JP6321529B2

JP6321529B2 - 情報信憑性判定システム、情報信憑性判定方法、情報信憑性判定プログラム

Info

Publication number: JP6321529B2
Application number: JP2014234089A
Authority: JP
Inventors: 伊藤　淳; 淳伊藤; 浩之戸田; 義昌小池
Original assignee: Nippon Telegraph and Telephone Corp; NTT Inc USA
Current assignee: NTT Inc; NTT Inc USA
Priority date: 2014-11-19
Filing date: 2014-11-19
Publication date: 2018-05-09
Anticipated expiration: 2034-11-19
Also published as: JP2016099685A

Description

本発明は、電子文書（以下、文書と省略する。）における情報の信憑性を判定する技術に関する。

周知のようにＳＮＳ（ｓｏｃｉａｌｎｅｔｗｏｒｋｉｎｇｓｅｒｖｉｃｅ）の普及によって誰もが容易に情報を発信することが可能となったため、情報の信憑性が確認されないまま情報が流布され、デマの拡散などの風評被害の社会問題が生じている。

この問題に対しては、情報の信憑性を自動的に判別し、ユーザに提示できれば、その解決に貢献することができる。この信憑性判定の手法としては、非特許文献１が公知となっている。

非特許文献１には、投稿文書の長さ・ＵＲＬの有無・ネガポジ表現などの投稿文書に基づく特徴量や、アカウント作成日・総投稿数・友人数などの著者に基づく特徴量、トレンドにもとづく特徴量・情報伝播にもとづく特徴量などを利用して信憑性を判定することが記載されている。

Carlos Castillo, Marcelo Mendoza and Barbara Poblete, "Information Credibility on Twitter", in Proceedings of WWW, pp. 675-684, 2011. David M. Blei, Andrew Y. Ng and Michael I. Jordan, "Latent Dirichlet Allocation", The Journal of Machine Learning Research, Vol. 3, pp. 993-1022, 2003. "MeCab:Yet Another Part-of-Speech and Morphological Analyzer MECab（和布蕪）とは"・［Online］，［平成２６年１１月９日検索］，インターネット<URFL: https://code.google.com/p/mecab/>

しかしながら、非特許文献１の手法では、以下に示す情報の信憑性を判定する重要な要素が考慮されていないため、判定精度が低下するおそれがある。

（１）すなわち、非特許文献１では、専門性（著者トピック）に関する特徴量が考慮されていない。したがって、信憑性判定にあたって投稿文書の話題に詳しい人と、そうでない人とを区別することができない。

（２）また、投稿文書の話題（文書トピック）に関する特徴量が考慮されておらず、信用できる話題と疑ってかかるべき話題との区別もできない。

（３）さらに専門性と投稿文書の話題との類似性に関する特徴量が考慮されておらず、詳しい人がその話題に関して投稿したのか、あるいは詳しくない人が偶然にその話題に関して投稿したのかも区別できない。

本発明は、このような従来の問題を解決するためになされ、従来の特徴量に新たな特徴量を加えて信憑性の判定精度を高めることを解決課題としている。

本発明の情報信憑性判定システムは、過去文書群の著者特性を示す著者トピックを保存する第１データベースを参照し、入力文書に該当する著者トピックがあれば該著者トピックを抽出する著者トピック抽出部と、過去文書群の単語特性を示す単語トピックを保存する第２データベースから入力文書に含まれる単語の単語トピックを取得し、入力文書の特性を示す文書トピックを抽出する文書トピック抽出部と、前記著者トピックと前記文書トピックとの類似度を加味した特徴量を入力文書に付与する特徴量付与部と、過去文書に付与された前記特徴量と教師データとを用いた機械学習で構築された信憑性判定器を保存する第３データベースと、第３データベースの信憑性判定器と入力文書に付与された前記特徴量とを用いて該入力文書の信憑性を判定する信憑性判定部と、を備える。

