JP6511865B2 - 情報処理装置及び情報処理プログラム - Google Patents

Description

本発明は、情報処理装置及び情報処理プログラムに関する。

特許文献１には、異なるカテゴリの対象の検出や認識に有用な局所特徴を、画像の集合から適切に抽出するための学習を行えることができるようにすることを課題とし、異なる種類の物体画像データの集合を、画像入力部により入力し、入力した各物体画像データから所定の幾何学的構造を有する局所的特徴を、局所特徴検出部により検出し、検出した複数の局所的特徴を、クラスタリングによりクラスタリングし、クラスタリングした結果に基づき、複数の代表局所特徴を、特徴選択部により選択し、選択した代表局所特徴を教師データとして含む学習用データセットを用いて、前記物体画像データに基づく物体を認識又は検出するための学習を、学習制御部により行うことが開示されている。

特許文献２には、酷似種が含まれる多クラスの画像やその他の特徴データの分類において、過学習を避けることを課題とし、酷似種が含まれる多クラスの画像や特徴データ分類で、グループ単位の識別を行う第１階層目識別器と、グループ内の識別を行う第２階層目識別器の、２階層の識別器が実現され、グループを決定する際、第１学習手段によって事前に、グループ化しない状態で機械学習による識別を行う種類識別器が生成され、次に、識別誤り集計手段によって、この種類識別器を用いて、識別試験が行われ、カテゴリ間で識別誤りを生じた回数が集計され、グルーピング処理手段によって、機械学習が間違いやすいカテゴリ同士がグループ化され、事前の識別誤りの集計により酷似種が自動的に仕分され、グループ間識別、グループ内識別の２階層の識別が実行され、多クラス識別器において、過学習が抑制されることが開示されている。

特許文献３には、内容の偏りが少なく、学習に効果的な画像データを収集することを課題とし、画像から検出対象とする画像領域を検出する複数の検出器と、複数の検出器における検出の結果を統合し、学習画像の候補となる画像領域と画像領域の対象物らしさのスコアとの組を出力する統合手段と、学習データの採択率を設定する設定手段と、スコアと設定手段で設定された採択率とに基づいて、画像領域とスコアとの組から学習データを選択する選択手段と、選択手段で選択された学習データを保存する保存手段と、を有することが開示されている。

特許文献４には、カメラに映った人物が携帯電話を使用している状態か否かを判別できる携帯電話使用状態識別装置を提供することを課題とし、カメラから入力した学習用画像から顔領域を検出し、該顔領域に隣接する左右部分領域から特徴量を抽出し、該抽出された特徴量のデータ群を元に携帯電話使用状態か否かを識別する識別関数を作成し、該識別関数の各種パラメータ値を識別関数記憶部に格納し、カメラから入力した識別対象画像から顔のある領域を検出し、該識別対象画像の顔領域に隣接する左右部分領域から特徴量を抽出し、該抽出された特徴量を前記識別関数記憶部に格納された識別関数に入力することで、携帯電話使用状態か否かを識別し（識別部）、該識別部の識別結果を出力部から出力することが開示されている。

非特許文献１には、機械学習のためにノイズの少ない教師データを大量に用意するのは困難であることを課題とし、Ｔｗｅｅｔ（「つぶやき」といわれるテキスト）中に含まれる顔文字情報を手掛かりに教師データを収集することによって、人手をかけず効率的に大量の教師データを収集することが開示されている。例えば、顔文字「:-)」は、ポジティブを示しており、顔文字「:-(」はネガティブを示していることを手掛かりにしている。

特開２００５−２１５９８８号公報 特開２０１３−２５０８０９号公報 特開２０１２−１９０１５９号公報 特開２０１０−１２２８３８号公報

Ａｌｅｃ Ｇｏ， Ｒｉｃｈａ Ｂｈａｙａｎｉ， ａｎｄ Ｌｅｉ Ｈｕａｎｇ． ２００９． Ｔｗｉｔ−ｔｅｒ ｓｅｎｔｉｍｅｎｔ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｕｓｉｎｇ ｄｉｓｔａｎｔ ｓｕｐｅｒｖｉｓｉｏｎ．Ｔｅｃｈｎｉｃａｌ ｒｅｐｏｒｔ， Ｓｔａｎｆｏｒｄ Ｕｎｉｖｅｒｓｉｔｙ．

本発明は、分類されていない投稿情報を用いて、機械学習に用いる教師データを作成する場合に比較して、ノイズの少ない教師データを作成するようにした情報処理装置及び情報処理プログラムを提供することを目的としている。

かかる目的を達成するための本発明の要旨とするところは、次の各項の発明に存する。
請求項１の発明は、投稿情報を収集する収集手段と、前記収集手段によって収集された投稿情報を分類する分類手段と、前記分類手段によって分類された集合内の投稿情報を用いて、機械学習に用いる教師データを作成する作成手段を具備し、前記作成手段は、前記分類手段によって分類された集合内の投稿情報を結合して、機械学習に用いる１件の教師データを作成することを特徴とする情報処理装置である。

