JP6592574B1 - 記事解析装置、および、記事解析方法 - Google Patents

Abstract

【課題】過去の広告記事から得た知見をもとに、今回入力された広告案に対する有益な提案をすること。【解決手段】記事解析装置１は、過去記事データ１１の文字データ１０１として取得された各単語の出現頻度を集計した結果を、文字特徴データとして特徴ＤＢ１３に記憶する機械学習部２１と、入力された予測記事データ１２の文字データ２０１として取得された各単語について、文字特徴データの単語との類似度が高いほど、かつ、文字特徴データの出現頻度が高いほど高得点とする評価関数を計算することで、各単語のスコアを計算し、予測記事データ１２の各単語について、スコアが高い文字特徴データの単語を書き換え候補として、予測記事データ１２の単語の書き換えを促す旨を提示する改善計算部２３と、を有する。【選択図】 図１

Description

本発明は、記事解析装置、および、記事解析方法に関する。

近年、深層学習（Deep Learning）を活用することによる、人工知能（ＡＩ：Artificial Intelligence）の発展が注目されている。ネットワーク技術の進歩により大量のデータを効率的に収集できるようになったため、そのデータから何らかの知見を機械学習させることで、人間と同等の作業をさせる計算モデルの構築に期待がかかる。

人工知能の主要な適用分野として、画像データを入力データとして、その画像データをいずれかのカテゴリに分類する画像認識処理が挙げられる。例えば、非特許文献１には、人間がどのようにして芸術的な画像を視覚的に知覚するかを示す視覚モデルを、ディープニューラルネットワークとしてモデル化する試みが記載されている。ディープニューラルネットワークは、視覚情報を階層的に処理する小さな計算単位の層により構成される畳み込みニューラルネットワークである。

Leon A. Gatys他、「A Neural Algorithm of Artistic Style」、［online］、2015年8月26日、［2018年8月3日検索］、インターネット〈URL：https://arxiv.org/abs/1508.06576〉

ＣＭ、看板、ポスターなどの広告記事についても、人間がどのようにして知覚するかを示す広告認識モデルを、機械的に作成したいニーズがある。そして、広告代理店などの広告提供側のユーザが広告認識モデルを用いることで、作成した広告を実際にＣＭなどで世の中に公表して評判を得る前の段階で、広告の効果を予想することが期待される。

非特許文献１などの従来の人工知能の研究では、類似する広告をグルーピングするなどの大まかな機械認識にとどまる。よって、広告提供側にとって、試作した広告案をどのように評価し、どのように改善するかという中身に踏み込んだ有益な提案をするシステムにまでは至っていなかった。

そこで、本発明は、過去の広告記事から得た知見をもとに、今回入力された広告案に対する有益な提案をすることを、主な課題とする。

前記課題を解決するために、本発明の記事解析装置は、以下の特徴を有する。
本発明は、過去記事データの文字データとして取得された各単語の出現頻度を集計した結果を、文字特徴データとして記憶部に記憶する機械学習部と、
入力された予測記事データの文字データとして取得された各単語について、前記文字特徴データの単語との類似度が高いほど、かつ、前記文字特徴データの出現頻度が高いほど高得点とする評価関数を計算することで、各単語のスコアを計算し、
前記予測記事データの各単語について、前記スコアが高い前記文字特徴データの単語を書き換え候補として、前記予測記事データの単語の書き換えを促す旨を提示する改善計算部と、を有することを特徴とする。
その他の手段は、後記する。

本発明によれば、過去の広告記事から得た知見をもとに、今回入力された広告案に対する有益な提案をすることができる。

本発明の一実施形態に関する記事解析装置の構成図である。 本発明の一実施形態に関する記事解析装置の処理を示すフローチャートである。 本発明の一実施形態に関する過去記事データの文字データおよび画像データを対象とした、ニューラルネットワークの学習工程を示す説明図である。 本発明の一実施形態に関する予測記事データの文字データおよび画像データを対象とした、ニューラルネットワークの推論工程を示す説明図である。 本発明の一実施形態に関する過去記事データの文字データを対象とした、特徴ＤＢの学習工程を示す説明図である。 本発明の一実施形態に関する予測記事データの文字データを対象とした、特徴ＤＢの適用工程を示す説明図である。 本発明の一実施形態に関する図５および図６の文字データに関する具体例である。