本発明の情報信憑性判定方法は、過去文書群の著者特性を示す著者トピックを保存する第１データベースを参照し、入力文書に該当する著者トピックがあれば該著者トピックを抽出する著者トピック抽出ステップと、過去文書群の単語特性を示す単語トピックを保存する第２データベースから入力文書に含まれる単語の単語トピックを取得し、入力文書の特性を示す文書トピックを抽出する文書トピック抽出ステップと、前記著者トピックと前記文書トピックとの類似度を加味した特徴量を入力文書に付与する特徴量付与ステップと、過去文書に付与された前記特徴量と教師データとに基づく機械学習で構築された信憑性判定器を保存する第３データベースと、入力文書に付与された前記特徴量とを用いて該入力文書の信憑性を判定する信憑性判定ステップと、を有する。

前記特徴量付与部と前記特徴量付与ステップにおいては、前記著者トピックと前記文書トピックとを加味した特徴量を入力文書に付与してもよい。また、前記著者トピック、前記文書トピック、前記著者トピックと前記文書トピックとの類似度を加味した特徴量を入力文書に付与してもよい。

なお、本発明は、前記システムとしてコンピュータを機能させるプログラムの態様としてもよい。このプログラムは、ネットワークや記録媒体などを通じて提供することができる。

本発明によれば、従来の特徴量に新たな特徴量が加えられるため、信憑性の判定精度を高めることができる。

本発明の実施形態に係る情報信憑性判定システムの信憑性判定器構築装置の構成図。同信憑性判定装置の構成図。同信憑性判定器構築装置の処理内容を示すフローチャート。同信憑性判定装置の処理内容を示すフローチャート。

以下、本発明の実施形態に係る情報信憑性判定システムを説明する。このシステムは、著者の特性（著者トピック）と、文書の特性（文書トピック）と、該両特性の類似度を従来の特徴量に追加し、該特徴量を用いて識別器（信憑性判定器）を構築する。したがって、新たな投稿文書があれば、同様に特徴量を抽出し、前記識別器にかけて信憑性を判定する。

≪システム構成≫
図１および図２に基づき前記情報信憑性判定システムの構成例を説明する。このシステムは、あらかじめ信憑性判定器を構築する図１の信憑性判定器構築装置１と、該信憑性判定器構築装置１の構築した信憑性判定器により投稿文書の信憑性を判定する信憑性判定装置２とを有している。

この両装置１，２は、それぞれコンピュータにより構成されている。ただし、それぞれの装置１，２を単一のコンピュータで構成する必要は無く、複数のコンピュータで構成してもよく、また両装置１，２を同じコンピュータで構成してもよい。

具体的には信憑性判定器構築装置１は、図１に示すように、トピック抽出部１０１，文書トピック抽出部１０２，類似度算出部１０３，特徴量付与部１０４，構築部１０５，特徴量抽出部１０６，投稿文書ＤＢ１０７，著者トピックＤＢ１０８，単語トピックＤＢ１０９，教師ＤＢ１１０，信憑性判定器ＤＢ１１１を構成部とする。

また、信憑性判定装置２は、類似度算出部１０３，特徴量付与部１０４，特徴量抽出部１０６，著者トピック抽出部２０１，信憑性判定部２０２，著者トピックＤＢ１０８，単語トピックＤＢ１０９，信憑性判定器ＤＢ１１１，信憑性ＤＢ２０６を構成部とする。

したがって、前記両装置１，２は、構成部１０２〜１０４，１０６，１０８，１０９，１１１をお互いに共通して備えた装置構成からなる。また、前記各ＤＢ１１０，１０７〜１０９，１１１，２０６は、コンピュータの記憶装置（ＲＡＭやＲＯＭなどの主記憶装置，ハードディスクドライブ装置やソリッドステートドライブ装置などの補助記憶装置）に構築されている。

まず、信憑性判定器構築装置１の処理を概略説明すれば、トピック抽出部１０１は、過去の投稿文書を保存した投稿文書ＤＢ１０７の保存データを入力として著者トピックと単語トピックとを抽出する。この抽出結果を著者トピックＤＢ１０８と単語トピックＤＢ１０９にそれぞれ保存する。

文書トピック抽出部１０２は、あらかじめ人手によって信憑性の有無が付与された過去の投稿文書（教師データ）を教師ＤＢ１１０から取得する。ここで取得した教師データに含まれる単語が持つ単語トピックを単語トピックＤＢ１０９から取得し、取得した単語トピックを用いて文書トピックを抽出する。