請求項２の発明は、前記分類手段は、前記収集手段によって収集された投稿情報を、教師なしクラスタリングによる分類又は該投稿情報に含まれている情報を用いて分類することを特徴とする請求項１に記載の情報処理装置である。

請求項３の発明は、前記分類手段は、前記収集手段によって収集された投稿情報を、予め作成した教師データを用いて、教師ありクラスタリング又は機械学習によって分類することを特徴とする請求項１に記載の情報処理装置である。

請求項４の発明は、コンピュータを、投稿情報を収集する収集手段と、前記収集手段によって収集された投稿情報を分類する分類手段と、前記分類手段によって分類された集合内の投稿情報を用いて、機械学習に用いる教師データを作成する作成手段として機能させ、前記作成手段は、前記分類手段によって分類された集合内の投稿情報を結合して、機械学習に用いる１件の教師データを作成する情報処理プログラムである。

請求項１の情報処理装置によれば、分類されていない投稿情報を用いて、機械学習に用いる教師データを作成する場合に比較して、ノイズの少ない教師データを作成することができる。また、分類された集合内の投稿情報を結合して、機械学習に用いる１件の教師データを作成することができる。

請求項２の情報処理装置によれば、収集された投稿情報を、教師なしクラスタリングによる分類又はその投稿情報に含まれている情報を用いて分類することができる。

請求項３の情報処理装置によれば、収集された投稿情報を、予め作成した教師データを用いて、教師ありクラスタリング又は機械学習によって分類することができる。

請求項４の情報処理プログラムによれば、分類されていない投稿情報を用いて、機械学習に用いる教師データを作成する場合に比較して、ノイズの少ない教師データを作成することができる。また、分類された集合内の投稿情報を結合して、機械学習に用いる１件の教師データを作成することができる。

第１の実施の形態の構成例についての概念的なモジュール構成図である。 第１の実施の形態を利用したシステム構成例を示す説明図である。 第１の実施の形態による処理例を示すフローチャートである。 第１の実施の形態による処理例を示す説明図である。 第１の実施の形態による処理例を示す説明図である。 第１の実施の形態による処理例を示す説明図である。 第１の実施の形態による処理例を示す説明図である。 第１の実施の形態による処理例を示す説明図である。 第２の実施の形態の構成例についての概念的なモジュール構成図である。 第２の実施の形態による処理例を示すフローチャートである。 第２の実施の形態による処理例を示すフローチャートである。 本実施の形態を実現するコンピュータのハードウェア構成例を示すブロック図である。

以下、図面に基づき本発明を実現するにあたっての好適な各種の実施の形態の例を説明する。
図１は、第１の実施の形態の構成例についての概念的なモジュール構成図を示している。
なお、モジュールとは、一般的に論理的に分離可能なソフトウェア（コンピュータ・プログラム）、ハードウェア等の部品を指す。したがって、本実施の形態におけるモジュールはコンピュータ・プログラムにおけるモジュールのことだけでなく、ハードウェア構成におけるモジュールも指す。それゆえ、本実施の形態は、それらのモジュールとして機能させるためのコンピュータ・プログラム（コンピュータにそれぞれの手順を実行させるためのプログラム、コンピュータをそれぞれの手段として機能させるためのプログラム、コンピュータにそれぞれの機能を実現させるためのプログラム）、システム及び方法の説明をも兼ねている。ただし、説明の都合上、「記憶する」、「記憶させる」、これらと同等の文言を用いるが、これらの文言は、実施の形態がコンピュータ・プログラムの場合は、記憶装置に記憶させる、又は記憶装置に記憶させるように制御するの意である。また、モジュールは機能に一対一に対応していてもよいが、実装においては、１モジュールを１プログラムで構成してもよいし、複数モジュールを１プログラムで構成してもよく、逆に１モジュールを複数プログラムで構成してもよい。また、複数モジュールは１コンピュータによって実行されてもよいし、分散又は並列環境におけるコンピュータによって１モジュールが複数コンピュータで実行されてもよい。なお、１つのモジュールに他のモジュールが含まれていてもよい。また、以下、「接続」とは物理的な接続の他、論理的な接続（データの授受、指示、データ間の参照関係等）の場合にも用いる。「予め定められた」とは、対象としている処理の前に定まっていることをいい、本実施の形態による処理が始まる前はもちろんのこと、本実施の形態による処理が始まった後であっても、対象としている処理の前であれば、そのときの状況・状態に応じて、又はそれまでの状況・状態に応じて定まることの意を含めて用いる。「予め定められた値」が複数ある場合は、それぞれ異なった値であってもよいし、２以上の値（もちろんのことながら、全ての値も含む）が同じであってもよい。また、「Ａである場合、Ｂをする」という意味を有する記載は、「Ａであるか否かを判断し、Ａであると判断した場合はＢをする」の意味で用いる。ただし、Ａであるか否かの判断が不要である場合を除く。
また、システム又は装置とは、複数のコンピュータ、ハードウェア、装置等がネットワーク（一対一対応の通信接続を含む）等の通信手段で接続されて構成されるほか、１つのコンピュータ、ハードウェア、装置等によって実現される場合も含まれる。「装置」と「システム」とは、互いに同義の用語として用いる。もちろんのことながら、「システム」には、人為的な取り決めである社会的な「仕組み」（社会システム）にすぎないものは含まない。
また、各モジュールによる処理毎に又はモジュール内で複数の処理を行う場合はその処理毎に、対象となる情報を記憶装置から読み込み、その処理を行った後に、処理結果を記憶装置に書き出すものである。したがって、処理前の記憶装置からの読み込み、処理後の記憶装置への書き出しについては、説明を省略する場合がある。なお、ここでの記憶装置としては、ハードディスク、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、外部記憶媒体、通信回線を介した記憶装置、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）内のレジスタ等を含んでいてもよい。

