードが複数存在する場合、因果関係分析部２０７は、例えば、原因ノード間関連度４０５の値が最大の原因ノードを選択する。その後、処理はＳ９０８に進む。

Ｓ９０７では、因果関係分析部２０７は、末端ノード（Ｓ９０５で条件に合致するノードが存在しなかった場合は注目ノード。それ以外はＳ９０６で設定された末端ノード）を注目ノードの時系列データ２０５の変化に影響を与えたノード、即ち要因ノードと判定し、因果関係分析処理Ｓ９００を終了する。尚、Ｓ９０７において、因果関係分析部２０７が末端ノードを検出したノードを要因ノードと判定する際、末端ノードと注目ノードとの関連度が予め設定された強さ以上であることも条件として末端ノードを要因ノードと判定するようにしてもよい。

Ｓ９０８では、因果関係分析部２０７は、因果関係モデルデータ２０１に基づき注目ノードを起点として因果関係のあるノードを順に遡る（原因ノードを順に辿る）ことにより注目ノードを含むループの有無を判定する。そして因果関係分析部２０７は、ループが検出された場合は、そのループ中に、その時系列データ２０５に末端ノードの時系列データ２０５に変局点が生じた時刻ｔ２よりも過去に生じた変局点を有するノードが存在するか否かを判定する。ループが存在し、かつ、そのループ中にその時系列データ２０５に末端ノードの時系列データ２０５に変局点が生じた時刻ｔ２よりも過去に生じた変局点を有するノードが存在する場合（Ｓ９０８：ＹＥＳ）、処理はＳ９０９に進む。

一方、ループが存在しないか、もしくは、その時系列データ２０５に末端ノードの時系列データ２０５に変局点が生じた時刻ｔ２よりも過去に生じた変局点を有するノードが存在しない場合（Ｓ９０８：ＮＯ）、処理はＳ９０７に進む。Ｓ９０７では、因果関係分析部２０７は、末端ノードを要因ノードと判定して処理を終了する。

Ｓ９０９では、因果関係分析部２０７は、Ｓ９０８で検出されたノードを末端ノードとして設定する。

Ｓ９１０では、因果関係分析部２０７は、Ｓ９０８で検出されたループを構成しているノードの因果関係を遡る（原因ノードを順に辿る）ことにより、Ｓ９０８で検出されたループに含まれるノードの原因ノード（ループ外のノード）でその時系列データ２０５に末端ノードの時系列データ２０５が生じた時刻ｔ３よりも過去に生じた変局点を有するものが存在するか否かを判定する。そのようなノードが存在する場合（Ｓ９１０：ＹＥＳ）、処理はＳ９１１に進む。一方、そのようなノードが存在しない場合（Ｓ９１０：ＮＯ）、処理はＳ９１２に進む。

Ｓ９１１では、因果関係分析部２０７は、Ｓ９１０で検出したノードを要因ノードと判定し、因果関係分析処理Ｓ９００を終了する。尚、Ｓ９１１において、因果関係分析部２０７がＳ９１０で検出したノードを要因ノードと判定する際、Ｓ９１０で検出したノードと注目ノードとの関連度が予め設定された強さ以上であることも条件として、Ｓ９１０で検出したノードを要因ノードと判定するようにしてもよい。

一方、Ｓ９１２では、因果関係分析部２０７は、Ｓ９０９で末端ノードとして設定したノードを要因ノードと判定し、因果関係分析処理Ｓ９００を終了する。尚、Ｓ９１２において、因果関係分析部２０７が末端ノードを要因ノードと判定する際、末端ノードと注目ノードとの関連度が予め設定された強さ以上であることも条件として、末端ノードを要因ノードと判定するようにしてもよい。

以上に説明した因果関係分析処理Ｓ９００によれば、注目ノードの時系列データ２０５に影響を与えた要因ノードを特定することができる。

尚、上記因果関係分析処理Ｓ９００によっても要因ノードを特定することができない場合、例えば、因果関係分析部２０７が、注目ノードに関連する文字情報（例えば、ソーシャルメディアデータ２０３やオープンデータ２０４）を構成する用語から、注目ノードと因果関係を有するノードに関連する文字情報（例えば、ソーシャルメディアデータ２０３やオープンデータ２０４）を構成する用語を除去し、除去後の注目ノードに関連する文字情報のうち、注目ノードについてのキーワード（例えば注目ノードのノード名称７０２から生成されるキーワード）と共起する用語を出力するようにしてもよい。これによりユーザに要因ノードを特定するための手掛かりとなる情報を提供することができる。