類似度算出部１０３は、著者トピックＤＢ１０８に保存された著者トピックと、抽出した文書トピックとの類似度を算出する。特徴量抽出部１０６は、教師ＤＢ１１０の教師データから特徴量を抽出する。

特徴量付与部１０４は、特徴量抽出部１０６の抽出した特徴量に新たな特徴量として、著者トピック・文書トピック・該両トピックの類似度を付与する。構築部１０５は、特徴量付与部１０４の処理後の特徴量と、教師データに付与された信憑性の有無を示すラベルとから信憑性判定器を構築し、信憑性判定器ＤＢ１１１に保存する。

つぎに信憑性判定装置２の処理を概略説明すれば、著者トピック抽出部２０１は信憑性を判定したい投稿文書２０３を入力とし、その著者の著者トピックを著者トピックＤＢ１０８から取得する。その際、その著者が著者トピックＤＢ１０８に存在しない場合は、インターネット２０５を経由してウェブサイト２０４から投稿文書２０３と同じ著者の過去の投稿文書を取得する。

ここで取得した過去の投稿文書に含まれる単語の単語トピックを単語トピックＤＢ１０９から取得し、取得した単語トピックを用いて入力された投稿文書の著者トピックを算出する。このとき過去の投稿文書が得られなければ、あらかじめ定められた初期値を著者トピックとして用いる。

文書トピック抽出部１０２は、投稿文書２０３に含まれる単語が持つ単語トピックを単語トピックＤＢ１０９から取得し、取得した単語トピックを用いて文書トピックを抽出する。類似度算出部１０３は、抽出した著者トピックと文書トピックとの類似度を算出する。特徴量抽出部１０６は、投稿文書２０３から特徴量を抽出する。

特徴量付与部１０４は、特徴量抽出部１０６の抽出した特徴量に新たな特徴量として、著者トピック・文書トピック・両トピックの類似度を付与する。信憑性判定部２０２は、信憑性判定器ＤＢ１１１の信憑性判定器と、特徴量付与部１０４の処理後の特徴量とを用いて投稿文書２０３の信憑性を判定し、判定結果を信憑性ＤＢ２０６に保存する。

≪信憑性判定器構築装置１の処理内容≫
図３に基づき信憑性判定器構築装置１の処理内容（処理手順）を説明する。図３中のＳ１０１〜Ｓ１０４はトピック抽出部１０１の処理を示し、Ｓ１０５，Ｓ１０６は文書トピック抽出部１０２の処理を示している。

また、Ｓ１０７は類似度算出部１０３の処理を示し、Ｓ１０８は特徴量抽出部１０６の処理を示し、Ｓ１０９は特徴量付与部１０４の処理を示し、Ｓ１１０，Ｓ１１１は構築部１０５の処理を示している。

Ｓ１０１：まず、処理が開始されると投稿文書ＤＢ１０７にアクセスし、該ＤＢ１０７に保存されたすべての投稿文書を取得する。

表１は投稿文書ＤＢのデータ構造例を示している。ここでは各投稿文書は、文書を識別できるユニークなＩＤの文書ＩＤと、該投稿文書を記述したと著者を識別できるユニークなＩＤの著者ＩＤと、投稿日時とペアに保存されている。なお、これら以外のメタ情報を併せて保存してもよい。

Ｓ１０２：Ｓ１０１で取得した投稿文書群から著者トピックと単語トピックとを抽出する。ここでは一例として機械学習の教師なし学習の「ＬａｔｅｎｔＤｉｒｉｃｈｌｅｔＡｌｌｏｃａｔｉｏｎ（ＬＤＡ）」（非特許文献２参照）を利用した抽出方法を説明する。

まず、著者ごとに投稿文書が１つになるように投稿文書を連結する。ここでは著者ごとに複数の投稿文書を一つの投稿文書として連結するため、「著者数＝投稿文書数Ｄ」の関係が成立する。

つぎに非特許文献３の「ＭｅＣａｂ」などの形態素解析器を用いて連結した投稿文書を形態素解析し、あらかじめ人手によって定められた品詞の形態素（単語）の出現頻度をカウントする。

このとき単語は、前記定められた品詞をそのまま用いてもよく、基幹表現に変換して用いてもよい。また、あらかじめ人手によってストップワードを設定し、それに含まれる単語を除外してもよく、出現頻度があらかじめ人手によって定められた一定数を下回る場合は、その単語を除外してもよい。