本実施の形態である情報処理装置１００は、機械学習に用いる教師データを作成するものであって、図１の例に示すように、予備教師データ収集モジュール１１０、予備教師データ分析モジュール１２０、教師データ作成モジュール１３０、収集対象データ保存モジュール１４０、予備教師データ格納モジュール１５０、教師データ格納モジュール１６０を有している。
例えば、ＳＮＳ（ｓｏｃｉａｌ ｎｅｔｗｏｒｋｉｎｇ ｓｅｒｖｉｃｅ、ソーシャル・ネットワーキング・サービス）等における投稿情報から、その投稿を行ったユーザーの趣味を判定等する目的で、機械学習に用いる教師データを作成することが行われている。
１件１件の教師データのデータ単位（以下、教師データ単位ともいう）がテキスト集合からなるデータを学習・判定対象とする機械学習において、教師データを手掛かり情報によって収集すると、教師データ単位を満たすデータが元々少なかったり、セキュリティでデータの一部が制限されていたりといったことが原因で、学習に必要な件数の教師データを収集できないことがある。また、手掛かり情報によってテキスト集合からなる教師データを収集、作成すると、データの中に手掛かり情報に関連しない情報（ノイズ）が多数紛れ込んでしまうことがある。例えば、ＳＮＳユーザーの趣味判定におけるノイズとしては、「おはよう」等のあいさつなどがある。このような投稿は誰もが作成する可能性があるので、趣味判定の手掛りにはならない。
なお、教師データ単位とは、教師データ１件のデータ量である。分割データ単位とは、本実施の形態でデータを収集するときの抽出するデータの大きさである。後述する予備教師データの大きさとなる。予備教師データとは、手掛かり情報によって分割データ単位で収集されたデータである。

情報処理装置１００は、手掛かり情報によってデータを収集するときに、テキスト部分集合からなる教師データ単位を分割した単位（以下、分割データ単位ともいう）データを収集する。収集したデータの傾向を分析し、類似する傾向を持つデータを教師データ単位に結合することによって、実際のデータ（本実施の形態が生成した教師データを用いて機械学習したモデルを用いて、処理対象とするデータ）と類似し、ノイズの少ない教師データを作成する。

収集対象データ保存モジュール１４０は、予備教師データ収集モジュール１１０と接続されている。収集対象データ保存モジュール１４０は、教師データの元となる投稿情報を記憶している。ここで投稿情報として、ＳＮＳにおける投稿情報（つぶやき、ブログ内の記事、掲示板への書き込み等）等が該当する。例えば、ＳＮＳによってユーザーから投稿情報を収集してもよいし、ＳＮＳが収集した投稿情報を複製して収集してきたものであってもよい。
予備教師データ収集モジュール１１０は、収集対象データ保存モジュール１４０、予備教師データ格納モジュール１５０と接続されている。予備教師データ収集モジュール１１０は、投稿情報を収集する。そして、収集した投稿情報を予備教師データ格納モジュール１５０に記憶させる。
例えば、予備教師データ収集モジュール１１０は、手掛かり情報に基づいて投稿情報（以下、予備教師データともいう）を収集するようにしてもよい。ここで手掛かり情報とは、検索キーワード、ユーザー（書き手）の属性（ユーザープロフィール）、共通の興味をもつ者が集まる場を提供するフォーラム、コミュニティ等がある。例えば、音楽を趣味とする人の投稿情報を収集する場合は、検索キーワードとして、ある歌手の名前「ｘｘｘｘｘ」が含まれている投稿情報を検索して収集するようにしてもよいし、ユーザー（書き手）の属性の趣味欄に「ｘｘｘｘｘ」が含まれているユーザーの投稿情報を収集するようにしてもよい。
具体的には、予備教師データ収集モジュール１１０は、手掛かり情報を元にテキスト部分集合からなる分割データ単位の予備教師データを収集する。これによって、データ単位に満たないデータも利用できるようになり、たくさんのデータを収集できるようになる。また、手掛かり情報によって抽出される範囲が狭くなるため、手掛かり情報と関係のない情報（ノイズ）が減る。