以下、本発明の一実施形態について、図面を参照して詳細に説明する。

図１は、記事解析装置１の構成図である。
記事解析装置１は、過去記事データ１１と、予測記事データ１２と、特徴ＤＢ１３とを記憶部に記憶する。記事解析装置１は、機械学習部２１と、効果予想部２２と、改善計算部２３と、形態素解析部３１と、スコア計算部３２と、スコア合計部３３とを処理部として有する。
記事解析装置１は、ＣＰＵ（Central Processing Unit）と、メモリと、ハードディスクなどの記憶手段（記憶部）と、ネットワークインタフェースとを有するコンピュータとして構成される。
このコンピュータは、ＣＰＵが、メモリ上に読み込んだプログラム（アプリケーションや、その略のアプリとも呼ばれる）を実行することにより、各処理部により構成される制御部（制御手段）を動作させる。

過去記事データ１１は、記事とその評価点とが対応付けられるデータであり、機械学習におけるラベル付きの教師データとして事前に入力される。過去記事データ１１の記事とは、例えば、ＣＭ、看板、ポスターなどの広告を示す記事であり、社会的ネットワークサービス（ＳＮＳ：social networking service）などのネットに公開されているものである。
過去記事データ１１の評価点とは、公開された記事に対する読者からの評価（効果）を定量的に示すラベルである。この評価点は、例えば、ネットからのアクセスデータとして、記事へのアクセス数や、記事に対する読者からの反応数であるいいね数、リツイート数、リプライ数などである。なお、「いいね」とは、読者が好印象と判断した記事に対して、１クリック（１タッチ）で記事を評価する操作であり、アプリによっては「お気に入り」や「ファボ（Favorite）」とも呼ばれる。
または、評価点は、記事で紹介された商品に対する市場からの反応としての、売上げデータでもよい。
以下、図２を参照して、記事解析装置１のうちの過去記事データ１１以外の構成要素を説明する。

図２は、記事解析装置１の処理を示すフローチャートである。
機械学習部２１は、過去記事データ１１を教師データとして機械学習し、その結果である回帰（Regression）の予測モデルを作成する。予測モデルは、例えば、過去記事データ１１の特徴を示す単語（キーワード）として、特徴ＤＢ１３に格納される（Ｓ１１）。
なお、予測モデルは、例えば、入力層、中間層、出力層を順に接続し、それぞれの層を情報伝達させるニューラルネットワークとして構成される。中間層が多階層（複数階層）であるときは、機械学習部２１は、ディープラーニングにより予測モデルを作成する。

記事解析装置１は、予測記事データ１２の入力を受け付ける（Ｓ１２）。入力される予測記事データ１２は、未公開の試作段階などで評価点が未定のものであり、予測モデルを用いて予測する対象の記事である。なお、予測記事データ１２は、これから宣伝で使用しようとしている広告Ａ案、広告Ｂ案、広告Ｃ案など複数のデータを事前に用意しておくことが望ましい。

効果予想部２２は、特徴ＤＢ１３から読み出した予測モデルを用いて、Ｓ１２で入力されたそれぞれの予測記事データ１２の評価点を予想する（Ｓ１３）。なお、評価点の高い記事だけでなく、評価点の低い記事も過去記事データ１１として活用することが望ましい。これにより、効果予想部２２は、例えば、読者に不快な単語を含む予測記事データ１２を、「評価点の低い」と適切に予想することができる。

改善計算部２３は、過去記事データ１１に記載される単語を特徴ＤＢ１３から参照し、予測記事データ１２の記事内容を改善する改善案を作成する（Ｓ１４）。よって、今回入力された予測記事データ１２を高評価の過去記事データ１１に近づけるような改善案を作成するために、過去記事データ１１として、過去にいいねを大量に獲得した記事など評価点の高い記事を事前に集めておくことが望ましい。

記事解析装置１は、Ｓ１３で予想した予測記事データ１２の広告効果（評価点）と、Ｓ１４で作成した予測記事データ１２に対する改善案とを表示する（Ｓ１５）。この表示により、ユーザは、最高点の評価点となる広告Ｂ案を採用するなどの意志決定を行ったり、広告Ｂ案に記載される単語を過去の人気記事に類似するように書き換えるなどの改善案を採用したりできる。つまり、ユーザは、評価点および改善案をもとに、売上に貢献する予測記事データ１２を知ることができる。
なお、記事解析装置１は、効果予想部２２の評価点と、改善計算部２３の改善案とを同時に表示することとしたが、いずれか片方の表示だけでもユーザにとって有益である。よって、効果予想部２２および改善計算部２３のいずれか１つだけを備えた記事解析装置１として構成してもよい。