こうして得られた単語出現頻度と著者の関係を行列に表現し、それを「ＬＤＡ」の入力とすると、著者トピック「θ_dt」および単語トピック「θ_wt」は式（１）（２）のように得られる。

ここで「ｄ∈Ｄ」は投稿文書を示し、「ｗ∈Ｗ」は単語を示し、「ｔ∈Ｔ」はトピックを示し、「α」および「β」は予め定められたハイパーパラメータを示している。また、「Ｃ_dt ^DT」は現在着目している単語（前記定められた品詞の形態素）「ｗ」が持つトピック「ｔ」を除き、連結された投稿文書「ｄ」に含まれる単語が持つトピックの出現回数をカウントしたものを示している。

トピックの数「｜Ｔ｜」は、人手によってあらかじめ定めるものとする。また、「｜Ｗ｜」は、連結された投稿文書に含まれる単語の種類数なので、自動的に求めることができる。

ただし、著者トピック「θ_dt」および単語トピック「θ_wt」は、行列分解により求められるので、著者単位に処理することはできない。すなわち、入力として与えられた投稿文書集合「Ｄ」や、それに含まれる単語集合「Ｗ」に応じて後述の表２，表３のような確率分布が一度に求められる。

なお、「ＮＭＦ（Ｎｏｎ−ｎｅｇａｔｉｖｅＭａｔｒｉｘＦａｃｔｏｒｉｚａｔｉｏｎ）」など「ＬＤＡ」以外の教師なし学習や、「ＮａｉｖｅＢａｙｅｓ」や「ＳｕｐｐｏｒｔＶｅｃｔｏｒＭａｃｈｉｎｅ（ＳＶＭ）」などの教師あり学習を用いてもよい。ただし、教師あり学習を用いる場合は、人手によってあらかじめ政治、経済などのトピックを具体的に定め、それらのラベルが付与された過去の投稿文書を用意する必要がある。

Ｓ１０３，Ｓ１０４：Ｓ１０２の式（１）で算出した著者トピック「θ_dt」を著者トピックＤＢ１０８に保存する（Ｓ１０３）。また、Ｓ１０２の式（２）で算出した単語トピック「θ_wt」を単語トピックＤＢ１０９に保存する（Ｓ１０４）。

表２は、著者トピックＤＢ１０８のデータ構造例を示している。ここでは著者を識別できるユニークなＩＤの著者ＩＤ毎にトピック数「｜Ｔ｜」に応じた個数のトピック確率が保存されている。

表３は、単語トピックＤＢ１０９のデータ構造例を示している。ここでは単語を識別できるユニークなＩＤの単語ＩＤ毎に該単語ＩＤが示す単語と、トピック数「｜Ｔ｜」に応じた個数のトピック確率とが保存されている。

Ｓ１０５：教師ＤＢ１１０から教師データを取得する。

表４は、教師ＤＢ１１０のデータ構造例を示している。この教師ＤＢ１１０には、表１に示す投稿文書ＤＢ１０７のデータ構造に加えて、人手によって予め付与された信憑性の有無を示すラベルが保存されている。

ここでは「１」は「信憑性あり」を示し、「０」は「信憑性無し」を示している。ただし、「０」また「１」の表示には限定されず、順序変数や連続変数となる値でもよい。

Ｓ１０６：Ｓ１０５で取得した教師データと、単語トピックＤＢ１０９に保存された単語トピックとを用いて、文書トピックを算出する。文書トピック「Ψ_dt」は、式（３）により求められる。

ここで「ｗ∈Ｗ_d」は入力された投稿文書に含まれる単語数を示している。ここで「Ｗ_d」が空集合でなければ、入力された投稿文書に出現した単語が持つ単語トピックの総和を取り、それをトピックでの総和で除算することで正規化し、文書トピックを求める。

この文書トピックは、著者トピックと同様にＴ個の確率変数を持つ確率分布となっている。すなわち、１文書１トピックではなく、各文書が複数のトピック確率を持つ（例：政治０．５，経済０．２，．．．など）。文書トピックは教師データ毎に算出することができる。