予備教師データ格納モジュール１５０は、予備教師データ収集モジュール１１０、予備教師データ分析モジュール１２０と接続されている。予備教師データ格納モジュール１５０は、予備教師データ収集モジュール１１０によって収集された予備教師データを記憶しており、その予備教師データを予備教師データ分析モジュール１２０に渡す。
予備教師データ分析モジュール１２０は、教師データ作成モジュール１３０、予備教師データ格納モジュール１５０と接続されている。予備教師データ分析モジュール１２０は、予備教師データ収集モジュール１１０によって収集された投稿情報（予備教師データ格納モジュール１５０に記憶された予備教師データ）を分類する。
例えば、予備教師データ分析モジュール１２０は、予備教師データ収集モジュール１１０によって収集された投稿情報を、教師なしクラスタリングによる分類又はその投稿情報に含まれている情報を用いて分類するようにしてもよい。つまり、予備教師データ分析モジュール１２０は、収集した予備教師データを分類（分析）する。

教師データ作成モジュール１３０は、予備教師データ分析モジュール１２０、教師データ格納モジュール１６０と接続されている。教師データ作成モジュール１３０は、予備教師データ分析モジュール１２０によって分類された集合内の投稿情報を用いて、機械学習に用いる教師データを作成する。そして、作成した教師データを教師データ格納モジュール１６０に記憶させる。
また、教師データ作成モジュール１３０は、予備教師データ分析モジュール１２０によって分類された集合内の投稿情報を結合して、機械学習に用いる１件の教師データを作成するようにしてもよい。つまり、教師データ作成モジュール１３０は、同等の傾向を持つデータをまとめる（結合する）ことで、教師データ単位のデータに集約する。これによって、同等の傾向を持つデータを統合し、実際のデータに類似した教師データを作成することとなる。しかも、手掛かり情報で収集した上で結合しているので、その傾向のデータが持つ特徴を豊富に含む教師データを作成することとなる。
教師データ格納モジュール１６０は、教師データ作成モジュール１３０と接続されている。教師データ格納モジュール１６０は、教師データ作成モジュール１３０によって作成された教師データを記憶する。

図２は、第１の実施の形態を利用したシステム構成例を示す説明図である。
情報処理装置１００、ＳＮＳ提供装置２１０Ａ、ＳＮＳ提供装置２１０Ｂ、ユーザー端末２２０は、通信回線２９０を介してそれぞれ接続されている。通信回線２９０は、無線、有線、これらの組み合わせであってもよく、例えば、通信インフラとしてのインターネット、イントラネット等であってもよい。ＳＮＳ提供装置２１０は、ＳＮＳのサービスを提供し、ユーザー端末２２０等からの投稿情報を収集する。そして、情報処理装置１００は、ＳＮＳ提供装置２１０Ａ、ＳＮＳ提供装置２１０Ｂから、その投稿情報を収集して、教師データを生成する。また、情報処理装置１００による機能は、クラウドサービスとして実現してもよい。
さらに、情報処理装置１００の教師データ格納モジュール１６０に記憶された教師データを用いて、機械学習が行われる。この機械学習によって生成されたモデルを用いて、前述の例では、ＳＮＳ提供装置２１０Ａ、ＳＮＳ提供装置２１０Ｂ内の投稿情報から、音楽を趣味としているユーザーを特定する。そして、そのユーザー向けに音楽を趣味とする個人向けの商品、サービスの広告を提供するようにしてもよい。

図３は、第１の実施の形態による処理例を示すフローチャートである。
ステップＳ３０２では、予備教師データ収集モジュール１１０は、収集対象データ保存モジュール１４０から手掛かり情報を用いて予備教師データを抽出する。
ステップＳ３０４では、予備教師データ分析モジュール１２０は、予備教師データに対して、クラスタリング処理を行う。具体的には、ステップＳ３０２で収集した多数の予備教師データをクラスタリングし、類似した傾向を持つデータからなるいくつかのクラスタに分類する。
ステップＳ３０６では、教師データ作成モジュール１３０は、クラスタリングされた予備教師データを、教師データの単位に集約（結合）する。具体的には、ステップＳ３０４で作成されたクラスタに含まれている予備教師データを用いて、教師データとして要請されるデータ量に集約する。
ステップＳ３０８では、教師データ作成モジュール１３０は、ステップＳ３０６で作成された教師データを教師データ格納モジュール１６０に保存する。