＜処理例＞
続いて、因果関係モデルが図３の内容であり、Ｓ９０４にてノード名称４０２が「ノードＡ」のノードを注目ノードとして選択した場合について、因果関係分析処理Ｓ９００の具体的な処理例を示す。

まずＳ９０５において、因果関係分析部２０７は、注目ノード「ノードＡ」の原因ノードである「ノードＤ」又は「ノードＧ」を特定し、これらの時系列データ２０５が、注目ノードの変局点が生じた時刻ｔ１よりも過去に生じた変局点を有しているか否かを判定する。ここでは、因果関係分析部２０７は、「ノードＤ」の時系列データ２０５が、時刻ｔ１よりも過去に生じた変局点を有していると判定し（Ｓ９０５：ＹＥＳ）、Ｓ９０６において、因果関係分析部２０７は、「ノードＤ」を末端ノードに設定する。

続いて、Ｓ９０８において、因果関係分析部２０７は、注目ノードである「ノードＡ」を起点として因果関係のあるノードを順に遡ることにより「ノードＡ」を含むループ３０３を検出する。そして因果関係分析部２０７は、ループ３０３中に、その時系列データ２０５に末端ノードの時系列データ２０５に変局点が生じた時刻ｔ２よりも過去に生じた変局点を有するノードが存在するか否かを判定する。ここでは、因果関係分析部２０７は、その時系列データ２０５に時刻ｔ２よりも過去の時刻ｔ３に生じた変局点を有するノードである「ノードＣ」を検出するものとする。

Ｓ９０９では、因果関係分析部２０７は、Ｓ９０８で検出された「ノードＣ」を末端ノードとして設定する。

Ｓ９１０では、因果関係分析部２０７は、Ｓ９０８で検出されたループを構成するノードの因果関係を遡ることにより、Ｓ９０８で検出されたループに含まれるノードの原因ノード（ループ外のノード）で、その時系列データ２０５に末端ノードの時系列データ２０５が生じた時刻ｔ３よりも過去に生じた変局点を有するものが存在するか否かを判定する。ここではそのようなノードは検出されないものとし、処理はＳ９１２に進む。

Ｓ９１２では、因果関係分析部２０７は、Ｓ９０９で末端ノードに設定された「ノードＣ」を要因ノードと判定する。

以上に説明したように、本実施形態の因果関係分析システム１によれば、因果関係モデルを構成するノードの時系列データ２０５の変化に対するノード間の影響を分析することができる。このため、例えば、過去に事象Ａで起こった変化が、現在の事象Ｂに及ぼす影響を分析することができる。また因果関係分析装置１０は、変局点が生じた時刻を判断基準としてノードを探索するので要因ノードを精度よく特定することができる。また因果関係分析装置１０は、ループを考慮しつつ要因ノードを探索するので、要因ノードを漏れなく確実に探索することができる。

＜画面例＞
図１０は分析結果出力部２０８が出力装置１０４に出力（表示）する画面（以下、分析結果表示画面１０００と称する。）の一例である。同図に示すように、分析結果表示画面１０００は、因果関係モデル表示欄１０１０、時系列データ（注目ノード）表示欄１０２０、及び時系列データ（検出ノード）表示欄１０３０を有している。また因果関係モデル表示欄１０１０には、変局点検出時期表示欄１０１１が設けられている。

因果関係モデル表示欄１０１０には、分析対象とされた因果関係モデルの因果ループ図が表示される。また表示される因果ループ図には、注目ノードを強調して示す図案（同図では実線円の中に記号「！」が描かれた図案）、要因ノードを強調して示す図案（同図では実線円の中に記号「※」が描かれた図案）、及びその時系列データ２０５に変局点を有するノードを強調して示す図案（同図では破線円の中に記号「！」が描かれた図案）が表示される。また変局点検出時期表示欄１０１１には、注目ノードの時系列データ２０５の変局点が生じた時刻が表示される。

ユーザは、因果関係モデル表示欄１０１０を参照することにより、注目ノード及び要因ノードを容易に把握することができる。また因果関係モデル表示欄１０１０を参照することにより、その時系列データ２０５に変局点を有するノードを容易に把握することができ、ユーザは、注目ノードの候補となるノードを容易に把握することができる。またユーザは、変局点検出時期表示欄１０１１を参照することで、注目ノードの時系列データ２０５の変局点が生じた時刻（どの変局点を起点として要因ノードを探索しているのか）を容易に把握することができる。尚、因果関係モデル表示欄１０１０に表示されているノードをユーザがユーザインタフェースを操作して指定することにより分析対象とする注目ノードを指定できるようにしてもよい。