なお、「Ｗ_d」が空集合であれば、単語トピックから文書トピックを求めることができないので、一様分布のトピック確率を持つとする。

Ｓ１０７：著者トピックと文書トピックとの類似度を算出する。ここでは一例として「Ｊｅｎｓｅｎ−ＳｈａｎｎｏｎＤｉｖｅｒｇｅｎｃｅ（ＪＳＤ）」を用いた類似度の算出方法を説明する。

「ＪＳＤ」は２つの確率分布の差を測る尺度を示し、式（６）の「Ｋｕｌｌｂａｃｋ_ＬｅｉｂｌｅｒＤｉｖｅｒｇｅｎｃｅ（ＫＬＤ）」を用いて、式（５）のように定義される。「ＫＬＤ」は引数の順番によって値が変わるのに対し、そうならないように定義したのが「ＪＳＤ」である。

「ＪＳＤ」は［０，１］の値域を持ち、２つの確率分布が似ているほど「０」に近い値を取る。したがって、類似度「Ｓ」は式（４）のように「１」から「ＪＳＤ」を減算した値として求めることができる。なお、著者トピックと文書トピックは、表２および表４に示すように、Ｔ個の確率変数を持つ確率分布なため、「ＪＳＤ」によって両トピックの差を測ると、その値はスカラーとなる。

もっとも、「ＪＳＤ」の代わりに「ＫＬＤ」を用いたり、類似度を「ＣｏｓｉｎｅＳｉｍｉｌａｒｉｔｙ」などを用いたりして求めてもよい。また、確率分布同士を比較するのではなく、確率分布の中から確率値の高い順に「Ｋ（０＜Ｋ＜Ｔ）」個のトピックを選出し、それらの類似度を求めてもよい。さらに確率分布同士の自乗誤差を求めてもよい。

Ｓ１０８：教師ＤＢ１１０から教師データを取得し、特徴量を抽出する。この特徴量は、信憑性の有無に応じて変化することが予想される計量可能な変数を用いて、教師データをベクトル表現化したものとする。

表４の「文書ＩＤ＝４，５」の教師データに基づき処理例を説明すれば、「文書ＩＤ＝４」の教師データはＵＲＬが記述され、投稿文書長が６７文字からなる。一方、「文書ＩＤ＝５」の教師データは「ＵＲＬ」は記述されていなく、投稿文書長が６３文字からなる。

したがって、両教師データを「ＵＲＬ」の有無と投稿文書長という２つの変数でベクトル表現すると、「ｄ₄＝（１，６７）」と「ｄ₅＝（０，６３）」と表され、これが特徴量となる。

ただし、前記両変数以外にも投稿文書長・ＵＲＬの有無・ネガポジ表現などの投稿文書にもとづく特徴量、あるいはアカウント作成日・総投稿数・友人数などの著者にもとづく特徴量やトレンドにもとづく特徴量、情報伝播にもとづく特徴量など様々なものを用いることができるものとする。言い換えれば、信憑性の有無に応じて変化することが予想され、計量可能であればどんな変数を用いてもよい。

Ｓ１０９：著者トピックＡＴ「θ_dt」・文書トピックＤＴ「Ψ_dt」・類似度Ｓ「Ｓ（θ_dt，Ψ_dt）」を新たな特徴量として元の特徴量、即ちＳ１０８で求めた特徴量に付与する。

前述の「文書ＩＤ＝４，５」の教師データ例に基づき説明すれば、元の特徴量「ｄ₄＝（１，６７）」と「ｄ₅＝（０，６３）」とは、それぞれ「ｄ₄＝（１，６７，ＡＴ_d4，ＤＴ_d4，Ｓ（θ_4t，Ψ_4t）」と「ｄ₅＝（０，６３，ＡＴ_d5，ＤＴ_d5，Ｓ（θ_5t，Ψ_5t）」とに新しく置き換わる。これにより特徴量の次元数は、「２」から「２｜Ｔ｜＋３」へ増加する。

Ｓ１１０，Ｓ１１１：機械学習の教師あり学習を用いて、Ｓ１０９の処理後の特徴量と教師ＤＢ１１０に保存された教師データの信憑性を示すラベルとから信憑性判定器を構築する（Ｓ１１０）。ここでは「ＮａｉｖｅＢａｙｅｓ」や「ＳｕｐｐｏｒｔＶｅｃｔｏｒＭａｃｈｉｎｅ（ＳＶＭ）」など、どのような教師あり学習を用いてもよいものとする。学習の結果、構築された信憑性判定器を信憑性判定器ＤＢ１１１に保存し、処理を終了する。