本実施の形態による処理例について、ＳＮＳユーザーのプロフィール自動判定を例にとって説明する。
この技術は、ＳＮＳユーザーの性別、年代、居住域、職業、趣味等のプロフィール属性をユーザーの投稿から自動推定するというものである。機械学習器を作成することによってプロフィールの自動判定を実現するが、その教師データには通常、１人のＳＮＳユーザーの１００−２００個（この数は、一例であって、より多く、又は少ない場合であってもよい）の投稿情報に対して、アノテーションを付与したデータが用いられる。すなわち、教師データ単位は１００−２００投稿情報となる。これは、単一の投稿情報からそのユーザーのプロフィール属性を推定するのは難しいからである。図４に示す例では、投稿情報群４２０として、「俺の車かっこいい」、「レストランに行った」、「やったぜ、宝くじに当たった」、「今、会社帰り」、「＠ｘｘｘｘ お前、何いってんの」の文（投稿情報）がある。これは、あるユーザーの複数の投稿情報（投稿情報群４２０）に対して、「男」というラベル４１０が付与されているが、「俺」、「やったぜ」、「お前」といった男性特有の表現が現れている投稿情報と現れていない投稿情報があり、精度よく判定を行うためには１人当たりたくさんの投稿情報を収集する必要があることが分かる。

プロフィール判定の中でも趣味極性の「音楽」の教師データ作成プロセスにおいて、本実施の形態による処理を適用する。
まず、予備教師データ収集モジュール１１０において、歌手の名前や楽器の名前を手掛かり情報として用いて、予備教師データを収集する。手掛かり情報として「ｘｘｘｘｘ」という歌手の名前で収集された予備教師データ群５００を図５の例に示す。予備教師データ群５００として、１行目にはｕｓｅｒ ａが投稿した「ｘｘｘｘｘちゃんかわいい」、２行目にはｕｓｅｒ ｂが投稿した「ｘｘｘｘｘのコンサートに行きます（＾＾）」、３行目にはｕｓｅｒ ｃが投稿した「声がいいｘｘｘｘｘ」、４行目にはｕｓｅｒ ｄが投稿した「ｘｘｘｘｘの顔小さくてスタイルがいい」、５行目にはｕｓｅｒ ｅが投稿した「ｘｘｘｘｘの歌うまい」、６行目にはｕｓｅｒ ｆが投稿した「今度ｘｘｘｘｘの大阪コンサート行くよ−」、７行目にはｕｓｅｒ ｇが投稿した「ｘｘｘｘｘの新曲買いました！」、８行目にはｕｓｅｒ ｈが投稿した「まつ毛長いよね、ｘｘｘｘｘちゃん」がある。なお、この例では、１件／人の投稿情報を収集しているが、１人につき複数の投稿情報を収集するようにしてもよい。

例えば、１行目の投稿情報は「ｘｘｘｘｘ」の「容姿」、２行目の投稿情報は「イベント」、３行目の投稿情報は「歌」に注目した投稿となっている。このように、「ｘｘｘｘｘ」を含むという条件で収集した投稿情報は、歌手「ｘｘｘｘｘ」の異なるアスペクト（切り口、性質）を含んだ、傾向の異なるデータであることが分かる。このような投稿情報をそのまま統合すると、全ての傾向が混合した教師データとなってしまう。実際のユーザーが興味を持つアスペクトは各々のユーザーによって異なると考えられ、１人のユーザーは特定の１つ又はいくつかのアスペクトに注目していると考えられる。そのため、全てのアスペクトの特徴を含んでいるこのデータをそのまま教師データ単位に集約しても、機械学習器の判定精度は低くなると予想される。そこで、予備教師データ分析モジュール１２０によって、収集した投稿データを同じアスペクト、傾向を持つもので分類し、教師データ作成モジュール１３０がその分類内で集約することによって教師データを作成する。
先に述べたように、収集した雑多な予備教師データを同一の傾向でまとめる際には、教師なしクラスタリングや収集対象のデータが元々持っている情報等を用いる。教師なしクラスタリングのアルゴリズムとしては、単語や文字を素性としたｋ−ｍｅａｎｓ法、潜在的ディリクレ配分法（Ｌａｔｅｎｔ Ｄｉｒｉｃｈｌｅｔ Ａｌｌｏｃａｔｉｏｎ， ＬＤＡ、「Ｄ．Ｂｌｅｉ， Ａ．Ｎｇ， Ｍ．Ｊｏｒｄａｎ， “Ｌａｔｅｎｔ Ｄｉｒｉｃｈｌｅｔ Ａｌｌｏｃａｔｉｏｎ”， Ｊｏｕｒｎａｌ ｏｆ Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ Ｒｅｓｅａｒｃｈ ３ ｐｐ．９９３−１０２２， ２００３」）、Ｇｉｒｖａｎ−Ｎｅｗｍａｎ法などがある。また、予備教師データが元々持っている情報で、傾向の分類と判定に利用可能なものとしては、例えばＳＮＳの投稿における投稿時間、投稿された場所、顔文字の有無や種類、添付された画像の有無や種類等がある。予備教師データ分析モジュール１２０は、この予備教師データが元々持っている情報で、分類する。例えば、投稿された場所がコンサート会場である予備教師データを収集して、１つの分類とすればよい。