図３は、過去記事データ１１の文字データおよび画像データを対象とした、ニューラルネットワークの学習工程を示す説明図である。図３の学習工程は、図２ではＳ１１の処理に該当する。
機械学習部２１は、過去記事データ１１を構文解析することで、文字データ１０１および画像データ１０２を抽出する。文字データ１０１として、過去記事データ１１に記載されたテキストデータを抽出してもよいし、過去記事データ１１に添付された音声データや動画データからテキストデータを音声認識により機械抽出してもよい。画像データ１０２は、１枚ずつの画像ファイルから構成されていてもよいし、過去記事データ１１の動画データから抽出した画像ファイルの集合として構成されていてもよい。

機械学習部２１は、画像データ１０２を入力として、畳み込みニューラルネットワーク（畳込層）であるＣＮＮ（Convolutional Neural Network）データ１１２を作成する。そして、機械学習部２１は、非特許文献１に記載されているように、ＣＮＮデータ１１２からスタイル情報を抽出し、そのスタイル情報を特徴ＤＢ１３に登録する。スタイル情報は、画像データ１０２の学習結果であり、アドバイス画像（図４の改善画像データ２３２）を生成するための画像の特徴情報である。

機械学習部２１は、文字データ１０１から抽出した単語頻度データ１１１を、特徴ＤＢ１３に登録する（詳細は図５）。機械学習部２１は、単語頻度データ１１１と、ＣＮＮデータ１１２とを、全結合層データ１２１に結合させることで、ニューラルネットワークを作成する。機械学習部２１は、全結合層データ１２１の出力先を記事効果データ１３１に対応付ける。
つまり、ニューラルネットワークの第１層（入力層）が文字データ１０１および画像データ１０２であり、第２層（中間層）が文字特徴データ（単語頻度データ１１１）および画像特徴データ（ＣＮＮデータ１１２）であり、第３層（出力層）が全結合層データ１２１である。
記事効果データ１３１とは、過去記事データ１１に対応付けられている教師データのラベル（いいね数などの記事の評価点）である。機械学習部２１は、このようにして生成したニューラルネットワークに対して、過去記事データ１１を次々に入力（伝搬）させることで、ニューラルネットワークを学習させる。

図４は、予測記事データ１２の文字データおよび画像データを対象とした、ニューラルネットワークの推論工程を示す説明図である。図４の推論工程は、図２ではＳ１３およびＳ１４の処理に該当する。
効果予想部２２は、入力された予測記事データ１２を構文解析することで、文字データ２０１および画像データ２０２を抽出する。
効果予想部２２は、抽出した文字データ２０１および画像データ２０２を図３で作成したニューラルネットワークに入力することで、予測記事データ１２に対するラベル（いいね数などの記事の評価点）を予想する。具体的には、効果予想部２２は、文字データ２０１および画像データ２０２を、それぞれのデータ形式に合った中間層に入力する。

これにより、特徴ＤＢ１３から読み出された単語頻度データ１１１の層と、特徴ＤＢ１３からスタイル情報として読み出されたＣＮＮデータ１１２の層から、それぞれ全結合層データ１２１への情報伝搬が発生し、その結果が記事効果データ１３１と同様の形式である効果予想データ２３１へと伝搬する。よって、ユーザは、予測記事データ１２がどれだけいいね数を得られるかなどの予測を知ることができる。

さらに、改善計算部２３は、図６で後述するとおり、学習結果として特徴ＤＢ１３に保存しておいた別の単語を文字データ２０１に適用した改善文字データ２３３を生成し、ユーザに提示する。
また、改善計算部２３は、非特許文献１に記載されているように、学習結果として特徴ＤＢ１３に保存しておいたスタイル情報を画像データ２０２に適用した改善画像データ２３２を生成し、アドバイス画像としてユーザに提示する。
例えば、過去記事データ１１からいいね数が多い記事から、明るい配色のスタイル情報が抽出されたとする。そして、予測記事データ１２の画像データ２０２からは暗い配色のスタイル情報が抽出されたとき、改善計算部２３は、明るい配色のスタイル情報を参照して、画像データ２０２をより明るくした改善画像データ２３２を生成する。