≪信憑性判定装置２の処理内容≫
図４に基づき信憑性判定装置２の処理内容（処理手順）を説明する。ここではユーザは、ユーザ所有の端末（スマートフォン，ＰＣ）からネットワーク経由（インターネット２０５経由でよい。）で信憑性を判定したい文書２０３を信憑性判定装置２に投稿する。この投稿文書２０３の入力を信憑性判定装置２が受け付けると、その信憑性判定の処理が開始される。

なお、図４中、Ｓ２０１〜Ｓ２０６は著者トピック抽出部２０１の処理を示し、Ｓ２０７は文書トピック抽出部１０２の処理を示し、Ｓ２０８は類似度算出部１０３の処理を示し、Ｓ２０９は特徴量抽出部１０６の処理を示し、Ｓ２１０は特徴量付与部１０４の処理を示し、Ｓ２１１，Ｓ２１２は信憑性判定部２０２の処理を示している。

Ｓ２０１：処理が開始されると、受け付けた投稿文書２０３の著者が、著者トピックＤＢ１０８に存在するか否かを確認する。確認の結果、存在する場合はＳ２０２に進む一方、存在しない場合はＳ２０３に進む。

Ｓ２０２：著者トピックＤＢ１０８から該当する著者トピックを取得し、Ｓ２０７に進む。

Ｓ２０３，Ｓ２０４：インターネットを経由して投稿文書２０３と同じ著者の過去の投稿文書をウェブサイトから取得できるか否かを確認する（Ｓ２０３）。確認の結果、取得できなければＳ２０６に進む一方、取得できればＳ２０４に進む。Ｓ２０４では、インターネット２０５を経由してＳ２０３で確認した過去の投稿文書をウェブサイトから取得し、Ｓ２０５に進む。

Ｓ２０５：Ｓ２０４で取得した過去の投稿文書すべてに含まれる単語集合と、単語トピックＤＢ１０９に保存された単語トピックとを用いて、式（３）により文書トピックを算出する。ここで算出された値を著者トピックとし、Ｓ２０７に進む。

Ｓ２０６：あらかじめ定められた方法で著者トピックを初期化する。例えば、一様分布を用いる。この場合には著者トピックとして、著者トピックＤＢ１０８に保存された全著者の著者トピックの平均値を用いてＳ２０７に進む。なお、著者トピックとして他の手段を用いてもよいものとする。

Ｓ２０７：投稿文書２０３に含まれる単語集合と、単語トピックＤＢ１０９に保存された単語トピック確率とを用いて、式（３）により文書トピックを算出する。

Ｓ２０８：著者トピックと文書トピックを用いて、式（４）により類似度を算出する。

Ｓ２０９：投稿文書２０３から特徴量を抽出する。このＳ２０９の処理は、入力データが異なるだけで、Ｓ１０８と同様な処理を実行する。

Ｓ２１０：Ｓ２０２／Ｓ２０５／Ｓ２０６の著者トピックと、Ｓ２０７の文書トピックと、Ｓ２０８の類似度とを新たな特徴量として元の特徴量（Ｓ２０９の特徴量）に付与する。ここでは入力データが異なるだけで、Ｓ１０９と同様な処理を実行する。

Ｓ２１１，Ｓ２１２：信憑性判定器ＤＢ１１１に保存された信憑性判定器と、Ｓ２１０の特徴量とを用いて投稿文書２０３の信憑性を判定する（Ｓ２１１）。この判定処理は、Ｓ１１０で信憑性判定器を構築する際に使用した教師あり学習に依存する。判定結果は、信憑性ＤＢ２０６に保存される（Ｓ２１２）。

表５は、信憑性ＤＢ２０６のデータ構造例を示している。ここでは文書を識別できるユニークなＩＤの文書ＩＤ毎に投稿文書の著者を識別可能なユニークなＩＤの著者ＩＤと、投稿日時と、信憑性の有無と、信憑性判定の確信度とが保存されている。ここで確信度は、Ｓ２１１で信憑性を判定した際の教師あり学習における分類確率を用いる。なお、これら以外のメタデータを保存してもよいものとする。