図６に示す例は、歌手「ｘｘｘｘｘ」についての投稿情報を「容姿」（容姿クラスタ６１２）、「歌」（顔クラスタ６２２）、「イベント」（イベントクラスタ６３２）で集約したものである。つまり、容姿クラスタ６１２に分類された予備教師データ群６１０内の予備教師データを結合して、１件の教師データ６１４を生成する。同様に、顔クラスタ６２２に分類された予備教師データ群６２０内の予備教師データを結合して、１件の教師データ６２４を生成する。イベントクラスタ６３２に分類された予備教師データ群６３０内の予備教師データを結合して、１件の教師データ６３４を生成する。このように、同じ傾向を持つ投稿データをまとめることによって、特徴を網羅的に備え、かつノイズの少ない教師データを作成することとなる。なお、図６では、予備教師データ群６１０内にユーザー名を含めているが、１件の教師データ６１４を生成する場合は、ユーザー名を含めずに、予備教師データ（「ｘｘｘｘｘかわいい」等）を結合する。

図６に示す例では、予備教師データの収集において、手掛かり情報としてキーワードによる収集を用いたが、他にもＳＮＳのコミュニティを利用するようにしてもよい。ＳＮＳには興味のある事柄について該当するコミュニティに投稿するユーザーがおり、そうしたコミュニティから投稿やコメントを収集すれば、キーワードで収集したデータと同様の、異なるユーザーによる特定の事柄に関する投稿データを収集することができ、予備教師データとして利用することができる。

図７に示す例は「ｘｘｘｘｘ」のコミュニティ７００に投稿された投稿情報とそのコメントの表示例である。なお、コメントも投稿情報（予備教師データ）として扱う。
投稿領域７１０の主催者を示す投稿者アイコン７１５が表示され、そして、投稿者アイコン７１７が示すユーザーによって投稿された投稿情報が投稿領域７１０内に表示されている。そして、その投稿領域７１０に対して、別のユーザーの書き込みによるコメントがコメント領域７２２、７２４、７２６、７２８内に表示されている。また、投稿者アイコン７１９が示すユーザーによって投稿された投稿情報が投稿領域７３０内に表示されている。そして、その投稿領域７３０に対して、別のユーザーの書き込みによるコメントがコメント領域７３２内に表示されている。
この場合、予備教師データ収集モジュール１１０は、投稿領域７１０、コメント領域７２２、７２４、７２６、７２８、投稿領域７３０、コメント領域７３２内の投稿情報を、「ｘｘｘｘｘ」に関する投稿情報として収集する。

また、図６では「ｘｘｘｘｘ」について収集したデータについて、同一傾向をもつ投稿を集約する例を示したが、図８の例に示すように、他のキーワードで収集した投稿も含めて、集約を行ってもよい。例えば、歌手「ｙｙｙｙｙ」、「ｚｚｚｚｚ」など複数（特に、多数としてもよい）のキーワードを設定し、複数（特に、多数としてもよい）の投稿情報を収集し、得られた予備教師データすべてを包括的に分析し、同一傾向のデータで集約して教師データを作成してもよい。１件の教師データの作成は、集約の対象とする予備教師データ群（投稿情報）が異なること以外は、図６の例と同等である。
手掛り情報にコミュニティを用いる際にも、多数のコミュニティの投稿情報を予備教師データにして分析し、同一の傾向のデータで集約して教師データを作成してもよい。

また、ＳＮＳの１つであるＴｗｉｔｔｅｒにおいては、類似する投稿情報を検索しやすくする仕組みとしてハッシュタグがある。これは利用者が“♯”記号を任意の単語、文章につけることで自由に設定できるラベルである。人気のあるハッシュタグはたくさんの投稿に付与されているため、大量の予備教師データを効率的に収集するためにハッシュタグを利用することも予備教師データの収集手段の１つとして用いてもよい。

図９は、第２の実施の形態の構成例についての概念的なモジュール構成図である。
情報処理装置９００は、教師データ分析モジュール９７０、教師データ格納モジュール９８０、予備教師データ収集モジュール１１０、予備教師データ分析モジュール１２０、教師データ作成モジュール１３０、収集対象データ保存モジュール１４０、予備教師データ格納モジュール１５０、教師データ格納モジュール１６０を有している。なお、第１の実施の形態と同種の部位には同一符号を付し重複した説明を省略する。第２の実施の形態は、第１の実施の形態に、教師データ分析モジュール９７０、教師データ格納モジュール９８０を付加したものである。
この第２の実施の形態では、人手などによって作成した理想的な教師データ群を用意し（教師データ格納モジュール９８０）、そのデータを教師データ分析モジュール９７０で分析する。その分析結果を踏まえて、予備教師データ分析モジュール１２０で予備教師データの分析を行う。この分析には教師ありクラスタリングや機械学習による判定器などを用いる。教師ありクラスタリングのアルゴリズムの例としては教師あり潜在ディリクレ配分法（Ｐａｒｔｉａｌｌｙ Ｄｉｒｉｃｈｌｅｔ Ａｌｌｏｃａｔｉｏｎ， ＰＬＤＡ）等がある。また、理想的な教師データを用いて機械学習による傾向の分類・判定を行う判定器を作成し、同一傾向にまとめる手法等を用いてもよい。このアルゴリズムとしてはサポートベクターマシン、ナイーブベイズ、Ａｄａｂｏｏｓｔ等がある。第２の実施の形態では、予備教師データから、より実際のデータに近い教師データを作成することとなる。