以上、図３，図４を参照して、文字データおよび画像データを対象としたニューラルネットワークを用いた予測記事データ１２の解析処理を説明した。非特許文献１では、画像データを対象としたニューラルネットワークだけが構築されていた。本実施形態では、この画像データのニューラルネットワークに対して、新たに文字データの層を組み込むことで、文字データも画像データも含む予測記事データ１２の予測処理を精度よく行うことができる。

図５は、過去記事データ１１の文字データを対象とした、特徴ＤＢ１３の学習工程を示す説明図である。図５の学習工程は、図２ではＳ１１の処理に該当する。
機械学習部２１は、過去記事データ１１から抽出した文字データ１０１をもとに、単語頻度データ１１１を抽出するように、形態素解析部３１に指示する。形態素解析部３１は、文字データ１０１から形態素解析により分割された各単語に対して、その出現回数（使用頻度）を集計して単語頻度データ１１１（詳細は図７）を作成し、その単語頻度データ１１１を過去記事データ１１の集合から学習する特徴データとして、特徴ＤＢ１３に登録する。

図６は、予測記事データ１２の文字データを対象とした、特徴ＤＢ１３の適用工程を示す説明図である。図６の適用工程は、図２ではＳ１３およびＳ１４の処理に該当する。
形態素解析部３１は、図５の学習工程と同様に、予測記事データ１２の文字データ２０１に対して形態素解析により単語の集合に分割する。
スコア計算部３２は、図５の学習工程で得た単語頻度データ１１１と、形態素解析部３１による予測記事データ１２の単語の集合とをもとに、単語ごとにスコアリングする。このスコアとは、予測記事データ１２に出現する各単語について、スコアが高いほど、別の単語に書き換えた方がよい度合いを示す。そして、改善文字データ２３３とは、書き換え先となる別の単語のリストである。

さらに、スコア合計部３３は、スコアリングの結果を予測記事データ１２ごと（記事のページごと）に合計し、その合計値を全結合層データ１２１への入力とする。図４で説明したように、効果予想部２２は、全結合層データ１２１から効果予想データ２３１に対応付けることで、予測記事データ１２ごとのいいね数などの記事の評価点を予想する。

図７は、図５および図６の文字データに関する具体例である。
学習工程では、形態素解析部３１は、過去記事データ１１から単語頻度データ１１１を抽出する。単語頻度データ１１１は、「空前絶後が200回出現」、「浪漫が150回出現」、…などの単語ごとの出現頻度である。
適用工程では、まず、形態素解析部３１は、予測記事データ１２から単語の集合を抽出する。ここでは、前代未聞、ロマン、さっぱり、…などの単語が抽出されたとする。

次に、スコア合計部３３は、スコア計算部３２が以下の式で計算した単語ごとのスコアを、予測記事データ１２ごとに合計した集計スコアを求める。
（単語のスコア）＝（予測記事データ１２の単語）と（単語頻度データ１１１の単語）との類似度×（単語頻度データ１１１の使用頻度）
例えば、「前代未聞」と「空前絶後」との類似度が2.8なら、「前代未聞」のスコア＝2.8×200＝560となる。この単語ごとの集計スコアは、全結合層データ１２１に入力される。

そして、改善計算部２３は、予測記事データ１２の単語ごとに、スコアが高い順に、単語頻度データ１１１の類似する単語のリスト（１位、２位、３位、…）を、改善文字データ２３３として抽出する。
例えば、今回試作した広告Ｂ案には、「前代未聞」という単語が記載されていた。しかし、人気の記事（過去記事データ１１）には、「前代未聞」ではなく、意味が類似する「空前絶後」という単語が多く記載されていた。よって、改善計算部２３は、「前代未聞」を高スコアの「空前絶後」や「画期的」などに書き換える旨の改善文字データ２３３をユーザに提示する。
これにより、広告Ｂ案を公開する前に「前代未聞」を「空前絶後」に書き換えさせることで、広告Ｂ案の趣旨を大きく変えることなく、広告Ｂ案の印象を改善できる。