このような本実施形態の前記情報信憑性判定システムによれば、投稿文書の信憑性判定にあたって、従来の特徴量に新たな特徴量が加えられているため、信憑性の判定精度を高めることができる。

（１）すなわち、信憑性判定にあたって専門性（著者トピック）に関する特徴量を考慮しないと、投稿文書の話題に詳しい人とそうでない人を区別できず信憑性の判定精度が低下するおそれがあった。

そこで、前記情報信憑性判定システムでは、Ｓ１０９，Ｓ２１０にて過去の投稿文書から得た著者トピックを新たな特徴量として加えることとした。これにより信憑性判定にあたって専門性が考慮され（Ｓ１１０，Ｓ２１１）、判定精度の向上が可能となった。

（２）また、投稿文書の話題（文書トピック）に関する特徴量が考慮されていないと、信用できる話題と疑ってかかるべき話題の区別ができず、信憑性の判断精度が低下するおそれがあった。

そこで、前記情報信憑性判定システムでは、Ｓ１０９，Ｓ２１０にて文書トピックを新たな特徴量として加えることとした。これにより信憑性判定にあたって投稿文書の話題が考慮され（Ｓ１１０，Ｓ２１１）、判定精度の向上が可能となった。

（３）さらに専門性と投稿文書の話題との類似性に関する特徴量が考慮されていないと、詳しい人がその話題に関して投稿したのか、あるいは詳しくない人がたまたまその話題に関して投稿したのかを区別できないため、信憑性の判定精度が低下するおそれがあった。

そこで前記情報信憑性判定システムでは、Ｓ１０７，Ｓ２０８にて著者トピックと文書トピックの類似度を算出し、さらにＳ１０９，Ｓ２１０にて新たな特徴量として加えることとした。これにより信憑性判定にあたって専門性と投稿文書の話題との類似性が考慮され（Ｓ１１０，Ｓ２１１）、判定精度の向上が可能となった。

≪プログラム等≫
本発明は、上記実施形態に限定されるものではなく、各請求項に記載された範囲内で応用・変形して実施することができる。例えばＳ１０９，Ｓ２１０において著者トピック・文書トピック・類似度のすべてを新たな特徴量として追加する必要はなく、著者トピックと文書トピックとの追加でもよく、あるいは類似度のみの追加でもよい。この場合には、追加する特徴量に応じて前記（１）〜（３）の効果が得られる。

また、本発明は、前記情報信憑性判定システム（信憑性判定器構築装置１，信憑性判定装置２）の各構成部１０１〜１１１，２０１，２０２，２０６の一部もしくは全部として、コンピュータを機能させる情報信憑性判定プログラムとして構成することもできる。このプログラムによれば、Ｓ１０１〜Ｓ１１１，Ｓ２０１〜Ｓ２１２の一部あるいは全部をコンピュータに実行させることが可能となる。

前記プログラムは、Ｗｅｂサイトや電子メールなどネットワークを通じて提供することができる。また、前記プログラムは、ＣＤ−ＲＯＭ，ＤＶＤ−ＲＯＭ，ＣＤ−Ｒ，ＣＤ−ＲＷ，ＤＶＤ−Ｒ，ＤＶＤ−ＲＷ，ＭＯ，ＨＤＤ，ＢＤ−ＲＯＭ，ＢＤ−Ｒ，ＢＤ−ＲＥなどの記録媒体に記録して、保存・配布することも可能である。この記録媒体は、記録媒体駆動装置を利用して読み出され、そのプログラムコード自体が前記実施形態の処理を実現するので、該記録媒体も本発明を構成する。

１…信憑性判定器構築装置
２…信憑性判定装置
１０１…トピック抽出部
１０２…文書トピック抽出部
１０３…類似度算出部
１０４…特徴量付与部
１０５…構築部
１０６…特徴量抽出部
１０７…投稿文書ＤＢ
１０８…著者トピックＤＢ（第１データベース）
１０９…単語トピックＤＢ（第２データベース）
１１０…教師ＤＢ
１１１…信憑性判定器ＤＢ（第３データベース）
２０１…著者トピック抽出部
２０２…信憑性判定部
２０３…投稿文書（入力文書）
２０４…ウェブサイト
２０５…インターネット
２０６…信憑性ＤＢ