教師データ格納モジュール９８０は、教師データ分析モジュール９７０と接続されている。教師データ格納モジュール９８０は、理想的な教師データを記憶している。
教師データ分析モジュール９７０は、教師データ格納モジュール９８０、予備教師データ分析モジュール１２０と接続されている。教師データ分析モジュール９７０は、教師データ格納モジュール９８０内の理想的な教師データを分析し、予備教師データ分析モジュール１２０における教師データ単位のデータに結合する処理に、参考情報として反映させる。
予備教師データ分析モジュール１２０は、教師データ分析モジュール９７０、教師データ作成モジュール１３０、予備教師データ格納モジュール１５０と接続されている。予備教師データ分析モジュール１２０は、予備教師データ収集モジュール１１０によって収集された投稿情報を、教師データ分析モジュール９７０が作成した教師データを用いて、教師ありクラスタリング又は機械学習によって分類する。

図１０は、第２の実施の形態による処理例を示すフローチャートである。
ステップＳ１００２では、教師データ格納モジュール９８０から教師データを抽出する。
ステップＳ１００４では、教師データを分析する。
ステップＳ１００６では、分析結果を予備教師データ分析モジュール１２０に渡す。

図１１は、第２の実施の形態による処理例を示すフローチャートである。
ステップＳ１１０２では、予備教師データ収集モジュール１１０は、収集対象データ保存モジュール１４０から予備教師データを抽出する。
ステップＳ１１０４では、予備教師データ分析モジュール１２０は、教師データ分析モジュール９７０からの分析結果を用いて、クラスタリングを行う。
ステップＳ１１０６では、教師データ作成モジュール１３０は、教師データの単位に集約する。
ステップＳ１１０８では、教師データ作成モジュール１３０は、教師データとして格納する。

なお、本実施の形態としてのプログラムが実行されるコンピュータのハードウェア構成は、図１２に例示するように、一般的なコンピュータであり、具体的にはパーソナルコンピュータ、サーバーとなり得るコンピュータ等である。つまり、具体例として、処理部（演算部）としてＣＰＵ１２０１を用い、記憶装置としてＲＡＭ１２０２、ＲＯＭ１２０３、ＨＤ１２０４を用いている。ＨＤ１２０４として、例えばハードディスク、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）を用いてもよい。予備教師データ収集モジュール１１０、予備教師データ分析モジュール１２０、教師データ作成モジュール１３０、教師データ分析モジュール９７０等のプログラムを実行するＣＰＵ１２０１と、そのプログラムやデータを記憶するＲＡＭ１２０２と、本コンピュータを起動するためのプログラム等が格納されているＲＯＭ１２０３と、収集対象データ保存モジュール１４０、予備教師データ格納モジュール１５０、教師データ格納モジュール１６０、教師データ格納モジュール９８０等の機能を有する補助記憶装置（フラッシュメモリ等であってもよい）であるＨＤ１２０４と、キーボード、マウス、タッチパネル、マイク等に対する利用者の操作に基づいてデータを受け付ける受付装置１２０６と、ＣＲＴ、液晶ディスプレイ、スピーカー等の出力装置１２０５と、ネットワークインタフェースカード等の通信ネットワークと接続するための通信回線インタフェース１２０７、そして、それらをつないでデータのやりとりをするためのバス１２０８により構成されている。これらのコンピュータが複数台互いにネットワークによって接続されていてもよい。

前述の実施の形態のうち、コンピュータ・プログラムによるものについては、本ハードウェア構成のシステムにソフトウェアであるコンピュータ・プログラムを読み込ませ、ソフトウェアとハードウェア資源とが協働して、前述の実施の形態が実現される。
なお、図１２に示すハードウェア構成は、１つの構成例を示すものであり、本実施の形態は、図１２に示す構成に限らず、本実施の形態において説明したモジュールを実行可能な構成であればよい。例えば、一部のモジュールを専用のハードウェア（例えば特定用途向け集積回路（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ：ＡＳＩＣ）等）で構成してもよく、一部のモジュールは外部のシステム内にあり通信回線で接続しているような形態でもよく、さらに図１２に示すシステムが複数互いに通信回線によって接続されていて互いに協調動作するようにしてもよい。また、特に、パーソナルコンピュータの他、携帯情報通信機器（携帯電話、スマートフォン、モバイル機器、ウェアラブルコンピュータ等を含む）、情報家電、ロボット、複写機、ファックス、スキャナ、プリンタ、複合機（スキャナ、プリンタ、複写機、ファックス等のいずれか２つ以上の機能を有している画像処理装置）などに組み込まれていてもよい。