時系列データ（注目ノード）表示欄１０２０には、注目ノードに対応する時系列データ２０５の変局点が表示される。ユーザは、時系列データ（注目ノード）表示欄１０２０を参照することで、注目ノードの時系列データ２０５を容易に確認することができる。尚、因果関係モデル表示欄１０１０の表示内容との対応を容易にとることができるよう、時系列データ（注目ノード）表示欄１０２０には、注目ノードを強調する図案（同図では実線円の中に「！」が表示されている図案）が表示される。

時系列データ（検出ノード）表示欄１０３０には、注目ノードを起点として原因ノードを遡ることにより検出されたノードの時系列データ２０５並びに各時系列データ２０５において変局点が生じた時刻が表示される。また時系列データ（検出ノード）表示欄１０３０には、要因ノードとして特定されたノードの時系列データ２０５が強調表示される（同図では太枠線と強調図案（同図では実線円の中に記号「※」が描かれた図案によって強調されている。）。ユーザは、時系列データ（注目ノード）表示欄１０２０及び時系列データ（検出ノード）表示欄１０３０を参照することにより、注目ノードの時系列データ２０５と要因ノードの時系列データ２０５の関係を視覚的に把握することができる。

ところで、本発明は上記した実施形態に限定されるものではなく、様々な変形例が含まれる。例えば、上記した実施形態は本発明を分かりやすく説明するために詳細に説明したものであり、必ずしも説明した全ての構成を備えるものに限定されるものではない。また、ある実施形態の構成の一部を他の実施形態の構成に置き換えることが可能であり、また、ある実施形態の構成に他の実施形態の構成を加えることも可能である。また、各実施形態の構成の一部について、他の構成の追加・削除・置換をすることが可能である。

上記の各構成、機能、処理部、処理手段等は、それらの一部または全部を、例えば集積回路で設計する等によりハードウェアで実現してもよい。また、上記の各構成、機能等は、プロセッサが夫々の機能を実現するプログラムを解釈し、実行することによりソフトウェアで実現してもよい。各機能を実現するプログラム、テーブル、ファイル等の情報は、メモリや、ハードディスク、ＳＳＤ等の記録装置や、ＩＣカード、ＳＤカード、ＤＶＤ等の記録媒体に置くことができる。

制御線や情報線は説明上必要と考えられるものを示しており、製品上必ずしも全ての制御線や情報線を示しているとは限らない。実際には殆ど全ての構成が相互に接続されていると考えてもよい。

１ 因果関係分析システム、５ 通信ネットワーク、１０ 因果関係分析装置、２０ サーバ装置、１０１ プロセッサ、１０２ 記憶装置、１０３ 入力装置、１０４ 出力装置、１０５ 通信装置、２０１ 因果関係モデルデータ、２０２ 自然言語辞書、２０３ ソーシャルメディアデータ、２０４ オープンデータ、２０５ 時系列データ、２０６ 時系列データ生成部、２０７ 因果関係分析部、２０８ 分析結果出力部、Ｓ８００ 時系列データ生成処理、Ｓ９００ 因果関係分析処理、１０００ 分析結果表示画面、１０１０ 因果関係モデル表示欄、１０２０ 時系列データ（注目ノード）表示欄、１０３０ 時系列データ（検出ノード）表示欄

Claims (15)