Claims

過去文書群を元にした著者の特性を示す著者トピックを保存する第１データベースを参照し、入力文書の著者トピックが存在すれば該著者トピックを抽出する著者トピック抽出部と、
過去文書群の単語特性を示す単語トピックを保存する第２データベースから入力文書に含まれる単語の単語トピックを取得し、入力文書の特性を示す文書トピックを抽出する文書トピック抽出部と、
前記著者トピックと前記文書トピックとの類似度を加味した特徴量を入力文書に付与する特徴量付与部と、
過去文書に付与された前記特徴量と教師データとを用いた機械学習で構築された信憑性判定器を保存する第３データベースと、
第３データベースの信憑性判定器と入力文書に付与された前記特徴量とを用いて該入力文書の信憑性を判定する信憑性判定部と、
を備えることを特徴とする情報信憑性判定システム。
過去文書群を元にした著者の特性を示す著者トピックを格納する第１データベースと、過去文書群の単語特性を示す単語トピックを格納する第２データベースと、を備えた情報信憑性判定システムであって、
入力文書の著者トピックが第１データベースに存在すれば該著者トピックを抽出する一方、存在しなければウェブサイト経由で入力文書と同じ著者の過去文書を取得して著者トピックを抽出する著者トピック抽出部と、
第２データベースから入力文書に含まれる単語の単語トピックを取得し、入力文書の特性を示す文書トピックを抽出する文書トピック抽出部と、
前記著者トピック、前記文書トピック、前記著者トピックと前記文書トピックとの類似度を加味した特徴量を入力文書に付与する特徴量付与部と、
過去文書に付与された前記特徴量と教師データとを用いた機械学習で構築された信憑性判定器を格納する第３データベースと、
第３データベースの信憑性判定器と入力文書に付与された前記特徴量とを用いて該入力文書の信憑性を判定する信憑性判定部と、
を備えることを特徴とする情報信憑性判定システム。
コンピュータにより入力文書の信憑性を判定する情報信憑性判定方法であって、
過去文書群を元にした著者の特性を示す著者トピックを保存する第１データベースを参照し、入力文書の著者トピックが存在すれば該著者トピックを抽出する著者トピック抽出ステップと、
過去文書群の単語特性を示す単語トピックを保存する第２データベースから入力文書に含まれる単語の単語トピックを取得し、入力文書の特性を示す文書トピックを抽出する文書トピック抽出ステップと、
前記著者トピックと前記文書トピックとの類似度を加味した特徴量を入力文書に付与する特徴量付与ステップと、
過去文書に付与された前記特徴量と教師データとに基づく機械学習で構築された信憑性判定器を保存する第３データベースと、入力文書に付与された前記特徴量とを用いて該入力文書の信憑性を判定する信憑性判定ステップと、
を有することを特徴とする情報信憑性判定方法。
コンピュータが、
過去文書群を元にした著者の特性を示す著者トピックを格納する第１データベースと、過去文書の集合から取得された単語トピックを格納する第２データベースと、を利用して入力文書の信憑性を判定する情報信憑性判定方法であって、
入力文書の著者トピックが第１データベースに存在すれば該著者トピックを抽出する一方、存在しなければウェブサイト経由で入力文書と同じ著者の過去文書を取得して著者トピックを抽出する著者トピック抽出ステップと、
第２データベースから入力文書に含まれる単語の単語トピックを取得し、入力文書の特性を示す文書トピックを抽出する文書トピック抽出ステップと、
前記著者トピック、前記文書トピック、前記著者トピックと前記文書トピックとの類似度を加味した特徴量を入力文書に付与する特徴量付与ステップと、
過去文書に付与された前記特徴量と教師データとに基づく機械学習で構築された信憑性判定器を保存する第３データベースと、入力文書に付与された前記特徴量とを用いて該入力文書の信憑性を判定する信憑性判定ステップと、
を有することを特徴とする情報信憑性判定方法。
請求項１または２記載の情報信憑性判定システムとして、コンピュータを機能させることを特徴とする情報信憑性判定プログラム。