なお、説明したプログラムについては、記録媒体に格納して提供してもよく、また、そのプログラムを通信手段によって提供してもよい。その場合、例えば、前記説明したプログラムについて、「プログラムを記録したコンピュータ読み取り可能な記録媒体」の発明として捉えてもよい。
「プログラムを記録したコンピュータ読み取り可能な記録媒体」とは、プログラムのインストール、実行、プログラムの流通等のために用いられる、プログラムが記録されたコンピュータで読み取り可能な記録媒体をいう。
なお、記録媒体としては、例えば、デジタル・バーサタイル・ディスク（ＤＶＤ）であって、ＤＶＤフォーラムで策定された規格である「ＤＶＤ−Ｒ、ＤＶＤ−ＲＷ、ＤＶＤ−ＲＡＭ等」、ＤＶＤ＋ＲＷで策定された規格である「ＤＶＤ＋Ｒ、ＤＶＤ＋ＲＷ等」、コンパクトディスク（ＣＤ）であって、読出し専用メモリ（ＣＤ−ＲＯＭ）、ＣＤレコーダブル（ＣＤ−Ｒ）、ＣＤリライタブル（ＣＤ−ＲＷ）等、ブルーレイ・ディスク（Ｂｌｕ−ｒａｙ（登録商標） Ｄｉｓｃ）、光磁気ディスク（ＭＯ）、フレキシブルディスク（ＦＤ）、磁気テープ、ハードディスク、読出し専用メモリ（ＲＯＭ）、電気的消去及び書換可能な読出し専用メモリ（ＥＥＰＲＯＭ（登録商標））、フラッシュ・メモリ、ランダム・アクセス・メモリ（ＲＡＭ）、ＳＤ（Ｓｅｃｕｒｅ Ｄｉｇｉｔａｌ）メモリーカード等が含まれる。
そして、前記のプログラム又はその一部は、前記記録媒体に記録して保存や流通等させてもよい。また、通信によって、例えば、ローカル・エリア・ネットワーク（ＬＡＮ）、メトロポリタン・エリア・ネットワーク（ＭＡＮ）、ワイド・エリア・ネットワーク（ＷＡＮ）、インターネット、イントラネット、エクストラネット等に用いられる有線ネットワーク、又は無線通信ネットワーク、さらにこれらの組み合わせ等の伝送媒体を用いて伝送させてもよく、また、搬送波に乗せて搬送させてもよい。
さらに、前記のプログラムは、他のプログラムの一部分であってもよく、又は別個のプログラムと共に記録媒体に記録されていてもよい。また、複数の記録媒体に分割して記録されていてもよい。また、圧縮や暗号化等、復元可能であればどのような態様で記録されていてもよい。

１００…情報処理装置
１１０…予備教師データ収集モジュール
１２０…予備教師データ分析モジュール
１３０…教師データ作成モジュール
１４０…収集対象データ保存モジュール
１５０…予備教師データ格納モジュール
１６０…教師データ格納モジュール
２１０…ＳＮＳ提供装置
２２０…ユーザー端末
２９０…通信回線
９００…情報処理装置
９７０…教師データ分析モジュール
９８０…教師データ格納モジュール

Claims (4)

1. 投稿情報を収集する収集手段と、
   前記収集手段によって収集された投稿情報を分類する分類手段と、
   前記分類手段によって分類された集合内の投稿情報を用いて、機械学習に用いる教師データを作成する作成手段
   を具備し、
   前記作成手段は、前記分類手段によって分類された集合内の投稿情報を結合して、機械学習に用いる１件の教師データを作成する
   ことを特徴とする情報処理装置。
2. 前記分類手段は、前記収集手段によって収集された投稿情報を、教師なしクラスタリングによる分類又は該投稿情報に含まれている情報を用いて分類する
   ことを特徴とする請求項１に記載の情報処理装置。
3. 前記分類手段は、前記収集手段によって収集された投稿情報を、予め作成した教師データを用いて、教師ありクラスタリング又は機械学習によって分類する
   ことを特徴とする請求項１に記載の情報処理装置。
4. コンピュータを、
   投稿情報を収集する収集手段と、
   前記収集手段によって収集された投稿情報を分類する分類手段と、
   前記分類手段によって分類された集合内の投稿情報を用いて、機械学習に用いる教師データを作成する作成手段
   として機能させ、
   前記作成手段は、前記分類手段によって分類された集合内の投稿情報を結合して、機械学習に用いる１件の教師データを作成する
   情報処理プログラム。

Images