以上説明した本実施形態では、効果予想部２２が過去記事データ１１からニューラルネットワークを機械学習することで、予測記事データ１２の効果を予測できる。ここで、過去記事データ１１の学習データとして、いいね数などのＳＮＳの口コミ効果の情報を用いることで、市場の評判を示すデータを手軽に入手できる。
さらに、改善計算部２３が過去記事データ１１から抽出した単語頻度データ１１１をもとに、予測記事データ１２の単語を書き換える提案をすることで、予測記事データ１２の内容に踏み込んだ改善をユーザに促すことができる。

なお、本発明は前記した実施例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、前記した実施例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、ある実施例の構成の一部を他の実施例の構成に置き換えることが可能であり、また、ある実施例の構成に他の実施例の構成を加えることも可能である。
また、各実施例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。また、上記の各構成、機能、処理部、処理手段などは、それらの一部または全部を、例えば集積回路で設計するなどによりハードウェアで実現してもよい。
また、前記の各構成、機能などは、プロセッサがそれぞれ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、ファイルなどの情報は、メモリや、ハードディスク、ＳＳＤ（Solid State Drive）などの記録装置、または、ＩＣ（Integrated Circuit）カード、ＳＤカード、ＤＶＤ（Digital Versatile Disc）などの記録媒体に置くことができる。
また、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。実際にはほとん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 記事解析装置
１１ 過去記事データ
１２ 予測記事データ
１３ 特徴ＤＢ
２１ 機械学習部
２２ 効果予想部
２３ 改善計算部
３１ 形態素解析部
３２ スコア計算部
３３ スコア合計部
１０１ 文字データ
１０２ 画像データ
１１１ 単語頻度データ
１１２ ＣＮＮデータ
１２１ 全結合層データ
１３１ 記事効果データ
２０１ 文字データ
２０２ 画像データ
２３１ 効果予想データ
２３２ 改善画像データ
２３３ 改善文字データ

Claims (4)

1. 過去記事データの文字データとして取得された各単語の出現頻度を集計した結果を、文字特徴データとして記憶部に記憶する機械学習部と、
   入力された予測記事データの文字データとして取得された各単語について、前記文字特徴データの単語との類似度が高いほど、かつ、前記文字特徴データの出現頻度が高いほど高得点とする評価関数を計算することで、各単語のスコアを計算し、
   前記予測記事データの各単語について、前記スコアが高い前記文字特徴データの単語を書き換え候補として、前記予測記事データの単語の書き換えを促す旨を提示する改善計算部と、を有することを特徴とする
   記事解析装置。
2. 前記機械学習部は、前記過去記事データの前記文字特徴データに加えて、前記過去記事データの画像データから取得した画像特徴データも記憶部に記憶した上で、前記過去記事データの文字データおよび画像データの入力を受け付ける第１層と、前記文字特徴データおよび前記画像特徴データに対応する第２層と、前記第２層の前記文字特徴データおよび前記画像特徴データを結合し、前記過去記事データごとの評価点を出力する第３層と、を入力側から順に接続したニューラルネットワークを形成し、
   前記記事解析装置は、さらに、前記予測記事データの文字データおよび画像データを前記ニューラルネットワークの前記第１層に入力することで、前記第３層から出力された前記予測記事データの評価点を前記予測記事データの効果の予想データとして提示する効果予想部を有することを特徴とする
   請求項１に記載の記事解析装置。
3. 前記機械学習部は、前記過去記事データごとの評価点として、社会的ネットワークサービスに投稿された前記過去記事データに対する読者からの反応数を用いることを特徴とする
   請求項２に記載の記事解析装置。
4. 記事解析装置は、機械学習部と、改善計算部と、を有しており、
   前記機械学習部は、過去記事データの文字データとして取得された各単語の出現頻度を集計した結果を、文字特徴データとして記憶部に記憶し、
   前記改善計算部は、
   入力された予測記事データの文字データとして取得された各単語について、前記文字特徴データの単語との類似度が高いほど、かつ、前記文字特徴データの出現頻度が高いほど高得点とする評価関数を計算することで、各単語のスコアを計算し、
   前記予測記事データの各単語について、前記スコアが高い前記文字特徴データの単語を書き換え候補として、前記予測記事データの単語の書き換えを促す旨を提示することを特徴とする
   記事解析方法。

Images