1. 因果関係モデルを構成するノードの時系列データの変化の要因を分析する情報処理装置であって、
   因果関係モデルを構成するノード間の因果関係を示すデータ、及び前記因果関係モデルを構成する各ノードの時系列データを記憶し、
   因果関係モデルを構成するノードのうち、その時系列データに変局点を有するノードである注目ノードを起点として、前記ノード間の因果関係を順に遡ることにより特定されるノードについて、より過去の時点に生じた変局点をその時系列データに有するノードを順に探索することにより、前記注目ノードの時系列データの変化に影響を与えたノードを特定する
   因果関係分析装置。
2. 請求項１に記載の因果関係分析装置であって、
   前記変局点は、時系列データの変化率の傾きの符号が反転した点、時系列データの変化率の傾きの絶対値が閾値以上変化した点、及び、時系列データの変化率の傾きの符号が反転しかつ前記変化率の傾きの絶対値が閾値以上変化した点、のうちの少なくともいずれかである
   因果関係分析装置。
3. 請求項１に記載の因果関係分析装置であって、
   前記ノード間の因果関係を順に辿ることによりループが検出された場合、前記ループを構成しているノードの原因ノードである、前記ループを構成していない他のノードを前記探索の対象に含める
   因果関係分析装置。
4. 請求項１に記載の因果関係分析装置であって、
   前記ノード間の因果関係を順に遡ることにより、より過去の時点に生じた変局点をその時系列データに有するノードとして最後に特定されたノードを、前記注目ノードの時系列データの変化に影響を与えたノードとして特定する
   因果関係分析装置。
5. 請求項４に記載の因果関係分析装置であって、
   前記ノード間の結びつきの強さを示す指標である関連度を記憶し、
   前記最後に特定されたノードと前記注目ノードとの前記関連度が予め設定された強さ以上である場合に、前記最後に特定されたノードを前記注目ノードに影響を与えたノードとして特定する
   因果関係分析装置。
6. 請求項５に記載の因果関係分析装置であって、
   前記因果関係モデルを構成するノードに関連する文字情報を記憶し、
   前記関連度を、前記最後に特定されたノードの前記文字情報に含まれる用語と、前記注目ノードの前記文字情報に含まれる用語との共起頻度に基づき求める
   因果関係分析装置。
7. 請求項１に記載の因果関係分析装置であって、
   前記因果関係モデルを構成するノードに関連する文字情報を記憶し、
   前記探索により前記注目ノードの時系列データの変化に影響を与えたノードを特定することができない場合、前記注目ノードに関連する文字情報を構成する用語から、前記注目ノードと因果関係を有するノードに関連する文字情報を構成する用語を除去し、前記除去後の前記注目ノードに関連する文字情報のうち前記注目ノードについてのキーワードと共起する用語を出力する
   因果関係分析装置。
8. 請求項１に記載の因果関係分析装置であって、
   前記時系列データを、オープンデータ及びソーシャルメディアデータのうちの少なくともいずれかに基づき生成する
   因果関係分析装置。
9. 請求項１に記載の因果関係分析装置であって、
   前記注目ノードの時系列データの変化に影響を与えたノードとして特定したノードを示す情報、前記注目ノードの前記時系列データの変化を示す情報、及び前記注目ノードの時系列データの変化に影響を与えたノードの前記前記時系列データの変化を示す情報、を含む画面を生成する
   因果関係分析装置。
10. 因果関係モデルを構成するノードの時系列データの変化の要因を分析する方法であって、
    情報処理装置が、
    因果関係モデルを構成するノード間の因果関係を示すデータ、及び前記因果関係モデルを構成する各ノードの時系列データを記憶するステップ、
    因果関係モデルを構成するノードのうち、その時系列データに変局点を有するノードである注目ノードを起点として、前記ノード間の因果関係を順に遡ることにより特定されるノードについて、より過去の時点に生じた変局点をその時系列データに有するノードを順に探索することにより、前記注目ノードの時系列データの変化に影響を与えたノードを特定するステップ
    を含む、因果関係分析方法。
11. 請求項１０に記載の因果関係分析方法であって、
    前記変局点は、時系列データの変化率の傾きの符号が反転した点、時系列データの変化率の傾きの絶対値が閾値以上変化した点、及び、時系列データの変化率の傾きの符号が反転しかつ前記変化率の傾きの絶対値が閾値以上変化した点、のうちの少なくともいずれかである
    因果関係分析方法。
12. 請求項１０に記載の因果関係分析方法であって、
    前記情報処理装置は、前記ノード間の因果関係を順に辿ることによりループが検出された場合、前記ループを構成しているノードの原因ノードである、前記ループを構成していない他のノードを前記探索の対象に含める
    因果関係分析方法。
13. 請求項１０に記載の因果関係分析方法であって、
    前記情報処理装置は、前記ノード間の因果関係を順に遡ることにより、より過去の時点に生じた変局点をその時系列データに有するノードとして最後に特定されたノードを、前記注目ノードの時系列データの変化に影響を与えたノードとして特定する
    因果関係分析方法。
14. 請求項１３に記載の因果関係分析方法であって、
    前記情報処理装置が、
    前記ノード間の結びつきの強さを示す指標である関連度を記憶するステップと、
    前記最後に特定されたノードと前記注目ノードとの前記関連度が予め設定された強さ以上である場合に、前記最後に特定されたノードを前記注目ノードに影響を与えたノードとして特定するステップと
    を更に含む、因果関係分析方法。
15. 請求項１４に記載の因果関係分析方法であって、
    前記情報処理装置が、
    前記因果関係モデルを構成するノードに関連する文字情報を記憶するステップと、
    前記関連度を、前記最後に特定されたノードの前記文字情報に含まれる用語と、前記注目ノードの前記文字情報に含まれる用語との共起頻度に基づき求めるステップと
    を更に含む、因果関係分析方法。

Images